Métodos Numericos-Corregido

UNMSM MÉTODOS NUMÉRICOS
FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA
Profesor Lucio Malasquez
PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ Pág. 1

Contenido
INTRODUCCIÓN ..................................................................................................................... 4
1. INTRODUCCIÓN A LA TEORÍA DE VALOR .............................................................. 5
2. TEOREMA DE BOLZANO (TB) ................................................................................... 10
3. MÉTODO DE BISECCIÓN ............................................................................................ 11
4. Método de Regula Falsi o Método de Falsa Posición ...................................................... 16
5. MÉTODO DE LA SECANTE ......................................................................................... 20
6. MÉTODO DE PUNTO FIJO O MÉTODO DE APROXIMACIONES

SUCESIVAS ............................................................................................................................ 23
7. MÉTODO DE NEWTON – RAPHSON .............................................................................. 27
8. SISTEMAS DE ECUACIONES NO LINEALES EN DOS VARIABLES ............................... 30

8.1. Algoritmo del Punto Fijo en dos variables : ........................................................... 30
8.2. Algoritmo de Newton – Rapson ( N.R ) en dos variables :.................................... 35
9. METODOS DIRECTOS DE SISTEMAS DE ECUACIONES LIENALES ............................. 40

9.1. METODO DE CROUT - DOOLITLE ........................................................................... 40
9.2. METODO DE CHOLESKY .......................................................................................... 43
10. MÉTODO TRIDIAGONAL PARA SISTEMAS DE ECUACIONES LINEALES. ............... 47
11. MÉTODO PENTADIAGONAL PARA SISTEMAS DE ECUACIONES LINEALES. ......... 55
12. SOLUCION ITERATIVA DE SISTEMAS DE ECUACIONES LINEALES ........................ 65

12.1. METODO DE JACOBI ............................................................................................. 65
12.2. METODO DE GAUSS- SEIDEL ............................................................................... 74
13. INTERPOLACIÓN ......................................................................................................... 88

13.1. INTERPOLACIÓN DIRECTA LINEAL .................................................................. 88
13.2. INTERPOLACION DIRECTA CENTRAL ................................................................ 93
13.2.1. Interpolación de Stirling ............................................................................... 93
13.2.2. Interpolación de Bessel ................................................................................ 94
13.2.3. Interpolación de Everett............................................................................... 94
13.3. INTERPOLACIÓN INVERSA.................................................................................. 97
13.3.1. Interpolación Inversa No Lineal ( IINL ) ...................................................... 97
13.3.2. Interpolación Inversa No Lineal de tercer orden ............................................ 99
14. INTEGRACIÓN NUMERICA ........................................................................................ 110

14.1. Para intervalos Simples ..................................................................................... 110
14.1.1. Método del trapecio .................................................................................... 110
14.1.2. Método de Simpson de 1/3 ........................................................................ 110
14.1.3. Método de Simpson de 3/8 ........................................................................ 111
14.2. Integración Numérica para intervalos compuestos ........................................ 114
14.2.1. Método del trapecio compuesto ................................................................ 114
14.2.2. Método de Simpson de 1/3 compuesta. .................................................... 114
14.2.3. Método de Simpson de 3/8 compuesta. .................................................... 117
15. EXTRAPOLACION DE RICHARDSON- (E.R) ............................................................. 119
16. INTEGRACION DE ROMBERG ................................................................................... 131
17. SOLUCIÓN NUMÉRICA DE ECUACIONES DIFERENCIALES ORDINARIAS CON

VALOR INICIAL...................................................................................................................... 137
18. DIFERENCIA NUMERICA ........................................................................................... 149

18.1. Para Newton Progresivo ( NP ) ............................................................................ 150
18.2. Para Newton Regresivo ( NR ) ............................................................................ 151
19. PREDICTOR – CORRECTOR....................................................................................... 156
20. ECUACIONES DIFERENCIALES DE ORDEN SUPERIOR .......................................... 158
CONCLUSIONES .................................................................................................................... 161

INTRODUCCIÓN
En la práctica de la ingeniería y ciencias es frecuente tener la necesidad de resolver un

sistema de ecuaciones lineales. Estos sistemas aparecen en muy diversos problemas, ya sea
como la solución completa de un problema ó al menos como parte de ella. Dada esta
necesidad frecuente, se requiere resolverlos en forma eficiente.
Para una mejor organización y búsqueda rápida de cada tema se ha implementados con un
índice al principio del trabajo para su fácil ubicación de los temas ya que el texto completo
se encuentra enumerada de principio a fin, además en el final se ha considerado incluir
problemas resueltos de los diferentes temas estudiados.
Como los algoritmos de los métodos ya están disponibles en la mayoría de los libros de texto
sobre la materia, se explicara en la medida de lo posible, detalles de implementación
(personales) de los métodos directos (que son más difíciles de programar). El lenguaje de
programación idóneo para tal fin será matlab 6.0
Damos desde ya los agradecimientos a todas aquellas personas que dieron su apoyo para
completar el trabajo tanto en ideas, criticas para su mejoramiento sin importar la magnitud
de la ayuda han sido de gran ayuda y esperando aun recibir su aportes para la continua
superación en los próximos trabajos que se han de mostrar.

1. INTRODUCCIÓN A LA TEORÍA DE VALOR
1.1. Definición de cifras significativas
Son valores o números diferentes de cero.

El cero no será considerado cifra significativa si está en el extremo.
Ejemplo
El cero no será considerado cifra significativa si está en el extremo.

Pero el si el cero está entre los números diferentes de cero, entonces es cifra significativa.
1.2. Descomposición polinómica de un número.
Todo valor o número se le puede expresar como una descomposición de potencia de 10.
Ejemplo 1.2.1.
358.043 = 3 ∗ 102 + 5 ∗ 101 + 8 ∗ 100 + 4 ∗ 10−2 + 3 ∗ 10−3
Ejemplo 1.2.2.
0.50120 = 5 ∗ 10−1 + 1 ∗ 10−3 + 2 ∗ 10−4

Ejemplo 1.2.3.
3.21145 = 3 ∗ 100 + 2 ∗ 10−1 + 1 ∗ 10−2 + 1 ∗ 10−3 + 4 ∗ 10−4 + 5 ∗ 10−5
1.3. Orden de la descomposición polinómica
𝑚 = 𝑚𝑎𝑥{ 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑑𝑒𝑠𝑐𝑜𝑚𝑝𝑜𝑠𝑖𝑐𝑖𝑜𝑛 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑐𝑎 }
Ejemplo 1.3.1.
358.043 = 3 ∗ 102 + 5 ∗ 101 + 8 ∗ 100 + 4 ∗ 10−2 + 3 ∗ 10−3

𝑚 = 𝑚𝑎𝑥{ 2 , 1, −2, −3 } entonces 𝑚=2
Ejemplo 1.3.2.
0.50120 = 5 ∗ 10−1 + 1 ∗ 10−3 + 2 ∗ 10−4

𝑚 = 𝑚𝑎𝑥{−1 , −3, −4 } entonces 𝑚 = −1
Ejemplo 1.3.3.
3.21145 = 3 ∗ 100 + 2 ∗ 10−1 + 1 ∗ 10−2 + 1 ∗ 10−3 + 4 ∗ 10−4 + 5 ∗ 10−5

𝑚 = 𝑚𝑎𝑥{ 0, −1 , −2, −3, −4, −5 } entonces 𝑚=0
1.4. Error absoluto
Es la diferencia entre un valor de exacto y una de sus aproximaciones. Puede ser positivo o
negativo, según si la medida es superior al valor real o inferior (la resta sale positiva o
negativa). Tiene unidades, las mismas que las de la medida.
DEFINICION DE CIFRAS SIGNIFICATIVAS EXACTAS:

Se define por la siguiente relación:
𝜀𝑎 = 0.5 × 10𝑚−𝑛+1
Donde:
𝑚 = es el orden de la descomposición polinómica.
𝑛 = número de cifras significativas exactas.
DEFINICION DE CIFRAS DECIMALES EXACTAS:

Se define por la siguiente relación:
𝜀𝑎 = 0.5 × 10−𝑘
Donde:
𝑘 = numero de cifras decimales exactas.

Ejemplo 1.4.1.
cos 7
= 0.251300751
3
Sea 𝑝 = 0.251300751
𝑝1 = 0.2524 𝑝2 = 0.25332 𝑝3 = 0.2513203
Para 𝑝 = 0.251300751 𝑐𝑜𝑛 𝑝1 = 0.2524
Error Absoluto ( 𝜀𝑎1 )
𝜀𝑎1 = | 𝑝 − 𝑝1 | = 1.099249𝑥10−3 = 0.001099249 = 0.001 = 0.1𝑥10−2
𝜀𝑎1 = 0.1𝑥10−2
𝑝1 = 0.2524 = 2𝑥10−1 + 5𝑥10−2 + 2𝑥10−3 + 4𝑥10−4
𝑚 = 𝑚𝑎𝑥{−1, −2, −3, −4} Entonces 𝑚 = −1
Cifra significativa exacta
𝜀𝑎1 ≤ 0.5𝑥10𝑚−𝑛+1
0.1𝑥10−2 ≤ 0.5𝑥10−1−𝑛+1
−2 = −1 − 𝑛 + 1
Entonces 𝑛 = 2
𝑝1 = 0.2524 tiene dos cifras significativas exactas.
𝑝 = 0. 𝟐𝟓1300751 𝑐𝑜𝑛 𝑝1 = 0. 𝟐𝟓24
Cifras decimales exactas
𝜀𝑎1 ≤ 0.5𝑥10−𝑘
0.1𝑥10−2 ≤ 0.5𝑥10−𝑘
−2 = −𝑘
Entonces 𝑘 = 2
𝑝1 = 0.2524 tiene 2 cifras decimales exactas
𝑝 = 0. 𝟐𝟓1300751 𝑐𝑜𝑛 𝑝2 = 0. 𝟐𝟓332

Para 𝑝 = 0.251300751 𝑐𝑜𝑛 𝑝2 = 0.25332
𝜀𝑎2 = | 𝑝 − 𝑝2 | = 2.019249𝑥10−3 = 0.0002019249 = 0.002 = 0.2𝑥10−2
𝜀𝑎2 = 0.2𝑥10−2
𝑝2 = 0.25332 = 2𝑥10−1 + 5𝑥10−2 + 3𝑥10−3 + 3𝑥10−4 + 2𝑥10−5
𝑚 = 𝑚𝑎𝑥{−1, −2, −3, −4, −5} Entonces 𝑚 = −1
𝜀𝑎2 ≤ 0.5𝑥10𝑚−𝑛+1
0.2𝑥10−2 ≤ 0.5𝑥10−1−𝑛+1
−2 = −1 − 𝑛 + 1
Entonces 𝑛 = 2
𝑝2 = 0.25332 tiene dos cifras significativas exactas.
𝑝 = 0. 𝟐𝟓1300751 𝑐𝑜𝑛 𝑝2 = 0. 𝟐𝟓332
𝜀𝑎2 ≤ 0.5𝑥10−𝑘
0.2𝑥10−2 ≤ 0.5𝑥10−𝑘
−2 = −𝑘
Entonces 𝑘 = 2
𝑝2 = 0.25332 tiene 2 cifras decimales exactas
𝑝 = 0. 𝟐𝟓1300751 𝑐𝑜𝑛 𝑝2 = 0. 𝟐𝟓332
Para 𝑝 = 0.251300751 𝑐𝑜𝑛 𝑝3 = 0.2513203
𝜀𝑎3 = | 𝑝 − 𝑝3 | = 1.9549𝑥10−5 = 0.000019549 = 0.00002 = 0.2𝑥10−4

𝜀𝑎3 = 0.2𝑥10−4
𝑝3 = 0.2513203 = 2𝑥10−1 + 5𝑥10−2 + 1𝑥10−3 + 3𝑥10−4 + 2𝑥10−5 + 3𝑥10−7
𝑚 = 𝑚𝑎𝑥{−1, −2, −3, −4, −5, −7} Entonces 𝑚 = −1
𝜀𝑎2 ≤ 0.5𝑥10𝑚−𝑛+1
0.2𝑥10−4 ≤ 0.5𝑥10−1−𝑛+1
−4 = −1 − 𝑛 + 1
Entonces 𝑛 = 4
𝑝3 = 0.2513203 tiene cuatro cifras significativas exactas.
p = 0. 𝟐𝟓𝟏𝟑00751 con p3 = 0. 𝟐𝟓𝟏𝟑203
𝜀𝑎2 ≤ 0.5𝑥10−𝑘
0.2𝑥10−4 ≤ 0.5𝑥10−𝑘
−4 = −𝑘
Entonces 𝑘 = 4
𝑝3 = 0.2513203 tiene cuatro cifras decimales exactas.
p = 0. 𝟐𝟓𝟏𝟑00751 con p3 = 0. 𝟐𝟓𝟏𝟑203

2. TEOREMA DE BOLZANO (TB)

Sea la ecuación no lineal 𝑓(𝑥) = 0
Donde 𝑓(𝑥) es función no trascendente (trigonométrica, exponencial, logarítmica o polinomial),
definida y continua en [ 𝑎 , 𝑏]
Si 𝑓(𝑎)𝑓(𝑏) < 0 entonces existe la raíz o solución 𝑥 ∗ ∈ 〈 𝑎 , 𝑏 〉 tal que 𝑓(𝑥 ∗ ) ≡ 0
Ejemplo 2.1.
𝑓(𝑥) = 𝑥 2 𝑒 𝑥 − 1 = 0
Por Teorema de Bolzano localizamos el intervalo donde exista la raíz.

Es evidente que 𝑓(𝑥) sigue siendo continua en [ 0 , 1 ]
∃𝑥 ∗ ∈ 〈 0 , 1 〉
Como 𝑓(0)𝑓(1) < 0 entonces ∃ 𝑥 ∗ ∈ 〈 0 , 1 〉 tal que 𝑓(𝑥 ∗ ) ≡ 0
Observación:
 Es evidente que si 𝑓(𝑎)𝑓(𝑏) = 0 entonces 𝑥 ∗ = 𝑎 o 𝑥 ∗ = 𝑏 es la raíz de la ecuación.
 El teorema de Bolzano nos garantiza mostrar que existirá por lo menos una raíz si es que cumple los
requisitos.
 El intervalo apropiado a usar se recomienda que sea distanciado a 1 o menor, como lo fue en este
caso del intervalo 〈 0 , 1 〉 del ejemplo 2.1.

3. MÉTODO DE BISECCIÓN
Dado la ecuación no lineal 𝑓(𝑥) = 0 tal que existe la raíz 𝑥 ∗ ∈ [ 𝑎 , 𝑏 ] por T.B.
El método de bisección consiste en hallar el promedio simple de cada intervalo
[ 𝑎𝑖 , 𝑏𝑖 ] → 𝑥 ∗
La idea es encontrar el valor que se aproxime o sea igual a la raíz 𝑥 ∗ de la ecuación 𝑓(𝑥) = 0
Algoritmo de bisección:
P-1.- Dado la ecuación 𝑓(𝑥) = 0 tal que existe la raíz 𝑥 ∗ ∈ [ 𝑎 , 𝑏 ] por T.B.
P-2.- Generar la sucesión { 𝑥𝑖 } → 𝑥 ∗ mediante la siguiente relación
𝑎𝑖 + 𝑏𝑖
𝑥𝑖 = 𝑐𝑜𝑛 𝑖 = 0, 1, 2, …
2
P-3. – Hallar 𝑓( 𝑎𝑖 )𝑓( 𝑥𝑖 )
Si 𝑓( 𝑎𝑖 )𝑓( 𝑥𝑖 ) > 0 entonces hacer 𝑎𝑖+1 = 𝑥𝑖 , 𝑏𝑖+1 = 𝑏𝑖
Es decir, que 𝑎𝑖+1 tome el valor de 𝑥𝑖

Y que 𝑏𝑖+1 tome el valor de 𝑏𝑖
Si 𝑓( 𝑎𝑖 )𝑓( 𝑥𝑖 ) < 0 entonces hacer 𝑎𝑖+1 = 𝑎𝑖 , 𝑏𝑖+1 = 𝑥𝑖
Es decir, que 𝑎𝑖+1 tome el valor de 𝑎𝑖

Y que 𝑏𝑖+1 tome el valor de 𝑥𝑖
Si 𝑓( 𝑎𝑖 )𝑓( 𝑥𝑖 ) = 0 entonces hacer 𝑥𝑖 = 𝑥 ∗

Es decir, que 𝑥𝑖 sea la raíz de 𝑓(𝑥)
P-4. - Dejar de iterarse 𝜀 = 0.5 × 10𝑚−𝑛+1 para el caso de cifras

Significativas exactas ( 𝑛 )
| 𝑥𝑖 − 𝑥𝑖−1 | ≤ 𝓔
𝜀 = 0.5 × 10−𝑘 para el caso de cifras
Decimales exactas
Caso contrario ir al P-2.

Ejemplo 3.1.
𝑓(𝑥) = 𝑥 2 𝑒 𝑥 − 1 = 0
a) Por Teorema de Bolzano localizar el intervalo donde exista la raíz.
∃𝑥 ∗ ∈ 〈 0 , 1 〉
→ 𝒎 = −𝟏
b) Por Bisección hallaremos la solución con dos cifras significativas exactas ( 𝑛 = 2 ).
Se dejará de iterar si | 𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10𝑚 − 𝑛 + 1
𝑛 = 2 Entonces | 𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10−1− 2 + 1
| 𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10−2
Si es verdadera entonces 𝑥𝑖 = 𝑥 ∗ es solución con dos cifras significativas exactas.
𝑖=0
Iteración inicial [ 𝑎0 , 𝑏0 ] = [ 0 , 1 ]
𝑎0 + 𝑏0 0+1
𝑥0 = 2
= 2
Entonces 𝑥0 = 0.5
𝑎1 = 𝑥0
𝑓( 𝑎0 )𝑓(𝑥0 ) = 𝑓(0)𝑓(0.5) = (−)(−) > 0 Entonces { 𝑏 = 𝑏
1 0
Entonces 𝑎1 = 0.5 , 𝑏1 = 1
𝑖=1
Primera iteración [ 𝑎1 , 𝑏1 ] = [ 0.5 , 1 ]

𝑎1 + 𝑏1 0.5 + 1
𝑥1 = = Entonces 𝑥1 = 0.75
2 2
| 𝑥1 − 𝑥0 | = 0.25 = 0.3𝑥100 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )

Se sigue iterando
𝑎2 = 𝑎1
𝑓( 𝑎1 )𝑓( 𝑥1 ) = 𝑓(0.5)𝑓(0.75) = (−)(+) < 0 Entonces { 𝑏 = 𝑥
2 1
Entonces 𝑎2 = 0.5 , 𝑏2 = 0.75
𝑖=2
Segunda iteración [ 𝑎2 , 𝑏2 ] = [ 0.5 , 0.75 ]

𝑎2 + 𝑏2 0.5 + 0.75
𝑥2 = = Entonces 𝑥2 = 0.625
2 2
| 𝑥2 − 𝑥1 | = 0.125 = 0.1𝑥100 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
Se sigue iterando
𝑎3 = 𝑥2
𝑓( 𝑎2 )𝑓( 𝑥2 ) = 𝑓(0.5)𝑓(0.625) = (−)(−) > 0 Entonces { 𝑏 = 𝑏
3 2
Entonces 𝑎3 = 0.625 , 𝑏3 = 0.75
𝑖=3
Tercera iteración [ 𝑎3 , 𝑏3 ] = [ 0.625 , 0.75 ]

𝑎3 + 𝑏3 0.625 + 0.75
𝑥3 = 2
= 2
| 𝑥3 − 𝑥2 | = 0.0625 = 0.1𝑥100 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
Se sigue iterando
𝑎4 = 𝑥3
4 3
Entonces 𝑎4 = 0.6875 , 𝑏4 = 0.75
𝑖=4
Cuarta iteración [ 𝑎4 , 𝑏4 ] = [ 0.6875 , 0.75 ]

𝑎4 + 𝑏4 0.6875 + 0.75
𝑥4 = = Entonces 𝑥4 = 0.71875
2 2
| 𝑥4 − 𝑥3 | = 0.03125 = 0.03 = 0.3𝑥10−1 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
Se sigue iterando
𝑎5 = 𝑎4
5 4

Entonces 𝑎5 = 0.6875 , 𝑏5 = 0.71875
𝑖=5
Quinta iteración [ 𝑎5 , 𝑏5 ] = [ 0.6875 , 0.71875 ]

𝑎5 + 𝑏5 0.6875 + 0.71875
𝑥5 = = Entonces 𝑥5 = 0.703125
2 2
| 𝑥5 − 𝑥4 | = 0.015625 = 0.02 = 0.2𝑥10−1 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
Se sigue iterando
𝑎6 = 𝑥5
6 5
Entonces 𝑎6 = 0.703125 , 𝑏6 = 0.71875
𝑖=6
Sexta iteración [ 𝑎6 , 𝑏6 ] = [ 0.703125 , 0.71875 ]

𝑎6 + 𝑏6 0.703125 + 0.71875
𝑥6 = 2
= 2
Entonces 𝑥6 = 0.7109375
| 𝑥6 − 𝑥5 | = 7.8125𝑥10−3 = 0.0078125 = 0.01 = 0.1𝑥10−1 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
Se sigue iterando
𝑎7 = 𝑎6
7 6
Entonces 𝑎7 = 0.703125 , 𝑏7 = 0.7109375
𝑖=7
Sexta iteración [ 𝑎7 , 𝑏7 ] = [ 0.703125 , 0.7109375 ]

𝑎7 + 𝑏7 0.703125 + 0.7109375
𝑥7 = 2
= 2
Entonces 𝑥7 = 0.70703125
| 𝑥7 − 𝑥6 | = 3.90625𝑥10−3 = 0.00390625 = 0.004 = 0.4𝑥10−2 ≤ 0.5𝑥10−2 ( 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 )
Entonces 𝒙𝟕 = 𝟎. 𝟕𝟎𝟕𝟎𝟑𝟏𝟐𝟓 es raíz con dos cifras significativas

Relación válida sólo para Bisección
Dado la ecuación 𝑓(𝑥) = 0 tal que existe la raíz 𝑥 ∗ ∈ [ 𝑎 , 𝑏 ] por T.B.
Conociendo:
El intervalo inicial [ 𝑎0 , 𝑏0 ] de la Bisección.
𝑚 = el orden de la descomposición polinómica de 𝑥 ∗ .

𝑛 = numero de cifras significativas exacta de 𝑥 ∗ .
Entonces esta fórmula:
𝑏0 − 𝑎0
≤ 0.5𝑥10𝑚−𝑛+1
2𝑖+1
Donde 𝑖 = numero entero menor, indicando la cantidad de iteraciones
Ejemplo 3.2.
Tomando el ejemplo 3.1., comprobando el número de iteraciones que se requiere dado su número de cifras
significativas exactas(𝑛 = 2), es el siguiente:
[ 𝑎0 , 𝑏0 ] = [ 0 ,1]
𝑚 = −1 , 𝑛=2
𝑏0 − 𝑎0
≤ 0.5𝑥10𝑚−𝑛+1
2𝑖+1
1−0
≤ 0.5𝑥10−1−2+1
2𝑖+1
1
≤ 0.5𝑥10−2
2𝑖+1
2. 𝑙𝑛(10)
≤𝑖
𝑙𝑛(2)
6.64385619 ≤ 𝑖
Entonces 𝑖 = 7

4. Método de Regula Falsi o Método de Falsa Posición

Es un método similar al método de bisección en la que en vez de hallar el promedio simple de dos
intervalos [ 𝑎𝑖 , 𝑏𝑖 ] → 𝑥 ∗
El método de R.F. determina el promedio ponderado de los intervalos
[ 𝑎𝑖 , 𝑏𝑖 ] → 𝑥 ∗
Algoritmo del método de R.F.
P-2.- Generar la { 𝑥𝑖 } → 𝑥∗ mediante la relación
𝑎𝑖 . 𝑓( 𝑏𝑖 ) − 𝑏𝑖 . 𝑓( 𝑎𝑖 )
𝑥𝑖 =
𝑓( 𝑏𝑖 ) − 𝑓( 𝑎𝑖 )
P-3. – Hallar 𝑓( 𝑎𝑖 )𝑓( 𝑥𝑖 )
Si 𝑓( 𝑎𝑖 )𝑓( 𝑥𝑖 ) > 0 entonces hacer 𝑎𝑖+1 = 𝑥𝑖 , 𝑏𝑖+1 = 𝑏𝑖
Es decir, que 𝑎𝑖+1 tome el valor de 𝑥𝑖

Y que 𝑏𝑖+1 tome el valor de 𝑏𝑖
Si 𝑓( 𝑎𝑖 )𝑓( 𝑥𝑖 ) < 0 entonces hacer 𝑎𝑖+1 = 𝑎𝑖 , 𝑏𝑖+1 = 𝑥𝑖
Es decir, que 𝑎𝑖+1 tome el valor de 𝑎𝑖

Y que 𝑏𝑖+1 tome el valor de 𝑥𝑖
Si 𝑓( 𝑎𝑖 )𝑓( 𝑥𝑖 ) = 0 entonces hacer 𝑥𝑖 = 𝑥 ∗

Es decir, que 𝑥𝑖 sea la raíz de 𝑓(𝑥)

| 𝑥𝑖 − 𝑥𝑖−1 | ≤ 𝓔
Decimales exactas

Ejemplo 4.1.
𝑓(𝑥) = 𝑥 2 𝑒 𝑥 − 1 = 0
∃𝑥 ∗ ∈ 〈0 , 1〉
→ 𝑚 = −1
b) Por RF hallaremos la solución con dos cifras significativas exactas ( 𝑛 = 2 ).

Se dejará de iterar si |𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10𝑚−𝑛+1
𝑛 = 2 Entonces |𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10−1−2+1
|𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10−2
𝑖=0
Iteración inicial [ 𝑎0 , 𝑏0 ] = [ 0 , 1 ]
𝑓(𝑏0 )∗𝑎0 − 𝑓(𝑎)∗𝑏0 𝑓(1)∗0− 𝑓(0)∗1

𝑥0 = 𝑓(𝑏0 ) − 𝑓(𝑎0 )
= 𝑓(1) − 𝑓(0)
𝑎1 = 𝑥0
𝑓(𝑎0 )𝑓(𝑥0 ) = 𝑓(0)𝑓(0.367879) = (−)(−) > 0 Entonces { 𝑏 = 𝑏
1 0
Entonces 𝑎1 = 0.367879 , 𝑏1 = 1
𝑖=1
𝑓(𝑏1 )∗𝑎1 − 𝑓(𝑎1 )∗𝑏1 𝑓(1)∗0.367879− 𝑓(0.367879)∗1

𝑥1 = 𝑓(𝑏1 ) − 𝑓(𝑎1 )
= 𝑓(1) − 𝑓(0.367879)
| 𝑥1 − 𝑥0 | = 0.201577 = 0.2𝑥100 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )

Se sigue iterando
𝑎2 = 𝑥1
𝑓(𝑎1 )𝑓(𝑥1 ) = 𝑓(0.367879)𝑓(0.569456) = (−)(−) > 0 Entonces { 𝑏 = 𝑏
2 1
Entonces 𝑎2 = 0.569456 , 𝑏2 = 1
𝑖=2
𝑓(𝑏2 )∗𝑎2 − 𝑓(𝑎2 )∗𝑏2 𝑓(1)∗0.367879− 𝑓(0.569456 )∗1

𝑥2 = 𝑓(𝑏2 ) − 𝑓(𝑎2 )
= 𝑓(1) − 𝑓(0.569456 )
| 𝑥2 − 𝑥1 | = 0.08568 = 0.1𝑥100 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
Se sigue iterando
𝑎3 = 𝑥2
3 2
Entonces 𝑎3 = 0.655136 , 𝑏3 = 1
𝑖=3
Tercera iteración [ 𝑎3 , 𝑏3 ] = [ 0.655136 , 1 ]
𝑓(𝑏3 )∗𝑎3 − 𝑓(𝑎3 )∗𝑏3 𝑓(1)∗0.655136 − 𝑓(0.655136 )∗1

𝑥3 = 𝑓(𝑏3 ) − 𝑓(𝑎3 )
= 𝑓(1) − 𝑓(0.655136 )
| 𝑥3 − 𝑥2 | = 0.031647 = 0.03 = 0.3𝑥10−1 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
Se sigue iterando
𝑎4 = 𝑥3
4 3
Entonces 𝑎4 = 0.686783 , 𝑏4 = 1
𝑖=4
Cuarta iteración [ 𝑎4 , 𝑏4 ] = [ 0.686783 , 1 ]
𝑓(𝑏4 )∗𝑎4 − 𝑓(𝑎4 )∗𝑏4 𝑓(1)∗0.686783 − 𝑓(0.686783 )∗1

𝑥4 = 𝑓(𝑏4 ) − 𝑓(𝑎4 )
= 𝑓(1) − 𝑓(0.686783 )
| 𝑥4 − 𝑥3 | = 0.011017 = 0.01 = 0.1𝑥10−1 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )

Se sigue iterando
𝑎5 = 𝑥4
5 4
Entonces 𝑎5 = 0.6978 , 𝑏5 = 1
𝑖=5
Quinta iteración [ 𝑎5 , 𝑏5 ] = [ 0.6978 , 1 ]
𝑓(𝑏3 )∗𝑎3 − 𝑓(𝑎3 )∗𝑏3 𝑓(1)∗0.655136 − 𝑓(0.655136 )∗1

𝑥5 = = Entonces 𝑥5 = 0.701553
𝑓(𝑏3 ) − 𝑓(𝑎3 ) 𝑓(1) − 𝑓(0.655136 )
| 𝑥5 − 𝑥4 | = 0.003753 = 0.003 = 0.3𝑥10−2 ≤ 0.5𝑥10−2 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
Entonces 𝑥5 = 0.701553 es raíz con dos cifras significativas

5. MÉTODO DE LA SECANTE
Algoritmo del método de la secante.
𝑥𝑖−2 . 𝑓( 𝑥𝑖−1 ) − 𝑥𝑖−1 . 𝑓( 𝑥𝑖−2 )

𝑥𝑖 =
𝑓( 𝑥𝑖−1 ) − 𝑓( 𝑥𝑖−2 )

Significativas exactas
| 𝑥𝑖 − 𝑥𝑖−1 | ≤ 𝓔
Decimales exactas
Ejemplo 5.1.
𝑓(𝑥) = 𝑥 2 𝑒 𝑥 − 1 = 0
∃𝑥 ∗ ∈ 〈0 , 1〉
→ 𝑚 = −1
b) Por la secante hallaremos la solución con dos cifras significativas exactas ( 𝑛 = 2 ).

Se dejará de iterar si | 𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10𝑚−𝑛+1
𝑛 = 2 Entonces | 𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10−1−2+1
| 𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10−2

Sea [ 𝑥0 , 𝑥1 ] = [ 0 , 1 ] Entonces 𝑥0 = 0 , 𝑥1 = 1
𝑖=2
Segunda iteración
𝑓(𝑥1 )∗𝑥0 − 𝑓(𝑥0 )∗𝑥1 𝑓(1)∗0− 𝑓(0)∗1

𝑥2 = = Entonces 𝑥2 = 0.367879
𝑓(𝑥1 ) − 𝑓(𝑥0 ) 𝑓(1) − 𝑓(0)
| 𝑥2 − 𝑥1 | = 0.632121 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
𝑖=3
Tercera iteración
𝑓(𝑥2 )∗𝑥1 − 𝑓(𝑥1 )∗𝑥2 𝑓(0.367879)∗1− 𝑓(1)∗0.367879

𝑥3 = = Entonces 𝑥3 = 0.569456
𝑓(𝑥2 ) − 𝑓(𝑥1 ) 𝑓(0.367879) − 𝑓(1)
| 𝑥3 − 𝑥2 | = 0.201577 = 0.2𝑥100 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
𝑖=4
Cuarta iteración
𝑓(𝑥3 )∗𝑥2 − 𝑓(𝑥2 )∗𝑥3 𝑓(0.569456)∗1− 𝑓(0.367879)∗0.269456

𝑥4 = 𝑓(𝑥3 ) − 𝑓(𝑥2 )
= 𝑓(0.569456) − 𝑓(0.367879)
| 𝑥4 − 𝑥3 | = 0.2279 = 0.2𝑥100 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
𝑖=5
Quinta iteración
𝑓(𝑥4 )∗𝑥3 − 𝑓(𝑥3 )∗𝑥4 𝑓(0.797357)∗0.569456− 𝑓(0.569456)∗0.797357

𝑥5 = 𝑓(𝑥4 ) − 𝑓(𝑥3 )
= 𝑓(0.797357) − 𝑓(0.569456)
| 𝑥5 − 𝑥4 | = 0.111818 = 0.1 = 0.1𝑥100 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )

𝑖=6
Sexta iteración
𝑓(𝑥5 )∗𝑥4 − 𝑓(𝑥4 )∗𝑥5 𝑓(0.685539)∗0.797357− 𝑓(0.797357)∗0.685539

𝑥6 = 𝑓(𝑥5 ) − 𝑓(𝑥4 )
= 𝑓(0.685539) − 𝑓(0.797357)
| 𝑥6 − 𝑥5 | = 0.0157059 = 0.01 = 0.1𝑥10−1 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
𝑖=7
Séptima iteración
𝑓(𝑥6 )∗𝑥5 − 𝑓(𝑥5 )∗𝑥6 𝑓(0.701245)∗0.685539 − 𝑓(0.685539)∗0.701245

𝑥7 = =
𝑓(𝑥6 ) − 𝑓(𝑥5 ) 𝑓(0.701245) − 𝑓(0.685539)
| 𝑥7 − 𝑥6 | = 0.00227921 = 0.002 = 0.2𝑥10−2 ≤ 0.5𝑥10−2 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )

6. MÉTODO DE PUNTO FIJO O MÉTODO DE

APROXIMACIONES SUCESIVAS
Algoritmo:
P-2.- De 𝑓(𝑥) = 0 despejar 𝒙 de diferentes formas y obtener una ecuación de la siguiente forma:
𝑥 = 𝑔(𝑥)
Donde 𝑔(𝑥) es llamado punto fijo.
Generar la { 𝑥𝑖 } → 𝑥∗ mediante la relación
𝑥𝑖+1 = 𝑔(𝑥𝑖 )
Donde 𝑖 = 0, 1, 2, …
Tomando como valor 𝑥0 arbitrario tal que 𝑥0 ∈ [ 𝑎 , 𝑏 ]
¿Condición de convergencia ?
Existe { 𝑥𝑖 } → 𝑥∗ si se cumple lo siguiente:
a) 𝑔(𝑥) ∈ 𝐼 = [ 𝑎 , 𝑏 ]
b) ∃ 𝑔′ (𝑥) tal que | 𝑔′ (𝑥) | ≤ 𝐿 < 1; ∀𝑥 ∈〈𝑎, 𝑏〉
𝐿 es llamado constante de Lipschitz
𝐿 = 𝑚𝑎𝑥{ | 𝑔′ (𝑎) | , | 𝑔′ (𝑏) | }

| 𝑥𝑖 − 𝑥𝑖−1 | ≤ 𝓔
Decimales exactas
Caso contrario ir al P-2 en 𝑥𝑖+1 = 𝑔(𝑥𝑖 )

Ejemplo 6.1.
𝑓(𝑥) = 𝑥 2 𝑒 𝑥 − 1 = 0 … (1)
∃𝑥 ∗ ∈ 〈0 , 1〉
→ 𝑚 = −1
b) Por punto fijo verificamos convergencia

𝑥
−
→{ 𝑥=𝑒 𝑥
2 −𝑥 2
De ( 1 ) 𝑥 =𝑒
−
𝑥 = −𝑒 2
𝑒 𝑥 = 𝑥 −2 → 𝑥 = −2 ∗ 𝑙𝑛(𝑥)
𝑥 𝑥
Entonces 𝑔1 (𝑥) = 𝑒 − 2 , 𝑔2 (𝑥) = −𝑒 − 2 , 𝑔3 (𝑥) = −2𝑙𝑛(𝑥)
Análisis para 𝒈𝟑 (𝒙) = −𝟐𝒍𝒏(𝒙)
Primera condición ¿ 𝑔3 (𝑥) ∈ [ 0 , 1] ?
𝑔3 (0) = ∄ ∴ 𝑔3 (𝑥) no cumple la primer condición
Entonces ∄ {𝑥𝑛 } → 𝑥 ∗ con 𝑔3

𝒙
Análisis para 𝒈𝟐 (𝒙) = −𝒆− 𝟐
Primera condición ¿ 𝑔2 (𝑥) ∈ [ 0 , 1] ?
𝑔2 (0) = −1 ∴ 𝑔2 (𝑥) no cumple la primer condición
Entonces ∄ {𝑥𝑛 } → 𝑥 ∗ con 𝑔2

𝒙
Análisis para 𝒈𝟏 (𝒙) = 𝒆− 𝟐
Primera condición ¿ 𝑔1 (𝑥) ∈ 𝐼 = [ 0 , 1] ?
𝑔1 (0) = −1 ∈ 𝐼 , 𝑔1 (1) = 0.606530659 ∈ 𝐼

Segunda condición ¿ | 𝑔11 (𝑥) | ≤ 𝐿 < 1 ∀𝑥 ∈ 〈 0 , 1 〉 ?

