Actividad 3.

Proyecto integrador, Etapa 1

Erick Iván Barrios Dominguez 440264706

Programación de los métodos de

bisección y Newton Raphson en
una aplicación

Programación de los métodos de

Jacobi y Gauss -Seidel en una
aplicación

Programación de métodos de
integración numérica en una
aplicación

Página 1 de 15
Introducción

La programación de algoritmos numéricos es fundamental en el campo de la ingeniería,

las ciencias aplicadas y la informática. Entre estos algoritmos, los métodos de bisección
y Newton-Raphson son herramientas esenciales para la búsqueda de soluciones
aproximadas de ecuaciones no lineales, un problema común en diversas áreas de
estudio. En este informe, exploraremos la implementación de estos métodos en una
aplicación, analizando su funcionamiento, eficiencia y aplicaciones prácticas. El objetivo
es comprender cómo estos algoritmos pueden ser programados de manera efectiva para
resolver problemas reales y cómo su desempeño puede influir en la resolución de
ecuaciones no lineales en diversos contextos.

Etapa 1 del Proyecto integrador

Introducción

I. Programación de los métodos de bisección y Newton Raphson en una

aplicación

1.1 Conceptualización
1.2 Métodos abiertos
1.3 Métodos cerrados
1.4 Casos prácticos

Página 2 de 15
1.1 Conceptualización

• Reproduce y completa el siguiente cuadro comparativo en el que describas los

elementos sustantivos de cada método numérico.

Método numérico ¿En qué consiste? Ventajas Desventajas

Convergencia lenta:
Comparado con otros
métodos como el
método de Newton-
Raphson, el método de
bisección puede
Convergencia
requerir más
garantizada: El
iteraciones para
método de bisección
El método de alcanzar la misma
siempre converge
bisección es un precisión,
hacia la raíz de la
algoritmo utilizado especialmente cuando
función si esta es
para encontrar la raíz se trata de encontrar
continua en el intervalo
de una función raíces cercanas.
dado y hay un cambio
continua en un
de signo en el intervalo
intervalo dado. El Ineficiencia en
inicial.
principio básico del intervalos grandes:
método de bisección Si el intervalo inicial es
Fácil de implementar:
es dividir grande y la raíz se
Es un algoritmo simple
repetidamente el encuentra en un lugar
y fácil de entender, lo
Bisección intervalo inicial en dos cercano a los extremos
que lo hace adecuado
partes iguales y luego del intervalo, el método
para aplicaciones
seleccionar el de bisección puede
básicas y educativas.
subintervalo en el cual requerir un número
la función cambia de significativo de
Estabilidad: A
signo. Este proceso se iteraciones para
diferencia de algunos
repite iterativamente converger.
otros métodos, como el
hasta que se alcanza
método de Newton-
la precisión deseada o No es aplicable a
Raphson, el método de
se encuentra una funciones no
bisección tiende a ser
aproximación monótonas: Este
más estable y menos
aceptable de la raíz. método requiere que la
propenso a divergir
función cambie de
hacia soluciones
signo en el intervalo
incorrectas.
inicial. Si la función no
cumple con esta
condición, el método
de bisección no puede
utilizarse
directamente.

Página 3 de 15
 Convergencia más
rápida: Debido a que Posible
utiliza una inestabilidad: En
aproximación lineal de algunos casos,
la función entre dos especialmente cuando
puntos, el método de la la función tiene una
regla falsa puede curvatura pronunciada
converger más o es altamente no
rápidamente hacia la lineal, el método de la
El método de la regla raíz en comparación regla falsa puede
falsa, también con el método de volverse inestable y
conocido como bisección, producir oscilaciones
método de la especialmente cuando alrededor de la raíz.
interpolación lineal la función es suave y
inversa, es un continua. Mayor complejidad
algoritmo numérico computacional:
utilizado para Eficiencia en Aunque proporciona
encontrar las raíces de intervalos convergencia más
una función real. Es asimétricos: Este rápida en comparación
una variación del método es con el método de
método de bisección especialmente útil bisección, la
que utiliza una cuando el intervalo implementación del
Regla falsa aproximación lineal de inicial es asimétrico y método de la regla
la función entre dos la raíz se encuentra falsa puede ser más
puntos del intervalo cerca de uno de los compleja debido a la
para estimar la raíz en extremos del intervalo, necesidad de realizar
lugar de simplemente ya que puede ajustar interpolación lineal en
dividir el intervalo a la dinámicamente el cada iteración.
mitad. Este método tamaño del intervalo
combina las ventajas para enfocarse en la Sensibilidad a la
del método de región donde se selección inicial del
bisección con la espera que se intervalo: Como en
interpolación lineal encuentre la raíz. otros métodos de
para proporcionar búsqueda de raíces, la
convergencia más Convergencia eficacia del método de
rápida. garantizada: Al igual la regla falsa puede
que el método de depender en gran
bisección, el método medida de la selección
de la regla falsa inicial del intervalo, lo
también garantiza la que puede requerir
convergencia hacia la cierto conocimiento
raíz si la función es previo sobre la
continua en el intervalo ubicación de la raíz.
dado y cambia de
signo.

