METODO DE REGLA FALSA

(REGULA FALSI O FALSA POSICION)

El método de la regla falsa, también llamado Regula falsi, se basa en la aplicación del teorema del
valor intermedio, por lo que la función debe ser continua y tener signos diferentes en los límites del
intervalo de trabajo.

Es un método iterativo que, a diferencia de bisección, que busca el punto medio del intervalo, une
por medio de una línea recta las imágenes de la función en los dos extremos del intervalo (f(a) y
f(b)). La intersección de esta nueva recta con el eje x representa una mejor estimación de la raíz de
la función. La función en el intervalo hallado por método de búsquedas debe ser continua y cumplir
que f(a) × f(b) < 0.

Para determinar la raíz de f(x) utilizando el método de la regla falsa, construimos la recta que pasa
por los puntos (a, f(a)) y (b, f(b)), esta recta está dada por la ecuación:

𝑓(𝑎) − 𝑓(𝑏)
𝑦= (𝑥 − 𝑎) + 𝑓(𝑎)
𝑎− 𝑏

Haciendo y = 0 y despejando x, se encuentra la intersección de la recta con el eje x. Esta

intersección está dada por:

− 𝑓(𝑎) (𝑎 −𝑏)
𝑥= +𝑎
𝑓(𝑎) − 𝑓(𝑏)

− 𝑎 𝑓(𝑎) + 𝑏 𝑓(𝑎) + 𝑎 𝑓(𝑎) − 𝑎 𝑓(𝑏)

𝑥= 𝑓(𝑎) − 𝑓(𝑏)

𝑏 𝑓(𝑎) − 𝑎 𝑓(𝑏)
𝑥= 𝑓(𝑎) − 𝑓(𝑏)
También se puede escribir de la siguiente manera:

𝑎 𝑓(𝑏) − 𝑏 𝑓(𝑎)
𝑥= 𝑓(𝑏) − 𝑓(𝑎)

De manera que la expresión de iteración para la regla falsa será:

𝑎𝑛 𝑓(𝑏𝑛) − 𝑏𝑛 𝑓(𝑎𝑛)
𝑥𝑛+1 = 𝑓(𝑏𝑛) − 𝑓(𝑎𝑛)

La intersección de la recta con el eje X, es una primera aproximación de la raíz r de f(x), y la

llamaremos x1. Ahora verificamos los signos de f(a), f(x1) y f(b), para determinar en qué intervalo se
encuentra la raíz. Si f(a) y f(x1) tienen signos diferentes, la raíz está en el intervalo [a, x1], y
hacemos b = x1, si tienen signos iguales, la raíz se encuentra en el intervalo [x1, b], y hacemos a =
x1. Repetimos el proceso para determinar una segunda aproximación a la raíz, a la que llamaremos
x2, así sucesivamente hasta que | 𝑥𝑛+1 − 𝑥𝑛 | sea menor a un error previamente fijado.

Ventajas del método de regla falsa:

• Siempre convergerá.
• Es estable.
• Es fácil de implementar.
• Es útil cuando no se sabe nada de la función, aparte de calcular el signo de las imágenes.

Desventajas del método de regla falsa:

• Aunque es más rápido que el método de bisección, sigue siendo un método de lenta
convergencia.
• A pesar de que generalmente regla falsa funciona mejor que el método de bisección, hay
casos en los que regla falsa arroja más errores que bisección y es mejor no utilizarla. No
hay una regla para saber cuándo es mejor.
Ejemplo 1)

Utilizar el método de regla falsa para resolver:

𝑓 (𝑥 ) = 𝑒 −𝑥 − 𝑥

para el intervalo [ 0 , 1 ] y 𝜖 = 0.0001 = 10−3

Solución:

Iteración 1:

Asignar los dos valores del intervalo como iniciales de x:

𝑓 (𝑎) = 𝑓(0) = 𝑒 −0 − 0 = 1

𝑓 (𝑏) = 𝑓 (1) = 𝑒 −1 − 1 = −0.63212

Se verifica que haya un cambio de signo entre 0 y 1, de manera que:

𝑎𝑛 𝑓(𝑏𝑛) − 𝑏𝑛 𝑓(𝑎𝑛)
𝑥𝑛+1 = 𝑓(𝑏𝑛) − 𝑓(𝑎𝑛)

0 (−0.63212) − 1 ( 1 )
𝑥1+1 =
−0.63212 − 1

𝑥2 = 0.61270
𝑓 (𝑥2 ) = 𝑓(0.61270) = 𝑒 −0.6127 − 0.61270 = −0.07081

como 𝑓 (𝑎) 𝑦 𝑓(𝑥2 ) son de diferentes signos entonces 𝑎2 = 𝑎1 = 0 y 𝑏2 = 𝑥2 = 0.6127

Iteración 2:

𝑓(𝑎) = 𝑓 (0) = 𝑒 −0 − 0 = 1

𝑓(𝑥2 ) = 𝑓(0.61270) = 𝑒 −0.6127 − 0.61270 = −0.07081

0 (−0.07081) − 0.6127 ( 1 )
𝑥2+1 =
−0.07081 − 1

𝑥3 = 0.57218
𝑓 (𝑥3 ) = 𝑓 (0.57218) = 𝑒 −0.57218 − 0.57218 = −0.00789

como 𝑓(𝑎) 𝑦 𝑓 (𝑥3 ) son de diferentes signos entonces 𝑎3 = 𝑎2 = 0 y 𝑏3 = 𝑥3 = 0.57218

y así sucesivamente hasta alcanzar la precisión deseada.

n an bn Xn f(an) f(bn) f(Xn) Error

1 0.00000 1.00000 0.61270 1 -0.63212 -0.07081
2 0.00000 0.61270 0.57218 1 -0.07081 -0.00789 0.040518
3 0.00000 0.57218 0.56770 1 -0.00789 -0.00088 0.004478
4 0.00000 0.56770 0.56721 1 -0.00088 -0.00010 0.000498
5 0.00000 0.56721 0.56715 1 -0.00010 -0.00001 0.000055
 METODO PUNTO FIJO

El Método de Punto Fijo (también conocido como iteración de punto fijo), es otro método para
hallar los ceros de f(x). Para resolver f(x) = 0, se reordena en una forma equivalente:

f(x) = 0
x - g(x) = 0
x = g(x)

Observe que si c es un cero de f(x), f(c)=0 y c=g(c). (Siempre que se tenga c=g(c) se dice que c es
un punto fijo de la función g).

Para aproximar un cero de f se utiliza la iteración de punto fijo (1) xn+1 = g(xn) , n = 0, 1, 2, 3, . . .
donde x0 es una aproximación inicial del cero de f.

Ejemplo.

f(x) = x2 - 2x - 3 = 0, tiene dos ceros. x = 3 y x = -1

Supóngase que se reordena para lograr la forma equivalente:

Si se comienza con x0 = 4 y se itera con la iteración de punto fijo (1), los valores sucesivos
de x son:

parece que los valores convergen a x = 3.

Otro reordenamiento de f(x) = 0 es :

Si nuevamente se comienza con x0 = 4, los valores sucesivos de x son:

parece que ahora x converge al otro cero de f, x = -1.

Considérese un tercer reordenamiento

Comenzando de nuevo con x0 = 4 se obtiene:

x0 = 4
x1 = 6.5
x2 = 19.625
x3 = 191.070

resulta evidente que las iteraciones son divergentes.

Entonces no todas las formas de reordenamiento x=g(x) son efectivas para encontrar la solución
de f, ya que los diferentes comportamientos de estas ecuaciones dependen de la forma y
pendiente de la curva a la hora de graficar.
Una pregunta que surge en este momento es ¿cuál de las funciones g sirve para aproximar el
punto fijo de g? (o en forma equivalente el cero de f). A continuación, se presenta un teorema que
da condiciones suficientes para la existencia y unicidad del punto fijo de una función.

