4 DE NOVIEMBRE DE 2017

BENEMÉRITA UNIVERSIDAD
AUTÓNOMA DE PUEBLA
FACULTAD DE INGENIERÍA
QUÍMICA
ANÁLISIS NUMÉRICO Y
PROGRAMACIÓN

MANUAL

PROFESOR: JOSÉ MANUEL ISLAS

MORALES
ALUMNO: ARELY VELASCO GÓMEZ
Sección: 004

OTOÑO 2017
 Índice
1) Que son los métodos numéricos
a) Introducción
b) Modelos matemáticos
c) Errores
d) Clasificación
e) Errores de redondeo y truncamiento
2) Ecuaciones lineales y no lineales
a) Introducción
b) Métodos de intervalos cerrados
i) Método grafico
ii) Método de bisección
iii) Método de la regla falsa
c) Métodos abiertos
i) Métodos de punto fijo
ii) Método Newton Raphson
iii) Método Newton Raphson modificado
iv) Método de Von Mises
v) Método de la secante
vi) Aplicaciones
3) Sistema de ecuaciones lineales
a) Métodos directos
i) Grafico
b) Métodos iterativos
i) Jacobi
ii) Gauss Seidel
c) Solución de sistemas de ecuaciones lineales y no lineales
d) Método iterativo de punto fijo multivariable
e) Convergencia del método
f) Método iterativo de Newton-Raphson multivariable
g) Método de Cramer
4) Ajustes de datos a modelos matemáticos
a) Regresión por mínimos cuadrados
b) Regresión lineal
c) Transformaciones lineales
d) Crecimiento de Saturación
e) Regresión lineal múltiple
5) Fórmulas de integración
a) Regla del trapecio
b) Ecuación d Simpson 1/3
c) Aplicaciones
Conclusión
INTRODUCCIÓN
Los métodos numéricos son técnicas mediante las cuales es posible formular
problemas matemáticos que posteriormente se resolverán, la eficiencia del método
de solución depende tanto de la precisión que se requiere como la facilidad de
implementación.

El objetivo principal del análisis numérico es encontrar soluciones “aproximadas” a

problemas complejos utilizando sólo las operaciones más simples de la aritmética.
Se requiere de una secuencia de operaciones
algebraicas y lógicas que producen la aproximación
al problema matemático.

MODELOS MATEMÁTICOS.
Es una formulación de ecuación que nos expresa las características fundamentales
de un problema o problemas a resolver en las diferentes ramas de la ciencia.

1- Describe un sistema o problema natural en términos matemáticos

2- Representa una idealización y una simplificación de la realidad, es decir

ignora los detalles insignificantes del proceso natural y sólo considera las
variables fundamentales y más importantes del problema
3- Finalmente nos conduce a resultados predecibles o exactos en consecuencia a
las características del problema y al modelo para poderlos resolver
Algunos ejemplos de estos modelos mencionados se mostrarán a continuación:

los modelos matemáticos los podemos clasificar desde simples relaciones

matemáticas hasta grandes y complicados sistemas de ecuaciones diferenciales
como por ejemplo uno de los modelos más sencillos que nos podemos encontrar en
la química general es la variación ya sea de la temperatura, presión volumen y que
como sabemos estas corresponden a la ley de Boyle y la de Charles y que finalmente
podemos unir en una sola.

Ejemplo 1.

Un paracaidista tiene una masa de 300 lb salta de un aeroplano, determina un

modelo matemático que nos describa la velocidad del paracaídas, si el coeficiente de
𝑙𝑏
arrastre es de 42.828 𝑠𝑒𝑔
Practica #1
Un paracaidista tiene una masa de 225.21 lb. Salta de un aeroplano.
Masa 225.21 lb Determina un modelo matematicoque nos describa la velocidad del paracaidas antes de que habra su paracaidas, su coeficiente de arrastre es de 35.828 lb por segundo
gravedad 32.17 ft/s^2
coef. De friccion 35.828 lb/s a) modelo de la ecuacion diferencial
∆t 2 s b) modelo algebraico

a) Modelo de ecuacion diferencial b) Modelo algebraico Comparacion

tiempo vel. Ecu Def. % DE ERROR tiempo vel. Mod Alg.% DE ERROR tiempo vel. Ecu Def. vel. Mod Alg.
0 0 Modelo de ecuaciones diferenciales 0 0 0 0
2 55.1087778 100 250 2 64.34 100 Modelo algebraico 2 55.1087778 64.34
4 95.199096 42.11207862 4 108.208675 40.5408117 250 4 95.199096 108.208675
6 124.363844 30.63553023 6 138.119472 21.6557422 6 124.363844 138.119472
200
8 145.5805 17.06014869 8 158.513427 12.8657584 8 145.5805 158.513427
200
10 161.015111 10.60211385 10 172.418552 8.06475014 10 161.015111 172.418552
12 172.243421 6.973451089 12 181.899426 5.21215167 12 172.243421 181.899426
150
14 180.411748 4.742315846 14 188.363731 3.43182041 150 14 180.411748 188.363731
16 186.354011 3.29372265 16 192.771261 2.28640421 16 186.354011 192.771261
18 190.676864 2.319699986 100 18 195.776429 1.53499993 18 190.676864 195.776429
100
20 193.821637 1.649268198 20 197.825431 1.03576232 20 193.821637 197.825431
22 196.109384 1.180336267 22 199.222493 0.70125718 22 196.109384 199.222493
24 197.773666 0.848649493 50 24 200.175046 0.47586002 50 24 197.773666 200.175046
26 198.984391 0.612176977 26 200.824521 0.32340437 26 198.984391 200.824521
28 199.865164 0.442634407 28 201.26735 0.2200203 28 199.865164 201.26735
30 200.505906 0.320586919 0 30 201.569282 0.14979082 0 30 200.505906 201.569282
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58 60 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50 52 54 56 58 60
32 200.97203 0.232474036 32 201.775148 0.10202705 32 200.97203 201.775148
34 201.311124 0.168727056 vel. Ecu Def. % DE ERROR 34 201.915512 0.06951632 b) Modelo algebraico vel. Mod Alg. b) Modelo algebraico % DE ERROR 34 201.311124 201.915512
36 201.557807 0.122538144 36 202.011216 0.04737557 36 201.557807 202.011216
38 201.737263 0.089034468 38 202.076469 0.03229146 38 201.737263 202.076469
40 201.867813 0.06471283 40 202.120961 0.0220123 40 201.867813 202.120961
42 201.962785 0.047046591 42 202.151296 0.01500631 42 201.962785 202.151296
44 202.031874 0.034209176 44 202.17198 0.01023064 44 202.031874 202.17198
46 202.082136 0.024877847 46 202.186082 0.00697503 46 202.082136 202.186082
48 202.118699 0.018093538 48 202.195698 0.00475553 48 202.118699 202.195698
50 202.145299 0.013160235 50 202.202254 0.00324234 50 202.145299 202.202254
52 202.164649 0.009572496 52 202.206724 0.00221066 52 202.164649 202.206724
54 202.178726 0.006963096 54 202.209772 0.00150726 54 202.178726 202.209772
56 202.188967 0.005065133 56 202.21185 0.00102768 56 202.188967 202.21185
58 202.196416 0.003684576 58 202.213267 0.00070069 58 202.196416 202.213267
60 202.201836 0.002680342 60 202.214233 0.00047775 60 202.201836 202.214233

Ejemplo 2.

Se disuelven 100 lb de sal en un tanque que contiene 50 galones de agua (el volumen
permanece cte. durante todo el procedimiento) se bombea salmuera dentro del
tanque a razón de 5 gal/min, para que nuestra mezcla sea homogénea dentro del
tanque se utiliza un sistema de agitación, posteriormente se bombea fuera del tanque
5 galones/min si la concentración de la solución que entra es de 4lbs por galón.

Determine

a) ¿Cuánta sal tenemos cuando transcurren 5 min?

b) ¿Cuánta sal se tendría cuando t=∞?

𝑑𝐴
= 𝑅𝐸 − 𝑅𝑆
𝑑𝑡
 gal lb lb
𝑅𝐸 = ( 5 ) ( 4 ) = 20
min sal min
gal Alb 5A lb
𝑅𝑠 = ( 5 )( )=
min 50sal 50 min
𝑑𝐴 5A
= 20 −
𝑑𝑡 50
𝑑𝐴 A
+ = 20
𝑑𝑡 10
−𝑡⁄ 𝑡
𝑦=𝑒 10 [20 ∫ 𝑒 ⁄10 𝑑𝑡 + 𝐶]

−𝑡⁄ 𝑡⁄
𝑦=𝑒 10 [20 ∗ 10𝑒 10 + 𝐶]
t = 0 𝑒 0 𝐴 = 200𝑒 0 + 𝐶 C= -200
𝑡⁄
𝐴 = 200 + 𝐶𝑒 10
𝑡⁄
𝐴 = 200 − 200𝑒 10

EXACTITUD Y PRECISIÓN

Exactitud. Se refiere a que tan cercano se encuentra el valor o la solución calculada

o medida con respecto al valor verdadero

Precisión. Se refiere a que tan cercano se encuentra dicha solución bajo un valor
individual medido o calculado con respecto a otros.
 𝑉𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 = 𝑉𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 + 𝑒𝑟𝑟𝑜𝑟 𝑟𝑒𝑎𝑙
𝐸𝑟𝑟𝑜𝑟 = 𝑉𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜
𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜
% 𝐸𝑟𝑟𝑜𝑟 𝑟𝑒𝑎𝑙 = | | ∗ 100
𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜
𝑉𝑎𝑙𝑜𝑟 𝑟𝑒𝑎𝑙 = 𝑉𝑎𝑙𝑜𝑟 𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑉𝑎𝑙𝑜𝑟 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 + 𝑒𝑟𝑟𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜
𝑣𝑎𝑙𝑜𝑟 𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟
% 𝐸𝑟𝑟𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 = | | ∗ 100
𝑣𝑎𝑙𝑜𝑟 𝑎𝑐𝑡𝑢𝑎𝑙
Al aplicar el valor verdadero encontramos que la desventaja es que no contamos con la
solución real de dicho problema, por lo tanto es recomendable definir una nueva ecuación
similar que nos permita llegar a su solución correspondiente y de esa manera llegar a la
solución original, la siguiente ecuación nos perite determinar el avance correspondiente ya
que finalmente se trata de valores que van incrementando la cantidad y que nos llevan al
resultado original sin la necesidad de contar con el valor real.

CLASIFICACIÓN
Existen una serie de errores que podemos explicar a los diferentes ejemplos en
estudio, pero es importante depurar aquellos que no son parte fundamental para
encontrar la solución:

 Errores de redondeo
 Errores de truncamiento

Estos son de suma importancia porque hay problemas donde la solución es infinita
y para llegar a ello, se requieren series.
Errores de redondeo
Son los que se producen cuando los números tienen un límite de cifras significativas
que se usan para representar el valor de una solución exacta.

