Trabajo Final de Errores

UNIVERSIDAD NACIONAL DE SAN AGUSTIN
AREQUIPA
ESCUELA PROFESIONAL DE INGENIERÍA CIVIL
INVESTIGACIÓN FORMATIVA:
DISEÑO DE INTERFAZ GRAFICA CON MATLAB PARA LA

SOLUCIÓN DE PROBLEMAS SOBRE DIFERENCIACIÓN E
INTEGRACIÓN NUMÉRICA
CURSO:
MÉTODOS NUMÉRICOS
DOCENTE:
DR. BIDDER SABINO CALAPUJA SAMBRANO
ALUMNOS:
ZAMATA SONCCO, JEAN CARLOS JONATHAN
MAMANI VALLEJOS, EDWARD DANIEL
YAULI FLOREZ, KEVIN
GRUPO:
18 de febrero del 2018
AREQUIPA – PERÚ
1
TEORÍA DE ERRORES EN MÉTODOS NUMÉRICOS
RESUMEN
Al tratar de resolver problemas matemáticos que se dan en la ingeniería, medicina, psicología, etc que
generalmente son fenómenos que ocurren en la naturaleza como:
•Pandeo de una columna plancha metálica
•Canal que transporta agua de flujo uniforme, flujo gradualmente variado flujo transitorio
•Armadura estáticamente determinado
•Etc.
Que no tienen solución analítica o que se requiere de grandes operaciones aritméticas que se pueden hacer
en un ordenador o calculadora, para esto hay que decirle a la máquina electrónica que halle y es aquí donde
interviene la programación
En si durante el proceso de programación se producen varios errores que se muestran a continuación:
-Antes de la programación
•Error del modelo o error del problema
•Error del método
-Durante la programación
•Error por truncamiento
•Error por redondeo
•Propagación de errores
Todos estos errores debemos tener en cuenta en los métodos numéricos:
•Ecuaciones no lineales
•Sistema de ecuaciones
•Interpolación
•Derivada e Integración
•Ecuaciones diferenciales
2
OBJETIVOS
OBJETIVOS GENERALES
• APRENDER EL CONCEPTO DE ERRORES EN METODOS NUMERICOS
• APRENDER COMO SE ORIGINAN LOS ERRORES DURANTE UN METODO NUMERICO
OBJETIVOS ESPECIFICOS:
• VISUALIZAR QUE TIPO DE ERRORES SON MÁS RELEVANTES EN UN METODO NUMERICO
• APRENDER MEDIANTE DEMOSTRACIONES MATEMATICAS LOS ERRORES
3
INTRODUCCION
•Primeramente, se define el concepto de error con sus respectivos ejemplos
•Luego se habla sobre las fuentes básicas de los errores (¿de dónde se origina los errores?) con sus
respectivos ejemplos
•Luego entramos en los errores que se producen en cada método numérico de los siguientes temas:
o Ecuaciones no lineales
o Interpolación
o Sistemas de ecuaciones
o Integración
o Ecuaciones diferenciales
4
INDICE
Capítulo 1: programación y software………………………………………………………………………………6
Métodos numéricos y programas………………………………………………………………………..6
MATLAB Conceptos Básicos y Programación…………………………………………………………9.
Capítulo 2: nociones fundamentales de errores………………………………………………………………….19
•Definición de error………………………………………………………………………………………..19.
•Fuentes básicas de errores……………………………………………………………………………..21
Capítulo 3: errores en los métodos numérico…………………………………………......................................39
•Ecuaciones no lineales……………………………………………………………………………………39
•Interpolación………………………………………………………………………………………………...50
•Sistemas de ecuaciones……………………………………………………………………………………55.
•Integrales……………………………………………………………………………………………………..65
5
CAPITULO 1: PROGRAMACIÓN Y SOFTWARE
métodos numéricos y programación

Antes para resolver problemas de ingeniería se encontraban las soluciones de algunos problemas usando
métodos exactos o analíticos. Dichas soluciones resultaban útiles y proporcionaban una comprensión
excelente del comportamiento de algunos sistemas. No obstante, las soluciones analíticas sólo pueden
encontrarse para una clase limitada de problemas. Éstos incluyen aquellos que pueden aproximarse mediante
modelos lineales y también aquellos que tienen una geometría simple y de baja dimensión. En consecuencia,
las soluciones analíticas tienen un valor práctico limitado porque la mayoría de los problemas reales son no
lineales, e implican formas y procesos complejos.
Como por ejemplo: Las formulas de Cardano-Tartaglia, para la ecuación polinómica de grado 3, pueden ser
x3 + a x 2 + a x + a = 0
2 1 0
escritas de la siguiente manera: Sea la ecuación cúbica: que tienen una solucion
analitica compleja y otras ecuaciones que ni siquiera tienen solucion analitica como la ecuación de Kepler:
x - asenx = b , que aparece en el cálculo de las ´orbitas planetarias (x representa la anomalía excéntrica,
a la excentricidad y b la anomalía media de la ´orbita), o la ecuación x - tanx = 0 , que aparece en
varias disciplinas científicas y técnicas (por ejemplo en la Teoría de Difracción de la luz, o en cálculos de
caudales en Hidráulica).
En la parte de ecuaciones diferenciales como la ecuacion diferencial de consolidacion de terzahi
�2u � u
Cv 2
=
�z �
t que consta de una solucion analitica compleja o la ecuacion diferencial de navier stock que
practicamente no tiene solucion analitica.
Es por eso que se optó por otro método más fácil que son los métodos numéricos que se pueden resolver
estos problemas de ingeniería mediante simples operaciones matemáticas, pero a cambio de un buen número
de tediosos cálculos aritméticos.
Definiciones basicas:
 Modelo matematico: expresion matematica que representa un sistema fisico
 Los métodos numéricos: constituyen técnicas mediante las cuales es posible formular problemas
matemáticos, de tal forma que puedan resolverse utilizando operaciones aritméticas. Aunque existen
muchos tipos de métodos numéricos, éstos comparten una característica común: invariablemente
requieren de un buen número de tediosos cálculos aritméticos.
 Algoritmos numéricos: Un algoritmo es una descripción ordenada de los pasos necesarios para
resolver un problema. Para diseñar un algoritmo para resolver un problema numérico es necesario
conocer en detalle la formulación matemática, las restricciones de su aplicación, los datos y algún
criterio para validar y aceptar los resultados obtenidos.
Desarrollo de un metodo numerico:

 Analisis
 Diseño
 Instrumentacion
Esto se puede apreciar claramente en la grafica siguiente:
6
Paquetes y programación
Macros en Excel VBA1 o archivos M (M-files) en MATLAB.
Programas computacionales
Los programas computacionales son únicamente conjuntos de instrucciones que dirigen a la computadora
para realizar una cierta tarea.
7
Visto desde esta perspectiva, reducimos toda esa complejidad a unos cuantos tópicos de programación, que
son:
• Representación de información sencilla (declaración de constantes, variables y tipos)
• Representación de información más compleja (estructuras de datos, arreglos y registros)
• Fórmulas matemáticas (asignación, reglas de prioridad y funciones intrínsecas)
• Entrada/Salida
• Representación lógica (secuencia, selección y repetición)
• Programación modular (funciones y subrutinas)
En lugar de ello, las presentamos como una lista para que el lector verifique lo que necesitará saber para
desarrollar los programas que siguen.
No obstante, sí dedicaremos algún tiempo a los dos últimos tópicos. Destacaremos la representación lógica
porque es el área que más influye en la coherencia y la comprensión de un algoritmo. Trataremos la
programación modular porque también contribuye de manera importante en la organización de un programa.
Programación estructurada
La idea clave detrás de la programación estructurada es que cualquier algoritmo numérico requiere tan sólo
de tres estructuras de control fundamentales: secuencia, selección y repetición. Limitándonos a dichas
estructuras el programa resultante será claro y fácil de seguir.
En los párrafos siguientes describiremos cada una de estas estructuras. Para mantener esta descripción de
una manera general usaremos diagramas de flujo y seudocódigo.
Un diagrama de flujo es una representación visual o gráfica de un algoritmo. Un diagrama de flujo emplea una
serie de cajas o bloques y flechas, cada una de las cuales representa un determinado paso u operación del
algoritmo. Las flechas representan el orden en el que se realizarán las operaciones.
Programación modular
Los programas de computación se dividen en subprogramas más pequeños, o módulos que pueden
desarrollarse y probarse por separado. A esta forma de trabajar se le llama programación modular.
La principal cualidad de los módulos es que son tan independientes y autosuficientes como sea posible.
Además, en general, están diseñados para llevar a cabo una función específica y bien definida, y tienen un
punto de entrada y un punto de salida. Los módulos a menudo son cortos (50 a 100 instrucciones) y están
bien enfocados.
El procedimiento anterior se ilustra en la figura 2.7 que muestra una función desarrollada para usar el método
de Euler. Observe que esa función y las versiones previas difieren en cómo manipulan la entrada y la salida
(input/output). En las versiones anteriores directamente la entrada viene (mediante el INPUT) del usuario, y la
salida va (mediante el DISPLAY) al usuario. En la función, se le da la entrada a ésta mediante su lista de
argumentos FUNCTION
8
FUNCTION Euler ( dt , ti, tf , yi )
t = ti
y = yi
h = dt
DO
IF t + dt > tf THEN
h = tf — t
ENDIF
dydt = dy ( t , y )
y = y + dydt * h
t = t + h
IF t �tf EXIT
ENDDO
Euler = y
END
Function Euler ( dt , ti, tf , yi )
y la salida es regresada mediante una asignación
y = Euler ( dt , ti, tf , yi )
EXCEL
Excel es una hoja de cálculo producida por Microsoft Inc. Las hojas de cálculo son un tipo especial de
software para matemáticas que permite al usuario ingresar y realizar cálculos en renglones y columnas de
datos. Como tales, son una versión computarizada de una gran hoja de contabilidad en la que se lleva a cabo
una gran cantidad de cálculos interrelacionados
MATLAB Conceptos Básicos y Programación

1 INTRODUCCIÓN
1.1 Objetivo
Proporcionar a los interesados los conocimientos básicos para usar el entorno de MATLAB y las facilidades
para su programación.
1.2 Metodología
Mediante explicaciones basadas en los ejemplos incluidos en este manual, el interesado puede adquirir en
forma progresiva y autónoma los conocimientos básicos para utilizar MATLAB.
Para progresar rápidamente, puede abrir dos ventanas en la pantalla de su computador, una con el programa
MATLAB y otra con este manual, entonces puede escribir y probar cada ejemplo en la ventana de comandos
de MATLAB.
9
1.3 El programa MATLAB
MATLAB (Matrix Laboratory) es un programa interactivo de uso general. Es un instrumento computacional

simple, versátil y de gran poder para aplicaciones numéricas, simbólicas y gráficas y contiene una gran
cantidad de funciones predefinidas para aplicaciones en ciencias e ingeniería.
La interacción se realiza mediante instrucciones (denominadas comandos), y también mediante funciones y

programas en un lenguaje estructurado. Los objetos básicos con los cuales opera MATLAB son matrices. La
asignación de memoria a cada variable la realiza MATLAB en forma dinámica y eficiente, por lo que no son
necesarias las declaraciones de variables antes de su uso.
La idea clave detrás de la programación estructurada es que cualquier algoritmo numérico requiere tan sólo
de tres estructuras de control fundamentales: secuencia, selección y repetición. Limitándonos a dichas
estructuras el programa resultante será claro y fácil de seguir.
En los párrafos siguientes describiremos cada una de estas estructuras. Para mantener esta descripción de
una manera general usaremos diagramas de flujo y seudocódigo.
Un diagrama de flujo es una representación visual o gráfica de un algoritmo. Un diagrama de flujo emplea una
serie de cajas o bloques y flechas, cada una de las cuales representa un determinado paso u operación del
algoritmo. Las flechas representan el orden en el que se realizarán las operaciones.
Símbolo de Inicio / Final
El símbolo de terminación marca el punto inicial o final del sistema. Por lo general, contiene
la palabra "Inicio" o "Fin".
Símbolo de Acción o Proceso
Un rectángulo solo puede representar un solo paso dentro de un proceso ("agregar dos
tazas de harina"), o un subproceso completo ("hacer pan") dentro de un proceso más
grande.
Símbolo del Documento Impreso
Un documento o informe impreso.
Símbolo de Decisión o Ramificación

Un punto de decisión o ramificación. Las líneas que representan diferentes decisiones
surgen de diferentes puntos del diamante.
Símbolo de Entrada / Salida
Representa el material o la información que entra o sale del sistema, como una orden del
cliente (entrada) o un producto (salida).
Símbolo de Entrada Manual

Representa un paso en el que se pide al usuario que introduzca la información
manualmente.
Símbolo de Preparación
Representa un ajuste a otro paso en el proceso.
10
Símbolo del Conector
Indica que el flujo continúa donde se ha colocado un símbolo idéntico (que contiene la
misma letra).
Símbolo de Límite de Bucle
Indica el punto en el que debe detenerse un bucle.
Símbolo de Retardo
Indica un retraso en el proceso.
Almacenamiento de Datos o Símbolo de Datos Almacenados
Indica un paso donde se almacenan los datos.
Símbolo de Visualización
Indica un paso que muestra información.
Una ventaja del seudocódigo es que con él resulta más fácil desarrollar un programa que con el diagrama de
flujo. El seudocódigo es también más fácil de modificar y de compartir con los demás. No obstante, los
diagramas de flujo, debido a su forma gráfica, resultan a veces más adecuados para visualizar algoritmos
complejos.
1.4Características de MATLAB
•Cálculo numérico rápido y con alta precisión
•Capacidad para manejo matemático simbólico
•Funciones para graficar y visualizar de forma avanzada
•Programación mediante un lenguaje de alto nivel
•Soporte para programación estructurada y orientada a objetos
•Facilidades básicas para diseño de interfaz gráfica
•Extensa biblioteca de funciones
•Paquetes especializados para algunas ramas de ciencias e ingeniería
Ventana de comandos de
Matlab
11
Operación
•Simple y eficiente
•Interactivo y programable
•Sistema de ayuda en línea
•Interacción con otros entornos
1.5 Uso interactivo de MATLAB
El entorno de MATLAB está organizado mediante ventanas. Las principales son
Command Window: Es la ventana de comandos para interactuar con MATLAB
Command History: Contiene el registro de los comandos que han sido ingresados.
Workspace: Contiene la descripción de las variables usadas en cada sesión.
Se sugiere al inicio dejar activa únicamente la ventana de comandos, cerrando las otras ventanas. Para
restaurarlas use la opción view de la barra de herramientas de MATLAB.
El símbolo >> indica que el programa está listo para recibir sus instrucciones (comandos)
Ejemplo. Para calcular
y = cos( 2 p ) + 5 + 27
Digite en la ventana de comandos de MATLAB
y = cos(2 * pi) + sqrt (5) + 27
Obtendrá inmediatamente la respuesta
y = 131.2361
1.6 Práctica con comandos de MATLAB
En esta sección se revisa el uso de los comandos principales de MATLAB comenzado con los más
elementales. Debe escribir cada ejemplo y presionar la tecla de ingreso.
MATLAB mostrará el resultado inmediatamente, o un mensaje si hubo algún error. Recuerde que la mejor
manera de aprender es practicando.
12
En la mayoría de los ejemplos no se han escrito los resultados que produce MATLAB para evitar que este
tutorial sea innecesariamente extenso. Los resultados los puede observar al probar cada comando.
2
>> exp ( 2 ) / 3 calcule e / 3 y muestre inmediatamente el resultado
ans =
2.4630 respuesta mostrada por MATLAB , ans significa answer
>> x = exp( 2 ) /3 calcule e2 /3 y asigne el resultado a la var iable x
x =
2.4630 respuesta mostrada por MATLAB
>> y = exp( 2 ) /3; el ; evita que el resultado se muestre inmediatamente
>> y Escribir la var iable para conocer su contenido
y =
>> u = 2*x +1 puede usar el contenido de las var iables

u =
>> x = x +1 puede mod ificar el contenido de las var iables
x =
1.7 Reutilización de comandos
Puede reutilizar comandos presionando las teclas del cursor ��
>> x = exp ( 2 ) / 3; y = 2 * x + 1, z = 3 * x Puede escribir y ejecutar varios comandos
en una misma línea
y=
5.9260 Respuestas mostradas por MATLAB

z=
7.3891
13
1.8 El sistema de ayuda de MATLAB
MATLAB ofrece una descripción detallada del uso de cada comando y cada función digitando “help” y el
nombre del comando.
Ejemplo. Para conocer el uso de la función sqrt, digite
>> help sqrt

