Analisis Numerico

Escuela Superior Politécnica del Litoral
Facultad de Ciencias Naturales y Matemáticas
Folleto de Análisis Numérico

Por Steveen Carriel
Versión 1 Diciembre /16

Análisis Numérico - Steveen Carriel
Objetivo del curso de “Análisis Numérico”
En términos generales, el objetivo del curso es que el alumno aprenda esencialmente varios métodos y
técnicas para encontrar la solución de algún problema, manualmente complicado de resolver.
Este folleto pretende ser práctico e ir al grano, para evitar llenarnos de tanta teoría que muchas
veces es innecesaria y solo aprender lo que necesitemos aprender.
No pretendo buscar mediocridad, pero esta materia es dirigida a ingenieros, no a matemáticos.
Al principio se aprenderá a encontrar la solución aproximada de ecuaciones analíticamente no solucionables,
es decir, aquellas ecuaciones que no se pueden despejar por métodos tradicionales (suma, resta,
multiplicación, etc.). Luego lo extenderemos a sistemas de ecuaciones de este tipo.
Y al finalizar aplicaremos métodos numéricos para integrar, derivar, aproximar funciones, resolver ecuaciones
diferenciales y sistemas de los mismos.
Adicionalmente se aprenderá a formular computacionalmente todo lo anteriormente dicho, ya que los

modelos matemáticos que se enseñan, se aplican en la vida real. Estos están implementados en un sin número
de softwares y dispositivos. Inclusive en una calculadora convencional.
Objetivos del folleto
El objetivo principal de este folleto es que el lector cumpla los objetivos del curso de análisis numérico, pero
de manera muy clara y pedagógica.
o Es decir, se espera que el lector aprenda completamente “Análisis Numérico” solo con leer este
folleto.
Este objetivo puede hacer que el folleto se haga un poco extenso, pero sumamente útil.
Los tópicos resaltados de este color, son opcionales.
2
Tabla de contenido
1. Ecuaciones no lineales ................................................................................................................................ 5
1.1. Método de la bisección............................................................................................................................... 5
1.1.1. Pasos para el método de la bisección ................................................................................................ 6
1.1.3. Análisis del error del método de la bisección ....................................¡Error! Marcador no definido.6
1.1.4. Algoritmo del método de la bisección ............................................................................................... 7
1.2. Método del punto fijo................................................................................................................................. 8
1.2.1. Convergencia del método del punto fijo............................................................................................ 9
1.3.1. Pasos para el método del punto fijo ................................................................................................ 10
1.4. Método de Newton .................................................................................................................................. 11
2. Sistemas lineales y no lineales de Ecuaciones ......................................................................................... 16
2.1. Sistemas lineales ....................................................................................................................................... 16
2.1.1. Métodos iterativos para sistemas de ecuaciones lineales .............................................................. 19
2.1.1.1. 𝐌𝐞𝐭𝐨𝐝𝐨 𝐆𝐚𝐮𝐬𝐬 − 𝐒𝐞𝐢𝐝𝐞𝐥............................................................................................................. 19
2.1.1.2. Método de Jacobi.......................................................................................................................... 21
2.1.2. Convergencia de los métodos iterativos para sistemas de ecuaciones lineales ............................ 22
2.1.3. Análisis del error en los métodos iterativo para sistemas de ecuaciones lineales ........................ 22
2.1.4. Sistemas bien condicionados y mal condicionados ......................................................................... 22
2.2. Sistemas no lineales de ecuaciones ......................................................................................................... 23
2.2.1. Método iterativo de Newton para sistemas de ecuaciones no lineales ......................................... 24
3. Interpolación Polinomial .......................................................................................................................... 25
3.1. Unicidad del polinomio de interpolación................................................................................................. 25
3.2. Métodos de interpolación Polinomial...................................................................................................... 25
3.2.1. Polinomio de Lagrange ..................................................................................................................... 25
3.2.2. Polinomio bivariable de Lagrange (Interpolación múltiple)............................................................ 27
3.3.2. Polinomio de Interpolación de Newton ........................................................................................... 30
3.3.3. Trazadores cúbicos............................................................................................................................ 31
4. Integración Numérica ............................................................................................................................... 35
4.1. Fórmulas de Newton-Cotes ( Trapecios y Simpson) ................................................................................ 35
4.1.1. Fórmula de los trapecios .................................................................................................................. 36
4.1.2. Fórmula de Simpson ......................................................................................................................... 37
4.2. Cuadratura de Gauss................................................................................................................................. 38
4.3. Integrales con singularidades ................................................................................................................... 39
4.4. Integrales no acotadas.............................................................................................................................. 40
4.5. Integración múltiple ................................................................................................................................. 41
5. Diferenciación numérica ........................................................................................................................... 42
3
5.1. Primera derivada ...................................................................................................................................... 42

5.2. Segunda derivada ..................................................................................................................................... 43
6. Ecuaciones diferenciales ordinarias ......................................................................................................... 43
6.1. Ecuaciones diferenciales ordinarias de primer orden ............................................................................. 44
6.1.1. Método de la serie de Taylor ............................................................................................................ 44
6.1.2. Fórmula de Euler ............................................................................................................................... 45
6.1.3. Fórmula de Euler mejorado o Heun ................................................................................................. 46
6.1.4. Fórmula de Runge-Kutta de cuarto orden ....................................................................................... 46
6.2. Sistema de ecuaciones diferenciales ordinarias de primer orden con condiciones al inicio ................. 47
6.2.1. Fórmula de Heun para dos ecuaciones ............................................................................................ 48
6.3. EDO’s de mayor orden con condiciones al inicio ..................................................................................... 50
6.4. Convergencia y estabilidad ( Tema adicional) ......................................................................................... 51
6.5. Ecuaciones diferenciales ordinarias con condiciones en los bordes ....................................................... 51
6.5.1. Método de diferencias finitas .......................................................................................................... 52
6.5.2. EDO’s con condiciones en los bordes con derivada......................................................................... 53
7. Ecuaciones diferenciales parciales ........................................................................................................... 54
4
Análisis Numérico - Steveen Carriel Ecuaciones lineales – Método de la bisección
1. Ecuaciones no lineales
o Recordemos que una ecuación no lineal es aquella que por lo menos uno de los términos no es lineal (es decir
diferente de x), por lo cual será un poco más complicado despejar o encontrar alguna raíz.
• Sea f una función de variable real, definida en un intervalo I. El objetivo es encontrar al menos un “x*’’ que
pertenezca al intervalo I, tal que f(x*)=0, es decir, se desea encontrar por lo menos una raíz en el intervalo I
X1*
𝑓(𝑥)
X2*
X3*
1.1. Método de la bisección
Introduciremos un teorema importantísimo para este curso, el cual es el siguiente:
Teorema del valor intermedio (TVI)
• Sea f una función continua en el intervalo I: [a, b], tal que f(a)*f(b)<0, entonces existe algún x* que pertenece a
I, tal que f(x*)=0
Es decir, si f(a)*f(b)<0, es porque de a hasta b, la

f(b) función ha cambiado de signo, entonces es seguro que
al menos la función ha pasado por al menos una raíz.
f(a) b
a
 El método de la bisección consiste en elegir valores de a y b donde se cumpla del TVI, luego evaluar la función
𝑏−𝑎 𝑏+𝑎
en tres valores, en a, en b y en c, el cual es la mitad del intervalo [a, b] . 𝐶 = 𝑎 + =
2 2
o Si para a y c se cumple el TVI, quiere decir que la raíz está entre esos dos intervalos, caso contrario estaría
entre c y b. Para ambos casos se va acortando el intervalo hasta ‘encerrar’ lo suficiente a la raíz como para
decir que ya tenemos una buena aproximación. A continuación, se detalla los pasitos para este método para
entenderlo con claridad
Th! En un intervalo [a, b], donde una función cumpla el TVI, si no cambia el signo de la derivada de esta función en
aquel intervalo, entonces la raíz que hay es única.
5
Ecuaciones lineales – Método de la bisección
1.1.1. Pasos para el método de la bisección
1. Elije valores superior b, e inferior a, para el intervalo que cumpla el TVI ( A veces directamente te dan el
intervalo a,b)
𝑎+𝑏
2. Calcula C=
2
3. Realiza las siguientes evaluaciones para saber en qué intervalo está la raíz:
a. Si f(a)*f(c)<0 entonces la raíz se encuentra dentro del subintervalo inferior
o izquierdo. Por lo tanto, elige b=c y repite el segundo paso
b. Si f(a)*f(c)>0 entonces la raíz se encuentra dentro del subintervalo superior o derecho. Por lo tanto,
elige a=c y repite el segundo paso
c. Repite hasta que (b-a) sea menor o igual al error sugerido del problema, en caso de que ocurra tu
aproximación de la raíz será la última C que calculaste
Ejemplo 1.1
Hallar una aproximación de la raíz con la siguiente función 𝑓(𝑥) = 𝑒 𝑥 − 𝑥 − 2 = 0, 𝑥 ∈ ⌈0,2⌉con un error de
truncamiento de 10-4
Aquí no importa el valor,

solo el signo
Hay cambio de signo
entre c y b, entonces se
elige a=c y se comienza
una nueva iteración y
𝑖 𝑎𝑖 𝑐𝑖 𝑏𝑖 𝑓(𝑎𝑖) 𝑓(𝑐𝑖) 𝑓(𝑏𝑖) así sucesivamente
0 0 1 2 - - +
1 1 1.5 2 - + +
2 1 1.25 1.5 - + +
3 1 1.125 1.25 - - +
4 1.125 1.1875 1.25 - + +
5 1.125 1.1563 1.1875 - + +
6 1.125 1.1406 1.15625 - - +
7 1.1406 1.1484 1.15625 - + +
8 1.1406 1.1445 1.1484 - - +
9 1.1445 1.1463 1.1484 - + +
10 1.1445 1.1455 1.1465 - - +
11 1.1455 1.1459 1.1465 - - +
12 1.1459 1.1462 1.1465 - + +
13 1.1459 1.1461 1.1462 - - +
14 1.1461 1.1462 1.1462 - + +
15 1.1462 1.1462 1.1462 + + +
6
Análisis Numérico - Steveen Carriel Ecuaciones lineales – Método de la bisección
Observaciones:
o Se necesito 14 iteraciones para encontrar la solución con la precisión pedida, la 15va es para mostrar
que ya no cambia el cuarto decimal. A continuación, aprenderemos cuantas iteraciones se necesitan
para determinada precisión sin tener que armar la tabla anterior o calcular una iteración más de la
necesaria
o El método es de convergencia relativamente lenta, es decir muchas iteraciones para obtener la
respuesta;
o
𝒃 −𝒂
𝒍𝒏( 𝟎 𝟎 )
 𝒏𝒎𝒊𝒏 = ⟦ 𝜺
𝐥𝐧(𝟐)
⟧ Fórmula para calcular el número de iteraciones para el Método de la bisección
Ejemplo: Para los datos del primer ejemplo, use la expresión para calcular el número mínimo de iteraciones
necesarias para calcular la raíz con una tolerancia de 𝜖 = 10−4
2−0
𝑙𝑛( )
10−4
𝑛𝑚𝑖𝑛 = ⟦ ⟧ = ⟦14,28⟧ = 14 𝑖𝑡𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠, lo cual coincide con lo que hicimos en el primer
ln(2)
Ejemplo
1.1.2. Algoritmo del método de la bisección
Function bisección
Esta función algorítmica tiene de variables de ingreso, la función f, los intervalos a,b (elegidos previamente por el TVI) y
la tolerancia e y arroja la aproximación final c
%función para el método de la bisección

function c=biseccion(f,a,b,e)
while b-a>=e
c=(b+a)/2;
if f(a)*f(c)<0
b=c;
else
a=c;
end
end
Ejemplo (usando la ventana de comandos de Matlab)

Resolver la ecuación 𝑓(𝑥) = 𝑥 3 + 4𝑥 2 − 10=0, con una tolerancia de 10−3
Se requiere evaluar para encontrar los valores a y b
𝑓(0) = −10 𝑓(1) = −5 𝑓(2) = 14 Entonces podemos elegir a=1 y b= 2
Ecuaciones lineales – Método de la bisección
Ventana de Matlab
>> format long

>>f=@(x) x^3 +4*x^2 -10;
>> a=1;
>> b=2;
>> e=0.001;
>> biseccion(f,a,b,e)
7
ans =
1.364257812500000
Entonces la aproximación es 1.364
Function biseccion2
Si se requiere que Matlab muestra una tabla como en el primer ejemplo, con todos los cálculos, se puede utilizar este
algoritmo:
%función para el método de la bisección2 mostrando la tabla de cálculos

function U=biseccion2(f,a,b,e)
a(1)=a;b(1)=b;c(1)=(a+b)/2;
i=1;
while b(i)-a(i)>=e
c(i)=(b(i)+a(i))/2;
if f(a(i))*f(c(i))<0
i=i+1;
b(i)=c(i-1);
a(i)=a(i-1);
else
i=i+1;
a(i)=c(i-1);
b(i)=b(i-1);
end
end
c(i)=c(i-1);
t=length(a);
U=zeros(t,4);
l=0;
i=1;
for n=1:t
U(i,1)=l;
i=i+1;
l=l+1;
end
U(:,2)=a(:);
U(:,3)=c(:);
U(:,4)=b(:);
1.2. Método del punto fijo
Suponga que tenemos una función f(x), de la cual necesitamos hallar las raíces, es decir; f(x)=0.
Pero podemos transformar este problema en uno equivalente, trabajándolo así: f(x)+x=x. ¿No es lo mismo?
O en otro ejemplo si tenemos esta función de la cual queremos sus raíces:
𝑓(𝑥) = 𝑠𝑒𝑛(𝑥) + tan(x) − 5𝑥 2 + 𝑥=0
Sería lo mismo trabajar con −𝑠𝑒𝑛(𝑥) − tan(𝑥) + 5𝑥 2 = 𝑥
Tenemos como premisa entonces que estas ecuaciones son equivalentes, de manera general tenemos que:
Ecuaciones lineales – Método del punto fijo
𝑓(𝑥) = 0 ⟺ 𝑔(𝑥) = 𝑥
Es conveniente ‘despejar una x’ y resolver el problema de esta manera. Este es el método de punto fijo y se detallará su
proceso y teoría.
Punto fijo
Sea f una función definida en un intervalo I. Se dice que r es un punto fijo de f(x), sí y solo sí f(r)=r
8
Es decir, si tenemos una función cualquiera f(x), la igualamos a x y hallamos los puntos que resultan, estos puntos son
puntos fijos. De manera gráfica tenemos:
Aquí se indican los puntos fijos de una función cualquiera