Errores de truncamiento
Son aquellos que resultan de representar aproximadamente
el procedimiento matemático exacto pero que finalmente es
necesario truncar la serie.
Ejemplos importantes de errores de truncamiento, uno de
los ejemplos que encontramos en matemáticas es el estudio
de las series, ejemplo

Determine la ecuación que representa cada uno de los

términos de la siguiente serie y posteriormente resolverlo.
 Ejemplo.

Determine la ecuación que nos determine cada término de esta serie

𝑥2 𝑥3 𝑥4 𝑥5
=1+x+ + + + …, −∞ < 𝑥 < ∞
2 6 24 120
∞
𝑥 𝑛 − 𝑥 𝑛−1
∑ = 𝑒𝑥
𝑛¡
𝑛=0

Ejemplo determine cada término de la ecuación que nos determina esta serie

𝑥3 𝑥5 𝑥7 𝑥9
=𝑥− + − + …,
6 120 5040 362 880
∞
(−1)𝑛 𝑥 2𝑛+1
∑
(2𝑛 + 1)¡
𝑛=0

𝑥𝑛
∑ 1+x+x^2/2+x^3/6+x^4/24+x^5/120……. funcion exponencial 1.22140276
𝑛
𝑛=0

x 0.2 X= 0, 0.2, 0.4, 1 , 2, 5, 10, 50 y 100

solución
Tabla 1
Iteraciones n Terminos Suma % error real % error apro
1 0 1 1 18.12692469
2 1 0.2 1.2 1.752309631 16.6666667
3 2 0.02 1.22 0.114848124 1.63934426
4 3 0.00133333 1.22133333 0.005684024 0.10917031
5 4 6.6667E-05 1.2214 0.000225819 0.00545822
6 5 2.6667E-06 1.22140267 7.49085E-06 0.00021833
7 6 8.8889E-08 1.22140276 2.13248E-07 7.2776E-06

Como se puede observar la solución de las series como son infinitas y en ocasiones
es complicado determinar su ecuación general, se recomienda, trabajar con un
mínimo de 4 términos y un máximo de 8-10 términos y resolverla como cualquier
función.
INTRODUCCIÓN

El cálculo de las raíces de las ecuaciones es un problema que se ha tenido que

enfrentar par eso sean elaborado diversos métodos ya que al determinar las raíces
de una ecuación también lograremos máximos y mínimos, valores propios
de matrices, resolver sistemas de ecuaciones lineales y diferenciales, etc.
Un método consiste en graficar la función y ubicar el punto donde la gráfica
intercepta al eje de las abscisas o eje x. El punto ubicado x es el valor de la raíz donde
f(x)=0.
Pero el método grafico no es preciso por eso de elaboro otros métodos más efectivos
capaces de ayudarnos en el campo de la ingeniería, pues son frecuentes en áreas de
diseño, cálculos para la optimización de recursos y otros.

Para el estudio podemos organizar los métodos de la siguiente manera:

MÉTODOS DE INTERVALOS CERRADOS

Método gráfico

El método gráfico es un método simple que nos ayuda a determinar aproximaciones

a la raíz o raíces y como sabemos corresponde a la solución de la ecuación, esto
quiere decir que la función f(x)=0.

Consiste en tabular los valores y

posteriormente graficarlos dichos valores
de solución nos predicen hacia donde se
encuentra dicha solución, la solución se
encuentra en el cruce de la función respecto
a x, siendo estos puntos la solución de la
raíz.

Ejemplo
Determine la solución de la función para un tamaño de intervalo 0 ≤ 𝑥 ≤ 1 con un
incremento de 0.2

F(x)= 𝑒 −𝑥 − 𝑥 aplicando el método gráfico

Título del gráfico
x f(x) 1.2

1
0 1 0.8

0.2 0.61873075 0.6

0.4 0.27032005
0.4

0.2

0.6 -0.05118836 0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9

0.8 -0.35067104 -0.2

-0.4

0.1 0.80483742 -0.6

Método de Bisección

Conocido como método de corte binario o de Bolzano partición en dos intervalos

iguales, es un método que se basa en dicho corte

Pasos del método

1. Definir el tamaño del intervalo, que lo definiremos x1= valor inicial hasta xu=
valor final de tal manera que

𝑥1 ≤ 𝑥 ≤ 𝑥𝑢
De forma que l sustituir dichos valores en la función es importante observar el
cambio de signo sobre el intervalo dado opuesto, cabe señalar que nuestro objetivo
es encontrar la solución de los diferentes problemas de las diferentes áreas.
Utilizaremos una ecuación que nos permita determinar la solución y es el siguiente.

𝑓(𝑥1) ∗ 𝑓(𝑥𝑢) ≤ 0
𝑋𝑖 +𝑋𝑢 𝑋𝑖 +𝑋𝑢 0+1
2) xu = 0≤𝑥≤1 = = 0.5
2 2 2
𝑋𝑖 1er sub 2do sub 𝑋𝑢

0 0.5 1

3) Al definir los subintervalos que se obtuvieron al realizar las evaluaciones y determinamos

en que subintervalos se encuentra la raíz.
Si F(x)i * F(x)r en <0 entonces la raíz se encuentra dentro del primer subintervalo, de manera
tal que las variables quedaran definidas de la manera siguiente
 𝑋0 +𝑋𝑢
𝑋0 1er sub 2do sub 𝑋𝑟 = 𝑋𝑢 𝑋𝑟 = 2

0 0.25 0.5

Si F(Xi)*F(Xr) > 0 entonces nuestra raíz se encuentra en el 2do subintervalo y por lo

tanto nuestras variables quedaran definidas de la manera siguiente
𝑋0 +𝑋𝑢
𝑋1 1er sub 2do sub 𝑋𝑟 = 𝑋𝑢 𝑋𝑟 = 2

0.5 0.75 1

Si F(Xi)*F(Xr) =0 los cálculos terminaron y nos apoyaremos para dicha evaluación

en el %de error aproximado
4) Decídase si la nueva aproximación es tan exacta como la requerimos, si es así los
cálculos terminaron en caso contrario nos regresaremos al paso 2) y en seguida al 3)

Ejemplo

Determine la solución de la siguiente ecuación aplicando el método de bisección

𝑒 −𝑥 − 𝑥 = 0 0≤𝑥≤1

Aplicando los pasos del método encontramos la siguiente convergencia

iteracion x1 xr xu f(x1) f(xu) F(x1)*f(xu) f(xr) f(x1)*f(xr) % error
1 0 0.5 1 1 -0.63212056 -0.63212056 0.10653066 0.10653066
2 0.5 0.75 1 0.10653066 -0.63212056 -0.06734022 -0.27763345 -0.02957647 0.33333333
3 0.5 0.625 0.75 0.10653066 -0.27763345 -0.02957647 -0.08973857 -0.00955991 0.2
4 0.5 0.5625 0.625 0.10653066 -0.08973857 -0.00955991 0.00728282 0.00077584 0.11111111
5 0.5625 0.59375 0.625 0.00728282 -0.08973857 -0.00065355 -0.04149755 -0.00030222 0.05263158
6 0.5625 0.578125 0.59375 0.00728282 -0.04149755 -0.00030222 -0.01717584 -0.00012509 0.02702703
 Título del gráfico
0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
0 2 4 6 8 10 12

Método de la regla falsa

Aunque el método de bisección es una técnica válida, para determinar las diferentes
raíces de las funciones de estudio, existe otra alternativa que corresponde al uso de
la regla falsa y está basada en aproximaciones más eficientes en la determinación de
raíces. Este método aprovecha la idea de los dos puntos sobre la función para trazar
una línea recta, la intersección de esta línea con el eje x, nos proporciona una mejor
estimación de la raíz, esto no quiere decir que sea el mejor porque también tiene
desventajas y ventajas, para determinar la ecuación nos apoyaremos en la siguiente
gráfica:

𝐹(𝑋1) − 0 𝐹(𝑋𝑣 ) − 0
=
𝑋𝑟 − 𝑋1 𝑋𝑟 − 𝑋𝑉
𝑋𝑟 − 𝑋𝑉 𝐹(𝑋𝑣 )
=
𝑋𝑟 − 𝑋1 𝐹(𝑋1)
𝐹(𝑋𝑣 )(𝑋𝑟 − 𝑋1 )
𝑋𝑟 − 𝑋𝑉 =
𝐹(𝑋1)
𝐹(𝑋𝑣 )(𝑋𝑟 − 𝑋1 )
𝑋𝑟 = + 𝑋𝑉
𝐹(𝑋1)
 𝐹(𝑋𝑣 )𝑋1
𝑋𝑟 (1 − 𝐹(𝑋𝑣 )) = + 𝑋𝑉
𝐹(𝑋1)
𝐹(𝑋𝑣 )𝑋1
+ 𝑋𝑉
𝐹(𝑋1)
𝑋𝑟 =
(1 − 𝐹(𝑋𝑣 ))
𝐹(𝑋1 )𝑋𝑉 − 𝐹(𝑋𝑣 )𝑋1
𝑋𝑟 =
𝐹(𝑋1 ) − 𝐹(𝑋𝑣 )
Para simplificar la ecuación se sugiere aplicar un artificio matemático para
simplificar de modo que no altere la ecuación
𝐹(𝑋1 )𝑋𝑉 𝐹(𝑋𝑣 )𝑋1
𝑋𝑟 = − + 𝑋𝑉 − 𝑋𝑉
𝐹(𝑋1 ) − 𝐹(𝑋𝑣 ) 𝐹(𝑋1 ) − 𝐹(𝑋𝑣 )
𝐹(𝑋𝑣 )𝑋𝑉 𝐹(𝑋1 )𝑋𝑉 − 𝐹(𝑋1 )𝑋𝑉 + 𝐹(𝑋𝑣 )𝑋𝑉
=
𝐹(𝑋1 ) − 𝐹(𝑋𝑣 ) 𝐹(𝑋1 ) − 𝐹(𝑋𝑣 )
𝐹(𝑋𝑉 )(𝑋𝑉 − 𝑋1 )
𝑋𝑟 = 𝑋𝑉 −
𝐹(𝑋1 ) − 𝐹(𝑋𝑣 )
Ejemplos.

Aplicando el método de la regla falsa, determine la solución para la siguiente

ecuación e^x – x.

