Tema 1 Ceros

1
UNIDAD
CEROS DE FUNCIONES
Métodos de Bisección
Newton y Secante
1.1. Introducción
Uno de los problemas más habituales en el ciencia y en la tecnología, tiene como

formulación matemática resolver una ecuación del tipo f (x) = 0. Si α ∈ IR es tal que
f (α) = 0, diremos que α es una solución del problema, aunque en este contexto también
nos referiremos a α como un cero de f o incluso como una raíz de f . Por ejemplo, si con-
sideramos f (x) = T x + kℓ tg(x) las soluciones de la ecuación f (x) = 0 están relacionadas
con las frecuencias de vibración de una cuerda de longitud ℓ > 0, sometida a una tensión
T > 0 y cuyos extremos están uno amarrado y el otro sujeto a un resorte de rigidez k > 0.
Asimismo, si f (x) = th(x) − tg(x), las soluciones de la ecuación f (x) = 0 corresponden
a las frecuencias de vibración de una viga uniforme cuyos extremos están empotrados y
simplemente sustentados, respectivamente. Otros ejemplos pueden consultarse en [4].
El problema propuesto puede no tener solución, como por ejemplo si f (x) = 1 + x2
(recordar que para nosotros una solución ha de ser un número real), o más de una, como
por ejemplo si f (x) = x2 −2. Puede ocurrir también que existan infinitas soluciones, como
por ejemplo si f (x) = sen(x), en cuyo caso el conjunto {kπ : k ∈ Z} determina todas las
soluciones, y lo mismo ocurre en el caso referido de vibraciones de cuerdas y vigas.
La ecuación propuesta, f (x) = 0, engloba otras que también podemos considerar. Así,
la búsqueda de soluciones de la ecuación g(x) = k, donde k ∈ IR se reduce a la búsqueda
de ceros de la función f (x) = g(x) − k o, más generalmente las soluciones de una ecuación
del tipo g(x) = h(x) son exactamente los ceros de la función f (x) = g(x) − h(x). Observar
que desde el punto de vista geométrico, la ecuación g(x) = h(x) significa la búsqueda
de los puntos de corte de las gráficas de g y de h. En particular, la ecuación f (x) = 0
significa la búsqueda de los puntos de corte de la gráfica de f con el eje de abscisas, ver
la Figura 1.1. Salvo para funciones particularmente sencillas, como por ejemplo cuando
f es un polinomio de grado no superior a 4, carecemos de expresiones o fórmulas que
determinen de manera cerrada la o las soluciones de tales ecuaciones. Esto ocurre incluso
en situaciones en las que la función f involucrada es bien conocida, como es el caso de los
1
2 TEMA 1: Ceros de funciones
x x
Figura 1.1: Gráficas de g(x) = tg(x) y g(x) = 6
y de f (x) = tg(x) − 6
ejemplos anteriores de cuerdas y vigas. Es por ello que en la práctica hemos de conformarnos
con obtener soluciones aproximadas o con aproximar la o las soluciones. Se trata por tanto
de sustituir la búsqueda de α ∈ IR tal que f (α) = 0 por α̂ ∈ IR tal que α̂ ≃ α y además
f (α̂) ≃ 0. Precisar el significado de las expresiones anteriores, que involucran conceptos
precisos de convergencia, será uno de los objetivos de este Tema y nos obligará asimismo
a introducir algunos de las nociones más relevantes en el ámbito del Cálculo Numérico,
como son, algoritmo, error y velocidad de convergencia.
Comenzaremos con el siguiente ejemplo:
√ (x) = x2 −2, entonces la ecuación f (x) = 0
Si f√
tiene dos soluciones que son x = − 2 y x = 2. Si disponemos√ de una calculadora es-
tándar podemos rápidamente obtener la aproximación 2 ≃ 1.41 sin más que pulsar el
correspondiente botón. Nuestra intención es mostrar cómo puede obtenerse una aproxi-
mación del valor anterior sin utilizar la calculadora. Concretamente, vamos a buscar una
aproximación de la√que podamos asegurar que tiene dos cifras decimales correctas; es decir
que comparte con 2 la parte entera y las dos primeras cifras decimales.
Para ello, observamos que las soluciones de la ecuación x2 − 2 = 0 corresponden con los
cortes de la función f con el eje de abscisas y como buscamos la solución positiva, solo nos
interesa el corte que se produce en el intervalo [1, 2], ver la Figura 1.2.
El Método de aproximación que vamos a emplear tienen su fundamento en el conocido
Teorema de Bolzano para funciones continuas en un intervalo: si una función continua toma
valores de signo opuesto en los extremos de un intervalo, entonces se anula al menos una
vez en su interior. En nuestro procedimiento también tendremos√ en cuenta que la ecuación
x2 = 2 tiene exactamente una solución positiva, concretamente 2.
Etapa inicial: Como f (1) =√ −1 < 0 y f (2) = 2 > 0, necesariamente f se anula
entre 1 y 2, de manera que 1 < 2 < 2. Definimos x0 = 2 (aunque también podíamos
haber tomado x0 = 1).
Primera etapa: Si consideramos x1 = 32 , el punto medio del intervalo anterior, como
c A.M. Encinas & M.J. Jiménez. EEBE, CNED 2019-20

Introducción 3
Figura 1.2: Gráfica de f (x) = x2 − 2 en [−2, 2] (izquierda) y en [1, 2] (derecha)

f 32 = 94 − 2 = 41 > 0, resulta f toma valores de signo opuesto en los extremos del intervalo
√
I1 = 1, 23 , lo que implica que f debe anularse en su interior, y por tanto que 1 < 2 < 32 .
5
3
Segunda
etapa: Si consideramos x 2 = 4
, el punto medio del intervalo 1, 2 , como
5 25 −7
f 4 = 16 − 2 = 16 < 0, resulta f toma valores de signo opuesto en los extremos del
intervalo I2 = 54 , 23 , lo que implica que f debe anularse en su interior, y por tanto que
5
√
4
< 2 < 23 .
11
5 3
Tercera
, el punto medio del intervalo , , como
4 2
11 121 −7
f 8 = 64 − 2 = 64 < 0, resulta f toma valores de signo opuesto en los extremos del
11
√ 8 2
8
< 2 < 23 .
23
11 3
Cuarta
8 2
23 529 17
f 16 = 256 − 2 = 256 > 0, resulta f toma valores de signo opuesto en los extremos del
11
√ 23
8 16
8
< 2 < 16 .
45
11 23
Quinta
8 16
45 2025 −23
f 32 = 1024 − 452 =23
1024 < 0, resulta f toma valores de signo opuesto en los extremos del
45
√ 23
32
< 2 < 16 .
91
45 23
Sexta
etapa: Si consideramos x6 = 64
32 16
91 8281 89
f 64 = 4096 − 452 =91
4096 > 0, resulta f toma valores de signo opuesto en los extremos del
45
√ 91
32
< 2 < 64 .
181
45 91
Séptima
32761 etapa: Si consideramos x 7 = 128
32 64
181 −7
f 128 = 16384− 2 = 16384 < 0, resulta f toma valores de signo opuesto en los extremos del
181 91
181
√ 91
128
< 2 < 64 .