(color rojo).
En términos simples, los puntos fijos son donde una

función intercepta con la función identidad (‘X’).
Ejemplo
Hallar los puntos fijos de 𝑓(𝑥) = √2𝑥 + 3
Procedimiento:
 √2𝑥 + 3 = 𝑥
 2𝑥 + 3 = 𝑥 2
 𝑥 2 − 2𝑥 − 3 = 0
 𝑥 = 3 ∨ 𝑥 = −1
 Entonces x=3 y x=-1 son puntos fijos de la función √2𝑥 + 3
Ecuaciones lineales – Método del punto fijo
1.2.1. Convergencia del método del punto fijo
Sea g una función continua en un intervalo I [a, b] donde se cumpla el TVI, tal que g(a)>a y g(b)<b y sea r
un punto fijo en [a,b]
Si 𝑆𝑖 ∀ 𝑥 ∈ [𝑎, 𝑏] [𝑔′(𝑥)] < 1 , entonces la sucesión 𝑥𝑖+1 = 𝑔(𝑥𝑖 ), i=0, 1, 2,3,…
Converge al único punto fijo, siendo [𝑔′(𝑥)], el factor de convergencia.
Demostración
Aplicando el teorema de valor medio para la función g(x), dentro del intervalo I, donde se cumpla del TVI y
sabiendo que esta debe interceptar con la función x, es decir cuando g(x)=x. Al ser el punto fijo de g(x),
sabemos que esta es la raíz. Tenemos que:
𝑔(𝑥𝑖 ) − 𝑔(𝑟)
𝑔′ (𝑧) =
𝑥𝑖 − 𝑟
Pueden observar la similitud del teorema con la definición de la función Lipschitz ( donde la L viene ser g’ (z))
Sabemos que g(x) es la función iterativa, es decir, al

Función ‘x’ resolver un problema hallamos el siguiente punto al
Función ‘g(x)’ evaluar g(X)
𝑥𝑖+1 = 𝑔(𝑥𝑖 )
g(xi) 𝑥𝑖+1 − 𝑟
𝑔′ (𝑧) =
𝑥𝑖 − 𝑟
g(r) Al reordenar tenemos:

r
𝑥𝑖+1 − 𝑟 = 𝑔′ (𝑧) ∗ (𝑥𝑖 − 𝑟)
Se puede observar errores de truncamiento en la iteración

r xi i y i+1: 𝐸𝑖+1 = 𝑔′ (𝑧) ∗ 𝐸𝑖
9
Al Tener esto: 𝐸𝑖+1 = 𝑔′ (𝑧) ∗ 𝐸𝑖 y como deseamos que el método converja, es decir que el error i+1, sea
menor al error i. En otras palabras, deseamos que el error vaya disminuyendo conforme iteramos.
Entonces se observa que g’(z) es el factor de convergencia y debe ser acotado por una constante al
menos una constante menor a uno, donde z es un valor en el intervalo I
∀ 𝑥 ∈ [𝑎, 𝑏] |𝑔′ (𝑥)| < 1 Esta es la condición de convergencia y a su vez un criterio para elegir una g(x) apropiada.
1.3.1. Pasos para el método del punto fijo
1. Elije valores superior b, e inferior a, para el intervalo que cumpla el TVI ( A veces directamente te dan el intervalo
a,b) de la función f(x)=0
2. Dada la función f(x)=0, convertirla en la forma x=g(x)
Existen dos maneras de realizar esta operación:
2.1. Agregar a ambos lados de la ecuación una x
2.2. Despejar una x de la ecuación original
3. Verificar 𝑆𝑖 ∀ 𝑥 ∈ [𝑎, 𝑏] |𝑔′ (𝑥)| < 1 , es decir que la g’(x) en el intervalo I está acotado superiormente por un
valor menor a uno, si no es así, hacer otra g(x)
4. Elegir un X0 ∈ 𝐼
5. Iterar de la forma 𝑋𝑖 = 𝑔(𝑋𝑖−1 ); 𝑖 = 1,2,3,4,5 … hasta que |𝑥𝑖 − 𝑥𝑖−1 | < ℰ. La ultima 𝑥𝑖 será la aproximación de la
raíz Ecuaciones lineales – Método del punto fijo
Ejemplo 1.03
Halle una de las raíces de la siguiente función 𝒇(𝒙) = −𝟐𝒙 + 𝒍𝒏(𝒙) + 𝟏𝟓 𝒄𝒐𝒏 𝜺 = 𝟏𝟎−𝟑
Evaluando f(1)=12.895310 > 0, f(2)= 11.69314718 >0 f(8)>0 f(10)<0 f(9)<0
Sabemos que la raíz se encuentra entre 8 y 9, ahora toca arreglar la ecuación de la forma x=g(x)
ln(𝑥)+15 ln(𝑥)+15
La manera más sencilla puede ser 𝑥 = tenemos que nuestra 𝑔(𝑥) 𝑒𝑠
2 2
1 1
Verificando el paso 3, hallamos que 𝑔′ (𝑥) = ∗ y esta función en [8,9] es menor a uno, así que el
2 𝑥
método convergerá y es una g(x) adecuada. Comenzamos a iterar con X 0 =8
ln(8) + 15
𝑥1 = = 8.5397
2
ln(8.5397) + 15
𝑥2 = = 8.5724
2
ln(8.5724) + 15
𝑥3 = = 8.5743
2
ln(8.5743) + 15
𝑥4 = = 8.5744
2
Ya hasta aquí no cambian los 3 primeros decimales, es decir hemos alcanzado la aproximación de la raíz
con la tolerancia deseada, la cual es: 8.574 En general el método es de convergencia lenta, en este caso se
obtuvo rápido porque estábamos muy cerca de la raíz al empezar.
¿Y si elegimos otra g(x)? Podría ser, con tal que cumpla los criterios de convergencia. Si en vez de despejar
x a la función original sumamos x a los dos lados y obtenemos:
𝑥 = −𝑥 + ln(𝑥) + 15, la cual, si cumple con los criterios, pero las iteraciones se hacen más extensas.
¡Compruébala si cumple los criterios!
10
Análisis Numérico - Steveen Carriel Ecuaciones lineales – Método del punto fijo
Ejemplo 1.04
Para cierto producto la demanda en el mercado está dada por la función 𝑑 = 𝑥 2 + 𝑒 𝑥 − 5 y el precio de la
oferta esta dado por 𝑝 = 3𝑥 + 100 . Halle el punto de equilibrio entre la oferta y la demanda
El equilibrio entre ellas es cuando las rectas intersectan. Igualando las ecuaciones tenemos
𝑥 2 + 𝑒 𝑥 − 5 = 3𝑥 + 100 Tenemos que 𝑥 2 + 𝑒 𝑥 − 5 − 3𝑥 − 100 = 0
Evaluando tenemos que hay una raíz entre 4 y 5
Instrumentación algorítmica para el método de Newton
Puntofijo1
En esta función ingresamos g, la cual es la g(x) que cumpla los criterios de convergencia, el punto inicial X0
y la tolerancia especificada e
%algoritmo para el método de punto fijo

function c=puntofijo1(g,x0,e)
d=x0;
c=0;
s=0;
while ~(s==1)
c=g(d);
if abs(c-d)<e
s=1;
else
d=c;
end
end
Usando los datos del ejemplo 1.03 probamos la función
>> format long

>> g=@(x) (log(x)+15)/2;
>> e=0.001;
>> x0=8;
>> puntofijo1(g,x0,e)
ans =
8.574383032876371
La respuesta sería 8.574
1.4. Método de Newton
Este es un método particular de punto fijo, y es una de las técnicas más conocidas y poderosas para la búsqueda
de raíces. Hay varios métodos de introducirlo. La que se explicará es la que se basa en los polinomios de Taylor
Suponiendo que 𝑓 ∈ 𝐶 2 𝑒𝑛 [𝑎, 𝑏].Suponga que se desea resolver la ecuación 𝑓(𝑥 ∗ ) = 0 donde 𝑥 ∗ ∈ [𝑎, 𝑏]
Usando el polinomio de Taylor alrededor de una enésima aproximación, es decir: 𝑥𝑛

(𝑥−𝑥𝑛 )2
𝑓(𝑥) = 𝑓(𝑥𝑛 ) + 𝑓 ′ (𝑥𝑛 )(𝑥 − 𝑥𝑛 ) + 𝑓′′(𝜀), donde 𝜀 se encuentra entre x y 𝑥𝑛
2!
11
𝐸𝑣𝑎𝑙𝑢𝑎𝑛𝑑𝑜 𝑇𝑎𝑦𝑙𝑜𝑟 𝑥 = 𝑥𝑛+1
(𝑥𝑛+1 − 𝑥𝑛 )2
𝑓(𝑥𝑛+1 ) = 𝑓(𝑥𝑛 ) + 𝑓 ′ (𝑥𝑛 )(𝑥𝑛+1 − 𝑥𝑛 ) + 𝑓′′(𝜀)
2!
El método de Newton se deriva suponiendo que 𝑥𝑛+1 es una buena aproximación de 𝑥 ∗ , es decir 𝑓(𝑥𝑛+1 ) ≅0
Además suponiendo que si |𝑥𝑛+1 − 𝑥𝑛 | es tan pequeño, entonces (𝑥𝑛+1 − 𝑥𝑛 )2 lo es mucho más, por lo que
sería cero
Entonces nos queda:

0 = 𝑓(𝑥𝑛 ) + 𝑓 ′ (𝑥𝑛 )(𝑥𝑛+1 − 𝑥𝑛 )
Lo cual ordenando nos queda la fórmula iterativa de Newton:

𝑓(𝑥𝑛 )
Formula Iterativa del Método de Newton 𝑥𝑛+1 = 𝑥𝑛 −
𝑓′(𝑥𝑛 )
1.4.1. Análisis gráfico del Método de Newton Ecuaciones lineales – Método de Newton
Generalmente, es un método muy eficiente, ya que su convergencia es cuadrática. Aquí podemos ver un gráfico que
representa tal método
Si queremos hallar la pendiente de 𝑓(𝑥) en el punto

𝑥𝑖 sería:
𝑓(𝑥𝑖 ) − 0
𝑓′(𝑥𝑖 ) =
𝑥𝑖 − 𝑥𝑖+1
Lo cual reordenando obtenemos:

𝑓(𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
𝑓′(𝑥𝑖 )
Pero hay una limitante, ya que si la función 𝑓(𝑥) ,

alrededor de la raíz, no se comporta tal cual como la
de este gráfico, el método no converge.
En otras palabras para que la función sea similar al

gráfico, debe cumplir este teorema (en general, el
método es muy útil, así que te recomiendo que uses
el método, sin verificar el teorema)
Figura 1.4.1
Th! Sea 𝑓 ∈ 𝐶 2 𝑒𝑛 𝐼 [𝑎, 𝑏] , donde f(a)<0 y f(b)>0 y
por ende existe una raíz en I. Suponiendo que
𝑓 ′ (𝑥) ≠ 0 en I. El método iterativo converge sí:
𝑎) 𝑓(𝑥) > 0
𝑥 ∈ (𝑟, 𝑏]
𝑏) 𝑓′(𝑥) > 0
𝑐) 𝑓′′(𝑥) > 0
Como recomendación entonces se debe elegir el valor inicial cerca del extremo el intervalo I, donde f>0, en este caso b
12
Ejemplo 1.05
El precio de demanda de un producto está modelado mediante la ecuación: 𝑦 = 10𝑒 −𝑥 + 4 y el precio de la oferta stá
modelado mediante la ecuación 𝑦 = 10𝑥 2 + 2, utilizando el método de Newton, plantee la ecuación y encuentre un
intervalo de convergencia y luego encuentre el punto de equilibrio entre el precio y demanda con 𝜀 = 10−4
La ecuación sería igualando las otras dos: 10𝑒 −𝑥 + 4 = 10𝑥 2 + 2
𝑓(𝑥) = 10𝑒 −𝑥 + 4 − 10𝑥 2 − 2 = 0, simplificando un poco tenemos: 𝑓(𝑥) = 5𝑒 −𝑥 − 5𝑥 2 + 1 = 0
: 𝑓(0) = 6 𝑓(1) = −2.160607 elegimos [0,1]
Para hallar el intervalo de convergencia tenemos que verificar el teorema 1.
𝑓 ′ (𝑥) = −5𝑒 −𝑥 − 10𝑥
𝑓 ′ ′(𝑥) = 5𝑒 −𝑥 − 10
Vemos que
𝑎) 𝑓(𝑥) < 0
𝑏) 𝑓′(𝑥) < 0
𝑐) 𝑓′′(𝑥) < 0
Entonces si alteramos la función con un signo menos: 𝑓(𝑥) = −(5𝑒 −𝑥 − 5𝑥 2 + 1) Ecuaciones lineales – Método de Newton
Entonces obtenemos que
𝑎) 𝑓(𝑥) > 0
𝑏) 𝑓′(𝑥) > 0 𝑥 ∈ (𝑟, 1]
𝑐) 𝑓′′(𝑥) > 0
Nuestro intervalo de convergencia es 𝑥 ∈ (𝑟, 1]
• Comenzamos a iterar, haciendo primero la fórmula de Newton con 𝑓(𝑥) = −5𝑒 −𝑥 + 5𝑥 2 − 1

(−5𝑒 −𝑥𝑖 +5𝑥𝑖 2 −1)
• 𝑥𝑖+1 = 𝑥𝑖 − , tomamos 𝑥0 = 1
5𝑒 −𝑥𝑖 +10x𝑖
(−5𝑒 −1 +5(1)2 −1)
 𝑥1 = 1 − =0.81751
5𝑒 −1 +10(1)
 𝑥2 = 𝑔(0.81751) = 0.80461
 𝑥3 = 𝑔(0.80461) = 0.80454
 𝑥4 = 𝑔(0.80454) = 0.80454
Ya no cambian los 4 últimos decimales, la respuesta es: 0.8045
¿Cómo hallar el intervalo de convergencia de manera gráfica (y rápida)?

