Examen Teorico 1 ANS

UNIVERSIDAD DE EL SALVADOR EN LÍNEA
FACULTAD DE INGENIERÍA Y ARQUITECTURA

ANÁLISIS NUMÉRICO
UNIDAD I
ANÁLISIS DE ERRORES Y SU PROPAGACIÓN
TEOREMAS DE CÁLCULO QUE APOYAN LOS MÉTODOS.
1. INTRODUCCIÓN
El Análisis Numérico es una rama de las matemáticas que, mediante el uso de algoritmos
iterativos, obtiene soluciones numéricas a problemas en los cuales la matemática simbólica (o
analítica) resulta poco eficiente y en consecuencia no puede ofrecer una solución. En particular,
a estos algoritmos se les denomina métodos numéricos.
Por lo general los métodos numéricos se componen de un número de pasos finitos que se
ejecutan de manera lógica, mejorando aproximaciones iniciales a cierta cantidad, tal como la
raíz de una ecuación, hasta que se cumple con cierta cota de error. A esta operación cíclica de
mejora del valor se le conoce como iteración.
El análisis numérico es una alternativa muy eficiente para la resolución de ecuaciones, tanto
algebraicas (polinomios) como trascendentes teniendo una ventaja muy importante respecto a
otro tipo de métodos: La repetición de instrucciones lógicas (iteraciones), proceso que permite
mejorar los valores inicialmente considerados como solución. Dado que se trata siempre de la
misma operación lógica, resulta muy pertinente el uso de recursos de cómputo para realizar esta
tarea
2. OBJETIVO DE LA UNIDAD
Fundamentar los elementos de cálculo que son importantes para la solución numérica de
problemas matemáticos.
3. TEOREMAS Y CONCEPTOS FUNDAMENTALES
3.1 Teorema de Rolle.-
Este material ha sido proporcionado al estudiante en el marco de su formación a través de una carrera en línea en la
Universidad de El Salvador. Se han respetado los derechos de autor para su elaboración. El debido uso del mismo es
responsabilidad del estudiante.
ANÁLISIS NUMÉRICO
La idea del teorema de Rolle es que una curva continua y sin

“picos” que toma los mismos valores en los extremos de un
intervalo, necesariamente tiene algún punto con tangente
horizontal.
En este ejemplo la función f (x) que es continua y sin “picos” y

toma los mismos valores en los extremos del intervalo a, b tiene
dos puntos del intervalo en los que la tangente a la curva es
horizontal (o sea de pendiente cero).
Enunciado del teorema de Rolle
f continua en a, b 

f derivable ena, b   existe al menos un c  a, b  tal que f c   0
f a   f b  

Ejemplo I
La función graficada arriba es f (x)  ( x  4)( x  1)( x  4) = x 3  x 2  16 x  16 .
ANÁLISIS NUMÉRICO
Si tomamos a = -4 y b = -1, tenemos que f (a)  f (b)  0 . A partir de f ( x)  3x 2  2 x  16 = 0,

encontramos que x  2.67 , es el x que pertenece a  4,1 que satisface el teorema de
Rolle. Aun cuando no es necesario que f(a) = f(b) = 0, hemos escogido estos puntos por que de
antemano sabemos que en ellos f(a) = f(b).
Ejemplo II
Del mismo modo. Como f (1)  f (4) , al resolver de nuevo f ( x)  3x 2  2 x  16  0 ,

obtenemos la raíz positiva x  2 , que corresponde al valor de x que satisface el teorema de
Rolle en el intervalo  1,4
Teorema del valor medio.-
La idea del teorema del valor medio es que en una curva

continua y sin “picos” que va del punto A al punto B, hay
algún punto intermedio en el que la tangente a la curva
en dicho punto es paralela al segmento AB.
(Es decir, tienen la misma pendiente)
Enunciado del teorema del valor medio
f continua en a, b  f b   f a 
  existe al menos un c  a, b  tal que f c  
f derivable ena, b  ba
ANÁLISIS NUMÉRICO
Ejemplo I. Verificación gráfica del teorema del valor medio para la función
f ( x)  x  4x  4x  1 en el intervalo  4,6
f (6)  f (4) 140  0

La pendiente de la recta secante es m    14
6  (4) 10
Como f ( x)  x  4x  4x  1 = x 3  x 2  16 x  16 , entonces f ( x)  3x 2  2 x  16 .
Para hallar el punto c , -4 < c < 6 , que satisface el teorema del valor medio debemos resolver la
ecuación:
ANÁLISIS NUMÉRICO
f ( x)  3x 2  2 x  16 = 14. Resolviéndola por la fórmula de segundo grado, hallamos que la

solución positiva corresponde a c = x  2,85 , que coincide con la respuesta que sugiere el
gráfico anterior.
Ejemplo.-Aplicando el teorema de Rolle, demuestra que x 3  3x  b  0 no puede tener más de

una raíz en el intervalo  1,1 cualquiera que sea el valor de b (hazlo por reducción al absurdo:
supón que hay dos raíces en  1,1 ).
La función f x   x 3  3x  b es continua en  1,1 (es un polinomio).
Es derivable en  1,1 y su derivada es f x   3x 2  3 .
x  1
Si calculamos donde se anula la derivada,  f   0 3x 2  3  0  
 x  1
Veamos pues, que x 3  3x  b  0 no puede tener más de una raíz en  1,1
Supongamos que f x   x 3  3x  b tiene dos raíces a1 y a 2 en  1,1 es decir
f a1   f a2   0
f continua en  1,1 

Rolle: f derivable en 1,1  existe al menos un c  a1 , a 2  tal que f c   0
f a1   f a 2  

x  1
Pero sabemos que f  se anula en  que no están incluidos en a1 , a 2  puesto que
 x  1
 1  a1 , a2  1 , hemos llegado a una contradicción.
Por tanto x 3  3x  b  0 b como máximo tiene una raíz en  1,1 .
Aplicaciones del teorema del valor medio.-
A lo largo del tema hemos visto propiedades como:
f creciente y derivable en x0  f x0   0
En las que a partir de propiedades de la función se obtienen consecuencias sobre la derivada.
Hemos dejado sin demostrar otras como:

ANÁLISIS NUMÉRICO
f x0   0  f creciente en x0
En las que a partir de alguna propiedad de la derivada obtenemos datos de la función. Con el
teorema del valor medio se simplifican las demostraciones de este último tipo de teoremas.
Función constante.-

f derivable en a, b    f CONSTANTE en a, b
f  x   0 x  a, b 
Tomamos dos puntos cualesquiera x1  x 2 del intervalo a, b
En x1 , x 2  se cumplen las condiciones del teorema del valor medio. Existe pues un c  x1 , x2 
f x2   f x1 
tal que  f c  y como f c   0 (hipótesis)
x2  x
f x2   f x1 
 0  f x2   f x1   x1 , x2  a, b  f CONSTANTE
x2  x
Función creciente.-

f derivable en a, b    f CRECIENTE en a, b
f  x   0 x  a, b 

3.2 TEOREMA DE TAYLOR
INTRODUCCION:
Sabemos que la recta tangente, como la mejor aproximación lineal a la gráfica de f en las
cercanías del punto de tangencia (xo, f(xo)), es aquella recta que pasa por el mencionado punto
y tiene la misma pendiente que la curva en ese punto (primera derivada en el punto), lo que
hace que la recta tangente y la curva sean prácticamente indistinguibles en las cercanías del
punto de tangencia. Gráficamente podemos observar que la curva se pega "suavemente" a la
ANÁLISIS NUMÉRICO
recta en este entorno, de tal manera que "de todas las rectas que pasan por el punto, es esta
recta la que más se parece a la curva cerca del punto".
Nótese que cerca del punto de tangencia, la curva se comporta casi linealmente, como se
puede apreciar si hacemos acercamientos a la gráfica anterior
Como observamos en los problemas de diferencial, si x se encuentra "lejos" de x o, la recta

tangente ya no funciona como aproximador. Parece pues natural preguntarnos por otra función
(no lineal) que sirva a nuestros propósitos. La recta tangente es un polinomio de grado 1, el más
sencillo tipo de función que podemos encontrar, por lo que podemos tratar de ver si es posible
encontrar un polinomio de grado dos que nos sirva para aproximar nuestra función en un rango
más grande que la recta tangente.
ANÁLISIS NUMÉRICO
Veamos que sucede si en lugar de aproximarnos con una recta tratamos de hacerlo con una
parábola, es decir tratemos de encontrar de todas las parábolas que pasan por (xo, f(xo)), la que
mejor aproxima a la curva, es decir tratemos de encontrar "la parábola tangente" . Nótese que
la parábola tangente a una curva no es única.
Naturalmente a esta parábola P(x) = a + b(x- xo) + c(x- xo)2 debemos pedirle que pase por el
punto, que tenga la misma inclinación (primera derivada) y la misma concavidad que la
parábola (segunda derivada), es decir debemos pedirle:
a) P(xo) = f (xo)
b) P ' (xo) = f ' (xo)
c) P '' (xo) = f '' (xo)
Como P(xo ) = a, P'(x) = b y P''(x) = 2c, concluimos que
a = f (xo), b = f ' (xo) y c = (1/2)f ''(xo)
quedando la ecuación de la parábola que mejor aproxima a la curva en las cercanías de

(xo,f(xo)), como:
ANÁLISIS NUMÉRICO
En la figura de abajo, observamos gráficamente los tres sumandos de la expresión de la

parábola tangente. Los dos primeros nos dan la altura sobre la recta tangente y añadiéndole el
tercero nos da la altura sobre la parábola tangente
Verifiquemos lo anterior en el caso particular de la función , xo = 0 y valores de x

cercanos a 0
En la tabla de abajo observamos que la parábola tangente a la gráfica de f en (0,1)

efectivamente es una mejor aproximación para f que la recta tangente, para valores cercanos a
0.
ANÁLISIS NUMÉRICO
x 1+x
1 2 2.5 2.718281828
0.5 1.5 1.625 1.6487212707
0.3 1.3 1.345 1.34985880757
0.1 1.1 1.105 1.10517091807
0.01 1.01 1.01005 1.010050167
0.001 1.001 1.0010005 1.00100050016
LOS COEFICIENTES DE UN POLINOMIO, EN TÉRMINOS DE SUS DERIVADAS
Un polinomio de grado n está completamente determinado por sus (n+1) coeficientes.
P(x) = ao + a1 (x- xo) + a2 (x- xo)2 + ... + an (x- xo)n
En lo sucesivo, expresaremos al polinomio en potencias de (x - xo) y encontraremos sus

coeficientes en términos de las derivadas evaluadas en xo.
P '(x) = a1 +2 a2 (x- xo) + 3a3 (x- xo)2 + 4a4 (x-xo )3 +... + nan (x- xo)n-1
P(2)(x) = 2 a2 + (2)(3)a3 (x- xo ) + (3)(4)a4 (x-xo )2 +... + n(n-1)an (x- xo)n-2
P(3)(x) = (2)(3)a3 + (2)(3)(4)a4 (x-xo ) +... + n(n-1)(n-2)an (x- xo)n-3
P(n)(x) = (1)(2)...(n) an = n! an
De donde, evaluando cada una de estas derivadas en xo, obtenemos los coeficientes del
polinomio:
ao = P(xo), a1 = P '(xo), , , ... , .
y en consecuencia la expresión del polinomio será:

ANÁLISIS NUMÉRICO
......( I )
Observación: En base a lo anterior, podemos afirmar que, dado un polinomio cualquiera

podemos expresarlo en potencias de (x-x0) para cualquier xo. Asimismo si conocemos las
derivadas en un punto xo, podemos encontrar el polinomio, como se verá en los siguientes
ejemplos:
Ejemplo 1. Encuentre el polinomio de grado 4 que satisface:
P(2) = 3, P '(2) = 5, P (2) (2) = 4, P (3) (2) =24 y P (4) (2) =48
Solución: Para encontrar la expresión del polinomio en términos de (x-2), simplemente

sustituimos xo = 2 y n = 4 en la expresión ( I ), obteniendo:
y por lo tanto el polinomio buscado es:
P(x) = 3 + 5(x-2) + 2(x-2)2 + 4(x - 2)3 + 2(x - 2)4
Ejemplo 2. Exprese al polinomio P(x) = 7x3 + x2 + 8 en potencias de (x - 1).
Solución: Evaluemos al polinomio y a sus 3 primeras derivadas en xo = 1.
P(x) = 7x3 + x2 +8 P(1) = 16
P ' (x) = 21x2 + 2x P ' (1) = 23
P (2) (x) = 42x + 2 P (2) (1) = 44
P (3) (x) = 42 P (3) (1) = 42
Sustituimos en ( I ) con xo =1 y n = 3, obteniendo la expresión busacada:
P(x) =16 + 23(x - 1) + (44/2)(x - 1)2 + (42/6)(x - 1)3
Es decir:
P(x) =16 + 23(x - 1) + 22(x - 1)2 + 7(x - 1)3
Que puede comprobarse fácilmente efectuando las operaciones, para concluir que:
7x3 + x2 +8 = 16 + 23(x - 1) + 22(x - 1)2 + 7(x - 1)3

ANÁLISIS NUMÉRICO
Volviendo a la representación (I), si f no es un polinomio, obviamente no podrá representarse

de la misma manera, sin embargo en vista de que para, la recta tangente, que es un polinomio
de grado 1, se cumple que para x cercano a xo :
y gráficamente observamos que para x cercano a xo, la función es muy parecida a su "parábola
tangente", es decir:
surge de manera natural preguntarnos si para valores cercanos a xo, se cumplirá:
y podríamos intentar verlo en algunos casos particulares. Al polinomio:
le llamaremos el POLINOMIO DE TAYLOR de grado n para f, en el punto xo.
En estos términos, la recta tangente y la parábola tangente, vienen siendo los polinomios de
Taylor para f de grados 1 y 2 respectivamente.
En la siguiente tabla compararemos a la función exponencial (última columna) con los

polinomios de Taylor correspondientes de grados 1 hasta 4. Obsérvese que la segunda columna
corresponde a la recta tangente y la tercera columna a la parábola tangente.
x 1+x
1 2 2.5 2.666666 2.7083333 2.718281828
0.5 1.5 1.625 1.645833 1.6484375 1.6487212707
0.3 1.3 1.345 1.3495 1.3498375 1.34985880757
ANÁLISIS NUMÉRICO
0.1 1.1 1.105 1.10516667 1.10517083 1.10517091807
0.01 1.01 1.01005 1.01005017 1.01005017 1.010050167
0.001 1.001 1.0010005 1.00100050000 1.00100050017 1.00100050016
Si analizamos con detenimiento la información proporcionada por esta tabla, veremos lo

siguiente:
1. En cada columna, vemos que la aproximación del correspondiente polinomio de Taylor es

mejor cuanto más cercano se encuentre x a 0.
2. En cada renglón, vemos que para cada valor fijo de x, no importa si está cerca o no de 0, la
aproximación va mejorando conforme aumentamos el grado del polinomio de Taylor.
Una representación gráfica de esta situación se muestra a continuación para los polinomios de
Taylor de grado 1,2 y 3.
Vea la siguiente animación, en la cual se representan sucesivamente los primeros 10 polinomios

de Taylor, aproximándose cada vez más a las funciones:
f(x) = exp(x)
ANÁLISIS NUMÉRICO
f(x) = sen(x)
f(x) = cos(x)
El Teorema de Taylor que a continuación enunciaremos sin demostración, nos dice que bajo
ciertas condiciones, una función puede ser expresarse como un polinomio de Taylor mas un
cierto error, es decir f(x) = Pn(x) + En y además nos dirá como estimar este error.
3.3 TEOREMA DE TAYLOR. Sea f continua en [a, b] y con derivadas hasta de orden n continuas
también en este intervalo cerrado; supóngase que f (n+1) (x) existe en (a,b), entonces para x y x
(a,b) se tiene:
donde En = y c es un punto que se encuentra entre x y xo.
Observación: El Teorema del valor medio es un caso particular del Teorema de Taylor, ya que
para n = 0 en éste último, tenemos:
con E0 = para c entre x y xo, es decir,
f(x) = f(xo) + f ' (c) (x - xo) con c entre x y xo, o bien la conocida expresión para el Teorema del
Valor Medio:
3.4 Teorema del valor extremo (Llamado también Teorema de Weierstrass )
Si f es una función continua en un intervalo cerrado a, b entonces f tiene un máximo

absoluto y un mínimo absoluto en a, b .
Ejemplo I
La función continua del gráfico que corresponde a f (x)  ( x  4)( x  1)( x  4) =

x 3  x 2  16 x  16 , tiene un máximo absoluto en  4,2 y un mínimo absoluto en 0,4
ANÁLISIS NUMÉRICO
Ejemplo II
Tomando el intervalo  2,2, para la función continua f (x)  ( x  4)( x  1)( x  4) =

x 3  x 2  16 x  16 ,
Obtenemos los valores máximo y mínimo absolutos en los extremos del intervalo.
Problemas Propuestos Resueltos
En los problemas siguientes hallar los puntos críticos y los extremos relativos.
1 2
2. f ( x)   x 2  4 x  2 Luego f ( x)   x  4
3 3
ANÁLISIS NUMÉRICO
2
Puntos críticos: f ( x)   x  4 =0  x  6
3
Estudio de primera derivada
Analizando los cambios de signo de la primera derivada en el punto crítico, concluimos

que el valor f (6)  10 es un máximo relativo.
Observemos el gráfico de la función alrededor de x=-6, efectuado con Maple
3. g ( x)  2 x 3  3x 2  12 x  5 
Luego g ( x)  6 x 2  6 x  12 = 6 x 2  x  2 (1) 
Las raíces de (1) son -1 y 2. Estos son puntos críticos.
Analicemos el cambio de signo de las derivadas en los puntos críticos
ANÁLISIS NUMÉRICO
Los puntos críticos de la función son x1  1 y x2  2 , con valor máximo relativo de

g ( x)  12 y mínimo relativo g ( x)  15
Veamos el gráfico de la función hecho con Maple:
5. g ( x)   x 3  12 x 2  36 x
Por lo tanto g ( x)  3x 2  24 x  36 . Los puntos críticos a partir de g ( x)  0 son
x1  2 y x2  6 .
El análisis del cambio de signo de las derivadas se presenta en el siguiente gráfico:
ANÁLISIS NUMÉRICO
Los valores extremos son mínimo relativo g (2)  32 y máximo relativo g (6)  0
Comparemos los resultados con el gráfico hecho con Maple
x 1
16. f ( x)  . Por lo tanto f ( x) 
x 1 x  12
El único posible punto crítico es x  1 , donde f (x) no existe, mas por no pertenecer al
dominio de la función, no se considera un punto crítico. No hay puntos críticos. Como
1
f ( x)  > 0 , x  R , la función siempre es creciente en su dominio.
x  12
Esta función un poco difícil de generar con Maple tiene una asíntota vertical en x = 1.
ANÁLISIS NUMÉRICO
x2 x( x  2)
. f ( x)  . Operando algebraicamente se concluye que f ( x) 
x 1 ( x  1) 2
Los únicos puntos críticos son x1  0 y x2  2 , ya que x = 1, no pertenece al dominio de la

función.
Estudiando los diagramas de cambio de signo que se presentan en la siguiente figura,

extraeremos nuestras conclusiones.
Para ver los valores extremos es necesario ordenarle a maple que grafique por segmentos así:
> plot (x^2/(x-1),x=-1..0.5);
Aquí se puede apreciar el valor extremo máximo en x = 0
Graficando cerca de x = 2, vemos la situación como quien mira con lupa:
ANÁLISIS NUMÉRICO
> plot (x^2/(x-1),x=1.5..2.5);
Apreciándose el valor extremo mínimo en x = 2.
4. ENLACES SUGERIDOS
5. BIBLIOGRAFÍA
Análisis Numérico, Richard L. Burden/J. Douglas Faires, Editorial Thomson Learning Inc.
Métodos Numéricos Con SCILAB, Héctor Manuel Mora Escobar, Abril 2010.
6. GLOSARIO
7. PREGUNTAS DE AUTOEVALUACIÓN
1. ¿Qué es el teorema del Valor Extremo?

2. ¿Qué es el teorema de Taylor?
3. ¿Qué es el teorema de Teorema de Rolle en qué consiste?
ANALISIS NUMERICO
ANÁLISIS DE ERRORES Y SU PROPAGACIÓN
1. INTRODUCCIÓN A LA TEORÍA DE ERRORES Y SU PROPAGACIÓN

Cuando se trata de determinar el valor de una magnitud, el número que se obtiene como
resultado de las medidas no es el valor exacto de dicha magnitud, sino que estará afectado por
un cierto error debido a múltiples factores. Hablando en términos generales, se llama error de
una medida a la diferencia entre el valor obtenido y el valor real de la magnitud medida. Si,
repitiendo la experiencia, medimos varias veces la misma magnitud, obtendremos cada vez un
valor distinto y se nos plantea el problema de decidir cuál de todos los valores hallados es el
que ofrece mayores garantías de exactitud. A la resolución de este problema se encamina el
contenido de este Capítulo. El que inicia su contacto con la experimentación, debe dejar de lado
la idea de que puede obtener el valor exacto de una magnitud física. La premisa fundamental
de la que debe partir es que la exactitud total es inalcanzable. Con este punto de arranque y
con la ayuda de la teoría de errores, las conclusiones deberían ir surgiendo solas a lo largo de la
realización de las prácticas, siendo algunas de ellas:
 El resultado de una medida es de poco valor si no se conoce su precisión.

 La precisión de una medida puede ser en sí misma objeto de estudio.
 El diseño de un experimento incluye el estudio previo de los errores que se cometerán.
Números en un computador
Sea x un número real positivo. La representación decimal normalizada de x en un computador,
con k cifras significativas es
n
x = 0.d1d2...dk × 10
donde di es un entero en el intervalo [0, 9] y d1 ≥ 1. El valor k, los valores mínimo y máximo

permitidos para n dependen del computador, del sistema operativo o del lenguaje. Una manera
aproximada de obtener estos valores en Matlab es la siguiente:
format(30)
x = 1/3 El resultado es
0.3333333333333333148296
ANALISIS NUMERICO
Únicamente hay 16 dígitos correctos, los demás son “basura” producida por Matlab para
satisfacer el formato deseado. Esto nos indica que en Matlab, en la representación interna de
un número, no hay más de 16 cifras significativas.
Relacionado con el concepto anterior, está el épsilon de la máquina, que se define así:
εmaq = min{t > 0 : 1 + t ≠1}
La anterior definición usa los números utilizados en el computador. Este conjunto de números
es finito y la definición tiene sentido. Obviamente si los valores t se tomaran en R, el valor
épsilon de la maquina estaría mal definido.
Una manera aproximada de obtener el ´épsilon de la maquina consiste en buscar, por ensayo y
error, un valor x tal que 1 + x > 1 y 1 + x/10 = 1.
La orden
x = 1.0e-10; x1 = 1+x; x2 = 1+x/10; (x1 > 1) & (x2 == 1)
produce F (“false”), en cambio
x = 1.0e-15; x1 = 1+x; x2 = 1+x/10; (x1 > 1) & (x2 == 1)
produce T (“true”). Esto nos indica que un valor aproximado es justamente 10−15. Al utilizar
Matlab tiene un valor predefinido
%eps = 2.220E-16
Para averiguar si un número positivo y pequeño es considerado como nulo, se puede ensayar
con diferentes valores de la potencia de 10, por ejemplo:
x = 1.0e-20; x == 0.0
produce como resultado F, indicando que x no es nulo. Al ensayar
x = 1.0e-100; x == 0.0
el resultado de nuevo es F. Después de varios ensayos
x = 1.0e-323; x == 0.0
produce F y
x = 1.0e-324; x == 0.0
ANALISIS NUMERICO
produce T, es decir, 10−324 es considerado como nulo.
Para evitar el ensayo y error se puede utilizar la siguiente secuencia de ordenes´
x = 1;
while x/10 > 0.0 x0 = x;
x = x/10; end
x_final = x0
El resultado obtenido es 9.881-323. Obsérvese que x toma los valores 1, 1/10, 1/100, ... Sin
embargo el resultado obtenido no es exactamente una potencia de 10.
Ahora queremos averiguar qué tan grandes pueden ser los números en Matlab. Así la orden
x = 1.0e308
muestra en la pantalla 1.000+308, resultado esperado. La orden
x = 1.0e309
1.1. OVERFLOW Y UNDERFLOW

Los números en formato de doble precisión que aparecen en los cálculos y tienen una
magnitud menor que 2.2250738585072014x10-308 = 2 -1023 * (1 + 2-52), producen un
desbordamiento de la capacidad mínima o “Underflow” o subdesbordamiento y, por lo
general, se igualan a cero.
Los números en formato de doble precisión mayores que

1.7976931348623157x10308 = 21024 * (2 – 2 -52 )
producen un “Overflow” o desbordamiento y hacen que se detengan los cálculos (Run

Time Error). La lógica del uso de dígitos binarios tiende a encubrir las dificultades de
cálculo que aparecen al usar una colección finita de números de máquina para
representar a todos los números reales.
ANALISIS NUMERICO
Matlab trabaja en doble precisión con 64 bits.
Si el número supera el valor “máximo real” en Matlab (1.79769313486231570D+308) sucede

un “Overflow” pero no se interrumpe la ejecución y el número almacenará el valor de la
variable “%Inf”. (Usar ieee(2)).
pr = number_properties(“huge")
Si el número es menor al valor “mínimo real” en Matlab (2.22507385850720138D-308) sucede

un “Underflow” y cualquier valor menor a este se considera cero.
pr = number_properties("tiny")
Para examinar estos problemas, supondremos que los números de máquina se representan en
la forma de punto flotante decimal normalizada
±0.d1d2d3 ... dk x 10n, 1 ≤ d1 ≤ 9, y 0 ≤ di ≤ 9, para cada i = 2, 3..., k.
Los números escritos de esta forma se llaman números de máquina decimales con k dígitos.
Cualquier número real positivo, y, dentro del intervalo numérico de la máquina se puede
normalizar como sigue:
y = 0.d1d2d3 ... dk dk+1 dk+2 ... x 10n
ANALISIS NUMERICO
1.2. TRUNCAMIENTO Y REDONDEO

Sea x un real (supuesto positivo por facilidad de presentación,
x = 0.d1d2...dk × 10n
su representación normalizada y t un entero positivo menor que k. El número obtenido por

truncamiento con t cifras significativas es
x´ = 0.d1d2...dt × 10n
Dicho de otra forma, se quitan los últimos k − t dígitos. El redondeo con t cifras significativas se
puede presentar de varias maneras equivalentes. Una de ellas es la siguiente,
redondeo(x, t) = truncamiento( x + 0. 00 · · · 0 5 × 10n) , t)

t-1
truncamiento(1234.56789, 2) = 1200
truncamiento(1234.56789, 6) = 1234.56
redondeo(1234.56789, 2) = 1200
redondeo(1234.56789, 6) = 1234.57
Una manera sencilla, que funciona cuando dt ≤ 8, es la siguiente: los primeros t − 1 dígitos son
los mismos y el dígito en la posición t es
dt + 1 si dt+1 ≤ 4
δt =
dt + 1 si dt+1 ≥ 5
Si dt = 9 y dt+1 ≤ 4, entonces δt = dt. Ahora bien, el caso especial se tiene si dt = 9 y dt+1 ≥ 5,

entonces se suma 1 a dt = 9, volviéndose 10 y se escribe δt = 0, pero hay que agregar (“llevar”) 1
al dígito dt−1, etc.
1.3. ERROR RELATIVO Y ABSOLUTO

Si x es un número real y x˜ es una aproximación se definen el error absoluto (siempre no
negativo) y el error relativo cuando x ≠ 0, de la siguiente forma:
error absoluto = |x − x˜ |
ANALISIS NUMERICO
|x − x˜|
error relativo =
|x|
Ejemplo. Sean x y y números reales, x˜ el redondeo de x con n = 5 cifras significativas, y˜

el redondeo de y con n cifras significativas, z = x − y, z˜ el redondeo de x˜ − y˜ con n
cifras significativas, ea el error absoluto entre z y z˜, er el error relativo.
x y x˜ y˜ z z˜ ea er
1/7 2/3 0.14286 0.66667 −11/21 −0.52381 4.8e-7 9.1e-7

