Matemáticas II — GITI (2016–2017)

Lección 2. POLINOMIOS DE TAYLOR

El teorema del valor medio en una calle de Beijing

1. POLINOMIOS DE TAYLOR

¿Cómo calcula un ordenador el valor del número e?, ¿qué hace la máquina desde que tecleamos
exp(1) hasta que aparece 2.718281828459? El hardware de los ordenadores no incluye la función
exponencial; los chips sólo pueden sumar, restar, multiplicar, dividir y comparar. Una instrucción
como exp(1) pone en marcha una serie prefijada de estas operaciones cuyo resultado es una
aproximación de e que tiene la precisión determinada por el fabricante.
Las funciones matemáticas que consisten en sumar, restar, multiplicar o dividir números reales son
los polinomios y cocientes de polinomios, y el teorema de Taylor — objeto central de esta lección —
es muy importante porque nos dice cómo estimar el error que cometemos al aproximar una función
mediante polinomios. Como idea inicial, consideremos una curva y = f (x). Si fijamos un punto
a y tomamos un punto x cerca de a, ya sabes que el valor proporcionado por la recta tangente,
y(x) = f (a) + f ′ (a)(x − a), es una buena aproximación de f (x), pero ¿cuánto de buena?, ¿y si
ajustamos una parábola en vez de una recta? Veamos estas ideas con un ejemplo.

Ejemplo. Consideremos la función exponencial f (x) = ex (su gráfica está en rojo en la parte
superior de la figura de la página siguiente). La recta tangente a su gráfica para x = 0 es y = 1 + x.
Si aproximamos e = f (1) por el valor en la recta tangente para x = 1, obtenemos y = 2, que es
bastante pobre. Esta recta tangente (en azul) es la única recta y = p(x) = a + bx que verifica
p(0) = f (0) y p′ (0) = f ′ (0). Podemos intentar mejorar esta aproximación construyendo una
parábola p(x) = a + bx + cx2 que cumpla p(0) = f (0), p′ (0) = f ′ (0) y p′′ (0) = f ′′ (0). Derivando e
igualando se obtiene a = 1, b = 1 y c = 1/2, ası́ que la parábola es p(x) = 1 + x + x2 /2 (en verde),
que proporciona para x = 1 una aproximación algo mejor, p(1) = 2.5, del número e.
20
 2. Polinomios de Taylor 21

La curva exponencial (en rojo) y polinomios de aproximación.

Podemos continuar ası́ para mejorar las aproximaciones. En el siguiente paso, con una cúbica (en
naranja), obtendrı́amos 2.67 y después, con un polinomio de grado cuatro (en violeta), 2.71 que
ya tiene una precisión de dos cifras decimales. En la figura anterior se puede observar como los
sucesivos polinomios que se van construyendo de esta manera se van aproximando mejor a la curva
exponencial; el de grado cuatro es casi indistinguible de la propia exponencial.

Planteamiento. La idea, entonces, es ir construyendo polinomios que vayan coincidiendo con

los valores de una función y de sus derivadas en un punto y estudiar si estos polinomios se van
aproximando mejor a la función dada. Necesitaremos que la función que deseamos aproximar
pueda derivarse varias veces, ası́ que empezaremos por darle un nombre a estas funciones.

Funciones de clase C n y C ∞ . Sea I ⊂ R un intervalo. Se dice que una función f : I → R es

de clase C n en I cuando es n veces derivable en I y su derivada n-ésima f (n) es continua en I. El
conjunto de todas las funciones de clase C n en I se denota por C n (I).
Si existen todas las derivadas de f en I entonces se dice que es de clase C ∞ en I. El conjunto
de todas las funciones de clase C ∞ en I se denota por C ∞ (I); las funciones habituales de las
aplicaciones son de clase C ∞ en los intervalos de trabajo.

Polinomio de Taylor. Sean I ⊂ R un intervalo abierto, a ∈ I y f una función de clase C n (I).

Entonces existe un único polinomio p de grado menor o igual que n tal que

p(a) = f (a), p′ (a) = f ′ (a), p′′ (a) = f ′′ (a) ... p(n) (a) = f (n) (a).

Dicho polinomio p se llama polinomio de Taylor de grado n de f centrado en a o alrededor de a y

puede expresarse como

f ′′ (a) f ′′′ (a) f (n) (a)

p(x) = f (a) + f ′ (a)(x − a) + (x − a)2 + (x − a)3 + · · · + (x − a)n ,
2! 3! n!
donde n! = 1 · 2 · 3 · · · · · (n − 1) · n es el factorial de n (ver el Ejercicio 3 de la última sección de
esta lección). El polinomio de Taylor también se suele escribir de forma más compacta como

∑
n
f (k) (a)
p(x) = (x − a)k
k!
k=0

y, si se quiere especificar el grado del polinomio, a veces se escribe pn (x) para resaltar n.
Observemos que el polinomio de Taylor de grado 1 de f centrado en a es p(x) = f (a) + f ′ (a)(x − a)
cuya gráfica es, precisamente, la recta tangente a la gráfica de f en el punto (a, f (a)).
22 Matemáticas II — GITI (2016–2017)

Polinomio de Maclaurin. En el caso especial en el que el centro es a = 0, el polinomio se llama

polinomio de Maclaurin de grado n de f y viene dado por
f (n) (0) n ∑ f (k) (0) k
n
′ f ′′ (0) 2 f ′′′ (0) 3
p(x) = f (0) + f (0)x + x + x + ··· + x = x .
2! 3! n! k!
k=0

Éstos son los polinomios con los que se trabaja habitualmente porque, como vamos a ver enseguida,
con ellos se pueden construir los polinomios de Taylor de las funciones habituales.

Polinomios de Maclaurin de las funciones más habituales. (1) Si la función f es ella misma
un polinomio de grado m, entonces coincide con su polinomio de Maclaurin de grado m o superior.
Si queremos su polinomio de Maclaurin de un grado inferior n < m, entonces basta con truncar la
expresión de f hasta el grado n.
(2) El polinomio de Maclaurin de grado n de la función exponencial ex es
x x2 x3 xn
p(x) = 1 + + + + ··· + .
1! 2! 3! n!
(3) Si n = 2k + 1 es impar, el polinomio de Maclaurin de grado n de la función sen(x) es
x3 x5 x2k+1
p(x) = x − + · · · + (−1)k .
3! 5! (2k + 1)!
Si n es par, el polinomio de Maclaurin de grado n de sen(x) coincide con el de grado n − 1.
(4) Si n = 2k es par, el polinomio de Maclaurin de grado n de la función cos(x) es
x2 x4 x2k
p(x) = 1 − + − · · · + (−1)k .
2! 4! (2k)!
Si n es impar, el polinomio de Maclaurin de grado n de cos(x) coincide con el de grado n − 1.
(5) El polinomio de Maclaurin de grado n de la función log(1 + x), donde log(·) indica el logaritmo
neperiano, es
x2 x3 xn
p(x) = x − + − · · · + (−1)n−1 .
2 3 n
(6) El polinomio de Maclaurin de grado n de la función binomial (1 + x)α , siendo el exponente
α ∈ R constante, es
α α(α − 1) 2 α(α − 1) · · · (α − n + 1) n
p(x) = 1 + x + x + ··· + x .
1! 2! n!
El coeficiente que aparece en esta expresión se llama coeficiente binomial y se suele denotar por
( )
α α(α − 1)(α − 2) · · · (α − n + 1)
= ,
n n!
( )
donde α n se lee “α sobre n.” Con esta notación, el polinomio p se escribe
( ) ( ) ( )
α α 2 α n
p(x) = 1 + x+ x + ··· + x .
1 2 n
En el caso particular en que α es un entero positivo, digamos α = m, la expresión anterior no es
más que la conocida fórmula del binomio de Newton para desarrollar (1 + x)m en potencias de x
sin tener que hacer todas las multiplicaciones.
1
En el caso particular en que α = −1 obtenemos que el polinomio de Maclaurin de f (x) = es
1+x
p(x) = 1 − x + x2 − x3 + · · · + (−1)n xn .
 2. Polinomios de Taylor 23

Operaciones con polinomios de Maclaurin. Sean f y g dos funciones de clase C n en un

intervalo I que contiene al origen en su interior. Sean p y q sus respectivos polinomios de Maclaurin
de grado n. Veamos cómo se obtienen, a partir de p y q, los polinomios de Maclaurin de algunas
funciones definidas en términos de f y g.
Suma y producto por escalares: Si α y β son números reales, el polinomio de Maclaurin de
grado n de αf + βg es αp + βq.
Producto: El polinomio de Maclaurin de grado n de f · g es el polinomio que se obtiene al
prescindir en el polinomio producto p · q de los términos de grado mayor o igual que n + 1.
Cociente: Si g(0) ̸= 0, entonces el polinomio de Maclaurin de grado n de f /g es el polinomio
cociente que se obtiene al dividir p entre q en potencias crecientes de x hasta grado n.
Derivada: Si f ′ es la derivada de f , entonces el polinomio de Maclaurin de grado (n − 1) de f ′
es el polinomio derivado p′ .
Primitiva: Si F es un primitiva de f (es decir, F ′ = f en I), entonces el polinomio de Maclaurin
de grado (n + 1) de F es el polinomio P que es la primitiva de p que cumple P (0) = F (0).
Composición: Si f (0) = 0, entonces el polinomio de Maclaurin de grado n de g(f (x)) es el
polinomio que se obtiene al suprimir en q(p(x)) los términos de grado mayor que n. En particular,
el polinomio de Maclaurin de grado n de g(xm ) es el polinomio que se obtiene al suprimir en q(xm )
los términos de grado mayor que n.

