Resolución de ecuaciones en una variable.

Ecuaciones de la forma f(x)=0

Siendo f una función real dada de variable real.

Método del punto fijo.

Sea 𝐴 ⊂ ℝ𝑛 𝑦 𝑔: 𝐴 → ℝ𝑛 . Se dice que 𝑥 ∗ ∈ 𝐴 es punto fijo de g, si se cumple que g(x*)= x* o

sea, si x* es solución de la ecuación de punto fijo g(x)=x. Geométricamente, los puntos fijos de
una función son los puntos de corte de la función y=g(x) con la recta y=x.

Se denomina método del punto fijo a la construcción de una sucesión mediante el siguiente
procedimiento:

𝑥0 dado

𝑥𝑛+1 = 𝑔(𝑥𝑛 ) 𝑛 ∈ 𝑁 ; datos iterados

Se espera que la sucesión xn converja a x, con x punto fijo de g

La clave del método de punto fijo es transformar la ecuación f(x)=0 en otra equivalente de
punto fijo, g(x)=x y construir la sucesión de iterados 𝑥𝑛+1 = 𝑔(𝑥𝑛 ) a partir de una estimación
inicial x1 de la solución.

Es sencillo comprobar que, si la sucesión 𝑥𝑛 converge y la función de iteración g es continua,

entonces el límite es un punto fijo de g y, por la equivalencia, la solución de la ecuación f(x)=0.
function [sol,x,incr,n]=pfijo(g,x1,tol,maxiter)
% Ejemplo: [sol,x]=puntofijo('cos',0,0.001,100)
n=1;
x=x1;
incr=tol+1;
while incr>tol & n<=maxiter
x(n+1)=feval(g,x(n));
incr=abs(x(n+1)-x(n));
n=n+1;
end
if incr>tol
sol=[];
disp('Insuficientes iteraciones')
else
sol=x(end);
end

Convergencia del método de punto fijo

Sea g: [a, b] → ℝ continuamente derivable tal que g(x) ∈ [𝑎, 𝑏] para todo x ∈ [𝑎, 𝑏]. Además,
supongamos que |𝑔′ (𝑥)| < 𝐾 < 1. Entonces, la iteración de punto fijo 𝑥𝑛+1 = 𝑔(𝑥𝑛 ), n=1, 2,
…, converge al único punto fijo 𝑥 ∗ para cualquier punto de partida 𝑥1 ∈ [𝑎, 𝑏]. Además, podemos
acotar el error de la iteración n-ésima por
𝐾𝑛
|𝑥𝑛 − 𝑥 ∗ | ≤ |𝑥 − 𝑥2 |
1−𝐾 1
para 𝑛 ≥ 2.
En la práctica, si la derivada de g es continua, sucede que:

 Si |𝑔′ (𝑥 ∗ )| > 1 los iterados no convergen a 𝑥 ∗ .

 Si |𝑔′ (𝑥 ∗ )| < 1 los iterados convergen a 𝑥 ∗ con tasa de convergencia 𝐶𝐿 = |𝑔′ (𝑥 ∗ )|.
 Si |𝑔′ (𝑥 ∗ )| = 0 los iterados convergen cuadráticamente a 𝑥 ∗ .

El método de punto fijo es un método iteración abierto. Sólo requiere uno o un par de valores
iniciales para empezar a iterar. Si un método abierto converge a la solución, usualmente lo hace
con mayor rapidez que los métodos cerrados.

Procedimiento:

- Consiste en reordenar los términos en la función, primero la función igualamos a cero para que
la variable x quede a la izquierda, de tal forma que encontremos una función g(x).

x=g(x) ; la forma como se realiza la iteración es xi+1=g(xi)

Existen dos caminos para realizar este método:

Primero:

𝑓(𝑥) = 𝑥 2 − 2𝑥 + 3

Debemos igualar la ecuación a cero: 𝑓(𝑥) = 𝑥 2 − 2𝑥 + 3 = 0

𝑥 2 +3
ahora despejamos x de la ecuación ⇒ 𝑥 = 2
, este despeje no es el único:
−3
podría ser también 𝑥 = √2𝑥 − 3 o 𝑥 =
𝑥−2

Segundo: función trigonométrica

𝑓(𝑥) = cos(𝑥)

cos(𝑥) = 0 , luego se aumenta x a cada lado

x = cos(𝑥) + 𝑥
Existe un criterio de convergencia nos dice, que el valor absoluto de la primera derivada de g
debe ser menor a 1.

