UNIVERSIDAD DE LAS FUERZAS ARMADAS ESPE-L

Ingeniería electrónica y automatización

Métodos Numéricos

FEM NRC15733

Chacha Beatriz

Chávez Jhoselyn

Figueroa Stanley

Laboratorio N.- 1

NOV 2023-MAR 2024

Resumen
Los métodos numéricos son herramientas esenciales para resolver problemas matemáticos en

situaciones donde las soluciones analíticas son difíciles de obtener. Dos métodos ampliamente

utilizados son la bisección y la regla falsa.

El método de la bisección se centra en la reducción sistemática de un intervalo que contiene la

raíz deseada. Evaluando la función en el punto medio del intervalo, el método ajusta el intervalo

reemplazando uno de sus extremos según el signo del resultado. Este proceso continúa hasta

que se alcanza una solución aproximada dentro de una tolerancia predefinida, garantizando la

convergencia. Regla falsa, también conocida como interpolación lineal inversa, emplea una

estrategia similar. Sin embargo, en lugar de evaluar la función en el punto medio, conecta los

extremos del intervalo con una línea y determina la intersección con el eje x. Este nuevo punto

se convierte en uno de los extremos del intervalo, y el proceso se repite. Aunque puede

converger más rápidamente en algunos casos, la regla falsa no garantiza convergencia en todas

las situaciones.

Ambos métodos tienen aplicaciones prácticas en campos como la ingeniería, la física, la

economía y la biología. Permiten abordar problemas del mundo real, desde la simulación de

sistemas físicos hasta la modelización de comportamientos biológicos. Estas herramientas

numéricas son vitales para obtener soluciones aproximadas que respaldan la toma de decisiones

informada en diversas disciplinas. En resumen, la bisección y la regla falsa son métodos

numéricos valiosos para resolver ecuaciones en intervalos específicos. Su aplicación práctica

en una variedad de campos destaca la importancia de estos enfoques en la resolución de

problemas del mundo real mediante la obtención de soluciones numéricas aproximadas.

Palabras claves: bisección, regla falsa, métodos numéricos.

ASTRACT
Numerical methods are essential tools for solving mathematical problems in situations where

analytical solutions are difficult to obtain. Two widely used methods are bisection and false

rule.

The bisection method focuses on the systematic reduction of an interval containing the desired

root. By evaluating the function at the midpoint of the interval, the method fits the interval by

replacing one of its endpoints according to the sign of the result. This process continues until

an approximate solution is reached within a predefined tolerance, guaranteeing convergence.

The false rule, also known as inverse linear interpolation, employs a similar strategy. However,

instead of evaluating the function at the midpoint, connect the ends of the interval with a line

and determine the x-intercept. This new point becomes one of the ends of the interval, and the

process repeats. Although it may converge more quickly in some cases, the false rule does not

guarantee convergence in all situations.

Both methods have practical applications in fields such as engineering, physics, economics and

biology. They allow real-world problems to be addressed, from the simulation of physical

systems to the modeling of biological behaviors. These numerical tools are vital for obtaining

approximate solutions that support informed decision making in various disciplines. In

summary, bisection and false rule are valuable numerical methods for solving equations on

specific intervals. Their practical application in a variety of fields highlights the importance of

these approaches in solving real-world problems by obtaining approximate numerical

solutions.

Keywords: bisection, false rule, numerical methods.

Introducción
La solución de problemas matemáticos juega un papel fundamental en numerosas disciplinas

científicas, así como en la aplicación práctica en ingeniería, ciencias naturales y economía.

En particular, la búsqueda de ceros de funciones es un problema central de las matemáticas

numéricas que ha ocupado a científicos y matemáticos durante siglos. Históricamente, se han

desarrollado diferentes métodos para abordar la solución exacta de ecuaciones que son

analíticamente imposibles o difíciles de resolver. Entre estos métodos, destacan el método de

la bisección y el método de la regla falsa, como dos procedimientos iterativos básicos que

destacan por su sencillez y efectividad.

