Curso Calculo para Ingenieria de Procesos PDF

UNIVERSIDAD NACIONAL DE INGENIERIA CALCULOS DE INGENIERIA QUIMICA
FACULTAD DE INGENIERIA QUIMICA Y TEXTIL ING. ALEX PILCO NUÑEZ
CAPÍTULO 1
DEFINICIÓN DE ERROR
Objetivos
Definir los términos: error, error relativo, error relativo porcentual, verdadero
y aproximado.
Distinguir los conceptos de exactitud y precisión.
Calcular los errores relativos, relativos porcentuales, verdaderos y
aproximados usando como herramienta la hoja de cálculo de Excel.
Los errores numéricos se generan con el uso de aproximaciones para representar

las operaciones y cantidades matemáticas. En la Sección 1.1 y 1.2 se describen
los errores por redondeo y por truncamiento respectivamente. En la Sección 1.3 se
muestra la clasificación general de los errores y la forma en que se pueden
calcular. Finalmente en la Sección 1.4 se muestra la diferencia entre los términos
exactitud y precisión.
1.1 Errores por truncamiento
Los errores por truncamiento resultan al representar aproximadamente un

procedimiento matemático exacto, por ejemplo: e x se tiene una expresión
matemática, dada por la sumatoria de términos, que representa esta función. La
expansión de series de Maclaurin (Spiegel, 1968) para evaluar la expresión e x es
la siguiente:
 x 2   x3   x 4 
e = 1 + x +   +   +   + ...
x
(1.1)
 2!   3!   4! 
Esta expresión contiene un número infinito de términos que desde el punto de

vista computacional, resultaría imposible evaluar. Para efectos prácticos será
necesario decidir cuántos términos de la serie infinita deben utilizarse para
alcanzar el valor de precisión deseado. El proceso de eliminación de términos de
la serie infinita se conoce con el nombre de truncamiento. En la tabla 1.1 se
1
muestra el valor de la expresión e x cuando x = 1 , para diferente número de

términos de la serie infinita.
Tabla 1.1 Valores de e x de acuerdo al número de términos incluidos en la

ecuación (1.1)
Número de términos ex Número de términos ex

1 1.0000 6 2.7167
2 2.0000 7 2.7180
3 2.5000 8 2.7182
4 2.6667 9 2.7183
5 2.7083 10 2.7183
De los resultados de la tabla 1.1 puede observarse que conforme aumenta el

número de términos incluidos en la evaluación, la diferencia entre los valores
consecutivos tiende a cero.
1.2 Errores por redondeo
Los errores por redondeo surgen de representar aproximadamente números

exactos. En una calculadora o computadora este error es inevitable y se origina
porque la aritmética en una máquina involucra números con sólo un número finito
de dígitos (lo cual quiere decir que la máquina no tiene una capacidad infinita para
almacenar valores numéricos). En la tabla 1.1 se mostraron los valores obtenidos
al evaluar la expresión e x usando un entero y cuatro decimales. La tabla 1.2
muestra la misma evaluación pero cuando se usan un entero y ocho decimales.
Tabla 1.2 Valores de e x de acuerdo al número de términos incluidos en la

ecuación (1.1)
Número de términos ex Número de términos ex

1 1.00000000 6 2.71666667
2 2.00000000 7 2.71805556
3 2.50000000 8 2.71825397
4 2.66666667 9 2.71827877
5 2.70833333 10 2.71828153
Una comparación de los términos de las tablas 1.1 y 1.2 muestran las diferencias
generadas al emplear cuatro y ocho valores decimales en los cálculos. Al usar
cuatro decimales no hay diferencia entre los valores de e x cuando se usan 9 o 10
2
términos; mientras que cuando se usan ocho decimales sí existen diferencias

entre ellos.
1.3 Clasificación de los errores
Para los dos tipos de errores mencionados en las secciones 1.1 y 1.2, la relación
entre el valor aproximado y el valor verdadero está dado por la expresión:
valor aproximado = valor verdadero + error (1.2)
en donde podemos observar que el error numérico es la diferencia entre los

valores aproximado y verdadero:
error = valor aproximado − valor verdadero (1.3)
que se representa como:
Ev = x − x (1.4)
donde Ev se utiliza para denotar el valor verdadero (exacto) del error,
x representa el valor aproximado, y

x representa el valor verdadero.
Un problema que se tiene al utilizar esta definición de error es que la magnitud no

nos indica qué tan representativa es esta cantidad. Por ejemplo, no es lo mismo
cometer un error de medición de 1 mL en un tanque de almacenamiento de 40000
litros que en la elaboración de un medicamento de 10 mL. Para resolver esa
posible deficiente interpretación de error se recurre a la normalización del mismo
usando el valor verdadero como referente.
error verdadero
error relativo fraccionario = (1.5)
valor verdadero
entonces:
x−x
Er = (1.6)
x
El error relativo también puede expresarse en forma porcentual al multiplicar por

cien el error relativo fraccionario.
 x−x 
Ep =   .100 (1.7)
 x 
3
A menudo el signo del error no tiene la relevancia de su magnitud, y para fines de

poder comparar los errores de un cálculo contra los de otro, se prefiere utilizar sus
correspondientes valores absolutos, teniendo así que:
Er = x − x (1.8)
x−x
Er = (1.9)
x
x−x
Ep = .100 (1.10)
x
Los errores anteriores tienen el inconveniente de que para poder ser evaluados se
requiere del valor verdadero, hecho que desafortunadamente no sucede en
situaciones reales; así que se recurre a definiciones similares o paralelas para
calcular errores aproximados, basados precisamente en aproximaciones
consecutivas. En los métodos numéricos se usan esquemas iterativos donde se
obtiene una aproximación actual sobre la base de una aproximación anterior. Este
proceso se repite sucesivamente para calcular más y mejores aproximaciones a la
solución. Así que el error se puede estimar como la diferencia entre la
aproximación previa y la aproximación actual, teniendo entonces, como en los
casos anteriores las siguientes definiciones de errores:
Error aproximado ea = xi +1 − xi (1.11)
xi +1 − xi
Error relativo fraccionario aproximado er = (1.12)
xi +1
x −x 
Error relativo porcentual aproximado e p =  i +1 i  .100 (1.13)
 xi +1 
La mayoría de las ocasiones no interesa el signo del error, sino más bien su
magnitud, por lo que quedan entonces expresados los diferentes errores de la
siguiente manera:
ea = xi +1 − xi (1.14)
xi +1 − xi
er = (1.15)
xi +1
4
xi +1 − xi
e p = er .100 = .100 (1.16)
xi +1
Ejemplo 1.1: El coseno (x) puede representarse por medio de la serie de

Maclaurin como:
x2 x4 x6
cos ( x ) = 1 − + − + ...
2! 4! 6!
Calcule el valor de los errores relativos porcentuales (E )p y errores relativos

porcentuales aproximados (e )
p para el coseno de (π / 4 ) . Tome como valor
verdadero el calculado directamente con la función coseno de Excel. Use desde 1
hasta 5 términos de la serie y 8 decimales en los cálculos.
Solución:
5
Como se puede observar en los resultados obtenidos en la hoja de cálculo de

Excel, el error aproximado es más conservador (mayor) que el error verdadero, lo
cual es conveniente, ya que se asegura que se está cometiendo un error menor al

que pudiera realmente existir.
También se observa que a medida que aumenta el número de términos agregados

a la serie, la aproximación al valor verdadero es cada vez mejor, de tal forma que
agregando un número infinito de términos obtendríamos la solución verdadera.
Esto en principio es cierto, pero debido al número de cifras significativas limitado
con que opera la computadora, los errores de redondeo crecen a medida que
aumenta el número de cálculos, aunque los errores de truncamiento decrecen
conforme aumenta el número de términos; por lo tanto, se debe considerar que: la
estrategia de disminuir el error de truncamiento agregando términos a la serie,
lleva a un incremento en el error de redondeo.
El problema es identificar el punto donde se tiene el mínimo error numérico total,

es decir, la mínima suma de los errores de truncamiento y redondeo. En realidad,
la estimación de los errores en el análisis numérico es un arte, que depende en
gran parte de las soluciones de prueba y error, además de la intuición y
experiencia del analista.
Ejemplo 1.2: El coseno (x) puede representarse por medio de la serie de

Maclaurin como:
x2 x4 x6
cos ( x ) = 1 − + − + ...
2! 4! 6!
Calcule el valor de los errores relativos porcentuales (E )

p y errores relativos
porcentuales aproximados ( e p ) para el coseno de (π / 4 ) , usando aritmética de
cuatro decimales. Tome como valor verdadero el calculado directamente con la
función coseno de Excel. Use desde 1 hasta 5 términos de la serie.
1.4 Precisión y exactitud
Muchas veces cuando conversamos usamos los términos precisión y exactitud de

manera indistinta. Sin embargo, ambos términos tienen un significado diferente. El
término precisión está relacionado con el nivel de cifras significativas de una
medición. El término exactitud nos indica la cercanía de un valor con el valor
verdadero o real. Si se hace una comparación entre las mediciones del diámetro
de un lápiz usando un vernier y un micrómetro, se pensaría de inmediato que la
lectura del micrómetro sería más exacta; pero no sería así, en el caso en que el
6
micrómetro estuviera desajustado. Con respecto a la precisión, el vernier nos

podría dar una lectura de hasta milímetros mientras que el micrómetro nos daría
milésimas de milímetro; por lo tanto el micrómetro es un aparato más preciso que

el vernier.
Ejemplo 1.3: Determine el volumen específico del vapor de agua en m3/kg, a 200
bar y 520°C, utilizando
a) La ecuación de estado del gas ideal.

b) El principio de los estados correspondientes.
c) El valor experimental de la tabla de vapor sobrecalentado.
d) Una vez resueltos los apartados (a), (b) y (c), calcule los errores relativos
porcentuales correspondientes.
e) Los errores calculados en (d) ¿fueron obtenidos con respecto a un valor
verdadero o aproximado?
Solución:
a) Basándose en la ecuación de estado del gas ideal, el volumen específico es
RT (0.08314 bar. m 3 / kmol . kg )(793 K )

υ= = = 0.0183 m 3 / kg
PM (200 bar )(18 kg / kmol )
b) El volumen específico basado en el principio de los estados
correspondientes viene dado por υ real = Z υ ideal . El factor Z se obtiene
calculando primero Tr y Pr y después utilizando el diagrama de Z
generalizado para hallar Z .
T 793 K P 200 bar

Tr = = = 1.23 y Pr = = = 0.905
Tc 647.3 K Pc 220.9 bar
El valor de Z tomado del diagrama es aproximadamente 0.83. Por tanto
υ = 0.83 (0.0183) m 3 / kg = 0.0152 m 3 / kg
c) El valor de las tablas basado en datos experimentales es 0.01551 m3/kg.
7
d) Comparando los valores de los volúmenes específicos obtenidos con la

ecuación de estado del gas ideal y del principio de los estados
correspondientes con el dato de las tablas, tenemos 18% y 2%
aproximadamente.
e) Fueron calculados con respecto a un valor verdadero, obtenido de tabla.
8
CAPÍTULO 2
SOLUCIÓN DE ECUACIONES NO LINEALES
Objetivos
Estudiar los métodos numéricos para resolver ecuaciones no lineales.

Diferenciar entre los métodos abiertos y cerrados para calcular el valor de
las raíces de una ecuación.
Determinar la posibilidad de convergencia al usar métodos abiertos.
Uno de los problemas que se presenta con frecuencia en ingeniería es encontrar

las raíces de ecuaciones de la forma f ( x) = 0 , donde f (x) es una función real
de una variable x , como:
un polinomio en x
f ( x) = 4 x 5 + x 3 − 8 x + 2
una función trascendente
f ( x) = e x sen x + ln 3 x + x 3
Existen distintos métodos numéricos para encontrar las raíces o ceros de

f ( x) = 0 , pero ninguno es general.
Sólo en muy pocos casos será posible obtener las raíces exactas de f ( x) = 0 ,
como cuando f (x) es un polinomio factorizable. Pero el objetivo que se persigue
en este tema no es proponer funciones del tipo de polinomio factorizable para
aplicar un método numérico, salvo que se desee tomar el valor de la raíz exacta
del polinomio factorizable para hacer una comparación con el valor de la raíz
obtenida mediante un método numérico.
Los métodos numéricos para resolver una ecuación no lineal puede clasificarse en
función a la cantidad de puntos iniciales que requiere, así tenemos:
1
Métodos para la solución de

ecuaciones no lineales
Métodos con un punto inicial: Métodos con dos puntos iniciales:

• Método del punto fijo • Método de la bisección
• Método de Newton-Raphson • Método de Regula-Falsi
Aplicaciones
Entre algunas aplicaciones de los métodos numéricos en la ingeniería en las que

aparecen ecuaciones implícitas (ecuación que no se puede despejar la incógnita)
están en:
• Calcular la fracción vaporizada de una mezcla multicomponente haciendo

uso de la ecuación de Rachford - Rice.
• Calcular el volumen molar, volumen específico o volumen de una sustancia
pura a partir de una ecuación cúbica de estado.
• Calcular el factor de fricción para el flujo de fluidos que circula en una
tubería.
• Calcular la presión necesaria para que un fluido circule por una tubería.
MÉTODO DE PUNTO FIJO
Se debe tener una ecuación general f ( x) = 0 , luego se debe escribir la ecuación

de tal modo que x quede del lado izquierdo de la ecuación:
x = g (x ) (2.1)
Esta transformación se puede llevar a cabo mediante operaciones algebraicas o

simplemente agregando x a cada lado de la ecuación original. Por ejemplo:
x 2 − 2x + 3 = 0
2
se puede reordenar para obtener:

x2 + 3
x=
2
mientras que:
sen x = 0
puede transformarse en la forma de la ecuación (2.1) sumando x a ambos lados

para obtener:
x = sen x + x
La utilidad de la ecuación (2.1) es que proporciona una fórmula para predecir un

nuevo valor de x en función del valor anterior de x , es decir una fórmula iterativa
de la forma:
xi +1 = g ( xi ) (2.2)
De esta manera dado un valor inicial de la raíz xi , la ecuación (2.2) se puede usar
para obtener una nueva aproximación xi +1 .
Diagrama de flujo del método de punto fijo
Dado
g ( x), xi , ε
xi +1 = g ( xi )
No
xi +1 − xi ≤ ε xi = xi +1
Si
Fin
3
El error relativo porcentual de este cálculo a partir de la ecuación (2.2) se puede

expresar de la siguiente forma
aproximación actual − aproximación anterior

ea = .100%
aproximación actual
donde el subíndice a significa que el error está normalizado para el valor de la

aproximación actual.
Ejemplo 2.1: Mediante el método de punto fijo encontrar la raíz o las raíces de
f ( x) = x 2 − 2 x − 3
Solución: Es fácil factorizar f (x) para mostrar las raíces en x = −1 y x = 3 (se

pretende no conocer estas raíces). Supóngase que se reordena para lograr la
forma equivalente:
x = g1 ( x) = 2 x + 3
de tal manera que se tiene la fórmula iterativa:
xi +1 = g ( xi ) = 2 xi + 3 i = 0, 1, 2, . . .
Si se empieza con un valor inicial de x0 = 4 y se itera por el método de punto fijo,

los valores sucesivos de x son:
x0 = 4
x1 = 2(4 ) + 3 = 3.316624
x 2 = 2(3.316624) + 3 = 3.103747
x3 = 2(3.103747 ) + 3 = 3.034385
x 4 = 2(3.034385) + 3 = 3.011440
x5 = 2(3.011440) + 3 = 3.003810
si continuamos con este proceso iterativo, nos daremos cuenta que converge en la
raíz x = 3 .
Otros reordenamientos de f (x) como
4
3 x2 − 3
x = g 2 ( x) =
; x = g 3 ( x) =
x−2 2
pueden conducir como no también a encontrar la raíz o raíces.
Ejemplo 2.2: Obtener una raíz real se la siguiente función por el método de punto
fijo:
f ( x ) = e x − 3x 2 (2.3)
Realizar el proceso iterativo hasta que se cumpla en e p < 0.001% .
Solución:
Para iniciar la solución del problema se genera una gráfica en Excel de la

ecuación (2.3), en el intervalo de valores de la variable x de -4 a 5.
Figura 2.1. Gráfico de la función f ( x ) = e x − 3 x 2 .
A partir de la función f ( x ) = 0 , se obtiene la función x = g ( x ) de la siguiente