SQRT Square root .
SQRT ( X ) is the square root of the elements of X . Complex
results are produced if X is not positive.
>> help despliega temas de ayuda

>> help ops despliega comandos de un tema. Ej .lista de operadores
>> help exp uso de un comando específico. Ej . función exponencial
Adicionalmente, presionando el ícono Help usted puede entrar al sistema de ayuda de MATLAB
organizado por contenido, índice, búsqueda y demostraciones.
1.9 Algunos ejemplos para practicar en MATLAB
Digite cada uno de los siguientes ejemplos en la ventana de comandos. Al final de cada ejemplo se ha
escrito con letra azul una breve explicación para facilitar la comprensión de cada comando y el resultado
que se obtendrá.
1) Para resolver el sistema:
2x + 3y = 4
5x – 2 y = 6
Digite en la ventana de comandos
>> a = [ 2, 3; 5, -2] ;
>> b = [ 4; 6] ;
>> x = inv( a ) *b;
x = 1.3684
0.4211
2) Integrar la función f(x) = x sen(x), evaluar el integral, derivar
>> f = ' x*sin( x ) ';

>> h = int ( f ) Integrar analíticamente
h = sin( x ) - x*cos ( x )
>> r = eval ( int ( f , 0, 2 ) ) Evaluar el Integral entre 0 y 2
r = 1.7416
>> g = diff ( f ) Primera derivada de f ( x )
g = sin( x ) + x*cos ( x )
3) Para resolver la ecuación cúbica 5 x3 + 2 x 2 - 3x + 1 = 0 ;
>> a = [ 5, 2, -3, 1] ; Ingresar los coeficientes de la ecuación

>> x = roots( a ) Obtener las tres raíces
x = -1.1060 Una raíz real y dos raíces complejas
0.3530+ 0.2371i
0.3530-0.2371i
4) Para obtener la solución de la ecuación diferencial ordinaria: y '- x - y = 0, y ( 0 ) = 1
>> y = dsolve ( ' Dy - x - y = 0 ',' y ( 0 ) = 1', ' x ' ) Definir la ecuación, condición y variable
y = - x - 1 + 2* exp ( x ) Solución analítica
5) Manejo simbólico de expresiones
>> syms x Definir x con tipo simbólico

>> y = x 3 - 8; La expresión x 3 - 8 se asigna a y
>> t = factor ( y ) Factorar la expresión
t = ( x - 2)*( x 2 + 2* x + 4)
>> t = taylor ( exp ( x ) ,5 ) ; Expandir e x con 5 términos de la serie de Taylor
t = 1 + x + 1/ 2* x 2 + 1/ 6* x 3 + 1/ 24* x 4
6) Para graficar la función f ( x ) = sen ( x ) e x en el intervalo 0 �x �p
>> f = ' sin ( x ) * exp ( x ) '; Escribir la función entre comillas simples
>> ezplot ( f , [ 0, pi ] ) ; Función para graficar
>> grid on; Mostrar cuadrículas en el gráfico
Grafico producido por Matlab
1.10 Símbolos especiales en MATLAB

[] Para definir vectores y matrices
() Para definir precedencia en expresiones y para subíndices
, Para separar elementos de un vector use comas o espacios
; Para separar filas y para evitar mostrar contenido de variables
% Para iniciar un comentario (programas y funciones)
... Para continuar un comando en la siguiente línea
2. CÁLCULO NUMÉRICO
2.1 Formatos de exhibición de números en la pantalla
>> format long muestra 14 decimales

>> x = exp ( 2 ) un ejemplo para visualizar
x =
7.38905609893065
>> format bank formato para 2 decimales
>> x
x =
7.39
>> format rat notación racional ( fracciones )
>> x
x =
2431/ 329
>> format short e notación científica
>> x
x =
7.3891e + 000
>> format long e notación científica con 14 decimales

>> format + muestra signos +, , -
>> format short 4 decimales ( MATLAB lo usa por omisión )
>> format compact suprime líneas adicionales en la salida
>> format loose inserta líneas en blanco en la salida ( recomendado )
>> format hex formato hexadecimal
>> vpa ( sqrt ( 2 ) , 20 ) variable precision arithmetic
ans = (muestra la raíz cuadrada de 2 con 20 dígitos
1.4142135623730950488
>> format short regrese al formato normal de MATLAB
2.2 Operadores aritméticos

/ es división a la derecha
+-*/ \ \ es división a la izquierda ( para matrices )
>> help ops listar los operadores y caracteres especiales
2.3 Funciones matemáticas
>> help elfun listar las funciones matemáticas elementales

Trigonometric.
sin - Sine.
.
sinh - Hyperbolic sine.
asin - Inverse sine.
asinh - Inverse hyperbolic sine.
2.4 Operadores relacionales y lógicos
< <= > >= == ~ = & | ~ los tres últimos corresponden a : o,y, /
== representa al símbolo =
~ = representa al símbolo �
>> t = sin ( 2 ) < 0.8 & log ( 2 ) > 0.5 el resultado es un valor lógico ( 0 o 1)
2.5 Símbolos numéricos especiales
>> 2 / 0
Inf es el símbolo �
>> 0 / 0
NaN significa “ Not A Number ” ( valor indeterminado )
>> pi contiene la constante
>> eps es la precisión del tipo real en MATLAB
>> realmin el menor número real en MATLAB
>> realmax el mayor número real en MATLAB
2.6 Manejo de números complejos
i representa al símbolo -1
>> x = 3 + 2i asignar un número complejo
>> t = 2* x + 3 - 5i operación con números complejos
t =
9.0000 - 1.0000i
>> y = exp ( x ) el resultado también es complejo
y =
-8.3585 + 18.2637i
>> y = log ( -2 ) el referencial de MATLAB son los complejos
y =
0.6931 + 3.1416i
2.6.1 funciones para números complejos

conj , real , imag , abs, angle, complex
>> z = 3 + 2i;
>> t = conj ( z ) obtener el conjugado
3. VARIABLES
•No requieren ser declaradas
•Su tipo depende del valor asignado
•Pueden ser redefinidas
•Sensible al tipo de letra (mayúsculas o minúsculas)
•ans es la variable por omisión provista por MATLAB
•MATLAB realiza la asignación de memoria a variables durante la ejecución.
>> x =3 x es de tipo real

>> x = ' mensaje ' ahora x es de tipo literal ( use comillas simples )
>> syms x x se redefine a tipo símbolo
>> x = [ 2 7 4] x es ahora un vector un vector
>> x = 2 + 3i x es de tipo complejo
>> x muestre el contenido actual de la variable
>> whos x muestre el tipo actual de la variable
>> disp ( x ) muestre solamente el contenido
>> x = input ( '¿ dato ?' ) ; ingrese un valor para una variable desde el teclado
>> exp ( x ) / 3
>> ans la variable ans contiene el último resultado
>> y = 2* ans la puede usar
4. Comandos especiales
>> date fecha

>> clock fecha hora , vea su uso con help.
>> format rat para visualizar la fecha con mas claridad
>> clock
>> format short vuelva al formato normal
5 CADENAS DE CARACTERES
>> x = ' Matematica '; asignación de una cadena ( use comillas simples )
>> x ( 4 ) manejo de un carácter de la cadena, use un indice
En MATLAB los índices se escriben entre
paréntesis y son numerados desde 1
>> t = x ( 2 : 5 ) ; manejo de una subcadena, use : nombre ( inicio : final )
>> n = length ( x ) longitud de la cadena
>> c = strcat ( x, t ) concatenación de cadenas
>> help strfun listar las funciones para cadenas
4 ALGUNOS COMANDOS DEL SISTEMA OPERATIVO

>> help general lista de comandos
>> who lista las variables en uso
>> whos lista las variables en uso y su descripción
>> exist ( ' c ' ) chequea si la variable c existe
>> clear a b c clear borra variables
>> clc despeja la ventana de comandos
>> pwd muestra cual es el directorio actual
>> cd c:\ MATLAB \ work cd cambia la ruta del directorio actual

>> dir lista el contenido del directorio actual
También se lo puede hacer con las opciones
de la barra de herramientas
>> save prueba save almacena las variables en un archivo
>> load prueba load carga variables y su contenido ejemplo
>> delete prueba.mat delete elimina archivo ejemplo
>> quit para terminar la sesión con MATLAB ( no lo digite aun )
6 VECTORES Y MATRICES
>> x =[ 3, -1, 4, 7, -2 ] asignación directa de un vector fila

>> x =[ 3 -1 4 7 -2 ] puede separar con comas o con
espacios
>> x( 2 ) =5 manejo de un componente del vector .
En MATLAB los índices se escriben
entre paréntesis y son numerados
desde 1
>> y = x ( 2: 4 ) para asignar parte de un vector
y = use ( inicio: final )
-1 4 7
>> t =[ 3; -1; 4; 5] para asignar un vector columna use;

t =
3
-1
4
5
>> t = x ' para obtener la transpuesta de un
vector use ' x ' es la transpuesta del vector x
>> y = [ 3, x, - 6, 7 ] puede asignar un vector usando otro vector

y =
3 3 -1 4 7 -2 -6 7
>> y = 2:1:10 puede asignar un vector mediante una secuencia
y =
2 3 4 5 6 7 8 9 10
En MATLAB las secuencias se
escriben: valor inicial : incremento : valor final
si el incremento es 1 puede omitirlo
>> y =[ 2,5,4,...7,-3] Para continuar en la siguiente línea use ...

Escribir la continuación de la línea anterior
>> x =[ 3, 5, 2, 0]
>> y =2*x puede realizar operaciones escalares
>> y =exp( x ) o crear vectores con funciones
>> a =[ 6 3 ; 5 1] asignación directa de una matriz 2 x 2
a = separe elementos con espacios o comas
6 3 separe filas con punto y coma
5 1
>> a( 2,1) manejo de los componentes de una matriz
con índices numerados desde 1:( fila ,columna )
>> a =[ 2, -3; 5, 1; 0, 7 ] una matriz 3 x 2

>> x =[ 7, 3]
>> a =[ x ; x ] una matriz 2 x 2
>> b =[ 5, 6]
>> c =[ a ; b ] c es una matriz aumentada 3 x 2
>> d =[ a , b '] c es una matriz aumentada 2 x 3
>> x =c( 1, :) asigne a x la primera fila de c
>> x =c( : ,1) asigne a x la primera columna de c
>> c( :,2 ) =[ ] elimine la segunda columna de c
6.1 Matrices especiales
>> a =ones ( 3) matriz 3 x 3 iniciada con unos

>> a =ones ( 3,5 ) matriz 3 x 5 iniciada con unos
>> a = zeros( 4,5) matriz 4 x 5 iniciada con ceros
>> a =eye( 5) matriz identidad 5 x 5
>> a =magic( 4 ) cuadrado mágico 4 x 4
>> a =hilb( 5 ) matriz de Hilberth 5 x 5
>> x =[ 2, 5, 3, 7 ] ; un vector
>> a =vander ( x ) matriz de Vandermonde 4 x 4 usando
un vector
>> a =[ ] matriz nula
6.2 Una matriz puede componerse con otras matrices
>> a = rand ( 3 ) ; matriz 3 x3 con números aleatorios

>> b = [ 5 3 9 ] ; vector de tres componentes
>> e = diag ( b ) ; matriz 3 x 3 con b en la diagonal
e=
5 0 0
0 3 0
0 0 9
>> c =eye( 3) ; matriz identidad 3 x 3
>> d = zeros( 3 ) ; matriz con ceros 3 x 3
>> t =[ a e; c d ] matriz compuesta 9 x 9
6.3 Editor de vectores y matrices
En la ventana workspace puede activar el editor de arreglos, similar a una hoja electrónica, con el cual
puede modificar con facilidad las dimensiones y el contenido de vectores y matrices.
6.4 Elementos de vectores y matrices pueden manejarse con otro vector o matriz
>> x =[ 8 7 9 5 6 ] ;
>> p =[ 2 4 1] ; vector para direccionar al vector x
>> t = x ( p ) t contiene los elementos 2, 4 y.1 del vector x
>> a =[ 4 7 3; 5 7 8; 6 0 9 ] ;
>> p =[ 1 3] ; vector para direccionar las filas de la matriz a
>> q =[ 2 3] ; vector para direccionar las columnas de la matriz a
>> t =a ( p , q ) t contiene las filas 1 y 3, columnas 2 y 3 de a
6.5 Operaciones con matrices
>> c =2*a producto de un escalar por matriz

c=
6 4
2 8
>> c =a +b suma de matrices
c=
11 8
6 11
>> c =a*b producto de matrices
c=
34 32
28 34
>> c =a .*b producto elemento por elemento de matrices
c= para operar elemento a elemento use un punto
24 12 antes del operador
5 28
>> a = [ 3, 2; 1, 4] ;
a=
3 2
1 4
>> b = [ 8, 6; 5, 7 ] ;
>> c = a ' transpuesta de a
c=
3 1
2 4
2
>> c = a matrizalcuadrado, equivalea : a * a
>>c =a 2 cadaelementodelamatriza ,elevaralcuadrado

>>c =a ==b compare igualdad entre matrices ( de igual tamaño )
el resultado es una matriz binaria ( ceros y unos )

>> c = a ~ =b compare si dos matrices no son iguales
>> c = a >3 compare si cada elemento de a es mayor a 3
6.6 Funciones para operar con matrices
>> x =[ -2, 0, 6, 5] ; un vector para los ejemplos

>> a =[ 1, 2, 3; 4, 5, 6;7, 8, 9 ] ; una matriz para los ejemplos
>> n=length( x ) longitud del vector x
>> [ n ,m] = size ( a ) tamaño de la matriz a: el resultado es un vector
>> n número de filas: 3
>> m número de columnas: 3
>> isempty ( a ) chequea si un vector o matriz está vacío
>> any ( x ) determina si el vector contiene algún valor no cero
>> any ( a ) igual que arriba , pero por columnas de la matriz

>> t = find ( x ) obtiene índices de elementos del vector no ceros
>> t = find ( x >3) obtiene los índices de cada elemento > 3
>> [ f ,c] = find ( a ) obtiene los índices de filas y columnas de la matriz
cuyos elementos son no ceros
>> t =dot ( x, x ) producto punto entre dos vectores

