Apuntes de Análisis Numérico +++

Universidad Católica Boliviana San Pablo
Unidad Académica Tarija
DEPARTAMENTO DE INGENIERÍAS y
CIENCIAS EXACTAS
Abel Barroso López

Profesor de la Universidad Católica Boliviana San Pablo
Edición Preliminar
Tarija, Agosto de 2018
Universidad Católica Boliviana San Pablo – Unidad Académica Regional Tarija
Departamento de Ingenierías y Ciencias Exactas
-----------------------------------------------------------------------------------------
CONTENIDO
Numeral Unidad Didáctica Página
1 Introducción al análisis numérico

1.1Objetivo de la unidad didáctica 3
1.2Introducción 3
1.3Algoritmo 5
1.4¿Qué es el análisis numérico? 5
1.5Objetivo del Análisis Numérico 6
1.6Introducción a los métodos numéricos 6
1.7Análisis de errores 10
1.8Las fórmulas de Taylor y de Mc Laurin 13
1.9Problemas 17
2 Raíces de ecuaciones no lineales
2.1 Introducción 19
2.2 Método gráfico 20
2.3 Método de la bisección 22
2.4 Método de la regla falsa 28
2.5 Método de Newton – Raphson 33
2.6 Método de la secante 37
2.7 Método de iteración del punto fijo 40
2.8 Problemas 44
3 Sistemas de ecuaciones lineales
3.2 Tipos de matrices 48
3.3 Algunas operaciones elementales con matrices 49
3.4 Eliminación Gaussiana Simple 52
3.5 Eliminación Gaussiana con Pivoteo Parcial 56
3.6 Método de Gauss – Jordán 59
3.7 Aplicación del Método de Gauss-Jordan al cálculo de la matriz 62
inversa
3.8 Método de Gauss – Seidel 65
3.9 Problemas 72
4 Interpolación
4.2 Diferencias finitas divididas de Newton 79
4.3 Polinomio de interpolación de Newton con diferencias divididas 80
4.4 Polinomio de interpolación de Lagrange 83
4.5 Interpolación de Splines 86
4.6 Funciones de spline de grado 0 87
4.7 Funciones de Splines de grado 1 87
4.10 Problemas 100
---------------------------------------------------------------------------------------------------------------- 1
Apuntes de: MAT – 362: Análisis Numérico I Profesor: Ing. Abel Barroso López
-----------------------------------------------------------------------------------------
Numeral Unidad Didáctica Página
5 Integración Numérica
5.2 Teorema fundamental del cálculo integral 102
5.3 Fórmulas de integración de Newton – Cotes 103
5.4 Regla de integración del trapecio 103
5.5 Regla de Simpson de un tercio 107
5.6 Regla de Simpson de tres octavos 112
5.7 Integración en intervalos desiguales 115
5.8 Método de integración de Romberg 116
5.9 Algoritmo de integración de Romberg 123
5.10 Problemas 125
6 Ecuaciones diferenciales ordinarias
6.2 Método de Euler 128
6.3 Método de Taylor 132
6.4 Método de Euler mejorado 135
6.5 Método de Runge – Kutta 138
6.6 Problemas 141
Bibliografía 142
---------------------------------------------------------------------------------------------------------------- 2
-----------------------------------------------------------------------------------------
UNIDAD DIDÁCTICA 1
INTRODUCCIÓN AL ANÁLISIS NUMÉRICO
1.1 OBJETIVO DEL UNIDAD DIDÁCTICA
Mostramos la necesidad de conocer los métodos numéricos en la ingeniería y, a través de su

comprensión, identificamos el objeto de estudio de esta rama de ciencia matemática.
Hacemos hincapié en la diferencia entre análisis numérico y métodos numéricos,
distinguiendo la fundamentación matemática de los algoritmos, obteniendo como resultado
una visión general de los principios fundamentales de la materia que nos ocupa. Se busca,
entonces que el estudiante logre una percepción clara de las estructuras generales que
instituyen ésta área del conocimiento matemático.
1.2 INTRODUCCIÓN
Para comprender la necesidad de conocer los métodos numéricos en la ingeniería, veamos,

primeramente qué se entiende por ingeniería, preguntándonos:
¿Qué es la Ingeniería?
La ingeniería es el conjunto de conocimientos y técnicas científicas aplicadas a la creación,

perfeccionamiento e implementación de estructuras (tanto físicas como teóricas) para la
resolución de problemas que afectan la actividad cotidiana de la sociedad. Aunque se
considera una disciplina muy antigua, actualmente se obtiene en las universidades del
mundo en su nivel Licenciatura, llegando a especialidades; extendiéndose a niveles
superiores como Maestrías y Doctorado.
En la ingeniería, el estudio, conocimiento, manejo y dominio de las matemáticas, la física y

otras ciencias es aplicado profesionalmente tanto para el desarrollo de tecnologías, como
para el manejo eficiente de recursos y fuerzas de la naturaleza en beneficio de la sociedad.
La ingeniería es la habilidad de trasformar el conocimiento en algo práctico.
Entonces, la ingeniería es el conjunto de conocimientos y técnicas científicas aplicadas,

que se orientan a la resolución y optimización de los problemas que afectan directamente a
la humanidad.
El Ingeniero y el Análisis Numérico
La ocupación principal del ingeniero es la de realizar diseños o desarrollar soluciones

tecnológicas (conjunto de conocimientos técnicos, ordenados científicamente, que permiten
crear bienes o servicios) a necesidades sociales. Para ello, el ingeniero debe identificar y
comprender los problemas del mundo real para poder realizar un buen diseño. A través del
análisis y la comprensión de los problemas, los ingenieros realizar una abstracción de los
mismos (definición de modelos) para identificar sus elementos esenciales y expresarlos en
---------------------------------------------------------------------------------------------------------------- 3
-----------------------------------------------------------------------------------------
términos precisos. Esa abstracción del problema del mundo real simplificando su expresión
se denomina modelización. El objetivo de un modelo se orienta a reproducir la realidad de
la forma más aproximada posible, tratando de entender cómo se comporta el mundo real y
obteniendo las respuestas que pueden esperarse de determinadas acciones. Este análisis
lleva a la formulación de un modelo matemático.
Un modelo matemático es una formulación o ecuación que expresa las características

fundamentales de un sistema o proceso físico en términos matemáticos. Los modelos
pueden estar constituidos por simples ecuaciones algebraicas hasta grandes y complicados
sistemas de ecuaciones diferenciales. Sus características son:
1. Describe un sistema o proceso natural en términos matemáticos.

2. Representa una idealización y una simplificación de la realidad.
3. Conduce a resultados predecibles y, en consecuencia, puede utilizarse para
propósitos de predicción.
Luego de haber definido el modelo matemático, el ingeniero se enfrenta a dos posibilidades

para su solución: una que consiste en resolverlo analíticamente, lo que lo lleva a la solución
exacta por medio del análisis matemático, y otra posibilidad es, resolverlo numéricamente,
logrando así una solución aproximada. Y es en esta fase donde el análisis numérico cobra
su real importancia en la ingeniería. Todo lo descrito hasta ahora, lo resumimos en el
siguiente Flujograma:
---------------------------------------------------------------------------------------------------------------- 4
-----------------------------------------------------------------------------------------
El análisis numérico aborda los mismos problemas que el análisis matemático cualitativo,
pero manejando solo operaciones aritméticas. Es así como los métodos numéricos surgen
de la necesidad de métodos alternativos de solución de problemas matemáticos que no son
susceptibles de resolverse mediante métodos analíticos y, porque, no siempre se dispone del
tiempo suficiente para investigar hasta hallar una solución analítica elegante.
De este modo, en el análisis numérico se pierde la característica fundamental del análisis

matemático, que es la solución, mediante lenguaje simbólica, de problemas matemáticos.
Esta característica simbólica del análisis matemático – denominada también exacta –
genera el poder del pensamiento que permite su generalización. Los métodos numéricos al
eliminar la abstracción simbólica, pierden esos poderes, pero se ganan otros: la posibilidad
de resolver, aunque sea aproximadamente, cualquier problema.
En este contexto, para calcular valores numéricos que resuelven problemas científicos y
tecnológicos, expresados analíticamente, mediante un modelo matemático, es necesario
desarrollar una regla que permita calcular una aproximación al valor buscado. La tarea de
construir y mejorar esa regla, es propia del análisis numérico, mientras que la regla en sí, es
el método numérico. Los métodos numéricos son procedimientos aproximados para
resolver problemas científicos y tecnológicos que han dado lugar al nacimiento de una rama
particular de las matemáticas, denominada matemáticas numéricas, o bien, Cálculo
Numérico o Análisis Numérico.
1.3 ALGORITMO
Un algoritmo puede definirse como una secuencia lógica de pasos necesarios para la
ejecución de una tarea específica, tal como la solución de un problema, ó también como
una secuencia de instrucciones para alcanzar un resultado deseado en un tiempo finito. Un
buen algoritmo se caracteriza por: terminar luego de una cantidad finita de pasos, ser lo más
general y preciso posible, ser determinístico, no dejar nada al azar y permitir obtener
resultados independientes de quien lo está utilizando.
Para generar un algoritmo se debe seguir una serie de pasos:

1. Determinar el objetivo de la tarea
2. Identificar los datos de entrada y de salida
3. Determinar el proceso involucrado
4. Identificar las variables internas
5. Dividir el proceso en acciones elementales
6. Determinar la secuencia de estas acciones
7. Incorporar estructuras de control
Por lo general, el objetivo del algoritmo será el de implementar un procedimiento numérico

para resolver un problema o para aproximar una solución del problema. Consta de un
principio; de una serie de pasos en los que se deben definir los valores iniciales de las
variables del problema, operar con estos valores hasta llegar a un resultado, proporcionar
un resultado y de un final.
---------------------------------------------------------------------------------------------------------------- 5
-----------------------------------------------------------------------------------------
1.4 ¿QUÉ ES EL ANÁLISIS NUMÉRICO?
El análisis numérico es “la teoría de los métodos constructivos en el Análisis Matemático”

o también, que es “La rama de las Matemáticas que intenta obtener soluciones
aproximadas, a los problemas del análisis matemático, por medio de operaciones
elementales”. De manera general, el análisis numérico o cálculo numérico, puede
entenderse como la rama de las matemáticas orientada a la búsqueda de algoritmos para su
tratamiento aritmético. De ahí que, desde un punto de vista matemático, se lo entiende
como un instrumento auxiliar que permite poner los algoritmos en práctica para llegar a
resultados numéricos.
1.5 OBJETIVO DEL ANÁLISIS NUMÉRICO
El propósito del Análisis Numérico es desarrollar algoritmos para hallar soluciones

aproximadas a problemas matemáticos complejos, utilizando solamente operaciones
simples de la aritmética.
1.6 INTRODUCCIÓN A LOS MÉTODOS NUMÉRICOS
Problema: Deseamos calcular la velocidad instantánea, cerca de la superficie terrestre, de

un cuerpo, de masa m, que cae libremente, asumiendo que la velocidad inicial del cuerpo es
igual a 0 y, que las únicas fuerzas que actúan sobre él son la fuerza de gravedad y la fuerza
de resistencia del aire, la que suponemos es linealmente proporcional a la velocidad del
cuerpo.
Determinación del Modelo Matemático: Utilizamos la segunda ley de Newton:
dv
F = m a.  F=m
dt
Las fuerzas que actúan sobre el cuerpo indican que:
F = F G – FR
Donde:
FG = m g es la fuerza de gravedad (con g: aceleración de gravedad) y;
FR = c v es la fuerza de resistencia del aire (con c: coeficiente de arrastre).
dv
Por sustitución obtenemos: m =mg–cv
dt
dv c
De donde se obtiene: =g– v … (1)
dt m
---------------------------------------------------------------------------------------------------------------- 6
-----------------------------------------------------------------------------------------
Que es el “modelo matemático” del problema que se trata de resolver.
a) Solución Analítica: En este caso se identifica el modelo como una ecuación diferencial
de primer orden de variables separables., por lo tanto, el camino se orienta a resolver la
ecuación diferencial (1)
dv
Separando las variables: = dt
c
g v
m
Integrando ambos miembros de la ecuación:
 dt
dv
 c
=
g v
m
m c
De lo cual obtenemos:  ln g  v = t + k (2)
c m
Donde: k = constante de integración
Para calcular la constante de integración k, utilizamos las condiciones iniciales dadas: v = 0

si t = 0. Sustituyendo estos valores en (2) obtenemos:
m
 ln g = k
c
m c m
Sustituimos el valor de k en (2), tenemos:  ln g  v = t  ln g
c m c
De donde despejamos v en función de t, obteniendo:
m   
ct
v = g 1  e m  … (3)
c  

Ecuación que resuelve el problema de manera exacta.
b) Solución Numérica. Orientamos nuestra solución a buscar una expresión que aproxime
el valor de v. Recordaremos la definición de la derivada de una función, teniéndose:
---------------------------------------------------------------------------------------------------------------- 7
-----------------------------------------------------------------------------------------
dv  ti  v  ti 1   v  ti 
= lim
dt ti 1 ti ti 1  ti
Cuando ti+1 es un valor muy cercano a ti, se puede quitar el límite y obtener la siguiente
aproximación:
dv  ti  v  ti 1   v  ti 

dt ti 1  ti
Expresión que, aplicada al modelo matemático, permite escribir:
vt i 1   vt i  c
 g – v(ti)
t i 1  t i m
De donde se despeja v(ti+1) y se obtiene:
c
v(ti+1) = v(ti) + [g – v(ti)] (ti+1 – ti) … (4)
m
Fórmula, permite calcular la velocidad aproximado de v(ti+1) si se conoce la velocidad v(ti)

en el instante anterior.
Ejemplo: Supongamos que se tenemos los siguientes datos:
m = 70,000 g, c = 19,600 g/s, g = 980 cm/s2
Se calcularán los valores de v(0), v(1), v(2), … v(5).
a) Solución analítica. Sustituimos los valores de m, c y g en la expresión (2) y, obtenemos:
70 ,000 x980 
19 ,600t 
v= 1  e 70 ,000  = 3500 (1 – e0.28t)
19 ,600  
 
Para los valores del tiempo, desde t = 0 hasta t = 5, determinamos los resultados que se ven
en la siguiente tabla:
t (s) 0 1 2 3 4 5
v (cm/s) 0 854.7569 1500.76828 1989.01317 2358.02072 2636.91063
Esta tabla presenta los valores exactos de las velocidades indicadas y que se han obtenido
por un método analítico.
---------------------------------------------------------------------------------------------------------------- 8
-----------------------------------------------------------------------------------------
b) Solución numérica: Veremos ahora, como se puede aproximar los datos dados
utilizando un método numérico.
Como la velocidad inicial es nula, es decir: v(0) = 0. Utilizamos la fórmula (4) y

calculamos la velocidad que corresponde a los tiempos subsecuentes. Como estos cálculos
son aproximaciones, entre más pequeños sean los intervalos de tiempo, más exactas serán
dichas aproximaciones. Para nuestro ejemplo, tenemos:
19 ,600
v(ti+1)  v(ti) + [980 - v(ti)](ti+1 – ti) = v(ti) + [980 – 0.28v(ti)](ti+1 – ti)
70 ,000
Como expresamos anteriormente, comenzamos con v(0) = 0. Para aproximar v(1), tenemos
dos opciones: aproximarla directamente, saltando del tiempo t = 0 al tiempo t = 1, o bien
usar intervalos más pequeños de tiempo, como 0.2 segundos, para obtener una mejor
aproximación. Para la primera opción tendremos v(1)  980, mientras que para la segunda
tenemos los siguientes resultados:
t (s) 0 0.2 0.4 0.6 0.8 1

v (cm/s) 0 196 381.024 555.686656 720.5682033 876.2163839
Evidentemente, con la segunda opción obtenemos una mejor aproximación para v(1), ya
que los intervalos de tiempo son más pequeños, y lógicamente, si se reduce, aún más, la
duración de estos intervalos de tiempo, se obtendrán mejores aproximaciones. Para obtener
mejores aproximaciones, sin duda, se elegirá la segunda opción, con intervalos de tiempo
de 0.2 s. Esto arroja los resultados que se muestran en la siguiente tabla:
t (s) 0 1 2 3 4 5
V (cm/s) 0 876.2163839 1533.074153 2025.489197 2394.629346 2671,356168
Tabla en la que se han omitido los datos intermedios para no hacer más larga la tabla. Si
hacemos una comparación entre la tabla de valores exactos y esta última de valores
aproximados, se verá que hay diferencias entre los valores obtenidos, es decir, en la
segunda tabla se han cometido ciertos errores que deben ser medidos y lo que es más
importante, se hace necesario tener alguna forma de poder afirmar: "el resultado obtenido
es lo suficientemente bueno".
Observación: El precio que hay que pagar, en la solución aproximada, es el de efectuar

cálculos cada vez más largos y a veces tediosos, y aquí es donde hace acto de presencia la
poderosa herramienta computacional, que permite hacer cálculos, como los indicados, en
poco tiempo y con mayor exactitud que si se los hiciera manualmente. Esta gran
herramienta hace factible el camino de los métodos numéricos pues de otra forma, serían
muy lentos los procesos y con muchos riesgos de cometer errores en cada paso.
Es necesario destacar que, para poder elaborar un buen programa de computación, además
de manejar algún lenguaje de programación, es preciso saber realizar el proceso
---------------------------------------------------------------------------------------------------------------- 9
-----------------------------------------------------------------------------------------
"manualmente", ya que ello permitirá asimilar la lógica del proceso para implementar un
mejor programa que contemple los posibles obstáculos que hay en el camino.
1.7 ANÁLISIS DE ERRORES
El análisis del error implica el análisis de convergencia, es decir, el análisis de las

características propias del método aplicado: “qué tan cerca está el valor calculado (valor
aproximado) del valor buscado (valor verdadero) y, qué tan rápido se acerca el método
elegido a ese valor. La pregunta que surge entonces es: ¿cómo sabemos cuándo se ha
encontrado el valor verdadero?
La respuesta está en el proceso del método, puesto que si el método numérico aplicado al
problema proporciona, cada vez, un valor que se acerca más al valor verdadero, entonces la
sucesión de valores aproximados obtenida tenderá a un número xr, y en este caso solo hay
que comparar el nuevo valor aproximado xi con el valor aproximado anterior xi-1. Si la
sucesión de valores converge en xr, la diferencia entre xi y xi-1, se irá haciendo más
pequeña; cuando esta diferencia sea prácticamente cero (con una tolerancia prefija E),
diremos que hemos encontrado una buena aproximación al valor verdadero, es decir si:
 xi1 – xi-1  E  se ha alcanzado una buena aproximación
Uno de los objetivos principales del análisis numérico es la determinación de la precisión

en los resultados de los cálculos.
Fuentes básicas de los errores:
a) Errores inherentes a la formulación del problema.

b) Errores originados por el método empleado en la solución del problema
Los errores del primer grupo se deben a que la formulación del problema es sólo una
aproximación de la situación real, generalmente son errores despreciables.
Los errores del segundo grupo tienen tres causas:
i. Errores de datos o equivocaciones comunes en las operaciones, denominados

errores instrumentales.
ii. Errores de truncamiento, Son los errores propios del método de cálculo y, resultan
de representar aproximadamente un procedimiento matemático exacto.
iii. Errores de redondeo, cuando no se utilizan todas las cifras verdaderas de un número
irracional.
1.7.1. Los errores de truncamiento, son los errores propios del método de cálculo y,
resultan de representar aproximadamente un procedimiento matemático exacto. Por
ejemplo, en la solución numérica al problema del objeto en caída libre, se usó una
---------------------------------------------------------------------------------------------------------------- 10
-----------------------------------------------------------------------------------------
aproximación al proceso de derivación, la cual es una aproximación al procedimiento

matemático exacto.
dv v( t i 1 )  v( t i )
=
dt t i 1  t i
Esto genera errores de truncamiento durante el procedimiento.
1.7.2. Los errores de redondeo, resultan de representar aproximadamente números que son
exactos. Por ejemplo, aún en la "solución exacta" al problema del objeto en caída libre, los
resultados impresos en la tabla de velocidades no son totalmente exactos puesto que el
numero e es un número irracional y por lo tanto su extensión decimal es infinita y no
periódica lo que impide escribirlo de forma completamente exacta. Usando 5 decimales, se
tiene:
e = 2.71828…
Esto genera errores de redondeo durante los cálculos. En ambos casos se tiene que: valor
verdadero = valor aproximado + error
1.7.3. Error absoluto. Se define el error absoluto a la diferencia entre el valor verdadero y
el valor aproximado, es decir:
Ev = valor verdadero – valor aproximado
Esta definición de error tiene un pequeño defecto, como se verá en el siguiente:
Ejemplo. Al medir la longitud de una varilla para construcción se obtiene el resultado

aproximado de 19,999 cm mientras que al medir la longitud de un clavo, se obtiene el
resultado de 9 cm Suponiendo que los valores verdaderos de la varilla y el clavo son de
20,000 cm y 10 cm respectivamente, calcular el error absoluto en ambos casos.
Solución. Se tienen los siguientes resultados:
Para el caso de la varilla, el error absoluto se calcula como:
Ev = 20,000 – 19,999 = 1 cm
Para el caso del clavo, el error absoluto se calcula como:
Ev = 10 – 9 = 1 cm
---------------------------------------------------------------------------------------------------------------- 11
-----------------------------------------------------------------------------------------
En ambos casos, el error absoluto es igual, pero obviamente tiene mayor trascendencia el
error en el caso del clavo que en el caso de la varilla, es decir, es necesario comparar el
error absoluto contra el valor verdadero y esto da lugar a la siguiente definición.
1.7.4. Error relativo. Se define el error relativo al cociente del error absoluto sobre el valor
verdadero, es decir:
error absoluto
Er 
valor verdadero
Esto es:
valor verdadero  valor aproximado
Er 
valor verdadero
También se define el error relativo porcentual, como sigue:
 v = 100 Er %
valor verdadero  valor aproximado
Es decir:  v = 100 %
valor verdadero
De hecho el error que más se usa es este último, ya que da una idea del porcentaje del error
que se está cometiendo.
Por ejemplo, en el caso de la varilla el error relativo porcentual es:
1
 v = 100 % = 0.005 %
20 ,000
Mientras que en el caso del clavo, el error relativo porcentual es:
1
 v = 100 % = 10 %
10
Se puede observar, que el error relativo porcentual refleja mejor la gravedad o no gravedad
del error que se está cometiendo.
Es claro, que en el caso de la varilla no es trascendente ya que representa solamente un

0.005% con respecto al valor verdadero, mientras que en el caso del clavo, el error si es
importante ya que es del 10% del valor verdadero.
Finalmente, se mencionará que un proceso de aproximación puede detenerse cuando el

valor absoluto del error relativo porcentual es menor que una cierta cota fijada de
antemano. Sin embargo, todavía se tiene un pequeño defecto en el análisis del error.
---------------------------------------------------------------------------------------------------------------- 12
-----------------------------------------------------------------------------------------
Los métodos numéricos se aplican en realidad, a problemas que no se pueden resolver

analíticamente; en el ejemplo del cuerpo en caída libre, en realidad no es necesario aplicar
ningún método numérico, puesto que se conoce la solución exacta del problema.
Por lo tanto, en una situación real, se desconocerá el valor verdadero de la solución al

problema; luego entonces se estará imposibilitado de calcular el error relativo porcentual.
La forma de resolver este problema es pensar que para obtener una cierta aproximación a
un valor, se tuvo que haber obtenido una aproximación anterior al mismo valor.
Una vez calculada la nueva aproximación se procede a calcular otra aproximación al mismo
valor y así sucesivamente.
Si el método realmente converge a un resultado (que se espera sea la solución del

problema), todas estas aproximaciones se estarán aproximando entre sí y al valor al cual
convergen.
1.7.5. Error aproximado porcentual. Se define el error aproximado porcentual, como

sigue:
aproximación actual  aproximación previa

 a = 100 %
aproximación actual
Como se mencionó anteriormente, el proceso se detiene cuando se ha logrado disminuir el

valor absoluto del error aproximado porcentual hasta un cierto rango fijado de antemano;
esto es, cuando:
a < s
Se puede probar que si se toma: s = 0.5 x 10 2-n (%),
Entonces se puede tener la seguridad de que la aproximación tiene, al menos, n cifras

significativas, es decir, posee al menos n dígitos confiables.
1.8 LAS FÓRMULAS DE TAYLOR Y DE MC LAURIN
En la solución de problemas de la ingeniería, utilizando los métodos numéricos, como ya se

vio anteriormente, en primer lugar, es menester desarrollar un modelo matemático. Algunos
de esos modelos matemáticos están determinados por funciones, cuya expresión algebraica,
presenta algún grado de complejidad que obliga a buscar otro tipo de expresión más simple
que, en un cierto intervalo, permita una aproximación aceptable con el modelo matemático
desarrollado. Las fórmulas de Taylor y de Mc Laurin son una ayuda muy práctica para este
fin.
---------------------------------------------------------------------------------------------------------------- 13
-----------------------------------------------------------------------------------------
Si f (x) es una función continua definida en una vecindad (entorno) de un punto a, con
derivadas de todos los órdenes; es posible elegir un polinomio de grado n, pn(x), tal que
en el punto x = a tenga el mismo valor que f (x) y las mismas n derivadas que f (x) en el
mismo punto, este polinomio se aproximará más a f (x) en los puntos de abscisa x interiores
a la vecindad del punto a, del dominio de f. Para estas condiciones, recordamos que la
fórmula de Taylor muestra la siguiente forma:
( x  a) 2 ( x  a ) n (n)
f (x) ≈ f (a) + (x – a)f ' (a) + f ”(a) + ... + f (a)
2! n!
Si f (x) es un polinomio algebraico de grado n, entonces la aproximación anterior se

convierte en una verdadera igualdad.
En general, si se tiene cualquier función, para aplicar la aproximación anterior y lograr que
se torne en una verdadera igualdad, debemos añadir al segundo miembro un término más,
llamado resto:
( x  a) 2 ( x  a) n (n) ( x  a ) n 1 (n+1)
f (x) = f (a)+ (x – a)f ' (a) + f“(a) + ... + f (a)+ f (c)
2! n! (n  1)!
Donde c es un punto, convenientemente elegido, al interior de la vecindad del punto a.
La fórmula de Mc Laurin, es un caso particular de la fórmula de Taylor, en la que, en lugar

de trabajar en la vecindad de un punto cualquiera a, se trabaja en la vecindad del origen de
coordenadas, es decir, se hace a = 0:
x2 x n (n) x n 1
f (x) = f (0) + x f '(0) + f“(0) + ... + f (0) + f (n+1)(c)
2! n! (n  1)!
Ejemplo 1. Utilicemos la serie de Mc Laurin para aproximar el número irracional e hasta un

valor que tenga 4 cifras significativas confiables.
Solución. Primero determinamos el valor de la cota del error  s utilizando la expresión:
s = 5 x 102-n (%) = 5 x 102-4 = 0.05 %.
Ahora, implementamos la lógica de nuestra resolución: nos servimos de la serie de Mc

Laurin, para desarrollar la aproximación de e y, luego iremos por pasos, empezando por el
primer término de esta aproximación y, luego, agregamos un término en cada
aproximación, para obtener nuevas valores hasta lograr que se cumpla: a < 0.005%.
Partimos de: f(x) = ex y con ello obtenemos:
f ’(x) = f ”(x) = f’’’(x) = … = f (n)(x) = ex,
---------------------------------------------------------------------------------------------------------------- 14
-----------------------------------------------------------------------------------------
x2 0 xn x n 1 c
Lluego: e x  e0  xe0  e    e0  e
2! n!  n  1 !
12 1n
Como e = e , hacemos x = 1 y, como e = 1, entonces resulta: e  1  1      
1 0
2! n!