𝑥
𝑒 −𝑥⁄2
Si 𝑔1 (𝑥) = 𝑒 − 2 entonces 𝑔11 (𝑥) = − , 𝑥 ∈ [0.1 , 0.9 ]
2
| 𝑔11 (0.1) | = 0.475614712 = 0.5
| 𝑔11 (0.9) | = 0.318814075 = 0.3
𝐿 = 𝑚𝑎𝑥{ | 𝑔11 (0.1) | , | 𝑔11 (0.9) | } = 𝑚𝑎𝑥{ 0.5 , 0.3 }
entonces | 𝑔11 (𝑥) | ≤ 𝐿 = 0.5 ≤ 1 ∀ 𝑥 ∈ [ 0.1 , 0.9 ]

𝑥
∴ ∃ { 𝑥𝑛 } → 𝑥 ∗ con 𝑔1 (𝑥) = 𝑒 − 2
c) Obtener una solución con dos cifras significativa exacta( n = 2 )
Se deja de iterar si |𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10𝑚−𝑛+1 Con 𝑚 = −1 , 𝑛 = 2
|𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10−2

𝑥
Con 𝑔1 (𝑥) = 𝑒 − 2 su relación de recurrencia :
𝑥𝑖+1 = 𝑔1 (𝑥𝑖 ) entonces 𝑥𝑖+1 = 𝑒 −𝑥𝑖 ⁄2 𝑖 = 0, 1, 2, 3, …
Sea 𝑥0 = 0.5
𝑖=0
Iteración inicial
𝑥1 = 𝑒 −𝑥0 ⁄2 = 𝑒 −0.5⁄2 = 𝑒 −0.25
Entonces 𝑥1 = 0.778800783
| 𝑥1 − 𝑥0 | = 0.278800783 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
𝑖=1
Primera iteración
𝑥2 = 𝑒 −𝑥1 ⁄2 Entonces 𝑥2 = 0.677462965
| 𝑥2 − 𝑥1 | = 0.101337818 = 0.1 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )

𝑖=2
Segunda iteración
𝑥3 = 𝑒 −𝑥2 ⁄2 Entonces 𝑥3 = 0.712673788
| 𝑥3 − 𝑥2 | = 0.035210823 = 0.04 = 0.4𝑥10−1 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
𝑖=3
Tercera iteración
𝑥4 = 𝑒 −𝑥3 ⁄2 Entonces 𝑥4 = 0.70023667
| 𝑥4 − 𝑥3 | = 0.012437118 = 0.01 = 0.1𝑥10−1 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
𝑖=4
Cuarta iteración
𝑥5 = 𝑒 −𝑥4 ⁄2 Entonces 𝑥5 = 0.704604703
| 𝑥5 − 𝑥4 | = 0.004368033 = 0.004 = 0.4𝑥10−2 ≤ 0.5𝑥10−2 ( 𝑐𝑢𝑚𝑝𝑙𝑒)

7. MÉTODO DE NEWTON – RAPHSON

El Método de Newton - Raphson es ampliamente utilizado para encontrar las raíces de la ecuación 𝑓(𝑥) =
0 , ya que converge rápidamente, la contra es que uno debe conocer la derivada de 𝑓(𝑥) y se necesita
una aproximación inicial muy cercana a la raíz.
Se requiere que 𝑓(𝑥) sea doblemente continua y diferenciable en [ 𝑎 , 𝑏 ].
Algoritmo:
𝑓( 𝑥𝑖 )
𝑥𝑖 + 1 = 𝑥𝑖 −
𝑓 1 ( 𝑥𝑖 )
𝑖 = 0, 1, 2, 3, …
Convergencia de N-R.
𝑓(𝑥0 )𝑓(2) (𝑥0 )

Existe { 𝑥𝑖 } → 𝑥∗ si | | < 1 y 𝑓(𝑥0 )𝑓 (2) (𝑥0 ) > 0
[𝑓1 (𝑥0 )]2
Esto significa que xi está muy cercano a la raíz.

| 𝑥𝑖 − 𝑥𝑖−1 | ≤ 𝓔
Decimales exactas
Caso contrario ir al P-2 en

Ejemplo 7.1.
𝑓(𝑥) = 𝑥 2 𝑒 𝑥 − 1 = 0 … (1)
∃𝑥 ∗ ∈ 〈0 , 1〉
→ 𝑚 = −1
b) Verificar su convergencia por N.R.

Si 𝑓(𝑥) = 𝑥 2 𝑒 𝑥 − 1 entonces 𝑓 1 (𝑥) = 𝑥(2 + 𝑥)𝑒 𝑥 , 𝑓 (2) (𝑥) = [(𝑥 + 2)2 − 2]𝑒 𝑥
Veremos si 𝑥0 = 0 es válido o no.
𝑓(0)𝑓 (2) (0) < 0 entonces 𝑥0 = 0 no es válido para iterar.
Veremos si 𝑥0 = 1 es válido o no
𝑓(1)𝑓 (2) (1) > 0 entonces 𝑥0 = 1 es válido para iterar.
𝑓(1)𝑓 (2) (1)

| | = 0.491649373 ≤ 1 (𝑐𝑢𝑚𝑝𝑙𝑒)
[𝑓 1 (1)]2
∴ ∃ { 𝑥𝑖 } → 𝑥 ∗ por N.R.
c) En la iteración ¿ Cuantas cifras significativas exactas tiene la solución ?

Con 𝑥0 = 1 y con 𝑓(𝑥) = 𝑥 2 𝑒 𝑥 − 1 , 𝑓 1 (𝑥) = 𝑥(2 + 𝑥)𝑒 𝑥
𝑓( 𝑥𝑖 )
𝑥𝑖 +1 = 𝑥𝑖 −
𝑓 1 ( 𝑥𝑖 )
( 𝑥𝑖 )2 𝑒 𝑥𝑖 − 1
𝑥𝑖 +1 = 𝑥𝑖 −
𝑥𝑖 (2 + 𝑥𝑖 )𝑒 𝑥𝑖
Escogeremos para dos cifras significativas exactas ( n = 2 )
Se deja de iterar si |𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10𝑚−𝑛+1 Con 𝑚 = −1 , 𝑛 = 2
|𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10−2

𝑖=0
Iteración inicial
𝑓( 𝑥0 ) 𝑓( 1 )
𝑥1 = 𝑥0 − 𝑓 1 ( 𝑥0 )
=1− 𝑓1 ( 1 )
Entonces 𝑥1 = 0.789293147
| 𝑥1 − 𝑥0 | = 0.210706853 = 0.2 = 0.2𝑥100 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
𝑖=1
Primera Iteración
𝑓( 𝑥1 ) 𝑓( 0.789293147 )
𝑥2 = 𝑥1 − 𝑓 1 ( 𝑥1 )
= 0.789293147 − 𝑓1 ( 0.789293147 )
Entonces 𝑥2 = 0.71261243
| 𝑥2 − 𝑥1 | = 0.076680717 = 0.1 = 0.1𝑥100 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
𝑖=2
Segunda Iteración
𝑓( 𝑥2 ) 𝑓( 0.71261243 )
𝑥3 = 𝑥2 − 𝑓 1 ( 𝑥2 )
= 0.71261243 − 𝑓1 ( 0.71261243 )
Entonces 𝑥3 = 0.703582624
| 𝑥3 − 𝑥2 | = 0.009029806 = 0.01 = 0.1𝑥10−1 ≤ 0.5𝑥10−2 ( 𝐹𝑎𝑙𝑠𝑜 )
𝑖=3
Segunda Iteración
𝑓( 𝑥3 ) 𝑓( 0.703582624 )
𝑥4 = 𝑥3 − 𝑓 1 ( 𝑥3 )
= 0.703582624 − 𝑓1 ( 0.703582624 )
Entonces 𝑥4 = 0.703467441
| 𝑥4 − 𝑥3 | = 0.000115183 = 0.0001 = 0.1𝑥10−3 ≤ 0.5𝑥10−2 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
Entonces 𝑥4 = 0.703467441 es solución con dos cifras significativas exactas.

8. SISTEMAS DE ECUACIONES NO LINEALES EN DOS

VARIABLES
Dado el Sistema:
𝐹 = 𝐹( 𝑥 , 𝑦 ) = 0 …(1)
𝐺 = 𝐺( 𝑥 , 𝑦 ) = 0
tal que ∃𝑥∗ ∈ [ 𝑎 , 𝑏 ] , ∃𝑦∗ ∈ [ 𝑎 , 𝑏 ]
8.1. Algoritmo del Punto Fijo en dos variables :
P-1.- De ( 1 ) despejar 𝑥 e 𝑦 respectivamente para obtener una relación de la siguiente forma.
𝑥 = 𝑓( 𝑥 , 𝑦 ) = 𝑓 …(2)
𝑦 = 𝑔( 𝑥 , 𝑦 ) = 𝑔
P-2.- De ( 2 ) generar la sucesión:
{ 𝑥𝑖 } → 𝑥∗ , { 𝑦𝑖 } → 𝑦∗
Mediante la siguiente relación de recurrencia:
𝑥𝑖+1 = 𝑓( 𝑥𝑖 , 𝑦 𝑖 ) , 𝑦𝑖+1 = 𝑔( 𝑥𝑖 , 𝑦 𝑖 )
Donde 𝑖 = 0, 1, 2, …
P-3. - Dejar de iterarse
𝜀 = 0.5 × 10𝑚−𝑛+1 para el caso de cifras

| 𝑥𝑖 − 𝑥𝑖−1 | ≤ 𝓔
Decimales exactas


| 𝑦𝑖 − 𝑦𝑖−1 | ≤ 𝓔
Decimales exactas
Condición de convergencia del punto fijo:
∃ { 𝑥𝑖 } → 𝑥∗ , ∃ { 𝑦𝑖 } → 𝑦∗ Si se cumple lo siguiente:
| 𝑓𝑥 |( 𝑥0 , 𝑦0 ) + | 𝑓𝑦 |( 𝑥0 , 𝑦0 ) ≤ 𝐿 < 1 y | 𝑔𝑥 |( 𝑥0 , 𝑦0 ) + | 𝑔𝑦 |( 𝑥0 , 𝑦0 ) ≤ 𝐿 < 1
Donde
𝜕 𝑓( 𝑥 , 𝑦 ) 𝜕 𝑔( 𝑥 , 𝑦 )
𝑓𝑥 = ^ 𝑔𝑥 =
𝜕𝑥 𝜕𝑥
Ejemplo 8.1.1.
𝐹 = 𝐹( 𝑥 , 𝑦 ) = 𝑥 − 𝑒 2𝑦 = 0 … (1)
𝐺 = 𝐺( 𝑥 , 𝑦 ) = 𝑒 −𝑥 + 𝑦 = 0 … (2)
a) Por Teorema de Bolzano localizar el punto inicial ( 𝑥0 , 𝑦0 ).
(i) Primero formamos de (1) la forma 𝐹(𝑥)

De (2) se obtiene 𝑦 = −𝑒 −𝑥 … (𝛼)
−2𝑒 −𝑥
De (𝛼) en (1) se obtiene 𝐹(𝑥) = 𝑥 − 𝑒
(ii) Aplico Teorema de Bolzano para intervalos de longitud 1.

∃𝑥 ∗ ∈ 〈0 , 1〉
→ 𝑚 = −1
(iii) De (ii) igual para intervalo de longitud 0.1
∃𝑥 ∗ ∈ 〈 0.1 , 0.2 〉
Sea 𝑥0 = 0.1
Luego de (𝛼) : 𝑦0 = −𝑒 −𝑥0 = −𝑒 −0.1 entonces 𝑦0 = −0.9
b) ¿ ∃ { 𝑥𝑖 } → 𝑥 ∗ , ∃ { 𝑦𝑖 } → 𝑦 ∗ ?
𝐹( 𝑥 , 𝑦 ) = 𝑥 − 𝑒 2𝑦 = 0 se tiene 𝑥 = 𝑒 2𝑦 entonces 𝑓 = 𝑓( 𝑥 , 𝑦 ) = 𝑒 2𝑦
𝐺( 𝑥 , 𝑦 ) = 𝑒 −𝑥 + 𝑦 = 0 se tiene 𝑦 = −𝑒 −𝑥 entonces 𝑔 = 𝑔( 𝑥 , 𝑦 ) = 𝑒 −𝑥
𝑓𝑥 = 0 𝑓𝑦 = 2𝑒 2𝑦 𝑔𝑥 = −𝑒 −𝑥 𝑔𝑦 = 0
¿ | 𝑓𝑥 |( 𝑥0 ,𝑦0 ) + | 𝑓𝑦 |( <1 ?
𝑥 0 ,𝑦0 )
| 𝑓𝑥 |( 0.1 ,−0.9 ) + | 𝑓𝑦 |(0.1,−0.9) < 1
0 + | 2𝑒 2(−0.9) | < 1
0 + 0.3 < 1 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
¿ | 𝑔𝑥 |( 𝑥0 ,𝑦0 ) + | 𝑔𝑦 |( 𝑥 ,𝑦0 )
<1 ?
0
| 𝑔𝑥 |( 0.1 ,−0.9 ) + | 𝑔𝑦 |(0.1,−0.9) < 1

|−𝑒 −𝑥 | + 0 < 1
0.9 + 0 < 1 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
Por lo tanto f y g cumplen la condición de convergencia.
c) Por punto fijo obtener una solución con dos cifras significativas exactas ( 𝑛 = 2 ).
Se dejará de iterar si:
| 𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10𝑚−𝑛+1 con | 𝑦𝑖 − 𝑦𝑖−1 | ≤ 0.5𝑥10𝑚−𝑛+1

𝑛 = 2 Entonces | 𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10−1−2+1 con | 𝑦𝑖 − 𝑦𝑖−1 | ≤ 0.5𝑥10−1−2+1
| 𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10−2 con | 𝑦𝑖 − 𝑦𝑖−1 | ≤ 0.5𝑥10−2
𝑖 = 1, 2,3, …
Si es verdadera entonces ( 𝑥𝑖 , 𝑦𝑖 ) es solución con dos cifras significativas exactas.
Teniendo :
𝑓 = 𝑥 = 𝑒 2𝑦 entonces 𝑥𝑖+1 = 𝑒 2𝑦𝑖
𝑔 = 𝑦 = −𝑒 −𝑥 entonces 𝑦𝑖+1 = −𝑒 −𝑥𝑖

con 𝑖 = 0, 1, 2, 3, …
𝑖=0 ( 𝑥0 , 𝑦0 ) = ( 0.1 , −0.9)
𝑥1 = 𝑒 2𝑦0 = 𝑒 2∗(−0.9) Entonces 𝑥1 = 0.165299
𝑦1 = −𝑒 −𝑥0 = −𝑒 −(0.1) Entonces 𝑦1 = −0.904837
| 𝑥1 − 𝑥0 | = 0.0652989 = 0.1 = 0.1𝑥100 ≤ 0.5𝑥10−2 ( 𝑛𝑜 𝑐𝑢𝑚𝑝𝑙𝑒 )
| 𝑦1 − 𝑦0 | = 0.00483742 = 0.004 = 0.4𝑥10−2 ≤ 0.5𝑥10−2 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
𝑖=1 ( 𝑥1 , 𝑦1 ) = ( 0.165299 , −0.904837)
𝑥2 = 𝑒 2𝑦1 = 𝑒 2∗(−0.904837) Entonces 𝑥2 = 0.163707
𝑦2 = −𝑒 −𝑥1 = −𝑒 −(0.165299) Entonces 𝑦2 = −0.84764
| 𝑥1 − 𝑥0 | = 0.00159153 = 0.001 = 0.1𝑥10−2 ≤ 0.5𝑥10−2 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
| 𝑦1 − 𝑦0 | = 0.0571971 = 0.1 = 0.1𝑥100 ≤ 0.5𝑥10−2 ( 𝑛𝑜 𝑐𝑢𝑚𝑝𝑙𝑒 )
𝑖=2 ( 𝑥2 , 𝑦2 ) = ( 0.163707 , −0.84764)
𝑥2 = 𝑒 2𝑦1 = 𝑒 2∗(−0.84764) Entonces 𝑥3 = 0.183548

𝑦2 = −𝑒 −𝑥1 = −𝑒 −(0.163707) Entonces 𝑦3 = −0.84899
| 𝑥2 − 𝑥1 | = 0.0198404 = 0.01 = 0.1𝑥10−1 ≤ 0.5𝑥10−2 ( 𝑛𝑜 𝑐𝑢𝑚𝑝𝑙𝑒 )
| 𝑦2 − 𝑦1 | = 0.00135012 = 0.001 = 0.1𝑥10−2 ≤ 0.5𝑥10−2 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
𝑖=3 ( 𝑥3 , 𝑦3 ) = ( 0.183548 , −0.84899)
𝑥4 = 𝑒 2𝑦3 = 𝑒 2∗(−0.84899) Entonces 𝑥4 = 0.183053
𝑦4 = −𝑒 −𝑥3 = −𝑒 −(0.183548) Entonces 𝑦4 = −0.832312
| 𝑥4 − 𝑥3 | = 0.00159153 = 0.001 = 0.1𝑥10−2 ≤ 0.5𝑥10−2 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
| 𝑦4 − 𝑦3 | = 0.0166783 = 0.02 = 0.2𝑥10−1 ≤ 0.5𝑥10−2 ( 𝑛𝑜 𝑐𝑢𝑚𝑝𝑙𝑒 )
𝑖=4 ( 𝑥4 , 𝑦4 ) = ( 0.183053 , −0.832312)
𝑥5 = 𝑒 2𝑦4 = 𝑒 2∗(−0.832312) Entonces 𝑥5 = 0.189262
𝑦5 = −𝑒 −𝑥4 = −𝑒 −(0.183053) Entonces 𝑦5 = −0.832724
| 𝑥5 − 𝑥4 | = 0.00620899 = 0.01 = 0.1𝑥10−1 ≤ 0.5𝑥10−2 ( 𝑛𝑜 𝑐𝑢𝑚𝑝𝑙𝑒 )
| 𝑦5 − 𝑦4 | = 0.000412058 = 0.0004 = 0.4𝑥10−3 ≤ 0.5𝑥10−2 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
𝑖=5 ( 𝑥5 , 𝑦5 ) = ( 0.189262 , −0.832724)
𝑥6 = 𝑒 2𝑦5 = 𝑒 2∗(−0.832724) Entonces 𝑥6 = 0.189106
𝑦6 = −𝑒 −𝑥5 = −𝑒 −(0.189262) Entonces 𝑦6 = −0.82757
| 𝑥6 − 𝑥5 | = 0.000155909 = 0.0001 = 0.1𝑥10−3 ≤ 0.5𝑥10−2 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
| 𝑦6 − 𝑦5 | = 0.00515436 = 0.005 = 0.5𝑥10−2 ≤ 0.5𝑥10−2 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
Por lo tanto ( 𝑥6 , 𝑦6 ) = ( 0.189106 , −0.82757 ) = ( 𝑥 ∗ , 𝑦 ∗ ) es raíz con dos cifras significativas exacta.

8.2. Algoritmo de Newton – Rapson ( N.R ) en dos variables :
P-1.- Dado el sistema siguiente tal que tal que ∃𝑥∗ ∈ [ 𝑎 , 𝑏 ] , ∃𝑦∗ ∈ [ 𝑎 , 𝑏 ] por T.B.
𝐹 = 𝐹( 𝑥 , 𝑦) = 0
𝐺 = 𝐺( 𝑥 , 𝑦) = 0
P-2.- Generar la sucesión:
{ 𝑥𝑖 } → 𝑥∗ , { 𝑦𝑖 } → 𝑦∗
Mediante la siguiente relación de recurrencia:

𝐹 𝐹𝑦
| |
𝐺 𝐺𝑦 ( 𝑥 , 𝑦𝑖 )
𝑖
𝑥𝑖+1 = 𝑥𝑖 − 𝑖 = 0, 1 ,2, 3, …
𝐹𝑥 𝐹𝑦
| |
𝐺𝑥 𝐺𝑦 ( 𝑥 , 𝑦𝑖 )
𝑖
𝐹𝑥 𝐹
| |
𝐺𝑥 𝐺 ( 𝑥 , 𝑦 )
𝑖 𝑖
𝑦𝑖 +1 = 𝑦𝑖 − 𝑖 = 0, 1 ,2, 3, …
𝐹𝑥 𝐹𝑦
| |
𝐺𝑥 𝐺𝑦 ( 𝑥 , 𝑦 )
𝑖 𝑖
Donde
𝜕 𝐹( 𝑥 , 𝑦 ) 𝜕 𝐹( 𝑥 , 𝑦 ) 𝜕 𝐺( 𝑥 , 𝑦 ) 𝜕 𝐺( 𝑥 , 𝑦 )
𝐹𝑥 = , 𝐹𝑦 = , 𝐺𝑥 = , 𝐺𝑦 =
𝜕𝑥 𝜕𝑦 𝜕𝑥 𝜕𝑦
P-3. - Dejar de iterarse

| 𝑥𝑖 − 𝑥𝑖−1 | ≤ 𝓔
Decimales exactas


| 𝑦𝑖 − 𝑦𝑖−1 | ≤ 𝓔
Decimales exactas
Condición de convergencia del NR:
∃ { 𝑥𝑖 } → 𝑥∗ , ∃ { 𝑦𝑖 } → 𝑦∗ Si se cumple :
𝐹𝑥 𝐹𝑦
𝐽 = 𝐽(𝑥0 , 𝑦0 ) = | | (𝑥0 , 𝑦0 ) ≠ 0
𝐺𝑥 𝐺𝑦
Ejemplo 8.2.1.
𝐹 = 𝐹( 𝑥 , 𝑦 ) = 𝑥 − 𝑒 2𝑦 = 0 … (1)
𝐺 = 𝐺( 𝑥 , 𝑦 ) = 𝑒 −𝑥 + 𝑦 = 0 … (2)
Por Teorema de Bolzano localizar el punto inicial ( 𝑥0 , 𝑦0 ).
(i) Primero formamos de (1) la forma 𝐹(𝑥)

De (2) se obtiene 𝑦 = −𝑒 −𝑥 … (𝛼)
−𝑥
De (𝛼) en (1) se obtiene 𝐹(𝑥) = 𝑥 − 𝑒 −2𝑒
(ii) Aplico Teorema de Bolzano para intervalos de longitud 1.
∃𝑥 ∗ ∈ 〈0 , 1〉
→ 𝑚 = −1

(iii) De (ii) igual para intervalo de longitud 0.1
∃𝑥 ∗ ∈ 〈 0.1 , 0.2 〉
Sea 𝑥0 = 0.1
Luego de (𝛼) : 𝑦0 = −𝑒 −𝑥0 = −𝑒 −0.1 entonces 𝑦0 = −0.9
Entonces el punto inicial es ( 𝑥0 , 𝑦0 ) = ( 0.1 , −0.9 )
a) ¿ ∃ { 𝑥𝑖 } → 𝑥 ∗ , ∃ { 𝑦𝑖 } → 𝑦 ∗ ?
Verificando su convergencia por Newton Raphson
¿ 𝐽(𝑥0 ,𝑦0 ) ≠ 0 ?
𝐹𝑥 = 1 𝐹𝑦 = −2𝑒 2𝑦 𝐺𝑥 = −𝑒 −𝑥 𝐺𝑦 = 1
𝐹𝑥 𝐹𝑦 −2𝑒 2𝑦 |
𝐽(0.1 ,−0.9 ) =| | = | 1−𝑥 = 1 − 2𝑒 2(−0.9)−0.1 = 0.700862761
𝐺𝑥 𝐺𝑦 (0.1 −𝑒 1 (0.1 ,−0.9 )
,−0.9 )
Entonces 𝐽(0.1 ,−0.9 ) ≠0
Por lo tanto ∃ { 𝑥𝑖 } → 𝑥 ∗ , ∃ { 𝑦𝑖 } → 𝑦 ∗
Sea lo siguiente:
𝐹 𝐹𝑦
| |
𝐺 𝐺𝑦 ( 𝑥 , 𝑦𝑖 )
𝑖
𝑥𝑖+1 = 𝑥𝑖 − 𝑖 = 0, 1 ,2, 3, …
𝐹𝑥 𝐹𝑦
| |
𝐺𝑥 𝐺𝑦 ( 𝑥 , 𝑦𝑖 )
𝑖

𝑥 − 𝑒 2𝑦 −2𝑒 2𝑦
| |
𝑒 −𝑥 + 𝑦 1 (𝑥 , 𝑦𝑖 ) 𝑥𝑖 − 𝑒 2𝑦𝑖 + 2𝑒 2𝑦𝑖−𝑥𝑖 + 2𝑦𝑖 𝑒 2𝑦𝑖
𝑖
𝑥𝑖+1 = 𝑥𝑖 − = 𝑥𝑖 −
1 −2𝑒 2𝑦 1 − 2𝑒 2𝑦𝑖−𝑥𝑖
| |
−𝑒 −𝑥 1 ( 𝑥𝑖 , 𝑦𝑖 )
𝑥𝑖 − 𝑒 2𝑦𝑖 + 2𝑒 2𝑦𝑖−𝑥𝑖 + 2𝑦𝑖 𝑒 2𝑦𝑖

𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑥𝑖 +1 = 𝑥𝑖 −
1 − 2𝑒 2𝑦𝑖−𝑥𝑖
𝑖 = 0, 1 ,2, 3, …
𝐹𝑥 𝐹
| |
𝐺𝑥 𝐺 ( 𝑥 , 𝑦 )
𝑖 𝑖
𝑦𝑖 +1 = 𝑦𝑖 − 𝑖 = 0, 1 ,2, 3, …
𝐹𝑥 𝐹𝑦
| |
𝐺𝑥 𝐺𝑦 ( 𝑥 , 𝑦 )
𝑖 𝑖
1 𝑥 − 𝑒 2𝑦
| |
−𝑒 −𝑥 𝑒 −𝑥 + 𝑦 ( 𝑥 , 𝑦𝑖 ) 𝑦𝑖 + ( 𝑥𝑖 + 1)𝑒 −𝑥𝑖 − 𝑒 2𝑦𝑖 −𝑥𝑖
𝑖
𝑦𝑖 +1 = 𝑦𝑖 − = 𝑦𝑖 −
1 −2𝑒 2𝑦 1 − 2𝑒 2𝑦𝑖 −𝑥𝑖
| |
−𝑒 −𝑥 1 ( 𝑥𝑖 , 𝑦𝑖 )
𝑦𝑖 + ( 𝑥𝑖 + 1)𝑒 −𝑥𝑖 − 𝑒 2𝑦𝑖−𝑥𝑖

𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑦𝑖 +1 = 𝑦𝑖 −
1 − 2𝑒 2𝑦𝑖−𝑥𝑖
𝑖 = 0, 1 ,2, 3, …
b) Por este método, una solución con dos cifras significativas exactas ( n = 2 ). Se dejará de iterar si:
| 𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10𝑚−𝑛+1 con | 𝑦𝑖 − 𝑦𝑖−1 | ≤ 0.5𝑥10𝑚−𝑛+1

𝑛 = 2 Entonces |𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10−1−2+1 con | 𝑦𝑖 − 𝑦𝑖−1 | ≤ 0.5𝑥10−1−2+1
|𝑥𝑖 − 𝑥𝑖−1 | ≤ 0.5𝑥10−2 con | 𝑦𝑖 − 𝑦𝑖−1 | ≤ 0.5𝑥10−2
𝑖 = 1, 2,3, …
Si es verdadera entonces (𝑥𝑖 , 𝑦𝑖 ) es solución con dos cifras significativas exactas.
𝑖=0 ( 𝑥0 , 𝑦0 ) = ( 0.1 , −0.9)
𝑥0 − 𝑒 2𝑦0 + 2𝑒 2𝑦0 −𝑥0 + 2𝑦0 𝑒 2𝑦0

𝑥1 = 𝑥0 −
1 − 2𝑒 2𝑦0 −𝑥0

𝑦0 + ( 𝑥0 +1 )𝑒 −𝑥0 − 𝑒 2𝑦0 −𝑥0

𝑦1 = 𝑦0 −
1− 2𝑒 2𝑦0 −𝑥0
Entonces 𝑦1 = −0.822599
| 𝑥1 − 𝑥0 | = 0.0908875 = 0.1 = 0.1𝑥100 ≤ 0.5𝑥10−2 ( 𝑛𝑜 𝑐𝑢𝑚𝑝𝑙𝑒 )
| 𝑦1 − 𝑦0 | = 0.077401 = 0.1 = 0.1𝑥100 ≤ 0.5𝑥10−2 ( 𝑛𝑜 𝑐𝑢𝑚𝑝𝑙𝑒 )
𝑖=1 ( 𝑥1 , 𝑦1 ) = ( 0.190887 , −0.822599 )
𝑥1 − 𝑒 2𝑦1 + 2𝑒 2𝑦1 −𝑥1 + 2𝑦1 𝑒 2𝑦1

𝑥2 = 𝑥1 −
1 − 2𝑒 2𝑦1 −𝑥1
𝑦1 + ( 𝑥1 +1 )𝑒 −𝑥1 − 𝑒 2𝑦1 −𝑥1

𝑦2 = 𝑦1 −
1− 2𝑒 2𝑦1 −𝑥1
Entonces 𝑦2 = −0.825392
| 𝑥2 − 𝑥1 | = 0.00100894 = 0.001 = 0.1𝑥10−2 ≤ 0.5𝑥10−2 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
| 𝑦2 − 𝑦1 | = 0.00279291 = 0.002 = 0.2𝑥10−2 ≤ 0.5𝑥10−2 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
Por lo tanto (𝑥2 , 𝑦2 ) = ( 0.191896 , −0.825392 ) = ( 𝑥 ∗ , 𝑦 ∗ ) es raíz con dos cifras significativas exacta.