Los métodos numéricos son técnicas matemáticas que se emplean para obtener soluciones

aproximadas a problemas difíciles o imposibles de resolver analíticamente. Estos métodos

utilizan algoritmos y cálculos iterativos para obtener resultados numéricos que se aproximan a

las soluciones exactas, desempeñando un papel fundamental en la resolución de problemas

matemáticos y científicos mediante técnicas computacionales. Estas herramientas son

esenciales cuando las soluciones analíticas no son prácticas o inexistentes.

En este trabajo exploraremos el fascinante mundo de los métodos numéricos, con un enfoque

particular en dos técnicas poderosas y fundamentales para encontrar raíces de funciones: el

Método de la Bisección y el Método de la Regla Falsa (o Método de la Falsa Posición). Los

métodos numéricos son herramientas esenciales en matemáticas aplicadas, ingeniería y

ciencias computacionales, proporcionando soluciones aproximadas a problemas que muchas

veces no pueden ser resueltos mediante métodos analíticos. A medida que avanzamos en una

era dominada por el cálculo numérico y la simulación computacional, la comprensión profunda

de estos métodos es más pertinente que nunca.

El método de bisección, también conocido como método de búsqueda binaria o método de

reducción a la mitad del intervalo, es un algoritmo iterativo utilizado para encontrar una raíz

de una función continua donde la función cambia de signo durante un intervalo. Al estrechar

sucesivamente el rango en el que debe estar la raíz, el método proporciona un enfoque

sistemático que converge a la solución dividiendo el intervalo y seleccionando el subintervalo

que contiene la raíz. Su atractivo radica en su sencilla implementación y su garantía de

convergencia para funciones continuas en un intervalo cerrado donde los valores de la

función en los extremos tienen signos opuestos.

El Método de la Bisección es uno de los más antiguos y simples para encontrar raíces de

ecuaciones no lineales. Se basa en el Teorema del Valor Intermedio, que asegura que, si una

función continua cambia de signo en un intervalo, entonces existe al menos una raíz en ese

intervalo. El proceso de bisección sucesiva va refinando el intervalo hasta alcanzar la precisión

deseada.

Por otro lado, el Método de la Regla Falsa, también conocido como Método de la Secante

Modificada, es una técnica numérica utilizada para encontrar raíces de ecuaciones no lineales.

Este método combina la regla del trapecio con el enfoque de la secante para realizar

aproximaciones iterativas de la raíz de la ecuación. A través de una serie de iteraciones, el

método ajusta sucesivamente un intervalo inicial, utilizando las intersecciones de las rectas

secantes para mejorar la aproximación de la raíz. El proceso continúa hasta que se alcanza una

solución aceptable o se cumple un criterio predefinido de convergencia. La eficacia del método

radica en su capacidad para converger hacia la raíz de manera más rápida que algunos métodos

más simples, aprovechando aproximaciones lineales para mejorar la eficiencia del proceso

iterativo.

El Método de la Regla Falsa es una mejora sobre la simple bisección, utilizando una línea recta

para aproximar la función y encontrar una raíz con mayor rapidez. En el ámbito de los métodos

numéricos, la Regla Falsa emerge como una estrategia efectiva para la búsqueda de raíces de

ecuaciones no lineales. Este método, también conocido como Método de la Secante

Modificada, combina la simplicidad de la Regla del Trapecio con la eficiencia del Método de

la Secante, permitiendo una convergencia más rápida hacia la solución deseada.

Este trabajo comenzará estableciendo los fundamentos teóricos del Método de la Bisección,

detallando los prerrequisitos matemáticos y las condiciones necesarias para su aplicación. En

las secciones siguientes se profundizará en la estructura algorítmica del método, ilustrando

su ejecución paso a paso con ejemplos que destacan su aplicación práctica. También

abordaremos la tasa de convergencia y el análisis de errores, proporcionando información

sobre la eficiencia y las limitaciones del método. Además, exploraremos diversas

adaptaciones y mejoras que se han propuesto para mejorar su rendimiento en diferentes

contextos.