1
Y, en forma concentradas: e
n 0 n!
Aplicando la lógica anterior, en un primer paso simplemente tendremos un término:
1
e = 1
0!
1 1
En el segundo paso, tenemos la suma de dos términos: e  = 2
0! 1!
Aquí, calculamos el primer error de la aproximación:
actual  previa 2 1
a = 100 = 100 = 50 %
actual 2
Puesto que no se ha cumplido el objetivo, seguimos agregando un nuevo término a la serie:
1 1 1
e    = 2.5
0! 1! 2!
Y nuevamente calculamos el error aproximado correspondiente, es decir:
2 .5  2
 a = 100 % = 20 %
2 .5
El proceso continua hasta lograr la meta. Los resultados se resumen en la siguiente tabla:
Nº términos Aprox. al valor e Error aproximado

1 1
2 2 50%
3 2.5 20%
4 2.666666667 6.25%
5 2.708333333 1.54%
6 2.716666667 0.307%
7 2.718055556 0.051%
8 2.718253968 0.007%
9 2.718278770 0.0009%
De este modo, el resultado que obtenemos es: e  2.718281526
Que en realidad tiene 8 cifras significativas. Sin embargo, la cota definida por  s , asegura
que, al menos, se tendrá n = 4 cifras significativas sin error.
Ejemplo 2: En la vecindad de a = 0, analicemos gráficamente las diferencias entre la

función sen(x) y su desarrollo con la fórmula de Mc Laurin con dos y con cinco términos.
---------------------------------------------------------------------------------------------------------------- 15
-----------------------------------------------------------------------------------------
Solución. El análisis lo realizaremos en la vecindad de 0.

d
Sen (0) = 0; sen  0  = cos (0) = 1
dx
d2 d3
sen  0  = – sen (0) = 0; sen  0  = – cos (0) = – 1
dx 2 dx3
d4 d5
sen  0  = sen (0) = 0; sen  0  = cos (0) = 1
dx 4 dx5
d6 d7
sen  
0 = – sen (0) = 0; sen  0  = – cos (0) = – 1
dx 6 dx 7
d8 d9
sen  0  = sen (0) = 0; sen  0  = cos (0) = 1
dx8 dx9
Para el primer caso, desarrollamos la formula de Mc Laurin:

d x2 d 2 x3 d 3
sen (x)  sen(0) + x sen  0  + sen  0  + sen  0 
dx 2! dx 2 3 ! dx3
x2 x3 x3
O bien: sen (x)  0 + x (1) + (0) + (– 1) = x –
2! 3! 3!
Graficando esta expresión y la de la función sen (x), observamos que la fórmula de Mc

Laurin con dos términos, es congruente con la función seno en el intervalo [–1; 1]. Lo que
nos permite concluir que:
x3
sen (x) = x –  x  [–1; 1]
3!
La figura 1.1 muestra claramente el análisis de esta aproximación.
Figura 1.1
---------------------------------------------------------------------------------------------------------------- 16
-----------------------------------------------------------------------------------------
Pasemos ahora al análisis del segundo caso. Desarrollamos la formula de Mc Laurin:

d x2 d 2 x3 d 3 x4 d 4
sen (x)sen(0)+x sen  0  + sen  0  + sen  0  + sen  0  +
dx 2! dx 2 3 ! dx3 4 ! dx 4
x5 d 3 x6 d 6 x7 d 7 x8 d 8 x9 d 9
+ sen  0  + sen  0  + sen  0  + sen  0  + sen  0 
5 ! dx3 6 ! dx 6 7 ! dx 7 8 ! dx8 9 ! dx9
x2 x3 x4 x5 x6 x7 x8 x9
sen(x)0+x(1)+ (0)+ (–1)+ (0)+ (1)+ (0)+ (–1)+ (0)+ (1)
2! 3! 4! 5! 6! 7! 8! 9!
Quedando finalmente:
x3 x5 x7 x9
sen (x)  x – + – +
3! 5! 7! 9!
Figura 1.2
La figura 1.2 muestra esta expresión y la de la función sen (x), donde observamos que la
fórmula de Mc Laurin con cinco términos, es congruente con la función seno en el
intervalo [–3; 3]. Lo que nos permite concluir que:
x3 x5 x 7 x9
sen (x) = x – + – +  x  [–3; 3]
3! 5 ! 7 ! 9 !
1.9. PROBLEMAS
Calcula el error absoluto y el relativo en las aproximaciones de p por p*.
a) p = , p* = 22/7 b) p = , p* = 3.1416
c) p = e, p*=2.718 d) p= 2, p*=1. 414
---------------------------------------------------------------------------------------------------------------- 17
-----------------------------------------------------------------------------------------
e) p = e10, p*=22000 f) p=10, p*=1400

g) p = 8!, p*=39900 h) p = 9!, p*= 18 ( 9 / e )9
i) Determina el valor aproximado de la función sen(/4) hasta la cuarta cifra significativa.
j) Determina el valor aproximado de la función cos(/6) hasta la cuarta cifra significativa.
k) Desarrolla en serie de Mc Laurin, para x = , las siguientes funciones:
f (x) = sen (x)

f (x) = cos (x)
l) Desarrolla en serie de Mc Laurin las siguientes funciones:
f (x) = log(1 + x)
f (x) = ln (1 + x)
---------------------------------------------------------------------------------------------------------------- 18
-----------------------------------------------------------------------------------------
UNIDAD DIDÁCTICA 2
RAÍCES DE ECUACIONES NO LINEALES
2.1. INTRODUCCIÓN
En la presente unidad didáctica estudiaremos uno de los problemas básicos de la

aproximación numérica: el problema de la búsqueda de raíces. El cero de una función f (x)
es un número xo para el que se cumple con f (x0) = 0. Es decir, la búsqueda de raíces
consiste en determinar ese número x0 que satisface a la ecuación f (x) = 0.
Muchas veces la solución de ecuaciones no puede obtenerse en forma analítica, por ello se
hace necesario determinarlas en forma numérica, las que constituyen una aproximación al
valor verdadero. En esta unidad didáctica, solo se considerarán raíces reales.
Geométricamente, sabemos que una función y = f(x) es una curva en el plano E2, de modo
que la raíz de dicha función representa el punto donde la gráfica de f (x) corta al eje x, tal
como lo podemos apreciar en la figura 2.1.
Figura 2.1
Analicemos algunos ejemplos de ecuaciones y sus raíces:
1. Las raíces de f (x) = x2 – 9 son x =  3
2. La función f (x) = x4 + x2 + 1 no tiene raíces reales.
3. La función f (x) = 5 – sen x no tiene raíces.
4. Las raíces de f (x) = (x + 1)(x – 3)(x + 7) son x = – 1, x = 3 y x = – 7
---------------------------------------------------------------------------------------------------------------- 19
-----------------------------------------------------------------------------------------
El la presente unidad didáctica estudiaremos algunos métodos numéricos para aproximar

las raíces de una ecuación de variable real.
2.2 MÉTODO GRÁFICO
Este método básicamente se usa para determinar un intervalo en el cual una función dada
tiene alguna raíz.
Ejemplo 1. Localicemos un intervalo donde la función: f (x) = e-x – ln x tenga una raíz.
Solución Para calcular la raíz de f (x) hacemos f (x) = 0,
Es decir: e-x – ln x = 0
De donde: e-x = ln x
Esta expresión implica que, el problema equivale a encontrar el punto de intersección

de dos funciones: g (x) = e-x y h(x) = ln x. La figura 2.2 muestra el comportamiento de estas
funciones.
Figura 2.2
En la figura 2.2 observamos que la única raíz de la función dada, corresponde al punto de
intersección de los gráficos de las funciones ln(x) y e-x, se halla en el intervalo [1; 1.5].
---------------------------------------------------------------------------------------------------------------- 20
-----------------------------------------------------------------------------------------
En realidad, no interesa ser más precisos en la búsqueda del intervalo, ya que

posteriormente aplicaremos métodos más sistemáticos para aproximar la raíz.
Podemos afirmar que el interés del método gráfico radica en proporcionar un intervalo en el
cual se comienza a trabajar con un método numérico.
Ejemplo 2. Localicemos un intervalo donde la función f (x) = arc tg (x) + x – 1 tenga una
raíz.
Solución. Nuevamente, para calcular la raíz de f (x) = 0.
Hacemos: arc tg x + x – 1 = 0
De donde obtenemos: arc tg x = 1 – x.
Ahora, el problema equivale a encontrar el punto de intersección de las gráficas de las

funciones:
g(x) = arc tg x y h(x) = 1 – x.
Graficando ambas funciones podemos observar que la raíz de f se encuentra en intervalo

[0; 1] donde tenemos el punto de intersección de las gráficas de ambas funciones, tal como
se muestra en la figura 2.3.
Figura 2.3
---------------------------------------------------------------------------------------------------------------- 21
-----------------------------------------------------------------------------------------
2.3 MÉTODO DE LA BISECCIÓN
El método de la bisección se basa en el Teorema del Valor Intermedio (TVI)
Teorema del Valor Intermedio Si f (x) es una función continua en un intervalo [a, b] y las
ordenadas f (a) y f (b) son valores diferentes, entonces para cada valor real k, comprendido
entre los valores f (a) y f (b), existe, al menos, una abscisa x0  (a, b) tal que f (x0) = k.
Esta conclusión se vale para cualquiera de los casos:
f (a) > f (b) o f (a) < f (b)
Básicamente el TVI expresa que toda función continua en un intervalo cerrado, una vez que
alcanzó ciertos valores en los extremos del intervalo, entonces puede alcanzar todos los
valores intermedios.
El Teorema de Bolzano es un caso particular del TVI y expresa: Si f (x) es una función
continua en un intervalo [a, b] y las ordenadas f (a) y f (b) tienen signos opuestos, entonces
debe existir, al memos, un valor x0 (a, b) tal que f (x0) = 0, es decir, debe haber por lo
menos una raíz de f (x) en el intervalo abierto (a, b).
Pasemos ahora a explicar la lógica del método de la bisección para una cota del error de
aproximación dada s:
i) En un primer paso, siendo f (x) una función continua, elegimos – por el método gráfico
explicado en el numeral anterior – el intervalo [a, b], de modo que f (a) y f (b) tomen
signos opuestos es decir: f (xa)  f (xb) < 0
ii) Seguidamente, en una primera aproximación, para hallar la raíz, ésta se asume igual al
ab
punto medio entre a y b, es decir: xr =
2
iii) Se calcula el valor de la ordenada f (xr), con lo que, forzosamente se caerá en alguno de
los siguientes casos:
a) f (a)  f (xr) < 0
En este caso, se tiene que f (xa) y f (xr) tienen signos opuestos, y por lo tanto la raíz se
encuentra en el intervalo (a, xr).
b) f (a)  f (xr) > 0
En este caso, se tiene que f (a) y f (xr) tienen el mismo signo, resultando por lo tanto
que f (xr) y f (b) tienen signos opuestos; por lo que, la raíz se encuentra en el intervalo
(xr, b).
---------------------------------------------------------------------------------------------------------------- 22
-----------------------------------------------------------------------------------------
c) f (xa)  f (xr) = 0
En este caso se tiene que f (xr) = 0 y por lo tanto ya se determinó la raíz.
Si se tiene, ya sea el caso a) o b), el proceso se vuelve a repetir con el nuevo intervalo,
calculando la nueva aproximación y verificando que:
xactual  x previa
a= 100 % < s
xactual
El proceso se sigue en forma repetitiva hasta que se verifique que a< s.
Geométricamente, la lógica del este método, se observa en la figura 2.4
Figura 2.4
Ejemplo 1. Aproximemos la raíz de f (x) = e-x – ln x hasta que a< 1 %
Solución. Por lo que vimos en el ejemplo 1 del numeral anterior, la función f (x) es
continua y se cumplen satisfactoriamente todos los requisitos para poder aplicar el método
de bisección.
i) Por el citado ejemplo 1 del numeral anterior, ya sabemos que la única raíz de f (x)
se localiza en el intervalo (1; 1.5). De este modo, este intervalo es el punto de
partida para la aplicación del método de la bisección, verificando en primer lugar
que f (1) y f (1.5) tengan signos opuestos. En efecto:
f (1) = e-1 – ln 1 = e-1 = 0367879 > 0
f (1.5) = e-1.5 – ln 1.5 = – 0.182335 < 0
ii) Calcula el punto medio (que es de hecho la primera aproximación a la raíz):
---------------------------------------------------------------------------------------------------------------- 23
-----------------------------------------------------------------------------------------
1  1.5
xr1 = = 1.25
2
iii) Calculamos el valor de la ordenada: f (1.25) = e-1.25 – ln 1.25 = 0.06361 > 0
Para identificar mejor en que nuevo intervalo se encuentra la raíz, hacemos la

siguiente tabla:
f (1) f (1.25) f (1.5)

+ + –
Por lo tanto, la raíz se encuentra en el intervalo [1.25; 1.5].
En este punto, observamos que todavía no es posible calcular ningún error de la

aproximación, puesto que solamente tenemos la primera aproximación. De este modo,
repetimos el proceso con el nuevo intervalo [1.25; 1.5].
Calculamos el punto medio (que es una segunda aproximación a la raíz):
1.25  1.5
xr2 = = 1.375
2
Aquí si podemos calcular el primer error de la aproximación, puesto que se cuenta ya con la
aproximación actual y la aproximación previa:
xr2  xr1
a= 100 % = 9.09 %
xr2
Puesto que no hemos logrado el objetivo, continuamos con el proceso.
Evaluamos: f (1.375) = e-1.375 – ln 1.375 = – 0.065614 < 0
Construimos la tabla:
f (1) f (1.25) f (1.5)

+ – –
Observamos que la raíz se encuentra en el intervalo [1.25; 1.375]
Calculamos el punto medio:
1.25  1.375
xr3 = = 1.3125
2
---------------------------------------------------------------------------------------------------------------- 24
-----------------------------------------------------------------------------------------
Y calculamos el nuevo error aproximado:
xr3  xr2
a = 100 % = 4.76 %
xr3
El proceso debe seguirse hasta cumplir el objetivo. Resumimos en la tabla siguiente los
valores obtenidos para las ocho iteraciones correspondientes:
N de Iteración xa xb xri f(xri) Error %

1 1.00 1.5 1.25 0.06361
2 1.25 1.5 1.375 – 0.065614 9.09
3 1.25 1.375 1.3125 –0.002787 4.76
4 1. 25 1.3125 1,28125 0.029854 2.44
5 1,28125 1.3125 1,296875 0.013427 1.20
6 1,296875 1.3125 1,3046875 0.005293 0.6
Obteniéndose como aproximación: xr6 = 1.3046875
Ejemplo 2 Aproximemos la raíz de f (x) = arc tg x + x – 1 hasta que a< 1 %.
Solución Como vimos en el ejemplo 2 de la sección anterior, la única raíz de f (x) se

localiza en el intervalo [0; 1].
Verificamos que es evidente que f (0) y f (1) tienen signos opuestos:
f (0) = arc tg 0 + 0 – 1 = – 1 < 0
f (1) = arc tg 1 + 1 – 1 = 0.785398
Calculamos el punto medio del intervalo [0, 1]:
1 0
xr1   0.5
2
Que corresponde a la primera aproximación a la raíz de f (x). Entonces evaluamos:
f (0.5) = arc tg 0.5 + 0.5 – 1 = – 0.036352 < 0
Construimos la tabla de signos:
f (0) f (0.5) f (1)

– – +
---------------------------------------------------------------------------------------------------------------- 25
-----------------------------------------------------------------------------------------
Puesto que f (0.5) y f (1) tienen signos opuestos, entonces la raíz se localiza en el intervalo
[0.5, 1]
Repetimos el proceso para el intervalo [0.5; 1] y, calculamos ahora el punto medio:

1  0.5
xr2   0.75
2
Que es la nueva aproximación a la raíz de f (x). Ahora, si podemos calcular el primer error
aproximado:
0.75  0.5
a = 100 % = 33.33 %
0.75
Puesto que no se cumple el objetivo, continuamos con el proceso y, evaluamos:
f (0.75) = arc tg 0.75 + 0.75 – 1 = 0.393501
f (0.5) f (0.75) f (1)

– + +
Como f (0.5) y f (0.75) tienen signos opuestos, entonces la raíz se localiza en el intervalo
[0.5, 0.75]. Por ello, calculamos:
0.75  0.5
xr3   0.625
2
0.625  0.75
Y el nuevo error de la aproximación es:  a = 100 % = 20 %
0.625
El proceso debe continuarse hasta que se logre el objetivo. Resumimos en la tabla siguiente
los valores obtenidos para las ocho iteraciones correspondientes:
N de
xa xb xri f(xri) Error %
Iteración
1 0 1 0.5 – 0.036352
2 0.5 1 0.75 0.393501 33.33
3 0.5 0.75 0.625 0.183599 20
4 0.5 0.625 0.5625 0.07489 11.11
5 0.5 0.5625 0.53125 0019584 5.88
6 0.5 0.53125 0.515625 –0.008306 3.03
7 0.515625 0.53125 0.5234375 0.00566 1.49
8 0.515625 0.5234375 0.51953125 –0.001319 0.75
De lo cual, se ve que la aproximación buscada es x r8  0.51953125
---------------------------------------------------------------------------------------------------------------- 26
-----------------------------------------------------------------------------------------
Ejemplo 3. La función f(x) = e–x + 4x2 – 5, tiene una raíz en el intervalo [1; 1.5], usa ocho
iteraciones del método de la bisección para aproximar la raíz de f(x). Tabula el error
después de cada iteración.
Solución: De forma general, como en este ejemplo se da el intervalo en el cual puede
hallarse la raíz, entonces, procedemos a verificar que el signo de f(x1) es opuesto al signo de
f(x 2),  f(x1)  f(x2) < 0:
f (1) = e-1 + 412 – 5 = e-1 – 1 = – 0.632121 < 0
f (1.5) = e-1.5 + 41.52 – 5 = e-1.5 + 4 = 4.22313 > 0
1  1.5
Calculamos la primera aproximación a la raíz: xr1 = = 1.25
2
Calculamos: f (1.25) = e-1.25 + 41.252– 5 = 1.536505 > 0
Para identificar mejor en que nuevo intervalo se encuentra la raíz, hacemos la siguiente
tabla:
f (1) f (1.25) f (1.5)
– + +
Por lo tanto, la raíz se encuentra en el intervalo [1; 1.25]. Calculamos el punto medio (que
es una segunda aproximación a la raíz):
1  1.25
xr2 = = 1.125
2
Ahora si podemos calcular el primer error de la aproximación, puesto que se cuenta ya con
la aproximación actual y la aproximación previa:
xr  xr1
a= 100 2 % = 1.11 %
xr2
Puesto que no hemos logrado el objetivo, continuamos con el proceso.
Evaluamos: f (1.125) = e-1.125 +4G1.1252 – 5 = 0.387152 > 0

Construimos la tabla:
f (1) f (1.125) f (1.25)
– + +
Observamos que la raíz se encuentra en el intervalo [1; 1.125]
1  1.125
Calculamos el punto medio: xr3 = = 1.0625
2
---------------------------------------------------------------------------------------------------------------- 27
-----------------------------------------------------------------------------------------
xr3  xr2
Y calculamos el nuevo error aproximado: a = 100 % = 5,88 %
xr3
Seguimos hasta cumplir la octava aproximación pedida, los valores así obtenidos son:
N de Iteración xa xb xri f(xri) Error %

1 1.00 1.5 1.25 1.536505
2 1.00 1.25 1.125 0.387152 11.11
3 1.00 1.125 1.0625 –0.138784 5,88
4 1.0625 1.125 1,09375 0.120114 2.86
5 1.0625 1.09375 1,078125 –0.010353 1.45
6 1.078125 1.09375 1,0859375 0.05463 0.72
7 1.078125 1,0859375 1,08203125 0.022071 0.36
De lo cual, se ve que la aproximación buscada es x r 7  0.022071
Observación: El método de bisección por lo general es lento, y en los casos en los que la
función tiene su raíz muy próximo a uno de los extremos del intervalo de análisis, como el
de la siguiente gráfica, puede ser exageradamente lento.
Figura
2.5
En tal caso, el proceso de bisección comienza a acercarse a la raíz de forma muy lenta, ya
que el método solamente toma en cuenta que la raíz se encuentra en el centro del intervalo,
sin importar si se halla más cerca de alguno de los extremos del intervalo.
2.4 MÉTODO DE LA REGLA FALSA
---------------------------------------------------------------------------------------------------------------- 28
-----------------------------------------------------------------------------------------
En este método, se considera si la raíz de la ecuación se localiza más cerca de alguno de los
extremos del intervalo. Por tanto, la lógica del Método de la Regla Falsa aprovecha la
forma de la función y, para explicarlo podemos utilizar la figura 2.6.
Figura 2.6
Tracemos, en esta gráfica, la línea recta que una los puntos definidos por las coordenadas
(a, f(a) y (b, f(b)). Es claro que si en lugar de considerar el punto medio del intervalo,
elegimos el punto x1 donde esta recta intercepta al eje x, se determinará mucho más rápidez
la aproximación de la raíz.
Ésta es en sí, la idea central del método de la regla falsa y ésta es realmente la única
diferencia con el método de bisección, puesto que en todo lo demás, ambos dos métodos
son similares.
Si f (x) una función continua en el intervalo [a, b] tal que f (a) y f (b) tienen signos
opuestos; determinamos, primero, la ecuación de la línea recta que une los puntos (a, f (a))
y (b, f (b)), cuya pendiente está definida por la expresión:
f b  f  a 
m=
ba
f b  f  a 
Y, la ecuación de esta recta es: y – f (a) = (x – a)
ba
Para obtener su intersección con el eje x, se hace y = 0, resultando:
f b  f  a 
– f (a) = (x – a)
ba
De donde despejamos x, obteniendo:
---------------------------------------------------------------------------------------------------------------- 29
-----------------------------------------------------------------------------------------
f  a  b  a 
x=a–
f b  f  a 
Que es el valor que es una aproximación a xr Sobre la base de este análisis, podemos
aproximar la raíz de f(x) en el intervalo [a, b], siguiendo los siguientes pasos:
i. Se determinan valores iniciales de a y b de modo que f (a) y f (b) tienen signos

opuestos, es decir: f (a).f (b) < 0
ii. La primera aproximación a la raíz se calcula con la expresión:
f  a  b  a 
x1 = a –
f b  f  a 
iii. Se calcula la ordenada f (x1) y, forzosamente este valor deberá caer en uno de los
siguientes casos:
a) Si f (a).f (x1) < 0, entonces, tenemos que f (a) y f (xr) tienen signos opuestos, y
por lo tanto la raíz de f se encuentra en el intervalo [a, x1].
b) Si f (a).f (x1) > 0, en este caso, f (a) y f (x1) tienen el mismo signo, y por
tanto f (x1) y f(b) tienen signos opuestos; por lo que la raíz de f se encuentra en el
intervalo [x1, b].
c) Si f (a).f (x1) = 0, entonces se tiene que f (x1) = 0 y, por lo tanto la raíz es x1.
Par cualquiera de las situaciones a) o b), l proceso se vuelve a repetir en el nuevo intervalo,
verificando luego que se cumpla:  a <  s . De no cumplirse con este objetivo, deberá
repetirse este proceso hasta que dicho objetivo se cumpla.
Ejemplo 1. Utilicemos el método de la regla falsa para aproximar la raíz de la función

definida por f (x) = e-x – ln x, hasta que  a < 1 %. Comencemos en el intervalo [1, 2].
Solución. Este es el mismo ejemplo 1 del método de la bisección, de modo que ya sabemos
que f (x) es continua en el intervalo dado y que toma signos opuestos en los extremos de
dicho intervalo. Por lo tanto podemos aplicar el método de la regla falsa y procedemos a
calcular la primera aproximación:
Calculemos: f (1) = e-1 – ln 1 = e-1 = 0.367879441 y f (2) = e-2 – ln 2 = – 0.557811897
f  b  a  b  f 2 1  2 
x1 = b – =2– = 1.397410482
f  a   f b  f 1  f 2 
---------------------------------------------------------------------------------------------------------------- 30
-----------------------------------------------------------------------------------------
Como solamente tenemos la primera aproximación, seguimos con el proceso para calcular
la segunda aproximación. Evaluamos:
f (1.397410482) = e-1.397410482 – ln 1.397410482 = – 0.087384509 < 0
Hacemos la tabla de signos:
f (1) f (1.397410482) f (2)

+ – –
Observamos que la raíz se encuentra en el intervalo [1, 1.397410482]. Para este nuevo
intervalo, calculamos la nueva aproximación:
f 1.397410482 1  1.397410482 

x 2  1.397410482   1.321130513 3
f 1  f 1.397410482 
Ahora, podemos calcular el primer error de la aproximación:
1.321130513  1.397410482
 a = 100 % = 5.77%
1.321130513
Por no se cumplirse el objetivo proseguimos con el proceso. Evaluamos:
f (x2) = f (1.321130513) = –0.011654346
Luego:
f (1) f (1.397410482) f (1.321130513)
+ – –
De donde se ve que la raíz se encuentra en el intervalo [1, 1.321130513], en el que debemos

calcular la nueva aproximación:
f 1.3211305131  1.321130513
x3= 1.321130513 – = 1.311269556
f 1  f 1.321130513
1.311269556  1.321130513
Y el error aproximado:  a = 100 % = 0.075%
1.311269553
Como se ha alcanzado el objetivo, concluimos con el proceso de aproximación obteniendo:
xr  x3 = 1.311269556
---------------------------------------------------------------------------------------------------------------- 31
-----------------------------------------------------------------------------------------
Es interesante observar la rapidez con la cual se converge a la raíz con el método de la regla
falsa, a diferencia de la lentitud que presenta el método de la bisección.
Ejemplo 2. Con el método de la regla falsa aproximemos la raíz de f (x) = arc tg x + x – 1

hasta que  a < 1 %, comenzando en el intervalo [0, 1].
Solución. Este es el mismo ejemplo 2 resuelto por el método de la bisección, de modo que
ya sabemos que se cumplen las condiciones necesarias para poder aplicar este método, es
decir, que f (x) sea continua en el intervalo dado y que asume signos opuestos en los
extremos de dicho intervalo.
Calculemos la primera aproximación:
f (0) = arc tg 0 + 0 – 1 = – 1
f (1) = arc tg 1 + 1 – 1 = 0.785398163
f  xb  x a  xb  f 10  1
x1 = xb – =1– = 0.5600991535
f  x a   f  xb  f 0   f 1
Evaluamos: f ( x r1 ) = arc tg 0.5600991535 + 0.5600991535 – 1 = 0.070662953 > 0
Y hacemos la tabla de signos:
f (0) f (05600991535) f (1)

– + +
De lo cual deducimos que la raíz se localiza en el intervalo [0, 0.5600991535]. Reiniciamos

el proceso calculando la nueva aproximación:
f 0.56009915350  0.5600991535
x2 = 0.5600991535 – = 0.5231330281
f 0   f 0.5600991535
Y determinamos el error aproximado:
0.5231330281  0.5600991535
 a = 100 % = 7.06%
0.5231330281
Como no se cumple el objetivo, se prosigue con el proceso:
Evaluando: f (x2) = arc tg 0.5231330281 + 0.5231330281 – 1 = 0.00511533
---------------------------------------------------------------------------------------------------------------- 32
-----------------------------------------------------------------------------------------
f (0) F (0.5231330281) f (05600991535)

– + +
De los cual tenemos que la raíz se localiza en el intervalo [0, 0.5231330281], luego
podemos calcular la siguiente aproximación:
f 0.52313302810  0.5231330281
x3 = 0.5231330281 – =0.5204706484
f 0   f 0.5231330281
Y el siguiente error aproximado:
0.5204706484  0.523133081
 a = 100 % = 0.51 %
0.5204706484
Como se ha cumplido el objetivo, concluimos que la aproximación buscada es:
xr  x3 = 0.5204706484
Nuevamente observamos el contraste entre la rapidez del método de la regla falsa contra la
lentitud del método de la bisección.
No debemos descartar la posibilidad de que el método de la regla falsa encuentre la

aproximación a la raíz de forma más lenta que el método de la bisección.
Ejercicios para que resuelva el estudiante en aula.
1) La función f(x) = e–x + 4x2 – 5, tiene una raíz en el intervalo [1; 1.5], usa ocho
iteraciones del método de la regla falsa para aproximar la raíz de f(x). Tabula el error
2) Dada la función f (x) = x6 – 1, determina su raíz en el intervalo [0, 1.5], por el método de
bisección hasta que  a < 1 %, y compara el número de aproximaciones que requerirás con
el método de la regla falsa.
2.5 MÉTODO DE NEWTON-RAPHSON
El Método de Newton - Raphson es un método iterativo que, por su rapidez, es uno de los
más usados y efectivos. A diferencia de los métodos anteriores, el método de Newton-
Raphson no trabaja sobre un intervalo sino que basa su fórmula en un proceso iterativo.
Supongamos que tenemos la aproximación x1 a la raíz xr de f (x), como se muestra en la

figura 2.7.
---------------------------------------------------------------------------------------------------------------- 33
-----------------------------------------------------------------------------------------
Para determinar la primera aproximación x1 a la raíz de f (x), por un punto (x0, f (x0))
asumido sobre la gráfica de f, se traza la recta tangente a dicha gráfica, esta tangente corta
al eje x en un punto de abscisa x1 que, en este método, será la aproximación a la raíz xr.
Para calcular esta abscisa x1, se determina primero la ecuación de la recta tangente, cuya
pendiente es: m = f ´(x0). Luego determinamos la ecuación de la recta tangente que resulta:
y – f (x0) = f ´(x0)(x – x0)
Figura 2.7
Haciendo y = 0  x = x1, luego, se tiene: – f (x0) = f ´(x0)(x1 – x0).
f x0 
Despejando x1: x1 = x0 –
f ' x0 
El siguiente paso usa el nuevo valor x1 para determinar de forma similar la aproximación x2
y así sucesivamente, hasta calcular el valor para el cual se cumple el objetivo  a <  s
f  xi 
xi+1 = xi –
f '  xi 
Expresión que es la fórmula iterativa del método de Newton-Raphson para calcular la
siguiente aproximación xi+1 a la raíz de f.
Observaciones: Notamos que el método de Newton-Raphson no trabaja en un intervalo en

el que se encuentre la raíz de la ecuación; sin embargo, hay que conocer ese intervalo, para
poder elegir un valor inicial que permita agilizar el proceso de cálculo propuesto.
---------------------------------------------------------------------------------------------------------------- 34
-----------------------------------------------------------------------------------------
Existen ejemplos en los que este método no converge a la raíz, en cuyo caso se dice que el
método diverge. Sin embargo, en los casos donde si converge a la raíz, lo hace con una
rapidez impresionante, por lo cual es uno de los métodos preferidos por excelencia.
También podemos observar que en el caso de que f ´(xi) = 0, el método no se puede aplicar.
En tal caso, geométricamente esto significa que la recta tangente es horizontal y por lo tanto
no corta al eje x en ningún punto, a menos que la tangente coincida con éste eje, en cuyo
caso xi es la misma raíz de f (x).
Ejemplo 1 Utilicemos el método de Newton – Raphson, para aproximar la raíz de la

función f (x) = e-x – ln x, hasta que  a < 1 %, comenzando con xo = 1.
Solución: La derivada de f (x) es:

1
f´(x) = – e-x –
x
La fórmula del método resulta:
e  xi  ln xi  e  xi  ln xi 
xi 1  xi  = xi 
1 1
 e  xi  e  xi 
xi xi
Comenzando el proceso iterativo con xo = 1, y obtenemos:
e 1  ln1
x1 = 1  = 1.268941421
1 1
e 
1
1.268941421  1
El error aproximado es:  a = 100 % = 21.19%
1.268941421
Continuamos con el proceso hasta lograr el objetivo de la aproximación de  a < 1 %.