Página 4 de 15
 Convergencia lenta
o no garantizada: La
convergencia del
método de sustitución
sucesiva no está
garantizada en todos
Simplicidad: Este los casos. Si la función
método es fácil de g(x) no es contractiva
entender e en el intervalo que
implementar, lo que lo contiene la solución, o
hace adecuado para si el valor inicial x_0
El método de aplicaciones básicas y está mal elegido, el
sustitución sucesiva, educativas. método puede
también conocido converger lentamente
como iteración Flexibilidad: Se o incluso divergir.
funcional, es un puede utilizar para
algoritmo utilizado resolver una amplia Sensibilidad a la
para resolver variedad de elección del valor
ecuaciones no lineales ecuaciones no lineales inicial: La eficacia del
de la forma x = g(x), de la forma x = g(x), método de sustitución
donde g(x) es una siempre y cuando la sucesiva puede
función dada. En este función g(x) cumpla depender en gran
método, se elige un ciertas condiciones, medida de la elección
Sustitución sucesiva valor inicial x_0, y como ser continua y del valor inicial x_0. Si
luego se obtiene un tener una derivada se elige un valor inicial
nuevo valor x_1 acotada. lejos de la solución,
sustituyendo x_0 en la puede requerir un gran
función g(x). Este Convergencia número de iteraciones
proceso se repite garantizada en para converger hacia
iterativamente, ciertos casos: Si la la solución, o incluso
calculando x_{n+1} = función g(x) es puede no converger en
g(x_n) hasta que se contractiva en un absoluto.
alcanza una intervalo que contiene
aproximación la solución, es decir, si Dificultad para
aceptable de la existe un valor L tal que determinar la
solución. |g'(x)| < 1 para todo x convergencia: En
en ese intervalo, algunos casos, puede
entonces el método de ser difícil determinar si
sustitución sucesiva el método de
converge hacia la sustitución sucesiva
solución. converge hacia la
solución o no, lo que
puede requerir un
análisis detallado de
las propiedades de la
función g(x) y el valor
inicial elegido.

Página 5 de 15
 Sensibilidad a la
elección del punto
inicial: La
convergencia del
método de Newton-
Convergencia
Raphson puede verse
rápida: En
El método de Newton- afectada
comparación con otros
Raphson es un significativamente por
métodos, como la
algoritmo iterativo la elección del punto
bisección, el método
utilizado para inicial. Si la estimación
de Newton-Raphson
encontrar inicial está lejos de la
tiende a converger
aproximaciones de las raíz o si se encuentra
rápidamente hacia la
raíces de una función en una región donde la
raíz, especialmente
real mediante la derivada de la función
cuando se proporciona
búsqueda de las es cercana a cero, el
una estimación inicial
intersecciones de la método puede
cercana a la raíz.
tangente a la curva de converger hacia una
la función con el eje x. raíz incorrecta o
Eficiencia: El método
El método comienza diverger.
de Newton-Raphson
con una estimación
puede requerir menos
inicial x_0 y luego Requiere la
iteraciones que otros
utiliza la derivada de la evaluación de la
métodos para alcanzar
función para calcular derivada: El método
una precisión
Newton – Raphson iterativamente una de Newton-Raphson
deseada, lo que lo
secuencia de requiere conocer la
hace eficiente
aproximaciones más derivada de la función,
computacionalmente
precisas. La fórmula lo que puede ser
en muchas
general de iteración complicado o
situaciones.
del método de Newton- computacionalmente
Raphson es: costoso en algunos
Aplicabilidad a
casos, especialmente
funciones complejas:
x_{n+1} = x_n - cuando la función es
Este método es
\frac{f(x_n)}{f'(x_n)} compleja o cuando no
aplicable a una amplia
se dispone de una
variedad de funciones,
donde f(x) es la función expresión analítica
incluidas aquellas que
para la cual se busca la para la derivada.
son no lineales o que
raíz, f'(x) es su
tienen múltiples raíces,
derivada y x_n es la No garantiza la
siempre y cuando la
aproximación actual de convergencia:
derivada de la función
la raíz Aunque el método de
sea continua y no se
Newton-Raphson
anule en el intervalo de
tiende a converger
interés.
rápidamente en
muchas situaciones,
no ofrece una garantía
de convergencia en
todos los casos.