9. METODOS DIRECTOS DE SISTEMAS DE ECUACIONES

LIENALES
9.1. METODO DE CROUT - DOOLITLE
Consiste en factorizar una matriz cuadrada “A” en un producto “LU”. Esto es:
𝐴 = 𝐿. 𝑈
Donde:
A: es la matriz a factorizar.
L : es una matriz triangular inferior, cuyos elementos de la diagonal principal son iguales a 1. Se llama “L”
porque viene de la palabra inglesa “low”, que significa “bajo”.
U : es una matriz triangular superior, cuyos elementos se hallan por el método de la eliminación gaussiana.
Se llama “U” porque viene de la palabra inglesa “up”, que significa “arriba”.
Ejemplo 9.1.1.
2 3 4
𝐴=[1 0 7]
3 4 5
Se factoriza como el producto de dos matrices triangulares.
𝐴=𝐿∗𝑈
2 3 4 𝑙11 0 0 𝑢11 𝑢12 𝑢13

[1 0 7 ] = [ 𝑙21 𝑙22 0 ]∗[ 0 𝑢22 𝑢23 ]
3 4 5 𝑙31 𝑙32 𝑙33 0 0 𝑢33
Se tiene un sistema de 9 ecuaciones con 12 variables, entonces existe infinitas soluciones.
Se fijará tres variables. Sea 𝑢11 = 𝑢22 = 𝑢33 = 1
2 3 4 𝑙11 0 0 1 𝑢12 𝑢13

[1 0 7 ] = [ 𝑙21 𝑙22 0 ]∗[0 1 𝑢23 ]
3 4 5 𝑙31 𝑙32 𝑙33 0 0 1

Primera columna: Segunda columna:

2 = 𝑙11 Entonces 𝑙11 = 2
3
1 = 𝑙21 Entonces 𝑙21 = 1 3 = 𝑙11 ∗ 𝑢12 Entonces 𝑢12 = 2
3 = 𝑙31 Entonces 𝑙31 = 3 3
0 = 𝑙21 ∗ 𝑢12 + 𝑙22 Entonces 𝑙22 = − 2
1
4 = 𝑙31 ∗ 𝑢12 + 𝑙32 Entonces 𝑙32 = − 2
Tercera columna:
4 = 𝑙11 ∗ 𝑢13 Entonces 𝑢13 = 2
10
7 = 𝑙21 ∗ 𝑢13 + 𝑙22 ∗ 𝑢23 Entonces 𝑢23 = − 3
8
5 = 𝑙31 ∗ 𝑢13 + 𝑙32 ∗ 𝑢23 + 𝑙33 Entonces 𝑙33 = − 3
2 3 4 2 0 0 1 3/2 2
[1 0 7] = [ 1 −3/2 0 ]∗[ 0 1 −10/3 ]
3 4 5 3 −1/2 −8/3 0 0 1
Para un sistema lineal de la forma:
𝐴. 𝑋 = 𝐵
Donde A se factoriza de la forma:
𝐴 = 𝐿. 𝑈
L: Matriz Triangular Inferior

U: Matriz Triangular Superior
Sea:
𝐴. 𝑋 = 𝐵
𝐿. (𝑈. 𝑋) = 𝐵
𝐿. 𝑌 = 𝐵
𝑌 𝑈. 𝑋 = 𝑌
Ejemplo 9.1.2.
𝑥1 2 3 4 4
𝑥
Calculando 𝑥 = [ 2 ] tal que 𝐴 ∗ 𝑥 = 𝑏 con 𝐴 = [1 0 7] y 𝑏=[ 1 ]
𝑥3 3 4 5 2

𝐴∗𝑥 =𝑏
Se sabe 𝐴 = 𝐿 ∗ 𝑈
(𝐿 ∗ 𝑈) ∗ 𝑥 = 𝑏
𝐿∗(𝑼∗𝒙)=𝑏
𝑦1
Sea 𝑼∗𝒙=𝑦 la cual 𝑦 = [ 𝑦2 ]
𝑦3
𝐿∗𝑦 =𝑏 2𝑦1 = 4 Entonces 𝑦1 = 2
2 0 0 𝑦1 4 3 2
𝑦1 − 2 𝑦2 = 1 Entonces 𝑦2 =
[ 1 −3/2 𝑦
0 ]∗[ 2] = [ 1 ] 3
3 −1/2 −8/3 𝑦3 2 1 8 11
3𝑦1 − 2 𝑦2 − 3 𝑦3 = 2 Entonces 𝑦3 = 8
𝑼∗𝒙 = 𝑦 11 11
𝑥3 = 8
Entonces 𝑥3 = 8
1 3/2 2 𝑥1 2 10 2 21
[ 0 1 𝑥
−10/3 ] ∗ [ 2 ] = [ 2/3 ] 𝑥2 − 𝑥 = Entonces 𝑥2 =
3 3 3 4
0 0 1 𝑥3 11/8
3 69
𝑥1 + 2 𝑥2 + 2𝑥3 = 2 Entonces 𝑥1 = − 8
−69/8
𝑥 = [ 21/4 ]
11/8

9.2. METODO DE CHOLESKY
Primera versión
También para resolver el sistema 𝐴 ∗ 𝑥 = 𝑏 para aplicar cholesky se debe cumplir lo siguiente:
1) 𝐴 es simétrico, es decir debe cumplir 𝐴 = 𝐴𝑡

2) 𝐴 sea definida positiva.
Ejemplo 9.2.1.
Desarrolle: 𝐴∗𝑥 =𝑏
4 2 1 𝑥1 1
[ 2 2 0 ] [ 𝑥2 ] = [ 2 ]
1 0 3 𝑥3 3
Dado :
4 2 1
𝐴=[2 2 0] entonces 𝐴 = 𝐴𝑡
1 0 3
Viendo si es definida positiva:
𝐴1 = [4 ] entonces det 𝐴1 = 4 > 0
4 2
𝐴2 = [ ] entonces det 𝐴2 = 4 > 0
2 2
4 2 1
𝐴3 = [ 2 2 0 ] entonces det 𝐴3 = 10 > 0
1 0 3
Por lo tanto A es positiva, entonces se puede aplicar cholesky.
Se factoriza como el producto de dos matrices triangulares.
𝐴 = 𝐿 ∗ 𝐿𝑡
4 2 1 𝑙11 0 0 𝑙11 𝑙21 𝑙31

[2 2 0 ] = [ 𝑙21 𝑙22 0 ]∗[ 0 𝑙22 𝑙32 ]
1 0 3 𝑙31 𝑙32 𝑙33 0 0 𝑙33

Primera columna:
Segunda columna:
4 = (𝑙11 )2 Entonces 𝑙11 = 2
2 = 𝑙11 ∗ 𝑙21
2 = 𝑙21 ∗ 𝑙11 Entonces 𝑙21 = 1
2 = (𝑙21 )2 + (𝑙22 )2 Entonces 𝑙22 = 1
1
1 = 𝑙31 ∗ 𝑙11 Entonces 𝑙31 =
2 1
0 = 𝑙21 ∗ 𝑙31 + 𝑙22 ∗ 𝑙32 Entonces 𝑙32 = −
2
Tercera columna:
1 = 𝑙11 ∗ 𝑙31
0 = 𝑙21 ∗ 𝑢13 + 𝑙22 ∗ 𝑢23
√10
3 = (𝑙31 )2 + (𝑙32 )2 + (𝑙33 )2 Entonces 𝑙33 = 2
4 2 1 2 0 0 2 1 1/2
[2 2 0]=[ 1 1 0 ]∗[ 0 1 −1/2 ]
1 0 3 1/2 −1/2 √10/2 0 0 √10/2
𝑥1 4 2 1 1
Calculando 𝑥 = [ 𝑥2 ] tal que 𝐴 ∗ 𝑥 = 𝑏 con 𝐴=[2 2 0] y 𝑏 =[ 2 ]
𝑥3 1 0 3 3
𝐴∗𝑥 =𝑏
Se sabe 𝐴 = 𝐿 ∗ 𝐿𝑡
( 𝐿 ∗ 𝐿𝑡 ) ∗ 𝑥 = 𝑏
𝐿 ∗ ( 𝑳𝒕 ∗ 𝒙 ) = 𝑏
𝑦1
𝒕
Sea 𝑳 ∗𝒙=𝑦 la cual 𝑦 = [ 𝑦2 ]
𝑦3
𝐿∗𝑦 =𝑏 1
2𝑦1 = 1 Entonces 𝑦1 = 2
2 0 0 𝑦1 1 3
[ 1 1 0 ] ∗ [ 𝑦2 ] = [ 2 ] 𝑦1 + 𝑦2 = 2 Entonces 𝑦2 = 2
1/2 −1/2 √10/2 𝑦3 3
1 1 √10 7√10
𝑦
2 1
− 2 𝑦2 + 3
𝑦3 = 2Entonces 𝑦3 = 10

𝐿𝑡 ∗ 𝑥 = 𝑦 √10
𝑥3 =
7√10
Entonces 𝑥3 =
7
2 10 5
2 1 1/2 𝑥1 1/2 1 3 11
[ 0 1 −1/2 ] ∗ [ 𝑥2 ] = [ 3/2 ] 𝑥2 − 2 𝑥3 = 2 Entonces 𝑥2 = 5
0 0 √10/2 𝑥3 7√10/10
1 1 6
2𝑥1 + 𝑥2 + 𝑥3 = Entonces 𝑥1 = −
2 2 5
−6/5
𝑥 = [ 11/5 ]
7/5
Segunda versión
Para la solución del sistema 𝐴 ∗ 𝑥 = 𝑏 cuando 𝐴 no es simétrica. Pero hacia 𝐴 se le puede

hacer transformar.
Ejemplo 9.2.2.
Para la solución del sistema:
𝐴∗𝑥 =𝑏
1 0 0 𝑥1 2
𝑥
[ 2 4 0 ][ 2 ] = [ 4 ]
3 5 6 𝑥3 6
Se observa que no cumple las condiciones de Cholesky, pero mediante transformaciones elementales
de matrices se llega a una matriz A, que sí cumple las dos condiciones de Cholesky.
1 0 0 2
[ 0 4 0 0 ] ← (−2𝐹1 + 𝐹2 )
0 5 6 0 ← (−3𝐹1 + 𝐹3 )
1 0 0 2
[ 0 4 0 0 ] 5
0 0 6 0 ← (− 𝐹2 + 𝐹3 )
4
1 0 0 2
Entonces la nueva matriz es 𝐴=[0 4 0] con 𝑏=[ 0 ]
0 0 6 0
Siendo A simétrica y positiva

𝐴∗𝑥 =𝑏
1 0 0 𝑥1 2
[ 0 4 0 ] [ 𝑥2 ] = [ 0 ]
0 0 6 𝑥3 0
1 0 0 𝑙11 0 0 𝑙11 𝑙21 𝑙31

A=[0 4 0 ] = [ 𝑙21 𝑙22 0 ][ 0 𝑙22 𝑙32 ]
0 0 6 𝑙31 𝑙32 𝑙33 0 0 𝑙33
A t 𝐿𝑡
1 0 0 1 0 0 1 0 0
[0 4 0 ]= [ 0 2 0 ] [0 2 0 ]
0 0 6 0 0 √6 0 0 √6
1° columna: 2° columna:
1 = 𝑙11  𝑙11 = 1 0 = 𝑙11 𝑙21  no se utiliza
0 = 𝑙21 𝑙11  𝑙21 = 0 4 = 𝑙212 + 𝑙222  𝑙22 = 2
0 = 𝑙31 𝑙11  𝑙31 = 0 0 = 𝑙31 𝑙21 + 𝑙32 𝑙22  𝑙32 = 0
𝐴𝑥 = b
L 𝐿𝑡 x = b  L y = b; 𝐿𝑡 x = y
Para L y = b
1 0 0 𝑦1 2
𝑦
[ 0 2 0 ][ 2 ] = [ 0 ]
0 0 √6 𝑦3 0
𝑦1 = 2; 2𝑦2 = 0  𝑦2 = 0; √6𝑦3 = 0  𝑦3 = 0
𝐿𝑡 x = y
1 0 0 𝑥1 2
[ 0 2 0 𝑥
][ 2 ] = [ 0 ]
0 0 √6 𝑥3 0
𝑥1 = 2
2𝑥2 = 0  𝑥2 = 0
√6𝑥3 = 0  𝑥3 = 0

10. MÉTODO TRIDIAGONAL PARA SISTEMAS DE

ECUACIONES LINEALES.
Sea el sistema de ecuaciones de la forma:
𝑎1 … 0 𝑥1 𝑏1
(⋮ ⋱ ⋮ )( ⋮ ) = ( ⋮ )
0 … 𝑎𝑛 𝑥𝑛 𝑏𝑛
ALGORITMO TRIDIAGONAL:
P-1: Del sistema 𝐴. 𝑋 = 𝐵 , expresarlo como 𝐴. 𝑋̅ = 𝐵
Sea 𝑥̅1 = 𝐶, C es constante arbitraria / 𝐶 𝜖 𝑍 ∪ {0}
De la Ec. (1) despejar 𝑥̅2

………….
De la Ec. (n-1) despejar 𝑥̅𝑛
De la Ec. (n) despejar 𝑥̅𝑛+1
Pero como no existe 𝑥̅𝑛+1 se hace lo siguiente:
𝑎𝑛,𝑛−1 𝑥̅𝑛−1 + 𝑎𝑛,𝑛 𝑥̅𝑛 = 𝑏𝑛 + 𝑅
Tal que: 𝑅 = (0,0, … , 𝑟)𝑡 donde R: vector residual
̂1 = (𝑥̅1 , 𝑥̅2 , … , 𝑥̅𝑛 )𝑡

Se tiene 𝑥

Si 𝑟 = 0 → 𝑥1 es solución de 𝐴. 𝑋 = 𝐵
Si 𝑟 ≠ 0 → 𝑥1 es solución de 𝐴. 𝑋1 = 𝐵 + 𝑅
P-2: Del sistema 𝐴. 𝑋 = 𝐵 expresarlo como 𝐴. 𝑋̅ = 𝜃 y sea 𝑥̅̅1 = 𝐶 , se procede como P-2,
llegando a lo siguiente:
𝑎𝑛,𝑛−1 𝑥̅̅𝑛−1 + 𝑎𝑛,𝑛 𝑥̅̅𝑛 = 0 + 𝑆
Tal que: 𝑆 = (0,0, … , 𝑠)𝑡 donde S: vector residual
̂2 = (𝑥̅̅1 , 𝑥̅̅2 , … , 𝑥̅̅𝑛 )𝑡

Se tiene 𝑥
Si 𝑟 = 0 → 𝑥2 es solución de 𝐴. 𝑋 = 𝜃
Si 𝑟 ≠ 0 → 𝑥1 es solución de 𝐴. 𝑋2 = 𝜃 + 𝑆
∴ Se tiene: 𝐴. 𝑋1 = 𝐵 + 𝑅 …….. (𝑖)

𝐴. 𝑋2 = 𝜃 + 𝑆 …….. (𝑖)
(𝑖) − 𝛼. (𝑖𝑖) ∶ 𝐴(𝑥1 − 𝛼. 𝑥2 ) = 𝐵 + (𝑟 − 𝛼. 𝑠)
Se busca una relación: 𝑥 = 𝑥1 − 𝛼. 𝑥2
Tal que: (𝑟 − 𝛼. 𝑠) = 0 → 𝛼 = 𝑟⁄𝑠
Ejemplo 10.1.
Sea el sistema:
(1) 𝑥1 +𝑥2 = 4
(2) 𝑥1 + 2𝑥2 +𝑥3 = 6
(3) 𝑥2 +2𝑥3 −𝑥4 = 2
(4) 𝑥3 −2𝑥4 = 5
Paso 1
Sea el sistema:
(1) 𝑥̅̅̅1 +𝑥
̅̅̅2 = 4
𝑥1 +2̅̅̅̅
(2) ̅̅̅ 𝑥2 +𝑥̅̅̅3 = 6
(3) 𝑥
̅̅̅
2 +2𝑥 ̅̅̅3 −𝑥
̅̅̅4 = 2
(4) 𝑥3 −2𝑥
+ ̅̅̅ ̅̅̅4 = 5

Sea 𝑥1 = 2
̅̅̅ constante arbitraria.
En ( 1 ) , ( 2 ) , ( 3 ) ̅̅̅
𝑥2 = 2, 𝑥3 = 0 ,
̅̅̅ 𝑥4 = 0
̅̅̅
En ( 4 ) Como No existe 𝑥5 se hace lo siguiente:
𝑥3 −2𝑥4 = 5 + 𝑟 Tal que r es valor residual. Entonces 𝑟 = −5
Paso 2
Del sistema 𝐴∗𝑥 =𝑏 entonces 𝐴 ∗ 𝑥̅ = 𝜃 𝑇𝑎𝑙 𝑞𝑢𝑒 𝜃 𝑒𝑠 𝑣𝑒𝑐𝑡𝑜𝑟 𝑛𝑢𝑙𝑜
Sea tal que ̿̿̿ 𝑥1 ∈ 𝑍 − {0}

𝑥1 = 1 ̿̿̿
(1) 𝑥̿̿̿1 +𝑥
̿̿̿2 = 0
𝑥1 +2̿̿̿̿
(2) ̿̿̿ 𝑥2 +𝑥
̿̿̿3 = 0
(3) 𝑥̿2 +2𝑥̿3 −𝑥 ̿̿̿4 = 0
(4) 𝑥̿3 −2𝑥
̿̿̿4 = 0
De ( 1 ) , ( 2 ) , y ( 3 ) se consigue ̿̿̿
𝑥2 = −1, 𝑥3 = 1 ,
̿̿̿ 𝑥4 = 1
̿̿̿
En ( 4 ) Como No existe 𝑥5 se hace lo siguiente:
̿𝑥3 −2𝑥̿4 = 0 + 𝑡 Tal que t es valor residual. Entonces 𝑡 = −1
Del paso 1 se obtiene: ̂1 = ( 2 , 2 , 0 , 0 )𝑇

𝑥 con 𝑟 = −5
Del paso 2 se obtiene: ̂2 = ( 1 , −1 , 1 , 1 )𝑇

𝑥 con 𝑡 = −1
La solución es:
𝑟 −5
𝑥=𝑥
̂1 − ̂2 = ( 2 , 2 , 0 , 0 )𝑇 −
𝑥 ( 1 , −1 , 1 , 1 )𝑇
𝑡 −1
𝑥 = ( −3 , 7 , −5 , −5 )𝑇
Entonces 𝑥1 = −3 , 𝑥2 = 7 , 𝑥3 = −5 , 𝑥4 = −5

Ejemplo 10.2.
Resolver:
𝑥1 + 𝑥2 =1
2𝑥1 + 𝑥2 − 𝑥3 = −9
2𝑥2 + 2𝑥3 − 𝑥4 =3
𝑥3 + 2𝑥4 =7
Del sistema 𝐴. 𝑋 = 𝐵 → 𝐴. 𝑋̅ = 𝐵
𝑥̅1 + 𝑥̅2 =1 ……… (1)
2𝑥̅1 + 𝑥̅2 − 𝑥̅3 = −9 ….….. (2)
2𝑥̅2 + 2𝑥̅3 − 𝑥̅4 =3 ……… (3)
𝑥̅3 + 2𝑥̅4 =7 ……… (4)
Sea 𝑥̅1 = 𝐶, 𝐶 𝜖 𝑍 ∪ {0} → 𝑥̅1 = 0
De (1): 𝑥̅2 = 1
De (2): 𝑥̅3 = 10
De (3): 𝑥̅4 = 19
De la ec. (4) despejo 𝑥̅5 , pero como no existe 𝑥̅5
𝑥̅4 + 2𝑥̅4 = 7 + 𝑟 → 𝑟 = 41
̂1 = (𝑥̅1 , 𝑥̅2 , … , 𝑥̅𝑛 )𝑡 = (0,1,10,19)𝑡

𝑥
Del sistema 𝐴. 𝑋 = 𝐵 → 𝐴. 𝑋̅ = 𝜃
Sea 𝑥̅̅1 = 𝐶, 𝐶 𝑎𝑟𝑏𝑖𝑡𝑟𝑎𝑟𝑖𝑜 → 𝑥̅̅1 = 4 , luego se procede como P-2
𝑥̿1 + 𝑥̿2 = 0
𝑥̿2 = −4 , en 2𝑥̿1 + 𝑥̿2 − 𝑥̿3 = 0

𝑥̿3 = 4 , en 2𝑥̿2 + 2𝑥̿3 − 𝑥̿4 = 0
𝑥̿4 = 0 , en 𝑥̿3 + 2𝑥̿4 = 0 + 𝑠 → 𝑠=4
Observación: Si 𝑠 = 0 → cambiar el valor inicial de 𝑥̿1
̂2 = (𝑥̅̅1 , 𝑥̅̅2 , 𝑥̅̅3 , 𝑥̅̅4 )𝑡 = (4, −4,4,0)𝑡

𝑥

Se busca una solución 𝑥=𝑥

̂1 − 𝛼. 𝑥
̂2 Tal que: 𝛼 = 𝑟⁄𝑠 → 𝛼 = 41⁄4
𝑥1 = −41 , 𝑥2 = 42 , 𝑥3 = −31 , 𝑥4 = 19
Verificando: 2𝑥1 + 𝑥2 − 𝑥3 = −9
2(−41) + (42) − (−31) = −9
−9 = −9
Ejemplo 2
(Solución de sistemas lineales en Tribanda)
Sea 𝐴𝑥 = 𝐵 en Tribanda.
(1) 𝑋1 + 𝑋2 + 0𝑋3 + 0𝑋4 = 1
(2) 2𝑋1 + 𝑋2 − 𝑋3 + 0𝑋4 = −9
(3) 0𝑋1 + 2𝑋2 + 2𝑋3 − 𝑋4 = 15
(4) 0𝑋1 + 0𝑋2 + 𝑋3 + 2𝑋4 = 1
Algoritmo del sistema Tridiagonal
Solución:
Del sistema 𝐴𝑥 = 𝐵 → 𝐴𝑥̅ = 𝐵

(1) 𝑥̅1 + 𝑥̅2 + 0𝑥̅3 + 0𝑥̅4 = 1
(2) 2𝑥̅1 + 𝑥̅2 − 𝑥̅3 + 0𝑥̅4 = −9
(3) 0𝑥̅1 + 2𝑥̅2 + 2𝑥̅3 − 𝑥̅4 = 15

(4) 0𝑥̅1 + 0𝑥̅2 + 𝑥̅3 + 2𝑥̅4 = 1
Sea 𝑥̅1 = 𝐶, C vector arbitrario talque 𝐶𝜖 𝑍 ∪ {0}
Entonces: 𝑥̅1 = 1
De (1) despejo 𝑥̅2 :
(1) 𝑥̅1 + 𝑥̅2 = 1 → 𝑥̅2 = 0
(2) 2𝑥̅1 + 𝑥̅2 − 𝑥̅3 = −9 → 𝑥̅ 3 = 11
(3) 2𝑥̅2 + 2𝑥̅3 − 𝑥̅4 = 15 → 𝑥̅4 = 7
De (4) despejar 𝑥̅5; pero ∄𝑥̅5 :
(4) 𝑥̅3 + 2𝑥̅4 = 1 + 𝑟 → 𝑟 = 24
Y se tiene que: 𝑥1 = (𝑥̅1 , 𝑥̅2 , 𝑥̅3 , 𝑥̅ 4 )𝑡 = ( 1, 0, 11, 7 )𝑡

̂
Ahora expresarlo como 𝐴𝑥̿ = 0, 0 es un vector nulo.
(1) 𝑥̿1 + 𝑥̿2 =0
(2) 2𝑥̿1 + 𝑥̿2 − 𝑥̿3 =0
(3) 2𝑥̿2 + 2𝑥̿3 − 𝑥̿ 4 = 0
(4) 𝑥̿3 + 2𝑥̿4 = 0

Sea 𝑥̿1 = 𝑐 , 𝑐 𝜖 𝑍 − {0}
sea 𝑥̿1 = 1
De (1) despejar 𝑥̿2 :
(1) 𝑥̿1 + 𝑥̿2 = 0 → 𝑥̿ 2 = −1

𝑥̿3 = 1
(2) 2𝑥̿1 + 𝑥̿2 − 𝑥̿3 = 0 →

𝑥̿4 = 0
(3) 2𝑥̿2 + 2𝑥̿3 − 𝑥̿4 = 0 →
̂2 = (𝑥̿1 , 𝑥̿2 , 𝑥̿3 , 𝑥̿4 )𝑡 = ( 1, −1, 1, 0 )𝑡

𝑥
De (4) despejar 𝑥̿5 , pero∃ 𝑥̿5 entonces:
(4) 𝑥̿3 + 2𝑥̿ 4 = 0 + 𝑠 → 𝑠=1
𝑟
𝛼= = 24 → 𝛼 = 24
𝑠
Entonces:
𝑥=̂
𝑥1 − 𝛼 𝑥
̂2
𝑥1 1 1
𝑥2 0 −1
𝑥 =[𝑥 ]=[ ] − 24 [ ]
3 11 1
𝑥4 7 0
𝑥1 −23
𝑥2
[ 𝑥 ] = [ 24 ]
3 −13
𝑥4 7
Comprobación:

2𝑋1 + 𝑋2 − 𝑋3 = −9
-46+24+13
-22+13=-9

11. MÉTODO PENTADIAGONAL PARA SISTEMAS DE

ECUACIONES LINEALES.
Ejemplo 11.1.
Dado el sistema 𝐴 ∗ 𝑥 = 𝑏 se tiene lo siguiente:
(1) 2𝑥1 + 3𝑥2 + 𝑥3 = 3
(2) 𝑥1 + 3𝑥2 + 𝑥3 + 𝑥4 = 5
(3) 𝑥1 + 𝑥2 + 2𝑥3 + 𝑥4 + 𝑥5 = 5
(4) 𝑥2 + 2 𝑥3 + 𝑥4 + 𝑥5 = 4
(5) 2 𝑥3 + 𝑥4 + 2𝑥5 = 5
Paso 1
Del sistema original 𝐴 ∗ 𝑥 = 𝑏 expresando en la forma 𝐴 ∗ 𝑥̅ = 𝑏
(1) 2𝑥
̅̅̅1 + 3𝑥
̅̅̅2 + ̅̅̅̅
𝑥3 = 3
(2) 𝑥1 + 3𝑥
̅̅̅ ̅̅̅2 + ̅̅̅̅
𝑥3 + ̅̅̅
𝑥4 = 5
(3) 𝑥1 +
̅̅̅ 𝑥2 + 2𝑥
̅̅̅ ̅̅̅3 + ̅̅̅
𝑥4 + ̅̅̅̅
𝑥5 = 5
(4) 𝑥2 + 2̅̅̅̅
̅̅̅ 𝑥3 + ̅̅̅
𝑥4 + ̅̅̅
𝑥5 = 4
(5) 2̅̅̅̅
𝑥3 + ̅̅̅
𝑥4 + 2𝑥
̅̅̅5 = 5
Sea 𝑥1 = 0
̅̅̅ 𝑥2 = 1 ( Uno de ellos debe ser diferente de cero y el otro debe ser cero )
̅̅̅
De ( 1 ), ( 2 ), ( 3 ) se obtiene 𝑥3 = 0 ,
̅̅̅ 𝑥4 = 2 ,
̅̅̅ 𝑥5 = 2
̅̅̅
De ( 4 ) como NO existe 𝑥6
̅̅̅ se hace lo siguiente
𝑥2 + 2̅̅̅̅
̅̅̅ 𝑥3 + ̅̅̅
𝑥4 + ̅̅̅
𝑥5 = 4 + 𝑅1 entonces 𝑅1 = 1
2̅̅̅̅
𝑥3 + ̅̅̅
𝑥4 + 2𝑥
̅̅̅5 = 5 + 𝑅2 entonces 𝑅2 = 1
𝑅1 1
Entonces 𝑅=[ ]=[ ]
𝑅2 1
Se tiene ̂1 = ( 0 , 1 , 0 , 2 , 2 )𝑇
𝑥

Paso 2 primera solución homogénea
Del sistema original 𝐴 ∗ 𝑥 = 𝑏 expresando en la forma 𝐴 ∗ 𝑥̿ =

𝜃 𝑡𝑎𝑙 𝑞𝑢𝑒 𝜃 𝑣𝑒𝑐𝑡𝑜𝑟 𝑛𝑢𝑙𝑜
(1) 2𝑥
̿̿̿̿
1 + 3𝑥
̿̿̿2 + ̿̿̿̿
𝑥3 = 0
(2) 𝑥1 + 3𝑥
̿̿̿ ̿̿̿2 + ̿̿̿̿
𝑥3 + ̿̿̿
𝑥4 = 0
(3) 𝑥1 +
̿̿̿ 𝑥2 + 2𝑥
̿̿̿ ̿̿̿3 + ̿̿̿
𝑥4 + ̿̿̿̿
𝑥5 = 0
(4) 𝑥2 + 2̿̿̿̿
̿̿̿ 𝑥3 + ̿̿̿
𝑥4 + ̿̿̿
𝑥5 = 0
(5) 2̿̿̿̿
𝑥3 + ̿̿̿
𝑥4 + 2𝑥
̿̿̿5 = 0
Sea 𝑥1 = 1
̿̿̿ 𝑥2 = 2 ( dos números cualesquiera )
̿̿̿
De ( 1 ), ( 2 ), ( 3 ) se obtiene 𝑥3 = −8 ,
̿̿̿ 𝑥4 = 1 ,
̿̿̿ 𝑥5 = 12
̿̿̿
̿̿̿ se hace lo siguiente
𝑥2 + 2̿̿̿̿
̿̿̿ 𝑥3 + ̿̿̿
𝑥4 + ̿̿̿
𝑥5 = 0 + 𝑆1 entonces 𝑆1 = −1
̿̿̿ se hace lo siguiente
2̿̿̿̿
𝑥3 + ̿̿̿
𝑥4 + 2𝑥
̿̿̿5 = 0 + 𝑆2 entonces 𝑆2 = 9
𝑆1 −1
Entonces 𝑆=[ ]=[ ]
𝑆2 9
Se tiene ̂2 = ( 1 , 2 , −8 , 1 , 12 )𝑇
𝑥
Paso 3 segunda solución homogénea
Del sistema original 𝐴 ∗ 𝑥 = 𝑏 expresando en la forma ̿=

𝐴 ∗ 𝑥̅
𝜃 𝑡𝑎𝑙 𝑞𝑢𝑒 𝜃 𝑣𝑒𝑐𝑡𝑜𝑟 𝑛𝑢𝑙𝑜
(1) ̿̿̿̿
2𝑥 ̿̿̿
̅̅̅2 + ̿̿̿̿
̅̅̅1 + 3𝑥 ̅̅̅̅
𝑥3 = 0
(2) ̿̿̿ ̿̿̿2 + ̅̅̅̅

𝑥1 + 3𝑥
̅̅̅ ̅̅̅ ̿̿̿̿ ̿̿̿
𝑥3 + ̅̅̅
𝑥4 = 0

(3) ̿̿̿
𝑥1 +
̅̅̅ ̿̿̿ ̿̿̿
̅̅̅3 + ̿̿̿
𝑥2 + 2𝑥
̅̅̅ 𝑥4 + ̿̿̿̿
̅̅̅ ̅̅̅̅
𝑥5 = 0
(4) ̿̿̿ ̿̿̿̿

𝑥2 + 2̅̅̅̅
̅̅̅ ̿̿̿
𝑥3 + ̅̅̅ ̿̿̿
𝑥4 + ̅̅̅
𝑥5 = 0
(5) 2̿̿̿̿
𝑥3 + ̿̿̿
̅̅̅̅ ̿̿̿
𝑥4 + 2𝑥
̅̅̅ ̅̅̅5 = 0
Sea ̿̿̿
𝑥1 = 2
̅̅̅ ̿̿̿
𝑥2 = 1
̅̅̅
De ( 1 ), ( 2 ), ( 3 ) se obtiene ̿̿̿
𝑥3 = −7 ,
̅̅̅ ̿̿̿
𝑥4 = 2 ,
̅̅̅ ̿̿̿
𝑥5 = 9
̅̅̅
De ( 4 ) como NO existe ̿̿̿

𝑥6
̿̿̿
𝑥2 + 2̿̿̿̿
̅̅̅ 𝑥3 + ̿̿̿
̅̅̅̅ 𝑥4 + ̿̿̿
̅̅̅ 𝑥5
̅̅̅ = 0 + 𝑇1 entonces 𝑇1 = −2
De ( 5 ) como NO existe ̿̿̿

𝑥7
̿̿̿̿
2̅̅̅̅ ̿̿̿
𝑥3 + ̅̅̅ ̿̿̿5
𝑥4 + 2𝑥
̅̅̅ = 0 + 𝑇2 entonces 𝑇2 = 6
𝑇1 −2
Entonces 𝑇=[ ]=[ ]
𝑇2 6
Se tiene ̂3 = ( 2 , 1 , −7 , 2 , 9 )𝑇
𝑥
Paso 4 𝑅 = 𝛼𝑆 + 𝛽𝑇
𝑅1 𝑆 𝑇
[ ] = 𝛼[ 1 ]+ 𝛽[ 1 ]
𝑅2 𝑆2 𝑇2
1 −1 −2
[ ] = 𝛼[ ]+ 𝛽[ ]
1 9 6
2 5
Entonces 𝛼 = 3
𝛽=− 6
La solución 𝑥 = 𝑥
̂1 − 𝛼𝑥
̂2 − 𝛽𝑥
̂3
2 5
𝑥 = ( 0 , 1 , 0 , 2 , 2 )𝑇 − ( 1 , 2 , −8 , 1 , 12 )𝑇 + ( 2 , 1 , −7 , 2 , 9 )𝑇
3 6
1 1 3 𝑇
𝑥 = ( 1 , ,− ,3 , )
2 2 2
1 1 3
Es decir 𝑥1 = 1 𝑥2 = 2 𝑥3 = − 2 𝑥4 = 3 𝑥5 = 2

Ejemplo 11.2.
Dado el sistema 𝐴 ∗ 𝑥 = 𝑏 resolver el siguiente sistema pentadiagonal
2x1 + 3x2 + x3 = 8 EC(1)
3x1 + 2x2 + 4x3 + x4 = 15 EC(2)
x1 + 4x2 + x3 + 4x4 + 2x5 = 13 EC(2)
x2 + 4x3 + 2x4 + x5 = 19 EC(4)
2x3 + x4 + 7 x5 = 15 EC(5)
PASO DEL ALGORITMO
P-1: Expresar el sistema como A. X = b
2x1 + 3x2 + x3 = 8 Ec(1)
3x1 + 2x2 + 4x3 + x4 = 15 Ec(2)
x1 + 4x2 + x3 + 4x4 + 2x5 = 13 Ec(3)
x2 + 4x3 + 2x4 + x5 = 19 Ec(4)
2x3 + x4 + 7x5 = 15 Ec(5)
Sea X1 = 0 ⋀ X2 = 1 cte arbitrario
De Ec(1) despejar X 3 → X3 = 5
pues 0 + 3(1) + x3 = 8
De Ec(2) despejar X4 → X4 = −7
Pues 0 + 2(1) +4(8) + x4 = 15
De Ec(3) despejar X5 → X5 = 16
Pues 0 + 4(1) + 5 + 4(−7) + 2x5 = 13
De Ec(4) despejar X6 ; como ∄ X6 , hacemos lo sgte. :
x2 + 4x3 + 2x4 + x5 = 19 + R1
1 + 4(5) + 2(−7) + 16 = 19 + R1 → R1 = −45

De la Ec(5) despejar X7 ; como ∄ X7 hacemos
2x3 + x4 + 7x5 = 15 + R 2
2(5) + (−7) +7(16) = 15 + R 2 → R 2 = 100
R= [−45
100
], como R ≠ 0; A. x̂1 = b + R
Se tiene:
𝑥1 0
𝑥2 1
𝑥3 5
𝑥1 =
̂ = ó x̂1 =( x1 , x2 , x3 , x4 , x5 )t
𝑥4 −7
𝑥5 16
[ ] [ ]
P-2:
Primera solución homogénea del sistema A.x = b, expresarlo como A.x̿= θ
̿̿̿1 + 3X
2X ̿̿̿2 + X
̿̿̿3 = 0 Ec(1)
̿̿̿1 + 2X
3X ̿̿̿2 + 4X
̿̿̿3 + ̿̿̿
X4 = 0 Ec(2)
̿̿̿ ̿̿̿2 + ̿̿̿

X1 + 4X ̿̿̿4 + 2X
X3 + 4X ̿̿̿5 = 0 Ec(3)
̿̿̿ ̿̿̿3 + 2X
X2 + 4X ̿̿̿4 + ̿̿̿
X5 = 0 Ec(4)
̿̿̿3 + ̿̿̿
2X ̿̿̿5
X4 + 7X = 0 Ec(5)
Sea x̿1 = 10 ⋀ x̿̿̿=

2 20
De Ec(1) despejar x̿̿̿;

3 → x
̿̿̿3 = −80
pues 2(10) + 3(29) + ̿̿̿

X3 = 0

4 → x4 250
̿̿̿=
Pues 3(10) +2(20) + 4(−8) + ̿̿̿=

x4 0
̿̿̿5 ; → 𝑋
De Ec(3) despejar X ̿̿̿5= −505

pues 10 + 4(20) + (−80) + 4(250) + 2x̿̿̿5 =0

6 como ∄ x
̿̿̿6 hacemos
x2 + 4x̿̿̿3 + 2x̿̿̿4 + x̿̿̿5 = 0 + s1

̿̿̿
20 + 4(−80) + 2(250) + (−505) = 0 + s1 ; → s1 = 1445

7 como ∄ x
̿̿̿7 hacemos
2x̿̿̿3 + ̿̿̿
x4 + 7x̿̿̿5 = 0 + s2 ; → s2 = −3445
2(−80)+ (250) + 7(−505) = 0 + s2
10
20
1445
x̂2 =
−80
250
S= [−3445 ]
−505
[ ]
P-3: Segunda solución homogénea del sistema A.x = b expresar A.x̿̅= 0
2̿̿̿
̅̅̅ ̿̿̿ ̿̿̿
̅̅̅2 + X
X1 + 3X ̅̅̅3 = 0 Ec(1)
̿̿̿ + 2X
̅̅̅
3X ̿̿̿ + 4X
̅̅̅ ̿̿̿ + ̅̅̅
̅̅̅ ̿̿̿
X4 = 0 Ec(2)
1 2 3
̿̿̿
̅̅̅ ̿̿̿
̅̅̅2 + ̿̿̿
X1 + 4X X3 + 4 ̿̿̿
̅̅̅ ̅̅̅ ̿̿̿
̅̅̅5
X4 + 2X = 0 Ec(3)
̿̿̿
̅̅̅ ̿̿̿ + 2X
̅̅̅
X2 + 4X ̿̿̿
̅̅̅4 + ̿̿̿
̅̅̅
X5 = 0 Ec(4)
3
̿̿̿
̅̅̅3 +
2X ̿̿̿
̅̅̅ ̿̿̿
̅̅̅5 = 0
X 4 + 7X Ec(5)
Sea ̿̿̿
̅̅̅
X1 = 20 ⋀ ̿̿̿= 10
̅̅̅
X 2
De Ec(1) despejar ̿̿̿