Resumimos los resultados en la siguiente tabla:
i xi f (xi) f ' (xi) xi+1 a

1 1.000 0.367879 –0632121 1.268941421 21.19
2 1.268941421 0.042947 –0.50693 1.309108403 3.06
3 1.309108403 0.000715 –0.493818 1.309799389 0.052
De lo que concluimos que la aproximación obtenida es: xr  x3 = 1.309799389.
Ejemplo 2 Utilizando el método de Newton-Raphson para aproximar la raíz de la función: f

(x) = arc tg x + x – 1, hasta que  a < 1 %, comenzando con x0 = 0.
---------------------------------------------------------------------------------------------------------------- 35
-----------------------------------------------------------------------------------------
1
Solución: Calculemos la derivada: f ´(x) = +1
1 x2
Por sustitución en la fórmula de Newton-Raphson obtenemos:
arctg  xi   xi  1
xi+1 = xi –
1
1
1  xi2
arctg 0   0  1
Comenzamos con x0 = 0 y obtenemos: x1 = 0 – = 0.5
1
1
1  02
0 .5  0
En este caso tenemos un error aproximado de  a = 100 % = 100 %
0.5
Continuamos con el proceso hasta lograr el objetivo. Resumimos los resultados en la

siguiente tabla:

1 0 –1 2 0.5 100
2 0.5 –0.036352 1.8 0.5201957728 3.88
3 0.5201957728 –0.00013 1.787027 0.5202689918 0.01
Concluimos con la aproximación obtenida de: xr  x3 = 0.5202689918
Ejemplo 3. Usemos el método de Newton-Raphson para aproximar las raíces cuadradas de

números reales positivos.
Solución Si R un número real positivo. Queremos calcular el número real x de tal

manera que x = R .
Elevando al cuadrado la anterior expresión, obtenemos: x2 = R, de donde: x2 – R = 0
Expresión que define la función: f (x) = x2 – R. Derivándola: f ´(x) = 2x. Al sustituir estas
expresiones en la fórmula de Newton-Raphson tenemos:
x 2 R 1 R 
xi+1 = xi – i  xi+1 =  xi  
2 xi 2 xi 
---------------------------------------------------------------------------------------------------------------- 36
-----------------------------------------------------------------------------------------
Fórmula que ya era conocida por los antiguos griegos (Herón). Para tomar un ejemplo de su
uso, asumiremos: R =26. Apliquemos la fórmula anterior, comenzando con xo = 5
Resumiendo los resultados del proceso en la siguiente tabla:

1 5 –1 10 5.1 1.96
2 5.1 0.01 10.2 5.099019608 0.019
3 5.099019608 0.000005 10.09804 5.099019514 0.0000018
Concluimos que 26  5.099019514, valor que es correcto en todos sus dígitos.
La misma idea puede aplicarse para crear algoritmos que aproximen raíces enésimas de
números reales positivos.
Ejemplo 4.
La función f(x) = e–x + 4x2 – 5, tiene una raíz próxima al punto x = 1, usa ocho iteraciones
del método de Newton - Raphson para aproximar la raíz de f(x). Tabula el error después de
cada iteración.
Resuélvelo por tu cuenta.
Observación:
Cuando el método de Newton-Raphson converge a la raíz, lo hace de una forma muy rápida
y de hecho, se observa que el error aproximado disminuye rápidamente en cada paso del
proceso.
Aunque no es el objetivo establecer formalmente las cotas para los errores en cada uno de
los métodos que se han estudiado, debemos mencionar que evidentemente, existen estas
cotas que miden con mayor precisión la rapidez ó lentitud del método en estudio.
2.6 MÉTODO DE LA SECANTE
Este método se basa en la fórmula de Newton-Raphson, pero evita el cálculo de la derivada

usando en su lugar la siguiente aproximación:
f  xi   f  xi 1 
f ´(xi) 
xi  xi 1
(Recordemos la fórmula de la derivada usada en la solución numérica al problema del

cuerpo en caída libre). Sustituimos esta expresión en la fórmula de Newton-Raphson y
obtenemos:
---------------------------------------------------------------------------------------------------------------- 37
-----------------------------------------------------------------------------------------
f  xi  f  xi 
xi+1 = xi –  xi –
f '  xi  f  xi   f  xi 1 
xi  xi 1
f  xi  xi  xi 1 
Luego, tenemos: xi+1  xi –
f  xi   f  xi 1 
Que es la fórmula del método de la secante.
Notamos que para poder calcular el valor de xi+1, es necesario conocer los dos valores
anteriores xi y xi-1. La lógica de este método, gráficamente se explica en la figura 2.8.
Figura 2.8
Observación: Existe un gran parecido con la fórmula del método de la regla falsa. La
diferencia entre una y otra es que mientras el método de la regla falsa trabaja sobre
intervalos cerrados, el método de la secante es un proceso iterativo y por lo mismo,
encuentra la aproximación casi con la misma rapidez que el método de Newton-Raphson.
Claro que se corre el mismo riesgo de éste último de no converger a la raíz, mientras que el
método de la regla falsa si es seguro.
Ejemplo 1. Utilicemos el método de la secante para aproximar la raíz de f (x) = e  x – x,

2
comenzando con x0 = 0 y x1 = 1, hasta que  a < 1%.
Solución Tenemos que f (x0) = 1 y f (x1) = – 0.63210558; los que sustituimos en la fórmula
de la secante para calcular la aproximación x2:
---------------------------------------------------------------------------------------------------------------- 38
-----------------------------------------------------------------------------------------
f  x1  x0  x1   0.632105580  1
x2 = x1 – =1– = 0.612699837
f  x0   f  x1  1  0.63210558
El error aproximado es:
0612699837  1
 a = 100 % = 63.2 %
0.612699837
Como no alzamos el objetivo, continuamos con el proceso. Resumimos los resultados en la

siguiente tabla:
i xi-1 xi f (xi-1) f (xi) xi+1

1 0 1 1 – 0.632121 0.612699837
2 1 0.612699837 – 0.632121 0.074314 0.653442133
3 0.612699837 0.653442133 0.074314 0.00097 0.652917265
Concluimos que la aproximación a la raíz es: xr  x4 = 0.652917265.
Ejemplo 2. Con el método de la secante aproximemos la raíz de f (x) = arc tg x – 2x + 1,

comenzando con x0 = 0 y x1 = 1, hasta que  a < 1 %.
Solución: Calculamos los valores:
f (xo) = arc tg 0 – 2 x 0 + 1 = 1
f (x1) = arc tg 1 – 2 x 1 + 1 = 0.214601836
Los que se sustituyen en la fórmula de la secante para obtener la aproximación x2:
f  x1  x0  x1   0.2146018360  1
x2 = x1 – =1– = 0.823315073
f  x0   f  x1  1  0.214601836
0.823315073  1
Con un error aproximado de:  a = 100 % = 21.46 %
0.823315073
Como aún no se logra el objetivo, continuamos con el proceso. Resumiendo los resultados
en la siguiente tabla:
I xi-1 xi f (xi-1) f (xi) xi+1 a

1 0 1 1 0.214602 0.823315073 21.4
2 1 0.823315073 0.214602 0.042167 0.852330280 3.40
3 0.823315073 0.852330280 0.042167 .001185 0.853169121 0.09
---------------------------------------------------------------------------------------------------------------- 39
-----------------------------------------------------------------------------------------
De lo cual se concluye que la aproximación a la raíz es: xr  x4 = 0.853169121
2.7 MÉTODO DE ITERACIÓN DE PUNTO FIJO
Un punto fijo a una función g(x) es un número real x tal que: x = g(x)
Este concepto aplicaremos para desarrollar un método que permita resolver numéricamente
ecuaciones de la forma: f (x) = 0.
En primer lugar, transformamos la ecuación f (x) = 0, de alguna manera, en otra de la forma

x = g(x); esto se consigue, ya sea despejando x de alguno de los términos de la ecuación, o
bien sumando x a ambos miembros de la ecuación.
Veamos algunas formas de despejar x:.
1) Para la ecuación: f (x) = 2 x2 – x – 5 = 0 , algunas de las posibles formas de x = g(x)

son:
 Despejando x del segundo término: x = 2x2 – 5

x5
 Despejando x del primer término: x=
2
5
 Factorizando x y despejándola: x=
2x  1
2x 2  x  5
 Aplicando Newton – Raphson: x=x–
4x  1
2) Para la ecuación cos x – x = 0 se puede obtener la forma: x = cos x
3) Para la ecuación tg x – e-x = 0 se puede sumar de x en ambos miembros, obteniéndose:

x = tg x – e-x + x.
Para continuar con el desarrollo del método, luego optamos por un valor x0, el que puede
ser elegido próximo a la raíz xr utilizando el método gráfico. Asumiendo éste como una
primera aproximación de xr.
El método iterativo surge de seguir los siguientes pasos:
Calculamos: x1 = g(x0) y, verificamos si a = 100( x1 – x0)/ x1 < r. Si no es así:
Calculamos: x2 = g(x1) y, verificamos si a = 100( x2 – x1)/ x2 < r. Si no es así:
… y así sucesivamente, hasta calcular el valor: xn+1 = g(xn) que llegue a satisfacer la
condición dada por el error de aproximación, es decir: a < r
---------------------------------------------------------------------------------------------------------------- 40
-----------------------------------------------------------------------------------------
Convergencia: En general, dada la aproximación xi, la siguiente iteración se calcula con la

fórmula: xi+1 = g (xi)
Supongamos que la raíz verdadera es xr, es decir: xr = g (xr)
Restando las últimas ecuaciones se obtiene: xr – xi+1 = g (xr) – g (xi)
Por el Teorema del Valor Medio para derivadas, se sabe que si g (x) es continua en [a, b] y
diferenciable en (a, b) entonces existe   (a, b) tal que:
g b   g a 
g´ (  ) =
ba
En el presente caso, existe, al menos, un  en el intervalo determinado por xi y xr tal que:
g  x r   g  xi 
g´ (  ) =
x r  xi
De aquí se tiene que: g (xr) – g (xi) = g´ (  ).(xr – xi)
O bien: xr – xi+1 = g´(  ).(xr – xi)
Tomando valor absoluto en ambos lados, resulta: │xr – xi+1│ = │g´(  )│.│(xr – xi)│
Observemos que el término │xr – xi+1│es precisamente el error absoluto en la (i + 1)ésima

iteración, mientras que el término │(xr – xi)│ corresponde al error absoluto en la iésima
iteración. Por lo tanto, solamente si │g´(  )│< 1, se disminuirá el error en la siguiente
iteración. En caso contrario, el error irá en aumento.
En resumen, el método de iteración del punto fijo converge a la raíz si │g´(  )│< 1 para
todo   [a, b] que contiene a la raíz de f(x) y donde g (x) es continua y diferenciable, pero
diverge si │g´(  )│> 1 en dicho intervalo. Analicemos ejemplos anteriores:
 En el ejemplo: g (x) = cos x claramente se cumple la condición de que │g´(x)│<

1; por lo tanto el método sí converge a la raíz.
 En el ejemplo: g (x) = x + tg x – e-x, se tiene: │g´(x)│= │1 + sec2x + e-x│> 1.
Por lo tanto, el método no converge a la raíz.
Gráficamente, el método de punto fijo, es un método de dos funciones: una formada por la
recta y = x y la otra por y =g(x). La raíz es el punto de intersección de ambas curvas, tal
como lo podemos observar en la figura 2.9.
---------------------------------------------------------------------------------------------------------------- 41
-----------------------------------------------------------------------------------------
Figura 2.9
Para entender el método veamos los ejemplos siguientes:
Ejemplo 1. Usemos el método de iteración del punto fijo para aproximar la raíz de
f (x) = x2 – 5x – ex hasta que  a < 1.
Solución. Utilizamos el método gráfico (ver figura 2.10) para determinar el intervalo donde
se halla la raíz de esta función, observándose que está en [– 0.5; 0]
Figura 2.10
Como primer paso del método, despejamos x del término lineal, observamos que la
ecuación equivalente tiene la forma:
---------------------------------------------------------------------------------------------------------------- 42
-----------------------------------------------------------------------------------------
x2  ex x2  ex
x=  g (x) =
5 5
2x  e x
Luego analizamos la convergencia, calculando la derivada de g(x): g´(x) = .
5
Figura 2.11
Graficamos la gráfica de esta derivada (ver figura 2.11) y, vemos que │g´(x)│< 1 para todo
x  [–0.5, 0] , por lo que deducimos que el método sí converge a la raíz buscada.
Aplicando la fórmula iterativa, empezando con x0 = 0, y obtenemos: x1 = g (xo) = – 0.2
Con lo que el error de la aproximación es de 100%. Aplicando nuevamente la fórmula

iterativa, obtenemos:
x2 = g (x1) = – 0.1557461506
Y el error de la aproximación es igual a 28.41%. Continuamos con el método hasta la

quinta iteración, para reducir el error menor al 1%. Los resultados los resumimos en la
siguiente tabla:
Aproximación a la raíz Error aproximada

0
–0.2 100%
–0.1557461506 28.41%
–0.1663039075 6.34%
–0.163826372 1.51%
–0.164410064 0.35%
Resultando que la aproximación buscada es: x5 = – 0.164410064
---------------------------------------------------------------------------------------------------------------- 43
-----------------------------------------------------------------------------------------
Ejemplo 2. Usemos el método de iteración del punto fijo para aproximar la raíz de la
función: f (x) = cos x – x, comenzando con xo = 0 hasta que  a < 1
Solución Como ya vimos anteriormente, el método sí converge a la raíz, por tanto,

aplicando la fórmula iterativa se tiene:
x1 = cos xo = cos 0 = 1
Con el error de la aproximación es de 100%. Aplicando nuevamente la fórmula iterativa y

tenemos:
x2 = cos x1 = cos 1 = 0.510302305
En este caso, el error aproximado de 85.08 %. Se puede intuir que el error aproximado se
irá reduciendo muy lentamente.
En efecto, necesitaremos de 13 iteraciones para lograr reducir el error aproximado a menos

del 1%. El resultado final que se obtiene es:
x13 = 0.7414250866
Siendo el error de la aproximación igual al 0.78 %
2.8 PROBLEMAS
1. Usa el método de bisección para aproximar la raíz de f (x) = e  x – 2x + 1 comenzando

3
en el intervalo [0.75, 1] y hasta que  a < 1
2. Usa el método de bisección para aproximar la raíz de f (x) = x 2  1 – tg x comenzando

en el intervalo [0.5, 1] y hasta que  a < 1
3. Usa el método de la regla falsa para aproximar la raíz de f (x) = 4 – x2 – x3 comenzando

en el intervalo [1, 2] y hasta que  a < 1.
4. Usa el método de la regla falsa para aproximar la raíz de f (x) = ln x + x2 – 4

comenzando en el intervalo [1, 2] y hasta que  a < 1.
5. Usa el método de Newton-Raphson para aproximar la raíz de f (x) = 1 – x2 – arc tg x

comenzando con xo = 0.5 y hasta que  a < 1.
---------------------------------------------------------------------------------------------------------------- 44
-----------------------------------------------------------------------------------------
6. Usa el método de Newton-Raphson para aproximar la raíz de f (x) = cos x – x,

comenzando con xo = 1 y hasta que  a < 1.
7. Usa el método de la secante para aproximar la raíz de f (x) = arc sen x – e-2x comenzando
con xo = 0, x1 = 0.5 y hasta que  a < 1.
8. Usa el método de la secante para aproximar la raíz de f (x) = e-x – x comenzando con xo
= 0, x1 = 1 y hasta que  a < 1.
9. Usa el método de iteración del punto fijo para aproximar la raíz de f (x) = sen x + x – 1
10. Usa el método de iteración del punto fijo para aproximar la raíz de f (x) = ln x + 2x – 4
11. La función f(x) = e–x + 4x2 – 5, tiene una raíz en el intervalo [1; 1.5], usa ocho
iteraciones del método de la bisección para aproximar la raíz de f(x). Tabula el error
12. Encontrar la raíz cerca de x = 0.75 de f (x) = ex–1 – 5x3 empezando con x0 = 0.75. ¿Cuán
exacta es la estimación después de cuatro iteraciones del método de Newton? Tabula el
número de dígitos correctos en cada iteración del método de Newton.
---------------------------------------------------------------------------------------------------------------- 45
-----------------------------------------------------------------------------------------
UNIDAD DIDÁCTICA 3
SISTEMAS DE ECUACIONES LINEALES
3.1 INTRODUCCIÓN.
En diversos estudios de ingeniería, con frecuencia encontramos problemas que involucran

sistemas de ecuaciones lineales que se estudian en la asignatura de álgebra lineal. Se han
desarrollado muchos métodos para resolver sistemas de ecuaciones, lo que demuestra que
es aparente la sencillez de su solución y, que existen una serie de fallas en los diferentes
algoritmos. Las soluciones pueden ser exactas o por aproximaciones sucesivas.
Recordemos, primeramente que un sistema de ecuaciones lineales, es un conjunto de

ecuaciones de primer grado que deben resolverse simultáneamente, cuya forma general es:
a11 x1  a12 x 2    a1n x n  b1

a 21 x1  a 22 x 2    a 2n x n  b2
   
a n1 x1  an2 x2    a nn x n  bn
Donde los coeficientes aij (i = 1, 2, 3, ..., n y j = 1, 2, 3, ..., n) y los términos independientes

bi son constantes y xj son las variables o incógnitas del sistema. El problema consiste en
encontrar los valores desconocidos de las variables x1, x2 … xn que satisfacen las n
ecuaciones.
3.1.1. Tipos de sistemas de ecuaciones lineales
Recordemos que los sistemas de ecuaciones se pueden clasificar según el número de

soluciones que pueden presentar. De acuerdo con ese caso se pueden presentar los
siguientes casos:
 Sistema incompatible si no tiene ninguna solución.

 Sistema compatible si tiene alguna solución, en este caso además puede distinguirse
entre:
o Sistema compatible determinado cuando tiene un número finito de
soluciones.
o Sistema compatible indeterminado cuando admite un conjunto infinito de
soluciones.
3.1.2. Expresión matricial de un sistema de ecuaciones lineales
Recordemos asimismo que un sistema de n ecuaciones lineales con n incógnitas, también

puede escribirse en la siguiente forma matricial:
---------------------------------------------------------------------------------------------------------------- 46
-----------------------------------------------------------------------------------------
 a11 x1  a12 x 2  ...  a1n x n   b1 

 a x  a x  ...  a x  b 
 21 1 22 2 2n n 
=  
2
   
   
a n1 x1  a n 2 2 x 2  ...  a nn x n  bn 
Si aplicamos la definición de producto entre matrices, esta ecuación matricial, podemos

escribirla en forma de producto matricial:
 a11 a12 ... a1n   x1   b1 

a a 22 ... a 2n   x 2  b2 
 21 x =
       
     
 a n1 an2 ... a nn   x n  bn 
En cuyos los elementos aij , el subíndice i se refiere a la fila, y el subíndice j se refiere a la

columna donde está ubicado el elemento correspondiente. De esta manera definimos tres
matrices:
 a11 a12 ... a1n 

a a 22 ... a 2n 
A= 
21
a) La matriz de coeficientes:
    
 
 a n1 an2 ... a nn 
 x1 
x 
X=  
2
b) La matriz de incógnitas:
 
 
 xn 
 b1 
b 
B=  
2
c) La matriz de términos independientes:

 
bn 
De este modo el sistema es equivalente a la ecuación matricial: A  X = B
De los variados y diferentes métodos para resolver sistemas de ecuaciones lineales, solo
estudiaremos algunos de ellos en la presente unidad didáctica.
---------------------------------------------------------------------------------------------------------------- 47
-----------------------------------------------------------------------------------------
Entre los objetivos de la presente unidad didáctica no está previsto repetir el curso de
álgebra lineal, por lo que únicamente recordaremos algunas condiciones básicas para la
solución de sistemas de ecuaciones lineales.
3.1.3. 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 equivalente que sustituye al anterior.
3.2 TIPOS DE MATRICES
Las matrices se utilizan en el cálculo numérico, en la resolución de sistemas de ecuaciones

lineales, de las ecuaciones diferenciales y de las derivadas parciales. Además de su utilidad
para el estudio de sistemas de ecuaciones lineales, las matrices aparecen de forma natural
en geometría, estadística, análisis estructural, economía, informática, física, etc.
Hay algunas matrices que aparecen frecuentemente y que según su forma, sus elementos, y
otras características, reciben nombres diferentes:
a) Matriz cuadrada de orden n x n: Es una matriz de n fila y n columnas, por ejemplo,

la matriz A de los coeficientes del sistema de ecuaciones lineales simultáneas.
b) Matriz Rectangular de orden n x m: Es una matriz de n fila y m columnas, donde
n m
c) Vector Fila de orden de orden 1 x n: Es una matriz de una sola fila y n columnas.
d) Vector Columna de orden n x 1: Es una matriz de n filas y una sola columna.
e) Matriz escalonada: Es una matriz de orden n x m, m > n, en la cual los elementos
aij = 0, para i > j
Ejemplos: La matriz A es escalonada, y la matriz B no es escalonada:
6 12  3 0 
0 5  7 10 2 3
A=   B = 0 5
0 0 7 14
  0 1
0 0 0 5
f) Matriz Diagonal: Es una matriz cuadrada en la que todos los elementos aij = 0 para i
 j, es decir, es una matriz en la que solo los elementos de la diagonal principal no
son ceros. Un caso particular de la matriz diagonal es la matriz unitaria o matriz
identidad In, en la que aij = 1 para i = j, es decir:
---------------------------------------------------------------------------------------------------------------- 48
-----------------------------------------------------------------------------------------
1 0 ... 0
0 1 ... 0 
In = 
... ... ... ...
 
0 0 0 1
g) Matriz aumentada de la matriz A de orden n x m y la matriz B de orden n x p, es otra

matriz, C, de orden n x (m + p) en la que, a las m columnas de la matriz A se unen a
las p columnas de la matriz B y, se denota:
C = (A  B)
Ejemplo: Dadas las matriz A y B, hallar la matriza aumentada (A  B).
 1  2 0 .5   5

A=  2 5  1.5 B =  0 
 0.2 1.75  1   10 
 1  2 0 .5  5 
Solución: 
(A  B) =   2 5  1.5 0 
 0.2 1.75  1 10 
h) Matriz inversa: Si A es una matriz de orden n x n; se denomina matriz inversa de

A, a una matriz B del mismo orden n x n tal que:
A x B = In
Y también: B x A = In
Y se denota B = A-1 para representar la matriz inversa; luego resulta:
A x A-1 = A-1 x A = In
Cuando la matriz inversa, de una matriz dada, existe, ésta es única, sin embargo debe
destacarse que no siempre existe la matriz inversa. El álgebra lineal prueba que la matriz
inversa A-1 existe si y solo si el determinante de dicha matriz A es distinto de cero.
3.3 ALGUNAS OPERACIONES ELEMENTALES CON MATRICES
Ciertas operaciones sobre filas y/o columnas de una matriz tienen las virtudes de conservar,
o modificar de manera controlada, ciertos objetos asociados: determinante, rango, conjunto
de las soluciones del sistema de ecuaciones asociado.
---------------------------------------------------------------------------------------------------------------- 49
-----------------------------------------------------------------------------------------
Presentamos estas operaciones (“operaciones elementales”), empezando por su utilización

en un calculo de determinante. Seguimos por su utilización en la inversión de una matriz
cuadrada regular. Se plantea el problema de usar estas operaciones de manera ordenada:
nos conduce a presentar las matrices escalonadas y el algoritmo de reducción de Gauss.
Seguimos presentando como usar las operaciones elementales para calcular el rango.
Acabamos remarcando que las operaciones elementales pueden ser realizadas por
multiplicación por ciertas matrices.
Para una matriz A recordaremos tres operaciones elementales por filas. Cuando sobre una
matriz A se aplican estas operaciones elementales se obtiene una matriz equivalente, y
utilizaremos el símbolo de equivalencia “”.
I.- Intercambio de dos filas:
 4 5 8   6 7  10
Ejemplo: Si se intercambian las filas 1 y 3:  1 2 3  ~  1 2 3 

 6 7  10  4 5 8 
II.- Multiplicación de una fila por una constante distinta de cero (escalar)
 2 3  1  2 3  1
Ejemplo: Si se multiplica la fila 3 por la constante 2:  0 3 4  ~  0 3 4 
 1 3 7   2 6 14 
III.- Suma de una fila a otra fila: Se aplica el teorema que dice: “Si en un sistema de
ecuaciones lineales se sustituye una de ellas por una combinación lineal de las ecuaciones,
se obtiene un nuevo sistema equivalente que sustituye al anterior”
4  3 1  4  3 1 
Ejemplo: Si se suma la fila 3 a la fila 2: 6 7  2 ~ 7 6  1
1  1 1  1  1 1 
Las operaciones II y III se combinan para sumar un múltiplo de una fila a otra fila.
 1 2 3
Ejemplo: (i) Se comienza con la matriz:  1 5 6
 3 0 7 
---------------------------------------------------------------------------------------------------------------- 50
-----------------------------------------------------------------------------------------
1 2 3 2  2 4 6 
(ii) Se multiplica la fila 1 por la constante 2:  1 5 6 ~  1 5 6
 3 0 7   3 0 7 
 2 4 6 2 4 6
(iii) Se suma la fila 1 a la fila 2:  1 5 6 ~ 1 9 12
 3 0 7  3 0 7 
1
2 4 6  1 2 3 
2 
la fila 1: 1 9 12 ~ 1 9 12
 
1
(iv) Finalmente se multiplica por
2
3 0 7  3 0 7 
1
 1 2 3 2, 1 2 3 
  2 
Ahorrando pasos se puede escribir simplemente:  1 5 6 ~ 1 9 12
 3 0 7  3 0 7 
Estas operaciones elementales se utilizan para “hacer ceros” debajo de algún elemento
aij  0 con el objetivo final de transformar una matriz A en una matriz escalonada.
Ejemplo: Hagamos ceros debajo del elemento a11 en la siguiente matriz:
 1 3  5
A =  2 5 6 
 3 0  1
Solución. Observamos que para lograr el objetivo, debemos multiplicar la fila 1 por 2, y
sumarla a la fila 2. Del mismo modo podemos multiplicar la misma fila 1 por –3 para
luego sumarla a la fila 3, obteniendo:
 1 3  5  2 ,  3 1 3  5 
 2 5 6  ~ 0 11  4
 
 3 0  1 0  9 14 
Ejemplos:
1) Usando operaciones elementales, escalonemos la siguiente matriz:
---------------------------------------------------------------------------------------------------------------- 51
-----------------------------------------------------------------------------------------
 6 2 2 4
 12  8 6 10 
A= 
 3  13 9 3
 
 6 4 1  8
Solución. La notación se explica por sí sola:
 6 2 2 4   2 ,  1 , 1 6  2 2 4
 12  8 6 10 
2 0  4 2 2 
 ~
 3  13 9 3 0  12 8 1 
   
 6 4 1  8 0 2 3  4
6  2 2 4 6  2 2 4  6  2 2 4 
0  4 
2 2   3,
1 
0  4 2 2  0  4 2 2 
 2 ~  ~  
0  12 8 1   0 0 2  5  2  0 0 2  5
     
0 2 3  4 0 0 4  3 0 0 0 7 
1 2 3 
2) Escalonemos la siguiente matriz: A = 4 5 6 
7 8 10
Solución. Procedemos como en el ejercicio anterior:
 1 2 3   4 ,  7 1 2 3  1 2 3
4 5 6  ~ 0  3  6   2 ~ 0  3  6
  
 
7 8 10 0  6  11 0 0 1 
Ahora, tenemos todas las herramientas para estudiar los dos primeros métodos numéricos
de solución a sistemas de ecuaciones lineales.
3.4 ELIMINACIÓN GAUSSIANA SIMPLE
Este método es aplicado para resolver sistemas lineales de la forma: A .X = B. El método

de eliminación Gaussiana (simple), consiste en escalonar la matriz aumentada del sistema:
(A  B), para obtener un sistema equivalente de la forma:
---------------------------------------------------------------------------------------------------------------- 52
-----------------------------------------------------------------------------------------
a11 x1  a12 x 2    a1n x n  b1

a´ 22 x 2    a´ 2n x n  b´ 2
 
a´ nn x n  b´ n
Donde la notación a´ij se usa para denotar que los elementos aij cambiaron. De este modo,
se despejan las incógnitas comenzando con la última ecuación y sustituyendo en la
penúltima y despejando hacia arriba. Por esta razón, muchas veces se dice que el
método de eliminación Gaussiana consiste en la eliminación hacia adelante y sustitución
hacia atrás.
Ejemplo 1: Usando el método de eliminación Gaussiana (simple), resolver el siguiente

sistema de ecuaciones:
x1  2 x2  3 x3  1
4 x1  5 x2  6 x3  2
7 x1  8 x2  10 x3  5
Solución: Escalonando la matriz aumentada del sistema, se obtiene:
1 2 3 1   4,  7  1 2 3 1  1 2 3 1
4 5 6  2 ~  0 3 6  6   2 ~  0
  3  6  6

 7 8 10 5   0 6  11  2   0 0 1 10 
Y multiplicando la segunda fila entre –1/3, se tiene la matriz equivalente:
1 2 1 3 1 2 1 3
0  1 
 3  6  6  ~  0  1  2  2
 3
 0 0 1 10   0 0 1 10 
Por lo tanto, el sistema dado equivale a:
x1  2 x2  3 x3  1
x2  2 x3  2
x3  10
De esta ecuación obtenemos x3 = 10; valor que sustituido en la ecuación de arriba nos
permite obtener x2 = – 18; sustituyendo estos valores en la ecuación de arriba obtenemos
x1 = 7.
---------------------------------------------------------------------------------------------------------------- 53
-----------------------------------------------------------------------------------------
Por lo tanto, la solución del sistema es:
x1  7, x2   18, x3  10
Ejemplo 2: Usando eliminación Gaussiana (simple), resolvamos el sistema siguiente:
 x1  3x2  2 x3  12
2 x1  5 x2  x3   10
3 x1  x2  6 x3  4
Solución. Escalonando la matriz aumentada del sistema, obtenemos:
 1 3 2 12  2, 3  1 3 2 12   1 3 2 12 
 2  5 1  10   
~  0 1 5 14   10 ~  0 1 5 14 
 
 3 1 6 4   0 10 0 40  0 0  50  100
Por lo tanto, el sistema equivalente resulta:
 x1  3x2  2 x3  12
x2  5 x3  14
 50 x3   100
De la tercera ecuación se obtiene x3 = 2; valor que sustituido arriba da x2 = 4; y

sustituyendo arriba para obtener x1 = 4.
Por lo tanto la solución del sistema es:
x1  4, x2  4 , x3  2
El método de eliminación Gaussiana (simple) puede presentar un problema cuando uno de

los elementos que se usan para hacer ceros, es cero. Así por ejemplo, en la matriz:
1  2 3 7
0 0  10 6 
 
0 5 8  3
El elemento a22 = 0 no puede usarse para hacer ceros. En este caso el problema se puede
resolver intercambiando las filas 2 y 3. En este caso el resultado que se obtiene es la
matriz escalonada:
---------------------------------------------------------------------------------------------------------------- 54
-----------------------------------------------------------------------------------------
1  2 3 7
0 5 8  3

0 0  10 6 
El problema puede presentarse también cuando el elemento aquel es muy cercano a cero.
Ejemplo: Resolver el siguiente sistema, usando eliminación Gaussiana (simple)
0.00005 x1  5 x2  3.00005
x1  x2  1
Solución. Usando eliminación Gaussiana (simple) se obtiene:
0.00005 5 3.33335 1 0.00005 5 3.33335