forma:
e x = 3x2 (2.4)
5
g1 ( x ) = x = ln 3x 2 (2.5)
O bien:
ex
g2 ( x ) = ± (2.6)
3
Al analizar la primera opción, la derivada de la ecuación (2.5) es:
6x 2
g1' ( x ) =
= (2.7)
3x 2 x
la cual debe cumplir el criterio de convergencia g ' ( x ) < 1 .
2
<1 (2.8)
x
Que al resolver se aplica la propiedad si a < b ⇔ −b < a < b , a la ecuación (2.8) se
tiene:
2
−1 < < 1 (2.9)
x
En intervalo general que contiene los posibles puntos de inicio es ℜ − {−2,0, 2} .
6
Figura 2.2. Tabla de iteraciones en la búsqueda de la raíz con g1 ( x ) = x = ln 3x 2 .
Para la segunda opción se trabajará con g 2 ( x ) . Para encontrar el intervalo de

convergencia, se realiza el análisis con se hizo con la primera opción en la hoja de
cálculo de Excel:
ex
g2 ( x ) =
3
MÉTODO DE NEWTON - RAPHSON
Tal vez, dentro de las fórmulas para encontrar raíces, la fórmula de Newton –
Raphson sea la más ampliamente usada. Si el valor inicial de la raíz es xi ,
entonces se puede extender una tangente desde el punto [xi , f ( xi )]. El punto
donde esta tangente cruza al eje x representa una aproximación mejorada de la
raíz.
y y = f (x )
Pendiente = f ' ( xi )
f (xi )
f ( xi ) − 0
xi +1 xi
x
xi − xi +1
Figura 2.3. Método de Newton - Raphson
El método de Newton – Raphson se puede obtener sobre la base de una

interpretación geométrica (un método alterno puede ser basado en la serie de
7
Taylor). Como en la figura 2.3, la primera derivada en x es equivalente a la

pendiente:
f ( xi ) − 0
f ' ( xi ) = (2.10)
xi − xi +1
que se puede ordenar para obtener
f ( xi )
xi +1 = xi − (2.11)
f ' ( xi )
la cual es conocida como fórmula de Newton – Raphson.
Diagrama de flujo del método de Newton - Raphson
Dado
f ( x), f ' ( x ), xi , ε
Calcular f (xi ), f ' ( xi )
f (xi )
x i +1 = x i −
f ' (xi )
No
xi +1 − xi ≤ ε xi = xi +1
Si
Fin
Ejemplo 2.3: Mediante el método de Newton - Raphson encontrar la raíz o las

raíces de:
f ( x) = x 2 − 2 x − 3
Solución: La primera derivada de la función:
8
f ' ( x) = 2 x − 2
se puede sustituir en la fórmula para dar:

xi2 − 2 xi − 3
xi +1 = xi −
2 xi − 2
Si se empieza con un valor inicial de x0 = 4 y se itera por el método de Newton -

Raphson, los valores sucesivos de x son:
i xi f ( xi ) f ' ( xi ) xi +1
0 4 5 6 3.166666
1 3.166666 0.694444 4.333333 3.006410
2 3.006410 0.025682 4.012820 3.000010
3 3.000010 0.000040 4.000020 3.000000
4 3.000000
De esta manera, el planteamiento converge rápidamente a la raíz verdadera. Si

comparamos el número de iteraciones del método de Newton – Raphson con la
del método de punto fijo, vemos que el primero es mucho más rápido.
Ejemplo 2.4: Use el método de Newton - Raphson para calcular la raíz de:
f ( x) = e − x − x
empleando un valor inicial de x0 = 0 . Como en el ejemplo 2.3, mostrar en una

tabla los resultados de cada iteración, además incluir el error relativo porcentual
para cada iteración
aproximación actual − aproximación anterior

ea = .100%
aproximación actual
MÉTODO DE LA BISECCIÓN
Este método es el más simple, aunque también el más seguro y sólido para
encontrar una raíz en un intervalo donde se sabe que existe dicha raíz. Además
funciona aun para funciones no analíticas.
9
ERROR: undefined
OFFENDING COMMAND: r
STACK:
4
4
2883
2774
CAPÍTULO 3
SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES
Objetivos
Introducir al estudiante a los conceptos básicos del cálculo matricial.

El estudiante será capaz de hacer operaciones básicas sobre matrices y de
resolver sistemas de ecuaciones lineales por métodos directos e iterativos,
sabiendo seleccionar la herramienta adecuada en el momento adecuado.
El estudiante será igualmente capaz de diagnosticar la calidad de la
solución obtenida.
El cálculo matricial está ligado a numerosos problemas de ingeniería y sirve de

herramienta en la solución de muchos otros métodos numéricos. Por ejemplo, en
el planteamiento de las ecuaciones de conservación de la masa (balance global y
por componentes) y de conservación de energía (balances entálpicos), se
escriben relaciones lineales, que permiten obtener la cantidad de materia que
circula en cada una de las corrientes de una planta. En la solución de ciertos
problemas de fenómenos de transporte, la transformación de las ecuaciones
diferenciales o de las derivadas parciales se obtiene a través de una escritura
lineal en donde aparecen matrices banda.
Se han desarrollado muchos métodos para resolver sistemas de ecuaciones, lo

cual indica que es aparente la sencillez de solución, y que hay una serie de fallas
en los diferentes algoritmos. Las soluciones pueden ser exactas, o iterativas
(aproximaciones sucesivas). De los diferentes sistemas para resolver ecuaciones
lineales sólo estudiaremos algunos de ellos en este capítulo.
Definiciones
1. Ecuación lineal. En este curso definiremos una ecuación lineal como

aquella ecuación de primer grado con más de dos incógnitas, es decir, las
1
variables o incógnitas se encuentran elevadas a la primera potencia y, en

forma general, se puede representar por la siguiente expresión
a11 x1 + a12 x2 + a13 x3 + . . . + a1n x n = b1

donde
a11 , a12 , a13 , . . . a1n y b1 , son los coeficientes y constante independiente, y

x1 , x 2 , x3 , . . . x n , son las variables.
2. Sistemas de ecuaciones lineales. Es el conjunto de ecuaciones lineales

que deben resolverse simultáneamente, en forma general se representa por
a11 x1 + a12 x 2 + a13 x3 + . . . + a1n x n = b1

a 21 x1 + a 22 x 2 + a 23 x3 + . . . + a 2 n x n = b2
(3.1)
. . . . . . . . . . . . . . . .
a n1 x1 + a n 2 x 2 + a n3 x3 + . . . + a nn x n = bn
Empleando notación matricial se representa por
a11 a12 a13 . . . a1n   x1  b1 

a a 22 a 23 . . . a 2 n   x  b 
 21  2 =  2 (3.2)
. . . . . . . . . .  .
     
a n1 a n 2 a n 3 . . . a nn   x n  bn 
o bien en forma simplificada
Ax=b (3.3)
Donde A representa la matriz de coeficientes del sistema, x es el vector de

las variables o incógnitas y b es el vector de constantes o términos
independientes.
Al resolver un sistema de ecuaciones lineales se encuentran los valores de

las variables contenidas en el vector x, es decir, se tienen valores que se
determinan. Para que un sistema de ecuaciones tenga solución es
necesario que se cumplan ciertas definiciones básicas que a continuación
se establecen.
3. Sistema bien condicionado. Para que el sistema tenga solución nos

remitimos al caso de sistemas de dos incógnitas. Las ecuaciones lineales
2
representan líneas rectas en un sistema de coordenadas rectangulares

como se muestra en la figura 3.1. Como se sabe, la solución de un sistema
se encuentra en el cruce de las dos rectas, vea la figura 3.1.
x2 a11 x1 + a12 x 2 = b1
Solución al sistema : ( x1 , x 2 )
x2 a 21 x1 + a 22 x 2 = b2
x1 x1
Figura 3.1. Solución gráfica de un conjunto de dos ecuaciones

algebraicas lineales simultáneas. La intersección de las líneas
representa la solución.
4. Sistema que no tiene solución. Si el sistema presenta ecuaciones de

rectas paralelas en una gráfica de coordenadas rectangulares, se dice que
el sistema no tiene solución, puesto que no tiene un punto de cruce; vea
figura 3.2.
x2 a11 x1 + a12 x 2 = b1
No hay solución
a 21 x1 + a 22 x 2 = b2
x1
Figura 3.2. Esquema gráfico de un sistema que no tiene solución.
3
5. Sistemas mal condicionados. Existen sistemas que tienen solución, sólo

que para algunos algoritmos resulta difícil de determinar pues los puntos
aledaños son muy cercanos, vea figura 3.3.
x2 a11 x1 + a12 x 2 = b1
a 21 x1 + a 22 x 2 = b2
Difícil d eterm inar la solución
x1
Figura 3.3. Esquema gráfico de un sistema mal condicionado

donde las pendientes son tan cercanas que el punto de intersección
es difícil de detectar visualmente.
6. Sistemas singulares. Cuando las ecuaciones representan la misma recta

el sistema se denomina singular, teniendo un número infinito de soluciones
que satisfacen las ecuaciones. En todo caso las ecuaciones características
se denominan ecuaciones equivalentes, toda vez que se satisfacen con los
mismos valores. Las ecuaciones equivalentes se pueden obtener
multiplicando o dividiendo todos los términos y ambos lados de la ecuación
lineal, vea figura 3.4.
x2 a11 x1 + a12 x 2 = b1
a 21 x1 + a 22 x 2 = b2
Difícil d eterm inar la solución
x1
Figura 3.4. Esquema gráfico de un sistema singular donde hay una

infinidad de soluciones.
4
Existencia y unicidad de soluciones
Si b es el vector cero, la ecuación (3.2) es un sistema homogéneo. Si por

el contrario, b ≠ 0, el sistema es no homogéneo. A continuación se define
la matriz aumentada B, formada con los elementos de la matriz de
coeficientes A y los del vector b de la siguiente manera
a11 a12 a13 . . . a1n  b1 

a a 22 a 23 . . . a 2 n  b2 
B =  21 = [ A | b]
. . . . . . . . .  . 
  
a n1 a n 2 a n3 . . . a nn  bn 
Si el rango de la matriz de coeficientes A y de la matriz aumentada B son

iguales, se dice que el sistema, ecuación (3.2), es consistente. Si no
ocurre esto, el sistema es inconsistente (por tanto, un sistema homogéneo
siempre es consistente). Un sistema inconsistente no tiene solución,
mientras que un consistente tiene una solución única o un número infinito
de soluciones, según como sea el rango de A en comparación con el
número de incógnitas n . Si el rango de A es igual al número de incógnitas,
la solución es única; si el rango de A es menor que dicho número, hay un
número infinito de soluciones, vea figura 3.5.
Sistema de ecuaciones lineales

Ax=b
Rango A ≠ Rango B Rango A = Rango B
Inconsistente Consistente
Sin solución Rango A = n Rango A < n
Solución única Número infinito

de soluciones
5
Figura 3.5. Solución de sistemas de ecuaciones lineales.
7. Combinación lineal de las ecuaciones de una sistema. Al obtener, si es

necesario, dos ecuaciones equivalentes, éstas se pueden combinar
linealmente sumando miembro a miembro, para determinar una nueva
ecuación equivalente.
Por ejemplo, el sistema formado por las ecuaciones
2 x1 + 3 x 2 = 1
x1 − 5 x 2 = 4
se multiplica la primera ecuación por 2 y la segunda por –3 para obtener el

siguiente sistema de ecuaciones equivalentes:
4 x1 + 6 x 2 = 2
− 3 x1 + 15 x 2 = −12
posteriormente se suman las dos ecuaciones resultando una nueva

ecuación equivalente, es decir una ecuación que se satisface con la
solución de cualquiera de los sistemas anteriores
x1 + 21x 2 = −10
8. Teorema fundamental de equivalencia. Si en un sistema de ecuaciones

lineales se sustituye una de ellas por una combinación lineal de las
ecuaciones, se obtiene un nuevo sistema que sustituye al anterior.
A continuación se analizarán algunos algoritmos para resolver sistemas de

ecuaciones lineales.
Métodos para la solución de

sistemas de ecuaciones lineales
Métodos directos: Métodos iterativos:

• Método de Gauss • Método de Jacobi
• Método de Gauss-Jordan • Método de Gauss-Seidel
6
Figura 3.6. Métodos para la solución de sistemas de ecuaciones lineales.
MÉTODO DE GAUSS
Uno de los métodos para resolver sistemas de ecuaciones lineales se basa en

transformar el sistema o la matriz ampliada de ecuaciones en un sistema
equivalente, de forma tal que se van eliminando incógnitas y se forma una matriz
triangular con el último reglón con sólo dos columnas: la que contiene la última
incógnita y la constante independiente.
Si el sistema está formado por el siguiente conjunto de ecuaciones
a11 x1 + a12 x 2 + a13 x3 + . . . + a1n x n = b1

a 21 x1 + a 22 x 2 + a 23 x 3 + . . . + a 2 n x n = b2
. . . . . . . . . . . . . . . .
a n1 x1 + a n 2 x 2 + a n3 x3 + . . . + a nn x n = bn
determinando ceros en las columnas se obtiene el sistema equivalente con las

siguientes ecuaciones
c11 x1 + c12 x 2 + c13 x3 + . . . + c1n x n = d1

c 22 x 2 + c 23 x3 + . . . + c 2 n x n = d 2
. . . . . . . . . . .
c nn x n = d n
Procediendo en sentido inverso, es decir, iniciando con la última ecuación, para

despejar x n , y así hasta llegar a la primera ecuación para despejar x1 ,
sustituyendo los valores calculados previamente.
Algoritmo
Dado un sistema de ecuaciones consistente, para resolverlo realice los siguientes

puntos
1. En el punto pivote actual calcule un uno dividiendo toda la ecuación en

reglón en la matriz entre el valor del coeficiente de la x actual.
2. Determine ceros en la parte inferior de la columna.
3. Pase al punto 1, repitiendo hasta terminar con las ecuaciones.
7
Ejemplo 3.1: Determine la solución del siguiente sistema de ecuaciones lineales
1 x1 − 5 x 2 + 3 x3 − 1 x 4 = 5
2 x1 + x 2 − 1 x3 + 3 x 4 = 4
− 1 x1 + 4 x 2 − 2 x3 + 5 x 4 = −3
6 x1 − 1 x 2 − 4 x3 − 1 x4 = 0
Solución: La matriz ampliada asociada es
 1 −5 3 −1 5 
 2 1 −1 3 4 

− 1 4 −2 5 − 3
 
 6 −1 −4 −1 0
Para hacer un cero en la posición (2,1) se multiplica la ecuación 1 por 2, se divide

entre 1 y se resta de la ecuación 2, resultando
 1 −5 3 −1 5 
 0 11 − 7 5 − 6 

− 1 4 −2 5 − 3
 
 6 −1 −4 −1 0
Ahora hacemos un cero en la posición (3,1). Para tal propósito se multiplica la

ecuación 1 de la matriz original por –1, se divide entre 1 y este algoritmo se resta
de la ecuación siguiente. La primera etapa general es el siguiente sistema
 1 −5 3 −1 5
 0 11 − 7 5 − 6 

 0 −1 1 4 2
 
 0 29 − 22 5 − 30
En la siguiente etapa se toma como referencia la ecuación 2, para generar ceros

en la columna 2. Procediendo como antes, la ecuación 2, a partir de la segunda
columna, se multiplica por –1, se divide entre 11 y se resta de la ecuación 3; la
8
ecuación 2 se multiplica por 29 y se divide entre 11, para obtener un cero en la

posición (4,4), restando de la ecuación 4.
 1 −5 3 −1 5  1 −5 3 −1 5 
 11 − 7 −6   
 0 5  →  0 11 − 7 5 −6 
 0 0 0.364 4.455 1.455  0 0 0.364 4.455 1.455 
   
 0 29 − 22 5 − 30   0 0 − 3.545 − 8.182 − 14.182
El sistema se transforma haciendo un cero en la posición (4,3)
 1 −5 3 −1 5 
 0 11 − 7 5 −6 
 
 0 0 0.364 4.455 1.455 
 
 0 0 0 35.21 − 0.012
Finalmente, se determina x 4 , x3 , x 2 y x1 , en ese orden. Despejando se obtiene
− 0.012
x4 = = 0.000
35.21
1.455 − 4.455 (0.000)

x3 = = 3.997
0.364
− 6 − 5 (0.000) + 7 (3.997 )
x2 = = 1.998
11
5 + 1(0.000) − 3 (3.997 ) + 5 (1.998)

x1 = = 2.999
1
Ejemplo 3.2: Resuelva el siguiente sistema de ecuaciones lineales
9
1.78 x + 3.01 y − 4.88 z = −7.70

