Libro Oscar Cerón PDF

ESCUELA POLITÉCNICA NACIONAL
Facultad de Ingeniería Eléctrica Métodos Numéricos
M É T O D O S N U M É R I C O S
OBJETIVOS GENERALES:
Desarrollar algoritmos existentes y útiles para la resolución de problemas que se presentan

en el estudio de la Ingeniería.
Propender a la implementación de ciertos algoritmos, que sirven para realizar ejercicios de

aplicación inmediata, mediante el uso de un lenguaje de programación de alto nivel,
aplicado a un micro computador.
1. INTRODUCCIÓN AL ANÁLISIS DE ERRORES
Un algoritmo es un procedimiento que describe sin ninguna ambigüedad, una sucesión

finita de pasos a realizarse en un orden específico.
Para obtener resultados confiables, es necesario imponer criterios que garanticen que el
algoritmo se mueva en un marco de estabilidad.
Así por ejemplo, un criterio que se impone a un algoritmo, es que cambios pequeños en los
datos iniciales, produzcan correspondientemente cambios pequeños en los resultados
finales, llamándose a este tipo algoritmos ESTABLES, lo que implica una acumulación de
error aceptable; mientras que si no se cumple dicho criterio se tienen algoritmos
INESTABLES, los mismos que provocarían una acumulación exagerada del error con la
consecuencia de tener respuestas fuera de la realidad.
Una forma de analizar el tipo de error, que puede provocar un algoritmo, es mediante una
función que detecte el comportamiento de dicho error, esto es a través del cálculo de la
magnitud del mismo en cada proceso numérico.
Así, suponiendo que En representa la función que determina el crecimiento del error
después de n operaciones subsecuentes, se pueden definir los siguientes modelos de
funciones de error:
a) Si: | En | ≈ Cnε, donde C es una constante independiente de n.
Esta expresión señala un crecimiento LINEAL del error.
b) Si: | En | ≈ Knε, para alguna K > 1
En este caso se tiene un crecimiento EXPONENCIAL del error.
Ing. Oscar E. Cerón A. OECA _ 1

| En |
x Crecimiento exponencial
o
x o Crecimiento lineal
o
x o
o
x o
o
ε •
n
1 2 3 4 5 6 ........
Ejemplo: Evaluar la función dada por la expresión, para x = 1.0 y n = 0,1,2, …..
n−1
 x  x x
2
x
3
x 
n
f n ( x) = n!e − 1 + x + + +.......+ + 
  2! 3! (n − 1)! n!  
El razonamiento lógico es que para ∀x ∈ ℜ, el límite de f n ( x ) para n→ ∞ es 0.
Así entonces, una forma de evaluar f n ( x ) viene dada por la siguiente expresión:
  x2 x3 x n −1  x n 
f n ( x ) = n ( n − 1)!e x −  1 + x + + +.......+ −  , donde
  2! 3! ( n − 1)! n! 
n −1
 x  x
2
x
3
x 
f n −1 ( x ) = ( n − 1)!e −  1 + x + + +.......+   , por lo que
  2 ! 3! ( n − 1)! 
n
f n ( x ) = n f n −1 ( x ) − x → n = 1 ,2 . . .
Esta última expresión corresponde al algoritmo para evaluar f n ( x ) .
La tabla que se muestra a continuación, permite ver los valores que va tomando f n ( x )
conforme n va creciendo, mediante el algoritmo correspondiente a la expresión dada y el
valor verdadero.

n ƒn(1) verdadera ƒn(1) algoritmo

0 1,7183 1,7183
1 0,71828 0,71830
2 0,43656 0,43660
3 0,30969 0,30980
. . .
. . .
. . .
9 0,10991 6,7040
10 0,09913 66,040
. . .
↓ ↓ ↓
∞ 0 ∞
Conclusión: A medida que aumenta n, ƒn(1) también aumenta, por lo que se trata de un
algoritmo inestable.
Además se puede deducir que el error depende exclusivamente del algoritmo

y no de las aproximaciones provocadas por la máquina de cálculo.
En general, un proceso numérico involucra errores, que dependerán de la capacidad

numérica de la máquina de cálculo, del cambio de base y del tipo de algoritmo.
Así, se tiene el llamado ERROR POR REDONDEO, originado por la capacidad numérica
de la máquina, lo que implica una representación aproximada de los números enteros o
reales verdaderos.
Además se considera el ERROR POR TRUNCAMIENTO, el mismo que es originado en

parte por el cambio de base en la representación de los números dentro de la máquina y
fundamentalmente debido al modelo del algoritmo.
Una forma de analizar este tipo de errores, es mediante la representación normalizada de

los números reales, conocida con el nombre de ARITMÉTICA REAL, esto es:
exponente
n
± 0.d1d2d3.............dk x 10
base decimal
mantisa
donde: 1 ≤ d1 ≤ 9
0 ≤ di ≤ 9 → i = 2, ......, k
Entonces, cualquier número real positivo Y puede ser normalizado en la siguiente forma:

n
Y = 0.d1d2d3 ......... dkdk+1 dk+2 ......... x10
Ahora, suponiendo que Y esté representado dentro del rango numérico de la máquina,
entonces se pueden presentar los siguientes casos:
n
a) Eliminando los dígitos dk+1 dk+2 ........, se tiene que Y ≈ Y* = 0.d1d2 ...... dkx10 ,
donde se provoca el error por truncamiento.
b) Eliminando los dígitos dk+1 dk+2 ........, una vez que se aplique uno de los criterios
dados a continuación:
(*) Si dk+1 ≥ 5 se agrega 1 a dk → redondeo hacia arriba.

(**) Si dk+1 < 5 se retira dk+1 dk+2 ..... → redondeo hacia abajo.
n
Se ve que: Y ≈ Y* = 0.δ1δ2 ........ δkx10 , donde se presenta error por redondeo.
Ejemplo: Representar π en forma normalizada con 5 dígitos de aproximación.

π = 3.14159265.......... = 0.314159265....... x10
Entonces: 0.31415x10 → presenta un error por truncamiento.

0.31416x10 → presenta un error por redondeo.
El tratamiento de valores numéricos, en lo relativo a una comparación, puede ser hecho en

base a los conceptos de un ERROR ABSOLUTO o de un ERROR RELATIVO.
Así, si Y* es una aproximación de Y, entonces se tiene lo siguiente:
| εa | = | Y - Y* | → ERROR ABSOLUTO
| εr | = | (Y - Y*)/Y | → ERROR RELATIVO
Tomando la forma normalizada de los números reales, el error relativo vendrá dado por:
n n
0. d1d2 ...... d k d k +1 ....×10 − 0. d1d2 ..... d k × 10
|εr | = n , donde
0. d1d2 ........ d k d k +1 .......×10
n−k
0. d k +1d k +2 ....×10 0. d k +1d k +2 ...... −k
|ε r | = n = × 10
0. d1d 2 .....×10 0. d1d 2 ..........
De acuerdo a la última expresión y puesto que d1 ≠ 0, entonces el mínimo valor del

denominador es 0.1, mientras que el numerador está acotado por 1, por lo que se tiene:

1
|εr | ≤ × 10 − k → | εr | ≤ 10 -k+1 → error relativo por truncamiento.
01
.
1
Se puede demostrar también que |εr | ≤ × 10 − k +1 → error relativo por redondeo.
2
n
Sugerencia: Si dk+1 < 5 ⇒ Y* = 0.d1d2 ...... dkx10
n n-k
Si dk+1 ≥ 5 ⇒ Y* = 0.d1d2 ...... dkx10 + 10
Por otro lado, el uso continuo de la aritmética real de redondeo, lleva a la siguiente
proposición:
“ El número Y* aproxima a Y con k CIFRAS O DÍGITOS SIGNIFICATIVOS si k

-k
es un entero positivo, para lo cual: | (Y-Y*)/Y | < 5x10 ”
Así, una aproximación de Y* a Y con 4 cifras significativas, de las cantidades numéricas

propuestas, vendrá dado por:
Y * −1000
a) Y = 1000 ⇒ 〈 5 × 10 − 4 ⇒ 999.5 < Y* < 1000.5
1000
Y * −10000
b) Y = 10000 ⇒ 〈 5 × 10 − 4 ⇒ 9995 < Y* < 10005
10000
c) Y = 5000 ⇒ 4997.5 < Y* < 5002.5
d) Y = 9990 ⇒ 9985.005 < Y* < 9994.995
Para: a) y b) hay una concordancia con la definición de cifras significativas, mientras que
c) y d) puede no corresponder con la idea intuitiva de cifras significativas.
En la siguiente tabla se listan los ejemplos anteriores y otros más considerando la mínima
cota superior de |Y - Y*| denotando por max|Y - Y*|, cuando Y* concuerda con Y en cuatro
cifras significativas, esto es:
Y 0.1 0.5 100 1000 5000 9990 10000

max|Y-Y*| 0.00005 0.00025 0.05 0.5 2.5 4.995 5.0
Finalmente, es posible también estudiar el error desde el punto de vista estadístico, en

razón de que el cálculo del error acumulado al final del proceso es muy complejo (sólo en
ciertos casos puede considerarse como una suma de errores).
Así, la ecuación de transmisión de error viene dado por:

ƒ[xi] = ƒ(x1,x2,x3,........,xn), donde: xi son las variables.
El error de ƒ[xi] debido al error de cada xi viene dado por:
n
∂ f [ xi ]
Error absoluto: ε a = ∑ ε ai
i =1 ∂ xi 0
1 n
∂ f [ xi ]
Error relativo: ε r = ∑ε
[ ]
xi
f xi i =1
ri 0 ∂ xi
0 0
donde: 0
→ valor esperado o más probable.
2. EVALUACIÓN DE UN POLINOMIO Y SUS DERIVADAS EN AR-

GUMENTO REAL
Considerando el polinomio de grado n en la variable x:
n
pn ( x ) = ∑ ai x i = a 0 + a1 x + a 2 x 2 +......+ a n −1 x n −1 + a n x n
i =0
donde: a 0 , a1 , a 2 ,......∈ℜ .
Dicho polinomio puede ser evaluado en xo ∈ ℜ de las siguientes formas:
a) pn ( x ) = a 0 + a123
1 × x0 + a × x × x + a × x 0 × x 0 × x 0 +......+ a n × x 0 ×....× x 0
12 420 430 13 44 2443 1442443
1 2 3 n
El número de operaciones para llegar a evaluar pn ( x ) será:
n ← sumas

 n(n + 1)
1 + 2 + 3 + L + n = 2
← productos
3
x02
678 4x0 4
67 8 647 x0n4
8
n −1
b) pn ( x) = a0 + a1 × x0 + a2 × x0 × x0 + a3 × x0 × x0 +......+an × x0 × x0
2
123 14243 14 4244 3 144244 3
1 2 2 2
donde el número de operaciones será:
n ← sumas

1 + 2 + 2 + L + 2 = 1 + 2(n − 1) = 2n − 1 ← productos
 14 4244
n-1
3

c) p n ( x 0 ) = a 0 + ( a1 + a 2 x 0 + a 3 x 02 + ........+ a n −1 x 0n − 2 + a n x 0n −1 ) x 0
= a 0 + ( a1 + ( a 2 + a 3 x 0 +........+ a n −1 x 0n − 3 + a n x 0n − 2 ) x 0 ) x 0
•
•
= a 0 + ( a 1 + ( a 2 + ( a 3 +........+ ( a n −1 + a n x 0 ) x 0 ) x 0 ) x 0 .......) x 0
n → sumas
para lo cual se requieren : 
n → productos
La última forma de evaluación se le conoce con el nombre de EVALUACIÓN

ENCESTADA, la misma que resulta ser la más adecuada por considerar el menor número
de operaciones.
Aplicando el PROCESO RECURSIVO en la última expresión, se tiene que:
bn = an
bn-1 = an-1 + bnX0
bn-2 = an-2 + bn-1X0
•
•
bi = ai + bi+1X0 → i = (n-1), (n-2), .......,1, 0
•
•
b0 = a0 + b1X0 ≡ pn ( X 0 )
2.1. ALGARITMO DE HORNER
Basado en la técnica de la DIVISIÓN SINTÉTICA de pn(x) ÷(x - X0), por lo tanto:
an an-1 an-2 ai al a0
bn X 0 bn-1 X 0 bi +1 X 0 b2 X 0 b1 X 0 X0
an an-1 + bn X 0 an-2 + bn-1 X 0 ai + bi +1 X 0 al + b2 X 0 a0 + b1 X 0
↓ ↓ ↓ ↓ ↓ ↓
bn bn-1 bn−2 bi b R0 = b0 = residuo
14444444444 24444444444 31
Coeficientes de pn-1( x) ⇒ qn-1( x)
pn ( x) R0
entonces: = qn-1 ( x) + , donde: pn ( x) = ( x - X 0 )qn-1 ( x) + R0
x − X0 x − X0
para: x = X 0 ⇒ pn ( X 0 ) = R0 = b0 = a0 + bl X 0

Repitiendo la división para qn-1(x), se tendrá lo siguiente:
bn bn-1 bn-2 bi b2 b1
cn X 0 cn-1 X 0 ci +1 X 0 c3 X 0 c2 X 0 X0
bn bn-1+cn X 0 bn-2+cn-1 X 0 bi+ci+1 X 0 b2+c3 X 0 b1+c2 X 0
↓ ↓ ↓ ↓ ↓ ↓
cn cn-1 cn−2 ci c R1 = c1 = residuo
14444444444 4244444444444 32
Coeficientes de qn-2 ( x) ⇒ γ n-2 ( x)
qn-1 ( x) R1
donde: = γ n-2 ( x) + → qn-1 ( x) = ( x-X 0 )γ n-2 ( x) + R1
x − X0 x − X0
para: x = X 0 ⇒ qn-1 ( X 0 ) = R1 = c1 = b1 + c2 X 0
Repitiendo consecutivamente el proceso de la división, hasta agotar con el grado del

polinomio, se tendrá lo siguiente:
pn(x) = (x - X0) qn-1(x) + R0 Ec.1
qn-1(x) = (x - X0) γn-2(x) + R1 Ec.2
γn-2(x) = (x - X0) Sn-3(x) + R2 Ec.3
Sn-3(x) = (x - X0)tn-4(x) + R3 Ec.4

.
.
Ahora, sustituyendo Ec.2 en Ec.1: pn(x) = (x - X0) [(x - X0)γ n-2(x) + R1] + R0
= (x - X0)2 γn-2(x) + (x - X0)R1 + R0
derivando: pnI ( x ) = 2( x - X 0 )γ n-2 ( x ) + ( x − X 0 ) 2 γ nI− 2 (x) + R1
para x = X 0 ⇒ pnI ( X 0 ) = q n −1 ( X 0 ) = c1
En general, sustituyendo Ec.2, Ec.3, Ec.4,…………………en Ec.1 se tiene que:
pn ( x ) = ( x - X 0 ) n Rn + ( x − X 0 ) n −1 Rn-1 +................+( x - X 0 ) 2 R2 + ( x - X 0 ) R1 + R0
Derivando sucesivamente esta última expresión y evaluando en x = X0 , se tiene:

pn ( X0 ) = R0
I
pn ( X0 ) = qn-1 ( X0 ) = R1
II
pn ( X0 ) = 2!γ n-2 ( X0 ) = 2! R2
III
pn ( X0 ) = 3!Sn-3 ( X0 ) = 3!R3
IV
pn ( X0 ) = 4!tn-4 ( X0 ) = 4! R4
M
(i)
pn ( X0 ) = i!Ri ⇒ i = 01
, ,........,n
M
( n)
pn ( X0 ) = n!Rn ⇒ Rn = an
n
RESUMEN: Evaluación de pn ( x ) = ∑ ai x i y sus derivadas en X0.
i =0
Entrada: n (grado del polinomio), ai (coeficientes), X0 (argumento real)
Salida: Z k = pn( k ) ( X 0 ) → k = 0,1,....,n
ALGORITMO: Considerar: bn= an
Calcular: Zn = pn( n ) ( X 0 ) = n! a n
Para: k = 0,1,2,................., n-1
Hacer: i = n-1, n-2,................, k
Calcular: bi = ai + bi+1X0
Calcular: Zk = pn( k ) ( X 0 ) = k !bk
2.2. IMPLEMENTACIÓN
Uno de los procedimientos para la implementación del Algoritmo de Horner es a través de

un arreglo matricial, esto es:
A = [ai j ](n+1) (n+2) Matriz de coeficientes
donde: Primera columna: ei-1 = a(i, 1) => i = 1, 2, ........., n+1
Ultima fila: en = a(n+1, j) => j = 2, 3, ........., n+2

Elemento general: ei-1 = a(i, j) = a(i, j-1) + a(i+1,j) X0
donde: j = 2, 3, .........................., n+1
i = n, n-1, ......................, j-1
Evaluación: pn( k −1) ( X 0 ) = ( k − 1)! a ( k ,k +1) ⇒ k = 1, 2,.................., n + 1
j
i 1 2 3 n+2
1 a0 R0 = b0
2 a1 b1 R1 = c1
3 a2 b2 c2
4 a3 b3 c3

i+1 ai bi = ai + bi+1X0 ci = bi + ci+1X0

n-1 an-2 bn-2 cn-2

n an-1 bn-1 cn-1
n+1 an bn = an cn = bn Rn = an
Ejemplo.- Evaluar p4(x) = 2x4- 3x2 + 3x - 4 y sus derivados en Xo = -2
j
i 1 2 3 4 5 6
1 -4 10 = R0
2 3 -7 -49 = R1
3 -3 5 21 45 = R2
4 0 -4 -8 -12 -16 = R3
5 2 2 2 2 2 2 = R4
donde: p4(-2) = R0 =10 y todas las derivadas:
p4I ( −2) = R1 = −49

p4II ( −2) = 2!R2 = −90
p4III ( −2) = 3!R3 = −96
p4IV ( −2) = 4!R4 = 48

n
Ejemplo.- Describir un proceso de almacenamiento de los coeficientes de pn ( x ) = ∑ ai x i
i =0
y de todos los residuos de las divisiones sintéticas, en un vector de longitud
2n+1
a0 1 Coeficientes de pn(x): bi = a(i+1,1) i = 0, 1, 2, .................., n

a1 2
a2 3 Coeficientes de la primera división sintética:
C(2n+1-i) = a(i,1) = a[2(n + 1) - i,1] + a[2(n+1)-i+1,1] Xo i = n+2, n+3, …….,

ai i+1 2n+1
an-2 n-1 Coeficientes de las siguientes divisiones sintéticas:

an-1 n
Para k = 2n, 2n-1, ............................., n+2
an = R n
Rn-1 n+2 Hacer: i = n+2, n+3,..........., k
Rn-2 n+3
Calcular: C(2n+1-i) = a(i, 1) + a(i-1, 1) X0
Residuos de las divisiones sintéticas:

Ri
Ri = a(2n+1 - i , 1) i = 0, 1, 2, ................, n
R2 2n-1 Evaluación de pn(x) y sus derivadas:

R1 2n
R0 2n+1 pn( i ) ( X 0 ) = i ! a ( 2 n +1−i ,1) → i = 0,1,2,........, n
3. SOLUCIÓN DE ECUACIONES DE UNA VARIABLE
Se trata de un búsqueda de raíces, determinando valores de la variable x que satisfagan la

ecuación f(x) = 0.
Una solución de la ecuación se le conoce con el nombre de raíz de f(x) = 0
Los métodos de determinación de raíces se basan en PROCESOS ITERATIVOS, que

consisten en aproximaciones, paso a paso, hacia la raíz de la ecuación.
3.1. MÉTODOS ITERATIVOS DE UNIÓN

Son métodos que se basan en el siguiente procedimiento:

• Valor inicial: x0
• Aproximaciones: x1 = x0 + ε0
x2 = x1 + ε1
.
.
.
xi = xi-1 + εi-1 i = 1, 2, .........hasta que satisfaga cualquier

condición de tolerancia.
Condiciones de tolerancia: xi − xi −1 < ε a
xi − xi −1
< ε r → xi ≠ 0
xi
f ( xi ) < ε f
Se trata de métodos simples, los mismos que garantizan convergencia. Dependen

exclusivamente de una adecuada elección del intervalo donde se encuentra la raíz y de la
condición de tolerancia que se le imponga.
Así, si f(x) es continua en [a, b] y además cumple que f(a)f(b) < 0, entonces ∃S ∈ (a , b) , tal
que f(S) = 0 (Consecuencia del Teorema del Valor Intermedio).
3.1.1. ALGORITMO DE BISECCIÓN
Es un método que divide, repetidamente, en la mitad a los subintervalos de [a, b],

desechando en cada paso la mitad de subintervalo que no contenga la raíz (como es
lógico).
Geométricamente se tiene lo siguiente:
f(x)
f(b)
x3 x4
x
a x1 x2 b
f(a) S (raíz)
Asì: Io = [a, b] → intervalo inicial donde está la raíz (S). Comentario:
Io = b - a → ancho del intervalo inicial.
a +b
x1 = → punto medio del intervalo inicial.
2
f (a ) f ( x1) < 0 ?
 → condición para elección del nuevo intervalo (subintervalo)
f ( x1) f (b) < 0 ? 
I1 = [b = x0, x1] → nuevo intervalo
b−a
I1 = → ancho del nuevo intervalo
2
x 0 + x1
x2 = → punto medio del nuevo intervalo
2
f ( x1) f ( x 2) < 0 ? 
 → condición para elección de otro intervalo
f ( x 2) f ( x 0) < 0 ?
.
.
así sucesivamente hasta un k-ésimo intervalo Ik = [xk-1, xk ], cuyo ancho esta dado por:
b−a
Ik = , el mismo que debe cumplir con una condición de tolerancia.
2k
RESUMEN: Evaluación de f(x) = 0
ENTRADA: [a, b] (intervalo), ε (tolerancia), k (máximo # de iteraciones).
SALIDA : xi (solución aproximada) ∼ S o un mensaje de fracaso.
ALGORITMO: Para: i = 1, 2, ….., k
 xi − 2 = a
Hacer: 
 x i −1 = b
xi −2 + xi −1
Calcular: xi =
2
Probar si: f(xi-2)f(xi) < 0 ⇒ a = xi-2 y b = xi

de lo contrario:
a = xi y b = xi-1

Chequear si: |b - a| < εx ó |f(xi)| < εf
Una forma aproximada de determinar el número de iteraciones que se deben hacer para
que se consiga una aproximación con una tolerancia ε, puede ser obtenido en base a la
siguiente relación:
b−a 1  b − a
Ik = ≤ε ⇒ k≥  ln 
2k ln 2  ε 
donde k representa una cota del número de iteraciones.
Ejemplo: Determinar una raíz (valor aproximado) de la ecuación f(x) = x3 + 4x2 - 10,
mediante Bisección, considerando una tolerancia | εr | < 10-4.
Definición del intervalo: si a = 1 → f(1) = -5

b = 2 → f(2) = 14
Entonces el intervalo: I0 = [1, 2] contiene al menos una raíz de la ecuación.
El cuadro de valores presentado a continuación, muestra los cálculos correspondientes al

proceso iterativo.
Ii xi-1 xi-2 xi f(xi) |εr| = | (xi-xi-1)/xi |

1 a=1.0 b=2.0 x1=1.5 2.375 0.33333
2 1.0 1.5 1.25 -1.79687 0.20000
3 1.25 1.5 1.375 0.16211 0.09090
4 1.25 1.375 1.3125 -0.84839 0.04762
. . . . . .
. . . . . .
12 1.3648 1.3652 1.3650 -0.00396 0.00018
13 1.3650 1.3652 1.3651 -0.00194 8.9421*10-5
donde: x13 = 1.365112305 ≅ S ⇒ f(x13) ≅ 0
Así el valor correcto de S (raíz) con 10 cifras significativas es: 1.365230013.
Entonces x13 tiene una aproximación correcta con 4 CIFRAS SIGNIFICATIVAS.
Por otro lado, calculando el número de iteraciones (k) que llevan a una aproximación de la
raíz con 4 cifras significativas, se tiene que:
1  2 − 1
k≥  ln  ≈ 13 Iteraciones
ln 2  10− 4 

Lo que concuerda con la tabla de valores anterior.
Para el mismo ejemplo, si se quiere una aproximación a la raíz con una tolerancia de 10-5,
entonces:
1  2 − 1
k≥  ln  ≈ 17 Iteraciones
ln 2  10−5 
3.1.2. ALGORITMO DE FALSA POSICIÓN
Conocido también como algoritmo de REGULA FALSI, el mismo que está basado en el
criterio geométrico de la pendiente de la secante.
Entonces geométricamente se tiene:
f(x)
f(b) B
a x1 x2 x3
x
m1 m2 m3 S b
A
f(a)
D raíz
Donde: I0 = [a, b] → intervalo inicial donde hay al menos una raíz
f (b) − f (a ) f (b) − 0
m1 = = → pendiente de la secante AB
b−a b − x1
a f (b) − b f (a )
donde: x1 = → primera aproximación
f (b) − f (a )

f (a ) f ( x1) < 0 ?
 → condición para elección del nuevo intervalo
f ( x1) f (b) < 0 ? 
I1 = [b = x0, x1] → nuevo intervalo
f ( x 0) − f ( x1) f ( x 0) − 0
m2 = = → pendiente de la secante CB
x 0 − x1 x0 − x2
x 0 f ( x1) − x1 f ( x 0)
x2 = → nueva aproximación
f ( x1) − f ( x 0)
f ( x1) f ( x 2) < 0 ? 
 → condición para elección del nuevo intervalo
f ( x 2) f ( x 0) < 0 ?
.
.
.
así sucesivamente hasta un k-ésimo intervalo Ik = [xk-1, xk]
x k −1 f ( x k ) − x k f ( x k −1)
donde: x k +1 =
f ( x k ) − f ( x k −1)
que es una aproximación que debe cumplir con una condición de tolerancia.
En este método es posible obtener un menor número de iteraciones que en el método

anterior. Los modelos de tolerancia para este caso, son los mismos que se aplican siempre,
esto es:
| x k+1 - x k | < εa
x k +1 − x k
< εr
x k +1
| f(xk+1) | < εf

RESUMEN: Evaluación de f(x) = 0
ENTRADA : Intervalo [a, b], tolerancia ε, # máximo de iteraciones k
SALIDA : xi ≅ S ó mensaje de fracaso
ALGORITMO: Para: i = 1, 2, ….., k
 xi − 2 = a
Hacer: 
 x i −1 = b
xi −2 f ( xi −1) − xi −1 f ( xi −2)
Calcular: xi =
f ( xi −1) − f ( xi − 2)
Probar si: f(xi-2)f(xi) < 0 ⇒ a = xi-2 y b = xi

de lo contrario:
a = xi y b = xi-1
Chequear si: |b - a| < εx ó |f(xi)| < εf
Ejemplo.- Determinar una raíz aproximada de la ecuación f(x) = Cos(x) - x, mediante el

algoritmo de Falsa Posición, considerar una tolerancia en la función | εf | < 10-5.
Definición del intervalo: Para a = 0 → f(0) = 1

b = 1 → f(1) = -0.459698
Por lo tanto el intervalo inicial es: I0 = [0, 1]
Aplicando el algoritmo se obtienen los resultados presentados a continuación.
Ii xi-1 xi-2 xi f(xi) | εf |

1 a = 0.0 b = 1.0 x1=0.685073 0.089299 > 10E-5
2 0.685073 1.0 0.736299 0.00466004 > 10E-5
3 0.736299 1.0 0.738945 0.000233926 > 10E-5
4 0.738945 1.0 0.739078 1.17192E-05 > 10E-5
5 0.739078 1.0 0.739085 5.87047E-07 < 10E-5
donde: x5 = 0.7390847824 ≅ S ⇒ f(x5 ) ≅ 0
Así, el valor correcto de S (raíz) con 8 cifras significativas es: 0.73908513…., por lo que x5
tiene una aproximación correcta con 5 CIFRAS SIGNIFICATIVAS.

3.2. MÉTODOS ITERATIVOS DE PUNTO FIJO
Se trata de determinar la solución de una ecuación de la forma: x = g(x)
A una solución de esta ecuación se le conoce como PUNTO FIJO de la función g(x).
Así, si g(x) es continua en [a, b] y además es diferenciable en (a, b), entonces ∃S ∈ (a, b)
tal que:
S = g(S)
Geométricamente se tiene lo siguiente:
y
y=x
g(S)
y = g(x)
x
a S b
Las raíces de f(x) = 0, son las soluciones que corresponden precisamente a los puntos fijos
de x = g(x), puesto que de f(x) se pueden obtener x y g(x), esto es:
f(x) = x - g(x) = 0 ⇒ x = g(x)
El proceso iterativo, en estos métodos, consiste en ir evaluando x varias veces hasta tener
una buena aproximación a la raíz, basándose en la ecuación x = g(x).
Así: * Valor inicial: x0

* Aproximaciones: x1 = g(x0)
x2 = g(x1)
.
.
.
xi = g(xi-1) → i = 1, 2, ….., hasta que se cumpla con una
condición de tolerancia (error).
* Condiciones de Tolerancia: |xi - xi-1| < εa
xi − xi −1
< εr
xi
|xi - g(xi)| < εf

Estos procesos no siempre convergen, por lo que se requiere de alguna condición que en
cierto grado garantice un acercamiento a la raíz. Además la elección de g(x) debe ser tal
que haga la convergencia tan efectiva como sea posible.
Las gráficas presentadas a continuación señalan la convergencia y la no convergencia del

proceso iterativo.
g(xo)
g(x2) y=x
g(S)
g(x1)
y = g(x)
a x0 x2 S x1 b x
(raíz)
g(xo) y=x
g(S)
g(x1)
. y = g(x)
x2 a x0 s x1 b x
(raíz)
3.2.1. CONDICIONES DE CONVERGENCIA EN LOS LÍMITES DEL

INTERVALO
Una iteración i-ésima dada por: xi = S + εi , también: xi − 1 = S + ε i − 1 donde: S es la raíz y

εi la tolerancia.