(𝑎𝑏𝑠(𝑔′ (𝑥)) < 1 evaluada en 𝑥0 , entonces podemos continuar con el método porque será
convergente.
Ejemplo en Excel: La función a trabajar será 𝑒 −𝑥 − 𝑥

MÉTODO DE PUNTO FIJO

# xi Error Si Error<tol tol 0.0001
0 0
1 1 1 0 f(x) exp(-x)-x
2 0.36787944 0.63212056 0 exp(-x)-x=0
3 0.69220063 0.32432119 0 exp(-x)=x
4 0.5004735 0.19172713 0 g(x) exp(-x)
5 0.60624354 0.10577003 0
6 0.54539579 0.06084775 0 f(x) 0.00003800394
7 0.57961234 0.03421655 0 f(x) 3.80039E-05
8 0.56011546 0.01949687 0
9 0.57114312 0.01102765 0
10 0.56487935 0.00626377 0
11 0.56842873 0.00354938 0
12 0.56641473 0.00201399 0
13 0.56755664 0.0011419 0
14 0.56690891 0.00064773 0
15 0.56727623 0.00036732 0
16 0.5670679 0.00020833 0
17 0.56718605 0.00011815 0
18 0.56711904 6.701E-05 1
0: si es falso ; 1: si es verdadero

* En # 18 para comprobar si es el valor correcto u óptimo, pues evaluamos en nuestra función

original f(x) de la celda I9 o la I10.

El valor encontrado es cercano a cero, por lo tanto, es correcta nuestra aproximación.

Ejemplo en MATLAB: La función a trabajar será 𝑒 −𝑥 − 𝑥

function []=punto_fijo(f,g,x0,tol)
% Vamos a pedir f(x), g(x), el valor inicial y la tolerancia.
global x;% Definimos x como variable global para poder usar en todo el
programa.
syms x; % permite cambiar el valor y evaluar así en cada función.
fprintf('La función que has introducido es: ');
display(f);
fprintf('La función para la aproximación que escogiste es: ');
display(g);
x=x0; % se muestra la primera iteración.
x1=eval(g); % se evalúa la función en g y se guarda en x1.
c=0; % contador de iteraciones está en cero.
fprintf(' #--------x0 --------- error\n'); % es la cabecera de cada
columna.
fprintf(' %5d--------%5d --------- \n',c,x0); % imprime la primera
iteración.
while (tol<abs(x1-x0))% se realiza las demás iteraciones
x0=x1; % se guarda el valor actual en x0 para sustituirlo y evaluarlo
en g(x)
x=x0; % se sigue iterando
x1=eval(g); % se sigue iterando y guardamos en x1 para la siguiente
iteración.
c=c+1; % se aumenta al contador e imprimimos.
fprintf(' %5d--------%12f --------- %5d\n',c,x0,abs(x1-x0));
% El proceso termina cuando la tolerancia ya no sea menor al valor
absoluto del
% error.
end
x=x1;
fx=eval(f); % Una vez terminado se confirma que la solución que
tenemos sea
% próximo a cero en f(x); para eso evaluamos eval(f) e imprimimos fx.
fprintf('f se aproxime a 0 %12f\n',fx);
ezplot(f); % se grafica
grid on;
end

Ahora vamos a empezar en Command Window:

>> syms x % Para calcular en forma simbólica
>> f=exp(-x)-x
f =
exp(-x) - x
>> g=exp(-x)
g =
exp(-x)
>> punto_fijo(f,g,0,0.0001)% Se llama a la función.

En la gráfica ampliando podemos ver el valor de f:

Efectivamente se ha hallado la mayor aproximación

Por ejemplo, con otra función:

>> h=x^3+4*x^2-10;
>> k=sqrt(10/(x+4));
>> punto_fijo(h,k,2,0.0001)

Ha sacado el resultado en 5 iteraciones que el valor óptimo es 1.365210 , es el mejor punto

que nos lleva a la raíz de la ecuación.
Programación en MATLAB:
function met_puntofijo(g,x0,tol)
g=inline(g);
fprintf('\n it. x g(x) \n')
i=0;
fprintf('%3.0f %10.10f %10.10f \n',i,x0,g(x0))
x1=g(x0);
while abs(x0-x1)>tol
i=i+1;
fprintf('%3.0f %10.10f %10.10f \n',i,x1,g(x1))
x0=x1;
x1=g(x0);
end
fprintf('\n La aproximación del punto fijo es %4.10f \n\n',x1)

Verifiquemos la representación de g(x) gráficamente.