4.63 x − 1.06 y − 2.27 z = −6.36
− 3.39 x + 9.81 y − 4.78 z = 3.95
siguiendo el algoritmo descrito en el ejemplo anterior.
MÉTODO DE GAUSS - JORDAN
Uno de los métodos preferidos por aquellas personas que tienen necesidad de
resolver sistemas de ecuaciones lineales es el método de Gauss – Jordan siendo
una variante del método de Gauss, consiste en que la última matriz a determinar
corresponda a la matriz unitaria A, es decir, una matriz que contiene unos en la
diagonal principal y ceros en las demás posiciones
1 0 0 ... 0 
0 1 0 ... 0 
 
A=  0 0 1 ... 0 
 
 ................. 
 0 0 0 ... 1 
Esto ofrece la ventaja de que la solución es directa puesto que la última columna
de la matriz ampliada es la solución del sistema de ecuaciones lineales.
La matriz ampliada es de la forma
1 0 0 0 . . . d1 
0 1 0 0 . . . d2 
 
0 0 1 0 . . . d3 
 
 ............... ....... 
0 0 0 1 . . . dn 
 
La solución del sistema es
x1 = d1 ; x 2 = d 2 ; x3 = d 3 ; . . . ; x n = d n
Puede observarse que la respuesta se determina directamente de la matriz.
10
Algoritmo
Dado un sistema determinado, efectuar los siguientes puntos para resolver
1. Transforme en uno el punto pivote. Los puntos pivote se encuentran en la

diagonal principal.
2. Con base a la ecuación o reglón así obtenido se transforman las demás

ecuaciones con la finalidad de hacer ceros en la columna del pivote en
turno.
3. Regrese al punto 1 para calcular otro punto pivote, continuando con el
punto 2 y repitiendo hasta terminar con el último reglón.
El proceso del cálculo es similar al que se estudió en el método anterior. Puesto

que se tiene que dividir para hacer un uno en los puntos pivote, sin embargo el
método presenta el inconveniente de que eventualmente dichos puntos son ceros
por lo que se presentan indeterminaciones que hacen abortar el proceso de
cálculo, ya sea manual o por algún sistema de cómputo.
Ejemplo 3.3: Resuelva el siguiente sistema de ecuaciones lineales. Este es un

ejemplo para indicar la secuencia de pasos que el algoritmo señala, por lo que se
recomienda al estudiante en que cada paso identifique el punto del algoritmo
empleado así como identificar los pasos subsiguientes
1 x1 − 15 x 2 + 10 x3 + 2 x 4 = − 5
− 3 x1 + 5 x 2 − 20 x3 + 1x 4 = − 12
3 x1 − 10 x 2 + 20 x3 − 1x4 = 5
2 x1 + 10 x 2 − 10 x3 + 3 x 4 = 0
Solución: De acuerdo con el algoritmo iniciamos con el punto pivote en la variable

x1 de la primera ecuación dividiendo toda la ecuación entre su coeficiente o factor
que es uno, es decir, R1/1, donde R1 representa los coeficientes del reglón donde
se encuentra el pivote, resultando
1 x1 − 15 x 2 + 10 x3 + 2 x 4 = − 5
− 3 x1 + 5 x 2 − 20 x3 + 1x 4 = − 12
3 x1 − 10 x 2 + 20 x3 − 1x4 = 5
2 x1 + 10 x 2 − 10 x3 + 3 x 4 = 0
Se puede observar, que como se dividió entre uno, el sistema no cambia.
11
A continuación se procede a determinar ceros en el resto de la columna mediante

las siguientes fórmulas
R2 = 3*R1+R2 , R3 = -3*R1+R3 y R4 = -2*R1+R4
donde se puede apreciar que para calcular las ecuaciones 2, 3 y 4 se multiplica la

primera ecuación equivalente por el factor con signo contrario de cada ecuación a
modificar y se suman con dicha ecuación. El sistema resultante toma la siguiente
forma
1 x1 − 15 x 2 + 10 x3 + 2 x 4 = − 5
0 x1 − 40 x 2 + 10 x3 + 7 x 4 = − 27
0 x1 + 35 x 2 − 10 x3 − 7 x 4 = 20
0 x1 + 40 x 2 − 30 x3 − 1 x 4 = 7
A continuación, el punto 3 del algoritmo nos regresa al inicio para determinar ceros
en la ecuación 2 y la posición de x 2 que se efectúa al dividir el reglón 2 entre –40,
obteniendo el siguiente sistema modificado
1 x1 + 0 x 2 + 6.250 x3 − 0.625 x 4 = 5.125

0 x1 + 1x 2 − 0.250 x3 − 0.175 x4 = 0.675
0 x1 + 0 x 2 − 1.250 x3 − 0.875 x4 = − 3.625
0 x1 + 0 x2 − 20 x3 + 6 x 4 = − 20
Regresando a los puntos 1 y 2, hasta completar las dos etapas que restan se
obtienen los siguientes sistemas de ecuaciones
1 x1 + 0 x 2 + 0 x3 − 5 x 4 = − 13
0 x1 + 1x 2 + 0 x3 + 0 x4 = 1.4
0 x1 + 0 x 2 + 1x3 + 0.7 x 4 = 2.9
0 x1 + 0 x 2 + 0 x3 + 20 x 4 = 38
y por último, se tiene
12
1 x1 + 0 x 2 + 0 x3 + 0 x 4 = − 3.5
0 x1 + 1x 2 + 0 x3 + 0 x 4 = 1.4
0 x1 + 0 x 2 + 1x3 + 0 x 4 = 1.57
0 x1 + 0 x 2 + 0 x3 + 1 x 4 = 1.9
Verificando se encuentra que los valores encontrados satisfacen totalmente al

sistema original.
MÉTODOS ITERATIVOS
Los métodos iterativos son preferibles por cuanto pueden ser más económicos en
cuanto a requisitos de memoria de una computadora.
Se aplican los métodos iterativos preferidos a menudo para resolver sistemas muy
grandes que ocurren frecuentemente en ingeniería de modelado y problemas
científicos. No obstante, para usar el método iterativo, la matriz de coeficientes
debe cumplir ciertas condiciones.
Criterio de convergencia de los métodos iterativos
Cuando un sistema de ecuaciones puede ordenarse de modo que cada elemento

diagonal de la matriz de coeficientes es mayor en magnitud que la suma de las
magnitudes de los otros coeficientes en ese reglón, tal sistema se denomina
diagonalmente dominante, la iteración converge para cualesquiera valores
iniciales. Formalmente, se dice que una matriz A de nxn es diagonalmente
dominante sí y sólo sí para toda i = 1, 2, ..., n,
n
aii > ∑ aij , i = 1, 2, ..., n, (3.4)
j =1
j ≠i
Métodos de Jacobi y Gauss-Seidel para la solución del sistema A x = b
La solución de A x = b se puede llevar a cabo de la siguiente manera:
• Se parte de A x = b para obtener la ecuación
13
Ax–b=0 (3.5)
Ecuación vectorial correspondiente a f ( x) = 0 .
• Se busca una matriz B y un vector c, de manera que la ecuación vectorial

sea un solo un arreglo de la ecuación (3.5)
x=Bx+c (3.6)
es decir, de manera que la solución de una sea también la solución de la

otra. La ecuación (3.6) correspondería a x = g (x ) .
• A continuación se propone un vector inicial x(0) como primera aproximación

al vector solución x. Luego, se calcula con la ecuación (3.7) la sucesión
vectorial x(1), x(2), ..., de la siguiente manera
x(k+1) = B x(k) + c k = 0, 1, 2, … (3.7)
donde
x(k) = [ x1k x 2k ... x nk ]T
• Si la sucesión x(0), x(1), ..., converge al vector solución x, la distancia de x(0)

a x, x(1) a x, etc., se va reduciendo; también es cierto que la distancia entre
cada dos vectores consecutivos x(0) y x(1), x(1) y x(2), etc., se decrementa
conforme el proceso iterativo avanza; esto es, la sucesión de números
reales
I x(1) - x(0) I
I x(2) - x(1) I
. (3.8)
.
.
I x(k+1) - x(k) I
convergirá a cero.
Si por el contrario, esta sucesión de números diverge, entonces puede

pensarse que el proceso diverge.
14
• El proceso se detendrá una vez que I x(k+1) - x(k) I < ε, el valor ε es

previamente fijado, es decir, antes de iniciar el proceso iterativo.
MÉTODO DE JACOBI
También se le denomina método de desplazamiento simultáneos. Dado el sistema

A x = b, la manera más sencilla es despejar x1 de la primera ecuación, x2 de la
segunda, etc. Para ello es necesario que todos los elementos de la diagonal
principal de A, por razones obvias, sean distintos de cero, Para ver esto en detalle
consideremos un sistema de tres ecuaciones lineales
a11 x1 + a12 x 2 + a13 x3 = b1

a 21 x1 + a 22 x 2 + a 23 x3 = b2 (3.9)
a31 x1 + a32 x2 + a33 x3 = b3
con a11 , a 22 y a33 distintos de cero.
De la ecuación (3.9) se despeja x1 de la primera ecuación, x2 de la segunda y x3

de la tercera con lo que se obtiene
a12 a b
x1 = − x 2 − 13 x3 + 1
a11 a11 a11
a 21 a 23 b
x2 = − x1 − x3 + 2 (3.10)
a 22 a 22 a 22
a31 a b3
x3 = − x1 − 32 x 2 +
a 33 a33 a33
que en notación matricial queda
 a a13   b1 
0 − 12 −   
 a11 a11   a11 
 x1   1
x
 x  = − a 21 a 
− 23   x  +  b2 
 2  0  2   (3.11)
 a 22 a 22   a 22 
 x3   x3 
 a31 a   b3 
− − 32 0   
 a 33 a33   a33 
15
Si se hace
 a a13   b1 
0 − 12 −   
 a11 a11   a11 
 a a  b 
B = − 21 0 − 23  y c=  2 
 a 22 a 22   a 22 
 a31 a   b3 
− − 32 0   
 a 33 a 33   a 33 
se tiene como la ecuación (3.6)
x=Bx+c (3.6)
A partir de la ecuación (3.6) se puede ver como un esquema iterativo, de la forma
x(k+1) = B x(k) + c (3.12)
que en notación matricial queda
 a a13   b1 
0 − 12 −   
 x1k +1   a11 a11   k   a11 
x1
 k +1   a 21 a    b 
 x 2  = − 0 − 23   x 2k  +  2  (3.13)
 x k +1   a 22 a 22   k   a 22 
 3   a31 x
  3  b3 
a
− − 32 0   
 a33 a33   a 33 
Una vez que se tiene la forma (3.12) o (3.13), se propone un vector inicial x(0) que
puede ser x(0) = 0, o algún otro que sea aproximado al vector solución x.
Si
 x1k 
 
x(k) =  x 2k  (3.14)
x k 
 3
es el vector aproximación a la solución x después de k iteraciones, entonces se

tiene para la siguiente aproximación
16
 1
− (
− b1 + a12 x 2k + a13 x3k ) 
 x1k +1   a11 
   1 
x(k+1) =  x 2k +1  = −
a
(
− b2 + a 21 x1k + a 23 x3k )  (3.15)
 x k +1   22 
 3   1 
− (
− b3 + a31 x1k + a32 x 2k ) 
 a33 
O bien, para un sistema con n ecuaciones, con n incógnitas y usando notación

más compacta y de mayor utilidad en programación, se tiene
 
1  k
x k +1
=− − bi + ∑ aij x j 1≤ i ≤ n (3.16)
aii  
i
j =1
 j ≠i 
Ejemplo 3.4: Resuelva el siguiente sistema de ecuaciones lineales por el método

de Jacobi
6 x1 − 2 x 2 + x3 = 11
x1 + 2 x 2 − 5 x3 = −1
− 2 x1 + 7 x 2 + 2 x3 = 5
Solución: Antes de iniciar el esquema iterativo es necesario reordenar las

ecuaciones de modo que la matriz de coeficientes sea diagonalmente dominante
6 x1 − 2 x 2 + x3 = 11
− 2 x1 + 7 x 2 + 2 x3 = 5
x1 + 2 x 2 − 5 x3 = −1
Luego, cada ecuación se resuelve para las variables en sucesión
x1 = 1.8333 + 0.3333x 2 − 0.1666 x3

x 2 = 0.7142 + 0.2857 x1 − 0.2857 x3
x3 = 0.2000 + 0.2000 x1 + 0.4000 x 2
Se empieza con alguna aproximación inicial, esto es, cada componente puede
tomarse igual a cero en caso de no tener a la mano mejores estimaciones
iniciales.
Al sustituir estas aproximaciones iniciales en los lados derechos del sistema de

ecuaciones se obtiene una primera aproximación, que se espera estén más
próximas al valor verdadero. Los nuevos valores se sustituyen en los lados
17
derechos para generar una segunda aproximación, y el proceso se repite hasta

que los valores sucesivos de cada una de las variables son suficientemente
semejantes.
El proceso iterativo para el sistema de ecuaciones anterior se ilustra como sigue
x1k +1 = 1.8333 + 0.3333x 2k − 0.1666 x3k

x 2k +1 = 0.7142 + 0.2857 x1k − 0.2857 x3k
x3k +1 = 0.2000 + 0.2000 x1k + 0.4000 x2k
Empezando con un vector inicial de x(0) = [ 0 0 0 ]T se obtiene
k 0 1 2 3 4 5 6 7 8
x1k 0.000 1.833 2.038 2.084 2.004 1.994 1.996 2.000 2.000
x2k 0.000 0.714 1.180 1.053 1.001 0.990 0.997 1.000 1.000
x3k 0.000 0.200 0.852 1.080 1.038 1.001 0.994 0.998 1.000
Los cálculos solo muestran valores con cuatro cifras, esto es referencial, pues, la
solución de este sistema de ecuaciones lineales se hizo con un programa.
Observe que este método es exactamente el mismo que el método de punto fijo
para una ecuación no lineal, pero que ahora se aplica a un sistema de ecuaciones
lineales.
Ejemplo 3.5: Resolver el siguiente sistema de ecuaciones lineales por medio del
método de Jacobi. Emplear el vector inicial x(0) = 0.
6 x1 − x2 − x3 + 4 x4 = 17
x1 − 10 x2 + 2 x3 − x4 = −17
3x1 − 2 x2 + 8 x3 − x4 = 19
x1 + x2 + x3 − 5 x4 = −14
Solución: Al despejar las incógnitas correspondientes se tiene:
18
x1 = 17 − ( − x2 − x3 + 4 x4 )  / 6
x2 =  −17 − ( − x1 + 2 x3 − x4 )  / ( −10 )
x3 = 19 − ( 3 x1 − 2 x2 − x4 )  / 8
x4 =  −14 − ( x1 + x2 + x3 )  / ( −5 )
Haciendo uso de la hoja de cálculo de Excel, se inicia el proceso iterativo con el

vector cero para obtener los resultados de la primera iteración:
x11 = 2.833333
x12 = 1.7
x31 = 2.375
x14 = 2.8
Los demás resultados del proceso iterativo se muestran en la siguiente tabla
19
MÉTODO DE GAUSS - SEIDEL
En este método los valores que se van calculando en la (k+1)-ésima iteración se

emplean para calcular los valores faltantes de esa misma iteración, es decir, la
ecuación (3.15) se presenta de la siguiente forma
 1
− (
− b1 + a12 x 2k + a13 x3k )
 x1k +1   a11 
   1 
x(k+1) =  x 2k +1  = − (
− b2 + a 21 x1k +1 + a 23 x3k ) (3.17)
 x k +1   a 22 
 3   1 
− (
− b3 + a31 x1k +1 + a32 x2k +1 )
 a33 
O bien, para un sistema con n ecuaciones
1  i −1 n 
x ik + 1 = −  − bi +
a ii 
∑ a ij x kj + 1 + ∑ a ij x kj  1≤ i ≤ n
j =1 j = i +20
1 
(3.18)
Ejemplo 3.5: Resuelva el siguiente sistema de ecuaciones lineales por el método

de Gauss - Seidel
6 x1 − 2 x 2 + x3 = 11
x1 + 2 x 2 − 5 x3 = −1
− 2 x1 + 7 x 2 + 2 x3 = 5
Solución: Antes de iniciar el esquema iterativo es necesario reordenar las

ecuaciones de modo que la matriz de coeficientes sea diagonalmente dominante
6 x1 − 2 x 2 + x3 = 11
− 2 x1 + 7 x 2 + 2 x3 = 5
x1 + 2 x 2 − 5 x3 = −1
Luego, cada ecuación se resuelve para las variables en sucesión
x1 = 1.8333 + 0.3333x 2 − 0.1666 x3