A partir del intervalo [0,1] se obtiene la aproximación

a)
iteracion x1 xr xu f(x1) f(xu) % error
1 0 0.61269984 1 1 -0.63212056
2 0.61269984 0.56383839 1 -0.07081395 -0.63212056 8.66586039
3 0.56383839 0.56717036 0.61269984 0.00518235 -0.07081395 0.58747239
4 0.56717036 0.56714331 0.56383839 -4.2419E-05 0.00518235 0.00476984
5 0.56717036 0.56714331 0.56383839 -4.2419E-05 0.00518235 0
 Chart Title
0.62

0.61

0.6

0.59

0.58

0.57

0.56

0.55
0 1 2 3 4 5 6 7 8 9

MÉTODOS DE INTERVALOS ABIERTOS

Método de Punto Fijo

Si se tiene una ecuación algebraica trascendente de la forma f(x)= 0 de tal manera que
podemos dar solución a la función, el método se basa en investigar si la función tiene al
menos una variable lineal de tal manera que tengamos una sub función de la función
original de manera tal que le asignaremos un valor inicial y posteriormente obtener un
nuevo valor para sustituirlo de nuevo en la función. Esto quiere decir que dicho método sea
iterativo por ejemplo cierta función f(x)= e^x – x.

La aplicación del método de punto fijo es que esté presente la variable en su forma lineal
como lo describimos en ejemplo anterior, estas funciones que no cuentan con estas variables,
aplicamos un artificio matemático, que no afecte la función.

F(x)= cos x

G(x)= cos x +x –x

El método consiste en sustituir en la función inicial que le asignaremos y sustituiremos en

la función g(x) este valor se volverá a sustituir de tal manera que se vuelva iterativo y
sustituir en la solución.

Ejemplo.

F(x)= e^(-x) –x

Se despeja de la ecuación x= e^(-x)

 Iteraciones Xi Xi+1 % error
1 0 1
2 1 0.83333333 20
3 0.83333333 0.67438272 23.5697941
4 0.67438272 0.53997672 24.8910724
5 0.53997672 0.44244054 22.0450375
6 0.44244054 0.38238033 15.7069286
7 0.38238033 0.35034277 9.14463443
8 0.35034277 0.33488819 4.614846
9 0.33488819 0.32785295 2.14585237
10 0.32785295 0.32474232 0.9578781

Chart Title
1.2
1
0.8
0.6
0.4
0.2
0
0 2 4 6 8 10 12

Método de Newton-Raphson

Este método es uno de los más aplicados en los métodos numéricos, pero cabe
señalar que tiene sus ventajas y desventajas en la búsqueda de raíces de ecuaciones
no lineales a continuación nos apoyaremos en el siguiente gráfico para obtener la
ecuación fundamental del método.
 𝐹(𝑋1) − 0
𝐹´(𝑋) =
𝑋𝐼 − 𝑋𝐼+1
𝐹(𝑋𝑖)
−𝑋𝐼+1 = + 𝑋𝑖
𝐹´(𝑋)
𝐹(𝑋𝑖)
𝑋𝐼+1 = 𝑋𝑖 −
𝐹´(𝑋)
Con F(X)=/=0

Para que el método de Newton sea convergente es necesario que cumpla con las
siguientes condiciones,

2. la raíz dentro de [a, b] debe tener signos opuestos

3. la primera derivada tiene que ser diferente de cero
4. para la segunda derivada, no debe existir un cambio de signo, además que no
puede ser igual a cero.

Ejemplo.

Usando el método de Newton-Raphson determine la raíz de

𝑒 −𝑥 − 𝑥 = 0
A partir de la fórmula obtenemos las siguientes iteraciones
 Iteración Xi Xi+1 F(Xi) F´(xi) % Error
1 0 0.5 1 -2
2 0.5 0.566311 0.10653066 -1.60653066 11.709291
3 0.566311 0.56714317 0.00130451 -1.56761551 0.14672871
4 0.56714317 0.56714329 1.9648E-07 -1.56714336 2.2106E-05

Chart Title
0.58
0.57
0.56
0.55
0.54
0.53
0.52
0.51
0.5
0.49
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

Aplicando el método de Newton Raphson, determine la solución de la siguiente

ecuación

F(x)= 𝐼𝑛(𝑥) + 𝑥 − 5

Su derivada F’(X)= 1/𝑋 + 1

Iteración Xi Xi+1 F(Xi) F´(xi) % Error

1 1.5 3.35672094 -3.09453489 1.66666667
2 3.35672094 3.68980609 -0.43231448 1.29790978 9.02717232
3 3.68980609 3.69344098 -0.00462 1.27101695 0.09841468
4 3.69344098 3.69344136 -4.8491E-07 1.27075023 1.0332E-05
5 3.69344136 3.69344136 0 1.2707502 0

Chart Title
3.8

3.7

3.6

3.5

3.4

3.3
0 1 2 3 4 5 6
Método de Newton-Raphson modificado

Al aplicar el método de Newton Raphson pudimos observar que la determinación

de una solución es más rápida debido a la primera derivada que como sabemos
representa una velocidad, para mejorar este método se propuso aplicar la segunda
derivada que como sabemos corresponde a la aceleración y se supone una más
rápida determinación de la solución que la anterior. Cada uno de los métodos
desarrollados tienen sus ventajas, así como sus desventajas, al aplicar la segunda
derivada y reordenando la ecuación se obtiene
𝐹(𝑋𝑖) ∗ 𝐹′(𝑋)
𝑋𝐼+1 = 𝑋𝑖 −
(𝐹′(𝑋))2 − (𝐹(𝑋𝑖) ∗ 𝐹′′(𝑋))

Determine la solución de la siguiente ecuación

 F(x)= 𝐼𝑛(𝑥) + 𝑥 − 5
 Su derivada F’(X)= 1/𝑋 + 1
 Su segunda Derivada= -1/x^2

Iteración Xi Xi+1 F(Xi) F´(xi) F''(Xi) % error

1 1.5 2.74184949 -3.09453489 1.66666667 0.44444444
2 2.74184949 3.58242228 -1.24951783 1.36471732 0.13301872 23.4638111
3 3.58242228 3.6923327 -0.14153853 1.27914074 0.07791955 2.9767204
4 3.6923327 3.69344125 -0.00140887 1.2708315 0.0733497 0.03001405

Chart Title
4

0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5

Método de Von Mises

Un aspecto importante que presenta el método de Newton Raphson es que cuando
se obtiene la primera o la segunda derivada pueden parecer máximos o mínimos de
las funciones y por lo tanto se hacen cero F¨(x)=0 , al sustituir dicha ecuación vuelve
a la función infinita por lo tanto resulta una desventaja del método, Von Mises
encontró que al sustituir el primer valor de f’(x) se mantenga la ecuación durante
todo el procedimiento quedando la ecuación de Newton Raphson de la siguiente
manera.

𝐹(𝑋𝑖)
𝑋𝐼+1 = 𝑋𝑖 −
𝐹´(𝑋0)

Ejemplo

Determinar la solución de la ecuación F(x)= 𝐼𝑛(𝑥) + 𝑥 − 5 si x=20

Su derivada F’(X)= 1/𝑋 + 1 = 1.05

ln(20) + 20 − 5
𝑋𝐼+1 = 20 − { } = 2.861207
1.05

𝑋𝑖 = 2.861207
Xi Xi+1 F(Xi) F´(xi) % Error
20 2.86120736 17.9957323 1.05
2.86120736 3.89696827 -1.08754895 26.5786333
3.89696827 3.65204717 0.25716715 6.70640554
3.65204717 3.70220427 -0.05266495 1.35479003
3.70220427 3.69160174 0.01113266 0.28720675
 Chart Title
4.5
4
3.5
3
2.5
2
1.5
1
0.5
0
0 1 2 3 4 5 6

En el caso la convergencia tarda mucho más en conseguirse

Método de la Secante
Como vimos antes a implementación del método de Newton-Raphson una de sus
desventajas es que la primera derivada podemos encontrar un máximo o un mínimo
volviendo la evaluación infinita, una de las maneras de mejorar el método es
regresar al estudio de la primera derivada que corresponde a la línea tangente y
obtener la línea secante de tal manera que al sustituirla en la pendiente y reordenar
cada uno de los términos obtenemos la ecuación de la secante, nos aproximaremos
a cada uno de ellos para obtener la ecuación.
 𝐹(𝑋𝐼+1 ) − 𝐹(𝑋)
𝐹´(𝑋) =
𝑋𝐼+1 − 𝑋𝐼

𝐹(𝑋𝑖) ∗ (𝑋𝑖+2 − 𝑋𝑖)

𝑋𝑖+1 = 𝑋𝑖 −
(𝐹(𝑋𝑖+1 ) − (𝐹(𝑋𝑖)
Aplicando el método de la Secante determinar la solución de la siguiente ecuación
F(x)= 𝐼𝑛(𝑥) + 𝑥 − 5

Se tiene los valores

 X0=3
 X1= 4
Con la formula X2

iteraciones x0 x1 x2 F(x1) F(x0)

1 3 4 3.70000797 0.38629436 -0.90138771
2 4 3.70000797 3.69338591 0.00834294 0.38629436
3 3.70000797 3.69338591 3.69344137 -7.0461E-05 0.00834294
4 3.69338591 3.69344137 3.69344136 1.3332E-08 -7.0461E-05
5 3.69344137 3.69344136 3.69344136 2.1316E-14 1.3332E-08

x2
3.701
3.7
3.699
3.698
3.697
3.696
3.695
3.694
3.693
3.692
0 1 2 3 4 5 6

APLICACIONES
Ejemplo

Se requiere determinar el volumen que nos generan 300gr de CO2 y Oxigeno ya

que requerimos diseñar un equipo que contenga cada uno de los compuestos, este
gas será sometido a diferentes T y P, T va de 400,600 y 800° y P de 2,6,20 y 50 atm
para determinar este volumen se sugiere aplicar la ecuación de Van der Walls que
es
Ecuación
𝑎
(𝑃 + ) (𝑣 − 𝑏) = 𝑅𝑇
𝑣2
Para el CO2 Para el O2
a = 3.592 a = 1.36
b = 0.04267 b = 0.03183

1) Método de regla falsa

2) Método de Newton Rhapson

F(v)=0
𝑎𝑣 𝑎𝑏
Pv − Pb + − = 𝑅𝑇
𝑣2 𝑣2
F(V) = Pv 3 − Pb𝑣 2 + 𝑎𝑣 − ab − 𝑅𝑇𝑣 2 = 0
F(V) = Pv 3 − Pb𝑣 2 + 𝑎𝑣 − ab − 𝑅𝑇𝑣 2
F(V) ∗ F(Vu) < 0
𝐹(𝑋𝑖)
𝑋𝐼+1 = 𝑋𝑖 −
𝐹´(𝑋𝐼)
𝐹(𝑉𝑖)
𝑉𝐼+1 = 𝑉𝑖 −
𝐹´(𝑉𝐼)
Pv 3 − (Pb+𝑅𝑇)𝑣 2 + 𝑎𝑣 − ab
𝑉𝐼+1 = 𝑉𝑖 −
3Pv 2 − 2(Pb+𝑅𝑇)𝑣 + 𝑎
Ejemplo

Aplicando la ecuación de estado en su forma virial Battle-Brigdeman determine el

volumen de los siguientes gases que serán estudiamos a 150°C y 60 atm.