1/7 0.14284 0.14286 0.14284 0.00001714... 0.00002 2.9e-6 1.7e-1
En el segundo caso, el error relativo es grande, aproximadamente 17%.
Los principales casos en los que los errores pueden ser grandes, son:
1. Suma de cantidades de tamaños muy diferentes.
2. esta de cantidades muy parecidas.
3. División por un número cercano a cero.
Estos casos, en cuanto sea posible, deben ser evitados y, si no es posible, los resultados
deben ser interpretados de manera muy cuidadosa.
1.4. ERRORES EN LA ARITMÉTICA DEL COMPUTADOR

Además de la representación imprecisa de los números, la aritmética realizada en una
computadora no es exacta. La aritmética implica el manejo de los dígitos binarios mediante
diversas operaciones matemáticas o lógicas.
Como la mecánica real de estas operaciones no es pertinente a esta presentación, se

utilizará un enfoque propio de la aritmética de una computadora. Aunque la siguiente
aritmética no dará la imagen exacta, bastará para explicar los problemas potenciales.
3. BIBLIOGRAFÍA
Análisis Numérico, Richard L. Burden/J. Douglas Faires, Editorial Thomson Learning Inc.
ANALISIS NUMERICO
Métodos Numéricos Con SCILAB, Héctor Manuel Mora Escobar, Abril 2010
4. GLOSARIO
1. ¿Qué es error relativo?
2. ¿Qué es error absoluto?
ANÁLISIS NUMÉRICO
NOTACIÓN O GRANDE
1. INTRODUCCIÓN
La O mayúscula es una notación matemática también conocida Bachmann–Landau notation,

asymptotic notation, notación o grande. Y esta nos ayuda a describir el comportamiento de una
función “al límite”. Esta notación tiene muchos usos en realidad, sin embargo el que nos
interesa ahora es el que se le da en las ciencias de la computación.
En las ciencias de la computación esta notación nos ayuda a describir el comportamiento de un

algoritmo, ya sea temporal (cuantas unidades de tiempo va a tardar en ejecutarse) o en espacio
(cuanta memoria va a ocupar mientras se ejecuta), esto basado en la cantidad de entradas que
recibe y sobre los que opera. A este “comportamiento” también se le conoce como complejidad
de un algoritmo. Este análisis de complejidad nos sirve generalmente cuando las entradas de el
algoritmo analizado son muy grandes.
Por poner un ejemplo, supón que tu amiga te va a dar un regalo, pero para hacer las cosas más
interesantes tomó N cajas, las colocó en una fila y escondió el regalo en una de ellas. Entonces
tu tienes que ir destapando cada caja hasta encontrar tu regalo, sabes que tendrás que abrir a
lo mucho N cajas, entonces podríamos decir que tu “algoritmo” de búsqueda tiene una
complejidad temporal de O(n).
Algo bastante útil de este análisis es que funciona independientemente de quién o en donde se
ejecute el algoritmo, siguiendo con el ejemplo de las cajas y el regalo. Puede que tu te tardes 3
segundos en abrir cada caja, pero tu amiga las pueda abrir en 2. No importa cual tarde menos,
si los dos usan el mismo algoritmo, la complejidad será la misma, O(n).
De igual manera si determinado algoritmo se tarda veinte segundos en mi computadora pero

en los servidores de Google se tarda 2, se podría establecer la unidad de tiempo en dos
segundos y decir que “en mi computadora se tarda C unidades de tiempo” en donde C es una
constante que dependerá únicamente de las características del entorno en donde se ejecuta,
no del algoritmo que está siendo ejecutado.
ANÁLISIS NUMÉRICO
Una forma bastante rápida y generalmente útil para poder calcular la complejidad de un
algoritmo es fijarse en el tipo de operaciones que realiza, por ejemplo si se trata de un cálculo
matemático, como el cálculo de las soluciones de una ecuación de segundo grado, se dice que
tiene una complejidad constante O(1), ya que no importa que tan grandes sean los coeficientes
de entrada, siempre realizará la misma cantidad de operaciones para llegar al resultado.
Por otro lado, si tu algoritmo requiere recorrer un arreglo unidimensional de N elementos

(como el ejemplo de las cajas), sabes que cuando menos se va a tardar N unidades de tiempo
en ejecutarse, o sea O(n), así mismo si tienes que recorrer una matriz de N x N se tardará N2 y
así sucesivamente.
Entre las complejidades más comunes también está la de O(n log n), que presentan algunos
algoritmos que van dividiendo o descartando parte de las entradas sobre las que opera, como
el Quicksort o la búsqueda binaria.
También existe una complejidad con la que debes tener mucho, pero mucho cuidado y esta es
la complejidad O(n!), ya que con tan solo una entrada de 10 elementos el algoritmo estaría
haciendo 3628800 operaciones. Un ejemplo de este problema es el del agente viajero:
Imagina que quieres visitar las capitales de todos los países de la Unión Europea, pero quieres
encontrar la manera más corta para hacerlo entonces te pones a calcular todas las posibilidades
que tienes… ¡mala idea! hay 3.0488834e+29 posibilidades para calcular, es entonces cuando
surgen otro tipo de algoritmos que son un poco más complejos de analizar.
Una cota superior asintótica es una función que sirve de cota superior de otra función cuando
el argumento tiende a infinito. Usualmente se utiliza la notación de Landau: O(g(x)), Orden de
g(x), coloquialmente llamada Notación O Grande, para referirse a las funciones acotadas
superiormente por la función g(x).
Formalmente se define:
ANÁLISIS NUMÉRICO
2. DEFINICIÓN O GRANDE
Definición: Sean f, g : N → R* dos funciones arbitrarias de los números naturales en los

números reales no negativos. Se dice entonces que f está en O-grande de g, y se escribe f ∈
O(g), si y sólo si existe una constante real positiva M y un número natural n0 tales que para
todo número natural n ≥ n0 se tiene que f(n) ≤ M ∗ g(n). Simbólicamente:
f ∈ O(g) ⇔ ∃M ∈ R +∃ n0 ∈ N : ∀n ∈ N : [n ≥ n0 ⇒ f(n) ≤ M ∗ g(n)]
Definición: Sea g : N → R* una función arbitraria de los números naturales en los números
reales no negativos. O(g) representa el conjunto de todas las funciones t : N → R* tales que
existe una constante real positiva M y un número natural n0 de manera tal que para todo
número natural n ≥ n0 se tiene que t(n) ≤ M ∗ g(n).
Simbólicamente:
O(g) = {t : N → R∗ |∃M ∈ R +∃ n0 ∈ N : ∀n ∈ N : [n ≥ n0 ⇒ f(n) ≤ M ∗ g(n)]
Si se desea comparar dos funciones, casi siempre alrededor de x=0, se dispone del siguiente
Resultado: Se dice que cuando x 0, f(x) es del “orden” de g(x)
Lo cual se escribe f(x) = O(g(x))
Si existen dos constantes positivas C y  (pequeña) tales que:
f  x   C g  x  para x  
3. EJEMPLO Y GRAFICA
Ejemplo: Sea f(x) = 4X3 + 5X6. Recordemos que si 0 < y < 1, entonces y > y2 > y3 > · · · .
Entonces, si |x| <1
|X3| ≤ |x|
|4x3| ≤ 4|x|
ANÁLISIS NUMÉRICO
|x6| ≤ |x|
|5x6| ≤ 5|x|
|4x3 + 5x6| ≤ 9|x|
4x3 + 5x6 = O(x).
Aunque lo anterior es cierto, es preferible buscar el mayor exponente posible.
Mediante pasos semejante a los anteriores llegamos a
4x3 + 5x6 = O(x3).
Obviamente no es cierto que 4x3 + 5x6 = O(x4). 3
Según la notación O grande, el residuo para el polinomio de Taylor se puede expresar
Rn  x  h   O  h n 1 
Grafica de la función f(x) con la aproximación O grande
ANÁLISIS NUMÉRICO
4. NOTACIÓN ASINTÓTICA
Objetivo:
Simplificar el análisis eliminando la información innecesaria (como “redondeo”

1,000,001≈1,000,000)
Queremos decir de manera formal 3n2 ≈ n2
Notación “O-grande (Big-Oh)”: dadas las funciones f(n) and g(n), decimos que f(n) es
O(g(n) ) si y solo si hay constantes positivas c y n0 tal que f(n)≤ c g(n) para n ≥ n0
Ejemplo
Para funciones f(n) y g(n) (derecha) hay constantes positivas c y n0 tales que:
f(n)≤c g(n) for n ≥ n0 conclusión: 2n+6 is O(n).
Otro caso…
n2 no es O(n) debido a que no hay c y n0 tal que: n2 ≤ cn para n ≥ n0
(como se ve en el gráfico, no importa cuan grande se escoge c hay un n suficientemente

grande que n2>cn )
ANÁLISIS NUMÉRICO
Nota: Aun cuando es correcto decir que “7n - 3 es O(n3)”, es mejor decir “7n - 3 es O(n)”,
esto es, se debe hacer la aproximación lo más cerca posible
Regla simple: Eliminar los términos de bajo orden y las constantes 7n-3 es O(n)
8n2log n + 5n2 + n es O(n2log n)
Clases especiales de algoritmos:
logaritmico: O(log n)
lineal: O(n)
cuadratico: O(n2)
polinomico: O(nk), k ≥ 1
exponencial: O(an), n > 1
• “Alternativos” de Big-Oh
 (f(n)): Big Omega-- cota inferior asintótica
 (f(n)): Big Theta-- cota promedio asintótica
ANÁLISIS NUMÉRICO
5. ORDEN DE CONVERGENCIA
Sea {xk} una sucesión de números reales con Límite L, Se dice que la sucesión tiene un
orden de convergencia p  1, si p es el mayor valor tal que el siguiente límite existe:
xk 1  L
lim  
xk  L
k  p
En este caso se dice que  es la tasa de convergencia. Cuando el orden es 1, se dice que la
convergencia es lineal.
La convergencia se llama “Superlineal”, si:
xk 1  L
lim 0
xk  L
k  p
Cuando el orden de convergencia es 2, se dice que la convergencia es cuadrática. A mayor

el orden de convergencia, la sucesión converge más rápidamente hacia el límite.
Lo ideal es tener ordenes de convergencia altos con tasas pequeñas.
Cuando el orden es 1, se dice que la convergencia es lineal.
Por lo tanto:
xk 1  L yk 1 yk2
lim  lim p  lim p  lim yk2 p
xk  L
k  p k  y k  y k 
k k
Entonces:
Si p=1, el límite es 0, entonces la convergencia es por lo menos lineal, y se puede afirmar

que es “Superlineal”.
Si p=2, el límite es 1, entonces la convergencia es cuadrática. (Vea en el libro que la

convergencia no puede ser mayor que 2). Así, la convergencia es cuadrática con tasa 1.
ANÁLISIS NUMÉRICO
https://es.wikipedia.org/wiki/Cota_superior_asint%C3%B3tica
7. BIBLIOGRAFÍA
8. GLOSARIO
1. ¿Qué es la Notación O grande?
2. ¿Qué es la cota superior asintótica?
3. La convergencia se llama “Superlineal”, si:
ANÁLISIS NUMÉRICO
UNIDAD I
ORDEN DE CONVERGENCIA
1. INTRODUCCIÓN
El límite de una sucesión es uno de los conceptos más antiguos del análisis matemático. Es
el valor al que tienden los términos de la sucesión cuando toma valores muy grandes.
Se representa mediante y se lee límite cuando tiende a más infinito de sub
Este concepto está estrechamente ligado al de convergencia, una sucesión de elementos de un

conjunto es convergente si y solo si en el mismo conjunto existe un elemento (al que se le
conoce como límite) al cual la sucesión se aproxima tanto como se desee a partir de un
momento dado. Si una sucesión tiene límite, se dice que es una sucesión convergente, y que la
sucesión converge o tiende al límite. En caso contrario, la sucesión es divergente.
La definición significa que eventualmente todos los elementos de la sucesión se aproximan

tanto como queramos al valor límite. La condición que impone que los elementos se
encuentren arbitrariamente cercanos a los elementos subsiguientes no implica, en general, que
la sucesión tenga un límite
ANÁLISIS NUMÉRICO
Se entiende por convergencia de un método numérico la garantía de que, al realizar un buen

número de repeticiones (iteraciones), las aproximaciones obtenidas terminan por acercarse
cada vez más al verdadero valor buscado.
En la medida en la que un método numérico requiera de un menor número de iteraciones que

otro, para acercarse al valor numérico deseado, se dice que tiene una mayor rapidez de
convergencia.
Se entiende por estabilidad de un método numérico el nivel de garantía de convergencia, y es

que algunos métodos numéricos no siempre convergen y, por el contrario divergen; es decir, se
alejan cada vez más y más del resultado deseado.
En la medida en la que un método numérico, ante una muy amplia gama de posibilidades de
modelado matemático, es más seguro que converja que otro, entonces se dice que tiene una
mayor estabilidad.
Normalmente se puede encontrar métodos que convergen rápidamente, pero son demasiado
inestables y, por el contario, modelos muy estables, pero de lenta convergencia.
En métodos numéricos la velocidad con la cual una sucesión converge a su límite es llamada
orden de convergencia. Este concepto es, desde el punto de vista práctico, muy importante si
necesitamos trabajar con secuencias de sucesivas aproximaciones de un método iterativo.
Incluso puede hacer la diferencia entre necesitar diez o un millón de iteraciones.
Supongamos que la secuencia {xk} converge al número ξ. decimos que la sucesión converge con
orden q a ξ, si el número q es llamado orden de convergencia.
En particular, convergencia de orden 1 es llamada convergencia lineal, la de orden 2

convergencia cuadrática y la convergencia de orden 3 convergencia cúbica.
En matemática computacional, un método iterativo trata de resolver un problema (como una

ecuación un sistema de ecuaciones) mediante aproximaciones sucesivas a la solución,
empezando desde una estimación inicial. Esta aproximación contrasta con los métodos
directos, que tratan de resolver el problema de una sola vez (como resolver un sistema de
ecuaciones Ax=b encontrando la inversa de la matriz A). Los métodos iterativos son útiles para
resolver problemas que involucran un número grande de variables (a veces del orden de
millones), donde los métodos directos tendrían un coste prohibitivo incluso con la potencia del
mejor computador disponible.
Dado que estos métodos forman una base, el método converge en N iteraciones, donde N es el
tamaño del sistema. Sin embargo, en la presencia de errores de redondeo esta afirmación no se
ANÁLISIS NUMÉRICO
sostiene; además, en la práctica no puede ser muy grande, y el proceso iterativo alcanza una
precisión suficiente mucho antes. El análisis de estos métodos es difícil, dependiendo de lo
complicada que sea la función del espectro del operador.
2. DEFINICIÓN
Sea {Xk} una sucesión de números reales con limite L. Se dice que la convergencia tiene
orden de convergencia p ≥ 1, si p es el mayor valor tal que el siguiente limite existe
xk 1  L
lim  
xk  L
k  p
En este caso se dice que β es la tasa de convergencia. Cuando el orden es 1, se dice que la
convergencia es lineal. La convergencia se llama superlineal si
Cuando el orden es 2, se dice que la convergencia es cuadrática.
Lo ideal es tener órdenes de convergencia altos con tasas pequeñas. Una convergencia lineal
con tasa 1 es una convergencia muy lenta. Una convergencia cuadrática es muy buena, por
ejemplo, el método de Newton que se verá más adelante
Ejemplo Esta sucesión converge a π. Veamos qué pasa con p = 1.
Luego la sucesión tiene orden de convergencia por lo menos igual a 1. Veamos qué pasa con
p > 1. Se puede suponer que p = 1 + ε, con ε > 0.
ANÁLISIS NUMÉRICO
Entonces p no puede ser superior a 1 y podemos decir que la convergencia es lineal con tasa 1.
Ejemplo
Esta sucesión converge a 0. Directamente veamos qué pasa con p = 1 + ε, con ε ≥ 0
Si p = 1 (ε = 0) hay convergencia hacia 1/2. Si p > 1 no hay convergencia. Entonces la sucesión

tiene convergencia lineal con tasa 1/2.
Ejemplo :
Los primeros valores son los siguientes:
1 6.900000000000000
2 6.810000000000000
3 6.656100000000000
4 6.430467210000001
ANÁLISIS NUMÉRICO
5 6.185302018885185
6 6.034336838202925
7 6.001179018457774
8 6.000001390084524
9 6.000000000001933
10 6.000000000000000
Se puede mostrar que
Como yn → 0, entonces xn → 6.
Si p = 1 el lımite es 0, es decir, la convergencia es por lo menos lineal y se puede afirmar que es

superlineal. Si p = 2 el lımite es 1, luego la convergencia es por lo menos cuadrática. Si p = 2 + ε,
con ε > 0
Luego la convergencia es cuadrática con tasa 1.
ANÁLISIS NUMÉRICO
La Eficiencia de los métodos.
En los métodos numéricos para hallar una raíz α de una ecuación f(x)= 0 consisten en
generar una sucesión {xn} tal que lim xn = α
n→ ∞ = α
La eficiencia cada método numérico depende de:
• Condiciones de convergencia: La característica de la ecuación en cercanías a la raíz

condiciona la eficacia del método.
• Orden de convergencia: Velocidad de convergencia con la cual la sucesión {xn }n converge

m
a α, O(h ).
• Número n mínimo de iteraciones necesarias para que |xn -α|<ε para algún ε >0 dado.
• Cantidad de operaciones realizadas en cada iteración.
Conclusiones:
 Lo ideal es tener órdenes de convergencia altos con tasas pequeñas.

 Una convergencia lineal con tasa 1 es una convergencia muy lenta.
 Una convergencia cuadrática es muy buena, por ejemplo, el método de Newton que se
estudiara más adelante. Así como se estudiara más ampliamente en el tema de la
convergencia acelerada.
https://es.wikipedia.org/wiki/Orden_de_convergencia
4. BIBLIOGRAFÍA
5. GLOSARIO
Orden Convergencia: es el grado o potencia al cual esta elevado la función, puede ser 1
lineal, 2 cuadrada, asociada a la aceleración de convergencia.
ANÁLISIS NUMÉRICO
1. ¿Qué es la orden de convergencia?

2. ¿Cómo se define la orden de convergencia?
3. ¿Cómo debe ser la orden de convergencia, para que sea buena, alta o baja?
ANALISIS NUMERICO
UNIDAD II
MÉTODOS ITERATIVOS PARA LA SOLUCIÓN DE ECUACIONES NO

LINEALES Y ACELERACIÓN DE LA CONVERGENCIA
2.1 SOLUCIÓN DE ECUACIONES NO LINEALES

2.2 MÉTODO DE NEWTON
1. INTRODUCCIÓN
Uno de los problemas en matemáticas consiste en resolver una ecuación, es decir, encontrar un
valor x∗ ∈ R que satisfaga f(x) = 0, donde f es una función de variable y valor real, es decir,
f:R→R
Este x∗ se llama solución de la ecuación f(x) = 0
Pero también se le conoce como “raíz” o “cero” de la ecuación. f debe ser continua en el
intervalo donde se busca la solución. Algunos métodos requieren que f sea derivable. A
continuación se muestran algunos ejemplos de ecuaciones No Lineales.
Lo mínimo que se le exige a f es que sea continua. Si no es continua en todo R, por lo menos
debe ser continua en un intervalo [a, b] donde se busca la raíz.
Algunos métodos requieren que f sea derivable. Para la aplicación de algunos teoremas de
convergencia, no para el método en si, se requieren derivadas de orden superior.
Los métodos generales de solución de ecuaciones sirven únicamente para hallar raíces reales.
Algunos métodos específicos para polinomios permiten obtener raíces complejas.
Los métodos presuponen que la ecuación f(x) = 0 tiene solución. Es necesario, antes de aplicar
mecánicamente los métodos,
1) Estudiar la función (Analizar)

2) Averiguar si tiene raíces (Graficar)
3) Ubicarlas aproximadamente (Método)
En algunos casos muy difíciles no es posible hacer un análisis previo de la función, entonces hay
que utilizar de manera mecánica uno o varios métodos, pero sabiendo que podrían ser
ANALISIS NUMERICO
ineficientes o, simplemente, no funcionar. La mayoría de los métodos parten de x0,

aproximación inicial de x∗, a partir del cual se obtiene x1.
A partir de x1 se obtiene x2, después x3, y así sucesivamente se construye la sucesión {xk} con el
objetivo, no siempre cumplido, de que:
lim xk = x∗
k→∞
El proceso anterior es teóricamente infinito, y obtendría la solución después de haber hecho un

número infinito de cálculos. En la práctica el proceso se detiene cuando se obtenga una
aproximación suficientemente buena de x∗. Esto querría decir que el proceso se detendría
cuando :
|xk − x∗| ≤ ε
Para un ε dado. El anterior criterio supone el conocimiento de x∗, que es justamente lo

buscado. Entonces se utiliza el criterio, éste si aplicable,
|f (xk )| ≤ ε
En la mayoría de los casos, cuanto más cerca está x0 de x∗, más rápidamente se obtendrá una
buena aproximación de x∗
En análisis numérico, el método de Newton (conocido también como el método de Newton-

Raphson o el método de Newton-Fourier) es un algoritmo eficiente para encontrar
aproximaciones de los ceros o raíces de una función real. También puede ser usado para
encontrar el máximo o mínimo de una función, encontrando los ceros de su primera derivada.
Entre los métodos de aproximaciones sucesivas para encontrar algunas de las raíces de una
ecuación algebraica o trascendente, el de Newton-Raphson es el que presenta mejores
ANALISIS NUMERICO
características de eficiencia, debido a que casi siempre converge a la solución y lo hace en un

número reducido de iteraciones.
Este método es aplicable tanto en ecuaciones algebraicas como trascendentes y con él es

posible obtener raíces complejas.
Tal vez, de las fórmulas para localizar raíces, la fórmula de Newton-Raphson sea la más
ampliamente utilizada. Si el valor inicial para la raíz es xi, entonces se puede trazar una
tangente desde el punto [xi,f(xi)] de la curva. Por lo común, el punto donde esta tangente cruza
el eje x representa una aproximación mejorada de la raíz.
El método de Newton-Raphson se deduce a partir de esta interpretación geométrica.
El método de Newton-Raphson, como todos los de aproximaciones sucesivas, parte de una

primera aproximación y mediante la aplicación de una fórmula de recurrencia se acercara a la
raíz buscada, de tal manera que la nueva aproximación se localiza en la intersección de la
tangente a la curva de la función en el punto y el eje de las abscisas.
De la figura se tiene que la primera derivada en x es equivalente a la pendiente:
Que se reordena para obtener:
La cual se conoce como fórmula de Newton-Raphson.
Historia
ANALISIS NUMERICO
El método de Newton fue descrito por Isaac Newton en De analysi per aequationes número
terminorum infinitas (escrito en1669, publicado en 1711 por William Jones) y en De metodis
fluxionum et serierum infinitarum (escrito en 1671, traducido y publicado como Método de las
fluxiones en 1736 por John Colson). Sin embargo, su descripción difiere en forma sustancial de
la descripción moderna presentada más arriba: Newton aplicaba el método solo a polinomios, y
no consideraba las aproximaciones sucesivas xn, sino que calculaba una secuencia de
polinomios para llegar a la aproximación de la raíz x. Finalmente, Newton ve el método como
puramente algebraico y falla al no ver la conexión con el cálculo.
Isaac Newton probablemente derivó su método de forma similar aunque menos precisa del
método de François Viète. La esencia del método de Viète puede encontrarse en el trabajo
del matemático persa Sharaf al-Din al-Tusi.
El método de Newton-Raphson es llamado así por el matemático inglés Joseph Raphson

(contemporáneo de Newton) se hizo miembro de la Royal Society en 1691 por su libro
"Aequationum Universalis", publicado en 1690, que contenía este método para aproximar
raíces. Newton en su libro Método de las fluxiones describe el mismo método, en 1671, pero no
fue publicado hasta 1736, lo que significa que Raphson había publicado este resultado 46 años
antes. Aunque no fue tan popular como los trabajos de Newton, se le reconoció
posteriormente.
2. OBJETIVO DE LA UNIDAD
Analizar y Aplicar los algoritmos correctamente para la solución de las ecuaciones no lineales en
una variable y establecer conveniencias de utilización de los diferentes métodos de solución.
3. MÉTODO DE NEWTON
Es un método abierto, en el sentido de que su convergencia global no está garantizada. La única
manera de alcanzar la convergencia es seleccionar un valor inicial lo suficientemente cercano a
la raíz buscada. Así, se ha de comenzar la iteración con un valor razonablemente cercano al cero
(denominado punto de arranque o valor supuesto). La relativa cercanía del punto inicial a la raíz
depende mucho de la naturaleza de la propia función; si ésta presenta múltiples puntos de
inflexión o pendientes grandes en el entorno de la raíz, entonces las probabilidades de que el
algoritmo diverja aumentan, lo cual exige seleccionar un valor supuesto cercano a la raíz. Una
vez que se ha hecho esto, el método linealiza la función por la recta tangente en ese valor
supuesto. La abscisa en el origen de dicha recta será, según el método, una mejor aproximación
de la raíz que el valor anterior. Se realizarán sucesivas iteraciones hasta que el método haya
convergido lo suficiente.
ANALISIS NUMERICO
Sea f : [a, b] -> R función derivable definida en el intervalo real [a, b]. Empezamos con un valor
inicial x0 y definimos para cada número natural n
Donde f ' denota la derivada de f.
Nótese que el método descrito es de aplicación exclusiva para funciones de una sola variable
con forma analítica o implícita conocible. Existen variantes del método aplicables a sistemas
discretos que permiten estimar las raíces de la tendencia, así como algoritmos que extienden el
método de Newton a sistemas multivariables, sistemas de ecuaciones, etc.
Obtención del Algoritmo
Tres son las formas principales por las que tradicionalmente se ha obtenido el algoritmo de
Newton-Raphson.
La primera de ellas es una simple interpretación geométrica. En efecto, atendiendo al

desarrollo geométrico del método de la secante, podría pensarse en que si los puntos de
iteración están lo suficientemente cerca (a una distancia infinitesimal), entonces la secante se
sustituye por la tangente a la curva en el punto. Así pues, si por un punto de iteración trazamos
la tangente a la curva, por extensión con el método de la secante, el nuevo punto de iteración
se tomará como la abscisa en el origen de la tangente (punto de corte de la tangente con el eje
X). Esto es equivalente a linealizar la función, es decir, f se reemplaza por una recta tal que
contiene al punto ( , ( )) y cuya pendiente coincide con la derivada de la función en el
punto, . La nueva aproximación a la raíz, , se logra de la intersección de la función
lineal con el eje X de abscisas. Matemáticamente:
ANALISIS NUMERICO
Ilustración de una iteración del método de Newton (la función f se muestra en azul y la línea de
la tangente en rojo). Vemos que es una aproximación mejor que para la raíz de la
función .
En la ilustración adjunta del método de Newton se puede ver que es una mejor
aproximación que para el cero (x) de la función f.
Una forma alternativa de obtener el algoritmo es desarrollando la función f (x) en serie de

Taylor, para un entorno del punto :
Si se trunca el desarrollo a partir del término de grado 2, y evaluamos en :
Si además se acepta que tiende a la raíz, se ha de cumplir que , luego,

sustituyendo en la expresión anterior, obtenemos el algoritmo.
Finalmente, hay que indicar que el método de Newton-Raphson puede interpretarse como un
método de iteración de punto fijo. Así, dada la ecuación , se puede considerar el
siguiente método de iteración de punto fijo:
Se escoge h (x) de manera que g'(r)=0 (r es la raíz buscada). Dado que g'(r) es:
ANALISIS NUMERICO
Entonces:
Como h (x) no tiene que ser única, se escoge de la forma más sencilla:
Por tanto, imponiendo subíndices:
Expresión que coincide con la del algoritmo de Newton-