Relación entre los polinomios de Taylor y los de Maclaurin. Hemos visto los polinomios
de Maclaurin de las funciones más habituales y las reglas para obtener a partir de ellas los de las
funciones que aparecen en las aplicaciones. Los polinomios de Maclaurin permiten trabajar cerca
del origen de coordenadas. ¿Qué hacemos para trabajar cerca de un punto a ̸= 0? Lo más simple
es hacer un cambio de variable: supongamos que queremos calcular el polinomio de Taylor p(x)
de grado n de una función f (x) alrededor de un punto a ̸= 0. Hacemos el cambio de variable
t = x − a, consideramos la función g(t) = f (t + a) y calculamos su polinomio de Maclaurin q(t) de
grado n. Entonces p(x) = q(x − a) es el polinomio de Taylor de f alrededor de a que buscamos.
Estos resultados permiten calcular los polinomios de Taylor de la gran mayorı́a de las funciones
que aparecen en la práctica.

EJERCICIOS DE LA SECCIÓN 1

Ejercicio 1. Construye los polinomios de Maclaurin de grado 3 de las siguientes funciones.

(1) f (x) = ex − sen(x) + 2 cos(x) (2) f (x) = (1 + x) cos(x) (3) f (x) = ex sen(x)
1+x 1
(4) f (x) = (5) f (x) = (6) f (x) = tan(x)
1−x 1 + x2
∫ x −t2 √
(7) f (x) = arctan(x) (8) f (x) = 0 e dt (9) f (x) = 1 + x2
( )
(10) f (x) = e6x / 1 + log(1 − x2 ) (11) f (x) = (1 − 3x)2/3 (12) f (x) = e− sen(x)
24 Matemáticas II — GITI (2016–2017)

Ejercicio 2. Construye los polinomios de Maclaurin de grado 4 de las siguientes funciones.

√
(1) f (x) = xe2x − e−x (2) f (x) = 1 − x2 (3) f (x) = ex log(1 − 3x)
x sen(x) log(1 + x)
(4) f (x) = (5) f (x) = (6) f (x) =
1 − x2 1+x 1 + x + x2
( 3
)
(7) f (x) = 3/ 1 + x (8) f (x) = arcsen(x) (9) f (x) = arccos(x)
(10) f (x) = 2−x (11) f (x) = (1 + x2 )1/3 (12) f (x) = e1−cos(x)
∫t
(13) f (x) = senh(x) (14) f (x) = cosh(x) (15) f (x) = 0 sen(x) dt
(x )
(16) f (x) = [sen(x)]2 (17) f (x) = sen(x2 ) (18) f (x) = sen sen(x)

Ejercicio 3. Construye los polinomios de Taylor de grado 3 de las funciones que se indican a
continuación alrededor del punto dado.
√
(1) f (x) = sen(2x) − cos(x) alrededor de a = π. (2) f (x) = x alrededor de a = 9.
(3) f (x) = x3 − x − 5 alrededor de a = −1. (4) f (x) = log(x) alrededor de a = 1.
sen(πx) 1
(5) f (x) = alrededor de a = 1. (6) f (x) = alrededor de a = −2.
1+x x
√
(7) f (x) = x/(2 − x) alrededor de a = 1. (8) f (x) = x1/3 alrededor de a = 8.

2. APROXIMACIÓN DE FUNCIONES

Resto de Taylor. La cuestión ahora es saber si, efectivamente, los polinomios de Taylor de una
función se aproximan bien a la propia función, al menos cerca del centro. Para ello, tenemos que
estudiar el error que se comete al aproximar la función mediante sus polinomios de Taylor.
Sean I ⊂ R un intervalo, a un punto interior de I y f una función de clase C n (I). Sea pn el
polinomio de Taylor de grado n de f centrado en a. La función rn (x) = f (x) − pn (x) que nos da
la diferencia entre los valores que toma f y los que toma su polinomio de Taylor pn , es decir, el
error que se comete si aproximamos f (x) por pn (x), se llama n-ésimo resto de Taylor de f en a.
El Teorema de Taylor nos permite estimar el tamaño de este error.

Teorema de Taylor. Sean I ⊂ R un intervalo, a un punto interior de I y f una función de clase

C n+1 (I). Sea pn el polinomio de Taylor de grado n de f centrado en a. Entonces, para cada x ∈ I
existe un punto c (que depende de x y está entre a y x) tal que
f (n+1) (c)
rn (x) = f (x) − pn (x) = (x − a)n+1 .
(n + 1)!
Esta expresión del resto (hay otras que no estudiaremos) se conoce como forma de Lagrange y es
importante porque es fácil analizar cómo influyen los términos que aparecen en ella.
Por un lado, si x está cerca de a, entonces (x − a)n+1 se hace más pequeño conforme crece n, lo que
ayuda a que la aproximación mejore, mientras que si está lejos, entonces la aproximación empeora.
Por otro lado, al crecer n, también crece, y muy rápidamente, el denominador (n + 1)!, lo que
también contribuye a mejorar la aproximación.
El factor f (n+1) (c), sin embargo, es más problemático. Como desconocemos c, para tener una idea
del tamaño de f (n+1) (c) hay que buscar una cota de f (n+1) en I lo que, aunque no siempre es fácil,
nos permitirá dar una cota del error. En general, que el tamaño de las derivadas sucesivas de una
función sea grande indica que su gráfica oscila mucho, por lo que, en este caso, las aproximaciones
no serán demasiado buenas. Volveremos sobre esto un poco más adelante.
 2. Polinomios de Taylor 25

Teorema del valor medio de Lagrange. Sea f : [a, b] → R una función continua en [a, b] y
derivable en (a, b). Entonces existe un punto c ∈ (a, b) tal que f (b) − f (a) = f ′ (c)(b − a).

Este teorema, que es simplemente el caso n = 0 del teorema de Taylor, es especialmente importante
porque, entre otras aplicaciones, es el que permite establecer que una función es creciente en un
intervalo si su derivada es positiva en dicho intervalo y que es decreciente si su derivada es negativa.
Geométricamente, el teorema nos dice que c es un punto del intervalo en el que la recta tangente a
la curva de ecuación y = f (x) por el punto (c, f (c)) es paralela a la recta que pasa por los puntos
(a, f (a)) y (b, f (b)) (tienes otras interpretaciones geométricas en los Ejercicios 8 y 9).

Interpretación geométrica del teorema del valor medio.

Este teorema también puede interpretarse en términos de velocidades de la siguiente manera: si

[a, b] es un intervalo temporal, el teorema del valor medio nos dice que hay algún punto c del
intervalo en el que la velocidad del móvil f ′ (c) coincide con la velocidad media en el tramo; en este
principio se basan los llamados radares de tramo.

Aproximación de funciones. Si queremos emplear el teorema de Taylor para aproximar los

valores de una función f cerca de un punto a, de dicho teorema se deduce que el resto se hace muy
pequeño cerca de a. De hecho ocurre no solo que

f (n+1) (c)
lı́m rn (x) = lı́m (x − a)n+1 = 0
x→a x→a (n + 1)!

sino también que

rn (x) f (n+1) (c)

lı́m = lı́m (x − a) = 0.
x→a (x − a)n x→a (n + 1)!

Esto nos indica que si x está cerca de a, entonces el polinomio de Taylor pn (x) está cerca de f (x);
es más, cuando x → a, el resto rn (x) = f (x) − pn (x) tiende a cero más rápidamente que (x − a)n .

Ejemplo. Veamos cómo se utiliza esta información para calcular de manera aproximada los valores
que toma una función y dar cotas del error de dicha aproximación con el ejemplo concreto que
vimos al comienzo. Vamos a usar el polinomio de Maclaurin de grado 15, p15 , de ex para obtener
26 Matemáticas II — GITI (2016–2017)

una aproximación del número e = e1 , la base de los logaritmos neperianos y de la propia función
exponencial. Para x = 1 tenemos
1 1 1 1 1
p15 (1) = 1 + + + + + ··· + = 2.7182818284589944 . . .
1! 2! 3! 4! 15!
¿Cuánto de buena es esta aproximación del número e? Si usamos una calculadora que tiene una
precisión de 12 cifras decimales para hallar e1 , obtenemos 2.718281828459, que coincide con la suma
anterior en sus primeros 12 decimales (porque el duodécimo se ha redondeado). Pero, ¿coinciden
estas 12 cifras con las del número e? Veamos que sı́. De acuerdo con el teorema de Taylor existe
un punto c ∈ [0, 1] tal que
ec
e = e1 = p15 (1) + .
16!
Puesto que 0 < c < 1, tenemos ec < e1 < 3 lo que, a su vez, implica
ec 3
|e − p15 (1)| = < < 1.433844 × 10−13 .
16! 16!
En consecuencia, todas las cifras de la aproximación de e dada por 2.718281828459 son correctas
porque el error (valga lo que valga) debe ser menor que 2 × 10−13 = 0.0000000000002.