>> k =rank ( a ) rango de a
>> t =trace( a ) traza de a
>> d =det ( a ) determinante de a
>> b =inv ( a ) inversa de a >>
>> h =norm( a , 1) norma de columna de la matriz a
>> h =norm( a , inf ) norma de fila de la matriz a
>> h =norm( x , inf ) norma de fila o columna del vector x
>> c =cond ( a ) número de condición de la matriz a
t = diag ( a ) vector con la diagonal de la matriz a

>> t = diag ( x ) matriz con x en la diagonal
>> t = rot 90( a ) rote a 90 grados ( sentido opuesto al reloj )
>> t = fliplr ( a ) voltee horizontalmente la mat riz a
>> t =tril ( a ) obtenga la matriz triangular inferior de a
>> t =triu ( a ) obtenga la matriz triangular superior de a
>> b =[ 5,-1; 3, 4; 2, 7 ] ;
>> b =reshape( b , 2, 3) reconfigura la matriz b de 3 x 2 a 2 x 3
>> [ t , s ] =lu ( a ) descomposición triangular de a en las matrices

>> t triangulares t y s tales que t*s es igual que a
>> s
>> t *s se obtiene la matriz a
>> t = cov( a ) matriz de covarianza de a
>> e= eig ( a ) valores propios de a
>> p = poly ( a ) polinomio característico de a
>> r = roots( ans ) valores propios de a
>> help matfun liste las funciones para matrices

6.7 Funciones adicionales para manejo de datos con vectores y matrices
>> x =[ 2, 5, 4, 6, 4] ; un vector
>> a =[ 5,-1; 3, 4; 2, 7 ] ; una matriz
>> t =max( x ) el mayor valor del vector x
t=
6
>> v =max ( a ) el mayor valor por columnas de la matriz a
v=
5 7
>> t =sum( x ) suma de componentes
>> v =sum( a ) suma de componentes por columnas
>> t = prod ( x ) producto escalar

>> v = prod ( a ) producto escalar por columnas
>> t =cumsum( x ) suma acumulada

>> v =cumsum( a ) suma acumulada por columnas
>> t =cumprod ( x ) producto acumulado

>> v =cumprod ( a )
>> t = mean( x ) media aritmética

>> v = mean( a )
>> t = median( x ) mediana

>> v = median( a )
>> t = std ( x ) desviación estándar

>> v = std ( a )
>> t = sort ( x ) ordenamiento ascendente

>> v = sort ( a )
>> t = dsort ( x ) ordenamiento descendente

>> bar ( x ) diagrama de barras
>> bar ( a )
>> hist ( x ) histograma
>> stairs ( x ) dibuja x mediante escalones
>> pie( x ) gráfico tipo pastel
>> pie3( x ) pastel en relieve
>> v =[ 0,0,0,1,0] vector para extraer sectores del pastel
>> pie3( x,v ) gráfico tipo pastel 3-d con un sector separado
7 GENERACIÓN DE NÚMEROS ALEATORIOS
>> x =rand genera un número aleatorio entre 0 y 1

>> a =rand ( 5 ) genera una matriz 5 x 5 con números aleatorios
>> b =rand ( 4,5 ) genera una matriz 4 x 5 con números aleatorios
>> d = fix ( rand *10 ) +1 transfomación para obtener un entero aleatorio
entre 1 y 10
8 INGRESO DE PUNTOS DESDE LA PANTALLA CON EL MOUSE
>> ezplot ( ' sin( x ) ' ) ; ejemplo para tomar puntos desde un gráfico
>> grid on
>> [ x, y ] = ginput ( 5 ) ; ingrese 5 puntos desde la pantalla .
Presione el botón del mouse para
ingresar cada punto
>> x observe las abscisas
>> y y las ordenadas ingresadas
>> plot ( x , y , ' o ' ) grafique los puntos ingresados
9 POLINOMIOS
>> a =[ 2, -3, 0, 5}, define el polinomio 2 x 3 – 3 x 2 + 5

>> y = polyval ( a ,4 ) evaluación del polinomio con un valor
>> x = roots( a ) obtenga un vector con raíces ( reales y complejas )
>> t = polyval ( a , x( 1) ) verifique una raíz
>> p = poly( x ) producto de todas las raíces
>> b =[ 3, 4, - 2] ; define el polinomio 3 x 2 + 4 x -2
>> c =conv( a ,b ) producto de polinomios
>> [ c, r ] =deconv ( a ,b ) ; división de polinomios
>> c cociente
>> r residuo
>> x =[ 2 3 5 7 8] ; abscisas de puntos ( x , y )
>> y =[ 3.2 4.1 5.8 6.4 6.3] ; ordenadas de los puntos
>> z =3.2; valor para interpolar , z puede ser un vector
>> u =interp1( x , y , z ,’linear’) resultado de la interpolación lineal
>> u = spline( x, y , z ) interpolación con un trazador cúbico
>> a = polyfit ( x , y , 2 ) ; polinomio de mínimos cuadrados de grado 2
>> a el vector a contiene los coeficientes
10 MANEJO SIMBÓLICO
>> syms x; definición de variable tipo simbólico

>> 2*x +3*x suma algebraica
>> a =[ x 5; 3*x 4] ; matriz con elementos símbolos
>> t =inv( a ) su inversa también contiene símbolos
>> f =3*x 2 +5*x; definición simbólica deunafunción

>> t = factor ( f ) factorar la expresión
>> s =expand ( t ) expandirla
(
e = taylor exp( x ) ) expansión con la serie de Taylor
>> limit ( sin( x ) / x ) obtencíon de límites de funciones
>> syms y ;
3 2
>> f = 2 * x + 3 * y una función de dos variables
>> g = diff ( f , x ) derivada parcial
>> u =int ( f , x ) integrar en x
>> f ='2*t +1'; definición de una función en forma literal

>> t =3;
>> y =eval ( f ) evaluación de la función
11 FUNCIONES ESPECIALES PARA MEDIR EFICIENCIA DE ALGORITMOS
>> tic; Inicia cronómetro

>> toc; muestra el tiempo transcurrido
>> tic; a =inv( rand ( 500, 500 ) ) ; toc

tiempo utilizado en invertir una matriz 500 x500
12 GRAFICACIÓN
12.1 Gráfico de funciones de una variable
>> f =' exp ( x ) -3*x '; función para el ejemplo ( use comillas simples )
>> ezplot ( f ) función básica para graficar f en [ -2p , 2p ]
>> ezplot ( f , [ 0, 2] ) función básica para graficar f en un dominio dado
>> grid on colocar cuadrículas en el dibujo
>> x =[ 0: 0.1: 2* pi ] ; puntos para evaluar alguna función

>> y = sin( x ) ; puntos de la función seno
>> plot ( x , y ) ; función para graficar la función con línea contínua
>> plot ( x , y ,' o ') gráfico con puntos. Puede elegir: o . * + x --
>> plot ( x , y ,' r ') cambiar a color rojo. Puede elegir r ,b, y ,m, g , w,k
>> plot ( x , y ,' og ') grafique con círculos verdes.
>> grid on colocar cuadrículas en el dibujo
>> title( ' seno de x ' ) incluya un título en el gráfico

>> gtext ( ' seno de x ' ) posicione el texto en el gráfico con el mouse
>> xlabel ( ' X ') rotule el eje horizontal
>> ylabel ( 'Y ') rotule el eje vert ical
>> c =[ 0, 2* pi, - 2, 2 ] defina la región para el gráfico

>> axis( c )
>> hold on superponer siguientes gráficos

>> hold off deshabilitar opción anterior
>> clf borrar el gráfico
>> figure( 1) puede tener varias figuras abiertas

cada una en una ventana rotulada con 1, 2, ...
>> subplot ( 2,3,1) puede dividir una figura en subgráficos.
Ej. en 2 filas y 3 columnas. Activando el gráfico 1
>> clf ( 1) borra el gráfico 1
>> clf borre todos los gráficos
>> x =[0:0.1:10};
>> y =exp( x ) ;
>> semilogx ( x , y ) graficar en escalas logarítmicas
>> semilogy ( x , y )
>> loglog ( x , y ) doble logarítmica
>> grid on
>> a =0:0.01:2* pi;

>> r = sin( 3*a ) ; ' rosa ' de 3 pétalos
>> polar ( a, r ) ; grafique en coordenadas polares
Gráfico de funciones implícitas y ecuaciones con dos variables
>> hold on; Superponer el siguiente gráfico :
y - 2*( x -3)2 -3�

>> g =� ; una parábola y =2( x -3) 2 -3 en el mismo dominio
(
>> ezplot g ,[ -1,5,0,6] )
2 2
>> f =�( x - 2) + ( y - 3) - 5�
;
>>ezplot ( f ,[ -1,5,0,6]) Graficarfeneldominio -1��

x 5,0 �y �6
>> grid on; Colocar cuadrículas
Ejercicios Métodos Numéricos para ingenieros

PROBLEMA 1:
La función seno puede evaluarse por medio de la serie infinita siguiente
x3 x5 x 7
senx = 1 - + - + ....
3! 5! 7!
Escriba el algoritmo para implementar esta fórmula de modo que calcule e imprima los valores senx
conforme se agregue cada término de la serie. En otras palabras, calcule e imprima la secuencia de
valores para
senx = 1
x3
senx =1-
3!
x3 x5
senx =1- +
3! 5!
x3 x5 x7
senx = 1 - + - + ....
3! 5! 7!
Hasta el término de orden n que usted elija. Para cada uno e los valores anteriores, calcule y haga que
se muestre el error porcentual relativo
valor verdadero -aproximación con la serie

% error= �
100%
valor verdadero
SOLUCIÓN:
Según la serie infinita mostrada, podemos enunciarla como una sumatoria de la forma siguiente
� x 2i -1
sen ( x) = �( -1)(i -1)
i =1 (2i -1)!
x 2i -1
Haciendo uso de ( -1)(i -1)
(2i -1)!
Diagrama de flujo
Problema 2
Escriba el seudocódigo para implementar el diagrama de flujo mostrado a continuación.
x < x-5 x = x-5
x = 7.5 x=5
x < 50
Solución:
if x < 10 then
if x <5 then
x =5
else
print x
end
else
do
if x <50 exit
x = x -5
end do
end if
PROBLEMA 3
En cada una de las tarjetas de un conjunto de cartas índice, se registra un valor para la concentración de
un contaminante en un lago. Al final del conjunto, se coloca una carta marcada como “fin de los datos”.
Escriba un algoritmo para determinar la suma, el promedio y el máximo de dichos valores.
Solución
start
sum = 0
count = 0
imput
value
count > 0
averaje = sum / count

value =
“end of data”
sum = sum + value

end
Problema 4:
Se requiere dos distancias para especificar la ubicación de un punto en relación con el origen en un
espacio de dos dimensiones
Las distancias horizontales y verticales ( x, y ) ) en coordenadas cartesianas

El radio y el ángulos (r, q ) en coordenadas polares.
Es relativamente fácil calcular las coordenadas ( x, y ) sobre la base de las coordenadas polares (r, q )
.El proceso inverso no es simple. El radio se calcula con la fórmula que sigue
r = x2 + y2
Si las coordenadas quedan dentro del primero o cuarto cuadrante, entonces se coloca una formula
sencilla para el cálculo de q
�y �
q = tan -1 � �
�x �
Escriba un diagrama de flujo para un procedimiento de subrutina a fin de calcular r y q como función de
xy.
CAPITULO2: NOCIONES FUNDAMENTALES DE ERRORES
1. Definición de Error:
Los errores numéricos surgen del uso de aproximaciones para representar operaciones y cantidades
matemáticas exactas
 Error relativo: es la distancia entre el valor exacto y el valor aproximado
valor verdadero = valor aproximado + error

error absoluto = valor verdadero - valor aproximado
 Error relativo: es la normalización del error relativo respecto al valor verdadero
valor verdadero - valor aproximado

error relativo =
valor verdadero
error absoluto
error relativo =
valor verdadero
Ejemplo: suponga que se tiene que medir la longitud de un puente y de un remache, y se obtiene 9 999 y
9 cm, respectivamente. Si los verdaderos valores son 10 000 y 10 cm calcule el error absoluto y el error
relativo
Solución:
Error en la medición del puente:
error absoluto = 10000 - 9999 = 1cm

10000 - 9999
error relativo = = 0.01%
10000
Error en la medición del remache:
error absoluto = 10 - 9 = 1cm

10 - 9
error relativo = = 10%
10000
Por lo tanto, aunque ambas medidas tienen un error de 1cm, el error relativo porcentual del remache es
mucho mayor. Se concluye que se ha hecho un buen trabajo en la medición del puente, mientras que la
estimación para el remache dejo mucho que desear
En general, el error relativo es más significativo que el error absoluto si tratamos con números muy
pequeños o números muy grandes
Ejemplo: Considere el siguiente cálculo

1 1
2 x4 x6
a=I =�
e x dx ��
(1 + x 2 + + )dx = a
0 0
2! 3!
Tomando como valor exacto de a = 1.4626517459 . Determinar el error absoluto ea y el error relativo
ra , al tomar la aproximación de a
solución
Dada la cantidad a y su aproximación a:

1 1
x2 x 4 x6
a=�
e dx = 1.4626517459 a=�
(1 + x 2 + + ) dx = 1.4571428571
0 0
2! 3!
Los errores absoluto y relativo son:
ea = a - a = 1.4626517459 - 1.4571428571 = 0.0055088888
a-a 1.4626517459 - 1.4571428571

ra = = = 0.0037806099
a 1.4571428571
Sin embargo, en las situaciones reales a veces es difícil contar con tal información. En los métodos
numéricos, el valor verdadero sólo se conocerá cuando se tengan funciones que se resuelvan
analíticamente. Éste comúnmente será el caso cuando se estudie el comportamiento teórico de una
técnica específica para sistemas simples. Sin embargo, en muchas aplicaciones reales, no se conoce a
priori la respuesta verdadera. Entonces en dichos casos, una alternativa es normalizar el error, usando la
mejor estimación posible al valor verdadero; es decir, para la aproximación misma, como en
error aproximado
xa =
valor aproximado
donde el subíndice a significa que el error está normalizado a un valor aproximado.
Uno de los retos que enfrentan los métodos numéricos es el de determinar estimaciones del error en
ausencia del conocimiento de los valores verdaderos. Por ejemplo, ciertos métodos numéricos usan un
método iterativo para calcular los resultados. En tales métodos se hace una aproximación considerando la
aproximación anterior. Este proceso se efectúa varias veces, o de forma iterativa, para calcular en forma
sucesiva, esperando cada vez mejores aproximaciones.
En tales casos, el error a menudo se calcula como la diferencia entre la aproximación previa y la actual.
Por lo tanto, el error relativo porcentual está dado por
aproximacion actual - aproximacion anterior
xa = *100
aproximacion actual
Si se cumple la relación siguiente, entonces se considera que el resultado obtenido está

xa < xs
dentro del nivel aceptable fijado previamente
Es posible demostrar (Scarborough, 1966) que si el siguiente criterio se cumple, se tendrá la seguridad
que el resultado es correcto en al menos n cifras significativas.

