5.

Raíces de ecuaciones

5.1 Métodos cerrados

Parte II: Análisis Numérico 1

 5.1.1 Métodos Gráficos

Un método simple para obtener una aproximación a la raíz de la

ecuación f(x)=0, consiste en graficar la función y observar donde cruza
el eje x.

Ejemplo: Utilizar gráficas por computadora para localizar las raíces de

f(x) = x3 + x2 -3·x+5
Solución. Utilizando MATLAB,
<< x=0:0.01:5;
<< y=x.^3+x.^2-3*x+5;
<< plot(x,y);
<< grid on;

Parte II: Análisis Numérico 2

 40

30

20

10

0
y

-10

-20

-30

-40
-4 -3 -2 -1 0 1 2 3
x

La gráfica muestra la existencia de varias raíces, incluyendo quizás

una doble raíz alrededor de x=4.2

Parte II: Análisis Numérico 3

Reduciendo la escala horizontal se obtiene:

» x=4.1:0.001:4.4;
» y=sin(10*x)+cos(3*x);
» plot(x,y);
» grid on;

En efecto, hay dos raíces diferentes entre x=4.23 y x=4.26

Parte II: Análisis Numérico 4

 5.1.2 El método de bisección

En general, si f(x) es real y continua en el intervalo que va desde xl

hasta xu y f(xl) y f(xu) tienen signos opuestos, es decir
f(xl) f(xu) < 0
entonces hay al menos una raíz real entre xl y xu

El método de bisección, conocido también como de corte binario, de

partición de intervalos o de Bolzano, es un tipo de búsqueda
incremental en el que el intervalo se divide siempre a la mitad. Si el
valor de la función cambia de signo, sobre un intervalo, se evalúa el
valor de la función en el punto medio. La posición de la raíz se
determina situándola en el punto medio del subintervalo, dentro del
cual ocurre un cambio de signo. El proceso se repite hasta obtener
una mejor aproximación.
Parte II: Análisis Numérico 5
Paso 1: Elija valores iniciales inferior, xl , y superior, xu , que encierren
la raíz, de forma que la función cambie de signo en el
intervalo. Esto se verifica comprobando que f(xl) f(xu) < 0
Paso 2: Una aproximación de la raíz xl se determina mediante:
xl + xu
xr =
2
Paso 3: Realice las siguientes evaluaciones para determinar en que
subintervalo está la raíz:
a. Si f(xl) f(xr) < 0 , entonces la raíz se encuentra dentro del
subintervalo inferior o izquierdo. Por tanto, haga xu = xr y
vuelva al paso 2.
b. Si f(xl) f(xr) > 0, entonces la raíz se encuentra dentro del
subintervalo superior o derecho. Por lo tanto, , haga xl = xr y
vuelva al paso 2.
c. Si f(xl) f(xr) = 0, entonces la raíz es igual a xr; termina el cálculo

Parte II: Análisis Numérico 6

Ejemplo Bisección
Planteamiento del problema. Emplee el método de
bisección para resolver la ecuación f(x)=(667.38/x)*(1-exp(-
0.146843 x))-40
Solución.
Primera iteración: xl = 12; xu = 16
xr = (12+16) / 2 = 14
f(12) f(14) = (6.067)(1.569) = 9.517 > 0
No hay cambio de signo entre el límite
inferior y el punto medio. En
consecuencia la raíz debe estar
localizada entre 14 y 16.
Segunda iteración: xl = 14; xu = 16
xr = (14+16) / 2 = 15
f(14) f(15) = (1.569)(-0.425) = -0.666 < 0
Parte II: Análisis Numérico 7
Tercera iteración: xl = 14; xu = 15
xr = (14+15) / 2 = 14.5

12 16

14 16

14 15

Parte II: Análisis Numérico 8

Criterios de paro y estimaciones de errores

Un criterio objetivo de definir cuándo un método numérico debe

terminar, es estimar el error de forma tal que no se necesite el
conocimiento previo de la raíz. Como se estudió previamente, se
puede calcular el error relativo porcentual εa de la siguiente manera

xrnuevo − xranterior
εa =
xrnuevo

Cuando εa es menor que un valor previamente fijado εs, termina el

cálculo.