Indicaciones para acotar el error. Como dijimos antes, el error del polinomio de Taylor

f (n+1) (c)
error = (x − a)n+1
(n + 1)!

contiene tres factores que influyen de distinta manera. Por un lado, la precisión aumenta cuando
elegimos n grande y x está cerca de a, pero disminuye cuando n es pequeño o el valor de x se aleja
de a; por tanto, debemos elegir n suficientemente grande y restringir el valor máximo de |x − a|
para que el error no exceda una cota especificada. Con respecto a f (n+1) (c), como no conocemos
el valor del punto intermedio c, lo que se hace es buscar una cota superior M del factor |f (n+1) (c)|
y tener en cuenta que el valor absoluto del error satisface la relación

M |x − a|n+1
|error| = |rn (x)| ≤ ,
(n + 1)!

siendo M ≥ máx{|f (n+1) (c)| : c está entre a y x}. Lo que hemos hecho en el ejemplo anterior es,
concretamente, tomar M = 3.

EJERCICIOS DE LA SECCIÓN 2

Ejercicio 1. Aproxima el número sen(0.5) usando el polinomio de Maclaurin de grado 5 y da una

cota del error de la aproximación. ¿Qué ocurre si tomas el polinomio de grado 6? ¿De qué grado
tendrı́as que tomar el polinomio de Maclaurin para asegurar que el error es menor que 10−10 ?

Ejercicio 2. Aproxima log(0.9) usando el polinomio de Maclaurin de grado 4 de log(1 + x) y da

una cota del error de la aproximación. ¿De qué grado tendrı́as que tomar el polinomio de Maclaurin
para asegurar que el error cometido es menor que 10−10 ?
√ √
Ejercicio 3. Aproxima 1.3 usando el polinomio de Taylor de grado 4 de x en a = 1 y da una
cota del error de la aproximación.
 2. Polinomios de Taylor 27
√ √ √
Ejercicio 4. Aproxima 3 7 y 3 9 usando el polinomio de Taylor de grado 4 de f (x) = 3 x en
a = 8 y da una cota del error de estas aproximaciones.

Ejercicio 5. Halla el polinomio de Maclaurin de grado 6 de la función f (x) = arctan(x2 ) y evalúa

dicho polinomio en un punto adecuado para obtener un valor aproximado de arctan(0.36).

Ejercicio 6. Aproxima
( el valor de) log(2) utilizando el polinomio de Maclaurin de grado 5 de la
función f (x) = log (1 + x)/(1 − x) en x = 1/3.

Ejercicio 7. Halla el polinomio de Maclaurin de grado 3 de la función f (x) = arctan(x) para

∫1
obtener un valor aproximado de 0 arctan(x2 ) dx.

Ejercicio 8. Usa polinomios de∫ Maclaurin de∫grado 10 para obtener valores aproximados de las
x x
llamadas integrales de Fresnel: 0 sen(t2 ) dt y 0 cos(t2 ) dt.

Ejercicio 9. Sea f : [a, b] → R una función continua en [a, b] y derivable en (a, b). Sea r la recta
que pasa por los puntos (a, f (a)) y (b, f (b)). Sea (c, f (c)) un punto de la curva y = f (x) en el que
se hace máxima la distancia, medida verticalmente, entre dicho punto y la recta r. Prueba que c
es uno de los puntos medios a los que se refiere el teorema del valor medio de Lagrange.

Ejercicio 9. Sea f : [a, b] → R una función continua en [a, b] y derivable en (a, b). Sea r la recta
que pasa por los puntos (a, f (a)) y (b, f (b)). Sea (c, f (c)) un punto de la curva y = f (x) en el que
se hace máxima la distancia, medida perpendicularmente, entre dicho punto y la recta r. Prueba
que c es uno de los puntos medios a los que se refiere el teorema del valor medio de Lagrange.

3. INFINITÉSIMOS

Resolución de indeterminaciones. Si queremos usar el teorema de Taylor para realizar eva-

luaciones numéricas, entonces no podemos prescindir de los valores del término f (n+1) (c)/(n + 1)!
para acotar los errores. Sin embargo, hay aplicaciones en las que es suficiente con conocer el com-
portamiento lı́mite cuando x → a, de manera que la magnitud de f (n+1) (c)/(n + 1)! es irrelevante
y basta con tener en cuenta que f (x) − pn (x) tiende a cero más rápidamente que (x − a)n . Una
de estas aplicaciones es la resolución de indeterminaciones. En el curso anterior se han estudiado
las reglas de L’Hôpital para resolver algunas indeterminaciones, básicamente las del tipo 0/0.

Regla de L’Hôpital. Sean f y g dos funciones derivables en un intervalo abierto I ⊂ R. Sea

a ∈ I un punto tal que f (a) = g(a) = 0. Supongamos que g(x) ̸= 0 y g ′ (x) ̸= 0 para todo x ̸= a.
Si existe el lı́mite del cociente de las derivadas
f ′ (x)
lı́m ′ = L,
x→a g (x)

entonces también existe el lı́mite del cociente de las funciones y vale lo mismo:
f (x)
lı́m = L.
x→a g(x)

(Recordemos que la regla también vale para lı́mites cuando x → ±∞.)

A veces es complicado usar la regla de L’Hôpital para resolver una indeterminación. Por ejemplo,
necesitarı́amos derivar varias veces, obteniendo expresiones cada vez más complicadas, para evaluar
sen(x4 )
lı́m ( ) .
x→0 e2x − 1 4

Veamos cómo podemos usar los polinomios de Taylor para resolver este tipo de indeterminaciones.
28 Matemáticas II — GITI (2016–2017)

Infinitésimos equivalentes. Cuando tenemos una indeterminación de la forma 0/0, las funciones
numerador y denominador son infinitésimos. Se dice que dos funciones f y u son infinitésimos
equivalentes en un punto a cuando se cumple que

f (x)
lı́m f (x) = lı́m u(x) = 0 y lı́m = 1.
x→a x→a x→a u(x)

f (x) 0
La utilidad de este concepto es que si tenemos una indeterminación lı́m de la forma y
x→a g(x) 0
disponemos, en el punto a, de un infinitésimo u equivalente a f y de un infinitésimo v equivalente
a g, entonces
f (x) f (x) u(x) v(x) u(x)
lı́m = lı́m · · = lı́m .
x→a g(x) x→a u(x) v(x) g(x) x→a v(x)

Es decir, para resolver una indeterminación de la forma 0/0, podemos sustituir las funciones
involucradas por infinitésimos equivalentes y simplificar el cálculo del lı́mite. El ejemplo principal
de infinitésimo equivalente a uno dado es el primer término no nulo de sus polinomios de Taylor
centrados en dicho punto.

Cero de orden k. Sean I un intervalo, a un punto interior de I y f una función de clase C n (I)
que cumple, para un cierto k ≥ 1,

f (a) = 0, f ′ (a) = 0, f ′′ (a) = 0, ... , f (k−1) (a) = 0, f (k) (a) ̸= 0;

es decir, a es un cero de la propia función y de sus primeras k − 1 derivadas, pero no de la derivada

k-ésima. Por analogı́a con los polinomios, diremos que a es un cero de orden k de la función f .

Término principal. Si a es un cero de orden k ≥ 1 de f , entonces el polinomio de Taylor de

f (k) (a)
grado k alrededor de a será p(x) = (x − a)k y es el primer polinomio de Taylor que no es
k!
nulo. Este primer polinomio no nulo se llama término principal y verifica la siguiente propiedad:

f (x)
lı́m =1
x→a p(x)

de manera que f y su término principal son infinitésimos equivalentes en a.

En el ejemplo anterior, usando las propiedades de los polinomios de Maclaurin es fácil ver que el
( )4
término principal de sen(x4 ) es x4 y que el término principal de e2x − 1 es 16x4 , ası́ que nos
quedarı́a
sen(x4 ) x4 1
lı́m ( ) 4 = lı́m 4
= .
x→0 ex − 1 x→0 16x 16

Otros ejemplos de infinitésimos equivalentes. Si f es un infinitésimo en a y f es derivable

entonces, usando la regla de L’Hôpital, es fácil ver que las siguientes funciones son infinitésimos
equivalentes a f en a:
( ) ( ) ( f (x) ) ( )
sen f (x) , tan f (x) , e − 1 , log 1 + f (x) .

∞
La última se usa, sobre todo,
( en
) indeterminaciones de la forma 1 de la siguiente manera: si
lı́m g(x) = 1, entonces log g(x) y (g(x) − 1) son infinitésimos equivalentes en a.
x→a
 2. Polinomios de Taylor 29

Con esto, el ejemplo

( 2x anterior
) también puede resolverse usando que, por un lado, sen(x4 ) y x4 y,
por otro lado, e − 1 y 2x son parejas de infinitésimos equivalentes en 0, de manera que

sen(x4 ) x4 1
lı́m ( ) = lı́m = .
x→0 ex − 1 4 x→0 (2x)4 16

EJERCICIOS DE LA SECCIÓN 3

Ejercicio 1. Calcula los siguientes lı́mites usando la regla de L’Hôpital (los dos primeros son los
dos ejemplos de aplicación de la regla propuestos en el libro de L’Hôpital; los otros están extraı́dos
de las pruebas de acceso).
√ √
2a3 x − x4 − a a2 x a2 − ax
3

(1) lı́m √ (2) lı́m √

x→a a − ax3
4
x→a a − ax
( ) ( )2
(3) lı́m e − e
x sen(x)
/x2 (4) lı́m+ x log(x)
x→0 x→0

Ejercicio 2. Calcula los siguientes lı́mites.

x − sen(x) tan(sen(2x))
(1) lı́m (2) lı́m
x→0 x sen(x) x→0 3x
log(1 + x3 ) sen(x) − tan(x)
(3) lı́m (4) lı́m
x→0 x(1 − cos(x)) x→0 x(ex − cos(x2 ))
2