Para graficar utilizamos las siguientes instrucciones:

Ahora en Command Window:

Caso a)

>> fplot('1.14-2*log10*(0.0025/0.1+9.35/3.1167*10^(-4))',[-2 2 -2 2])

>> grid on
>> hold on
>> fplot('1*x',[-2 2 -2 2])

% Se utilizará punto inicial =1,% tolerancia=0.000001

>> met_puntofijo('1.14-2*log10*((0.0025/0.1)+(9.35/3.1167*10^(-
4)))',1,0.000001)

it. x g(x)
0 1.0000000000 1.0894000064
1 1.0894000064 1.0848763667
2 1.0848763667 1.0851052628
3 1.0851052628 1.0850936807
4 1.0850936807 1.0850942667

La aproximación del punto fijo es 1.0850942667

1
Luego el valor para f lo obtenemos de: = 1.0850942667
√𝑓
>> f=sqrt(1.0850942667)^-2
f =
0.9216
Lo mismo hacemos para resolver el caso b).

Método del Punto Fijo

Ejemplo
Usar el método de iteración del punto fijo para aproximar la raíz de 𝑓(𝑥) = 𝑥 2 − 5𝑥 − 𝑒 𝑥 , comenzando
con 𝑥0 = 0.
Solución
𝑥 2 −𝑒 𝑥
Si despejamos la x del término lineal, vemos que la ecuación equivale a =𝑥
5
𝑥 2 −𝑒 𝑥
de donde, 𝑔(𝑥) =
5
2𝑥−𝑒 𝑥
En este caso, tenemos que 𝑔′ (𝑥) = . Un vistazo a la gráfica, nos convence que |𝑔′ (𝑥)| < 1, para
5
𝑥 ∈ [−1,1], lo que es suficiente para deducir que el método sí converge a la raíz buscada.
Aplicando la fórmula iterativa, tenemos:𝑥1 = 𝑔(𝑥0 ) = −0.2 con un error aproximado del 100%.
Aplicando nuevamente la fórmula iterativa, tenemos: 𝑥2 = 𝑔(𝑥1 ) = −0.155746 con un error
aproximado igual al 28.41%.
En este ejemplo, el método solo necesita de 5 iteraciones para reducir el error menor al 1%.
De donde vemos que la aproximación buscada es: 𝑥5 = −0.164410.

Método del Punto Fijo en MATLAB:

- Escribe el nombre del método "puntofijo" y le damos enter.
- El programa te muestra el nombre del método "Método del Punto Fijo “y los valores a ingresar:
Ingresas la función.
Ingresas el punto inicial.
Numero de iteraciones
- Luego de ingresado los valores requeridos solo tenemos que dar un enter para que corra el
programa y obtenga la raíz que se desea y la gráfica de función.

function puntofij
global fun
fprintf('Métod de Punto Fijo:\n');
fun=input('Ingrese a la función:\n','s');
x0=input('Ingrese el punto inicial:\n');
n=input('Ingrese el número de iteraciones:\n');
it=0;
fprintf(' it x0 x1 |x0-x1|');
while(it<n)
it=it+1;
x=x0;
x1=eval(fun);
fprintf('\n%3.0f%15.10f%15.10f%15.10f\n',it,x0,x1,abs(x1-x0));
x0=x1;
end
fprintf('\n El punto fijo aproximado es=%10.6f\n',x1);
clf
hold on
ezplot(fun)
legend('y=x','fun')
hold off
grid on

En Command Window:
>>puntofij
Métod de Punto Fijo:
Ingrese a la función:
>> (x^2-exp(x))/5
Ingrese el punto inicial:
0
Ingrese el número de iteraciones:
10

El punto fijo aproximado es= -0.164299

Otro ejemplo en el mismo programa “puntofij”.

>> puntofij
Método del Punto Fijo:
Ingrese a la función:
cos(x)/3
Ingrese el punto inicial:
pi/8
Ingrese el número de iteraciones:
5
En Command Window, contol de ejes de la gráfica:
x=-4:0.1:4;
y=cos(x);
z=3*x;
t=zeros(size(x));
plot(x,y)
axis([-4 4 -2 2])
hold on
plot(x,z)
plot(x,t)
grid on

Una forma breve de cálculo con la función solve:

>> solve(cos(x)-3*x)
o con el marcador @:
>> x=@(x)cos(x)-3*x;
>> fzero(x,pi/8)
ans =
0.3168

MÉTODO DE NEWTON-RAPSON
El método de Newton-Rapson se debe inicializar en un valor de x cercano a una raíz. El método
asume que la función es aproximadamente lineal en ese valor y, por lo tanto, toma como una
mejor aproximación a la raíz en la intersección de la línea tangente a f(x) y su intersección con
el eje x, como se muestra en la figura siguiente:

𝑓(𝑥(𝑡))
De la figura podemos ver que: tan(𝜃) = 𝑓 ′ (𝑥(𝑡)) =
𝑥(𝑡)−𝑥(𝑡+1)
𝑓(𝑥(𝑡))
De donde tenemos la regla recursiva: 𝑥(𝑡 + 1) = 𝑥(𝑡) − 𝑓′ (𝑥(𝑡))
𝑓(𝑥)
O lo que es lo mismo: 𝑥 ← 𝑥 − 𝑓′ (𝑥)
Tomando la idea de la condición de convergencia de iteración simple, la condición para Newton-
𝑑 𝑓(𝑥)
Rapson es la siguiente:| (𝑥 − ′ )| <1
𝑑𝑥 𝑓 (𝑥)
𝑓(𝑥) 𝑓′′ (𝑥)
Que es equivalente a: | [𝑓′ (𝑥)]2 | < 1

Solución:
Programación en MATLAB:
disp('Newton-Raphson')

syms x
a=input('Introduzca la función: ');
%xd=input('Introduzca la derivada de la función: ','s');
xi=input('Introduzca el valor de xi: ');
Es=input('Introduzca el valor del error límite: ');
xd=diff(a);
derivada=inline(xd);
formula=inline(a);
Ea(1)=100;
i=1;
fxi=feval(formula,xi);
fdxi=feval(derivada,xi);
xi1=xi-(fxi/fdxi);
fprintf(' It xi Función de xi Derivada de xi Error
aproximada\n');
fprintf('%2d\t %11.6f\t %11.6f\t %11.6f\t %11.6f\n',i,xi,fxi,fdxi,Ea);
xi=xi1;
i=i+1;
while (Ea>Es)
fxi=feval(formula,xi);
fdxi=feval(derivada,xi);
xi1=xi-(fxi/fdxi);
Ea=abs(((xi1-xi)/xi1)*100);
fprintf('%2d\t %11.6f\t %11.6f\t %11.6f\t %11.6f\n',i,xi,fxi,fdxi,Ea);
xi=xi1;
i=i+1;
end
fprintf('\nRaiz= %f\n\n',xi)

Ahora en Command Window:

Aplicando el script anterior Newton-Raphson.m, obtenemos lo siguiente:

f(x)= pi*sin(2*x)+exp(-x/2)*cos(x)
x= 3.5
Tolerancia= 0.0001
>> fplot('pi*sin(2*x)+exp(-x/2)*cos(x)',[-5 5 -5 5])
>> grid on
% De otro modo: % fplot(@(x)pi*sin(2*x)+exp(-
x/2)*cos(x))

Los resultados son:

k= F(X)= X= dF(X)=
1 1.901253 3.500000 4.879230
2 -0.407304 3.110338 6.369840
3 0.000835 3.174280 6.378647

Raiz= 3.174280
Bibliografía:

Chapra. Métodos numéricos para ingenieros - 5ed. Pág. 142-148.

METODO DE BISECCION:

El Método de Bisección se basa en la búsqueda incremental donde

el intervalo se divide siempre en dos.
(En Command Window)

disp('METODO DE BISECCION');
disp('-------------------');
f=input('Ingrese función: ','s');
xai=input('Ingrese límite inferior del intervalo:');
xbi=input('Ingrese límite superior del intervalo:');
tol=input('Ingrese porcentaje de error:');
f=inline(f);
i=1;
ea(1)=100;
if f(xai)*f(xbi)<0
xa(1)=xai;
xb(1)=xbi;
xr(1)=(xa(1)+xb(1))/2;
fprintf('It. Xa Xr Xb Error aprox \n');
fprintf('%2d \t %11.7f \t %11.7f \t %11.7f \n',i,xa(i),xr(i),xb(i));
while abs(ea(i)) >= tol,
if f(xa(i))*f(xr(i))<0
xa(i+1)=xa(i);
xb(i+1)=xr(i);
end
if f(xa(i))*f(xr(i))>0
xa(i+1)=xr(i);
xb(i+1)=xb(i);
end
xr(i+1)=(xa(i+1)+xb(i+1))/2;
ea(i+1)=abs((xr(i+1)-xr(i))/(xr(i+1))*100);
fprintf('%2d \t %11.7f \t %11.7f \t %11.7f \t %7.3f \n',...
i+1,xa(i+1),xr(i+1),xb(i+1),ea(i+1));
i=i+1;
end
else
fprintf('No existe una raíz en este intervalo');
end

METODO NEWTON-RAPHSON
El método de Newton-Raphson es un método iterativo que nos
permite las raíces de una ecuación, función o polinomio. Se con
estimación inicial de la solución x0 y construimos una sucesión de
aproximaciones siguiendo la fórmula del método;

xj+1 = xj − (f(xj)/f”(xj))

Ejemplo;

-El polinomio de ejemplo es el siguiente; f(x) = (e^x) − (1/x).

