Libro Metodos Numericos

Mayo de
2017
Métodos numéricos
Lina María González Téllez - 31511

Ing. Nestor Humberto Agudelo Díaz
Mayo de 2017
14
Métodos numéricos Mayo de 2017
CONTENIDO
o Introducción………………………………………………………………2
o Objetivos………………………………………………………………….3
CAPITULO I
o Teoría de errores…………………………………………………………4
o Polinomio de Taylor……………………………………………………...17
CAPITULO II
o Solución de ecuaciones lineales……………………………………….24
 Bisección…………………………………………………………26
 Regla falsa……………………………………………………….31
 Newton-Raphson………………………………………………..34
 Secante…………………………………………………………..37
CAPÍTULO III
o Sistemas de ecuaciones no lineales…………………………………..43
o Sistemas de ecuaciones lineales………………………………………46
CAPÍTULO IV
o Interpolación
 Por mínimos cuadrados…………………………………………51
 Lagrange………………………………………………………….62
CAPÍTULO V
o Derivación numérica…………………………………………………….65
o Integración numérica……………………………………………………68
o Ecuaciones diferenciales……………………………………………….75
o Conclusiones y bibliografía…………………………………………….78
INTRODUCCIÓN
Actualmente usamos las matemáticas en muchos aspectos de la vida así no nos

demos cuenta. Para todo es necesario hacer cálculos, resolver problemas, hallar
incógnitas, todos los días, en empresas, en casa, en el colegio, en el transporte,
en la alimentación, en el ocio, etc.
En el caso de las ingenierías y ciencias, es imposible llegar a una solución
analítica exacta, por lo cual se generan errores de ajuste de los algoritmos, por
ello se crearon diversos métodos numéricos para lograr la mayor exactitud de
acercamiento a una solución y en el menor tiempo posible.
La tecnología nos ha facilitado la vida en muchos sentidos, entre ellos a crear
programas que realizan cálculos con una rapidez y exactitud mayor que si se
hiciera a mano; Excel es una herramienta indispensable, que muchas personas no
conocen su gran capacidad de resolver ecuaciones, matrices y diversas
operaciones matemáticas que acompañados con modelos dan una posible
solución analítica muy cercana a la real, es decir, con un error relativo muy bajo.
Este libro, incluye aplicaciones desde las materias de ‘Cálculo I’, hasta
‘Ecuaciones diferenciales’, donde se aplican absolutamente todos los conceptos y
conocimientos aprendidos a la solución óptima de un problema.
OBJETIVOS
OBJETIVO GENERAL
Solucionar cualquier tipo de problema analítico, por medio de diversos métodos,
buscando la mayor exactitud y rapidez.
OBJETIVOS ESPECÍFICOS
 Manejar los conceptos de error, exactitud, precisión, redondeo y la forma
de aproximar una función al polinomio de Taylor.
 Solucionar ecuaciones no lineales que no se pueden realizar por métodos

analíticos.
 Establecer una función polinómica a partir de unos datos experimentales

para realizar estimaciones entre los datos observados.
 Describir métodos de aproximación para derivadas, integrales y ecuaciones

diferenciales.
CAPÍTULO I
TEORÍA DE ERRORES
Medir: Determinar la longitud, extensión, volumen o capacidad de una cosa por

comparación con una unidad establecida que se toma como referencia,
generalmente mediante algún instrumento graduado con dicha unidad.
Exactitud: Grado de acercamiento absoluto a un valor real.
Ejemplo:
Escala: 6,4 cm
Calibración: 6,42 cm
T. Microm: 6,418 cm
Precisión: Grado de acercamiento relativo a un valor real.

Tipos de errores:
 Sistemáticos: Debido a condiciones externas que afectan el instrumento
de medición, en general el fabricante debe brindar la magnitud y el signo
con que se afecta la medida.
Ejemplo: Una barra de hierro se mide tanto en Bogotá como en Girardot, pero
se debe tener en cuenta la temperatura de ambos sitios, ya que afectará la
medición:
Bogotá – 10°C
̅̅̅̅= 10 metros
𝐴𝐵
Girardot – 26°C
𝐴𝐵 = ̅̅̅̅̅
̅̅̅̅ 𝐴𝐵´ − Δx
Δx = Error sistemático
 Accidentales: Se generan debido a las limitaciones del observador ( ser
humano o máquina) se comportan de forma aleatoria y se pueden modelar
bajo la teoría de la probabilidad.
Depuración de datos
Distribución normal
Parametrización
̅
𝑿𝒊− 𝒙
𝒁𝒊 =
𝒔
𝒁𝒊
= 𝑁𝑜. 𝑑𝑒 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑒𝑠𝑡𝑎𝑛𝑑𝑎𝑟 𝑞𝑢𝑒 𝑒𝑠𝑡á ¨𝑋𝑖¨ 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖ó𝑛, 𝑐𝑜𝑛 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑜 𝑎 𝑙𝑎 𝑚𝑒𝑑𝑖𝑎.
𝑿𝒊 = 𝐷𝑎𝑡𝑜 𝑢 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖ó𝑛.
∑𝑛𝑖=1 𝑋𝑖
̅=
𝑿 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜.
𝑛
∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)
𝑺= √ 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟 𝑚𝑢𝑒𝑠𝑡𝑟𝑎𝑙.
𝑛−1
Ejemplo:
En este ejemplo se puede observar que en el último dato, se presenta una

equivocación, ya que supera los límites de la desviación estándar.
La desviación y el promedio se calcularon así en Excel:
Estimación por intervalos del valor real
𝛼 𝑠
𝑥̅ + 𝑡 2
∗ Límite superior
√𝑛
Valor real
𝛼 𝑠
𝑥̅ − 𝑡 2
∗ Límite inferior
√𝑛
Donde :
𝑥̅ : 𝑃𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑙𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑑𝑒𝑝𝑢𝑟𝑎𝑑𝑜𝑠 ′′𝐸𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑝𝑢𝑛𝑡𝑢𝑎𝑙′′.
𝛼
𝑡
2
∶ 𝑉𝑎𝑙𝑜𝑟 𝑐𝑟í𝑡𝑖𝑐𝑜 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 ′′𝑡 ′′ 𝑑𝑒 𝑆𝑡𝑢𝑑𝑒𝑛𝑡, 𝑒𝑛 𝑢𝑛 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎 ′′1
− 𝛼 ′′ , 𝑐𝑜𝑛 𝑣 = 𝑛 − 1 𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑.
𝑆 = 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟.
∝
= 𝐼𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎
𝑛 = 𝑁𝑜. 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠 𝑑𝑒𝑝𝑢𝑟𝑎𝑑𝑜𝑠.
𝛼 𝑠
𝑡 ∗ = 𝐸𝑟𝑟𝑜𝑟 𝑑𝑒 𝑒𝑠𝑡𝑖𝑚𝑎𝑐𝑖ó𝑛
2 √𝑛
Representación gráfica
Ejemplo en Excel:
EJERCICIOS:
En una clínica se midieron 10 veces la estatura de un paciente en m remitido a
urgencias, hallar el error de estimación. Se tuvo en cuenta un intervalo de
confianza de 0,95.
En un intervalo de confianza del 95 % el valor real de la medición de la estatura

del paciente estará entre 1.58 cm y 1.65 cm, teniendo en cuenta que se
encontraron 2 equivocaciones en los datos.
PROPAGACIÓN DE ERRORES
El modelo:
∑ 𝐹(𝑥)2 = 𝐺 𝑥 2 𝐺 𝑇
∑ 𝐹(𝑥)2 : 𝐸𝑟𝑟𝑜𝑟 𝑒𝑛 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠.
𝐺: 𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑙𝑎𝑠 𝑑𝑒𝑟𝑖𝑣𝑎𝑑𝑎𝑠 𝑝𝑎𝑟𝑐𝑖𝑎𝑙𝑒𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑜 𝑎 𝑙𝑎𝑠

𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑢 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠.
∑ 𝑥 2 : 𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑙𝑜𝑠 𝑒𝑟𝑟𝑜𝑟𝑒𝑠 𝑒𝑛 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠.
𝐺 𝑇 : 𝑀𝑎𝑡𝑟𝑖𝑧 𝑡𝑟𝑎𝑛𝑠𝑝𝑢𝑒𝑠𝑡𝑎 𝑑𝑒 ′′𝐺 ′′ .

Ejemplo
En un intervalo de confianza de 95 % el valor probable de la diagonal está

entre 7,72 y 7,66 cm.
EJEMPLO
1) La fórmula para la frialdad producida por el viento "C" (en grados
Fahrenheit) es:
C  35.74  0.6215T  35.75v 0.16  0.4275Tv 0.16 Donde "v" es la velocidad del
viento en millas por hora y "T" es la temperatura en grados Fahrenheit. La
velocidad del viento y la temperatura se midieron en cierto lugar
obteniéndose los siguientes resultados:
Determinar el valor más probable de la frialdad con un intervalo de
confianza del 95% para las estimaciones de v y T.
v T
24,8 5
24 3,4
24,9 1,9
23,4 2
25,6 2,9
22 4,8
22,8 3
21,1 2,5
25 2,1
25,1 3,1
21 5
23,6 2,7
21,7 2,9
22 1,6
22,7 3,1
21,5 1,1
22,1 1,3
26 1,3
25,2 2,7
24 3,3
24,7 1,6
22 1,2
24,5 3,8
25,1 4,7
24,2 3,8
22,7 2,2
24,4
23,2
21,6
24,6
23,8
Se halla Zi, utilizando la fórmula:
𝑋𝑖 − 𝑥̅
𝑍𝑖 =
𝑠
Los Zi, que están subrayado de color rojo , son considerados equivocaciones.
Para hallar la desviación estándar, se utilizó:
√∑𝑛𝑖=1(𝑋𝑖 − 𝑋̅)2
𝑆=
𝑛−1
̅ )𝟐
Razón por la cual se agregó la columna de (𝑿𝒊 − 𝑿
a) Se deben eliminar los datos que al calcular Zi, son considerados equivocaciones
para continuar con el ejercicio.
14
El valor más probable de V es 23.79 con un error de estimación de 0.44, y límite superior
= 24.23 y límite inferior = 23.35.
El valor más probable de T es 2.84 con un error de estimación de 0.31, y límite superior
=3,15 y límite inferior = 2,52.
Para determinar el valor de la frialdad que cumpla la función utilizamos la propagación de
errores. C  35.74  0.6215T  35.75v 0.16  0.4275Tv 0.16
𝜕𝑐
 𝜕𝑇
= 0,6215 + 0,4275 ∗ 𝑉 0,16
𝝏𝒄
= 𝟎, 𝟔𝟐𝟏𝟓 + 𝟎, 𝟒𝟐𝟕𝟓 ∗ 𝟐𝟑, 𝟕𝟗𝟎,𝟏𝟔
𝝏𝑻
𝜕𝑐 −143 171
 𝜕𝑉
= ( 25
)∗ 𝑉 (−21/25) + (2500) ∗ (𝑇) ∗ (𝑉 (−21/25 )
𝝏𝒄 −𝟏𝟒𝟑 𝟐𝟏
(− ) 𝟏𝟕𝟏 −𝟐𝟏
= ( ) ∗ 𝟐𝟑, 𝟕𝟗 𝟐𝟓 + ( ) ∗ (𝟐, 𝟖𝟒) ∗ 𝟐𝟑, 𝟕𝟗( 𝟐𝟓 )
𝝏𝑽 𝟐𝟓 𝟐𝟓𝟎𝟎
∑ 𝐹(𝑥)2 = 𝐺 𝑥 2 𝐺 𝑇
Se concluye que el valor más probable de la frialdad es -19.85, con un límite inferior de -
19.89 y uno superior de -19.81.
Polinomio de Taylor
Es la aproximación de una función mediante un polinomio de grado ‘n’ en torno a
un valor del dominio de la función dada.
Pn(x): Valor aproximado.
F(x): Valor real.
La serie de Taylor:
′ (𝑿𝒐)(𝑿
𝑭′′(𝑿𝒐)(𝑿 − 𝑿𝒐)𝟐 𝑭𝒏 (𝑿𝒐)(𝑿 − 𝑿𝒐)𝒏
𝑷𝒏(𝒙) = 𝑭(𝑿𝒐) + 𝑭 − 𝑿𝒐) + + + 𝑹𝒏(𝒙)
𝟐! 𝒏!
Donde:
𝑛: Grado del polinomio que desea generar.
𝑋𝑜: Punto del entorno.
𝑅𝑛(𝑥): Error entre la función dada y el polinomio.
Tipos de errores que se generan en las aproximaciones de un modelo
analítico a uno numérico:
 Error absoluto:
𝑬𝒂 = |𝑉𝑅 − 𝑉𝑎𝑝𝑟𝑜𝑥|
 Error relativo:
𝑉𝑅 − 𝑉𝑎𝑝𝑟𝑜𝑥
𝑬𝒓 = | | ∗ 100
𝑉𝑅
 Error de redondeo: Se determina de acuerdo a las aproximaciones

realizadas con decimales.
1
Ejemplo: 𝑦 = 𝑔𝑡 2
2
Si g = 9.8 y t=2.548 segundos, el valor de Y será 31.8122896 m (VALOR REAL).
Redondeando el tiempo a un (1) solo decimal, es decir, t=2.5 seg, Y será 30.625
(VALOR APROXIMADO).
 Error de truncamiento:
1
Ejemplo: 𝑦 = 𝑔𝑡 2
2
Si g = 9.8 y t=2.548 segundos
Truncando el segundo decimal t= 2.54 seg, Y será 31.61284 m.
Nota: Si Xo= 0, el polinomio que se genera es el polinomio de Madavient.
Ejemplo:
CAPÍTULO II
SOLUCIÓN DE ECUACIONES NO LINEALES
Si se tiene:
𝑥2 = 1
𝑥 = ±1
Expresamos las raíces como función:
Conclusión: Las raíces de la función coinciden con las soluciones de la ecuación

inicial.
Hay raíz si f(a)*f(b) < 0
MÉTODO GRÁFICO:
𝒙
𝒇(𝒙) = 𝒙−𝒙 − 𝒍𝒏(𝒙𝟐 + 𝟏) − 𝒆𝒙𝟐 +𝟐 + 𝟑. 𝟐𝟑𝟖
Como no tiene solución analítica, igualamos a cero y se busca el valor de x, hasta
llegar a una tolerancia <= 1*10-6.
En Excel:
Se sigue el mismo procedimiento, hasta lograr la tolerancia pedida.