Estos métodos son esenciales en áreas como la ingeniería, la física y la ciencia computacional.

Resuelven problemas que van desde la simulación de sistemas físicos hasta la optimización de

funciones complejas. La elección entre el Método de Bisección y el Método de la Regla Falsa

depende de la naturaleza del problema y los requisitos de convergencia.

Este informe explorará a fondo el Método de Bisección y el Método de la Regla Falsa,

analizando sus principios fundamentales, condiciones de convergencia y proporcionando

ejemplos prácticos. Al comprender estas técnicas numéricas, los practicantes podrán aplicarlas

de manera efectiva en la búsqueda de soluciones a ecuaciones no lineales en diversos contextos

científicos y tecnológicos, detallaremos los fundamentos teóricos de ambos métodos,

desarrollaremos algoritmos para su implementación y compararemos su eficacia y limitaciones

mediante ejemplos prácticos y simulaciones computacionales. Nuestro objetivo es

proporcionar una comprensión integral de estas herramientas, demostrando su aplicabilidad y

relevancia en la resolución de problemas reales.

OBJETIVO
Determinar por medio de un logaritmo la resolución de una función cualquiera la resolución

por el método de la bisección, regla falsa y Newton RaphsonP.

MARCO TEORICO

¿Qué es un método numérico?

Los métodos numéricos son una sucesión de operaciones matemáticas utilizadas para encontrar

una solución numérica aproximada a un problema determinado. Es decir, se trata de una serie

de cálculos para acercarnos lo más posible a una solución numérica con una precisión

razonablemente buena. Los métodos numéricos son utilizados en ingeniería para facilitar la

resolución de problemas que conllevan una enorme cantidad de cálculos, lo que permite ahorrar

tiempo. (IQR, 2020)

¿Qué es el cálculo de raíces?

El cálculo de una raíz se refiere a encontrar el valor numérico que, elevado a cierto exponente,

produce un número dado. La raíz cuadrada, por ejemplo, es el número que elevado al cuadrado

da como resultado el número original. La raíz cúbica es el número que, elevado al cubo, da el

número original, y así sucesivamente.

Existen varios métodos para calcular raíces, y la elección del método depende del tipo de raíz

y la precisión requerida. Aquí hay algunos de los métodos más comunes:

1. Método de bisección

Encontrar la raíz de una ecuación es otra forma de expresar "despejar una ecuación",

en ambos se busca el valor de la variable para que la función tenga un valor de cero,

F ( x) = 0 . (IQR, 2020)

El método de la bisección es un método numérico que sirve para encontrar las raíces de

una ecuación.
 La raíz debe existir dentro de un intervalo [a, b] donde la función sea continua.

Es deseable que solo exista una raíz dentro del intervalo.

Consiste en considerar un intervalo ( xi , xs ) en el que se garantice que la función tiene

raíz.

El segmento se biseca, tomando el punto de bisección xr como aproximación de la raíz

buscada.

La fórmula de recurrencia para el método de bisección es el promedio de los valores

inferior y superior de los extremos del intervalo:

xi + xs
xr =
2

1. Método de la regla falsa

El proceso se repite n veces, hasta que el punto de intersección xr coincide

prácticamente con el valor exacto de la raíz.

Las funciones con curvatura significativa hacen que el método de la regla falsa converja

muy lentamente.

Esto se debe a que, con interpolación lineal, uno de los valores extremos se queda

estancado.

Para tales casos, se ha encontrado un remedio: el método de la regla falsa modificado,

que reduce a la mitad el valor de la función en el punto extremo que se repita dos veces,

con lo que la convergencia se acelera significativamente.

Para realizar este método ocupamos la siguiente formula:

xs f ( xi ) − xi f ( xs )
xr =
f ( xi ) − f ( xs )

Pasos a seguir para realizar este método:

 Consiste en considerar un intervalo ( xi , xs ) en el que se garantice que la función tiene

raíz.

