Asmar PDF

CAPÍTULO 1.
ERRORES DE REDONDEO Y ESTABILIDAD
INTRODUCCIÓN
Al momento de aplicar las Matemáticas a situaciones del mundo real nos encontramos a
menudo con problemas que no pueden ser resueltos analíticamente o de manera exacta y
cuya solución debe ser abordada con ayuda de algún procedimiento numérico. A
continuación consideramos algunos problemas típicos, ya formulados matemáticamente,
para los cuales estudiaremos técnicas numéricas de solución.
Problema 1.1 Encontrar el área de la región comprendida entre las gráficas de y = 2sen x ,
y = e − x con x ∈[0,π] . ♦
Problema 1.2 Encontrar las raíces de la ecuación polinómica
x5 + 11x4 − 21x3 − 10 x2 − 21x − 5 = 0 ♦
Problema 1.3 Resolver los siguientes sistemas de ecuaciones:
a) El sistema lineal AX = b con
 2 −1 0 0 0  3
   
 −1 2 −1 0 0  −2
A =  0 −1 2 −1 0 b =  2
   
 0 0 −1 2 −1  −2
   
 0 0 0 −1 2  1
b) El sistema no-lineal
 x2 + xy 3 = 9
 2
 3 x y − y 3 = 4 ♦
Problema 1.4 Dada la siguiente tabla de datos correspondiente a una cierta función y = f (x) ,
xk −2 −1 0 1 2 3
f (xk ) −5 1 1 1 7 25
TABLA 1.1
encontrar el polinomio de menor grado que pase a través de los puntos dados.
Cuál será una estimación para los valores f (x) correspondientes a x = −15
. y x = 15
. ? ♦
Problema 1.5 Hallar el valor de cada una de las siguientes integrales:

2 MÉTODOS NUMÉRICOS
__________________________________________________________________________________
1 1
sen x
∫ ∫e
x2
a) dx b) dx
x
0 0
π
2 3
sen 2 x 1
c) ∫ 1−
4
dx (elíptica) d) ∫ ln xdx
2
♦
0
Problema 1.6 Resolver el problema de valor inicial
 d2 θ dθ
 2 + + 16 sen θ = 0
dt dt

θ 0 = π , θ ′ 0 = 0
 ( ) 4 () ♦
En relación con los problemas anteriores, tenemos que:
En el problema 1.1, es necesario determinar los puntos de intersección de las gráficas de

y = 2sen x y y = e − x , para lo cual debemos resolver la ecuación 2sen x = e − x y no
disponemos de un método algebraico para hacerlo.
En el problema 1.2, se trata de hallar los ceros de un polinomio de grado 5 y, como sabemos,
sólo se conocen métodos algebraicos para encontrar raíces de ecuaciones polinómicas de
grado menor o igual que 4.
En el problema 1.3, tenemos dos sistemas de ecuaciones: El de la parte a) es lineal y

conocemos métodos de solución (por ejemplo, el método de eliminación Gaussiana), sin
embargo, para sistemas de tamaño mayor, no sólo es conveniente sino necesario
implementar tales métodos a través del computador (método numérico). En la parte b)
tenemos un sistema no-lineal y no conocemos métodos algebraicos generales para
resolverlo.
El problema 1.4 se puede resolver analíticamente (por interpolación), sin embargo para
determinar los coeficientes de dichos polinomios existen técnicas que permiten encontrarlos
rápidamente y que pueden implementarse en el computador.
El problema 1.5, corresponde a integrales definidas cuyo integrando tiene antiderivada que
no es elemental.
Finalmente, en el problema 1.6, la ecuación diferencial ordinaria
d2 θ dθ
2
+ + 16 sen θ = 0 (ecuación de movimiento de un péndulo)
dt dt
es no-lineal (por la presencia de senθ ) y no disponemos de un método analítico para

resolverla.
Capítulo 1. ERRORES DE REDONDEO Y ESTABILIDAD 3
__________________________________________________________________________________
Los problemas anteriores sirven como motivación para el estudio de cinco grandes temas en
un primer curso de métodos numéricos: solución numérica de una ecuación no-lineal en
una variable, solución numérica de sistemas de ecuaciones lineales y no-lineales,
interpolación polinomial, integración numérica y solución numérica de problemas de valor
inicial para ecuaciones diferenciales ordinarias.
Qué es un método numérico?
Un método numérico es un procedimiento mediante el cual se obtiene, casi siempre de

manera aproximada, la solución de ciertos problemas realizando cálculos puramente
aritméticos y lógicos (operaciones aritméticas elementales, cálculo de funciones, consulta de
una tabla de valores, cálculo proposicional, etc.). Un tal procedimiento consiste de una lista
finita de instrucciones precisas que especifican una secuencia de operaciones algebraicas y
lógicas (algoritmo), que producen o bien una aproximación de la solución del problema
(solución numérica) o bien un mensaje. La eficiencia en el cálculo de dicha aproximación
depende, en parte, de la facilidad de implementación del algoritmo y de las características
especiales y limitaciones de los instrumentos de cálculo (los computadores). En general, al
emplear estos instrumentos de cálculo se introducen errores llamados de redondeo.
1.1 ARITMÉTICA FINITA
Siendo los computadores la herramienta básica en los métodos numéricos es conveniente

indicar cómo son los números del computador y cómo se simula su aritmética.
La mayoría de los computadores usan sólo un subconjunto finito, relativamente pequeño, de

los números reales para representar a "todos" los números reales; este conjunto, que sólo
contiene números racionales y que describiremos más adelante, es llamado conjunto de
números de punto flotante o conjunto de números de máquina en punto flotante o
simplemente conjunto de punto flotante.
Cada número del computador se representa mediante un número finito de dígitos (aritmética
finita), según se indica a continuación:
Un número del computador o de punto flotante, distinto de cero, se describe

matemáticamente en la forma
σ × (.a1a 2 ... a t )β × β e
forma en la cual los símbolos que allí aparecen, tienen el siguiente significado:
σ = +1 o σ = −1 es el signo del número.
β es un entero que denota la base del sistema numérico usado. Por lo general β = 2
(Sistema Binario), β = 8 (Sistema Octal) o β = 16 (Sistema Hexadecimal).
, ,..., t , es un entero con 0 ≤ ai ≤ β − 1 . Los enteros 0,1,..., β − 1 son llamados dígitos

ai , i = 12
en la base β . Nosotros asumiremos en todo lo que sigue que a1 ≠ 0 , en cuyo caso el
número se dice que está en forma normalizada.
__________________________________________________________________________________
(.a1a2 ... a t )β denota la suma

a1
+
a2
+...+
at
y es llamada la mantisa o fracción del número
β 1
β 2
βt
de punto flotante.
El entero t indica el número de dígitos en la base β que se usan para representar el

número de punto flotante, y es llamado precisión. Por lo general t = 6 o t = 7 con β = 10
(precisión sencilla), t = 14 o t = 15 con β = 10 (doble precisión). En algunos computadores
se pueden hacer representaciones en precisión sencilla, doble precisión e incluso en
precisión mayor.
e es un entero llamado el exponente, y es tal que L ≤ e ≤ U para ciertos enteros L y U; es

común encontrar L = −U o L = −U ± 1. Un caso frecuente es L = −63 y U = 64 , para un total
de 128 posibles exponentes.
El número cero requiere una representación especial.
De acuerdo con lo anterior un conjunto de punto flotante F queda caracterizado por cuatro
parámetros:
a) La base β ,
b) La precisión t ,
c) Los enteros L y U tales que L ≤ e ≤ U , donde e es el exponente.
Cualesquiera sean los parámetros elegidos, los conjuntos de punto flotante correspondientes
comparten las mismas características cualitativas, entre ellas la carencia de algunas de las
propiedades algebraicas de que gozan los números reales.
Una de las características de todo conjunto de punto flotante F es que es finito y tiene
2(β − 1)β (U − L + 1) + 1
t −1
números diferentes (incluyendo el cero), y donde los distintos de cero están en forma
normalizada. En efecto:
a1 puede tomar β − 1 valores y ai , i = 2,3,..., t puede tomar β valores, así que hay
(β − 1)β!"
... β = (β − 1)β
#
t −1
fracciones positivas distintas.
t −1
Ahora, considerando que el número de posibles exponentes es U − L + 1, que el número de

punto flotante puede ser positivo o negativo, y teniendo en cuenta que el número cero está
también en el conjunto de punto flotante, concluímos que el conjunto F tiene
2(β − 1)β (U − L + 1) + 1
t −1
números diferentes.
__________________________________________________________________________________
Lo anterior nos dice que se usan 2(β − 1)β t −1(U − L + 1) + 1 números de punto flotante para
"representar" el conjunto continuo de los números reales (que es infinito), lo que implica que
muchos números reales tendrían que ser representados por un mismo número de punto
flotante.
Como ejemplo, consideremos el conjunto de punto flotante F con parámetros β = 2

(Binario), t = 3 , L = −1, U = 2 . Tal conjunto F tiene
(
2(2 − 1)2 3 −1 2 − (−1) + 1 + 1 = 33 )
números diferentes (incluyendo el cero).
Los números de F , distintos de cero, son de la forma
±(.a1a 2 a 3 )2 × 2 e
con a1 = 1, a 2 , a 3 = 0, 1 y e = −1, 0, 1, 2 ; así que las fracciones positivas distintas son:
(.100)2 = 2 +
1 0 0 1 8
2
+ 3
= =
2 2 2 16
(.101)2 = 21 + 0
2
+
1
3
=
5 10
=
8 16
2 2
(.110)2 = 21 + 1
2
+
0
3
=
3 12
=
4 16
2 2
(.111)2 = 2 +
1 1 1 7 14
+ = =
22 23 8 16
Combinando estas mantisas con los exponentes, obtenemos todos los números positivos de
F que aparecen en la TABLA 1.2 siguiente.
MANTISA EXP. − 1 EXP. 0 EXP. 1 EXP. 2
(.100)2 = 16 (.100)2 × 2 −1 = 16 (.100)2 × 20 = 16 (.100)2 × 21 = 16 (.100)2 × 22 = 16

8 4 8 16 32
(.101)2 = 16 (.101)2 × 2 −1 = 16 (.101)2 × 20 = 16 (.101)2 × 21 = 16 (.101)2 × 22 = 16

10 5 10 20 40
(.110)2 = 16 (.110)2 × 2 −1 = 16 (.110)2 × 20 = 16 (.110)2 × 21 = 16 (.110)2 × 22 = 16

12 6 12 24 48
(.111)2 = 16 (.111)2 × 2 −1 = 16 (.111)2 × 20 = 16 (.111)2 × 21 = 16 (.111)2 × 22 = 16

14 7 14 28 56
TABLA 1.2
__________________________________________________________________________________
Como estamos más familiarizados con los números decimales (en base β = 10 ), los 33
elementos de F en forma (racional) decimal son
4 5 6 7 8 10 12 14
0, ± , ± , ± , ± , ± , ± , ± , ± ,
16 16 16 16 16 16 16 16
16 20 24 28 32 40 48 56
± , ± , ± , ± , ± , ± , ± , ± .
16 16 16 16 16 16 16 16
Una representación de los números positivos y el cero de F en la recta real se muestra en

la FIGURA 1.1 siguiente.
FIGURA 1.1
Algunos hechos que se pueden observar en un conjunto de punto flotante F son:

1. Todo número real x que entra en el computador o que es el resultado de un cálculo, es
reemplazado (si es posible) por un número de punto flotante que notaremos fl(x). Existen
reglas para escoger tal número (reglas de redondeo), por lo general es el número de punto
flotante más cercano a x. La diferencia x − fl(x) se llama error (absoluto) de redondeo.
2. Si observamos la distribución de los elementos de F , en la recta real, vemos que no

están igualmente espaciados (están más densamente distribuídos el la cercanía del cero), lo
que implica que el error de redondeo puede depender del tamaño del número (entre más
grande sea el número en valor absoluto, mayor puede ser el error de redondeo).
4 1
En el ejemplo, el número de punto flotante positivo más pequeño es = , y el número de
16 4
56 7
punto flotante positivo más grande es = .
16 2
En general, en un conjunto de punto flotante F con parámetros β, t, L y U, se tiene que
FL = (.100...0)β × βL = βL −1
1
es el número de punto flotante positivo más pequeño (para el ejemplo, FL = 2 −1−1 = ), y
4
U
(
FU = (. γγ ... γ )β × β = 1 − β
−t
)β U
con γ = β − 1
__________________________________________________________________________________
es el número de punto flotante positivo más grande (para el ejemplo, FU = 1 − 2 −3 2 2 = ( ) 7

2
)
A la región RL = { x ∈ R / 0 < x < FL } se le llama región de underflow o subflujo, y en

algunos computadores si un número real cae en esta región, el número es redondeado a
cero.
Por otra parte, a la región RU = { x ∈ R / x > FU }, se le llama región de overflow o

sobreflujo, y en algunos computadores si un número real cae en esta región, el número es
redondeado al número de punto flotante más cercano ( FU , − FU ) o se informa del fenómeno
overflow.
Se define como rango del conjunto F, al conjunto
R F = {x ∈ R / x = 0 o FL ≤ x ≤ FU }
De acuerdo con ésto, todo número de punto flotante, distinto de cero, fl(x), debe satisfacer
FL ≤ fl(x) ≤ FU
3. La combinación aritmética usual + , − , × , ÷ de dos números de punto flotante no

siempre produce un número de punto flotante.
Supongamos que fl(x), fl(y) ∈ F . Veamos, como ejemplo, que la suma usual fl(x) + fl(y) no
necesariamente será un número en F . Para ello consideremos el conjunto de punto flotante
fl(x) = fl(y) =
28 5
F dado en el ejemplo: ∈F , ∈F , sin embargo
16 16
fl(x) + fl(y) =
28 5 33
+ = ∉F . Luego la adición usual no es cerrada en el sentido
16 16 16
matemático ordinario.
Una manera de simular la adición y las demás operaciones aritméticas entre números reales,
pero realizadas por el computador es la siguiente:
Si x e y son números reales en el rango de F , definimos las operaciones ⊕ , , ⊗ y ,a

las que nos referiremos como operaciones de punto flotante, así
( )
x ⊕ y = fl fl(x) + fl(y)
x y = fl(fl(x) − fl(y))
x ⊗ y = fl(fl(x) × fl(y))
x y = fl(fl(x) ÷ fl(y))
donde +, −, × y ÷ son las operaciones aritméticas usuales.

__________________________________________________________________________________
Ilustraremos estas operaciones en el conjunto F del ejemplo, al tiempo que pondremos de

manifiesto la carencia de ciertas propiedades para tales operaciones. Supondremos que fl(x)
se escoge como el número de punto flotante más cercano a x y que cuando el número x
equidista de dos números de punto flotante, se escoge fl(x) como el más cercano a la
derecha si es positivo o el más cercano hacia la izquierda si es negativo:
28 5
Tomemos en F , los números y y supongamos que x, y ∈ R son tales que
16 16
fl(x) = y fl(y) =
28 5
. Entonces
16 16
 28 5   33  32
x ⊕ y = fl +  = fl  =
 16 16   16  16
 28 5   23  24
x y = fl −  = fl  =
 16 16   16  16
 28 5   35  32 8
x ⊗ y = fl ×  = fl  = =
 16 16   64  64 16
 28 5   28  56
x y = fl ÷  = fl  = (fenómeno overflow)
 16 16   5  16
28 56
↑ Overflow, ya que > = FU
5 16
∈ F y supongamos que z ∈ R es tal que fl(z) =

6 6
Tomemos , entonces
16 16
 6 5  1
z y = fl −  = fl  = 0 (fenómeno underflow)
 16 16   16 
1 4
↑ Underflow, ya que 0 < < = FL
16 16
∈ F , entonces existen u, v,w ∈ R tales que fl(u) = 1,

16 7 14 5 10
Como 1 = , = , =
16 8 16 8 16
fl(v) = y fl(w ) = . Entonces
7 5
8 8
  7 5   2
u ⊕ (v w ) = fl 1 + fl −   = fl 1 + fl  
  8 8   8
 2  10  10 20
= fl 1 +  = fl  = =
 8  8 8 16
__________________________________________________________________________________
  7 5   15  5 
(u ⊕ v) w = fl fl 1 +  −  = fl fl  − 
  8 8   8  8
 16 5   11 24
= fl −  = fl  =
 8 8  8  16
luego
u ⊕ (v w ) ≠ (u ⊕ v) w
Análogamente, como 3 ∈ F , entonces existe r ∈ R tal que fl(r ) = 3 y se tiene que
  5 28     35  
r ⊗ (y ⊗ x) = fl 3 × fl ×   = fl 3 × fl  
  16 16     64  
 32   96   24  24
= fl 3 ×  = fl  = fl  =
 64   64   16  16
 28   28 
(r ⊗ y) ⊗ x = fl fl 3 × 16  × 16  = fl fl 16  ×  16  
5 15
   
 16 28   28  28
= fl ×  = fl  =
 16 16   16  16
Así que,
r ⊗ (y ⊗ x) ≠ (r ⊗ y) ⊗ x
∈ F , existe s ∈ R tal que fl(s ) =

1 1
Finalmente, como y
4 4
  7 1    5
r ⊗ (v s) = fl 3 × fl −   = fl 3 × fl  
  8 4   8
 5  15  32
= fl 3 ×  = fl  =
 8  8  16
Como
 7  21 20
r ⊗ v = fl 3 ×  = fl  =
 8 8 8
 1  3 3
r ⊗ s = fl 3 ×  = fl  =
 4  4 4
entonces
 20 3   14  28
(r ⊗ v) (r ⊗ s) = fl −  = fl  =
8 4  8  16
__________________________________________________________________________________
Así que
r ⊗ (v s) ≠ (r ⊗ v) (r ⊗ s)
1.2 ERRORES DE REDONDEO
Sabemos que todo número real x ≠ 0 puede escribirse en la forma decimal normalizada
siguiente
x = ±(. a1a 2 ... a t a t +1 ... ) × 10 n , n algún entero.
Para simplificar el análisis de los errores de redondeo, supongamos que nuestro conjunto de
punto flotante F es de t-dígitos (precisión t) en base 10 (decimal); en tal caso la forma de
punto flotante (normalizada) de x, fl(x) , se obtiene finalizando la mantisa de x después de t-
dígitos. Se acostumbran dos formas para hacerlo:
i. Cortando o truncando el número x: En este caso
fl(x) = ±(. a1a 2 ... a t ) × 10 n , (no importa como sea a t+1 )
ii. Redondeando el número x: En este caso
 ± (. a1a2 ... a t ) × 10 n , si 0 ≤ a t +1 < 5


fl(x) = 
 ± .
 ( a1a2 ... a t ) × 10 ± 1.0 × 10 ,
n n− t
si a t +1 ≥ 5
El error x − fl(x) que resulta al reemplazar un número x por su representante de punto

flotante, fl(x), se seguirá denominando error de redondeo, independientemente de que se
use el método de cortado o de redondeo.
Ejemplo 1.1 Supongamos t = 5 y usemos las reglas de redondeo y cortado para encontrar
el representante de punto flotante decimal en cada uno de los siguientes casos:
a) e = 2.718281828... (irracional)
= (.2718281828...) × 101 (forma decimal normalizada)
Entonces
(.27182) × 101, cortando

fl(e) = 

(.27183 ) × 10 , ( ya que a 6 = 8 > 5 )
1
redondeando
__________________________________________________________________________________
b) π = 3.141592653... (irracional)
= (.3141592653...) × 101 (forma decimal normalizada)
Entonces
(.31415) × 101, cortando

fl(π) = 

(.31416) × 10 ,
1
redondeando
c) x = −123456789 (racional)
= −(.123456789) × 10 9 (forma decimal normalizada)
Entonces
−(.12345 ) × 10 9 , cortando

fl(x) = 

−(.12346 ) × 10 ,
9
redondeando
d) y =.0000213475 (racional)
= (.213475 ) × 10 −4 (forma decimal normalizada)
Entonces
(.21347) × 10 −4 , cortando

fl(y) = 

(.21348) × 10 ,
−4
redondeando
Qué pasa si se redondea el número y antes de normalizarlo?
=.6666666... (racional, periódico)

2
e) z =
3
= (.6666666...) × 10 0 (forma decimal normalizada)
Entonces
(.66666 ) × 10 0 , cortando

fl(z) = 

(.66667 ) × 10 ,
0
redondeando ♦
Cómo medir los errores de redondeo?
Hay varias formas acostumbradas para medir errores de aproximación; algunas de ellas se
dan en la siguiente definición.
__________________________________________________________________________________
Definición 1.1 Sea x∗ una aproximación de un número real x. El error de x∗ con

respecto a x es ∈= x − x∗ ; el error absoluto de x∗ con respecto a x es E = x − x∗ y el
∗
x − x∗
error relativo de x con respecto a x, x ≠ 0 , es Er = . También se define el error
x
porcentual de x∗ con respecto a x, como Er × 100 y se expresa en porcentaje (%). ∇
Un caso particular de aproximación de un número x es cuando x∗ = fl(x) , y se tiene

x − fl(x)
E = x − fl(x) y Er = , x≠0
x
Ya vimos que el error de redondeo puede depender del tamaño del número, pues los
números de punto flotante no están distribuidos de manera uniforme en la recta real; desde
este punto de vista el error relativo es una mejor medida del error de redondeo que el error
absoluto.
Estimemos la menor cota superior para el error relativo cuando un número real x ≠ 0 es
aproximado por su representante de punto flotante, fl(x) , en una aritmética decimal de t-
dígitos.
Sea
x = (. a1a 2 ... a t a t +1...) × 10 n , n algún entero,
un número real positivo cualquiera en forma decimal normalizada.
Si fl(x) se obtiene por redondeo, tenemos:
a) Si 0 ≤ a t +1 < 5 , entonces
fl(x) = (. a1a 2 ... a t ) × 10 n
y entonces
(. a1a2 ... a t a t +1...) × 10 n − (. a1a2 ... a t ) × 10 n
Er =
(. a1a2 ... a t a t +1...) × 10n
(. a t +1a t + 2 ...) × 10 n− t
=
(. a1a2 ... a t a t +1...) × 10 n
(. a t +1a t + 2 ...)
= × 10 − t
(. a1a2 ... a t a t +1...)
.5
< × 10 − t = 5 × 10 − t
.1
__________________________________________________________________________________
b) Si 5 ≤ a t +1 ≤ 9 , entonces
fl(x) = (. a1a 2 ... a t ) × 10 n + 10
. × 10 n − t
así que
(. a1a2 ... a t a t +1...) × 10 n − [(. a1a2 ... a t ) × 10 n + 10
. × 10 n − t ]
Er =
(. a1a 2 ... a t a t +1...) × 10n
(. a t +1a t + 2 ...) × 10n− t − 10 . × 10 n − t
=
(. a1a2 ... a t a t +1...) × 10n
(. a t +1a t + 2 ...) − 10
.
= × 10 − t
(. a1a2 ... a t a t +1...)
.5
≤ × 10 − t , ya que . a t +1a t + 2 ... ≥ .5
(. a1a2 ... a t a t +1...)
.5
< × 10 − t = 5 × 10 − t
.1
ya que . a1a 2 ... a t a t +1... ≥ .10 ... 05 > .100...00

↑
posición t + 1
De a) y b) se tiene que si x ≠ 0 , x ∈ R F y fl(x ) se obtiene por redondeo, entonces
x − fl(x)
Er = < 5 × 10 − t
x
−t
y 5 × 10 es la menor cota superior para el error relativo.
Observe, en el trabajo anterior, que E = x − fl(x) ≤ 5 × 10 n −( t +1) .
Se puede verificar que si fl(x) se obtiene por cortado, entonces
x − fl(x)
Er = < 10 × 10 − t = 10 − t +1 , y
x
E = x − fl(x) ≤ 10 × 10 ( )
n − t +1
Ejemplo 1.2 Encuentre el error absoluto y el error relativo de x∗ con respecto a x, en cada
uno de los siguientes casos:
a) x = (.50) × 10 2 , x∗ = (.51) × 10 2 . Entonces

__________________________________________________________________________________
E= (.5) × 10 2 − (.51) × 10 2 = −(.01) × 10 2 = (.1) × 101 = 10

.
(.1) × 101 = .1 = 1 = .2 × 10 −1 =
Er = ( ) .02 ≡ 2%
(.5) × 10 2 (.5) × 101 50
b) x = (.50) × 10 −3 , x∗ = (.51) × 10 −3 . Entonces
E = (.01) × 10 −3 = (.1) × 10 −4 = .00001
Er =
(.1) × 10 −4 = (.1) × 10 −1 = 1 = .02 ≡ 2%
(.5) × 10 −3 .5 50
c) x = (.50) × 10 6 , x∗ = (.51) × 10 6 . Entonces
E = (.01) × 10 6 = (.1) × 10 5 = 10000
Er =
(.1) × 10 5 = .1 = 1 = .02 ≡ 2% ♦
(.5) × 10 6 (.5) × 101 50
Este ejemplo nos muestra que el error relativo es invariante al cambio de escala y se usa
como una medida de precisión o cercanía.
Teniendo en cuenta la menor cota superior para el error relativo usando redondeo, se define
el concepto de cifras significativas.
∗
Definición 1.2 Se dice que el número x aproxima con sus primeros t-dígitos o cifras
significativas al número x ≠ 0 , si t es el mayor entero no negativo para el cual
x − x∗
Er = < 5 × 10 − t
x
Los t-dígitos significativos, a que se refiere esta definición, son los primeros t-dígitos en la
mantisa de x∗ cuando x∗ se escribe en forma decimal normalizada. ∇
De acuerdo con la definición anterior, si x∗ = fl(x) en una aritmética de punto flotante

decimal con redondeo a t-dígitos, entonces fl(x) aproxima a x con t cifras significativas, es
decir, todos los dígitos en la mantisa de fl(x) son significativos con respecto a x.
También se define el concepto de cifras decimales exactas, como sigue:
Definición 1.3 Se dice que el número x∗ aproxima con sus primeras k-cifras decimales
exactas al número x, si k es el mayor entero no negativo tal que
__________________________________________________________________________________
E = x − x∗ ≤ 5 × 10 ( )
− k +1
Las k cifras decimales exactas, a que se refiere esta definición, son las primeras k cifras
contadas a partir del punto decimal en x∗ , cuando x∗ se escribe en forma decimal. ∇
Los dos conceptos anteriores pueden aparecer definidos de manera distinta en otros textos.
Aquí se usarán las definiciones dadas.
Ejemplo 1.3 Si x = .003451 y x∗ = .003348 , entonces
.00005 < x − x∗ = .000103 < .0005 = 5 × 10 −4 < 5 × 10 −3 < 5 × 10 −2 < 5 × 10 −1
así que k = 3 es el mayor entero no negativo tal que .003451−.003348 ≤ 5 × 10 −(k +1) .
Luego .003348 aproxima a .003451 con sus tres primeras cifras decimales exactas, que son
en este caso 0, 0 y 3.
Observe que si y = 28.003451 y y ∗ = 28.003348 , entonces
.00005 < y − y ∗ = .000103 < .0005 = 5 × 10 −4 < 5 × 10 −3 < 5 × 10 −2 < 5 × 10 −1
y nuevamente, y ∗ aproxima a y con sus primeras tres cifras decimales exactas, que son, por
supuesto, 0, 0 y 3.
Ahora, el error relativo de x∗ con respecto a x es
.000103
.005 < Er = = .029... < .05 = 5 × 10 − 2 < 5 × 10 −1
.003451
así que t = 2 es el mayor entero no negativo que satisface
.003451−.003348
< 5 × 10 − t
.003451
y por tanto x∗ aproxima a x con sus primeros 2-dígitos significativos que son 3 y 3 (Por
qué?). Con cuántas cifras significativas aproxima y∗ a y? ♦
1
Ejemplo 1.4 Con cuántas cifras significativas aproxima .333 a 3 ?
Como
1 1
−.333 −.333
3 3
= = 1−.999 = .001
1 1
3 3
__________________________________________________________________________________
y .0005 < .001 < .005 = 5 × 10 −3 < 5 × 10 −2 < 5 × 10 −1 , entonces t = 3 es el mayor entero no
negativo tal que
1
−.333
3
< 5 × 10 − t
1
3
1
Por lo tanto .333 aproxima a con 3 cifras significativas. Observe que .333 es el número
3
1
en aritmética de punto flotante decimal con redondeo a tres dígitos que representa a . ♦
3
Ejemplo 1.5 Dónde debe estar x∗ para que aproxime a 1000 con 4 cifras significativas?
∗
De acuerdo con la definición 1.2, x debe ser tal que
1000 − x∗
i) < 5 × 10 −4 , y
1000
1000 − x∗
ii) ≥ 5 × 10 −5
1000
La desigualdad i) tiene como solución 999.5 < x∗ < 1000.5 y la desigualdad ii) tiene como
∗
solución x∗ ≤ 999.95 o x∗ ≥ 1000.05 . Interceptando las dos soluciones se obtiene que x
debe estar en
(999.5, 999.95] ∪ [1000.05, 1000.5) ♦
1.3 PÉRDIDA DE CIFRAS SIGNIFICATIVAS
Sean x = .43574628 y y = .43574781 . Si usamos aritmética (de punto flotante) decimal

con redondeo a 6 dígitos, entonces los representantes de x y y son
fl(x) = .435746 , fl(y) = .435748
Se sabe que fl(x) y fl(y) aproximan a x e y, respectivamente, con todas sus seis cifras
significativas (Verifíquelo).
Ahora,
. × 10 −6 = −.153 × 10 −5
x − y = −153
y
x ( )
y = fl fl(x) − fl(y) = fl(.435746 −.435748)
( ) ( )
= fl −2.0 × 10 −6 = fl −.2 × 10 −5 = −.2 × 10 −5
__________________________________________________________________________________
por tanto el error relativo de x y con respecto a x − y es
(
−.2 × 10 −5 − −.153 × 10 −5 ) =
.047
= .307... < .5 = 5 × 10
−1
−5
−.153 × 10 .153
Luego x y aproxima al valor exacto x − y con únicamente una cifra significativa (1), así
que hubo pérdida de 5 cifras significativas ( fl(x) , fl(y) tenían cada uno 6 cifras significativas
con respecto a x e y, respectivamente); lo anterior sugiere que en un coputador debe evitarse
la resta de números "casi iguales". Como ejercicio, revise en el mismo ejemplo, qué pasa
con las operaciones ⊕ , ⊗ y .
Ejemplo 1.6 Encontrar las raíces de la ecuación cuadrática
x2 − 400.2x + 80 = 0
usando la fórmula usual y aritmética decimal con redondeo a 4 dígitos.
De acuerdo con la fórmula usual, las raíces son
400.2 + (400.2)2 − 320 400.2 − (400.2)2 − 320

x1 = y x2 =
2 2
Si hacemos los cálculos para x1 y x2 , usando aritmética decimal con redondeo a 4 dígitos,
obtenemos
400.2 + 160200 − 320 400.2 + 159900 400.2 + 399.9 800.1

x1∗ = = = = = 400.1
2 2 2 2
400.2 − 160200 − 320 400.2 − 159900 400.2 − 399.9 .3

x∗2 = = = = = .1500
2 2 2 2
∗
Como las raíces exactas de la ecuación son x1 = 400.0 y x2 = .2 , entonces x1 es una
∗
aproximación precisa (a 4 dígitos) de x1 , mientras que x 2 es una aproximación muy pobre
de x2 (únicamente tiene una cifra significativa con respecto a x2 ) .
La deficiencia en la estimación de x2 se debe a que los números 400.2 y (400.2)2 − 320

son números muy cercanos entre sí (en una aritmética finita con redondeo a 4 dígitos). En
este caso se consigue una aproximación más exacta para x2 , aumentando la precisión de la
aritmética o "racionalizando el numerador".
Si racionalizamos el numerador, es decir, si hacemos

__________________________________________________________________________________
400.2 − (400.2)2 − 320 400.2 + (400.2)2 − 320 160

x2 = × =
2
400.2 + (400.2)2 − 320 400.2 + (400.2)2 − 320
 
 2  c
= 80  = x , donde c es el término constante en la ecuación
 400.2 +
 (400.2)2 − 320  1
x2 + bx + c = 0 , obtenemos
80 80
x∗2 = = = .2000
x1∗ 400.1
que coincide con el valor exacto de x2 , en este caso.
Cómo resolvería la ecuación x2 + 400.2x + 80 = 0 , usando aritmética decimal con redondeo a

cuatro dígitos, si quiere intentar evitar la pérdida de cifras significativas en el cálculo de las
raíces? ♦
Ejercicio 1.1 Elabore un programa de computador que resuelva la ecuación cuadrática

general ax2 + bx + c = 0 (aún en el caso de raíces complejas), usando aritmética finita y que
intente evitar la pérdida de cifras significativas en el cálculo de las raíces. ♦
Ejemplo 1.7 Recordemos que para todo x ∈ R
∞
xn x2 x3 xn
ex = ∑
n= 0
n!
= 1+ x + +
2! 3 !
+ ... +
n!
+ ...
Si usamos aritmética de computador para estimar e x , a partir de la serie, sólo podremos

tomar un número finito de términos; digamos que tomamos los primeros n + 1 términos (para
un cierto n), entonces
x2 x3 xn
ex ≈ 1+ x + + +...+
2! 3 ! n!
El polinomio
x2 x3 xn
pn (x) = 1 + x + + +...+
2! 3 ! n!
se llama polinomio de Taylor de grado n para la función f ( x) = e x en el punto a = 0 o

también polinomio de Maclaurin.
Se sabe que
e x = pn (x) + Rn (x;0)
con
n +1
Rn (x;0 ) = e
ξ x
para algún ξ entre 0 y x
(n + 1)!
__________________________________________________________________________________
o también
x
Rn (x;0 ) = ∫ (x − t) e dt
1 n t
n!
0
Observe que Rn ( x;0) no es otra cosa que el residuo en la serie de Taylor cuando se toman
los primeros n + 1 términos. A Rn (x;0) se le llamará error de truncamiento o de fórmula al
x
aproximar la función e mediante el polinomio pn ( x) .
El error de truncamiento o de fórmula ocurre cuando un proceso matemático se interrumpe

antes de su terminación.
Supongamos que queremos estimar e −5 y e a partir del polinomio de Taylor, es decir,

5
e
−5
≈ 1 + (−5 ) +
(−5 )
2
+
(−5 )
3
+...+
(−5 )
n
= pn (−5 )
2! 3! n!
2 n
= pn (5 )
5 5 5
e = 1+ 5 + +...+
2! n!
Cuál es la aproximación que se obtiene para e −5 y e , si se trabaja en una aritmética (de

5
punto flotante) decimal con redondeo a 4 dígitos?
Las aproximaciones correspondientes a e −5 y e aparecen en la TABLA 1.3.

5
De acuerdo con los resultados de la TABLA 1.3, en una aritmética decimal con redondeo a 4
n
(−5)k
dígitos, e
−5
≈ .9993 × 10
−2
(la suma ∑
k =0
k! se estabilizó en n = 22 ) y e5 ≈ 148.4 (la
n
5k
suma ∑
k =0
k!
se estabilizó en n = 14 ) .
El valor exacto de e −5 es 6.737946999...×10 −3 y el de e5 es 148.4131591.... Se observa

que para e5 todos los cuatro dígitos obtenidos en la aproximación son significativos,
mientras que para e −5 sólo hay un dígito significativo.
A qué se debe el problema en el cálculo de e −5 ? Se debe, entre otros, a la suma alternada

(hay que evitarlas) y al hecho de que hay términos relativamente grandes con respecto al
número pequeño e −5 , los cuales al ser sumados producen pérdida de cifras significativas.
Una forma más adecuada de calcular e −5 es aumentando la precisión de la aritmética o

1
calculando 5 : para la aritmética de punto flotante decimal con redondeo a cuatro dígitos
e
__________________________________________________________________________________
1 1
5
= = 6.739 × 10 −3
e 148.4
que es una mejor aproximación de e −5 .
Con cuántas cifras significativas aproxima 6.739 × 10 −3 al valor exacto e −5 ? ♦
(−5)k
n
n
5k
Grado n Término Suma ( ∑ k!
) Suma ( ∑
k =0
k!
)
k =0
0 1.000 1.000 1.000
1 −5.000 −4.000 6.000
2 12.50 8.500 18.50
3 −20.83 −12.33 39.33
4 26.04 13.71 65.37
5 −26.04 −12.33 91.41
6 21.70 9.370 113.1
7 −15.50 −6.130 128.6
8 9.688 3.558 138.3
9 −5.382 −1824
. 143.7
10 2.691 .8670 146.4
11 −1223
. −.3560 147.6
12 .5097 .1537 148.1
13 −.1960 −.4230 × 10 −1 148.3
14 .7001 × 10 −1 .2771 × 10 −1 148.4
15 −.2333 × 10 −1 .4380 × 10 −2 148.4
16 .7294 × 10 −2 .1167 × 10 −1
17 −.2145 × 10 −2 .9525 × 10 −2
18 .5959 × 10 −3 .1012 × 10 −1
__________________________________________________________________________________
19 −.1568 × 10 −3 .9963 × 10 −2
20 .3920 × 10 −4 .1000 × 10 −1
21 −.9333 × 10 −5 .9991 × 10 −2
22 .2121 × 10 −5 .9993 × 10 −2
23 −.4611 × 10 −6 .9993 × 10 −2
TABLA 1.3
1.4 ESTABILIDAD DE UN ALGORITMO
Los ejemplos 1.6 y 1.7 anteriores, muestran como un algoritmo mal concebido puede
conducir a una respuesta defectuosa de un problema perfectamente bien planteado. La
deficiencia fue corregida cambiando el algoritmo.
Cuando al aplicar un algoritmo para resolver un problema, el efecto acumulativo de los

errores, incluyendo errores de redondeo, es limitado de modo que se genera un resultado
útil, el algoritmo se dice estable; en caso contrario, es decir, cuando los errores crecen de
manera incontrolada de modo que se genera una respuesta defectuosa al problema, el
algoritmo se dice inestable.
Ejemplo 1.8 Supongamos que queremos calcular
∫
In = xn e x−1dx, n = 12
0
, ,3,...
Una forma de proceder para estos cálculos es como se indica a continuación:
Usando integración por partes con u = xn y dv = e x−1dx , tenemos que
1 1 1
∫ ] ∫ ∫
1
In = xn e x−1dx = xn e x −1 − nxn −1e x−1dx = 1 − n xn −1e x−1dx
0
0 0 0 $
! $"$$ #
In −1
1
1
∫
es decir, In = 1 − nIn −1, n = 2,3,4,... . Luego In = 1 − nIn −1, n = 2,3,4,... con I1 = xe x−1dx =
0
e
(irracional).
__________________________________________________________________________________
Usando aritmética (de punto flotante) decimal con redondeo a 6 dígitos y la fórmula de
recurrencia In = 1 − nIn −1 , obtenemos
I1 ≈ .367879 = I1∗ , I2 ≈ .264242 = I∗2 , I3 ≈ .207274 = I∗3 , I4 ≈ .170904 = I∗4 ,

I5 ≈ .145480 = I∗5 , I6 ≈ .127120 = I∗6 , I7 ≈ .110160 = I7∗ , I8 ≈ .118720 = I∗8 ,
I9 ≈ −.0684800 = I∗9
Es claro que el valor −.0684800 (≈ I9 ) es incorrecto, pues x9 e x−1 es continua y positiva

sobre el intervalo (0,1) . Qué causó este resultado? Observe que únicamente hay error de
1
redondeo en el cálculo de I1 , donde fue redondeado a 6 dígitos significativos. Como la
e
fórmula de recurrencia obtenida en la integración por partes es exacta para la aritmética real,
entonces no hay error de fórmula y así el error en I9 es debido en su totalidad al error de
redondeo en I1 . El error inicial fue ∈ ≈ 4.412 × 10 −7 .
Al calcular I2 , tenemos
( )
I2 = 1 − 2I1 = 1 − 2 I1∗ + ∈ = 1 − 2I1∗ − 2 ∈= I∗2 − 2 ∈
entonces I2 − I∗2 = −2 ∈.
Ahora,
( )
I3 = 1 − 3I2 = 1 − 3 I∗2 − 2 ∈ = 1 − 3I∗2 + (−2)(−3) ∈= I∗3 + (−2)(−3 ) ∈
__________________________________________________________________________________
así que I3 − I∗3 = (−2)(−3) ∈ .
Al llegar al cálculo de I9 , obtenemos
I9 = I∗9 + (−2)(−3)... (−9 ) ∈

es decir,
I9 − I∗9 = (−2)(−3)... (−9) ∈= 9! ∈
De donde
( )
I9 − I∗9 ≈ 362880 4.412 × 10 −7 ≈ .160102656
El valor de I9 , con por lo menos 4 cifras decimales exactas, es
I9 = −.0684800 +.160102656 = .091622656
Observe que el error absoluto, debido a los cálculos, crece a medida que n aumenta, y es
mucho más grande que el valor real (en valor absoluto) que se está aproximando (se puede
ver que si ∈ es el error inicial, entonces el error después de n pasos es
1
∈n = In − In∗ = (−1) n! ∈ , y lim ∈n = lim (−1) n! ∈ = +∞ ; mientras que 0 < In ≤
n-1 n −1
). En
n→∞ n→∞ n+1
conclusión, el algoritmo dado por la fórmula de recurrencia
1
In = 1 − nIn −1, n = 2,3,... con I1 =
e
es inestable.
Cómo podemos escoger un algoritmo diferente el cual evite esta inestabilidad?
Si reescribimos la relación de recurrencia como
1 − In
In −1 = , n = N,...,3,2
n
entonces en cada paso del cálculo el error en In es dividido por n. Así que, si comenzamos
con un valor para algún In con n >> 1, y trabajamos hacia atrás, cualquier error inicial o
errores de redondeo que ocurran estarán decreciendo en cada paso. Este es un ejemplo de
algoritmo estable.
Para obtener un valor inicial, notemos que
1 1 1
x n +1  1
∫0
∫
In = xn e x −1dx ≤ xn dx =
0
n + 1
 =
0
n+1
Por lo tanto In → 0 cuando n → +∞ .

__________________________________________________________________________________
Por ejemplo, si aproximamos I20 por 0 y usamos el valor 0 como un valor inicial, entonces
1 1
cometemos un error inicial ∈ tal que 0 ≤ ∈≤ ; este error es multiplicado por al calcular
21 20
1
I19 , así que el error en el cálculo de I19 , que es ∈, es tal que
20
1 1 1
0≤ ∈ ≤
20 20 21
Procediendo de la manera anterior, el error en el cálculo de I15 es tal que
1 1 1 1 1 1 1
0≤ ... ∈ ≤ ... ≈ 2.56 × 10 −8 < 5 × 10 −8
16 17 20 16 17 20 21
lo que garantiza una precisión de por lo menos 7 cifras decimales exactas de precisión para
los valores calculados de I15 ,...,I9 .
Haciendo los cálculos para I20 ,...,I9 , obtenemos
I20 ≈ .0000000000 , I19 ≈ .05000000000 , I18 ≈ .0500000000 ,

I17 ≈ .0527777778 , I16 ≈ .05571895425 , I15 ≈ .05901756536 ,
I14 ≈ .06273216231 , I13 ≈ .06694770269 , I12 ≈ .07177325364 ,
I11 ≈ .07735222886 , I10 ≈ .0838770701 , I9 ≈ .09161229299 ♦
n
 1
Ejemplo 1.9 La sucesión {pn }n con pn =   , n = 0,1,... se puede generar de varias
 3
maneras; dos de ellas son:
1  5  1
i) x 0 = 1 , x1 = , xn =   xn −1 −   xn − 2 , n = 2,3,...
3  6  6
1  5  4
ii) y 0 = 1 , y1 = , y n =   y n −1 −   y n − 2 , n = 2,3,...
3  3  9
Veamos que, efectivamente, la sucesión definida en i) es igual a la sucesión

 1  n 
   , n = 0,1,... . En efecto:
 3  n
0 1
 1 1  1
x 0 = 1 =   ; x1 = =   , y
 3 3  3
2
 5  1  5  1  1 5 1 1  1
x 2 =   x1 −   x0 =   −   1 = − = =  .
 6  6  6 3  6 18 6 9  3 
__________________________________________________________________________________
k
 5  1  1
Supongamos que x k =   x k −1 −   x k − 2 =   para 2≤k <n, y veamos que
 6  6  3
n
 5  1  1
x n =   x n −1 −   x n − 2 =   :
 6  6  3
n −1 n− 2 n− 2 n−2 2 n
 5   1  1  1  1  5 1 1  1  1  1
xn =     −    =   −  =    = 
 6 3  6 3  3  6 3 6  3  3  3
Luego
n
 5  1  1
xn =   xn −1 −   xn − 2 =   , para todo n = 0,1,...
 6  6  3
Análogamente, se puede verificar que la sucesión definida en ii) es igual a la sucesión {pn }n
n
 1
con pn =   , n = 0,1,... .
 3
Si usamos aritmética decimal con redondeo a 7 dígitos para calcular los primeros términos
de las sucesiónes {pn }n , {xn }n y {y n }n , se obtienen los resultados que se muestran en la
TABLA 1.4 siguiente.
n p∗n x∗n y∗n

0 1.000000 1.000000 1.000000
1 .3333333 .3333333 .3333333
2 .1111111 .1111111 .1111111
3 .3703704 × 10 −1 .3703704 × 10 −1 .3703706 × 10 −1
4 .1234568 × 10 −1 .1234568 × 10 −1 .1234571 × 10 −1
5 .4115226 × 10 −2 .4115227 × 10 −2 .4115268 × 10 −2
6 .1371742 × 10 −2 .1371743 × 10 −2 .1371797 × 10 −2
7 .4572474 × 10 −3 .4572475 × 10 −3 .4573210 × 10 −3
8 .1524158 × 10 −3 .1524159 × 10 −3 .1525139 × 10 −3
9 .5080526 × 10 −4 .5080529 × 10 −4 .5093613 × 10 −4
10 .1693509 × 10 −4 .1693510 × 10 −4 .1710958 × 10 −4
11 .5645029 × 10 −5 .5645036 × 10 −5 .5877683 × 10 −5
12 .1881676 × 10 −5 .1881680 × 10 −5 .2191882 × 10 −5
13 .6272255 × 10 −6 .6272272 × 10 −6 .1040833 × 10 −5
14 .2090752 × 10 −6 .2090760 × 10 −6 .7605514 × 10 −6
15 .6969172 × 10 −7 .6969214 × 10 −7 .8049934 × 10 −6
16 .2323057 × 10 −7 .2323078 × 10 −7 .1003633 × 10 −5
17 .7743524 × 10 −8 .7743628 × 10 −8 .1314947 × 10 −5
18 .2581175 × 10 −8 .2581227 × 10 −8 .1745519 × 10 −5
19 .8603916 × 10 −9 .8604175 × 10 −9 .2324777 × 10 −5
20 .2867972 × 10 −9 .2868101 × 10 −9 .3098842 × 10 −5
TABLA 1.4
__________________________________________________________________________________
Si comparamos los valores calculados p∗20 = .2867972 × 10 −9 , x∗20 = .286810 × 10 −9 y

20
 1 1
y∗20 = .3098842 × 10 −5 con el valor exacto   = = 2.8679719...×10 −10 , se
 3 3486784401
puede ver que p∗20 = .2867972 × 10 −9 aproxima al valor exacto con todas sus 7 cifras
significativas, x∗20 = .286810 × 10 −9 aproxima al valor exacto con cinco cifras significativas
(de siete), mientras que y∗20 = .3098842 × 10 −5 aproxima al valor exacto con ninguna cifra
significativa.
Qué puede decirse de la estabilidad numérica de las fórmulas que definen las sucesiones
{pn }n , {xn }n y {yn }n ?
Observamos que la fórmula para calcular y n produce rápidamente pérdida de cifras
significativas, mientras que la fórmulas para calcular pn y xn no, así que el algoritmo para
calcular y n es inestable, mientras que los algoritmos para calcular pn y xn son estables.
Si calculamos más términos de la sucesiones {pn }n , {xn }n y {yn }n , se obtienen los

resultados que se muestran en la TABLA 1.5 siguiente.
n p∗n x∗n y∗n

30 .4856936 × 10 −14 .4869553 × 10 −14 .5502329 × 10 −4
40 .8225264 × 10 −19 .9457497 × 10 −19 .9770887 × 10 −3
50 .1392956 × 10 −23 .1342649 × 10 −23 .1735087 × 10 −1
60 .2358983 × 10 −28 .1177509 × 10 −25 .3081121 × 10 0
70 .3994957 × 10 −33 .1147647 × 10 −28 .5471369 × 101
80 .6765496 × 10 −38 .1120711 × 10 −31 .9715907 × 10 2
90 .1149065 × 10 −42 .1094443 × 10 −34 .1725324 × 10 4
100 0 .1068791 × 10 −37 .3063784 × 10 5
TABLA 1.5
Observe, en los cálculos de la tabla anterior, que p∗n → 0 y x∗n → 0 , mientras que y∗n → ∞
n
 1
(cuando n → ∞ ), y es claro que lim   = 0 .
n→∞  3 
Otra forma de estudiar la estabilidad numérica de las fórmulas definidas en este ejemplo es
como sigue:
Las sucesiones definidas en i) y ii) pueden verse como ecuaciones en diferencias con
condición inicial:
  5  1
xn =  6  xn−1 −  6  xn− 2 , n = 2,3,... (1.1. a)
i) 
x = 1, x = 1 (1.1.b)
 0 1
3
__________________________________________________________________________________
  5  4
y n =  y n −1 −   y n − 2 ,
 3  9
n = 2,3,... (1.2. a)
ii) 
y = 1, y1 =
1
(1.2.b)
 0 3
Se puede probar que la solución general de la ecuación en diferencias (1.1.a), es
n n
 1  1
xn = c1   + c 2  
 3  2
con c1 y c 2 constantes arbitrarias.
Nótese que la solución general anterior es el conjunto de todas las combinaciones lineales de
n n
 1  1
las soluciones particulares   y   , de la ecuación (1.1.a). Tales soluciones
 3  2
particulares pueden obtenerse buscando soluciones de la forma xn = λ con λ ≠ 0 , para la
n
ecuación mencionada.
1
Para que se satisfagan las condiciones iniciales exactas (1.1.b), x 0 = 1 y x1 = , deben
3
escogerse c1 = 1 y c 2 = 0 , es decir, la solución de la ecuación en diferencias (1.1.a) que
satisface la condición inicial (1.1.b) es la sucesión
n
{pn }n con pn =  3  , n = 0,12
1
, ,...
Si las condiciones iniciales son cambiadas por x 0 = 1000000

. y x1 =.3333333 (redondeando
las condiciones iniciales (1.1.b) a siete dígitos), entonces los valores de las constantes son
ahora c1 = 10000002
. y c 2 = −.2 × 10 −6 , así que la solución de la ecuación en diferencias
(1.1.a) con las nuevas condiciones es
n n
 1 −6  1 
xn = 10000002
.   −.2 × 10  
 3  2
n
 1
y entonces al calcular pn =   , mediante esta última fórmula, el error es tan solo
 3
 1
n n n  n
 1  
n
−6  1   1 −6   1 
∈n = 10000002  − ×   −   = × −
  3    
. .2 10 .2 10
 3  2  3   2 
( ∈n → 0 cuando n → ∞ y observe que pn → 0 cuando n → ∞ )
En este caso el algoritmo se considera estable.
En cuanto a la ecuación en diferencias (1.2.a), tenemos que su solución general es

__________________________________________________________________________________
n n
 1  4
y n = c1  + c 2  
 3  3
con c1 y c 2 constantes arbitrarias.
1
Para que se satisfagan las condiciones iniciales (1.2.b), y 0 = 1 y y1 = , deben escogerse
3
c1 = 1 y c 2 = 0 , es decir, la solución de la ecuación en diferencias (1.2.a) con condición
inicial (1.2.b) es la sucesión
n
 1
{pn }n con pn =   , n = 0,12
 3
, ,...
Si las condiciones iniciales son cambiadas por y 0 = 1000000

. y y1 =.3333333 (redondeando
las condiciones iniciales (1.2.b) a siete dígitos), entonces los valores de las constantes son
3.0000001 . × 10 −7
10
ahora c1 = y c2 = , es decir, la solución de la ecuación en diferencias
3 3
(1.2.a) que satisface las nuevas condiciones, es
. × 10 −7
n n
3.0000001  1  10  4
yn =   +  
3  3 3  3
n
 1
El error al calcular pn =   , mediante esta última fórmula, es
 3
3.0000001  1 
n
. × 10 −7
10  4
n
 1 . × 10 −
10
n 7   1 n  4  n 
∈n =   +   −  =   +   
3  3 3  3  3 3  3  3  

( ∈n → +∞ cuando n → ∞ , mientras que pn → 0 cuando n → ∞ )
En este caso el algoritmo definido por la fórmula ii) es inestable. ♦
1.5 CONDICIONAMIENTO DE UN PROBLEMA
Para ciertos problemas "buenas" respuestas no pueden ser obtenidas por cualquier
algoritmo, porque el problema es sensible a errores pequeños cometidos en la
representación de los datos o en la aritmética. Hay que distinguir entre algoritmos inestables
y problemas sensibles a cambios pequeños en los datos.
Un problema se dice bien condicionado si pequeños cambios en los datos inducen sólo un
cambio pequeño en el resultado, es decir, problemas "cercanos" tienen respuesta "cercana".
El buen condicionamiento es algo inherente al problema.
Veamos un ejemplo.
Consideremos el siguiente sistema de ecuaciones lineales

__________________________________________________________________________________
 x + y=2

 10.05 x + 10 y = 21
La solución exacta (única) de este sistema es x = 20 e y = −18 . En este caso, el punto

(20,−18) es la intersección de las rectas casi paralelas:
L1: x + y = 2 , con pendiente m1 = −10
.
L 2 : 10.05 x + 10 y = 21 , con pendiente m 2 = −1005

.
Ahora cambiamos el coeficiente 10.05 por 10.1 (un cambio relativo de ≈ .5%) y consideramos
el sistema perturbado
 x + y=2

10.1x + 10 y = 21
La solución exacta de este sistema perturbado es x = 10 , y = −8 .
Se observa que un cambio pequeño en uno de los datos del problema (coeficientes y
términos independientes del sistema) ha producido un gran cambio en la solución (de más de
100%). Este problema se dice que está mal condicionado. ♦
TALLER 1.
1. Convertir los siguientes números binarios a la forma decimal (equivalente decimal):
(.1100011)2 ; (.1111111)2 ; (1010)2 ; (100101)2 ; (1000001)2 ; (10101

. )2
2. Para los siguientes números x y x∗ , con cuántas cifras decimales exactas y con cuántas
cifras significativas aproxima x∗ a x ?
a) x = 451023
. , x∗ = 45101
.
b) x = −.045113 , x∗ = −.04518
c) x = 23.4213 , x∗ = 23.4604
3. Un paralelipípedo rectangular tiene lados de 3, 4 y 5 centímetros, medidos solamente al

centímetro más cercano. Determine el intervalo más pequeño en el cual debe estar el
área lateral de este paralelipípedo y el intervalo más pequeño en el cual debe estar su
volumen.
__________________________________________________________________________________
4. Sean (x0 , y 0 ) y (x1, y1 ) , con y 0 ≠ y1 , puntos dados de una cierta línea recta. Verifique
que la abscisa del punto de intersección de dicha recta con el eje x, se puede calcular con
cualquiera de las dos siguientes fórmulas
x=
x 0 y1 − x1y 0
, x = x0 −
(x1 − x0 )y 0
y1 − y 0 y1 − y 0
Use los datos (x0 , y 0 ) = (131

. , 3.24) , (x1, y1 ) = (193
. , 4.76) y aritmética decimal con
redondeo a tres dígitos para calcular dicha abscisa, utilizando las dos fórmulas. Cuál
fórmula da el mejor resultado y por qué?
5. Considere el sistema de ecuaciones lineales
. x + 14.31y = 45.00
3169

 .11x + 5.89 y = 19.00
13
Un método para resolver este sistema es multiplicar la primera ecuación por 13.11, la
segunda ecuación por 31.69 y restar las ecuaciones resultantes para obtener el valor de
y ; luego se multiplica la primera ecuación por 5.89, la segunda ecuación por 14.31 y
restamos las ecuaciones resultantes para obtener el valor de x.
Efectúe las operaciones indicadas usando aritmética decimal con corte a cuatro dígitos y
compare los resultados obtenidos con la solución exacta del sistema. Si hay alguna
diferencia en los resultados, puede explicar a qué se debe tal diferencia?
6. a) Escriba un programa que le produzca un error overflow en su computador.
b) Escriba un programa para determinar experimentalmente (no teóricamente) el número

de punto flotante más pequeño y el más grande de su computador.
7. Calcule ln 2 a partir de la serie de Maclaurin para la función f (x) = ln(x + 1) . Determine el

menor número de términos en dicha serie que deben tomarse para conseguir ln 2 con un
error menor que 10 −8 . Haga lo mismo para ln15
. y ln11
. , y analice los resultados.
8. La aproximación sen x ≈ x se usa a menudo para x pequeño. Estime, con la ayuda del
teorema de Taylor, el error de truncamiento al usar esta fórmula. Para qué rango de
valores de x da esta aproximación resultados con una precisión de por lo menos seis
cifras decimales exactas?
__________________________________________________________________________________
9. Sea f (x) = e − x . Encuentre el polinomio de Taylor de tercer grado para f alrededor de

. , y úselo para aproximar e −.99 . Cuántas cifras decimales exactas se esperan en la
a = 10
aproximación calculada?
10. Discuta los problemas que se pueden presentar al evaluar las siguientes funciones y
plantee alternativas que permitan evitarlos:
ex − e− x
a) f (x) = ln(x + 1) − ln x b) senh x =
2
1 − cos x
c) f (x) = d) f (x) = 3 1 + x − 1
x2
11. Use aritmética decimal con redondeo a cuatro dígitos y una fórmula que intente evitar la
pérdida de cifras significativas, para encontrar las raíces de cada una de las siguientes
ecuaciones cuadráticas
a) x2 − 19.96 x + .1995 = 0 b) x2 + 40 x − 1 = 0
12. Considere la ecuación en diferencias
xn = xn−1 + xn− 2 , n = 2,3,... (1)
a) Verifique que la sucesión

n
 1+ 5 
xn =   , n = 0,1,... (2)
 2 
es solución de la ecuación en diferencias (1), y satisface las condiciones iniciales

1+ 5
x 0 = 1 y x1 = .
2
Utilice aritmética finita para calcular xn , n = 0,1,...,20 usando la fórmula (1) con las
condiciones iniciales anteriores, y también usando la fórmula (2). Explique los
resultados y concluya acerca de la estabilidad numérica de la fórmula (1) .
b) Verifique que la sucesión

n
 1− 5 
xn =   , n = 0,1,... (3)
 2 
es solución de la ecuación en diferencias (1), y satisface las condiciones iniciales

1− 5
x 0 = 1 y x1 = .
2
__________________________________________________________________________________
Utilice aritmética finita para calcular xn , n = 0,1,...,20 usando la fórmula (1) con las
condiciones iniciales anteriores, y también usando la fórmula (3). Explique los
resultados y concluya acerca de la estabilidad numérica de la fórmula (1) .
13. Considere la ecuación en diferencias
xn = 2(xn−1 + xn− 2 ) , n = 2,3,...
a) Verifique que si se dan las condiciones iniciales x 0 = 1 y x1 = 1 − 3, entonces
( )
n
xn = 1 − 3, , n = 0,1,... es solución de la ecuación en diferencias dada y satisface
las condiciones iniciales dadas.
b) Utilice aritmética finita para calcular xn , n = 0,1,...,20 usando tanto la fórmula
( ) , como la fórmula x
n
xn = 1 − 3 n = 2( xn-1 + xn-2 ), con las condiciones iniciales dadas
en a). Explique los resultados y concluya acerca de la estabilidad numérica de la
fórmula xn = 2( xn-1 + xn-2 ) .
14. Las funciones de Bessel Jn satisfacen la siguiente fórmula de recurrencia
Jn (x) = 2(n − 1)x −1Jn−1(x) − Jn− 2 (x), n = 2,3,... (4)
Empiece con J0 (1) = .7651976866 y J1(1) = .4400505857 y use la fórmula de

recurrencia anterior para calcular Jn (1), n = 2,3,...,20 . Se puede creer en los resultados
obtenidos? Explique.
Nota: Se sabe que las funciones de Bessel Jn pueden definirse mediante la fórmula
π
Jn (x) = cos(x sen θ − nθ) dθ
1
π ∫
0
15. Las funciones de Bessel Yn satisfacen la misma fórmula de recurrencia (4) que las
funciones de Bessel Jn . Empiece con Y0 (1) = .0882569642 y Y1(1) = −.7812128213 y
use la fórmula de recurrencia (4) para calcular Yn (1), n = 2,3,...,20 . Decida si los
resultados son confiables o no.
∑k
1
16. Escriba un programa de computador que calcule el valor de SN = para varios
k =1
valores de N . Encuentre el valor de N tal que Sn = SN para todo n ≥ N . Le parece
__________________________________________________________________________________
∑k
1
extraño que tal valor exista? Recuerde que la serie armónica es divergente.
k =1
Explique.
17. Para cualquier entero positivo N y una constante fija r ≠ 1, se tiene la siguiente fórmula
para la suma geométrica
1 − r N+ 1
GN ≡ 1 + r + r 2 +...+r N = ≡ QN
1− r
Escriba un programa de computador que calcule GN y QN para valores arbitrarios de r

y N . Si r se escoge muy cerca de 1, los valores de GN y QN pueden diferir. Cómo
explica ésto? Cuál de los dos cree que es una mejor aproximación del valor exacto de la
suma? Explique.
18. Defina una sucesión {xn }n , n = 0,1,... mediante la fórmula de recurrencia
1
x n +1 = x n + , n = 0,1,... donde x0 > 0
xn
Qué puede decir acerca de la existencia de lim xn ?

n→∞
CAPÍTULO 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN
NO-LINEAL EN UNA VARIABLE
INTRODUCCIÓN
El objetivo de este capítulo es estudiar algunos métodos numéricos para hallar raíces reales
de una ecuación no-lineal en una variable (sólo se estudiarán raíces complejas para
ecuaciones polinómicas). En la siguiente definición formalizamos el concepto de raíz de una
ecuación.
Definición 2.1 Sea f: D → R, D ⊆ R , una función dada. Un número α ∈ D se dice una

raíz (en D) de la ecuación f (x) = 0 , o un cero (en D) de la función f si f (α ) = 0 . ∇
Como veremos, los métodos numéricos que estudiaremos para encontrar una raíz α de una
ecuación f (x) = 0 , generarán una sucesión {xn }n , n = 0,12
, ,... (Métodos iterativos) tal que
lim xn = α . Cualquiera de tales métodos numéricos permitirá calcular los términos de la
n→∞
sucesión {xn }n ; así que no se espera, en general, calcular lim xn . Por lo tanto, deberemos
n→∞
disponer de algún criterio para escoger un término de la sucesión {xn }n , n = 0,12

, ,... como
aproximación de la raíz buscada α .
CRITERIOS DE APROXIMACIÓN
Supongamos que la función f es continua en alguna vecindad de α que contiene a la

, ,... , y que la sucesión {xn }n es tal que lim xn = α . Entonces
sucesión {xn }n , n = 0,12
n→∞
lim f (xn ) = f (α ) = 0 y así, dado cualquier número positivo ε, existe N ∈ N = {0,1,2,...} tal que
n→∞
para todo n ≥ N se tiene que f (xn ) < ε . Teniendo en cuenta lo anterior, dado un número
ε > 0 adecuadamente pequeño, al cual llamaremos Tolerancia y que notaremos Tol,
podríamos escoger como aproximación de la raíz α al término xN de la sucesión
mencionada, donde N es el menor entero no-negativo que satisface
i) f (xn ) < ε
Por otro lado, como lim xn = α significa que dado ε > 0 , existe N0 ∈ N = {0,12
, ,...} tal que si
n→∞
n ≥ N0 , entonces xn − α < ε , y esto implica que
xN0 +1 − xN0 = xN0 +1 − α + α − xN0
≤ xN0 +1 − α + xN0 − α < ε + ε = 2ε
entonces también podríamos tomar como aproximación de la raíz α al término xN de la

sucesión mencionada, donde N es el menor entero no-negativo tal que
__________________________________________________________________________________
ii) xn − xn −1 <ε
También podríamos tomar como aproximación de la raíz α al término xN donde N es el

menor entero no-negativo tal que
x n − x n −1
iii) < ε , si x n ≠ 0
xn
Pues bien, para una tolerancia ε > 0 previamente escogida, cualquiera de los tres criterios
mencionados, se adoptará como criterio para obtener una aproximación de una raíz α .
Ahora, en cuanto a los criterios de aproximación anteriores, es fácil ver que el hecho de que
f (xN ) < ε o xN − xN−1 < ε no necesariamente indica que xN esté muy cerca de α, como
puede apreciarse en la FIGURA 2.1 y en el ejemplo 2.1 siguientes.
FIGURA 2.1
Ejemplo 2.1 Consideremos la ecuación f (x) = 0 donde f (x) = (x − 1)

10
. Es claro que α = 1 es
una raíz de esta ecuación, y que la sucesión {xn }n , n = 1,2,... donde xn = 1 +

1
converge a
n
dicha raíz.
Si tomamos como tolerancia ε = 10 −3 , al aplicar el criterio de aproximación i), se tiene que
10
 1 
f (xn ) < ε ⇔  1 + − 1
1
= < 10 −3 ⇔ n10 > 10 3 ⇔ n ≥ 2
 n  n10
1 3
Si tomamos como aproximación de α al término x 2 = 1 + = de la sucesión mencionada,
2 2
3 1 1
observamos que α - x 2 = 1 − = ,y no es menor que ε = 10 −3 ; realmente α − x 2
2 2 2
es una distancia muy grande entre α y x 2 . Vea la FIGURA 2.2.
Si usamos el segundo criterio con la misma tolerancia, debemos encontrar n tal que
1  1  1 1
xn − x n − 1 < ε ⇔ 1 + − 1 +  = − < 10 −3
n  n − 1 n n−1
Capítulo 2. SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE 35
__________________________________________________________________________________
Resolviendo esta última desigualdad se obtiene que si n ≥ 33 , entonces

xn − xn −1 < ε = 10 −3 , así que la aproximación de α obtenida, usando este criterio, sería
1 1
x 33 = 1 + = 1030...
. , y la distancia α − x33 = no es menor que ε = 10 −3 .
33 33
1
Observe que para que α − xn < ε = 10 −3 , debe tomarse xn = x1001 = 1 + = 100099..
. ..
1001
 1 1
( α − xn < ε ⇔ 1 −  1 +  < 10 −3 ⇔ < 10 −3 ⇔ n > 10 3 ) ♦
 n n
FIGURA 2.2
Se sigue de lo anterior que cualquiera de los criterios i), ii), iii) puede no darnos una idea
clara de la distancia real α − xn .
Por otra parte, para garantizar que una sucesión, generada por un determinado método
numérico, converge a la raíz buscada, la función f en cuestión deberá satisfacer ciertas
condiciones; resulta que muchas veces aplicaremos el método sin chequear tales
condiciones lo que nos conducirá, posiblemente, a una sucesión divergente, caso en el cual,
un entero N para el cual se cumpla i), ii) o iii), puede no existir. Puede ocurrir también que,
aún tratándose de una sucesión que converge a la raíz buscada, el entero N al que nos
hemos referido sea muy grande, por ser "muy lenta" la convergencia de la sucesión. Por lo
anterior, al aplicar cualquiera de los criterios, se hace necesario establecer siempre una cota
para N, es decir, imponer un máximo al número de iteraciones.
También, con frecuencia, tendremos que combinar dos o más de los criterios mencionados,
o considerar algún otro criterio, al momento de obtener una aproximación de una raíz .
Por lo general al aplicar un método numérico necesitaremos de una aproximación inicial de la

raíz buscada o bien de un intervalo que contenga a dicha raíz. Esta información puede
obtenerse dibujando la gráfica de la función f, si la ecuación en cuestión es f (x) = 0 ; las
abscisas de los puntos de corte de dicha gráfica con el eje x son raíces reales de la
__________________________________________________________________________________
ecuación. Además, la gráfica de f nos permitirá tener alguna idea útil del comportamiento
cualitativo de f en la vecindad de la raíz α (por ejemplo crecimiento y concavidad). Ahora
bien, es posible que a través de un proceso puramente gráfico podamos obtener una
aproximación para una raíz, que aunque limitada, sea útil para ciertos fines.
Ejemplo 2.2 Supongamos que estamos interesados en encontrar todas las raíces de la
ecuación
3 x2 − e x = 0
Una forma de iniciar la búsqueda de las raíces es determinando intervalos que contengan a
dichas raíces. Para esto, graficamos f (x) = 3 x2 − e x (ver la FIGURA 2.3 siguiente).
FIGURA 2.3
De acuerdo con la gráfica anterior se ve que la ecuación en consideración tiene por lo menos
tres raíces reales α 1 ∈[−10
, ] , α 2 ∈[0,1] y α 3 ∈[3,4] . (Verifique analíticamente que la
ecuación 3 x2 − e x = 0 tiene únicamente tres raíces reales).
Ahora bien, puesto que 3 x 2 − e x = 0 ⇔ 3 x 2 = e x , otra forma de proceder es graficando las

funciones f1(x) = 3 x2 y f2 (x) = e x , en un mismo plano coordenado (ver la FIGURA 2.4). En
este caso las raíces buscadas son las abscisas de los puntos de intersección de las dos
gráficas.
Una forma de aproximar cada una de las raíces α 1, α 2 y α 3 , es dividiendo el intervalo

donde cada una de éllas se encuentra, y hacer esto sucesivamente hasta lograr un
subintervalo de longitud suficientemente pequeña y que contenga a dicha raíz. Por ejemplo,
si empezamos con los intervalos dados y hacemos una tabla de valores para la función
f (x) = 3 x2 − e x con tamaño de paso h = 0.1 , obtenemos que α 1 ∈[−0.5,−0.4] , α 2 ∈[0.9,10
. ]
y α 3 ∈[3.7,3.8] . La TABLA 2.1 corresponde a la tabla de valores para la función
__________________________________________________________________________________
f (x) = 3 x2 − e x en el intervalo [0,1] con tamaño de paso h = 0.1 . Observe que como la
función f es continua en [0.9,10
. ] y f (0.9)f (10
. ) < 0 , entonces α 2 ∈[0.9,10
. ].
FIGURA 2.4
x f (x) = 3 x2 − e x
0 −10
.
0.1 −107
. ...
0.2 −110
. ...
0.3 −107
. ...
0.4 −101
. ...
0.5 −0.89...
0.6 −0.74...
0.7 −0.54...
0.8 −0.30...
0.9 −0.02...
10
. 0.28...
TABLA 2.1
Instrucción en DERIVE:
[ ]
VECTOR( x , f (x) , x , a , b , h ): aproXima una tabla de valores de la función f (x) en el
intervalo [a,b] , con tamaño de paso h. Para el ejemplo, aproXime la expresión
[ ]
VECTOR( x, 3 x2 − exp(x) , x, 0 , 1, 0.1 ). ◊
En situaciones como la del ejemplo anterior, donde se sabe de la existencia de una única raíz
α para una ecuación f (x) = 0 en un determinado intervalo cerrado [a, b] , se puede usar
__________________________________________________________________________________
alguno de los siguientes métodos numéricos llamados cerrados para encontrar una
aproximación de dicha raíz.
2.1 MÉTODOS CERRADOS
Los métodos numéricos que en cada paso dan un intervalo cerrado donde se encuentra la
raíz buscada, son llamados métodos cerrados. Aquí estudiaremos dos de tales métodos: el
método de Bisección y el método de Posición Falsa.
2.1.1 Método de Bisección : Supongamos que f es una función continua en un intervalo

[a,b] y f (a)f (b) < 0 . Entonces, por teorema del valor intermedio para funciones continuas,
existe al menos un α ∈ (a, b) tal que f (α ) = 0 . Asumiremos en lo que sigue que la raíz en
este intervalo es única (aunque el método también se puede aplicar cuando hay más de una
raíz en (a, b) ).
El método de Bisección aplicado a la función f para aproximar la raíz α ∈ [a, b] , consiste en

dividir sucesivamente el intervalo [a, b] por la mitad, hasta que la longitud del subintervalo
que contiene a la raíz α sea menor que alguna tolerancia especificada ε .
Para empezar tomamos a 1 = a , b 1 = b y x 1 es el punto medio de [a1, b1 ] , o sea

b − a1
x1 =
1
2
(a1 + b1 ) = a1 + 1
2
: primera aproximación de la raíz α.
FIGURA 2.5
b1 − a1 b − a
α − x1 ≤ =
2 2
b1 − a1
Si f (x1 ) = 0 o < ε , entonces α = x1 y el proceso termina.
2
__________________________________________________________________________________
Si f (a1 )f (x1 ) < 0 , entonces α ∈ (a1, x1 ) y tomamos a 2 = a1 , b 2 = x1 ; en caso contrario

tomamos a 2 = x1 , b 2 = b1 .
Ahora aplicamos nuevamente el proceso anterior al intervalo [a2 , b2 ] , así:
b −a
x2 =
1
2
(a2 + b2 ) = a2 + 2 2 2 : segunda aproximación de la raíz α
b2 − a2 1  1  b −a b−a
α − x2 ≤ =  (b1 − a1 ) = 1 2 1 = 2
2 22  2 2
En general, después de ( n − 1 )-pasos, la raíz α ∈ (an , bn ) y tomamos
xn =
1
(a n + b n ) = a n + b n − a n : n-ésima aproximación de la raíz α
2 2
b−a
0 ≤ α − xn ≤
1
2
(bn − an ) = n
2
b−a
Como lim = 0 , entonces lim xn = α , es decir, la sucesión {xn }n converge a la raíz α;
n→∞ 2n n→∞
lo que significa que el método de Bisección siempre converge.
b−a
x n − α ≤ ε . En particualr, si ε = 5 × 10 ( ) para un
− k +1
Dado ε > 0 , si n
≤ ε , entonces
2
b−a
cierto entero no-negativo k, y N es el menor entero positivo para el cual ≤ ε , entonces
2n
α − x N ≤ 5 × 10 − (k +1) , así que xN = α ∗ aproximará a la raíz α con una precisión de por lo
menos k cifras decimales exactas.
Algoritmo 2.1 (Bisección) Para encontrar una aproximación α ∗ de una raíz α ∈(a, b) de
una ecuación f (x) = 0 donde f es una función continua en [a, b] y f (a)f (b) < 0 :
Entrada: f (x) ; los extremos a, b del intervalo; una tolerancia Tol, y un número máximo de
iteraciones N .
∗
Salida: Una raíz aproximada α o un mensaje.
__________________________________________________________________________________
Paso 1: Tomar n = 1.
Paso 2: Mientras que n ≤ N seguir los pasos 3-6:
a+b b−a
Paso 3: Tomar c = o c=a+ (calcular xn )
2 2
b−a
Paso 4: Si f (c) = 0 o < Tol , entonces salida: "Una raíz aproximada de la
2
∗
ecuación dada es α = c ". Terminar.
Paso 5: Tomar n = n + 1.
Paso 6: Si f (a)f (c) < 0 , entonces tomar b = c , de lo contrario tomar a = c .
Paso 7: Salida: "Se alcanzó el número máximo de iteraciones N pero no la tolerancia".

Terminar.
Para el ejemplo 2.2 anterior, usemos el método de Bisección en el intervalo [0.9,10

. ] para
aproximar la raíz α 2 , con una precisión de por lo menos tres cifras decimales exactas.
Debemos encontrar n tal que α 2 − xn ≤ 5 × 10 −4 ; pero como
b−a . − 0.9
10 0.1 0.1
α 2 − xn ≤ n
= n
= n , basta encontrar n tal que n
≤ 5 × 10 −4 . La solución de
2 2 2 2
esta última desigualdad es n ≥ 8 , así que x8 aproximará a α 2 con por lo menos tres cifras
decimales exactas.
La TABLA 2.2 siguiente, muestra los cálculos para obtener x8 .
signo de
n an bn xn f (an ) f (xn )
1 .9 1.0 .95 −1 .121...
2 .9 .95 .925 −1 4.50...×10 −2
3 .9 .925 .9125 −1 7.42...×10 −3
4 .9 .9125 .90625 −1 . ...×10 −2
−111
5 .90625 .9125 .909375 −1 . ...×10 −3
−188
6 .909375 .9125 .9109375 −1 2.76...×10 −3
7 .909375 .9109375 .91015625 −1 4.42...×10 −4
8 .909375 .91015625 .909765625 −1 −7.19...×10 −4
TABLA 2.2
__________________________________________________________________________________
BISECCION( f (x), x, a , b, N ): aproXima las primeras N iteraciones en el método de Bisección

aplicado a la función f (x) en el intervalo [a, b] . Para el ejemplo aproXime la expresión
BISECCION( 3 x 2 − exp(x), x, 0.9 , 10
. , 8 ). ◊
De acuerdo con los resultados de la TABLA 2.2, x 8 = .909765625 ≈ α 2 , y

f (x 8 ) = −7.19... × 10 −4
. Observe que el menor valor de f (xn ) , n = 12
, ,3,...,8 es
f (.91015625) = 4.42...×10 −4
y ocurrió en la iteración n = 7 . Será que x7 es mejor
aproximación de α 2 que x8 ?
Si usamos el método de Bisección para buscar aproximaciones de α 1 ∈[−.5,−.4] y

α 3 ∈[3.7, 3.8] , con la misma precisión de α 2 , obtenemos:
α 1 ≈ −.458984375 = x 8 , f (x8 ) = 7.485...×10 −5

α 3 ≈ 3.733203125 = x 8 , f (x8 ) = −2.408...×10
−3
♦
Algunas de las desventajas del método de Bisección con respecto a otros métodos son:
No tiene en cuenta la magnitud de los valores de la función en las aproximaciones calculadas

xn , sólo tiene en cuenta el signo de f (x n ) , lo que hace que una aproximación intermedia,
mejor que la respuesta final, pase desapercibida.
Aunque el método de Bisección siempre converge, su convergencia es muy lenta,

comparada con la convergencia de otros métodos que estudiaremos, por lo que se sugiere
escoger el intervalo inicial [a, b] tan pequeño como sea posible o usar el método de
Bisección para obtener un buen punto de arranque para la aplicación de otro método.
Una de las mayores ventajas que tiene el método de Bisección es que el error de
b−a
truncamiento, α − xn , se acota fácilmente (recuerde que α − xn ≤ n ).
2
Ejercicio 2.1 Use el método de Bisección para estimar la menor raíz positiva de la ecuación
x − tanx = 0 , con una precisión de por lo menos 3 cifras decimales exactas, empezando con
un intervalo [a, b] que contenga a dicha raíz y b − a = 0.1 . ♦
2.1.2 Método de Posición Falsa (o Regula Falsi): Consideremos una función f continua
en un intervalo [a, b] y tal que f (a)f (b) < 0 . El método de Posición Falsa, para encontrar una
aproximación de una raíz α ∈ (a, b ) de f (x) = 0 , es similar al método de Bisección en el
sentido de que se generan subintervalos [an , bn ] que encierran a la raíz α, pero esta vez xn
no es el punto medio de [an , bn ] , sino el punto de intersección de la recta que pasa por los
( ) ( )
puntos an , f (an ) , bn , f (bn ) con el eje x (ver la FIGURA 2.6 siguiente).
__________________________________________________________________________________
Al reemplazar la curva por una recta se obtiene una "posición falsa" de la raíz, de aquí el
nombre del método. También se le conoce como método de Interpolación Lineal Inversa.
FIGURA 2.6
Empezamos tomando a1 = a , b1 = b y encontramos la primera aproximación de la raíz, x1 ,

como la intersección con el eje x , de la recta secante a la curva que pasa por los puntos
( ) ( )
a1, f (a1 ) , b1, f (b1 ) :
x1 = a1 −
(b1 − a1)f (a1) = a1f (b1 ) − b1f (a1 )
f (b1 ) − f (a1 ) f (b1 ) − f (a1 )
Si f (x1 ) = 0 , entonces α = x1 y el proceso termina.
Si f (a1 )f (x1 ) < 0 entonces α ∈ (a1, x1 ) y tomamos a 2 = a1 , b 2 = x1 , de lo contrario tomamos

a 2 = x1 , b 2 = b1 .
Aplicamos nuevamente el proceso anterior al intervalo [a2 , b2 ] , es decir, hacemos
x2 = a 2 −
(b2 − a2 )f (a2 )
f (b 2 ) − f (a 2 )
Después de la ( n − 1)-ésima iteración, tenemos α ∈ (an , bn ) y tomamos
xn = an −
(bn − an )f (an ) = an f (bn ) − bn f (an )
f (bn ) − f (an ) f (bn ) − f (an )
Observe que en el denominador de la expresión anterior nunca se resta, pues f (an )f (bn ) < 0 .
Este método tiene la desventaja, con respecto al método de Bisección, que la longitud del
subintervalo que contiene a la raíz en general no tiende a cero, porque la mayoría de las
gráficas de las funciones son cóncavas (hacia arriba o hacia abajo) en la vecindad de la raíz,
lo que hace que uno de los extremos de los subintervalos se aproxime a la raíz, mientras el
otro permanece fijo (ver la FIGURA 2.6 anterior).
__________________________________________________________________________________
Por lo anterior, la longitud del subintervalo [an , bn ] no puede tomarse como un criterio de
aproximación a la raíz; se requiere una tolerancia en el valor de la función en la aproximación
xn , es decir, f (xn ) < ε o xn − xn −1 < ε para alguna tolerancia ε > 0 previamente
escogida. El procedimiento termina cuando se alcance esta tolerancia o un número máximo
de iteraciones previamente establecido.
Se puede demostrar, ver Ralston,1965, página 324, que este método converge siempre que f
sea continua.
Ejercicio 2.2 Escriba un algoritmo para el método de Regula Falsi. ♦
Ejemplo 2.3 Con respecto a las raíces α 1 ∈[−.5,−.4] , α 2 ∈[.9,10

. ] , α 3 ∈[3.7,3.8] de la
ecuación 3 x2 − e x = 0 , si usamos el método de Regula Falsi con criterio de aproximación
f (xn ) < ε = 5 × 10 −5
se obtienen los siguientes resultados
α 1 ≈ −.458960329 = x 3 y f (x3 ) = −6.56...×10 −6

α 2 ≈ .910006353 = x3 y f (x3 ) = −3.62...×10 −6
α 3 ≈ 3.73307860 = x 4 y f (x4 ) = 8.24...×10 −6
REGULA( f (x), x, a , b, N ): aproXima las primeras N iteraciones en el método de Regula falsi

aplicado a la función f (x) en el intervalo [a, b] . ◊
Compare los resultados anteriores con los obtenidos por el método de Bisección. ♦
Ejercicio 2.3 Aplique el método de Regula Falsi para estimar la menor raíz positiva α de la
ecuación x − tanx = 0 , usando como criterio de aproximación f (xn ) < 5 × 10 −5 . Con
cuántas cifras decimales exactas aproxima el valor obtenido xn a α ? ♦
2.2 MÉTODOS ABIERTOS
A diferencia de los métodos cerrados que requieren de un intervalo que encierre la raíz
buscada, los métodos abiertos que se verán requieren de un solo valor o dos valores iniciales
(de arranque) que no necesariamente encierran dicha raíz; ésto hace que algunas veces las
sucesiones generadas por estos métodos sean divergentes o se alejen de la raíz de interés
(vayan probablemente a otra raíz), pero tienen la ventaja que cuando convergen lo hacen
"más rápidamente" que las sucesiones generadas por los métodos cerrados.
2.2.1 Método de Punto Fijo: Dada una ecuación f (x ) = 0 , podemos transformarla, de

alguna manera, en otra equivalente (al menos localmente) del tipo x = g(x ) para alguna
__________________________________________________________________________________
función g. En este caso se tiene que: α es raíz de f (x ) = 0 ⇔ f (α ) = 0 ⇔ α = g(α ) ⇔ α es

raíz de x = g(x ) .
Definición 2.2 Un número α tal que α = g(α ) se dice un punto fijo de la función g. ∇
Cuándo una función g tiene un punto fijo, y si lo tiene, cómo encontrarlo?
El siguiente teorema da respuesta parcial (condiciones suficientes) a las preguntas

formuladas antes.
Teorema 2.1 (de punto fijo) Si g es una función continua en [a, b] y g(x) ∈[a, b] para todo
x ∈[a, b] , entonces g tiene por lo menos un punto fijo en [a, b] . Si además, g′(x) existe para
todo x ∈ (a, b) y g′(x) ≤ K < 1 para todo x ∈ (a, b) , K constante , entonces g tiene un único
punto fijo α ∈[a, b] y la sucesión {xn }n definida mediante la fórmula de iteración
xn = g(xn −1 ) , n = 12
, ,3,...
converge a α ( lim x n = α ) cualquiera sea x0 ∈[a, b] , y se tienen las siguientes cotas para
n→∞
el error de truncamiento, α − xn :
i) α − x n ≤ K n Max {x 0 − a, b − x 0 }, para cada n ≥ 0 ,

Kn
ii) α − xn ≤ x 1 − x 0 , para cada n ≥ 0,
1− K
K
iii) α − x n ≤ x n − x n−1 , para cada n ≥ 1 .
1− K
Ilustración:
FIGURA 2.7
Demostración: Existencia: Si g(a) = a o g(b) = b , entonces a o b es un punto fijo de g.

__________________________________________________________________________________
Supongamos a < g(a) y b > g(b) y sea h(x) = g(x) − x . Entonces h es continua en [a, b] ,
h(a) = g(a) − a > 0, h(b) = g(b) − b < 0 , por tanto (teorema del valor intermedio) existe por lo
menos un α ∈ (a, b) tal que h(α ) = 0 , ésto es, α = g(α ) .
Unicidad: Supongamos que g′(x) ≤ K < 1 para toda x ∈ (a, b) y alguna constante K, y sean
α y β puntos fijos distintos de g en [a, b] . Entonces
α −β = g(α ) − g(β) = g′(ξ )(α − β) = g′(ξ) α − β ≤K α −β < α −β
para algún ξ ∈ (α, β) , lo cual es un absurdo, así que α = β y entonces el punto fijo en [a, b] ,
que existe según la primera parte, es único.
Convergencia de la sucesión {xn }n con xn = g(xn −1 ), n = 12

, ,3... y cotas para α − xn :
Sea x0 ∈[a, b] cualquiera. Entonces
En = α − xn = g(α ) − g(xn −1 ) = g′(γ ) α − xn −1 ≤ KEn −1, n = 12

, ,... (2.1)
para algún γ entre α y xn−1 .
Procediendo inductivamente sobre n, se tiene que
0 ≤ En ≤ KEn −1 ≤ K 2En − 2 ≤ .... ≤ K nE0 , con E 0 = α − x0 (2.2)
y como K n → 0 cuando n → +∞ , pues 0 ≤ K < 1 , entonces En = α − xn → 0 cuando

n → +∞ , es decir, lim xn = α .
n→∞
De la relación (2.2), se tiene que
i) En = α − xn ≤ K n α − x 0 ≤ K n Max {x 0 − a, b − x 0 } , ya que α ∈[a, b] .
De otro lado
α − x0 = α − x1 + x1 − x0 ≤ α − x1 + x1 − x0 ≤ K α − x0 + x1 − x0
así que
(1 − K ) α − x0 ≤ x1 − x0
y como 0 ≤ K < 1 , entonces
1
α − x0 ≤ x1 − x0 (2.3)
1− K
Nuevamente, de (2.2)
α − xn ≤ K n α − x 0
y entonces multiplicando ambos miembros de (2.3) por K n , obtenemos

__________________________________________________________________________________
Kn
α − xn ≤ K n α − x 0 ≤ x1 − x 0
1− K
así que
Kn
ii) α − xn ≤ x1 − x0 , n = 12
, ,...
1− K
La demostración de la parte iii) se deja como ejercicio. ∇
El método de Punto Fijo para encontrar una raíz α de la ecuación x = g( x) , consiste en

generar la sucesión {xn }n mediante la fórmula de iteración
xn = g( xn −1 ) , n = 1,2,...
con x0 dado.
La función g se dice una función de iteración de punto fijo.
Nota: Observe, a partir de la cota de error dada en el teorema 2.1, ii), que para 0 ≤ K < 1 ,
entre más pequeña sea K, es decir, entre más pequeña sea g′( x) , x ∈ ( a,b) , "más rápida"
será la convergencia de la sucesión {xn }n a α . La convergencia puede ser muy lenta si K
está cerca de 1.
∗
Algoritmo 2.2 (Punto Fijo) Para encontrar una aproximación α de un punto fijo α de una
función g, dada una aproximación inicial x0 :
Entrada: g(x); una aproximación inicial x0 ; una tolerancia Tol, y un número máximo de
iteraciones N .
∗
Salida: Un punto fijo aproximado α o un mensaje.
Paso 3: Tomar c = g(x0 ) (calcular xn ).
Paso 4: Si c − x0 < Tol o c − x0 < Tol c , entonces salida: "Un punto fijo
aproximado de la función dada es α ∗ = c ". Terminar.
Paso 6: Tomar x 0 = c (redefinir x0 ).

__________________________________________________________________________________
Paso 7 : Salida "Se alcanzó el número máximo de iteraciones N pero no la tolerancia".

Terminar.
Las siguientes gráficas muestran algunas formas de convergencia o divergencia de la
sucesión
{xn }n , donde xn = g(xn−1), n = 12
, ,...
FIGURA 2.8.a FIGURA 2.8.b

Convergencia. (La sucesión no es Convergencia. (La sucesión
monótona) es monótona)
FIGURA 2.8.c FIGURA 2.8.d

Divergencia. No satisface las hipó- Convergencia (dependiendo del
tesis del teorema de Punto Fijo. punto inicial ). No satisface las
hipótesis del teorema de Punto Fijo.
Hay situaciones en las que no se satisfacen las hipótesis del teorema de Punto Fijo y sin
embargo hay convergencia, es decir, el teorema es de condiciones suficientes no necesarias.
Ejemplo 2.4 Para la ecuación 3 x2 − e x = 0 sabemos que tiene tres raíces reales
α 1 ∈[−.5,−.4] , α 2 ∈[.9,10
. ] y α 3 ∈[3.7,3.8]. Estimemos α 2 usando el método de iteración
de Punto Fijo.
__________________________________________________________________________________
Empezamos transformando el problema f (x ) = 0 en otro equivalente del tipo x = g(x ) para

alguna función g:
Como
 x
 e2
x = , si x ≥ 0
1
ex  ex 2  3
3x − e = 0 ⇔ x =
2 x
⇔ x = ±
2  ⇔
3  3  x
   2
x = − e
, si x ≤ 0

 3
x
entonces g1(x) =
1 2
e es una función de iteración.
3
Como
ex
3 x2 − e x = 0 ⇔ x = , x≠0
3x
ex
entonces g2 ( x) = , x ≠ 0 , también es una función de iteración.
3x
Como
( )
3x2 − e x = 0 ⇔ e x = 3x 2 ⇔ x = ln 3x 2 , x ≠ 0
( )
entonces g3 (x) = ln 3x 2 , x ≠ 0 , es otra función de iteración.
Como
3x 2 − e x 3 x 2 − xe x + e x
3x 2 − e x = 0 ⇔ x = x − , 6x − e x ≠ 0 ⇔ x = , 6x − e x ≠ 0
6x − e x 6x − e x
3 x 2 − xe x + e x
entonces g4 (x) = , 6 x − e x ≠ 0 , es una función de iteración (la función de
6x − e x
iteración del método de Newton-Raphson) .
Como
3 x2 − e x = 0 ⇔ x = 3 x2 + x − e x
entonces g5 (x) = 3 x 2 + x − e x , es también una función de iteración.
x
Si escogemos la función de iteración g1(x) = e 2 y el intervalo [.9,10
. ] , vemos que:
1
3
x
[.9,10
. ]; g1′ (x) = > 0 para todo x ∈[.9,10
. ], así que g1 es
1
g1 es continua en e2
2 3
creciente en [.9,10
. ] , y como
__________________________________________________________________________________
.9 1.0
g1(.9 ) = e 2 = .905... ∈[.9,10
. ] , g1(10
. )= = .951... ∈[.9,10
. ]
1 1 2
e
3 3
entonces g1(x) ∈[.9,10

. ] para todo x ∈[.9,10
. ] . Luego g1 tiene por lo menos un punto fijo en
el intervalo [.9,10
. ].
Ahora,
x
g1′′ (x ) = e 2 > 0 para todo x ∈ [.9,1.0]
1
4 3
así que g1′ es creciente en el intervalo [.9,10

. ] (la gráfica de g1 es cóncava hacia arriba
para x ∈[.9,10
. ] ), y como
g1′ (.9 ) = g1′ (10

. )=
1 1
e.45 = .452... , e.5 = .475...
2 3 2 3
entonces
g1′ (x ) ≤ .48 = K < 1 para todo x ∈ (.9,1.0)
Luego g1 tiene un único punto fijo α 2 en el intervalo [.9,10

. ] , y cualquiera sea x0 ∈[.9,10
. ]
la sucesión {xn }n con
xn 1
−
1
xn = g1( xn −1 ) = e 2 , n = 12
, ,3,...
3
converge a α 2 , es decir, lim xn = α 2 , y se tienen además las cotas para el error de

n→∞
truncamiento, α 2 − xn , dadas en el teorema 2.1.
Cuántas iteraciones n serán necesarias para que xn aproxime al punto fijo α 2 ∈[.9,10
. ]
con por lo menos tres cifras decimales exactas ?
Como sabemos que α 2 − xn ≤ K n Max {x 0 − a , b − x 0 } , basta resolver para n la

desigualdad
K n Max {x 0 − a, b − x0 } ≤ 5 × 10 −4
Tomando K =.48 y x0 =.95 ( observe que x 0 =.95 es el punto medio del intervalo [.9,10
. ] y
es el valor que minimiza la expresión Max {x0 − a, b − x0 } ), obtenemos
Max {x0 − a, b − x0 } = Max { .95 −.9, 10

. −.95} = .05
y entonces debemos resolver la desigualdad

__________________________________________________________________________________
K n Max {x 0 − a , b − x 0 } = (.48) (.05) ≤ 5 × 10 −4

n
La solución de esta desigualdad es
n≥
(
ln 10 −2 ) = 6.27...
ln(.48)
Luego para n ≥ 7 , se tiene que xn aproximará a α 2 con una precisión de por lo menos tres
cifras decimales exactas.
x
La gráfica de g1(x) =
1 2
e se muestra en la FIGURA 2.9, y los valores calculados usando el
3
x
método de Punto Fijo con la función de iteración g1(x) =
1
e 2 , iniciando con x0 = .95 y
3
terminando en x7 ≈ α 2 , se muestran en la TABLA 2.3.
FIGURA 2.9
N xn
0 .95
1 .9283874
2 .9184090
3 .9138383
4 .9117522
5 .9108017
6 .9103690
7 .9101720
TABLA 2.3
__________________________________________________________________________________
PUNTO_FIJO( g(x), x, x0 , N ): aproXima las primeras N iteraciones en el método de Punto

Fijo aplicado a la función g(x) con aproximación inicial x0 . Para el ejemplo aproXime la
1  x
expresión PUNTO_FIJO( exp  , x, 0.95 , 7 ). ◊
3  2
De acuerdo con los resultados de la TABLA 2.3, α 2 ≈ .9101720 = x7 . ♦
Observe, en la FIGURA 2.9, que no existe intervalo [a, b] que contenga a α 3 (que es punto
fijo de g1 ) donde se satisfagan todas las hipótesis del teorema de Punto Fijo para la función
g1 . Para esta función de iteración g1 el método de Punto Fijo no converge a α 3 .
ex
Si tomamos la función de iteración g2 (x) = , x ≠ 0 , cuya gráfica se muestra en la FIGURA
3x
2.10 siguiente, tenemos:
FIGURA 2.10
3 xe x − 3 e x e x (x − 1)
. ] ; g′2 (x) =
g2 es continua en [.9,10 = ≤ 0 si x ∈[.9,10
. ] , así que g2 es
9 x2 3 x2
decreciente en [.9,10
. ] , y como
g2 (.9) =.91... ∈[.9,10

. ] , g2 (10
. ) = .90... ∈[.9,10
. ]
entonces g2 (x) ∈[.9,10

. ] para todo x ∈[.9,10
. ] , así que g2 tiene por lo menos un punto fijo en
el intervalo [.9,10
. ].
__________________________________________________________________________________
Ahora,
g′′ (x) =
(e (x − 1) + e )3x
x x 2
− e x (x − 1)6 x
2
9 x4
=
x 2 e x − 2xe x + 2e x
=
( )
e x x 2 − 2x + 2
3 3
3x 3x
y como
( )
x 2 − 2x + 2 = x 2 − 2x + 1 + 1 > 0 para todo x ∈ R
entonces g′′2 (x) > 0 ⇔ x > 0 .
Por tanto g′2 es creciente en [.9,10

. ] , y como
g′2 (.9) = −.10... , g′2 (10

. )=0
entonces
g′2 (x ) ≤ .11 = K < 1 para todo x ∈ (.9,1.0 )
En consecuencia g2 tiene un único punto fijo α 2 ∈[.9,10

. ] , y la sucesión {xn } con
n
x
( )
x n = g 2 x n −1 =
e n −1
3 x n−1
, n = 1,2,3,...
converge a α 2 cualquiera sea x0 ∈[.9,10

. ] , y se tienen además cotas para el error de
truncamiento α 2 − xn .
Los valores obtenidos usando la función de iteración g2 con punto inicial x 0 = .95 y criterio
de aproximación xn − xn −1 < 5 × 10 −5 , se muestran en la TABLA 2.4 siguiente.
n xn xn − xn −1
0 .95
1 .9072665 4.27335 × 10 −2
2 .9102584 2.9919 × 10 −3
3 .9099850 2.734 × 10 −4
4 .9100096 2.46 × 10 −5
TABLA 2.4
De acuerdo con los resultados de la TABLA 2.4, α 2 ≈ .9100096 = x4 . Como ejercicio,

analice con cuántas cifras decimales exactas aproxima x4 a α 2 ? ♦
ex
Será que la función g2 (x) = nos sirve para determinar α 3 ∈[3.7,3.8] ?
3x
__________________________________________________________________________________
Veamos:
g2 es continua en [3.7,3.8] , g2 es creciente en [3.7,3.8] y como g2 (3.7 ) = 3.6... ∉ [3.7,3.8] ,

g 2 (3.8 ) ∉ [3.7,3.8], entonces no se satisface la condición g2 (x) ∈[3.7,3.8] para todo
x ∈[3.7,3.8] .
Existirá algún intervalo [a, b] que contenga a la raíz α 3 donde se satisfagan todas las
hipótesis del teorema de Punto Fijo para la función g2 ?
Observe, a partir de la gráfica de g2 , que no existe intervalo [a, b] con α 3 ∈[a, b] tal que
g2′ (x) ≤ K < 1 para todo x ∈[a, b] .
Como g′2 es creciente en [3.7,3.8] , g′2 (3.7) = 2.65..., g′2 (3.8) = 2.88..., entonces
g′2 (x ) > 1 para todo x ∈[3.7,3.8] . Luego no existe intervalo [a, b] que contenga a la raíz
α 3 donde se satisfagan las hipótesis del teorema de Punto Fijo para la función g2 .
Por otro lado, como g′2 es decreciente en [−.5,−.4] , g′2 (−.5) = −121
. ... y g′2 (−.4) = −195
. ... ,
entonces g2 tampoco satisface las hipótesis del teorema de Punto Fijo en algún intervalo
que contenga a α 1 . ♦
Ejercicio 2.4 Use el método de iteración de Punto Fijo, con alguna de las funciones de
iteración dadas anteriormente, para encontrar estimaciones de las raíces α 1 y α 3 de la
ecuación 3 x2 − e x = 0 , usando como criterio de aproximación
xn − xn −1 < 5 × 10 −5 ♦
Ejemplo 2.5 Usemos el método iterativo de Punto Fijo para encontrar la menor raíz positiva
de la ecuación x − tanx = 0 .
Como x − tanx = 0 ⇔ x = tanx , empezamos graficando, en un mismo plano coordenado, las

funciones f1(x) = x y f2 (x) = tanx (ver la FIGURA 2.11).
 π 3π 
De acuerdo con la FIGURA 2.11, la menor raíz positiva α ∈  ,  , y a partir de una tabla
2 2 
de valores para f (x ) = x − tanx , por ejemplo en el intervalo [4,4.7] con tamaño de paso
h = .1 , puede verse que α ∈[4.4,4.5] (cuando utilice una calculadora, use el modo radianes
para los cálculos).
Una primera función de iteración de Punto Fijo (que salta a la vista) es g(x ) = tanx (ya que
x − tanx = 0 ⇔ x = tanx ), pero es claro que para esta función g no existe intervalo [a, b] que
__________________________________________________________________________________
contenga la raíz α donde se satisfagan todas las hipótesis del teorema de Punto Fijo, pues
g′(α ) >> 1 (observe la FIGURA 2.11).
FIGURA 2.11
Si aplicamos el método de Punto Fijo con la función de iteración g(x ) = tanx y punto inicial
x 0 = 4.4 , se obtienen en las cinco primeras iteraciones los resultados que se muestran en la
TABLA 2.5 siguiente.
n xn
0 4.4
1 3.096324
2 − 4.529982 × 10 −2
3 − 4.533083 × 10 −2
4 − 4.536191 × 10 −2
5 −4.539305 × 10 −2
TABLA 2.5
Observando la TABLA 2.5 se concluye que no hay convergencia a la raíz buscada.
Si empezamos con x0 = 4.5 , se obtienen los resultados que se muestran en la TABLA 2.6,
donde se ve claramente que tampoco hay convergencia a la raíz buscada.
Cuál otra función de iteración podríamos construir?
Observando la gráfica de la función tangente (vea la FIGURA 2.11), y teniendo en cuenta la

relación entre la gráfica de esta función y la de su inversa, se ve claramente que una función
__________________________________________________________________________________
de iteración de punto fijo, apropiada para determinar α, es la que se obtiene por la vía de la
función inversa. Para obtener tal función de iteración g(x) procedemos como sigue:
n xn
0 4.5
1 4.637332
2 13.29819
3 .8982038
4 1.255520
5 3.066028
TABLA 2.6
Puesto que tanx = tan(x − π ) , entonces
π 3π π 3π
<x< y x = tanx ⇔ <x< y x = tan(x − π )
2 2 2 2
π π
⇔ − < x−π< y x = tan(x − π )
2 2
π π
⇔ − < x−π< y tan −1x = x − π
2 2
π 3π
⇔ <x< y x = π + tan −1x
2 2
Así que podemos tomar como función de iteración g(x) = π + tan −1x . La gráfica de
y = π + tan −1x se muestra en la FIGURA 2.12 siguiente.
FIGURA 2.12
Veamos que g(x) = π + tan −1x satisface todas las hipótesis del teorema de Punto Fijo en el
intervalo [4.4,4.5] :
__________________________________________________________________________________
g es continua en [4.4,4.5] ; g′(x) =

1
> 0 para todo x ∈ R , así que g es creciente en
1 + x2
( )
[4.4,4.5] , y como g(4.4) = 4.48... y g(4.5) = 4.49... , entonces g [4.4,4.5] ⊆ [4.4,4.5] .
Ahora, g′ es decreciente en [4.4,4.5] (a medida que x aumenta g′(x) disminuye), y como
g′(4.4) = .049... y g′(4.5) = .047... , entonces g′(x) ≤ .05 = K < 1 para todo x ∈ (4.4,4.5) .
Por lo tanto g tiene un único punto fijo α ∈[4.4,4.5] , y la sucesión {xn }n con
xn = π + tan −1xn −1, n = 1,2,...
converge a α cualquiera sea x0 ∈[4.4,4.5] , y se tienen además, las cotas para el error de
truncamiento α − xn , dadas en el teorema 2.1.
La convergencia debe ser "rápida" pues K es pequeña.
Como ejercicio, encuentre cuántas iteraciones n serán necesarias para que xn aproxime
a α con por lo menos 4 cifras decimales exactas, tomando [a, b] = [4.4,4.5] , x0 = 4.45 y
K = .05 ?
La TABLA 2.7 siguiente, muestra los cálculos de las iteraciones para g(x) = π + tan −1x con
punto inicial x 0 = 4.45 y criterio de aproximación xn − xn −1 < 5 × 10 −5 .
n xn xn − xn −1
0 4.45
1 4.491341 .041341
2 4.493311 . × 10 −3
197
3 4.493404 9.3 × 10 −5
4 4.493409 5.0 × 10 −6
TABLA 2.7
De acuerdo con los resultados de la TABLA 2.7, α ≈ 4.493409 = x 4 . ♦
2.2.2 Método de Newton-Raphson: Como veremos más adelante, el método de Newton-

Raphson se aplicará para hallar raíces simples de una ecuación f (x) = 0 . Antes de ver el
método de Newton-Raphson, veamos la siguiente definición sobre la multiplicidad de una raíz
de una ecuación.
Definición 2.3 Dada una ecuación f (x) = 0 . Un número α se dice una raíz de multiplicidad
m (m un entero positivo) de la ecuación f (x) = 0 , si f (α ) = 0 , y
__________________________________________________________________________________
para x ≠ α, f (x) = (x − α ) h(x) con lim h(x) ≠ 0

m
x→ α
Si m = 1, la raíz se dice simple. ∇
El siguiente teorema relaciona la multiplicidad de una raíz de una ecuación f (x) = 0 con las
derivadas de la función f .
Teorema 2.2 Supongamos que la función f tiene su dos primeras derivadas continuas en un
intervalo [a, b] que contiene a un número α . Entonces α es una raíz simple de la ecuación
f (x) = 0 si y sólo si f (α ) = 0 y f ′(α) ≠ 0 .
Demostración: Supongamos que α es una raíz simple de la ecuación f (x) = 0 . Entonces de

acuerdo con la definición 2.3, f (α ) = 0 , y
para x ≠ α , f (x) = (x − α )h(x) con lim h(x) ≠ 0 .

x→ α
Derivando a ambos lados de la expresión anterior con respecto a x, obtenemos
f ′(x) = h(x) + (x − α )h′(x)

Como
lim f ′(x) = lim h(x) ≠ 0
x→ α x→ α
y f ′ es continua en α (por hipótesis), entonces lim f ′(x) = f ′(α ) ≠ 0 .

x→ α
Recíprocamente, supongamos que f (α ) = 0 y f ′(α) ≠ 0 . Haciendo un desarrollo en serie de

Taylor para f alrededor de α, obtenemos
f (x) = f (α ) + f ′(α )(x − α ) + f ′′(ξ)

(x − α ) 2
! 2!
0

= (x − α )f ′(α ) + f ′′(ξ )
(x − α) 

 2! 
para algún ξ entre x y α .
Llamando
h(x) = f ′(α ) + f ′′(ξ)

(x − α )
2!
tenemos que, para x ≠ α , f (x) = (x − α )h(x) con lim h(x) = f ′(α ) ≠ 0 . ∇

x→ α
En general, se tiene el siguiente teorema cuya demostración es completamente análoga a la

del teorema 2.2 anterior.
__________________________________________________________________________________
Teorema 2.3 Supongamos que la función f tiene sus primeras m + 1 derivadas continuas en
un intervalo [a, b] que contiene a un número α. Entonces α es una raíz de multiplicidad m de
la ecuación f (x) = 0 si y sólo si 0 = f (α ) = f ′(α ) = f ′′(α ) =... = f (

m −1)
(α) y f ( ) (α ) ≠ 0 . ∇
m
Volviendo al método de Newton-Raphson, la hipótesis general para aplicar este método

para hallar una raíz α ∈ (a, b ) de una ecuación f (x ) = 0 , es que la función f tenga sus
primeras dos derivadas continuas en el intervalo [a, b] y f ′(x) ≠ 0 para todo x ∈ [a, b] .
De acuerdo con la hipótesis general y el teorema 2.2, como f ′(α) ≠ 0 , entonces la raíz α es
simple, es decir, de multiplicidad 1.
Las siguientes gráficas muestran diversas posibilidades de multiplicidad para una raíz α de
una ecuación f (x) = 0 :
FIGURA 2.13.a FIGURA 2.13.b FIGURA 2.13.c

(Raíz simple) (Raíz múltiple, par) (Raíz múltiple, impar)
Hay varias formas de presentar el método de Newton-Raphson, dos de ellas son:
Presentación gráfica: Supongamos que f satisface la hipótesis general en un intervalo [a, b]

y escojamos x0 ∈[a, b] "cercano" a la raíz α .
La primera aproximación x1 , en el método de Newton-Raphson, es el punto en el cual la

( )
recta L, tangente a la gráfica de f en el punto x 0 , f (x0 ) , corta al eje x (ver la FIGURA 2.14).
De acuerdo con ésto, se tiene que

f (x0 ) − 0
f ′( x 0 ) =
x 0 − x1
y entonces
f (x 0 )
x1 = x 0 −
f ′ (x 0 )
f ( x n −1 )
En general, para cada n ≥ 1, xn = xn −1 − : abscisa del punto de intersección de la
f ′ ( x n −1 )
(
recta tangente a la gráfica de f en el punto xn −1, f (xn −1 ) , con el eje x. )
__________________________________________________________________________________
FIGURA 2.14
Presentación usando polinomios de Taylor: Supongamos que f satisface la hipótesis

∗
general en un intervalo [a, b], y sea α ∗ ∈ [a, b] con α − α "pequeño".
Consideremos el polinomio de Taylor de primer grado para la función f alrededor de α ∗ :
(x − α )
2
∗
( ) + f ′(α )(x − α )
f (x) = f α ∗ ∗ ∗
+ f ′′(ξ)
2!
con ξ entre x y α ∗
En particular para x = α , tenemos
(α − α )
2
∗
0 = f (α ) = f α ( ) + f ′(α )(α − α )
∗ ∗ ∗
+ f ′′(ξ)
2!
, ξ entre α y α ∗
(α − α )
2
∗
Suponiendo que el término f ′′(ξ) es despreciable (recuerde que f ′′ es acotada),

2!
obtenemos
( ) ( )(
0 ≈ f α∗ + f ′ α∗ α − α∗ )
y despejando α , llegamos a
α≈α − ∗ ( )
f α∗
f ′(α )
∗
∗
y α −
( ) es, por lo general, una mejor aproximación de α que α
f α∗
∗
f ′(α )
.
∗
El método de Newton-Raphson para encontrar una raíz α de una ecuación f (x) = 0 ,

consiste en generar la sucesión {xn }n definida mediante la fórmula de iteración
__________________________________________________________________________________
f ( x n −1 )
x n = x n −1 − , n = 12
, ,...
f ′(xn −1 )
y escogiendo x0 "cercano" a α .
De acuerdo con la fórmula anterior, se ve claramente que el método de Newton-Raphson

es un caso especial del método de iteración de Punto Fijo, cuando se toma como función
de iteración la función
f (x)
g(x) = x −
f ′(x)
La escogencia del punto inicial x0 es muy importante para la convergencia del método de
4x − 7
Newton-Raphson. Como ejemplo, consideremos la función f (x) = , que tiene un cero
x−2
7
en α = = 175
. . Como
4
4(x − 2) − (4 x − 7) −1
f ′(x) = , f ′′(x) =
2
=
(x − 2) 2
(x − 2) 2
(x − 2)3
entonces f es continuamente diferenciable dos veces en todo intervalo que no contenga a
x=2.
La sucesión generada por el método de Newton-Raphson para la función dada es
4 x n −1 − 7
xn −1 − 2
x n = x n −1 − , x n −1 ≠ 2
−1
(xn−1 − 2)2
4x − 7
La gráfica de f (x) = es como se muestra en la FIGURA 2.15.
x−2
Se puede ver que si en la fórmula para xn (en el método de Newton-Raphson) usamos

x 0 = 15
. , obtenemos x1 = 2.0 y el método no puede continuarse.
Si x0 ∈ (15
. ,2) el método converge. Qué pasa si x0 ∈ (0,15
. )?
En las TABLAS 2.8 y 2.9, se muestran los resultados obtenidos al aplicar el método de
4x − 7
Newton-Raphson a la función f (x) = tomando como puntos iniciales x 0 = 165. y
x−2
. , respectivamente, y usando como criterio de aproximación f (xn ) < 5 × 10
−5
x 0 = 185 o
xn − xn −1 < 5 × 10 −5 .
__________________________________________________________________________________
FIGURA 2.15
n xn f (xn ) xn − xn−1
0 .
165 . ...
114
1 .
179 −.761... .14
2 .
17564 −.105... 3.36 × 10 −1
3 .
1750163 −2.60...×10 −3 6.237 × 10 −3
4 175
. 0 . × 10 −4
163
TABLA 2.8
NEWTON( f (x), x, x0 , N ): aproXima las primeras N iteraciones en le método de Newton-

Raphson aplicado a la función f (x) , tomando como aproximación inicial x0 . Para el ejemplo,
aproXime la expresión NEWTON( 4 x − 7 ,x,1.65,4 ). ◊

x−2
0 .
185 −2.66...
1 .
179 −.761... 6.0 × 10 −2
2 17564
. −.105... 3.36 × 10 −1
3 .
1750163 −2.60...×10 −3 6.237 × 10 −3
4 .
175 0 . × 10 −4
163
TABLA 2.9
Para la misma función f si usamos el método de Newton-Raphson con x 0 = 10 . se obtienen,

hasta la quinta iteración, los resultados que se muestran en la TABLA 2.10 siguiente. ♦
__________________________________________________________________________________
0 .
10 3.0
1 4.0 4.5 3.0
2 22.0 4.05 18.0
3 1642.0 4.000609 1620.0
4 .
1076168 × 10 7 4.000000 .
10760038 × 107
5 4.632550 × 1014 4.000000 4.6325498...×1014
TABLA 2.10
El siguiente teorema da condiciones suficientes no necesarias para la convergencia del

método de Newton-Raphson, aunque no da, de manera explícita, un intervalo donde se
pueda escoger el punto inicial x0 .
Teorema 2.4 Sea f una función continuamente diferenciable dos veces en un intervalo [a, b]
que contiene un número α . Si f (α ) = 0 y f ′(α ) ≠ 0 ( α es raíz simple de la ecuación
f (x) = 0 ), entonces existe δ > 0 tal que la sucesión {xn }n con
f ( x n −1 )
xn = xn −1 − , n = 1,2,...
f ′ ( x n −1 )
converge a α para cualquier x0 ∈[α − δ, α + δ ] .
Demostración: Haciendo
f (x)
g(x) = x −
f ′(x)
se demostrará que existe un δ > 0 tal que la función g satisface las hipótesis del teorema 2.1
(de Punto Fijo) en el intervalo [α − δ, α + δ ] .
En efecto:
Como f ′(α) ≠ 0 y f ′ es continua en [a,b] , existe δ1 > 0 tal que f ′(x) ≠ 0 para todo
x ∈[α − δ1, α + δ1 ] ⊆ [a, b] . Entonces g es continua en [α − δ1, α + δ1 ] .
Ahora,
f ′(x)f ′(x) − f (x)f ′′(x) [f ′(x)] − [f ′(x)] + f (x)f ′′(x)
2 2
g′(x) = 1 − =
[f ′(x)] [f ′(x)]
2 2
f (x)f ′′(x)
= para x ∈[α − δ 1, α + δ 1 ]
[f ′(x)]
2
__________________________________________________________________________________
y como f es continuamente diferenciable dos veces en [a, b] , entonces g′ es continua en

[α − δ1, α + δ1] ; por otro lado f (α) = 0 y f ′(α) ≠ 0 , así que
f (α )f ′′(α )
g′(α ) = =0
[f ′(α)]
2
Ahora, como g′ es continua en [α − δ1, α + δ 1 ] y g′(α ) = 0 , entonces existe δ con 0 < δ < δ 1
tal que g′(x) ≤ K < 1 para toda x ∈[α − δ, α + δ ] (este δ depende del K escogido).
( )
Fijados K y δ, falta demostrar que g [α − δ, α + δ] ⊆ [α − δ, α + δ ] .
Si x ∈[α − δ, α + δ ] , el teorema del valor medio aplicado a g implica que existe un ξ entre x y α
tal que
g(x) − α = g(x) − g(α ) = g′(ξ) x − α ≤ K x − α < x − α ≤ δ
f (α )
(recuerde que g(α ) = α − = α ).
f ′(α )
Así que g(x) − α ≤ δ , lo que significa que g(x) ∈[α − δ, α + δ ] para todo x ∈[α − δ, α + δ ] .
Luego g:[α − δ, α + δ ] → [α − δ, α + δ ] satisface todas las hipótesis del teorema 2.1, y en
consecuencia la sucesión {xn }n definida por
xn = g(xn−1 ), n = 12
, ,...
converge a α cualquiera sea x0 ∈[α − δ, α + δ ] . ∇
Nota: Los criterios de aproximación que generalmente se utilizan en el método de

Newton-Raphson son: dado ε > 0 , se toma como aproximación de la raíz α de la ecuación
f (x ) = 0 , al término xN de la sucesión generada mediante la fórmula de iteración de Newton,
donde N es el menor entero no-negativo tal que f (xn ) < ε o xn − xn −1 < ε .
Obsérve que si el método de Newton-Raphson converge, como
f ( x n −1 )
xn − xn −1 =
f ′ ( x n −1 )
entonces entre más grande sea f ′(x) en la vecindad de la raíz α, "más rápida" será la
convergencia.
__________________________________________________________________________________
∗
Algoritmo 2.3 (Newton-Raphson) Para encontrar una aproximación α de una raíz α de
una ecuación f (x) = 0 conocida una aproximación inicial x 0 :
Entrada: f (x), f ′(x) , una aproximación inicial x 0 , una tolerancia Tol, y un número máximo
de iteraciones N .
∗
Salida: Una raíz aproximada α o un mensaje.
Paso 3: Tomar e = f (x0 ) y d = f ′(x0 ) .
Paso 4: Si d = 0 entonces salida: "No se puede continuar el método". Terminar.
e
Paso 5: Tomar c = x 0 − (calcula xn ).
d
f (c) < Tol o

e
Paso 6: Si c − x0 = < Tol , entonces salida: "Una raíz
d
aproximada es α ∗ = c ". Terminar.
Paso 8: Tomar x 0 = c (redefine x0 ).
Paso 9: Salida "Se alcanzó el número máximo de iteraciones N pero no la tolerancia".