Se concluye que el valor más probable de x será 2,505310.

Ejemplo:
MÉTODO DE BISECCIÓN
Es un algoritmo que busca raíces dividiendo en dos un intervalo que previamente
ya sea gráficamente o tabulando se ha establecido que existe una raíz.
Para una mejor comprensión del algoritmo supongamos que f(x) es una función
continua definida en un intervalo [a,b] con f(a) y f(b) de signos diferentes entonces
podemos ubicar la raíz así:
Siempre
converge
(Agudelo)
 Primera iteración:
𝑎+𝑏
𝑃1 =
2
f(0)*f(Pi) < 0 , quiere decir que el límite superior se trasladó.
 Segunda iteración:
𝑎 + 𝑃2
𝑃2 =
2
Las imágenes F(0)*F(P2) > 0, quiere decir que se trasladó el límite inferior.
 Tercera iteración:
𝑃2 + 𝑃1
𝑃3 =
2
Las imágenes F(P2)*F(P3) < 0, quiere decir que se trasladó el límite superior.
EJEMPLOS
Realizamos la siguiente tabla:
Para la segunda fila de la tabla tenemos en cuenta las siguientes condiciones:
Para el nuevo valor de a: Si F(a)*F(Pn) da un resultado mayor a 0, entonces se

dejará el valor de Pn, sino el valor de a.
Para el nuevo valor de b: Si F(a)*F(Pn) da un resultado menor a 0, entonces se

dejará el valor de Pn, sino el valor de b.
Tolerancia:
= |𝑃𝑛 − 𝑃𝑛−1 |
Se replican las filas, hasta obtener la tolerancia deseada:
La solución para h garantizando 6 decimales es: 0.166165

2. La velocidad hacia arriba de un cohete se calcula con la siguiente formula:
 m0 
v  u ln    gt
 m0  qt 
Donde v=velocidad del cohete hacia arriba, u= velocidad con la que el combustible
sale del cohete, m0 = masa inicial del cohete en el t=0 , q=consumo de
combustible y g=9.8m/s2 . S i u=2.200m/s, m0 =160.000 kg, y q=2680kg/s,
calcule el tiempo en que v=1.000m/s .Con una tolerancia de 1*10-6 .
Reemplazando los valores dados en el problema en la fórmula.
160000
1000 = 2200𝑙𝑛 ( )
160000 − 2680𝑡
− 9.8𝑡
Expresada como función:
160000
𝐹(𝑥) = 2200𝑙𝑛 ( ) − 9.8𝑡 − 1000
160000 − 2680𝑡
Se realiza la tabla:
El valor de t = 25.942393
MÉTODO DE LA REGLA FALSA

 Método de intervalo cerrado [𝑎, 𝑏].
 En general converge más rápido que bisección.
Los cortes sucesivos de las reglas falsas se acercan a la raíz de la

función.Demostración del algoritmo:
El objetivo es hallar ‘Pn’ (Por semejanza de triángulos)

𝑃𝑛 − 𝑎 𝑏 − 𝑃𝑛
=
−𝑓(𝑎) 𝑓(𝑏)
𝑓(𝑏)(𝑃𝑛 − 𝑎) = −𝑓(𝑎)(𝑏 − 𝑃𝑛 )
𝑃𝑛 𝑓(𝑏) − 𝑎𝑓(𝑏) = −𝑏𝑓(𝑎) + 𝑃𝑛 𝑓(𝑎)
𝑃𝑛 𝑓(𝑏) − 𝑃𝑛 𝑓(𝑎) = −𝑏𝑓(𝑎) + 𝑎𝑓(𝑏)
𝑃𝑛 (𝑓(𝑏) − 𝑓(𝑎)) = −𝑏𝑓(𝑎) + 𝑎𝑓(𝑏)

𝒂𝒇(𝒃) − 𝒃𝒇(𝒂)
𝑷𝒏 =
𝒇(𝒃) − 𝒇(𝒂)
Se realiza la siguiente tabla:
Para la segunda fila, en valores de a y b, se utilizan las mismas condiciones que

para el método de bisección.
EJEMPLOS:
Se desglosa hasta obtener la tolerancia pedida.

Comprobación:
 
Cos e x  2  e x  2 CAMBIAR
Reemplazando x = 1,00762 en la ecuación:
-1,9999=-2 CAMBIAR
2. Hallar el valor de “x” para la siguiente ecuación x  Cosx  0 por el método

,
de bisección con una tolerancia <= 1*10-6 CAMBIAR
Se concluye que x = 2,538361

MÉTODO DE NEWTON-RAPHSON
Es uno de los métodos más poderosos y su convergencia es extremadamente
rápida, sin embargo en algunas ocasiones su convergencia es deficiente o no se
logra. La representación gráfica del método es:
(Agudelo)
La demostración geométrica es:
La pendiente de la recta tangente:

∆𝑦 𝑓(𝑋𝑖)
𝑚= =
∆𝑥 𝑋𝑖 − 𝑋𝑛
Como 𝑚 = 𝐹′(𝑋𝑖)
𝑓(𝑋𝑖)
Reemplazando 𝑓(𝑋𝑖) = 𝑋𝑖−𝑋𝑛
Despejando ‘Xn’
𝑓(𝑋𝑖)
𝑋𝑖 − 𝑋𝑛 =
𝑓′(𝑋𝑖)
𝑓(𝑋𝑖)
−𝑋𝑛 = − 𝑋𝑖
𝑓 ′ (𝑋𝑖)
𝒇(𝑿𝒊)
𝑿𝒏 = 𝑿𝒊 −
𝒇′ (𝑿𝒊)
EJEMPLOS
Se realiza la tabla:
Comprobación:
Comprobación:
MÉTODO DE LA SECANTE
El algoritmo
La pendiente de la recta secante

∆𝑦 𝑓(𝑋𝑖) − 𝑓(𝑋𝑖 − 1)
𝑚= =
∆𝑥 𝑋𝑖 − 𝑋𝑖−1
Si ∆𝑥 0
𝑚 ≅ 𝑓′(𝑋𝑖)
Reemplazando
𝑓(𝑋𝑖) − 𝑓(𝑋𝑖 − 1)
𝑓 ′ (𝑋𝑖) =
𝑋𝑖 − 𝑋𝑖−1
Recordemos Newton R:
𝒇(𝑿𝒊)
𝒇′ (𝑿𝒊)
Sustituyendo la aproximación de la recta tangente con la recta secante:
𝒇(𝑿𝒊)(𝑿𝒊 − 𝑿𝒊−𝟏 )
𝒇(𝑿𝒊 ) − 𝒇(𝑿𝒊−𝟏 )
 No converge: No converge para funciones simétricas, pero se puede

corregir corriendo uno de los puntos.
EJEMPLO
En esta tabla se termina de la misma manera que en método de Newton R los

