UNIVERSIDAD TECNOLOGICA INTERNACIONAL

CAMPUS APAXCO

METODOS NUMERICOS

“PROYECTO FINAL DE METODOS NUMERICOS”

DOSENTE: ROBERTO
ALUMNA: DANIELA HERNANDEZ REYES

INGENIERIA EN SISTEMAS COMPUTACIONALES

MODALIDAD: SEMANAL

FECHA DE ENTREGA: 10/12/2020

DICIEMBRE, 2020
INDICE
INTRODUCCIÓN .................................................................................................................................. 3
OBJETIVOS........................................................................................................................................... 4
MOTIVACION DE LOS METODOS NUMERICOS .................................................................................. 5
ANTECEDENTES ................................................................................................................................... 6
METODO DE NEWTON RAPSHON ...................................................................................................... 8
MÉTODO DE LA SECANTE ................................................................................................................. 10
INTERPOLACIÓN INVERSA ................................................................................................................ 12
SISTEMA DE ECUACIONES NO LINEALES .......................................................................................... 13
GOAL SEEK Y SOLVER ........................................................................................................................ 15
OPERACIONES CON MATRICES......................................................................................................... 19
MÉTODO DE JÁCOBI ......................................................................................................................... 21
ANALISIS DE REGRESION .................................................................................................................. 23
REGRESIÓN POLINOMIAL. ................................................................................................................ 25
REGRESIÓN LINEAL MÚLTIPLE .......................................................................................................... 27
CONCLUSIÓN..................................................................................................................................... 29
INTRODUCCIÓN
Para hablar de los métodos numéricos en primer lugar se deja en claro su
definición dado como un conjunto de técnicas mediante las cuales es
posible formular problemas de tal forma que sean resueltos con operaciones
aritméticas. Aunque hay muchos tipos de métodos, todos comparten una
característica común, llevan a cabo un buen número de cálculos
aritméticos y emiten soluciones aproximadas, otras características que
presentan los métodos numéricos es la facilidad de sus cálculos y estos
mismos cálculos se hacen repetitivos e iterativos.

A medida que avanzamos a un nivel profesional encontramos las

matemáticas más complejas desde una perspectiva real, es decir, los
problemas que se plantean en la vida cotidiana, sobre todo en ingeniería,
que abarcan como plano inicial el contenido matemático y aritmético para
la solución de los problemas planteados.

En el trabajo a continuación, se plantea de manera sencilla los conceptos

básicos para tener en cuenta y arrancar exitosamente el curso de métodos
numéricos, avanzando a situaciones complejas para valernos por medios
computacionales y desarrollando pequeños software para grandes
soluciones, como lo es el método de Newton- Rapshon, método de la
secante, interpolación cuadrática inversa, sistemas de ecuaciones no
lineales, herramientas Goal seek y solver, operaciones con matrices, método
de jacobi, análisis de regresión, regresión polimonial, y regresión lineal
múltiple.
OBJETIVOS
El presente proyecto de métodos numéricos proporciona las herramientas
necesarias para resolver problemas matemáticos y de ingeniería que
resultan laboriosos o cuya solución por métodos analíticos rigurosos resultan
muy complicados o en su defecto no son aplicables.

La utilidad de esta asignatura radica en que, a través de los conocimientos

adquiridos, se pueden generar metodologías programables en
computadora, útiles para el ingeniero, en el desarrollo de modelados,
simulación, control y optimización de equipos y procesos reales, habilidades
básicas de manejo de la computadora, habilidades en el uso de las
tecnologías de la información y de la comunicación, y la habilidad para
buscar y analizar información y la solución de problemas

A través de este proyecto nos comunica ofrecer una introducción moderna

a las técnicas de aproximación numérica, Encontrar soluciones satisfactorias
a modelos matemáticos que representan una gran variedad de fenómenos
físicos, Comprender el cómo, por qué y cuándo se espera que funcionen los
métodos numéricos, así mismo el utilizar correctamente los principales
métodos de análisis numérico, Plantear y resolver problemas que
representen situaciones o fenómenos de la vida real utilizando métodos
numéricos.