Es evidente entonces, que para la convergencia, se cumpla con una condición de

acercamiento a la raíz, lo cual se puede expresar, en función de los errores en cada paso
iterativo, de la siguiente forma:
ε i <ε i −1 .... < ε 2 < ε 1 < ε0 condición básica de convergencia.
Por otro lado, debido al criterio de punto fijo, se tiene que: xi = g( xi − 1) , entonces:
S + εi = g ( S + εi − 1) , cuya expansión en SERIES DE TAYLOR de la función g

alrededor de S, viene dada por:
g ,, ( S ) g ,,, ( S )
S + εi = g ( S ) + g , ( S )[( S +ε i −1) − S ] + [( S + εi −1 ) − S ]2 + [( S + εi −1 ) − S ]3 +............
2! 3!
g ,, ( S ) 2 g ,,, ( S ) 3
Sabiendo que se cumple S = g(S), entonces: εi = g , ( S )ε i −1+ ε i −1 + ε i −1 +......
2! 3!
Esta última expresión puede ser sometida a una serie de condiciones, esto es:
Condición N°1 g’(S) ≠ 0
εi-1 pequeño ⇒ ε 2 i −1 , ε 3i −1 ,.... → 0
para lo cual : εi ≅ g ′ ( S )εi −1 donde: εi ≅ g ′ ( S ) εi −1
pero εi < ε i −1 , por lo tanto: εi ≅ g ′ ( S ) εi −1 < εi −1 , donde: g ′ ( S ) 〈 1
Por lo tanto en los valores límites del intervalo (a, b) se tiene que:
a a
g′ ( x) b ≠ 0 y g ′ ( x) b
〈 1 condiciones de convergencia de primer orden
Condición N°2 g’(S) = 0
g’’(S) ≠ 0
εi-1 pequeño
g′ ′ (S ) 2
entonces: εi ≅ ε i −1
2!
1 2!
εi ≅ g ′ ′ ( S ) ε 2 i −1 < ε i −1 , donde: g ′ ′ ( S ) <
2! εi −1
a a a 2
g′ ( x) b = 0 , g′ ′ ( x) b ≠ 0 y g ′ ′ ( x) 〈 condiciones de convergencia de
b
ε
segundo orden.
Condición N°3 g’(S) = g’’(S) =0
g’’’(S) ≠ 0

εi-1 pequeño
g′ ′ ′ (S ) 3
entonces : εi ≅ ε i −1
3!
1 3!
εi ≅ g ′ ′ ′ ( S ) ε 3i −1 < εi −1 , donde: g ′ ′ ′ ( S ) <
3! ε 2 i −1
a a a a 3!
g ′ ( x) b = g ′ ′ ( x) b = 0 , g ′ ′ ′ ( x) b ≠ 0 y g ′ ′ ′ ( x) 〈 condiciones de convergencia
b ε 2
de tercer orden
Así sucesivamente, sin embargo debe señalarse que los procedimientos iterativos que
cumplen con la condición de convergencia de segundo orden son los más adecuados.
3.2.2. ALGORITMO DE PRIMER ORDEN
Se trata de un proceso iterativo de punto fijo que cumple con las condiciones de
convergencia de primer orden.
Es decir que g(x) debe ser definida de manera que por lo menos cumpla con las
a a
condiciones: g ′ ( x ) b ≠ 0 y g ′ ( x) b
〈 1 , puesto que S es desconocido.
RESUMEN: Evaluación de x = g(x) que cumple con las condiciones de convergencia de

primer orden.
ENTRADA: Valor inicial x0 ∈(a , b) , Tolerancia ε, número máximo de

iteraciones k
SALIDA: xi ≅ S o mensaje de fracaso.
ALGORITMO: Para: i = 1, 2, ...., k
Calcular: xi = g(xi-1)
Chequear si: xi − xi −1 < ε x ó f ( xi ) < ε f
Ejemplo: Para la ecuación f(x) = x3 + 4x2 - 10 = 0 que tiene una raíz en [1, 2], definir 5
formas diferentes de g(x) sin probar ninguna condición de convergencia de
primer orden. Asumir para todos los casos x0 = 1.5 y obtener la raíz. Escribir las
conclusiones de acuerdo a los resultados obtenidos.
Definiciones de g(x)

I) x = g1(x) = x - x3 - 4x2 + 10
1/2
 10 
II) x = g2(x) =  − 4 x
 x 
1
III) x = g3(x) =
2
(10 − x 3 )
1/2
1/2
 10 
IV) x = g4(x) =  
 4 + x
x 3 + 4 x 2 − 10
V) x = g5(x) = x −
3x2 + 8 x
la tabla de valores presenta las 5 alternativas de g(x) y los cálculos correspondientes a las
aproximaciones a la raíz
i I II III IV V
0 1,5 1,5 1,5 1,5 1,5
1 -0,875 0,8165 1,28695 1,34840 1,37333
2 6,732 2,9969 1,40254 1,36738 1,36526
3 -469,7 (-8,65)1/2 1,34546 1,36496 1,36523
4 1,03E+08 1,37517 1,35526 1,36523
5 1,36009 1,36523
. . .
. . .
10 1,36541 1,36523
15 1,36522 1,36523
20 1,36523
30 1,36523
Conclusión: Siendo la raíz real S = 1.365230013, las alternativas III, IV y V han dado
excelentes resultados, mientras que el caso I provoca divergencia y el caso
II se torna indefinido.
Así, para el caso (I) → g1(x) = x - x3 - 4x2 + 10
g’1(x) = 1 - 3x2 - 8x ≠ 0 en [a = 1 y b = 2]
pero: x = a = 1.001 → g , 1 (1001

. ) >1
x = b =1.999 → g , 1 (1999
. ) >1
demostrándose que no se cumple con la condición de convergencia de primer orden.

3.2.3. ALGORITMO DE SEGUNDO ORDEN

Se trata de un proceso iterativo de punto fijo que cumple con las condiciones de
convergencia de segundo orden.
Uno de los algoritmos más conocidos y poderosos en la búsqueda de raíces de la ecuación

f(x) = 0 es el llamado ALGORITMO DE NEWTON - RAPHSON, el cual define una
función g(x) que cumple con las condiciones de convergencia de segundo orden.
Así, si f(x) es continua y diferenciable en [a, b] y además siendo xi-1 una buena
aproximación a la raíz S, tal que f ’(xi-1) ≠ 0, entonces f(x) expandida en Series de Taylor
alrededor de S viene dada por:
f ′ ′ ( xi −1 ) f ′ ′ ′ ( xi −1 )
f ( x ) = f ( xi −1 ) + f ′ ( xi −1 )[ x − xi −1 ] + [ x − xi −1 ]2 + [ x − xi −1 ]3 +...
2! 3!
asumiendo además que: x = xi ≅ S, entonces f(S) ≅ f(xi-1) + f ’(xi-1)[xi - xi-1] = 0, donde:
f ( xi −1 )
xi = xi −1 − = g ( xi −1 )
f ′ ( xi −1 )
la última expresión puede ser obtenida de la siguiente gráfica
f(x)
a = xo S
x3 x2 x1 x
f ( x0 ) f ( x0 )
Primera tangente (en x0) → f ′ ( x 0 ) = − → x1 = x 0 − primera aproximación
x1 − x 0 f ′ ( x0 )
f ( x1 ) f ( x1 )
Segunda tangente (en x1) → f ′ ( x1 ) = → x 2 = x1 − segunda aproximación
x1 − x 2 f ′ ( x1 )
Así sucesivamente hasta que se cumpla con un criterio de convergencia.

f ( x)
En general se puede asumir una función de punto fijo de la forma: g ( x ) = x −
f ′ ( x)

la misma que cumple con los criterios de convergencia de segundo orden, como se
demuestra a continuación:
f ( x)
g( x) = x −
f ′ ( x)
[ f ′ ( x )]2 − f ( x ) f ′ ′ ( x ) f ( x ) f ′ ′ ( x )
g ′ ( x) = 1 − =
[ f ′ ( x )]2 [ f ′ ( x )]2
f (S ) f ′ ′ (S )
para: x = S → g′ (S ) = = 0 puesto que f(S) = 0 y f ’(S) ≠ 0
[ f ′ ( S )]2
[ f ′ ( x )]2 f ′ ′ ′ ( x ) f ( x ) + [ f ′ ( x )]3 f ′ ′ ( x ) − 2 f ′ ( x )[ f ′ ′ ( x )]2 f ( x )

También g ′ ′ ( x) =
[ f ′ ( x )]4
f ′ ′ (S )
para: x = S → g′ ′ (S ) = ≠ 0 puesto que f ’(S) y f ’’(S) ≠ 0
f ′ (S )
f ′ ′ (S ) 2
además: g′ ′ (S ) = <
f ′ (S ) ε i −1
La eficacia del algoritmo de Newton - Raphson radica en la buena elección del valor
inicial.
La convergencia es relativamente rápida comparada con los métodos anteriores.
RESUMEN: Evaluación de la ecuación x = g(x) que cumple con las condiciones de

convergencia de segundo orden.
ENTRADA: Valor inicial x0 ∈(a , b) , Tolerancia ε, # max. de iteraciones k.
SALIDA: xi ≅ S o mensaje de fracaso.
ALGORITMO: Para i = 1, 2, ......, k
Chequear si f ’(xi-1) ≠ 0
f ( xi -1 )
Calcular: xi = xi -1 -
f ′ ( xi -1 )
Probar si: xi − xi −1 < ε x ó f ( xi ) < ε f
Ejemplo: Determinar una raíz de la ecuación x = Cos(x) mediante Newton - Raphson,

considerando una tolerancia ε x < 10 −4
y

y=x
y = Cosx
o S π/2 x
En la gráfica se observa que en el intervalo [0, π/2] existe un punto fijo S.
Entonces: f(x) = Cos(x) - x

f ’(x) = -(Sen(x) +1)
Cosxi −1 − xi −1
donde : xi = xi −1 +
Senxi −1 + 1
La tabla de valores presenta los cálculos de las aproximaciones, obtenidas en base al

modelo de la última expresión iterativa.
i xi-1 xi f(xi) | εx |
1 xo = 0 1 -0.45970 1.0
2 1.0 0.75036 -0.018923 0.24964
3 0.75036 0.73911 4.6456E-05 0.011251
4 0.73911 7.39E-01 -2.8473E-10 2.7757E-05
Por tanto: x4 = 0.7390851334 ≅ S → f(x4) ≅ 0
3.2.4. ALGORITMO DE LA SECANTE
Se basa en Newton - Raphson y Falsa Posición. Es un método que de alguna manera evita
la evaluación de f ’(x) en cada aproximación. Además la elección del valor inicial no es tan
crítica.
f ( x ) − f ( x i −1 )
Así, partiendo de: f ′ ( xi −1 ) = lim
x → xi −1 x − x i −1
y asumiendo que: xi-2 es una buena aproximación a la raíz.
f ( xi − 2 ) − f ( xi −1 )
Entonces: x = xi − 2 ⇒ f ′ ( x i −1 ) ≈
x i − 2 − x i −1
f ( x i −1 ) ( xi − 2 − xi −1 ) f ( xi −1 )
puesto que: xi = xi −1 − ⇒ xi = xi −1 − = g ( xi −1 , xi − 2 )
f ′ ( x i −1 ) f ( x i − 2 ) − f ( x i −1 )

La función g ( xi −1 , xi − 2 ) no es continua, por lo que este método realmente no es de punto

fijo, sin embargo cumple con las condiciones de convergencia, esto es: S =g(S) y además
es posible demostrar que:
f ′ ′ (S )
εi ≈ 21 ε ε
f ′ ( S ) i −1 i − 2
f ′ ′ ( s)
ε i ≈ 21 εi −1 εi −2 < ε i−1
f ′ ( s)
f ′ ′ (S) 2
donde: < , condición parecida a la del método de Newton - Raphson.
f ′ (S) ε i−1
Gráficamente se pueden observar las aproximaciones del método de la Secante
f(x)
xo x2 x3
x
S x4 x1
a) Aproximaciones convergentes
f(x)
xo x2 x3 S x1 x
x4
b) Aproximaciones divergentes
Ejemplo: Determinar la raíz de f(x) = Cos(x) - x mediante el método de la Secante,
considerando | εx | < 10-4
Aproximaciones iniciales: xo = 0.5

x1 = π/4
( xi −1 − xi − 2 )(Cosxi −1 − xi −1 )
además: xi = xi −1 −
(Cosxi −1 − xi −1 ) − (Cosxi − 2 − xi − 2 )
donde: f ( xi ) = Cosxi − xi
La tabla de valores presenta los cálculos correspondientes al ejemplo.
i xi f(xi)  εa x 
0 0.5 0.37758
1 π/4 -0.078291 0.2854
2 0.73638 0.0045177 0.04901
3 0.73906 4.5177*10-5 0.002674
4 0.73909 -2.6982*10-8 2.7010*10-5
donde: x4 ≅ S → f(x4) ≅ 0
3.3. SOLUCIÓN DE ECUACIONES POLINOMIALES
Pese a que en el capítulo anterior (Solución de Ecuaciones de una variable) se involucra la

ecuación polinómica, no está por demás hacer un análisis más detallado del modelo
polinomial, en cuanto tiene que ver con el análisis de las características de sus raíces así
como también de la ubicación en el plano complejo y sobre todo el desarrollo de
Algoritmos específicos para determinar dichas raíces.
El análisis se basa en la consideración de la ecuación polinomial del tipo dado por:
n
pn ( x ) = ∑ ai x i = 0 ⇒ {ai } ∈ℜ ∧ a n ≠ 0
i =0
Según el Teorema Fundamental del Algebra, una ecuación polinomial pn(x) = 0 tiene
constantes únicas: γ1, γ2, γ3, ……., γk (reales y/o complejas) y enteros positivos m1, m2, m3,
……, mk, tal que:
∑m
i =1
i = n (grado del polinomio) y además se tiene:
pn ( x ) = a n ( x − γ 1) m1 ( x − γ 2 ) m2 L ( x − γ 2 ) mk = 0
siendo las constantes: γk las raíces de pn(x) = 0 y mk la multiplicidad de la raíz

 a n −1
∑ γ k = − a y
 n
Además se tiene que: 
∏ γ = ( −1) n a o
 k
an
También se ha demostrado que todas las raíces de pn(x) = 0 se hallan localizadas en el

anillo complejo dado por:
a0 ρ + an δ = max a ≠ a
 i 0 { }
≤ x ≤ donde: 
δ + a0 an ρ = max ai ≠ a n{ }
Ejemplo: Determinar el anillo complejo donde se ubican todas las raíces del polinomio
dado por p3 ( x ) = x 3 − 3x 2 + 5x − 2 = 0
δ = max{1, 3, 5} = 5
donde: 
ρ = max{3, 5, 2} = 5
2 5+1
entonces: ≤ x ≤ ⇒ 2
7 ≤ x ≤6
5+ 2 1
6
2/7
Por otro lado, una forma de reducir el área del anillo complejo, es mediante la
manipulación de los coeficientes del polinomio de tal manera que se obtenga un polinomio
normalizado equivalente al original, así dado el polinomio:
pn ( x ) = a n x n + a n −1 x n −1 + K + a1 x + a 0
p ( x) a a a
donde: n = x n + n −1 x n −1 + K + 1 x + 0
an an an an
entonces el polinomio normalizado viene dado por:

ai
q n ( x ) = x n + An −1 x n −1 + K + A1 x + A0 ⇒ Ai = → i = n − 1, n − 2, K ,0
an
dividiendo el polinomio normalizado para la constante hn ,se tiene:
n n −1
qn ( x )  x  A  x A1  x  A0
=   + n −1   + K +  +
h n
 h h  h h n −1  h  h n
A0
considerando: = 1 , entonces:
hn
n n −1
qn ( x)  x  x  x  x
= q n   =   + Bn −1   + K + B1   + 1
h n
 h   h   h  h
 x
 y = h
q n ( y ) = y n + Bn −1 x n −1 + K + B1 x + 1 ⇒ 
 B = Ai → i = n − 1, n − 2, K ,1
 i h n −1
El polinomio q n ( y ) es equivalente al polinomio pn ( x ) , por lo que el anillo complejo

viene dado por:
1 ρ +1  n −1 {
δ = max 1, B , B , K , B
n−2 1 }
≤ y ≤ , donde 
δ +1 1 {
ρ = max Bn −1 , Bn − 2 , K , 1 }
∑ γ k = − Bn −1 y
y además se tiene que: 
∏ γ k = ( −1)
n
Ejemplo: Transformar el polinomio del ejemplo anterior de manera que tenga al

menos una raíz menor que la unidad.
3 2
p3 ( x )  x  3  x 5  x 2
=   −   + 12  − n
h 3
 h h  h h  h h
h 3 = 2
2  2 2
donde: 3 =1 ⇒ h = 2 3
h  1
h = 2
3
δ = max(1, 2.38, 315

. ) = 315
.
por lo que: q3 ( y ) = y 3 − 2.38 y 2 + 315
. y −1 ⇒ 
ρ = max(2.38, 315
. , 1) = 315
.
entonces el anillo complejo vendrá determinado mediante los límites dados por:

1 . +1
315 x
≤ y ≤ ⇒ 0.24 ≤ ≤ 4.15
. +1
315 1 h
Es conveniente tener una idea del tipo de raíces que tiene un polinomio, así, según la
REGLA DE DESCARTES es posible analizar alternativas en cuanto al número de raíces
reales positivas y/o negativas, según el siguiente criterio:
Se procede a ordenar el polinomio, respecto a la potencia de x, en forma ascendente o

descendente, así, considerando:
pn ( x ) = a n x n + a n −1 x n −1 + K + a1 x + a 0
se procede a contar el número de veces que cambia el signo de los coeficientes, siguiendo
un recorrido en el mismo sentido, entonces:
q = # de cambios de signo en pn(x),
q, = # de cambios de signo en pn(-x)
con lo cual se forman los conjuntos de valores pares: (q - r) ≥ 0, 2, …., ≤ q
(q, - r, ) ≥ 0, 2, …., ≤ q,
donde se obtiene: r = # de raíces reales “positivas” de pn(x)
r, = # de raíces reales “negativas” de pn(x)
finalmente se harán todas las combinaciones entre los valores de r y r, para analizar las
alternativas de raíces reales probables que tendrá el polinomio pn(x).
Ejemplo: Analizar las alternativas probables de las raíces reales del polinomio dado por:
p4 ( x ) = x 4 + x 3 − 2 x 2 − 6 x − 4
Puesto que el polinomio está ordenado, entonces: q = 1
además: p4 ( − x ) = x 4 − x 3 − 2 x 2 + 6 x − 4 donde q, = 3
entonces: (1 - r) = 0 ⇒ r=1
(3 - r,) = 0, 2 ⇒ r, = 3, 1
por lo tanto, las alternativas probables serán:
I) 1 raíz real “positiva” y 3 raíces reales “negativas”

II) 1 raíz real “positiva” y 1 raíz real “negativa”

donde la característica común, en las dos alternativas, es que el polinomio tendrá al

menos 1 raíz real “positiva” y 1 raíz real “negativa”.
En efecto, el polinomio descompuesto en sus factores, viene dado por:
p4 ( x ) = x 4 + x 3 − 2 x 2 − 6 x − 4 = ( x + 1)( x − 2)( x 2 + 2 x + 2)
donde se puede confirmar la característica común analizada.
3.3.1. ALGORITMO DE NEWTON - HORNER
Es un método para determinar raíces reales de un polinomio pn(x) → n ≥ 3
Para aplicar este método es conveniente que el polinomio tenga al menos una raíz real y
que el valor inicial xo sea elemento del anillo complejo.
El proceso consta de los siguientes pasos:
x0 → valor inicial
pn ( x 0 ) ∧ pn, ( x 0 ) → evaluación mediante Horner
pn ( x 0 )
x1 = x 0 − , → evaluación mediante Newton
pn ( x 0 )
M
Así sucesivamente se van determinando nuevas aproximaciones a la raíz. Cabe señalar que
el proceso es semi - iterativo, por lo que debe cumplir con una de las condiciones de
parada (condición de error o tolerancia).
n
Por otro lado, si se tiene un polinomio normalizado: pn ( x ) = ∑ ai x i , donde a n = 1 , una
i =0
forma de elegir un valor inicial que esté dentro del anillo complejo, es mediante el análisis
de la característica común, obtenida de aplicar la Regla de Descartes, la misma que
señalará si la raíz real es positiva o negativa, para lo cual se elige el signo correspondiente
en la siguiente relación:
a0
x0 = ±
a1
n
RESUMEN: Evaluación de pn ( x ) = ∑ ai x i = 0 normalizado.
i =0
ENTRADA: Coeficientes ai , Tolerancia ε, # máximo de iteraciones k,

a0
valor inicial x 0 = ±
a1
SALIDA: xi ≅ r o Mensaje de fracaso.
ALGORITMO: Para i = 1, 2, ……, k
Chequear si: pn' ( xi −1 ) ≠ 0 .
pn ( xi −1 )
Calcular: xi = xi −1 − .
pn' ( xi −1 )
Probar si: x i − x i −1 < ε x ó p n ( x i ) < ε p .
Ejemplo: Determinar las raíces reales de la ecuación: x 4 + x 3 − 2x 2 − 6x − 4 = 0 ,

considerar una tolerancia ε p < 10 − 3 .
4
Valor inicial: x 0 = − = −0,6666...
6
Evaluación de p4 ( x 0 ) ∧ p4' ( x 0 ) ≠ 0 mediante HORNER:
i j 1 2 3
1 -4 -0.9876… ← p 4 (−0.666... )
2 -6 -4.5185… -3.1851… ← p4' ( −0.666...) ≠ 0

3 -2 -2.222…. -2.0
4 1 0.3333… -0.3333…
5 1 1 1
Primera aproximación mediante NEWTON:
− 0.9876...
x1 = −0.666...− = −0.9767...
− 3185
. ...
Evaluación de p4 ( x1 ) ∧ p4' ( x1 ) ≠ 0 mediante HORNER:

i j 1 2 3
1 -4 -0.06926… ← p 4 (−0.9767... )
2 -6 -4.02432… -2.9583… ← p4' ( −0.9767...) ≠ 0

3 -2 -2.02271… -1.0914…
4 1 0.02325… -0.9534…
5 1 1 1
− 0.06926...
Segunda aproximación: x 2 = −0.9767...− = −100015
. ...
− 2.9583...
Evaluación de p4 ( x 2 ) ∧ p4' ( x 2 ) ≠ 0
i j 1 2
1 -4 0.000472845 → p 4 ( x 2 ) < 10 −3 → cumple con la tolerancia impuesta
2 -6 -3.999842444 .
3 -2 -1.99984237
4 1 -0.0001576055
5 1 1
Según esto ya no hace falta el cálculo de p4 ( x 2 ) , puesto que el proceso de búsqueda de la

raíz ha terminado.
Por lo tanto: x2 = −1.000157605 es una aproximación a la raíz real.
Si se procede a DEFLACIONAR la ecuación dada, se tiene lo siguiente:
p4 ( x ) = ( x + 1000157606
. )( x 3 − 0.0001576055x 2 − 199984237
. x − 3.999842444).
Repitiendo el proceso anterior para la ecuación cúbica, se tiene:
3.999842444
Valor inicial: x 0 = + = +2.00007...
199984237
.
con lo cual se tiene: p3 ( x 0 ) = −0.0001576055 → p3 ( x 0 ) < 10 −3 .
DEFLACIONANDO nuevamente, se tiene finalmente que:
( x + 1000157606
. )( x − 2.000078858)( x 2 + 1999842394
. x + 1999842419
. ) = 0.
En términos reales, la descomposición en factores de la ecuación es:
p 4 ( x ) = ( x + 1)( x − 2)( x 2 + 2x + 2).

3.3.2. ALGORITMO DE NEWTON - BAIRSTOW
Es un método para determinar raíces reales y/o complejas de un polinomio p n ( x ) → n ≥ 3.

Este método define un FACTOR CUADRATICO de la forma: x 2 − ux − v , cuyas raíces

pueden ser reales o complejas, dependiendo de los valores de u, v.
n
Considerando el polinomio de la forma: p n ( x ) = ∑ a i x i → a n ≠ 0.
i=0
y mediante una división sintética de p n ( x ) para x 2 − ux − v , se tiene lo siguiente:
pn (x) ( x − u)b1 + b0
= q n− 2 (x) + , con lo que
x − ux − v
2
x 2 − ux − v
p n ( x ) = ( x 2 − ux − v ) q n − 2 ( x ) + ( x − u)b1 + b0
donde: q n − 2 ( x ) = b2 + b3 x+ .....+bn − 2 x n − 4 + bn −1 x n − 3 + bn x n − 2
así, reemplazando q n− 2 ( x ) en p n ( x ) , se tiene que:
p n ( x ) = (b0 − ub1 − vb2 ) + (b1 − ub2 − vb3 ) x + ...+ (bn − 2 − ubn −1 − vbn ) x n − 2 + (bn −1 − ubn ) x n −1 + bn x n
según lo cual se obtienen las siguientes relaciones recursivas:
bn = a n
bn −1 = a n −1 + ubn
bn − 2 = a n − 2 + ubn −1 + vbn
M
b j = a j + ub j +1 + vb j + 2 → j = n − 2, ... ,0
M
b1 = a1 + ub2 + vb3 = f ( u, v )
b0 = a 0 + ub1 + vb2 = g ( u, v )
Entonces el método para la obtención de raíces reales y/o complejas, consiste en

determinar valores de u ∧ v tales que hagan que b1 ∧ b0 sean iguales a cero, con lo que:
p n ( x ) = ( x 2 − ux − v ) q n − 2 ( x ).
 f ( u, v ) = 0
Por lo tanto debe resolverse el sistema de ecuaciones: 
 g ( u, v ) = 0
Para resolver el sistema de ecuaciones se usa el ALGORITMO DE NEWTON en 2

variables dado por el siguiente desarrollo:
Si f ( u, v ) ∧ g ( u, v ) son funciones continuas y diferenciables en el intervalo [ a , b] y
además sean ui −1 ∧ v i −1 buenas aproximaciones a las raíces s ∧ t respectivamente, tales
que f `( ui −1 , v i −1 ) ∧ g`( ui −1 , v i −1 ) ≠ 0 , entonces la expansión en series de Taylor de las
funciones f ( u, v ) ∧ g ( u, v ) alrededor del punto (s, t) viene dada por:

 ∂f ∂f
 f (u, v ) = f (ui −1 , vi −1 ) + [u − ui −1 ] + [ v − v i −1 ] + L
 ∂u i −1
∂v i −1

 g ( u, v ) = g ( u , v ) + ∂ g [u − ui −1 ] +
∂g
[ v − v i −1 ] + L
 i −1 i −1
∂u ∂v
 i −1 i −1
∂ f ∂ ∂ f ∂
 = f (ui −1 , vi −1 )  = f (ui −1 , vi −1 )
∂ u i −1
∂u ∂v i −1
∂v
donde:  además: 
∂ g =
∂
g (ui −1 , vi −1 ) ∂ g =
∂
g (ui −1 , vi −1 )
∂u ∂u ∂v ∂v
 i −1  i −1
 u = ui ≈ s
Por otro lado considerando:  , entonces:
 v = vi ≈ t
 ∂f ∂f
 f ( s, t ) = 0 ≈ f (ui −1 , vi −1 ) + (ui − ui −1 ) + (vi − vi −1 )
 ∂u i −1
∂ v i −1

 g ( s, t ) = 0 ≈ g ( u , v ) + ( u − u ) ∂ g + (vi − vi −1 )
∂g


i −1 i −1 i i −1
∂u i −1
∂ v i −1
−1
∂ f ∂f 
 
 ui   ui −1   ∂ u i −1 ∂ v i −1  f (ui −1 , vi −1 )
donde:   = −  
 vi   vi −1   ∂ g ∂g   g (ui −1 , vi −1 ) 
{ 123   144244 3
Wi Wi − 1
 ∂ u i −1 ∂ v i −1 H (Wi −1 )
144 42444 3
Ji−−11
entonces: Wi = Wi −1 − J i−−11 H (Wi −1 ) → ecuación matricial iterativa de punto fijo de

segundo orden, conocido como NEWTON en 2
variables. J : Jacobiano.
Ahora, derivando las expresiones de b j , dentro de un proceso iterativo, se tiene que:

∂ bn
=0
∂u i −1
∂ bn −1
= bn
∂u i −1
∂ bn − 2 ∂ bn −1
= bn( i−−11) + ui −1
∂u i −1
∂u i −1

∂ bn − 3 ∂ bn − 2 ∂ bn −1
= bn(i−−21) + ui −1 + vi −1
∂u i −1
∂u i −1
∂u i −1
M
∂ bj ∂ b j +1 ∂ b j +2
= b (j i+−11) + ui −1 + vi −1 → j = n − 3,....,0
∂u i −1
∂u i −1
∂u i −1
M
 ∂ b1 ∂ b2 ∂ b3 ∂f
 = b2(i −1) + ui −1 + vi −1 =
∂u i −1
∂u i −1
∂u i −1
∂u i −1

 ∂ b0 =b ( i −1)
+ ui −1
∂ b1
+ vi −1
∂ b2
=
∂g
∂u 1
∂u ∂u ∂u
 i −1 i −1 i −1 i −1
∂ bn ∂ bn −1
También : = =0
∂v i −1
∂v i −1
∂ bn − 2
= bn
∂v i −1
∂ bn − 3 ∂ bn − 2
= bn(i−−11) + ui −1
∂v i −1
∂v i −1
∂ bn − 4 ∂ bn − 3 ∂ bn − 2
= bn( i−−21) + ui −1 + vi −1
∂v i −1
∂v i −1
∂v i −1
M
∂ bj ∂ b j +1 ∂ b j +2
= b (j i+−21) + ui −1 + vi −1 → j = n − 4,....,0
∂v i −1
∂v i −1
∂v i −1
M
 ∂ b1 ∂ b2 ∂ b3 ∂f
 = b3( i −1) + ui −1 + vi −1 =
∂v i −1
∂v i −1
∂v i −1
∂v i −1

 ∂ b0 = b2( i −1) + ui −1
∂ b1
+ vi −1
∂ b2
=
∂g
 ∂v ∂v ∂v ∂ v
 i −1 i −1 i −1 i −1
cambiando de variables, se tiene :
∂ bn −1
= cn = bn = a n
∂u i −1
∂ bn − 2
= cn( i−−11) = bn( i−−11) + ui −1cn
∂u i −1

∂ bn − 3
= cn( i−−21) = bn(i−−21) + ui −1cn( i−−11) + vi −1cn
∂u i −1
M
∂ b j −1
= c (ji −1) = b (j i −1) + ui −1c (ji+−11) + vi −1c (ji+−21) → j = n − 2, n − 3,....,1
∂u i −1
M
∂ b1 ∂f
= c2(i −1) = b2( i −1) + ui −1c3( i −1) + vi −1c4(i −1) = → Ec. 1
∂u i −1
∂u i −1
∂ b0 ∂g
= c1( i −1) = b1( i −1) + ui −1c2(i −1) + vi −1c3( i −1) = → Ec. 2
∂u i −1
∂u i −1
∂ bn − 2
También, y puesto que : = bn = a n , entonces :
∂v i −1
∂ bn − 2
= cn = bn = a n
∂v i −1
∂ bn − 3
= cn( i−−11) = bn(i−−11) + ui −1cn
∂v i −1
∂ bn − 4
= cn( i−−21) = bn(i−−21) + ui −1cn( i−−11) + vi −1cn
∂v i −1
M
∂ b j −2
= c (ji −1) = b (j i −1) + ui −1c (ji+−11) + vi −1c (ji+−21) → j = n − 2, n − 3,....,2
∂v i −1
M
∂ b1 ∂f
= c3(i −1) = b3(i −1) + ui −1c4( i −1) + vi −1c5( i −1) = → Ec. 3
∂v i −1
∂v i −1
∂ b0 ∂g
= c2( i −1) = b2( i −1) + ui −1c3(i −1) + vi −1c4( i −1) = → Ec. 4
∂v i −1
∂v i −1
Por lo tanto, reemplazando las expresiones Ec.1, Ec.2, Ec.3 y Ec.4 en la ecuación matricial
iterativa de punto fijo de NEWTON, se tiene lo siguiente:
−1
 ui   ui −1   c2(i −1) c3(i −1)   b1(i −1) 
  =   −  (i −1)   
 vi   vi −1   c1 c2(i −1)   b0(i −1) 

 c2( i −1) b1( i −1) − c3( i −1) b0( i −1)

ui = ui −1 −
 ∆J (i −1)
 c b1 − c2( i −1) b0( i −1)
( i −1) ( i −1)
donde: vi = vi −1 + 1
 ∆J (i −1)