ítems pedidos.
MÉTODO DE PUNTO FIJO
Es un método iterativo que permite resolver sistemas de ecuaciones no

necesariamente lineales. E particular se puede utilizar para determinar raíces de
una función de la forma f(x) , siempre y cuando se cumplan los criterios de
convergencia. Es el más lento y no siempre converge.
Dada una f(x), la descomponemos x=g(x)
Punto fijo es igual a la coordenada de la raíz.
Converge si |𝑔,(𝑥)|<1
No converge
Si g '(x) 1 y x0 g(Xi) entonces la iteración Xn g(n 1) no converge a Xi. En

este caso se dice que P es un punto fijo repulsivo y la iteración presenta
divergencia local.
EJEMPLO
CAPITULO III
SISTEMAS DE ECUACIONES NO LINEALES
MÉTODO DE NEWTON-RAPHSON EN VARIAS VARIABLES
El algoritmo
 X 1K   X 1( K 1)  Y1( K 1) 

 K   ( K 1)   ( K 1) 
 X 2   X 2  Y2 
 X K   X ( K 1)  Y ( K 1) 
 3    3  3 
.  .  . 
     
.  .  . 
 X K   X ( K 1)  Y ( K 1) 
 N  N   N 
Donde
 X 1K 
 K
X2 
X K 
 3   Iteracion K esima del sistema
. 
 
. 
X K 
 N
 X 1( K 1) 
 ( K 1) 
X2 
 X ( K 1) 
 3   Iteracion anterior a la K esima del sistema
. 
 
. 
 X ( K 1) 
 N 
También
Y1( K 1)    F1 ( X 1 , X 2 , X 3,........ X N ) K 1  

 ( K 1)   K 1

 2
Y    F2 ( X 1 , X 2 , X 3 ,........ X N ) 
Y ( K 1)   K 1 

  J X 1K 1 , X 2K 1 , X 3K 1 ,...... X NK 1  *   F3 ( X 1 , X 2 , X 3,........ X N )  
1
 3
.   . 
    
.    . 
Y ( K 1)    K 1  
 N    FN ( X 1 , X 2 , X 3,........ X N )  
Y (J) el Jacobiano se define como:
  F1 ( X 1 , X 2 , X 3,........ X N ) K 1 F1 ( X 1 , X 2 , X 3,........ X N ) K 1 F1 ( X 1 , X 2 , X 3,........ X N ) K 1 F ( X , X , X X ) K 1  

 , , ,.......... 1 1 2 3,........ N 
 X 1 X 2 X 3 X N 
  F ( X , X , X X ) K 1
F2 ( X 1 , X 2 , X 3,........ X N ) K 1
F2 ( X 1 , X 2 , X 3,........ X N ) K  1
F2 ( X 1 , X 2 , X 3,........ X N ) K 1 
  2 1 2 3,........ N , , ,.......... 
 X 1 X 2 X 3 X N 
 K 1 K 1 K 1 K 1 
J X 1
K 1
, X 2K 1 , X 3K 1 ,...... X NK 1  
F ( X , X , X
   3 1 2 3,........ N
X )
,
F3 ( X 1 , X 2 , X 3,........ X N )
,
F3 ( X 1 , X 2 , X 3,........ X N )
,..........
F3 ( X 1 , X 2 , X 3,........ X N ) 

X 1 X 2 X 3 X N
 
 . 
 . 
 
  FN ( X 1 , X 2 , X 3,........ X N ) K 1
FN ( X 1 , X 2 , X 3,........ X N ) K 1
FN ( X 1 , X 2 , X 3,........ X N ) K 1
FN ( X 1 , X 2 , X 3,........ X N )  
K 1
 , , ,.......... 
  X 1 X 2 X 3 X N  
EJEMPLO
SISTEMA DE ECUACIONES LINEALES
MÉTODO DE JACOBI
Requisito: La matriz de los coeficientes del sistema debe ser dominante en la

diagonal.
Ejemplo:
En F1 |5| ≥ |2| + |3|
𝟓≥𝟓
En F2 |−6| ≥ |2| + |1|
𝟔≥𝟑
En F3 |5| ≥ |1| + |1|
𝟓≥𝟐
Si no se cumple se pueden intercambiar filas y/o columnas hasta que la diagonal

sea dominante.
EJEMPLO:
Se deben despejar las incógnitas que nos brinda el problema para construir la
tabla en cada ecuación.
8 2 3
𝒙= − 𝑦− 𝑧
5 5 5
−1 1 1
𝒚= + 𝑥+ 𝑧
12 3 6
2 1 1
𝒛= − 𝑥− 𝑦
5 5 5
Se pide una tolerancia < 1*10-6.
Realizamos la siguiente taba:
Donde la tolerancia se determina igual que en métodos anteriores para cada

incógnita.
Para la iteración No. 2, los valores de x,y,z, serán en base a los datos de la
primera iteración, y así se repite hasta obtener la tolerancia pedida en los 3
valores.
Se concluye:
X=1.419463
Y=0.395973
Z=0.036913
Asegurando 6 decimales.
MÉTODO DE GAUSS SEIDEL
Es un método muy semejante al anterior, ya que manejan la misma tabla, pero los
valores de x,y,z en la segunda iteración, serán los nuevos de la misma. Es decir:
EJEMPLO:
1) Una compañía produce tres tipos de camisas: A,B,C, las cuales se procesan en
tres departamentos a saber : Corte , Confección y Empacado. El tiempo en horas
requerido para el procesamiento de cada camisa está dado por:
A B C
Corte 3 2 0.5
Confección 2 4 1
Empacado 0.8 1 2
El departamento de corte está disponible 1350 horas, el de Confección 1500 horas y el de
empacado 640 horas ¿Cuántas camisas de cada tipo pueden fabricarse para mantener
operando todo el tiempo disponible los departamentos?
Se deben organizar las ecuaciones para despejar.