Expresamos la ecuación, funcion o polinomio en la forma f(x)=0, e

identificamos f. Calculamos la derivada: f0(x) = (e^x) +(1/x^2)

Utilizamos la fórmula del método: xj+1 = xj [{− (e^xj) − (1/xj)}/{(e^xj)

+ (1/x^2)}]

Podemos, entonces, tomar como solución x5 = 0.567143.

disp('Newton-Raphson');
disp('--------------');
a=input('Introduzca el valor de la funcion');
%xd=input('Introduzca la derivada de la funcion','s');
xi=input('Introduzca el valor de xi:');
Es=input('Introduzca el valor del error limite:');
syms x
sd=diff(a);
derivada =inline(xd);
formula=inline(a);
Ea(1)=100;
i=1;
fxi=feval(formula,xi);
fds1=fedal(derivada,x1);
xi1-xi-(fxi/fdxi);
fprintd('it xi Funcion de xi Derivada de xi Error aproximado\n');
fprintf('%2d\t %11.7f\t %11.7f\t %11.7f\t %11.7f\n',i,xi,fxi,fdxi,Ea);
xi=xi1;
i=i+1;
while (Ea>Es)
fxi=feval(formula,xi);
fdx1=feval(derivada,x1);
xi1=xi-(fxi/fdxi);
Ea=abs(((xi1-xi)/xi1)*100);
fprintf('%2d\t %11.7f\t %11.7f\t %11.7f\t %11.7f\n',i,xi,fxi,fdxi,Ea);
xi=xi1;
i=i+1;
end
Other example: https://www.youtube.com/watch?v=KO8vcocUBpo

https://www.youtube.com/watch?annotation_id=annotation_3434608077&feature=iv&src_vi
d=ATt-pSR93zY&v=R2XQ_6UcUnQ Youtube

http://es.slideshare.net/velezmoro123/mtodos-para-resolucion-de-ecuaciones-no-lineales pdf

Métodos numéricos computacionales - Método del punto

fijo
http://mnumfiic.blogspot.pe/2008/02/metodo-del-punto-fijo.html

Division Sintetica
También conocida como la Regla de Ruffini (debida al italiano Paolo Ruffini) nos permite dividir un
polinomio entre un binomio de la forma (x − r) (siendo r un número real). También nos permite
localizar raíces de un polinomio y factorizarlo en binomios de la forma (x − r) (siendo r un número
real).
La regla de Ruffini establece un método para división del polinomio

entre el binomio

para obtener el cociente

y el resto s.

El algoritmo es de hecho una división de dos polinomios (P(x) entreQ(x)).

Para dividir P(x) entre Q(x):

1. Trazamos dos líneas a manera de ejes. Cogemos los coeficientes de P(x) y los escribimos
ordenados. Entonces escribimos r en la parte inferior izquierda del eje, encima de la línea:

2. Pasamos el coeficiente más pegado a la izquierda (an) abajo, justo debajo de la línea para
obtener el primero de los coeficientes b:

3. Multiplicamos el número más pegado a la derecha debajo de la línea por r y lo escribimos sobre la
línea en la primera posición de la derecha:

4. Añadimos los dos valores que hemos puesto en la misma columna:

5. Repetimos los pasos 3 y 4 hasta que no tengamos más números:

Uso del programa metodo de la secante en el Matlab

1. Escribes el nombre del metodo "DivisionSintetica" y le damos enter.

2. El programa te muestra el nombre del metodo "DIVISION SINTETICA" y los valores a

ingresar:

o Ingresas coeficientes..
 o Numero a evaluar.

3. Luego de ingresado los valores requieridos solo tenemos que dar un enter para que corra el
programa nos dice si el numero ingresado es o no una raiz de la funcion dada

Método de bisección
Con este método, como con todos los que se explican en esta pagina, lo que se busca es
determinar la raíz de una ecuación, o sea, su intersección con el eje de las X o su solución, por lo
que se debe tener en cuenta que no todas las ecuaciones tienen una sola solución, y que no todas
tienen solución, así que se debe tener una idea de la forma de la curva de la ecuación antes de
comenzar a aplicar el método

Procedimiento
Es el método más elemental y antiguo para determinar las raíces de una ecuación. Está basado
directamente en el teorema de BolzanoConsiste en partir de un intervalo [x0,x1]tal que f(x0)f(x1) <>
 y y determinamos en qué subintervalo se encuentra la raíz
(comprobando de nuevo el producto de las funciones). Repetimos el proceso hasta alcanzar la
convergencia o bien hasta que se excede el número de iteraciones permitidas , en cuyo caso es
necesario imprimir un mensaje de error indicando que el método no converge.