Parte II: Análisis Numérico 9

Ejemplo Estimación del error en la bisección
Planteamiento del problema. Continuar con el ejemplo
anterior hasta que el error aproximado sea menor que el
criterio de terminación εs = 0.5%.
Solución. Tomando las dos primeras iteraciones,
xrnuevo =15; xranterior =14
|εa| = | (15-14) / 15 | = 0.0667 ≡ 6.667%

Iteración xl xu xr εa (%) εt (%)

1 12 16 14 5.279
2 14 16 15 6.667 1.487
3 14 15 14.5 3.448 1.896
4 14.5 15 14.75 1.695 0.204
5 14.75 15 14.875 0.840 0.641
6 14.75 14.875 14.8125 0.422 0.219

Parte II: Análisis Numérico 10

FUNCTION Bisect(xl, xu, es, imax, xr, iter, ea)
iter = 0
Do
xrold = xr
xr = (xl + xu) / 2
iter = iter + 1
IF xr ≠ 0 THEN
ea = ABS((xr – xrold)/ xr)*100
END IF
test = f(x1)*f(xr)
IF test < 0 THEN
xu = xr
ELSE IF test > 0 THEN
xl = xr
ELSE
ea = 0
END IF
IF ea < es OR iter ≥ imax EXIT
END DO
Bisect = xr
END Bisect
Parte II: Análisis Numérico 11
 5.1.3 Método de la falsa posición

Una técnica alternativa al método de bisección, consiste en unir f(xl) y

f(xu) con una línea recta. La intersección de esta línea con el eje de las
x representa una mejor aproximación de la raíz. El hecho de que se
remplace la curva por una línea recta da una falsa posición de la raíz;
de aquí el nombre de método de la falsa posición, o en latín regula
falsi. También se la conoce como método de interpolación lineal.

Parte II: Análisis Numérico 12

Usando triángulos semejantes: f(x)

f ( xl ) f ( xu ) f(xu)
=
x r − xl x r − xu

en la cual se despeja xr
xr
f ( xu )( xl − xu )
xr = xu −
f ( xl ) − f ( xu ) xl xu
x

Ésta es la ecuación de la falsa

posición. El valor de xr calculado
reemplazará, después, a f(xl)
cualquiera de los dos valores
iniciales xl o xu

Parte II: Análisis Numérico 13

Ejemplo Falsa posición
Planteamiento del problema. Con el método de la falsa
posición determine la raíz de la ecuación f(x)=(667.38/x)*(1-
exp(- 0.146843 x))-40
Solución
Primera iteración: xl=12 f(xl)=6.0699
xu=16 f(xu)=-2.2688
xr=16-(-2.2688(12-16) / …
… (6.0669-(-2.2688)) = 14.9113
Segunda iteración: f(xl) f(xr) = -1.5426 < 0
xl=12 f(xl)= 6.0699
xu=14.9113 f(xu)= -0.2543
xr=14.9113-(-0.2543(12-14.9113) / …
… (6.0669-(-0.2543)) = 14.7942

Parte II: Análisis Numérico 14

Ejemplo Un caso en el que la bisección es preferible a la falsa
posición
Planteamiento del problema. Con los métodos de bisección
y falsa posición, localice la raíz de f(x) = x10-1
Solución.
Usando bisección,

Iteración xl xu xr εa(%) εr(%)

1 0 1.3 0.65 100.0 35
2 0.65 1.3 0.975 33.3 2.5
3 0.975 1.3 1.1375 14.3 13.8
4 0.975 1.375 1.05625 7.7 5.6
5 0.975 1.05625 1.015625 4.0 1.6

Parte II: Análisis Numérico 15

Con el método de falsa posición

Iteración xl xu xr εa(%) εt(%)

1 0 1.3 0.09430 90.6
2 0.0943 1.3 0.18176 48.1 81.8
3 0.18176 1.3 0.26287 30.9 73.7
4 0.26287 1.3 0.33811 22.3 66.2
5 0.33811 1.3 0.40788 17.1 59.2

Parte II: Análisis Numérico 16

 f(x)

15

10

0
1 x

Parte II: Análisis Numérico 17

Falsa posición modificada

Una forma de disminuir la naturaleza unilateral de la falsa posición

consiste en obtener un algoritmo que detecte cuando se estanca uno
de los límites del intervalo. Si ocurre esto, se divide a la mitad el valor
de la función en el punto de estancamiento. A éste método se le llama
método de la falsa posición modificado.