[ ]
( i −1) 2
∆J (i −1) = c2 − c1( i −1) c3( i −1)

El proceso iterativo avanzará hasta que se cumpla con una condición de tolerancia, como:
ui − ui −1 
 b1(i −1) 
ui − ui −1  ui  f (ui , vi ) 
〈ε , 〈ε , 〈ε , 〈ε
vi − vi −1 
a r H b
vi − vi −1  g (ui , vi )  b0(i −1) 
vi 

así, el polinomio toma la siguiente forma:
pn ( x ) = ( x 2 − ui x − vi )q n( i−−21) ( x ) , donde:
q n(i−−21) ( x ) = b2( i −1) + b3( i −1) x + b4( i −1) x 2 + K + bn( i−−11) x n − 3 + bn(i −1) x n − 2
Entonces qn-2(x) es un polinomio obtenido de la deflación de pn(x) a través del factor

cuadrático (x2 - ui x - vi).
Por otro lado, si pn(x) = 0 entonces para el caso de raíces complejas, el factor cuadrático
tendrá la forma dada por:
( x − α + jβ )( x − α − jβ )
u = 2α
donde: x 2 − 2αx + (α 2 + β 2 ) ⇒ 
v = −α − β
2 2
Además una aproximación inicial de (u0, v0) debe ser lo más cercana a (s, t)
n
RESUMEN: Evaluación de la ecuación pn ( x ) = ∑ ai x i = 0
i =0
ENTRADA: Coeficientes ai, Aproximación inicial (u0, v0), Tolerancia ε, #

máximo de iteraciones k.
SALIDA: (ui, vi) ≅ (s, t) ó Mensaje de fracaso.
ALGORITMO:

Para i = 1, 2, ...., k
Considerar: cn(i −1) = bn( i −1) = a n
bn(i−−11) = a n −1 + ui −1bn(i −1)
cn( i−−11) = bn( i−−11) + ui −1cn( i −1)
Hacer: j = n − 2, n − 3,K ,0
Calcular: b (j i −1) = a j + ui −1b (j i+−11) + vi −1b (j i+−21)
Hacer: j = n − 2, n − 3,K ,1
Calcular: c (ji −1) = b (j i −1) + ui −1c (ji+−11) + vi −1c (ji+−21)
Chequear si: ∆J (i −1) = c2( i −1) [ ] 2

− c1(i −1) c3( i −1) ≠ 0
1
Calcular: ui = ui −1 − [
c (i −1) b1( i −1) − c3( i −1) b0( i −1)
∆J (i −1) 2
]
1
v i = vi −1 + [
c ( i −1) b1( i −1) − c2( i −1) b0(i −1)
∆J ( i −1) 1
]
Probar si: ui − ui −1 ∧ v i − vi −1 〈 εW o
f (ui , vi ) ∧ g (ui , vi ) 〈 ε H
Ejemplo: Determinar las raíces del polinomio p3(x) = x3 - x2 + x - 2 = 0 mediante el

Algoritmo de Newton - Bairstow, considerar (u0, v0) = (0.5, -1.5) y una
tolerancia εH < 10-3.
coeficientes: c3 = b3 = a3 = 1
a2 = - 1, a1 = 1, a0 = - 2
b2( i −1) = a 2 + ui −1b3 c2(i −1) = b2( i −1) + ui −1c3

entonces: b1( i −1) = a1 + ui −1b2( i −1) + vi −1b3 c1(i −1) = b1(i −1) + ui −1c2(i −1) + vi −1c3
b0( i −1) = a 0 + ui −1b1(i −1) + vi −1b2(i −1)
 c2( i −1) b1( i −1) − c3( i −1) b0( i −1)

ui = ui −1 −
 ∆J (i −1)
 c1(i −1) b1( i −1) − c2( i −1) b0( i −1)
además: vi = vi −1 +
 ∆J (i −1)

[ ]
( i −1) 2
∆J (i −1) = c2 − c1( i −1) c3( i −1)

Por lo tanto, el resumen de cálculos se presenta en la siguiente tabla:

i b2(i-1) C2(i-1) b1(i-1) b0(i-1) C1(i-1) ∆J(i-1) µi υi

0 - - - - - - 0,5 -1,5
1 -0,5 0,0 -0,75 -1,625 -2,25 2,25 -0,22222 -0,75000
2 -1,22222 -1,44444 0,52160 -1,19925 0,09259 1,99383 -0,44582 -1,59458
3 -1,44582 -1,89164 0,05000 0,28319 -0,70125 4,27956 -0,35755 -1,47760
4 -1,35755 -1,71510 0,00779 0,00313 -0,85657 3,79814 -0,35321 -1,47794
5 -1,35321 -1,70641 0,00002 -0,00004 -0,87521 3,78706 -0,35321 -1,47797
u5 = −0.35321 ≈ s
Entonces:
v5 = −147797
. ≈ t
Así: p3(x) = (x2 + 0.35321x + 1.47797)(x - 1.35321) → r1 = - 0.17660 + j1.20282

r2 = - 0.17660 - j1.20282
r3 = 1.35321
3.3.3. EVALUACIÓN DE POLINOMIOS Y SUS DERIVADAS EN AR-

GUMENTO COMPLEJO
Como una consecuencia del método Newton - Bairstow, se pueden evaluar polinomios y
sus derivados en argumento complejo.
Así, considerando el argumento complejo de la forma: δ = α + jβ, entonces se pueden tener

cualquiera de las siguientes alternativas:
1) Si: δ = r (raíz del polinomio pn(x)) → b1 = b0 = 0
2) Si: δ ≠ r → b1 ∧ b0 ≠ 0
Además si se forma un factor cuadrático cuyas raíces sean α ± jβ, entonces mediante el
criterio de la división sintética, se tiene lo siguiente:
pn(x) = (x2 - ux - ν)qn-2(x) + b1(x - u) + b0
donde: pn(δ) = b1(δ - u) + b0 = b1(α + jβ - 2α) + b0 → δ = α + jβ

u = 2α
pn(δ) = (b0 - αb1) + jβb1
Por otro lado, siendo:

pn(x) = (x2 - ux - ν)qn-2(x) + (x - u)b1 + b0, entonces:
p’n(x) = (2x - u)qn-2(x) + (x2 - ux -ν)q’n-2(x) + b1, donde:
qn-2(x) = (x2 - ux - ν)θn-4(x) + (x - u)c3 + c2
por lo que si δ es raíz del factor cuadrático (x2 - ux - ν), entonces:
p’n(δ) = (2δ - µ) [(δ - µ)c3 + c2] + b1
p’n(δ) = (b1 - 2β2c3) + j(2βc2 - 2αβc3)
Ejemplo: Evaluar el polinomio p3(x) = x3 - 6x2 + 11x - 6 y su derivada en δ = 3 - j4.
donde: α = 3 µ = 2α = 6
β = -4 v = - α2 - β2 = -25
además: c3 = b3 = a3 = 1
a2 = -6
a1 = 11
a0 = -6
entonces: b2 = a2 + µb3 = - 6 + 6*1 = 0
c2 = b2 + µc3 = 0 + 6*1 = 6
también: b1 = a1 + µb2 + vb3 = -14
b0 = a0 + µb1 + vb2 = -90
por lo tanto, reemplazando los valores obtenidos en las fórmulas del polinomio y su
primera derivada, se tiene respectivamente lo siguiente:
p3(3 - j4) = (b0 - 3b1) - j4b1
= (-90 - 3(-14)) - j4(-14) = - 48 + j56
p’3(3 - j4) = (b1 - 2(-4)2c3) + j(2(-4)c2 - 2(3)(-4) c3)
= (-14 - 32) + j(-48 + 24) = - 46 - j24
4. SOLUCIÓN DE SISTEMA DE ECUACIONES

Se han desarrollado métodos directos para la solución de sistemas lineales, y métodos

iterativos para la solución de sistemas tanto lineales como no lineales.
Un sistema lineal de ecuaciones viene expresado en la siguiente forma:
E1: a11 x1 + a12 x2 + ....... + a1n xn = b1

E2: a21 x1 + a22 x2 + ....... + a2n xn = b2
:
:
En: an1 x1 + an2 x2 + ....... + ann xn = bn
En un sistema lineal, es posible aplicar una secuencia de operaciones que permitan

transformar al sistema original en otro que contenga el mismo conjunto de soluciones.
Las operaciones básicas, pueden ser las siguientes:
→ (λ Ei) → (E’i) ⇒ λ ≠ 0
→ (Ei + λEj) → (E’i)
→ (Ei) ↔ (Ej) → (E’i)
En forma matricial, un sistema lineal viene dado por:
 a11 a12 ........ a1n   x1   b1 

    
 a 21 a 22 ........ a 2 n   x 2   b2 
=
M  M  M 
    
 a n1 a n 2 ........ a nn   x n   bn 
14444244443 { {
A X B
donde: AX = B ⇒ A es una matriz cuadrada (#ecuaciones = # incógnitas)

X es un vector de incógnitas
B es un vector de términos independientes (B ≠ ∅ para solución única)
Por otro lado un sistema no lineal, viene expresado en la siguiente forma:
f1(x1, x2, ....... ,xn) = 0

f2(x1, x2, ....... ,xn) = 0
.
.
fn(x1, x2, ........ ,xn) = 0
F(X) = ∅
donde: f1, f2, ......., fn se llaman funciones coordenadas de F.
4.1. MÉTODOS DIRECTOS PARA LA SOLUCIÓN DE UN SISTE-

MA DE ECUACIONES LINEALES

Son métodos que proporcionan una respuesta en un número fijo de pasos y se hallan
sujetos fundamentalmente a errores de redondeo.
4.1.1. ALGORITMO DE ELIMINACIÓN GAUSSIANA
Es un método a través del cual se consigue triangularizar el sistema lineal, obteniéndose:
E1, : a11, x1 + a12, x 2 + L + a1, n x n = b1,

E 2, : ,
a 22 x 2 + L + a 2, n x n = b2,
M
E n, : ,
a nn x n = bn,
Por lo tanto el sistema original: AX = B se transforma en AºX = Bº , donde:
Aº es una matriz triangular superior.
El proceso de triangularización paso a paso es el siguiente:
k = 0 → Sistema original: n filas (i) y n columnas (j)
 a110 a120 a130 L a10n   x   b10  ← E10 

 0  1    
0 0
 a 21 a 22 a 23 L a 20n   x 2   b20  ← E 20 
 0    
0 0
 a 31 a 32 a 33 L a 30n   x 3  =  b30  ← E 30 
 
M  M   M  M 
 0    0  
a 0 
  x n   bn  ← E n0 
0 0
 n1 a n 2 a n 3 L a nn

k = 1 → Eliminación de la primera columna (j = 1) a partir de la segunda fila (i = 2, 3, … )
 a110 a120 a130 L a10n   x   b10  ← E10 

  1    
 0 a 22
1 1
a 23 L a 21n   x 2   b21  ← E 21 
    
Para: a110 ≠ 0  0 a 32
1 1
a 33 L a 31n   x 3  =  b31  ← E 31 
 
M  M  M  M 
     
 0 a1 1 
 a n 3 L a nn   x n   bn1 
1
← E n1 
n2 
  a0  
donde:  E i0 −  i01  E10  →
 a11  
[E ]1
i para i = 2, 3, …., n

k = 2 → Eliminación de la segunda columna (j = 2) a partir de la tercera fila (i = 3, 4, … )

 a110 a120 a130 L a10n   x   b10  ← E10 

  1    
1
 0 a 22 a 23
1
L a 21n   x 2   b21  ← E 21 
    
0
Para: a 22 ≠0  0 0 a 332
L a 32n   x 3  =  b32  ← E 32 
 
M  M  M  M 
     
 0 2 
 0 a n23 L a nn   x n   bn2  ← E n2 

  a1  
donde:  E i1 −  i12  E 21  →
 a 22  
[E ]
i
2
para i = 3, 4, …., n

Así, sucesivamente hasta completar con toda la triangularización del sistema lineal, esto
es:
 a110 a120 a130 L a10n   x   b10  ← E10 

  1    
1
 0 a 22 a 23
1
L a 21n   x 2   b21  ← E 21 
    
Para: a kkk−1 ≠ 0  0 0 a 332
L a 32n   x 3  =  b32  ← E 32 
  
M  M  M  M
     
 0 n −1  
 0 0 L a nn   x n   bnn −1  ← E nn −1 

  a k −1  
donde:  E ik −1 −  ikk −1  E kk −1  →
 a kk 
[E ]
i
k
para: k = 1, 2, ….., n-1
 
i = k+1, k+2, ….., n
Ahora haciendo una sustitución hacia arriba, se tiene lo siguiente:
1
xn = n −1
(bnn −1 )
a nn
1
x n −1 = n − 2 (bnn−−12 − a nn−−12,n x n )
a n −1,n −1
1
xn−2 = n − 3 (bnn−−23 − a nn−−23,n −1 x n −1 − a nn−−23,n x n )
a n − 2 ,n − 2
.
.
.
1 n
xi = i −1
aii
(bii −1 − ∑a
j = i +1
i −1
ij xj) → para i = n-1, n-2, ….., 1
 k −1  aikk−1  k −1 
Finalmente, según la expresión:  E i −  k −1  E k  →
 a kk 
[E ]
i
k
 
se deducen las siguientes expresiones válidas:

 a k −1  
aijk = aijk −1 −  ikk −1  a kjk−1  k = 1, 2,L , n − 1
 a kk  
 donde: i = k + 1,L , n
k −1
 aik  k −1 
k −1
bi = bi −  k −1  bk 
k
j = k ,L , n
 a kk  
RESUMEN: Solución de un Sistema Lineal AX = B
ENTRADA: n (# de ecuaciones = # de incógnitas), aij (coeficientes), bi

(términos independientes)
SALIDA: x1, x2, ….., xn ó mensaje de que el sistema lineal no tiene

solución única.
ALGORITMO: Considerar: A = (a ij0 ) n*n

B = (bi0 ) n*1
Para: k = 1, 2, ….., n-1
Probar sí: a kkk−1 ≠ 0
Hacer: i = k+1, k+2, ….., n
Hacer: j = k, k+1, ….., n
 a k −1 
Calcular: aijk = aijk −1 −  ikk −1  a kjk−1
 a kk 
 a k −1 
bik = bik −1 −  ikk −1  bkk −1
 a kk 
1
Calcular: x n = n −1
(bnn −1 )
a nn
Para: i = n-1, n-2, ….., 1
1 n
Calcular: xi =
aiii −1
(bii −1 − ∑a
j = i +1
i −1
ij xj)
Ejemplo: Resolver el sistema lineal, mediante Eliminación Gaussiana, usando aritmética

de redondeo a 2 cifras significativas.
4x1 + x2 + 2x3 = 9
2x1 + 4x2 - x3 = -5

x1 + x2 - 3x3 = -9
 4 1 2   x1   9 
    
Donde:  2 4 −1  x 2  =  −5
    
 1 1 −3  x 3   −9
14243 { {
A X B
Considerando la matriz ampliada (AB) = C y efectuando operaciones consecutivas, se

tiene lo siguiente:
4 1 2 M 9 
  ← E10
 M 
  a0  0 
C0 = 2 4 − 1

M − 5

→ [E ] = E
1
2
0
2 −  21  E1 
 a110  
M  

    a0  0 
1 1 − 3 M − 9
[ ]
→ E 31 =  E 30 −  31  E1 
 a110  

144444244444 3
primera eliminacion
4 1 2 M 9

 
 M  ← E10
C1 =  0 35
. − 2 M − 9.5 ← E 21
 
 M    a1  1 

0 0.75 − 35

. M − 11  [ ]
→ E 32 =  E 31 −  321  2
 a 22
E
 

144444244444 3
segunda eliminacion
4 1 2  M 9
 
  M ← E10
C2 = 0 . − 2 M − 9.5
35 ← E 21
 
 M  ← E 32
  12
4 43
0 0 − 31
. M−9  tercera eliminacion
1 2
entonces: x 3 = 2
(b3 ) = 1
−3.1 ( −9) = 2.9
a 33
1 1
x2 = 1
(b2 − a 23
1
x3 ) = 1
3.5 ( −9.5 + 2(2.9)) = −11
.
a 22

1 0
x1 = (b1 − a120 x 2 − a130 x 3 ) = 41 (9 − ( −11
. ) − 2(2.9)) = 11
.
a110
 1
 
La solución exacta del sistema es: X =  − 1
 
 3
4.1.2. ALGORITMO DE GAUSS - JORDAN
Es un método basado en el de Eliminación Gaussiana. La matriz A es transformada en

matriz identidad, obteniéndose lo siguiente:
E1′: x1 = b1′
E 2′ : x 2 = b2′
M
E n′ = x n = bn′
donde: AX = B ⇒ A’X = B’ → A’ = I
Asumiendo el sistema original como sigue:
 a110 a120 L a10n Mb10   C110 C120 L C10n M C1( n +1) 

0
 0 0 0 0
  0 0

 a 21 a 22 L a 2 n Mb2   C21 C220 L C20n M C2 ( n +1) 
 M ≡   = C0
M M M  M M M M
 0   0 
L Cnn0 M Cn ( n +1) 
0
 a n1 a n02 0 0
L a nn Mbn   Cn1 Cn02
Entonces: Para k = 1 → Normalización de la primera fila (i = 1) con C110 ≠ 0
 1 C121 L C11n M C1( n +1) 

1
 0 0

 C21 C220 L C20n M C2 ( n +1) 
 M M M M 
 0 
L Cnn0 M Cn ( n +1) 
0
 Cn 1 Cn02
C10j
donde: C11j = para: j = 1, 2 , ..., n+1
C110
• Eliminación de elementos de la primera columna (j = 1) excepto el elemento de

la primera fila (i = 1)

 1 C121 L C11n M C1( n +1) 

1
 1 1

 0 C22 L C21n M C2 ( n +1) 
M  = C1
M M M
 
L Cnn M Cn ( n +1) 
1 1 1
 0 Cn 2
donde: Cij1 = Cij0 − C11j Ci01 para: i = 2 , 3, ..., n

j = 1, 2, …, n+1
Para k = 2 → Normalización de la segunda fila (i = 2) con C220 ≠ 0
 1 C121 L C11n M C11( n +1) 

 2 2

 0 1 L C2 n M C2 ( n +1) 
M M M M 
 1 1 1

 0 Cn 2 L Cnn M Cn ( n +1) 
C21 j
donde: C22 j = 1 para: j = 2 , 3, ..., n+1
C22
• Eliminación de elementos de la segunda columna (j = 2) excepto el

elemento de la segunda fila (i = 2)
1 0 L C12n M C1( n +1) 

2
 
0 1 L C22n M C22( n +1) 
M  = C2
M M M
 
0 L Cnn2 M Cn ( n +1) 
2
0
donde: Cij2 = Cij1 − C22 j Ci12 para: i = 1, 3, 4 , ..., n

j = 2, 3, …, n+1
Así, sucesivamente hasta completar con la eliminación de elementos.
En general se tiene lo siguiente:
Para: k = 1, 2, ...., n con Ckk( k −1) ≠ 0
Ckj( k −1)
→ Normalización: C kj
(k )
= → j = k, k+1, ...., n+1
Ckk( k −1)
→ Eliminación: Cij
(k )
= Cij( k −1) − Ckj( k ) Cik( k −1) → i = 1, 2, 3, ...., n ( i ≠ k)
j = k, k+1, ...., n+1
Además: xi = Ci((nn)+1) → i =1, 2, ...., n
Cabe señalar que este método requiere de un mayor número de operaciones, respecto al de
Eliminación Gaussiana, por lo que los errores de aproximación serán mayores.
RESUMEN: Solución de un sistema lineal AX = B
ENTRADA: n (#de ecuaciones = # de incógnitas), Cij (Coeficientes de matriz

aumentada).
SALIDA: x1, x2, ...., xn o Mensaje de que el sistema lineal no tiene solución
única.
ALGORITMO: Considerar: C(0) = (Cij( 0) ) nx ( n +1)
Para: k = 1, 2, ....., n
Probar si: ( Ckk( k −1) ) ≠ 0
Hacer: i = 1, 2 ,..., n (i ≠ k)
Para: j = k, k+1, ..., n+1
Ckj( k −1)
Calcular: Ckj( k ) =
Ckk( k −1)
Cij( k ) = Cij( k −1) − Ckj( k ) Cik( k −1)

Para: i = 1, 2,...., n
Calcular: X i = Ci((nn)+1)
Ejemplo: Resolver el sistema lineal mediante Gauss - Jordan, usando aritmética de

redondeo a 2 dígitos.
4 X 1 + X 2 + 2 X 3 = 9 4 1 2 9 
  
2 X 1 + 4 X 2 − X 3 = −5 ⇒ C =  2 4 − 1 − 5
 X + X − 3 X = −9  1 1 − 3 − 9
 1 2 3  
Efectuando operaciones consecutivas de eliminación de elementos, se tiene lo siguiente:
Efectuando operaciones consecutivas de eliminación de elementos, se tiene lo siguiente:

E0 
4 1 2 M 9  ← E11 =  10 
   C11 
 M 
  C0  
C0 = 2 4 − 1

M − 5

→ [ ]
E 21 =  E 20 −  210  E11 
 C11  
M  

    C310  
1 1 − 3 M − 9 [ ]
→ E 31 =  E 30 −  0  E11 
 C11  
144444  244444 3
primera eliminacion
  C1  2 
1 0.25 0.5 M 2.2  → E12 =  E11 −  12
1  E2 
    C22  
 M 
 E1 
C1 =  0 35
. − 2.0 M − 9.4 ← E 22 =  12 
   C22 
 M 
    C32
1
 
0 0.75 − 35
. M − 11  [ ]
→ E 32 =  E 31 −  1  E 22 
 C22  
144444 244444 3
segunda eliminacion
  C2  
1 0 0.64 M 2.9  → E13 =  E12 −  132  E 33 
    C33  
 M   2  C232  3 
C = 0
2
1 − 0.57 M − 2.7 → E = E2 −  2  E3 
3
  2
  C33  
 M 
   E2 
0 0 − 31. M−9  ← E 33 =  23 
14444  C2
4 33 
44444
3
tercera eliminacion
1 0 0 M 10 .  x1 = C143 = 10
.
 
por lo tanto: C = 0
3
1 0 M − 10
.  donde: x 2 = C243 = −10
.
 
0 0 1 M 2.9  x 3 = C343 = 2.9
4.1.3. ALGORITMO DE FACTORIZACIÓN
Es un método por medio del cual la matriz A se descompone en el producto de dos

matrices, una triangular inferior y otra triangular superior, así:
AX = B ⇒ A = LU, donde:

 i = 1,...., n − 1
0 → 
  j = i + 1,...., n
L = lij ( ) 
= ⇒ Matriz triangular inferior
nxn

l → i = 1,...., n
 ij  j = 1,...., i
 i = 1,...., n
uij → 
  j = i ,...., n
U = U ij ( ) 
= ⇒ Matriz triangular superior
nxn

0 → i = 2,...., n
  j = 1,...., i − 1
entonces: AX = B ⇒ LUX = B , donde:
 LY = B → Y

UX = Y → X
Así, entonces el método consiste en factorizar la matriz A y luego despejar de cada sistema
los vectores Y y X en forma consecutiva .
Por lo tanto:
 a11 a12 . . a1n   l11 0 . . 0   u11 u12 . . u1n 

    
 a 21 a 22 . . a 2 n   l21 l22 . . 0  0 u22 . . u2 n 
 . . .  = . . .  . . . 
    
 . . .   . . .  . . . 
    
 a n1 an2 . . a nn   ln1 ln 2 . . lnn   0 0 . . unn 
según lo cual se tienen n2+n incógnitas y solamente n2 ecuaciones obtenidas al aplicar el

producto matricial, dado por:
n
aij = ∑l
k =1
ik u kj
Bajo esta incompatibilidad, se asume uno de los siguientes criterios válidos:
a) l11 = l22 = ......... = lnn = 1 → Criterio de DOOLITTLE
b) l11 = u11, l22 = u22,........., lnn = unn → Criterio de CHOLESKI
c) u11 = u22 = ......... = unn = 1 → Criterio de CROUT

Asumiendo el criterio de DOOLITTLE, se tiene:
 a11 a12 . . a1n   1 0 . . 0  u11 u12 . . u1n 

    
 a 21 a 22 . . a 2 n   l21 1 . . 0  0 u22 . . u2 n 
 . . .  = . . . . . . 
    
 . . .   . . . . . . 
    
 a n1 an2 . . a nn   ln1 ln 2 . . 1  0 0 . . unn 
donde:
a11 = u11 a12 = u12 ................................a1n = u1n
a21 = l21u11 a22 = l21u12 + u22 ....................a2n = l21u1n + u2n

. .
. .
an1 = ln1u11 an2 = ln1u12 +ln2u22 ................ann = ln1u1n + ln2u2n + .... + unn
 ai1
li1 = u → i = 2,............, n
Por lo tanto:  11
u = a → j = 1,..........., n
 1j 1j
además para: k = 2, ....., n y ukk ≠ 0 , entonces :
 1  k −1

lik =  aik − ∑ lim umk  → i = k + 1,......, n
 u kk  m =1 
 k −1

u kj = a kj − ∑ l km umj → j = k ,......, n
m =1
Por otro lado, según el sistema LY = B, se tiene lo siguiente:
 y1 = b1
 i −1

y
 i = bi − ∑ lij y j → i = 2,..., n
 j =1
Finalmente, de acuerdo al sistema UX = Y, se tiene que:
 1
 xn = u ( yn )
 nn

 x = 1  y − 
n
 i uii  i ∑u ij xj

→ i = n − 1,....,1
 j =i +1


(términos independientes).
SALIDA: x1, x2, ....., xn ó Mensaje de que el sistema lineal no tiene solución
única:
ALGORITMO: Considerar u11 = a11 ≠ 0
Para: k = 2,...., n
Asumir: u1k = a1k
Calcular: lk1 = ak1 / u11
Para k = 2,...., n
Hacer: j = k,...., n
k −1
Calcular: u kj = a kj − ∑ lkm umj
m =1
Probar si: ukk ≠ 0
Hacer: i = k + 1, ...., n
k −1
1  
Calcular: lik =  aik − ∑ lim umk 
ukk  m =1 
Asumir: y1 = b1
Para: i = 2, ....., n
i −1
Calcular: yi = bi − ∑ lij y j
j =1
Asumir: xn = yn / unn
Para: i = n-1,.......,1
1  n 
Calcular: xi = y −
uii  i
∑u
j =i +1
ij xj

Ejemplo: Resolver el sistema lineal de ecuaciones mediante factorización usando el

criterio de DOOLITTLE y aritmética de redondeo a 2 dígitos .

4 x1 + x 2 + 2 x 3 = 9 4 1 2 
  
2 x1 + 4 x 2 − x 3 = −5 ⇒ A =  2 4 − 1
 x + x − 3 x = −9  
 1 2 3  1 1 − 3
donde:
4 1 2   1 0 0  u11 u12 u13 
    
 2 4 − 1 =  l21 1 0  0 u22 u23 
    
 1 1 − 3  l31 l32 1  0 0 u33 
así: a11 = 4 = u11 a12 = 1 = u12 a13 = 2 = u13
a21 = 2 = l21u11 a22 = 4 = l21u12 + u22 a23 = -1 = l21u13 + u23
a31 = 1 = l31u11 a32 = 1 = l31u12 + l32u22 a33 = -3 = l31u13 + l32u23 + u33
por lo que:
 1 0 0  y1   9 
    
LY = B ⇒  0.5 1 0  y 2  =  − 5
    
 0.25 0.21 1  y 3   − 9
donde: y1 = 9
y2 = (-5 - 0.5y1) = -9.5
y3 = (-9 - 0.25y1 - 0.2y2) = -9.2
4 1 2   x1   9 
    
además: UX = Y ⇒  0 35
. − 2   x 2  =  − 9.5
    
 0 0 − 31
.   x 3   − 9.2
1
x3 = ( − 9.2) = 3.0
31
.
1
donde: x2 =
35.
(− 9.5 + 2 x3 ) = −10.
1
x1 = (9 − x 2 − 2 x 3 ) = 10
.
4
4.1.4. PIVOTACIÓN
En los algoritmos analizados, se requiere efectuar divisiones para términos como akk ≠ 0 o
Ckk ≠ 0, los mismos que en los procesos numéricos deben ser de valores tales que no
alteren los resultados y se obtenga soluciones aceptables.
Así, si estos términos son de bajo valor, la división dará como resultado un valor alto, con
el consiguiente error de redondeo.
En los procesos numéricos se trata de evitar divisiones para términos de bajo valor, por ser
causantes de provocar acumulaciones excesivas de redondeo.
Entonces, es conveniente buscar términos de un valor relativamente alto, para evitar que el
error de redondeo rebase los límites permitidos.
El término de valor relativamente alto se llama PIVOTE y el proceso de búsqueda y

reordenamiento del pivote se llama PIVOTACIÓN.
La búsqueda y reordenamiento del pivote puede ser hecho de las siguientes formas:
→ Mediante movimiento de filas y columnas (Pivotación Completa).
→ Mediante movimiento de filas (Pivotación Parcial).
Para el caso de pivotación parcial, el pivote debe ser buscado dentro de la columna y
ubicado en el sitio donde se lo requiera.
El ejemplo expuesto a continuación pone de manifiesto el efecto de la pivotación.
Ejemplo: La solución exacta del sistema lineal es: x1 = 10 ∧ x2 = 1. Mediante

Eliminación Gaussiana, determinar la solución aproximada usando aritmética
de redondeo a 4 dígitos y considerando: a) El arreglo original, b) Pivotación
Parcial.
E1: 0.003000x1 + 59.14x2 = 59.17
E2: 5.291x1 - 6.130x2 = 46.78
a) a110 = 0.003000
 0.003000 59.14 M 59.17 → E10

 
 M 
  0
 5.291 − 6130
. M 46.78 → a 21
E 21 = E 20 − ( )E 0 → λ= 5.291
0.003 = 1764
a110 1

según lo cual se obtiene:
 0.003000 59.14 M 59.17   x 2 = 1001

.
  donde 
 0 −104300M−104400  x1 = −10
se puede observar que la solución no concuerda con la verdadera, esto se debe al valor alto
del término divisor.
b) PIVOTE: a 021 = 5.291 , para lo cual: E2 ↔ E1
Entonces:
 5.291 −6130
. M 46.78 → E 20
 
 M 
  0
 0.003000 59.14 M 59.17 → E 1 = E 0 − ( a11 ) E 0 → λ= 0.003
= 0.000567
1 1 0 2 5.291
a 21
 5.291 −6130
. M46.78  x 2 = 1000
.
  donde 
 0 59.14 M59.14  x1 = 10.00
Esta solución concuerda con la verdadera, por lo tanto, la solución aceptable es la que se
aplica pivotación.
Una buena elección de la ecuación que contenga el verdadero PIVOTE, para cuando se
aplica pivotación parcial, se hace por medio de la técnica de PIVOTEO ESCALONADO
EN COLUMNA.
Básicamente esta forma de encontrar el verdadero PIVOTE, se aplica a S.E.L. cuyas

ecuaciones han sufrido alteraciones en su escala, perdiéndose de esa manera la referencia
común del Sistema.
Así, considerando: i = 1, 2, …., n
Si = maxaij → j = 1, ...., n
 aik 
entonces, siendo k la columna de pivotación, la relación: max   , indica que el pivote
 si 
esta en la ecuación Ei
Para el caso de Eliminación Gausiana se tiene:
k = 1, 2, …., n-1 → i = k, …., n

Si = max aij → j = k, ....., n
 aik 
entonces: max   → indica que el pivote está en la ecuación Ei en la columna
 si 
k en la cual se aplica pivotación.
Ejemplo: Resolver el sistema lineal mediante Eliminación Gausiana, aritmética de

redondeo a 4 dígitos y pivotación parcial.
E 1: 30.00 x1 + 591400 x 2 = 591700

E 2: 5.291x1 − 6.6130 x 2 = 46.78
0
a) PIVOTE a11 = 30.00
 30.00 591400 M591700 → E10

 
 M 
  0
 5.291 − 6130
. M 46.78  →
E 21 = E 20 − (
a 21
)E 0 → λ= 5.291
= 01764
.
30.0
a110 1
 30.00 591400 M 591700  x 2 = 1001

.
  donde 
 0 −104300M−104400   x1 = −10
0
se puede observar que la solución no concuerda con la verdadera, esto se debe a que a11
no es un PIVOT VERDADERO.
b) Aplicando pivotación escalonada en la primera columna, se tiene:
E1: S1 = max{30.00, 591400} = 591400
E2: S2 = max{5.291, 6.130} = 6.130
a11 30.00
donde: = = 0.5073x10 −4
s1 591400
a 21 5.291
= = 0.8631
s2 6130
.
 a 11 a 21 
entonces: max  ,  = 0.8631, que indica que E2 tiene el pivote verdadero en la
 S1 S 2 
primera columna.