Página 6 de 15
 Sensibilidad a las
estimaciones iniciales:
No requiere la Al igual que otros
evaluación de la métodos iterativos, la
El método de la
derivada: A diferencia eficacia del método de la
secante es un
del método de Newton- secante puede depender
algoritmo numérico
Raphson, el método de en gran medida de las
utilizado para estimaciones iniciales
la secante no requiere
encontrar las raíces de proporcionadas.
el cálculo explícito de
una función real. Es Estimaciones iniciales
la derivada de la
una aproximación al mal elegidas pueden
función, lo que puede
método de Newton- llevar a convergencia
simplificar su
Raphson que evita la lenta o incluso a la
implementación y divergencia del método.
necesidad de calcular
evitar problemas
la derivada de la
asociados con la Posible pérdida de
función. En lugar de
derivación numérica. convergencia: En
usar la derivada, el
algunos casos,
método de la secante especialmente cuando
Convergencia rápida:
utiliza una las estimaciones iniciales
El método de la
aproximación de la están demasiado
secante tiende a
derivada basada en separadas o cuando la
converger
dos puntos cercanos función tiene
Secante rápidamente hacia la
singularidades o cambios
en la curva de la
raíz de la función, abruptos, el método de la
función. Este método
especialmente cuando secante puede perder la
comienza con dos
se proporcionan convergencia y no
estimaciones iniciales
estimaciones iniciales encontrar la raíz
x_0 y x_1, y luego
cercanas a la raíz. adecuada.
calcula iterativamente
nuevas Mayor número de
Aplicabilidad a
aproximaciones iteraciones en
funciones no
x_{n+1} mediante la comparación con
diferenciables: Dado
siguiente fórmula: Newton-Raphson:
que no se necesita la
Aunque el método de la
derivada de la función, secante suele converger
x_{n+1} = x_n - f(x_n) *
el método de la rápidamente, en general
\frac{x_n - x_{n-
secante puede puede requerir un mayor
1}}{f(x_n) - f(x_{n-1})}
aplicarse a funciones número de iteraciones en
que no son comparación con el
donde f(x) es la función método de Newton-
diferenciables en todos
para la cual se busca la Raphson para alcanzar la
los puntos, lo que lo
raíz. misma precisión,
hace más versátil en
especialmente cuando
ciertas situaciones.
las estimaciones iniciales
están lejos de la raíz.

Página 7 de 15
1.2 Métodos abiertos

• Describe brevemente en qué consisten los métodos numéricos abiertos y

establece cuales métodos de los que aparecen en el cuadro comparativo están
representados por esta categoría

Los métodos numéricos abiertos son algoritmos utilizados para encontrar soluciones de
ecuaciones no lineales donde no se requiere un intervalo inicial que contenga la raíz. En lugar de
ello, estos métodos pueden comenzar desde cualquier estimación inicial y generar una secuencia
de aproximaciones que, idealmente, convergen hacia la raíz buscada. La convergencia de estos
métodos puede ser menos predecible en comparación con los métodos cerrados, ya que no están
garantizados para converger hacia una solución en todas las condiciones.
Los métodos numéricos abiertos representados en el cuadro comparativo son el método de la
secante y el método de la regla falsa. Estos métodos no requieren un intervalo inicial y pueden
comenzar desde cualquier estimación inicial proporcionada.

• Investiga algunas aplicaciones o problemas que se utilizan aplicando este tipo de

métodos

• Optimización: Los métodos abiertos son comúnmente utilizados en problemas de

optimización, donde se busca encontrar los máximos o mínimos de una función. Por
ejemplo, en el diseño de sistemas de ingeniería o en modelos económicos, se pueden
emplear métodos numéricos abiertos para encontrar valores óptimos de parámetros.

• Ajuste de curvas: En el análisis de datos, a menudo se necesita ajustar una curva a un

conjunto de puntos experimentales. Los métodos numéricos abiertos pueden ser útiles
para encontrar los parámetros que minimizan la discrepancia entre la curva ajustada y los
datos observados.

• Modelado de sistemas dinámicos: En la simulación y modelado de sistemas físicos,

biológicos o económicos, pueden surgir ecuaciones no lineales que deben resolverse para
determinar el comportamiento del sistema en el tiempo. Los métodos numéricos abiertos
pueden utilizarse para encontrar soluciones aproximadas de estas ecuaciones.

• Problemas de ingeniería y física: En el diseño y análisis de estructuras, circuitos

eléctricos, sistemas mecánicos, entre otros, pueden surgir ecuaciones no lineales que
requieren solución. Los métodos numéricos abiertos pueden ser aplicados para encontrar
soluciones aproximadas en estos contextos.