Se traza una recta que une los puntos ( xi , f ( xi )), ( xs , f ( xs ) )

Se obtiene el punto de intersección de esta recta con el eje de las abscisas: ( xr , 0 ) y se

toma xr como aproximación de la raíz buscada. Se identifica luego en cuál de los dos

intervalos está la raíz.

1. Método de Newton Raphson

El método de Newton-Raphson se basa en el desarrollo de Taylor de la función cuya

raíz se quiere calcular. Consideremos la ecuación f ( x) = 0 y supongamos que posee

   a, b  x0
una y sólo una solución . Partiendo de un punto suficientemente cercano a

dicha raíz. (ULPGC, 2021)

Figura 1

Método de Newton Raphson

Para este método usamos la siguiente formula:

f ( xi )
xi +1 = xi −
f ' ( xi )
Pasos a seguir para este método:

Consiste en elegir un punto inicial cualquiera x1 como aproximación de la raíz. Obtener

el valor de la función por ese punto y trazar una recta tangente a la función por ese

punto.

El punto de intersección de esta recta con el eje de las abscisas ( x2 , 0 ) , constituye una

segunda aproximación de la raíz.

El proceso se repite n veces hasta que el punto de intersección xn coincide

prácticamente con el valor exacto de la raíz.

Método de la secante

Según Rodrigo Russo:

El método de la secante se puede pensar como una simplificación del método de

Newton-Raphson. En lugar de tomar la derivada de la función cuya raíz se quiere

encontrar, se aproxima por una recta secante (de ahí el nombre) a la curva, cuya

pendiente es aproximadamente igual a la derivada en el punto inicial. La principal

diferencia con el método anterior es conocer dos puntos del a función para poder

generar dicha recta. Sean x0 y x1 pertenecientes a cierta f ( x) se puede definir:

xi f ( xi −1 ) − xi −1 f ( xi )
xi +1 =
f ( xi −1 ) − f ( xi )

Pasos para realizar este método:

Consiste en 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 a la función 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 .

Desarrollo

Para la realización de esta práctica debíamos con anterioridad tener en cuenta los conceptos

como el método de la bisección, regla falsa Newton Raphson y Secante.

Además, conocer sobre la programación para de tal manera ir programado un logaritmo que

sea capaz de resolver un ejercicio aplicando alguno de los métodos ya mencionados, una vez

explicado esto les presentamos el programa que fue realizado en el laboratorio en diagramas

de flujo:
Método de la bisección:
Método de la Regla Falsa:
Método Newton Raphson:
Código ya depurado:

import pandas as pd

import numpy as np

from sympy import *

from math import *

from numpy.lib.scimath import sqrt

import matplotlib.pyplot as plt

#Definir las funciones al inicio del programa

x , phi, eu = symbols("x phi eu")

print ('UNIVIERSIDAD DE LAS FUERZAS ARMADAS ESPE\n')

print('INTEGRANTES:\n')

print('CHACHA BEATRIZ\n')

print('CHAVEZ JHOSELYN\n')

print('FIGEROA STANLEY\n')

print('PROGRAMA DE CALCULO DE RAICES\n')

print('Menú del Programa')

print('Metodo de Biseccion________= 1 ')

print('Metodo de Regla Falsa______= 2 ')

print('Metodo de Newton___________= 3 ')

h=int(input('Ingrese el numero del metodo que desea usar = '))

if h==1:

print('EL METODO DE BISECCION:')

func= input('Intruduce la funcion en terminos de x = ')

xl= float(input('Ingrese el valor de Xl = '))

xu= float(input('Ingrese el valor de numero de interacciones = '))

emax= float(input('Ingrese el hasta que porcentaje de error desea calcular = '))