∫x
Ejercicio 3. Sea f la función dada por f (x) = 2 − x 0 e−t dt. Calcula el polinomio de Maclaurin
2

2 − f (x) − x2
de grado 4 de f y úsalo para hallar lı́m 3 .
x→0 x log(1 − 2x)

log(x + 1) − a sen(x) + x cos(3x)

Ejercicio 4. Sabiendo que lı́m es finito, calcula a y el valor de
x→0 x2
dicho lı́mite hallando el polinomio de Maclaurin del numerador.

a sen(x) − xex
Ejercicio 5. Sabiendo que lı́m es finito, calcula el valor de a y el de dicho lı́mite.
x→0 x2
x cos(x) + b sen(x)
Ejercicio 6. Sabiendo que lı́m es finito, calcula b y el valor del lı́mite.
x→0 x3
Ejercicio 7. Determina los valores de a para los que la recta de ecuación x = 0 es una ası́ntota
log(1 + x2 ) − ax2
vertical de la curva y =
sen2 (x2 )

x tan(x) − 2 + 2 cos(x)
Ejercicio 8. Calcula, según los valores de a > 0, el valor de lı́m+ .
x→0 xa

x3 cos(x) − x sen2 (x)

Ejercicio 9. Estudia en función de a ∈ R el valor de lı́m .
x→0 sen(x) − x cos(ax)
30 Matemáticas II — GITI (2016–2017)

x(a − cos(x))
Ejercicio 10. Calcula lı́m según los valores de a.
x→0 log(1 − x3 )

1 + ax2 + ex sen(x) − esen(x)

Ejercicio 11. Calcula lı́m
x→0
[ ]3 según los valores de a.
log(1 + x)
( √ )
1 − cos(a x) arctan(2x)
Ejercicio 12. Calcula lı́m+ ( ) según los valores de a.
x→0 sen(x) log 1 − x2

ax2 + bx + 1 − cos(x)
Ejercicio 13. Calcula a y b sabiendo que lı́m = 1.
x→0 sen(x2 )
Ejercicio 14. Halla los valores de los parámetros a y b para los que las funciones
f (x) = ax − (sen(x))3 + bx3 y g(x) = x(1 − cos(x))
f (x)
verifican que el lı́mite lı́m es un número real no nulo. ¿Para qué valores de a y b son las
x→0 g(x)
funciones f y g infinitésimos equivalentes en 0?
x sen(x) − bx2
Ejercicio 15. Calcula lı́m según los valores de a y b.
x→0 (1 − cos(x))(ea sen(x) − 1)2

arctan(x2 ) − ax2
Ejercicio 16. Calcula lı́m según los valores de a y b.
x→0 sen2 (x) − bx2

xeax − sen(bx)
Ejercicio 17. Halla lı́m según los valores de a, b y c.
x→0 cx2 + x3

4. RESOLUCIÓN NUMÉRICA DE ECUACIONES

Hemos recordado antes que las abscisas de los puntos de corte con el eje OX de una curva y = f (x)
son las soluciones de la ecuación f (x) = 0. Como ya sabes de algunos de los modelos matemáticos
y problemas que has estudiado en el bachillerato — la determinación de los puntos de corte de
una curva con el eje OX es un ejemplo más — el planteamiento de ecuaciones y su resolución son
aspectos importantes de la aplicación de las matemáticas a la ciencia y la ingenierı́a.
Dedicamos esta sección al problema de resolver una ecuación de la forma f (x) = 0, donde f es una
función continua en un intervalo [a, b]. Como dijimos antes, las soluciones de f (x) = 0 se llaman
ceros de la función f y también se llaman raı́ces en el caso particular en que f es un polinomio.
Salvo en casos muy particulares — por ejemplo, que f sea un polinomio de grado menor o igual que
4 — no se dispone de una fórmula que nos proporcione los ceros de f . En la práctica, para resolver
f (x) = 0 se utilizan métodos de aproximaciones sucesivas, que consisten en generar valores que se
van aproximando a una solución de f (x) = 0 que, de esa forma, calculamos con toda la precisión
que requiera la situación en la que estemos trabajando. En esta sección estudiaremos el método
de Newton, que permite obtener muy buenas aproximaciones de las soluciones de forma simple.
Los métodos de aproximaciones sucesivas son más eficientes cuando se parte de una buena apro-
ximación inicial a la solución. Es muy útil además tener una idea clara de la situación geométrica
presente en el problema; eso nos ayudará a localizar buenas aproximaciones iniciales y a tener
algunas ideas previas sobre cómo funcionarán los métodos elegidos. Empezamos con el método de
bisección como técnica para localizar la existencia de soluciones y obtener buenas aproximaciones
iniciales. Este método se basa en el teorema del valor intermedio de Bolzano.
 2. Polinomios de Taylor 31

Teorema del valor intermedio de Bolzano. Sea f : [a, b] → R una función continua tal que
f (a) y f (b) tienen signos distintos. Entonces existe un punto x∗ ∈ (a, b) tal que f (x∗ ) = 0.

El método de bisección. El método de bisección consiste en utilizar este resultado para construir
intervalos cada vez más pequeños que contienen un cero. Por comodidad, tomemos a1 = a y
b1 = b. Sea x1 = 21 (a1 + b1 ) el punto medio del intervalo. Si f (x1 ) = 0 ya tenemos una solución.
Si f (x1 ) ̸= 0 entonces, dependiendo de que el signo de f (x1 ) sea igual que el de f (b1 ) o que el de
f (a1 ), o bien en el intervalo [a1 , x1 ] o bien en el [x1 , b1 ] hay una raı́z de la función f . Elegimos
el intervalo adecuado y lo llamamos [a2 , b2 ]; su longitud es la mitad del anterior. Repitiendo el
proceso, conseguimos una sucesión de intervalos encajados cuya longitud tiende a cero y tal que
todos ellos contienen un cero de f . La sucesión (xn ) que se genera se aproxima a un cero x∗ de f
y el error que se comete puede ser estimado mediante la cota
|xn − x∗ | ≤ 2−n (b − a) para todo n = 1, 2, . . .
Este método tiene el inconveniente de que es un poco lento, veamos un ejemplo.

Ejemplo. Queremos resolver la ecuación x3 − 2x − 5 = 0. Si dibujamos la gráfica del polinomio

f (x) = x3 − 2x − 5 podemos ver que únicamente tiene una raı́z x∗ que, además, está entre a = 2 y
b = 2.2 porque f (2) = −1 < 0 y f (2.2) ≈ 1.25 > 0† . Vamos a utilizar el método de bisección para
calcular x∗ con una precisión de 10−3 ; es decir, tres cifras decimales.

Gráfica del polinomio x3 − 2x − 5.

A partir del intervalo [2, 2.2] generamos x1 = 2.1 y como f (2.1) ≈ 0.061 > 0, sabemos x∗ está
en el intervalo [2, 2.1]. Tomamos ahora el punto medio x2 = 2.05 y como f (2.05) ≈ −0.484 < 0,
sabemos x∗ está en el intervalo [2.05, 2.1]. En el siguiente paso tomamos x3 = 2.075 y calculamos
f (2.075) = −0.216 < 0, entonces x∗ está en el intervalo [2.075, 2.1]. Continuando de esta manera
obtenemos (las cuentas están hechas con todos los decimales que permite la máquina, pero solo se
muestran los tres primeros)
x4 = 2.088, x5 = 2.098, x6 = 2.097, x7 = 2.095, x8 = 2.095
y como los tres primeros decimales de x7 y x8 coinciden, podemos asegurar que x∗ ≈ 2.095 con una
precisión de 10−3 . La fórmula del error del método nos garantiza, de hecho, esta precisión ya que
|x8 − x∗ | ≤ 2−8 (0.2) ≈ 0.0008 < 10−3 ; es más, la fórmula del error también predice que debemos
dar 8 pasos para asegurar que alcanzamos la precisión deseada ya que n = 8 es el primer número
para el que 2−n (0.2) < 10−3 .
Dar 8 pasos del método de bisección supone evaluar la función 9 veces, lo que consume mucho
tiempo. Vamos a usar la aproximación que proporciona el polinomio de Taylor de orden 1, la recta
tangente, para generar el método de Newton, mucho más rápido que el de bisección.
† Elsı́mbolo ≈ se lee “es aproximadamente igual a” y significa que las primeras cifras decimales del número a la
izquierda coinciden con las que se muestran a la derecha.
32 Matemáticas II — GITI (2016–2017)