Por lo tanto, haciendo cambio de filas: E2 ↔ E1, se tiene:
 5.291 −6130
. M 46.78  → E 20
 
 M 
  0
 30.00 591400 M591700 → E 1 = E 0 − ( a11 ) E 0 → λ = 30.0
= 5.670
1 1 0 2 5.291
a 21
 5.291 −6130
. M46.78  x2 = 1000
.
  donde 
 0 591400M591400  x1 = 10.00
Esta solución concuerda con la verdadera, por lo tanto, la solución aceptable es la que se
aplica pivotación escalonada por columna.
Todo esto es justificable, puesto que la ecuación E1 es la misma que la del ejemplo anterior
afectada por el factor 104, lo cual no cambia la característica del sistema lineal, pero oculta
la verdadera referencia del Sistema de Ecuaciones.
4.1.5. SISTEMA DE ECUACIONES LINEALES MAL CONDICIO-

NADO
Un sistema mal condicionado es aquel en el cual, al hacer ligeros cambios en los términos,
se provoca grandes diferencias en la solución.
El ejemplo que se desarrolla a continuación, muestra la característica de un sistema mal

condicionado.
Ejemplo: Determinar la solución de los sistemas, mediante factorización.
10 x1 + 8 x 2 + 4.00003x 3 = 42.00006


a)  6 x1 + 6 x 2 + 3.00001x 3 = 30.00002
 6 x + 4 x + 2.00002 x = 22.00004
 1 2 3
10 x1 + 8 x 2 + 4.00003x 3 = 42

b)  6 x1 + 6 x 2 + 3.00001x 3 = 30
 6 x + 4 x + 2.00002 x = 22
 1 2 3
Para los dos sistemas, se tiene lo siguiente:

10 8 4.00003  1 0 0 u11 u12 u13 

    
 6 6 3.00001  =  l 21 1 0 0 u 22 u 23 
 6 4 2.00002   l 31 l 32 1 0 0 u 33 
donde:
10 = u11 8 = u12 4.00003 = u13

6 = l21u11 6 = l21u12 + u22 3.00001 = l21u13 + u23
6 = l31u11 4 = l31u12 + l32 u22 2.00002 = l31u13 + l32 u23 + u33
entonces:
1 0 0 10 8 4.00003 
   
L =  0.6 1 0 U =  0 12
. 0.599992 
   −6 
 0.6 −0.6666666667 1  0 0 −3.333333x10 
Así para el sistema a) se tiene que:
 1 0 0  y 1  42.00006 y 1 = 42.00006
    
 0.6 1 0  y 2 =  30.00002 ⇒ y 2 = 4.799984
     y 3 = −6.666667 x10− 6
 0.6 − 0.666... 1  y 3  22.00004
 10 8 4.00003   x 1  42.00006  x 3 = 2.0000003

    
 0 12
. 0.599992   x 2 =  4.799984  ⇒ x 2 = 2.99999985
 − 6    
 0 0 − 3.33... x10   x 3  − 6.666667 x10− 6 x 1 = 10
.
Para el sistema b) se tiene:
 1 0 0  y 1  42 y 1 = 42
     
 0.6 1 0  y 2 =  30 ⇒ y 2 = 4.8
     
 0.6 − 0.666... 1  y 3  22 y3 = 0
10 8 4.00003   x 1   42  x3 = 0
     
.
 0 12 0.599992  x = 48
   
2 ⇒ x 2 = 4
−6 
 0 0 −3.33... x10   x3  0  x1 = 1
Según los resultados, se puede deducir que pequeños cambios en un sistema provocan
grandes diferencias en las soluciones. Por lo tanto el sistema resuelto es un sistema mal
condicionado (ILL - CONDITIONED).
4.1.6. ANÁLISIS DEL ERROR EN SISTEMAS DE ECUACIONES LI-

NEALES
Es necesario hacer un análisis cuantitativo del error, para tener una idea clara del grado de
aproximación a la solución real .
Así, el sistema lineal: AX = B , tendrá un vector solución aproximada Xa y un vector

solución real Xr, para lo cual se definen las siguientes condiciones:
E = X r − X a → Vector de errores absolutos
γ = AX a − B → Vector de errores residuales
Además, se tiene que: ∅ = AX r − B , con lo que al reemplazar en las definiciones

anteriores se llega a lo siguiente:
E = − A−1 γ
Por otro lado, para tener una idea del acercamiento entre vectores o matrices, es necesario
usar definiciones de NORMAS, con lo cual se puede hacer un análisis del error al trabajar
con vectores o matrices.
NORMA VECTORIAL
Es una función representada por . que tiene las siguientes propiedades:
→ X ≥0 para ∀X ∈ R n
→ X =0↔ X ≡0
→ αX = α X para ∀α ∈ R ∧ X ∈ R n
→ X +Y ≤ X + Y para ∀Χ ∧ Υ ∈ R n
Se definen 3 tipos de Normas Vectoriales que cumplen con las propiedades anteriores, esto
es:
n
→ Norma 1: X 1 = ∑ | xi |
i =1
[ ]
n 1/ 2
→ Norma 2 ó Euclidiana: X E = ∑ xi2
i =1
→ Norma Infinito: X ∞ = max | xi |

1≤i ≤ n
Por lo tanto, los valores Xr ∧ Xa estarán cercanos entre sí a medida que X r − X a sea de
un valor pequeño o lo suficientemente cercano a una tolerancia establecida.

NORMA MATRICIAL
Es una función correspondiente a la anterior con las siguientes propiedades:
→ A ≥0
→ A =0↔ A≡∅
→ αA =α A
→ A+ B ≤ A + B
→ AB ≤ A B
donde A ∧ B son matrices
En este caso las normas se definen de la siguiente manera:
n
→ Norma 1 A 1 = m ax
1≤ j ≤ n
∑ |a
i =1
ij | → máximo de la suma absoluta de c/columna
1/ 2
 n n 
→ Norma Euclidiana: A E =  ∑ ∑ | a ij |2 
 i =1 j =1 
n
→ Norma Infinito: A ∞ = m ax
1≤ i ≤ n
∑ |a
j =1
ij | → máximo de la suma absoluta de c/fila
También, las matrices A ∧ B están cercanos entre sí, cuando A − B es pequeña.
Por otro lado se define el NÚMERO DE CONDICIÓN de la matriz A mediante la

siguiente expresión:
Cond( A) =|| A|||| A −1 || ≥ || AA −1 ||
así, de acuerdo al tipo de norma, se tiene: || AA −1 ||1,∞ ≤ 1 ⇒ Cond ( A) ≥ 1
|| AA −1 || E ≤ n ⇒ Cond ( A) ≥ n
Ahora, retomando la expresión: E = Xr - Xa = - A-1 γ y aplicando NORMAS, se tiene:
|| X r − X a || ≤ || A −1 ||||γ || (1)
1 A
También: A X r = B ⇒ A || X r || ≥ B → ≤ (2)
|| X r || B
Multiplicando (1) ∧ (2) miembro a miembro se obtiene lo siguiente:

|| X r − X a || ||γ ||
≤ || A|||| A −1 ||
|| X || 1424 3 || B||
142r43 Cond(A)
εr
||γ ||
entonces: ε r ≤ Cond( A) → COTA SUPERIOR DEL ERROR RELATIVO
|| B||
En general los límites o cotas del error relativo vienen dados por:
1 ||γ || ||γ ||
≤ ε r ≤ Cond ( A)
Cond ( A) || B|| || B||
La evaluación de estos límites o cotas de error dependen fundamentalmente del cálculo de

A-1, lo cual está sujeto a errores de redondeo dependientes del grado de precisión con que
se efectúen las operaciones matemáticas.
Se ha demostrado que usando aritmética de redondeo a t dígitos mediante Eliminación

Gaussiana, el vector residual γ para una aproximación Xa, viene dado por:
||γ || ≅ 10 − t || A|||| X a ||
además al considerar el sistema: - AE =ϒ , donde: E = Xr -Xa y asumiendo una solución

aproximada Ea, entonces:
E a ≅ − A −1γ = − A −1 ( AX a − B ) = 1−1
A2 3B − A −1 AX a
X
1
424 3
r Xa
por lo tanto: E a ≅ X r − X a = A − 1 γ ≤ A − 1 γ (
≅ A −1 1 0 − t A X a )
= 10 − t || X a || Cond ( A)
Ea
donde: Cond(A) ≅ 10t → relación que no depende del cálculo de A-1
Xa
Ejemplo: Determinar la cota superior del error relativo provocado en el sistema lineal
dado, mediante Eliminación Gaussiana y aritmética de redondeo a 5 dígitos.
 3.3330 15920 − 10.333  x1   15913 

    
 2.2220 16.710 9.6120   x 2  =  28.544
    
 15611
. 51791
. 16852
.   x 3   8.4254
Considerando el caso crítico en el que se provoque un mayor error, esto es sin hacer
pivoteo escalonado de columna, se tiene lo siguiente:

 3.3330 15920 − 10.333M 15913   3.3330 15920 − 10.333M 15913 

   
 2.2220 16.710 9.6120 M 28.544 ≈  0 − 10596 16.501 M 10580  ≈
   
 15611
. 51791
. 16852
. M8.4254  0 − 74514
. 6.5250 M − 7444.9
 3.3330 15920 − 10.333M 15913  x 3 = 0.92538

 
≈ 0 − 10596 16.501 M 10580  ⇒ x 2 = 0.99991
 
 0 0 − 5.0790M − 4.7000 x1 = 12001
.
donde: X a ∞
= 1.2001
 3.3330 15920 − 10.333  12001

.   15913 
    
Además: ϒ = AXa - B ⇒ γ =  2.2220 16.710 9.6120   0.99991 −  28.544
    
 15611
. 51791
. 16852
.   0.92538  8.4254
 0.00518 
 
donde: γ =  − 0.27413 ⇒ γ ∞
= 0.27413
 
 018616
. 
Considerando el sistema lineal: AE = -ϒ y resolviendo mediante Eliminación Gaussiana y

aritmética de redondeo a 5 dígitos, se tiene:
 3.3330 15920 − 10.333M − 0.00518  − 0.20008 

   
 2.2220 16.710 9.6120 M 0.27413  ⇒ E a =  8.9987 x10 −5 
   
 15611
. 51791
. 16852
. M − 018616
.   0.074607 
donde: E a ∞
= 0.20008
Ea 0.200078
Entonces: Cond ( A) ≅ 105 ∞
= 105 = 16672
Xa 12001
.
∞
con lo que la cota superior del error relativo viene dado por:
|| X r − X a ||∞ ||γ ||∞

= ε r ≤ Cond ( A)
|| X r ||∞ || B||∞
 0.27413
ε r ≤ 16672  = 0.28720
 15913 
También es posible obtener la cota superior del error relativo, mediante la expresión:

γ
ε r ≤ | | A | |∞ | | A − 1 | |∞ ∞
B ∞
 - 1.1701x10 -4 - 1.4983x10 -1 8.5416x10 -1 

 
donde: A −1 =  6.2782x10 -5 1.2124x10 -4 - 3.0662x10 -4  ⇒ || A −1 ||∞ = 10041
.
 
 - 8.6631x10 -5 1.3846x10 -1 - 1.9689x10 -1 
además: A ∞ = 15934, entonces Cond(A) = (15934)(1.0041) = 15999, valor bastante

aproximado al anterior, por lo que no será necesario invertir la matriz A.
 0.27413
Finalmente: ε r ≤ 15999  = 0.27561
 15913 
4.1.7. SISTEMA DE ECUACIONES LINEALES CON TÉRMINOS

COMPLEJOS
Considerando el modelo siguiente:
 a11 + jb11 a12 + jb12 L a1n + jb1n   x1 + j y1   c1 + j d 1 

    
 a 21 + jb21 a 22 + jb22 L a 2 n + jb2 n   x 2 + j y 2   c2 + j d 2 
  =
M M L M M   M 
    
 a n1 + jbn1 a n 2 + jbn 2 L a nn + jbnn   x n + j y n   cn + j d n 
Separando la parte real e imaginaria, se tiene:
 a11 a12 L a1n   b11 b12 L b1n   x1   y1   c1   d1 

          
 a 21 a 22 L a 2 n   b21 b22 L b2 n   x 2   y 2   c2   d2 
 M + j + j  =   + j 
M L M  M M L M  M M M M
          
 a n1 a n 2 L a nn   bn1 bn 2 L bnn   x n   y n   cn   dn 
144424443 144424443 123 123 123 123
(aij ) (bij ) X Y C D
donde: [(aij) + j(bij)][X + jY] = [C + jD]
finalmente realizando operaciones matriciales y resumiéndolas en una forma matricial

ampliada, se tiene:

( )
a
 ij
( )  X 
M − bij C 
 
L M L  L = L
( )
b
 ij M (a )
ij
 Y   D
   
Este último sistema, corresponde a un arreglo matricial con términos reales y puede ser
resuelto por cualquier método directo analizado.
4.1.8. INVERSIÓN DE MATRICES
Aplicando los criterios desarrollados para la solución de un sistema lineal de ecuaciones,

es posible realizar la inversión matricial.
Así, dado el sistema lineal: AX = B, la matriz A puede ser invertida manteniendo el mismo
modelo, esto es:
 a11 a12 L a1n   x11 x12 L x1n   1 0 L 0

    
 a 21 a 22 L a 2 n   x 21 x 22 L x 2 n   0 1 L 0
AA −1 = I ⇒  =
M M L M  M M L M  M M L M
    
 a n1 an2 L a nn   x n1 x n 2 L x nn   0 0{
{ L 1
{ { { {
X1 X2 Xn I1 I2 In
donde: AA-1 = A[X1, X2, ...., Xn ] = [I1, I2, ....., In]
Según lo cual, aplicando a cada uno de los métodos directos analizados, se tiene que:
→ Eliminación Gaussiana: AA -1 = I → [A M I] ∼ [C M D]
donde: C es una matriz triangular superior

D es una matriz triangular inferior
→ Gauss - Jordan: AA -1 = I → [A M I] ∼ [I M A-1]
→ Factorización: AA-1= I ⇒ A = LU → LUA-1 = I ⇒ LY = I

UA-1 = Y
Ejemplo: Invertir la matriz A mediante los procesos directos de Eliminación Gaussiana,

Gauss - Jordan y Factorización; usando aritmética de redondeo a 2 dígitos.

 1 2 3
 
A = −1 0 2 
 
 2 1 − 3
 x11 x12 x13 

 
Considerando: A −1
=  x 21 x 22 [
x 23  = X 1 X2 X3 ]
 
 x 31 x 32 x 33 
 1 0 0
 
I =  0 1 0 = I 1 [ I2 I3 ]
 
 0 0 1
a) Eliminación Gausiana:
 1 2 3 M 1 0 0  1 2 3 M 1 0 0  1 2 3 M 1 0 0
     
 − 1 0 2 M 0 1 0 ≈  0 2 5 M 1 1 0 ≈  0 2 5 M 1 1 0
     
 2 1 − 3M 0 0 1  0 − 3 − 9 M − 2 0 1  0 0 − 15
. M − 0.5 15
. 1
1 2 3   x11 x12 x13  1 0 0

    
donde:  0 2 5   x 21 x 22 x 23 =  1 1 0
    
 0 0 − 15
.   x 31 x 32 x 33  − 0.5 15
. 1
14 4244 3 { { { 123 { {
C X1 X2 X3 D1 D2 D3
Tomando los correspondientes elementos, se debe resolver cada uno de los sistemas:
CX 1 = D1 CX 2 = D 2 CX 3 = D 3 donde:
x = 0.33
31 x = −10
.
32 x = −0.67
33
x = −0.32
21 x = 3.0
22 x = 17
23 .
x = 0.65
11 x = −3.0
12 x = −14
13 .
 0.65 − 3.0 − 1.3 

−1  
entonces: A =  − 0.32 3.0 1.7 
 
 0.33 − 1.0 − 0.67
b) Gauss - Jordan:
 1 2 3 M 1 0 0 1 2 3 M 1 0 0
   
 − 1 0 2 M 0 1 0 ≈ 0 2 5 M 1 1 0 ≈
 2 1 − 3M 0 0 1  
   0 − 3 − 9 M − 2 0 1

1 2 3 M 1 0 0  1 0 − 2.0M 0 − 10. 0
   
 0 1 2.5 M 0.5 0.5 0 ≈ 0 1 2.5 M 0.5 0.5 0 ≈
 0 − 3 − 9 M − 2 0 1  0 0 − 15
. M − 0.5 15. 1
  
 1 0 − 2.0M 0 − 10 . 0   1 0 0M 0.66 − 3.0 − 13 . 

   
 0 1 2.5 M 0.5 0.5 0  ≈  0 1 0M− 0.32 3.0 17. 
   
0 0 1 M 0.33 − 10
. − 0.67  0 0 1M 0.33 − 10
. − 0.67
 0.66 − 3.0 − 1.4 

−1  
donde: A =  − 0.32 3.0 1.7 
 
 0.33 − 1.0 − 0.67
c) Factorización:
 1 2 3   1 0 0 u11 u12 u13 

    
 −1 0 2  =  l 21 1 0 0 u22 u 23
 2 1 −3  l 31 l 32 1 0 0 u 33
1 0 0 1 2 3 
   
donde: L =  −1 1 0 U = 0 2 5 
   
 2 −15
. 1  0 0 −15
. 
además:
 y11 y12 y13  x11 x12 x13

  -1
 
Y =  y 21 y 22 y 23 A =  x 21 x 22 x 23
y y 32 y 33  
 31 {  x 31 x 32 x 33
{
{ { { {
Y1 Y2 Y3 X1 X2 X3
entonces: LY1 = I1 LY2 = I2 LY = I3
y11 = 1 y12 = 0 y13 = 0

y21 = 1 y22 = 1 y23 = 0
y31 = -0.5 y22 = 1.5 y33 = 1
También: UX1 = Y1 UX2 = Y2 UX3 = Y3
x31 = 0.33 x32 = -1.0 x33 = -0.67

x21 = -0.32 x22 = 3.0 x23 = 1.7
x11 = 0.66 x12 = -3.0 x13 = -1.4

 0.66 − 3.0 − 1.4 

−1  
Donde: A =  − 0.32 3.0 1.7 
 
 0.33 − 1.0 − 0.67
4.2. MÉTODOS ITERATIVOS PARA LA SOLUCIÓN DE SISTE-

MAS DE ECUACIONES
Son métodos que partiendo de valores iniciales: X 1( 0) , X 2( 0) ,..... X n( 0) , se van consiguiendo

aproximaciones a la solución mediante procesos iterativos.
4.2.1. MÉTODOS ITERATIVOS PARA LA SOLUCIÓN DE SISTE-

MAS LINEALES
Son procedimientos que basados en el desdoblamiento de la matriz A, convierten al

sistema lineal AX = B en un sistema equivalente de la forma:
X = MX + V donde: M matriz
V vector
Así, la sucesión de aproximaciones se genera a través de la expresión dada por:
X ( k ) = M X ( k −1) + V → k = 1,...... hasta que cumpla algún criterio de tolerancia
Por otro lado, la matriz A se desdobla en las matrices D, L ∧ U de la forma:
A = D − L −U ⇒ D matriz diagonal principal de A

L matriz triangular inferior de A
U matriz triangular superior de A
4.2.1.1. ALGORITMO DE JACOBI
Considera el sistema lineal: AX = B ⇒ ( D − L − U ) X = B , donde:
DX = ( L + U ) X + B
X =1
D−4
1
L+
(24U3) X + 1
−1
D23 B
MJ VJ

Así, la expresión iterativa está dada por: X ( k ) = M J X ( k −1) + V J , donde:
MJ matriz de Jacobi
VJ vector de Jacobi
X ( k ) − X ( k −1)
además: k = 1, ..... hasta que: X ( k ) − X ( k −1) 〈 εa o también 〈 εr
X (k )
Mediante la interpretación del modelo matricial, el método de Jacobi consiste en despejar

de cada ecuación i-ésima la variable Xi . Entonces para aii ≠ 0, se tiene:
b  a x n
x = a + ∑  − a 
ij j
i
i
→ i = 1,...., n
ii j =1 ii
j ≠i
cuya forma iterativa está dada por:
 
1  n
( k −1) 
−∑
(k )
x = → i = 1,....., n
i
aii bi jj=≠1i aij x j 
 
ENTRADA: n (# de ecuaciones = # de incógnitas), aij (Coeficientes), bi

(términos independientes), X(0) (vector inicial), ε (tolerancia), T
(# máximo de iteraciones ) .
SALIDA: Solución aproximada x1, x2, ....., xn ó Mensaje de fracaso.
ALGORITMO: Para: k = 1, ....., T
Hacer: i = 1, ....., n
Probar si: aii ≠ 0

 
1  n
( k −1) 
−∑
(k )
Calcular: x =
i
aii bi jj=≠1i aij x j 
 
Chequear si: X ( k ) − X ( k −1) < εa o a su vez
X ( k ) − X ( k −1)
< εr
X (k )

Ejemplo Resolver el sistema lineal mediante Jacobi, considerando X(0) = 0 y un error

relativo en Norma infinito < 10-3.
E 1: 10 x1 − x 2 + 2 x 3 = 6
E 2 : − x1 + 11x 2 − x 3 + 3x 4 = 25
E 3 : 2 x1 − x 2 + 10 x 3 − x 4 = −11
E 4 : 3x 2 − x 3 + 8 x 4 = 15
Despejando xi de cada ecuación Ei, se tiene lo siguiente:
x1 =
1
10
[
6 − (− x2 + 2 x3 ) ]
x2 =
1
11
[
25 − ( − x1 − x 3 + 3x 4 ) ]
x3 =
1
10
[
− 11 − (2 x1 − x 2 − x 4 ) ]
1
[
x 4 = 15 − (3x 2 − x 3 )
8
]
Así, la primera iteración vendrá dada por:
x 1
1
(1)
10
=
( 0)
( ( 0)
6 + x 2 − 2 x 3 = 0.6 )
(1) 1 ( 0)
( ( 0)
x2 = 11 25 + x1 + x3 − 3 x4 = 2.2727
( 0)
)
(1) 1
(
( 0) ( 0)
x3 = 10 − 11 − 2 x1 + x2 + x4 = −11.
( 0)
)
(1) 1
(
( 0) ( 0)
x4 = 8 15 − 3 x2 + x3 = 1875 . )
Las siguientes iteraciones provocan valores dados en la siguiente tabla:
k 2 3 4 ……… 8 9 10
x1(k) 1.0473 0.9326 1.0152 1.0006 0.9997 1.0001
x2(k) 1.7159 2.0533 1.9537 1.9987 2.0004 1.9998
x3(k) -0.8052 -1.0493 -0.9681 -0.9990 -1.0004 -0.9998
x4(k) 0.8852 1.1309 0.9739 0.9989 1.0006 0.9998

X (10) − X ( 9 ) ∞ 8.0 x 10−4

donde: = = 4.0004 x 10− 4 〈 10− 3
X (10) ∞
19998
.
entonces el vector solución es:
x (10) = (10001, 1.9998, − 0.9998, 0.9998)

t
.
4.2.1.2. ALGORITMO DE GAUSS - SEIDEL
Se basa en las mismas características del algoritmo de Jacobi, esto es:
AX = B ⇒ ( D − L − U ) X = B , donde:
( D − L) X = UX + B
 M G matriz de Gauss − Seidel
X = (1 L)43 U X + (1 ) −13
−1
D4−2 D4−2L4 B → 
 V G vector de Gauss − Seidel
MG VG
La expresión iterativa en este algoritmo viene dada por:
X ( k ) = D−1[ L X ( k ) + U X ( k −1) + B ] → k = 1,..... hasta que cumpla con una

condición de tolerancia.
La interpretación del modelo matricial iterativo, dice que se debe despejar de cada i-ésima
ecuación la variable xi y el cálculo numérico depende de valores actuales y valores
anteriores.
Entonces para aii ≠ 0, se tiene que:
 i −1

1  n
 → i = 1,..., n
x
(k )
= b − ∑ a
(k )
ij x j
− ∑a x ( k −1)

i
aii  jj =≠1i
i
j = i +1
ij j


(términos independientes), X(0)(vector inicial), ε (tolerancia),
T (# máximo de iteraciones).

SALIDA: Solución aproximada x1, x2 ,…, xn ó mensaje de fracaso.
ALGORITMO: Para: k = 1, …, T
Hacer: i = 1, …, n
Probar si: aii ≠ 0
 i −1

1  n

Calcular: xi
(k )
= i ∑
aii  j =1 aij x j −
b − (k )
∑a x
j =i +1
ij
( k −1)
j 
 j ≠i 
Chequear si: X ( k ) − X ( k −1) 〈 ε a ó a su vez
X ( k ) − X ( k −1)
〈ε r
X (k )
Ejemplo: Resolver el sistema lineal del ejemplo anterior, bajo las mismas condiciones
pero mediante Gauss - Seidel.
La primera iteración vendrá dada por:
x (1)
1 = 1
10 (6 + x2( 0) - 2 x3( 0) ) = 0.6
x (1)
2 = 1
11 (25 + x (1)
1 + x3( 0) - 3x4( 0) ) = 2.3272
x (1)
3 = 1
10 (-11 - 2 x1(1) + x2(1) + x4( 0) ) = - 0.9873
x (1)
4 = 1
8 (15 - 3 x2(1) + x3(1) ) = 0.8789
Los valores obtenidos en las siguientes iteraciones, se presentan en la tabla:
k 2 3 4 5
x1 (k) 1.030 1.0065 1.0009 1.0001
x2(k) 2.037 2.0036 2.0003 2.0000
x3(k) -1.014 -1.0025 -1.0003 -1.0000
x4(k) 0.9844 0.9983 0.9999 1.0000
X ( 5) − X ( 4 ) 0.0008
donde: ∞
= = 4 x10 −4 〈 10 −3
X ( 5)
2.0000
∞

4.2.1.3. CONDICIÓN DE CONVERGENCIA PARA LOS MÉTODOS

ITERATIVOS DE JACOBI Y GAUSS-SEIDEL EN SISTEMAS
LINEALES
Puesto que para ambos métodos la expresión matricial iterativa es del mismo modelo,
entonces se tiene que:
X ( k ) = MX ( k -1) + V
También: X ( k −1) = MX ( k -2) + V será una expresión válida.
Por lo tanto, restando las dos expresiones se tiene lo siguiente:
( k −1) ( k −1)
X (4
1 4−2X44
k)
3 = M (1
X44 − 44
2 X ( k − 23
)
)
E (k ) E ( k −1)
entonces el proceso va a la convergencia si: || E (k) || < || E (k-1) ||
por lo que: || E (k) || ≤ || M || || E (k-1) || < || E (k-1) ||
donde: || M || < 1 → condición de convergencia.
→ Jacobi: || D-1 (L+U) || < 1
→ Gauss - Seidel: || (D - L)-1 U || < 1
Para los dos métodos, el hecho de que || M || < 1, implica que la matriz A deba ser de
DIAGONAL DOMINANTE, esto es que:
n
| aii | 〉 ∑ | aij | → i = 1, K , n
j =1
j ≠i
Así, en los ejemplos anteriores se puede observar esta última característica de

convergencia.
Por otro lado, si la matriz A no es de diagonal dominante, en sistemas pequeños hay la

incertidumbre en la convergencia, mientras que en sistemas grandes definitivamente no
hay convergencia.
4.2.2. MÉTODOS ITERATIVOS PARA LA SOLUCIÓN DE SISTE -

MAS NO LINEALES
Son métodos basados en las características de punto fijo.