Raphson
Convergencia del Método
El orden de convergencia de este método es, por lo menos, cuadrático. Sin embargo, si la raíz
buscada es de multiplicidad algebraica mayor a uno (i.e, una raíz doble, triple, ...), el método de
Newton-Raphson pierde su convergencia cuadrática y pasa a ser lineal de constante asintótica
de convergencia 1-1/m, con m la multiplicidad de la raíz.
Existen numerosas formas de evitar este problema, como pudieran ser los métodos de
aceleración de la convergencia tipoΔ² de Aitken o el método de Steffensen.
Evidentemente, este método exige conocer de antemano la multiplicidad de la raíz, lo cual no

siempre es posible. Por ello también se puede modificar el algoritmo tomando una función
auxiliar g(x) = f(x)/f'(x), resultando:
Su principal desventaja en este caso sería lo costoso que pudiera ser hallar g(x) y g'(x) si f(x) no
es fácilmente derivable.
Por otro lado, la convergencia del método se demuestra cuadrática para el caso más habitual
en base a tratar el método como uno de punto fijo: si g '(r)=0, y g''(r) es distinto de 0, entonces
la convergencia es cuadrática. Sin embargo, está sujeto a las particularidades de estos métodos.
Nótese de todas formas que el método de Newton-Raphson es un método abierto: la

convergencia no está garantizada por un teorema de convergencia global como podría estarlo
en los métodos de falsa posición o de bisección. Así, es necesario partir de una aproximación
ANALISIS NUMERICO
inicial próxima a la raíz buscada para que el método converja y cumpla el teorema de
convergencia local.
Teorema de Convergencia Local del Método de Newton
Sea . Si , y ,
Entonces existe un r>0 tal que,
Si , entonces la sucesión xn con verifica que:
para todo n y xn tiende a p cuando n tiende a infinito.
Si además , entonces la convergencia es cuadrática.
Teorema de Convergencia Global del Método de Newton
Sea verificando :
1.
2. para todo
3. para todo
4.
Entonces existe un único tal que por lo que la sucesión converge a s.
Estimación del Error
Se puede demostrar que el método de Newton-Raphson tiene convergencia cuadrática:

si es raíz, entonces:
Para una cierta constante . Esto significa que si en algún momento el error es menor o igual
a 0,1, a cada nueva iteración doblamos (aproximadamente) el número de decimales exactos. En
la práctica puede servir para hacer una estimación aproximada del error:
Error relativo entre dos aproximaciones sucesivas:
ANALISIS NUMERICO
Con lo cual se toma el error relativo como si la última aproximación fuera el valor exacto. Se
detiene el proceso iterativo cuando este error relativo es aproximadamente menor que una
cantidad fijada previamente.
Ejemplo :
Consideremos el problema de encontrar un número positivo x tal que cos(x) = x3. Podríamos
tratar de encontrar el cero def(x) = cos(x) - x3.
Sabemos que f '(x) = -sin(x) - 3x2. Ya que cos(x) ≤ 1 para todo x y x3 > 1 para x>1, deducimos que
nuestro cero está entre 0 y 1. Comenzaremos probando con el valor inicial x0 = 0,5
Los dígitos correctos están subrayados. En particular, x6 es correcto para el número de

decimales pedidos. Podemos ver que el número de dígitos correctos después de la coma se
incrementa desde 2 (para x3) a 5 y 10, ilustrando la convergencia cuadrática. En general el error es:
Implementación en Excel
EJEMPLO UTILIZANDO EXCEL CON EL METODO DE NEWTON-RAPHSON
ITERACCION X F´(X) F(X) ERROR

1 2 -3,32507524 0,05
2 2,01503725 -3,30026181 0,04664187 0,00746252
3 2,02917003 -3,27727612 0,04353109 0,00696481
4 2,04245274 -3,25596298 0,04064667 0,00650331
5 2,0549365 -3,23618296 0,03796974 0,00607501
ANALISIS NUMERICO
6 2,06666938 -3,21781053 0,0354833 0,00567719

7 2,07769653 -3,20073234 0,03317202 0,0053074
8 2,08806042 -3,18484582 0,03102201 0,0049634
9 2,09780092 -3,17005795 0,02902069 0,0046432
10 2,10695555 -3,15628419 0,02715662 0,00434495
11 2,11555953 -3,14344758 0,02541937 0,004067
12 2,12364599 -3,1314779 0,02379945 0,00380782
13 2,13124606 -3,12031098 0,02228817 0,00356602
14 2,13838899 -3,1098881 0,02087759 0,00334033
15 2,14510229 -3,10015542 0,01956041 0,00312959
16 2,15141178 -3,09106353 0,01832996 0,00293272
17 2,15734176 -3,08256698 0,01718008 0,00274875
18 2,16291507 -3,07462396 0,0161051 0,00257675
19 2,16815314 -3,06719593 0,01509983 0,00241591
20 2,17307615 -3,06024734 0,01415944 0,00226546
21 2,17770304 -3,05374533 0,01327949 0,00212467
22 2,18205163 -3,04765955 0,01245587 0,00199289
23 2,18613866 -3,04196189 0,01168477 0,00186952
24 2,18997986 -3,03662633 0,01096268 0,00175399
25 2,19359001 -3,03162873 0,01028633 0,00164577
26 2,19698301 -3,0269467 0,00965269 0,00154439
27 2,20017193 -3,02255946 0,00905894 0,0014494
28 2,20316904 -3,01844768 0,00850247 0,00136036
29 2,20598588 -3,01459341 0,00798085 0,00127691
30 2,20863328 -3,01097993 0,00749182 0,00119866
31 2,21112145 -3,00759168 0,00703327 0,0011253
32 2,21345996 -3,00441418 0,00660324 0,00105649
33 2,21565781 -3,00143392 0,00619991 0,00099196
34 2,21772345 -2,9986383 0,00582156 0,00093143
Ejemplo de un algoritmo
Algoritmo para el método de Newton (N = Número máximo de iteraciones, E = Tolerancia o

margen de error).
ANALISIS NUMERICO
https://es.wikipedia.org/wiki/M%C3%A9todo_de_Newton
5. BIBLIOGRAFÍA
- Análisis Numérico, Richard L. Burden/J. Douglas Faires, Editorial Thomson Learning Inc.
- Métodos Numéricos Con SCILAB, Héctor Manuel Mora Escobar, Abril 2010
6. GLOSARIO
1. Los métodos presuponen que la ecuación f(x) = 0 tiene solución. Es necesario, antes de
aplicar mecánicamente los métodos, estos son: ?
2. ¿El método de Newton-Raphson tiene convergencia de orden?
ANALISIS NUMERICO
3. ¿Las desventajas del método de Newton-Raphson a su criterio son?
ANALISIS NUMERICO
UNIDAD II
MÉTODOS ITERATIVOS PARA LA SOLUCIÓN DE ECUACIONES NO

LINEALES Y ACELERACIÓN DE LA CONVERGENCIA
2.1 SOLUCIÓN DE ECUACIONES NO LINEALES

2.2 MÉTODO DE NEWTON
2.1. 2.2 PREGUNTAS DE AUTOEVALUACIÓN
1. Los métodos presuponen que la ecuación f(x) = 0 tiene solución. Es necesario, antes de
aplicar mecánicamente los métodos, estos son: ?
Respuesta
1) Estudiar la función (Analizar)
2) Averiguar si tiene raíces (Graficar)
3) Ubicarlas aproximadamente (Método)
2. ¿El método de Newton-Raphson tiene convergencia de orden?
Respuesta: cuadrática
3. ¿Las desventajas del método de Newton-Raphson a su criterio son?
Respuesta: No es de los métodos más rápidos y sobre todo en algunos casos no es fácil o
accesible encontrar la derivada de la función.
2.3 MÉTODO DE LA SECANTE
2.3 PREGUNTAS DE AUTOEVALUACIÓN
4. ¿Cuál es la característica principal o requisito inicial del Método de la Secante?
ANALISIS NUMERICO
Respuesta: Requiere de dos puntos iniciales de X, para iniciar el proceso de

convergencia a la raíz.
5. ¿El método de la Secante que tipo de convergencia tiene?

Respuesta: cuadrática
UNIVERSIDAD DE EL SALVADOR
EDUCACIÓN A DISTANCIA
ANÁLISIS NUMÉRICO
ANS115
UNIDAD II
MÉTODOS ITERATIVOS PARA LA
SOLUCIÓN DE ECUACIONES NO LINEALES
Y ACELERACIÓN DE LA CONVERGENCIA
ANÁLISIS NUMÉRICO
ANS115
TEMA
- El Método de la Secante
Agenda
• Método de la Secante
• Teorema
• Algoritmo
• Grafica
• Ejemplos
Objetivos
• Estudiar el métodos de la Secante en base a los

criterios de eficiencia, precisión y tolerancia.
• Analizar una muestra de datos empleando cada
uno de los métodos matemáticos del Método de
la Secante
Método de la Secante
El involucrar la derivada es un problema en el método

de Newton-Raphson ya que en algunos casos no se
puede calcular con facilidad.
La derivada de 𝒇(𝒙) en un punto 𝒙𝒏 puede

aproximarse usando el método de los elementos
finitos, por:
𝑓 𝑥𝑛−1 − 𝑓(𝑥𝑛 )
𝑓′(𝑥𝑛 ) ≈
𝑥𝑛−1 − 𝑥𝑛
Entonces, remplazando:
𝒇 (𝒙𝒏 ) 𝑓 𝑥𝑛−1 − 𝑓(𝑥𝑛 )
𝒙𝒏+𝟏 = 𝒙𝒏 − 𝑓′(𝑥𝑛 ) ≈
𝒇 ′(𝒙𝒏 ) 𝑥𝑛−1 − 𝑥𝑛
𝑓 (𝑥𝑛 )
= 𝑥𝑛 −
𝑥𝑛−1 − 𝑥𝑛 De esta manera,
obtenemos el proceso
𝑓 (𝑥𝑛 )(𝑥𝑛−1 − 𝑥𝑛 ) iterativo que nos da el
= 𝑥𝑛 − método de la secante
Es un método en que, para aproximarse a la raíz, en

cada iteración se evalúa la función y no la derivada.
𝑓 (𝑥𝑛 )(𝑥𝑛−1 − 𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 − 𝑛 = 0,1,2,3 …
𝒙𝟏
a b
raíz x
f(x)
p3
p4
p2
p0 p
0 p1 x
f  pn 1  pn 1  pn 2 
pn  pn 1 
f  pn 1   f  pn  2 
Elegir dos puntos iniciales cualquiera x0 , x1

.
para los cuales se evalúan los valores de la
función : f ( x0 ) y f ( x1 )
Se traza una recta secante por esos dos

puntos
El punto de intersección de esta recta con el

.
eje de las abscisas (x2 ,0) constituye una
segunda aproximación de la raíz
Se reemplazan los subíndices: xi = xi+1, de

manera que x1 pasa a ser x0 y x2 pasa a ser
x1
Se traza una segunda secante por los nuevos

puntos x0, x1, obteniendo una segunda
aproximación con x2
El proceso se repite n veces hasta que el

punto de intersección x2 , coincide con el
valor exacto de la raíz
EL ERROR RELATIVO ES
NEWTON Y SECANTE PROPORCIONAL AL
CONVERGEN CUADRADO DEL ERROR
CUADRÁTICAMENTE CORRESPONDIENTE DE
AL VALOR DE LA RAÍZ LA ITERACIÓN
ANTERIOR
CUANDO EL ERROR CUANDO EL ERROR

RELATIVO EN UNA
RELATIVO EN UNA
ITERACIÓN ES MENOR
QUE 1 (INFERIOR AL
ITERACIÓN ES MAYOR
100%), LA CONVERGENCIA QUE 1, LA DIVERGENCIA
ESTÁ GARANTIZADA ESTÁ GARANTIZADA
ALGORITMO
ENTRADA: Las aproximaciones iniciales p0 y p1. La
Tolerancia (TOL) y el Número Máximo de Iteraciones N0)
SALIDA: Solución aproximada p o mensaje de error
1) Hacer i=2; q0=f(p0); q1=f(p1)
2) Mientras i ≤ N0 Hacer pasos 3 a 6
3) Hacer p = p1 - q1 (p1 - p0 )/(q1 - q0 ).
4) Si |p- p1 |<TOL entonces SALIDA(p); PARAR
5) Hacer i=i+1
6) Hacer p0 = p1 ; q0 = q1 ; p1 = p ; q1=f(p)
7) SALIDA (‘El método falló’); PARAR
Ejemplo 1
Estimar el valor de la raíz de la ecuación 𝒙𝟑 + 𝟒𝒙 − 𝟐 = 𝟎
aplicando el método de la secante con valores iniciales
𝒙−𝟏 = 𝟏, 𝒙𝟎 = 𝟎
𝒙𝒏−𝟏 𝒙𝒏 𝒙𝒏+𝟏
1 0 ?
𝑓(𝑥𝑛 )(𝑥𝑛−1 − 𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 −
Raíz
𝑓(0)(1 − 0)
𝑥𝑛+1 =0−
𝑓 1 − 𝑓(0)
𝑓(0)(1 − 0)
𝑥𝑛+1 =0−
𝑓 1 − 𝑓(0)
−2 ∗ (1)
𝑥𝑛+1 = 0 −
3 − (−2)
Raíz −2
𝑥𝑛+1 = 0 −
5
𝑥𝑛+1 = 0.4
Completamos nuestra tabla y continuamos las iteraciones hasta
encontrar la aproximación más cercana
𝑥𝑛−1 𝑥𝑛 𝑥𝑛+1
1 0 0.4
Ejemplo 2
Estimar el valor de la raíz de la ecuación aplicando el
método de la secante con valores iniciales
𝒙 𝟐−𝟓=𝟎 𝒙−𝟏 = 𝟑, 𝒙𝟎 = 𝟐
𝑥𝑛−1 𝑥𝑛 𝑥𝑛+1
3 2 ?
𝑓 (𝑥𝑛 )(𝑥𝑛−1 − 𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 −
Raíz
𝑓(2)(3 − 2)
𝑥𝑛+1 =2−
𝑓 3 − 𝑓(2)
𝑓(2)(3 − 2)
𝑥𝑛+1 =2−
𝑓 3 − 𝑓(2)
−1 ∗ (1)
𝑥𝑛+1 = 2 −
4 − (−1)
raíz
−1
𝑥𝑛+1 = 2 − 𝑥𝑛−1 𝑥𝑛 𝑥𝑛+1
5
3 2 2.2
𝑥𝑛+1 = 2.2
Se toma los nuevos valores iniciales y continuamos con
la siguiente iteración: 𝑥 𝑥 𝑥
𝑛−1 𝑛 𝑛+1
3 2 2.2
2 2.2 ?
Haciendo los cálculos desde Excel, la tabla tendría lo

siguientes valores:
n xn-1 xn xn+1
0 3,0000 2,0000 2,2000
1 2,0000 2,2000 2,2381
2 2,2000 2,2381 2,2361
3 2,2381 2,2361 2,2361
4 2,2361 2,2361 2,2361
Como resultado, tenemos que la aproximación a la raíz

es: 2.2361
Feliz día !!
ANALISIS NUMERICO
UNIDAD II
2.4 MÉTODO DE BISECCIÓN Y REGULA FALSI
1. INTRODUCCIÓN
Supongamos que se tiene una función continua en el intervalo [a,b] y de tal manera que
f(a)*f(b) < 0 esto quiere decir que f(x) tiene un cero en el intervalo abierto (a,b). Por la razón
que el producto del valor de la función en a y b es negativo es decir cambia de signo en el
intervalo [a,b], lo que afirma es una consecuencia del teorema del valor medio.
Pues el método en análisis explota el hecho anterior para su fundamento, pues dicho
método determina c = (a+b)/2 y averigua si f(a) f(c) <0 si esto resulta siendo cierto entonces
f(x) tiene una raíz en el intervalo [a,c]. En seguida tomamos el valor de c como b y realizamos
el mismo análisis anterior.
2. OBJETIVO
Definir y Comparar el método matemáticos de la Bisección, con otros métodos, en base a los
criterios de eficiencia, precisión y tolerancia. Se Analizara una muestra de datos empleando
cada uno de los métodos matemáticos de Bisección con otros métodos
ANALISIS NUMERICO
3. MÉTODO DE LA BISECCION
El método de bisección consiste en dividir el intervalo en 2 subintervalos de igual magnitud,

reteniendo el subintervalo en donde f cambia de signo, para conservar al menos una raíz o
cero, y repetir el proceso varias veces.
Por ejemplo, suponga que f tiene un cero en el intervalo [a,b].
Primero se calcula el punto medio del intervalo Si f es una función continua sobre el intervalo
[a,b] y si f(a) f(b)<0, entonces f debe tener un cero en (a,b). Dado que f(a)f(b)<0, la función
cambia de signo en el intervalo [a,b] y por lo tanto tiene por lo menos un cero en el intervalo.
Esta es una consecuencia del teorema del valor intermedio para funciones continuas, que
establece que si f es continua en [a,b] y si k es un número entre f(a) y f(b) , entonces existe por
lo menos un c (a,b) tal que f(c)=k. (para el caso en que f(a)f(b)<0 se escoge k=0,
luego f(c)=0, c (a,b)).
; Después se averigua sí f(a)f(c)<0. Si lo es, entonces f tiene un cero en [a,c].
A continuación se renombra a c como b y se comienza una vez más con el nuevo intervalo [a,b],
cuya longitud es igual a la mitad del intervalo original.
Si f(a)f(c)>0 , entonces f(c)f(b)<0 y en este caso se renombra a c como a.
En ambos casos se ha generado un nuevo intervalo que contiene un cero de f, y el proceso

puede repetirse.
Si ocurriera que f(a) f(c) >0 entonces f(c) f(b) < 0 en este caso redefinimos a c =a En ambos
caso a sucedido que se a determinado un nuevo intervalo que contiene una raíz de la función y
el proceso puede repetirse.
Si f(a)* f(c) = 0, o f(c)* f(b) = 0; entonces f(c) = 0 y con esto se ha determinado una raíz del
polinomio, pero vale aclarar que este caso no sucede en general puesto que los redondeos en
una computadora difícil es cero. Por esta razón es que para concluir se debe realizar con una
tolerancia de 10-3.
Este método también se le conoce con el nombre de método de la bipartición, pero debemos
destacar este método es el más sólido y seguro que los otros métodos para encontrar una raíz
en un intervalo.
ANALISIS NUMERICO
INTERPRETACIÓN GRÁFICA
f(a)
f(b)
a c
b
a c b
f(c) f(b) f(a)
Caso a) f(a)*f(c)<0¸ Caso b) f*(c)f(b)<0
Ejemplo.
La función f(x) = x senx – 1 tiene un cero en el intervalo [0,2], porque f(0) = -1 y f(2)=0.818595.
Si se denota con , entonces c1 = 1. Ahora f(c1) = f(1) = -0.158529,
luego la función tiene un cero en el intervalo [c1, b1] = [1,2] ; se renombra a2=c1 y b2=b1 .
El nuevo punto medio es y f(c2) = f(1.5) = 0.496242, el cero está en el
intervalo [a2, c2] y se renombra como [a3,b3].
En la tabla de abajo se muestran las primeras nueve iteraciones del método de bisección
para f(x)= x senx –1 con a=0 b=2.
Erro Relativo
Extremo Extremo Punto Valor de la
n
izquierdo an derecho bn medio cn función f(cn)
1 0 2 1 -0.158529
2 1 2 1.5 0.496242 0.333333
3 1 1.5 1.25 0.186231 0.2
4 1 1.25 1.125 0.015051 0.111111
5 1 1.125 1.0625 -0.071827 0.0588235
6 1.0625 1.125 1.09375 -0.028362 0.0285714
7 1.09375 1.125 1.109375 -0.006643 0.0140845
ANALISIS NUMERICO
8 1.1093750 1.125 1.1171875 0.004208 0.0069930

9 1.1093750 1.1171875 1.11328125 -0.001216 0.0035087
(c = 1.114157141 es el cero de f(x) = xsenx - 1)
Para detener el método de bisección y dar una aproximación del cero de una función se pueden
usar varios criterios (llamados criterios de parada).
Uno de los criterios de parada consiste en examinar si |f(cn)| < , donde es una tolerancia
previamente establecida (por ejemplo = 10-3). Otro criterio que puede utilizarse es examinar
Sí También se puede usar como criterio de parada el error relativo entre dos
aproximaciones del cero de f ,
En el ejemplo anterior si =0.005, el procedimiento se pararía en la octava iteración con el

criterio |f(cn)|< , ya que:
|f(c8)| = |f(1.1171875)| = 0.004208 < = 0.005,
pero si se usa el criterio , el procedimiento se detendría en la novena iteración

porque:
Cuando se generan aproximaciones por medio de una computadora, se recomienda fijar un

número máximo de iteraciones N que debería realizar la máquina. Esto con el fin de contar con
un resguardo para evitar la posibilidad de que el proceso de cálculo caiga en un ciclo infinito
cuando la sucesión diverge (o cuando el programa no está codificado correctamente).
Un algoritmo para el método de bisección es:
ANALISIS NUMERICO
Teorema. (Error en el método de bisección).

Si f es continua en [a, b] y f(a) f(b) < 0, el método de bisección genera una sucesión que
aproxima un cero c de f con la propiedad que: ,n 1
Ejemplo.
Para determinar el número de iteraciones necesarias para aproximar el cero de f(x) = x sen x - 1
con una exactitud de 10-2en el intervalo [0,2], se debe hallar un número n tal que:
< 10-2, es decir, n > 7.643...
Se necesitan aproximadamente unas 8 iteraciones.
Observe en la tabla de aproximaciones que el cero de f(x) = xsen x - 1 es c=1.114157141

y c8=1.1171875.
El error real es = 0.003030359 3x10-3. El error real es menor que el error dado por el
teorema; en la mayoría de casos la cota de error dada por el teorema es mayor que el número
de iteraciones que realmente se necesitan. Para este ejemplo, = 0.004782141<10-2 = 0.01
Notas:
 El método de bisección tiene la desventaja que es lento en cuanto a convergencia (es

decir que se necesita un n grande para que se pequeño). Otros métodos requieren
menos iteraciones para alcanzar la misma exactitud, pero entonces no siempre se conoce
una cota para la precisión.
ANALISIS NUMERICO
 El método de bisección suele recomendarse para encontrar un valor aproximado del cero
de una función, y luego este valor se refina por medio de métodos más eficaces. La razón
es porque la mayoría de los otros métodos para encontrar ceros de funciones requieren
un valor inicial cerca de un cero; al carecer de dicho valor, pueden fallar por completo.
 Resolver una ecuación en una variable como por ejemplo: xex=1 es equivalente a resolver
la ecuación xex-1=0 , o a encontrar el cero de la función f(x) = xex-1. Para aproximar el cero
de f o la raíz de la ecuación se puede hacer la gráfica de f en una calculadora o usar
Matlab para determinar un intervalo donde f tenga un cero. También se pueden ensayar
números a y b de tal manera que f(a)f(b)<0. Para el caso de f(x) = xex-1 por ejemplo f(0) = -
1, f(1) = e-1 1.71828 entonces f tiene un cero en el intervalo [0,1].
 Cuando hay raíces múltiples, el método de bisección quizá no sea válido, ya que la función
podría no cambiar de signo en puntos situados a cualquier lado de sus raíces. Una gráfica
es fundamental para aclarar la situación. En este caso sería posible hallar los ceros o
raíces trabajando con la derivada f’(x), que es cero en una raíz múltiple.
METODO DE LA REGULA FALSI
1. INTRODUCCIÓN
Él método de la Regula falsi o falsa posición, es un método iterativo de resolución numérica de
ecuaciones no lineales. Este método combina el método de bisección y el método de la secante.
Como se mencionó en el método de bisección, conviene considerar que la raíz de una ecuación
está localizada más cerca de alguno de los extremos del intervalo. Consideremos nuevamente
una gráfica de la función f(x)
ANALISIS NUMERICO
Donde hemos agregado la línea recta que une los puntos extremos de la gráfica en el intervalo
[a, b].
Es claro que si en lugar de considerar el punto medio del intervalo, tomamos el punto donde
cruza al eje X esta recta, nos aproximaremos mucho más rápido a la raíz; ésta es en sí, la idea
central del método de la regla falsa y ésta es realmente la única diferencia con el método de
bisección, puesto que en todo lo demás los dos métodos son prácticamente idénticos.
2. OBJETIVO
Definir y Comparar el método matemáticos de la Regula Falsi . Se analizara una muestra de
datos empleando cada uno de los métodos matemáticos de Bisección con otros métodos.
3. MÉTODO DE LA REGULA FALSI
Supongamos que tenemos una función f(x) que es continua en el intervalo [Xa , X b].y además
f(Xa) y f(Xb) , tienen signos opuestos. Calculemos la ecuación de la línea recta que une los
puntos (Xa, f(Xa)), (Xb, f(Xb)) . Sabemos que la pendiente de esta recta está dada por:
Por lo tanto la ecuación de la recta es:
Para obtener el cruce con el eje X, hacemos Y = 0
Multiplicando por Xa , X b nos da:
ANALISIS NUMERICO
Finalmente, de aquí despejamos X :
Este punto es el que toma el papel de Xr en lugar del punto medio del método de bisección.
Así pues, el método de la regla falsa sigue los siguientes pasos:
Sea f(x) continua,
i) Encontrar valores iniciales Xa , X b , tales que f(Xa) y f(Xb) tengan signos opuestos, es decir,
f(Xa) * f(Xb) < 0

ii) La primera aproximación a la raíz se toma igual a:
iii) Evaluar f(Xr) . Forzosamente debemos caer en uno de los siguientes casos:
f(Xa) * f(Xr) < 0
En este caso, tenemos que f(Xa) y f(Xr) tienen signos opuestos, y por lo tanto la raíz se
encuentra en el intervalo [Xa , X r].
f(Xa) * f(Xr) > 0
En este caso, tenemos que f(Xa) y f(Xr) y tienen el mismo signo, y de aquí que f(Xr) y f(Xb) tienen signos
opuestos. Por lo tanto, la raíz se encuentra en el intervalo [Xr , X b]
f(Xa) * f(Xr) = 0
En este caso f(Xr) = 0 se tiene que y por lo tanto ya localizamos la raíz. El proceso se vuelve a
repetir con el nuevo intervalo, hasta que: |ϵa |< ϵ
Ejemplo 1
ANALISIS NUMERICO
Usar el método de la regla falsa para aproximar la raíz de , comenzando en el

intervalo [1,2] y hasta que |ϵa |< 1%
Solución
Así pues esta función es continua en el intervalo dado y que toma signos opuestos en los
extremos de dicho intervalo. Por lo tanto podemos aplicar el método de la regla falsa.
Calculamos la primera aproximación:
Puesto que solamente tenemos una aproximación, debemos seguir con el proceso. Así pues,
evaluamos
Observar el cambio de signo
De donde vemos que la raíz se encuentra en el intervalo [1,1.397410482],. Con este nuevo
intervalo, calculamos la nueva aproximación:
En este momento, podemos calcular el primer error aproximado:
ANALISIS NUMERICO
Puesto que no se cumple el objetivo seguimos con el proceso. Evaluamos f(Xr2) =

f(1,321130513 ) = -0.011654346 < 0 , y hacemos la tabla de signos:
De donde vemos que la raíz se encuentra en el intervalo [1,1.321130513] , con el cual, podemos
calcular la nueva aproximación:
Y el error aproximado:
Como se ha cumplido el objetivo, concluimos que la aproximación buscada es:
Xr3 = 1.311269556
Observe la rapidez con la cual converge el método de la regla falsa a la raíz, a diferencia de la
lentitud del método de la bisección.
Ejemplo 2
Usar el método de la regla falsa para aproximar la raíz de ( ) ( )
comenzando en el intervalo [0,1] y hasta que |ϵa |<. 1% .
Solución
Este es el mismo ejemplo 2 del método de la bisección. Así pues, ya sabemos que se cumplen
las hipótesis necesarias para poder aplicar el método, es decir f(x), que sea continua en el
intervalo dado y que f(x) tome signos opuestos en los extremos de dicho intervalo.
Calculamos pues, la primera aproximación:
ANALISIS NUMERICO
Como solamente tenemos una aproximación, debemos avanzar en el proceso. Evaluamos