x s = (0.5*10 2- n )%
2. FUENTES BÁSICAS DE LOS ERRORES
Error de modelo o error del problema
En los fenómenos de la naturaleza casi en general efectuamos ciertas hipótesis, es decir aceptamos
determinadas condiciones, para así poder plantear el comportamiento de dicho fenómeno por medio de
un modelo matemático.
 Modelo matemático:
Es una expresión matemática que representa las características de un sistema físico, donde la variable
dependiente es una característica que generalmente refleja el comportamiento o estado de un sistema,
las variables independientes son por lo común dimensiones tales como tiempo y espacio a través de los
cuales se determina el comportamiento del sistema el modelo matemático va desde una simple relación
algebraica hasta un enorme y complicado grupo de ecuaciones
Ejemplos de modelos matemáticos:
Ecuaciones no lineales
Se tiene el fenómeno de flujo uniforme en un canal
De la ley empírica de Manning
2 1
1
Q = AR 3 S 2
n
La ecuación de Manning para una canal rectangular es:
1 � y (b + zy ) � 3 1
Q = ( y (b + zy )) � �S 2
n �b + 2 y (1 + z 2 ) �
� �
Donde se conoce los valores de n, b, z, S, Q, pero no se conoce los valores de y (altura o tirante del
canal), pasamos todo a un solo miembro teniendo:
2
1 � y (b + zy ) � 3 1
f ( y ) = ( y (b + zy )) � �S 2 - Q = 0
n �b + 2 y (1 + z 2 ) �
� �
Sistemas de ecuaciones no lineales
Se tiene la siguiente armadura estáticamente determinada
Se realiza el diagrama de fuerzas para los nodos de una armadura estáticamente determinada.
Se plantea las ecuaciones de equilibrio formando así el sistema de ecuaciones siguiente:
�0.866 0 -0.5 0 0 0 ��F1 � � 0 �

� 0.5 0 0.866 0 0 0 � �F � �-100 �
� �� 2 � � �
�-0.866 -1 0 -1 0 0 ��F3 � � 0 �
� �� = � �
�-0.5 0 0 0 -1 0 ��H2 � � 0 �
� 0 1 0.5 0 0 0 �� V2 � � 0 �
� ��
� 0 0 -0.866 0 0 -1��V3 � � 0 �
INTEGRALES
Se tiene un edificio que recibe la fuerza del viento expresado en el siguiente modelo matemático
P(h) = (10e h sen2p h) 2 donde P es la presión del viento de todo el edificio
Para la resolución del problema tendremos que tomar un diferencial de área donde actuara la presión,
hallamos la fuerza resultante del diferencial de área que será un diferencial de fuerza, luego integramos
desde cero hasta su altura de 100 metros
dF = P * dA , siendo el dA = 10dh
dF = (10e h sen2p h) 2 dA
dF = (10e h sen2p h) 2 *10dh

Queremos saber la fuerza resultante en todo el
edificio integramos de 0 a 100
100
dF = (10e sen 2p h)
�
h 2
*10dh
0
ECUACIONES DIFERENCIALES
d2y
=g
dt 2
d 2u F
+u =
dq 2
mh 2u 2
�v 2 �
d� �
dy 2g
S0 - S f = + � �
dx dx
La última ecuación diferencial de antes es la ecuación diferencial que es una expresión matemática del
flujo gradualmente variado
�v 2 �
d� �
Esta ecuación diferencial dy 2 g se dedujo a partir de la ley de la conservación de la
S0 - S f = + � �
dx dx
energía
Los errores de formulación o de modelo puede atribuirse al sesgo que implica un modelo matemático
incompleto, un ejemplo de un error de formulación insignificante es el hecho de la segunda ley de newton
no toma en cuenta los efectos relativísticos, esto no desvirtúa la validez de la solución ya que estos
errores son mínimos en las escalas de tiempo y espacio asociadas con el problema
Se debe estar conscientes de estos problemas y darse cuenta de que, si se está usando un modelo
deficiente, ningún método numérico generara los resultados adecuados
Error del método
Cuando un problema planteado en forma precisa no pude resolverse en forma exacta o es muy difícil de
hallar la solución, se formula un problema aproximado que ofrezca prácticamente los mismos resultados.
Ejemplo:
La segunda ley de Newton es una aproximación excelente, en la práctica jamás predecirá con exactitud la
caída del paracaidista. Fenómenos tales como la velocidad del viento y alguna ligera variación de la
resistencia del aire desviarían la predicción. Si tales desviaciones son sistemáticamente grandes o
pequeñas, habría entonces que formular un nuevo modelo. No obstante, si su distribución es aleatoria y
se agrupan muy cerca de la predicción, entonces las desviaciones se considerarían insignificantes y el
modelo parecerá adecuado. Las aproximaciones numéricas también presentan discrepancias similares en
el análisis. De nuevo, las preguntas son: ¿qué tanto error se presenta en los cálculos? y ¿es tolerable?
�v 2 �
d� �
La ecuación deferencial de flujo gradualmente variado dy 2g
S0 - S f = + � �
dx dx
Para resolver este tipo de ecuaciones diferenciales que es imposible de resolver de forma analítica, se
resolverá por métodos numéricos que nos dará un valor aproximado cerca al valor cercano, eso
dependerá del método numérico que se use para las ecuaciones diferenciales
El error será cada vez menor de acuerdo a la sofisticación del método numérico
A continuación, se presentará los métodos numéricos que se usan para resolver esta ecuación diferencial
y de arriba hacia abajo el error va disminuyendo
 método de Euler
 Método mejorado de Euler
 método de predicción corrección
 método de elementos finitos

incertidumbre en los datos de laboratorio
Se clasifican en:
 Errores sistemáticos: estos se repiten constantemente cada vez que se experimente bajo las mismas
condiciones. El error sistemático se puede minimizar si se conocen las causas, pueden surgir por
causa de un instrumento defectuosos (malogrado), mala calibración del instrumento o usarlo en
condiciones para las que no estaba previsto su uso.
 Errores accidentales: llamada simplemente error o incertidumbre, se presenta debido a innumerables

causas incontrolables, imprevistas y al azar; tales como: la lectura (enfoque, paralaje), las
condiciones de trabajo (laboratorio),…. El error accidental se puede minimizar aumentando el número
de mediciones, aunque la presencia de errores accidentales no puede evitarse si pueden calcularse.
Para estimar.
error de redondeo
Los errores de redondeo se originan debido a que la computadora emplea un número determinado de
cifras significativas durante un cálculo
Los números tales como p , e, 7 no pueden expresarse como un número fijo de cifras significativas. Por
lo tanto, no pueden ser representados exactamente por la computadora. Además debido a que las
computadoras usan una representación en base 2(código binario) no pueden representar exactamente
algunos números en base 10. Así los errores de redondeo se introducen y se propagan cuando se hacen
varias operaciones sucesivas
Ejemplo: Se desea efectuar la operación z = x + y = 723.4 + 0.08261 empleando, como ordenador, la

aritmética de coma flotante con mantisas de cuatro dígitos y sin digito de guarda. Encontrar el resultado
que se obtiene empleando:
a) La técnica de redondeo.
b) La técnica de corte.
En ambos casos a) y b), halle el error absoluto cometido ez .
x = 723.4 = 0.7234 �103

y = 0.08261 = 0.8261�10-1
Resultado exacto: z = x + y = 0.7234861�103 .
solución
Suma con redondeo.
x = 0.7324 �103
y = 0.00008261�103
x + y = 0.7234861�103 � z = 0.7235 �103
ez = 0.7234861�103 - 0.7235 �103 = 0.01739
Suma con corte.

x = 0.7324 �103
y = 0.00008261�103
x + y = 0.7234861�103 � z = 0.7234 �103
ez = 0.7234861�103 - 0.7234 �103 = 0.08261
Ejemplo: Aproximar los números indicados a continuación empleando una aritmética de cinco cifras
significativas con la técnica de corte y la de redondeo.
x x
22
p
9
p 3.1416
e 2.718
2 1.414
e10 22000
10p 1400
8! 39900
9
�9 �
9! 18p � �
�e �
Solución: Aproximación con una aritmética de 5 cifras significativas
x coma-flotante x (redondeo) x (corte)

3.14159 0.31415927 �101 0.31416 �101 0.31415 �101
3.14159 0.31415927 �101 0.31416 �101 0.31415 �101
2.71828 0.27182818 �101 0.27183 �101 0.27182 �101
1.41421 0.14142136 �101 0.14142 �101 0.14142 �101
22026.5 0.22026466 �105 0.22026 �105 0.22026 �105
1385.46 0.13854557 �104 0.13855 �104 0.13854 �10 4
40320 0.4032 �105 0.4032 �105 0.4032 �105
362880 0.36288 �106 0.36288 �106 0.36288 �106
Ejemplo: Aproximar los números reales x1 = 127 y x2 = 56.786500 empleando una aritmética de
7
cuatro cifras significativas con la técnica de corte y la de redondeo
Solución: Aproximación con una aritmética de 4 cifras significativas
x coma - flotante x (redondeo ) x (corte)

127
0.18142857 �102 0.1814 �10 2 0.1814 �10 2
7
56.7865 0.567865 �10 2 0.5679 �10 2 0.5678 �10 2
Ejemplo: Redondear simétricamente a tres cifras significativas las cantidades siguientes
x
58.67
10.356
0.07846
-12345
Solución
x x(3S )
58.67 58.7
10.356 10.4
0.07846 0.0785
-12345 -12300
Ejemplo: Un computador empieza 6 dígitos decimales para representar las cantidades en aritmética de
coma flotante normalizada. Calcular la cota de error absoluto y relativo de la cantidad aproximada
x = 0.278912 �104 , empleando la técnica de corte y la técnica de redondeo simétrico
solución
Técnica de corte
Las cotas del error absoluto (D x ) y relativo (d x ) de la cantidad x = 0.278912 �104 representada en
decimal en coma flotante normalizada son:
Numero de dígitos de la mantisa n=6
Valor de la característica c=4
D x = 10( c -n ) = 10 4- 6 = 10-2
d x = 10( - n + a ) = 10-6+1 = 10-5
Técnica de redondeo
Las cotas del error absoluto (D x ) y relativo (d x ) de la cantidad x = 0.278912 �104 representada en
decimal en coma flotante normalizada son:
Numero de dígitos de la mantisa n=6
Valor de la característica c=4
D x = 0.5 �10( c -n ) = 0.5 �104 -6 = 0.5 �10-2
d x = 0.5 �10( - n+1) = 0.5 �10-6+1 = 0.5 �10-5

Ejemplo: El estándar IEE754-1985 establece en el formato básico simple, mantisas de 23 bits. Haciendo
uso de EPS, deducir el número total de cifras decimales equivalentes a esos 23 bits.
Solución
A fin de transformar los dígitos de precisión de un sistema de representación en otro, se igualan las
fórmulas de las cotas de error relativo(EPS).
2-23+1 = 10- k +1
De donde,
-22 log10 2 = 1 - k
k = 1 + +22 log10 2 = 7.62266
Lo que significa que los 23 bits de la mantisa equivalen a una precisión de T cifras decimales
-23+1
2 - 2.38419 �10-2
error por truncamiento
Los errores de truncamiento son aquellos que resultan al usar una aproximación en lugar de un
procedimiento matemático exacto
Los errores de truncamiento representan la diferencia entre una formulación matemática exacta de un
problema y su aproximación obtenida por un método numérico.
dv Dv v(ti +1 ) - v(ti )
@ =
dt Dt ti +1 - ti
Para obtener un conocimiento sobre las características de estos errores, debe considerar una formulación
matemática que se utiliza ampliamente en los métodos numéricos para expresar funciones de manera
aproximada: la serie de Taylor
Los errores de truncamiento surgen cuando utilizamos ciertos métodos numéricos para la resolución del
problema matemático, asimismo cometemos errores de truncamiento cuando se usan métodos de
discretización o métodos iterativos:
Métodos de discretización: un claro ejemplo seria la integral que se resuelve de manera continua, esta
se puede resolver de manera discreta haciendo varias particiones
Ejemplo:
Aplicando para la regla del trapecio
b
h h3 2
� f ( x )dx = ( f 0 + f1 ) - f ( �)
a
2 12
Aplicando para la regla de Simpson
b
h h5
�
f ( x)dx = ( f 0 + 4 f1 + f 2 ) - f 4 ( �)
a
3 90
Para la cuadratura de gauss
( n + 1) !�
4
b n -1 2n +3 �
� �
f ( x)dx = �c f ( x ) +
� f ( 2n+ 2)
( �)
a i =0
i
( 2n + 3) �( 2n + 2 ) !�
i
� �
Otro ejemplo seria en las derivada y en las ecuaciones diferenciales como el método de Euler o los
métodos de Runge kutta
Métodos iterativos: cuando se usan métodos iterativos para calcular la solución de un problema
matemático, esta solución es obtenida teóricamente al final de un numero infinito de operaciones, estos
métodos iterativos son métodos definidos por una ecuación iterativa
Ejemplos: cuando vemos los métodos para hallar las ecuaciones no lineales y sistemas de ecuaciones no
lineales
Propagación de errores
vamos a investigar ahora como puede propagarse los errores en una cadena de operaciones sucesivas
mediante los polinomios de Taylor se puede llegar a las siguientes expresiones
f ( x + Dx) - f ( x ) �f 1 ( x) Dx
Para una sola variable
error ( f ( x )) = f 1 ( x )error ( x )
� f �f
f ( x + Dx, y + Dy,...) - f ( x, y,...) � Dx + Dy + ...
� x dy
Para más variables
�f �f
error ( f ( x, y,...)) = error ( x) + error ( y) + ...
�x �y
Ejemplo: Determine la cota de error absoluto y relativo cometido en la operación siguiente empleando la
fórmula general de propagación de errores.
R = 5.982 + 8.012
Sabiendo que los sumandos tienen unos errores absolutos máximos de 0.02 y 0.01 respectivamente
Solución
Dada la expresión E = 5.982 + 8.012 , se considera la función
f ( x) = x 2 + y 2
Los valores de las variables y de las cotas de error absoluto son:
x = 5.98 D x = 0.02
y = 8.01 D y = 0.01
La fórmula de la cota del error absoluto propagado es:
�
f �
f
Df = Dx + Dy
�
x �
y
x y
Df = Dx + Dy
x +y
2 2
x + y2
2
5.98 8.01
Df = 0.02 + 0.01
5.982 + 8.012 5.982 + 8.012
D f = 0.0199779
El valor aproximado de la función es

J = x 2 + y 2 = 5.982 + 8.012 = 9.99602
La cota de error relativo es
Df 0.0199779
f =
� = = 0.00199859
Jf 9.99602
0.00199859
Problema
Determine las cotas de los errores absoluto y relativo propagados al efectuar la operación
Siendo:
a �b + c / d
a = 10.0 �0.05 b = 0.00252 �0.00002 c = 12300 �100 d = 62000 �500

Solución
c
E = ab +
Dada la expresión d , se considera la función
y
f ( w, x, y , z ) = wx +
z
w = 10; D w = 0.05 x = 0.00252; D x = 0.00002 y = 12300; D y = 100

z = 62000; D z = 500
�f �
f �
f �
f
Df = Dw + Dx + Dy + Dz
�
w �
x �
y �z
1 y
D f = x Dw + w Dx + Dy + - 2 Dz
z z
1 12300
D f = (0.00252) 0.05 + (10) 0.00002 + 100 + - 500
(62000) 620002
D f = 0.0035388
y 12300
f = wx + = (0.00252)(10) + = 0.223587
z 62000
Y la cota de error relativo es:
Df 0.0035388
df = = = 0.0158274
f 0.223587
% = 1.58274%
La cantidad aproximada
f = 0.223587 tiene una cota de error absoluto
D f = 0.0035388
D f �5 �10( n -1) -k
Aplicando la fórmula para las cantidades decimales en coma flotante, se tiene:
f = 0.223587 �100
n=0
D f = 3.5388 �10-3 �5 �10 -1- k
El número de cifras significativas es de k =2
Las cifras significativas correctas son de