4.2.2.1. ALGORITMO DE JACOBI
Dado el sistema no lineal F(X) = ∅, se despeja de cada i-ésima función la variable xi, así :
f1(x1, x2, ..., xn ) = 0 ⇒ x1 = g1(x2, x3 , ..., xn )
f2(x1, x2, ..., xn ) = 0 ⇒ x2 = g2(x1, x3, ..., xn )

.
.
fi(x1, x2, ..., xn ) = 0 ⇒ xi = gi(x1, x2, ..., xi -1, xi+1, ..., xn )
.
.
fn(x1, x2, ..., xn ) = 0 ⇒ xn = gn(x1, x2, ..., xn-1 )
Cuya forma iterativa se resume en la expresión dada por:
X(k) = G(X(k-1)) → k = 1,... hasta que cumpla con una condición de tolerancia.
Ejemplo: Resolver el sistema de ecuaciones no lineales mediante el algoritmo de Jacobi,

considerando X(0) = (0.1, 0.1, -0.1)t y un error absoluto en la Norma infinito <
10-5 .
f 1 ( x1 , x2 , x3 ) = 3 x1 - Cos( x2 x3 ) - 0.5 = 0
f 2 ( x1 , x2 , x3 ) = x12 - 81( x2 + 01 . ) 2 + Sen( x3 ) + 1.06 = 0
10π − 3
f 3 ( x1 , x2 , x3 ) = e - x1 x2 + 20 x3 + =0
3
Despejando xi de cada ecuación fi, se tiene la primera iteración dada por:
x (1)
1 = g1 ( x2( 0) , x3( 0) ) = 1
3 Cos( x2( 0) x ( 0)
3 ) + 1
6 = 0.49998333
[( x ]
1
x (1)
2 = g2 ( x ( 0)
1 ,x ( 0)
3 ) = 1
9 ) + Senx + 106
( 0)
1
2
. − 01
. = 0.00944115
( 0)
3
2
10π - 3
= g 3 ( x1( 0) , x2( 0) ) = - 201 e - x1 x2 -
( 0) ( 0)
x (1)
3
20
= - 0.52310127
Los valores obtenidos en las iteraciones sucesivas se presentan en la siguiente tabla:
k x1(k) x2(k) x3(k) ||x(k) - x(k-1) ||∞

2 0.49999593 0.00002557 -0.52336331
2.3x10-4
3 0.50000000 0.00001234 -0.52359814
1.2x10-5
4 0.50000000 0.00000003 -0.52359847
3.1x10-7
5 0.50000000 0.00000002 -0.52359877

Por lo tanto el vector solución viene dado por:
X(5) = (0.50000000, 0.00000002, - 0.52359877) t
4.2.2.2. ALGORITMO DE GAUSS-SEIDEL
Se basa en las mismas características iterativas de Jacobi, con la diferencia de que el valor
actual depende de valores precalculados y valores anteriores.
Así, la forma iterativa se resume en la expresión dada por:
X(k) = G(X(k) , X(k-1) ) → k = 1,... hasta que cumpla con una condición de
tolerancia.
Ejemplo: Resolver el sistema no lineal del ejemplo anterior, bajo las mismas condiciones
pero mediante Gauss - Seidel.
Despejando xi de cada función fi, se tiene la primera iteración dada por:
x(1)
1 = g1 ( x2( 0) , x ( 0)
3 ) = 1
3 Cos( x2( 0) x ( 0)
3 ) + 1
6 = 0.49998333
[( x ]
1
x (1)
2 = g 2 ( x1(1) , x ( 0)
3 ) = 1
9
(1)
1 ) 2 + Senx3( 0) + 106
.
2
− 01
. = 0.02222979
10π - 3
) = - 201 e - x1 x2 -
( 1) ( 1)
x (1)
3 = g 3 ( x1(1) , x (1)
2
20
= - 0.52304613
Los valores de las siguientes iteraciones se presentan en la tabla:
k x(k) x2(k) x3(k) ||x(k) - x(k-1) ||∞

2 0.49997747 0.00002815 -0.52359807
2.8x10-5
3 0.50000000 0.00000004 -0.52359877
3.8x10-8
4 0.50000000 0.00000000 -0.52359877
Entonces, el vector solución será: X(4) = (0.50000000, 0.000000000, -0.52359877) t
4.2.2.3. ALGORITMO DE NEWTON

Se vio que para el caso unidimensional, el método iterativo de Newton definía la función
de punto fijo dada por:
f ( x)
g( x) = x -
f ' ( x)
Mediante un enfoque similar, si se tiene el caso n-dimensional (sistema de ecuaciones no

lineales), la función toma el siguiente modelo:
G ( X ) = X - [ F' ( X )]-1 F ( X )
donde: F’(X) = J(X) → Jacobiano (matriz de derivadas parciales)
por lo tanto: G ( X ) = X - J -1 ( X ) F ( X )
cuyo proceso de iteración funcional, surge de seleccionar el vector inicial X(0) lo

suficientemente cercano a la solución y de que J-1(X) exista, con lo cual:
X ( k ) = G ( X ( k-1) ) = X ( k-1) - J -1 ( X ( k-1) ) F ( X ( k-1) )
donde:
−1
∂ f ∂ f1 
 1 L 
 ∂ x1 X ( k-1) ∂ x n X ( k-1) 
 
J -1 ( X ( k-1) ) = M 
∂ f ∂ f 
 n L n 
∂ x ∂ x n X ( k-1) 
 1 X ( k-1)
Una debilidad clara del método de Newton, se presenta en la inversión del Jacobiano en
cada paso iterativo. Sin embargo se puede evitar dicha inversión., considerando el
siguiente procedimiento:
X ( k ) = X ( k −1) − J −1 ( X ( k −1) ) F ( X ( k −1) )
( k −1) −1 ( k −1)
donde: X (4
1 4−2X44
k)
3 = −J (X ) F ( X ( k −1) )
Y ( k −1)
entonces: J ( X ( k −1) )Y ( k −1) = − F ( X ( k −1) ) → sistema lineal
además: X ( k ) = X ( k −1) + Y ( k −1)

Ejemplo: Resolver el sistema no lineal del ejemplo anterior, considerando las mismas
condiciones, pero mediante Newton.
El Jacobiano estará dado por :
 
3 x Senx x
3 2 x Senx x 
3 2 2 3
 
J ( X ) =  2 x1 − 162( x + 01
. ) Cosx
2  3
 −x x 
 − x2 −xe 1 20
1 2

El modelo de la primera iteración vendrá dado por:
 3 x3( 0) Senx (02)x3( 0) x2( 0) Senx2( 0) x3( 0)   x1(1) − x1( 0) 


 2 x1( 0) − 162( x2( 0) + 01 .) Cosx3( 0)   x2(1) − x2( 0)  =
   (1) ( 0) 
 1x4
3 − x3 
( 0) ( 0) ( 0) ( 0)
 − x2( 0) e − x1 x2 − x1( 0) e − x1 x2 20
14444444444244444444443 4244 3
J ( X ( 0) ) Y ( 0)
 ( 0) 1 
 3 x1 − Cosx2 x3 −
( 0) ( 0)

 2 
−  ( x1( 0) ) 2 − 81( x2( 0) + 01 . ) 2 + Senx3( 0) + 106
. 
 
 e − x1( 0 ) x2( 0 ) + 20 x ( 0) + 10π − 3 
 3
3 
1444444442444 44444 3
F( X ) ( 0 )
donde los valores obtenidos en esta primera y consiguientes iteraciones vienen dados en la
tabla:
k x (k )
1 x (k )
2 x (k )
3 X ( k ) − X ( k −1) ∞
1 0.50003702 0.01946686 -0.52152047
1.79*10E-2
2 0.50004593 0.00158859 -0.52355711
1.58*10E-3
3 0.50000034 0.00001244 -0.52359845
1.24*10E-5
4 0.50000000 0.0000000 -0.52359877
0
5 0.50000000 0.0000000 -0.52359877
Entonces, el vector solución es :
X ( 5) = (0.50000000 0.0000000 − 0.52359877) t

5. INTERPOLACIÓN (APROXIMACIONES)
Los tipos de Interpolación que se analizan son: → Interpolación Estadística

→ Interpolación Polinomial
La Interpolación Estadística considera n puntos o pares de valores (xi, yi) obtenidos como
resultado de algún proceso estadístico o de medición. Con dichos valores se define un
polinomio de grado m (m ≤ n) o una función f(x) que pase lo más cerca posible de los
puntos conocidos.
El gráfico de la figura muestra una nube de puntos y la tendencia expresada como un

polinomio o una función.
y
(xn, yn)
pm(x) ó f(x)
(xi, yi)
(x1, y1)
Este tipo de Interpolación permite la EXTRAPOLACIÓN.
Por otro lado, la Interpolación Polinomial se origina de una función tabulada (con un
relativo bajo número de valores) y trata de aproximarle a un polinomio de grado n que
pase por los n+1 puntos o pares de valores [xi, f(xi)] conocidos de la tabla.
El gráfico de la figura muestra un conjunto de puntos a través de los cuales pasa un

polinomio de interpolación.
[x2,f(x2)] [x4,f(x4)]
p3(x)
[x3,f(x3)]
[x1,f(x1)]
x
Este polinomio pn(x) proporciona una fórmula para el cálculo de valores intermedios que
no constan en la tabulación inicial dada.
5.1. INTERPOLACIÓN ESTADÍSTICA
Las curvas de ajuste (polinomios o funciones) conllevan un error de aproximación, dado

por:
εi = pm(xi) - yi → i = 1, 2, …, n
ó
εi = f(xi) - yi
En este tipo de interpolación se trata de minimizar las máximas diferencias o diferencias

grandes (εi ) entre el polinomio o la función y el valor de yi, para lo cual se define una
función de error cuadrático de aproximación, dada por:
n
F = ∑ε 2
i
i =1
El proceso de minimizar esta función se conoce con el nombre de los “MINIMOS

CUADRADOS”.
Por otro lado, si la aproximación es por medio de pm(x), la Interpolación Estadística toma
el nombre de “REGRESIÓN POLINOMIAL” y si la aproximación es a través de f(x) toma
el nombre de “REGRESION NO POLINOMIAL”.
Además se define el “COEFICIENTE DE REGRESIÓN”, dado por :
∑[ p ]
n
2
( xi ) − y
m
1 n
γ2 = i =1
, donde : y = ∑y
∑[ y ]
n
2 n i =1 i
i −y
i =1
∑ [ f ( x ) − y]
n
2
i
ó γ2 = i =1
∑[ y ]
n
2
i −y
i =1
Finalmente se habla de la “BONDAD DEL AJUSTE” si se hace un gráfico del polinomio

o función, el cálculo de los errores de aproximación y el cálculo del Coeficiente de
Regresión; todos esto para tener una idea clara del modelo de aproximación utilizado.
5.1.1. REGRESIÓN POLINOMIAL

m
Considerando al polinomio: pm ( x ) = ∑ a k x k , donde m ≤ n
k =0
[ ]
n
F = ∑ pm ( x i ) − y i
2
entonces:
i =1
∂ F
Puesto que los ak son las incógnitas, entonces: = 0 , proporcionará un sistema de m+1
∂ aj
ecuaciones con m+1 incógnitas.
2
n
m 
Por lo tanto: F = ∑ ∑ a k xik − y i 
i =1  k = 0 
∂F n
  m 
donde: = ∑ 2 ∑ a k xik − yi  xij = 0 ⇒ j = 0,1,...., m
∂ a j i =1   k = 0 
n m n
entonces: ∑∑a
i =1 k = 0
k xi
k+ j
= ∑ xij yi
i =1
m
 n
 n
finalmente: ∑ a  ∑ x
k =0
k
i =1
i
k+ j
 = ∑ xi j yi
 i =1
⇒ j = 0,1,..., m
n
Desarrollando la última expresión y considerando ∑ ≡ ∑ , se tiene lo siguiente:
i =1
a 0 ∑ xi0 + a1 ∑ xi1 + a 2 ∑ xi2 +................+ a m ∑ xim = ∑ xi0 yi
a 0 ∑ xi1 + a1 ∑ xi2 + a 2 ∑ xi3 +................+ a m ∑ xim+1 = ∑ xi1 yi
a 0 ∑ xim + a1 ∑ xim+1 + a 2 ∑ xim+ 2 +................+ a m ∑ xi2 m = ∑ xim yi
cuya forma matricial viene dada por:
n ∑ xi ∑ xi2 ........... ∑ xim   a 0   ∑ yi 

    
 ∑ xi ∑ xi2 ∑ xi3 ........... ∑ xim+1   a1   ∑ xi yi 
M  M  = M 
    
 
∑ xim+1 ∑ xim+ 2 ........... ∑ xi2 m   a m   ∑ xi yi 
m
 ∑ xim
Este último sistema lineal puede ser resuelto por cualquier proceso analizado
anteriormente, sin embargo es conveniente que el grado del polinomio no sea alto, puesto

que los elementos de la matriz cada vez son más altos, por lo que hay riesgo de tener un
error considerable y el peligro de no llegar a la solución.
Se recomienda entonces que: m ≤ 4
m
RESUMEN: Ajuste de curvas mediante un polinomio pm ( x ) = ∑ a k x k
k =0
ENTRADA: m (grado del polinomio), n (# de puntos), (xi , yi) pares de
valores de los n puntos.
SALIDA: pm(xi), εi → i = 1, 2, ......, n
ALGORITMO: Para: j = 1, 2, ........, m+1
Considerar: aj-1 → incógnitas

n
Calcular: b j = ∑ xij −1 yi → términos independientes
i =1
Hacer: k = 1, 2, ........, m+1
n
Calcular: C jk = ∑ xik + j − 2 → coeficientes
i =1
Resolver: Sistema lineal por cualquier método y obtener
las incógnitas ak.
Para: i = 1, 2,........, n
m
Evaluar: pm ( xi ) = ∑ a k xik
k =0
Calcular: ε i = pm ( xi ) − yi
Como una aplicación particular, se tiene la REGRESIÓN LINEAL (m = 1), donde :
pm ( x ) = a 0 + a1 x
n ∑ xi   a 0   ∑ yi 
donde:    =  
 ∑ xi ∑x i
2
  a1 .  ∑ xi yi 
resolviendo el sistema, se obtiene:
∑ xi2 ∑ yi − ∑ xi ∑ xi yi
a0 =
n ∑ xi2 − ( ∑ xi ) 2
n ∑ x i yi − ∑ x i ∑ y i
a1 =
n ∑ xi2 − ( ∑ xi ) 2

1
a 0 ∑ y i − a1 ∑ x i y i −
n
( ∑ yi )
2
además se tiene que: γ 2 =

1
∑ yi2 −
n
( ∑ yi ) 2
Ejemplo: Aproximar los puntos dados a una recta. Analizar la bondad del ajuste.
y
xi yi
1 0.5 6
2 2.5 5
3 2 4
4 4 3
5 3.5 2
6 6 1
7 5.5
1 2 3 4 5 6 7 x
donde: n=7 y = 3.428
∑ xi = 28 ∑ yi = 24
∑ xi2 = 140 ∑ xi yi = 119.5
7 28   a 0   24 
entonces:     = 
 28 140  a1   119.5
 7 28 M 24   7 28 M 24 
Aplicando Eliminación - Gaussiana, se tiene:   ~  
 28 140 M 119.5  0 28 M 23.5
donde: a1 = 0.8393 a0 = 0.07143
por lo tanto: p1(x) = 0.07143 + 0.8393 x —> ecuación de una recta.
La bondad del ajuste se puede analizar por medio de la siguiente tabla:

xi yi p1(xi) ε i2 [p1(xi)- y ]2 (yi- y )2

1 0.5 0.911 0.1689 6.34 8.58
2 2.5 1.75 0.5625 2.82 0.862
3 2.0 2.59 0.3481 0.704 2.041
4 4.0 3.43 0.3249 1.6x10-19 0.326
5 3.5 4.27 0.5929 0.704 0.0051
6 6.0 5.11 0.7921 2.82 6.612
7 5.5 5.95 0.2025 6.34 4.291
7
24 2.9919 19.723 22.714
∑ = 28
1
7 2
∑ [ p ( x ) − y]
i =1
1 i
19.723
donde: γ2 = 7 = = 0.86832
22.714
∑(y
i =1
i − y) 2
En la figura se representan tanto los puntos dados como aquellos correspondientes a la

regresión lineal..
Ejemplo: Ajustar los datos de la tabla a un polinomio de segundo grado (parábola).

Hacer el análisis de la bondad del ajuste.
xi 0.00001 0.25 0.5 0.75 1.0

yi 1.0000 1.2840 1.6487 2.1170 2.7183
n ∑ xi ∑ xi 2   a 0   ∑ yi 
   
3  
donde:  ∑ xi ∑ xi 2 ∑ x i   a1  =  ∑ x i y i 
    
 ∑ xi 2 ∑ xi 3 ∑ xi 4   a 2   ∑ xi 2 yi 
así: n=5
∑ xi = 2.5 ∑ yi = 8.768
∑ x i 2 = 1875
. ∑ xi yi = 5.4514
∑ xi 3 = 15625
. ∑ xi 2 yi = 5.7843
∑ xi 4 = 13828
. y = 17536
.

5 2.5 1875
. M 8.768  a 2 = 0.8437
 
entonces:  2.5 1875
. 15625
. M 5.4514  ⇒ a1 = 0.8641
 
 1875
. 15625
. 13828
. M 4.4015 a 0 = 10052
.
por lo tanto: p2(x) = 1.0052 + 0.8641x + 0.8437x2 → ecuación de una parábola.
La bondad del ajuste se aprecia en la siguiente tabla y gráfico.
xi yi p1(xi) ε i2 [p1(xi)- y ]2 (yi- y )2

-4
0.00001 1.0000 1.0052 0.2704x10 0.5601 0.5679
0.25 1.2840 1.2740 1x10-4 0.2300 0.2205
0.5 1.6487 1.6482 0.25x10-6 0.01111 0.0110
0.75 2.1170 2.1279 0.11881x10-3 0.1401 0.1321
1.0 2.7183 2.7130 0.2809x10-4 0.9204 0.9306
5
8.768 0.27419x10-3 1.8618 1.8621
∑ = 2.5
i =1
18618
.
donde: γ 2 = = 0.99984
18621
.
y
x
0.25 0.5 0.75 1.0
5.1.2. REGRESIÓN NO POLINOMIAL
Dependiendo de la tendencia que tenga la nube de puntos, será posible hacer

aproximaciones mediante funciones, sean estas del tipo exponencial, racionales,
trigonométricas, etc.
Así, si la tendencia es del tipo exponencial, se puede considerar los modelos siguientes:
f ( x ) = Ae BX
, donde: A y B son incógnitas
f ( x ) = AX B
Por ejemplo el tratamiento de una de estas funciones, puede ser el siguiente:

f ( x ) = Ae BX —> ln f ( x ) = ln A+ {
Bx
12
4 4 3 { a0 a1
Y
donde: Y = a0 + a1 x —> se trata de una regresión lineal, para lo cual:
a
A= e 0
B = a1
además en los cálculos se debe considerar que: Yi = ln yi
Ejemplo: A los terminales de una caja negra se mide la variación de voltaje en el tiempo,
obteniéndose los siguientes valores:
ti (s) 0 0.2 0.5 1.0 1.5 2 3 4 5 8

vi(V) 0 1.8 3.9 6.3 7.8 8.7 9.5 9.8 9.9 10.0
Ajustar dichos valores a una función del tipo: V = a + be-t.
n
Siendo a y b las incógnitas, entonces: F= ∑ (a + be
i =1
− ti
− vi ) 2
n
dF
donde: = 2∑ (a + be − ti − vi ) = 0
da i =1
n
dF
= 2∑ (a + be − ti − vi )e − ti = 0
db i =1
n ∑ e − ti   a   ∑ v i 
por lo tanto:  −t   = 
∑e i ∑ e − 2 ti   b   ∑ e − t i v i 
así: n = 10
∑ e − ti = 3.2268 ∑ vi = 67.7
− 2 ti
∑e = 2.2445 ∑ e − ti vi = 9.7972
entonces, resolviendo el sistema lineal, dado por:
 10 3.2268 M 67.7  b = −10.0128

  ⇒
 3.2268 2.2445 M 9.7972 a = 10.0009
por lo que: V = 10.0009 - 10.0128 e-t
además:

ti 0 0.2 0.5 1.0 1.5 2.0 3 4 5 8

vi 0 1.8 3.9 6.3 7.8 8.7 9.5 9.8 9.9 10.0
Vi -0.0119 1.8031 3.9278 6.3174 7.7667 8.6458 9.5024 9.8175 9.9334 9.9975
donde: γ 2 = 0.999988
5.2. INTERPOLACIÓN POLINOMIAL
Se trata de aproximar una función f(x) tabulada a otras funciones de fácil manipulación,
como son: polinomios, funciones trigonométricas, exponenciales o racionales.
Siendo lo más usual el uso de polinomios, entonces dada una función tabulada [xi, f(xi)], se
construye un polinomio único pn(x) que pase exactamente por n+1 puntos, esto es:
pn(xi) = f(xi) ≡ fi —> i = 0, 1, ......, n
5.2.1. TÉCNICA MATRICIAL

n
Considerando: pn(x) = ∑ a k x k , donde
k =0
m in ( x i ) ≤ x ≤ m a x ( x i ) (lo cual no permite extrapolar).
Entonces, considerando n+1 pares de valores [xi, f(xi)], el polinomio único que pasa por
dichos puntos será:
∑a
k =0
k xik = f i —> i = 0, 1, ......, n
a 0 + a1 x 0 + a 2 x 02 +........+ a n x 0n = f 0
a 0 + a1 x1 + a 2 x12 +........+ a n x1n = f 1
donde:
M
a 0 + a1 x n + a 2 x n2 +........+ a n x nn = f n
cuya forma matricial viene dada por:
 1 x 0 x 02 ........ x 0n   a0   f 0 
 2
    
 1 x1 x1 ........ x1 
n
 a1   f 1 
M  M  =  M 
     
   an   f n 
 1 x n x n2 ........ x nn 
144424443
MATRIZ DE VANDERMONDE

Debido a la forma de la matriz de potencias, es conveniente que n no sea alto, por lo que se
recomienda que n ≤ 4 .
n
RESUMEN: Aproximación mediante un polinomio interpolante pn(x) = ∑a
k =0
k xk
ENTRADA: n (grado del polinomio), x0 (argumento de evaluación), [xi, f(xi)]

pares de valores de n+1 puntos.
SALIDA: pn(x0)
ALGORITMO: Para: i = 1, 2, ......, n+1
Considerar: ai-1 —> incógnitas

bi = f(xi) —> términos independientes
Hacer: j = 1, 2, ......., n+1
Calcular: Cij = xij-1 —> Coeficientes
Resolver: Sistema lineal por cualquier método y obtener las

incógnitas ak.
n
Evaluar: pn(x0) = ∑a
k =0
k x 0k
Un caso particular de la Interpolación Polinomial es la llamada INTERPOLACIÓN

LINEAL (n = 1), donde:
p1(x) = a0 + a1x
1 x0   a0   f 0 
entonces:     = 
 1 x1   a 1   f 1 
x1 f 0 − x 0 f 1
resolviendo el sistema se tiene: a0 =
x1 − x 0
f1 − f 0
a1 =
x1 − x 0
x1 f 0 − x 0 f 1 f 1 − f 0
donde: p1 ( x ) = + x → ecuación de una recta que pasa por
x1 − x 0 x1 − x 0
los puntos ( x 0 , f 0 ) ∧ ( x1 , f 1 )

Ejemplo: La función de BESSEL de primera clase de orden cero viene tabulada por los
valores en varios puntos. Mediante la definición de un polinomio interpolante de
primero y segundo orden, obtener el valor de la función en x = 1.5.
xi 1.0 1.3 1.6 1.9

f(xi) 0.7651977 0.6200860 0.4554022 0.2818186
Puesto que el polinomio a definirse debe ser evaluado en 1.5, entonces para n = 1, se
x 0 = 13
.
tendrá que:
x1 = 16.
Para el caso n = 2, se tendrá que tomar tres puntos alrededor de 1.5, esto es:
Alternativa I: x0 = 1.0
x1 = 1.3
x2 = 1.6
Alternativa II: x0 = 1.3

x1 = 1.6
x2 = 1.9
Así, para INTERPOLACIÓN LINEAL, se tendrá: p1 ( x ) = a 0 + a 1 x , donde:
 1 13
.   a 0   0.6200860
   =  
 1 16
.   a1   0.4554022
a1 = - 0.548946
resolviendo se tiene: 
 a 0 = 1.333716
entonces: p1 ( x ) = 1.333716 - 0.548946 x

p1 (1.5) = 1.333716 - 0.548946(1.5) = 0.5102908
Para INTERPOLACIÓN CUADRÁTICA, se tiene: p2 ( x ) = a 0 + a 1 x + a 2 x ² , donde:
1 x 0 x0 2   a0   f 0 
    
 1 x1 x1 2   a 1  =  f 1 
    
1 x2 x2 2   a2   f 2 
 1 10
. 10
.   a 0   0.7651977
    
Alternativa I:  1 13 .   a 1  =  0.620086 
. 169
    
 1 16
. 2.56  a 2   0.4554022

resolviendo se obtiene: a 2 = - 0.1087339

a1 = - 0.2336177
a 0 = 1.107549
por lo tanto p2(1.5) = 1.107549 - 0.2336177(1.5) - 0.1087339(1.5)² = 0.5124715
 1 13 .   a 0   0.620086 
. 169
    
. 2.56  a1  =  0.4554022
Alternativa II:  1 16
    
 1 19
. 3.61  a 2   0.2818186
Resolviendo el sistema y evaluando el polinomio se obtiene: p2 (1.5) = 0.5112857
Finalmente, se sabe que el valor real de la función dada en 1.5 es: f(1.5) = 0.5118277, lo
cual permite concluir que en general, mientras mas alto es el grado del polinomio
interpolante, mejor será la aproximación.
5.2.2. POLINOMIO DE LAGRANGE
Otra forma de efectuar aproximaciones es mediante el uso del polinomio interpolante de

Lagrange.
El modelo del polinomio de interpolación viene dado por:
n
Pn ( x ) = ∑L
K =0
K ( x) f K
n  x− x 
donde: LK ( x ) = ∏  
j
→ polinomio de Lagrange de grado n
j =0  x K − x j 
j≠K
Puesto que el polinomio pasa por los n + 1 puntos, entonces:
Pn(xi) = fi → i = 0, 1, ..., n
1 i=k
para lo cual: LK ( xi ) = 
para
0 para i= j
Al igual que en el modelo matricial (Vandermonde), también en este modelo de Lagrange,

el grado del polinomio no debe ser alto, así es conveniente que n ≤ 4.

Este método de interpolación por Lagrange, a más de permitir evaluar la función en valores
que no constan en la tabla min( xi ) 〈α 〈 max ( xi ) , se usa preferentemente cuando los xi
“no están IGUALMENTE ESPACIADOS”.
n
RESUMEN: Aproximación mediante un polinomio: Pn ( x ) = ∑L
K =0
K ( x) f K
ENTRADA: n (grado del polinomio interpolante), α (argumento de

evaluación), [xi, f(xi)] pares de valores de n + 1 puntos.
SALIDA: pn(α)
ALGORITMO: Para: K = 0, 1, ........, n
Considerar: f K ≡ f (xK )
n  α − x 
Calcular: LK (α ) = ∏  
j
j =0  x K − x j 
j≠K
n
Calcular: Pn (α ) = ∑L
K =0
K (α ) f K
Un caso particular es cuando: n = 1 (Interpolación Lineal por Lagrange), esto es:

1
P1 ( x ) = ∑L
K =0
K ( x ) f K = L0 ( x ) f 0 + L1 ( x ) f 1
1  x − x 
x − x1
donde: L0 ( x ) = ∏   =
j
j =0  0
x − x j x 0 − x1
j ≠0
1  x − x 
x − x0
L1 ( x ) = ∏   =
j
j = 0  x1 − x j  x1 − x 0
j ≠1
x − x1 x − x0
entonces: P1 ( x ) = f0 + f
x 0 − x1 x1 − x 0 1
donde presentando de otra forma, se tiene que:
x1 f 0 − x 0 f 1 f 1 − f 0
P1 ( x ) = + x → es un polinomio similar al obtenido
x1 − x 0 x1 − x 0
en el modelo matricial.