 1  0.00005 ~ 
 99999  66666
 1 1   0
Que da el sistema equivalente:
0.00005 x1  5 x2  3.00005
 99999 x 2   66666
2
De donde se obtiene: x2 = ; valor que sustituido arriba, permite obtener:
3
2
3.33335  5 
x1 = 3
0.00005
El resultado cambia de acuerdo al número de cifras significativas que se usen:
Nº de cifras significativas x2 x1 Error relativo porcentual (*)

3 0.667 -33 10,000 %
4 0.6667 -3 1,000 %
5 0.66667 0 100 %
6 0.666667 .3 10 %
7 0.6666667 0.33 1%
*) Para calcular este error se tomó el valor verdadero de x1 = 1/3.
---------------------------------------------------------------------------------------------------------------- 55
-----------------------------------------------------------------------------------------
Resolviendo el mismo sistema, pero intercambiando las filas 1 y 2, se obtiene:
 1 1 1   0.00005 1 1 1 
0.00005 5 3.33335 ~  
  0 4.99995 3.3333
Lo que da el sistema equivalente:

x1  x2  1
 4.99995 x 2  3.3333
2
De donde se obtiene x2 = ; sustituyendo arriba da:
3
2 1
x1 = 1 – =
3 3
Tomando distintas cifras significativas, los resultados se muestran en la siguiente tabla:
Número de cifras Error relativo

x2 x1
significativas porcentual
3 0.667 0.333 0.1 %
4 0.6667 0.3333 0.01 %
5 0.66667 0.33333 0.001 %
6 0.666667 0.333333 0.0001 %
7 0.6666667 0.3333333 0.00001 %
En este último caso, se ve que el error relativo porcentual no varía como en la solución
anterior. De este modo, se deduce que los elementos que son cercanos a cero, son
elementos malos para hacer ceros.
3.5 ELIMINACIÓN GAUSSIANA CON PIVOTEO PARCIAL
En general, para evitar este problema se elige como elemento para hacer ceros (elemento
que recibe el nombre de elemento pivotal o simplemente pivote), aquel elemento de mayor
valor absoluto de entre todos los candidatos. A este procedimiento se le llama método de
eliminación Gaussiana con pivoteo parcial.
El procedimiento del pivoteo parcial se puede resumir como sigue:
 Para elegir el elemento pivote en la primera columna, se selecciona aquel elemento de

mayor valor absoluto de dicha primera columna y, toda la fila que contiene a este
elemento, se la traslada como primera fila. Luego se procede a hacer ceros debajo de
este pivote.
 Para elegir el elemento pivote en la segunda columna, exceptuando el elemento de la
primera fila, nos olvidamos de toda la fila 1 y de toda la columna 1 y, procedemos a
escoger el elemento de mayor valor absoluto de toda la segunda columna, luego, toda
---------------------------------------------------------------------------------------------------------------- 56
-----------------------------------------------------------------------------------------
la fila que contiene a este elemento, se la relocaliza como segunda fila. De este modo
procedemos a hacer ceros debajo de este pivote.
 Para la tercera columna, nos olvidándonos de las filas 1 y 2 y de las columnas 1 y 2
y, elegimos como su elemento pivote el de mayor valor absoluto de esta columna,
luego, la fila que contiene a este elemento, se la localiza como tercera fila. Luego se
procede a hacer ceros debajo de este pivote.
 Y, así sucesivamente.
En el siguiente diagrama matricial, se muestran los elementos pivotes elegibles de cada

columna, siguiendo el procedimiento anterior:
 a11 
a a 22 
 21 
 a31 a32 a33 
 
    
 a n1 an2 a n3  a nn 
Ejemplo 1: Usar el método de eliminación Gaussiana con pivoteo para resolver el siguiente
sistema:
x1  2 x2  0 .5 x 3  5
 2 x1  5 x2  1 .5 x 3  0
 0.2 x1  1.75 x 2  x3  10
Solución. Escribimos la matriz aumentada del sistema:
 1  2 0 .5  5 
 2 5  1.5 0 

 0.2 1.75  1 10 
Para escoger el primer elemento pivote en la columna 1, se elige el elemento de mayor

valor absoluto entre –1 , – 2 y – 0.2, siendo, por supuesto, el – 2 ; por lo tanto se
intercambian las filas 1 y 2 (éste es el primer pivoteo realizado):
 2 5  1 .5 0 
 1  2 0.5  5

 0.2 1.75  1 10 
---------------------------------------------------------------------------------------------------------------- 57
-----------------------------------------------------------------------------------------
1
Luego, se procede a hacer ceros debajo del pivote. Para ello, se multiplica la fila 1 por
2
0.2
y se la suma a la fila 2. También, se multiplicamos la fila 1 por y se la suma a la fila
2
3. Es decir:
1 0 .2
 2 5  1 .5 0  ,   2 5  1 .5 0
 1  2 2 
  2 0 .5  5  ~ 0 0.5  0.25  5
 0.2 1.75  1 10   0 1.25  0.85 10 
Olvidándonos, ahora, de la fila 1 y de la columna 1, procedemos a escoger el pivote de la

columna 2, es decir únicamente entre 0.5 y 1.25 que, como es obvio, resulta ser 1.25.
Por lo tanto intercambiando las filas 2 y 3 (éste es el segundo pivoteo realizado):
 2 5  1 .5 0
 0 1.25  0.85 10 
 
 0 0.5  0.25  5
Luego, procedemos a hacer ceros debajo del elemento pivote elegido. Para ello
0 .5
multiplicamos la fila 2 por y se suma a la fila 3 para obtener:
1.25
 2 5  1 .5 0
 0 1.25  0.85 10 
 
 0 0 0.09  9
La que resulta ser una matriz escalonada. El sistema equivalente es:
 2 x1  5 x2  1 .5 x 3  0
1.25 x 2  0.85 x3  10
0.09 x3  9
Realizando la sustitución hacia arriba, se obtiene la siguiente solución del sistema: xx
x1 = – 100, x2 = – 60 y x3 = – 75
Ejemplo 2. Usar eliminación Gaussiana con pivoteo para resolver el siguiente sistema de
ecuaciones:
---------------------------------------------------------------------------------------------------------------- 58
-----------------------------------------------------------------------------------------
0.4 x1  1 .5 x 2  0.75 x3   20
 0.5 x1  15 x 2  10 x3   10
 10 x1  9 x2  2 .5 x 3  30
Solución. La matriz aumentada del sistema es:
 0.4  1.5 0.75  20

 0.5  15 10  10 
 
  10  9 2 .5 30 
Seleccionamos como elemento pivote en la columna 1 al –10, lo que obliga a

intercambiar las filas 1 y 3 y, hacemos ceros debajo de dicho pivote:
0 .5 0 .4
  10  9 2 .5 30   ,  10 9 2 .5 30 
 0.5  15 10  10  10 10
  ~  0  14.55 9.875  11.5
 0.4  1.5 0.75  20  0  1.86 0.85  18.8
Ahora el elemento pivote en la columna 2 resulta ser el -14.55, el mismo que está bien
colocado, y no hay necesidad de intercambiar filas. Procedemos a hacer ceros debajo del
pivote:
 10 9 2 .5 30   10 9 2 .5  30
1.86 
 0 
 14.55 9.875  11.5  ~ 0  14.55 9.875  11.5 
 14.55 
 0  1.86 0.85  18.8  0 0  0.412371  17.3299
Escribiendo el sistema equivalente, y resolviéndolo con la sustitución hacia arriba, se

obtiene la solución del sistema:
x1 = – 18.875; x2 = 29.3125; x3 = 42.0250
3.6 MÉTODO DE GAUSS - JORDÁN
Este método utiliza las mismas técnicas que el de eliminación Gaussiana, incluyendo el
pivoteo, pero con el objetivo de finalizar con una matriz de la siguiente forma:
(A  B)  (In  B̂ )
Donde In es la matriz identidad del mismo orden de la matriz A. Para lograr esto, se sigue
la técnica del pivoteo buscando hacer ceros hacia abajo y hacia arriba de los términos de la
diagonal principal.
---------------------------------------------------------------------------------------------------------------- 59
-----------------------------------------------------------------------------------------
Ejemplo 1: Usar el método de Gauss-Jordán para resolver el siguiente sistema:
x1  2 x2  0 .5 x 3  5
 2 x1  5 x2   1 .5 x 3  0
 0.2 x1  1.75 x 2   x3  10
 1  2 0 .5  5 
Solución. 
Comenzamos con la matriz aumentada:   2 5  1.5 0 
 0.2 1.75  1 10 
Intercambiamos las filas 1 y 2 y procede a hacer el primer pivoteo:
1 0 .2
 2 5  1 .5 0  ,   2 5  1 .5 0
 1  2 2 
  2 0 .5  5  ~ 0 0.5  0.25  5
 0.2 1.75  1 10   0 1.25  0.85 10 
Colocamos adecuadamente el segundo pivote intercambiando las filas 2 y 3. Luego,

5
hacemos ceros arriba del pivote 1.25, multiplicando la fila 2 por y sumándola a la
1.25
fila 1. A continuación hacemos ceros debajo del mismo pivote, para lo cual se multiplica la
 0 .5
misma fila 2 por y se la suma al fila 3. Lo que arroja el siguiente resultado:
1.25
 2 5  1 .5 0  2 0 1 .9  40
 0 1.25  0.85 10   5 ,  0.5 ~  0 1.25  0.85 10 
  1.25 1.25  
 0 0.5  0.25  5  0 0 0.09  9 
Luego, procedemos a hacer ceros arriba del pivote 0.09, para lo cual se multiplica la fila 3
0.85  1 .9
por y se la suma a la fila 2; igualmente multiplicamos la fila 3 por y la
0.09 0.09
sumamos a la fila 1. Todo ese conjunto de operaciones da los siguientes resultados:
 2 0 1 .9  40  2 0 0 150 
 0 1.25  0.85 10  
~  0 1.25 0  75
 
 0 0 0.09  9  0.85 ,  1.9  0 0 0.09  9 
0.09 0.09
---------------------------------------------------------------------------------------------------------------- 60
-----------------------------------------------------------------------------------------
Finalmente para obtener los unos en la diagonal principal, multiplicamos las filas 1, 2, y 3
1 1 1
por , y , respectivamente. Obteniéndose:
2 1.25 0.09
1

 2 0 0 150  2 1 0 0  75 
 0 1.25 0  75
1
~ 0 1 0  60 
 1.25
 0 0 0.09  9  1 0 0 1  100
0.09
Con lo que obtenemos la siguiente solución del sistema de ecuaciones:
x1 = – 75; x2 = – 60; x3 = – 100
Ejemplo 2. Usar el método de Gauss-Jordán para resolver el siguiente sistema:
x1  2 x2  3 x3  1
 0.4 x1  2 x2  x3  10
0.5 x1  3x2  x3  15
 1 2 3 1
Solución. La matriz aumentada del sistema es:  0.4 2  1 10
 
 0.5  3 1 15
Se observa que el primer elemento pivote está bien colocado y por lo tanto no hay
necesidad de intercambiar filas. Por lo tanto hacemos ceros debajo del pivote a11 = 1; para
ello, multiplicamos la fila 1 por 0.4 y la sumamos a la fila 2, y luego multiplicamos la
misma fila 1 por –0.5 y luego la sumamos a la fila 3. Es decir:
 1 2 3 1  0 . 4 ,  0 . 5 1 2 3 1 
 0.4 2  1 10 ~ 0 2.8 0.2 10.4

 
 0.5  3 1 15 0  4  0.5 14.5
Para elegir el segundo pivote, debemos elegir el elemento de mayor valor absoluto entre a22
= 2.8 y a32 = – 4, resultando este último. Por lo tanto, intercambiamos la fila 2 y la fila 3, y
luego, procedemos a hacer ceros arriba y abajo del segundo elemento pivote; para lo cual,
multiplicamos la fila 2 por 0.5 y la sumamos a la fila 1, y de igual modo, multiplicamos la
2.8
misma fila 2 por y la sumamos a la fila 3. Esto es:
4
---------------------------------------------------------------------------------------------------------------- 61
-----------------------------------------------------------------------------------------
1 2 3 1  1 0 2.75 8.25 
0  4  0.5 14.5 0.5, 2.8 ~ 0  4  0.5 14.5 
  4  
0 2.8 0.2 10.4 0 0  0.15 20.55
El tercer elemento pivote es a33 = – 0.15. Para hacer ceros arriba de este elemento,
0 .5
multiplicamos la fila 3 por  y la sumamos a la fila 2, e igualmente multiplicamos la
0.15
2.75
misma fila 3 por y la sumamos a la fila 1. De todo esto resulta:
0.15
1 0 2.75 8.25  1 0 0 385 

0  4  0.5 14.5  
~ 0  4 0  54 
 
0 0  0.15 20.55  0.5 , 2.75 0 0  0.15 20.55
0.15 0.15
1
Finalmente, obtenemos los unos de la diagonal, multiplicando la fila 2 por  y la fila 3
4
1
por  . Esto es:
0.15
1 0 0 385  1 0 0 385 
0  4 0  54  
1
~ 0 1 0 13.5 
 4
0 0  0.15 20.55 1 0 0 1 137 

0.15
Por lo tanto, la solución del sistema de ecuaciones es:
x1 = 385; x2 = 13.5; x3 = –137
3.7 APLICACIÓN DEL MÉTODO DE GAUSS – JORDAN AL CÁLCULO DE LA

MATRIZ INVERSA.
El método de Gauss-Jordán se basa en la siguiente lógica: (A  In)  (In  A-1)
Es decir, se comienza por escribir la matriz A y, a su derecha se aumenta la matriz identidad

In del mismo orden que la matriz A; luego se aplica el método de Gauss-Jordán para hacer
los ceros y unos y obtener del lado izquierdo la matriz identidad In. En el lado derecho lo
que se obtiene es la matriz inversa de A-1.
---------------------------------------------------------------------------------------------------------------- 62
-----------------------------------------------------------------------------------------
Ejemplo 1. Usar el método de Gauss-Jordán para calcular la matriz inversa de la siguiente

4 11
matriz: A=  
1 3 
Solución. A esta matriz A se aumenta la matriz identidad I2, obteniéndose:
4 11 1 0
1 3 0 1 
 
El primer elemento pivote a11 = 4 está bien colocado y se procede a hacer ceros debajo de
1
este elemento. Para ello, multiplicamos la fila 1 por  y la sumamos a la fila 2. Esto es:
4
4 11 1 0  1 4 11 1 0
1 3 0 1 4 ~ 0 0.25  0.25 1
   
El siguiente elemento pivote es a22 = 0.25. Para hacer ceros arriba de este elemento,
11
multiplicamos la fila 2 por  y la sumamos a la fila 1. Esto da:
0.25
4 11 1 0 4 0 12  44
0 0.25  0.25 1  11 ~ 0 0.25  0.25 1 
  0.25 
Finalmente, determinamos los unos de la diagonal principal, se multiplicando la fila 1 por

1 1
y el fila 2 por . Lo que da la matriz final:
4 0.25
1
4 0 12  44 4 ~ 1 0 3  11
0 0.25  0.25 1  1 0 1  1 4 
  
0.25
 3  11
Por lo tanto, se concluye que la matriz inversa de A es: A-1 =  
 1 4 
Ejemplo 2. Usar el método de Gauss-Jordán para calcular la matriz inversa de:
---------------------------------------------------------------------------------------------------------------- 63
-----------------------------------------------------------------------------------------
 2 4 0 

A =   0 .5 1 .2  0.1 
 0.3125  0.625 3.125
Solución. Aumentamos a la derecha de la matriz A la matriz identidad y, observamos que el

primer elemento pivote a11 = 2 está bien colocado, procediendo a hacer ceros debajo de este
elemento.
0.5
Para lo cual multiplicamos la fila 1 por y la sumamos a la fila 2; igualmente, multiplica
2
0.3125
la misma fila 1 por y la sumamos a la fila 3. Esto es:
2
0.5 0.3125
 2 4 0 1 0 0 , 2  4 0 1 0 0
  0 .5  2 2 
 1 .2  0 .1 0 1 0  ~ 0 0 .2  0 .1 0.25 1 0
 0.3125  0.625 3.125 0 0 1 0  1.25 3.125 0.15625 0 1
Para el segundo elemento pivote, escogemos el elemento con mayor valor absoluto entre
a22 = 0.2 y a32 = –1.25, siendo éste último.
Por lo que intercambiamos la fila 2 y la fila 3. Luego procedemos a hacer ceros arriba y
4
abajo del segundo elemento pivote; para ello multiplicamos la fila 2 por  y la
1.25
0 .2
sumamos a la fila 1, y del mismo modo multiplicamos la misma fila 2 por y la
1.25
sumamos a la fila 3. Es decir:
2  4 0 1 0 0
0  1.25 3.125 0.15625 0 1  4 , 0.2 ~
  1.25 1.25
0 0.2 3.125 0.15625 1 0
2 0  10 0 .5 0  3 .2 
0  1.25 3.125 0.15625 0 1 

0 0 0 .4 0.275 1 0.16 
El tercer elemento pivote resulta a33 = 0.4. Para hacer ceros arriba de este elemento,
3.125
multiplicamos la fila 3 por  y la sumamos a la fila 2, e igualmente se multiplica la
0 .4
10
misma fila 3 por y se la suma a la fila 1. Este proceso tiene el siguiente resultado:
0 .4
---------------------------------------------------------------------------------------------------------------- 64
-----------------------------------------------------------------------------------------
2 0  10 0 .5 0  3 .2 
0  1.25 3.125 0.15625 0 1  ~

0 0 0 .4 0.275 1 0.16   3 . 125
,
10
0 .4 0 .4
2 0 0 7.375 25 0 .8 
~ 0  1.25 0  1.9921875  7.8125  0.25

0 0 0 .4 0.275 1 0.16 
Finalmente, determinamos los unos de la diagonal principal. Para ello multiplicamos las
1 1 1
filas 1, 2 y 3 por ,  y , respectivamente. Esto da la matriz final:
2 1.25 0.4
1 0 0 3.6875 12.5 0.4

0 1 0 1.59375 6.25 0.2
 
0 0 1 0.6875 2.5 0.4
Por lo tanto, la matriz inversa de A es:
 3.6875 12.5 0.4

A = 1.59375 6.25 0.2
-1
 06872 2.5 0.4
3.8 MÉTODO DE GAUSS-SEIDEL
El método de Gauss-Seidel, es un método iterativo y por lo mismo, resulta ser un método

bastante eficiente. Se considera el siguiente sistema de ecuaciones:
a11 x1  a12 x 2    a1n x n  b1

a 21 x1  a 22 x 2    a 2n x n  b2
   
a n1 x1  an2 x2    a nn x n  bn
Despejando de las n ecuaciones las n variables: x1, x2, …, xn, se obtiene:
b  a x  ...  a1n x n
x1 = 1 12 2 (1)
a11
---------------------------------------------------------------------------------------------------------------- 65
-----------------------------------------------------------------------------------------
b  a 21 x1  ...  a 2n x n
x2 = 2 (2)
a 22
….
bn  a n1 x1  ...  a nn1 x n1
xn = (n)
a nn
Estas ecuaciones dan origen a las fórmulas iterativas. Para comenzar este proceso iterativo,
en la ecuación (1), se da el valor cero a las variables x2, …, xn; lo que permite obtener un
primer valor para x1, resultando:
b
x1 = 1
a11
Seguidamente se sustituye este valor de x1 en la ecuación (2), y las restantes variables x3,
…, xn siguen manteniendo el valor de cero. Esto permite obtener el siguiente valor para x2:
 b 
b2  a 21  1 
x2 =  a11 
a 22
Estos últimos valores de x1 y x2, son sustituidos en la ecuación 3, mientras que x4, …, xn
siguen manteniendo el valor de cero; y así sucesivamente hasta llegar a la última ecuación.
Todos estos pasos, proporcionarán una lista de primeros valores para las incógnitas, los que
conforman el primer paso en el proceso iterativo. Obteniéndose los primeros valore:
x1 = 1 , x2 =  2 , …, xn =  n
Se repite este proceso, pero ahora sustituyendo estos últimos valores en vez de los ceros
inicialmente asignados. Con ello se obtiene una segunda lista de valores para cada una de
las incógnitas. Teniéndose:
x1 = 1 , x2 =  2 , …, xn =  n
A partir de estos valores se pueden calcular los errores aproximados relativos para cada una
de las incógnitas. Obteniéndose la siguiente lista de errores:
  1
  ,1 = 100 1 %
1
 2
  ,2 = 100 2 %
2
---------------------------------------------------------------------------------------------------------------- 66
-----------------------------------------------------------------------------------------
  n
  ,n = 100 n %
n
Se repite este proceso hasta que:   ,i <  s ,  i = 1, 2, …, n
Donde  s es una cota de error prefijada.
Ejemplo 1. Usar el método de Gauss-Seidel para aproximar la solución del sistema:
3 x1  0 .2 x 2  0 .5 x 3  8
0.1x1  7 x2  0 .4 x 3   19.5
0..4 x1  0.1x 2  10 x3  72.4
Hasta que   ,i < 1 %.
Solución: Primer paso: Despejamos las incógnitas x1, x2 y x3 de las ecuaciones 1, 2 y 3

respectivamente, obteniendo:
8  0 .2 x 2  0 .5 x 3
x1 = (1)
3
 19.5  0.1x1  0.4 x3
x2 = (2)
7
72.4  0.4 x1  0.1x 2
x3 = (3)
10
Expresiones estas que son las fórmulas iterativas. En la ecuación (1), asignamos los valores
de:
x3 = x2 = 0.
Y obtenemos el primer valor de x1: x1 = 2.66667
Seguidamente, en la ecuación (2), sustituimos x1 = 2.66667 y x3 = 0, obteniendo el valor de

x2:
x2 = – 2.82381
Luego sustituimos x1 = 2.66667 y x2 = – 2.82381 en la ecuación (3), obteniendo el valor de

x3:
x3 = 7.1051
---------------------------------------------------------------------------------------------------------------- 67
-----------------------------------------------------------------------------------------
De este modo hemos concluido con el primer paso, determinando los valores para la
primera aproximación a la solución del sistema dado, es decir:
x1 = 2.66667, x2 = – 2.82381 y x3 = 7.1051
Segundo paso: Repetimos el proceso pero esta vez con los valores obtenidos para las
incógnitas en el paso anterior, es decir, sustituimos, en la ecuación (1) los valores:
x2 = – 2.82381 y x3 = 7.1051
Obteniendo esta vez: x1 = 3.6626
Luego sustituimos los valores: x1 = 3.6626 y x3 = 7.1051 en la ecuación (2), obteniéndose:
x2 = – 3.24404
Finalmente, en la ecuación (3) sustituimos x1 = 3.6626 y x2 = – 3.24404, obteniendo:
x3 = 7.06106
De este modo hemos determinado la segunda lista de valores de aproximación a la solución

del sistema:
x1 = 3.6626, x2 = – 3.24404 y x3 = 7.06106
Para cerrar el primer ciclo de la iteración, calculamos los errores absolutos para cada una de
las incógnitas. Obteniendo:
3.6626  2.66667
  ,1 = 100 % = 27 %
3.6626
 3.24404  2.82381
  ,2 = 100 % = 12.9 %
3.24404
7.06106  7.1051
  ,3 = 100 % = 0.6 %
7.06106
Puesto que no hemos alcanzado el objetivo de aproximación, tendremos que repetir el

mismo proceso con los valores obtenidos, en el último paso, para cada una de las
incógnitas. Es importante notar que, si bien, el error aproximado   ,3 < 1%, el objetivo
se debe cumplir simultáneamente para los errores aproximados de todas las variables.
De este modo repetimos el mismo proceso y, omitiendo los pasos intermedios, obtenemos:
---------------------------------------------------------------------------------------------------------------- 68
-----------------------------------------------------------------------------------------
x1 = 3.62724, x2 = – 3.24102 y x3 = 7.06250
Obteniéndose los siguientes errores aproximados:
  ,1 = 0.09 % ,   ,2 = 0.07 % y   ,3 0.001 %
Observamos que ahora se cumple con el objetivo para cada uno de los errores aproximados.
Por lo tanto, la solución aproximada del sistema es:
x1 = 3.62724, x2 = – 3.24102 y x3 = 7.06250
Definición. Se dice que una matriz es diagonalmente dominante si los elementos de la

diagonal principal cumplen con la siguiente condición:
aii   aij , para cada j = 1, 2, …, n

j i
La condición de ser una matriz diagonalmente dominante, simplemente, significa que el

valor absoluto de cada uno de los elementos de la diagonal principal, es mayor que la suma
de los valores absolutos de los demás elementos de la misma fila.
Teorema. El método de Gauss-Seidel converge a la solución del sistema si se cumple la

condición de que la matriz de coeficientes del sistema es una matriz diagonalmente
dominante.
Notemos que en el ejemplo anterior, la matriz de los coeficientes es diagonalmente

dominante y por lo tanto, el método de Gauss-Seidel, es convergente a la solución del
sistema.
Sin embargo, la condición de la matriz diagonalmente dominante, solamente es una

condición suficiente pero no necesaria, es decir, existen sistemas de ecuaciones que no
cumplen con esta condición y que si convergen a la solución y también existen sistemas de
ecuaciones que no cumplen con la condición y que no convergen a la solución.
Observación: Aunque un sistema no cumpla con la condición de ser diagonalmente

dominante, es posible a veces, lograr que si se cumpla con esta condición mediante un
intercambio de filas, como lo veremos en el siguiente ejemplo.
Ejemplo 2 Usar el método de Gauss-Seidel para aproximar la solución del sistema:
 5 x1  1.4 x 2  2.7 x3  94.2

0.7 x1  2.5 x 2  15 x3   6
3.3 x1  11x 2  4.4 x3   27.5
---------------------------------------------------------------------------------------------------------------- 69
-----------------------------------------------------------------------------------------
Hasta que:   ,i < 1 %.
Solución. En este caso, observamos que la matriz de coeficientes del sistema no es

diagonalmente dominante; pero también vemos que si intercambiamos las filas 2 y 3
entonces si es diagonalmente dominante. Así que, primero efectuamos el intercambio de
dichas filas y el sistema queda:
 5 x1  1.4 x 2  2.7 x3  94.2

3.3 x1  11x 2  4.4 x3   27.5
0.7 x1  2.5 x 2  15 x3   6
Ahora, procedemos a despejar x1, x2 y x3 de la primera, segunda y tercera ecuación

respectivamente:
94.2  1.4 x 2  2.7 x3

x1 = (1)
5
 25.7  3.3 x1  4.4 x3

x2 = (2)
 11
 6  0.7 x1  2.5 x 2
x3 = (3)
15
Comenzamos, entonces, el primer paso del proceso iterativo sustituyendo los valores de x2
= x3 = 0 en la ecuación (1) para obtener el valor de:
x1 = – 18.82.
Sustituimos este valor x1 = – 18.82 y x3 = 0 en la ecuación (2) y obtenemos el valor de:
x2 = – 3.152.
Y terminamos sustituyendo x1 = – 18.82 y x2 = – 3.152 en la ecuación (3) para obtener el

valor de:
x3 = – 0.04613.
Por lo tanto los valores obtenidos en el primer paso del proceso de iteración son:
x1 = – 18.82, x2 = – 3.152 y x3 = – 0.04613.
---------------------------------------------------------------------------------------------------------------- 70
-----------------------------------------------------------------------------------------
Puesto que solo tenemos la primera aproximación de la solución del sistema dado, debemos
seguir con el segundo paso del proceso iterativo, para ello sustituimos los valores de x2 = –
3.152 y x3 = – 0.04613 en la ecuación (1), obtenemos x1 = – 19.69765.
Luego sustituimos x1 = – 19.69765 y x3 = – 0.04613 en la ecuación (2) y obtenemos

x2 = – 3.42775. Finalmente, sustituimos x1 = – 19.69765 y x2 = – 3.42775 en la ecuación (3)
y obtenemos x3 = – 0.05207. Por lo tanto, los resultados de la segunda aproximación son:
x1 = – 19.69765, x2 = – 3.42775 y x3 = – 0.05207
Ahora procedemos calcular los errores aproximados para cada una de las incógnitas:
 19.69765  18.84
  ,1 = 100 % = 4.35 %
 19.69765
 3.42775  3.152
  ,2 = 100 % = 8.04 %
 3.42775
 0.05207  0.04613
  ,3 = 100 % = 11.4 %
 0.05207
En vista de que no se ha alcanzado el objetivo, debemos continuar con el tercer paso de este
proceso iterativo. Los resultados de esta tercera iteración se resumen como sigue:
x1 = – 19.77165,   a1 = 0.3 %
x2 = – 3.45232,   a2 = 0.7 %
x3 = – 0.05271,   a3 = 1.2 %
Pasamos a la cuarta iteración, cuyos resultados son:
x1 = – 19.77819,   a1 = 0.03 %
x2 = – 3.45454,   a2 = 0.06 %
x3 = – 0.05277,   a3 = 0.1 %
---------------------------------------------------------------------------------------------------------------- 71
-----------------------------------------------------------------------------------------
Habiendo logrado el objetivo en la cuarta iteración, La solución aproximada al sistema

dado es:
x1 = – 19.77819, x2 = – 3.45454 y x3 = – 0.05277.
3.9 PROBLEMAS
NOTA: En todos los ejercicios que siguen, redondea tus resultados a cinco decimales.
1. Usa el método de Gauss con pivoteo para resolver el siguiente sistema:
5x1 – 8x2 + x3 = – 71
–2x1 + 6x2 – 9x3 = 134
3x1 – 5x2 + 2x3 = – 58
2. Usa el método de Gauss con pivoteo para resolver el siguiente sistema:
3x1 – x2 + 6x4 = 2.3

4x1 + 2x2 – x3 – 5x4 = 6.9
– 5x1 + x2 – 3x3 = – 16.8
10x2 – 4x3 + 7x4 = – 36
3. Usa el método de Gauss-Jordan para resolver el siguiente sistema:
2x1 – 0.9x2 + 3x3 = – 3.61

– 0.5x1 + 0.1x2 – x3 = 20.35
x1 – 3.35x2 – 0.45x3 = 15.401
4. Usa el método de Gauss-Jordan para resolver el siguiente sistema:
0.7x1 + 2.7x2 – 6x3 + 0.7x4 = 1.6487