( ) ( )
Y hacemos nuestra tabla de signos:
De lo cual vemos que la raíz se localiza en el intervalo [0, 0.5600991535] . Así pues, calculamos
la nueva aproximación:
Y calculamos el error aproximado:
Puesto que no se cumple el objetivo, seguimos avanzando en el proceso. Evaluamos

( ) ( ) . Y hacemos
nuestra tabla de signos:
De los cual vemos que la raíz se localiza en el intervalo [0, 0.5231330281], con el cual podemos
calcular al siguiente aproximación:
Y el siguiente error aproximado:
Como se ha cumplido el objetivo, concluimos que la aproximación buscada es:
ANALISIS NUMERICO
Xr3 = 0.5204706484
Nuevamente observamos el contraste entre la rapidez del método de la regla falsa contra la
lentitud del método de la bisección. Por supuesto que puede darse el caso en el que el método
de la regla falsa encuentre la aproximación a la raíz de forma más lenta que el método de la
bisección. Como ejercicio, el estudiante puede aplicar ambos métodos a la función f(X) = X6-1,
comenzando en el intervalo [0, 1.5], donde notará que mientras que el método de bisección
requiere de 8 aproximaciones para lograr que |ϵa |< 1%, el método de la regla falsa necesita
hasta 16 aproximaciones.
https://es.wikipedia.org/wiki/M%C3%A9todo_de_bisecci%C3%B3n
https://es.wikipedia.org/wiki/M%C3%A9todo_de_la_regla_falsa
5. BIBLIOGRAFÍA
6. GLOSARIO
1. ¿Explique brevemente el método de la Bisección?
2. ¿Cuál considera las desventajas del Método de la Bisección?
3. ¿Qué es el método de la regla falsa?
ANALISIS NUMERICO
UNIDAD II
2.5 METODO DEL PUNTO FIJO
1. INTRODUCCIÓN
Un punto fijo de una función g: R → R es un número real r para el cual g(r) = r. Los problemas
de búsqueda de raíces y los de punto fijo son clases equivalentes en el siguiente sentido:
 Dado el problema de hallar una solución r de la ecuación f(x) = 0, es posible definir una
función g(x) que tenga a r como punto fijo.
 Si r es un punto fijo de la función g(x), entonces el número r es un cero de la función
f(x) = x – g(x).
Para poder determinar si una función tiene un punto fijo, es necesario verificar el siguiente
teorema que contiene las condiciones suficientes para la existencia y unicidad de un punto fijo.
 Si g Є C[a, b] y g(x) Є [a, b] " x Є [a, b], entonces g tiene un punto fijo en ese intervalo.
 Si además existe g’(x) en (a, b) y existe una constante positiva k < 1 tal que |g’(x)| ≤
k " x Є (a b), entonces el punto fijo de f en [a, b] es único.
De esta manera, es posible definir una fórmula recursiva que permita aproximar el valor de la
raíz r de la ecuación f(x)=0:
rn+1 = g(rn) n ≥ 0
en donde x0 es la aproximación inicial.
Si se grafica los dos miembros de la ecuación x = g(x) como las funciones y = x e y = g(x), la raíz
buscada r es la abscisa del punto de intersección de dichas funciones.
2. OBJETIVO
Definir y Comparar el método matemáticos del Punto Fijo con sus diferentes posibilidades de
convergencia o en su defecto si hay divergencia. Se Analizara una muestra de datos empleando
cada uno de los métodos matemáticos de Bisección con otros métodos
3. MÉTODO DEL PUNTO FIJO
ANALISIS NUMERICO
Los métodos vistos se aplican a la solución de la ecuación f(x) = 0. El método de punto fijo sirve
para resolver la ecuación
g(x) = x
Se busca un x* tal que su imagen, por medio de la función g, sea el mismo x*. Por tal motivo se
dice que x* es un punto fijo de la función g.
La aplicación del método es muy sencilla. A partir de un x0 dado, se aplica varias veces la
formula
xk+1 = g(xk ).
Se espera que la sucesión {xk } construida mediante la fórmula anterior converja hacia x∗. En
algunos casos el método, además de ser muy sencillo, es muy eficiente; en otros casos la
eficiencia es muy pequeña, finalmente, en otros casos el método definitivamente no sirve.
Ejemplo. Resolver x3 + x2 + 6x + 5 = 0. Esta ecuación se puede escribir en la forma
3 2
x =− x + x + 5
6
Aplicando el método de punto fijo a partir de x0 = −1 se tiene:
x0 = -1
x1 = -0.833333
x2 = -0.852623
x3 = -0.851190
x4 = -0.851303
x5 = -0.851294
x6 = -0.851295
x7 = -0.851295
x8 = -0.851295
Entonces se tiene una aproximación de una raíz, x∗ ≈ −0.851295. En este caso el método
función´ muy bien. Utilicemos ahora otra expresión para x = g(x):
3
x = − x + 6x + 5 ·
x
Aplicando el método de punto fijo a partir de x0 = −0.851, muy buena aproximación de la raíz,
se tiene:
ANALISIS NUMERICO
x0 = -0.8510
x1 = -0.8488
x2 = -0.8294
x3 = -0.6599
x4 = 1.1415
x5 = -11.6832
x6 = -142.0691
x7 = -2.0190e+4
En este caso se observa que, aun partiendo de una muy buena aproximación de la solución, no
hay convergencia.
Antes de ver un resultado sobre convergencia del método de punto fijo, observemos su
interpretación gráfica. La solución de g(x) = x está determinada por el punto de corte, si lo hay,
entre las gráficas y = g(x) y y = x.
Después de dibujar las dos funciones, la construcción de los puntos x1, x2, x3... se hace de la
siguiente manera. Después de situar el valor x0 sobre el eje x, para obtener el valor x1, se busca
verticalmente la curva y = g(x). El punto obtenido tiene coordenadas (x0, g(x0)), o sea, (x0, x1).
Para obtener x2 = g(x1) es necesario inicialmente resituar x1 sobre el eje x, para lo cual basta con
buscar horizontalmente la recta y = x para obtener el punto.
y=x
y = g(x)
x∗
Método Punto fijo
(x1, x1). A partir de este punto se puede obtener x2 buscando verticalmente la curva y = g(x). Se
tiene el punto (x1, g(x1)), o sea, (x1, x2). Con desplazamiento horizontal se obtiene (x2, x2).
En resumen, se repite varias veces el siguiente procedimiento: a partir de (xk , xk ) buscar
verticalmente en la curva y = g(x) el punto (xk , xk+1), y a partir del punto obtenido buscar
ANALISIS NUMERICO
horizontalmente en la recta y = x el punto (xk+1, xk+1). Si el proceso converge, los puntos

obtenidos tienden hacia el punto (x∗, g(x∗)) = (x∗, x∗).
En las siguientes graficas muestran gráficamente la utilización del método; en los dos primeros
casos hay convergencia; en los otros dos no hay, aun si la aproximación inicial es bastante
buena.
En seguida se presentan dos teoremas sobre la convergencia del método de punto fijo; el
primero es más general y más preciso, el segundo es una simplificación del primero, de más
fácil aplicación para ciertos problemas.
Teorema . Sea g continuamente diferenciable en el intervalo [a, b], tal que
g([a, b]) ⊆ [a, b],
|g′(x)| < 1, para todo x ∈ [a, b].
Entonces existe un único x∗ en [a, b] solución de x = g(x) y la iteración de punto fijo converge a x∗
para todo x0 ∈ [a, b]
y=x
y = g(x)
x0 x1 x2 x3 x∗
Método de punto fijo (a)
ANALISIS NUMERICO
y=x
y = g(x)
x0 x2 x∗ x3 x1
Método de punto fijo (b)
y = g(x) y=x
x ∗ x0 x2 x3 x4
Método de punto fijo (c)
ANALISIS NUMERICO
y = g(x) y=x
x3 x1 x∗ x0 x2 x4
Método de punto fijo (d)
Teorema: Sea x∗ solución de x = g(x), g continuamente diferenciable en un intervalo abierto I tal

que x∗ ∈ I, |g′(x∗)| < 1. Entonces la iteración de punto fijo converge a x∗ para todo x0
suficientemente cerca de x∗.
El caso ideal (la convergencia es más rápida) se tiene cuando g′(x*) ≈ 0.

En los dos ejemplos numéricos anteriores, para resolver x3+x2+6x+5 = 0, se tiene: x = g(x) = −(x3
+ x2 + 5)/6, g′(−0.8513) = −0.0786. Si se considera x = g(x) − (x3 + 6x + 5)/x, g′(−0.8513) = 8.6020.
Estos resultados numéricos concuerdan con el último teorema.
Dos de los ejemplos gráficos anteriores muestran justamente que cuando |g′(x∗)| < 1 el método
converge.
Ejemplo. Resolver x2 = 3, o sea, calcular √3
x2 = 3,
x2 + x2 = x2 + 3,
x = x2 + 3
2x
x = x + 3/x
2
x0 = 3
x
1 = 2
x2 = 1.75000000000000
x3 = 1.73214285714286
ANALISIS NUMERICO
x4 = 1.73205081001473
x
5 = 1.73205080756888
x6 = 1.73205080756888
Se observa que la convergencia es bastante rápida. Este método es muy utilizado para calcular
raíces cuadradas en calculadoras de bolsillo y computadores.
Aplicando el teorema anterior y teniendo en cuenta que g′(x*) = g′( 3) = 1/2 − 1.5/x*2 = 0, se
concluye rápidamente que si x0 está suficientemente cerca de √3 entonces el método
converge.
https://es.wikipedia.org/wiki/M%C3%A9todo_del_punto_fijo
5. BIBLIOGRAFÍA
6. GLOSARIO
1. ¿Cuál es la característica más importante del método el punto fijo?

2. ¿Cuál considera una desventaja o la dificultad con este método?
ANALISIS NUMERICO
UNIDAD II
2.5 METODO DEL PUNTO FIJO
1. ¿Cuál es la característica más importante del método el punto fijo?
Respuesta: Buscar una función equivalente g(x) y converger a la intercepción con f(x)., en
donde en dicha intercepción reflejado en x se encuentra la raíz.
2. ¿Cuál considera una desventaja o la dificultad con este método?
Respuesta: es encontrar adecuadamente la función f(x) a partir de la función dada f(x)
ANALISIS NUMERICO
UNIDAD II
2.6 MÉTODO DEL PUNTO FIJO MODIFICADO Y
2.7 MÉTODO DE PUNTO FIJO Y MÉTODO DE NEWTON
2.8 MÉTODO DE NEWTON MODIFICADO
1. INTRODUCCIÓN
Para comprender mejor este material de clase debemos retomar el siguiente Teorema, que
define el método del punto Fijo:
Teorema. Sea g continuamente diferenciable en el intervalo [a, b], tal que
g([a, b]) ⊆ [a, b],
|g′(x)| < 1, para todo x ∈ [a, b].
Entonces existe un único x∗ en [a, b] solución de x = g(x) y la iteración de punto fijo converge a x∗
para todo x0 ∈ [a, b]
y=x
y = g(x)
x0 x1 x2 x3 x∗
Método de punto fijo (a)
ANALISIS NUMERICO
2. OBJETIVO
Definir y Comparar el método matemáticos del método del punto fijo con el modificado, así
también el método de Newton con el Punto Fijo.
3. 2.6 MÉTODO DEL PUNTO FIJO MODIFICADO

La convergencia del método de punto fijo se puede tratar de mejorar re-tomando las ideas del
método de la secante. Consideremos la ecuación x = g(x) y los puntos (xi, g(xi)), (xj , g(xj )), sobre
la gráfica de g.
Es-tos puntos pueden provenir directamente o no del método de punto fijo.
Es decir, se puede tener que xi+1 = g(xi) y que xj+1 = g(xj ), pero lo anterior no es obligatorio.
La idea consiste simplemente en obtener la ecuación de la recta que pasa por esos dos puntos y
buscar la intersección con la recta y = x.
La abscisa del punto dar´ un nuevo valor xk..
y = mx + b
m = g(xj ) − g(xi)
xj − xi
g(xi) = mxi + b
b = g(xi) − mxi
xk = mxk + b
x = b/(1-m)
k
Ahora se usan los puntos (xj , g(xj )), (xk , g(xk )), para obtener un nuevo xm, y así sucesivamente.
Usualmente, j = i + 1 y k = j + 1.
A continuación se muestra el programa del Método del Punto Fijo, como una base para que sea
adecuado por parte del estudiante al método del punto fijo modificado y probarlo ya que será
un contenido a evaluarse.
% PROGRAMA DE ITERACION DEL METODO DEL PUNTO FIJO

%
% Para encontrar una solución a p = g(p), dada una
ANALISIS NUMERICO
% aproximación inicial p0
%
% ENTRADA: Aproximación inicial p0; tolerancia TOL;
% máximo numero de iteraciones NO.
%
% SALIDA: solución aproximada de p o un mensaje
% un mensaje de que el método fallo.
syms('OK', 'P0', 'TOL', 'NO', 'BANDERA', 'NOMBRE', 'OUP', 'I', 'P');
syms('x','s');
TRUE = 1;
FALSE = 0;
fprintf(1,'Este es el Método del Punto Fijo.\n');
fprintf(1,'Ingrese la función G(x) en términos de x\n');
fprintf(1,'Por ejemplo: cos(x) \n');
s = input(' ');
G = inline(s,'x');
OK = FALSE;
fprintf(1,'Ingrese la aproximación inicial\n');
P0 = input(' ');
while OK == FALSE
fprintf(1,'Ingrese tolerancia\n');
TOL = input(' ');
if TOL <= 0
fprintf(1,'Tolerancia debe ser positiva\n');
else
OK = TRUE;
end
end
OK = FALSE;
while OK == FALSE
fprintf(1,'Ingrese el máximo numero de iteraciones - sin punto decimal\n');
NO = input(' ');
if NO <= 0
fprintf(1,'Debe ser un entero positivo\n');
else
OK = TRUE;
end
end
if OK == TRUE
fprintf(1,'Seleccione el destino de la salida\n');
fprintf(1,'1. Pantalla\n');
fprintf(1,'2. Archivo de Texto\n');
ANALISIS NUMERICO
fprintf(1,'Digite 1 o 2\n');
BANDERA = input(' ');
if BANDERA == 2
fprintf(1,'Ingrese el nombre del archivo de la forma - Unidad:\\nombre.ext\n');
fprintf(1,'Por ejemplo: A:\\SALIDA.DTA\n');
NOMBRE = input(' ','s');
OUP = fopen(NOMBRE,'wt');
else
OUP = 1;
end
4. 2.7 MÉTODO DE PUNTO FIJO Y MÉTODO DE NEWTON
Supongamos que c = 6, 0 es una constante y que x∗ es solución de la ecuación f (x) = 0. Esta se

puede reescribir
0 = c f (x),
x = x + c f (x) = g(x).
Si se desea resolver esta ecuación por el método de punto fijo, la convergencia es más rápida
cuando g′(x*) = 0, o sea,
1 + c f ′(x∗) = 0,
1
c=−
f ′(x*)
Entonces al aplicar el método de punto fijo a se tiene la formula
f (xk )
x =x −
k+1 k f ′(x∗)
Para aplicar esta fórmula se necesitaría conocer f ′(x∗) e implícitamente el valor de x∗, que es
precisamente lo que se busca. La fórmula del método de Newton , puede ser vista simplemente
ANALISIS NUMERICO
como la utilización y reemplazando f ′(x∗) por la mejor aproximación conocida en ese momento:
f ′(xk ).
4. INTRODUCCIÓN
El método de Newton modificado consiste en aplicar el método de Newton univariable dos
veces (para el caso de un sistema de n ecuaciones no lineales con n incógnitas, se aplicará n
veces), un para cada variable.
Cuando la cantidad de raíces es impar, la función cruza al eje; cuando la cantidad es par, no
lo cruza. Una raíz múltiple corresponde a un punto donde una función es tangencial al eje x,
y varios valores de x hacen que f(x) sea cero.
El Método de Newton es ampliamente utilizado para encontrar las raíces de la

ecuación f(x)=0, ya que converge rápidamente, la contra es que uno debe conocer la
derivada de f(x) y se necesita una aproximación inicial a la raíz.
Permite aproximar las primeras n iteraciones en el método de Newton- modificado aplicado

a la función f tomando como aproximación inicial x0 . Observe que no requiere construir la
función M definida en el método de Newton modificado.
5. OBJETIVO
Identificar las variantes de mejora entre el método de Newton modificado. Analizar una
muestra de datos empleando cada los métodos matemáticos para este método.
6. MÉTODO DE NEWTON MODIFICADO
La dificultad del método de Newton Raphson mejorado en el comportamiento de una

función con raíces múltiples obliga a considerar una modificación del método discutido por
Ralston. Como primero se desean encontrar las raíces de una función f(x). Definimos una
función nueva U(x), dada por:
ANALISIS NUMERICO
Se observa que la función U(x) tiene las mismas raíces que f(x), entonces U(x) se vuelve
cero en cualquier punto que f(x) es cero.
Suponiendo ahora que f(x) tiene una raíz múltiple en x = c de multicidad r. Esto podría
ocurrir, por ejemplo, si f(x) contiene un factor (x-c).
Entonces, podría fácilmente demostrarse que U(x) tiene una raíz en x = c de multicidad
r, o una raíz simple. Puesto que el método de Newton es efectivo para raíces simples,
podemos aplicar el método de Newton para resolver U(x) en lugar de f(x).
De esta manera, la ecuación recursiva de este método queda:
Derivando la función auxiliar U(x) queda:
Esto puede producir convergencia en alguno de los arreglos y divergencia en el otro es posible
saber de antemano si la primera o la segunda forma convergirán para el caso de sistemas de
dos ecuaciones, pero cuando 3 <= n las posibilidades son varias (n!) y es imposible conocer cuál
de estos arreglos tiene viabilidad de convergencia, por lo cual la elección se convierte en un
proceso aleatorio.
Esta aleatoriedad es la mayor desventaja de este método.
Para una ecuación polinómica de grado n, se tienen n raíces (entre complejas y reales).
ANALISIS NUMERICO
 Se dice que hay una raíz doble, cuando 2 términos de la ecuación son iguales a cero a un
valor de x.
 Se dice que hay una raíz triple, cuando 3 términos de la ecuación son iguales a cero a un
valor de x.
Cuando la cantidad de raíces es impar, la función cruza al eje; cuando la cantidad es par, no lo
cruza.
“Una raíz múltiple corresponde a un punto donde una función es tangencial al eje x, y varios
valores de x hacen que f(x) sea cero.”
Para este método en particular son necesarios los siguientes parámetros:
1) xi
2) f(Xi)
3) f’(Xi)
4) f’’(Xi)
ANALISIS NUMERICO
Ya que este método está significativamente relacionado con el método de Newton-Raphson,

cuando la derivada tiende a cero, tiene problema con la convergencia.
Cuando se tiene existencia de raíces múltiples, tanto el método de Newton-Raphson como el de

la secante convergen linealmente.
ALGORITMO
1.- Inicio.
2.- Pedir la función al usuario.
3.- Pedir el valor inicial.
4.- Pedir el porcentaje de error.
5.- El usuario deberá seleccionar el método con el que se calculara la raíz (Newton-
Raphson o Newton-Raphson mejorado).
6.- Se guardaran en el programa los valores de entrada.
7.- El programa calculara la primera derivada y la segunda derivada.
8.- Dependiendo de la elección para calcular la raíz, graficara la función desde un
intervalo a otro.
9.- Los cálculos seguirán hasta que l error aproximado sea menor que el error limite, y la
raíz se imprimirá.
10.- Fin
EJEMPLO DE CÓDIGO DE NEWTON MODIFICADO EN MATLAB
% Método de Newton Modificado
clear;
clc;
fprintf(‘\n metodo de Newton Rapson Modificado\n\n’);
funcion=input(‘Dame la funcion f(x) : ‘,’s’);
dfuncion=input(‘Dame la derivada de funcion f(x) : ‘,’s’);
d2funcion=input(‘Dame la segunda derivada de función f(x) : ‘,’s’);
xi=input(‘Dame el valor inicial de x : ‘);
e=input(‘Dame el porciento del error : ‘);
ea=1000;
c=1;
x=xi;
while ea>e
g=eval(funcion);
ANALISIS NUMERICO
h=eval(dfuncion);
k=eval(d2funcion);
j=x-(g*h)/(h^(2)-(g*k));
ea=abs((j-x)/j*100);
x=j;
c=c+1;
end
fprintf(‘\n\n\n\nLa raiz exacta es: %d’,j)
fprintf(‘\n\nNumero de iteraciones: %d’,c);
- https://es.wikipedia.org/wiki/M%C3%A9todo_de_Newton
8. BIBLIOGRAFÍA
9. GLOSARIO
1. ¿El método modificado del punto fijo se basa en el método de?

2. ¿En el método del Punto Fijo y Newton, cuál es su similitud?
3. A su criterio cual puede ser una dificultad o desventaja en este método de Newton
Modificado?
4. ¿La mayor ventaja del método a su criterio en Newton Modificados es?
ANALISIS NUMERICO
UNIDAD II
2.6 MÉTODO DEL PUNTO FIJO MODIFICADO Y
2.7 MÉTODO DE PUNTO FIJO Y MÉTODO DE NEWTON
2.8 METODO DE NEWTON MODIFICADO
1. ¿El método modificado del punto fijo se basa en el método de?
Respuesta: El método de la secante. la ecuación de la recta que pasa por esos dos
puntos y buscar la intersección con la recta y = x
2. ¿En el método del Punto Fijo y Newton, cuál es su similitud?
Respuesta: en la ecuaciones 0 = cf(x), x = x + cf(x) = g(x) , al resolver esta ecuación por el

método de punto fijo, la convergencia es más rápida cuando g′(x∗) = 0, que es un
elemento importante de Newton, para acelerar la convergencia y que conlleva a su
fórmula.
3. A su criterio cual puede ser una dificultad o desventaja en este método de Newton
Modificado?
Respuesta: Una dificulta es , el obtener o calcular la segunda derivada de una función
dada, que a veces resulta difícil su obtención o no la tiene.
4. ¿La mayor ventaja del método de newton modificado a su criterio es?
Respuesta: Es más rápido su convergencia, en mucho mayar que el método normal de

Newton.
ANALISIS NUMERICO
UNIDAD II
1. INTRODUCCIÓN
El método de Newton modificado consiste en aplicar el método de Newton univariable dos

veces (para el caso de un sistema de n ecuaciones no lineales con n incógnitas, se aplicará n
veces), un para cada variable.
cruza. Una raíz múltiple corresponde a un punto donde una función es tangencial al eje x, y
varios valores de x hacen que f(x) sea cero.
El Método de Newton es ampliamente utilizado para encontrar las raíces de la ecuación f(x)=0,
ya que converge rápidamente, la contra es que uno debe conocer la derivada de f(x) y se
necesita una aproximación inicial a la raíz.
Permite aproximar las primeras n iteraciones en el método de Newton- modificado aplicado a la

función f tomando como aproximación inicial x0 . Observe que no requiere construir la función
M definida en el método de Newton modificado.
2. OBJETIVO
Identificar las variantes de mejora entre el método de Newton modificado. Analizar una
muestra de datos empleando cada los métodos matemáticos para este método.
3. MÉTODO DE NEWTON MODIFICADO
La dificultad del método de Newton Raphson mejorado en el comportamiento de una función

con raíces múltiples obliga a considerar una modificación del método discutido por Ralston.
Como primero se desean encontrar las raíces de una función f(x). Definimos una función nueva
U(x), dada por:
ANALISIS NUMERICO
Se observa que la función U(x) tiene las mismas raíces que f(x), entonces U(x) se vuelve cero en
cualquier punto que f(x) es cero.
Suponiendo ahora que f(x) tiene una raíz múltiple en x = c de multicidad r. Esto podría ocurrir,
por ejemplo, si f(x) contiene un factor (x-c).
Entonces, podría fácilmente demostrarse que U(x) tiene una raíz en x = c de multicidad r, o una
raíz simple. Puesto que el método de Newton es efectivo para raíces simples, podemos aplicar
el método de Newton para resolver U(x) en lugar de f(x).
De esta manera, la ecuación recursiva de este método queda:
Derivando la función auxiliar U(x) queda:
Esto puede producir convergencia en alguno de los arreglos y divergencia en el otro es posible
saber de antemano si la primera o la segunda forma convergirán para el caso de sistemas de
dos ecuaciones, pero cuando 3 <= n las posibilidades son varias (n!) y es imposible conocer cuál
de estos arreglos tiene viabilidad de convergencia, por lo cual la elección se convierte en un
proceso aleatorio.
Esta aleatoriedad es la mayor desventaja de este método.
Para una ecuación polinómica de grado n, se tienen n raíces (entre complejas y reales).
ANALISIS NUMERICO
 Se dice que hay una raíz doble, cuando 2 términos de la ecuación son iguales a cero a un
valor de x.
 Se dice que hay una raíz triple, cuando 3 términos de la ecuación son iguales a cero a un
valor de x.
cruza.
“Una raíz múltiple corresponde a un punto donde una función es tangencial al eje x, y varios
valores de x hacen que f(x) sea cero.”
Para este método en particular son necesarios los siguientes parámetros:
1) xi
2) f(Xi)
3) f’(Xi)
4) f’’(Xi)
ANALISIS NUMERICO
Ya que este método está significativamente relacionado con el método de Newton-Raphson,

cuando la derivada tiende a cero, tiene problema con la convergencia.
Cuando se tiene existencia de raíces múltiples, tanto el método de Newton-Raphson como el de

la secante convergen linealmente.
ALGORITMO
1.- Inicio.
2.- Pedir la función al usuario.
3.- Pedir el valor inicial.
4.- Pedir el porcentaje de error.
5.- El usuario deberá seleccionar el método con el que se calculara la raíz (Newton-Raphson o
Newton-Raphson mejorado).
6.- Se guardaran en el programa los valores de entrada.
7.- El programa calculara la primera derivada y la segunda derivada.
8.- Dependiendo de la elección para calcular la raíz, graficara la función desde un intervalo a
otro.
9.- Los cálculos seguirán hasta que l error aproximado sea menor que el error limite, y la raíz se
imprimirá.
10.- Fin
EJEMPLO DE CÓDIGO DE NEWTON MODIFICADO EN MATLAB
% Método de Newton Modificado
clear;
clc;
fprintf(‘\n metodo de Newton Rapson Modificado\n\n’);
funcion=input(‘Dame la funcion f(x) : ‘,’s’);
dfuncion=input(‘Dame la derivada de funcion f(x) : ‘,’s’);
d2funcion=input(‘Dame la segunda derivada de función f(x) : ‘,’s’);
xi=input(‘Dame el valor inicial de x : ‘);
e=input(‘Dame el porciento del error : ‘);
ea=1000;
c=1;
x=xi;
while ea>e
g=eval(funcion);
ANALISIS NUMERICO
h=eval(dfuncion);
k=eval(d2funcion);
j=x-(g*h)/(h^(2)-(g*k));
ea=abs((j-x)/j*100);
x=j;
c=c+1;
end
fprintf(‘\n\n\n\nLa raiz exacta es: %d’,j)
fprintf(‘\n\nNumero de iteraciones: %d’,c);
https://es.wikipedia.org/wiki/M%C3%A9todo_de_Newton
5. BIBLIOGRAFÍA
6. GLOSARIO
1. A su criterio cual puede ser una dificultad o desventaja en este método: ?
2. ¿La mayor ventaja del método a su criterio son?
ANALISIS NUMERICO
UNIDAD II
1. A su criterio cual puede ser una dificultad o desventaja en este método: ?