Parte II: Análisis Numérico 18

FUNCTION ModFalsePos(xl, xu, es, imax, xr)
iter = 0
fl = f(xl)
fu = f(xu)
DO
xrold = xr
xr = xu-fu*(xl - xu)/(fl - fu)
fr = f(xr)
iter = iter+1
IF xr<>0 THEN
ea = Abs((xr-xrold)/xr)*100
END IF
test = fl * fr
IF test < 0 THEN
xu = xr
fu = f(xu)
iu = 0
il = il+1
IF il ≥ 2 THEN fl = fl / 2
ELSE IF test > 0 THEN
xl = xr
fl = f(xl)
il = 0
iu = iu+1
IF iu ≥ 2 THEN fu = fu/2
ELSE
ea = 0
END IF
IF ea < es OR iter ≥ imax THEN EXIT
END DO
ModFalsePos = xr
END ModFalsePos
Parte II: Análisis Numérico 19
 Ejercicios

Ejercicio 5.1 Determine las raíces reales de f(x) = -0.4x2 + 2.2x + 4.7:
a. Gráficamente
b. Usando el método de bisección para determinar la raíz más grande.
Emplee como valores iniciales xl=5 y xu=10. Calcule el error
estimado εa y el error verdadero εt para cada iteración.

Ejercicio 5.2 Calcule la raíz real positiva de f(x)=x4-8x3-36x2+462x

1010 utilizando el método de la falsa posición. Use una gráfica para
escoger el valor inicial y realice el cálculo con εs = 1.0 %

Parte II: Análisis Numérico 20

Ejercicio 5.3 La concentración de saturación de oxígeno disuelto en agua se
calcula con la ecuación
1.575701 × 10 5 6.642308 × 10 7 1.243800 × 1010 8.621949 × 1011
ln Osf = −139.34411 + − 2
+ 3
− 4
Ta Ta Ta Ta

donde Osf = concentración de saturación de oxígeno disuelto en agua a 1 atm

(mg/L) y Ta = Temperatura absoluta (K). Recuerde que Ta = T + 273.15, donde
T = temperatura (ºC). De acuerdo con ésta ecuación, la saturación disminuye
con el incremento de la temperatura. Para aguas naturales típicas en climas
templados, la ecuación sirve para determinar rangos de concentración de
oxígeno desde 14.621 mg/L a 0ºC hasta 6.949 mg/L a 35ºC. Dado un valor
de concentración de oxígeno, ésta fórmula y el método de bisección son útiles
para resolver la temperatura en ºC.
Si los valores iniciales se fijan en 0 y 35ºC, desarrolle y pruebe un programa de
bisección para determinar T como una función de una concentración de
oxígeno dada. Pruebe el programa para Osf=8, 10 y 14 mg/L. Compruebe sus
resultados

Parte II: Análisis Numérico 21

5.2 Métodos abiertos

Parte II: Análisis Numérico 22

 5.2.1 Iteración simple de punto fijo

Los métodos abiertos utilizan una fórmula para predecir la raíz. Esta
fórmula puede desarrollarse como una iteración simple de punto fijo
(También llamada iteración de un punto o sustitución sucesiva o
método de punto fijo), al reordenar la ecuación f(x)=0 de tal modo que
x esté del lado izquierdo de la ecuación:
x=g(x)
x 2
+3
Por ejemplo, x -2x+3 = 0, se reordena para obtener x =
2
2
Mientras que sen(x)=0, puede transformarse sumando x a ambos lados
para obtener
x=sen(x)+x

Parte II: Análisis Numérico 23

De ésta manera, dado un valor inicial para la raíz xi , la ecuación
anterior puede usarse para obtener una nueva aproximación xi+1,
expresada por la fórmula iterativa

xi+1=g(xi)

El error aproximado se calcula usando el error normalizado:

xi +1 − xi
εa = 100%
xi +1

Parte II: Análisis Numérico 24

Ejemplo Iteración simple de punto fijo
Planteamiento del problema. Use una iteración simple de
punto fijo para localizar la raíz de f(x) = e-x - x
Solución.
xi+1=e-xi

i xi εa % ετ %
1 1 100.0 76.3
2 0.367879 171.8 35.1
3 0.692201 46.9 22.1
4 0.500473 38.3 11.8
5 0.606244 17.4 6.89
6 0.545396 11.2 3.83
7 0.579612 5.90 2.20
8 0.560115 3.48 1.24
9 0.571143 1.93 0.705
10 0.564479 1.11 0.399

Parte II: Análisis Numérico 25

Convergencia

El error relativo porcentual verdadero en cada iteración del ejemplo

anterior, es proporcional (por un factor de 0.5 a 0.6) al error de la
iteración anterior. Esta propiedad se conoce como convergencia lineal.