363
181 91
Octava etapa:
131769 Si consideramos x8 = 256
128 64
363 687
f 256 = 65536 − 2 =65536 > 0, resulta f toma valores de signo opuesto en los extremos del
181 91
181
√ 363
128
< 2 < 256 .
√
Observar que en la etapa k, k = 1, . . . , 8 hemos definido un intervalo Ik tal que 2 ∈ Ik
y cuya longitud es ℓ(Ik ) = 21k . Asimismo, hemos determinado también un valor xk ∈ Ik .
Como la distancia entre dos puntos de un intervalo es menor o igual que la longitud del
mismo, resulta que
√ 1
xk − 2 < , k = 1, . . . , 8,
2k
√
es decir, para cada k, k = 1, . . . , 8, xk aproxima el valor de 2 con un error inferior a 21k . En
la siguiente tabla, resumimos la información obtenida. En ella hemos resaltado las cifras
correctas que vamos obteniendo, utilizando el siguiente criterio: si tenemos un intervalo
de la forma I = [1.5a2 a3 a4 . . . , 1.5b2 , b − 3b4 . . .], donde aj , bj son dígitos comprendidos
entre 0 y 9, entonces cualquier número x ∈ I se expresará como x = 1.5c2 c3 c4 . . ., donde
cj es un dígito comprendido entre 0 y 9.
1
Iteración Extremo a Extremo b f (a) f (b) xk Errork = 2k
0 1.0 2.0 −1.0 2.0 2.0 1.0
1 1.0 1.5 −1.0 0.25 1.5 0.5
2 1.25 1.5 −0.4375 0.25 1.25 0.25
3 1.375 1.5 −0.109375 0.25 1.375 0.125
4 1.375 1.4375 −0.109375 0.06640625 1.4375 0.0625
5 1.40625 1.4375 −0.022460938 0.06640625 1.40625 0.03125
6 1.40625 1.421875 −0.022460938 0.021728516 1.421875 0.015625
7 1.4140625 1.421875 −0.000427246 0.021728516 1.4140625 0.0078125
8 1.4140625 1.41796875 −0.000427246 0.010635376 1.41796875 0.00390625
√
Observar que |x8 − 2| < 0.00390625 √ < 0.005 = 0.5 · 10 , que como explicaremos más
−2
adelante significa la aproximación x8 de 2 tiene 2 cifras decimales correctas, propiedad que

ya hemos deducido de los valores de la tabla.
Aunque nos hemos parado en la octava etapa; es decir hemos aplicado el algoritmo
8 veces, podríamos haber continuado para conseguir mejores aproximaciones. En cada
iteración, obtenemos una aproximación con un error que es la mitad del error anterior. Como
el error es cada vez más pequeño, y de hecho podemos hacer tan pequeño como queramos
pues lı́m 21k = 0, concluimos que el algoritmo converge, en el sentido de que si pudiéramos
k→∞
aplicarlo infinitas veces obtendríamos un intervalo
√ de longitud 0; es decir constituido por
un único punto, en el que se encontraría 2. Podemos también estimar la velocidad del
algoritmo observando que como 213 = 81 < 10 1
< 161
= 214 , si una aproximación xk tiene
m cifras decimales correctas, para asegurar una cifra decimal correcta adicional hemos de
aplicar el algoritmo otras 4 veces.

Convergencia, aproximación y errores 5
√
El proceso que hemos utilizado para obtener una aproximación de 2 es un ejemplo
de los denominados Métodos Iterativos: Partimos de una aproximación, inicial x0 , de α y la
aplicación del algoritmo, en este caso el método deducido del teorema de Bolzano, obtiene
otra aproximación, x1 , de α que en nuestro caso es el punto medio del intervalo de partida.
Procediendo repetidamente , se construye una sucesión {xk }, de aproximaciones de α
x0 −→ x1 −→ x2 −→ x3 −→ x4 −→ · · · −→ xk −→ · · ·
donde el índice k cuenta el número de iteraciones efectuadas.
· · · x3 x1 x0
Figura 1.3: Sucesión de aproximaciones (fuente [4])
Paramos el algoritmo cuando xk sea una buena aproximación de α.

Existe una gran cantidad de métodos iterativos, como por ejemplo bisección, Newton,
secante y métodos de punto fijo. Los elementos fundamentales de un Método Iterativo, y
que por tanto son esenciales para su diseño, son
◮ Elección de la Aproximación inicial x0 , que depende de la función f y del propio

método.
◮ Cálculo de los siguientes iterantes xk , que depende y es característico del método

considerado.
◮ Criterio de convergencia; es decir, el Criterio de parada del algoritmo. En este último

aspecto, nos preguntamos ¿Qué decide que xk es una aproximación suficientemente
buena de (una) la solución?
En general, los criterios por los que se detiene un algoritmo se denominan criterios de
convergencia.
En este curso nos preocuparemos de describir los tres primeros métodos, mencionados;
es decir los de bisección, Newton y secante.

1.2. Convergencia, aproximación y errores
Antes de comenzar la resolución de problemas, recordemos brevemente algunos con-

ceptos relativos a sucesiones de números reales.
Diremos que una sucesión de números reales {xk }∞

k=0 converge a α ∈ IR y lo deno-
taremos como lı́m xk = α o también como xk → α, si
k→∞
para cada ε > 0, existe k0 ∈ N tal que es |xk − α| < ε para cada k ≥ k0 .
Si definimos el Error absoluto cometido al aproximar α por xk como Ek = |α − xk |

|α − xk |
y cuando α 6= 0, el Error relativo cometido al aproximar α por xk como rk = ,
|α|
resulta que
xk → α si y sólo si Ek → 0 y si α 6= 0 esto ocurre si y sólo si rk → 0.
Observar también que Ek = rk cuando |α| = 1, que rk < Ek cuando |α| > 1, mientras que
Ek < rk cuando |α| < 1.
Si suponemos que un método de aproximación o algoritmo, determina una sucesión
de aproximaciones {xk } que suponemos convergente; es decir, xk → α, a una solución,
α, del problema planteado (en este caso f (x) = 0), lo que es claro es que no podemos
aplicar el algoritmo infinitas veces y por tanto hemos de decidir cuándo debemos para
de aplicarlo, o en otras palabras, cuándo la aproximación xk es una solución aceptable del
problema. Para ello, fijamos previamente la Tolerancia, tol (error máximo que aceptamos)
y paramos el algoritmo cuando o bien el error absoluto Ek = |α − xk | o bien el error relativo
|α − xk |
rk = , cuando α 6= 0, sea inferior a la tolerancia; es decir cuando o bien Ek < tol
|α|
o bien rk < tol. Si elegimos tol = 21 · 10−m , entonces que Ek < 21 10−m significa que la
aproximación xk tiene m cifras decimales correctas, respecto de α, mientras que rk < 12 ·10−m
significa que la aproximación xk tiene m dígitos significativos correctos, respecto de α, veáse
[5, páginas 73-74] para una explicación del significado y alcance de estos conceptos.
En la práctica, los criterios de parada anteriores son inaplicables, pues desconocemos el
valor de α. Sin embargo, si asumimos que el método converge; es decir que xk → α, podemos
utilizar el siguiente criterio de convergencia, que sólo depende de los valores obtenidos
de la sucesión de aproximantes {xk }: Si definimos E bk = |xk+1 − xk | y r̂k = |xk+1 − xk | ,
|xk+1 |
b
pararemos el algoritmo cuando o bien Ek < tol o bien r̂k < tol. Observar que esto significa
que paramos el algoritmo cuando o bien el error o bien el error relativo, respecto del iterante
k + 1-ésimo, es menor que la tolerancia. En definitiva, en la práctica hemos sustituido α por
una aproximación xk+1 , ya que si el algoritmo converge xk+1 puede tomarse tan próximo
a α como se desee. Naturalmente para que el criterio de parada con el error relativo sea
efectivo, necesitamos que α 6= 0 (observar que si xk → α y α 6= 0, entonces xk 6= 0 para
|xk+1 − xk |
k ≥ k0 y por tanto, tiene sentido la expresión r̂k = si k ≥ k0 ).
|xk+1 |