Construcción del método de Newton. Sea x∗ un cero de una función f y sea x0 un valor
aproximado de x∗ . Aplicando el teorema de Taylor al polinomio de grado 1 centrado en x0 resulta
′ (x − x0 )2 ′′
f (x) = f (x0 ) + (x − x0 )f (x0 ) + f (c),
2
donde c es un punto intermedio entre x y x0 . Tomando x = x∗ , y como f (x∗ ) = 0, tenemos
(x∗ − x0 )2 ′′
0 = f (x0 ) + (x∗ − x0 )f ′ (x0 ) + f (c).
2
Si x0 es una buena aproximación de x∗ , despreciamos el cuadrado (x0 − x∗ )2 , que será pequeño y
nos queda 0 ≈ f (x0 ) + (x∗ − x0 )f ′ (x0 ). Ahora, despejando x∗ , obtenemos
f (x0 )
x∗ ≈ x0 − ′ = x1
f (x0 )
y este valor x1 deberı́a ser también una buena aproximación de x∗ , incluso mejor que x0 .
Geométricamente, si tenemos en cuenta que la recta tangente ( a )la curva y = f (x) en el punto
(x0 , f (x0 )) viene dada por la ecuación y = f (x0 ) + f ′ (x0 ) x − x0 , entonces x1 es, precisamente,
el punto de corte de esta recta tangente con el eje OX.
¿Es, de verdad, x1 una aproximación de x∗ mejor que x0 ? Para ver que, en general, la respuesta
es afirmativa, tomemos la función g(x) = x − f (x)/f ′ (x) y volvamos a aplicar el el teorema de
Taylor, ahora al polinomio de grado 1 de la función g(x) alrededor de x∗ . Puesto que, como se
comprueba fácilmente, g(x∗ ) = x∗ y g ′ (x∗ ) = 0, el teorema nos dice que hay un punto intermedio
c entre x0 y x∗ tal que
g ′′ (c) g ′′ (c)
x1 = g(x0 ) = g(x∗ ) + g ′ (x∗ )(x0 − x∗ ) + (x0 − x∗ )2 = x∗ + (x0 − x∗ )2
2 2
luego, pasando x∗ al primer miembro y tomando valor absoluto, obtenemos
|g ′′ (c)|
|x1 − x∗ | = |x0 − x∗ |
2
2
de manera que si |x0 − x∗ | es pequeño, entonces |x1 − x∗ | es aún más pequeño, porque contiene el
término |x0 − x∗ | elevado al cuadrado; por ejemplo, si |x0 − x∗ | ≈ 10−2 , entonces |x1 − x∗ | ≈ 10−4
(salvo que g ′′ sea muy grande cerca de x∗ ).
La idea es, ahora, usar la misma construcción, pero partiendo de x1 , para generar un punto
f (x1 )
x2 = x1 − ′ cuya aproximación a x∗ mejore la obtenida con x1 , y ası́, sucesivamente.
f (x1 )
Veamos esta construcción en el caso del ejemplo anterior. Dibujamos la gráfica del polinomio
f (x) = x3 − 2x − 5 en el intervalo [2, 2.2] (la curva roja en la figura siguiente) y trazamos la recta
tangente (en azul) a la curva en el punto de abscisa x0 = 2.2. Podemos ver que el punto de corte
x1 de esta recta tangente con el eje OX está mucho más cerca de x∗ que 2.2.

Un paso del método de Newton.

 2. Polinomios de Taylor 33

Este punto x1 viene dado por

f (x0 ) f (2.2) 1.248

x1 = x0 − ′
= 2.2 − ′ = 2.2 − = 2.1003.
f (x0 ) f (2.2) 12.52

Ahora repetimos el procedimiento, pero a partir de la nueva aproximación x1 = 2.1003, obteniendo

f (x1 )
x2 = x1 − = 2.095;
f ′ (x1 )

esto es, el método proporciona, en solo dos pasos, el mismo valor aproximado de x∗ que se obtiene
aplicando 8 pasos del método de bisección; no hemos dibujado la nueva recta tangente y el punto
x2 en el dibujo anterior porque son indistinguibles de la curva y el punto x∗ .

El método de Newton. El método de Newton para hallar una solución x∗ de una ecuación
f (x) = 0 consiste en determinar una buena aproximación inicial x0 de la solución x∗ y, a partir de
ella, construir la sucesión de aproximaciones

f (xn )
xn+1 = xn − n = 0, 1, 2, . . .
f ′ (xn )

Interpretación geométrica del método de Newton. Las aproximaciones proporcionadas por

el método de Newton se obtienen construyendo una lı́nea quebrada de la siguiente manera: punto
en OX, vertical a la curva, recta tangente, corte de la tangente con OX (la nueva aproximación),
vertical a la curva, recta tangente, corte de la tangente con OX (la siguiente aproximación), . . .

Construcción geométrica del método de Newton.

Si el punto inicial x0 está lo suficientemente cerca de x∗ , entonces puede asegurarse que las aproxi-
maciones sucesivas x1 , x2 , x3 , . . . se acercan a x∗ tanto como se quiera y de manera muy rápida; es
decir, con unos pocos pasos podemos determinar x∗ con toda la precisión que haga falta; de hecho,
como hemos visto antes, la velocidad de aproximación es tal que el número de cifras decimales
correctas prácticamente se dobla de una aproximación a la siguiente.

Aproximación de raı́ces cuadradas. Si queremos hallar la raı́z cuadrada de un número a > 0,

y aplicamos el método de Newton a la función f (x) = x2 − a. La iteración nos queda
( )
1 a
xn+1 = xn + n = 0, 1, 2, . . .
2 xn
34 Matemáticas II — GITI (2016–2017)

Se puede comprobar con unos cuantos casos que la rapidez de convergencia es realmente asombrosa
si
√ se compara con la forma habitual de hallar raı́ces cuadradas a mano. Vamos a usarlo para calcular
5: Empezando con x0 = 2, obtenemos

2 + 5/2
x1 = = 2.25,
2
2.25 + 5/2.25
x2 = = 2.236111111,
2
2.236111111 + 5/2.236111111
x3 = = 2.236067978,
2
2.36067978 + 5/2.236067978
x4 = = 2.236067978.
2
√
Estos valores se repiten a partir de aquı́, luego 5 ≈ 2.236067978 con una precisión de 9 decimales.

En general, si queremos usar el método de Newton puede, de hecho, que no tengamos forma
de asegurar que el punto inicial está lo suficientemente cerca de la solución. Para soslayar esta
dificultad, existen teoremas de convergencia global que garantizan la convergencia del método sea
cual sea el punto de partida dentro de un intervalo adecuado. Uno de los más útiles es el siguiente.

Teorema de convergencia global de Newton-Fourier. Sea f : [a, b] → R una función de clase

C 2 ([a, b]) que cumple las siguientes condiciones:
(1) f cambia de signo en los extremos del intervalo, con lo que f tiene un cero x∗ en [a, b];
(2) f ′ (x) ̸= 0 para todo x ∈ [a, b], de manera que f es estrictamente creciente o decreciente en
el intervalo, lo que garantiza que x∗ es el único cero de f en [a, b];
(3) f ′′ (x) ̸= 0 para todo x ∈ [a, b], de manera que la gráfica de f es o bien cóncava o bien
convexa en [a, b], lo que garantiza que las iteraciones no se salen del intervalo.
Si tomamos como punto inicial x0 el extremo del intervalo [a, b] en el que f y f ′′ tienen el mismo
signo, entonces las aproximaciones xn+1 = xn − f (xn )/f ′ (xn ), para n = 0, 1, 2, . . . , generadas por
el método de Newton, convergen a x∗ .

Algunas cuestiones prácticas. Al aplicar el método de Newton surgen algunas cuestiones,

básicamente relacionadas con que no podemos iterar indefinidamente. Por eso, debemos fijar una
tolerancia ε, que mide la precisión deseada, y un número máximo de iteraciones.
¿Cuándo detenemos las iteraciones? Fijada la tolerancia ε, deberı́amos iterar hasta que
podamos asegurar que |xn − x∗ | ≤ ε. Sin embargo, a diferencia de lo que ocurre con el método de
bisección, en el método de Newton no disponemos de una fórmula para calcular una cota del error
real |xn − x∗ | ası́ que las iteraciones se detienen cuando |xn − xn+1 | < ε. Otra opción, que puede
ser preferible dependiendo de la situación concreta, es detener las iteraciones cuando |f (xn )| < ε.
En todo caso, dejamos de iterar cuando llegamos el número máximo de iteraciones fijado.
¿Qué hacemos si no se garantiza la convergencia? Si no podemos encontrar un intervalo
en el que se pueda aplicar el teorema de convergencia global, lo que hacemos es iterar a ciegas,
eligiendo un punto inicial x0 que nos parezca adecuado y analizando qué pasa.
¿Qué hacemos si no converge o converge despacio? Cuando converge, el método de
Newton lo hace de forma muy rápida. Si se alcanza el número máximo de iteraciones, puede ser
que, en nuestro caso concreto, no converja o que converja despacio. Esto puede deberse a varias
causas. Lo usual será que el valor inicial está demasiado lejos del cero de f y será necesario mejorar
la aproximación inicial dando varios pasos del método de bisección.
 2. Polinomios de Taylor 35

Otra causa común de comportamiento lento o extraño del método es que el cero sea un cero
múltiple de f , en cuyo caso f ′ (x∗ ) = 0, o que haya dos ceros muy próximos, en cuyo caso f ′ (x∗ ) es
muy pequeño. Para ver por qué aparecen problemas cuando f ′ (x∗ ) es cero o es muy pequeño (cosa
que, por descontado, no sabemos de antemano) observemos que si xn está cerca de x∗ , entonces
f ′ (xn ) será pequeño y al calcular el cociente para hallar xn+1 puede que aparezcan errores. De
hecho, si calculamos la derivada segunda g ′′ de la función g(x) = x − f (x)/f (x) que hemos usado
antes, aparece [f ′ (x)]3 en su denominador, luego si f ′ (x∗ ) es cero o muy pequeño, el factor g ′′ (c)
que obtuvimos al comparar la bondad de dos aproximaciones consecutivas puede hacerse grande.
¿Cómo hacemos los cálculos? Si queremos hallar una raı́z de un polinomio, los cálculos
pueden hacerse a mano usando el método de Ruffini; pero esto se hace muy pesado en cuanto
empiezan a acumularse decimales. Para el resto de las funciones elementales, hay que usar una
calculadora o bien un programa de ordenador adecuado. Al final del guión se recomiendan una serie
de portales de internet que contienen implementaciones de los métodos de bisección y de Newton;
te recomendamos que aprendas a usar alguno de ellos para poder comprobar los resultados que
obtienes usando la calculadora.

