Informe Grupal Los Electricos

MTODOS NUMRICOS
INGENIER
A
MECNICA
Y
ELCTRICA
INGENIERA MECNICA Y ELCTRICA
NDICE
CAPITULO I
SOLUCIONES DE ECUACIONES NO LINEALES......................
INTRODUCCIN..........................................................................................
MARCO TEORICO........................................................................................
1.1.
CONCEPTOS PREVIOS.......................................................................
1.1.1.
Funciones...................................................................................
1.1.1.1.
Definicin :............................................................................
1.1.1.2.
Tipos de funciones................................................................
1.1.2.
Cifras Significativas.....................................................................
1.1.3.
Raz de una funcin.....................................................................
1.1.4.
Error...........................................................................................
1.1.5.
Qu son los mtodos numricos?.............................................10
1.1.6.
Lenguaje de Programacin.........................................................11
1.1.7.
Mtodo de aproximaciones sucesivas.........................................11
1.2.
SOLUCIN DE ECUACIONES NO LINEALES .....................................12
1.2.1.
METODOS QUE USAN INTERVALO.............................................12
1.2.1.1.
METODO DE BISECCIN.........................................................13
A.
Definicin :................................................................................ 13
B.
TEOREMA DE BOLZANO :..........................................................13
C.
CRITERIO DE PARO...................................................................14
D.
ALGORITMO DEL METODO DE BISECCIN.................................15
E.
DIAGRAMA DE FLUJO DEL METODO DE BISECCIN....................16
1.2.1.2.
METODO DE LA REGLA FALSA...............................................17
A.
DEFINICIN............................................................................... 17
B.
TEOREMA DE BOLZANO............................................................18
C.
CRITERIO DE PARO...................................................................18
D.
ALGORITMO DEL METODO DE REGLA FALSA............................20
E.
DIAGRAMA DE FLUJO DEL METODO DE REGLA FALSA................20
1.2.2.
1.2.2.1.
METODOS ABIERTOS................................................................22
METODO DE PUNTO FIJO.......................................................22
A.
DEFINICIN............................................................................... 22
B.
CONVERGENCIA........................................................................23
C.
ALGORITMO DEL METODO DE PUNTO FIJO...............................25
MTODOS NUMRICOS
D.
DIAGRAMA DE FLUJO DEL METODO DE PUNTO FIJO................27
1.2.2.2.
METODO DE NEWTON RAPHSON............................................28
A.
DEFINICIN............................................................................... 28
B.
CONVERGENCIA.......................................................................28
C.
ALGORITMO DEL METODO DE NEWTON-RAPHSON...................29
D.
DIAGRAMA DE FLUJO DE METODO DE NEWTON-RAPHSON.......30
1.2.2.3.
METODO DE LA SECANTE.......................................................31
A.
DEFINICIN:.............................................................................. 31
B.
ALGORITMO DEL METODO DE LA SECANTE..............................32
C.
DIAGRAMA DE FLUJO DE LA SECANTE.....................................33
CAPITULO II SISTEMA DE ECUACIONES SIMULTANEAS ALGEBRAICAS

LINEALES................................................................................................. 34
INTRODUCCIN........................................................................................ 35
2.2.
CONCEPTOS PREVIOS.....................................................................36
2.2.1.
ALGEBRA MATRICIAL................................................................36
2.2.1.1.
MATRICES...........................................................................36
2.2.1.2.
ORDEN DE UNA MATRIZ......................................................37
2.2.1.3.
MATRICES ESPECIALES......................................................37
2.2.1.4.
DIAGONAL DE UNA MATRIZ.................................................39
2.2.1.5.
TRAZA DE UNA MATRIZ.......................................................40
2.2.1.6.
MULTIPLICACIN DE MATRICES..........................................40
2.2.1.7.
DETERMINANTE DE UNA MATRIZ.........................................41
2.2.1.8.
RANGO DE UNA MATRIZ......................................................42
2.2.1.9.
MATRIZ
OPERACIN ELEMENTAL SOBRE LAS FILAS DE UNA

42
2.2.1.10.
INVERSA DE UNA MATRIZ....................................................43
2.2.1.11.
ADJUNTA DE UNA MATRIZ...................................................45
2.2.2.
TEOREMA DE ROUCH-FROBENIUS..........................................47
2.2.3.
SISTEMA DE ECUACIONES LINEALES........................................48
2.2.3.1.
DEFINICIN.........................................................................48
2.2.3.2.
METODOS PARA RESOLVER UN SISTEMA DE ECUACIONES
ALGEBRECIAS LINELAES : METODO DE CRAMER................................48
2.2.3.3.
ALGEBRECIAS LINELAES : METODO DE GAUSS- JORDAN....................49
2.2.3.4.
ALGEBRECIAS LINELAES : METODO DE GAUSS-SEIDEL.......................50
MTODOS NUMRICOS
CAPITULO III
REGRESIN E INTERPOLACIN........................................52
INTRODUCCIN........................................................................................ 53
3.1.
3.1.1.
3.2.
3.3.
ESTADISTICA APLICADA A LA REGRESIN...............................54
3.1.1.1.
MEDIA ARITMETICA.............................................................54
3.1.1.2.
DESVIACIN ESTANDAR.....................................................54
3.1.1.3.
ERROR ESTANDAR DE DESVIACIN....................................54
3.1.1.4.
VARIANZA...........................................................................55
3.1.1.5.
COEFICIENTE DE VARIACIN..............................................55
3.1.1.6.
COEFICIENTE DE DETERMINACIN.....................................55
3.1.1.7.
COEFICIENTE DE CORRELACIN........................................56
REGRESIN..................................................................................... 57
3.2.1.1.
REGRESIN LINEAL POR MINIMOS CUADRADOS................57
3.2.1.2.
REGRESIN NO LINEAL......................................................62
INTERPOLACIN............................................................................. 66
3.3.1.1.
DEFINICIN.........................................................................66
3.3.1.2.
INTERPOLACIN DE LAGRANGE.........................................67
3.1.1.1.
INTERPOLACIN DE NEWTON CON DIFERENCIAS DIVIDIDAS

70
CAPITULO IV
INTEGRACIN...................................................................73
INTRODUCCIN........................................................................................ 74
3.1.
3.1.1.
3.2.
INTEGRAL................................................................................. 75
METODOS DE INTEGRACIN...........................................................76
3.2.1.
POLINOMIO DE TAYLOR.............................................................76
3.2.2.
RECTANGULO...........................................................................76
3.2.3.
REGLA DEL TRAPECIO..............................................................76
3.2.4.
SIMPSON 1/3............................................................................. 78
3.2.5.
SIMPSON 3/8............................................................................. 79
ANEXOS................................................................................................... 82
MTODOS NUMRICOS
MTODOS NUMRICOS
CAPITU
LO I
SOLUCIONES
DE
ECUACIONES
NO LINEALES
MTODOS NUMRICOS
INTRODUCCIN
En este informe se presentan, de manera sencilla, los conceptos bsicos
ms comunes relacionados con el tema que se desarrolla, de tal forma que
el lector haga una remembranza de los tpicos que debe conocer y tenga
una motivacin inmediata. Ello facilitar que las aplicaciones sean ms
expeditas y amenas, porque ver con satisfaccin que obtiene resultados
tan exactos como los que tendra con los mtodos analticos, cuando sea
posible hacerlos de esa forma.
Referente a las tcnicas para resolver problemas, representados
por
ecuaciones algebraicas y trascendentes, se describen siete mtodos entre

los que destacan, por su sencillez: Biseccin, Regla Falsa, Punto Fijo,
Newton-Raphson y Secante.
MTODOS NUMRICOS
MARCO TEORICO
1.1.
CONCEPTOS PREVIOS.
1.1.1.Funciones
1.1.1.1. Definicin :
Una funcin f de un conjunto A en un conjunto B es una regla que
hace corresponder a cada elemento x perteneciente al conjunto A,
uno y solo un elemento y del conjunto B, llamado imagen de x por f,
que se denota y=f (x).
En smbolos, se expresa f: AB, siendo el conjunto A el dominio de
f, y el conjunto B el codominio.
1.1.1.2. Tipos de funciones
MTODOS NUMRICOS
Los mtodos numricos en este captulo estudiaremos la resolucin de

funciones NO LINEALES.
1.1.2.Cifras Significativas
MTODOS NUMRICOS
Nmero de dgitos que se pueden usar con confianza. Incluyen

enteros y decimales.
Ejemplos:
2,2 1,768 (2 cifras significativas)
2,2 1,768 = 0,432 0,4
1.1.3.Raz de una funcin

Analticamente : se conoce como raz de un polinomio o de una funcin f(x)
a todo elemento x perteneciente al dominio de dicha funcin tal que se
cumpla: Por ejemplo, dada la funcin
f ( x )=x 28 x +16=0 : Planteando y
resolviendo la ecuacin: Se tiene que 2 y 4 son races ya que f = 0.

Geomtricamente : se define que una raz es el valor o valores que
intersecta al eje de las abscisas o eje de las X .
1.1.4.Error
En ciertos mtodos numricos, se usan esquemas iterativos para
calcular resultados, y se hace la aproximacin en base a la
aproximacin anterior, para calcular ms y mejores aproximaciones .
Ea =
X iX i1
100
Xi
En esta ltima, normalmente se repite hasta que su valor absoluto sea

menor
que
una
tolerancia
prefijada
ES,
donde
Es =( 0.5102n )
Quedando entonces definido el criterio de aceptacin o de paro para
cualquier mtodo:
|Ea| < ES
El resultado ser correcto en al menos n cifras significativas
MTODOS NUMRICOS
1.1.5.Qu son los mtodos numricos?