̅̅̅
X 3 ; → ̿̿̿
X3 = −70
Pues 2(20) + 3(10) + ̿̿̿

X3 = 0

̅̅̅
X4 → ̿̿̿
X4 = 200
̿̿̿ + 2X
̅̅̅
3X ̿̿̿ + 4X
̅̅̅ ̿̿̿ + ̅̅̅
̅̅̅ ̿̿̿
X4 = 0
1 2 3
̿̿̿4 = 0
3(20) + 2(10) + 4(−70) + X


̅̅̅ ̿̿̿5 = 395
X5 → X
̿̿̿
̅̅̅ ̿̿̿ + ̿̿̿
̅̅̅
X1 + 4X ̅̅̅ ̿̿̿ + 2X
̅̅̅
X3 + 4X ̿̿̿ = 0
̅̅̅
2 4 5
̿̿̿
̅̅̅5 = 0
20 + 4(10) + (−70) + 4(200) + 2X

X 6 como ∄ ̿̿̿
̅̅̅ ̅̅̅
X6 , hacemos
̿̿̿
̅̅̅ ̿̿̿ +2X
̅̅̅
X2 + 4X ̿̿̿ + ̅̅̅
̅̅̅ ̿̿̿
X5 = 0 + T1 → T1 = 1925
3 4
10 + 4(−70) +2(200) + 395 = 0 + T1

X 7 ; como ∄ ̿̿̿
̅̅̅ ̅̅̅
X7 hacemos
̿̿̿ + ̅̅̅
̅̅̅
2X ̿̿̿ ̿̿̿ = 0 + T
̅̅̅
X4 +7X → T2 = -2705
3 5 2
̿̿̿
̅̅̅
X1
20
̿̿̿
̅̅̅
X2 10
̂3 =
X ̿̿̿
̅̅̅
X3 = −70
̿̿̿
̅̅̅ 200
X4 [ 395 ]
[ ̿̿̿
̅̅̅
X5 ]
𝑇1 −1925
𝑇=[ ]=[ ]
𝑇2 −2705
A.x̂3 = θ + T
P-4: Y se llega a lo siguiente
A.x̂1 = b + R
A.x̂2 = 0 + S
A.x̂3 = 0 + T
−45
R – 𝛼𝑆 – 𝛽𝑇 = 0 R= [ ]
100
1445
𝛼𝑆 + 𝛽𝑇 = R S=[ ]
−3445

1445 1445 −45 1925

α[ ] + β[ ]= [ ] T=[ ]
−3445 −3445 100 −2705
1445 α+ 1925 β = −45 ; α = −0.025992507
−3445α −2705 β = 100 ; β = −0.003865364
x = x̂1 − αx̂2 − βx̂3
x1 0 10 20
x2 1 20 10
x3 5 −80 −70
x= = + 0.025992507 + 0.003865364
x4 −7 250 200
x5 16 −505 395
[ ] [ ] [ ] [ ]
x1 0.33723235
x2 1.55850378
x 2.65002396
X= 3 =
x4 0.27119955
x5 1.34696518
[ ] [ ]
Comprobación : Ec(1)
2X1 + 3X2 + X3 = 8
0.6744647 + 4.67551134 + 2.65002396 = 8
8 = 8 Cumple!!!
Y tambien cumple todas las ecuaciones…

NORMA DE UNA MATRIZ
La Norma de una matriz 𝐴𝑛×𝑛 es un número real tal que satisface las siguientes condiciones
( 𝑖 ) ‖𝐴‖ ≥ 0
( 𝑖𝑖) ‖𝐴‖ = 0 , 𝑠𝑖 𝐴 = 0
(𝑖𝑖𝑖) ‖𝜏𝐴‖ = |𝜏|‖𝐴‖ , 𝑒𝑛 𝑝𝑎𝑟𝑡𝑖𝑐𝑢𝑙𝑎𝑟 ‖−𝐴‖ = ‖𝐴‖, 𝑑𝑜𝑛𝑑𝑒 |−1| = 1
(𝑖𝑣) ‖𝐴 + 𝐵‖ ≤ ‖𝐴‖ + ‖𝐵‖
( 𝑣) ‖𝐴𝐵‖ ≤ ‖𝐴‖‖𝐵‖
Principales Normas
-Norma “m” o Norma “∞”
→ ‖𝐴‖𝑚 = 𝑚𝑎𝑥 { ∑|𝑎1𝑖 | , ∑|𝑎2𝑖 | , … , ∑|𝑎𝑛𝑖 | }

𝑖 𝑖 𝑖
-Norma “l”,
→ ‖𝐴‖𝑙 = 𝑚𝑎𝑥 { ∑|𝑎𝑖1 | , ∑|𝑎𝑖2 | , … , ∑|𝑎𝑖𝑛 | }

𝑖 𝑖 𝑖
2
-Norma “k”, ‖𝐴‖𝑘 = √∑𝑖,𝑗|𝑎𝑖𝑗 |
Ejemplo 1:
−1 −2 3
Sea 𝐴 = [ 4 5 6 ]
7 8 9
‖𝐴‖𝑚 = max{ |−1| + |−2| + 3 , 4 + 5 + 6 , 7 + 8 + 9 } = max{ 6, 15, 24 } = 24
‖𝐴‖𝑙 = max{|−1| + 4 + 7, |−2| + 5 + 8,3 + 6 + 9} = max{ 12 , 15, 18 } = 18
‖𝐴‖𝑘 = √(−1)2 + (−2)2 + 32 +. . +82 + 92 = √285 = 16.9

𝑥1
𝑥2
Para el vector X = : → ‖𝑋‖𝑚 = max{ |𝑥1 |, |𝑥2 |, … , |𝑥𝑛 | }
.
[ 𝑥𝑛 ]
‖𝑋‖𝑙 = |𝑥1 | + |𝑥2 |+. . +|𝑥𝑛 |
‖𝑋‖𝑘 = √|𝑥1 |2 + |𝑥2 |2 + |𝑥3 |2
Ejemplo 2:
Sea X = (−2 3 0 1 − 4)𝑡
‖𝑋‖𝑚 = max{ |−2| , 3 , 0 , 1 , |−4| } = 4
‖𝑋‖𝑙 = |−2| + 3 + 0 + 1 + |−4| = 10
‖𝑋‖𝑘 = √(−2)2 + 32 + 02 +12 + (−4)2 = 30

12. SOLUCION ITERATIVA DE SISTEMAS DE

ECUACIONES LINEALES
12.1. METODO DE JACOBI
Dado el sistema 𝐴 ∗ 𝑥 = 𝑏
Ec.(1) a11x1 + a12x2 + …………………………………………………….. + a1mxm = b1
Ec.(2) a21X1 + a22X2 + …………………………………………………….. + a2mXm = b2
Ec.(3) a31X1 + a32X2 + …………………………………………………….. + a3mXm = b3

. . .
. . .
Ec.(m) am1X1 + am2X2 + …………………………………………………….. + ammXm = b. m
. . .
Donde: . .
.
. .
𝑎11 ⋯ 𝑎1𝑚 𝑏1 𝑥1
A=[ ⋮ ⋱ ⋮ ] b = อ ⋮ อ y si aii ≠ 0 X =อ ⋮ อ
𝑎𝑚1 ⋯ 𝑎𝑚𝑚 𝑏m 𝑥𝑚
Despejamos X de la ecuación 1 obteniendo un sistema equivalente de la forma: X = β + αX

De la siguiente manera.
Despejamos 𝑥1 , 𝑥2 , … 𝑥𝑚
𝑏1 𝑎12 𝑎13 𝑎1𝑚

X1 = − 𝑋2 − 𝑋3 − … … … … − 𝑋𝑚
𝑎11 𝑎11 𝑎11 𝑎11
𝑏2 𝑎21 𝑎23 𝑎2𝑚

X2 = − 𝑋1 − 𝑋3 − … … … … − 𝑋𝑚
𝑎22 𝑎22 𝑎22 𝑎22
. . .
. . .
. . .
𝑏m 𝑎𝑚1 𝑎𝑚2 𝑎𝑚𝑚−1
Xm = − 𝑋1 − 𝑋2 − … … … … − 𝑋𝑚−1
𝑎𝑚𝑚 𝑎𝑚𝑚 𝑎𝑚𝑚 𝑎𝑚𝑚

Dandole forma:
𝑏𝑖
𝛽𝑖 = ; con 𝑎𝑖𝑖 ≠ 0 𝛽 = ( 𝛽1 , 𝛽2 , … , 𝛽𝑚 )𝑡
𝑎𝑖𝑖
0 𝛼12 𝛼1𝑚
⋯ 𝛼2𝑚
𝛼𝑖𝑗 =
𝑎𝑖𝑗 𝛼21 0
𝑎𝑖𝑖 𝛼=[ ]
⋮ ⋱ ⋮
𝛼𝑚1 𝛼𝑚2 ⋯ 0
Con todo esto se puede expresar en la siguiente forma X = β + αX
X = β + αX
0 𝛼12 𝛼1𝑚
𝑋1 𝛽1 ⋯ 𝑋1
𝛼 0 𝛼2𝑚
[ ⋮ ] = [ ⋮ ] + [ 21 ]∗[ ⋮ ]
⋮ ⋱ ⋮
𝑋m 𝛽𝑚 𝛼𝑚1 𝛼𝑚2 𝑋m
⋯ 0
El Sistema sugiere Jacobi la siguiente relación de recurrencia
X (k+1) = β + αX (k) , k = 0, 1, 2, … … …
De la relación se obtiene la sucesión {𝑥 𝑘 }∞

𝑘=0 tomando como valor inicial arbitrario, que
generalmente
X (0)=0 ó X (0) = β ó β=1
Obs. X (k+1) = ( X1(k+1) , X2(k+1), … … … … … … … … … … … … … , Xm(k+1) )t
X (0) = ( X1(0) , X2(0),… … … … … … … … … … … … … …, Xm (0) ) t

ALGORITMO DE JACOBI:
P-1 Dado el Sistema 𝐴 ∗ 𝑥 = 𝑏
Expresarlo en el sistema equivalente X = β + αX
P-2 Tomando como solución inicial X (0) arbitrario generar la sucesión { X (k) } → X (*) mediante
la relación de recurrencia:
X (k+1) = β + αX (k) , k = 0, 1, 2,…
P-3 Dejar de iterar si
‖𝑥 (𝑘) − 𝑥 (𝑘−1) ‖
(𝑘)
≤ ε = 10−𝑚
‖𝑥 ‖
caso contrario ir al P-2
CONVERGENCIA DE JACOBI
∃ {x (k) } → 𝑥 (∗) Si ‖𝛼‖ ≤ 1
Observación
Para que se cumpla esa condición es necesario que A del sistema original 𝐴 ∗ 𝑥 = 𝑏 sea
diagonalmente dominante, es decir |𝑎𝑖𝑖 | ≥ ∑|𝑎𝑖𝑗 | de su fila y de su columna
Ejemplo 12.1.1.
Sea el sistema siguiente:
(1) 5𝑥1 + 𝑥2 + 𝑥3 = 1
(2) 𝑥1 + 5𝑥2 + 𝑥3 = 2 Con 𝜀 = 10−1
(3) 𝑥1 + 𝑥2 + 5𝑥3 = 1
(a) Por JACOBI verificando su convergencia ¿ ∃{ 𝑥 𝑘 } → 𝑥 ∗ Si ‖𝛼‖ ≤ 1 ?
Obs. Para que se cumpla ‖𝛼‖ ≤ 1 es necesario que del sistema 𝐴 ∗ 𝑥 = 𝑏 , A sea
diagonalmente dominante.
1 1 1
De (1) → X1: + 0 − 𝑥 − 𝑥
5 5 2 5 3
2 1 1
(2) → X2: − 𝑥 + 0 − 5 𝑥3
5 5 1
1 1 1
(3) → X3: − 𝑥 − 𝑥 + 0
5 5 1 5 2

Entonces
1/5 0.2 0 −1/5 −1/5

𝛽 = [ 2/5 ] = [ 0.4 ] 𝛼 = [ −1/5 0 −1/5 ] =
1/5 0.2 −1/5 −1/5 0
0 −0.2 −0.2
[ −0.2 0 −0.2 ]
−0.2 −0.2 0
‖ 𝛼 ‖∞ = ‖ 𝛼 ‖𝑚 = max{ 0 + |−0.2| + |−0.2| , |−0.2| + 0 + |−0.2| , |−0.2| + |−0.2| + 0 }
‖ 𝛼 ‖𝑚 = max{ 0.4 , 0.4 , 0.4 } = 0.4 ≤ 1
∃{ 𝑥 𝑘 } → 𝑥 ∗
(b) Por el Método Jacobi Hallar una solución con 𝜀 = 10−1
𝑥 ( 𝑘+1 ) = 𝛽 + 𝛼 ∗ 𝑥 (𝑘) 𝑘 = 0, 1, 2, …
‖ 𝑥 (𝑘+1 ) − 𝑥 (𝑘 ) ‖
Si ≤ 𝜀 entonces 𝑥 (𝑘+1 ) es solución con 𝜀
‖𝑥 (𝑘 ) ‖
Obs. Se toma como valor inicial arbitrario 𝑥 (0) = 𝛽 ó 𝜃 ó 𝐼
Sea 𝑥 (0) = 𝛽 = [ 0.2 , 0.4 , 0.2 ]𝑇
K=0 Sea 𝑥 (0) = [ 0.2 , 0.4 , 0.2 ]𝑇
0.2 0 −0.2 −0.2 0.2 0.08

(1) (0)
𝑥 = 𝛽 + 𝛼∗ 𝑥 = [ 0.4 ] + [ −0.2 0 −0.2 ] ∗ [ 0.4 ] = [ 0.32 ]
0.2 −0.2 −0.2 0 0.2 0.08
0.08
𝑥 ( 1 ) = [ 0.32 ]
0.08
K=1 Sea 𝑥 (1) = [ 0.08 , 0.32 , 0.08 ]𝑇
0.2 0 −0.2 −0.2 0.08 0.12

𝑥 ( 2 ) = 𝛽 + 𝛼 ∗ 𝑥 (1) = [ 0.4 ] + [ −0.2 0 ∗
−0.2 ] [ 0.32 ] = [ 0.368 ]
0.2 −0.2 −0.2 0 0.08 0.12

0.12
𝑥 ( 2 ) = [ 0.368 ]
0.12
0.04
‖ [ 0.048 ] ‖
‖ 𝑥 (2 ) − 𝑥 (1 ) ‖ 0.04 0.048
= = = 0.13 ≤ 10−1 ( 𝑛𝑜 𝑐𝑢𝑚𝑝𝑙𝑒 )
‖𝑥 (2 ) ‖ 0.12 0.368
‖ [ 0.368 ] ‖
0.12
K=2 Sea 𝑥 (2) = [ 0.12 , 0.368 , 0.12 ]𝑇
0.2 0 −0.2 −0.2 0.12 0.1024

𝑥 ( 3 ) = 𝛽 + 𝛼 ∗ 𝑥 (2) = [ 0.4 ] + [ −0.2 0 −0.2 ] ∗ [ 0.368 ] = [ 0.352 ]
0.2 −0.2 −0.2 0 0.12 0.1024
0.1024
𝑥 ( 3 ) = [ 0.352 ]
0.1024
−0.0176
‖ [ −0.016 ] ‖
‖ 𝑥 (3 ) − 𝑥 (2 ) ‖ −0.0176 0.0176
= = = 0.05 = 0.1 ≤ 10−1 ( 𝑐𝑢𝑚𝑝𝑙𝑒 )
‖𝑥 (3 ) ‖ 0.1024 0.352
‖ [ 0.352 ] ‖
0.1024
Entonces 𝑥 (3 ) = [ 0.1024 , 0.352 , 0.1024 ]𝑇 es solución con 𝜀 = 10−1
𝑥1 = 0.1024 𝑥2 = 0.352 𝑥3 = 0.1024
NOTACION MATRICIAL DEL METODO DE JACOBI
Sea el sistema 𝐴 ∗ 𝑥 = 𝑏
Donde:
𝑎11 𝑎12 … 𝑎1𝑚
𝑎 𝑎22 … 𝑎2𝑚
A = [ 21
⋮ ⋮ ⋱ ⋮
]
𝑎𝑚1 𝑎𝑚2 … 𝑎𝑚𝑚

La matriz A se le puede descomponer en la forma A=D + L +U , donde
𝑎11 0 0 0 0 0 0 𝑎12 𝑎1𝑚

⋯ ⋯ ⋯ 𝑎
0 𝑎22 0 𝑎21 0 0
𝐷=[ ] 𝐿=[ ⋮ ⋱ ⋮] 𝑈 = [0 0 2𝑚
]
⋮ ⋱ ⋮ ⋮ ⋱ ⋮
0 0 ⋯ 𝑎𝑚𝑚 𝑎𝑚1 … 𝑎𝑚(𝑚−1) 0 0 0 ⋯ 0
Matriz Diagonal Matriz Triangular inferior Matriz Triangular superior
Así el sistema 𝐴 ∗ 𝑥 = 𝑏 se le puede expresar como:
( D + L + U )X = b
DX + ( L + U ) X = b
DX = b – ( L + U ) X
X = D-1b – D-1( L + U ) X
X = D-1b + [-D-1(L + U)] X → β = D-1b ^ α = -D-1( L + U )
Si el método de Jacobi es X = β + αX
Matricialmente es: → X = D-1b – D-1( L + U ) X
Su relación de recurrencia es
X (k+1) = D-1b – D-1 (L + U) X (k) , k=0, 1, 2 …
Solución Matricial de Jacobi

Del sistema 𝐴∗𝑥 =𝑏 tal que 𝐴 = 𝐷 + 𝐿 + 𝑈
𝐴∗𝑥 =𝑏
(𝐷+𝐿+𝑈)∗𝑥 = 𝑏
−1 −1
Entonces 𝑥 = 𝐷 ∗ 𝑏 + −𝐷 ∗ ( 𝐿 + 𝑈 ) ∗ 𝑥
⏟ ⏟
𝛽 𝛼

Desarrollo del ejemplo anterior
5 1 1 𝑥1 1
[1 5 𝑥
1]∗[ 2] = [2]
1 1 5 𝑥3 1
5 0 0 0 0 0 0 1 1
5 1 1 1
[0 5 0] [1 0 1]+ [0 0 1]
𝐴=[1 5 1]= + con 𝑏 =[2]
0 0 5 1 1 0 0 0 0
1 1 5 ⏟ ⏟ ⏟ 1
𝐷 𝐿 𝑈
5 0 0 0 1 1
Entonces 𝐷 =[0 5 0] 𝐿+𝑈 = [1 0 1]
0 0 5 1 1 0
0.2 0 0 1 0.2 0.2

𝛽 = 𝐷 −1 ∗ 𝑏 = [ 0 0.2 0 ] ∗ [ 2 ] = [ 0.4 ] Entonces 𝛽 = [ 0.4 ]
0 0 0.2 1 0.2 0.2
−0.2 0 0 0 1 1 0 −0.2 −0.2
𝛼 = −𝐷 −1 ∗ ( 𝐿 + 𝑈 ) = [ 0 −0.2 0 ] ∗ [ 1 0 1 ] = [ −0.2 0 −0.2 ]
0 0 −0.2 1 1 0 −0.2 −0.2 0
0 −0.2 −0.2
Entonces 𝛼 = [ −0.2 0 −0.2 ]
−0.2 −0.2 0
Ejemplo 12.1.2.
Sea el siguiente sistema
Ec (1) 20x1 + 5x3 =2

Ec (2) x1 + 20x2 + 2x3 = 4
Ec (3) x1 + 9x2 + 20x3 = 6
Por Jacobi verificar su convergencia
CONVERGENCIA DE JACOBI
∃{ 𝑥 𝑘 } → 𝑥 (∗) Si ‖𝛼‖ ≤ 1 …………….. (i)
Observación

Para que se cumpla (i)
Es necesario que A del sistema original 𝐴 ∗ 𝑥 = 𝑏 sea diagonalmente dominante, es decir
|𝑎𝑖𝑖 | ≥ ∑|𝑎𝑖𝑗 | de su fila y de su columna
Así: 𝑎11 = 20 ≥ 0 + 5 de su fila
𝑎11 = 20 ≥ 1 + 1 de su columna
𝑎22 = 20 ≥ 1 + 2 de su fila
𝑎22 = 20 ≥ 0 + 9 de su columna
Igual para a33

2 5
x1 = + 0 + 0 - 𝑥3
20 20
4 1 2
x2 = - 𝑥1 + 0 - 𝑥3
20 20 20
6 1 9
x3 = - 𝑥1 - 𝑥2 + 0
20 20 20
x = β + αx
5
0 0 −
20 0 0 − 0.2
1 2
α= −
20
0 −
20
= [−0.05 0 − 0.1]
1 9 −0.05 − 0.45 0
[ − 20 − 20 0]
5 1 1 1 9
‖𝛼‖∞ = máx.{ 0 + 0 + |− | , | − | + 0 + |− | , |− | + |− | + 0 }
20 20 20 20 20
‖𝛼‖∞ = máx.{ 0.25 , 0.15, 0.5 }
‖𝛼‖∞ = 0.5 ≤ 1
∃{ 𝑥 𝑘 } → 𝑥 (∗) por jacobi
Por jacobi obtener una solución con 𝜀 = 10−1

Si la relación de jacobi es 𝑥 ( 𝑘+1 ) = 𝛽 + 𝛼 ∗ 𝑥 (𝑘) 𝑘 = 0, 1, 2, …
Para k = 0
Interacción inicial
𝑥 ( 1 ) = 𝛽 + 𝛼 ∗ 𝑥 (0)

Observación  es arbitraria
Sea =
= = +
β + α *
Para k = 1
Primera iteración  =β+α
= = +
Donde
= 0.1 +
= 0.1 + (0)(0.1) + (0)(0.2) + (-0.25)(0.3) = 0.025\
= 0.2 +
= 0.2 + (-0.05)(0.1) + (0)(0.2) + (-0.1)(0.3) = 0.165
= 0.205
Para k = 2
Segunda iteración  =β+α

= = + =
β α*
k =3
Tercera iteración =β+α
= = + =
β α*
Verificamos si se llego a la solución
= = 0.03289625 < =
𝑥 (4) = 𝑥 (∗) con 𝜀 = 10−1
12.2. METODO DE GAUSS- SEIDEL

También determina la solución del sistema 𝐴𝑥 = 𝑏 iterativamente.
De la relación matricial del sistema 𝐴𝑥 = 𝑏 :
(𝐷 + 𝐿 + 𝑈)𝑥 = 𝑏 → 𝐷𝑥 + 𝐿𝑥 + 𝑈𝑥 = 𝑏
𝐷𝑥 = 𝑏 − 𝐿𝑥 − 𝑈𝑥 → 𝑥 = 𝐷 −1 𝑏 + (−𝐷−1 𝐿)𝑥 + (−𝐷−1 𝑈)𝑥 … (𝜃)

De (𝜃) se obtiene la relación matricial de G-S , siguiente:
𝑥 (𝑘+1) = 𝐷−1 𝑏 + (−𝐷−1 𝐿)𝑥 (𝑘+1) + (−𝐷−1 𝑈)𝑥 (𝑘)
Observación:
*Si 𝛼 = −𝐷−1 (𝐿 + 𝑈)
−𝐷−1 𝐿 𝑒𝑠 𝑙𝑎 𝑀𝑎𝑡𝑟𝑖𝑧 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 𝐼𝑛𝑓𝑒𝑟𝑖𝑜𝑟 𝑑𝑒 𝛼

→{
−𝐷−1 𝑈 𝑒𝑠 𝑙𝑎 𝑀𝑎𝑡𝑟𝑖𝑧 𝑇𝑟𝑖𝑎𝑛𝑔𝑢𝑙𝑎𝑟 𝑆𝑢𝑝𝑒𝑟𝑖𝑟𝑜 𝑑𝑒 𝛼
*La relación (𝜃) se puede obtener al igual que Jacobi del sistema 𝐴𝑥 = 𝑏 , de la ecuación
𝑖despejar la variable 𝑥𝑖 , para obtener la Matriz 𝛼.
Algoritmo del método de Gauss-Seidel:
Paso1: Dado el sistema 𝐴𝑥 = 𝑏 obtener su sistema 𝑋 = 𝛽 + 𝛼𝑥.
Paso 2: Para un punto inicial arbitrario 𝑥 (0) generar la sucesión {𝑥 (𝑘) } → 𝑥 (∗) mediante la
siguiente relación:
𝑥 (𝑘+1) = 𝐷 −1 𝑏 + (−𝐷−1 𝐿)𝑥 (𝑘+1) + (−𝐷−1 𝑈)𝑥 (𝑘) ; 𝐾 = 0, 1, 2, …
𝑥 (𝑘) −𝑥 (𝑘−1)
Paso 3: Dejar de iterar si ‖ ‖ ≤ 𝜀 = 10−𝑛 ; caso contrario ir al paso 2.
𝑥 (𝑘)
Observación:
En la convergencia del método de Gauss-Seidel también se cumple que:
‖𝛼‖ < 1 entonces {𝑥 (𝑘) } → 𝑥 (∗)
Ejercicios resueltos:
1) Dados:
10 3 1 14 0
𝐴 = ( 2 −10 3 ) , 𝑏 = (−5) , 𝑥 (0) = (0)
1 3 10 14 0

Resuelva el sistema Ax = b por el método de Gauss-Seidel.
Solución:
Utilizando Gauss-Seidel:
𝑥 (𝑘+1) = 𝐷−1 𝑏 + (−𝐷−1 𝐿)𝑥 (𝑘) + (−𝐷−1 𝑈)𝑥 (𝑘)
Operando obtenemos la secuencia:
7/5 1.0634
𝑥 (1) = [ 39/50 ] , 𝑥 (2) = [ 1.02048 ]
513/500 0.987516
0.995104 1.00123
𝑥 (3) = [0.995276] , 𝑥 (4) = [ 1.00082 ]
1.00191 0.999632
0.999792 1.00004
𝑥 (5) = [0.999848] , 𝑥 (0) = [ 1.00003 ]
1.00007 0.999988
Claramente converge a la solución exacta (1, 1, 1)𝑇 .
La tasa de convergencia del método de Gauss-Seidel viene dada por la norma de:
0 3/10 1/10
𝑆 = (𝐿 + 𝐷)−1 𝑈 = [ 0 3/50 −7/25 ]
0 −6/125 37/500
227 2
Cuyas normas son: ‖𝐽‖ 1 = 500 = 0.454 y ‖𝐽‖∝ = = 0.4.
5
2) Considere el siguiente sistema de ecuaciones:
3 2 1 1
𝐴 = [2 3 1] , 𝑏 = [ 2]
1 1 3 3
¿Puede resolver este sistema por el método de Gauss-Seidel? ¿Por qué? Si lo puede hacer,
haga solo dos iteraciones a partir de la solución nula y determine la tasa numérica de
convergencia. Además calcula la tasa exacta de convergencia. ¿Cuántas iteraciones
necesitará para alcanzar un error absoluto de 10−5.
Solución:
El método de Gauss-Seidel es aplicable porque por que la matriz es simétrica definida

positiva. Dos iteraciones conducen a:
𝑥 (0) = (0 , 0 , 0)𝑇
𝑥 (1) = (1/3 , 4/9 , 20/27)𝑇
𝑥 (2) = (−17/81 , 136/246 , 644/729)𝑇
Y la tasa de convergencia numérica la podemos calcular como (en norma infinito)
𝑥 (2) − 𝑥 46
‖ (1)
‖= = 0.24
𝑥 −𝑥 189
Que se parece poco a la tasa de convergencia exacta:
𝜌( (𝐿 + 𝐷)−1 𝑈 ) = 0.413
NOTA: Calculando con más iteraciones nos acercamos a la tasa teórica, por ejemplo:
𝑥 (10) − 𝑥
‖ ‖ = 0.413
𝑥 (9) − 𝑥
Para alcanzar (en norma infinito) un error absoluto menor que 10−5se requieren 13
iteraciones.
Ejemplo 12.2.1.
Sea el sistema:
20x1 + 9x2 + 9x3 = 2
2x1 + 20x2 + 9x3 = 4
5x1 + 9x2 + 20x3 = 6
Por el método de Gauss-Seidel
Analizar su divergencia. Hallar su solución con 𝜀 = 10−1
Solución:
Analizar su divergencia
20 0 0 0 9 9
D = [ 0 20 0 ] L + U = [2 0 9]
0 0 20 5 9 0
Luego:
α = −D−1 (L + U)

−1/20 0 0 0 9 9 0 −9/20 −9/20

α=[ 0 −1/20 0 ] [2 0 9] = [−2/20 0 −9/20]
0 0 −1/20 5 9 0 −5/20 −9/20 0
0 −0.45 −0.45
α = [−0.10 0 −0.45]
−0.25 −0.45 0
‖α‖𝑚 = max{ 0.9, 0.55, 0.7 } = 0.9 < 1 Entonces ∃ {𝑥 (𝑘) } → 𝑥 (∗)
Hallar su solución con ε = 10−1
0.05 0 0 2 0.1
β = D−1 b = [ 0 0.05 0 ] [ 4 ] = [0.2]
0 0 0.05 6 0.3
De x (k+1) = D−1 b + [−D−1 L][x (k+1) ] + [−D−1 U]x (k)
k=0
(1)
x1 0
Sea x (0)
= [x2(1) ] = [0]
(1) 0
x3
→ x (1) = D−1 b + [−D−1 L][x (1) ] + [−D−1 U]x (0)
(1) (1)
x1 0.1 0 0 0 x1 0 −0.45 −0.45 0
(1)
x (1) = [x2 ] = [0.2] + [−0.10 0 0] [x2(1) ] + [0 0 −0.45] [0]
(1) 0.3 −0.25 −0.45 0 (1) 0 0 0 0
x3 x3
(1)
x1 = 0.10

(1) (1)
x2 = 0.2 − 0.1 x1 = 0.2 − 0.1(0.1)
(1)
→ x2 = 0.19
(1)
→ x3 = 0.1895
(1)
x1 0.1
x (1) = [x2(1) ] = [ 0.19 ]
(1) 0.1895
x3
k = 1 : 1era Iteración
→ x (2) = D−1 b + [−D−1 L][x (2) ] + [−D−1 U]x (1)
(2) (2)
x1 0.1 0 0 0 x1 0 −0.45 −0.45 0.1
(2)
x (2) = [x2 ] = [0.2] + [−0.10 0 0] [x2(2) ] + [0 0 −0.45] [ 0.19 ]
(2) 0.3 −0.25 −0.45 0 (2) 0 0 0 0.1895
x3 x3
(2)
x1 = −0.070775
(2)
→ x2 = 0.114725 − 0.1(−0.0707755) = 0.1218025
(1)
→ x3 = 0.262882625
(2)
x1 −0.070775
x (2) = [x2(2) ] = [ 0.1218025 ]
(2) 0.262882625
x3
k = 2: 2da Iteración
→ x (3) = D−1 b + [−D−1 L][x (3) ] + [−D−1 U]x (2)
(3) (3)
x1 0.1 0 0 0 x1 0 −0.45 −0.45 −0.070775
(3) (3)
x (3) = [x2 ] = [0.2] + [−0.10 0 0] [ x 2 ] + [ 0 0 −0.45] [ 0.1218025 ]
(3) 0.3 −0.25 −0.45 0 (3) 0 0 0 0.262882625
x3 x3

−0.073108306
(3)
x (3) = [ 0.081702819 − 0.1x1 ]
(3) (3)
0.3 − 0.25x1 − 0.45x2
(3)
→ x1 = −0.073108306
(3)
→ x2 = 0.089013649
(3)
→ x3 = 0.278220934
−0.073108306
x (3) = [ 0.089013649 ]
0.278220934
k = 3: 3era Iteración
→ x (4) = D−1 b + [−D−1 L][x (4) ] + [−D−1 U]x (3)
(4) (4)
x1 0.1 0 0 0 x1 0 −0.45 −0.45 −0.073108306
(4)
x (4) = [x2 ] = [0.2] + [−0.10 0 0] [x2(4) ] + [0 0 −0.45] [ 0.089013649 ]
(4) 0.3 −0.25 −0.45 0 (4) 0 0 0 0.278220934
x3 x3
(4)
→ x1 = −0.065255562
(3)
→ x2 = 0.081326136
(3)
→ x3 = 0.279717129
−0.065255562
x (4) = [ 0.081326136 ]
0.279717129
0.007852744
max อ0.007687513อ
‖x (4) − x (3) ‖ 0.0014
= = 0.028 < 0.1
‖x (4) ‖ 0.065255562
max อ0.081326136อ
0.279717129
→ x (4) = x ∗ con ε = 10−1

Ejemplo 12.2.2.
Sea el sistema:
15x1 + 0x2 + 0x3 = 2
7x1 + 15x2 + 1x3 = 4
0x1 + 9x2 + 15x3 = 6
Hallar su solución con 𝜀 = 10−1
Solución:
15 0 0 0 0 0
𝐷=[0 15 0 ] 𝐿 + 𝑈 = [7 0 1]
0 0 15 0 9 0
Luego:
𝛼 = −𝐷−1 (𝐿 + 𝑈)
−1/15 0 0 0 0 0 0 0 0
𝛼=[ 0 −1/15 0 ] [7 0 1] = [ −7/15 0 −1/15]
0 0 −1/15 0 9 0 0 −9/15 0
9
‖𝛼‖𝑚 = 𝑚𝑎𝑥{0, 8/15, 9/15 } = < 1 entonces ∃{ 𝑥 (𝑘) } → 𝑥 (∗)
15
Hallar su solución con 𝜺 = 𝟏𝟎−𝟏
1/15 0 0 2 2/15
−1
𝛽 = 𝐷 𝑏 = [ 0 1/15 0 ] [4] = [4/15]
0 0 1/15 6 6/15
De 𝑥 (𝑘+1) = 𝐷−1 𝑏 + [−𝐷−1 𝐿][𝑥 (𝑘+1) ] + [−𝐷−1 𝑈]𝑥 (𝑘)
𝒌=𝟎

(1)
0 𝑥1
Sea 𝑥 (0) = [𝑥2(1) ] = [0]
(1) 0
𝑥 3
(1)
→ 𝑥 = 𝐷 𝑏 + [−𝐷−1 𝐿][𝑥 (1) ] + [−𝐷−1 𝑈]𝑥 (0)
−1
(1) (1)
𝑥1 2/15 0 0 0 𝑥1 0 0 0 0
(1)
𝑥 (1) = [𝑥2 ] = [4/15] + [−7/15 0 0] [𝑥2(1) ] + [0 0 −1/15] [0]
(1) 6/15 0 −9/15 0 (1) 0 0 0 0
𝑥3 𝑥3
(1) 2 2
𝑥1 = +0=
5 15
(1) 4 7 2
𝑥2 = − 𝑥 = 0.204444
15 15 15
(1)
→ 𝑥2 = 0.2044444444
(1) 6 9
→ 𝑥3 = − 𝑥0.2044444444 = 0.277333334
15 15
0.13333
(1)
𝑥 =[ 0.204 ]
0.277333334
𝒌 = 𝟏 : 1era Iteración
→ 𝑥 (2) = 𝐷−1 𝑏 + [−𝐷−1 𝐿][𝑥 (2) ] + [−𝐷−1 𝑈]𝑥 (1)
(2) (2)
𝑥1 2/15 0 0 0 𝑥1 0 0 0 0.13
(2)
𝑥 (2) = [𝑥2 ] = [4/15] + [−7/15 0 0] [𝑥2(2) ] + [0 0 −1/15] [ 0.204 ]
(2) 6/15 0 −9/15 0 (2) 0 0 0 0.2773
𝑥3 𝑥3
(2) 2 2
𝑥1 = +0= = 0.1333
5 15
(2) 4 7 2 1
→ 𝑥2 = − . − (0.2773) = 0.1862209
15 15 15 15
(2) 6 9
𝑥3 = − (0.1862209) = 0.28826746
15 15
(2)
→ 𝑥3 = 0.28826746
0.1862209
𝑥 (2) = [0.28826746]
0.28826746
𝒌 = 𝟐: 2da Iteración
→ 𝑥 (3) = 𝐷−1 𝑏 + [−𝐷−1 𝐿][𝑥 (3) ] + [−𝐷−1 𝑈]𝑥 (2)
(3) (3)
𝑥1 2/15 0 0 0 𝑥1 0 0 0 0.133
(3) (3) (3)
𝑥 = [𝑥2 ] = [4/15] + [−7/15 0 0] [𝑥2 ] + [0 0 −1/15] [ 0.1862209 ]
(3) 6/15 0 −9/15 0 (3) 0 0 0 0.28826746
𝑥3 𝑥3
(3) 2
→ 𝑥1 = = 0.1333
15
(3) 4 7 2 1
→ 𝑥2 = − . − (0.28826746) = 0.185216089
15 15 15 15
(3) 4 9
→ 𝑥3 = − (0.185216089) = 0.288570347
15 15
1.333
(3)
𝑥 = [0.185216089]
0.288570347
‖𝑥 (3) − 𝑥 (2) ‖
= 0.0025026510
‖𝑥 (3) ‖
→ 𝑥 (3) = 𝑥 ∗ 𝑐𝑜𝑛 𝜀 = 10−1