EJERCICIOS DE LA SECCIÓN 4

Ejercicio 1. Usa la calculadora y alguna de las páginas web que se citan al final del guión para
hallar los ceros de las siguientes funciones con el método de bisección y una precisión de 10−2 .
f1 (x) = ex − 2 − x, f2 (x) = x sen(x) − 1, f3 (x) = x3 + x − 1, f4 (x) = 2−x − x.

Ejercicio 2. Utiliza el método de Newton para resolver las ecuaciones de los ejercicios anteriores
con la calculadora y alguna de las páginas web que se citan al final del guión.

Ejercicio 3. Usa el método de Newton para calcular con tres cifras decimales las raı́ces cuadradas
de los números 8, 69, 111 y 1000 usando aproximaciones iniciales adecuadas.
√
Ejercicio 4. Utiliza el método de Newton para hallar una aproximación de 3 7 resolviendo la
ecuación f (x) = x3 − 7 = 0. Para ello, toma x0 = 2 como punto inicial de la iteración y calcula
las aproximaciones x1 , x2 y x3 . ¿Se garantiza la convergencia del método en este caso?
√
Ejercicio 5. Se quiere hallar 5 29 resolviendo la ecuación f (x) = x5 − 29 = 0. Prueba que f
verifica las condiciones del teorema de convergencia global del método de Newton en el intervalo
[1, 2], indica qué punto x0 deberı́a tomarse, de acuerdo con dicho teorema, como punto inicial para
las iteraciones y calcula las aproximaciones x1 , x2 y x3 .

Ejercicio 6. Queremos calcular la raı́z n-ésima de un número positivo a resolviendo la ecuación

f (x) = xn − a = 0 por el método de Newton.
(1) ¿Cuál es la iteración generada por el método de Newton?
(2) Halla un intervalo en el que f verifique las condiciones del teorema de convergencia global.
(3) Calcula las raı́ces cuartas de 20 y de 99 y las raı́ces sextas de 12 y 60.

Ejercicio 7. Utiliza la calculadora y alguna de las páginas web que se citan al final del guión para
resolver las siguientes ecuaciones en el intervalo indicado usando el método de Newton. Parte de
un valor inicial adecuado y obtén la solución con una tolerancia de 10−3 .
(1) x3 + x2 + x − 1 = 0 en el intervalo [0, 1].
(2) xex = 1 en el intervalo [0, 1].
(3) log(x) + x = 5 en el intervalo [3, 4].
36 Matemáticas II — GITI (2016–2017)

Ejercicio 8. Calcula con un error menor que 10−3 la única solución real de 2x3 + 2x2 − 1 = 0.
Para ello aplica el método de Newton, encontrando un intervalo donde se verifiquen las condiciones
de teorema de convergencia global.

Ejercicio 9. Sea f (x) = log(1 + x) + 1 − 2x. Prueba que f verifica las condiciones del teorema
de convergencia global del método de Newton en el intervalo [0, 1] e indica qué punto x0 deberı́a
tomarse, de acuerdo con dicho teorema, como punto inicial para las iteraciones.

Ejercicio 10. Para el polinomio f (x) = x3 − 5x2 − 2x + 2 calcula:

(1) el número de raı́ces reales que tiene,
(2) para cada raı́z, un intervalo que la contenga y donde se verifiquen las condiciones del
teorema de convergencia global del método de Newton,
(3) una aproximación de dichas raı́ces aplicando dicho método con tres cifras decimales.

Ejercicio 11. Para el polinomio g(x) = x5 − 5x3 + 4x − 1 calcula:

(1) el número de raı́ces reales que tiene,
(2) para cada raı́z, un intervalo que la contenga y donde se verifiquen las condiciones del
teorema de convergencia global del método de Newton,
(3) una aproximación de dichas raı́ces aplicando dicho método con tres cifras decimales.

Ejercicio 12. Para el polinomio f (x) = 3x3 − 2x2 + 2 calcula:

(1) el número de raı́ces reales que tiene.
(2) para cada raı́z, un intervalo que la contenga y en el que se verifiquen las condiciones del
teorema de convergencia global del método de Newton.
(3) para cada raı́z, la aproximación con tres cifras decimales que se obtiene al aplicar el método
de Newton tomando como punto inicial el que establece el teorema de convergencia global
para el intervalo determinado en el apartado anterior.

Ejercicio 13. Halla, trabajando con una precisión de dos cifras decimales, el punto de corte de
la curva logarı́tmica y = log(x) con la hipérbola y = 1/x. Para ello, determina un intervalo donde
pueda aplicarse el teorema de convergencia global de Newton-Fourier.

Ejercicio 14. Usa el método de Newton para hallar el punto más alto de la curva dada en
coordenadas polares por la ecuación r = cos(3θ).
( )2
Ejercicio 15. Dibuja la curva de ecuación r = θ/π para 0 ≤ θ ≤ 2π y encuentra las coorde-
nadas (x, y) de su punto más alto. Para ello deberás resolver una ecuación usando el método de
Newton; hazlo probando en primer lugar que la solución se obtiene para un ángulo θ en el intervalo
[π/2, 3π/4]; luego aplica adecuadamente el teorema de convergencia global trabajando con una
precisión de dos cifras decimales.

Ejercicio 16. Los circuitos electrónicos de algunos de los primeros computadores solo podı́an
sumar, restar y multiplicar, pero no dividir. Para hallar 1/a se puede aplicar el método de Newton
a la función f (x) = a − 1/x. Comprueba que en la aplicación del método a esta función no se
requiere hacer divisiones y úsalo para hallar 1/5, 1/2.2 y 1/1.37 con ocho cifras decimales.

Ejercicio 17. Sea f (x) = log(1 + x2 ) + 1 − x2 . Prueba que f cumple las condiciones del teorema
de convergencia global de Newton-Fourier en [1, 2] y halla el cero que tiene la función f en [1, 2]
usando el método de Newton con una precisión de tres cifras decimales.
 2. Polinomios de Taylor 37
√
Ejercicio 18. Prueba que la ecuación e−x = 1 − 1 − x3 tiene solución única y determı́nala con
un error menor que 10−3 usando el método de newton con valor inicial x0 = 1.

Ejercicio 19. Comprueba que la ecuación x = tan(x) tiene infinitas soluciones. Utiliza el método
de Newton para hallar sus dos primeras raı́ces positivas con una precisión de tres cifras decimales.

Ejercicio 20. Se quiere obtener la solución positiva más grande de x3 − 3x + 1 = 0 con una
precisión de tres cifras decimales. Para ello, usa el método de Newton determinando un intervalo
que la contenga y en el que se cumplan las condiciones del teorema de convergencia global.

Ejercicio 21. El punto x∗ = 1 es una raı́z simple del polinomio p(x) = x3 − 2x + 1 y una raı́z
doble del polinomio q(x) = x3 − 3x + 2. Aplica el método de Newton partiendo de x0 = 1.2 para
comprobar que la velocidad de convergencia es sensiblemente inferior en el caso del polinomio q.

Ejercicio 22. En 1225, Leonardo de Pisa, también conocido como Fibonacci, halló la solución
x∗ = 1.3688081078 de x3 + 2x2 + 10x = 20 con una precisión de nueve cifras decimales. No explicó
como lo hizo y hasta la fecha sigue sin saberse, aunque la explicación más aceptada es que empleó
un procedimiento similar al método de bisección que se conoce con el nombre de método de la
regula falsi o de la posición falsa, que es una buena alternativa al método de Newton para resolver
f (x) = 0 cuando no se puede calcular f ′ o no compensa por su complejidad.
Partimos de un intervalo [a1 , b1 ] en el que g(a1 )g(b1 ) < 0. Para definir el siguiente intervalo, sea
x1 ∈ [a1 , b1 ] el punto de corte de la recta que une los puntos (a1 , g(a1 )) y (b1 , g(b1 )), es decir:

b1 − a1 a1 g(b1 ) − b1 g(a1 )
x1 := a1 − g(a1 ) = .
g(b1 ) − g(a1 ) g(b1 ) − g(a1 )

Si g(x1 ) = 0, ya tenemos la raı́z. Si g(x1 ) ̸= 0 tomamos como nuevo intervalo [a2 , b2 ] aquel de
entre [a1 , x1 ] y [x1 , b1 ] en el que g cambie de signo y repetimos el proceso.

Método de la régula falsi.

Emplea este método, ası́ como el de Newton para comparar la convergencia, para resolver la
ecuación x3 + 2x2 + 10x − 20 = 0 trabajando en el intervalo [1, 2].
38 Matemáticas II — GITI (2016–2017)

5. SUCESIONES Y SERIES

Iteración y convergencia. La generación de una sucesión de valores a1 , a2 , a3 , . . . repitiendo, a partir de una

aproximación inicial a0 , la aplicación de un mismo procedimiento para obtener cada término an+1 a partir del
anterior an se conoce como iteración; el método de Newton es un ejemplo importante de método iterativo.
Una sucesión construida de esta manera se llama sucesión iterada y el objetivo de un método iterativo es que la
sucesión de valores que se obtiene nos permita aproximarnos a la solución de un problema tanto como marque la
precisión que se requiera, en cuyo caso se dice que la sucesión converge a la solución buscada. La iteración es una
técnica fundamental en la resolución numérica mediante herramientas computacionales de muchos problemas de
ingenierı́a.
La idea intuitiva de sucesión que converge —“se aproxima tanto como queramos”— a la solución de un problema
es bastante clara pero, ¿cómo sabemos que, efectivamente, la sucesión generada por un cierto método converge?
Éste es un problema delicado y no siempre fácil. En esta sección presentamos la noción de sucesión convergente y
algunos ejemplos especiales.