Los mtodos numricos son una clase de tcnicas para resolver una
gran variedad de problemas matemticos. Estos problemas pueden,
naturalmente,
tener
su
origen
como
modelos
matemticos
situaciones fsicas. Este tipo de mtodos son extraordinarios puesto

que solamente son empleadas operaciones aritmticas y lgicas; de
esta manera los clculos pueden hacerse directamente o usando una
computadora digital.
Aunque en el sentido estricto del trmino, cualquier cosa, desde los
dedos hasta un baco, pueden ser considerados como una
computadora digital, sin embargo, aqu usaremos este trmino para
referirnos a computadoras electrnicas, las cuales han sido usas
razonablemente y en forma difusa, desde a mediados de 1950.
Actualmente los mtodos numricos preceden a las computadoras
electrnicas por muchos aos y, en realidad, muchos de los mtodos
usados generalmente datan, en forma virtual, desde el inicio de las
matemticas modernas; mas sin embargo, el uso de estos mtodos fue
relativamente limitado hasta el advenimiento de la calculadora
mecnica de escritorio y posteriormente dramticamente incrementada.
En un sentido real, los mtodos numricos vinieron a revolucionar las
tcnicas de solucin, de varios problemas complejos, con la
introduccin de la computadora electrnica.
La combinacin de mtodos numricos y las computadoras digitales
han creado una herramienta de inmenso poder en el anlisis numrico.
Por ejemplo, los mtodos numricos son capaces de manejar la no
linealidad, la geometra compleja y sistemas grandes de ecuaciones
simultneas que son necesarios para la simulacin perfecta de muchas
situaciones fsicas reales. Las matemticas clsicas, junto con las
matemticas aplicadas ms ingeniosas no pueden competir con
muchos de estos problemas en el nivel requerido por la tecnologa de
hoy en da. Como resultado, los mtodos numricos han desplazado el
anlisis con las matemticas clsicas en muchas aplicaciones
industriales y de investigacin; sin que ello signifique que las
MTODOS NUMRICOS
10
instituciones deban dejar de incluir, en la formacin de los estudiantes,

esta temtica.
1.1.6.Lenguaje de Programacin.
La mayora de los lectores de este informe, tendr en mente alguna
idea en programacin, en un lenguaje de alto nivel para computadora,
tal como MATLAT, MAPLE entre muchos ms. Esos lenguajes de
programacin permiten al usuario escribir programas en una forma en
la que incluye frmulas algebraicas y proposiciones lgicas en ingls,
para instrucciones de entrada y salida. Tales lenguajes de alto nivel son
virtualmente independientes de la mquina en la cual correr el
programa. Mediante el uso de un programa de computadora llamado
compilador, el programa de alto nivel puede ser convertido al cdigo
fundamental de la mquina con lo que el programa ser actualmente
ejecutado.
La aparicin de cada nuevo lenguaje de programacin es bien recibida
por un buen promedio de usuarios. Estos lenguajes imponen nuevas
reglas que tienen que ser aprendidas y posiblemente confundidas con
otros lenguajes. Sin embargo, cualquier perdona razonablemente
flexible encontrar pocas dificultades en adaptarse a un nuevo lenguaje
si es necesario. Lo ms importante es la economa, los programas de
computadora largos son muy caros y la conversin de esos programas
a otro lenguaje puede ser la mejor tarea, pero involucrar muchos
meses de trabajo. Esta es una de las razones principales por las que
MAPLE es el lenguaje estndar en aplicaciones de la ciencia y
nicamente debe desplazarse hacia el futuro.
1.1.7.Mtodo de aproximaciones sucesivas

Este mtodo consiste en proponer un valor inicial, aproximado a la
solucin y, a partir de l obtener un valor mejorado de la raz que es
sometido a una prueba de convergencia, es decir, de aproximacin y,
si dicha prueba es superada, entonces, el valor obtenido es la
respuesta buscada; en caso de que no se cumpla la condicin de
MTODOS NUMRICOS
11
convergencia, con el nuevo valor se repite el proceso, tantas veces

como sea necesario.
1.2. SOLUCIN DE ECUACIONES NO LINEALES .
Los mtodos estndar para encontrar races, en general caen en dos
reas de problemas parecidas en principio, pero fundamentalmente
diferentes:
a)La determinacin de races reales de ecuaciones algebraicas y
trascendentales. Estas tcnicas se disearon para determinar el
valor de una raz simple de acuerdo a un conocimiento previo de su
posicin aproximada.
b)La determinacin de todas las races reales y complejas de un
polinomio.
Estos mtodos se disearon especficamente para polinomios.
Determinan sistemticamente todas las races del polinomio en lugar
de simplemente una, dada una posicin aproximada.
1.2.1. METODOS QUE USAN INTERVALO.
En este captulo sobre races de ecuaciones se analizan los
mtodos que aprovechan el hecho de que una funcin, tpicamente,
cambia de signo en la vecindad de una raz. A estas tcnicas se les
llama mtodos que usan intervalos porque se necesita de dos valores
iniciales para la raz. Como su nombre lo indica, estos valores deben
encerrar o estar uno de cada lado de la raz. Los mtodos particulares
descritos sobre este punto emplean diferentes estrategias para reducir
sistemticamente el tamao del intervalo y as, converger a la
respuesta correcta.
Adems de la utilidad de los mtodos grficos para determinar
valores iniciales, tambin son tiles para visualizar las propiedades de
las funciones el comportamiento de los mtodos numricos.
1.2.1.1. METODO DE BISECCIN

A. Definicin :
MTODOS NUMRICOS
12
El mtodo de Biseccin para la resolucin de la ecuacin f(x) = 0 es

uno de los mtodos ms antiguos y elementales de bsqueda de races
y se basa en el Teorema de Bolzano que nos asegura la existencia de,
al menos, una raz de una funcin f(x) en un cierto intervalo [a; b], bajo
ciertas condiciones.
B. TEOREMA DE BOLZANO :
Sea
f : [ a ; b ] R una funcin continua en [a; b] tal que f(a)*f (b) < 0.
Entonces existe
c (a; b) tal que f(c) = 0.
El mtodo consiste en que una vez identificados los puntos a y b (con

signos opuestos) se construye la primera aproximacin de la forma
x i=
a+b
2
Luego si
f ( a )f (b)<0 , entonces los puntos tienen signos
opuestos y por ende la solucin se encuentra en

la siguiente iteracin se toma
que la solucin se encuentra en
si
f ( a )f ( b )=0
b=xi . Si
x i , por lo que para
f ( a )f (b)>0 , quiere decir
x i+1 por lo tanto
a=xi
.Por ltimo,
es la raz de la ecuacin.
C. CRITERIO DE PARO
MTODOS NUMRICOS
13
Se debe desarrollar un criterio objetivo para decidir cundo debe

terminar el mtodo.
Una sugerencia inicial sera finalizar el clculo cuando el error cometido
en la i-sima iteracin sea menor que el error prefijado:
E p=0.5 102n
Dnde: n es el nmero de cifras significativas exactas
Error cometido en la i - sima iteracin en general:
E P=
x ix i1
100
xi
Si: xi es la raz actual y xi-1 es la raz anterior.

Error cometido en la i - sima iteracin:
|ba|
i =
2i+1
En sntesis:
|ba|
2i+1
100<0.5 102n
D. ALGORITMO DEL METODO DE BISECCIN

I.
Ingresamos la
f ( x )=0 , A0 , B 0
y n el que ser el nmero de
cifras significativas.
MTODOS NUMRICOS
14
A
B
f ( 0)
f ( 0) y
II.
En este segundo paso evaluamos
III.
A
B
f
(
0)
Evaluamos si (
entonces continuamos, pero de no ser
f ( 0)< 0 ,
as se regresara al paso I.
IV.
Una vez cumplida la condicin anterior se escribir

V.
La forma iterativa para aproximarse a la raz se determina de la
forma
VI.
VII.
VIII.
IX.
( Iter=i) .
En este paso evaluaremos
evaluamos :
adems si
x i=
A i+ B i
2
f ( xi )
x
A
f ( 0)
0 , entonces B i+1=x i y Ai +1= Ai
f ( i)
0 , entonces A i+1=x i y Bi+1 =B i
x
A
f ( 0)=0
, de cumplirse esto
f ( i)
x i ser la raz buscada
y se parara el programa.
De no cumplirse lo anterior se evaluara el error en la ensima
iteracin:
| | .100%
Ei =
B i A i
i +1
MTODOS NUMRICOS
15
X.
Para el pare del programa se evaluara
Ei 0.510
si se cumple
x i , pero de no ser
esta condicin entonces la raz buscada ser

as ( Iter=i+ 1 )
2n
y se regresa al paso numero V.
INICIO
,yn
E. DIAGRAMA DE FLUJO DEL METODO DE BISECCIN
NO
SI
SI
NO
SI
NO
SI
MTODOS NUMRICOS
SI
FIN
NO
16
1.2.1.2. METODO DE LA REGLA FALSA.

A. DEFINICIN
El mtodo de la Regula Falsi (regla falsa), es una
modificacin del mtodo de la biseccin con la esperanza de
obtener una aproximacin de la raz de forma ms rpida.
Consiste en utilizar el punto de corte c de la secante que une
los extremos de la curva y = f(x) en a y b en vez del punto
medio, para dividir el intervalo y despus iterar el proceso
quedndonos con los subintervalos en los que f cambie de
signo.
En los siguientes grficos podemos observar distintas etapas
de este mtodo:
Para describir el algoritmo, recordar que la ecuacin de la
recta que pasa por los puntos
(a , f (a)) y (b , f (b))
es
f (b) f (a)
=
bx i ax i
Si ahora hacemos y = 0 en esa expresin para determinar la
abscisa de corte de la recta con el eje de abscisas se tiene
x=
af ( b )bf (a)
f ( b )f (a)
MTODOS NUMRICOS
17
Modificando el algoritmo del mtodo de la biseccin en la

definicin de c tomando el corte de la secante a la curva
x
y=f ) en los extremos de los intervalos con el eje de
abscisas en vez de considerar el centro del intervalo,
obtenemos el siguiente algoritmo: (En marcada sobre fondo
gris, est la modificacin efectuada)
B. TEOREMA DE BOLZANO
Sea
f : [ a ; b ] R una funcin continua en [a; b] tal que f(a)*f (b) < 0.
Entonces existe
c (a; b) tal que f(c) = 0.
El mtodo consiste en que una vez identificados los puntos a y b (con

signos opuestos) se construye la primera aproximacin de la forma
x i=
a+b
2
Luego si
f ( a )f (b)<0 , entonces los puntos tienen signos
opuestos y por ende la solucin se encuentra en

la siguiente iteracin se toma
b=xi . Si
x i , por lo que para
f ( a )f (b)>0 , quiere decir
MTODOS NUMRICOS
18
que la solucin se encuentra en

si
f ( a )f ( b )=0
x i+1 por lo tanto
a=xi
.Por ltimo,
es la raz de la ecuacin.
C. CRITERIO DE PARO
Se debe desarrollar un criterio objetivo para decidir cundo debe

terminar el mtodo.
Una sugerencia inicial sera finalizar el clculo cuando el error cometido
en la i-sima iteracin sea menor que el error prefijado:
2n
E p=0.5 10
Dnde: n es el nmero de cifras significativas exactas

Error cometido en la i - sima iteracin en general:
E P=
x ix i1
100
xi
Si: xi es la raz actual y xi-1 es la raz anterior.

Error cometido en la i - sima iteracin:
|ba|
i =
2i+1
En sntesis:
|ba|
i+1
100<0.5 102n
D. ALGORITMO DEL METODO DE REGLA FALSA

MTODOS NUMRICOS
19
I.
Ingresamos la
f ( x )=0 , A0 , B 0

A
B
f ( 0)
f ( 0) y
II.
En este segundo paso evaluamos
III.
A
B
f ( 0)
Evaluamos si (
entonces continuamos, pero de no ser
f ( 0)< 0 ,
as se regresara al paso I.
IV.

V.
forma
VI.
VII.
VIII.
( Iter=i) .
B
A
f ( i)f ( i)
A i ( f ( Bi ) ) B i(f ( A i))
x i=
f ( xi ) .
x
A
f ( 0)
0 , entonces B i+1=x i y Ai +1= Ai
f ( i)
0 , entonces A i+1=x i y Bi+1 =B i
En este paso evaluaremos
evaluamos :
adems si
x
A
f ( 0)=0
, de cumplirse esto
f ( i)
x i ser la raz buscada
y se parara el programa.
MTODOS NUMRICOS
20
IX.
De no cumplirse lo anterior se evaluara el error en la ensima
iteracin:
X.
| |.
Ei =
B i A i
2i +1
Ei 0.5102n si se cumple
x i , pero de no ser

as ( Iter=i+ 1 )
INICIO
y se regresa al paso nmero V.