El punto medio del intervalo se calcula como en lugar de emplear

. Se sigue de este modo una estrategia general al efectuar cálculos numéricos que
indica que es mejor calcular una cantidad añadiendo un pequeño término de corrección a una
aproximación obtenida previamente. Por ejemplo, en un computador de precisión limitada, existen

valores de x0 y x1 para los cuales xm calculado mediante se sale del intervalo [x0,x1].

para a la aplicación del metodo he creado un programa en el software matemático "Matlab V7.01" la
cual nos ayuda a programa los diversos metodos numericos existentes.

Uso del programa metodo de la bisecciçon en el Matlab

1. Escribes el nombre del metodo "biseccion" y le damos enter.

2. El programa te muestra el nombre del metodo "METODO DE LA BISECCION"y los valores a
ingresar:
o Ingresas la Función.
o Ingresas el valor inicial.
o Ingresas el valor final.
o Ingresas el Tolerancia
3. luego de ingresado los valores requieridos solo tenemos que dar un enter para que corra el
programa y obtenga la raiz que se desea y la grafica de función

Método de la falsa posición

Como mencionamos anteriormente, sería bueno considerar si la raíz de una ecuación está
localizada más cerca de alguno de los extremos del intervalo.

Consideremos nuevamente una gráfica como la anterior,

Donde hemos agregado la línea recta que une los puntos extremos de la gráfica en el intervalo

.
Es claro que si en lugar de considerar el punto medio del intervalo, tomamos el punto donde cruza al
eje esta recta, nos aproximaremos mucho más rápido a la raíz; ésta es en sí, la idea central del
método de la regla falsa y ésta es realmente la única diferencia con el método de bisección, puesto
que en todo lo demás los dos métodos son prácticamente idénticos.

Supongamos que tenemos una función que es contínua en el intervalo y además,

y tienen signos opuestos.

Calculemos la ecuación de la línea recta que une los puntos , . Sabemos

que la pendiente de esta recta esta dada por:

Por lo tanto la ecuación de la recta es:

Para obtener el cruce con el eje , hacemos :

Multiplicando por nos da:

Finalmente, de aquí despejamos :

Este punto es el que toma el papel de en lugar del punto medio del método de bisección.
Así pues, el método de la regla falsa sigue los siguientes pasos:
Sea contínua,

i) Encontrar valores iniciales , tales que y tienen signos opuestos, es decir,

ii) La primera aproximación a la raíz se toma igual a:

iii) Evaluar . Forzosamente debemos caer en uno de los siguientes casos:

En este caso, tenemos que y tienen signos opuestos, y por lo tanto la raíz se encuentra

en el intervalo .
En este caso, tenemos que y tienen el mismo signo, y de aquí que y tienen

signos opuestos. Por lo tanto, la raíz se encuentra en el intervalo .

En este caso se tiene que y por lo tanto ya localizamos la raíz.

El proceso se vuelve a repetir con el nuevo intervalo, hasta que:

Uso del programa

Uso del programa Método de la falsa posición en el Matlab:

1. Escribes el nombre del metodo "falsaposicion" y le damos enter.

2. El programa te muestra el nombre del metodo "METODO DE LA FALSA POSICION"y los

valores a ingresar:

o Ingresas la Función.
o Ingresas el valor inicial.
o Ingresas el valor final.
o Ingresas el Tolerancia
3. luego de ingresado los valores requieridos solo tenemos que dar un enter para que corra el
programa y obtenga la raiz que se desea y la grafica de función
Método de la secante
El Método de la secante es un método para encontrar los ceros de una función de forma iterativa.
Es una variación del método de Newton-Raphson donde en vez de calcular la derivada de la función
en el punto de estudio, teniendo en mente la definición de derivada, se aproxima la pendiente a la
recta que une la función evaluada en el punto de estudio y en el punto de la iteración anterior. Este
método es de especial interés cuando el coste computacional de derivar la función de estudio y
evaluarla es demasiado elevado, por lo que el método de Newton no resulta atractivo.

Fórmula
Se define una recurrencia mediante la siguiente fórmula:

Como se puede ver, este método necesitará dos aproximaciones iniciales, para poder inducir una
pendiente inicial.