2x1 – 0.8x2 + 3x3 – x4 = – 2.342
–x1 – 1.5x2 + 1.4x3 + 3x4 = – 4.189
7x2 – 1.56x3 + 5x4 = 15.792
5. Calcula la matriz inversa de las siguientes matrices usando el método de Gauss-Jordan:
 1 .1 0  3 .2 5 .7 
 2 1 1  0  6 .9 4 
A =  0 1 1
1
i) ii) B= 
  1 .1 2  2 .5 6 
  3 0 6  
4 .1  0 .7  0 .4 
 0 .5
---------------------------------------------------------------------------------------------------------------- 72
-----------------------------------------------------------------------------------------
6. Usa el método de Gauss-Seidel hasta que   < 1 % para aproximar la solución del
siguiente sistema de ecuaciones:
3x1 – 0.5x2 + 0.6x3 = 5.24

0.3x1 – 4x2 – x3 = – 0.387
– 0.7x1 + 2x2 + 7x3 = 14.803
7. Usa el método de Gauss-Seidel hasta que   < 1 % para aproximar la solución del
siguiente sistema de ecuaciones:
5x1 – 0.2x2 + x3 = 1.5

0.1x1 + 3x2 – 0.5x3 = – 2.7
– 0.3x1 + x2 – 7x3 = 9.5
8. Utilizando el método de eliminación gaussiana con pivoteo parcial, resuelva el siguiente
sistema de ecuaciones:
2x1 + 4x2 – x3 + 2x4 = 10
4x1 + 2x3 + x4 = 7
x1 + 3x2 – 2x3 = 3
3x1 + 2x2 + 5x4 = 2
9. Utilizar el método de Gauss - Jordan para obtener la inversa de la matriz A:
2 4 1 2 
4 0 2 1 
A
1 3 2 0 
 
3 2 0 5
---------------------------------------------------------------------------------------------------------------- 73
-----------------------------------------------------------------------------------------
UNIDAD DIDÁCTICA 4
INTERPOLACIÓN
4.1 INTRODUCCIÓN
En el subcampo matemático del análisis numérico, se denomina interpolación a la

determinación de nuevos puntos partiendo del conocimiento de un conjunto discreto de
puntos. En ingeniería y algunas ciencias es frecuente disponer de un cierto número de
puntos – obtenidos por muestreo o a partir de un experimento – y pretender construir una
función que los ajuste. La interpolación consiste en hallar un dato dentro de un intervalo en
el que conocemos los valores en los extremos.
El problema general de la interpolación se nos presenta cuando nos dan una función
discreta, definida por una serie de puntos:
(xo, yo), (x1, y1), ... (xi, yi), ..., (xn, yn)
y se pide hallar el valor de y que corresponde a un punto dado x( x0 , xn) de esta función.
Este proceso puede llevarse a cabo en forma gráfica o numérica. En la presente unidad
didáctica veremos dos tipos de interpolación numérica: la interpolación polinomial y la
interpolación segmentaria (splines o acanaladas).
4.1.1 Función de interpolación y función de extrapolación.
Consideremos los siguientes “n + 1” pares ordenados:
x xo x1 x2 … xi … xn
y yo y1 y2 … yi … yn
Que corresponden a puntos del plano cartesiano cuya representación gráfica es semejante a
la que se muestra en la figura 4.1.
Figura 4.1.
---------------------------------------------------------------------------------------------------------------- 74
-----------------------------------------------------------------------------------------
Si existe una función f (x) definida en el intervalo [x0, xn] (siendo x0 < x1 < … < xn), tal que:
f (xi) = yi para i = 0, 1, 2, …, n, entonces se dice que f (x) es una función de interpolación
(ver figura 4.2) de dichos pares si es usada para aproximar valores dentro del intervalo
[xo, xn], y se le denomina función de extrapolación de dichos pares si está definida y es
usada para aproximar valores fuera del intervalo [xo, xn].
Figura 4.2.
Evidentemente pueden existir varios tipos de funciones que interpolen los mismos datos;
por ejemplo, funciones trigonométricas, funciones exponenciales, funciones polinómicas,
combinaciones de éstas, etc.
El tipo de interpolación que se elige, depende generalmente de la naturaleza de los datos

que se estén manejando, así como de los valores intermedios que se esperan.
Un tipo muy importante es la interpolación por funciones polinómicas. Puesto que pueden
existir una infinidad de funciones polinomiales de interpolación para un mismo conjunto de
pares ordenados, se hace una postulación extra para que el polinomio de interpolación sea
único.
4.1.2. Polinomio de interpolación.
Un polinomio de interpolación es una función polinómica que además de contener los pares
ordenados dados, es el de menor grado posible. Si están dados n + 1 puntos (x0, y0 ), (x1, y1
), (x2, y2 ), …, (xn, yn ) del plano, el problema consiste en hallar un polinomio de grado n de
la forma:
pn(x)= a0 + a1 x + a2 x2 + .... + an xn
De modo que contenga a estos puntos, es decir que pj(xi) = yi , para j = 0, 1, 2, ..., n
---------------------------------------------------------------------------------------------------------------- 75
-----------------------------------------------------------------------------------------
Para probar la existencia de este polinomio podemos considerar sus coeficientes (a0 ,a1 ,a2 ,
…, an ) como incógnitas a determinar en las n + 1 ecuaciones pj(xi) = yi , para j = 0,1,2,
...,n, que resultan al sustituir los pares dados (xi, yi ) en la expresión que define pn(x). De
este modo tenemos el siguiente sistema de n + 1 ecuaciones con n + 1 incógnitas:
a0 + a1 x0 + a2 x02 + … + an x0n = y0
a0 + a1 x1 + a2 x12 + … + an x1n = y1
……………………
a0 + a1 xn + a2 xn2 + … + an xnn = yn
Si en este sistema de ecuaciones, denominamos con A a la matriz de los coeficientes de las

incógnitas del sistema, sabemos que éste tiene solución única si el determinante de A es
distinto de cero. Según el número de puntos dados, la determinación del polinomio de
interpolación puede presentar los siguientes casos:
Caso i = 0: Se tiene un solo par: (xo, yo)
En este caso el polinomio de interpolación es un polinomio constante puesto que p

(xo) = yo, por lo tanto resulta que: p (x) = yo es el polinomio de interpolación.
Caso i = 1: Se tienen dos pares:
x xo x1
y yo y1
En este caso, el polinomio de interpolación es la función lineal que une a los dos puntos
dados. Por lo tanto su ecuación es:
y  y0
f (x) = yo + 1 (x – xo)
x1  x0
Expresión que define el polinomio de interpolación lineal, cuya gráfica es similar a la que
presenta en la figura 4.3.
Figura 4.3.
---------------------------------------------------------------------------------------------------------------- 76
-----------------------------------------------------------------------------------------
Observación: El polinomio de interpolación del caso i = 1 tiene como primer término yo

que es el polinomio de interpolación del caso i = 0.
Caso i = 2: Se tienen tres pares:
X xo x1 x2
Y yo y1 y2
El polinomio de interpolación, en este caso, es un polinomio de grado 2. Asumiendo la

observación anterior, “intuimos” que la ecuación del polinomio de interpolación tendrá la
forma:
y  y0
f (x) = yo + 1 (x – xo) + término cuadrático
x1  x0
Expresión que define el polinomio de interpolación cuadrático, cuya gráfica semeja a la

que presenta en la figura 4.4.
Figura 4.4.
El polinomio de interpolación de segundo grado puede asumir la forma de una ecuación

como la siguiente:
f (x) = b0 + b1(x – x0) + b2(x – x0)(x – x1) (1)
Si asignamos x = x0, se anulan los términos que contienen a b1 y b2, quedando como
resultado: f (x0) = b0
Como se debe cumplir que f(x0) = y0, entonces resulta:
y0 = b0 (2)
---------------------------------------------------------------------------------------------------------------- 77
-----------------------------------------------------------------------------------------
Si asignamos x = x1, el término que contiene a b1 queda anulado, resultando:
f (x1) = b0 + b1(x1 – x0)
Y, como se debe cumplir que f (x1) = y1 y ya que sabemos que y0 = b0, entonces, resulta:
y1 = y0 + b1(x – x0)
Luego podemos despejar el valor para b1:
y  y0
b1 = 1 (3)
x1  x0
Si asignamos x = x2, obtenemos:
f (x2) = b0 + b1(x2 – x0) + b2(x2 – x0)(x2 – x1)
y1  y 0
Como debe cumplirse que: f (x2) = y2 y ya que sabemos que y0 = b0, y que b1 = , si
x1  x0
sustituimos estos datos en la anterior expresión de f (x2), obtenemos:
y1  y 0
y2 = y0 + (x2 – x0) + b2(x2 – x0)(x2 – x1)
x1  x0
De donde se obtiene la siguiente igualdad:
y  y0
y 2  y0  1  x 2  x0 
x1  x0
= b2(x2 – x0)
x 2  x1
Sumando y restando y1 en el numerador del primer miembro, se tiene:
y  y0
y 2  y1  y1  y 0  1  x 2  x0 
x1  x0
= b2(x2 – x0)
x 2  x1
Efectuando operaciones del álgebra se obtienen los siguientes resultados:
y 2  y1 y1  y 0 y1  y 0  x 2  x0 
  = b2(x2 – x0)
x 2  x1 x 2  x1 x1  x0 x 2  x1
---------------------------------------------------------------------------------------------------------------- 78
-----------------------------------------------------------------------------------------
y 2  y1 y1  y 0  x 2  x0 
   1 = b2(x2 – x0)
x 2  x1 x 2  x1  x1  x0 
y 2  y1 y1  y 0  x 2  x0  x1  x0 
   = b2(x2 – x0)
x 2  x1 x 2  x1  x1  x0 
y 2  y1 y1  y 0
 = b2(x2 – x0)
x 2  x1 x1  x0
Y finalmente si despejamos b2 obtenemos:
y 2  y1 y1  y 0

x 2  x1 x1  x0
b2 = (4)
x 2  x0
Si sustituimos las expresiones (2), (3) y (4) en la ecuación (1), la ecuación del polinomio de
interpolación para este caso resulta:
y 2  y1 y1  y 0

y1  y 0 x 2  x1 x1  x0
f (x) = y0 + (x – x0) + (x – x0)(x – x1)
x1  x0 x 2  x0
Observación: Es evidente que cada uno de los coeficientes de la ecuación del polinomio de
interpolación se forma sobre la base de cocientes de diferencias finitas.
4.2 DIFERENCIAS FINITAS DIVIDIDAS DE NEWTON
Las diferencias finitas divididas de Newton se definen de la siguiente manera:
a) Si se tienen dos puntos xi y xj, con xi > xj, y si la función de interpolación está dada
por la expresión y = f (x), entonces la diferencia finita dividida, para estos dos
puntos, está definida por:
f [xi, xj] =
 
f  xi   f x j
xi  x j
b) Si se tienen tres puntos xi, xj y xk, siendo xi > xj > xk, y si la función de interpolación
está dada por y = f (x), entonces la diferencia finita dividida estará definida por:
---------------------------------------------------------------------------------------------------------------- 79
-----------------------------------------------------------------------------------------
f  xi ,x j   f  x j ,xk 
f [xi, xj, xk] =
xi  xk
c) Y, en general, si se tienen n + 1 puntos xn, xn-i … x1, xo, siendo xn > xn-i > … > x1 >
xo, y si la función de interpolación está definida por y = f (x), entonces la diferencia
finita dividida está dada por:
f x n , , x1   f x n 1 , x0 
f [xn, xn-1, …, x1, xo] =
x n  x0
Ejemplo: Se tienen los puntos x3, x2, x1 y x0, de modo que x3 > x2 > x1 > x0. Para la función
de interpolación f (x), se tienen las siguientes diferencias finitas divididas:
f x3 , x 2 , x1   f x 2 , x1 , x0 
f [x3, x2, x1, x0] =
x3  x 0
f x3 , x 2   f x 2 , x1 
f [x3, x2, x1] =
x3  x1
f x 2 , x1   f x1 , x0 
f [x2, x1, x0] =
x 2  x0
f  x3   f  x 2 
f [x3, x2] =
x3  x 2
f ( x 2 )  f ( x1 )
f x 2 , x1  =
x 2  x1
f ( x1 )  f ( x0 )
f x1 , x0  =
x1  x0
4.3 POLINOMIO DE INTERPOLACIÓN DE NEWTON CON DIFERENCIAS

FINITAS DIVIDIDAS
Dados los “n + 1” pares ordenados siguientes:
x xo x1 … xn
y yo y1 … yn
El polinomio de interpolación de Newton se define como sigue:
---------------------------------------------------------------------------------------------------------------- 80
-----------------------------------------------------------------------------------------
f (x) = bo + b1(x – xo) + b2 (x – xo)(x – x1) + ... + bn (x – xo)(x – x1) ... (x – xn-1)
Donde: bo = f (xo)
f ( x1 )  f ( x0 )
b1 = f x1 , x0  =
x1  x0
f x 2 , x1   f x1 , x0 
b2 = f [x2, x1, x0] =
x 2  x0
…
f x n , , x1   f x n 1 , x0 
bn = f [xn, xn-1, …, x1, xo] =
x n  x0
Reemplazando estos valores en el polinomio de Newton, finalmente obtenemos:
f(x) = f(x0) + f[x1, x0](x – x0) + f[x2, x1, x0](x – x0)(x – x1)+ … +
+ f[xn, …x1, x0](x – x0) (x – x1)… (x – xn-1)
Para calcular los coeficientes b0, b1,…, bn, es conveniente construir una tabla de diferencias
finitas divididas como la siguiente:
b0 b1 b2 b3 b4
x0 f (x 0) f [x 1, x 0] f [x 2, x 1, x 0] f [x 3, x 2, x 1, x 0] f [x 4, x 3, x 2, x 1, x 0]
x1 f (x 1) f [x 2, x 1] f [x 3, x 2, x 1] f [x 4, x 3, x 2, x 1]
x2 f (x 2) f [x 3, x 2] f [x 4, x 3, x 2]
x3 f (x 3) f [x 4, x 3]
x4 f (x 4)
Observamos que los coeficientes del polinomio de interpolación de Newton, se encuentran
en la parte superior de la tabla de diferencias finitas divididas.
Ejemplo 1. Calculemos el polinomio de diferencias divididas finitas de Newton para:
x –2 –1 2 3
y 4 6 9 3
Solución. Procedemos con la siguiente lógica:
---------------------------------------------------------------------------------------------------------------- 81
-----------------------------------------------------------------------------------------
Por lo tanto el polinomio de interpolación de Newton con diferencias finitas divididas es:
f(x) = 4 + 2(x + 2) – 0.25(x + 2)(x + 1) – 0.3(x + 2)(x + 1) (x – 2)
Ejemplo 2. Calculemos la tabla de diferencias divididas finitas y usemos la información en

la misma, para construir el polinomio de interpolación de Newton con los siguientes datos:
x –3 –2 0 4
y 5 8 4 2
Solución. Con los datos dados, procedemos a construir la tabla de diferencias divididas
como sigue:
Luego, el polinomio de interpolación de Newton tiene la siguiente forma:
f(x) = 5 + 3(x + 3) – 1.66667(x + 3)(x + 2) – 0.20238(x + 3)(x + 2) (x)
TEOREMA. Si x0, x1, …, xn son números reales distintos, entonces para valores arbitrarios
y0, y1, … yn existe un única polinomio de Newton fn(x) de máximo grado n, tal que:
fn (xi) = yi ,  : i = 0, 1, 2, …, n
DEMOSTRACIÓN. No se probará formalmente la existencia de un polinomio de

interpolación, aunque se acepta que dada cualquier tabla de datos, el polinomio de Newton
siempre existe.
Sin embargo, se probará la unicidad del polinomio de interpolación.
Supóngase que gn(x) es otro polinomio de interpolación de máximo grado n, y sea: hn(x) =
fn (x) – gn(x). Luego: hn(xi) = fn (xi) – gn(xi) = yi – yi = 0, para todo i = 1, 2, …, n. Por lo
tanto, hn(x) tiene n + 1 raíces distintas, y es un polinomio de grado a lo más n, esto
solamente es posible si hn(x) = 0.
Luego: fn (x) = gn(x)
---------------------------------------------------------------------------------------------------------------- 82
-----------------------------------------------------------------------------------------
Que es lo que se quería probar. Sin embargo, aunque el polinomio de interpolación es

único, pueden existir diversas formas de encontrarlo: Una, es mediante el polinomio de
Newton, otra mediante el polinomio de Lagrange.
4.4 POLINOMIO DE INTERPOLACIÓN DE LAGRANGE
Consideremos los siguientes pares ordenados:
x x0 x1 … xn
y y0 y1 … yn
El polinomio de interpolación de Lagrange se define como sigue:

n
P (x) = y0  l0(x) + y1  l1(x) + … + yn  ln(x) =  y jl j  x
j 0
Donde los polinomios lj(x), para todo j = 0, 1, 2, …, n, se denominan funciones cardinales

del polinomio de Lagrange, correspondientes a los puntos dados.
Un análisis lógico de esta expresión sugiere que, si x = x0, entonces debe satisfacerse que
P(x0) = y0 , lo cual se cumple si l0(x0) = 1 y también si li(x0) = 0 para toda i  0.
Del mismo modo, si x = x1 , entonces debe satisfacerse que: P(x1) = y1 , lo cual se cumple si
l1(x1) = 1 y si li(x1) = 0 , para toda i  1.
Y así sucesivamente, si x = xn , entonces debe cumplirse que P(xn) = yn , lo cual es evidente

si ln(xn) = 1 y si li(xn) = 0 para toda i  n.
Este análisis lógico sugiere como determinar las funciones cardinales del polinomio de
Lagrange. Para ser más claros, analicemos detenidamente la lógica para determinar la
función l0(x0).
De acuerdo al análisis anterior es evidente que la función cardinal l0(x) debe cumplir con
las siguientes condiciones:
o Primera condición: l0(x0) = 1.

o Segunda condición: l0(xj) = 0, para todo j  0.
Por lo tanto, para que se cumplan ambas condiciones, el polinomio l0(x) debe tener la forma
que sigue:
l0(x) = c (x – x1)( x – x2) … (x – xn)
El valor de la constante c se determina aplicando la primera condición a la anterior

expresión, es decir:
l0(x0) = 1 = c (x0 – x1)( x0 – x2) … (x0 – xn)
---------------------------------------------------------------------------------------------------------------- 83
-----------------------------------------------------------------------------------------
1
Luego, resulta: c=
x0  x1 x0  x2 ...x0  xn 
Por lo tanto el polinomio l0(x) queda definido como:
x - x1 x - x2 ...x - xn 
l0(x) =
x0 - x1 x0 - x2 ...x0 - xn 
Análogamente se podemos deducir:
n
 x  xi 
lj(x) =  , con j = 1, 2, …, n
i 0  x j  xi 
i j
Para el conjunto de nodos x0, x1, x2, …, xn.
Ejemplo 1: Construyamos las funciones cardinales y el polinomio de interpolación de

Lagrange correspondiente. para los siguientes pares:
x 1 3 5 7
y –2 1 2 –3
Solución. Se tiene que:
P (x) = y0l0(x) + y1l1(x) + y2l2(x) + y3l3(x)
P (x) = – 2l0(x) + l1(x) + 2l2(x) – 3l3(x)
Donde: l0(x) =
x  3x  5x  7  = x  3x  5x  7 
 2 4 6  48
l1(x) =
x  1x  5x  7  = x  1x  5x  7 
2 2 4 16
l2(x) =
x  1x  3x  7  = x  1x  3x  7 
42 2  16
l3(x) =
x  1x  3x  5 = x  1x  3x  5
642 48
Sustituyendo en el polinomio de Lagrange definido se tiene:
P (x) = – 2
x  3x  5x  7  +
x  1x  5x  7  +2
x  1x  3x  7  –
 48 16  16
3
x  1x  3x  5
48
---------------------------------------------------------------------------------------------------------------- 84
-----------------------------------------------------------------------------------------
P (x) =
x  3x  5x  7  +
x  1x  5x  7  –
x  1x  3x  7  –
24 16 8
x  1x  3x  5
16
Ejemplo 2. Construyamos las funciones cardinales y el polinomio de interpolación de

Lagrange correspondiente, usando los siguientes datos:
x –2 0 2 4
y 1 –1 3 –2
Solución. Se tiene: P (x) = y0l0(x) + y1l1(x) + y2l2(x) + y3l3(x)
P (x) = y0l0(x) – l1(x) + 3l2(x) – 2l3(x)
Donde: l0(x) =
x  0x  2x  4 = xx  2x  4
 2 4 6  48
l1(x) =
x  2x  2x  4 = x  2x  2x  4
2 2 4 16
l2(x) =
x  2x  0x  4 = xx  2x  4
42 2  16
l3(x) =
x  2x  0x  2 = x  2x  0x  2
642 48
Sustituyendo en el polinomio definido de Lagrange queda:
x x  2  x  4   x  2  x  2  x  4  x x  2  x  4  x  2x  0x  2
P (x) = – +3 – 2
 48 16  16 48
x x  2  x  4   x  2  x  2  x  4  x x  2  x  4  x  2x  0x  2
P (x) = – +3 –
 48 16  16 24
Ejemplo 3: Construyamos las funciones cardinales y el polinomio de interpolación de

Lagrange correspondiente, para el conjunto de pares dado en la siguiente tabla:
x 5 –7 –6 0
y 1 –23 –54 –954
Solución: Las funciones cardinales, resultan ser:
 x  7  x  6  x  0   x  7  x  6  x
l0(x) = = ;
 5  7  5  6  5  0  660
---------------------------------------------------------------------------------------------------------------- 85
-----------------------------------------------------------------------------------------
 x  5 x  6  x  0   x  5 x  6  x
l1(x) = = ;
 7  5 7  6  7  0  84
 x  5 x  7  x  0   x  5 x  7  x
l2(x) = = ;
 6  5 6  7  6  0  72
 x  5 x  7  x  6   x  5 x  7  x  6 
l3(x) = =
 0  5 0  7  0  6  210
El polinomio de interpolación de Lagrange resulta:
P(x) = l0(x) – 23 l1(x) – 54 l2(x) – 954 l3(x)
 x  7  x  6  x  x  5 x  6  x  x  5 x  7  x  x  5 x  7  x  6 

P(x)= +23 –54 +954
660 84 72 210
4.5 INTERPOLACIÓN DE SPLINES
En esta tipo de interpolación – denominada también interpolación segmentaria o

interpolación por splines – la idea central radica en que, en vez de usar un solo polinomio
para interpolar todos los pares ordenados, se utilizan segmentos de polinomios para cada
subintervalo [xi-1, xi], para luego unirlos adecuadamente entre si bajo ciertas condiciones de
continuidad y derivabilidad y formar la función de interpolación polinómica suave.
De este modo, resulta que, un spline es una curva definida en fragmentos mediante
polinomios, cada uno definido entre los dos puntos extremos de cada subintervalo.
En los problemas de interpolación, a menudo se utiliza la interpolación splines porque da

lugar a resultados similares requiriendo solamente el uso de polinomios de bajo grado a la
vez que se evitan las oscilaciones, que en la mayoría de las aplicaciones resultan
indeseables, que aparecen al interpolar mediante polinomios de grado elevado.
4.5.1. Definición de un Splines de grado k.
Para una partición en n subintervalos del intervalo [x0, xn] y los correspondientes valores yi
(con i = 0, 1, 2, …, n) que se presentan en una tabla de datos de la siguiente forma:
x xo x1 … xn
y yo y1 … yn
---------------------------------------------------------------------------------------------------------------- 86
-----------------------------------------------------------------------------------------
Y, dado un número entero positivo k, se define como una función de interpolación spline
de grado k, para el conjunto de n + 1 pares ordenados dados, a aquella función S(x)
compuesta de n polinomios sj(x) tal que:
i) sj(xi) = yi,  i = 0, 1, 2, …, n.
ii) sj(x), (con j = 1, 2, 3, … n) es un polinomio de grado m  k en cada
subintervalo [xj-1, xj].
iii ) S(x), es derivable, al menos, hasta el orden k-1 sobre el intervalo [x0, xn].
4.6 FUNCIONES SPLINES DE GRADO CERO
Los splines de grado 0 son funciones constantes por subintervalos. Una forma explícita de
presentar un spline de grado 0 es la siguiente:
 s1  x   c1  x   x0 ,x1 

 s  x   c2  x   x1 ,x2 
S(x) =  2
   
 sn  x   cn  x   xn 1 ,xn 

Y, su gráfica tiene la forma semejante a la que se muestra en la siguiente figura:
Figura 4.5.
Observación: Los polinomios de grado cero no cumplen con la condiciones de continuidad
y derivabilidad en los puntos extremos que definen cada subintervalo [xi, xi+1] (con i = 0, 1,
2, 3, …, n)
4.7. FUNCIONES SPLINES DE GRADO UNO
Para los “n + 1” pares ordenados:

x xo x1 … xn
y yo y1 … yn
Una función spline de grado 1 que interpole estos datos se define al unir cada uno de los
puntos dados mediante segmentos de recta y, su expresión analítica tiene la forma:
---------------------------------------------------------------------------------------------------------------- 87
-----------------------------------------------------------------------------------------
 s1  x   a1 x  b1  x   x0 ,x1 

 s  x   a2 x  b2  x   x1 ,x2 
S(x) =  2
   
 sn  x   an x  bn
  x   xn 1 ,xn 
La misma que cumple con las condiciones que definen la spline de grado 1, es decir:
1. sj(x), con j = 1, 2, 3, …, n, es un polinomio de grado m = 1

2. sj(x) tiene, al menos, una derivada de orden k – 1 = 0.
3. s(xi) = yi,  i = 0, 1, 2, …, n.
Y, su gráfica tiene asume una forma semejante a la que se muestra en la siguiente figura 4.6
Figura 4.6.
Observación: Los polinomios de grado uno cumplen con la condición de continuidad, pero
no cumplen con la condición de derivabilidad en los puntos extremos que definen cada
subintervalo [xi, xi+1] (con i = 0, 1, 2, 3,…, n)
4.8 FUNCIONES SPLINES DE GRADO 2
En este caso, los polinomios sj(x), a través de los que construimos el spline tienen grado 2.
Esto significa que tendrán la forma:
sj(x) = ajx² + bjx + cj
La interpolación cuadrática nos va a asegurar que la función que generemos a fragmentos

con los distintos sj(x) va a ser continua y derivable, ya que para obtener las expresiones que
ajusten el polinomio y definan el spline, tenemos como condiciones:
 La condición de continuidad: Que establece que los polinomios sj(x) y sj-1(x) pasen
por un mismo punto xi, es decir, que las valores sj-1(xi) sj(xi) deben ser iguales en
cada uno de los puntos xi.
 La condición de derivabilidad: Que define que las derivadas s’j-1(xi) y s’j(xi) sean
iguales, es decir la función s(x) debe ser derivable en xi.
---------------------------------------------------------------------------------------------------------------- 88
-----------------------------------------------------------------------------------------
Dado que estas condiciones son las que nos permitirán determinar los parámetros aj, bj, y cj
(con j = 1, 2, 3, …, n) para los n polinomios sj, las mismas, no son suficientes, y
necesitamos alguna otra condición más; en razón a que, por cada spline sj(x) que pasa por
dos puntos, de cada subintervalo [xi-1, xi] del intervalo [x0, xn], tenemos 3 incógnitas por lo
que resultan 3n incógnitas, teniendo por otro lado que, por la condición de continuidad, se
planten dos ecuaciones por cada polinomio sj(x) obteniéndose 2n ecuaciones para los n
polinomios sj(x) y, por la condición de derivabilidad, podemos obtener una ecuación por
cada punto de contacto entre dos polinomios consecutivos, con lo que obtenemos n – 1
ecuaciones, lo que, en total, hacen 3n – 1 ecuaciones, necesitándose un sistema de 3n
ecuaciones, por lo que, en este caso, el sistema tiene un grado de libertad.
Para obtener las 3n ecuaciones, hace falta una ecuación más, la que puede obtenerse
asignando un valor a la derivada s’j(x) en algún punto, forzándose a uno de los sj(x), o
alternativamente, suministrando un valor a alguna de las incógnitas.
Resolvamos un ejemplo concreto para obtener una mejor comprensión de esta lógica.
Ejemplo 1. Consideremos los siguientes datos:
xi 3 4.5 7 9
yi 2.5 1 2.5 0.5
Con los datos dados, se forman tres subintervalos: [3, 4.5], [4.5, 7] y [7, 9], por cada uno de
los cuales debemos definir una función polinomial de grado 2, que definirán el spline S(x)
de la forma siguiente:
 s1  x   a1 x 2  b1 x  c1  x  3, 4.5

S(x) =  s2  x   a2 x 2  b2 x  c2  x   4.5, 7 

 s3  x   a3 x  b3 x  c3
2
 x   7 ,9
Lo que nos indica que tenemos 9 incógnitas, cuya solución nos obliga a determinar 9
ecuaciones.
Para cumplir con la condición de continuidad, debemos hacer que cada polinomio pase por
los puntos dados de la tabla de datos. Es decir:
s1(3) = 2.5, s1(4.5) = 1, s2(4.5) = 1, s2(7) = 2.5, s3(9) = 2.5, s3(9) = 0.5
De este modo, conformamos las siguientes seis ecuaciones:
s(3) = 2.5 = 32a1 + 3b1 + c1 (1)
---------------------------------------------------------------------------------------------------------------- 89
-----------------------------------------------------------------------------------------
 4.5 2 a  4.5b1  c1 2

s(4.5) = 1 =  2 1
4.5 a 2  4.5b2  c 2 3
7 2 a  7b2  c 2 4

s(7) = 2.5 =  2 2
 7 a3  7b3  c3 5
s(9) = 0.5 = 92a3 + 9b3 + c3 (6)
Ahora nos restan determinar 3 ecuaciones más, las que debemos deducir a partir de la
condición de derivabilidad de la función spline.
Los polinomios de grado 2, deben tener derivadas de orden k – 1 = 1, lo que implica una
derivada por polinomio, es decir:
 2a1 x  b1  x  3,4.5

s´(x) = 2a 2 x  b2  x  4.5,7
 2a x  b
 3 3  x  7 ,9
La condición de derivabilidad de una función en un punto estipula que las derivadas

laterales en dicho punto deben ser iguales, es decir que, en los puntos de abscisas x = 4.5
y x = 7, se debe cumplir:
2a1(4.5) + b1 = 2a2(4.5) + b2  9a1 + b1 = 9a2 + b2 (7)
2a2(7) + b2 = 2a3(7) + b3  14a2 + b2 = 14a3 + b3 (8)
Con lo que obtenemos 8 ecuaciones para las 9 incógnitas; lo que nos da un grado de
libertad para elegir alguna condición que podríamos aplicarla sobre la primera derivada o
asignando un valor para alguna de las incógnitas.
Elegimos por simple conveniencia la segunda opción, haciendo:

a1 = 0.
De este modo eliminamos una incógnita y ahora tenemos un sistema de 8 ecuaciones con 8
incógnitas que resulta:
3b1 + c1 = 2.5
4.5b1 + c1 = 1
20.25a2 + 4.5b2 + c2 = 1
49a2 + 7b2 + c2 = 2.5
49a3 + 7b3 + c3 = 2.5
81a3 + 9b3 + c3 = 0.5
b1 – 9a2 – b2 = 0
---------------------------------------------------------------------------------------------------------------- 90
-----------------------------------------------------------------------------------------
14a2 + b2 – 14a3 – b3= 0
Cuya forma matricial se expresa de la siguiente manera:
3 1 0 0 0 0 0 0  b1  2.5
 4 .5 1 0 0 0 0 0 0 c   1 
  1  
0 0 20.25 4.5 1 0 0 0 a 2   1 
     