,yn
E. DIAGRAMA DE FLUJO .DEL METODO DE REGLA
FALSA
NO
SI
NO
NO
SI
MTODOS NUMRICOS
SI
SI
FIN
NO
21
1.2.2. METODOS ABIERTOS.

En los mtodos anteriores que usan intervalos, la raz se encuentra
dentro del mismo, dado por un lmite inferior y otro superior. La
aplicacin repetida de estos mtodos siempre genera aproximaciones
ms y ms cercanas a la raz. A tales mtodos se les conoce como
convergentes ya que se acercan progresivamente a la raz a medida
que crece el nmero de iteraciones.
En contraste con stos, los mtodos abiertos que se describen en este
captulo, se basan en frmulas que requieren de un solo valor x o de un
par de ellos pero que no necesariamente encierran a la raz. Como
tales, algunas veces divergen o se alejan de la raz a medida que crece
el nmero de iteraciones. Sin embargo, cuando los mtodos abiertos
convergen, en general lo hacen mucho ms rpido que los mtodos
que usan intervalos. Se empieza el anlisis de los mtodos abiertos
con una versin simple que es til para ilustrar su forma general y
tambin para demostrar el concepto de convergencia.
1.2.2.1. METODO DE PUNTO FIJO.

A. DEFINICIN
Este mtodo de iteracin de un punto fijo es un mtodo iterativo que
permite resolver sistemas de ecuaciones no necesariamente lineales. En
particular se puede utilizar para determinar races de una funcin de la
forma f ( x) , siempre y cuando se cumplan los criterios de convergencia.
Como se mencion anteriormente, los mtodos abiertos emplean una
frmula
Que predice una aproximacin a la raz. Tal frmula se puede desarrollar
para la iteracin de punto fijo, reordenando la ecuacin
f ( x )= 0 de tal
forma que x quede del lado izquierdo de la ecuacin:

x=g( x )
MTODOS NUMRICOS
22
Esta transformacin se puede llevar a cabo mediante operaciones

algebraicas o simplemente agregando x a cada lado de la ecuacin
original.
Por ejemplo
x 22 x +3=0
Se puede reordenar para obtener:
x=
x 2 +3
2
sin ( x )=0 puede transformarse en la forma de la ecuacin
Mientras que
anterior sumndole x a ambos lados para obtener:

x=sin ( x )+ x
La utilidad de la ecuacin anterior es que proporciona una frmula para
predecir un valor de
en funcin de
aproximacin inicial a la raz
x . De esta manera, dada una
x i , la ecuacin anterior se puede usar para
obtener una nueva aproximacin x i+1 , expresada por la frmula iterativa:

x i+1=g(x i )
Como con otras frmulas iterativas del libro el error aproximado de esta
ecuacin se puede calcular usando el estimador de error:
| a|=
x i+1x
100
x i+1
B. CONVERGENCIA.
Sea la funcin g(x) para el intervalo cerrado [a,b] [a,b] continua,
entonces se tiene:
a) g(x), posee al menos un punto fijo.
MTODOS NUMRICOS
23
b) Si adems, g(x) k<1, x [a,b], entonces el punto fijo es nico

y si tomamos x0 [a,b], la sucesin xn+1 = g(xn) converge al punto
fijo de g(x).
'
Divergencia Unilateral g ( x ) >1
r
'
Convergencia Unilateral 0<g ( x ) <1
'
Convergencia Bilateral 1< g ( x )< 0
MTODOS NUMRICOS
24
'
Divergencia Bilateral g ( x ) <1
C. ALGORITMO DEL METODO DE PUNTO FIJO

f ( x )=0, x 0 , A , B
I.
Ingresamos la
II.
En este segundo paso evaluamos la funcin y la reescribimos de la
forma
g ( x ) =x
f ( x )=0
III.
para lo cual existen diferentes mtodos tales como
, agregndole x a cada lado de la ecuacin inicial.
Una vez encontrado el
g ( x ) =x
, lo derivamos y obtenemos
g' (x)
MTODOS NUMRICOS
25
g ( x 0) =M , y continuamos
IV.
Evaluamos la
V.
Evaluamos la convergencia con la condicin
(|M |<1 ) si se cumple
esta condicin entonces se sigue , pero de no ser as se regresa al

paso nmero II, y avaluamos un nuevo
VI.
VII.
IX.
( Iter=i) .

forma
VIII.
g ( x ) =x .
el error en la ensima iteracin:
x i+1=g ( x 0 )
Ei=M i( B A)
Ei 0.5102n si se cumple

no ser as
( Iter=i+ 1 )
x i+1 , FIN. Pero de
y se regresa al paso nmero VII.
MTODOS NUMRICOS
26
D. DIAGRAMA DE FLUJO DEL METODO DE PUNTO FIJO.
INICIO
,yn
DESPEJANDO x
O AGREGANDO x, etc
Derivamos
NO
SI
.
NO
SI
MTODOS NUMRICOS
FIN
27
1.2.2.2. METODO DE NEWTON RAPHSON

A. DEFINICIN
Dentro de todas las frmulas para encontrar races el mtodo de
Newton-Raphson es la ms usada.
Para el mtodo de NEWTON-RAPHSON si el valor inicial de la raz es
un
x0
entonces se puede trazar una tangente desde el punto [ x 0
,f( x i )].El punto donde esta tangente intersecta el eje x representa

una aproximacin mejorada de la raz.
y f ( x0 )
=f ( x0 )
xx 0
f (x 0)
=x 1x 0
f (x 0)
x i=x 0
f (x 0 )
f (x 0 )
Por lo tanto diremos que la raz est dada por la siguiente formula
x i+1=x i
f ( xi )
f (x i )
B. CONVERGENCIA
MTODOS NUMRICOS
28
Para calcular el error en el mtodo de Newton-Raphson tenemos que

tener en cuenta que el mtodo sea convergente cuadrticamente. El
error es aproximadamente proporcional al cuadrado al cuadrado del
error anterior, dado por:
f (x i) 2
Ex
E
2 f (x i) x
i+ 1
C. ALGORITMO DEL METODO DE NEWTON-RAPHSON
I.
Ingresamos la
f ( x )=0, x 0 ,
n el que ser el nmero de cifras
significativas.
II.
III.
IV.
'
''
Calculamos f ( x ) , f ( x ) , f ( x ) seguimos,
Se evala
M =g ( x 0 )=
f ( x )f ' ' ( x )
[ f ' (x )]
|M |<1 se sigue al siguiente
Si se cumple la siguiente condicin
paso de no ser as se regresan al paso I, se pide un nuevo

V.
VI.
VII.
( Iter=i) .
'
Evaluamos f ( x i ) , f ( xi )
forma
VIII.
x0 .
x i+1=x 0
E i=
f ( xi )
f ' ( xi )
x ix i1
xi
MTODOS NUMRICOS
29
IX.
Ei 0.510

no ser as
( Iter=i+ 1 )
2n
si se cumple
y se regresa al paso nmero VI.
INICIO
n
D. DIAGRAMA DE FLUJO DE METODO DE NEWTON-
RAPHSON
M(Xi)
NO
SI
.
NO
SI
Xi
FIN
MTODOS NUMRICOS
30
1.2.2.3. METODO DE LA SECANTE.

A. DEFINICIN:
Un problema fuerte en la implementacin del mtodo de Newton-Raphson
es el de la evaluacin de la derivada. Aunque esto no es un inconveniente
para los polinomios y para muchas otras funciones, existen algunas de
estas cuyas derivadas pueden ser extremadamente difciles de evaluar. En
estos casos, la derivada se puede aproximar mediante una diferencia
dividida como se muestra en la figura.
Tabla
MTODOS NUMRICOS
31
Esquema grafico del mtodo de la secante. Esta tcnica es similar a la del

mtodo de Newton-Raphson en el sentido de que una aproximacin a la
raz se calcula extrapolando una tangente de la funcin hasta el eje x. Sin
embargo, el mtodo de la secante usa una diferencia en vez de la derivada
para aproximar la pendiente.
f ( x )=
f ( x i1 )f (x i)
xi 1 xi
Esta aproximacin se puede sustituir en la ecuacin obteniendo la

ecuacin iterativa:
x i+1=x i
f ( xi )( x i1 xi )
f ( x i1 )f ( x i )
Esta ecuacin es la frmula para el mtodo de la secante. Ntese que el

planteamiento necesita de dos puntos iniciales de x. sin embargo, debido a
que no se requiere que f(x) cambie de signo entre estos valores, a este
mtodo no se le clasifica como aquellos que usan intervalos.
B. ALGORITMO DEL METODO DE LA SECANTE
I.
Ingresamos la f ( x )=0, x 0 , n el que ser el nmero de cifras
II.
III.
significativas.
( Iter=i) .
'
Evaluamos f ( x i ) , f ( xi )
MTODOS NUMRICOS
32
IV.
forma
V.
VI.
x i+1=x 0
f ( xi ) [ x i1x i ]
f ( x i1 )f (x i)
E i=
x ix i1
xi
Ei 0.510

no ser as
( Iter=i+ 1 )
2n
si se cumple
y se regresa al paso nmero III.
C. DIAGRAMA DE FLUJO DE LA SECANTE
MTODOS NUMRICOS
33
INICIO
n
NO
SI
Xi
FIN
MTODOS NUMRICOS
34
CAPITU
LO II
SISTEMA DE
ECUACIONES
SIMULTNEAS
ALGEBRAICAS
LINEALES
MTODOS NUMRICOS
35
INTRODUCCIN
Este nuevo captulo, nos enfocaremos, a la resolucin de sistemas
de ecuaciones lineales, la solucin de tales sistemas, permiten que una
gran variedad de problemas se resuelvan incluyendo la solucin numrica
de ecuaciones diferenciales ordinarias y parciales, anlisis estructural,
optimizacin.
Este sistema consiste bsicamente de un gran nmero de
ecuaciones simultneas y se tendr que elegir el mejor mtodo. Puesto
que las tcnicas bsicas del algebra matricial son requeridas en este
captulo.
Para resolver todos estos mtodos descritos en este
informe,
utilizaremos el MAPLE, EXCEL, GEOGEBRA, y los diferentes softwares

que se han desarrollado para ahorrar tiempo, ya que si se hace
manualmente se requerira de micho tiempo. Puesto que estos programas
nos ayudaran a ser ms precisos.
MTODOS NUMRICOS
36
2.2. CONCEPTOS PREVIOS.

2.2.1.
ALGEBRA MATRICIAL
2.2.1.1.
MATRICES
Una matriz,
A M N , es un arreglo rectangular de m n nmeros
dispuestos en m filas (renglones) y n columnas.
As tendremos:
a11 a12 a13

a21 a22 a23
a31 a32 a33
El smbolo m n se lee m por n.

El vector fila ( ai 1 , ai 2 , . , a
a1 j
a2 j
.
.
a mj
()
El vector columna
se le llama FILA i .
se le llama COLUMNA j.
a Ij Es el nmero que aparece e la i-esima fila y la j-esima columna .