x 2 = 0.7142 + 0.2857 x1 − 0.2857 x3
x3 = 0.2000 + 0.2000 x1 + 0.4000 x 2
Para hacer una comparación de este método con el método del ejemplo anterior,
se empieza con mismo vector inicial x(0) = [ 0 0 0 ]T.
Como se hizo mención acerca del método de Gauss - Seidel al inicio, los valores
que se van calculando en la (k+1)-ésima iteración se emplean para calcular los
valores faltantes de esa misma iteración, para luego obtener una primera
aproximación. El proceso se repite hasta que los valores sucesivos de cada una
de las variables son suficientemente semejantes.
El proceso iterativo para el sistema de ecuaciones anterior se ilustra como sigue
21
x1k +1 = 1.8333 + 0.3333x 2k − 0.1666 x3k

x 2k +1 = 0.7142 + 0.2857 x1k +1 − 0.2857 x3k
x3k +1 = 0.2000 + 0.2000 x1k +1 + 0.4000 x 2k +1
Empezando con un vector inicial de x(0) = [ 0 0 0 ]T se obtiene
k 0 1 2 3 4 5
x1k 0.0000 1.833 2.069 1.998 1.998 2.000
x2k 0.0000 1.238 1.002 0.995 1.000 1.000
x k
3
0.0000 1.061 1.014 0.997 0.999 1.000
Observe que este método converge más rápido que el método de Jacobi, esto es,
aproximadamente dos veces más rápido.
SOLUCIÓN DE SISTEMAS DE ECUACIONES NO LINEALES
Objetivos
Describir el método de Newton – Raphson de dos variables haciendo uso

de la serie de Taylor para solucionar sistemas de ecuaciones no lineales
simultáneas.
Resolver, dado un sistema de ecuaciones no lineales simultáneas, su
solución, aplicando el método de Newton-Raphson de dos variables en
forma manual.
Usar programas del método de Newton-Raphson de dos variables o más
variables en cualquier lenguaje computacional para ejecutar y comprobar
resultados.
El método de Newton-Raphson de dos variables o más, es la mejor opción que se

tiene en la solución de sistemas de ecuaciones no lineales. Este método es
preferible por cuanto puede ser más económico en cuanto a requisitos de memoria
de una computadora.
22
No obstante, para usar el método Newton-Raphson de dos variables o más, debe

cumplir ciertas condiciones.
Método de Newton-Raphson de dos variables
Este método es una generalización del método del mismo nombre utilizado para
resolver ecuaciones no lineales en una incógnita.
Si tenemos un sistema de ecuaciones no lineales:
f 1 ( x, y ) = 0
f 2 ( x, y ) = 0
y éstas son continuas y derivables en un intervalo (el dominio comprende entre el

vector inicial y la solución final, incluyendo todos los vectores intermedios
propuestos).
Si suponemos que (xk +1 , y k +1 ) es un valor más próximo a la solución y lo

encontramos a partir de ( x k , y k ) , entonces podemos aproximar cada una de las
funciones por una serie de Taylor multivariable en la forma:
z
∂f ( x , y ) ∂f ( x , y )
f 1 ( x k +1 , y k +1 ) = f 1 ( x k , y k ) + 1 k k ( x k +1 − x k ) + 1 k k ( y k +1 − y k ) +
∂x ∂y
1 ∂ 2 f1 ( xk , y k ) 1 ∂ 2 f1 ( xk , y k )
+ ( x k +1 − x k ) +
2
( y k +1 − y k ) 2
2 ∂x 2
2 ∂y 2
∂ 2 f1 ( xk , y k )
+ ( x k +1 − xk )( y k +1 − y k ) + ...
∂x∂y
∂f ( x , y ) ∂f ( x , y )
f 2 ( x k +1 , y k +1 ) = f 2 ( x k , y k ) + 2 k k ( x k +1 − x k ) + 2 k k ( y k +1 − y k ) +
∂x ∂y
1 ∂ 2 f 2 ( xk , y k ) 1 ∂ 2 f 2 ( xk , y k )
+ ( x k +1 − x ) 2
+ ( y k +1 − y k ) 2
∂x 2 ∂y 2
k
2 2
∂ 2 f 2 ( xk , y k )
+ ( x k +1 − x k )( y k +1 − y k ) + ...
∂x∂y
Sabemos que esta serie es convergente si
0 < ( x k +1 − x k ) < 1 y 0 < ( y k +1 − y k ) < 1
23
Si cumplimos esta condición, entonces podemos afirmar que:
( x k +1 − x k ) >> ( x k +1 − x k ) 2 y ( y k +1 − y k ) >> ( y k +1 − y k ) 2
por lo menos en un orden de diferencia y lo mismo para
( x k +1 − x k ) >> ( x k +1 − x k )( y k +1 − y k ) y ( y k +1 − y k ) >> ( x k +1 − x k )( y k +1 − y k )
por lo cual los términos a partir de segundo orden se considerarán despreciables

en comparación con las constantes y los términos de primer orden, al igual que las
funciones de las aproximaciones
f1 ( xk +1 , yk +1 ) << f1 ( xk , yk ) y f 2 ( xk +1 , yk +1 ) << f 2 ( xk , yk )
Suponemos que son de por lo menos un orden menor en comparación con el resto
de la serie, y así las igualdades obtenidas de la serie de Taylor quedarán de la
siguiente manera
∂f 1 ( x k , y k ) ∂f ( x , y )
0 ≅ f1 ( xk , y k ) + ( x k +1 − x k ) + 1 k k ( y k +1 − y k )
∂x ∂y
∂f ( x , y ) ∂f ( x , y )
0 ≅ f 2 ( x k , y k ) + 2 k k ( x k +1 − x k ) + 2 k k ( y k +1 − y k )
∂x ∂y
De estas ecuaciones, resolviendo para ( x k +1 − x k ) , diferencia a la que llamaremos

“ h ”, y ( y k +1 − y k ) , la diferencia a la que llamaremos “ j ”, obtenemos:
∂f 1 ∂f
h + 1 j = − f1
∂x ∂y
∂f 2 ∂f
h + 2 j = − f2
∂x ∂y
En este sistema se ha omitido el punto donde fueron evaluadas las derivadas

parciales y las funciones, puesto que en todos los casos están evaluadas en el
mismo punto. En estas dos ecuaciones las dos incógnitas son h y j , de las
cuales se conocerá el valor de la siguiente aproximación de esta forma:
Si h = x k +1 − x k , entonces
x k +1 = x k + h
24
y de igual forma, j = y k +1 − y k , entonces

yk +1 = yk + j
Criterio de convergencia del método iterativo
Para que exista convergencia con este método, y a la vez tenga solución única, la
condición indispensable es que el determinante de la matriz de coeficientes o
matriz jacobiana J asociado al sistema sea diferente de cero:
∂f 1 ∂f 1
∂x ∂y
J = ≠0
∂f 2 ∂f 2
∂x ∂y
25
CAPÍTULO 4
APROXIMACIÓN POLINOMIAL CON EL CRITERIO DE AJUSTE EXACTO
Objetivos
Saber elegir los tipos de datos para hacer uso del criterio de ajuste exacto.
Conocer y estudiar los métodos de ajuste exacto.
Hacer ajustes de los datos (puntos tabulados) a polinomios con los métodos
de ajuste exacto.
Comparar las bondades de cada método a estudiar.
Criterio de ajuste exacto
El criterio de ajuste exacto consiste en encontrar un polinomio del tipo
p( x ) = a 0 + a1 x + a 2 x 2 + . . . + a n x n
que pase por los puntos dados en la tabla
i 0 1 2 . . . m
xi x0 x1 x2 . . . xm
f (xi ) f ( x0 ) f ( x1 ) f (x2 ) . . . f (xm )
Cuando la información tabular de que se dispone es aproximada hasta cierto

número de cifras significativas, por ejemplo la de tablas de logaritmos o de
funciones Bessel, tablas de propiedades físicas de sustancias puras, se
recomienda usar ajuste exacto.
Una vez que se obtiene el polinomio de aproximación, éste puede usarse para
obtener puntos adicionales a los existentes en la tabla, mediante su evaluación, lo
1
que se conoce como interpolación. También puede derivarse o integrarse a fin de

obtener información adicional de la función tabular.
A continuación se describen algunos métodos de aproximar con polinomios

obtenidos por ajuste exacto y su uso en la interpolación.
MÉTODO DE APROXIMACIÓN POLINOMIAL SIMPLE
Sea una función f ( x ) dada en forma tabular
i 0 1 2 . . . n
xi x0 x1 x2 . . . xn
f (xi ) f ( x0 ) f ( x1 ) f (x2 ) . . . f (xn )
Supóngase que sólo se dispusiera de los tres primeros datos de la tabla anterior.
Ahora sigue el procedimiento del método; supondremos un polinomio de segundo
grado del tipo
p( x ) = a 0 + a1 x + a 2 x 2
Como la ecuación tiene tres constantes que deben calcularse, para ello se debe
sustituir los puntos (0), (1) y (2) en la ecuación, de tal modo que resultan tres
ecuaciones con tres incógnitas que son a0 , a1 y a 2 . El sistema de ecuaciones que
se obtiene es
f ( x0 ) = a 0 + a1 x0 + a 2 x02
f ( x1 ) = a 0 + a1 x1 + a 2 x12
f ( x 2 ) = a 0 + a1 x 2 + a 2 x22
En forma matricial, se tiene
1 x0 x02  a 0   f ( x0 )
  a  =  f ( x ) 
1 x1 x12   1  1 
1 x2 x 22  a 2   f ( x 2 )

2
Este sistema de ecuaciones se resuelve por cualquiera de los métodos estudiados

para encontrar los valores de a0 , a1 y a 2 . Sustituyendo estos valores en el
polinomio de segundo grado se obtendrá el polinomio interpolador. A este método

se le conoce como aproximación polinomial simple.
Téngase en cuenta que lo más usual es emplear entre tres y cinco puntos en la
obtención del polinomio interpolador.
Ejemplo 4.1: Un estudiante desea conocer la densidad del agua a 43.7°C con la
mayor precisión posible y recurre a una tabla de datos de un manual
Punto 0 1 2 3 4
Temperatura, °C 10 20 50 75 100
Densidad , g / cm 3 0.99973 0.99823 0.98807 0.97489 0.95838
Si el estudiante propone un polinomio de segundo grado del tipo
p( x ) = a 0 + a1 x + a 2 x 2
para utilizar el método de aproximación polinomial simple ¿encontrar los valores

de los coeficientes del polinomio y la densidad del agua a 43.7°C.
Solución: Si bien los datos de tabla son muy precisos, el valor buscado no se
encuentra, por lo tanto se recurrirá al método de ajuste exacto.
En el polinomio propuesto se sustituyen tres datos de la tabla más cercanos al

valor de 43.7°C que son los puntos (1), (2) y (3)
0.99823 = a 0 + a1 20 + a 2 20 2
0.98807 = a 0 + a1 50 + a 2 50 2
0.97489 = a 0 + a1 75 + a 2 75 2
1 20 400  a 0  0.99823
1 50 2500 a  = 0.98807
   1  
1 75 5625  a 2  0.97489
3
Este sistema de ecuaciones lineales se resuelve por cualquiera de los métodos

estudiados. Se obtiene la siguiente solución
a 0 = 1.001575
a1 = −9.871515 *10 −5
a 2 = −3.427878 * 10 −6
Sustituyendo estos valores en la ecuación polinomial se obtiene el polinomio

interpolador
p( x ) = 1.001575 − 9.871515 * 10 −5 x − 3.427878 * 10 −6 x 2
Para terminar el proceso, sólo queda sustituir el valor conocido en el polinomio

interpolador
p(43.7 ) = 1.001575 − 9.871515 * 10 −5 (43.7 ) − 3.427878 * 10 −6 (43.7 )

2
p(43.7 ) = 0.9907
MÉTODO DE APROXIMACIÓN POLINOMIAL DE LAGRANGE
El método de aproximación polinomial simple requiere la solución de un sistema

de ecuaciones lineales que, cuando el grado del polinomio es alto, puede
presentar inconvenientes. El método de aproximación polinomial de Lagrange no
requiere resolver un sistema de ecuaciones lineales y los cálculos se realizan
directamente.
Se parte nuevamente de una la función desconocida f ( x ) dada en forma tabular
i 0 1 2 . . . n
xi x0 x1 x2 . . . xn
f (xi ) f ( x0 ) f ( x1 ) f (x2 ) . . . f (xn )
4
El polinomio de grado n , para este método es del tipo
p( x ) = L0 ( x ) f ( x0 ) + L1 ( x ) f ( x1 ) + L2 ( x ) f ( x 2 ) + . . . + Ln ( x ) f ( x n )
donde
(x − x1 ) (x − x2 ) . . . (x − xn )
L0 ( x ) =
(x0 − x1 )(x0 − x2 ) . . . (x0 − xn )
(x − x0 ) (x − x 2 ) . . . (x − x n )
L1 ( x ) =
(x1 − x0 )(x1 − x2 ) . . . (x1 − xn )
.
.
.
(x − x1 ) (x − x2 ) . . . (x − xn−1 )
Ln ( x ) =
(xn − x1 )(xn − x2 ) . . . (xn − xn−1 )
El tipo de polinomio para este método puede presentarse en forma más compacta
y útil para programarse en un lenguaje de computadora
n
p( x ) = ∑ Li ( x ) f ( xi )
i =0
donde
n (x − x )
Li ( x ) = ∏
j
j =0
j ≠i
(x − x )
i j
Los Li ( x ) se denominan polinomios de Lagrange. Además, al combinarse

linealmente con Li ( x ) con f ( xi ) , generan la aproximación polinomial de Lagrange
a la información dada en forma tabular.
Ejemplo 4.2: Del ejemplo 4.1, se presenta la tabla a continuación
Punto 0 1 2 3 4
Temperatura, °C 10 20 50 75 100
Densidad , g / cm 3 0.99973 0.99823 0.98807 0.97489 0.95838
5
a) Obtenga la aproximación polinomial de Lagrange con los puntos (1), (2) y

(3).
b) Aproxime el valor de la densidad del agua a 43.7°C.
Solución:
a) Para este ejemplo se desarrolla la aproximación polinomial de Lagrange

para tres puntos. La nueva tabla con los tres puntos se puede presentar de
la siguiente forma
Punto 0 1 2
Temperatura, °C 20 50 75
Densidad , g / cm 3 0.99823 0.98807 0.97489
p( x ) = L0 ( x ) f ( x0 ) + L1 ( x ) f ( x1 ) + L2 ( x ) f ( x 2 )
p( x ) =
(x − x1 )(x − x2 ) f (x ) + (x − x0 )(x − x2 ) f (x ) + (x − x0 )(x − x1 ) f (x )
(x0 − x1 )(x0 − x2 ) 0 (x1 − x0 )(x1 − x2 ) 1 (x2 − x0 )(x2 − x1 ) 2
Se sustituyen los datos, de tal manera que se obtiene la aproximación
polinomial de Lagrange con los puntos (1), (2) y (3).
p( x ) =
(x − 50)(x − 75) 0.99823 + (x − 20)(x − 75) 0.98807 + (x − 20)(x − 50) 0.97489
(20 − 50)(20 − 75) (50 − 20)(50 − 75) (75 − 20)(75 − 50)
p( x ) = 1.001575 − 9.871515 * 10 −5 x − 3.427878 * 10 −6 x 2
b) Para terminar el proceso, sólo queda sustituir x = 43.7 en el polinomio

interpolador
p(43.7 ) = 1.001575 − 9.871515 * 10 −5 (43.7 ) − 3.427878 * 10 −6 (43.7 )

2
p(43.7 ) = 0.9907
6
DIFERENCIAS DIVIDIDAS
La definición de derivada es
df ( x ) f ( x + ∆x ) − f ( x )
= Lim
dx ∆x → 0 ∆x
Sin embargo, si la función no se conoce, y si se conocen algunos puntos, la

derivada puede aproximarse
df ( x ) f ( xi +1 ) − f ( xi )
≈
dx xi +1 − xi
De acuerdo con el teorema del valor medio, la derivada obtenida con esta
expresión es exacta para un punto comprendido entre xi y xi +1 . Pero además esta
expresión se define como la primera diferencia dividida respecto a los argumentos
xi y xi +1
f ( xi +1 ) − f ( xi )
f [xi , xi +1 ] =
xi +1 − xi
Así como existen las derivadas de orden superior, también hay diferencias
divididas de orden superior; la segunda diferencia dividida se define
f [xi +1 , xi + 2 ] − f [xi , xi +1 ]
f [xi , xi +1 , xi + 2 ] =
xi + 2 − xi
En forma similar, la enésima diferencia dividida se define
f [xi +1 , xi + 2 , . . . , xi + n ] − f [xi , xi +1 , . . . , xi + n −1 ]
f [xi , xi +1 , . . . , xi + n ] =
xi + n − xi
Los resultados de las diferencias divididas a partir de una información de tabla se

deben mostrar de la siguiente forma
7
i xi f [x i ] f [xi , xi +1 ] f [xi , xi +1 , xi + 2 ] f [xi , xi +1 , xi + 2 , xi +3 ]
f [x1 ] − f [x0 ] f [x1 , x 2 ] − f [x0 , x1 ]