El conocimiento de todo esto nos ayudará a evitar cierto tipo de errores,

analizar su propagación e, incluso, interpretar mejor los resultados dados por
una máquina.
MOTIVACION DE LOS METODOS NUMERICOS
Los métodos numéricos son técnicas mediante las cuales es posible formular
problemas de tal forma que puedan resolverse usando operaciones
aritméticas. Aunque hay muchos tipos de métodos numéricos, todos
comparten una característica común: Invariablemente los métodos
numéricos Ilevan a cabo un buen número de tediosos cálculos aritméticos.
No es raro que con el desarrollo de computadoras digitales eficientes y
rápidas, el papel de los métodos numéricos en la solución de problemas de
ingeniería haya aumentado considerablemente en los últimos años.

Más allá de sólo proporcionar un aumento en la potencia de cálculo, la

disponibilidad general de las computadoras (especialmente de las
computadoras personales) y su asociación con los métodos numéricos, ha
tenido una influencia muy significativa en el proceso de solución de
problemas de ingeniería. Antes del uso de la computadora había tres
métodos diferentes que los ingenieros aplicaban a la solución de problemas:

Primero, se encontraban las soluciones de algunos problemas usando

métodos exactos o analíticos. Con frecuencia estas soluciones resultaban
útiles y proporcionaban una comprensión excelente del comportamiento
de algunos sistemas. Sin embargo, las soluciones analíticas pueden
encontrarse sólo para una clase Ilimitada de problemas. Estos problemas
incluyen aquellos que pueden aproximarse mediante modelos lineales y
también aquellos que tienen una geometría simple y pocas dimensiones. En
consecuencia, las soluciones anabjticas tienen valor práctico limitado,
porque la mayor parte de los problemas reales no son lineales, e implican
formas y procesos complejos.

Para implementar los métodos numéricos se utilizaban calculadoras

manuales y reglas de cálculo. Aunque en teoría estas aproximaciones
deberían ser perfectamente adecuadas para resolver problemas
complicados, en la práctica se presentan algunas dificultades. Los cálculos
manuales son lentos y tediosos. Además, no existen resultados consistentes
debido a que surgen equivocaciones cuando se efectúan las tareas
manualmente. Antes del uso de la computadora, se gastaba mucha
energía en la técnica misma de solución, en vez de aplicarla sobre la
definición del problema y su interpretación.

Hoy en día, las computadoras y los métodos numéricos proporcionan una

alternativa para cálculos tan complicados. AI usar la computadora para
obtener soluciones directamente, se pueden aproximar los cálculos sin tener
que recurrir a suposiciones de simplificación o técnicas deficientes.
ANTECEDENTES
Podemos empezar hablar de los polinomios de Taylor que aproximan a una
función, o los polinomios interpoladores obtenidos por Newton y Lagrange
para ajustar una función polinómica a una tabla de n valores, o el método
de Newton para hallar una solución aproximada de una ecuación, o por
último, el método de Euler para el cálculo de una solución aproximada de
una ecuación diferencial.

El método de Euler, que data de 1768, está aún “vivo”, no sólo porque juega
un papel excepcional en la enseñanza como base metodológica para
explicar métodos más complicados, sino que incluso se sigue utilizando en
la actualidad para obtener una primera aproximación en la resolución de
ecuaciones.

El mismo Euler en los ejercicios propone métodos de orden superior que son
los que hoy se conocen como métodos de Taylor, donde la idea geométrica
la proporciona el calcular la derivada segunda, en lugar de utilizar para
aproximar la solución por la tangente se hace mediante la parábola que
más se aproxima, o en general por el polinomio de grado n que más se
aproxima.