{ 2, 2}
Problema
Calcular la cota de error absoluto y relativo al efectuar la siguiente operación:
7 2 -p 3
f =
p2 + 3
Se toman como datos las aproximaciones siguientes, que tienen todas sus cifras correctas:
p = 3.14 2 = 1.41 3 = 1.7
Solución
7 2 -p 3
E=
Dada la expresión p 2 + 3 , se considera la función
7 x - yz
f ( x, y , z ) =
y2 + z
x = 1.41; D x = 0.005
y = 3.14; D y = 0.005
z = 1.7; D z = 0.05
�
f �
f �
f
Df = Dx + Dy + Dz
�
x �
y �z
7 z 2 y (7 x - yz ) y 7 x - yz
Df = Dx + - 2 - Dy + - 2 - 2 Dz
y +z
2
y +z ( y + z)
2 2
y + z ( y + z )2
7 (1.7) 2(3.14) [ 7(1.41) - (3.14)(1.7) ] 3.14 7(3.14) - (3.14)(1.7)

Df = 0.005 + - - 0.005 + - - 0.05
3.142 + (1.7) (3.14) 2 + (1.7) �(3.14) + (1.7) �
2
�
2
(3.14) 2
+ (1.7) �(3.14)2 + (1.7) �
2
� � �
D f = 0.0201057
7 x - yz 7(1.41) - (3.14)(1.7)
f = = = 0.392055
y2 + z (3.14)2 + (1.7)
La cota de error relativo es:
Df0.0201057
df = = = 0.0512827
�f � 0.392055
��
% = 5.12827%
f = 0.392055 tiene una cota de error absoluto
D f = 0.0201057
D f �5 �10( n -1) -k
Aplicando la fórmula para las cantidades decimales en coma flotante, se tiene:
f = 0.392055 �100
n=0
D f = 2.01057 �10 -2 �5 �10 -1- k
El número de cifras significativas es de k =1
La cifra significativa correcta es

{ 3}
Problema
El periodo de oscilación de un péndulo viene dado por la expresión
l
T = 2p
g
Siendo l la longitud del péndulo y g T = 2 s y la longitud del

la gravedad. Se sabe que el periodo es de
péndulo es de 1m. ¿Con que cota de error absoluto deben medirse la longitud, el número p y el valor de
g , considerando que son iguales sus cotas de error absoluto, para que la cota de error absoluto del
periodo sea inferior al 0.5%?
Solución
l
E = 2p
Dada la expresión
g , se considera la función
y
f ( x, y , z ) = 2 x
z
x = 3.14; D x = a y = 1; D y = a z = 9.8; D z = a
f D f = 0.01
La cota de error absoluto propagado de es
La fórmula de la cota del error absoluto propagado es
�
f �
f �
f
Df = Dx + Dy + Dz
�
x �
y �z
y x xy
Df = 2 Dx + Dy + - Dz
z y y 2
Z Z
z z
1 3.14 (3.14)(1)
Df = 2 a+ a+ - a
9.8 1 1 2
(9.8) (9.8)
9.8 9.8
D f = 1.74426a
La cota de error absoluto de los argumentos es:
0.01
a= = 0.00573308
1.74426
D x = 1�0.00573308 = 0.00573308
D y = 1�0.00573308 = 0.00573308
D z = 1�0.00573308 = 0.00573308
L valor aproximado de la función es:
y 1
f = 2x = 2(3.14) = 2.00607
z 9.8
Df 0.01
df = = = 0.00498486
�f � 2.00607
��
% = 0.498486%
Ejemplo: Se desea calcular el valor de la expresión E = 1/ 4(2 5 - 3( 5 - 1)) tomando los valores
5 = 2.2 y 3 = 1.7 , que poseen todas sus cifras correctas, Calcular:
a) El valor aproximado de la expresión E redondeado a 2 cifras decimales.
b) Función de partida para determinar el error.
c) Las cotas de error absoluto y relativo propagado empleando la formula directa, redondeadas a
4 cifras decimales.
d) Deducir cuántas y cuáles son las cifras correctas del resultado aproximado, aplicando la fórmula que
utiliza las cantidades representadas en coma flotante.
solución
1
Dada la expresión E= (2 5 - 3( 5 - 1)) se considera la función
4
1
f ( x, y ) = (2 x - ( x - 1) y )
4
x = 2.2 D x = 0.05
y = 1.7 D y = 0.05

�
f �
f
Df = Dx + Dy
�
x �
y
2- y 1- x
Df = Dx + Dy
4 4
2 - (1.7) 1 - (2.2)
Df = 0.05 + 0.05
4 4
D f = 0.01875
El valor aproximado de la función es:
_
1 1
J= (2 x - ( x - 1) y ) = (2(2.2) - ((2.2) - 1)(1.7)) = 0.59
4 4
Df 0.01875
�f = _
= = 0.0317797
0.59
J
3.17797%
_
J = 0.59 tiene una cota de error absoluto D f = 0.01875
Aplicando la fórmula 5 �10( n -1) - k para las cantidades decimales en coma flotante, se tiene:
_
J = 0.59 �100
n=0
D f = 1.875 �10-2 �5 �10-1- k
El número de cifras significativas es k =1
La cifra significativa correcta es [ 5]
Ejemplo. Se dan las aproximaciones x = 425.6 y y = 0.0058347 que tienen todas sus cifras
_ _ _
correctas. Calcular las cotas del error absoluto y relativo propagada por la operación p = x. y el error
absoluto del producto y la relación existente en cantidades expresadas en coma flotante es decir
D x �10- ( - c +1) �5 �10- n .
Solución
Las cotas del error absoluto y relativo:

x = 425.6 D x = 0.5 �10-1
y = 0.0058347 D y = 0.5 �10-7
0.5 �10-1
dx = = 0.000117 = 0.00012
425.6
0.5 �10-7
dy = = 8.56942 �10-6 = 0.0000086
425.6
La cota de error relativo del producto es la suma de las cotas relativas de los factores
d xy = d x + d y = 0.00012 + 0.0000086
d xy = 0.0001286 ; 0.00013
Aplicando la fórmula de la cota del error relativo partiendo del error absoluto, se obtiene la cota de error
absoluto del producto
D xy
d xy = _ _
�
xy
_ _
D xy = d xy x y = 0.00013 �425.6 �0.0058347
D xy = 0.000322822 = 0.0003
El número de cifras correctas del producto se halla conociendo su cota de error absoluto, mediante la
formula
D xy �5 �10( c -1) - n
Para cantidades expresadas en decimal en coma flotante
D xy = 0.0003
_ _
x y = 425.6 �0.0058347
Sustituyendo 0.0003 = 3 �10-4 �5 �10- ( c-1)- n

De donde se obtiene que n=4 luego el producto tiene 4 cifras correctas el 2,4,8 y 3.
CAPITULO 3: ERROR EN LOS METODOS NUMERICOS
Ecuaciones no lineales
1. METODOS ABIERTOS
1.1 METODO DE LA BISECCION
El método de Bisección para la resolución de la ecuación f ( x ) = 0 se basa en el Teorema de Bolzano

que nos asegura la existencia de, al menos, una raíz de una función f(x) en un cierto intervalo [ a, b ] ,
bajo ciertas condiciones.
 Teorema de Bolzano: Sea f : [ a, b ] � R una función continua en [a, b] tal que
f ( a ) * f ( b ) < 0 . Entonces existe c �( a, b ) tal que f ( c ) = 0 .
Supongamos que f(x) es continua y cambia de signo en los extremos de [ a, b ] .

 Teorema de Error absoluto máximo o Error a Priori aplicada al Método de Bisección.
El error cometido, tomando como raíz de la ecuación el punto medio xn del intervalo
[an ; bn ] Obtenido en la en la iteración enésima, viene dado por:
b-a
en � n
2
Para lo cual primero hallamos la incógnita “n”, que viene a ser el número de iteraciones, que es hallada
por medio de la siguiente formula:
b-a
log
n� e
log 2
- Donde e es la exactitud con la que se trabajara y se debe cumplir que en <e .
1
Por lo que si b - a = 1 y n = 10 se tiene que e10 � 10 < 10-3 , es decir, en 10 iteraciones obtenemos
2
tres cifras decimales exactas.
Ejemplo:
Problema de la oscilacion amortiguada de una estructura que viene dada por la ecuación.
t
f(t) = 10 e 2 cos 2t - 4 = 0
Con una presicion de e =10 -3. Teniendo en cuenta que tiene una raiz real en el intervalo[0,1].
SOLUCION:
Para hallar e y verificar que e < e :
n n
1. Hallamos el número de iteraciones que debemos realizar,
usando :
b-a
log
n� e
log 2
Re emplazando datos obtenemos
1
log
-3
n � 10 �9.966,
log 2
es decir , n = 10
2.Re emplazamos en
b-a
e �
n
2n
1
e � �9.765625*10-4
10 10
2
Cumpliendose que e < e
10
Finalmente y después de comprobar que e < e y hallado " n " obtenemos :
n
n a ( + ) b ( -) m sgn f ( m )
n n n n
1 0 1 0.5 +
2 0.5 1 0.75 -
3 0.5 0.75 0.625 -
4 0.5 0.625 0.5625 -
5 0.5 0.5626 0.5313 -
6 0.5 0.5313 0.5157 -
7 0.5 0.5157 0.5079 +
8 0.5079 0.5157 0.5118 +
9 0.5118 0.5157 0.5138 -
10 0.5118 0.5138 0.5128
Notas:
- Es importante hacer notar que Teoremas como este dan solamente cotas aproximadas para los
errores.
 EJERCICIO:
x
La ecuación f ( x ) = xe - p = 0 tiene raiz real en [0, 2].Deter min ar cuantas iteraciones deben
realizar con el método dela bi sec ción para obtener un resultadocon presición e =0,01.
SOLUCION :
- Hallamos n
b -a
log
n� e
log 2
Re emplazando datos obtenemos
2
log
-2
n� 10 �7.64385619,
log 2
es decir , n =8
2.Re emplazamos en
b -a
en �
2n
1
e8 � �3.90625*10-3
28
Cumpliendose quee8 <e
Finalmente y después decomprobar queen <e y hallado " n " obtenemos:
n xi xm xd f ( xi ) f ( xm ) f ( xd )
1 0 1 2 -3.1416 -0.4233 11.6365
2 1 1.5 2 -0.4233 3.580 11.6365
3 1 1.25 1.5 -0.4233 1.2213 3.580
4 1 1.125 1.25 -0.4233 0.3236 1.2213
5 1 1.0625 1.125 -0.4233 -0.0671 0.3236
6 1.0625 1.09375 1.125 -0.0671 0.1237 0.3236
7 1.0625 1.0782 1.09375 -0.0671 0.2716 0.3236
8 1.0625 1.09812 0.02025
1.2 METODO DE LA FALSA POSICION
Se trata de realizar un refinamiento del Método de Bisección, eligiendo la aproximación m a distancias de

a y b proporcionales a f ( a ) y f ( b) . La ecuación de la recta que pasa por los puntos
y - f (a ) x -1
( a, f ( a ) ) y ( b, f ( b ) ) es =
f (b) - f (a ) b - a
de donde se tiene que el corte con el eje OX es,
haciendo x = 0 y despejando y, el valor
a f (b) - b f (a )
m=
f (b) - f ( a)
 Teorema De Error A Posteriori Aplicado Al Método De Falsa Posición
Supongamos conocido que la función f(x) tiene un cero en el intervalo [a, b] y que por cualquier método
hemos aproximado la solución como xn .
Lo primero que se nos ocurre para comprobar si es válido el resultado es calcula f ( xn ) y, en general,
obtendremos que f ( xn ) �0 ya que no tendremos exactamente la raíz x sino una aproximación.
Supongamos que obtenemos f ( xn ) =2.2345.
Si la pendiente de la función en dicho punto f�

( xn ) es grande estaremos cerca de ella, pero si es
pequeña estaremos lejos.
Así pues, el error es inversamente proporcional a la pendiente de la función, en otras palabras,
| f ( xn ) |
error �
| f� ( x) |
Para lo cual debemos tomar el mínimo valor de la pendiente en todo intervalo para decir que
| f ( xn ) |
en �
mín | f � ( x) |
x�( a ,b )
Esta fórmula de error es justificada atreves del teorema del valor medio.
Si f ( x ) es una función continua en el intervalo [a, b] y derivable en (a, b) ,

f (b) - f (a )
Existe un punto c �(a, b) tal que = f�
(c )
b-a
Sea x una solución de la ecuación f ( x) = 0 y sea xn una aproximación de ella obtenida por un
método iterado cualquiera.
Supongamos f ( x) continua en el intervalo cerrado [ xn , x ] o [ x , xn ] (dependiendo de que x sea mayor

o menor que xn ) y derivable en el abierto.
Existe entonces un punto c �( xn , x ) o c�( x , xn ) tal que
f ( x ) - f ( xn )
= f�
( c)
x - xn
f ( xn )
Como f ( x) = 0 , nos queda que x - xn = - , obteniéndose:
f� (c )
| f ( xn )| | f ( xn )| | f ( xn )|
en =
|f� ( c )|
�
mín | f �
�
( x )| mín | f � ( x )|
( x , xn )
( x , xn ) x�( a ,b )
Con } �(a, b)
x�{
( xn , x )
( xn , x )
Lo único que debemos exigir es que la derivada de la función no se anule en ningún punto del intervalo
( a, b )
Téngase en cuenta que, si la función está mal condicionada, es decir, si muy grande, el cálculo de
f ( xn ) estará muy mal condicionado ya que cualquier error en el valor de xn hace que lo que estemos
calculando sea f ( xn ) en un punto xn�
muy cercano a xn verificándose que:
| f ( xn�) - f ( xn ) ; | xn�- xn |*| f �

( xn )|
Es decir, puede que obtengamos por ejemplo que f ( xn ) = k y sin embargo su verdadero valor difiera
mucho de k debido a la fuerte pendiente existente en dicho punto, con lo que obtendremos una cota
errónea del error.
Debemos, por tanto, asegurarnos de que nuestro problema está bien condicionado, es decir, no existen
en el intervalo pendientes muy grandes (condicionamiento directo) ni muy pequeñas (condicionamiento
inverso) para garantizar la habilidad del “error a posteriori".
La fórmula a utilizar en los ejercicios será la siguiente:
aproximación actual - aproximación previa

|e a| =| *100%|
aproximación actual
Ejemplo:
Usar el método de la regla falsa para aproximar la raíz de f ( x) = e - x - ln x , comenzando

en el intervalo [1, 2] y hasta que |�a | < 1%.
Solución
Es contínua en el intervalo dado y toma signos opuestos en los extremos de dicho intervalo.
Por lo tanto podemos aplicar el método de la regla falsa.
Calculamos la primera aproximación :
f ( x3 )[ xa - x3 ] f (2).[1 - 2]
x y1 = x3 - = 2- = 1.397410482
f ( xa ) - f ( x3 ) f (1) - f (2)
Evaluamos
f ( x y1 ) = e -1.397410482 - ln(1.397410482) = -0.087384509 < 0
Según la tabla de signos
f (1) f (1.397410482) f (2)
+ - -
nuestra nueva raiz se encuentra en el int ervalo [1,1.397410482] y con este nuevo intervalo,
calculamos la nueva aproximación
f ( x3 )[ xa - x3 ] f (1.397410482) *[1 - 1.397410482]
x y2 = x3 - = 1.397410482 - = 1.321130513
f ( xa ) - f ( x3 ) f (1) - f (1.397410482)
calculamos primer error con la fórmula
|ea | = *100%
1.321130513 - 1.397410482
| e a |=| *100% |= 5.77%
1.321130513
Como no se cumple el objetivo, evaluamosf ( x y2 ) = f (1.321130513) = -0.011654346 < 0
y hacemos nuestra tabla de signos
f (1) f (1.397410482) f (1.321130513)
- - +
nuestra nueva raiz se encuentra en el int ervalo [1,1.321130513] y con este nuevo intervalo,
calculamos la nueva aproximación
f ( x3 )[ xa - x3 ] f (1.321130513) *[1 - 1.321130513]
x y3 = x3 - = 1.321130513 - = 1.311269556
f ( xa ) - f ( x3 ) f (1) - f (1.321130513)
Y el error aproximado :
1.311269556 - 1.321130513
|�a |=| *100% |= 0.75%
1.311269556
Cumple, por lo tan to la aproximacion buscada es :
x y3 = 1.311269556
Notas:
- En este caso las amplitudes de los intervalos [an , bn ] no se van reduciendo a la mitad como en
el caso del método de bisección, por lo que ya no es válida la fórmula del error a priori, siendo
necesario encontrar otra forma de poder estimar el error que se comete en cada iteración.
2. METODOS ABIERTOS
2.1 METODO DE ITERACION SIMPLE DEL PUNTO FIJO
Este método se aplica para resolver ecuaciones de la forma x = g ( x)
Si la ecuación es f ( x) = 0 , entonces puede despejarse ”x” o bien sumar ”x” en ambos lados de la
ecuación para ponerla en la forma adecuada.
Por el Teorema del Valor Medio para derivadas, sabemos que si g(x) es continua en [ a, b] y
g (b) - g (a )
diferenciable en (a, b) entonces existe x �(a, b) tal que (x ) =
g� .
b-a
En nuestro caso, existe x en el intervalo determinado por xi y x y tal que:
g ( x y ) - g ( xi )
(x ) =
g�
x y - xi
De aquí tenemos que:
(x ) *( x y - xi )
g ( x y ) - g ( xi ) = g �
Tomando valor absoluto en ambos lados,
(x ) | * | x y - xi |
| x y - xi +1 |=| g �
Observe que el término | x y - xi +1 | es precisamente el error absoluto en la (i + 1) - ésima iteración,
mientras que el término | x y - xi | corresponde al error absoluto en la i- ésima iteración.
Por lo tanto, solamente si (x ) |< 1

| g� , entonces se disminuirá el error en la siguiente iteración. En caso
contrario, el error irá en aumento.
Teorema de Error a Priori aplicado al Método del Punto Fijo.
Para acotar el error de una determinada iteración utilizamos la fórmula de erro a priori.
| f ( xn )|
en �
mín | f � ( x )|
x�( a ,b )
EJEMPLO 1
El calculo de la raíz cuadrada de 3 equivale al calculo de la raíz positiva de la ecuación x 2 = 3.

Aunque mas adelante veremos métodos cuya convergencia es mas rápida,
vamos a realizar los siguientes cambios :
3+ x
x 2 = 3 � x + x 2 = x + 3 � x(1 + x) = 3 + x � x =
1+ x
Es decir , hemos escrito la ecuación de la forma x = j ( x ) con
3+ x
j ( x) =
1+ x
Dado que sabemos que la raíz de 3 esta comprometida entre 1 y 2 y que
2 2 1
| j� ( x) |= � 2 = < 1 para cualquier x �[1, 2]
(1 + x) 2
2 2
Podemos garantizar que partiendo de x0 =1 el método convergera a la raíz

cuadrada de 3 y que el error será fiable.
3 + xn
Asi pues, partiendo de x0 = 1 y haciendoxn +1 = obtenemos
1 + xn
x1 = 2 x14 = 1: 73205079844084
x 2 = 1: 66666666666667 x15 = 1: 73205081001473
x3 = 1: 75000000000000 x16 = 1: 73205080691351
x 4 = 1: 72727272727273 x17 = 1: 73205080774448
x5 = 1: 73333333333333 x18 = 1: 73205080752182
x6 = 1: 73170731707317 x19 = 1: 73205080758148
x7 = 1: 73214285714286 x 20 = 1: 73205080756550
x8 = 1: 73202614379085 x 21 = 1 : 73205080756978
x9 = 1: 73205741626794 x 22 = 1: 73205080756863
x10 = 1: 73204903677758 x 23 = 1: 73205080756894
x11 = 1: 73205128205128 x 24 = 1: 73205080756886
x12 = 1: 73205068043172 x 25 = 1: 73205080756888
x13 = 1: 73205084163518 x 26 = 1: 73205080756888
| f ( xn ) |
El error vendrá dado por e n � donde f ( x ) = x 2 - 3, por lo que
mín | f � ( x) |
x�( a ,b )
| x -3|
2
e 26 � 26
= 4.88498130850688*10-15 < 10-14
2
es decir 3 = 1.73205080756888 contodas sus cifras decimales exactas.
EJEMPLO:
a ) x log x - 10 = 0 , por el método de la secante.

Segun la grafica de la función usamos los puntos : x 0 = 8, x1 = 9
tomando en cuenta un error admisible de 10 -5.
La formula que se utilizará en este método es :
xn -1 f ( xn ) - xn f ( xn -1 )
xn +1 =
f ( xn ) - f ( xn -1 )
1ra. iteración
f ( x0 ) = -2.775280, f ( x1 ) = -1.411817
( x1 - x0 ) f ( x1 )
x2 = x1 - = 10.035465
f ( x1 ) - f ( x0 )
para calcular el error usamos la formula de error absoluto estimado
| e |=| xk - xk -1 |
error =| x2 - x1 |=| 10.035465 - 9 |= 1.035465
2da. Iteración
f ( x2 ) = -0.050895
( x2 - x1 ) f ( x2 )
x3 = x2 - = 9.999436
f ( x2 ) - f ( x1 )
error =| x3 - x2 |=| 9.999436 - 10.035465 |= 0.036029
3ra. iteración
f ( x3 ) = -0.000809
( x3 - x2 ) f ( x3 )
x4 = x3 - = 10
f ( x3 ) - f ( x2 )
error =| x4 - x3 |=| 10 - 9.999436 |= 0.000564
Luego de realizar tres iteraciones en x 4 = 10, se tiene un valor igual a
0, por cual la respuesta es :
x = 10
error = 0
EJERCICIO:
c*t
g *m -( )
La velocidad v de un paracaidista esta dada por v = [1 - e m ] donde g = 980cm / s 2 .
c
Para un paracaidista con m = 75000 gr , calcule el coeficiente c en ( gr / s ) para el cual el
paracaidista alcance una velocidad v = 3600 cm / s al final de t = 6s; considere el
intervalo inicial �[10000,15000]gr / s. Haga apenas dos iteraciones del método de la
secante.Con una exactitud de10-3.
SOLUCION :
reemplazando datos
6c
980*75000 -( )
0= [1 - e 75000 ] - 3600
c
luego tomamos x0 = 13462.32 con e = 0.001 x1 = 13463.00
reemplazamos en la fórmula
f ( xk ) *( xk -1 - xk )
xk +1 = xk -
f ( xk -1 ) - f ( xk )
(-0.789)(-0.08)
x2 = 13462.320 - = 13461.6415
(1.716*10-3 ) - (-0.789)
(-0.0822)(1.3585)
x3 = 13461.6415 - = 13462.3350
(-0.0789) - (0.0822)
Para calcular el error relativo usamos la formula
| e a | =| *100% |
13462.3350 - 13461.6415
| e r | =| *100% |= 5.15*10-5
13462.3350
2.3 METODO DE NEWTON -RAPHSON
Se trata de llevar el limite el método de la secante y, por tanto, en cada iteración n, considerar la recta
tangente a f (x) en ( xn , f ( xn )) y tomar como siguiente aproximación xn+1 la intersección de dicha tangente
con el eje de abscisas.
Por tanto, teniendo en cuenta que la ecuación de la recta tangente a la gráfica de f (x) en el punto
( xn , f ( xn )) es y - f ( xn ) = f �
( xn )( x - xn ) ; se tiene que:
f ( xn )
xn +1 = xn -
f�( xn )
Cota de Error a Priori aplicado al Método de Newton Raphson.
La diferencia entre la solución exacta x y la aproximación xn +1 viene dada por
f ( xn ) f ( xn )
en + 1 = x - xn +1 = x - xn + = en + Dado que
f� ( xn ) f� ( xn )
f�
�(t ) 2
0 = f ( x ) = f ( xn + en ) = f ( xn ) + f �
( x n ) en + en con t �{ ( ( x , xn ) ( xn , x ) }
2
Si f�
( x ) �0 ∀ x ∈ [a, b] podemos dividir entre f�
( xn ) �0 obteniéndose
f ( xn ) f�
�(t ) 2 f�
�(t ) 2
0= +en + en = en +1 + en
f� ( xn ) 2 2
| f��
(t ) | 2 m áx | f �
�
( x) |
Tomando valores absolutos: e n +1 = e n �ke n2 con k � es decir, en cada
2| f �
( xn ) | 2mín | f �
( x) |
iteración dispondremos, aproximadamente, del doble de cifras decimales exactas que en la iteración anterior,
que es lo que significa el hecho de ser una convergencia de segundo orden. Además, podemos obtener,
n+1
multiplicando por k, ke n +1 �k 2e n2 = (ke n ) 2 �(ke n-1 )4 �(ke n- 2 )8 �... �(ke 0 ) 2 =⇒
1 máx | f ��
( x) |
( ke 0 ) con k �
2n
en �
k 2mín | f �
( x) |
Lo que nos proporciona una cota del error “a priori”, pudiéndose garantizar la convergencia siempre que k e 0
1
< 1 es decir, sí e0 � .
k
En conclusión, la fórmula para el error en el método de newton Raphson será:
| f ( xn )|
en �
mín | f � ( x )|
x�( a ,b )
EJEMPLO:
Partimos de la ecuación f ( x ) = x 2 - 3 = 0, por lo que la fórmula de Newton Raphson nos dice que
f ( xn ) x 2 - 3 xn2 + 3 1 3
xn +1 = xn - = xn - n = = ( xn + )
f�( xn ) 2 xn 2 xn 2 xn
( x ) = 2x
Dado que la raíz de 3 es un número comprendido entre 1 y 2 y la función f �
no se anula en dicho intervalo,
podemos aplicar el método de Newton tomando como valor inicial x0 = 2.
( Más adelante veremos porqué debemos tomar 2 como valor inicial ) , obteniéndose :
x0 = 2
x1 = 1.75000000000000
x 2 = 1.73214285714286
x3 = 1.73205081001473
x 4 = 1.73205080756888
| f ( xn ) |
El error vendrá dado por e n � , por lo que
mín | f � ( x) |
x�( a ,b )
| x - 3) |
2
e4 � 4
=4.884981308350688 · 10-15 < 10-14
2
es decir , 3 = 1.73205080756888 con todas sus cifras decimales exactas.
ERROR DE LA INTERPOLACIÓN POLINOMIAL
x1 ,..., xn
1. Polinomio interpolante, fórmula de LaGrange. Dados los números distintos y los números
y1 , . . . , yn , existe un único polinomio P de grado �n - 1 tal que
arbitrarios
"k μ { 1, , n} P ( xk ) = yk
Este polinomio interpolante se puede calcular mediante la fórmula de LaGrange:

n
x - xk
P ( x ) = �y j �
j =1 1�k �nk �j x j - xk
yk xk ( yk = f ( xk ) ) ,
En el caso si los números son los valores de una función f en puntos se dice que P
xk
es el polinomio interpolante de la función f en los nodos
f : [ a, b ] � R [ a, b] , derivable en (a,b) y tal que

2. Teorema de Rolle. Sea una función continua en
f ( a) = f ( b) . x f0 ( x ) = 0
Entonces existe un número en (a, b) tal que .
f : [ a, b ] � R
3. Teorema generalizado de Rolle. Sea una función de clase C n [a, b] que se anula en
algunos n + 1 puntos (diferentes a pares) del intervalo [a, b]. Entonces existe un número ξ en (a, b) tal que
f ( n ) ( x ) = 0.
4. Sobre las derivadas de ordenes mayores de un polinomio.
Sea P un polinomio de grado �n - 1
P ( x ) = a0 + a1 x + � + an -1 x n -1
Entonces su
(n - 1) - ésima
derivada es constante:
P ( n -1) ( x ) = ( n - 1) !an -1
Y las siguientes derivadas son cero:
P ( n ) ( x ) = P ( n +1) ( x ) = P ( n + 2) ( x ) = � = 0
5. Teorema (fórmula del error de la interpolación polinomial).
x1 , . . . , xn
Sean algunos números diferentes por pares pertenecientes a un intervalo [a, b] y sea f ∈ C n [a,
x1 , . . . , xn . Entonces para cada
b]. Denotemos por P al polinomio interpolante de la función f en los nodos
x �[ a, b ]
existe un número ξ ∈ (a, b) tal que
f ( n ) (ξ) n
f ( x) - P( x) = �( x - xk )
n ! k =1
x = xk f ( xk )
Idea de la demostración. Para ambos lados son iguales a y la fórmula se cumple. Sea
x �[ a, b ] \ {x1 , . . . , xn }.
Nótese que en la parte restante de la demostración el punto x es fijo.
Consideremos la siguiente función auxiliar:
k =1
x - xk
d ( f ) = t( f ) - b( f ) - (t( x ) - b( x ) )C
u f - xk
g �C n [ a, b ] x1 , . . . , xn , x.
Es fácil ver qué y g se anula en n + 1 puntos distintos Por el teorema
x �( a, b ) g( n ) ( x ) = 0 g( n ) ( x )
generalizado de Rolle, existe un punto tal que . Calculemos , usando la
proposición sobre las derivadas de polinomios:
n!
g ( n) ( ξ ) = f ( n ) ( ξ ) - ( f ( x ) - P ( x ) ) n
� k =1
( x - xk )
f ( x ) - P( x)
Al despejar obtenemos la fórmula enunciada.
6. Observación.
El teorema afirma la existencia de un número ξ con la propiedad escrita, pero no proporciona ningún
procedimiento cómodo para calcularlo. En la práctica se calcula
M = sup | f ( n ) ( t ) |
t�[ a ,b ]
Y se usa la siguiente cota superior del error:
M n
| f ( x ) - P ( x ) |� �| x - xk |
n ! k =1
EJEMPLO
Error de interpolación de LaGrange
Sea la función
f ( x ) = 2 xe - (4 x + 2)
a) Calcular y representar gráficamente los polinomios de base de LaGrange asociados al soporte

[ 0.2, 1.0]
p ( x) f ( x) { 0.2, 1}
b) Hallar el polinomio que interpola en el sentido de LaGrange sobre el soporte
c) Obtener la expresión del error de interpolación
d) Hallar una cota de error válida en todo

{ 0.2, 1}
Solución:
x - x1 1 - x x - x0 x - 0.2
L0 ( x ) = = L1 ( x ) = =
x0 - x1 0.8 x1 - x0 0.8
b) polinomio de interpolación de LaGrange
p1 ( x ) = f ( x0 ) .L0 ( x ) + f ( x1 ) .L1 ( x)
1- x x-2
p1 ( x ) = ( 0.4 ) e -2.8 + 2e -6
0.8 0.8
c) expresión de error
Aplicamos la expresión:
f ´´(ξ) n
ξ ( x) = f ( x) - P( x) =
( n + 1) ! �
( x - xj )
j =0
Como el numero n+1=2 se deriva dos veces la función f(x)
f ´( x ) = ( 2 - 8 x ) .e - (4 x + 2)
f ´´(ξ) n
ξ ( x) = f ( x) - P( x) =
( n + 1) ! �
( x - xj )
j =0
ξ ( x) = f ( x) - p( x) =
( -16 + 32ξ ) e-( 4ξ +2 )
( x - 0.2)( x - 1)
2!
ξ ( x) = f ( x) - P ( x) =
( -16 + 32ξ ) e ( ) 2
- 4ξ +2
( x - 1.2 x + 0.2)
2
d) cota de error
max f ´´( x ) 1
ξ ( x ) =| f ( x ) - P ( x ) |� max | �( x - xj ) |
3! [0.2,1]
j =0
Hallamos primero
max f ´´( x)
[0.2,1]
g ( x ) = f ´´( x )
Llamamos
Dada la función g(x) es continua en

[ 0.2,1] su mayor valor absoluto es
[ 0, 2] será el mayor de los
siguientes:
g ( x) [ 0.2, 1] para las que g ' ( x ) = 0 .