0 x0 f [x0 ] f [x0 , x1 ] = f [x0 , x1 , x 2 ] = f [x0 , x1 , x 2 , x3 ] = . ..
x1 − x0 x2 − x0
f [x 2 ] − f [x1 ] f [x2 , x3 ] − f [x1 , x 2 ]

1 x1 f [x1 ] f [x1 , x 2 ] = f [x1 , x2 , x3 ] = f [x1 , x 2 , x3 , x 4 ] = . ..
x 2 − x1 x3 − x1
f [x 3 ] − f [x 2 ] f [x 3 , x 4 ] − f [x 2 , x 3 ]
2 x2 f [x 2 ] f [x 2 , x3 ] = f [x 2 , x3 , x 4 ] = f [x 2 , x3 , x 4 , x5 ] = . ..
x3 − x 2 x4 − x 2
f [x 4 ] − f [x 3 ] f [x 4 , x5 ] − f [x3 , x4 ]
3 x3 f [x3 ] f [x3 , x 4 ] = f [x3 , x 4 , x5 ] =
x 4 − x3 x5 − x 3
f [x5 ] − f [x 4 ]
4 x4 f [x 4 ] f [x 4 , x5 ] =
x5 − x 4
5 x5 f [x5 ]
Las tres primeras columnas contienen la información necesaria para construir la

tabla de diferencias divididas, el resto de las columnas contiene los cálculos de las
diferencias divididas.
Ejemplo 4.3: Se presenta la información de la densidad del agua en función de la

temperatura en la siguiente tabla
Punto 0 1 2 3 4
Temperatura, °C 10 20 50 75 100
Densidad , g / cm 3 0.99973 0.99823 0.98807 0.97489 0.95838
A partir de ella, elabore una tabla de diferencias divididas.
8
Solución:
0 10 0.99973 -1.500000*10-4 -4.716666*10-6 1.982750*10-8
1 20 0.99823 -3.386666*10-4 -3.427878*10-6 9.548484*10-9
2 50 0.98807 -5.272000*10-4 -2.664000*10-6
3 75 0.97489 -6.604000*10-4
4 100 0.95838
Como se puede ver de la tabla de diferencias divididas, a medida que se calcula la

diferencia dividida de ordenes superiores, sus valores tienden a cero.
MÉTODO DE APROXIMACIÓN POLINOMIAL DE NEWTON EN DIFERENCIAS

DIVIDIDAS
Sea una función desconocida f ( x ) dada en forma tabular
i 0 1 2 . . . n
xi x0 x1 x2 . . . xn
f (xi ) f ( x0 ) f ( x1 ) f (x2 ) . . . f (xn )
Por este método, el polinomio de grado n , que pasa por los n + 1 puntos de la
tabla es de la forma
9
p( x ) = f [x0 ] + f [x0 , x1 ]( x − x0 ) + f [x0 , x1 , x 2 ]( x − x0 )( x − x1 ) + . . .
+ f [x0 , x1 , x 2 , . . . , x n ]( x − x0 )( x − x1 ) . . . ( x − x n −1 )
Se debe tener en cuenta que en este polinomio interpolador los términos de las
diferencias divididas se expresan tomando como punto de inicio ( x0 , f [x0 ] ) .
Ejemplo 4.4: Se presenta la información de la tabla a continuación
Punto 0 1 2 3 4
Temperatura, °C 10 20 50 75 100
Densidad , g / cm 3 0.99973 0.99823 0.98807 0.97489 0.95838
a) Obtenga la aproximación polinomial de Newton en diferencias divididas con

los puntos (1), (2) y (3).
b) Aproxime el valor de la densidad del agua a 43.7°C.
Solución:
a) Para este ejemplo se desarrolla la aproximación polinomial de Newton en

diferencias divididas para tres puntos. El polinomio a presentar será de la
forma
p( x ) = f [x1 ] + f [x1 , x2 ]( x − x1 ) + f [x1 , x 2 , x3 ]( x − x1 )( x − x 2 )
Se reemplazan los valores de las diferencias divididas de la tabla que se

construyo anteriormente en un ejemplo, se tiene
p( x ) = 0.99823 - 3.386666 * 10 -4 ( x − 20) − 3.427878 * 10 -6 ( x − 20 )( x − 50 )
p( x ) = 1.001575 − 9.871515 * 10 −5 x − 3.427878 * 10 −6 x 2
10
b) Sustituyendo x = 43.7 en el polinomio interpolador
p(43.7 ) = 1.001575 − 9.871515 * 10 −5 (43.7 ) − 3.427878 * 10 −6 (43.7 )

2
p(43.7 ) = 0.9907
Ejemplo 4.5: Sea el polinomio
f (x ) = 2 x 2 − 3x − 2
A partir de este se obtienen los siguientes datos
Punto 0 1 2 3 4
x 1 2 3 4 5
f (x ) -3 0 7 18 33
a) Con estos datos, construya una tabla de diferencias divididas.
b) Obtenga el polinomio con el método de aproximación polinomial de Newton

en diferencias divididas.
Solución:
a) En la tabla siguiente se muestran las diferencias divididas
0 1 -3 3 2 0
1 2 0 9 2 0
2 4 18 15 2
3 5 33 19
4 6 52
11
Como se puede ver de la tabla de diferencias divididas, la columna que contiene

los valores de las segundas diferencias divididas, son todas iguales a 2, por lo
tanto, la siguiente columna que contiene las terceras diferencias divididas y de
ordenes superiores serán iguales a cero.
De acuerdo a los valores obtenidos en la tabla de diferencias divididas el

polinomio de máximo grado que se puede proponer es de segundo grado
p( x ) = (− 3) + (3)( x − 1) + (2)( x − 1)( x − 2)

o
p( x ) = 2 x 2 − 3x − 2
Finalmente, podemos decir que el polinomio de Newton en diferencias divididas,

p( x ) , es igual a la función, f ( x ) .
DIFERENCIAS FINITAS
Cuando la distancia h entre dos argumentos consecutivos cualesquiera, es la

misma a lo largo de la tabla, el polinomio de Newton en diferencias divididas
puede expresarse con más sencillez.
Las diferencias finitas consisten en la simple resta de valores consecutivos de la

función. Así, a partir de la siguiente tabla de datos
i 0 1 2 . . . n
xi x0 x1 x2 . . . xn
f [xi ] f [x0 ] f [x1 ] f [x 2 ] . . . f [x n ]
La primera diferencia finita hacia delante se define como
∆f [x0 ] = f [x0 + h] − f [x0 ] = f [x1 ] − f [x0 ]
12
También está definida la segunda diferencia finita hacia delante
∆2 f [x0 ] = ∆ ( ∆f [x0 ] ) = ∆f [x1 ] − ∆f [x0 ]
De la misma manera se define la n - ésima diferencia finita hacia delante
( )
∆n f [x 0 ] = ∆ ∆n −1 f [x 0 ] = ∆n −1 f [x1 ] − ∆n −1 f [x 0 ]
Para ilustrar estas definiciones, tomaremos un ejemplo y elaboraremos la tabla de

diferencias finitas hacia delante.
Ejemplo 4.6: De un manual de propiedades físicas se extraen los siguientes datos

de viscosidad de las disoluciones acuosas del alcohol etílico (etanol) a 25°C
Punto 0 1 2 3 4
% en masa alcohol etílico 10 30 50 70 90
Vis cos idad , cP 1.323 2.180 2.400 2.037 1.424
A partir de estos datos, construya una tabla de diferencias finitas hacia delante.
Solución: En la tabla siguiente se muestran las diferencias finitas hacia delante
i xi f [x i ] ∆f [xi ] ∆2 f [xi ] ∆3 f [x i ] ∆4 f [xi ]
0 10 1.323 0.857 -0.637 0.054 0.279
1 30 2.180 0.220 -0.583 0.333
2 50 2.400 -0.363 -0.250
3 70 2.037 -0.613
4 90 1.424
13
MÉTODO DE APROXIMACIÓN POLINOMIAL DE NEWTON EN DIFERENCIAS

FINITAS
Supóngase que se tiene una función f ( x ) dada en forma tabular que se presenta
a continuación
i 0 1 2 . . . n
xi x0 x1 x2 . . . xn
f (xi ) f ( x0 ) f ( x1 ) f (x2 ) . . . f (xn )
Las diferencias divididas pueden expresarse en función de las diferencias finitas

hacia delante, por ejemplo
La primera diferencia dividida
∆ f [x 0 ]
f [x0 , x1 ] =
h
La segunda diferencia dividida
∆2 f [x0 ]
f [x0 , x1 , x 2 ] =
2h 2
La tercera diferencia dividida
∆3 f [x0 ]
f [x0 , x1 , x 2 , x3 ] =
3!h 3
En general
∆n f [x0 ]
f [x0 , x1 , . . . , x n ] =
n !h n
Con el propósito de desarrollar el polinomio de interpolación de Newton en función

de diferencias finitas hacia delante, se requiere definir un nuevo término
14
x − x0
s=
h
El polinomio de Newton en diferencias divididas
p( x ) = f [x0 ] + f [x0 , x1 ]( x − x0 ) + f [x0 , x1 , x 2 ]( x − x0 )( x − x1 ) + . . .
+ f [x0 , x1 , x 2 , . . . , x n ]( x − x0 )( x − x1 ) . . . ( x − x n −1 )
Expresada en diferencias finitas hacia delante queda
( ) [ 0] [ 0] ( ) 2
[ 0] ( )( ) 3
[ 0] ..
( 1)( 2) . . . ( ( 1))
[ 0]
!
15
ERROR: syntaxerror
OFFENDING COMMAND: --nostringval--
STACK:
CAPÍTULO 5
AJUSTE DE CURVAS CON EL CRITERIO DE MÍNIMOS CUADRADOS
Objetivos
Saber elegir los tipos de datos para hacer uso del criterio de mínimos
cuadrados en el ajuste de curvas.
Conocer el criterio de mínimos cuadrados para el ajuste de curvas a los
datos.
Estudiar la aproximación de funciones disponibles en forma tabulada, con
funciones analíticas (funciones de aproximación).
Comparar la calidad de ajuste con funciones de aproximación.
Linealizar una función para realizar un ajuste.
Criterio de mínimos cuadrados
La información dada en tabla (información discreta) que proviene de una función

conocida o de una base de datos de propiedades físicas de sustancias puras o
mezclas que se encuentran normalmente en manuales (handbook), suelen
considerarse datos sin errores o con errores muy pequeños. Con estos tipos de
datos se trabajó en la aproximación polinomial con el criterio de ajuste exacto.
Ahora se tratará con datos que tienen errores considerables, estos datos
normalmente se obtienen en el laboratorio cuando se desea reproducir los datos
verdaderos de manuales. Para el ajuste de curvas con el criterio de mínimos
cuadrados se requieren datos que tengan errores considerables.
Mínimos cuadrados es un método, que consiste en proponer una función de

aproximación, ψ (x ) con su correspondiente variable y parámetro(s), que pase
entre los puntos (datos con errores considerables) y que satisfaga la condición de
minimizar la suma de las desviaciones [ψ ( xi ) − f ( xi )] elevadas al cuadrado. Los
puntos f ( xi ) son los que corresponden a la información dada en tabla
1
i 1 2 3 . . . m
xi x1 x2 x3 . . . xm
f (xi ) f ( x1 ) f (x2 ) f ( x3 ) . . . f (xm )
m m
∑ [ ψ (x ) − f (x )] =∑ d
i =1
i i
2
i =1
i
2
= mínimo
donde d i es la desviación entre los puntos correspondientes.
Ajuste de funciones de aproximación con el criterio de mínimos cuadrados
En el ajuste de curvas, la función de aproximación, ψ ( x ) , puede ser un polinomio

de la forma
ψ (x ) = a 0 + a1 x + a 2 x 2 + . . . + a n x n
Este tipo de función es muy manejable en el tratamiento de operaciones como

derivadas e integrales
Si se utiliza
ψ (x ) = a 0 + a1 x
para aproximar la función dada en la tabla, el problema queda en minimizar
∑ [a
i =1
0 + a1 xi − f ( xi )] 2
Nótese que el número infinito de polinomios que pasan entre los puntos, se
selecciona aquel cuyos coeficientes a0 y a1 minimicen la expresión anterior.
En este caso se tiene una expresión (que es una función) de dos variables ( a0 y
a1 ) por minimizar, el procedimiento es derivar parcialmente con respecto a cada
2
una de las variables e igualar a cero cada derivada, con lo cual se obtiene un
sistema de dos ecuaciones algebraicas con incógnitas a0 y a1 ; o sea,
∂ m
 ∑ [a0 + a1 xi − f (xi )] 2  = 0
∂ a 0  i =1 
∂ m
 ∑ [a0 + a1 xi − f (xi )] 2  = 0
∂ a1  i =1 
Se deriva dentro del signo de sumatoria
m
∂ m
∑ [a0 + a1 xi − f (xi )] 2 =∑ 2 [a0 + a1 xi − f (xi )][1] = 0

i =1 ∂ a0 i =1
m
∂ m
∑ [a0 + a1 xi − f (xi )] 2 =∑ 2 [a0 + a1 xi − f (xi )][xi ] = 0

i =1 ∂ a1 i =1
al desarrollar se tiene
m m
m a0 + a1 ∑ xi =
i =1
∑ f (x )
i =1
i
m m m
a 0 ∑ xi + a1 ∑ xi2 =
i =1 i =1
∑ x f (x )
i =1
i i
 m
 m 
m ∑ xi   a 0  ∑ f ( x i ) 
 i =1
   =  i =1 
m   m
2  
m
∑ xi ∑ xi  a1  ∑ xi f ( xi )
 i =1 i =1   i =1 
para luego encontrar los valores de a0 y a1 , que sustituidos en ψ ( x ) = a 0 + a1 x , dan

la aproximación polinomial de primer grado que mejor ajusta la información
tabulada. Este polinomio puede usarse a fin de aproximar valores de la función
para un argumento dado.
3
El hecho de tener la mejor recta que aproxima la información, no significa que la

información esté bien aproximada; quizá convenga aproximarla con una parábola
(polinomio de grado dos) o una cúbica (polinomio de grado tres).
El grado del polinomio no tiene relación con el número de puntos usados y debe
seleccionarse de antemano con base en consideraciones teóricas que apoyan el
fenómeno estudiado.
Si se utiliza
ψ ( x ) = a 0 + a1 x + a 2 x 2
para aproximar la función dada por la tabla, se minimiza
∑ [a ]
m
0 + a1 xi + a 2 xi2 − f ( xi ) 2
i =1
donde los parámetros o coeficientes a0 , a1 y a 2 se obtienen al resolver el sistema

de ecuaciones lineales que resulta de derivar parcialmente con respecto a cada
una de las variables ( a0 , a1 y a 2 ) e igualar a cero. Dicho sistema queda
 m m
 m 
m ∑x ∑x i
2
i   a 0  ∑ f ( x i ) 
 i =1 i =1
    i =1 
m   m
3  
m m
∑ xi ∑x i
2
∑ xi  a1  = ∑ xi f ( xi ) 
 i =1 i =1 i =1     i =1 
m 2 m m
   m 
∑ xi ∑x 3
i ∑ xi4  a 2  ∑ xi2 f ( xi )
 i =1 i =1 i =1   i =1 
cuya solución, para encontrar los valores de a0 , a1 y a 2 , puede obtenerse por

alguno de los métodos estudiados o programas incorporados en calculadoras
programables.
Ejemplo 5.1: Ajuste el modelo ψ ( x ) = Ax M a los siguientes datos experimentales
i 1 2 3 . . . m
xi x1 x2 x3 . . . xm
4
f (xi ) f ( x1 ) f (x2 ) f ( x3 ) . . . f (xm )
Del modelo, A es una constante desconocida y M es una constante conocida.
Solución: En este caso solamente hay una constante o parámetro a ser

determinado por el método de mínimos cuadrados, este es A . Se define la
desviación en cada punto i , designado como d i
d i = Ax iM − f ( xi )
La suma de las desviaciones elevados al cuadrado, puede ser designado por