En general, el criterio de parada que estableceremos tendrá como referencia el error rela-
tivo. Por tanto, no será aplicable cuando α = 0. En este caso, consideraremos E << tol y
tomaremos como criterio de parada
|xk+1 − xk | < |xk+1 | · tol + E,
que cuando α 6= 0 es básicamente equivalente al de r̂k < tol.

En lo sucesivo, eliminaremos el símbolo r̂ en las expresiones de E bk y de r̂k , de manera
|xk+1 − xk |
que a partir de ahora Ek = |xk+1 − xk | y rk = . En definitiva, deberíamos
|xk+1 |
|xk+1 − xk |
detener el algoritmo cuando rk = < tol. Sin embargo, si tenemos en cuenta
|xk+1 |
el problema que nos ocupa, determinar soluciones aproximadas de la ecuación f (x) = 0,
|xk+1 − xk |
puede ocurrir que < tol y que a pesar de ello xk no deba ser considerada como
|xk+1 |
buena aproximación de una solución, ya que f (xk ) puede no ser suficientemente pequeño.
Esto ocurre cuando f crece o decrece muy rápidamente en un entorno de la solución α que
deseamos aproximar tal y como ilustra la Figura 1.4 (izquierda). Para evitar este incon-
veniente, fijamos previamente una Tolerancia, tolf para el valor de f y para el criterio de
parada añadimos la condición |f (xk )| < tolf . Podríamos pensar que de hecho la condición
anterior debería se considerada por si sola un buen criterio de parada: si el valor f (xk ) es
próximo a 0, entonces xk es casi una solución y por tanto xk ≃ α. Esta idea puede resultar
desastrosa, pues de hecho xk puede estar aún muy alejada de la verdadera solución del
problema, si por ejemplo la función f tiene crecimiento lento en un entorno de α, tal y
como ilustra la siguiente Figura 1.4 (derecha)
Figura 1.4: Función con crecimiento rápido (iz.) y crecimiento lento (der.) (fuente [4])
Atención: No se puede pedir que las tolerancias sean menores que la precisión de la
máquina δ. En MATLAB, δ = 10−16 . Por tanto, si |f (xk )| < δ (tenemos una solución
que para la máquina es exacta) ó |xk+1 − xk | < δ, (xk y xk+1 son indistinguibles para la
|xk+1 − xk |
máquina) ó < δ, (nuevamente xk y xk+1 son indistinguibles para la máquina),
|xk+1 |
pararemos el algoritmo. En definitiva,

|xk+1 − xk |
el algoritmo se detiene si < δ o bien |f (xk )| < δ. También se detiene si
|xk+1 |
fijadas previamente las tolerancias tolx >> δ y tolf >> δ, se satisface que
|xk+1 − xk |
rk = < tolx y |f (xk )| < tolf simultáneamente,
|xk+1 |
en cuyo caso se considera que xk es una aproximación suficientemente buena de la (una)

solución α.
Esto significa que para decidir si xk es una buena aproximación hay que calcular xk+1 .
1
Si tolx = 2
10−m , entonces xk es una aproximación con m cifras significativas correctas.
En la práctica, para evitar bucles infinitos, impondremos también un número máximo de
iteraciones, de manera que el algoritmo se detiene cuando se haya efectuado el número
de iteraciones prefijado.
Observar que si tolx = 21 10−m y rk < tolx , entonces log(rk ) < −m − log(2) = −m − 0.3,
donde log es el logaritmo en base 10 de manera que
si log(rk ) + 0.3 ≃ −m, entonces xk tiene m cifras significativas correctas.
Para determinar la velocidad de convergencia de una sucesión a su límite, se introduce

el siguiente concepto.
Diremos que una sucesión de números reales {xk }∞k=0 converge a α ∈ IR con orden
de convergencia p ≥ 1 si existe una constante C ≥ 0 tal que
|xk+1 − α|
lı́m = C.
k→∞ |xk − α|p
La constante C se denomina Factor (o constante) asintótico de convergencia. Cuando

p = 1 se exige además que 0 ≤ C < 1.
• Si p = 1 la convergencia se denomina lineal.
• Si 1 < p < 2 la convergencia se denomina superlineal.
• Si p = 2 la convergencia se denomina cuadrática.
• Si 2 < p < 3 la convergencia se denomina supercuadrática.
• Si p = 3 la convergencia se denomina cúbica.

Recordar que para cada r > 0 se tiene que lı́m+ z r = 0. Por tanto, si suponemos que
z→0
|xk − α| < 1, entonces si 1 ≤ q < p resulta que
|xk+1 − α| |xk+1 − α| |xk − α|p |xk+1 − α|

q
= p
· q
= · |xk − α|p−q
|xk − α| |xk − α| |xk − α| |xk − α|p
|xk+1 − α|
es decir, si una sucesión {xk }∞
k=0 tiene orden de convergencia p, entonces lı́m =0
k→∞ |xk − α|q
para cada 1 ≤ q < p. En definitiva,
si una sucesión {xk }∞

k=0 tiene orden de convergencia p > 1, para cada 1 ≤ q < p tiene
también orden de convergencia q con Factor asintótico de convergencia igual a 0.
1 1
Ejemplos: Las sucesiones an = y bn = n tienen orden de convergencia lineal, y sus
n 2
factores asintóticos de convergencia son 1 y 21 , respectivamente. La sucesión cn = 321n tiene
orden de convergencia cuadrático, con factor asintótico de convergencia igual a 1.
Observar que el orden de convergencia de una sucesión convergente, está expresado en
términos de los errores absolutos. De hecho, podemos reformular la definición como
Una sucesión de números reales {xk }∞ k=0 converge a α ∈ IR con orden de conver-
gencia p ≥ 1 si y sólo si existe una constante C ≥ 0 tal que
Ek+1
lı́mp = C.
k→∞ Ek
Cuando p = 1 se exige además que 0 ≤ C < 1.
Si α 6= 0, es sencillo expresar también el orden de convergencia de una sucesión con-

vergente a α en términos de los errores relativos. Concretamente, si p ≥ 1, tenemos que
|xk+1 − α| |xk+1 − α| |α|p |α| 1 rk+1

= · · =
|xk − α|p |α| |xk − α|p |α|p |α|p−1 rkp
y por tanto, si cambiamos C por |α|p−1C,
una sucesión de números reales {xk }∞ k=0 converge a α ∈ IR, α 6= 0, con orden de
convergencia p ≥ 1 si y sólo si existe una constante C ≥ 0 tal que
rk+1
lı́m p = C.
k→∞ r
k
Cuando p = 1 se exige además que 0 ≤ C < 1.