EJEMPPLO:
A=
[]
2
3
2
B=
2 5 3 0
4 0 1 2
, C=
aij
A=Es una matriz de 3x1,

B=Es un matriz de 2x4,
bij
1i 4+2 i
2 15 i
3+ 2i 3
R
R
C=Es una matriz de 3x2, c ij R

NOTACION:
MTODOS NUMRICOS
37
A mxn = [ aij ]
Se denota las matrices por:
i=1,2,3, , m; j=1,2,3 .. , n
o ( aij ),
donde aij
es la i-j esima entrada,
i=fila , j=columna .
2.2.1.2.
ORDEN DE UNA MATRIZ
El orden de una matriz est dado por el producto

indica el nmero de filas y
El conjunto de matrices
k
mxn
Si
mxn
, donde m
el nmero de columnas.
aij
con elementos
se denota por
Es decir
Si
mxn
k mxn ={( aij )/a ij k }
R , entonces
a
( ij)mxn /aij
R mxn=
C , entonces
a
( ij)mxn / aij
C mxn=
C .
2.2.1.3. MATRICES ESPECIALES

Las matrices especiales son:
A. MATRIZ CUADRADA: Si m=n (nmero de filas es igual al
nmero de columnas), diremos que A n= [ aij ] o ( aij ), es una
matriz cuadrada.
B. MATRIZ DIAGONAL: La matriz cuadrada
A n es diagonal si
aij =0, sii j y aii 0,1 i n .

MTODOS NUMRICOS
38
C. MATRIZ ESCALAR: Es la matriz diagonal cuyos elementos son

iguales.
a11 0
0 0
0 a22 0 0
A n= 0 0 a 33
0
a
0 0
0
nm
Por lo menos algn aii
es
diferente de cero.
EJEMPLOS:
[ ]
20 0 0
00 0 0
A4=
0 0 3 0
00 0 0
de
5 x5
4x 4
; Es de k
.
[ ]
3
0
B 5= 0
0
0
0
0
2
0
0
0
0
0
8
0
0
0
0
0
4
; Es
D. MATRIZ IDENTIDAD: La matriz cuadrada

identidad si, y solo si
[ ]
1
0
I n= 0
0
0
0
4
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
aij =0 ;
I n es la matriz
si i j y aii =1 .
EJEMPLOS:
MTODOS NUMRICOS
39
[ ]
I2 =
1 0
0 1
[ ]
1 0 0
I3 = 0 1 0
0 0 1
[ ]
1
0
I 4=
0
0
0
1
0
0
0
0
1
0
0
0
0
1
E. MATRIZ TRIANGULAR:
a). La matriz cuadrada
An
es
TRIANGULAR superior si
aij =0, para todo i> j .
b). La matriz cuadrada
An
es
TRIANGULAR inferior si
aij =0, para todo i< j .
[ ]
a11 0 0 0
a a 0 0
A 4 = 21 22
a31 a 32 a 33 0
a 41 a 42 a 43 a 44
[ ]
a 11 a12 a 13 a 14
a a
A 4 = 0 a22 23 24
0 0 a 33 a 34
0 0 0 a 44
F. MATRIZ NULA:
A mxn Es nula si, y solo si aij =0, para todo
i, j .
Denotaremos por:
[ ]
0 0
mxn = 0 0
0 0
G. MATRIZ TRANSPUESTA:
Sean las matrices
A= [ aij ] mxn
y B=[ b ij ]nxm
transpuesta de A, si y solo si, bij =aij
. Diremos que B es la
para todos los
1 i m ,1 j n
t
y denotaremos B= A , es decir:
t
B= A b ij =aij
para todo i, j .
EJEMPLO:
MTODOS NUMRICOS
40
Sea
3 1 2 4
A= 2 5 3 2
1 0 0 4
es una matriz de orden 3x4.

3x 4
La transpuesta de A es otra matriz de orden 4x3, puesto que se obtiene

intercambiando las filas por columnas.
[ ]
3 2 1
1 5 0
A=
2 3 0
4 2 4
t
4x3
H. MATRIZ SIMETRICA:
A n= [ aij ] , A es simtrica si, y solo si
Sea la matriz cuadrada
A= A t .
I. MATRIZ ANTISIMETRICA:
A= At . Una matriz cuadrada A no es
A es anti simtrica, si
singular si, y solo si, su determinante es diferente de cero.
2.2.1.4.
DIAGONAL DE UNA MATRIZ

A n= [ aij ]
Dada la matriz cuadrada
se llama DIAGONAL PRINCIPAL al
conjunto.
D ( a11 , a22 , a33 , . a nn ).
EJEMPLO:
2
3 1 5
1 4
3 2
A4=
3
4
8 1
4
3
2 0
A4
D (2, 4, 3,0) Es la diagonal principal de
2.2.1.5.
TRAZA DE UNA MATRIZ

MTODOS NUMRICOS
41
A= [ aij ] n , se llama traza de A, al nmero de
Tr ( A )=a 11 ,+ a22 + a33 + .. anm (es la suma de los elementos de la diagonal

principal).
DEL EJEMPLO ANTERIOR, se tiene que la diagonal principal es (2,4,
3,0), entonces la traza seria:
Tr ( A 4 ) =2+4 +3+0
2.2.1.6.
Tr ( A 4 ) =9
MULTIPLICACIN DE MATRICES
A mxn =[ aij ] por
El producto de
B nxp=[ b ij ] , se define del siguiente
modo:
n
c ij = aik bkj
A mxn B nxp=C mxp= [ cij ] , tal que
k=1
, 1 i m ,1 j p .
EJEMPLO:
Dadas las siguientes matrices:
[ ]
A= 5 3
0 5
B= 8 0 7
1 3 2
Hallar AB , A2
Solucin:
[ ][
AB=
][
5 3 8 0 7 ( 5,3 ) . ( 1,8 ) ( 5,3 ) . ( 0,3 ) ( 5,3 ) . (7,2 )

0 5 1 3 2 ( 0,5 ) . (8,1 ) ( 0,5 ) . ( 0,3 ) ( 0,5 ) . ( 7,2 )
AB= 40+3 0+9 35+6

0+5
0+15 0+10
AB =
37 9 41
5
15 10
]
MTODOS NUMRICOS
42
A 2= A . A=
[ ][ ][ ((
5 3 5 3
0 5 0 5
][
][
5,3 ) . ( 5,0 ) ( 5,3 ) . ( 3,5 ) 25+0 15+15

25 30
=
0 25
0,5 ) . (5,0 ) ( 0,5 ) . (3,5 ) 0+0 0+25
DETERMINANTE DE UNA MATRIZ
2.2.1.7.
A= [ aij ]
de orden n, llamaremos determinante
de la matriz A, al nmero real que est relacionado con los elementos
aij
de la matriz.
NOTACION:
| A| , det ( A) , Indican el determinante de la matriz cuadrada A.

La definicin formal de determinante es como sigue a continuacin:
det :
Rnxn R
A det ( A )
El determinante es una funcin de
Rnxn en R, tal que
corresponder a cada matriz A un nico nmero real
det
det
hace
A, que por
induccin se define del siguiente modo.

1). Para
2). Para
n=1,
n=2,
A=a11
A=
entonces
det ( A )=a11
a11 a 12
entonces det ( A )=a11 a22a 21 a12
a21 a 22
3). Para n=3,
MTODOS NUMRICOS
43
a11 a 12 a13
a
a
A= a21 a 22 a23 entonces det ( A )=a11 22 23
a32 a33
a31 a 32 a33
a12
| |
a21 a 23
a a
+ a13 21 22
a31 a 33
a31 a32
En general:
si A=
a11 a 12 a1 n
a21 a 22 a2 n

an 1 an 2 anm
OBSERVACION: El determinante de orden 3, se puede desarrollar a

travs del mtodo de sarrus:
||
abc
a b c de f
Asi : d e f = g h i =( aei+ dhc+ gbf )( dbi+ ahfgec)
g h i abc
de f
| |
. Este
Mtodo solo se aplica a los determinantes de 3x3.
| |
3 12
3 1 2 2 2 3
2 2 3 = 4 12 =(124 +12 )(4 +916 )=7
4 1 2
3 12
2 2 3
Si
A= [ aij ] n es triangular entonces su determinante sera :
| A|=a11 a 22 a33 .. ann

2.2.1.8.
RANGO DE UNA MATRIZ
MTODOS NUMRICOS
44
Sea la matriz
A= [ aij ]m n , diremos que el rango de la matriz A es p si
existe una submatriz cuadrada B de A de orden P, tal que
|B| 0 y el
determinante de cualquier submatriz cuadrada de A de orden mayor que B

es cero.
NOTACION:
A= [ aij ] m n , denotamos
si
p ( A )=P
para indicar el rango de la matriz
A.
PROPIEDADADES:
Si
A= [ aij ] mxn
, es una matriz de orden
1 . p ( A ) min( m, n)
mxn , se cumple que:
2 . A=[ aij ] n implica p ( A ) <n , si y solo si ,|A|=O
3 . p ( At )= p( A)
2.2.1.9. OPERACIN ELEMENTAL SOBRE LAS FILAS DE

UNA MATRIZ
Una forma prctica de hallar: el rango de una matriz, la inversa de una

matriz, el determinante de una matriz y la solucin de un sistema de
ecuaciones lineales; es reduciendo una matriz dada en otra matriz
equivalente, pero ms simple, haciendo operaciones elementales sobre las
filas de una matriz dada.
Las operaciones elementales que se hacen sobre las filas de una matriz
A= [ aij ] m n , son:
1). Permutar dos filas.
2). Multiplicar a una fila por una escalar.
3). Sumar a una fila el mltiplo de otra fila. Combinando estas operaciones
elementales se reduce la matriz A hasta convertirla en otra matriz
equivalente simple, similar a la siguiente matriz.
MTODOS NUMRICOS
45
F . C ( A )=
Ip
N p (n p )
N ( m p) ( np )
N (m p ) p
m n
N (mp ) p es una matriz no nula
donde : I p es una matriz identidad de orden p
2.2.1.10.
INVERSA DE UNA MATRIZ
EXISTENCIA DE LA INVERSA DE UNA MATRIZ CUADRADA

Una matriz cuadrada
Sea
A= [ aij ] n tiene inversa p ( A ) =n | A| 0
A n= [ aij ] , una matriz cuadrada
no singular si existe una matriz B de
n n . Se dice que A es invertible o
n n
AB=BA=I n . La
tal que
matriz B se conoce como inversa de A y se denota de con
A1 .
TEOREMA DE EXPANSION DE LAPLACE O METODO DE LOS