Sucesión convergente. Se dice que una sucesión de números reales (an ) = a0 , a1 , a2 , . . . , an , . . . converge a un
número real a si dado cualquier ε > 0, la precisión fijada, existe un número natural N tal que los valores de an para
todo n ≥ N verifican que |a − an | ≤ ε; es decir, todos los términos de la sucesión a partir del N -ésimo distarán del
lı́mite a menos que la precisión fijada. Esto se representa como a = lı́m an , o bien a = lı́mn an , y se dice que a es
n→∞
el lı́mite de la sucesión (an ).

Esta definición es análoga a la definición de lı́m f (x), el lı́mite de una función f (x) cuando x tiende a ∞ y la
x→∞
pregunta clave es saber si una sucesión converge. Hay varios criterios y técnicas para determinar si una sucesión
converge, pero su estudio general se escapa de los objetivos de esta asignatura; solo recogemos el que, probablemente,
es el más útil e intuitivo.

Sucesiones monótonas y acotadas. Diremos que una sucesión de números reales (an ) es monótona creciente
cuando an ≤ an+1 para cada n = 0, 1, 2, . . . , mientras que se dice que (an ) es monótona decreciente cuando
an ≥ an+1 para cada n = 0, 1, 2, . . .
Diremos que (an ) está acotada cuando existe M tal que |an | ≤ M para cada n = 0, 1, 2, . . .
Pues bien, toda sucesión monótona (creciente o decreciente) y acotada es convergente.

Sucesión divergente. Una sucesión (an ) cuyos valores son tan grandes en tamaño como queramos a partir de uno
dado no puede ser convergente y se dice que diverge, lo que se suele escribir como lı́mn an = ∞. Este es el caso de
las sucesiones monótonas crecientes no acotadas.

Sucesión geométrica. Sea r un número real. La sucesión 1, r, r2 , r 3 , . . . , rn , . . . se llama sucesión geométrica de

razón r y su comportamiento según los valores de r es el siguiente:
(1) Si |r| < 1, entonces lı́mn rn = 0.
(2) Si r = 1, entonces rn = 1 para cada n ∈ N y, por tanto, lı́mn rn = 1.
(3) Si r = −1, entonces la sucesión oscila entre los valores 1 y −1, ası́ que no converge.
(4) Si |r| > 1, entonces lı́mn rn = ∞.

Sucesiones de potencias. Sea α un número real. La sucesión 1, 2α , 3α , . . . , nα , . . . se llama sucesión potencial

de exponente α y su comportamiento según los valores de α es el siguiente:
(1) Si α < 0, entonces lı́mn nα = 0.
(2) Si α = 0, entonces n0 = 1 para cada n ∈ N y, por tanto, la sucesión converge a 1.
(3) Si α > 0, entonces lı́mn nα = ∞.

Ejemplo. Consideremos la sucesión geométrica de razón r = 1/2:

a0 = 1, a1 = 1/2, a2 = 1/4, a3 = 1/8, ... an = 1/2n , ...

La suma de los n-primeros términos de esta sucesión es una nueva sucesión (sn ) dada por

1 1 1 1
sn = a0 + a1 + a2 + · · · + an = 1 + + + ··· + n = 2 − n para cada n = 0, 1, 2, . . .
2 4 2 2
 2. Polinomios de Taylor 39

Veamos una interpretación geométrica de esta sucesión (sn ): si dividimos un rectángulo de 2 × 1 por la mitad,
luego una de sus mitades por la mitad en dos cuartos, luego uno de estos cuartos por la mitad en dos octavos y
ası́ sucesivamente, cada an representa una de estas mitades y sn representa la superficie que van acumulando estas
mitades. Vemos que la sucesión (sn ) también es convergente y su lı́mite vale 2, el área del rectángulo completo.

La serie geométrica de razón 1/2.

1 1 1
Decimos, en este caso, que la serie geométrica 1 + + + + · · · es convergente y su suma vale 2. Este es un
2 4 8
ejemplo ilustrativo de una situación especial que aparece a menudo en las aplicaciones: la construcción de sumas
acumuladas de los términos de una sucesión previamente dada.

Serie numérica. Dada una sucesión de números reales a0 , a1 , a2 , . . . , an , . . . , se define la suma parcial n-ésima
de dicha sucesión como sn = a0 + a1 + a2 · · · + an .
∑
Se dice que la serie de término general an , que se denota por n an , es convergente cuando la sucesión (sn ) de sus
sumas parciales converge, en cuyo caso su lı́mite s = limn sn se llama suma de la serie. Esto se representa como

∞
∑
s = a0 + a1 + a2 + · · · + an + · · · o bien como s= an .
n=0

Cuando (sn ) diverge, se dice que la serie es divergente.

La serie geométrica. Dados a ̸= 0 y x, consideremos la serie

∞
∑
axn = a + ax + · · · + axn + · · ·
n=0

Esta serie se conoce como serie geométrica de razón x y primer término a y es una serie convergente si, y solo si,
|x| < 1, en cuyo caso su suma es

∞
∑ 1 − xn+1 a
arxn = lim a(1 + x + x2 + x3 + · · · + xn ) = lim a = .
n=0
n→∞ n→∞ 1−x 1−x

En cursos anteriores has usado, de hecho, series geométricas de razón 1/10 para hallar la representación de un
decimal periódico como una fracción. Por ejemplo, cuando escribimos 7.777 . . . lo que queremos decir es

7 7 7 7 7 7 7 70
7.777 . . . = 7 + + + + ··· = 7 + + 2 + 3 + ··· = = .
10 100 1000 10 10 10 1 − (1/10) 9

De hecho, la representación decimal de los números reales no es más que una expresión para la suma de una serie:

1 4 1 5 9
π = 3.14159 . . . = 3 + + 2 + 3 + 4 + 5 + ···
10 10 10 10 10

Más adelante, utilizarás la serie geométrica en la asignatura Estadı́stica e Investigación Operativa del segundo
cuatrimestre.

Series de potencias. Si tomamos el polinomio de Maclaurin de grado n de la exponencial

x2 x3 xn
pn (x) = 1 + x + + + ··· + ,
2 3! n!
40 Matemáticas II — GITI (2016–2017)

ec(x) n+1
cuyo resto vale rn (x) = ex − pn (x) = x , entonces, es fácil probar que
(n + 1)!

ec(x) n+1
lı́m (ex − pn (x)) = lı́m x = 0,
n→∞ n→∞ (n + 1)!

con lo que podemos expresar ex como el lı́mite de la sucesión de sus polinomios de Maclaurin, es decir, como la
suma de una serie convergente, puesto que cada polinomio se obtiene del anterior sumando un nuevo término:
( ) ∑∞
x2 x3 xn xn
ex = lı́m pn (x) = lı́m 1+x+ + + ··· + = .
n→∞ n→∞ 2 3! n! n=0
n!

En otras palabras, podemos expresar la función exponencial como un polinomio infinito, lo que se conoce como una
serie de potencias. La importancia de los polinomios de Maclaurin radica aquı́ en que son las sumas finitas que
es necesario conocer para construir la serie, la suma infinita. Al igual que la serie geométrica, utilizarás la serie
de potencias de la función exponencial en la asignatura Estadı́stica e Investigación Operativa del segundo
cuatrimestre.
Esto que hemos hecho para la exponencial y la serie geométrica a/(1 − x), expresarlas como series de potencias
— polinomios infinitos — puede hacerse con la mayorı́a de las funciones que aparecen en la práctica, aunque un
estudio profundo de este hecho escapa de los objetivos de la asignatura.

EJERCICIOS DE LA SECCIÓN 5

Ejercicio 1. Calcula el lı́mite de las siguientes sucesiones y determina, en cada caso, un término a partir del cual
se puede asegurar que todos distarán del lı́mite menos que 10−4 .
( ) ( )
( −n ) 1 2n + 4 ( −n )
(1) 10 n
, (2) 2+ 2 , (3) , (4) e n
.
n n n+1 n

Ejercicio 2. Dado un número natural n se define el factorial de n, que se escribe n!, como el producto de todos
los números naturales desde el 1 hasta el propio n, es decir

n! = 1 · 2 · 3 · 4 · · · · · (n − 1) · n.

Ası́, 1! = 1, 2! = 2, 3! = 6, 4! = 24, 5! = 120, . . . Por convención, se toma 0! = 1.

Prueba que la sucesión (n!) de los factoriales crece muy rápidamente y diverge a infinito; en particular, prueba que
n2 xn
lı́mn = 0 y que lı́mn = 0 para cualquier valor de x.
n! n!

Ejercicio 3. Usa la forma de Lagrange del resto de Taylor para probar que si x ∈ R, entonces

x3 x5 x7 x2 x4 x6
sen(x) = x − + − + ··· cos(x) = 1 − + − + ···
3! 7! 7! 2! 4! 6!