Deben darse cuenta que el método de Newton solo va a converger en la sección de la función donde la pendiente en
cualquier punto tiende a acercarse a la raíz (revisar figura 1.4.1).
Ejemplos de esto (pintado de amarillo)
13
Por obvias razones desconoceremos la raíz, pero usando el TVI podemos tener una idea de donde está.
Teniendo esto en cuenta podemos establecer intervalos de convergencia fácilmente. Veamos un ejercicio con el
ejemplo de lo que digo.
Primera Evaluacion – I Término 2016 ( 28/Junio/2016)
Primer tema:
El balance de masa de un contaminante en un lago bien mezclado se exprea mediante la ecuación:

𝑑𝑐
𝑉 = 𝑊 − 𝑄𝑐 − 𝑘𝑉 3√𝑐
𝑑𝑡
2
𝑚3 𝑔 𝑔3
Dados los valores de parámetros 𝑉 = 1𝑥106 𝑚3 , 𝑄 = 1𝑥105 , 𝑊 = 1𝑥106 𝑦 𝑘 = 0.25 , se requiere hallar la concentración c de estado
𝑎ñ𝑜 𝑎ñ𝑜 𝑚2 𝑎ñ𝑜
𝑑𝑐
estable ( = 0)
𝑑𝑡
a) Utilizando el método de Newton, encuentre un modelo iterativo x=g(x) para aproximar c, y un intervalo de existencia y convergencia.
b) Realice las iteraciones presentando el error en cada iteración ( 10^-4)
Solución
a) Reemplazando los datos y simplificando tenemos la ecuación, f(c)=0:
3
0 = 10 − 𝑐 − 2.5 √𝑐
Planteamos el método iterativo de newton

𝑓(𝑐𝑖 )
𝑐𝑖+1 = 𝑐𝑖 −
𝑓′(𝑐𝑖 )
2.5 5
𝑓 ′ (𝑐) = − 3 −1=− 3 −1
3 √𝑐 2 6 √𝑐 2
5
− −1
3
6 √𝑐𝑖 2 10−𝑐𝑖 −2.5 3√𝑐𝑖
𝑐𝑖+1 = 𝑐𝑖 − 𝑐𝑖+1 = 𝑐𝑖 + 5
10−𝑐𝑖 −2.5 3√𝑐𝑖 +1
3
6 √𝑐𝑖 2
Para el intervalo de existencia usamos el TVI
f(0)=10 f(1)=6.5 f(5)=0.72 f(6)=-0.54
Vemos que hay una raíz entre 5 y 6. Intervalo de existencia (5,6)
Para el intervalo de convergencia, tratamos de bosquejar la función usando teorema de la primera y segunda derivada
( crecimiento y concavidad)
f(1)>0 f’(1)<0 f’(1)>0
Entonces la función tiene esta forma:
14
Donde la región en amarillo es el intervalo de convergencia, entonces

tranquilamente podemos decir que la función converge entre (0,r)
Pero concretamente podemos decir que converge entre (0,5)
O puede ser (0, 4) o (0,3), debido a que la función se comporta de la

manera anteriormente dicha.
b) Iteramos usando como valor inicial 5

 𝑥1 = 𝑔(5) = 5.5643
 𝑥2 = 𝑔(5.5643) = 5.5688
 𝑥3 = 𝑔(5.5688) = 5.5688
𝑒1 = |5.5643 − 5| =0.5643
𝑒1 = |5.5688 − 5.5643| = 0.0045
𝑒1 = |5.5688 − 5.5688| = 0
Para el método de Newton, en la función, se debe ingresar la f, que corresponde a la función igualada a cero
a,b hallados con el TVI, h que es un valor muy pequeño para aproximar la derivada ( ejemplo h=0.0001), y e , la
tolerancia del propio problema
function [ R ] = Newton( f,a,b,h,e )
g=@(x) (f(x+h)-f(x))./h;
p0=a+rand(1).*(b-a);
p1=p0-(f(p0)./g(p0));
error=abs(p0-p1);
while error>e
p0=p1;
p1=p0-(f(p0)./g(p0));
error=abs(p0-p1);
end
R=p1;
end
15
2. Sistemas lineales y no lineales de Ecuaciones
2.1. Sistemas lineales
Sea 𝐴𝑋 = 𝐵 es la representación matricial de un sistema lineal de n ecuaciones con n incógnitas
Ejemplo.
3𝑥 − 𝑦 + 𝑧 = −4
{2𝑥 − 7𝑦 + 4𝑧 = 1
𝑥 − 2𝑦 + 5𝑧 = 11
Observamos que en la forma AX=B, sería

3 −1 1 𝑥 −4
(2 −7 4) ∗ ( 𝑦 ) = ( 1 )
1 −2 5 𝑧 11
En un sistema de ecuaciones lineales la solución podría ser única, inconsistente o puede haber infinitas soluciones.
Suponiendo también que el sistema lineal anterior no es homogéneo y que n es muy grande.
 Entonces necesitamos métodos que nos permitan minimizar el número de operaciones aritméticas para
resolver el sistema
Los métodos directos como Gauss, Gauss-Jordán, requieren de mucho esfuerzo y son ineficientes para un número
relativamente grande de incógnitas.
Por eso se introducirá métodos iterativos como anteriormente lo hemos hecho, solo que esta vez para sistemas y
no solo una ecuación
Teoría previa
Sea V un espacio vectorial, una norma en V es una función que asigna a cualquier vector del espacio vectorial V un
único número real denotado por ‖𝑉‖ ∈ ℝ, de la forma:
𝑥1
𝑥2
V= 𝑥3
⋮
(𝑥𝑛 )
Sea A una matriz que pertenece a las matrices mxn, de la forma
𝑎11 𝑎12 𝑎13 … 𝑎1𝑚

𝑎21 𝑎22 𝑎23 ⋯ 𝑎2𝑚
A= 𝑎31 𝑎32 𝑎33 ⋯ 𝑎3𝑚
⋮ ⋮ ⋮ ⋱ ⋮
𝑎 𝑎𝑛2 𝑎𝑛3 ⋯ 𝑎𝑛𝑚 )
( 𝑛1
2.2. Definiciones previas
Antes de entrar de lleno a los sistemas de ecuaciones lineales, debemos recordar ( o aprender), ciertas definiciones
importantes, que serán fundamentales al momento de establecer convergencia para estos métodos .
 Norma infinito (norma fila)

Es el valor máximo de la suma total de los valores absolutos de los elementos de cada fila. Si se trata de un
vector, sería la fila con el valor máximo.
16
• Vectores
‖𝑉‖∞ = 𝑚𝑎𝑥1≤𝑖≤𝑛 |𝑥𝑖 |= max(|𝑥1 |, |𝑥2 |, |𝑥2 |, |𝑥3 |, … |𝑥𝑛 | )
Ejemplo
−2
‖(3 − 4𝑖 )‖ =max(2,5, √2)=5
1+𝑖 ∞
• Matrices
‖𝐴‖∞ = 𝑚𝑎𝑥1≤𝑖≤𝑛 (∑𝑛𝑗=1|𝑎𝑖𝑗 |)
Ejemplo
• i=1: |−5| + |2| + |1|=8
−5 2 1
‖( 3 8 4)‖ =
• i=2 |3| + |8| + |−4|=15 El valor máximo sería 19
6 −6 7 ∞ • i=3 |6| + |−6| + |7|=19
 Norma uno (norma columna)

Es el valor máximo de la suma total de los valores absolutos de los elementos de cada columna. Si se trata de
un vector, sería la suma absoluta de todos sus elementos, ya que su única columna es el vector mismo.
• Vectores
‖𝑉‖1 = ∑𝑛𝑖=1|𝑥𝑖 |= (|𝑥1 | + |𝑥2 | + |𝑥2 | + |𝑥3 |, + ⋯ + |𝑥𝑛 | )
Ejemplo
−2
‖(3 − 4𝑖 )‖ = |−2| + |3 − 4𝑖| + |1 + 𝑖| = 2 + 5 + √2 = 7 + √2
1+𝑖 ∞
• Matrices
‖𝐴‖∞ = 𝑚𝑎𝑥1≤𝑗≤𝑛 (∑𝑛𝑖=1|𝑎𝑖𝑗 |)
Ejemplo
• j=1: |−5| + |3| + |6|=14
−5 2 1
‖( 3 8 4)‖ =
• j=2 |2| + |8| + |−6|=16 El valor máximo sería 16
6 −6 7 ∞ • j=3 |1| + |4| + |7|=12
Hay propiedades importantes de las normas, pero no son “necesarias” para el estudiante. De todas formas se la
adjuntará en la sección de Anexos
Función Inversa de una matriz
En esta función se ingresa A, la cual es la matriz a hallar su inversa
function [D] =InversaMatriz(A)

[N,M]=size(A); C=[A eye(N,N)];
for n=1:N-1
[d,q]=max(abs(C(n:N,1:N)));
17
[a,p]=max(d);
f=q(p)+n-1; col=p;
Bo(n)=[col];
S=[C(n,:)];C(n,:)=[C(f,:)]; C(f,:)=[S];
C(n,:)=C(n,:)./C(n,col);
for m=1:N
if m==n
else
C(m,:)=C(m,:)-C(m,col).*C(n,:);
end
end
end
[a,p]=max(abs(C(N,1:N)));
Bo(N)=[p];
C(N,:)=C(N,:)./C(N,p);
for m=1:N-1
C(m,:)=C(m,:)-C(m,p).*C(N,:);
end
D=zeros(N,N);
for n=1:N
D(Bo(n),:)=[C(n,N+1:2.*N)];
end
end
Radio espectral
Sea 𝐴 ∈ 𝑀𝑚𝑥𝑛 . Sean 𝜆1 , 𝜆2 , 𝜆3 , … 𝜆𝑛 los n valores propios de 𝐴. Se define al radio espectral de 𝐴, denotado con
𝜌(𝐴) = 𝑚𝑎𝑥1≤𝑖≤𝑛 |𝜆𝑖 |. Es decir, el radio espectral es el máximo valor absoluto de los valores propios de la matriz.
Matriz estrictamente diagonal dominante
Una matriz A es estrictamente diagonal dominante, si sus elementos en la diagonal son mayores a la de la suma
absoluta de los elementos de su misma fila. Ejemplo
𝟖 1 −4 8 > |1| + |−4|

(2 𝟕 3 ), observando esta matriz, nos percatamos que { 7 > |2| + |3| , entonces esta matriz es estrictamente
5 1 𝟗 9 > |5| + |1|
diagonal dominante.
18
2.2.1. Métodos iterativos para sistemas de ecuaciones lineales
Similar a lo que vimos para una sola ecuación, presentaremos métodos iterativos de la siguiente forma:
𝑋 = 𝐺(𝑋), donde la G(X) dependerá de del tipo de método que a continuación presentaremos.
La G(x) en general presenta la siguiente forma: 𝐺(𝑋) = 𝑇𝑋 + 𝐶 , donde a T se le denomina matriz de

transición.
 Antes de eso, se presentará formas de dividir una matriz A cualquiera en la suma de tres matrices, dos
matrices triangulares y una diagonal
𝐴 = (𝐿 + 𝐷 + 𝑅) (Left – Diagonal – Right)
𝑒𝑗𝑒𝑚𝑝𝑙𝑜
11 5 6 0 0 0 11 0 0 0 5 6
𝐴=(7 4 10)= (7 0 0) + ( 0 4 0) + ( 0 0 10)
3 2 7 3 2 0 0 0 7 0 0 0
L + D + RR
2.2.1.1. 𝐌𝐞𝐭𝐨𝐝𝐨 𝐆𝐚𝐮𝐬𝐬 − 𝐒𝐞𝐢𝐝𝐞𝐥
Partiendo de la forma inicial de un sistema lineal de ecuaciones y luego se procede a manipular un poco.
 𝐴𝑋 = 𝐵
 (𝐿 + 𝐷 + 𝑅)𝑋 = 𝐵
 [(𝐿 + 𝐷) + 𝑅]𝑋 = 𝐵
 (𝐿 + 𝐷)𝑋 + 𝑅𝑋 = 𝐵
 (𝐿 + 𝐷)𝑋 = 𝐵 − 𝑅𝑋
 𝑋 = (𝐿 + 𝐷)−1 (𝐵 − 𝑅𝑋) Suponiendo que L+D es invertible
 𝑋 = (𝐿 + 𝐷)−1 𝐵 − (𝐿 + 𝐷)−1 𝑅𝑋
 𝑋 = − (𝐿 + 𝐷)−1 𝑅𝑋 + (𝐿 + 𝐷)−1 𝐵
Finalmente, esta es la fórmula iterativa de la forma 𝑋 = 𝑇𝑋 + 𝐶 , recordando que L, D, R, son

matrices y las “X” son vectores
 𝑿𝒏+𝟏 = [− (𝐿 + 𝐷)−1 𝑅]𝑿𝒏 + (𝐿 + 𝐷)−1 𝐵 Fórmula iterativa del Método Gauss-Seidel
Donde por observación, la matriz de Transición es:𝑇𝐺𝑆 = [− (𝐿 + 𝐷)−1 𝑅] y la 𝐶 = (𝐿 + 𝐷)−1 𝐵
Función para Gauss Seidel

Donde A es la matriz de coeficientes, y B el vector vertical conocido
function [U] = GaussSeidel(A,B)
[N,N]=size(A);
C=zeros(N,N);
for n=1:N
C(n,n)=[A(n,n)];
end
F=[A-C];
for n=1:N
19
F(n,:)=[F(n,:)./C(n,n)];
B(n)=[B(n)./C(n,n)];
end
F=-F;
Z=zeros(N,1);
U=Z; V=Z;
for n=1:N
U(n)=F(n,:)*Z+B(n);
Z(n)=[U(n)];
end
while norm((U-V),1)>0.0001
V=Z;
for n=1:N
U(n)=F(n,:)*Z+B(n);
Z(n)=[U(n)];
end
end
end
Ejemplo. Comenzamos con un sistema sencillo de 3 ecuaciones y 3 incógnitas

3𝑥 − 𝑦 + 𝑧 = −4
{2𝑥 − 7𝑦 + 4𝑧 = 1
𝑥 − 2𝑦 + 5𝑧 = 11
Observamos que en la forma AX=B, sería

3 −1 1 𝑥 −4
(2 −7 4) ∗ (𝑦) = ( 1 ), luego armamos la fórmula de Gauss-Seidel.
1 −2 5 𝑧 11
3 0 0 1/3 0 0 0 1/3 −1/3