MENORES COMPLEMENTARIOS:
A n= [ aij ] , definimos:
a).
i
A( )
j
Ejemplo: sea
es la submatriz
cuadrada que se obtiene

eliminando la i-esima fila y
la j-esima columna.
b).
|A( ij )|
es el i-jesimo
| |
i
ij=(1)i + j A ( )
j
el i-jesimo cofactor.
a).
2 3 5
2
A
=3 0 0
3
8 3 4
()
b).
2 3 5
2
2+1
3 5
A
= 3 0 0 (1 ) ( 3 )
=81
3
3 4
8 3 4
menor complementario.
c).
[ ]
2 3 1 5
2 5 0 1
A4=
3 0 7 0
8 3 2 4
()
es
c).
MTODOS NUMRICOS
46
23=(1)
2 3 5
2
A ( ) 3 0 0 =81
3
8 3 4
| |
2 +3
Conocido los conceptos a), b) y c); estamos preparados para hallar el

determinante de una matriz por menores complementarios.
A n= [ aij ] , el determinante de
Dada la matriz cuadrada
An
es un
nmero real:
| A|=ai 1 i 1 +ai 2 i 2 +ai 3 i3 + a (1)
| A|=a1 j 1 j +a2 j 2 j +a 3 j 3 j + anj nj
(2)
Donde (1) es el desarrollo por cualquier fila de la matriz y (2) es el

desarrollo por cualquier columna.
SUGERENCIA:
Para calcular un determinante, por menores complementarios, se conviene
desarrollarse por la fila o la columna que tenga ms ceros.
EJEMPLO:
[ ]
2 3 1 5
3 1 5
2 3 5
2 5 0 1 (1 )3+1 ( 3 )
3+3
+
(
1
)
(
7
)
5
0 1
2 5 1
3 0 7 0
3 2 4
8
3 4
8 3 2 4
MTODOS NUMRICOS
47
| || |
3 1 5
2 3 5
5
0 1
2 5 1
3 3 2 4 7 8
3 4
3 1 5
2 3 5
5
0 1
2 5 1
3 { [ 0503 ] [ 0+620 ] } { [ 403024 ] [ 200+6+24 ] }=3 [53(14 ) ] 7 [ 14230 ] =1591
2.2.1.11.ADJUNTA DE UNA MATRIZ

| |
i
A= [ aij ] n y sea ij=(1)i + j A ( ) .
j
adjunta de A (denotado por
adj( A) ) a la matriz: [ ij ]T
Llamaremos
, es decir:
adj ( A )=[ ij ]T
, donde
T
[ ij ]
Cof A
Adjunta de A es igual al cofactor de A
TEOREMA:
A= [ aij ] n , tal que | A| 0
, entonces:
A . adj ( A ) =| A|. I
Producto de la matriz A por su adjunta = determinante de la matriz A por la

matriz identidad I.
PRUEBA:
MTODOS NUMRICOS
48
1). Se tiene
a).
[ ij ]
A= [ aij ]n , y adj ( A )=[ ij ]T

T
dnde:
es la matriz COFACTOR de A
| |
i
i+j
b). ij=(1) A ( j )
c).
[ ij ]
elemento de
es la transpuesta de
[ ij ]
Por lo tanto: si
, entonces ij es un elemento de
2). El producto de A por

c ij
[ ij ] .
adj ( A )
es otra matriz
[ c ij ]
[ ij ]
ij
T
es un
, cuyos elementos
son de la forma:
n
c ij = aik jk .
k=1
es decir:
A . adj ( A ) =[ c ij ] , tal que
n
c ij = aik jk .
k=1
Dnde:
n
a). si
j=i cii = aik jk = (1 )

k=1
i+ k
aik det Aik =det ( A ) , para cualquier i .
b).
j i cij =0
COROLARIO:
A1=
1
adj ( A ) , Si| A| 0.
| A|
PROPIEDADES:
MTODOS NUMRICOS
49
P2 adj ( AT )=( adj ( A ) ) , Si| A|0.
P1 adj ( I )=I .
P5 adj ( A n) =( adj ( A ) )
P4 adj ( AB )=adj ( B ) . adj ( A ) , Si |A| 0 ,|B| 0.

n1
P6 |adj ( A )|=| A|
P3 adj ( A1 ) =( adj ( A ) ) .
n
(n1)
P7 |adj(adj ( A ))|=| A|
SUGERENCIA:
Estas propiedades se demuestran aplicando el corolario
adj ( A )=| A| . A1 .
2.2.2.
TEOREMA DE ROUCH-FROBENIUS.
Este teorema nos permite calcular el nmero de
soluciones de un
sistema de ecuaciones lineales, en funcin del rango de la matriz de

coeficientes y el rango de la matriz ampliada o aumentada asociada al
sistema.
a11 x 1+ a12 x 1 + a13 x 3 + a 21 x1 + a 22 x 2+ a23 x 3 + a31 x 1 +
a x +
am 1 x 1+ 32 2 a m 2 x 2+
Puede ser escrito mediante una matriz.
a11 a12 a13 a1 n b 1

a21 a22 a23 a 2 n b 2
( A/ B)= a31 a32 a33
a 2 n b3
a m 1 am 2 am 3
amn bm
a11 a1 n
A=
am 1 amn
MTODOS NUMRICOS
50
a33 x 3+
am 3 x 3 +
[]
b1
B=
bm
En conclusin:
Existen soluciones para el sistema si y solo si el rango de la matriz
completa es igual al rango de la matriz incompleta.
Entonces, si existen soluciones, ests forman un sub-espacio afn de
de dimensiones
Kn
nrg(A ) . Adems.
i.
Si
rg( A/ B)=n=rg(B)
entonces la solucin es nica.
ii.
Si
rg( A/ B)=rg(B)< n
, existen infinitas soluciones.
iii.
Si
rg( A/ B) rg( B) no existen soluciones.
2.2.3.
SISTEMA DE ECUACIONES LINEALES
2.2.3.1.
DEFINICIN
Un sistema de m-ecuaciones lineales con n-incognicas, es un

conjunto de ecuaciones de la forma:
a33 x 3+
a11 x 1+ a12 x 1 + a13 x 3 + a 21 x1 + a 22 x 2+ a23 x 3 + a31 x 1 +

a x +
am 1 x 1+ 32 2 a m 2 x 2+
am 3 x 3 + . f
Donde :
MTODOS NUMRICOS
51
a11 a12 a13 a1 n b 1

a21 a22 a23 a 2 n b 2
( A/ B)= a31 a32 a33
a 2 n b3
a m 1 am 2 am 3
amn bm
[] []
b1
B=
bm
x1
X=
xn
a11 a1 n
A=
am 1 amn
En la forma matricial el sistema se escribe :
AX =B
METODOS PARA RESOLVER UN SISTEMA DE

ECUACIONES ALGEBRECIAS LINELAES : METODO
DE CRAMER
2.2.3.2.
Si
AX =B
es un sistema de n-ecuaciones con n-incgnitas
x 1 , x 2 , x 3 , . , xn
en el cual
| A| 0 , entonces existe una solucin
nica X, dada por la formulas:

n
1
x j=
b . cof (akj ) , para
| A| k=1 k
j=1,2, .. n .
Donde
b k . cof (akj )=|C j|

k=1
remplazar
la
columna,
, si
de
C j = matriz obtenida de A al
por
la
matriz
comuna
B,
cof ( a kj )=(1)k + j| A( k / j)|= el cofactor correspondiente al elemento

akj
, es el determinante de la sub-matriz
anular la fila k y la columna j, con signo
A ( k / j)
que resulta de
(1)k + j .
En conclusin tenemos la siguiente formula:

MTODOS NUMRICOS
52
x j=
|C j|
| A|

DE GAUSS- JORDAN
2.2.3.3.
Algoritmo del mtodo de Gauss-Jordn.

i. Tenemos el sistema de ecuaciones lineales, el nmero de
incgnitas n.
Definimos la matriz coeficiente(A) , la matriz de n-
ii.
incgnitas(X), la matriz trminos independientes(B) y la

iii.
iv.
v.
matriz aumentada del sistema(A/B).

Se escribe la forma matricial AX=B.
Reducir la matriz ampliada (A/B) a la forma cannica.
De la forma cannica hallamos el rango de A y el rango de la
matriz ampliada.
vi. A continuacin, evaluamos lo siguiente:
Si es asi el sitema es compatible

w=ra( A)=ra( A /B) Si no es asiel sistemano es compatible y
automaticamente se detiene el programa .
vii.
Se volver a evaluar :
si w=n , existe unica solucin
w,n
si w< n , existen infinitas soluciones
viii.
2.2.3.4.
Hallamos la solucin al sistema de ecuaciones lineales.

DE GAUSS-SEIDEL
Es un mtodo iterativo, que se basa en obtener valores iniciales,

que en sucesivas operaciones se van aproximando a las soluciones
reales.
MTODOS NUMRICOS
53
Este mtodo es ms utilizado y permite manejar un acercamiento a

la solucin, tanto, como sea requerido, es decir, puede prefijarse un
error.
Algoritmo del mtodo de Gauss-Seidel.
i.
Declaramos las ecuaciones del sistema lineal, y el nmero de

cifras significativas n.
a33 x 3+
a11 x 1+ a12 x 1 + a13 x 3 + a 21 x1 + a 22 x 2+ a23 x 3 + a31 x 1 +

a32 x2 +
am 1 x 1+
a m 2 x 2+
am 3 x 3 + . f
iii.
ii.
Evaluamos el teorema de ROUCH FROBENIUS.

Evaluamos
la
convergencia:
iv.
Ser matriz diagonal dominante, matriz simtrica.

Despejamos cada una de las variables con respecto a
cada
variable y obtenemos las ecuaciones base.
v.
x 1=
b1a 2 x 2a3 x 03a n x n

a1
x n=
bmam 2 x2am 3 x03amn1 x n1

amn
Encontramos la primera aproximacin, para eso igualamos el

resto de variables a cero, para calcular dicha variable.
x 1 [ 1 ] , si x 2=x 3==x n =0 x 2 [ 1 ] , si x 1=x 1 [ 1 ] , x 3=x 4 ==x n=0
vi.
x n [ 1 ] , si x 1=x 1 [ 1 ] , x 2=x 2 [ 1 ] , , x n1=x n1 [ 1 ]
Evaluamos el error para cada variable, a partir de la segunda

iteracin.
MTODOS NUMRICOS
54
Ei=
vii.
x i1x i
xi
Para que pare de iterar tenemos que evaluar si el error de cada

n2
variable es menor que ( 0.510

error
daremos
), si se cumple esto para cada
fin
la
iteracin.
MTODOS NUMRICOS
55
CAPITU
LO III
REGRESIN E
INTERPOLACI
N
MTODOS NUMRICOS
56
INTRODUCCIN
Este informe, se detallara el ajustes de curvas, por los diversos

mtodos que existen y que detallare ms adelante, esto nos ayudara en
los experimentos cientficos, ya que ah se tabulan datos, como puntos
discreto, estos puntos nos servirn para poder hallar la funcin que
encierre a dichos puntos, as que se discutirn los mtodos y tcnicas para
estimar el valor de la funcin, a partir de un grupo de datos.
El mtodo ms simple de ajustar una curva es trazar sus puntos y

unirlos con una lnea recta. Pero los resultados dependen de la precisin
de quien traza la curva. Para el cual se utilizaran diversos mtodos de
ajustes, aplicados en el MAPLE.
MTODOS NUMRICOS
57
CONCEPTOS PREVIOS.
3.1.1.ESTADISTICA APLICADA A LA REGRESIN
3.1.
3.1.1.1.
MEDIA ARITMETICA
La media aritmtica, o brevemente la media, de un conjunto de N nmeros