GAS Ao a Bo b C
Helio 0.0216 0.05954 0.014 0 4.0x10^-7
Hidrogeno 0.1976 0.00506 0.02046 -0.4359 5.4x10^-6
Nitrogeno 1.4911 0.02562 0.04624 0.004208 4.80x10^-4

Ejemplo

Cálculo de Punto de Burbuja

Consideremos un líquido en equilibrio con su vapor, este líquido está formado por
4 componentes como se describe en la siguiente tabla, determine la temperatura, así
como la composición del vapor en equilibrio, cuando la presión del sistema, o
presión total es de 75 psias, para resolver se sugiere el uso de la siguiente ecuación
𝐵
𝐼𝑛 (𝑃°) = 𝐴 +
𝑇
A y B son valores constantes dentro de nuestro sistema a estudiar, T la temperatura
de equilibrio en la zona de burbuja, la composición por componente se describe en
la siguiente tabla

Componente Fracción líquido Presiones de vapor del componente

puro

150°F 200°F
1 10 25 200
2 54 14,7 60
3 30 4 14,7
4 6 0,5 5

Primero determinamos las constantes A y B de la siguiente manera

𝐵
𝐼𝑛 (𝑃1°) = 𝐴 +
𝑇
𝐵
𝐼𝑛 (𝑃2°) = 𝐴 +
𝑇

𝐵 𝐵
𝐼𝑛 (𝑃1°) − 𝐼𝑛 (𝑃2°) = −
𝑇1 𝑇2
𝐼𝑛 (𝑃1°)/(𝑃2°)
=𝐵
1 1
𝑇1 − 𝑇2
B= -16722.68

Para obtener A

Solo se sustituye de la primera

𝐵
𝐼𝑛 (𝑃1°) = 𝐴 +
𝑇
Así A= 30,65

En manera análoga determinamos las siguientes constantes en la siguiente tabla

 Componente A B
1 30,65 16722,68
2 -15,85 11303,32
3 -15,75 10446,588
4 -31,07 18521,1199

Ahora bien, a partir de la ley de Raoult

𝑛

∑ 𝑥𝑖 °𝑃𝑖 = 𝑃 𝑡𝑜𝑡𝑎𝑙
𝑖=1

Empezamos nuestros cálculos obteniendo los siguientes resultados

COMPONENTE FRACCIÓN PRESIONES DE

LÍQUIDO VAPOR
(COMPONENTE
PURO)
150 200
1 0,1 25 200
2 0,54 14,7 60
3 0,3 4 14,7
4 0,06 0,5 5

VALOR PRESI PRESI PRESI PRESI PRESI DERI TEMPER ERRO

TEMPER ÓN ÓN ÓN ÓN ÓN VADA ATURA R
ATURA PARC PARC PARC PARC TOTA PRESI NUEVA
IAL 1 IAL 2 IAL 3 IAL 4 L ÓN
750 4243,2 2,1790 6,1801 587,08 387,584 13,832 721,98090
8636 8849 9197 7262 6373 8745 41
721,98090 1786,0 1,2141 3,5995 225,15 118,853 6,2458 702,95187 3,8808
41 8391 182 087 7661 3272 9458 22 6385
702,95187 954,10 0,7946 2,4329 112,43 28,3157 3,5069 694,87775 2,7070
22 6555 9876 7182 3757 098 7496 99 1774
694,87775 723,68 0,6592 2,0471 82,782 3,30566 2,7184 693,66175 1,1619
99 5669 6425 28 6597 7621 7525 92 4715
693,66175 693,79 0,6407 1,9938 79,003 0,06340 2,6148 693,63751 0,1753
92 024 3039 8251 653 2326 0513 18 0167
693,63751 693,20 0,6403 1,9928 78,929 2,46165 2,6127 693,63750 0,0034
18 5804 6552 3311 948 E-05 7493 24 9569
 693,63750 693,20 0,6403 1,9928 78,929 3,78009 2,6127 693,63750 1,3583
24 5577 6538 3271 9193 E-12 7415 24 E-06

693,63750 693,20 0,6403 1,9928 78,929 0 2,6127 693,63750 2,1307

24 5577 6538 3271 9193 7415 24 E-13
693,63750 693,20 0,6403 1,9928 78,929 0 2,6127 693,63750 0
24 5577 6538 3271 9193 7415 24

Así tenemos una temperatura de 693,63 °R o 233,967°F

Calculamos la composición final de la mezcla.

COMPONENTE COMPONENTE COMPONENTE COMPONENTE

1 2 3 4

0,00014417 0,000778505 0,000432503 8,65005E-05

Ejemplo

Determinar la cantidad de Vapor (moles/hora) y la cantidad de líquido

(moles/hora) que se genera en el evaporador instantáneo o flash que se encuentra
sometido a una presión de 1600 psias y una temperatura de 120°F, para la siguiente
mezcla de componentes.

Componente Composición Ki= yi/xi

zi
CO2 0,0046 1,65
CH4 0,8345 1,8
C2H6 0,0381 0,94
C3H8 0,0163 0,55
i- C4H10 0,0050 0,4
n- C4H10 0,0074 0,38
C5H12 0,0287 0,22
C6H14 0,0220 0,14
C7H16 0,0434 0,09
El balance de materia nos da

F= L+V

Base de Cálculo 100 mol/h

Un balance de materia por componente da

Fzi= Lxi + Vyi

A partir de las relaciones equilibrio líquido vapor

Ki= yi/xi

Se sustituyen en las ecuaciones

Fzi= xi (L +BKi)

Xi= Fzi/(L+VKi)

Sustituyendo

X1= Fzi/F+V(Ki-1)

Recordando el concepto de fracción masa nos queda

9
𝐹𝑧𝑖(𝐾𝑖 − 1)
∑
𝐹 + 𝑉(𝐾𝑖 − 1)
𝑖=1

9
𝑧𝑖(𝐾𝑖 − 1)
∑
1 + 𝑡(𝐾𝑖 − 1)
𝑖=1

Donde t=V/F

Por medio del método de Newton-Raphson obtenemos valores para t

9
𝑧𝑖(𝐾𝑖 − 1)2
∑
(1 + 𝑡(𝐾𝑖 − 1))2
𝑖=1
 PROBLEMA
DESTILADOR FLASH
BASE CALCULO 1 mol/h
Componente Composició Ki= yi/xi zi*(1-Ki) Ki-1 zi*(K1-1)
n zi ^2
CO2 0,0046 1,65 0,00299 0,65 0,001943
5
CH4 0,8345 1,8 0,6676 0,8 0,53408
C2H6 0,0381 0,94 -0,002286 -0,06 0,000137
16
C3H8 0,0163 0,55 -0,007335 -0,45 0,003300
75
i- C4H10 0,005 0,4 -0,003 -0,6 0,0018
n- C4H10 0,0074 0,38 -0,004588 -0,62 0,002844
56
C5H12 0,0287 0,22 -0,022386 -0,78 0,017461
08
C6H14 0,022 0,14 -0,01892 -0,86 0,016271
2
C7H16 0,0434 0,09 -0,039494 -0,91 0,035939
54
0,572581 -2,83 0,613777
79
VALOR INICIAL xi f(xi) f'(xi) %error
0 0,93287996 0,572581 -
0,6137777
9
0,93287996 0,896814941 - - 100
0,087901 2,4373076
55 4
0,896814941 0,889565775 - - 4,021456
0,012912 1,7812270 04
41 3
0,889565775 0,889358208 - - 0,814910
0,000350 1,6862266 59
01 3
0,889358208 0,889358049 -2,6842E- - 0,023338
07 1,6836414 97
6
0,889358049 0,889358049 -1,5793E- - 1,7926E-
13 1,6836394 05
7
En base a esto sabemos que t= 0,8893/F= 0,8893/1 mol/h = 0,8893 fase vapor,
ahora a partir de eso obtenemos 1- 0,8893= 0,1107

A partir de estas calculamos la composición vapor-líquido de la mezcla.

Composición composición
líquido xi vapor yi
0,002787879 0,0046
0,463611111 0,8345
0,040531915 0,0381
0,029636364 0,0163
0,0125 0,005
0,019473684 0,0074
0,130454545 0,0287
0,157142857 0,022
0,482222222 0,0434

SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES Y NO LINEALES

Podemos clasificar los métodos para resolver sistemas de ecuaciones lineales y no lineales:
 Métodos gráficos
 Métodos directos
 Métodos iterativos
Método grafico
Este método permite visualizar donde se encuentra la solución o soluciones de nuestro
sistema, pero tiene su desventaja ya que podemos graficar a un sistema tridimensional, para
los demás este método falla
 𝑎11𝑥1 + 𝑎12𝑥2 = 𝑏1
𝑎21𝑥1 + 𝑎22𝑥2 = 𝑏2

Métodos iterativos
Para resolver sistemas de ecuaciones que contienen una gran cantidad de variables
como es el caso de resolver modelos en la simulación de columnas de destilación,
torres de enfriamiento, transferencia de calor, masa, etc. De esta manera
plantearemos nuestros sistemas de manera tal que podamos aplicar los modelos
numéricos siguientes:

Método de Jacobi y Gauss Seidel

Los métodos iterativos más sencillos y conocidos son para la generalización del
método de punto fijo, se puede aplicar la misma técnica para evaluar métodos para
la solución Ax= b de la manera siguiente.

Se parte de Ax-b=0 que corresponde a una ecuación vectorial f(x)=0 y buscamos una
matriz b y un vector c de manera tal que la ecuación vectorial tenga la siguiente
característica

X= bx + c

Solo es un arreglo de la ecuación anterior, es decir de manera que la solución de una

sea también la solución de la otra, ya que como sabemos, la ecuación original del
punto fijo es igual
 X=g(x)

A continuación, se propone un vector inicial x por lo general se recomienda empezar

por valores de cero, como primera aproximación, luego se calcula con la ecuación
los valores iterativos, de tal manera que quede determinada de la manera siguiente.

Xk+1 = BXk + C

De tal manera que al llegar a la ecuación anterior Xk+1 = BXk + C, que es la que nos
define el algoritmo, así como su convergencia, es importante aclarar que cuando nos
encontramos con este tipo de sistemas encontraremos que puede ser convergente o
puede ser divergente.

Dado que el sistema Fx= b de manera que podamos separar las variables de las
ecuaciones y además podamos observar que todos los elementos de la diagonal
principal por razones obvias sean ceros, para comprender mejor el procedimiento
plantearemos el siguiente sistema.
𝑎11𝑥1 𝑎12𝑥2 𝑎13𝑥3 𝑏1
𝑎21𝑥1 𝑎22𝑥2 𝑎23𝑥3=𝑏2
𝑎31𝑥1 𝑎32𝑥2 𝑎33𝑥3 𝑏3
𝑎12 𝑎13 𝑏1
0 − 𝑎11 − 𝑎11 𝑎11
𝑥1 𝑥1
𝑎21 𝑎23 𝑏2
𝑥2=− 𝑎22 0 − 𝑎22 × 𝑥2 +
𝑎22
𝑥3 𝑎31 𝑎32 𝑥3 𝑏3
− 𝑎33 − 𝑎33 0
𝑎33

Una vez que tenemos ya la forma matricial proponemos un valor cualquiera, pero
se sugiere empezar a trabajar desde cero para iniciar la iteración, empezaremos con
el método de Jacobi, o conocido como el método de desplazamiento simultáneo.