Terminar.
Ejemplo 2.6 Con respecto a las raíces α 1 , α 2 y α 3 de la ecuación 3 x2 − e x = 0 , vemos que

la función f (x) = 3 x2 − e x satisface la hipótesis general del método de Newton-Raphson en
los intervalos [−.5,−.4], [.9,10
. ] y [3.7,3.8] . Si aplicamos el método de Newton-Raphson, con
aproximaciones iniciales apropiadas y criterio de aproximación
f (xn ) < 5 × 10 −5 o xn − xn−1 < 5 × 10 −5
se obtienen los resultados que se muestran en las TABLAS 2.11, 2.12 y 2.13 siguientes.
n xn f (xn ) xn − xn −1
0 −.5 .143...
1 −.4602195 4 26...×10 −3
. 3.97805 × 10 −2
2 −.4589635 4.18...×10 −6 .
1256 × 10 −3
TABLA 2.11
__________________________________________________________________________________
Para este ejemplo aproXime la expresión NEWTON( 3 x 2 − exp(x), x , − 0.5 , 2 ).
De acuerdo con la TABLA 2.11 se tiene que α 1 ≈ −.4589635 = x 2 .
0 10
. 2.81...×10 −1
1 .9141552 4.26...×10 −3 8.58448 × 10 −2
2 .9100176 4.18...×10 −6 4.1376 × 10 −3
TABLA 2.12
De acuerdo con la TABLA 2.12 se tiene que α 2 ≈ .9100176 = x2 .
0 3.8 −1.38...
1 3.736935 − 7.51... × 10 −2 6.3065 × 10 −2
2 3.733092 − 2.51... × 10 −4 3.843 × 10 −3
−5
3 3.733078 1.96... × 10 1.4 × 10 −5
TABLA 2.13
Los resultados de la TABLA 2.13 indican que α 3 ≈3.733078 = x 3 . ♦
Ejercicio 2.5 Use el método de Newton-Raphson para encontrar la menor raíz positiva de la
ecuación x − tanx = 0 , usando como criterio de aproximación el mismo dado en ejemplo 2.6
anterior. ♦
2.2.3 El método de Newton-Raphson combinado con el algoritmo de Horner para

encontrar raíces reales de ecuaciones polinómicas con coeficientes reales: Dada una
ecuación polinómica con coeficientes reales
p(x) = a0 + a1x + a 2 x2 +...+ an xn = 0, con a0 , a1, a2 ,..., an ∈ R y an ≠ 0
Si α es una raíz real simple de la ecuación p(x) = 0 , el método de Newton-Raphson para

aproximar la raíz α , consiste en generar la sucesión {xn }n mediante la fórmula de iteración
p(xn −1 )
x n = x n −1 − , n = 12
, ,...
p ′(xn −1 )
con x0 escogido cercano a α .
Como se ve en la fórmula anterior el cálculo de cada iteración requiere la evaluación del

polinomio p y su derivada p′ en un número. Existe un algoritmo, llamado algoritmo de
Horner, muy fácil de implementar en el computador, el cual permite calcular de manera
eficiente, el valor del polinomio y el de su derivada en un número.
__________________________________________________________________________________
El algoritmo de Horner se basa en escribir el polinomio p(x ) en la forma encajada o

anidada siguiente:
( ( (
p(x) = a0 + x a1 + x a 2 + x a3 +...+ x(an −1 + xan )... )))
queremos evaluar p(z ) y p ′(z ) para algún número real z, basta tener en cuenta que:
Si hacemos
bn = a n , y
bk = ak + zbk +1 para k = n − 1, n − 2,...,10
,
entonces b 0 = p(z ) .
Los números auxiliares bn , bn −1,..., b1 son los coeficientes del polinomio cociente q(x ) que
resulta de la división de p(x ) por x − z y b 0 es el residuo, es decir,
p(x ) = (x − z )q(x ) + b0
siendo q(x ) = b1 + b2 x + ... + bn −1x n − 2 + bn xn −1 .
En efecto:
(x − z)q(x) + b0 = (x − z)(b1 + b 2 x+...+bn−1xn−2 + bn xn−1 ) + b0
= (b 0 − zb1 ) + (b1 − zb2 )x + (b 2 − zb 3 )x 2 + ... + (bn −1 − zbn )xn−1 + bn xn
= a 0 + a1x + a 2 x 2 + ... + an −1xn −1 + an xn = p(x)
Como p(x ) = (x − z )q(x ) + b 0 , entonces para x = z , se obtiene
p(z ) = (z − z )q(z ) + b 0 = b 0
Ahora bien, como

p(x ) = (x − z )q(x ) + b 0
entonces derivando a ambos lados de esta última ecuación con respecto a x, obtenemos
p ′(x ) = q(x ) + (x − z )q′(x )
y entonces
p ′(z ) = q(z ) + (z − z )q′(z ) = q(z )
__________________________________________________________________________________
y como q(x ) es un polinomio del cual conocemos sus coeficientes (los números
bn , bn −1,..., b1 ), podemos aplicar el algoritmo de Horner al polinomio q(x ) para hallar q(z ) y
de esta manera obtener p ′(z ) .
Algoritmo 2.4 (Horner) Para evaluar un polinomio con coeficientes reales
p(x ) = a0 + a1x + a2 x 2 + ... + an xn
y su derivada en un número real z:
Entrada: El grado n del polinomio, los coeficientes a 0 , a1,..., an del polinomio p(x ) , el número
real z.
Salida: b 0 = p(z ) y c = p ′(z ) .
Paso 1: Tomar bn = an (calcula el coeficiente bn de q(x ) )

c = an
Paso 2: Para j = n − 1, n − 2,...,1, tomar
b j = a j + zb j+1 (calcula los coeficientes b n −1, b n −2 ,..., b 1 de q(x ) )

c = b j + zc (almacena en c a q(z ) = p ′(z ) )
Paso 3: Tomar b 0 = a 0 + zb1 (almacena en b 0 a p(z ) )
Paso 4: Salida: " p(z ) = b 0 y p ′(z ) = c ". Terminar.
Observe, en el algoritmo anterior, que como bn , bn−1,..., b1 son los coeficientes del polinomio
reducido q(x ) , si aplicamos el algoritmo de Horner a este polinomio q(x ) , es decir, hacemos
c n = bn , y
para j = n − 1, n − 2,...,1 hacemos c j = b j + zc j+1
obtenemos que c 1 = b 1 + zc 2 = q(z ) = p ′(z ) .

Por tanto, al terminar la aplicación del
algoritmo de Horner, en c queda almacenado q(z ) , es decir, c = q(z ) = p ′(z ) .
Es importante observar que el algoritmo de Horner sólo usa n multiplicaciones y n sumas

para calcular p(z ) , lo que hace muy eficiente dicho cálculo. Intente calcular p(z ) de cualquier
otra forma y compare el número de operaciones.
Para implementar el algoritmo de Horner manualmente usamos el esquema de división

sintética:
__________________________________________________________________________________
Ejemplo 2.7 Consideremos la ecuación x3 − x − 1 = 0 . Como p(x) = x 3 − x − 1 es continua

en el intervalo [12
, ] , p(1) = −1 < 0 y p(2) = 5 > 0 , entonces la ecuación p(x ) = 0 tiene por lo
menos una raíz en el intervalo [12
, ]. Por otro lado, como p ′(x ) = 3 x 2 − 1 > 0 para todo
x ∈[12
, ] , entonces la ecuación p(x ) = 0 tiene una única raíz simple α 1 ∈[12
, ] . Es claro,
entonces, que se puede aplicar el método de Newton-Raphson para calcular esta raíz α 1 . Si
hacemos los cálculos usando el método de Newton-Raphson combinado con el algoritmo
de Horner, tomando como aproximación inicial x 0 = 2.0 , y criterio de aproximación
xn − xn −1 < 5 × 10 −3 o p(xn ) < 5 × 10 −3 , obtenemos:
p(x 0 ) p(2.0 )
x1 = x 0 − = 2.0 −
p ′ (x 0 ) p ′(2.0 )
Debemos calcular p(2.0 ) y p ′(2.0 ) . Si usamos el algoritmo de Horner y aritmética con

redondeo a cinco (5) dígitos para los cáculos, se obtienen los resultados que aparecen en el
siguiente esquema de división sintética
Entonces
5.0
x1 = 2.0 − = 15455
. y x1 − x0 = .4545 > 5 × 10 −3
.
110
Para calcular p(x1 ) = p(1.5455 ) y verificar si se satisface la condición p(x1 ) < 5 × 10 ,

−3
usaremos el algoritmo de Horner. Vea el siguiente esquema de división sintética:

__________________________________________________________________________________
Observe que p(x1 ) = 11461

. > 5 × 10 −3 , así que debemos calcular x2 . De acuerdo con los
resultados que aparecen en el esquema anterior
p(x1 ) .
11461
x 2 = x1 − = 15455
. − = 13596
. y x 2 − x1 = .1859 > 5 × 10 −3
p ′(x1 ) 6.1657
Si seguimos calculando como se indicó en los dos casos anteriores, obtenemos
p(x 2 ) = .1536 > 5 × 10 −3 , p′(x2 ) = 4.5455 , x 3 = 13258

. , x 3 − x 2 = .0338 > 5 × 10 −3 ,
p(x 3 ) = .0046 < .005 = 5 × 10 −3 .
Luego α 1 ≈ 13258
. = x 3 . Puesto que la ecuación dada, x 3 − x − 1 = 0 , tiene tres raíces, cómo
podríamos intentar aproximar las otras dos raíces α 2 y α 3 de esta ecuación? (Se puede
verificar fácilmente que las raíces α 2 y α 3 son complejas no-reales).
Recordemos que
p(x ) = (x − 1.3258 )q(x ) + p(1.3258 )
donde q(x ) es el polinomio cociente en la división de p(x) = x 3 − x − 1 por x − 13258

. , y que
los coeficientes del polinomio q(x ) se pueden obtener usando el algoritmo de Horner. Pues
bien, el siguiente esquema muestra cuáles son los coeficientes del polinomio q(x ) :
De acuerdo con el anterior esquema de división sintética, el polinomio q(x ) es
q(x) = x 2 + 13258
. x + .7577
Total que
p(x) = (x − 13258
. (
) x2 + 13258
. )
x + .7577 + 0.0046
(recuerde que estamos haciendo redondeo a cinco dígitos)
__________________________________________________________________________________
Si despreciamos el residuo en la división anterior, es decir, despreciamos p(13258

. ) = .0046 ,
entonces
p(x) ≈ (x − 13258
. (
) x2 + 13258
. x + .7577 )
y entonces podríamos usar el polinomio reducido q(x) = x 2 + 13258
. x + .7577 (cociente en la
división del polinomio x 3 − x − 1 por el polinomio x − 13258
. ) para aproximar las otras dos
raíces de la ecuación original p(x) = x − x − 1 = 0 . Si resolvemos la ecuación q(x ) = 0 ,
3
obtenemos α 2,3 ≈ − .6629 ± .56415i . ♦
QUOTIENT( p(x), x − α ): Simplifica o aproXima el polinomio cociente q(x ) que resulta de la

∗
división del polinomio p(x ) por x − α∗ . Para el ejemplo, aproXime la expresión

QUOTIENT( x − x − 1, x − 13258
3
. ). ◊
El proceso ilustrado en el ejemplo anterior para aproximar las raíces α 2 y α 3 , se conoce

como Deflación.
En general, la Deflación aplicada al problema de hallar raíces reales de ecuaciones

polinómicas, consiste en lo siguiente:
Supongamos que en la N-ésima iteración en la aplicación del método de Newton-Raphson

obtuvimos un cero aproximado xN del polinomio p(x ) , entonces
p(x ) = (x − x N )q(x ) + b 0 = (x − x N )q(x ) + p(x N ) ≈ (x − x N )q(x )
ya que p(x N ) ≈ 0 (porque p(x) es continua y si xN ≈ α , con α un cero de p(x ) , entonces

p(x N ) ≈ p(α ) = 0 ).
Lo anterior significa que (x − xN ) es un "factor aproximado" de p(x ) .
Tomando α 1∗ = xN y qn −1(x) como el polinomio reducido q(x ) , de grado n − 1, se tiene que
( )
p(x) ≈ x − α 1∗ qn −1(x)
y podemos encontrar una aproximación α 2 de un segundo cero de p(x ) , aplicando el

∗
método de Newton-Raphson al polinomio qn−1(x) , con lo cual
( )( )
p(x) ≈ x − α 1∗ x − α ∗2 qn − 2 (x)
siendo qn−2 (x) un polinomio de grado n − 2 .

__________________________________________________________________________________
Si p(x ) es un polinomio de grado n con n ceros reales, este procedimiento aplicado

reiteradamente permitirá, eventualmente, obtener n − 2 ceros aproximados de p(x ) y un
factor cuadrático aproximado q 2 (x ) , es decir,
( )( ) ( )
p(x ) ≈ x − α 1∗ x − α ∗2 ... x − α ∗n−2 q2 (x )
Al polinomio cuadrático q 2 (x ) le podremos calcular sus ceros usando la fórmula cuadrática.
∗ ∗ ∗
El procedimiento descrito antes para obtener α1, α2 ,..., αn − 2 se conoce como Deflación.
La posible deficiencia en la precisión de las raíces obtenidas por Deflación se debe a que
cuando obtenemos los ceros aproximados de p(x ) , estamos usando el método de Newton-
Raphson aplicado al polinomio reducido q k (x ) . Para mejorar la precisión en el método de
∗
Deflación, cualquier cero aproximado α k que se encuentre para un polinomio reducido debe
someterse a un refinamiento aplicando el método de Newton-Raphson al polinomio original
p(x ) , tomando a α k como aproximación inicial.
∗
Un algoritmo para el método de Newton-Raphson combinado con Horner es el siguiente.
Algoritmo 2.5 (Newton-Raphson combinado con Horner) Para encontrar un cero

aproximado α ∗ del polinomio
p(x ) = a 0 + a1x + a 2 x 2 + ... + a n x n
Entrada: El grado n y los coeficientes a 0 , a1,..., an del polinomio p(x ) ; una aproximación
inicial x 0 ; una tolerancia Tol, y un número máximo de iteraciones N.
Salida: Un cero aproximado α ∗ del polinomio p(x ) o un mensaje.
Paso 1: Tomar i = 1.
Paso 2: Mientras que i ≤ N seguir los pasos 3-10:
Paso 3: Tomar bn = an y c = an
Paso 4: Para j = n − 1, n − 2,...,1, tomar
b j = a j + x 0 b j +1
c = b j + x 0 c (calcula p ′(x0 ) )
Paso 5: Tomar b 0 = a 0 + x 0 b1 (calcula p(x0 ) ).
Paso 6: Si c = 0 , entonces salida: "No se puede continuar el método porque se

anuló p ′(x0 ) ". Terminar.
__________________________________________________________________________________
b0
Paso 7: Tome x1 = x0 − (calcula xi en el método de Newton-Raphson).
c
b0
Paso 8: Si b0 < Tol o x1 − x0 = < Tol , entonces salida: "Una raíz
c
aproximada de p(x) = 0 es α = x1 ". Terminar.
∗
Paso 9: Tomar i = i + 1.
Paso 10: Tomar x 0 = x1 .
Paso 11: Salida "Se alcanzó el número máximo de iteraciones N pero no la tolerancia".
Terminar.
Ejemplo 2.8 Encontrar todas las raíces reales de la ecuación polinómica

x4 − 2x3 − 4 x2 + 4 x + 4 = 0 , usando el método de Newton-Raphson y Deflación.
Empezamos graficando el polinomio p(x) = x 4 − 2 x 3 − 4 x 2 + 4 x + 4 para ubicar las raíces

reales (ver la FIGURA 2.16 siguiente).
FIGURA 2.16
De acuerdo con la gráfica del polinomio p(x) = x 4 − 2 x 3 − 4 x 2 + 4 x + 4 , se ve que todas las

raíces α 1, α 2 , α 3 y α 4 de la ecuación polinómica dada son reales, con
α 1 ∈[−2,−1] , α 2 ∈[−10
, ] , α 3 ∈[12
, ] , α 4 ∈[2,3] .
__________________________________________________________________________________
Se ve claramente que p(x) satisface la hipótesis general del método de Newton-Raphson en

intervalos apropiados para cada una de las raíces α1, α 2 , α3 y α 4 .
Usando el método de Newton-Raphson para encontrar α 1 , con criterio de aproximación

p(xn ) < 5 × 10 −5 o xn − xn −1 < 5 × 10 −5 , se obtiene α 4 ≈ 2.732076 = x4 usando x 0 = 3.0 ,
y el correspondiente polinomio reducido de grado 3, es
q3 (x) = x 3 + .7320760 x 2 − 1999912

. x − 1463912
.
Usando Deflación, encontramos una aproximación de la raíz α 3 , lo que da

α 3 ≈ 1414157
. = x5 tomando como aproximación inicial x 0 = 10
. . El polinomio reducido
correspondiente de grado 2, es
q2 (x ) = x 2 + 2.146233x + 1.035197
Finalmente, encontramos aproximaciones de la raíces α 2 y α 1 , resolviendo la ecuación

cuadrática q 2 (x ) = 0 , con lo que se obtiene α 2 ≈ −.7319684 y α1 ≈ −1414264
. . ♦
Ejemplo 2.9 Encontrar todas las raíces reales de la ecuación

x4 + 5 x3 − 9 x2 − 85 x − 136 = 0 , usando el método de Newton-Raphson y Deflación.
La gráfica del polinomio p(x) = x 4 + 5 x 3 − 9 x 2 − 85 x − 136 es como se muestra en la FIGURA

2.17.
De acuerdo con la FIGURA 2.17, la ecuación dada sólo tiene dos raíces reales simples
α 1 ∈[−5,0] y α 2 ∈[0,5] (verifíquelo analíticamente).
Usando el método de Newton-Raphson para encontrar α 1 con criterio de aproximación

p(xn ) < 5 × 10 −5 o xn − xn −1 < 5 × 10 −5 , obtenemos α 1 ≈ −4.123123 = x5 usando como
punto inicial x 0 = −5.0 , y el polinomio reducido correspondiente de grado 3, es
q 3 (x ) = x 3 +.8768767x 2 − 12.61547x − 32.98486
Usando Deflación, encontramos la aproximación α 2 ≈ 4.123122 = x4 , tomando como punto

inicial x 0 = 5.0 , y el polinomio reducido correspondiente de grado 2, es
q2 (x ) = x 2 + 4.999999x + 8.000134
__________________________________________________________________________________
FIGURA 2.17
Finalmente, las raíces de la ecuación cuadrática q 2 (x ) = 0 son los números complejos

conjugados α 3 ≈ −2.5 + 1322927
. i y α 4 ≈ −2.5 − 1322927
. i. ♦
El siguiente ejemplo muestra que el método de Newton-Raphson puede converger y hacerlo

lentamente cuando se aplica en la búsqueda de una raíz múltiple de una ecuación f (x) = 0
(cosa similar ocurre cuando hay raíces reales cercanas entre sí).
Ejemplo 2.10 Consideremos la ecuación x − tanx = 0 .
Es claro que α = 0 es raíz de esta ecuación. Cuál es la multiplicidad de esta raíz?
La gráfica de f (x ) = x − tanx alrededor de α = 0 es como se muestra en la FIGURA 2.18

siguiente.
__________________________________________________________________________________
FIGURA 2.18
De acuerdo con esta gráfica la raíz α = 0 es una raíz múltiple con multiplicidad impar.
Como
f ′(x) = 1 − sec 2 x , f ′(0 ) = 0
f ′′(x) = −2 sec 2 xtanx , f ′′(0 ) = 0
f ′′′(x) = −4 sec 2 xtan 2 x − 2 sec 4 x , f ′′′(0) = −2 ≠ 0
entonces α = 0 es raíz de multiplicidad m = 3 , según el teorema 2.3.
Observe que aunque la raíz α = 0 es múltiple, f ′(x) ≠ 0 para x cerca de 0, x ≠ 0 , así que
podemos aplicar el método de Newton-Raphson para aproximar la raíz α = 0 . Si hacemos
ésto con criterio de aproximación f (xn ) < 5 × 10 −5 o xn − xn −1 < 5 × 10 −5 , obtenemos los
resultados que aparecen en la TABLA 2.14 siguiente.
0 .3 −9.33...×10 −3
1 2.024312 × 10 −1 −2.81...×10 −3 9.75688 × 10 −2
2 .
1356958 × 10 −1 −8.39...×10 −4 6.67354 × 10 −2
3 9.068650 × 10 −2 −2.49...×10 −4 4.50093 × 10 −2
4 6.052418 × 10 −2 −7.40...×10 −5 3.016232 × 10 −2
5 4.036921 × 10 −2 −2.19...×10 −5 2.015497 × 10 −2
TABLA 2.14
Observando los resultados de la TABLA 2.14, vemos que aunque f (x 5 ) es pequeño, x5 no

es una buena aproximación de α = 0 , además se ve la lentitud de la convergencia del
método de Newton-Raphson. ♦
__________________________________________________________________________________
Ejercicio 2.6 Use el método de Newton-Raphson para encontrar las dos raíces de la
ecuación x2 − 2.0001x + 10001
. = 0 , usando como puntos iniciales x 0 = .5 , x0 = 15
. y criterio
de aproximación f (xn ) < 5 × 10
−5
o xn − xn −1 < 5 × 10 −5 . Cuáles son las raíces exactas
de esta ecuación ? ♦
En situaciones como la del ejemplo anterior (raíz múltiple), se recomienda utilizar el método
de Newton-Raphson modificado.
2.2.4 Método de Newton-Raphson modificado: El método de Newton-Raphson modificado

se basa en el siguiente resultado: Si α es una raíz de multiplicidad m > 1 de una ecuación
f (x ) = 0 y f ′(x ) ≠ 0 para toda x en alguna vecindad de α, x ≠ α , entonces α es una raíz
simple de la ecuación M(x ) = 0 , donde la función M está definida como sigue:
 f (x)
 , x≠α
M(x) =  f ′(x)

 0, x=α
La función M resulta continua en la raíz α .
En efecto: Como por definición de la función M, M(α ) = 0 , entonces α es raíz de la ecuación

M(x ) = 0 . Veamos que α es una raíz simple.
Como α es una raíz de multiplicidad m > 1 de la ecuación f (x) = 0 , entonces f (α ) = 0 y
para x ≠ α , f (x) = (x − α ) h(x) con lim h(x) ≠ 0

m
x→ α
Por ser f (x ) = (x − α )m h(x ) , entonces f ′(x ) = m(x − α )m −1 h(x ) + (x − α )m h ′(x ) , así que
para x ≠ α , M(x) =
f (x)
=
( x − α ) h(x)
m
= (x − α )
h(x)
f ′(x) (x − α ) [mh(x) + (x − α )h ′(x)]
m −1
mh(x) + (x − α )h ′(x)
h(x) lim h(x)

≠ 0 , ya que lim h(x) ≠ 0 .
x→ α 1
con lim = = Luego α es una raíz
x→ α mh(x) + (x − α )h ′(x) m lim h(x) m x→α
x→ α
simple de la ecuación M(x ) = 0 .
Observe que lim M(x) = 0 = M(α ) , lo que significa que la función M es continua en α . ∇
x→ α
El método de Newton-Raphson modificado para aproximar una raíz múltiple α de una

ecuación f (x ) = 0 , consiste en aplicar el método de Newton-Raphson a la nueva función M,
así que la función de iteración g del método de Newton-Raphson modificado está definida
como
__________________________________________________________________________________
f (x)
M(x) f ′(x)
g(x) = x − = x−
M′(x)
[f ′(x)] − f (x)f ′′(x)
2
[f ′(x)]
2
es decir,
f (x)f ′(x)
g(x) = x −
[f ′(x)] − f (x)f ′′(x)
2
lo que requiere que f ′′ sea continua en alguna vecindad de α .
Si aplicamos el método de Newton-Raphson modificado a la función f (x ) = x − tanx para

aproximar la raíz α=0, con criterio de aproximación M(xn ) < 5 × 10 −5 o
xn − xn −1 < 5 × 10 −5 , se obtienen los resultados que se muestran en la TABLA 2.15
siguiente.
n xn M(xn ) xn − xn −1
0 .3 9.75...×10 −2
1 −1595052
. × 10 −2 −5.31...×10 −3 .31595052
2 2.164831 × 10 −6 7.21...×10 −7 .
1595268 × 10 −2
TABLA 2.15
NEWTON_MOD( f (x), x, x0 , N ): aproXima las primeras N iteraciones en el método de

Newton-Raphson modificado aplicado a la función f (x) , tomando como aproximación inicial
x0 . Para el ejemplo, aproXime la expresión NEWTON_MOD( x − tanx , x , 0.3 , 2 ). ◊
Observando la TABLA 2.15 vemos que el valor de x2 , obtenido por el método de Newton-
Raphson modificado, es mucho más cercano a 0 que el valor de x 5 obtenido por el método
de Newton-Raphson aplicado a la función f (x) = x − tanx .
x − tanx
En el ejemplo anterior M(x) = y la gráfica de M en la vecindad de α = 0 se muestra
1 − sec 2 x
en la FIGURA 2.19 . ♦
__________________________________________________________________________________
FIGURA 2.19
2.2.5 Método de la Secante: El método de Newton-Raphson para aproximar una raíz simple
α de una ecuación f (x) = 0 , consiste en generar la sucesión {xn }n a partir de la fórmula de
iteración
f ( x n −1 )
xn = xn −1 − , n = 12
, ,...
f ′ ( x n −1 )
y escogiendo x0 cercano a la raíz α .
Como
f (x) − f (xn −1 )
f ′(xn −1 ) = lim
x→ xn − 1 x − x n −1
entonces si queremos evitar el uso de la derivada en la fórmula de iteración del método de

f ( x n −1 ) − f ( x n − 2 )
Newton-Raphson, una forma es tomar x = xn −2 , y aproximar f ′(xn −1 ) por ,
x n −1 − x n − 2
que no es otra cosa que la pendiente de la recta secante L a la gráfica de f por los puntos
(x n−1 , f (x n−1 )), (x n−2 , f (x n−2 )) (ver la FIGURA 2.20).
Remplazando, en la fórmula de iteración del método de Newton-Raphson, f ′(xn −1 ) por su

f ( x n −1 ) − f ( x n − 2 )
aproximación , obtenemos
x n −1 − x n − 2
f (xn −1 )(xn −1 − xn − 2 )
xn = xn −1 − , n = 2,3,...
f ( x n −1 ) − f ( x n − 2 )
que constituye la fórmula de iteración para el método de la Secante.

__________________________________________________________________________________
Nótese que para iterar con el método de la Secante se requiere conocer dos aproximaciones
iniciales x 0 y x1 .
FIGURA 2.20
Observe la relación entre el método de la Secante y el método de Regula Falsi: Ambos

métodos usan dos puntos iniciales o de arranque para encontrar una nueva aproximación a
la raíz buscada, pero hay una gran diferencia entre la escogencia de esos dos puntos:
mientras que en el método de Regula Falsi los dos puntos deben encerrar a la raíz buscada y
el método siempre converge, en el método de la Secante los dos puntos iniciales no
necesariamente encierran a la raíz buscada lo que puede provocar divergencia del método.
El método de la Secante converge bajo las mismas hipótesis de convergencia del método de
Newton-Raphson.
∗
Algoritmo 2.6 (Secante) Para encontrar una aproximación α de una raíz α de una
ecuación f (x ) = 0 conocidas dos aproximaciones iniciales x0 y x1 :
Entrada: f (x) ; dos aproximaciones iniciales x0 y x1 ; una tolerancia Tol, y un número

máximo de iteraciones N.
Salida: Una raíz aproximada α ∗ o un mensaje.
Paso 1: Tomar n = 2 , y 0 = f (x 0 ) y y 1 = f (x 1 ) .
Paso 3: Si y1 − y 0 = 0 , entonces salida: "No se puede aplicar el método,

porque el denominador en la fórmula de la Secante se anuló". Terminar.
y1(x1 − x0 )
Paso 4: Tomar x 2 = x1 − .
y1 − y 0
__________________________________________________________________________________
Paso 5: Si x 2 − x1 < Tol , entonces salida: "Una aproximación de una raíz de la

∗
ecuación dada es α = x2 ". Terminar.
Paso 7: Tomar x 0 = x 1
y 0 = y1
x1 = x 2
y 1 = f (x 1 )

Terminar.
Ejemplo: 2.11 Si aplicamos el método de la Secante para encontrar la menor raíz positiva de
la ecuación x − tanx = 0 , con criterio de aproximación xn − xn −1 < 5 × 10 −5 , obtenemos los
n xn xn+1 f (xn+1 ) xn +1 − xn
0 4.4 4.5 −.137... .1
1 4.5 4.490469 5.85...×10 −2 9.531 × 10 −3
2 4.490469 4.494723 −2.66...×10 −2 4.254 × 10 −3
3 4.494723 4.492822 . ...×10 −2
118 .
1901 × 10 −3
4 4.492822 4.493671 −5.28...×10 −3 8.490 × 10 −4
5 4.493671 4.493292 2.37...×10 −3 3.790 × 10 −4
6 4.493292 4.493461 . ...×10 −3
−104 .
1690 × 10 −4
7 4.493461 4.493386 4.73...×10 −4 7.500 × 10 −5
8 4.493386 4.493419 . ...×10 −4
−192 3.300 × 10 −5
TABLA 2.16
SECANTE( f (x), x, x0 , x1 , N ): aproXima las primeras N iteraciones en el método de la

Secante aplicado a la función f (x) tomando aproximaciones iniciales x0 y x1 . Para el
ejemplo , aproXime la expresión SECANTE( x − tanx, x, 4.4, 4.5, 8 ). ◊
De acuerdo con los resultados de la TABLA 2.16, la menor raíz positiva de la ecuación
x − tanx = 0 es α ≈ 4.493419 = x8 . ♦
2.3 RAPIDEZ DE CONVERGENCIA

__________________________________________________________________________________
Los métodos numéricos estudiados aquí para hallar una raíz α de una ecuación f (x) = 0
consistieron en generar una sucesión {xn }n tal que lim xn = α .
n→∞
La eficiencia de un método numérico depende, en parte, de la "rapidez" con la cual la
sucesión {xn }n converge a α, donde "rapidez" significa el número mínimo de iteraciones N
necesarias para tener xN a una distancia dada de la raíz α, es decir, tal que xn − α < ε
para algún ε > 0 dado. Una forma de medir la "rapidez" de la convergencia de un método
iterativo de los que estudiamos, es en los siguientes términos.
Notación: Si ∈n = xn − α , entonces ∈n puede ser positivo, negativo o cero y

En = ∈n = xn − α denota el valor absoluto del error de truncamiento en la iteración n.
En la siguiente definición se introduce el concepto de orden de convergencia de una

sucesión, usando el límite. Hay otras formas de definir orden de convergencia de una
sucesión.
Definición 2.4 Supongamos que lim xn = α ∈ R , es decir, lim ∈n = 0 o equivalentemente

n→∞ n→∞
lim En = 0 . Si existen constantes positivas λ y L tales que
n→∞
En +1 x n +1 − α
lim = lim =L
n→∞ Eλ n→∞ λ
n xn − α
entonces se dice que la sucesión {xn } converge a α con orden de convergencia λ y error
n
asintótico L . ∇
Veamos que la definición 2.4 es una buena definición en el sentido que si λ y L existen,
entonces son únicos.
Supongamos que existen λ 1, λ 2 , L1 y L 2 constantes positivas, tales que
En +1 En +1
lim = L1 y lim = L2
n→∞ Enλ1 n→∞ Enλ 2
y veamos que λ 1 = λ 2 y L1 = L 2 .
Basta probar que λ 1 = λ 2 , pues si esto ocurre, entonces L1 = L 2 (por la unicidad del límite,
cuando existe).
Supongamos, por reducción al absurdo, que existen λ 1 y λ 2 con λ 1 > λ 2 > 0 y tales que
En +1 En +1
lim = L1, lim = L 2 donde L1, L 2 > 0
n→∞ Enλ1 n→∞ Enλ 2
__________________________________________________________________________________
Como λ 1 > λ 2 > 0 , entonces λ 1 − λ 2 > 0 , y
1 En +1 Enλ 2
=
Enλ1 − λ 2 Enλ1 En +1
así que
1 En +1 Enλ 2
lim = lim
n→∞ Enλ1 − λ 2 n→∞ Enλ1 En +1
Pero
1
lim = ∞, ya que lim E nλ1 −λ 2 = 0
n→∞ E nλ1 − λ 2 n→ ∞
y
En +1 Enλ 2 En +1 Enλ 2 1 L1
lim λ1 E
= lim λ
lim = L1 = ∈R
n→∞ En n +1 n→∞ E 1 n→∞ En +1 L2 L2
n
lo cual es una contradicción. Luego λ 1 = λ 2 . ∇
De la definición 2.4 se tiene que, para n suficientemente grande
En +1 ≈ LEnλ
y así, fijado L, entre mayor sea λ , más rápidamente converge la sucesión {xn }n a α, es
decir, entre mayor sea el orden de convergencia de una sucesión {xn }n , menor será el
número de iteraciones necesarias para tener a xn a una distancia dada del límite de esa
sucesión.
Casos especiales:
i) Si λ = 1 en la definición 2.4, es decir, el orden de convergencia es uno, se dice que la

convergencia es lineal.
Si la convergencia es lineal, entonces para n suficientemente grande
En+1 ≈ LEn
lo que significa que el error en un paso es aproximadamente proporcional al error en el paso

anterior (en este caso debe tenerse 0 < L ≤ 1 , casi siempre L < 1 ).
ii) Si λ = 2 en la definición 2.4, la convergencia se dice cuadrática.
Si la convergencia es cuadrática, entonces para n suficientemente grande
En +1 ≈ LEn2
__________________________________________________________________________________
es decir, el error en un paso es aproximadamente proporcional al cuadrado del error en el

paso anterior. En este caso es claro que el error En decrece más rápidamente que en el
caso lineal, y así la convergencia será más "rápida".
Ejemplo 2.12 Consideremos las sucesiones {xn }n con xn = 3 , y {x" n }n con x" n =
1 1
n
.
n 10 2
Como lim xn = 0 y lim x" n = 0 , entonces α = 0 , en la definición 2.4, para ambas
n→∞ n→∞
sucesiones.
Encontremos el orden de convergencia de la sucesión {xn }n .
Como
1
3
En +1 (n + 1) 3  nλ 
= =  
Enλ  1
λ
 n + 1
 3
n 
entonces
nλ 1
lim = lim = L ∈ R, L > 0, si y sólo si λ = 1
n→∞ n + 1 n→∞ n1− λ + n − λ
Luego el orden de convergencia de la sucesión {xn }n con xn = es uno, es decir, {xn }n

1
n3
converge linealmente a cero. Observe que si λ = 1, entonces L = 1.
Procediendo de manera similar al caso anterior, se puede ver que el orden de convergencia
de la sucesión {x" n }n con x" n = 2n es dos, es decir, la sucesión {x" n }n converge

1
10
cuadráticamente a cero, con error asintótico L = 1.
Encontremos ahora, los valores mínimos de N1 y N2 tales que
EN 1 = xN 1 − α < 10 −3 = ε y E" N 2 = x" N 2 − α < 10 −3 = ε
1
En = < 10 −3 ⇔ n3 > 10 3 ⇔ n > 10, así que N1 = 11 .
n3
1
E" n = < 10 −3 ⇔ 10 2 > 10 3 ⇔ 2n > 3 ⇔ n ≥ 2 , así que N2 = 2 .
n
n
10 2
Lo anterior nos dice que para la sucesión {xn }n con xn =

1
, que converge linealmente a
n3
α = 0 , son necesarias 11 iteraciones para que xn − α < 10 −3 , mientras que para la
sucesión {x" n }n con x" n =

1
n , que converge cuadráticamente a α = 0 , son necesarias sólo
10 2
2 iteraciones para que x" n − α < 10 −3 . ♦
__________________________________________________________________________________
Con base en la definición 2.4, estudiaremos el orden de convergencia de los métodos

abiertos que ya vimos.
2.3.1 Orden de convergencia del método de iteración de Punto Fijo: Sea α un punto fijo
de una función g, es decir α = g(α ) :
i) Si g′ es continua en alguna vecindad de α, g′(α ) ≠ 0 , y la sucesión {xn }n definida por
xn = g(xn−1) , n = 1,2,...
converge a α, entonces la convergencia es lineal.
En efecto:
∈n+1 = xn+1 − α = g (xn ) − g (α ) = g′(ξ n )(xn − α ) = g′(ξ n ) ∈n
con ξ n entre xn y α .
Ahora, como g′ es continua en α, entonces lim g′(ξ n ) = g′(α ) , ya que ξ n → α cuando

n→∞
n → ∞ , y entonces
∈n +1
lim = lim g′(ξ n ) = g′(α ) ≠ 0
n→∞ ∈n n→∞
así que
= g′(α ) = L > 0
En +1
lim
n→∞ En
lo que significa que la convergencia es lineal. ∇
ii) Si g′′ es continua en alguna vecindad de α, g′(α ) = 0 , g′′(α ) ≠ 0 (el punto α,g(α ) no es ( )
de inflexión de la gráfica de g), y la sucesión {xn }n definida por
xn = g(xn−1 ) , n = 12
, ,...
converge a α, entonces la convergencia es cuadrática, es decir, {xn }n converge a α

con orden de convergencia dos.
En efecto:
Como g′′ es continua en un intervalo abierto que contiene a α, entonces para x en ese
intervalo, se tiene
g′′(ξ)
g (x) = g (α ) + g′(α )(x − α ) + ( x − α )2 con ξ entre x y α
2
__________________________________________________________________________________
Como g(α ) = α y g′(α ) = 0 , entonces
g′′(ξ)
g (x) = α + ( x − α )2 con ξ entre x y α
2
En particular, cuando x = xn , n ∈ N , se tiene
g′′(ξ n )
x n +1 = g ( x n ) = α + ( xn − α ) 2 con ξ n entre xn y α
2
Por tanto
g′′(ξ n ) g′′(ξ n )
∈n +1 = xn +1 − α =
2
( x n − α )2 = 2
∈n2
y como g′′ es continua en el intervalo que contiene a xn y α, entonces

lim g′′(ξ n ) = g′′(α ) , lo que implica que
n→∞
∈n +1 g′′(ξ n ) g′′(α )
lim = lim =
n→∞ ∈2 n→∞ 2 2
n
y entonces
En +1 ∈n +1 g′′(α )
lim = lim = =L>0
n→∞ En2 n→∞
∈n
2
2
lo cual significa que la convergencia es cuadrática. ∇
Si queremos tener esquemas iterativos
xn = g(xn−1) , n = 12
, ,...
con orden de convergencia mayor, tenemos que poner condiciones sobre g.
Un teorema que generaliza las ideas anteriores y cuya prueba es similar a la de los casos i) y
ii) vistos antes, es el siguiente:
Teorema 2.4 Sea α una raíz de una ecuación x = g(x ) . Si g tiene las primeras k-derivadas
continuas en alguna vecindad de α, g( i) (α ) = 0 para i = 12
, ,..., k − 1 , g( k ) (α ) ≠ 0 , y la sucesión
{xn }n definida por
xn = g(xn−1) , n = 12
, ,...
converge a α, entonces la convergencia es de orden k, es decir, {xn }n converge a α con

orden de convergencia k. ∇
Observación: Por lo general, la cantidad de cálculos involucrados en la fórmula de un

método iterativo aumenta a medida que el orden de convergencia crece, por lo tanto, la
ganancia en el orden de convergencia no debe medirse por el número de iteraciones
__________________________________________________________________________________
necesarias para que el error de truncamiento alcance cierta tolerancia, sino por el número
total de operaciones o tiempo del computador.
Sin embargo, los métodos de convergencia cuadrática parecen estar en un punto de
equilibrio si tenemos en cuenta la dificultad de los métodos, el número de operaciones
requeridas y los resultados obtenidos; es por éso, que uno de los métodos mas usados es el
de Newton-Raphson que, como veremos enseguida, es de convergencia cuadrática.
2.3.2 Orden de convergencia del método de Newton-Raphson: Sea α una raíz de una
ecuación f (x ) = 0 . Si la función f tiene sus dos primeras derivadas continuas en alguna
vecindad de α, f ′(x ) ≠ 0 para todo x en esa vecindad, f ′′(α ) ≠ 0 (el punto α,f (α ) no es de ( )
inflexión de la gráfica de f ), y la sucesión {xn }n definida por
f ( xn )
x n +1 = x n − , n = 0,1,...
f ′( xn )
converge a α, entonces la convergencia es cuadrática.
En efecto:
Como la función f tiene segunda derivada continua en algún intervalo que contiene a α,
entonces para todo x en ese intervalo, se tiene
f ′′(ξ)
f (x) = f (α ) + f ′(α )(x − α ) + (x − α )2 con ξ entre x y α
2
Pero f (α ) = 0 , así que

f ′′(ξ)
f (x) = f ′(α )(x − α ) + ( x − α )2 con ξ entre x y α
2
De la misma manera
()
f ′(x) = f ′(α ) + f ′′ ξ" (x − α ) con ξ" entre x y α
En particular, cuando x = xn , n ∈ N , se tiene
f ′′(ξ n )
f (xn ) = f ′(α )(xn − α ) + (xn − α )2 con ξ n entre xn y α
2
( )
f ′(xn ) = f ′(α ) + f ′′ ξ" n (xn − α ) con ξ" n entre xn y α
Sustituyendo f ′(xn ) en la fórmula de iteración del método de Newton-Raphson, obtenemos
f (x n )
x n +1 = x n − con ξ" n entre xn y α
( )
f ′(α ) + f ′′ ξ" n (xn − α )
__________________________________________________________________________________
Restando α a ambos miembros de la ecuación anterior, se obtiene
∈n +1 = ∈n −
f ( xn )
=
f ′(α ) ∈n + f ′′ ξ" n ∈n2 −f (xn ) ( )
f ′(α ) + f ′′ ξ" n ∈n ( ) f ′(α ) + f ′′ ξ" n ∈n ( )
y sustituyendo f (xn ) , en la última ecuación anterior, obtenemos
f ′′(ξ n ) 2
∈n +1 =
( )
f ′(α ) ∈n + f ′′ ξ" n ∈n2 − f ′(α ) ∈n −
2
∈n
f ′(α ) + f ′′ ξ" n ∈n ( )
=
 ( )
∈n2 2f ′′ ξ" n − f ′′(ξ n )

 ( )
2f ′(α ) + f ′′ ξ" n ∈n 

Luego
∈n +1
=
( )
2f ′′ ξ" n − f ′′(ξ n )
∈n2
 ( )
2f ′(α ) + f ′′ ξ" n ∈n 

Como {xn }n converge a α , entonces {ξn }n y {ξ" }n

n
también convergen a α, y {∈n }n
converge a 0, y como f ′′ es continua en α , entonces
∈n +1
=
( )
2f ′′ ξ" n − f ′′(ξ n )
=
2f ′′(α ) − f ′′(α )
=
f ′′(α )
( )
lim lim
n→∞ ∈n2 n→∞
2f ′(α ) + f ′′ ξ" n ∈n 
 
[
2 f ′(α )] 2f ′(α )
Por tanto
∈n +1 f ′′(α )
lim = = L>0
n→∞
∈n
2
2f ′(α )
(recuerde que f ′(α ) ≠ 0 y f ′′(α ) ≠ 0 ), así que la convergencia es cuadrática. ∇
Observe, en el trabajo anterior, que si f (α ) = 0 , f ′(α) = 0 y f ′′(α ) ≠ 0 , es decir, α es raíz de

multiplicidad dos de la ecuación f (x) = 0 , entonces el método de Newton-Raphson puede
1
aún converger, pero la convergencia es lineal con error asintótico L = . En general, se
2
tiene que: Si 0 = f (α ) = ... = f (
m −1)
(α) y f ( ) (α ) ≠ 0 , es decir, α es una raíz de multiplicidad
m
__________________________________________________________________________________
m ≥ 2 de una ecuación f (x) = 0 , y el método de Newton-Raphson converge, entonces la

m−1
convergencia es lineal con error asitótico L = .
m
Se puede demostrar, véase Ralston,1965, páginas 326 y 327, que el método de la Secante,
1+ 5
cuando converge, tiene orden de convergencia λ = ≈ 162
. , y que el método de Regula
2
Falsi es de convergencia lineal siempre que la gráfica de la función f sea cóncava hacia
abajo o hacia arriba en la vecindad de la raíz α. El método de Bisección se considera de
convergencia lineal.
TALLER 2.
1. El método de Bisección se puede aplicar en un intervalo [a,b] siempre que f (a)f (b) < 0 . Si
f (x) tiene más de un cero en (a, b) , se podrá saber de antemano cuál cero es el que se
encuentra al aplicar el algoritmo 2.1? Ilustre su respuesta con ejemplos.
2. Las siguientes funciones cumplen la condición f (a)f (b) < 0 donde a = 0 y b = 1 . Si se

aplica el método de Bisección en el intervalo [a, b] a cada una de esas funciones, qué
punto se encuentra en cada caso? Es este punto un cero de f ?
 1, x > 0
a) f (x) = (3 x − 1)− b) f (x) = cos(10 x) c) f (x) = 
1
−1, x ≤ 0
x2
3. Pruebe que la función f (x) = e x − 1 − x − tiene un único cero, precisamente en x = 0 .
2
Sugerencia: Puede usar el residuo en una expansión en serie de Taylor de e x alrededor

de 0 .
Evalúe en una calculadora o un computador la función f (x) para valores de x cercanos a

cero. Nota cambios de signo en los valores f (x) para números x, a un mismo lado de
cero? De haber cambios de signo, qué hará el método de Bisección en uno de los
intervalos en los que hay uno de esos cambios? Comente sobre la posibilidad de
encontrar, por un método numérico, un "falso cero".
4. Verifique que se puede aplicar el método de Bisección para aproximar el único cero de la
función f (x) = x3 − x − 1 en el intervalo [12
, ] . Cuántas iteraciones serán necesarias para
que al aplicar el método de Bisección en el intervalo [12
, ] se logre una aproximación de la
__________________________________________________________________________________
raíz, con una precisión de por lo menos 3 cifras decimales exactas? Calcule tal
aproximación.
3
5. Encuentre una aproximación de 25 con una precisión de por lo menos tres cifras
decimales exactas, usando el método de Bisección.
6. Se quiere encontrar la menor raíz positiva de cada una de las siguientes ecuaciones,
usando el método de iteración de Punto Fijo. En cada caso, encuentre una función de
iteración de punto fijo y un intervalo en el que se satisfagan todas las hipótesis del
Teorema 2.1, y calcule una aproximación de la raíz buscada con una precisión de por lo
menos tres cifras decimales exactas.
a) e − x − cos x = 0 b) x2 + 10 cos x = 0 c) x − cos x = 0
7. Estudie la función g(x) = 1 + x 2 como una posible función de iteración de Punto Fijo. Por
qué no es convergente la iteración xn = g(xn −1 ), n = 12
, ,... ?
8. a) Verifique que cada una de las siguientes funciones gi (x), i = 12

, ,3,4 es una función de
iteración de Punto Fijo para la ecuación x4 + 2x2 − x − 3 = 0 , es decir,
, ,3,4 , siendo f (x) = x4 + 2x2 − x − 3 .
α = gi (α ) ⇒ f (α ) = 0 , i = 12
1
1
 3 + x − x4  2
(
i) g1(x) = 3 + x − 2x 2 4) ii) g2 (x) = 
 2


1
 x+3 2 3 x 4 + 2x 2 + 3
iii) g3 (x) =  2  iv) g4 (x) =
 x + 2 4 x3 + 4 x − 1
b) Efectúe 4 iteraciones, si es posible, con cada una de las funciones de iteración

. y xn = gi (xn−1 ), i = 12
definidas en a), tomando x0 = 10 , ,3,4 .
c) Cuál función cree usted que da la mejor aproximación? Explique.
1 3
9. Demuestre que la ecuación 2sen(πx) + x = 0 tiene una única raíz α ∈  ,  . Use el
2 2
método de iteración de Punto Fijo para encontrar una aproximación de α con una
precisión de por lo menos tres cifras decimales exactas.
__________________________________________________________________________________
10. Resuelva la ecuación x3 − x − 1 = 0 para la raíz en el intervalo [12

, ] , usando el método
iterativo de Punto Fijo. Obtenga una aproximación de la raíz buscada con una precisión
de por lo menos tres cifras decimales exactas.
3
11. Use el método iterativo de Punto Fijo para encontrar una aproximación de 25 con una
precisión de por lo menos tres cifras decimales exactas.
12. Use el método iterativo de Punto Fijo para demostrar que la sucesión {xn }n definida por
1 2 
xn =  x n −1 +  , n = 12
, ,...
2 x n −1 
converge a 2 , para x0 > 0 escogido adecuadamente.
En general, si R > 0 , entonces la sucesión {xn }n definida por
1 R 
xn =  x n −1 +  , n = 12
, ,...
2 xn −1 
converge a R , para x0 > 0 escogido adecuadamente. Esta sucesión se usa con

frecuencia en subrutinas para calcular raíces cuadradas.
13. La ecuación e x − 4 x2 = 0 tiene una única raíz entre a = 0 y b = 1 . Demuestre que la

x
sucesión de Punto Fijo, generada por la función de iteración g(x) =
1 2
e , converge a
2
esta raíz si el punto inicial se escoge en el intervalo [0,1] .
14. Pruebe que la función g(x) = 2 + x − tan −1x tiene la propiedad g′(x) < 1 para toda x.
Pruebe que g no tiene un Punto Fijo. Explique por qué esto no contradice el teorema 2.1
de Punto Fijo.
15. Cuál es el valor de la siguiente expresión?
x = 2 + 2 + 2+...
Note que esta expresión puede ser interpretada como significando x = lim xn , donde
n→∞
x 0 = 2 , x1 = 2 + 2 = 2 + x 0 , y así sucesivamente. Use el método de Punto Fijo

con una función de iteración g apropiada.
__________________________________________________________________________________
16. Utilice el método de Newton-Raphson para hallar ceros de las siguientes funciones en el
intervalo indicado.
a) f (x) = e2 x − e x − 2 en [0,1] b) f (x) = 4 sen x − e x en [0, .5]
Calcule las iteraciones xn hasta que xn − xn −1 < 5 × 10 −5 .
17. Utilice el método iterativo de Punto Fijo para aproximar el dominio de la función
[ ]
1
f (x) = 2(1 − x)e − 1 .
x 2
18. Use el método de Newton-Raphson para aproximar el valor de la abscisa del punto (x, y )
sobre la gráfica de y = x más cercano a (10
, ) . Calcule las iteraciones xn hasta que
2
xn − xn −1 < 5 × 10 −5 .
19. Resuelva la ecuación 4 cos x = e con una precisión de 5 × 10 −5 , es decir, calcule las
x
iteraciones xn hasta que xn − xn −1 < 5 × 10 −5 , usando:
a) El método de Newton-Raphson con x 0 = 1.0 .

π π
b) El método de la Secante con x0 = y x1 = .
4 2
20. Use el método de Newton-Raphson para resolver la ecuación
2
 x π
 sen x −  = 0 con x0 =
 2 2
Itere hasta obtener una precisión de 5 × 10 −5 para la raíz aproximada, con

2
 x
f (x) =  sen x −  . Parecen los resultados fuera de lo común para el método de
 2
Newton-Raphson? Resuelva también la ecuación con x0 = 5 π y x0 = 10 π .
21. Use el método de Newton-Raphson modificado para encontrar una aproximación de la

raíz de la ecuación
f (x) = x2 + 2xe x + e2x = 0
__________________________________________________________________________________
empezando con x 0 = 0 y efectuando 10 iteraciones. Cuál es la multiplicidad de la raíz

buscada?
22. Demuestre que la sucesión {xn }n definida por

1
xn = , n = 12
, ,...
nk
con k cualquier entero positivo, converge linealmente a α = 0 . Para cada par de enteros
1 −m
k y m, determine un número N para el cual k < 10 .
N
23. Suponga que α es una raíz de multiplicidad m de f (x) = 0 , donde f ′′′ es continua en un
intervalo abierto que contiene a α. Demuestre que la iteración funcional usando
mf (x)
g(x) = x −
f ′(x)
da convergencia cuadrática.
24. Estudie el orden de convergencia de los métodos abiertos aplicados en la solución de

cada uno de los ejercicios anteriores.
25. Use el método de Newton-Raphson para aproximar la raíz α = 1 de la ecuación

f (x) = x3 − 2x2 + 2x − 1 = 0 , tomando x0 = 0 y x0 = 10 . Termine las iteraciones xn
cuando f (xn ) < 5 × 10 −5 , xn − xn −1 < 5 × 10 −5 o n ≥ 25 . Imprima todos los valores
xn , f (xn ) , ∈n = xn − 1 y ∈n , y verifique que ∈n +1 ≈ ∈n .

2 2
26. Aproxime todas las raíces de la ecuación x4 + 2.8 x3 − .38 x2 − 6.3 x − 4.2 = 0 , usando el
método de Newton-Raphson y Deflación.
27. Aproxime todas las raíces de la ecuación
x8 − x7 − 39 x6 + 37 x5 + 446 x4 − 180 x3 − 1928 x2 − 256 x + 1920 = 0
usando el método de Newton-Raphson y Deflación.
Sugerencia: Las raíces son: −2 con multiplicidad 3, 4 con multiplicidad 2, 1, 3 y −5 .
28. Use el método de Newton-Raphson y Deflación para encontrar, con una precisión de
5 × 10 −5 , todos los ceros, todos los puntos críticos y todos los puntos de inflexión de las
__________________________________________________________________________________
siguientes funciones. Use la información obtenida para hacer la grafica de cada una de
las funciónes f dadas.
a) f (x) = x3 − 9 x2 + 12 b) f (x) = x − 2x − 5 x + 12x − 5

4 3 2
Capítulo 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES 1
__________________________________________________________________________________
CAPÍTULO 3. SOLUCIÓN NUMÉRICA DE SISTEMAS DE

ECUACIONES
INTRODUCCIÓN
Un sistema de n-ecuaciones (con coeficientes reales) en las n-incógnitas x1, x 2 ,..., x n es un

conjunto de n ecuaciones de la forma
 f1 ( x1, x2 ,..., xn ) = 0

 f 2 ( x1, x2 ,..., xn ) = 0
 (3.1)
 M
 f ( x , x ,..., x ) = 0
 n 1 2 n
donde
fi : Di → R, Di ⊆ Rn
X = ( x1, x 2 ,..., x n ) → fi ( X ) = y
Si para cada i = 12
, ,...,n , la función fi es de la forma
fi ( x1, x 2 ,..., xn ) = ai 1x1 + ai 2 x 2 +...+ ai n xn − b i
con ai 1, a i 2 ,..., a i n y bi constantes reales, el sistema se dice lineal (con coeficientes reales); en
cualquier otro caso el sistema se dice no-lineal.
Si C = ( c1, c 2 ,...,c n ) ∈R n es tal que fi ( c1, c 2 ,..., c n ) = 0 para cada i = 12

, ,...,n , entonces se dice que
C es una solución real del sistema (3.1).
El objetivo de este capítulo es estudiar algunos métodos numéricos para encontrar una solución
real de un sistema del tipo (3.1).
3.1 SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES
Un sistema de n-ecuaciones lineales (con coeficientes reales) en las n-incógnitas x1, x 2 ,..., x n
puede escribirse en la forma
 a11x1 + a12 x 2 +...+a1n xn = b1

a x + a x +...+a x = b2
 21 1 22 2 2n n

 M con ai j , bi ∈R , i, j = 12
, ,...,n (3.2)
 an1x1 + an 2 x 2 +...+ ann xn = bn
El sistema (3.2) puede escribirse en la forma matricial equivalente AX = b con

__________________________________________________________________________________
 a11 a12 L a1n   x1   b1 

     
a a L a  2  y b = b2 
x
A =  21 22 2n 
, X =
M M M   M  M
     
 an1 an 2 L ann   xn   bn 
La matriz A es llamada matriz de coeficientes del sistema, el vector columna X el vector de

incógnitas y el vector b el vector de términos independientes.
Nota: Consideraremos únicamente sistemas de ecuaciones lineales AX = b con A ∈ R n × n que

tengan solución única para cada vector b ∈R n , es decir, con A invertible.
Los métodos numéricos que estudiaremos para la solución de un sistema de ecuaciones lineales
se clasifican en dos tipos: directos e iterativos.
Los métodos directos nos proporcionan una solución del sistema en un número finito de pasos.
Si usamos aritmética finita para los cálculos, obtendremos por lo general una solución aproximada,
debido únicamente a los errores de redondeo, puesto que no hay errores de truncamiento o de
fórmula. Los métodos directos más usados tienen como base la eliminación de Gauss.
En los métodos iterativos se parte de una aproximación inicial a la solución del sistema dado y se
genera, a partir de dicha aproximación, una sucesión de vectores que si converge lo hace a la
solución del sistema. Al igual que en el capítulo 2, tendremos fórmulas para calcular los términos
de la sucesión, así que en general no se espera calcular el límite de la sucesión, por lo que
debemos tomar algún término de la sucesión como una solución aproximada del sistema. Esta
vez, además de los errores de redondeo si se usa aritmética finita, habrá errores de truncamiento o
de fórmula. Los métodos iterativos más simples y conocidos están basados en iteraciones de
Punto Fijo.
3.2 MÉTODOS DIRECTOS
CASO 1: La matriz A (de coeficientes del sistema AX = b ) es triangular (superior o inferior)

con todas sus componentes sobre la diagonal principal no-nulas.
Supongamos que el sistema es de la forma
 a11x1 + a12 x 2 + ... + a1 ix i + ... + a1,n −1xn −1 + a1 n xn = b1


 a22 x 2 + ... + a 2 i xi + ... + a 2,n− 1xn −1 + a2 n xn = b 2
 M

 ai i xi + ... + ai,n −1xn −1 + ai n x n = bi
 M

 an −1,n −1xn −1 + an −1,n xn = bn −1

 an n xn = bn
Como an n ≠ 0 , entonces podemos despejar xn de la última ecuación y obtenemos

__________________________________________________________________________________
bn
xn =
an n
Conocido x n , usamos la penúltima ecuación para obtener
b n −1 − a n− 1, n xn
x n− 1 =
a n− 1, n −1
Conocidos x n y xn−1 , obtenemos (de la antepenúltima ecuación)
xn − 2 =
(
bn −2 − an − 2, n −1xn −1 + an − 2, n xn )
an − 2, n − 2
En general, conocidos xn , xn −1,..., xi +1 , obtenemos
n
bi − ∑a
k = i +1
i k xk
xi = , i = n − 1,n − 2,...,1
ai i
El método anterior para determinar la solución del sistema se denomina sustitución reversiva,
regresiva o hacia atrás.
Si la matriz de coeficientes del sistema es triangular inferior, para resolver el sistema podemos
proceder de manera similar al caso anterior, pero empezando por despejar x1 de la primera
ecuación. El procedimiento en este caso se denomina sustitución progresiva o hacia adelante.
~
Algoritmo 3.1 (Sustitución regresiva) Para encontrar una solución aproximada X de un sistema
triangular superior AX = b con A = a i j ( )n×n
invertible.
Entrada: El orden n del sistema; los coeficientes ai j , i = 12

, ,...,n, j = i,..., n ; los términos
independientes b i, i = 12
, ,...,n .
Salida: Una solución aproximada X = ( x1, x 2,..., xn ) .

~
bn
Paso 1: Tomar x n = .
an n
Paso 2: Para i = n − 1, n − 2,...,1 , tomar

n
bi − ∑a
k =i + 1
i k xk
xi =
ai i
Paso 3: Salida: "Una solución aproximada del sistema es X = ( x1, x 2 ,..., xn ) ".
~
Terminar.
__________________________________________________________________________________
CASO 2: La matriz A (de coeficientes del sistema AX = b ) es tal que no se requieren

intercambios de filas para culminar con éxito la eliminación Gaussiana.
Digamos que el sistema AX = b tiene la forma
E1 :a11x1 + L + a1j x j + L + a1 n x n = b1


E2 : a21 x1 + L + a2 j x j + L + a 2 n xn = b 2
 M M

E j :a j 1 x1 + L + a j j x j + L + aj nxn = b j

 M M
Ei : a i 1x1 + L + a i j x j + L + ai nxn = bi

 M M

En :an 1x1 + L + an j x j + L + an n xn = bn
El proceso de eliminación Gaussiana (simple) consiste en lo siguiente:
i) Eliminamos el coeficiente de x1 en cada una de las ecuaciones E2 ,E3 ,...,En para obtener un
sistema equivalente A ( ) X = b ( ) , realizando las operaciones elementales
1 1
 a  
Ei −  i 1  E1 → Ei(1) , i = 2,3,..., n
  a11  
ii) Eliminamos el coeficiente de x 2 en cada una de las ecuaciones E3(1) ,E(41) ,...,En(1) , para obtener
( 2) ( 2)
un sistema equivalente A X = b , realizando las operaciones elementales
  (1)  
E( 1) −  ai 2  E(1)  → E( 2 ) , i = 3,4,..., n
 i  a( 1)  2  i
  22 
( 1)
(debe ocurrir que a2 2 ≠ 0 ).
iii) En general, eliminados los coeficientes de x1, x 2 ,..., x j−1 , eliminamos el coeficiente de x j en
cada una de las ecuaciones E(j+1 ) ,E(j+ 2 ) ,..., En( ) , para obtener un sistema equivalente
j −1 j− 1 j− 1
( j) ( j)
A X = b , realizando las operaciones elementales
  ( j −1)  
E( j − 1) −  ai j  E( j − 1)  → E( j ) , i = j + 1,..., n
 i  ( j −1)  j  i
  aj j  
(debe ocurrir que a(j j ) ≠ 0 ).

j−1
Los números
__________________________________________________________________________________
ai( j )
j −1
mi j = , j = 1,...,n − 1, i = j + 1,...,n
a( )
j −1
jj
a(i 1) ai 1
0
se llaman multiplicadores (si j = 1 , ≡ ).
a( ) a11
0
11
El sistema (reducido) resultante tendrá la forma
a11x1 + a12 x 2 + ... + a1 jx j + ... + a1,n −1xn −1 + a1n x n = b1


 (1) x +
a22 ... + a(2 )jx j +
1
... + a2( ,n) −1xn −1 + a2( n) xn = b 2( )
1 1 1
2

 M
 ( j−1) ( j−1) ( j−1) ( j−1)
 aj j x j + ... + a j,n− 1xn −1 + aj n xn = bj

 M

an −1, n −1xn −1 + an −1, n xn = bn( −1 )
( n − 2) ( n−2) n−2


a(n n ) xn = bn( )
n −1 n− 1

el cual se resuelve por el método de sustitución regresiva, para obtener la solución del sistema
original.
CASO 3: La matriz A (de coeficientes del sistema AX = b ) es tal que se requieren

intercambios de filas para culminar con éxito el proceso de eliminación Gaussiana.
Procedemos exactamente como en el caso 2, solo que cuando encontremos a(j jj−1) = 0 para algún
( j−1) ( 0)
, ,..., n − 1 (recuerde que si j = 1, a j j = a11 ≡ a11 ), continuamos de la siguiente manera:
j = 12
( j−1)
Se busca en la j-ésima columna de A (si j = 1, A ( j−1) = A ( 0) ≡ A ) desde la fila ( j + 1 )-ésima
hasta la n-ésima, el primer elemento distinto de cero (Por qué debe existir tal elemento?). Si
a( ) ≠ 0 es tal elemento, entonces se efectúa la operación elemental
j−1
kj
E(j ) ↔ E(k ) : intercambio de las ecuaciones j-ésima y k-ésima

j −1 j −1
y se continua con el proceso de eliminación Gaussiana.
Una vez que se ha hecho la eliminación Gaussiana completa, se realiza la sustitución regresiva
para obtener la solución única del sistema dado.
Los procedimientos descritos anteriormente quedan incluidos en el siguiente algoritmo, en el cual

incluso la matriz A puede ser no invertible (singular) .
Algoritmo 3.2 (Eliminación Gaussiana con sustitución regresiva) Para obtener una solución
~
aproximada X de un sistema de la forma
__________________________________________________________________________________
 E1: a11x1 + ... + a1n x n = b1


 E2 : a 21x1 + ... + a2 n xn = b 2

 M M
 En : an 1x1 + ... + an n xn = bn

Entrada: El orden n del sistema; las componentes ai j , i = 12

, ,...,n , j = 12
, ,..., n + 1 de la matriz
aumentada ( A M b) con ai, n +1 = b i, i = 12
, ,...,n .
Salida: Una solución aproximada X = ( x1, x 2 ,..., xn ) del sistema dado o un mensaje.
~
Paso 1: Para j = 12
, ,...,n − 1 , seguir los pasos 2-4 (Proceso de eliminación):
Paso 2: Hallar el menor entero k tal que j ≤ k ≤ n y ak j ≠ 0 ( ak j es el contenido en la

posición de memoria ( k, j) en ese momento).
Si no existe tal k, entonces A no es invertible, por tanto, salida: "El sistema no

tiene solución única". Terminar.
Paso 3: Si existe tal k y k ≠ j , hacer
Ej ↔ Ek (intercambio de las filas j-ésima y k-ésima)
Paso 4: Para i = j + 1,..., n , seguir los pasos 5 y 6:
ai j
Paso 5: Tomar m i j = .
aj j
(
Paso 6: Efectuar Ei − mi jE j → Ei . )
(Hasta aquí llega la eliminación Gaussiana)
Paso 7: Si an n = 0 , entonces, salida: "El sistema no tiene solución única". Terminar.
an, n + 1
Paso 8: Tomar x n = (Aquí empieza la sustitución regresiva).
an n
Paso 9: Para i = n − 1,...,1 tomar
n
ai, n + 1 − ∑a
k =i + 1
i k xk
xi =
ai i
Paso 10: Salida: "Una solución aproximada del sistema es X = ( x1, x 2,..., xn ) ".
~
Terminar.
__________________________________________________________________________________
Hay sistemas de ecuaciones lineales, como vimos en el capítulo 1, que son sensibles a pequeños
cambios en los datos; de tales sistemas decimos que están mal condicionados.
En la práctica, por lo general, cuando se requiere resolver un sistema AX = b , asociado con un

problema, los datos (coeficientes y términos independientes) no se conocen de manera exacta,
debido por ejemplo a errores de medición, es decir, se dispone realmente de un sistema
perturbado. Por otra parte, aunque los datos se conozcan de manera exacta, éstos al ser entrados
al computador serán transformados (por el compilador) en números de máquina, lo que sabemos
introduce errores de redondeo. En cualquier caso, interesa saber si tales errores pueden afectar
de manera significativa la solución del problema. Una manera de estudiar estos comportamientos
es a través del número de condición de la matriz de coeficientes del sistema.
3.3 SISTEMAS MAL CONDICONADOS Y NÚMERO DE CONDICIÓN DE UNA MATRIZ
Para llegar a la idea del número de condición de una matriz empecemos considerando el siguiente
ejemplo que muestra dos sistemas de ecuaciones lineales mal condicionados.
Ejemplo 3.1 Consideremos los siguientes sistemas de ecuaciones lineales
 x +y= 2
 (3.3)
 10.05 x + 10 y = 21
y
 4.1x + 2.8 y = 4.1
 (3.4)
9.7 x + 6.6 y = 9.7
 20
En el capítulo 1, vimos que la solución exacta del sistema (3.3) es X 1 =   y si cambiamos el
 −18 
coeficiente 10.05 por 10.1 (un cambio relativo de aproximadamente .5%), la solución exacta del
sistema perturbado
 x +y= 2
 (3.3')
10.1x + 10 y = 21
~  10
es X 1 =   , que muestra un cambio relativo del 50% en el valor de x y de aproximadamente el
 −8
56% en el valor de y.
 10
. 
Análogamente, el sistema (3.4) tiene solución exacta X 2 =   y si cambiamos el término
 0.0
independiente 4.1 por 4.11 (un cambio relativo aproximado de .2% en el término independiente), la
solución exacta del sistema perturbado
 4.1x + 2.8 y = 4.11

 (3.4')
9.7 x + 6.6 y = 9.7
__________________________________________________________________________________
~  .34
es X 2 =   , que muestra un cambio relativo aproximado de 66% en el valor de x. ♦
 .97
Se observa entonces que un cambio "pequeño" en uno de los datos (coeficientes y términos
independientes) ha producido un cambio "grande" en la solución, es decir, la solución del sistema
perturbado es "muy diferente" de la solución del sistema original.
Los anteriores son ejemplos de problemas mal condicionados.
Un problema se dice bien condicionado si "pequeños" cambios en los datos introducen,

correspondientemente, un cambio "pequeño" en la solución. El buen o mal condicionamiento de un
problema es inherente al problema y no depende del algoritmo empleado para resolverlo.
El mal condicionamiento en el sistema (3.3) puede visualizarse gráficamente, al graficar las dos
rectas: L1: x + y = 2 y L 2 : 10.05 x + 10 y = 21 . Como las pendientes de estas dos rectas son casi
iguales, es difícil ver exactamente dónde se cortan, esta dificultad visual, digamos que se mide
cuantitativamente en los resultados numéricos obtenidos.
Observe que si A es la matriz de coeficientes del sistema (3.3), entonces det A = −.05 y se puede
pensar que el mal condicionamiento está relacionado con el tamaño del determinante de la matriz
de coeficientes, pero recuerde que si una ecuación de un sistema se multiplica por un escalar, el
determinante de la matriz de coeficientes queda multiplicado por ese escalar mientras los dos
sistemas siguen teniendo exactamente las mismas soluciones, es decir, son equivalentes.
El objetivo siguiente es desarrollar una teoría que permita estudiar el condicionamiento de un

sistema lineal AX = b .
Empezamos con la siguiente definición:

~
Definición 3.1 Si X es la solución exacta de un sistema lineal AX = b , A invertible, b ≠ 0 , y X es
~
una solución aproximada de dicho sistema, entonces llamamos vector error de X con respecto a
X al vector E definido por
~
E= X −X
~
y vector error residual correspondiente a la solución aproximada X , al vector R definido por
~
R = AX − b
Observe que E usualmente no se conoce (pues X no se conoce), mientras que R siempre puede
conocerse.
~ ~
Como R = AX − b , entonces R mide hasta dónde la solución aproximada X satisface el sistema
~ ~ ~
AX = b . Observe que X es tal que AX = R + b , es decir, X es solución de una perturbación del
sistema AX = b .
~
Nótese que R = 0 implica X = X , es decir, R = 0 implica E = 0 . Será que R "pequeña" implica
E también "pequeña", donde . es alguna norma vectorial?
Empecemos recordando qué es una norma vectorial y qué es una norma matricial.
__________________________________________________________________________________
Definición 3.2 Una norma vectorial en R n es una función
. : Rn → R
X→ X
tal que para todo X, Y ∈R n y todo α ∈R :
i) X ≥ 0, X = 0 si y sólo si X = 0
ii) αX = α X
iii) X + Y ≤ X + Y . ∇
 x1 
 
Ejemplo 3.2 Las siguientes son algunas normas vectoriales en R . Si X =  M  ∈ R n , entonces
n
x 
 n
1) La norma euclidiana ( o norma 2) definida por

1
 n 2 2
X 2
=  ∑ xi 
 i= 1 
2) La norma suma ( o norma 1) definida por
n
X 1
= ∑x i
i =1
3) La norma del máximo (o norma ∞ ) definida por
X ∞
= Max xi
1≤i≤n
Estas normas en R n , inducen las siguientes nociones de distancia entre dos vectores X, Y ∈R n :
1
 n 2
1) d 2 ( X, Y) = X − Y 2 ∑
=  ( xi − y i )  (distancia asociada con la norma euclidiana).
 i =1
2
n
2) d 1( X, Y) = X − Y 1
= ∑ x −y
i= 1
i i (distancia asociada con la norma suma)
3) d ∞ ( X, Y) = X − Y ∞
= Max xi − yi (distancia asociada con la norma del máximo). ♦
1≤i≤n
Definición 3.3 Una norma matricial en R n×n es una función:

__________________________________________________________________________________
. : Rn × n → R
A → A
tal que para todo A,B ∈ R n × n y todo α ∈R :
i) A ≥ 0, A = 0 si y sólo si A = 0
ii) αA = α A
iii) A+B ≤ A + B
iv) AB ≤ A B . ∇
Aunque hay diversas formas de construir normas matriciales, aquí solamente consideraremos las
normas matriciales que serán obtenidas a partir de las normas vectoriales dadas en el ejemplo 3.2
según se indica en el siguiente teorema, teorema cuya demostración puede ser consultada en
Kincaid 1972, páginas 163 y 164.
Teorema 3.1 Sea . cualquier norma vectorial en R n . Entonces la función . de R n× n en R ,
definida por
AX
A = Max , A ∈R n× n (3.5)
X ≠0 X
es una norma matricial en R n × n . ∇
La norma matricial dada por (3.5) se dirá la norma matricial inducida por la correspondiente
norma vectorial . .
Note que (3.5) implica que
AX ≤ A X (3.6)
para cada X ∈ R n y cada A ∈ R n × n , pues si X ∈ R n , X ≠ 0 , entonces
AX AX
≤ Max = A
X X ≠0 X
Para X = 0 claramente se satisface (3.6). ∇
Nótese, además, que
AX X
A = Max = Max A = Max AZ
X≠ 0 X X≠ 0 X Z =1
Las normas matriciales inducidas por las normas vectoriales . 2,

. y . son:
1 ∞
__________________________________________________________________________________
1) A 2
= Max AX 2
, difícil de calcular con la información que se conoce hasta aquí, pues
X =1
2
calcular esta norma es resolver un problema de máximo en varias variables.
2) A 1
= Max AX 1
, fácil de calcular, ya que se puede demostrar que
X =1
1
n
A 1
= Max
1≤j≤ n
∑
i =1
ai j
3) A ∞
= Max AX ∞
, fácil de calcular, ya que como en el caso 2), se puede demostrar, véase
X =1
∞
Burden 1985, páginas 453 y 454, que
n
A ∞
= Max
1≤ i ≤ n
∑ ai j
j =1
Debido a la facildad del cálculo de las normas . 1

y . ∞ , las usaremos en lo que sigue.
Una distancia entre las matrices A, B ∈ R n ×n se puede definir como d( A, B) = A − B , donde

. es cualquier norma matricial.
Definición 3.4 El radio espectral de una matriz A ∈ R n × n , ρ( A) , se define como
{
ρ( A ) = Max λ / λ es valor propio de A }
Recuerde que si λ es un número complejo, digamos λ = α + iβ con α y β en R , entonces
λ = α + iβ = α 2 + β 2 .
El siguiente teorema, cuya demostración puede ser consultada en Ortega 1990, páginas 21 y 22,
relaciona el radio espectral de una matriz A con A 2 .
Teorema 3.2 Si A ∈ R n × n , entonces
i) (
ρ A TA = A) 2
, y en consecuencia, si A es simétrica ρ( A ) = A 2
.
ii) ρ( A ) ≤ A para cualquier norma matricial inducida. ∇
Con respecto al ejemplo 3.1, tenemos:

__________________________________________________________________________________
 20
Para el sistema (3.3), X 1 =   es su solución exacta y si consideramos como una solución
 −18 
~  10
aproximada a X 1 =   , que es la solución exacta del sistema perturbado (3.3'), entonces el
 −8 
~
vector error de X 1 con respecto a X 1 , es
~  −10
E1 = X1 − X 1 =  
 10
~
y el vector error residual correspondiente a la solución aproximada X 1 , es
~  1 1   10   2  2   2   0 
R1 = AX 1 − b =    −   =   −  =  
 10.05 10  −8  21  20.5   21  −.5
Entonces
E1 1
= − 10 + 10 = 20 , R1 1
= 0 + −.5 = .5
E1 2
= ( −10) 2 + 10 2 ≈ 14.14, R1 2
= ( −.5 )2 = .5
E1 ∞
= Max { − 10 , 10 } = 10, R1 ∞
= Max { 0 , −.5 }= .5
así que un vector error residual "pequeño" (relativo al vector de términos independientes
 2
b =   , b 1 = 23, b 2 ≈ 21.095 , b ∞ = 21 ) corresponde a un vector error relativamente
 21
"grande".
. 
 10
Para el sistema (3.4), X 2 =   es la solución exacta y si consideramos como una solución
 0.0
~  .34
aproximada a X 2 =   , que es la solución exacta del sistema perturbado (3.4'), entonces el
 .97
~
vector error de X 2 con respecto a X 2 , es
.   −.66
 .34  10
E2 =   −   =  
 .97  0   .97 
~
y el vector error residual correspondiente a la solución aproximada X 2 , es
 4.11  4.1  .01

R2 =   −  =  
 9.7   9.7   0 
Como
E2 1
= 163
. , R2 1
= .01; E2 2
≈ 117
. , R2 2
= .01; E2 ∞
= .97, R2 ∞
= .01
__________________________________________________________________________________
entonces, nuevamente, un vector error residual "pequeño" no corresponde a un vector error

"pequeño". ♦
El ejemplo anterior pone de manifiesto que R "pequeño", no necesariamente implica que E

también sea "pequeño". Sin embargo, a partir del siguiente teorema podremos probar que,
R E
satisfecha cierta condición, "pequeño" implica también "pequeño".
b X
Teorema 3.3 Sea A ∈ R n ×n una matriz no-singular y X la solución exacta del sistema
~
AX = b, b ≠ 0 . Si X es una solución aproximada del sistema AX = b , entonces para cualquier
norma matricial inducida se tiene que
R 1 E R
≤ ≤ A A −1 (3.7)
b −1 X b
A A
~ ~ ~
( )
Demostración: Como R = AX − b = AX − AX = A X − X = AE , y A es invertible, entonces
E = A −1R, b = AX, X = A −1b y aplicando la desigualdad (3.6), se obtiene
R
R ≤ A E , es decir, ≤ E ,y E ≤ A −1 R
A
de donde
R
≤ E ≤ A −1 R (3.8)
A
Aplicando la misma desigualdad (3.6), se tiene que
b
b ≤ A X , es decir, ≤ X ,y X ≤ A −1 b
A
de donde
b
≤ X ≤ A −1 b
A
o equivalentemente
1 1 A
≤ ≤ (3.9)
A −1 b X b
E
Combinando (3.8) y (3.9), obtenemos las siguientes cotas para el error relativo, , en términos
X
R
del error residual relativo, :
b
R 1 E R
≤ ≤ A A −1 (3.10)
b −1 X b
A A
__________________________________________________________________________________
que era lo que quería demostrarse. ∇
R
De acuerdo con este teorema 3.3, si se satisface la condición A A −1 ≈ 1 , entonces y
b
E R E
son más o menos del mismo tamaño. Así que si es "pequeño", también lo será ,y
X b X
R E
si es "grande", también lo será ; por lo tanto si A A −1 ≈ 1 , podremos distinguir una
b X
~ R
solución aproximada, X , buena de una mala observando el error residual relativo .
b
El número Cond ( A) = A A −1 se llamará NÚMERO DE CONDICIÓN o CONDICIONAL de la

matriz no-singular A, relativo a la norma matricial usada. Aunque el valor de Cond( A ) depende de
la norma matricial usada; sin embargo Cond ( A ) ≥ 1 , cualquiera sea la norma matricial inducida,
pues
X X
In = AA −1, In ≤ A A −1 y In = Max In = Max =1
X≠ 0 X X≠ 0 X
De acuerdo con la relación (3.7), dada en el teorema 3.3, vemos que si Cond ( A ) ≈ 1 , entonces el
E R
error relativo, , y el error residual relativo, , son más o menos del mismo tamaño y
X b
podremos distinguir una solución aproximada "buena" de una "mala" observando el error residual
relativo; pero entre más grande sea Cond( A ) , menor es la información que se puede obtener del
error relativo, a partir del error residual relativo.
De lo anterior se espera que A tenga un buen comportamiento, en el sentido de que un error

residual relativo pequeño implique, correspondientemente, una buena solución aproximada de
AX = b , si Cond ( A) ≈ 1 , caso en el cual diremos que A está bien condicionada (el sistema
AX = b está bien condicionado). Si Cond ( A ) >> 1 , es posible que A tenga un mal
comportamiento, en el sentido que un error residual relativo pequeño puede corresponder a una
solución aproximada mala, y diremos que A está mal condicionada (el sistema AX = b está mal
condicionado).
A pesar de las definiciones anteriores, no debemos olvidar que lo que realmente nos interesa es
~
poder determinar cuando una solución aproximada X de un sistema AX = b es "buena", y tratar de
distinguir si el sistema AX = b está bien o mal condicionado.
Para la matriz
 1 1
A= 
10.05 10
del ejemplo 3.1, tenemos
1  10 −1
A −1 =  
−.05  −10.05 1 
__________________________________________________________________________________
A ∞
= Max{ 1 + 1 , 10.05 + 10 } = Max{ 2 , 20.05 } = 20.05
1  10 −1 1
A −1 =   = . = 221
1105
∞ .05  −10.05 1  ∞
.05
luego
Cond ∞ ( A ) = A ∞
A −1 = ( 20.05)( 221) = 443105
. >> 1
∞
R ∞
Este número de condición nos dice que un error residual relativo b pequeño, puede
∞
~
X−X
corresponder a un error relativo ∞ muy grande, así que A puede considerarse mal
X ∞
condicionada.
~  10
Veamos qué puede decirse, en este caso, de la calidad de la solución aproximada X 1 =  −8 del
sistema
 x +y= 2

10.05 x + 10 y = 21
Para este ejemplo tenemos
R1 .5
∞
= y Cond ∞ ( A ) = 443105
.
b ∞
21
así que la desigualdad (3.7) dada en el teorema 3.3, se convierte en
~
.5 1 X 1 − X1 .5
∞
≤ ≤ 443105
.
21 443105
. X1 ∞ 21
esto es,
~
X1 − X 1
−6 ∞
5.37...×10 ≤ ≤ 105.5...
X1 ∞
.5
lo que indica que aunque el error residual relativo es pequeño, , el número de condición es tan
21
grande (4431.05) que hace que la solución calculada pueda tener un error relativo de hasta
~
105.5..., así que nada puede decirse de la cercanía entre X 1 y X 1. ♦
Instrucciones en DERIVE:
NORMA_INF(A): Simplifica en la norma del máximo de la matriz A, A ∞

.
__________________________________________________________________________________
COND_INF(A): Simplifica en el número de condición relativo a la norma del máximo de la matriz A,

es decir, simplifica en el número Cond∞ ( A) = A ∞ A −1 . ◊
∞
Existe otro número asociado con una matriz, al cual se le denomina también número de condición.
A continuación nos referiremos a tal número:
Del teorema 3.2 se sabe que ρ ( A ) ≤ A para toda norma matricial inducida, así que
Cond ( A) = A ( )
A −1 ≥ ρ ( A ) ρ A −1
pero como los valores propios de A −1 son los recíprocos de los valores propios de A, se tiene que
Max λ
λ ∈σ ( A )
Cond ( A) ≥ ≡ Cond∗ ( A )
Min λ
λ ∈σ ( A )
con σ ( A) = {λ ∈ C / λ es valor propio de A } : espectro de A. (Recuerde que
( )
ρ A − 1 = Max λ =
1
)
( )
λ ∈σ A −1 Min λ
λ ∈σ( A )
Max λ
λ ∈σ( A )
El número Cond∗ ( A) = se denomina número de condición espectral de A . Según se
Min λ
λ ∈σ( A )
acaba de probar Cond( A) ≥ Cond∗ ( A) .
 1 1
Para la matriz A =   , se tiene que
 10.05 10
1− λ 1
det( A − λ I) = = λ 2 − 11λ −.05
10.05 10 − λ
así que los valores propios de A son λ 1 ≈ 1100454358

. , λ 2 ≈ −4.5435778 × 10 −3 , y por tanto
Cond∗ ( A) ≈
1100454358
.
≈ 2421999592
. >> 1 ♦
4.5435778 × 10 −3
Dado un sistema AX = b , si δA y δb denotan perturbaciones en A y b, respectivamente, el

siguiente teorema, cuya demostración puede ser consultada en Ortega, 1990, páginas 32 y 33,
~
X−X
establece una cota para el error relativo , en términos de las perturbaciones relativas
X
δA δb
y Cond( A ) , donde X es la solución exacta de AX = b y X es la solución exacta del
, ~
A b
sistema perturbado ( A + δ A )X = b + δ b .
__________________________________________________________________________________
1
Teorema 3.4 Supóngase que A es no-singular y que δA < (esta hipótesis asegura que
A −1
δA
A + δ A es invertible y que 1 − Cond ( A ) > 0 ).
~
Si X es la solución exacta del sistema
A
perturbado ( A + δ A) X = b + δ b , entonces X aproxima a la solución exacta X del sistema AX = b ,
~
b ≠ 0 , con la siguiente estimación de error
~
X−X Cond ( A)  δb δA 
≤  + 
X δA  b A  (3.11)
1 − Cond ( A)
A
∇
La desigualdad (3.11) dice que si la matriz A está bien condicionada, es decir, si Cond ( A) ≈ 1 ,
entonces cambios "pequeños" en A y b producen, correspondientemente, cambios "pequeños" en
la solución del sistema (el sistema AX = b está bien condicionado). Por otro lado, si A está mal
condicionada, entonces cambios "pequeños" en A y b pueden producir "grandes" cambios en la
solución del sistema (el sistema AX = b está mal condicionado).
Ejercicio 3.1 Estime la cota de error dada en el teorema 3.4 para los sistemas (3.4) y (3.4') del
ejemplo 3.1. ♦
Ejercicio 3.2 a) Calcule Cond ( A) usando . 2

, . 1
y . ∞
para las siguientes matrices:
 1 2  4.56 2.18
 ,  
1.0001 2  2.79 138
. 
b) Qué puede decir del condicionamiento de los siguientes sistemas de ecuaciones lineales?
3.9x1 + 16 . x2 = 5.5 4.56 x1 + 2.18 x2 = 6.74

i)  ii) 
 6 .8 x1 + 2 .9 x2 = 9.7 2.79 x1 + 138
. x 2 = 4.17 ♦
ESTABILIDAD NUMÉRICA EN LA ELIMINACIÓN GAUSSIANA
Volvamos al método de eliminación Gaussiana (simple) y consideremos el siguiente ejemplo:
Ejemplo 3.3 Resuelva el siguiente sistema de ecuaciones lineales usando eliminación Gaussiana
con sustitución regresiva y aritmética (decimal) con redondeo a tres dígitos:
E1: .03 x1 + 58.9 x2 = 59.2


E2 : 5.31x1 − 6.10 x2 = 47.0
Usando eliminación Gaussiana, obtenemos

__________________________________________________________________________________
 5 .31
 .03 58.9 : 59.2 E21  .03  , ( m 21 =177)  .03 58.9 : 59.2 
( A M b )  5.31 −6.10 : 47.0
=   →  
 0 −10400 : −10500
y por sustitución regresiva
~ −10500
x2 = = 101
.
−10400
~x = 59.2 − 58.9(1.01) = 59.2 − 59.5 = −.3 = −10.0

1
.03 .03 .03
~
~  x1   −10.0
luego la solución calculada es X =  ~  =  .
 x2   101
. 
PIVOT(A, i, ,j): Usa operaciones elemetales de fila para Simplificar (o aproXimar) en una matriz,
obtenida de la matriz A, que tiene ceros en la columna j y por debajo de la fila i. ◊
~
Qué puede decir de la calidad de la solución aproximada X ?
~
X−X
Para intentar responder esta pregunta encontremos las cotas para el error relativo ,
X
dadas por el teorema 3.3.
 .03 58.9
Como A =   , entonces usando aritmética con redondeo a tres dígitos para todos los
 5.31 −6.10 
cálculos se obtienen las siguientes aproximaciones:
1  −6.10 −58.9
A −1 =  
−313  −5.31 .03 
A ∞
= Max { 58.9, 114
. } = 58.9
1 1
A −1 = Max { 65.0, 5.34 } = 65.0 = .208
∞ 313 313
entonces Cond ∞ ( A ) = A ∞
A −1
= (58.9 )(.208) = 12.3 , que no es muy grande comparado
∞
con uno, así que la matriz A puede considerarse bien condicionada.
(Por ciertas consideraciones teóricas sobre el número de condición de una matriz A, las cuales
pueden ser consultadas en Burden, 1985, páginas 481 y 482, cuando se trabaja en aritmética finita
(decimal) con redondeo a t-dígitos y Cond( A) ≥ 10 t se espera un mal comportamiento de A con
respecto a la solución de AX = b y A se considera mal condicionada. En este ejemplo
Cond( A) = 12.3 < 10 3 ).
Ahora,
__________________________________________________________________________________
~  .03 58.9   −10.0  59.2

AX − b =    − 
.   47.0
 5.31 −6.10  101
14444442444444 3
Estas operaciones se realizan en doble precisión (6 dígitos)
 59.189   59.2  −.011 

=  −  = 
 −59.261  47.0  −106.261
~
(Para evitar la pérdida de cifras significativas, se debe calcular el vector error residual, R = AX − b ,
en doble precisión).
Convirtiendo este último resultado a tres dígitos usando redondeo, se obtiene
 −.011
R= 
 −106 
Entonces R ∞
= 106 y b ∞
= 59.2 y por tanto
~
R X−X R ∞
= Cond∞ ( A )
∞ 1 106 1 106
= =.145...≤ ≤ 22.02... = 12.3
b ∞ Cond∞ ( A ) 59.2 12.3 X 59.2 b ∞
~
R ∞ X −X
pero como Cond ∞ ( A) ≈ 1 , entonces se espera que
∞
y sean más o menos del
b ∞ X ∞
~
R ∞ X−X
∞
mismo tamaño, y ya que es grande, se espera que sea también grande. ♦
b ∞ X ∞
En situaciones como la observada en este ejemplo, se sugiere hacer un refinamiento iterativo

sobre la solución calculada X ~ o usar esta solución calculada como aproximación inicial en un
método iterativo, con el propósito de tratar de mejorar la solución aproximada y lograr que el error
residual relativo sea más pequeño. El método de refinamiento iterativo puede ser consultado en
Kincaid, 1972, páginas 174-176.
 x   10
La solución exacta del sistema en consideración es X =  1  =   . A qué se debe la diferencia
 x2  1 
entre la solución exacta y la solución calculada?
Observe que el error en el cálculo de ~ x2 con respecto a x 2 fue de sólo .01 (un error relativo de
1%) y este error fue multiplicado por un factor de aproximadamente −2000 al obtener ~ x , debido
1
al orden en que se realizó la eliminación Gaussiana.
RESUELVA_1(A,b): Simplifica en la solución exacta X del sistema AX = b . El vector b se entra

como un vector fila. ◊
En el ejemplo anterior la eliminación Gaussiana condujo a una respuesta defectuosa de un sistema

de ecuaciones lineales bien condicionado. Esto muestra la inestabilidad numérica del algoritmo
de eliminación Gaussiana (consecuencia de la división por un número (pivote) pequeño). Hay, sin
__________________________________________________________________________________
embargo, situaciones en las cuales el algoritmo de eliminación Gaussiana es numéricamente

estable. El siguiente teorema cuya demostración puede consultarse en Burden, 1985, páginas 366
y 367, se refiere a una de tales situaciones:
( )n× n es una matriz estrictamente dominante diagonalmente (E.D.D.) por

Teorema 3.5 Si A = a i j
filas, es decir, si
n
ai i > ∑
j= 1
ai j para cada i = 12
, ,..., n
j≠ i
entonces A es invertible (no-singular). Además, se puede realizar eliminación Gaussiana sin

intercambio de filas en cualquier sistema AX = b para obtener su única solución, y los cálculos
son estables con respecto al crecimiento de los errores de redondeo. ∇
Nótese que como consecuencia del teorema anterior se tiene que: Si A = a i j ( )n× n es E.D.D. por
filas, entonces A tiene factorización LU , es decir, A = LU , con L triangular inferior con unos en su
diagonal principal y U triangular superior (escalonada).
Observe que la matriz de coeficientes del ejemplo 3.3 anterior, no es E.D.D. por filas.
El teorema 3.5 también es válido para matrices reales, simétricas y definidas positivas (véase
Burden, 1985, página 368). Una matriz A ∈ R n × n , simétrica, se dice definida positiva si satisface
una cualquiera de las siguientes condiciones (las cuales son equivalentes):
i) X T AX > 0 para todo X ∈ R n , X ≠ 0.
ii) Todos los valores propios de A son positivos.
iii) Todos los pivotes obtenidos en la eliminación Gaussiana sobre A, sin intercambio de filas, son
positivos.
iv) Todas las submatrices principales de A tienen determinante positivo.
(Las submatrices principales de la matriz A = a i j ( )n×n son las matrices

 a11 L a1k 
 
Ak =  M M M  , k = 12
, ,...,n )
a 
 k1 L akk  ∇
Nótese nuevamente que: Si A ∈ R n × n es simétrica y definida positiva, entonces A tiene
factorización A = LU , con L triangular inferior con sus componentes sobre la diagonal principal
iguales a uno y U triangular superior (ver más adelante factorización de Choleski).
Observe que la matriz de coeficientes del ejemplo 3.3 anterior, no es simétrica.
3.4 ESTRATEGIAS DE PIVOTEO

__________________________________________________________________________________
El ejemplo 3.3 anterior, muestra una de las dificultades que pueden surgir al aplicar el método de
eliminación Gaussiana cuando el pivote a(j j ) es "pequeño" comparado con algunos elementos
j−1
a(i t ) para j ≤ i, t ≤ n .
j−1
Para tratar de evitar tales dificultades, se introduce en el método de eliminación Gaussiana una
estrategia llamada de pivoteo, la cual consiste en seleccionar el pivote de acuerdo con un cierto
criterio. Nosotros usaremos dos estrategias: la estrategia de pivoteo máximo por columna o
pivoteo parcial y la estrategia de pivoteo escalado de fila o escalamiento.
3.4.1 Pivoteo máximo por columna o pivoteo parcial: Esta estrategia difiere de eliminación
Gaussiana simple, únicamente en la escogencia del pivote a( ) , la cual se hace ahora, así:
j−1
jj
Para j = 12
, ,..., n − 1 , se determina el menor entero k, j ≤ k ≤ n , tal que
ak( j ) ≠ 0 ak( j ) = Max a (i j )

j −1 j −1 j −1
y
j≤ i≤ n
es decir, seleccionamos el primer elemento diferente de cero sobre la columna j-ésima a partir de
( j−1) ( 0)
la j-ésima fila y que tenga mayor valor absoluto (para j = 1 , ak j = ak 1 ≡ ak 1 ).
Si tal k no existe, el sistema no tiene solución única y el proceso se puede terminar.
Si tal k existe y k ≠ j , entonces hacemos intercambio de las ecuaciones j-ésima y k-ésima:
E(j ) ↔ Ek( )
j −1 j −1
y continuamos con la eliminación Gaussiana. ∇
Ilustremos esta estrategia para resolver el sistema
E1: .03 x1 + 58.9 x2 = 59.2


E2 : 5.31x1 − 6.10 x2 = 47.0
que es el mismo del ejemplo 3.3, usando aritmética con redondeo a tres dígitos.
Como para j = 1, se tiene que

Max { a11 , a 21 } = Max { .03, 5.31 } = 5.31 = a 21 ≠ 0
entonces k = 2 ≠ 1 = j , así que intercambiamos E1 y E2 y continuamos con la eliminación
 .03 58.9: 59.2  5.31 −6.10 : 47.0

( A M b) =  5.31  
−6.10 : 47.0 
→ 
P12

  .03 58.9 : 59.2
(
E 21  )  5.31 −6.10 : 47.0
 .03 
 , m 21 = 5 .65 ×10
 5 .31
−3
   →  
 0 58.9 : 58.9
__________________________________________________________________________________
Por sustitución regresiva, obtenemos
~ 58.9 47.0 + 6.10(100

. ) 53.1
x2 = = 1.00 , ~
x1 = = = 10.0
58.9 5.31 5.31
~ ~ x 
Observe que en este caso X =  ~1  es la solución exacta del sistema dado. ♦
 x2 
SWAP(A, i, j): Intercambia las filas (o elementos) i y j de la matriz A (de un vector ). ◊
Nota: En el procedimiento de pivoteo máximo por columna (pivoteo parcial) cada multiplicador mi j
es tal que
a (i j )
j −1
mi j = ≤1
a (j j )
j −1
y aunque esta estrategia permite resolver satisfactoriamente muchos sistemas de ecuaciones

lineales, hay casos donde fracasa, como se ilustra en el siguiente ejemplo.
Ejemplo 3.4 Consideremos el sistema
E1: 30.0 x1 + 58900 x2 = 59200


 E2 : 5.31x1 − 6.10 x2 = 47.0
el cual es un sistema equivalente al del ejemplo 3.3 (los coeficientes de la primera ecuación en el
sistema del ejemplo 3.3, han sido multiplicados por 10 3 ). El pivoteo máximo por columna con
aritmética de redondeo a tres dígitos, nos lleva a los siguientes resultados:
  5.31
 30.0 58900 : 59200 E21  30 .0  , ( m 21 =.177)  30.0 58900 : 59200 
( A M b) =  5.31 −6.10 : 47.0   →  0 −10400 : −10500
   
y por sustitución regresiva ~ . y ~

x2 = 101 x1 = −10.0 , que es la misma solución que se obtiene si
usamos eliminación Gaussiana simple.
En casos como el de este ejemplo, donde un pivote es mucho más "pequeño" que alguno de los
coeficientes de la ecuación que él encabeza, se recomienda la técnica conocida como pivoteo
escalado de fila o escalamiento, la cual es nuestra segunda estrategia.
3.4.2 Pivoteo escalado de fila: Esta técnica sólo difiere de la eliminación Gaussiana simple, al
igual que el pivoteo parcial, en la escogencia del pivote.
Esta vez el pivote a( j−1) se escoge como se indica a continuación:
jj
Para j = 1,2,...,n − 1 , hacemos lo siguiente:
a) Para i = j,j + 1,...,n , calculamos

__________________________________________________________________________________
( j−1)
Si = Max ai l : Factor de escala
j≤l≤n
Si Si = 0 , entonces el sistema no tiene solución única y el proceso se puede terminar.
b) Para i = j,j + 1,...,n , calculamos
a(i j )
j −1
Si
c) Encontramos el menor entero k con j ≤ k ≤ n tal que
a(k j ) ai( j )
j −1 j −1
a(k j ) ≠ 0 y
j −1
= Max
Sk j≤i≤n Si
Si tal k no existe, entonces el sistema no tiene solución única y el proceso se puede terminar.
Si tal k existe y k ≠ j , entonces hacemos intercambio de las ecuaciones j-ésima y k-ésima:

E( ) ↔ E( )
j −1 j −1
j k
y continuamos con la eliminación Gaussiana. ∇
Apliquemos esta estrategia para resolver el sistema del ejemplo 3.4, usando aritmética con
redondeo a tres dígitos.
Para j = 1:
a) S1 = Max { a11 , a12 } = Max{ 30.0, 58900 } = 58900 ≠ 0, y
S2 = Max { a21 , a 22 } = Max{ 5.31, 6.10 } = 6.10 ≠ 0

b) Ahora,
a11 30.0
= ,y
S1 58900
a21 5.31
=
S2 6.10
 a11 a21   30.0 5.31  5.31 a 21
c) Max  ,  = Max  , = = ≠ 0 , así que k = 2 ≠ 1 = j y por tanto
 S1 S 2   58900 6.0  6.0 S2
intercambiamos las ecuaciones E1 y E 2 y continuamos con la eliminación Gaussiana:
 30.0 58900 : 59200  5.31 −6.10 : 47.0 

( A M b) =  5.31−
 →
P12
 
 6.10 : 47.0   30.0 58900 : 59200
__________________________________________________________________________________
 
30 .0
E 21   , ( m 21 = 5 .65 )  5.31 −6.10 : 47.0 
 5 .31 
   →  
 0 58900 : 58900
Por sustitución regresiva