E ( A)
[ ]
m
E ( A) = ∑ Ax iM − f ( xi ) 2
i =1
dE ( A)
En este caso solo bastará resolver =0
dA
dE ( A) d  m
[ 2
] [ ][ ]
m
=  ∑ Ax M
i − f ( x i )  = ∑ 2 Ax iM − f ( xi ) x iM = 0
dA dA  i =1  i =1
[ ]
m m
A ∑ x i2 M − ∑ x iM f ( xi ) = 0
i =1 i =1
∑ [x ]
m
M
i f (x i )
A= i =1
m
∑x
i =1
2M
i
Ejemplo 5.2: A veces uno se encuentra con modelos o funciones del tipo
ψ ( x ) = Ce Ax para ser ajustado a los siguientes datos experimentales
i 1 2 3 . . . m
xi x1 x2 x3 . . . xm
5
f (xi ) f ( x1 ) f (x2 ) f ( x3 ) . . . f (xm )
Del modelo, A y C son constantes desconocidas. Use el método de mínimos

cuadrados para determinar el mejor ψ ( x ) que represente la información tabulada o
f (x) .
Solución: En este caso hay dos constantes o parámetros a ser determinados por
el método de mínimos cuadrados, este es A y C . Se define una desviación en
cada punto i , designado como d i
d i = ψ ( xi ) − f ( xi )
La suma de las desviaciones elevadas al cuadrado, puede ser designado por

E ( A, C )
[ ]
m
E ( A, C ) = ∑ Ce Axi − f ( xi ) 2
i =1
Las derivadas parciales de E ( A, C ) con respecto a A y C son
dE ( A, C ) m
dA
[
= ∑ 2 Ce Axi − f ( xi ) Cxi e Axi ][ ]
i =1
dE ( A, C ) m
dC
[
= ∑ 2 Ce Axi − f ( xi ) e Axi ][ ]
i =1
Cuando las derivadas parciales son igualadas a cero y luego simplificadas, se

tiene
m m
C ∑ xi e 2 Axi − ∑ xi e Axi f ( xi ) = 0
i =1 i =1
m m
C ∑ e 2 Axi − ∑ e Axi f ( xi ) = 0
i =1 i =1
6
Este sistema de ecuaciones resulta que son no lineales, donde A y C que no se

conocen pueden encontrarse haciendo uso del método de Newton-Raphson
Multivariable. Para la iteración se requiere que sean bien elegidos los valores
iniciales para A y C .
Linealización
Algunas ecuaciones no lineales pueden convertirse en lineales al aplicarles una

función tal como logaritmo. Una lista de las más comunes es la siguiente
Curva Linealización Datos extra
y = ax b log x vs. log y
y = 10 a +bx x vs. log y
y = ae bx x vs. ln y
x
y= x vs. x / y
a + bx
x3 = x1 .x 2
y1 y 2 − y 32
c=
y1 + y 2 − 2 y 3
y = ax b + c log x vs. log( y − c )
(x1 , y1 ) son las coordenadas del
punto inicial , que sólo se usa
para mod ificar los datos
x1 + x 2
x3 =
2
y1 y 2 − y 32
y = 10 a +bx + c x vs. log( y − c ) c=
y1 + y 2 − 2 y 3
Una vez que se calcula x3 , se debe
obtener y 3 por int erpolación.
(xi , yi ) son las coordenadas de
 y − yi 
y = a + bx + cx 2
x vs.   del punto i de la tabla de
 x − xi 
datos.
7
CAPÍTULO 6
DERIVACIÓN NUMÉRICA
Objetivos
Hacer uso del polinomio de Newton para obtener fórmulas numéricas de

derivación.
Aplicar diferentes técnicas en derivación numérica.
Comparar las bondades del método a estudiar.
La serie de Taylor, el polinomio interpolante de Newton y otras fórmulas similares

se utilizan con frecuencia en métodos numéricos, ya que transforman una
expresión cualquiera en un polinomio, y este último es, normalmente, de más fácil
manejo que la función original.
Esta propiedad la utilizaremos para encontrar fórmulas que se pueden usar para
aproximar una derivada.
Sea una función desconocida f ( x ) dada en forma tabular
i 0 1 2 . . . n
xi x0 x1 x2 . . . xn
f (xi ) f ( x0 ) f ( x1 ) f (x2 ) . . . f (xn )
Recordando que el polinomio Newton en diferencias divididas de grado n , que

pasa por los n + 1 puntos de la tabla es de la forma
p n ( x ) = f [x 0 ] + f [x 0 , x1 ]( x − x 0 ) + f [x 0 , x1 , x 2 ]( x − x 0 )( x − x1 ) + . . .
+ f [x0 , x1 , x 2 , . . . , x n ]( x − x0 )( x − x1 ) . . . ( x − x n −1 )
1
o bien
f 2 − f1 f1 − f 0
−
f1 − f 0 x 2 − x1 x1 − x0
p n (x ) = f 0 + (x − x0 ) + (x − x0 )(x − x1 ) + . . .
x1 − x0 x 2 − x0
Si los argumentos xi están igualmente espaciados, la expresión anterior se

convierte en
p n (x ) = f 0 + ( f1 − f 0 )(x − x0 ) + 1 2 ( f 2 − 2 f1 + f 0 )(x − x0 )(x − x1 )

1
h 2!h
+
1
( f 3 − 3 f 2 + 3 f1 − f 0 )(x − x0 )(x − x1 )(x − x 2 ) + . . .
3! h 3
y al derivarlo encontramos
p ´n ( x ) = ( f1 − f 0 ) + 1 2 ( f 2 − 2 f1 + f 0 )(2 x − x0 − x1 ) + . . .
1
h 2!h
+
1
3! h 3
[ ]
( f 3 − 3 f 2 + 3 f1 − f 0 ) 3x 2 − 2 (x0 + x1 + x2 )x + (x0 x1 + x0 x 2 + x1 x 2 ) + . . .
Al seleccionar un valor particular para n ; por ejemplo, n = 1 , tenemos un polinomio

de primer grado, una línea recta. Entonces
p1 ( x ) = f 0 + ( f1 − f 0 )(x − x0 )
1
h
y la primera derivada de este polinomio de primer grado
p ´1 ( x ) = ( f1 − f 0 )
1
h
Si ahora n = 2 , tenemos un polinomio de segundo grado
p 2 (x ) = f 0 + ( f1 − f 0 )(x − x0 ) + 1 2 ( f 2 − 2 f1 + f 0 )(x − x0 )(x − x1 )

1
h 2!h
y la primera derivada de este polinomio de segundo grado
2
p ´2 ( x ) = ( f1 − f 0 ) + 1 2 ( f 2 − 2 f1 + f 0 )(2 x − x0 − x1 )
1
h 2!h
De igual modo se obtiene las distintas derivadas para n > 2 .
Ejemplo 6.1: De acuerdo a la información que nos puede dar un triángulo

equilátero, de lado L = 2 , se tiene lo siguiente:
sen 0° = sen 0 = 0
π 1
sen 30° = sen =
2 6 2
3 π 3
sen 60° = sen =
2 3 2
π
sen 90° = sen =1
2
1
d2 f
para f ( x ) = sen x haciendo uso de la derivada
df
a) Encuentre y
dx dx 2
numérica y evalúe en x = π / 3 .
b) Comparar los valores obtenidos en el apartado (a) con los valores de la
derivada analítica a través del error relativo porcentual (ERP ) .
Solución:
a) La primera derivada tomando dos datos
i 0 1
xi π /6 π /3
f (xi ) 1/ 2 3/2
( )
f ´( x ) ≈ p ´1 ( x ) =
1
( f1 − f 0 ) = f1 − f 0
h x1 − x0
3
3 1
 π  π
f ´ x =  ≈ p ´1  x =  = 2
−
2 = 3 3 − 1 = 0.6990 ( )
 3  3 π π π
−
3 6
La segunda derivada
f ´´( x ) ≈ p ´´1 ( x ) = 0
La primera derivada tomando tres datos
i 0 1 2
xi π /6 π /3 π /2
f ( xi ) 1/ 2 3/2 1
f ´( x ) ≈ p ´2 ( x ) = ( f1 − f 0 ) + 1 2 ( f 2 − 2 f1 + f 0 )(2 x − x0 − x1 )
1
h 2!h
  3  1    π  π π 
3 1
− 1 − 2   +  2   − − 
 2
 π  π 2 2   2     3  6 3 
f ´ x =  ≈ p ´2  x =  = + = 0.4774
 3  3 π π 
2
6 2 
6
La segunda derivada
f ´´( x ) ≈ p ´´2 ( x ) = ( f 2 − 2 f1 + f 0 )
1
h2
  3  1
1 − 2  + 
 2
 π  π   2  
f ´´ x =  ≈ p ´´2  x =  =  = −0.8464
π 
2
 3  3
 
6
4
b) Si se tiene que f ( x ) = sen x , entonces, su primera derivada analítica será
f ´( x ) = cos x
π
En x =
3
 π π
f ´ x =  = cos = 0.5
 3 3
La segunda derivada analítica
f ´´( x ) = − sen x
 π π
f ´´ x =  = − sen = −0.8660
 3 3
El error relativo porcentual (ERP ) de la primera derivada con dos puntos
0.6990 − 0.5
ERP = *100 = 40 %
0.5
El error relativo porcentual (ERP ) de la primera derivada con tres puntos
0.4774 − 0.5
ERP = * 100 = 5 %
0.5
El error relativo porcentual (ERP ) de la segunda derivada con dos puntos
0 − (− 0.8660)
ERP = *100 = 100 %
− 0.8660
El error relativo porcentual (ERP ) de la segunda derivada con tres puntos
− 0.8464 − (− 0.8660)
ERP = * 100 = 2 %
− 0.8660
5
Ejemplo 6.2: Se presentan las siguientes ecuaciones cúbicas de estado de:
van der Waals:

 a 
( )
2
27 R 2Tc 1 RTc
 P + 2  υ − b = RT a= y b=
 υ  64 Pc 8 Pc
Redlich – Kwong:
 
( )
2.5
a R 2Tc RTc
P+ 1/ 2 
υ − b = RT a = 0.4275 y b = 0.0867
 υ (υ + b) T  Pc Pc
Para el agua como vapor sobrecalentado (gas) se desea completar la tabla para la
temperatura de 440°C:
Puntos 0 1 2 3
υ (m3 / kg ) 0.1611 0.03742 0.01652 0.00712
P (bar )
a) Considerando el método de aproximación polinomial simple para determinar

dP
P en función de υ , utilice todos los datos de la tabla para calcular y
dυ
d 2P
2
en υ = 0.07872 m3 / kg .
dυ
b) Comparar los valores obtenidos en el apartado (a) con los valores de las
derivadas analíticas a partir de la ecuaciones cúbicas de estado a través del
error relativo porcentual (ERP ) .
c) Comentarios
Datos para el agua:

Tc = 647.3 K , Pc = 220.9 bar , R = 0.08314 bar.m 3 /(kmol.K ), M = 18.02 kg / kmol
6
Ejemplo 6.3: Para la siguiente tabla de diferencia divididas
0 0.15 0.1761 2.4355 -5.7505 15.3476

1 0.21 0.3222 1.9754 -3.9088 8.7492
2 0.23 0.3617 1.7409 -2.9464 5.9642
3 0.27 0.4314 1.4757 -2.2307
4 0.32 0.5051 1.2973
5 0.35 0.5441
a) Calcule un valor para f ´(0.242) a partir de un polinomio de grado dos que

se ajuste a la tabla en i =1, 2 y 3. ¿Es la mejor elección de los tres puntos?
Justifique.
b) En realidad la función es f ( x ) = 1 + log x . Comparar los valores obtenidos en
el apartado (a) con los valores de la derivada analítica a través del error
relativo porcentual.
c) Las diferencias en la tabla en realidad son las diferencias divididas de f ( x )
con exactitud hasta seis cifras decimales, aun cuando los valores de la
función se muestran sólo hasta cuatro decimales. Vuelva a calcular las
diferencias usando los valores de la función tabulados y repita el apartado
(b).
d) Repita el apartado (a) pero esta vez para f ´( x ) en x = 0.21, 0.22, 0.23,
0.24, 0.25, 0.26 y 0.27. Trace la gráfica de las estimaciones y compare con
una gráfica de los valores verdaderos.
e) Haga una gráfica de los errores relativos porcentuales (ERP ) contra x . ¿En
que punto es menor el error?
f) Use la tabla de diferencias divididas de arriba para obtener f ´(0.242) a
partir de un polinomio de grado dos considerando los puntos: i =0,1 y 2;
i =2, 3 y 4; i =3, 4, y 5. ¿Estos resultados confirman que usar el conjunto de
puntos i =1, 2 y 3 es el mejor?
g) ¿Qué grado de polinomio proporciona el valor más exacto de f ´(0.242) a
partir de la tabla de arriba?
Solución:
7
CAPÍTULO 7
INTEGRACIÓN NUMÉRICA
Objetivos
Hacer uso del polinomio de Newton para obtener fórmulas integración

numérica.
Comparar los resultados que se obtienen de las fórmulas con los resultados
analíticos.
La integración numérica es una herramienta principal usada por ingenieros y

científicos para obtener resultados aproximados de integrales que no pueden ser
resueltas analíticamente. En el área de la termodinámica estadística, el modelo de
Debye para el cálculo de la capacidad calorífica de un sólido involucra la siguiente
función:
t3
Φ(x ) = ∫
x
dt
0 et − 1
Dado que no hay una expresión analítica para Φ ( x ) , la integración numérica debe
ser usada para obtener valores aproximados. Por ejemplo, el valor Φ (5) es el área
( )
debajo de la curva y = f (t ) = t 3 / e t − 1 para 0 ≤ t ≤ 5 . La aproximación numérica
para Φ (5) es
t3
Φ (5) = ∫
5
dt ≈ 4.899892
0 et − 1
Cada valor adicional de Φ (x ) debe ser determinada por otra integración numérica,
por ejemplo en la siguiente tabla se muestra los valores de Φ (x )
1
x Φ (x )
1.0 0.224805
2.0 1.176342
3.0 2.552218
4.0 3.877054
5.0 4.899892
6.0 5.585855
7.0 6.003169
8.0 6.239623
9.0 6.366573
10.0 6.431921
Fórmulas cerradas de Newton – Cotes
Una vez que se ha determinado un polinomio p n ( x ) , ya sea por el criterio del

ajuste exacto o el de mínimos cuadrados, de manera que aproxime
satisfactoriamente una función dada f ( x ) sobre un intervalo de interés, puede
esperarse que al diferenciarse o integrarla p n ( x ) en forma definida, también
aproxime satisfactoriamente la derivada o integral definida correspondientes a
f (x) .
Las fórmulas de integración numérica que utilizan valores dados de la función

f ( x ) en abscisas equidistantes se conocen como fórmulas de Newton – Cotes.
En el caso de n = 1 , para el intervalo de integración [a, b] , x0 = a y x1 = b ; la

aproximación polinomial de f ( x ) es un polinomio de primer grado p1 ( x ) . Si el
polinomio es presentado como un polinomio de Newton de la forma
p1 ( x ) = f 0 + ( f1 − f 0 )(x − x0 )
1
h
entonces, se tiene que
f ( x ) dx = ∫
b x1 x1
∫ a x0
f ( x ) dx ≈ ∫ p1 ( x) dx
x0
2
 
∫ f (x ) dx ≈ ∫ f 0 + ( f 1 − f 0 )( x − x0 ) dx
b x1 1

a x0
 h 
Integrando, se tiene
∫ f (x ) dx ≈ 2 [ f + f1 ]
b h
0
a
fórmula que se conoce como regla de los trapecios.
En el caso de n = 2 , se toman los puntos x0 , x1 y x2 , para el intervalo de

integración [a, b] , donde x0 = a y x 2 = b ; la aproximación polinomial de f ( x ) es un
polinomio de segundo grado p 2 ( x ) . Si el polinomio es presentado como un
polinomio de Newton de la forma
p 2 (x ) = f 0 + ( f1 − f 0 )(x − x0 ) + 1 2 ( f 2 − 2 f1 + f 0 )(x − x0 )(x − x1 )

1
h 2!h
entonces, se tiene que
∫ f (x ) dx =∫
b x2 x2
f ( x) dx ≈ ∫ p 2 ( x) dx
a x0 x0
 
∫ f (x ) dx ≈ ∫  f 0 + h ( f 1 − f 0 )( x − x0 ) + 2!h 2 ( f 2 − 2 f 1 + f 0 )( x − x0 )( x − x1 ) dx
b x2 1 1
a x0
 