Respuesta: Una dificulta es , el obtener o calcular la segunda derivada de una función
dada, que a veces resulta difícil su obtención o no la tiene.
2. ¿La mayor ventaja del método a su criterio son?
Respuesta: Es más rápido su convergencia, en mucho mayar que el método normal de

Newton.
ANALISIS NUMERICO
UNIDAD II
2.9 CONVERGENCIA ACELERADA
2.10 CEROS DE POLINOMIOS
1. INTRODUCCIÓN
En la resolución de ecuaciones no lineales nos aparecen muchos problemas en forma natural,
con la necesidad de calcular el valor de x donde una función f se anula, es decir, una raíz de f.
En general, con las herramientas analíticas que se usan para estudiar y graficar funciones
suaves (derivables) sólo podemos analizar si hay un intervalo [a,b] donde el gráfico de f cruza el
eje x. En muchas ocasiones, sólo tiene sentido encontrar una solución aproximada. A veces, el
cálculo exacto no es posible ya sea porque se trata de una raíz irracional (f(x)= x2-2) o porque la
función viene dada por coeficientes cuyos valores se conocen sólo en forma aproximada. Lo
importante al utilizar métodos que estimen el valor deseado es poder controlar el error que se
comete al utilizar un valor aproximado en lugar del exacto.
2. OBJETIVO
Definir y comparar los métodos de convergencia acelerados y aprender sobre los ceros del
polinomio en sus diferentes enfoques.
3. 2.9 CONVERGENCIA ACELERADA

3.1. METODO AITKEN
Dada una sucesión de número x0, x1, x2,… a partir de ella se genera una nueva sucesión x0’, x1’,
x2’...con la ecuación 5.
Si se emplea la notación
Donde Δ es un operador de diferencias cuyas potencias (o más propiamente su orden) se

pueden obtener así
( ) ( )
o
ANALISIS NUMERICO
La ecuación adquiere la forma simplificada
( )
EJEMPLO 01 :
Acelerar la convergencia de la sucesión de la tabla presentada, mediante el método de Aitken.
| | | ( )|
0 1.00000 0.47337
1 1.53846 0.53846 0.42572
2 1.29502 0.24344 0.45100
3 1.40183 0.10681 0.44047
4 1.35421 0.04762 0.44529
5 1.37530 0.02109 0.44317
6 1.36593 0.00937 0.44412
7 1.37009 0.00416 0.44370
8 1.36824 0.00184 0.44389
9 1.36906 0.00082 0.44380
Solución.-
Con la ecuación 5 o 6 con se tiene:
( )
( )
Ahora con la ecuación 5 y con , resulta:
( )
( )
ANALISIS NUMERICO
En una tercera iteración se obtiene:
Obsérvese que x1’ se encuentra muy cerca a la raíz real.
Se ha encontrado que el método Aitken es de segundo orden y se emplea normalmente para

acelerar la convergencia de cualquier sucesión de valores que converge linealmente, cualquiera
que sea su origen. La aplicación del método de Aitken a la iteración de punto fijo da el
procedimiento conocido como método Steffensen, que se ilustra a continuación (ejemplo 02).
EJEMPLO 02
Encuentre una raíz real de la ecuación
( )
Con el método Steffensen, usando aplicado a | ( )|.
Solución.-
Se pasa primero la ecuación ( ) a la forma ( ) . Al igual que en el ejemplo anterior se

factoriza x en la ecuación y luego se “despeja”.
* Primera iteración
Se elige un valor inicial y se calcula y
Se aplica ahora la ecuación 5 para acelerar la convergencia:
ANALISIS NUMERICO
( )
( )
Como | ( )| ( ) ( ) , se pasa
a la:
* Segunda iteración
Con el valor de que ahora se denota como y con la g(x) que se tiene, resulta
Aplicando nuevamente la ecuación 5 a x3, x4, x5 se llega a:
( )
( )
Luego, con el criterio de exactitud se tiene:
| ( )|
Y el problema queda resuelto.

ALGORITMO DE AITKEN
Algoritmo. Método de Aitken
Dado: función asociada a la ecuación ( ) a resolver, : aproximación inicial a
la solución, ϵ: tolerancia del error, y m: número máximo de iteraciones.
Entrega: : la solución aproximada a la ecuación ( ) , o bien el mensaje “sin
solución aceptable en m iteraciones”.
MÉTODO AITKEN ( )
2:
repeat
4: ( )
( )
6: ( )
ANALISIS NUMERICO
( ) ( )
8: ( ) ( )
10: until | |
if | | then
12: return
else
14: return “sin solución en m iteraciones”
end if
16: end
3.2. METODO STEFFENSEN
Se puede considerar como una combinación del método del punto fijo y del método de
n
Aitken. Para construir la sucesión de las aproximaciones {X }, en todo tercer paso se usa
la fórmula de Aitken, y en los demás pasos se aplica la fórmula Xn = g(xn-1)
Hay casos en los que la convergencia de la sucesión (Xn) obtenida mediante un método
iterado es demasiado lenta y, en consecuencia, no resulta de utilidad en situaciones
prácticas. Así, es preciso transformar dicha sucesión en otra que converja más
rápidamente al mismo límite α (raíz).
Teorema
Sea Xn = { X0 si n = 0 / g(xn) si n≥0 el esquema de la sucesión de punto fijo
ANALISIS NUMERICO
g: [a,b] c
Existe q tal que 0 ≤ q <1 y | q´(x)| ≤ q <1 para todo x ϵ ]a,b[
q´(x) ≠0 para x el punto fijo de g. Entonces (xn) cuando n →∞
EJEMPLO :
Teniendo los puntos xi, yi, zi reemplazamos en la fórmula general de Steffensen
Dada la función: f(x) = x3 – x – 1 y el punto inicial x0 = 1 calcular
La raíz de la ecuación con error absoluto de 0,005.
1er Paso: Se debe calcular el G(x). Para obtener G(x) se debe despejar F(x) la variable de mayor
exponente, en el presente caso sería x3
Igualando la ecuación a 0 (cero) x3 – x – 1 = 0
Despejamos x3 tenemos
2do Paso: Dado el punto inicial x0 =1 , calculamos y0 reemplazando G(x). En el valor de xi

y0 = G(1).
y0 = 1.312293837
3er Paso: Con y0 calculamos z0, reemplazando el valor y0 en G(x).

Z0 = G(yo)
z0 = 1.312293837
4to Paso: Calculamos xi+1 con la fórmula:
5to Paso: Calculamos error relativo porcentual con la formula correspondiente:
ANALISIS NUMERICO
Repetimos desde el 2do Paso las iteraciones que sea necesarias Para satisfacer la condición que
de error que nos dan
Algoritmo :
El pseudocódigo es:
ANALISIS NUMERICO
El Método de Steffensen se puede considerar como una combinación del método de punto fijo
y del método de Aitken. Como el método de Aitken esencialmente acelera la convergencia de
otro método, se puede definir este método como el método de punto fijo acelerado
Ventajas: El método presenta una convergencia rápida y no requiere, como en el caso del
método de la secante, la evaluación de derivada alguna. Presenta además, la ventaja adicional
de que el proceso de iteración sólo necesita un punto inicial.
La eficiencia de un método numérico depende, en parte, de la “rapidez” con la cual la sucesión

[Xn] converge a ∞, donde “rapidez” significa el número mínimo de iteraciones N necesarias
para tener Xn , a una distancia dada de la raíz ∞, es decir, tal que | Xn - ∝| < Ɛ para algún Ɛ > 0
Desventajas: Si lo aplicamos en algoritmos de orden cuadrático puede que no lo acelere o que

haga que una función que era divergente la transforme en convergente
2.10 METODO DE MULLER

1. INTRODUCCIÓN
Los polinomios tienen muchas aplicaciones en ciencia e ingeniería, como es el caso de su
utilización en ajuste de curvas. Sin embargo, se considera que una de las aplicaciones más
interesantes y potentes es en los sistemas dinámicos, particularmente en los lineales.
El polinomio más conocido en el mundo científico, es el denominado, ecuación característica,

que es de la forma:
a2 x 2  a1 x  a0  0
Donde las raíces de este polinomio satisfacen:
 a1  a12  4a 2 a 0
x1, 2 
2a 0
También denominados eigenvalores del sistema. Los eigenvalores pueden utilizarse para
analizar un sistema, para nuestro caso es muy útil en lo concerniente a la estabilidad. Con base
en lo anterior, encontrar las raíces en sistemas de segundo orden es prácticamente sencillo,
pero para sistemas de orden superior, puede resultar en un arduo trabajo.
ANALISIS NUMERICO
2. OBJETIVO
Definir y Comparar el método matemáticos de la Bisección, con otros métodos, en base a
los criterios de eficiencia, precisión y tolerancia. Se Analizara una muestra de datos
empleando cada uno de los métodos matemáticos de Bisección con otros métodos Estudiar
los métodos matemáticos modificados en base a los criterios de eficiencia, precisión y
tolerancia. Aprender y aplicar el método acelerado de Müller.
3. MÉTODO DE MULLER
Un predecesor del método de Müller, es el método de la secante, el cual obtiene raíces,
estimando una proyección de una línea recta en el eje x, a través de dos valores de la función
(Figura 1). El método de Müller toma un punto de vista similar, pero proyecta una parábola a
través de tres puntos (Figura 2).
El método consiste en obtener los coeficientes de los tres puntos, sustituirlos en la fórmula
cuadrática y obtener el punto donde la parábola intercepta el eje x. La aproximación es fácil de
escribir, en forma conveniente esta sería:
f 2 ( x)  a( x  x2 ) 2  b( x  x2 )  c
f(x)
Línea recta x
Raíz estimada
x
X1 X0 X
Raíz
Figura 1
ANALISIS NUMERICO
f(x) Parábola
0
Raíz 0
x x
X2 X1 X0 X
Raíz estimada
Figura 2
Así, se busca esta parábola para intersectar los tres puntos [x0, f(x0)], [x1, f(x1)] y [x2, f(x2)].
Los coeficientes de la ecuación anterior se evalúan al sustituir uno de esos tres puntos para dar:
f ( x0 )  a( x0  x2 ) 2  b( x0  x2 )  c
f ( x1 )  a( x1  x2 ) 2  b( x1  x2 )  c
f ( x2 )  a( x2  x2 ) 2  b( x2  x2 )  c
La última ecuación genera que, f ( x2 )  c , de esta forma, se puede tener un sistema de dos
ecuaciones con dos incógnitas:
f ( x0 )  f ( x2 )  a( x0  x2 ) 2  b( x0  x2 )
f ( x1 )  f ( x2 )  a( x1  x2 ) 2  b( x1  x2 )
Definiendo de esta forma:

h0  x1  x0 h1  x2  x1
f ( x1 )  f ( x 2 ) f ( x 2 )  f ( x1 )
0  1 
x1  x0 x 2  x1
Sustituyendo en el sistema:
(h0  h1 )b  (h0  h1 ) 2 a  h0 0  h1 1

h1b  h1 a  h1 1
2
Teniendo como resultado los coeficientes:
ANALISIS NUMERICO
1   0 b  ah1   1 c  f ( x2 )
a
h1  h0
Encontrando la raíz, se implementar la solución convencional, pero debido al error de redondeo

potencial, se usará una formulación alternativa:
 2c  2c
x3  x 2  despejando x3  x 2 
b  b 2  4ac b  b 2  4ac
La gran ventaja de este método es que se pueden localizar tanto las raíces reales como las
imaginarias.
Hallando el error este será:
x3  x 2
Ea   100%
x3
Al ser un método de aproximación, este se realiza de forma secuencial e iterativamente, donde

x1, x2, x3 reemplazan los puntos x0, x1, x2 llevando el error a un valor cercano a cero
Programa
Por ser un método que trabaja de forma lineal, es posible una aplicación computacional en
forma sencilla, la cual sería:
SubMuller (xr, h, eps, maxit)

x2 = xr
x1 = xr + h*xr
x0 = xr – h*xr
Do
iter = iter + 1
h0 = x1 + x0
h1 = x2 – x1
d0 = (f(x1)-f(x0))/h0
d1 = (f(x2)-f(x1))/h1
a = (d1 – d0)/(h1 + h0)
b = a*h1 +d1
c = f(x2)
rad = sqrt (b*b – 4*a*c)
if I b+ rad I > l b - rad l then
den = b + rad
Else
den = b – rad
End if
ANALISIS NUMERICO
dxr = -2*c/den
xr = x2 + dxr
Print iter, xr
IF (Idxrl<eps*xr or iter>maxit) exit
x0 = x1
x1 = x2
x2 = xr
End do
End Muller
Ejemplo:
f ( x)  x 3  13x  12 h = 0,1
x2 = 5 x1 = 5,5 x0 =4,5
Con un análisis previo, las raíces son –3, -1 y 4
Solución
f (4,5)  20,625 f (5,5)  82,875 f (5)  48
Calculando
h0  5,5  4,5  1 h1  5  5,5  0,5
82,875  20,625 48  82,875

0   62,25 1   69,75
5,5  4,5 5  5,5
Hallando los coeficientes
69,75  62,25
a  15 b  15(0,5)  69,75  62,25 c  48
 0,5  1
La raíz cuadrada del discriminante es:
62,25 2  4  15  48  31,544
 2  48
Así x3  5   3,9765
62,25  31,544
ANALISIS NUMERICO
Y el error estimado
 1,0235
Ea   100%  25,74%
x3
Ahora x2 = 3,9765 x1 = 5 x0 =5,5
Haciendo uso de un programa y realizando diferentes iteraciones:
i xr Ea %
0 5
1 3,9465 25,740
2 4,0011 0,614
3 4,0000 0,026
4 4,0000 0,000
- https://es.wikipedia.org/wiki/Proceso_%CE%94%C2%B2_de_Aitken
- https://es.wikipedia.org/wiki/M%C3%A9todo_de_Steffensen
- https://pt.wikipedia.org/wiki/M%C3%A9todo_de_Muller
5. BIBLIOGRAFÍA
6. GLOSARIO
Muller: es un método rápido de convergencia para encontrar las raíces de una función
polifónica
1. ¿Qué Ventajas tiene el método de Steffensen?
2. ¿Cuál es una desventaja de este método?
3. ¿Cuál método es mejor Aitken o Steffensen? Por Qué?
4. ¿Cuántos puntos necesita el Método de Müller para converger?
5. ¿Cuál puede ser una desventaja del Método de Müller?
ANALISIS NUMERICO
UNIDAD II
2.9 CONVERGENCIA ACELERADA

2.10 CEROS DE POLINOMIOS
1. ¿Qué Ventajas tiene el método de Steffensen?
Respuesta: Un método acelerado, convergencia rápida y ventaja adicional de que el

proceso de iteración sólo necesita un punto inicial.
2. ¿Cuál es una desventaja de este método?
Respuesta: Puede fallas en sistemas cuadráticos
3. ¿Cuál método es mejor Aitken o Steffensen? Por Qué?
Respuesta: Es el método de Steffensen
4. ¿Cuántos puntos necesita el Método de Müller para converger?
Respuesta: Utiliza tres puntos iniciales, con los que tiene más información para
aproximarse en forma acelerada al cero del polinomio.
5. ¿Cuál puede ser una desventaja del Método de Müller?
Respuesta: Que es necesario conocer tres puntos iniciales para que el método arranque
y que puede ser en algunos casos no ser conocido.
ANALISIS NUMERICO
UNIDAD II
1. INTRODUCCIÓN
Los polinomios tienen muchas aplicaciones en ciencia e ingeniería, como es el caso de su

utilización en ajuste de curvas. Sin embargo, se considera que una de las aplicaciones mas
interesantes y potentes es en los sistemas dinámicos, particularmente en los lineales.
El polinomio más conocido en el mundo científico, es el denominado, ecuación característica,

que es de la forma:
a2 x 2  a1 x  a0  0
Donde las raíces de este polinomio satisfacen:
 a1  a12  4a 2 a 0
x1, 2 
2a 0
También denominados eigenvalores del sistema. Los eigenvalores pueden utilizarse para
analizar un sistema, para nuestro caso es muy útil en lo concerniente a la estabilidad. Con base
en lo anterior, encontrar las raíces en sistemas de segundo orden es prácticamente sencillo,
pero para sistemas de orden superior, puede resultar en un arduo trabajo.
2. OBJETIVO
Definir y Comparar el método matemáticos de la Bisección, con otros métodos, en base a
los criterios de eficiencia, precisión y tolerancia. Se Analizara una muestra de datos
empleando cada uno de los métodos matemáticos de Bisección con otros métodos Estudiar
los métodos matemáticos modificados en base a los criterios de eficiencia, precisión y
tolerancia. Aprender y aplicar el método acelerado de Muller.
3. MÉTODO DE MULLER
ANALISIS NUMERICO
Un predecesor del método de Muller, es el método de la secante, el cual obtiene raíces,

estimando una proyección de una línea recta en el eje x, a través de dos valores de la función
(Figura 1). El método de Muller toma un punto de vista similar, pero proyecta una parábola a
través de tres puntos (Figura 2).
El método consiste en obtener los coeficientes de los tres puntos, sustituirlos en la fórmula
cuadrática y obtener el punto donde la parábola intercepta el eje x. La aproximación es fácil de
escribir, en forma conveniente esta sería:
f 2 ( x)  a( x  x2 ) 2  b( x  x2 )  c
f(x)
Línea recta x
Raíz estimada
x
X1 X0 X
Raíz
Figura 1
f(x) Parábola
0
Raíz 0
x x
X2 X1 X0 X
Raíz estimada
Figura 2
ANALISIS NUMERICO
Así, se busca esta parábola para intersectar los tres puntos [x0, f(x0)], [x1, f(x1)] y [x2, f(x2)].
Los coeficientes de la ecuación anterior se evalúan al sustituir uno de esos tres puntos para dar:
f ( x0 )  a( x0  x2 ) 2  b( x0  x2 )  c
f ( x1 )  a( x1  x2 ) 2  b( x1  x2 )  c
f ( x2 )  a( x2  x2 ) 2  b( x2  x2 )  c
La última ecuación genera que, f ( x2 )  c , de esta forma, se puede tener un sistema de dos
ecuaciones con dos incógnitas:
f ( x0 )  f ( x2 )  a( x0  x2 ) 2  b( x0  x2 )
f ( x1 )  f ( x2 )  a( x1  x2 ) 2  b( x1  x2 )
Definiendo de esta forma:

h0  x1  x0 h1  x2  x1
f ( x1 )  f ( x 2 ) f ( x 2 )  f ( x1 )
0  1 
x1  x0 x 2  x1
Sustituyendo en el sistema:
(h0  h1 )b  (h0  h1 ) 2 a  h0 0  h1 1

h1b  h1 a  h1 1
2
Teniendo como resultado los coeficientes:
1   0 b  ah1   1 c  f ( x2 )
a
h1  h0
Encontrando la raíz, se implementar la solución convencional, pero debido al error de redondeo

potencial, se usará una formulación alternativa:
 2c  2c
x3  x 2  despejando x3  x 2 
b  b 2  4ac b  b 2  4ac
La gran ventaja de este método es que se pueden localizar tanto las raíces reales como las
imaginarias.
Hallando el error este será:
ANALISIS NUMERICO
x3  x 2
Ea   100%
x3
Al ser un método de aproximación, este se realiza de forma secuencial e iterativamente, donde

x1, x2, x3 reemplazan los puntos x0, x1, x2 llevando el error a un valor cercano a cero
Programa
Por ser un método que trabaja de forma lineal, es posible una aplicación computacional en
forma sencilla, la cual sería:
SubMuller (xr, h, eps, maxit)

x2 = xr
x1 = xr + h*xr
x0 = xr – h*xr
Do
iter = iter + 1
h0 = x1 + x0
h1 = x2 – x1
d0 = (f(x1)-f(x0))/h0
d1 = (f(x2)-f(x1))/h1
a = (d1 – d0)/(h1 + h0)
b = a*h1 +d1
c = f(x2)
rad = sqrt (b*b – 4*a*c)
if I b+ rad I > l b - rad l then
den = b + rad
Else
den = b – rad
End if
dxr = -2*c/den
xr = x2 + dxr
Print iter, xr
IF (Idxrl<eps*xr or iter>maxit) exit
x0 = x1
x1 = x2
x2 = xr
End do
End Muller
ANALISIS NUMERICO
Ejemplo:
f ( x)  x 3  13x  12 h = 0,1
x2 = 5 x1 = 5,5 x0 =4,5
Con un análisis previo, las raíces son –3, -1 y 4
Solución
f (4,5)  20,625 f (5,5)  82,875 f (5)  48
Calculando
h0  5,5  4,5  1 h1  5  5,5  0,5
82,875  20,625 48  82,875

0   62,25 1   69,75
5,5  4,5 5  5,5
Hallando los coeficientes
69,75  62,25
a  15 b  15(0,5)  69,75  62,25 c  48
 0,5  1
La raíz cuadrada del discriminante es:
62,25 2  4  15  48  31,544
 2  48
Así x3  5   3,9765
62,25  31,544
Y el error estimado
 1,0235
Ea   100%  25,74%
x3
Ahora x2 = 3,9765 x1 = 5 x0 =5,5
Haciendo uso de un programa y realizando diferentes iteraciones:
ANALISIS NUMERICO
i xr Ea %
0 5
1 3,9465 25,740
2 4,0011 0,614
3 4,0000 0,026
4 4,0000 0,000
https://pt.wikipedia.org/wiki/M%C3%A9todo_de_Muller
5. BIBLIOGRAFÍA
6. GLOSARIO
Muller: es un método rápido de convergencia para encontrar las raíces de una función
polifónica
1. ¿Cuántos puntos necesita este Método para converger?
2. ¿Cuál puede ser una desventaja?
3. Muller es el mejor método visto ?
ANALISIS NUMERICO
UNIDAD II
1. ¿Cuántos puntos necesita este Método para converger?
Respuesta: Utiliza tres puntos iniciales, con los que tiene más información para
aproximarse en forma acelerada al cero del polinomio.
2. ¿Cuál puede ser una desventaja?
Respuesta: Que es necesario conocer tres puntos iniciales para que el método arranque
y que puede ser en algunos casos no ser conocido.
3. ¿Es hasta hoy el mejor método visto, cuál es su opinión?

Respuesta: Si, es mucho más exacto ya que tiene más puntos de apoyo para calcular el
resultado.
ANÁLISIS NUMÉRICO
ANS115
UNIDAD III
INTERPOLACION NUMERICA
ANÁLISIS NUMÉRICO
ANS115
TEMA
- Polinomio de Interpolación de Lagrange
Agenda
• Polinomio de Interpolación de Lagrange

• Descripción del Método
• Gráficas
• Ejemplo
Objetivos
• Conceptualizar los métodos matemáticos que

resuelven ecuaciones polinomiales.
• Describir y Comprender el método matemáticos
de Lagrange.
• Analizar una muestra de datos empleando el
método matemáticos de Lagrange.
Polinomio de Interpolación de Lagrange
INTERPOLAR:
Dada una tabla de valores se debe encontrar un valor que
no está tabulado y que esté comprendido entre los
valores dados. Ejemplo:
x 0 0.5 1.0 1.5 2.0 2.5
f(x) 0.8945 1.3476 1.2378 1.4321 1.6574 1.7653
Encontrar el valor de f(x) cuando x = 1.3

Se trata de encontrar la imagen de un valor no tabulado.
6
Se trata de hallar la curva que mejor se ajuste a los datos
7
Interpolación con funciones de Scilab(Matlab)

Scilab cuenta con la función interpln, que realiza una
interpolación lineal entre los nodos dados, ejemplo:
x 0 0.5 1.0 1.5 2.0 2.5

f(x) 0.8945 1.3476 1.2378 1.4321 1.6574 1.7653
Para hallar el valor de f(x) cuando x = 1.3

Datos=[0,0.5,1.0,1.5,2.0,2.5;0.8945,1.3476,1.2378,1.43
21,1.6574,1.7653];
Resp = interpln(Datos,1.3)
Resp =
1.35438
Se puede hacer un gráfico con valores interpolados:
length(Datos)
X=[Datos(1),Datos(3),Datos(5),Datos(7),Datos(9),Datos(11)]
Y=[Datos(2),Datos(4),Datos(6),Datos(8),Datos(10),Datos(12)]
XX=X(1):0.1:X(6)
y1=interpln(Datos,XX)
plot2d(XX,y1)
También se puede hacer interpolación utilizando

funciones spline o trazadores cúbicos.
Para hacer esto en Scilab, se requieren dos pasos:
El primero, mediante splin, a partir de un lista de puntos

(x1, y1), (x2, y2), ..., (xm, ym), se calculan las derivadas, en
los puntos xi, de la función spline interpolante.
El segundo paso, mediante interpln se evalúa la función

interpolante en los valores dados por un vector, primer
parámetro de interp.
Intentarlo con el siguiente código:

clear, clf;
x = [ 0.5 1 1.5 2.1 3 3.6]
y = [ 1 2 1.5 2.5 2.1 2.4]
n = length(x);
xx = ( x(1):0.1:x(n) );
d = splin(x, y);
ys = interp(xx, x, y, d);
plot2d(xx, ys)
Ver la gráfica siguiente

El problema de encontrar un polinomio de primer grado que

pasa por los puntos distintos ( x0 , y0 ) y ( x1 , y1 ) es el mismo que
el de aproximar una función f , para la cual f ( x0 )  y0 y f ( x1 )  y1
por medio de un polinomio de primer grado que interpole los
valores de f en los puntos dados o que coincida con ellos.
Primero se definirá las funciones

x  x1 x  x0
L0 ( x)  y L1 ( x)  ,
x0  x1 x1  x0
y se define entonces
P ( x)  L0 ( x) f ( x0 )  L1 ( x ) f ( x1 ).
Como
L0 ( x0 )  1, L0 ( x1 )  0, L1 ( x0 )  0 y L1 ( x1 )  1,
se tiene
P ( x0 )  1 f ( x0 )  0  f ( x1 )  f ( x0 )  y0
y P ( x1 )  0  f ( x0 )  1  f ( x1 )  f ( x1 )  y1.
Así P es la única función lineal que pasa por (x0 ,y0 ) y (x1 ,y1 ).
Ver la siguiente figura.
y
y  f ( x)
y1  f ( x1 ) 
y  P( x)
y0  f ( x0 ) 
x0 x1 x
Considerar la construcción de polinomio grado n que

pase por n+1 puntos.
y  f ( x)
y  P( x)
x0 x1 x2 xn x
En este caso para cada k  0, 1, ..., n se construye una función

Ln ,k ( x) con la propiedad de que Ln ,k ( xi )  0, cuando i  k y
Ln ,k ( xk )  1. Para satisfacer Ln ,k ( xi )  0 para cada i  k se re-
quiere que el numerador de Ln ,k ( x) contenga el término
( x - x0 )( x - x1 )...( x - xk -1 )( x - xk 1 )...( x - xn ).
Para satisfacer Ln ,k ( xk )  1, el denominador de Ln ,k ( x) debe
coincidir con este término cuando se evalúe en x  xk . Es decir,
( x - x0 )...( x - xk -1 )( x - xk 1 )...( x - xn )
Ln ,k ( x)  .
( xk - x0 )...( xk - xk -1 )( xk - xk 1 )...( xk - xn )
En la siguiente figura se muestra la gráfica de un Ln ,k ( x)

común.
Ln,k ( x)
x0 x1 ... x
k 1 xk xk 1 ... xn 1 xn x
El polinomio de interpolación se describe fácilmente ahora que

se conoce la forma de Ln , k . Este polinomio, denominado
n - ésimo polinomio interpolante de Lagrange
se define en el siguiente teorema.
TEOREMA de la definición del Polinomio

interpolante de Lagrange
Si x0 , x1 ,..., xn son n  1 números distintos y si f es una función
cuyos valores están dados en esos números, entonces existe un
único polinomio P ( x) de grado a lo más n, con la propiedad
de que
f ( xk )  P ( xk ) para cada k  0,1,..., n.
Este polinomio está dado por
n
P ( x)  f ( x0 ) Ln ,0 ( x)  ...  f ( xn ) Ln , n ( x)   f ( xk ) Ln , k ( x ),
k 0
donde para cada k  0,1,..., n; el Ln , k ( x) está dado por:

( x - x0 )...( x - xk -1 )( x - xk 1 )...( x - xn )
Ln , k ( x) 
( xk - x0 )...( xk - xk -1 )( xk - xk 1 )...( xk - xn )
n
( x  xi )
 .
i  0 ( xk  xi )
ik
Se escribirá Ln ,k ( x ) simplemente como Lk ( x ) cuando no exista

confusión respecto a su grado.
EJEMPLO 1
Si se desea utilizar los números (o nodos) x0  2, x1  2.5 y
x2  4 para obtener el segundo polinomio interpolante para
1
f ( x)  , se debe determinar los coeficientes polinómicos
x
L0 ( x), L1 ( x) y L2 ( x) :
( x  2.5)( x  4)
L0 ( x)   ( x  6.5) x  10,
(2  2.5)(2  4)
( x  2)( x  4) ( 4 x  24) x  32
L1 ( x)   ,
(2.5  2)(2.5  4) 3
( x  2)( x  2.5) ( x  4.5) x  5
y L2 ( x)   .
(4  2)(4  2.5) 3
Puesto que f ( x0 )  f (2)  0.5, f ( x1 )  f (2.5)  0.4 y
f ( x2 )  f (4)  0.25, se tendrá
2
P ( x)   f ( xk ) Lk ( x)
k 0
 (4 x  24) x  32   ( x  4.5) x  5 

 0.5  ( x  6.5) x  10  0.4    0.25  
 3   3
P ( x)  (0.05 x  0.425) x  1.15.
Una aproximación a f (3)  1/ 3, es f (3)  P(3)  0.325.
En la siguiente figura se muestra las gráficas de f ( x) y P( x).
f(x)
P
0.325
1 2 3 4 5 x
Gracias por su atención !!
ANÁLISIS NUMÉRICO
UNIDAD III
INTERPOLACIÓN NUMÉRICA
3.2 DIFERENCIAS DIVIDIDAS
1. INTRODUCCIÓN
La manera más conocida para calcular la representación de Newton del polinomio interpolante,
está basada en el método de diferencias divididas. Una gran ventaja sobre la forma clásica del
método de Lagrange es que podemos agregar más nodos a la tabla de datos y obtener el
polinomio interpolante sin tener que recalcular todo. Comparado con la forma modificada de
Lagrange, no hay ganancia y más bien esta última forma es más estable. Aun así, el método de
diferencias divididas tiene aplicaciones adicionales en otros contextos.
2. OBJETIVO
Conceptualizar los métodos matemáticos que resuelven ecuaciones polinomiales. Comparar los
métodos matemáticos de Diferencias divididas en base a los criterios de eficiencia, precisión y
tolerancia. Analizar una muestra de datos empleando cada uno de los métodos matemáticos de
Diferencias divididas.
3. DIFERENCIAS DIVIDIDAS
Así como podemos aproximar una función mediante la aproximación polinomial de LaGrange,
también podemos aproximar la derivada y la integral de una función con diferencias divididas.
La derivada y la integral respectivamente el polinomio de interpolación, que en realidad es el
principio básico para la diferenciación e integración de los métodos numéricos.
Supongamos una función f (x) con derivada en el punto x0 analíticamente está dado por:
f ( x)  f ( x 0 )
lim  f ' ( x)
x  x0 x  x0
ANÁLISIS NUMÉRICO
Pero cuando la función es dada de manera tabular, se tiene.