Y1, Y2, Y3,. . ., YN se denota as:
Y (que se lee Y barra) y
matemticamente est definido as:

N
Y =
Yi
Y 1 +Y 2+ Y 3+ +Y N i=0
=
N
N
3.1.1.2.
DESVIACIN ESTANDAR
La desviacin estndar es una medida del grado de dispersin de los

datos con respecto al valor promedio. Dicho de otra manera, la desviacin
estndar es simplemente el "promedio" o variacin esperada con respecto
a la media aritmtica.
La desviacin estndar es una medida de la
incerteza de nuestras mediciones.
SY =
Donde
St
N 1
St
es la suma total de los cuadrados de las diferencias entre los
datos y la media, mide la dispersin (variacin total) en los valores

observados de Y.
2
S t = ( y iY )
MTODOS NUMRICOS
58
ERROR ESTANDAR DE DESVIACIN
3.1.1.3.
SY /X=
Sr
N2
El subndice y/x designa que el error es para un valor predicho de y

correspondiente a un valor particular de x. Tambin, observe que ahora
dividimos entre n 2 debido a que se usaron dos datos estimados.
3.1.1.4.
VARIANZA
Se define como la media aritmtica de los cuadrados de las desviaciones

respecto a la media aritmtica. Se simboliza
S Y 2=
St
N 1
3.1.1.5.
COEFICIENTE DE VARIACIN
Es el indicador del grado de aproximacin con que se estiman las

mediciones.
C.V=
3.1.1.6.
SY
100
Y
COEFICIENTE DE DETERMINACIN
MTODOS NUMRICOS
59
Se interpreta como una medida de ajuste de los datos observados y

proporciona el porcentaje de la variacin total explicada por la regresin.
Su principal propsito es predecir futuros resultados o probar una
hiptesis. El coeficiente determina la calidad del modelo para replicar los
resultados, y la proporcin de variacin de los resultados que puede
explicarse por el modelo.
R 2=
S t S r
St
3.1.1.7.
COEFICIENTE DE CORRELACIN
Es un nmero que indica el grado o intensidad de asociacin entre las

variables X e Y. Su valor vara entre -1 y +1; esto es:
R= R2
MTODOS NUMRICOS
60
3.2. REGRESIN
3.2.1.1. REGRESIN LINEAL POR MINIMOS CUADRADOS
En este mtodo se pretende trazar la recta que ms se acerque al conjunto

de datos, a la cual se le llama lnea recta de regresin expresada
matemticamente como:
y=ax+b +error
Los valores de a y b se pueden calcular, tambin el error de la siguiente
manera:
a=
xi
x i 2
n
n ( xi ) ( y i ) ( x i )( y i)
b= y
a x
y iba x i
error=
MTODOS NUMRICOS
61
Cuantificacin del error en la regresin lineal
Error estndar del estimado
s y=
x
sr
n2
Donde el subndice
y
x
designa que el error es para un valor predicho
de y y corresponde a un valor particular de x
Si:
s r = ( y i f (x i ))2
COEFICIENTE DE DETERMINACIN
r 2=
s t s r
st
COEFICIENTE DE CORRELACION
r= x 2
Algoritmo de regresin Lineal por Minimos cuadrados .

i. Definir la nube de puntos, n = numero de puntos.
MTODOS NUMRICOS
62
ii.
Calculamos , la media aritmtica de x y y , la suma de todos los x,

la suma de todos los y , la suma de la multiplicacin de los x*y, la
iii.
iv.
v.
vi.
vii.
resta de los y con la media aritmtica de y elevada al cuadrado.

Calculamos el a, b , con las formulas respectivas.
Defino mi curva de regresin lineal .
2
Calculo los parmetros de regresin , St, Sy, C.V, Sr, Sy/x, r , r .
Evaluo si Sy/x < Sy , entonces el modelo de regresin es aceptable.
2
2
Si r es igual a 1 entonces el ajuste es 100 % variable , si r es
igual
cero
entonces
el
ajuste
no
presenta
mejoras.
Ejemplo: ajuste a una lnea recta los valores de x y y
xi
yi
0.5
2.5
3.5
5.5
Solucin:
El nmero de datos: n=7
La sumatoria de los valores de x:
x i=
28
La sumatoria de los valores de y:
y i= 24
El promedio de x:
x =
28
=4
7
El promedio de y:
y =
24
=3.428571
7
( x i ) ( y i )=119.5
MTODOS NUMRICOS
63
Encontramos:
s t = ( y i y )2 = 22.7143
(xi )2=140
( x i ) ( y i )=119.5
a=
n ( x i ) ( y i ) xi y i
2
n (x i )2( x i )
a=
7 ( 119.5 )28(24 )
2
7 ( 140 )( 28)
a=0.8392857
b= y a x
b=3.42285710.839287(4)
b=0.07142857
Error =
( y iba x i)2
= 0.1687
= 0.5625
= 0.3473
= 0.3265
= 0.5896
= 0.7972
= 0.1993
MTODOS NUMRICOS
64
s r = 2.9911
La sumatoria del error es:
c . v=
s y=
x
r 2=
sr
n2
s t s r
st
sy
y
c . v=
1.9457
100
3.428571
c .v
= 56.75%
2.9911
=0.7735
72
22.71432.9911
=0.868
22.7143
r=0.932
s y=
st
22.7143
=
=1.9457
n1
71
(s y )2=3.78572
La ecuacin es:
y=ax+b
MTODOS NUMRICOS
65
y=0.84 x +0.07
3.2.1.2.
REGRESIN NO LINEAL
Las tcnicas de regresin no lineal se usan para ajustar directamente estas

ecuaciones a los datos experimentales. Sin embargo, una alternativa ms
simple es la de usar manipulaciones matemticas y transformar las
ecuaciones a la forma lineal. En seguida se puede aplicar la regresin
lineal simple para ajustar las ecuaciones a los datos.
Por ejemplo, la ecuacin
y=a1 e
b1 x
se puede linealizar mediante
logaritmos naturales y obtener:

ln y=ln a1+ b1 x ln e
Pero, ya que
ln e=1 , se tiene
ln y=ln a1+ b1 x
MTODOS NUMRICOS
66
ln
Por lo tanto una grfica semi-logartmica de

lnea recta con una pendiente de
La ecuacin
y=a2 x b
b1
y contra
y una interseccin de
genera una
ln a1 .
se puede linealizar tomado logaritmos de base 10
y obtener:
log y=b 2 log x +log a2
De esta forma, una grfica logartmica de

una lnea recta con una pendiente de
La ecuacin
y=a3
x
b3 + x
b2
log
y contra
log x
genera
log a2 .
se linealiza invirtindola, y se obtiene:
1 b3 1 1
=
+
y a3 x a 3
Por lo tanto, una grfica de
b3
a3
1
y
contra
1
a3
1
x
ser lineal, con pendiente
. Estos modelos, en sus estados
transformados, se ajustan usando regresin lineal para evaluar los

coeficientes constantes.
Comentarios generales sobre la regresin lineal.
MTODOS NUMRICOS
67
Antes de continuar se debe recalcar la naturaleza introductoria del material

anterior sobre regresin lineal. Se ha enfocado en la forma simple y el uso
prctico de las ecuaciones para ajustar datos. Se debe estar conciente de
que existen aspectos tericos de regresin que tienen importancia en la
solucin de problemas pero que van ms all del alcance de este libro. Por
ejemplo, existen algunas hiptesis estadsticas inherentes al procedimiento
de mnimos cuadrados lineales tales como:
1. x tiene un valor fijo; no es aleatorio y se mide sin error
2. Los valores de y son variables aleatorios independientes y tienen
todas la misma varianza.
3. Los valores de y para una x dada deben estar distribuidos de
manera uniforme.
Estas hiptesis son importantes en el desarrollo y uso correcto de la
regresin.
Algoritmo del Regresin no lineal

i. Nube de puntos.
ii. Linealizar mi ecuacin segn el tipo de regresin no lineal (exponencial,
potencial, logstica)
EXPONENCIAL
POTENCIAL
y=a1 e b x
y=a2 x b
ln y=ln a1+ b1 x
log y=b 2 log x +log a2
LOGISTICA
x
y=a3
b3 + x
1 b3 1 1
=
+
y a3 x a 3
MTODOS NUMRICOS
68
i.
Calculo mi nueva de puntos segn el tipo de regresin no lineal

(exponencial, potencial, logstica)
EXPONENCIAL
x
POTENCIAL
ln y
LOGISTICA
1
x
log ylog y
1
y
ii. Con mi nueva nube de puntos, usare REGRESION LINEAL, donde

iii.
encontrare una recta.

Igualo los datos de cada uno segn el tipo de regresin no lineal
(exponencial, potencial, logstica).
Finalmente encontrare mi curva no lineal.
iv.
Para poder entender ms sobre regresin logartmica mostramos el

siguiente ejemplo:
La curva logartmica
y=alnx+ b es tambin una recta, pero en lugar de
estar referida a las variables originales X e Y, esta referida a
1
1.2
1.5
2
3
3.7
4
4.5
3
3.4
5
2
4.1
5
7
6.5
ln x
ln x
0
0.1823
0.4054
0.6931
1.0986
1.3083
1.3862
1.5040
0
0.0332
0.1643
0.4803
1.2069
1.7116
1.9215
2.2620
ln xy
0
0.6198
2.027
1.3862
4.5042
6.5415
9.7034
9.776
lnx
y a Y.
9
11.56
25
4
16.81
25
49
42.25
MTODOS NUMRICOS
69
20.9
36
6.5779
7.7798
34.5581
182.62
34.55814.5(6.5779)
(ln ( x))2 ln ( x) ln ( x)= 7.77980.8222(6.5779)

ln ( x) y y ln ( x)
a=
a=2.090513
b= y ( aln ( x ) )=4.5 ( 2.090513 )( 0.8222 ) =2.78117

Entonces la ecuacin final que modela el sistema es:
^y =2.090513 ln x +2.78117
3.3. INTERPOLACIN
3.3.1.1. DEFINICIN
Supongamos que conocemos N+1 puntos
( x 0 , y 0 ),(x1 , y 0) , ... ,(x N , y N ), de
la curva
y=f ( x) ,
Donde las abscisas xk se distribuyen en un intervalo [a,b] de
manera que
a x 0 < x 1 << x N b e y k =f (x k )
Construiremos un polinomio P(x) de grado N que pase por estos N+1

puntos. El polinomio P(x) puede luego usarse como una aproximacin a
MTODOS NUMRICOS
70
f(x) en todo el intervalo [a,b]; no obstante, si queremos conocer la funcin

error E(x) = f(x) . P(x), entonces s necesitaremos conocer
f (N +1)
(x) o
bien una cota de su tamao como