~ ~ 47.0 + 6.10(1.00) 53.1
x2 = 100
. , x1 = = = 10.0
5.31 5.31
~
~  x1   10.0  es la solución exacta del sistema. ♦
Observe que en este caso X = ~  =  
. 
 x2   100
3.5 FACTORIZACIÓN TRIANGULAR
Consideremos un sistema AX = b , con A no-singular y b ≠ 0 . Con respecto a la matriz A, se sabe

que existen matrices P de permutación, L triangular inferior con sus componentes sobre la diagonal
principal iguales a uno y U triangular superior (escalonada) tales que PA = LU . Una forma eficiente
computacionalmente de encontrar P, L y U, usando eliminación Gaussiana, se muestra en el
siguiente ejemplo:
Ejemplo 3.5 Resuelva el siguiente sistema de ecuaciones lineales usando eliminación Gaussiana
con pivoteo parcial y obtenga una factorización PA = LU para la matriz A de coeficientes, asociada
con este método:
− x1 + 2x 2 − 3 x 3 = −2

3 x1 − 3 x2 − x 3 = −4
 x +x = 3
 1 2
Empezamos introduciendo un vector p = (p1, p2 , p 3 )

T
el cual inicializamos con pi = i, i = 12
, ,3 y
donde se almacenarán los intercambios necesarios en el proceso de eliminación Gaussiana con
pivoteo parcial (el número de componentes del vector p coincide con el orden n del sistema a
resolver):
 − 1 2 − 3 : − 2  3 −3 −1 : −4
  Max{ 13
, ,1} = 3 , p = ( 2,1,3 )  
p = (12
, ,3) , ( AMb) =  3 −3 −1 : −4   → −1 2 −3 : −2
T
T
 1 3  1 1 3
 1 0 :  0 :
 3 −3 − 1 : − 4 
  1 
 m21 = −  ,  m31 = 
1 
  3  3 
 1  1
  1
E 21  −  , E 31  
 3 10
 3 10 
  →  −  1 − : − 
 3 3 3 
 
  1  2 1
:
13 

  3 3 3 
(Observe que cada multiplicador mi j es almacenado en la posición correspondiente (i, j) en la

matriz de trabajo)
__________________________________________________________________________________
 3 − 3 −1 : − 4 
 
 
Max { 12
, } = 2, p = ( 2,3 ,1)
T   1 1 13 
    →   2 : 
 3   3 3 
 
  −  1 −
1 10
: −
10 
 3 3 3 
(Observe que la permutación se hace para las filas 2 y 3 completas, es decir, incluyendo los
multiplicadores)
  3 1 −3 −1 : −4 
 m 32 = 
 
 2
  1 
  1
E 32  
 2 1 13 
  →  
3 
2 :
  3 3
  − 1  1
−
7
−
11 
     : 
 3  2 2 2 
La eficiencia en el método indicado se debe a que en la misma matriz de trabajo se almacenan los
multiplicadores que van a conformar la matriz L (en el ejemplo son los números que se encuentran
dentro de paréntesis), lo que significa un ahorro de memoria, y como los intercambios necesarios
afectan simultáneamente a las matrices L y U, se evita tener que volver a la matriz original a
realizar los intercambios ya observados y repetir la eliminación Gaussiana con pivoteo parcial. De
esta manera, al terminar el proceso de eliminación podemos leer en la matriz final la parte
estrictamente triangular inferior de L (son los números entre paréntesis) y la matriz triangular
superior U (que es la parte triangular superior de la matriz final), y en el vector p final quedan
almacenados los intercambios realizados que se usan para producir la matriz de permutación P.
Para el ejemplo 3.5,
   
 1 0 0  3 −3 −1 
 1    0 1 0
1  
L= 1 0 , U =  0 2  , y como p = (2,3,1) T , entonces  0 0 1 = P
 3   3  1 0 0
 1 1   7  
− 1 0 0 − 
 3 2   2
(Verifique que PA = LU ) .
Para obtener la solución del sistema original, usamos sustitución regresiva en el sistema reducido
 
 −4 
 13 
UX =  
 3 
 11 
− 
 2 
12
4 4 3
c
y obtenemos
11 40 23
x3 = , x2 = y x1 =
7 21 21
__________________________________________________________________________________
T
 23 40 11
así que la solución (exacta) del sistema dado es X =  , ,  .
 21 21 7 
Cómo se resuelve el sistema AX = b a partir de la factorización PA = LU obtenida? ♦
3.5.1 Algunas aplicaciones de la factorización PA = LU : La factorización PA = LU es utilizada

eficientemente en aquellos casos donde se trabaja repetídamente con la misma matriz A. Dos de
esos casos se presentan a continuación.
1) Resolver varios sistemas AX = b con la misma matriz de coeficientes A, ya que en P, L y U está

almacenado todo el proceso de eliminación Gaussiana. El algoritmo se basa en la siguiente
equivalencia
AX = b ⇔ PAX = Pb
⇔ LUX = Pb
⇔ UX = L−1Pb
⇔ UX = c y c = L−1Pb
⇔ UX = c y Lc = Pb
⇔ Lc = Pb y UX = c
Los pasos a seguir son:
Paso 1. Calcular Pb .
Paso 2. Resolver, para c, Lc = Pb por sustitución progresiva.
Paso 3. Resolver, para X, UX = c por sustitución regresiva.
Como ejercicio, resuelva el sistema del ejemplo anterior, usando este algoritmo.
2) Encontrar la matriz inversa A −1 de una matriz invertible A, resolviendo los n-sistemas
( j)
AX = e , j = 12
, ,...,n
donde e( j ) = ( 0,...,0,1,0,...,0 ) ∈ R n .
T
↑
posición j
La solución X del sistema AX = e ( ) ,
j
j = 1,2,...,n , produce la correspondiente columna j-ésima
de la matriz A −1 .
Como ejercicio, compare el número de operaciones para encontrar A −1 usando el método de

Gauss-Jordan, con el número de operaciones resolviendo los n-sistemas indicados antes. ∇
Ejercicio 3.3 Calcule la inversa de la matriz A de coeficientes del sistema del ejemplo 3.5, usando
el método de Gauss-Jordan y también usando la factorización PA = LU . ♦
3.6 SISTEMAS TRIDIAGONALES
Un caso muy importante de sistemas de ecuaciones lineales, que requiere un tratamiento especial,
es el de los sistemas tridiagonales. Tales sistemas aparecen en diversas aplicaciones, como por
ejemplo al utilizar métodos de diferencias finitas en la solución de problemas con valores en la
frontera para ecuaciones diferenciales ordinarias y, como veremos más adelante, en el problema
de la interpolación segmentaria cúbica.
__________________________________________________________________________________
Un sistema tridiagonal es de la forma
d1x1 + c1x 2 = b1

a 2 x1 + d2 x 2 + c 2 x3 = b2
 a 3 x2 + d3 x 3 + c 3 x 4 = b3

 M
 an −1xn − 2 + dn −1xn −1 + c n −1xn = bn −1

 an xn −1 + dn xn = bn
La matriz de coeficientes del sistema es
 d1 c1 0 0 L 0 
 
a2 d2 c2 0 
0 a3 d3 c3 
 
 
A=
M M 
 
 
 an −1 dn −1 cn −1 
 
0 L 0 an dn 
la cual se dice una matriz TRIDIAGONAL (caso especial de las llamadas matrices banda).
En general, una matriz ( )n× n

A = ai j se dice TRIDIAGONAL si ai j = 0 para i− j >1,
i,j = 1,2,...,n.
Suponiendo que la matriz A de coeficientes del sistema tridiagonal es E.D.D. por filas, podemos
usar eliminación Gaussiana simple para resolver el sistema (recuerde que la eliminación
Gaussiana simple es adecuada para resolver sistemas con matriz de coeficientes E.D.D. por filas).
Otra forma de resolver un sistema tridiagonal con matriz de coeficientes A E.D.D. por filas es a
partir de la factorización directa A = LU (encontrando directamente las componentes de las
matrices L y U, es decir, sin usar eliminación Gaussiana), donde L es triangular inferior con todos
sus elementos diagonales iguales a uno y U es triangular superior. Para encontrar tales matrices L
y U, partimos de que ellas deben ser de la forma
 1 0 0 0 L 0   α 1 c1 0 0 L 0 
   
γ 2 1 0 0 L 0   0 α2 c2 0 L 0 
0 γ3 1 0 L 0  0 0 α3 c3 L 0 
L= , U= 
 M O   M O 
0 γ n −1 1 0  0 0 α n −1 c n− 1
   
0 L 0 γn 1  0 L 0 0 αn 
Como
__________________________________________________________________________________
 α1 c1 0 0 L 0 
 
γ
 2 1α γ 2 1 + α2
c c2 0 0 
 0 γ 3α 2 γ 3c 2 + α3 c3 0 
 
 
LU =  
M M
 
 
 0 γ n −1α n − 2 γ n −1c n −2 + α n− 1 c n −1 
 
 0 L 0 γ nα n− 1 γ n c n− 1 + α n 
 d1 c1 
 
a2 d2 c2 
 a3 d3 c3 
 
 O O O 
=   =A
 
 
 an −1 dn− 1 c n −1 

 dn 
 an
igualando componente a componente las matrices LU y A, se tiene que
α1 = d1
γ iα i−1 = ai , i = 2,3,...,n
γ ic i−1 + α i = di, i = 2,3,...,n
y resolviendo para γ i y α i , obtenemos
α 1 = d1
ai 
γi = 
α i−1  para i = 2,3,...,n
α i = di − γ i ci−1 
( α i ≠ 0 , porque en U todos los elementos diagonales son distintos de cero).
Así que un algoritmo para determinar L y U, en el caso que nos ocupa es el siguiente:
Paso 1: Haga α1 = d1 .
Paso 2: Para i = 2,3,...,n , haga

ai
γi =
α i−1
α i = di − γ ic i−1
__________________________________________________________________________________
Una vez encontradas L y U se resuelve el sistema AX = b , resolviendo para c, Lc = b y luego

resolviendo para X, UX = c . ∇
Ejemplo 3.6 Resolver el siguiente sistema tridiagonal usando aritmética (decimal) con redondeo a
tres dígitos y la factorización A = LU .
 .5 x1 + .25 x 2 = .35

 .35 x1 + .8 x2 + .4 x 3 = .77

 .25x 2 + x 3 + .5 x 4 = −.5
 x 3 − 2x 4 = −2.25
Es claro que el sistema es tridiagonal E.D.D. por filas (ya que .5 > .25, .8 >.75 , 1 >.75, 2 > 1 ) .
A partir del sistema dado se tiene que
d1 = .5, d2 = .8, d3 = 1.0, d4 = −2.0

c1 = .25, c 2 = .4, c 3 = .5
a2 = .35, a 3 = .25, a 4 = 10
.
y las matrices L y U son de la forma
 1 0 0 0  α 1 .25 0 0
   
γ 1 0 0 0 α 2 .4 0
L =  2 , U = 
0 γ3 1 0 0 0 α3 .5 
   
0 0 γ4 1 0 0 0 α4
Usando el algoritmo ya descrito, se obtiene
α1 = .5
.35
γ2 = = .7
.5
α 2 =.8 − (.7 )(.25) =.625
.25
γ3 = = .4
.625
. − (.4)(.4) = .84
α 3 = 10
.
10
γ4 = = 119
.
.84
α 4 = −2.0 − (119
. )(.5 ) = −2.60
Luego
1 0 0 0  .5 .25 0 0 
   

L=
.7 1 0 0
y 
U=
0 .625 .4 0 
0 .4 1 0 0 0 .84 .5 
   
 0 0 119
. 1 0 0 0 −2.60
Ahora, resolvemos el sistema

__________________________________________________________________________________
1 0 0 0  c1   .35 
    
0  c 2   .77 
Lc = b ⇔ 
.7 1 0
=
 0 .4 1 0  c 3   −.5 
    
 0 0 119
. 1  c 4   −2.25
por sustitución progresiva, y se obtiene
c1 = .35, c 2 = .525, c 3 = −.71, c 4 = −141

.
Enseguida resolvemos el sitema
 .5 .25 0 0   x1   .35 
    
0 .625 .4 0   x2   .525 
UX = c ⇔  =
0 0 .84 .5   x 3   −.71 
    
0 0 0 −2.60  x 4   −1.41
por sustitución regresiva, y obtenemos
x 4 = .542, x 3 = −117
. , x2 = 159
. , x1 = −.096
Luego la solución (aproximada) obtenida para el sistema dado, es X = ( −.096, 159 . , .542) .
~ T
. , − 117
__________________________________________________________________________________
3.7 FACTORIZACÍON DE CHOLESKI
Se puede probar (véase Kincaid 1972, página 133) que si A es una matriz real, simétrica y definida
positiva, entonces A tiene una única factorización de la forma A = LLT en la cual L es una matriz
triangular inferior con sus elementos en la diagonal principal todos positivos (no necesariamente
con unos en su diagonal principal). Esta factorización se conoce como factorización de Choleski
(recuerde que si A es definida positiva, entonces se puede realizar eliminación Gaussiana sobre A
sin intercambio de filas y todos los pivotes que resultan son positivos).
Se puede demostrar que si A ∈ R n × n y tiene factorización de Choleski, entonces A es definida

positiva (ejercicio!).
Para ilustrar cómo se obtiene la factorización directa de Choleski, es decir, sin usar eliminación
Gaussiana, supongamos que la matriz A es de orden 4. Entonces
 l11 0 0 0   l11 l21 l31 l41   a11 a 21 a 31 a 41 

     
 21 22 0 0   0 l22 l32 l42  =  a21 a 22 a32 a 42 
l l
 l31 l32 l33 0   0 0 l33 l43   a31 a 32 a33 a 43 
     
 l41 l42 l43 l44   0 0 0 l44   a41 a 42 a43 a 44 
144424443 144424443 1444424444 3
L LT A (simétrica)
Como l11l11 = a11 , entonces escogemos l11 = a11 , lo que requiere que a11 > 0 .
a 21
l21l11 = a 21 , entonces l21 = , l11 ≠ 0 .
l11
l221 + l222 = a22 , escogemos l22 = a 22 − l221 . Observe que a22 debe ser mayor o igual que cero.
a 31
l31l11 = a 31 , luego l31 = .
l11
a32 − l31l21
l31l21 + l 32l22 = a 32 , luego l32 = , l22 ≠ 0 , así que a22 > l221 ≥ 0 , esto es a22 > 0 .
l22
l231 + l232 + l233 = a33 , escogemos l33 = a 33 − l231 + l232 ( ) , a33 ≥ 0 .
En general, para encontrar la fila i de L, ( i ≥ 3) , asumiendo que ya se conocen las primeras i − 1

filas de L, procedemos así:
ai 1
De li 1l11 = ai 1 , obtenemos li 1 = .
l11
ai 2 − li 1l21
li 1l21 + li 2l22 = ai 2 , así que li 2 = .
l22
li 1l31 + li 2l32 + li 3 l33 = a i 3 , así que

__________________________________________________________________________________
ai 3 − (li 1l31 + li 2l32 )

li 3 =
l33
( )
, l33 ≠ 0 , a33 > l231 + l232 ≥ 0 , así que a33 > 0 .
(Fila i-ésima de L) × (Columna j-ésima de LT ), j < i:
li 1l j 1 + li 2 lj 2 +...+li j lj j = a i j , entonces para cada i = 3,..., n :
j− 1
ai j − ∑l i klj k
k =1
li j = , j = 2,...,i − 1
lj j
(Fila i-ésima de L)×(Columna i-ésima de LT ):
l2i 1 + l2i 2 +... +li2i = a i i , escogemos
i −1
l i i = ai i − ∑l 2
ik
k= 1
Algoritmo 3.3 (Factorización directa de Choleski) Para factorizar una matriz A = a i j ( )n× n real,
simétrica y definida positiva en la forma A = LLT , donde L es triangular inferior.
Entrada: La dimensión n de la matriz A, los elementos ai j , 1≤ i, j ≤ n (basta almacenar la parte

triangular inferior de A, por ser A simétrica).
Salida: Los elementos li j, 1 ≤ i ≤ n, 1 ≤ j ≤ i de la matriz L.
Paso 1: Tomar l11 = a11 .
ai 1
Paso 2: Para i = 2,..., n , tomar li 1 = (primera columna de L).
l11
Paso 3: Tomar l22 = a 22 − l221 .
Paso 4: Para i = 3,...,n , seguir los pasos 5 y 6:
Paso 5: Para j = 2,...,i − 1 , tomar

 j −1 
 ai j −


∑l 
i kl j k 

k= 1
li j =
lj j
1
 i −1 2
Paso 6: Tome li i =  ai i −

∑ li2k 

.
k =1
__________________________________________________________________________________
Paso 7: Salida: "Las componentes li j de la matriz L para i = 1,2,...,n, j = 1,2,...,i ".

Terminar.
Ejemplo 3.7 Diga si la siguiente matriz es simétrica y definida positiva, y si lo es, encuentre la
factorización directa de Choleski:
 2 −1 0 
 
A =  −1 2 −1
 0 −1 2

Es claro que la matriz A es simétrica, ya que A T = A . Para ver si la matriz A es definida positiva,
realicemos eliminación Gaussiana sobre la matriz A:
 
2 0 
 2 −1 0  E  −1  2 −1 0  2 −1
  21  
   3  E32  − 3   3
A =  −1 2 −1  2→ 0 −1  →  0 −1 
   2   2 
 0 −1 2  0 −1 2  4
0 0 
 3
3 4
Como no hubo necesidad de intercambio de filas y todos los pivotes, 2, , , resultaron
2 3
positivos, la matriz dada es definida positiva y por lo tanto tiene factorización de Choleski.
 l11 0 0
 
Sea L =  l21 l22 0  tal que LLT = A , entonces
l l33 
 31 l32
 l11 0 0   l11 l21 l31   2 − 1 0

    
 l21 l22 0   0 l22 l32  =  −1 2 −1
l l33   0 0 l33   0 −1 2
 31 l32
De acuerdo con el algoritmo 3.3, empezamos calculando l11 .
l211 = 2 , entonces l11 = 2 .

1 1 2
l21l11 = −1, entonces l21 = − =− =− .
l11 2 2
l31l11 = 0 , entonces l31 = 0 .
1 3 3 6
l221 + l222 = 2 , entonces l22 = 2 − l221 = 2 − = = = .
2 2 2 2
−1 − l31l21 −1 − ( 0)( −1) 2 2 6 6

l31l21 + l32l22 = −1 , entonces l32 = = =− =− =− .
l22 6 6 6 3
2
l231 + l232 + l233 = 2 , entonces
__________________________________________________________________________________
( )
6 2 4 2 2 3
l33 = 2 − l231 + l232 = 2 − = 2− = = =
9 3 3 3 3
Así que
 
 2 0 0 
 
2 6
L = − 0 
 2 2 
 6 2 3 
 0 −
 3 3 
es tal que LLT = A . ♦
Ejercicio 3.4 Encuentre, si es posible, la factorización directa de Choleski para la siguiente matriz
4 1 1 1
 
−1 1
A=
1 3
♦
1 −1 2 0
 
1 1 0 2
3.8 MÉTODOS ITERATIVOS
Como ya se mencionó al comienzo de este capítulo, en los métodos iterativos para resolver
sistemas de ecuaciones lineales, se parte de una aproximación inicial a la solución, la cual se va
"mejorando" sucesivamente aplicando cierto algoritmo. Un método iterativo puede ser convergente
o divergente, y aunque el método iterativo converja, en general, sólo podemos esperar la obtención
de una solución aproximada, por efecto de los errores de truncamiento y/o redondeo. Entre las
ventajas de los métodos iterativos, comparados con los directos, están la simplicidad y uniformidad
de las operaciones que se realizan, ya que se usa repetídamente un proceso sencillo; y su relativa
insensibilidad al crecimiento de los errores de redondeo, es decir, usualmente los métodos
iterativos son estables.
Las matrices asociadas con los sistemas de ecuaciones lineales se clasifican en densas y
esparcidas. Las matrices densas tienen pocos elementos nulos y su orden es relativamente
pequeño ( ≤ 100 ) ; para sistemas con matrices densas se recomienda usar métodos directos. Las
matrices esparcidas tienen pocos elementos no nulos y surgen, por ejemplo, al resolver ecuaciones
diferenciales por métodos de diferencias finitas; su orden puede ser muy grande. Los métodos
iterativos son recomendados para resolver sistemas con matrices esparcidas.
Los métodos iterativos que estudiaremos son generalizaciones del método de iteración de punto
fijo:
Dado un sistema AX = b , o equivalentemente, AX 123 − b = 0 , donde A no-singular y b ≠ 0 , lo

F( X )
transformamos en un sistema equivalente X = BX

123 + c para alguna matriz B y algún vector c.
G( X )
Se construye entonces la sucesión de vectores X

( k)
{ } k
a partir de la fórmula de iteración
__________________________________________________________________________________
X ( ) = BX ( ) + c ,
k k−1
k = 1,2,...
y se espera que {X ( ) } k
k
"converja" a la única solución X del sistema AX = b ( ⇔ X = BX + c ) ,
donde la convergencia se entiende en el siguiente sentido.
Definición 3.5 Sea . una norma vectorial en R n . Decimos que la sucesión {X ( ) }

k
k
de
vectores de R n converge al vector X ∈ R n , según la norma vectorial . dada, si

lim X − X ( ) = 0 . ∇
k
k→∞
X − X ( ) = 0 significa que, dado ε > 0 , existe N ∈ N = {0,1,2,...} tal que si

k
Recuerde que lim
k→∞
k ≥ N , entonces X − X( ) < ε .
k
Puede probarse que si una sucesión X
( k)
{ } k
de vectores de R n
converge al vector X ∈ R n según una norma vectorial .

dada, entonces también converge al
n
vector X según cualquier norma vectorial en R , por tal razón diremos simplemente que X
(k)
{ } k
converge al vector X en lugar de { }

X( )
k
k
converge al vector X según la norma . dada.
Digamos que {X ( ) }
k
k
converge al vector X . Si usamos la norma vectorial . ∞
, entonces
lim X − X ( ) = 0 , y si X = ( x1,... xi ,..., xn ) T y X ( k) =  x1( k) ,... xi( k ) ,..., xn( k )  , esto último significa
T
k
k →∞ ∞  
( )
k
que: dado ε > 0 , existe N ∈N tal que si k ≥ N , entonces xi − xi < ε para todo i = 1,2,...,n (ya
(k) xi − x(i ) ) .
k
que X − X = Max
∞ 1≤i≤n
Un primer método construido siguiendo la idea anterior es el siguiente:
3.8.1 Método iterativo de Jacobi o de desplazamientos simultáneos: Dado un sistema lineal de

ecuaciones
a11x1 + a12 x 2 +...+ a1i xi +...+a1n x n = b1

a21x1 + a 22 x2 +...+a 2 i xi +...+ a2 n xn = b2
 M

 ai1x1 + ai 2 x 2 +...+ai i xi +...+ ai n xn = bi
 M

an1x1 + an2 x2 +...+an i x i +...+a n n xn = b n
Si ai i ≠ 0 para todo i = 12
, ,...,n , entonces despejando xi de la i-ésima ecuación, obtenemos el
sistema equivalente
__________________________________________________________________________________
n
 ai j 
∑  − a
b
xi =  xj + i , i = 12
, ,..., n
j =1 ii  ai i
j≠ i
( )n× n con
Si B = bi j
 ai j
− , i≠ j
 ai i

bi j =  i,j = 1,2,...,n
 0, i = j


bi
y c = ( c1, c 2 ,..., c n )
T
, i = 1,2,...,n , entonces el sistema AX = b dado es equivalente al
con ci =
ai i
sistema X = BX + c . Así que la sucesión X

(k)
{ }
de vectores, correspondiente a este método, se
k
genera a partir de la fórmula de iteración
X ( ) = BX ( ) + c , k = 1,2,...
k k −1
( k −1) ( k− 1) T
X(
k −1)
=  x1 ,..., xi ,..., x(n )  ,
k −1
donde, conocido se calcula la aproximación siguiente
X ( ) =  x1( ) ,..., xi( ) ,..., x n( )  , mediante la fórmula

T
k k k k
n
( k− 1)
bi − ∑a
j =1
i jx j
x (i ) =
k j ≠i
, i = 1,2,...,n (3.12)
ai i
que es llamada fórmula (escalar) de iteración del método de Jacobi.
Escogida alguna norma vectorial (por ejemplo . ∞ ), alguna tolerancia ε > 0 y un número
máximo de iteraciones N, se termina el proceso iterativo, indicado en la fórmula (3.12), cuando se
satisfaga alguno de los siguientes criterios de aproximación:
( k) (k )
R( ) < ε , siendo R = AX − b ,
k
i)
X( ) − X ( ) < ε ,
k k−1
ii)
X( ) − X( )
k k −1
iii) <ε
X( )
k
o en su defecto, cuando se alcance el número máximo de iteraciones N .

__________________________________________________________________________________
~
Algoritmo 3.4 (Método de Jacobi) Para encontrar una solución aproximada X de un sistema
( )
AX = b , con A = ai j
n ×n
∈ R n ×n invertible, b ≠ 0 , y ai i ≠ 0 , i = 1,2,...,n .
Entrada: El orden n del sistema; las componentes (no nulas) ai j, i, j = 1,2,...,n de la matriz A; las
componentes bi , i = 1,...,n del vector de términos independientes; las componentes
x0 i , i = 1,2,...,n de una aproximación inicial X 0 = X ( ) ; una tolerancia Tol y un número
0
Salida: Una solución aproximada X = ( x1, x2 ,...,xn ) o un mensaje.

~ T
Paso 1: Tomar k = 1 .
Paso 2: Mientras que k ≤ N , seguir los pasos 3-6:
Paso 3: Para i = 1,..., n , tomar

n
bi − ∑a i j x0 j
j =1
j≠ i
xi =
ai i
Paso 4: Si X − X 0 < Tol , entonces: salida: "Una solución aproximada es

X = ( x1,x 2 ,...,xn ) ". Terminar.
~ T
Paso 5: Tomar k = k + 1 .
Paso 6: Para i = 1,...,n , tomar x0 i = xi .

Terminar.
ANALISIS DE CONVERGENCIA
Para entrar en el análisis de la convergencia del método de Jacobi, empezamos

descomponiendo la matriz A en la forma
A =D−L−U
donde D es la matriz diagonal cuya diagonal es la diagonal principal de A (es dec ir,
D = diag(a11,a22 ,...,ann ) ) , − L es la matriz triangular inferior obtenida de la parte triangular
estrictamente inferior de A, y − U es la matriz triangular superior obtenida de la parte triangular
estrictamente superior de A. Entonces
__________________________________________________________________________________
AX = b ⇔ (D − L − U) X = b
⇔ DX − (L + U) X = b
⇔ DX = (L + U)X + b
⇔ X = D −1 (L + U) X + D− 1b
lo que nos conduce a la fórmula vectorial de iteración del método de Jacobi
X ( ) = D −1 (L + U) X ( ) + D −1b , k = 1,2,...
k k −1
que se usa para efectos teóricos, mientras que la fórmula (3.12) se usa para los cálculos
numéricos.
La matriz BJ = D −1 (L + U) se llama matriz de iteración del método de Jacobi.
Veamos un caso en el cual la sucesión { X( ) } ,

k
k
generada por el esquema iterativo
X ( ) = BX ( ) + c , converge.
k k −1
Teorema 3.6 Si B < 1 para alguna norma matricial inducida, entonces la sucesión { X( ) } ,
k
k
generada por la fórmula de iteración
X ( ) = BX ( ) + c ,
k k −1
k = 1,2,...
converge a la única solución X del sistema X = BX + c , cualquiera sea la aproximación inicial X ( ) ,

0
y se tienen las siguientes cotas para el error de truncamiento X − X ( k ) :
X − X( ) ≤ B X − X( ) , k ≥ 1
k k 0
i)
k
B
ii) X − X(k) ≤ X ( 1) − X ( 0 ) , k ≥1
1− B
X − X( ) ≤
B
X( ) − X( ) , k ≥ 1
k k k −1
iii)
1− B
Demostración: Para demostrar que el sistema X = BX + c tiene sólo una solución, basta probar
que el sistema homogéneo X = BX , es decir, (I − B)X = 0 , tiene solución única X = 0 , ya que si
(I − B)X = 0 tiene solución única, entonces I − B es invertible y entonces (I − B) X = c tiene solución
única, y como (I − B)X = c es equivalente a X = BX + c , entonces este último sistema tiene
solución única.
Veamos entonces que el sistema X = BX tiene solución única X = 0 :
Si X es solución de X = BX , entonces
0 ≤ X = BX ≤ B X
__________________________________________________________________________________
Si 0 < B < 1 y X ≠ 0 , entonces B X < X , lo cual implicaría que X < X , lo cual es un

absurdo. Luego X = 0 .
Si (k )
B = 0 , entonces B = 0 y se tendría X = c para todo k = 12
, ,... , y {X ( ) }
k
k
converge a c,
que es la única solución de X = c .
Ahora,
k
(
X − X( ) = B X − X( ) ,
k −1
) k = 1,2,...
y usando inducción sobre k se tiene que
0 ≤ X − X( ) ≤ B X − X(
k −1)
X − X(
k− 2 )
X − X( )
k 2 k 0
≤ B ≤... ≤ B (3.13)
X − X ( ) → 0 cuando k → ∞ , es
k k
Como B → 0 cuando k → ∞ (pues 0 ≤ B < 1 ), entonces
decir, { X( ) }
k
k
converge a X .
De (3.13), obtenemos
X − X( ) X − X( )
k k 0
i) ≤ B
De otro lado,
X − X ( ) = X − X ( ) + X ( ) − X( ) ≤ X − X ( ) + X ( ) − X ( )
0 1 1 0 1 1 0
X − X( ) + X( ) − X( )
0 1 0
≤ B
(La última desigualdad se tiene por la relación (3.13))
Así que
(1 − B ) X − X( ) ≤ X( ) − X( )
0 1 0
y como 0 ≤ B < 1 , entonces
X − X( ) X( ) − X( )
0 1 1 0
≤ (3.14)
1− B
k
y entonces multiplicando a ambos lados de (3.14) por B , obtenemos
k
B
X − X( ) X − X( ) X( ) − X( )
k k 0 1 0
≤ B ≤
↑ 1− B
usando i )
de donde se obtiene
k
X − X( ) ≤
B
X( ) − X( )
k 1 0
ii)
1− B
__________________________________________________________________________________
Finalmente,
X − X(
k −1)
= X − X ( ) + X ( ) − X ( ) ≤ X − X ( ) + X( ) − X ( )
k k k −1 k k k− 1
X − X(
k −1)
+ X ( ) − X( )
k k −1
≤ B
así que
(1 − B ) X − X(
k −1)
≤ X( ) − X( )
k k −1
y como 0 ≤ B < 1 , entonces
X − X(
k −1)
X( ) − X( )
1 k k −1
≤ (3.15)
1− B
y entonces multiplicando a ambos lados de (3.15) por B , obtenemos
B
X − X( ) X − X(
k −1)
X( ) − X( )
k k k −1
≤ B ≤
1− B
lo que implica
B
X − X( ) X( ) − X( )
k k k− 1
iii) ≤ ∇
1− B
Compare este teorema con el teorema 2.1, de punto fijo.
k
X − X( )
B
X ( ) − X ( ) , en el teorema 3.6 anterior, válida
k 1 0
Nota: La desigualdad ii) ≤
1− B
para B < 1 , nos dice que entre más "pequeña" sea B , más "rápida" será la convergencia del
X − X( )
k
método iterativo. Las cotas para el error de truncamiento , dadas en el teorema 3.6,
( k)
permiten analizar la calidad de una solución aproximada X .
A continuación probaremos que la matriz BJ = bi j ( )n ×n , de iteración del metodo de Jacobi, tiene la

propiedad BJ ∞
< 1 si la matriz A = ai j ( )n × n , de coeficientes del sistema AX = b , es E.D.D. por
filas:
Recordemos que en la matriz BJ = bi j ( )n ×n ,

 ai j
− , i≠ j
 ai i
bi j =  i, j = 1,2,...,n
 0 , i= j


Ahora, si A es E.D.D. por filas, entonces para todo i = 12

, ,..., n , se tiene
__________________________________________________________________________________
n
ai i > ∑ ai j
j =1
j ≠i
luego
n n
ai j ai j
∑
j =1
ai i
= ∑
j=1
−
ai i
< 1 , i = 12
, ,..., n
j ≠i j≠i
de donde
n
ai j
Max
1≤i≤n
∑
j =1
−
ai i
<1
j≠ i
Pero
n n
ai j
BJ ∞
= Max
1≤i≤n
∑j =1
bi j = Max
1≤ i ≤ n
∑ −a
j=1 ii
(pues b i i = 0 )
j ≠i
así que BJ ∞
< 1. ∇
Aplicando el teorema 3.6 a la situación anterior, obtenemos el siguiente teorema:
Teorema 3.7 Si la matriz A en un sistema AX = b es E.D.D. por filas, entonces el método iterativo
( 0)
de Jacobi converge a la única solución X del sistema AX = b , cualquiera sea X , y se tienen las
( k)
cotas para el error X − X , dadas en el teorema 3.6. ∇
∞
Se dispone, además, del siguiente resultado cuya demostración puede consultarse en Burden,
1985, páginas 469 y 470:
Teorema 3.8 Para cualquier X ( ) ∈R n , la sucesión

0
{ X( ) }
k
k
definida por la fórmula de iteración
X ( ) = BX ( ) + c, k = 12
k k −1
, ,..., c ≠ 0 , converge a la única solución X del sistema X = BX + c si y
sólo si ρ (B) < 1. ∇
Como una aplicación particular del teorema 3.8 se tiene que: El método iterativo de Jacobi
converge a la única solución X del sistema X = BJ X + c si y sólo si ρ (B J ) < 1 .
Ejemplo 3.8 Use el método iterativo de Jacobi para resolver el sistema
2x1 − x 2 + x3 = −1

 x1 + x2 + 3 x3 = 0
 3x + 3x + 5x = 4
 1 2 3
Lo primero que observamos es que el método de Jacobi es aplicable a este sistema, ya que la
matriz de coeficientes del sistema dado tiene todas sus componentes diagonales no nulas.
Veamos si el método de Jacobi converge o nó, en este caso.

__________________________________________________________________________________
Empecemos observando que la matriz A de coeficientes del sistema no es E.D.D. por filas (ya que
2 ≤ − 1 + 1 ), así que para el estudio de la convergencia del método de Jacobi debemos
encontrar la matriz de iteración B J .
Una forma de obtener BJ es despejando x1, x2 y x3 de la primera, segunda y tercera ecuación

del sistema, respectivamente, y escribiendo el sistema resultante en forma matricial, lo que nos da
 x1   1 1  x1   1 
   0 −    − 
   2 2    2
 x2  =  −1 0 −3   x2  +  0 
   3 3    4
   − 5 − 5 0     5 
{ 
x 3  144  x3  123
{
424443
X BJ X c
7
Como BJ ∞
= 4 > 1 ( BJ 1
= > 1) no podemos concluir sobre la convergencia del método de
2
Jacobi (a partir de las normas . ∞
, . 1 ), así que debemos estudiar el radio espectral ρ(B J ) , de
la matriz de iteración B J .
Como
1 1
−λ −
2 2 8 3
det (B J − λI) = −1 −λ −3 = −λ3 + λ +
3 3 5 5
− − −λ
5 5
8 3
entonces la ecuación característica de la matriz B J es − λ3 + λ + = 0 , cuyas raíces son
5 5
λ1 = −1, λ 2 ≈ 1.42195 y λ 3 ≈ −.421954

y como
ρ(B J ) ≈ Max { − 1 , 142195
. , −.421954 } = 142195
. >1
entonces el método iterativo de Jacobi no converge (diverge), según el teorema 3.8.
BJ( A ): Simplifica en la matriz de iteración, BJ , del método de Jacobi.

CHARPOLY( M, w): Simplifica en el polinomio característico pM ( w ) de la matriz M.
EIGENVALUES( M, w ): Simplifica en los valores propios w 1, w 2 ,..., w n de la matriz M. ◊
En situaciones como la del ejemplo 3.8, se recomienda reordenar las ecuaciones del sistema dado,
de modo que la matriz de coeficientes del sistema reordenado sea lo más cercana posible a una
matriz E.D.D. por filas (colocando primero las ecuaciones que tienen un coeficiente dominante y
luego las restantes).
En el caso del ejemplo, la reordenación más conveniente para el sistema es

__________________________________________________________________________________
2x1 − x 2 + x 3 = −1

 3 x1 + 3 x2 + 5 x 3 = 4
 x + x + 3x = 0
 1 2 3
Observe que la matriz de coeficientes de este sistema reordenado tampoco es E.D.D. por filas.
Las fórmulas escalares de iteración para el método de Jacobi son ahora
 −1 + x(2 ) − x(3 )
k −1 k −1
 x1( ) =
k
,
 2
 ( k −1) ( k −1)
 4 − 3 x1 − 5 x3
x (2 ) =
k
 , k = 12
, ,...
 3
 − x(1 ) − x(2 )
k −1 k −1
 x3( k)
= ,
 3

cuya forma vectorial es
 x( k )   ( k −1) 
 1   1 1   x1   1
   0 −    − 2
   2 2    4
 x(2k )  =  −1 0 −   x(2 )  +  
5 k −1
  , k = 12
, ,...
   3  3
   1 1     
 ( k )   − 3 − 3 0   ( k −1)  
 x

 x 3  14442444  120
  3  3  3
123 BJ 1 424 3 c
X( ) X( )
k k − 1
8 13
Como BJ ∞
=
> 1 ( BJ 1 = > 1 ), entonces nada se puede afirmar sobre la convergencia del
3 6
método de Jacobi (a partir de las normas B J ∞ , B J 1 ), por tanto debemos encontrar ρ(B J ) . La
ecuación característica de B J es
2 1
− λ3 + λ+ =0
9 9
cuyas raíces son
λ1 ≈ .631096 , λ 2 ≈ −.315548+.276567i , λ 3 ≈ −.315548 −.276567i

y como
ρ(B J ) ≈ Max { .631096 , −.315548 +.276567i , −.315548−.276567i }

≈ Max { .631096, .419595 }= .631096 < 1
__________________________________________________________________________________
entonces, según el teorema 3.8, el método iterativo de Jacobi converge a la única solución X del
sistema reordenado, cualquiera sea la aproximación inicial X ( 0 ) .
Iterando con el método de Jacobi, tomando como aproximación inicial X ( ) = (0,0,0) , y usando
0 T
como criterio de aproximación X ( k) − X ( k −1) < .001 , obtenemos

∞
X ( ) = ( −.5, 1.3333, 0 ) , X ( ) = (.16667, 18333, −.27778 ) ,...,

1 T 2 T
.
X ( ) = (.99798, 19990, −.99842) , X ( ) = (.99873, 1.9994, −.99901)

15 T 16 T
.
X( ) − X( )
16 15
Como ≈ 7.5E − 4 < .001 y k = 16 es el primer entero positivo para el cual
∞
X( ) − X( )
k k −1
< .001 , entonces
∞
X ( ) = (.99873, 19994, −.99901) = X ≈ X

16 T ~
.
JACOBI(A, b, X ( 0 ) , N): aproXima las primeras N iteraciones en el método de Jacobi aplicado al

sistema AX = b , con aproximación inicial X ( 0 ) . Para el ejemplo, aproXime la expresión
[ ]
JACOBI( [2 , − 1,1] ,[3 , 3 , 5],[1,1,3 ] , [ −1,4 , 0] , [ 0 , 0 ,0 ] , 16 ). ◊
Cuál es la calidad de la solución aproximada obtenida X ( ) ?

16
X ( ) − X , dadas en el
16
Como no se pueden aplicar las cotas para el error de truncamiento
teorema 3.6 (ya que no se satisface la condición B J < 1 para las normas calculadas
X( ) − X
16
∞
BJ ∞
, BJ 1
), entonces vamos a usar las cotas para el error relativo , dadas en el
X ∞
teorema 3.3:
R( ) X( ) − X R( )
16 16 16
1
≤ Cond ∞ ( A)
∞ ∞ ∞
≤
b ∞
Cond ∞ ( A ) X ∞
b ∞
En esta desigualdad R( ) = AX ( ) − b , con

16 16
2 −1 1  −1
   
A = 3 3 5 y b =  4
3 3 9  0
  
Si hacemos los cálculos indicados, obtenemos
__________________________________________________________________________________
X( ) − X
16
∞
5 × 10 −6 < 16
. ...×10 − 5 ≤ ≤ .011... < .05 = 5 × 10 −2
X ∞
Extendiendo de manera natural, los conceptos de cifras significativas y cifras decimales exactas
para vectores, dados en el capítulo 1 para escalares, podemos concluir, a partir de la última
desigualdad, que X ( ) = .99873, 19994
( )
16 T
. , −.99901 aproxima a la solución exacta X del sistema
dado con una precisión de por lo menos dos cifras significativas (y no más de cinco). Se puede
verificar que la solución exacta del sistema dado es X = (1, 2, − 1) . ♦
T
Ejemplo 3.9 Use el método iterativo de Jacobi para resolver el sistema
 2x1 − x 2 + 10x 3 = −11


 3x2 − x3 + 8 x 4 = −11

 10 x1 − x 2 + 2x 3 = 6
 − x1 + 11x 2 − x 3 + 3 x 4 = 25
Observe que el método de Jacobi es aplicable a este sistema, pero nuevamente como en el
ejemplo anterior, la matriz de coeficientes del sistema dado no es E.D.D. por filas, así que para
estudiar la convergencia del método de Jacobi debemos encontrar la matriz de iteración BJ .
Se ve fácilmente que la matriz de iteración del método de Jacobi es, en este caso, la siguiente
matriz
 1 
 0 −5 0
 2 
 0 1 8
0 − 
BJ =  3 3
 1 
 −5 2
0 0
 
 1 − 11 1 0
 3 3 3 
11
Como BJ ∞ = > 1 ( B J 1 > 1), entonces todavía no podemos concluir acerca de la
2
convergencia del método de Jacobi ( apartir de las normas B J ∞ , BJ 1 ) . Encontremos
entonces el radio espectral de la matriz de iteración BJ .
Se puede ver que la ecuación característica de la matriz BJ es
629 2 31
λ4 − λ + λ + 240 = 0
18 18
cuyas raíces son
λ 1 = 5, λ 2 ≈ −3.01292, λ 3 ≈ 3.11967 y λ 4 ≈ −5.10674

por tanto
ρ(B J ) ≈ 5.10674 > 1
__________________________________________________________________________________
lo que implica que el método de Jacobi diverge, en este caso.
Sin embargo, si reordenamos las ecuaciones del sistema en la forma
10 x1 − x2 + 2x 3 = 6

− x1 + 11x 2 − x3 + 3 x 4 = 25

 2x1 − x 2 + 10 x 3 = −11
 3x2 − x 3 + 8 x4 = −11
obtenemos un sistema equivalente AX = b donde A sí es E.D.D. por filas, así que, según el
teorema 3.7, el método iterativo de Jacobi converge a la única solución del sistema, cualquiera sea
( 0)
la aproximación inicial X , y se tienen cotas para el error de truncamiento X ( ) − X .
k
∞
La forma matricial del método de Jacobi, para el sistema reordenado, es
 x ( k)   ( k −1) 
 1   0 1
−
2   x1   6 
   0     
10 10   ( k −1)   10 
 ( k)   1 1 3 25 
 x2   0 −   x2  
  =  11 11 11   +  11 
 ( k)   − 2 1 
( − )   − 11 
 x 3   10 0 0 x   10 
k 1
10
     11 
3
 3 1
 ( k)   0 − 0   k −1   − 
 x  14444  ( )  8
 4  84244444
8 3  x 4  123
123 BJ 14 2 4 3 c
X( k ) X( k −1)
4 1 23
Observe que BJ ∞
= = < 1 ( BJ 1
= < 1) .
8 2 40
Investigue cuántas iteraciones k serán necesarias en el método de Jacobi (usando la norma

. ∞ ), para que X ( k ) aproxime a la solución exacta X del sistema dado, con por lo menos tres
cifras significativas, tomando como aproximación inicial X ( ) = ( 0,0,0,0 ) ? (ejercicio!)

0 T
Los resultados obtenidos en las iteraciones aplicando el método de Jacobi, empezando con
X ( 0 ) = ( 0,0,0,0 ) y usando como criterio de aproximación X ( ) − X ( )
T k k −1
< .001 , son
∞
X ( ) = (.60000, 2.2727, − 11000 )T

1
. , − 13750
.
X ( ) = (1.0473, 2.6023, −.99273, − 2.3648)

2 T
M
X ( ) = (11040, 2.9958, − 1.0210, − 2.6262)
8 T
.
X ( ) = (11038, 2.9965, − 1.0212, − 2.6261) = X ≈ X

9 T ~
.
Sólo fueron necesarias k = 9 iteraciones para alcanzar la tolerancia dada. Con cuántas cifras
decimales exactas aproxima X ( 9 ) a X ? (ejercicio) ♦
__________________________________________________________________________________
3.8.2 Método iterativo de Gauss-Seidel o de desplazamientos sucesivos: Una posible mejora

(k )
en el algoritmo de Jacobi puede ser la siguiente: para calcular xi se usan las componentes de
X ( ) , pero como x ( ) , x( ) ,..., x ( ) ya han sido calculadas y supuestamente son mejores
k −1 k k k
1 2 i −1
( k −1) ( k− 1)
aproximaciones de las componentes x1, x2 ,..., xi −1 de la solución exacta que x1 ,..., xi− 1
(k )
(asumiendo convergencia), parece más recomendable calcular xi usando los valores
( k) ( k) ( k)
x1 , x2 ,..., x i−1 calculados recientemente. Esta técnica se conoce como método iterativo de
Gauss-Seidel o de desplazamientos sucesivos.
( 0) ( 0) ( 0) T
Se inicia el proceso iterativo con una aproximación inicial X ( ) =  x1 , x2 ,..., xi ,..., x(n )  . A partir
0 0
( 1) (1) ( 1) T
de este vector se obtiene la primera aproximación X ( ) =  x1 ,x 2 ,..., xi ,...,xn( )  , mediante las
1 1
siguientes fórmulas (suponemos que ai i ≠ 0 para t odo i = 1,2,...,n ):
n n
∑ a1jx (j ) b2 − a 21 x1( ) − ∑a ( 0)
0 1
b1 − 2 j xj
x1( ) = x (2 ) =
1 j= 2 1 j= 3
,
a11 a 22
y en general, para i = 2,..., n − 1 , se calcula
i −1 n
( 1) − ( 0)
bi − ∑a i jx j ∑a i j xj
xi( ) =
1 j =1 j =i +1
ai i
y
n −1
( 1)
bn − ∑a n j xj
x (n ) =
1 j =1
an n
El paso genérico es:
( k −1) ( k −1) T
Conocida la aproximación X (
k −1)
=  x1 ,..., xi ,..., x n( )  , se obtiene la aproximación siguiente
k −1
(k) (k) T
X ( ) =  x1 ,..., xi ,..., xn( )  , usando las fórmulas
k k
n
( k −1)
b1 − ∑a 1j x j
x1( ) =
k j= 2
a11
para i = 2,3,..., n − 1 ,
__________________________________________________________________________________
i −1 n
∑ ai j x(j ) − ∑a ( k −1)
k
bi − i j xj
x i( ) =
k j= 1 j = i +1
(3.16)
ai i
n −1
(k)
bn − ∑a n j xj
x (n ) =
k j= 1
an n
que son llamadas fórmulas escalares de iteración del método de Gauss-Seidel.
Se termina el proceso iterativo con alguno de los criterios de aproximación mencionados

anteriormente.
~
Algoritmo 3.5 (Método de Gauss-Seidel) Para encontrar una solución aproximada X de un
( )
sistema AX = b , A = ai j n ×n ∈ R n × n invertible, b ≠ 0 y ai i ≠ 0 para todo i = 1,2,...,n .
Entrada: El orden n del sistema; las componentes no nulas ai j , i,j = 1,2,...,n de la matriz A; las
componentes b i , i = 1,2,...,n del vector de términos independientes; las componentes
x0 i , i = 1,2,...,n de una aproximación inicial X 0 = X ( ) ; una tolerancia Tol, y un número
0
Salida: Una solución aproximada X = ( x1, x 2 ,..., x n ) o un mensaje.

~ T
Paso 2: Mientras que k ≤ N , seguir los pasos 3-8:
n
b1 − ∑a
j =2
1j x0 j
Paso 3: Tomar x1 = .
a11
Paso 4: Para i = 2,..., n − 1 , tomar

i −1 n
bi − ∑ ai jx j − ∑a i j x0 j
j =1 j= i +1
xi =
ai i
n −1
bn − ∑a n j xj
j =1
Paso 5: Tomar xn = .
an n
__________________________________________________________________________________
Paso 6: Si X − X 0 < Tol , entonces salida: "Una solución aproximada del sistema es
X = ( x1, x2 ,..., xn ) ". Terminar.
~ T
Paso 8: Para i = 1,2,..., n , tomar x0 i = xi .
Paso 9: Salida: "Se alcanzó el número máximo de iteraciones N pero no la tolerancia". Terminar.
ANÁLISIS DE CONVERGENCIA
Al igual que en el método de Jacobi, con el propósito de analizar la convergencia del método de
Gauss-Seidel, veamos cuál es la fórmula vectorial de iteración del método de Gauss-Seidel
X ( ) = BX ( ) + c , k = 12
k k −1
, ,...
Multiplicando a ambos lados de la ecuación (3.16) por ai i y asociando los k-ésimos términos
iterados, obtenemos
i n
∑ ai jx (j ) =
k
∑ (− a )x( ij j
k −1)
+ bi (3.17)
j =1 j = i+ 1
Si D es la matriz diagonal cuya diagonal es la diagonal de A, − L es la matriz triangular inferior

formada por la parte estrictamente inferior de A y − U es la matriz triangular superior formada por
la parte estrictamente superior de A, como en el método de Jacobi, entonces al poner a variar i de
1 a n en la ecuación (3.17), obtenemos el sistema
(D − L) X ( k ) = UX ( k −1) + b
o equivalentemente
X ( k ) = (D − L) UX ( ) + (D − L ) b, k = 1,2,...
−1 k− 1 −1
14243
BG
siempre que la matriz D − L (triangular inferior) sea invertible, o sea si ai i ≠ 0 para cada
i = 1,2,..., n .
La fórmula anterior se conoce como fórmula vectorial de iteración del método de Gauss-Seidel,
y la matriz BG = (D − L ) U se llama matriz de iteración del método de Gauss-Seidel.
−1
Al igual que en el método de Jacobi, se tiene para el método de Gauss-Seidel el siguiente

resultado, el cual puede ser consultado en Kincaid, 1972, páginas 189 y 190.
Teorema 3.9 Si la matriz A de coeficientes de un sistema AX = b es E.D.D. por filas, entonces el

método iterativo de Gauss-Seidel converge a la única solución X del sistema AX = b , para
cualquier elección de X ( ) . ∇
0
__________________________________________________________________________________
Recuérdese que según el teorema 3.6: Si B G < 1 para alguna norma matricial inducida,
entonces la sucesión X { }
(k)
, k = 0,1,... , obtenida en el método de Gauss-Seidel, converge a la
k
( 0)
única solución X del sistema X = BG X + c para cualquier X ∈R n , y se tienen las cotas para el
error de truncamiento X − X ( ) , dadas en el teorema 3.6. ∇

k
También se tiene, de acuerdo con el teorema 3.8, que: Para cualquier X ( ) ∈R n , la sucesión
0
{ }
X ( ) , con
k
k
X ( ) = BG X ( ) + c,
k k −1
k = 1,2,..., c ≠ 0
converge a la única solución X del sistema X = BG X + c (⇔ AX = b) si y sólo si ρ (B G ) < 1. ∇
Ejemplo 3.10 Apliquemos el método de Gauss-Seidel para resolver el sistema
 2 x1 − x2 + x 3 = −1

 x1 + x2 + 3 x 3 = 0
3 x + 3 x + 5 x = 4
 1 2 3
Este sistema es el mismo del ejemplo 3.8.
Como la matriz de coeficientes no es E.D.D. por filas, nada podemos decir todavía acerca de la
convergencia del método de Gauss-Seidel, así que debemos encontrar la matriz de iteración del
método de Gauss-Seidel, BG . Una forma de encontrarla es la siguiente:
Las fórmulas escalares de iteración del método de Gauss-Seidel para el sistema dado, son
 k −1 + x(2 ) − x(3 )
k −1 k −1
 x(1 ) = ,
 2
 (k) (k) ( k− 1)
 x 2 = − x1 − 3 x 3 , k = 12
, ,...
 ( )
k ( )
k
 ( k ) 4 − 3 x1 − 3 x2
 x3 = 5
,

Reemplazando x1( ) en la fórmula de iteración para x (2 ) , obtenemos la siguiente expresión para

k k
x (2 ) , en términos de x (2 ) y x (3 ) :
k k −1 k− 1
( k −1) ( k −1)
( k ) 1 − x 2 − 5 x3
x2 =
2
( k) (k )
Ahora se reemplazan x1 y la última expresión obtenida para x 2 , en la fórmula de iteración para
x (3 ) , con lo cual se obtiene
k
4 + 9 x(3 )
k −1
x(3 ) =
k
5
Así que, finalmente, se tiene el siguiente esquema de iteración
__________________________________________________________________________________
 −1 + x(2 ) − x3( )
k −1 k −1
 x(1 ) =
k
,
 2
 ( k −1) ( k −1)
 1 − x2 − 5 x3
x(2 ) =
k
 , k = 12
, ,...
 2
 4 + 9 x3( )
k −1
 x(3 ) =
k
,
 5

el cual escrito en forma vectorial es
 x1( k )    x( k −1) 
  1 1  1   1
−   − 
 
0 
 2 2
 ( k)    k −1   12 
 x2( )  + 
 1 5
 x2  = 0 − −   , k = 12
, ,...
   2 2    2
 
 0 9    4
0   ( k −1)   5 
 x ( k)     x3  123
 3  14424453  
123 BG 12
4 4 3 c
X( ) X ( k− 1)
k
que constituye la fórmula vectorial de iteración del método de Gauss-Seidel para el sistema dado.
Otra forma de obtener la matriz de iteración BG , es a partir de su fórmula BG = (D − L ) U .

−1
 1 
 0 0
 2 0 0  2   0 1 − 1
  1  
Como D − L =  1 1 0 , entonces (D − L) = −
−1 
1 0  , y como U =  0 0 −3  , entonces
 3 3 5   0 0 0 
2
   3 1 
 0 − 
 5 5
 1 1 
 0 − 
 2 2 
1 5
BG = (D − L ) U = 0 −
−1  
−
 2 2 
 9 
 0 0 
 5 
Como BG ∞
= 3 > 1 ( BG 1
> 1 ), todavía no podemos concluir acerca de la convergencia del
 1 9  9
método de Gauss-Seidel; pero como ρ(B G ) = Max 0 , − ,  = > 1 , entonces el método de
 2 5  5
Gauss-Seidel diverge (recuerde que si una matriz es triangular superior o inferior, entonces los
valores propios de tal matriz son los números que aparecen en su diagonal principal).
Observe que el número cero es siempre un valor propio de la matriz de iteración B G , así que,
en particular, BG siempre es singular (no invertible).
__________________________________________________________________________________
BG(A): Simplifica en la matriz de iteración, B G , del método de Gauss-Seidel. ◊
Una reordenación del sistema dado, de modo que la matriz de coeficientes del sistema resultante,
sea lo más cercana posible a una matriz E.D.D. por filas, es
 2 x1 − x2 + x 3 = −1

3 x1 + 3x 2 + 5 x 3 = 4
 x + x + 3x = 0
 1 2 3
Las fórmulas escalares de iteración del método de Gauss-Seidel para encontrar una aproximación
de la solución de este sistema reordenado, son
 −1 + x2( ) − x 3( )
k −1 k− 1
 x1( ) =
k
,
 2
 ( k) ( k −1)
 4 − 3 x1 − 5 x3
x (2 ) =
k
 , k = 12
, ,...
 3
 − x1( ) − x2( )
k k
 (
x3 =
k)
,
 3

Dado que
 1 
 0 0
 2 0 0  2   0 1 −1
  1 1  
D − L =  3 3 0 , (D − L ) =  − 2
−1
0

y U =  0 0 −5 
 1 1 3 3 0 0 0
   1 1 
 0 − 
 9 3
entonces
 1 1
0 − 
 2 2
BG = (D − L ) U =  0 −
−1 1 7
− 
 2 6
 5
0 0 
 9
Como BG ∞
> 1 ( BG 1
> 1 ), todavía no podemos concluir sobre la convergencia del método de
 5  5
Gauss-Seidel, pero como ρ(BG ) = Max 0, −
1
,  = < 1 , entonces el método de Gauss-
 2 9  9
Seidel converge a la única solución del sistema dado, cualquiera sea la aproximación inicial.
Si usamos el método de Gauss-Seidel con aproximación inicial X ( 0 ) = ( 0,0,0 )

T
y criterio de
X( ) − X( )
k k −1
aproximación < .001 , se obtienen los siguientes resultados:
∞
X ( ) = ( −.50000, 18333, −.44444 ) , X ( ) = (.63889, 14352, −.69136 ) ,...

1 T 2 T
. .
X ( ) = (.99858, 1.9988, −.99914 ) , X( ) = (.99898, 19996, −.99952) = X ≈ X

12 T 13 T ~
.
__________________________________________________________________________________
Aquí k = 13 es el menor número de iteraciones para el cual se satisface X( ) − X( )

k k −1
< .001 .
∞
Al igual que en el ejemplo 3.8, nos podemos preguntar por la calidad de la solución aproximada
obtenida X ( ) (ejercicio!). ♦
13
G_SEIDEL( A ,b , X ( 0) , N ): aproXima las primeras N iteraciones en el método de Gauss-Seidel

( 0)
aplicado al sistema AX = b , tomando como aproximación inicial X . Para el ejemplo, aproXime la
[ ]
expresión G_SEIDEL( [2 , − 1,1],[3 ,3 , 5] ,[1,1, 3] , [ −1, 4 , 0] , [ 0 ,0 ,0 ] , 13 ). ◊
Ejemplo 3.11 Si aplicamos el método de Gauss-Seidel para resolver el sistema
2x1 − x 2 + 10 x 3 = −11

 3 x2 − x 3 + 8 x 4 = −11

 10 x1 − x2 + 2x 3 = 6
 − x1 + 11x 2 − x3 + 3 x4 = 25
(que es el mismo sistema del ejemplo 3.9), encontramos que la matriz de coeficientes de este
sistema no es E.D.D. por filas, así que para estudiar la convergencia del método de Gauss-Seidel
debemos considerar la matriz de iteración B G .
Se puede ver que
 1 
0 −5 0
 2 
0 1 8
0 − 
BG = (D − L ) U =  3
−1 3
 5 151 4
0 − 2 6
− 
3
 28 
0 − 2 11
 3 2 3
y como BG ∞
> 1 ( BG 1
> 1 ), entonces por ahora nada podemos afirmar acerca de la
convergencia del método de Gauss-Seidel; pero se puede ver que la ecuación característica de la
matriz de iteración BG , es
621 3 4343 2
λ4 − λ + λ =0
18 18
cuyas raíces son λ1,2 = 0 (es decir, λ = 0 es raíz doble), λ 3 ≈ 24.7523, λ 4 ≈ 9.74768 . Por lo
tanto ρ(B G ) > 1 , lo que implica que el método de Gauss-Seidel diverge.
Si reordenamos el sistema de modo que la matriz de coeficientes del nuevo sistema equivalente
sea lo más cercana posible a una matriz E.D.D. por filas, obtenemos el sistema
__________________________________________________________________________________
10 x1 − x 2 + 2 x3 = 6

 − x1 + 11x2 − x 3 + 3x 4 = 25

 2 x1 − x2 + 10 x3 = −11
 3 x 2 − x3 + 8 x4 = −11
cuya matriz de coeficientes es E.D.D. por filas. Así que el método de Gauss-Seidel converge a la
única solución del sistema dado, cualquiera sea la aproximación inicial y se tienen cotas para el
error de truncamiento X ( k) − X , según el teorema 3.9. Si iteramos con el método de Gauss-
X ( 0 ) = ( 0,0,0,0 )
T
Seidel, empezando con y usando como criterio de aproximación
X (k) −X ( k −1) < .001 , se obtienen los siguientes resultados:

∞
X ( ) = (.60000, 2.3273, −.98727, − 2.3711)

1 T
X ( ) = (10302, 2.9233, − 1.0137, − 2.5980)

2 T
.
M
( 5)
X = (11038, 2.9964, − 10211, − 2.6263 ) = X ≈ X
T ~
. . ♦
Si comparamos los resultados de los ejemplos 3.8 y 3.9, obtenidos por el método de Jacobi, con
los obtenidos en los ejemplos 3.10 y 3.11 por el método de Gauss-Seidel, vemos que el método de
Gauss-Seidel es de convergencia más rápida; esto es lo que generalmente ocurre cuando ambos
métodos convergen. Anotamos que hay sistemas lineales para los cuales un método converge y el
otro diverge.
3.8.3 Método SOR (Successive Over-Relaxation): Este método fue ideado para acelerar la
convergencia del método de Gauss-Seidel. La idea del método es que para producir un nuevo
(k ) (k ) ( k −1)
valor xi se ponderan los valores xi actual, obtenido por Gauss-Seidel, y x i anterior, como
se indica a continuación:
X( )
0
Dada una aproximación inicial y calculada la aproximación
X(
k −1)
=  x1( ) ,x(2 ) ,...,x(i ) ,...,x(n )  ,
T
k −1 k −1 k −1 k −1
se calcula la aproximación siguiente
( k ) ( k) ( k) T
X ( ) =  x1 ,x 2 ,...,x i ,...,x (n )  , de acuerdo con las fórmulas siguientes:
k k
 n 
a1j x(j ) 
∑ k −1
 b1 −
 
x1( ) = (1 − w) x(1 ) + w 
k k −1 j= 2

 a11 
 
 
para i = 2,...,n − 1 :
__________________________________________________________________________________
 i −1
( k −1) 
n
 bi − ∑ a i j x(j ) − ∑a
k
i jx j
( k) ( k− 1)
 
xi = (1 − w) xi + w j= 1 j = i +1
 (3.18)
 ai i 
 
 
 n −1 
 bn − ∑ a n j x(j ) 
k
 
x n( k) = (1 − w) x(nk −1) + w j =1

 an n 
 
 
donde w es un parámetro, llamado de aceleración. Más adelante mostraremos que la variación de
w debe ser 0 < w < 2 , para que el método pueda converger.
Las fórmulas anteriores son llamadas fórmulas escalares de iteración del método SOR.
Para 0 < w < 1 el método se denomina de sub-relajación y se puede usar para obtener
convergencia en algunos sistemas para los cuales el método de Gauss-Seidel no es convergente.
Para 1 < w < 2 el método se denomina de sobre-relajación y se puede usar para acelerar la
convergencia en algunos sistemas que son convergentes por el método de Gauss-Seidel.
Observe que si w = 1 , el método se convierte en el método de Gauss-Seidel.
La escogencia del valor óptimo de w se hace de modo que ρ (B w ) sea mínimo, donde B w es la
matriz de iteración del método SOR.
Se puede obtener, siguiendo la misma idea que se usó en el método de Gauss-Seidel, la fórmula
vectorial de iteración del método SOR:
k
14444
[
4244444 3
k −1
]
X ( ) = (D − w L) (1 − w)D + wU X ( ) + w(D − wL) b
−1 −1
(3.19)
Bw
donde D, − L y − U son matrices tales que A = D − L − U , como en los métodos de Jacobi y

Gauss-Seidel.
Dada la dificultad de obtener el w óptimo, a menudo se trabaja experimentando con distintos

valores de w.
La variación del parámetro w, con 0 < w < 2 , se debe al siguiente resultado:
, ,..., n , entonces ρ(B w ) ≥ w − 1 .

Si aii ≠ 0 para cada i = 12
En efecto:
__________________________________________________________________________________
det(B w ) = det { (D − wL) [(1− w)D + wU] }

−1
= det[ (D − wL ) ]det[(1 − w)D + wU]

−1
Pero
[
det (D − wL)
−1
] = det(D1− wL) = detD
1
y
[ ] [ ]
det (1 − w )D + wU = det (1 − w )D = (1 − w ) detD
n
así que
det(B w ) =(1 − w )n detD = (1 − w ) n
1
detD
De otro lado, como det(B w ) = λ 1λ 2 ... λ n donde λ 1, λ 2 ,..., λ n son los valores propios de la matriz
B w , entonces
[ρ(B w )] ≥ λ1 λ 2 ... λ n = λ 1 λ 2 ... λ n = det (Bw ) = (1 − w)

n n n
= 1− w
y por tanto ρ(B w ) ≥ w − 1 . ∇
Como consecuencia del resultado anterior, si w − 1 ≥ 1 , es decir, si w ≥ 2 o w ≤ 0 , entonces

ρ (B w ) ≥ 1 y entonces el método SOR diverge, según el teorema 3.8. Luego sólo si 0 < w < 2
( w − 1 < 1 ), es posible que ρ (B w ) < 1 y así el método SOR posiblemente sea convergente.
En el siguiente teorema, cuya prueba puede consultarse en Ortega, 1990, página 123, se
establecen condiciones suficientes para la convergencia del método SOR:
Teorema 3.10 Si A es una matriz real, simétrica y definida positiva, entonces el método SOR
converge a la única solución X del sistema AX = b para cualquier elección de la aproximación
( 0)
inicial X ∈R n y cualquier valor de w con 0 < w < 2 . ∇
También se tiene, como en los métodos de Jacobi y Gauss-Seidel, que:
Si Bw < 1 para alguna norma matricial inducida, entonces el método SOR converge a la única
( 0)
solución X del sistema X = B w X + c , c ≠ 0, cualquiera sea la aproximación inicial X ∈R n , y se
tienen las cotas para el error de truncamiento X − X ( ) , dadas en el teorema 3.6. ∇

k
Para cualquier X ( ) ∈R n , el método SOR converge a la única solución X del sistema

0
X = B w X + c , c ≠ 0 si y sólo si ρ(B w ) < 1 . ∇
~
Algoritmo 3.6 (Método SOR) Para encontrar una solución aproximada X de un sistema AX = b
con A invertible, b ≠ 0 y ai i ≠ 0 para todo i = 1,2,...,n , dado un valor del parámetro w con
0<w <2:
__________________________________________________________________________________
Entrada: El orden n del sistema; las componentes no nulas ai j , i, j = 1,2,...,n de la matriz A; las
componentes b i , i = 1,2,..., n del vector de términos independientes b; las componentes
x0 i , i = 1,2,..., n de una aproximación inicial X 0 = X ( ) ; un valor del parámetro w; una
0
tolerancia Tol, y un número máximo de iteraciones N.
Salida: Una solución aproximada X = ( x1,..., xn ) o un mensaje.

~ T
Paso 2: Mientras k ≤ N , seguir los pasos 3-8:
 n 
 b1 −
 ∑
a1 j x0 j 

Paso 3: Tomar x1 = (1 − w ) x0 1 + w j= 2

 a11 
 
 
Paso 4: Para i = 2,..., n − 1 , tomar
 i −1 n 
 bi −
 ∑ ai jx j − ∑a i j x0 j


x i = (1 − w ) x0 i + w j =1 j = i +1

 ai i 
 
 
 n −1 
 bn −
 ∑
an j x j 

Paso 5: Tomar xn = (1 − w) x0 n + w j =1

 an n 
 
 
Paso 6: Si X − X 0 < Tol , entonces salida: "Una solución aproximada es

X = ( x1, x2 ,..., xn ) ". Terminar.
~ T
Paso 8: Para i = 1,2,..., n , tomar x0 i = xi .
Paso 9: Salida: "Se alcanzó el número máximo de iteraciones N pero no la tolerancia". Terminar.
Ejemplo 3.12 Consideremos el siguiente sistema de ecuaciones lineales

__________________________________________________________________________________
4 x1 + 3 x 2 =1

 1
3 x + 4 x 2 − x 3 =1
 − x2 + 4 x 3 = 1

Como la matriz de coeficientes de este sistema es simétrica y definida positiva (verifíquelo!),

entonces el método SOR converge a la única solución del sistema dado, cualquiera sea la
aproximación inicial y cualquiera sea w con 0 < w < 2 , según el teorema 3.10.
(k) ( k −1)
Si usamos X ( 0 ) = 0,0,0
( )y criterio de aproximación X − X < .001 , se obtienen los
T
∞
siguientes resultados para distintos valores de w, siendo las fórmulas escalares de iteración del
método SOR, en este caso, las siguientes:
  ( k− 1) 
x1( k ) = (1 − w) x(1k −1) + w 1 − 3 x 2 
  4 
 

  1 − 3 x ( k) + x ( k −1) 
 (k) ( k −1)
 2
x = (1 − w ) x 2 + w 

1
4
3 ,

k = 12
, ,..., 0<w<2
  

 (k)  (k) 
( k −1) + w 1 + x 2 
x 3 = (1 − w) x 3
  4 
 
Como el método de Gauss-Seidel converge, en este caso, podemos pensar en utilizar el método
SOR para acelerar la convergencia del método de Gauss-Seidel; así que tomaremos valores de w
con 1 ≤ w < 2 .
Para w = 10
. (Gauss-Seidel):
(
X ( ) = .25000, 6.2500 × 10 −2 , .26563 )
1 T
X ( ) = 11546 ( )
T
× 10 −3 , .33237, .33309
13
. ≈X
Para w = 12
. :
(
X ( ) = .30000, 3.0000 × 10 −2 , .30900 )
1 T
(
X ( ) = 3.5372 × 10 − 4 , .33310, .33329 )
9 T
≈X
Para w = 125
. :
(
X ( ) = .31250, 19531 )
T
× 10 −2 , .31860
1
.
M
(
X ( ) = 6.4330 × 10 − 5 , .33331, .33333 )
8 T
≈X
Para w = 13
. :
__________________________________________________________________________________
(
X ( ) = .32500, 8.1250 × 10 −3 , .32764 )
1 T
(
X ( 6 ) = −12411 )
T
. × 10 −3 , .33427, .33335 ≈X
Para w = 14
. :
(
X ( ) = .35000, − 17500 )
T
× 10 − 2 , .34388
1
.
M
(
X ( 8 ) = 9.7704 × 10 −4 , .33286, .33315 )
T
≈X
Observando los resultados anteriores, se puede concluir que, para este ejemplo, el valor óptimo del
parámetro w debe estar cerca de 1.3, y para este valor de w la convergencia del método SOR es
más rápida. ♦
BW(A,w): Simplifica en la matriz de iteración, B w , del método SOR.

( 0)
SOR(A,b,w, X ,N): aproXima las primeras N iteraciones en el método SOR aplicado al sistema
( 0)
AX = b , para el valor dado de w y tomando aproximación inicial X . Para el ejemplo, aproXime
[ ]
la expresión SOR( [4 , 3 , 0] ,[ 3 , 4 , − 1] ,[ 0 , − 1, 4] ,[1,1,1],13
. ,[ 0 ,0 ,0 ], 6 ). ◊
Ejemplo 3.13 Si aplicamos el método SOR para resolver el sistema de ecuaciones lineales
10 x1 − x 2 + 2x 3 = 6
 − x + 11x − + =
 1 2 x3 3 x4 25

 2 x1 − x 2 + 10 x3 = −11
 3 x2 − x 3 + 8 x 4 = −11
con X ( ) = ( 0,0,0,0 ) y criterio de apr oximación X( ) − X( )

k k −1
0 T
< .001 , se obtienen los siguientes
∞
resultados:
Para w = 15
. :
X ( ) = (.90000, 3.5318, − 13902, − 4.3098)
1 T
.
X ( ) = (13968 )T
2
. , 3.4072, −.86286, − 19859
.
M
X ( 13 )
= (11041
. , 2.9965, − 1.0210, − 2.6260) ≈ X
T
Para w = 18
. :
__________________________________________________________________________________
X ( ) = (10800 , − 5.7158 )
1 T
. , 4.2676, − 16006
.
X ( ) = (15604, 3.4762, −.63554, −.39176 )

2 T
.
M
X ( 42 )
= (11040
. , 2.9967, − 10207
. , − 2.6262) ≈ X
T
Analice la convergencia del método SOR en cada uno de los casos anteriores. ♦
3.9 SOLUCIÓN NUMÉRICA DE SISTEMAS NO-LINEALES
Consideremos un sistema no-lineal
 f1 ( x1, x2 ,..., xn ) = 0

 f2 ( x1, x 2 ,..., xn ) = 0

 M
 f ( x , x ,..., x ) = 0
 n 1 2 n
donde para cada i = 1,2,...,n ,
fi : Di → R, D i ⊆ R n
X = ( x1,..., xn ) → fi ( X) = y
y alguna fi es no-lineal.
 f1 
 
f2
Si hacemos F ≡   y X = ( x1, x 2 ,..., x n ) , el sistema anterior puede ser escrito en la forma vectorial
M
 
 n
f
F ( X) = 0 con F: D → R n, D ⊆ Rn .
El problema de hallar las soluciones reales de un sistema no-lineal es mucho más difícil que el
problema de hallar las raíces reales de una sola ecuación no-lineal (en una variable), y mucho más
que el problema de resolver un sistema lineal de ecuaciones.
Aunque estudiaremos ciertos métodos que convergen a una solución, no existe un criterio general
para saber cuántas soluciones tiene un sistema no-lineal dado, e incluso es posible que el sistema
no tenga solución, como ocurre con el siguiente sistema
xy = 1

 y=0
Un posible método (directo) para resolver sistemas no-lineales de ecuaciones puede ser el de
reducción de variables.
Por ejemplo, para el sistema

__________________________________________________________________________________
E1: x + y = 1
2 2

E2 : xy = 0
es claro que sus soluciones son (10

, ) , ( 0,1) , ( −10
, ) y ( 0,−1) ; que son los puntos de intersección, en
el plano xy , de la circunferencia unitaria x 2 + y 2 = 1 con los ejes coordenados x = 0 y y = 0 . Ver
la FIGURA 3.1.
FIGURA 3.1
Una manera de resolver el sistema, en este caso, es la siguiente:
Despejando x de la ecuación E1 , obtenemos E1′ : x = ± 1 − y 2 , y sustituyendo en la ecuación E2 ,
obtenemos E2′ :  ± 1 − y 2  y = 0 . Si resolvemos la ecuación E′2 para y, obtenemos y = 0 , y = 1 o
y = −1 . Sustituyendo en la ecuación E1′ , los valores de y obtenidos, tenemos que: si y = 0 ,

entonces x = 1 o x = −1 , lo que produce las soluciones (1,0) y ( −1,0) ; y si y = 1 o y = −1 ,
entonces x = 0 , lo que produce las soluciones ( 0,1) y ( 0,−1) . ♦
En general, este método no es fácil de aplicar, pues la eliminación de variables puede ser muy
difícil ó incluso imposible de realizar.
Estudiaremos los métodos iterativos de Punto Fijo y Newton-Raphson para aproximar soluciones
reales de sistemas no-lineales.
3.9.1 Iteración de Punto Fijo para sistemas no-lineales: Dado un sistema no-lineal de n-
ecuaciones con n-incógnitas, F ( X) = 0 ( F: D → R n , D ⊆ R n ), el método de Punto Fijo para
resolver este sistema consiste en transformar dicho sistema en otro equivalente (por lo menos en
forma local) del tipo X = G ( X ) para alguna función G: D ′ → R n , D′ ⊆ D .
Por ejemplo, si tenemos un sistema de dos ecuaciones con dos incógnitas

__________________________________________________________________________________
f1 ( x, y) = 0   f 
  F( X ) = 0 con F ≡  1  
f 2 ( x, y) = 0   f2  
lo escribimos en la forma equivalente

x = g1( x, y )  g 
  X = G( X) con G ≡  1  
y = g2 ( x, y)   g2  
(despejando, por ejemplo, si es posible, x de f1( x, y ) = 0 e y de f2 ( x, y ) = 0 ).
La iteración vectorial de punto fijo correspondiente
X( ) = G X( ) ,
k k −1
( ) k = 1,2,...
se convierte en


1 (
 x( k ) = g x( k −1) , y ( k −1) ,
)
 k = 12
, ,....
( )
 ( k) ( k −1) , y ( k −1) ,
 y = g2 x

que no es otra cosa que la iteración de Jacobi para sistemas no-lineales.
Otra forma de iteración vectorial de punto fijo es


1 (
x ( k) = g x ( k −1) , y ( k −1) ,
)
 k = 12
, ,....
( )
 (k) ( k ) ( k −1) ,
y = g2 x , y

que usa el valor ya calculado x ( ) , y que no es otra cosa que el método de Gauss-Seidel para
k
sistemas no-lineales.
El siguiente teorema general, cuya demostración puede ser consultada en Ortega, 1990, página
153, da condiciones suficientes (no necesarias) para la convergencia de la sucesión X
(k)
{ } k
generada por la fórmula de iteración de Punto Fijo
(
X ( ) = G X ( ) , k = 1,2,...
k k−1
)
Teorema 3.11 Sea D = { ( x , x ,...., x ) ∈ R
1 2 n
n
a i ≤ xi ≤ bi, i = 1,2,..., n } para alguna colección de
 g1 
 
constantes reales ai , b i , i = 12
, ,..., n . Supongamos que G: R → R n n
con G ≡  M  , es tal que
g 
 n
G(D) ⊆ D , es decir, para todo X ∈ D , G( X) ∈ D ; y que para cada j = 12

, ,...,n , g j y sus primeras
__________________________________________________________________________________
∂ gj ( X)
derivadas parciales , i = 12
, ,...,n , son continuas en D . Entonces G tiene un punto fijo en
∂ xi
D.
Si, además, existe una constante M, con 0 ≤ M < 1 , tal que para cada i = 1,2,...,n
∂ g j (X ) M
≤ , siempre que X ∈ D ,
∂ xi n
entonces G tiene un único punto fijo P ∈D y la sucesión X

( k)
{ } k
definida por la iteración
( )
X ( ) = G X ( ) , k = 1,2,...
k k−1
( 0)
converge al punto fijo P , cualquiera sea la escogencia de X ∈ D , y se tiene la siguiente cota de
error
Mk
X( ) − P X( ) − X( )
k 1 0
≤ ∇
∞ 1− M ∞
Ejemplo 3.14 Consideremos el siguiente sistema no-lineal
 x2 − 10 x + y 2 + 8 = 0
 (f (x, y) = x − 10 x + y + 8)
1
2 2
 2
 xy + x − 10 y + 8 = 0
 (f ( x, y) = xy + x − 10 y + 8)
2
2
Las gráficas de x 2 − 10 x + y 2 + 8 = 0 y xy 2 + x − 10 y + 8 = 0 , en un mismo plano coordenado, se

muestran en la FIGURA 3.2.
Observando la FIGURA 3.2 vemos que el sistema dado tiene únicamente dos soluciones reales.
Para encontrar estas soluciones por el método de Punto Fijo, empezamos por transformar el
sistema dado en otro equivalente de la forma X = G( X ) . Uno de esos sistemas es
 x2 + y2 + 8  x2 + y 2 + 8 
x =  g1 ( x, y) = 
 10  10 

 xy 2 + x + 8  xy 2 + x + 8 
y =  g2 ( x, y ) = 
 10  10 
(Para obtener el sistema equivalente se despejaron las variables x e y de las ecuaciones

f1( x, y ) = 0 y f2 ( x, y ) = 0 , respectivamente, de aquellas posiciones donde éllas eran dominantes, de
acuerdo con la solución buscada).
 g1 
Observe que G ≡   es tal que: g1 y g 2 son continuas en todo R 2 , porque son polinómicas.
 g2 
∂ g1( X) 2x ∂ g2 ( X ) y 2 + 1 son continuas en todo

= , = R2 .
∂x 10 ∂x 10
__________________________________________________________________________________
∂ g1 ( X) 2y ∂ g 2 ( X) 2xy
= , = son continuas en todo R 2 .
∂y 10 ∂y 10
FIGURA 3.2
Ahora,
0 ≤ x, y ≤ 15
. ⇒ 0 ≤ x 2 , y 2 ≤ 2.25
⇒ 0 ≤ x 2 + y 2 ≤ 4.5
x2 + y 2 + 8 4.5 + 8 12.5
⇒ 0≤ ≤ = = 125
. ≤ 15
.
10 10 10
También,
. ⇒ 0 ≤ xy 2 + x ≤ (15
0 ≤ x, y ≤ 15 . )(2.25) + 1.5 = 4.875
xy 2 + x + 8 4.875 + 8 12.875
⇒ 0≤ ≤ = = 12875
. ≤ 15
.
10 10 10
Luego si D = {(x, y) ∈R 2
0 ≤ x, y ≤ 15 }
. , entonces G(D) ⊆ D , así que G satisface las hipótesis
del teorema 3.11 en D , y por lo tanto G tiene por lo menos un punto fijo en D .
Ahora, si X ∈ D ,
∂ g1( X ) x 15
.
= ≤ = .3
∂x 5 5
∂ g1( X ) y
= ≤ .3
∂y 5
__________________________________________________________________________________
∂ g2 ( X ) y2 + 1 3.25
= ≤ = .325
∂x 10 10
∂ g2 ( X ) 2xy 4.5
= ≤ = .45
∂y 10 10
M
Escogiendo M de modo que = .45 , es decir, escogiendo M = .90 tendremos que 0 ≤ M < 1 , y
2
para cada X ∈ D ,
∂ g j ( X) M ∂ gj (X ) M
≤ y ≤ , j = 12
,
∂x 2 ∂y 2
( 0)
En consecuencia, G tiene un único punto fijo P ∈ D y cualquiera sea X ∈D , la sucesión
{ } ( )
X ( ) , con X ( k ) = G X ( k −1) , k = 1,2,... converge a P.
k
k
Si al sistema dado le aplicamos la iteración funcional de Punto Fijo
( x( ) ) + ( y ( ) )
2 2
k −1 k− 1
+8
(
k
x =)
10  1( )
 x( k ) = g x( k −1) , y ( k −1) 

(
x( k −1) y ( k− 1) ) + x ( k− 1) + 8
2
y( ) =
k
10  2 ( )
 y ( k) = g x ( k− 1) , y ( k −1) 

( 0) X( ) − X( )
empezando con X = (.5,.5 )
k k −1
y criterio de aproximación < .001 , obtenemos los
∞
k x( ) y( ) X( ) − X( )
k −1
k k k
0 .5 .5
1 .85 .8625 .3625
2 .946641 .948232 .096641
3 .979527 .979781 .032886
4 .991944 .991984 .012417
5 .996799 .996805 4.855 × 10 −3
6 .998723 .998724 1924
. × 10 −3
7 .999490 .999490 7.67 × 10 −4
TABLA 3.1
Luego P ≈ (.999490, .999490) .

__________________________________________________________________________________
[ ]
FIXED_POINT( g1 ( x, y) , g2 ( x, y ) ,[ x, y ],[ x 0 , y 0 ] ,N ): aproXima las primeras N iteraciones en el método
x = g1( x, y)
de Punto Fijo aplicado al sistema no-lineal  , tomando como aproximación inicial el
y = g2 ( x, y)
punto ( x0 , y 0 ) . Para el ejemplo, aproXime la expresión
 x2 + y 2 + 8 xy 2 + x + 8 
FIXED_POINT(  ,  , [ x, y] , [ 0.5 , 0.5] , 7 ). ◊
 10 10 
Usando la cota de error dada por el teorema 3.11 con M = .90 , obtenemos
X( ) − P
( .9 )7
7
≤
1−.9
(.3625) ≈ 173
.
∞
( 7)
la cual no indica la precisión real de X con respecto a P, pues como el lector puede verificar
( 7)
fácilmente, P = (11
, ) y realmente X − P ≈ 5.1 × 10 −4 .
∞
Si usamos las fórmulas de iteración del método de Gauss-Seidel
( x( ) ) + ( y ( ) )
2 2
k −1 k− 1
+8
(
k
x =)
10  1 (
 x( k ) = g x( k −1) , y ( k −1) 
 )
(
x( k ) y ( k− 1) ) + x ( k) + 8
2
y( ) =
k
10  2( )
 y ( k ) = g x( k ) , y ( k −1) 

con X ( ) = (.5, .5 ) y criterio de aproximación X ( ) − X( )

k k −1
0
< .001 , se obtienen los resultados de
∞
la TABLA 3.2 siguiente.
k x( ) y( ) ( k) − X ( k −1)
k k
X
∞
0 .5 .5
1 .85 .90625 .40625
2 .954379 .973820 .104379
3 .985916 .992089 .031537
4 .995627 .997556 9.711 × 10 −3
5 .998639 .999240 3.012 × 10 −3
6 .999576 .999763 9.37 × 10 − 4
TABLA 3.2
X( ) − P −4
6
Observe que ≈ 4.24 × 10 , lo que asegura una precisión en la aproximación de P de
∞
tres cifras decimales exactas. Como ejercicio haga un análisis similar para encontrar una
aproximación de la otra solución del sistema dado. ♦
__________________________________________________________________________________
3.9.2 Método de Newton-Raphson para sistemas no-lineales: Consideremos un sistema no-

lineal de dos ecuaciones con dos incógnitas
f1 ( x, y) = 0  f 
  F( x, y ) = 0 con F ≡  1  
f2 ( x, y) = 0   f2  
y sea α = ( α1, α 2 ) una raíz de F ( X) = 0 con X = ( x, y) .
Supongamos que conocemos una aproximación X ( ) = x ( ) , y ( )

k k k
( ) de α. Para generar la
aproximación siguiente X(
k +1)
(
= x( ) , y ( ) ,
k +1 k +1
) mediante el método de Newton-Raphson,
procedemos como se indica a continuación:
Si las funciones f1( x, y ) y f2 ( x, y) y todas sus derivadas parciales de orden menor o igual que dos
( k)
son continuas en una vecindad de X , entonces para x( ) , y ( )
k +1 k +1
( ) en esa vecindad se tiene
( k+ 1 k+ 1
) ( k k
) (
k+ 1 k ∂ f1
f1 x ( ) , y ( ) = f1 x ( ) , y ( ) + x ( ) − x( )
∂x
k k k +1 k ∂ f1
x( ) , y( ) + y( ) − y( )
∂y ) (
k
) ( )
x( ) , y ( )
k
) (
+ ( x( ) − x( ) ) ξ, η) + 2( x( ) − x( ) )( y( ) − y ( ) )
1 ∂ f 2 2
∂ f 2
k +1 k
( 1
∂x ∂y
(ξ, η)
k +1 k k +1 k 1
2  ∂x 2
+( y ( ) − y ( ) )
∂ f 2 2
k +1
( ξ, η)
k 1
∂y  2
(k ) ( k +1)
, y η entre y ( ) y y ( ) .
k +1
con ξ entre x y x
k
( )
Si suponemos que f1 x (k +1) , y ( k +1) ≈ 0 y que el residuo
( ) 21 (x( )
∂ 2 f1
( )(
( k +1) − x ( k) y ( k +1) − y ( k ) ∂ f1
)
2
R2 f1, x ( k+ 1) , y (k + 1) = k+ 1)
− x( k ) ( ξ, η ) + 2 x
∂ x2 ∂ x∂ y
(
+ y( ) − y( ) ) ∂ 2 f1 
2
k +1 k
( ξ, η) ≈ 0
∂y 2

obtenemos
( )(
0 ≈ f1 x( k ) , y ( k ) + x( k +1) − x ( k)
∂ f1 ( k ) ( k)
∂x
x ,y ) (
+ y ( k +1) − y ( k )
∂ f1 ( k) ( k )
∂y
x ,y ) ( ) ( ) (3.20)
Al trabajar, de manera similar, con f2 ( x, y ) obtenemos
(k k
) (
k +1 k ∂ f2
0 ≈ f2 x( ) , y( ) + x( ) − x( )
∂x
k k k +1
) (
k ∂ f2
x( ) , y( ) + y( ) − y( )
∂y
x( ) , y ( )
k k
) ( ) ( ) (3.21)
__________________________________________________________________________________
Si las cuasi-igualdades (3.20) y (3.21) las manejamos como igualdades y las escribimos en forma
matricial, obtenemos el siguiente sistema de dos ecuaciones lineales en las dos incógnitas
x ( k+ 1) , y ( k+ 1) :
  (k ) ( k )  

 ∂ x (
 ∂ f1 ( k ) ( k )
x ,y )
∂ f1 ( k ) (k ) 
∂y
x ,y 

( )  x( k +1) − x ( k) 



 f1  x , y  

 = −


( ) ( )
 ∂ f2 ( k ) ( k ) ∂ f2 ( k ) ( k )     
 x ,y x ,y   y( ) − y( ) 
k + 1 k
 f  x ( k) , y ( k )  
 ∂x ∂y     2
144444424444443 144244 3   
( k +1) ( k) 1 4 4 2 44 3
J  X ( )  X −X
k
  F  X ( ) 
k
 
( )
La matriz J X ( ) , en la ecuación anterior, se denomina matriz Jacobiana del sistema.
k
( )
 x( k +1)  −1
Despejando  ( k+ 1)  , siempre que  J X ( k )  exista, obtenemos
  
 y 
( ) ( )
 x( k +1)   x( k )   −1
 k+ 1  =  k  − J X ( k)  F X ( k)
 y ( )   y ( )   
o sea
( ) ( )
−1
X(
k +1)
= X ( ) − J X ( )  F X( ) , k = 0,1,...
k k k
 
la cual es la fórmula vectorial de iteración del método de Newton-Raphson para el sistema no-
lineal F( X) = 0 (compare esta fórmula con la fórmula de iteracion del método de Newton-Raphson
obtenida en el capítulo 2).
( )
−1
Para implementar este método no es necesario, ni conveniente calcular  J X (k )  ; se recomienda
 
el siguiente algoritmo:
Dada una aproximación inicial X ( ) , una tolerancia ε > 0 , y un número máximo de iteraciones N;
0
para k = 0,1,...,N , hacemos:
( k +1)
= X(
k +1)
− X( )
k
Paso 1: Definimos Z
Paso 2: Resolvemos, para Z (

k +1)
, el sistema lineal
( )
J X ( ) Z( ) = − F X ( )
k k +1 k
( )
( k +1) ( k +1) ( k)
Paso 3: calculamos X =Z +X .
Z(
k+ 1)
= X(
k +1)
− X ( ) < ε para alguna norma vectorial . , entonces X (
k +1)
k
Paso 4: Si es una
aproximación de una solución del sistema F( X) = 0 . De lo contrario se vuelve a iterar.
Ejemplo 3.15 Si usamos el método de Newton-Raphson para resolver el siguiente sistema de

ecuaciones no-lineales
__________________________________________________________________________________
 x2 − 10 x + y 2 + 8 = 0
 2
 xy + x − 10 y + 8 = 0
que es el mismo del ejemplo 3.14, obtenemos los resultados que aparecen en las TABLAS 3.3 y
(k) ( k− 1)
3.4, donde se usó como criterio de aproximación X − X < .001 .
∞
(k ) y( ) X( ) − X( )
k k k k −1
x
∞
0 .5 .5
1 .937685 .939169 .439169
2 .998694 .998388 .061009
3 .999999 .999999 1611
. × 10 − 3
4 100000
. 100000
. . × 10 −6
10
TABLA 3.3
[ ]
NEWTONS( f1 ( x, y) , f2 ( x, y ) , [ x, y] , [ x 0 , y 0 ] , N ): aproXima las primeras N iteraciones del método de
f1( x, y ) = 0
Newton-Raphson aplicado al sistema no-lineal  , tomando como aproximación inicial el
f2 ( x, y ) = 0
punto ( x0 , y 0 ) . Para el ejemplo, aproXime la expresión
[ ]
NEWTONS( x 2 − 10 x + y 2 + 8 , xy 2 + x − 10y + 8 , [ x, y] , [ 0.5 , 0.5] , 4 ). ◊
( 4)
De acuerdo con los resultados de la TABLA 3.3, se tiene que X = (100000
. , 100000
. ) ≈ X = (11, ) .
k x( ) y( ) X( ) − X( )
k −1
k k k
∞
0 2.0 3.0
1 2.19444 3.02778 .19444
2 2.19345 3.02048 7.3 × 10 −3
3 2.19344 3.02047 2.0 × 10 −5
TABLA 3.4
De acuerdo con los resultados que aparecen en la TABLA 3.4, se tiene que
X ( ) = ( 2.19344,3.02047 ) es una aproximación de la otra solución del sistema dado.
3
Veamos como se calcula la primera iteración X ( ) = ( 2.19444, 3.02778) , que aparece en la TABLA
1
3.4, usando el método de Newton-Raphson:
Primero que todo, sean f1( x, y ) = x 2 − 10 x + y 2 + 8 , f2 ( x, y ) = xy 2 + x − 10 y + 8 . Entonces
∂ f1 ∂ f1
∂x
( x, y ) = 2 x − 10 , ∂y
( x, y) = 2 y
__________________________________________________________________________________
∂ f2 ∂ f2
∂x
( x, y ) = y 2 + 1, ∂y
( x, y) = 2 xy − 10
Es claro que las funciones f1( x, y ) , f2 ( x, y ) y sus derivadas parciales de orden menor o igual que
dos son continuas en todo R 2 , por ser polinómicas.
 x( 1) 
Para calcular la primera iteración X ( ) =  ( 1)  , siguiendo los pasos en el algoritmo anterior,
1
y 
procedemos así:
( 1) ( 1) ( 0)
Definimos Z = X − X ( k = 0 ), y resolvemos el sistema lineal
( )0 1
( )
J X ( ) Z ( ) = −F X ( )
0
En este sistema
FX ( (
0) ) f X ( 0)

( ) ( )
 1
=
 f2 X ( )
0
 
siendo
( ) ( )
f1 X ( ) = f1( 2.0, 3.0) = 1.0 , f2 X ( ) = f2 ( 2.0, 3.0) = −2
0 0
 ∂ f1 ∂ f1
 ( 2.0,3.0) ( 2.0,3.0)   −6 6
( )
J X( ) = 
0 ∂x
 ∂ f2
 ( 2.0,3.0)
∂y
∂ f2
(
 =

2.0,3.0)  10 2

 ∂x ∂y 
Luego el sistema a resolver es

 −6 6  z1( )   −1
1
   (1)  =  
 10 2  z 2   2 
La solución única de este sistema es
 z( 1) 
 1  = 1  2 −6  −1 = 1  7
 z( 1)  −72  −10 −6  2  36  1
 2 
Entonces
1  7  2 1  79   2.19444 
X( ) = Z( ) + X( ) =
1 1 0
 +  =   ≈ 
36  1  3 36  109  3.02778
Procediendo de manera similar se obtienen X ( ) y X ( ) .

2 3
♦
Ejemplo 3.15 Consideremos el sistema no-lineal

__________________________________________________________________________________
x 2 + y 2 − x = 0
 2
x − y 2 − y = 0
Las gráficas de las ecuaciones x2 + y2 − x = 0 y x2 − y 2 − y = 0 ( f1( x, y ) = x 2 + y 2 − x ,

f2 ( x, y ) = x2 − y 2 − y ), se muestran en la FIGURA 3.3 siguiente.
FIGURA 3.3
Por simple inspección sobre el sistema dado, u observando la FIGURA 3.3, se ve que ( 0,0) es una
solución del sistema, y que el sistema dado solamente tiene dos soluciones reales.
Si usamos el método de Newton-Raphson para encontrar la solución no nula del sistema dado, con
X ( ) − X( )
k −1
< 10 − 3 , se obtiene como solución aproximada
k
criterio de aproximación
∞
X ( 4 ) = (.771845, .419643) tomando como aproximación inicial X ( 0 ) = (10

. , .5 ) ; si tomamos
aproximación inicial X ( ) = (10 . ) , se obtiene la solución aproximada X ( ) = (.771845, .419644 ) ,

0 4
. , 10
X ( ) = (.5, .5 ) ,
0
y si tomamos aproximación inicial obtenemos la solución aproximada
X ( 5 ) = (.771845, .419643) . ♦
Como una aplicación del método de Newton-Raphson para sistemas no-lineales, tenemos el
método de Bairstow para encontrar ceros complejos de funciones polinómicas, método al cual
nos referiremos a continuación.
3.10 CEROS COMPLEJOS DE POLINOMIOS: MÉTODO DE BAIRSTOW

__________________________________________________________________________________
Para hallar una raíz compleja de una ecuación polinómica con coeficientes reales puede utilizarse
el método de Newton-Raphson con una aproximación inicial compleja y aritmética compleja. Otra
forma de enfocar el problema de las raíces complejas de una ecuación polinómica con coeficientes
reales se basa en el hecho de que si z = a + bi es un cero complejo de multiplicidad m de un
polinomio p( x) , entonces su conjugado z = a − bi es también un cero de multiplicidad m de p( x) y
(x ) es un factor de p( x) .
m
2
− 2ax + a 2 + b 2 Es decir, las raíces complejas de ecuaciones
polinómicas con coeficientes reales se producen en pares conjugados y por ésto, se debe buscar
un factor cuadrático, más que lineal, del polinomio. Esta es la base del método de Bairstow, el
cual nos permitirá encontrar raíces reales o complejas de una ecuación polinómica con coeficientes
reales, realizando únicamente aritmética real. A continuación describimos este método:
Dado un polinomio con coeficientes reales
p( x) = a 0 + a1x + a2 x2 +... +an xn , a n ≠ 0, n ≥ 2 (3.22)
El algoritmo de la división de Euclides nos permite expresarlo en la forma
( )
p( x) = x2 − ux − v q( x) + r ( x − u) + s (3.23)
donde u y v son constantes reales, q( x) es un polinomio de grado n − 2 con coeficientes

reales,
q( x) = b0 + b1x +... +bn − 2 xn − 2 (3.24)
y r ( x − u) + s es un residuo lineal con coeficientes reales r y s.
Las expresiones x 2 − ux − v y r ( x − u) + s han sido escritas así para simplificar los cálculos
posteriores.
El objetivo es encontrar u y v tales que x 2 − ux − v sea un factor cuadrático de p( x) .
Al sustituir (3.24) en (3.23), se obtiene
( )
p( x) = x 2 − ux − v q( x) + r ( x − u) + s
( )( )
= x 2 − ux − v b0 + b1x + b2 x2 +...+bn − 3 xn −3 + b n− 2 xn − 2 + r ( x − u) + s
(3.25)
= ( − vb0 − ru + s) + ( −ub 0 − vb1 + r ) x + ( b0 − ub1 − vb 2 ) x 2 +...
+(b n −4 − ubn − 3 − vb n− 2 )x n −2 + (b n −3 − ubn −2 ) xn −1 + bn − 2 xn
Igualando (3.22) y (3.25), obtenemos

__________________________________________________________________________________
 an = bn − 2

 an −1 = bn − 3 − ubn − 2
 an − 2 = b n− 4 − ub n− 3 − v bn − 2

 an − 3 = bn − 5 − ubn − 4 − vbn − 3
 M

 a3 = b1 − ub 2 − vb 3
 a 2 = b0 − ub1 − v b2


 a1 = r − ub 0 − vb1

 a0 = s − u r − v b0
igualdades que pueden escribirse en la forma
 bn − 2 = a n
b
 n − 3 = an −1 + ubn − 2
 bn − 4 = an − 2 + ub n− 3 + v bn − 2

 bn − 5 = an − 3 + ubn − 4 + vbn − 3
 M (3.26)

 b 1 = a 3 + ub 2 + v b3
 b 0 = a 2 + ub1 + vb 2


 r = a + ub + v b
 1 0 1
 s = a 0 + ur + vb 0
Para que x 2 − u x − v sea un factor de p( x) , como queremos, es necesario que r = 0 y s = 0 , pero

r y s son funciones no-lineales de u y v (observe que b 0 y b1 son funciones de u y v).
Debemos entonces resolver el sistema no-lineal
r ( u, v) = 0

(f1( u, v ) )
=0
 (3.27)

s(u, v) = 0 (f2 (u, v ) =0 )
para las incógnitas u y v.
Usando el método de Newton-Raphson para sistemas no-lineales, si
r rv 
J=  u 
 su sv 
donde ru , rv , s u , s v son las derivadas parciales de r y s con respecto a u y v, respectivamente,

entonces en la k-ésima iteración (para determinar u y v), tenemos
__________________________________________________________________________________
 u( k +1) 

 (k) 
( )
 =  u  − J X ( k ) 
−1
 ( )
 r X ( k) 

 v (k + 1) 

12
4 4 3

 v(k ) 

123
   
( )
s X 

1424
( k) 
3
 (3.28)
X( k +1) X ( k)
F  X( k ) 
 
 
Aparentemente no se dispone de las derivadas parciales de r y s, por no conocerse una relación

explícita para r y s; sin embargo, si usamos la relación de recurrencia para a j, b j , u, v, r y s
dada en (3.26) y derivamos parcialmente con respecto a u, obtenemos
( bn− 2 ) u = 0 , pues b n− 2 = an con an constante, y
 (bn − 3 ) u = bn − 2

 (bn − 4 ) u = bn − 3 + u(bn − 3 )u

 (bn − 5 ) u = bn − 4 + u(bn − 4 )u + v(bn − 3 )u
 (3.29)
 M

 (b 0 )u = b1 + u(b1 )u + v(b 2 ) u


 ru = b0 + u(b 0 ) u + v(b1 )u


 s u = r + uru + v(b 0 )u
Si definimos c k = (bk −2 ) u , k = n − 1,n − 2,...,2 , c1 = ru y c 0 = su , las relaciones en (3.29) pueden

escribirse como sigue
 c n− 1 = bn − 2

 c n− 2 = bn − 3 + u cn −1
 c n− 3 = b n− 4 + u c n −2 + v c n −1
 (3.30)
 M
 c = b + uc + v c
 2 1 3 4
 c1 = bo + uc 2 + v c 3

 c 0 = r + uc 1 + v c 2
de modo que
( )( k)  u
=
( ) r (X( ) ) 
 r X(k)
v
k
( ) s (X( ) ) 
J X
 s u X ( k) k
 v
se convierte en
__________________________________________________________________________________
( )
 c (k)
 1
J X( ) = 
k ( )
r v X ( ) 
k
 c0( k )
 ( ) k 
s v X( ) 

( ) k ( ) k
donde c1 y c 0 son los valores de c1 y c 0 , obtenidos en las ecuaciones (3.30) en la iteración
k-ésima.
Para obtener expresiones para ( ) y s (X ( ) ) , derivamos

rv X ( )
k
v
k
parcialmente las mismas
relaciones en (3.26) pero con respecto a v, con lo cual obtenemos
(bn − 4 ) v = bn − 2

(bn − 5 ) v = u(bn − 4 ) v + bn − 3 = bn − 3 + u( bn − 4 ) v

(bn − 6 ) v = u(bn − 5 ) v + bn − 4 + v(bn − 4 ) v = b n− 4 + u(bn − 5 ) v + v(b n− 4 ) v

 M

 ( b0 ) v = u(b1 ) v + b2 + v(b 2 ) v = b2 + u( b1 ) v + v(b 2 ) v (3.31)


 rv = u(b 0 ) v + b1 + v(b1 ) v = b1 + u(b 0 ) v + v(b1 ) v


 s v = urv + b 0 + v(b 0 ) v = b0 + ur v + v(b 0 ) v
Si definimos dk = (bk −3 ) v , k = n − 1,n − 2,...,3 , d2 = rv y d1 = s v , entonces las ecuaciones (3.31) se

convierten en
dn −1 = bn − 2
d
 n −2 = b n− 3 + udn −1
dn −3 = bn − 4 + udn− 2 + vdn− 1
 (3.32)
 M
 d = b + ud + vd
 3 2 4 5
 d2 = b1 + ud3 + vd4

 d1 = b0 + ud2 + vd3
de modo que
 c (k) d2 ( k )
( )
J X ( ) =  1 ( k )
k
 c0 d (k)
1




Si observamos las ecuaciones (3.30) y (3.32), vemos que ellas producen los mismos valores para
k = n − 1, n − 2,..., 1 , es decir, d = c , k = n − 1, n − 2,..., 1 ; por tanto (3.32) es redundante, y J X ( )
k k
k
( )
puede calcularse como
__________________________________________________________________________________
 c ( k) c 2( ) 
( )
k
J X ( ) =  1( k)
k
c c1( ) 
k
 0
Resumimos la discusión precedente en el siguiente algoritmo:
Algoritmo 3.7 (Método de Bairstow) Para encontrar un factor cuadrático x 2 − ux − v de un

polinomio con coeficientes reales
p( x) = a 0 + a1x + a 2 x 2 +...+ an x n , an ≠ 0, n ≥ 2
Entrada: El grado n del polinomio p( x) ; los coeficientes a0 ,a1,...,a n del polinomio p( x) ; unas
aproximaciones iniciales u 0 , v 0 de u y v, respectivamente; una tolerancia Tol, y un
número máximo de iteraciones N.
Salida: Un factor cuadrático aproximado x 2 − ux − v del polinomio p( x) o un mensaje.
Paso 1: Hacer
bn = an
cn = 0 (observe que se cambió la notación de subíndices)
cn −1 = a n
Paso 2: Tomar i = 1 .
Paso 3: Mientras que i ≤ N seguir los pasos 4-10:
Paso 4: Hacer b n−1 = a n− 1 + u0 bn .
Paso 5: Para k = n − 2,n − 3,...,0 , hacer
bk = ak + u 0 bk +1 + v 0 bk + 2
ck = bk +1 + u0 ck +1 + v 0 c k+ 2
(con este cambio de subíndices b1 = r y b0 = s )
c c2 
Paso 6: Hacer J = c 0 c 2 − c 21 (aquí J es igual a − det  1  ).
 c0 c1 
Paso 7: Hacer
c 1b1 − c 2 b0
u1 = u 0 +
J
c 1b0 − c 0 b1
v1 = v0 +
J
(Se está usando la regla de Cramer para resolver el sistema)

__________________________________________________________________________________
Paso 8: Si b1 = r < Tol y b 0 = s < Tol , entonces : salida: "Un factor cuadrático
aproximado del polinomio dado, y los correspondientes valores de r y s son:
x 2 − u1x − v1; r = b1, s = b0 ". Terminar.
Paso 9: Tomar i = i + 1 .
Paso 10: Hacer u 0 = u1

v0 = v1
Terminar.
Ejemplo 3.16 Encontrar todas las raíces de la ecuación x 4 − 4 x 3 + 7x 2 − 5 x − 2 = 0 , usando el

método de Bairstow.
Solución: Con un programa diseñado siguiendo el algoritmo 3.7 anterior, se obtienen los
siguientes resultados:
Para las aproximaciones iniciales u 0 = 3 y v 0 = −4 , y una tolerancia Tol = 10 −10 , se obtiene en la

séptima iteración que u = 2.2756822037 y v = −3.6273650847 y los valores de r y s
correspondientes son r = −5.7853028 × 10 − 16 y s = −11423154
. × 10 −15 .
Las raíces del factor cuadrático aproximado x 2 − ux − v obtenido, son complejas conjugadas con
parte real 11378411018
. y parte imaginaria 15273122509
. , y si usamos Deflación se obtiene el
polinomio reducido de grado dos
q( x) = x 2 − 17243177963
. x −.5513644073
cuyas raíces son x1 = 2.0000000000 y x2 = −.2756822037 . ♦
BAIRSTOW( p( x) , x, u 0 , v 0 , N ): aproXima las primeras N iteraciones en el método de Bairstow

aplicado al polinomio p( x) para obtener valores aproximados uN y vN de los coeficientes u y v de
un factor cuadrático x 2 − ux − v del polinomio p( x ) , tomando como aproximaciones iniciales u 0 y
v 0 . Para este ejemplo, aproXime la expresión BAIRSTOW( x − 4 x + 7 x − 5 x − 2 , x , 3 , − 4 , 7 ).
4 3 2
Ejemplo 3.17 Encontrar todas las raíces de la ecuación
p( x) = x7 − 28 x6 + 322 x5 − 1960 x4 + 6769 x 3 − 13132 x2 + 13068 x − 5040 = 0
usando el método de Bairstow.