Valor de en las abscisas de
g ( 0.2 )
Valor de .
g ( 1) .
Valor de
g ( x) g’ ( x ) = 0
Valor de en las abscisas para las que .
g ( x ) = ( -16 + 32 x ) .e - (4 x + 2) g´( x ) = (96 - 128 x ).e - (4 x + 2)

96
g´( x* ) = 0 � ( 96 - 128 x ) .e -( 4 x+ 2) = 0 � x* = = 0.75
128
En donde g ( 0.75 ) = 0.0539
Valor de g(x) en los extremos del intervalo

[ 0.2, 1 ] .
g ( 0.2 ) = -0.5838 = 0.5838 g ( 1) = 0.0397

El mayor valor absoluto es: 0.5838 (obtenido para x = 0.2)
g ( x) = f ” ( x)
Gráfico en [0.2, 1] de la función
Buscamos ahora
max ( x - 0.2)( x - 1)
q ( x) = ( x - 0.2 ) ( x - 1) ,
Llamamos siendo un polinomio
de segundo grado que se anularía en los puntos 0.2 y 1,
luego necesariamente tendrá sus extremos en:
q ( x)
El máximo de se alcanzará en los puntos que se
obtienen resolviendo la ecuación
q’ ( x ) = 0
q’ ( x ) = 0 = 2 x –1.2
De donde se obtiene x = 0.6 como abscisa en la que se encuentra el máximo de q(x) resultando:
q ( 0.6 ) = - 0.16
q ( 0.6 ) = 0.16
Teniendo en cuenta los resultados obtenidos, una cota de error vendrá dada por:
0.5838
ξ ( x) = f ( x) - P ( x) � ( 0.16 ) = 0.046704
2
SISTEMAS DE ECUACIONES NO LINEALES
GENERALIDADES
Se considera la búsqueda de la solución de un sistema de ecuaciones no lineales del tipo
�f1 ( x1 , x2 ,..., xn ) = 0
�f ( x , x ,..., x ) = 0
�2 1 2 n
�
�...
�
�f n ( x1 , x2 ,..., xn ) = 0
f
Donde las i son funciones reales. En todo lo siguiente se supondrá, como hipótesis, que dichas funciones
son diferenciables en la medida de lo requerido por los métodos que se exponen.
Desde el punto de vista vectorial, el sistema anterior puede escribirse

f1 x1
r f r x
f = 2 x= 2
... ...
fn xn
Con lo cual el sistema anterior se escribe

ur r
f ( x) = 0
También se supone que ha sido encontrada una aproximación inicial a la raíz buscada, que se denominará
aproximación de orden 0
x1(0)
r (0) x2 (0)
x =
...
xn (0)
k
Si x y xm son vectores de R n , se llama distancia asociada a la norma *, al número
d ( xk , xm ) = xk - xm
II ITERACIÓN PUNTO FIJO
La iteración de punto fijo para sistemas de ecuaciones no lineales tiene muchas similitudes conceptuales con
el método de iteración simple visto en el capítulo RAICES DE ECUACIONES. La dificultad a salvar es la
correspondiente al trabajo en espacios de n dimensiones donde los módulos antes utilizadas se valoran ahora
en términos de normas de vectores y matrices. La convergencia será la convergencia de sucesiones de
vectores, como a continuación se presenta.
Sea entonces el sistema no lineal

ur r
f ( x) = 0
O su equivalente
�f1 ( x1 , x2 ,..., xn ) = 0
�f ( x , x ,..., x ) = 0
�2 1 2 n
�
�...
�
�f n ( x1 , x2 ,..., xn ) = 0
Y una aproximación inicial a la raíz del sistema
x1(0)
r (0) x2 (0)
x =
...
xn (0)
El primer paso a dar es transformar el sistema dado en otro de la forma

r u r r
x = j ( x)
La elección de las funciones ϕ no es para nada trivial pues de ellas depende nada menos que la convergencia
o no convergencia del método en estudio.
j
A partir de la elección de las funciones i se genera recursivamente la sucesión de vectores en el espacio de
n dimensiones, a partir de la aproximación inicial x
r k +1 uu
rr k
x = j(x )
Se plantean, como siempre, las siguientes preguntas: ¿es convergente el proceso?, si lo es, ¿converge a la
solución del problema, es decir, a las raíces del sistema?
Contestarlas requiere probar que
r k +1 ur
lim x = X
k ��
ur r k ur
lim j ( x ) = X
k ��
ur ur ur
X = j (X )
Siendo entonces Ξ un punto fijo. Naturalmente, para resolver sistemas no lineales es necesario que existan
puntos fijos y para ello, a su vez es necesario que la aplicación sea una contracción.
Para ello es nuevamente necesario que la aplicación de D �R n enD �R n definida por x = j ( x ) sea
Lipschitziana, es decir que se verifique que existe una constante real L > 0 tal que
ur r u r u r r ur r u r
d (j ( x), j ( y )) �Ld ( x, y ), " x, y �D
Y que la constante L sea menor que 1
Si eso se cumple, existe un punto fijo. En efecto, siendo
r k +1 ur r k
x = j(x )
Finalmente puede escribirse
d ( x n , xm =n+ p )
Como ϕ es una contracción L es menor que uno, entonces para cualquier ε > 0 basta con tomar
�e (1 - L) �
log � r 0 r1 �
�d ( x , x ) �
N� � �
log( L)
Para que se verifique que la distancia

d ( x n , x m = n+ p ) < ε para todo par de índices n y m mayores que N.
r k +1 ur r k
En consecuencia la sucesión
x = j(x )
Es una sucesión de Cauchy (criterio general de convergencia de sucesiones) y, en consecuencia, tiene límite
y ese límite es un punto fijo de la aplicación dado que:
r k +1 ur r k ur ur
x k �� Xμ
‫�ٮ‬j ( x ) k ��
X=X j( ) j( )
Donde Ξ es un punto fijo.
Además ese punto fijo es único. Supóngase que existen dos puntos fijos Ξ0 y Ξ1 entonces
d (X 0 , X1 ) = d (j (X 0 ), j (X1 ) �Ld (X 0 , X1 ) �d (X 0 , X1 )
Lo que evidentemente es un absurdo dado que ningún número real es estrictamente menor a si mismo. Salvo
que Ξ0 y Ξ1 sean coincidentes, en cuyo caso la distancia es nula y entonces
0 = d (X 0 , X1 ) = d (j (X 0 ), j (X1 ) �Ld (X 0 , X1 ) �d (X 0 , X1 ) = 0
Lo que asegura la unicidad del punto fijo.
Asimismo, si en la última expresión se pasa al límite cuando p → ∞ se tiene:
r n r n+ p r n ur Ln r1 r 0
lim d ( x , x ) = d ( x , X) = d (x , x )
p �� 1- L
que indica que la "distancia" ( en términos de la norma utilizada) entre el vector de aproximación
correspondiente al enésimo paso y el vector raíz del sistema depende, por un lado del valor de la constante L
y, por otro de la cercanía de la aproximación inicial a la raíz Ξ con el vector x0 .
Siendo necesariamente L positiva y L < 1 por hipótesis, el conjunto de números reales entre los que puede
L
variar L define de cierta forma la velocidad de la convergencia. Si L es positiva y muy próxima a 0, 0 será un
real extremadamente pequeño, con lo cual, en cada paso de cálculo la distancia entre el vector vigente y el
vector solución decrece rápidamente. Obsérvese que el denominador 1-L es, en este caso muy próximo a 1.
Lo que indica que la contracción, en cada paso de cálculo depende de L. Si L, siendo siempre positiva y
menor que 1 es grande (cercana a 1), la nueva distancia será más chica pero bastante "parecida" a la anterior,
si es muy chica (cercana a cero) la nueva distancia será mucho menor que la correspondiente al paso
anterior.
Se debe recordar al leer estos párrafos el método de iteración simple de una ecuación donde se demostró que
el error en un paso es proporcional, con constante de proporcionalidad L, al error en el paso anterior. Las
similitudes son evidentes. Allá el trabajo era con funciones de una variable independiente, en intervalos y
valores absolutos, aquí es con funciones de n variables (vectores), con normas y distancias, pero el fondo del
tema es el mismo. En cada paso de cálculo se está más cerca de la raíz, con un ritmo "lineal".
Otro punto a tomar en consideración es la bondad del ajuste inicial, es decir que tan próximo al vector
solución Ξ está el vector de partida x 0 seleccionado. Dado que x1 surge como primer paso de cálculo
partiendo de x 0
, la distancia entre ambos será "grande" si x0 es lejano a la solución y será "chica" si no lo
d ( x1 , x 0 )
es. Como esta distancia es parte invariable, el método será mejor en el sentido de velocidad de
convergencia, cuanto menor sea esta distancia.
f k ( xi )
En resumen, cuando el sistema de ecuaciones no lineales se transforma en el sistema
�x1 = j1 ( x1 , x2 ,..., xn )
�x = j ( x , x ,..., x )
�2 2 1 2 n
�
�...
�
�xn = jn ( x1 , x2 ,..., xn )
Hay que determinar si dicho sistema es una contracción en el dominio D en el cual se trabaja. Para ello es
necesario determinar la constante L y verificar que, siendo positiva, es menor que uno. Esto puede ser muy
laborioso razón por la cual se hace necesario analizar variantes más fácilmente aplicables en la práctica.
Una de ellas es utilizar la matriz Jacobiana de las funciones

fk , asumiendo la derivabilidad de las mismas
con respecto a todas las variables.
EJEMPLO
Se buscan raíces del siguiente sistema.
5x2 - y 2 = 0
y - 0.25( sen( x) + cos( y )) = 0
Solución
Para ello, en una primera etapa se buscan aproximaciones a dichas raíces mediante métodos gráficos.
Se elige el sector que se encuentra en las cercanías de

( x, y ) = ( 0.1, 0.2 )
y se toman estos valores como
valores iniciales.
Se transforma el sistema dado a la forma
x1 = j1 ( x1 , x2 )
x2 = j2 ( x1 , x2 )
Escribiendo
y2
x=
5
y = 0.25( Sen( x) + Cos ( y ))
x2 = y
Donde se ha hecho
Corresponde ahora estudiar la convergencia. En el desarrollo teórico se ha visto que
r n r n+ p r n ur Ln r1 r 0
lim d ( x , x ) = d ( x , X) = d (x , x )
p �� 1- L
Siendo necesario efectuar una estimación de L que, se recuerda, debe ser L�1
Matriz jacobiana del sistema
�dj1 dj1 �
�dx dy � � y �
0 � 0 0.089442 �
J ( x, y ) = � � =� 5 � =�
�d j 2 dj 2 � � � 0.2487510 0.049967 �
� �
�dx dy � 0.25cos
� ( x ) - 0.25 sen ( y ) �
( x , y ) = (0.1,0.2)
� �
( x , y ) = (0.1,0.2)
Se calcula ahora
a11
� a12 � 2 2
�
a21 a22 �
= ��(a ) ij
2
= 02 +0.089442 2 +0.2487510 2 +0.049967 2 = 0.269023 = L < 1
� � i =1 j =1
Este valor indica que el Método del Punto Fijo, para este sistema, es convergente
Se calcula, iterativamente
( x0 , y0 ) 0.10000 0.20000
( x1 , y1 ) 0.089442 0.34485
( x2 , y2 ) 0.154222 0.257612
( x3 , y3 ) 0.115208 0.280153
( x4 , y4 ) 0.125288 0.268992
( x5 , y5 ) 0.120297 0.27225
( x6 , y6 ) 0.121754 0.270794
( x7 , y7 ) 0.121103 0.271253
( x8 , y8 ) 0.121308 0.271061
Obteniéndose los resultados