xr=0

ea=100#error del 100%

i=0

itera=0

v_itera=np.array([]) #matriz q almacena valores de itera

v_xl=np.array([]) #matriz q alamacena valores de xl

v_xu=np.array([]) #matriz q alamcena valores de xu

v_xr=np.array([]) #matriz q almacena valroes de xr

v_ea=np.array([]) #matriz q alamcena valore s de ea

fl=sympify(func).subs(x,xl) #reamplazmos x por xl y evaluamos la funcion

#incio del bucle

while ea>emax :

xr= round(xr,6)

xanterior=xr

xr=(xl+xu)/2

fr=sympify(func).subs(x,xr)

itera=itera+1

if xr != 0:

ea=abs((xr-xanterior)/xr)*100

signo=fl*fr

xr=round(xr,6)

ea=round(ea,6)

#agregamos valores a las matrices vacias

v_itera=np.append(v_itera,itera)

v_xl=np.append(v_xl,xl)

v_xu=np.append(v_xu,xu)

v_xr=np.append(v_xr,xr)

v_ea=np.append(v_ea,ea)
 if signo < 0 :

xu=xr

elif signo >0:

xl=xr

fl=fr

else:

ea=0

#representamos datos en pandas

iteracion=pd.Series(v_itera,name="Iteracion")

xl=pd.Series(v_xl,name="xl")

xu=pd.Series(v_xu,name="xu")

xr=pd.Series(v_xr,name="xr")

ea=pd.Series(v_ea,name="ea%")

tabla=pd.concat([iteracion,xl,xu,xr,ea],axis=1) #unimos en columnas

print('')

print('EL METODO DE BISECCION:')

print(tabla)

i=xr[len(xr)-1]

r=ea[len(ea)-1]
 s=iteracion[len(iteracion)-1]

print('')

print('La raiz aproximada es de = ',i)

print('Con un error relativo % = ',r)

print('Con',s,'Iteracciones')

# Graficar la convergencia

plt.plot(v_itera, v_xr, label='Convergencia')

plt.xlabel('Iteración')

plt.ylabel('Valor de xr')

plt.title('Convergencia del Método de Bisección')

plt.legend()

plt.show()

if h==2:

print('EL METODO DE REGLA FALSA:')

func= input('Intruduce la funcion en terminos de x =')

xl= float(input('Ingrese el valor de Xl = '))

xu= float(input('Ingrese el valor de las interacciones = '))

emax= float(input('Ingrese el hasta que porcentaje de error desea calcular = '))

ea=100#error del 100%

xr=0

i=0

itera=0

v_itera=np.array([]) #matriz q almacena valores de itera

v_xl=np.array([]) #matriz q alamacena valores de xl

v_xu=np.array([]) #matriz q alamcena valores de xu

v_xr=np.array([]) #matriz q almacena valroes de xr

v_ea=np.array([]) #matriz q alamcena valore s de ea

fl=sympify(func).subs(x,xl)

fu=sympify(func).subs(x,xu)

while ea>emax :

xanterior=xr

xr=(((xu*fl)-(xl*fu))/(fl-fu))

fr=sympify(func).subs(x,xr)

itera=itera+1

if xr != 0:

ea=abs((xr-xanterior)/xr)*100

signo=fl*fr

xr=round(xr,6)

ea=round(ea,6)
 #agregamos valores a las matrices vacias

v_itera=np.append(v_itera,itera)

v_xl=np.append(v_xl,xl)

v_xu=np.append(v_xu,xu)

v_xr=np.append(v_xr,xr)

v_ea=np.append(v_ea,ea)

if signo < 0 :

xu=xr

elif signo >0:

xl=xr

fl=fr

else:

ea=0

#representamos datos en pandas

iteracion=pd.Series(v_itera,name="Iteracion")

xl=pd.Series(v_xl,name="xl")

xu=pd.Series(v_xu,name="xu")

xr=pd.Series(v_xr,name="xr")

ea=pd.Series(v_ea,name="ea%")
 tabla=pd.concat([iteracion,xl,xu,xr,ea],axis=1) #unimos en columnas

print('')

print('EL METODO DE REGLA FALSA:')

print(tabla)

i=xr[len(xr)-1]

r=ea[len(ea)-1]

s=iteracion[len(iteracion)-1]

print('')

print('La raiz aproximada es de = ',i)

print('Con un error relativo % = ',r)

print('Con',s,'Iteracciones')