Punto 0 1 .......... i .......... n
x x0 x1 .......... xi .......... xn
f ( x) f ( x0 ) f ( x1 ) .......... f ( xi ) .......... f ( xn )
La derivada sólo puede obtenerse de manera aproximada, por ejemplo si se desea calcular
la derivada de f(x) en el punto “x” tal que x0 < x < x1
Esto se determina así:
f ( x1 )  f ( x 0 )
f ' ( x)  , x 0  x  x1
x1  x 0
La expresión de la derecha se llama primera diferencia dividida de f(x) respecto a los valores
de x0 y x1 y se denota generalmente f [x0, x1], esto es,
f ( x1 )  f ( x 0 )
f x 0 , x1  
x1  x 0
Observación:
Se debe destacar que la relación entre la primera diferencia dividida y la primera derivada
está dada por el teorema del valor medio.
f ( x1 )  f ( x0 )
 f ' (c) , c  ( x0 , x1 )
x1  x0
Siempre que f (x) cumpla con las condiciones del teorema del valor medio.
Podemos generalizar para un orden más alto en donde el argumento es

xi , 0  i  n ; f xi  se llama diferencia dividida, de orden cero:
f x1 , x 2 , ....., x i   f x 0 , x1 , ....., x i 1 

f x 0 , x1 , ....., x i  
xi  x0
orden cero:
ANÁLISIS NUMÉRICO
Primer
Segundo
x 0 f x 0  o
f x   f x 0  Tercer
f x 0 , x1   1
x1  x 0 f x , x   f x0 , x1 
f x0 , x1 , x2   1 2
o
x1 f x1  f x , x , x   f x0 , x1 , x2 
f x 2   f x1  x2  x0
f x0 , x1 , x2 , x3   1 2 3
f x1 , x 2   f x3 , x2   f x1 , x2  x3  x0
x 2 f x 2 
x 2  x1 f x1 , x2 , x3  
f x 3   f x 2  x3  x1 f x , x , x   f x1 , x2 , x3 
f x1 , x2 , x3 , x4   2 3 4
f x 2 , x 3   f x3 , x4   f x2 , x3  x4  x1
x3 f x3 
x3  x 2 f x2 , x3 , x4  
x4  x2 f x , x , x   f x2 , x3 , x4 
f x 4   f x 3  f x2 , x3 , x4 , x5   3 4 5
f x 3 , x 4   f x4 , x5   f x3 , x4  x5  x2
x 4 f x 4 
x 4  x3 f x3 , x4 , x5  
x5  x3
f x 5   f x 4 
f x 4 , x 5  
x5 f x5  x5  x 4
Observación:
 Para formar la expresión se requiere i + 1 puntos.
 El numerador es la recta de dos diferencias de orden i – 1.
 El denominador es la recta de los argumentos no comunes en el numerador.
Ejemplo:
Supongamos que tenemos la siguiente información
Puntos 0 1 2 3 4 5
x  2 1 0 2 3 6
f ( x)  18  5  2  2 7 142
Obtenido del polinomio x 3  2 x 2  2
La primer diferencia dividida en los puntos (0), (1) y (1), (2)

f ( x1 )  f ( x0 ) 5  (18)
f x0 , x1     13
x1  x0  1  (2)
f ( x 2 )  f ( x1 ) 2  (5)
f x1 , x 2    3
x 2  x1 0  (1)
ANÁLISIS NUMÉRICO
La segunda diferencia dividida para (0), (1) y (2)

f `x1 , x 2   f x 0 , x1  3  (13)
f x 0 , x1 , x 2     5
x 2  x0 0  (2)
De esta manera construimos la tabla de diferencias divididas
Puntos X f(x) 1º orden 2º orden 3º 0rden 4º orden
0 -2 -18
13
1 -1 -5 -5
3 1
2 0 -2 -1 0
0 1
3 2 -2 3 0
9 1
4 2 7 9
45
5 6 142
Observemos que:
Todas las diferencias divididas de tercer orden tienen el mismo valor independiente del valor
de las x que se usen para calcularse.
Las diferencias de cuarto orden todos tienen el valor de cero, lo que tiene afinidad con el
criterio que la derivada de tercer orden es una constante y la de cuarto orden es cero, para
cualquier valor de x.
El razonamiento anterior nos induce a decir que si al construir una tabla de diferencias
divididas en alguna columna el valor es constante y la siguiente columna es cero la
información proviene de un polinomio de grado igual al orden de las diferencias que tengan
valores constantes.
El razonamiento anterior nos induce afirmar que nuestro polinomio es de grado 3 es decir mi
polinomio será:
ANÁLISIS NUMÉRICO
k 1
 
n
p( x)   f x 0 , x1 ,..., x k   x  x j  f x 0   f x 0 , x1 ( x  x 0 )  f x 0 , x1 , x 2 ( x  x 0 )( x  x1 )  ...
k 0 j 0
En nuestro ejemplo se tiene:

p ( x)  f x 0   f x 0 , x1 ( x  x 0 )  f x 0 , x1 , x 2 ( x  x 0 )( x  x1 )  f x 0 , x1 , x 2 , x3 ( x  x 0 )( x  x1 )( x  x 2 )
p( x)  18  13( x  2)  5( x  2)( x  1)  1( x  2)( x  1)( x  0)
p( x)  x3  2 x2  2
GENERALIZACION :
Pn ( x)  a0  a1 ( x  x0 )  a 2 ( x  x0 ) ( x  x1 )  ...  a n ( x  x0 ) ( x  x1 ) ...( x  x n 1 )
En donde:
x 0 , x1 , ..., x n : Son las abscisas de los puntos 0, 1, 2, …, n
a 0 , a1 , ..., a n : Son coeficientes por determinar y están dados por:

a 0  f x0 ; a1  f x 0 , x1 ; a 2  f x0 , x1 , x 2 ; ....; a n  f x 0 , x1 , ...., x n 
Esto es tendremos la siguiente aproximación polinomial
Pn ( x)  f x0   ( x  x0 ) f x0 , x1   ( x  x0 )( x  x1 ) f x0 , x1 , x2   ...

 ( x  x0 )( x  x1 )...(x  xn ) f x0 , x1 , ..., xn 
n j 1
Pn ( x)   a j  x  xi  Polinomio de aproximación de Newton
j 0 i 0
Ejemplo:
Determinar la aproximación polinomial de Newton para la información tabular e interpolar para
x = 2.
DIFERENCIAS DIVIDIDAS
ANÁLISIS NUMÉRICO
Diferencias divididas
Puntos X f[x] 1º dividida 2º dividida 3º dividida
0 1 56
14.2
1 5 113 -0.31
4.5 0.019
2 20 181 0.081
1.68
3 40 214
P1 ( x)  a 0  a1 ( x  x0 )  f x 0   f x0 , x1 x  x0   56  14.2 ( x  1)
Observación:
f x1   f x 0  113  56 57
f x 0 , x1      14.2
x1  x 0 5 1 4
P2 ( x)  a 0  a1 ( x  x 0 )  a 2 ( x  x 0 )( x  x1 )  f x 0   f x 0 , x1 x  x 0 
 f x 0 , x1 , x 2 x  x 0 x  x1 
f x1 , x 2   f x 0 , x1  4.5  14.2  9.7

f x 0 , x1 , x 2      0.51
x 2  x0 20  1 19
f x 2   f x1  181  113 68
f x1 , x 2      4.5
x 2  x1 15 15
P2 x   56  14.2x  1  0.51x  1x  5
P1 2   56  14.22  1  70.2
P2 2   56  14.22  6   0.512  12  5  70.2  1.53  71.7
 P3 ( x)  a 0  a1 x  x 0   a 2 x  x 0 x  x1   a3 x  x 0 x  x1 x  x3 
ANÁLISIS NUMÉRICO
a 0  f x 0   56; a1  f1 x 0 , x1   14.2 ; a 2  f x 0 , x1 , x 2   0.51 ;

f x1 , x 2 , x 3   f x 0 , x1 , x 2   0.081  0.51
a 3  f x 0 , x1 , x 2 , x3   
x3  x 0 40  1
0.429
  0.011
39
Pero:
f x 2 , x 3   f x1 , x 2  1.68  4.5
f x1 , x 2 , x 3     0.081
x 3  x1 40  5
P3 ( x)  56  14.2( x  1)  0.51( x  1)( x  5)  0.019( x  1)( x  5)( x  20)
Si: x = 2
f (2)  P3 (2)  56  14.2(2  1)  0.51(2  1)(2  5)  0.019(2  1)(2  5)(2  20)
 71.7  0.969  72.67
https://es.wikipedia.org/wiki/Interpolaci%C3%B3n_polin%C3%B3mica
5. BIBLIOGRAFÍA
6. GLOSARIO
1. ¿Qué son las diferencias divididas?
2. ¿Cuál es una desventaja de este metodo?
ANALISIS NUMERICO
UNIDAD III
INTERPOLACIÓN NUMÉRICA
3.2 DIFERENCIAS DIVIDIDAS
1. ¿Qué son las diferencias divididas?
Respuesta: Es un método de interpolación que utiliza varios nodos y su nombre es

debido a a que en el cálculo hay diferencias o resta de los dos nodos más próximo asi
como la división entre la imagen f(x) de estos nodos.
Respuesta: Si se aumenta el número de puntos a interpolar (o nodos) con la intención

de mejorar la aproximación a una función, también lo hace el grado del polinomio
interpolador así obtenido, por norma general. De este modo, aumenta la dificultad en el
cálculo, haciéndolo poco operativo manualmente a partir del grado 4,
ANALISIS NUMERICO
UNIDAD III
3. INTERPOLACIÓN NUMÉRICA
3.1 POLINOMIO DE INTERPOLACIÓN DE LAGRANGE
1. INTRODUCCIÓN
En el campo de la matemática aplicada es de gran importancia la manera como determinar una

función o funciones a partir de un conjunto de datos discretos, puntos tabulados, situación que
siempre se enfrenta cualquier investigador, para decir generalmente un Ingeniero siempre
tiene al frente esta problemática fenómeno que será el objetivo de este ítem.
Pues es común encontrar datos con valores discretos, y sin embargo nosotros queremos
encontrar valores entre estos puntos discretos, y esto es lo que lo llamamos ajuste de curvas y,
generalmente se usa el procedimiento de mínimos cuadrados.
Cuando existe un conjunto de datos muy precisos, en este caso se usa lo que se llama
interpolación.
Las funciones de aproximación generalmente es obtenida por combinación lineal de funciones
elementales, que toman la forma de:
En donde:
ai : Son constantes que deseamos encontrar, i=1,2,...,n
gi(x): Son funciones elementales específicas, i=1,2,...,n
2. OBJETIVO
Conceptualizar los métodos matemáticos que resuelven ecuaciones polinomiales. Describir y
Comprender el método matemáticos de Lagrange. Analizar una muestra de datos empleando
el método matemático de Lagrange.
3. INTERPOLACIÓN DE LAGRANGE
Podemos decir que la interpolación lineal es el eje para muchos métodos numéricos y de gran
relevancia en la ingeniería, puesto que una gran información se encuentra en su forma tabular
como veremos más adelante y es usado por una diversidad de métodos numéricos, por ejemplo
si integramos este método tendremos el método de integración trapezoidal.
ANALISIS NUMERICO
¿En qué consiste este método?
Supongamos que tenemos los siguientes cuadros:
Puntos 0 1 2 3 4 5 6
Cuadro 1
f(x) 56 78 113 144 181 205 214
X 1 2 5 10 20 30 40
Puntos 0 1 2 3
Cuadro 2
f(x) 56 ¿-? 113 181 214
X 1 2 5 20 40
Supongamos por un instante que sólo se dispone del cuadro 2 y que queremos el valor de la
variable “y=f(x)” cuando x tiene un valor de 2 unidades. Una manera muy común es considerar
la ecuación de una línea recta así:
p( x)  a0  a1 x , y sustituirlos valores de los puntos 0 y 1, obteniendo dos ecuaciones con

variables a0 y a1
Punto “0” = (1,56); punto 1: (5,113); (x, f(x))

57
a1 
 14.2
 4a1  57  4
a 0  56  14.2  41.8
Luego la ecuación de la función lineal:

p(x) = 41.8 + 14.2x
Esta ecuación puede ser usado para calcular f (x) cuando x = 2

f (2)  41.8  (14.2)2  41.8  28.4  70.2
ANALISIS NUMERICO
Entre estos métodos tendremos la aproximación polinomial de LaGrange. El método que

consiste en:
Primero: Supongamos una función desconocida f (x) dada en forma tabular y se asume un
polinomio de primer grado es decir una línea recta el cual se puede escribir de la siguiente
manera:
1. Supongamos que la ecuación de un recta se escribe así:
P( x)  a 0 ( x  x1 )  a1 ( x  x 0 )
En donde:
x0, x1: Son valores de la función en puntos conocidos [x0, f (x0)], [x1, f (x1)]
a0, a1: Coeficientes por determinar, y lo encontramos haciendo las consideraciones siguientes:
Determinando a0 para ello consideramos
P( x 0 ) f ( x0 )
x  x 0  P( x 0 )  a 0 ( x 0  x1 )  a 0  
x 0  x1 x 0  x1
Determinando a1 para ello hacemos:
P( x1 ) f ( x1 )
x  x1  P( x1 )  a1 ( x1  x 0 )  a1  
x1  x 0 x1  x 0
Luego
f ( x0 ) f ( x1 )
P( x)  ( x  x1 )  ( x  x0 )
( x 0  x1 ) ( x1  x 0 )
( x  x1 ) ( x  x0 )
P( x)  f ( x 0 )  f ( x1 )
( x 0  x1 ) ( x1  x 0 )
P ( x)  L0 ( x) f ( x 0 )  L1 ( x) f ( x1 )
ANALISIS NUMERICO
2. Supongamos un polinomio de segundo grado
P2 ( x)  a 0 ( x  x1 )( x  x 2 )  a1 ( x  x 0 )( x  x 2 )  a 2 ( x  x 0 )( x  x1 )
En donde:
x0, x1, x2 son los valores de los puntos conocidos [x0, f(x0)], [x1, f(x1)], [x2, f(x2)]
P2 ( x0 ) f ( x0 )
x  x0  a 0  
Si ( x0  x1 )( x0  x2 ) ( x0  x1 )( x0  x2 )
P2 ( x1 ) f ( x1 )
x  x1  a1  
Si ( x1  x0 )( x1  x2 ) ( x1  x0 )( x1  x2 )
P2 ( x2 ) f ( x2 )
x  x2  a2  
Si ( x2  x0 )( x 2  x1 ) ( x 2  x0 )( x 2  x1 )
Luego:
P2 ( x)  L0 ( x) f ( x 0 )  L1 ( x) f ( x1 )  L2 ( x) f ( x 2 )
En donde:
( x  x1 )( x  x 2 ) ( x  x0 )( x  x 2 ) ( x  x0 )( x  x1 )
L0 ( x)  ; L1 ( x)  ; L2 ( x ) 
( x0  x1 )( x0  x 2 ) ( x1  x0 )( x1  x 2 ) ( x 2  x0 )( x 2  x1 )
3. Podemos suponer un polinomio de grado n:
Pn ( x)  L0 ( x) f ( x0 )  L1 ( x) f ( x1 )  .....  Li ( x) f ( xi )  ...... Ln ( x) f ( xn )
En donde:
ANALISIS NUMERICO
( x  x1 )( x  x 2 ).....(x  xi ).....(x  x n )
L0 ( x ) 
( x 0  x1 )( x 0  x 2 ).....(x 0  xi )....(x 0  x n )
( x  x 0 )( x  x 2 ).....(x  xi ).....(x  x n )
L1 ( x) 
( x1  x 0 )( x1  x 2 ).....(x1  xi )....(x1  x n )

( x  x 0 )( x  x1 ).....(x  xi  1 ).....(x  x n )
Li ( x) 
( xi  x 0 )( xi  x1 ).....(xi  xi  1 )....(xi  x n )
Que en general el polinomio se puede escribir:

n
Pn ( x)   Li ( x) f ( x i )
i 0 , polinomio LaGrange
En donde:
n (x  x j )
Li ( x )  
j 0 ( x i  x j )
j i
,
La aproximación polinomial de LaGrange, es la combinación lineal de f(xi ) y de los coeficientes

Li(X).
Ejemplo:
Supongamos que tenemos la función tabular
i 0 1 2 3
F(Xi) -3 0 5 7
Xi 0 1 3 6
a) Determinar la aproximación polinomial de LaGrange usando todos los puntos
b) Determinar el valor aproximado de f (x) para x = 1.8

ANALISIS NUMERICO
Solución:
Debemos destacar que la tabla presenta cuatro puntos lo que induce la existencia de un
polinomio de tercer orden
P3 ( x)  L0 ( x) f ( x0 )  L1 ( x) f ( x1 )  L2 ( x) f ( x 2 )  L3 ( x) f ( x3 )
P3( x)  L0 ( x)( 3)  L1 ( x)(0)  L2 ( x)(5)  L3 ( x)(7)
( x  x1 )( x  x 2 )( x  x3 ) ( x  1)( x  3)( x  6) ( x  1)( x  3)( x  6)
L0 ( x)   
( x0  x1 )( x0  x 2 )( x0  x3 ) (0  1)(0  3)(0  6)  18
( x  x0 )( x  x 2 )( x  x3 ) ( x  0)( x  3)( x  6) x( x  3)( x  6)
L1 ( x)   
( x1  x0 )( x1  x 2 )( x1  x3 ) (1  0)(1  3)(1  6) 10
( x  x0 )( x  x1 )( x  x3 ) ( x  0)( x  3)( x  6) x( x  1)( x  6)
L2 ( x )   
( x 2  x0 )( x 2  x1 )( x 2  x3 ) (3  0)(3  1)(3  6)  18
( x  x0 )( x  x1 )( x  x 2 ) x( x  1)( x  3) x( x  1)( x  3)
L3 ( x)   
( x 2  x0 )( x3  x1 )( x3  x 2 ) 6 (6  1)(6  3) 90
Operando tenemos:
x 3 x 2 46
P3     x 3
30 30 15
El valor aproximado de la función cuando x = 1.8
(1.8) 3 (1.8) 2 46
P3 (1.8)     (1.8)  3  2.2176
30 30 15
https://es.wikipedia.org/wiki/Interpolaci%C3%B3n_polin%C3%B3mica_de_Lagrange
5. BIBLIOGRAFÍA
ANALISIS NUMERICO
6. GLOSARIO
1. ¿Qué es la interpolación?
3. ¿Qué es la interpolación de Lagrange?
ANALISIS NUMERICO
UNIDAD III
3. INTERPOLACIÓN NUMÉRICA
3.1 POLINOMIO DE INTERPOLACIÓN DE LAGRANGE
1. ¿Qué es la interpolación?
Respuesta: Es la obtención de nuevos puntos partiendo del conocimiento de un conjunto

discreto de puntos dados, es disponer de un cierto número de puntos obtenidos
por muestreo o a partir de un experimento y pretender construir una función o polinomio
que los ajuste.
Respuesta: Si se aumenta el número de puntos a interpolar (o nodos) con la intención de

mejorar la aproximación a una función, también lo hace el grado del polinomio interpolador
así obtenido, por norma general. De este modo, aumenta la dificultad en el cálculo,
haciéndolo poco operativo manualmente a partir del grado 4.
3. ¿Qué es la interpolación de Lagrange?
Respuesta: es una forma de presentar el polinomio que interpola un conjunto de puntos

dado. También llamado polinomio de Lagrange
ANALISIS NUMERICO
UNIDAD III
3.3-3.4 DIFERENCIAS DIVIDIDAS PROGRESIVAS Y REGRESIVAS
1. INTRODUCCIÓN
Se le denomina polinomio de interpolación, polinomio interpolante o polinomio de colocación

para los puntos (datos) dados. En este contexto los números x0, x1 …. xn 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
p n (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 x0, x 1 ,...,xn.. . 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 p n (x) ,
se dirá el polinomio que interpola a la función f en los nodos x0, x 1 ,...,xn.
2. OBJETIVO
Conceptualizar los métodos matemáticos que resuelven ecuaciones polinomiales. Comparar los
métodos matemáticos de Diferencias divididas progresivas y regresivas en base a los criterios
de eficiencia, precisión y tolerancia. Analizar una muestra de datos empleando cada uno de los
métodos matemáticos de Diferencias divididas progresivas y regresivas
3.3 DIFERENCIAS DIVIDIDAS PROGRESIVAS
Supongamos que la distancia entre dos argumentos (abscisas) consecutivas cualquiera es igual,
en toda la función tabular y sea “h”.
El polinomio de aproximación de Newton se puede escribir de manera más simple, para nuestro
propósito, consideremos otro punto S; definido por:
ANALISIS NUMERICO
x  x 0  sh x: Es el valor que se quiere interpolar
Pero:
x1  x 0  h , x 2  x 0  2h , x3  x 0  3h , ..., xi  x 0  ih i  1, 2, ...., n
Qué ocurre si restamos xi en ambos miembros
x  xi  x 0  sh  xi
 x 0  sh  x 0  ih
x  x i  h( s  i )
Para; i  1,2,..., n
x  x1  h( s  1); x  x 2  h( s  2); x  x3  h( s  3); .... ; x  x n  h( s  n)
Si consideramos el desarrollo general del polinomio de Newton, i.e.:

Pn ( x)  a 0  a1 ( x  x0 )  a 2 ( x  x 0 )( x  x1 )  ...  a n ( x  x 0 )( x  x1 )...(x  x n 1 )
Pn ( x 0  sh)  f x 0   f x 0 , x1 hs  f x 0 , x1 , x 2 h 2 s( s  1)  f x 0 , x1 , x 2 , x3 h 3 s( s  1)( s  2)

 ...  f x 0 , x1 ,..., x n h 3 s( s  1)( s  2)  ..  f x 0 , x1 ,..., x n h n s( s  1)...(s  (n  1))
n k 1
ó: Pn ( x)   a k h k  ( s  i)
k 0 i 0 (1)
Observemos que la última relación de aproximación se puede simplificar si hacemos ingresar

los operadores lineales y, conocidos como:
: Operador lineal en diferencias hacia delante
: Operador lineal en diferencias hacia atrás
En donde:
Primera Diferencia f (x)
 f ( x )  f ( x  h)  f ( x )
ANALISIS NUMERICO
La segunda diferencia: 2 f ( x)
( f ( x))  2 f ( x)  ( f ( x  h)  f ( x))  f ( x  h)  f ( x)

 f ( x  h  h)  f ( x  h)  f ( x  h)  f ( x )
 f ( x  2h)  2 f ( x  h)  f ( x )
La tercera diferencia: 3 f ( x)
(2 f ( x))  ( f ( x  2h)  2 f ( x  h)  f ( x))  f ( x  2h)  2f ( x  h)  f ( x)

 f ( x  2h  h)  f ( x  2h)  2( f ( x  h  h)  f ( x  h))  f ( x  h)  f ( x)
 f ( x  3h)  3 f ( x  2h)  3 f ( x  h)  f ( x)
En general:
i f ( x)  (i 1 f ( x))
De manera análoga para el operador lineal de diferencia hacia atrás

Primera Diferencia: f (x)
f ( x)  f ( x)  f ( x  h)
Segunda Diferencia:  2 f ( x)
( f ( x))  ( f ( x)  f ( x  h))  f ( x)  f ( x  h)

 f ( x )  f ( x  h)  f ( x  h)  f ( x  2h)
 f ( x )  2 f ( x  h)  f ( x  2h)
En general:
 i f ( x)  ( i 1 f ( x)
Qué ocurre si aplicamos  al primer valor funcional f [x0] de una tabla proporcionada.
ANALISIS NUMERICO
 f x1   f x0  
f x0   f x0  h  f x0     x1  x0   h f x0 , x1 
 x1  x0 
ie : f ( x0 )  h f x0 , x1   f x0 , x1   f ( x0 )
1
h
Para
f x 2   2 f x1   f x0  2 f x0 
f x0 , x1 , x 2   
2h 2 2h 2
para
f x3   3 f x 2   3 f x1   f ( x0 ) 3 f x0 
f x0 , x1 , x 2 , x3   
2  3h 3 3!h 3
En general:
n f ( x 0 )
f x 0 , x1 ,..., x n  
n! hn
De manera análoga para el operador de diferencias hacia atrás
 n f ( xn )
f xn , xn1 , ..., x1 , x0  
n! h n
Consecuentemente al sustituir f x 0 , x1 ,..., x n  , i  0,1,2,..., n en 1
s( s  1) 2 s( s  1)( s  2)...(s  (n  1)) n

Pn ( x0  sh)  f x0   sf x0     f x0   ...   f ( x0 )
2! n!
Es conocido como el polinomio de Newton en diferencia finita hacia delante.