𝐿 + 𝐷 = (2 −7 0), (𝐿 + 𝐷)−1 = ( 2/21 −1/7 0 ), − (𝐿 + 𝐷)−1 𝑅 = (0 2/21 10/21)
1 −2 5 −1/35 −2/35 1/5 0 −1/35 9/35
0 1/3 −1/3
𝑇𝐺𝑆 = (0 2/21 10/21)
0 −1/35 9/35
1/3 0 0 −4 −4/3
𝐶 = (𝐿 + 𝐷)−1 𝐵 = ( 2/21 −1/7 0 ) ∗ ( 1 ) = (−11/21)
−1/35 −2/35 1/5 11 79/35
0
Por ser prácticos, elegimos el vector nulo como vector inicial 𝑋0 = (0), y comenzamos a iterar
0
4
−
0 1/3 −1/3 0 3 −1.333333
11
 𝑿𝟏 = (0 2/21 10/21) ∗ (0) + − 21 = (−0.523809)
0 −1/35 9/35 0 79 2.257143
( 35 )
4
−
0 1/3 −1/3 −1.333333 3 −2.260317
11
 𝑿𝟐 = (0 2/21 10/21) ∗ (−0.523809) + − 21 = ( 0.501134 )
0 −1/35 9/35 2.257143 79 2.852517
( 35 )
20
4
−
0 1/3 −1/3 −2.260317 3 −2.117128
11
 𝑿𝟑 = (0 2/21 10/21) ∗ ( 0.501134 ) + − 21 = ( 0.882259 )
0 −1/35 9/35 2.852517 79 2.976329
( 35 )
4
−
0 1/3 −1/3 −2.117128 3 −2.031357
11
 𝑿𝟒 = (0 2/21 10/21) ∗ ( 0.882259 ) + − 21 = ( 0.977515 )
0 −1/35 9/35 2.976329 79 2.997277
( 35 )
4
−
0 1/3 −1/3 −2.031357 3 −2.006588
11
 𝑿𝟒 = (0 2/21 10/21) ∗ ( 0.977515 ) + − 21 = ( 0.996562 )
0 −1/35 9/35 2.997277 79 2.999942
( 35 )
• Podemos observar que las respuestas comienzan a converger al vector -2,1,3 el cual es la solución exacta de nuestro problema
2.2.1.2. Método de Jacobi
De la misma forma que el anterior se parte de la forma inicial de un sistema lineal de ecuaciones y luego
se procede a manipular un poco.
 𝐴𝑋 = 𝐵
 (𝐿 + 𝐷 + 𝑅)𝑋 = 𝐵
 [𝐷 + (𝐿 + 𝑅)]𝑋 = 𝐵
 [𝐷𝑋 + (𝐿 + 𝑅)𝑋] = 𝐵
 𝐷𝑋 = −(𝐿 + 𝑅)𝑋 + 𝐵 Ahora suponiendo que D es invertible
 𝑋 = −𝐷 −1 (𝐿 + 𝑅)𝑋 + 𝐵𝐷 −1
Finalmente, esta es la fórmula iterativa de la forma 𝑋 = 𝑇𝑋 + 𝐶 ,
𝑿𝒏+𝟏 = −𝐷 −1 (𝐿 + 𝑅)𝑿𝒏 + 𝐷 −1 𝐵 Fórmula iterativa del Método Jacobi
Donde por observación, la matriz de Transición es:𝑇𝐽 = −𝐷 −1 (𝐿 + 𝑅) y la 𝐶 = 𝐵𝐷 −1
FUNCION PARA JACOBI
Donde A es la matriz de coeficientes, B es el vector vertical, y epsi es el error

o tolerancia
function [Z]=Jacobi(A,B,epsi)
%UNTITL)
[M,N]=size(A); B1=B;
C=zeros(M,M);
for m=1:M
C(m,m)=A(m,m);
end
A1=C-A;
for m=1:M
A1(m,:)=A1(m,:)./C(m,m); B1(m)=B1(m)./C(m,m);
end
X=zeros(M,1); Y=A1*X+B1;m=1;
while (norm(Y-X)>epsi)
X=Y; Y=A1*X+B1;
m=m+1;
Y-X
end
Z=Y;
end
21
2.2.2. Convergencia de los métodos iterativos para sistemas de ecuaciones lineales
¡Teorema! Los métodos iterativos para resolver sistemas lineales de ecuaciones que tienen la forma
𝑋 = 𝑇𝑋 + 𝐶,
Convergen a la solución, si y solo si, el radio espectral de la matriz de transición es menor a uno (𝜌(𝑇) < 1)
Entonces que 𝜌(𝑇) < 1 es una condición necesaria y suficiente para la convergencia a la solución.
¡Teorema! En un método iterativo de la forma 𝑋 = 𝑇𝑋 + 𝐶, si la matriz de coeficientes A, es estrictamente diagonal

dominante entonces ocurre que:
‖𝑇𝐺𝑆 ‖ < ‖𝑇𝐽 ‖ < 1
Como las normas de la matriz de transición es menor a uno, es suficiente para que converja el método a la solución.
2.2.3. Análisis del error en los métodos iterativo para sistemas de ecuaciones lineales
Estimación del error

Para cualquier método de este tipo, si el método converge, el error entre las iteraciones, se lo podría calcular de la
siguiente forma:
‖𝑋 𝑛 − 𝑋 𝑛−1 ‖
Y el error relativo es de la forma

‖𝑋 𝑛 − 𝑋 𝑛−1 ‖
‖𝑋 𝑛 ‖
(Recordar que cuando no se indica, puede ser cualquier norma, uno o infinito)
2.2.4. Sistemas bien condicionados y mal condicionados
Número de condición. - Sea 𝐴 ∈ 𝑀𝑛𝑥𝑛 , invertible, se define como número de condición de A, denotado con cond(A)
como:
𝑐𝑜𝑛𝑑(𝐴) = ‖𝐴‖ ∗ ‖𝐴−1 ‖
Observación: Sea A invertible, 𝐴 ∗ 𝐴−1 = 𝐼
Por cierta propiedad de normas ‖𝐼‖ = ‖𝐴 ∗ 𝐴−1 ‖ ≤ ‖𝐴‖ ∗ ‖𝐴−1 ‖
cond(A)
 𝑐𝑜𝑛𝑑(𝐴) ≥ ‖𝐼‖
 𝑐𝑜𝑛𝑑(𝐴) ≥ 1
✓ El número de condición es al menos uno

✓ Cuando el número de condición es relativamente alto, podríamos concluir que el sistema está mal
condicionado, es decir no es confiable ni podríamos concluir cosas con él
22
Perturbación en la matriz de coeficientes
Del sistema lineal 𝐴𝑋 = 𝐵, donde 𝑋 es la solución exacta del sistema. Suponga que por errores de tipeo o de alguna
clase de medición, no se propone A para resolver el sistema sino una parecida 𝐴̃. Entonces 𝐴̃𝑋 = 𝐵 no se satisfacerla,
para que resulte se tendría que proponer otra solución para así satisfacer la igualdad con B. Sería 𝐴̃𝑋̃ = 𝐵.
Entonces ante un cambio de la matriz A de coeficientes, ¿Qué tanto cambia la solución X?
 𝐴𝑋 = 𝐵
 𝑋 = 𝐵 ∗ 𝐴−1
 𝑋 = (𝐴̃𝑋̃) ∗ 𝐴−1
 𝑋 = (𝐴̃) ∗ 𝑋̃ ∗ 𝐴−1
 𝑋 = (𝐴̃ + 𝐴 − 𝐴) ∗ 𝑋̃ ∗ 𝐴−1 = [(𝐴) ∗ 𝐴−1 + (𝐴̃ − 𝐴) ∗ 𝐴−1 ] ∗ 𝑋̃
 𝑋 = [𝐼 + (𝐴̃ − 𝐴)𝐴−1 ] ∗ 𝑋̃
 𝑋 = 𝑋̃ + (𝐴̃ − 𝐴)𝐴−1 ∗ 𝑋̃
 𝑋 − 𝑋̃ = (𝐴̃ − 𝐴)𝐴−1 ∗ 𝑋̃ , ahora si aplicamos la norma a ambos lados de la ecuación tenemos
 ‖𝑋 − 𝑋̃‖ = ‖(𝐴̃ − 𝐴) ∗ 𝐴−1 ∗ 𝑋̃‖ ≤ ‖𝐴̃ − 𝐴‖ ∗ ‖𝐴−1 ‖ ∗ ‖𝑋̃‖, obtenemos que
 ‖𝑋 − 𝑋̃‖ ≤ ‖𝐴̃ − 𝐴‖ ∗ ‖𝐴−1 ‖ ∗ ‖𝑋̃‖, luego multiplicando y dividiendo la norma de A, tenemos
‖𝐴‖
 ‖𝑋 − 𝑋̃‖ ≤ ‖𝐴̃ − 𝐴‖ ∗ ‖𝐴‖ ‖𝐴−1 ‖ ∗ ‖𝑋̃‖, ordenando todo tenemos
‖𝑋−𝑋̃ ‖ ‖𝐴̃−𝐴‖
 ‖𝑋̃‖
≤ ‖𝐴‖ ∗ ‖𝐴−1 ‖ ‖𝐴‖
 𝐸𝑟 (𝑥) ≤ 𝑐𝑜𝑛𝑑(𝐴) ∗ 𝐸𝑟 (𝐴)
‖𝑋−𝑋̃‖ ‖𝐴̃−𝐴‖
‖𝑋̃‖
≤ 𝑐𝑜𝑛𝑑(𝐴) ‖𝐴‖
= 𝐸𝑟 (𝑥) ≤ 𝑐𝑜𝑛𝑑(𝐴) ∗ 𝐸𝑟 (𝐴) Cota para el error relativo de la solución
2.3. Sistemas no lineales de ecuaciones
Dado un sistema no lineal de n ecuaciones con n incógnitas de la forma

𝑓1 (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) = 0
𝑓2 (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) = 0
𝑓3 (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) = 0
⋮
{𝑓𝑛 (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) = 0
Donde también lo podemos representar como dos vectores de esta manera 𝐹(𝑋𝑛 ) = 𝟎
𝐹(𝑋𝑛 ) es el vector de funciones y 0 es el cero vector de grado n
• Para que el sistema sea no lineal, al menos una ecuación debe ser no lineal, donde hay n funciones de
n variables independientes.
▪ Se necesita recordar como hallar la matriz jacobiana:
La matriz jacobiana de 𝐹(𝑋𝑛 ), denotada como 𝐽𝐹 (𝑋𝑛 ) es de la forma:
23
𝛿𝑓1 𝛿𝑓1
…
𝛿𝑥1 𝛿𝑥𝑛
𝐽𝐹 (𝑋𝑛 ) = ⋮ ⋱ ⋮
𝛿𝑓𝑛 𝛿𝑓𝑛
…
(𝛿𝑥1 𝛿𝑥𝑛 )
Se trata de derivar parcialmente cada función, respecto a cada variable. Luego veremos ejemplos de aquello
2.3.1. Método iterativo de Newton para sistemas de ecuaciones no lineales
Es muy parecido (por no decir la misma) a la forma del método de newton para una sola ecuación
Para una ecuación era:
𝑓(𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 −
𝑓′(𝑥𝑛 )
Ahora para su homóloga para sistemas de ecuaciones no lineales es:
𝑋𝑛+1 = 𝑋𝑛 − [𝐹(𝑋𝑛 )] ∗ [𝐹′(𝑋𝑛 )−1 ]
Donde 𝐹(𝑋𝑛 ) es el vector de funciones y 𝐹′(𝑋𝑛 )−1 es la inversa del jacobiano de 𝐹(𝑋𝑛 ):
𝑿𝒏+𝟏 = 𝑿𝒏 − [𝑭(𝑿𝒏 )] ∗ [𝑱𝑭 (𝑿𝒏 )−𝟏 ] Método iterativo de Newton para sistemas no lineales
• Ejemplo. Considere el sistema no lineal
5𝑥 2 − 𝑦 2 + 3𝑥 = 0
{
4𝑦 − 𝑠𝑒𝑛(𝑥) − cos(𝑦) = 0
5𝑥2 − 𝑦2 + 3𝑥
Tenemos que 𝐹(𝑋𝑛 )= 𝐹(𝑥, 𝑦) = ( )
4𝑦 − 𝑠𝑒𝑛(𝑥) − cos(𝑦)
Y su matriz jacobiana es:
10𝑥 + 3 −2𝑦
𝐽𝐹 (𝑥, 𝑦) = ( )
−cos(𝑥) 4 + 𝑠𝑒𝑛(𝑦)
Armamos la fórmula iterativa, tomando el vector nulo como vector inicial para iterar
0
𝑋0 = ( )
0
Primero evaluamos la jacobiana para luego así, hallar su inversa
3 0 1/3 0
𝐽𝐹 (0,0) = ( ), 𝐽𝐹 (0,0)−1 = ( )
−1 4 1/12 1/4
También evaluamos 𝐹(𝑥, 𝑦), 𝐹(0,0) = (

0)
−1
Armamos la formula iterativa:

0 0 1/3 0 1/12
𝑋1 = ( ) − ( ) ∗ ( )= ( )
0 −1 1/12 1/4 1/4
Y así continuamos iterando, suele ser pesado porque tenemos que evaluar dos cosas y sacar una matriz
inversa por cada iteración
1/12 0.222222 ) ∗ ( 3.833333 )= ( −0.794593 )

−0.5
𝑋2 = ( )−(
1/4 −0.052149 −0.996529 4.247404 0.69290504
24
3. Interpolación Polinomial
• Supongamos que deseamos analizar cierta función, cuya regla de correspondencia sea desconocida o
sea muy complicada (complicada de integrar, derivar, graficar, etc.).
• Interpolación consiste en tener ciertos puntos de una función, a partir de otros. Es decir, vamos a
reemplazar cierta función complicada o desconocida (por medio de algunos puntos) por funciones
polinomiales, que en general son más fáciles de tratar.
Dicho esto, supongamos que:

Sea la función continua en un intervalo I
Sea los puntos 𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ∈ 𝐼, tal que 𝑥0 < 𝑥1 < 𝑥2 < 𝑥3 < ⋯ < 𝑥𝑛 (relación de orden).
Suponga que no se conoce la regla de correspondencia, pero se conoce las respectivas imágenes de los
puntos, es decir:
𝑓(𝑥0 ) = 𝑦0 , 𝑓(𝑥1 ) = 𝑦0 , 𝑓(𝑥0 ) = 𝑦2 , ,… 𝑓(𝑥𝑛 ) = 𝑦𝑛 ,
Es decir, conocemos n+1, puntos de un plano donde pasa la gráfica de f
Debemos construir una función polinomial por tramos, de cierto grado que pase por los mismos puntos y aproxime los
otros puntos restantes en el intervalo I.
3.1. Unicidad del polinomio de interpolación
Suponga que existen dos polinomios diferentes de interpolación p(x) y q(x), para una misma función en un intervalo I.
Es decir ∀𝑖 𝑝(𝑥𝑖 ) = 𝑦𝑖 y ∀𝑖 𝑞(𝑥𝑖 ) = 𝑦𝑖 , pero 𝑝(𝑥) ≠ 𝑞(𝑥).
Contrayendo otro polinomio definido como ℎ(𝑥) = 𝑝(𝑥) − 𝑞(𝑥), de grado n (ya que p y q son de grado n)
Si lo evaluamos para cualquier valor 𝑥𝑖 , tenemos
 ℎ(𝑥𝑖 ) = 𝑝(𝑥𝑖 ) − 𝑞(𝑥𝑖 )

 ℎ(𝑥) = 𝑦𝑖 − 𝑦𝑖 = 0, y esto ocurre para toda i ( de 0 hasta n)
Es decir este polinomio h de grado n, tiene n+1 raíces (contradiciendo el teorema fundamental del algebra).
Lo único que puede ser para que esto ocurra es que h(x) sea un polinomio nulo
 ℎ(𝑥) = 𝟎
 𝑝(𝑥𝑖 ) − 𝑞(𝑥𝑖 ) = 𝟎 entonces concluimos que
 𝑝(𝑥𝑖 ) = 𝑞(𝑥𝑖 )
✓ ¡El polinomio de interpolación es único!
3.2. Métodos de interpolación Polinomial
3.2.1. Polinomio de Lagrange
Considere el problema de la interpolación polinomial (PIP) indicado anteriormente y con la obtención previa de una
tabla de valores como la siguiente:
𝑖 𝑥𝑖 𝑓(𝑥𝑖 )/𝑦𝑖
0 𝑥0 𝑦0
1 𝑥1 𝑦1
25
2 𝑥2 𝑦3
… … …
n 𝑥𝑛 𝑦𝑛
Se define al polinomio de lagrange 𝑝𝐿 (𝑥) = 𝑦0 𝐿𝑜 (𝑥) + 𝑦1 𝐿1 (𝑥) + 𝑦2 𝐿2 (𝑥) … 𝑦𝑛 𝐿𝑛 (𝑥)

𝑛
𝑝𝐿 (𝑥) = ∑ 𝑦𝑖 𝐿𝑖 (𝑥)
𝑖=0
(𝑥−𝑥0 )(𝑥−𝑥1 )(𝑥−𝑥2 )…(𝑥−𝑥𝑖−1 )…(𝑥−𝑥𝑛 )

Donde 𝐿𝑖 (𝑥) = (𝑥
𝑖 −𝑥0 )(𝑥𝑖 −𝑥1 )(𝑥𝑖 −𝑥2 )…(𝑥𝑖 −𝑥𝑖−1 )(𝑥𝑖 −𝑥𝑖+1 )…(𝑥𝑖 −𝑥𝑛 )
𝑛
(𝑥 − 𝑥𝑘 )
𝐿𝑖 (𝑥) = ∏
(𝑥𝑖 − 𝑥𝑘 )
𝑘=0
𝑘≠𝑖
𝑛 𝑛
(𝑥 − 𝑥𝑘 )
𝑝𝐿 (𝑥) = ∑ 𝑦𝑖 𝐿𝑖 (𝑥) 𝑑𝑜𝑛𝑑𝑒 𝐿𝑖 (𝑥) = ∏ 𝑖 = 0, 1, 2, 3, … 𝑛 Polinomio de Interpolación de lagrange
(𝑥𝑖 − 𝑥𝑘 )
𝑖=0 𝑘=0
𝑘≠𝑖
El grado del polinomio de lagrange es de grado n.
o El procedimiento para cualquier ejercicio es el mismo, así que es simplemente mecánico.
Ejemplo (3.0, 1), (6.0, 4), (10, 9), (13, 2)
𝑖 𝑥𝑖 𝑦𝑖
0 3 1
1 6 4
2 10 9
3 13 2
Comenzamos a armar las Li. Percatándonos de la definición, observamos en el numerador que la X k son todas menos la i
en ese instante. Y abajo se resta esa Xi menos todas las Xk
(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) (𝑥 − 6)(𝑥 − 10)(𝑥 − 13) 1 3 29 2 134 26
𝐿0 (𝑥) = = =− 𝑥 + 𝑥 − 𝑥+
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 ) (3 − 6)(3 − 10)(3 − 13) 210 210 105 7
(𝑥 − 𝑥0 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) (𝑥 − 3)(𝑥 − 10)(𝑥 − 13) 1 3 13 2 199 65
𝐿1 (𝑥) = = = 𝑥 − 𝑥 + 𝑥−
(𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 ) (6 − 3)(6 − 10)(6 − 13) 84 42 84 14
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥3 ) (𝑥 − 3)(𝑥 − 6)(𝑥 − 13) 1 11 2 45 39
𝐿2 (𝑥) = = = − 𝑥3 + 𝑥 − 𝑥+
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 ) (10 − 3)(10 − 6)(10 − 13) 84 42 28 14
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) (𝑥 − 3)(𝑥 − 6)(𝑥 − 10) 1 3 19 2 18 6
𝐿3 (𝑥) = = = 𝑥 − 𝑥 + 𝑥−
(𝑥3 − 𝑥0 )(𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 ) (13 − 3)(13 − 6)(13 − 10) 210 210 35 7
Ya hecho esto se debe reemplazar las L en la definición del polinomio de lagrange
𝑝𝐿 (𝑥) = 1𝐿𝑜 (𝑥) + 4𝐿1 (𝑥) + 9𝐿2 (𝑥) + 2𝐿3 (𝑥)
Reemplazando y simplificando, finalmente obtenemos:

23 3 113 2 733 17
𝑝𝐿 (𝑥) = − 𝑥 + 𝑥 − 𝑥+
420 105 140 2
26
Tenemos ya el polinomio lagrangiano que interpola los puntos. Como observación se graficará el polinomio y los puntos
de la tabla
>> x=[ 3 6 10 13];

>> y=[ 1 4 9 2];
>> p=@(x) -(23/420).*x.^3 +(113/105).*x.^2 -(733/140).*x +17/2;
>> plot(x,y,'o'),hold on, grid on, ezplot(p,[2,15]);
Como se ve, el polinomio pasa exactamente por los puntos
FUNCION PARA LA INTERPOLACIÓN DE LAGRANGE

Donde x & y son los vectores que el propio problema te da como datos iniciales
function [p]=InterpolacionLagrange(x,y)
N=length(x);
A=vander(x);
Z=inv(A)*y';
p=@(u)0.*(u);
for n=1:N
p=@(u)p(u)+Z(n).*u.^(N-n);
end
u=[x(1):0.01:x(N)];
p1=p(u);
figure(),plot(u,p1,'r'),hold on,grid on,plot(x,y,'b');
end
3.2.2. Polinomio bivariable de Lagrange (Interpolación múltiple)
Sea 𝑧 = 𝑓(𝑥, 𝑦) una función continua, en una región del plano ‘’xy’’. Suponga que no se conoce la regla de
correspondencia de f, sin embargo conocemos que:
𝑧𝑖𝑗 = 𝑓(𝑥𝑖 , 𝑦𝑗 ), para i=0, 1, 2…, n y j=0, 1, 2,…, m. Es decir conocemos una tabla bivariada de datos
𝒙/𝒚 𝒚𝟎 𝒚𝟏 𝒚𝟐 ⋯ 𝒚𝒎
𝒙𝟎 𝑧00 𝑧01 𝑧02 ⋯ 𝑧0𝑚
𝒙𝟎 𝑧10 𝑧11 𝑧12 ⋯ 𝑧1𝑚
𝒙𝟐 𝑧20 𝑧21 𝑧22 ⋯ 𝑧2𝑚
⋮ ⋮ ⋮ ⋮ ⋱ ⋮
𝒙𝒏 𝑧𝑛0 𝑧𝑛1 𝑧𝑛2 ⋯ 𝑧𝑛𝑚
27
Se define al polinomio bivariado de lagrange
𝑛 𝑚
𝑛 𝑚
𝑦
𝑝𝐿 (𝑥, 𝑦) = ∑ ∑ 𝑍𝑖𝑗 𝐿𝑋𝑖 (𝑥)𝐿𝑗 (𝑦) (𝑥 − 𝑥𝑘 ) (𝑦 − 𝑦𝑘 )
𝐿𝑥𝑖 (𝑥) =∏ 𝑦
𝐿𝑗 (𝑦) =∏
𝑖=0 𝑗=0 (𝑥𝑖 − 𝑥𝑘 ) (𝑦𝑖 − 𝑦𝑘 )
𝑘=0 𝑘=0
𝑘≠𝑖 𝑘≠𝑖
Polinomio bivariado de Lagrange
o El procedimiento es bastante tedioso, así que deben prestar bastante atención al siguiente ejemplo
Ejemplo. Dada la tabla de datos, aproxime f (30,810)
𝑥/𝑦 760 780 800 820

20 33 31 30 29
40 39 36 34 33
60 45 42 40 32
Procedimiento
Observamos que n=2 y m=3. Aproximar y dejar expresado un polinomio bivariado es complicado, así que simplemente
se trabajara con los valores a aproximar (30,810).
Teniendo la fórmula:
𝑛 𝑚
𝑦
𝑝𝐿 (𝑥, 𝑦) = ∑ ∑ 𝑍𝑖𝑗 𝐿𝑋𝑖 (𝑥)𝐿𝑗 (𝑦)
𝑖=0 𝑗=0
Podemos hacer lo siguiente:

𝑛 𝑚
𝑦
𝑝𝐿 (𝑥, 𝑦) = ∑ 𝐿𝑋𝑖 (𝑥) ∑ 𝑍𝑖𝑗 •𝐿𝑗 (𝑦)
𝑖=0 𝑗=0
𝑦
Armamos primero la sumatoria que está más adentro. Primero hallamos las 𝐿𝑗 (𝑦), como lo hicimos en el anterior
𝑦
polinomio simple de lagrange con las ‘y’, y de una vez con la aproximación es decir 𝐿𝑗 (810),
𝑦 (810 − 780)(810 − 800)(810 − 820) 1

𝐿0 (810) = =
(760 − 780)(760 − 800)(760 − 820) 16
𝑦 (810 − 760)(810 − 800)(810 − 820) 5

𝐿1 (810) = =−
(780 − 760)(780 − 800)(780 − 820) 16
𝑦 (810 − 760)(810 − 780)(810 − 820) 15

𝐿2 (810) = =
(800 − 760)(800 − 780)(800 − 820) 16
𝑦 (810 − 760)(810 − 780)(810 − 800) 5

𝐿3 (810) = =
(820 − 760)(820 − 780)(820 − 800) 16
Ahora multiplicamos cada L por Zij por la definición de la sumatoria, recorriendo la j para cada i. Es como un producto
punto
i=0 j=0, 1, 2,3
28
1 5 15 5 473
∗ (33) − ∗ 31 + ∗ 30 + ∗ 29 =
16 16 16 16 16
i=1 j=0, 1, 2,3
1 5 15 5 267
∗ (39) − ∗ 36 + ∗ 34 + ∗ 33 =
16 16 16 16 8
i=2 j=0, 1, 2,3
1 5 15 5 595
∗ (45) − ∗ 42 + ∗ 40 + ∗ 32 =
16 16 16 16 16
Teniendo esto calculado hallamos las 𝐿𝑥𝑖 (30).
(30 − 40)(30 − 60) 3

𝐿𝑥0 (30) = =
(20 − 40)(20 − 60) 8
(30 − 20)(30 − 60) 3
𝐿𝑥1 (30) = =
(40 − 20)(40 − 60) 4
(30 − 20)(30 − 40) 1
𝐿𝑥2 (30) = =−
(60 − 20)(60 − 40) 8
Realizando el último “producto punto” queda:

473 3 267 3 595 −1
𝑝𝐿 (30,810) = ( )( ) + ( )( )+ ( ) ( ) = 31.46875
16 8 8 4 16 8
3.3. Diferencias finitas
Este es un concepto que lo utilizaremos inmediatamente y para el resto del curso, lo cual es muy importante
saber.
Supongamos que tenemos n+1 puntos de la forma 𝑦𝑖 = 𝑓(𝑥𝑖 ) con i=0, 1, 2,…, n
Con la variable independiente (x), espaciada regularmente, es decir se debe cumplir que siempre
𝑥𝑖+1 − 𝑥𝑖 = ℎ i=0, 1, 2,…, n-1, la diferencia siempre tiene que ser h, deben estar h-espaciados
i x f
0 𝑥0 𝑓0
1 𝑥1 𝑓1
2 𝑥2 𝑓2
3 𝑥3 𝑓3
… … …
Las diferencias finitas se definen de la siguiente forma y notación:
29
∆𝑘 𝑓𝑖 = ∆𝑘−1 𝑓𝑖+1 − ∆𝑘−1 𝑓𝑖 , i=0,1,2,3.. k=1,2,3.. donde tenemos que ∆0 𝑓𝑖 = 𝑓𝑖
Cada diferencia finita se obtiene restando los dos valores anteriores consecutivos de la columna anterior:
i 𝑥𝑖 𝑓𝑖 ∆1 𝑓𝑖 ∆2 𝑓𝑖 ∆3 𝑓𝑖 ∆3 𝑓𝑖
0 𝑥0 𝑓0 ∆1 𝑓0 =𝑓1 − 𝑓0 ∆2 𝑓0 = ∆1 𝑓1 − ∆1 𝑓0 ∆3 𝑓0 = ∆2 𝑓1 − ∆2 𝑓0 …
1 𝑥1 𝑓1 ∆1 𝑓1 =𝑓2 − 𝑓1 ∆2 𝑓1 = ∆1 𝑓2 − ∆1 𝑓1 … …
2 𝑥2 𝑓2 ∆1 𝑓2 =𝑓3 − 𝑓2 ... … …
3 𝑥3 𝑓3 … … … …
… … … …. … … …
Ejemplo Hallar las diferencias finitas de los siguientes datos
(3, 1.5), (4.5, 3), (6.0, 4.80), (7.5, 5.60), (9.0, 8.0)
Para las diferencias finitas se obtienen con la resta de los valores consecutivos en la columna anterior, como en
∆1 𝑓𝑖 para que se observe. Ya en ∆2 𝑓𝑖 se pone directamente el valor
0 3 1.5 3-1.5=1.5 0.3 -1.3 3.9
1 4.5 3 4.8-3=1.8 -1 2.6
2 6 4.80 5.6-4.8=0.8 1.6
3 7.5 5.60 8-5.6=2.4
4 9 8
3.3.1. Relación con las derivadas