Integrando, se tiene
∫ f (x ) dx ≈ 3 [ f + 4 f1 + f 2 ]
b h
0
a
fórmula que se conoce como regla de Simpson 1/3.
Siguiendo procedimientos análogos para 4, 5, 6 y 7 puntos se obtienen las

fórmulas de integración de Newton – Cotes:
3
n = 1 (regla de los trapecios )
∫ f (x ) dx ≈ 2 [ f + f1 ]
b h
0
a
n = 2 (regla de Simpson 1 / 3)
∫ f (x ) dx ≈ 3 [ f + 4 f1 + f 2 ]
b h
0
a
n = 3 (regla de Simpson 3 / 8)
∫ f (x ) dx ≈ 8 [ f + 3 f1 + 3 f 2 + f 3 ]
b 3h
0
a
n=4
∫ f (x ) dx ≈ 45 [7 f + 32 f 1 + 12 f 2 + 32 f 3 + 7 f 4 ]
b 2h
0
a
n=5
∫ f (x ) dx ≈ 288 [19 f + 75 f1 + 50 f 2 + 50 f 3 + 75 f 4 + 19 f 5 ]
b 5h
0
a
n=6
∫ f (x ) dx ≈ 140 [41 f + 216 f1 + 27 f 2 + 272 f 3 + 27 f 4 + 216 f 5 + 41 f 6 ]

b h
0
a
Ejemplo 7.1: Aproxime la siguiente integral
R
∫ −R
R 2 − x 2 dx
a) Usando la regla de los trapecios.

b) Usando la regla de Simpson 1/3.
4
c) Usando la regla de Simpson 3/8.

d) Compare los resultados de los apartados (a), (b) y (c) con la solución
analítica mediante el error relativo porcentual (ERP ) .
Solución:
a) Regla de los trapecios: f ( x ) = R 2 − x 2
en donde
b−a
h=
n
R − (− R )
h= = 2R
1
a = x0 = − R f (− R ) = R 2 − (− R ) = 0
2
b = x1 = R f ( R ) = R 2 − (R ) = 0
2
Aplicando la regla de los trapecios
∫ f (x ) dx ≈ 2 [ f (a ) + f (b)] = 2 [0 + 0] = 0
b h 2R
a
b) Regla de Simpson 1/3: f ( x ) = R 2 − x 2
en donde
b−a
h=
n
R − (− R )
h= =R
2
a = x0 = − R f (− R ) = R 2 − (− R ) = 0
2
x1 = − R + R = 0 f (0) = R 2 − (0) = R
2
b = x2 = R f (R ) = R 2 − (R ) = 0
2
Aplicando la regla de Simpson 1/3
5
∫ f (x ) dx ≈ 3 [ f + 4 f1 + f 2 ] = [(0) + 4(R ) + (0)] = 4 R 2 = 1.3333 R 2

b h R
0
a 3 3
c) Regla de Simpson 3/8: f ( x ) = R 2 − x 2
en donde
b−a
h=
n
R − (− R ) 2
h= = R
3 3
a = x0 = − R f (− R ) = R 2 − (− R ) = 0
2
f (− R / 3) = R 2 − (− R / 3) =
2 1 2 2
x1 = − R + R=− R
2
R
3 3 3
f ( R / 3) = R 2 − ( R / 3)
1 2 1 2 2
x2 = − R + R = R =
2
R
3 3 3 3
b = x3 = R f ( R ) = R 2 − (R ) = 0
2
Aplicando la regla de Simpson 3/8
2 
3 R 
b
( ) 3h
[ ]  3  (0 ) + 3 2 2 R  + 3 2 2 R  + (0 )
∫a f x dx ≈ f 0 + 3 f 1 + 3 f 2 + f 3 =
8 
  3   3  
8     
=
R
4
[ ]
4 2 R = 2 R 2 = 1.4142 R 2
d) Utilizando integración por sustituciones trigonométricas
R π
∫ −R
R 2 − x 2 dx =
2
R2
El error relativo porcentual (ERP ) utilizando la regla de los trapecios
0 −π / 2
ERP = *100 = 100 %
π /2
El error relativo porcentual (ERP ) utilizando la regla de Simpson 1/3
6
4 / 3−π / 2
ERP = *100 = 15%
π /2
El error relativo porcentual (ERP ) utilizando la regla de Simpson 3/8
2 −π / 2
ERP = *100 = 10 %
π /2
Fórmulas de integración compuestas
Una forma de reducir el error inherente a las fórmulas de integración de orden bajo
es la de dividir el intervalo [a, b] en intervalos más pequeños y aplicar la fórmula de
manera repetida e independiente en cada uno de los nuevos intervalos.
Si aplicamos repetidamente la regla de los trapecios, obtenemos lo siguiente:
b = xn
f ( x ) dx = ∫ f ( x) dx + ∫
x1 x2 x3 xn
∫ a = x0 x0 x1
f ( x) dx + ∫ f ( x) dx + . . . + ∫
x2 x n −1
f ( x) dx
≈
h
[ f0 + f1 ] + h [ f1 + f 2 ] + h [ f 2 + f3 ] + . . . + h [ f n −1 + f n ]
2 2 2 2
Agrupando términos se llega a
n −1
f ( x ) dx ≈
h
[ f0 + 2 f1 + 2 f 2 + 2 f3 + . . . + 2 f n −1 + f n ] = h  f0 + 2∑ fi + f n 
b
∫ a 2 2 i =1 
Ahora aplicaremos la regla de Simpson 1/3 a varios subintervalos independientes:

b = xn
f ( x ) dx = ∫ f ( x) dx + ∫ f ( x) dx + ∫ f ( x) dx + . . . + ∫
x2 x4 x6 xn
∫ a = x0 x0 x2 x4 x n− 2
f ( x) dx
≈
h
[ f0 + 4 f1 + f 2 ] + h [ f 2 + 4 f3 + f 4 ] + h [ f 4 + 4 f5 + f6 ] + . . . + h [ f n − 2 + 4 f n −1 + f n ]
3 3 3 3
Agrupando los términos se llega a
7
 n −1 n−2

f ( x ) dx ≈
h
[ f0 + 4 f1 + 2 f 2 + 4 f3 + 2 f 4 + . . . + 2 f n − 2 + 4 f n −1 + f n ] = h  f 0 + 4 ∑ fi + 2 ∑ fi + f n 
b
∫ a 3 2 i =1 i=2
 impares pares 
Observemos que para la aplicación repetida de esta fórmula, el número de puntos

debe ser impar.
Se pueden encontrar fórmulas compuestas para orden 3, 4, 5, 6 etcétera, en las

cuales está multiplicada por la constante enunciada de las fórmulas simples, y los
coeficientes quedarían de acuerdo con la tabla siguiente:
n Coeficientes
1 1, 2, 2, 2, . . ., 2,1
2 1, 4, 2, 4, 2, 4, . . . , 2, 4, 1
3 1, 3, 3, 2, 3, 3, 2, . . . , 2, 3, 3, 1
4 7, 32, 12, 32, 14, 32, 12, . . . , 12, 32, 7
5 19, 75, 50, 50, 75, 38, 75, . . . , 50, 50, 75, 19
6 41, 216, 27, 272, 27, 216, 82, 216, . . . , 272, 27, 216, 41
Nótese que los valores remarcados son los coeficientes en donde los puntos son
al mismo tiempo el extremo derecho de un subintervalo y el extremo izquierdo de
subintervalo siguiente.
Ejemplo 7.2: Se han extraído los datos para el nitrógeno ( N 2 ) como vapor
sobrecalentado de una fuente bibliográfica (A. A. Vasserman, Ya. Z. Kazavchinshii
y V. A. Rabinovich, “Thermophysical Properties of Air and Air Components”
Izdatel’stvo Nauta, Moscow, 1966) a 300K:
P , bar 1 5 10 20 50 100 150 200

υ , L/kg 890.2 177.9 88.9 44.4 17.8 8.95 6.09 4.70
Utilizando los datos de la tabla, calcule numéricamente el trabajo por unidad de

masa w , realizado sobre el nitrógeno en kJ/kg, a temperatura constante e igual
a300 K. La expresión para este cálculo es la siguiente:
8
υ 2 = 4.70
w = −∫ P dυ
υ 1 =890.2
donde P es la presión del gas y υ es el volumen específico del nitrógeno. Utilice

la regla de los trapecios.
Solución:
υ 2 = 4.70
w = −∫ P dυ
υ 1 =890.2
υ 2 = 4.70
P dυ ≈
(177.9 − 890.2 ) [1 + 5] + ( 88.9 − 177.9 ) [5 + 10] + ( 44.4 − 88.9 ) [10 + 20]
∫υ 1 =890.2 2 2 2
+
(17.8 − 44.4 ) [20 + 50] + (8.95 − 17.8) [50 + 100] + ( 6.09 − 8.95) [100 + 150]
2 2 2
+
( 4.70 − 6.09 ) [150 + 200] = −566.74 kJ / kg
2
υ 2 = 4.70
w = −∫ P dυ = − ( −566.74 kJ / kg ) = 566.74 kJ / kg
υ 1 =890.2
Ejemplo 7.3: Un dispositivo cilindro-émbolo contiene 0.12 kg de dióxido de

carbono a 27°C, 1 bar y 0.040 m3. El gas se comprime a temperatura constante
hasta 0.020 m3. La ecuación de estado PVT del gas viene dada por:
mRT (1 + a / V )
PV =
M
donde R = 8.314 kJ / kmol.K , V está en m3, M es la masa molar y a es un constante.
a) Calcule analíticamente el trabajo realizado sobre el gas en kJ.

b) Calcule numéricamente el trabajo realizado sobre el gas en kJ, usando la
regla de los trapecios, de tal manera que se obtenga un error relativo
porcentual respecto al trabajo analítico de 10%.
c) Comentarios
Nota: Para el cálculo del trabajo, se puede utilizar la siguiente expresión
V2
W = − ∫ PdV
V1
9
donde P es la presión del gas y V es el volumen del gas.
Cuadratura de Gauss
Gauss investigó y encontró que es factible disminuir el error en la integración

cambiando la localización de los puntos sobre la curva de integración f ( x ) .
En la figura 7.1 se tiene la curva de la función f ( x ) que se desea integrar entre los
límites a y b. La parte (a) de la figura muestra cómo se integraría usando un
trapezoide: uniendo el punto A de coordenadas (a, f (a ) ) con el punto B (b, f (b ) )
mediante un segmento de recta p1 ( x ) . Esto forma un trapezoide de base
h = (b − a ) , cuya área es
T = [ f (a ) + f (b)]
h
2
y que podría escribirse como
T = w1 f (a) + w2 f (b)
h
donde w1 = w2 =
2
El área del trapezoide calculada T, aproxima el área bajo la curva f (x) .
Por otro lado, en la aplicación de la cuadratura de Gauss, en lugar de tomar los

dos puntos A y B en los extremos del intervalo, se escogen dos puntos interiores C
y D (véase la parte b de la figura 7.1).
y
p1 ( x)
a) Regla de los trapecios
A
B
f (x)
10
x0 x1 x
a b
y
b) Método de Gauss con dos puntos
C
f (x)
a b x
Figura 7.1. Desarrollo del método de integración de Gauss usando dos puntos
a partir de la regla de los trapecios.
Se traza una línea recta por estos dos puntos, se extiende hasta los extremos del
intervalo y se forma el trapezoide sombreado. Parte del trapezoide queda por
encima de la curva y parte por abajo. Si se escogen adecuadamente los puntos C
y D, cabe igualar las dos zonas de modo que el área del trapezoide sea igual al
área bajo la curva; el cálculo del área del trapezoide resultante da la integral
exacta. El método de Gauss consiste esencialmente en seleccionar los puntos C y
D adecuados. La técnica se deduce a continuación.
Considérese primero, sin que esto implique perder generalidad, que se desea
integrar la función mostrada en la figura 7.2 entre los límites -1 y +1 (si los límites
11
son distintos, se hace un cambio de variable para pasarlos a -1 y +1). Los puntos
C y D se escogen sobre la curva y se forma el trapezoide con vértices E, F, G y H.
Sean las coordenadas del punto C ( z1 , F ( z1 ) ) y las del punto D ( z 2 , F ( z 2 ) ). Gauss

motivado por la fórmula de los trapecios, se propuso desarrollar una fórmula del
tipo
A = w1 F ( z1 ) + w2 F ( z 2 )
y F (z )
D G
C
F (z2 )
F ( z1 )
-1 z1 0 z2 +1
z
E H
Figura 7.2. Obtención del método de integración de Gauss.
ya que esto simplificaría relativamente el cálculo del área. El problema, planteado

de esta manera, consiste en encontrar los valores de z1 , z 2 , w1 y w2 . Entonces
hay cuatro parámetros, por determinar y, por tanto, cuatro condiciones que se
12
CAPÍTULO 8
ECUACIONES DIFERENCIALES ORDINARIAS
Objetivos
Estudiar los métodos numéricos de Euler, Taylor y Runge – Kutta de cuarto

orden para resolver una ecuación diferencial ordinaria.
Comparar los resultados que se obtienen usando e los métodos numéricos
con los resultados analíticos en el caso que se pueda resolver.
Cuando estudiamos cálculo diferencial e integral y ecuaciones diferenciales,

resolvemos modelos matemáticos que se utilizan en muchos problemas de las
ciencias, como ingeniería, economía y otras disciplinas.
En ese capítulo se busca exponer una solución aproximada por métodos

numéricos, si es que existen condiciones iniciales del problema.
Hay muchos programas en diferentes paquetes de software que están diseñados

para resolver cualquier tipo de ecuación diferencial que se presente.
Formulación del problema de valor inicial (PVI)
La ecuación diferencial ordinaria (EDO) general de primer orden es:
= f ( x, y )
dy
(8.1)
dx
En la teoría de las EDO se establece que su solución general debe contener una
constante arbitraria c , de tal modo que la solución general de la ecuación (8.1) es:
F ( x, y , c ) = 0 (8.2)
1
La ecuación (8.2) representa una familia de curvas en el plano x − y , obtenida

cada una de ellas para un valor particular de c , como se muestra en la figura (8.1).
F3 = 0
y0
F2 = 0, con y ( x0 ) = y0
F1 = 0
x
x0
Figura 8.1. Representación gráfica de la solución general, ecuación (8.2).
Cada una de estas curvas corresponde a una solución particular de la EDO (8.1),
y analíticamente dichas constantes se obtienen exigiendo que la solución de esa
ecuación pase por algún punto ( x0 , y 0 ) ; esto es, que:
y (x0 ) = y 0 (8.3)
En la práctica la gran mayoría de las ecuaciones no pueden resolverse utilizando

las técnicas analíticas, y se deberá recurrir a los métodos numéricos.
Cuando se usan métodos numéricos no se encuentran soluciones de la forma

F ( x, y, c ) = 0 , ya que trabajan con números y dan por resultado números. Sin
embargo, el propósito usual de encontrar una solución es determinar valores de y
(números) correspondientes a valores específicos de x , lo cual es factible con los
mencionados métodos numéricos sin tener que encontrar F ( x, y, c ) = 0 .
El problema de valor inicial (PVI) por resolver numéricamente queda formulado

como sigue:
2
a) Una ecuación diferencial de primer orden, ecuación (8.1)

b) El valor de y en un punto conocido x0 (condición inicial)
c) El valor de x f donde se quiere conocer el valor de y o ( y f )
que en lenguaje matemático quedará así:

= f ( x, y )
dy
 dx

PVI  y (x0 ) = y 0
y (x f ) = ?
 (8.4)