Ejemplo 12.2.3.
Sea el sistema:
20x1 + 9x2 + 9x3 = 2
2x1 + 20x2 + 9x3 = 4
5x1 + 9x2 + 20x3 = 6
Hallar su solución con 𝜀 = 10−1
Solución:
20 0 0 0 9 9
𝐷=[0 20 0] 𝐿 + 𝑈 = [2 0 9]
0 0 20 5 9 0
Luego:
𝛼 = −𝐷−1 (𝐿 + 𝑈)
−1/20 0 0 0 9 9 0 −9/20 −9/20

𝛼=[ 0 −1/20 0 ] [2 0 9] = [−2/20 0 −9/20]
0 0 −1/20 5 9 0 −5/20 −9/20 0
0 −0.45 −0.45
𝛼 = [−0.10 0 −0.45]
−0.25 −0.45 0
‖𝛼‖ = 𝑚𝑎𝑥{0.9, 0.55, 0.7 } = 0.9 < 1

→ ∃ {X (k)} → X*
Hallar su solución con 𝜺 = 𝟏𝟎−𝟏
0.05 0 0 2 0.1
𝛽 = 𝐷−1 𝑏 = [ 0 0.05 0 ] [4] = [0.2]
0 0 0.05 6 0.3
De 𝑥 (𝑘+1) = 𝐷−1 𝑏 + [−𝐷−1 𝐿][𝑥 (𝑘+1) ] + [−𝐷−1 𝑈]𝑥 (𝑘)

𝑘=0
(1)
𝑥1 0
Sea 𝑥 (0) = [𝑥2(1) ] = [0]
(1) 0
𝑥 3
→ 𝑥 (1) = 𝐷−1 𝑏 + [−𝐷 −1 𝐿][𝑥 (1) ] + [−𝐷−1 𝑈]𝑥 (0)
(1) (1)
𝑥1 0.1 0 0 0 𝑥1 0 −0.45 −0.45 0
𝑥 (1) = [𝑥2(1) ] = [0.2] + [−0.10 0 0] [𝑥2(1) ] + [0 0 −0.45] [0]
(1) 0.3 −0.25 −0.45 0 𝑥 (1) 0 0 0 0
𝑥 3 3
(1)
𝑥1 = 0.10
(1) (1)
𝑥2 = 0.2 − 0.1 𝑥1 = 0.2 − 0.1(0.1)
(1)
→ 𝑥2 = 0.19
(1)
→ 𝑥3 = 0.1895
(1)
𝑥1 0.1
𝑥 (1)
= [𝑥2(1) ] = [ 0.19 ]
(1) 0.1895
𝑥3
𝒌 = 𝟏 : 1era Iteración
→ 𝑥 (2) = 𝐷−1 𝑏 + [−𝐷 −1 𝐿][𝑥 (2) ] + [−𝐷−1 𝑈]𝑥 (1)
(2) (2)
𝑥1 0.1 0 0 0 𝑥1 0 −0.45 −0.45 0.1
(2) (2) (2)
𝑥 = [𝑥2 ] = [0.2] + [−0.10 0 0] [𝑥2 ] + [0 0 −0.45] [ 0.19 ]
(2) 0.3 −0.25 −0.45 0 𝑥 (2) 0 0 0 0.1895
𝑥 3 3

(2)
𝑥1 = −0.070775
(2)
→ 𝑥2 = 0.114725 − 0.1(−0.0707755) = 0.1218025
(1)
→ 𝑥3 = 0.262882625
(2)
𝑥1 −0.070775
𝑥 (2) = [𝑥2(2) ] = [ 0.1218025 ]
𝑥
(2) 0.262882625
3
𝒌 = 𝟐: 2da Iteración
→ 𝑥 (3) = 𝐷−1 𝑏 + [−𝐷 −1 𝐿][𝑥 (3) ] + [−𝐷−1 𝑈]𝑥 (2)
(3) (3)
𝑥1 0.1 0 0 0 𝑥1 0 −0.45 −0.45 −0.070775
(3) (3) (3)
𝑥 = [𝑥2 ] = [0.2] + [−0.10 0 0] [𝑥2 ] + [0 0 −0.45] [ 0.1218025 ]
(3) 0.3 −0.25 −0.45 0 (3) 0 0 0 0.262882625
𝑥3 𝑥3
−0.073108306
(3)
𝑥 (3)
= [ 0.081702819 − 0.1𝑥1 ]
(3) (3)
0.3 − 0.25𝑥1 − 0.45𝑥2
(3)
→ 𝑥1 = −0.073108306
(3)
→ 𝑥2 = 0.089013649
(3)
→ 𝑥3 = 0.278220934
−0.073108306
(3)
𝑥 = [ 0.089013649 ]
0.278220934
𝒌 = 𝟐: 3era Iteración
→ 𝑥 (4) = 𝐷−1 𝑏 + [−𝐷−1 𝐿][𝑥 (4) ] + [−𝐷−1 𝑈]𝑥 (3)

(4) (4)
𝑥1 0.1 0 0 0 𝑥1 0 −0.45 −0.45 −0.073108306
(4) (4)
𝑥 (4) = [𝑥2 ] = [0.2] + [−0.10 0 0] [𝑥2 ] + [0 0 −0.45] [ 0.089013649 ]
(4) 0.3 −0.25 −0.45 0 (4) 0 0 0 0.278220934
𝑥3 𝑥3
(4)
→ 𝑥1 = −0.065255562
(3)
→ 𝑥2 = 0.081326136
(3)
→ 𝑥3 = 0.279717129
−0.065255562
𝑥 (4) = [ 0.081326136 ]
0.279717129
0.007852744
𝑚𝑎𝑥 อ0.007687513อ
‖𝑥 (4) − 𝑥 (3) ‖ 0.0014
= = 0.028 < 0.1
‖𝑥 (4) ‖ 0.065255562
𝑚𝑎𝑥 อ0.081326136อ
0.279717129
→ 𝑥 (4) = 𝑥 ∗ 𝑐𝑜𝑛 𝜀 = 10−1

13. INTERPOLACIÓN
Supongamos que se conoce f0 , f1, f2, …….fn valores correspondientes a X0, X1, X2, ….., Xn
valores independientes de una variable independiente X.( X0<X1<…<Xn) entonces tenemos
dos tipos de interpolación.
a) Interpolación directa.- consiste en que dado un valor XP diferente de los Xi pero

correspondido entre X0 y Xn, se desea hallar el valor de su imagen fP
b) Interpolación inversa.- consiste en que dado el valor de la imagen fP se desea hallar

el valor XP que genera dicha imagen.
13.1. INTERPOLACIÓN DIRECTA LINEAL

XP = valor a interpretar f
FP = f (XP) imagen de XP (X1,f1) F(X)
(X0,f0
)
(XP,fP)
Xo XP X1 X
INTERPOLACIÓN DIRECTA DE
NEWTON -PROGRESIVO Y NEWTON – REGRESIVO.
Para un conjunto de (n+1) puntos igualmente espaciados Interpolación consiste, en dado un valor no
considerado 𝑥𝑝 , en la tabla, se debe hallar su imagen 𝑓𝑝 . Hay dos tipos de Interpolación.
A) Interpolación Directa. Consiste en que dado 𝑥𝑝 se debe hallar su imagen 𝑓𝑝 .

B) Interpolación Inversa. Consiste en que dado el valor de la imagen 𝑓𝑝 , se debe hallar el valor 𝑥𝑝 .

1) Interpolación Directa de Newton Progresivo (IDNP)
Se utiliza cuando se desea interpolar un valor 𝑥𝑝 dado al principio de la tabla o 1𝑒𝑟 sector de la tabla.
Utiliza la siguiente fórmula.
P(P−1) P(P−1)(P−2) P(P−1)…(P−(n−1))

𝑓𝑝 = 𝑓0 + P∆𝑓0 + ∆2 𝑓0 + ∆3 𝑓0 + ⋯ + ∆n 𝑓0
2! 3! n!
𝑥𝑝 −𝑥0
Donde 𝑃= , 𝑥𝑝 ∈ [ 𝑥0 , 𝑥1 ] , 𝑃 ∈ [ 0 , 1 ]
h
Utiliza la siguiente Tabla de omisión de Términos ( T.0.T )
∆2 ∇2 ∆3 ∇3 ∆4 ∇4 ∆5 ∇ 5
Newton Progresivo 4 8 12 16
Newton Regresivo
Observación:
Si |∆2 𝑓𝑖 |< 4 Se tiene Inter. Directa Lineal y se utiliza la fórmula de N.P. hasta la 1𝑟𝑎 Diferencia, o
sea;
𝑓𝑝 = 𝑓0 + 𝑃 ∆𝑓0

Si |∆3 𝑓𝑖 |< 8 Se tiene Inter. Directa No Lineal (IDNL) y se utiliza la fórmula de N.P. hasta la 2𝑑𝑎
Diferencia, o sea;
P(P−1)
𝑓𝑝 = 𝑓0 + 𝑃∆𝑓0 + ∆2 𝑓0
2!
Si |∆4 𝑓𝑖 |< 12 Se utiliza IDNL y en la fórmula de NP se utiliza hasta la 3𝑟𝑎 diferencia, osea
P(P−1) P(P−1)(P−2)
𝑓𝑝 = 𝑓0 + 𝑃∆𝑓0 + ∆2 𝑓0 + ∆3 𝑓0
2! 3!
(4) Tanto en (1),(2) y (3) solo se considera las cifras significativas.
Ejemplo 1: En la Siguiente tabla si 𝑥𝑝 = 1.05 , hallar 𝑓𝑝
𝑥 1 1.1 1.2 1.3

𝑓(𝑥) 4 4.3 4.6 4.9
Sol:
𝑥 𝑓(𝑥) ∆ ∆2
1 4
𝑥𝑝 = 1.05 𝑓𝑝 =? 3=∆𝑓0 Como | ∆2 𝑓𝑖 | < 4 se aplica IDL y se
1.1 4.3 0 = ∆2 𝑓0 utiliza 𝑓𝑝 de NP hasta la Diferencia anterior o sea
3 hasta la 1𝑟𝑎 diferencia
1.2 4.6 0
3 | ∆2 𝑓𝑖 | = 0 < 4
1.3 4.9
𝑥𝑝 −𝑥0 1.05−1
𝑃= = = 0.5 → 𝑝 = 0.5 ∈ 〈 0 , 1 〉
h 0.1
𝑓𝑝 = 𝑓0 + 𝑃∆𝑓0 → 𝑓𝑝 = 4 + 0.5(0.3) = 4.15

Ejemplo 2: En la Siguiente tabla si 𝑥𝑝 = 6.36 , hallar 𝑓𝑝
𝑥 6.2 6.4 6.6 6.8 7 7.2

𝑓(𝑥) = log(𝑥) 0.79239 0.30618 0.81954 0.83251 0.84510 0.85733
x 𝑓(𝑥) = log(𝑥) ∆ ∆2 ∆3
6.2 0.79239 =𝑓0
𝑥𝑝 = 6.36 𝑓𝑝 =? 1279=∆𝑓0
6.4 0.30618 =𝑓1 -43=∆2 𝑓0
1336=∆𝑓1 4
6.6 0.8195 =𝑓2 -39=∆2 𝑓1
1297=∆𝑓2 1
6.8 0.83251 =𝑓3 -38=∆2 𝑓2
1259=∆𝑓3 2
2
7 0.84510 =𝑓4 -36=∆ 𝑓3
1223=∆𝑓4
7.2 0.85733 =𝑓5
𝑥𝑝 − 𝑥0 6.36 − 6.2
𝑃= = = 0.8
h 0.2
P(P − 1) 2
𝑓𝑝 = 𝑓0 +𝑃∆𝑓0 + ∆ 𝑓0
2!
0.8(0.8 − 1)(−0.00043)
𝑓𝑝 = 0.79239 + 0.8(0.01379) + = 0.803458
2!
Si 𝑓(𝑥) = 𝐿𝑜𝑔(𝑥) entonces 𝑓(6.36) = 0.80345711

2) Interpolación de Newton Regresivo (NR)
Se utiliza cuando se quiere interpolar un valor en la parte final de la tabla. Su fórmula es
P(P+1) P(P+1)(P+2) P(P+1)…(P+(n−1))

𝑓𝑝 = 𝑓0 + P∇𝑓0 + ∇2 𝑓0 + ∇3 𝑓0 + ⋯ + ∇n 𝑓0
2! 3! n!
𝑥𝑝 −𝑥0
Donde 𝑃= , 𝑃∈ 〈−1,0〉 𝑦 𝑥𝑝 = [𝑥−1 , 𝑥0 ]
h
Ejemplo Si 𝑥𝑝 = 3.9 hallar 𝑓𝑝
x 𝑓(𝑥) = 𝑒 𝑥 ∇ ∇2 ∇3 ∇4
3 20.08
4.45
3.2 24.53 0.98
5.43 .22
3.4 29.96 1.20 6
6.63 .28
3.6 36.59 1.48 2
8.11 .30
3.8 44.7 1.78
𝑥𝑝 = 3.9 𝑓𝑝 =? 9.89
4.0 54.59
| ∇4 𝑓𝑖 | < 12 Se aplica 𝑓𝑝 de NR hasta la 3𝑟𝑎 diferencia

𝑥𝑝 − 𝑥0 3.9 − 4.0
𝑃= = = −0.5
h 0.2
P(P + 1) 2 P(P + 1)(P + 2) 3

𝑓𝑝 = 𝑓0 + P∇𝑓0 + ∇ 𝑓0 + ∇ 𝑓0
2! 3!
−0.5(−0.5 + 1)(1.78) −0.5(−0.5 + 1)(−0.5 + 2)(0.30)
𝑓𝑝 = 54.59 + (−0.5)(9.89) + +
2! 3!
𝑓𝑝 = 49.40375
Polinomio de Newton
( 𝑥 − 𝑥0 )(1) ∆𝑓0 ( 𝑥 − 𝑥0 )(2) ∆2 𝑓0 ( 𝑥 − 𝑥0 )(𝑛−1) ∆𝑛−1 𝑓0
𝑓𝑝 = 𝑓0 + + +⋯+
1! ℎ 2! ℎ (𝑛 − 1)! ℎ
Donde
( 𝑥 − 𝑥0 )(1) = 𝑥 − 𝑥0
( 𝑥 − 𝑥0 )(2) = ( 𝑥 − 𝑥0 )( 𝑥 − ( 𝑥0 + ℎ ))
( 𝑥 − 𝑥0 )(𝑛) = [ 𝑥 − 𝑥0 ][ 𝑥 − ( 𝑥0 + ℎ )] … [ 𝑥 − ( 𝑥0 + (𝑛 − 1)ℎ )]
Si son entre n puntos, entonces el grado de 𝑃(𝑥) debe ser n – 1.
13.2. INTERPOLACION DIRECTA CENTRAL
Se utiliza cuando se quiere interpolar un valor en la parte central de la tabla.

Se tienen las siguientes formulas:
13.2.1. Interpolación de Stirling

1
Se aplica si 𝑝 ∈ 〈 0 ,2 〉
Su formula es:
𝑓 p = 𝑓0 + S1 ( 𝛿𝑓-1/2 + 𝛿𝑓1/2 ) + S2𝛿 2 𝑓0 + S3 ( 𝛿 3 𝑓-1/2 + 𝛿 3 𝑓1/2 ) + S4𝛿 4 𝑓0 + …

Donde:
1 1 𝑝(𝑝2 −1) 𝑝2 (𝑝2 −1) 𝑝(𝑝2 −1)(𝑝3 −4)

S1 = 2 𝑝 ; S 2 = 𝑝2 ; S3 = ; S4 = ; S5 = ; …
2 2∗3! 4! 2∗5!

13.2.2. Interpolación de Bessel

1
Se aplica si p ∈ 〈 2 , 1 〉
Su formula es:
𝑓𝑝 = 𝑓0 + 𝛽1 𝛿𝑓1 + 𝛽2 ( 𝛿 2 𝑓0 + 𝛿 2 𝑓1 ) + 𝛽3 𝛿 3 𝑓1 + 𝛽4 ( 𝛿 4 𝑓0 + 𝛿 4 𝑓1 )…
2 2
Donde:
1 1
𝑝( 𝑝 − 1 ) 𝑝( 𝑝 −1)(𝑝 − ) 𝑝( 𝑝 −1)( 𝑝−2)(𝑝− )
2 2
𝛽1 = 𝑝 ; 𝛽2 = ; 𝛽3 = ; 𝛽4 = ; …
2∗2! 3! 2∗4!
𝑥𝑝 − 𝑥0
𝑝=
ℎ
13.2.3. Interpolación de Everett
Se aplica si 𝑝 ∈ 〈 0 , 1 〉
Su formula es:
𝑓𝑝 = 𝑓0 𝐸0 + 𝑓1 𝐹0 + 𝐸2 𝛿 2 𝑓0 + 𝐹2 𝛿 2 𝑓1 + 𝐸4 𝛿 4 𝑓0 + 𝐹4 𝛿 4 𝑓1 + …
Donde:
𝑝(𝑝−1)(2−𝑝) 𝑝(𝑝+1)(𝑝−1)(𝑝−2)(𝑝−3)
𝐸0 = 1 − 𝑝 ; 𝐸2 = ; 𝐸4 = ; …
3! 5!
(𝑝+2)(𝑝+1)𝑝(𝑝−1)(𝑝−2)
𝐹0 = 𝑝 ; 𝐹2 = 𝑝(𝑝 + 1)(𝑝 − 1) ; 𝐹4 = ; …
5!

*Tabla de Omisión de Términos (T.O.T):
Bessel o Stirling 4 60 20 500 100
Everett 4 no existe 20 no existe 100
Ejemplos resueltos:
En la siguiente tabla se tiene:
X f(x)=𝑥 3 + 𝑥 2 + x +1 𝛿 𝛿2 𝛿3
𝑥0 =0 1 0.111 0.026 0.006 0
0.1 1.111 0.137 0.032 0.006 0
0.2 1.248 0.169 0.038 0.006
0.3 1.417 0.207 0.044
0.4 1.624 0.251
0.5 1.875
Como:
𝛿 2 ; No cumple

𝛿 3 ; cumple con la T.O.T, según P se aplica Bessel, Stirling o Everett.
Entonces hallar: fp
a) Si 𝑥𝑝 = 0.224 ; 𝑓𝑝 =?
Solución a):
Se sabe que:
𝑥0 = 0.2
𝑥1 = 0.3
Entonces:
𝑥𝑝 − 𝑥0 0.224 − 0.2
𝑝= = = 0.24 ∈ 〈0,1 /2〉
ℎ 0.1
Como:
1
𝑝∈〈 0 , 〉 𝑦 | 𝛿 3 𝑓𝑖 | < 60
2
→ Se aplica Stirling y Everett porque 𝑝 ∈ 〈 0 , 1 〉
Para Stirling su 𝑓𝑝 es hasta su 2ºdiferencia, como 𝑝 ∈ 〈0,1〉 y |𝛿 4 𝑓𝑖 | < 20 se aplica Everett o

hasta su anterior pero como no existe la 3º diferencia; el 𝑓𝑝 de Everett es hasta la 2º diferencia.
*Solución según Stirling:
𝑓 p = 𝑓 0 + S1 (𝛿𝑓-1/2 + 𝛿𝑓1/2) + S2𝛿 2 𝑓0

𝑓p = 1.248 + 0.12 (0.137 + 0.169) + 0.0288*0.032
𝑓p = 1.2856416 valor aproximado
Con calculadora:
𝑓p = 1.285415424
*Solución según Everett:
𝑓𝑝 = 𝑓0 𝐸0 + 𝑓1 𝐹0 + 𝐸2 𝛿 2 𝑓0 + 𝐹2 𝛿 2 𝑓1
𝑓p = 0.76*1.248+0.24*1417-(0.053504*0.032)-(0.037606*0.038)
𝑓p = 1.285415424

13.3. INTERPOLACIÓN INVERSA.

Para ( n + 1 ) puntos igualmente espaciados de la forma ( 𝑥𝑖 , 𝑓(𝑥𝑖 ) ) con 𝑖 = 0, 1, 2, … , 𝑛
Interpolación Inversa consiste en dado la imagen 𝑓𝑝 , halla su respectivo valor de 𝑥𝑝 .

Se tiene los siguientes casos.
13.3.1. Interpolación Inversa No Lineal ( IINL )
Cuando | 𝛿 3 𝑓𝑖 | < 60 , su algoritmo es:
1
2
.10−𝑛
P-1 Hallar el error de p ( o sea 𝜀𝑝 ) donde 𝜀𝑝 =
𝛿𝑓1/2
Donde n es el numero de cifras decimales de 𝑓(𝑥)
P-2 Hallar la primera aproximación de p ( o sea 𝑝(1) )
(𝑓𝑝 − 𝑓0 )
Donde 𝑝(1) =
𝛿𝑓1/2
P-3 Hallar la primera aproximación de 𝛽2 ,
𝑝(1)[ 𝑝(1) − 1 ]
o sea de 𝛽2 (1) tal que 𝛽2 (1) =
4
P-4 Hallar la segunda aproximación de p ( o sea 𝑝(2) )
[ 𝛿 2 𝑓0 + 𝛿 2 𝑓1 ]
𝑝(2) = 𝑝(1) − 𝛽2 (1)
𝛿𝑓1/2
P-5 Hallar la segunda aproximación de 𝛽2 ( o sea 𝛽2 (2) )
[ 𝑝(2) − 1 ]
𝛽2 (2) = 𝑝(2)
4

Entonces se tiene que
𝑝(1) → 𝛽2 (1)
𝑝(2) → 𝛽2 (2)
𝑝( 𝑟 − 1) → 𝛽2 ( 𝑟 − 1)
𝑝( 𝑟) → 𝛽2 ( 𝑟)
P-6 Si 𝛽2 ( 𝑟) ≅ 𝛽2 ( 𝑟 − 1) se deja de iterar y el último 𝑝( 𝑟 ) obtenido es

el valor de p
P-7 Determinar el valor óptimo de p tal que 𝑝 ∈ [ 𝑝 − 𝜀𝑝 , 𝑝 + 𝜀𝑝 ]
P-8 Determinar el 𝑥𝑝 = 𝑥0 + 𝑝. ℎ
Ejemplo 13.3.1.1.
En la siguiente tabla si 𝑓𝑝 = 1.11 hallar 𝑥𝑝

1
2
.10−3
P-1 𝜀𝑝 = → 𝜀𝑝 = 0.00174216
𝛿𝑓1/2
(𝑓𝑝 − 𝑓0 ) 1.11−1.099
P-2 𝑝(1) = = → 𝑝(1) = 0.038327526
𝛿𝑓1/2 0.287
𝑝(1)[ 𝑝(1) − 1 ]
P-3 𝛽2 (1) = → 𝛽2 (1) = −0.00921463
4
[ 𝛿 2 𝑓0 + 𝛿 2 𝑓1 ]
P-4 𝑝(2) = 𝑝(1) − 𝛽2 (1)
𝛿𝑓1/2
→ 𝑝(2) = 0.036641248
[ 𝑝(2)−1 ]
P-5 𝛽2 (2) = 𝑝(2) → 𝛽2 (2) = −0.008824666
4
P-6 Si 𝛽2 ( 2) ≅ 𝛽2 ( 1) se deja de iterar y el último 𝑝( 2) obtenido es el valor

de p
P-7 Determinar el valor óptimo de p tal que 𝑝 ∈ [ 𝑝 − 𝜀𝑝 , 𝑝 + 𝜀𝑝 ]

𝑝 ∈ [ 0.036641248 − 0.00174216 , 0.036641248 + 0.00174216]
𝑝 ∈ [ 0.034899088 , 0.035383408 ]
P-8 𝑥𝑝 = 𝑥0 + 𝑝. ℎ = 3 + 0.03 ∗ 1 entonces 𝑥𝑝 = 3.03
13.3.2. Interpolación Inversa No Lineal de tercer orden
Cuando | 𝛿𝑓𝑖 | > 60 y | 𝛿 4 𝑓𝑖 | < 20, su algoritmo es:

1
2
.10−𝑛
P-1 Hallar el error de p ( o sea 𝜀𝑝 ) donde 𝜀𝑝 =
𝛿𝑓1/2
Donde n es el número de cifras decimales de 𝑓(𝑥)
P-2 Hallar la primera aproximación de p ( o sea 𝑝(1) )

(𝑓𝑝 − 𝑓0 )
Donde 𝑝(1) =
𝛿𝑓1/2
P-3 Hallar la primera aproximación de 𝐸2 y 𝐹2 , o sea de 𝐸2 (1) y 𝐹2 (1) tal que
𝑝(1)[ 𝑝(1) − 1 ][ 2 − 𝑝(1) ]

𝐸2 (1) =
3!
𝑝(1)[ 𝑝(1) − 1 ][ 𝑝(1) + 1 ]
𝐹2 (1) =
3!
𝛿 2 𝑓0 𝛿 2 𝑓1
𝑝(2) = 𝑝(1) − 𝐸2 (1) − 𝐹2 (1)
𝛿𝑓1 𝛿𝑓1/2
2
𝑝(2)[ 𝑝(2) − 1 ][ 2 − 𝑝(2) ]

𝐸2 (2) =
3!
𝑝(2)[ 𝑝(2) − 1 ][ 𝑝(2) + 1 ]
𝐹2 (2) =
3!
Entonces se tiene que
𝑝(1) → 𝐸2 (1) ^ 𝐹2 (1)

𝑝(2) → 𝐸2 (2) ^ 𝐹2 (2)
𝑝( 𝑟 − 1) → 𝐸2 ( 𝑟 − 1) ^ 𝐹2 ( 𝑟 − 1)
𝑝(𝑟) → 𝐸2 (𝑟) ^ 𝐹2 (𝑟)

P-6 Si 𝐸2 (𝑟) ≅ 𝐸2 (𝑟 − 1) ^ 𝐹2 (𝑟) ≅ 𝐹2 (𝑟 − 1) se deja de iterar

y el último 𝑝( 𝑟) obtenido es el valor de 𝑝̅
P-7 Determinar el valor óptimo de p tal que 𝑝 ∈ [ 𝑝

̅ − 𝜀𝑝 , 𝑝
̅ + 𝜀𝑝 ]
P-8 Determinar el 𝑥𝑝 = 𝑥0 + 𝑝. ℎ
Ejemplo 13.3.1.2.
En la siguiente tabla si 𝑓𝑝 = 9.1701 hallar 𝑥𝑝
1
2
.10−4
P-1 𝜀𝑝 = entonces 𝜀𝑝 = 7.110352673 ∗ 10−5
𝛿𝑓1/2
(𝑓𝑝 − 𝑓0 ) 9.1707−8.6859
P-2 𝑝(1) = = = 0.6885665529
𝛿𝑓1/2 0.7032
P-3
𝑝(1)[ 𝑝(1) − 1 ][ 2 − 𝑝(1) ]

𝐸2 (1) = = −0.04687121174
3!
𝑝(1)[ 𝑝(1) − 1 ][ 𝑝(1) + 1 ]
𝐹2 (1) = = −0.06035011583
3!

𝛿 2 𝑓0 𝛿 2 𝑓1
𝑝(2) = 𝑝(1) − 𝐸2 (1) − 𝐹2 (1) = 0.6993679716
𝛿𝑓1 𝛿𝑓1
2 2
𝑝(2)[ 𝑝(2) − 1 ][ 2 − 𝑝(2) ]

𝐸2 (2) = = −0.04557683683
3!
𝑝(2)[ 𝑝(2) − 1 ][ 𝑝(2) + 1 ]
𝐹2 (2) = − 0.05954936912
3!
P-6 𝐸2 (2) ≅ 𝐸2 (1) ^ 𝐹2 (2) ≅ 𝐹2 (1)

𝑝( 2) = 𝑝̅
P-7 𝑝 ∈ [ 0.6992968681 , 0.6994390751 ]
𝑝 = 0.699
P-8 Determinar el 𝑥𝑝 = 1.9699

INTERPOLACIÓN PARA EL CASO DE DATOS NO EQUIDISTANTES

POLINOMIO DE APROXIMACIÓN DE LAGRANGE
Sean ( X0 , f0 ) , ( X1 , f1 ), …, ( Xn , fn ) ( n+1 ) ptos
Entonces existe un polinomio de grado ≤ 𝑛 que para por dichos puntos
( X0 < X1 < X2 < ………………………. < Xn )
F(X) = a0(X-X1) (X-X2)…..(X-Xn)+a1(X-X0)(X-X2)….(X-Xn)+……+an(X-X0)(X-X1)(X-X2)...(X-Xn-1)
OBS: en el primer termino falta (X-X0), en el 2º termino (X-X1), y así sucesivamente en el

ultimo termino falta (X-Xn) esto es una cualidad de dicho polinomio.
Como f(x) debe contener a los puntos dados
Si X = X0 ; f(X0)= a0(X0 - X1) (X0 - X2)……..(X0 - Xn)
f(o)
a0=
(X0-X1)(X0-X2)(X0-X3)………(X0-Xn)
Si X = X1 ; f(X1)= a1(X1-X0) (X1-X2)……..(X1-Xn)
f(1)
a1=
(X1-X0)(X1-X2)(X1-X3)………(X1-Xn)
.
Si X = Xn ; f(Xn)= an(Xn-X0)(Xn-X1)(Xn-X2)……..(Xn-Xn-1)
f(n)
an=
(Xn-X1)(Xn-X2)(Xn-X3)………(Xn-Xn-1)
Remplazando los así en el polinomio P(X)

( X - 𝑋1 )(X - 𝑋2 )…(X - 𝑋𝑛 ) (𝑋 - 𝑋0 )(𝑋 - 𝑋2 )…(𝑋 - 𝑋n )

f(X)= 𝑓0 + 𝑓 +…+
( 𝑋0 - 𝑋1 )( 𝑋0 - 𝑋2 )…( 𝑋0 - 𝑋𝑛 ) ( 𝑋1 - 𝑋0 )( 𝑋1 - 𝑋2 )…(𝑋1 - 𝑋n ) 1
(X - 𝑋0 )(X - 𝑋1 )…(X - 𝑋n-1 )
𝑓
( 𝑋n - 𝑋0 )( 𝑋n - 𝑋1 )…( 𝑋n -𝑋n-1 ) 𝑛
L0(X) L1(X) L n(X)
F(X) = L0(X) 𝑓0 + L1(X) 𝑓1 + ……………. + Ln(X) 𝑓𝑛
Polinomio de Lagrange
Donde:
( X − 𝑋0 )…..( X − 𝑋𝑖−1 )( X − 𝑋i+1 )…( X−𝑋n )

𝐿𝑖 (X) =
( 𝑋𝑖 − 𝑋0 )…..( 𝑋𝑖 − 𝑋𝑖−1 )( 𝑋𝑖 − 𝑋𝑖+1 )…( 𝑋𝑖 − 𝑋𝑛 )
Función multiplicadora de Lagrange
TEOREMA.- Sean ( X0 , f0) , ( X1, f1 ) ,…, ( Xn , fn ) para los puntos ( n+1 ) y

además ( X0 < X1 < X2 <……< Xn )
Entonces existe un único polinomio de grado ≤ 𝑛 que pasa por dichos puntos.
DEMOSTRACIÓN
i). La existencia del polinomio está generalizada por el `polinomio de aproximación de

Lagrange.
ii). La unicidad: supongamos que existen dos polinomios P(X) y Q(X) de grado ≤ 𝑛 que
pasan por los puntos dados.
Probaremos que P(X) = Q(X) , ∀ x ∈ 〈 𝑋0 , 𝑋𝑛 〉
Consideremos
R(X) = P(X) - Q(X)
R(X) es de grado ≤ 𝑛 ( ya que el grado de P(X) y Q(X) es ≤ 𝑛 )

Además:
R(X0) = P(X0) - Q(X0) = f0 - f0 = 0
R(X1) = P(X1) - Q(X1) = f1 - f1 = 0
En general
R ( Xi ) = 0 ∀ i = 0, 1, 2, 3,……n
Entonces.
X0, X1, X2 ,…., Xn son las raíces de R(X)
R(X) tiene (n+1) raíces ( pero el grado de R(X) es menor o igual a n )
Entonces R(X) debe ser el polinomio nulo ( el único que tiene más raíces que su
grado)
R(X) = P(X) - Q(X) = 0
P(X) = Q(X) , ∀ x ∈ 〈 𝑋0 , 𝑋𝑛 〉
Ahora consideremos
X -1 0 2
Fx 2 1 5
El polinomio P(X) = X2 +1 pasa por estos puntos, también pasa por estos puntos el
polinomio Q(X) = X3 - 2X + 1
¿Contradice el teorema?
No contradice el teorema, ya que el teorema establece que son iguales para aquellos
que tengan grado ≤ 𝑛 = 2 , luego pueden muchos otros de grado >n que sean
diferentes al del grado grado ≤ 𝑛.
INTERPOLACION Y APROXIMACION DE LAGRANGE

Polinomio de Lagrange: Dado un conjunto de (n+1) puntos de la forma ( 𝑥𝑖 ,𝑓𝑖 ); i = 0, 1, 2,…, n.
Se puede aproximar a un polinomio de grado ≤ n.
Sea el siguiente polinomio 𝑃(𝑥) = 𝑓(𝑥) a determinar:

𝑃(𝑥) = 𝑎0 (𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) … (𝑥 − 𝑥𝑛 ) + 𝑎1 (𝑥 − 𝑥0 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) … (𝑥 − 𝑥𝑛 ) +

⋯ + 𝑎𝑛 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) … (𝑥 − 𝑥𝑛−1 ) .
Observación:
El polinomio 𝑃(𝑥) se caracteriza por:
En el 1º término falta el factor (𝑥 − 𝑥0 ), en el 2º término falta el factor (𝑥 − 𝑥1 ) , en el 3º termino falta

el factor (𝑥 − 𝑥2 ) y así sucesivamente, en el n-ésimo termino falta el factor (𝑥 − 𝑥𝑛 ) .
En el polinomio de Lagrange los puntos (𝑥𝑖 ,𝑓𝑖 ) no necesariamente son igualmente espaciados, es
decir h no es constante.
Para hallar el polinomio de Lagrange se debe hallar los 𝑎𝑖 ; i = 0,1,2, … , n; de la siguiente manera:
Si x=𝑥0
𝑃(𝑥0 ) = 𝑎0 (𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 ) … (𝑥0 − 𝑥𝑛 ) + 𝑎1 (𝑥0 − 𝑥0 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 ) … (𝑥0 − 𝑥𝑛 ) + ⋯