El vector propuesto es una aproximación de la solución X después de K iteraciones,

hasta encontrar dicha solución.

Ejemplo.

Aplicando el método de punto fijo y multivariable determine la solución para el

siguiente sistema y posteriormente se aplicará el método de Jacobi.
4𝑥1 −𝑥2 0 0 1
−𝑥1 +4𝑥2 −𝑥3 0 = 1
0 −𝑥2 4𝑥3 −𝑥4 1
0 0 −𝑥3 4𝑥4 1
 1+𝑥2 1+𝑥1+𝑥3
𝑋1 = 𝑋2 =
4 4
1+𝑥2+𝑥4 1+𝑥3
𝑋3 = 𝑋4 =
4 −4

Método de Jacobi

iteracion x1 x2 x3 x4 E1 E2 E3 E4
1 0 0 0 0
2 0.25 0.25 0.25 -0.25 100 100 100 100
3 0.3125 0.375 0.25 -0.1875 20 33.3333333 0 33.3333333
4 0.34375 0.390625 0.296875 -0.1875 9.09090909 4 15.7894737 0
5 0.34765625 0.41015625 0.30078125 -0.17578125 1.12359551 4.76190476 1.2987013 6.66666667
6 0.35253906 0.41210938 0.30859375 -0.17480469 1.38504155 0.47393365 2.53164557 0.55865922
7 0.35302734 0.4152832 0.30932617 -0.17285156 0.13831259 0.76425632 0.23677979 1.1299435
8 0.3538208 0.41558838 0.31060791 -0.17266846 0.22425392 0.07343222 0.41265475 0.10604454
9 0.35389709 0.41610718 0.31072998 -0.17234802 0.02155823 0.12467913 0.03928501 0.18592297
10 0.35402679 0.41615677 0.31093979 -0.1723175 0.03663556 0.01191644 0.06747556 0.01771009

Chart Title
0.5

0.4

0.3

0.2

0.1

0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
-0.1

-0.2

-0.3

Series1 Series2 Series3

Método de Gauss-Seidel
La aplicación de este método se basa en que, al determinar algunos valores de x,
estos sean aplicados inmediatamente, de tal forma que la convergencia sea mucho
más rápida, comparada con el método iterativo de Jacobi, como se ve en el siguiente
ejemplo.
 Aplicando este método desarrollar la solución del sistema, primero resuelto por el
método de Jacobi.
1+𝑥2 1+𝑥1+𝑥3
𝑋1 = 𝑋2 =
4 4
1+𝑥2+𝑥4 1+𝑥3
𝑋3 = 𝑋4 =
4 −4

iteracion x1 x2 x3 x4 E1 E2 E3 E4
1 0 0 0 0
2 0.25 0.3125 0.328125 -0.16796875 100 100 100 100
3 0.328125 0.4140625 0.31152344 -0.17211914 23.8095238 24.5283019 5.32915361 2.41134752
4 0.35351563 0.41625977 0.31103516 -0.17224121 7.18232044 0.52785924 0.15698587 0.07087172
5 0.35406494 0.41627502 0.31100845 -0.17224789 0.15514566 0.00366555 0.0085859 0.00387565
6 0.35406876 0.4162693 0.31100535 -0.17224866 0.00107739 0.0013746 0.00099659 0.00044985
7 0.35406733 0.41626817 0.31100488 -0.17224878 0.00040402 0.00027206 0.00015332 6.9208E-05

0.5

0.4

0.3

0.2

0.1

0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4
-0.1

-0.2

-0.3

Series1 Series2 Series3

Chart Title
Determinacion del error

En este caso se va a determinar el error por el méodo

de determinación de distancia.
 𝑑 = √(𝑋1′ − 𝑋1)2 + (𝑋2′ − 𝑋2)2 + ⋯ + (𝑋𝑁 ′ − 𝑋𝑁)2

SISTEMA DE ECUACIONES NO LINEALES

En los capítulos anteriores encontramos como evaluar las raíces de una ecuación o
sistema de ecuaciones de la forma f(x)=0.

Para un sistema de ecuaciones de varias incógnitas su representación matemática es

la siguiente
𝑓(𝑥1, 𝑥2, ⋯ 𝑥𝑛) = 0
( ⋮ ⋱ ⋮ )
𝑓(𝑥1, 𝑥2, 𝑥3 ⋯ 𝑥𝑛) = 0
Donde 𝑓(𝑥1, 𝑥2 … … 𝑋𝑛) tiene la condición de que toma valores mayores o iguales
que 1 o menores o iguales que n y corresponde y que corresponde a una función no
lineal de variables x1, x2, x3 hasta xn.

Estos son ejemplos de ecuaciones no lineales

𝐹(𝑋1, 𝑋2) = 𝑋12 + 𝑋22 − 4

𝐹(𝑋1, 𝑋2) = 𝑋2 − 𝑋12
𝐹(𝑋1, 𝑋2) = 10(𝑋2 − 𝑋12 )
𝐹(𝑋1, 𝑋2) = 1 − 𝑋12
𝐹(𝑋1, 𝑋2, 𝑋3) = 𝑋1 𝑋2 𝑋3-10𝑋12 + 𝑋2

𝐹(𝑋1, 𝑋2, 𝑋3) = 𝑋1 +2𝑋2 𝑋3-𝑠𝑒𝑛(𝑋3 ) − 15

𝐹(𝑋1, 𝑋2, 𝑋3) = 𝑋22 − 5𝑋1 𝑋3-3𝑋33 + 3

Dificultades en la solución de sistemas de ecuaciones no lineales

Antes de desarrollar los métodos iterativos para resolver sistemas de ecuaciones no

lineales podemos encontrar varios inconvenientes que destacaremos a continuación.

1.- es imposible graficar las superficies multidimensionales definidas para las

ecuaciones de los sistemas que van de n>3

2.- no es fácil encontrar buenos valores iniciales en el primer arreglo obteniendo

divergencias en la solución.
3.- es recomendable realizar ciertas rotaciones de las ecuaciones de tal manera que
el sistema sea convergente.

Para resolver estos sistemas nos apoyaremos del método de Jacobi o Gauss-Seidel,
pero también como se trata de una forma iterativa ocuparemos los métodos de Punto
fijo multivariable y Newton Rhapson multivariable

Método de punto fijo multivariable

Los algoritmos estudiados hasta ahora son en principio aplicables a sistema de

cualquier número de ecuaciones lineales y no lineales, para inicial el estudio de
dicho método iterativo, lo estudiaremos con dos ecuaciones y dos incógnitas porque
lo que pasa en 2 ecuaciones pasa en 3 y así sucesivamente

Al aplicar el sistema se trata de encontrar pares de valores x, y que satisfaga ambas

ecuaciones, se resolverá la primera ecuación para valores cercanos a cero o
directamente cera de tal manera que nuestro sistema converja

𝐹(𝑋1, 𝑌𝐼) = 0
𝐹(𝑋2, 𝑌2) = 0
Tratar de encontrar pares de valores x e y que satisfagan ambas ecuaciones con l
método de punto fijo o con el algoritmo de Jacobi o de Gauss- Seidel, le daremos la
solución para calcular el valor de x y posteriormente el de y quedando nuestro
sistema de la forma siguiente.
𝑥 = 𝑔(𝑥, 𝑦)
𝑦 = 𝑔(𝑥, 𝑦)
𝑥 𝑘+1 = 𝑔(𝑥 𝑘 , 𝑦 𝑘 )
𝑦 𝑘+1 = 𝑔(𝑥 𝑘 , 𝑦 𝑘 )
Ejemplo determine la solución del siguiente sistema de ecuaciones no lineales con el
método de punto fijo.

𝑥 2 − 10𝑥 + 𝑦 2 + 8 = 0
𝑥𝑦 2 + 𝑥 − 10𝑦 + 8 = 0
Si despejamos en las ecuaciones

𝑥2 + 𝑦2 + 8
=𝑥
10
 𝑥𝑦 2 + 𝑥 + 8
=𝑦
10
Método de Jacobi

iteración x y distancia
1 0 0
2 0.8 0.8 1.13137085
3 0.928 0.9312 0.18329604
4 0.9728 0.9732 0.06140879
5 0.9843 0.9894 0.01986681
6 0.9957 0.9957 0.01302498

Chart Title
2.5

1.5

0.5

0
0 0.2 0.4 0.6 0.8 1 1.2 1.4

Gauss seidel
x y Ex Ey
0 0
0.8 0.88 100 100
0.94144 0.96704911 15.0237933 9.0015194
0.98214933 0.99006396 4.14492227 2.32458227
0.9944844 0.99693045 1.24034819 0.68876277
0.99828695 0.99904547 0.38090834 0.21170432
 Chart Title
1.5

0.5

0
0 0.2 0.4 0.6 0.8 1 1.2

Convergencia del método

Una condición suficiente, aunque no necesaria para determinar su convergencia es la
aplicación de la siguiente ecuación
𝜕𝑔1 𝜕𝑔2 𝜕𝑔𝑖 𝜕𝑔𝑖
| |+| |≤𝑀<1 | |+| | ≤𝑀<1
𝜕𝑥 𝜕𝑥 𝜕𝑦 𝜕𝑦

Al aplicar estas ecuaciones podemos obtener los siguientes resultados:

1- Si M es muy pequeño en una región de interés, la iteración converge rápidamente
2- Si M es cercano a 1 observamos una convergencia muy lenta o inclusive divergen

Método de Newton Raphson multivariable

Como el método de una incógnita hasta de n incógnitas podemos diseñar un método
de convergencia cuadrática, es decir, aplicando un método abierto que corresponde
al método de Newton Raphson multivariable este procedimiento lo desarrollaremos
primero para dos variables y sucede que para 3 o más variables es viable generalizar
los resultados, y aplicar las funciones correspondientes y obtener las raíces, siendo
las ecuaciones.

𝑥 = 𝑔(𝑥, 𝑦)
𝑦 = 𝑔(𝑥, 𝑦)
En su forma general la aplicación de los polinomios nos permite involucrar
diferentes tipos de variables donde pueden existir incrementos o decrementos de
modo que se pueda expresar dicha variación aplicando la serie de Taylor.