Todo esto implica que el polinomio de interpolación es único, premisa con la que se partió
para el análisis de interpolación polinomial.
Ejemplo: Usando la función de Bessel tabulada, del ejemplo anterior, obtener

polinomios interpolantes de primero y segundo orden mediante el modelo de
Lagrange. Evaluar los polinomios en α = 1.5
→ P1 ( x ) = L0 ( x ) f 0 + L1 ( x ) f 1 ; donde: xo = 1.3 → fo = 0.620086

x1 = 1.6 → f1 = 0.4554022
( x − 16
. ) 1
L0 ( x ) = =− ( x − 16
. )
(13. − 16. ) 0.3
( x − 13
. ) 1
L1 ( x ) = =− ( x − 13
. )
(16. − 13. ) 0.3
entonces: p1 ( x ) = 1.333716 - 0.548946 x

p1 (1.5) = 0.5102968
→ P 2 ( x ) = L0 ( x ) f 0 + L1 ( x ) f 1 + L2 ( x ) f 2 ; donde:
Alternativa I: x0 = 1.0 → fo = 0.7651977

x1 = 1.3 → f1 = 0.6200860
x2 = 1.6 → f2 = 0.4554022
Alternativa II: xo = 1.3 → fo = 0.6200860

x1 = 1.6 → f1 = 0.4554022
x2 = 1.9 → f2 = 0.2818186
Alternativa I:
( x − x1 )( x − x 2 ) ( x − 13
. )( x − 16
. ) 1
L0 ( x ) = = = ( x − 13
. )( x − 16
. )
( x 0 − x1 )( x 0 − x 2 ) (10
. − 13. )(10. − 16
. ) 018
.
( x − x 0 )( x − x 2 ) ( x − 10
. )( x − 16
. ) 1
L1 ( x ) = = =− ( x − 10
. )( x − 16
. )
( x1 − x 0 )( x1 − x 2 ) (13
. .−10 . − 16
. )(13 . ) 0.09
( x − x 0 )( x − x1 ) ( x − 10
. )( x − 13
. ) 1
L2 ( x ) = = = ( x − 10
. )( x − 13
. )
( x 2 − x 0 )( x 2 − x1 ) (16
. − 10. )(16. − 13. ) 018
.
donde: p2 ( x ) = 1.107549 - 0.2336177 x - 0.1081339 x ²

p2 (1.5) = 0.5124715
Alternativa II:
( x − 16
. )( x − 19
. ) 1
L0 ( x ) = = ( x − 16
. )( x − 19
. )
. − 16
(13 . )(13. − 19
. ) 018
.
( x − 13
. )( x − 19
. ) 1
L1 ( x ) = =− ( x − 13
. )( x − 19
. )
. − 13
(16 . )(16. − 19
. ) 0.09
( x − 13
. )( x − 16
. ) 1
L2 ( x ) = = ( x − 13
. )( x − 16
. )
. − 13
(19 . )(19. − 16. ) 018
.
donde: p2 ( x ) = 1.230874 - 0.4055603x - 0.04944333x ²

p2 (1.5) = 0.5112857
5.2.3. FÓRMULAS DE INTERPOLACIÓN DE NEWTON
Dependiendo de las características de los puntos [xi, f(xi)] tabulados, Newton ha

desarrollado fórmulas de Interpolación Polinomial, tanto para valores de xi con intervalo
de separación constante, como para cuando los valores de xi no mantienen un orden lógico
ni una separación constante.
5.2.3.1. DIFERENCIAS FINITAS
Concepto usado para definir un polinomio de interpolación en el caso en que los valores de
xi mantienen un orden lógico y una separación constante, esto es:
xi - xi-1 = h → puntos igualmente espaciados.
Las Diferencias Finitas se definen de la siguiente forma:
∆f ( x ) = f ( x + h) − f ( x ) → diferencias finitas de primer orden
∆2 f ( x ) = ∆f ( x + h) − ∆f ( x ) → diferencias finitas de segundo orden
‘
‘
‘
∆k f ( x ) = ∆k −1 f ( x + h) − ∆k −1 f ( x ) → diferencias finitas de k-ésimo orden
Cambiando de notación y considerando: fi f(xi) → i = 0, 1,......, n

Se tiene: ∆f ( xi ) = f ( xi + h) − f ( xi ) ⇒ ∆f i = f i +1 − f i → i = 0,1........, n − 1

∆2 f ( xi ) = ∆f ( xi + h) − ∆f ( xi ) ⇒ ∆2 f i = ∆f i +1 − ∆f i → i = 0,1......, n − 2
.
.
.
 k = 2,3,...., n 
∆k f ( xi ) = ∆k −1 f ( xi + h) − ∆k −1 f ( xi ) ⇒ ∆k f i = ∆k −1 f i +1 − ∆k −1 f i →  
i = 0,1,...., n − k 
Es posible resumir todas las Diferencias Finitas en una tabla como la siguiente:
xi fi ∆fi ∆2fi ∆3fi …………………. ∆nfi

x0 f0
∆f0
x1 f1 ∆2f0
∆f1 ∆3f0
2
x2 f2 ∆ f1
∆f2
x3 f3
. .
. .
. . ∆nf0
xn-3 fn-3
∆fn-3
xn-2 fn-2 ∆2fn-3
∆fn-2 ∆3fn-3
xn-1 fn-1 ∆2fn-2
∆fn-1
xn fn
Es importante notar que las Diferencias Finitas permiten calcular aproximaciones a las
derivadas de ƒ(x), puesto que según el Teorema del Valor Medio, se tiene que:
∆f ( x ) = f ( x + h) − f ( x ) = hf ′ (ξ ), donde: x < ξ < x + h
(k )
En general: ∆k f ( x ) = h k f (ξ ), donde: x < ξ < x + kh
RESUMEN: Cálculo de Diferencias Finitas de todos los órdenes
ENTRADA: n(# máx de orden ), [xi, ƒ(xi)] pares de valores de n+1 puntos
 k = 1,2,......, n 
SALIDA : ∆k f i →  
i = 0,1,...., n − k 
ALGORITMO: Considerar: ƒo= ƒ(x0)

Para: i = 1, 2,……., n
Considerar: ƒi = ƒ(xi)
Calcular: ∆ƒi-1 = ƒi - ƒi-1
Para: k = 2, 3,…….., n
Hacer: i = 0,1,…., n-k
Calcular: ∆k f i = ∆k −1 f i +1 − ∆k −1 f i
Ejemplo: La función f ( x ) = ∫
0.1
Cos( z ) dz , viene tabulada con los valores dados en la
tabla.
Calcular todas las Diferencias Finitas de todos los órdenes.
xi ƒi ∆ƒi ∆2ƒi ∆3ƒi
0.2 0.09944
0.09843
0.3 0.19787 -0.00151
0.09692 -0.00052
0.4 0.29479 -0.00203
0.09489
0.5 0.38968
Para desarrollar la Fórmula de Newton en función de las Diferencias Finitas, se parte de un

modelo de polinomio, dado por :
pn ( x ) = C0 + C1 ( x − x 0 ) + C2 ( x − x 0 )( x − x1 ) + C3 ( x − x 0 )( x − x1 )( x − x 2 ) + L
+ Cn ( x − x 0 )( x − x1 ) L ( x − x n −1 )
Ahora, partiendo del hecho de que el polinomio de interpolación es único, esto es:
pn ( x i ) = f i → i = 0,1,.........., n
entonces:
p n ( x 0 ) = f o = Co
pn ( x1 ) = f 1 = C0 + C1 ( x1 − x o )
pn ( x 2 ) = f 2 = C0 + C1 ( x 2 − x o ) + C2 ( x 2 − x o )( x 2 − x1 )
M
pn ( x n ) = f n = C0 + C1 ( x n − x o ) + C2 ( x n − x o )( x n − x1 ) + C3 ( x n − x o )( x n − x1 )( x n − x 2 ) +.......
+ Cn ( x n − x 0 )( x n − x1 )...........( x n − x n −1 )
Además, siendo que: xi − xi −1 = h , entonces

f 0 = C0
f 1 = C0 + C1 (h)
f 2 = C0 + C1 (2h) + C2 (2h 2 )
f 3 = C0 + C1 (3h) + C2 (6h 2 ) + C3 (6h 3 )
M
f n = C0 + C1 (nh) + C2 (n)(n − 1)h 2 + C3 (n)(n − 1)(n − 2)h 3 +.......+ Cn (n ! h n )
Despejando de cada ƒi la correspondiente Ci y haciendo sustituciones sucesivas, se tiene:
C0 = f 0
1
C1 = ( f 1 − f 0 )
h
1 1
C2 = 2 [ f 2 − f 0 − 2( f 1 − f 0 )] = 2 ( f 2 − 2 f 1 + f 0 )
2h 2h
1 1
C3 = 3 [ f 3 − f 0 − 3( f 1 − f 0 ) − 3( f 2 − 2 f 1 + f 0 )] = 3 ( f 3 − 3 f 2 + 3 f 1 − f 0 )
6h 6h
1
C4 = ( f − 4 f 3 + 6 f 2 − 4 f1 + f 0 )
4!h 4 4
M
1  n(n − 1) n(n − 1)(n − 2) n(n − 1) 
Cn =  f n − nf n−1 + 2! f n−2 − f n−3 + L + (−1) n−2 f 2 + (−1) n−1 nf 1 + (−1) n f 0 
n!h n 3! 2! 
Ahora, según el concepto de Diferencias Finitas, se tiene lo siguiente:
∆f 0 = f 1 − f 0
∆2 f 0 = ∆f 1 − ∆f 0 = f 2 − f 1 − ( f 1 − f 0 ) = f 2 − 2 f 1 + f 0
∆3 f 0 = ∆2 f 1 − ∆2 f 0 = ∆f 2 − ∆f 1 − ( ∆f 1 − ∆f 0 ) = ∆f 2 − 2 ∆f 1 + ∆f 0 = f 3 − f 2 − 2( f 2 − f 1 ) + f 1 − f o =
= f 3 − 3 f 2 + 3 f1 − f 0
∆ f 0 = ∆3 f 1 − ∆3 f o = ∆2 f 2 − ∆2 f 1 − ( ∆2 f 1 − ∆2 f o ) = ∆2 f 2 − 2 ∆2 f 1 + ∆2 f o = f 4 − 4 f 3 + 6 f 2 − 4 f 1 + f 0
4
M
n
 n
∆n f 0 = ∆n −1 f 1 − ∆n −1 f o = ∆n − 2 f 2 − 2 ∆n − 2 f 1 + ∆n − 2 f 0 = ∑ ( −1) n   f ( n − k )
k =0  k
 n n!
donde   = → Coeficiente Binomial o Factorial de Newton.
 k  k !( n − k )!
Según todo esto, los coeficientes Ci tendrán los siguientes modelos:

Co = f 0
1
C1 = ∆f
h 0
1
C2 = 2 ∆2 f 0
2h
1 3
C3 = ∆ f0
3! h 3
1
C4 = ∆4 f 0
4!h 4
M
1
Cn = ∆n f 0
n!h n
Por lo tanto el polinomio de interpolación de Newton, toma la siguiente forma:
1 1 1 3
pn ( x ) = f 0 + ( x − x 0 ) ∆f 0 + ( x − x 0 )( x − x1 ) 2 ∆2 f 0 + ( x − x 0 )( x − x1 )( x − x 2 ) ∆ f 0 +L
h 2h 3! h 3
1
+ ( x − x 0 )( x − x1 )( x − x 2 )L ( x − x n −1 ) ∆n f o
n!h n
x − x0
Considerando : s = , entonces:
h
x − x1 x − ( x 0 + h) x − x 0
= = −1= s −1
h h h
x − x 2 x − ( x 0 + 2h) x − x 0
= = −2 = s−2
h h h
M
x − x n −1 x − ( x 0 + (n − 1)h) x − x 0
= = − n +1= s − n +1
h h h
Por lo tanto:
( x − x0 ) ( x − x0 ) ( x − x1 ) ∆2 f 0 ( x − x0 ) ( x − x1 ) ( x − x2 ) ∆3 f 0
pn ( x) = f 0 + ∆f 0 + + +L
h h h 2 h h h 3!
( x − x0 ) ( x − x1 ) ( x − x2 ) ( x − xn−1 ) ∆n f o
+ .L
h h h h n!
∆2 f 0 ∆3 f 0 ∆n f o
pn ( x) = f 0 + s∆f 0 + s(s −1) + s(s − 1)(s − 2) + L+ s(s −1)(s − 2)L(s − n + 1)
2 3! n!
n
 
s
entonces: pn ( x ) = f 0 + ∑   ∆k f 0 ⇐ FÓRMULA DE NEWTON
k =1  k 
 s  s( s − 1)( s − 2).........( s − k + 1)
donde:   =
 k k!
n
1 k −1
También: pn (α ) = f 0 + ∑ Ck ∆k f 0
k =1
→ Ck = ∏ (s − i)
k ! i =0

Según la fórmula, se puede evaluar el polinomio en un punto α (min(xi) < α < max(xi)), con
una precisión ε que se requiera, o a su vez se puede limitar el grado del polinomio según la
condición dada por:
 S k
  ∆ f 0 ≤ ε , donde: n = k-1
 k
RESUMEN: Polinomio de Interpolación de Newton
ENTRADA: n(grado del polinomio), α(argumento de evaluación), [xi, f(xi)]

pares de valores de n+1 puntos al inicio de la tabla alrededor
de α.
SALIDA: pn(α)
ALGORITMO: Calcular: Diferencias Finitas

α − x0
Considerar: s =
x1 − x 0
Para: k = 1, 2,….., n
1 k −1
Calcular: Ck = ∏ (s − i)
k ! i =0
n
Calcular: pn (α ) = f 0 + ∑ Ck ∆k f 0
k =1
Ejemplo: Considerando la función tabulada del ejemplo anterior, determinar el valor
de ƒ(0.25) y ƒ(0.48) mediante un polinomio interpolante de Newton de segundo orden.
 s  s
En general: p2 ( x ) = f 0 +   ∆f 0 +   ∆2 f o
 1  2
a) Para α = 0.25 ⇒ x0 = 0.2

x1 = 0.3
x2 = 0.4
además:
α − x0 0.25 − 0.2
s= = = 0.5
h 01.
 s s
  = = 0.5
 1 1!
 s s( s − 1)
 = = −0125
.
 2 2!

entonces: p2 (0.25) = 0.09944 + (0.5)(0.09843) + (-0.125)(-0.00151)

p2 (0.25) = 0.14884 ≈ f (0.25)
b) Para: α = 0.48 ⇒ x0 = 0.3

x1 = 0.4
x2 = 0.5
α − x0 0.48 − 0.3
además: s= = = 18
.
h 01.
 s s  s s( s − 1)
  = = 18
. ,  = = 0.72
 1 1!  2 2!
entonces: p2 (0.48) = 0.19787 + (1.8)(0.09692) + (0.72)(-0.00203)

p2 (0.48) = 0.37086 ≈ f (0.48)
5.2.3.2. DIFERENCIAS DIVIDIDAS
Concepto usado para definir un polinomio de interpolación en el caso en que los valores
de x i no mantienen un orden lógico ni una separación constante.
Las Diferencias Divididas se definen de la siguiente forma:
f i +1 − f i
f [ xi , xi +1 ] = → i = 0,1,...., n − 1 ⇒ Diferencias Divididas de primer orden.
x i +1 − x i
f [ x i +1 , x i + 2 ] − f [ x i , x i +1 ]
f [ xi , xi +1 , xi + 2 ] = → i = 0,1,...., n − 2 ⇒ Dif. Div. de 2° orden.
xi + 2 − xi
M
f [ xi +1 , xi + 2 ,..., xi + k ] − f [ xi , xi +1 ,..., xi + k −1 ]
f [ xi , xi +1 ,..., xi + k ] =
xi + k − xi
para: i = 0, 1, ….., n-k ⇒ Diferencias Divididas de k-ésimo orden.
k +1
fi
También: f [ xi , xi +1 ,..., xi + k ] = ∑ k +i ⇒ k = 1, 2,…, n; i = 0, 1,..., n-k
j =i
∏ ( x j − xm )
m= i
m≠ j
Es posible resumir todas las Diferencias Divididas en una tabla como la siguiente:
xi fi f [xi , xi+1] f [xi , xi+1 , xi+2] ……………… f [xi , xi+1 ,…., xi+n]

x0 f0
f [x0 , x1]
x1 f1 f [x0 , x1 , x2]
f [x1 , x2]
x2 f2 f [x1 , x2 , x3]
f [x2 , x3]
x3 f3
: :
: f [x0 , x1 , …. , xn]
: :
xn-2 fn-2
f [xn-2 , xn-1]
xn-1 fn-1 f [xn-2 , xn-1 , xn]
f [xn-1 , xn]
xn fn
RESUMEN: Cálculo de Diferencias Divididas de todos los órdenes.
ENTRADA: n (# máx. de orden), [xi, f(xi)] pares de valores de n + 1 puntos.
 k = 1,2,..., n
SALIDA: f [xi, xi+1 ,…., xi+n] → 
i = 0,1,..., n − k
ALGORITMO: Para: i = 0, 1, ….., n
Considerar: fi ≡ f(xi )
di i = fi
Para: k = 1, 2, …, n
Hacer: i = 0, 1, …., n-k
d i +1,k +i − d i ,k +i −1
Calcular: d i ,k +i =
x k + i − xi
Ejemplo: Una función viene tabulada con los valores dados en la tabla. Calcular todas las
Diferencias Divididas de todos los órdenes.
i fi f [xi , xi+1] f [xi , xi+1 , xi+2] f [xi , xi+1 , xi+3]

1 0
0.46209813
4 1.3862944 - 0.051873116
0.20273255 0.0078655415
6 1.7917595 - 0.020410950
0.18232160
5 1.6094379

La fórmula de Newton en función de las Diferencias Divididas, viene dada por:
pn(x)= f0+f [x0,x1](x-x0)+f [x0,x1,x2](x-x0)(x-x1)+...+f [x0,x1,…,xn](x-x0)(x-x1)…(x-xn-1)
n k −1
También: pn ( x ) = f 0 + ∑ d 0,k ∏ ( x − x j ) , donde: d 0,k ≡ f [ x 0 , x1 ,..., x k ]
k =1 j =0
Ejemplo: Usando la tabla de diferencias del ejemplo anterior, determinar f(2) mediante
un polinomio interpolante de tercer orden.
Se tiene:
p3(x) = f0 + f [x0,x1](x-x0) + f [x0,x1,x2](x-x0)(x-x1) + f [x0,x1,x2,x3](x-x0)(x-x1)(x-x2)
dónde: x0 = 1 f0 = 0
x1 = 4 f [x0,x1] = 0.46209813
x2 = 6 f [x0,x1,x2] = -0.051873116
x3 = 5 f [x0,x1,x2,x3] = 0.0078655415
entonces:
p3(2) = 0 + 0.46209813(2-1) + (-0.051873116)(2-1)(2-4) + (0.0078655415)(2-1)(2-4)(2-6)
p2(3) = 0.62876869 ≈ f (2)
5.2.4. ERROR EN EL POLINOMIO DE INTERPOLACIÓN
Al usar un polinomio de interpolación y evaluarlo en un punto ξ ( xi < ξ < xi+1 ), se tendrá

un error de aproximación o de interpolación más o menos considerable y que dependerá
del grado de dicho polinomio.
Así, la expresión básica del error, viene dada por: e n(x) = f(x) - pn(x)
donde: e n(x) = 0 → x = xi
e n(x) ≠ 0 → x ≠ xi , para: i = 0, 1,…., n
Por otro lado, para el caso de una función, la expansión completa en Series de Taylor
presenta un término de error de truncamiento dado por:

f ( n +1) (ξ )
en = ( x − x i ) n +1 → ( xi < ξ < xi+1 )
(n + 1)! i +1
Una expresión similar se obtiene para un polinomio de interpolación de NEWTON de

orden n-ésimo, esto es:
f ( n +1) (ξ )
en = ( x − x 0 )( x − x1 ).....( x − x n −1 )( x − x n ) → mín x < ξ < max x
(n + 1)!
Para entender esta última expresión, es conveniente establecer una equivalencia entre las
Diferencias Finitas y Divididas, de la siguiente forma:
puesto que el polinomio interpolante es único, entonces se establecen las relaciones

dadas por:
1
f [x0,x1] = ∆f = f ' (ξ )
h 0
1 1
f [x0,x1,x2] = 2 ∆ f0 =
2
f ' '(ξ )
2! h 2!
M
M
1 1
f [x0,x1,….,xn] = ∆n f 0 = f (n)
(ξ )
n! h n n!
1 1
f [x0,x1,….,xn,xn+1] = ∆n +1 f 0 = f ( n +1)
(ξ )
(n + 1)! h n +1 (n + 1)!
donde: mín x < ξ < max x

n
Por lo tanto: en = f [ x 0 , x1 ,...., x n , x n +1 ]∏ ( x − x j )
j =0
Según esto, se puede decir que el término de error viene dado por el término siguiente del
polinomio de Newton.
 n
 n

e ( x ) = f [ x 0 , x 1 ,..., x n , x n +1 ]∏j =0
(x − x j )
En resumen se tiene:  ó también:
e ( x ) = 
s  n +1  s  n +1 ( n +1)
 ∆ f0 =  h f (ξ )
 n
 n + 1  n + 1

Ejemplo: En base a la tabla de Diferencias Divididas del ejemplo anterior, determinar el

error de un polinomio de interpolación de segundo orden en x = 2.
2
Entonces: e2 ( x ) = f [ x 0 , x1 , x 2 , x 3 ]∏ ( x − x j )
j =0
dónde: f [x0, x1, x 2, x 3] = 0.0078655415
x0 = 1, x1 = 4, x2 = 6
por lo tanto: e2(2) = 0.0078655415(2 - 1)(2 - 4)(2 - 6) = 0.062924332
Ejemplo: La función: f ( x ) = ∫ sen 2 (u)du viene tabulada con los siguientes valores:
0
xi 0.1 0.2 0.3 0.4 0.5

fi 0.0003326 0.0026454 0.0088393 0.0206609 0.0396321
a) Determinar un polinomio de interpolación de tercer grado, mediante el proceso

matricial de Vandermonde y eliminación Gaussiana con pivotación completa.
b) Determinar las cotas del error del polinomio interpolante, mediante Newton -
Horner para determinar las raíces.
a) El modelo del polinomio viene dado por: p3(x) = a0 + a1x + a2x2 + a3x3 entonces,
mediante Vandermonde se tiene:
1 x0 x 02 x 03   a 0   f 0  x 0 = 01
. → f0
    
1 x1 x 2
1 x13   a1   f 1  x1 = 0.2 → f 1
1 = donde:
x2 x 2
x 23   a 2   f 2  x 2 = 0.3 → f 2
 2
   
1 x3 x 2
3 x 33   a 3   f 3  x 3 = 0.4 → f 3
así, aplicando Eliminación Gaussiana se tiene:

 pivot   1 01. 0.01 0.001 0.0003326
 1 01 . 0.01 0.001 0.0003326  

1 0. 2 0. 04 0.008 0.0026454  0 01. 0.03 0.007 0.0023128
  ∼  0 0.2 0.08 0.026 0.0085067 ∼
 1 0.3 0.09 0.027 0.0088393  
   0 0.3 015
. 0.063 0.0203283
 1 0.4 016 . 0.064 0.0206609  pivot 

 1 01
. 0.01 0.001 0.0003326   1 01
. 0.01 0.001 0.0003326
   
 0 0.3 015
. 0.063 0.0203283   0 0.3 015
. 0.063 0.0203283
0 0
pivot
∼  
0.02 0.014 0.0044633   0 0 0.02 0.014 0.0044633
 
 0 0 − 0.02 − 0.016 − 0.0050455 0 0 0 0.002 0.0005822
  
donde: a3 = 0.2911
a2 = 0.019395
a1 = -0.0030675
a0 = 0.0001543
por lo tanto: p3(x) = 0.0001543 - 0.0030675 x + 0.0030675 x2 + 0.2911 x3
b) Puesto que la expresión de error viene dada por:
f (ζ( 4)) 3
e3 ( x ) =
4!
∏ (x − x
j =0
j . < ζ < 0.4
) → 01
entonces los límites del error pueden expresarse de la siguiente forma:
3 3
IV
min f ( x ) min ∏ (x − x
j =0
j)
IV
máx f ( x ) máx ∏ (x − x
j =0
j )
≤ e3 ( x ) ≤
4! 4!
asi: f I(x) = Sen2 (x)

f II(x) = Sen (2x)
f III(x) = 2 Cos (x)
f IV(x) = -4 Sen (2x) → min f ( x ) = 0
IV
→ x=0
max f ( x ) = 4 → x = 0.7854
IV
Para este caso los valores de x están fuera del intervalo [0.1, 0.4] , por lo que es necesario
determinar el min y el máx de f ( IVx ) usando el min y el máx local respectivamente, así :
min local: x = 0.1 ⇒ min f IV(x) = 0.7947
max local: x = 0.4 ⇒ maxf IV(x) = 2.8694
por otro lado:
∏ (x − x
j =0
j ) = ( x − 01
. )( x − 0.2)( x − 0.3)( x − 0.4) = x 4 − x 3 + 0.35x 2 − 0.05x + 0.0024
d 3
entonces: ∏ ( x − x j ) = 0 = 4 x 3 − 3x 2 + 0.7 x − 0.05
dx j = 0
donde, al aplicar Newton - Horner con: x0 = 0 (valor inicial), en la expresión:
4 x k 3 − 3x k2 + 0.7 x k − 0.05
x k +1 = x k −
12 x k2 − 6 x k + 0.7
se obtienen los siguientes resultados:
xk
ai 0.0714 0.1131 0.1326 0.1378
-0.05 -0.0138 -0.0034 -0.0006 -0.00003

0.7 0.5061 0.4120 0.3725 0.3625
-3 - 2.7143 -2.5478 -2.4695 -2.4487
4 4 4 4 4
entonces: 4x3 - 3x2 + 0.7x - 0.05 = (x - 0.1378)(4x2 - 2.4487x + 0.3625) = 0
donde las raíces son: xA = 0.1378

xB = 0.2507
xC = 0.3615, todas estas raíces están dentro del intervalo [0.1, 0.4]
3
por lo tanto: ∏ (x
j =0
A − x j ) = −0.0001
3
∏ (x
j =0
B − x j ) = 5.62 x10 −5
3
∏ (x
j =0
C − x j ) = −0.0001
3 3
donde: min ∏ ( x − x j ) = 10 − 4 máx ∏ ( x − x j ) = 5.62 x10 −5
j =0 j =0
finalmente, los límites del error del polinomio interpolante, vienen dados por:
0.7947 x5.62 x10−5 2.8694 x10−4

≤ e3 ( x ) ≤
4! 4!
. x10− 6 ≤ e3 ( x ) ≤ 12
186 . x10− 5
Ejemplo: La función: f(x) = ∫e

0
−u2
du viene dado por la siguiente tabla de valores:
xi 0.1 0.3 0.5 0.7 0.9

fi 0.09950 0.29078 0.46063 0.59997 0.70557

a) Determinar f(0.4) mediante un polinomio de interpolación de 3er orden que

utilice diferencias divididas.
b) Estimar el error del polinomio de interpolación p3(0.4)
a) p3(x) = fo + f[xo,x1](x-x0) + f[xo,x1,x2](x-x0)(x-x1) + f[xo,x1,x2,x3](x-x0)(x-x1)(x-x2)
xi fi f[xi,xi+1] f[xi,xi+1,xi+2] f[xo,x1,x2,x3]

0.1 0.09950
0.95640
0.3 0.29078 -0.26788
0.84925 -0.18917
0.5 0.46063 -0.38138
0.69670
0.7 0.59997
0.9 0.70557 ← no utilizado por no ser necesario
entonces: f(0.4) ≅ p3(0.4), donde:
p3(0.4) = 0.09950 + 0.95640(0.4 - 0.1) - 0.26788(0.4 - 0.1)(0.4 - 0.3) -

0.18917(0.4 - 0.1)(0.4 - 0.3)(0.4 - 0.5)
p3(0.4) = 0.37895
b) e3(0.4) = f[x0, x1, x2, x3, x4] (0.4 - x0)(0.4 - x1)(0.4 - x2)(0.4 - x3 )
entonces:
xi fi f[xi,xi+1] f[xi,xi+1,xi+2] f[xo,x1,x2,x3] f[xo,x1,x2,x3,x4]

0.1 0.09950
0.95640
0.3 0.29078 -0.26788
0.84925 -0.18917
0.5 0.46063 -0.38138 -0.0001
0.69670 -0.18920
0.7 0.59997 -0.40030
0.73673
0.4 0.37895
por lo tanto: e3(0.4) = -0.0001(0.4 - 0.1)(0.4 - 0.3)(0.4 - 0.5)(0.4 - 0.7)
e3(0.4) = - 9 x 10-8
6. DIFERENCIACIÓN E INTEGRACIÓN NUMÉRICA

 f ′ ( x ) a ≈ p′ n ( x )
 a
Puesto que: f(x) ≅ pn(x) ⇒  b b
∫ f ( x )dx ≈ ∫ pn ( x )dx
a a
 d
[ d
]
′
 E D = dx f ( x ) − pn ( x ) a = dx en ( x ) = en (a )
 a
Además: en(x) = f(x) - pn(x) ⇒  b b
 I ∫a [
 E = f ( x ) − p ( x ) dx = e ( x )dx
n ∫a n ]

Considerando: g n ( x ) = f [ x 0 , x1 ,..... x n , x ] , entonces:
lim g n ( x + ∆x ) − g n ( x ) lim
g ′ n ( x) = = g n ( x , x + ∆x )
∆x → 0 ( x + ∆x ) − x ∆x → 0
Pero: g n ( x , x + ∆x ) = f [ x 0 , x1 ,........, x n , x , x + ∆x )]
también: g´n(x) = lim f[x0, x1,......, xn, x, x+∆x] = f[x0, x1,......, xn, x, x]
∆x →0
d
por lo que se concluye que: f [ x 0 , x1 ...., x n , x ] = f [ x 0 , x1 ,...... x n , x , x ]
dx
f (ζ( n)+1)
Por otro lado se tiene que: f [ x 0 , x1 ,....., x n , x ] =
(n + 1)!
f (η( n)+ 2 )
y en consecuencia: f [ x 0 , x1 ,....., x n , x , x ] =
(n + 2)!
donde: ζ , η pertenecen al intervalo en el que se realiza la interpolación.
6.1. FÓRMULAS DE DIFERENCIACIÓN
d d n d n
en ( x ) = f [ x 0 , x1 ,...... x n , x ] ∏ ( x − x j ) + f [ x 0 , x1 ,....., x n , x ]∏ ( x − x j )
dx dx j = 0 dx j =0

e′ n ( x ) = f [ x 0 , x1 ,...... x n , x ]W ′ ( x ) + f [ x 0 , x1 ,..... x n , x , x ]W ( x )
f (ζ( n)+1) f (η( n)+ 2 )

e′ n ( x ) = W ′ ( x) + W ( x)
(n + 1)! (n + 2)!
Así, se tiene:
f ( n +1) (ζ ) f ( n + 2 ) (η)
en′ (a ) = W ′ (a ) + W (a ) → min xi 〈 (ζ , η) 〈 max xi
(n + 1)! (n + 2)!
Esta última expresión se puede simplificar si se tienen puntos igualmente espaciados y si

se escoge “a” de tal forma que:
I) W(a) = 0
II) W ’(a) = 0
La primera condición W(a) = 0 se logra si: xi = a, para lo cual se tiene:
W ( x ) ( x − x 0 )( x − x1 )........( x − xi −1 )( x − a )( x − xi +1 )........( x − x n )
=
x−a ( x − a)
W ( x)
donde: = ( x − x 0 )( x − x1 ) L ( x − xi −1 )( x − xi +1 ) L ( x − x n ) = Q( x )
x−a
entonces: W ( x ) = Q( x )( x − a ) → W ′ ( x ) = Q ′( x )( x - a ) + Q( x )
por lo que:
W (a ) = 0 ∧ W ′ (a ) = Q(a ) = (a − x 0 )(a − x1 ) L (a − xi -1 )(a − xi +1 ) L (a − x n )
f ( n +1) (ζ ) n
por lo tanto: en′ ( a ) = ∏ (a − x j )
(n + 1)! j = 0
j≠i
La segunda condición W ’(a) = 0 se logra si n es impar, de manera que:
n −1 n −1
n−
x0 , x1 , ............ , 2
↑ 2
, ............., xn −1 , xn
a (simétrico a los xi)


a − x 0 = x n − a
a − x1 = x n −1 − a

a − x 2 = x n − 2 − a

entonces: M
a − x = x − a (*)
 k n− k
M

a − x n2−1 = x n − n2−1 − a
donde:
W ( x ) = [( x − x 0 )( x − x n )][( x − x1 )( x − x n −1 )][( x − x 2 )( x − x n − 2 )]...[( x − x n −1 )( x − x n − n −1 )]