M = max {|f ( N +1) ( X )|}
a x b
Existen funciones especiales y = f(x), que aparecen en anlisis

estadsticos o cientficos, para las que slo se dispone de una tabla de
valores; es decir, slo conocemos
N+1 puntos
(x k , y k )
y es necesario un mtodo para aproximar f(x) en
abscisas que no estn tabuladas. Si el error de los valores tabulados es

significativo, entonces es mejor usar los mtodos de aproximacin. Si, por
( xk , yk )
el contrario, los puntos
tienen un grado alto de precisin,
entonces podemos considerar el polinomio y = P(x) que pasa por todos

ellos como una buena aproximacin de f (x).
Cuando
x 0< x< x N , la aproximacin P(x) se conoce como valor
interpolado; si se tiene
x< x0
o bien
x< x N , entonces P(x) se conoce
como valor extrapolado. Los polinomios se utilizan para disear algoritmos

de aproximacin de funciones, para derivar e integrar numricamente y
para dibujar, utilizando un ordenador, curvas que deben pasar por puntos
especificados de antemano.
Dados N+1 puntos
x 0 , x 1 , ... , x N pertenecientes al intervalo [a,b], el
polinomio de interpolacin de grado menor o igual que N que pasa por

esos puntos es nico.
MTODOS NUMRICOS
71
Recordemos brevemente que la forma eficiente de evaluar un polinomio

P(x):
P ( x )=a N x N +a N 1 x N 1 ++ a2 x2 +a 1 x +a0
Es el mtodo de Horner:
P ( x )=( ( a N x +a N1 ) x+ +a1 ) x +a0
INTERPOLACIN DE LAGRANGE
3.3.1.2.
El polinomio de interpolacin de Lagrange, este mtodo simplemente es

una reformulacin del polinomio de Newton que evita los clculos de las
diferencias divididas. Consiste en construir el polinomio interpolador de
grado n que pasa por n+1 puntos ( x i , y i ) de la forma
n
Pn ( x )= Li( x) yi
i=0
Donde la funcin
Li ( x ) =
Li (x) cumple
Li (x j) =0 si i j
Li ( x i ) =1
( xx 0 ) ( xx 1 ) .. ( xx i1 ) ( xx i+1 ) ( xx n )
=1
( x ix 0 ) ( xi x 1) .. ( x ix i1) ( x ix i+1 ) ( x ix n )
De su forma explcita, vemos que
Li ( x i ) =1 y que
Li (x j) =0 para
i j . Podemos escribir el polinomio interpolador de una funcin f (x) en
los puntos
x 0 , x 1 , . . . , x n de forma compacta como:
MTODOS NUMRICOS
72
i=0
j=0
j i
P n ( x )= f ( x i )
(xx i )
(x ix j )
Algoritmo de Interpolacin de LAGRANGE

i. Declaro mi nube de puntos , nmero de puntos =n+1
ii.
Aplicamos la formula general
n
n
(xx i )
P n ( x )= f ( x i )
i=0
j=0 (x ix j )
j i
iii.
Fin.
Ejemplo:
Obtener el polinomio de interpolacin usando la frmula de interpolacin
de Lagrange con la siguiente tabla de valores
X
f(x)
-6
8
6
-16
-1
-2
SOLUCION:
MTODOS NUMRICOS
73
( x 0 , y 0 ) =(6,8) , ( x 1 , y 1 )=( 6,16 ) , ( x 2 , y 2 )=(1,2)
Dado los puntos
podemos obtener el polinomio de interpolacin atreves de la siguiente

formula:
i=0
j=0
j i
P n ( x )= f ( x i )
L0 ( x ) =
(xx i )
(x ix j )
( xx 1 ) ( xx 2 ) ( x6 )( x +1 )
=
60
( x 0x 1 ) ( x 0x 2 )
x 5 x6
60
L1 ( x ) =
( xx 0 )( xx 2) ( x+ 6 ) ( x+1 )
=
84
( x 1x 0 )( x1 x2 )
x +7 x+ 6
84
L2 ( x ) =
( xx 0 ) ( xx 1) ( x+6 )( x6 )
=
35
( x 2x 0 ) ( x2 x1 )
x 236
84
El polinomio solucin es
MTODOS NUMRICOS
74
Pn ( x )= Li( x) yi =8 L0 ( x )16 L1 ( x ) 2 L2 ( x ) =42 x

i=0
3.1.1.1.
INTERPOLACIN DE NEWTON CON DIFERENCIAS

DIVIDIDAS
Hay ocasiones en las que resulta til construir varios polinomios

aproximantes P1(x), P2(x),..., PN(x) y, despus, elegir el ms adecuado a
nuestras necesidades. Si usamos los polinomios de interpolacin de
Lagrange, uno de los inconvenientes es que no se pueden utilizar los
clculos realizados en la construccin de PN-1(x) para la de PN(x); cada
polinomio debe construirse individualmente y para calcular polinomios de
grado elevado es necesario hacer muchas operaciones. Vamos a seguir
ahora un camino de construccin distinto, en el cual los polinomios de
interpolacin, que se llamarn de
P1=a 0+ a1 ( x x0 )
P2=a 0+ a1 ( xx 0) + a2 ( xx 0 )( xx1 )
P2=a 0+ a1 ( xx 0) + a2 ( xx 0 )( xx1 ) + a3 ( xx 0 )( x x1 ) ( xx 2 )
PN =a 0+ a1 ( xx 0 )+ a2 ( xx 0 )( xx1 ) + a3 ( xx 0 )( x x1 ) ( xx 2 ) ++a N ( xx 0 ) ( xx 1 )( xx2 ) xx N
Newton, se calculan mediante un esquema recursivo:

El polinomio PN(x) se obtiene a partir de PN-1(x) usando la recurrencia:
PN =P N1 ( x ) +a N ( xx 0 ) ( xx 1 ) ( xx 2) (xx N 1)
MTODOS NUMRICOS
75
El polinomio PN(x) calculado as es el polinomio de interpolacin de

Newton.
Clculo del Polinomio de Interpolacin de Newton
Supongamos que queremos encontrar los coeficientes ai de todos los
polinomios P1(x), P2(x), ..., PN(x) que nos sirven para interpolar una
funcin dada f(x). Entonces cada Pk(x) es el polinomio de Newton que
tiene como nodos x0, x1,..., xi. Para el polinomio P1(x), los coeficientes a0
y a1 tienen
f ( x 0 ) =P 1 ( x 0 )=a0 +a1 ( x 0x 0 )=a0 Por tanto:
x
f ( 1)=P 1 ( x 1 )=a0 +a1 ( x 1x 0 )=f ( x 0 ) + a1 ( x 1x 0 )
El clculo de los coeficientes se puede realizar de forma ms rpida y

sencilla utilizando la notacin de las diferencias divididas. Definicin:
Diferencias divididas. Las diferencias divididas de una funcin f(x) se
definen como: la diferencia dividida de orden cero:
f [ x i ] =f ( x i)
La diferencia dividida de primer orden:

f [ x i1 , x i ] =
f [ x i ] f [ x i1 ]
x ix i1
La diferencia dividida de segundo orden:
MTODOS NUMRICOS
76
f [ x i2 , x i1 , x i ]=
f [ xi 1 , xi ] f [ x i2 , x i1 ]
xi xi2
Las diferencias divididas de orden superior se forman de acuerdo con la

siguiente frmula de recursin:
f [ x i j , xi j+1 , , x i ]=
f [ x i j +1 , , xi ]f [ x i j , , x i1 ]
x ix i j
Que se utiliza para calcular la Tabla de Diferencias Divididas:
Algoritmo Interpolacin NEWTON

i. Defino mi nube de puntos, el nmero de puntos n+1.
ii. Calculo mis diferencias divididas dependiendo al nmero e puntos
iii. Multiplicamos las diferencias divididas con sus respectivos variables.
iv. Finalmente obtengo mi polinomio de Newton.
MTODOS NUMRICOS
77
CAPITU
LO IV
INTEGRACIN
INTRODUCCIN
MTODOS NUMRICOS
78
La integracin es
matemtico.
un concepto
Bsicamente,
fundamental del clculo y
una integral es
una
del anlisis
generalizacin
de
lasuma de infinitos sumandos, infinitamente pequeos.

El clculo integral, encuadrado en el clculo infinitesimal, es una rama de
las matemticas en el proceso de integracin o antiderivacin, es muy
comn en la ingeniera y en la ciencia tambin; se utiliza principalmente
para el clculo de reas y volmenes de regiones y slidos de revolucin.
Fue usado por primera vez por cientficos como Arqumedes, Ren
Descartes, Isaac Newton, Gottfried Leibniz e Isaac Barrow. Los trabajos de
este ltimo y los aportes de Newton generaron el teorema fundamental del
clculo integral, que propone que la derivacin y la integracin son
procesos inversos.
Esta ltima parte del estudio de mtodos numricos, se conceptualizara los
diversos mtodos de resolver integrales difciles de resolver, para un
estudiante, esperamos lograr le sea til todo lo brindado hasta ahora.
3.1. CONCEPTOS PREVIOS.

3.1.1.INTEGRAL
MTODOS NUMRICOS
79
Dada
una funcin
un intervalo
[ a , b]
la regin del plano
f (x)
de
una variable real
de la recta real, la integral es igual al rea de

xy
y las lneas verticales

reas por debajo del eje
limitada entre la grfica de , el eje

x=a
x=b , donde son negativas las
x .
f ( x ) dx
b
La palabra "integral" tambin puede hacer referencia a la nocin

de primitiva: una funcin F, cuya derivada es la funcin dada
En este caso se denomina integral indefinida, mientras que las

integrales tratadas en este artculo son las integrales definidas.
Algunos autores mantienen una distincin entre integrales primitivas
e indefinidas.
MTODOS NUMRICOS
80
3.2. METODOS DE INTEGRACIN

3.2.1.POLINOMIO DE TAYLOR
Algoritmo de integracin por el Polinomio de Taylor
b
i.
f (x) dx , declaro mi a , b ,
Defino mi integral
el grado del polinomio =n
m=
a+b
,
2
ii.
Calculo el
iii.
iv.
v.
Calculo mis derivadas de f(x), segn el grado dado n .