A partir de la caracterización anterior, tomando logaritmos (nuevamente en base 10)

y teniendo en cuenta las propiedades de la función logaritmo, obtenemos que
si {xk }∞k=0 converge a α ∈ IR, α 6= 0, con orden de convergencia p ≥ 1, entonces

hr i h i
k+1
lı́m log = log(C) =⇒ lı́m log(rk+1 ) − p log(rk ) − log(C) = 0.
k→∞ rkp k→∞
Por tanto, si dado ε > 0 consideramos bε = log(C) + ε y b̂ε = log(C) − ε, existe k0 tal que
para cada k ≥ k0 ,
b̂ε + p log(rk ) ≤ log(rk+1 ) ≤ p log(rk ) + bε .
Si tomamos k = k0 , obtenemos b̂ε + p log(rk0 ) ≤ log(rk0 +1 ) ≤ p log(rk0 ) + bε , lo que implica
que

b̂ε + p b̂ε + p log(rk0 ) ≤ b̂ε + p log(rk0 +1 ) ≤ log(rk0 +2 )

≤ bε + p log(rk0 +1 ) ≤ bε + p bε + p log(rk0 ) .
Por tanto, aplicando sucesivamente estas desigualdades, resulta que
(1 + p + · · · + pk−1 )b̂ε + pk log(rk0 ) ≤ log(rk0 +k ) ≤ (1 + p + · · · + pk−1 )bε + pk log(rk0 )
para cada k ≥ 1 y de manera que:
• Si p = 1, como log(C) < 0, entonces ε = − 12 log(C) > 0, b̂ε = 3

2
log(C) < 0,
bε = 12 log(C) < 0 y además
k b̂ε + log(rk0 ) ≤ log(rk+k0 ) ≤ k bε + log(rk0 ).
pk − 1
• Si p > 1, teniendo en cuenta que 1 + p + · · · + pk−1 = ,
p−1
b̂ b̂ε b bε
ε ε
pk + log(rk0 ) − ≤ log(rk+k0 ) ≤ pk + log(rk0 ) − .
p−1 p−1 p−1 p−1
Observar que cuando p > 1, como xk → α, entonces rk → 0, lo que implica que

log(bε )
log(rk ) → −∞, de manera que podemos suponer log(rk0 ) < − . Con estas conside-
p−1
raciones, resulta que
si {xk }∞
k=0 converge a α ∈ IR, α 6= 0, con orden de convergencia p ≥ 1, entonces
existen a, â, c, ĉ ∈ IR con a, â < 0 y k0 ∈ N tales que:
• Si p = 1 =⇒ âk + ĉ ≤ log rk ≤ ak + c, para cada k ≥ k0 .
• Si p > 1 =⇒ âpk + ĉ ≤ log rk ≤ apk + c, para cada k ≥ k0 .

Método de la Bisección 11
En la siguiente Figura, representamos las gráficas de las funciones ax+b, apx +b, 1 < p < 2
y a2x + b, con a < 0, que corresponden a órdenes de convergencia lineal, superlineal y
cuadrática, respectivamente.
Figura 1.5: Gráfica de órdenes de convergencia
1.3. Método de la Bisección
Describiremos aquí el método conceptualmente más sencillo para aproximar las solu-
ciones de la ecuación f (x) = 0; es decir, para determinar ceros de funciones de manera
aproximada. Bajo las condiciones que estableceremos inmediatamente, el algoritmo con-
siste en la construcción de una sucesión de intervalos cerrados en los cuales se encuentra una
solución del problema y cuya longitud tiende a 0, concretamente en cada iteración la longi-
tud del intervalo se divide entre 2. Su fundamento teórico es un conocido resultado sobre
funciones continuas de una variable:
Teorema de Bolzano (1817)

Si f : [a, b] −→ IR es continua y f (a)f (b) < 0, entonces
existe α ∈ (a, b) tal que f (α) = 0.
B. Bolzano
1781-1848
Es importante señalar que el anterior resultado determina que si una función continua en
un intervalo cerrado toma valores de signo opuesto en los extremos del intervalo, se anula

al menos una vez en el interior del intervalo. Así pues, el teorema asegura que bajo las
hipótesis enunciadas, el problema f (x) = 0 tiene al menos una solución, pero no asegura
que haya una única solución ni dice nada sobre la cantidad de ellas. Este tipo de resultados
cuantitativos, suelen requerir información adicional sobre f , por ejemplo que sea derivable
en (a, b) y emplear además otros teoremas, como por ejemplo Rolle.
La demostración del Teorema de Bolzano básicamente determina el algoritmo para
encontrar una solución del problema. Esquemáticamente, dicho el algoritmo consiste en:
1.- Consideramos a0 = a, b0 = b y el intervalo I0 = [a0 , b0 ], cuya longitud es ℓ0 = b − a.
a0 + b0
2.- Calculamos el punto medio del intervalo I0 : xm =
2
◮ Si f (xm ) = 0, definimos a1 = b1 = xm y el intervalo I1 = [a1 , b1 ], cuya longitud
b−a
es ℓ1 = 0 < .
2
◮ Si f (a0 )f (xm ) < 0, definimos a1 = a0 , b1 = xm e I1 = [a1 , b1 ], cuya longitud es
ℓ0 b−a
ℓ1 = = .
2 2
◮ Si f (a0 )f (xm ) > 0, entonces f (b0 )f (xm ) < 0 y definimos a1 = xm , b1 = b0 e
ℓ0 b−a
I1 = [a1 , b1 ], cuya longitud es ℓ1 = = .
2 2
3.- Repetimos el proceso para el intervalo I1
Con este proceso generamos dos sucesiones {ak } y {bk } con las siguientes propiedades:
a = a0 ≤ a1 ≤ · · · ak ≤ · · ·
b = b0 ≥ b1 ≥ · · · bk ≥ · · ·
b−a
0 ≤ bk − ak ≤ k , k = 0, 1, 2, . . .
2
f (ak )f (bk ) ≤ 0, k = 0, 1, 2, . . .
Como {ak } es una sucesión creciente, existe α = lı́m ak y como {bk } es una sucesión
k→∞
decreciente, existe β = lı́m bk . La continuidad de f implica que lı́m f (ak ) = f (α), y que
k→∞ k→∞
lı́m f (bk ) = f (β) y por tanto f (α)f (β) = lı́m f (ak )f (bk ) ≤ 0.
k→∞ k→∞
b−a
Por otra parte, como ak ≤ bk , k ∈ IN, resulta que α ≤ β y como 0 ≤ bk − ak < ,
2k
b−a
resulta que 0 ≤ β − α = lı́m = 0 y por tanto α = β. En definitiva,
k→∞ 2k
0 ≤ f (α)2 = f (α)f (β) ≤ 0 =⇒ f (α)2 = 0 =⇒ f (α) = 0.