+ 𝑎𝑛 (𝑥0 − 𝑥0 )(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) … (𝑥0 − 𝑥𝑛−1 )
𝑓(𝑥0 ) = 𝑓0 = 𝑎0 (𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 ) … (𝑥0 − 𝑥𝑛 )
𝑓(𝑥0 )
𝑎0 =
𝑎0 (𝑥0 −𝑥1 )(𝑥0 −𝑥2 )(𝑥0 −𝑥3 )…(𝑥0 −𝑥𝑛 )
Si x = 𝑥1
𝑃(𝑥1 ) = 𝑎0 (𝑥1 − 𝑥1 )(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 ) … (𝑥1 − 𝑥𝑛 ) + 𝑎1 (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 ) … (𝑥1 − 𝑥𝑛 ) + ⋯

+ 𝑎𝑛 (𝑥1 − 𝑥0 )(𝑥1 − 𝑥1 )(𝑥1 − 𝑥2 ) … (𝑥1 − 𝑥𝑛−1 )
𝑓(𝑥1 ) = 𝑓1 = 𝑎0 (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 ) … (𝑥1 − 𝑥𝑛 )
𝑓(𝑥1 )
𝑎1 =
𝑎0 (𝑥1 −𝑥0 )(𝑥1 −𝑥2 )(𝑥1 −𝑥3 )…(𝑥1 −𝑥𝑛 )
Si x = xn
𝑃(𝑥𝑛 ) = 𝑎0 (𝑥𝑛 − 𝑥1 )(𝑥𝑛 − 𝑥2 )(𝑥𝑛 − 𝑥3 ) … (𝑥𝑛 − 𝑥𝑛 ) + 𝑎1 (𝑥𝑛 − 𝑥0 )(𝑥𝑛 − 𝑥2 )(𝑥𝑛 − 𝑥3 ) … (𝑥𝑛 − 𝑥𝑛 ) + ⋯

+ 𝑎𝑛 (𝑥𝑛 − 𝑥0 )(𝑥𝑛 − 𝑥1 )(𝑥𝑛 − 𝑥2 ) … (𝑥𝑛 − 𝑥𝑛−1 )
𝑓(𝑥𝑛 ) = 𝑓𝑛 = 𝑎0 (𝑥𝑛 − 𝑥0 )(𝑥𝑛 − 𝑥1 )(𝑥𝑛 − 𝑥2 ) … (𝑥𝑛 − 𝑥𝑛−1 )
𝑓(𝑥𝑛 )
𝑎𝑛 =
𝑎0 (𝑥𝑛 −𝑥0 )(𝑥𝑛 −𝑥1 )(𝑥𝑛 −𝑥2 )…(𝑥𝑛 −𝑥𝑛−1 )
Remplazando los coeficientes en 𝑃(𝑥), tenemos:
(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) … (𝑥 − 𝑥𝑛 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) … (𝑥 − 𝑥𝑛 )

𝑃(𝑥) = 𝑓0 + 𝑓 + …
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 ) … (𝑥0 − 𝑥𝑛 ) (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 ) … (𝑥1 − 𝑥𝑛 ) 1+
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) … (𝑥 − 𝑥𝑛−1 )
+ 𝑓
(𝑥𝑛 − 𝑥0 )(𝑥𝑛 − 𝑥1 )(𝑥𝑛 − 𝑥2 ) … (𝑥𝑛 − 𝑥𝑛−1 ) 𝑛
El polinomio de Lagrange, también se puede expresar como:
𝑃(𝑥) = ∑ 𝐿𝑖 (𝑥)𝑓𝑖 , 𝑖 = 0, 1, 2, 3, … , 𝑛
𝑃(𝑥) = 𝐿1 (𝑥)𝑓1 + 𝐿2 (𝑥)𝑓2 + ⋯ + 𝐿𝑛 (𝑥)𝑓𝑛
Ejemplo: 1
En la siguiente tabla:
a) Aproximar a un polinomio de Lagrange.
b) Si 𝑥𝑝 =1.1 Determinar 𝑓𝑝 por Lagrange.
Tenemos:
X 𝑓(𝑥)
𝑥0= 0 2
𝑥1= 1 1
𝑥2= 2 2
𝑥3= 4 10
𝑥4= 6 26
a) Solución:
El polinomio de Lagrange 𝑃(𝑥) = 𝐿𝑖 (𝑥)𝑓𝑖 , 𝑖 = 0, 1, 2, 3, … , 𝑛 , será:

(𝑥−𝑥1 )(𝑥−𝑥2 )(𝑥−𝑥3 )(𝑥−𝑥4 ) (𝑥−𝑥0 )(𝑥−𝑥2 )(𝑥−𝑥3 )(𝑥−𝑥4 ) (𝑥−𝑥0 )(𝑥−𝑥1 )(𝑥−𝑥2 )(𝑥−𝑥4 )
𝑃(𝑥) = ( 𝑓0 + 𝑓
(𝑥1 −𝑥0 )(𝑥1 −𝑥2 )(𝑥1 −𝑥3 )(𝑥1 −𝑥4 ) 1
+( 𝑓2 +
𝑥0 −𝑥1 )(𝑥0 −𝑥2 )(𝑥0 −𝑥3 )(𝑥0 −𝑥4 ) 𝑥2 −𝑥0 )(𝑥2 −𝑥1 )(𝑥2 −𝑥3 )(𝑥2 −𝑥4 )
(𝑥−𝑥0 )(𝑥−𝑥2 )(𝑥−𝑥3 )(𝑥−𝑥4 ) (𝑥−𝑥0 )(𝑥−𝑥1 )(𝑥−𝑥2 )(𝑥−𝑥3 )
𝑓
(𝑥3 −𝑥0 )(𝑥3−𝑥1 )(𝑥3 −𝑥2 )(𝑥3 −𝑥4 ) 3
+ (𝑥 −𝑥 )(𝑥 −𝑥 )(𝑥 −𝑥 )(𝑥 −𝑥 ) 4
𝑓
4 0 4 1 4 2 4 3
(𝑥−1)(𝑥−2)(𝑥−4)(𝑥−6) (𝑥−0)(𝑥−2)(𝑥−4)(𝑥−6) (𝑥−0)(𝑥−1)(𝑥−2)(𝑥−6)

𝑃(𝑥) = (0−1)(0−2)(0−4)(0−6)
∗ 2 + (1−0)(1−2)(1−4)(1−6) ∗ 1 + (2−0)(2−1)(2−4)(2−6) ∗ 2 +
(𝑥−0)(𝑥−2)(𝑥−4)(𝑥−6) (𝑥−0)(𝑥−1)(𝑥−2)(𝑥−4)
(4−0)(4−1)(4−2)(4−6)
∗ 10 + (6−0)(6−1)(6−2)(6−4) ∗ 26
Luego, resolviendo tenemos:
𝑃(𝑥) = 2𝑥 3 + 1
b) Solución:
Como: 𝑃(𝑥) = 2𝑥 3 + 1
→ 𝑃(𝑥) = 𝑓( 𝑥𝑝 = 1.1) = 2(1.1)3 + 1 = 3.662
→ 𝑓(1.1) = 2(1.1)3 + 1 = 3.662
→ 𝑓( 𝑥𝑝 ) = 3.662
Aprox. E interpolación de un polinomio de newton.
(𝑥 − 𝑥0 )(1) ∆𝑓0 (𝑥 − 𝑥0 )(2) ∆2 𝑓0 (𝑥 − 𝑥0 )(3) ∆3 𝑓0 (𝑥 − 𝑥0 )(𝑛) ∆𝑛 𝑓0

𝑃(𝑥) = 𝑓0 + + + + ⋯+
1! ℎ 2! ℎ2 3! ℎ3 𝑛! ℎ𝑛
Donde:
(𝑥 − 𝑥0 )(1) = (𝑥 − 𝑥0 )
(𝑥 − 𝑥0 )(2) = (𝑥 − 𝑥0 )(𝑥 − ℎ − 𝑥0 )
(𝑥 − 𝑥0 )(3) = (𝑥 − 𝑥0 )(𝑥 − ℎ − 𝑥0 )(𝑥 − 2ℎ − 𝑥0 )
(𝑥 − 𝑥0 )(4) = (𝑥 − 𝑥0 )(𝑥 − ℎ − 𝑥0 )(𝑥 − 2ℎ − 𝑥0 )(𝑥 − 3ℎ − 𝑥0 )
(𝑥 − 𝑥0 )(1) |ℎ=1 = (𝑥 − 1)(𝑥 − ℎ − 1) = (𝑥 − 1)(𝑥 − 1 − 1)(𝑥 − 2)
(𝑥 − 𝑥0 )(3) |ℎ=2 = (𝑥 − 3)(𝑥 − ℎ − 3)(𝑥 − 3 − 2ℎ) = (𝑥 − 1)(𝑥 − 3 − 2)(𝑥 − 3 − 4)

= (𝑥 − 3)(𝑥 − 5)(𝑥 − 7)

Ejemplo: 2
Aproximar la siguiente tabla a un polinomio de newton
x 𝑓(𝑥) ∆ ∆2 ∆3
1.1 1.04 =𝑓0
0.04
1.2 1.08=𝑓1 0.01
0.03 -0.02
1.3 1.11=𝑓2 -0.01
0.04
1.4 1.15=𝑓3
Donde: h = 1.4 - 1.3 = 0.1
(𝑥 − 1.1)(1) = (𝑥 − 1.1)
(𝑥 − 1.1)(2) = (𝑥 − 1.1)(𝑥 − 0.1 − 1.1) = 𝑥 2 − 2.3𝑥 + 1.32
(𝑥 − 1.1)(3) = (𝑥 − 1.1)(𝑥 − 0.1 − 1.1)(𝑥 − (2)(0.1) − 1.1) = 𝑥 3 − 3.6𝑥 2 + 2.99𝑥 − 1.716
(𝑥 − 1.1)0.04 (𝑥 2 − 2.3𝑥 + 1.32)(−0.01) (𝑥 3 − 3.6𝑥 2 + 2.99𝑥 − 1.716)(0.02)

𝑃(𝑥) = 1.04 − + +
(1)(1.1) (2)(1.1)2 (6)(1.1)3
𝑥3
𝑃(𝑥) = − 0.0165𝑥 2 − 0.0164𝑥 + 1.0684
330

14. INTEGRACIÓN NUMERICA
14.1. Para intervalos Simples
14.1.1. Método del trapecio
𝑋0 −𝑋1 𝑏−𝑎
ℎ= =
1 1
𝑏
ℎ
∫ 𝑓(𝑋)𝑑𝑥 = (𝑓 + 𝑓1 ) + ℇ
𝑎 2 0
ℎ3
ℇ=− 𝑓 ′′ , m є [X0, X1]
12 (𝑚)
′′ ′′ ′′
Donde 𝑓(𝑚) = max { |𝑓(𝑎) | , |𝑓(𝑏) |}
14.1.2. Método de Simpson de 1/3
𝑏−𝑎
ℎ= 2
𝑏
ℎ
∫ 𝑓𝑥 𝑑𝑥 = (𝑓 + 4𝑓1 + 𝑓2 ) + ℇ
𝑎 3 0
ℎ5
ℇ=− 𝑓 𝐼𝑉 , m є [X0, X1]
90 (𝑚)
𝐼𝑉 𝐼𝑉 𝐼𝑉
Donde 𝑓(𝑚) = max { |𝑓(𝑎) | , |𝑓(𝑏) |}

14.1.3. Método de Simpson de 3/8
𝑏−𝑎
ℎ=
3
𝑋3
3
∫ 𝑓(𝑥) 𝑑𝑥 = ℎ[𝑓0 + 3𝑓1 + 3𝑓2 + 𝑓3 ] + ℇ
𝑋0 8
3 5 𝐼𝑉
ℇ=− ℎ 𝑓(𝑚)
80
𝑑𝑜𝑛𝑑𝑒 𝑓(𝑚) = max { |𝑓(𝑎) | , |𝑓(𝑏) |}
Ejemplo:
2 ℎ
∫1 𝑋 sin 𝑋 𝑑𝑥 = ( 𝑓0 + 𝑓1 ) + ℇ
2
Por el trapecio Simple
Solución:
𝑏−𝑎 2−1
ℎ= = =1
1 1
X f(x)
X0=1 f0=0.841471
X0+h=X1=2 f1=1.818595
Obs: Los puntos Xi son dela forma Xi=X0+hi
Determinación del ℇ
Si 𝑓(𝑥) = 𝑋 sin 𝑋
′
𝑓(𝑥) = sin 𝑋 + 𝑋 cos 𝑋
′′
𝑓(𝑥) = 2 cos 𝑋 − 𝑋 sin 𝑋

′′ ′′ ′′
𝑓(𝑚) = max{ |𝑓(1) | , |𝑓(2) |}
′′
𝑓(𝑚) = max{ |0.23| , |2.65| }
ℎ3 ′′ 13
ℇ = − 12 𝑓(𝑚) = − 12 (2.65) = −0.220907377
Entonces
2 ℎ
∫1 𝑋 sin 𝑋 𝑑𝑥 = ( 𝑓0 + 𝑓1 ) + ℇ = 1.109125
2
Solución por el método Simpson de 1/3 para intervalo simple

Sol:
𝑏−𝑎 2−1 1
ℎ= = = = 0.5
2 2 2
X f(x)
X0=1 f0=0.841471
X0+h=1.5 f1=1.496242
X0+2h=2 f2=1.818595
Determinación del ℇ
′′
Si 𝑓(𝑥) = 2 cos 𝑋 − 𝑋 sin 𝑋
𝐼𝑉
𝑓(𝑥) = −4 cos 𝑋 + 𝑋 sin 𝑋
𝑓(𝑚) = max{ |𝑓(1) | , |𝑓(2) |}
𝐼𝑉
𝑓(𝑚) = max{ 3.4831 }
ℎ5 𝐼𝑉 0.55
ℇ=− 𝑓(𝑚) =− (3.4831) = −0.0012094
90 90
Entonces:
𝑏
ℎ
∫ 𝑓(𝑥) 𝑑𝑥 = (𝑓 + 4𝑓1 + 𝑓2 ) + ℇ = 1.442048
𝑎 3 0

Por Simpson 3/8 para intervalo Simple

Sol:
2
3
∫ 𝑋 sin 𝑋 𝑑𝑥 = ℎ(𝑓0 + 3𝑓1 + 3𝑓2 + 𝑓3 ) + ℇ
1 8
2−1 1
ℎ= = ℇ, es igual al ejemplo anterior
3 3
X f(X)
X0=1 f0=0.841471
X1=4/3 f1=1.295917
X2=5/3 f2=1.659013
X3=2 f3=1.818595
𝐼𝑉
𝑓(𝑚) = max{ 3.4831 }
3 𝐼𝑉 3
ℇ=− ℎ5 𝑓(𝑚) = − 0.335 (3.4831) = −0.0005117
80 80
2
3
∫ 𝑋 sin 𝑋 𝑑𝑥 = ℎ(𝑓0 + 3𝑓1 + 3𝑓2 + 𝑓3 ) + ℇ = 1.42568923
1 8

14.2. Integración Numérica para intervalos compuestos
14.2.1. Método del trapecio compuesto
𝑏−𝑎
ℎ=
𝑚
Demostración:
𝑋1 ℎ
∫𝑋 𝑓(𝑋)𝑑𝑥 = (𝑓0 + 𝑓1 ) + ℇ1
0 2
𝑋2
ℎ
∫ 𝑓(𝑋)𝑑𝑥 = (𝑓 + 𝑓2 ) + ℇ2
𝑋1 2 1
𝑋3 ℎ
∫𝑋 𝑓(𝑋)𝑑𝑥 = (𝑓2 + 𝑓3 ) + ℇ3
2 2
m veces h
…
…
𝑋𝑚
ℎ
∫ 𝑓(𝑋)𝑑𝑥 = (𝑓 + 𝑓𝑚 ) + ℇ𝑚
𝑋𝑚−1 2 𝑚−1
Entonces la suma todas las integrales seria:

𝑋𝑚
ℎ
∫ 𝑓(𝑋)𝑑𝑥 = [(𝑓 + 𝑓𝑚 ) + 2(𝑓1 + 𝑓2 … … + 𝑓𝑚−1 )] + ℇ
𝑋0 2 0
Determinación del ℇ del trapecio
(𝑏 − 𝑎)3 ′′
ℇ=− 𝑓
12𝑚2 (𝑚)
14.2.2. Método de Simpson de 1/3 compuesta.

𝑏−𝑎
ℎ=
2𝑚
Demostración:
𝑋2
ℎ
∫ 𝑓𝑥 𝑑𝑥 = (𝑓 + 4𝑓1 + 𝑓2 ) + ℇ1
𝑋0 3 0
𝑋4
ℎ
∫ 𝑓𝑥 𝑑𝑥 = (𝑓 + 4𝑓1 + 𝑓2 ) + ℇ2
𝑋2 3 0
𝑋6
ℎ
∫ 𝑓𝑥 𝑑𝑥 = (𝑓 + 4𝑓1 + 𝑓2 ) + ℇ3
𝑋4 3 0
𝑋𝑚
ℎ …
∫ 𝑓𝑥 𝑑𝑥 = (𝑓 + 4𝑓1 + 𝑓2 ) + ℇ𝑚
𝑋𝑚−2 3 0
Entonces la suma de todas las integrales seria:
𝑿𝒎
𝒉
∫ 𝒇(𝑿)𝒅𝒙 = [(𝒇𝟎 + 𝒇𝒎 ) + 𝟒(𝒇𝟏 + 𝒇𝟑 + 𝒇𝟓 + ⋯ + 𝒇𝒎−𝟏 ) + 𝟐(𝒇𝟐 + 𝒇𝟒 + ⋯ + 𝒇𝒎−𝟐 )] + ℇ
𝑿𝟎 𝟑
Determinación del ℇ de Simpson de 1/3 compuesta
ℎ5 𝐼𝑉
ℇ1 = − 𝑓
90 (𝑚)
ℎ5 𝐼𝑉
ℇ2 = − 𝑓(𝑚)
90
…
…
ℎ5 𝐼𝑉 (𝑏 − 𝑎)5 𝐼𝑉
ℇ𝑚 = − 𝑓(𝑚) = 𝑓
90 2880𝑚4 (𝑚)
Ejemplo:
2
∫ Xsin 𝑋 𝑑𝑥
1
Por trapecio compuesto con m=5

Sol:

𝑏−𝑎 2−1 1
ℎ= = = = 0.2
𝑚 5 5
X f(X)
X0=1 f0
X1=1.2 f1
X2=1.4 f2
X3=1.6 f3
X4=1.8 f4
Es igual al ejemplo
X5=2 f5 del trapecio simple
(𝑏−𝑎)3 ′′ (2−1)3 ′′
ℇ=− 𝑓(𝑚) =− 𝑓(𝑚)
12𝑚2 12∗52
2 ℎ
∫1 𝑓(𝑋)𝑑𝑥 = [(𝑓0 + 𝑓5 ) + 2(𝑓1 + 𝑓2 + 𝑓3 + 𝑓4 )] + ℇ = 1.436070589 + ℇ
2
Simpson de 1/3 compuesto con m=3
𝑏−𝑎 2−1 1
ℎ= = =
2𝑚 2∗3 6
X f(X)
X0=1 f0
X1=7/5 f1
X2=8/6 f2
X3=9/6 f3
X4=10/6 f4 Es igual al ejemplo
X5=11/6 f5 de Simpson de 1/3
X6=2 f6=fm
(𝑏 − 𝑎)5 𝐼𝑉 (2 − 1)5 𝐼𝑉
ℇ𝑚 = 𝑓 =− 𝑓
2880𝑚4 (𝑚) 2880 ∗ 34 (𝑚)
2 ℎ
∫1 𝑋 sin 𝑋 𝑑𝑥 = [(𝑓0 + 𝑓6 ) + 4(𝑓1 + 𝑓3 + 𝑓5 ) + 2(𝑓2 + 𝑓4 )] + ℇ = 2.493614005 + ℇ
3

14.2.3. Método de Simpson de 3/8 compuesta.
(𝒃 − 𝒂)
𝒉=
𝟑𝒎
𝑿𝒎
𝟑𝒉
∫ 𝒇(𝑿)𝒅𝒙 = [(𝒇𝟎 + 𝒇𝒎 ) + 𝟐(𝒇𝟑 + 𝒇𝟑 + 𝒇𝟔 + ⋯ + 𝒇𝒎−𝟑 ) + 𝟑(𝒇𝟏 + 𝒇𝟐 + 𝒇𝟒 + 𝒇𝟓 … + 𝒇𝒎−𝟐
𝑿𝟎 𝟖
+ 𝒇𝒎−𝟏 )] + ℇ
(𝑏 − 𝑎)5 𝐼𝑉 (𝑏 − 𝑎)5 𝐼𝑉
ℇ =− 𝑓 = 𝑓
6480. 𝑚4 (𝑚) 2880𝑚4 (𝛿)
Ejemplo:
𝜋
2 𝑆𝑒𝑛(𝑥)
∫ 𝑑𝑥
0 𝑥+1
Solución
𝜋
𝑆𝑒𝑛(𝑥) −0 𝜋 𝜋
2
Sea 𝑓(𝑥) = 𝑥+1
ℎ= 3∗3
= 18 Entonces ℎ = 18
𝑥𝑖+1 = 𝑥𝑖 + ℎ
𝑥 𝑓(𝑥)
𝑥0 = 0 𝑓0 = 0
𝜋 𝑓1 = 0.1478444
𝑥1 = 𝑥0 + ℎ =
18
𝜋 𝑓2 = 0.2535236
𝑥2 = 𝑥1 + ℎ =
9
𝜋 𝑓3 = 0.3281703
𝑥3 = 𝑥2 + ℎ =
6
2𝜋 𝑓4 = 0.3785264
𝑥4 = 𝑥3 + ℎ =
9
5𝜋 𝑓5 = 0.4090665
𝑥5 = 𝑥4 + ℎ =
18
𝜋 𝑓6 = 0.4230297
𝑥6 = 𝑥5 + ℎ =
3
7𝜋 𝑓7 = 0.4229553
𝑥7 = 𝑥6 + ℎ =
18
4𝜋 𝑓8 = 0.4109762
𝑥8 = 𝑥7 + ℎ =
9
𝜋 𝑓9 = 0.3889845
𝑥9 = 𝑥8 + ℎ =
2
Determinación de 𝜀

𝑆𝑒𝑛(𝑥)
𝑓(𝑥) =
𝑥+1
1 12 24 4 24
𝑓 𝐼𝑉 (𝑥) = ( − 3
+ 5
) 𝑆𝑒𝑛(𝑥) + ( 2
− ) 𝐶𝑜𝑠(𝑥)
𝑥 + 1 (𝑥 + 1) (𝑥 + 1) (𝑥 + 1) (𝑥 + 1)4
𝜋
𝑓 𝐼𝑉 ( 𝜇 ) = 𝑚𝑎𝑥 { |𝑓 𝐼𝑉 ( 0 )| , |𝑓 𝐼𝑉 ( )| }
2
𝑓 𝐼𝑉 ( 𝜇 ) = 𝑚𝑎𝑥{ 20 , 0.1035639 }
𝜋 5 𝜋 5
(2−0) (2)
𝜀=− 𝑓 𝐼𝑉 ( 𝜇 ) = − (20) = −0.00036439
6480 ∗ 𝑚4 6480 ∗ 34
Entonces
𝜋
2 𝑆𝑒𝑛(𝑥) ℎ
∫ 𝑑𝑥 = ( ( 𝑓0 + 𝑓9 ) + 2. ( 𝑓3 + 𝑓6 ) + 3. (𝑓1 + 𝑓2 + 𝑓4 + 𝑓5 + 𝑓7 + 𝑓8 ) ) + 𝜀
0 𝑥+1 3
𝜋
∫ 𝑑𝑥 = 0.52062043
0 𝑥+1

15. EXTRAPOLACION DE RICHARDSON- (E.R)

Definición ER: Consiste en que a partir de dos estimación (o aproximaciones) de una integral, obtener
una tercera aproximación (muchas veces la mejor).
Se tiene los siguientes casos:
Para intervalos simples:
ER entre la Regla del trapecio y la 1º formula abierta (Integración abierta) “ambas de precisión uno”
porque 𝑓 ′′ (ç) = 0 → 𝐸 = 0
𝑏
Sea 𝐼 ∗ = ∫𝑎 𝑓(𝑥)𝑑𝑥 por dos métodos anteriores se tiene:
Regla Trapecio (RT):
I ∗ = I1 + E1 𝑑𝑜𝑛𝑑𝑒:
−ℎ3 𝑖𝑖 −(𝑏 − 𝑎)3 𝑖𝑖

𝐸1 = 𝑓 (ç1), ç1 ∊ (𝑥0 , 𝑥1 ) ó 𝐸1 = 𝑓 (ç1), ç1 ∊ (𝑎, 𝑏)
12 12
1º Regla Abierta de Newton – Cotes:

I ∗ = I2 + E2 𝑑𝑜𝑛𝑑𝑒:
−ℎ3 𝑖𝑖 𝑏 − 𝑎 3 𝑓 𝑖𝑖
𝐸2 = 𝑓 (ç2), ç2 ∊ (𝑥0 , 𝑥2 ) ó 𝐸1 = − ( ) (ç2), ç2 ∊ (𝑎, 𝑏)
3 2 3
El valor de la integral I* (generalmente es el mejor).
Que se cumple:
I ∗ = I1 + E1 = I2 + E2 … … … . (1)
Tomando el cociente de errores
(𝑏 − 𝑎)3 𝑖𝑖
𝐸1 − 𝑓 (ç1)
= 12 ç1 , ç2 ∊ (𝑎, 𝑏)
𝐸2 (𝑏 − 𝑎)3 𝑖𝑖
(ç2)
24 𝑓
Supongamos que:
E1 24
f ii (ç1) = f ii (ç2) → = → E1 = −2E2 … … … . (2)
E2 12

(2) en (1)
I1 + E1 = I2 + E2
I1 − 2E2 = I2 + E2
I1 − I2 = E2 + 2E2
1
I1 − I2 = 3E2 → 3E2 = (I1 − I2 )
3
(3) en (1)
I ∗ = I 2 + E2
1 1 1
I ∗ = I2 + 3 (I1 − I2 ) = I2 + 3 I1 − 3 I2
1 1
I ∗ = 3 I2 + 3 I2 ó 1 2 … … … … … . (4)
I ∗ = I1 + I2
3 3
b−a
E.R. entre la R. trapecio Simple y la primera formula abierta h = 2
𝟏 𝟐 FORMULA EXTRAPOLACION -(ER) ENTRE TRAPECIO SIMPLE

∗
𝑰 = 𝑰𝟏 + 𝑰𝟐 Y 1RA FORMULA ABIERTA.
𝟑 𝟑
Ejemplo:
𝜋
∫ 𝑑𝑥
0 𝑥+1
Solución
1 2
𝐼∗ = 𝐼1 + 𝐼2
3 3
𝜋 𝑆𝑒𝑛(𝑥)
Sea 𝑎=0 , 𝑏= 2
, 𝑓(𝑥) =
𝑥+1
Calculando 𝑰𝟏
ℎ
𝐼1 = ( 𝑓0 + 𝑓1 ) con ℎ =𝑏−𝑎
2
𝜋 𝜋 𝜋
ℎ = −0 = entonces ℎ=
2 2 2

𝑥 𝑥0 = 𝑎 = 0 𝜋
𝑥1 = 𝑥0 + ℎ =
2
𝑓(𝑥) 𝑓0 = 0 𝑓1 = 0.3889845
𝜋
ℎ 2 ( 0 + 0.3889845 ) = 0.30550771
𝐼1 = ( 𝑓0 + 𝑓1 ) =
2 2
Entonces 𝐼1 = 0.30550771
Calculando 𝑰𝟐
𝜋
𝑏−𝑎 −0 𝜋 𝜋
2
𝐼2 = 2. ℎ. 𝑓1 con ℎ= 2
ℎ= 2
= 4
entonces ℎ= 4
𝑥 𝑥0 = 𝑎 = 0 𝜋 𝜋
𝑥1 = 𝑥1 + ℎ = 𝑥2 = 𝑥1 + ℎ =
4 2
𝑓(𝑥) 𝑓0 𝑓1 = 0.3960499 𝑓2 = 0.3889845
𝜋
𝐼2 = 2. ℎ. 𝑓1 = 2. ( ) . 0.3960499 = 0.62211373
4
Entonces 𝐼2 = 0.62211373
1 2 1 2
Luego 𝐼∗ = 𝐼 + 𝐼 = ∗ 0.30550771 + 3 ∗ 0.62211373 = 0.51657839
3 1 3 2 3
Entonces 𝐼 ∗ = 0.51657839
𝜋
∫ 𝑑𝑥 ≈ 0.51657839
0 𝑥+1
Ejemplo:
3 20
Calcular ∫1 (x 3 − 2x 2 + 7x − 5)dx = 3
→ F(x) = x 3 − 2x 2 + 7x − 5
1 2
Aplicando: 4 es decir: 𝐼 ∗ = 3 𝐼1 + 3 𝐼2
xi = x0 + 1h
i=1 x1 = x0 + 1h = 1 + 1(1) = 2
i=2 x2 = x0 + 2h = 1 + 2(1) = 3

h 2
I ∗ = I1 + E1 = (f0 + f1 ) + E1 = (1 + 25) = 26 = I1
2 2
h = b−a = 3−1 = 2 X 𝑓(𝑥)
𝑋0 = 1 1 = 𝑓0
𝑋1 = 3 25 = 𝑓1
I = I2 + E2 = 2hf1
h=
b−a
=
3−1
=1 f(X)
2 2
f1
I = 2(1)(9)
I2 = 18
Aplicando (4)
x0 x1 x2
∗
1 2
I = I1 + I2
3 3
1 2 62 2
I ∗ = 3 (26) + 3 (18) = 3
= 20 3
X 𝑓(𝑥)
𝑋0 = 1 1 = 𝑓0
𝑋1 = 2 9 = 𝑓1
𝑋2 = 3 25 = 𝑓2
E.R. ENTRE LAS FORMULAS DE SIMPSON DE 1/3 Y 3/8 SIMPLE
Se sabe que para Simpson de 1/3 para intervalo simple es:

x2
ℎ ℎ5
I ∗ = I1 + E1 = ∫ f(x)dx = (𝑓0 + 4𝑓1 + 𝑓2 ) − 𝑓 𝐼𝑉 (£1), £1 ∊ (𝑥0 , 𝑥2 )
x0 3 90
b − a 5 1 IV (b − a)5 IV
→ E1 = − ( ) f (£1), £1 ∊ (a, b) → E1 = − f (£1)
2 90 2880

Y que para Simpson de 3/8 es:

x3
3ℎ 3ℎ5 𝐼𝑉
I ∗ = I2 + E2 = ∫ f(x)dx = (𝑓0 + 3𝑓1 + 3𝑓2 + 𝑓3 ) − 𝑓 (£2), £2 ∊ (𝑥0 , 𝑥3 )
x0 8 80
3 b − a 5 1 IV (b − a)5 IV
→ E2 = − ( ) f (£2) =− f (£2), £2 ∊ (𝑎, 𝑏)
80 3 90 6480
∴ 𝑰∗ = 𝑰𝟏 + 𝑬𝟏 = 𝑰𝟐 + 𝑬𝟐 … … (𝟏)`
Sea el siguiente cociente de errores:
(𝑏 − 𝑎)5 𝐼𝑉
𝐸1 − 2880 𝑓 (£1)
= , £1 ≠ £2 𝑦 £1 ^ £2 ∊ (𝑎, 𝑏)
𝐸2 (𝑏 − 𝑎)5 𝐼𝑉
− 6480 𝑓 (£2)
𝐸1 6480 9
Si 𝑓 𝐼𝑉 (£1) = 𝑓 𝐼𝑉 (£2) → 𝐸2
= 2880 → 𝐸1 = 4 𝐸2 … . . (2)`
9 9
(2)’ en (1)’: 𝐼1 + 4 𝐸2 = 𝐼2 + 𝐸2 → 𝐼2 − 𝐼1 = 4 𝐸2 − 𝐸2
5 4
→ 𝐸2 = 𝐼2 − 𝐼1 → 𝐸2 = (𝐼2 −𝐼1 ) … … (3)`
4 5
(3)’ en (1)’:
4
I ∗ = I2 + E2 = I2 + 5 (I2 −I1 )
Formula De Extrapolación entre

𝟗 𝟒 Simpson de 1/3 y Simpson de 3/8
𝐈 ∗ = 𝐈𝟐 − 𝐈𝟏
𝟓 𝟓 … (4)` para Intervalo Simple
Ejemplo:
9 4
Aplicando la fórmula I ∗ = 5 I2 − 5 I1 para hallar:
0.8
∫ (0.2 + 25x − 200x 2 + 675x 3 − 900x 4 + 400x 5 )dx
0
Solución:

0.8 − 10
𝑃𝑎𝑟𝑎 𝐼1 : ℎ = = 0.4
2
𝑋𝑖 = 𝑋0 + 𝑖ℎ
𝑋1 = 𝑋0 + 𝑖(0.4)
F(x) = 0.2 + 25x − 200x 2 + 675x 3 − 900x 4 + 400x 5

x ℎ
X 𝑓(𝑥)
I1 = ∫x 2 f(x)dx = 3 (𝑓0 + 4𝑓1 + 𝑓2 ) 𝑋0 0.2 𝑓0
0
X0+1h = 𝑋1 0.4 2.456 𝑓1
0.4
I1 = (0.2 + 4 ∗ (2.456) + 0.232) 𝑋2 0.8 0.232 𝑓2
3
I1 = 1.36746667
X 𝑓(𝑥)
𝑋𝑖 = 𝑋0 + 𝑖ℎ 𝑋0 0 0.2 𝑓0
𝑋1 0.2667 1.43272438 𝑓1
𝑋1 = 𝑋0 + 𝑖(0.4)
𝑋2 05333 3.48717696 𝑓2
𝑋3 0.8 0.232 𝑓3
x 3ℎ
I2 = ∫x 3 f(x)dx = 8
(𝑓0 + 3𝑓1 + 3𝑓2 + 𝑓3 )
0
0.8−0 0.8
ℎ= 3
= 3
= 0.2667
x3
3
I2 = ∫ f(x)dx = 0.2667(0.2 + 3(1.43272428) + 3(3.48717696) + 0.232)
x0 8
9 4
𝐼 ∗ = 5 𝐼2 − 5 𝐼1
𝐼2 = 1.51917037 → {𝐼 ∗ = 9 (1.51917037) − 4 (1.36746667)}
5 5
𝐼 ∗ = 164053333

(E.R) PARA EL TRAPECIO COMPUESTO
Sea:
𝐼 ∗ = 𝐼𝑛1 + 𝐸𝑛1 = 𝐼𝑛2 + 𝐸𝑛2 … … . (1)′′
Para 𝑛1 aplicaciones de la Regla Del Trapecio Compuesto, análogamente: 𝐼 ∗ = 𝐼𝑛2 + 𝐸𝑛2
Para 𝑛2 aplicaciones de la Regla Del Trapecio Compuesto tomando el cociente de errores:
(𝑏 − 𝑎)3 𝐼𝑉
𝑓 (£1)
−
𝐸1 12𝑛22
= ; 𝑃𝑎𝑟𝑎 £1 ≠ £2 𝑦 £1 ^ £2 ∊ (𝑎, 𝑏)
𝐸2 (𝑏 − 𝑎)3 𝐼𝑉
− 𝑓 (£2)
12𝑛12
Si:
𝐸𝑛2 𝑛1 2 𝑛1 2
𝑓 𝐼𝑉 (£2) = 𝑓 𝐼𝑉 (£1) → = ( ) → 𝐸𝑛2 = ( ) 𝐸𝑛1 … … . (2)′′
𝐸𝑛1 𝑛2 𝑛2
(2)” en (1)”:
𝑛 2
𝐼𝑛1 + 𝐸𝑛1 = 𝐼𝑛2 + (𝑛1 ) 𝐸𝑛1
2
𝑛 2
𝐼𝑛2 − 𝐼𝑛1 = 𝐸𝑛1 − ( 1 ) 𝐸𝑛1
𝑛2
𝑛 2
𝐸𝑛1 [1 − (𝑛1 ) ] = 𝐼𝑛2 − 𝐼𝑛1
2
𝐼𝑛2 −𝐼𝑛1
𝐸𝑛1 = 𝑛 2
… … . (3)′′
1−( 1 )
𝑛2
(3)” en (1)”:
Para 𝑛2 = 2𝑛, en (3)”. Se tiene:

𝐼𝑛2 −𝐼𝑛1 𝐼𝑛2 −𝐼𝑛1
𝐸𝑛1 = 𝑛 2 → 𝐸𝑛1 = 3⁄
1−( 1 ) 4
2𝑛1
4
𝐸𝑛1 = 𝐼𝑛2 − 𝐼𝑛1 … … . (4)′′
3
(4)” en (1)”
4 4 1
𝐼 ∗ = 𝐼𝑛1 + 𝐸𝑛1 = 𝐼𝑛1 + 3 (𝐼𝑛2 − 𝐼𝑛1 ) = 3 𝐼𝑛2 − 3 𝐼𝑛1

𝟒 𝟏 Extrapolación de Richardson (E.R.)