𝟑𝑨 + 𝟐𝑩 + 𝟎. 𝟓𝑪 = 𝟏𝟑𝟓𝟎
𝟐𝑨 + 𝟒𝑩 + 𝑪 = 𝟏𝟓𝟎𝟎
𝟎. 𝟖𝑨 + 𝑩 + 𝟐𝑪 = 𝟔𝟒𝟎
Despejando A, B, C:
1350 − 2𝐵 − 5𝐶
𝑨=
3
1500 − 2𝐴 − 𝐶
𝑩=
4
640 − 0.8𝐴 − 𝐵
𝑪=
2
La tabla:
Acá se puede evidenciar que en la segunda iteración, el valor de A, se toma de

ella misma para calcular B.
Se replica hasta obtener la tolerancia pedida.
Se concluye:
A= 300.
B=199.999999.
C=100.
Asegurando 6 decimales.
2) Un ingeniero dispone de 5.000 horas –hombre, de mano de obra para tres
proyectos. Los costos por hora –hombre de los tres proyectos son de: U$
16, U$ 20, U$ 24, respectivamente , y el costo total es de es de U$ 106.000
. Si el número de horas –hombre para el tercer proyecto es igual a la suma
de las horas hombre requeridas por los dos primeros proyectos, calcule el
número de horas-hombre que puede disponerse en cada proyecto.
Las ecuaciones:
Despejando:
Se concluye:
X=1000.
Y=1500.
Z=2500.
Comprobación con Gauss Jordan:

Nota: 𝐴𝑥 = 𝑦
𝑥 = 𝐴−1 𝑦
UNIDAD IV
INTERPOLACIÓN
Estimar sobre un modelo generado a partir de datos experimentales.
INTERPOLACION POLINOMIAL:
- CASO I: Polinomio pase por todas las observaciones.
El polinomio
Dónde: 𝐴0, 𝐴1, 𝐴2: Coeficientes del polinomio, El grado del polinomio será “n-1”
datos. Los coeficientes.
Dónde:
-CASO II: Polinomio pase por el centro de los datos

 Si son 100 datos genera un polinomio de grado 99.
El criterio para definir el grado del polinomio es:

 Entre más grado se le asigna al polinomio, mejor va a ser el ajuste de los
datos.
 Comportamiento referente a polinomios pares.

 0° no está definido pero se deja a la 1 o se deja un 1.
 Clic derecho sobre la línea

 Cambio tipo gráfico, series.
 Comportamiento referente a polinomios impares.
EJEMPLOS:
CASO I
Se realizó el siguiente experimento: A un mismo artículo se tomaron las ventas

con diferentes precios así:
Precio Demanda-
ventas
x Y
50 80
56 70
62 61
74 50
80 45
87 30
El polinomio será:
𝑃(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3 + 𝑎4 𝑥 4 +𝑎5 𝑥 5
1. Realizamos la matriz X:
Donde A6 es el primer dato de la tabla en x y se replica hasta realizar esto con

todos los datos de la columna x.
2. Determinamos XT
En excel :
Se halla Y, que son los mismo valores de la tabla.
Calculamos:
(𝒙𝑻 ∗ 𝒙)−𝟏
(𝒙𝑻 ∗ 𝒚)
Los coeficientes del polinomio serán: (𝑥 𝑇 ∗ 𝑥)−1 ∗ (𝑥 𝑇 ∗ 𝑦)

Teniendo los datos de a0, a1, a2, a3, a4, a5 se reemplazan en:
𝑃(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3 + 𝑎4 𝑥 4 +𝑎5 𝑥 5
Se puede evidenciar que los valores de P(x) son muy semejantes a los de la
columna de Y.
Posteriormente se debe realizar una gráfica, donde se pueda observar que el

polinomio pasa por cada uno de los puntos de Y.
Polinomio de ajuste
90
80
70
60
Demanda
50
40 Polinomio de ajuste
30
Y
20
10
0
0 50 100
Precios
CASO II:
Se realizó el siguiente experimento: A un mismo artículo se tomaron las ventas

con diferentes precios así:
Demanda-
Precio ventas
x Y
50 80
56 70
62 61
74 50
80 45
87 30
Establecer un polinomio de ajuste que pase por el centro de los datos.
𝑃(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3
Graficamos los datos y de acuerdo al comportamiento, es un polinomio impar
elegimos grado 3.
Matriz X: Así como en el caso I, la matriz X, será cada uno de los datos de la
columna x, elevados desde 0 hasta 3 en este caso y se replica.
Matriz XT: Transponer la matriz X.
Matriz Y: Los mismos valores de la tabla.
Se calcula (𝑥 𝑇 ∗ 𝑥)−1 usando la función ‘’MINVERSA(MMULT’’ al tiempo como se

muestra en la imagen.
Posteriormente calculamos (𝑥 𝑇 ∗ 𝑦) así:

Finalmente para determinar los coeficientes del polinomio aplicamos la fórmula:

(𝑥 𝑇 ∗ 𝑥)−1 ∗ (𝑥 𝑇 ∗ 𝑦)
Dando los siguientes resultados, los cuales serán reemplazados en la ecuación
del polinomio.
a0 598,383516
a1 -22,180418
a2 0,31279424
a3 -0,00152746
Demanda-
Precio ventas
x Y P(x)
50 80 80,4152334
56 70 68,9557514
62 61 61,5412519
74 50 50,9288276
80 45 43,7717164
87 30 30,3872193
Se puede observar que los datos arrojados por el polinomio son muy cercanos a la
demanda, pero se concluye que entre mayor sea el grado de este, mayor será su
exactitud.
Graficamos el polinomio Vs la demanda para verificar que pasa por todos los
puntos.
Y
90
80
70
60
Demanda
50 Y
40
30
20 Polinomio de
10 ajuste
0
0 50 100
Precios
COEFICIENTE DE DETERMINACIÓN
Mide la bondad de ajuste entre la variable predictora y la variable independiente

en un modelo de ajuste.
𝟎 ≤ 𝑹𝟐 ≤ 𝟏
El polinomio pasa por todos los

datos.
No hay ningún tipo de asociación

entre las variables.
𝑋𝑖 𝑌𝑖 : 𝐷𝑎𝑡𝑜 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜.
̂ : 𝐸𝑠𝑡𝑖𝑚𝑎𝑐𝑖ó𝑛 𝑠𝑜𝑏𝑟𝑒 𝑒𝑙 𝑚𝑜𝑑𝑒𝑙𝑜.
𝑌𝑖
𝑒𝑖 : (𝑌𝑖 − 𝑌̂𝑖 )
𝑛
∑ 𝑒𝑖 = 0
𝑖=1
∑𝒏𝒊=𝟏 𝒆𝒊 𝟐 : 𝒎í𝒏𝒊𝒎𝒂 ̂ 𝒊 ) = 𝑺𝑺𝑬

∑𝒏𝒊=𝟏(𝒀𝒊 − 𝒀 Sumatoria de los
cuadrados de los errores.
∑𝒏
𝒊=𝟏 𝒀𝒊
̅=
𝒚 Media.
𝒏
∑𝒏𝒊=𝟏 𝒆𝑻 = 𝟎 ̂𝒊) = 𝟎
∑𝒏𝒊=𝟏(𝒀𝒊 − 𝒀
̂ 𝒊 )𝟐 : 𝒎í𝒏𝒊𝒎𝒐 = 𝑺𝑺𝑻 Sumatoria de los cuadrados de los

∑𝒏𝒊=𝟏(𝒀𝒊 − 𝒀
totales.
𝑺𝑺𝑬
𝑹𝟐 = 𝟏 −
𝑺𝑺𝑻
EJEMPLO
Dada la siguiente información, calcular y analizar el coeficiente de determinación.
Precipitación Flujo
88,9 114,7
94 161,4
99,1 130
101,6 172
104,1 152,9
116,8 175,8
121,9 239
132,1 206,4
139,7 269
Según el comportamiento de los datos elegimos un polinomio impar de grado "3".