Método de la Bisección 13
A continuación expondremos el Algoritmo de la Bisección tal y como debe ser desa-

rrollado para su posterior traducción a lenguaje de programación. Como todo algoritmo,
consta de las siguientes fases: Inicialización, Iteración y Actualización.
Algoritmo de la Bisección:
Objetivo: Hallar una solución de la ecuación f (x) = 0 donde f : [a, b] −→ IR es continua
Inicialización:
In1: Número máximo de iteraciones: kM
In2: Contador de iteraciones: k = 0
In3: Tolerancias: tolx y tolf
In4: Comprobación condiciones: f (a)f (b) < 0
In5: Primer iterante: x0 = b
Iteración:
It1: Comprobación:
(i): Si k = kM =⇒ FIN
(ii): En otro caso, continuar
xk + a
It2: Obtención de la nueva aproximación: xk+1 =
2
It3: Evaluación: f (xk+1 )
(i): Si |f (xk+1 )| = 0 =⇒ FIN
It4: Test de convergencia:
(i): Si |f (xk+1 )| < tolf y rk < tolx =⇒ FIN
(ii): En otro caso continuar
Actualización:
Ac1: Text de hipótesis:
(i): Si f (xk+1 )f (xk ) < 0 =⇒ a = xk CONTINUAR
(ii): En otro caso continuar (a no se modifica)
Ac2: Actualización del contador: k = k + 1 y xk = xk+1
Observar que en la iteración k-ésima, el Algoritmo de la Bisección determina un intervalo

cerrado Ik en el que se halla una solución del problema. El intervalo Ik tiene como extremos a
y xk , pero estos valores no verifican necesariamente que a ≤ xk ; es decir, o bien Ik = [a, xk ]
b−a
o bien Ik = [xk , a]. En cualquier caso, la longitud de Ik es ℓk = . Como en cada
2k
iteración el error se divide entre 2,

el Algoritmo de Bisección tiene orden lineal y factor asintótico de conver-

1
gencia igual a C = .
2
Por otra parte, el hecho de que en cada iteración el error absoluto se divida entre 2, implica
b−a
que después de m iteraciones, Em = |xm − α| < m . Por tanto, fijada una tolerancia
2
tolx es posible estimar el número de iteraciones necesarias para que Em < tolx :
El error después de m iteraciones satisface
b−a log(b − a) − log(tolx )

Em < < tol x =⇒ < m.
2m log(2)
En particular, si tolx = 12 · 10−n , Ek < tolx =⇒ xk tiene n cifras decimales correctas
log(b − a) log(10)
m> +n − 1 ∼ 3.32 n + 0.69 log(b − a) − 1.
log(2) log(2)
En resumen,
el algoritmo de la bisección requiere que f : [a, b] −→ IR sea continua y que satisfaga

además que f (a)f (b) < 0 y tiene como características el que es un algoritmo siempre
convergente y que es un algoritmo robusto, que siempre obtiene una aproximación.
Por otra parte, tiene como inconvenientes, la necesidad de verificar la hipótesis de
cambio de signo y su lentitud, ya que se trata de un método lineal. Además, el método
de bisección no explota todas las propiedades de regularidad de la función f , sólo el
hecho de que es continua.
1.4. El Método de Newton
Describiremos aquí el método que es probablemente el más utilizado para aproximar

las soluciones de la ecuación f (x) = 0; es decir, para determinar ceros de funciones
de manera aproximada. La razón para que este método sea tan popular radica en la
extraordinariamente buena relación entre su coste operacional y su velocidad de convergencia.
Aunque inicialmente es atribuido a Isaac Newton (1642-1727), también fue ideado por
Joseph Raphson (1648-1715) y por ello se conoce también como Método de Newton-Raphson.
En este método necesitamos que la función f sea no solo continua sino también derivable, y
a diferencia del método de bisección, sacaremos partido de esta propiedad de regularidad
de f .
El método se basa en, en cada iteración, aproximar la función f en un entorno del iterante
k-ésimo por su recta tangente en xk :
f (x) ≃ f (xk ) + f ′ (xk )(x − xk )

El Método de Newton 15
y determinar el iterante k + 1-ésimo como el corte de la tangente con el eje de abscisas; es

decir, buscamos un cero de la función lineal g(x) = f (xk ) + f ′ (xk )(x − xk ), tal y como se
ilustra en la Figura 1.6.
y = f (xk ) + f ′ (xk )(x − xk )
Figura 1.6: El Método de Newton (fuente [4])
En definitiva, en el Método de Newton, se sustituye una ecuación no lineal f (x) = 0 por

una ecuación lineal g(x) = 0. Tal y como se expresa en [7], la idea de sustituir funciones
por sus tangentes, para reemplazar problemas no lineales por problemas lineales es una de
las más importantes en Matemáticas así como en Ciencia y en Tecnología. De hecho, esta
filosofía está detrás de la definición de función diferenciable y de los grandes teoremas del
cálculo Diferencial, como los Teoremas de la Implícita y de la Inversa. Por lo que respecta
a Métodos Numéricos, volveremos a encontrarnos con esta idea cuando describamos el
Método de Euler para resolver numéricamente ecuaciones diferenciales ordinarias.
Si suponemos calculado el k-ésimo iterante xk , nos planteamos aproximar un cero
de f (x) = 0 por un cero de g(x) = f (xk ) + f ′ (xk )(x − xk ). Para que la recta y =
f (xk ) + f ′ (xk )(x − xk ) corte al eje de abscisas, necesariamente su pendiente f ′ (xk ) no puede
ser nula, pues en otro caso la recta sería paralela al eje de abscisas. Además, si f ′ (xk ) 6= 0,
el único punto de corte de la recta con el eje de abscisas, que denominaremos xk+1 , satisface
la ecuación 0 = f (xk ) + f ′ (xk )(xk+1 − xk ). En definitiva, el Método de Newton consiste en
f (xk )
si f ′ (xk ) 6= 0, entonces xk+1 = xk − .
f ′ (xk )
A diferencia del Método de Bisección, el Método de Newton no siempre es convergente

y depende fuertemente de que la primera aproximación escogida o semilla, x0 , sea suficiente-
mente cercana a una solución. La razón de que esto sea así, es que al inicio, aproximamos
f por su tangente en x0 ; es decir, utilizamos el desarrollo de Taylor de primer orden de f en
torno a x0 y para que la aproximación sea efectiva, la solución debe pertenecer al inter-
valo en en el que la aproximación es razonablemente buena. Concretamente, tenemos el
siguiente resultado, cuya demostración puede encontrarse en la mayor parte de los textos
de la bibliografía [1, 3, 2, 7]:

Si f : (a, b) −→ IR es de clase C 3 (a, b) y α ∈ (a, b) es tal que f (α) = 0 y f ′ (α) 6= 0,

entonces existe ε > 0 tal que para cada x0 ∈ [α − ε, α + ε] la sucesión {xk } defini-
f (xk )
da de manera iterativa como xk+1 = xk − ′ está bien definida y converge a α.
f (xk )
Además, el orden de convergencia es 2, de manera que en las condiciones anteriores, el
método de Newton es cuadrático. Esto implica que aproximadamente, el número de cifras
significativas exactas se dobla en cada iteración.
Observar que como f ′ es continua, la condición f ′ (α) 6= 0 asegura que que f ′ (xk ) 6= 0
f (xk )
para xk suficientemente próximo a α, de manera que podemos definir xk+1 = xk − ′ .
f (xk )
Observamos que el Método de Newton es más costoso que el de la bisección, pues requiere
no sólo calcular f (xk ) sino también f ′ (xk ).
Por otra parte, la elección del primer iterante x0 es crítica para la convergencia del método.
Una mala elección de x0 puede hacer que el algoritmo anterior no converga. El éxito del
método de Newton sólo está garantizado si el primer iterante es suficientemente próximo a
una solución del problema. A veces ocurre que a pesar de elegir x0 próximo a una solución
de f (x) = 0, la sucesión construida por el Método de Newton converge a otra solución.
Por tanto, es conveniente utilizar toda la información disponible sobre la función f y, en
particular, disponer de una buena aproximición a la solución buscada. Si no disponemos
de ningún criterio para escoger un x0 aceptable, podemos perder toda la potencia del
método haciendo pruebas. Estos mismos problemas de convergencia, aparecen si f ′ (xk ) ≃ 0
para algún k, pues en este caso, la recta tangente a f en xk es casi horizontal y pequeños
errores en los valores introducidos, xk y f (xk ), pueden conducir a grandes discrepancias
en la obtención de xk+1 .
Para que el Método de Newton sea cuadrático es fundamental la hipótesis de que
f ′ (α) 6= 0. En este caso α se denomina cero simple de f . En general,
si α es un cero de f ; es decir f (α) = 0, diremos que α es un cero de orden

m ≥ 1 de f si f (α) = f ′ (α) = · · · = f m−1) (α) = 0 y f m) (α) 6= 0. Cuando
m = 2, α se denomina cero doble de f .
Después de la definicíon anterior, resulta que el Método de Newton es cuadrático si el cero

que se intenta aproximar es de primer orden. La situación cambia radicalmente en otro caso.
Puede demostrarse que

si f : (a, b) −→ IR es de clase C m+2 (a, b) y α ∈ (a, b) es un cero de orden m ≥ 2 (por
tanto doble como mínimo), entonces existe ε > 0 tal que para cada x0 ∈ [α − ε, α + ε] la
f (xk )
sucesión {xk } definida de manera iterativa como xk+1 = xk − ′ está bien definida y
f (xk )
converge a α con convergencia lineal y con factor asintótico de convergencia C = 1 − m1 .
A continuación expondremos el Algoritmo del Método de Newton tal y como debe ser
desarrollado para su posterior traducción a lenguaje de programación.

El Método de la Secante 17
Método de Newton:

Objetivo: Hallar una solución de la ecuación f (x) = 0 donde f ∈ C 3 (a, b)
Inicialización:
In4: Primer iterante: x0
Iteración:
It1: Comprobación:
It2: Evaluación:
(i): Cálculo de f (xk )

(ii): Cálculo de f ′ (xk ) y comprobación de que f ′ (xk ) 6= 0
f (xk )
It3: Obtención de la nueva aproximación: xk+1 = xk −
f ′ (xk )
(i): Si |f (xk )| < tolf y rk < tolx =⇒ FIN

Actualización:
Ac1: Actualización del contador: k = k + 1 y xk = xk+1
En resumen,

el método de Newton requiere que f ∈ C 3 (a, b) y tiene como características el que
es un algoritmo localmente convergente, de tipo cuadrático si el cero que se intenta
aproximar es simple. Por otra parte, tiene como inconvenientes, en cuanto al coste,
que es necesario evaluar la función y la derivada en cada iteración y en cuanto a la
convergencia, que depende de manera crítica de que x0 se escoja adecuadamente, ya
que en otro caso puede diverger. También puede diverger si f ′ (xk ) ≃ 0 para algún k.
Finalmente el método de Newton es de tipo lineal si el cero que se intenta aproximar
es de orden 2 o mayor.

1.5. El Método de la Secante
Este método puede considerarse como una variante del de Newton en la que en lugar de
usar la recta tangente, consideramos la recta secante a la curva en dos puntos consecutivos.
El método se basa en, en cada iteración, aproximar la función f en un entorno del iterante

k-ésimo por su recta secante que pasa por los puntos en xk , f (xk ) y xk−1 , f (xk−1) :
f (xk ) − f (xk−1 )
f (x) ≃ f (xk ) + sk (x − xk ), donde sk = .
xk − xk−1
y determinar el iterante k + 1-ésimo como el corte de la secante con el eje de abscisas; es

decir, buscamos un cero de la función lineal g(x) = f (xk ) + sk (x − xk ), tal y como se ilustra
en la Figura 1.7.
f (xi ) − f (xi−1 )
y = f (xi ) + (x − xi )
xi − xi−1
Figura 1.7: El Método de la secante (fuente internet)

Nuevamente, en el Método de la secante, se sustituye una ecuación no lineal f (x) = 0 por
una ecuación lineal g(x) = 0. Si suponemos calculado el k-ésimo iterante xk , nos planteamos
aproximar un cero de f (x) = 0 por un cero de g(x) = f (xk ) + sk (x − xk ). Para que la recta
y = f (xk ) + sk (x − xk ) corte al eje de abscisas, necesariamente su pendiente sk no puede
ser nula, pues en otro caso la recta sería paralela al eje de abscisas. Además, si sk 6= 0, el
único punto de corte de la recta con el eje de abscisas, que denominaremos xk+1 , satisface la
ecuación 0 = f (xk ) + sk (xk+1 − xk ). En definitiva, el Método de la secante consiste en
f (xk )
si sk 6= 0, entonces xk+1 = xk −
sk
Como ocurre con el Método de Newton, el Método de la secante no siempre es con-

vergente y depende fuertemente de que las primera aproximaciones escogidas x0 y x1 , sean
suficientemente cercanas a una solución. Concretamente, tenemos el siguiente resultado,
cuya demostración puede encontrarse en la mayor parte de los textos de la bibliografía
[1, 3, 2, 7]:

El Método de la Secante 19
Si f : (a, b) −→ IR es de clase C 3 (a, b) y α ∈ (a, b) es tal que f (α) = 0 y f ′ (α) 6= 0,

entonces existe ε > 0 tal que para cada x0 ∈ [α − ε, α + ε] la sucesión {xk } definida
f (xk ) f (xk ) − f (xk−1 )
de manera iterativa como xk+1 = xk − , donde sk = , está bien
sk xk − xk−1 √
1+ 5
definida y converge a α. Además, el orden de convergencia es p = , de manera
2
que en las condiciones anteriores, el método de la secante es superlineal ya que 1 < p < 2.
Observamos que el Método de la secante es más costoso que el de la bisección, pero menos
que el de Newton. Por otra parte, la elección de los primeros iterantes x0 y x1 es crítica para
la convergencia del método. Una mala elección de x0 o de x1 puede hacer que el algoritmo
anterior no converga. Estos mismos problemas de convergencia, aparecen si sk ≃ 0 para
algún k, pues en este caso, la recta secante a f en xk y xk−1 es casi horizontal y pequeños
errores en los valores introducidos, xk , xk−1 , f (xk ) y f (xk−1 ), pueden conducir a grandes
discrepancias en la obtención de xk+1 .
A continuación expondremos el Algoritmo de la secante tal y como debe ser desarrollado
para su posterior traducción a lenguaje de programación.
Método de la secante:

Objetivo: Hallar una solución de la ecuación f (x) = 0 donde f ∈ C 3 (a, b)
Inicialización:
In4: Primeros iterantes: x0 y x1
Iteración:
It1: Comprobación:
It2: Evaluación:
(i): Cálculo de f (xk )
f (xk ) − f (xk−1 )
(ii): Cálculo de sk = y comprobación de que sk 6= 0
xk − xk−1
f (xk )
It3: Obtención de la nueva aproximación: xk+1 = xk −
sk
(i): Si |f (xk )| < tolf y rk < tolx =⇒ FIN

Actualización:
Ac1: Actualización del contador: k = k + 1, xk−1 = xk y xk = xk+1
En resumen,

el método de la secante requiere que f ∈ C 3 (a, b) y tiene como características
el que es un algoritmo localmente convergente, de tipo superlineal si el cero que se
intenta aproximar es simple. Tiene además un coste moderado, inferior al de Newton,
pero como inconveniente en cuanto a la convergencia, que depende de manera crítica
de que x0 y x1 se escojan adecuadamente, ya que en otro caso puede diverger.
1.6. Problemas
Problema 1. Utilizar el Método de Bisección para encontrar una aproximación del cero
de la función f (x) = x3 − 7x2 + 14x − 6 en el intervalo [0, 1]. Detener el algoritmo cuando
se verifique tolx = tolf = 0.5.
Problema 2. Utilizar el Método

√ de Bisección para encontrar una aproximación del cero
de la función f (x) = sen x − x en el intervalo [0.75, 0.8]. Detener el algoritmo cuando
se verifique tolx = tolf = 0.05. Haced una predicción del numero de iteraciones necesarias
para encontrar una aproximación que satisfaga tolx = 0.001
Problema 3. Utilizar el algoritmo de Bisección para encontrar una aproximación del

cero de la función f (x) = x3 − x + 1 partiendo de los puntos x0 = −2, a = 0 y con una
tolerancia tolx = tolf = 0.5 × 10−4 .
Problema 4. Se desea encontrar la raíz, α, de la función f (x) = x3 − x + 1.
(a) Aproximar el valor de α utilizando 5 iteraciones del método de Newton con x0 = 1.
(b) Aproximar el valor de α utilizando 2 iteraciones del Método de la Bisección con

x0 = −2, a = 0 y dos iteraciones del Método de Newton. Comparar el resultado de
este Método Híbrido con el obtenido en el apartado (a).
Problema 5. Se considera la ecuación no lineal e−x = ln (x)
(i) Demostrar que tiene una única solución en el intervalo [1, 2].
(ii) Si se utiliza el Método de la Bisección, ¿cuántas iteraciones han de realizarse para

asegurar a priori una aproximación con 3 cifras decimales correctas?
(iii) Realizar 5 iteraciones con el Método de la Bisección. Determinar el error relativo

del último iterante, x5 .

Problemas 21
(iv) Realizar 3 iteraciones con el Método de Newton tomando como iterante inicial el
valor x0 = 2. Determinar el error relativo del último iterante, x3 .
Problema 6. Se consideran las funciones f (x) = sen(x) y g(x) = 1 − x.
(i) Demostrar que las gráficas de f y de g se cortan en un único punto, α del intervalo
[0, 1].
(ii) Si se utiliza el Método de la Bisección, ¿cuántas iteraciones han de realizarse para

asegurar a priori una aproximación a α con 3 cifras decimales correctas?
(iii) Realizar 5 iteraciones con el Método de la Bisección. Determinar el error relativo

del último iterante, x5 .
(iv) Realizar 2 iteraciones con el Método de Newton tomando como iterante inicial el
valor x0 = 0. Determinar el error relativo del último iterante, x2 .
Problema 7. El desplazamiento horizontal de una estructura, debido al viento, está

determinada en función del tiempo t por la función f (t) = e−t sen(3t).
(a) Obtener la expresión de f ′ y dibujar su gráfica en el intervalo [0, 3]
(b) Determinar numéricamente el instante α ∈ [0, 1] en el que el desplazamiento es

máximo; es decir, el valor α ∈ [0, 1] tal que f ′ (α) = 0, con un error relativo en t
menor que 0.5 × 10−5 .

Problema 8. Dada una curva paramétrica c(t) = x(t), y(t) , donde x(t) e y(t) son dos
funciones del parámetro t, el cálculo de la mínima distancia de un punto P = (X, Y ) a la
curva se puede realizar de la siguiente manera:

(a) Se calcula el vector tangente a la curva en función de t: τ (t) = x′ (t), y ′ (t) .

(b) Se determina el valor t = α tal que h P − c(t) , τ (t)i = 0.
Entonces, la distancia mínima es |P − c(α)|. Aplicar lametodología anterior a la circun-

ferencia de ecuación paramétrica c(t) = cos(t), sen(t) y el punto P = (2, 3) siguiendo
los pasos siguientes:

(a) Determinar la función f (t) = P − c(t) , τ (t) de la que se desea calcular una raíz.
(b) Calcular la distancia mínima de P a la circunferencia utilizando 4 iteraciones del

Método de Newton con aproximación inicial x0 = 1.5.
(c) Si se utiliza como aproximación inicial x0 = 4, ¿qué valor de la distancia obtenemos?

¿Por qué?
x2 − 2x + 1
Problema 9. Se considera la función f (x) = .
1 + x2

(a) ¿Se puede calcular su cero con el Método de la Bisección?
(b) Calcular su mínimo aplicando el Método de Newton utilizando 4 iteraciones y to-

mando como primer iterante x0 = 0.0. ¿Es la convergencia cuadrática? ¿Por qué?
Problema 10. Dada la función f (x) = x + e−x − cos(x), se pide:
(a) Plantear el algoritmo de Newton para esta función.
(b) Encontrar la raíz por el Método de Newton, partiendo de x0 = 1 y con una tolerancia
tolx = tolf = 0.5 × 10−4
Problema 11. En aritmética exacta, al calcular el número e utilizando la serie de Taylor