__________________________________________________________________________________
Solución: Si aplicamos el método de Bairstow con Deflación para hallar todas las raíces de la
ecuación polinómica dada, se obtienen los resultados que aparecen a continuación, usando como
tolerancia Tol = 10 −10 :
Para los valores iniciales u 0 = 2 y v 0 = 3 , se obtiene en la octava iteración u = 4.0000000000 ,

v = −3.0000000000 y los valores de r y s correspondientes son
− 11 −11
r = −18927082
. × 10 y s = −3.6550318 × 10 . Las dos raíces del factor cuadrático aproximado
obtenido son 3.00000000000, 1.0000000000 y el polinomio reducido q5 ( x) , de grado cinco, es
q5 ( x) = x 5 − 24 x 4 + 223 x 3 − 996 x 2 + 2116 x − 1680 .
Si aplicamos Deflación, es decir, aplicamos el método de Bairstow al polinomio reducido q5 ( x) , se

obtiene para los valores iniciales u 0 = 3 y v 0 = 5 , en la décima iteración los valores de
u = 8.00000000000 , v = −12.0000000000 , r = 14388490
. × 10 −13 y s = 9.1660013 × 10 −13 . Las
raíces del factor cuadrático aproximado correspondiente son 6.0000000000 y 2.00000000000, y el
polinomio reducido, de grado tres, es q3 ( x) = x − 16 x + 83 x − 140 .
3 2
Al aplicar nuevamente Deflación, para los valores iniciales u 0 = 8 y v 0 = 30 , se obtiene en la

séptima iteración u = 9.0000000000 , v = −20.0000000000 , r = 8.6330942 × 10 − 13 y
s = 8.3950624 × 10 − 12 . Las raíces del factor cuadrático correspondiente son 5.00000000000 y
4.0000000000, y el polinomio reducido de grado uno es q1 ( x) = x − 7 , que nos lleva a obtener
como última raíz aproximada de la ecuación polinómica original el valor 7.0 .
Las raíces exactas de la ecuación polinómica dada, son 1, 2, 3, 4, 5, 6 y 7. ♦
TALLER 3.
1. Use el método de eliminación Gaussiana simple (sin pivoteo) con sustitución regresiva y
aritmética exacta para resolver, si es posible, los sistemas lineales AX = b siguientes, y
encuentre matrices P de permutación, L triangular inferior con sus elementos diagonales iguales
a 1 y U escalonada (triangular superior) tales que PA = LU .
 1
 x1 − 2 x 2 + x 3 =4
 x1 − x2 + 3 x3 = 2 
  2x − x 2 − x 3 + x 4 =5
a)  3 x1 − 3 x 2 + x3 = −1 b)  1
 x +x  x1 + x 2 =2
 1 2 = 3  1
 x1 − x 2 + x 3 + x 4 =5
 2
2. Use el algoritmo 3.2 y aritmética de precisión sencilla en un computador para resolver, si es

posible, los siguientes sistemas de ecuaciones
__________________________________________________________________________________
 1 1 1 1
1 1 1  x1 + 2 x 2 + 3 x3 + 4 x4 = 6
 4 x1 + x2 + x3 = 9 

5 6 1 x + 1 x + 1 x + 1 x = 1
1 1 1 2 1 3 2 4 3 5 4 7
a)  x1 + x2 + x3 = 8 b) 
3 4 5 1 x + 1 x + 1 x + 1 x = 1
1 3 1 4 2 5 3 6 4 8
 2 x1 + x 2 + 2x 3 = 8 1 1 1 1 1
  x1 + x 2 + x 3 + x 4 =
4 5 6 7 9
3. Resuelva los siguientes sistemas AX = b por Eliminación Gaussiana sin pivoteo. Chequee si A
tiene factorización LU con L triangular inferior con sus elementos diagonales iguales a 1 y U
escalonada (triangular superior).
4 3 2 1  1
 1 1 −1  1    
    3 4 3 2  1
a) A =  1 2 −2 , b =  0 b) A =  , b =
2 3 4 3  −1
 −2 1 1   1    
   
1 2 3 4  −1
4. Dados los cuatro sistemas de ecuaciones lineales AX = b( 1) , AX = b( 2) , AX = b( 3) y AX = b( 4) ,

donde
 2 −3 1   2  6  0  −1
  ( 1)   ( 2)   ( 3)   ( 4)  
A =  1 1 −1 , b =  −1 , b =  4 , b =  1  , b =  0
 − 1 1 − 3  0  5  − 3  0
         
a) Resuelva los sistemas lineales aplicando eliminación Gaussiana a la matriz aumentada

( 1 2 3
)
A M b( ) b ( ) b ( ) b ( ) , y luego haciendo sustitución regresiva.
4
b) Resuelva los sistemas lineales usando eliminación Gaussiana para obtener matrices P, L y U
tales que PA = LU , y luego siguiendo los pasos siguientes:
( i)
Paso1: Calcular Pb , i = 1,2,3,4 .
Paso 2: Resolver, para c ( ) , Lc ( ) = Pb( ) , i = 1,2,3,4 , por sustitución progresiva.
i i i
Paso 3: Resolver, para X ( i ) , UX ( i) = c (i) , i = 1,2,3,4 , por sustitución regresiva.
c) Resuelva los sistemas lineales aplicando el método de Gauss-Jordan a la matriz aumentada

de a).
d) Resuelva los sistemas lineales encontrando la inversa de la matriz A y calculando los

−1 ( i )
productos A b , i = 1,2,3,4 .
e) Cuál método de los anteriores parece ser más fácil? Cuál método de los anteriores requiere
más operaciones?
__________________________________________________________________________________
5. Encontrar X ∞
y X 2
para cada uno de los siguientes vectores:
T
 3
a) X =  3,−4,0,  b) X = ( 2,1,−3,4 )
T
 2
( )
T
c) X = senk, cosk,2k , para un entero positivo fijo k.
6. a) Verificar que la función . 1 definida en R n por

n
X 1
= ∑
i =1
xi
es una norma vectorial.
b) Encontrar X 1
para cada uno de los vectores dados en el ejercicio 5.
7. Demuestre que para todo X ∈ R n ,
X ∞
≤ X 2
≤ X 1
y que las igualdades pueden ocurrir, aún para vectores no nulos.
8. Demuestre que para todo X ∈ R ,

n
X 1
≤n X ∞
y X 2
≤ n X ∞
9. a) Encuentre A 2
, A 1
y A ∞
para cada una de las siguientes matrices
 1 0 0
 1 2 ,  
A=  A =  −1 0 1
 4 3  −1 −1 2
 
b) Calcule el radio espectral ρ( A ) para cada una de las matrices dadas en a).
10. Demuestre que si A es simétrica, entonces A 2

= ρ( A) .
11. Calcule Cond ∞ ( A ) y Cond ∗ ( A) para cada una de las matrices dadas en el ejercicio 9.a).
12. Sea A ∈ R n × n . Demuestre que Cond ( A) = Cond (α A) para cualquier escalar α ∈ R, α ≠ 0 .

__________________________________________________________________________________
13. a) Considere el sistema lineal AX = b dado por
1 1   x1   2 
   =  
.   x2   2.01
1 101
y calcule su solución exacta X .
b) Considere ahora el sistema perturbado ( A + δA )X = b dado por
1 1   x1   2 
   =  
 1 1011
.   x 2   2.01
~
y calcule su solución exacta X .
~
X−X
∞
c) Calcule y compárela con la cota de error obtenida a partir del teorema 3.4. Es la
X
∞
matriz A mal condicionada?
14. Considere el sistema
.780 x1 + .563 x 2 = .217


.913 x1 + .659 x2 = .254
~
Calcule el vector error residual R = AX − b , para las dos soluciones aproximadas
X 1 = (.341,−.087 ) y X 2 = (.999,−1001) T y concluya, a partir únicamente del tamaño de estos
~ T ~
.
errores residuales, cuál es la mejor aproximación de la solución del sistema. Verifique que la
solución exacta del sistema es X = (1,−1) .
T
15. El sistema
x +y=0

x + .999999 y = 1
tiene solución exacta x = 10 6 , y = −10 6 . Encuentre la solución exacta del sistema
x +y=0

x + 1000001
. y=1
Comente ampliamente los resultados.
16. Considere las matrices

__________________________________________________________________________________
1 −1   1 −1 
A=  , B= 
 1 −100001
.   −1 1.00001
Muestre que Cond ∗ ( A) ≈ 1 y Cond ∗ (B) ≈ 4 × 10 5 . Muestre, sin embargo, que

Cond 2 ( A ) = Cond 2 (B) . Concluya que Cond∗ ( .) no es un buen número de condición para
matrices no simétricas. Es A mal condicionada o bien condicionada?
( n)
17. La matriz de Hilbert H = hi j ( )n×n definida por hi j =
1
i+ j−1
, 1 ≤ i, j ≤ n es un importante
ejemplo en el álgebra lineal numérica.
( 4)
a) Encuentre la matriz H , demuestre que
 16 −120 240 −140 
 
[ ] −120 1200 −2700 1680 
−1
H( ) = 
4
240 −2700 6480 −4200
 
 −140 1680 −4200 2800 
y calcule Cond ∞ H( )
( 4)
.
b) Resuelva el sistema lineal

 x1   1
   
( 4 )  x2 
H   =  
0
x 0
 3  
 x4   1
usando aritmética con redondeo a tres dígitos y compare el error real en la aproximación
( 4)
calculada con la cota de error dada en el teorema 3.3. Es la matriz H mal condicionada?
18. Considere el sistema lineal
 2 1
 2x1 + 3 x2 + 3 x 3 = 1

 x1 + 2x 2 − x 3 = 0
 6 x + 2 x + 2x = −2
 1 2 3

y verifique que su solución es x1 = 2.6, x 2 = −3.8, x3 = −5.0 .
a) Usando aritmética de punto flotante decimal con redondeo a cuatro dígitos, resuelva el
sistema anterior por el método de eliminación Gaussiana sin pivoteo.
b) Repita la parte a), usando pivoteo parcial y pivoteo escalado de fila.
c) Cuál de las tres soluciones calculadas en a) y b) es la mejor? Explique.

__________________________________________________________________________________
19. a) Muestre todos los pasos intermedios, ésto es, los multiplicadores, los factores de escala Si ,
y el vector de intercambios p, al aplicar el pivoteo escalado de fila sobre la matriz siguiente:
 1 −2 3
 
A =  3 −5 −1
 2 −4 2
 
b) Use la información de la parte a) para encontrar matrices P, L y U, correspondientes al

método de pivoteo escalado de fila, tales que PA = LU .
c) Use la factorización PA = LU , para calcular det A .
20. Resuelva cada uno de los siguientes sistemas de ecuaciones lineales, usando aritmética de
computador en precisión simple y eliminación Gaussiana con: i) sin pivoteo, ii) pivoteo parcial,
iii) pivoteo escalado de fila.
 .2641x1 + .1735 x2 +.8642x 3 = −.7521


a)  −.8641x1 −.4243 x2 +.0711x 3 = .2501
 .9411x +.0175 x +.1463x = .6310
 1 2 3
 1 1
 x1 + 2
x2 +
3
x3 = 2

1 1 1
b)  x1 + x2 + x3 = −1
2 3 4
1 1 1
 3 x1 + x2 + x3 = 0
 4 5
 1 1 1 1
 x1 + 2
x2 + x 3 + x 4 + x 5
3 4 5
=1

1 x + 1 1 1 1
x2 + x 3 + x 4 + x 5 =1
2 1 3 4 5 6

1 1 1 1 1
c)  x1 + x2 + x3 + x4 + x5 =1
3 4 5 6 7
1 1 1 1 1
 4 x1 + 5
x2 + x3 + x4 + x5
6 7 8
=1

1 x + 1 1 1 1
x2 + x3 + x4 + x5 =1
 4 1 5 6 7 9
En cada caso estime el número de condición, relativo a la norma . ∞ , de la matriz de

coeficientes y concluya sobre el bien o mal condicionamiento de esta matriz, y si es posible,
sobre la bondad de la solución calculada.
21. Determine cuáles de las siguientes matrices son

i) simétricas,
ii) singulares,
iii) estrictamente dominantes diagonalmente (E.D.D.) por filas,
__________________________________________________________________________________
iv) definidas positivas.
 2 1 0  2 −1 0
 −2 1    
a) 
2 1
 b)   c)  0 3 2 d)  −1 4 2
 1 3  1 − 3  1 2 4  0 2 2
   
22. Defina la matriz tridiagonal de orden n

 2 −1 0 L 0
 
 −1 2 −1 0 
A n =  0 −1 2 −1 
 
 M M
 
 0 L −1 2
a) Encuentre una fórmula general para A n = LU , con L triangular inferior con sus elementos
diagonales iguales a uno y U triangular superior.
b) Use la factorización obtenida en a) para resolver el sistema A n X = bn donde

bn = (1,1,...,1) , para n = 3, 4, 5, 6 .
T
c) Con base en la respuesta obtenida en a), muestre que la matriz A n es invertible.
23. Pruebe que si A = LLT con L ∈ R n× n no singular, entonces A es simétrica y definida positiva.
24. Usando el método de Choleski, encuentre la factorización A = LLT para las siguientes matrices:
 15 −18 15 −3
 2.25 − 3.0 4.5   
  − −
b) A = 
18 24 18 4
a) A =  −3.0 5.0 −10.0
 4.5  15 −18 18 −3
 −10.0 34.0  
 −3 4 −3 1
 2 3
25. Considere la matriz A =   . Verifique que la matriz A no es estrictamente dominante
 1 4
diagonalmente (por filas), pero que los métodos iterativos de Jacobi y Gauss-Seidel, para
resolver cualquier sistema AX = b , convergen.
26. Demuestre que para la matriz

 1 0 1
 
A =  −1 1 0 
 1 2 −3
 
las iteraciones de Jacobi convergen y las de Gauss-Seidel divergen.

__________________________________________________________________________________

2x + y + z = 4

 x + 2y + z = 4
 x + y + 2z = 4

a) Muestre que la matriz de coeficientes del sistema no es estrictamente dominante

diagonalmente (por filas).
b) Partiendo de X ( ) = (.8, .8, .8) , muestre que las iteraciones de Jacobi oscilan entre los
0 T
valores (121212
. , . , . ) y (.8,.8,.8 ) .
T T
c) Muestre que las iteraciones de Gauss-Seidel convergen a la solución X = (1,1,1) ,

T
X( ) − X( )
k −1
< 10 −3 .
k
calculando iteraciones hasta que
∞
28. Para cada uno de los siguientes sistemas de ecuaciones, explique si los métodos iterativos de
Jacobi y Gauss-Seidel convergen o no. En los casos donde haya convergencia calcule las
(k) ( k −1) < 10 −3 .
iteraciones hasta que X − X
∞
 2x1 + x2 =1 2 x1 + x 2 − 3x 3 = −1 − x1 + 2x 2 + 3 x3 = 0
  
a)  x1 + 6 x2 =3 b)  − x1 + 3 x2 + 2x 3 = 12 c)  4 x1 − x2 + x3 = 6
 3 x + x − 3x = 0  2x + 3 x − x = − 2
 2 x2 + x3 = 1  1 2 3  1 2 3
 x1 + 2x 2 + x4 = 0
2x1 + x2 − x 3 = 1 
 3 x1 − x 2 + 4 x 3 = 2
d)  x1 + x2 = −1 e) 
 x − x + 2x = 2  x1 − x3 + 3x4 = −1
 1 2 3  2x1 + x2 − x 3 = 1
29. Para cada uno de los sistemas del ejercicio 28, si la matriz de coeficientes no es estrictamente
dominante diagonalmente (por filas), reordénelo de modo que el nuevo sistema equivalente
tenga matriz de coeficientes lo más cercana posible a ser estrictamente dominante
diagonalmente (por filas) y estudie la convergencia o divergencia de los métodos iterativos de
Jacobi y Gauss-Seidel para estos sistemas reordenados. En los casos donde haya
(k) ( k− 1) < 10 −3 .
convergencia calcule las iteraciones hasta que X − X
∞
30. Para cada uno de los sistemas reordenados del ejercicio 30, use el método SOR con w = 12
. ,
w = .8 .
__________________________________________________________________________________
31. Resuelva los siguientes sistemas de ecuaciones no-lineales usando el método de Punto Fijo y
el método de Newton-Raphson. En los casos donde haya convergencia del método, calcule
(k) ( k− 1) < 10 −3 . En cada caso haga una gráfica que ilustre
las iteraciones hasta que X − X
∞
cuántas soluciones reales tiene el sistema.
 x2 + y 2 = 4  x2 − y 2 = 4 4 x − y = 0
2 2
a)  3 b)  − x c) 
x − y = 0 e + xy = 1  4 xy 2 − x = 1
32. Use el método de Newton-Raphson para aproximar un punto crítico de la función
f( x, y ) = x 4 + xy + (1 + y )
2
33. Considere el polinomio
p( x) = 3 x5 − 7 x 4 − 5 x 3 + x 2 − 8 x + 2
a) Haga una gráfica que ilustre cuántas raíces reales tiene la ecuación p( x) = 0 .
b) Aplique el algoritmo 3.7 (método de Bairstow) con punto inicial ( u0 ,v 0 ) = (3,1) y

Tol = 10 −3 .Una vez que haya encontrado un factor cuadrático x 2 − ux − v , use Deflación
para encontrar todas las raíces de la ecuación p( x) = 0 .
CAPÍTULO 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE
POLINOMIAL
INTRODUCCIÓN
En este capítulo trataremos básicamente dos problemas, el primero de los cuales es el

siguiente:
Problema 1: Dados n + 1 puntos de R2
(x 0 , y 0 ), (x 1, y1 ),..., (x n , y n )
en los cuales x 0 , x 1 ,..., x n son números distintos, se quiere encontrar un polinomio pn (x) de
grado menor o igual que n tal que
pn (xk ) = yk , k = 0,1,...,n
Probaremos que un tal polinomio pn (x) siempre existe y además es único. A tal polinomio
se le denomina polinomio de interpolación, polinomio interpolante o polinomio de
colocación para los puntos (datos) dados. En este contexto los números x 0 , x 1 ,..., x n son
llamados nodos. Cuando n = 1, es decir, sólo tenemos dos puntos, el polinomio de
interpolación correspondiente se denomina también polinomio de interpolación lineal.
El caso de mayor interés para nosotros es aquel en el cual yk = f (xk ) siendo f una cierta
función de la que posiblemente no se conoce una fórmula explícita, o bien es muy
complicada para evaluarla, derivarla, integrarla, hallarle ceros, etc. En este caso el polinomio
de interpolación pn (x) puede usarse como aproximación de la función f y, en particular, para
aproximar valores de la función f en puntos intermedios entre los nodos x 0 , x 1 ,..., x n . Nos
referiremos a esta manera de aproximar una función dada, mediante un polinomio de
interpolación, como interpolación polinomial; cuando usemos sólo dos nodos, nos
referiremos a la correspondiente interpolación como interpolación lineal. En este contexto
el polinomio de interpolación pn (x) se dirá el polinomio que interpola a la función f en los
nodos x 0 , x 1 ,..., x n .
El otro problema a tratar es:
Problema 2: Dados n + 1 puntos de R2
(x 0 , y 0 ), (x 1, y1 ),..., (x n , y n )
en los cuales x 0 , x 1 ,..., x n son números distintos, y dado un entero no-negativo m, con
m < n , se trata de encontrar un polinomio
pm (x) = a 0 + a1x+...+ am xm
__________________________________________________________________________________
tal que la suma de cuadrados
∑ (p (x ) − y )
2
m k k
k =0
sea mínima.
El criterio mediante el cual se elige el polinomio pm (x) es conocido como criterio de los
mínimos cuadrados. Probaremos que tal polinomio pm (x) existe y es único; se le
denomina polinomio de ajuste según mínimos cuadrados para los datos dados. Nótese
que esta vez, a diferencia de lo que ocurre con el polinomio de colocación, pm (xk ) no
necesariamente es igual a y k para todo k = 0,1,..., n . El polinomio pm (x) lo que da es un
ajuste razonable a los datos dados.
Este tipo de aproximación mediante el polinomio de ajuste pm (x) se conoce como ajuste
polinomial. Aunque el ajuste polinomial según mínimos cuadrados es el caso más usado,
también consideraremos el caso de ajuste exponencial, logarítmico y de potencia según
mínimos cuadrados.
4.1 INTERPOLACIÓN POLINOMIAL
Teorema 4.1 (existencia y unicidad del polinomio interpolante) Dados los n + 1 puntos
(x 0 , y 0 ), (x 1, y1 ),..., (x n , y n ) de R 2 , con x 0 , x 1 ,..., x n números distintos, existe un único
polinomio
pn (x) = a0 + a1x + a2 x2 +...+ an xn
de grado menor o igual que n, que interpola los puntos dados, es decir, tal que
pn (xk ) = y k , k = 0,1,...,n
Demostración: Existe un único polinomio
pn (x) = a 0 + a1x + a 2 x 2 +...+ an xn

tal que
pn (xk ) = y k , k = 0,1,...,n
si y sólo si existen números reales únicos a0 , a1, a 2 ,..., an tales que
a 0 + a1x 0 + a 2 x 02 +...+ an xn0 = y 0


a 0 + a1x1 + a 2 x12 +...+ an x1n = y1

 !
 2 n
a 0 + a1xn + a 2 xn +...+ an xn = y n
Capítulo 4. INTERPOLACIÓN POLINOMIAL Y AJUSTE POLINOMIAL 185
__________________________________________________________________________________
El sistema anterior, de n + 1 ecuaciones lineales en las n + 1 incógnitas a 0 , a1, a 2 ,..., an ,

escrito en forma matricial es
 1 x 0 x 02 " xn0   a0   y0 
 2
    
 1 x1 x1 " x1n  a
 1   y1 
     
    =  
 ! ! ! !   !   ! 
     
     
 2 
 1 xn xn " xnn   an   yn 
#%%%%% %$%%%%%% & #$
% %& #$
% %&
A X b
Ahora bien, como
1 x0 x 02 " xn0
1 x1 x12 " x1n
det A =
! ! ! !
= ∏( xi
0 ≤j<i≤n
− xj )
1 xn xn2 " xnn
entonces det A ≠ 0 (porque si i ≠ j , entonces xi ≠ x j ), y por tanto el sistema en consideración

tiene solución única. Esto prueba la existencia de un único polinomio interpolante de grado
menor o igual que n para los n + 1 datos dados. ∇
Una forma de encontrar el polinomio interpolante para los puntos (x 0 , y 0 ), (x 1, y 1 ),..., (x n , y n )

es resolviendo directamente el sistema AX = b que aparece en la prueba del teorema
anterior; pero este procedimiento no se acostumbra porque, por lo general, la matriz de
coeficientes de este sistema resulta mal condicionada, lo que puede ocurrir si dos abscisas
están relativamente cerca. Lo que resta de esta sección lo dedicaremos a otras formas de
encontrar el polinomio interpolante.
4.1.1 Forma de Lagrange del polinomio interpolante: Supongamos, para ilustración del
método de Lagrange, que se tienen los puntos (x 0 , y 0 ), (x 1, y 1 ), (x 2 , y 2 ) con x0 , x1 y x2
números distintos y queremos encontrar el polinomio interpolante de grado menor o igual que
dos
p2 (x) = a0 + a1x + a2 x2
para dichos puntos.
Como p 2 (xk ) = yk , k = 0,12

, , entonces
__________________________________________________________________________________
p 2 (x 0 ) = a 0 + a1x 0 + a 2 x 02 = y 0



p 2 (x1 ) = a 0 + a1x1 + a 2 x1 = y1
2


p (x ) = a + a x + a x 2 = y
 2 2 0 1 2 2 2 2
que es un sistema de tres ecuaciones lineales cuyas incógnitas son a0 , a1 y a2 .
Veamos que el determinante de la matriz de coeficientes de este sistema es, como ya se

dijo, (x1 − x0 )(x2 − x 0 )(x2 − x1 ) . En efecto:
1 x0 x 02 1 x0 x 02 1 x0 x 02
∆ = 1 x1 x12 = 0 x1 − x 0 x12 − x 20 = (x1 − x 0 )(x 2 − x0 ) 0 1 x1 + x 0
1 x2 x 22 0 x2 − x0 x 22 − x 20 0 1 x2 + x0
1 x0 x 02
= (x1 − x 0 )(x2 − x0 ) 0 1 x1 + x 0 = (x1 − x 0 )(x 2 − x0 )(x2 − x1 ) ≠ 0
0 0 x 2 − x1
(Así que el sistema tiene solución única).
De acuerdo con la regla de Cramer
y0 x0 x02
y1 x1 x12
y2 x2 x 22
a0 =
∆
de donde
y0 x0 x02
∆ ⋅ a 0 = y1 x1 ( )
x12 = y 0 x1x22 − x 2 x12 − y1  x0 x22 − x2 x02  + y 2  x0 x12 − x1x02 
y2 x2 x22
(Desarrollando el determinante por los cofactores de la primera columna)
Análogamente,
1 y0 x 02
∆ ⋅ a1 = 1 y1 ( )
x12 = − y 0 x 22 − x12 + y1  x 22 − x 20  − y 2  x12 − x 20 
1 y2 x 22
(Desarrollando el determinante por los cofactores de la segunda columna)
y
__________________________________________________________________________________
1 x0 y0
∆ ⋅ a 2 = 1 x1 y1 = y 0 (x2 − x1 ) − y1 ( x2 − x0 ) + y 2 ( x1 − x0 )
1 x2 y2
(Desarrollando el determinante por los cofactores de la tercera columna)
Por tanto
∆ ⋅ p 2 (x) = ∆ ⋅ a 0 + ∆ ⋅ a1x + ∆ ⋅ a 2 x 2
= y 0 x1x2 (x2 − x1 ) − y1x0 x2 (x2 − x0 ) + y 2 x0 x1(x1 − x0 )
[
+ − y 0 (x2 − x1 )(x2 + x1 ) + y1(x2 − x0 )(x2 + x0 ) − y 2 (x1 − x0 )(x1 + x0 ) x ]
+[y 0 (x 2 − x1 ) − y1(x2 − x0 ) + y 2 (x1 − x0 )]x 2
[ ] [
= (x 2 − x1 )y 0 x1x2 − (x2 + x1 )x + x 2 − (x 2 − x0 )y1 x0 x2 − (x2 + x0 )x + x2 ]
[
+(x1 − x 0 )y 2 (x2 − x1 ) x 0 x1 − (x1 + x0 )x + x 2
]
Total que
∆ ⋅ p 2 (x) = y 0 (x 2 − x1 )(x − x1 )(x − x2 ) + y1(x0 − x2 )(x − x0 )(x − x2 )
+ y 2 (x1 − x 0 )(x − x0 )(x − x1 )
y entonces
p 2 (x) = y 0
(x − x1 )(x − x2 ) + y (x − x0 )(x − x2 ) + y (x − x0 )(x − x1 )
(x0 − x1 )(x0 − x2 ) 1 (x1 − x0 )(x1 − x2 ) 2 (x2 − x0 )(x2 − x1 )
Si definimos los polinomios de grado dos
L 0 (x) =
(x − x1 )(x − x2 )
(x0 − x1 )(x0 − x2 )
L1(x) =
(x − x0 )(x − x2 )
(x1 − x0 )(x1 − x2 )
L 2 (x) =
(x − x0 )(x − x1)
(x2 − x0 )(x2 − x1)
entonces
p 2 (x ) = y 0 L 0 (x ) + y1 L1 (x ) + y 2 L 2 (x )
Observe que
1 si k = j

L j ( xk ) =  , j = 0,1,2, k = 0,1,2
 0 si k ≠ j
y que, como era de esperarse, p 2 (xk ) = yk , k = 0,12

, .
__________________________________________________________________________________
Los polinomios L 0 (x ), L 1 (x ) y L 2 (x ) , se denominan polinomios fundamentales de

Lagrange y el polinomio p 2 (x) , obtenido de la manera anterior, se denomina polinomio de
interpolación de Lagrange o forma de Lagrange del polinomio interpolante para los
datos dados.
En general se tiene que:
Dados n + 1 puntos (x 0 , y 0 ), (x 1, y1 ),..., (x n , y n ) con x 0 , x 1 ,..., x n números distintos, el

polinomio de interpolación de Lagrange o la forma de Lagrange del polinomio
interpolante para los datos dados es el polinomio
n
p n (x ) = y 0 L 0 (x ) + y 1 L1 (x ) + ... + y j L j (x ) + ... + y n L n (x ) = ∑y j= 0
j L j (x )
donde
(x − x0 )(x − x1 )... (x − x j−1)(x − x j+1)... (x − xn ) n

( x − xk )
)...(x − x ) ∏ (x
L j (x) = = , j = 0,1,...,n
(x j − x0 )(x j − x1)...(x j − x j−1)(x j − x j+1 j n k =0 j − xk )
k≠j
Los polinomios L j (x) , anteriores, se denominan polinomios fundamentales de Lagrange.

Nótese que si se trata de n + 1 puntos, tales polinomios son de grado n.
Observe que
 1 si k = j

L j ( xk ) =  , j = 0,1,2,...,n, k = 0,1,2,...,n
 0 si k ≠ j
y que para cada k = 0,1,...,n,
pn (xk ) = y 0 L 0 (xk ) + y1L 1(xk )+...+ y k L k (xk )+...+ y n L n (xk )

#$& #$& #$& #$&
0 0 1 0
= yk
En el caso en que yk = f (xk ), k = 0,1,..., n , la expresión para el polinomio de interpolación de

Lagrange se convierte en
( )
pn (x) = f (x 0 )L 0 (x) + f (x1 )L1(x)+...+ f x j L j (x)+...+ f (xn )L n (x)
Caso particular: Calculemos el polinomio de interpolación lineal, correspondiente a los

puntos (x0 ,y 0 ), (x1,y1 ) con x0 ≠ x1 , usando la forma de Lagrange:
En este caso, el polinomio de interpolación de Lagrange es

__________________________________________________________________________________
p1 (x ) = y 0 L 0 (x ) + y 1 L1 (x )
siendo
x − x1 x − x0
L 0 (x) = y L 1(x) =
x 0 − x1 x1 − x0
es decir,
x − x1 x − x0
p1(x) = y 0L 0 (x) + y1L1(x) = y 0 + y1
x 0 − x1 x1 − x0
y 0 (x1 − x) + y1(x − x0 ) y 0 x1 − y 0 x + y1x − y1x0
= =
x1 − x0 x1 − x0
y 0 x1 − y 0 x0 + y 0 x0 − y 0 x + y1x − y1x0
=
x1 − x0
y 0 (x1 − x0 ) + (y1 − y 0 )(x − x0 )
=
x1 − x0
Luego
p (x) = y 0 +
( y1 − y 0 ) x − x
( 0)
1 (x1 − x0 )
Nótese que y = p1(x) es la ecuación de la recta determinada por los puntos

(x 0 , y 0 ) y (x1, y1 ) . ∇
Ejemplo 4.1 Supongamos que queremos aproximar la función f (x) = cosx sobre el intervalo
 π π
− 2 , 2  mediante un polinomio de interpolación. Una forma razonable de hacerlo es
 
mediante un polinomio de interpolación de Lagrange de grado menor o igual que dos, p 2 (x) ,
π π
usando como nodos los números x 0 = − , x1 = 0 y x2 = .
2 2
Como
p 2 (x ) = f (x 0 )L 0 (x ) + f (x 1 )L1 (x ) + f (x 2 )L 2 (x )
y
 π  π
f (x 0 ) = cos −  = 0, f (x1 ) = cos 0 = 1 y f (x2 ) = cos  = 0
 2  2
entonces p 2 (x) = L1(x) , donde

 π π π2
 x +   x −  x2 −
L1(x) =
(x − x0 )(x − x2 ) =  2   2  = 4 = 1 − 4 x2
(x1 − x0)(x1 − x2 )  π π
 −  −
π 2
π2
 2 2 4
Total que el polinomio de interpolación de Lagrange para la función f (x) = cos x en los nodos
π π
x 0 = − , x1 = 0 y x2 = , es
2 2
__________________________________________________________________________________
4
p 2 (x) = 1 − x2
π2
 π  π
Observe que p 2  −  = 0 = p2   y p2 (0) = 1 , como era de esperarse
 2  2
La FIGURA 4.1 siguiente, muestra las gráficas de y = cos x y del polinomio interpolante
4
obtenido y = p 2 (x) = 1 − 2 x2 .
π
FIGURA 4.1
Si usamos el polinomio interpolante de Lagrange, p 2 (x) , para aproximar

 π  π 2
f   = cos  = ≈ .71 , obtenemos
 4  4 2
2
 π  π 4  π 1 3
cos  ≈ p 2   = 1 − 2   = 1 − = = .75
 4  4 π  4 4 4
Instrucción en DERIVE: Dados los n + 1 datos M:= [ [x0 , y 0 ],[x1, y1],...,[xn , yn ] ] :

POLY_INTERPOLATE( M , x ): Simplifica o aproXima en el polinomio interpolante de grado
menor o igual que n, pn (x) , para los n + 1 datos dados en la matriz M. Para el ejemplo
 π π 
anterior, Simplifique la expresión POLY_INTERPOLATE(  − ,0 , [0,1],  ,0 , x  ). ◊
 2  2
  
__________________________________________________________________________________
Nota: Con el propósito de comparar el polinomio p 2 (x) , obtenido en el ejemplo anterior, con
el polinomio de Taylor de grado dos para f (x) = cos x , alrededor de cero (polinomio de
Maclaurin), calculamos este último a continuación:
Como
f (x) = cos x, f (0) = cos 0 = 1
f ′(x) = − sen x, f ′(0) = − sen 0 = 0
f ′′(x) = − cos x, f ′′(0) = − cos 0 = −1
x2
entonces el polinomio de Maclaurin, ya mencionado, es p(x) = 1 − .
2
 π  π
Si usamos el polinomio de Maclaurin p(x) para aproximar el valor f   = cos  ,
 4  4
obtenemos
2
 π
 
 π  π  4
cos  ≈ p  = 1 − ≈ .69
 4  4 2
 π
Nótese que, en este caso, la aproximación que da el polinomio de Maclaurin para cos  es
 4
mejor que la que da el polinomio de interpolación. Como ejercicio compare los valores
 π  π  π
p 2   y p  con el valor exacto cos  . ♦
 2  2  2
En relación con el ejemplo anterior, tenemos que los otros dos polinomios fundamentales de
π π
Lagrange de grado dos para f usando los nodos x 0 = − , x1 = 0 y x2 = , son
2 2
 π π
x x −  2
−
L 0 (x) =
( x − x1 )(x − x2 )
=
 2
=
x x
2 = 2 x2 − 1 x
(x0 − x1)(x0 − x2 )  − π  (− π) π2 π2 π
 2 2
y
 π π
x + x x 2
+
L 2 (x) =
( x − x 0 )(x − x1 )
=
 2
=
x
2 = 2 x2 + 1 x
(x2 − x0 )(x2 − x1) π π  π2 π2 π
 2 2
Observe que
2 1 4 2 1
L 0 (x) + L 1(x) + L 2 (x) = x2 − x + 1 − 2 x2 + 2 x2 + x = 1
π 2
π π π π
__________________________________________________________________________________
Instrucción en DERIVE: Dados los n + 1 datos M:= [ [x0 , y 0 ],[x1, y1],...,[xn , yn ] ] :

LAGRANGE_POLY(M): Simplifica o aproXima en el polinomio de interpolación de Lagrange
para los datos dados en la matriz M.
LAGRANGE_POLYS( M ): Simplifica o aproXima en los n + 1 polinomios fundamentales de

Lagrange de grado n, L j (x), j = 0,1,..., n , para los datos dados en la matriz M, y vienen en la
expresión [ [L (x)],[L (x)],...,[L (x)] ] .

0 1 n Para el ejemplo anterior, Simplifique la expresión
 π  π  
LAGRANGE_POLYS(  − , 0  , [0 ,1] ,  , 0   ). ◊
 2  2  
En general, los polinomios fundamentales de Lagrange L j (x), j = 0,1,..., n , correspondientes a

n + 1 puntos dados, tienen la propiedad
∑ L (x) = 1 para todo

j= 0
j x
A continuación nos referiremos al error involucrado en la interpolación polinomial.
Si pn (x) es el polinomio que interpola a una función f en los números distintos x0 , x1,..., xn , y
si x es un punto intermedio entre dichos números, entonces el error al aproximar f (x)
mediante pn (x) es
E(x) = f (x) − pn (x)
En relación con este error se tiene el siguiente resultado cuya demostración puede ser
consultada en Burden, 1985, páginas 103 y 104:
Teorema 4.2 Sea f una función definida en un intervalo [a, b] y sea pn (x) el polinomio que
interpola a f en los números distintos x0 , x1,..., xn de dicho intervalo. Si f tiene sus primeras
n + 1 derivadas continuas en [a, b] , entonces para cada x ∈[a, b] , el error E(x) = f (x) − pn (x)
puede expresarse en la forma
(x − x0 )(x − x1)... (x − xn ) f (n+1) ξ x

E(x) =
(n + 1)! ( ( ))
donde ξ(x) es un número que depende de x y ξ(x) ∈ (a, b) . ∇
Esta fórmula para el error es un resultado teórico importante, pues los polinomios de
interpolación se usan por ejemplo, para deducir fórmulas de integración numérica y a partir
de dicha fórmula de error se pueden obtener cotas para el error en la integración; sin
embargo, en la práctica la fórmula del error en la interpolación es de uso muy restringido
pues sólo se puede aplicar a funciones que tengan derivadas fácilmente acotables.
__________________________________________________________________________________
 π π
En relación con el ejemplo 4.1 tenemos que, si x ∈  − ,  , entonces el error al aproximar
 2 2
4
f (x) = cos x mediante el polinomio de interpolación p 2 (x) = 1 − 2 x2 , obtenido usando los
π
π π
nodos x 0 = − , x1 = 0 y x2 = , es
2 2
(x − x0 )(x − x1)(x − x2 ) f ′′′ ξ x  π π

E(x) =
3!
( ( )) con ξ(x) ∈  − , 
 2 2
es decir,
 π  π
 x +  (x − 0) x − 
 2  2  π π
E(x) =
6
f ′′′ ξ(x) ( ) con ξ(x) ∈  − , 
 2 2
Como
f (x) = cos x , f ′(x) = − sen x , f ′′(x) = − cos x y f ′′′(x) = sen x
entonces
 π π
( )
f ′′′ ξ(x) (
= sen ξ(x) ) ≤ 1 para toda ξ(x) ∈  − , 
 2 2
y por tanto
1  2 π2   π π
E(x) ≤ x x −  para todo x ∈ − , 
6  4   2 2
π
En particular, para x = , se tiene que
4
 π 1 π  π2 π2  π  3π 2  π3
E  ≤  −  =   = ≈ .24
 4 6 4  16 4 24  16  128
Observe que el error real es
 π  π  π 1 3
E  = cos  − p 2   = − ≈ .043
 4  4  4 2 4
que está por debajo de la cota teórica de error, ya calculada. ♦
Ejercicio 4.1 Use el polinomio interpolante de Lagrange para la función f (x) = cos x con
π π
nodos x 0 = − , x1 = 0 y x2 = , para estimar
2 2
π
2
 π
i) ∫ cos xdx
0
ii) f ′ 
 4
♦
__________________________________________________________________________________
Ejemplo 4.2 Use los polinomios interpolantes de Lagrange de grados uno, dos y tres, más
apropiados, para aproximar f (2.5) , si f (2.0) = .5103757 , f (2.2) = .5207843 ,
f (2.4) = .5104147 , f (2.6) = .4813306 y f (2.8) = .4359160 .
Solución: Como 2.5 ∈[2.4,2.6] , entonces el polinomio de interpolación de Lagrange de

grado uno, más apropiado, es el que se obtiene tomando los nodos x 0 = 2.4 y x1 = 2.6 , ya
que éstos son los dos nodos más cercanos a 2.5.
Así que
p1(x) = f (x0 )L 0 (x) + f (x1 )L1(x)
x − x1 x − x0
= f (x0 ) + f (x1 )
x 0 − x1 x1 − x 0
y entonces
2.5 − 2.6 2.5 − 2.4
p1(2.5 ) = .5104147 + .4813306
2.4 − 2.6 2.6 − 2.4
= .2552074 + .2406653
= .4958727 ≈ f (2.5 )
Para el caso de grado dos, hay dos polinomios interpolantes igualmente apropiados:
Un primer polinomio se obtiene tomando los nodos x 0 = 2.2, x1 = 2.4 y x 2 = 2.6 , lo que nos
da
p 2 (x) = f (x0 )L 0 (x) + f (x1 )L1(x) + f (x2 )L 2 (x)
= f (x0 )
(x − x1)(x − x2 ) + f x (x − x0 )(x − x2 ) + f x (x − x0 )(x − x1)
( 1) x − x x − x ( 2) x − x x − x
(x0 − x1)(x0 − x2 ) ( 1 0 )( 1 2 ) ( 2 0 )( 2 1)
y entonces
p 2 (2.5 ) =.5207843
(2.5 − 2.4)(2.5 − 2.6) +.5104147 (2.5 − 2.2)(2.5 − 2.6)
(2.2 − 2.4)(2.2 − 2.6) (2.4 − 2.2)(2.4 − 2.6)
+.4813306
(2.5 − 2.2)(2.5 − 2.4)
(2.6 − 2.2)(2.6 − 2.4)
= −.06509804 + .3828110 + .1804990
= −.06509804 + .5633100
= .4982120 ≈ f (2.5 )
El otro polinomio interpolante se obtiene tomando x0 = 2.4, x1 = 2.6 y x 2 = 2.8 , y se tiene

que
__________________________________________________________________________________
p2 (2.5 ) =.5104147
(2.5 − 2.6)(2.5 − 2.8) +.4813306 (2.5 − 2.4)(2.5 − 2.8)
(2.4 − 2.6)(2.4 − 2.8) (2.6 − 2.4)(2.6 − 2.8)
+.4359160
(2.5 − 2.4)(2.5 − 2.6)
(2.8 − 2.4)(2.8 − 2.6)
= .1914055 + .3609980 − .05448950
= .5524035 − .05448950
= .4979140 ≈ f (2.5)
Para grado tres el polinomio interpolante, más apropiado, se obtiene tomando los nodos
x 0 = 2.2 , x1 = 2.4 , x2 = 2.6 y x3 = 2.8 , ya que 2.5 ∈[2.2,2.8] y 2.2, 2.4, 2.6 y 2.8 son los
nodos más cercanos a 2.5. Así que
p 3 (x) = f (x0 )
(x − x1)(x − x2 )(x − x3 ) + f x (x − x0 )(x − x2 )(x − x3 )
( 1) x − x x − x x − x
(x0 − x1)(x0 − x2 )(x0 − x3 ) ( 1 0 )( 1 2 )( 1 3 )
+ f (x2 )
(x − x0 )(x − x1 )(x − x3 ) + f x (x − x0 )(x − x1)(x − x2 )
( 3) x − x x − x x − x
(x2 − x0 )(x2 − x1 )(x2 − x3 ) ( 3 0 )( 3 1)( 3 2 )
y entonces
(2.5 − 2.4)(2.5 − 2.6)(2.5 − 2.8) +
p 3 (2.5) = .5207843 .5104147
(2.5 − 2.2)(2.5 − 2.6)(2.5 − 2.8)
(2.2 − 2.4)(2.2 − 2.6)(2.2 − 2.8) (2.4 − 2.2)(2.4 − 2.6)(2.4 − 2.8)
+ .4813306
(2.5 − 2.2)(2.5 − 2.4)(2.5 − 2.8) + .4359160
(2.5 − 2.2)(2.5 − 2.4)(2.5 − 2.6)
(2.6 − 2.2)(2.6 − 2.4)(2.6 − 2.8) (2.8 − 2.2)(2.8 − 2.4)(2.8 − 2.6)
= − .03254902 + .2871083 + .2707485 − .02724475
= .5578568 − .0597977
= .4980630 ≈ f (2.5 )
Cuál es la aproximación obtenida, mediante el polinomio de interpolación, usando los nodos

x 0 = 2.0 , x1 = 2.2 , x 2 = 2.4 y x 3 = 2.6 ? (ejercicio)
Cuál de todas las aproximaciones calculadas es la mejor ?
Como la cota para el error en la interpolación requiere conocer hasta la cuarta derivada de la
función f (la función de donde provienen los datos), y no disponemos de esa información,
pues no conocemos una fórmula explícita para f, no podemos decidir cuál de las
aproximaciones calculadas es la mejor. Sin embargo, de dos aproximaciones calculadas que
utilicen el mismo número de nodos, se espera que sea mejor la que use los nodos más
cercanos al dato a interpolar. ♦
Ejemplo 4.3 Suponga que se quiere construir una tabla para la función logaritmo natural,
desde x = 1 hasta x = 10 , de tal manera que la interpolación lineal usando dos nodos
consecutivos de la tabla, tenga una precisión de seis cifras decimales exactas. Determine el
tamaño de paso h más grande posible para dicha tabla.
Solución: Podemos suponer, sin pérdida de generalidad, que los nodos x0 ,x1,..., xn en el
intervalo [1,10] están igualmente espaciados. Entonces el tamaño de paso es
__________________________________________________________________________________
h = xk +1 − xk , k = 0,1,...,n − 1 con x0 = 1 y xn = 10
Por lo tanto
x0 = 1, x1 = 1 + h, x2 = 1 + 2h,..., xk = 1 + kh,..., xn = 1 + nh = 10
y entonces para x con xk ≤ x ≤ xk +1 , se tiene que el error en la interpolación lineal, usando

los nodos xk y xk +1 , es
E(x) = f (x) − p(x) =

(
f ′′ ξ(x) )
2!
(x − xk )(x − xk +1 )
para algún ξ(x) ∈ (xk , xk +1 ) .
1 1
Como f (x) = lnx , entonces f ′(x) = , f ′′(x) = − 2 , y entonces para x ∈[xk , xk +1 ] , se tiene
x x
1
E(x ) ≤ Máx f ′′(x ) Máx (x − x k )(x − x k +1 )
2 x∈[xk ,xk +1] [
x∈ x k ,x k 1
+ ]
1  1 
= Máx   Máx (x − x k )(x − x k +1 )
2 x∈[xk ,xk +1]  x 2  x∈[xk ,xk +1]
Si
g(x) = (x − xk )(x − xk +1 ) = x 2 − (xk + xk +1 )x + xk xk +1
entonces
x k + x k +1
g′(x) = 2x − (xk + xk +1 ) = 0 ⇔ x =
2
Como g(xk ) = 0 = g(xk +1 ) , y
 x + x k +1   x k + x k +1   x + x k +1   x − x k   x k − x k +1  h  h  h2
g k  = − xk   k − x k +1  =  k +1   = −  = − ≠0
 2   2  2   2  2  2  2 4
entonces
2
Máx (x − x k )(x − x k +1 ) = h , k = 0, 1,..., n − 1
[
x∈ xk ,x k 1
+ ] 4
Por otro lado, como

1 1
Máx = , k = 0, 1,..., n − 1
[
x∈ xk ,x k +1] x2 (x k )2
entonces para x ∈[xk , xk +1 ] , se tiene que
1 1 h2
E(x) ≤ , k = 0,1,..., n − 1
2 ( x k )2 4
__________________________________________________________________________________
Finalmente, como xk ∈[110

, ] , k = 0,1,..., n, entonces
1 1 h2 h2
E(x) ≤ = para todo x ∈[110
, ]
2 12 4 8
Para encontrar el tamaño de paso h más grande para la tabla, basta entonces resolver la
desigualdad
h2
≤ 5 × 10 −7 (porque se quieren 6 cifras decimales exactas)
8
lo que nos da h ≤ 2 × 10 −3 = .002 .
De acuerdo con este resultado, el tamaño de paso más grande para construir la tabla es
h = .002 . Así que si se toma, por ejemplo, el tamaño de paso h = .001 para construir la
tabla, la interpolación lineal correspondiente (para dos nodos consecutivos), será exacta en
por lo menos seis cifras decimales. Es claro que una tabla con estas características debe ser
escrita con por lo menos siete cifras decimales. ♦
Otra forma de obtener el polinomio interpolante de grado menor o igual que n para una
función f, a partir de n + 1 datos conocidos, (x 0 , f (x 0 )), (x 1, f (x 1 )),..., (x n , f (x n )) , es la siguiente:
4.1.2 Forma de Newton del polinomio interpolante: Dados n + 1 puntos

(x 0 , y 0 ), (x 1, y1 ),..., (x n , y n ) con x 0 , x 1,..., x n números distintos y yk = f (xk ) , k = 0,1,...,n para
alguna función f definida en algún intervalo [a,b] que contiene a los nodos distintos
x 0 , x 1,..., x n . El polinomio pn (x) de grado menor o igual que n que interpola a f en los datos
dados, puede expresarse en la forma
pn (x) = b 0 + b1(x − x 0 ) + b 2 (x − x0 )(x − x1 ) + ... + bn (x − x0 )(x − x1 )... (x − xn−1 )
para ciertas constantes b 0 , b1,..., b n .
Cómo determinar los coeficientes b 0 , b1,..., bn ?
Puesto que p n (x k ) = y k = f (x k ), k = 0, 1,..., n , entonces
pn (x0 ) = b0 = f (x0 ) , así que

b 0 = f (x 0 )
pn (x1 ) = b0 + b1(x1 − x0 ) = f (x1 ) , así que
f (x1 ) − f (x0 )
b1 =
x1 − x 0
pn (x2 ) = b 0 + b1(x2 − x0 ) + b 2 (x2 − x0 )(x2 − x1 ) = f (x2 ) , así que

__________________________________________________________________________________
f (x1 ) − f (x0 )
f ( x 2 ) − f (x 0 ) − (x 2 − x 0 )
x1 − x0
b2 =
(x2 − x0 )(x2 − x1 )
y después de realizar algunas manipulaciones algebraicas se tiene que
f (x2 ) − f (x1 ) f (x1 ) − f (x0 )

−
x 2 − x1 x1 − x 0
b2 =
x2 − x0
Los otros coeficientes b 3 , b 4 ,..., b n se pueden obtener consecutivamente, siguiendo el

método anterior.
Para facilitar la escritura de los coeficientes b 0 , b1,..., b n , del polinomio interpolante obtenido
de esta manera, se introduce la siguiente notación de diferencia dividida hacia adelante
(progresiva) de Newton.
Definición 4.1 Dados n + 1 puntos (x0 ,f (x0 )), (x1,f (x1)),...,(xn ,f (xn )) con x 0 , x 1,..., x n
números distintos y f alguna función, definimos:
a) La diferencia dividida cero de f con respecto a xk es
f [ xk ] = f ( xk ) , k = 0,1,2,...,n
(Así que, con respecto al polinomio interpolante pn (x) , se tiene que b 0 = f [x0 ] )
b) La diferencia dividida uno de f con respecto a xk y x k +1 es
f [xk +1 ] − f[xk ]
f[xk ,xk +1 ] = , k = 0,1,...,n − 1
x k +1 − x k
Observe que las diferencias divididas uno dependen de las diferencias divididas cero y
que, mientras hay n + 1 diferencias divididas cero, hay n diferencias divididas uno.
f[x1 ] − f [x0 ]
(También observe que b1 = f [x 0 , x1 ] = )
x1 − x0
c) La diferencia dividida dos de f con respecto a xk , xk +1 y xk + 2 es
f[xk +1,xk + 2 ] − f [xk ,xk +1 ]

f[xk ,xk +1, xk + 2 ] = , k = 0,1,...,n − 2
xk + 2 − xk
Observe que las diferencias divididas dos dependen de las diferencias divididas uno y
que, mientras hay n diferencias divididas uno, hay n − 1 diferencias divididas dos.
__________________________________________________________________________________
f [x1, x2 ] − f [x0 , x1 ]
(También observe que b 2 = f [x0 , x1,x2 ] = )
x2 − x0
d) En general, conocidas las n − (i − 1) + 1 = n − i + 2 diferencias divididas i − 1 de f con

respecto a x k , x k +1 ,..., x k +i−1 , f [x k , x k +1,..., x k +i−1 ], k = 0, 1,..., n − (i − 1) , se definen las
n − i + 1 diferencias divididas i de f con respecto a x k , x k +1,..., x k +i , así
f[xk +1,xk + 2 ,...,xk +i ] − f [xk ,xk +1,...,xk +i−1 ]

f[xk ,xk +1,...,xk +i ] = , k = 0,1,...,n − i ∇
xk + i − xk
Con esta notación de diferencia dividida se tiene que bi = f[x0 ,x1,...,xi ], i = 0,1,...,n y así el
polinomio interpolante toma la forma
pn (x) = f [x0 ] + f[x0 ,x1 ](x − x0 ) + f [x0 ,x1,x2 ](x − x0 )(x − x1 )+...
+ f[x0 ,x1,...,xn ](x − x0 )(x − x1 )... (x − xn−1 )
Esta forma del polinomio interpolante se conoce como fórmula de diferencia dividida
(progresiva) interpolante de Newton o forma progresiva de Newton del polinomio
interpolante, y se usa en los cálculos numéricos cuando se interpola en un punto x que está
más cerca de x0 que de xn (suponemos ordenados los nodos x 0 , x 1,..., x n ) . Si el punto x
en el cual vamos a interpolar está más cerca de xn que de x0 se usa la fórmula de
diferencia dividida (regresiva) interpolante de Newton:
pn (x) = f [xn ] + f [xn −1,xn ](x − xn ) + f[xn − 2 , xn −1, xn ](x − xn )(x − xn −1 )+...
+ f[x0 ,x1,...,xn ](x − xn )(x − xn −1 )... (x − x1 )
Es muy importante tener en cuenta que el polinomio progresivo y el polinomio regresivo de

Newton son el mismo polinomio (siempre y cuando se usen los mismos datos); lo que ocurre
es que en la fórmula progresiva el dato que más "pesa" es f [x0 ] , mientras que en la
regresiva el que más "pesa" es f [xn ] .
En el caso en que el dato a interpolar esté más cerca del nodo central (o los nodos
centrales), se recomiendan otras diferencias divididas llamadas centradas, que no
estudiaremos aquí.
La forma de Newton del polinomio interpolante es más ventajosa que la forma de Lagrange,
pues el cálculo de los coeficientes en la forma de Newton va usando la información anterior,
lo que no sucede con la forma de Lagrange.
Observe que dados n + 1 datos (x 0 , f (x 0 )), (x 1, f (x 1 )),..., (x n , f (x n )) , la forma progresiva de

Newton del polinomio interpolante tiene la propiedad
__________________________________________________________________________________
pi (x) = pi−1(x) + f [x0 , x1,..., xi ](x − x0 )(x − x1 )... (x − xi−1 ), i = 2,3,...,n
Una propiedad análoga se tiene para la forma regresiva del polinomio interpolante de
Newton.
La TABLA 4.1 siguiente, muestra las diferencias divididas que hay que calcular para
determinar los coeficientes del polinomio interpolante de Newton.
Diferencias Diferencias … Diferencias divididas

divididas 0 divididas 1 n
K xk
f (xk ) = f [xk ] f [xk ,xk +1] f [x0 ,...,xn ]
0 x0 f [x0 ] = b 0 f [x0 ,x1 ] = b1 … f[x0 ,...,xn ] = bn
1 x1 f[x1] f[x1,x2 ] …
2 x2 f [x2 ] f[x2 ,x3 ] …
3 x3 f [x3 ] !
! ! !
n−1 xn−1 f [xn−1] f [xn−1,xn ]
n xn f [xn ]
TABLA 4.1
Observe que en la misma tabla pueden leerse los coeficientes para la forma progresiva y
para la forma regresiva de Newton del polinomio interpolante.
En el caso particular n = 1, la forma de Newton del polinomio interpolante es
f (x1 ) − f (x0 )
p1(x) = f [x0 ] + f[x0 ,x1 ](x − x0 ) = f (x0 ) + (x − x0 )
x1 − x0
que coincide con la fórmula deducida para p1(x) en el caso de la forma de Lagrange del
polinomio interpolante. Recuerde que el polinomio de interpolación es único.
Con respecto al error en la interpolación al usar la forma de Newton, tenemos:

__________________________________________________________________________________
Dada una función f definida en [x0 ,x1 ] . Si f es continua en [x0 ,x1 ] y f ′ existe en (x0 ,x1 ) ,
entonces el teorema del valor medio implica que existe x ∈ (x0 ,x1 ) tal que f ′(x) = f[x0 ,x1 ] .
En general, se tiene el siguiente resultado cuya demostración puede ser consultada en

Burden, 1985, páginas 117 y 118:
Teorema 4.3 Si f es una función de valor real definida sobre el intervalo [a,b] , n veces
continuamente diferenciable en [a,b] y x 0 , x1,..., xn son números distintos en [a,b] ,
entonces existe ξ ∈[a, b] tal que
f ( ) (ξ )
n
f[x 0 , x1,..., xn ] = ∇
n!
Usando esta fórmula se puede llegar a una expresión para estimar el error al aproximar una
función f mediante el polinomio interpolante de Newton, pn (x) , a partir de los puntos
x 0 , x1,..., xn , x , como se indica a continuación:
De la fórmula del error E(x) , dada al estudiar la forma de Lagrange del polinomio
interpolante, tenemos que
(x − x0 )(x − x1 )... (x − xn ) f (n+1) ξ x
f (x) = pn (x) +
(n + 1)%!
( ( )) (4.1)
#%%%%%% $%%%%%%% &
()
Ex
donde ξ(x) es un número que depende de x y ξ(x) ∈(a, b) .
De otro lado, usando la forma de Newton del polinomio interpolante de grado menor o igual
que n + 1 para f en los nodos x0 , x1,..., xn , x , tenemos que
f (x) = pn+1(x) = pn (x) + f [x0 , x1,..., xn , x](x − x0 )(x − x1)... (x − xn ) (4.2)
Igualando las ecuaciones (4.1) y (4.2), concluimos que
E(x) = f (x) − pn (x) = f[x0 , x1,..., xn , x](x − x0 )(x − x1 )... (x − xn ) (4.3)
donde para calcular f [x0 , x1,..., xn , x] usamos pn (x) ≈ f (x) . ∇
La ecuación (4.3) nos da una fórmula alternativa para estimar el error al usar un polinomio
interpolante.
Ejemplo 4.4 Considere la siguiente tabla de datos

__________________________________________________________________________________
x f (x)
2.0 .5103757
2.2 .5207843
2.4 .5104147
2.6 .4813306
2.8 .4359160
TABLA 4.2
Si queremos obtener una aproximación de f (2.1) usando todos los datos dados, debemos
elegir la forma progresiva del polinomio interpolante de Newton con todos los datos dados, y
una escogencia adecuada para los nodos es x 0 = 2.0 , x1 = 2.2 , x2 = 2.4 , x3 = 2.6 y
x 4 = 2.8 , ya que x = 2.1 está más cerca de x0 que de x4 .
Veamos qué resultados obtenemos si usamos los polinomios interpolantes de Newton más
apropiados de grados uno, dos, tres y cuatro, para aproximar f (2.1) .
Empezamos calculando las diferencias divididas que se muestran en la TABLA 4.3 siguiente,
−3
donde el valor correspondiente a la diferencia dividida cuatro es 8.34125 × 10 = b 4 (que no
aparece en la tabla).
k xk f (xk ) = f[xk ] Diferencias Diferencias Diferencias

divididas 1 divididas 2 divididas 3
0 2.0 .5103757 = b0 .052043 = b1 −.2597275 = b2 .04299367 = b 3
1 2.2 .5207843 −.051848 −.2339313 .04966667
2 2.4 .5104147 −.1454205 −.2041313
3 2.6 .4813306 −.227073
4 2.8 .4359160
TABLA 4.3
Instrucción en DERIVE: Dados los n + 1 puntos M:= [ [x , f(x )],[x ,f (x )],...,[x ,f (x )] ] :

0 0 1 1 n n
DIFERENCIAS_DIV( M ): aproXima o Simplifica en las n + 1 diferencias divididas progresivas

[ ]
de Newton, f[x0 ], f[x0 , x1 ],..., f[x0 , x1,..., xn ] , correspondientes a los n + 1 puntos dados en la
matriz M. Para este ejemplo, tome la matriz
[
M: = [2.0 , 0.5103757],[2.2 , 0.5207843],[2.4 , 0.5104147],[2.6 , 0.4813306],[2.8 , 0.4359160] y ]
aproXime la expresión DIFERENCIAS_DIV(M). ◊
Entonces
p1(x) = f[x0 ] + f [x0 , x1 ](x − x0 )
= .5103757 + .052043(x − 2.0)
así que
p1(2.1) = .5103757 + .052043(2.1 − 2.0)
= .5155800 ≈ f (2.1)
__________________________________________________________________________________
Si usamos el polinomio más apropiado de grado dos
p 2 (x) = f[x0 ] + f [x0 ,x1 ](x − x0 ) + f [x0 , x1,x2 ](x − x0 )(x − x1 )

= p1(x) + f [x 0 , x1,x2 ](x − x 0 )(x − x1 )
obtenemos
p 2 (2.1) = p1(2.1) − .2597275(2.1 − 2.0)(2.1 − 2.2)

= .5155800 +.002597275
= .5181773 ≈ f (2.1)
Si usamos el polinomio más apropiado de grado tres
p 3 (x) = f[x0 ] + f [x0 , x1 ](x − x0 ) + f[x0 ,x1, x2 ](x − x0 )(x − x1 )

+ f[x0 , x1,x2 , x3 ](x − x0 )(x − x1 )(x − x2 )
= p 2 (x) + f[x0 ,x1,x2 , x3 ](x − x0 )(x − x1 )(x − x2 )
entonces
p 3 (2.1) = p 2 (2.1) + .04299367(2.1 − 2.0)(2.1 − 2.2)(2.1 − 2.4 )
= .5181773 + 1289810
. × 10 −4
= .5183063 ≈ f (2.1)
Finalmente, si usamos el polinomio de grado cuatro
p 4 (x) = f [x0 ] + f[x0 , x1 ](x − x0 ) + f [x0 ,x1, x2 ](x − x0 )(x − x1 )

+ f[x0 ,x1,x2 ,x3 ](x − x0 )(x − x1 )(x − x2 )
+ f[x0 ,x1,x2 ,x3 ,x4 ](x − x0 )(x − x1 )(x − x2 )(x − x3 )
= p 3 (x) + f[x0 , x1,x2 ,x3 ,x4 ](x − x0 )(x − x1 )(x − x2 )(x − x3 )
obtenemos
p 4 (2.1) = p 3 (2.1) + 8.341125 × 10 −3 (2.1 − 2.0)(2.1 − 2.2)(2.1 − 2.4 )(2.1 − 2.6)

= .5183063 − 1251169
. × 10 −3
= .5182938 ≈ f (2.1)
Si estamos interesados en aproximar f (2.7) mediante el polinomio interpolante más

apropiado de grado menor o igual que tres, a partir de los datos dados en la TABLA 4.3,
debemos usar la forma regresiva de Newton del polinomio interpolante con los nodos
x4 = 2.8 , x 3 = 2.6 , x 2 = 2.4 y x1 = 2.2 , lo que nos da en este caso
p3 (x) =.4359160 −.227073(x − 2.8)−.2041313(x − 2.8)(x − 2.6 )

+.04966667(x − 2.8)(x − 2.6)(x − 2.4)
así que
__________________________________________________________________________________
p3 (2.7 ) =.4359160 −.227073(2.7 − 2.8)−.2041313(2.7 − 2.8)(2.7 − 2.6 )

+.04966667(2.7 − 2.8)(2.7 − 2.6)(2.7 − 2.4 )
=.4359160 +.0227073 + 2.041313 × 10 −3 − 1490000
. × 10 −4
=.4606646 − 1490000
. × 10 −4
=.4605156
Como un ejercicio encuentre el polinomio interpolante regresivo de grado menor o igual que
cuatro para los datos dados, p4 (x) , y úselo para estimar f (2.7) . También estime f (2.7)
usando el polinomio p 4 (x) y compare los valores p 4 (2.7) y p4 (2.7) . Aproxime también
f (2.5) usando p 4 (2.5 ) y p4 (2.5 ) . ♦
Un algoritmo para encontrar los coeficientes b 0 , b1,..., b n de la forma de Newton del polinomio
interpolante es el siguiente.
Algoritmo 4.1 (Diferencias divididas progresivas) Para obtener los coeficientes

b 0 , b1,..., b n de la forma de Newton del polinomio interpolante usando diferencias divididas
progresivas, conocidos n + 1 puntos (x 0 , f (x 0 )), (x 1, f (x 1 )),..., (x n , f (x n )) con x 0 , x 1,..., x n
números distintos:
Entrada: Los números x 0 , x 1,..., x n , los valores f (x 0 ), f (x 1 ),..., f (x n ) .
Salida: Los coeficientes b 0 , b1,..., bn de la forma progresiva de Newton del polinomio

interpolante
pn (x) = b 0 + b1(x − x0 ) + b2 (x − x0 )(x − x1 )+...+bn (x − x0 )(x − x1)... (x − xn−1)
Paso 1: Tomar b 0 = f (x0 ) .
Paso 2: Para i = 12
, ,..., n , hacer:
Para k = 0,1,..., n − i, tomar

f ( x k +1 ) − f ( x k )
f ( xk ) =
xk + i − xk
bi = f (x 0 )
Paso 3: Salida: "Los coeficientes del polinomio interpolante progresivo de Newton son
b 0 , b1,..., bn ". Terminar.
Ejercicio 4.2 La siguiente tabla corresponde a la función f (x) = e x :

__________________________________________________________________________________
x 0 .5 1.0 2.0
f (x) 1.00000 1.64872 2.71828 7.38906
a) Aproxime f (.25) usando interpolación lineal con x0 = 0 y x1 = .5 .
b) Aproxime f (.75) usando interpolación lineal con x0 = .5 y x1 = 10

. .
c) Aproxime f (.25) y f (.75) usando interpolación de grado menor o igual que dos con
x0 = 0, x1 = 10
. y x 2 = 2.0 .
d) Cuál de las aproximaciones calculadas es la mejor? Por qué?
e) Aproxime f (.25) usando el polinomio de interpolación de Newton de grado menor o igual

que tres para los datos dados. ♦
Ejercicio 4.3 La siguiente tabla corresponde a la función f (x) = sen x :
x .30 .32 .33 .35

f (x) .29552 .31457 .32404 .34290
a) Encuentre una aproximación de sen(.34) , usando el polinomio de interpolación de

Lagrange de grado menor o igual que tres para los datos dados.
b) Encuentre una aproximación de sen(.34) , usando el polinomio de interpolación de

Newton más apropiado de grado menor o igual que tres.
c) Encuentre una cota para el error en cada aproximación. Cuál de las aproximaciones
calculadas en a) y b) es mejor? ♦
Hasta aquí se han construido polinomios de grado menor o igual n para interpolar entre n + 1
puntos dados. Como cuando n aumenta el polinomio interpolante pn (x) tiene más
oscilaciones y ocurre a menudo que no aproxima bien a la función f, esto sugiere que se
intente la interpolación pero localmente, es decir, por subintervalos.
La idea es que el intervalo que se tiene para interpolar los datos se descompone en una serie
de subintervalos y se usan aproximaciones separadas para cada subintervalo, sujetas a que
las aproximaciones deben coincidir, en algún sentido, en los extremos de los subintervalos.
Este proceso de aproximación sobre subintervalos se conoce como interpolación
segmentaria o por segmentos.
__________________________________________________________________________________
4.2 INTERPOLACIÓN SEGMENTARIA CÚBICA (CUBIC SPLINES)
Dados n + 1 puntos (x 0 , f (x 0 )), (x 1, f (x 1 )),..., (x n , f (x n )) con x 0 , x 1,..., x n números distintos y f

alguna función de valor real definida en un intervalo [a,b] que contiene a los nodos
x 0 , x 1,..., x n , se trata de aproximar la función f por segmentos o tramos, como se indica a
continuación. Aquí se supone que
x0 < x1 < ... < xn
Una primera forma es aproximar la función f en cada subintervalo [x k , x k +1 ], k = 0, 1,..., n − 1 ,

mediante un polinomio lineal, lo que se conoce como interpolación segmentaria lineal.
Una segunda posibilidad es aproximar la función f en cada subintervalo
[x k , x k +1 ], k = 0, 1,..., n − 1 , mediante un polinomio cuadrático, lo que se conoce como
interpolación segmentaria cuadrática, esta vez imponiendo algunas condiciones sobre el
comportamiento de los polinomios aproximantes en cada segmento.
Finalmente tenemos la interpolación segmentaria cúbica, que es la más usada, la cual

consiste en lo siguiente:
Se aproxima la función f en cada subintervalo [xk , xk +1 ] mediante un polinomio de grado

menor o igual que tres, el cual suponemos de la forma
(k )
p3 (x) ≡ pk (x) = ak + bk (x − xk ) + c k (x − xk ) + dk (x − xk ) , k = 0,1,...,n − 1
2 3
FIGURA 4.2
Son n polinomios de grado menor o igual que tres y cada uno con cuatro coeficientes
incógnitas, así que tenemos un total de 4n incógnitas por determinar.
Las condiciones que deben satisfacer tales polinomios son:
p (x ) = f (xk ) , k = 0,1,..., n − 1
i)  k k
pn −1(xn ) = f (xn )
(Condiciones de interpolación. Estas condiciones producen n + 1 ecuaciones)
__________________________________________________________________________________
ii) pk (xk +1 ) = pk +1(xk +1 ) , k = 0,1,..., n − 2

(Condiciones de continuidad en los nodos interiores. Estas condiciones producen n − 1
ecuaciones)
iii) pk′ (xk +1 ) = pk′ +1(xk +1) , k = 0,1,..., n − 2

(Condiciones de derivabilidad en los nodos interiores. Estas condiciones producen n − 1
ecuaciones)
iv) pk′′(xk +1 ) = pk′′+1(xk +1) , k = 0,1,..., n − 2

(Condiciones de continuidad de la primera derivada en los nodos interiores: se conserva
la concavidad en la vecindad del nodo interior, a no ser que la segunda derivada sea cero
en el nodo interior. Estas condiciones dan lugar a n − 1 ecuaciones)
Hasta aquí tenemos n + 1 + 3(n − 1) = 4n − 2 condiciones.
v) Se satisface uno de los siguientes pares de condiciones de frontera:
a) p′′0 (x0 ) = 0 y pn′′−1(xn ) = 0
b) p′0 (x0 ) = f ′(x0 ) y pn′ −1(xn ) = f ′(xn )
Las condiciones dadas en a) se llaman de frontera libre (no dependen de condiciones

adicionales sobre la función f ).
Observe que en el caso a), basta tener una lista de datos (xk , yk ) con x 0 , x 1,..., x n números
distintos para poder realizar la interpolación segmentaria cúbica.
Las condiciones dadas en b) se llaman de frontera sujeta, requieren que se conozca

f ′(x0 ) y f ′(xn ) , y fijan al polinomio p 0 (x), x ∈[x0 , x1 ] , en el punto extremo x0 , y al polinomio
pn −1(x), x ∈[xn −1, xn ] , en el punto extremo xn ; como en este caso se usa más información
acerca de la función f las aproximaciones obtenidas suelen ser mas exactas. Si no se
dispone de esta información sobre f se usarán las condiciones de frontera libre o unas
buenas aproximaciones para f ′(x0 ) y f ′(xn ) .
Si definimos
T:[x 0 , xn ] → R
x → T(x) = pk (x) , si x ∈[xk , xk +1 ]
__________________________________________________________________________________
y p k (x ), k = 0, 1,..., n − 1 , satisfaciendo las condiciones i)-v), entonces T se dice un Trazador

o adaptador cúbico para f en [x 0 , x n ] . Si el Trazador cúbico satisface las condiciones v),
a), se llama natural, y si satisface las condiciones v), b) se llama de frontera sujeta. ∇
Nota: Si no se da una tabla de datos correspondiente a una cierta función f, ni condiciones

de frontera, se entiende que un Trazador cúbico es una función como se definió antes, pero
satisfaciendo las condiciones ii), iii) y iv).
Una forma de construir un Trazador cúbico para una función f en [x0 , xn ] es la siguiente:
De acuerdo con la condición i)
pk (xk ) = ak = f (xk ) , k = 0,1,..., n − 1 y pn−1(xn ) = f (xn )
y si aplicamos la condición ii), tenemos para k = 0,1,..., n − 2 ,
a k +1 = p k +1 ( x k +1 ) = p k ( x k +1 )
= ak + bk (xk +1 − xk ) + c k (xk +1 − xk ) + dk (xk +1 − xk )

2 3
Si notamos hk = x k +1 − x k , k = 0, 1,..., n − 1 , usamos que ak = f (xk ) , para k = 0,1,..., n − 1 y

definimos an = f (xn ) , entonces
ak +1 = ak + bk hk + c k hk2 + dk hk3 , k = 0,1,..., n − 1 (4.4)
(ya que an = f (xn ) = pn−1(xn ) = an−1 + bn−1hn−1 + c n−1hn−1 + dn−1hn−1 )

2 3
De otro lado pk′ (xk ) = bk para k = 0,1,...,n − 1, y si aplicamos la condición iii), obtenemos
bk +1 = pk′ +1(xk +1) = pk′ (xk +1 ) = bk + 2c k hk + 3dk hk2 , k = 0,1,...,n − 2
Si definimos bn = pn′ −1(xn ) , entonces
bk +1 = bk + 2c k hk + 3dk hk2 , k = 0,1,..., n − 1 (4.5)
( ya que pn′ −1(xn ) = bn−1 + 2c n−1hn−1 + 3dn−1hn−1 )

2
Ahora,
pk′′ (x) = 2c k + 6 dk (x − xk ) , k = 0,1,..., n − 1
entonces
pk′′(xk ) = 2c k , k = 0,1,..., n − 1
__________________________________________________________________________________
y si aplicamos la condición iv), obtenemos

2c k +1 = pk′′+1(xk +1) = pk′′(xk +1) = 2c k + 6dk hk
o sea
c k +1 = c k + 3 dk hk , k = 0,1,..., n − 2
Si definimos pn′′−1(xn ) = 2c n , entonces
c k +1 = c k + 3dk hk , k = 0,1,...,n − 1 (4.6)
( ya que pn′′−1(xn ) = 2c n−1 + 6dn−1hn−1 = 2c n o sea c n = c n−1 + 3dn−1hn−1 )
Despejando dk de la ecuación (4.6), obtenemos
c k +1 − c k
dk = , k = 0,1,..., n − 1 (4.7)
3hk
y sustituyendo en las ecuaciones (4.4) y (4.5), obtenemos
c k +1 − c k 3
ak +1 = ak + bk hk + c k hk2 + hk
3hk
o sea
hk2
a k +1 = a k + b k h k +
3
(2ck + ck +1 ) , k = 0,1,...,n − 1 (4.8)
y
c k +1 − c k 2
bk +1 = bk + 2c k hk + 3 hk
3hk
es decir,
bk +1 = bk + hk (c k + c k +1) , k = 0,1,..., n − 1 (4.9)
Despejando bk en (4.8), obtenemos
a k +1 − a k h k
bk =
hk
−
3
(2ck + ck +1) , k = 0,1,..., n − 1
(4.10)
y aumentando el índice en uno en la ecuación (4.10), se tiene que
a k + 2 − a k +1 h k +1
b k +1 =
h k +1
−
3
(2ck +1 + ck + 2 )
y sustituyendo en (4.9), se tiene que
__________________________________________________________________________________
a k + 2 − a k +1 h k +1 a − ak hk
h k +1
−
3
(2c k +1 + c k + 2 ) = k +1
hk
−
3
(2ck + ck +1 ) + hk (ck + ck +1)
o sea
a k + 2 − a k +1 a k +1 − a k h k h
h k +1
−
hk
=
3
(c k + 2c k +1 ) + k +1 (2c k +1 + c k + 2 )
3
lo que nos lleva finalmente a que
3 3
hk c k + 2(hk + hk +1 )c k +1 + hk +1c k + 2 = (ak + 2 − ak +1) − h (ak +1 − ak )
h k +1 k (4.11)
para k = 0,1,..., n − 2
En este sistema final las incógnitas son c k , k = 0,1,..., n , ya que a k = f (x k ), k = 0, 1,..., n , y

hk = xk +1 − xk , k = 0, 1,..., n − 1 , son conocidos.
Este sistema es de n − 1 ecuaciones con n + 1 incógnitas, pero si usamos las condiciones

de frontera se introducen dos nuevas ecuaciones, con lo cual obtenemos un sistema de
n + 1 ecuaciones con n + 1 incógnitas. La pregunta que surge es si este sistema tiene
solución y si la tiene saber si es única. La respuesta la dá el siguiente teorema.
Teorema 4.4 Si f es una función de valor real definida en un intervalo [a,b], entonces f tiene
un único Trazador cúbico natural T en [a,b], o sea un trazador cúbico T que satisface las
condiciones T ′′(a) = 0 y T ′′(b) = 0 .
Demostración: Haciendo a = x 0 < x1 < ... < xn = b y usando las condiciones de frontera
libre
2c 0 = p0′′ (a) = T ′′(a) y 2cn = pn′′−1(b) = T ′′(b)
obtenemos c 0 = 0 y c n = 0 .
Estas dos ecuaciones junto con las ecuaciones en (4.11) nos producen un sistema lineal
AX = b de n + 1 ecuaciones con n + 1 incógnitas, donde
 1 0 0 0 " 0 
   c0 
 h0 2(h 0 + h1 ) h1 0 0   
 c1 
0 h1 2(h1 + h 2 ) h 2 0  c 
  2
A= ! !  , X= 
 ! 
0  c 
 
0 " hn − 2 2(hn − 2 + hn −1 ) h n −1   n −1 
 
   cn 
0 " " 0 0 1 
__________________________________________________________________________________
 0 
 3 3 

h1
(a 2 − a1 ) −
h0
(a1 − a 0 ) 
 
 3 3 
b= h2
( a 3 − a 2 ) −
h1
( a 2 − a 1 ) 
 
 ! 
3 3

 h n −1
(a n − a n −1 ) −
hn − 2
(an −1 − an − 2 )

 
 0 
Como se ve la matriz A de coeficientes de este sistema es tridiagonal estrictamente

dominante diagonalmente por filas, en consecuencia el sistema dado tiene solución única
para c 0 , c 1,..., c n .
Conocidos los valores de c 0 , c 1,..., c n , podemos obtener los valores b 0 , b1,... bn−1 usando las
ecuaciones (4.10) y los valores de d0 , d1,... dn−1 usando las ecuaciones (4.7), con lo cual se
obtiene el único Trazador cúbico T(x) . ∇
También se tiene el siguiente resultado:
Teorema 4.5 Si f está definida en [a,b], entonces f tiene un único Trazador cúbico T en [a,b],
que satisface T ′(a) = f ′(a) y T ′(b) = f ′(b) .
En este caso los valores de c 0 , c 1,..., c n se determinan encontrando la única solución del
sistema tridiagonal AX = b , donde
 2h 0 h0 0 0 " 0 
   c0 
 h0 2(h 0 + h1 ) h1 0 0   
 c1 
 0 h1 2(h1 + h 2 ) h 2 0  c 
  2
A= ! !  , X= 
 ! 
0  c 
 
 0 " hn − 2 2(hn − 2 + hn −1 ) h n −1   n −1 
 
   cn 
 0 " " 0 h n −1 2hn −1
 3 

h
(a1 − a0 ) − 3f ′(a) 
 0 
 3 3
 h1
(a2 − a1) − h (a1 − a0 ) 
0
 
 
b= ! 
 
 
 3
 h (an − an −1 ) − h
3
(an−1 − an−2 )
 n −1 n−2 
3

 3 f ′ ( ) h ( n n−1 )
b − a − a 

 n −1 
__________________________________________________________________________________
que tiene, como en el teorema anterior, matriz de coeficientes estrictamente dominante

diagonalmente por filas. ∇
Conocidos los puntos (x 0 , f (x 0 )), (x 1, f (x 1 )),..., (x n , f (x n )) , un algoritmo para encontrar un

Trazador cúbico para f en [x0 , xn ] , debe empezar por hacer: a k = f (x k ), k = 0, 1,..., n ,
calcular hk = x k +1 − x k , k = 0, 1,..., n − 1 , resolver el sistema AX = b correspondiente y obtener
a k , b k , c k y dk , k = 0 , 1,..., n − 1 .
Recuerde que para cada k = 0, 1,..., n − 1 ,
pk (x) = ak + bk (x − xk ) + c k (x − xk ) + dk (x − xk )
2 3
es el polinomio interpolante para f en [xk , xk +1] .
Ejemplo 4.5 Dada la función f definida por f (x) = 3 xe x − 2e x y la tabla siguiente:
k xk f (xk )
0 1.00 2.718282
1 1.05 3.286299
2 1.07 3.527609
3 1.10 3.905416
TABLA 4.4
Encontrar el Trazador cúbico natural T para f en [1.0,1.10] y usarlo para estimar f (103
. ).
Solución: Como los nodos x 0 , x 1, x 2 y x 3 no están igualmente espaciados, debemos

empezar encontrando h 0 , h1 y h 2 :
De acuerdo con los datos de la tabla, se tiene que
h0 = x1 − x0 = .05, h1 = x2 − x1 = .02, h 2 = x3 − x2 = .03
Ahora, como p′′0 (x0 ) = 2c 0 = 0 y p2′′ (x3 ) = 2c 3 = 0 , entonces c 0 = 0 y c 3 = 0 , así que

debemos resolver el siguiente sistema:
 c0 =0

3
 .05c 0 + 2(.07 )c1 + .02c 2 = (3.527609 − 3.286299) − 3 (3.286299 − 2.718282)
 .02 .05

3
 .02c 1 + 2(.05)c 2 + .03c 3 = (3.905416 − 3.527609) − 3 (3.527609 − 3.286299)
 .03 .02
 c3 =0

La solución de este sistema es

__________________________________________________________________________________
c 0 = 0 , c1 = 13.22529 , c 2 = 13.19694 , c 3 = 0
Usando las ecuaciones (4.10), obtenemos
b0 = 1113992
. , b1 = 1180118
. , b 2 = 12.32963
y usando las ecuaciones (4.7), obtenemos
d0 = 88.16863 , d1 = −.4725490 , d2 = −146.6327
y como
a 0 = 2.718282 , a1 = 3.286299 , a2 = 3.527609
(ya que a k = f (x k ), k = 0, 1,..., n ), entonces el Trazador cúbico natural T para f en [x0 , x3 ] es
T:[x0 ,x3 ] → R
→ T(x) = pk (x) = ak + bk (x − xk ) + c k (x − xk ) + dk (x − xk ) ,
2 3
x
si x ∈[xk ,xk +1 ] , k = 0,1,2
siendo
p 0 (x) = 2.718282 + 1113992(x − 100

. ) + 0(x − 100
. ) + 88.16863(x − 100
. ) ,
2 3
.
p1(x) = 3.286299 + 1180118 (x − 105

. ) + 13.22529(x − 105
. ) − .4725490(x − 105
. ) ,
2 3
.
p 2 (x) = 3.527609 + 12.32963(x − 107

. ) + 13.19694(x − 107
. ) − 146.6327(x − 107
. )
2 3
. ∈[10
Como x = 103 . ] , entonces
. ,105
f (103
. ) ≈ T(103
. ) = p 0 (103
. )
= 2.718282 + 1113992
. (103 . ) + 88.16863(103
. − 100 . )
. − 100
3
= 3.054860.
Instrucción en DERIVE: Dados los n + 1 puntos M:= [ [x0 , y 0 ],[x1, y1],...,[xn , yn ] ] :

TRAZADOR( M ): Simplifica o aproXima en el Trazador cúbico natural correspondiente a los
[[ ][ ] [
datos dados en la matriz M. El resultado es la matriz x , p 0 (x) , x , p1(x) ,..., x , pn −1(x) . ]]
Después de aproximar el TRAZADOR( M ), se puede graficar el resultado, entrando los
números xk y xk +1 , correspondientes a los extremos del dominio del polinomio pk (x) , para
cada k, cuando DERIVE le solicite los valores Min y Max. Para el ejemplo anterior, tome la
[
matriz M:= [10
. , 2.718282],[105
. , 3.286299],[107
. , 3.527609 ],[110
. , 3.905416] y aproXime la ]
expresión TRAZADOR ( M ). ◊
__________________________________________________________________________________
Como ejercicio use el polinomio interpolante de Newton para f en los datos dados en el
ejemplo 4.5, para estimar f (103
. ) y compare el resultado con el obtenido usando el Trazador
cúbico natural. ♦
Dados cuatro o menos puntos, sabemos que existe un único polinomio de grado tres o
menor que interpola a los datos dados, así que usaremos Trazadores cúbicos cuando
tengamos cinco o más puntos.
Ejemplo 4.6 Determine todos los valores de a, b, c, d y e para los cuales la siguiente función
es un Trazador cúbico
a (x − 2)2 + b (x − 1)3 , x ∈ (− ∞,1]


T (x ) = c (x − 2) , x ∈ [1,3]
2

d (x − 2) + e (x − 3 ) , x ∈ [3,+∞ )
2 3
Además, determine los valores de los parámetros de modo que el trazador interpole la
siguiente tabla
x 0 1.0 4.0
y 26.0 7.0 25.0
Solución: Para que T(x) sea un trazador cúbico en (−∞,+∞) , debe satisfacer:
i) T(x) debe ser continua en todo punto de (−∞,+∞) , y como lo es en (−∞,1) , (1,3) y (3,+∞) ,
por ser polinómica en cada uno de estos intervalos, debemos imponer condiciones para
que sea continua en los números 1 y 3. Debe tenerse que
lim T(x) = T(1) = lim T(x) y lim T(x) = T(1) = lim T(x)
x→1− x→1+ x→3 − x→ 3 +
es decir,
a(1 − 2) + b(1 − 1) = T(1) = c(1 − 2) y c(3 − 2) = T(3) = d(3 − 2) + e(3 − 3 )

2 3 2 2 2 3
o sea que debe tenerse a = c y c = d .
ii) T(x) debe ser derivable en todo punto de (−∞,+∞) , y como lo es en (−∞,1) , (1,3) y
(3,+∞) , por ser polinómica en cada uno de estos intervalos, debemos imponer
condiciones para que sea derivable en los números 1 y 3, lo cual se tiene si
T−′ (1) = T+′ (1) y T−′ (3) = T+′ (3)

es decir, si
2a(1 − 2) + 3b(1 − 1) = 2c(1 − 2) y 2c(3 − 2) = 2d(3 − 2) + 3e(3 − 3 )

2 2
__________________________________________________________________________________
o sea, si −2a = −2c y 2c = 2d , o equivalentemente si a = c y c = d , que como vemos

son las mismas condiciones obtenidas en i).
iii) T(x) debe tener primera derivada continua en todo punto de (−∞,+∞) , y como la derivada
es continua en (−∞,1) , (1,3) y (3,+∞) , por ser polinómica en cada uno de estos intervalos,
sólo hay que considerar los casos x = 1 y x = 3 , es decir, debe tenerse
T ′′(1) = 2a + 6b(1 − 1) = 2c y T ′′(3) = 2d + 6e(3 − 3) = 2c , o sea a = c y c = d .
Hasta aquí, sin condiciones de interpolar una tabla de datos dada, los coeficientes a, b, c, d y
e del Trazador cúbico T(x) , deben satisfacer a = c = d y b, e arbitrarios.
Para que el Trazador cúbico interpole la tabla de datos dada, los parámetros a, b, c, d y e
deben satisfacer las siguientes ecuaciones
T(0 ) = a(0 − 2) + b(0 − 1) = 26

2 3
T(1) = a(1 − 2) + b(1 − 1) = c(1 − 2) = 7

2 3 2
T(4 ) = d(4 − 2) + e(4 − 3) = 25

2 3
lo que nos conduce al siguiente sistema lineal
4a − b = 26

a = c = 7
4d + e = 25

cuya solución es
a = c = 7, b = 2 y e = −3
Pero de las condiciones obtenidas antes, se tiene que a = c = d , así que en definitiva el
Trazador cúbico que interpola la tabla de datos dada es
7(x − 2)2 + 2(x − 1)3 , x ∈ (−∞,1]



T(x) = 7(x − 2) , x ∈[13, ]
2

7(x − 2) − 3(x − 3) , x ∈[3,+∞)
2 3

Es el Trazador cúbico obtenido un Trazador cúbico natural?
Como T ′′(1) = 14 ≠ 0 , entonces el Trazador cúbico obtenido no es natural. ♦

__________________________________________________________________________________
4.3 AJUSTE DE UN POLINOMIO POR MÍNIMOS CUADRADOS (REGRESIÓN

POLINOMIAL)
Hasta ahora hemos estudiado el problema de aproximar una función y = f (x) por un
polinomio interpolante a partir de una serie de datos conocidos
(x 0 , f (x 0 )), (x 1, f (x 1 )),..., (x n , f (x n )) .
En esta parte se estudiará el siguiente problema:
Supongamos que existe una relación funcional y = f (x) entre dos cantidades x e y, con f
desconocida y se conocen valores y k que aproximan a f (xk ) , es decir,
f (x k ) = y k + ∈k , k = 0, 1,..., n
con ∈k desconocido.
Se trata de recuperar la función f a partir de los datos aproximados y k , k = 0, 1,..., n .
Este problema se conoce como un problema de "ajuste de datos" o "ajuste de curvas"

(caso discreto). Trabajaremos básicamente el caso en el que f es una función polinómica.
Si f es una función polinómica, digamos f (x) = pm (x) , entonces el problema se convierte en:
Dados n + 1 puntos (x 0 , y 0 ), (x 1, y 1 ),..., (x n , y n ) con x 0 , x 1,..., x n números reales distintos, se
trata de encontrar un polinomio
p m (x ) = a 0 + a1x + ... + a m x m , con m < n
que "mejor se ajuste" a los datos. Lo de "mejor ajuste" se entenderá en el sentido de que
1
 n 22
 ∑(
k = 0
p m (x k ) − y k ) 

sea mínimo, es decir, que
∑ (p (x ) − y )
2
m k k
k =0
sea mínimo.
Este criterio de mejor ajuste, como ya se mencionó antes, se conoce como mínimos
cuadrados, y el método para obtener los polinomios que mejor se ajustan según mínimos
cuadrados se llama Regresión polinomial.
4.3.1 Regresión polinomial: Supongamos que se conocen los datos

(x 0 , y 0 ), (x 1, y1 ),..., (x n , y n ) , con x 0 , x 1,..., x n números distintos y se desea encontrar un
polinomio
__________________________________________________________________________________
pm (x) = a 0 + a1x+...+ am xm , con m < n

tal que
n n
∑( ) ∑ (a0 + a1xk + a2 xk2 +...+am xk m − yk )

2
S(a 0 , a1,..., am ) = p m ( xk ) − y k
2
=
k =0 k =0
sea mínima.
El grado m del polinomio pm (x) se puede escoger previamente con base en algún resultado
teórico, alguna expectativa o por la aplicación que se le pretenda dar al polinomio. En
cualquier caso estamos "libres" de elegir el grado que parezca mejor. En muchos casos el
grado será uno y el polinomio obtenido se llamará la recta que mejor se ajusta o la recta de
mínimos cuadrados para la tabla de datos.
Volviendo a la función S (a 0 , a 1,..., a m ) , una condición necesaria para la existencia de un

mínimo relativo de esta función es que las derivadas parciales de S (a 0 , a 1,..., a m ) con
respecto a a j , j = 0,1,..., m sean cero.
Resultan entonces las siguientes m + 1 ecuaciones lineales en las incógnitas a0 , a1,..., am :
∑( )
∂S
= 2 a 0 + a1xk + a 2 xk2 +...+am xkm − y k = 0
∂ a0 k =0
∑(
n
∂S
=
∂ a1 k = 0
2 a 0 + a1xk + a 2 xk2 +...+ am xk − y k (xk ) = 0
m
)
n
∑( )( )
∂S
= 2 a 0 + a1xk + a 2 xk2 +...+am xkm − y k xk2 = 0
∂ a2 k =0
! !
n
∑( )( )
∂S
= 2 a 0 + a1xk + a 2 xk2 +...+am xkm − y k xkj = 0
∂ a j k =0
! !
n
∑( )( )
∂S
= 2 a 0 + a1xk + a 2 xk2 +...+am xkm − y k xm
k =0
∂ am k = 0
Si en las ecuaciones anteriores cancelamos el 2, desarrollamos los paréntesis y usamos que

n
∑ a = (n + 1)a
k =0
0 0 , obtenemos
__________________________________________________________________________________
  n   n m n
 (n + 1)a0 +  ∑ xk  a1 + ... +  ∑ xk  am = yk ∑
  k =0   k=0  k =0

  n   n 2  n m +1  n



 ∑ x
 k =0 
 a
k 0 + 
 x
 k =0 
 a
k 1 +∑... + 

 k =0
x k
 a
 m

=
k =0
xk y k ∑ ∑


 !

  n    n   n n
 
 ∑ x
 k =0 
j
a
k 0 + 

 k =0
x1+ j 
k  1

∑a + ... + 

 k =0
x m+ j 
k  m

a = ∑
xkj y k ∑
 k =0


 !

  n m  n 1+m   n 2m  n



∑ x
 k =0 
 a
k  0 + 

 k =0
x k
 a
 1

∑+ ... + 

 k =0
x  a
k  m

=
k =0
xm
k yk ∑ ∑
Este es un sistema de m + 1 ecuaciones lineales en las m + 1 incógnitas a 0 , a1,..., a m , que

se llama sistema de ECUACIONES NORMALES. Este sistema de ecuaciones normales se
puede escribir en forma simplificada como sigue:
m n n
∑a ∑x
i= 0
i
k =0
i+ j
k = ∑x y
k =0
j
k k , j = 0,1,..., m
Estas ecuaciones se pueden reproducir a partir de
pm (xk ) = a0 + a1xk +...+ am xm

k = yk
j
multiplicando a ambos lados por xk , j = 0,1,..., m ,
a 0 xkj + a1x1k+ j +...+ am xm

k
+j
= xkj y k
y luego sumando sobre k
n n n m
a0 ∑
k =0
xkj + a1 ∑
k =0
x1k+ j +...+ am ∑
k =0
xm
k
+j
= ∑x y
k =0
j
k k , j = 0,1,..., m
La matriz de coeficientes del sistema de ecuaciones normales es simétrica y no singular,

siempre que las xk , k = 0,1,..., n , sean distintas, por lo tanto el sistema tiene solución única.
Aunque la matriz puede estar mal condicionada cuando m es grande.
__________________________________________________________________________________
Para ver que la matriz A de coeficientes del sistema de ecuaciones normales es no-singular,
mostraremos que la matriz
 1 x0 x 02 " xm 
 0

 1 x1 x12 " m
x1 
B = ! ! ! ! 

 
 m
 1 xn xn2 " xn 
es tal que B TB = A y B tiene todas sus columnas linealmente independientes.
En efecto:
 1 1 " 1
  1 x0 x 02 " xm 
 x0 x1 " xn   2
0
m

1 x1 x1 " x1 
B TB =  x 20 x12 " xn2  ! !
 
 ! ! 
 ! ! !   
 m m  1 xn xn2 " xnm  ( n +1) × ( m +1)
 x0 x1m " xn  ( m +1) × ( n +1)
 n n n 
 n+1

∑x
k =0
k ∑x
k =0
2
k " ∑x
k =0

m
k

 n n n n 

 ∑ xk ∑ xk2 ∑x 3
k " ∑ xmk
+1 

 k = 0 k =0 k =0 k=0 
B TB =  n n n n =A
m+2 
 ∑ xk2 ∑x 3
k ∑x 4
k " ∑ xk 
 k =0 k =0 k =0 k =0 
 ! ! ! ! 
 n n n n 

 ∑
 k =0
xm
k ∑x
k =0
m +1
k ∑x
k =0
m+ 2
k "
k=0
∑ xk2m 
 ( m +1) × ( m +1)
Ahora, las columnas de B son
 1  x0   x20   xm 
     2  m0

 1  x1   x1   x1 
X0 = , X 1 =   , X 2 =   ,..., X m =   con x0 , x1,..., xn distintos y m < n
 ! !
     !  ! 
 1  xn   2  m
 n
x  xn 
Sean c 0 , c 1,..., c m ∈ R tales que c 0 X 0 + c1X 1 +...+ c m X m = 0 y veamos que

c 0 = c1 =... = c m = 0 .
Como
__________________________________________________________________________________
 1  x0   x 02   xm 
       0 
2 m
 1 x  x  x 
c 0 X 0 + c 1X 1 + c 2 X 2 + ... + c m X m = c 0   + c 1  1  + c 2  1  + ... + c m  1 
! !  !   ! 
   