𝑃(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3
Se realizan las mismas matrices que en los casos de interpolación (x,xT,y, (xT*x)-1,
( xT*y), (𝑥 𝑇 ∗ 𝑥)−1 ∗ (𝑥 𝑇 ∗ 𝑦)
Finalmente los coeficientes para el polinomio dieron los siguientes resultados:
a0 -1367,280205
a1 37,53605475
a2 -0,318675594
a3 0,00095493
Se realiza la siguiente tabla:

Con los valores ya calculados de SSE Y SET, podemos calcular R2
𝑆𝑆𝐸 3637.491
𝑹𝟐 = 1 − = 1− = 𝟎. 𝟖𝟏𝟖𝟑𝟓𝟏𝟔
𝑆𝑆𝑇 20024.9
Se realiza la gráfica:
300
250
Flujo (m3/seg)
200
150
Polinomiode ajusto
100 Flujo
50
0
80 100 120 140 160
Precipitación (cm)
Se concluye que el coeficiente de correlacion es de 0.8183, es decir

aproximadamente el flujo depende 81.83 % de la precipitación.
En la gráfica se pueden observar algunos datos fuera de la línea del polinomio de

ajuste lo que argumenta que no depende un 100% el flujo de la precipitación.
Se puede realizar la gráfica del flujo vs precipitación aparte, para confirmar la

ecuacion y los coeficientes del polinomio:
Flujo y = 0.001x3 - 0.3187x2 + 37.536x - 1367.3

300 R² = 0.8184
250
Flujo (m3/seg)
200
150
Flujo
100
50 Poly. (Flujo)
0
0 50 100 150
Precipitacion (cm)
POLINOMIO DE LAGRANGE
Es una forma de presentar el polinomio que interpola un conjunto de puntos dado.
El polinomio de colocación de lagrange estará

dado por:
Dónde:
𝑭(𝑿𝑶 ), 𝑭(𝑿𝟏 ) … 𝑭(𝑿𝒏 ): Variables de la variable de respuesta.
𝑳𝒏(𝟎) , 𝑳𝒏(𝟏) … 𝑳𝒏(𝒄) : Coeficientes de lagrange.
EJEMPLO
Si tenemos:
El polinomio:
𝑃(𝑥) = 5𝐿𝑛0 + (−1)𝐿𝑛1 + 2𝐿𝑛2
Coeficientes:
(𝑥 − 3)(𝑥 − 8) 𝑥 2 − 8𝑥 − 3𝑥 + 24 𝟏 𝟐 𝟏𝟏 𝟏𝟐
𝐿𝑛0 = = = 𝒙 − 𝒙+
(−2 − 3)(−2 − 5) 50 𝟓𝟎 𝟓𝟎 𝟐𝟓
(𝑥 + 2)(𝑥 − 8) 𝑥 2 − 8𝑥 + 2𝑥 − 16 𝟏 𝟐 𝟔 𝟏𝟔
𝐿𝑛1 = = = 𝒙 + 𝒙+
(3 + 2)(3 − 8) −25 𝟐𝟓 𝟐𝟓 𝟐𝟓
(𝑥 + 2)(𝑥 − 3) 𝑥 2 − 3𝑥 + 2𝑥 − 6 𝟏 𝟐 𝟏 𝟑
𝐿𝑛2 = = = 𝒙 − 𝒙−
(8 + 2)(8 − 3) 50 𝟓𝟎 𝟓𝟎 𝟐𝟓
Reemplazando Lnk en el polinomio:
1 11 12 1 6 16 1 1 3
𝑃(𝑥) = 5 ( 𝑥 2 − 𝑥 + ) − ( 𝑥 2 + 𝑥 + ) + 2 ( 𝑥 2 − 𝑥 − )
50 50 25 25 25 25 50 50 25
𝟗 𝟐 𝟔𝟗
𝑷(𝒙) = 𝒙 − 𝒙+𝟐
𝟓𝟎 𝟓𝟎
𝑷(𝒙) = 𝒂𝟐 𝒙𝟐 + 𝒂𝟏 𝒙 + 𝒂𝟎
EJEMPLO EXCEL
 Lnn: Se digita el despeje de cada uno de los Ln n y se reemplazan los
valores para X.
 P(x): Se remplazan acorde a la expresión los valores de Lnn y y.
Se replican estas funciones hasta el último valor de x(voltaje).

Se grafica Xi vs P(x):
5
4.5
4
3.5
Corriente
3
2.5
Polinomio P(X)
2
1.5 Y(Corriente)
1
0.5
0
-1 0 1 2 3
Voltaje
CAPÍTULO V
DERIVACIÓN NUMÉRICA
DIFERENCIA PROGRESIVA: Método que aproxima la derivada mediante una

recta secante.
La pendiente de la recta secante en el
triángulo:
∆𝑦 𝐹(𝑋𝑖 + ℎ) − 𝐹(𝑋𝑖)
𝑚= =
∆𝑥 ℎ
Si h 0
𝑚 ≅ 𝐹′(𝑋𝑖)
𝐹(𝑋𝑖 + ℎ) − 𝐹(𝑋𝑖)
𝑭′(𝑿𝒊) =
(Agudelo) ℎ
MÉTODO DE LOS 3 PUNTOS
Este método aproxima mejor la derivada, puesto que se emplean dos pasos
gráficamente:
La pendiente de la recta secante:
∆𝑦 𝐹(𝑋𝑖 + ℎ) − 𝐹(𝑋𝑖 − ℎ)
𝑚= =
∆𝑥 2ℎ
Si h 0 entonces, 𝑚 ≅ 𝐹′(𝑋𝑖)
𝑭(𝑿𝒊 + 𝒉) − 𝑭(𝑿𝒊 − 𝒉)
𝑭′(𝑿𝒊) =
𝟐𝒉
EJEMPLO
INTEGRACIÓN NUMÉRICA
𝑏
𝐴 = ∫ 𝑓(𝑥)𝑑𝑥 = 𝑓(𝑏) − 𝑓(𝑎)
𝑎
Siempre y cuando exista la anti derivada.