# Graficar la convergencia

plt.plot(v_itera, v_xr, label='Convergencia')

plt.xlabel('Iteración')

plt.ylabel('Valor de xr')

plt.title('Convergencia del Método de Regla Falsa')

plt.legend()

plt.show()

if h==3:
 print('EL METODO DE NEWTON:')

funcion=input('Intruduce la funcion en terminos de x =')

funcionvalida=sympify(funcion)

x1 = float(input('Ingrese el valor de X1 = '))

Errort = float(input('Ingrese el hasta que porcentaje de error desea calcular = '))

Eralcien= 101 #error del 100%

itera=0

v_itera=np.array([]) #matriz q almacena valores de itera

v_x1=np.array([]) #matriz q alamacena valores de x1

v_xi=np.array([]) #matriz q alamcena valores de xi

v_ea=np.array([]) #matriz q alamcena valore s de ea

while (Eralcien>=Errort): #ciclo while que se roompe cuando nuestro error se cumple

derivada = funcionvalida.diff(x)

f2=derivada.subs(x,x1)

f3=f2.subs(eu,e)

x0=0

feuler = funcionvalida.subs(eu,e)#sustituimos nuestra funcion con el valor de euler, que

es constante

fpi = feuler.subs(phi,pi)# sustituimos la funcion con el valor de pi

fV = fpi.subs(x,x1) #reemplazamos y almacenamos en la funcion el valor de xi

 xi=x1-(fV/f3)

Eralcien=abs((xi-x1)/xi)*100

itera=itera+1

v_itera=np.append(v_itera,itera)

v_x1=np.append(v_x1,x1)

v_xi=np.append(v_xi,xi)

v_ea=np.append(v_ea,Eralcien)

x1=xi

#representamos datos en pandas

iteracion=pd.Series(v_itera,name="Iteracion")

x1=pd.Series(v_x1,name="xi")

xi=pd.Series(v_xi,name="xi+1")

ea=pd.Series(v_ea,name="ea%")

tabla=pd.concat([iteracion,x1,xi,ea],axis=1)

print('')

print('EL METODO DE NEWTON:')

print(tabla)

i=xi[len(xi)-1]

r=ea[len(ea)-1]
 s=iteracion[len(iteracion)-1]

print('')

print('La raiz aproximada es de = ',i)

print('Con un error relativo % = ',r)

print('Con',s,'Iteracciones')

# Graficar la convergencia

plt.plot(v_itera, v_xi, label='Convergencia')

plt.xlabel('Iteración')

plt.ylabel('Valor de xi')

plt.title('Convergencia del Método de Newton')

plt.legend()

plt.show()

Conclusiones

• Se concluye que el método de bisección y de newton-Raphson son una forma de encontrar las

aproximaciones de las raíces y es una forma muy sencilla solo tienes que seguir las fórmulas.

Este programa es muy sencillo de usar y es muy eficiente porque se utilizan para encontrar las

raíces.

• Como ha podido constatarse a lo largo de este artículo, los métodos numéricos y su

aplicación computacional, permite resolver diversos problemas físicos en forma

eficiente. La cantidad de problemas que se abordan aumenta día a día y la calidad de

los resultados se ajusta más a la realidad. La conjunción de las matemáticas y los

métodos numéricos ha permitido abordar problemas de mucho interés tanto para la

 comunidad científica, como para que la sociedad se vea beneficiada de la aplicación

de simulaciones numéricas.

Recomendaciones

Revisar el código este bien realizado.

Revisar que se haya declarado variables y importado correctamente la bibliotecas.