Parte II: Análisis Numérico 26

 f(x)
Un método gráfico alternativo f(x) = e-x - x
consiste en separar la ecuación en
dos partes, de esta manera
Raíz
f1(x)=f2(x)

Entonces las dos ecuaciones

f(x)
y1 = f1(x) y y2 = f2(x) f2(x) = e-x f1(x) = x

se grafican por separado. Así, los

valores de x correspondientes a
Las intersecciones de estas dos
funciones representan las raíces Raíz
de f(x)=0
Parte II: Análisis Numérico 27
y y1 = x y y1 = x
y2= g(x)

y2= g(x)

x2 x1 x0 x x0 x

y2= g(x)
y y1 = x y y1 = x
y2= g(x)

x0 x x0 x

Parte II: Análisis Numérico 28

FUNCTION Fixpt(x0, es, imax)
xr = x0
iter = 0
DO
xrold = xr
xr = g(xrold)
iter = iter+1
IF xr ≠ 0 THEN
xr − xrold
ea = ⋅ 100
xr

END IF
IF ea < es OR iter ≥ imax EXIT
END DO
Fixpt = xr
END fixpt

Parte II: Análisis Numérico 29

 5.2.2 Método de Newton-Raphson

A partir de la expansión en series f(x) Pendiente = f ’(xi)

de Taylor, se tiene:
f ( xi ) − 0 f(xi)
f ' ( xi ) =
xi − xi +1

que se reordena para obtener

f ( xi ) 0
xi +1 = xi − xi+1 xi x
f ' ( xi )
la cual se conoce como fórmula
De Newton Raphson

Parte II: Análisis Numérico 30

Ejemplo Método de Newton-Raphson
Planteamiento del problema. Utilice el método de Newton
Raphson para calcular la raíz de f(x)=e-x – x empleando
como valor inicial x0 = 0
Solución. La primer derivada de la función es
f ’(x)=-e-x -1
e − xi − x i
que se sustituye para obtener xi +1 = xi − − xi
−e −1

i xi εt (%)
0 0 100
1 0.500000000 11.8
2 0.566311003 0.147
3 0.567143165 0.0000220
4 0.567143290 < 10-8

Parte II: Análisis Numérico 31

Algoritmo

1. Se debe incluir una rutina de graficación en el programa

2. Al final de los cálculos, se necesitará sustituir siempre la raíz final
calculada en la función original, para determinar si el resultado se
acerca a cero. Esta prueba protege el desarrollo del programa
contra aquellos casos en los que se presenta convergencia lenta
u oscilatoria, la cual puede llevar a valores pequeños de εa,
mientras que la solución aún está muy lejos de una raíz.
3. El programa deberá incluir siempre un límite máximo permitido
del número de iteraciones para estar prevenidos contra
soluciones oscilantes, de lenta convergencia o divergentes que
podrían persistir en forma interminable.
4. El programa deberá alertar al usuario para que tome en cuenta la
posibilidad de que f ‘(x) sea igual a cero en cualquier momento
durante el cálculo.

Parte II: Análisis Numérico 32

 5.2.3 El método de la secante

Un problema potencial en la implementación del método de Newton

Raphson es la evaluación de la derivada. En casos complejos, la
derivada se puede aproximar mediante una diferencia finita dividida
hacia atrás
f ( xi −1 ) − f ( xi ) f(x i)
f ' ( xi ) ≡
xi −1 − xi

Sustituyendo en la ecuación
de Newton - Raphson f(x i-1)

f ( xi )( xi −1 − xi ) x i-1 xi
xi +1 = xi −
f ( xi −1 ) − f ( xi )