Los siguientes métodos se deben a John C. Adams (1819 – 1892). Analizando

anomalías en la órbita de Saturno, Adams conjeturó en 1846 la existencia de
otro planeta, siendo observado Neptuno en 1846. Fue catedrático en
Escocia en St. Andrews, en 1858, y en Cambridge en 1859, siendo nombrado
director del Observatorio de Cambridge en 1 861. Los métodos que llevan su
nombre, Adams no los publicó (quizás no los considerara suficientemente
serios). Aparecen publicados por primera vez por Bashford, en 1883, en un
trabajo sobre problemas de capilaridad, tensión superficial, la forma de una
gota…, aunque dijo que ya los conocía de Adams desde 1855.

Con el polinomio interpolador más sencillo, una constante, se recupera el

método de Euler. Si se usa una recta se obtiene un método de segundo
orden, y con esta forma de razonar, aumentando el grado del polinomio y
el número de puntos de partida, es posible obtener métodos del orden que
se quiera. De esta forma se obtienen los métodos explícitos que se conocen
con el nombre de métodos de Adams-Bashford . La cantidad de trabajo en
cada paso es la misma que en el método de Euler, pues, aunque cada valor
se usa varias veces, en cada paso sólo se evalúa una vez la función. Adams
construyó otros métodos, los implícitos, que en la bibliografía se conocen
como métodos de Adams-Moulton.
Carl David Tolmé Runge nació en 1856 en Brena. Vivió en La Habana. Estudió
hacia 1 876 en Munich y Berlín con Kronecker y Weierstrass, donde se ocupó
del estudio de la variable compleja. En 1886 se trasladó a Hannover a la
Escuela Técnica Superior donde conoció a Plank, que investigaba en
espectroscopia, centrándose en trabajos de matemática aplicada. En 1905
fue llamado a Göttingen por Félix Klein, donde fue nombrado como el primer
catedrático de Matemática Aplicada. En 1895 apareció publicado su
trabajo en la revista “Mathematische Annalenn”.

Wilhelm Martin Kutta en 1901 utilizó este formato general y describió varios
métodos de orden cuatro con cuatro etapas. Uno de ellos es el que ha
pasado a los libros como el método de Runge-Kutta , lo cual es inexacto,
pues no lo descubrió Runge , sino Kutta , y es uno entre varios, y no
precisamente del que se muestra más orgulloso. Aunque bien es cierto que
Runge lo mencionó en un libro sobre Matemática Aplicada.

El primer estudio riguroso de la teoría matemática encerrada en la resolución

numérica de ecuaciones diferenciales se debe a Dahlquist que escribió su
tesis, ya mayor, en el año 1956, siendo publicada en 1959. Es el primero en
escribir una teoría que explique conceptos como estabilidad o el orden
alcanzable. Sólo escribió seis o siete artículos, pero que son de una
importancia excepcional.»
METODO DE NEWTON RAPSHON

Este método es uno de los más utilizados para localizar raíces ya que en
general es muy eficiente y siempre converge para una función polinomial.

Se requiere que las funciones sean diferenciables, y, por tanto, continuas,

para poder aplicar este método.

Se debe partir de un valor inicial para la raíz: xi, este puede ser cualquier
valor, el método convergirá a la raíz más cercana.

Si se extiende una tangente desde el punto , el punto donde esta

tangente cruza al eje x representa una aproximación mejorada de la raíz.

La fórmula de Newton-Raphson se deduce a partir de la fórmula de la

pendiente de una recta.

Pendiente de una recta:

EJEMPLO:
MÉTODO DE LA SECANTE
El principal inconveniente del método de Newton estriba en que requiere
conocer el valor de la primera derivada de la función en el punto. Sin
embargo, la forma funcional de f(x) dificulta en ocasiones el cálculo de la
derivada. En estos casos es más útil emplear el método de la secante.