1 x  x2   xm 
   n  n  n 
 c 0 + c 1x 0 + c 2 x 02 + ... + c m x m  0
 0 
 
2 m
 c 0 + c 1x 1 + c 2 x 1 + ... + c m x 1   0 
=  = !
 !   
 c + c x + c x 2 + ... + c x m   0 
 0 1 n 2 n m n   
entonces
c 0 + c1x0 + c 2 x02 +...+ c m xm
0 =0

2 m
c 0 + c1x1 + c 2 x1 +...+ c m x1 = 0
 (4.12)
 !
 2 m
c 0 + c1xn + c 2 xn +...+c m xn = 0
y si qm (x) = c 0 + c1x + c 2 x 2 +...+ c m xm con m < n y no todos los coeficientes nulos,

entonces el sistema (4.12) dice que la ecuación polinómica qm (x) = 0 tiene por lo menos n
raíces distintas x0 , x1,...., xn (m < n) , lo cual es imposible.
Así que c 0 = c1 =... = c m = 0 y entonces las columnas de la matriz B son linealmente

independientes, y usando el hecho de que rango de BT B = rango de B, entonces la matriz
A = B TB es invertible, lo que implica que el sistema de ecuaciones normales tiene solución
única. De este modo se garantiza la existencia de un único polinomio de ajuste según
mínimos cuadrados, si x 0 , x1,..., xn son todos distintos. ∇
En el caso particular en que m = 1, p1(x) = a0 + a1x es la recta de mínimos cuadrados

donde a 0 y a1 se obtienen resolviendo el sistema lineal de dos ecuaciones con dos
incógnitas
  n 0  n 1 n



∑ x
 k =0 
k
 a0 + 
  ∑ x
 k =0 
k
 a1 =
 ∑
k =0
yk
 # %$% &
 n+1


 n 1  n 2 n



∑ x
 k =0 
k
 a0 + 
 ∑ x
 k =0 
k
 a1 =
 ∑ xk y k
 k =0

(No se recomienda usar la regla de Cramer para resolver el sistema anterior, porque la regla
de Cramer es fuertemente inestable)
__________________________________________________________________________________
Una manera de medir el error para estimar la bondad del ajuste según mínimos cuadrados,
es a través de:
∑ (p (x ) − y )
2
i) El error E = m k k ,o
k=0
1
 n 2

∑ (p (x ) − y k )2
 k =0 m k


ii) El error cuadrático medio E R M S =  .
 n+1 
 
 
Ejemplo 4.7 Dada la tabla siguiente
k xk yk
0 0 −1
1 2 0
2 3 2
3 5 1
TABLA 4.5
1) Encuentre:
a) La recta de mínimos cuadrados para la tabla y su error E y E R M S .

b) La parábola de mínimos cuadrados para la misma tabla y su error E y E R M S .
2) Cuál será el polinomio cúbico de mínimos cuadrados para dicha tabla? Cuál es su error E
y ER MS ?
Solución: Para dar respuesta a la pregunta 1) debemos resolver dos sistemas de

ecuaciones lineales:
Para la parte a) la recta es p1(x) = a0 + a1x donde a 0 y a1 se obtienen resolviendo el

sistema
 3   3 1 3
 ∑ x 0
 k = 0 
k a 0 + ∑

 x
 k =0 
k
 a1 =
 ∑
k =0
yk

 (4.13)
 3
   3 2 3
 ∑ x1
k  a 0 + ∑

 x k
 a1 =
 ∑ xk y k
 k = 0   k=0  k =0
Para la parte b) la parábola es p 2 (x) = b 0 + b1x + b 2 x 2 donde b 0 , b1 y b 2 se determinan

resolviendo el sistema
__________________________________________________________________________________
  3 0  3 1  3 2 3



∑ x
 k =0 
 b
k 0 + 
 ∑ xk  b1 +
 k =0 

 ∑ xk  b 2
 k =0 
= ∑y
k =0
k


  3 1  3 2  3 3 3



∑ x
 k =0 
 b
k 0 + 
 ∑ xk  b1 +
 k =0 

 ∑ xk  b 2
 k =0 
= ∑x y k k (4.14)
k =0


  3 2  3 3  3 4 3



∑ xk  b 0 + 
 k =0 
 ∑ xk  b1 +
 k=0 

 ∑ xk  b 2
 k =0 
= ∑x y
k =0
2
k k


Una manera conveniente de disponer todas las sumatorias necesarias para los dos sistemas
es como se muestra en la siguiente tabla
k xk xk2 xk3 xk4 yk xk y k xk2 y k

0 0 0 0 0 -1 0 0
1 2 4 8 16 0 0 0
2 3 9 27 81 2 6 18
3 5 25 125 625 1 5 25
3
∑
k =0
10 38 160 722 2 11 43
TABLA 4.6
De modo que los sistemas (4.13) y (4.14) son
 4a 0 + 10a1 = 2 (4.13')

10a 0 + 38a1 = 11
 4b 0 + 10b1 + 38b 2 = 2

 10b 0 + 38b1 + 160b 2 = 11 (4.14')
 38b + 160b + 722b = 43
 0 1 2
17 6
La solución del sistema (4.13') es a 0 = − , a1 = , y la solución del sistema (4.14') es
26 13
15 101 1
b0 = − , b1 = y b 2 = − . Luego la recta de mínimos cuadrados para los datos dados
13 78 6
6
es p1(x) = − 17 + x , y el polinomio cuadrático de mínimos cuadrados para los datos dados
26 13
15 101 1
es p 2 (x) = − + x − x2 .
13 78 6
__________________________________________________________________________________
La TABLA 4.7 siguiente, muestra los valores de p1(xk ) y p 2 (xk ) , k = 0,12

, ,3 , llamados datos
suavizados, y las diferencias yk − p1(xk ) , yk − p2 (xk ) .
xk 0 2 3 5
yk −1 0 2 1
p1(xk ) − .654 .269 .731 1.65
yk − p1(xk ) − .346 − .269 1.27 − .65
p 2 ( xk ) −115
. .769 1.23 1.15
y k − p 2 ( xk ) .15 − .769 .77 − .15
TABLA 4.7
El error para la recta de mínimos cuadrados es
∑ (p (x ) − y ) = (−.346) + (−.269) + (127

. ) + (−.65)
2 2 2 2 2
E= 1 k k ≈ 2.23
k=0
y el error cuadrático medio es
1
 3 2

∑ (p (x ) − y k )2
 k =0 1 k


1
 2.23  2
ER M S =  ≈  ≈ .747
 4   4 
 
.  
Análogamente, para la parábola de mínimos cuadrados se obtiene que
1
 3 2
3

∑ (p (x ) − y k )2
 k =0 2 k


E= ∑ (p 2 (x k ) − y k )2 ≈ 1.23
k =0
y ER M S =
 4
 ≈ .555

 
 
Para la respuesta a la pregunta 2), recordemos que hay un único polinomio de grado menor
o igual que tres que pasa por los cuatro puntos dados y es el polinomio de interpolación, así
que el polinomio cúbico de mínimos cuadrados debe ser este polinomio. El polinomio de
interpolación para los datos dados es
11 2 4 3
p 3 (x) = −10
. − 2.1x + x − x
6 15
que se puede obtener usando, por ejemplo, diferencias divididas. Es claro que el error
E = 0 y el error ERMS = 0 .
__________________________________________________________________________________
Un dibujo de los puntos dados, la recta, la parábola y el polinomio cúbico según mínimos
cuadrados, se muestra en la FIGURA 4.3 siguiente. ♦
FIGURA 4.3
4.3.2 Regresión exponencial, logarítmica y de potencia: Aunque la regresión polinomial

es la más usada, también hay casos de interés en los cuales la relación funcional entre las
variables x y y es de alguno de los tipos siguientes:
y = a + b ln x ( Regresión logarítmica ) (4.15)

y = aebx ( Regresión exponencial ) (4.16)
y = ax b
(Regresión de potencia) (4.17)
Estos problemas se tratan como un problema de ajuste lineal, así: En el caso (4.15), lineal
entre las variables ln x e y; en el caso (4.16), como y = aebx ⇔ ln y = ln a + bx , se trata como
un caso lineal entre las variables x y ln y ; en el caso (4.17), como y = axb ⇔ ln y = ln a + b ln x ,
se trata como un caso lineal entre las variables ln x y ln y .
Las soluciones para a y b en el caso (4.15), para lna y b en los casos (4.16) y (4.17),
pueden encontrarse modificando apropiadamente las ecuaciones obtenidas en el caso de
regresión lineal. Debe tenerse en cuenta que la aproximación obtenida de esta manera no
es la aproximación de mínimos cuadrados del problema inicial y que, incluso, esta
aproximación puede, en algunos casos, diferir significativamente de la aproximación de
mínimos cuadrados del problema original.
Ejemplo 4.8 Encuentre la recta logarítmica y = a + b ln x para la siguiente tabla

__________________________________________________________________________________
k xk yk
0 29 1.6
1 50 23.5
2 74 38.0
3 103 46.4
4 118 48.9
TABLA 4.8
y úsela para estimar el valor de y cuando x = 80 .
Solución: Para encontrar los valores de a y b , hacemos zk = ln xk , k = 0,12

, ,3,4 , y
resolvemos el siguiente sistema
  4  4


5a + ∑ zk  b =
 k =0 
∑
k =0
yk


 4
   4 2 4
 ∑ z 
k a + 
∑ z k
 b =∑ zk y k
 k = 0   k =0  k=0
Para calcular los coeficientes a y b , modificamos los datos dados como se indica en la
TABLA 4.9. Los datos suavizados, que aparecen en la última columna de la TABLA 4.9, se
obtienen una vez que se conoce la recta logarítmica, que en este caso es
y = −111123688
. + 34.019025lnx
k xk zk = ln xk zk2 yk zk y k Datos suavizados

0 29 3.367296 11.338682 1.6 5.387674 3.428433
1 50 3.912023 15.303924 23.5 91.932541 21.959520
2 74 4.304065 18.524976 38.0 163.55447 35.29641
3 103 4.634729 21.480713 46.4 215.051426 46.545273
4 118 4.770685 22.759435 48.9 233.286497 51.170352
4
∑
k =0
374 20.988798 89.40773 158.4 709.212608 ERMS ≈ 1907944
.
TABLA 4.9
De acuerdo con la TABLA 4.9 el sistema a resolver es
 5 a + 20.988798b = 158.4

 20.988798 a + 89.40773b = 709.212608
La solución del sistema es

a = −111123688
.
b = 34.019025
__________________________________________________________________________________
así que la recta logarítmica es y = −111123688

. + 34.019025lnx . Si x = 80 , entonces
y = −111123688
. + 34.019025ln80 = 37.835394 . ♦
Ejercicio 4.4 Encuentre la curva y = aebx usando mínimos cuadrados para la TABLA 4.10
siguiente. Úsela para calcular el valor de y cuando x = 16 . Cuál es el error E?
xk 6.9 12.9 19.8 26.7 35.1

yk 21.4 15.7 12.1 8.5 5.2
TABLA 4.10
Ejercicio 4.5 Encuentre la curva y = axb usando mínimos cuadrados para la TABLA 4.11
siguiente y úsela para calcular el valor de y cuando x = 36 . Cuál es el error ?
xk 28 30 33 35 38
yk −2410 −3033 −3895 −4491 −5717
TABLA 4.11
TALLER 4.
1. Use la forma de Lagrange del polinomio interpolante para encontrar los polinomios
interpolantes más apropiados de grados uno, dos y tres para aproximar f (.2) , a partir de
los siguientes datos
x −.2 .1 .3 .7
f (x) −.163746 .110517 .404958 1.40963
2. Use la forma de Lagrange del polinomio interpolante y todos los datos de la tabla siguiente,
para aproximar f (125
. ) . La función que se está aproximando es f (x) = e x
2
−1
. Use esta
información para encontrar una cota teórica para el error en esta aproximación.
x 1.0 1.1 1.2 1.3 1.4

f (x) 1.00000 1.23368 1.55271 1.99372 2.61170
3. Suponga que se desea construir una tabla de valores para la función f (x) = senx , en el
 π
dominio 0,  , con tamaño de paso h. Si se usa interpolación lineal con cada dos datos
 2
consecutivos de la tabla, y suponemos que el error total, incluyendo el efecto de los
−6
errores de redondeo en las entradas de la tabla, es a lo más de 10 . Cuál es el valor
__________________________________________________________________________________
más grande posible para h, y cuántas cifras decimales se deben usar para los datos de la
tabla?
4. Demuestre que
n
∑ L (x) = 1
j= 0
j para toda x
donde cada L j (x) es el polinomio fundamental de Lagrange de grado n, correspondiente

a n + 1 números x 0 , x 1,..., x n .
Sugerencia: Considere la forma de Lagrange del polinomio interpolante de grado menor

o igual que n para la función f (x) ≡ 1 .
n
5. Sea w(x) = ∏ (x − x ) .
k =0
k Demuestre que el polinomio interpolante de grado menor o igual
que n para una función f en los nodos x 0 , x 1,..., x n , puede escribirse como
n
f (x k )
pn (x) = w(x) ∑ ( x − x )w ′ ( x )
k =0 k k
1
6. Para la función f (x) = , − 5 ≤ x ≤ 5 , genere el polinomio interpolante pn (x) usando
1 + x2
n + 1 nodos igualmente espaciados en el intervalo [−5,5] . Calcule pn (x) para distintos
valores de n y grafíquelos junto con la función f. Es cierto que
Max f (x) − pn (x) → 0 cuando n → ∞?
x∈[−5,5 ]
7. Encuentre un polinomio que tome los siguientes valores
x 1 2 0 3
y 3 2 −4 5
8. Encuentre las formas de Lagrange y de Newton del polinomio interpolante para los
siguientes datos
x −2 0 1
f (x) 0 1 −1
Escriba ambos polinomios en la forma a + bx + cx2 para verificar que éllos son idénticos.
__________________________________________________________________________________
9. Use la forma deLagrange y la forma de Newton del polinomio interpolante para encontrar
los polinomios interpolantes más apropiados de grado dos, para aproximar f (.4) y f (.6) a
partir de los siguientes datos, y calcule la aproximación en cada caso
x .1 .3 .5 .7 1.0
f (x) 11.052 4.4995 3.2974 2.8768 2.7183
10. Demuestre que si (z 0 , z1,..., zn ) es una permutación de (x 0 , x 1,..., x n ) , entonces

f [z0 ,z1,...,zn ] = f [x0 ,x1,..., xn ].
Sugerencia: Use la unicidad del polinomio interpolante.
11. Los siguientes datos son tomados de un polinomio de grado menor o igual que cinco.
Cuál es dicho polinomio y cuál es su grado?
x −2 −1 0 1 2 3
y −5 1 1 1 7 25
12. Verifique que el polinomio p(x) = 2 − (x + 1) + x(x + 1) − 2x(x + 1)(x − 1) interpola los
primeros cuatro puntos de la tabla siguiente:
x −1 0 1 2 3
y 2 1 2 −7 10
Adicionando únicamente un término al polinomio p(x) , encuentre un polinomio que

interpole la tabla completa.
13. Encuentre el polinomio de menor grado que pasa por los puntos (12
, ) , (21
, ) , (3,12) y
(7,146) .
14. Un vehículo que viaja en una carretera recta es cronometrado en algunos puntos. Los
datos de las observaciones se dan en la siguiente tabla donde el tiempo está dado en
segundos y la distancia en metros
Tiempo 0 3 5 8
Distancia 0 225 383 623
Encuentre el polinomio que interpola estos datos y úselo para aproximar la distancia, la
velocidad y la aceleración del vehículo a los seis segundos.
__________________________________________________________________________________
15. Determine todos los valores de a, b y c tales que
 3 + x − 9x 3 , x ∈ [0,1]
T (x ) = 
 a + b (x − 1) + c (x − 1)2 + d (x − 1)3 , x ∈ [1,2]
es un Trazador cúbico con nodos 0, 1, 2.
Ahora, determine el valor de d tal que
∫ [T ′′(x)] dx
2
sea mínima. Finalmente, encuentre el valor de d que haga de T un Trazador cúbico

natural en [0,2] , y explique por qué este valor es distinto del obtenido previamente.
16. Determine si el Trazador cúbico natural que interpola la siguiente tabla
xk 0 1 2 3
yk 1 1 0 10
es o no la función
 1 + x − x3 , x ∈[0,1]


T(x) =  1 − 2(x − 1) − 3(x − 1) + 4(x − 1) , x ∈[1,2]
2 3

 4(x − 2) + 9(x − 2) − 3(x − 2) , x ∈[2,3]
2 3
17. Determine si la siguiente función es un Trazador cúbico natural
 2(x + 1) + (x + 1)3 , x ∈[−10

, ]


T(x) =  3 + 5 x + 3 x 2 , x ∈[0,1]

 11 + 11(x − 1) + 3(x − 1) − (x − 1) , x ∈[12
, ]
2 3
18. Cuáles propiedades de un Trazador cúbico natural posee la siguiente función y cuáles
no?
 (x + 1) + (x + 1)3 ,
 x ∈[−10
, ]
T(x) = 
 4 + (x − 1) + (x − 1) , x ∈[0,1]
3
__________________________________________________________________________________
19. Determine los coeficientes a, b, c y d tales que la función
 1 − 2 x, x ∈ (−∞,−3]

S(x) =  a + bx + cx2 + dx 3 , x ∈[−3,4]

 157 − 32x, x ∈[4,+∞)
es un Trazador cúbico natural para el intervalo [−3,4] .
20. Se pueden definir a y b de modo que la función
 (x − 2)3 + a(x − 1)2 , x ∈ (−∞,2]



T(x) =  (x − 2) − (x − 3 ) , x ∈[2,3 ]
3 2

 (x − 3) + b(x − 2) , x ∈[3,+∞)
3 2

sea un Trazador cúbico natural en (−∞,+∞) ? Por qué sí o por qué no?
21. Qué valores de a, b, c y d hacen de la siguiente función un Trazador cúbico?
 x3 , x ∈[−10
, ]
T(x) = 
 a + bx + cx + dx , x ∈[0,1]
2 3
b
22. Construya la aproximación de mínimos cuadrados de la forma y = ax para la siguiente
tabla, y calcule su error E.
xk 4.0 4.2 4.5 4.7

yk 102.56 113.18 130.11 142.05
bx
23. Encuentre la curva y = ae que mejor se ajusta según mínimos cuadrados a la siguiente
tabla de datos y calcule su error ERMS .
xk 1.0 2.0 2.5 3.0

yk −1108
. −8190
. −222.6 −605.1
__________________________________________________________________________________
4.1.3 Algunos hechos importantes acerca de las diferencias divididas de Newton: las
siguientes son algunas de las propiedades más importantes de las diferencias divididas de
Newton:
1. Si ( z 0 , z 1 , K, z n ) es una permutación de ( x 0 , x 1 , K, x n ) , entonces
f [ z 0 , z 1 ,K , z n ] = f [ x 0 , x 1 , K , x n ]
CASO PARTICULAR: f [ x 0 , x 1 ] = f [ x 1 , x 0 ]
( Esta propiedad es consecuencia de la unicidad del polinomio interpolante para los
nodos x 0 , x 1 , K, x n ).
2. Si f es n-veces continuamente diferenciable en [ a , b ] (es decir, f ∈ Cn [ a , b ] ) y

x 0 , x 1 , K, x n son números distintos en [ a , b ] , entonces existe ξ ∈ ( a , b ) tal que
f (n ) ( ξ )
f [ x0 , x1 , K, x1 ] =
n!
f′( ξ )
CASO PARTICULAR: f [x 0 , x 1 ] = = f ′ ( ξ ) para algún ξ entre x 0 y x 1 (teorema
1!
del valor medio).
3. Si x es un número intermedio entre los nodos x 0 , x 1 , K, x n , entonces el error al

aproximar f ( x ) mediante el polinomio de interpolación p n ( x ) para f en los nodos
dados es:
∈( x ) = f ( x ) − p n ( x ) = f [ x 0 , x1 ,K, x n , x ] ( x − x 0 ) ( x − x1 )K ( x − x n )
4. Sea f ∈ C n [ a , b ] , con [ a , b ] conteniendo a los números x 0 , x 1 , K , x n . Entonces
f (n ) ( x0 ) ≡ f[x
lim f [ x 0 , x 1 ,K, x n ] = x 0 , K, x 0 ]
0 ,4
x1 , x 2 , K x n → x 0 n! 14 42444 3
n +1 veces x 0
f ( x1 ) − f ( x 0 )
CASO PARTICULAR: f [ x 0 , x 1 ] = ,
x1 − x 0
f ( x1 ) − f ( x 0 ) = f ′ ( x ) ≡ f [x , x ]
lim f [ x 0 , x 1 ] = lim 0 0 0
x1 → x 0 x1 → x 0 x1 − x 0
Se definen las siguientes diferencias divididas con repetición:

__________________________________________________________________________________
f [ x0 , x0 ] = f ′ ( x0 )
f ′′ ( x 0 )
f [ x0 , x0 , x0 ] =
2!
M ∇
f (k ) ( x0 )
f [ x0 , x0 , K , x0 ] = , k ≥1
144 42444 3 k!
k +1 veces x 0
Esta definición extendida de diferencia dividida con repetición, es válida siempre que f tenga
derivada continua en x 0 , del orden correspondiente. Tenga cuidado para k ≥ 2 .
4.1.4 Interpolación de Hermite: Esta interpolación se refiere a la interpolación de una

función f y algunas de sus derivadas en un mismo conjunto de nodos.
Como primer ejemplo, supongamos que queremos encontrar un polinomio, de menor grado
⎛ 1⎞
posible, que satisfaga p ( 0 ) = 1 , p ( 1 ) = 2 y p′ ⎜ ⎟ = 3 (observe que se tienen 3 nodos
⎝ 2⎠
distintos).
Como hay 3 condiciones, podemos pensar en resolver el problema mediante un polinomio

p ( x ) ∈ ∏ 2 ( ∏ 2 es el espacio vectorial real de todos los polinomios de grado menor o igual
que dos con coeficientes reales). Digamos
p ( x ) = a + b ( x − 0 ) + c (x − 0 )2 = a + b x + c x2
donde a, b, c son coeficientes reales por determinar.
Como p ′ ( x ) = b + 2 c x , entonces las condiciones impuestas conducen a:
p ( 0 ) = a = 1,
p( 1 ) = a + b + c = 2 , entonces b + c = 1 ,
⎛ 1⎞ ⎛ 1⎞
p′ ⎜ ⎟ = b + 2 c ⎜ ⎟ = b + c = 3
2
⎝ ⎠ ⎝ 2 ⎠
De acuerdo con las ecuaciones b + c = 1 y b + c = 3 , se concluye que no existe un

polinomio de grado menor o igual que dos que resuelva el problema planteado.
Intentamos con un polinomio p(x ) ∈ ∏ 3 . Digamos
p ( x ) = a + bx + cx 2 + dx 3 , p ′ ( x ) = b + 2 cx + 3 dx 2
Las condiciones impuestas conducen a:

__________________________________________________________________________________
p (0 ) = a = 1 ,
p ( 1 ) = a + b + c + d = 2 , de donde se tiene que b + c + d = 1 ,
2
⎛ 1⎞ ⎛ 1⎞ ⎛ 1⎞ 3
p′ ⎜ ⎟ = b + 2 c ⎜ ⎟ + 3 d ⎜ ⎟ = b + c + d = 3
⎝ 2⎠ ⎝2⎠ ⎝2⎠ 4
Como el sistema
⎧ b+c+d=1
⎪
⎨ 3
⎪b + c + 4 d = 3
⎩
tiene infinitas soluciones: d = −8 , b + c = 9 , entonces el problema planteado tiene infinitas

⎛1 1 1 1⎞ ⎛1 1 1 1⎞
soluciones ( ⎜ 3 ⎟→⎜ 1 ⎟ ).
⎜ 1 1 3 ⎟ ⎜0 0 − 2⎟
⎝ 4 ⎠ ⎝ 4 ⎠
Como un segundo ejemplo, supongamos que queremos encontrar un polinomio p ( x ) de

menor grado posible que interpole a f y f ′ en dos nodos distintos x 0 y x 1 , es decir, tal
polinomio p ( x ) debe satisfacer las cuatro condiciones siguientes
p ( xi ) = f ( xi ) y p′ ( x i ) = f ′ ( x i ), i = 0 , 1
Como hay 4 condiciones (4 ecuaciones), es razonable pensar que un tal polinomio p ( x )

puede ser de grado 3, es decir, p ( x ) ∈ ∏ 3 . Digamos que p ( x ) es de la forma
p ( x ) = a + b ( x − x0 ) + c ( x − x0 )2 + d ( x − x 0 )2 ( x − x1 )
Esta forma de expresar el polinomio p ( x ) se plantea para simplificar los cálculos de los
coeficientes a, b, c y d.
Como p ′ ( x ) = b + 2 c ( x − x 0 ) + 2 d ( x − x 0 ) ( x − x 1 ) + d ( x − x 0 )2 , las cuatro condiciones

sobre p ( x ) conducen a:
(1) p ( x0 ) = a = f ( x0 ) ; ( 2 ) p′ ( x 0 ) = b = f ′ ( x 0 )
(3 ) p ( x1 ) = a + b ( x1 − x 0 ) + c ( x − x 0 )2 = f ( x 1 )
conocidos a y b se calcule c.
(4 ) p′ ( x 1 ) = b + 2 c ( x 1 − x 0 ) + d ( x 1 − x 0 )2 = f ′ ( x1 )
conocidos a, b y c se calcula d.
__________________________________________________________________________________
Como se observa este problema tiene solución única, independientemente de los valores
f ( x 0 ) , f ( x1 ) , f ′ ( x 0 ) y f ′ ( x1 ) .
Estudiaremos únicamente un caso especial para el cual un problema, del tipo anterior, tiene
siempre solución única, problema que es conocido como Interpolación de Hermite. En este
tipo de problemas, se suponen las siguientes condiciones de interpolación sobre el polinomio
buscado p ( x ) :
Siempre que se prescriba o establezca la condición p ( j ) ( x i ) para un cierto nodo x i , (donde

p ( j ) ( x ) denota el valor de la derivada de orden j del polinomio p ( x ) en el nodo x ),
i i
también se deben establecer las condiciones
p ( j−1 ) ( x i ), K , p ′ ( x i ), p ( x i )
Si k i denota el número de condiciones prescritas o establecidas sobre p ( x ) en el nodo x i ,
para cada i = 0, 1, ..., n , es decir, si se dan las condiciones
p ( j ) ( xi ) = ci j , 0 ≤ j ≤ ki − 1 (0 ≤ i ≤ n ) (*)
(Observe que k i puede variar con i ), entonces el número total de condiciones sobre el
polinomio p ( x ) , que denotaremos por m + 1 es tal que:
m + 1 = k 0 + k1 + K + k n
El siguiente teorema garantiza existencia y unicidad de un polinomio p ( x ) ∈ ∏ m (de grado

menor o igual que m) que satisface las condiciones ( * ) , tal polinomio se llamará polinomio
de interpolación de Hermite.
Teorema: Existe un único polinomio p ( x ) ∈ ∏ m (de grado menor o igual que m) que
satisface las condiciones de interpolación de Hermite ( * ).
Demostración: Si p ( x ) ∈ ∏ m , entonces p ( x ) tiene m + 1 coeficientes (por ser de grado

menor o igual que m) y como el número de condiciones impuestas sobre p ( x ) (en (*)) es
también m + 1 , entonces tales condiciones generan un sistema de m + 1 ecuaciones lineales
con m + 1 incógnitas, y deseamos asegurar que la matriz de coeficientes de este sistema es
invertible, para lo cual es suficiente probar que el sistema homogéneo asociado AU = 0
tiene solución única U = 0 .
El problema homogéneo asociado, consiste en encontrar p ( x ) ∈ ∏ m tal que
( )
p ( j ) x i = 0 , 0 ≤ j ≤ k i − 1, 0 ≤ i ≤ n
Como p ( j ) ( x i ) = 0 para todo j con 0 ≤ j ≤ k i − 1 , entonces el polinomio p ( x ) tiene en x i

un cero de multiplicidad mayor o igual que k i (según teorema que dice: si
__________________________________________________________________________________
p ( α ) = p ′ ( α ) = ... = p (k −1) ( α ) = 0 y p (k ) ( α ) ≠ 0 , entonces α es una raíz de multiplicidad k

de la ecuación f ( x ) = 0 ) y por lo tanto p ( x ) debe ser un múltiplo del polinomio q ( x ) dado
por
n
q( x ) = ∏ (x − x )
i =0
i
ki
(según teorema del factor: si x i es una raíz de p ( x ) = 0 , entonces (x − x i ) es un factor de

p(x ) )
n
Observe, sin embargo, que q ( x ) es de grado m + 1 ( m + 1 = ∑k
i=0
i ), mientras que p ( x ) es
de grado a lo más m. Concluimos entonces que p ( x ) = q ( x ) = 0 , así que todos los

coeficientes del polinomio p ( x ) son cero, y entonces el sistema AU = 0 tiene solución única
U = 0. ∇
Veamos como se encuentra el polinomio de interpolación de Hermite, mediante unos

ejemplos.
Ejemplo 1: Supongamos que queremos encontrar el polinomio p ( x ) que satisface

p ( x 0 ) = c 0 0 , p ( x i ) = c 10 y p ′ ( x 0 ) = c 01 .
Solución: Puesto que las condiciones son de interpolación de Hermite (es decir, del tipo (*)),
con m + 1 = 2 + 1 = 3 ( 2 es el número de condiciones sobre el nodo x 0 y 1 es el número de
condiciones sobre el nodo x 1 ), entonces existe un único polinomio p ( x ) ∈ ∏ 2 que
satisface las condiciones dadas. Consideremos la siguiente tabla de diferencias divididas
extendidas:
zi D.D.0 p (z i ) D.D.1 D.D.2

z0 = x0 c 00 = p ( z0 ) p [ z 0 , z1 ] = c 01 p [ z 0 , z1 , z 2 ] = c 0 2
z1 = x 0 c 0 0 = p ( z1 ) p [ z1 , z 2 ]
z 2 = x1 c 10 = p ( z 2 )
NOTA: En esta tabla se repite el nodo x i tantas veces como condiciones hayan impuestas
sobre ese nodo. Cada uno de los cálculos que aparecen en la tabla se realiza usando la
definición de diferencia dividida con o sin repetición, según sea el caso.
p [ z 0 , z 1 ] = p [ x 0 , x 0 ] = p ′ ( x 0 ) = c 0 1 ( definición)
p ( x1 ) − p ( x 0 ) = c 10 − c 0 0
p [ z1 , z 2 ] = p [ x 0 , x 1 ] =
x1 − x 0 x1 − x 0
__________________________________________________________________________________
c 10 − c 0 0
− c 01
p [ z1 , z 2 ] − p [ z 0 , z1 ] x1 − x 0 c 10 − c 0 0 c 01
p [ z 0 , z1 , z 2 ] = = = − ≡ c02
↑
z0 ≠ z 2
z2 − z0 x1 − x 0 ( x1 − x 0 ) x1 − x 0
2
El polinomio
p ( x ) = p [ z 0 ] + p [ z 0 , z1 ] ( x − z 0 ) + p [ z 0 , z1 , z 2 ] ( x − z 0 ) ( x − z1 )
es decir,
p ( x ) = c 0 0 + c 01 ( x − x 0 ) + c 0 2 ( x − x 0 )2
satisface las condiciones dadas. En efecto:
p ( x0 ) = c 00
p ( x 1 ) = c 0 0 + c 01 ( x 1 − x 0 ) + c 0 2 ( x 1 − x 0 )2
[
= c 0 0 + c 0 1 ( x 1 − x 0 ) + c 10 − c 0 0 − c 0 1 ( x 1 − x 0 ) ]
= c 10
p′ ( x ) = c 01 + 2 c 0 2 ( x − x 0 ) , p′ ( x 0 ) = c 01
En conclusión p ( x ) es el polinomio de interpolación de Hermite para las condiciones dadas.
Ejemplo 2: Use el método de diferencias divididas extendidas de Newton para obtener el

polinomio de Hermite que interpola la siguiente tabla:
xi f ( xi ) f ′ ( xi ) f ′′ ( x i )
0 2 3
1 6 7 8
Solución: Como k 0 = 2 = número de condiciones sobre el nodo x 0 = 1, y k 1 = 3 = número

de condiciones sobre el nodo x 1 = 2 , entonces en la tabla se repite el nodo x 0 = 1 dos
veces y el nodo x 1 = 2 tres veces. Así que se construye la siguiente tabla de diferencias
divididas:
zi D.D.0 D.D.1 D.D:2 D.D.3 D.D.4

z0 = 1 2 f [ 1,1 ] = 3 f [ 1,1, 2 ] = 1 f [ 1, 1, 2 , 2 ] = 1 f [ 1,1, 2, 2, 2] = −1
z1 = 1 2 f [ 1, 2 ] = 4 f [ 1, 2 , 2 ] = 3 f [ 1, 2 , 2 , 2 ] = 1
z2 = 2 6 f [ 2, 2 ] = 7 f[ 2, 2, 2 ] = 4
z3 = 2 6 f [ 2, 2 ] = 7
z4 = 2 6
En esta tabla los cálculos se realizan como se indica a continuación:

__________________________________________________________________________________
f ′ (1) f′ ( 2 )
f [ z 0 , z 1 ] = f [ 1, 1 ] = =3 ; f [ z 2 , z3 ] = f [ 2, 2 ] = =7
1! 1!
f ′( 2 )
f [ z3 , z 4 ] = f [ 2, 2 ] = =7
1!
f ′′( 2 ) 8
f [ z 2 , z 3 , z 4 ] = f [ 2, 2, 2 ] = = =4
2! 2
Luego el polinomio
p ( x ) = 2 + 3 ( x − z0 ) + 1 ( x − z0)( x − z1 ) + 2 ( x − z 0 )( x − z1 )( x − z 2 ) + (− 1)(x − z 0 )(x − z1 )(x − z 2 )(x − z 3 )

= 2 + 3 (x − 1)(x − 1) + 2 (x − 1) (x − 2) − (x − 1) (x − 2)
2 2 2 2
satisface las condiciones dadas. En efecto:
p (1 ) = 2 ; p ( 2 ) = 2 + 3 ( 2 − 1 ) + ( 2 − 1) + 2 ( 2 − 1 ) ( 2 − 2 ) − ( 2 − 1 )2 ( 2 − 2 )2 = 5 + 1 = 6
2 2
p′ ( x ) = 3 + 2 ( x − 1 ) + 2 ( x − 1 ) + 4 ( x − 1 )( x − 2 ) − 2 ( x − 1 )( x − 2 ) − 2 ( x − 1 ) ( x − 2 )
2 2 2
p′ ( 1 ) = 3 ; p′ ( 2 ) = 3 + 2 ( 2 − 1 ) + 2 ( 2 − 1 ) = 3 + 2 + 2 = 7
2
p ′′(x ) = 2 + 4 ( 4 1)2 4(x4−4 1) + 4(x − 2) − 2(x − 2) − 4(x − 1)(x − 2) − 4(x − 1)(x − 2) − 2(x − 1)
2 2
1x4−4 +4 3
8 (x −1)
p′′ ( 2 ) = 2 + 8 ( 2 − 1 ) − 2 ( 2 − 1 ) = 8
2
Ejercicio: Encuentre el polinomio de interpolación de Hermite cuando todas las condiciones

se dan en un único nodo x 0 , es decir, para las condiciones
p(i ) ( x0 ) = c 0 j , 0 ≤ j ≤ k ♦
4.1.5 Interpolación trigonométrica y serie finita de Fourier: A continuación

describiremos un tipo de interpolación donde las funciones básicas utilizadas no son los
polinomios algebraicos en una variable real, sino los polinomios llamados trigonométricos.
Definición: Un polinomio trigonométrico de grado a lo más n es cualquier función de la

forma
n
a0
p(x ) =
2
+ ∑ [a
k =1
k cos (kx ) + b k sen (kx )] ∇
Como se observa, p(x ) es una función periódica de período 2π , es decir, p(x ) = p(x + 2π )
para todo x ∈ R .
El problema de interés esta vez es:
Dada una función f periódica de período 2π y N puntos ( x j,f ( x j ) ) con

2π
xj = j , j = 0, 1, ... , N − 1 , nodos igualmente espaciados en el intervalo [ 0, 2π ] , se quiere
N
"aproximar " la función f en el intervalo [ 0, 2π ] , en el sentido de los mínimos cuadrados
__________________________________________________________________________________
continuos, mediante un polinomio trigonométrico p(x ) de modo que p x j = f x j para cada ( ) ( )

j = 0 , 1, ... , N − 1, es decir, se quiere que p(x ) interpole la función f en los nodos igualmente
2π
espaciados x j = j , j = 0, 1, ... , N − 1 .
N
2π
En esta figura, el tamaño de paso es h = .
N
Se puede demostrar, ver por ejemplo Kincaid, 1991, página 413 y 414 que: Existe un único
polinomio trigonométrico de grado menor o igual que N − 1 de la forma
a 0 N−1
p(x ) =
2
+
k =1
∑[a k cos(kx ) + b k sen(kx )]
2π
que interpola a f en los N nodos igualmente espaciados x j = j , j = 0, 1, ... , N − 1 . Tal
N
polinomio tiene coeficientes
N−1
∑( )
a0 1
= f xj ,
2 N j= 0
N−1
∑ f ( x )cos ( k x ) ,
1
ak = j j k = 1, 2, ..., N − 1
N j= 0
N−1
∑ f ( x )sen ( k x ) ,
1
bk = j j k = 1, 2, ..., N − 1
N j=0
a 0 N−1
p(x ) =
2
+ ∑
k =1
[a k cos(kx ) + b k sen(kx )] satisfaciendo las condiciones anteriores se dirá el
polinomio trigonométrico de interpolación para los datos x j , f x j ( ( ) ), j = 0 , 1, ... , N − 1, o
serie finita (discreta) de Fourier para f.
Ejemplo 1 Considere la función f (x ) = x , x ∈ [ − π, π ] y extendida periódicamente por la

relación f (x + 2π ) = f (x ) para todo x ∈ R . La gráfica de esta función es como se indica:
__________________________________________________________________________________
Aproximemos f en el intervalo [ 0, 2π ] mediante el polinomio trigonométrico correspondiente

2π 2π 2π
a N=3. En este caso h = = , y entonces los nodos son: x 0 = 0=0,
N 3 3
2π 2π 2π 4π
x1 = 1= y x2 = 2= .
3 3 3 3
⎛ 2π ⎞ 2π
De acuerdo con la definición de f, se tiene que f (x 0 ) = f (0 ) = 0 , f (x1 ) = f ⎜ ⎟= y
⎝ 3 ⎠ 3
⎛ 4π ⎞ 4 π 2π
f (x 2 ) = f ⎜ ⎟ = 2π − = . Entonces el polinomio trigonométrico interpolante para f en
⎝ 3 ⎠ 3 3
este caso es:
2
a0
p(x ) =
2
+ ∑ [a
k =1
k cos(kx ) + b k sen(kx )]
con
N−1 2
∑( ) ∑ f (x ) = 3 ⎜⎝ 0 +
a0 1 1 1⎛ 2π 2π ⎞ 4 π
= f xj = j + ⎟=
2 N j=0
3 j=0
3 3 ⎠ 9
__________________________________________________________________________________
⎧ N−1 2
∑( ) ( ) ∑ f (x )cos(x )
1 1
⎪a 1 = f x j cos 1 x j = j j
⎪ N j=0
3 j=0
⎪
⎪ 1⎡ 2π ⎛ 2π ⎞ 2π ⎛ 4π ⎞⎤ 1 ⎡ 2π ⎛ 1 ⎞ 2 π ⎛ 1 ⎞ ⎤ 2π
⎪ = ⎢0 cos(0 ) + cos⎜ ⎟+ cos⎜ ⎟⎥ = ⎢0 + ⎜− ⎟ + ⎜ − ⎟⎥ = −
⎪ 3⎣ 3 ⎝ 3 ⎠ 3 ⎝ 3 ⎠⎦ 3 ⎣ 3 ⎝ 2 ⎠ 3 ⎝ 2 ⎠⎦ 9
⎨ N−1 2
∑( ) ( ) ∑ f (x )sen(x )
⎪b 1 1
= f x j sen 1 x j =
⎪ 1 N 3
j j
⎪ j=0 j=0
⎪
1⎡ 2π ⎛ 2π ⎞ 2 π ⎛ 4π ⎞⎤ 1 ⎡ 2π ⎛⎜ 3 ⎞⎟ 2π ⎛⎜ 3 ⎞⎟⎤
⎢0sen(0 ) +
⎪ = sen⎜ ⎟+ sen⎜ ⎟⎥ = ⎢0 + + − ⎥=0
⎪ 3⎣ 3 ⎝ 3 ⎠ 3 ⎝ 3 ⎠⎦ 3 ⎢⎣ 3 ⎜⎝ 2 ⎟⎠ 3 ⎜⎝ 2 ⎟⎠⎥⎦
⎩
⎧ N−1 2
∑( ) ( ) ∑ f (x )cos(2x )
1 1
⎪a2 = f x j cos 2 x j = j j
⎪ N j=0
3 j =0
⎪
⎪ 1⎡ 2π ⎛ 4 π ⎞ 2π ⎛ 8π ⎞⎤ 1 ⎡ 2 π ⎛ 1 ⎞ 2π ⎛ 1 ⎞ ⎤ 2π
⎪ = ⎢0 cos(0 ) + cos⎜ ⎟+ cos⎜ ⎟⎥ = ⎢0 + ⎜− ⎟ + ⎜ − ⎟⎥ = −
⎪ 3⎣ 3 ⎝ 3 ⎠ 3 ⎝ 3 ⎠⎦ 3 ⎣ 3 ⎝ 2 ⎠ 3 ⎝ 2 ⎠⎦ 9
⎨ N−1 2
∑( ) ( ) ∑ f (x )sen(2x )
⎪b 1 1
= f x j sen 2 x j =
⎪ 2 N 3
j j
⎪ j=0 j=0
⎪
1⎡ 2π ⎛ 4 π ⎞ 2π ⎛ 8π ⎞⎤ 1 ⎡ 2π ⎛⎜ 3 ⎞⎟ 2π ⎛⎜ 3 ⎞⎟⎤
⎢0sen(0 ) +
⎪ = sen⎜ ⎟+ sen⎜ ⎟⎥ = ⎢0 + − + ⎥=0
⎪ 3⎣ 3 ⎝ 3 ⎠ 3 ⎝ 3 ⎠⎦ 3 ⎢⎣ 3 ⎝ 2 ⎟⎠
⎜ 3 ⎜⎝ 2 ⎟⎠⎥⎦
⎩
Luego el polinomio trigonométrico de interpolación buscado es
4 π 2π 2π
p(x ) = − cos(x ) − cos(2x )
9 9 9
Como ejercicio compruebe que este polinomio satisface las condiciones de interpolación
para la función f (x ) = x , x ∈ [ − π, π ] . La gráfica de la función extendida de f en el
dominio [ 0 , 2π ] junto con la del polinomio p(x ) , aparecen en la siguiente figura:
__________________________________________________________________________________
El problema planteado al comienzo de esta parte también puede resolverse usando variable
compleja como sigue:
Definición: Un polinomio exponencial de grado a lo más n es cualquier función de la forma
∑ ( ) = ∑c
n n n n
q(x ) = ∑ k [ cos(x ) + i sen(x ) ] ∑ c [ cos(kx ) + i sen(kx ) ]
k k
c k eik x = c k ei x = k ∇
k =0 k =0 k =0 k =0
( e i x = cos (x ) + isen (x ) : Fórmula de Euler, i 2 = −1, c k ∈ C = { a + ib / a , b ∈ R }

e i (k x ) = cos (kx ) + isen (kx ) : Fórmula de De Moivre).
Observe que q(x ) es un polinomio en la variable compleja z = e ix = cos (x ) + isen (x ) .
Usando polinomios exponenciales, el problema planteado (interpolación trigonométrica)

puede ser transformado en el problema de encontrar un polinomio exponencial
N−1
q(x ) = c 0 + c 1e ix + ... + c N−1e i(N−1) x = ∑c
k =0
ke
ik x
con coeficientes complejos c k tales que ( ) ( )

q x j = f x j , j = 0 , 1, ... , N − 1 , con
2π
xj = j, j = 0 , 1, ... , N − 1 (nodos igualmente espaciados en el intervalo [ 0 , 2π ] ).
N
Se puede demostrar que el polinomio exponencial de grado a lo más N − 1 que mejor

aproxima a una función f ( 2π periódica) en los puntos x j , según Mínimos Cuadrados, es
N−1
q(x ) = ∑c
k =0
ke
ik x
= c 0 + c 1e i x + ... + c N−1e i (N−1) x
N−1
∑( )
1 −i k x j
con coeficientes c k = f xj e , k = 0 , 1, ... , N − 1 y este polinomio interpola a la
N k =0
2π
función f en los nodos x j = j, j = 0 , 1, ... , N − 1 , es decir,
N
( ) ( )
q xj = f xj , j = 0 , 1, ... , N − 1
2π 4π
Si consideramos el mismo ejemplo anterior: N = 3 , x 0 = 0 , x 1 = , x2 = y f (x 0 ) = 0 ,
3 3
2
2π 2π
f (x 1 ) =
3
, f (x 2 ) =
3
. Encontremos el polinomio exponencial q(x ) = ∑c
k =0
ke
ik x
que
interpola a f en los nodos x j , j = 0 , 1, 2 .
Debemos calcular los coeficientes c k , k = 0 , 1, 2 , como sigue:

__________________________________________________________________________________
N−1 2
∑ f (x )e ∑ f (x ) = 3 [ f (x
1 −i (0 ) x j 1 1 1⎡ 2 π 2π ⎤
c0 = = ) + f (x 1 ) + f (x 2 ) ] = ⎢ 0+ +
3 ⎥⎦
j j 0
N j =0
3 j=0
3⎣ 3
[ ]
N−1 2
∑ f (x )e ∑ f (x )e
1 −i (1) x j 1 1
f (x 0 ) e −i x 0 + f (x 1 ) e −i x1 + f (x 2 ) e −i x 2
−i x j
c1 = j = j =
N j=0
3 j=0
3
1 ⎡ −i(0 ) 2π −i ⎤
2π 4π
2π − i
= ⎢0e + e 3 + e 3 ⎥
3⎢ 3 3 ⎥
⎣ ⎦
1 ⎧⎪ 2π ⎡ ⎛ 2π ⎞ ⎛ 2π ⎞ ⎤ 2π ⎡ ⎛ 4π ⎞ ⎛ 4π ⎞ ⎤ ⎫⎪
c1 = ⎨ ⎢cos⎜ ⎟ − isen⎜ ⎟⎥+ ⎢ cos⎜ ⎟ − isen⎜ ⎟⎥⎬
3 ⎪⎩ 3 ⎣ ⎝ 3 ⎠ ⎝ 3 ⎠⎦ 3 ⎣ ⎝ 3 ⎠ ⎝ 3 ⎠ ⎦ ⎪⎭
1 ⎧⎪ 2π ⎡ 1 3 ⎤ 2π ⎡ 1 ⎛⎜ 3 ⎞⎟ ⎤ ⎫⎪
= ⎨ ⎢− −i ⎥+ ⎢ − − i⎜ − ⎥⎬
3 ⎪ 3 ⎣⎢ 2 2 ⎦⎥ 3 ⎣⎢ 2 ⎝ 2 ⎟⎠ ⎦⎥ ⎪
⎩ ⎭
⎧
1⎪ π π ⎛ 3 3 ⎞⎟ ⎪⎫ 2π
= ⎨ − − − i ⎜⎜ − ⎟ ⎬=−
3 ⎪⎩ 3 3 ⎝ 2 2 ⎠ ⎪⎭ 9
N−1 2
∑( ) ∑ f (x )e
1 −i (2 ) x j 1 −2 i x j
c2 = f xj e = j
N j= 0
3 j=0
=
1
3
{
f (x 0 )e − 2 i x 0 + f (x 1 )e − 2 i x1 + f (x 2 )e − 2 i x 2 }
1 ⎧⎪ − 2 i (0 ) 2π − 2 i 3 2π − 2 i 3 ⎫⎪
2π 4π
= ⎨0e + e + e ⎬
3⎪ 3 3 ⎪⎭
⎩
1 ⎧⎪ 2π ⎡ ⎛ 4π ⎞ ⎛ 4 π ⎞ ⎤ 2π ⎡ ⎛ 8π ⎞ ⎛ 8π ⎞ ⎤ ⎫⎪
= ⎨ ⎢cos⎜ ⎟ − isen⎜ ⎟⎥+ ⎢ cos⎜ ⎟ − isen⎜ ⎟⎥⎬
3 ⎪⎩ 3 ⎣ ⎝ 3 ⎠ ⎝ 3 ⎠⎦ 3 ⎣ ⎝ 3 ⎠ ⎝ 3 ⎠ ⎦ ⎪⎭
1 ⎧⎪ 2π ⎡ 1 ⎛ 3 ⎞⎟ ⎤ 2π ⎡ 1 ⎛ 3 ⎞ ⎤ ⎫⎪
= ⎨ ⎢ − − i ⎜⎜ − ⎟⎥+ 3 ⎢ − − i ⎜⎜ ⎟⎥⎬
⎟
3⎪ 3 ⎢⎣ 2 ⎝ 2 ⎠ ⎥⎦ ⎢⎣ 2 ⎝ 2 ⎠ ⎥⎦ ⎪⎭
⎩
1 ⎧⎪ π π ⎛⎜ 3 3 ⎞⎟ ⎫⎪ 2π
= ⎨ − − − i⎜− + =−
3 ⎪⎩ 3 3 2 2 ⎟ ⎬⎪ 9
⎝ ⎠⎭
Luego el polinomio exponencial buscado es:
4 π 2 π i x 2π − 2 i x
q(x ) = − e − e
9 9 9
4 π 2π
= − [ cos ( x ) + i sen ( x )] − 2π [ cos ( 2 x ) + i sen ( 2x ) ]
9 9 9
⎡ 4 π 2π 2π ⎤ ⎡ 2π 2π ⎤
=⎢ − cos ( x ) − cos ( 2x ) ⎥ + i ⎢ − sen ( x ) − sen ( 2x ) ⎥
⎣ 49 9 9 9 9
1 44444424444444 3⎦ ⎣ ⎦
p (x )
__________________________________________________________________________________
Observe que la parte real del polinomio q ( x ) es el polinomio trigonométrico p ( x ) obtenido

anteriormente.
El polinomio exponencial q ( x ) y su correspondiente polinomio trigonométrico p ( x )

2π
coinciden en todos los nodos xj = j , j = 0 , 1, ... , N − 1, es decir,
N
( ) ( ) ( )
q xj = p xj = f xj , j = 0 , 1, ... , N − 1 , pero no necesariamente se tiene que
p ( x ) = q ( x ) para puntos x ≠ x j .
La gráfica, en el intervalo [ 0 , 2π ] , tanto de la función f (x ) = x , x ∈ [ − π, π ] extendida
periódicamente junto con la parte real e imaginaria del polinomio exponencial q ( x ) , se
muestra en el siguiente dibujo:
CAPÍTULO 5. INTEGRACIÓN NUMÉRICA
INTRODUCCIÓN
En este capítulo estudiaremos algunos métodos numéricos para estimar el valor de una
integral definida
b
I = f (x)dx
∫
a
Integral en la cual el intervalo de integración [a, b] es finito, y f es una función de una

variable real y valor real continua en [a, b] .
Según el teorema fundamental del Cálculo, para una función f con las características
indicadas antes, existe una antiderivada F de f en [a, b] , es decir, F′ (x ) = f (x ) para todo
x ∈ [a, b], y
b
∫ f (x)dx = F(b) − F(a)

a
El problema para usar los métodos analíticos de integración es que, es posible que F no se
pueda expresar en términos de funciones elementales, o aunque F se conozca
explícitamente, ésta no se pueda evaluar fácilmente.
Ejemplos de tales integrales son:
1 1 2 5
1 ex
∫ ∫ 1+ x ∫ ∫e
− x2
1 − x 3 dx 5
dx dx dx
x
0 0 1 1
π π
2 4 3 2
∫ sen(x )dx
ln x 1
∫ ∫ ∫ ln x dx
2
dx xtanxdx
x+1
1 0 2 0
π π
2 1 2 1
∫ cos(x )dx ∫ ∫ ∫
3 3
2
1 + x dx
3
sen xdx x + x 2 dx
0 0 0 0
1 1 1 1 π
∫ (9 − )
1
∫ 1 + sen
sen x
0
x 2 3 dx
∫
0
tanxdx ∫
0
x
dx
0
2
x
dx
Lo anterior motiva el uso de los métodos de integración numérica que estudiaremos en lo

que sigue; los primeros que consideraremos se basan en la aproximación de la función f
mediante polinomios interpolantes.
__________________________________________________________________________________
5.1 ALGUNAS FÓRMULAS CERRADAS DE NEWTON-COTES
Supongamos que queremos estimar el valor de
b
I = f (x)dx
∫
a
donde la función f es continua en el intervalo finito [a, b] .
Una manera de hacer ésto se indica a continuación:
Empezamos dividiendo el intervalo [a,b] en N subintervalos de igual longitud,

[x 0 , x 1 ], [x 1, x 2 ],..., [x k , x k +1 ],..., [x N−1, x N ] , donde los N+1 puntos x 0 , x 1,..., x N de la partición se
obtienen a partir de la fórmula
xk = a + kh, k = 0,1,...,N
b−a
siendo h = . Nos referiremos a h como el tamaño de paso.
N
Nótese que x 0 = a, xN = b , y que h = xk +1 − xk , cualquiera sea k = 0, 1,..., N − 1 .
N
Ahora bien, si pN (x) = ∑ f (x )L (x) es el polinomio de interpolación de Lagrange para la
j= 0
j j
función f en los nodos x 0 , x 1,..., x N , entonces
b b b N N b
∫
a
f (x )dx ≈ p N (x )dx =
∫
a
∫∑ ( )
a j= 0
f x j L j (x )dx = ∑ ( )∫ L j (x )dx
j= 0
f xj
a
De esta forma se obtiene una fórmula del tipo
b N
∫ f (x )dx ≈ ∑ A f (x )
j= 0
j j
a
donde
b
A j = L j (x )dx,
∫ j = 0, 1,..., N
a
Una fórmula del tipo anterior, para aproximar el valor de ∫ f (x)dx , es llamada una fórmula de
a
cuadratura (cerrada) de Newton-Cotes.
En muchos casos, en lugar de aproximar la función f en el intervalo completo [a, b] por un

sólo polinomio interpolante, usando todos los nodos x 0 , x 1,..., x N , más bien la aproximamos
Capítulo 5. INTEGRACIÓN NUMÉRICA 233
__________________________________________________________________________________
por tramos mediante polinomios interpolantes usando dos, tres o más nodos consecutivos.
Estudiaremos solamente tres de estos últimos tipos de aproximaciones: La regla de los
 1  3
Trapecios, la regla de Simpson   y la regla de Simpson   .
 3  8
5.1.1 Regla de los Trapecios: Corresponde ésta al caso en que la función f se aproxima en
cada subintervalo [xk , xk +1] , k = 0, 1,..., N − 1 , mediante el polinomio de interpolación lineal de
Lagrange, pk (x) , usando los nodos xk y xk +1 .
FIGURA 5.2
Como el polinomio de interpolación de Lagrange es
x − xk +1 x − xk
pk (x) = f (xk ) + f (xk +1 )
xk − xk +1 xk +1 − xk
entonces
xk + 1 xk + 1
∫ f (x)dx ≈ ∫ p (x)dx
k
xk xk
xk + 1
 x−x x − xk 
= ∫ f (x ) x − x
xk
k
k
k +1
k +1
+ f ( x k +1 )  dx
x k + 1 − xk 
xk + 1 xk + 1
x − x k +1 x − xk
= f ( xk ) ∫ dx + f (xk +1 ) ∫ dx
x k − x k +1 x k +1 − x k
xk xk
xk + 1
= f ( xk )
( x − x k + 1 )2 + f x (x − xk )2 
2(xk − xk +1 )
( k +1 ) 2(xk +1 − xk ) 
x k
( x k +1 − x k ) − f x ( x k − x k +1 )
= f ( x k +1 )
2 2
2(xk +1 − xk )
( k)2 x − x
( k k +1 )
f ( x k ) + f ( x k +1 )
= ( x k +1 − x k )
!#"#$ !##"##$ 2
ancho altura promedio
__________________________________________________________________________________
Pero h = xk +1 − xk , así que

xk + 1
∫ f (x)dx ≈ 2 [f (x ) + f (x )]
h
k k +1
xk
y entonces
b N − 1 xk + 1 N−1
I = f (x)dx = ∑∫ f (x)dx ≈ ∑ 2[f (x ) + f (x )]
h
∫
a k = 0 xk k =0
k k +1
es decir,
h 
b N−1
∫ f (x)dx ≈
2  k =1
∑
f (a) + f (b) + 2 f (xk )

a
Si N > 1 , la fórmula anterior se conoce como regla compuesta de los Trapecios. En el

caso N = 1, caso en el cual h = b − a , dicha fórmula se reduce a
b
b−a
∫ f (x)dx ≈ 2
[
f (a) + f (b) ]
a
fórmula que se conoce como regla simple de los Trapecios.
b
Algoritmo 5.1 (Regla de los Trapecios) Para aproximar la integral I = f (x)dx , usando la ∫
a
regla de los Trapecios:
Entrada: f(x) , los extremos a y b de la integral, un entero positivo N.
Salida: Una aproximación AI de I.
b−a
Paso 1: Tomar h = .
N
Paso 2: Tomar AIO = f (a) + f (b) .
AI = 0 (Inicialización de la suma para los puntos x k , k = 1, 2,..., N − 1 )
Paso 3: Para k = 1, 2,..., N − 1 , seguir los pasos 4 y 5:
Paso 4: Tomar x = a + kh
Paso 5: Tomar AI = AI + f (x)
h(AIO + 2AI)
Paso 6: Tomar AI = .
2
__________________________________________________________________________________
Paso 7: Salida: "Un valor aproximado de la integral para N subintervalos es AI".

Terminar.
Error de fórmula en la regla de los Trapecios: Recordando la fórmula para el error en la

interpolación, tenemos que si pk (x) es el polinomio de interpolación lineal de Lagrange para
la función f en los nodos xk y xk +1 , entonces para x ∈[xk , xk +1 ] , el error al aproximar f (x )
mediante pk (x) , es
(x − xk )(x − xk +1) f ′′ ξ
E(x) = f (x) − pk (x) =
2!
( k (x))
y entonces
 (x − xk )(x − xk +1 )
xk+1 xk + 1 xk + 1 xk + 1

∫ E(x)dx = ∫ f (x)dx − ∫ pk (x)dx = ∫  ( ) dx
f ′′ ξ k (x)
xk xk xk xk
 2! 
donde ξ k (x) es un número que depende de x y ξ k (x) ∈(xk , xk +1) .
Luego el error en la aproximación obtenida al usar la regla de los Trapecios en el intervalo

[xk , xk +1] , que se denomina error local, es
x k +1
∫ f ′′(ξ (x ))(x − x k )(x − x k +1 )dx

1
Ek = k
2
xk
Como g(x) = (x − xk )(x − xk +1 ) no cambia de signo en el intervalo [xk , xk +1 ] , entonces por el

teorema del valor medio ponderado para integrales, se tiene que
xk + 1
∫ f ′′(ξ (x))(x − x )(x − x )dx

1
Ek = k k k +1
2
xk
f ′′(ξ k )  x 3  k +1 
x
x2
= − ( x k + x k +1 ) + xk xk +1x
2  3 2  xk 

=
f ′′(ξ k )  xk3+1 − xk3
− ( k + k +1 )
x x
xk2+1 − xk2
x x x
( x

+ k k +1( k +1 − k )
)
2  3 2
 
para algún ξ k ∈ (xk , xk +1 ) .
Factorizando, agrupando y teniendo en cuenta que h = xk +1 − xk , obtenemos
h3
Ek = − f ′′(ξ k )
12
para algún ξ k ∈ (xk , xk +1 ) .

__________________________________________________________________________________
Teorema del valor medio ponderado para integrales: Si f es una función continua en
[a,b] , g es una función integrable en [a,b] y g(x) no cambia de signo en [a,b] , entonces
existe c ∈ (a, b) tal que
b b
∫ f (x)g(x)dx = f (c)∫ g(x)dx

a a
Cuando en el teorema anterior g(x) ≡ 1 , éste se convierte en el teorema del valor medio para
integrales. ∇
La demostración del teorema del valor medio ponderado para integrales puede ser
consultada en Kincaid, 1972, páginas 12 y 13.
El error total al aplicar la regla de los Trapecios, es decir, el error que se comete al aplicar la
regla de los Trapecios sobre todo el intervalo [a, b] , es
N−1 N−1 N−1

 h3  h3
ET = ∑
k =0
Ek = ∑  −
k =0 
12
f ′′(ξ k ) = −

∑
12 k = 0
f ′′(ξ k ) , ξ k ∈ (xk , xk +1 )
(∗) h3 b−a
=− Nf ′′(ξ) = − h 2 f ′′(ξ) para algún ξ ∈ (a, b)
12 ↑ 12
b −a
h=
N
(∗) la igualdad se debe a la aplicación del teorema del valor intermedio a la función f ′′ , que
suponemos continua en el intervalo [a, b] .
La fórmula anterior del error en la regla de los Trapecios indica que si f es una función lineal,
entonces la regla de los Trapecios es exacta, es decir, Ek = 0 para todo k = 0,1,...,N − 1 , ya
que si f (x) = cx + d , entonces f ′(x) ≡ c y f ′′(x) ≡ 0 para todo x ∈[a, b] .
Volviendo a la fórmula para el error total, E T , tenemos que si
f ′′(x) ≤ L para toda x ∈[a, b]

entonces
ET =
h3
N f ′′(ξ) ≤
h3
NL = h 2
(b − a) L (recuerde que h =
b−a
)
12 12 12 N
( )
El resultado anterior se indica escribiendo E T = O h , de acuerdo con la siguiente definición:
2
Definición 5.1 (Notación O-grande) Supongamos que lim F(x) = L ∈ R . Se dice que F(x)
x→0
converge a L cuando x → 0 con rapidez de convergencia O G(x) , si existe una constante ( )

positiva K, independiente de x, tal que
__________________________________________________________________________________
F(x) − L
≤K
G(x)
para x suficientemente pequeño. Si este es el caso escribimos F(x) = L + O G(x) . ∇ ( )

En el caso de la regla simple de los Trapecios, tenemos que h = b − a y
h3
ET = − f ′′(ξ) , para algún ξ ∈ (a, b)
12
( )
así que E T = O h 3 , en este caso.
 1
5.1.2 Regla de Simpson   : En este caso se aproxima la función f en cada subintervalo
 3
[xk , xk +2 ] ,
k = 0,2,...,N − 2 , mediante un polinomio de interpolación de Lagrange de grado
menor o igual que dos, usando los nodos xk , xk +1, xk + 2 . Observe que, en este caso, el
número de subintervalos N debe ser par, N ≥ 2 .
FIGURA 5.3
Como el polinomio de interpolación de Lagrange de grado menor o igual que dos, usando los
nodos xk , xk +1 y xk +2 , es
pk (x) = f (xk )
(x − xk +1)(x − xk + 2 ) + f x (x − xk )(x − xk +2 )
( k +1 )
(xk − xk +1)(xk − xk + 2 ) (xk +1 − xk )(xk +1 − xk +2 )
+ f ( xk + 2 )
(x − xk )(x − xk +1 )
(xk +2 − xk )(xk + 2 − xk +1 )
entonces
__________________________________________________________________________________
xk + 2 xk + 2
∫ f (x)dx ≈ ∫ p (x)dx
k
xk xk
f ( xk )  x3 x2 
=  − ( x k +1 + x k + 2 ) + xk +1xk + 2 x
(xk − xk +1 )(xk − xk +2 )  3 2 
f ( x k +1 )  x3 x2 
+  − ( xk + x k + 2 ) + xk xk + 2 x
(xk +1 − xk )(xk +1 − xk + 2 )  3 2 
f ( xk + 2 )
x

k +2
 x3 x2
+  − ( x k + x k +1 ) + xk xk +1x 
(xk +2 − xk )(xk + 2 − xk +1 )  3 2   x
k
Evaluando, agrupando y teniendo en cuenta que h = x k +1 − x k = x k + 2 − x k −1 , obtenemos
f ( x k ) + 4 f ( x k +1 ) + f ( x k + 2 )
xk + 2
∫ f (x)dx ≈ (xk + 2 − xk )
!#"#$ !####" 6 ####$
xk ancho altura promedio
f ( x k ) + 4 f ( x k +1 ) + f ( x k + 2 )
= 2h
6
=
h
3
[
f ( x k ) + 4 f ( x k +1 ) + f ( x k + 2 ) ]
Luego
b x2 x4 xN
I = f (x)dx =
∫ ∫ f (x)dx + ∫ f (x)dx+...+ ∫ f (x)dx
a x0 x2 xN− 2
≈
h
3
{ [f (x ) + 4f (x ) + f (x )] + [f (x ) + 4f (x ) + f (x )]+...+[f (x
0 1 2 2 3 4 N− 2 ) + 4f (xN−1) + f (xN )] }
es decir,
b
 N− 2 N− 2 

h 2 2 
∫ f (x)dx ≈ f (a) + f (b) + 4
3 k =0
∑
f (x2k +1 ) + 2 f (x2k )
k =1 
∑
a
 
Si N = 2m , con m un entero, m ≥ 2 , la fórmula anterior se conoce como regla compuesta de

 1 1
Simpson   . Lo de 3 viene de que en la fórmula obtenida, h aparece multiplicada por
 3
1
.
3
b−a
En el caso particular N = 2 , se tiene que h = , y la fórmula anterior se reduce a
2
__________________________________________________________________________________
b
b−a  a + b 
∫ f (x)dx ≈
a
f (a) + 4 f 
6   2 
 + f (b)

 1
fórmula que se conoce como regla simple de Simpson   .
 3
b
 1
Algoritmo 5.2 (Regla de Simpson   ) Para aproximar la integral I = f (x)dx , usando la ∫
 3
a
 1
regla de Simpson   :
 3
Entrada: f (x) , los extremos a y b de la integral, un entero positivo par N = 2m .
Salida: Una aproximación AI de I.
b−a b−a
Paso 1: Tomar h = = .
2m N
Paso 2: Tomar AIO = f (a) + f (b)
AI1 = 0 (Inicialización de la suma para los nodos x2k +1 ,

N−2
k = 0, 1,..., = m − 1)
2
AI2 = 0 (Inicialización de la suma para los nodos x2k ,
N−2
k = 1, 2,..., = m − 1)
2
AI = 0
Paso 3: Para i = 1, 2 ,..., 2m − 1, seguir los pasos 4 y 5:
Paso 4: Tomar x = a + ih .
Paso 5: Si i es impar ( i = 2k + 1), entonces tomar AI1 = AI1 + f (x) , de lo contrario

(i = 2k ) tomar AI2 = AI2 + f (x) .
h(AIO + 4 AI1 + 2AI2)

Paso 6: Tomar AI = .
3
Paso 7: Salida: "Un valor aproximado de la integral para N = 2m subintervalos es AI".

Terminar.
__________________________________________________________________________________
 1
Error de fórmula en la regla de Simpson   : Como el término (x − xk )(x − xk +1 )(x − xk + 2 )
 3
que aparece en la formula de error al interpolar por un polinomio de interpolación de
Lagrange (de grado menor o igual que 2) usando los nodos xk , xk +1, xk + 2 , cambia de signo
en el intervalo [xk , xk +2 ] , no podemos obtener una fórmula para el error al aplicar la regla de
 1
Simpson   usando el teorema del valor medio ponderado para integrales; sin embargo se
 3
puede demostrar, ver Kincaid, 1972, páginas 447 y 448, que el error al emplear la regla de
 1
Simpson   en el intervalo [xk , xk +2 ] , llamado error local, está dada por
 3
h 5 ( iv )
Ek = − f (ξ k )
90
b−a
donde h = y ξk ∈ (x k , x k + 2 ), k = 0, 2,..., N − 2 .
N
 1
Entonces el error al aplicar la regla de Simpson   sobre todo el intervalo [a, b] , es decir, el
 3
error total, E T , es
N− 2 N− 2
(∗) 2 
h 5 (iv )
( ) , ( )
2
ET = ∑ Ek =
k =0, 2,..,N− 2
∑
p =0
E 2p = ∑ −
 90
p =0 
f ξ 2p

ξ 2p ∈ x 2p , x 2(p+1)
N− 2
∑ f ( ) (ξ ) = − 90  2 + 1f ( ) (ξ)
h 5 2
h N− 2  5
=− iv
2p
iv
90 p =0
 N  (iv ) 4 b − a (iv )
= −h5   f (ξ) = −h f (ξ), ξ ∈ (a,b )
 180  180
( (*) La igualdad se debe al cambio de variable k = 2p : si k = 0 , entonces p = 0 , y si

N− 2
k = N − 2 , entonces p = )
2
 1
Esto implica que la regla de Simpson   es exacta cuando se aplica a polinomios de grado
 3
menor o igual que 3, que es un grado más de lo que era de esperarse, ya que estamos
aproximando la función f por medio de polinomios de grado menor o igual que dos.
Si f ( ) (x) ≤ L para toda x ∈[a,b] , entonces

iv
__________________________________________________________________________________
h 5 N ( iv ) h5 b−a
ET = f (ξ) ≤ NL = h 4 L
90 2 180 180
así que E T = O h 4 .( )
En el caso N = 2 ,
h 5 ( iv )
f (ξ) = −
(b − a) f (iv) ξ , con ξ ∈ a,b
5
ET = −
90 2880
() ( )
(recuerde que h =
b−a
N
( )
), así que E T = O h 5 .
 3
5.1.3 Regla de Simpson   : De la misma forma que se obtuvieron las regla de los
 8
 1
Trapecios y la regla de Simpson   , se puede interpolar la función f en cada subintervalo
 3
[xk , xk +3 ] , k = 0,3,...,N − 3 (lo que requiere que N sea un entero positivo múltiplo de 3, es
decir, N = 3m, m un entero positivo), mediante un polinomio de interpolación de Lagrange de
grado menor o igual que tres, pk (x) , usando los nodos xk , xk +1, xk + 2 , xk + 3 .
FIGURA 5.4
Entonces
xk + 3 xk + 3
∫ f (x)dx ≈ ∫ p (x)dx
k
xk xk
__________________________________________________________________________________
y se obtiene
f ( x k ) + 3 f ( x k +1 ) + 3 f ( x k + 2 ) + f ( x k + 3 )
xk + 3
∫ f (x)dx ≈ (xk + 3 − xk )
!#"#$ !###### #" 8 ####### $
xk ancho altura promedio
=
3h
8
[
f ( x k ) + 3 f ( x k +1 ) + 3 f ( x k + 2 ) + f ( x k + 3 ) ]
Así que
b x3 x6 xN
∫ f (x)dx = ∫ f (x)dx + ∫ f (x)dx+...+ ∫ f (x)dx

a x0 x3 xN− 3
≈
3h
8
{ [f (x ) + 3f (x ) + 3f (x ) + f (x )] + [f (x ) + 3f (x ) + 3f (x ) + f(x )]+...
0 1 2 3 3 4 5 6
+ [f (x ) + 3 f (x ) + 3f (x ) + f (x )] }
N− 3 N− 2 N−1 N
es decir,
b
 N− 3 N− 3 N− 3 
3h  3 3 3 
∫ f (x)dx ≈
8 
f (a) + f (b) + 3
k =0
∑
f ( x 3 k +1 ) + 3
k =0
∑
f (x3k + 2 ) + 2 f (x3k )
k =1 
∑
a
 
Si N = 3m, m ≥ 2, m un entero, la fórmula anterior se conoce como regla compuesta de

 3
Simpson   .
 8
b−a
En el caso N = 3 , caso en el cual h = , dicha fórmula se reduce a
3
3(b − a) 
b
 2a + b   a + 2b  
∫ f (x)dx ≈
a
24 
f (a) + 3f 
 3 
 + 3f 
 3 
 + f (b)

b−a  2a + b   a + 2b  
= f (a) + 3f   + 3f   + f (b)
8   3   3  
 3
fórmula que se conoce como regla simple de Simpson   .
 8
 1
Al igual que en el caso de la regla de Simpson   , se puede demostrar que el error al
 3
b
 3
aproximar el valor de la integral ∫ f (x)dx
a
por medio de la regla de Simpson   en el
 8
intervalo [xk , xk +3 ] , es decir, el error local, es
__________________________________________________________________________________
3 5 (iv ) b−a
Ek = − h f (ξk ), h = , ξk ∈ (x k , x k +3 ), k = 0, 3,..., N − 3
80 N
y entonces el error total es
N− 3
3 5 3 ( iv ) 3 5  N − 3  ( iv )
ET = − h
80 p = 0
f∑ ( )
ξ 3p = − h 
80  3
+ 1 f (ξ)

N ( iv ) b − a ( iv )
= −h 5 f (ξ ) = −h 4 f (ξ ) para algú n ξ ∈ (a, b)
80 80
Si f ( ) (x) ≤ L para toda x ∈[a,b] , entonces

iv
b − a ( iv ) b−a
ET = h4 f (ξ ) ≤ h 4 L
80 80
 1
( )
así que E T = O h 4 , como en la regla de Simpson   .
 3
b−a
Si N = 3 , entonces h = y
3
3 5 ( iv )
ET = − h f (ξ)
80
5
3  b − a  ( iv ) (b − a) f (iv) ξ
5
=−   f (ξ) = − () para algú n ξ ∈ (a,b)
80  3  6480
( )
así que E T = O h 5 , en este caso.
 1  3
Ejemplo 5.1 Use las reglas de los Trapecios, Simpson   y Simpson   simples y
 3  8
compuestas con N = 6 , para estimar
π
3
∫
I = sen 2 xdx
0
Cuál es una cota para el error en la estimación, en cada caso ? (desprecie los errores de
redondeo)
Solución: En este ejemplo f (x) = sen 2 x , que es una función continua en todo R , por tanto
se satisfacen todas las hipótesis para que se puedan aplicar las reglas de integración
numéricas vistas.
__________________________________________________________________________________
CASO SIMPLE: En este caso N = 1 para la regla de los Trapecios, N = 2 para la regla de
 1  3
Simpson   y N = 3 para la regla de Simpson   .
 3  8
i) Según la regla de los Trapecios:
π
3
b−a
∫
I = sen 2 xdx ≈
2
[
f (a) + f (b) ]
0
π 2 π
= sen 0 + sen   
2
6 3 
= .3926991
 1
ii) Según la regla de Simpson   :
 3
π
3
b−a  a + b  π  2 π 2 π 
∫
I = sen 2 xdx ≈ f (a) + 4 f   + f (b) = sen (0 ) + 4 sen   + sen   
2
6  2   18  6 3 
0
= .3054326
 3
iii) Según la regla de Simpson   :
 8
π
3
3(b − a)   2a + b   a + 2b  
∫
I = sen 2 xdx ≈ f (a) + 3f   + 3f   + f (b)
24  3   3  
0
π  2 π 2  2π  2 π
= sen (0 ) + 3 sen   + 3 sen   + sen   
2
24  9 9 3 
= .3063656
Cuál de estas aproximaciones es la mejor ?
Estudiemos el error para cada caso.
i) Regla de los Trapecios: En este caso
h3  π π
ET = − f ′′(ξ) con ξ ∈  0,  , h = b − a =
12  3 3
Como f (x) = sen 2 x , entonces

__________________________________________________________________________________
f ′(x) = 2 sen x cos x = sen(2x), f ′′(x) = 2 cos(2x)
( f ′′′(x) = −4 sen(2x), f ( ) (x) = −8 cos(2x) )

iv
luego
 π
f ′′(x) = 2 cos(2x) < 2 para todo x ∈  0, 
 3
y entonces
3
 π
 
3
 3
f ′′(ξ)
h
ET = ≤ 2 ≈ .19 < .5 = 5 × 10 −1
12 12
lo que no garantiza que el valor obtenido aproxime al valor exacto con alguna cifra decimal
exacta.
 1
ii) Regla de Simpson   : En este caso
 3
h 5 ( iv )  π b−a π
ET = − f (ξ) para algún ξ ∈  0,  , h = =
90  3 2 6
y como
 π
f ( ) (x) = − 8 cos(2x) < 8 para todo x ∈  0, 
iv
 3
entonces
5
 π
 
h 5 ( iv )  6
ET = f (ξ) ≤ 8 ≈ 3.5 × 10 −3 < 5 × 10 −3
90 90
lo que asegura una precisión de por lo menos dos cifras decimales exactas en la
 1
aproximación obtenida aplicando la regla simple de Simpson   .
 3
 3
iii) Regla de Simpson   : En este caso
 8
3h 5 ( iv )  π b−a π
ET = − f (ξ ) para algún ξ ∈  0,  , h = =
80  3 3 9
entonces
5
 π
3 
3h 5 ( iv )  9
ET = f (ξ) ≤ . × 10 −3 < 5 × 10 −3
8 ≈ 16
80 80
lo que garantiza una precisión de por lo menos dos cifras decimales exactas en la
 3
aproximación obtenida usando la regla de Simpson   .
 8
__________________________________________________________________________________
Según estas estimaciones de error, se espera que la mejor aproximación sea la obtenida por
 3
la regla de Simpson   , pero para dar una respuesta definitiva debemos conocer el valor
 8
exacto de la integral dada.
b−a π
CASO COMPUESTO CON N = 6 : Si N = 6 , entonces h = = y los puntos de la
N 18
partición son
π π π 2π 5π π
x 0 = 0, x1 = , x 2 = , x3 = , x4 = , x5 = , x6 =
18 9 6 9 18 3
Entonces tenemos:
i) Regla de los Trapecios: Según esta regla
π
3 5
∑[
f ( x k ) + f ( x k +1 ) ]
h
∫
I = sen xdx ≈ 2
2 k =0
0
π   π   π   π   π   2π   5 π   
= f (0) + f   + 2f   + f   + f   + f   + f    
36   3   18   9   6   9   18   
= .3092953
En este caso el error es
3
 π
 
h3  18   π
E T = − Nf ′′(ξ) = − 6f ′′(ξ) para algú n ξ ∈ 0, 
12 12  3
y como
 π
f ′′(x) ≤ 2 para toda x ∈ 0, 
 3
entonces
3
 π
  3
 18  π
ET ≤
12
(6)(2) =  18  ≈ 5.3 × 10 −3 < 5 × 10 −2
lo que garantiza una precisión de por lo menos una cifra decimal exacta en la aproximación
calculada.
 1
ii) Regla de Simpson   : Según esta regla
 3
π
∑[ ]
f ( x k ) + 4 f ( x k +1 ) + f ( x k + 2 )
h
I= ∫
0
3
sen 2 xdx ≈
3 k = 0,2,4
=
h
3
{ [ ] [
f (x 0 ) + f (x6 ) + 4 f (x1 ) + f (x3 ) + f (x5 ) + 2 f (x2 ) + f (x4 ) ]}
= .3070743
__________________________________________________________________________________
El error en la aproximación es
h5 h5 h 5 ( iv )  π
Nf ( ) (ξ) = − 6f ( ) (ξ ) = − f (ξ) para algún ξ ∈ 0, 
iv iv
ET = −
180 180 30  3
y como
π  π
y f ( ) (x) ≤ 8 para toda x ∈ 0, 
iv
h=
18  3
entonces
5
 π
 
 18 
ET ≤ 8 ≈ 4.3 × 10 −5 < 5 × 10 −5
30
lo que garantiza una precisión de por lo menos cuatro cifras decimales exactas en la
aproximación calculada.
 3
iii) Regla de Simpson   : En este caso
 8
π
3
∑[ ]
f ( x k ) + 3 f ( x k +1 ) + 3 f ( x k + 2 ) + f ( x k + 3 )
3h
∫
I = sen 2 xdx ≈
0
8 k = 0,3
=
3h
8
{ [ ] [
f (x 0 ) + f (x6 ) + 3 f (x1 ) + f (x4 ) + 3 f (x2 ) + f (x5 ) + 2f (x3 ) ] }
= .3070510
El error en la aproximación para este caso es

5
 π
 
h 5 ( iv )  18   π
Nf (ξ) = − 6f ( ) (ξ) para algún ξ ∈ 0, 
iv
ET = −
80 80  3
y entonces
5
 π
 
 18 
ET ≤
80
(6)(8 ) ≈ 9.7 × 10 −5 < 5 × 10 −4
lo que garantiza una precisión de por lo menos tres cifras decimales exactas en la
aproximación calculada.
De estas tres ultimas aproximaciones, se espera que la mejor sea la dada por la regla de
 1
Simpson   , que es la que tiene menor cota de error.
 3
π
3
π 1  2π  π 3
∫
Como el valor exacto de I = sen 2 xdx =
0
− sen  = −
6 4  3 6 8
= .307092424... , entonces
el error absoluto real en las aproximaciones obtenidas, para el caso de las reglas
compuestas, es:
__________________________________________________________________________________
π
3
∫ sen xdx−.3092953 = 2.1...×10 −3 , para la regla de los Trapecios.

2
π
3
 1
∫ sen xdx−.3070743 . ...×10 −5 , para la regla de Simpson   .
= 18
2
 3
0
π
3
 3
∫ sen xdx−.3070510 = 4.1...×10 −5 , para la regla de Simpson   .
2
 8
0
TRAPECIO( f (x), x, a, b ,N ): Usa la regla de los Trapecios con N subintervalos para aproXimar
b
el valor de la integral ∫ f (x)dx .
a
 1
SIMPSON( f (x), x, a, b ,N ): Usa la regla de Simpson   con N subintervalos (N debe ser un
 3
b
entero positivo PAR) para aproXimar el valor de la integral ∫ f (x)dx .
a
π
TRAPECIO( (sinx) , x , 0 , , 6 );
2
Para el ejemplo anterior, aproXime las expresiones
3
π
SIMPSON( (sinx) , x , 0 , , 6 ). ◊
2
3
 1  3
Los valores obtenidos por las reglas de los Trapecios, Simpson   y Simpson   , para
 3  8
valores de N = 12, 18, 24 y 36 se muestran en la TABLA 5.1 siguiente.
Regla de los Regla de Regla de

N Trapecios  1  3
Simpson   Simpson  
 3  8
6 .3092953 .3070743 .3070510
12 .3076423 .3070913 .3070899
18 .3073367 .3070922 .3070919
24 .3072298 .3070924 .3070923
36 .3071535 .3070924 .3070924
TABLA 5.1
__________________________________________________________________________________
 1
Se recomienda usar la regla de Simpson   con h ≈ .05 . Si el número de subintervalos
 3
 1  3
es impar se pueden combinar las reglas de Simpson   y Simpson   , mejor que usar la
 3  8
regla de los Trapecios.
Para el ejemplo, observe que si N = 18 , entonces

π
−0
b−a 3 π
h= = = ≈ .058 ♦
N 18 54
Una propiedad muy importante de las fórmulas de integración (cerradas) de Newton-Cotes

es la estabilidad con respecto a los errores de redondeo.
 1
Por ejemplo, supongamos que aplicamos la regla de Simpson   con N = 2m
 3
subintervalos a una función f en [a, b] , y determinemos una cota para el error de redondeo
acumulado ocasionado por la aplicación de dicha regla.
Si el valor calculado de f (xk ) se nota por f (xk ) , es decir,

~
f (xk ) = f (xk )+ ∈k , para k = 0,1,...,N = 2m

~
donde ∈k denota el error de redondeo correspondiente a f (xk ) , entonces al aplicar la regla

 1
de Simpson   a la función f debemos calcular la expresión
 3
h 
m −1 m −1
3  ∑ k =0
∑
f (x0 ) + f (x2m ) + 4 f (x2k +1 ) + 2 f (x2k )
k =1 
 1
Por lo tanto el error de redondeo acumulado ER , al usar la regla de Simpson   , es
 3
h 
m −1 m −1
3  k =0
∑
ER = ∈0 + ∈2m +4 ∈2k +1 + 2 ∈2k 
k =1 
∑
así que
h 
m −1 m −1
ER =
3  k=0
∑
∈0 + ∈2m +4 ∈2k +1 + 2 ∈2k 
k =1 
∑
y entonces
h  
m−1 m−1
ER ≤  ∈0 + 4
3  ∑
k =0
∈2k +1 + 2 ∑
k =1
∈2k + ∈2m 

__________________________________________________________________________________
Ahora bien, si los errores de redondeo están acotados uniformemente por ∈, es decir
∈k ≤∈ para todo k = 0, 1,..., N = 2m , entonces
ER ≤
h
3
[ h
3
]
∈+4m ∈+2(m − 1) ∈+ ∈ = 6m ∈= 2mh ∈
b−a b−a
pero h = = , así que 2mh = b − a , y por lo tanto
N 2m
ER ≤ (b − a) ∈
Luego una cota para el valor de ER es (b − a) ∈, que es una cota independiente de h, lo que
 1
implica que el procedimiento de la regla de Simpson   es estable cuando h tiende a
 3
cero. ∇
 1
Ejemplo 5.2 Use la regla de Simpson   con N = 6 para estimar la longitud L del arco de
 3
 π  π 
la curva y = cos x comprendida entre los puntos  − , 0 y  , 0 .
 2  2 
dy
Solución: Como y = cos x , = − sen x , entonces
dx
π
2
L= ∫ π
1 + sen 2 x dx (Integral elíptica de segunda clase)
−
2
1
Es claro que la función f (x) = 1 + sen x = 2 1 −
2
cos 2 x es continua en el intervalo finito
2
 π π  1
− 2 , 2  . Así que podemos aplicar la regla de Simpson   para aproximar el valor de L.
  3
b−a π
Si N = 6 , entonces h = = , y entonces los puntos xk de la partición y los valores
N 6
f (xk ) = 1 + sen 2(xk ) correspondientes, son los que se dan en la TABLA 5.2 siguiente:
k 0 1 2 3 4 5 6
π π π π π π
xk − − − 0
2 3 6 6 3 2
7 5 5 7
f (xk ) 2 2 2
1
2 2 2
TABLA 5.2
__________________________________________________________________________________
Por consiguiente
π
h 
2 2 2
L= ∫ 1 + sen 2 x dx ≈
3  ∑
k =0
∑
f (x0 ) + f (x6 ) + 4 f (x2k +1 ) + 2 f (x2k )
k =1 
π
−
2
π   7 7  5 5 
=  2 + 2 + 4 + 1+  + 2 + 
18   2 2   2 2  
 
= 3.819403
 1
De acuerdo con la fórmula de error en la aplicación de la regla de Simpson   , se tiene
 3
que
4
b−a  π π
ET ≤h 4
M=  M
180  6  180
 π π
siendo M una constante tal que f (iv ) (x ) ≤ M para toda x ∈  − ,  . Se puede verificar que el
 2 2
menor valor para M es 7, así que
4
 π π
ET ≤   7 ≈ .009 ≤ 5 × 10 −2
 6  180
lo que asegura una precisión de por lo menos una cifra decimal exacta en la aproximación
obtenida. En situaciones como la del ejemplo, donde la función f (x) = 1 + sen 2x tiene
derivada difícil de calcular, podemos estimar el error teniendo en cuenta que
( )  π
E T = O h 4 ≈   ≈.075 < .5 = 5 × 10 −1
 6
π
Si N = 60 , entonces h = ≈ .05 y la aproximación obtenida es L ≈ 3.820198 con
60
E T ≤ 9.1 × 10 −7 ≤ 5 × 10 −6 , lo que asegura una precisión de por lo menos cinco cifras
decimales exactas en la aproximación obtenida. ♦
Ejemplo 5.3 Determine los valores de N y h necesarios (de acuerdo con la teoría) para
aproximar
3
∫ e senxdx
x
 1
de manera que el error en la aplicación de la regla de Simpson   no sea mayor que 10 −4
 3
y determine la aproximación (desprecie los errores de redondeo).
__________________________________________________________________________________
 1
Solución: Sabemos que el error en la aplicación de la regla compuesta de Simpson   es
 3
h 5 N ( iv ) b−a 2
ET = − f (ξ) , donde ξ ∈ (1,3) y h = =
90 2 N N
De acuerdo con esta fórmula, debemos empezar por conocer una cota para f ( ) (x) en el
iv
intervalo [13
, ] , siendo f (x) = e x senx .
Como
f ′(x) = e x senx + e x cosx = e x (senx + cosx)
f ′′(x) = e x (senx + cosx) + e x (cosx − senx) = 2e x cosx
f ′′′(x) = 2e x cosx − 2e x senx = 2e x (cosx − senx)

y
f ( ) (x) = 2e x (cos x − sen x) + 2e x (− sen x − cos x) = 2e x (−2 sen x) = −4e x sen x
iv
entonces f ( ) (x) = −4e x sen x − 4e x cos x = −4e x (sen x + cos x) , así que
v
f ( ) (x) = 0 ⇔ sen x + cos x = 0 ⇔ sen x = − cos x

v
3π
⇒x= ≈ 2.356 ∈[13
, ]
4
Ahora,
3π
iv  3 π  4 sen 3 π 
f ( )   = −4 e   = −29.84...
 4   4 
f ( ) (1) = −4e1sen1 = −9.149...

iv
f ( ) (3) = −4e 3 sen3 = −1133

iv
. ...
3π
ocurre el mínimo de f ( ) (x) = −4e x senx en el intervalo [13
, ] , pero
iv
luego en x =
4
( iv )
f ( ) (x) = −4e x senx < 0 para toda x ∈[1,3] , así que el máximo de f (x)
iv
en el intervalo
3π
[13
, ] ocurre en x=
4
, es decir,
3π
 3π 
f ( ) (x) = 4e x sen x ≤ 4e sen  ≈ 29.84 < 30 para todo x ∈[13
, ]
iv 4
 4 
__________________________________________________________________________________
Así que finalmente,

5
 2
 
5
 N
N(30) =
h
ET ≤ N
180 6
32 −4
y entonces debemos encontrar N, tal que ≤ 10 . La solución de esta desigualdad es
6N4
N > 15 y como N debe ser par, entonces el menor valor de N es N = 16 .
2  1
Si N = 16 , entonces h = = .125 y la regla de Simpson   da
16  3
3
∫e sen xdx ≈ 10.95011

x
Como E T ≤ 10 −4 < 5 × 10 −4 , entonces (despreciando los errores de redondeo) la

aproximación calculada tiene una precisión de por lo menos tres cifras decimales exactas,
que son 9,5 y 0.
∫e sen xdx = 10.95017... , así que la aproximación

x
Si integramos por partes, obtenemos
1
calculada es bastante buena. ♦
5.2 INTEGRACIÓN DE ROMBERG
La integración de Romberg es un método numérico para obtener una estimación del valor de
una integral definida con base en dos o más aplicaciones de una fórmula como la de los
Trapecios (o Simpson) empleando diferentes tamaños de paso, pero que es mejorada al
combinarse con el proceso de extrapolación de Richardson. Para estudiar la extrapolación
de Richardson se puede consultar Burden, 1985, páginas 167-173.
b
El procedimiento de Romberg para aproximar ∫ f (x)dx , consiste en lo siguiente:
a
Aplicamos la regla de los Trapecios sucesivamente para tamaños de paso hk variables, así:
h1 b − a h b−a
h1 = b − a (m1 = 1 subintervalo) , h 2 =
2
=
2
( m 2 = 2 subintervalos), h 3 = 2 = 2
2 2
(m 3 )
= 2 2 subintervalos ,..., hk =
h k −1 b − a
2
= k −1
2
( mk = 2
k −1
subintervalos),
hN−1 b − a
..., hN = = N−1 ( mN = 2N−1 subintervalos) donde N es algún entero positivo.
2 2
Al reemplazar h por hk en la regla de los Trapecios, obtenemos

__________________________________________________________________________________
b  2 k − 1 −1  h 3 2k −1 −1
∑ ∑
h
∫ f (x)dx = k f (a) + f (b) + 2 f (a + ihk ) − k f ′′(ξ i )
2   12 i= 0
a  i=1 
donde ξ i es tal que a + ihk < ξ i < a + (i + 1)hk .
Si denotamos
 2 k − 1 −1 
∑
h
Rk,1 = k f (a) + f (b) + 2 f (a + ihk )
2  
 i =1 
entonces al variar k = 12
, ,...,N , obtenemos las aproximaciones mediante la regla de los
Trapecios
b−a
, =
R11
h1
2
[
f (a) + f (b) = ]2
[
f (a) + f (b) ]
R2,1 =
h2
2
[
f (a) + f (b) + 2f (a + h 2 ) ]
b−a  b − a 
= f (a) + f (b) + 2f  a + 
4  2 
1 b − a  
= 
2 2
[ ] 
1
f (a) + f (b) + (b − a)f  a + (b − a) 
2 
es decir,
1  1 
R2,1 = , + h1f  a +
R11 h1 
2  2 
Ahora,
 3 
∑
h3
R3,1 = f (a) + f (b) + 2 f (a + ih 3 )
2  i =1 
=
h3
2
{ [
f (a) + f (b) + 2 f (a + h 3 ) + f (a + 2h 3 ) + f (a + 3h 3 ) ]}
b − a   b − a  b − a  3(b − a)   
= f (a) + f (b) + 2f  a +  + f a +  + f  a +  
8  

 4   2   4   
 
1  b − a   b − a   b − a   1  b − a   3  b − a   
=  f (a) + f (b) + 2f  a +  + f  a +    + f a +    
2  4   2  2   2  2   2  2   
es decir,
1   h2   3h 2   
R3,1 = R2,1 + h 2 f  a +  + f  a +  
2   2  2   
En general, se puede demostrar que

__________________________________________________________________________________
1   
2k − 2
  2i − 1
Rk,1 = Rk −11
2
, + h k −1 ∑ f  a +  2 
 hk −1  , k = 2,3,...,N

 i =1 
Para ilustrar esta primera parte del procedimiento, aproximemos la integral
∫ x dx = ln 3 (= 10986128...)
1
.
1
mediante los números de Romberg R k ,1 con k = 1, 2, 3 (N = 3 ) :
3 − 1 1 1  4
, =
R11 + = ≈ 1333333
.
2  1 3  3
1 4 1 1  7  7
R2,1 = + (3 − 1)  =   = ≈ 1166667
.
2  3 2 2  3 6
1  7 3 − 1  2 2   1  7 16  1 67 67
R3,1 =  + + =  + = = ≈ 1116667
.
2 6 2  3 5   2  6 15  2 30 60
Se observa que las aproximaciones Rk,1 van acercándose al valor exacto de la integral, pero
con lentitud. Para acelerar la convergencia, usamos ahora extrapolación de Richardson y
un resultado que nos muestra otra forma para el error en la aplicación de la fórmula de los
Trapecios:
hk   h2 (b − a)hk4 f ( iv) ξ
k −1
b 2 −1
∫ f (x)dx = f (a) + f (b) + 2

2  ∑
f (a + ihk ) − k f ′(b) − f ′(a) +
 !12
#######"#######
[ 720
] ( k)
$
a 
!######"######
i =1
$  error
Rk,1
para algún ξ k con a < ξ k < b , k = 1, 2,..., N .
Combinando la ecuación
b
hk2−1 (b − a)hk −1 f ( iv) ξ
4
∫ f (x)dx =Rk −11

, −
12
[
f ′(b) − f ′(a) +
720
] ( k −1 )
a
con la ecuación
b
hk2 (b − a)hk4 f (iv) ξ
∫ f (x)dx = Rk,1 −
12
[
f ′(b) − f ′(a) +
720
] ( k)
a
hk2−1 (b − a)hk4 f ( iv) ξ ,

= Rk,1 −
48
[
f ′(b) − f ′(a) +
720
] ( k) ya que hk =
hk −1
2
__________________________________________________________________________________
o sea con la ecuación
4(b − a)hk4 ( iv )
b
hk2−1
4 f (x)dx = 4Rk,1 −
∫ 12
[
f ′(b) − f ′(a) +
720
] f (ξ k )
a
podemos eliminar el término que contiene a f ′(b) − f ′(a) , para obtener
[ ( )]
b
b−a
3 f (x)dx = 4Rk,1 − Rk −11
∫ 4hk4 f ( ) (ξ k ) − hk4−1f ( ) ξ k −1
iv iv
, +
720
a
Luego
[ ]
b
4Rk,1 − Rk −11 b−a
∫ f (x)dx = 4hk4 f ( ) (ξ k ) − hk4−1f ( ) (ξ k −1 )
, iv iv
+
3 2160
a
2160 [
4h f ( ) (ξ ) − 16h f ( ) (ξ )] , ya que h
4Rk,1 − Rk −11 b−a
=
,
+ 4
k
iv
k
4 iv
k k −1 k −1 = 2hk .
3
540 [
f (ξ ) − 4 f ( ) (ξ )]
4Rk,1 − Rk −11
, b−a ( ) iv iv
= +h 4
k k k −1
3
y asumiendo que f ( ) está acotada en [a, b] , entonces

iv
b
4Rk,1 − Rk −11
∫ f (x)dx = 3
,
( )
+ O hk4 , k = 2,3,...,N
a
Para continuar con el procedimiento de Romberg, definimos:
4Rk,1 − Rk −11
,
Rk,2 = para k = 2,3,...,N
3
Se puede demostrar que las aproximaciones Rk,2 , k = 2,3,...,N corresponden a las

 1
aproximaciones obtenidas por la Regla de Simpson   con h = hk .
 3
Para el ejemplo, tenemos

 7 4
4  −
4R2,1 − R11
,  6  3 10
R2,2 = = = ≈ 1111111
.
3 3 9
 67  7
4  −
4R3,1 − R2,1  60  6 198
R3,2 = = = = 1100000
.
3 3 180
Aplicando sucesivamente el proceso de extrapolación de Richardson, obtenemos

__________________________________________________________________________________
4 j−1Ri, j−1 − Ri−1, j−1

Ri, j = para cada i = 1,2,...,N y j = 2,...,i
4 j −1 − 1
con error asociado de orden O hi2 j . ( )

Recuerde que
1   
2k − 2
  2i − 1
Rk,1 = Rk −11
2
, + h k −1 ∑ f a + 
  2 
 hk −1  , k = 2,3,...,N

 i=1 
y que
b−a
, =
R11
2
[
f (a) + f (b) ]
El orden en que se calculan los Ri, j es (por filas):
R 1,1
↓
R 2,1 → R 2,2
↓ ↓
R 3,1 → R 3,2 → R 3,3
↓
&
↓
R N,1 → R N,2 → R N,3 → % → R N,N
donde para calcular R2,2 necesitamos conocer R11

, y R 2,1 ; para calcular R 3,2 necesitamos
conocer R2,1 y R3,1 ; para calcular R3,3 necesitamos conocer R2,2 y R3,2 ; etc. Así que el uso
mas eficiente de esta tabla se logra realizando los cálculos por filas de modo que con aplicar
una sola vez más la regla de los Trapecios (para calcular Rk,1 ) se pueda calcular la siguiente
fila.
, , R 2,1 , R 2,2 , R 3,1 , R 3,2 , R 3,3 ,... .

Es decir, el orden en que se calculan los elementos es R11
Se puede demostrar, ver Ralston, 1965, páginas 121-124, que los términos de la diagonal
convergen al valor exacto de la integral siempre y cuando los valores Rk,1 converjan a este
número. Se espera, en general, que la sucesión Rk,k { }k converja mucho más rápido que la
{ }k .
sucesión Rk,1
El procedimiento de Romberg se termina cuando, prefijada alguna tolerancia ε > 0, se

satisfaga que Rk,k −1 − Rk,k < ε y se toma Rk,k como la aproximación al valor de la integral.
__________________________________________________________________________________
Para el ejemplo, tenemos:
 198  10 176 10
4 3 −1R3,2 − R2,2
16 − −
 180  9 9 = 1584 − 100 = 1484 ≈ 1099259
R3,3 = = = 10 .
4 3 −1 − 1 15 15 1350 1350
con
R 3,2 − R 3,3 = .000741 < .005 = 5 × 10 −3
Como
3
1
R 3,3 − ∫ x dx
1
≈ .000647 < .005 = 5 × 10 −3
entonces el valor calculado R3,3 = 1099259

. , aproxima al valor exacto de la integral con una
precisión de dos cifras decimales exactas ( 0 y 9) .
Algoritmo 5.3 (Método de Romberg) Para encontrar un valor aproximado de I = f (x)dx ∫

a
usando el método de integración de Romberg:
Entrada: f (x) , los extremos a y b, y un entero positivo N.
, , R 2,1, R 2,2 , ..., RN,1, Rn,2 , ..., RN,N ≈ I .

Salida: Los números de Romberg R11
Paso 1: Tomar h = b − a ,
h [f (a ) + f (b )]
R1,1 =
2
Paso 2: Salida: R11

, .
Paso 3: Para i = 2, 3,..., N , seguir los pasos 4-8:
1 
2i − 2
Paso 4: Tomar R2,1 = R11
2
, +h ∑(
f a + (k −.5 )h ) (aproximación usando regla de los
 k =1 
Trapecios)
Paso 5: Para j = 2,...,i , tomar
4 j−1R2 , j−1 − R1, j−1

R2 , j = (Extrapolación de Richardson)
4 j −1 − 1
__________________________________________________________________________________
Paso 6: Salida: Los números de Romberg R 2,j , j = 1, 2,..., i .
h
Paso 7: Tomar h = (cambiar la longitud del subintervalo).
2
Paso 8: Para j = 1, 2,..., i tomar R1, j = R2 , j .
Paso 9: Terminar
Este algoritmo sólo utiliza dos vectores en memoria para calcular los números de Romberg.
5.3 MÉTODO DE LOS COEFICIENTES INDETERMINADOS
Vimos en la sección 5.1 que la fórmula de los Trapecios es exacta para todos los polinomios
 1  3
de grado menor o igual que uno y que las reglas de Simpson   y   son exactas para
 3  8
polinomios de grado menor o igual que tres. Otra forma de deducir fórmulas de integración
numérica que sean exactas para todos los polinomios de hasta cierto grado, se estudia a
continuación:
Supongamos que queremos obtener una fórmula de integración numérica del tipo
∫ f (x)dx = !
a
Af (a) + Bf (b) +
# #"## $
E T (f )
!"$ (5.1)
FORMULA ERROR TOTAL
de modo que dicha fórmula sea exacta para todos los polinomios de grado menor o igual que
uno, es decir, tal que el error E T (f ) = 0 cuando f (x) sea un polinomio de grado menor o igual
que uno.
Cómo se determinan los coeficientes A y B?
Para generar ecuaciones que permitan determinar los coeficientes A y B, observe que: Si
f (x) = a0 + a1x con a 0 ,a1 ∈ R , entonces
__________________________________________________________________________________
b
E T (f ) = E T (a 0 + a1x) = f (x)dx − Af (a) − Bf (b)
∫
a
b
= ∫ (a
a
0 + a1x)dx − A(a 0 + a1a) − B(a 0 + a1b)
b  b 
 ∫   ∫
= a 0  1dx − A.1 − B.1 + a1  xdx − A. a − B. b

a  a 
= a 0E T (1) + a1E T (x)
es decir,
E T (a 0 + a1x ) = a 0 E T (1) + a1 E T (x )
Así que
E T (a0 + a1x) = 0 para todo a 0 , a1 ∈ R si y sólo si E T (1) = 0 y E T (x) = 0
es decir, la fórmula buscada es exacta para todos los polinomios de grado menor o igual que
uno si y sólo si la fórmula es exacta para las funciones polinómicas básicas de grado menor
o igual que uno: f0 (x) ≡ 1 y f1(x) = x . De acuerdo con lo anterior, para determinar los
coeficientes A y B, en la fórmula buscada, basta sustituir f (x) por 1 y f (x) por x en la
ecuación (5.1) con E T (f ) = 0 .
Haciendo dichas sustituciones, obtenemos
b
E T (1) = 1dx − A ⋅ 1 − B ⋅ 1 = 0
∫
a
b
E T (x) = ∫ xdx − A ⋅ a − B ⋅ b = 0
a
es decir, se obtiene el sistema lineal de dos ecuaciones en las dos incógnitas A, B:
 A +B = b− a

 b 2 − a2
 aA + bB =
 2
b−a
Como este sistema tiene solución única A = B = , entonces la fórmula obtenida es
2
b
b−a
∫ f (x)dx ≈ 2
[ ]
f (a) + f (b)
a
que es la ya conocida regla simple de los Trapecios para f en [a,b] (verifique que esta fórmula
no es exacta para todos los polinomios de grado dos!).
__________________________________________________________________________________
El trabajo realizado antes en el intervalo [a, b] puede hacerse, sin pérdida de generalidad, en
el intervalo [0,1] , pues la función lineal
λ : [0,1] → [a,b]
t → λ(t) = (b − a)t + a
es uno a uno y sobre, además λ(0) = a, λ(1) = b ( λ−1(a) = 0 , λ−1(b) = 1 ). Vea la FIGURA 5.5
como ayuda para construir la función x = λ(t) .
x−a t
= ⇒ x − a = (b − a)t
b−a 1
FIGURA 5.5
Si en la integral
∫ f (x)dx
a
hacemos el cambio de variable x = (b − a)t + a , entonces dx = (b − a)dt y

b 1 1
∫
a
∫( ) ∫(
f (x)dx = f (b − a)t + a (b − a)dt = (b − a) f (b − a)t + a dt
0 0
)
En general, la función lineal
λ : [c, d] → [a,b]
b−a
t → λ (t ) = ( t − c) + a
d− c
es uno a uno y sobre, y además λ(c) = a y λ(d) = b ( λ−1(a) = c , λ−1(b) = d ). Si en la integral
∫ f (x)dx
a
__________________________________________________________________________________
hacemos el cambio de variable
b−a
x=
d−c
(t − c) + a
obtenemos
b d d
b−a b− a b−a
∫ f (x)dx =
d− c ∫( )
f λ(t) dt = f
d− c  d− c
(t − c) + adt
∫
a c c
Observe que como λ es lineal en t, si f (x) es polinomial, entonces f λ(t) ( ) es también

polinomial en t y del mismo grado. Por consiguiente, la exactitud de una fórmula no se altera
al hacer el cambio de variable indicado antes, es decir, si una fórmula de integración
numérica es exacta para todos los polinomios de grado menor o igual que m en la variable x
en [a, b] , también lo será para todos los polinomios correspondientes en la variable t en [c, d]
y recíprocamente.
Como ejemplo, supongamos que queremos determinar los coeficientes A, B y C de modo

que la fórmula
1
 1
∫ f (x )dx ≈ !
0
Af (0 ) + Bf   + Cf (1)
###"  2###$
fórmula
sea exacta para todos los polinomios de grado menor o igual que dos.
Siguiendo la misma idea del ejemplo anterior se tiene que: la fórmula buscada será exacta
para todos los polinomios f (x) = a 0 + a1x + a 2 x 2 , de grado menor o igual que dos, si y sólo si
la fórmula es exacta para las funciones polinómicas básicas de grado menor o igual que dos
1, x, x2 .
Luego para determinar los coeficientes A, B y C basta resolver el sistema lineal
 1

 ∫
1 = 1dx = A ⋅ 1 + B ⋅ 1 + C ⋅ 1
 0
 1
1
1

 2
= ∫ xdx = B 2 + C ⋅ 1
0
 1
 1 1

 3 ∫
= x 2 dx = B + C ⋅ 1
0
4
es decir, debemos resolver el sistema lineal de tres ecuaciones en las tres incógnitas A, B, C:
__________________________________________________________________________________

 A +B + C =1

 1 1
 B+C=
 2 2
 1 1
 B+C=
4 3
1 4 1
La solución de este sistema es A = , B= y C= .
6 6 6
Así que la fórmula obtenida es

1
1 4  1 1
∫ f (x)dx ≈ 6 f (0) + 6 f  2  + 6 f (1)
0
que es exacta para todos los polinomios de grado menor o igual que dos. Como
ejercicio verifique si esta fórmula es exacta para todos los polinomios de grado
menor o igual que tres. Es exacta esta fórmula para todos los polinomios de grado
menor o igual que cuatro?
Si usamos el cambio de variable x = (b − a)t + a , obtenemos
b 1
∫
a
∫(
f (x)dx = (b − a) f (b − a)t + a dt
0
)
1 4  a + b 1 
≈ (b − a) f (a) + f   + f (b)
6 6  2  6 
b−a  a + b 
= f (a) + 4f   + f (b)
6  2  
que coincide con la regla simple de Simpson  1  aplicada a la función f en el

  3
intervalo [a,b] .
El método ilustrado en los ejemplos anteriores para encontrar fórmulas de integración

numérica se conoce como método de los coeficientes indeterminados.
5.4 MÉTODO DE CUADRATURA GAUSSIANA
En las fórmulas de integración numérica o de cuadratura estudiadas hasta aquí para

aproximar el valor de
__________________________________________________________________________________
b
I = f (x)dx
∫a
se ha usado siempre una partición regular a = x0 < x1 < ... < xn = b del intervalo [a,b] ,
es decir, los puntos x 0 , x 1,..., x n se han dado igualmente espaciados. Si se quita esta
condición, pueden diseñarse fórmulas de integración numérica más precisas
escogiendo adecuadamente los puntos x 0 , x 1,..., x n . Una de estas fórmulas es la
cuadratura Gaussiana, que se puede presentar en los siguientes términos:
La cuadratura Gaussiana consiste en obtener los valores de los puntos x 1, x 2 ,..., x n

en el intervalo [−11 , ] (podemos trabajar en [−11
, ] en vez de trabajar en [a, b] y luego
usar un cambio de variable como se hizo en la sección anterior) y los coeficientes
A 1, A 2 ,..., A n tales que la fórmula
1 n
∫ f (x)dx ≈ ∑ A f (x )
j =1
j j (5.2)
−1 !#"#$
FORMULA
sea exacta para todos los polinomios de grado tan alto como sea posible. Esta idea se
debe a Carl Friedrich Gauss (1777-1855).
Este proceso involucra la determinación de 2n incógnitas, A 1, A 2 ,..., A n y x 1, x 2 ,..., x n ,

donde, en principio, x 1, x 2 ,..., x n sólo están restringidos a que la función f esté
definida en x 1, x 2 ,..., x n y x 1, x 2 ,..., x n ∈ [− 1,1].
Los coeficientes A j y los puntos x 1, x 2 ,..., x n son determinados de modo que el error
1 n
En (f ) = ∫ f (x)dx − ∑ A f (x ) = 0
j =1
j j (5.3)
−1
para todos los polinomios f (x) de grado tan alto como sea posible.
Para derivar ecuaciones que permitan obtener los coeficientes A 1, A 2 ,..., A n y los
puntos x 1, x 2 ,..., x n , notemos, como en el caso del método de los coeficientes
indeterminados, que si f (x) = a0 + a1x + a2 x2 +...+am xm , entonces
__________________________________________________________________________________
(
E n (f ) = E n a 0 + a 1x + a 2 x 2 + ... + a m x m )
∫ (a ) ∑ A (a )
1 n
= 0 + a 1x + a 2 x 2 + ... + a m x m dx − j 0 + a 1x j + a 2 x 2j + ... + a m x m
j
−1 j=1
1 n  1 n  1 n 
= a 0  1dx −
 −1 ∫ ∑
A j ⋅ 1 + a 1  xdx −
  −1 ∫ ∑
A j x j  + a 2  x 2 dx −
  −1
A j x 2j  + ...
 ∫ ∑
 ###"j=#
!
1
## $  ###"j=#
!
1
## $  ###"j#
!
=1
##$
En (1) En ( x ) En x 2 ( )
1  n
 −1 ∫
+ a m  x m dx − ∑
j 
A jxm

 ###
!
j=1
#"#### $
En  x m 
 
( )
= a 0 E n (1) + a 1E n (x ) + a 2 E n x 2 + ... + a m E n x m ( )
(
Por consiguiente: El error En a0 + a1x + a2 x2 +...+ am xm = 0 para todos los polinomios )
de grado menor o igual que m si y sólo si En (x ) = 0 para todo i = 0, 1, 2,..., m .
i
Volviendo al tema de cómo determinar los coeficientes A j , j = 1, 2,..., n , y los puntos

de la partición x j , j = 1, 2,..., n , tenemos los siguientes casos particulares:
CASO 1: n = 1 . En este caso

1 1
E1(f ) = ∫ f (x)dx − ∑ A f (x )
j =1
j j
−1
1
= ∫ f (x)dx − A f (x )
−1
1 1
Así que queremos encontrar A1 y x1 tales que E1(f ) = 0 para todos los polinomios
f (x) de grado tan alto como sea posible.
Como hay dos incógnitas por determinar, consideraremos al menos dos ecuaciones,
una para f (x) ≡ 1 y otra para f (x) = x , lo que nos lleva a
1 1
∫ 1dx − A 1 ⋅1 = 0 y ∫ xdx − A x 1 1 =0
−1 −1
es decir, resulta el siguiente sistema no-lineal de dos ecuaciones en las dos incógnitas
A1 y x1 :
2 − A 1 = 0

 A 1x1 = 0
__________________________________________________________________________________
Como la única solución de este sistema es A1 = 2 y x1 = 0 , entonces la fórmula

obtenida es
1
∫ f (x)dx ≈ 2f (0)
−1
que es llamada regla del punto medio, y es exacta para todos los polinomios de
grado menor o igual que uno, como la regla de los Trapecios. (Verifique que la regla
del punto medio no es exacta para todos los polinomios de grado menor o igual que
dos!).
CASO 2: n = 2 . En este caso
1 2
E2 (f ) = ∫ f (x)dx − ∑ A f (x )
j =1
j j
−1
1
= ∫ f (x)dx − A f (x ) − A f (x )
−1
1 1 2 2
Así que, esta vez, debemos encontrar A1, A 2 , x1 y x2 tales que E2 (f ) = 0 para todos los
polinomios f (x) de grado tan alto como sea posible. Consideramos entonces cuatro
ecuaciones, una para cada una de las funciones polinómicas básicas de grado menor o
igual que tres x i , i = 0, 1, 2, 3 , con lo que obtenemos
1
∫ 1 dx − A
−1
1 ⋅1− A2 ⋅1 = 0
∫ xdx − A x
−1
1 1 − A 2 x2 = 0
∫ x dx − A x − A 2 x 22 = 0
2 2
1 1
−1
1
∫ x dx − A x − A 2 x 23 = 0
3 3
1 1
−1
es decir,
 A1 + A2 =2

 A 1x1 + A 2 x2 =0
 2
 A 1x1 + A 2 x 2 =
2 2
3

 A 1x13 + A 2 x 23 =0
__________________________________________________________________________________
Este sistema resultante es no-lineal de cuatro ecuaciones con cuatro incógnitas, y se

3 3
puede verificar que la solución de este sistema es A1 = 1 = A 2 , x1 = − , x2 = , así
3 3
que la fórmula obtenida es
1
 3  3
∫ f (x)dx ≈ f  −
−1
 + f 
3   3 
que es exacta para todos los polinomios de grado menor o igual que tres, como en la
 1
regla de Simpson   . (Verifique que la fórmula anterior no es exacta para todos
 3
los polinomios de grado cuatro).

En general, para n tenemos, como ya mencionamos antes, 2n incógnitas A 1, A 2 ,..., A n ,
x 1, x 2 ,..., x n , y queremos que En (x i ) = 0 para i = 0, 1,..., 2n − 1 , lo que nos conduce al
siguiente sistema no-lineal de 2n ecuaciones con 2n incógnitas
1 1 0 , i = 13
, ,...,2n − 1
x i +1 
n

∑j =1
A j xij = ∫ x dx =
i
i + 1
 = 2
 i + 1 , i = 0,2,...,2n − 2
−1 −1
La solución de estos sistemas se ve que no es fácil, y precisamente por la dificultad

que se presenta al trabajar con estos sistemas no-lineales, hay otra teoría más general,
pero que no presentaremos aquí. En dicha teoría se puede demostrar que el error
En (f ) viene dado por
2 2n +1(n!) f ( ) (ξ)
4 2n
En (f ) =
(2n + 1)[(2n)!]
2
(2n)!
para algún ξ ∈ (− 1, 1) .
La TABLA 5.3 siguiente, muestra los valores de los puntos x 1, x 2 ,..., x n y los valores
de los coeficientes A 1, A 2 ,..., A n , correspondientes a los valores de n = 1, 2, 3, 4, 5 para
la fórmula de cuadratura llamada de Gauss-Legendre
1 n
∫ f (x)dx ≈ ∑ A f (x )
j =1
j j
−1
Coeficientes Nodos Error de fórmula

n A j , j = 1,..., n x j , j = 1,..., n
__________________________________________________________________________________
1 A1 = 2 x1 = 0 ≈ f ′′(ξ)
A1 = 1 x1 = −.5773502692
2 A2 = 1 x 2 = .5773502692 ≈ f ( ) (ξ )
4
A 1 = .5555555556 x1 = −.7745966692
3 A 2 = .8888888889 x 2 = 0.0 ≈ f ( ) (ξ )
6
A 3 = .5555555556 x 3 = .7745966692
A 1 =.3478546451 x1 = −.8611363116
A 2 =.6521451549 x 2 = −.3399810436
4 A 3 =.6521451549 x 3 = .3399810436 ≈ f ( ) (ξ)
8
A 4 =.3478546451 x 4 = .8611363116
A 1 = .2369268851 x1 = −.9061798459
A 2 = .4786286705 x 2 = −.5384693101
A 3 = .5688888889 x 3 = 0.0
5 ≈ f ( ) (ξ )
10
A 4 = .4786286705 x 4 = .5384693101
A 5 = .2369268851 x 5 = .9061798459
TABLA 5.3
Si se desea consultar la teoría sobre Cuadratura Gaussiana se puede ver Kincaid,

1972, páginas 456-465.
Ejemplo 5.4 Use el método de cuadratura Gaussiana con n = 2 y n = 3 para estimar
π
3
∫ sen
2
xdx
0
Solución: Para usar los datos de la TABLA 5.3, primero hacemos el cambio de
variable
 π
λ : [−11
, ] → 0, 
 3
π
π
t → λ( t ) = 3 (t + 1) = 6 (t + 1) = x
1+ 1
con el cual
π
3 1
π 2 π 
∫ sen xdx = ∫ sen  (t + 1)dt
2
6 6 
0 −1
__________________________________________________________________________________
i) Si n = 2 , entonces
π
3
π 2 π  2 π 
∫ sen xdx ≈ 6 sen  6 (−.5773502692 + 1) + sen  6 ( .5773502692 + 1) 
2
0
=.308208655
 1
Compare este resultado con el obtenido usando la regla de Simpson  3  .
ii) Si n = 3 , entonces
π
3
π 2π 
∫ sen xdx ≈ 6 .5555555556sen  (−.7745966692 + 1)
2
6 
0
π 
+.8888888889sen 2  (0 + 1)
6 
π 
+ .5555555556sen 2  ( .7745966692 + 1) 
6 
= .307081826.
El valor exacto de la integral dada es
π
3
∫ sen xdx =.3070924246... ♦

2
TALLER 5.
 1  3
1. a) Use las reglas de los Trapecios, Simpson   y Simpson   con seis
 3  8
subintervalos para obtener valores aproximados de cada una de las siguientes

integrales
2 3 1 1
e−x 1
∫ ∫ iii) ∫ e iv) ∫ e dx
− x2 x 2
i) dx ii) dx dx
x ln x
1 2 0 0
__________________________________________________________________________________
π
2 1 2 1
v) ∫
ln x
1+ x
dx vi) ∫
sen x
x
dx vii) ∫ sen xdx ( )
viii) ∫ sen x2 dx
1 0 0 0
b) Para cada uno de los valores obtenidos en a) encuentre cotas para el error en la
aproximación calculada y estime, a partir de esas cotas, con cuántas cifras
decimales exactas aproxima dicho valor al valor exacto. Desprecie los errores
de redondeo.
0 .8
2. Si ∫ f (x)dx = 2 y nos dan la tabla siguiente
0
xk 0 .1 .2 .3 .4 .5 .6 .8
f (xk ) 5 8 6 3 0 −3 −3 5
 1
Emplee la regla de Simpson  3  para estimar f (.7) .
3. La siguiente tabla muestra valores aproximados de una función f y los

correspondientes errores de redondeo
x 1.8 2.0 2.2 2.4 2.6

f (x)
~ 3.12014 4.42569 6.04241 8.03014 10.46675
Error en f (x) 2 × 10 −6 −2 × 10 −6 −.9 × 10 −6 −.9 × 10 −6 2 × 10 −6
 1
Use todos los datos de la tabla anterior y la regla de Simpson   para aproximar
 3
2.6
el valor de
1.8
∫ f (x)dx , y calcule el error de redondeo total al aplicar dicha regla.
4. a) Determine el menor número de subintervalos N necesarios para obtener una

2.5
aproximación de ∫ ln xdx , con

1
una precisión de por lo menos cinco cifras
decimales exactas, usando la regla de los Trapecios y la regla de Simpson   .