𝜕(𝑥 − 𝑎) 𝜕(𝑦 − 𝑎) 1 𝜕 2 𝐹(𝑥 − 𝑎)2 2𝜕 𝐹(𝑥 − 𝑎)(𝑦 − 𝑏)

𝐹(𝑥, 𝑦) = 𝐹(𝑎, 𝑏) + + + [ +
𝜕𝑥 𝜕𝑦 2 𝜕𝑥 2 𝜕𝑦 𝜕𝑥
2 2
𝜕 𝐹(𝑦 − 𝑏)
+
𝜕𝑦 2
Donde F (x, y) se han expendido alrededor del punto A, B y todas las derivadas
parciales del polinomio que se abre alrededor de este punto

Si expandimos las series de Taylor en el caso de que iniciamos en las variables y que
no estén presentes los valores constantes, esta ecuación quedará representada de la
manera siguiente.

𝑘+1 𝑘+1 ) 𝑘 𝑘)
𝜕(𝑥 𝑘+1 − 𝑥 𝑘 ) 𝜕(𝑦 𝑘+1 − 𝑦 𝑘 ) 1 𝜕 2 𝐹(𝑥 𝑘+1 − 𝑥 𝑘 )2
𝐹(𝑥 ,𝑦 = 𝐹(𝑎 , 𝑏 + + + [
𝜕𝑥 𝜕𝑦 2 𝜕𝑥 2
2𝜕 𝐹(𝑥 𝑘+1 − 𝑥 𝑘 )(𝑦 𝑘+1 − 𝑦 𝑘 ) 𝜕 2 𝐹(𝑦 𝑘+1 − 𝑦 𝑘 )2
+ +
𝜕𝑦 𝜕𝑥 𝜕𝑦 2
Supongamos que x^(k+1) y y^(k+1) están donde se encuentra la raíz buscada bajo
esta condición podemos establecer que para resolver un sistema de ecuaciones
lineales está quedará simplificada de la manera siguiente

𝜕𝐹2 (𝑥 𝑘+1 − 𝑥 𝑘 ) 𝜕𝐹2 (𝑦 𝑘+1 − 𝑦 𝑘 )

0 = 𝐹2 (𝑥 𝑘 , 𝑦 𝑘 ) + +
𝜕𝑥 𝜕𝑦
𝜕𝐹1 (𝑥 𝑘+1 − 𝑥 𝑘 ) 𝜕𝐹1 (𝑦 𝑘+1 − 𝑦 𝑘 )
0 = 𝐹1 (𝑥 𝑘 , 𝑦 𝑘 ) + +
𝜕𝑥 𝜕𝑦
𝑗𝜕𝐹2 𝜕𝐹2
0 = 𝐹2 (𝑥 𝑘 , 𝑦 𝑘 ) + +𝑘
𝜕𝑥 𝜕𝑦
𝜕𝐹1 𝜕𝐹1
0 = 𝐹1 (𝑥 𝑘 , 𝑦 𝑘 ) + 𝑗 +ℎ
𝜕𝑥 𝜕𝑦
Quedando finalmente en la forma siguiente
𝑗𝜕𝐹2 𝜕𝐹2
−𝐹2 (𝑥 𝑘 , 𝑦 𝑘 ) = +𝑘
𝜕𝑥 𝜕𝑦
𝜕𝐹1 𝜕𝐹1
−𝐹1 (𝑥 𝑘 , 𝑦 𝑘 ) = 𝑗 +ℎ
𝜕𝑥 𝜕𝑦
Ejemplo. Aplicando el método de Newton-Raphson multivariable determine para el
siguiente sistema de ecuaciones

𝑥 2 − 10𝑥 + 𝑦 2 + 8 = 0
𝑥𝑦 2 + 𝑥 − 10𝑦 + 8 = 0
Calculamos las 4 derivadas correspondientes
 𝑓𝑥 = 2𝑥 − 10 , 𝑓𝑦 = 2𝑦

𝑔𝑥 = 𝑦 2 + 1, 𝑔𝑦 = 2𝑥𝑦 − 10

𝜕𝐹1 𝜕𝐹1
𝜕𝑦 −𝐹1 (𝑥 𝑘 , 𝑦 𝑘 )
| 𝜕𝑥 || |
𝜕𝐹2 𝜕𝐹2 −𝐹2 (𝑥 𝑘 , 𝑦 𝑘 )
𝜕𝑥 𝜕𝑦
x=h= 0.8
y=j= 0.88

Resolvemos el sistema de ecuaciones que se forma y empezamos las iteraciones

iteración x y distancia

1 0 0
2 0.8 0.88 1.1892855
3 0.99179 0.99171 0.22195163
4 0.99998 0.9997 0.01144186

Método de Cramer
−10 0
𝑑=| | = 100 − 0 = 100
1 −10
−10 0
𝑑1 = | | = 80 − (−0) = 80
−8 −10
−10 −8
𝑑2 = | | = 80 − (−8) = 88
1 −8
80 88
ℎ = 100 = 0.8 𝑗 = 100 = 0.88

AJUSTES DE DATOS A MODELOS MATEMÁTICOS

Regresión por mínimos cuadrados
Como sabemos los modelos matemáticos que
podemos evaluar están relacionados con un
polinomio de orden n como podemos ver a
continuación 𝑓(𝑥 𝑛 ) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ +
⋯ 𝑎𝑛 𝑥 𝑛 ,
La primera ecuación corresponde a una línea recta
y para observar su tendencia aplicaremos la
regresión lineal por mínimos cuadrados.

El método de mínimos cuadrados consiste en encontrar una función analítica, que

represente el comportamiento de estos datos en cada uno de los puntos debe
satisfacer la condición de minimizar la suma de las desviaciones que lo
representaremos como Sr. estas desviaciones se refieren al comportamiento de cada
par de datos discretos con respecto al modelo propuesto, quedando en forma
general la siguiente ecuación.

∑(𝑑𝑖 2 ) = 0

Regresión lineal

El ejemplo más claro de la aproximación por mínimos cuadrados consiste en ajustar

una recta con un grupo de datos.

𝑓(𝑥 𝑛 ) = 𝑎0 + 𝑎1 𝑥
Al método propuesto es importante agregar el error que existe entre los datos y el
modelo propuesto, donde 𝑎0 corresponde a la ordenada al origen 𝑎1 la pendiente y
posteriormente determinaremos el error.

Error
𝑒𝑟𝑟𝑜𝑟 = 𝑦 − 𝑎0 − 𝑎1 𝑥
𝑛

∑(𝑦 − 𝑎0 − 𝑎1 𝑥)2 = 0
𝑖=1

Al aplicar el criterio de que el mejor ajuste se cumple cuando se puede minimizar la

suma de los cuadrados de los residuos que representaremos como Sr es decir su
forma general está representada por la siguiente ecuación
𝑛

𝑆𝑟 = ∑(𝑦 − 𝑎0 − 𝑎1 𝑥)2
𝑖=1
Este criterio tiene la ventaja de representar en una forma única para un conjunto de
datos.
𝜕𝑆𝑟 𝜕𝑆𝑟
+
𝜕𝑎0 𝜕𝑎1
𝑛
𝜕𝑆𝑟
= −2 ∑(𝑦 − 𝑎0 − 𝑎1 𝑥)
𝜕𝑎0
𝑖=1
𝑛
𝜕𝑆𝑟
= −2 ∑ 𝑥 𝑖 (𝑦 − 𝑎0 − 𝑎1 𝑥)
𝜕𝑎1
𝑖=1
𝑛

∑(𝑦 − 𝑎0 − 𝑎1 𝑥) = 0
𝑖=1
𝑛

∑ 𝑥 𝑖 (𝑦 − 𝑎0 − 𝑎1 𝑥) = 0
𝑖=1
𝑛 𝑛

∑ 𝑦 = ∑(𝑎1 𝑥) + 𝑛 𝑎0
𝑖=1 𝑖=1
𝑛 𝑛 𝑛

∑ 𝑥 𝑦 = ∑(𝑎0 𝑥) + ∑(𝑎1 𝑥 2 )
𝑖

𝑖=1 𝑖=1 𝑖=1

𝑛𝑎0 + 𝑎1 ∑ 𝑥 = ∑ 𝑦

𝑎0 ∑ 𝑥 + 𝑎1 ∑ 𝑥 2 = ∑ 𝑥𝑦

𝑛 ∑𝑥 ∑𝑦
⌈ ⌉
∑𝑥 ∑ 𝑥2 ∑𝑦𝑥

Como ya contaos con dos ecuaciones con dos incógnitas se resuelve el sistema de
forma simultánea o por sustitución, al resolverlo por la primera forma y despejando
los valores de 𝑎0 y 𝑎1 estos quedan de la forma siguiente

∑𝑛𝑖=1 𝑥 2 ∑𝑛𝑖=1 𝑦 − ∑𝑛𝑖=1 𝑥 ∑𝑛𝑖=1 𝑥𝑦

𝑎0 =
𝑛 ∑𝑛𝑖=1 𝑥 2 − (∑𝑛𝑖=1 𝑥 )2
 𝑛 ∑𝑛𝑖=1 𝑥 𝑖 𝑦 − ∑𝑛𝑖=1 𝑥 ∑𝑛𝑖=1 𝑦
𝑎1 =
𝑛 ∑𝑛𝑖=1 𝑥 2 − (∑𝑛𝑖=1 𝑥 )2
𝑎0 = 𝑦 ∗ − 𝑎1 𝑥 ∗
Donde a1 está dada como la ecuación de arriba y las variables

∗ ∑𝑛
𝑖=1 𝑦 ∗ ∑𝑛
𝑖=1 𝑥
𝑦 = 𝑥 =
𝑛 𝑛
Para determinar la solución aplicaremos la regresión lineal por mínimos cuadrados
que nos proporciona la mejor aproximación de los valores par a1 y a0, a esto se le
conoce el principio de la probabilidad máxima dentro de la estadística.

Para compara a eficiencia de ajuste se determina la suma de los cuadrados de los

residuos definida como Sr y posteriormente la media de la variable dependiente y
que se define como la suma total de los cuadrados alrededor de valor medio y lo
podemos determinar.

𝑆𝑡 = ∑𝑛𝑖=1(𝑦𝑖 −𝑦 ∗ )2
La diferencia entre las cantidades St - Sr nos permite cuantificar la mejora en la
reducción del error al utilizar el método lineal parabólico, esta diferencia nos
permite normalizar el error total y finalmente calcular el coeficiente de correlación o
de ajuste.

𝑆𝑡 − 𝑆𝑟
𝑟= √
𝑆𝑡

Para un ajuste perfecto el coeficiente de correlación debe 1 o al menos cercano a este

valor, si cumple, es acorde, sino es necesario buscar otro método.

Ejemplo

Aplicando la regresión lineal por mínimos cuadrados y ajustarlo al primer método

que corresponde a la línea recta siguiente de los siguientes datos mostrados a
continuación, determinar la pendiente la intersección y el coeficiente de correlación.