El método de la secante parte de dos puntos (y no sólo uno como el método

de Newton) y estima la tangente (es decir, la pendiente de la recta) por una
aproximación de acuerdo con la expresión:

Sustituyendo esta expresión en la ecuación del método de Newton,

obtenemos la expresión del método de la secante que nos proporciona el
siguiente punto de iteración:

En la siguiente iteración, emplearemos los puntos x1 y x2para estimar un

nuevo punto más próximo a la raíz de acuerdo con la ecuación.

En general, el método de la secante presenta las mismas ventajas y

limitaciones que el método de Newton-Raphson explicado anteriormente.
EJEMPLO:
 INTERPOLACIÓN INVERSA

Supongamos conocidos (xk,fk) los datos correspondientes a una función f(x) y

queremos encontrar una aproximación del valor de x tal que f(x)=c, donde c es
un valor dado.

Lo que haremos es resolver la ecuación x=g(c) donde g es la función inversa

de f. Entonces interpolaremos esta función g(y) y la evaluaremos en y=c, es
decir, si seguimos el método de Newton pondremos en la primera fila los
valores fj y en la segunda los valores xj y procedemos de la misma manera.

Ejemplo

Por ejemplo, supongamos que queremos calcular un cero de la

función f(x)=x3−15x+4 sabiendo que éste está cerca de x=0.3. Entonces
haremos interpolación cuadrática, por ejemplo, de la inversa de f(x). Primero,
pues, evaluamos la función en tres puntos cerca de x=0.3:

x 0.2 0.3 0.4

f(x) 1.008 −0.473 −1.936

Ahora escribimos la tabla para calcular las diferencias divididas de Newton,

pero intercambiando las columnas, obteniendo los coeficientes del polinomio
interpolador:

1.008 0.2

−0.0675

−0.473 0.3 0.00028963

−0.0684

−1.936 0.4

De esta forma el polinomio interpolación es:

P3(y)=0.2+0.0675⋅(y−1.008)+0.00028963⋅(y−1.008)(y−0.473)=0.2679019090−0.0676
54y+0.00028963y2

Así una aproximación del cero de la función es: P3(0)=0.2679019090

SISTEMA DE ECUACIONES NO LINEALES

Este método se basa en utilizar el desarrollo de Taylor.

Escribimos

x1 = x0 + ∆x, f (x1) = f (x0) + f 0 (x0) ∆x + o  ∆x 2 

y suponiendo que f (x1) = 0,

queda
x1 = x0 − f (x0) / f 0 (x0) .

El método de Newton-Raphson se basa en esta ecuación y consiste en

calcular los valores de una sucesión de la forma
xn+1 = xn − f (xn) / f 0 (xn) .

Otro modo de obtener este método consiste en suponer que

f : [a, b] → R

es continua en [a, b] y tal que f 00(x) no cambia de signo en [a, b] con

f (a)f (b) < 0.

El proceso para encontrar un x tal que f (x) = 0 consiste en lo siguiente:

1) Fijamos c = a ´o b, tal que f (c)f 00(x) > 0, ∀x ∈ (a, b).

2) x0 = c.

3) Hallamos la ecuación de la tangente que pasa por (x0, f (x0)) y el punto

de corte de dicha tangente con el eje X.

El proceso se repite hasta conseguir una sucesión de aproximaciones que

converge a la raíz de f (x) = 0.

La ecuación de la recta tangente a la curva

y = f (x) en (xn−1, f (xn−1))

viene dada por:

y = f (xn−1) + f 0 (xn−1)(x − xn−1) .

La abscisa del punto de intersección de la recta tangente con el eje X,

xn = xn−1 − f (xn−1) /f 0(xn−1)

Y mediante esta relación obtenemos una sucesión,

{xn}∞ n=1

de aproximaciones al valor de la raíz buscada.