1
3
__________________________________________________________________________________
Calcule la aproximación correspondiente, en cada caso. Desprecie los errores

de redondeo.
b) Responda la pregunta planteada en a) para cada una de las integrales en el

problema 1. a).
5. a) Utilice el método de los coeficientes indeterminados para generar una fórmula

de integración numérica del tipo
1 n
∫ f (x)dx ≈ ∑ A f (x )
j =1
j j
0
que sea exacta para todos los polinomios de grado menor o igual que cuatro.
b) Verifique que la fórmula obtenida en a) es exacta para todos los polinomios de

grado menor o igual que cinco, y que no es exacta para todos los polinomios de
grado menor o igual que seis.
c) Aproxime ln 2 por medio de la fórmula obtenida en a). Cuál es el error que se

comete en la aproximación?
2
Nota: ln2 = ∫ 1 dx .
1 x
 1
6. Use la regla de Simpson   con N = 6 y un cambio adecuado de variable para
3
+∞
x2
estimar ∫ 1+ x
1
5
dx .
 1
7. Use las reglas de los Trapecios y Simpson   con N = 10 para aproximar la cuarta
3
x2 y 2
parte de la longitud de la elipse + =1. Concluya, a partir de las cotas
4 1
teóricas para el error total, cuál es la calidad de la aproximación obtenida en cada
caso.
__________________________________________________________________________________
8. Use el método de Romberg con N = 2 para aproximar cada una de las integrales del
ejercicio 1. a).
9. Use el método de cuadratura Gaussiana con n = 2 y n = 3 para aproximar cada una

de las integrales del ejercicio 1. a).
10. Encuentre una fórmula de cuadratura del tipo indicado
1 2
∫ f (x )dx ≈ c ∑ f (x )
j= 0
j
−1 !#"#
$
fórmula
que sea exacta para todos los polinomios cuadráticos. Estas fórmulas son
conocidas como fórmulas de cuadratura de Chebyshev.
11. a) Encuentre una fórmula del tipo
1 n
∫ xf (x )dx ≈ ∑ A f (x )
j= 0
j j
−1 !#"#$
fórmula
con n = 1 que sea exacta para todos los polinomios f (x) de grado menor o
igual que tres.
b) Repita con n = 2 , haciendo la fórmula exacta para todos los polinomios f (x) de
grado menor o igual que cinco.
12. Determine los coeficientes A 0 , A1 y A 2 que hacen que la fórmula
∫ f (x )dx ≈ !
0
A f (0 ) + A f (1) + A f (2 )
0
####"####$ 1
fórmula
2
sea exacta para todos los polinomio de grado menor o igual que tres.
13. a) Verifique que la siguiente fórmula de cuadratura Gaussiana es exacta para

todos los polinomios de grado menor o igual que cinco.
__________________________________________________________________________________
1
5 3  8 5  3 
∫ f (x )dx ≈ 9 f  −
−1

5 9
+ f (0 ) + f 
9  5 
!#### #"#### #$
fórmula
b) Muestre cómo puede ser usada la fórmula dada en a) para calcular ∫ f (x)dx , y
a
aplique este resultado para evaluar cada una de las siguientes integrales
π
2 4
senx
i) ∫
0
xdx ∫
0
x
dx
CAPÍTULO 6. SOLUCIÓN NUMÉRICA DE PROBLEMAS DE
VALOR INICIAL PARA ECUACIONES
DIFERENCIALES ORDINARIAS
INTRODUCCIÓN
Este capítulo se dedicará al estudio de algunos métodos numéricos para encontrar una
aproximación discreta de la solución y(t) de un problema de valor inicial (P.V.I.) de primer
orden, con solución única, del tipo
 dy
 = f (t, y ), t0 ≤ t ≤ T
 dt (6.1)
 y(t 0 ) = y 0 (condición inicial)
Los métodos numéricos que estudiaremos se podrán aplicar a sistemas de ecuaciones

diferenciales de primer orden con condiciones iniciales, con solución única, de la forma

= f1 (t, y1, y 2 ,..., y n ),
dy 1
 dt

 dy 2
= f2 (t, y1, y 2 ,..., y n ), t0 ≤ t ≤ T
 dt

 ! (6.2)

= fn (t, y1, y 2 ,..., y n ),
dy n

 dt
 y1 (t 0 ) = y 1,0 ,y 2 (t 0 ) = y 2,0 ,..., y n (t 0 ) = y n,0 ( condición inicial )


En este caso se aplicará el método a cada ecuación del sistema.
Los métodos numéricos que veremos también se podrán aplicar a problemas generales de
n-ésimo orden con condición inicial, de solución única, de la forma
 (n ) dn y
(
 y ≡ n = f t, y, y ′,..., y
(n−1) , ) t0 ≤ t ≤ T
 dt (6.3)
 y (t ) = y , y ′(t ) = y ,..., y (n−1) (t ) = y ( condición inicial )
 0 1,0 0 2,0 0 n,0
Esta vez, para aplicar el método numérico, empezamos transformando el P.V.I. dado en un
sistema equivalente del tipo (6.2), introduciendo las variables y1 = y , y 2 = y ′ , y 3 = y ′′ ,
dn −1y
, yn = y (
n −1)
≡
. Derivando miembro a miembro cada una de estas últimas ecuaciones
dt n −1
con respecto a t, obtenemos el sistema equivalente
__________________________________________________________________________________
 y 1′ = y 2 ,
 ′
 y 2 = y3 , t0 ≤ t ≤ T
 y ′3 = y 4 ,

 !
 y n′ = f (t, y1, y 2 ,..., y n ),

 y 1 (t 0 ) = y 1,0 ,y 2 (t 0 ) = y 2,0 ,..., y n (t 0 ) = y n,0 (condición inicial )
Existencia de solución: Será que todo P.V.I. de la forma (6.1) tiene una solución?
La respuesta es no, hay que imponer algunas condiciones sobre la función f (t, y) , y aún
satisfechas tales condiciones, es posible que la solución exista solamente en una vecindad
de t 0 . Como ejemplo, consideremos el P.V.I.
 1
y ′ =
 t
y(1) = 1

La solución general de la ecuación diferencial ordinaria (E.D.O.) y ′ = , es y(t) = ln t + c, c

1
t
constante arbitraria. Para la condición inicial dada la solución del P.V.I. es y(t) = ln t + 1 ,
pero no hay solución para una condición inicial en t = 0 .
Para el P.V.I.
y ′ = 1 + y 2

y(0 ) = 0
π 3π
y(t) = tant es la solución, pero no está definida para t = ± , ± ,... . Así que la solución
2 2
 π π
es válida únicamente para  − ,  o cualquier intervalo contenido allí y que contenga al
 2 2
número 0.
Con respecto a la existencia se tiene el siguiente teorema:
Teorema 6.1 Si f (t, y) es continua en el rectángulo
R = { (t, y) / t 0 ≤ t ≤ t 0 + a, y − y 0 ≤ b }
entonces existe un intervalo t 0 ≤ t ≤ t 0 + α en el cual existe una solución y(t) del P.V.I.
y ′ = f (t, y)

y(t 0 ) = y 0
(Un resultado análogo se tiene para t ≤ t 0 ). ∇
Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. PARA E.D.O. 275
__________________________________________________________________________________
Unicidad de la solución: Puede que, aunque f (t, y) sea continua, el P.V.I. (6.1) tenga más
de una solución. Un ejemplo es el P.V.I.
 1
y ′ = y 3

y(0 ) = 0

3
2 2
para el cual y1(t) ≡ 0 y y 2 (t) =  t son soluciones.
3 
Para asegurar que el P.V.I. (6.1) tiene una única solución en una vecindad de t = t 0 , se
requiere algo más que la continuidad de la función f (t, y) . Una de las formas más usuales de
presentar el teorema que garantice existencia y unicidad de solución del P.V.I. (6.1), es la
siguiente.
∂ f (t, y)
Teorema 6.2 Si f (t, y) y son continuas en un rectángulo
∂y
R = { (t, y) / t 0 ≤ t ≤ t 0 + a, y − y 0 ≤ b }
entonces existe un intervalo t 0 ≤ t ≤ t 0 + α en el cual existe una única solución y(t) del
P.V.I.
y ′ = f (t, y)
 (6.4)
y(t 0 ) = y 0
(Un resultado análogo se tiene para t ≤ t 0 ). ∇
Para la demostración del teorema 6.2, se transforma el P.V.I. (6.4) en otro problema
equivalente, como se indica a continuación:
Supongamos que existe una función y(t) que satisface (6.4), es decir,
dy
dt
( )
= f t, y(t) y y(t 0 ) = y 0
Entonces integrando a ambos lados de la E.D.O. dada, se tiene
dy(s)
t t
∫
t0
ds ∫(
ds = f s, y(s) ds
t0
)
o sea
t
∫(
y(t) = y(t 0 ) + f s, y(s) ds
t0
) (6.5)
__________________________________________________________________________________
Recíprocamente, si y (t ) satisface (6.5) y es continua, entonces derivando en (6.5), con
respecto a t, obtenemos
dy
dt
( )
= f t, y(t) . Además es claro que y(t 0 ) = y 0 .
Por lo tanto, y (t ) es una solución del P.V.I. (6.4) si y sólo si y (t ) es una solución continua de
la ecuación integral (6.5).
Ahora, un método para probar que la ecuación integral (6.5) tiene una única solución, es el
método de aproximaciones sucesivas o iteraciones de Picard (Emilio Picard, matemático
francés (1856-1941)), el cual describimos a continuación:
Se inicia el método con una solución tentativa (aproximación inicial) de (6.5). La elección
más simple es
y 0 (t) = y 0
la cual satisface la condición inicial.
Ahora se calcula
t
∫( )
y1(t) = y 0 + f s, y 0 (s) ds
t0
Si y1(t) = y 0 , entonces y(t) = y 0 es una solución de (6.5). Si nó, se utiliza y1(t) como la
siguiente aproximación, y se calcula
t
∫( )
y 2 (t) = y 0 + f s, y1(s) ds
t0
En general, calculada y n−1(t) , si ella no es solución de (6.5), se calcula la siguiente

aproximación
∫( )
y n (t) = y 0 + f s, y n −1(s) ds
t0
Las funciones y n (t ) son llamadas aproximaciones o iteraciones de Picard.
Se completa la prueba del teorema, demostrando que la sucesión {yn (t)}n converge
uniformemente, en un determinado intervalo, a una solución y(t) de (6.5), y luego se

demuestra la unicidad de la solución. ∇
Ejemplo 6.1 Para ilustrar el método iterativo de Picard, consideremos el siguiente P.V.I.
y ′ = y

y(0) = 1
en el cual f (t, y) = y .
__________________________________________________________________________________
La ecuación integral equivalente, correspondiente al P.V.I. dado, es
t
y(t) = 1 + y(s)ds
∫
0
Iniciamos las iteraciones tomando y 0 (t) = 1 . Entonces
t t
y1(t) = 1 + y 0 (s)ds =1 + 1ds = 1 + t ≠ y 0 (t)
∫ ∫
0 0
t t
t2
y 2 (t) = 1 + y1(s)ds = 1 +
∫ ∫ (1 + s)ds = 1 + t + ≠ y 1( t )
2
0 0
t t
 s2  t2 t3 t2 t3
y 3 (t) = 1 + y 2 (s)ds = 1 +  1 + s +  ds = 1 + t +
∫ ∫ + = 1+ t + + ≠ y 2 (t)
 2 2 2×3 2! 3 !
0 0
y en general,
t t
 s2 s n −1  t2 t3 tn
y n (t) = 1 + yn −1(s)ds = 1 +  1 + s +
∫ ∫ +...+  ds = 1 + t + + +...+
0 0
 2! (n − 1)!  2! 3 ! n!
t2 tn y n (t) = e t , lo que indica que las

Sabemos que e t = 1 + t + + ... + + ... , así que nlim
2! n! →∞
iteraciones de Picard convergen a la función y(t) = e que es, claramente, la solución del
t
P.V.I. dado. ♦
Con base en algunos detalles adicionales en la prueba del teorema anterior, dicho teorema
puede ser expresado en los siguientes términos:
∂ f (t, y)
Teorema 6.3 Si f (t, y) y son continuas en el rectángulo
∂y
R = { (t, y) / t 0 ≤ t ≤ t 0 + a, y − y 0 ≤ b }
entonces el P.V.I.
y ′ = f (t, y)

y(t 0 ) = y 0
 b
tiene una única solución y(t) en el intervalo t 0 ≤ t ≤ t 0 + α , donde α = Min a,  siendo
 M
M = Máx f (t, y ) . ∇
( t,y )∈R
__________________________________________________________________________________
∂ f (t, y)
Nota: Si en el teorema 6.3 se quita la condición continua, entonces sólo se puede
∂y
concluir la existencia de solución en el intervalo indicado.
Ejemplo 6.2 Considere el P.V.I.
y ′ = y 2 + cos t 2


( )
y(0 ) = 0
y usemos el teorema 6.3 para demostrar que este P.V.I tiene una única solución en el
 1
intervalo 0,  . En efecto:
 2
∂ f (t, y)
Sea R =  (t, y) / 0 ≤ t ≤ , y ≤ b  , entonces f (t, y) = y 2 + cos t 2
 2
1

( ) y
∂y
= 2y son
continuas en R .
Como M = Max f (t, y) = Max y 2 + cos t 2

( t,y )∈R ( t,y) ∈R
( ) =b 2
+1 , entonces para que
1 1 b  b 1
= α = Min ,  se requiere que ≥ , pero dado que el máximo de la función
2  2 1 + b2  1 + b2 2
b 1 1
es y ocurre en b = 1 , entonces el P.V.I. dado tiene solución única para 0 ≤ t ≤ , y
1+ b 2
2 2
aún más, en este intervalo y(t) ≤ 1 ( porque b = 1). ♦
El siguiente teorema es de tipo diferente al del teorema 6.3, y nos permite concluir existencia
y unicidad de una solución de un P.V.I. de la forma (6.1) en un intervalo prescrito [a, b] .
Teorema 6.4 Si f (t, y) es continua en la franja
D = {(t, y )/ t 0 ≤ t ≤ t 0 + a , − ∞ < y < +∞ }
y satisface una desigualdad

f (t, y1 ) − f (t, y 2 ) ≤ L y1 − y 2 (6.6)
para todo (t, y1 ), (t, y 2 ) ∈ D y alguna constante L, entonces el P.V.I.
y ′ = f (t, y)

y(t 0 ) = y 0
tiene una única solución y(t) en el intervalo [t 0 , t 0 + a] . ∇

__________________________________________________________________________________
Si la función f (t, y) satisface la desigualdad (6.6), decimos que f (t, y) satisface una
condición de Lipschitz en la segunda variable y en D, y la constante L se llama constante
de Lipschitz para la función f (t, y) . ∇
∂ f (t, y)
La condición de Lipschitz se sigue si
∂y
existe y está acotada en D. En general, se
∂ f (t, y)
tiene que: Si está definida en un conjunto convexo D ⊆ R 2 y si existe una
∂y
∂ f (t, y)
constante L > 0 tal que
∂y
≤ L para todo (t, y) ∈ D , entonces f (t, y) satisface una
condición de Lipschitz en D para la variable y con constante de Lipschitz L .
En efecto:
Fijemos t y sean cualesquiera (t, y1 ), (t, y 2 ) ∈ D . Entonces aplicando el teorema del valor
medio a la función f (t, y) en la variable y, existe y 3 entre y1 y y 2 (aquí se necesita que D
sea convexo para garantizar la existencia de y 3 entre y1 y y 2 ) tal que
∂ f (t, y 3 )
f (t, y 1 ) − f (t, y 2 ) = y1 − y 2 ≤ L y1 − y 2
∂y
Luego f (t, y) satisface una condición de Lipschitz en la variable y con constante de Lipschitz
L. ∇
D ⊆ R2 se dice convexo si siempre que (t1, y1), (t 2 , y 2 ) ∈ D , el punto

((1 − λ ) t1 + λt 2 , (1 − λ ) y1 + λy 2 ) ∈ D para 0 ≤ λ ≤ 1, es decir, el segmento de recta que une
los puntos (t1, y1 ), (t 2 , y 2 ) ∈ D está totalmente contenido en D. ∇
Las demostraciones de los teoremas anteriores, pueden consultarse en un texto sobre teoría
de ecuaciones diferenciales ordinarias.
Ejemplo 6.3 El P.V.I.

 dy 2
 = y + t 2et
 dt t
 y(1) = 0

tiene solución única en el intervalo [12

, ].
D = { (t, y) / 1 ≤ t ≤ 2 , − ∞ < y < +∞ } . Entonces f (t, y) =

2
En efecto: Sea y + t 2 e t es
t
continua en D, y como
__________________________________________________________________________________
f (t, y1 ) − f (t, y 2 ) =
2 2
y1 + t 2 e t − y 2 − t 2 e t
t t
( y1 − y 2 ) =
2 2
= y1 − y 2 ≤ 2 y1 − y 2 , para todo (t, y1 ), (t, y 2 ) ∈ D .
t t
entonces f (t, y) satisface la condición de Lipschitz con constante de Lipschitz L = 2 .

Observe que esta vez fue fácil verificar la condición de Lipschitz.
Como el dominio D = { (t, y) / 1 ≤ t ≤ 2 , − ∞ < y < +∞ } es un conjunto convexo de R 2 , otra

forma de concluir sobre la condición de Lipschitz en la segunda variable y en D es
∂ f (t, y )
estudiando en D .
∂y
∂ f (t, y ) 2
Como = está definida en D y
∂y t
∂ f (t, y )
≤ = 2 = L para todo (t, y) ∈ D
2 2
=
∂y t 1
entonces f (t, y) satisface una condición de Lipschitz en la variable y con constante de

Lipschitz L = 2 .
Cuál es la única solución del P.V.I. dado?
dy  2  dy  2 
=   y + t 2et ⇔ +  −  y = t 2 e t : ecuación diferencial ordinaria lineal de primer orden
dt  t  dt  t 
con coeficientes variables.
∫
 2
µ (t ) = e
 −  dx
 x
= e −2 ln t
=e
( ) = t −2 =
ln t −2 1
es un factor integrante para la E.D.O. dada.
t2
1
Multiplicando a ambos lados de dicha E.D.O. por , obtenemos
t2
1 dy 2 d1 
− 3 y = et ⇔  y = e
t
2
t dt t dt  t 2 
Luego
1 t
y= ∫ e dx
x
2
t
o sea
1
2
y = e t + c , c constante arbitraria
t
dy 2
Por tanto la solución general de la E.D.O. = y + t 2 e t , es
dt t
__________________________________________________________________________________
( )
y = t 2 e t + c , c constante arbitraria
( ) ( )
Como y(1) = 12 e1 + c = 0 , entonces c = −e , y así y(t) = t 2 e t − e es la única solución del
P.V.I. dado. ♦

 1
y ′ = 2y 2 , 0 ≤ t ≤ 1

y(0) = 0

tiene soluciones y1(t) ≡ 0 y y 2 (t) = t 2 (Verifíquelo). Por qué no contradice este hecho el
teorema 6.4? ♦
 y ′ = 100 y − 101e − t , 0 ≤ t ≤ 1

 y(0 ) = 1
tiene solución y(t) = e − t (Verifíquelo). El problema perturbado
 y ′ = 100 y − 101e , 0 ≤ t ≤ 1
−t

 y(0) = 1 + ε
en el cual sólo se ha modificado la condición inicial en ε , tiene solución y(t;ε ) = e − t + ε e100 t

(Verifíquelo). Es claro que la solución del problema perturbado y del problema original
pueden diferir mucho, aún para valores pequeños de ε. ♦
Los métodos numéricos que estudiaremos nos permitirán obtener valores aproximados de la
solución y(t) de un P.V.I. de la forma
y ′ = f (t, y ), t0 ≤ t ≤ T
 (6.7)
y (t 0 ) = y 0
en puntos igualmente espaciados. Es decir, un método numérico de los que estudiaremos

nos permitirá obtener una aproximación discreta de la solución del P.V.I. dado (método de
variable discreta), ésto es, tomaremos valores t 0 , t1,..., t m = T igualmente espaciados,
digamos que t k = t 0 + k h , k = 0, 1,..., m , y calcularemos, con la ayuda del método numérico,
un valor Yk , el cual va a ser considerado como una aproximación del valor de la solución
exacta y(t) en t k , es decir, Yk ≈ y(t k ), k = 0,1,..., m . Luego lo que realmente obtendremos
será una tabla de valores de la forma
__________________________________________________________________________________
t0 t1 t2 ... tm = T
Y0 Y1 Y2 ... Ym
TABLA 6.1
Para una tabla como la anterior podremos hacer una interpolación segmentaria cúbica u otro
tipo de aproximación para obtener una solución aproximada continua del P.V.I. dado.
En este contexto los números t k = t 0 + k h , k = 0, 1,..., m , se llamarán puntos de red, y el

número h se llamará tamaño de paso.
En lo que sigue la solución única del P.V.I. (6.7) la notaremos y = φ(t ) .
Nuestro primer paso en un método numérico es determinar Y1 a partir de φ(t 0 ) = Y0

(condición inicial) y de φ′(t 0 ) = f (t 0 , φ(t 0 )) = f (t 0 , y 0 ) (obtenida de la ecuación diferencial
= f (t, y ) ); conocido Y1 determinamos Y2 y así sucesivamente. Para determinar Y2

dy
dt
podemos usar el mismo método que lleva de Y0 a Y1 o podemos aplicar un método
diferente en el cual se use el conocimiento de Y0 y Y1 .
Los métodos numéricos que sólo requieren del conocimiento de Yk para determinar Yk +1 , es
decir, Yk +1 depende únicamente de Yk , y el conocimiento de los valores aproximados
Yk −1, Yk − 2 ,..., Y0 no se usa, se conocen como métodos de un escalón, de un paso o de
arranque. Si para calcular Yk +1 se usan dos o más valores previamente calculados,
digamos por ejemplo Yk , Yk −1 , Yk−2 , el método se dice método de varios escalones,
multipaso o prolongado.
Es claro que si se va a usar un método prolongado que comprenda Yk y Yk −1 , debe usarse

un método de arranque en el primer paso para determinar Y1 , y entonces se usa el método
prolongado para determinar Y2 , Y3 ,... .
Observe la FIGURA 6.1 siguiente, donde aparece la gráfica de la solución exacta y = φ(t) de
un P.V.I. del tipo (6.7) y los puntos (t k , Yk ), k = 0,1,..., m .
__________________________________________________________________________________
FIGURA 6.1
Una solución aproximada obtenida por un método numérico puede no darnos una buena
información acerca del comportamiento de la solución exacta. Por una parte se tiene el
problema de la convergencia del método: A medida que la distancia entre los puntos
t 0 , t1,..., t m tiende a cero, los valores de la solución numérica Y0 , Y1,..., Ym se aproximan a
los correspondientes valores de la solución exacta? También está el problema de la
consistencia y la estabilidad del método numérico.
Estos temas no serán tratados aquí, pero pueden ser consultados en Kincaid, 1972, capítulo
8.
Aquí nos preocuparemos del error de fórmula asociado con el método numérico usado para
calcular los valores Y0 , Y1,..., Ym .
Antes de estudiar algún método numérico consideremos las siguientes notaciones.
Notación: La solución exacta del P.V.I., con solución única,
 dy
 = f (t, y ), t0 ≤ t ≤ T
 dt
 y (t 0 ) = y 0
se denotará por y = φ(t) , como ya se había indicado.
Para un método numérico dado, los símbolos Yk , Yk′ = f (t k , Yk ) denotarán los valores
aproximados (obtenidos mediante la aplicación del método numérico) de la solución exacta y
su derivada, respectivamente, en el punto de red t k , es decir, Yk ≈ φ(t k ) , y
__________________________________________________________________________________
( )
Yk′ = f (t k , Yk ) ≈ f t k ,φ(t k ) = φ ′(t k ) . Es claro que φ(t 0 ) = Y0 , pero en general,
φ(t k ) ≠ Yk , k ≥ 1 , del mismo modo φ ′(t 0 ) = Y0′ = f (t 0 , Y0 ) , pero en general φ ′(t k ) ≠ Yk′ , k ≥ 1 .
En cualquiera de los métodos numéricos que estudiaremos, usaremos siempre un mismo

espaciamiento o tamaño de paso h sobre el eje t, así que
t k = t 0 + kh , k = 0,1,..., m
6.1 MÉTODO DE EULER O DE LA RECTA TANGENTE
Este es un método de un paso para obtener valores aproximados de la solución y = φ(t ) de

un P.V.I., con solución única,
 dy
 = f (t, y ), t 0 ≤ t ≤ T
 dt
 y (t 0 ) = y 0
y hace uso de la recta tangente.
( )
Como se conocen t 0 , Y0 = φ(t 0 ) y Y0′ = φ ′(t 0 ) = f t 0 , φ(t 0 ) = f (t 0 , Y0 ) , también se conoce la
pendiente de la recta tangente a la curva solución y = φ(t) en t 0 , y obtenemos un valor
aproximado Y1 de φ(t1 ) moviéndonos a lo largo de dicha recta tangente desde t 0 hacia t1
(ver la FIGURA 6.2).
Como
Y1 − Y0
= φ ′ (t 0 )
t1 − t 0
entonces despejando Y1 de la ecuación anterior, se obtiene
Y1 = Y0 + (t1 − t 0 )φ ′(t 0 )
= Y0 + (t1 − t 0 )f (t 0 , Y0 )
Una vez determinado Y1 , podemos calcular Y1′ = f (t1, Y1 ) que es un valor aproximado de
( )
φ ′(t1 ) = f t1, φ(t1 ) : pendiente de la recta tangente a la curva solución exacta en el punto t1 .
Usando esta aproximación de la pendiente, obtenemos
Y2 − Y1
= Y1′
t 2 − t1
y despejando Y2 , obtenemos
Y2 = Y1 + (t 2 − t1 )Y1′
= Y1 + (t 2 − t1 )f (t1, Y1 )
__________________________________________________________________________________
FIGURA 6.2
En general, conocido Yk ≈ φ(t k ) , obtenemos Yk +1 ≈ φ(t k +1 ) mediante la fórmula
Yk +1 = Yk + (t k +1 − t k )f (t k , Yk )
y como el tamaño de paso h entre los puntos de red t 0 , t1,..., t m es uniforme, entonces
t k +1 = t k + h , y obtenemos la fórmula de Euler:
 Yk+1 = Yk + hf (t k , Yk ), k = 0, 1,..., m − 1


 Y = y (= y (t ))
 0 0 0
Algoritmo 6.1 (Euler) Para encontrar una aproximación discreta de la solución del P.V.I., con
solución única,
 y ′ = f (t, y ), t 0 ≤ t ≤ T

 y (t 0 ) = y 0 (= y (t 0 ))
en m+1 números igualmente espaciados a partir del número inicial t 0 :
Entrada: La función f (t, y) , los valores iniciales t 0 y y 0 , un entero m y el tamaño de paso h.
Salida: Aproximación Y de la solución y(t) en los m+1 puntos t 0 , t1 = t 0 + h,..., t m = t 0 + mh .

Paso 1: Hacer t = t 0 , Y = y 0 .
__________________________________________________________________________________
Salida: (t, Y ) .
Paso 2: Para k = 12
, ,..., m , seguir los pasos 3 y 4:
Paso 3: Hacer Y = Y + hf (t, Y ) (calcula Yk )

t = t + kh (Calcula t k )
Paso 4: Salida: (t, Y ) .
Paso 5: Terminar.
Ejemplo 6.6 Consideremos el P.V.I. con solución única
 dy 2
 = y + t 2e t , 1≤ t ≤ 2
 dt t
 y (1) = 0
Usando la fórmula de Euler con tamaño de paso h = .1 , determinemos un valor aproximado

de la solución y = φ(t) en t = 12
. .
Solución: Como h = .1 , entonces t 0 = 10

. , t1 = 11
. , t 2 = 12
. , así que necesitamos calcular
Y2 . En este ejemplo f (t, y) =

2
y + t 2 e t , por lo tanto
t
Y0 = φ(t 0 ) = φ(1) = 0
Y1 = Y0 + hf (t 0 ,Y0 )
= 0 + .1f (10
. ,0 )
= .1(2.718282)
= .2718282 ≈ φ(11
.)
Y2 = Y1 + hf (t1, Y1 )
= .2718282 + .1f (11
. , .2718282)
= .6847556 ≈ φ(12
. )
( )
Como la solución exacta del P.V.I. dado es φ(t) = t 2 e t − e , entonces el valor exacto de
φ(12
. ) es φ(12
. ) = (12 ( )
. ) e1.2 − e = .8666425 , con lo cual el error real en la aproximación
2
calculada es
φ(12
. ) − Y2 = .8666425 − .6847556 = .1818869
lo que no asegura alguna cifra decimal exacta de precisión en la aproximación de φ(12

. ).
__________________________________________________________________________________
Si reducimos el tamaño de paso a la mitad, es decir, tomamos h = .05 , entonces para

aproximar φ(12
. ) , debemos tomar t 0 = 100
. , t1 = 105
. , t 2 = 110
. , t 3 = 115
. , t 4 = 120
. , así que
debemos calcular Y4 .
Y0 = 0
Y1 = Y0 + hf (t 0 , Y0 )
= 0 + .05f (100
. ,0)
= .1359141 ≈ φ(105
. )
Y2 = Y1 + hf (t1, Y1 )
= .1359141 + .05f (105
. , .1359141)
= .3063863 ≈ φ(110
. )
Y3 = Y2 + hf (t 2 , Y2 )
= .3063863 + .05f (110
. , .3063863)
= .5159917 ≈ φ(115
. )
Y4 = Y3 + hf (t 3 , Y3 )
= .5159917 + .05f (115
. , .5159917)
= .7696960 ≈ φ(120
. )
Obsérvese que el error real es ahora .8666425 − .7696960 = .0969466 , que es

aproximadamente igual a la mitad del error en t = 12
. , con h = .1, así que el valor obtenido
disminuyendo el tamaño de paso, h, es una mejor aproximación del valor exacto φ(12 . ) . Si
se sigue disminuyendo el tamaño de paso se obtienen mejores resultados. Hasta dónde se
puede disminuir el tamaño de paso de modo que los resultados numéricos obtenidos todavía
sean útiles? La respuesta a esta pregunta la da el estudio de la región de estabilidad
absoluta del método de Euler, pero este tema no será estudiado aquí. Hay otros
procedimientos que darán resultados mas satisfactorios sin usar un tamaño de paso muy
pequeño.
Si usamos tamaño de paso h = .05 , los valores aproximados de la solución exacta en los
puntos de red
t 5 = 125
. , t 6 = 130
. , t 7 = 135
. , t 8 = 140
. , t 9 = 145
. , t10 = 150
. , t11 = 155
. , t12 = 160
. , t13 = 165
.
t14 = 170
. , t15 = 175. , t16 = 180
. , t17 =.185, t18 = 190
. , t19 = 195
. , t 20 = 2.00
se dan en la TABLA 6.2. La gráfica de la FIGURA 6.3, muestra la curva

( )
y(t) = t e − e , solución del problema de valor inicial del ejemplo 6.1, y los puntos
2 t
(t k ,Yk ) , k = 0,1,...,20 correspondientes a las aproximaciones calculadas por el método de

Euler con h = .05 para 10
. ≤ t ≤ 2.0 .
__________________________________________________________________________________
k tk Yk y(t k ) Error
5 1.25 1.0728858 1.2063456 .1334598

6 1.30 1.4313997 1.6072151 .1758154
7 1.35 1.8515629 2.0760894 .2245265
8 1.40 2.3402236 2.6203596 .2801360
9 1.45 2.9047920 3.2480107 .3432187
10 1.50 3.5532824 3.9676663 .4143839
11 1.55 4.2943579 4.7886350 .4942771
12 1.60 5.1373786 5.7209615 .5835829
13 1.65 6.0924530 6.7754803 .6830273
14 1.70 7.1704927 7.9638735 .7933808
15 1.75 8.3832717 9.2987326 .9154609
16 1.80 9.7434894 10.7936247 1.0501353
17 1.85 11.2648372 12.4631628 1.1983256
18 1.90 12.9620715 14.3230815 1.3610100
19 1.95 14.8510897 16.3903179 1.5392282
20 2.00 16.9490133 18.6830971 1.7340838
TABLA 6.2
En esta tabla el error k-ésimo es y(t k ) − Yk . ♦
EULER( f (t, y), t , y , t 0 , y 0 , h , m ): aproXima los valores Y0 , Y1,..., Ym obtenidos al aplicar el

 dy
 = f (t, y)
método de Euler al P.V.I.  dt , con m pasos de tamaño h. Si se grafica la matriz
y(t 0 ) = y 0

resultante al aplicar el método de Euler, se visualiza un conjunto de puntos que aproxima la
curva solución del P.V.I. dado. Para el ejemplo anterior, aproXime la expresión
2
EULER( y + t 2 exp( t), t , y ,1, 0 , 0.05 , 20 ). ◊
t
Otra forma de deducir la fórmula del método de Euler par encontrar una aproximación de la
solución y = φ(t) del P.V.I. con solución única
 dy
 = f (t, y ), t 0 ≤ t ≤ T
 dt
y (t 0 ) = y 0
es usando el desarrollo en serie de Taylor para la función y = φ(t) .

Supongamos que la función y = φ(t) tiene un desarrollo en serie de Taylor alrededor del
punto t k , entonces
__________________________________________________________________________________
h2 hn ( n ) hn +1 ( n +1)
φ(t k + h) = φ(t k ) + hφ ′(t k ) + φ ′′(t k )+...+ φ (t k ) + φ (ξ k )
"#
$ $ % 2! n! (n + 1)!
tk +1
o bien
h2 hn ( n ) hn +1 ( n +1)
( )
φ(t k +1 ) = φ(t k ) + hf t k , φ(t k ) +
2!
φ ′′(t k )+...+
n!
φ (t k ) +
(n + 1)!
φ (ξ k )
con ξ k algún número entre t k y t k +1 = t k + h .
FIGURA 6.3
Si la serie de Taylor se termina después de los dos primeros términos, y φ(t k +1 ) , φ(t k ) se
reemplazan por sus valores aproximados Yk +1 y Yk , respectivamente, se obtiene
nuevamente la fórmula de Euler
Yk +1 = Yk + hf (t k , Yk )
Si se conservan más términos de la serie de Taylor se obtiene una fórmula más precisa.
También podemos obtener la formula de Euler integrando a ambos lados de la ecuación

( )
φ ′(t) = f t, φ(t) con respecto a t entre t k y t k +1
__________________________________________________________________________________
t k +1 t k +1
∫
tk
φ ′(t)dt = ∫ f (t, φ(t))dt
tk
lo que nos da
tk +1
φ(t k +1 ) − φ(t k ) = ∫ f (t, φ(t))dt

tk
" $#$$
%
∗ ()
y aproximamos la integral (∗) reemplazando f t,φ(t) por su valor en t = t k , f t k ,φ(t k ) . La
( ) ( )
FIGURA 6.4 muestra la situación gráfica correspondiente a la aproximación de la integral.
FIGURA 6.4
Entonces
( )
φ(t k +1 ) ≈ φ(t k ) + f t k , φ(t k ) (t k +1 − t k )
(
= φ(t k ) + hf t k , φ(t k ) )
y reemplazando φ(t k +1 ) y φ(t k ) por sus valores aproximados Yk +1 y Yk , respectivamente,
obtenemos
Yk +1 = Yk + hf (t k , Yk )
Error en la fórmula de Euler: Supongamos que la solución y = φ(t) del P.V.I. con solución
única
 dy
 = f (t, y ), t 0 ≤ t ≤ T
 dt
y (t 0 ) = y 0
tiene segunda derivada continua en el intervalo de interés, lo cual es equivalente a que

∂ f (t, y) ∂ f (t, y)
f (t, y) , ≡ ft (t, y) , ≡ fy (t, y) son continuas en la región de interés, pues
∂t ∂y
(
φ ′(t) = f t, φ(t) )
y entonces
__________________________________________________________________________________
( ) ( )
φ ′′(t) = ft t, φ(t) + fy t, φ(t ) φ ′(t)
= ft (t, φ(t)) + fy (t, φ(t ))f (t, φ(t))
Usando la fórmula de Taylor con residuo para φ(t) alrededor de t k , obtenemos

h2
φ(t k + h) = φ(t k ) + h φ ′(t k ) + φ ′′(ξ k )
"#
$ $ % "#% 2!
t k +1 (
f t k , φ(t k ) )
donde ξ k es algún número entre t k y t k +1 = t k + h , y entonces
 h2 
( )
φ(t k +1 ) − Yk +1 = φ(t k ) + hf t k , φ(t k ) +
 2
[
φ ′′(ξ k ) − Yk + hf (t k , Yk )

]
[ ] [( )
= φ(t k ) − Yk + h f t k , φ(t k ) − f (t k , Yk ) + ] h2
2
φ ′′(ξ k )
Si suponemos que en el paso k-ésimo Yk = φ(t k ) (para poder cuantificar el cambio al pasar
de t k a t k +1 ), entonces el error local debido a la aplicación de la fórmula de Euler en el paso
de t k a t k +1 , es
h2
∈k +1 = φ(t k +1 ) − Yk +1 = φ ′′(ξ k ) , k = 0,1,...,m − 1
2
El error acumulado (total) E T debido a la aplicación de la fórmula de Euler desde t 0 hasta

t m = T , es decir, la acumulación de todos los errores locales al aplicar la fórmula de Euler en
todo el intervalo [t 0 , t m = T ] , es
m −1
h2
m −1 (∗) h2
ET = ∑
k =0
∈k +1 =
2 ∑ φ ′′(ξ ) =
k=0
k
2
mφ ′′(ξ) con ξ ∈[t 0 , T ]
h T − t0
= mφ ′′(ξ) con ξ ∈[t 0 , T]
2 m
 T − t0 
= h φ ′′(ξ ) con ξ ∈[t 0 , T]
 2 
(La explicación de la igualdad (∗) se debe a la aplicación del teorema del valor intermedio
para funciones continuas)
Si M = Max φ ′′(t) (recuerde que estamos asumiendo que φ ′′(t) es continua en [t 0 , t m ] ),

t ∈[t 0 , t m ]
M T − t0
entonces ∈k +1 ≤ h 2 y ET ≤ h M para cualquier tamaño de paso h, es decir,
2 2
( )
∈k +1 = O h 2 , y E T = O(h) .
El problema es estimar M; sin embargo observe que M no depende de h, así que si h se
reduce a la mitad, la cota del error total se reduce también a la mitad, es por esto que
__________________________________________________________________________________
reduciendo el tamaño de paso h, se reduce el error total (recuerde que t m = T y m es el

T − t0
número de pasos necesarios para alcanzar el valor T iniciando en t 0 , es decir, m = ).
h
( )
En general se tiene que: si el error local en un método numérico es O hn+1 , entonces el
( )
error total es O hn , ya que si
∈k ≤ Chn+1, k = 12
, ,..., m con C independiente de h
entonces
m m m
ET = ∑ ∈ ≤ ∑ ∈ ≤ ∑ Ch
k =1
k
k =1
k
k =1
n +1
= mChn +1
tm − t 0 T − t 0
pero m = = , así que
h m
T − t0
E T ≤ hn mC = hn (T − t 0 )C
m
( )
lo que significa que E T = O hn . ∇
Otro tipo de error que está presente en los cálculos numéricos es el error de redondeo y se
debe, como ya se ha mencionado antes, a la limitación en la precisión de la herramienta de
cálculo. El error de redondeo local en un método numérico es el error en cada etapa
debido a la herramienta de cálculo y el error de redondeo global o total es la acumulación
de los errores locales. El error total es la suma del error global debido a la fórmula y el error
de redondeo global.
Si el error total debido a la fórmula (error de truncamiento total) en un método numérico es

( )
E T = O hn , el método numérico se dice de orden n.
De acuerdo con esta definición el método de Euler es de orden uno.
Apliquemos el método de Euler a cada una de los problemas de valor inicial de los ejemplos
6.7 y 6.8.
Ejemplo 6.7 Para el P.V.I., con solución única,
 y ′ = sen t + e − t , 0 ≤ t ≤ 1


y 0 =0
 ( )
__________________________________________________________________________________
los resultados obtenidos al aplicar el método de Euler con h = .1 , para resolver el P.V.I. dado
en el intervalo [0,1] , se muestran en la TABLA 6.3 siguiente.
0 0 0 0 0
1 .1 .1000000 .1001584 .
1584 × 10 −4
2 .2 .2004671 .2012027 7.356 × 10 −4
3 .3 .3022071 .3038453 .
16382 × 10 −3
4 .4 .4058409 .4086190 2.7781 × 10 −3
5 .5 .5118148 .5158868 4.072 × 10 −3
6 .6 .6204104 .6258527 5.4423 × 10 −3
7 .7 .7317558 .7385725 6.8167 × 10 −3
8 .8 .8458361 .8539643 8.1282 × 10 −3
9 .9 .9625046 .9718204 9.3158 × 10 −3
10 1.0 1.0814943 1.0918183 .0103240
TABLA 6.3
El error k-ésimo que aparece en la TABLA 6.3 corresponde al error total, es decir, a la suma
del error debido a la fórmula y el error de redondeo. La solución exacta del problema de
valor inicial dado es y(t) = − cos t − e + 2 . La gráfica de la solución exacta y los puntos
−t
(t k , Yk ) obtenidos al aplicar el método de Euler se muestran en la FIGURA 6.5 siguiente. ♦
FIGURA 6.5
Ejemplo 6.8 El P.V.I. dado es



(
1 2
)
 y′ = y + y , 1 ≤ t ≤ 3
t
 y(1) = −2

__________________________________________________________________________________
y se pide aproximar su solución exacta y(t) = en el intervalo [13

, ] , usando el método
2t
1 − 2t
de Euler con tamaño de paso h = .2 .
Los resultados de los cálculos se muestran en la TABLA 6.4 siguiente, y la FIGURA 6.6
muestra la gráfica de la solución exacta y los puntos (t k , Yk ) correspondientes a las
aproximaciones calculadas. ♦
k tk Yk
0 1.0 −2.0
1 1.2 −16.
2 1.4 −144
.
3 1.6 −13494857
.
4 1.8 −12905325
.
5 `2.0 −12488723
.
6 2.2 −12177913
.
7 2.4 −11936800
.
8 2.6 −11744140
.
9 2.8 −11586575
.
10 3.0 −11455268
.
TABLA 6.4
FIGURA 6.6
__________________________________________________________________________________
6.2 UN MÉTODO DE EULER MEJORADO
Considere el P.V.I. bien planteado

 y ′ = f (t, y)

 y(t 0 ) = y 0
Suponiendo que y = φ(t) es la solución exacta de este P.V.I. se tiene que φ ′(t) = f t, φ(t) e ( )
integrando a ambos lados con respecto a t, desde t k a t k +1 , obtenemos
tk +1
φ(t k +1 ) = φ(t k ) + ∫ f (t, φ(t))dt

tk
" $#$$ %
( ∗)
Si aproximamos ahora la integral (∗) de manera más exacta a la aproximación que se hizo en
el método de Euler, aproximando el integrando por la media aritmética de sus valores en los
extremos del intervalo (regla de los Trapecios, ver la FIGURA 6.7), es decir, por
1
2
{( ) (
f t k , φ(t k ) + f t k +1, φ(t k +1 ) )}
obtenemos
( t k +1 − t k )
φ(t k +1 ) ≈ φ(t k ) +
2
{f (t , φ(t )) + f (t
k k (
k +1, φ t k +1 ))}
FIGURA 6.7
__________________________________________________________________________________
Reemplazando φ(t k ) por Yk y φ(t k +1 ) por Yk +1 , en la relación anterior, y escribiendo el

resultado como una ecuación, obtenemos
Yk +1 = Yk +
h
2
[ ]
f (t k , Yk ) + f (t k +1, Yk +1 ) (6.8)
Como la incógnita Yk +1 aparece como uno de los argumentos en el segundo miembro de la

ecuación (6.8) (en este caso el método se dice implícito), lo que hará, por lo general, difícil
de resolver esta ecuación para Yk +1 , reemplazamos Yk +1 en el segundo miembro de la
ecuación (6.8) por el valor que se obtuvo usando la fórmula de Euler sencilla (el método se
convierte en explícito), con lo que obtenemos

 Yk +1 = Yk + [f (t k , Yk ) + f (t k +1, Yk + hf (t k , Yk ))],
h
k = 0,1,...,m − 1
 2 (6.9)
 Y0 = y 0 (= y (t 0 ))
o equivalentemente
 Yk∗+1 = Yk + hf (t k , Yk )

 k = 0,1,..., m − 1

[ (
 Yk +1 = Yk + f (t k , Yk ) + f t k +1, Yk +1
h
2
∗
)]
(6.10)

 Y0 = y 0 (= y (t 0 ))
La ecuación (6.9) o la ecuación (6.10) dan una fórmula para calcular Yk +1 ≈ φ(t k +1 ) en
términos de los datos en t k , y se conoce como fórmula de Euler mejorada o método
predictor-corrector de Euler.
Es mejorada, respecto a la fórmula de Euler sencilla, porque se puede demostrar que el

( )
error local de fórmula es, en este caso, O h 3 como en la regla de los Trapecios, mientras
( ) ( )
que en el de Euler es O h 2 , y el error total de fórmula es O h 2 , mientras que en Euler es
O(h) . De acuerdo con lo anterior, la fórmula de Euler-mejorada es de orden dos.
Observe que en la fórmula de Euler mejorada se obtiene una mayor exactitud a expensas de
un trabajo de cálculo mayor, ya que para ir de t k a t k +1 hay que evaluar dos veces la función
f (t, y) .
Ejemplo 6.9 Consideremos el mismo P.V.I del ejemplo 6.6
 2
 y′ = y + t e , 1≤ t ≤ 2
2 t
 t
 y(1) = 0
__________________________________________________________________________________
y usemos el método de Euler mejorado para aproximar φ(12

. ) , donde y = φ(t) es solución
exacta del P.V.I. dado.
Si h = .1, entonces t 0 = 10
. , t1 = 11
. y t 2 = 12
. , así que debemos calcular Y2 .
Y0 = y(t 0 ) = y(1) = 0

 Y1∗ = Y0 + hf (t 0 , Y0 ) = 0 + .1f (1.0, 0 ) = .1e = .2718282




h
2
[ ( )]
 Y1 = Y0 + f (t 0 , Y0 ) + f t 1, Y1∗ = 0 + [f (1.0, 0 ) + f (1.1, .2718282)] = .3423778 ≈ φ(1.1)
.1
2
Y2∗ = Y1 + hf (t1, Y1 ) = .3423778 + .1f (11

. , .3423778) = .7681324





h
2 [ ( )]
 Y2 = Y1 + f (t1, Y1 ) + f t 2 , Y2 = .3423778 + f (11
∗ .1
2
[
. , .3423778) + f (12
. , .7681324) ]
 = .8583146 ≈ φ(12 . ) = .8666425
El error real es y(12

. ) − Y2 = 8.3279 × 10 −3 < 5 × 10 −2 , lo que asegura una precisión de la
primera cifra decimal exacta en la aproximación obtenida (8).
Para h = .05 , se obtienen los resultados que se muestran en la TABLA 6.5.
De acuerdo con los resultados que aparecen en la TABLA 6.5, el valor calculado
Y4 =.8642907 aproxima al valor exacto y(12
. ) =.8666425 con dos cifras decimales exactas.
La FIGURA 6.8 muestra la gráfica de la solución del P.V.I. del ejemplo 6.9, junto con los
puntos (t k , Yk ) correspondientes a las aproximaciones obtenidas usando el método de Euler
mejorado, y que aparecen en la TABLA 6.5.
Compare los resultados obtenidos por el método de Euler mejorado con los obtenidos por el
método de Euler. Se observa alguna relación en los cálculos numéricos con respecto a los
resultados teóricos esperados? ♦
Ejemplo 6.10 Para el P.V.I.
 y ′ = sent + e − t , 0 ≤ t ≤ 1

 y(0) = 0
si usamos el método de Euler mejorado con tamaño de paso h = .1 para resolver este P.V.I.,
en el intervalo indicado, se obtienen los resultados que se muestran en la TABLA 6.6. La
gráfica de la solución exacta de este P.V.I., y(t) = − cost − e − t + 2 , junto con los puntos
__________________________________________________________________________________
(t k , Yk ) corespondientes a las aproximaciones calculadas que aparecen en la TABLA 6.6, se

muestran en la FIGURA 6.9.
0 1.00 0 0 0
1 1.05 .1531932 .1536546 4.614 × 10 −4
2 1.10 .3449150 .3459199 .
10049 × 10 −3
3 1.15 .5801485 .5817824 .
16339 × 10 −3
4 1.20 .8642907 .8666425 2.3518 × 10 −3
5 1.25 1.2031831 1.2063455 3.1624 × 10 −3
6 1.30 1.6031459 1.6072151 4.0692 × 10 −3
7 1.35 2.0710137 2.0760894 5.0757 × 10 −3
8 1.40 2.6141742 2.6203596 6.1854 × 10 −3
9 1.45 3.2406089 3.2480107 7.4018 × 10 −3
10 1.50 3.9589377 3.9676663 8.7286 × 10 −3
11 1.55 4.7784656 4.7886350 .0101694
12 1.60 5.7092339 5.7209615 .0117276
13 1.65 6.7620734 6.7754803 .0134069
14 1.70 7.9486627 7.9638735 .0152108
15 1.75 9.2815897 9.2987326 .0171443
16 1.80 10.7744178 10.7936247 .0192069
17 1.85 12.4417567 12.4631628 .0214061
18 1.90 14.2993372 14.3230815 .0237443
19 1.95 16.3640929 16.3903179 .0290861
20 2.00 18.6542453 18.6830971 .0288518
TABLA 6.5


(
1 2
)
 y′ = y + y , 1 ≤ t ≤ 3
t
 y(1) = −2

al usar el método de Euler mejorado con tamaño de paso h = .2 para resolver este P.V.I. en
el intervalo indicado, se obtienen los resultados que aparecen en la TABLA 6.7 .
La FIGURA 6.10 muestra la gráfica de la solución exacta de este P.V.I., junto con los puntos
(t k , Yk ) , correspondientes a las aproximaciones obtenidas al aplicar el método de Euler
mejorado y que aparecen en la TABLA 6.7. ♦
__________________________________________________________________________________
FIGURA 6.8
k tk Yk
0 0 0
1 .1 .1002335
2 .2 .2013371
3 .3 .3040240
4 .4 .4088279
5 .5 .5161126
6 .6 .6260831
7 .7 .7387960
8 .8 .8541704
9 .9 .9919994
10 1.0 1.0919618
TABLA 6.6
6.3 MÉTODO DE LOS TRES PRIMEROS TÉRMINOS DE LA SERIE DE TAYLOR
Si y = φ(t) es la solución exacta del P.V.I. con solución única
 y ′ = f (t, y ), t0 ≤ t ≤ T

 y (t 0 ) = y 0
__________________________________________________________________________________
y suponemos que φ(t) tiene al menos las tres primeras derivadas continuas en el
intervalo de interés [t 0 , T] (equivalentemente f (t, y) tiene segundas derivadas parciales

continuas), entonces usando la serie de Taylor con residuo para φ(t) alrededor de t k ,
obtenemos
h2 h3
φ(t k + h) = φ(t k ) + hφ ′(t k ) + φ ′′(t k ) + φ ′′′(ξ k ) (6.11)
2! 3!
donde t k < ξ k < t k + h = t k +1 .
FIGURA 6.9
k tk Yk
0 1.0 −2.0000000
1 1.2 −1.7200000
2 1.4 −1.5612725
3 1.6 −1.4595385
4 1.8 −1.3889051
5 2.0 −1.3370438
6 2.2 −1.2973648
7 2.4 −1.2660334
8 2.6 −1.2406693
9 2.8 −1.2197173
10 3.0 −1.2021193
TABLA 6.7
( ) ( ) ( )
Como φ ′(t) = f t, φ(t) , entonces φ ′′(t) = ft t, φ(t) + fy t, φ(t) φ ′(t) , y por tanto
__________________________________________________________________________________
( ) ( )
φ ′′(t k ) = ft t k , φ(t k ) + fy t k , φ(t k ) φ ′(t k )
= ft (t k , φ(t k )) + fy (t k , φ(t k ))f (t k , φ(t k ))
FIGURA 6.10
Reemplazando en la ecuación (6.11), φ(t k ) por su valor aproximado Yk , φ ′(t k ) por su valor
aproximado f (t k , Yk ) = Yk′ y φ ′′(t k ) por su valor aproximado ft (t k , Yk ) + fy (t k , Yk )f (t k , Yk ) = Yk′′
h3
y despreciando el término de error φ ′′′(ξ k ) , obtenemos la siguiente fórmula para el valor
3!
Yk +1 aproximación de φ(t k + h) = φ(t k +1 ) :
 h2
 Yk +1 = Yk + hYk′ + Yk′′, k = 0,1,..., m − 1
 2 (6.12)
 Y = y (= y (t ))
 0 0 0
que se conoce como fórmula de los tres primeros términos de la serie de Taylor.
El error local en la fórmula (6.12) es
∈k +1 = φ(t k +1 ) − Yk +1 = h φ ′′′(ξ k ) , con t k < ξ k < t k+1 , k = 0,1,...,m − 1

1 3
6
__________________________________________________________________________________
por lo tanto el error local es proporcional a h3 , como lo es para la fórmula de Euler mejorada,
( )
es decir, ∈k = O h 3 , k = 1,2,...,m . Entonces el error total debido a la fórmula (6.12) es
( )
O h 2 , así que este método es de orden dos.
Nota: La fórmula de los tres primeros términos de la serie de Taylor requiere el cálculo de
ft (t, y) y fy (t, y) , y después la evaluación de estas funciones y de f (t, y) en el punto (t k , Yk ) ,
cosa que en algunos problemas puede ser difícil o bastante tedioso de calcular. Si este es el
caso, puede ser mejor usar una fórmula con precisión comparable, como la fórmula de Euler
mejorada, que no requiere de ft (t, y) ni de fy (t, y) .
Ejemplo 6.12 Si aplicamos el método de los tres primeros términos de la serie de Taylor
para obtener valores aproximados de la solución del P.V.I.
 dy 2
 = y + t 2et , 1 ≤ t ≤ 2
 dt t
y(1) = 0

con tamaño de paso h = .1, se obtienen los resultados que aparecen en la TABLA 6.8
siguiente.
k tk Yk
0 1.0 0
1 1.1 .3397852
2 1.2 .8521434
3 1.3 1.5817695
4 1.4 2.5809966
5 1.5 3.9109846
6 1.6 5.6430810
7 1.7 7.8603816
8 1.8 10.6595145
9 1.9 14.1526821
10 2.0 18.4699945
TABLA 6.8
TAYLOR3( f (t, y), t , y , t 0 , y 0 , h , m ): aproXima los valores Y0 , Y1,..., Ym obtenidos al aplicar el

 dy
 = f (t, y)
método de los tres primeros términos de la serie de Taylor al P.V.I.  dt con m pasos
y(t 0 ) = y 0

de tamaño h. Para el ejemplo anterior, aproXime la expresión
TAYLOR3( y + t 2 exp(t), t , y ,1, 0 , 0.1,10). ◊
2
t
__________________________________________________________________________________
Compare el valor obtenido Y2 =.8521434 ≈ φ(12

. ) , utilizando el método de los tres primeros
términos de la serie de Taylor, con el correspondiente valor obtenido por el método de Euler
mejorado.
Veamos cuál es la fórmula de avance del método de los tres primeros términos de la serie de
Taylor para este ejemplo.
Como f (t, y) =
2
y + t 2 e t , entonces ft (t, y) = − 2 y + t 2 e t + 2 te t , fy (t, y) = , así que la fórmula
2 2
t t t
de avance en el método de los tres primeros términos de la serie de Taylor, para este caso,
es
 h2
Yk +1 = Yk + hYk′ + Yk′′ , k = 0,1,...,9
 2
Y = 0 , h = .1
 0
con
Yk′ = f (t k , Yk ) =
2
Yk + t k2 e tk
tk
Yk′′ = ft (t k , Yk ) + fy (t k , Yk )f (t k , Yk )
2 2
=− Yk + t k2 e t k + 2t k e tk + Yk′ ♦
t k2 tk
Como ejercicio aplique la fórmula de los tres primeros términos de la serie de Taylor para
obtener valores aproximados de la solución exacta en cada uno de los P.V.I. dados en los
ejemplos anteriores.
Si se toman más términos en la serie de Taylor de la función φ(t) alrededor del punto t k , se
obtienen fórmulas de mayor precisión. Es posible desarrollar fórmulas con la precisión de las
fórmulas de tres o más términos de la serie de Taylor, en las que no aparezcan derivadas
parciales de f (t, y) . El desarrollo de estas fórmulas lo inició Carl Runge (1.856-1.927) y lo
continuó G. Kutta (1.867-1.944), matemáticos aplicados alemanes.
6.4 MÉTODO DE RUNGE-KUTTA
El método de Runge-Kutta se fundamenta en el método de la serie de Taylor, buscando la

exactitud de este método pero sin tener que calcular derivadas parciales de la función
f (t, y) .
Existen métodos de Runge-Kutta de diferentes ordenes, el orden lo define el orden de la

derivada en el término de la serie de Taylor donde ésta se corte.
Consideremos el P.V.I.
 y ′ = f (t, y ), t 0 ≤ t ≤ T

 y (t 0 ) = y 0
__________________________________________________________________________________
con solución única y = φ(t) .
La fórmula de los tres primeros términos de la serie de Taylor es
h2
Yk +1 = Yk + hYk′ + Yk′′
2
h2
= Yk + hf (t k , Yk ) +
2
{ }
ft (t k , Yk ) + fy (t k , Yk )f (t k , Yk ) (6.13)

[ ]
= Yk + hf (t k , Yk ) + ft (t k , Yk ) + fy (t k , Yk )f (t k , Yk ) 

h
2


y consideremos la fórmula
{ (
Yk +1 = Yk + h af (t k , Yk ) + bf t k + α h, Yk + β hf (t k , Yk ) )} (6.14)
donde a, b, α y β son constantes arbitrarias.
Se puede ver que la fórmula (6.14) es una generalización del método de Euler mejorado.
La ecuación (6.14) la podemos expresar en la forma
 K 1 = hf (t k , Yk )
Yk +1 = Yk + aK 1 + bK 2 con  (6.15)
 K 2 = hf (t k + αh, Yk + βK 1 )
que se conoce como fórmula general de Runge-Kutta de segundo orden.
El propósito es encontrar valores de las constantes a, b, α y β tales que la fórmula (6.15)

tenga la exactitud del método de los tres primeros términos de la serie de Taylor (fórmula
(6.13)) sin tener que calcular derivadas de orden superior de la función φ(t) .
Para esto procedemos así:
En la fórmula (6.15), en la parte que corresponde a K 2 , hacemos el desarrollo en serie de

Taylor de orden dos para una función de dos variables, así
K 2 = hf (t k + αh, Yk + βK 1 )
{
= h f (t k , Yk ) + αhft (t k , Yk ) + βK 1fy (t k , Yk )
+
2 [ ( ) ( )
α h ft t t, y + 2(αh)(βK 1 )ft y t, y + β 2K 12 fy y t, y
1 2 2
( )] }
para algún t entre t k y t k + αh y algún y entre Yk y Yk + βK 1 .
Sustituyendo K 1 y K 2 en (6.15), obtenemos

__________________________________________________________________________________

 2
1
[
Yk +1 = Yk + ahf + bhf + αhft + βhffy + α 2h 2 ft t + 2αβh 2 fft y + β 2h 2 f 2 fy y ] 
y agrupando términos, llegamos a
(
Yk +1 = Yk + (a + b)hf + bh2 αft + βffy +
bh 3 2
2
) (
α ft t + 2αβfft y + β 2 f 2 fy y ) (6.16)
( f y sus derivadas parciales de primer orden evaluadas en el punto (t k , Yk ) ; ft t , ft y y fy y
( )
evaluadas en el punto t, y ) .
Comparando la ecuación (6.13) con la ecuación (6.16), término a término, hasta h2 ,

obtenemos el siguiente sistema no-lineal de ecuaciones en las variables a, b, α y β :

a + b = 1

 1
 αb=
 2
 1
 β b = 2
1 1
sistema que tiene infinitas soluciones: a = 1 − b , α = y β= , b ∈R , b ≠ 0.
2b 2b
Recordando la fórmula para el error local en el método de los tres primeros términos de la
serie de Taylor y observando el residuo en la serie de Taylor en la ecuación (6.16), se tiene
que el error local en la fórmula general de Runge-Kutta de segundo orden es O h 3 ( ) y
entonces el error total debido a la fórmula es O h 2 . ( )

Casos particulares:
1 1
1) Si b = , entonces a = , α = 1 = β , y obtenemos
2 2
1 1
Yk +1 = Yk + K 1 + K 2 = Yk +
2 2
1
2
{
hf (t k , Yk ) + hf (t k + h, Yk + K 1 ) }
o sea

 Yk +1 = Yk + {f (t k , Yk ) + f (t k +1, Yk + hf (t k , Yk )) },
h
k = 0, 1,..., m − 1
 2
 Y0 = y 0 (= y (t 0 ))
que es el método de Euler mejorado.
1
2) Si b = 1, entonces a = 0 , α = = β , y entonces
2
 1 1 
Yk +1 = Yk + 1K 2 = Yk + hf  t k + h, Yk + K 1
 2 2 
o sea
__________________________________________________________________________________
  
 Yk +1 = Yk + hf  t k + h, Yk + hf (t k , Yk ) ,
1 1
k = 0,1,..., m − 1
  2 2 
 Y = y (= y (t ))
 0 0 0
que se conoce como método de Euler modificado o del punto medio.

3 1 2
3) Si b = , entonces a = , α = = β , y entonces
4 4 3
1 3
Yk +1 = Yk + K 1 + K 2
4 4
3  2 
= Yk + hf (t k , Yk ) + hf  t k + h, Yk + K 1
1 2
4 4  3 3 
3  
hf (t k , Yk ) + hf  t k + h, Yk + hf (t k , Yk )
1 2 2
= Yk +
4 4  3 3 
o sea
 h  
 Yk +1 = Yk + f (t k , Yk ) + 3f  t k + h, Yk + hf (t k , Yk )  ,
2 2
k = 0,1,..., m − 1
 4  3 3 
 Y = y (= y (t ))
 0 0 0
que se conoce como método de Heun.
Los anteriores métodos están clasificados como métodos de Runge-Kutta de orden dos,
que es el orden de su error total de fórmula.
Ejemplo 6.13 Si al P.V.I.

 dy 2
 = y + t 2et , 1≤ t ≤ 2
 dt t
 y(1) = 0

le aplicamos el método de Heun con h = .05 , para aproximar la solución y = φ(t ) de este
P.V.I., obtenemos los resultados que se muestran en la TABLA 6.9.
Compare los resultados obtenidos por el método de Heun, para este ejemplo, con los
correspondientes resultados obtenidos usando el método de Euler mejorado.
(
En la FIGURA 6.11 aparece la gráfica de la solución exacta y(t) = t 2 e t − e del P.V.I. dado )
en este ejemplo, junto con los puntos (t k , Yk ) correspondientes a las aproximaciones
calculadas usando el método de Heun, y que aparecen en la TABLA 6.9. ♦
Ejemplo 6.14 Si al P.V.I.


(
1 2
 y′ = y + y ,
 t
) 1≤ t ≤ 3
 y(1) = −2

__________________________________________________________________________________
le aplicamos el método de Heun para calcular valores aproximados de la solución exacta de

este P.V.I. con tamaño de paso h = .2 , obtenemos los resultados que aparecen en la TABLA
6.10. ♦
0 1.00 0 0 0
1 1.05 .1530888 .1536546 .0005658
2 1.10 .3446870 .3459199 .0012329
3 1.15 .5797752 .5817824 .0020072
4 1.20 .8637476 .8666425 .0028949
5 1.25 1.2024431 1.20633456 .0039025
6 1.30 1.6021788 1.6072150 .0050362
7 1.35 2.0697864 2.0760894 .0063030
8 1.40 2.6126498 2.6203597 .0077099
9 1.45 3.2387469 3.2480106 .0092637
10 1.50 3.9566938 3.9676664 .0109726
11 1.55 4.7757914 4.7886353 .0128439
12 1.60 5.7060762 5.7209616 .0148854
13 1.65 6.7583744 6.7754803 .0171058
14 1.70 7.9443594 7.9638734 .0195140
15 1.75 9.2766136 9.2987328 .0221192
16 1.80 10.7686946 10.7936249 .0249303
17 1.85 12.4352056 12.4631624 .0279568
18 1.90 14.2918711 14.3230820 .0312109
19 1.95 16.3556171 16.3903179 .0347009
20 2.00 18.6446577 18.6830978 .0384402
TABLA 6.9
k tk Yk
0 1.0 −2.0
1 1.2 −17317647
.
2 1.4 −15731911
.
3 1.6 −14700834
.
4 1.8 −13980664
.
5 2.0 −13450418
.
6 2.2 −13044170
.
7 2.4 −12723171
.
8 2.6 −12463225
.
9 2.8 −12248473
.
10 3.0 −12068097
.
TABLA 6.10
__________________________________________________________________________________
Procediendo de manera similar al caso de los métodos de Runge-Kutta de orden dos, se

obtendrá una fórmula de Runge-Kutta de orden tres (3), tomando la fórmula de los cuatro
primeros términos de la serie de Taylor
h2 h3
Yk +1 = Yk + hYk′ + Yk′′ + Yk′′′
2! 3!
y considerando la fórmula general de Runge-Kutta de orden tres

K 1 = hf (t k , Yk )

Yk +1 = Yk + aK 1 + bK 2 + cK 3 con K 2 = hf (t k + αh, Yk + βK 1 )

K 3 = hf (t k + γh, Yk + δK 2 )
FIGURA 6.11
Una de las fórmulas de Runge-Kutta de tercer orden viene dada por

__________________________________________________________________________________
 K 1 = hf (t k , Yk )
 
 Y = Y + 1 (K + 4K + K ) con K = hf  t + 1 h, Y + 1 K  , k = 0,1,...,m − 1
 k +1 k 1 2 3  2 k k 1
 6   2 2 
 K 3 = hf (t k + h, Yk + 2K 2 )

 Y0 = y 0 (= y (t 0 ))
La fórmula clásica de Runge-Kutta y que más se utiliza es equivalente a la fórmula de los

cinco primeros términos de la serie de Taylor, o sea un método de Runge-Kutta de orden
cuatro, y viene dada así
  K1 = hf (t k , Yk )
 
 
   1 1 
  K 2 = hf  t k + h, Yk + K1 
   2 2 
 Y = Y + 1 (K + 2K + 2K + K ) con  k = 0,1,...,m − 1
 k +1 k 1 2 3 4 
 6 
 K 3 = hf  t k + h, Yk + K 2 
 1 1
   2 2 
 
 
  K 4 = hf (t k + h, Yk + K 3 )

 Y0 = y 0 (= y(t 0 ))
Este método tiene error local de fórmula de orden O h 5 ( ) ( )

y error total de orden O h 4 ,
siempre y cuando la solución φ(t) del P.V.I. dado tenga las primeras cinco derivadas
continuas.
Algoritmo 6.2 (Runge-Kutta de orden cuatro) Para encontrar una aproximación discreta de
la solución del P.V.I., con solución única
 y ′ = f (t, y) , t 0 ≤ t ≤ T

 y(t 0 ) = y 0
en m + 1 números igualmente espaciados en el intervalo [t 0 , T] :

Entrada: La función f (t, y) , los valores iniciales t 0 , y 0 , el tamaño de paso h, y un entero m.
Salida: Aproximación Y de la solución y(t) en los m +1 números

t 0 , t1 = t 0 + h,..., t m = t 0 + mh = T .
Paso 1: Hacer t = t 0 , Y = y 0 .
__________________________________________________________________________________
Salida: (t, Y ) .
Paso 2: Para k = 12
, ,..., m seguir los pasos 3-5:
Paso 3: Tomar K 1 = hf (t, Y ) ,

 1 1 
K 2 = hf  t + h, Y + K 1 ,
 2 2 
 1 1 
K 3 = hf  t + h, Y + K 2  ,
 2 2 
K 4 = hf (t + h, Y + K 3 ) .
(K 1 + 2K 2 + 2K 3 + K 4 ) (calcula Yk )
1
Paso 4: Tomar Y = Y +
6
t = t + kh (Calcula t k )
Paso 4: Salida: (t, Y ) .
Paso 5: Terminar.
Ejemplo 6.15 Usando el método de Runge-Kutta de orden cuatro para encontrar una
aproximación de la solución del P.V.I., con solución única
 dy 2
 = y + t 2et , 1≤ t ≤ 2
 dt t
 y(1) = 0

con tamaño de paso h = .1 , obtenemos los resultados que se muestran en la TABLA 6.11
siguiente.
0 1.0 0 0 0
1 1.1 .3459103 .3459199 9.6 × 10 −6
2 1.2 .8666217 .8666425 2.08 × 10 −5
3 1.3 1.6071813 1.6072151 3.38 × 10 −5
4 1.4 2.6203113 2.6203596 4.83 × 10 −5
5 1.5 3.9676019 3.9676663 6.44 × 10 −5
6 1.6 5.7208793 5.7209615 8.22 × 10 −5
7 1.7 7.9637718 7.9638735 .
1017 × 10 −4
8 1.8 10.7935018 10.7936247 .
1229 × 10 −4
9 1.9 14.3229357 14.3230815 .
1458 × 10 −4
10 2.0 18.6829266 18.6830971 .
1705 × 10 −4
TABLA 6.11
__________________________________________________________________________________
[ ]
RK( f (t, y) ,[t, y],[t 0 , y 0 ], h , m ): aproXima los valores Y0 , Y1,..., Ym obtenidos al aplicar el
 dy
 = f (t, y)
método de Runge-Kutta de cuarto orden al P.V.I.  dt en m pasos de tamaño h.
y(t 0 ) = y 0

2 
Para el ejemplo anterior, aproXime la expresión RK(  y + t 2 exp(t) ,[t, y],[10
, ], 0.1,10 ). ◊
t 
Veamos cómo se calcula la primera aproximación Y1 , aplicando el método de Runge-Kutta

de cuarto orden, al P.V.I. anterior.
Y1 = Y0 + (K 1 + 2K 2 + 2K 3 + K 4 )
1
6
donde
Y0 = 0
K 1 = hf (t 0 , Y0 ) = .1f (10
. ,0) = .27182818
 1 1   .27182818 
K 2 = hf  t 0 + h , Y0 + K 1 = .1f  105
. ,  = .3409444
 2 2   2 
 1 1   .3409444 
K 3 = hf  t 0 + h, Y0 + K 2  = .1f  105
. ,  = .3475269
 2 2   2 
K 4 = hf (t 0 + h, Y0 + K 3 ) = .1f (11
. , .3475269) = .4266908
Así que
Y1 = 0 +
1
6
( )
.2718281 + (2)(.3409444) + (2)(.3475269)+.4266908 = .3459103
De acuerdo con los resultados de la TABLA 6.11, Y2 = .8666217 aproxima al valor exacto
y(12
. ) = .8666425 con una precisión de cuatro cifras decimales exactas.
Una gráfica de la solución exacta del P.V.I. dado, junto con los puntos (t k , Yk )
correspondientes a las aproximaciones calculadas usando el método de Runge-Kutta de
orden cuatro que aparecen en la TABLA 6.11, se muestran en la FIGURA 6.12. ♦

(
1 2
 y′ = y + y ,
 t
) 1≤ t ≤ 3
 y(1) = −2

__________________________________________________________________________________
el método de Runge-Kutta de orden cuatro con h = .2 , produce los resultados que se

muestran en la TABLA 6.12.
Una gráfica de la solución exacta y(t) =

2t
del P.V.I. del ejemplo 6.16, junto con los
1 − 2t
puntos (t k , Yk ) correspondientes a las aproximaciones calculadas que aparecen en la
TABLA 6.12, se muestran en la FIGURA 6.13. ♦
FIGURA 6.12
k tk Yk
0 1.0 −2.0
1 1.2 −17142452
.
2 1.4 −15555229
.
__________________________________________________________________________________
3 1.6 −14545197
.
4 1.8 −13845945
.
5 2.0 −13333159
.
6 2.2 −12941027
.
7 2.4 −12631448
.
8 2.6 −12380836
.
9 2.8 −12173809
.
10 3.0 −11999905
.
TABLA 6.12
FIGURA 6.13
Ejemplo 6.17 Use el método de Runge-Kutta de orden cuatro para aproximar la

solución exacta del P.V.I.
 t 2 y ′′ − 2ty ′ + 2y = t 3 lnt , 1 ≤ t ≤ 15
.

 y(1) = 1, y ′(1) = 0
tomando h = .05 .
Solución: Empezamos despejando y ′′ en la ecuación diferencial dada
t 2 y ′′ − 2 ty ′ + 2y = t 3 ln t
__________________________________________________________________________________
lo que nos da
2 2
y ′′ = y ′ − 2 y + t ln t , t ≠ 0
t t
Ahora transformamos el P.V.I. dado en el siguiente sistema de ecuaciones

diferenciales de primer orden con condición inicial, introduciendo las variables
y1 = y, y 2 = y ′ :
 y1′ = y 2 ,

 1 ≤ t ≤ 15
.
 2 2
 y ′2 = − 2 y1 + y 2 + t ln t , (6.17)
 t t


 y1(1) = 1 , y 2 (1) = 0
Este sistema es de la forma
 y1′ = f1(t, y1, y 2 ) ,


 t0 ≤ t ≤ T

 y 2′ = f2 (t, y1, y 2 ) ,


 y1(t 0 ) = y1,0 , y 2 (t 0 ) = y 2,0

con
f1(t, y1, y 2 ) = y 2 , f2 (t, y1, y 2 ) = −
2 2
2
y1 + y 2 + t ln t , y1,0 = 1 , y 2,0 = 0
t t
Ahora aplicamos el método de Runge-Kutta de orden cuatro a cada una de las

ecuaciones del sistema, así:
Para y1′ = y 2 (= f1(t, y1, y 2 )) :
(1)
Y0 = 1 , que es la condición inicial para la función incógnita y1
Para y 2′ = −
2
t 2
y1 +
2
t
(
y 2 + t ln t = f2 (t, y1, y 2 ) ):
Y0( ) = 0
2
, que es la condición inicial para la función incógnita y 2
__________________________________________________________________________________
En esta notación el superíndice hace referencia al subíndice de la función incógnita,

es decir, superíndice 1 para la función incógnita y1 , y superíndice 2 para la función
incógnita y 2 .
Para calcular la primera aproximación
(1)
Y1 , para la función incógnita y1
y
( 2)
Y1 , para la función incógnita y 2
procedemos así:
K 1( ) = hf1  t 0 , Y0( ) , Y0( )  = .05f1(10 . , 0) = .05(0) = 0

1 1 2
. , 10
 2 
K 1( ) = hf2  t 0 , Y0( ) , Y0( )  = .05f2 (10 . , 0 ) = .05 − 2 10 . ln(10
. ) = −.1
2 1 2 2
. , 10 . + 0 + 10
 10
. .
10 
 (1) K( ) 
2
K (2 ) = hf1  t 0 + , Y0( ) + 1 , Y0( ) + 1  =.05f1(1025
h 1 K
. , −.05 ) = −2.5 × 10 −3
1 2
. , 10
 2 2 2 
 
 K( ) K( ) 
1 2
K (2 ) = hf2  t 0 + , Y0( ) + 1 , Y0( ) + 1  =.05f2 (1025 . , −.05) = −.098793992
2 h 1 2
. , 10
 2 2 2 

 (1) K( ) 
2
K (3 ) = hf1  t 0 + , Y0( ) + 2 , Y0( ) + 2  = .05f1(1025
h 1 K
, .99875, −.049396996 )
1 2
.
 2 2 2 

= −2.4698498 × 10 −3
 (1) K( ) 
2
K (3 ) = hf2  t 0 + , Y0( ) + 2 , Y0( ) + 2  = .05f2 (1025
h 1 K
, .99875, −.049396996)
2 2
.
 2 2 2 

= −.09861618555
__________________________________________________________________________________
K (4 ) = hf1  t1, Y0( ) + K (3 ) , Y0( ) + K (3 )  = .05f1(105

. , .9975301502, −.09861618555 )
1 1 1 2 2
= −4.930809278 × 10 −3
K (4 ) = hf2  t1, Y0( ) + K (3 ) , Y0( ) + K (3 )  = .05f2 (105

. , .9975301502, −.09861618555 )
2 1 1 2 2
= −.09730945925
Entonces
( )
Y1(1) = Y0(1) + K 1(1) + 2K (21) + 2K 3(1) + K (41)
1
6
1
( ( ) ( )
= 1.0 + 0 + 2 − 2.5 × 10 −3 + 2 − 2.4698498 × 10 −3 − 4.930809278 × 10 −3
6
)
= .9975215819
y
Y1( ) = Y0( ) +  K 1( ) + 2K (2 ) + 2K (3 ) + K (4 ) 

2 2 1 2 2 2 2
6
(
= 0 + −.1 + 2(−.098793992) + 2(−.099861618555)−.09730945925
1
6
)
= −.09868830239
Si aplicamos el método de Runge-Kutta de cuarto orden al P.V.I. dado, se obtienen

los resultados que se muestran en la TABLA 6.13 siguiente.
k tk (1)
Yk
( 2)
Yk
0 1.0 1.0 0
1 1.05 .9975216 −.09868830
2 1.10 .9901789 −.1945121
3 1.15 .9781239 −.2871223
4 1.20 .9615257 −.3761856
5 1.25 .9405698 −.4613824
6 1.30 .9154570 −.5424067
7 1.35 .8864035 −.6189642
8 1.40 .8536397 −.6907718
9 1.45 .8174100 −.7575566
10 1.50 .7779722 −.8190555
TABLA 6.13
Las aproximaciones de la solución exacta

__________________________________________________________________________________
7 t3 3
y(t) = t + ln t − t 3
4 2 4
(1)
del P.V.I. dado, corresponden a los valores Yk que aparecen listados en la tercera
columna de la TABLA 6.13.
RK( [f1(t, y1, y 2 ), f2 (t, y1, y 2 )] , [t, y1, y 2 ] , [t 0 , y1,0 , y 2,0 ] , h , m ): aproXima a una matriz de 3
columnas y m + 1 filas, donde cada fila es de la forma  tk , Yk(1) , Yk( 2)  , siendo
 
(1) ( 2)
Yk ≈ y1(t k ) y Yk ≈ y 2 (t k ) los valores obtenidos al aplicar el método de Ringe-Kutta
de cuarto orden al sistema
y1′ = f1(t, y1, y 2 )

y 2′ = f2 (t, y1, y 2 )

y1(t 0 ) = y1,0 , y 2 (t 0 ) = y 2,0
con m pasos de tamaño h. Para el ejemplo anterior, aproXime la expresión

  2   (1)
 z , t z − 2 y + t ln t  , [t , y , z], [1, 1, 0], 0.05 , 10  . Si desea graficar los puntos  t k , Yk 
2
RK 
  t  
( )
los puntos  t k , Yk  , correspondientes a las
2
y/o aproximaciones obtenidas, la siguiente
instrucción puede ser utilizada:
EXTRACT_2_COLUMNS(M, j, l): Simplifica en una matriz formada por las

columnas j y l de la matriz M. ◊
Es claro que cualquiera de los métodos estudiados se puede aplicar para un sistema de
ecuaciones diferenciales de primer orden del tipo (6.2). Como ejemplo veamos como
se escribiría el método de Runge-Kutta de cuarto orden para el sistema (6.17):
 y1′ = y 2 ,

 1 ≤ t ≤ 15
.
 2 2
 y ′2 = − 2 y1 + y 2 + t ln t ,
 t t


 y1(1) = 1, y 2 (1) = 0
Este sistema se puede escribir en forma vectorial como sigue

__________________________________________________________________________________
  y2 
 y1′  =  2 2 , 1 ≤ t ≤ 15
.   
 y 2′   − 2 y1 + y 2 + t ln t   
  t t  ( )
 Y ′ = F t, Y , 1 ≤ t ≤ 1.5 
   
 ⇔  
  
 y1(1) =  1  1 
 Y (1) =   
 y 2 (1)  0   0 
   
y entonces la forma vectorial del método de Runge-Kutta de cuarto orden para

aproximar la solución del P.V.I. vectorial del ejemplo 6.17, es
 
 
 Yk(1+)1   Yk(1)  1  K 1(1)   K (21)   K 3(1)   K (41)  
 = +   + 2  + 2 + 
 Y (2 )   Y (2 )  6  K (2 )   K (2 )   K (2 )   K (2 )  
"#k +1 
% "#% k    1 
"#% 
"#% 2   3   4 
"#% "#%
 
Yk + 1 Yk  K1 K2 K3 K4 
donde

 Yk(2 ) 

K1 = h F(t k , Yk ) = h 2 Y (1) 2 Y (2) t lnt 
− t 2 k + t k + k k 
 k k 
K 2 = h F t k + h , Yk + K 1 
1 1
 2 2 
 
Yk(2 ) + K 1(2 )
1
 
 2 
= h− 2  (1) 1 (1)  2  (2 ) 1 (2 )   1   1 
  Y + K  +  Y + K  +  t + h  ln t + h 
2 
k k k
2
 2 1   1  k 2 1   2  
  t k + 1 h   tk + h 
  2  
  2  
K 3 = h F t k + h , Yk + K 2 
1 1
 2 2 
 
Yk(2 ) + K (22 )
1
 
 2 
= h− 2  (1) 1 (1)  2  (2 ) 1 (2 )   1   1 
  Y + K  +  Y + K  +  t + h  ln t + h 
2 
k k k
2
 2 2   1  k 2 2   2  
  t k + 1 h   tk + h 
  2  
  2  
__________________________________________________________________________________
K 4 = h F(t k + h ,Yk + K 3 )

 Yk(2 ) + K 3(2 ) 

= h
−
2 ( (
1) (1)
Y + K3 +
 (t + h)2 k
2
(k+ )
t
) h
( 2) (2)
)
Yk + K 3 + (t k + h)ln (t k + h)
(

 k  ♦
Como ejercicio use la forma vectorial del método de Runge-Kutta de orden cuatro
para calcular las aproximaciones de la solución exacta del P.V.I. del ejemplo 6.17.
TALLER 6.
1. Use el teorema 6.1 para demostrar que el P.V.I.
y ′ = tany

y(0) = 0
tiene una solución en el intervalo t ≤ π .

4
2. Use cada uno de los teoremas 6.1, 6.2, 6.3 y 6.4 para predecir dónde tiene solución
el siguiente P.V.I., y luego resuélvalo explícitamente para comparar la teoría con
los hechos:
y ′ = y
2

y(0) = 1
3. Demuestre que el P.V.I.
y ′ = 1 + y 2

y(0) = 0
tiene una solución en el intervalo [−11

, ] . Pruebe que este ejemplo no satisface la
hipótesis del teorema 6.4. Explique por qué este ejemplo no contradice al teorema
6.4.
__________________________________________________________________________________
4. Encuentre un intervalo para el cual se pueda asegurar que el P.V.I.
y ′ = sec y

y(0) = 0
tiene una única solución.
5. Use el teorema 6.4 para demostrar que cada uno de los siguientes P.V.I. tienen
solución única en el intervalo [0,1] :
y ′ = y cos t y ′ = 1 + t sen(ty)

 
y(0) = 1 y(0) = 0
i) ii)
t2
6. Verifique que y1(t) = − y y 2 (t) = 1 − t son soluciones del P.V.I.
4
2y ′ = t 2 + 4 y − t

y(2) = −1
Por qué no contradice este hecho al teorema 6.2?
7. Para cada una de las funciones f (t, y) siguientes
i) f (t, y) = t 2 y + 1 ii) f (t, y) = tan −1y
iii) f (t, y) = ty iv) f (t, y) = − ty + 4 t

y
a) Satisface f una condición de Lipschitz en la segunda variable y en el dominio
D = {(t, y) / 0 ≤ t ≤ 1, − ∞ < y < ∞} ?
b) Determine si el P.V.I.
 y ′ = f (t, y) , 0 ≤ t ≤ 1

 y(0) = 1
__________________________________________________________________________________
tiene solución única.

8. a) Demuestre que cada uno de los siguientes problemas de valor inicial tiene
solución única
 y ′ = y cos t , 0 ≤ t ≤ 1  y ′ = 1 + t sen(ty) , 0 ≤ t ≤ 1
a)  b) 
 y(0 ) = 1  y(0 ) = 0
b) Use dos pasos de los métodos de Euler, Euler mejorado, Heun, Taylor de orden
dos y método de Runge-Kutta de orden cuatro para aproximar y(0.2) .
9. Considere el P.V.I.
 y ′ = −10 y , 0 ≤ t ≤ 2

 y(0 ) = 1
el cual tiene solución exacta y(t) = e −10 t . Qué pasa cuando el método de Euler se
aplica a este problema con tamaño de paso h = .1?
10. Encuentre valores aproximados de la solución de cada uno de los siguientes

problemas de valor inicial, usando el método de los tres primeros términos de la
serie de Taylor y el método de Runge-Kutta de orden cuatro con tamaño de paso
h =.5 y h =.25 . Haga una gráfica que muestre los puntos (t k , Yk ) correspondientes
a las aproximaciones calculadas y la gráfica de la solución exacta. Discuta sus

resultados.
 y′ = −y2, 0 ≤ t ≤ 4
a) 
1
con solución exacta y(t) =
 y(0) = 1 1+ t
 y ′ = − y + 2 cos t , 0 ≤ t ≤ 4
b)  con solución exacta y(t) = sen t + cos t
 y(0) = 1
 y ′ = y − 2 sen t , 0 ≤ t ≤ 4
c)  con solución exacta y(t) = sen t + cos t
 y(0) = 1
__________________________________________________________________________________
11. Un proyectil de masa m = 0.11 Kgrs. se lanza verticalmente hacia arriba desde el
suelo con una velocidad inicial v(0) = 8m./ seg. y se va frenando debido a la fuerza
de la gravedad Fg = −mg y a la resistencia del aire Fr = −kv 2 , donde
g = 9.8m./ seg2 . y k = 0.002kg./m.
a) Demuestre que la ecuación diferencial para la velocidad v (t ) del proyectil en

cada instante t es
− mg − k (v (t ))2 , mientras el proyectil está subiendo

mv ′(t ) = 
− mg + k (v (t ))2 , mientras el proyectil está bajando
b) Demuestre que el problema de valor inicial

 v ′ = −g − v (t ) v (t ) , 0 ≤ t ≤ T
k
 m
 v (0 ) = 8.0
correspondiente a la situación descrita en el enunciado tiene solución única en

el intervalo [0, T ] , siendo T el tiempo que tarda el proyectil en caer.
c) Utilice el método de Runge-Kutta de cuarto orden para estimar la velocidad del

proyectil en cada uno de los instantes .1, .2, .3,..., 1.0 segundos, tomando
tamaño de paso h =.1 .
d) Estime el tiempo para el cual el proyectil alcanza la altura máxima y empieza a

caer.
e) Estime la altura máxima alcanzada por el proyectil.
12. a) Convierta cada uno de los siguientes problemas de valor inicial en un sistema
de ecuaciones diferenciales de primer orden con condición inicial
 y ′′′ + 4 y ′′ + 5 y ′ + 2 y = −4 sen t − 2 cos t , 0 ≤ t ≤ 1

i) 
 y(0 ) = 1, y ′(0 ) = 0, y ′′(0 ) = −1
ii)  y ′′ + 2ty ′ + t 2 y = e t , 0 ≤ t ≤ 1

 y(0) = 1, y ′(0) = −1
__________________________________________________________________________________
b) Use el método de Euler, el método de los tres priemros términos de la serie de

Taylor y el método de Runge-Kutta de cuarto orden para aproximar la solución
y(t) de cada uno de los P.V.I. dados en i) y ii), usando tamaño de paso h = .1 .
13. Considere el problema de valor inicial
 y ′ = e − t 2 , 0 ≤ t ≤ 1

 y(0 ) = 0
a) Demuestre que el P.V.I. dado tiene solución única.

t
b) Verifique que y(t) = ∫ e − s ds es la solución del P.V.I. dado.
2
c) Use la regla de integración numérica de los Trapecios con h = .25 para

aproximar la solución y(t) , dada en b), en los puntos
t1 = .25, t 2 = .50, t 3 = .75 y t 4 = 10
. .
d) Use el método de los tres primeros términos de la serie de Taylor con tamaño
de paso h = .25 para aproximar la solución y(t) , dada en b), en los puntos
t1 = 0.25 , t 2 = 0.50 , t 3 = 0.75 , y t 4 = 10
. .
e) Encuentre el polinomio interpolante de Newton (diferencias divididas) para la

función f (x) = e − x en [0,10]
2
. usando como nodos 0, .25, .50, .75, 1.0 y úselo
1.0
∫e
− x2
para aproximar dx .
0
f) Compare los resultados obtenidos en c), d) y e).

Capítulo 6. SOLUCIÓN NUMÉRICA DE P.V.I. Y P.V.F. PARA E.D.O. 323
__________________________________________________________________________________
PROBLEMAS DE VALOR EN LA FRONTERA (P.V.F.)
Hasta aquí se han considerado problemas de valor inicial (P.V.I.) para ecuaciones
diferenciales ordinarias (E.D.O.), es decir, problemas de E.D.O. donde se especifican
condiciones sobre la solución de la ecuación diferencial en un mismo punto llamado punto
inicial (condiciones iniciales). Ahora se considerarán E.D.O. donde se imponen condiciones
sobre la solución desconocida es más de un punto. Tales problemas son llamados
problemas de valores en la frontera (P.V.F.) o problemas de contorno.
Se considerará únicamente el caso de un P.V.F. de segundo orden con dos puntos, de la

forma general:
⎧ y ′′ = f ( t , y , y ′ ) , t ∈ [ a , b ] ( a < b )
(1) ⎨
⎩ y ( a ) = α , y ( b ) = β : Condicione s de frontera ( C. F. )
La frontera en este caso es el conjunto {a , b } .
¿Qué puede decirse de la existencia y unicidad de solución para un P.V.F. del tipo (1)?
Veamos algunos ejemplos:
⎧y ′′ = y
1) ⎨
⎩y ( 0 ) = 1 , y ( 1 ) = 1
La solución general de la ecuación diferencial y ′′ = y es y ( t ) = A e t + B e − t , A y B

constantes arbitrarias.
( )
⎛ y ( t ) = e λ t , y ′′ ( t ) = λ 2 e λ t , así que y ′′ = y ⇔ λ 2 e λ t = e λ t ⇔ λ 2 − 1 e λ t = 0 ⇔ λ = ± 1; ⎞
⎜ ⎟
⎜ así que y (t ) = e t , y ( t ) = e − t son soluciones particcula res de y ′′ = y. ⎟
⎝ 1 2 ⎠
Tratamos ahora de encontrar valores de A y B de modo que se satisfagan las

condiciones de frontera:
⎧⎪y ( 0 ) = A + B = 1
⎨
⎪⎩y ( 1 ) = A e 1 + B e −1 = 1
1 e
Este sistema tiene solución única A= , B= , así que
1+ e 1+ e
y (t )=
1
1+ e
et +
e
1+ e
e − t es solución en [ 0, 1 ] del P.V.F. dado. ¿Existirá otra
solución?
⎧y ′′ = − y
⎪
2) ⎨ ⎛π ⎞
⎪y ( 0 ) = 2 , y ⎜ 2 ⎟ = 4
⎩ ⎝ ⎠
__________________________________________________________________________________
La solución general de la ecuación diferencial y ′′ = − y es y ( t ) = A cos (t ) + B sen (t ) , A

y B constantes arbitrarias.
( λ 2 + 1 = 0 ⇒ λ = ± i , y 1 ( t ) = e i t = cos (t ) + i sen (t ) , y 2 ( t ) = e − i t = cos (t ) − i sen (t )

son soluciones particulares complejas de la ecuación diferencial
y1 ( t ) + y 2 ( t ) y1 ( t )
y ′′ = − y ; = cos t = y 1 ( t ) ; = sen t = y 2 ( t ) son soluciones
2 2i
particulares reales de la ecuación diferencial y ′′ = − y )
Determinemos A y B, si es posible, para que se satisfagan la condiciones de frontera

⎛ π ⎞
y(0 ) =A = 2 , y⎜ ⎟ = B = 4 . Luego y 1 ( t ) = 2 cos ( t ) + 4 sen ( t ) es solución en
⎝ 2 ⎠
⎡ π⎤
⎢ 0 , 2 ⎥ del P.V.F. dado. ¿Existirá otra solución?
⎣ ⎦
⎧y ′′ = − y
3) ⎨
⎩y ( 0 ) = 2 , y (π )= 4
La solución general de la ecuación diferencial y ′′ = − y es y ( t ) = A cos(t ) + B sen(t ) , A y

B constantes arbitrarias. Para que se satisfagan las condiciones de frontera debe tenerse
y ( 0 ) = A = 2 y y ( π ) = − A = 4 , lo cual es imposible. Así que el P.V.F. dado no tiene
solución.
⎧y ′′ = − y
4) ⎨
⎩y ( 0 ) = α , y ( π ) = β
La solución general de la ecuación diferencial y ′′ = − y es y ( t ) = A cos(t ) + B sen(t ) , A y

B constantes arbitrarias. Para que se satisfagan las condiciones de frontera debe
tenerse que y ( 0 ) = A = α y y ( π ) = − A = β ; así que para que este P.V.F. tenga
solución debe ser α = −β , y si esto ocurre, y ( t ) = α cos(t ) + B sen(t ) , B constante
arbitraria, es solución en [ 0 , π ] del P.V.F. dado.
Los ejemplos anteriores muestran diversas posibilidades en cuanto a existencia y unicidad

de solución de un P.V.F. del tipo (1). Usaremos el siguiente teorema de existencia y
unicidad.
Teorema 6.5 Supongamos que la función f ( t, y,z ) y las derivadas parciales

∂ ∂
fy ( t, y, z ) = f ( t, y,z ) , fz ( t , y , z ) = f ( t , y , z ) son continuas en la región
∂y ∂z
R = { ( t , y , z ) / a ≤ t ≤ b , − ∞ < y , z < +∞ }
Si además, f y ( t , y , z ) > 0 para todo ( t, y , z ) ∈ R , y existe una constante M > 0 tal que
fz ( t , y , z ) ≤ M para todo ( t , y , z ) ∈ R , entonces el P.V.F.
__________________________________________________________________________________
⎧y ′′ = f ( t , y , y ′ ) ( z ≡ y′ )
⎨
⎩y ( a ) = α , y ( b ) = β
tiene solución única y ( t ) con t ∈ [ a , b ] . ▼
Ejemplo 6.18 Para el P.V.F.

⎧y ′′ = y
⎨
⎩y ( 0 ) = 1, y ( 1 ) = 1
∂ ∂
se tiene que f ( t , y , z ) = y , f ( t, y, z ) = 1, f ( t , y , z ) = 0 que son continuas en
∂y ∂y
R = { ( t , y , z ) / 0 ≤ t ≤ 1, − ∞ < y , z < + ∞ } .
∂ ∂
Además, f ( t , y , z ) = 1 > 0 para todo ( t , y , z ) ∈ R y f ( t , y , z ) = 0 ≤ M para todo
∂y ∂z
( t, y, z )∈ R (cualquiera sea M ≥ 0 ). Así que el P.V.F. dado tiene solución única en [ 0 , 1 ] .
1 1
Tal solución es y ( t ) = et + e −t , t ∈ [ 0 ,1 ] .
1+ e 1+ e
Estudiaremos algunos métodos numéricos para “aproximar“ la solución y ( t ) de un P.V.F.

de la forma
⎧y ′′ = f ( t , y , y ′ )
(1) ⎨
⎩y ( a ) = α , y ( b ) = β
con solución única en [ a, b ] .
6.5 MÉTODO SHOOTING O DEL DISPARO
Considere el P.V.F. de dos puntos general
⎧y ′′ = f ( t , y , y ′ )
(1) ⎨
⎩y ( a ) = α , y ( b ) = β
con solución única y ( t ) , t ∈ [ a , b ] .
Una manera de calcular la solución y ( t ) de este P.V.F. es relacionando este problema con
un P.V.I. del tipo
⎧y ′′ = f ( t , y , y ′ )
(2) ⎨
⎩y ( a ) = α , y ′ ( a ) = z
__________________________________________________________________________________
donde z es un valor propuesto, esperando que si y z ( t ) es la solución del P.V.I. ( 2 ) se

cumpla que y z ( b ) = β , de esta manera y z ( t ) sería la solución del P.V.F. ( 1 ) . Observar
la siguiente figura:
Si el valor z propuesto no satisface la condición y z ( b ) = β , proponemos un nuevo valor z

y resolvemos el correspondiente P.V.I.
La idea general es definir una función

φ ( z ) = y z ( b )− β
y encontrar z de modo que φ ( z ) = 0 . El problema visto de esta manera se convierte en un

problema de búsqueda de la raíz de una ecuación, ecuación que en general es no-lineal.
Este método para resolver el P.V.F. ( 1 ) se conoce como MÉTODO SHOOTING o DEL
DISPARO.
Estudiaremos el siguiente caso especial:
CASO LINEAL: Consideramos el P.V.F. de dos puntos lineal:
⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t ) ( ≡ f ( t , y , y′ ) )
(3) ⎨
⎩y ( a ) = α , y ( b ) = β
donde suponemos que p ( t ), q ( t ) y r ( t ) son continuas en [ a , b ] (lo que garantiza, en

∂
particular, que
∂z ↑ t∈[ a , b ]
{ }
f ( t , y , z ) = p ( t ) ≤ M = Máx p ( t ) . Si q ( t ) > 0 , entonces el
z≡y ′
P.V.F. (3) tiene solución única en [ a , b ] , según teorema de existencia y unicidad).
El método Shooting, para este caso, consiste en proponer dos valores de z , es decir,
consideramos los siguientes dos P.V.I. asociados con el P.V.F. dado:
⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t )
(a) ⎨
⎩y ( a ) = α , y ′ ( a ) = z 1 ( C.I. )
__________________________________________________________________________________
⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t )
(b) ⎨
⎩y ( a ) = α , y ′ ( a ) = z 2 ( C. I. )
Si y 1 ( t ) es la solución del P.V.I. ( a ) y y 2 ( t ) es la solución del P.V.I. ( b ), entonces la

combinación lineal:
g ( t ) = λ y1 ( t ) + ( 1 − λ ) y 2 ( t )
donde λ es un parámetro real, es también solución de la ecuación diferencial del P.V.F.

dado, porque:
g′′ ( t ) = λ y 1′′ ( t ) + ( 1 − λ ) y ′2′ ( t )

= λ [ p ( t ) y 1′ (t ) + q ( t ) y 1 (t ) + r ( t ) ] + ( 1 − λ ) [ p ( t ) y ′2 (t ) + q ( t ) y 2 (t ) + r ( t ) ]
= p ( t ) [ λ y 1′ (t ) + ( 1 − λ ) y ′2 (t ) ] + q ( t ) [ λ y 1 (t ) + ( 1 − λ ) y 2 (t ) ] + r ( t )
14444244443 14444244443
g′ ( t ) g (t )
Además, la solución g ( t ) toma los siguientes valores en la frontera del intervalo [ a , b ] :
g ( a ) = λ y1 ( a ) + ( 1 − λ ) y 2 ( a ) = λ α + ( 1 − λ ) α = α
g ( b ) = λ y1 ( b ) + ( 1 − λ ) y 2 ( b )
La pregunta inmediata es, existirá λ tal que g ( b ) = β ? Es decir, la función g ( t ) resolverá el

P.V.F. dado para algún valor de λ ? Para responder esta pregunta basta resolver la
ecuación:
g ( b ) = β ⇔ λ y1 ( b ) + ( 1 − λ ) y 2 ( b ) = β ⇔ λ [ y1 ( b ) − y 2 ( b ) ] = β − y 2 ( b )
Resolviendo la ecuación anterior, siempre que y 1 ( b ) − y 2 ( b ) ≠ 0 , se obtiene
β − y2 ( b )
λ=
y1 ( b ) − y 2 ( b )
Por lo tanto, si y 1 ( b ) − y 2 ( b ) ≠ 0 , la solución única del P.V.F. dado es
β − y2 (b )
g ( t ) = λ y 1 ( t ) + ( 1 − λ ) y 2 ( t ) con λ=
y1 ( b ) − y 2 ( b )
Para el caso y 1 ( b ) − y 2 ( b ) = 0 , se tiene que y 2 ( t ) o y 1 ( t ) es, en sí misma, una solución

del P.V.F. dado, pues β − y 2 ( b ) = 0 , siempre que el P.V.F. ( 3 ) tenga solución (usando
teoría de ecuaciones diferenciales lineales de segundo orden). ▼
Para aplicar este método Shooting, usando el computador procedemos como sigue:
Consideramos dos P.V.I. asociados con el P.V.F. dado, que pueden ser
__________________________________________________________________________________
⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t ) ⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t )
a) ⎨ b) ⎨
⎩y ( a ) = α , y ′ ( a ) = 0 ⎩y ( a ) = α , y ′ ( a ) = 1
Aplicamos un método numérico, como por ejemplo Runge-Kutta de orden cuatro, para
aproximar la solución y 1 ( t ) del P.V.I. a) y y 2 ( t ) del P.V.I. b), en los puntos igualmente
espaciados:
b−a
a = t 0 , a + h = t 1, ... , a + k h = t k , ... , b = t m con h =
m
Digamos que tales valores aproximados son Y1, k , Y2, k , es decir,
⎧Y1, k ≈ y 1 ( t k )
⎪
⎨ k = 0 , 1, ... , m
⎪Y
⎩ 2, k ≈ y 2 ( t k )
En particular,
Y1, m ≈ y 1 ( t m ) = y 1 ( b )
Y2 , m ≈ y 2 ( t m ) = y 2 ( b )
β − Y2 , m
Si Y1, m ≠ Y2 , m , entonces definimos λ = y calculamos los valores
Y1, m − Y2 , m
( )
Yk = λ Y1, k + 1 − λ Y2 , k ≈ y ( t k )
siendo y ( t ) la solución del P.V.F. dado.
Si Y1, m ≈ Y2 , m , tomamos como valores aproximados de y ( t k ) a los valores Y1, k ( o Y2 , k ).
Ejemplo 6.19 Usemos el método del disparo en el caso lineal para aproximar la solución
1
y (t ) del siguiente P.V.F. en los puntos t k = k h , k = 0 , 1 , ... , 10 con h = = 0 .1 :
10
⎧ y ′′ = y
⎨
⎩y ( 0 ) = 1 , y ( 1 ) = 1
1 e
(La única solución del P.V.F. dado es y ( t ) = et + e − t , t ∈ [ 0 , 1 ] ).
1+ e 1+ e
Solución: Para aplicar el método Shooting, planteamos los siguientes dos P.V.I. asociados
con el P.V.F dado:
⎧y ′′ = y ⎧ y ′′ = y
a) ⎨ b) ⎨
⎩y ( 0 ) = 1, y ′ ( 0 ) = 0 ⎩y ( 0 ) = 1 , y ′ ( 0 ) = 1
__________________________________________________________________________________
1 t 1 −t
Observe que estos dos P.V.I. tienen solución única y 1 ( t ) = e + e para el P.V.I. a) y
2 2
y 2 ( t ) = e t para el P.V.I. b).
( y ( t ) = A e t + B e − t , y ( 0 ) = A + B = 1 , y ′ ( t ) = A e t − B e − t , y ′ ( 0 ) = A − B = 0 , entonces
1 1 1
A= = B , lo que produce y 1 ( t ) = e t + e − t que es la solución del P.V.I. a). Para el
2 2 2
P.V.I. b) se tiene que y ( 0 ) = A + B = 1, y ′ ( 0 ) = A − B = 1 , entonces A = 1 , B = 0 , así que
y 2 ( t ) = e t es la solución del P.V.I. b)).
Si aplicamos el método de Runge-Kutta de orden cuatro para aproximar la solución de cada

uno de los dos P.V.I., se obtiene:
⎧y 1′ = y 2
⎪ ′
y1 = y ⎫ ⎪y 2 = y 1
⎬ ⇒ ⎨
y 2 = y ′⎭ ⎪y 1 ( 0 ) = 1 , y 2 ( 0 ) = 0 para el P.V.I. a)
⎪(y 1 ( 0 ) = 1 , y 2 ( 0 ) = 1 para el P.V.I. b))
⎩
(La instrucción en DERIVE para el P.V.I. a) es RK ( [ z , y ] , [ t , y , z ] , [ 0 , 1 , 0 ], 0.1, 10 )
k tk Y1, k ≈ y 1 ( t k ) Y2 , k ≈ y 2 ( t k )
0 0 1 1
1 0.1 1.00500 1.10517
2 0.2 1.02006 1.22140
3 0.3 1.04533 1.34985
4 0.4 1.08107 1.49182
5 0.5 1.12762 1.64872
6 0.6 1.18546 1.82211
7 0.7 1.25516 2.01375
8 0.8 1.33743 2.22553
9 0.9 1.43308 2.45960
10 1.0 1.54307 ≈ y 1 ( 1 ) 2.71827 ≈ y 2 ( 1 )
Observamos que Y1,10 ≈ 1.54307 y Y2 ,10 ≈ 2.71827 , y como Y1,10 ≠ Y2,10 , entonces
calculamos
β − y2 ( b ) 1 − 2.71827
λ= = = 1.46210
y1 ( b ) − y 2 ( b ) 1.54304 − 2.71827
así que λ = 1.46210 ≈ λ , con lo cual
g ( t ) ≈ 1.46210 y 1 ( t ) + ( 1 − 1.46210 ) y 2 ( t ), t ∈ [ 0, 1]
es decir,
1.46210 y 1 ( t ) − 0.46210 y 2 ( t ) ≈ y ( t ) : solución del P.V.I. dado.
__________________________________________________________________________________
Los valores Yk que aparecen en la siguiente tabla se calcularon con base en la fórmula:
Yk = 1.46210 Y1,k − 0.46210 Y2 ,k ≈ y ( t k ) , k = 0 , 1 , ... , 10
Haciendo los cálculos indicados, se obtiene:
k tk Yk y ( tk ) y ( t k ) − Yk
0 0 1 1 0
1 0.1 0.958711 0.958715 4 x 10 − 6
2 0.2 0.927020 0.927025 5 x 10 − 6
3 0.3 0.904611 0.904614 3 x 10 − 6
4 0.4 0.891262 0.891256 6 x 10 − 6
5 0.5 0.886819 0.886818 10 − 6
6 0.6 0.891264 0.891256 8 x 10 − 6
7 0.7 0.904615 0.904614 10 − 6
8 0.8 0.927038 0.927025 1.3 x 10 − 5
9 0.9 0.958725 0.958715 10 − 5
10 10 1.00001 1 10 − 5
( λ ( # * COL [ 2 ]) + ( 1 − λ ) ( # * * COL [ 2 ] ) produce los valores Yk , y luego

TABLE ( y ( t ), t , 0 , 1 , 0.1 ) ≈ produce:
tk y ( tk )
⎡0 1 ⎤
⎢ ⎥
⎢ ⎥
⎢ ⎥
#*** ⎢ ⎥
⎢ ⎥
⎢ ⎥
⎢1.0 1.0 ⎥⎦
⎣
y se hace # * * * COL [ 2 ], y luego se hace la resta con la columna que produce los valores
Yk ).
En la siguiente gráfica aparece la gráfica de la solución

1 e
y (t )= t
e + e , t ∈ [ 0 , 1 ] del P.V.F. dado junto con los puntos ( t k , Yk )
−t
1+ e 1+ e
correspondientes a los valores Yk obtenidos mediante la aplicación del método del disparo.
__________________________________________________________________________________
6.6 MÉTODO DE DIFERENCIAS FINITAS
Supongamos que queremos aproximar la solución y ( t ) de un P.V.F. de dos puntos general
⎧y ′′ = f ( t , y , y ′ )
⎨
⎩y ( a ) = α , y ( b ) = β
Una forma de hacerlo es aproximando las derivadas y ′ ( t ) y y ′′( t ) a partir de expresiones

como las siguientes:
y (t + h )− y (t ) h
1) y′ ( t ) = − y ′′ ( ξ ) , ξ entre t y t + h
h 2
y (t ) − y (t −h) h
2) y′ ( t ) = − y ′′ (τ ) , τ entre t y t − h
h 2
y ( t + h ) − y ( t − h ) h2
3) y′ ( t ) = − y ′′′ ( ξ ) , ξ entre t − h y t + h
2h 6
y (t + h )− 2 y (t )+ y (t − h ) h 2 (iv )
4) y ′′ ( t ) = − y ( τ ) , τ entre t − h y t + h
h2 12
Veamos como se obtienen las expresiones 3) y 4) (las demás se dejan como ejercicio).
Por teorema de Taylor aplicado a la función y ( t ) , asumiendo y ( t ) analítica en [ a , b ] , se

obtiene:
h2 h3
5) y ( t + h ) = y ( t ) + h y′ ( t ) + y ′′ ( t ) + y ′′′ ( ξ 1 ), ξ 1 entre t y t + h
2! 3!
14243
residuo o error
h2 h3
6) y ( t − h ) = y ( t ) − h y′ ( t ) + y ′′ ( t ) − y ′′′ ( ξ 2 ), ξ 2 entre t − h y t
2! 3!
14243
residuo o error
__________________________________________________________________________________
Restando miembro a miembro las ecuaciones 5) y 6) se obtiene:
h3
y ( t + h ) − y ( t − h ) = 2 h y′ ( t ) + [ y ′′′(ξ14)2+ y ′′′(ξ 2 ) ]
3 ! 144 444 3
2 y′′′(ξ )
(la igualdad y ′′′ ( ξ 1 ) + y ′′′ ( ξ 2 ) = 2 y ′′′ ( ξ ) se obtiene aplicando el Teorema del valor
intermedio, asumiendo continuidad de y ′′′ ( t ) , t ∈ [ a, b ] ).
Despejando y ′ ( t ) en la ecuación anterior, se obtiene:
y ( t + h ) − y ( t − h ) h2
y′ ( t ) = − y ′′′ ( ξ ) , ξ ∈[a , b ]
2h 6
Como y ′′′ ( t ) es continua en [ a , b ] , entonces existe M > 0 tal que y ′′′ ( t ) ≤ M para todo
t ∈ [ a , b ] , así que
y ( t + h )− y ( t − h ) M
y′ ( t ) − ≤ h2 para todo t ∈ [ a , b ]
2h 6
lo cual se indica escribiendo
y (t + h )− y (t − h )
y′ ( t ) =
2h
+ O h2 ( )
Para obtener (4), usamos:
h2 h3 h 4 ( iv )
7) y ( t + h ) = y ( t ) + h y′ ( t ) +
2!
y ′′ ( t ) +
3!
y ′′′ ( t ) +
4!
y ( )
τ 1 , τ1 entre t y t + h
h2 h3 h 4 ( iv )
8) y ( t − h ) = y ( t ) − h y′ ( t ) +
2!
y ′′ ( t ) −
3!
y ′′′ ( t ) +
4!
y ( )
τ 2 , τ 2 entre t − h y t
Sumando miembro a miembro las ecuaciones 7) y 8), se obtiene
y ( t + h ) + y ( t − h ) = 2 y ( t ) + h 2 y ′′ ( t ) + [
h 4 (iv )
y ( τ 1 ) + y (iv ) ( τ 2 )
4 ! 1444424444 3
]
⎛⎜ iv ⎞⎟
2y ⎝ ⎠ ( τ )
y despejando y ′′ ( t ) , se obtiene
y (t + h )− 2 y (t )+ y (t − h ) h 2 ( iv )
y ′′ ( t ) = − y ( τ ) , τ ∈ [ a, b ]
h2 12
__________________________________________________________________________________
Esta vez, como en 3),
y (t + h )− 2 y (t )+ y (t −h )
y ′′ ( t ) = ( )
+ O h2
h2
En lo que sigue usaremos las expresiones
y (t + h )− y (t −h ) y (t −h )− 2 y (t )+ y (t + h )
,
2h h2
para aproximar y ′ ( t ) y y ′′ ( t ) , respectivamente, y diremos que son aproximaciones de

orden dos o de orden O h 2 . ( )
Ahora sí, para aproximar la solución y ( t ) del P.V.F.
⎧y ′′ = f ( t , y , y ′)
9) ⎨
⎩y ( a ) = α , y ( b ) = β
en el intervalo [ a , b ] , usando el método de diferencias finitas, empezamos discretizando el

intervalo [ a , b ] mediante N + 2 puntos igualmente espaciados en [ a , b ] :
b−a
t 0 = a , t 1 = a + h , t 2 = a + 2 h , ... , t i = a + i h , ... , t N+1 = b , con h = el tamaño
N+1
de paso.
Enseguida se discretiza el problema continuo 9), discretizando las funciones

y ′ ( t ) y y ′′ ( t ) , como sigue:
⎧ y0 =α
⎪
y i+1 − y i−1 ⎞
⎪ 1
10) ⎨ 2 [ y i−1 − 2 y i + y i+1 ]= f ⎛⎜⎜ t i , y i , 2h
⎟ ,
⎟
1≤ i ≤ N
⎪h ⎝ ⎠
⎪ y N+1 = β
⎩
En esta discretización se tiene en cuenta que y 0 = y ( t 0 ) = y ( a ) = α , y i ≈ y ( t i ) ,

y N+1 = y ( t N+1 ) = y ( b ) = β .
La aproximación de la solución y ( t ) del P.V.F. 9) varía dependiendo de la solución del

problema discreto 10), la cual, a su vez, depende de la forma de la función f.
__________________________________________________________________________________
Consideraremos solamente, el caso en el cual f ( t , y , y ′ ) es una función lineal de las

variables y y y ′ , es decir, consideramos solamente P.V.F. del tipo:
⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t )
⎨
⎩y ( a ) = α , y ( b ) = β
La discretización de este P.V.F., usando diferencias finitas de los tipos 3) y 4), es:
⎧ y0 = α
⎪
⎪ 1
⎨ 2 [ y i−1 − 2 y i + y i+1 ] = p i ⎡⎢ y i+12−hy i−1 ⎤⎥ + qi y i + ri , 1≤ i ≤ N
⎪ h ⎢⎣ ⎥⎦
⎪ y N+1 = β
⎩
donde p i = p ( t i ) , q i = q ( t i )y ri = r ( t i ) .
Multiplicando por − h2 a ambos lados de la ecuación

⎡ y i+1 − y i−1 ⎤
1
2
[ ]
y i−1 − 2 y i + y i+1 = p i ⎢
2h
⎥ + qi y i + ri , 1 ≤ i ≤ N , y agrupando términos
h ⎢⎣ ⎥⎦
semejantes, se obtiene el siguiente sistema lineal de ecuaciones:
⎧ y0 = α
⎪
⎪ ⎛ h ⎞
( ⎛
) h ⎞
( * ) ⎨ ⎜ − 1 − p i ⎟ y i−1 + 2 + h 2 q i y i + ⎜ − 1 + p i ⎟ y i+1 = − h 2 r i , 1 ≤ i ≤ N
2 ⎠ 2 ⎠
⎪ ⎝ ⎝
⎪ y N+1 = β
⎩
h h
Introduciendo las notaciones a i−1 = −1 − p i , d i = 2 + h 2 q i , c i = 1 + p i , b i = − h 2 ri , el
2 2
sistema ( * ) toma la forma siguiente:
⎧ y0 = α
⎪
a y
⎨ i−1 i−1 + d y
i i + c i i+1 = b i , 1 ≤ i ≤ N
y
⎪ y N+1 = β
⎩
( i = 1 : a 0 y 0 + d1 y 1 + c 1 y 2 = b 1 o d1 y 1 + c 1 y 2 = b 1 − a 0 α , ya que y 0 = α ;
i = 2 : a1 y 1 + d 2 y 2 + c 2 y 3 = b 2 .
En general:
a i−1 y i−1 + d i y i + c i y i+1 = b i , 2 ≤ i ≤ N −1
i = N : a N−1y N−1 + dN y N + c N y N+1 = b N o a N−1 y N−1 + dN y N = b N − c N β , ya que y N+1 = β )

__________________________________________________________________________________
Sistema que en forma matricial es:
⎡ d1 c 1 0 0 L 0 ⎤ ⎡ y 1 ⎤ ⎡b1 − a 0 α ⎤
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢a 1 d 2 c 2 0 0 ⎥ ⎢ y2 ⎥ ⎢ b2 ⎥
⎢ 0 a 2 d3 c 3 0 ⎥ ⎢ y 3 ⎥ ⎢ b3 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ O ⎥⎢ ⎥=⎢ ⎥
⎢M O O M ⎥⎢ M ⎥ ⎢ ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢0 ⎥ ⎢
a N−2 dN−1 c N−1 y N−1 ⎥ ⎢ b N−1 ⎥
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢⎣ 0 L 0 a N−1 dN ⎥⎦ ⎢⎣ y N ⎥⎦ ⎢⎣b N − c Nβ⎥⎦
144444444 42444444444 3 123 14243
A Y b
El sistema final es un sistema tridiagonal para el cual hay algorítmos especiales para
resolverlo, como por ejemplo, a través de la factorización L U de la matriz de coeficientes A,
porque este sistema, para h pequeño, casi siempre resulta con matriz de coeficientes
estrictamente dominante diagonalmente por filas.
Resolviendo este sistema se obtiene una aproximación discreta de la resolución y ( t ) del

P.V. F.
⎧y ′′ = p ( t ) y ′ + q ( t ) y + r ( t )
⎨
⎩y ( a ) = α , y ( b ) = β
Este método de “solución” se conoce como método de diferencias finitas.
Se puede demostrar que bajo ciertas condiciones sobre las funciones p ( t ) , q ( t ) y r ( t )

y ciertas condiciones de frontera, el método de diferencias finitas es convergente, es
decir, y ( t i ) − y i → 0 cuando h → 0 .
Ejemplo 6.20 Considere el P.V.F.
⎧y ′′ = 2 y ′ + y + t
⎨
⎩y ( 0 ) = 1 , y ( 1 ) = 2
a) Demuestre que el P.V.F. dado tiene solución única en [ 0 , 1 ] .
Demostración: Sea f ( t , y , z ) = 2 z + y + t . Entonces
f (t , y , z ), fy ( t , y , z ) = 1 , fz ( t , y , z ) = 2
son continuas en
R = { ( t , y , z ) / 0 ≤ t ≤ 1 ,−∞ < y , z < + ∞ }

__________________________________________________________________________________
además f y ( t , y , z ) = 1 > 0 para todo ( t , y , z )∈ R , y fz ( t , y , z ) = 2 ≤ 2 = M

para todo ( t , y , z ) ∈ R .
Luego el P.V.F. dado tiene solución única y ( t ) , t ∈ [ 0 , 1 ] .

b) Use el método de Diferencias finitas de orden O h 2 ( ) (diferencias finitas centradas)
1
con tamaño de paso h= , para obtener valores aproximados de
4
⎛ 1⎞ ⎛ 1⎞ ⎛ 3 ⎞
y ⎜ ⎟, y ⎜ ⎟, y ⎜ ⎟.
⎝ 4 ⎠ ⎝ 2 ⎠ ⎝ 4 ⎠
1
Solución: Empezamos discretizando el intervalo [ a , b ] = [ 0 , 1 ] . Como h = , entonces
4
1 1 3
a = 0 = t0, t1 = 0 + h =
, t2 = 0 + 2 h = , t3 = 3 h = y t4 = 1
4 2 4
⎛ 1⎞ ⎛ 1⎞ ⎛ 3 ⎞
Debemos aproximar y ⎜ ⎟ , y ⎜ ⎟ , y ⎜ ⎟ ya que y ( 0 ) = 1 y y ( 1 ) = 2 .
⎝ 4 ⎠ ⎝ 2⎠ ⎝ 4 ⎠
Discretizamos la E.D.O y ′′ = 2 y ′ + y + t , tomando centro en t i , 1 ≤ i ≤ 3 , y se obtiene:
⎧ y0 = y ( 0 ) = 1
⎪
⎪ y i−1 − 2 y i + y i+1 y − y i−1
⎨ = 2 i+1 + yi + ti , 1≤ i ≤ 3
2 2h
⎪ h
⎪⎩ y4 = y (1) = 2
1
Como h = , entonces el sistema toma la forma:
4
⎧
⎪
⎪ y0 = 1
⎪ y −2 y +y y − y i−1
⎪ i−1 i+1
⎨
i
= i+1 + yi + ti , 1≤ i ≤ 3
⎪ ⎛ 1⎞
2 1
⎪ ⎜ ⎟ 4
⎪ ⎝ 4 ⎠
⎪⎩ y4 = 2
__________________________________________________________________________________
es decir:
⎧ y0 = 1
⎪
⎨ 16 ( y i−1 − 2 y i + y i+1 ) = 4 ( y i+1 − y i−1 ) + y i + t i , 1 ≤ i ≤ 3
⎪ y4 = 2
⎩
y agrupando términos semejantes, se obtiene:
⎧ y0 = 1
⎪
⎨ 20 y i−1 − 33 y i + 12 y i+1 = t i , 1≤ i ≤ 3
⎪ y4 = 2
⎩
Escribiendo las ecuaciones para cada i , se obtiene:
1 79
i = 1: 20 y 0 − 33 y 1 + 12 y 2 = t 1 ⇔ − 33 y 1 + 12 y 2 = − 20 ( 1 ) = −
4 4
79
es decir, 33 y 1 − 12 y 2 =
4
1
i = 2: 20 y 1 − 33 y 2 + 12 y 3 = t 2 ⇔ − 20 y 1 + 33 y 2 − 12 y 3 = −
2
1
es decir, − 20 y 1 + 33 y 2 − 12 y 3 = −
2
3 93
i=3: 20 y 2 − 33 y 3 + 12 y 4 = t 3 ⇔ 20 y 2 − 33 y 3 = − 12 ( 2 ) = −
{ 4 4
2
es decir,
93
− 20 y 2 + 33 y 3 − =
4
Luego el sistema lineal a resolver es:
⎛ 33 − 12 0 ⎞⎛ y1 ⎞ ⎛ 79 ⎞
⎜ ⎟⎜ ⎟ ⎜ 4⎟
⎜ − 20 33 − 12 ⎟ ⎜ y 2 ⎟ = ⎜− 1 ⎟
⎜ 0 ⎜ 2 ⎟
⎝1444 − 20 33 ⎟⎠ ⎜⎝ y 3 ⎟⎠ ⎜ 93 ⎟
24443 123 ⎝142443⎠
A es E.D.D por filas Y b
cuya única solución es:
⎛ y 1 ⎞ ⎛⎜
26557
26796
⎞
⎟ ⎛ 0.9910807583 ⎞ ⎛⎜ y
1( ) ⎞⎟
4
⎜
⎜
⎟ ⎜
y2 ⎟ =
⎜
1315
1218
⎟ ≈ ⎜ 1.079638752
⎟ ⎜
⎟ ⎜
≈
⎟ ⎜ y 1( ) ⎟⎟
2
⎜
⎝ y 3 ⎟⎠ ⎜ 109237
⎝ 80388
⎟ ⎜⎝ 1.358871970
⎠
⎟ ⎜
⎠ ⎝ y 34( ) ⎟⎠
__________________________________________________________________________________
ECUACIÓN DE LAPLACE (BIDIMENSIOSNAL)
La ecuación de Laplace en dos variables es una ecuación diferencial parcial elíptica (Forma
( )
general: A φ x x + B φ x y + C φ y y = f x , y , φ , φ x , φ y , con A, B y C constantes, si
B 2 − 4 A C < 0 , la ecuación se dice elíptica; si B 2 − 4 A C = 0 , la ecuación se dice
parabólica; si B 2 − 4 A C > 0 , la ecuación se dice hiperbólica) donde no aparece la variable
t:
(1) U x x + U y y = 0 (o ∇ 2
U=0 o ∆U=0 )
siendo U una función en las variables x y y , es decir, U ( x , y ) .
Al estudiar procesos estacionarios (procesos que se estabilizan o estacionan cuando

t → +∞ , o sea que ya no cambian con el tiempo) de distinta naturaleza física (por ejemplo:
oscilaciones, vibraciones, conducción del calor, difusión y otros) se obtiene, por lo general,
ecuaciones diferenciales parciales de tipo elíptico, y la ecuación más frecuente de este tipo
es la ecuación de Laplace:
∇ 2U = 0
Una función U ( x , y ) se dice armónica en una región T del plano x y , si U junto con sus
derivadas parciales de orden menor o igual que 2 son continuas en T y U ( x , y ) satisface la
ecuación de Laplace.
PROBLEMA DE DIRICHLET: Un problema que ocurre en el estudio del color, electricidad y

muchas otras ramas de la física es el problema de Dirichlet. En la versión bidimensional se
dan una región abierta Ω en R y una función g ( x , y ) definida sobre la frontera de Ω ,
2
∂ Ω , y se busca una función U ( x , y ) que sea continua sobre la clausura de

Ω , Ω = Ω ∪ ∂ Ω , y satisfaga la ecuación de Laplace en Ω y sea igual a g ( x , y ) en la
frontera de Ω . Esto se sintetiza escribiendo:
⎧ Ux x + Uy y = 0 ∀ ( x , y ) ∈ Ω , Ω conjunto abierto de R 2
⎪⎪
(2) ⎨ U ( x , y ) = g ( x , y ) ∀ ( x , y ) ∈ ∂ Ω
⎪ U ( x , y ) es continua sobre Ω = Ω ∪ ∂ Ω ( clausura de Ω )
⎪⎩
(Principio del valor máximo: Los valores máximo y mínimo de U ( x , y ) se alcanzan en

∂ Ω)
Si Ω está sujeta a algunas restricciones y si g ( x , y ) es continua en ∂ Ω , entonces se

puede probar que el problema (2) tiene solución única.
En el problema (2), se trata de encontrar U ( x , y ) para todo ( x , y ) ∈ Ω (en el interior de Ω ),

conociendo el comportamiento de U ( x , y ) en la frontera de Ω ( ∂ Ω ) .
Para ilustrar el método numérico que vamos a estudiar para aproximar la solución U ( x , y )
del problema (2) , considérese el P.V.F. siguiente:
__________________________________________________________________________________
⎧ U x x + U y y = 0 en Ω
(3) ⎨
⎩ U ( x , y ) = g ( x , y ) en ∂ Ω
siendo Ω = ( 0 ,1 ) x ( 0 , 1 ) = { ( x , y ) / 0 < x < 1, 0 < y < 1 } : cuadrado unitario abierto
⎧( x , y ) / x = 0 y 0 ≤ y ≤ 1 , x = 1 y 0 ≤ y ≤ 1, ⎫
∂Ω =⎨ ⎬ = ∂ ( [ 0 ,1 ] x [ 0 ,1 ] )
⎩ y = 0 y 0 ≤ x ≤1, y = 1 y 0 ≤ x ≤1 ⎭
La función de frontera g ( x , y ) es arbitraria, por el momento.