Parte II: Análisis Numérico 33

Ejemplo El método de la secante
Planteamiento del problema. Con el método de la secante,
calcule la raíz de f(x)=e-x –x. Comience los cálculos iniciales
con los valores x-1=0 y x0 = 1.0.
Solución.
Primera iteración:
x-1=0 f(x-1)=1
x0 =1 f(x0)=-0.63212
x1=1-((-0.63212)(0-1)/(1-(-0.63212)))=0.61270
Segunda iteración
x0=1 f(x0)=-0.63212
x1 =0.61270 f(x1)=-0.07081
x2=0.61270-((-0.0708)(1-0.61270)/(-0.63212- …
… (0.07081))) = 0.56384

Parte II: Análisis Numérico 34

Método de la secante modificada

En lugar de considerar dos valores arbitrarios para aproximar la

derivada, un método alternativo considera un cambio
fraccionario de la variable independiente para estimar f’(x),

f ( xi + δxi ) − f ( xi )
f ' ( x) ≅
δxi
donde d es un pequeño cambio fraccionario. Ésta aproximación
se sustituya en la ecuación de la secante para obtener la
siguiente expresión iterativa:

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

Parte II: Análisis Numérico 35

 Ejercicios

Ejercicio 5.4 Evaluar las raíces de las siguientes ecuaciones

trascendentes
a. sin x - 2exp(-x2) = 0
b. ax - ax = 0 para a = 2, e, or 3
c. ln(1 + x2) – x1/2= 0
d. e-x/(1 + cos x) - 1 = 0

Parte II: Análisis Numérico 36

Ejercicio 5.5 Para el flujo turbulento de un fluido a través de un tubo
liso, es posible establecer la siguiente relación entre el factor de
fricción cf y el número de Reynolds Re:

Calcular cf para Re = 104, 105 y 106.

Parte II: Análisis Numérico 37

Ejercicio 5.6 Desarrolle una función para calcular el volumen
específico de un gas puro, dada la temperatura y la presión
usando la ecuación de estado de Soave-Redlich-Kwong

Las constantes a y b son obtenidas de las ecuaciones

Parte II: Análisis Numérico 38

donde Pc y Tc son la presión crítica y temperatura crítica
respectivamente. La variable α es una función empírica de la
Temperatura

El valor de S es una función del factor acéntrico ω

Las propiedades físicas del n-butano son

Parte II: Análisis Numérico 39

y la constante de los gases R es

Calcule el volumen específico del vapor de n-butano a 500 K y en un

rango de presiones de 1 a 40 atm. Compare los resultados
gráficamente con aquellos que se obtienen de la ley de los gases
ideales. ¿Qué conclusión obtiene de ésta comparación gráfica?

Parte II: Análisis Numérico 40

Ejercicio 5.7 Repita el ejercicio 5.6 usando las ecuaciones de estado
de Benedict-Webb-Rubin (BWR) y Patel-Teja (PT). Compare
gráficamente los resultados con los obtenidos en el ejercicio 3.
La ecuación de estado de Benedict-Webb-Rubin (BWR) es

donde A0, B0, C0, a, b, c, α, y γ son constante. Donde P está en

atmósferas, V está en litros por mol, y T está en kelvin, Los valores de
las constantes para el n-butano son:

Parte II: Análisis Numérico 41

La ecuación de estado de Patel-Teja es

Donde a es función de la temperatura, y, b y c son constantes

donde

Parte II: Análisis Numérico 42

y Ωb es la más pequeña de las raíces positivas del polinomio cúbico

F y ζc son funciones del factor acéntrico

Parte II: Análisis Numérico 43

Ejercicio 5.8 La ecuación de Underwood para destilación
multicomponente está dada por

donde F = tasa de flujo molar de la alimentación

n = numero de componentes en la alimentación
zjF = fracción molar de cada componente en la alimentación
q = calidad de la alimentación
αj = volatilidad relativa de cada componente en condiciones
promedio de la columna
φ = raíz de la ecuación

Parte II: Análisis Numérico 44

Underwood ha demostrado que (n-1) de la raíces de la ecuación se
encuentran entre los valores de las volatilidades relativas como se
Muestra

Evalúe las n-1 raíces de ésta ecuación para el caso mostrado en la

Tabla

F=100 mol/h
q=1 (líquido saturado)

Parte II: Análisis Numérico 45