Página 8 de 15
1.3 Métodos cerrados

• Describe brevemente en qué consisten los métodos numéricos cerrados y

establece cuales métodos de los que aparecen en el cuadro comparativo están
representados por esta categoría

Los métodos numéricos cerrados, también conocidos como métodos de intervalo, son
algoritmos utilizados para encontrar soluciones de ecuaciones no lineales dentro de un
intervalo dado. Estos métodos requieren proporcionar un intervalo inicial que contenga la
raíz buscada, y luego dividen iterativamente este intervalo hasta alcanzar una
aproximación aceptable de la raíz. La principal característica de los métodos cerrados es
que garantizan la convergencia hacia una solución dentro del intervalo dado, siempre que
se cumplan ciertas condiciones. En el cuadro comparativo, los métodos representados por
esta categoría son el método de bisección y el método de la regla falsa.

• Investiga algunas aplicaciones o problemas que se utilizan aplicando este tipo de

métodos

Determinación de raíces de funciones: Los métodos cerrados son ampliamente utilizados para
encontrar las raíces de ecuaciones no lineales en diversas áreas, como la ingeniería, la física, la
economía y las ciencias computacionales. Por ejemplo, pueden ser útiles para determinar el punto
de equilibrio en modelos económicos, encontrar las soluciones de sistemas de ecuaciones
diferenciales en problemas de ingeniería o calcular los valores críticos en el análisis de estabilidad
de sistemas dinámicos.

Interpolación y ajuste de curvas: En problemas de interpolación, donde se busca encontrar

valores desconocidos entre puntos de datos conocidos, los métodos cerrados pueden ser
utilizados para encontrar los puntos en los cuales una curva interpolante cruza un valor específico.
También pueden ser útiles en el ajuste de curvas, donde se buscan parámetros que minimicen la
discrepancia entre una curva teórica y datos experimentales.

Análisis numérico: En el análisis numérico, los métodos cerrados son fundamentales para
resolver problemas que involucran ecuaciones no lineales, como encontrar las raíces de
polinomios, funciones trigonométricas u otras funciones complejas. Estos métodos son
esenciales en la simulación de sistemas físicos, cálculo de soluciones numéricas en problemas
de mecánica de fluidos, análisis de circuitos eléctricos, entre otros.

Página 9 de 15
1.4 Casos prácticos

• Consulta la siguiente referencia y realiza los casos prácticos que ahí se indican
utilizando algún lenguaje de programación u hoja de cálculo sugerido por el
docente:

https://www.onlinegdb.com/

Chapra, S. & Canale, R. (2007). Métodos numéricos para ingenieros [Archivo PDF].
https://www.academia.edu/35215572/Metodos_Numericos_Aplicados_a_La_Ingenieri
a_4a_Nieves

• Método de Bisección (Páginas. 140 realiza los ejercicios 5.14 y 5.15)

Página 10 de 15
Intervalo (6-10)

Página 11 de 15
Intervalo (0,10)

Página 12 de 15
• Método Newton-Raphson (Página. 169 realiza el ejercicio 6.26)

• Compila cada ejercicio y verifica que no haya errores

Página 13 de 15
• Para el desarrollo de los casos prácticos no olvides incluir:

- Capturas de pantallas del proceso realizado en el lenguaje de programación

elegido
- Código fuente y ejecutable

Página 14 de 15
 • Establece una breve descripción en la que hagas un contraste entre los métodos
que programaste, destacando los problemas a los que te enfrentaste y cómo lo
solucionaste

Al programar los métodos de bisección, Newton-Raphson y secante, me enfrenté a

diferentes desafíos y soluciones.

El método de bisección requería elegir un intervalo inicial y establecer un criterio de

parada. Lo solucioné mediante un bucle que se ejecutaba hasta que el intervalo fuera lo
suficientemente pequeño según una tolerancia predefinida.

Para el método de Newton-Raphson, el desafío fue la evaluación de la derivada de la

función en cada iteración, lo cual puede ser computacionalmente costoso. Resolví esto
calculando la derivada numéricamente usando una diferencia finita para simplificar la
implementación y reducir la carga computacional.

Con respecto al método de la secante, el desafío fue garantizar la convergencia del

algoritmo y manejar adecuadamente las estimaciones iniciales. Resolví esto eligiendo
estimaciones iniciales lo más cercanas posible a la raíz buscada y ajustando el criterio de
convergencia según la precisión deseada.

A través de técnicas de programación cuidadosas y una comprensión detallada de los

algoritmos, pude superar estos desafíos y desarrollar implementaciones eficientes y
precisas de cada método.

* * *

Página 15 de 15