El error que se comete en la iteración estima seria:

| r − xn |< M 2m | xn − xn−1 |, donde 0 < m ≤| f (x) | y | f 00(x) |≤ M, ∀x ∈

(a, b)
GOAL SEEK Y SOLVER

Goal Seek es una útil función de Excel. 16 Fórmulas de Excel que lo ayudarán
a resolver problemas de la vida real. 16 Fórmulas de Excel que lo ayudarán
a resolver problemas de la vida real. La herramienta adecuada es la mitad
del trabajo. Excel puede resolver cálculos y procesar datos más rápido de lo
que puede encontrar su calculadora. Le mostramos las fórmulas clave de
Excel y le mostramos cómo usarlas. Lee más, pero no es tan impresionante.
Echemos un vistazo a una herramienta que es mucho más interesante: el
complemento Solver.

Para este ejemplo, usaremos un conjunto muy simple de números. Tenemos

tres cuartos de ventas y un objetivo anual. Podemos usar Goal Seek para
averiguar cuáles deben ser los números en el cuarto trimestre para lograr el
objetivo.
Como puede ver, el total de ventas actuales es de 114,706 unidades. Si
queremos vender 250,000 para fin de año, ¿cuántos necesitamos vender en
el cuarto trimestre? La búsqueda de objetivos de Excel nos lo dirá.

Aquí es cómo usar Goal Seek, paso a paso:

1. Hacer clic Datos> Análisis de qué hacer si> Buscar objetivos. Verás esta
ventana:

2. Pon el “es igual a” parte de tu ecuación en el Establecer

celda campo. Este es el número que Excel intentará optimizar. En
nuestro caso, es el total acumulado de nuestros números de ventas en
la celda B5.
3. Escriba su valor objetivo en el Valorar campo. Estamos buscando un
total de 250,000 unidades vendidas, así que pondremos “250,000” en
este campo.
4. Dígale a Excel qué variable resolver para en el Cambiando de
celda campo. Queremos ver cuáles deben ser nuestras ventas en el
cuarto trimestre. Entonces le diremos a Excel que resuelva para la
 celda D2. Se verá así cuando esté listo para irse:

5. Golpear DE ACUERDO Para resolver tu objetivo. Cuando se ve bien,

solo pulsa DE ACUERDO. Excel te avisará cuando Goal Seek haya
encontrado una solución.
 6. Hacer clic DE ACUERDO de nuevo y verá el valor que resuelve su
ecuación en la celda que eligió para Cambiando de celda.

En nuestro caso, la solución es de 135.294 unidades. Por supuesto, podríamos

haberlo descubierto al restar el total acumulado de la meta anual. Pero
Goal Seek también se puede utilizar en una celda que ya tiene datos en ella.
Y eso es más útil.
OPERACIONES CON MATRICES
Recuerda que, en una matriz aumentada, cada renglón representa una
ecuación en el sistema y cada columna representa una variable o los
términos constantes.

Por ejemplo, el sistema a la izquierda corresponde a la matriz aumentada a

la derecha.

Cuando se trabaja con matrices aumentadas, podemos realizar cualquiera

de las operaciones de renglón para crear una nueva matriz aumentada que
produzca un sistema de ecuaciones equivalentes. Veamos por qué.
Intercambiar cualesquiera dos renglones

Los dos sistemas en la tabla anterior son equivalentes, porque el orden de

las ecuaciones no importa. Esto significa que cuando se usa una matriz
aumentada para resolver un sistema, podemos intercambiar cualesquiera
dos renglones.
MÉTODO DE JÁCOBI

es un método iterativo con el cual se resuelve el sistema lineal

Ax = b

Comienza con una aproximación inicial x (0) a la solución x y genera una

sucesión de vectores x(k) que convergen a la solución x.

Un sistema de ecuaciones algebraicas lineales es un conjunto de

ecuaciones de la forma:

:: :: ::

O bien en su forma matricial:

Que a su vez se puede expresar como:

Ax = b

Donde “A” es la matriz de coeficientes, x es el vector de incógnitas y b el

vector de términos independientes.

La solución del sistema de ecuaciones es un conjunto de n

valores que satisfacen simultáneamente todas las ecuaciones.

En la solución de estos problemas pueden presentarse 3 casos:

 1.- Solución única Sistema compatible
determinado.