P
∞
1
(e = k!
), el error relativo rt cometido disminuye al aumentar el número n de térmi-
k=0
P
n
1
nos utilizados (e ≃ k!
). De manera aproximada, se puede describir este hecho como
k=0
n
|rt | = 2− 10 . Al realizar los cálculos con un ordenador, se observa que el error debido a la
propagación de errores aumenta con el número de términos empleados según la función
n
|rp | = 100 . Calcular el número óptimo de términos; es decir, aquél que minimiza la suma
|rt | + |rp |. Utilizar el algoritmo de Newton con 5 iteraciones y x0 = 0.
Problema 12. Determinar cuál o cuáles de las siguientes afirmaciones son ciertas: El
Método de Newton,
(a) destaca por su velocidad para cualquier valor inicial.
(b) no necesita aproximación inicial.
(c) mejora la robustez del Método de la bisección.
(d) es sensible a la aproximación inicial.
Problema 13. Para comparar la evolución de los errores relativos de las 5 primeras
iteraciones al calcular la raíz de la función f (x) = 2 − x3 , utilizar:
(a) El Método de Newton con x0 = 1.
(b) El Método de la Bisección con x0 = 1 y a = 2.
(c) El Método de la Secante con x0 = 1 y x1 = 2.
Representar en un gráfico los logaritmos de los valores absolutos de los errores relativos
|xk+1 − xk |
rk = para cada iteración.
|xk+1 |

Bibliografía
[1] Alarcia, E., Fernando, M., González, M.L., Cálculo Numérico para Ingeniería Industrial.
Conceptos básicos y ejercicios, Universidad de Valladolid, 2015.
[2] Amat, S., Busquier S., Cálculo Numérico. Paraninfo, 2014.
[3] Aubanell, A., Benseny, A., Delshams, A., Útiles Básicos de Cálculo Numérico. Ed. Labor,
1993.
[4] Grupo GIMEL, Càlcul Numèric i Equacions Diferencials, calcnum.gimel.es, 2018.
[5] Huerta, A. Sarrate, J. Rodríguez-Ferrán , A., M’etodos Numéricos. Introducción, aplica-

ciones y programación. Edicions UPC, 1998.
[6] Kincaid, D., Cheney, W., Análisis Numérico, las matemáticas del cálculo científico.
Addison-Wesley Iberoamericana, 1994.
[7] Sanz-Serna, J., Diez Lecciones de Cálculo Numérico. Universidad de Valladolid, 1998.

Tema 1 Ceros

Cargado por

Información del documento

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

Tema 1 Ceros

Cargado por

Copyright:

Formatos disponibles

1

Uno de los problemas más habituales en el ciencia y en la tecnología, tiene como

c A.M. Encinas & M.J. Jiménez. EEBE, CNED 2019-20

Figura 1.2: Gráfica de f (x) = x2 − 2 en [−2, 2] (izquierda) y en [1, 2] (derecha)

c A.M. Encinas & M.J. Jiménez. EEBE, CNED 2019-20

adelante significa la aproximación x8 de 2 tiene 2 cifras decimales correctas, propiedad que

c A.M. Encinas & M.J. Jiménez. EEBE, CNED 2019-20

donde el índice k cuenta el número de iteraciones efectuadas.

Figura 1.3: Sucesión de aproximaciones (fuente [4])

Paramos el algoritmo cuando xk sea una buena aproximación de α.

◮ Elección de la Aproximación inicial x0 , que depende de la función f y del propio

◮ Cálculo de los siguientes iterantes xk , que depende y es característico del método

◮ Criterio de convergencia; es decir, el Criterio de parada del algoritmo. En este último

c A.M. Encinas & M.J. Jiménez. EEBE, CNED 2019-20

1.2. Convergencia, aproximación y errores

Antes de comenzar la resolución de problemas, recordemos brevemente algunos con-

Diremos que una sucesión de números reales {xk }∞

Si definimos el Error absoluto cometido al aproximar α por xk como Ek = |α − xk |

xk → α si y sólo si Ek → 0 y si α 6= 0 esto ocurre si y sólo si rk → 0.

c A.M. Encinas & M.J. Jiménez. EEBE, CNED 2019-20

|xk+1 − xk | < |xk+1 | · tol + E,

que cuando α 6= 0 es básicamente equivalente al de r̂k < tol.

c A.M. Encinas & M.J. Jiménez. EEBE, CNED 2019-20

en cuyo caso se considera que xk es una aproximación suficientemente buena de la (una)

si log(rk ) + 0.3 ≃ −m, entonces xk tiene m cifras significativas correctas.

Para determinar la velocidad de convergencia de una sucesión a su límite, se introduce

La constante C se denomina Factor (o constante) asintótico de convergencia. Cuando

• Si p = 1 la convergencia se denomina lineal.

• Si 1 < p < 2 la convergencia se denomina superlineal.

• Si p = 2 la convergencia se denomina cuadrática.

• Si 2 < p < 3 la convergencia se denomina supercuadrática.

• Si p = 3 la convergencia se denomina cúbica.

c A.M. Encinas & M.J. Jiménez. EEBE, CNED 2019-20

|xk+1 − α| |xk+1 − α| |xk − α|p |xk+1 − α|

si una sucesión {xk }∞

Cuando p = 1 se exige además que 0 ≤ C < 1.

Si α 6= 0, es sencillo expresar también el orden de convergencia de una sucesión con-

|xk+1 − α| |xk+1 − α| |α|p |α| 1 rk+1

y por tanto, si cambiamos C por |α|p−1C,

Cuando p = 1 se exige además que 0 ≤ C < 1.

c A.M. Encinas & M.J. Jiménez. EEBE, CNED 2019-20

A partir de la caracterización anterior, tomando logaritmos (nuevamente en base 10)

si {xk }∞k=0 converge a α ∈ IR, α 6= 0, con orden de convergencia p ≥ 1, entonces

Por tanto, aplicando sucesivamente estas desigualdades, resulta que

(1 + p + · · · + pk−1 )b̂ε + pk log(rk0 ) ≤ log(rk0 +k ) ≤ (1 + p + · · · + pk−1 )bε + pk log(rk0 )

para cada k ≥ 1 y de manera que:

• Si p = 1, como log(C) < 0, entonces ε = − 12 log(C) > 0, b̂ε = 3

k b̂ε + log(rk0 ) ≤ log(rk+k0 ) ≤ k bε + log(rk0 ).

Observar que cuando p > 1, como xk → α, entonces rk → 0, lo que implica que

• Si p = 1 =⇒ âk + ĉ ≤ log rk ≤ ak + c, para cada k ≥ k0 .

• Si p > 1 =⇒ âpk + ĉ ≤ log rk ≤ apk + c, para cada k ≥ k0 .

c A.M. Encinas & M.J. Jiménez. EEBE, CNED 2019-20

Figura 1.5: Gráfica de órdenes de convergencia

1.3. Método de la Bisección

Teorema de Bolzano (1817)

c A.M. Encinas & M.J. Jiménez. EEBE, CNED 2019-20

1.- Consideramos a0 = a, b0 = b y el intervalo I0 = [a0 , b0 ], cuya longitud es ℓ0 = b − a.

0 ≤ f (α)2 = f (α)f (β) ≤ 0 =⇒ f (α)2 = 0 =⇒ f (α) = 0.

c A.M. Encinas & M.J. Jiménez. EEBE, CNED 2019-20

A continuación expondremos el Algoritmo de la Bisección tal y como debe ser desa-

Observar que en la iteración k-ésima, el Algoritmo de la Bisección determina un intervalo

c A.M. Encinas & M.J. Jiménez. EEBE, CNED 2019-20

el Algoritmo de Bisección tiene orden lineal y factor asintótico de conver-

El error después de m iteraciones satisface