Tabla
1
X Y XY X^2 Sr St x* y*
1 75 75 1 11.1041285 4096 15.42 139
 2 78 156 4 20.584177 3721
5 97 485 25 3.41858639 1764
10 123 1230 100 46.5871314 256
20 160 3200 400 3.16322583 441
30 200 6000 900 0.07203033 3721
40 240 9600 1600 5.36068501 10201
Suma 108 973 20746 3030 90.2899644 24200

Calculo de las Constantes Valores Promedio Ecuación del modelo Ajustado

X Med. Y Med.
a1 4.20469307 15.4285714 139 Y = a0 + a1*X

a0 74.1275927 Coeficiente de correlación Y = 74.1275927 + 4.20469307* X

r 0.99813276

Tabla 2: Datos de Comparación

X Y Y Ajustada Chart Title
1 75 78.3322858
2 78 82.5369788 300
5 97 95.151058
250
10 123 116.174523
20 160 158.221454 200
30 200 200.268385
40 240 242.315315 150

100

50

0
0 10 20 30 40 50
Y Y Ajustada

(3030∗973)−(108∗20746)
𝑎0 = (7∗3030)−(11664)
=74.1275

(7 ∗ 20746) − (108 ∗ 473)

𝑎1 = = 4.2046
(7 ∗ 3030) − (1082 )
 Transformaciones Lineales

Cuando algún conjunto de datos o puntos no se aproximan a una línea recta la

segunda alternativa es que sea una curva y corresponde a una función parabólica
pero también recordemos que este tipo de características corresponde a las funciones
exponenciales, para este caso se recomienda, considerar que dichos puntos los
podemos transformar a una línea recta como lo indica la siguiente figura

𝑦 = 𝑎0 𝑒 𝑎1
𝐼𝑛 𝑦 = 𝐼𝑛 𝑎0 𝑒 𝑎1
𝐼𝑛 𝑦 = 𝐼𝑛 𝑎0 + 𝑎1 𝑥
Ejemplo

Ajuste a un modelo exponencial los siguientes datos que presentan en la siguiente

tabla y determinar lo siguiente.

a) determine la pendiente, el punto de intersección con la gráfica, y el coeficiente de

correlación para verificar si es exponencial.

b) construir gráficas y comparar con el resultado obtenido y el modelo ajustado

Tabla 1 Modelo Exponencial
X Y Ln Y X*Ln Y X^2 Sr St
0.05 500 6.2146081 0.3107304 0.0025 0.00333301 1.0626158
0.4 750 6.62007321 2.64802928 0.16 0.00285156 0.39108447
0.8 1000 6.90775528 5.52620422 0.64 2.2106E-05 0.11403143
1.2 1400 7.24422752 8.69307302 1.44 2.2979E-05 1.4718E-06
1.6 2000 7.60090246 12.1614439 2.56 0.00062942 0.12635308
2 2700 7.90100705 15.8020141 4 0.00012516 0.42976727
2.4 3750 8.22951112 19.7508267 5.76 0.00036343 0.96839464
Suma 8.45 12100 50.7180847 64.8923217 14.5625 0.00734767 3.09224816

Calculo de las constantes Valores Promedio Ecuación del Modelo Ajustado

a1 0.8409509 X prom. Y prom. Y = a0Exp(a1X)

1.20714286 7.24544068
Ln a0 6.23029281 Y = 507.90418*Exp(0.8409509*X)
a0 507.90418 r 0.99881121
 Tabla 2: Datos de Comparación
X Y Y Ajustado
0.05 500 529.71565
0.4 750 711.000524
0.8 1000 995.309282
1.2 1400 1393.30497
1.6 2000 1950.44775
2 2700 2730.37598
2.4 3750 3822.17518

Chart Title
4500
4000
3500
3000
2500
2000
1500
1000
500
0
0 0.5 1 1.5 2 2.5 3

Y Y Ajustado

11
𝑛 ∑𝑛𝑖=1
− ∑𝑛𝑖=1 𝑥 ∑𝑛𝑖=1 𝑦
𝑥𝑦
𝑎1 =
𝑛 ∑𝑛𝑖=1 𝑥 2 − (∑𝑛𝑖=1 𝑥 )2
𝑎0 = 𝑦 ∗ − 𝑎1 𝑥 ∗

∗ ∑𝑛
𝑖=1 𝑦 ∗ ∑𝑛
𝑖=1 𝑥
𝑦 = 𝑥 =
𝑛 𝑛
𝑎0 = ln 𝑦∗ − 𝑎1 𝑥∗
𝑛 ∑𝑛𝑖=1 𝑥𝑙𝑛𝑦 − ∑𝑛𝑖=1 𝑥 ∑𝑛𝑖=1 𝑙𝑛𝑦
𝑎1 =
𝑛 ∑𝑛𝑖=1 𝑥 2 − (∑𝑛𝑖=1 𝑥 )2

Crecimiento de saturación
Cuando al graficar un conjunto de datos observamos que el comportamiento no es
lineal, que tiene la siguiente tendencia como se muestra a continuación

Es posible proponer una ecuación que caracterice el crecimiento de la población

bajo condiciones limitantes y uno de los modelos aplicables a este crecimiento es el
siguiente:
𝑎0 𝑥
𝑦=
𝑎1 + 𝑥
Despejando

𝑦(𝑎1 + 𝑥) = 𝑎0 𝑥

𝑦𝑎1 + 𝑦𝑥 = 𝑎0 𝑥
𝑦𝑎1 + 𝑦𝑥
= 𝑥
𝑎0
𝑎1 + 𝑥 1
=
𝑎0 𝑥 𝑦
𝑎1 1 1
+ =
𝑎0 𝑎0 𝑦
1
= 1.2135 − 1.9815(0.36559) =0.48422
𝑎0

1
1.9815𝑋 −1 + 0.48922 =
𝑦
𝑛
1 1
𝑆𝑡 = ∑( − ∗ )2
𝑦 𝑦
𝑖=1
𝑛
1 1 𝑎1 2
𝑆𝑟 = ∑( − − )
𝑦 𝑎0 𝑎0 𝑥
𝑖=1

𝑆𝑡 − 𝑆𝑟
𝑟=√
𝑆𝑡

Obtenemos el siguiente modelo lineal

Ejemplo
 Ajustar un modelo de crecimiento de saturación en el siguiente conjunto de datos y
determine:

a) la pendiente
b) el punto de intersección
c) el coeficiente de correlación
d) construir la gráfica

Tabla 1: Promedio de Crecimiento de

Saturación.
X Y 1/X 1/Y (1/X) *(1/Y) (1/X) ^2 Sr St
1 0.4 1 2.5 2.5 1 0.00084485 1.65474364
2 0.7 0.5 1.42857143 0.71428571 0.25 0.00264185 0.04619913
2.5 0.8 0.4 1.25 0.5 0.16 0.00100982 0.00132266
4 1 0.25 1 0.25 0.0625 0.0002406 0.04563846
6 1.2 0.16666667 0.83333333 0.13888889 0.02777778 0.00019615 0.14462678
8 1.3 0.125 0.76923077 0.09615385 0.015625 0.00105514 0.1974921
8.5 1.4 0.11764706 0.71428571 0.08403361 0.01384083 6.2238E-05 0.24934632
Suma 2.55931373 8.49542125 4.28336206 1.52974361 0.00605065 53.0244603

Calculo de las constantes Valores Promedio Ecuación del Modelo Ajustado

a1/a0 1.98192673 X prom. Y prom. Y =(a0X/a1+X)

(1/X)prom (1/Y)prom
1/a0 0.48900699 0.36561625 1.21363161 Y =(2.04496053*X)/(4.05296194+ X)

a0 2.04496053 r 0.99977179
a1 4.05296194

Tabla 2: Datos de Comparación

X Y Y Ajustada
1 0.4 0.40470531
2 0.7 0.67568921
2.5 0.8 0.78016649
4 1 1.01575572
6 1.2 1.22051225
8 1.3 1.35731651
8.5 1.4 1.38470622
 Chart Title
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9

Y Y Ajustada

Regresión Lineal múltiple

Al representar un grupo de datos como se aprecia en la siguiente figura.

Para este caso se sugiere aplicar una regresión polinomio de tal manera que
podamos ajustar los mínimos cuadrados y se pueda extender fácilmente el
polinomio, es importante agregar el error producido en el comportamiento de los
datos y el modelo propuesto, quedando de la manera siguiente.

𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 , +e
𝑒 = 𝑦 − (𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 , )
Aplicando el criterio del mejor ajuste se cumple cuando se puede minimizar Sr es
decir el error entre el modelo y los datos experimentales o estadísticos quedando de
la manera siguiente.
 2
Sr= ∑𝑛𝑖=1(𝑦 − (𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 , )

En manera análoga al procedimiento anterior

𝑛
𝜕𝑆𝑟
= −2 ∑(𝑦 − (𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 )
𝜕𝑎0
𝑖=1
𝑛
𝜕𝑆𝑟
= −2𝑥 ∑(𝑦 − (𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 )
𝜕𝑎1
𝑖=1
𝑛
𝜕𝑆𝑟
= −2𝑥 2 ∑(𝑦 − (𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 )
𝜕𝑎3
𝑖=1
𝑛
𝜕𝑆𝑟
= −2𝑥 𝑛 ∑(𝑦 − (𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 )
𝜕𝑎𝑛
𝑖=1
𝑛

−2 ∑(𝑦 − (𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 ) = 0
𝑖=1
𝑛

−2𝑥 ∑(𝑦 − (𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 ) = 0

𝑖=1
𝑛

−2𝑥 ∑(𝑦 − (𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 ) = 0

2

𝑖=1
𝑛

−2𝑥 ∑(𝑦 − (𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + ⋯ 𝑎𝑛 𝑥 𝑛 ) = 0

𝑛

𝑖=1

𝑛 𝑛 𝑛 𝑛 𝑛

∑ 𝑦 = ∑(𝑎𝑛 𝑥 𝑛 ) + ∑(𝑎3 𝑥 3 ) + ∑(𝑎2 𝑥 2 ) + ∑(𝑎1 𝑥) + 𝑛 𝑎0

𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛

∑ 𝑥 𝑖 𝑦 = ∑(𝑎𝑛−1 𝑥 𝑛+1 ) + ∑(𝑎2 𝑥 3 ) + ∑(𝑎1 𝑥 2 ) + ∑(𝑎0 𝑥)

𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛

∑ 𝑥 2 𝑦 = ∑(𝑎𝑛 𝑥 𝑛+2 ) + ∑(𝑎2 𝑥 4 ) + ∑(𝑎1 𝑥 3 ) + ∑(𝑎0 𝑥 2 )

𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛

∑ 𝑥 𝑚 𝑦 = ∑(𝑎𝑛 𝑥 𝑛+𝑛 ) + ∑(𝑎2 𝑥 𝑚+2 ) + ∑(𝑎1 𝑥 𝑚+1 ) + ∑(𝑎0 𝑥 𝑚 )

𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
Para comprobar el ajuste de curvas es necesario determinar el coeficiente de
correlación que se determina de la misma forma

𝑆𝑡 − 𝑆𝑟
𝑟= √
𝑆𝑡

Con 𝑆𝑡 = ∑𝑛𝑖=1(𝑦𝑖 −𝑦 ∗ )2

Ejemplo.