La derivada enésima para algún valor z que está entre los puntos tabulados, se la puede aproximar con diferencias
finitas:
Δ𝑛 𝑓0
𝑓 𝑛 (𝑧) =
ℎ𝑛
, 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔𝑢𝑛 𝑧 𝑒𝑛 𝑒𝑙 𝑖𝑛𝑡𝑒𝑟𝑣𝑎𝑙𝑜 [𝑥0 , 𝑥𝑛 ]
o Si se tiene un polinomio de grado n, su enésima diferencia finita será constante

𝑓(𝑥) = 𝑎0 𝑥 𝑛 + 𝑎1 𝑥 𝑛−1 + 𝑎2 𝑥 𝑛−2 + ⋯ 𝑎𝑛
La derivada enésima es constante 𝑓 𝑛 (𝑥) = 𝑛! 𝑎0 , por lo tanto la enésima diferencia finita también lo
es, y las siguientes se anularán.
En general un polinomio de grado n, tiene n diferencias finitas.
3.3.2. Polinomio de Interpolación de Newton
30
Considere la tabla de datos: 𝑦𝑖 = 𝑓(𝑥𝑖 ) con i=0, 1, 2,…, n con valores de x, h espaciados. Tenemos que el polinomio de
interpolación de Newton es el siguiente:
𝑛−1
Δ1 𝑓0 Δ2 𝑓0 Δ3 𝑓0 Δ𝑛 𝑓0
𝑝𝑛 (𝑥) = 𝑓0 + (𝑥 − 𝑥0 ) + 2
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 3
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) + ⋯ + ∏(𝑥 − 𝑥𝑖 )
1! ℎ 2! ℎ 3! ℎ 𝑛! ℎ𝑛
𝑖=0
Polinomio de interpolación de Newton
o Se observa que para hacer este polinomio, se necesitan tabular las diferencias finitas
o La única condición para este método es que las x estén h-espaciadas. Es preferible el de newton que de
lagrange por su simplicidad.
o Este polinomio de Newton es de grado n, que pasa por los n+1 puntos por donde pasa la gráfica de f
Ejemplo. Con los siguientes datos, trazar el polinomio de newton
(1.0, 5), (1.5, 7), (2.0, 10), (2.5, 8), (3, 9.5)
0 1 5 2 1 -6 14.5
1 1.5 7 3 -5 8.5
2 2 10 -2 3.5
3 2.5 8 1.5
4 3 9.5
Las diferencias finitas que se usan para el polinomio de newton Δ1 𝑓0 , Δ2 𝑓0 , Δ3 𝑓0 , Δ4 𝑓0 …. Son las que están
sombreadas en la tabla. Ya tabulada las diferencias, armamos el polinomio con la formula.
ℎ = 0.5
2 1 −6
𝑝𝑛 (𝑥) = 5 + (𝑥 − 1) + (𝑥 − 1)(𝑥 − 1.5) + (𝑥 − 1)(𝑥 − 1.5)(𝑥 − 2)
1! 0.5 2! 0.52 3! 0.53
14.5
+ (𝑥 − 1)(𝑥 − 1.5)(𝑥 − 2)(𝑥 − 2.5)
4! 0.54
Simplificando tenemos:
✓ 𝑝𝑛 (𝑥) = 100.5 − 239.083333𝑥 + 209.583333𝑥 2 − 75.666667𝑥 3 + 9.666667𝑥 4
3.3.3. Trazadores cúbicos
Dado el PIP, también existe otra manera de aproximar una función, mediante a trazadores cúbicos, es decir polinomios
de grado 3 a trazos. Como aproxima la función a trazos, estos trazadores cúbicos aproximan de mejor manera que los
polinomios anteriores.
o Hay dos tipos de trazadores cúbicos, trazador libre o natural y trazador fijo o sujeto
o La diferencia entre ellos solo es una condición en los extremos del intervalo [𝑥0 , 𝑥𝑛 ]
▪ Si se trata de un trazador cúbico libre o natural, tenemos que nuestra función a aproxima,
cumple que:
𝑦′′(𝑥0 ) = 0 y que 𝑦′′(𝑥𝑛 ) = 0
▪ Si es un trazador cúbico fijo o sujeto, tenemos que:
𝑦′(𝑥0 ) =∝ y que 𝑦′(𝑥𝑛 ) = 𝛽
Como son condiciones en los extremos de la derivada de la función, estos valores ∝ y 𝛽
representan la pendiente que hay en los extremos de la función.
31
No se preocupen por las condiciones anteriores, solo deben aprender y comprender, como
es el procedimiento para resolver ambas, el cual se detallará a continuación
Estableciendo algunas condiciones de continuidad entre los tramos y ciertas demostraciones, obtenemos las fórmulas
para hallar los trazadores, de la cual tenemos que resolver ciertos sistemas de ecuaciones lineales.
Procedimiento
De manera general, se define al i-esimo polinomio como:
𝒑𝒊 (𝒙) = 𝒂𝒊 + 𝒃𝒊 (𝒙 − 𝒙𝒊−𝟏 ) + 𝒄𝒊 (𝒙 − 𝒙𝒊−𝟏 )𝟐 + 𝒅𝒊 (𝒙 − 𝒙𝒊−𝟏 )𝟑
Teniendo tabulado los datos de esta manera:
𝑖 𝑥𝑖 𝑓(𝑥𝑖 )/𝑦𝑖
0 𝑥0 𝑦0
1 𝑥1 𝑦1
2 𝑥2 𝑦3
… … …
n 𝑥𝑛 𝑦𝑛
𝑝1 (𝑥); 𝑥 ∈ [𝑥0 , 𝑥1 )
𝑝2 (𝑥); 𝑥 ∈ [𝑥1 , 𝑥2 )
El trazador cúbico definido por 𝑆(𝑥) = 𝑝3 (𝑥); 𝑥 ∈ [𝑥2 , 𝑥3 ) , 𝑑𝑜𝑛𝑑𝑒 𝑐𝑎𝑑𝑎 𝑝𝑛 (𝑥) 𝑒𝑠 𝑑𝑒 𝑔𝑟𝑎𝑑𝑜 3
…
{𝑝𝑛 (𝑥); 𝑥 ∈ [𝑥𝑛−1 , 𝑥𝑛 )
𝒑𝒏+𝟏 (𝒙); 𝒙 ∈ [𝒙𝒏 , +∞) 𝑷𝒐𝒍𝒊𝒏𝒐𝒎𝒊𝒐 𝒂𝒖𝒙𝒊𝒍𝒊𝒂𝒓
Obtendremos n polinomios y se usará uno más de manera auxiliar para calcular los coeficientes c. Ese polinomio
auxiliar luego ya no tiene uso.
Adjuntando a la tabla anterior dos columnas más con m y h, las cuales están definidas por:
𝑦𝑖 −𝑦𝑖−1
𝑚𝑖 = ℎ𝑖 = 𝑥𝑖 − 𝑥𝑖−1 Donde 𝑖 = 1,2,3, … 𝑛
𝑥𝑖 −𝑥𝑖−1
𝒊 𝒙𝒊 𝒇(𝒙𝒊 )/𝒚𝒊 𝒉𝒊 𝒎𝒊
0 𝑥0 𝑦0
1 𝑥1 𝑦1 ℎ1 𝑚1
2 𝑥2 𝑦3 ℎ2 𝑚2
… … … ……….. ………..
n 𝑥𝑛 𝑦𝑛 ℎ𝑛 𝑚𝑛
Luego se calculan los coeficientes, primeros las C, armando un sistema de ecuaciones para las C
ℎ𝑖 𝑪𝒊 + 2(ℎ𝑖 + ℎ𝑖+1 )𝑪𝒊+𝟏 + (ℎ𝑖+1 )𝑪𝒊+𝟐 = 3(𝑚𝑖+1 − 𝑚𝑖 ) 𝑖 = 1,2,3, … 𝑛 − 1
o Para este sistema se debe tener en cuenta si el trazador es libre o fijo. Si es libre, tenemos que:
𝐶 =0
{ 1 Con esto tenemos que resolver un sistema de n-1 incógnitas para las C
𝐶𝑛+1 = 0
o Si es fijo, estas c anteriores, no las conocemos, por ende necesitamos dos ecuaciones más. Usando el valor ∝ y
𝛽 que nos da el problema de trazador sujeto.
2ℎ1 𝑪𝟏 + ℎ1 𝑪𝟐 = 3(𝑚1 −∝)

{
ℎ𝑛 𝑪𝒏 + 2ℎ𝑛 𝑪𝒏+𝟏 = 3(𝛽 − 𝑚𝑛 )
Resuelto esto, calculamos los otros coeficientes, solo ya remplazando valores:
32
1
𝑏𝑖 = 𝑚𝑖 − ℎ𝑖 (2𝐶𝑖 + 𝐶𝑖+1 ) 𝑖 = 1,2,3, … 𝑛
3
𝐶𝑖+1 − 𝐶𝑖
𝑑𝑖 =
3ℎ𝑖
𝑎𝑖 = 𝑦𝑖−1
Como no puede ser de otra manera, para entenderlo mejor, vamos con un ejemplo
Ejemplo. Para los siguientes datos, construir el trazador cúbico natural y encontrar el valor de x=2.25
(1.2, 4.6), (1.5, 5.3), (2.4, 6), (3, 4.8), (3.8, 3.1)
Los tabulamos y calculamos las h y las m

5.3 − 4.6
𝑖 𝑥𝑖 𝑦𝑖 ℎ1 = 1.5 − 1.2 = 0.3 𝑚1 =
1.5 − 1.2
= 2.333333
0 1.2 4.6 ℎ2 = 2.4 − 1.5 = 0.9 6 − 5.3

𝑚2 = = 0.777777
1 1.5 5.3 2.4 − 1.5
ℎ3 = 3 − 2.4 = 0.6
2 2.4 6.0 𝑚3 =
4.8 − 6
= −2
3 − 2.4
3 3.0 4.8 ℎ4 = 3.8 − 3 = 0.8
3.1 − 4.8
4 3.8 3.1 𝑚4 =
3.8 − 3
= −2.125
𝑖 𝑥𝑖 𝑦𝑖 ℎ𝑖 𝑚𝑖
0 1.2 4.6
1 1.5 5.3 0.3 2.333333
2 2.4 6.0 0.9 0.777778
3 3.0 4.8 0.6 -2
4 3.8 3.1 0.8 -2.125
Armamos las C
i=1 0.3𝐶1 + 2(0.3 + 0.9)𝐶2 + 0.9𝐶3 = 3(0.777778 − 2.333333)
i=2 0.9𝐶2 + 2(0.9 + 0.6)𝐶3 + 0.6𝐶4 = 3(−2 − 0.777778)
i=3 0.6𝐶3 + 2(0.6 + 0.8)𝐶4 + 0.8𝐶5 = 3(−2.125 − (−2))
𝐶 =0
Tenemos 5 incógnitas. Al ser un trazador libre o natural tenemos que{ 1 , reemplazando y ordenando
𝐶5 = 0
tenemos:
2.4𝐶2 + 0.9𝐶3 + 0𝐶4 = −4.666665
(0.9𝐶2 + 3𝐶3 + 0.6𝐶4 = −8.333333)
0𝐶2 + 0.6𝐶3 + 2.8𝐶4 = −0.375
33
𝐶1 = 0
𝐶2 = −0.982056
Resolviendo el sistema lineal, tenemos que { , el resto de coeficiente hallamos
𝐶3 = −2.566362
𝐶4 = 0.4160062
simplemente, remplazando valores
i=1, 2, 3,4
𝑏1 = 2.431536 𝑑1 = −1.091173 𝑎1 = 4.6

𝑏2 = 2.136912 𝑑2 = −0.586781 𝑎2 = 5.3
{ { {
𝑏3 = −1.056656 𝑑3 = 1.656871 𝑎3 = 6
𝑏4 = −2.346869 𝑑4 = −0.173336 𝑎4 = 4.8
El trazador cúbico queda finalmente de la siguiente manera:
𝑝1 (𝑥); 4.6 + 2.431536(𝑥 − 1.2) − 1.091173(𝑥 − 1.2)3 𝑥 ∈ [1.2, 1.5)

𝑝 (𝑥); 5.3 + 2.136912(𝑥 − 1.5) − 0.982056(𝑥 − 1.5)2 − 0.586781(𝑥 − 1.5)3 𝑥 ∈ [1.5, 2.4)
𝑆(𝑥) = 2
𝑝3 (𝑥); 6.0 − 1.056656(𝑥 − 2.4) − 2.566362(𝑥 − 2.4)2 + 1.656871(𝑥 − 2.4)3 𝑥 ∈ [2.4, 3.0)
2 3
{ 𝑝4 (𝑥); 4.8 − 2.346869(𝑥 − 3) + 0.416006(𝑥 − 3) − 0.173336(𝑥 − 3) 𝑥 ∈ [3, 3.8)
El problema nos pedía el valor de x=2.25, y ese valor se encuentra en el intervalo del polinomio 2
𝑝2 (2.25); 5.3 + 2.136912(2.25 − 1.5) − 0.982056(2.25 − 1.5)2 − 0.586781(2.25 − 1.5)3 = 𝟔. 𝟏𝟎𝟐𝟕𝟐𝟗
Ejemplo Con los siguientes datos, construya el trazador cúbico sujeto, de tal manera que en ambos
extremos debe inclinarse a 45°
(3.0, 2.5), (4.5, 1.0), (7.0, 2.5), (9.0, 0.5).
Para este caso no nos dan explícitamente los valores de 𝛼 y 𝛽 pero nos dicen la condición de los extremos y
para que esto se cumpla tendría que ser que y’(3)=y’(9)=1. Es decir 𝛼 y 𝛽=1
Armamos rápidamente la tabla con los valores que nos dan
𝑖 𝑥𝑖 𝑦𝑖 ℎ𝑖 𝑚𝑖
0 3 2.5
1 4.5 1.0 1.5 -1
2 7.0 2.5 2.5 0.6
3 9.0 0.5 2 -1
Armamos las C
i=1 1.5𝐶1 + 2(1.5 + 2.5)𝐶2 + 2.5𝐶3 = 3(0.6 − (−1))
i=2 2.5𝐶2 + 2(2.5 + 2)𝐶3 + 2𝐶4 = 3(−1 − 0.6)
Tenemos 4 incógnitas. Al ser un trazador sujeto tenemos dos ecuaciones más para las C, y la remplazamos
con los datos
2ℎ1 𝑪𝟏 + ℎ1 𝑪𝟐 = 3(𝑚1 −∝) 2(1.5)𝐶1 + 1.5𝐶2 = 3(−1 − 1)