𝑏 2
∫𝑎 𝑒 𝑥 𝑑𝑥
𝑏
∫𝑎 √1 + 𝑐𝑜𝑠 2 𝑥𝑑𝑥
No tienen primitiva por lo tanto no
hay un valor analítico.
𝑏
∫ 𝑥𝑡𝑎𝑛𝑥 𝑑𝑥
𝑎
𝑏 −1 𝑥−𝜇 2
1 ( )
∫ 𝑒 2 𝜎 𝑑𝑥
𝑎 √2𝜋
Recordemos…
Hallar el área bajo f(x)=x2 en el intervalo [1,3]

Analíticamente
3
𝐴 = ∫ 𝑥 2 𝑑𝑥
1
1 3
𝐴= (3 − 13 )
3
26
𝐴= ≅ 8. 6̅
3
MÉTODO DEL TRAPECIO
ℎ ′
𝐴= (𝑏 + 𝑏)
2
𝑿𝟏
𝒉
∫ 𝒇(𝒙)𝒅𝒙 ≈ (𝒇(𝑿𝟎 ) + 𝒇(𝑿𝒊 )
𝑿𝟎 𝟐
En este caso:
3 (3 − 1)
∫ 𝑥 2 𝑑𝑥 ≅ ∗ (12 + 32 )
1 2
= 𝟏𝟎
Integración compuesta:
3 2 3
∫ 𝑥 𝑑𝑥 = ∫ 𝑥 𝑑𝑥 + ∫ 𝑥 2 𝑑𝑥
2 2
1 1 2
3
(2 − 1) 𝟓
∫ 𝑥 2 𝑑𝑥 ≅ ∗ (12 + 22 ) =
1 2 𝟐
3
(3 − 2) 𝟏𝟑
∫ 𝑥 2 𝑑𝑥 ≅ ∗ (22 + 32 ) =
1 2 𝟐
5 13
+ =9
2 2
26
−9
𝐸𝑟𝑟𝑜𝑟 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜 = | 3 | ∗ 100 = 3.85%
26
3
MÉTODO SIMPSON
CASO I: n=2
A partir (X0,f(X0)(X1,f(X1)) (X2,f(X2)).
Se genera un polinomio grado ‘’2’’ de Lagrange que al integrarlo es:

𝑿𝟐
𝒉
∫ 𝒇(𝑿𝟎 )𝒅𝒙 ≅ (𝒇(𝑿𝟎 ) + 𝟒𝒇(𝑿𝟏 ) + 𝒇(𝑿𝟐 ))
𝑿𝟎 𝟑
CASO II: n=3
Al generar un polinomio de lagrange grado ‘’3’’ y encontrar la integral:

𝑿𝟑
𝟑𝒉
∫ 𝒇(𝒙)𝒅𝒙 ≅ (𝒇(𝑿𝟎 ) + 𝟑𝒇(𝑿𝟏 ) + 𝟑𝒇(𝑿𝟐 ) + 𝒇(𝑿𝟑 )
𝑿𝟎 𝟖
EJEMPLO: Hallar el valor de la siguiente integral:

 Con Simpson n=2 :
Algoritmo:
 Con Simpson n=3 :

ECUACIONES DIFERENCIALES
𝑑𝑦
Sea = 𝑦 + 𝑡 3 + 1 con 𝑦(0) = 1
𝑑𝑡
La solución analítica
𝑑𝑦
− 𝑦 = 𝑡3 + 1
𝑑𝑡
El factor integrante
𝑒 −1 ∫ 𝑑𝑡 = 𝑒 −𝑡
𝑑𝑦
∫ 𝑒 −𝑡 ( − 𝑦) = ∫ 𝑒 −𝑡 (𝑡 3 + 1)𝑑𝑡
𝑑𝑡
𝑒 −𝑡 𝑦 = ∫ 𝑒 −𝑡 𝑡 3 𝑑𝑡 + ∫ 𝑒 −𝑡 𝑑𝑡
Derivamos Integramos
𝑡3 𝑒 −𝑡
3𝑡 2 −𝑒 −𝑡
6𝑡 𝑒 −𝑡
6 −𝑒 −𝑡
0 𝑒 −𝑡
𝑒 −𝑡 𝑦 = −𝑡 3 𝑒 −𝑡 + 3𝑡 2 𝑒 −𝑡 − 6𝑡𝑒 −𝑡 − 6𝑒 −𝑡 + (−𝑒 −𝑡 + 𝐶
𝑦 = −𝑡 3 + 3𝑡 2 − 6𝑡 − 7 + 𝐶𝑒 𝑡
La solución particular
𝑡=0 , 𝑦=1
1 = −7 + 𝐶
𝐶=8
𝟐
𝒚 = −𝒕𝟑 + 𝟑𝒕 − 𝟔𝒕 − 𝟕 + 𝟖𝒆𝒕
MÉTODO DE RUNGE KULTA ORDEN 4
El algoritmo general
1
𝑊𝑖 + 1 = 𝑊𝑖 + (𝐾1 + 2𝐾2 + 3𝐾3 + 𝐾4 )
6
Donde
𝐾1 = ℎ𝑓(𝑊𝑖, 𝑡𝑖 )
𝐾1 ℎ
𝐾2 = ℎ𝑓(𝑊𝑖 + , 𝑡𝑖 + )
2 2
𝐾2 ℎ
𝐾3 = ℎ𝑓(𝑊𝑖 + , 𝑡𝑖 + )
2 2
𝐾4 = ℎ𝑓(𝑊𝑖 + 𝐾3 , 𝑡𝑖 + ℎ)
𝑏−𝑎 b: Límite superior.

ℎ=
𝑁
a: Límite inferior.
N: Número de divisiones.
En este caso el intervalo de la aproximación [0,1].
1. Condiciones iniciales.
𝑊0 = 1 , 𝑡0 = 0
2. Determinamos ‘’h’’
1−0
ℎ= = 0.2
5
El paso se escoge cualquiera, pero entre más pequeño más exacto.
3. La función ecuación diferencial.

𝑓(𝑊𝑖; 𝑡𝑖 ) = 𝑊𝑖 + 𝑡 3 + 1
 Para ‘’K1’’
𝐾1 = 0.2(𝑊0 + 𝑡0 3 + 1)
𝐾1 = 0.2(1 + 03 + 1)
𝑲𝟏 = 𝟎. 𝟒
 Para ‘’K2’’
𝐾1 ℎ 3
𝐾2 = (0.2 (𝑊0 + ) + (𝑡0 + ) + 1)
2 2
0.4 0.2 3
𝐾2 = (0.2 (1 + ) + (0 + ) + 1)
2 2
𝑲𝟐 = 𝟎. 𝟒𝟒𝟎𝟏
 Para ‘’K3’’
𝐾2 ℎ 3
𝐾3 = (0.2 (𝑊0 + ) + (𝑡0 + ) + 1)
2 2
0.4402 0.2 3
𝐾3 = (0.2 (1 + ) + (0 + ) + 1)
2 2
𝑲𝟑 = 𝟎. 𝟒𝟒𝟒𝟐𝟐
 Para ‘’K4’’
𝐾4 = (0.2(𝑊0 + 𝐾3 ) + (𝑡0 + ℎ)3 + 1)
𝐾4 = (0.2(1 + 0.44422) + (0 + 0.2)3 + 1)
𝑲𝟒 = 𝟎. 𝟒𝟗𝟎𝟒𝟗𝟒
El algoritmo general
1
𝑊1 = 𝑊0 + (𝐾1 + 2𝐾2 + 3𝐾3 + 𝐾4 )
6
1
𝑊1 = 1 + (0.4 + 2 ∗ 0.4402 + 3 ∗ 0.44422 + 0.490494)
6
𝑊1 = 1.443214 ′′𝐺 ′′ ;′′ 𝑋 ′′ 𝑡1 = 0.2
Error relativo
𝑉𝑎𝑙𝑜𝑟 𝑎𝑛𝑎𝑙í𝑡𝑖𝑐𝑜 𝑦 = (−0.2)3 − 3(0.2)2 − 6(0.2) − 7 + 8𝑒 0.2
𝑦 = 1.443222065
1.443222063 − 1.443214
𝐸𝑟 = | | ∗ 100 = 𝟓. 𝟓 ∗ 𝟏𝟎−𝟒
1.443222065
Este método nos arroja un error bastante bajo, de lo cual podemos decir que es
muy preciso y exacto.
CONCLUSIONES
 Por medio del polinomio de Taylor se puede solucionar y hallar la incógnita