Determine los valores constantes del siguiente modelo parabólico además determine
el coeficiente de correlación.

Construya unos gráficos donde podamos comparar los datos originales con respecto
al modelo ajustado
Tabla 1: Regresión Lineal Múltiple (Polinomio de
Segundo grado).
X Y X^2 X^3 X^4 XY X^2*Y Sr St
0.25 - 0.0625 0.015625 0.00390625 - - 0.00831255 3.378244
0.23 0.0575 0.014375
0.75 - 0.5625 0.421875 0.31640625 - - 0.04954295 3.755844
0.33 0.2475 0.185625
1.25 0.7 1.5625 1.953125 2.44140625 0.875 1.09375 0.00242449 0.824464
1.5 1.9 2.25 3.375 5.0625 2.85 4.275 0.02058978 0.085264
2 6 4 8 16 12 24 0.00661314 19.289664
Suma 5.75 8.04 8.4375 13.765625 23.8242188 15.42 29.16875 0.0874829 27.33348

La Matriz Queda
Y Med 1.608
5a0 + 5.75a1 + 8.4375a2 = 8.02
5.75a0 + 8.4375a1 + 13.765625a2 =15.39 r 0.99839843
8.4375a0 + 13.765625a1 + 23.824218a2 = 29.12375}

𝑛𝑎0 + 𝑎1 ∑ 𝑥1 + 𝑎2 ∑ 𝑥 2 = ∑ 𝑦

𝑎𝑜 ∑ 𝑥 + 𝑎1 ∑ 𝑥 2 + 𝑎2 ∑ 𝑥 3 = ∑ 𝑥𝑦

𝑎𝑜 ∑ 𝑥 2 + 𝑎1 ∑ 𝑥 2 + 𝑎2 ∑ 𝑥 4 = ∑ 𝑥 2 𝑦
 𝑛

𝑆𝑡 = ∑(𝑦𝑖 −𝑦 ∗ )2
𝑖=1
2
Sr= ∑𝑛𝑖=1(𝑦 − 𝑎0 − 𝑎1 𝑥 − 𝑎2 𝑥 2 )

FORMULAS DE INTEGRACIÓN

Regla del trapecio

La regla del trapecio es una de las primeras formulas cerradas de Newton y que su
desarrollo corresponde al caso en el estudio de un polinomio

𝐹𝑛(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛
Su aplicación y representación matemática es la siguiente
𝑏 𝑏
∫ 𝐹(𝑥)𝑑𝑥 = ∫ 𝐹𝑛(𝑥)𝑑𝑥
𝑎 𝑎

𝐹(𝑋𝑜) − 𝐹(𝑋1)
𝑋0 − 𝑋1
m1=m2
𝐹(𝑋1) − 𝐹(𝑋𝑜) 𝐹(𝑋2) − 𝐹(𝑋1)
=
𝑋1 − 𝑋𝑜 𝑋2 − 𝑋1
𝐹(𝑋2) − 𝐹(𝑋1)
𝐹(𝑋𝑜) = − [ (𝑋1 − 𝑋𝑜)] + 𝐹(𝑋1)
𝑋2 − 𝑋1

𝑏
𝐹(𝑋2) − 𝐹(𝑋1)
∫ 𝐹(𝑋1) − [ (𝑋1 − 𝑋𝑜)] 𝑑𝑥
𝑎 𝑋2 − 𝑋1

𝐹(𝑎)+𝐹(𝑏)
Área = (b-a) ( )
2
ℎ
𝐴𝑟𝑒𝑎 = [𝐹(𝑋𝑜) + 2 ∑ 𝐹(𝑋𝑖) + 𝐹(𝑋𝑛)]
2
𝑏−𝑎
ℎ=
𝑛
Reordenando la integración y reordenando la formula del trapecio queda de la
siguiente manera
𝐹(𝑎)+𝐹(𝑏)
Área = (b-a) ( )
2

Otra forma de obtener la estimación de una integral bajo las curvas

aplicar los polinomios de orden superior para unir lo puntos de manera
tal que abarquemos la mayor área posible
en estudio, si encontramos un punto medio
entre F(a) y F(b) entonces podemos unir el
tercer punto como se presenta en el
siguiente dibujo

𝑏 𝑏
𝑦 = ∫ 𝐹(𝑋)𝑑𝑥 ≈ ∫ 𝐹2(𝑋)𝑑𝑥
𝑎 𝑎

Si A y B lo definimos Xo y X nos representan un polinomio de Grange

𝐹𝑛 = ∑ 𝐿𝑖 𝑥 𝐹(𝑋)𝑑𝑥

𝑥−𝑥1 𝑥−𝑥𝑜
Para 𝐹1(𝑋) = [𝑥𝑜−𝑥] 𝐹(𝑥𝑜) + 𝑥1−𝑥𝑜 𝐹(𝑥1)
𝑥2 𝑥2 (𝑥 − 𝑥𝑜)(𝑥 − 𝑥1)
(𝑥 − 𝑥𝑜)(𝑥 − 𝑥1)
∫ 𝐹2(𝑋) = ∫ [ ] 𝐹(𝑥𝑜) + 𝐹(𝑥1)
𝑥𝑜 𝑥𝑜 (𝑥2 − 𝑥𝑜)(𝑥2 − 𝑥1) (𝑥1 − 𝑥𝑜)(𝑥2 − 𝑥1)
(𝑥 − 𝑥𝑜)(𝑥 − 𝑥1)
+ 𝐹(𝑥2)𝑑𝑥
(𝑥2 − 𝑥𝑜)(𝑥2 − 𝑥1)
Si integramos este polinomio y que como sabemos conocemos los limites tanto
iniciales como finales y posteriormente resolvemos, la ecuación final quedara
representada de la siguiente forma:
Ecuación d Simpson 1/3
ℎ
𝐴=𝑌= [𝐹(𝑋𝑜) + 4𝐹(𝑋𝑖) + 𝐹(𝑥2)]
3
𝑏−𝑎
ℎ=
𝑛

Ejemplo

Aplicando la regla se Simpson de 1/3

determina el área bajo la curva de la siguiente función

𝐹(𝑋) = 0.2 + 25𝑥 − 200𝑥 2 + 675𝑥 3 − 400𝑥 4 + 900𝑥^5

𝑎 = 𝑜 𝑏 = 0.8
𝑏−𝑎
ℎ= 𝑛
0.8 − 0
ℎ= = 0.4
2
𝐹(𝑋) = 𝐹(0) = 0.2
𝐹(𝑋1) = 𝐹(0.4) = 2.456
𝐹(𝑋2) = 𝐹(0.8) = 0.232
0.4
𝐴= [0.2 + 4(2.456) + 0.232] = 1.3674666
3
1.64 − 1.36
%𝐸𝑟𝑟𝑜𝑟 = | | ∗ 100% = 16.6%
1.64
Regla de Simpson de 1/3 aplicando segmentos múltiples

Se aplica el mismo procedimiento que desarrollamos para la Regla de trapecio de

segmentos múltiples y posteriormente simplificamos de manera tal que tengamos
una ecuación fácil de aplicar
𝑥2 𝑥4 𝑥6 𝑛4
𝐴𝑟𝑒𝑎 = ∫ 𝐹(𝑋)𝑑𝑥 + ∫ 𝐹(𝑋)𝑑𝑥 + ∫ 𝐹(𝑋)𝑑𝑥 + ⋯ + ∫ 𝐹(𝑋)𝑑𝑥
𝑥0 𝑥2 𝑥4 𝑥𝑛−2

ℎ ℎ
𝐴𝑟𝑒𝑎 = [𝐹(𝑋𝑜) + 4𝐹(𝑋1) + 𝐹(𝑋2)] + [𝐹(𝑋2) + 4𝐹(𝑋3) + 𝐹(𝑋4)]
3 3
ℎ
+ [𝐹(𝑋𝑛 − 2) + 4𝐹(𝑋𝑛 − 1) + 𝐹(𝑋𝑛)]
3
ℎ
𝐴𝑟𝑒𝑎 ≈= [𝐹(𝑋𝑜) + 4 ∑ 𝐹(𝑋𝑖) + 2 ∑ 𝐹(𝑋𝑗) + 𝐹(𝑋𝑛)]
3
APLICACIONES

Determine el área de los siguientes datos aplicando 2 métodos de solución y

comparándolos

velocidad Tiempo
1 0.25 -0.23
2 0.75 -0.33
3 1.25 0.70
4 1.50 1.9
5 2.00 6.0

Por método de regresión múltiple

𝑦 = 0.711375 − 4.258698𝑥 + 3.431211𝑥^2

𝑋𝑜 = a = 0.25 𝑋1 = b = 2 𝑛 = 4

Por regla del trapecio

ℎ
𝐴𝑟𝑒𝑎 = [𝐹(𝑋𝑜) + 2 ∑ 𝐹(𝑋𝑖) + 𝐹(𝑋𝑛)]
2
𝑏−𝑎 2−0.25
ℎ= = = 0.4375
𝑛 4

𝐹(𝑋𝑜) = 𝐹(0.25) = −0.1329

𝐹(𝑋1) = 𝐹(0.6875) = −0.5423
𝐹(𝑋2) = 𝐹(1.125) = 0.2658
𝐹(𝑋3) = 𝐹(1.5625) = 2.4365
𝐹(𝑋4) = 𝐹(2) = 5.9213

0.35
𝐴𝑟𝑒𝑎 = [𝐹(𝑋𝑜) + 2 ∑ 𝐹(𝑋𝑖) + 𝐹(𝑋𝑛)]
2
Área= 10.3590

Ejemplo
La siguiente tabla nos presenta el gasto instantáneo de petróleo crudo en un
deoducto (en miles de lb/hr) el flujo se mide en intervalos de 12 min ¿Cuál es la
cantidad de petróleo bombeado en 2hrs con 12 min aplicando 2 métodos de solución
y comparándolos?

HORA GASTO
1 6.2 8
2 6.12 6 7
3 6.24 5.9
6
4 6.36 5.9
5 6.48 6.2 5
6 7 6.4 4
7 7.12 6.5
3
8 7.24 6.8
9 7.36 6.9 2
10 7.48 7.1 1
11 8 7.3
0
12 8.12 6.9

CONCLUSIÓN

El presente documento es una recopilación de los trabajos realizados durante el

curso de análisis numérico y programación, ayudan a conocer la metodología para
la resolución de distintas ecuaciones, así como la resolución de problemas aplicados
a la carrera de ingeniería química y otras ingenierías, al finalizar el texto se lograrán
comprender conceptos importantes acerca del tema y podrán aplicarse para cálculos
posteriores en la vida académica e incluso en la vida diaria.

El curso de análisis numérico fue bueno a pesar de las complicaciones por

suspensiones escolares, pero se considera que se logró cumplir el objetivo en la
comprensión y aplicación de los temas abarcados en el programa de la materia.