{ { 34
ℎ𝑛 𝑪𝒏 + 2ℎ𝑛 𝑪𝒏+𝟏 = 3(𝛽 − 𝑚𝑛 ) 2𝐶3 + 2(2)𝐶4 = 3(1 − (−1))
Simplificando, tenemos ya las 4 ecuaciones necesarias

1.5𝐶1 + 8𝐶2 + 2.5𝐶3 + 0𝐶4 = 4.8
0𝐶 + 2.5𝐶2 + 9𝐶3 + 2𝐶4 = −4.8
( 1 )
3𝐶1 + 1.5𝐶2 + 0𝐶3 + 0𝐶4 = −6
0𝐶1 + 0𝐶2 + 2𝐶3 + 4𝐶4 = 6
𝐶1 = −2.791304
𝐶 = 1.582609
Resolviendo el sistema lineal, tenemos que { 2 , el resto de coeficiente hallamos
𝐶3 = −1.469565
𝐶4 = 2.234783
simplemente, remplazando valores
i=1, 2, 3
𝑏1 = 1 𝑑1 = 0.971981 𝑎1 = 2.5
{𝑏2 = −0.813043 {𝑑2 = −0.406957 { 𝑎2 = 1
𝑏3 = −0.530435 𝑑3 = 0.617391 𝑎3 = 2.5
El trazador cúbico queda finalmente de la siguiente manera:

𝑝1 (𝑥); 2.5 + 1(𝑥 − 3) − 2.791304(𝑥 − 3)2 + 0.971981(𝑥 − 3)3 𝑥 ∈ [3, 4.5)
𝑆(𝑥) = {𝑝2 (𝑥); 1 − 0.813043(𝑥 − 4.5) + 1.582687(𝑥 − 4.5)2 − 0.406957(𝑥 − 4.5)3 𝑥 ∈ [4.5, 7)
𝑝3 (𝑥); 2.5 − 0.530435(𝑥 − 7) − 1.469565(𝑥 − 7)2 + 0.617391(𝑥 − 7)3 𝑥 ∈ [7, 9)
4. Integración Numérica
Supongamos que tengamos una función f, muy complicada o hasta imposible integrar analíticamente, como por
1
ejemplo 𝑓 (𝑥) = , o en otros casos solo tengamos determinados puntos de f, de los cuales necesitamos saber el
1+𝑥 4
área bajo la curva aproximada de esos puntos.
Se necesita introducir métodos numéricos para calcular una aproximación de aquellas integrales
4.1. Fórmulas de Newton-Cotes ( Trapecios y Simpson)
Se denominan así a las fórmulas que utilizan el polinomio de interpolación para hallar la integral deseada.
Sea A, la integral definida:
𝑏
𝐴 = ∫ 𝑓(𝑥)𝑑𝑥
𝑎
Y h, las particiones o distancia entre puntos a evaluar para aproximar la integral:
𝑏−𝑎
ℎ=
𝑚
35
Donde m es un parámetro que depende del método. Los métodos Newton-Cotes que aprenderemos son, el
de los trapecios y el de Simpson.
Para estos métodos, el objetivo es en vez de integrar literalmente, transformamos esa integral en
evaluaciones de cierta función, donde obviamente la función a evaluar es la función entera que se deseaba
integrar inicialmente.
Se evalúa iniciando desde a, hasta b, en pasos de h. Ya veremos las formulas respectivas, con su ejemplo
correspondiente
4.1.1. Fórmula de los trapecios
Se trata de una aproximación del área bajo la curva usando trapecios. Al integrar cierta curva en un intervalo [a, b], el
método divide el área debajo de esta por medio de m trapecios
𝑚−1
ℎ ℎ
𝐴 ≅ [𝑓0 + 2𝑓1 + 2𝑓2 + 2𝑓3 + ⋯ + 2𝑓𝑚−1 + 𝑓𝑚 ] = ൥𝑓0 + 2 ∑ 𝑓𝑖 + 𝑓𝑚 ൩ Método de los trapecios
2 2
𝑖=1
ℎ2
𝑇 = − (𝑏 − 𝑎)𝑓 ′′ (𝑧) 𝑎 ≤ 𝑧 ≤ 𝑏 Error de truncamiento
12
¡Observaciones importantes!
o En el error de truncamiento tenemos un valor de z entre a y b, este viene a ser el mayor valor absoluto entre
ese intervalo: 𝑚𝑎𝑥|𝑓 ′′ (𝑧)| 𝑒𝑛 [𝑎, 𝑏]
36
o En el error de truncamiento de observa una derivada. Si conocemos la función y no es difícil derivarla se van
por ese método, caso contrario, como los puntos en este método son h espaciados se puede aproximar la
derivada con diferencias finitas. Así mismo sería la mayor absoluta diferencia finita
o Para las evaluaciones x0 y xm son a y b respectivamente
Ejemplo
𝟐
Calcular la integral ∫𝟏 √𝒙 𝒅𝒙 con 4 trapecios y calcule el error de truncamiento del mismo
2−1 1
Con 4 trapecios, es decir m=4, tenemos que ℎ = = = 0.25
4 4
Obviamente 𝑓 = √𝑥 . Usamos la formula, y comenzamos a evaluar
0.25
 𝐴≅ [𝑓(1) + 2𝑓(1.25) + 2𝑓(1.50) + 2𝑓(1.75) + 𝑓(2)]
2
0.25
 𝐴≅ [1 + 2(1.118034) + 2(1.224746) + 2(1.322876) + 1.414214] = 𝟏. 𝟐𝟏𝟖𝟏𝟗𝟏
2
• Y para el error de truncamiento necesitamos la segunda derivada, la cual es relativamente sencilla de

calcular
1 1
𝑓(𝑥) = √𝑥 ⟶ 𝑓 ′ (𝑥) = ⟶ 𝑓 ′′ (𝑥) = −
2√𝑥 4√𝑥𝑥
El máximo valor entre 1 y 2 para la segunda derivada es en |𝑓 ′′ (1)| = 1

ℎ2 0.252
Ahora si usamos la formula 𝑇 = − (𝑏 − 𝑎)𝑓 ′′ (𝑧), = − (2 − 1)(1) = 0.005208
12 12
𝟐
Calcular la integral ∫𝟎 √𝒙 𝒔𝒆𝒏(𝒙) 𝒅𝒙 con 4 trapecios y calcule el error de truncamiento del mismo
2−0 2
ℎ=
= = 0.5
4 4
𝑓 = √𝑥 . Usamos la formula, y comenzamos a evaluar
0.5
 𝐴≅ [𝑓(0) + 2𝑓(0.5) + 2𝑓(1) + 2𝑓(1.5) + 𝑓(2)]
2
0.5
 𝐴≅ [0 + 2(0.339005) + 2(0.841471) + 2(1.221677) + (1.285941)]=1.522562
2
• Y para el error de truncamiento necesitamos la segunda derivada, lo haremos con diferencias finitas
ℎ2 ℎ2 ∆ 2 𝑓𝑖 (𝑏−𝑎)∆2 𝑓𝑖
𝑇=− (𝑏 − 𝑎)𝑓 ′′ (𝑧) = − (𝑏 − 𝑎) =−
12 12 ℎ2 12
i 𝑥𝑖 𝑓𝑖 ∆1 𝑓𝑖 ∆2 𝑓𝑖
0 0 0 0.339005 0.163461
1 0.5 0.339005 0.502466 -0.12226
2 1 0.841471 0.380206 -0.315942
3 1.5 1.221677 0.064264
4 2 1.285941
El máximo absoluto es ∆2 𝑓𝑖 =0.315942

(2 − 0)0.315942
𝑇=− = −0.052657
12
4.1.2. Fórmula de Simpson
Este método aproxima la integral por medio de parábolas, es decir polinomios de segundo grado. Este método
aproxima cada par de puntos con media parábola. Por aquello el número m debe ser par
En otras palabras, una parábola, aproxima dos pares de puntos, dos parábolas, 4 y así…
Si te piden usar el método de Simpson con una parábola, entonces m=2, con dos parábolas, m=4, etc.
37
Entonces m=2*( # de parábolas)
La fórmula de Simpson (concretamente Simpson 1/3)
𝑚−1 𝑚−2
ℎ ℎ‫ۍ‬ ‫ې‬
𝐴≅ [𝑓 + 4𝑓1 + 2𝑓2 + 4𝑓3 + ⋯ + 2𝑓𝑚−2 + 4𝑓𝑚−1 + 𝑓𝑚 = 𝑓0 + 4 ∑ 𝑓𝑖 + 2 ∑ 𝑓𝑖 + 𝑓𝑚 ‫ۑ‬
] ‫ێ‬
3 0 3‫ێ‬ ‫ۑ‬
𝑖=1 𝑖=1
‫ۏ‬ 𝑖 𝑖𝑚𝑝𝑎𝑟 𝑖 𝑝𝑎𝑟 ‫ے‬
ℎ4 Método de Simpson
𝑇=− (𝑏 − 𝑎)𝑓 𝐼𝑉 (𝑧) 𝑎≤𝑧≤𝑏 Error de truncamiento
180
Ejemplo
4 𝑥2
Calcular la integral ∫0 𝑑𝑥 usando dos parábolas
𝑒𝑥
4−0
Tenemos que m=2 y ℎ = =1
4
1
 𝐴 ≅ [𝑓(0) + 4𝑓(1) + 2𝑓(2) + 4𝑓(3) + 𝑓(4)]
3
1
 𝐴 ≅ [0 + 4(0.367879) + 2(0.541341) + 4(0.448084) + (0.293050)] = 1.546528
3
4.2. Cuadratura de Gauss
Esta es una aproximación usando la familia de polinomios ortogonales conocido como “polinomios de legendre”
Dada la integral definida
𝐴 = ∫ 𝑓(𝑥)𝑑𝑥
𝑎
Entonces la fórmula de este método simplemente es la siguiente:
𝑏−𝑎 𝑏 + 𝑎 (𝑏 − 𝑎) 1 𝑏 + 𝑎 (𝑏 − 𝑎) 1
𝐴≅ ቈ𝑓 ( − )+𝑓( + )቉ Fórmula de la Cuadratura de
2 2 2 √3 2 2 √3 Gauss de dos puntos
• Si se dan cuenta, este método no evalúa en ningún momento en los extremos de la integral, es decir no
evalúa ni en a, ni en b
• Es un método muy preciso, por lo cual calcular el error de truncamiento es muy complicado
Ejemplo
𝟐
Calcular la integral ∫𝟎 √𝒙 𝒔𝒆𝒏(𝒙) 𝒅𝒙 con la fórmula de la cuadratura de gauss
Simplemente se remplaza los valores en la formula

2−0 2+0 (2−0) 1 2+0 (2−0) 1
 𝐴≅ [𝑓 ( − )+𝑓( + )]
2 2 2 √3 2 2 √3
38
 1[𝑓(0.4226497) + 𝑓(1.577350)]
 [0.266663 + 1.255899]
 1.522562
Para mejorar su exactitud se puede dividir en m subintervalos, aplicando el método más de una vez
Ejemplo
𝟒
Calcular la integral ∫𝟎 𝒍𝒏(𝒙)𝒆𝒙 𝒅𝒙 con la fórmula de la cuadratura de gauss con dos subintervalos ( o podría
decir, que apliquemos dos veces gauss)
Al leer dos subintervalos, deberíamos integrar primero de 0 a 2 y luego 2 a 4, sumando las integrales,
aplicando la propiedad de aditividad de las integrales. En nuestro caso sería
𝟒 𝟐 𝟒
∫ 𝒍𝒏(𝒙)𝒆 𝒅𝒙 = ∫ 𝒍𝒏(𝒙)𝒆 𝒅𝒙 + ∫ 𝒍𝒏(𝒙)𝒆𝒙 𝒅𝒙

𝒙 𝒙
𝟎 𝟎 𝟐
𝟐 2−0 2+0 (2−0) 1 2+0 (2−0) 1

 ∫𝟎 𝒍𝒏(𝒙)𝒆𝒙 𝒅𝒙 = [𝑓 ( − )+𝑓( + )] = [𝑓(0.4226497) + 𝑓(1.577350)]
2 2 2 √3 2 2 √3
 = [−1.314208 + 2.206773] = 0.892565
𝟒 4−2 4+2 (4−2) 1 4+2 (4−2) 1

 ∫𝟐 𝒍𝒏(𝒙)𝒆𝒙 𝒅𝒙 = [𝑓 ( − )+𝑓( + )] = [𝑓(2.422649) + 𝑓(3.577350)]
2 2 2 √3 2 2 √3
 = [9.977435 + 45.604219] = 55.581654
4.3. Integrales con singularidades
Para estos ejercicios, se debe verificar que las integrales no tengan singularidades en los extremos, ya que al usar los
métodos de Newton-Cotes, tenemos que evaluar en esos puntos, provocando divisiones entre cero. La cuadratura de
gauss no tiene ese problema, ya que nunca evalúa en los extremos.
Debemos eliminar esto mediante sustituciones adecuadas.
Ejemplo
1
𝑒𝑥
∫ 𝑑𝑥
√𝑥
0
Haciendo un cambio de variable conveniente (cuando tengas una raíz, siempre tómala como cambio de variable)
1
𝑢 = √𝑥 𝑑𝑢 = 𝑑𝑥 𝑢2 = 𝑥
2√𝑥
Si x=0 u=0 , Si x=1 u=1, la nueva integral sería