de una función, usando hasta sus 3 derivadas.
 Las ecuaciones no lineales, también se pueden resolver con diversos

métodos, unos con mayor exactitud y rapidez, entre ellos la regla falsa,
bisección, etc.
 Tanto para problemas de ingeniería como del común se pueden utilizar

estos métodos, con las herramientas brindadas en el libro y diversas
herramientas tecnológicas que facilitarán todo tipo de cálculos.
 Para problemas un poco más especiales, donde usamos integrales,

derivadas y ecuaciones diferenciales, por medio de tablas y cálculo en
ellas, se puede llegar a una posible solución, o parecida con cierto
porcentaje de error a la analítica.
 El uso de Excel, fue indispensable, ya que para muchos cálculos se

requerían incluso 1000 replicaciones, las cuales si se pueden
manualmente, pero esta herramienta facilita y da beneficios como ahorrar
tiempo, y una baja de posibles errores humanos al realizar cálculos.
 En todos los métodos se manejaron tablas, basadas en la información

brindada de las ecuaciones o problemas, que relacionadas con los
algoritmos, brindaban un resultado lo mayor preciso y exacto posible.
BIBLIOGRAFÍA
 Métodos numéricos para ingenieros: Steven (Chapra, Edición Mac Grow –

Hill)
 Análisis numérico. Richard L. Burdon. Ed. Tomson.

Libro Metodos Numericos

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

Libro Metodos Numericos

Cargado por

Copyright:

Formatos disponibles

Mayo de

Lina María González Téllez - 31511

Actualmente usamos las matemáticas en muchos aspectos de la vida así no nos

 Solucionar ecuaciones no lineales que no se pueden realizar por métodos

 Establecer una función polinómica a partir de unos datos experimentales

 Describir métodos de aproximación para derivadas, integrales y ecuaciones

Medir: Determinar la longitud, extensión, volumen o capacidad de una cosa por

Precisión: Grado de acercamiento relativo a un valor real.

En este ejemplo se puede observar que en el último dato, se presenta una

Estimación por intervalos del valor real

En un intervalo de confianza del 95 % el valor real de la medición de la estatura

∑ 𝐹(𝑥)2 : 𝐸𝑟𝑟𝑜𝑟 𝑒𝑛 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠.

𝐺: 𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑙𝑎𝑠 𝑑𝑒𝑟𝑖𝑣𝑎𝑑𝑎𝑠 𝑝𝑎𝑟𝑐𝑖𝑎𝑙𝑒𝑠 𝑑𝑒 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑜 𝑎 𝑙𝑎𝑠

∑ 𝑥 2 : 𝑀𝑎𝑡𝑟𝑖𝑧 𝑑𝑒 𝑙𝑜𝑠 𝑒𝑟𝑟𝑜𝑟𝑒𝑠 𝑒𝑛 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠.

𝐺 𝑇 : 𝑀𝑎𝑡𝑟𝑖𝑧 𝑡𝑟𝑎𝑛𝑠𝑝𝑢𝑒𝑠𝑡𝑎 𝑑𝑒 ′′𝐺 ′′ .

En un intervalo de confianza de 95 % el valor probable de la diagonal está

Se halla Zi, utilizando la fórmula:

Pn(x): Valor aproximado.

F(x): Valor real.

 Error de redondeo: Se determina de acuerdo a las aproximaciones

Conclusión: Las raíces de la función coinciden con las soluciones de la ecuación

Se sigue el mismo procedimiento, hasta lograr la tolerancia pedida.

Se concluye que el valor más probable de x será 2,505310.

Realizamos la siguiente tabla:

Para la segunda fila de la tabla tenemos en cuenta las siguientes condiciones:

Para el nuevo valor de a: Si F(a)*F(Pn) da un resultado mayor a 0, entonces se

Para el nuevo valor de b: Si F(a)*F(Pn) da un resultado menor a 0, entonces se

Se replican las filas, hasta obtener la tolerancia deseada:

La solución para h garantizando 6 decimales es: 0.166165

Reemplazando los valores dados en el problema en la fórmula.

MÉTODO DE LA REGLA FALSA

Los cortes sucesivos de las reglas falsas se acercan a la raíz de la

El objetivo es hallar ‘Pn’ (Por semejanza de triángulos)

𝑃𝑛 (𝑓(𝑏) − 𝑓(𝑎)) = −𝑏𝑓(𝑎) + 𝑎𝑓(𝑏)

Para la segunda fila, en valores de a y b, se utilizan las mismas condiciones que

Se desglosa hasta obtener la tolerancia pedida.

2. Hallar el valor de “x” para la siguiente ecuación x  Cosx  0 por el método

Se concluye que x = 2,538361

La pendiente de la recta tangente:

La pendiente de la recta secante

 No converge: No converge para funciones simétricas, pero se puede

En esta tabla se termina de la misma manera que en método de Newton R los

MÉTODO DE PUNTO FIJO

Es un método iterativo que permite resolver sistemas de ecuaciones no

Punto fijo es igual a la coordenada de la raíz.

Si g '(x) 1 y x0 g(Xi) entonces la iteración Xn g(n 1) no converge a Xi. En

MÉTODO DE NEWTON-RAPHSON EN VARIAS VARIABLES

 X 1K   X 1( K 1)  Y1( K 1) 

Y1( K 1)    F1 ( X 1 , X 2 , X 3,........ X N ) K 1  

Y (J) el Jacobiano se define como:

  F1 ( X 1 , X 2 , X 3,........ X N ) K 1 F1 ( X 1 , X 2 , X 3,........ X N ) K 1 F1 ( X 1 , X 2 , X 3,........ X N ) K 1 F ( X , X , X X ) K 1  

SISTEMA DE ECUACIONES LINEALES

Requisito: La matriz de los coeficientes del sistema debe ser dominante en la

En F1 |5| ≥ |2| + |3|

Si no se cumple se pueden intercambiar filas y/o columnas hasta que la diagonal

Donde la tolerancia se determina igual que en métodos anteriores para cada

Se deben organizar las ecuaciones para despejar.

Acá se puede evidenciar que en la segunda iteración, el valor de A, se toma de

Comprobación con Gauss Jordan:

-CASO II: Polinomio pase por el centro de los datos

El criterio para definir el grado del polinomio es:

 Comportamiento referente a polinomios pares.