2.- Más de una solución Sistema compatible e

indeterminado.

(número infinito de soluciones)

3.- Sin solución Sistema incompatible.

ANALISIS DE REGRESION

Este método es una técnica de análisis numérico enmarcada dentro de la

optimización matemática en la que, dado un conjunto de pares ordenados
(variable independiente, variable dependiente y una familia de funciones)
se intenta encontrar la función continua, dentro de dicha familia que mejor
se aproxime a los datos.

el coeficiente de correlación de Pearson es una medida de dependencia

lineal entre dos variables aleatorias cuantitativas. A diferencia de la
covarianza, la correlación de Pearson es independiente de la escala de
medida de las variables

a podemos definir como el número que mide el grado de intensidad y el

sentido de la relación entre dos variables.

Cov (x;y): la covarianza entre el valor «x» e «y».

σ(x): desviación típica de «x».

σ(y): desviación típica de «y».

Valores que puede tomar la correlación

ρ = -1 Correlación perfecta negativa

ρ=0 No existe correlación

ρ = +1 Correlación perfecta positiva

Hablamos de correlación positiva si siempre que el valor «x» sube, el valor «y»
sube, y además con la misma intensidad (+1).

En el caso opuesto, si siempre que el valor «x» sube, y el valor «y» baja, y
además con la misma intensidad, entonces estamos hablando de
correlación negativa (-1).

Correlación perfecta positiva:

REGRESIÓN POLINOMIAL.
La regresión polinomial es un tipo de regresión lineal que se utiliza cuando
los datos se ajustan mejor a una curva que a una línea recta. Teniendo un
polinomio:

 Se identifica el grado de la función.

 Buscamos las derivadas de cada uno de los coeficientes del
polinomio. (utilize ecuaciones de segundo grado).
 Hacer una tabla de sumatorias.
 Igualamos las derivadas a 0 para hacer un sistema de ecuaciones.

 Resolvemos el sistema de ecuaciones con un Método numérico (en

este caso,).
 Hallar el error standard (Sr), coeficiente de determinación (r^2) y
coeficiente de correlación (r) con:

, , .

Formula a0, a1 a2

Y=a0+a1x+a2x2

El coeficiente de determinación es la proporción de la varianza total de la

variable explicada por la regresión. El coeficiente de determinación,
también llamado R cuadrado, refleja la bondad del ajuste de un modelo a
la variable que pretender explicar.
REGRESIÓN LINEAL MÚLTIPLE

Esta formulación se extiende al caso de la regresión lineal múltiple

en la que se observa una muestra (y k, x1k,...,xpk) con k=1,...,n

y se está interesado en estimar los parámetros del modelo.

El modelo lineal se puede expresar en forma matricial de la forma: Ej,

estudios sobre el efecto de diversas condiciones climáticas (temperatura,
humedad, radiación...) sobre la resistencia de un metal a la corrosión. n x 1
n x (p+1) (p+1) x 1 n x 1

Aplicando el método de mínimos cuadrados para obtener los parámetros

del modelo debemos minimizar:

derivando con respecto a e igualando la expresión resultante a cero se

obtienen las ecuaciones normales

que se reducirían a las ecuaciones normales obtenidas antes para el caso

de la regresión lineal simple.
CONCLUSIÓN
Cada método que se presentó en este proyecto como ejercicios resuelto
que fueron puestos en este trabajo, fue colocado con el único objetivo de
que fuera más fácil su compresión de cada método que fue investigado en
este proyecto, también podemos decir que estos métodos
para poder resolver un problema es necesario tener una calculadora
programable por la razón de que si hace sin una de ellas resulta demasiado
largo la resolución de cada problema.
Tener en cuenta que para resolver cada problema de los métodos
numéricos es necesario tener orden porque la cantidad de datos son
demasiados, también se necesita tener los programas para resolver cada
método.
Estos métodos numéricos nos dan una introducción a los medos numéricos
más complicados que se presenta en nuestro libro