Formulado el problema de valor inicial, a continuación se describe las técnicas

numéricas para resolverlo.
Método de Euler
El método de Euler es el método más simple de los métodos numéricos para

resolver un problema de valor inicial del tipo (8.4). Consiste en dividir el intervalo
que va de x0 a x f en n subintervalos de ancho h (tamaño de paso); o sea:
x f − x0
h= (8.5)
n
de manera que se obtiene un conjunto discreto de (n + 1) puntos: x0 , x1 , x 2 , . . . ,

x n ( x f se convierte en x n ) del intervalo de interés [x , x ] . Para cualquiera de
0 f
estos puntos se cumple que
xi = x 0 + i h 0≤i≤n (8.6)
La condición inicial y ( x0 ) = y 0 representa el P0 = ( x0 , y 0 ) por donde pasa la curva

solución de la ecuación (8.4), la cual por simplicidad se denotará como F ( x ) = y
en lugar de F ( x, y, c1 ) = 0 .
Con el punto P0 se puede evaluar la primera derivada de F (x ) en ese punto:
3
dy
F ´( x ) = = f ( x0 , y0 ) (8.7)
dx P0
Con esta información se traza una recta, aquella que pasa por P0 y de pendiente
f ( x0 , y 0 ) . Esta recta aproxima F ( x ) en una vecindad de x0 . Tómese la recta como
reemplazo de F ( x ) localice en ella (la recta) el valor de y correspondiente a x1 .
F (x f )
y
F ( x1 ) f (x0 , y 0 )
y1
y0
h
x
x0 x1 x f = xn
Figura 8.2. Deducción gráfica del método de Euler.
Entonces de la figura (8.2)
y1 − y 0
= f (x0 , y 0 ) (8.8)
x1 − x0
Se resuelve para y1
y1 = y 0 + ( x1 − x0 ) f ( x0 , y 0 ) = y 0 + h f ( x0 , y 0 ) (8.9)
Es evidente que la ordenada y1 calculada de esta manera no es igual a F ( x1 ) ,

pues existe un pequeño error. No obstante, el valor de y1 sirve para aproximar
F ´ ( x ) en el punto P = ( x1 , y1 ) y repetir el procedimiento anterior a fin de generar la
sucesión de aproximaciones siguiente:
4
x0 y0
x1 = x0 + h y1 = y 0 + h f ( x0 , y 0 )
x 2 = x1 + h y 2 = y1 + h f ( x1 , y1 )
.
. (8.10)
.
xi +1 = xi + h y i +1 = y i + h f ( xi , yi )
.
.
.
x n = xn −1 + h y n = y n −1 + h f ( xn −1 , y n −1 )
Como se muestra en la figura (8.3), en esencia se trata de aproximar la curva

y = F ( x ) por medio de una serie de segmentos de línea recta.
Como la aproximación a una curva mediante una línea recta no es exacta, se

comete un error propio del método mismo. Dicho error puede disminuirse tanto
como se quiera (al menos teóricamente) reduciendo el valor del tamaño de paso
h , pero a cambio de un mayor número de cálculos y tiempo de máquina.
y = F (x )
y
Error final
y Euler
x0 x1 x3 x4 x f = xn
5
Figura 8.3. Aplicación repetida del método de Euler.
Ejemplo 8.1: Resuelva el siguiente
 dy
 = x− y
dx

PVI  y( 0 ) = 2
 y( 1 ) = ?


mediante el método de Euler y divida en cinco subintervalos.
Solución: Como el intervalo de interés es [0,1], el valor del tamaño de paso h es
1− 0
h= = 0.2
5
con lo cual se generan los argumentos x y los valores de y , mediante el método

de Euler
x0 = 0 y0 = 2
x1 = x0 + h = 0 + 0.2 = 0.2 y1 = y 0 + h f ( x0 , y 0 ) = 2 + 0.2 [0 − 2] = 1.6
x 2 = x1 + h = 0.2 + 0.2 = 0.4 y 2 = y1 + h f ( x1 , y1 ) = 1.6 + 0.2 [0.2 − 1.6] = 1.32
x3 = x 2 + h = 0.4 + 0.2 = 0.6 y 3 = y 2 + h f ( x 2 , y 2 ) = 1.32 + 0.2 [0.4 − 1.32] = 1.136
x 4 = x3 + h = 0.6 + 0.2 = 0.8 y 4 = y3 + h f ( x3 , y 3 ) = 1.136 + 0.2 [0.6 − 1.136] = 1.0288
x5 = x 4 + h = 0.8 + 0.2 = 1.0 y 5 = y 4 + h f ( x 4 , y 4 ) = 1.0288 + 0.2 [0.8 − 1.0288] = 0.98304
El valor de y5 = y ( x5 ) = y (1.0 ) = 0.98304 obtenido por este método puede

compararse con la solución analítica que es 1.10364; el error relativo porcentual
es 11%.
6
 dy
 =x
dx

PVI  y (2 ) = 4
 y( 4 ) = ?


mediante el método de Euler. Hacer cuatro subintervalos. Además resuelva

analíticamente para encontrar el error relativo porcentual.
Solución: Como el intervalo de interés es [2, 4] , el valor del tamaño de paso h es
4−2
h= = 0.5
4
con lo cual se generan los argumentos x y los valores de y , mediante el método

de Euler
x0 = 2 y0 = 4
x1 = 2.5 y1 = y 0 + h f ( x0 , y 0 ) = 4 + 0.5 [2] = 5
x2 = 3 y 2 = y1 + h f ( x1 , y1 ) = 5 + 0.5 [2.5] = 6.25
x3 = 3.5 y3 = y 2 + h f ( x 2 , y 2 ) = 6.25 + 0.5 [3] = 7.75
x4 = 4 y 4 = y 3 + h f ( x3 , y3 ) = 7.75 + 0.5 [3.5] = 9.5
El valor obtenido por este método es y 4 = y ( x 4 ) = y (4 ) = 9.5 . Resolviendo

analíticamente y considerando la condición inicial, se tiene:
x2
y= +2
2
A partir de la solución analítica se puede presentar una tabla con los siguientes
resultados
yi , aprox. − yi , analítico
i xi y i , aproximado yi , analítico ERP = x100
yi , analítico
0 2.000 4.000 4.000 0.000
1 2.500 5.000 5.125 2.439
2 3.000 6.250 6.500 3.846
3 3.500 7.750 8.125 4.615
7
4 4.000 9.500 10.000 5.000
Método de Taylor
Antes de explicar este método, conviene hacer una acotación al método de Euler.
Puede decirse que el método de Euler utiliza los primeros dos términos de la serie
de Taylor para su primera iteración; o sea:
F ( x1 ) ≈ y1 = F ( x0 ) + F ' ( x0 )( x1 − x0 ) (8.11)
donde se señala que y1 no es igual a F ( x1 ) .
Esto pudo hacer pensar que para encontrar y2 , se expandió de nuevo F ( x ) en

serie de Taylor, como sigue:
F ( x2 ) ≈ y2 = F ( x1 ) + F ' ( x1 )( x2 − x1 ) (8.12)
sin embargo, no se dispone de los valores exactos de F ( x1 ) y F ' ( x1 ) y,

rigurosamente hablando, son los que deben usarse en una expansión de Taylor de
F ( x ) - en este caso alrededor de x1 - ; por tanto, el lado derecho de la ecuación
(8.12) no es evaluable. Por ello, sólo en la primera iteración, para encontrar y1 , se
usa realmente una expansión en serie de Taylor de F ( x ) , aceptando desde luego
que se tienen valores exactos en la condición inicial y0 = F ( x0 ) . Después de eso,
se emplea la ecuación:
yi +1 = yi + f ( xi , yi )( xi +1 − xi )
(8.13)
= F ( xi ) + F ' ( xi )( xi +1 − xi )
que guarda similitud con una expansión en serie de Taylor.
Aclarando este punto, a continuación se aplicará la información acerca de las

series de Taylor para mejorar la exactitud del método de Euler y obtener
extensiones que constituyen la familia de métodos llamados algoritmos de Taylor.
8
Si se usan tres términos en lugar de dos en la expansión de F ( x1 ) , entonces:

( x1 − x0 )
2
F ( x1 ) ≈ y1 = F ( x0 ) + F ' ( x0 )( x1 − x0 ) + F '' ( x0 ) (8.14)

2!
Como
dF ' ( x ) df ( x, y )
F '' ( x ) = =
dx dx
y
h = x1 − x0
La primera iteración de la ecuación (8.14) tomaría la forma:
h 2 df ( x, y )
y1 = y0 + h f ( x0 , y0 ) + x0 , y0 (8.15)
2! dx
Ahora cabe pensar que usando una fórmula de iteración basada en la ecuación
(8.15) para obtener y2 , y3 , . . . yn mejoraría la exactitud obtenida con la
ecuación (8.11). Se propone entonces la fórmula:
h 2 df ( x, y )
yi +1 = yi + h f ( xi , yi ) + xi , yi (8.16)
2! dx
La utilidad de esta ecuación depende de cuán fácil sea la diferenciación de

f ( x, y ) . Si f ( x, y ) es una función sólo de x , la diferenciación con respecto a x
es relativamente fácil y la fórmula propuesta es muy práctica.
Si, como es el caso general, f ( x, y ) es una función de x y y , habrá que usar

derivadas totales. La derivada total de f ( x, y ) con respecto a x está dada por:
df ( x, y ) ∂f ( x, y ) ∂f ( x, y ) dy
= + (8.17)
dx ∂x ∂y dx
Si se aplican las ideas vistas en el método de Euler pero empleando como fórmula
la ecuación (8.16), se obtiene el método de Taylor de segundo de orden. Este
último es indicativo de la derivada de mayor orden que se emplea y de cierta
exactitud. Con esta terminología, al método de Euler le correspondería el nombre
de método de Taylor de primer orden.
9
 dy
 = x− y
dx

PVI  y( 0 ) = 2
 y( 1 ) = ?


mediante el método de Taylor de segundo orden y divida en cinco subintervalos.
Solución: Como el intervalo de interés es [0,1], el valor del tamaño de paso h es
1− 0
h= = 0.2
5
Se aplica la ecuación (8.16)
h 2 df ( x, y )
yi +1 = yi + h f ( xi , yi ) + xi , yi (8.16)
2! dx
se evalúa primero la ecuación (8.17)
df ( x, y ) ∂f ( x, y ) ∂f ( x, y ) dy
= +
dx ∂x ∂y dx
df ( x, y )
= 1 + ( −1)( x − y ) = 1 − x + y
dx
con lo cual se generan los valores de y :
10
x0 = 0 y0 = 2
h 2 df ( x, y )
x1 = x0 + h = 0 + 0.2 = 0.2 y1 = y0 + h f ( x0 , y0 ) + x0 , y0
2! dx
0.22
= 2 + 0.2 [ 0 − 2] + (1 − 0 + 2 ) = 1.66
2
h 2 df ( x, y )
x2 = x1 + h = 0.2 + 0.2 = 0.4 y2 = y1 + h f ( x1 , y1 ) + x1 , y1
2! dx
0.22
= 1.66 + 0.2 [ 0.2 − 1.66] + (1 − 0.2 + 1.66 ) = 1.4172
2
h 2 df ( x, y )
x3 = x2 + h = 0.4 + 0.2 = 0.6 y3 = y2 + h f ( x2 , y2 ) + x2 , y2
2! dx
= 1.254104
h 2 df ( x, y )
x4 = x3 + h = 0.6 + 0.2 = 0.8 y4 = y3 + h f ( x3 , y3 ) + x3 , y3
2! dx
= 1.15636528
h 2 df ( x, y )
x5 = x4 + h = 0.8 + 0.2 = 1.0 y5 = y4 + h f ( x4 , y4 ) + x4 , y4
2! dx
= 1.11221953
El valor de y5 = y ( x5 ) = y (1.0 ) = 1.11222 obtenido por este método puede
compararse con la solución analítica que es 1.10364; el error relativo porcentual
es 0.8%.
Ejemplo 8.4: Un tanque con agitación contiene 20 m3 de una solución acuosa de

sal A cuya concentración es 0.5 kg / m3 . Si en un instante determinado se deja
ingresar un flujo volumétrico de 3 m3 / h , con una concentración de la sal de
2 kg / m3 y al mismo tiempo se hace salir un flujo volumétrico de 2 m3 / h . Asuma en
todo instante la densidad de la solución acuosa sal A de los flujos que entra y sale,
como también del tanque, iguales y constantes.
11
a) Calcular la concentración de la sal en kg / m3 , en el instante en que inicia el

rebalse, si la capacidad máxima del tanque con agitación es 40 m3 . Usar el
método de Taylor de segundo orden. Considerar sobre el intervalo de la
variable independiente cuatro subintervalos.
b) Resolver analíticamente y calcular el error relativo porcentual.
Solución:
a) Aplicación de la ecuación de balance de masa a la sal:
d (VC A )
( 3)( 2 ) − 2C A =
dt
donde V es el volumen de la solución en un tiempo t.
dC A dV
6 − 2C A = V + CA
dt dt
Aplicación de la ecuación de balance de masa a todo el sistema:
d ( ρV )
( 3)( ρ ) − ( 2 )( ρ ) =
dt
dV
=1
dt
V t
∫20
dV = ∫ dt
0
V = 20 + t
Reemplazando en la ecuación de balance de masa para la sal:
dC A
6 − 2C A = ( 20 + t ) + C A (1)
dt
dC A 6 − 3C A
=
dt 20 + t
Se inicia el rebalse cuando el volumen de la solución acuosa de sal alcanza los

40 m3
V = 20 + t
40 = 20 + t
t = 20 horas
12

Curso Calculo para Ingenieria de Procesos PDF

Încărcat de

Informații document

Descriere originală:

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

Curso Calculo para Ingenieria de Procesos PDF

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSIDAD NACIONAL DE INGENIERIA CALCULOS DE INGENIERIA QUIMICA

FACULTAD DE INGENIERIA QUIMICA Y TEXTIL ING. ALEX PILCO NUÑEZ

Los errores numéricos se generan con el uso de aproximaciones para representar

1.1 Errores por truncamiento

Los errores por truncamiento resultan al representar aproximadamente un

Esta expresión contiene un número infinito de términos que desde el punto de

muestra el valor de la expresión e x cuando x = 1 , para diferente número de

Tabla 1.1 Valores de e x de acuerdo al número de términos incluidos en la

Número de términos ex Número de términos ex

De los resultados de la tabla 1.1 puede observarse que conforme aumenta el

1.2 Errores por redondeo

Los errores por redondeo surgen de representar aproximadamente números

Tabla 1.2 Valores de e x de acuerdo al número de términos incluidos en la

Número de términos ex Número de términos ex

términos; mientras que cuando se usan ocho decimales sí existen diferencias

1.3 Clasificación de los errores

valor aproximado = valor verdadero + error (1.2)

en donde podemos observar que el error numérico es la diferencia entre los

error = valor aproximado − valor verdadero (1.3)

que se representa como:

donde Ev se utiliza para denotar el valor verdadero (exacto) del error,

x representa el valor aproximado, y

Un problema que se tiene al utilizar esta definición de error es que la magnitud no

El error relativo también puede expresarse en forma porcentual al multiplicar por

A menudo el signo del error no tiene la relevancia de su magnitud, y para fines de

Error aproximado ea = xi +1 − xi (1.11)

Ejemplo 1.1: El coseno (x) puede representarse por medio de la serie de

Calcule el valor de los errores relativos porcentuales (E )p y errores relativos

Como se puede observar en los resultados obtenidos en la hoja de cálculo de

cual es conveniente, ya que se asegura que se está cometiendo un error menor al

También se observa que a medida que aumenta el número de términos agregados

El problema es identificar el punto donde se tiene el mínimo error numérico total,

Ejemplo 1.2: El coseno (x) puede representarse por medio de la serie de

Calcule el valor de los errores relativos porcentuales (E )

1.4 Precisión y exactitud

Muchas veces cuando conversamos usamos los términos precisión y exactitud de

micrómetro estuviera desajustado. Con respecto a la precisión, el vernier nos

milésimas de milímetro; por lo tanto el micrómetro es un aparato más preciso que

a) La ecuación de estado del gas ideal.

a) Basándose en la ecuación de estado del gas ideal, el volumen específico es

RT (0.08314 bar. m 3 / kmol . kg )(793 K )

T 793 K P 200 bar

υ = 0.83 (0.0183) m 3 / kg = 0.0152 m 3 / kg

c) El valor de las tablas basado en datos experimentales es 0.01551 m3/kg.

d) Comparando los valores de los volúmenes específicos obtenidos con la

SOLUCIÓN DE ECUACIONES NO LINEALES

Estudiar los métodos numéricos para resolver ecuaciones no lineales.

Uno de los problemas que se presenta con frecuencia en ingeniería es encontrar

una función trascendente

Existen distintos métodos numéricos para encontrar las raíces o ceros de

Métodos para la solución de

Métodos con un punto inicial: Métodos con dos puntos iniciales:

Entre algunas aplicaciones de los métodos numéricos en la ingeniería en las que

• Calcular la fracción vaporizada de una mezcla multicomponente haciendo

MÉTODO DE PUNTO FIJO

Se debe tener una ecuación general f ( x) = 0 , luego se debe escribir la ecuación

Esta transformación se puede llevar a cabo mediante operaciones algebraicas o

se puede reordenar para obtener:

puede transformarse en la forma de la ecuación (2.1) sumando x a ambos lados

La utilidad de la ecuación (2.1) es que proporciona una fórmula para predecir un

Diagrama de flujo del método de punto fijo

El error relativo porcentual de este cálculo a partir de la ecuación (2.2) se puede