𝐈∗ = 𝐈𝐧𝟐 − 𝐈𝐧𝟏
𝟑 𝟑 para el Trapecio Compuesto para n1 y
n2.
Ejemplo 1:
3
Calcular ∫1 (𝑥 3 − 2𝑥 2 + 7𝑥 − 5)𝑑𝑥 usando “1º dos aplicaciones” (𝑛1 = 2) y despues “cuatro
aplicaciones” (𝑛2 = 4) de la regla del Trapecio compuesto y despues aplicar E.R. para encontrar una
3º aproximacion (que es la mejor).
Solución:
ℎ
𝐼𝑛 = 2 [𝑓0 + 𝑓𝑛 + 2(𝑓1 + 𝑓2 + 𝑓3 + ⋯ + 𝑓𝑛−1 ] + (𝐸)
Se tiene:
𝑛1 = 2 y 𝑛2 = 4
Para:
ℎ
𝐼𝑛 = 2 (𝑓0 + 𝑓𝑛 + 2 ∑𝑛−1
𝑖=1 𝑓𝑖 )
Como
𝑏−𝑎 3−1
𝑛1 = 2 → ℎ= 𝑛1
= 2
=1
1
X 𝑓(𝑥) 𝐼𝑛1 = 2 (1 + 25 + 2(9))
1 1 𝑓0 44
2 9 𝑓1 𝐼𝑛1 = = 22
2
3 2.5 𝑓2
Para:
ℎ
𝐼𝑛 = 2 (𝑓0 + 𝑓𝑛 + 2 ∑𝑛−1
𝑖=1 𝑓𝑖 )
Como
𝑏−𝑎 3−1
𝑛2 = 4 → ℎ= 𝑛2
= 4
= 0.5

X 𝑓(𝑥)
1 1 𝑓0 xi = x0 + ih
1.5 4 𝑓1
2 9 𝑓2 x1 = 1 + 1(0.5)
2.5 15 𝑓3
3 25 𝑓4
x1 = x0 + 1h
0.5 3 5
𝐼𝑛2 = (1 + 25 + 2(4 8 + 9 + 15 8))
2
35 125
𝐼𝑛2 = 0.25 (26 + 2( 8 + ))
8
𝐼𝑛2 = 21
Aplicando:
𝟒 𝟏
𝐈 ∗ = 𝟑 𝐈𝐧𝟐 − 𝟑 𝐈𝐧𝟏
𝟒 𝟏 𝟔𝟐
𝐈 ∗ = 𝟑 (𝟐𝟏) − 𝟑 (𝟐𝟐) = 𝟑
𝟐
𝐈 ∗ = 𝟐𝟎 𝟑
Ejemplo 2:
31
Evaluar ∫1 𝑥 𝑑𝑥 igual a la pregunta anterior.
Solución:
Para:
𝑏−𝑎 3−1
𝑛1 = 2 → ℎ= 𝑛1
= 2
=1
X 𝑓(𝑥) ℎ
𝐼𝑛1 = ∫ 𝑓(𝑥)𝑑𝑥 = (𝑓0 + 𝑓𝑛 + ∑𝑛−1
2 𝑖=1 𝑓𝑖 )
1 1 𝑓0
2 1/2 𝑓1 1 1 1
= (1 + + 2 ( ))
2 3 2
3 1/3 𝑓2
7
𝐼𝑛1 = 6 = 1.166666667

Para:
𝑏−𝑎 3−1
𝑛2 = 4 → ℎ= 𝑛2
= 4
= 0.5
X 𝑓(𝑥)
ℎ
1 1 𝑓0 𝐼𝑛2 = ∫ 𝑓(𝑥)𝑑𝑥 = (𝑓0 + 𝑓𝑛 + ∑𝑛−1
𝑖=1 𝑓𝑖 )
2
1.5 2/3 𝑓1
2 1/2 𝑓2 =
0.5
(1 +
1 1 1
+ 2 ( + + ))
2
2 3 3 2 5
2.5 2.5 𝑓3
3 1/3 𝑓4 67
𝐼𝑛2 = = 1.116666667
66
𝟒 𝟏 𝟒 𝟔𝟕 𝟏 𝟕 𝟔𝟕 𝟕
𝐈 ∗ = 𝟑 𝐈𝐧𝟐 − 𝟑 𝐈𝐧𝟏 = 𝟑 (𝟔𝟎) − 𝟑 (𝟔) = 𝟒𝟓 − 𝟏𝟖
𝐈 ∗ = 𝟏. 𝟏𝟎𝟎𝟎𝟎𝟎𝟎𝟎𝟏
E.R. PARA LAS REGLAS DE SIMPSON DE 1/3 COMPUESTO
Sea
𝐼 ∗ = 𝐼𝑛1 + 𝐸𝑛1 = 𝐼𝑛2 + 𝐸𝑛2 … … . (1)𝐼𝑉

ℎ
𝐼𝑛 = [𝑓 + 𝑓𝑛 + 4(𝑓1 + 𝑓3 + 𝑓5 + ⋯ + 𝑓𝑛−1 ) + 2(𝑓2 + 𝑓4 + ⋯ + 𝑓𝑛−2 ] + 𝐸
3 0
Donde 𝐼𝑛1 ^ 𝐼𝑛2 son aproximaciones de 𝐼 ∗ .
Aplicando 𝑛1 ^ 𝑛2 aplicaciones de la R. de Simpson de 1/3 compuesto y su cociente de errores,

donde:
(𝑏 − 𝑎) 5 𝐼𝑉
− 𝑓 (£2)
𝐸𝑛2 2880𝑛24
= ; 𝑃𝑎𝑟𝑎 £1 ≠ £2 𝑦 £1 £2 ∊ (𝑎, 𝑏) … … (2)𝐼𝑉
𝐸𝑛1 (𝑏 − 𝑎)5 𝐼𝑉
− 𝑓 (£1)
2880𝑛14
𝐸𝑛2 𝑛 4 𝑛 4
Si 𝑓 𝐼𝑉 (£1) = 𝑓 𝐼𝑉 (£2) → = ( 1) → 𝐸𝑛2 = ( 1 ) 𝐸𝑛1 … … (2)𝐼𝑉
𝐸𝑛1 𝑛2 𝑛2
(2)𝑖𝑣 𝑒𝑛 (1)𝑖𝑣 ∶
𝑛 4
𝐼𝑛1 + 𝐸𝑛1 = 𝐼𝑛2 + (𝑛1 ) 𝐸𝑛1
2

𝑛 4 𝐼𝑛2 −𝐼𝑛1
→ 𝐼𝑛2 − 𝐼𝑛1 = 𝐸𝑛1 − ( 1 ) 𝐸𝑛1 → 𝐸𝑛1 = 𝑛 4
… … (3)𝑖𝑣
𝑛2 1−( 1 )
𝑛2
Para: 𝑛2 = 2𝑛1
𝐼𝑛2 −𝐼𝑛1 𝐼𝑛2 −𝐼𝑛1
en (3)𝑖𝑣 → 𝐸𝑛1 = 𝑛 4
→ 𝐸𝑛1 = 15
1−( 1 ) 16
𝑛2
16
→ 𝐸𝑛1 = 15 (𝐼𝑛2 − 𝐼𝑛1 ) … … . (4)𝑖𝑣
(4)𝑖𝑣 𝑒𝑛 (1)𝑖𝑣 ∶
16
𝐼 ∗ = 𝐼𝑛1 + 𝐸𝑛1 = 𝐼𝑛1 + 15 (𝐼𝑛2 − 𝐼𝑛1 )
Extrapolación de Richardson (E.R.) 𝟒 𝟏

entre las reglas de Simpson de 1/3 𝐈∗ = 𝐈𝐧𝟐 − 𝐈𝐧𝟏
𝟑 𝟑 … … (5)𝑖𝑣
compuesto para 𝒏𝟏 y 𝒏𝟐
aplicaciones.
Ejemplo (1):
2
∫1 sin 𝑋 𝑑𝑥 𝑝𝑜𝑟 𝑓𝑜𝑟𝑚𝑢𝑙𝑎 𝐸. 𝑅.
Para 𝐼1 :
ℎ =2−1=1
X f(X)
X0=1 f0
X1=2 f1
ℎ 1
𝐼1 = 2 (𝑓0 + 𝑓1 ) = 2 (0.8414709 + 0.9092974) = 0.8753841
Para 𝐼2 :
𝑏−𝑎 2−1
ℎ= = = 0.5
2 2
X f(X)
X0=1 f0
X1=1.5 f1
X2=2 f2

𝐼2 = 2ℎ𝑓1 = 2(0.5)(0.99749498) = 0.99749498
Entonces:
1 2 1 2
𝐼 ∗ = 3 𝐼1 + 3 𝐼2 = 0.8753841 + 3 0.99749498 = 0.95679135
3
𝐼 ∗ = 0.95679135

16. INTEGRACION DE ROMBERG

Es un método que combina la convergencia de las reglas del Trapecio o Simpson con las técnicas de
extrapolación de Richardson para retener una sucesión que converge hacia el verdadero valor de la
integral.
Descripción de la técnica de integración de Romberg
𝑏
Vamos a introducir la 𝑅𝐾 , la aproximacion de la integral 𝐼 = ∫𝑎 𝑓(𝑥)𝑑𝑥 utilizando la regla del
𝑏−𝑎 𝑏−𝑎
Trapecio Compuesto para 𝑛𝐾 = 2𝑘−1 y ℎ𝐾 = = .
𝑛𝑘 2𝑘−2
𝑏−𝑎 𝑏−𝑎
Para: 𝑛𝐾 = 2𝑘−1 y ℎ𝐾 = = ; se sugiere la siguiente tabla:
𝑛𝑘 2𝑘−2
𝑲 1 2 3 4 … n
𝑲−𝟏 1 2 4 8
𝒏𝑲 = 𝟐
𝒃−𝒂 𝑏−𝑎 𝑏−𝑎 𝑏−𝑎 𝑏−𝑎
𝒉𝑲 =
𝒏𝒌 1 2 4 8
La integración de Romberg da su respuesta en forma matricial:
𝑅11
𝑅21 𝑅22
𝑅31 𝑅32 𝑅33
𝑅41 𝑅42 𝑅43 𝑅44
𝑅51 𝑅52 𝑅53 𝑅54 𝑅55

. . . . .
. . . . .
. . . . .
𝑅𝑛1 𝑅𝑛2 𝑅𝑛3 𝑅𝑛4 𝑅𝑛5 . . . 𝑅𝑛𝑛
Se sugiere hallar 𝑅11 con la siguiente formula.
(𝑘−1)−1
ℎ𝐾 2
𝑅1𝐾 = ቈ𝑓(𝑎) + 𝑓(𝑏) + 2 ∑ 𝑓(𝑎 + 𝑖ℎ𝐾 )቉
2 𝑖=1
Nos generamos las siguientes sucesiones 𝑅11 , 𝑅21 , 𝑅31 , … 𝑅𝐾1

𝑥1
ℎ1
𝑘=1 ∫ 𝑓(𝑥)𝑑𝑥 = 𝑅11 = (𝑓(𝑎) − 𝑓(𝑏))
𝑥0 2
Obs: Para las demás filas y columnas se sugiere hallar con la siguiente formula
2 𝐾−2
1 1
𝑅𝐾1 = ቈ𝑅(𝐾−1),1 + ℎ𝐾−1 ∑ 𝑓(𝑎 + (𝑖 − )ℎ𝐾−1 )቉
2 𝑖=1 2
De la segunda columna hacia adelante se calculara con la siguiente fórmula:
4𝑗−1 𝑅𝑖,𝑗−1 − 𝑅𝑖−1,𝑗−1 i = 2, 3, 4,…n

𝑅𝑖𝑗 = j = 2, 3, 4,…n
4𝑗−1 − 1
Para la segunda columna se utilizara:
4𝑅𝑘1 − 𝑅𝑘−1,1
𝑅𝑘2 = k = 2,3,…
3
Para la tercera columna k=3 será:

16𝑅𝑘2 − 𝑅𝑘−1,2 k = 3,4,…
𝑅𝑘3 =
15
Para la cuarta columna k=4 será:
64𝑅𝑘3 − 𝑅𝑘−1,3 k = 4,5,…

𝑅𝑘4 =
63
Para la quinta columna k=5 será:
256𝑅𝑘4 − 𝑅𝑘−1,4
𝑅𝑘5 = k = 5,6,…
255
Para la sexta columna k=6 será:
1024𝑅𝑘5 − 𝑅𝑘−1,5
𝑅𝑘6 = k = 6,7,…
1023

Ejercicio 1
𝟎.𝟖
Hallar ∫𝟎 𝒙𝒆𝒙 𝒅𝒙 ; con n=6 por Romberg
Solución:
Tenemos de datos:
a=0
b=0.8
n=6
𝑓(𝑥) = 𝑥𝑒 𝑥
Realizando la tabla
𝑲 1 2 3 4 5 6
𝒏𝑲 = 𝟐𝑲−𝟏 1 2 4 8 16 32
𝒃−𝒂
𝒉𝑲 = 0.8 0.4 0.2 0.1 0.05 0.025
𝒏𝒌
Hallamos la primera fila y columna
2 𝑘−1
ℎ𝐾
𝑅1𝐾 = ቈ𝑓(𝑎) + 𝑓(𝑏) + 2 ∑ 𝑓(𝑎 + 𝑖ℎ𝐾 )቉
2 𝑖=1
Cuando K = 1
ℎ1 1−1
𝑅11 = [𝑓(0) + 𝑓(0.8) + 2 ∑2𝑖=1 𝑓(𝑎 + 𝑖ℎ1 )]
2
ℎ1
𝑅11 = [𝑓(0) + 𝑓(0.8)]
2
𝑓(𝑥) = 𝑥𝑒 𝑥
𝑓(0) = 0𝑒 0 = 0
𝑓(0.8) = 0.8𝑒 0.8 = 1.780432743

0.8
𝑅11 = [0 + 1.780432743] = 0.7121730971
2
𝑅11 = 0.7121730971
Calculando la primera columna y demás filas.

2 𝐾−2
1 1
𝑅𝐾1 = ቈ𝑅(𝐾−1),1 + ℎ𝐾−1 ∑ 𝑓(𝑎 + (𝑖 − )ℎ𝐾−1 )቉
2 𝑖=1 2
Cuando K = 2
1 2−2 1
𝑅21 = [𝑅(2−1),1 + ℎ2−1 ∑2𝑖=1 𝑓(𝑎 + (𝑖 − 2)ℎ2−1 )] = 0.594777
2
Cuando K = 3
1 3−2 1
𝑅31 = [𝑅(3−1),1 + ℎ3−1 ∑2𝑖=1 𝑓(𝑎 + (𝑖 − 2)ℎ3−1 )] = 0.564899
2
Cuando K = 4
1 4−2 1
𝑅41 = [𝑅(4−1),1 + ℎ4−1 ∑2𝑖=1 𝑓(𝑎 + (𝑖 − 2)ℎ4−1 )] = 0.557395
2
Cuando K = 5
1 5−2 1
𝑅51 = [𝑅(5−1),1 + ℎ5−1 ∑2𝑖=1 𝑓(𝑎 + (𝑖 − 2)ℎ5−1 )] = 0.555517
2
Cuando K = 6
1 6−2 1
𝑅61 = [𝑅(6−1),1 + ℎ6−1 ∑2𝑖=1 𝑓(𝑎 + (𝑖 − 2)ℎ6−1 )] = 0.555047
2
PARA LOS VALORES DE LA SEGUNDA COLUMNA:
4𝑅𝑘1 −𝑅𝑘−1,1
𝑅𝑘2 =
3
Cuando K = 2
4𝑅21 −𝑅2−1,1
𝑅22 = = 0.555545
3
Cuando K = 3
4𝑅31 −𝑅3−1,1
𝑅32 = = 0.554939
3
Cuando K = 4
4𝑅41 −𝑅4−1,1
𝑅42 = = 0.554893
3

Cuando K = 5
4𝑅51 −𝑅5−1,1
𝑅52 = = 0.554891
3
Cuando K = 6
4𝑅61 −𝑅6−1,1
𝑅62 = = 0.554890
3
PARA LOS VALORES DE LA TERCERA COLUMNA:
16𝑅𝑘2 −𝑅𝑘−1,2
𝑅𝑘3 =
15
Cuando K = 3
16𝑅32 −𝑅3−1,2
𝑅33 = = 0.554891
15
Cuando K = 4
16𝑅42 −𝑅4−1,2
𝑅43 = 15
= 0.554889
Cuando K = 5
16𝑅52 −𝑅5−1,2
𝑅53 = = 0.554890
15
Cuando K = 6
16𝑅62 −𝑅6−1,2
𝑅63 = = 0.554889
15
PARA LOS VALORES DE LA CUARTA COLUMNA:
64𝑅𝑘3 −𝑅𝑘−1,3
𝑅𝑘4 =
63
Cuando K = 4
64𝑅43 −𝑅4−1,3
𝑅44 = = 0.554888
63

Cuando K = 5
64𝑅53 −𝑅5−1,3
𝑅54 = = 0.554890
63
Cuando K = 6
64𝑅63 −𝑅6−1,3
𝑅64 = = 0.554889
63
PARA LOS VALORES DE LA QUINTA COLUMNA:
256𝑅𝑘4 −𝑅𝑘−1,4
𝑅𝑘5 =
255
Cuando K = 5
256𝑅54 −𝑅5−1,4
𝑅55 = = 0.554890
255
Cuando K = 6
256𝑅64 −𝑅6−1,4
𝑅65 = = 0.554889
255
PARA LOS VALORES DE LA SEXTA COLUMNA:
1024𝑅𝑘5 −𝑅𝑘−1,5
𝑅𝑘6 =
1023
Cuando K = 6
1024𝑅65 −𝑅6−1,5
𝑅66 = = 0.554889
1023
LA MATRIZ FINAL SERÁ:
0.712173
0.594777 0.55545
0.564899 0.554939 0.554891
0.557395 0.554889 0.554889 0.554888
0.555517 0.554890 0.554890 0.554890 0.554890
0.555047 0.554890 0.554889 0.554889 0.554889 0.554889

17. SOLUCIÓN NUMÉRICA DE ECUACIONES

DIFERENCIALES ORDINARIAS CON VALOR INICIAL.
I) De un solo paso:
Dada la Ecuación Diferencial Ordinaria:
𝑑𝑦
𝑦´ = 𝑓(𝑥, 𝑦) / 𝑦´ = 𝑑𝑥
Con la condición inicial:
𝑦(𝑥0 ) = 𝑦0
a) Método de Euler:
Es de la forma:
𝑦𝑖+1 = 𝑦𝑖 + ℎ𝑦´𝑖
O
𝑦𝑖+1 = 𝑦𝑖 + ℎ𝑓(𝑥, 𝑦)
Observación:
Euler es un caso particular de Taylor de orden 1.
Ejemplos resueltos:
1º forma de pregunta
1) Dado:
𝑦´ = 2𝑥𝑦 2
Con:
𝑦(1) = 1
Hallar: 𝑦(1.1)

Solución:
Como: 𝑥0 = 1 , 𝑦0 = 1
Entonces:
Para i=0 , 𝑦1 = 𝑦0 + ℎ𝑦´0
Donde:
𝑦1 = 𝑦(1.1) = 𝑦(𝑥1 )
→ 𝑥1 = 1.1
→ ℎ = 𝑥1 − 𝑥0 = 1.1 − 1 = 0.1
ℎ = 0.1
Luego:
𝑦1 = 𝑦0 + ℎ𝑦´0 … (∝)
Donde:
𝑦´0 = 2𝑥0 𝑦02
Reemplazando en (∝):
𝑦1 = 𝑦0 + ℎ2𝑥0 𝑦02
𝑦1 = 1 + (0.1)(2)(1)(1)2
𝑦1 = 1.2
𝑦(1.1) = 1.2

2) Dado:
𝑦´ = 2𝑥𝑦 2
Con:
𝑦(1) = 1
Hallar: 𝑦(1.1) para 𝑥 ∈ [1, 2] , con n=4
Solución:
𝑏−𝑎 2−1
Como: ℎ= 𝑛
= 4
= 0.25
𝑖 0 1 2 3 4
𝑥𝑖 𝑥0 𝑥1 𝑥2 𝑥3 𝑥4
1 1.25 1.5 1.75 2
𝑥1 = 𝑥0 + 1(0.25) = 1.25
𝑥2 = 𝑥0 + 2(0.25) = 1.5
𝑥3 = 𝑥0 + 3(0.25) = 1.75
𝑥4 = 𝑥0 + 4(0.25) = 2
Para i=0, con (𝑥0 , 𝑦0 ) = (1, 1)
𝑦1 = 𝑦0 + ℎ𝑦´0
𝑦1 = 𝑦0 + ℎ2𝑥0 𝑦02
𝑦1 = 1.2
Para i=1, con (𝑥1 , 𝑦1 ) = (1.25, 1.2)
𝑦2 = 𝑦1 + ℎ2𝑥1 𝑦12
𝑦2 = 2.1
Para i=2, con (𝑥2 , 𝑦2 ) = (1.5, 2.1)
𝑦3 = 𝑦2 + ℎ2𝑥2 𝑦22

𝑦3 = 5.4075
Para i=3, con (𝑥3 , 𝑦3 ) = (1.75, 5.4075)
𝑦4 = 𝑦3 + ℎ2𝑥3 𝑦32
𝑦4 = 30.99342422
Para i=4, con (𝑥4 , 𝑦4 ) = (2, 30.99342422)
𝑦5 = 𝑦4 + ℎ2𝑥4 𝑦42
𝑦5 = 991.5857691
Ejemplo :
(a)
1
𝑦 ′ = 𝑥𝑦 𝑐𝑜𝑛 𝑐𝑜𝑛𝑑𝑖𝑐𝑖𝑜𝑛 𝑖𝑛𝑖𝑐𝑖𝑎𝑙 𝑦(1) = 2
2
Hallar 𝑦(1.5)
Solución
𝑦(1) = 2 entonces 𝑥0 = 1 𝑦0 = 2
Sea 𝑥1 = 1.5 entonces ℎ = 𝑥1 − 𝑥0 = 0.5 entonces ℎ = 0.5
Formula
𝑦0′
𝑦1 = 𝑦0 + ℎ ∗
1!
i=0
( 𝑥0 , 𝑦0 ) = ( 1, 2 ) calcularé 𝑦0′
1
𝑦0′ = 2 𝑥0 𝑦0 = 1 entonces 𝑦0′ = 1
𝑦0′ (1)
𝑦1 = 𝑦0 + ℎ ∗ 1!
= 2 + (0.5) ∗ 1!
= 2.5 entonces 𝑦1 = 2.5
(b)
1
𝑦 ′ = 𝑥𝑦 𝑐𝑜𝑛 𝑐𝑜𝑛𝑑𝑖𝑐𝑖𝑜𝑛 𝑖𝑛𝑖𝑐𝑖𝑎𝑙 𝑦(1) = 2
2

En 𝑥 ∈ [ 1 , 1.2 ] con 𝑛 = 2
Solución
𝑦(1) = 2 entonces 𝑥0 = 1 𝑦0 = 2
1.2−1
ℎ= 2
= 0.1 entonces ℎ = 0.1 entonces 𝑥𝑖 = 𝑥0 + 𝑖 ∗ ℎ
𝑖 = 0, 1, 2, …
i=0
𝑦0′
( 𝑥0 , 𝑦0 ) = ( 1, 2 ) 𝑦1 = 𝑦0 + ℎ ∗
1!
1
𝑦0′ = 2 𝑥0 𝑦0 = 1 entonces 𝑦0′ = 1
𝑦0′ (1)
𝑦1 = 𝑦0 + ℎ ∗ 1!
= 2 + (0.1) ∗ 1!
= 2.1 entonces 𝑦1 = 2.1
i=1
𝑦1′
( 𝑥1 , 𝑦1 ) = ( 1.1 , 2.1 ) 𝑦2 = 𝑦1 + ℎ ∗
1!
1
𝑦1′ = 𝑥1 𝑦1 = 1.155 entonces 𝑦1′ = 1.155
2
𝑦1′ (1.155)
𝑦2 = 𝑦1 + ℎ ∗ 1!
= 2.1 + (0.1) ∗ 1!
= 2.2155 entonces 𝑦2 = 2.2155
i=2
𝑦2′
( 𝑥2 , 𝑦2 ) = ( 1.2 , 2.2155 ) 𝑦3 = 𝑦2 + ℎ ∗ 1!
1
𝑦2′ = 2 𝑥2 𝑦2 = 1.3293 entonces 𝑦2′ = 1.3293
𝑦2′ (1.3293)
𝑦3 = 𝑦2 + ℎ ∗ = 2.2155 + (0.1) ∗ = 2.34843 entonces 𝑦3 = 2.34843
1! 1!
b) Método de Taylor de orden K:
Es de la siguiente forma:
(𝑘)
ℎ𝑦´𝑖 ℎ2 𝑦𝑖´´ ℎ3 𝑦𝑖´´´ ℎ𝑘 𝑦𝑖
𝑦𝑖+1 = 𝑦𝑖 + + + +⋯ + + 𝜀
1! 2! 3! 𝑘!

ℎ𝑦 ´ (𝑥𝑖 ) ℎ2 𝑦 ´´ (𝑥𝑖 ) ℎ3 𝑦 ´´´ (𝑥𝑖 ) ℎ𝑘 𝑦 (𝑘) (𝑥𝑖 )

𝑦(𝑥𝑖+1 ) = 𝑦(𝑥𝑖 ) + + + +⋯ + + 𝜀
1! 2! 3! 𝑘!
Donde:
El error local es de la forma:
ℎ𝑘+1 𝑦 (𝑘+1) (𝑥𝑖 )

𝜀=
𝑘 + 1!
Ejemplos resueltos:
Dado:
𝑦 ´ = 𝑥 2 + 𝑦 2 … (∝)
Con:
𝑦(1) = 0
Por Taylor de orden 3 hallar: 𝑦(1.5)
Solución:
Como: 𝑥0 = 1 𝑦 𝑦0 = 0
Y de 𝑦(1.5) se sabe que: 𝑥1 = 1.5
→ ℎ = 𝑥1 − 𝑥0 = 1.5 − 1 = 0.5
Luego, Taylor de orden 3 es de la forma:
ℎ𝑦´𝑖 ℎ2 𝑦𝑖´´ ℎ3 𝑦𝑖´´´

𝑦𝑖+1 = 𝑦𝑖 + + +
1! 2! 3!
Para i=0 con (𝑥0 , 𝑦0 ) = (1, 0)
ℎ𝑦´0 ℎ 2 𝑦0´´ ℎ 3 𝑦0´´´

𝑦1 = 𝑦0 + 1!
+ 2!
+ 3!
Se requiere hallar:
𝑦´0 , 𝑦0´´ , 𝑦0´´´
𝐷𝑒 (∝):
𝑦 ´ = 𝑥 2 + 𝑦 2 … (𝛽)

𝑦0´ = 𝑥02 + 𝑦02
𝑦0´ = 12 + 02
𝑦0´ = 1
Derivando (𝛽):
𝑦 ´´ = 2𝑥 + 2𝑦𝑦 ´ … (𝜃)
𝑦0´´ = 2𝑥0 + 2𝑦0 𝑦0´
𝑦0´´ = 2(1) + 2(0)(1)
𝑦0´´ = 2
Derivando (𝜃):
𝑦 ´´´ = 2 + 2(𝑦𝑦 ´´ + 𝑦 ´ 𝑦 ´ )
𝑦0´´´ = 2 + 2(𝑦0 𝑦0´´ + 𝑦0´ 𝑦0´ )
𝑦0´´´ = 2 + 2((0)(2) + (1)(1))
𝑦0´´´ = 4
Por último, reemplazando:
80.5)(0) (0.5)2 (2) (0.5)3 (4)

𝑦1 = 0 + 1!
+ 2!
+ 3!
𝑦1 = 0.8333333 …
𝑦(1.5) = 0.8333333 …
Dado:
𝑦 ´ = 𝑥 2 + 𝑦 2 … (∝)
Con:
𝑦(1) = 0
Por Taylor de orden 3 en el segmento 𝑥 ∈ [1, 2], con n=2
Solución:

𝑏−𝑎 2−1
Como: ℎ= = = 0.5
𝑛 2
Determinamos los puntos: 𝑥𝑖 = 𝑥0 + 𝑖ℎ / 𝑥𝑖 ∈ [1, 2]
𝑖 = 0 → 𝑥0 = 𝑥0 + 0ℎ = 1
𝑖 = 1 → 𝑥1 = 𝑥0 + 1ℎ = 1.5
𝑖 = 2 → 𝑥2 = 𝑥0 + 2ℎ = 2
Para i=0 con (𝑥0 , 𝑦0 ) = (1, 0)
ℎ𝑦´0 ℎ 2 𝑦0´´ ℎ 3 𝑦0´´´

𝑦1 = 𝑦0 + 1!
+ 2!
+ 3!
𝑦1 = 0.8333333 … (Resuelto anteriormente)
Para i=1 con (𝑥1 , 𝑦1 ) = (1.5, 0.8333333)
ℎ𝑦´1 ℎ 2 𝑦1´´ ℎ 3 𝑦1´´´

𝑦2 = 𝑦1 + 1!
+ 2!
+ 3!
Se requiere hallar: 𝑦´1 , 𝑦1´´ , 𝑦1´´´
De (∝):
𝑦 ´ = 𝑥 2 + 𝑦 2 …(𝛽)
𝑦1´ = 𝑥12 + 𝑦12
𝑦1´ = 1.52 + 0.8333333 …2
𝑦1´ = 2.9444444 …
Derivando (𝛽):
𝑦 ´´ = 2𝑥 + 2𝑦𝑦 ´ … (𝜃)
𝑦1´´ = 2𝑥1 + 2𝑦1 𝑦1´
𝑦1´´ = 2(1.5) + 2(0.8333333 … )(2.9444444 … )
𝑦1´´ = 7.907407405

Derivando (𝜃):
𝑦 ´´´ = 2 + 2(𝑦𝑦 ´´ + 𝑦 ´ 𝑦 ´ )
𝑦1´´´ = 2 + 2(𝑦1 𝑦1´´ + 𝑦1´ 𝑦1´ )
𝑦1´´´ = 2 + 2((0.8333333 … )(7.907407405) + (2.9444444 … )(2.9444444 … ))
𝑦1´´´ = 32.5185185
Luego, reemplazando:
ℎ𝑦´1 ℎ 2 𝑦1´´ ℎ 3 𝑦1´´´

𝑦2 = 𝑦1 + 1!
+ 2!
+ 3!
(0.5)(2.9444444… ) (0.5)2 (7.907407405) (0.5)3 (32.5185185)

𝑦2 = 0.8333333 … + 1!
+ 2!
+ 3!
𝑦2 = 3.235339504
Para i=2 con (𝑥2 , 𝑦2 ) = (2, 3.235339504 )
ℎ𝑦´2 ℎ 2 𝑦2´´ ℎ 3 𝑦2´´´

𝑦3 = 𝑦2 + 1!
+ 2!
+ 3!
Se requiere hallar: 𝑦´2 , 𝑦2´´ , 𝑦2´´´
De (∝):
𝑦 ´ = 𝑥 2 + 𝑦 2 …(𝛽)
𝑦2´ = 𝑥22 + 𝑦22
𝑦2´ = 22 + 3.2353395042
𝑦2´ = 14.46742171
Derivando (𝛽):
𝑦 ´´ = 2𝑥 + 2𝑦𝑦 ´ … (𝜃)
𝑦2´´ = 2𝑥2 + 2𝑦2 𝑦2´
𝑦2´´ = 2(2) + 2(3.235339504)(14.46742171)
𝑦2´´ = 97.61404193
Derivando (𝜃):

𝑦 ´´´ = 2 + 2(𝑦𝑦 ´´ + 𝑦 ´ 𝑦 ´ )
𝑦2´´´ = 2 + 2(𝑦2 𝑦2´´ + 𝑦2´ 𝑦2´ )
𝑦2´´´ = 2 + 2((3.235339504)(97.61404193) + (14.46742171)(14.46742171))
𝑦2´´´ = 1052.241714
Luego, reemplazando:
ℎ𝑦´2 ℎ 2 𝑦2´´ ℎ 3 𝑦2´´´

𝑦3 = 𝑦2 + 1!
+ 2!
+ 3!
(0.5)(14.46742171) (0.5)2 (97.61404193) (0.5)3 (1052.241714)

𝑦3 = 3.235339504 + 1!
+ 2!
+ 3!
𝑦3 = 44.59250797
Método Runge – Kutta de Orden 4 ( RK4 )

De 𝑦 ′ = 𝑓( 𝑥, 𝑦 ) con 𝑦(𝑥0 ) = 𝑦0 , el método RK4 es con
𝑘1 = 𝑓( 𝑥𝑖 , 𝑦𝑖 )
1 1
𝑘2 = 𝑓 ( 𝑥𝑖 + ℎ , 𝑦𝑖 + ℎ 𝑘1 )
2 2
1 1
𝑘3 = 𝑓 ( 𝑥𝑖 + ℎ , 𝑦𝑖 + ℎ 𝑘2 )
2 2
𝑘4 = 𝑓( 𝑥𝑖 + ℎ , 𝑦𝑖 + ℎ𝑘3 )
ℎ
𝑦𝑖+1 = 𝑦𝑖 + [ 𝑘1 + 2𝑘2 + 2𝑘3 + 𝑘4 ]
6
Donde 𝑖 = 0, 1, 2, …
Ejemplo 1 Dado
2𝑥𝑦 2 + 𝑥 2 𝑦
𝑦′ = 𝑐𝑜𝑛 𝑦(0) = 1 ℎ𝑎𝑙𝑙𝑎𝑟 𝑦(0.1) 𝑝𝑜𝑟 𝑅𝐾4
√𝑥 + 1
Solución
𝑦(0) = 1 entonces 𝑥0 = 0 𝑦0 = 1
𝑦( 0.1 ) = 𝑦( 𝑥1 ) = 𝑦1 entonces 𝑥1 = 0.1