Uso del programa metodo de la secante en el Matlab

1. Escribes el nombre del metodo "secante" y le damos enter.

2. El programa te muestra el nombre del metodo "METODO DE LA SECANTE"y los valores a
ingresar:
o Ingresas la Función.
o Ingresas el valor inferior.
o Ingresas el valor superior.
 o Ingresas el Tolerancia
3. luego de ingresado los valores requieridos solo tenemos que dar un enter para que corra el
programa y obtenga la raiz que se desea y la grafica de función

Metodo de Newton
En el análisis numérico, el método de Newton (conocido también como el método de Newton-
Raphson o el método de Newton-Fourier) es un algoritmo eficiente para encontrar
aproximaciones de los ceros o raíces de una función real. También puede ser usado para encontrar
el máximo o mínimo de una función, encontrando los ceros de su primera derivada.

Descripción del método

La idea de este método es la siguiente: se comienza con un valor razonablemente cercano al cero
(denominado punto de arranque), entonces se reemplaza la función por la recta tangente en ese valor,
se iguala a cero y se despeja (fácilmente, por ser una ecuación lineal). Este cero será, generalmente,
una aproximación mejor a la raíz de la función. Luego, se aplican tantas iteraciones como se deseen.

Supóngase f : [a, b] -> R función derivable definida en el intervalo real [a, b]. Empezamos con un
valor inicial x0 y definimos para cada número natural n

Obtención del Algoritmo

Tres son las formas principales por las que tradicionalmente se ha obtenido el algoritmo de Newton-
Raphson.

La primera de ellas es una simple interpretación geométrica. En efecto, atendiendo al desarrollo

geométrico del método de la secante, podría pensarse en que si los puntos de iteración están lo
suficientemente cerca (a una distancia infinitesimal), entonces la secante se sustituye por la tangente
a la curva en el punto. Así pues, si por un punto de iteración trazamos la tangente a la curva, por
extensión con el método de la secante, el nuevo punto de iteración se tomará como la abcisa en el
origen de la tangente (punto de corte de la tangente con el eje X). Esto es equivalente a linealizar la
función, es decir, f se reemplaza por una recta tal que contiene al punto ( x0, f (x0)) y cuya pendiente
coincide con la derivada de la función en el punto, f'(x0). La nueva aproximación a la raíz, x1, se logra
la intersección de la función linear con el eje X de ordenadas. Matemáticamente

En la ilustración adjunta del método de Newton se puede ver que xn+ 1 es una mejor aproximación
que xn para el cero (x) de la funciónf.

Una forma alternativa de obtener el algoritmo es desarrollando la función f(x) en serie de Taylor, para
un entorno del punto xn:
Entonces, si se trunca el desarrollo a partir del término de grado 2, y evaluamos en xn + 1:

f(xn + 1) = f(xn) + f'(xn)(xn + 1 − xn)

Si además se acepta que xn + 1 tiende a la raíz, se ha de cumplir quef(xn + 1) = 0, luego, sustituyendo

en la expresión anterior, obtenemos el algoritmo.

Finalmente, hay que indicar que el método de Newton-Raphson puede interpretarse como un método
de iteración de punto fijo. Así, dada la ecuación f(x) = 0, se puede considerar el siguiente método de
iteración de punto fijo:

g(x) = x + h(x)f(x)

Se escoge h(x) de manera que g'(r)=0 (r es la raíz buscada). Dado que g'(r) es:

g'(r) = 1 + h'(r)f(r) + h(r)f'(r) = 1 + h(r)f'(r)

Entonces:

Como h(x) no tiene que ser única, se escoge de la forma más sencilla:

Por tanto, imponiendo subíndices:

Expresión que coincide con la del algoritmo de Newton-Raphson

Figura: Interpr etación geométrica del método de Newt on

para a la aplicación del metodo he creado un programa en el software matemático "Matlab V7.01" la
cual nos ayuda a programa los diversos metodos numericos existentes.

Uso del programa metodos de Newton en el Matlab

1. Escribes el nombre del metodo "Newton" y le damos enter.

2. El programa te muestra el nombre del metodo "METODO DE NEWTON"y los valores a

ingresar:
o Ingresas la Función.
o Ingresas el valor inicial.
o Ingresas el Tolerancia
3. luego de ingresado los valores requieridos solo tenemos que dar un enter para que corra el
programa y obtenga la raiz que se desea y la grafica de función
Metodos de Newton Modificado en Matlab

Mínimos cuadrados
Mínimos cuadrados es una técnica de optimización matemática que, dada una serie de mediciones,
intenta encontrar una función que se aproxime a los datos (un "mejor ajuste"). Intenta minimizar la
suma de cuadrados de las diferencias ordenadas (llamadas residuos) entre los puntos generados
por la función y los correspondientes en los datos
Formulación del problema