Para aplicar el método de diferencias finitas para aproximar la función U ( x , y ) en Ω ,
empezamos discretizando el cuadrado Ω , mediante los puntos de malla (o de red):
1 1
( x i , y i ) = ( i h, j k ) , con h= ,k =
N+1 M+1
N y M enteros positivos. En este caso el tamaño de paso en x puede ser diferente al

tamaño de paso en y .
Una discretización del rectángulo [ 0 ,1 ] × [ 0 , 1 ] es como se muestra en la siguiente gráfica,

donde se utiliza U i, j para indicar que en el punto de malla con coordenadas
( )
x i , y j = ( ih , jk ) , se va a aproximar la función desconocida U ( x , y ) .
En lo que sigue, consideraremos el

estudio para el caso particular:
( x i , y i ) = ( i h , j h ), 0 ≤ i , j ≤ N + 1 , es decir h = k = 1 , N entero positivo cualquiera.
N+1
__________________________________________________________________________________
El propósito es encontrar valores aproximados de U x i , y j ( ) para cada uno de los puntos

( )
x i , y j interiores de la malla.
Si tomamos como caso particular N = 3 , se necesita aproximar U x i , y j ) para cada uno de (

los 9 ( 9 = N2 ) puntos interiores de la malla (en el caso general, se aproxima U ( x i , y j ) en
cada uno de los NM puntos interiores de la malla).
Tomaremos como notación U i, j para representar el valor aproximado de U x i , y j . En ( )

este caso, los valores U 0 , j , U 4 , j , U i, 0 , U i, 4 , 0 ≤ i , j ≤ 4 son conocidos (condiciones de
frontera).
Ahora discretizamos la E.D.P.:
( 1 ) Ux x + Uy y = 0
mediante diferencias finitas del tipo:
f ( x− h )− 2f ( x )+ f ( x + h )
f ′′ ( x ) =
h2
( )
+ O h2
Tomando como centro el punto ( x i , y i ) = ( i h , j h ) , y las diferencias finitas del tipo

indicado, obtuvimos la siguiente discretización de la E.D. parcial:
1
2
[ U i −1 , j − 2 U i , j + U i+1 , j ] + 1
[ U i, j −1 − 2 U i, j + U i, j +1 ] = 0
h h2
(Recuerde que en situación general sería:

__________________________________________________________________________________
1
2
[ U i −1 , j − 2 U i , j + U i+1 , j ] + 1
2
[ U i, j −1 − 2 U i, j + U i, j +1 ] = 0 , h=
1
N+1
, k=
1
M+1
)
h k
Multiplicando por − h 2 y agrupando términos semejantes, se obtiene:
− U i − 1 , j + 4 U i, j − U i + 1 , j − U i , j − 1 − U i, j + 1 = 0 , 1 ≤ i , j ≤ 3
(En el caso general ( 1≤ i ≤ N , 1 ≤ j ≤ M )
la cual se conoce como Fórmula de diferencias finitas de cinco puntos.
Para ordenar las ecuaciones correspondientes ( 9 ecuaciones: una para cada punto interior
de la malla ), usaremos el siguiente orden llamado natural:
[
U = U 1, 1 , U 2,1 , U 3 , 1 , U 1, 2 , U 2, 2 , U 3 , 2 , U 1, 3 , U 2, 3 , U 3 , 3 ]
(ver la discretización del rectángulo [ 0 ,1 ] × [ 0 , 1 ] , hecha en página anterior)
En cada una de las ecuaciones, los valores conocidos se colocarán al lado derecho de la
ecuación. Los resultados son como sigue:
Punto (1, 1): −U0 ,1 + 4 U1,1 − U2, − U1, 0 − U1, 2 = 0 , la cual escrita en el orden natural es
4 U1, 1 − U 2, 1 − U1, 2 = U1, 0 + U0 , 1 (1ª )
Punto (2,1): − U1, 1 + 4U2, 1 − U3 , 1 − U2, 0 − U 2, 2 = 0 , la cual escrita en el orden natural es
− U1, 1 + 4 U 2, 1 − U3 , 1 − U 2, 2 = U 2, 0 (2ª)
Punto (3,1): − U2, 1 + 4 U3 , 1 − U 4 , 1 − U3 , 0 − U3 , 2 = 0 , la cual escrita en el orden natural es

__________________________________________________________________________________
− U2, 1 + 4 U3 , 1 − U3 , 2 = U3 , 0 + U 4 , 1 ( 3ª )
Continuando de esta manera se obtienen las siguientes 6 ecuaciones, que presentamos en

el orden natural:
Punto (1,2); − U1, 1 + 4 U1, 2 − U 2, 2 − U1, 3 = U0 , 2 (4ª )
Punto (2,2): − U2, 1 − U1, 2 + 4U 2, 2 − U3 , 2 − U2, 3 = 0 (5ª )
Punto (3,2): − U3 , 1 − U 2, 2 + 4U3 , 2 − U3 , 3 = U 4 , 2 (6ª )
Punto (1,3): − U1, 2 + 4 U1, 3 − U 2, 3 = U0 , 3 + U1, 4 (7ª )
Punto (2,3): − U2, 2 − U1, 3 + 4U 2, 3 − U3 , 3 = U 2, 4 (8ª )
Punto (3,3): − U3 , 2 − U 2, 3 + 4U3 , 3 = U3 , 4 + U 4 , 3 (9ª )
Nota: Téngase en cuenta que (

U i, j = g x i , y j ) es conocido para
i = 0, i = 4 y 0 ≤ j ≤ 4 ; j = 0, j = 4 y 0≤i≤4 (En el caso general
i = 0 , i = N + 1, j = 0 , j = M + 1 )
La matriz de coeficientes del sistema resultante es:
⎡ 4 −1 0 −1 0 0 0 0 0⎤
⎢ ⎥
⎢ −1 4 −1 0 −1 0 0 0 0⎥
⎢ 0 −1 4 0 0 −1 0 0 0⎥
⎢ ⎥
⎢ −1 0 0 4 −1 0 −1 0 0⎥ ⎡ Τ −Ι O⎤
⎢ 0 −1 0 −1 4 −1 0 −1 0⎥ ≡ ⎢ − Ι Τ −Ι ⎥
⎥
⎢ ⎥ ⎢
⎢ 0 0 − 1 0 − 1 4 0 0 − 1⎥ ⎢⎣ O − Ι Τ ⎥⎦
⎢ 0 0 0 −1 0 0 4 −1 0 ⎥
⎢ ⎥
⎢ 0 0 0 0 − 1 0 − 1 4 − 1⎥
⎢ ⎥
⎣ 0 0 0 0 0 − 1 0 − 1 4⎦
El sistema tridiagonal por bloques resultante, se resuelve usando un método iterativo, por
ejemplo Gauss-Seidel (observe que el sistema no es E.D.D. por filas). Para el ejemplo,
( ( )
solamente hay 33 elementos no nulos de un total de 81 4 3 + 3 7 = 33 . En general, ( ) )
hay a lo más 5 N2 elementos no nulos de un total de N 2 × N 2 . Observe el tamaño de los
sistemas que resultan cuando N aumenta, por ejemplo, N = 10 ).
__________________________________________________________________________________
ECUACIÓN DE POISSON: La forma típica de la Ecuación de Poisson en dos variables, es:
⎧U x x + U y y = f ( x , y ) en Ω
( 4 ) ⎪⎨
⎪⎩U ( x , y ) = g ( x , y ) en ∂ Ω
Se puede resolver este problema (4), transformándolo en dos problemas más simples, como
sigue:
⎧U x x + U y y = 0 en Ω ⎧U x x + U y y = f ( x , y ) en Ω
( a ) ⎪⎨ y ( b ) ⎪⎨
⎪⎩U ( x , y ) = g ( x , y ) en ∂ Ω ⎪⎩U ( x , y ) = 0 en ∂ Ω
Después de resolver (a) y (b), la solución del problema de Poisson es

U ( x , y ) = U1 ( x , y ) + U2 ( x , y ) , siendo U1 ( x , y ) y U2 ( x , y ) las soluciones de los problemas
a) y b), respectivamente. Estos dos problemas más simples tienen la ventaja de que cada
uno tiene una parte homogénea.
Ejemplo 6.21: Consideremos el problema de Poisson:
⎪⎧U x x + U y y = y en Ω = { ( x , y ) / 0 < x , y < 1} = ( 0 ,1 ) x ( 0 ,1 )

⎨
⎪⎩U ( x , y ) = x − y en ∂ Ω = ∂ ( [ 0 ,1 ] x [ 0 ,1 ] )
1
Usando una partición uniforme de Ω con h = , calcule valores aproximados para U ( x , y )
4
en cada punto interior de la malla.
Solución: Los puntos interiores de la partición son: p1 , p 2 , p 3 , p 4 , p 5 , p 6 , p 7 , p 8 y p 9 .

__________________________________________________________________________________
⎛ 1 1⎞ ⎛ 1 1⎞ ⎛3 1⎞
Las coordenadas de los puntos interiores son: p1 = ⎜ , ⎟ , p 2 = ⎜ , ⎟ , p 3 = ⎜ , ⎟ ,
⎝4 4⎠ ⎝ 2 4 ⎠ ⎝4 4⎠
⎛ 1 1⎞ ⎛ 1 1⎞ ⎛ 3 1⎞ ⎛1 3⎞ ⎛1 3⎞ ⎛3 3⎞
p 4 = ⎜ , ⎟ , p5 = ⎜ , ⎟ , p6 = ⎜ , ⎟ , p7 = ⎜ , ⎟ , p8 = ⎜ , ⎟ y p9 = ⎜ , ⎟ .
⎝4 2⎠ ⎝2 2⎠ ⎝4 2⎠ ⎝4 4⎠ ⎝2 4⎠ ⎝4 4⎠
La formula de diferencias finitas, nos conduce a:
1
2
[ U i −1, j − 2 U i, j + U i +1, j ] + 1
[ U i, j −1 − 2 U i, j + U i, j +1 ] = y j , 1 ≤ i, j ≤ 3
h h2
1 1 1
y como h = , entonces = 16 , con lo cual, al multiplicar por − h 2 = − , se obtiene la
4 2 16
h
siguiente fórmula de diferencias de cinco puntos:
1
− U i −1, j + 4 U i, j − U i + 1, j − U i, j −1 − U i, j + 1 = − yj , 1 ≤ i, j ≤ 3
16
Reemplazando en esta fórmula para cada punto, se obtienen las ecuaciones

correspondientes:
1
i = 1, j = 1 p1 ( 1, 1 ) : − U0 , 1 + 4 U1, 1 − U 2, 1 − U1, 0 − U1, 2 = −
y1 ,
16
⎛ 1⎞ 1 1 ⎛ 1 ⎞ 1 1 1
pero U0 , 1 = U ⎜ 0 , ⎟ = 0 − = − , U1, 0 = U ⎜ , 0 ⎟ = − 0 = , y 1 = , con lo cual la
⎝ 4 ⎠ 4 4 ⎝ 4 ⎠ 4 4 4
ecuación resultante, usando el orden natural es:
1 ⎛ 1⎞ 1 1 1
4 U1, 1 − U 2 , 1 − U1, 2 = − ⎜ ⎟− + = − (1ª ecuación )
16 ⎝ 4 ⎠ 4 4 64
1
i = 2, j = 1 p 2 ( 2 ,1 ) : − U1, 1 + 4 U 2 , 1 − U 3 , 1 − U 2 , 0 − U 2 , 2 = − y1 ,
16
⎛ 1 ⎞ 1 1 1
pero U 2 , 0 = U ⎜ , 0 ⎟ = − 0 = , y1 = . Luego la ecuación resultante es:
⎝ 2 ⎠ 2 2 4
1 1 31
− U1, 1 + 4 U 2 , 1 − U 3 , 1 − U 2 , 2 = − = (2ª ecuación )
2 64 64
1
i = 3, j = 1 p 3 ( 3 ,1 ) : −U 2 , 1 + 4 U 3 , 1 − U 4 , 1 − U 3 , 0 − U 3 , 2 = − y1 ,
16
⎛ 1⎞ 1 3 ⎛3 ⎞ 3 3 1
pero U 4 , 1 = U ⎜ 1 , ⎟ = 1− = , U3, 0 = U ⎜ , 0 ⎟ = − 0 = , y1 = . Luego la
⎝ 4 ⎠ 4 4 ⎝ 4 ⎠ 4 4 4
ecuación resultante es:
3 3 1 95
− U 2 , 1 + 4U 3 , 1 − U 3 , 2 = + − = (3ª ecuación )
4 4 64 64
__________________________________________________________________________________
1
i = 1, j = 2 p 4 ( 1, 2 ) : − U 0 , 2 + 4 U1, 2 − U 2 , 2 − U1, 1 − U1, 3 = − y2 ,
16
⎛ 1⎞ 1 1 1
pero U 0 , 2 = U ⎜ 0 , ⎟ = 0 − = − , y2 = . Luego la ecuación resultante es:
⎝ 2 ⎠ 2 2 2
1 1 17
− U1, 1 + 4 U1, 2 − U 2 , 2 − U1, 3 = − − =− (4ª ecuación )
32 2 32
1
i = 2, j = 2 p 5 ( 2 , 2 ) : − U1, 2 + 4 U 2 , 2 − U 3 , 2 − U 2 , 1 − U 2 , 3 = − y2 . Luego la
16
1
− U 2 , 1 − U1, 2 + 4 U 2 , 2 − U 3 , 2 − U 2 , 3 = − (5ª ecuación )
32
1
i = 3, j = 2 p 6 ( 3 , 2 ) : − U2, 2 + 4 U3, 2 − U 4, 2 − U3, 1 − U3, 3 = − y2 ,
16
⎛ 1⎞ 1 1
pero U 4 , 2 = U ⎜ 1 , ⎟ = 1 − = . Luego la ecuación resultante es:
⎝ 2 ⎠ 2 2
1 1 15
− U3 , 1 − U 2, 2 + 4 U3 , 2 − U3 , 3 = − + = (6ª ecuación)
32 2 32
1
i = 1, j = 3 p 7 ( 1, 3 ) : − U 0 , 3 + 4 U1, 3 − U 2 , 3 − U1, 2 − U1, 4 = −
y3 ,
16
⎛ 3 ⎞ 3 3 ⎛ 1 ⎞ 1 3 3
pero U 0 , 3 = U ⎜ 0 , ⎟ = 0 − = − , U1,4 = U ⎜ ,1⎟ = − 1 = − , y 3 = . Luego la
⎝ 4 ⎠ 4 4 ⎝ 4 ⎠ 4 4 4
1 ⎛ 3 ⎞ 3 3 99
− U1, 2 + 4 U1, 3 − U 2 , 3 = − ⎜ ⎟ − − =− (7ª ecuación)
16 ⎝ 4 ⎠ 4 4 64
1
i = 2, j = 3 p 8 ( 2 , 3 ) : − U1, 3 + 4 U 2 , 3 − U 3 , 3 − U 2 , 2 − U 2 , 4 = − y3 ,
16
⎛ 1 ⎞ 1 1
pero U 2 , 4 = U ⎜ ,1 ⎟ = − 1 = − . Luego la ecuación resultante es:
⎝ 2 ⎠ 2 2
1 ⎛3 ⎞ 1 35
− U 2 , 2 − U1, 3 + 4 U 2 , 3 − U 3 , 3 = − ⎜ ⎟− = − (8ª ecuación )
16 ⎝ 4 ⎠ 2 64
1 ⎛ 3 ⎞
i = 3, j = 3 p 9 ( 3 , 3 ) : − U 2, 3 + 4 U3 , 3 − U 4 , 3 − U3 , 2 − U3 , 4 = − ⎜ ⎟ ,
16 ⎝ 4 ⎠
__________________________________________________________________________________
⎛ 3 ⎞ 3 1 ⎛ 3 ⎞ 3 1
pero U 4 , 3 = U ⎜ 1 , ⎟ = 1 − = , U 3 , 4 = U ⎜ ,1 ⎟ = − 1 = − . Luego la ecuación
⎝ 4 ⎠ 4 4 ⎝ 4 ⎠ 4 4
resultante es:
1 ⎛ 3 ⎞ 1 1 3
− U3 , 2 − U 2, 3 + 4 U3 , 3 = − ⎜ ⎟+ − = − (9ª ecuación )
16 ⎝ 4 ⎠ 4 4 64
Luego el sistema lineal a resolver es:
⎡ 4 −1 0 −1 0 0 0 0 0⎤ ⎡ U1, 1 ⎤ ⎡ − 1 64 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ − 1 4 − 1 0 − 1 0 0 0 0 ⎥ ⎢ U 2, 1 ⎥ ⎢ 31 64 ⎥
⎢ 0 −1 4 0 0 −1 0 0 0⎥ ⎢ U3 , 1 ⎥ ⎢ 95 64 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ −1 0 0 4 −1 0 −1 0 0⎥ ⎢ U1, 2 ⎥ ⎢ − 17 32 ⎥
⎢ 0 −1 0 −1 4 −1 0 −1 0 ⎥ ⎢U ⎥ = ⎢ − 1 32 ⎥
⎢ ⎥ ⎢ 2, 2 ⎥ ⎢ ⎥
⎢ 0 0 −1 0 −1 4 0 0 − 1⎥ ⎢ U3, 2 ⎥ ⎢ 15 32 ⎥
⎢ 0 ⎢U ⎥ ⎢ − 99 64 ⎥
0 0 −1 0 0 4 −1 0 ⎥ ⎢ 1, 3 ⎥
⎢ ⎥ ⎢ ⎥
⎢ 0 0 0 0 − 1 0 − 1 4 − 1⎥ ⎢ U 2, 3 ⎥ ⎢ − 35 64 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣ 0 0 0 0 0 −1 0 −1 4 ⎦ ⎢⎣ U 3 , 3 ⎥⎦ ⎣ − 3 64 ⎦
La solución única de este sistema es:
⎡ U1, 1 ⎤ ⎡ − 57 3584 ⎤ ⎡ − 0.15904 ⎤ ⎡ U(1 4 , 1 4 ) ⎤

⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ U 2, 1 ⎥ ⎢ 411 1792 ⎥ ⎢ 0.22935 ⎥ ⎢ U(1 2 , 1 4 ) ⎥
⎢ U3 , 1 ⎥ ⎢ 1735 3584 ⎥ ⎢ 0.48409 ⎥ ⎢ U(3 4 , 1 4 ) ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ U1, 2 ⎥ ⎢ − 71 256 ⎥ ⎢ − 0.27734 ⎥ ⎢ U(1 4 , 1 2) ⎥
⎢U ⎥ = ⎢ − 9 256 ⎥ ≈ ⎢ − 0.03515 ⎥ ≈ ⎢ U(1 2 , 1 2) ⎥
⎢ 2, 2 ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ U3 , 2 ⎥ ⎢ 57 256 ⎥ ⎢ 0.22656 ⎥ ⎢ U(3 4 , 1 2) ⎥
⎢U ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 1, 3 ⎥ ⎢− 1889 3584 ⎥ ⎢ − 0.52706 ⎥ ⎢ U(1 4 , 3 4 ) ⎥
⎢ U2, 3 ⎥ ⎢ − 509 1792 ⎥ ⎢ − 0.28404 ⎥ ⎢ U(1 2 , 3 4 ) ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣ U3 , 3 ⎥⎦ ⎣ − 97 3584 ⎦ ⎣ − 0.02706 ⎦ ⎣ U(3 4 , 3 4 ) ⎦
MÉTODOS NUMÉRICOS Iván F. Asmar Ch.
TALLER Nº 1
Problema 1. Suponga que se desea calcular ln 2 a partir de las serie de Maclaurin para la función
f ( x ) = ln (x + 1) . Determine el menor número de términos que deben tomarse en dicha serie para
obtener una aproximación de ln 2 con un error menor que 10 . Haga lo mismo para ln (1.5) y ln (1.1) ,
−8
y analice los resultados.
Solución: Empezamos encontrando la serie de Maclaurin para la función f (x ) = ln (x + 1) . Recuerde

que la serie de Maclaurin es la serie de Taylor cuando se toma como centro del desarrollo el número 0.
Así que tal serie de Maclaurin es
∞
xk
f (x ) = ln (x + 1) = ∑ f (k ) (0 )
k =0 k!
f (x ) = ln (x + 1) , f (0) = ln (0 + 1) = ln 1 = 0 , f ′(x ) = , f ′(0 ) = 1 ;

1
Como entonces
x +1
f ′′(x ) = −
1
, f ′ (0 ) = −1 ; f ′′(x ) =
2
, f ′′(0) = 2 ; f (iv ) (x ) = −
(2 )(3) , f (iv ) (0) = −3 ! ,
(x + 1) 2
(x + 1) 3
(x + 1)4
... , f
(k )
(x ) = (− 1)k −1 (k − 1)!k , f (k ) (0) = (− 1)
k −1
(k − 1)!
(x + 1)
Luego
∞ k ∞ k ∞
xk
f (x ) = ln(x + 1) = ∑ f (k )
(0 ) x = ∑ (− 1) (k − 1)! x = ∑ (− 1) , x ∈ (− 1,1]
k −1 k −1
k =0 k! k =1 k! k =1 k!
2 3
x n +1 n
− ... + (− 1) + f (n +1) (ξ )
x x n −1 x
= x− +
1424 ! 434 !4244444 n3! 1442(4 + 13
n4 )!
pn ( x ) Rn ( x ;0 )
siendo ξ algún número entre 0 y x.
Pero f
( n + 1)
(ξ ) = (− 1)n n!
, así que
(ξ + 1)n +1
x n +1 x n +1
R n (x ;0 ) = (− 1) = (− 1)
n n! n 1
(ξ + 1)n +1 (n + 1)! (ξ + 1)n +1 n + 1
con ξ algún número entre 0 y x.
CASOS PARTICULARES:
a) Si x = 1 , entonces ln 2 = ln(1 + 1) =
∞
(− 1)k −1 = 1 − 1 + 1 − .... + (− 1)n −1 + (− 1)n 1 1
∑ k 2 44
342444
n4 (ξ4+21)44n4+31
n +1
k =1 14 3 144
p n (1) Rn (1; 0)
con ξ algún número entre 0 y 1.
Universidad Nacional de Colombia - Sede Medellín 1

Nos piden encontrar el menor valor de n tal que
R n (1; 0) = (− 1)n
1 1
< 10−8
(ξ + 1) n+1 n +
1
siendo ξ algún número entre 0 y 1.
Empezamos independizando el residuo ( o error) R n (1;0 ) de ξ , como sigue:
Rn (1 ; 0 ) = (− 1)n , cualquiera sea ξ ∈ (0,1)

1 1 1
<
(ξ + 1) n + 1 n + 1
n +1
1
Ahora sí resolvemos para n, la desigualdad < 10 −8 . La solución de esta desigualdad es
n +1
n > 10 − 1 . Así que el menor número de términos que hay que sumar para aproximar ln 2 con la
8
precisión pedida es, de acuerdo con esta teoría, N = 10 . No intente calcular esta suma!
8
b) El caso ln (1.5) se deja como ejercicio. Veamos el caso de aproximar ln (1.1) . En este caso
x = 0.1 , y se tiene que:
k
 1
 
k −1 (0.1)
∞ k ∞ ∞
k − 1  10 
ln(1.1) = ln(0.11) = ∑ (− 1) = ∑ (− 1) ∑ (− 1) = pn (0.1) + Rn (0.1;0)
k −1 1
=
k =1 k k =1 k k =1 k10 k
n +1
1
 
R n (0.1;0) = (− 1)n  10  = (− 1)n
1 1 1
Esta vez , con ξ algún
(ξ + 1) n +1
n +1 (ξ + 1) ` n +1
(n + 1)10 n +1
número entre 0 y 0.1 .
−8 1
Como queremos que el error sea menor que 10 , basta encontrar n tal que < 10 −8 , ya
( 1)10
n + n +1
que
R n (0.1;0 ) = (− 1) , cualquiera sea ξ ∈ (0 ,0.1) .

1 1 1
<
n
(ξ + 1) n +1
(n + 1)10 n +1
(n + 1)10 n +1
Puesto que
⇔ (n + 1)10 n +1 > 108 ⇔ n + 1 ≥ 8 ⇔ n ≥ 7

1 −8
n +1 < 10
(n + 1)10
entonces
7
ln (1.1) ≈ p 7 (0.1) = ∑ (− 1)
k −1 1 10007569
k
= ≈ 0.09531018095
k =1 k10 105000000

 (− 1)k −1
7 
∑ (− 1)k −1
1
La instrucción en DERIVE para calcular la suma es SUM  , k ,1, 7  , la
k10 k  k10 k 
k =1  
cual aproXima en 0.09531018095 , trabajando con precisión 10 dígitos (Options-Precision: 10).
Observe que ln(1.1) − 0.09531018095 = 1.14... × 10 −9 < 5 × 10 −9 < 10 −8 , como era de esperarse.
Tiene otra forma mejor para calcular ln2 ?
Observe la instrucción en DERIVE: TAYLOR (ln(x + 1), x , a , n ) : Simplify para distintos valores de a
y de n.
Problema 2. Considere la ecuación en diferencias
x n = 2 (x n −1 + x n − 2 ) , n = 2 ,3,...
a) Verifique que si se dan las condiciones iniciales x0 = 1 y x1 = 1 − 3 , entonces

( )
n
x n = 1 − 3 , n = 0 ,1,... es solución de la ecuación en diferencias dada y satisface las
condiciones iniciales dadas.
Verificación: Veamos primero que la sucesión {(1 − 3 ) } n

n es solución de la ecuación en diferencias
dada.
(1 − 3 ) n

(
= 2 1 − 3 )
n −1
(
+ 1− 3 ) n −2
 , n = 2 ,3,...

( ) [(1 − 3) + 1], n = 2,3,...
= 2 1− 3
n− 2
= 2 (1 − 3 ) [2 − 3 ],
n− 2
n = 2 ,3,...
Por otro lado, (1 − 3 ) = 1 − 2 3 + 3 = 4 − 2 3 = 2 (2 − 3 ), así que

2
(1 − 3) n
= 2 1− 3( ) [2 − 3] , n = 2,3,...
n −2
(
= 1− 3 ) (4 − 2 3 ) , n = 2 ,3,...
n −2
= (1 − 3 ) (1 − 3 ) , n = 2 ,3,... (V )
n −2 2
Con lo anterior se concluye que la sucesión {(1− 3) } n

n es solución de la ecuación en diferencias
dada.
(
Como x0 = 1 − ) 0
( )
1
3 = 1 y x1 = 1 − 3 = 1 − 3 , entonces la sucesión 1 − 3 {( )}
n
satisface las
{( ) },
n
n
condiciones iniciales dadas. Concluimos que la sucesión 1 − 3 n n = 0 ,1,... es la solución de

la ecuación en diferencias xn = 2(xn −1 + xn −2 ) , n = 2 ,3,... con condiciones iniciales x 0 = 1 y

x1 = 1 − 3 . (se puede verificar que este problema es de solución única!).
b) Utilice aritmética finita para calcular xn , n = 0,1,..., 20 usando tanto la fórmula x n = 1− ( 3 )

n
como
la fórmula x n = 2( x n −1 + x n −2 ) , con las condiciones iniciales dadas en a). Explique los resultados y
concluya acerca de la estabilidad numérica de la fórmula x n = 2( x n −1 + x n −2 ) .
Solución: Para los cálculos numéricos usamos las siguientes instrucciones en DERIVE:
 
( n
)
VECTOR  n , 1 − 3  , n , 0 , 20  : aproXima los primeros 21 términos de la sucesión
 
{(1 − 3) } n
n.
Los resultados obtenidos son (en precisión 6 dígitos):
n (1 − 3) n
(1 − 3) − 0.00195355
20
−7 −7
= 1.15... × 10 < 5 × 10 , lo que asegura que 0.00195355
(1 − 3)
Como 20
aproxima al valor exacto (1 − 3 ) = x con todas sus primeras 6 cifras significativas.

20
20
En DERIVE la instrucción ITERATES ( [b , 2 (b + a )], [a , b] , [1,1 − 3 ], 20 ) aproXima en la primera

columna los primeros 21 términos de la sucesión {x n }n con x n = 2 (x n −1 + x n − 2 ) y condiciones iniciales
x 0 = 1 y x1 = 1 − 3 .

xn xn+1
∗
Note que x 20 = −5.27653 aproxima con ninguna cifra significativa al valor exacto 1 − ( 3 )
20
= x 20 .
Observe el comportamiento de los términos x n que aparecen en esta última tabla.
Es claro que la fórmula x n = 2(x n −1 + x n −2 ) , n = 2 ,3,... es inestable numéricamente, para las

condiciones iniciales x 0 = 1 y x1 = 1 − 3.
Problema 3. Las funciones de Bessel J n satisfacen la siguiente fórmula de recurrencia
J n (x ) = 2(n − 1)x −1 J n −1 (x ) − J n − 2 (x ) , n = 2 ,3,...
Empiece con J 0 (1) = 0.7651976866 y J1 (1) = 0.4400505857 y use la fórmula de recurrencia anterior
para calcular J n (1) , n = 2 ,3,... . Se puede creer en los resultados obtenidos?
Nota: Se sabe que las funciones de Bessel J n pueden definirse mediante la fórmula
1π
J n (x ) = cos (xsenθ − nθ ) dθ
π ∫0
Solución: Si hacemos uso del DERIVE para calcular los números J n (1) , n = 2 ,3,...,20 , a partir de la
fórmula de recurrencia dada, utilizamos la instrucción
ITERATES ( [b , 2 (n − 1)b − a , n + 1 ], [ a , b , n ], [ 0.7651976866 , 0.4400505857 , 2 ], 20 )

la cual al aproXimarse en precisión de 10 dígitos, permite obtener los valores que aparecen en la
siguiente matriz, donde los números de la primera columna corresponden a los valores
J n (1) , n = 0 ,1,2 ,...,20 (la fórmula de recurrencia es J n (1) = 2(n − 1)J n−1 (1) − J n −2 (1) , n = 2,3,... ).
()
Como se observa en la matriz de resultados, J 20 1 = −3.416969267 × 10 . Podrá ser este resultado
12
una aproximación razonable del valor exacto de J 20 (1) ? Veamos:
Se sabe que
1π
J n (x ) = ∫ cos (xsenθ − nθ ) dθ
π0
así que
1π
J n (x ) = cos ( xsenθ − nθ ) dθ
π ∫0
1π
cos (xsenθ − nθ ) dθ
π ∫0
≤
1π 1
≤ ∫ 1dθ = π = 1
π0 π
En particualr, J n (1) ≤ 1 para todo n, y por tanto los valores obtenidos para J n (1) y que aparecen en la
matriz siguiente (obtenidos a partir de la fórmula de recurrencia) no son correctos, por lo menos a partir
de n = 12 .
J n (1) J n +1 (1) n+2

Si se está interesado en obtener valores apropiados de las funciones de Bessel, en DERIVE cargue el
archivo BESSEL.MTH (Transfer+Merge:BESSEL.MTH) y aproXime la expresión BESSEL _ J (20,1) , se
(muy lento para este cálculo). Compare este valor con el valor J 20 (1) que
− 25
obtiene 3.873503008 × 10
aparece en la matriz anterior.
También puede aproXimar la expresión VECTOR ( [ n , BESSEL _ j _ SERIES ( n ,1 ,10) ] , n ,0 , 20 ) y

compare los resultados con los que aparecen en la matriz anterior.

TALLER 2a
Suponga que un objeto de masa m se deja caer desde una altura S 0 y que la altura del objeto, con
respecto al suelo, a los t segundos viene dada por
m2 g  
kt
−
S (t ) = S 0 +
mg
t − 2 1 − e m 
k k  

y k = 0.1 lb × s
pies
donde S 0 = 300 pies , m = 0.25 Slugs , g = −32.17
s2 pie .
Obtenga, con una precisión dentro de 0.01 s , el tiempo que tarda ese objeto en llegar al suelo.
Solución: Como la altura del objeto a los t segundos está dada por
m2 g  
kt
−
S (t ) = S 0 +
mg
t − 2 1 − e m  , la solución del problema consiste en hallar el tiempo para el cual el
k k  

objeto está en el piso, es decir, el valor de t para el cual S (t ) = 0 , con un error menor que 10 s . De
−2
acuerdo con los datos del problema se quiere encontrar el valor de t tal que
S (t ) = 300 +
(0.25 )(− 32.17 ) (0.25 ) (− 32.17 ) 
t−
2 −
0.1t 
1 − e .25  = 0
0
0.1 (0.1)2 



lo cual es equivalente a resolver la ecuación
2
3217 3217 3217 − 5 t
300 − t+ − e =0
40 16 16
2
8017 3217 3217 − 5 t
Sea entonces S (t ) = − t− e . Para resolver la ecuación S (t ) = 0 , empezamos
16 40 16
graficando la función y = S (t ) . La gráfica es como se muestra en la siguiente figura. De acuerdo con
esta gráfica, la raíz de interés es la positiva α ∈ [6,7 ] , ya que la raíz negativa no tiene significado físico
en nuestro problema.
Ahora hacemos una tabla de valores para la función y = S (t ) en el intervalo [6,7] con tamaño de paso
h = 0.1 , para identificar un intervalo de longitud 0.1 donde se encuentra la raíz α .

SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN NO-LINEAL EN UNA VARIABLE
La tabla de valores obtenida usando DERIVE es

t S (t )
Como la función S es continua en el intervalo [6.0 ,6.1] y S (6.0 )S (6.1) < 0 , entonces α ∈ [6.0,6.1] .
Ahora podemos aplicar los métodos numéricos vistos para aproximar la raíz α ∈ [6.0,6.1] . Veamos:
1. MÉTODO DE BISECCIÓN: Como la función S es continua en el intervalo [6.0 ,6.1] y

S (6.0 )S (6.1) < 0 , entonces se puede aplicar el método de Bisección a la función S en el intervalo
[6.0 ,6.1] para aproximar la raíz α . Como nos piden aproximar la raíz α con una precisión dentro de
10 − 2 s , esto quiere decir que el error α − t n debe ser menor que 10 −2 , siendo t n el término n-ésimo
de la sucesión generada por el método de Bisección aplicado a la función S en el intervalo [6.0 ,6.1] .
2 Universidad Nacional de Colombia - Sede Medellín

−2
Hallemos el número de iteraciones necesarias, de acuerdo con la teoría, para que α − tn < 10 .
b − a 6.1 − 6.0 0.1 0.1
Como α − t n ≤
n
= n
= n
, basta resolver para n la desigualdad
n
< 10 − 2 , pero
2 2 2 2
0.1
n
< 10 − 2 ⇔ 2 n > 10 ⇔ n ≥ 4
2
−2
así que t 4 es tal que α − t4 < 10 .
a1 + b1 6.0 + 6.1
Para calcular t 4 , tenemos: a1 = 6.0 = a , b1 = 6.1 = b , entonces t1 = = = 6.05 .
2 2
Como S (6.05 ) = −3.38... y S (6.0 )S (6.05 ) < 0 , entonces la raíz buscada α se encuentra en el
intervalo [6.0 ,6.05] , y hacemos a 2 = a1 = 6.0 y b2 = t1 = 6.05 , con lo cual
a + b2 6.0 + 6.05
t2 = 2 = = 6.025 . Si utilizamos el DERIVE para calcular las 4 iteraciones,
2 2
simplemente aproximamos la instrucción BISECCION (S (t ),t ,6.0,6.1,4) , con lo cual obtenemos:
tn
−2
Luego α ≈ t4 = 6.00625 , y 6.00625 aproxima a la raíz α con un error absoluto menor que 10 s.
2. MÉTODO DE PUNTO FIJO: Empezamos transformando la ecuación S (t ) = 0 en otra equivalente

del tipo t = g (t ) para alguna función g.
2 2
3217 − 5 t 8017 3217 − 5 t
S (t ) =
8017 3217 3217
− t− e =0⇔ t= − e
16 40 16 40 16 16
2
40085 5 − 5 t
⇔t= − e
6434 2
2
40085 5 − 5 t
Luego una función de iteración de punto fijo es g (t ) = − e . Veamos s i la función g
6434 2
satisface todas las hipótesis del teorema de punto fijo en el intervalo [6.0 ,6.1].
La gráfica de la funciones y = g (t ) y y = t , aparecen en la siguiente figura:

De acuerdo con la gráfica se observa que la función g es una función apropiada para la aplicación del
método de Punto Fijo. Veamos que efectivamente la función g satisface todas las hipótesis del teorema
[ ]
de punto fijo en el intervalo 6.0 ,6.1 :
[ ]
La función g es continua y creciente en el intervalo 6.0 ,6.1 , pues g es derivable en 6.0 ,6.1 y [ ]
2
− t
g ′(t ) = e 5 > 0 para todo t ∈ [6.0,6.1], y como g (6.0) = 6.003... y g (6.1) = 6.012... , entonces
g (t ) ∈ [6.0,6.1] para todo t ∈ [6.0,6.1]. Por lo tanto la función g tiene por lo menos un punto fijo en el
intervalo [6.0 ,6.1].
2
2 − t
Ahora, la función g ′ es decreciente en el intervalo [6.0 ,6.1], ya que g ′′(t ) = − e 5 < 0 para todo
5
t ∈ [6.0,6.1], y como g ′(6.0 ) = 0.09... y g ′(6.1) = 0.08... , entonces g ′(t ) ≤ 0.1 = K < 1 para todo
t ∈ [6.0,6.1]. En consecuencia, la función g tiene un único punto fijo α ∈ [6.0,6.1], la sucesión de
iteración de punto fijo {tn }n con
2
40085 5 − 5 t
tn = g (tn−1 ) =
n −1
− e , n = 1,2 ,...
6434 2
[ ]
converge a α , cualquiera sea t0 ∈ 6.0 ,6.1 , y se tiene además cotas para el error α − tn , como
α − tn ≤ K n Máx { t0 − 6.0, 6.1 − t0 }, n ≥ 1 .
−2
Para aproximar la raíz α con la precisión pedida, es decir , con un error α − tn < 10 , utilizando el
método de Punto Fijo, debemos encontrar el cuántas iteraciones se requieren para esto.

Teniendo en cuenta la cota para el error α − tn ≤ K n Máx { t0 − 6.0, 6.1 − t0 }, n ≥ 1 , bastará

resolver para n la desigualdad (0.1)n Máx { 6.05 − 6.0, 6.1 − 6.05 }< 10 −2 (aquí se escogió
6.0 + 6.1
t0 = = 6.05 y K = 0.1 ). Como
2
(0.1)n (0.05) < 10 − 2 ⇔ (0.1)n < 0.2 ⇔ nln (0.1) < ln (0.2 ) ⇔ n > ln (0.2 ) = 0.69...
ln(0.1)
2
40085 5 − 5 6.05
entonces t1 = g (t0 ) = − e = 6.00788 aproximará la raíz α con la precisión pedida.
6434 2
Si quiere usar el DERIVE para calcular t1 , basta aproximar la instrucción
PUNTO _ FIJO ( g (t ) , t , 6.05 ,1 ) .
3. MÉTODO DE NEWTON-RAPHSON: Recordemos que la ecuación a resolver es
2
8017 3217 3217 − 5 t
− t− e =0
11644440
4244 16443
S (t )
[
y la raíz buscada α ∈ 6.0 ,6.1 . ]
2 2
− t 3217 − 5 t
Como S ′(t ) = , S ′′(t ) = − son continuas en el intervalo [6.0 ,6.1]. Por otro lado
3217
e 5 e
40 100
S ′′(t ) < 0 para todo t ∈ [6.0,6.1], así que S ′ es decreciente en [6.0 ,6.1], y ya que S ′[6.0] = −73.1... ,
S ′(6.1) = −73.4... , entonces S ′(t ) ≠ 0 para todo t ∈ [6.0,6.1]. Concluimos que se puede aplicar el
método de Newton-Raphson a la función S en el intervalo [6.0 ,6.1] para aproximar la raíz α (la es raíz
α es simple, observe la gráfica de la función S).
La fórmula de iteración del método de Newton-Raphson es
S (tn−1 ) 40085 e − 3217 (2tn−1 + 5)

tn − 1
5
tn = tn −1 − = , n = 1,2 ,...
S ′(tn−1 )  2t 
6434 e 5 − 1
n −1
 
 
Se puede ver que el método de Newton-Raphson converge a la raíz α , cualquiera sea t0 ∈ 6.0 ,6.1 [ ]
(observando la gráfica de la función S, se ve que se mantiene la concavidad de la gráfica de S en el
intervalo [6.0 ,6.1]). Iterando con el método de Newton-Raphson aplicado a la función S con
aproximación inicial t0 = 6.1 (se escoge t0 = 6.1 teniendo en cuenta la concavidad de la gráfica de la
[ ]
función S en el intervalo 6.0 ,6.1 ) y calculando los valores S (tn ) , obtenemos (para los cálculos se usó el
DERIVE con precisión 20 dígitos):

tn S (t n )
−2
Cuál de las aproximaciones calculadas aproxima a la raíz α con un error α − tn menor que 10 ?
Para responder esta pregunta basta observar la concavidad de la gráfica de la función S cerca de la raíz
α , tener en cuenta que S (6.00372 ) = −4.68172 × 10 − 8 y que S ′(α) >> 1 .
Como S (t 2 ) = S (6.00372 ) = 4.6... × 10 −8 < 10 − 2 y 2 es el menor entero positivo tal que
S (t n ) < 10− 2 , entonces (de acuerdo con lo dicho antes) α − t2 < S (t2 ) < 10 −2 . Así que
t2 = 6.00372 aproxima a la raíz α con un error menor que 10 −2 .

TALLER Nº 2b
Problema 1. Considere la ecuación senx + ln x = 0 .
a) Verifique que la ecuación dada tiene una única raíz α .
Solución: Dominio de f ( x ) = senx + ln x es (0,+∞ ) . Como senx + ln x = 0 ⇔ senx = − ln x ,

podemos dibujar en un mismo plano coordenado las gráficas de y = senx y y = − ln x . Obtenemos:
( Plot - Overlay - Plot )
y = sen x
y = -ln x
De acuerdo con la gráfica es claro que la ecuación dada tiene una única raíz α y α ∈ [0,1]. La gráfica
de f ( x ) = sen x + ln x , es como se indica a continuación:
y = sen x + ln x

b) Encuentre un intervalo [a, b] de longitud 0.1 tal que α ∈ [a, b ] .
Solución: Haciendo una tabla de valores para la función f ( x ) = senx + ln x en el intervalo [0.1,1] con
tamaño de paso h = 0 .1 , se obtiene:
x f (x )
Como f ( x ) = senx + ln x es continua en [0. 5, 0. 6] y

f (0. 5) f (0. 6) < 0 , entonces α ∈ [0. 5, 0. 6]
La instrucción en DERIVE para obtener esta tabla de valores es:

vector ( [x , sin x + ln x ] , x , 0.1, 1, 0.1) : approX .
c) ¿Se puede utilizar el método de Bisección en el intervalo [0. 5, 0. 6] para aproximar la raíz α ?
Solución: Sí, ya se verificó que f es continua en [0. 5, 0. 6] y f (0. 5) f (0. 6) < 0 .
d) Aplique el método de Bisección en el intervalo [0. 5, 0. 6] , calcule 15 iteraciones y tome a x15 como
aproximación de α . ¿Cuál es la calidad de esta aproximación?
Solución: La instrucción en DERIVE para calcular las iteraciones en el método de Bisección es:
BISECCION (sinx + lnx , x ,0.5,0.6, 15) : approX .
Al utilizar esta instrucción, se obtiene x15 = 0.578713 ≈ α (aproximación a 6 dígitos significativos).

b − a 0.6 − 0.5 0.1
Como α − x15 ≤ = = 15 = 3.06... × 10 −6 < 5 × 10 −6 , entonces x15 aproxima a α
2 15 215 2
con por lo menos 5 cifras decimales exactas, que son 5, 7, 8, 7 y 1 .
e) Aplique el método de Punto Fijo para aproximar la raíz α con una precisión de por lo menos 5 cifras
decimales exactas.
Solución: Como senx + ln x = 0 ⇔ senx = − ln x ⇔ x = sen −1 (− ln x ) , entonces una

 π π
x∈[0 .5 ,0 .6 ]⊆  − , 
 2 2
función de iteración de punto fijo es g ( x ) = sen (− ln x ) = − sen (ln x ) .

−1 −1

Al hacer las gráficas de y = x y y = sen (− ln x ) = − sen (ln x ) , obtenemos:

−1 −1
y=x
α y = sen −1 ( − ln x )
g' (α ) > 1
−1
(En DERIVE sen x se entra como asinx )
Se ve que no existe intervalo [a, b ] que contenga a α, donde la función

g (x ) = sen −1
(− lnx ) = − sen (lnx ) satisfaga todos las hipótesis del T.P.F., ya que
−1
g ′(α) > 1 .
Cambiamos de función de iteración: Como senx + ln x = 0 ⇔ ln x = − senx ⇔ x = e − senx , x > 0 ; sea

entonces g ( x ) = e ( en DERIVE g ( x ) := exp (− sin x ) ). Las gráficas de y = x y y = e
− senx − senx
son
y=x
y = e − senx
α
x>o

− senx
De acuerdo con la gráfica, se espera que la función g ( x) = e satisfaga todas las hipótesis del
[ ]
teorema de punto fijo en 0.5,0.6 . Veamos:
g es continua en [0.5,0.6].
g es decreciente es [0.5,0.6] ( ya que g' ( x ) = − e − senx cos x < 0 , ∀x ∈ [0.5,0.6] ), y como
 g (0.5 ) = 0.619138 ∉ [0.5,0.6]


 g (0.6 ) = 0.568563 ∈ [0.5,0.6]
[ ]
entonces no se satisface g (x )∈ 0.5,0.6 para todo x ∈ 0.5,0.6 . [ ]
[ ]
Qué hacer? Podemos cambiar el intervalo 0.5,0.6 a un nuevo intervalo, por ejemplo [0.5,0.7] . Es
[ ] [
claro que α ∈ 0.5,0.7 ⊇ 0.5,0.6 . Como ]
 g (0.5) = 0.619138 ∈ [0.5,0.6]

 g (0.7 ) = 0.525073 ∈ [0.5,0.7 ]
[ ] [ ]
entonces g (x ) ∈ 0.5,0.7 para todo x ∈ 0.5,0.7 ( ya se sabe que g es decreciente en 0.5,0.7 ). [ ]
Conclusión: g tiene por lo menos un punto fijo α ∈ 0.5,0.7 . [ ]
g ' ( x ) existe para todo x ∈ (0.5,0.7) .
g ' es creciente en [0.5,0.7] (la gráfica de g es cóncava hacia arriba en [0.5,0.7] ,

( )
g ′′( x ) = e − senx cos 2 x + senx > 0 para todo x ∈ [0.5,0.7]), y como
 g ′(0.5 ) = −0.543345

 g ′(0.7 ) = −0.401598
entonces g' (x ) ≤ 0.55 = K < 1 para todo x ∈ (0.5,0.7) .
[
Conclusión: g tiene un único punto fijo α ∈ 0.5,0.7 , la sucesión {x n }n con]
x n = g (x n−1 ) = e − sen( x n −1 )
, n = 1,2 ,...
[ ]
converge a α cualquiera sea x 0 ∈ 0.5,0.7 , y se tienen cotas para el error α − x n . En particular, se
tiene que:
 
α − xn ≤ K n Máx{x 0 − a , b − x0 } = (0.55)n Máx  01
4 −4
.62 03
.5, 01 −4
.72
4 .6  = (0.55)n 0.1, ∀n ≥ 1
03
 0.1 0.1 

Como queremos aproximar a α con una precisión de por lo menos 5 cifras decimales exactas, debemos
encontrar el menor entero positivo N tal que
(0.55)n (0.1) ≤ 5 ×10 −6 ⇔ (0.55)n ≤ 5 × 10 −5

⇒n≥
(
ln 5 × 10 −5 )
= 16.5...
ln(0.55)
(En DERIVE la desigualdad anterior se puede resolver con soLve y luego approX)
Luego N = 17 es tal que α − x17 ≤ 5 × 10 −6 . Calculamos x17 usando DERIVE y obtenemos

x17 = 0.578713 ≈ α .
La instrucción en DERIVE para obtener el resultado anterior es

PUNTO _ FIJO ( exp (− sinx), x , 0.6 ,17 ) : approX .
f) Aplique el método de Newton-Raphson (si es posible) para aproximar la raíz α , tomando como
criterio de aproximación f (x n ) < 5 × 10 −6 o x n - x n -1 < 5 × 10 −6 .
Solución: Como f (x ) = senx + lnx tiene sus dos primeras derivadas continuas en [0.5,0.6] y
f ' ( x ) ≠ 0 para todo x ∈ [0.5 ,0.6] ( f ' ( x ) = cos x + > 0 para todo x ∈ [0.5 ,0.6] , aún más,
1
x
f ' (0.5) = 2.87... y f ' (0.6 ) = 2.49... , así que f ' ( x ) > 2 para todo x ∈ [0.5 ,0.6], y entonces
f ' (α) > 2 ), entonces se puede aplicar el método de Newton-Raphson en el intervalo [0.5,0.6] para
aproximar la raíz α .
Tomando x0 = 0.5 , obtenemos:
n xn f (xn ) x n − x n −1
0 0.5 − 0.213721
1 0.574271 − 0.0114310 0.074...
2 0.578700 − 3.50181 × 10 −5 0.0044...
3 0.578713 − 1.72985 × 10 −6 1.29... × 10 −5
4 0.578713 − 1.72985 × 10 −6 7.06... × 10 −7
Luego x 3 = 0.578713 ≈ α .
La instrucción en DERIVE para obtener las iteraciones en el método de Newton–Raphson es

NEWTON ( sinx + lnx , x , 0.5, 4 ) : approX . Aproximando la expresión anterior se obtienen los resultados
que aparecen en la segunda columna de la tabla anterior.
Problema 2. Aproxime todas las raíces de la ecuación

1 +4
x44 x 34−4
2.84 0.2
4 384 −4
x 24 6.34
x4−4.2 = 0
43
p ( x)
usando el método de Newton-Raphson y Deflación.
Solución: Empezamos gratificando el polinomio p (x ) := x + 2.8 x − 0.38 x − 6.3 x − 4.2 .

4 3 2
La apariencia de la gráfica (en la escala x = 1 , y = 1 ) parece indicar que la ecuación dada tiene una
raíz doble y dos raíces simples. Sin embargo, un cambio de escala en x a 0.1 y en y a 0.1 (en
←
DERIVE Scale: x : 0.1 y : 0.1 , o un Zoom con F9, both) nos muestra que no se trata de una raíz
→
doble, sino de dos raíces simples cercanas entre sí. También, haciendo una tabla de valores para el
polinomio p (xy)= p (xen
) el intervalo [− 2, −1] con tamaño de paso h = 0 .1 , obtenemos que
α1 ∈ [− 1.7 ,−1.6] , α2 ∈ [− 1.6 ,−1.5] , α3 ∈ [− 1.1, −1]. La tabla de valores obtenida es:
x p (x)
p es continua en [− 2, −1] , y p (− 1.7 ) p(− 1.6 ) < 0 ,

entonces existe α1 ∈ [− 1.7, −1.6] tal que p (α1 ) = 0
p (− 1.6 )p (− 1.5) < 0 , entonces existe α2 ∈ [− 1.6, −1.5]

tal que p(α2 ) = 0
p (− 1.1) p (− 1.0) < 0 , entonces existe α3 ∈ [− 1.1, −1.0]

tal que p(α3 ) = 0

Por otro lado p es continua en [1.4,1.5] y p (1.4 ) p (1.5) < 0 , entonces existe α4 ∈ [1.4,1.5] tal que
p(α4 ) = 0 .
En conclusión se tiene que la ecuación polinómica dada tiene todas sus 4 raíces reales simples. Es
claro, que existen intervalos adecuados donde la función p satisface la hipótesis general del método de
Newton-Raphson para aproximar cada una de las raíces α1 , α2 , α3 y α4 .
Teniendo en cuenta los valores p' (α1 ) , p' (α2 ) , p' (α3 ) y p' (α4 ) , empezamos
aproximando α4 , con x 0 = 1.5 . Iterando con el método de Newton-Raphson hasta que se estabilicen
los 6 dígitos, obtenemos α4 ≈ 1.49969 = x 1 . La instrucción en DERIVE para estos cálculos es
NEWTON ( p(x ), x , 1.5, 5) : approX .
Si aplicamos Deflación, hacemos la división de p (x) por x − 1.49969 . La correspondiente instrucción

en DERIVE es QUOTIENT ( p (x ), x − 1.49969 ) : approX . El resultado de tal operación es el polinomio
( )
cociente q 3 x = x + 4.29969 x + 6.06820 x + 2.80042 ( p (x ) = (x − 1.49969 ) q (x ) + p(1.49969 ) ).
3 2
En DERIVE la instrucción REMAINDER ( p (x ), x − 1.49969 ) : approX , permite obtener el residuo en

la división de p (x ) por x − 1.49969 ; tal residuo es p (1.49969 ) = −2.31615 × 10
−4
.
Enseguida graficamos el polinomio q 3 (x ) obtenido, junto con el polinomio original p (x ) , y observamos

que la gráfica de y = q 3 (x ) pasa por las raíces α1 , α2 y α3 de p (x ) = 0 .
Aplicamos ahora, el método de Newton-Raphson al polinomio q 3 ( x) :

 
NEWTON  q3 (x ), x , −
{ 1.0 , 5  : approX . Se obtiene α3 ≈ −1.08813 = x 3 .
 
 x0 
Aplicamos nuevamente deflación, es decir, dividimos el polinomio q 3 ( x) por x − (−1.08813) :

QUOTIENT (q 3 (x ), x + 1.08813) : approX ; q 2 (x ) = x + 3.21156 x + 2.57360
2
obtenemos
( q 3 ( x ) = (x + 1.08813) q2 (x ) + q 3 (− 1.08813) )
14
4244
3
2.46185×10− 6
Graficando q 2 ( x) , observamos que la gráfica de este polinomio q 2 ( x) pasa por las raíces α1 y α2 de
p( x ) = 0 .
Finalmente, aproximamos las raíces α1 y α2 de p( x ) = 0 , resolviendo la ecuación cuadrática

q 2 ( x) = 0 .
En DERIVE la instrucción soLve aplicada a q 2 (x ) = x + 3.21156 x + 2.57360 , permite obtener

2
( p (− 1.67594 ) = −2.43475 × 10
−4
α1 ≈ −1.67594 y α2 ≈ −1.53561 y
p (− 1.53561) = −2.42548 × 10 −4 ).

TALLER 3a
Problema 1. Use el método directo que considere más apropiado para resolver el siguiente sistema
utilizando aritmética finita:
 0.2641x1 + 0.1735 x 2 + 0.8642 x 3 = −0.7521

− 0.8641x1 − 0.4243 x2 + 0.0711x 3 = 0.2501
 0.9411x + 0.0175 x + 0.1463x = 0.6310
 1 2 3
Solución: Se observa que la matriz de coeficientes del sistema no es estrictamente dominante

diagonalmente por filas, ni tampoco es simétrica, así que se sugiere una estrategia de pivoteo, y como los
coeficientes del sistema son más o menos del mismo orden de magnitud 10 −1 , 10 −2 , se recomienda la
estrategia de pivoteo parcial. Para hacer uso del DERIVE, trabajamos con precisión 4 dígitos (Options-
Precision:4) y entramos la matriz aumentada del sistema:
AU : = [ [ 0.2641 , 0.1735 , 0.8642 , − 0.7521], [ − 0.8641 , 0.4243 , 0.0711 , 0.2501 ] ,

[ 0.9411 , 0.0175 , 0.1463 , 0.6310 ]]
La expresión anterior al entrar en la ventana de Álgebra toma la forma
a) Para j = 1 (primera columna), escogemos el pivote como sigue:
Máx{ 0.2641 , − 0.8641 , 0.9411 } = 0.9411 = a 31 ≠ 0, k = 3 ≠ 1 = j , entonces debemos

↑
intercambiar las filas 1 y 3. La instrucción en DERIVE para intercambiar tales filas es SWAP(AU,1,3).
Una vez simplificada esta expresión continuamos con la eliminación:
 0.9411 0.0175 0.1463 0.6310   0.9411 0.0175 0.1463 0.6310 

  E  −00..8641 
 
21 
 − 0.8641 − 0.4243 0.0711 0.2501     → 0 − 0.4082 0.2054 0.8294 
9411 
 0.2641 0.1735 0.8642 − 0.7521  0.2641 0.1735 0.8642 − 0.7521

  
 0.9411 0.0175 0.1463 0.6310  E  0.2641   0.9411 0.0175 0.1463 0.6310 

     31 
 0 − 0.4082 0.2054 0.8294   
→ 0
0.9411 
− 0.4082 0.2054 0.8294 
 0.2641 0.1735 0.8642 − 0.7521  0 0.1685 0.8231 − 0.9291
  
Para la eliminación en DERIVE, se ejecuta la instrucción PIVOT(#_,1,1), donde #_ es el número que

identifica (en la ventana de Álgebra) a la matriz sobre la cual se hace la eliminación. Esta instrucción
hace ceros debajo de la posición (1,1) , es decir, elimina los coeficientes de x1 en cada una de las
ecuaciones 2 y 3.
Para j = 2 (segunda columna), escogemos el pivote como sigue:

SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES
Máx{ − 0.4082 , 0.1685 } = 0.4082 = a ∗2 2 ≠ 0, k = 2 = j , así que no necesitamos hacer

↑
intercambio y continuamos con la eliminación:
 0.9411 0.0175 0.1463 0.6310  E  0.1685   0.9411 0.0175 0.1463 0.6310 

     32 
 0 − 0.4082 0.2054 0.8294   → 0
− 0.4082 
− 0.4082 0.2054 0.8294 
 0 0.1685 0.8231 − 0.9291  0 0.9079 − 0.5866 
  0
Para la eliminación en DERIVE se ejecuta la instrucción PIVOT(#_,2,2): approX.
Por sustitución regresiva, obtenemos:
− 0.5866 0.8294 − 0.2054(− 0.6461)

x~3 = = −0.6461 , ~
x2 = = −2.356 ,
0.9079 − 0.4082
~ 0.6310 − 0.1463(− 0.6461) − 0.0175(− 2.356)

x1 = = 0.8148
0.9410
Luego la solución aproximada obtenida es X = (0.8148 , − 2.356 , − 0.6461) .

~ T
~
Qué se puede decir acerca de la precisión de esta solución aproximada X ?
~
X−X
Para intentar responder esta pregunta, utilizaremos las cotas para el error relativo , dadas en
X
la teoría:
~
R X−X R
≤ Cond ∞ (A )
∞ 1 ∞ ∞
≤
b ∞
Cond ∞ (A) X ∞ b ∞
Cond ∞ ( A) = A ∞
A−1 , y la instrucción en DERIVE para calcular este número de condición es
∞
COND_INF( A), siendo A la matriz de coeficientes del sistema dado. Para este caso,
COND _ INF ( A) = 6.756 ≈ 1 , así que la matriz A está bien condicionada (el sistema AX = b dado, está
bien condicionado).
~ ~
Calculemos el vector error residual correspondiente a la solución aproximada X , R = AX − b , y
recordemos que para evitar la pérdida de cifras significativas, trabajamos en doble precisión, o sea 8
~
dígitos (Options-Precision: 8). Antes de cambiar la precisión, entramos los vectores X y b como vectores
fila:
XA := [0.8148 , − 2.356 , − 0.6461] = X y b := [− 0.7521, 0.2501, 0.6310 ]

~
Ahora sí, Options-Precision:8, y calculamos A. XA − b (el . para indicar la multiplicación de la matriz A

[
por el vector XA), el resultado obtenido es 1.630 5851 ×10
−4
, − 4.5559014 ×10 −4 , 5.3850066 ×10 −5 . ]
Volvemos a precisión de 4 dígitos (Options-Precision: 4) y aproximamos el resultado de A. XA − b , para

obtener (
R = 1.630 × 10− 4 , − 4.555 × 10− 4 , 5.385 × 10 − 5 , )
T
así que R ∞
= 4.555 × 10 −4 ,
b ∞
= 0.7521 , y entonces
~
4.555 × 10 −4
1 X−X 4.555 × 10 − 4
∞
5 × 10 − 5 < 8.964 × 10 − 5 = ≤ ≤ 6.756 = 0.004091 < 5 × 10 − 3
0.7521 6.756 X ∞
0.7521
Conclusión: La solución aproximada X = (0.8148 , − 2.356 , − 0.6461) aproxima a la solución exacta

~ T
X del sistema dado con por lo menos tres cifras significativas y no más de cuatro. La solución exacta del
sistema es X = (0.8147, − 2.356, − .6460) .
T
La instrucción en DERIVE para obtener la solución
exacta de un sistema AX = b con solución única es RESUELVA_1( A,b): Simplify.
Problema 2. Considere el siguiente sistema lineal
4 x1 + x2 + 2x4 =2
 x − 3x + x = −3
 1 2 3

 1x + x 2 + 4 x 3 + x4 =4
 x 2 + x3 − 2 x 4 =0
Lo primero que observamos es que el sistema dado está ordenado en la forma más apropiada para
aplicar los métodos iterativos de Jacobi y Gauss-Seidel, ya que la matriz de coeficientes de este sistema
es lo más parecida a una matriz estrictamente dominante diagonalmente por filas.
a) ANÁLISIS DE CONVERGENCIA PARA EL MÉTODO DE JACOBI
1) La matriz de coeficientes del sistema dado es
4 1 0 2
 
1 − 3 1 0
A= 
1 1 4 1
 
 0 1 1 − 2 
que no es estrictamente dominante diagonalmente por filas, porque
a 44 = 2 ≤ 1 + 1 = a41 + a 42 + a43 . Luego no se puede concluir todavía sobre la convergencia
del método de Jacobi. Debemos encontrar la matriz de iteración del método de Jacobi
BJ = D −1
(L + U ) :
Usando DERIVE, entramos la matriz de coeficientes
[[ ][ ] [ ] [ ]]
A := 4, 1, 0, 2 , 1, − 3,1, 0 , 1, 1, 4,1 , 0, 1,1, − 2 , y luego simplificamos la instrucción BJ( A) con lo
cual obtenemos la matriz de iteración

 1 1
 0 − 0 − 
 4 2
 1 0
1
0
 
BJ =  3 3
1 1 1
− − 0 − 
 4 4 4
 0 1 1
0 
 2 2 
2) En DERIVE, la instrucción NORMA_INF( B J ) simplifica en BJ ∞

= 1 ≥ 1 , así que no podemos
concluir todavía, a partir de esta norma matricial, sobre la convergencia del método de Jacobi. En
`
( )
DERIVE, la instrucción NORMA _ INF B J simplifica en B J 1 = 1 ≥ 1 , y tampoco podemos concluir
sobre convergencia, todavía.
3) Debemos calcular el radio espectral de la matriz de iteración B J , ρ(B J ) . Esta vez, empezamos
encontrando el polinomio característico de la matriz BJ . En DERIVE, la instrucción
96 w 4 + 28w 2 + 4w − 3
CHARPOLY( B J ,w) simplifica en el polinomio característico de B J : .
96
Trabajando con p(w) = 96 w + 28 w + 4 w − 3 , encontramos que los valores propios de la matriz
4 2
BJ son w1 ≈ −0.334610 , w 2 ≈ 0.244717 y w3, 4 ≈ 0.0449461 ± 0.616126i . Como
w3, 4 ≈ 0.617763 (instrucción en DERIVE ABS(w3, 4 )) , entonces ρ(B J ) ≈ 0.617763 < 1 . Por
tanto el método de Jacobi converge converge a la única solución X del sistema dado, cualquiera sea
(0 )
la aproximación inicial X ∈ R . Iterando con el método de Jacobi, tomando aproximación inicial
4
X ( 0) = (0, 0, 0, 0 ) y criterio de aproximación X ( k ) − X (k −1) < 5 × 10 −3 , se obtiene

T
∞
X (13 ) = (− 0.200239, 1.11780, 0.561029, 0.838094 ) ≈ X

T
(ya que X (13 ) − X (12) ≈ 0.00375458 < 5 × 10 −3 y k = 13 es el menor entero positivo que
∞
satisface X ( k ) − X (k −1) < 5 × 10 −3 ). La instrucción en DERIVE para calcular las iteraciones es

∞
 
 
JACOBI  A , [2 , − 3, 4 , 0] , [0 , 0 , 0, 0] , 15
 14243 1 424 3 N  : approX.
{
 b X0
() 
(13)
Cuál es la precisión de la solución aproximada X ?
X − X (13 )
∞
Para esto, analicemos las cotas para el error relativo :
X ∞

R (13) X − X (13 ) R (13 )

Cond ∞ ( A)
1 ∞ ∞ ∞
≤ ≤
b ∞ Cond ∞ ( A) X ∞
b ∞
144424443 14442444 3
0. 00739 1 0 .00739
5×10 − 5 <3 .8 ...×10 − 4 = 4 .816 = 0. 008 ...<0 .05 =5×10 − 2
4 4 .816 4
(13)
Luego X aproxima a la solución exacta X del sistema dado con una precisión de por lo menos sus
dos primeras cifras significativas y no más de cuatro.
b) ANÁLISIS DE CONVERGENCIA PARA EL MÉTODO DE GAUSS-SEIDEL
1) Ya vimos que la matriz A de coeficientes del sistema dado no es estrictamente dominante

diagonalmente por filas, así que no se puede concluir todavía sobre convergencia del método de
Gauss-Seidel. Debemos encontrar la matriz de iteración BG−S = ( D − L ) U del método de Gauss-
−1
Seidel:
En DERIVE, la instrucción BG( A) simplifica en la matriz de iteración
 1 1
0 − 0 − 
 4 2
0 − 1 1
− 
1
 6
BG − S = 12 3
1 1 1
0 − − 
 12 12 12 
 0 1 1
0 − 
 8 8
3
2) En DERIVE, la instrucción NORMA_INF( BG−S ) simplifica en BG−S ∞
= < 1 , así que el
4
método de Gauss-Seidel converge a la única solución X del sistema dado, cualquiera sea la
aproximación inicial X (0 ) y se tienen cotas para el error X − X (k ) (observe que
∞
` 7
NORMA_INF( BG − S ) simplifica en BG−S 1
= < 1 , así que también podemos concluir sobre la
8
convergencia del método de Gauss-Seidel a partir de esta norma matricial, pero ya que
BG − S ∞
< BG − S 1
, usaremos la norma . ∞
para los cálculos posteriores).
3) Aunque ya tenemos conclusión sobre la convergencia del método de Gauss-Seidel, calculemos

ρ(BG− S ) .
En DERIVE la instrucción EIGENVALUES( BG−S , w) simplifica en los valores propios de la matriz

1 1
BG−S , que son w1 = 0 , w 2 = − y w3 = − ( w1 = 0 es valor propio de multiplicidad 2, ya que el
4 24
( )
↓
w 2 96 w 2 + 28w + 1
polinomio característico de BG−S es ).
96

Como ρ(BG−S ) =
1
< 1 , el método de Gauss-Seidel converge a la única solución X del sistema dado,
4
(0 )
cualquiera sea la aproximación inicial X .
Ya que disponemos de cotas teóricas para el error X − X (k ) , encontremos el menor número de

∞
iteraciones k, de acuerdo con la teoría, para que al aplicar el método de Gauss-Seidel con
= (0, 0, 0, 0 ) , se obtenga una aproximación de la solución exacta X del
( 0) T
aproximación inicial X
sistema dado, con una precisión de por lo menos tres cifras significativas.
X − X (k ) k k
∞ 3 3
=   , bastará resolver para k la desigualdad   < 5 × 10− 3 .
k
Como ≤ BG − S ∞
X ∞ 4 4
X − X (k )
La solución de esta desigualdad es, k >
(
ln 5 × 10 −3 )
= 18.4... , así que
∞
< 5 × 10− 3
 3 X ∞
ln 
 4
(19 )
para todo k ≥ 19 . Calculando X , usando el método de Gauss-Seidel con aproximación inicial
X = (0, 0, 0, 0 ) , se obtiene X = (− 0.2, 1.12, 0.56, 0.84 ) ≈ X . En DERIVE, las iteraciones
( 0) T (19 ) T
en el método de Gauss-Seidel se obtienen con la instrucción

G_SEIDEL ( A , [ 2, − 3, 4, 0], [0, 0, 0, 0], 19 ) .
Cuál es la solución exacta X del sistema dado?
[ ]
En DERIVE, la instrucción RESUELVA_1( A,b) con b := 2, −3, 4,0 simplifica en la solución exacta
T
 1 28 14 21 
X =  − , , ,  del sistema dado.
 5 25 25 25 
Si observa las iteraciones en los dos métodos, puede ver el tipo de convergencia para el método de
Jacobi y compararla con la convergencia para el método de Gauss-Seidel.
¿Cuántas iteraciones serán necesarias, de acuerdo con la teoría, para que al aplicar el método de
= (0, 0, 0, 0 ) , se obtenga una aproximación de la
( 0) T
Gauss-Seidel con aproximación inicial X
solución exacta X del sistema dado con una precisión de por lo menos sus tres primeras cifras
decimales exactas?

TALLER Nº 3b
Problema 1. Considere el sistema lineal
 4 x1 + x 2 + 2 x4 =7
 x + 3x − x
 1 2 3 =3

 − x 2 + 3x 3 + 2 x 4 =4
 2 x1 + 2 x3 + 4 x4 =8
La matriz de coeficientes de este sistema dado es
4 1 0 2
 
 1 3 −1 0
A= 
0 −1 3 2
 
2 0 2 4 
la cual es simétrica (ya que A = A ), y además, al realizar E.G. sobre A, sin intercambio de filas, se
T
obtiene
4 1 0 2 
 11 1
0 −1 − 
 4 2
U = 29 20 
0 0
 11 11 
 28 
0 0 0 
 29 
así que A es una matriz definida positiva. Luego el método SOR converge a la única solución X del
sistema dado, cualquiera sea la aproximación inicial y cualquiera sea el valor de w con 0 < w < 2 . En
particular, el método de Gauss–Seidel converge. Como el método de Gauss–Seidel es convergente,
podemos intentar acelerar la convergencia mediante el método SOR, escogiendo valores de w con
1< w < 2 .
Si iteramos con el método SOR para distintos valores de w, tomando X

(0)
= (0,0,0,0) T y criterio de
aproximación X ( k ) − X ( k −1 ) < 5 × 10 −3 , obtenemos:
∞
w1 = 1.0 ( Gauss-Seidel ): La instrucción en DERIVE para realizar las iteraciones en el método de

Gauss-Seidel es: SOR ( A , [ 7 , 3 , 4 , 8] , 1.0 , [ 0 , 0 , 0 , 0 ] , 15) . Aproximando esta expresión se obtiene
que
X ( 11 ) − X ( 10 ) = 0.0032001 < 5 × 10 −3
∞
Así que
X (11) = (1.00185 , 1.00183, 1.00415, 0.996993) ≈ X .
T
w1 = 1.1 : En este caso, la instrucción en DERIVE para aproximar las iteraciones es

SOR ( A , [ 7 , 3 , 4 , 8] , 1.1, [ 0 , 0 , 0 , 0 ] , 15) . Aproximando esta expresión, se obtiene que

SOLUCIÓN NUMERICA DE SISTEMAS DE ECUACIONES
X (9 ) − X (8 ) = 0.00421927 < 5 × 10 −3
∞
Así que
X (9 ) = (1.0009 , 1.0019 , 1.00308 , 0.99823) ≈ X .
T
w1 = 1.5 : En este caso, la instrucción en DERIVE es SOR ( A , [ 7 , 3 , 4 , 8] , 1.5 , [ 0 , 0, 0 , 0 ] , 15) .

Aproximando esta expresión , se obtiene que
X ( 13 ) − X ( 12 ) = 0.00242674 < 5 × 10 −3
∞
Así que
X (13) = (1.00188, 1.00021, 1.00265 , 0.997921) ≈ X .
T
Podemos intentar estimar el valor óptimo de w (es decir, el que produce mayor rapidez de convergencia
en el método SOR), encontrando la parábola que interpola los puntos (w1 , N 1 ) , (w2 , N 2 ) , (w3 , N 3 ) ,
donde N k indica el menor numero de iteraciones en el método SOR, para el valor dado w k , que fueron
necesarias para que se satisficiera el criterio de aproximación dado, es decir, interpolamos los puntos
(1.0 ,11), (1.1, 9 ) y (1.5,13) .
[[ ][
En DERIVE, la instrucción POLY _ INTERPOLAT E ( 1.0 , 11 , 1.1, 9 , 1.5, 13 ][ ] ] , w) , simplifica en
el polinomio p (w ) = 60 w − 146 w + 97 .
2
Encontramos ahora el valor de w op para el cual la parábola p(w) alcanza el valor mínimo (si existe en el
intervalo [1, 2 ) ). En este caso: p' (w ) = 120w − 146 = 0 ⇔ w =

146
= 1.2166... . Luego concluimos, de
120
acuerdo con estos resultados, que el valor optimo de w estará cerca de 1.2 . Si iteramos con el método
(k )
SOR para el valor w = 1.2 y criterio de aproximación X − X (k −1) < 5 × 10 −3 , obtenemos que
∞

X (8 ) − X (7 ) = 0.00192307 < 5 × 10 −3
∞
Así que
X (8 ) = (0.99878 , 0.999525, 0.998069 , 1.00135) ≈ X = (1,1,1, 1)
T T
Observe la convergencia en el caso de w = 1.2 .
Problema 2.. Utilicemos el método de Punto Fijo y el método de Newton-Raphson (si es posible) para
resolver el sistema no lineal
x2 − y 2 = 4  f  f 1 (x , y ) = x 2 − y 2 − 4 
 −x  F (X ) = 0 , con F =  1  , 
e + xy = 1

  f2  f 2 (x , y ) = e − x + xy − 1 
Solución: Empezamos graficando las ecuaciones x − y

2 2
= 4 y e − x + xy = 1 (que son los trazas en el
plano xy de las superficies z = f 1 (x , y ) y z = f 2 (x , y ) ) en un mismo plano coordenado. En DERIVE
editamos las expresiones x − y = 4 y exp (− x ) + xy = 1 y luego ejecutamos Plot-(Overlay)-Plot.
2 2
Haciendo esto, se obtiene la siguiente gráfica:
x2 − y 2 = 4
α De acuerdo con la gráfica, el

sistema dado tiene una única
solución α ≈ (2 , 0.4 ) = X
(0 )
e − x + xy = 1
1. MÉTODO DE PUNTO FIJO: Transformamos el sistema F ( X ) = 0 en otro equivalente del tipo

X = G (X ) .
Observando las posiciones dominantes de las variables x y y , de acuerdo con la solución buscada,
obtenemos el siguiente sistema:
x2 − y2 = 4 ⇒ x = 4 + y2 , x ≥ 0

 −x 1 − e −x
 e + xy = 1 ⇒ y = ,x≠0
 x

Luego uno de los sistemas X = G (X ) es:
 x = 4 + y2

( g (x , y ) =
1 4 + y2 )
 1 − e −x  1 − e −x 
 y =  g 2 ( x , y ) = 
 x  x 
{ }
g 1 (x , y ), g 2 (x , y ) son continuas en D = (x , y )∈ R 2 / x > 0 : Semiplano derecho (abierto)
∂g 1 ∂g 1 y ∂g 2 1 e
−x
e −x ∂g 2
=0 ; = ; =− 2 + 2 + ; =0
∂x ∂y 4 + y2 ∂x x x x ∂y
son continuas en D .
Podemos aplicar el método de Punto Fijo para aproximar la raíz α. Si tomamos, aproximación inicial
X (0)
= (2 , 0.4 ) y criterio de aproximación X (k )
−X (k −1) −4
< 5 × 10 , obtenemos:
∞
X (4 ) − X (3) = 2.03098 × 10 −4 < 5 × 10 −4 , así que X (4 ) = (2.04477 ,0.425734 ) ≈ α

∞
La instrucción en DERIVE para iterar con el método de Punto Fijo es:
([ ( ) ]
FIXED _ POINT SQRT 4 + y 2 , (1 − EXP (− x )) / x , [x , y ] , [2 , 0.4 ] , 10 : approX )
2. MÉTODO DE NEWTON_RAPHSON: Primero que todo escriba el sistema dado en la forma:
 f 1 (x , y ) = 0

 f 2 (x , y ) = 0
En este caso, f 1 (x , y ) = x − y − 4 ; f 2 (x , y ) = e
−x
2 2
− xy − 1 .
∂f 1 ∂f 1 ∂f 2 ∂f 2
= 2x ; = −2 y ; = −e − x − y ; = −x
∂x ∂y ∂x ∂x
 ∂ 2 f1 ∂2 f1 ∂ 2 f1 ∂ 2 f1 ∂ 2 f 2 ∂2 f2 ∂2 f2 ∂2 f2 
 2 = 2 ; = −2 ; =0= ; =e ;
−x
=0; = −1 = 
 ∂x ∂ y 2
∂ x∂ y ∂y ∂ x ∂ x 2
∂ y 2
∂ x ∂y ∂ y ∂ x 
f1 (x , y ) , f 2 (x , y ) y todas las derivadas parciales de orden ≤ 2 de f1 (x , y ) y f 2 (x , y ) son continuas

en todo R . Podemos explicar el método de Newton_Raphson para aproximar la solución α .
2
Tomando X
( 0)
= (2 , 0.4 ) y criterio de aproximación X (k ) − X (k −1) < 5 × 10 −4 , obtenemos:
∞
X (3) − X (2 ) = 5.27327 × 10 −6 < 5 × 10 −4

∞

Así que X
( 3)
= (2.04481 , 0.425757 ) ≈ α .
La instrucción en DERIVE para iterar con el método de Newton-Rapshon es en este caso:
NEWTONS ( [x 2
] )
− y 2 − 4 , e − x + xy − 1 , [x , y ] , [2 , 0.4] , 1 : approX
Problema 3 Considere el polinomio p (x ) = 3 x − 7 x − 5 x + x − 8 x + 2 .

5 4 3 2
a) Haga una gráfica que ilustre cuantas raíces reales tiene la ecuación p (x ) = 0 .
Solución: La gráfica del polinomio p (x ) = 3 x − 7 x − 5 x + x − 8 x + 2 es como se indica en la

5 4 3 2
figura siguiente:
y = p (x )
α1
α2 α3 De acuerdo con la gráfica, la ecuación
p (x ) = 0 tiene tres raíces reales y dos
complejas no-reales
b) Aplique el método de Bairstow y Deflación para aproximar todas las raíces de la ecuación p (x ) = 0 .
Use como criterio de aproximación u (k ) − u ( k −1) < 10 −3 y v (k ) − v (k −1) < 10 −3 , es decir,
(u ( ) , v ( ) ) − (u (
k k k −1)
, v ( k − 1) ) ∞
< 10 −3
Solución: Teniendo en cuenta que α1 ≈ −1 , α2 ≈ 0 y α3 ≈ 3 , podemos escoger valores iniciales de u

y v , como sigue:
(x − 0 )(x − 3) = x 2 − 3 x ≡ x 2 − ux − v ⇒ u 0 = 3, v 0 = 0
La instrucción en DERIVE para aproximar u y v en el método de Bairstow es:
BAIRSTOW ( p (x ) , x , 3 , 0 , 10) : approX
Aproximando esta expresión, obtenemos X (4 ) − X (3) = 7.98737 × 10 −5 < 10 −3 , así que

∞
(
X (4 ) = (3.19947 , − 0.725057 ) = u (4 ) , v (4 ) ≈ (u , v ) )

Luego un factor cuadrático aproximado de p (x ) es x − 3.19947 x + 0.725057 .

2
Las raíces de
x − 3.19947 x + 0.725057 = 0 son α2 ≈ 0.245447 , α3 = 2.95402 .
2
Usamos Deflación, y obtenemos
q (x ) = 3x 3 + 2.59840 x 2 + 1.13836 x + 2.75816
La instrucción en DERIVE para obtener el cociente en la división de p (x ) por el factor aproximado

x 2 − 3.19947 x + 0.725057 es
(
QUOTIENT p (x ), x 2 − 3.19947 x + 0.725057 : approX)
Al graficar este polinomio q (x ) , vemos que α1 es raíz de q (x ) = 0 . Si aplicamos nuevamente, el
método de Bairstow, pero al polinomio q (x ) con aproximación inicial u 0 = 1 , v 0 = 0 , obtenemos
X (4 ) − X (3)
∞
( )
= 3.33331 × 10 −5 < 10 −3 . Así que X (4 ) = (0.327441,−0.770279 ) = u (4 ) , v (4 ) ≈ (u , v )
( La correspondiente instrucción en DERIVE es BAIRSTOW (q (x ), x , 1, 0 ,10 ) : approX ).
Luego un nuevo factor cuadrático aproximado de q (x ) es: x − .327441x + 0.770279 . Las raíces de
2
x 2 − .327441x + 0.770279 = 0 son: α4 ,5 ≈ ±0.665460 i .

Aplicando nuevamente Deflación pero al polinomio q (x )
( )
( QUOTIENT q (x ) , x − 0.327441 + 0.770279 : approX ), se obtiene en 3x + 2.5984 , y la raíz de
2
3x + 2.5984 = 0 es α1 ≈ −0.866133 .

TALLER Nº 4
Problema 1. Use la forma de Newton del polinomio interpolante para encontrar los polinomios
interpolantes más apropiados de grado uno y dos para aproximar f 0.4 a partir de los datos de la ( )
siguiente tabla, y calcule la aproximación en cada caso. Si la función que se está aproximando es
ex
f (x ) = , analice la calidad de las aproximaciones y concluya, si es posible, cuál es la mejor
x
aproximación.
xk 0.1 0.3 0.5 0.7 1.0

f (x k ) 11.052 4.4995 3.2974 2.8768 2.7183
Solución: grado uno (interpolación lineal): Como 0.4 equidista de 0.3 y 0.5 , hay dos posibilidades
igualmente apropiadas:
a) Con x0 = 0.3 , x1 = 0.5 y la forma progresiva: Utilizando DERIVE, empezamos construyendo la

matriz M := [ [0.3, 4.4995], [0.5,3.2974] ] y aproximamos la instrucción DIFERENCIAS_DIV(M), con
lo cual obtenemos los coeficientes f [0.3] y f [0.3, 0.5] del polinomio interpolante:
p1 (x ) = f [0.3] + f [0.3, 0.5](x − 0.5) = 4.4995 − 6.0105(x − 0.3) ≈ f (x ) para x ∈ [0.3, 0.5]
( ) ( )
Así que f 0.4 ≈ p1 0.4 = 3.89845 (debe darse como respuesta f (0.4 ) ≈ 3.8985 debido a la
precisión de los datos en la tabla dada).
b) Con x0 = 0.3 , x1 = 0.5 y la forma regresiva: Utilizando DERIVE, intercambiamos las filas en la
matriz M anterior y aproximamos la instrucción DIFERENCIS_DIV(nueva matriz), con lo cual
[ ]
obtenemos 3.2974, − 6.0105 , así que el polinomio interpolante es ahora
p1 (x ) = f [0.5] + f [0.3, 0.5](x − 0.5) = 3.2974 − 6.0105(x − 0.5) ≈ f (x ) para x ∈ [0.3, 0.5]
Así que f (0.4 ) ≈ p1 (0.4 ) = 3.89845 (igual que en el caso anterior debe darse como respuesta
f (0.4 ) ≈ 3.8985 ). Observe que p1 (0.4 ) = p1 (0.4 ) , como era de esperarse.
Como f (0.4 ) = 3.72956... , en este caso el error real en la aproximación obtenida es
E (0.4 ) = f (0.4 ) − p1 (0.4 ) = −0.1688...
Grado dos: Hay dos posibilidades igualmente apropiadas:
a) Tomando los nodos 0.3 , 0.5 y 0.7 y la forma progresiva de Newton ( 0.4 está más cerca de 0.3
[[
que de 0.7 ). Trabajamos ahora con la matriz M := 0.3, 4.4995 , 0.5, 3.2974 , 0.7, 2.8768 . En][ ][ ]]
DERIVE la instrucción DIFERENCIAS_DIV(M) aproxima en el vector
 
4$ #" , −
.4995 $
! 6#.0105 ! " , 9$ !.76875
#! ".
 f [0.3] f [0.3 , 0.5 ] 
f [0.3, 0.5 , 0.7 ]

INTERPOLACIÓN POLINOMIAL
Así que el polinomio interpolante de grado dos es, en este caso
p 2 (x ) = 4.4995 − 6.0105(x − 0.3) + 9.76875(x − 0.3)(x − 0.5) ≈ f (x ) para x ∈ [0.3, 0.7]
y entonces f (0.4 ) ≈ p 2 (0.4 ) = 3.8007625 (debe darse como respuesta f (0.4 ) ≈ 3.8008 ).
El error real es, en este caso, E (0.4 ) = f (0.4 ) − p 2 (0.4 ) = −0.0712... .
b) Tomando los nodos 0.1 , 0.3 , 0.5 y la forma regresiva de Newton ( 0.4 está más cerca de 0.5 que
[[
de 0.1 ). Trabajamos ahora con la matriz M := 0.5, 3.2974 , 0.3, 4.4995 0.1,11.052 . En ][ ][ ]]
DERIVE la instrucción DIFERENCIAS_DIV(M) aproxima en el vector
 
3$.2974
#" $ , − 6
!#! . 0105 " $#"  .
, 66 . 88
 f [0.5 ] f [0.3, 0.5 ] f [0.1, 0.3, 0.5 ]

Así que el polinomio interpolante de grado dos para estos nodos es
p 2 (x ) = 3.2974 − 6.0105(x − 0.5) + 66.88(x − 0.5)(x − 0.3) ≈ f (x ) para x ∈ [0.1, 0.5]
y entonces f (0.4 ) ≈ p 2 (0.4 ) = 3.22965 (realmente f (0.4 ) ≈ 3.2297 ).
El error real, en este caso, es E (0.4 ) = f (0.4 ) − p 2 (0.4 ) = 0.499... .
En la siguiente tabla aparecen todas las diferencias divididas necesarias en los cálculos anteriores:
D.D.0 D.D.1 D.D.2

xk f (x k ) = f [x k ] f [x k , x k +1 ] f [x k , x k +1 , x k + 2 ]
0.1 11.052 − 32.7625 66.88
0.3 4.4995 − 6.0105 9.76875
0.5 3.2974 − 2.103
0.7 2.8768
1.0 2.7183
Cuál de todas las aproximaciones calculadas es la mejor?
De acuerdo con los tres resultados obtenidos, y comparando los errores reales, es claro que la mejor
( )
aproximación la dá p 2 0.4 = 3.8007625 . Sin embargo, observe que al comparar p1 0.4 y p 2 0.4 , ( ) ( )
es mejor resultado p1 (0.4 ) (interpolación lineal), y al comparar p 2 (0.4 ) y es mejor p 2 (0.4 ) ,
aproximación p 2 (0.4 ) . Finalmente, al comparar p1 (0.4 ) = p1 (0.4 ) con p 2 (0.4 ) es mejor aproximación
p 2 (0.4 ) .
Cuál es su conclusión, respecto a la calidad de la aproximación al comparar una interpolación lineal con
una cuadrática?

ex
La gráfica de los polinomios y = p1 (x ) , y = p 2 (x ) , y = %p%%2 (x ) y la función f (x ) = junto con los
x
puntos dados es como se indica en la figura siguiente:
y = p 2 (x )
y = p1 (x )
y = p 2 (x )
x
e
y=
x
ANÁLISIS TEÓRICO DEL ERROR EN LA INTERPOLACIÓN
1. Para x ∈ [0.3, 0.5] , el error al aproximar f (x ) mediante p1 (x ) es
E (x ) = (x − 0.3)(x − 0.5) f ′′(ξ (x )) , para algún ξ (x )∈ (0.3, 0.5)

1
2
1 2 2 
Como f ′′(x ) = e x  − 2 + 3  es decreciente y positiva en el intervalo [0.3, 0.5] (Vea la siguiente
x x x 
gráfica), entonces f ′′(x ) ≤ f ′′(0.3) ≈ 74.4922 < 75 para todo x ∈ [0.3,0.5].
y = f ′′(x )

Luego
E (x ) ≤
1
(x − 0.3)(x − 0.5) f ′′(0.3) , paratodo x ∈ [0.3, 0.5]
2
En particular,
E (0.4 ) ≤ (0.4 − 0.3)(0.4 − 0.5) f ′′(0.3) = 0.37... < 0.5 = 5 × 10 −1

1
2
desigualdad que no garantiza alguna cifra decimal exacta de precisión en la aproximación de f (0.4 )
mediante p1 (0.4 ) .
2. Para x ∈ [0.3, 0.7 ], el error al aproximar f (x ) mediante p 2 (x ) es
E (x ) = (x − 0.3)(x − 0.5)(x − 0.7 ) f ′′′(ξ (x )) para algún ξ (x )∈ (0.3, 0.7 )

1
3!
1 3 6 
f ′′′(x ) = e x  − 2 + 3 − 4  es creciente y negativa en el intervalo [0.3, 0.7 ] (vea la figura
6
Como
x x x x 
siguiente), entonces f ′′′(x ) ≤ f ′′′(0.3) ≈ 740.422 para todo x ∈ [0.3, 0.7 ]
y = f ′′′(x )

Luego
E (x ) ≤
1
(x − 0.3)(x − 0.5)(x − 07 ) f ′′′(0.3) para todo x ∈ [0.3, 0.7]
6
En particular
E (0.4 ) ≤ (0.4 − 0.3)(0.4 − 0.5)(0.4 − 07 ) f ′′′(0.3) = 0.37... < 0.5 = 5 × 10 −1

1
6
que no garantiza de error que no garantiza alguna cifra decimal exacta de precisión en la aproximación
( )
de f 0.4 mediante p 2 0.4 . ( )
Problema 2. Encuentre el Trazador cúbico natural que interpola la tabla siguiente:
x −1 0 1 2
y = f (x ) 0 3 11 24
Solución: De acuerdo con la teoría, sabemos que dada una tabla de datos (xk , y k ), k = 0,1,..., n ,
existe un único Trazador cúbico natural T (x) que interpola dicha tabla. Para este caso, tal Trazador es
de la forma

 a 0 + b0 (x − (− 1)) + c0 (x − (− 1)) + d 0 (x − (− 1)) , x ∈ [− 1,0]
2 3
 $!!!!!!!! !#!!!!!!!!! "

p0 ( x )


T (x ) =  a1 + b1 (x − 0) + c1 (x − 0) + d 1 (x − 0) , x ∈ [0,1]
2 3
$!!!!!! !#!!!!!!! "
 p1 ( x )

 a 2 + b2 (x − 1) + c 2 (x − 1) + d 2 (x − 1) , x ∈ [1,2]
2 3
 $!!!!!! !#!!!!!!! "

 p2 ( x )
con a 0 = f (x 0 ) = 0 , a1 = f (x1 ) = 3 , a 2 = f (x 2 ) = 11 y b0 , b1 , b2 , c0 , c1 , c 2 , d 0 , d1 , d 2 son

constantes por determinar.
Utilizando el DERIVE, tal Trazador cúbico natural se obtiene mediante la instrucción:

TRAZADOR [ [− 1,0], [0, 3], [1,11], [2, 24] ] ). Al simplificar esta instrucción, obtenemos
x x 3 + 3x 2 + 5 x + 3   x 3 + 3x 2 + 5 x + 3 , x ∈ [− 1,0]
  
x 3 x 2 + 5 x + 3  , es decir, T (x ) =  3x 2 + 5 x + 3 , x ∈ [0,1] .
x − x 3 + 6 x 2 + 2 x + 4 − x 3 + 6 x 2 + 2 x + 4 , x ∈ [1,2]
 
Utilizando el DERIVE, se puede graficar el Trazador T (x ) con la instrucciones Plot (Overlay) Plot, de la
misma manera que se grafica una función f (x ) , y entrando los dominios correspondientes a cada
polinomio p k (x ), k = 0, 1, 2 , cuando pida los valores X min y X max .
La gráfica obtenida es

y = T (x )
Como ejercicio verifique que, efectivamente, T (x ) satisface todas las condiciones de un Trazador
cúbico natural en el intervalo [− 1, 2]

TALLER Nº 5
1
Problema 1. Use la regla de los Trapecios y Simpson   con 10 subintervalos para aproximar la
3
cuarta parte de la longitud del arco de la elipse:
x2
+ y2 = 1
4
Solución: La elipse es como se indica en la siguiente figura:
1 2
y= 4− x
2
x2 x2 1 dy 1 (− 2 x ) x
Como + y 2 = 1 , entonces y = 1 − = 4 − x2 ; = =− y por tanto
4 4 2 dx 2 2 4 − x 2 2 4 − x2
la longitud del arco de la curva, usando coordenadas cartesianas, es
2
2
 x  2
x2
2
1 16 − 3 x 2
L=∫ 1 +  −  dx = ∫ 1 + = ∫0 2 4 − x 2 dx
0  2 4− x
2 
 0
(
4 4 − x2 )
dx
16 − 3 x 2
Como lim− = +∞ (L es una integral impropia), no se pueden aplicar las reglas de los
x→2 4 − x2
1
Trapecios, ni la regla de Simpson   para aproximar el valor de L ( f (2 ) = ? ); y ya que el único punto
3

INTEGRACIÓN NUMÉRICA
1 16 − 3 x 2
de discontinuidad de la función f definida por f (x ) = para x ∈ [0,2] , está en x = 2
2 4 − x2
2 −ε
1 16 − 3 x 2
(pendiente infinita!), un intento de aproximar L es calculando ∫
0
2 4 − x2
dx con ε > 0 pequeño.
Haciendo los cálculos de esta integral para distintos valores de ε , aplicando las reglas de los Trapecios y
1
Simpson   con N = 10 , se obtienen los resultados que aparecen en la siguiente tabla:
3
1
b = 2−ε Trapecios Simpson  
3
1.9 2.10730 2.09374
1.99 2.57033 2.45433
1.999 3.66209 3.18809
1.9999 7.08111 5.46804
Las instrucciones en DERIVE para los cálculos anteriores, son:
Trapecio( f (x ), x, a, b,10) ; Simpson( f (x ), x, a , b,10 ): approX.
Estos resultados indican que no es una estrategia apropiada la que se intentó para aproximar la longitud
L (Por qué? Observe que f (b ) → +∞ cuando b → 2 − ).
Otra forma de resolver el problema planteado es parametrizando la elipse:
2 2
x2 y2  x  y
+ =1⇔   +  =1
4 1 2  1
Una parametrización de la cuarta parte de la longitud de la elipse indicada en el dibujo es
 x = 2 cos t π
 , 0≤t ≤
 y = sen t 2
En este caso la longitud L viene dada por
π π π
2 2
2
 dx   dy  2 2
L = ∫   +   dt = ∫ (− 2 sen t )2 + (cos t )2 dt = ∫ 4 sen 2 t + cos 2 t dt
0 
dt   dt  0 0
π π π
( )
2 2 2
3
= ∫ 4 1 − cos 2 t + cos 2 t dt = ∫ 4 − 3 cos 2 t dt = ∫2 1 − cos 2 t dt
4
0 0
$
0
!!!#!!! "
integral elíptica de segunda clase

 π
f (t ) = 2 1 − cos 2 t , entonces f es continua en el intervalo finito 0,  , así que se pueden aplicar
3
Si
4  2
1
las reglas de los Trapecios y Simpson   para aproximar la longitud L.
3
b−a π
Si N = 10 , entonces el tamaño de paso es h= = , así que los puntos de la partición en el
N 20
 π π 2π 3π 4π 5π 6π
intervalo 0, 2  son: x 0 = 0 , x1 = , x2 = , x3 = , x4 = , x5 = , x6 = ,
  20 20 20 20 20 20
7π 8π 9π 10π π
x7 = , x8 = , x9 = y x10 = = .
20 20 20 20 2
Al aplicar la regla de los Trapecios, se obtiene:
h π   π   2π   3π   4π   5π 
L≈  f (0 ) + f   + 2  f   + f   + f   + f   + f  
2 2   20   20   20   20   20 
 6π   7π   8π   9π  
f + f  + f   + f   
 20   20   20   20  
  π 
= 2.42211  Trapecio  f (t ), t ,0, ,10  
  2 
1
Al aplicar la regla de Simpson   , se obtiene:
3
h π   π   3π   5π   7π   9π 
L≈  f (0 ) + f   + 4  f   + f   + f   + f   + f  
3 2   20   20   20   20   20 
  2π   4π   6π   8π  
+2 f + f  + f   + f   
  20   20   20   20  
  π 
= 2.42211  Simpson  f (t ), t ,0, ,10  
  2 
f (t ) = 2 1 − cos 2 t , ejecutamos la
3
En DERIVE para producir la tabla de valores de la función
4
 3  π π 
instrucción VECTOR t , 2 1 − cos 2 t  , t , 0 , ,  :approX.
 4 2 20 
 
(Con DERIVE: Calculus-Integrate:approX, aplicado a la integral en consideración, produce el valor
aproximado L ≈ 2.42211 )

ANÁLISIS TEÓRICO DEL ERROR EN LA APROXIMACIÓN
I. Regla de los Trapecios: El error total al aplicar la regla de los Trapecios para aproximar el valor
de la longitud del arco L de la elipse es
h3 b−a  π
ET = − Nf ′′(ξ ) = − h 2 f ′′(ξ ) con ξ ∈  0, 
12 12  2
es decir, el error al aproximar L mediante la regla de los Trapecios con N = 10 , es
π
π   π π
2
ET = −  2 f ′′(ξ ) con ξ ∈  0,  ( h = )
 20  12  2 20
3 cos 2 t 3 sen 2 t
f (t ) = 2 1 − cos 2 t , entonces f ′′(t ) =
3
Como − . La gráfica de la función
(3 sen )
3
4 2
t +1 2 3 sen 2 t + 1
y = f ′′(t ) es como se indica en la siguiente figura:
De acuerdo con la gráfica se tiene que Max f ′′(t ) = f ′′(0 ) = 3 , así que
 π
t∈ 0 , 
 2
π  π
2
ET ≤  3 = 0.0096... < 0.05 = 5 × 10 − 2

 20  24
lo que garantiza, despreciando errores de redondeo, que el número 2.42211 aproxima al valor exacto de
L con una precisión de por lo menos una cifra decimal exacta.