ℎ = 𝑥1 − 𝑥0 = 0.1 − 0 entonces ℎ = 0.1
i=0
( 𝑥0 , 𝑦0 ) = ( 0 , 1 ) con ℎ = 0.1
𝑘1 = 𝑓( 𝑥0 , 𝑦0 ) = 𝑓( 0 , 1 ) = 0
ℎ ℎ
𝑘2 = 𝑓 ( 𝑥0 + , 𝑦0 + 𝑘1 ) = 𝑓( 0 .05 , 1 ) = 0.10003
2 2
ℎ ℎ
𝑘3 = 𝑓 ( 𝑥0 + , 𝑦0 + 𝑘2 ) = 𝑓( 0 .05 , 1.005 ) = 0.101021
2 2
𝑘4 = 𝑓( 𝑥0 + ℎ , 𝑦0 + ℎ ∗ 𝑘3 ) = 𝑓( 0.1 , 1.0101 ) = 0.204196

ℎ
𝑦1 = 𝑦0 + 6 (𝑘1 + 2 ∗ 𝑘2 + 2 ∗ 𝑘3 + 𝑘4 ) = 1.0101
entonces 𝑦1 = 1.0101
Ejemplo 2 Dado
2𝑥𝑦 2 + 𝑥 2 𝑦
𝑦′ = 𝑐𝑜𝑛 𝑦(0) = 1 𝑒𝑛 𝑥 𝜖 [ 0 , 0.2 ] 𝑐𝑜𝑛 𝑛=2
√𝑥 + 1
Solución
0.2−0
ℎ= 2
= 0.1 entonces ℎ = 0.1 entonces 𝑥𝑖 = 𝑥0 + 𝑖 ∗ ℎ
𝑦(0) = 1 entonces 𝑥0 = 0 𝑦0 = 1
2𝑥𝑦 2 + 𝑥 2 𝑦
𝑓( 𝑥 , 𝑦 ) = 𝑐𝑜𝑛 𝑥𝑖 = 0 + 𝑖 ∗ 0.1 𝑝𝑎𝑟𝑎 𝑡𝑜𝑑𝑜 𝑖 = 0, 1, 2, …
√𝑥 + 1
i=0
( 𝑥0 , 𝑦0 ) = ( 0 , 1 ) con ℎ = 0.1
𝑘1 = 𝑓( 𝑥0 , 𝑦0 ) = 𝑓( 0 , 1 ) = 0
ℎ ℎ
𝑘2 = 𝑓 ( 𝑥0 + , 𝑦0 + 𝑘1 ) = 𝑓( 0 .05 , 1 ) = 0.10003
2 2
ℎ ℎ
𝑘3 = 𝑓 ( 𝑥0 + , 𝑦0 + 𝑘2 ) = 𝑓( 0 .05 , 1.005 ) = 0.101021
2 2
𝑘4 = 𝑓( 𝑥0 + ℎ , 𝑦0 + ℎ ∗ 𝑘3 ) = 𝑓( 0.1 , 1.0101 ) = 0.204196

ℎ
𝑦1 = 𝑦0 + (𝑘1 + 2 ∗ 𝑘2 + 2 ∗ 𝑘3 + 𝑘4 ) = 1.0101
6

i=1
( 𝑥1 , 𝑦1 ) = ( 0.1 , 1.0101 ) con ℎ = 0.1
𝑘1 = 𝑓( 𝑥1 , 𝑦1 ) = 𝑓( 0.1 , 1.0101 ) = 0.204197
ℎ ℎ
𝑘2 = 𝑓 ( 𝑥1 + , 𝑦1 + 𝑘1 ) = 𝑓( 0 .15 , 1.02031 ) = 0.312641
2 2
ℎ ℎ
𝑘3 = 𝑓 ( 𝑥1 + , 𝑦1 + 𝑘2 ) = 𝑓( 0 .15 , 1.02574 ) = 0.315858
2 2
𝑘4 = 𝑓( 𝑥1 + ℎ , 𝑦1 + ℎ ∗ 𝑘3 ) = 𝑓( 0.2 , 1.04169 ) = 0.434267

ℎ
𝑦2 = 𝑦0 + 6 (𝑘1 + 2 ∗ 𝑘2 + 2 ∗ 𝑘3 + 𝑘4 ) = 1.0417
i=2
( 𝑥2 , 𝑦2 ) = ( 0.2 , 1.0417 ) con ℎ = 0.1
𝑘1 = 𝑓( 𝑥2 , 𝑦2 ) = 𝑓( 0.2 , 1.0417 ) = 0.434271
ℎ ℎ
𝑘2 = 𝑓 ( 𝑥2 + , 𝑦2 + 𝑘1 ) = 𝑓( 0 .25 , 1.06341 ) = 0.565173
2 2
ℎ ℎ
𝑘3 = 𝑓 ( 𝑥2 + , 𝑦2 + 𝑘2 ) = 𝑓( 0 .25 , 1.06995 ) = 0.571784
2 2
𝑘4 = 𝑓( 𝑥2 + ℎ , 𝑦2 + ℎ ∗ 𝑘3 ) = 𝑓( 0.3 , 1.09887 ) = 0.722181

ℎ
𝑦3 = 𝑦0 + 6 (𝑘1 + 2 ∗ 𝑘2 + 2 ∗ 𝑘3 + 𝑘4 ) = 1.09887

18. DIFERENCIA NUMERICA

 Aproximaciones a la Derivada
 Generación de Formulas de Diferenciación Numérica
 Primera y Segunda Derivada Aplicando los Métodos de Newton Progresivo y

Regresivo y Métodos Centrales.
Diferenciación numérica
Dado una tabla de (n+1) puntos igualmente espaciados de la forma:

( 𝑋0 , 𝑓0 ) , ( 𝑋1 , 𝑓1 ) , … , ( 𝑋𝑛 , 𝑓𝑛 ) continua y diferenciable en [ 𝑋0 , 𝑋𝑛 ].
El problema de la Diferenciación Numérica es que dado un valor 𝑋𝑝 ∈ [ 𝑋0 , 𝑋𝑛 ] se desea

hallar el valor 𝑓𝑝′ tal que 𝑓 ′ (𝑋𝑝 ) = 𝑓𝑝′ , donde:
Sea 𝑋𝑝 = 𝑋0 + 𝑝. ℎ entonces 𝑓(𝑋𝑝 ) = 𝑓𝑝
𝑑𝑓𝑝 𝑑𝑓𝑝 𝑑𝑝 𝑑𝑓𝑝 1 1 𝑑𝑓𝑝

𝑓 ′ (𝑋𝑝 ) = = . = . → 𝑓𝑝′ = .
𝑑𝑥𝑝 𝑑𝑝 𝑑𝑥𝑝 𝑑𝑝 ℎ ℎ 𝑑𝑝
1 𝑑 2 𝑓𝑝
𝑓𝑝′′ = .
ℎ2 𝑑𝑝
Entonces en general
(𝑛) 1 𝑑 𝑛 𝑓𝑝
𝑓𝑝 = .
ℎ𝑛 𝑑𝑝

18.1. Para Newton Progresivo ( NP )
Que se utiliza al principio de la tabla. De la fórmula de Interpolación de NP siguiente.
𝑃(𝑃 − 1)∆2 𝑓0 𝑃(𝑃 − 1)(𝑃 − 2)∆3 𝑓0 𝑃(𝑃 − 1)(𝑃 − 2)(𝑃 − 3)∆4 𝑓0

𝑓𝑝 = 𝑓0 + 𝑃∆𝑓0 + + + +
2! 3! 4!
𝑃(𝑃 − 1)(𝑃 − 2)(𝑃 − 3)(𝑃 − 4)∆5 𝑓0
+ +⋯
5!
( 𝑃2 − 𝑃 )∆2 𝑓0 ( 𝑃3 − 3𝑃2 + 2𝑃 )∆3 𝑓0 ( 𝑃4 − 6𝑃3 + 11𝑃2 − 6𝑃 )∆4 𝑓0

𝑓𝑝 = 𝑓0 + 𝑃∆𝑓0 + + + +⋯
2! 3! 4!
Formula 1
1 (2P−1)∆2 f0 (3P2 −6P+2)∆3 f0 (4P3 −18P2 −22P−6)∆4 f0

fp′ = [∆f0 + + + + ⋯]
h 2! 3! 4!
Formula 2
Si 𝑋𝑃 = 𝑋0 → P = 0 en formula 1
′
1 ∆2 f0 ∆3 f0 ∆4 f0
f0′ = fX0 = ቈ∆f0 − + − +⋯቉
h 2 3 4
Formula 3
1 ( 6P 2 − 18P + 11 )∆4 f0
fp′′ = ቈ ∆ 2
f0 + (𝑃 − 1)∆ 3
f0 + +⋯቉
h2 12!
Formula 4
′′
1 11∆4 f0
f0′′ = fX0 2 3
= 2 ቈ ∆ f0 − ∆ f0 + +⋯቉
h 12
Formula 5
1 ( 12P − 18 )∆4 f0 ( 2P 2 − 8P + 7 )∆5 f0

fp′′′ 3
= 3 ቈ ∆ f0 + + +⋯቉
h 12 4
Formula 6
1 3 18∆4 f0 7∆5 f0
f0′′′ = ቈ∆ f0 − + +⋯቉
h3 12 4

18.2. Para Newton Regresivo ( NR )
Que se utiliza al final de la tabla. De la fórmula de Interpolación de NR siguiente.
P(P + 1)∇2 f0 P(P + 1)(P + 2)∇3 f0 P(P + 1)(P + 2)(P + 3)∇4 f0

fp = f0 + P∇f0 + + + +
2! 3! 4!
P(P + 1)(P + 2)(P + 3)(P + 4)∇5 f0
+ + ..
5!
2 3 4
( 𝑃2 + 𝑃 )∇ 𝑓0 ( 𝑃3 + 3𝑃2 + 2𝑃 )∇ 𝑓0 ( 𝑃4 + 6𝑃3 + 11𝑃2 + 6𝑃 )∇ 𝑓0
𝑓𝑝 = 𝑓0 + 𝑃∇𝑓0 + + + +⋯
2! 3! 4!
Formula 7
1 (2P+1)∇2 f0 (3P2 + 6P+2)∇3 f0 (4P3 + 18P2 + 22P + 6)∇4 f0

fp′ = [∇f0 + + + + ⋯]
h 2! 3! 4!
Formula 8
Si 𝑋𝑃 = 𝑋0 → P = 0 en formula 1
2 3 4
′
1 ∇ f0 ∇ f0 ∇ f0
f0′ = fX0 = [∇f0 + + + +⋯]
h 2 3 4
Formula 9
4
1 2 3 ( 6P 2 + 18P + 11 )∇ f0
fp′′ = 2 ቈ ∇ f0 + (𝑃 + 1)∇ f0 + +⋯቉
h 12!
Formula 10
4
′′
1 2 3 11∇ f0
f0′′ = fX0 = 2 ቈ ∇ f0 + ∇ f0 + +⋯቉
h 12
Formula 11
4 5
1 3 ( 12P + 18 )∇ f0 ( 2P 2 + 8P + 7 )∇ f0
fp′′′ = 3 [ ∇ f0 + + +⋯]
h 12 4
Formula 12
1 3 18∇4 f0 7∇5 f0
f0′′′ = ቈ∇ f0 + + +⋯቉
h3 12 4

Ejemplo: En la siguiente tabla determinar (a)𝑓0′ y (b)𝑓 1 (0.055) por NP
X f(X) ∆ ∆2 ∆3
0.00 1.0000 513 26 1
0.05 1.0513 539 27 3
0.10 1.1052 566 30 0
0.15 1.1618 596 30
0.20 1.2214 626
0.25 1.2840
Solución(a):
1 ∆2 f 0 ∆3 f 0
f0′ = h [∆f0 − 2
+ 3
] h = X i − X i−1 = 0.25 − 0.20 = 0.05
1 0.00026 0.0001
= h [0.0513 − 2
+ 3 ]
f0′ = 1.0006667 ≅ 1.0007
Solución (b)
′
f(0.055) es una derivada que esta al principio de la tabla → se emplea la formula de Newton
Progresivo, como XP=0.055 es un punto intermedio → XP ∈ [0.05,0.10], → X0=0.05. Se halla
X −X
su valor de P de:P = P 0 .
h
0.055−0.05
H=0.05 → P= 0.05
= 0.1
f0 ∆f0
X0 ∆2f0 ∆3f0
0.05 1.0513 539 27 3
1 (2P−1)∆2 f0 (3P2 −6P+2)∆2 f0

Si fP′ = h [∆f0 + 2!
+ 3!
]
′ 1 (0.2−1)(0.0027) 3(0.1)2 −6(0.1)

f(0.055) = [0.0539 + +[ + 2] (0.0003)]
0.05 2 6
= 1.05783
Ejemplo de la Fórmula Newton Regresivo
Hallar(a) f ′ (0.025) y (b) f ′ (0.225)
Solución (a)

Para P = 0 y |∇3 fi | < 8, se utiliza → X0 f0 ∇1 f0 ∇ 2 f0 ∇3 f0
0.25 1.289 0.626 0.030 0
′ 1 ∇2 f0 ∇3 f0 ′ ′
fP=0 = [∇f0 + + ] , f0′ = fP=0 = f(0.25) , porque X0 = 0.25 en la tabla
h 2 3
de NR
′ 1 0.0030 0.0000
f(0.25) = f0′ = [0.0626 + + ] → f0′ = 1.282
0.05 2 3
Solucion(b)
XP −X0 0.025−0.25
X P = 0.025 → P = h
= 0.05
= −0.5 → P = −0.5
1 (2P+1)∇2 f0 (3P2 +6P+2)∇3 f0

en fP′ = [∇f0 + + ] →
h 2! 3!
X0 f0 ∇1 f0 ∇ 2 f0 ∇ 3 f0
0.25 1.289 0.626 0.030 0
′ 1 2(−0.5) 3(−0.5)2 +6(−0.5)

f(0.225) = [0.626 +[ + 1] (0.0030) + [ + 2] (0.0000)]
0.05 2 2
′
f(0.225) = 1.252
FÓRMULA DE DIFERENCIACIÓN DE BESSEL
fP = f0 + β1 δf1/2 + β2 (δ2 f0 + δ2 f1 ) + β3 δ3 f1/2 + ⋯
1 df 1
fP′ = h dPP = h [β1′ δf1/2 + β′2 (δ2 f0 + δ2 f1 ) + β′3 δ3 f1/2 + ⋯ ]
Si β1 = P → β1′
P(P−1) P2 −P 2P−1
β2 = 4
= 4
→ β′2 = 4
P(P−1)(P−1/2) 2P3 −3P2 +P 6P2 −6P+1

β3 = 6
= 6
→ β′3 = 6
Si XP es un punto tabulado XP=X0 → P=0
1 (δ2 f0 +δ2 f1 ) δ3 f1/2

f0′ = h [δf1/2 − 4
+ 4
+ ⋯]

FÓRMULA DE DIFERENCIACIÓN DE STIRLING
fp = f0 + s1 (δf−1/2 + δf1/2 ) + s2 δ2 f0 + s3 (δ3 f−1/2 + δ3 f1/2 ) + ⋯
1
fP′ = h [s1′ (δf−1/2 + δf1/2 ) + s2′ δ2 f0 + s3′ (δ3 f−1/2 + δ3 f1/2 ) + ⋯ ]
P 1 P(P−1)(P+2) 3P2
Si s1= 2 → s1′ = 2 , Si s3 = 2(3!)
→ s3′ = 12
P2 P2 (P+1)(P−1) 2P3 −P
Si s2 = 2
→ s2′ = P , Si s4 = 4!
→ s4′ = 12
1 δf−1/2 + δf1/2 (3P2 −1)

fP′ = [ ] + Pδ2 f0 + (δ3 f−1/2 + δ3 f1/2 ) + ⋯
h 2 12
En XP = X0 → P = 0
1 (δf−1/2+δf1/2 ) (δ3 f−1/2 +δ3 f1/2 )

f0′ = [ − + ⋯]
h 2 12
Ejemplo 3: Hallar(a) 𝑓 ′ (0.10), (b) 𝒇′ (𝟎. 125)
Solución(a)
f ′ (0.10) = f ′ (X0 ) = f0
Como 0.10 ∈ [0.10, 0.15] → X 0 = 0.10 ∧ X p = 0.10
Xp −X0 0.10−0.10
P= h
= 0.05
= 0 ∧ P = 0 ∈ < 0,1/2] se aplica f0′ de Stirling hasta su 3ra
diferencia porque segun T O T |∆3 f0 | < 60 → f0′ de Stirling hasta su 3ra diferencia es:
1
fP′ = h [β1′ δf1/2 + β′2 (δ2 f0 + δ2 f1 ) + β′2 δ3 f1/2 ] … (i)
3P2 −1 1
Como P = 0 → en (i)se tiene s3′ = 12
, s1′ = 2 , s2′ = P
1 (δ2 f0 +δ2 f1 ) δ3 f1/2

f0′ = [δf1/2 − + ]
h 4 6
En la tabla se tiene:

X 0 = 0.10 1.1052f0 0.00𝟐𝟕(δ2 f0 )

0.0𝟓𝟔𝟔δf1/2 0.0003(δ3 f1/2 )
X1 = 0.15 1.1618f1 0.00𝟑𝟎(δ3 f1 )
∧ h = 0.05
1 0.0027+0.0030 0.0003
→ f0′ = 0.05 [0.0566 − 4
+ 6 ] = 1.1095
Solución (b)
f ′ (0.125) → X P = 0.125 ∈ [0.10,0.15]

XP −X0 0.125−0.10 1
P= h
= 0.05
= 0.5 ∈ [2,1 > 𝑠𝑒 𝑎𝑝𝑙𝑖𝑐𝑎 𝐵𝑒𝑠𝑠𝑒𝑙 ℎ𝑎𝑠𝑡𝑎 𝑠𝑢 3𝑟𝑎 𝑑𝑖𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑝𝑜𝑟
|∆3 f0 | < 60 𝑐𝑜𝑛 𝑃 = 0.5 𝑒𝑛 (i), donde ∶
2P−1 2(0.5)−1 6P2 −6P+1

β1′ = 1, β′2 = 4
= 4
= 0, β′3 = 6
= −0.0833333 en (i)se tiene
1
f ′ (0.125) = [(1)(0.0566) + 0(0.0027 + 0.0030) + (−0.083)(0.0003)] = 1.1315
0.05

19. PREDICTOR – CORRECTOR
Como su nombre lo indica 1𝑟𝑜 se predice un valor 𝑦𝑚+1 , después se usa una formula diferente para
corregir este valor.
Los métodos Predictor-Corrector hallar el valor del pto(𝑥𝑚+1 , 𝑦𝑚+1 ) utiliza información del
pto(𝑥𝑚 , 𝑦𝑚 ) y sus precedentes donde cada pto precedente indica un paso, de aquí su nombre como
método de múltiples pasos. A diferencia de los métodos de Runge-Kuta, Taylor, Euler, que son
métodos de un solo paso (Para 𝑦𝑖+1utiliza la información de 𝑦𝑖 )
Ejemplo:
Usando el método predictor – corrector
Predictor: 𝑦𝑖+1 = 𝑦𝑖−1 + 2ℎyi′

ℎ
Corrector: 𝑦𝑖+1 = 𝑦𝑖 + 2 (yi′ + yi+1
′
)
Con h = 0.5, hallar 𝑦(1) sabiendo que y satisface: y ′ = xy 2 + 3x , 𝑦(0) = −0.5
Solución:
y ′ = f ( 𝑥 , 𝑦 ) = xy 2 + 3xy ; 𝑦0 = 𝑦(0) = −0.5 , h = 0.5
Por condición del problema.
𝑦𝑖−1 = 𝑦0 = −0.5
𝑦𝑖 = 𝑦(0.5) = ¿ ?
𝑦𝑖+1 = 𝑦(1) = ¿ ?
Calculando 𝒚𝒊 = 𝒚(𝟎.𝟓) = ¿ ?
Para aplicar el predictor corrector, conociendo 𝑦0 , se necesita hallar 𝑦1 por un método no menor de
2𝑑𝑜 orden (puede ser Taylor, o RK), Sea RK-4.
ℎ
𝑦1 = 𝑦0 + ( 𝑘1 + 2𝑘2 + 2𝑘3 + 𝑘4 )
6
′
𝑘1 = 𝑓(𝑥0 ,𝑦0 ) = y0′ = y(0) =0
𝑒𝑛 y ′ = xy 2 + 3xy
y0′ = 𝑥0 y02 + 3𝑥0 𝑦0 = 0(−0.5)2 + 3(0)(−0.5)
y0′ = 0
ℎ ℎ
𝑘2 = 𝑓 (𝑥0 + 2 , 𝑦0 + 2 𝑘1 ) = 𝑓( 0.25 , 00.5 + 0.25(0) )
𝑘2 = 𝑓( 0.25 , −0.5 ) = (0.25)(−0.5)2 + 3(0.25)(−0.5) = −0.3125
ℎ ℎ
𝑘3 = 𝑓 (𝑥0 + , 𝑦0 + 𝑘2 ) = 𝑓( 0.25 , −0.5 + (0.25)(−0.3125) )
2 2
𝑘3 = 𝑓( 0.25 , −0.578125 ) = 0.25(−0.578125)2 + 3(0.25)(−0.578125) = −0.3500366
𝑘4 = 𝑓( 𝑥0 + ℎ , 𝑦0 + ℎ𝑘3 ) = 𝑓(0.5 , −0.5 + 0.5(−0.350066)) = 𝑓( 0.5 , −0.67533 )

𝑘4 = 0.5(−0.67533)2 + 3(0.5)(−0.67533) = −0.7847026
ℎ
𝑆𝑖 𝑦1 = 𝑦0 + 6 (𝑘1 + 2𝑘2 + 2𝑘3 + 𝑘4 )
0.5
𝑦1 = −0.5 + ( 0 + 2 ∗ (−0.3125) + 2 ∗ −0.3500366 − 0.7847026 ) = −0.6758146
6
Entonces 𝑦𝑖 = 𝑦1 = −0.6758146
𝑦𝑖′ = x(𝑦𝑖 )2 + 3x𝑦𝑖 = (0.5)(−0.6758146)2 − 3(0.5)(−0.6758146)
Entonces 𝑦𝑖′ = −0.7853592
Aplicando el predictor:
𝑦𝑖+1 = 𝑦𝑖−1 + 2 ℎ𝑦𝑖′
𝑦(1) = −0.5 + 2(0.5)(−0.7853592)

𝑦(1) = −1.2853592
′
𝑦𝑖+1 = x( 𝑦𝑖+1 )2 + 3x𝑦𝑖+1
′
𝑦(1) = 1(−1.2853592)2 + 3(1)(−1.2853592)
′
entonces 𝑦𝑖+1 = −2.2039293
Aplicando el corrector:
ℎ
𝑦𝑖+1 = 𝑦𝑖 + ( 𝑦𝑖′ + 𝑦𝑖+1
′
)
2
0.5
𝑦(1) = −0.6758146 + (−0.7853592 + 2.2039293 )
2
𝑦(1) = −1.423167 → este es el corrector

20. ECUACIONES DIFERENCIALES DE ORDEN SUPERIOR
Una ecuación diferencial ordinaria de orden n se puede transformar en un sistema de EDO de

orden 1.
Así se tiene una EDO de orden n:
𝑦 (𝑛) = 𝑓( 𝑥 ,𝑦 ,𝑦′,𝑦′′,𝑦′′′,…,𝑦(𝑛−1))
𝛿 (𝛿)
con las condiciones iniciales 𝑦(𝑥 0)
= 𝑦0 n condiciones iniciales
Sea las sgtes transformaciones

𝑦1 = y
𝑦2 = y ′
𝑦3 = y ′′
.
𝑦n = y (n−1)
Se tiene
𝑦1′ = y ′ = 𝑦2
𝑦2′ = y ′′ = 𝑦3
. .
. .
𝑦𝑛′ = 𝑦 (𝑛) = 𝑓( 𝑥, 𝑦, 𝑦 ′ , 𝑦 ′′ , 𝑦 ′′′ , … , 𝑦 (𝑛−1) )
′
Sea 𝑦i = 𝑦(𝑥i) = 𝑦1(𝑥i) → 𝑦𝑖′ = 𝑦(𝑥
′
𝑖)
= 𝑦1(𝑥 i)
′
𝑦2(𝑥i) 𝑦2(𝑥i)
… …
′
𝑦n(𝑥i) 𝑦𝑛(𝑥 i)
Ejemplo 1
La Sgte. EDO de 3𝑒𝑟 orden 𝑦 ′′′ + 𝑡𝑦 ′′ − 𝑡𝑦 ′ = 𝑡
′′ ′
Con 𝑦(0) = 𝑦(0) = 0 , 𝑦(0) =1
Como un conjunto de ecuaciones de 1 𝑒𝑟 orden
Solución: De 𝑦 ′′′ + 𝑡𝑦 ′′ − 𝑡𝑦 ′ − 2𝑦 = 𝑡 → 𝑦 ′′′ = 𝑡 + 2𝑦 + 𝑡y ′ − 𝑡y ′′

Sea
𝑦 = 𝑦1 entonces 𝑦1′ = 𝑦 ′ 𝑦1(0) = 𝑦(0) = 0
′
′
𝑦 = 𝑦2 entonces 𝑦2′ = 𝑦 ′′ 𝑦2(0) = 𝑦(0) =1
′′
𝑦 ′′ = 𝑦3 entonces 𝑦3′ = 𝑦 ′′′ = 𝑡 + 2𝑦 + 𝑡y ′ − 𝑡y ′′ 𝑦3(0) = 𝑦(0) =0

La EDO de3𝑒𝑟 orden se expresa como un conjunto de 3 ecuaciones de 1𝑒𝑟 orden sgte:
𝑦1′ = 𝑦2
𝑦2′ = 𝑦3
𝑦3′ = 𝑡 + 2𝑦1 + 𝑡𝑦2 − 𝑡𝑦3
Matricialmente se tiene:
𝑦′ = 𝑦1′ = 𝑦2
𝑦2′ 𝑦3
𝑦3′ 𝑡 + 2𝑦1 + 𝑡𝑦2 − 𝑡𝑦3
Con las Sgts. condiciones iniciales
𝑦1(0) 0
𝑦(0) = =
𝑦2(0) 1
𝑦3(0) 0
Ejemplo 2
′
Dado 𝑥 ′′ = 𝑥 2 − 𝑦 + 𝑒 𝑡 con 𝑥(0) = 𝑥(0) =0
′
𝑦 ′′ = 𝑥 − 𝑦 2 − 𝑒 𝑡 𝑦(0) = 1 , 𝑦(0) = −2
Expresar como un sistema de EDO de 1𝑒𝑟 orden
Solución
Sea
𝑦1 = 𝑥 entonces 𝑦1′ = 𝑥 ′ 𝑦1 (0) = 𝑥(0) = 0
𝑦2 = 𝑥 ′ entonces 𝑦2′ = 𝑥 ′′ = 𝑥 2 − 𝑦 + 𝑒 𝑡 𝑦2 (0) = 𝑥′(0) = 0
𝑦3 = 𝑦 entonces 𝑦3′ = 𝑦 ′ 𝑦3 (0) = 𝑦(0) = 1
𝑦4 = 𝑦 ′ entonces 𝑦4′ = 𝑦 ′′ = 𝑥 − 𝑦 2 − 𝑒 𝑡 𝑦4 (0) = 𝑦′(0) = −2
El sistema de EDO de 1𝑒𝑟 orden es:
𝑦1′ = 𝑦2
𝑦2′ = (𝑦1 )2 − 𝑦3 + 𝑒 𝑡
𝑦3′ = 𝑦4
𝑦4′ = 𝑦1 − (𝑦3 )2 − 𝑒 𝑡
𝑦1 (0) = 0 , 𝑦2 (0) = 0 , 𝑦3 (0) = 1 , 𝑦4 (0) = −2

Matricialmente
Sea 𝑡0 = 0
𝑦0 = 𝑦(𝑡0 ) = 𝑦(0) = 𝑦1(0) = 0

𝑦2(0) 0
𝑦3(0) 1
𝑦4(0) −2
𝑦1′ 𝑦2
′
𝑦 = 𝑦2′ = 𝑦12 − 𝑦3 + 𝑒 𝑡
𝑦3′ 𝑦4
𝑦4′ 𝑦1 − 𝑦32 − 𝑒 2

CONCLUSIONES
Ventajas y desventajas de los métodos iterativos comparados con los métodos directos
Ventajas:
 Probablemente son más eficientes que los métodos directos para sistemas de orden
muy alto.
 Más simples de programar.
 Pueden aprovecharse una aproximación a la solución, si tal aproximación existe.
 Se obtiene fácilmente bajo aproximaciones burdas de la solución.
 Son menos sensibles a los errores de redondeo (valiosos en sistemas mal
condicionados).
 Se requiere menos memoria de maquina. Generalmente, las necesidades de
memoria son proporcionales al orden de la matriz.
Desventajas:
 Si se tiene varios sistemas que comparten la matriz coeficiente, esto no representara

ahorro de cálculos ni tiempo de maquina, ya que por cada vector a la derecha de A
tendrá que aplicarse el método seleccionado.
 Aun cuando la convergencia este asegurada, puede ser lenta y, por; lo tanto, los
cálculos requeridos para obtener una solución particular no son predecibles.
 El tiempo de maquina y la exactitud del resultado dependen del criterio de
convergencia.
 Si la convergencia es lenta, los resultados deben interpretarse con cautela.
 No se tiene ventaja particular alguna (tiempo de maquina por iteración) si la matriz
coeficiente es simétrica.
 No se obtiene la inversa de A ni el determinante de A.

Métodos Numericos-Corregido

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Métodos Numericos-Corregido

Încărcat de

Drepturi de autor:

Formate disponibile

UNMSM MÉTODOS NUMÉRICOS

FACULTAD DE INGENIERÍA DE SISTEMAS E INFORMÁTICA

Profesor Lucio Malasquez

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ Pág. 1

1. INTRODUCCIÓN A LA TEORÍA DE VALOR .............................................................. 5

2. TEOREMA DE BOLZANO (TB) ................................................................................... 10

3. MÉTODO DE BISECCIÓN ............................................................................................ 11

4. Método de Regula Falsi o Método de Falsa Posición ...................................................... 16

5. MÉTODO DE LA SECANTE ......................................................................................... 20

6. MÉTODO DE PUNTO FIJO O MÉTODO DE APROXIMACIONES

7. MÉTODO DE NEWTON – RAPHSON .............................................................................. 27

8. SISTEMAS DE ECUACIONES NO LINEALES EN DOS VARIABLES ............................... 30

9. METODOS DIRECTOS DE SISTEMAS DE ECUACIONES LIENALES ............................. 40

10. MÉTODO TRIDIAGONAL PARA SISTEMAS DE ECUACIONES LINEALES. ............... 47

11. MÉTODO PENTADIAGONAL PARA SISTEMAS DE ECUACIONES LINEALES. ......... 55

12. SOLUCION ITERATIVA DE SISTEMAS DE ECUACIONES LINEALES ........................ 65

13. INTERPOLACIÓN ......................................................................................................... 88

14. INTEGRACIÓN NUMERICA ........................................................................................ 110

15. EXTRAPOLACION DE RICHARDSON- (E.R) ............................................................. 119

16. INTEGRACION DE ROMBERG ................................................................................... 131

17. SOLUCIÓN NUMÉRICA DE ECUACIONES DIFERENCIALES ORDINARIAS CON

18. DIFERENCIA NUMERICA ........................................................................................... 149

19. PREDICTOR – CORRECTOR....................................................................................... 156

20. ECUACIONES DIFERENCIALES DE ORDEN SUPERIOR .......................................... 158

CONCLUSIONES .................................................................................................................... 161

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ Pág. 3

En la práctica de la ingeniería y ciencias es frecuente tener la necesidad de resolver un

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ Pág. 4

1. INTRODUCCIÓN A LA TEORÍA DE VALOR

1.1. Definición de cifras significativas

Son valores o números diferentes de cero.

El cero no será considerado cifra significativa si está en el extremo.

1.2. Descomposición polinómica de un número.

358.043 = 3 ∗ 102 + 5 ∗ 101 + 8 ∗ 100 + 4 ∗ 10−2 + 3 ∗ 10−3

0.50120 = 5 ∗ 10−1 + 1 ∗ 10−3 + 2 ∗ 10−4

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ Pág. 5

3.21145 = 3 ∗ 100 + 2 ∗ 10−1 + 1 ∗ 10−2 + 1 ∗ 10−3 + 4 ∗ 10−4 + 5 ∗ 10−5

1.3. Orden de la descomposición polinómica

𝑚 = 𝑚𝑎𝑥{ 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑑𝑒𝑠𝑐𝑜𝑚𝑝𝑜𝑠𝑖𝑐𝑖𝑜𝑛 𝑝𝑜𝑙𝑖𝑛𝑜𝑚𝑖𝑐𝑎 }

358.043 = 3 ∗ 102 + 5 ∗ 101 + 8 ∗ 100 + 4 ∗ 10−2 + 3 ∗ 10−3

0.50120 = 5 ∗ 10−1 + 1 ∗ 10−3 + 2 ∗ 10−4

3.21145 = 3 ∗ 100 + 2 ∗ 10−1 + 1 ∗ 10−2 + 1 ∗ 10−3 + 4 ∗ 10−4 + 5 ∗ 10−5

1.4. Error absoluto

DEFINICION DE CIFRAS SIGNIFICATIVAS EXACTAS:

DEFINICION DE CIFRAS DECIMALES EXACTAS:

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ Pág. 6

𝑝1 = 0.2524 𝑝2 = 0.25332 𝑝3 = 0.2513203

Para 𝑝 = 0.251300751 𝑐𝑜𝑛 𝑝1 = 0.2524

Error Absoluto ( 𝜀𝑎1 )

𝜀𝑎1 = | 𝑝 − 𝑝1 | = 1.099249𝑥10−3 = 0.001099249 = 0.001 = 0.1𝑥10−2

𝑝1 = 0.2524 = 2𝑥10−1 + 5𝑥10−2 + 2𝑥10−3 + 4𝑥10−4

𝑚 = 𝑚𝑎𝑥{−1, −2, −3, −4} Entonces 𝑚 = −1

Cifra significativa exacta

𝑝1 = 0.2524 tiene dos cifras significativas exactas.

𝑝 = 0. 𝟐𝟓1300751 𝑐𝑜𝑛 𝑝1 = 0. 𝟐𝟓24

Cifras decimales exactas

𝑝1 = 0.2524 tiene 2 cifras decimales exactas

𝑝 = 0. 𝟐𝟓1300751 𝑐𝑜𝑛 𝑝2 = 0. 𝟐𝟓332

PROFESOR: LUCIO AVILIO MALASQUEZ RUIZ Pág. 7

Error Absoluto ( 𝜀𝑎2 )

𝜀𝑎2 = | 𝑝 − 𝑝2 | = 2.019249𝑥10−3 = 0.0002019249 = 0.002 = 0.2𝑥10−2

𝑝2 = 0.25332 = 2𝑥10−1 + 5𝑥10−2 + 3𝑥10−3 + 3𝑥10−4 + 2𝑥10−5

𝑚 = 𝑚𝑎𝑥{−1, −2, −3, −4, −5} Entonces 𝑚 = −1