Evalu m cada en cada derivada que anteriormente calcule.
Remplazo en mi formula
2
P ( x )=
f (m) ( x m ) f ' (m) (xm) f ' ' (m)

( xm) f (m)
+
+
+ ..
0!
1!
2!
n!
b
vi.
P(x )dx
Finalmente
3.2.2.
Y OBTENGO LA APROXIMACIN.
RECTANGULO
Algoritmo de Integracin Rectangular.

b
i.
Defino mi integral
de rectngulos.
ii.
iii.
iv.
Calculo el
H=
Calculo , x i=a+ iH ; mi=
f ( x)dx , declaro mi a , b
a
, n = numero
ba
n
x i1 + x i
2
Con los datos anteriores calculamos :

n
I =H f ( m i )=integral aproximada
i=1
3.2.3.REGLA DEL TRAPECIO
MTODOS NUMRICOS
81
LA REGLA DEL TRAPECIO:

La regla del trapecio es la primera de las frmulas cerradas de integracin de
Newton. Corresponde al caso donde el polinomio es de primer grado:
b
I= f ( x)dx P1 (x) dx
a
P1 ( x ) =
Donde:
( xb )
( xa )
f ( a )+
f (b )
ab
ba
Representacin grafica de la regla del trapecio
Formula general de la regla del trapecio para n puntos:

b
f ( x ) dx= h2 [f ( x 0 ) +f ( x 1 ) ]
a
Formula general de la regla del trapecio para n+1 puntos:

b
f ( x ) dx= h2 [f ( x 0 ) +2 f ( x 1 )+ 2 f ( x 2) + 2 f ( x3 ) + 2 f ( xn1 ) + f ( x n ) ]
a
Algotitmo de la regla del trapecio

b
i. Defino mi integral
f (x) dx , declaro mi a , b ,
=n
ii.Calculo el
iii.
H=
y el nmero de trapecios
ba
,
n
Calculo , x i=a+ iH ; f ( x i ) ,
MTODOS NUMRICOS
82
iv. Evaluo mis datos en la formula siguiente :
n1
f ( x ) dx= h2 f ( x 0 ) +2 f ( x i ) + f ( x n )
i=1
a
v.
Finalmente obtengo mi integracin .
3.2.4.SIMPSON 1/3
La regla Simpson 1/3 resulta cuando un polinomio de segundo grado se
sustituye en la ecuacin:
b
I = f ( x ) dx P ( x)dx
a
Para obtener:
I=
H
f ( x )+ 4 f ( x1 )+ f ( x2 )]
3 [ 0
h=(b a)/2 . Esta ecuacin se llama regla de Simpson

debido a que h est dividida entre 3.
Donde
1/3
Para este mtodo nosotros mostraremos como se resuelve el polinomio

por medio de LAGRANGE
( xx 1 ) ( xx 2 )
( xx 0 ) ( xx 2 )
( x x0 ) ( xx 1 )
P ( x )=
f ( x0 )+
f ( x1 )+
f ( x2 )
( x 0x 1 ) ( x 0x 2 )
( x 1x 0 ) ( x 1x 2)
( x2 x0 ) ( x 2x 1 )
Integramos nuestro polinomio y obtenemos:
MTODOS NUMRICOS
83
I = P ( x ) dx=
a
H
[ f ( x 0 ) + 4 f ( x1 ) + f ( x 2) ]
3
Tambin aplicamos esta regla para n-simo puntos los cuales veremos a
continuacin, donde a=x 0 y b=x n :
b=x n
x2
x4
xn
I = P(x ) dx= P(x) dx + P(x)dx ++ P( x )dx

a=x 0
x0
x2
x n2
Integramos y obtenemos:
I=
H
H
H
f ( x 0 ) + 4 f ( x 1 ) + f ( x 2 ) ] + [ f ( x2 ) + 4 f ( x3 ) + f ( x 4 ) ] + + [ f ( x n2 ) +4 f ( x n1 ) +4 f ( x n1) + f ( x n )]
[
3
3
3
Por ultimo tendremos la formula general:

n2
f ( x i ) +2
i=2,4,6,8
f ( x i ) + f (x n)
n1
f ( x0 ) + 4
I=
i=1,3,5,7
Algoritmo de integracin por Simpson 1/3

b
i. Defino mi integral
f (x)dx , declaro mi a , b ,
a
el
nmero de segmentaciones =n , n tiene que ser par

ba
ii. Calculo el H= n ,
iii.
iv.
Evaluo mis datos en la formula :
n2
f ( x i ) +2
i=2,4,6,8
f ( x i ) + f (x n)
n1
f ( x0 ) + 4
i=1,3,5,7
MTODOS NUMRICOS
84
3.2.5.SIMPSON 3/8
De manera similar a la obtencin de la regla del trapecio y Simpson 1/3, es
posible ajustar un polinomio de Lagrange de tercer grado a cuatro puntos e
integrarlo:
b
I = f ( x ) dx P ( x)dx
a
Para obtener:
I=
3H
f ( x 0 ) +3 f ( x 1 ) +3 f ( x 2 ) + f (x 3) ]
8 [
Donde
h=(b a)/3 . Esta ecuacin se llama regla de Simpson
debido a que
se multiplica por
3/8
3/ 8 . Esta es la tercera frmula de
integracin cerrada de Newton-Cotes.

Para este mtodo nosotros mostraremos como se resuelve el polinomio
por medio de LAGRANGE: tenemos para cuatro puntos donde
a=x 0
b= x 3
P ( x )=
( xx 1) ( x x2 ) ( xx 3 )
( xx 0 ) ( xx 2 )( xx 3)
( xx 0 ) ( xx 1 ) ( xx 3 )
(
f ( x0 )+
f ( x1)+
f ( x2 ) +
( x 0x 1 ) ( x 0x 2 )( x0 x3 )
( x 1x 0 )( x 1x 2 ) ( x 1x 3 )
( x 2x 0 )( x2 x1 ) ( x 2x 3 )
(x
Integramos nuestro polinomio y obtenemos:

b
I = P ( x ) dx=
a
3H
[ f ( x 0 ) +3 f ( x1 ) +3 f ( x2 ) + f (x 3) ]
8
MTODOS NUMRICOS
85
Tambin aplicamos esta regla para n-simo puntos los cuales veremos a
continuacin, donde
b=x n
a=x 0 y b=x n :
x3
x6
xn
I = P(x ) dx= P(x) dx + P(x)dx ++ P( x)dx

a=x 0
x0
x3
x n3
Integramos y obtenemos:
I=
3H
3H
3H
f ( x 0 ) +3 f ( x 1 ) +3 f ( x 2 ) + f ( x 3) ] +
f ( x ) +3 f ( x 4 ) +3 f ( x 5 ) + f (x 6) ] ++
f ( x n3 )+ 3 f ( x n2 )
8 [
8 [ 3
8 [
Por ultimo tendremos la formula general:

x
f ( i)+ f (x n)
n2
f ( x i ) +3
n1
f ( x i) + 2
i=2,5,8,11
i=3,6,9,12
n3
f ( x 0 ) +3
i =1,4,7,10
I=
3H
Algoritmo de integracin por Simpson 3/8

b
i.
Defino mi integral
f (x)dx , declaro mi a , b ,
a
el
nmero de segmentaciones =n , n tiene que ser mltiplo de 3

ba
ii. Calculo el H= n ,
iii.
iv.
Evalu mis datos en la frmula :
MTODOS NUMRICOS
86
x
f ( i)+ f (x n)
n2
f ( x i ) +3
n1
f ( x i) + 2
i=2,5,8,11
i=3,6,9,12
n3
f ( x 0 ) +3
i =1,4,7,10
I=
3H
MTODOS NUMRICOS
87
ANEXO
S
1. RESOLUCIN DE 16 EJERCICIOS UTILIZANDO RESOLUCIN

DE ECUACIONES NO LINEALES EN MAPLE. (CONTROL+CLICK)
2. PROGRAMAS DE SOLUCION DE SISTEMA DE ECUACIONES
LINEALES, REGRESIN, INTERPOLACIN E INTEGRACIN,EN
MAPLE. (CONTROL+CLICK)
MTODOS NUMRICOS
88
3. EL
METODO
DE
REGRESIN
LINEAL
EN
EXCEL.
(CONTROL+CLICK)
4. DIAPOSITIVAS DE TODO LO EXPLICADO EN ESTE INFORME
(CONTROL+CLICK)
MTODOS NUMRICOS
89

Informe Grupal Los Electricos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Informe Grupal Los Electricos

Cargado por

Copyright:

Formatos disponibles

MTODOS NUMRICOS

INGENIERA MECNICA Y ELCTRICA

SOLUCIONES DE ECUACIONES NO LINEALES......................

Raz de una funcin.....................................................................

Qu son los mtodos numricos?.............................................10

Mtodo de aproximaciones sucesivas.........................................11

SOLUCIN DE ECUACIONES NO LINEALES .....................................12

METODOS QUE USAN INTERVALO.............................................12

TEOREMA DE BOLZANO :..........................................................13

ALGORITMO DEL METODO DE BISECCIN.................................15

DIAGRAMA DE FLUJO DEL METODO DE BISECCIN....................16

METODO DE LA REGLA FALSA...............................................17

ALGORITMO DEL METODO DE REGLA FALSA............................20

DIAGRAMA DE FLUJO DEL METODO DE REGLA FALSA................20

ALGORITMO DEL METODO DE PUNTO FIJO...............................25

INGENIERA MECNICA Y ELCTRICA

DIAGRAMA DE FLUJO DEL METODO DE PUNTO FIJO................27

METODO DE NEWTON RAPHSON............................................28

ALGORITMO DEL METODO DE NEWTON-RAPHSON...................29

DIAGRAMA DE FLUJO DE METODO DE NEWTON-RAPHSON.......30

ALGORITMO DEL METODO DE LA SECANTE..............................32

DIAGRAMA DE FLUJO DE LA SECANTE.....................................33

CAPITULO II SISTEMA DE ECUACIONES SIMULTANEAS ALGEBRAICAS

ORDEN DE UNA MATRIZ......................................................37

DIAGONAL DE UNA MATRIZ.................................................39

TRAZA DE UNA MATRIZ.......................................................40

DETERMINANTE DE UNA MATRIZ.........................................41

RANGO DE UNA MATRIZ......................................................42

OPERACIN ELEMENTAL SOBRE LAS FILAS DE UNA

INVERSA DE UNA MATRIZ....................................................43

ADJUNTA DE UNA MATRIZ...................................................45

SISTEMA DE ECUACIONES LINEALES........................................48

INGENIERA MECNICA Y ELCTRICA

ESTADISTICA APLICADA A LA REGRESIN...............................54

ERROR ESTANDAR DE DESVIACIN....................................54

REGRESIN LINEAL POR MINIMOS CUADRADOS................57

INTERPOLACIN DE NEWTON CON DIFERENCIAS DIVIDIDAS

REGLA DEL TRAPECIO..............................................................76

INGENIERA MECNICA Y ELCTRICA

INGENIERA MECNICA Y ELCTRICA

INGENIERA MECNICA Y ELCTRICA

Referente a las tcnicas para resolver problemas, representados

ecuaciones algebraicas y trascendentes, se describen siete mtodos entre

INGENIERA MECNICA Y ELCTRICA

INGENIERA MECNICA Y ELCTRICA

Los mtodos numricos en este captulo estudiaremos la resolucin de

INGENIERA MECNICA Y ELCTRICA

Nmero de dgitos que se pueden usar con confianza. Incluyen

1.1.3.Raz de una funcin

f ( x )=x 28 x +16=0 : Planteando y

resolviendo la ecuacin: Se tiene que 2 y 4 son races ya que f = 0.

En esta ltima, normalmente se repite hasta que su valor absoluto sea

INGENIERA MECNICA Y ELCTRICA

1.1.5.Qu son los mtodos numricos?

situaciones fsicas. Este tipo de mtodos son extraordinarios puesto

INGENIERA MECNICA Y ELCTRICA

instituciones deban dejar de incluir, en la formacin de los estudiantes,

1.1.7.Mtodo de aproximaciones sucesivas

INGENIERA MECNICA Y ELCTRICA

convergencia, con el nuevo valor se repite el proceso, tantas veces

1.2.1.1. METODO DE BISECCIN

INGENIERA MECNICA Y ELCTRICA

El mtodo de Biseccin para la resolucin de la ecuacin f(x) = 0 es