0 0 49 7 1 0 0 0  b2  = 2.5
0 0 0 0 0 49 7 1  c 2   2 .5 
     
0 0 0 0 0 81 9 1  a 3   0 .5 
1 0 9 1 0 0 0 0 b   0 
   3  
 0 0 14 1 0  14  1 0  c3   0 
De cuya resolución obtenemos los siguientes valores:
a1 = 0, b1 = – 1, c1 = 5.5,
a2 = 0.64, b2 = – 6.75, c2 = 18.46,
a3 = – 1.6, b3 = 24.6, c3 = – 91.3.
Sustituimos estos valores, en la función s(x), obtenemos la función spline cuadrática que
interpola la tabla de datos dada:
  x  5 .5  x  3, 4.5

s(x) = 0.64 x  6.75 x  18.46  x  4.5,
2
7
  1.6 x 2  24.6 x  91.3  x  7 , 9

La figura 4.7, contiene tanto los puntos iniciales de la tabla de datos, así como la spline
cuadrática determinada.
Figura 4.7.
---------------------------------------------------------------------------------------------------------------- 91
-----------------------------------------------------------------------------------------
Ejemplo 2. Este ejemplo es para que lo resuelvas tú: Utilizando un spline de segundo
grado interpola los siguientes datos:
x –1 1 2 4
y –1 1 5 –2
4.9 FUNCIONES SPLINES CÚBICOS
El spline cúbico (k = 3) es el spline más empleado, debido a que proporciona un excelente

ajuste a los puntos tabulados y su cálculo no es excesivamente complejo. Si tenemos n + 1
puntos definidos por los datos de la tabla:
xi x0 x1 x2 xn
yi y0 y1 y2 yn
Cada uno de los n subintervalos [x0, x1], [x1, x2], …, [xn-1, xn] contiene un polinomio Sj
(con j = 1, 2, 3, …, n) de tercer grado de la forma:
Sj(x)= ajx3 + bjx2 + cjx + dj
Por lo que el spline S(x) queda definido por n polinomios diferentes de tercer grado Sj(x),
cuya forma toma la representación siguiente:
 s  x   a x3 + b x 2 + c x + d  x   x0 ,x1 
 1 1 1 1 1
 s  x   a2 x + b2 x + c2 x + d 2
3 2
 x   x1 ,x2 
S(x) =  2
   
s x  a x3 + b x 2 + c x + d  x   xn 1 ,xn 
 n  n n n n
Donde aj, bj, cj y dj (con j = 1, 2, 3, …, n) son los 4 parámetros que hay que determinar para
cada uno de los n subintervalos, es decir que, en todo el spline tenemos 4n parámetros
desconocidos, los que deberán calcularse sobre la base de las condiciones de continuidad y
derivabilidad para la primer y segunda derivadas, que deben generar también 4n ecuaciones
para que la spline quede perfectamente definida como una curva suave.
Condición de continuidad: Cada uno de los polinomios Sj (con j = 1, 2, 3, …, n) contiene a

los límites de sus respectivos intervalos [xi-1, xi] con i = j, cumpliéndose en consecuencia
que:
Para el intervalo [x0, x1]: y0 = S1(x0),
y1 = S1 (x1)
Para el intervalo [x1, x2]: y1 = S2(x1)
---------------------------------------------------------------------------------------------------------------- 92
-----------------------------------------------------------------------------------------
y2= S2(x2)
Y así sucesivamente, para el intervalo [xn-1, xn]: yn-1 = Sn(xn-1)
yn= Sn(xn)
De este modo obtenemos dos ecuaciones por cada subintervalo, creándose por esta
condición, un total de 2n ecuaciones
Condición de derivabilidad para la primera y segunda derivada: Para cada Sj(x) resultan
las siguientes derivadas:
Sj'(x) = 3ajx2 + 2bjx + cj
Sj''(x) = 6ajx + 2bj
Las que, en cada punto de contacto de cada Sj-1(x) y Sj(x), deben cumplir con la condición
de existencia de la primera deriva, generándose n – 1 ecuaciones de la forma:
S’ j(xi) = S’j-1(xi) con i = j = 1, 2, 3, …, (n – 1)
Y con la condición de existencia de la segunda deriva, generándose n – 1 ecuaciones de la

forma:
S”j(xi) = S”j-1(xi) con i = j = 1, 2, 3, …, (n – 1)
Con lo que resulta que el número de ecuaciones que se forman por estas condiciones es:
(2n) + (n – 1) + (n – 1) = 4n – 2
Con lo que construimos un sistema de 4n ecuaciones lineales con 4n – 2 incógnitas, es

decir, se tiene un sistema con cos grados de libertad, los que definimos con las siguientes
condiciones:
S”1(x0) = 0 y S”n(xn) = 0
Completándose de esta manera el sistema de 4n ecuaciones con 4n incógnitas, el mismo

que puede ser resuelto por cualquiera de los métodos desarrollados en la unidad didáctica
anterior.
Ejemplo 1: Determinemos la spline de grado 3 para los datos de la siguiente tabla:
x –1 1 2 4
y –1 1 5 –2
---------------------------------------------------------------------------------------------------------------- 93
-----------------------------------------------------------------------------------------
Solución.- Como los datos dados presentan tres subintervalos, entonces, el número de
polinomios cúbicos del spline es n = 3, por lo que el número de incógnitas será:
4  n = 4  3 = 12
Luego, el spline cúbico estará definido de la siguiente manera:
 a1 x3  b1 x 2  c1 x  d1  x   1;1

(A) s(x) = a2 x3  b2 x 2  c2 x  d 2  x  1; 2
 3
 a3 x  b3 x  c3 x  d3
2
 x   2; 4
Y su primera y segunda derivada:

 3a1 x 2  2b1 x  c1  x   1,1

(B) S´(x) = 3a 2 x 2  2b2 x  c 2  x  1,2
3  x  2 ,4
 3a x 2  2b x  c
 3 3
 6a1 x  2b1  x   1,1


(C) S”(x) = 6a 2 x  2b2  x  1,2
 6a x  2b  x  2 ,4
 3 3
i) Por la condición de continuidad, partimos de la expresión (A) y obtendremos:

2 n = 2  3 = 6 ecuaciones, es decir:
s(– 1) = – a1 + b1 – c1 + d1 = – 1 … (1)
s(1) = a1 + b1 + c1 + d1 = 1 … (2)
s(1) = a2 + b2 + c2 + d2 = 1 … (3)
s(2) = 8a2 + 4b2 + 2c2 + d2 = 5 … (4)
s(2) = 8a3 + 4b3 + 2c3 + d3 = 5 … (5)
s(4) = 64a3 + 16b3 + 4c3 + d3 = – 2 … (6)
ii) Por la condición de derivabilidad para la primera derivada, serán:
n – 1 = 3 – 1 = 2 ecuaciones
Para que exista S´(x) en x = 1 y en x = 2, en la expresión (B) debemos igualar las

ecuaciones correspondientes en ambos puntos, obteniendo:
3a1 + 2b1 + c1 – 3a2 – 2b2 – c2 = 0 … (7)

12a2 + 4b2 + c2 – 12a3 – 4b3 – c3 = 0 … (8)
iii) Por la condición de derivabilidad para la segunda derivada, se tienen también n – 1

ecuaciones.
---------------------------------------------------------------------------------------------------------------- 94
-----------------------------------------------------------------------------------------
De igual manera, para que exista S”(x) en x = 1 y en x = 2, en la expresión (C) debemos

igualar las respectivas ecuaciones en ambos puntos, obteniendo:
6a1 + 2b1 = 6a2 + 2b2  3a1 + b1 – 3a2 – b2 = 0 … (9)

2a2 + 2b2 = 12a3 + 2b3  6a2 + b2 – 6a3 – b3 = 0 … (10)
Finalmente, agregamos las condiciones para que la segunda derivada se anule en los puntos
inicial y final del intervalo [–1, 4]; obteniendo:
s”( –1) = – 6a1 + 2b1 = 0  – 3a1 + b1 = 0 … (11)
s”( 4) = 24a3 + 2b3 = 0 12a3 + b3 = 0 … (12)
Con lo que completamos el sistema de doce ecuaciones con doce incógnitas, cuya forma
matricial es la siguiente:
1 1 1 1 0 0 0 0 0 0 0 0  a1    1 
1 1 1 1 0
 0 0 0 0 0 0 0  b1   1 
0 0 0 0 1 1 1 1 0 0 0 0  c1   1 
    
0 0 0 0 8 4 2 1 0 0 0 0  d1   5 
0 0 0 0 0 0 0 0 8 4 2 1  a 2   5 
    
0 0 0 0 0 0 0 0 64 16 4 1  b2   2
=
 3 2 1 0  3  2 1 0 0 0 0 0  c 2   0 
    
 0 0 0 0 12 4 1 0  12  4  1 0 d 2   0 
 3 1 0 0  3 1 0 0 0 0 0 0  a3   0 
    
0 0 0 0 6 1 0 0  6  1 0 0  b3   0 
    
 3 1 0 0 0 0 0 0 0 0 0 0   c3   0 
 0 0 0 0 0 0 0 0 12 1 0 0  d 3   0 
Resolviendo esta ecuación matricial, obtenemos la siguiente solución:
51 21 24
a1  , a2   , a3  ,
140 10 35
153 297 288
b1  , b2  , b3   ,
140 35 35
89 473 1867
c1  , c2   , c3  ,
140 70 70
153 48 732
d1   , d2  , d3   .
140 35 35
---------------------------------------------------------------------------------------------------------------- 95
-----------------------------------------------------------------------------------------
Figura 4.8
Por lo tanto, la spline cúbica tiene la siguiente expresión analítica:
 51 3 153 2 89 153
 140 x  140 x  140 x  140  x   1,1

 21 297 2 473 48
s(x) =   x3  x  x  x  1, 2
 10 35 70 35
 24 3 288 2 1867 732
 35 x  35 x  70 x  35  x   2, 4

Cuya gráfica correspondiente se muestra en la figura 4.8
Ejemplo 2. Interpolemos los siguientes datos mediante una spline cúbica:
x 2 3 5
y –1 2 –7
Solución. Se tendrá un polinomio cúbico en cada uno de los intervalos que se forman:
 a1 x 3  b1 x 2  c1 x  d1  x  2 ,3
s (x) = 
a 2 x 3  b2 x 2  c 2 x  d 2  x  3,5
Como tenemos dos subintervalos (n = 2), entonces tendremos que determinar (4n) = 8
ecuaciones para determinar las 8 incógnitas a1, b1, c1, d1, a2, b2, c2 y d2
i) Por la condición de continuidad se tiene:
s(2) = 8a1 + 4b1 + 2c1 + d1= – 1 (1)
s(3) = 27a1 + 9b1 + 3c1 + d1 = 2 (2)
---------------------------------------------------------------------------------------------------------------- 96
-----------------------------------------------------------------------------------------
s(3) = 27a2 + 9b2 +3c2 +d2 = 2 (3)

s(5) = 125a2 + 25b2 +5c2 +d2 = – 7 (4)
ii) Ahora trabajamos con la condición de derivabilidad, por lo que calculamos la primera
derivada s´(x):
 3a x 2  2b1 x  c1  x  2 ,3
s´(x) =  1 2
3a 2 x  2b2 x  c 2  x  3,5
En este caso, el punto donde se cambia de intervalo es x = 3. Entonces, para que exista
s´(x), en x = 3 se reemplaza este valor en los dos polinomios anteriores y luego se los
iguala, es decir:
3a1(3)2+2b1(3)+c1=3a2(3)2+2b2(3)+c2  27a1+6b1+c1=27a2+6b2+c2 (5)
iii) De igual modo procedemos con la segunda derivada:
 6a x  2b1  x  2 ,3
s”(x) =  1
6a 2 x  2b2  x  3,5
En este caso, para lograr que s”(x) exista en x = 3, se debe cumplir:
6a1(3)+2b1=6a2(3)+2b2  18a1 + 2b1 = 18a2 + 2b2 (6)
Para los 2 grados de libertad que, tenemos las siguientes 2 condiciones:

s”(x0) = 0 y s”(xn) = 0
De este modo obtenemos:
s”(2) = 6a1(2) + 2b1 = 0  12a1 + 2b1 = 0 (7)
s”(5) = 6a2(5) + 2b2 = 0  30a2 + 2b2 = 0 (8)
Con lo cual, hemos completado el sistema de 8 ecuaciones con 8 incógnitas, el mismo

puede escribirse en forma matricial de la manera siguiente:
8 4 2 1 0 0 0 0  a1    1 
27 9 3 1 0 0 0 0 b   2 
  1  
0 0 0 0 27 9 3 1  c1   2 
     
0 0 0 0 125 25 5 1  d1  =  7 
27 6 1 0  27  6  1 0 a2   0 
     
18 2 0 0  18  2 0 0  b2   0 
12 2 0 0 0 0 0 0 c   0 
   2  
 0 0 0 0 30 2 0 0 d 2   0 
---------------------------------------------------------------------------------------------------------------- 97
-----------------------------------------------------------------------------------------
De donde obtenemos la siguiente solución:
a1 = – 1.25, b1 = 7.5, c1 = – 10.75, d1 =0.5,

a2 = 0.625, b2 = – 9.75, c2 = 39.875, d2 = –50.125,
Figura 4.9
Sustituyendo estos valores en la expresión inicial (A), obtenemos:
  1.25 x 3  7.5 x 2  10.75 x  0.5  x  2 ,3

s (x) = 
0.625 x  9.375 x  39.875 x  50.125  x  3,5
3 2
Cuya gráfica correspondiente es la que se muestra en la figura 4.9.
Ejercicio 3 Dado que ln(2) = 0.69315, ln(3) = 1.0986 y ln(6) = 1.7918, interpolemos con
un polinomio spline cúbico el logaritmo natural de cada entero desde 2 hasta 7 y tabulemos
los valores de s(x), los valores verdaderos de ln(x) y el error en cada punto.
Solución.- Organizamos la tabla de valores:
xi 2 3 6
f(xi) 0.69315 1.09860 1.79180
Tenemos n = 2 subintervalos, por lo que tendremos que plantear un sistema de 8 ecuaciones

para las 8 incógnitas que resultan. Resultando un spline de la forma:
 a1 x3  b1 x 2  c1 x  d1  x   2,3
s (x) =  3
a2 x  b2 x  c2 x  d 2
2
 x  3, 6
---------------------------------------------------------------------------------------------------------------- 98
-----------------------------------------------------------------------------------------
i) Por la condición de continuidad tenemos las siguientes ecuaciones:
s(2) = 8a1 + 4b1 + 2c1 + d1= 0.69315 (1)

s(3) = 27a1 + 9b1 + 3c1 + d1 = 1.09860 (2)
s(3) = 27a2 + 9b2 +3c2 +d2 = 1.09860 (3)
s(6) = 216a2 + 36b2 +6c2 +d2 = 1.79180 (4)
ii) Con la condición de derivabilidad para la primera derivada s´(x), tenemos:
 3a1 x 2  2b1 x  c1  x   2 ,3

s´(x) = 
3a2 x  2b2 x  c2
2
 x  3, 6
En este caso, el punto donde se cambia de intervalo es x = 3. Entonces, para que exista
s´(x), en x = 3 se reemplaza este valor en los dos polinomios anteriores y luego se los
iguala, es decir:
3a1(3)2+2b1(3)+c1=3a2(3)2+2b2(3)+c2  27a1+6b1+c1–27a2–6b2–c2 = 0 (5)
iii) Del mismo modo para la segunda derivada:
 6a x  2b1  x  2 ,3
s”(x) =  1
6a 2 x  2b2  x  3,5
En este caso, para lograr que s”(x) exista en x = 3, se debe cumplir:
6a1(3)+2b1=6a2(3)+2b2  9a1 + b1 – 9a2 –b2 = 0 (6)
Para los 2 grados de libertad que, tenemos las siguientes 2 condiciones:

s”(x0) = 0 y s”(xn) = 0
De este modo obtenemos:
s”(2) = 6a1(2) + 2b1 = 0  6a1 + b1 = 0 (7)
s”(6) = 6a2(6) + 2b2 = 0  18a2 + b2 = 0 (8)
Con lo cual, hemos completado el sistema de 8 ecuaciones con 8 incógnitas, el mismo

puede escribirse en forma matricial de la manera siguiente:
---------------------------------------------------------------------------------------------------------------- 99
-----------------------------------------------------------------------------------------
8 4 2 1 0 0 0 0  a1  0.69315
 27 9 3 1 0 0 0 0   b  1.09860 
  1  
0 0 0 0 27 9 3 1  c1  1.09860 
     
0 0 0 0 216 36 6 1  d1  = 1.79180 
 27 6 1 0 27 6 1 0 a2   0 
     
9 1 0 0 9 1 0 0  b2   0 
6 1 0 0 0 0 0 0 c   0 
   2  
 0 0 0 0 18 1 0 0  d 2   0 
De donde obtenemos la siguiente solución:
a1 = – 0.02179, b1 = 0.13078, c1 = 0.16567, d1 =0.01303,

a2 = 0.0072659, b2 = – 0.1307, c2 = 0.95039, d2 = –0.7716
Finalmente, el spline queda definido en la siguiente expresión analítica
0.02179 x3  0.13078 x 2  0.16567 x  0.01303  x   2 ,3

s (x) = 
 0.0072659 x  0.1307 x  095039 x  0.7716  x  3,6 
3 2
Luego, el cálculo de los valores de interpolación con un polinomio spline cúbico de cada
entero desde 2 hasta 7 se presentan junto a los valores verdaderos de ln(x) y el error en cada
punto en la siguiente tabla:
x s(x) ln(x) 

2 0,69317 0,6931472 0,003292149
3 1,09873 1,0986123 0,010714547
4 1,4037776 1,3862944 1,261149102
5 1,6210875 1,6094379 0,723829573
6 1,7949744 1,7917595 0,179428703
7 1,9690337 1,9459101 1,18831545
4.10 PROBLEMAS
NOTA: Cuando sea necesario, redondear a cinco decimales.
1. Calcular el polinomio de interpolación de Newton para los siguientes datos:
x 2 –2 1 4
y 0.5 –3 2.4 7.8
---------------------------------------------------------------------------------------------------------------- 100
-----------------------------------------------------------------------------------------
x 0.3 0.6 0.9 1.2 1.5

y –3 0 –6 9 –12
2. Calcular el polinomio de Lagrange para los siguientes datos:
x 1 –2 3 –5
y 1.56 3.54 –2.57 –8.9
x –1.5 –0.5 1 –2 –4
y 9 –2 5 33 0
3. Dado que ln(2) = 0.69315, ln(3) = 1.0986 y ln(6) = 1.7918, interpola con un polinomio
de Lagrange el logaritmo natural de cada entero en el intervalo [1, 10]. Tabula lo
anterior junto con el error en cada punto.
4. Calcular las splines cúbicas para los siguientes datos:
x –2 1 3
y 40 –5 –20
x –5 –2 3 7
y 20 4 –6 40
---------------------------------------------------------------------------------------------------------------- 101
-----------------------------------------------------------------------------------------
UNIDAD DIDÁCTICA 5
INTEGRACIÓN NUMÉRICA
5.1 INTRODUCCIÓN
El objetivo de la presente unidad didáctica se orienta a la solución del problema del cálculo
de un área subtendida por la gráfica de una función (continua o discreta) en un intervalo,
definido por dos límites conocidos.
Específicamente se buscamos:
1. Comprender las bases conceptuales de la integración aproximada.
2. Comprender los procedimientos generales de la integración aproximada.
b
En general, la evaluación de una integral definida de la forma  f x dx , utilizando métodos
a
exactos, es con frecuencia difícil o imposible. Por tanto, se hacen necesarios otros métodos
de solución, tanto para esos casos como para el problema más general de la integración, en
el que solamente se conocen valores discretos de f(x) para puntos de abscisas conocidas x0,
x1, x2, …, xn. Una evidente alternativa, en este caso, consiste en encontrar una función
polinómica p(x) que interpole dichos puntos y, para el primer caso, sea una adecuada
aproximación de f(x) que, además, sea fácil de integrar analíticamente. Es decir, se asume:
b b
 f  x  dx   p  x dx
a a
Debemos recordar que los polinomios de interpolación p(x) desarrollados en la unidad

didáctica anterior, generan aproximaciones adecuadas y son fáciles de integrar. Esta
combinación de características es una razón más por la cual estudiamos estos polinomios
dentro del análisis numérico.
5.2 TEOREMA FUNDAMENTAL DEL CÁLCULO
Si f(x) es una función continua en el intervalo [a, b] y si F(x) es la antiderivada de f(x). El

teorema fundamental del cálculo integral se expresa en la siguiente expresión:
b
 f x dx = F(b) – F(a)  F ’(x) = f (x)
a
---------------------------------------------------------------------------------------------------------------- 102
-----------------------------------------------------------------------------------------
b c b
Cuya propiedad básica es:  f  x dx =  f ( x)dx +  f ( x)dx  c  [a, b]
a a c
En la práctica, el problema que el análisis numérico resuelve, es cuando se tiene que

evaluar la antiderivada de una función que es imposible de determinar con el teorema
fundamental del cálculo, aún para integrales aparentemente sencillas como la siguiente:
1 2
 e dx
x
En esta unidad didáctica estudiaremos algunos métodos numéricos que nos permitirán
obtener aproximaciones bastante exactas a integrales imposibles de resolver con el teorema
fundamental, especialmente se verán dos tipos de integración numérica: las fórmulas de
Newton-Cotes y el algoritmo de Romberg.
5.3 FORMULAS DE INTEGRACIÓN DE NEWTON-COTES
Las fórmulas de Newton-Cotes están conformadas por las conocidas reglas del trapecio y
de Simpson (regla de un tercio y de tres octavos). En general, estas fórmulas se basan en la
integración de una función polinómica pn(x) como una aproximación de la función original
f(x) en el intervalo [a, b], es decir:
b b
 f  x  dx   pn  x  dx
a a
Donde pn (x) = a0 + a1x + a2x2 +…+ anxn es un polinomio de grado que interpola
adecuadamente ciertos puntos de f(x) escogidos apropiadamente o que se presentan en una
tabla de datos, los que se pueden ajustar a dicho polinomio de interpolación.
Dentro de las fórmulas de Newton-Cotes, existen las formas cerradas y abiertas. En las
formas cerradas se conocen los valores de f(a) y f(b), en el caso opuesto, se llaman formas
abiertas.
En la presente unidad didáctica estudiaremos únicamente las formas cerradas, por lo que,
siempre se suponen conocidos los valores f (a) y f (b).
5.4 REGLA INTEGRACIÓN DEL TRAPECIO
En esta regla, el polinomio de interpolación es un polinomio lineal, es decir:
---------------------------------------------------------------------------------------------------------------- 103
-----------------------------------------------------------------------------------------
b b
 f  x  dx   p1  x  dx
a a
Donde p1 (x) es un polinomio línea que se ajusta a los datos:
x a b
y f (a) f (b)
Como ya vimos en la unidad didáctica anterior, este polinomio esta dado por la expresión:
f (b)  f (a )
p1(x) = f (a) + (x – a)
ba
Integrando entre los límites a y b, obtenemos:
b
f (b)  f (a ) ( x  a ) 2 
b
 p1( x )dx = f (a) x +

b  a 2
 =
a
a
f (b)  f (a )  (b  a ) 2 
= f (a) (b – a) +  =
ba  2 
 f (b)  f (a )  b  a
= (b – a)  f (a )   = 2 [f(b) + f(b)]
 2 
Figura 5.1
Finalmente, obtenemos la siguiente expresión:
---------------------------------------------------------------------------------------------------------------- 104
-----------------------------------------------------------------------------------------
b
ba
 f x dx 
2
[f(a) + f(b)]
a
Que define a la Regla del Trapecio. El nombre que recibe obedece a la interpretación
geométrica que se da a la fórmula; toda vez que, la integral obtenida, corresponde al valor
del área subtendida por la línea recta y el eje de las abscisas en el intervalo [a, b], que es
precisamente el área del trapecio que se forma, tal como lo muestra la figura 5.1.
1
x2
Ejemplo 1: Utilicemos la regla del trapecio para aproximar la integral: e dx
0
Solución. Determinamos los datos requeridos para aplicar la regla:
2
f (x) = e x , a = 0 , b=1
2 2
f (0) = e 0 = 1, f (1) = e1 = e
1 2 1 0 1 e
Aplicando la fórmula tenemos:  e x dx   f  0   f 1  = = 1.85914
2 2
0
4
ex
Ejemplo 2. Usemos la regla del trapecio para aproximar la integral: 2 x dx
Solución. Igual que en el ejemplo anterior, sustituimos los datos de manera directa en la
ex
fórmula del trapecio. En este caso, tenemos: f (x) = , a = 2, b=4
x
e2 e4
f (2) = , f (4) =
2 4
4 x
e 42  e2 e4 
Por lo tanto, se tiene: x dx   f         = 17.3441
2  f 4  =
2  2 4
2
4 x
e
 x
dx  17.3441
2
---------------------------------------------------------------------------------------------------------------- 105
-----------------------------------------------------------------------------------------
5.4.1. Mejoramiento de la aproximación de la Regla de Trapecio
La regla del trapecio puede mejorar su aproximación, si se subdivide el intervalo [a, b] en n

ba
subintervalos, todos de la misma longitud h = .
n
Sea P = {x0, x1, …, nn}el conjunto de los límites de los subintervalos que se forman con la
partición del intervalo [a, b], con x0 = a y xn = b.
De acuerdo con las propiedades de la integral definida, podemos escribir:
b x1 x2 b
 f x dx =  f  x  dx +  f x dx + … +  f  x  dx
a a x1 xn 1
Aplicando la regla del trapecio en cada una de las integrales, obtenemos:
b
x1  x0 x  xn 1
 f x dx 
2
[f(x0) +f(x1)] + … + n
2
[f(xn-1) + f(xn)]
a
Como todos los subintervalos tienen la misma longitud h, se tiene:
b
 f x dx
h
 [f (x0) + 2 f (x1) + 2 f (x2) +… + 2 f (xn-1) + f (xn)]
2
a
Usando la notación de la sumatoria, finalmente se tiene:
b n 1
ba
 f  x dx  [f (a) + 2  f  xi  + f (b)]
2n i 1
a
Esta es la regla del trapecio para n subintervalos. Es claro que entre más subintervalos se
utilicen, mejor será la aproximación a la integral.
1
x2
Ejemplo 1: Apliquemos la regla del trapecio para aproximar la integral e dx ,
0
subdividiendo [0, 1] en 5 subintervalos.
Solución. En este caso tenemos n = 5, y la partición generada es: P = {0, 0.2, 0.4, 0.6, 0.8,
1}, resultando:
---------------------------------------------------------------------------------------------------------------- 106
-----------------------------------------------------------------------------------------
2 2 2
f (0) = e 0 = 1, f (0.2) = e 0.2 , f (0.4) = e 0.4 ,
2 2
f (0.6) = e 0.6 , f (0.8) = e 0.8 , f (1) = e
Al aplicar la fórmula tenemos:
1 2 1 0
 e dx 
x
[ f (0) + 2 f (0.2) + 2 f (0.4) +2 f (0.6) + 2 f (0.8) + f (1)]
25
0
1
x2 1 2 2 2 2
e dx 
10
[1 + 2 e 0.2 + 2 e 0.4 + 2 e 0.6 + 2 e 0.8 + e] = 1.48065
0
Es menester mencionar que el valor verdadero de esta integral es de 1.4626…
Así podemos ver que con 5 subintervalos, la aproximación no es tan mala. Para hacer
cálculos con más subintervalos, sugerimos elaborar un programa que aplique la fórmula
con el número de subintervalos que se desee.
5.5 REGLA DE SIMPSON DE UN TERCIO
Supongamos que para una función continua y = f (x), tenemos los datos:
a xm b
f(a) f(xm) f(b)
Siendo xm es el punto medio del intervalo definido por los puntos a y b. Para este caso
tenemos:
b b
 f x dx   f 2 x dx
a a
Donde f2(x) es el polinomio de interpolación de Lagrange para los datos en la tabla anterior.
Si aplicamos la formula de este polinomio, obtenemos:
x  xm x  b  x  a x  b  x  a x  xm 

f2(x) = f (a) + f (xm) + f (b)
a  xm a  b  xm  a xm  b  b  a b  xm 
---------------------------------------------------------------------------------------------------------------- 107
-----------------------------------------------------------------------------------------
ba
Si denotamos con: h = = xm – a = b – xm, entonces, la anterior expresión se puede
2
escribir:
x  xm x  b  x  a x  b  x  a x  xm 

f2(x) = f (a) + f (xm) + f (b)
 h  2h  h  h  2h h 
Simplificando términos:
f a  f xm  f b 
f2(x) = (x – xm)(x – b) – (x – a)(x – b) + (x – a)(x – xm)
2 2
2h h 2h 2
En esta expresión observamos que cada uno de los términos tienen básicamente la misma
forma algebraica, es decir, todos tienen el factor general: (x – )(x – ); de modo que
podemos calcular una integral general que tenga la siguiente forma:
 x   x   dx
Para ello utilizamos el método de integración por partes, haciendo los siguientes cambios:
x   2
u = x –   du = dx y, dv = (x – )dx  v =  x   dx =
2
x   2 x   2 dx
Resultando:  x   x   dx = (x –  )
2
–  2
x   2 x   3
 x   x   dx = (x –  )
2
–
6
Utilizamos esta fórmula para calcular la integral de cada uno de los tres términos de f2(x),
obteniendo:
f a  f xm  f b 
b b b b
 f 2  x dx   x  xm x  b dx    x  a  x  b dx   x  a x  xm dx
a 2h 2 a h2 a 2h 2 a
b
b
 x  b 2 x  b 3 
Hacemos: I1 =  x  xm x  b dx = (x – xm ) –  =
a
2 6  a
---------------------------------------------------------------------------------------------------------------- 108
-----------------------------------------------------------------------------------------
I1 = – (a – xm)
a  b 2 +
a  b 3 =– ( – h)  2h 2 +
 2h 3 =
2 6 2 6
4 3 2 3
I1 = 2h3 – h = h
3 3
b
b
 x  b 2 x  b 3  a  b 3  2h 3
 x  a x  b dx = (x – a)
4
I2 = –  =  =  h3
a
2 6  a 6 6 3
b
b
x  xm 2 x  xm 3 
I3 =  x  a x  xm dx = (x – a) 2
–
6

 a
a
b  xm 2 b  xm 3 a  xm 3
I3 = (b – a) – +
2 6 6
I3 = (2h)
h 2 – h 3 +  h 3 = h3 –
h 3 2h 3
=
2 6 6 3 3
f a  f xm  f b 
b
Luego tenemos:  f 2 x dx = 2h 2
I1 –
h2
I2 +
2h 2
I3
a
f a  2 3 f xm  f b  2h 3
b
f 2  x dx =
4
 2h 2 3
[ h]–
h2
[  h3] +
3 2h 2
[
3
]
a
b
 f 2 x dx = f (a) 3
h 4h h
+ f (xm) + f (b)
3 3
a
b
 f 2 ( x )dx  3  f ( a )  4 f ( xm )  f ( b )
h
Y, finalmente tenemos: a
Debido al factor h/3 este método recibe el nombre de la regla de Simpson de un tercio. En
ba
la práctica, se sustituye el valor de h = para obtener la siguiente fórmula final:
2
---------------------------------------------------------------------------------------------------------------- 109
-----------------------------------------------------------------------------------------
b
ba
 f x dx 
6
[f (a) + 4f (xm) + f (b)]
a
Ejemplo 1. Usemos la regla de Simpson de 1/3 para aproximar la siguiente integral:
1 2
 e dx
x
Solución. Se aplica directamente la fórmula con los siguientes datos:
2
a = 0, b = 1, xm = 0.5, y f(x) = e x
Utilizamos la fórmula obtenida anteriormente, obtenemos:
1
x2 1 0 2 2 2
e dx 
6
[ e0 + 4 e 0.5 + e1 ] = 1.47157
0
Ejemplo 2. Usemos la regla de Simpson de 1/3, para aproximar la siguiente integral:

4 x
e
 x
dx
2
Solución. Al igual que en el ejercicio anterior, sustituimos los datos adecuadamente:
4 x 2
42 e3 e4
e
 x dx  6 [e +4 + ] = 1.47082
2 3 4
2
Del mismo modo que con la regla del trapecio, se puede mejorar la regla de Simpson de
ba
1/3, si se parte el intervalo [a, b] en n subintervalos de la misma longitud h =
n
Sea P = {x0, x1, …, xn} el conjunto de los límites de los subintervalos de la partición que se
aplica al intervalo [a, b] y, x mi el punto medio en cada subintervalo [xi-1, xi]. Ahora,
aplicamos la propiedad básica de la integral definida obtenemos:
b x1 x2 xn
 f x dx =  f x dx +  f x dx + … +  f x dx

a x0 x1 x n 1
---------------------------------------------------------------------------------------------------------------- 110
-----------------------------------------------------------------------------------------
Luego aplicamos la regla de Simpson de 1/3, en cada una de las integrales anteriores,
obteniendo:
b
x1  x0
 f x dx  6
[f (x0) + 4f ( xm1 ) + f (x1)] + … +
a
x n  x n 1
+ [f (xn-1) + 4f ( xmn ) + f (xn)]
6
ba
Sustituimos x0 = a, xn = b y h = y usando la notación de sumatoria, podemos escribir:
n
b n 1
ba 
 
n
 f  x dx   f  a   4  f xmi  2  f  xi   f  b  
6n  i 1 i 1 
a
Ejemplo 1. Apliquemos la regla de Simpson de 1/3 y subdividamos en 5 intervalos, para

1 2
aproximar la siguiente integral:  e x dx
0
Solución. Como n = 5, la partición que se genera es: P = {0, 0.2, 0.4, 0.6, 0.8, 1}
Y los puntos medios de cada subintervalo son: Pm = {0.1, 0.3, 0.5, 0.7, 0.9}
Ahora, sustituimos los datos en la anterior fórmula y obtenemos:
1
x2
e dx 
0
1 0
  f  0   4  f  0.1  f  0.3  ...  f  0.9    2  f  0.1  f  0.4   ...  f  0.8    f 1 
65 
1  4 e  2  e  2  ...  e  2   2 e  2  e  2  ...  e  2   e

0.1 0.3 0.9 0.1 0.4 0.8
1
x2    
e dx 
30
0
1
x2
e dx  1.4626
0
---------------------------------------------------------------------------------------------------------------- 111
-----------------------------------------------------------------------------------------
Notamos que esta aproximación ya es más exacta hasta en el cuarto decimal.
Ejemplo 2. Utilizando la regla de Simpson de 1/3 y subdividiendo en 4 subintervalos,

4 x
e
aproximemos la siguiente integral:  x
dx
2
Solución. Como n = 4, y la partición que se genera es: P = {2, 2.5, 3, 3.5, 4}
Y, los puntos medios de cada subintervalo son: Pm = {2.25, 2.75, 3.25, 3.75}
Sustituimos todos estos datos en la fórmula y obtenemos la siguiente aproximación:
dx y
4 x
e
 x
2
y
1 e2  e 2.25 e 2.75 e 3.25 e 3.75   e 2 .5 e 3 e 3 .5  e 4 
  4      2      = 14.6767
12  2  2.25 2.75 3.25 3.75   2.5 3 3.5  4 

5.6 REGLA DE SIMPSON DE TRES OCTAVOS
b b
Corresponde a este caso n = 3, es decir:  f x dx   f 3 x dx ;donde f3(x) es un polinomio
a a
de interpolación de tercer grado para los siguientes datos:
a p q b
f(a) f(p) f(q) f(b)
Donde p y q son los puntos que dividen en tres partes iguales al intervalo [a, b].
De igual modo que en el caso anterior, usamos el polinomio de interpolación de Lagrange,

y el método de integración por partes llegando a la siguiente fórmula:
b
 f x dx  8 h[f(a) + 3 f(p) + 3 f(q) + f(b)]
3
a
Siendo h = (b – a)/3. Debido al factor (3/8)h que aparece en ésta formula, es que se le dio el
nombre de Regla de Simpson de 3/8. En la práctica, se sustituye el valor de h para obtener:
---------------------------------------------------------------------------------------------------------------- 112
-----------------------------------------------------------------------------------------
b
ba
 f x dx  8
[f(a) + 3 f(p) + 3 f(q) + f(b)]
a
Ejemplo 1. Utilicemos la regla de Simpson de 3/8 para aproximar la siguiente integral:

4
e
x
ln xdx
1
Solución. En este caso, tenemos los siguientes datos:
a = 1, p = 2, q =3, b=4 y, f(x) = ex ln x
Los que sustituimos en la fórmula de Simpson 3/8 y obtenemos:
4
4 1
e
x
ln xdx  [f(1) + 3 f(2) + 3 f(3) + f(4)]
8
1
4
3
e
x
ln xdx  [e ln(1) + 3 e2ln(2) + 3 e3ln(3) + e4ln(4)] = 58.9698
8
1
Mejoramiento de la aproximación de la regla de Simpson de 3/8. Del mismo modo que en

los dos casos anteriores, podemos mejor la aproximación del valor encontrado por este
método, si se subdividimos el intervalo [a, b] en n subintervalos de la misma longitud,
ba l
haciendo: l= ,h=
n 3
Consideremos que x0, x1, …, xn son los límites de los subintervalos de la partición
determinada y, dividimos cada uno de estos subintervalos [xi-1, xi], en tres partes iguales,
siendo pi y qi los puntos que determinan esta división y aplicamos la regla de Simpson 3/8
en cada uno de los subintervalos, obtenemos:
b x1 x2 xn
 f x dx =  f x dx +  f x dx + … +  f x dx 

a x0 x1 x n 1
3h 3h
  f ( x0 )  3 f ( p1 )  3 f ( q1 )  f ( x1 ) +  f ( x1 )  3 f ( p2 )  3 f ( q2 )  f ( x2 ) + …
8 8
3h
…+  f ( xn1 )  3 f ( pn )  3 f ( qn )  f ( xn )
8
---------------------------------------------------------------------------------------------------------------- 113
-----------------------------------------------------------------------------------------
3h   n  n 1 
b
 f ( x)dx   f ( x0 )  3    f ( pi )  f ( qi )   2 f ( xi )  f ( xn )
a
8   i 1  i 1 
Sustituyendo, en la anterior expresión: x0 = a, xn = b y h = l/3 = (b – a)/3n, resulta:
ba  n  n 1 
b
 f ( x)dx       i 
f a  3  f p  f  i    f  xi   f  b 
q   2
a
8n   i 1  i 1 
Esta última, es la regla de Simpson de 3/8 para n subintervalos todos de la misma longitud.
Ejemplo 2. Aplicando la regla de Simpson de 3/8 y dividiendo en 3 los subintervalos,

4
aproximemos la siguiente integral:  e x ln xdx
1
Solución. Como tenemos n = 3, la partición correspondiente resulta: P = {1, 2, 3, 4}. Al

considerar los puntos que dividen en tres partes iguales a cada subintervalo, obtenemos los
siguientes datos:
4 5 7 8 10 11
1< < <2< < <3< < <4
3 3 3 3 3 3
Sustituyendo todos los datos en la anterior fórmula, obtenemos:
4
4 1
e
x
ln xdx  {f(1)+3[f( 4 )+f( 5 )+f( 7 )+f( 8 )+f( 10 )+f( 11 )]+2[f(2)+ f(3)]+ f(4)}
83 3 3 3 3 3 3
1
4
e
x
ln xdx = 57.96878
1
De los resultados obtenidos en los ejemplos anteriores, resulta evidente que la regla de
Simpson de 3/8, es más exacta que la de 1/3 y, a su vez, ésta es más exacta que la regla del
trapecio.
En realidad, pueden establecerse cotas para los errores que se cometen en cada uno de estos
métodos.
Como no es la intención justificar formalmente cada uno de los teoremas, los siguientes
resultados se mencionan para completar la información, omitiendo las demostraciones
correspondientes.
---------------------------------------------------------------------------------------------------------------- 114
-----------------------------------------------------------------------------------------
REGLA FORMULA ERROR DONDE:

 f (a )  f (b)  3
h “
Trapecio (b – a)    f ( ) h = b – a,   [a, b]
 2  12
ba h 5 (4) ba
Simpson 1/3 [f (a) + 4f (xm) + f (b)]  f ( ) h= ,   [a, b]
6 90 2
ba 3h 5 (4) ba
Simpson 3/8 [f(a) + 3 f(p) + 3 f(q) + f(b)]  f ( ) h= ,   [a, b]
8 80 3
5.7 INTEGRACIÓN EN INTERVALOS DESIGUALES
Cuando la longitud de los subintervalos no es igual, se usa una combinación de la regla

trapezoidal y las reglas de Simpson, procurando seguir el siguiente orden jerárquico:
1.- Simpson 3/8 se aplica si se cuenta con 4 puntos igualmente espaciados.
2.- Simpson 1/3 se aplica si falla la de 3/8 y se cuenta con 3 puntos igualmente
espaciados.
3.- Regla Trapezoidal, solo se aplica si no se cumplen dos anteriores.
1 .2
Ejemplo 1. Evaluemos  f x dx utilizando los datos de la siguiente tabla:
0
x 0 0.1 0.3 0.5 0.7 0.95 1.2

f (x) 0 6.84 4 4.2 5.51 5.77 1
Solución. Vemos que en el intervalo [0, 0.1] podemos aplicar la regla del trapecio, en el
intervalo [0.1, 0.7] la regla de Simpson de 3/8 y en el intervalo [0.7, 1.2] la regla de
Simpson de 1/3. De este modo tenemos las siguientes integrales:
 f 0   f 0.1 
0 .1
I1 =  f x dx = (0.1 – 0)  2  = 0.842

0
0 .7
0 .7  0 .1
I2 =  f x dx = 8
[f(0.1) + 3 f(0.3) + 3 f(0.5) + f(0.7)] = 2.7712
0 .1
1 .2
1 .2  0 .7
I3 =  f x dx = 6
[f (0.7) + 4f (0.95) + f (1.2)] = 2.4658
0 .7
---------------------------------------------------------------------------------------------------------------- 115
-----------------------------------------------------------------------------------------
Finalmente, la integral buscada es la suma de las tres integrales anteriores:
1 .2
 f x dx = I1 + I2 + I3 = 0.842 + 2.7712 + 2.4658 = 6.079
0
3.25
Ejemplo 2. Calculemos la integral  f x dx usando los valores dados en la siguiente tabla:
1
x –1 –0.5 0 1 1.75 2.5 3.25
f (x) 2 –3 1.5 –1 0.5 0.75 –2
Solución. En este caso, vemos que es posible aplicar la regla de Simpson de 1/3 en el
intervalo [–1, 0], la regla del trapecio en el intervalo [0, 1] y la regla de Simpson de 3/8 en
el intervalo [1, 3.25].
De este modo, tenemos las siguientes integrales:
0   1
0
I1 =  f x dx =
6
[f (–1) + 4f (–0.5) + f (0)] = – 1.41667
1
 f 0   f 1 
1
I2 =  f x dx = (1 – 0)  2  = 0.25

0
3.25
3.25  1
I3 =  f x dx = 8
[f(1) + 3 f(1.75) + 3 f(2.5) + f(3.25)] = 0.210938
1
Por lo tanto, la integral que buscamos es igual a la suma de las tres integrales anteriores, es
decir:
3.25
 f x dx = I1 + I2 + I3 = – 1.41667 + 0.25 + 0.210938 = – 0.955729
1
Es menester destacar que no siempre tiene que suceder que se apliquen exactamente las tres
reglas. En realidad, esto depende de cómo se encuentran espaciados los intervalos de la
tabla de datos.
5.8 MÉTODO DE INTEGRACIÓN DE ROMBERG
El Método de Integración de Romberg forma parte del método conocido como método de
extrapolación de Richardson. Si I(h) es la aproximación del valor de la integral I
---------------------------------------------------------------------------------------------------------------- 116
-----------------------------------------------------------------------------------------
b
ba
=  f ( x )dx , mediante una partición de n subintervalos de longitud h = n
utilizando la
a
regla del trapecio. Entonces, se tendrá que:
I = I(h) + E(h)
Donde E(h) es el error de truncamiento que se comete al aplicar la regla. El método de

extrapolación de Richardson combina dos aproximaciones de integración numérica, para
obtener un tercer valor más exacto. El algoritmo más eficiente, dentro del método de
extrapolación de Richardson, se llama Integración de Romberg, la misma que es una
fórmula recursiva. Supongamos que tenemos dos aproximaciones de I: I(h1) e I(h2):
I  I h1   E h1  
  I(h1) + E(h1) = I(h2) + E(h2)
I  I h2   E h2 
Se puede demostrar que el error que se comete con la regla del trapecio para n subintervalos
está dado por las siguientes fórmulas:
E(h1)  
b  a  h 2 f"
1
12
E(h2)  
b  a  h 2 f"
2
12
Donde f " es un promedio de las segundas derivadas entre ciertos valores que pertenecen a
cada uno de los subintervalos. Ahora bien, si se supone que el valor de f " es constante,
entonces:

b  a  h 2 f "
E h1  12 1 h2
  1
E h2 

b  a  h 2 f " h22
2
12
2
h 
Resultando que: E(h1)   1  E(h2)
 h2 
Sustituyendo esto último en la primera igualdad, tenemos:
---------------------------------------------------------------------------------------------------------------- 117
-----------------------------------------------------------------------------------------
2
h 
I(h1) +  1  E(h2)  I(h2) + E(h2)
 h2 
2 2
h   h1 
O también: I(h1) – I(h2)  E(h2) – E(h2)  1  = E(h2)[1 –   ]
 h2   h2 
I h1   I h2 
Despejamos E(h2): E(h2) 
2
h 
1   1 
 h2 
Substituímos este valor de E(h2) en: I = I(h2) + E(h2), obtenemos:
I ( h1 )  I ( h2 )
I = I(h2) +
2
h 
1   1 
 h2 
Que es la fórmula de Romberg. Para aplicar la formula deducida a este método, es

conveniente pensar que se trabaja en niveles de aproximación.
Para un primer nivel de aproximación, se aplica la regla del trapecio tomando:
h1 = (b – a), para el primer de integración,
h2 = h1/2, para el segundo de integración,
h3 = h1/4, para el tercer de integración,
h4 = h1/8, para el cuarto de integración,
Para el segundo nivel de aproximación, donde se usa la fórmula de Romberg, tomando

los valores de las parejas consecutivas del primer nivel de aproximación cuando se hace h2
h
= 1 , obteniéndose:
2
I ( h1 )  I ( h2 )
I  I(h2) +
1  22
4 I h2   I h1 
I
3
---------------------------------------------------------------------------------------------------------------- 118
-----------------------------------------------------------------------------------------
En el tercer nivel de aproximación, para aplicar la formula de Romberg, se debe duplicar

h
el número de subintervalos, es decir, se hace h2 = 1 , obteniéndose:
4
16 I h2   I h1 
I=
15
Donde I2 es la integral más exacta e I1 es la integral menos exacta.
h
En al cuarto nivel de aproximación se hace h2 = 1 , obteniéndose:
8
64 I h2   I h1 
I=
63
Y, así sucesivamente hasta el último nivel de aproximación, que se alcanza cuando solo se
cuenta con una pareja del nivel anterior. Desde luego, el número de niveles de
aproximación que se alcanzan, depende de las integraciones que se hicieron en el primer
nivel de aproximación. Es decir, si en el primer nivel de aproximación, se tienen n
integraciones, entonces se llegará hasta el nivel de aproximación n. La lógica del
procedimiento, hasta un quinto nivel de aproximación, se resume en el siguiente cuadro:
     
---------------------------------------------------------------------------------------------------------------- 119
-----------------------------------------------------------------------------------------
Ejemplo 1. Utilizando el Método de integración de Romberg, determinemos la

1 2
aproximación a la integral  e x dx , usando los subintervalos de longitudes:
0
1 1
h1 = 1, h2 = y h3 = .
2 4
Solución.
Primer nivel de integración, En este ejemplo debemos trabajar hasta un tercer nivel de
aproximación usando la regla del trapecio para las longitudes de segmentos indicadas:
Con ello, obtenemos las siguientes integraciones que definen los tres niveles:
Nivel de
Primer Nivel de Aproximación I(hi)
Integración
1  0  02 12 
Primer e  e  = 1.859140914
2 
1  0  02
e  2e 0.5  e1  = 1.571583165
2 2
Segundo 
4  
1 0  0 2  0.25  e 0.5  e 0.75 2   e12  = 1.490678862
2 2
Tercer e  2 e  
8   
Segundo nivel de aproximación, En este paso debemos trabajar hasta un segundo nivel de
aproximación usando utilizamos la formula de Romberg para determinar los valores de I:
4 I (h2 )  I (h1 )
I= .
3
---------------------------------------------------------------------------------------------------------------- 120
-----------------------------------------------------------------------------------------
Donde I(h1) es la integral menos exacta obtenida en el anterior nivel de aproximación (la
que usa menos subintervalos) e I(h2) es la más exacta (que usa el doble de subintervalos).
Procedemos a generar el diagrama lógico siguiente:
En el que, en el primer nivel de aproximación (primera columna) se tienen tres niveles de

integración y, en el segundo nivel de aproximación (segunda columna), se tienen dos
niveles de integración.
Tercer nivel de aproximación, en el que obtenemos un solo nivel de integración,

utilizando la siguiente fórmula Romberg:
16 I (h2 )  I (h1 )
I=
15
1
Obtenemos: I= [16 x 1.463710761 – 1.475730582] = 1.46290944
15
Así, podemos concluir que el valor de la aproximación obtenido con el método de Romberg
en este ejemplo es:
1 2
 e dx  1.46290944
x
1 2
Ejemplo 2. Usemos el algoritmo de Romberg para aproximar la integral:  e x dx agregando
0
1
a la tabla anterior otro nivel de precisión para h4  .
8
Solución. Con la regla del trapecio, en el primer nivel de aproximación, se calcula el valor
del cuarto nivel de precisión I(h4), obteniéndose:
I(h4) =
1  0 02
16
 
e  2 e 0.125 e 0.25  e 0.375  e 0.5  e 0.625  e 0.75  e 0.875  e1
2 2 2 2 2 2 2 2
 
---------------------------------------------------------------------------------------------------------------- 121
-----------------------------------------------------------------------------------------
I(h4) = 1.46972276
Si agregamos, a la anterior tabla, este nuevo valor obtenemos, para el segundo nivel de
aproximación, un tercer nivel de integración y, para el tercer nivel de aproximación, se
logra un segundo nivel de integración, obteniéndose finalmente un cuarto nivel de
aproximación con un solo nivel de integración que se detalla en tabla la siguiente:
De donde se concluye que la aproximación buscada es:
1
x2
e dx  1.462653593
0
Ejemplo 3. Usemos el método de Romberg para aproximar la siguiente integral:

2
e
x
ln xdx con las siguientes longitudes de subintervalos:
1
1 1 1
h1 = 1, h2 = , h3 = , h4 =
2 4 8
Solución. Primero, calculamos los valores que corresponden a los cuatro niveles de
integración del primer nivel de aproximación. Obteniendo:
Primer nivel de integración: I(h1) =

2 1 1
2
 
e ln 1  e 2 ln 2 = 2.560851701.
Segundo nivel de integración: I(h2) =

2 1 1
4
 
e ln 1  2e1.5 ln 1.5  e 2 ln 2 = 2.189010122
Tercer nivel de integración:
I(h3) =
2 1 1
8
  
e ln 1  2 e1.25 ln 1.25  e1.5 ln 1.5  e1.75 ln 1.75  e 2 ln 2 = 2.09430857 
Cuarto nivel de integración:
---------------------------------------------------------------------------------------------------------------- 122
-----------------------------------------------------------------------------------------
I(h4) =
2 1 1
16
 
e ln 1  2 e 0.125 ln 0.125  e 0.25 ln 0.25  ...  e 0.875 ln 0.875  e 2 ln 2 =  
2.070524501
Obtenemos la siguiente tabla:
De donde concluimos que la aproximación buscada es:
2
e
x
ln xdx = 2.06256821
1
5.9 ALGORITMO DE INTEGRACIÓN DE ROMBERG
Podemos escribir una fórmula general para calcular las aproximaciones en cada uno de los
niveles de integración, tal como lo explicamos en el algoritmo de Romberg: Observamos
que los coeficientes en cada una de las fórmulas de este método suman 1; con esta lógica
podemos escribir la siguiente fórmula recursiva:
4 k 1 I h j 1 k 1  I h j k 1
Ijk 
4 k 1  1
Donde: I(hj+1)k–1 es el valor de la integral más exacta, que corresponde al nivel de

integración “k–1” y al nivel de precisión “j+1”. I(hj)k–1 es el valor de la integral
menos exacta, que se halla en el mismo nivel de integración “k–1”
correspondiente al nivel de precisión j.
Por ejemplo, para el nivel de integración k = 2 y nivel de precisión j = 1, se tiene:
4 I 2 ,1  I1,1
I1,2 
3
Que es la fórmula que se aplica para el segundo nivel de integración y primer nivel de
precisión
Como todo proceso iterativo, éste se detiene cuando se obtiene una aproximación
suficientemente buena. En este caso se pide que:
---------------------------------------------------------------------------------------------------------------- 123
-----------------------------------------------------------------------------------------
I j ,k  I j ,k 1
 a  100 %  s
I j ,k
Donde  s es la cota suficiente.
3 x
e
Ejemplo 1. Apliquemos el algoritmo de integración de Romberg a la integral:  x
dx para
1
s = 0.01 %
Solución. En este caso no sabemos exactamente cuantos niveles de precisión se deben

realizar con la regla del trapecio. Por esta razón, para comenzar hacemos los cálculos
correspondientes a cuatro niveles de precisión en el primer nivel de integración, tomando:
h1 = 3–1 = 2, h2 = h1/2, h3 = h1/4 y h4 = h1/8. Los resultados obtenidos para los niveles de
precisión son:
3 1  e1 e 3 
Primer nivel: I(h1) =    = 9.413460803
2  1 3 
3 1  e1  e 2  e3 
Segundo nivel: I(h2) =   2    = 8.401258451
4  1  2  3
  
3 1  e1  e1.5 e 2 e 2.5  e 3 
Tercer nivel: I(h3) =   2      = 8.131024374
8  1  1 .5 2 2 . 5  3
  
3 1  e1  e1.25 e1.5 e1.75 e 2 e 2.25 e 2.5 e 2.75  e 3 

Cuarto nivel:I(h4) =   2        
16  1  1 . 25 1 . 5 1 . 75 2 2 . 25 2 . 5 2 . 75  3
  
I(h4) = 8.06191719
Con estos valores, realizamos los cálculos hasta el cuarto nivel de integración, cuyos
resultados se son los siguientes:
---------------------------------------------------------------------------------------------------------------- 124
-----------------------------------------------------------------------------------------
8.038733067  8.038743803
Calculamos el error:  a  100 % = 0.008 %
8.038733067
Con lo que vemos que, efectivamente la aproximación que se logra hasta el cuarto nivel de
integraciones es suficiente, por lo tanto, concluimos que la aproximación buscada es:
3 x
e
 x
dx  8.038733067
1
5.10 PROBLEMAS
6
cos x
1. Usa la regla del trapecio para aproximar la integral:  x  1 dx
0
i) Dividiendo en un solo intervalo.
ii) Dividiendo en 6 intervalos.
4
2. Usa la regla de Simpson 1/3 para aproximar:  xe x dx
0
4
 ln x 
3
3. Usa la regla de Simpson 3/8 para aproximar: dx
2
4. Integra las siguientes tablas de datos:
x –4 –1 0 1 1.5 2 2.5
f (x) –8 –3 1 2.5 –5 –1 6
x –3 –2 –1 0 0.5 1 1.5 3 4.5

f (x) 4.1 2.5 0.3 –0.4 –1 –3.6 0 2.3 5.9
6
5. Usa el algoritmo de integración de Romberg para aproximar:  ln x.ln x  1dx
1
i) Usando 1, 2 y 4 intervalos.
ii) Agregando al inciso anterior, 8 intervalos.
---------------------------------------------------------------------------------------------------------------- 125
-----------------------------------------------------------------------------------------
UNIDAD DIDÁCTICA 6
ECUACIONES DIFERENCIALES ORDINARIAS
6.1 INTRODUCCIÓN
Cuando estudiamos cálculo diferencial e integral y ecuaciones diferenciales, resolvemos

modelos matemáticos que se utilizan en muchos problemas de la ingeniería y otras
disciplinas científicas. Las ecuaciones pueden ser de diferentes órdenes, según el número de
derivadas iguales que se repiten en la ecuación. Existen fórmulas y métodos para resolver
en forma de funciones conocidas. En esta unidad didáctica haremos un breve estudio de los
métodos numéricos básicos que se usan para aproximar soluciones de algunas ecuaciones
diferenciales ordinarias.
Recordemos que una ecuación diferencial ordinaria es aquella expresión o igualdad que
involucra una variable independiente, una variable dependiente y derivadas de esta última.
En una ecuación diferencial, la incógnita es la variable dependiente y se espera
determinarla como función de la variable independiente, de tal forma que si se sustituye
dicha variable dependiente, así como las derivadas que aparecen en la ecuación diferencial,
la igualdad que resulta es verdadera, es decir, es una identidad.
En general, sabemos que, existen una infinidad de funciones (curvas) que resuelven una
misma ecuación diferencial, así por ejemplo, la ecuación:
y´ = y
dy dy
De donde:  y  dx  ln y  x  ln c
dx y
Luego, se tiene como solución general: y = c ex
Donde c es una constante arbitraria, denominada constante de integración, que puede ser
cualquier número real (y de aquí la infinidad de curvas soluciones que se mencionó
anteriormente).
En la presente unidad didáctica, estudiaremos solamente ecuaciones diferenciales de primer

orden del tipo: y´ = f(x, y); donde f(x, y) es una función de dos variables.
Si deseamos que la curva solución pase por algún punto específico, por ejemplo y(x0) = y0,
entonces se dice que se trata de una ecuación diferencial con una condición inicial dada.
De este modo estudiaremos ecuaciones diferenciales de la forma y´ = f(x, y) con una

condición inicial y(x0) = y0. Se trata entonces de una ecuación diferencial de primer orden y
de primer grado, cuya forma general es:
dy
 f  x, y 
dx
---------------------------------------------------------------------------------------------------------------- 126
-----------------------------------------------------------------------------------------
En la teoría de las ecuaciones diferenciales ordinarias, se establece que la solución general

debe contener una constante arbitraria c, cuya forma general es:
F(x, y, c) = 0
Ecuación que representa una familia de curvas como la que se muestra en la figura 6.1,
obtenidas cada una de ellas para un valor particular de la constante c.
Figura 6.1.
Cada una de estas curvas corresponde a una solución particular y analíticamente, el valor de
la constante c se obtiene haciendo que la curva solución pase por algún punto; esto es:
y(x0) = y0,
En la práctica la gran mayoría de las ecuaciones diferenciales no pueden resolverse por
métodos analíticos, por lo que debemos usar el análisis numérico, con el propósito de
determinar valores para y correspondientes a los valores dados de x.
y(x0) = y0
y(x1) = ?
La importancia de los métodos numéricos, para resolver este tipo de ecuaciones, radica en
la existencia de ecuaciones diferenciales que no pueden resolverse por métodos
tradicionales, y de ahí la necesidad de implementar algún método de aproximación.
Estudiaremos los siguientes métodos numéricos:
 El método de Euler.
 Método de Taylor
 El método de Euler mejorado.
 El método de Runge-Kutta de orden 4.
---------------------------------------------------------------------------------------------------------------- 127
-----------------------------------------------------------------------------------------
En todos estos métodos se busca aproximar el valor y(x1) donde x1 es un valor cercano a x0
(el de la condición inicial dada).
6.2 MÉTODO DE EULER
Este método es el menos exacto, pero si el más sencillo así como el que marca la pauta para
desarrollar los otros métodos. El método de Euler está basado en el significado geométrico
de la derivada de una función en un punto dado. Supongamos que tenemos la curva
solución de la ecuación diferencial (ver figura 6.2) y, en el punto de abscisa dada por la
condición inicial, trazamos la recta tangente a la curva.
Figura 6.2.
Debido a que, para valores de x  N (x0), la recta tangente en x0 se aproxima a la curva

solución, podemos asumir el valor de la ordenada, en el punto x1, de la recta tangente como
una aproximación al valor buscado y(x1) de la curva solución (véase la figura 6.3).
Figura 6.3
---------------------------------------------------------------------------------------------------------------- 128
-----------------------------------------------------------------------------------------
La ecuación de la recta tangente a la curva solución de la ecuación diferencial dada, en el

punto de coordenadas (x0, y0) tiene la forma:
y(x) = m(x – x0) + y0 (1)
Donde m es el coeficiente angular o pendiente de dicha recta tangente. Como sabemos, la

pendiente de la recta tangente a una curva, en punto dado x0, se calcula con la derivada de
la curva en dicho punto, es decir:
m = y´(x0) = f (x0, y0)
Por lo tanto, la ecuación (1) de la recta tangente resulta:
y(x) = f (x0, y0) (x – x0) + y0 (2)
Luego, para x = x1: y(x1) = f (x0, y0) (x1 – x0) + y0 (3)
Como suponemos que x1 es un punto cercano a x0, entonces, puede estar dado como:
x1 = x0 + h
De esta forma la ecuación (3) se escribirá:
y(x1)  y(x0 + h) = f (x0, y0) . (x0 + h – x0) + y0
De donde, se tiene la fórmula de aproximación:
y(x1)  y0 + h . f (x0, y0)
Esta aproximación puede ser suficientemente buena, si el valor de h es realmente pequeño.