1 1
II. Regla de Simpson   : El error total al aplicar la regla de Simpson   para aproximar el
3 3
valor de la longitud del arco L de la elipse es
 π
ET = −
h5 N
f (iv )
(ξ ) = −h 4 b − a f (iv )
(ξ ) con ξ ∈  0, 
90 2 180  2
es decir,
π  π  π
4
E T = −  f (iv ) (ξ ) con ξ ∈  0, 
 20  360  2
f (t ) = 2 1 − cos 2 t , y f (t ) es una función muy complicada, pero su gráfica es como se

3 (iv )
Como
4
indica en figura siguiente:
y= f
(iv )
(t )
entonces Max f
 π
(iv )
(t ) = f (iv )
(0) = 39 , así que
t∈ 0 , 
 2
π  π
4
ET ≤   39 = 2.07... × 10 − 4 < 5 × 10 − 4
 
20 360
lo que garantiza, despreciando los errores de redondeo, que el número 2.42211 aproxima al valor
exacto de L con una precisión de por lo menos tres cifras decimales exactas (4, 2, 2).
1
Otros resultados obtenidos utilizando las reglas de los Trapecios y Simpson   para distintos valores
3
de N son

1
N Trapecios Simpson  
3
10 2.42211 2.42211
20 2.42211 2.42211
6 2.42211 2.42215
4 2.42210 2.42283
Problema 2. a) Utilice el método de los coeficientes indeterminados para generar una fórmula de
integración numérica del tipo
f (x )dx ≈ ∑ A j f (x j )
1 n
∫
0 j =1
que sea exacta para todos los polinomios de grado menor o igual que cuatro.
Solución: De acuerdo con ele método de los coeficientes indeterminados, la fórmula buscada es del tipo:
∫ f (x )dx ≈ $f (0!
) +!B!f!
(1 ! ) +!C! (1 ! ) +!D!f !
(3 ! ) +!E!f!
(1)
1
A! / 4! f# / 2! / 4!
0 ! "
Formula
donde A, B , C y D son coeficientes por determinar. Ahora bien, la fórmula buscada será exacta para
todos los polinomios de grado ≤ 4 si y solamente si es exacta para las funciones polinómicas básicas de
grado ≤ 4 : 1, x , x , x y x .
2 3 4
Luego las siguientes ecuaciones permitirán determinar los coeficientes A, B , C , D y E :
 1 
E T (1) = 0 ⇔ A ⋅ 1 + B ⋅ 1 + C ⋅ 1 + D ⋅1 + E ⋅ 1 = 1  = ∫ 1dx 
↑
f (x )≡1  0 
 1 
E T (x ) =
1 1 3 1
0 ⇔ A ⋅ 0 + B ⋅ + C ⋅ + D ⋅ + E ⋅1 =  = ∫ xdx 
↑ 4 2 4 2  
f (x )= x  0 
 1 2 
( )
ET x 2 =
↑
0 ⇔ A⋅ 0 + B ⋅
1
16
1 9
+ C ⋅ + D ⋅ + E ⋅1 =
4 16
1
3
 = ∫ x dx 
 
 0 
f (x )= x 2
 1 3 
( )
ET x 3 =
↑
0 ⇔ A⋅0 + B ⋅
1
64
1 27
+ C ⋅ + D ⋅ + E ⋅1 =
8 64
1
4
 = ∫ x dx 
 
 0 
f (x )= x 3
 1 4 
( )
ET x 4 =
↑
0 ⇔ A⋅0 + B ⋅
1
256
1
+C⋅ + D⋅
16
81
256
+ E ⋅1 =
1
5
 = ∫ x dx 
 
 0 
f (x )= x 4
El sistema lineal resultante de 5 ecuaciones en las 5 incógnitas A, B , C , D y E tiene solución única.

Para trabajar en DERIVE, primero defina f (x ) := 1 , y

FORMULA := A f (0) + B f (1 / 4 ) + C f (1 / 2 ) + D f (3 / 4 ) + E f (1).
Si simplifica la formula para cada una de las funciones polinómicas básicas de grado ≤ 4 : f (x ) := 1 ;
f (x ) := x ; f (x ) := x ; f (x ) := x : f (x ) := x , se obtiene la expresión del lado izquierdo de cada
2 3 4
una de las ecuaciones listadas antes.
Se resuelve el sistema lineal resultante en la instrucción:

( [
RESUELVA _ I M , 1, 12 , 13 , 14 , 15 : Simplify, siendo ]) M la matriz de coeficientes del sistema.
Tal solución es:
7 16 32 2 12 16 32 7
A= , B= = , C= = , D= = , E= .
90 45 90 15 90 45 90 90
Luego la fórmula obtenida es:
∫ f (x )dx ≈ 90 [7 f (0) + 32 f (14) + 12 f (12) + 32 f (34)+ 7 f (1)]

1
0
que es exacta para todos los polinomios de grado ≤ 4.
b) Verifique que la fórmula obtenida es exacta para todos los polinomios de grado 5.
Solución: Como la fórmula obtenida es exacta para todos los polinomios de grado ≤ 4 , entonces para
verificar que la fórmula es exacta para todos los polinomios de grado 5 es suficiente verificar que la
formula es exacta para el polinomio básico de grado 5, x5 :
1 1   1 15360 
( )
5 5 5
1 1 3
1
∫0 x5
dx = =  7 (0 ) + 32  + 12   + 32   + 7 (1)5
=   = FÓRMULA x 5
6 90  4 2 4  90  1024 
La fórmula NO es exacta para todos los polinomios de grado 6, pues
( )
1
1 55
∫x dx = ≠ = FÓRMULA x 6
6
0
7 384
c) Aproxime ln 2 , usando la fórmula obtenida en a) y calcule el error que se comete en la aproximación:

2
dx , y la formula obtenida esta definida para integrales en el intervalo [0,1],

1
Solución: Como ln 2 = ∫
1
x
empezamos definiendo el siguiente cambio de variable x = t + 1 , dx = dt , con lo cual
 1 
2 1
1 1
ln 2 = ∫ dx = ∫ dt ≈ FÓRMULA  
1
x 0
t +1  t +1
       
      
1  1  1  1  1   1  4367
=  7  + 32 + 12 + 32 + 7  = = 0.693174603...
90   0 + 1  1  1   3   1 + 1  6300
  +1  +1  +1 
4  2  4 

El error real es tal que

4367 4367
Error real = ln 2 − = 2.68... × 10 − 5 < 5 × 10 − 5 , lo que asegura que aproxima a ln 2
6300 6300
con sus primeras 4 cifras decimales exactas, que son 6, 9, 3 y 1.

TALLER N°°6
Problema 1. Un proyectil de masa m = 0.11 kg se lanza verticalmente hacia arriba desde el suelo con
()
una velocidad inicial v 0 = 8 m seg y se va frenando debido a la fuerza de la gravedad y a la resistencia
del aire que suponemos proporcional al cuadrado de la velocidad en cada instante t ( g = 9.8 m ,
seg 2
constante de proporcionalidad k = 0.002 kg m )
a) Demuestre que la ecuación diferencial para la velocidad v (t ) del proyectil, en cada instante t , es:
− mg − k (v(t ))2 ,

m v ′(t ) = 
mientras el proyectil está subiendo
− mg + k (v(t ))2 , mientras el proyectil está bajando
Demostración: Sea x (t ) la posición del proyectil, respecto al nivel del suelo, en el instante t . Entonces
x (0) = 0 m .
x ′(t ) = v (t ) es la velocidad del proyectil en el
instante t, x ′(0) = v (0 ) = 8 m seg .
Las fuerzas que actúan sobre el proyectil son:
Fg = − mg (fuerza de gravedad, contraria a la
dirección del movimiento cuando el proyectil va
subiendo. Dirección positiva hacia arriba).
Fr = − k (v (t )) (Fuerza debida a la resistencia
2
del aire, contraria a la dirección del movimiento en

. todo instante t .
De acuerdo con la 2ª ley de Newton: FTOTAL = Fg + Fr = mx ′′ (t ) = mv ′ (t ) siendo m la masa del

proyectil y x ′′(t ) la aceleración del proyectil, Entonces:
mv ′(t ) = − mg − k [v(t )]
2
ó
v ′(t ) = − g − [v(t )] , 0 ≤ t ≤ t M !
k 2
m
Siendo t M el tiempo donde se alcanza la altura máxima.
FTOTAL = Fg + Fr = − mg + k [v(t )]
2
⇑
mv ′(t )
∴ v ′(t ) = − g +
k
[v(t )]2 , t M ≤ t ≤ T "
m
T tiempo que tarda el proyectil.
Las ecuaciones ! y " se pueden recoger en una sola ecuación, como sigue:

SOLUCION NUMERICA DE P.V.I. PARA E.D.O.
Mientras el proyectil está subiendo v(t ) ≥ 0 para todo t con 0 ≤ t ≤ t M , x(t ) es creciente, es decir,
x′(t ) = v(t ) ≥ 0 ; cuando el proyectil está bajando v(t ) ≤ 0 para todo t con t M ≤ t ≤ T , x(t ) es
decreciente, es decir, x ′(t ) = v (t ) ≤ 0 .
v (t ) v (t )
Para el caso ! = 1 , v(t ) > 0 ; para el caso " = −1 , v(t ) < 0 .
v (t ) v (t )
Luego las E.D. ! y " se pueden recoger en el modelo:
v ′(t ) = − g − v (t ) v (t )
k
m
La función v (t ) v (t ) es claramente continua en [0, T ], en particular, es continua en t ≡ t M

( lim v (t ) v (t ) = 0 = v (t M ) v (t M ) )
t →tM
b) Demuestre que el problema de valor inicial


v ′ = − g − v (t ) v (t ) , 0 ≤ t ≤ T
k
 m
v (0) = 8
correspondiente a la situación descrita en el enunciado del problema tiene solución única en el intervalo
[0, T . ]
Demostración: Para este problema de valor inicial tenemos que
f (t , v ) = − g − v (t ) v (t ) = −9.8 − v (t ) v (t ) = −9.8 − v (t ) v (t )
k 0.002 1
m 0.11 55
que es continua en D = { (t , v ) / o ≤ t ≤ T , v ≤ 8 } ( D es un conjunto convexo; v ≤ 8 , pues

físicamente la velocidad máxima que alcanza el proyectil es su velocidad inicial ).
∂f (t , v ) 2 v (t )
=− ( Verifíquelo! ) que esta definida en D , y como
∂v 55
∂f (t , v ) 2v (t )
= L , para todo (t , v )∈ D
2 16
= − ≤ 8=
∂v 55 55 55
entonces el problema de valor inicial dado tiene solución única en el intervalo [0, T ].
c) Utilice el método de Runge-Kutta de orden 4 para estimar la velocidad del proyectil en cada uno de
los instantes 0.1, 0.2 , 0.3, 0.4 , 0.5, ..., 1.0 segundos, tomando como tamaño de paso h = 0.1 .
Solución: Haciendo los cálculos de las aproximaciones en el método de Runge-Kutta utilizando el

DERIVE (precisión 6 dígitos), se obtiene

tK VK
(∗) V K ≈ v (t K ) , k = 0 , 1, 2 , ..., 10
Los resultados que aparecen en la tabla anterior se obtienen en DERIVE, aproximando la expresión
d) Estime el tiempo para el cual el proyectil alcanza la altura máxima y empieza a caer.
Solución: De acuerdo con los resultados de la tabla anterior, como v (0.7 ) ≈ 0.844542 > 0 y
v (0.8) ≈ −0.135820 < 0 , entonces en el intervalo de tiempo [0.7 , 0.8] el proyectil alcanza su altura
máxima, es decir , existe t M ∈ [0.7 , 0.8] tal que v (t M ) = 0 .
Para estimar el tiempo t M en el cual ocurre v (t ) = 0 , usamos por ejemplo, interpolación lineal inversa.
El polinomio de interpolación lineal para aproximar la velocidad en el intervalo [0.7 , 0.8] , se puede
obtener a partir de los puntos (0.7 , 0.844542 ) y (0.8, − 0.135820 ) . Tal polinomio es:
p1 (t ) = 7.70707 − 9.80362t ≈ v (t ) , t ∈ [0.7 , 0.8]
(una instrucción en DERIVE para obtener el polinomio anterior es

NEWTON _ POLY ([ [0.7 , 0.844542], [0.8, − 0.135820] ] ) : approX ).
Nos interesa encontrar t tal que p1 (t ) = 0 . Si resolvemos p1 (t ) = 0 para t ( soLve ), se obtiene

tM ≈ 0.786145 , que es un valor aproximado de t para el cual v (t ) = 0 . Se puede mejorar este
resultado?
e) Estime la altura máxima alcanzada por el proyectil.
Solución: Bastaría estimar x (0.786145) . Como tenemos información de v (t ) = x ′(t ) , podemos usar
0.786145 0.786145
x (0.786145) − x (0) = ∫ x ′(t )dt = ∫ v(t )dt
0 0
Considerando la tabla de valores:

SOLUCION NUMERICA DE P.V.I. PARA E.D.O.
tK V K ≈ v (t K )
En situaciones como estas, donde los puntos de la

partición no están igualmente espaciados (ver último punto
en la tabla) se pueden usar varias instrucciones en
DERIVE para aproximar la integral a partir de los puntos
dados.
Algunas de ellas son:
• TRAPECIO _ DATA(M ) : approX : Usa la regla de los trapecios para integrar los puntos de la
matriz M ( por cada dos datos consecutivos [x k , y k ], [x k +1 , y k +1 ] hace pasar el correspondiente
polinomio de interpolación lineal ). En este caso se obtiene el valor 3.08651 , así que
x(0.76145) ≈ 3.08651 ≈ altura máxima alcanzada por el proyectil.
1
• SIMPSON _ DATA(M ) : approX : Usa la regla de Simpson   para integrar los puntos de la
3
matriz M ( por cada tres puntos consecutivos [x k , y k ], [x k +1 , y k +1 ] , [x k + 2 , y k + 2 ] hace pasar el
correspondiente polinomio de interpolación de grado ≤ 2 ). En este caso se obtiene el valor
3.07710 ≈ altura máxima alcanzada por el proyectil.
• INT _ DATA(∗) : approX ; En este caso (∗) es la matriz de resultados obtenida al aplicar el
método de Runge_Kutta, y al aproximar esta instrucción obtenemos una tabla de valores que
() ()
permiten aproximar a una antiderivada x t de v t , teniendo el valor 0 en el punto t 0 , V 0 . Para ( )
tal aproximación usa la regla de los Trapecios. Si hacemos tales cálculos obtenemos los resultados
que aparecen en la tabla siguiente:
tk Xk
X k ≈ x (t k ) , k = 0, 1, ..., 10
t M ≈ 0.786145 ∈ [0.7 ,0.8]
Haciendo, por ejemplo, interpolación lineal usando los puntos [0.7, 3.05013] y [0.8, 3.08557] ,
obtenemos x t ( ) = 0.354399 t + 2.80205 . Así que x(0.786145) ≈ 3.08066 ≈ altura máxima alcanzada
por el proyectil.

Nota: la E.D. !: v ′(t ) = − g −

k
[v(t )]2 , 0 ≤ t ≤ t M , se puede resolver por separación de variables :
m
1
∫ 0.002 2
dv = − ∫ dt
9.8 + v
0.11
De donde
5 11  11 
tan −1  v  = −t + c , c constante arbitraria.
7  77 
 8 11 
v(0) = 8 , entonces c =
5 11
Como tan −1   . Luego la solución del P.V.I. correspondiente viene

7  77 
definida implícitamente en la ecuación
5 11  11  5 11  8 11 
tan −1  v  = −t + tan −1  ,

7  77  7  77 
y entonces encontrar t para el cual v(t ) = 0 da como solución
5 11  8 11 
t=c= tan −1   ≈ 0.786139 .

7  77 
Compare con el resultado obtenido anteriormente.

MÉTODOS NUMÉRICOS
EJERCICIOS SOBRE ERRORES DE REDONDEO Y ESTABILIDAD
1. Una máquina automática guarda los números de la siguiente manera:
a) Usa base diez.

b) Ocupa sendas posiciones (de memoria) para el signo del exponente, su valor, y el signo del
número, y cuatro posiciones para la mantisa normalizada.
i. Dar el número positivo más pequeño que guarda la máquina.

ii. Dar el número positivo más grande que guarda la máquina.
iii. Dar el número que le sigue a:
+ 0 + 8 9 5 9
iv. Listar los cuatro primeros números positivos que distingue la máquina.
v. Listar los cuatro últimos números positivos que distingue la máquina.
vi. ¿ Cuántos números distintos de cero distingue la máquina?
vii. En la forma (0,a) (intervalo de underflow) y (b,+∞ ) (intervalo de overflow), dar a y b .
viii. Responder las siguientes preguntas:
¿ En el conjunto de los números reales R hay un primer número positivo?
¿ R tiene un número finito de elementos?
¿En R cada número tiene un consecutivo?
¿En R cada número tiene expansión decimal finita?
e x − e− x
2. Se define senh x como senh x = . Se pide:
2
x −x
a) Dibujar e y e .
b) Dar una fórmula apropiada para senh x , que sea más conveniente desde el punto de vista
numérico, cuando x es pequeño. Discuta. Justifique.
∞
y su sucesión de sumas parciales {S n }n , n = 1,2 ,... asociada:
1
3. Considere la serie numérica ∑n
n =1
1 1 n 1
S n := 1 + + ... + = ∑
2 n k =1 k
∞
1
Sabemos que ∑n diverge a + ∞ . Si se calculan términos de S n en la máquina hipotética del
n =1
problema 1, se pide dar una cota para detener el proceso antes de que la máquina se detenga por
overflow.
4. Sea N un entero positivo y x∈R , x ≠ 1 . Llame:
G N (x ) := 1 + x + x 2 + ... + x N −1 + x N
y

MÉTODOS NUMÉRICOS
1 − x N +1
Q N :=
1− x
Se sabe que G N (x ) = Q N (x ) , para todo x∈R , x ≠ 1 .

Para r − 1 pequeño, ¿Cuál expresión prefiere para cálculos numéricos de G N (r ) y Q N (r ) ?
Discuta. Justifique.
1 1 1
5. La sucesión 1 ,, 2 ,..., n−1 , ... puede generarse mediante la fórmula de recurrencia:
6 6 6
37 1
xn = x n−1 − x n− 2 , n = 2,3,... con x0 = 1 y x1 =
6 6
1 37
Tomando ≡ 0.166 y ≡ 6.16 , analizar la estabilidad numérica de la fórmula para calcular la
6 6
sucesión. ¿Puede dar una explicación razonable del comportamiento de los cálculos ?
6. Considere la ecuación de segundo grado a x + b x + c = 0 en el caso a = 1 ; b = 111.11 y

2
c = 1.2121 . Resolverla usando la fórmula usual.

¿Tiene completa confianza en su respuesta numérica? Discuta. Justifique.
Calcule el error relativo en su respuesta, usando como valor exacto el que da DERIVE con 20 cifras
decimales en aritmética aproximada.
Dé una forma segura de calcular sus raíces, para el caso particular y el caso general. Recalcule.
−3
7. Representar los números 10 2 , 2 , 10 2 en una máquina que usa t = 5 dígitos de precisión
4
y redondea (round-off). Calcular los errores relativos y absolutos que comete en cada una de estas
representaciones. Analizar los resultados.
(
8. Calcular 1 + 10
−20
)
− 1 10 20 en calculadora, computador y manualmente, analizar sus resultados.
9. Escribir en programa de computador o calculadora que calcule
x − 0.1 ∗ x ∗ 10.0
25000 veces y acumule los resultados parciales de esta operación. Cambie el nivel de precisión de
la aritmética de la máquina y de las constantes que aparecen en la expresión. Analizar los
resultados (para varios valores de x).
10. Dado k entero positivo se tiene la fórmula de recurrencia.
cos (m + 1) x = 2 cos x cos ln x − cos (m − 1) x para m = 1, 2 ,..., k − 1 .
Calcular cos 10 con cien pasos y x = 0.1 rad. Calcular el error relativo en cada paso. Analizar los
resultados. Tomar otros valores de x (0 < x ≤ 0.2 ) .

MÉTODOS NUMÉRICOS
EJERCICIOS SOBRE SOLUCIÓN NUMÉRICA DE UNA ECUACIÓN

NO-LINEAL EN UNA VARIABLE
1. Un medicamento administrado a un paciente produce una concentración en el torrente sanguíneo

t
−
dada por c(t ) = Ate 3
mg / ml , t horas después de que le fueron inyectadas A unidades del
medicamento. La concentración máxima segura de medicamento es de 1mg / ml . Donde sea
necesario, utilice un método numérico apropiado para responder las siguientes preguntas:
a) Qué cantidad de medicamento debe ser inyectada para alcanzar la concentración máxima segura
y cuándo ocurrirá este máximo?
b) Una dosis adicional de este fármaco le será administrada al paciente después de que la
concentración decaiga a 0.25mg / ml . Determine, con un error máximo de un minuto, cuándo
debe ser proporcionada la segunda inyección.
c) Suponiendo que la concentración de las inyecciones consecutivas es aditiva y que el 75% de la
dosis inyectada originalmente se administra en la segunda inyección, ¿cuándo se presenta el
momento para la tercera inyección?
2. Usar un procedimiento iterativo para calcular una aproximación de la menor raíz positiva de la
ecuación 2senπ x − x = 0 . Calcular tres iteraciones.
x
3. Considerar la ecuación tan x = , x ≠ −2 .
x+2
Usar el método de Bisección para estimar la menor raíz positiva de la ecuación, con los resultados
de la tercera iteración. Dar una cota para el error que se comete.
2 π  1
4. Aplicar el método de Newton-Raphson a la ecuación Sen  x  + x 2 − 1 = 0 , tomando x0 = .
2  2
Calcular dos iteraciones para establecer un valor aproximado de la raíz positiva.
5. Para la función f (x ) = e + x − 2 , obtener aproximaciones a todos sus ceros, usando el método

−x 2
de Bisección, con la cuarta iteración. Tabular sus cálculos.
6. El Principio de Arquímedes establece que el empuje a que está sometido un cuerpo sumergido en un
líquido es igual al peso del fluido desplazado.
Al plantear esta condición de equilibrio para una esfera de radio 1 cm y densidad γ = 0.75 gm/cm 3 ,
se consigue la ecuación h − 3h + 3 = 0 , donde h es la altura de la parte de la esfera que está
3 2
sumergida.
Se pide aplicar el método de Newton-Raphson-Horner para estimar un valor aproximado de h,
usando dos iteraciones. Tomar h0 = 1 (valor inicial).

MÉTODOS NUMÉRICOS
7. Considerar la ecuación p
y
(1 − p )n − y
= a para 0 < p < 1 y n > y > 0 . Resolver esta ecuación
para los valores n = 100 , y = 35 y a = 0.147 .
8. Considerar la ecuación
ex − 3x = 0 (1)
a) Estudiar gráficamente la ecuación (1). ¿Cuántas raíces tiene la ecuación dada en [ 0, 4 ]?

b) Justificar que se puede aplicar Bisección a f ( x ) = e − 3 x en [ 0, 1 ] .
x
Hallar una aproximación
a la raíz en [ 0, 1 ] , con tres iteraciones. Dar la cota de error.
1
c) Tomando x0 = , calcular diez iteraciones por el método de Newton-Raphson, aplicado a f.
4
d) Considerar la sucesión { xn } n generada por las iteraciones del método de Newton-Raphson.
Demostrar que si xn  → L , entonces L es una raíz de f (x ) = 0 .
n →∞
1 x
e) Las funciones g1 (x ) = e y g 2 ( x ) = ln 3 + ln x , ¿tienen alguna relación con el cálculo de
3
las raíces de la ecuación (1)?
f) Calcular xn = g1 (x n−1 ) , n = 1,...,10 ; xn = g 2 (x n−1 ) , n = 1,...,10 , para cada una de las
siguientes aproximaciones iniciales: x0 = 0.25 , x0 = 0.40 , x0 = 0.50 , x0 = 1.0 y x0 = 2.0 .
Estudiar los resultados.
9. Considerar la ecuación x − tan x = 0 . Aplicar el método de Newton-Raphson parra calcular dos

π
iteraciones que busquen aproximar la menor raíz positiva de la ecuación. Tomar x0 = . Usar
6
aritmética aproximada truncando en la cuarta cifra decimal. Hacer una gráfica aproximada de
localización de la raíz buscada.
10. Combinar los métodos de Bisección y Newton-Raphson para hallar una aproximación de la menor
raíz positiva de 2 x − 3 x − 4 = 0 .
3
11. Considere la función h(x ) = e

x−1
−x.
a) Probar que h tiene un único cero, determínelo y dé su multiplicidad.

b) Usar el método de Newton-Raphson para aproximar el cero de h con tres iteraciones. Dar la
velocidad de convergencia del método escogido.
12. Considerar la ecuación x − 6 x + 10 = 0 .

2
Al aplicar el procedimiento de Newton-Raphson, ¿qué resultados se consiguen? ¿Tendría el

polinomio raíces reales?

MÉTODOS NUMÉRICOS
13. Considerar la sucesión
1 a 
x n+1 =  x n +  , n = 0,1,2 ,... , donde a > 0 .
2 xn 
a) Pruebe que si la sucesión converge lo hace a a . (Nota: Para a > 0 y x0 > 0 , la sucesión
siempre converge a a ).
b) Calcular el orden de convergencia de la sucesión asumiendo que es convergente.
14. Probar que la función f ( x ) = e − x − 1 tiene un cero de multiplicidad dos en x = 0 .

x
1 2
15. Demostrar que la función f (x ) = e − 1 − x − x tiene uno y sólo un cero, que es x = 0 , dar su
x
2
multiplicidad. Calcular f en valores cercanos a cero. Analizar estos resultados. Si la raíz α = 0 , de
la ecuación dada, fuera desconocida, cuál método numérico utilizaría para calcularla?

2 x3 = 3 x + 4 (2)
a) Demostrar que la función f ( x ) = 2 x − 3 x − 4 tiene un único cero real α en (1, 2 ) .

3
b) ¿Se puede usar Bisección para hallar una aproximación a α ?

c) Convertir el problema de calcular la raíz α de la ecuación (2) en un problema de Punto Fijo en el
intervalo [ 1, 2 ] . Ensayar por lo menos cuatro funciones de iteración en [ 1, 2 ] .
3x + 4
d) Demostrar que la función g ( x ) = 3 es una función de iteración para el problema. Para
2
esta función g, demuestre que:
≤ g (x ) ≤ 3 5 < 2 para todo x ∈ [ 1, 2 ] .

7
i. 1 < 3
2
para todo x ∈ [ 1, 2 ]
1 1
ii. ≤ g ' ( x) ≤
3 200 3 98
iii. La función g satisface las hipótesis del teorema de punto fijo en [ 1, 2 ] . Concluir. Calcular
tres iteraciones del método de Punto Fijo.
17. Considerar la ecuación e − 3 x = 0 . Estudiar la posibilidad de calcular la menor raíz positiva por el
x
e ó g 2 (x ) = ln 3 + ln x en [ 0, 1 ] .
1 x
método de Punto Fijo, con las funciones de iteración g1 (x ) =
3
Si es del caso, para g 2 estudiar el intervalo [ 0.4 , 0.8 ].

MÉTODOS NUMÉRICOS

x 3 − 4x 2 + 5 = 0 (3)
a) Mostrar que g (x ) =
1 3
x + 5 es una función de iteración posible para el problema (3), en el
2
intervalo cerrado [1,2] .
b) Para la función g, en el intervalo [1,2] , examinar cuáles hipótesis del teorema fundamental de
punto fijo satisface. Justificar sus afirmaciones. Sacar conclusiones.
c) Decidir si la sucesión x n+1 = g (x n ) , n = 0,1,2,... converge o no; si lo hace, a qué valor
converge? ¿Depende la convergencia de { xn }n del valor inicial x0 escogido en [1,2]?.
Justificar sus afirmaciones.
3
d) Tomar x0 = , y calcular x1 y x2 a partir de la fórmula en c).
2
19. Considerar la ecuación x + x − 18 = 0 .

3
a) Demostrar analíticamente que la ecuación dada tiene una única raíz real.
b) Comprobar que la función g ( x ) = 3 18 − x es una función de iteración de punto fijo para la
ecuación propuesta.
c) Determinar un intervalo cerrado [ a , b ] donde la función g satisfaga todas las hipótesis del
Teorema Fundamental de Punto Fijo y verificar analíticamente sus afirmaciones.
(Ayuda: Para a y b sirven números enteros).
d) Para un x0 escogido en el interior del intervalo determinado, analizar si la sucesión de iteración
de punto fijo converge o no. Justificar sus conclusiones.
20. Se dispone de una lámina rectangular 10 cm x 16 cm, para construir una caja rectangular sin tapa,
cortando un cuadrado de igual tamaño en cada una de las esquinas. Estimar un posible valor para el
lado del cuadrado de tal forma que el volumen de la caja sea de 100 cm 3 .
21. Las gráficas de las funciones f1 (x ) = e y f 2 (x ) = 100x se cortan en algún punto con abscisa α ,
x 2
con α ∈ [0,1] .
x
a) Mostrar que g (x ) =
1 2
e es una función de iteración de punto fijo para el cálculo de α .
10
b) Verificar que la función g satisface las hipótesis del teorema de Punto Fijo (existencia y
unicidad).
c) Dejar claramente indicadas las operaciones correspondientes a las dos siguientes iteraciones del
método de Punto Fijo aplicado a la función g, tomando x0 = 0 .
d) La escogencia de la aproximación inicial x0 en el intervalo [0,1] influye en la convergencia o
divergencia del proceso iterativo de punto fijo? Justificar su respuesta.

MÉTODOS NUMÉRICOS
22. Encontrar valores aproximados de las coordenadas del punto situado en el primer cuadrante donde
se cortan las gráficas de las ecuaciones x + y = 4 y y = e .
2 2 x
Para ello, usar la técnica de Punto Fijo, tomando como función de iteración a g (x ) =
1
2
( )
ln 4 − x 2 en
el intervalo [0,1] . Verificar que g es una función de iteración de punto fijo posible para resolver el
problema planteado y que, además, cumple las hipótesis del teorema de punto fijo en dicho intervalo.
Concluya sobre la convergencia de la sucesión {xn }n generada por el método de Punto Fijo, y decir
1
hacia dónde converge. Calcular dos iteraciones, tomando x0 = .
2
23. Hallar una aproximación de la menor raíz positiva de la ecuación x − 2 x =0 . Usar dos iteraciones
x
con la técnica de punto fijo. Dar explícitamente un intervalo en el cual la función de iteración g
escogida, satisface las hipótesis del teorema de punto fijo (probarlas!).
24. Usar el método de punto fijo para determinar una aproximación de la raíz positiva de
x − 1 − tan −1 (x ) = 0 , después de tres iteraciones. Verificar que su función de iteración cumple todas
las condiciones del teorema de punto Fijo, en el intervalo elegido por usted.
25. Considerar la ecuación polinómica x + 4 x − 10 = 0 .

3 2
Usar la técnica de punto fijo para determinar una aproximación de su raíz positiva. Determinar un
intervalo apropiado y una función de iteración que satisfagan todas las hipótesis del teorema de
punto Fijo. Calcular cinco iteraciones.
1 a
26. Considerar la función g ( x ) =  x +  , con x > 0 .
2 x
a) Si la función g tiene un punto fijo, ¿cuál sería?

b) Construir un intervalo donde la función g satisfaga las hipótesis del teorema de punto fijo.
c) Para distintos valores de a, calcular varias iteraciones en el método de Punto Fijo.
27. Usar el método de Punto Fijo para calcular una aproximación de la raíz positiva más pequeña de la
−x
ecuación e − cos x = 0 .
28. Demostrar que la ecuación 2 sen π x + x = 0 tiene una única raíz en [ 1 2 , 3 2 ], y utilice el método
de Punto Fijo para aproximar dicha raíz con una precisión de por lo menos sus tres primeras cifras
decimales exactas.
29. El polinomio λ + 2 λ − 18 = 0 es el polinomio característico de una matriz A.

3
Demostrar que
ρ ( A) > 1 , siendo ρ( A) = Máx { ë / ë valor propi o de la matriz A }.

MÉTODOS NUMÉRICOS
SOLUCIÓN NUMÉRICA DE SISTEMAS DE ECUACIONES LINEALES Y

NO-LINEALES
1. Para un sistema de ecuaciones lineales 3 × 3 sometido a procesos iterativos se obtuvieron:
Para el método de Jacobi:
 0 0 1
Matriz de iteración de Jacobi: BJ =  0 0 1 
 
 0 2 0 
 − 13 
Vector de términos constantes independientes: bJ =  0 
 
 3 5 
Para el método de Gauss-Seidel:
0 − 12 1
3 
Matriz de iteración de Gauss-Seidel: BG − S =  0 1
4 − 5 
8
 0 1
16
1 
6
 − 316 
Vector de términos independientes: bG − S =  16 
 − 112 
Se pide:
a) Decidir sobre la convergencia o divergencia de cada uno de los métodos iterativos de Jacobi y
Gauss-Seidel para tal sistema.
b) Calcular BJ 1
, BJ ∞
, BG − S 1
, BG − S ∞
, ρ(BJ ) y ρ (BG − S ) .
1
= 1 , calcular X 1 , en ambos procesos iterativos.
(0 ) ()
c) Tomando como aproximación inicial a X
1
2. Considerar el sistema
 x1 + 2 x 2 + 4 x3 = 15

 4 x1 + x2 + x3 = 9
 2 x + 4 x + x = 16
 1 2 3
a) Reorganizarlo de tal manera que la matriz del sistema sea E.D.D. o lo más parecido a una matriz
de esta forma.

MÉTODOS NUMÉRICOS
b) Obtener paso a paso, en aritmética exacta, las matrices de iteración de los métodos de Jacobi y
Gauss-Seidel. Además, dar las fórmulas matriciales de iteración para ambos métodos.
3. Considerar el siguiente sistema lineal:

 4 x − y + z = −14

− x − 2 y + z = 5
 2 x + y − 4 z = −19

a) Para el sistema dado, obtener la matriz de iteración del método de Jacobi ( BJ ) y el vector de
términos independientes ( bJ ). Concluir si el proceso iterativo de Jacobi converge o no.
Justificar. Utilice aritmética exacta.
b) Para el sistema dado, obtener la matriz de iteración de Gauss-Seidel ( BG − S ) y el vector de
términos independientes ( bG − S ). Concluir si el proceso iterativo de Gauss-Seidel converge o no.
Utilice aritmética exacta.
4. Usar un procedimiento iterativo para aproximar soluciones a sistemas lineales y en el caso del
sistema
 − x + 5 y + z = 18

 3 x + y − z = −2
 x + y − 4 z = −6

calcular dos iteraciones, tomando X = (0 , 0 , 0) . Examinar la convergencia o divergencia del

(0) T
procedimiento iterativo que usted escogió. Conclusión y justificación.
Si cree que es conveniente reorganizar el sistema antes de efectuar cálculos, hágalo. Justificar su
decisión.
5. Para el sistema lineal siguiente:

 3x − 2 y + 5z = 2

 3 x − y − z = −4
 x + 4 y − 2 z = −3

Si alguno de los métodos iterativos de Jacobi y Gauss-Seidel resulta convergente para el sistema
dado, calcule dos iteraciones. Dar la matriz de iteración para los métodos iterativos de Jacobi y
Gauss-Seidel. Justificar la convergencia. Dejar indicadas las sustituciones numéricas antes de
realizar cálculos.
6. Considerar el sistema de ecuaciones lineales

MÉTODOS NUMÉRICOS
4 x1 + x 2 + 2 x4 = 2
 x − 3x + x =− 3
 1 2 3

 x1 + x 2 + 4 x3 + x4 = 4
 x 2 + x3 − 2 x4 = 0
a) Escriba las fórmulas de iteración y la matriz de iteración de los métodos iterativos de Jacobi y
Gauss-Seidel para resolver el sistema dado.
b) Determine, utilizando el procedimiento adecuado, la convergencia o divergencia de los métodos
iterativos de Jacobi y Gauss-Seidel para el sistema dado. Si alguno de los métodos es
(0 )
convergente, calcule 10 iteraciones tomando como aproximación inicial X = 0 y calcule
(10 ) (9)
X −X . Concluya, si le es posible, con cuántas cifras decimales exactas aproxima
∞
(10 )
X a la solución exacta X del sistema dado.
 − x1 + 4 x 2 − x3 = 1

 − x 2 + 4 x3 = 1
 4x − x =1
 1 2
a) Dar una reorganización del sistema para que tanto el método iterativo de Jacobi como el de
Gauss-Seidel sean convergentes. Justificar por qué está seguro de la convergencia.
b) Para el sistema reorganizado, dar las matrices de iteración de los métodos de Jacobi y Gauss-
Seidel.
c) Justificar la convergencia de ambos procesos iterativos mediante un criterio diferente al usado
en a).
d) Tomando X
(0 )
= (0, 0 , 0 )T , dejar claramente indicadas las operaciones para calcular la
siguiente iteración en cada uno de los métodos iterativos de Jacobi y Gauss-Seidel.
8. Reorganizar el sistema
 − x + 4 y − 2z = 7

 − y + 2z = 0
 − 3x −z=2

para que sea E.D.D. o lo más parecido posible. Para los procesos iterativos de Jacobi y Gauss-
Seidel estudiar convergencia o divergencia. Justificar sus respuestas. Calcular dos iteraciones.
Utilice aritmética exacta para los cálculos.
 x1 + 2 x 2 + 4 x3 = 15

 4 x1 + x2 + x3 = 9
 2 x + 4 x + x = 16
 1 2 3

MÉTODOS NUMÉRICOS
a) Reorganizar el sistema dado de tal manera que la matriz del sistema resultante sea EDD o lo
más parecido a esta forma.
b) Obtener paso a paso, con aritmética exacta, las matrices de iteración de los métodos de Jacobi
y Gauss-Seidel. Además, dar las fórmulas matriciales de iteración para ambos métodos.
10. Para resolver un cierto sistema 3 × 3 se obtuvo para Jacobi la matriz de iteración
 0 0 3
BJ =  0 0 4 
 3 4 0 
a) Calcular el polinomio característico de BJ , y con él, sus valores propios. Dar el radio espectral
de la matriz BJ .
b) Las iteraciones de Jacobi convergen? Justificar su respuesta.
11. Para resolver un cierto sistema 3 × 3 se obtuvo para Gauss-Seidel la matriz de iteración
0 1
2 − 13 

BG − S = 0 − 2 3 1 
 6 
 0 0 − 1 9 
y como vector de términos independientes
1
bG − S = 1
1
(1) ( 2)
Tomando X = [1, 0 , 0] , calcular X
(0) T
a) y X . Dejar indicadas las operaciones matriciales
antes de efectuar operaciones.
b) ¿Las iteraciones de Gauss-Seidel convergen? Justificar.

 x1 + 3 x2 + x3 =5

 x 1 + x 2 + 3 x 3 =5
3 x + x + x = 5
 1 2 3
Reordene el sistema dado, si es necesario, de modo que los procesos iterativos de Jacobi y Gauss-
Seidel resulten convergentes, y encuentre la matriz de iteración para cada uno de estos métodos.
Calcular dos iteraciones para cada uno de los métodos, tomando X
(0)
= (0 , 0 , 0)T . Dejar ver
claramente las sustituciones numéricas antes de simplificar.

MÉTODOS NUMÉRICOS
 2x + y =3

10 x + 5 y = 8
a) Demostrar que el sistema dado no tiene solución.
b) Con ayuda de un programa de computador, calcular iteraciones para los métodos iterativos de
Jacobi y Gauss-Seidel. Examinar los resultados numéricos.
14. Demostrar que para todo X ∈ R , se cumple que:

n
a) X ∞
≤ X 2
≤ X 1
b) X 1
≤n X ∞
c) X 2
≤ n X ∞
15. La matriz de un sistema lineal de n-ecuaciones con n-incógnitas es:
 2 −1 
 −1 2 −1 
 
 −1 2 −1 
 
 
 O O O 
 
 
 − 1 2 −1 
 
 −1 2 
Obtener las matrices de iteración para los métodos iterativos de Jacobi y Gauss-Seidel. ¿Serán
estos procesos iterativos convergentes? De serlo, ¿a dónde convergirán?
Hacer cálculos con un sistema 4 × 4 cuya solución sea conocida por usted.
16. Considerar el sistema de ecuaciones
 x − 3z + 5t = 17
 2y − z + 4 w = 17

2 x + 2 y − 5t = 21
 − z + 2w − t = 0

 x + y = 3
a) Mostrar que el sistema tiene solución única.

b) Obtener la matriz de iteración de cada uno de los métodos iterativos de Jacobi y Gauss-Seidel.
c) Decidir sobre la convergencia o divergencia de los métodos iterativos de Jacobi y Gauss-Seidel.

MÉTODOS NUMÉRICOS
d) Calcular un número apropiado de iteraciones (de acuerdo con sus posibilidades de cálculo) para
ambos métodos, analizar los resultados.
17. Considerar el siguiente sistema lineal
 x + 3z = 7

 3 x − y + z = −4
 2y + z = 5

Para el sistema tal como está propuesto:
a) Obtener la matriz de iteración para los métodos iterativos de Jacobi y Gauss-Seidel. Decidir sobre
la convergencia o divergencia de estos métodos iterativos. Justificar teóricamente
(analíticamente) todas sus conclusiones.
b) Reorganizar el sistema dado, si es necesario, de tal forma que el nuevo sistema resulte E.D.D. o
lo más parecido posible. Decidir sobre la convergencia o divergencia de los nuevos procesos
iterativos que se obtendrían para Jacobi y Gauss-Seidel.
18. Escoja uno de los sistemas de ecuaciones lineales propuestos en los ejercicios anteriores y mediante
un programa de computador (escrito por usted, o comercial, o DERIVE), calcular iteraciones con los
métodos iterativos de Jacobi, Gauss-Seidel y SOR. En el caso del método SOR, usar, w = 0.1 ,
w = 0.2 , L , w = 1.9 ; incluso ensaye con w ≥ 2 . Analizar los resultados numéricos obtenidos.
19. Dado el sistema no-lineal de ecuaciones
 x 2 − y 2 = 4
 −x
 e + x y = 1
a) Haga una gráfica que ilustre cuántas soluciones reales tiene el sistema dado.
b) Para una de las soluciones reales, tome como aproximación inicial un punto inicial apropiado de
coordenadas enteras X ( (0)
= x (0 ) ,y ( 0) )
T
y realice todos los pasos necesarios para obtener la
aproximación X = (x , y )
() 1() () 1 1 T
, utilizando el método de Newton-Raphson y el método de Punto
Fijo.
c) Obtenga una aproximación X
(k )
= x ,y (() k (k ) )
T
por medio del computador, iterando hasta que
X (k ) − X (k −1) <10− 3 , utilizando el método de Newton-Raphson y el método de Punto Fijo.
∞
20. Resolver el siguiente sistema no-lineal
 x − senx coshy = 0

 y − cos x senhy = 0
usando como aproximación inicial el punto (0.2, 2.9 ) y el método de Newton-Raphson.

T

MÉTODOS NUMÉRICOS
21. Usar el método de Newton-Raphson para sistemas no-lineales y el método de Punto Fijo para
calcular una aproximación de la solución del sistema
22.
9 x 2 + y 2 = 9
 2
 x + y 2 = 1
(0 ) = (1, 1)T
Tome como X y calcule dos iteraciones. Dejar indicadas las operaciones antes de
realizar cálculos.
23. Aplicar el método de Newton-Raphson y el método de Punto Fijo al siguiente sistema
 x 2 − y 2 − 6x + 8 = 0
 2
 x + 9 y 2 − 18 y − 6 x + 9 = 0
Tome como punto inicial el punto (4, 4) y calcule dos iteraciones. Utilice aritmética exacta para los
cálculos.
24. Considerar el siguiente sistema de ecuaciones no-lineales
 x2 + y 2 − z = 0
 2
x + y + z =2
2 2
 3y + z = 1

a) Usar el método de Newton-Raphson y el método de Punto Fijo para calcular dos iteraciones
tomando (1, 0, 0) como punto de partida.
b) Muestre que (± 1, 0, 0 ) son soluciónes del sistema dado.
c) Usar un programa de computador para realizar los cálculos, tomando varios puntos de partida.
25. Utilizar el Método de Newton-Raphson y el método de Punto Fijo para calcular varias iteraciones, en
los siguientes sistemas:
 x 3 + 3 y 2 = 21
a) 
 x 2 + 2 y + z = 0
 x 2 + x − y 2 = 1
b) 
 y − sen x 2 = 0
 x 2 + y 2 − y = 0
c) 
 x 2 − y 2 − x = 0

MÉTODOS NUMÉRICOS
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL
1. Considere la siguiente tabla, donde x0 ≠ x1 :
x x0 x1
y y0 y1
Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
2. Considere la siguiente tabla
x 0 1 2 4
y 1 1 2 5
¿Cuántos polinomios de grado a lo más tres interpolan la tabla? Justificar su respuesta.
Calcular el polinomio de Newton de grado a lo más tres que interpola la tabla. Hágalo de dos
maneras: Paso a paso (constructivamente) y mediante la tabla de diferencias divididas.
3. Considere la tabla:
x x0 x1
y f ( x0 ) f ( x1 )
Deducir la fórmula para el polinomio de Lagrange de grado uno que interpole la tabla dada.
4. Considere la tabla:
x 0 1 2 4
y = f (x ) 1 1 2 5
Obtener el polinomio de Newton de grado a lo más tres que interpole la tabla dada.
f (x ) = 2 x para x∈(− ∞,∞ ) .

1
5. Considere la función
2
a) Calcular el polinomio p ( x ) que interpola a f (x ) en los nodos x0 = 0 , x1 = 1 , x 2 = 2 y
x3 = 3 .
b) Calcular el error relativo que se comete al aproximar f (3 2 ) mediante p (3 2 ) .
6. El polinomio de Newton p 2 (x ) = 2 x − x (x − 6) interpola la tabla x vs. y

1
9

MÉTODOS NUMÉRICOS
x0 x1 x2
x 0 6 15
y 0 12 15
y0 y1 y2
Se agrega como cuarto nodo a x3 = 30 y y 3 = 0 . Se pide calcular el polinomio de Newton p3 (x )
que interpola la nueva tabla.
Los cuatro puntos de la tabla se obtuvieron de la semicircunferencia de la figura siguiente (radio 15).
Usar la fórmula simple de Simpson (1 3 ) para aproximar el área del semicírculo, con ayuda de los
polinomios p 2 ( x ) y p 3 (x ) . Estudiar la calidad de esta aproximación y concluír. Calcular los errores
relativos.
7. Considere una tabla de 4 entradas, en la que x0 , x1 , x 2 y x 3 son números distintos:
x x0 x1 x2 x3
y y0 y1 y2 y3
Llame y k = f ( xk ) = f k , k = 0 , 1, 2, 3 .
a) Plantear una expresión para el polinomio de grado cero p 0 (x ) que interpola la primera columna
de la tabla. Verificar que p 0 (x ) = y 0 = f 0 = f [x0 ] = c0 .
b) Escriba una expresión para el polinomio de grado a lo más uno, p1 (x ) que interpola las dos
primeras columnas de la tabla, construido a partir de p 0 (x ) .
f1 − f 0
Verificar que p1( x ) = p0 (x ) + f [x 0 , x1 ] (x − x 0 ) donde f [x 0 , x1 ] = =: f01 =:c1
x1 − x0
c) Con la misma idea obtener p 2 ( x ) a partir de p1 (x ) .
Verificar que p 2 (x ) = p1( x ) + f 012 (x − x0 )(x − x1 ) ,donde

MÉTODOS NUMÉRICOS
f [x1 , x 2 ] − f [x0 , x1 ]
=: f [x0 , x1 , x2 ] =: f 012 =:c2
x 2 − x0
Usted notará que la expresión de f 012 no aparece explícita sino que se debe construir.
d) Con la misma metodología obtener p 3 (x ) a partir de p 2 ( x ) .
Verificar que p 3 (x ) = p2 (x ) + f 012 ( x − x0 )(x − x1 ) + f 0123 (x − x0 )(x − x1 )(x − x 2 ) , donde
f [x1 , x 2 , x3 ] − f [x0 , x1 , x2 ]
=: f [x0 , x1 , x2 , x 3 ] =: f 0123 =:c3
x3 − x0
Para efectos de simplificar aún más la escritura se sugiere introducir la notación xi − x j =:x j i .
f 3 − f 0 − f 01 x03 − f 012 x03 x13
Usted notará que le aparece c3:=
x 03 x13 x23
Concéntrese y sea paciente para construir c3 . Por ejemplo, avanzando
( f3 − f2 ) ( f 2 − f1 ) f1 − f 0
f3 − f0 = x23 + x12 + x01 = f 23 x 23 + f 12 x12 + f 01 x01 , etc.
x23 x12 x01
Pero recuerde que también puede retroceder, empezando con la expresión que se dio de c3 .
8. Considere la siguiente tabla, que tiene como elementos
x f (x ) f ′( x ) f ′′( x )
1 2 3
2 6 7 8
Construir la tabla de diferencias divididas. Recordar que debe repetir la fila para x = 1 , y para x = 2
se plantean tres filas. Además, debe usar la definición de diferencia dividida con repetición.
Dar el polinomio de Hermite que ajusta los valores de la tabla dada.
Respuesta: p (x ) = 2 + 3(x − 1) + (x − 1) + 2(x − 1) (x − 2 ) − ( x − 1) ( x − 2)

2 2 2 2
9. Considere la siguiente tabla:
x f (x ) f ' (x )
0 2 −9
1 −4 4
2 44
Usar el método de diferencias divididas con repetición para calcular un polinomio de grado 4 que
ajuste los valores de la tabla. Verificar que su respuesta satisface lo esperado.

MÉTODOS NUMÉRICOS
10. Ampliando la tabla del problema 9 con f (3) = 2 , obtener un polinomio que ajuste la nueva tabla.
Verificar su respuesta.
11. Considere la siguiente tabla:
k xk fk f k′ f k′′
0 0 1 −2 6
1 1 1 0 −8
Usar el método de diferencias divididas con repetición para obtener el Polinomio de Hermite de grado
5 correspondiente que interpola la tabla. Verificar.
12. Lo mismo que en el problema 11, pero para la siguiente tabla:
x y = f (x ) y ′ = f ′ (x ) y ′′= f ′ ( x )
0 1
1 2 3
3 1 2 3
4 2 5 6
13. Usando la Técnica de Hermite, calcular el Trazador Cúbico Sujeto que interpola la tabla:
x y y′
−1 −6 0
0 9
2 6 −1
14. Usando la técnica de Hermite, calcular el Trazador Cúbico Natural que interpola la tabla:
x y
−1 −6
0 9
2 6
15. Calcular el polinomio que interpola la tabla siguiente:
x y y′ y ′′
−1 1
0 −1 0 0
2 7

MÉTODOS NUMÉRICOS
16. Calcular el polinomio que interpola la tabla siguiente:
x y y′ y ′′
-1 -1 4 -6
1 3 4 6
17. Considerar la función T (x ) definida como sigue:

2 x 3 + x 2 − 22 x + 26 , 0 ≤ x ≤1

T (x ) = 7 x 2 − 28x + 28 , 1≤ x ≤3
− 3 3 + 34 2 − 109 + 271 3≤ x ≤4
 x x x ,
Explicar cuáles propiedades cumple y cuáles no cumple T (x ) para ser un Trazador Cúbico natural
de la siguiente tabla:
x 0 1 3 4
y 26 7 7 187
18. Considere la tabla siguiente, en la cual x0 , x1 , x2 , x3 y x4 son números distintos:
x x0 x1 x2 x3 x4
y y0 y1 y2 y3 y4
Con precisión, expresar todas las propiedades que debe tener el Spline Cúbico T (x ) natural, que
interpole la tabla dada.
19. Considerar la siguiente función:
 − 5 x 2 − 11x + 7 , x∈[− 1,0 ]

S (x ) = 
 − 14 x 3 + 27 x 2 − 11x + 7 , x∈[0,1]
a) Inspeccionar si S ( x ) satisface o nó la siguiente tabla: x vs. y :
x y
−1 13
0 7
1 9
b) Determinar si la función S ( x ) es un Trazador Cúbico natural para la tabla dada en a). Precisar
cuáles condiciones se cumplen y cuáles no. Analice y concluya.

MÉTODOS NUMÉRICOS
20. Calcular el Trazador Cúbico natural que interpola la siguiente tabla, x contra y :
x y
0 0
2 −2
3 0
Explicar cada uno de los pasos dados para hallar el Trazador.
21. Calcular el Trazador Cúbico S ( x ) para la tabla siguiente x vs. y:
x −1 1 2
y 0 2 0
que satisfaga S ′(0 ) = −1 y S ′′(2 ) = 0 . Verificar que sus cálculos sean correctos.
22. Calcular el Trazador (Spline) Cúbico natural T que interpola la tabla x vs. y:
x 0 1 3 4
y −1 1 37 67
Usar aritmética exacta para los cálculos. Graficar x vs. T (x ) , x vs. T ′ (x ) , y x vs. T ′′ (x ) .
23. Calcular el Trazador cúbico que interpola la tabla
x 0 1 3 4
y -1 0 26 60
y′ 39
y ′′ 0
24. Considerar la tabla siguiente en la cual xo < x1 < x2 < x3 < x4 :
x x0 x1 x2 x3 x4
y = f (x ) y0 y1 y2 y3 y4
Llame T ( x ) el Trazador (Spline Cúbico) que interpola la tabla dada. Mirando a T ( x ) como una
función, precisar su dominio DT , su Codominio y la regla para calcular T ( x ) con x ∈ DT .
Cuántos coeficientes no conocidos le aparecen en la regla para calcular T( x ) ?
Enuncie las condiciones que le va a imponer a T ( x ) , que permitirán el cálculo de lo no conocido en
T ( x ) . Tiene tantas condiciones como incógnitas?

MÉTODOS NUMÉRICOS
Explique dos maneras usuales de completar las condiciones (Trazador sujeto, Trazador natural).
Dar explícitamente a T ′( x ) y T ′′( x ) .
Hacer gráficas ilustrativas de x vs. T ( x ) , x vs. T ′( x ) y x vs. T ′′( x ) . Completar en los casos
siguientes:
T ( x ) es polinomial de grado ___?____ a trozos.
T ′(x ) es polinomial de grado ___?___ a trozos.
T ′′( x ) es polinomial de grado ___?____ a trozos.
25. Continuación problema 24.
Para obtener el Trazador cúbico que interpola la tabla dada, se seguirá la siguiente estrategia: Como
T ′′( x ) es lineal a trozos, dando por conocida su ecuación, podremos integrar dos veces para
obtener T ( x ) . Simultáneamente, usamos las condiciones sobre T ′(x ) y T ( x ) para obtener las
constantes de integración consiguiendo al final un sistema de n + 1 ecuaciones con n + 1
incógnitas.
Para los datos (x0 , y 0 ) , (x1 , y1 ) ,..., (x n , y n ) desarrolle la idea general anterior así:
Llame
T ′′(x 0 ) = z0 , T ′′( x1 ) = z1 ,..., T ′ (xn ) = z n (1)
se desconocen los números z0 , z1 ,..., zn .
Escriba la ecuación de la recta que pasa por ( xi , z i ) ( )

y xi + 1 , zi + 1 , i = 0, 1,..., n − 1 en un plano
x y . Para x ∈ [xi , xi +1 ] , considere la función pi′′(x ) .
Para x ∈ [xi , xi +1 ] integre dos veces entre xi y x . Verificar que obtiene:
1 zi+1
pi ( x ) = p' i (xi )( x − xi ) + (x − xi )3 + 1 zi (xi + 1 − x )3 + 1 zi hi ( x − xi ) − 1 zi hi 2 + yi .......(2)
6 hi 6 hi 2 6
donde hi = xi +1 − xi .
Calcule pi (xi+1 ) , despeje pi′ (x i ) y sustitúyalo en (2), obteniendo para i = 0, 1, 2,..., n − 1 :
yi +1 − yi
1 1
pi (x ) = z i hi (x − xi ) − z i+1 hi ( x − xi ) +
6 6 hi
1z 1z 1
( )
( x − xi ) + i +1 (x − xi )3 + i xi +1 − x 3 − zi hi 2 + yi
6 hi 6 hi 6
La ecuación anterior se puede escribir en la forma:
y z h 
pi ( x ) =
1 zi
( ) 1z
xi +1 − x 3 + i+1 (x − xi )3 +  i +1 − i+1 i (x − xi )+ zi hi (x − xi ) − i ( x − xi ) − z i hi 2 + yi
1 y 1
6 hi 6 hi  hi 6  6 hi 6
para x ∈ [xi , xi +1 ] , i = 0 , 1,..., n − 1 .

MÉTODOS NUMÉRICOS
Donde sea conveniente cambie x i por su igual xi +1 − hi , para conseguir la expresión
y z h   
pi ( x ) =
1 zi
(
xi+1 − x +
3
)1 z i +1
( x − xi )3 +  i +1 − i +1 i (x − xi )+  zi hi − yi ( x − xi+1 ) (3)
6 hi 6 hi  hi 6   6 hi 
para x ∈ [xi , xi +1 ] , i = 0 , 1,..., n − 1 .
De las condiciones impuestas aún no se ha usado la existencia de la primera derivada en los nodos
interiores x1 , x2 , ..., xn −1 .
Use que pi′−1 (x i ) = pi′ (xi ) , i = 1, 2,..., n − 1 para obtener que
6
( y i+1 − yi ) − 6 ( yi − y i−1 ), i = 1, 2 ,..., n − 1
hi −1 zi −1 + 2(hi−1 + hi )zi + hi zi +1 =
hi hi −1
6
Para i = 1, 2,..., n − 1 , llame ui := 2(hi −1 + hi ) , bi := ( yi +1 − yi ) , vi :=bi − bi − 1 .
hi
Darle valores a i = 1, 2,..., n − 1 para conseguir el sistema de n − 1 ecuaciones lineales en las

n + 1 incógnitas z0 , z1 ,..., zn siguiente:
h0 z0 +u1 z1 + h1 z 2 = v1
 h1 z1 + u2 z 2 + h2 z 3 = v2

 h2 z 2 + u3 z 3 + h3 z 4 = v3
 M

 hn− 2 zn− 2 + u n−1 z n−1 + hn−1 z n = vn−1
En el caso del Trazador Cúbico natural, dar el sistema lineal de n − 1 ecuaciones con incógnitas
z1 , z 2 ,..., zn −1 . Pruebe que la matriz de coeficientes del sistema es E.D.D. por filas. Observar que
el sistema es tridiagonal.
¿Qué haría usted para definir el Trazador una vez conseguidos z1 , z 2 ,..., z n−1 ?
En el caso del Trazador sujeto, se dan como datos y ′0 y y n′ . De la ecuación donde se tiene pi′( x )
para x ∈ [xi , x i+1 ] , i = 0,1,..., n − 1 , obtener:
2h0 z0 + h0 z1 =b0 − 6 y ′0 y hn−1 z n−1 + 2hn−1 z n = − bn−1 + 6 y ′n
Escribir el sistema lineal de n + 1 ecuaciones con las n + 1 incógnitas z0 , z1 ,..., zn . Observe que el
sistema es tridiagonal y la matriz de coeficientes es E.D.D. por filas (probarlo!).
¿Cómo calcular el Trazador sujeto T (x ) ?

MÉTODOS NUMÉRICOS
−x
26. Considere la ecuación x − 9 =0
−x
a) Graficar y = x y y = 9 . En qué intervalo parecen cortarse. Cómo se interpreta esto para la
ecuación dada?
Defina f (x )= x − 9
−x
b) . Construya la tabla de valores de la funcióm f para los números
x0 = 0, x1 = 1 2 y x2 = 1 , y para estos datos haga lo siguiente:
i. Obtenga el polinomio de interpolación de Newton para la tabla.
ii. Use fórmulas del problema (6) para obtener el Trazador cúbico natural que intepola la tabla.
iii. Use las aproximaciones polinomiales, obtenidas en i. y ii. para estimar la raíz de f (x ) = 0 .
En caso necesario, use DERIVE o su calculadora para ayudarse en los cálculos y en la comparación
y discusión de resultados. Las soluciones son:
Para la parte i.: p 2 ( x ) = −1 +

7
3
8
(
x − x x − 12
9
)
13 3 71  1
 9 x + 36 x − 1 , x ∈ 0, 
 2
Para la parte ii. : T (x ) = 
13(1 − x )3 + 65 x − 11 , x ∈  ,1
1
 9 36 12 2 
27. Para la siguiente tabla
x −1 0 1 2
y = f (x ) 0 3 11 24
Calcular el Trazador cúbico natural que interpola la tabla. Seguir los lineamientos del problema 25.
28. Considerar la tabla
x −2 0
y = f ( x) 1 −1
y = f ′ (x ) 2
y = f ′′ ( x ) 1
Usar la técnica de Hermite para obtener el polinomio que interpola la tabla dada.
Si la tabla se completa con f (1) = 2 y f ′ (1) = −1 , calcular el polinomio que cumple con todos los
datos.
28. Los datos de la siguiente tabla corresponden a una cierta función f .

MÉTODOS NUMÉRICOS
x y = f ( x) y ' = f ' ( x)
−1 4 −2
1 4
2 11 12
Analizar si la función T (x ) definida mediante:
 x 2 + 3, − 1 ≤ x ≤ 1
T (x ) =  3
 x + 3, 1 ≤ x ≤ 2
es o no el Trazador cúbico sujeto que interpola la tabla dada de la función f. Indicar cuáles
propiedades satisface y cuáles no.
29. Considerar la siguiente función T:
 1 2 1 3
 − 1 + 2 x + x − x , −2≤ x≤0
T (x ) =  2 2
 −1 + 2 x + 1 2 1 3
x − x , 0 ≤ x ≤1
 2 6
a) Calcular T ' (x ) , T ′′(x ) . Graficar a T (x ) , T ' (x ) y T ′ (x ) .

b) Estudiar si T es el Trazador cúbico natural de la siguiente tabla:
x −2 0 1
y = f ( x) 1 −1 2
29. Calcular el trazador cúbico que ajusta la tabla:
x 0 1 3
y 0 2 2
y' 0 6
30. Discutir el problema de encontrar un polinomio p ( x ) de grado menor o igual que tres, que tome los
valores p (0 ) = 0 , p (1) = 1 y p ′ ( 1 2 ) = 2 . Utilizar dos métodos.
31. Discutir el problema de encontrar un polinomio p ( x ) de grado menor o igual que dos que tome los
siguientes valores: p (0 ) = 0 , p (1) = 1 y p ′ ( 1 2 ) = 2 . Utilizar dos métodos.
32. ¿Qué condición se debe imponer a los nodos x0 y x1 para que el problema de interpolación
p (xi ) = ci 0 , p ′ ( xi ) = ci 2 , i = 0, 1 se resuelva con un polinomio cúbico p ( x ) , para cualquier
escogencia de los valores ci0 , ci 2 ?.

TALLER SOBRE INTEGRACIÓN NUMÉRICA
1. a) Calcular un valor aproximado para la longitud de la curva f ( x) = x 3 desde x = 0 hasta

x = 1 . Hacer un gráfico de la función f. Usar: Regla trapezoidal y Simpson 1
3
.
b) Hacer un cambio de variable que lleve su intervalo de integración al intervalo de la
Cuadratura Gausssiana. Consultar en una tabla de Cuadratura Gaussiana los
coeficientes y los nodos, para n = 1 , n = 2 y n = 3 . Calcular, comparar los resultados.
c) Calcular el valor exacto de la longitud de arco. De ser necesario, usar tablas de
integración. Comparar. Calcular errores relativos.
2. Lo mismo que en el problema 1. pero para la función f ( x) = e − x .

Con relación al literal c), si considera que el valor exacto no lo puede obtener, hallar los tres
primeros términos de la serie de Taylor para el integrando, alrededor de x 0 = 12 . Calcular
y comparar.
3. Formular la integral que da el área de la superficie de revolución que se obtiene al girar la

región bajo la curva y = f ( x) , alrededor del eje x, y para cada una de las siguientes
funciones: f ( x) = x 3 , x ∈ [0,1] y f ( x) = e − x , x ∈ [0,1] .
Proceder en la misma forma que en el problema 1.
4. Calcular un valor numérico para ln 2 , usando una integral.
b
5. Para ∫ f (x )dx deducir: 1) La fórmula trapezoidal simple, y 2) la fórmula para el término de
a
error de esta aproximación.
6. Usar el método de coeficientes indeterminados para deducir la fórmula de Simpson 1 que

3
b
aproxima ∫ f (x )dx .
a
b
7. Expresar ∫ f (x )dx como una integral en [0,1] , usando un cambio de variable lineal (sin
a
cambiar su valor).
8. De una cierta cantidad física Q(t ) , se obtuvo en el laboratorio la siguiente información:
t 0 0.5 1.0 1.5 2.0

Q(t ) 3 2 2.5 2.8 2.9
2
i. Escoger un método para aproximar ∫ Q(t ) dt . Dar la fórmula general de método
0
seleccionado.
2
ii. Hallar un valor aproximado para ∫ Q(t ) dt , usando el método definido en i. Que use los
0
cinco datos dados en la tabla.
iii. Exhibir con claridad el paso que corresponde a la situación numérica en la fórmula.
 1+ x 
1 1 sen 
sent  2 
9. Mostrar que ∫ t
dt = ∫ 1+ x
dx .
0 −1
(x +1)2
1 t2 1 −
1 − 1 e 8
2π ∫ 2π ∫
10. Mostrar que e 2 dt = dx .
2
0 −1
b 1
f (x ) dx = (b − a ) f ∫ (12 (b − a)t + 21 (b + a))dt .
1
11. Mostrar que ∫ 2
a −1
12. Calcular el término de error E para que
b
b −a
∫ f (x )dx = 2
[ f (a) + f (b) ] + E
a
Precisar la fórmula para E, y dar una cota para el error absoluto, correspondiente a E.
Suponer que f(x) tiene sus dos primeras derivadas continuas en [a, b ] .
+∞
x2
13. Usar la regla de Simpson 1
3
para calcular una aproximación de ∫ 1 + x 5 dx .
2
b
14. Deducir la fórmula trapezoidal simple para aproximar ∫ f (x )dx . Dividir el intervalo [a, b ] en
a
N subintervalos, aplicar regla trapezoidal simple en cada uno de los subintervalos, totalizar,
buscar regularidades. Compare lo obtenido por usted con lo que presenta el texto de su
confianza.
1
15. Deducir la fórmula simple de Simpson 1
3
para aproximar ∫ f (x )dx , exigiendo que la fórmula
−1
Af (−1) + Bf (0 ) + Cf (1) sea exacta para polinomios hasta de grado 2. Cómo extiende la
b
fórmula anterior para que sea aplicable para aproximar ∫ f (x )dx ? Continuar con las mismas
a
ideas del problema 14.
2
16. Plantear el sistema de ecuaciones que permite determinar las constantes A, B c y C tales
1
que la fórmula Af (0 ) + Bf (c ) + Cf (1) es exacta para calcular ∫ f (x )dx , cuando f(x) es un
0
polinomio hasta de grado 3. Verificar que los coeficientes y nodos de la regla de Simpson
1 satisfacen el sistema. Existirán otras soluciones?
3
17. Plantear el sistema de ecuaciones que permite determinar las constantes A, B, c, C, d y D

1
tales que la fórmula Af (0 ) + Bf (c) + Cf (d) + Df (1) es exacta para calcular ∫ f (x )dx , cuando
0
f(x) es un polinomio hasta de grado 5.
18. Hallar un coeficiente C y nodos x 0 , x1 y x 2 para que la fórmula C[f (x 0 ) + f (x1 ) + f (x 2 )]

1
sea exacta para calcular ∫ f (x) dx cuando f(x) es un polinomio cuadrático. Verificar, con
−1
algunos casos particulares, que la fórmula obtenida funciona.
19. Usar el método de coeficientes indeterminados para encontrar las abscisas x1 y x 2 y los
1
pesos w 1 y w 2 tales que la fórmula ∫ f (x) dx ≅ w1f (x1 ) + w 2 f (x 2 ) sea exacta para todos
−1
los polinomios de grado a lo más tres.
20. Usar una fórmula de Cuadratura Gaussiana para estimar el valor de

π
J0 (x) = cos (xsen θ) dθ en x = 1 . ( J0 (x) : Función de Bessel de orden cero). Compare
1
π∫
0
su respuesta con la conseguida en tablas para J0 (1) (*) en calculadora o en DERIVE.
(*) Manual de Fórmulas y Tablas Matemáticas, M. R. Spiegel.
21. Usar la fórmula simple de Simpson 1 (únicamente) para aproximar la integral:

3
∫ ∫ (4 − y )dydx
2 2
2
0 2x
¿ Es exacto el valor calculado? Justificar.
22. Usar solamente la regla simple de Simpson 1 para calcular un valor aproximado de
3
1
4 − x2
∫ ∫ (x )
2 2
2
+ 4 y 2 dydx
0 0
¿Es aceptable la aproximación? Justificar su respuesta.
3
23. Calcular los coeficientes A, B y C tales que la fórmula de Cuadratura:
1
 1
∫ f (x )dx ≅ Af (0) + Bf  2  + Cf (1) (1)
0
sea exacta para polinomios de grado menor o igual que dos. Verificar que la fórmula
obtenida también resulta exacta para polinomios de grado tres. Obtenga la fórmula
b
equivalente de (1) para ∫ f (x )dx .
a
24. En algunas aplicaciones aparece la función H(x) definida por:
π
2
H( x) = 1 − x 2 sen 2 θ dθ , para x ∈ [0,1)
1
1− x 2 ∫
0
 1  1
Usar la regla de Simpson para obtener una aproximación de H(x) y H  . Para H 
1
3
 
2  2
consultar en tablas el valor y comparar.
∫ sen
2
25. Considerar la integral x dx .
0
i) Usar las fórmulas simple de los Trapecios y Simpson 1 y Cuadratura Gaussiana de 4

3
nodos para hallar valores aproximados de la integral.
ii) Calcular el valor exacto de la integral.
iii) Calcular los errores relativos. Analizar.
2
26. Considerar la integral ∫ arctan x dx .
0
i) Usar las fórmulas simple de los Trapecios y Simpson 1 y Cuadratura Gaussiana de 4

3
nodos para hallar valores aproximados de la integral.
ii) Calcular el valor exacto de la integral (Usar tablas, calculadoras, DERIVE).
iii) Calcular los errores relativos. Analizar.
27. Obtener un valor aproximado de la integral
∫ ∫ (2x )
3 2
2
− 3 y dxdy
1 −1
4
Usar únicamente la regla de Simpson 1 . Dar el valor exacto del error que se comete en la
3
aproximación. Justificar.
28. Obtener un valor aproximado de la integral
∫ ∫ (x )
24
2 2
y − 17 dxdy
02
Usar únicamente la regla de Simpson 1 . Dar el valor exacto del error que se comete en la
3
aproximación. Justificar.
29. Construir una regla de integración de la forma
1
 1  1
∫ f (x )dx ≅ A 0 f  − 2  + A1f (0) + A 2 f  2 
−1
que sea exacta para todos los polinomios hasta de grado menor o igual que dos.
30. Considerar la integral doble

21
∫∫y 1 − x 2 dxdy
00
¿En qué orden aplicar las reglas trapezoidal y Simpson 1 ? Calcular el error relativo.
3
31. Calcular una aproximación al volumen de la octava parte de una esfera de radio uno. Usar
fórmula de Simpson 31 , únicamente. Calcular el error relativo.
32. Considerar la integral impropia:

+∞
1  1 
∫ t
sen 
2
 t2
 dt

1
∫ sen(x )dx .
1
2
i. Convertir la integral dada en
0
ii. Calcular una aproximación de la integral dada usando la regla de Simpson 1 , y a partir
3
de los cuatro primeros términos de la expansión en serie de Taylor de sen x 2 . ( )

Comparar con los resultados de su calculadora y de un paquete computacional como
DERIVE.
1
ex
33. Usar la regla de Simpson 1
3
para calcular ∫ x
dx .
0
5
π
2
34. Mostrar que ∫ tan xdx es divergente. ¿Qué valores darían la regla de Simpson 1
3
y la
0
Cuadratura de Gauss para dos puntos?
1
dx
35. Muestre que ∫ x
es convergente. Obtener una aproximación con el método de
0
Cuadratura Gaussiana para dos puntos. ¿La regla de Simpson 1 le da algún resultado
3
numérico? Si es posible, en ambos casos calcular el error relativo.
36. Considerar la integral impropia

3
dx
∫ (x − 1)2
0
i. Analizar la convergencia o divergencia de la integral dada.
ii. Analizar el resultado numérico que se consigue aplicándole la regla simple de Simpson
1.
3
37. Considerar la integral

4
∫ 1 + t dt
0
Obtener aproximaciones con distintas fórmulas de cuadratura y su calculadora. Calcularla

también exactamente. Calcular los errores relativos.
38. Probar que los coeficientes y nodos de la regla de Simpson 1 forman la única solución al
3
sistema no-lineal conseguido en el problema 16.
6
MÉTODOS NUMÉRICOS
EJERCICIOS SOBRE PROBLEMAS DE VALOR INICIAL Y PROBLEMAS

DE VALOR EN LA FRONTERA
1. Considere la función polinómica p x = x () 10

+ x 4 + x 3 + x 2 + x + 1 con x ∈ [0,1] .
(3)
a) Para 0 ≤ ξ ≤ 1 , obtenga una cota superior para p (ξ ) .
b) Pruebe que p (x ) = 1 + x + x + O x
2
( ) cuando x → 0 .
3
2. Demostrar que cosh = 1 −

1 2
2
( )
h + O h 3 cuando h → 0 .
3. Usar expansiones en serie de Taylor para demostrar que
x (t + h ) − x (t − h )
x' (t ) =
2h
( )
+ O h2
x (t + h ) − 2 x (t ) + x (t − h )
x' ' (t ) =
h 2
+ O h2 ( )
4. Demostrar que el P.V.I.

 x ' = 1 + x + x cos t

 x (0) = 0
tiene solución única en cualquier intervalo que contenga t = 0 . Realizar la prueba de dos formas.
5. Considere el P.V.I.
 x' = (t + 1)( x + 1)

 x(0) = 1
a) Dar la fórmula de avance de t a t + h para el Método de Euler. Con un paso h = 0.1 , calcular
aproximaciones para x(0.1) y x(0.2 ) .
b) Dar la fórmula de avance de t a t + h para un método de Taylor que use los tres primeros
términos. Con un paso de h = 0.1 , calcular una aproximación para x(0.1) y x(0.2 ) .
6. Considerar el P.V.I.
 x' (t ) = x(t ) + 2t e t

 x(0) = 0
Se pide:
a) Dar la fórmula de avance de t a t + h para un método de Taylor que utilice los cinco (5)
primeros términos de la expansión en serie de Taylor de x(t ) alrededor de t .
Universidad Nacional de Colombia - Sede Medellín

1
MÉTODOS NUMÉRICOS
(4 ) (
b) Calcular x' ' (t ) , x' ' ' (t ) y x t) .
(4 ) (
c) Calcular x ′(0), x ′′(0 ), x ′′′(0 ) y x 0) .
d) Calcular una aproximación de x(0.1) usando la fórmula en a).
(4 ) (
e) Calcular aproximaciones para x ′(0.1) , x ′ (0.1), x′′ (0.1) y x 0.1) .
f) Callcular una aproximación de x(0.2 ) , usando la fórmula en a).
 y' = 1 + y 2

 y(0 ) = 0
a) Determinar si el P.V.I. tiene solución y si es única. (Justificar).

b) Hallar la solución exacta del P.V.I. Dar un intervalo abierto donde la solución satisface el P.V.I.
dado.
c) Deducir la fórmula de avance de Yk a Yk +1 , para el método de Euler.
d) Usar el método de Euler para obtener una aproximación de y (0.4 ) , con tamaño de paso h = 0. 2 .
En ambos pasos dejar explícitas e indicadas las sustituciones numéricas. Usar aritmética exacta.
e) Calcular el error relativo de la aproximación para y (0.4 ) .
8. Para el P.V.I. del problema 7, escribir la expansión en serie de Taylor de y (t ) alrededor de 0 (cero),
tomando únicamente los tres primeros términos. Usar lo anterior para obtener la fórmula de avance
explícita del método de Taylor de los tres primeros términos.
 x ' = cos t + t 2 − sen x

 x (− 1) = 3
Usar expansión en serie de Taylor para x, tomando solamente los cuatro primeros términos, para dar
la fórmula de avance de − 1 a − 1 + h .

 y' (t ) = (t + 1) ( y (t ) + 1)

 y (0 ) = 1
a) Justificar que el P.V.I. tiene solución única.

b) Calcular la solución exacta del P.V.I.
c) Escribir la fórmula de avance de t a t + h para el método de Euler. Usar tamaño de paso
h = 0.1 para calcular una aproximación de y (0.2 ) . Calcular el error relativo.
11. Para el P.V.I. enunciado en 10:
2 Universidad Nacional de Colombia - Sede

MÉTODOS NUMÉRICOS
a) Dar la fórmula de avance de t a t + h para un método de Taylor que use los tres primeros
términos. Con un tamaño de paso de h = 0.1 , calcular un valor aproximado de y (0.2 ) .
b) Calcular el error relativo para la aproximación obtenida en a).

 y ′(x ) = ln(x + y )

 y(2 ) = 3
Determinar valores de a, b, c y d, tales que un teorema de existencia y unicidad, aplicado al

{
rectángulo R = (x ,y ) ∈R
2
}
a ≤ x ≤ b y c ≤ y ≤ d , garantice existencia y unicidad de la
solución. Justificar.
 y' (t ) = e t + y(t )

 y(1) = e
a) Con un tamaño de paso h, para el método de Euler, obtener la fórmula de avance de tk a tk +1 .

b) Con un tamaño de paso h, para el método de Taylor de los tres primeros términos, obtener la
fórmula de avance de tk a tk +1 .
c) Aproximar y (0.1) en los casos a) y b).

 y ' (t ) = y (t ) cos t

 y (0 ) = 1
Usar un tamaño de paso h = 0.1 para calcular dos pasos por medio de los métodos de Euler, Taylor
de los tres primeros términos, Runge-Kutta de orden dos, Taylor de los cinco primeros términos y
Runge-Kutta de orden cuatro. Consignar los resultados en una tabla. Calcular los errores relativos
para cada una de las aproximaciones obtenidas.
15. Convertir el P.V.I.

 x' (t ) = x (t ) cos t

 x (0 ) = 1
en un sistema de E.E.D.D. de primer orden autónomo. Representar el sistema en forma vectorial.

Para un tamaño de paso h = 0.1 , calcular dos pasos, por medio del método Runge-Kutta, de cuarto
orden. Para ambos resultados, calcular el error relativo.
1 x
16. Considerar la ecuación diferencial y' (x ) = 2 = f ( x ) , con condición inicial y (0) = 0 .
2

3
MÉTODOS NUMÉRICOS
a) Obtener el polinomio que interpola a y' (x ) en x0 = 0, x1 = 1 , x 2 = 2 y x 3 = 3 . Usarlo para

1   3  5
calcular y   , y  y y  .
 2  2  2
b) Lo mismo que en a), pero interpolando el trazador sujeto para la tabla x vs. y' (x ) .
c) En a) y b), comparar con los valores exactos.
d) Estudiar los resultados.

 y' (x ) = 2 yx

 y(0 ) = 1
Mostrar que y( x ) = e
x2
a) es la solución exacta del P.V.I. dado.
b) Hallar los cuatro primeros términos para la expansión en serie de Taylor para y (x ) , alrededor de
cero.
Usar la regla Trapezoidal para mostrar que y (h ) ≅

1
c) , con h ≥ 0 , h "pequeño".
1− h2
1
d) Halle los cuatro primeros términos de la expansión en serie de Taylor de , alrededor de
1 − h2
cero.
Dibujar, usando DERIVE, por ejemplo, f (x ) = e y g (x ) =

. Calcular f (x ), g( x ) en
1 x2
e)
1− x2
x = 0.01 , x = 0.02 , x = 0.08 , x = 0.1 , con DERIVE, aritmética mixta y 30 dígitos.
f) Analizar los resultados. Formular conclusiones.

 y ′(x ) = e x 2

 y(0) = 0
x
y( x ) = ∫ e t
2
a) Mostrar que la función dt es la solución del P.V.I. dado.
0
Usar la regla Trapezoidal para mostrar que y (h )≅

1 2
b) h + h e h , h ≥ 0 , h "pequeño".
2
c) Calcular (con DERIVE, por ejemplo), y (0.1), y (0.01) y y (0.001) ; g (h ) := h + h e , en
1 1 h 2
2 2
los mismos valores.
d) Analizar los resultados. Sacar conclusiones.

 u ' (t ) = f (t)

 u (a ) = 0
con f una función continua.

MÉTODOS NUMÉRICOS
t
a) Mostrar que u(t ) = ∫ f (s )ds es la solución al P.V.I. dado.
a
b) Aplicar el método Runge-Kutta 4 para aproximar u(t + h ) , suponiendo que se conoce u(t ) .
t+ h
c) Cómo le resultó u(t + h ) − u(t ) ? Justifique que u(t + h ) − u(t ) = ∫ f (s )ds .
t
d) Analizar sus resultados.

 w' (θ ) = w (θ ) − θ

 w(0 ) = 1
a) Mostrar que el P.V.I. tiene una única solución. Encontrar tal solución.
b) Escribir la expansión en serie de Taylor para w (θ ) , alrededor de cero.
(4 ) (
c) Al resolver b), posiblemente observó que w ′ (θ ) = w ′′ (θ ) = w θ ) , etc. Cómo concluye que
w ′ (θ ) = w ′′ (θ ) = ... = 0 ?
d) Qué método numérico resultó en b)? Cuál es el error relativo para cada aproximación calculada
mediante este método?

 y ' (t ) = (t + 1) ( y(t ) + 1)

 y(0) = 1
a) Convertir el P.V.I. dado en un sistema de ecuaciones diferenciales de primer orden autónomo.

b) Expresar el sistema conseguido en a) en forma vectorial.
c) Usando el método Runge-Kutta de orden cuatro (4) para sistemas autónomos, obtener una
aproximación de y (0.1) . Dejar claramente indicado el proceso de cálculo numérico.

 x ' (t ) = f (t , x (t ))

 x (t0 ) = x 0
en un sistema de E.E.D.D. de primer orden autónomo. Representar el sistema en forma vectorial.

Para un tamaño de paso h, dar la fórmula de avance del método Runge-Kutta, cuarto orden.
23. Hallar una aproximación en t = 0.25 de la solución del siguiente problema de valor inicial:
d 2 y dy
− − 6 y = 0 ; y (0 ) = 1 ; y' (0) = 0
dt 2 dt
Use el método de Runge-Kutta 4. Calcule el error relativo en el cálculo realizado.

5
MÉTODOS NUMÉRICOS
 w' ' (θ ) − w 2 w' (θ ) + w(θ ) = θeθ


 w(0)=1
 w' (0)=0

a) Convertir el P.V.I. dado en un sistema equivalente de ecuaciones diferenciales de primer orden

autónomo.
b) Expresar el sistema obtenido en a) en forma vectorial. Usar el método numérico Runge-Kutta cuatro
(con tamaño de paso 0.1 ) para:
i. Calcular una aproximación de w(0.1) .
ii. Calcular una aproximación de w(0.2) .
25. En forma ideal, el movimiento de un péndulo está descrito por el P.V.I.
 d 2θ g
 2 + senθ = 0
 dt L
θ(0 ) = θ ; θ′(0) = v
 0 0
a) Convertir el P.V.I. en un sistema equivalente de dos ecuaciones diferenciales de primer orden con
dos incógnitas.
b) Expresar lo conseguido en a) en forma vectorial.
c) Convertir el P.V.I. en un sistema equivalente de tres ecuaciones diferenciales de primer orden con
tres incógnitas, autónomo, y expresarlo en forma vectorial.
d) Utilizando la respuesta en c), escribir la fórmula de avance para Runge-Kutta cuatro de θ(t ) a
θ(t + ∆t ) .
26. Un modelo matemático para un circuito electrónico está dado por el P.V.I.
 d 2Q
+ 50 Q = 24t sen(10t )
dQ
 0.5 2 + 6
 dt dt
 Q(0) = 0 ; Q ′(0 ) = 0

Realizar lo mismo que en el problema 25, c), d).
27. Usar un método aproximado para calcular θ(0.1) y θ(0.2 ) , sabiéndose que
 π 
θ′′(t ) = −θ(t )sen  θ(t )
 6 
θ(0) = 1, θ′(0 ) = 0


MÉTODOS NUMÉRICOS
28. La vibración de un resorte sometido a amortiguamiento y fuerza externa está modelada por el P.V.I.
 y ′ (t ) + 3 y' (t ) + y (t ) = t 2 − 18

 y(0) = 0 ; y ′(0 ) = 0
Usar el método Runge-Kutta cuatro para calcular valores aproximados de la posición y (2 ) , la

velocidad y ′(2) y la aceleración y ′′(2 ) del péndulo (usar un tamaño de paso h = 2 ).
29. El movimiento de un péndulo está dado por el P.V.I.
θ′′(t ) − θ′(t ) + senθ(t ) = 0


θ(0 ) = 1 ; θ' (0 ) = 0
Usar Runge-Kutta cuatro para calcular la posición angular θ(0.1) , la velocidad angular θ' (0.1) y la
aceleración angular θ ′′(0.1) del péndulo. (Usar tamaño de paso h = 0.1 ).
30. Considerar la ecuación diferencial con condiciones iniciales
 y ′′ + t y ′′ − t y ′ − 2 y − t = 0

 y(0 ) = y ′′(0) = 0 ; y ′(0 ) = 1
Calcular y (0.2 ) y y (0.4 ) usando un procedimiento vectorial Runge-Kutta cuatro para sistemas de
ecuaciones diferenciales de primer orden autónomas.

 x ′′ (t ) − 2 t x ′ (t ) + x ′ (t ) = t

 x (1) = 1; x ′ (1) = 2 ; x ′′ (1) = 4
a) Convertir el P.V.I. en un sistema equivalente de E.E.D.D. de primer orden, autónomo.

b) Expresar el sistema obtenido en a) en forma vectorial. Definir cada uno de los términos que aquí
aparecen.
c) Dar la fórmula de avance de t a t + h , en forma vectorial, para el método de Runge-Kutta cuatro.
Definir cada uno de los términos de esta fórmula.

 y ′′ + t y ′′ − t y ′ − 2 y = t

 y(0) = y ′ (0) = 0 , y ′(0) = 1
a) Convertir el P.V.I. en un sistema de ecuaciones diferenciales de primer orden equivalente que sea
autónomo. Expresar dicho sistema en forma vectorial.
b) Usar Runge-Kutta cuatro con tamaño de paso h = 0.2 para calcular un valor aproximado de
y (0.4 ) .

7
MÉTODOS NUMÉRICOS
33. Considerar el P.V.F.

 w ′ (x ) = 2 w(x ) + 3 x( x − 12 ), x ∈ [0,12 ]

 w(0 ) = 0 , w (12 ) = 0
a) Usar expansión en serie de Taylor para probar que
w(t + h ) − 2 w(t ) + w(t − h )

w ′ (t ) = 2
( )
+ O h2
h
b) Si h = 3 , dar los valores de los nodos. Discretizar la ecuación diferencial en un x i apropiado,
expresando los valores posibles de i .
c) Explicar, paso a paso, la construcción del sistema tridiagonal 3 × 3 que permite calcular la
función desconocida w (t ) en los nodos interiores. Resolver el sistema resultante.

 π   3π 
 y ′ (t )+ y (t ) = − cos  t  sen  t 
45 27
 8 8 4   4 
 y (0 ) = 0 , y (4 ) = 0

Escribir el sistema matricial que permite calcular valores aproximados de y (1) , y (2) y y(3) . Usar el
método de diferencias finitas y aritmética exacta.

 z ′′(t ) + z = 0

 z (0) = 0 , z (1) = 1
1
Usar el método de diferencias finitas para resolver el P.V.F., tomando como tamaño de paso a h = .
4
Explicar paso a paso la construcción del sistema tridiagonal asociado con la aplicación del método.

θ′′(x ) + xθ ′( x ) + θ = 2 x

θ(0 ) = 1, θ (1) = 0
Responda las mismas preguntas formuladas en el problema 35, con h = 0.2 .

  t
 z ′′(t ) − 1 −  z = t
  5
 z (1) = 2 , z (3) = −1


MÉTODOS NUMÉRICOS
Para un tamaño de paso ∆t = 0.5 , dar los valores de los nodos. Discretizar la ecuación diferencial
en un t i apropiado, dando los posibles valores de i .
Obtener, paso a paso, el sistema tridiagonal 3 × 3 que permite calcular a z en los nodos interiores.
Resolver dicho sistema.
38. Para el P.V.F.

 y ′ ( x ) = 2 x y( x ) − 2 x 4

 y(0) = 3 , y(4 ) = 67
usar el método de diferencias finitas para calcular valores aproximados de y (1) , y(2) y y(3) (use
tamaño de paso h = 1 ).
39. En el P.V.F.
 y ′ (x ) − 2 y ′( x ) + 3 y (x ) = 3x 2 − 4 x − 1

 y(− 1) = 0 , y (3) = 8
Calcular aproximaciones de y(0 ) , y (1) y y(2) . Usar el método de diferencias finitas. Verificar que
y ( x ) = x 2 − 1 es solución del P.V.F. Calcular los errores relativos (si es posible).
40. Calcular valores aproximados de x (1) , x (2 ) y x (3) , sabiendo que x satisface el P.V.F.
 π 
 x ′ (t ) − 2 cos  t  x ′ (t ) − t x (t ) = t
2
  2 
 x (0 ) = 1, x (4 ) = 0


 π   3π 
 y ′′ (t ) + y (t ) = −
45 27
cos  t  sen  t
 8 8 4   4 
 y (0) = 0 , y (4 ) = 0

Escribir el sistema matricial que permite calcular valores aproximados de y (1) , y (2 ) y y (3) ; usar el
método de diferencias finitas.
 y ′ ( x ) + 4 π y ′ (x ) + 4 π 2 y (x ) = 2 cos (2π x )

 y (0 ) = 0 , y (1) = 0

9
MÉTODOS NUMÉRICOS
Usar el método de diferencias finitas para calcular valores aproximados de y (1 4 ) , y (1 2 ) y y (3 4 ) .

 y " (x ) = 2 x y (x ) − 2 x 4

 y (0 ) = 3, y (4) = 67
Calcular valores aproximados de y (1) , y (2) y y (3) .

Verificar que f (x ) = 3 + x satisface el P.V.F. dado. Investigar un teorema que tenga relación con
3
existencia y unicidad de P.V.F. y aplicarlo.

Calcular los errores relativos en las aproximaciones obtenidas.
44. Para el P.V.F.
u xx + u yy = 0 , en el interior del cuadrado [ 0,1 ] × [ 0,1 ]


( )
u (x , y ) = 9 x 2 − y 2 , en la frontera del cuadrado [ 0 ,1 ] × [ 0 ,1 ]
1 1  2 1  1 2  2 2
Calcular los valores aproximados de u (x , y ) en los puntos  , ,  , ,  ,  y  , .
 3 3  3 3  3 3  3 3
1
Usar tamaño de paso en ambos ejes.
3
45. Considerar el problema de Dirichlet
 u xx + u yy = 0 , ( x , y ) en (0 ,1) × (0 ,1)

( )
 u (x , y ) = 27 x 3 − 3 x y 2 , ( x , y ) en ∂ [ 0 ,1 ] × [ 0 ,1 ]
1
Tomar tamaño de paso en ambos ejes, precisar los nodos de la malla resultante y calcular valores
3
aproximados para u (x , y ) en los nodos donde no se tienen.
46. Considerar el problema de Dirichlet
 u xx + u yy = 0 , ( x , y ) en (0,1) × (0,1)

 u ( x , y ) = g (x , y ) , (x , y ) en ∂ [ 0,1 ] × [ 0 ,1 ]
Para los casos g1 = x − y , g 2 = 2 x, g 3 = xy , hallar valores aproximados de u (1 4 , 14 ) ,

u (2 4 , 14 ) , u (3 4 , 14 ) , u (1 4 , 2 4 ) , u (2 4 , 2 4 ) , u (3 4 , 2 4 ) , u (1 4 , 3 4 ) , u (2 4 , 3 4 ) , u (3 4 , 3 4 ) .
47. Considerar el siguiente sistema de E.E.D.D. de primer orden:

MÉTODOS NUMÉRICOS

 x' = x + 4 y − e
t

 y' = x + y + 2 e
t

 x (0 ) = 4 , y (0 ) =
5
 4
a) Representarlo en forma vectorial no autónoma.

b) Representarlo en forma vectorial autónoma.
( )
 sen t y ′′ + cos (t y ) + sen t 2 + y ′ + ( y ′)3 = ln t

 y (2) = 7 , y ' (2 ) = 3 , y " (2) = −4
en un sistema no autónomo de E.E.D.D. de primer orden. Expresarlo en forma vectorial.
49. En los siguientes P.V.I. calcular el (los) datos pedidos con el método indicado.
 y " +900 y = 2 + 900 t 2

a)  ; h = 0.2 ; R − K − 4 ; y (0.2) ≅ ?
 y (0 ) = 1, y ′ (0 ) = 0
 y ' +2 x y 2 = 0 1
b)  ; fórmula de avance para el método de Euler; solución exacta y = 2 .
 y (0 ) = 1 x +1
 t2 t2
c)  y "+ y ' + y = − e − 2 t e ; h = 1 ; R − K − 4; y (1) ≅ ?
 y (0 ) = 1 ; y ' (0) = 0
3
50. Una caja rectangular hermética (de dimensiones unitarias) con peso específico se sumerge en un
4
3 2
líquido de peso específico unitario, bajo la acción de una fuerza externa f (t ) = + t , 0 ≤ t ≤ 1 ,
4
(movimiento y fuerza tienen dirección vertical).
Se pide :
a) Obtener el P.V.I. que describe el hundimiento de la caja, sabiéndose que en t = 0 , posición y

velocidad son nulos.
b) Usar Runge–Kutta cuatro para calcular aproximaciones de posición, la velocidad y la aceleración de
la caja, en pasos de una décima.
c) Obtener la solución exacta del P.V.I.
d) Calcular los errores relativos correspondientes a las aproximaciones calculadas (si es posible).
Graficar.

11
MÉTODOS NUMÉRICOS
51. Para cada uno de los siguientes P.V.F. calcular valores aproximados de la variable en los nodos
interiores:
a) 
( )
 x " (t ) − cos t x' (t ) − 1 + sen 2 t x (t ) = t
; h=
π
 x (0 ) = 2 , x (π ) = 1 4
 x " − cos t x ' −e 4 t x = t π

b)  ; h=
 x (0 ) = 2 , x (π ) = 1 4
 y " +4 π 2 y = 16 π cos 2 π t 1
c)  ; h=
 y (0) = 0 , y (1) = 0 4
Aquí verificar que y = 4 t sen 2 π t es solución. Calcular los errores relativos (si es posible).
 y " +4 x y ' = 4 cos 2 x + 8 x 2 cos 2 x π

d)  ; h= , solución exacta y = x sen 2 x .
 y (0 ) = 0 , y (π ) = 0 4
 x y " −2 y ' = 12 (2 − x ) 1
; h = , solución exacta y = (2 − x ) .
3
e) 
 y (1) = 1 , y (2) = 0 4
52. A través de una tubería cilíndrica fluye vapor de agua a alta temperatura y presión. La distribución de
temperatura está modelada por el P.V.F.
 r u" +u' = 0

 u (1) = 500 , u (2) = 20
Los valores r = 1 y r = 2 corresponden al radio interior y exterior de la tubería, respectivamente.
Calcular valores aproximados de la temperatura tomando un paso ∆r = 0.1 .
53. Considerar el problema de Dirichlet:
 ∂2 u ∂2 u
 ( x , y ) + , (x , y ) = 0 , con ( x , y ) en Int [ 0,1 ]× [ 0,1 ]
∂x ∂ y2
2
 u (x , y ) = g (x , y ) , con (x , y ) ∈ ∂ [ 0, 1 ]× [ 0, 1 ]

Para las funciones g ( x , y ) dadas, tomar un tamaño de paso adecuado (igual por ambos ejes) con
sus posibilidades de cálculo, y calcular los valores de u en los nodos interiores de la malla:
a) g ( x , y ) = x y − x y
3 3

MÉTODOS NUMÉRICOS
b) g ( x , y ) = y − 3 x y
3 2
c) g (x , y ) = e sen y + e
x y
cos x
d) g (x , y ) = cos x sen h y + sen x cos h y
e) g (x , y ) = e
−x
cos y + e − y cos x
54. Expresar los siguientes P.V.I. como sistemas de ecuaciones diferenciales de primer orden.
a) Autónomos.
b) No autónomos.
 w ′
 x + b x ′ + k x = f (t , x )
i.  g
 x (t ) = x , x ′ (t ) = x
 0 0 0 01
 m1 y "1 = − k1 y1 − k 2 ( y1 − y 2 )

ii.  m2 y " 2 = k2 ( y1 − y2 )
 y (0 ) = A , y ' (0) = B , y (0 ) = C , y ' (0) = D
 1 1 2 2
55. Probar que cuando la fórmula Runge–Kutta de cuarto orden se aplica al P.V.I.
 x' = λ x

 x (t0 ) = x0
 1 2 2 1 3 3 1 4 4
La fórmula de avance es x (t + h ) ≅  1 + h λ + h λ + h λ + h λ  x (t ) y que el error
 2 6 24 
5
( )
es O h , en un paso.
56. Usar Runge–Kutta cuatro para resolver aproximadamente el P.V.I.
 x ′ = e x t + cos (x − t )

 x (1) = 3
Usar h = 0.1 . Hacerlo con un programa de computador. Calcular varios pasos. Estar atento al
overflow.
57. En la solución de los P.V.F. del problema 53, organizar el sistema de ecuaciones resultante de tal
forma que la matriz del sistema luzca tridiagonal por bloques; observar con atención la estructura de los
bloques.

13
MÉTODOS NUMÉRICOS
58. Una masa está colocada sobre un resorte que está sometido a fuerza externa y amortiguamiento. Su
posición y (t ) satisface el P.V.I.
 y " +3 y ' + y = t 2 − 18 , 0 ≤ t ≤ 6

 y (0 ) = 0 , y ' (0 ) = 0
Se pide:
a) Tomar tamaño de paso h = 0.1 en el método Runge–Kutta cuatro y calcular posición, velocidad y
aceleración de la masa, para tk = 0.1k , k = 0, 1,..., 60 . Graficar.
b) Obtener la solución exacta del P.V.I. Graficar y (t ) , y ′(t ) y y ′′(t ) .
c) Comparar los resultados exactos con los cálculos aproximados. Analizar.
 w " = 2 w + 3 x (x − 12 ) , 0 < x < 12


 w (0 ) = 0, w (12 ) = 0
Mediante un programa de computador. Calcular valores aproximados de

w (k h ) , k = 1,2 ,..., 119 , h = 0.1 . Graficar x vs. w (x ) .

Asmar PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Asmar PDF

Cargado por

Copyright:

Formatos disponibles

CAPÍTULO 1.

ERRORES DE REDONDEO Y ESTABILIDAD

Problema 1.2 Encontrar las raíces de la ecuación polinómica

x5 + 11x4 − 21x3 − 10 x2 − 21x − 5 = 0 ♦

Problema 1.3 Resolver los siguientes sistemas de ecuaciones:

a) El sistema lineal AX = b con

Problema 1.5 Hallar el valor de cada una de las siguientes integrales:

Problema 1.6 Resolver el problema de valor inicial

En relación con los problemas anteriores, tenemos que:

En el problema 1.1, es necesario determinar los puntos de intersección de las gráficas de

En el problema 1.3, tenemos dos sistemas de ecuaciones: El de la parte a) es lineal y

Finalmente, en el problema 1.6, la ecuación diferencial ordinaria

es no-lineal (por la presencia de senθ ) y no disponemos de un método analítico para

Qué es un método numérico?

Un método numérico es un procedimiento mediante el cual se obtiene, casi siempre de

1.1 ARITMÉTICA FINITA

Siendo los computadores la herramienta básica en los métodos numéricos es conveniente

La mayoría de los computadores usan sólo un subconjunto finito, relativamente pequeño, de

Un número del computador o de punto flotante, distinto de cero, se describe

σ = +1 o σ = −1 es el signo del número.

, ,..., t , es un entero con 0 ≤ ai ≤ β − 1 . Los enteros 0,1,..., β − 1 son llamados dígitos

(.a1a2 ... a t )β denota la suma

El entero t indica el número de dígitos en la base β que se usan para representar el

e es un entero llamado el exponente, y es tal que L ≤ e ≤ U para ciertos enteros L y U; es

El número cero requiere una representación especial.

Ahora, considerando que el número de posibles exponentes es U − L + 1, que el número de

Como ejemplo, consideremos el conjunto de punto flotante F con parámetros β = 2

Los números de F , distintos de cero, son de la forma

con a1 = 1, a 2 , a 3 = 0, 1 y e = −1, 0, 1, 2 ; así que las fracciones positivas distintas son:

MANTISA EXP. − 1 EXP. 0 EXP. 1 EXP. 2

(.100)2 = 16 (.100)2 × 2 −1 = 16 (.100)2 × 20 = 16 (.100)2 × 21 = 16 (.100)2 × 22 = 16

(.101)2 = 16 (.101)2 × 2 −1 = 16 (.101)2 × 20 = 16 (.101)2 × 21 = 16 (.101)2 × 22 = 16

(.110)2 = 16 (.110)2 × 2 −1 = 16 (.110)2 × 20 = 16 (.110)2 × 21 = 16 (.110)2 × 22 = 16

(.111)2 = 16 (.111)2 × 2 −1 = 16 (.111)2 × 20 = 16 (.111)2 × 21 = 16 (.111)2 × 22 = 16

Una representación de los números positivos y el cero de F en la recta real se muestra en

Algunos hechos que se pueden observar en un conjunto de punto flotante F son:

2. Si observamos la distribución de los elementos de F , en la recta real, vemos que no

En general, en un conjunto de punto flotante F con parámetros β, t, L y U, se tiene que

es el número de punto flotante positivo más grande (para el ejemplo, FU = 1 − 2 −3 2 2 = ( ) 7

A la región RL = { x ∈ R / 0 < x < FL } se le llama región de underflow o subflujo, y en

Por otra parte, a la región RU = { x ∈ R / x > FU }, se le llama región de overflow o

Se define como rango del conjunto F, al conjunto

3. La combinación aritmética usual + , − , × , ÷ de dos números de punto flotante no

Si x e y son números reales en el rango de F , definimos las operaciones ⊕ , , ⊗ y ,a

donde +, −, × y ÷ son las operaciones aritméticas usuales.

Ilustraremos estas operaciones en el conjunto F del ejemplo, al tiempo que pondremos de

∈ F y supongamos que z ∈ R es tal que fl(z) =

∈ F , entonces existen u, v,w ∈ R tales que fl(u) = 1,

Análogamente, como 3 ∈ F , entonces existe r ∈ R tal que fl(r ) = 3 y se tiene que

∈ F , existe s ∈ R tal que fl(s ) =

1.2 ERRORES DE REDONDEO

x = ±(. a1a 2 ... a t a t +1 ... ) × 10 n , n algún entero.

i. Cortando o truncando el número x: En este caso

fl(x) = ±(. a1a 2 ... a t ) × 10 n , (no importa como sea a t+1 )

ii. Redondeando el número x: En este caso

 ± (. a1a2 ... a t ) × 10 n , si 0 ≤ a t +1 < 5

El error x − fl(x) que resulta al reemplazar un número x por su representante de punto

Qué pasa si se redondea el número y antes de normalizarlo?

=.6666666... (racional, periódico)

Cómo medir los errores de redondeo?

Definición 1.1 Sea x∗ una aproximación de un número real x. El error de x∗ con

Un caso particular de aproximación de un número x es cuando x∗ = fl(x) , y se tiene

un número real positivo cualquiera en forma decimal normalizada.