Teorema 1.

Si g es continua [a,b] y g(x) [a,b] para toda x [a,b], entonces g tiene un punto fijo en [a,b].
Y si además g’(x) existe en (a, b) y existe una constante positiva K < 1 con |g'(x)| K, para todo x
(a,b), entonces el punto fijo en [a,b] es único.

Ejemplo.

La función g(x)=(x2-3)/2 en el intervalo [2,4] tiene un punto fijo único. c=3 es un punto fijo
de g porque de g porque

Observe que g'(x)=x y en el intervalo [2,4] g'(x)>0. g es creciente y g(x) [1/2 ,6.5], además |g'(x)|
1. (ya que g'(x)=x y x (2,4)).
Esto demuestra que las hipótesis del teorema 1 son suficientes para garantizar un punto fijo único,
pero no son necesarias.

El siguiente resultado da algunas pistas sobre los procedimientos que se deben seguir y algunos
que se deben excluir para escoger funciones que produzcan sucesiones que converjan a un punto
fijo.

Teorema 2

Sea g una función continua en [a,b] tal que g(x) [a,b] para toda x en [a,b]. Además suponga que
existe g' en (a,b) y una constante positiva K<1 tal que |g'(x)| K, para toda x (a,b), entonces para
cualquier número x0 en (a,b), la sucesión definida por xn+1=g(xn), converge al único punto fijo x
en [a,b].

Corolario.

Si g satisface las hipótesis del teorema 2, una cota para el error al aproximar el punto
fijo x de g por xn es:
Ejemplo de corolario:

Aplique el teorema 2 para demostrar que tiene un punto fijo único en [2,4]. Use el
corolario para estimar la cantidad de iteraciones necesarias para lograr una exactitud de 10-2 y
después compare esta estimación teórica con la cantidad que realmente se requiere, use x0=3.5.
Solución:

Luego, g(x) [g(2),g(4)] = [2.65, 3.32]

Por lo tanto g(x) [a,b] = [2,4]

Además , porque g'(x) es decreciente y x (2,4)

Como |g'(x)| K = 0.378 < 1 el punto fijo de g es único en [2, 4].

Para una función f(x) existen infinitas alternativas de ordenamientos para encontrar las funciones

x = g(x) a través de operaciones y simplificaciones aritméticas, que dependerán de las destrezas

matemáticas de quien lo esté resolviendo.

Por lo tanto, para este curso, les brindaré las diferentes alternativas de x = g(x) para que todos
uniformemos los cálculos, ya que el objetivo principal es que ustedes aprendan a utilizar el Método
de Punto Fijo.
Ejemplo 1)
Aproximar la solución de:
cos(x) − x = 0

con 5 decimales ó una precisión de 10−5 , mediante la iteración de punto fijo a partir de x o = 1

Solución:
Para determinar los x = g(x) se debe de realizar operaciones aritméticas tratando de despejar x,
por ejemplo:
cos(x) − x = 0
2x + cos(x) – x = 2x
cos(x) + x = 2x
cos(x) + x
= x
2

cos(x) + x
de esta forma ya tenemos un primer x = g1(x) =
2

Otra alternativa:
cos(x) − x = 0
3x + cos(x) – x = 3x
cos(x) + 2x = 3x
cos(x)+2x
= x
3
cos(x) + 2x
y así tendríamos un segundo x = g2(x) = 3

Calculemos ahora las derivadas correspondientes:

− sen(x) + 1
(g1(x)) ˡ = 2

−sen(x) + 2
(g2(x)) ˡ = 3

las derivadas se utilizarán para determinar paso a paso si la función converge hacia una solución, el
cual siempre tiene que ser (g1(x)) ˡ < 1

e iniciamos con las iteraciones, que sería evaluar xo = 1 en g1(x) primero:

1° iteración:
cos(1) + 1 − sen(0.77015) + 1
g1(1) = = 0.77015 → (g1(0.77015)) ˡ = = 0.15188 < 1
2 2

2° iteración:
cos(0.77015) + 0.77015
g1(0.77015) = = 0.74398
2
− sen(0.74398) + 1
→ (g1(0.74398)) ˡ = = 0.16139 < 1
2

y así sucesivamente. Para efectos prácticos utilizaremos la siguiente tabla:

i Xi g(xi) gˡ(xi) Precisión

0 1 0.77015 0.15188
1 0.77015 0.74398 0.16139 0.22985
2 0.74398 0.73988 0.16290 0.02617
3 0.73988 0.73921 0.16315 0.00410
4 0.73921 0.73911 0.16319 0.00066
5 0.73911 0.73909 0.16319 0.00011
6 0.73909 0.73909 0.16319 0.00002
7 0.73909 0.73909 0.16319 0.00000

cos(x) + 2x
Ahora iteraremos para g2(x) = 3
i Xi g(xi) gˡ(xi) Precisión
0 1 0.84677 0.41695
1 0.84677 0.78531 0.14648 0.15323
2 0.78531 0.75926 0.15581 0.06145
3 0.75926 0.74796 0.15993 0.02605
4 0.74796 0.74300 0.16175 0.01131
5 0.74300 0.74081 0.16256 0.00496
6 0.74081 0.73985 0.16291 0.00218
7 0.73985 0.73942 0.16307 0.00096
8 0.73942 0.73923 0.16314 0.00043
9 0.73923 0.73915 0.16317 0.00019
10 0.73915 0.73911 0.16318 0.00008
11 0.73911 0.73910 0.16319 0.00004
12 0.73910 0.73909 0.16319 0.00002
13 0.73909 0.73909 0.16319 0.00000

Como se puede observar para la segunda alternativa la convergencia es más lenta.

 METODO NEWTON-RAPHSON

El método de Newton-Raphson es sin duda el de convergencia más acelerada de los métodos vistos
hasta el momento. Se basa en el teorema de Taylor que permite aproximar una función derivable
en el entorno reducido alrededor de un punto x que está definido dentro del intervalo (a,b) mediante
un polinomio cuyos coeficientes dependen de las derivadas de la función en ese punto.

TEOREMA DE TAYLOR
Supongamos que f(x) es una función existe y es continua dentro del intervalo [ a, b ] y que su derivada
f ˡ (x) también existe dentro de ese intervalo [ a, b ].
Sea Xo E [ a, b ], para todo X E [ a, b ], existe ɛ(x) entre Xo y X tal que:

f(x) = Pn (x) + Rn (x)

donde
𝑓 ˡ ˡ (𝑥𝑜) ( 𝑥 – 𝑥𝑜 ) 𝑓𝑛 (𝑥𝑜) ( 𝑥 – 𝑥𝑜 )𝑛
Pn (x) = f(xo) + f ˡ (xo) ( x – xo ) + + ……..+
2! 𝑛!

𝑓𝑛+1 (ɛ𝑜) ( 𝑥 – 𝑥𝑜 )𝑛+1

y Rn(x) =
(𝑛+1)!

donde:
Pn (x) = Polinomio de Taylor de grado n para f alrededor de Xo
Rn(x) = Residuo o error de truncamiento asociando con Pn (x)

Error de truncamiento: se refiere al error involucrado al usar sumas finitas o truncados para
aproximar la suma de una serie infinita.

METODO DE NEWTON-RAPHSON
Supóngase que la función f(x) es continuamente diferenciable dos veces en el intervalo [ a, b ].
Sea Xo E [ a, b ] una aproximación a p tal que f ˡ (x) ≠ 0 y | Xo – p | es “pequeño”.
Considere el polinomio de Taylor de primer grado para f(x) alrededor de X:

𝑓2 (ɛ𝑜) ( 𝑥 – 𝑥𝑜 )2
f (x) = f(xo) + f ˡ (xo) ( x – xo ) +
2!
Si X = p y f(p) = 0 , suponiendo p la solución, entonces,
𝑓2 (ɛ𝑜) ( 𝑝 – 𝑥𝑜 )2
0 = f(xo) + f ˡ (xo) ( p – xo ) +
2!