( x = 0.121308; y = 0.271061) , en ocho pasos de cálculo, con un “error
O ( 10-5 )
de cierre” de
NEWTON RAPHSON
Se recuerda que en el trabajo RAICES DE ECUACIONES se desarrolló el método de Newton para ecuaciones
f ( x) = 0
del tipo . En esa oportunidad se demostró que la sucesión recurrentemente formada a partir de un
x0
valor tomado donde el signo de la función y su derivada segunda son coincidentes mediante la expresión
f ( xk )
xk +1 = xk -
f '( xk )
Es convergente a la raíz de la ecuación dada en el sentido que
lim xk = x
k ��
f (x ) = 0
Y que la convergencia es cuadrática queriendo significar con ello que
2
xk -1 - x �Q xk - x
Ahora, en el caso de sistemas de ecuaciones no lineales el problema a enfrentar es el siguiente:
Primero, un sistema de ecuaciones no lineales que vectorialmente puede escribirse

ur r
f ( x) = 0
Y escalarmente de la forma
� n
�
f1 ( x1 , x2 ,..., xn )
�1 ( 1 + + + n) = = �
(0) (0) (0) (0) (0) (0)
f x h x
1 2 h2 , ..., xn h f (
1 1x , x2 , xn ) |0 hi
i =1 � xi
�
�
� f 2 ( x1 , x2 , x3 , �, x4 ) = 0
�
� f 3 ( x1 , x2 , x3 , �, x4 ) = 0
� �.
�
� f n ( x1 , x2 , x3 , �, x4 ) = 0
Segundo, un vector en el espacio de n dimensiones como primera aproximación a la raíz X del sistema
�x1(0) �
� (0) �
�x2 �
r (0)
x =�
x3(0) �
� �
�
... �
� (0) �
�x
�n � �
Como puede apreciarse, el planteo es similar. Pero ahora interviene la complicación emergente del trabajo en
un espacio de n dimensiones, lo que modifica algo lo hecho anteriormente, aunque las semejanzas
conceptuales son muy marcadas
Se supone un incremento
h1 �
�
�
h�
r �2 �
h=�
h3 �
��
... �
�
�
hn �
� �
De norma tal que el nuevo punto
r r (0) r
x = x +h
Esté en un entorno de x (0) y se recuerda que, siendo el vector
r r r (0)
h= x-x
El desarrollo en serie de Taylor para la función vectorial

f puede escribirse
ur r (0) r ur r (0) r ur r (0) 1 r ur r (0) 1 r ur r (0) 1 r ur r (0) 1 r ur r (0)

f ( x + h) = f ( x ) + (h.�) f ( x ) + (h.�) (2) f ( x ) + (h.�)(3) f ( x ) + ... + ( h.�) ( n -1) f ( x ) + (h.�) ( n ) f ( x )
2! 3! (n - 1)! n!
Donde
d d d d
�= e1 + e2 + e3 + ... + en
�
x1 �
x2 �
x3 �
xn
Es el operador “nabla” y las “potencias” colocadas entre paréntesis son simbólicas
El Jacobiano de las funciones fi con respecto a las variables xl , determinante que en los cursos de Análisis
Matemático II se simboliza
h1 f1 ( x1(0) , x2 (0) , x3(0) ,..., xn (0) )
h2 �f1 , f 2 , f3 ,..., f n � f 2 ( x1(0) , x2(0) , x3(0) ,..., xn (0) )
-1
= -J � �
... �x1 , x2 , x3 ,..., xn � 0
...
hn f n ( x1(0) , x2 (0) , x3(0) ,..., xn (0) )
Ajustando con estos valores o correcciones a las aproximaciones iniciales se tendrá.
x1(1) x1(0) f1 ( x1(0) , x2 (0) , x3(0) ,..., xn (0) )

x2 (1) x1(0) �f1 , f 2 , f3 ,..., f n � f 2 ( x1(0) , x2(0) , x3(0) ,..., xn (0) )
-1
= -J � �
... ... �x1 , x2 , x3 ,..., xn � 0
...
xn (1) x1(0) f n ( x1(0) , x2 (0) , x3(0) ,..., xn (0) )
( ) ��ufr rx )
ur r
�f x (0)
�(
r (1) r (0) � (0)
x = x - J -1 � r (0)
� x �
� �
Vale la pena observar la similitud formal de esta última con aquella con la que se comenzó este tema
f ( xk )
xk +1 = xk -
f '( xk )
Obsérvese que, en cada paso de cálculo es necesario invertir una matriz de nxn, la matriz Jacobiana de las
funciones que componen el sistema o, en su defecto, resolver por algún método apto un sistema de
ecuaciones lineales de n �n .
El estudio de la convergencia y del error en este método requiere recursos que están fuera del alcance de
estas notas.
Ejemplo
Se resuelve a continuación el mismo sistema con que se ejemplificó el Método del Punto Fijo.
� f1 = 5 x 2 - y 2
�
�f 2 = y - 0.25( Sen( x) + Cos ( y ))
Solución:
Tomando como punto de partida el par

( x0 , y0 ) = ( 0.1, 0.2 )
Se aplica la expresión adecuada a dos variables

x1( k +1) x1( k ) f1 ( x1( k ) , x2 ( k ) , x3( k ) ,..., xn ( k ) )
x2 ( k +1) x1( k ) �f1 , f 2 , f 3 ,..., f n � f 2 ( x1( k ) , x2( k ) , x3( k ) ,..., xn( k ) )
-1
= -J � �
... ... �x1 , x2 , x3 ,..., xn � k
...
xn ( k +1) x1( k ) f n ( x1( k ) , x2( k ) , x3( k ) ,..., xn ( k ) )
x ( k +1) x(k ) (k )
�f , f � f1 ( x , y )
(k )
= - J -1 �1 2 �
y ( k +1) x( k ) �x, y �k f2 ( x
(k )
, y(k ) )
Se calcula
-1
�f , f � � 10 x
-1 -2 y �
J �1 2 � = � �
�x, y �k
-0.25Cos ( x) 1 + 0.25Sen( y ) �
�
Resultando
� 1 + 0.25Sen( y ) 2y �
�f , f � 10 x - 0.5 yCos ( x) + 2.5Sen( y ) 10 x - 0.5 yCos( x) + 2.5Sen( y ) �
�
J -1 �1 2 � = � �
�x, y �k
� 0.25Cos ( x ) 10 x �
�
10 x - 0.5 yCos ( x) + 2.5Sen( y ) 10 x - 0.5 yCos( x) + 2.5Sen( y ) �
� �
Y se hace
(k )
� 1 + 0.25Sen( y) 2y �
x
��
( k +1)
x
��
10 x - 0.5 yCos( x) + 2.5Sen( y) 10 x - 0.5 yCos( x) + 2.5Sen( y) �
(k )
� 5x 2 - y 2
(k )
�
�� = �� - � � � �
y
�� y
�� 0.25Cos ( x) 10 x � �y - 0.25[ Sen ( x ) - Cos ( y )]�
�
10 x - 0.5 yCos ( x ) + 2.5 Sen ( y ) 10 x - 0.5 yCos ( x ) + 2.5 Sen ( y ) �
� �
Partiendo, como se ha dicho, del punto

( x0 , y0 ) = ( 0.1, 0.2 )
x y
0 0.100000 0.200000
1 0.118411 0.271027
2 0.121280 0.271114
3 0.121242 0.271105
Se obtienen, en tres pasos, las raíces buscadas.

ERROR EN METODOS DE INTEGRACION
Se puede calcular el error de truncamiento por 2 métodos que se muestran a continuación.
Definiendo el polinomio de Taylor
f ( x ) = Pn ( x ) + Rn ( x )
En donde:
1 f 2 ( x0 ) f n ( x0 )
P ( x ) = f ( x ) + f ( x )( x - x ) + ( x - x ) + ... + (x - x )
n 0 0 0 2! 0 n! 0
i
n f (x )
Pn ( x ) = � 0 ( x - x )i
0
i =0 i !
f ( n +1) (x ) ( n +1)
R ( x) = (x - x )
n ( n +1)! 0
Análisis del error de truncamiento en la aproximación trapezoidal
La integral por el teorema fundamental del cálculo se expresa
xi
I = � f ( x )dx = F ( xi )- F ( xi -1) ……………………………………1
xi -1
Por otro lado, la aproximación de la integral usando el método del trapezoidal es:
h
T= [ f ( xi -1)+ f ( xi )] …………………………………………………2
2
Puede definirse el error de truncamiento como:
E =T -I …………………………………………………………………………3
Reemplazando
( x - x )2
f ( xi -1) = f ( xi ) +( xi -1 - xi ) f 1( xi ) + i -1 i f 2 ( xi ) +...
2!
Como h = xi - xi -1
h2 2
f ( xi -1 )= f ( xi )- hf 1( xi )+ f ( xi ) -...
2!
Reemplazando en 2
h� h2 2 �
2 f ( xi )- hf 1 ( xi )+
T= � f ( xi )-....�
2� 2! �
� �
Resolviendo
h2 1 h3 2
T = hf ( xi ) - f ( xi )+ f ( xi )-...
2 2*2!
Realizando el desarrollo de Taylor para la función de anti derivada
h2 2 h3
F ( xi -1 ) = F ( xi ) - hF 1 ( xi ) + F ( xi ) - F 3 ( xi ) + ...
2! 3!
Reemplazando en 2
h2 2 h3
I =hF1 ( xi )- F ( xi )+ F 3 ( xi )- (4)
2! 3!
Como sabemos que se cumple lo siguiente:
1
f ( x ) = F ( x)
f 1( x )= F 2 ( x)
f 2 ( x )= F 3 ( x )
f 3 ( x)= F 4 ( x)
Reemplazando en 4
h2 1 h3
I = hf ( xi )- f ( xi )+ f 3 ( xi )-...
2! 3!
Reemplazando en la ecuación 3
� h2 1 h3 2 �� h2 h3 �
E =�
hf ( xi )- f ( xi ) + - hf ( xi ) - f 1( xi ) + f 2 ( xi ) -...�
f ( xi )+...��
� 2! 2(2!) �� 2! 3! �
� ��
�1 1 �3 2
E =� - �h f ( xi )+..........
�4 6 �
Omitiendo los demás términos se obtiene el error de truncamiento
h3 2
E=- f (x )
12
Se hace de manera similar para el método de Simpson 1/3
h5 4
E =- f (x )
90
De manera análoga para Simpson 3/8

3 5 4 8 7 6
E =- h f (x ) De manera para la regla de Boole E =- h f (x )
80 945
Otra forma alternativa de hacer la deducción de hallar los errores de la integral es mediante la interpolación de
LaGrange
Por interpolación de LaGrange
n
Pn ( x) = �f ( xi ) Li
i =0
La integral se expresaría
b b n b n f ( n +1) ( �( x ) )
� �f ( xi ) Li + �
f ( x)dx = � �( x - xi ) ( n + 1) !
dx
a a i =0 a i =0
Donde la integral se puede aproximar a
b b n
� �f ( xi ) Li
f ( x) dx ��
a a i =0
Y el término de error seria
b n f ( n +1) ( �( x ) )
�( x - xi )
E( f ) = �
( n + 1) !
dx
a i =0
Desarrollando toda una demostración matemática se llega a las siguientes expresiones:
Aplicando para la regla del trapecio
b
h h3
�
f ( x )dx = ( f 0 + f1 ) - f 2 ( �)
a
2 12
Aplicando para la regla de Simpson
b
h h5 4
�
f ( x)dx = ( 0
f + 4 f 1 + f 2) - f ( �)
a
3 90
Para la cuadratura de gauss
( n + 1) !�
4
b n -1 2n +3 �
� �
f ( x)dx = �c f ( x ) +
� f ( 2n+ 2)
( �)
a ( 2n + 3) �( 2n + 2 ) !�
i =0
i i
� �
CONCLUSIONES
 EL ERROR DE MODELO SE ORIGINA POR HACER UN MAL PLANTEAMINETO DEL FENOMENO

Y POR LO TANTO UN MAL RESULTADO DEL MODELO MATEMATICO
 LOS ERRORES DE METODO DEPENDE DEL PLANTEAMIENTO DEL FENOMENO Y DEL

METODO NUMERICO QUE SE REALIZA
 LOS ERRORES DE REDONDEO SE PRODUCEN EN LA MAQUINA Y SE LLEGAN A PROPAGAR

DENTRO DEL CALCULO DE LA MAQUINA
 LOS ERRORES DE TRUNCAMIENTO SE DAN EN LA FORMULACION DEL METODO

NUMERICO,ESTE ERROR SE PUEDE CALCULAR MATEMATICAMENTE MEDIANTE EL
POLINOMIO DE TAYLOR
 EL ERROR NUMERICO EN SI QUE SE DA DURANTE LA PROGRAMACION ES EL ERROR DE

TRUNCAMIENTO Y EL ERROR DE REDONDEO
RECOMENDACIONES
 DEBEMOS PLANTEAR UN MODELO MATEMATICO QUE SE AJUSTE AL FENOMENO

ESTUDIADO COMO ES DEBIDO
 DEBEMOS ESCOGER EL MEJOR METODO NUMERICO QUE SE AJUSTE AL MODELO

MATEMATICO
 EL ERROR NUMERICO EN SI QUE SE DA EN LOS METODOS NUMERICOS (ERROR DE

REDONDEO, ERROR DE TRUNCAIENTO).SE DEBERÁ SELECCIONAR UN TAMAÑO DE
INCREMENTO GRANDE CON LA FINALIDAD DE DISMINUIR LA CANTIDAD DE CÁLCULOS Y
ERRORES DE REDONDEO PARA NO TENER COMO CONSECUENCIA GRANDES ERRORES DE
TRUNCAMIENTO
BIBLIOGRAFIA
 METODOS NUMERICOS CHAPRA
 METODOS NUMERICOS NIEVES
 http://disi.unal.edu.co/~lctorress/MetNum/LiMetNu2.pdf
 http://www.gandhi.com.mx/metodos-numericos-para-ingenieros-un-enfoque-moderno
 The MathWorks, Inc. Using MATLAB Computation, Visualization, Programming, version 6

Trabajo Final de Errores

Cargado por

Información del documento

Descripción original:

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

Trabajo Final de Errores

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD NACIONAL DE SAN AGUSTIN

ESCUELA PROFESIONAL DE INGENIERÍA CIVIL

DISEÑO DE INTERFAZ GRAFICA CON MATLAB PARA LA

DR. BIDDER SABINO CALAPUJA SAMBRANO

ZAMATA SONCCO, JEAN CARLOS JONATHAN

MAMANI VALLEJOS, EDWARD DANIEL

YAULI FLOREZ, KEVIN

18 de febrero del 2018

•Pandeo de una columna plancha metálica

•Armadura estáticamente determinado

En si durante el proceso de programación se producen varios errores que se muestran a continuación:

•Error del modelo o error del problema

•Error del método

•Error por truncamiento

•Error por redondeo

Todos estos errores debemos tener en cuenta en los métodos numéricos:

• APRENDER EL CONCEPTO DE ERRORES EN METODOS NUMERICOS

• APRENDER COMO SE ORIGINAN LOS ERRORES DURANTE UN METODO NUMERICO

• VISUALIZAR QUE TIPO DE ERRORES SON MÁS RELEVANTES EN UN METODO NUMERICO

• APRENDER MEDIANTE DEMOSTRACIONES MATEMATICAS LOS ERRORES

•Primeramente, se define el concepto de error con sus respectivos ejemplos

Capítulo 1: programación y software………………………………………………………………………………6

Métodos numéricos y programas………………………………………………………………………..6

MATLAB Conceptos Básicos y Programación…………………………………………………………9.

Capítulo 2: nociones fundamentales de errores………………………………………………………………….19

•Fuentes básicas de errores……………………………………………………………………………..21

Capítulo 3: errores en los métodos numérico…………………………………………......................................39

métodos numéricos y programación

En la parte de ecuaciones diferenciales como la ecuacion diferencial de consolidacion de terzahi

 Modelo matematico: expresion matematica que representa un sistema fisico

Desarrollo de un metodo numerico:

Macros en Excel VBA1 o archivos M (M-files) en MATLAB.

• Representación de información sencilla (declaración de constantes, variables y tipos)

• Representación de información más compleja (estructuras de datos, arreglos y registros)

• Fórmulas matemáticas (asignación, reglas de prioridad y funciones intrínsecas)

• Representación lógica (secuencia, selección y repetición)

• Programación modular (funciones y subrutinas)

Function Euler ( dt , ti, tf , yi )

y la salida es regresada mediante una asignación

MATLAB Conceptos Básicos y Programación

MATLAB (Matrix Laboratory) es un programa interactivo de uso general. Es un instrumento computacional

La interacción se realiza mediante instrucciones (denominadas comandos), y también mediante funciones y

Símbolo de Inicio / Final

Símbolo de Acción o Proceso

Símbolo del Documento Impreso

Un documento o informe impreso.

Símbolo de Decisión o Ramificación

Símbolo de Entrada / Salida

Símbolo de Entrada Manual

Representa un ajuste a otro paso en el proceso.

Símbolo de Límite de Bucle

Indica el punto en el que debe detenerse un bucle.

Indica un retraso en el proceso.

Almacenamiento de Datos o Símbolo de Datos Almacenados

Indica un paso donde se almacenan los datos.

Indica un paso que muestra información.

•Cálculo numérico rápido y con alta precisión

•Capacidad para manejo matemático simbólico

•Funciones para graficar y visualizar de forma avanzada

•Programación mediante un lenguaje de alto nivel

•Soporte para programación estructurada y orientada a objetos

•Facilidades básicas para diseño de interfaz gráfica