2 2
n −1
2
W ( x ) = ∏ ( x − x k )( x − x n − k )
k =0
de (*) a − x k = x n-k − a ⇒ x n - k = 2a - x k
entonces: ( x − x k )( x − 2a + x k ) = ( x − a ) 2 − (a − x k ) 2
n −1
[ ]
2
por lo tanto: W (a ) = ∏ − (a − x k ) 2 , con lo que se puede demostrar que W ’(a) = 0

k =0
n −1
f ( n + 2 ) (η) 2
según lo cual: en′ (a ) =
(n + 2)! k = 0
[
∏ − (a − x k ) 2 ]
6.1.1. PRIMERA DERIVADA
FÓRMULAS: (n = 1)
f ( x ) ≈ p1 ( x ) = f 0 + f [ x 0 , x1 ]( x - x 0 )
f ( x1 ) − f ( x 0 ) f ( x1 ) − f ( x 2 )
f ′ ( x ) ≈ p ′ ( x ) = f [ x 0 , x1 ] = ⇒ f ′(a ) ≈
x1 − x 0 x1 − x 2
 x0 = a f ( a + h) - f ( a )
CASO I:  ⇒ f ′ (a ) ≈
 x1 = a + h h

f ′′(ζ ) 1 f ′′ (ζ ) f ′′ (ζ )
e1′ (a) = ∏
2! j =0
(a - x j ) =
2!
( a - x1 ) =
2
(a - a - h)
j≠0
h
e1′ (a ) = - f ′′(ζ ) → a <ζ < a +h
2
x 0 = a − h f ( a + h) − f ( a − h)
CASO II:  ⇒ x1 − x 0 = 2h ⇒ f / (a ) ≈
x1 = a + h  2h
f ′′′ (η) 0 f ′′′(η) f ′′′(η)

e1′ (a ) = ∏
3! k = 0
[
− (a - x k ) 2 = ] 3!
[
− (a - x 0 ) 2 =
6
] [ − ( a - a + h) 2 ]
h2
e1′ (a ) = - f ′′′(η) → a- h <η < a+h
6
FÓRMULAS: (n = 2)
f ( x ) ≈ p2 ( x ) = f 0 + f [ x 0 , x1 ]( x - x 0 ) + f [ x 0 , x1 , x 2 ]( x - x 0 )( x - x1 )
∆f 0 ∆2 f 0
f ′( x ) ≈ p2′ ( x ) = f [ x 0 , x1 ] + f [ x 0 , x1 , x 2 ][2 x - ( x 0 - x1 )] = + ( 2 x - x 0 − x1 )
h 2h 2
∆f 0 ∆2 f 0
f ′( a ) ≈ + (2a - x0 − x1 )
h 2h 2
 x0 = a
 ∆f 0 ∆2 f ∆f ∆2 f 0
CASO I:  x1 = a + h ⇒ f ′(a ) ≈ + 2 ( 2a - a - a - h) = 0 −
 x = a + 2h h 2h h 2h
 2
2 ∆f 0 − ∆2 f 0 2( f 1 − f 0 ) − ( f 2 − 2 f 1 + f 0 )
≈ ≈
2h 2h
−3 f 0 + 4 f 1 − f 2 −3 f ( a) + 4 f (a + h) − f (a + 2h)
donde: f ′(a) ≈ ≈
2h 2h
f ′′′(ζ ) 2 f ′′′(ζ ) f ′′′(ζ )

e2′ (a) = ∏
3! j = 0
(a − x j ) =
6
( a − x1 )( a − x2 ) =
6
( a − a − h)(a − a − 2h)
j ≠0

h2
e2′ (a ) = f ′′′ (ζ ) → a < ζ < a + 2h
3
 x0 = a - h
 ∆f 0 ∆2 f 0
CASO II:  x1 = a ⇒ f ′(a) ≈ + (2a - x0 - x1 )
x = a + h h 2h 2
 2
∆f 0 ∆2 f 0 2 ∆f 0 + ∆2 f 0
≈ + ( 2 a − a + h − a ) =
h 2h 2 2h
2( f 1 − f 0 ) + ( f 2 − 2 f 1 + f 0 ) f 2 − f 0 f ( a + h) − f ( a − h)
donde: f ′(a ) ≈ ≈ ≈
2h 2h 2h
f ′′′(η) 2 f ′′′(η) f ′′′(η)

e2′ (a ) = ∏ (a − x j ) = 6 (a − x0 )(a − x2 ) = 6 (a − a + h)(a − a − h)
3! j = 0
j ≠1
h2
e2′ (a ) = - f ′′′(η) → a-h <η < a +h
6
OBSERVACIÓN: Para el CASO II (n = 2), tanto f ′(a ) como e2′ (a ) son exactamente
los mismos que el CASO II con (n = 1), esto se debe a que los xi, se
hallan simétricamente espaciados respecto al “a”. Lo que se deduce,
que al usar puntos de interpolación simétricamente espaciados, se
obtienen fórmulas de “ORDEN SUPERIOR”.
Si se quiere diferenciar en el último punto de la tabla, así por ejemplo: x2 = a, x1 = a - h, x0

= a - 2h, es necesario deducir otras fórmulas siguiendo el mismo proceso anterior.
6.1.2. SEGUNDA DERIVADA
f ( x ) = pn ( x ) + en ( x )=pn ( x )+f [ x 0 ,x1 ,.........,x n ,x ]W ( x )
[
f ′′ ( x ) = pn′′( x ) + f ′[ x 0 ,x1 ,.........,x n ,x ]W ( x )+f [ x 0 ,x1 ,..........,x n ,x ] W ′ ( x ) ]′
= pn′′( x ) + f ′′[ x 0 ,x1 ,.......,x n ,x ]W ( x )+2 f ′[ x 0 ,x1 ,......,x n ,x ]W ′ ( x )+f [ x 0 ,x1 ,......,x n ,x ]W ′ ′ ( x )
f ′′( x ) = pn′′( x ) + f ′[ x 0 ,x1 ,.......,x n ,x,x ]W ( x )+2 f [ x 0 ,x1 ,......,x n ,x,x ]W ′ ( x )+f [ x 0 ,x1 ,......,x n ,x ]W ′ ′ ( x )

FÓRMULAS: (n = 2)
f ′′(a ) = p2′′( x ) + f ′[ x 0 ,x1 ,x 2 ,a,a ]W (a )+2 f [ x 0 ,x1 ,x 2 ,a,a ]W ′ ( a )+f [ x 0 ,x1 ,x 2 ,a ]W ′ ′ ( a )
entonces: p2 ( x ) = f 0 + f [ x 0 ,x1 ]( x-x 0 ) + f [ x 0 ,x1 ,x 2 ]( x-x 0 )( x-x1 )
= f 0 + f [ x 0 ,x1 ]( x-x 0 ) + f [ x 0 ,x1 ,x 2 ]( x 2 − ( x 0 + x1 ) x+x 0 x1 )
donde: p2′′( x ) = 2 f [ x 0 ,x1 ,x 2 ] ⇒ p2′′(a ) = 2 f [ x 0 ,x1 ,x 2 ]
Por otro lado: W ( x ) = ( x-x 0 )( x-x1 )( x-x 2 ) ⇒ W (a ) = (a - x 0 )(a − x1 )(a - x 2 )
= x 3 − ( x 0 + x1 + x 2 ) x 2 + ( x 0 x1+x 0 x 2+x1 x 2 ) x - x 0 x1 x 2
W ′ (a ) = 3a 2 − 2( x 0+x1+x 2 )a+( x 0 x1+x 0 x 2+x1 x 2 )
W ′ ′ (a ) = 6a − 2( x 0+x1+x 2 )
(4)
f (ζ ) 
f [ x 0 ,x1 ,x 2 ,a,a ] = 
4!  (ζ , η) 〈 max x
también:  min x 〈
f ′′′(η) 
f [ x 0 ,x1 ,x 2 ,a ] = 
3!
 x0 = a

CASO I:  x1 = a+h
 x = a+2h
 2
[ ] [ ]
⇒ f ′′(a)=2 f x 0 ,x1 ,x 2 +f ′ x 0 ,x1 ,.....,x n , x,x (a-a )(a-a-h)(a-a-2h)+
(ζ )
(4)
f ′′′(η)
[ 3a 2 − 2(3a + 3h)a + a (a + h) + a (a + 2h) + (a + h)(a + 2h)] + [6a − 2(3a − 3h)]
f
+2
4! 3!
h2
Simplificando, se tiene: f ′′(a )=2 f [ x 0 ,x1 ,x 2 ]+ f (4)
(ζ ) − hf ′′′(η)
6
∆2 f 0 f − 2 f1 + f 0
puesto que: f [ x 0 , x1 , x 2 ] = = 2
2h 2 2h 2

f ( a + 2h ) − 2 f ( a + h ) + f ( a )
entonces: f ′′ (a ) =
h2
h2
e2′ (a ) = f (4)
(ζ )-hf ′′′(η)
6
 x0 = a - h

CASO II:  x1 = a
 x = a+ h
 2
⇒ f ′′(a )=2 f [ x 0 ,x1 ,x 2 ]+f ′[ x 0 ,x1 ,.....,x n , x,x ](a -a+h)(a - a )(a -a - h) +
(ζ )
(4)
f ′′′(η)
[ 3a 2 − 2(a-h+a+a+h)a + (a − h)a + (a-h)(a + h)+a (a + h)] + [6a − 2(3a )]
f
+2
4! 3!
h2
Simplificando, se tiene: f ′′(a ) = 2 f [ x 0 ,x1 ,x 2 ] - f (4)
(ζ )
12
f (a + h) − 2 f (a ) + f (a-h)
entonces: f ′′ (a ) ≈
h2
h2
e2′ (a ) = - f (4)
(ζ )
12
Ejemplo: Dada la función f(x) = ex , determinar f ´(0) y f ´´(0) para los siguientes valores
de h: 1, 0.1, 0.01, 0.001, 0.0001, 0.00001, mediante fórmulas que correspondan
a polinomios de 1ro o 2do grado y puntos simétricos.
f ( a + h ) − f ( a − h) h2
Las fórmulas son: f ′ (a ) ≈ → ED ( f ) = − f ′ ′ ′ (η)
2h 6
f ( a + h) − 2 f ( a ) + f ( a − h) h2
f ′ ′ (a ) ≈ → ED ( f ) = − f ( 4)
(ζ )
h2 12
f ( h) − f ( − h)
puesto que a = 0, entonces: f ′ (0) ≈
2h
f (h) − 2 f (0) + f ( − h)
f ′ ′ (0) ≈
h2

entonces aplicando las fórmulas con cada valor de h, se obtiene lo siguiente:
h f ´(0) f ´´(0)
1 1.1752012 1.0861613
0.1 1.0016675 1.0008336
0.01 1.0000167 1.0000083
0.001 1.0000002 0.9999990
0.0001 1.0000000 0.9999000
0.00001 1.0000001 0.9900000
h2
por otro lado para h → 0, entonces si: η → 0 ⇒ f´´´(η) → 1 ⇒ E D ( f ) = −
6
h2
ζ → 0 ⇒ f (4)(ζ) → 1 ⇒ E D ( f ) = −
12
Ejemplo: Dada la función g ( x ) = ∫ e − s ds , determinar:

2
a) g(0.1), g(0.3), g(0.5), por medio de la fórmula Compuesta del Trapecio y

considerando un h = 0.1.
b) g′ (01
. ) en base a los valores tabulados de a), mediante fórmulas que
involucren a todos los datos y provoquen el menor error.
2
a) Puesto que f ( s) = e − s , entonces según la fórmula Compuesta del Trapecio, se tiene:
• para: a = 0, b = 0.1, h = 0.1
0.1 m−1
.)≈
g (01
2
[ f ( 0) + f ( 01
. ) ] ∑ fi
+ 01
. donde: m =
0.1 − 0
0.1 =1
i =1
0.1
[ ]
0
01
. 0
[ . )] + 01
. ∑ fi ≈
2
.)≈
entonces: g (01 f (0) + f (01 e + e − ( 0.1) = 0.09950
2 i =1 2
• para: a = 0, b = 0.3, h = 0.1
0.1 m −1
g (0.3) ≈
2
[ f (0) + f (0.3)] + 01
. ∑ fi donde: m =
0. 3 − 0
0.1 =3
i =1
.)≈
entonces: g (01
0.1 0
2
[ 2
] [
e + e − ( 0.3) + 01
2 2
]
. e − ( 0.1) + e − ( 0.2 ) = 0.29078
• para: a = 0, b = 0.5, h = 0.1

0.1 m −1
g (0.5) ≈
2
[ f (0) + f (0.5)] + 01
. ∑ fi donde: m =
0.5 − 0
0.1 =5
i =1
0.1 0
.)≈
entonces: g (01
2
[ 2
e + e − ( 0.5) + 01 ] [
2 2 2 2
]
. e − ( 0.1) + e − ( 0.2 ) + e − ( 0.3) + e − ( 0.4 ) = 0.46063
b) Según los valores obtenidos, se tiene la siguiente tabla:
xi 0.1 0.3 0.5

gi 0.09950 0.29078 0.46063
La fórmula de Diferenciación que involucre todos los datos e implique el menor error
viene dada por:
n=2 → xo = a = 0.1
4 f ( a + h) − 3 f ( a ) − f ( a + 2 h )
x1 = a + h = 0.3 ⇒ f ′ (a ) ≈
2h
x2 = a + 2h = 0.5
entonces:
. + 0.2) − 3g (01
4 g (01 . ) − g (01
. + 0.4) 4 g (0.3) − 3g (01
. ) − g (0.5)
g ′ (01
.)≈ = = 0.40399
2(0.2) 0.4
6.2. INTEGRACIÓN NUMÉRICA
b b b
Puesto que f ( x ) = Pn ( x ) + en ( x ) , entonces: ∫a

f ( x ) dx = ∫ Pn ( x)dx +
a
∫ e ( x) dx
a
n
n
pero: en(x) = f [ x 0 ,x1 ,.....,x n ,x ]∏ ( x-x j )
j =0
Si [a, b] ∈ [c, d] ← Intervalo de interpolación [ x 0 , x1 ,....., x n ] ← n+1 puntos,
entonces: EI = ∫
a
f [ x 0 , x1 ,.....,x n , x ] W ( x )dx
donde, dependiendo del comportamiento de W(x), la integral pude tomar las siguientes
formas:
a) Si W(x) no cambia de signo en [a, b]

Puesto que f ( x 0 , y 0 , z0 ) = −0.5 y 0 = − 0.5 * 4 = −2 es continua en [a, b], se puede aplicar el

teorema del segundo valor medio de las integrales definidas, esto es:
=
y1 = y 0 + hf ( x 0 , y 0 , z0 ) = 4 + 0.5 * ( −2) = 3
g ( x 0 , y 0 , z0 ) = 4 − 01
. y 0 − 0.3z0 = 4 − 01. * 4 − 0.3 * 6 = 18
.
⇒ ξ ∈ (a, b)
z1 = z0 + hg ( x 0 , y 0 , z0 ) = 6 + 0.5 * 18
. = 6.9
donde: EI
= →
f ( x1 , y1 , z1 ) = −0.5 y1 = −0.5 * 3 = −15
. y 2 = y1 + hf ( x1 , y1 , z1 ) = 3 + 0.5 * ( −15
. ) = 2.25
η ∈ (c, d) → c < η < d
b) Si W(x) cambia de signo en [a, b]
Eligiendo el punto xn+1 ∈ [a, b], con lo cual se tiene la siguiente identidad:
g ( x1 , y1 , z1 ) = 4 − 01
. y1 − 0.3z1 = 4 − 01
. * 3 − 0.3 * 6.9 = 163
. =
z2 = z1 + hg ( x1 , y1 , z1 ) = 6.9 + 0.5 * 163
. = 7.715
h h
y = yi + [ K 1 + 2( K 2 + K 3) + K 4] zi +1 = zi + [ L1 + 2( L 2 + L 3) + L 4]
donde: i +1 6 = 6 +
K 1 = f ( xi , yi , zi )
para lo cual:
EI = + K 2 = f ( xi + h , yi + h K 1, zi + h L1)
L1 = g ( xi , yi , zi ) 2 2 2
En este caso es posible hacer simplificaciones, pero un caso particularmente deseable

ocurre cuando:
∫
a
W(x)dx = 0
entonces:
EI =
h h h
K 3 = f ( x i + , yi + K 2 , zi + L 2 ) h h h
2 2 2 L 3 = g ( x i + , y i + K 2 , zi + L 2 ) +
2 2 2
K 4 = f ( xi + h, yi + hK 3, zi + hL 3)

así: EI =
L4 = g ( xi + h, yi + hK 3, zi + hL 3)
n
Si se escoge el punto x n+1 de tal manera que V ( x) = ( x − xn +1 )∏ ( x − x j ) no cambie de signo en [a, b],
j −0
entonces de acuerdo al teorema del segundo valor medio de las integrales definidas, se tiene que:
Donde:
6.2.1. FÓRMULAS BÁSICAS
a. Eligiendo
Puesto que x ∈ [a,b] ⇒ W(x) ≥ 0
entonces: W(x) no cambia de signo en [a, b}
Por lo tanto:
A esta fórmula se le conoce con el nombre de fórmula del RECTÁNGULO, cuya interpretación geométrica
viene dada por el gráfico

b. Eligiendo
puesto que
entonces: W(x) cambia de signo en [a, b]
Según lo cual se tiene
por lo tanto
Ahora se debe elegir x1 para que V(x) no cambie de signo.

Así, eligiendo: x1 = x0 ⇒ V(x) = (x – x0) ≥ 0 ∀x [ a,b ]
Entonces:
reemplazando los límites y reduciendo términos semejantes se llega finalmente a la expresión:

FORMULA DEL PUNTO MEDIO
entonces
eligiendo
pueso que
entonces: W(x) ≤ 0, ∀x ∈ [ a,b] no cambia de signo.
Por lo tanto:
simplificando la expresión se llega a lo siguiente:

En cuanto al error se tiene que:
reemplazando los límites y reduciendo términos semejantes, se tiene:
Eligiendo
Entonces
por lo tanto W(x) cambia de signo en [a, b]
b
Según esto se puede demostrar que: ∫W ( x)dx = 0 , con lo que la expresión de error vendrá dada por:
a

Ahora se debe elegir x para que V(x) no cambie de signo.
Así, eligiendo:
Entonces
realizando la integración se llega finalmente a la

siguiente expresión:
Ahora para evaluar p1(x), se usa una combinación de las fórmulas de punto medio y del trapecio, asociadas a
p2(x)
Entonces sumando I + ½ II, se tiene:
Puesto que: p2'' (η1 ) = k ∧ p2'' (η2 ) = k , por ser un polinomio de grado 2, entonces:

2 
( )+ p 2 (a ) + p 2 (b ) 
b
∫ a
p 2 ( x ) dx =
3
(b − a )  p 2

a +b
2 4 
a+b
Además p2(x) interpola a f(x) en los puntos: a , y b, por lo que:
2
( ) ( )
p2 a 2+b = f a 2+b
p2(a) = f(a)
p2(b) = f(b)
( ) + f a 4+ f b  , donde:
b
2  ( ) ( )
así, entonces: ∫ f ( x)dx ≈
a
3
(b − a )  f

a +b
2
[ f (a) + 4 f ( ) + f (b)] FÓRMULA BÁSICA DE SIMPSON 1/3

b
(b − a )
∫ f ( x)dx ≈
a
6
a +b
2
f(x)
parábola
∫p
a
2 ( x )dx
x
a+b
a b
2
6.2.2. FÓRMULAS COMPUESTAS
Puesto que las fórmulas desarrolladas anteriormente dependen de (b - a), entonces si este
es muy grande también los errores serán considerables, por lo que es conveniente más bien
dividirle en subintervalos más pequeños e iguales.
así: xO = a
x1 = a + h
.
.
xi = a + ih
.
.
xm = a + mh = b

b−a
donde: m = es el número de subintervalos correspondientes a los (m+1) puntos.
h
además: xi - xi-1 = h
Por tanto, en cada subintervalo se pueden aplicar cualquiera de las “fórmulas básicas”, esto
es:
xi xi xi
∫ f ( x)dx = x∫ p
xi −1
n ( x )dx + ∫ en ( x)dx
xi −1
i −1
b m xi m
donde: ∫ f ( x )dx = ∑ ∫ pn ( x )dx + ∑ E I i
a i =1 xi −1 i =1
a) Utilización de la fórmula básica del Rectángulo:
xi
∫ pn ( x)dx = ( xi − xi −1 ). f ( xi −1 )
xi −1
xi
f '(ηi )
x
∫ en ( x )dx =
2
( xi − xi −1 ) 2 → ηi ∈ (xi-1, xi)
i −1
Puesto que: xi = a + ih
xi
xi-1 = a + (i - 1)h → ∫ pn ( x)dx = hf i −1
xi −1
fi-1 ≡ f(xi-1)
xi
f '(ηi ) 2
x
∫ en ( x )dx =
2
h
i −1
f ' (ηi ) 2
b m m
Por lo tanto: ∫ f ( x )dx = ∑ hf i −1 + ∑ h
a i =1 i =1 2
Si f ´(x) es continua en [a, b] y en base al teorema del valor medio para las integrales
definidas, pero aplicándolo en forma discreta a un sumatorio, se tiene que:
h2
b m m
∫ f ( x)dx = h∑
a i =1
f i −1 + f '(n) ∑
i =1 2
→ η ∈ (a, b)
mh 2 b−a
b m
∫ f ( x)dx = h∑ f
a i =1
i −1 + f '(η)
2
→ m=
h

b m
donde: ∫ f ( x)dx ≈ h∑ f
a i =1
i −1 ⇒ FÓRMULA COMPUESTA DEL RECTÁNGULO
f ' (η)
b
además: EI = ∫e
a
n ( x )dx =
2
(b − a )h → η ∈ (a, b)
f(x)
xi
∫ pn ( x)dx
xi −1
x
a h b
b) Utilización de la fórmula básica del Punto Medio:
(x ) + f '24'(η ) ( x − x
xi
x
i + i −1
∫ f ( x)dx =( x
i
i − xi −1 ) f 2 i i −1 )3
xi − 1
f '' (ηi ) 3
(x )
b m m
f ( x )dx = ∑ hf i −1/ 2 + ∑
x
i + i −1
donde: ∫
a i =1 i =1 24
h → f i −1/ 2 ≡ f 2
Usando nuevamente una modificación del teorema del valor medio para integrales
definidas y si f ”(x) es continua en [a, b], se tiene:
mh 3 b−a
b m
∫ f ( x )dx = h∑ f i −1/ 2 + f '' (η) → m=

a i =1 24 h
b m
donde: ∫ f ( x)dx ≅ h∑ f
a i =1
i −1/ 2 ⇒ FÓRMULA COMPUESTA DEL PUNTO MEDIO
f ' '(η )
b
además: EI = ∫e
a
n ( x )dx =
24
(b − a )h 2 => η ∈ (a, b)

f(x)
xi
∫ pn ( x)dx
xi −1
x
a h b
c) Utilización de la fórmula básica del Trapecio:
f '' (ηi )
xi
1
∫ f ( x)dx = 2 ( x
xi − 1
i − xi −1 )( f i −1 + f i ) −
12
( xi − xi −1 ) 3
h  m f '' (ηi ) 3
b m m
donde: ∫ f ( x)dx = 2  ∑ f
a i =1
i −1 + ∑ fi  − ∑
i =1  i =1 12
h
m
pero: ∑f i =1
i −1 = f0 + f1 + f2 + ...... + fm-2 + fm-1
∑f i =1
i = f1 + f2 + ...... + fm-1 + fm
m m m−1
entonces: ∑
i =1
f i −1 + ∑ f i = f0 + 2(f1 + f2 + ..... + fm-1 ) + fm = f0 + fm + 2
i =1
∑f i
i =1
m −1
f ' ' (ηi ) 3
b m
h
así: ∫ f ( x )dx = ( f 0 + f m ) + h∑ f i − ∑ h
a
2 i =1 i =1 12
Aplicando los mismos criterios anteriores y además: f0 = f(a) y fm = f(b), se tiene:
m −1
h3
b m
h
∫ f ( x )dx = [ f (a ) + f (b)] + h∑ f i − f ''(η) ∑ → η ∈ (a, b)
a
2 i =1 i =1 12
b m −1
h
donde: ∫ f ( x )dx ≅ [ f (a ) + f (b)] + h∑ f i ⇒ FÓRMULA COMPUESTA DEL TRAPECIO
a
2 i =1
f ' '(η)
b
además: EI = ∫ e ( x)dx = −
a
n
12
(b − a )h 2 → η ∈ (a, b)

d) Utilización de la fórmula básica de SIMPSON 1/3:
Siguiendo un proceso similar a lo hecho con las otras fórmulas básicas, mediante el uso de
la fórmula básica de Simpson 1/3, se llega a la siguiente FÓRMULA COMPUESTA DE
SIMPSON 1/3, dada por:
h m− 2 m −1

b
∫ f ( x )dx ≅  f (a ) + f (b) + 2 ∑ f i + 4 ∑ f i −1/ 2 

a
3 i = 2 , 4 ,... i =1, 3,... 
f IV (η )
4
 h
además: EI = − (b − a )  → η ∈ (a, b)
180  2
Ejemplo: Dada la función g ( x ) = ∫ e − s ds y en base a los valores tabulados, determinar

2
0
0.5
∫ g ( x)dx
0.1
mediante fórmulas que involucren a todos los datos y provoquen el
menor error.
xi 0.1 0.3 0.5

gi 0.09950 0.29078 0.46063
Las fórmulas que involucren a todos los datos e impliquen el menor error, vienen dadas
por:
xo = a = 0.1
b
x1 = a 2+b = 0.3 ∫ f ( x)dx ≈

b−a
6
[ f (a ) + 4 f ( a +b
2 ) + f (b)] ← Fórmula de Simpson 1/3
a
x2 = b = 0.5
0.5
donde: ∫ g ( x)dx ≈ 0.5−6 0.1 [ g (01. ) + 4 g (0.3) + g (0.5)] = 011488

0.1
.
También, mediante la fórmula Compuesta del Trapecio, se tiene:
b m −1
∫ f ( x )dx ≈ h2 [ f (a ) + f (b)] + h∑ f i → m = 0.50−.20.1 = 2

a i =1
0.5
donde: ∫ g ( x)dx ≈ 02.2 [ g (01. ) + g (0.5)] + 0.2 g (0.3) = 0114169

0.1
.

7. SOLUCIÓN NUMÉRICA DE ECUACIONES DIFERENCIALES

ORDINARIAS DE PRIMER ORDEN
Una solución de una Ecuación Diferencial Ordinaria (EDO) es una función específica de
la variable independiente y de los parámetros. Así por ejemplo la EDO de primer orden
dada por:
dy
= x−y donde: y es la variable dependiente
dx
x es la variable independiente
tiene una solución:
y = 2e − x + x − 1 para las condiciones (x0 = 0, y0 = 1)
Por otro lado, una EDO de segundo orden puede transformarse en un Sistema de
Ecuaciones Diferenciales Ordinarias (SEDO) de primer orden, así por ejemplo:
d2y dy
A2 + A1 + A0 y = 0
dx 2 dx
dy dz d 2 y
considerando: z = ⇒ =
dx dx dx 2
dz dz A A
entonces: A2 + A1 z + A0 y = 0 ⇒ =− 1 z− 0 y
dx dx A2 A2
por lo tanto, se tiene el SEDO dado por:
 dy
 dx = z
 cuyas condiciones iniciales son (x0, y0, z0)
 dz = Cz + Dy
 dx
dy
En general se trata de resolver una EDO de la forma: = f ( x, y)
dx
cuya solución general está dada por: y = F(x)
Una EDO de este tipo, asocia con cada punto (xi, yi), la existencia del gradiente dado por:
dy
= f ( xi , yi )
dx xi , yi
siempre y cuando f(x, y) sea continua y uniforme en el intervalo de los puntos (xi, yi).

7.1. MÉTODO DE EULER
y y = F(x)
yi+1
verdadero
yi0+1
predicho
yi
x
xi xi+1
La ecuación de la pendiente en (xi, yi) viene dado por:
dy y − yi
= = f ( xi , yi ) ⇒ y = yi + ( x − x i ) f ( x i , y i )
dx xi , yi x − xi
 y = yi0+1
por otro lado, si:  ⇒ yi +1 ≈ yi0+1 = yi + ( xi +1 − xi ) f ( xi , yi )
 x = xi +1
Generalizando las aproximaciones para un intervalo [a, b] en el que los xi mantienen una
separación consecutiva de un valor h, entonces:
yi +1 = yi + hf ( xi , yi )
donde: f(xi, yi) corresponde a la EDO evaluada en (xi, yi)
Ejemplo: Determinar la solución analítica y numérica de la EDO dada por

y , = 4e 0.8 x − 0.5 y , en el intervalo [0, 4] con un h = 0.5
 x0 = 0
Considerar las condiciones iniciales: 
 y0 = 2
La solución analítica viene dada por: y= 4

1.3 (e 0.8 x − e −0.5 x ) + 2e −0.5 x
 f ( xi , yi ) = 4e 0.8 xi − 0.5 yi
Mientras que el proceso numérico está dado por: 
 yi +1 = yi + hf ( xi , yi )

Algunos pasos se presentan a continuación:
• (x0, y0) = (0, 2)
 f ( x 0 , y 0 ) = 4e 0.8 x0 − 0.5 y 0 → f (0,2) = 4e 0.8*0 − 0.5 * 2 = 3


 y1 = y 0 + hf ( x 0 , y 0 ) → y1 = 2 + 0.5 * 3 = 35 .
• (x1, y1) = (0.5, 3.5)
 f ( x1 , y1 ) = 4e 0.8 x1 − 0.5 y1 → f (0.5,35

. ) = 4e 0.8*0.5 − 0.5 * 35
. = 4.217

 y 2 = y1 + hf ( x1 , y1 ) → y 2 = 35 . + 0.5 * 4.217 = 5.609
• (x2, y2) = (1.0, 5.609)
 f ( x 2 , y 2 ) = 4e 0.8 x2 − 0.5 y 2 → f (10

. ,5.609) = 4e 0.8*1.0 − 0.5 * 5.609 = 6.098

 y 3 = y 2 + hf ( x 2 , y 2 ) → y 3 = 5.609 + 0.5 * 6.098 = 8.658
La tabla presenta los resultados mediante el cálculo analítico y el proceso numérico:
xi Analítico EULER % error relativo

0 2.0 2.0 0
0.5 3.7515 3.5 6.7
1.0 6.1946 5.6086 9.46
1.5 9.7070 8.6576 10.81
2.0 14.844 13.133 11.52
2.5 22.427 19.756 11.91
3.0 33.677 29.595 12.12
3.5 50.412 44.243 13.24
4.0 75.339 66.071 12.3
80
70
60
50 Analítico
Amplitud
40 EULER
%error
30
20
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4
Intervalo
Conclusiones:Mientras más pequeño es el h el error será menor. Sin embargo pueden

haber casos de inestabilidad, donde exista un crecimiento del error.