El método de Newton-Raphson se deriva suponiendo que el término que contiene ( p – xo)² es

despreciable, de esta manera tenemos:

0 = f(xo) + f ˡ (xo) ( p – xo )

despejando,
- f(xo) = f ˡ (xo) ( p – xo )

− 𝑓(𝑥𝑜)
= ( p – xo )
𝑓 ˡ (𝑥𝑜)

𝑓(𝑥𝑜)
p = Xo -
𝑓 ˡ (𝑥𝑜)

en algunos textos este método se expresa de las siguientes maneras:

𝑓(𝑃𝑛−1)
Pn = Pn-1 -
𝑓 ˡ (𝑃𝑛−1)

O
𝑓(𝑋𝑖 )
Xi+1 = Xi -
𝑓 ˡ (𝑋𝑖)

cualquier forma de expresar este método es válida y se utilizará para generar las iteraciones o
sucesiones.
Para efectos de este curso usaremos la última expresión:

𝑓 (𝑋𝑖 )
Xi+1 = Xi -
𝑓 ˡ (𝑋𝑖)
Ejemplo 2)
Aproximar mediante el método de Newton-Raphson la raíz de f(x) = 0, tomando como valor inicial
Xo= 0.5 , con una exactitud de 10−5 .

1
f(x) = 𝑒𝑥 −
𝑥

Solución:
Calculamos la derivada:
1
f ˡ (x) = 𝑒𝑥 + 𝑥2

usaremos la fórmula de N-R para calcular las iteraciones:

1° iteración:
𝑓(𝑋0)
X0+1 = X0 -
𝑓 ˡ (𝑋0)

1
𝑒 0.5 −
0.5
X1 = 0.5 - 1 = 0.56219
𝑒 0.5 + 2
0.5

2° iteración:
𝑓 (𝑋1)
X1+1 = X1 -
𝑓 ˡ (𝑋1)

1
𝑒 0.56219 −
0.56219
X1 = 0.56219 - 1 = 0.56712
𝑒 0.56219 +
0.562192

y así sucesivamente hasta llegar a la precisión solicitada.

Al igual que los métodos estudiados anteriormente, podemos tabular los resultados en una hoja
Excel:

i Xi f(xi) fˡ(xi) N-R Precisión

0 0.5 -0.35128 5.64872 0.56219
1 0.56219 -0.02426 4.91852 0.56712 0.06219
2 0.56712 -0.00011 4.87239 0.56714 0.00493
3 0.56714 0.00000 4.87218 0.56714 0.00002
4 0.56714 0.00000 4.87218 0.56714 0.00000
 METODO DE RAICES MULTIPLES
(NEWTON-RAPHSON MODIFICADO)

Una raíz múltiple corresponde a un punto donde una función es tangente al eje x. Por ejemplo, una
raíz doble resulta de
f(x) = (x-3)(x-1)(x-1)
multiplicando términos este polinomio luce como

f(x) = x3 - 5x2 + 7x – 3

En la siguiente figura podemos ver como la función toca tangencialmente el eje de la x, en el punto
donde existe la raíz doble.

De la figura podemos ver algunos de los problemas asociados con raíces múltiples, dichos problemas
son:
- Dado que la función no cambia de signo, utilizar métodos basados en intervalos, como son
el método de bisecciones, regula Falsi, etc.
- Otro problema es que cerca de la solución, la derivada tiende a cero, lo cual provoca que en
el algoritmo de Newton-Raphson tenga problemas de convergencia al tener una división por
cero.