Pero si el valor de h es relativamente grande, entonces podemos cometer mucho error al
aplicar esta fórmula.
Una forma de reducir el error y obtener de hecho un método iterativo, es dividir la distancia
h = │x1 – x0│ en n partes iguales, procurando que estas partes sean de longitud
suficientemente pequeña, y obtener entonces la aproximación en n pasos, aplicando la
x1  x0
fórmula anterior n veces de un paso a otro, con la nueva h = .
n
Sabemos que: y1 = y0 + h. f (x0, y0) y, para obtener y2 únicamente hay que pensar que ahora
el papel de (x0, y0) lo asume el par (x1, y1), y por lo tanto, si se sustituyen adecuadamente
los datos, se obtiene:
y2 = y1 + h. f (x1, y1)
---------------------------------------------------------------------------------------------------------------- 129
-----------------------------------------------------------------------------------------
Del mismo modo: y3 = y2 + h. f (x2, y2)
Y así sucesivamente, hasta: yn+1 = yn + h. f (xn, yn)
Esta es la conocida fórmula de Euler que se usa para aproximar el valor de y(x1),
x1  x0
aplicándola sucesivamente desde x0 hasta x1 en n pasos de longitud h = .
n
En esencia, se trata de aproximar la curva solución por medio de una serie de segmentos
rectilíneos que una los puntos A, B, C y D, como muestra la figura 6.4.
Figura 6.4.
Ejemplo 1.- Aproximemos y (0.5) para la siguiente ecuación diferencial y’ = 2xy, para la
condición inicial y(0) = 1
Observamos que, evidentemente, esta ecuación puede resolverse por métodos tradicionales
de ecuaciones diferenciales; por lo que, veremos las dos soluciones.
dy dy
Solución Analítica. Tenemos: = 2xy  = 2xdx
dx y
dy
Integrando:  y
=  2 xdx  ln│y│ = x2 + c
Sustituyendo la condición inicial x = 0 & y = 1, resulta: ln│1│ = 02 + c  c = 0
---------------------------------------------------------------------------------------------------------------- 130
-----------------------------------------------------------------------------------------
Por lo tanto, se tiene que la curva solución real está dada por:
ln│y│ = x2
2
Resultando: y = ex
2
Y por lo tanto, el valor real que se pide es: y (0.5) = e 0.5 = 1.28403
Solución Numérica: Aplicaremos el método de Euler.

Observamos que la distancia entre x0 = 0 y x1 = 0.5 no es lo suficientemente pequeña. Por
ello dividiremos esta distancia entre cinco para obtener un valor de h = 0.1 y por lo tanto, se
tendrá la aproximación deseada con cinco pasos. De esta forma, tenemos los siguientes
datos:
x0 = 0, y0 = 1, h = 0.1, f (x, y) = 2xy
Sustituyendo estos datos en la formula de Euler, tenemos en el primer paso:
x1 = x0 + h = 0.1
y1 = y0 + h (2 x0 y0) = 1 + 0.1 x [2 x 0 x 1] = 1
Aplicando nuevamente la formula de Euler, tenemos en el segundo paso:
x2 = x1 + h = 0.2
y2 = y1 + h (2 x1 y1) = 1 + 0.1 x [2 x 0.1 x 1] = 1.02
Y así sucesivamente hasta obtener y5. Los resultados obtenidos los resumimos en la
siguiente tabla:
n H xi f(xi, yi) yi
0 0,1 0 0 1
1 0,1 0,1 0,2 1
2 0,1 0,2 0,408 1,02
3 0,1 0,3 0,63648 1,0608
4 0,1 0,4 0,8995584 1,1245
5 0,1 0,5 1,21440384 1,2144
Concluimos con el valor aproximado de Euler, cuyo resultado es:
y(0.5)  1.2144
Como en este caso, conocemos el valor verdadero, el que podemos usar para calcular el
error relativo porcentual que se cometió al aplicar la formula de Euler. Teniéndose:
1.28402  1.2144
 v = 100 % = 5.42 %
1.28402
Ejemplo 2. Apliquemos el método de Euler para aproximar y (1.3), para la ecuación

diferencial dada:
---------------------------------------------------------------------------------------------------------------- 131
-----------------------------------------------------------------------------------------
y´ = x2 + 1.5 y2, con la condición inicial: y (1) = 2
Solución Nuevamente observamos que es conveniente dividir en pasos la aproximación.

De modo que elegimos h = 0.1 para obtener el resultado final en tres pasos. Por lo tanto,
aplicamos el método de Euler con los siguientes datos:
x0 = 1, y0 = 2, h = 0.1, f (x, y) = x2 + 1.5 y2
Resultando entonces: x1 = x0 + h = 1.1, x2 = x1 + h = 1.2 y x3 = x2 + h = 1.3
y1 = y0 + h. f (x0, y0) = 2 + 0.1[12 + 1.5 x 22] = 2.7
y2 = y1 + h. f (x1, y1) = 2.7 + 0.1[1.22 + 1.5 x 2.72] = 3,9145
y3 = y2 + h. f (x2, y2) = 3.9375 + 0.1[1.32 + 1.5 x 3.93752] = 6,356997
De lo cual, concluimos que la aproximación buscada es:
y (1.3)  6,35997
6.3 MÉTODO DE TAYLOR
Para una función F, continua y derivable en todos los puntos de su dominio DF; y
si x0, x1  DF; los tres primeros términos de la fórmula de Taylor se pueden escribir:
 x1  x0 
2
F  x1   F  x0    x1  x0  F '  x0   F "  x0     y  x1 
2!
Como: F(x1) = y(x1), x1 – x0 = h, F(x0) = y(x0),
F’(x0) = f (x0, y0), F”(x0) = f ’ (x0, y0)
Entonces, la anterior serie de Taylor, podemos escribirla como sigue:

h2
y  x1   y  x0   hf  x0 , y0   f '  x0 , y0   
2!
Podemos observar que esta expresión y la del método de Euler, tienen los dos primeros
términos similares, por lo que podemos asumir que el uso de la fórmula de Taylor mejorará
la exactitud obtenida por el método de Euler.
En atención ello, proponemos, la siguiente fórmula:

h2
yi 1  yi  h. f  xi , yi   f '  xi , yi 
2!
Si la expresión f(x, y) presenta términos en x y en y, para determina f’ podemos usar la

expresión:
---------------------------------------------------------------------------------------------------------------- 132
-----------------------------------------------------------------------------------------
f  x, y  f  x, y  dy
f '  x, y   
x y dx
Aplicando las ideas del método de Euler, pero con las modificaciones de la anterior
fórmula, se obtiene el método de Taylor de segundo orden. El orden 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.
Ejemplo 1.- A título comparativo, resolvamos el ejemplo 1 del método anterior y
calculemos el error que se obtiene. Aproximemos, entonces, y (0.5) para la ecuación
diferencial y’ = 2xy, para la condición inicial y(0) = 1
Solución: El intervalo de interés es [0; 0.5], lo dividimos en 5 subintervalos iguales,

obteniendo:
h = (0.5 – 0)/5 = 0.1,
f(xi, yi) = 2 xi yi f '(xi, yi) = 2 yi + 4 xi 2 yi
yi+1 = yi + h f(xi, yi) + (h2/2) f '(xi, yi)
yi+1 = yi + h (2 xi yi) + (h2/2) (2 yi + 4 xi 2 yi) = yi + 2h xi yi + h2 ( yi + 2 xi 2 yi)
Los resultados de las operaciones que resultan de la aplicación del método se resumen en la
siguiente tabla:
n h xi f(xi, yi) f '(xi, yi) yi
0 0,1 0 0 2 1
1 0,1 0,1 0,4121616 2,060808 1,0102
2 0,1 0,2 0,89969543 2,24923859 1,04131416
3 0,1 0,3 1,55087999 2,58479999 1,09525423
4 0,1 0,4 2,48250149 3,10312687 1,17542684
5 0,1 0,5 3,86127718 3,86127718 1,28709239
El valor obtenido por este método es de: y(0.5) = 1,28709239
Y, el error de la aproximación es:  v = 0,24%

Resultado que demuestra que el método de Taylor mejora el cálculo de la aproximación.
Ejemplo 2: Utilicemos el método de Taylor, para las siguientes condiciones iniciales:
dy
= f(x, y) = x – y; y(0) = 2, y(1) = ?
dx
Solución: El intervalo de interés es [0; 1], lo dividimos en 5 subintervalos iguales,

obteniendo:
h = (1 – 0)/5 = 0.2,
---------------------------------------------------------------------------------------------------------------- 133
-----------------------------------------------------------------------------------------
Valor con el que generamos los siguientes valores de xi:
x0 = 0.0; x1 = x0 + 0.2 = 0.2; x2 = x1 + 0.2 = 0.4;
x3 = x2 + 0.2 = 0.6; x4 = x3 +0.2 = 0.8;
xf = x3 +0.2 = 1.0
Calculamos primeramente:
  x  y   x  y
f '  x, y     x  y  1 x  y
x y
Y, ahora tenemos:
y1 = y(0.2) = y0 + h (x0 – y0) + h2 (1 – x0 + y0)/2 =
= 2 + 0.2 (0 – 2) + 0.22 (1 – 0 + 2)/2 =1.66

Del mismo modo:
y2 = y(0.4) = y1 + h (x1 – y1) + h2 (1 – x1 + y1)/2 =
= 1.66 + 0.2 (0.2 – 1.66) + 0.22 (1 – 0.2 + 1.66)/2 =1.4172
y3 = y(0.6) = y2 + h (x2 – y2) + h2 (1 – x2 + y2)/2 =
= 1.4172 + 0.2 (0.4 – 1.4172) + 0.22 (1 – 0.4 + 1. 4172)/2
y3 =1,2541
y4 = y(0.8) = y3 + h (x3 – y3) + h2 (1 – x3 + y3)/2 =
= 1,2541+ 0.2 (0.6 – 1,2541) + 0.22 (1 – 0.6 + 1,2541)/2
y4 =1. 1564
y5 = y(1) = y4 + h (x4 – y4) + h2 (1 – x4 + y4)/2 =
= 1.1564 + 0.2 (0.8 – 1.1564) + 0.22 (1 – 0.8 + 1.1564)/2
Y finalmente, obtenemos:
y5 = y(1) =1.11222
Ejemplo 3: Utilizando el método de Taylor, aproxima el valor de:
y (1.3),
Para la siguiente ecuación diferencial:
---------------------------------------------------------------------------------------------------------------- 134
-----------------------------------------------------------------------------------------
y´ = x2 + 1.5 y2,
con la condición inicial: y (1) = 2
6.4 MÉTODO DE EULER MEJORADO
Este método se basa en la misma idea del método anterior, pero hace un refinamiento en su
aproximación, tomando un promedio entre ciertas pendientes.
La fórmula es la siguiente:

 f  x n , y n   f x n 1 , y*n 1
yn+1 = yn + h. 

 2 
Donde: y*n+1 = yn + h. f (xn, yn)
Para entender esta fórmula, analizaremos, el primer paso de la aproximación, con base en la
figura 6.5, en la cual se ve que la pendiente promedio m corresponde a la pendiente de la
recta bisectriz de la recta tangente a la curva en el punto de la condición inicial y la
“recta tangente” a la curva en el punto (x1, y1), donde y1 es la aproximación obtenida con la
primera fórmula de Euler. Finalmente, esta recta bisectriz se traslada paralelamente hasta
el punto de la condición inicial, y se considera el valor de esta recta en el punto de abscisa
x = x1 como la aproximación de Euler mejorada.
Figura 6.5.
Ejemplo 1. Apliquemos el método de Euler mejorado, para aproximar y (0.5) para la

siguiente ecuación diferencial y’ = 2xy, y la condición inicial y(0) = 1.
---------------------------------------------------------------------------------------------------------------- 135
-----------------------------------------------------------------------------------------
Solución Como ve, este es el mismo ejemplo 1 del método anterior, en el que se definimos
h = 0.1 y encontramos la aproximación después de cinco iteraciones.
A diferencia del método de Euler 1, en cada iteración se requiere de dos cálculos en vez de
uno solo: primero el de y*n y posteriormente el de yn.
Para entender mejor este método veremos con detalle las primeras dos iteraciones.
Tenemos los siguientes datos iniciales:
x0 = 0, y0 = 1, h = 0.1, f(x, y) = 2xy
En la primera iteración se tiene:

x1 = x0 + h = 0 + 0.1 = 0.1
f (x0, y0) = 2 x 0 x 1 = 0
y1* = y0 + h. f (x0, y0) = 1 + 0.1 x [2 x 0 x 1] = 1
f (x1, y1* ) = 2 x 0.1 x 1 = 0.2

 f  x 0 , y 0   f x1 , y1*
y1 = y0 + h. 
 = 1 + 0.1 x 0  0.2 = 1.01
 2  2
Notemos que el valor de y1* coincide con el y1 (Euler 1), y es el único valor que va a
coincidir, pues para calcular y*2 se usará y1 y no y1* .
Esto lo veremos claramente en la siguiente iteración:
x2 = x1 + h = 0.1 + 0.1 = 0.2
f (x1, y1) = 2 x 0.1 x 1.01 = 0.202
y*2 = y1 + h. f (x1, y1) = 1.01 + 0.1 x [2 x 0.1 x 1.01] = 1.0302
f (x2, y*2 ) = 2 x 0.2 x 1.0302 = 0.41208

 f  x1 , y1   f x 2 , y*2
y2 = y1 + h. 
 = 1.01 + 0.1 x 0.202  0.41208 = 1.040704
 2  2
---------------------------------------------------------------------------------------------------------------- 136
-----------------------------------------------------------------------------------------
Notemos que ya no coinciden los valores de y2 (Euler 1) y el de y*2 . El proceso debe

seguirse de manera similar hasta la quinta iteración. Los resultados obtenidos se resumen en
la siguiente tabla:
n xn yn
0 0 1
1 0.1 1.01
2 0.2 1.040704
3 0.3 1.093988
4 0.4 1.173192
5 0.5 1.28336
Concluimos con que la aproximación obtenida con el método de Euler mejorado es:
y (0.5)  1.28336
Con fines de comparación, se calcula el error relativo verdadero:
1.28402  1.28336
 v = 100 % = 0.05 %
1.28402
Vemos que efectivamente se ha obtenido una mejor aproximación con este método,
reduciendo el error relativo verdadero de un 5.4% hasta un 0.05%.
Ejemplo 2 Apliquemos el método de Euler mejorado para aproximar y (1.3) para la

siguiente ecuación diferencial y’ = x – y + 5, y la condición inicial y(1) = 2.
Solución: Tenemos los siguientes datos:
h = 0.1, f (x, y) = x – y + 5, x0 = 1, y0 = 2
En una primera iteración, tenemos:
x1 = x0 + h = 1 + 0.1 = 1.1
f (x0, y0) = 1 – 2 + 5 = 4
y1* = y0 + h. f (x0, y0) = 2 + 0.1 x [1 – 2 + 5] = 2.4
f (x1, y1* ) = 1.1 – 2.4 + 5 = 3.7
---------------------------------------------------------------------------------------------------------------- 137
-----------------------------------------------------------------------------------------

 f  x 0 , y 0   f x1 , y1*
y1 = y0 + h. 
 = 2 + 0.1 x 4  3.7 = 2.385
 2  2
Los resultados obtenidos, se resumen en la siguiente tabla:
n xn yn
0 1 2
1 1.1 2.385
2 1.2 2.742925
3 1.3 3.07635
Concluyendo entonces que la aproximación buscada es:
y(1.3) = 3.07635
6.5 MÉTODO DE RUNGE – KUTTA
Por simplicidad del curso, no veremos la justificación formal de estas últimas fórmulas. Sin
entrar en mucho detalle, mencionaremos solamente que el método de Runge-Kutta cambia
la dirección en el sentido de que no sigue la misma línea de los métodos de Euler y, está
basado en una aplicación de los polinomios de Taylor.
Sin embargo, debemos destacar que, el método de Runge-Kutta si contiene como casos
especiales los métodos de Euler.
1
La fórmula: yn+1 = yn + [k1 + 2k2 + 2k3 + k4]
6
Y los parámetros: k1 = h f (xn, yn)
h k
k2 = h f (xn + , yn + 1 )
2 2
h k
k3 = h f (xn + , yn + 2 )
2 2
k4 = h f (xn + h, yn + k3)
Son conocidas como las reglas o fórmulas de Runge-Kutta de orden cuatro para la ecuación
diferencial y´= f (x, y) y la condición inicial y(x0) = y0
Ejemplo 1. Usemos el método de Runge-Kutta para aproximar y (0.5) para la ecuación

diferencial:
---------------------------------------------------------------------------------------------------------------- 138
-----------------------------------------------------------------------------------------
y´= 2xy y la condición inicial y(0 = 1.
Solución En primer lugar, identificamos el mismo ejemplo 1 de los dos métodos anteriores
y, luego, procedemos con los mismos datos:
x0 = 0, y0 = 1, h = 0.1, f (x, y) = 2xy
Para poder calcular el valor de y1, debemos calcular primeramente los valores de k1, 2k2, 2k3
y k4, obteniendo los siguientes valores:
x1 = x0 + h = 0 + 0.1 = 0.1
k1 = h f (x0, y0) = 0.1 x [2 x 0 x 1] = 0
h k
k2 = h f (x0 + , y0 + 1 ) = 0.1 x [2 x 0.05 x 1] = 0.01
2 2
h k
k3 = h f (x0 + , y0 + 2 ) = 0.1 x [2 x 0.05 x 1.005] = 0.01005
2 2
k4 = h f (x0 + h, y0 + k3) = 0.1 x [2 x 0.1 x 1.01005] = 0.020201
1 1
y1 = y0 + [k1 + 2k2 + 2k3 + k4] = 1 + [0 + 2 x 0.01 + 2 x 0.01005 + 0.020201] = 1.01005
6 6
Con el fin de una mejor comprensión del procedimiento, veremos la segunda iteración:
x2 = x1 + h = 0.1 + 0.1 = 0.2
k1 = h f (x1, y1) = 0.1 x [2 x 0.1 x 1.01005] = 0.020201
h k
k2 = h f (x1 + , y1 + 1 ) = 0.1 x [2 x 0.15 x 1.0201] = 0.03060
2 2
h k
k3 = h f (x1 + , y1 + 2 ) = 0.1 x [2 x 0.15 x 1.02535] = 0.03076
2 2
k4 = h f (x1 + h, y1 + k3) = 0.1 x [2 x 0.2 x 1.04081] = 0.04163
1 1
y2 = y1 + [k1 + 2k2 + 2k3 + k4] = 1 + [0.020201 + 2 x 0.03060 + 2 x 0.03076 + 0.04163]
6 6
= 1.04081
---------------------------------------------------------------------------------------------------------------- 139
-----------------------------------------------------------------------------------------
El proceso debe repetirse hasta obtener y5. Los resultados obtenidos se resumen en la
siguiente tabla:
n xn yn
0 0 1
1 0.1 1.01005
2 0.2 1.04081
3 0.3 1.09417
4 0.4 1.17351
5 0.5 1.28403
Concluyendo que el valor obtenido con el método de Runge-Kutta es:
y (0.5)  1.28403
Finalmente, calculamos el error relativo verdadero:
1.28402  1.28403
 v = 100 % = 0.0007 %
1.28402
Con lo que vemos que efectivamente se ha reducido muchísimo el error relativo. De hecho
observamos que se tienen 6 cifras significativas en la aproximación.
Ejemplo 2. Usar el método de Runge-Kutta para aproximar y (2.2) para la ecuación

diferencial y´= x + y, y la condición inicial y (2) = 4.
Solución: Igual que en los ejemplos anteriores, tomamos h = 0.1 y llegamos a la

aproximación en dos pasos. Partimos con los siguientes datos:
x0 = 2, y0 = 4, h = 0.1, f (x, y) = x + y
Primera Iteración: x1 = x0 + h = 2 + 0.1 = 2.1
k1 = h f (x0, y0) = 0.1 x [2 + 4] = 0.6
h k
k2 = h f (x0 + , y0 + 1 ) = 0.1 x [2.05 + 4.3] = 0.635
2 2
h k
k3 = h f (x0 + , y0 + 2 ) = 0.1 x [2.05 + 4.3175] = 0.63675
2 2
k4 = h f (x0 + h, y0 + k3) = 0.1 x [2.1 + 4.63675] = 0.673675
1 1
y1 = y0 + [k1 + 2k2 + 2k3 + k4] = 4 + [0.6 + 2 x 0.635 + 2 x 0.63675 + 0.673675] =
6 6
4.6362
Segunda iteración: x2 = x1 + h = 2.1 + 0.1 = 2.2
k1 = h f (x1, y1) = 0.1 x [2.1 + 4.6362] = 0.67362
h k
k2 = h f (x1 + , y1 + 1 ) = 0.1 x [2.15 + 4.97301] = 0.7123
2 2
---------------------------------------------------------------------------------------------------------------- 140
-----------------------------------------------------------------------------------------
h k
, y1 + 2 ) = 0.1 x [2.15 + 4.99235] = 0.71424
k3 = h f (x1 +
2 2
k4 = h f (x1 + h, y1 + k3) = 0.1 x [2.2 + 5.35044] = 0.75504
1 1
y2 = y1 + [k1 + 2k2 + 2k3 + k4] = 4.6362 + [0.67362 + 2 x 0.7123 + 2 x 0.71424 +
6 6
0.75504] = 5.34982
Concluyendo entonces que el valor buscado es: y (2.2)  5.34982
6.4 PROBLEMAS
1. Dada la ecuación diferencial: y’ = x 2  y 2

y(2) = 0.5
Usa el método de Euler para aproximar y(2.3) tomando h = 0.1 en cada paso del
proceso iterativo.
2. Dada la ecuación diferencial: y’ = ln(x + y)
y(1) = 1.5
Usa el método de Euler para aproximar y(1.3) tomando h = 0.1 en cada paso del
proceso iterativo.
3. Dada la ecuación diferencial: y’ = 2 x + y – 3
y(2) = 1
Usa el método de Euler mejorado para aproximar y(2.3) tomando h = 0.1 en cada
paso del proceso iterativo.
1
4. Dada la ecuación diferencial: y’ =
x y 2
y(3) = 2.5
Usa el método de Euler mejorado para aproximar y(3.3) tomando h = 0.1 en cada
paso del proceso iterativo.
5. Dada la ecuación diferencial: y’ = ln x + 1/y
y(4) = 5
Usa el método de Runge-Kutta para aproximar y(4.3) tomando h = 0.1en cada paso
del proceso iterativo.
6. Dada la ecuación diferencial: y’ = x  y
y(3) = 10
Usa el método de Runge-Kutta para aproximar y(3.3) tomando h =0.1 en cada paso
del proceso iterativo.
---------------------------------------------------------------------------------------------------------------- 141
-----------------------------------------------------------------------------------------
BIBLIOGRAFÍA
S. C. Chapra y R. P.Canale, Métodos Numéricos para Ingenieros, Mac-Graw-Hill, 2003
Gómez J. Escobar. Gomez A. Guerrero Gutiérrez. Hernández. Puerto. Sandoval, Elementos

de métodos numéricos para ingeniería, Mc Graw Hill, 2001
A. Nieves y F. C. Domínguez, Métodos Numéricos Aplicados a la Ingeniería, CECSA,

1998
G. Herrera Dalence, Métodos Numéricos, Latinas Editores, 2005
Gerald and Wheatley, Análisis Numérico con Aplicaciones, Prentice Hall, Sexta Edición,
2000.
Matheus and Fink, Métodos Numéricos con Matlab, Prentice Hall, 3ra. Edición, 1999.
Cheney and Kincaid, Análisis Numérico, Las Matemáticas del Cálculo Científico,
Addison-Wesley Iberoamericana, 1994.
---------------------------------------------------------------------------------------------------------------- 142

Apuntes de Análisis Numérico +++

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apuntes de Análisis Numérico +++

Uploaded by

Copyright:

Available Formats

Universidad Católica Boliviana San Pablo

Unidad Académica Tarija

Abel Barroso López

Numeral Unidad Didáctica Página

1 Introducción al análisis numérico

Numeral Unidad Didáctica Página

INTRODUCCIÓN AL ANÁLISIS NUMÉRICO

1.1 OBJETIVO DEL UNIDAD DIDÁCTICA

Mostramos la necesidad de conocer los métodos numéricos en la ingeniería y, a través de su

Para comprender la necesidad de conocer los métodos numéricos en la ingeniería, veamos,

La ingeniería es el conjunto de conocimientos y técnicas científicas aplicadas a la creación,

En la ingeniería, el estudio, conocimiento, manejo y dominio de las matemáticas, la física y

Entonces, la ingeniería es el conjunto de conocimientos y técnicas científicas aplicadas,

El Ingeniero y el Análisis Numérico

La ocupación principal del ingeniero es la de realizar diseños o desarrollar soluciones

Un modelo matemático es una formulación o ecuación que expresa las características

1. Describe un sistema o proceso natural en términos matemáticos.

Luego de haber definido el modelo matemático, el ingeniero se enfrenta a dos posibilidades

De este modo, en el análisis numérico se pierde la característica fundamental del análisis

Para generar un algoritmo se debe seguir una serie de pasos:

Por lo general, el objetivo del algoritmo será el de implementar un procedimiento numérico

1.4 ¿QUÉ ES EL ANÁLISIS NUMÉRICO?

El análisis numérico es “la teoría de los métodos constructivos en el Análisis Matemático”

1.5 OBJETIVO DEL ANÁLISIS NUMÉRICO

El propósito del Análisis Numérico es desarrollar algoritmos para hallar soluciones

1.6 INTRODUCCIÓN A LOS MÉTODOS NUMÉRICOS

Problema: Deseamos calcular la velocidad instantánea, cerca de la superficie terrestre, de

Determinación del Modelo Matemático: Utilizamos la segunda ley de Newton:

FR = c v es la fuerza de resistencia del aire (con c: coeficiente de arrastre).

Que es el “modelo matemático” del problema que se trata de resolver.

Integrando ambos miembros de la ecuación:

Donde: k = constante de integración

Para calcular la constante de integración k, utilizamos las condiciones iniciales dadas: v = 0

De donde despejamos v en función de t, obteniendo:

Ecuación que resuelve el problema de manera exacta.

Expresión que, aplicada al modelo matemático, permite escribir:

De donde se despeja v(ti+1) y se obtiene:

Fórmula, permite calcular la velocidad aproximado de v(ti+1) si se conoce la velocidad v(ti)

Ejemplo: Supongamos que se tenemos los siguientes datos:

m = 70,000 g, c = 19,600 g/s, g = 980 cm/s2

Se calcularán los valores de v(0), v(1), v(2), … v(5).

a) Solución analítica. Sustituimos los valores de m, c y g en la expresión (2) y, obtenemos:

Como la velocidad inicial es nula, es decir: v(0) = 0. Utilizamos la fórmula (4) y

t (s) 0 0.2 0.4 0.6 0.8 1

Observación: El precio que hay que pagar, en la solución aproximada, es el de efectuar

1.7 ANÁLISIS DE ERRORES

El análisis del error implica el análisis de convergencia, es decir, el análisis de las

 xi1 – xi-1  E  se ha alcanzado una buena aproximación

Uno de los objetivos principales del análisis numérico es la determinación de la precisión

Fuentes básicas de los errores:

a) Errores inherentes a la formulación del problema.

Los errores del segundo grupo tienen tres causas:

i. Errores de datos o equivocaciones comunes en las operaciones, denominados

aproximación al proceso de derivación, la cual es una aproximación al procedimiento

Esto genera errores de truncamiento durante el procedimiento.

Ev = valor verdadero – valor aproximado

Esta definición de error tiene un pequeño defecto, como se verá en el siguiente:

Ejemplo. Al medir la longitud de una varilla para construcción se obtiene el resultado

Solución. Se tienen los siguientes resultados:

Para el caso de la varilla, el error absoluto se calcula como:

Para el caso del clavo, el error absoluto se calcula como:

Por ejemplo, en el caso de la varilla el error relativo porcentual es:

Mientras que en el caso del clavo, el error relativo porcentual es:

e) p = e10, p=22000 f) p=10, p=1400