7.2. MÉTODO MODIFICADO DE EULER
Determina un gradiente o pendiente en xi y otro en xi+1 , luego obtiene el promedio de

estos gradientes, dando como resultado una mejor aproximación al gradiente obtenido por
el método simple de Euler en el intervalo (xi, xi+1).
pendiente = f ( xi +1 , yi0+1 )
y
y = F(x)
pendiente promedio
yi+1
pendiente = f ( xi , yi )
o
y i +1
yi
x
xi xi+1
El esquema representa a un modelo PREDICTOR - CORRECTOR
Así, el gradiente en xi será: yi, = f ( xi , yi )
para lo cual se tiene: yi0+1 = yi + hf ( xi , yi ) ← Ecuación predictora
Además el gradiente en xi+1 viene dado por: yi,+1 = f ( xi +1 , yi0+1 )
yi, + yi,+1 f ( xi , yi ) + f ( xi +1 , yi0+1 )

según lo cual el gradiente promedio será: =
2 2
por lo tanto: yi +1 = yi +
h
2
{
f ( xi , yi ) + f ( xi +1 , yi0+1 ) }
donde: yi +1 = yi +
h
2
{ f ( xi , yi ) + f ( xi +1 , yi + hf ( xi , yi ))} ← Ecuación correctora

Ejemplo: En base al modelo de la EDO del ejemplo anterior, determinar la solución

numérica mediante el método modificado de Euler.
 f ( xi , yi ) = 4e 0.8 xi − 0.5 yi
 0
 yi +1 = yi + hf ( xi , yi )
proceso numérico:  f ( xi +1 , yi0+1 ) = 4e 0.8 xi +1 − 0.5 yi0+1

i {
y = y + h f (x , y ) + f (x , y0 )
 i +1 2
i i i +1 }
i +1
A continuación se desarrollan algunos pasos del proceso numérico.
• (x0, y0) = (0, 2)
 f ( x 0 , y 0 ) = 4e 0.8 x0 − 0.5 y 0 = 4e 0.8*0 − 0.5 * 2 = 3

 0
 y1 = y 0 + hf ( x 0 , y 0 ) = 2 + 0.5 * 3 = 35 .
 f ( x1 , y1 ) = 4e 1 − 0.5 y1 = 4e
0 0 .8 x 0 0 .8*0.5
− 0.5 * 35
. = 4.2173

 1 0 { 2
0 0 1 1}
 y = y + h f ( x , y ) + f ( x , y 0 ) = 2 + 0.5 {3 + 4.2173} = 38043
2 .
• (x1, y1) = (0.5, 3.8043)
 f ( x1 , y1 ) = 4e 0.8*0.5 − 0.5 * 38043

. = 4.0651
 0
 y 2 = 38043
. + 0.5 * 4.0651 = 58369.

 f ( x 2 , y 2 ) = 4e − 0.5 * 58369 = 5.9837
0 0.8*1.0
.
 y = 38043 . + 2 { 4.0651 + 5.9837} = 6.3165
0.5
 2
• (x2, y2) = (1.0, 6.3165)
 f ( x 2 , y 2 ) = 4e 0.8*1.0 − 0.5 * 6.3165 = 5.7439

 0
 y 3 = 6.3165 + 0.5 * 5.7439 = 9.1885

 f ( x 3 , y 3 ) = 4e − 0.5 * 9.1885 = 8.6857
0 0.8*1.5
 y = 6.3165 + 0.5 {5.7439 + 8.6857} = 9.9239

 3 2
Así sucesivamente, hasta completar con el intervalo de análisis.
La tabla, que se presenta a continuación, resume todo el proceso numérico. Se presentan

los resultados analíticos y aquellos obtenidos mediante Euler y Euler Modificado; además
se presentan los errores relativos porcentuales para cada método.

xi Analítico Euler EULER % error rela- % error relativo

MODIFICADO tivo Euler E. Modificado
0 2.0 2.0 2.0 0 0
0.5 3.7515 3.5 3.8043 6.7 1.41
1.0 6.1946 5.6086 6.3165 9.46 1.97
1.5 9.7070 8.6576 9.9241 10.81 2.24
2.0 14.844 13.133 15.196 11.52 2.37
2.5 22.427 19.756 22.976 11.91 2.45
3.0 33.677 29.595 34.515 12.12 2.49
3.5 50.412 44.243 51.677 13.24 2.51
4.0 75.339 66.071 77.238 12.3 2.52
Por otro lado, en el caso de EDO polinomiales, por ejemplo:
f ( x , y ) = −2 x 3 + 12 x 2 − 20 x + 8.5 , se puede aplicar el modelo dado por:
h
yi +1 = yi +
2
{ f ( xi ) + f ( xi +1 )}
7.3. MÉTODOS DE RUNGE - KUTTA
Estos métodos tienen la exactitud del esquema de la Serie de Taylor sin necesidad del
cálculo de derivadas de orden superior.
El modelo general viene dado por: yi +1 = yi + Φ( xi , yi , h)h
donde: Φ( xi , yi , h) es una función de incremento y puede interpretarse como el

promedio de la gradiente en un intervalo (xi, yi).
Así, Φ = a1 K1 + a 2 K2 + ⋅⋅⋅ + a n Kn
donde los {a } son constantes y los {K } vienen dados por:

i i
 K1 = f ( xi , yi )

 K2 = f ( xi + p1h, yi + q11 K1h)
 K3 = f ( xi + p2 h, yi + q 21 K1h + q 22 K2 h)
M

 Kn = f ( xi + pn h, yi + q n −1,1 K1h + q n −1,2 K 2 h + L + q n −1,n −1 K n −1h)
Como se observa, las {Ki } son relaciones recurrentes.

Por otro lado, los valores de {a i } , { pi } y qi , j { } son determinados eligiendo el valor de n y

comparando yi +1 = yi + (a1 K1 + a 2 K2 + L + a n Kn )h con yi +1 = yi + Φ( xi , yi , h)h , donde
Φ se expande en Series de Taylor de orden n.
Así, la ecuación yi +1 = yi + Φ( xi , yi , h)h con la función Φ expandida en Series de Taylor,

viene dada por:
h2
yi +1 = yi + f ( xi , yi )h + f ' ( xi , yi ) + Ο (h 3 )
2 123
↓
término de error
h
donde: Φ( xi , yi , h) = f ( xi , yi ) + f ' ( xi , yi ) + Ο (h 2 )
2 123
↓
término de error
∂ f ∂ f dy dy
además: f '( xi , yi ) = + ⋅ ⇒ = f ( xi , yi )
∂ x ∂ y dx dx
También la expansión en Series de Taylor de la función f ( xi + γ , yi + ρ ) viene dada por:
∂f ∂f
f ( xi + γ , y i + ρ ) = f ( x i , y i ) + γ +ρ + Ο (h 2 )
∂x ∂ y 123
↓
término de error
Por lo tanto, para n = 1, se tiene lo siguiente:
yi +1 = yi + f ( xi , yi )h → Serie de Taylor de primer orden
También: yi +1 = yi + a1 K1h ⇒ K1 = f ( xi , yi )
Comparando, la Serie de Taylor de primer orden con la última expresión obtenida, se tiene
que a1 = 1, por lo que:
y i +1 = y i + f ( x i , y i ) h → Método de Euler
Para n = 2 :
∂ f ∂ f dy h 2
yi +1 = yi + f ( xi , yi )h + ( + ⋅ ) → Serie de Taylor de segundo orden
∂ x ∂ y dx 2
 K1 = f ( xi , yi )
por otro lado: yi +1 = yi + (a1 K1 + a 2 K 2 )h ⇒ 
 K2 = f ( xi + p1h, yi + q11 K1h)

∂f ∂f
donde: f ( xi + p1h, yi + q11 K1h) = f ( xi , yi ) + p1h + q11 K1h
∂x ∂y
por lo que: yi +1 = yi + a1 K1h + a 2 K2 h

 ∂f ∂ f
= yi + a1h f ( xi , yi ) + a 2 h  f ( xi , yi ) + p1h + q11 K1h 
 ∂ x ∂ y
∂f ∂f
= yi + a1h f ( xi , yi ) + a 2 h f ( xi , yi ) + a 2 p1h 2 + a 2 q11 K1h 2
∂x ∂y
 ∂f ∂ f 2
= yi + (a1 + a 2 )h f ( xi , yi ) + a 2 p1 + a 2 q11 K1 h
 ∂x ∂ y
 ∂f ∂f 2
= yi + (a1 + a 2 )h f ( xi , yi ) + a 2 p1 + a 2 q11 f ( xi , yi ) h
 ∂x ∂ y 
Finalmente, comparando la Serie de Taylor de segundo orden con esta última expresión,
se obtiene lo siguiente:
a1 + a 2 = 1

a 2 p1 = 2
1
a q = 1
 2 11 2
Para resolver este último sistema, es necesario dar un valor a una de las incógnitas, con lo
se tendrá una familia de Métodos de Segundo Orden.
7.3.1. MÉTODOS DE RUNGE - KUTTA DE SEGUNDO ORDEN
a1 = 21

Para a 2 = 1 ⇒  p1 = 1
2 q = 1
 11
por lo que: yi +1 = yi + (a1 K1 + a 2 K2 )h = yi + ( 21 K1 + 21 K 2 )h
 K1 = f ( xi , yi ) ← gradiente al incio del intervalo ( xi , xi +1 )

donde: 
 K2 = f ( xi + h, yi + hK1 ) ← gradiente al final del intervalo ( xi , xi +1 )
a este método se le conoce con el nombre de MÉTODO DE HEUN

a1 = 0

Para a 2 = 1 ⇒  p1 = 21

q11 = 2
1
por lo que: yi +1 = yi + (a1 K1 + a 2 K2 )h = yi + K2 h
 K1 = f ( xi , yi )
donde: 
 K 2 = f ( xi + 2 h, yi + 2 hK1 )
1 1
método conocido con el nombre de MÉTODO MEJORADO DEL POLÍGONO
a1 = 13

Para a 2 = 2 ⇒  p1 = 43
3 
q11 = 4
3
por lo que: yi +1 = yi + (a1 K1 + a 2 K 2 )h = yi + ( 13 K1 + 23 K 2 )h
 K1 = f ( xi , yi )
donde: 
 K 2 = f ( xi + 4 h, yi + 4 hK1 )
3 3
conocido con el nombre de MÉTODO DE RALSTON - RABINOWITZ
7.3.2. MÉTODOS DE RUNGE - KUTTA DE ORDEN SUPERIOR
Para n = 3 , una versión común viene dada de la siguiente forma:
yi +1 = yi + 16 ( K1 + 4 K 2 + K 3 )h
 K1 = f ( xi , yi )

donde:  K2 = f ( xi + 21 h, yi + 21 hK1 )
 K = f ( x + h, y − hK + 2hK )
 3 i i 1 2
Para n = 4 , un método clásico viene dado por:
yi +1 = yi + 16 ( K1 + 2 K 2 + 2 K 3 + K4 )h

 K1 = f ( x i , yi )
K = f ( xi + 21 h, yi + 21 hK1 )
 2
donde: 
 K3 = f ( xi + 21 h, yi + 21 hK 2 )
 K 4 = f ( xi + h, yi + hK 3 )
Para n = 5 , el MÉTODO DE BUTCHER (1964) viene dado por:
yi +1 = yi + 1
90 (7 K1 + 32 K 3 + 12 K 4 + 32 K5 + 7 K 6 )h
 K1 = f ( xi , y i )
K = f ( xi + 41 h, yi + 41 hK1 )
 2
 K3 = f ( xi + 41 h, yi + 81 hK1 + 81 hK 2 )
donde: 
 K4 = f ( xi + 21 h, yi − 21 hK2 + hK 3 )
 K5 = f ( xi + 43 h, yi + 163 hK1 + 169 hK4 )

 K6 = f ( xi + h, yi − 73 hK1 + 27 hK 2 + 127 hK3 − 127 hK4 + 87 hK5 )
NOTA: Se pueden disponer de Métodos de Runge - Kutta de orden superior, tal como el
de BUTCHER, pero en general la ganancia obtenida en exactitud por métodos
de orden superior, se contrapone con la complejidad y esfuerzo de cálculo.
Ejemplo: Resolver la EDO del ejemplo anterior, mediante el método de Runge - Kutta de
segundo orden en la versión del Polinomio Mejorado.
 x0 = 0
y , = 4e 0.8 x − 0.5 y → Condciones iciales 
 y0 = 2
Intervalo = [0, 4], paso = 0.5
 0.8 x i
 K1 = f ( xi , yi ) = 4e − 0.5 yi
x 0 = x + 1 h
2
 i i
Proceso numérico:  iy 0
= y i + 1
2 hK1
 0
 K = f ( x 0 , y 0 ) = 4e 0.8 xi − 0.5 y 0
 2 i i i
 yi +1 = yi + hK 2
Algunos pasos se detallan a continuación:
• (x0, y0) = (0, 2)

 K = 4e 0.8 * 0 − 0.5 * 2 = 3
 1
 x 00 = 0 + 21 * 0.5 = 0.25
 0
 y0 = 2 + 2 * 0.5 * 3 = 2.75
1

 K 2 = 4e
0.8 * 0.25
− 0.5 * 2.75 = 35106
.
 y = 2 + 0.5 * 35106. = 3.7553
 1
• (x1, y1) = (0.5, 3.7553)
 K = 4e 0.8 * 0.5 − 0.5 * 3.7553 = 4.0896

 1
 x10 = 0.5 + 21 * 0.5 = 0.75
 0
 y1 = 3.7553 + 2 * 0.5 * 4.0896 = 4.7778
1

 K 2 = 4e
0.8 * 0.75
− 0.5 * 4.7778 = 4.8996
 y = 3.7553 + 0.5 * 4.8996 = 6.2051
 2
• (x2, y2) = (1.0, 6.2051)
 K = 4e 0.8 * 1.0 − 0.5 * 6.2051 = 5.7996

 1
 x 20 = 10
. + 21 * 0.5 = 125
.
 0
 y2 = 6.2051 + 2 * 0.5 * 5.7996 = 7.655
1

 K 2 = 4e
0.8 * 1.25
− 0.5 * 7.655 = 7.0456
 y = 6.2051 + 0.5 * 7.0456 = 9.7279
 3
La tabla presenta el resumen de resultados mediante el cálculo analítico y el proceso

numérico:
xi Analítico R-K-2 % error relativo

0 2.0 2.0 0
0.5 3.7515 3.7553 0.101
1.0 6.1946 6.2051 0.169
1.5 9.7070 9.7279 0.215
2.0 14.844 14.880 0.245
2.5 22.427 22.486 0.264
3.0 33.677 33.770 0.276
3.5 50.412 50.555 0.283
4.0 75.339 75.556 0.288

8. SISTEMA DE ECUACIONES DIFERENCIALES ORDINARIAS
Un S.E.D.O. de primer orden viene expresado de la siguiente forma:
∂ y1
= f 1 ( x , y1 , y 2 ,.., y n )
∂x
∂ y2
= f 2 ( x , y1 , y 2 ,.., y n )
∂x
.
.
∂ yn
= fn ( x , y1 , y 2 ,.., y n )
∂x
La solución del S.E.D.O. requiere de n condiciones iniciales de y en el valor inicial de x.
El procedimiento de solución del S.E.D.O. consiste en aplicar uno de los métodos

numéricos para la solución de una E.D.O., en forma secuencial a cada una de las E.D.O..
Ejemplo: Resolver el S.E.D.O. mediante EULER y R - K de 4to. ORDEN. Considerar el

intervalo [0,2], un valor de incremento h = 0.5 y las condiciones iniciales ( x0 =
0, y0 = 4, z0 = 6).
∂y
= − 0.5 y
∂x
∂z
= 4 − 01
. y − 0.3z
∂x
a) EULER:
Proceso numérico: f ( xi , yi , zi ) = − 0.5 yi

yi +1 = yi + hf ( xi , yi , zi )
g ( xi , yi , zi ) = 4 − 01
. yi − 0.3 zi
zi +1 = zi + hg ( xi , yi , zi )
Algunos pasos se desarrollan a continuación :
( x0 = 0, y0 = 4, z0 = 6)
f ( x 0 , y 0 , z0 ) = −0.5 y 0 = − 0.5 * 4 = −2
y1 = y 0 + hf ( x 0 , y 0 , z0 ) = 4 + 0.5 * ( −2) = 3
g ( x 0 , y 0 , z0 ) = 4 − 01
. y 0 − 0.3z0 = 4 − 01
. * 4 − 0.3 * 6 = 18
.
z1 = z0 + hg ( x 0 , y 0 , z0 ) = 6 + 0.5 * 18
. = 6.9
( x1 = 0.5, y1 = 3, z1 = 6.9)
f ( x1 , y1 , z1 ) = −0.5 y1 = −0.5 * 3 = −15

.
y 2 = y1 + hf ( x1 , y1 , z1 ) = 3 + 0.5 * ( −15
. ) = 2.25
g ( x1 , y1 , z1 ) = 4 − 01
. y1 − 0.3z1 = 4 − 01
. * 3 − 0.3 * 6.9 = 163
.
z2 = z1 + hg ( x1 , y1 , z1 ) = 6.9 + 0.5 * 163

. = 7.715
La siguiente tabla resume los pasos del proceso numérico:
xi yi zi
0 4 6
0.5 3 6.9
1.0 2.25 7.715
1.5 1.6875 8.44525
2.0 1.265625 9.0940875
b) R-K 4to. ORDEN:
h
Proceso Numérico: yi +1 = yi + [ K 1 + 2( K 2 + K 3) + K 4]
6
h
zi +1 = zi + [ L1 + 2( L 2 + L 3) + L 4]
6
donde: K 1 = f ( x i , y i , zi )

L1 = g ( xi , yi , zi )
h h h
K 2 = f ( xi + , yi + K 1, zi + L1)
2 2 2
h h h
L 2 = g ( xi + , yi + K 1, zi + L1)
2 2 2
h h h
K 3 = f ( x i + , yi + K 2 , zi + L 2 )
2 2 2
h h h
L 3 = g ( x i + , y i + K 2 , zi + L 2 )
2 2 2
K 4 = f ( xi + h, yi + hK 3, zi + hL 3)
L4 = g ( xi + h, yi + hK 3, zi + hL 3)
El desarrollo de algunos pasos se detallan a continuación :
( x0 = 0, y0 = 4, z0 = 6)
K 1 = f ( x 0 , y 0 , z0 ) = −0.5 y 0 = −0.5 * 4 = −2
L1 = g ( x 0 , y 0 , z0 ) = 4 − 01
. y 0 − 0.3z0 = 4 − 01
. * 4 − 0.3 * 6 = 18
.
h h h
K 2 = f ( x 0 + , y 0 + K 1, z 0 + L1) = f (0.25, 35
. , 6.45) = −0.5 * 35
. = −175
.
2 2 2
L 2 = g (0.25, 35
. , 6.45) = 4 − 01 . − 0.3 * 6.45 = 1715
. * 35 .
h h h
K 3 = f ( x0 + , y 0 + K 2, z0 + L 2) = f (0.25, 35625
. , 6.42875) = −0.5 * 35625
. = -1.78125
2 2 2
L3 = g (0.25, 35625
. , 6.42875) = 4 − 01
. * 35625
. − 0.3 * 6.42875 = 1715125
.
K 4 = f ( x 0 + h, y 0 + hK 3, z0 + hL 3) = f (0.5, 3109375
. , 6.8575625) = −0.5 * 3109375
. =
= - 1.5546875
L4 = g (0.5, 3109375
. , 6.8575625) = 4 − 01
. * 3109375
. − 0.3 * 6.8575625 = 163179375
.
entonces:
h 0.5
y1 = y 0 + [ K 1 + 2( K 2 + K 3) + K 4 ] = 4 + [ −2 + 2( −175. − 178125
. ) − 15546875
. ]=
6 6
= 3.115234375
h 0.5
z1 = z 0 + [ L1 + 2( L 2 + L 3) + L 4 ] = 6 + [18 . + 2(1715
. + 1715125
. ) + 163179375
. ]=
6 6
= 6.857670313
( x1 = 0.5, y1 = 3.12, z1 = 6.86 )

K 1 = f (0.5, 312
. , 6.86) = −0.5 * 312
. = −156
.
L1 = g (0.5, 312
. , 6.86)) = 4 − 01 . − 0.3 * 6.36 = 163
. * 312 .
h h h
K 2 = f ( x1 + , y1 + K 1, z1 + L1) = f (0.75, 2.73, 7.27) = −0.5 * 2.73 = −1363
.
2 2 2
L2 = g (0.75, 2.73, 7.27) = 4 − 01

. * 2.73 − 0.3 * 7.27 = 1548
.
h h h
K 3 = f ( x1 + , y1 + K 2, z1 + L 2) = f (0.75, 2.77, 7.24) = −0.5 * 2.77 = −1387
.
2 2 2
L3 = g (0.75, 2.77, 7.24) = 4 − 01

. * 2.77 − 0.3 * 7.24 = 1549
.
K 4 = f ( x1 + h, y1 + hK 3, z1 + hL 3) = f (10
. , 2.42, 7.63) = −0.5 * 2.42 = −1211
.
L 4 = g (10
. , 2.42, 7.63) = 4 − 01
. * 2.42 − 0.3 * 7.63 = 1468
.
entonces:
h 0.5
y 2 = y1 + [ K 1 + 2( K 2 + K 3) + K 4 ] = 312
. + [ −156 . + 2( −1363
. − 1387
. ) − 1211
. ]=
6 6
= 3.12 - 0.689 = 2.426171303
h 0.5
z2 = z1 + [ L1 + 2( L 2 + L 3) + L 4] = 6.86 + [163
. + 2(1548
. + 1549
. ) + 1468
. ]=
6 6
= 6.86 + 0.774 = 7.632105674
La siguiente tabla resume los pasos del proceso numérico:
xi yi zi
0 4 6
0.5 3.115234375 6.857670313
1.0 2.426171303 7.632105674
1.5 1.8895231 8.3268860
2.0 1.4715768 8.9468651

CONTENIDO:
Pág. N°
Objetivos generales ………………………………………………………………………… 1
1. Introducción al análisis de errores ………………………………………………………
1
2. Evaluación de un polinomio y sus derivadas en argumento real ……………………….. 6
2.1. Algoritmo de Horner ………………………………………………………………. 7
2.2. Implementación ……………………………………………………………………. 9
3. Solución de ecuaciones de una variable ……………………………………………….. 11
3.1. Métodos de Unión ………………………………………………………………… 11
3.1.1. Algoritmo de Bisección …………………………………………………….. 12
3.1.2. Algoritmo de Falsa Posición ………………………………………………… 15
3.2. Métodos iterativos de Punto Fijo ………………………………………………….. 18
3.2.1. Condiciones de convergencia en los límites del intervalo …………………… 19
3.2.2. Algoritmo de Primer Orden ………………………………………………… 21
3.2.3. Algoritmo de Segundo Orden ………………………………………………. 23
3.2.4. Algoritmo de la Secante …………………………………………………….. 25
3.3. Solución de Ecuaciones Polinomiales ……………………………………………… 27
3.3.1. Algoritmo de Newton - Horner …………………………………………….. 31
3.3.2. Algoritmo de Newton - Bairstow …………………………………………… 34
3.3.3. Evaluación de polinomios y sus derivadas en argumento complejo ………… 40
4. Solución de Sistema de Ecuaciones ……………………………………………………. 42
4.1. Métodos Directos para la solución de un Sistema de Ecuaciones Lineales ……….. 43
4.1.1. Algoritmo de Eliminación - Gaussiana ……………………………………… 43
4.1.2. Algoritmo de Gauss - Jordan ……………………………………………….. 47
4.1.3. Algoritmo de Factorización ………………………………………………… 50
4.1.4. Pivotación ………………………………………………………………….. 55
4.1.5. Sistema de Ecuaciones Lineales mal condicionado ………………………… 58
4.1.6. Análisis de error en Sistema de Ecuaciones Lineales ………………………. 60
4.1.7. Sistema de Ecuaciones Lineales con términos complejos ………………….. 64
4.1.8. Inversión de Matrices ………………………………………………………. 65

Pág. N°
4.2. Métodos Iterativos para la solución de Sistemas de Ecuaciones …………………. 68

4.2.1. Métodos Iterativos para la solución de Sistemas Lineales …………………. 68
4.2.1.1. Algoritmo de Jacobi ………………………………………………… 68
4.2.1.2. Algoritmo de Gauss - Seidel ……………………………………….. 71
4.2.1.3. Condición de convergencia para los Métodos Iterativos de Jacobi y
Gauss - Seidel en Sistemas Lineales ……………………………….. 73
4.2.2. Métodos Iterativos para la solución de Sistemas No Lineales …………….. 73
4.2.2.1. Algoritmo de Jacobi ………………………………………………… 74
4.2.2.2. Algoritmo de Gauss - Seidel ……………………………………….. 75
4.2.2.3. Algoritmo de Newton ……………………………………………… 76
5. Interpolación (Aproximaciones) ……………………………………………………… 78
5.1. Interpolación Estadística ………………………………………………………… 79
5.1.1. Regresión Polinomial ………………………………………………………. 80
5.1.2. Regresión No Polinomial …………………………………………………… 84
5.2. Interpolación Polinomial ………………………………………………………… 86
5.2.1. Técnica Matricial …………………………………………………………… 86
5.2.2. Polinomio de Lagrange …………………………………………………….. 89
5.2.3. Fórmulas de Interpolación de Newton ……………………………………… 92
5.2.3.1. Diferencias Finitas……………………………………………………… 92
5.2.3.2. Diferencias Divididas ………………………………………………….. 98
5.2.4. Error en el Polinomio de Interpolación …………………………………….. 100
6. Diferenciación e Integración Numérica ..……………………………………………..
106
6.1. Fórmulas de Diferenciación …………………………………………………….. 107
6.1.1. Primera Derivada ………………………………………………………….. 108
6.1.2. Segunda Derivada …………………………………………………………. 110
6.2. Integración Numérica ……..…………………………………………………… 114
6.2.1. Fórmulas Básicas …………………………………………………………. 116
6.2.2. Fórmulas Compuestas ……………………………………………………. 121
7. Solución numérica de Ecuaciones Diferenciales Ordinarias de Primer Orden ……… 126
7.1. Método de Euler ………………………………………………………………. 127

Pág. N°
7.2. Método Modificado de Euler …………………………………………………… 129

7.3. Métodos de Runge - Kutta ……………………………………………………… 131
7.3.1. Métodos de Runge - Kutta de Segundo Orden ………………………….. 133
7.3.2. Métodos de Runge - Kutta de Orden Superior ………………………….. 134
8. Sistema de Ecuaciones Diferenciales Ordinarias ……………………………………. 137

Libro Oscar Cerón PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Libro Oscar Cerón PDF

Uploaded by

Copyright:

Available Formats

ESCUELA POLITÉCNICA NACIONAL

Facultad de Ingeniería Eléctrica Métodos Numéricos

Desarrollar algoritmos existentes y útiles para la resolución de problemas que se presentan

Propender a la implementación de ciertos algoritmos, que sirven para realizar ejercicios de

1. INTRODUCCIÓN AL ANÁLISIS DE ERRORES

Un algoritmo es un procedimiento que describe sin ninguna ambigüedad, una sucesión

a) Si: | En | ≈ Cnε, donde C es una constante independiente de n.

Esta expresión señala un crecimiento LINEAL del error.

b) Si: | En | ≈ Knε, para alguna K > 1

En este caso se tiene un crecimiento EXPONENCIAL del error.

Ing. Oscar E. Cerón A. OECA _ 1

El razonamiento lógico es que para ∀x ∈ ℜ, el límite de f n ( x ) para n→ ∞ es 0.

Esta última expresión corresponde al algoritmo para evaluar f n ( x ) .

Ing. Oscar E. Cerón A. OECA _ 2

n ƒn(1) verdadera ƒn(1) algoritmo

Además se puede deducir que el error depende exclusivamente del algoritmo

En general, un proceso numérico involucra errores, que dependerán de la capacidad

Además se considera el ERROR POR TRUNCAMIENTO, el mismo que es originado en

Una forma de analizar este tipo de errores, es mediante la representación normalizada de

Ing. Oscar E. Cerón A. OECA _ 3

(*) Si dk+1 ≥ 5 se agrega 1 a dk → redondeo hacia arriba.

Ejemplo: Representar π en forma normalizada con 5 dígitos de aproximación.

Entonces: 0.31415x10 → presenta un error por truncamiento.

El tratamiento de valores numéricos, en lo relativo a una comparación, puede ser hecho en

Así, si Y* es una aproximación de Y, entonces se tiene lo siguiente:

De acuerdo a la última expresión y puesto que d1 ≠ 0, entonces el mínimo valor del

Ing. Oscar E. Cerón A. OECA _ 4

“ El número Y* aproxima a Y con k CIFRAS O DÍGITOS SIGNIFICATIVOS si k

Así, una aproximación de Y* a Y con 4 cifras significativas, de las cantidades numéricas

c) Y = 5000 ⇒ 4997.5 < Y* < 5002.5

d) Y = 9990 ⇒ 9985.005 < Y* < 9994.995

Y 0.1 0.5 100 1000 5000 9990 10000

Finalmente, es posible también estudiar el error desde el punto de vista estadístico, en

Así, la ecuación de transmisión de error viene dado por:

Ing. Oscar E. Cerón A. OECA _ 5

ƒ[xi] = ƒ(x1,x2,x3,........,xn), donde: xi son las variables.

El error de ƒ[xi] debido al error de cada xi viene dado por:

2. EVALUACIÓN DE UN POLINOMIO Y SUS DERIVADAS EN AR-

Considerando el polinomio de grado n en la variable x:

Dicho polinomio puede ser evaluado en xo ∈ ℜ de las siguientes formas:

El número de operaciones para llegar a evaluar pn ( x ) será:

donde el número de operaciones será:

Ing. Oscar E. Cerón A. OECA _ 6

La última forma de evaluación se le conoce con el nombre de EVALUACIÓN

Aplicando el PROCESO RECURSIVO en la última expresión, se tiene que:

2.1. ALGARITMO DE HORNER

Basado en la técnica de la DIVISIÓN SINTÉTICA de pn(x) ÷(x - X0), por lo tanto:

Ing. Oscar E. Cerón A. OECA _ 7

Repitiendo la división para qn-1(x), se tendrá lo siguiente:

Repitiendo consecutivamente el proceso de la división, hasta agotar con el grado del

pn(x) = (x - X0) qn-1(x) + R0 Ec.1

qn-1(x) = (x - X0) γn-2(x) + R1 Ec.2

γn-2(x) = (x - X0) Sn-3(x) + R2 Ec.3

Sn-3(x) = (x - X0)tn-4(x) + R3 Ec.4

= (x - X0)2 γn-2(x) + (x - X0)R1 + R0

derivando: pnI ( x ) = 2( x - X 0 )γ n-2 ( x ) + ( x − X 0 ) 2 γ nI− 2 (x) + R1

En general, sustituyendo Ec.2, Ec.3, Ec.4,…………………en Ec.1 se tiene que:

Derivando sucesivamente esta última expresión y evaluando en x = X0 , se tiene:

Ing. Oscar E. Cerón A. OECA _ 8

Entrada: n (grado del polinomio), ai (coeficientes), X0 (argumento real)

Salida: Z k = pn( k ) ( X 0 ) → k = 0,1,....,n

ALGORITMO: Considerar: bn= an

Para: k = 0,1,2,................., n-1