Ralston y Rabinowitz (1978) proponen que se haga un pequeño cambio en la formulación para que
retorne la convergencia, así la formulación para el método de Newton-Raphson es

𝑓 (𝑥𝑖)
𝑥𝑖+1 = 𝑥𝑖 − 𝑚 𝑓′ (𝑥𝑖)
en donde m, es la multiplicidad de la raíz. Para este caso será necesario conocer a priori el número
de raíces múltiples.

Otra alternativa propuesta por Ralston y Rabinowitz (1978) es la de definir una nueva función u(x),
que es el cociente de la función y su derivada,

𝑓(𝑥)
𝑢 (𝑥 ) = 𝑓′ (𝑥)

Se puede mostrar esta función tiene las mismas raíces que f(x) y que la multiplicidad de raíces no
afectará. La formulación del método de Newton-Raphson es:

𝑢 (𝑥𝑖)
𝑥𝑖+1 = 𝑥𝑖 − 𝑚 𝑢 ′ (𝑥𝑖)

La derivada de u(x) es:

𝑓′ (𝑥) 𝑓′ (𝑥) − 𝑓(𝑥) 𝑓′′ (𝑥)

𝑢 ′ (𝑥 ) = [𝑓′ (𝑥)]2

Sustituyendo esta, tenemos la formulación final del Método de Newton-Raphson modificado:

𝑓 (𝑥𝑖) 𝑓′(𝑥𝑖)
𝑥𝑖+1 = 𝑥𝑖 − [𝑓 (𝑥)]2 − 𝑓 (𝑥𝑖) 𝑓′′(𝑥𝑖)
′

Ejemplo3)
Resolver la siguiente ecuación por el método de raíces múltiples y compararlos con el método de
Newton-Raphson. Considere el primer punto de aproximación 𝑥𝑜 = 0 y el segundo 𝑥𝑜 = 4 para
una precisión de 10−5

𝑓 (𝑥 ) = 𝑥 3 − 5𝑥 2 + 7𝑥 − 3

Solución:
Como la fórmula tiene la primera y segunda derivada, entonces se calculan primero:

𝑓 (𝑥 ) = 𝑥 3 − 5𝑥 2 + 7𝑥 − 3
𝑓 ′ (𝑥 ) = 3𝑥 2 − 10𝑥 + 7
𝑓 ′′ (𝑥 ) = 6𝑥 − 10
Para 𝑥𝑜 = 0:
Primera iteración:
𝑓 (𝑥𝑖) 𝑓′ (𝑥𝑖)
𝑥𝑖+1 = 𝑥𝑖 − [𝑓 (𝑥)]2 − 𝑓 (𝑥𝑖) 𝑓′′ (𝑥𝑖)
′

−3 ∗ 7
𝑥2 = 0 − = −1.105263
[ 7 ]2 − [ (−3) ∗ (−10)]

Para el cálculo de las iteraciones se hará el uso de la hoja Excel:

i Xi f(xi) f'(xi) f''(xi) N-R m odificado Precisión

0 0.000000 -3.000000 7.000000 -10.000000 1.105263

1 1.105263 -0.020994 -0.387812 -3.368421 1.003082 -1.105263
2 1.003082 -0.000019 -0.012298 -3.981510 1.000002 0.102181
3 1.000002 0.000000 -0.000010 -3.999986 1.000000 0.003079
4 1.000000 0.000000 0.000000 -4.000000 1.000000 0.000002
5 1.000000 0.000000 0.000000 -4.000000 1.000000 0.000000

Para 𝑥𝑜 = 4:

i Xi f(xi) f'(xi) f''(xi) N-R m odificado Precisión

0 4.000000 9.000000 15.000000 14.000000 2.636364

1 2.636364 -0.973704 1.487603 5.818182 2.820225 1.363636
2 2.820225 -0.595635 2.658755 6.921348 2.961728 -0.183861
3 2.961728 -0.147284 3.698220 7.770369 2.998479 -0.141503
4 2.998479 -0.006076 3.987837 7.990872 2.999998 -0.036751
5 2.999998 -0.000009 3.999981 7.999986 3.000000 -0.001519