Ejemplo:
Supongamos que tienen las siguientes tabulaciones:
Puntos 0 1 2 3 4 5
x 50 60 70 80 90 100
f ( x) 24.94 30.71 36.05 42.84 50.57 59.30
ANALISIS NUMERICO
Aproximar la función tabulada usando el polinomio de Newton en diferencias finitas hacia

delante e interpole para 64
Solución
 En este conjunto de datos tenemos que h = 10, el valor por interpolares 64
x  x 0 64  50
 El valor de s    1.4  S  1.4
h 10
PARA UN POLINOMIO DE PRIMER ORDEN

Para n = 1
P1 ( x)  f x0   s f x0 
;
 24.94  1.4(5.17)  32.17
en donde
f x 0   f x 0  h  f x 0   f x1   f x 0 
f x 0   30.11  24.94  5.17
Punto xi f xi  f xi  2 f xi  3 f xi  4 f xi 

0 50 24.94
f x 0   5.17
1 60 30.11 2 f x 0   0.77
f x1   5.94 3 f x 0   0.08
2 70 36.05  f x1   0.85
2
4 f x 0   0.01
f x 2   5.79  f x1   0.09
3
3 80 42.84 2 f x 2   0.94 4 f x1   0.03

f x3   7.73 3 f x 2   0.06
4 90 50.57 2 f x3   1
f x 4   8.73
5 100 59.30
 Es preciso destacar que en realidad se está extrapolando, pues el valor de x queda fuera del
intervalo de los puntos que se usan para formar el polinomio de aproximación.
 Debemos observar que el polinomio de aproximación descrita en 1 fue estructurado

considerando x0 como pivote y luego si queremos aplicar para los puntos (1) y (2) debemos
modificar 1 así:
s(s  1) 2 s(s  1)...(s  (n  1)) n

Pn ( x)  f x1  sh  f x1  sf xi    f x1  ...   f x1
2! n! (2)
ANALISIS NUMERICO
P( x)  f x1   sf x1  en donde:
x  x1 64  60
s   0.4 Luego tenemos:
h 10
f (64)  30.11  0.4(5.94)  32.49
 Debemos resaltar que si deseamos aproximar con un polinomio de segundo grado se

requieren tres puntos, tendríamos dos alternativas, tomar como puntos (0), (1) y (2) ó (1), (2) y
(3), en este caso tomaría la primera serie por que el valor a interpolar está más al centro, luego
tendríamos:
s( s  1) 2
P2 ( x)  f x 0   sf x 0    f x 0  ; s  1.4
2!
1.4 (1.4  1)
P2 (64)  24.94  1.4 (5.17)  0.77  32.385
2!
3.4 DIFERENCIAS DIVIDIDAS REGRESIVAS

Supongamos n = 2 y asumamos que el polinomio sea de 2º grado:
P2 ( x)  a 0  a1 ( x  x n )  a 2 ( x  x n ) ( x  x n 1 )
En donde:
x n ; x n 1 : Son abscisas de los puntos “n” y “n – 1"
a 0 y a1 , a 2 : Son las constantes por determinar
Si:
x  x n  a 0  P2 ( x n )  a 0  f x n 
P2 x n 1   a 0 f x n 1   f x n 
x  x n 1  a1   a1   f x n , x n 1 
x n 1  x n x n 1  x n
f x n  2   f x n   f x n , x n 1 
x  x n2  a 2   a 2  f x n , x n 1 , x n  2 
( x n  2  x n ) ( x n  2  x n 1 )
Luego tendremos que:

P2 ( x)  f x n   f x n , x n 1 ( x  x n )  f x n , x n 1 , x n 2 ( x  x n )( x  x n 1 )
ANALISIS NUMERICO
Generalizar
Pn ( x)  a 0  a1 ( x  x n )  a 2 ( x  x n ) ( x  x n 1 )  ...  a n ( x  x n )( x  x n 1 )...(x  x1 )
En donde:
a 0  f x n  ; a1  f x n , x n 1  ; a 2  f x n , x n 1 , x n  2  ; ... ; a n  f x n , x n 1 , ... , x1 , x 0 
Considerando la diferencia de las abscisas consecutivas igual a h e introducimos una variable

paramétrica “s” definida como:
x  xn
s ; x: el valor a interpolar
h
x  x n  sh
x  x n 1  x n  x n 1  sh  h  sh  h( s  1)
x  x n  2  x n  x n  2  sh  2h  sh  h( s  2)

x  x 0  x n  x 0  sh  nhsh  h( s  n)
Luego tenemos:
s( s  1) 2 s( s  1) ( s  2)...(s  (n  1)) n
Pn ( x n  sh)  f x n   3f x n    f x n   ...   f x n 
2! n!
Ecuación de Newton en diferencias hacia atrás
Ejemplo:
En el ejemplo realice la interpolación para x = 98 usando el polinomio de Newton
 Si usamos un polinomio de primer grado tenemos
x  x n 98  100
P1 ( x)  f x 5   sf x 5  ; s   0.2
10 10
p1 (98)  59.30  0.2(8.73)  57.55
 Si usamos un polinomio de segundo grado tenemos
ANALISIS NUMERICO
s ( s  1) 2
P2 (98)  f x 5   sf x 5    f x 5 
2!
 0.2(0.2  1)
 59.3  .2(8.73)  (1)  57.63
2!
Punto xi f xi  f xi  2 f xi  3 f xi  4 f xi 

0 50 24.94
f x0   5.17
1 60 30.11 2 f x0   0.77
f x1   5.94 3 f x0   0.08
2 70 36.05  f x1   0.85
2
4 f x0   0.01
f x2   5.79 3 f x1   0.09
3 80 42.84 2 f x2   0.94 4 f x1   0.03
f x3   7.73 3 f x2   0.06
4 90 50.57 2 f x3   1
f x4   8.73
5 100 59.30
https://es.wikipedia.org/wiki/Interpolaci%C3%B3n_polin%C3%B3mica
4. BIBLIOGRAFÍA
5. GLOSARIO
1. ¿Qué son las diferencias divididas Progresivas?
2. ¿Qué son las diferencias divididas Regresivas?
3. Cual es la diferencia entre las dos? Cual es mejor? Porque?
ANALISIS NUMERICO
UNIDAD III
3.3-3.4 DIFERENCIAS DIVIDIDAS PROGRESIVAS Y REGRESIVAS
1. ¿Qué son las diferencias divididas Progresivas?

debido a que en el cálculo hay diferencias o resta de los dos nodos más próximo así
como la división entre la imagen (f(x)) de estos nodos, y de la forma triangular que
forman los nuevos nodos tomando los de las parte superior del triángulo.

debido a a que en el cálculo hay diferencias o resta de los dos nodos más próximo así
forman los nuevos nodos tomando los de las parte inferior del triángulo.
3. Cuál es la diferencia entre las dos? Cual es mejor? Porque?

a. En la fórmula que considera los elementos de la parte superior
b. Progresivas
c. Es mas rápida y los cálculos son más acertados .
ANALISIS NUMERICO
UNIDAD III
3.5 -3.6 DIFERENCIAS DIVIDIDAS CENTRADAS Y FINITAS
1. INTRODUCCIÓN
En la ecuación es una representación de las diferencias centrales (o centradas) de la primera

derivada. Nótese que el error de truncamiento es del orden de en contraste con las diferencias
divididas hacia adelante y hacia atrás, las cuales fueron de orden h. Por lo tanto, el análisis de la
serie de Taylor ha llevado a la información práctica de que la diferencia central es la
representación más exacta de la derivada. Por ejemplo, si se parte el tamaño del paso a la
mitad usando diferencias hacia atrás o hacia adelante, el error se reducirá aproximadamente a
la mitad, mientras que para diferencias centrales, el error se reduce a la cuarta parte.
Una diferencia finita es una expresión matemática de la forma f(x + b) − f(x +a). Si una
diferencia finita se divide por b − a se obtiene una expresión similar al cociente diferencial, que
difiere en que se emplean cantidades finitas en lugar de infinitesimales. La aproximación de las
derivadas por diferencias finitas desempeña un papel central en los métodos de diferencias
finitas del análisis numérico para la resolución de ecuaciones diferenciales.
2. OBJETIVO
Comparar los métodos matemáticos de Diferencias divididas en base a los criterios de

eficiencia, precisión y tolerancia. Analizar una muestra de datos empleando cada uno de los
métodos matemáticos de diferencias divididas Centradas y Finitas.
3. DIFERENCIAS CENTRADAS Y FINITAS
3.5. DIFERENCIAS CENTRADAS
Supongamos que la distancia entre dos argumentos (abscisas) consecutivas cualquiera es igual,
en toda la función tabular y sea “h”.
Las condiciones generales de este método de diferencias centradas:

 Se debe tener un número impar de nodos.
ANALISIS NUMERICO
 Si el número de nodos es par, se debe descartar un nodo. Generalmente, se descarta el

nodo que esté más alejado del nodo de interpolación.
Por ejemplo, si se tienen los nodos:
1.1, 1.2, 1.4, 1.6, 1.8 2.0
Y se desea interpolar en 1.5. Se debe descartar el nodo 2.0, ya que la distancia de 1.5 a
1.1 es 0.4 y la de 1.5 a 2.0 es 0.5.
Los nodos se deben renombrar o reenumerar.
El nodo del centro será el x0 el siguiente mayor será el x1, el siguiente mayor el x2 ,… Y el
anterior menor al centro (x0) será el x-1, el anterior siguiente será el x-2, y así
sucesivamente.
En el ejemplo anterior, luego de haber eliminado el nodo 2.0 se tendrá que:

x0=1.4, x1=1.6, x2=1.8, x-1=1.2 y x-2=1.1
Si el número de nodos es impar sólo se reenumeran los nodos, no se elimina ninguno.

A continuación se muestra el diagrama en forma triangular de los nodos calculados en la
que se señala la parte del medio o central en forma horizontal hasta el extremo derecho
o sea lo que reconocemos como la punta.
ANALISIS NUMERICO
Construya la tabla de diferencias centradas para los siguientes 8 nodos equidistantes de

la función f(x) se interpolará en x=1.7.
x0=1.0, x1=1.3, …, x7 = 3.4.
Recuerde debe re-nombrar los nodos.

Ahora construya un formato general para una tabla que use 11 nodos de cualquier
función, sean los nodos:
x0, x1, …, x10 .
Utilice la tabla resultante para comprender la siguiente fórmula para puntos no

equidistantes:
x  x0
Pn ( x)  f [ x0 ]   f [ x1 , x0 ]  f [ x0 , x1 ]  ( x  x0 ) 2 f [ x1, x0 , x1 ] 
2
x  x0
( x  x1 )( x  x1 )  f [ x2 , x1 , x0 , x1 ]  f [ x1 , x0 , x1 , x2 ] 
2
( x  x0 ) 2 ( x  x1 )( x  x1 ) f [ x2 , x1 , x0 , x1 , x2 ] 
x  x0
( x  x2 )( x  x1 )( x  x1 )( x  x2 ) *
2
 f [ x3 , x2 , x1 , x0 , x1 , x2 , ]  f [ x2 , x1 , x0 , x1 , x2 , x3 ] 
( x  x0 ) 2 ( x  x2 )( x  x1 )( x  x1 )( x  x2 ) f [ x3 , x2 , x1 , x0 , x1 , x2 , x3 ]  ... 
x  x0
( x  x2 m 1 )( x  x2 m  2 )...( x  x2 m  2 )( x  x2 m 1 ) *
2
 f [ x2 m ,..., x2 m1 ]  f [ x2 m1 ,..., x2 m ] 
( x  x0 ) 2 ( x  x2 m 1 )( x  x2 m  2 )...( x  x2 m 3 )( x  x2 m  2 )( x  x2 m 1 ) *
f [ x2 m , x2 m 1 ,..., x2 m 1 , x2 m ]
ANALISIS NUMERICO
Pn ( x )  f [ x 0 ]
x  x0
  f [ x 1, x 0 ]  f [ x 0 , x1 ] 
2
 ( x  x 0 ) 2 f [ x 1 , x 0 , x1 ]
x  x0
 ( x  x 1 )( x  x1 )  f [ x 2 , x 1, x 0 , x1 ]  f [ x 1, x 0 , x1, x 2 ] 
2
 ( x  x 0 ) 2 ( x  x 1 )( x  x1 )f [ x 2 , x 1, x 0 , x1, x 2 ]
x  x0
 ( x  x 2 )( x  x 1 )( x  x1 )( x  x 2 )  f [ x 3 , x 2 , x 1 , x 0 , x1 , x 2 ,]  f [ x 2 , x 1, x 0 , x1, x 2 , x 3 ] 
2
( x  x 0 )2 ( x  x 2 )( x  x 1 )( x  x1 )( x  x 2 )f [ x 3 , x 2 , x 1 , x 0 , x1 , x 2 , x 3 ]
.....
x  x0
 ( x  x 2 m 1 )( x  x 2 m  2 )...( x  x 2 m 2 )( x  x 2 m 1 )  f [ x 2 m ,..., x 2 m 1 ]  f [ x 2 m 1 ,..., x 2 m ] 
2
( x  x 0 )2 ( x  x 2 m 1 )( x  x 2 m  2 )...( x  x 2 m 3 )( x  x 2 m 2 )( x  x 2 m 1 )f [ x 2 m , x 2 m 1 ,..., x 2 m 1, x 2 m ]
Para puntos equidistantes se tiene:
Pn ( x)  f [ x2 m 1 ]  f [ x0 ]
sh
  f [ x1 , x0 ]  f [ x0 , x1 ]
2
 s 2 h 2 f [ x1 , x0 , x1 ]
s ( s 2  1)h 2
  f [ x2 , x1 , x0 , x1 ]  f [ x1 , x0 , x1 , x2 ]
2
 ...
 s 2 ( s 2  1)( s 2  4)...( s 2  (m  1) 2 )h 2 m f [ x m ,..., xm ]
s ( s 2  1)...( s 2  m 2 )h 2 m 1
 f [ x m 1 ,..., xm 1 ]
2
n  2m  1, pero si n  2m, se elimina el primero o el último xi
x  x0
h  xi 1  xi y s
h
ANALISIS NUMERICO
El algoritmo ALG032 presenta sólo los valores de
f [ x0 ], f [ x0 , x1 ], f [ x0 , x1 , x2 ]  ...  f [ x0 , x1 ,..., xn ]
Pero las fórmulas descritas anteriormente requieren el uso de las otras Diferencias
Divididas Calculadas en el algoritmo. Por lo tanto, es necesario que el algoritmo
imprima todas las diferencias divididas.
Para ello, se usará el algoritmo ALG032_DIF_DIV.m y se modificará el ALG032_MOD,
para obtener la tabla completa junto con la evaluación del nodo.
Considere la tabla para interpolar en 0.3333
i xi f(xi)
0 0.0 1.101
1 0.25 0.3349375
2 0.5 -0.02475
3 0.75 -0.0718125
Se debe usar la tabla:
i xi f(xi)
-1 0.0 1.101
0 0.25 0.3349375
1 0.5 -0.02475
Al ejecutar el programa, con dichos valores se obtienen los siguientes resultados:
ANALISIS NUMERICO
INTERPOLACION POLINOMIAL DE NEWTON

Los datos de entrada son:
X (0) = 0.00000000 F(X(0)) = 1.10100000
X (1) = 0.25000000 F(X(1)) = 0.33493750
X (2) = 0.50000000 F(X(2)) = -0.02475000
********* MATRIZ ********
1.10100000
0.33493750 -3.06425000
-0.02475000 -1.43875000 3.25100000
También es posible usar el algoritmo ALG032.m, si se ingresan los valores en el orden:

centro, positivo y luego negativo,
x0 , x1, x1, x2 , x2 ,...
Es decir la tabla de datos a ingresar es:
i xi f(xi)
-1 0.0 1.101
0 0.25 0.3349375
1 0.50 -0.02475
El orden de ingreso de los nodos será: 0.25 , 0.5 y por último 0.0 Y siempre será
primero los positivos y luego los negativos
ANALISIS NUMERICO
Al ejecutar el programa, con dichos valores se obtienen los siguientes resultados:

NEWTONS INTERPOLATION POLYNOMIAL
Input data follows:
X(0) = 0.25000000 F(X(0)) = 0.33493750
X(1) = 0.50000000 F(X(1)) = -0.02475000
X(2) = 0.00000000 F(X(2)) = 1.10100000
The coefficients Q(0,0), ..., Q(N,N) are:
0.33493750
-1.43875000
3.25100000
Aquí h=0.25, y como x=0.3333, se puede calcular s como: s=(0.3333-0.25)/0.25 =

0.3332.
La Tabla del alg032.m me da solo tres valores Q0,0, Q1,1y Q2,2 , y se necesita el Q-1,-1,
este valor se obtiene realizando la operación: Q-1,-1=Q1,1-2hQ2,2 resultando el valor : -
3.06425. Así que:
Pn (x )  P2m 1  x 0  sh 
 Q 0,0 
2
sh
Q1,1  Q 1,1   s 2h 2Q 2,2
P3  0.3333   0.3349375
 (0.3332 * 0.25 / 2) * (1.43875  3.0645)
 (0.3332) ^ 2 * (0.25) ^ 2 * 3.251
 0.16993546889
Conclusión del ejemplo usado:

Como puede verse dado que el punto de interpolación 0.333 esta más al centro que en
alguno de los extremos, el método regresivo da una respuesta no muy cercana a la que
el método progresivo y centrado provee.
Si tiene que decidir entre el centrado y el progresivo, se debe elegir al centrado ya que
el valor de interpolación está más apropiado para dicho método.
ANALISIS NUMERICO
3.6. DIFERENCIAS FINITAS
Cuando los puntos

(x1, f (x1)), (x2, f (x2)), (x3, f (x3)), ..., (xn, f (xn)),
Están igualmente espaciados en x, es decir, existe un

h > 0 tal que :
xi = xi−1 + h, i = 2, ..., n
xi = x1 + (i − 1)h, i = 1, ..., n
Entonces se pueden utilizar las diferencias finitas, definidas por
Algunas propiedades interesantes de las diferencias finitas son:
Para valores igualmente espaciados, las diferencias finitas y las divididas están
estrechamente relacionadas.
ANALISIS NUMERICO
La tabla de diferencias finitas tiene una estructura análoga a la tabla de diferencias

divididas. Se usa para ejemplos pequeños hechos a mano.
La elaboración de la tabla es muy sencilla. Las dos primeras columnas corresponden a

los datos.
A partir de la tercera columna, para calcular cada elemento se hace la resta de dos
elementos consecutivos de la columna anterior.
Por ejemplo: ∆f3 = f4 − f3. Obsérvese que este valor se coloca en medio de la fila de f3 y
de la fila de f4.
Por ejemplo: ∆2f1 = ∆f2 − ∆f1.
De manera semejante, ∆3f2 = ∆2f3 − ∆2f2
Ejemplo:
ANALISIS NUMERICO
Construir la tabla de diferencias finitas, hasta el orden 3, a partir de los seis puntos
siguientes:
(0, 0),(0.5, 0.7071),(1, 1),(1.5, 1.2247),(2,1.4142),(2.5, 1.5811).
El valor 0.1895 es simplemente 1.4142 − 1.2247.

El valor 0.0330 es simplemente
−0.0352 − (− 0.0682. 3)
Algoritmo para calcular la tabla de diferencias finitas hasta el orden m es el siguiente:

Para i = 1, ..., n
∆0fi = f(xi)
fin-para i
Para j = 1, ...,m
para i = 1, ..., n − j
∆jfi = ∆j−1fi + 1 − ∆j−1fi
fin-para i
fin-para j
ANALISIS NUMERICO
Ejemplo:
Tabular las diferencias finitas correspondiente a los siguientes valores :
(1,5), (1.5,7),(2,10), (2.5,8)
Calculo de Diferencias finitas en Matlab o Scilab
--> f=[5 7 10 8]
f =
5. 7. 10. 8.
--> d1=diff(f)
d1 =
2. 3. -2.
--> d2=diff(d1)
d2 =
1. -5.
--> d3=diff(d2)
d3 =
-6.
https://es.wikipedia.org/wiki/Diferencia_finita
5. BIBLIOGRAFÍA
6. GLOSARIO
ANALISIS NUMERICO
1. ¿Qué son las diferencias divididas Centradas?
2. ¿Qué son las diferencias divididas Finitas?
ANALISIS NUMERICO
UNIDAD III
3.5 -3.6 DIFERENCIAS DIVIDIDAS CENTRADAS Y FINITAS
1. ¿Qué son las diferencias divididas Centradas?

forman los nuevos nodos tomando los de las parte central del triángulo generado.
2. ¿Qué son las diferencias divididas Finitas?
Respuesta: es una expresión matemática de la forma f(x + b) − f(x +a). Si una diferencia
finita se divide por b − a se obtiene una expresión similar al cociente diferencial, que
difiere en que se emplean cantidades finitas en lugar de infinitesimales.
ANALISIS NUMERICO
UNIDAD III
3.7 INTERPOLACIÓN DE HERMITE
3.8 TRAZADORES CÚBICOS
1. INTRODUCCIÓN
Sean x0 ,x1,….,xn y n+1 números distintos en [a,b] y mi un entero no negativo asociado a xi para
i=0,1, …, n. Supóngase que f ϵ a,b] y que m=max 0<=i<=n mi.
El polinomio osculante que aproxima f es el polinomio P(x) de menor grado tal que
Cuando n=0 el polinomio osculante que aproxima f es el polinomio de Taylor m 0-esimo para f en
x0. Cuando mi =0 para cada i, el polinomio osculante es el polinomio de Lagrange de grado n
que interpola f en x0, x1,….,xn .
Cuando mi =1 para cada i=0,1,….,n.
Se produce una clase de polinomio denominado polinomio de Hermite.
En una función dada f, estos últimos concuerdan con f en x0 ,x1,….,xn.
Como sus primeras derivadas concuerdan con las de f tendrán la misma forma que la función
en (xi, f(xi)), en el sentido de que las líneas tangentes al polinomio coinciden con la función.
Si f ϵ [a,b] y si x0 ,x1,….,xn ϵ [a,b] son distintos, el polinomio único de menor grado que
concuerda con f y f’ en x0 ,x1,….,xn es el polinomio de Hermite de grado a lo más 2n+1 que
está dado por :
ANALISIS NUMERICO
2. OBJETIVO
Estudiar los métodos matemáticos de interpolación de Hermite y trazadores cúbicos en base a

los criterios de eficiencia, precisión y tolerancia. Identificar el método idóneo que debe
aplicarse a una muestra de datos de un problema real. Implementar cada uno de los métodos
matemáticos en la herramienta informática.
3. INTERPOLACIÓN DE HERMITE
TEOREMA DEL POLINOMIO DE HERMITE

Si f  C1  a, b  y si x0 , x1 ,..., xn   a, b  son distintos, el polinomio
único de menor grado que concuerda con f y f ' en x0 , x1 ,..., xn , es el
polinomio de Hermite de grado a lo más 2n  1 que está dado por
n n
H 2 n 1 ( x)   f ( x j ) H n , j ( x )   f '( x j ) Hˆ n , j ( x )
j 0 j 0
donde
H n , j ( x )  1  2( x  x j ) L 'n , j ( x j )  L2n , j ( x )
y
Hˆ n , j ( x )  ( x  x j ) L2n , j ( x )
ANALISIS NUMERICO
Dentro de este contexto Ln , j ( x) denota el j -ésimo polinomio de

Lagrange de grado n definido anteriormente en la ecuación
( x  x0 )( x  x1 )...( x  xk 1 )( x  xk 1 )...( x  xn )
Ln , k ( x) 
( xk  x0 )( xk  x1 )...( xk  xk 1 )( xk  xk 1 )...( xk  xn )
Más aún, si f  C 2 n  2  a, b  entonces para x   a, b 
( x  x0 ) 2 ...( x  xn ) 2 (2 n  2)
f ( x )  H 2 n 1 ( x)  f ( ),
(2n  2)!
para alguna  con a    b.
EJEMPLO 1. Utilice el polinomio de Hermite que concuerda con los

datos de la tabla siguiente para obtener una aproximación de f (1.5).
k xk f ( xk ) f '( xk )
0 1.3 0.6200860 -0.5220232
1 1.6 0.4554022 -0.5698959
2 1.9 0.2818186 -0.5811571
Primero, se calcula los polinomios de Lagrange y sus derivadas:

( x - x1 )( x - x2 ) 50 2 175 152
L2,0 ( x)   x  x ,
( x0  x1 )( x0  x2 ) 9 9 9
100 175
L '2,0 ( x)  x ;
9 9
ANALISIS NUMERICO
( x - x0 )( x - x2 ) 100 2 320 247

L2,1 ( x)   x  x ,
( x1  x0 )( x1  x2 ) 9 9 9
200 320
L '2,1 ( x)  x ;
9 9
( x - x0 )( x - x1 ) 50 2 145 104
L2,2 ( x)   x  x ,
( x2  x0 )( x2  x1 ) 9 9 9
100 145
L '2,2 ( x)  x .
9 9
Así, los polinomios H 2, j ( x) y Hˆ 2, j ( x) son

2
 50 2 175 152 
H 2,0 ( x)  1  2( x  1.3)( 5)   x  x 
 9 9 9 
2
 50 2 175 152 
 (10 x  12)  x  x 
 9 9 9 
 100 2 320
2
247 
H 2,1 ( x)  1.  x  x 
 9 9 9 
2
 50 2 145 104 
H 2,2 ( x)  10(2  x)  x  x 
 9 9 9 
2
 50 2 175 152 
Hˆ 2,0 ( x)  ( x  1.3)  x  x 
 9 9 9 
 100 2 320
2
247 
Hˆ 2,1 ( x)  ( x  1.6)  x  x 
 9 9 9 
ANALISIS NUMERICO
2
 50 145 104 
Hˆ 2,2 ( x)  ( x  1.9)  x 2  x  .
 9 9 9 
Finalmente,
H 5 ( x)  0.62008860 H 2,0 ( x )  0.4554022 H 2,1 ( x )  0.2818186H 2,2 ( x )
-0.5220232Hˆ 2,0 ( x )  0.5698959 Hˆ 2,1 ( x )  0.5811571Hˆ 2,2 ( x )
y
 4   64   5
H 5 (1.5)  0.62008860    0.4554022    0.2818186  
 27   81   81 
 4   32   2 
-0.5220232    0.5698959    0.5811571 
 405   405   405 
H 5 (1.5)  0.5118277.
un resultado cuya exactitud corresponde con 7 cifras decimales.
Suponiendo que los números distintos x0 , x1,..., xn , están dados junto

con los valores de f y f ' en esos números. Definir una sucesión nueva
z0 , z1 ,..., z2 n 1 , por medio de:
z2i  z2i 1  xi para cada i  0,1, 2,..., n.
y luego construir la tabla de diferencias divididas que utilice z1 , z2 ,
..., z2 n 1.
Ya que z2i  z2i 1  xi para cada i, no se puede definir f  z2i , z2i 1  a
partir de la fórmula de diferencias divididas. Si se supone, con base
en el teorema de diferencias divididas, que la sustitución razonable
en este caso es f  z2i , z2i 1   f '( z2i )  f '( xi ), y se podrá utilizar las
entradas o datos
f '( x0 ), f '( x1 ),..., f '( xn )
ANALISIS NUMERICO
en vez de las primeras diferencias divididas no definidas
f  z0 , z1  , f  z2 , z3  ,..., f  z2 n , z2 n 1 
Las diferencias divididas restantes se obtienen en la forma habitual
y las diferencias divididas apropiadas se emplean en la fórmula de
diferencias divididas interpolantes de Newton.
La siguiente tabla contiene los datos que se emplean en las columnas

de las tres primeras diferencias divididas cuando se determina el
polinomio de Hermite H 5 ( x) para x0 , x1 , y x2 .
Los datos restantes se generan tal como se hizo en la tabla de las
diferencias divididas. El polinomio está dado por
2 n 1
H 2 n 1 ( x)  f  z0    f  z0 ,..., zk  ( x  z0 )( x  z1 )...( x  zk 1 )
k 1
Primeras Diferencias Segundas Diferencias

i zi f ( zi ) Divididas Divididas
0 z0  x0 f  z0   f ( x0 )
f  z0 , z1   f '( x0 )
f  z1 , z2   f  z0 , z1 
1 z1  x0 f  z1   f ( x0 ) f  z0 , z1 , z2  
z 2  z0
f  z2   f  z1 
f  z1 , z2  
z2  z1
f  z2 , z3   f  z1 , z2 
2 z2  x1 f  z2   f ( x1 ) f  z1 , z2 , z3  
z3  z1
f  z2 , z3   f '( x1 )
f  z3 , z4   f  z2 , z3 
3 z3  x1 f  z3   f ( x1 ) f  z 2 , z3 , z 4  
z4  z2
f  z 4   f  z3 
f  z3 , z4  
z4  z3
f  z 4 , z5   f  z 3 , z 4 
4 z4  x2 f  z4   f ( x2 ) f  z3 , z 4 , z 5  
z5  z3
f  z4 , z5   f '( x2 )
5 z5  x2 f  z5   f ( x2 )
ANALISIS NUMERICO
EJEMPLO 2. Los valores de la siguiente tabla, usan los datos del ejemplo 1.
Los valores subrayados son los datos conocidos; los restantes se generan
mediante la fórmula de las diferencias divididas ordinarias.
1.3 0.6200860
-0.5220232
1.3 0.6200860 -0.0897427
-0.5489460 0.0663657
1.6 0.4554022 -0.0698330 0.0026663
-0.5698959 0.0679655 -0.0027738
1.6 0.4545022 -0.0290537 0.0010020
-0.5786120 0.0685667
1.9 0.2818186 -0.0084837
-0.5811571
1.9 0.2818186
Aproximando f (1.5) se tiene:

H 5 (1.5)  0.6200860  (1.5  1.3)( 0.5220232)
 (1.5  1.3)2 (0.0897427)
 (1.5  1.3)2 (1.5  1.6)(0.0663657)
 (1.5  1.3)2 (1.5  1.6) 2 (0.0026663)
 (1.5  1.3)2 (1.5  1.6) 2 (1.5  1.9)(0.0027738)
H 5 (1.5)  0.5118277.
Interpolación de Hermite (Algoritmo "ALG033")

Para obtener los coeficientes del polinomio interpolante de
Hermite H ( x) en los números distintos x0 , x1 ,..., xn para la función f
ANALISIS NUMERICO
ENTRADA: los números x0 , x1 ,..., xn ; valores f ( x0 ), f ( x1 ),..., f ( xn )

y f '( x0 ), f '( x1 ),..., f '( xn ).
SALIDA: los números Q 0,0 , Q1,1 , Q2,2 ,..., Q2 n 1,2 n 1 donde
H 5 ( x )  Q0,0  Q1,1 ( x  x0 )  Q2,2 ( x  x0 ) 2  Q3,3 ( x  x0 ) 2 ( x  x1 )
 Q4,4 ( x  x0 )2 ( x  x1 )2  ...
 Q2 n 1,2 n 1 ( x  x0 )2 ( x  x1 )2 ...( x  xn 1 ) 2 ( x  xn ).
Paso 1 Para i  0,1,...,n haga pasos 2 y 3.
Paso 2 Sea z2i  xi ;
z2i 1  xi ;
Q2i ,0  f ( xi );
Q2i 1,0  f ( xi );
Q2i 1,1  f '( xi ).
Paso 3 Si i  0 entonces tomar

Q2i ,0  Q2i 1,0
Q2i ,1  .
z2i  z2i 1
Paso 4 Para i  2,3,..., 2n  1
Qi , j 1  Qi 1, j 1
Para j  2,3,..., i tomar Qi , j  .
zi  zi  j
Paso 5 SALIDA(Q0,0 , Q1,1 , Q2,2 ,..., Q2 n 1,2 n 1 );
PARAR.
ANALISIS NUMERICO
Solución al ejemplo usando el algoritmo
This is Hermite interpolation.

Choice of input method:
1. Input entry by entry from keyboard
2. Input data from a text file
3. Generate data using a function F
Choose 1, 2, or 3 please
1
Input the number of data points minus 1
2
Input X(0), F(X(0)), and F'(X(0)) on separate lines
1.3
0.6200860
-0.5220232

1.6
0.4554022
-0.5698959

1.9
0.2818186
-0.5811571
Choice of output method:
1. Output to screen
ANALISIS NUMERICO
2. Output to text file

Please enter 1 or 2
1
HERMITE INTERPOLATING POLYNOMIAL

The input data follows:
X, F(X), F'(x)
1.3000000000e+000 6.2008600000e-001 -5.2202320000e-001
1.6000000000e+000 4.5540220000e-001 -5.6989590000e-001
1.9000000000e+000 2.8181860000e-001 -5.8115710000e-001
The Coefficients of the Hermite Interpolation Polynomial

in order of increasing exponent follow:
6.2008600000e-001
-5.2202320000e-001
-8.9742666667e-002
6.6365555556e-002
2.6666666667e-003
-2.7746913580e-003
ANALISIS NUMERICO
Aproximando f (1.5) se tiene:

H 5 (1.5)  0.6200860  (1.5  1.3)(0.5220232)
 (1.5  1.3) 2 (0.0897427)
 (1.5  1.3) 2 (1.5  1.6)(0.0663657)
 (1.5  1.3) 2 (1.5  1.6) 2 (0.0026663)
 (1.5  1.3) 2 (1.5  1.6) 2 (1.5  1.9)( 0.0027738)
H 5 (1.5)  0.5118277.
Do you wish to evaluate this polynomial?

Enter Y or N
y
Enter a point at which to evaluate
1.5
x-value and interpolated-value
1.5000000000e+000 5.1182770173e-001
ANALISIS NUMERICO
1. INTRODUCCIÓN
Para un conjunto numeroso de puntos no es muy útil calcular el polinomio interpolante que
pasa por estos puntos, pues éste tiende a tener grandes oscilaciones1 . Más aconsejable es
hacer una interpolación secuencial de grado bajo sobre subconjuntos más pequeños del total
de puntos, definiendo así una función a trozos.
La interpolación a trozos más útil y de uso generalizado en diversos campos tales como el
diseño, los gráficos por computadora, la economía, etc., es la que se realiza mediante
polinomios de grado tres llamados trazadores o splines cúbicos que se definen en cada uno de
los subintervalos [xk, xk+1] definidos por las abscisas de los puntos (xi, yi), de los puntos a
interpolar. La idea es construir estos polinomios cúbicos de tal forma que cualesquiera dos de
ellos definidos en intervalos contiguos [xk, xk+1] , ambos coincidan en xk no solo como función
sino también en su primera y segunda derivada, con el fin de que haya suavidad en los puntos
(xk, yk) de coincidencia de ambas gráficas.
Dados n+1 puntos (x0, y0), (x1, y1),..., (xn, yn) con x0, x1,..., xn números reales diferentes, y f alguna
función de valor real definida en un intervalo [a, b], que contiene a x0, x1,..., xn, se pretende
aproximar la función f por segmentos o trazas. De antemano vamos a suponer que:
La idea es aproximar la función f en cada subintervalo [xk, xk+1], k = 0, 1,..., n-1, usando un
polinomio de grado menor o igual a tres, el cual supondremos de la forma:
, k = 0, 1,..., n-1
2. OBJETIVO
Identificar el método idóneo de trazadores cúbicos que debe aplicarse a una muestra de datos
de un problema real. Implementar cada uno de los métodos matemáticos en la herramienta
informática. Elaborar una lista de conclusiones sobre la idoneidad de aplicar los métodos de
trazadores cúbicos.
3. TRAZADORES CÚBICOS
Para que los pk interpolen los puntos, se deben verificar las siguientes condiciones:
ANALISIS NUMERICO
1. , k = 0, 1,..., n-1 (condición básica de

interpolación)
Esta condición supone n+1 condiciones.
2. k = 0, 1,..., n-1 (condición de continuidad)

Esta condición supone n-1 ecuaciones.
3. k = 0, 1,..., n-1 (condición de primera derivada)

Esta condición sugiere n-1 condiciones.
4. k = 0, 1,..., n-1 (condición de segunda derivada)

Esta condición sugiere n-1 condiciones.
5. (condiciones de frontera)
Al verificar las condiciones 1., 2., 3. y 4., se asegura que los pk tienen sus primeras y
segundas derivadas en los puntos x0, x1,..., xn, en este caso se dice que los pk son trazadores
cúbicos que aproximan la función f. Ahora, si se cumple la condición 5.a., el trazador cúbico
se llama natural, y si cumple la condición Del trazador cúbico se llama de frontera sujeta
(no son mutuamente excluyentes).
DEFINICIÓN :
Dada una función f definida en a, b  y un conjunto de nodos
a  x0  x1    xn  b un polinomio interpolan te de trazador
cúbico S para f es una función que cumple con las
condicione s siguientes :
a. S  x  es un polinomio cúbico, denotado por S j  x , en el
 
sub - intervalo x j , x j 1 para cada j  0,1,2,  , n  1.
b. S x j   f x j  para cada j  0,1,2,..., n.
c. S j 1 x j 1   S j x j 1  para cada j  0,1,2,..., n  2.
d. S j 1 x j 1   S j x j 1  para cada j  0,1,2,..., n  2.
e. S j1 x j 1   S jx j 1  para cada j  0,1,2,..., n  2.
f. Una de las siguientes condicione s de frontera se cumplen :
i  S  x0   S  xn   0 (frontera libre o natural).
ii  S  x0   f  x0  y
S  xn   f  xn  (frontera sujeta).
ANALISIS NUMERICO
Cuando se presentan las condiciones de frontera libre, el trazador cúbico recibe el

nombre de “Trazador Natural” y su gráfica se aproxima a la forma que tomaría una
cuerda larga y flexible si la hiciéramos pasar por los puntos:
 x0 , f  x0 ,  x1 , f  x1 ,  ,  xn , f  xn 
En términos generales, en las condiciones de frontera sujeta se logran las

aproximaciones más exactas, ya que abarcan más información acerca de la función.
Pero para que se cumplan este tipo de condiciones de frontera, se requiere tener
valores de la derivada en los extremos o bien una aproximación a dichos valores.
La forma del polinomio de Trazador Cúbico es la siguiente:
S j  x   a j  b j x  x j   c j x  x j   d j x  x j 
2 3
para cada j  0,1,  , n  1.
S3
S2 Sj
S1 Sn-1
S0
x0 x1 x2 x3 x4 xj xj+1 xn-1 xn
ANALISIS NUMERICO
Ejemplo:
Construya el(los) trazador(es) cúbico(s) libre(s) para los siguientes datos:
x f x 
 0 .5  0.02475
 0.25 0.3349375
0 1.101
La ejecución del algoritmo de trazadores cúbicos genera las siguientes salidas:
This is the natural cubic spline interpolation.

3. Generate data using a function F nodes entered from keyboard
4. Generate data using a function F with nodes from a text file
Choose 1, 2, 3, or 4 please
1
Input n
2
Input X(0) and F(X(0)) on separate lines.
-0.5
-0.02475
-0.25
0.3349375

0
ANALISIS NUMERICO
1.101
Select output destination
1. Screen
2. Text file
Enter 1 or 2
1
NATURAL CUBIC SPLINE INTERPOLATION
The numbers X(0), ..., X(N) are:
-0.50000000 -0.25000000 0.00000000
The coefficients of the spline on the subintervals are:

for I = 0, ..., N-1
A(I) B(I) C(I) D(I) .
-0.02475000 1.03237500 0.00000000 6.50200000
0.33493750 2.25150000 4.87650000 -6.50200000
Con 3 nodos sólo se pueden construir dos polinomios cúbicos, uno entre x0 y x1 y otro entre
x1 y x2:
S 0  x   0.02475  1.032375( x  ( 0.5))  0  6.502( x  0.5)
3
S1  x   0.3349375  2.2515( x  ( 0.25))  4.8765( x  0.25)  6.502( x  0.25)

2 3
Ahora aplique el algoritmo para el siguiente ejemplo, en el que se le proveen los valores de
la derivada en los extremos.
Ejemplo: Construya el trazador sujeto para el caso anterior si conoce que:
f  0.5  0.751 y f 0  4.002
This is Clamped Cubic Spline Interpolation.

ANALISIS NUMERICO

3. Generate data using a function F with nodes entered from keyboard
4. Generate data using a function F with nodes from a text file
Choose 1, 2, 3, or 4 please
1
Input n
2
Input X(0) and F(X(0)) on separate lines

-0.5
-0.02475
-0.25
0.3349375
0
1.101
Enter F'(X(0)) and F'(X(N)) on separate lines

0.751
4.002
Select output destination
1. Screen
2. Text file
Enter 1 or 2
1
CLAMPED CUBIC SPLINE INTERPOLATION

The numbers X(0), ..., X(N) are:
-0.50000000 -0.25000000 0.00000000
The coefficients of the spline on the subintervals are:
ANALISIS NUMERICO
for I = 0, ..., N-1

A(I) B(I) C(I) D(I) .
-0.02475000 0.75100000 2.50100000 1.00000000
0.33493750 2.18900000 3.25100000 1.00000000
Así, los polinomios cúbicos, entre x0 y x1 y entre x1 y x2 son:
S 0 x   0.02475  0.751( x  (0.5))  2.501( x  0.5) 2  ( x  0.5) 3

S1  x   0.3349375  2.189( x  (0.25))  3.251( x  0.25) 2  ( x  0.25) 3
https://es.wikipedia.org/wiki/Interpolaci%C3%B3n_polin%C3%B3mica_de_Hermite
https://es.wikipedia.org/wiki/Spline
5. BIBLIOGRAFÍA
6. GLOSARIO
1. ¿En qué consiste el método de interpolación de Hermite?
3. ¿Qué son los trazadores cúbicos?
4. ¿Cuántos nodos mínimo necesita este método para un su funcionamiento?
ANALISIS NUMERICO
UNIDAD III
3.7 INTERPOLACIÓN DE HERMITE
1. ¿En que consiste el método de interpolación de Hermite?

forman los nuevos nodos tomando los de las parte superior del triángulo.

forman los nuevos nodos tomando los de las parte inferior del triángulo.
3. ¿Qué son los trazadores cúbicos?
Respuesta: Los trazadores cúbicos (cubic splines) naturales se utilizan para crear una
función que interpola un conjunto de puntos de datos. Esta función consiste en una
unión de polinomios cúbicos, uno para cada intervalo, y está construido para ser una
función con derivada primera y segunda continuas. El ’spline’ cúbico natural también
tiene su segunda derivada igual a cero en la coordenada x del primer punto y el último
punto de la tabla de datos..
4. ¿Cuántos nodos mínimo necesita este método para un su funcionamiento?
Respuesta: dos nodos con tres es aun mejor.
ANÁLISIS NUMÉRICO
ANS115
UNIDAD III
INTERPOLACION NUMERICA
ANÁLISIS NUMÉRICO
ANS115
TEMA
- Diferencias Divididas
Agenda
• Diferencias Divididas
• Descripción del Método
• Tablas
• Ejemplos
Objetivos
• Conceptualizar los métodos matemáticos que

resuelven ecuaciones polinomiales.
• Comparar los métodos matemáticos de Lagrange
y Diferencias divididas en base a los criterios de
eficiencia, precisión y tolerancia.
• Analizar una muestra de datos empleando cada
uno de los métodos matemáticos de Diferencias
divididas.
Diferencias Divididas
Suponga que tenemos los siguientes datos tomados

durante la observación de un experimento:
i xi f(xi)
0 1.0 0.7651977
1 1.3 0.6200860
1.5
2 1.6 0.4554022
3 1.9 0.2818186
4 2.2 0.1103623
Tabla de Diferencias Divididas
3ª Dif. 4ª Dif.
i xi f(xi) 1ª Dif. Div 2ª Dif. Div
Div Div
0 1.0 0.7651977
0.620086  0.7651977
1.3  1.0

1 1.3 0.6200860 1 .6  1 .0
0.4554022  0.620086 
1.5 1 .9  1 .0
1.6  1.3
 
2 1.6 0.4554022 1.9  1.3 2 .2  1 .0
0.2818186  0.4554022 
1.9  1.6 2 .2  1 .3

3 1.9 0.2818186 2.2  1.6
0.1103623  0.2818186
2.2  1.9
4 2.2 0.1103623
Supongamos que Pn  x  es el n  ésimo Polinomio de Lagrange
que concuerda con f en los nodos distintos x0 , x1 ,  , xn .
Las Diferencias Divididas de f respecto a x0 , x1 ,  , xn se usan
para expresar Pn  x  en la forma :
Pn  x   a0  a1  x  x0   a2  x  x0  x  x1   
 an  x  x0  x  x1   x  xn 1 
para las constantes apropiadas a0 , a1 , a2 ,  , an
Para determinar el valor de las constantes comenzamos con a0 :
Note que al evaluar Pn  x   a0  a1  x  x0   a2  x  x0  x  x1   
 an  x  x0  x  x1   x  xn 1  en x  x0 resulta que
Pn  x0   a0 pero a su vez se tiene que Pn  x0   f  x0 .
Así que a0  f  x0 .
Para encontrar a1 , siguiendo el mismo proceso :
Pn  x1   a0  a1  x1  x0   f  x0   a1  x1  x0   f  x1 
f  x1   f  x0 
 a1 
x1  x0 
Se define la Diferencia Dividida Cero de f respecto a x i que se
denota por f x i , simplemente como el valor f x i .
La Primera Diferencia Dividida de f respecto a x i y x i 1 se
denota por f x i , x i 1 , y se define por :
f xi 1   f xi 
f xi , xi 1   .
xi 1  xi
La Segunda Diferencia Dividida de f respecto a xi , xi 1 y xi  2 se

denota por f xi , xi 1 , xi  2 , y se define por :
f xi 1 , xi  2   f xi , xi 1 
f xi , xi 1 , xi  2   .
xi  2  xi
De manera análoga luego de haber definido las primeras k  1
f xi , xi 1 , xi  2 , , xi  k 1  y f xi 1 , xi  2 , xi 3 ,  , xi  k 1 , xi  k 
la k  ésima Diferencia Dividida relativa a xi , xi 1 ,  , xi  k
es : f xi , xi 1 , xi  2 ,  , xi  k  
f xi 1 , xi  2 , xi 3 ,  , xi  k 1 , xi  k   f xi , xi 1 , xi  2 ,  , xi  k 1 
xi  k  xi
Con esta nueva notación, Pn  x  se puede re - escribir como :
n
Pn  x   f x0    f x0 , x1 , , xk  x  x0   x  xk 1 .
k 1
En el ejemplo anterior:
i xi f(xi) 1ª Dif. Div 2ª Dif. Div 3ª Dif. Div 4ª Dif. Div
0 1.0 0.7651977 c
o
-0.4837057 e
1 1.3 0.6200860 -0.1087339 f
-0.548946 0.0658784 i
c
2 1.6 0.4554022 -0.0494433 0.0018251 i
-0.578612 0.0680685 e
3 1.9 0.2818186 0.0118183 n
t
-0.571521
e
4 2.2 0.1103623 s
Si se pidiera por ejemplo interpolar en x  1.5, entonces se

tendrá en :
P4  x   0.7651977  0.4837057 x  1.0 
 0.1087339 x  1.0  x  1.3
 0.0658784 x  1.0  x  1.3x  1.6 
 0.0018251 x  1.0  x  1.3 x  1.6  x  1.9 
Al sustituir se tiene que :
P4  x   0.51182
Algoritmo:
Entrada: los nodos x0,x1,…,xn; los valores f(x0), f(x1),…,f(xn)
como F0,0, F1,0,…,Fn,0.
Salida : Los números F0,0,F1,1,…,Fn,n. Donde
i 1
P  x    Fi ,i  x  x j 
n
i 0 j 0
Paso 1 : Para i  1,2,  , n

Para j  1,2,  , i
Fi , j 1  Fi 1, j 1
Hacer Fi , j 
xi  xi  j
Paso 2 : SALIDA F0, 0 , F1,1 ,  , Fn ,n ; PARAR.
Aquí Fi ,i es f x0 , x1 ,  , xi 
Ejemplo: Use un programa para construir polinomios
interpolantes de grados 1, 2 y 3 para x = 8.4 con los
siguientes datos:
f(8.1) = 16.9441
f(8.3) = 17.56492
f(8.6) = 18.50515
f(8.7) = 18.82091
Note que para este ejemplo los nodos NO SON

igualmente espaciados , a continuación la ejecución el
programa.
>> ALG032
Newtons form of the interpolation polynomial
3. Generate data using a function F
Choose 1, 2, or 3 please
1
Input n
3
8.1
16.9441
8.3
17.56492
8.6
18.50515
8.7
18.82091
NEWTONS INTERPOLATION POLYNOMIAL

Input data follows:
X(0) = 8.10000000 F(X(0)) = 16.94410000
X(1) = 8.30000000 F(X(1)) = 17.56492000
X(2) = 8.60000000 F(X(2)) = 18.50515000
X(3) = 8.70000000 F(X(3)) = 18.82091000
The coefficients Q(0,0), ..., Q(N,N) are:
16.94410000
3.10410000
0.06000000
-0.00208333
Ya que se pide interpolar en x  8.4, entonces se tendrá en:

P3  x   16.9441  3.1041 x  8.1
 0.0600  x  8.1 x  8.3
 0.00208333  x  8.1 x  8.3 x  8.6 
Al sustituir se tiene que:
P3  8.4   17.87714249998000
>> ALG032_DIF_DIV
Forma del polinomio de interpolación de NEWTON
Elija el método de entrada:
1. Ingresar entrada por medio del teclado
2. Ingresar datos desde un archivo de texto
3. Generar datos unsando una función F
Escoja 1, 2, o 3 por favor
1
Ingrese n
3
Ingrese X(0) y F(X(0)) en líneas separadas
8.1
16.9441
8.3
17.56492

8.6
18.50515
8.7
18.82091
Seleccione el tipo de salida
1. Pantalla
2. Archivo de texto
Ingrese 1 o 2
1
INTERPOLACION POLINOMIAL DE NEWTON

Los datos de entrada son:
X(0) = 8.10000000 F(X(0)) = 16.94410000
X(1) = 8.30000000 F(X(1)) = 17.56492000
X(2) = 8.60000000 F(X(2)) = 18.50515000
X(3) = 8.70000000 F(X(3)) = 18.82091000
********* MATRIZ ********

16.94410000
17.56492000 3.10410000
18.50515000 3.13410000 0.06000000
18.82091000 3.15760000 0.05875000 -0.00208333
Gracias por su atención !!

Examen Teorico 1 ANS

Cargado por

Información del documento

Descripción 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

Examen Teorico 1 ANS

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE EL SALVADOR EN LÍNEA

FACULTAD DE INGENIERÍA Y ARQUITECTURA

3. TEOREMAS Y CONCEPTOS FUNDAMENTALES

3.1 Teorema de Rolle.-

La idea del teorema de Rolle es que una curva continua y sin

En este ejemplo la función f (x) que es continua y sin “picos” y

Enunciado del teorema de Rolle

La función graficada arriba es f (x)  ( x  4)( x  1)( x  4) = x 3  x 2  16 x  16 .

Si tomamos a = -4 y b = -1, tenemos que f (a)  f (b)  0 . A partir de f ( x)  3x 2  2 x  16 = 0,

Del mismo modo. Como f (1)  f (4) , al resolver de nuevo f ( x)  3x 2  2 x  16  0 ,

Teorema del valor medio.-

La idea del teorema del valor medio es que en una curva

(Es decir, tienen la misma pendiente)

Enunciado del teorema del valor medio

f (6)  f (4) 140  0

Como f ( x)  x  4x  4x  1 = x 3  x 2  16 x  16 , entonces f ( x)  3x 2  2 x  16 .

f ( x)  3x 2  2 x  16 = 14. Resolviéndola por la fórmula de segundo grado, hallamos que la

Ejemplo.-Aplicando el teorema de Rolle, demuestra que x 3  3x  b  0 no puede tener más de

La función f x   x 3  3x  b es continua en  1,1 (es un polinomio).

Es derivable en  1,1 y su derivada es f x   3x 2  3 .

Veamos pues, que x 3  3x  b  0 no puede tener más de una raíz en  1,1

Supongamos que f x   x 3  3x  b tiene dos raíces a1 y a 2 en  1,1 es decir

Por tanto x 3  3x  b  0 b como máximo tiene una raíz en  1,1 .

Aplicaciones del teorema del valor medio.-

A lo largo del tema hemos visto propiedades como:

f creciente y derivable en x0  f x0   0

En las que a partir de propiedades de la función se obtienen consecuencias sobre la derivada.

Hemos dejado sin demostrar otras como:

Tomamos dos puntos cualesquiera x1  x 2 del intervalo a, b

3.2 TEOREMA DE TAYLOR

Como observamos en los problemas de diferencial, si x se encuentra "lejos" de x o, la recta

b) P ' (xo) = f ' (xo)

c) P '' (xo) = f '' (xo)

Como P(xo ) = a, P'(x) = b y P''(x) = 2c, concluimos que

a = f (xo), b = f ' (xo) y c = (1/2)f ''(xo)

quedando la ecuación de la parábola que mejor aproxima a la curva en las cercanías de

En la figura de abajo, observamos gráficamente los tres sumandos de la expresión de la

Verifiquemos lo anterior en el caso particular de la función , xo = 0 y valores de x

En la tabla de abajo observamos que la parábola tangente a la gráfica de f en (0,1)

0.5 1.5 1.625 1.6487212707

0.3 1.3 1.345 1.34985880757

0.1 1.1 1.105 1.10517091807

0.01 1.01 1.01005 1.010050167

0.001 1.001 1.0010005 1.00100050016

LOS COEFICIENTES DE UN POLINOMIO, EN TÉRMINOS DE SUS DERIVADAS

Un polinomio de grado n está completamente determinado por sus (n+1) coeficientes.

P(x) = ao + a1 (x- xo) + a2 (x- xo)2 + ... + an (x- xo)n

En lo sucesivo, expresaremos al polinomio en potencias de (x - xo) y encontraremos sus

P(2)(x) = 2 a2 + (2)(3)a3 (x- xo ) + (3)(4)a4 (x-xo )2 +... + n(n-1)an (x- xo)n-2

P(3)(x) = (2)(3)a3 + (2)(3)(4)a4 (x-xo ) +... + n(n-1)(n-2)an (x- xo)n-3

ao = P(xo), a1 = P '(xo), , , ... , .

y en consecuencia la expresión del polinomio será:

Observación: En base a lo anterior, podemos afirmar que, dado un polinomio cualquiera

Ejemplo 1. Encuentre el polinomio de grado 4 que satisface:

Solución: Para encontrar la expresión del polinomio en términos de (x-2), simplemente

y por lo tanto el polinomio buscado es:

P(x) = 3 + 5(x-2) + 2(x-2)2 + 4(x - 2)3 + 2(x - 2)4

Ejemplo 2. Exprese al polinomio P(x) = 7x3 + x2 + 8 en potencias de (x - 1).

Solución: Evaluemos al polinomio y a sus 3 primeras derivadas en xo = 1.

P(x) = 7x3 + x2 +8 P(1) = 16

P ' (x) = 21x2 + 2x P ' (1) = 23

P (2) (x) = 42x + 2 P (2) (1) = 44

P (3) (x) = 42 P (3) (1) = 42