Supóngase el conjunto de puntos (xk,yk), siendo , sea una base de m funciones

linealmente independientes fj(x), con . Queremos encontrar una función
, esto es: combinación lineal de las funciones base tal que

Se trata de hallar los m coeficientes cj que hagan que la función aproximante f(x) sea la mejor
aproximación a los puntos (xk,yk). El criterio de mejor aproximación puede variar, pero en general se
basa en aquél que dé un menor error en la aproximación. El error en un punto (xk,yk) se podría
definir como:

ek = yk − f(xk)

En este caso se trata de medir y minimizar el error en el conjunto de la aproximación. Dicho error
podrá ser

Error Medio:

Error Cuadrático Medio:

La aproximación mínimo cuadrada se basa en la minimización del error cuadrático medio o

equivalentemente del radicando del error, el llamado error cuadrático, definido como:

Para llegar a este objetivo, suponemos que la función f es de una forma particular que contenga
algunos parámetros que necesitamos determinar. Por ejemplo, supongamos que es cuadrática, lo

que quiere decir que , donde no conocemos aún a, b y c . Ahora

buscamos los valores dea, b y c que minimicen la suma de los cuadrados de los residuos (S):

Esto explica el nombre de mínimos cuadrados. A las funciones que multiplican a los coeficientes
buscados, esto es, a x2, x y 1, se les conoce con el nombre de funciones base de la aproximación.
Dichas funciones base pueden ser cualesquiera funciones, y para ese caso se deduce a continuación
la fórmula general en el caso de que la aproximación sea discreta y lineal.

La aproximación de mínimos cuadrados es la mejor aproximación al conjunto de puntos (xk,yk),

según el criterio del error mínimo cuadrático. Es posible generar otro tipo de aproximaciones si se
toman los errores máximo o medio, pero la dificultad que entraña operar con ellos debido al valor
absoluto de su expresión hace que apenas se usen.

Deducción geométrica del problema discreto

La mejor aproximación deberá tender a interpolar la función de la que proviene el conjunto de

pares (xk,yk), esto es, deberá tender a pasar exactamente por todos los puntos. Eso supone que se
debería cumplir que:

f(xk) = yk,k = 1,2,...,n

Sustituyendo f(x) por su expresión:

Esto es, se habría de cumplir exactamente un sistema de n ecuaciones y m incógnitas, y como en

general n>m, dicho sistema estaría sobredeterminado, y no tendría solución general. De ahí surge la
necesidad de aproximar. Dicho sistema podría expresarse en forma matricial como:

Esto es: Ac = b

La aproximación trata de hallar el vector c que mejor aproxime el sistema Ac = b.

Con dicho vector c aproximante, es posible definir el vector residuo como:

r = b − Ac

De manera que el mínimo error cuadrático supone minimizar el residuo, definiendo su tamaño en
base a la norma euclídea o usual del residuo:

siendo (r,r)2 el producto interior o escalar del vector residuo sobre sí mismo.

Si etendemos al sistema Ac = b, entonces se ve claramente que al multiplicar A y c, lo que se realiza

es una combinación lineal de las columnas de A:
El problema de aproximación será hallar aquella combinación lineal lo nás cercana posible al vector
b. Se comprueba que el conjunto de las columnas de A engendran un espacio vectorial del que son
base, esto es, que forman un Span lineal: span(A1,A2,...,Am), pero al que el vector b no tiene porqué
pertenecer.

Entonces, de los infinitos vectores del span(A1,A2,...,Am) que son combinación lineal de los vectores
de la base, se tratará de hallar el más cercano al vector b.

Uso del programa Mínimos cuadrados en el Matlab

Escribes el nombre del metodo "Mínimos cuadrados" y le damos enter.

El programa te muestra el nombre del metodo "MINIMOS CUADRADOS" y los valores a ingresar:

o Ingresas primeros datos en forma de vector i:1,2...n.

o Ingresas segundos datos en forma de vector i:1,2...n.

Luego de ingresado los valores requieridos solo tenemos que dar un enter para que corra el
programa nos muestra los coeficientes de la ecuacion que se mas se aproxime a los datos
ingresados sea lineal o exponencial .

EJEMPLO DE COMO SE MUESRA LA IMAGEN EN EL PROGRAMA

A.- PARA EL CASO DE RECTAS
EJEMPLO DE COMO SE MUESRA LA IMAGEN EN EL PROGRAMA
PARA EL CASO DE EXPONENCIALES

para curvas exponenciales de la forma Y =bx^(a).