Ejercicio 4. Usa la forma de Lagrange del resto de Taylor para probar que si x ∈ [0, 1), entonces

∞ ( )
∑ ( α) ( α) (α)
α
(1 + x)α = xn = 1 + x+ x2 + · · · + xn + · · · (α ∈ R)
n=0
n 1 2 n
∞
∑ xn x2 x3 xn
log(1 + x) = (−1)n−1 =x− + − · · · + (−1)n−1 + ···
n=1
n 2 3 n
 2. Polinomios de Taylor 41

ALGUNAS NOTAS HISTÓRICAS.

Sobre los polinomios de Taylor. La tercera gran herramienta de los inventores del cálculo infinitesimal, tras la
derivada y la integral, fueron las series de potencias. Las series de potencias son “polinomios infinitos” en el sentido
x2 x3 xn
que acabamos de ver con el ejemplo ex = 1 + x + + + ··· + + ···
2 3! n!
Probablemente, el ejemplo más antiguo de una serie de potencias es la suma de los infinitos términos de una
a
progresión geométrica de razón x que, como hemos visto, vale a + ax + ax2 + ax3 + ax4 + · · · = si |x| < 1. A
1−x
lo largo de la Edad Media matemáticos de la India construyeron series de potencias para aproximar las funciones
trigonométricas, pero fueron Isaac Newton, Gottfried Leibniz, los Bernoulli (Jacques, Johann, Daniel y Nicholas),
Leonhard Euler, Colin Maclaurin, Brook Taylor, y Joseph-Louis Lagrange quienes sistematizaron la teorı́a de las
series de potencias, que no estudiaremos en este curso.
Una primera versión del teorema de Taylor se esboza en un trabajo de James Gregory de 1671, pero la primera
versión completa se atribuye a Brook Taylor en 1712. Señalemos también que la regla de L’Hôpital recibe este
nombre porque Guillaume François Antoine, marqués de L’Hôpital, dio a conocer la regla en su obra Analyse des
Infiniment petits pour l’intelligence des lignes courbes, publicada en 1696 y que es el primer texto escrito sobre
cálculo diferencial. Este texto se basa en las lecciones impartidas al marqués por Johann Bernoulli, a quien debe
atribuirse, pues, la demostración de la regla. La explicación es que ambos habı́an acordado que el marqués compraba,
junto con las lecciones, los derechos de los descubrimientos matemáticos de Johann Bernoulli.
Sobre el método de Newton. El método para hallar raı́ces cuadradas que hemos visto ya era conocido por los
astrónomos de Babilonia y fue descrito por Herón de Alejandrı́a (≈ 40 d. C.) y extendido a finales de la Edad Media
al cálculo de otras raı́ces por matemáticos árabes y persas que también generaron métodos para resolver ecuaciones
polinómicas calculando, cada vez, una nueva cifra decimal de la solución. Por ejemplo, el método que se describe
en el Ejercicio 6 de la Sección 4 fue descrito a comienzos del siglo xv por el matemático persa Al Kashi.
El método de Newton fue descrito por Isaac Newton en el manuscrito De analysi per aequationes numero terminorum
infinitas, escrito en 1669, pero no publicado hasta 1711 como primera parte de su Analysis per quantitatum series,
fluxiones ac differentias; no obstante el método también fue dado a conocer por el propio Newton en 1673 y John
Wallis en 1685 como un algoritmo para resolver ecuaciones polinómicas; el ejemplo x3 − 2x − 5 = 0 que hemos visto
antes es, precisamente, el que utiliza Newton para exponerlo. Sin embargo, su presentación es diferente de la que
hemos usado aquı́; de hecho, ni menciona la derivada, ni podrı́a usarse para una ecuación como xex − 1 = 0. Lo que
hace Newton es escribir x∗ = 2 + p y, dado que la solución está cerca de x0 = 2, la diferencia p debe ser un número
pequeño. Ahora escribe (2 + p)3 − 2(2 + p) − 5 = 0 en forma desarrollada

8 + 12p + 6p2 + p3 − 4 − 2p − 5 = 0, es decir, p3 + 6p2 + 10p − 1 = 0.

Como p es muy pequeño, Newton desprecia los términos p3 + 6p2 , con lo que queda 10p − 1 = 0 y, por tanto,
p = 1/10 = 0.1. Con este valor de p se escribe ahora x1 = 2 + p = 2.1 y es fácil ver que, para el caso de un
polinomio, este procedimiento de pasar de la aproximación inicial x0 a x1 despreciando las potencias superiores de p
al desarrollar el polinomio es exactamente escribir p = −f (x0 )/f ′ (x0 ). Tomando x1 = 2.1 como nueva aproximación
de x∗ , de manera que x∗ = 2.1 + q con q más pequeño que p, Newton repite el procedimiento para hallar q = −0.005,
con lo que x∗ ≈ 2.095.
En 1690, Joseph Raphson incluyó en su libro Analysis aequationum universalis una descripción simplificada del
método de Newton como un método puramente algebraico, solo para polinomios, pero lo da en términos de apro-
ximaciones sucesivas evitando los desarrollos polinomiales usados por Newton. En el ejemplo, Raphson dice que
p puede calcularse, para x0 = 2 como p = (5 − 2x0 − x30 )/(3x20 − 2), y ası́ sucesivamente, pero no reconoce en el
denominador el valor de la derivada. Por esta contribución, en muchos textos el método de Newton se conoce como
método de Newton-Raphson.
Finalmente, en 1740 Thomas Simpson describió el método tal como lo hemos hecho nosotros, como un método
iterativo para resolver ecuaciones no lineales usando las propiedades de la derivadas y, además, lo extendió a
sistemas de dos ecuaciones con dos incógnitas (que estudiarás en la asignatura de Métodos Matemáticos de
segundo curso); a él se le debe, entonces, buena parte del crédito por la importancia y versatilidad del método.
El primer teorema de convergencia global fue dado por Fourier en 1818; a partir de este trabajo se han desarrollado
diversos teoremas de convergencia tanto para el caso de una ecuación como de varias. El más importante es,
probablemente, el dado en 1940 por Leonid V. Kantorovich (galardonado con el Premio Nobel de Economı́a en
1975), que puede aplicarse a situaciones muy generales.
Sobre el teorema del valor intermedio. Puede parecer extraño que el teorema del valor intermedio de Bolzano
no fuera probado hasta 1817 por Bernard Bolzano. Hasta entonces nadie habı́a puesto en duda que si la gráfica
42 Matemáticas II — GITI (2016–2017)

y = f (x) de una función continua en un intervalo tiene puntos a ambos lados del eje OX, entonces hay un punto
x∗ en el que f (x∗ ) = 0. Si embargo, las crı́ticas a los fundamentos del cálculo infinitesimal, surgidas a lo largo
del siglo xviii, llevaron a Bolzano a plantearse un nuevo modo de desarrollar esta disciplina. En su el trabajo de
1817, Bolzano describió en términos puramente aritméticos los conceptos de lı́mite, convergencia y continuidad,
planteando, de paso, el problema de formular la propia noción de número real. Un concepto clave para el desarrollo
de la fundamentación rigurosa del cálculo infinitesimal que se llevó a cabo a lo largo del siglo xix es el de sucesión
convergente, al que hemos dedicado la última sección y que ya aparece en el trabajo de Bolzano y en el otro trabajo
pionero sobre estas cuestiones, el de Augustin Cauchy publicado en 1821.
Sobre sucesiones y series. Históricamente las series anteceden a las sucesiones; como hemos dicho, las series de
potencias son la tercera gran herramienta de los inventores del cálculo infinitesimal, tras la derivada y la integral.
No obstante, los procedimientos de aproximaciones sucesivas existieron desde el origen de las matemáticas. Ası́,
Arquı́medes obtuvo la aproximación π ≈ 22/7 construyendo sucesiones de polı́gonos regulares inscritos y circunscritos
a un cı́rculo para aproximar su área por defecto y exceso, respectivamente. Sin embargo, el concepto de sucesión
convergente fue formalmente establecido a comienzos del siglo xix para el desarrollo de la fundamentación rigurosa
del caĺculo infinitesimal que se llevó a cabo a lo largo del siglo.
Los trabajos de Bolzano y Cauchy citados antes pusieron en tela de juicio que toda la variedad de procedimientos
de aproximación que se habı́an creado fueran realmente convergentes. La búsqueda de nociones de convergencia
que fueran aritméticamente rigurosas, alejadas de los peligros lógicos a los que podı́a conducir la mera intuición
geométrica, acabó cristalizando en las nociones de lı́mites de funciones y de sucesiones numéricas, ası́ como de
diversas nociones de convergencia de sucesiones de funciones, que se utilizan hoy en dı́a, notablemente a través de
la escuela dirigida en Alemania por Karl Weierstrass.
El libro de Antonio Durán Historia, con personajes, de los conceptos del cálculo, que puedes consultar en la
Biblioteca de la Escuela, contiene información más extensa sobre estos temas.

Bibliografı́a

G.L. Bradley y K.J. Smith, Cálculo, vol. 1, Sección 2.9 y Capı́tulo 8.

R.E. Larson, R.P. Hostetler y B.H. Edwards, Cálculo, vol. 1, Sección 3.8 y Capı́tulo 8.
G.B. Thomas, Jr., Cálculo de una variable, Secciones 4.6, 10.8 y 10.9.

Páginas web de interés sobre los polinomios de Taylor:

http://www.wolframalpha.com
http://www.matematicasvisuales.com/html/analisis/analisis.html

Páginas web de interés para la resolución numérica de ecuaciones:

http://keisan.casio.com/exec/system/1222999061
http://www.wolframalpha.com/
http://keisan.casio.com/exec/system/1244946907