1 1
𝑒𝑥 2
∫ 2√𝑥 𝑑𝑢 = ∫ 2𝑒 𝑢 𝑑𝑢
√𝑥
0 0
39
Y de esta manera la resolvemos la nueva integral normalmente por cualquiera de los métodos. Recuerda que
cuadratura de gauss no tiene ese problema y puedes integrar sin usar los cambios de variable.
Ejemplo
1
3
∫ 2 𝑑𝑥
0 (𝑥 − 1)5
Escogemos como cambio de variable solo la raíz, en este caso raíz quinta
𝑢 = (𝑥 − 1)1/5 𝑢5 = 𝑥 − 1 5𝑢4 𝑑𝑢 = 𝑑𝑥 𝑢5 + 1 = 𝑥
Si x=0 u=-1, Si x=1 u=0, la nueva integral sería
Entonces tenemos la nueva integral como la siguiente:

0 0
3
∫ 2 5𝑢4 𝑑𝑢 = ∫ 15𝑢 2 𝑑𝑢
𝑢
−1 −1
Y luego ya podemos integrar por cualquier método
4.4. Integrales no acotadas
También podemos tener el caso de que nos presenten integrales evaluadas al infinito. Estas son integrales
que convergen a un valor cuando tienden a infinito por lo que sacar su área no sería algo descabellado.
Pero como nosotros no podemos evaluar al infinito, nos hacemos valer de otro cambio de variable, que en
general es el mismo para cualquier integral no acotada.
Ejemplo
∞ 1
Calcular la integral de ∫0 1+𝑥 4
dx
Generalmente, cuando tengamos integrales de 0 a infinito, las separamos de esta manera:

∞ 1 ∞
1 1 1
∫ 4
𝑑𝑥 = ∫ 4
𝑑𝑥 + ∫ 𝑑𝑥
1+𝑥 1+𝑥 1 + 𝑥4
0 0 1
La primera integral se puede resolver por cualquier método, no tiene nada en especial, pero la segunda tiene
límite no acotado, usamos el siguiente cambio de variable 𝒖 = 𝟏/𝒙
(Este cambio de variable siempre se usará para eliminar el infinito de los limites)
1
𝑢 = 1/𝑥 𝑑𝑢 = − 𝑑𝑥 -> 𝑑𝑢 = −𝑢2 𝑑𝑥 𝑥 = 1/𝑢
𝑥2
Si x=1 u=1 , Si x=∞ u=0, la nueva integral sería
40
∞ 0
1 1 1
∫ 𝑑𝑥 = ∫ (− 2 ) 𝑑𝑢
1+𝑥 4 1 𝑢
1 1 1 + 𝑢4
Sacando el signo menos, para que la integral quede bien con sus límites tenemos
1 1 1 1
1 1 1 1 𝑢4 1 𝑢2
∫ ( 2 ) 𝑑𝑢 = ∫ 4 ( 2 ) 𝑑𝑢 = ∫ 4 ( 2 ) 𝑑𝑢 = ∫ 4 𝑑𝑢
1 𝑢 𝑢 +1 𝑢 𝑢 + 1 𝑢 𝑢 + 1
0 1 + 𝑢4 0 0 0
𝑢4
Ya se puede resolver sin problemas la última integral
4.5. Integración múltiple
Para integrar completamente funciones de más de una variable, se requieren este tipo de integrales, las
cuales representan un área más complicada o algún volumen específico.
Se detallará paso por paso el procedimiento para calcular estas integrales en análisis numérico, usando los
métodos ya aprendidos.
Entonces, dada la integral doble:

𝑑 𝑏
∫ ∫ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦
𝑐 𝑎
Necesitamos calcular ∆𝑥 𝑦 ∆𝑦 que son la distancia entre los puntos a evaluar, equivalente exactamente a la
h para el método de una variable. Estos deltas se definen como:
𝑏−𝑎 𝑐−𝑑
∆𝑥 = ∆𝑦 =
𝑚𝑥 𝑚𝑦
El procedimiento es el siguiente:
▪ Integrar 𝑓(𝑥, 𝑦) = 𝑠𝑒𝑛(𝑥 + 𝑦) en 2 ≤ 𝑦 ≤ 3, 0 ≤ 𝑥 ≤ 1 usando el método de Simpson con m=2

en ambas direcciones
3 1
La integral es ∫2 ∫0 𝑠𝑒𝑛(𝑥 + 𝑦) 𝑑𝑥𝑑𝑦
3−2 1−0
∆𝑦 = 2
= 0.5 ∆𝑥 = 2
= 0.5
Integramos de afuera hacia adentro, es decir primero con y luego con x. Aplicando primero el método de
Simpson solo para y, de esta manera:
3 1 ∆𝑦 0.5 0.5 0.5
∫2 ∫0 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦 = [𝑓(𝑥, 2) + 4𝑓(𝑥, 2.5) + 𝑓(𝑥, 3)]= 𝑓(𝑥, 2) + 3 4𝑓(𝑥, 2.5) + 3 𝑓(𝑥, 3)
3 3
Y ahora para cada término, aplicamos Simpson para las x, siendo fijo y
0.5 0.5 ∆𝑥 0.5 0.5
▪ 3
𝑓(𝑥, 2)= 3 { 3 [𝑓(0,2) + 4𝑓(0.5,2) + 𝑓(1,2)]}= 3 { 3 [𝑓(0,2) + 4𝑓(0.5,2) + 𝑓(1,2)]}
0.5 0.5 ∆𝑥 0.5 0.5
▪ 4𝑓(𝑥, 2.5) = 4{ [𝑓(0,2,5) + 4𝑓(0.5,2.5) + 𝑓(1,2.5)]} = 4{ [𝑓(0,2,5) + 4𝑓(0.5,2.5) + 𝑓(1,2.5)]}
3 3 3 3 3
41
0.5 0.5 ∆𝑥 0.5 0.5

▪ 3
𝑓(𝑥, 3) = 3
{ 3 [𝑓(0,3) + 4𝑓(0.5,3) + 𝑓(1,3)]}= 3 { 3 [𝑓(0,3) + 4𝑓(0.5,3) + 𝑓(1,3)]}
Multiplicando todo, y luego evaluando f nos queda

𝑓(0,2) 𝑓(0.5,2) 𝑓(1,2)
▪ + + = 0.025258 + 0.066496 + 0.003920 = 0.095674
36 9 36
𝑓(0,2.5) 4𝑓(0.5,2.5) 𝑓(1,2.5)
▪ 9
+ 9
+ 9 = 0.066496 + 0.062720 − 0.038976 = 0.09024
𝑓(0,3) 𝑓(0.5,3) 𝑓(1,3)
▪ + + = 0.003920 − 0.038976 − 0.021022 = −0.056078
36 9 36
Finalmente el valor aproximado de la integral es: 0.095674+0.09024-0.056078=0.129836
5. Diferenciación numérica
A continuación presentaremos métodos numéricos para aproximar las derivadas en cierto punto. Estas fórmulas son
muy sencillas de aprender y usar.
5.1. Primera derivada
𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖 ) ℎ
𝑓 ′ (𝑥𝑖 ) ≅ 𝐸 = − 𝑓 ′′ (𝑧) 𝑥𝑖 ≤ 𝑧 ≤ 𝑥𝑖+1
ℎ 2
Fórmula para la primera derivada (de primer orden)en cierto punto Xi Error de truncamiento
Nota: El termino de primer orden habla del error de la formula, su error es lineal. Nada de que preocup
Ejemplo. Dado los siguientes puntos (2.0 6.718849), (2.1, 7.049114), (2.2, 7.296691), (2.3, 7.437799), (2.4, 7.445759)
Aproxime la derivada en el punto 2.2
Aquí teniendo que h=0.1, entonces

𝑓(2.3) − 𝑓(2.2) 7.437799 − 7.296691
𝑓 ′ (2.2) ≅ = = 1.41108
0.1 0.1
o La función para obtener los puntos era 𝑓(𝑥) = 𝑠𝑒𝑛(𝑥)𝑒 𝑥 y el resultado exacto redondeado es 1.98546043
También tenemos otra fórmula más precisa para la primera derivada
+
𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖−1 ) ℎ2 ′′′
𝑓 ′ (𝑥𝑖 ) ≅ 𝐸=− 𝑓 (𝑧) 𝑥𝑖−1 ≤ 𝑧 ≤ 𝑥𝑖+1
2ℎ 6
Fórmula de segundo orden para la primera derivada en cierto punto Xi 42

Ejemplo. Con los datos del ejercicio anterior calcular la misma derivada con la fórmula de segundo orden
𝑓(2.3) − 𝑓(2.1) 7.437799 − 7.049114

𝑓 ′ (2.2) ≅ = = 1.943425
0.1 0.1
o Se puede observar que la respuesta es más cercana a la real
5.2. Segunda derivada
𝑓(𝑥𝑖+1 ) − 2𝑓(𝑥𝑖 ) + 𝑓(𝑥𝑖−1 )

𝑓 ′ (𝑥𝑖 ) ≅ ℎ2 𝑖𝑣
ℎ2 𝐸=− 𝑓 (𝑧) 𝑥𝑖−1 ≤ 𝑧 ≤ 𝑥𝑖+1
12
Fórmula para la segunda derivada en cierto punto Xi (segundo orden)
Ejemplo Dado los puntos (3.5, 1.088136), (3.7 1.136403), (3.9, 1.182129), (4.1, 1.225567), halle la segunda
derivada del punto x=3.9
𝑓(4.1) − 2𝑓(3.9) + 𝑓(3.7)
𝑓 ′ (3.9) ≅ = −0.0572
0.22
6. Ecuaciones diferenciales ordinarias
Recordamos que una EDO es una ecuación que relaciona una función desconocida de una variable
independiente con sus derivadas. El orden de la EDO es el orden de la derivada más alta presente en esta.
Estas ecuaciones son del tipo:
𝐹(𝑥, 𝑦, 𝑦 ′ , 𝑦 ′′ , … 𝑦 𝑛−1 , 𝑦 𝑛 ) =0 EDO de orden n
Recordando que la variable dependiente es ‘x’ y la independiente ‘y’
• Para resolver este tipo de ejercicios, siempre que se pueda, es conveniente dejar la ecuación
diferencial en su manera explícita, es decir despejada la derivada más alta:
𝐹(𝑥, 𝑦, 𝑦 ′ , 𝑦 ′′ , … 𝑦 𝑛−1 ) = 𝑦 𝑛
43
6.1. Ecuaciones diferenciales ordinarias de primer orden
Teniendo la ecuación diferencial de la manera explícita, es decir, despejando y´

𝐹(𝑥, 𝑦) = 𝑦 ′ (𝑥)
Para este tipo de problemas nos darán condiciones al inicio:
𝑦(𝑥0 ) = 𝑦0
Y también una cantidad h que indica los espacios entre los puntos de la variable independiente x, dado que:
𝒙𝒊+𝟏 = 𝒙𝒊 + 𝒉 𝑖 = 0,1,2,3 ….
Con ello resolveremos las EDO’s de primer orden con los siguientes métodos
Observación: En la gran mayoría de evaluaciones de esta materia, los métodos por excelente que toman son el
de la serie de Taylor y Runge-Kutta. Aconsejo darle prioridad a esos.
6.1.1. Método de la serie de Taylor
Dada la función y la condición expresadas anteriormente, este método usa el desarrollo de la serie de Taylor
para hallar puntos aproximados de la solución.
Dado n términos de Taylor, el error se encuentra en el término n+1
ℎ2 ′′ ℎ𝑛
𝑦𝑖+1 = 𝑦𝑖 + ℎ𝑦𝑖′ + 𝑦𝑖 + ⋯ + 𝑦𝑖𝑛
2! 𝑛!
Y el error de truncamiento es:
ℎ𝑛+1
𝑦 𝑛+1 (𝑧)
(𝑛 + 1)!
o Para la gran mayoría de estos casos solo nos pedirán usar los primeros 3 términos de la serie de Taylor.
Ejemplo. Obtenga 3 puntos de la solución de la EDO 𝑦 ′ − 𝑦 − 𝑥 + 𝑥 2 − 1 = 0 𝑦(0) = 1 con h=0.1, usando los
tres primeros términos de la serie de Taylor
ℎ2
Como dice los tres primeros términos, entonces usamos la fórmula 𝑦𝑖+1 = 𝑦𝑖 + ℎ𝑦𝑖′ + 𝑦𝑖′′
2!
Teniendo en cuenta que 𝑥0 = 0 𝑦0 = 1 y h=0.1
En la formula la y’ que se presenta es la función f(x,y) correspondiente a la forma implícita

𝐹(𝑥, 𝑦) = 𝑦 ′ (𝑥) . Por eso siempre se comienza despejando eso
Para nuestro caso entonces sería 𝑦′ = 𝑓(𝑥, 𝑦) = 𝑦 + 𝑥 − 𝑥 2 + 1
En la formula también tenemos y’’ que sería obviamente 𝑓′(𝑥, 𝑦)
Se deriva implícitamente al tener la variable independiente presente
𝑓 ′ (𝑥, 𝑦) = 𝑦 ′ + 1 − 2𝑥 Como y’ es f(x, y) entonces 𝑓 ′ (𝑥, 𝑦) = (𝑦 + 𝑥 − 𝑥 2 + 1) + 1 − 2𝑥
44
• 𝑦 ′ = 𝑓 ′ (𝑥, 𝑦) = 𝑦 − 𝑥 − 𝑥 2 + 2
Ahora si comenzamos a evaluar 𝑥0 = 0 𝑦0 = 1
ℎ2 ′′
𝑦1 = 𝑦0 + ℎ𝑦0′ + 𝑦
2! 0
• 𝑦 ′ 0 = 𝑓(0,1) = 2
• 𝑦 ′′ 0 = 𝑓 ′ (0,1) = 3
0.12
𝒚𝟏 = 1 + 0.1(2) + (3) = 1.215
2!
𝒙𝟏 = 0 + 0.1 = 0.1
Comenzamos con el siguiente punto, usando 𝑥1 = 0.1 𝑦1 = 1.215
• 𝑦 ′1 = 𝑓(0.1,1.215) = 2.305
• 𝑦 ′′1 = 𝑓 ′ (0.1,1.215) = 3.105
0.12
o 𝒚𝟐 = 1.215 + 0.1(2.305) + (3.105) = 1.461
2!
o 𝒙𝟐 = 0.1 + 0.1 = 0.2
Hallaremos un punto más, 𝑥2 = 0.2 𝑦2 = 1.461
• 𝑦 ′ 2 = 𝑓(0.2, 1.461) = 2.621

• 𝑦 ′′ 2 = 𝑓 ′ (0.2, 1.461) = 3.221
0.12
o 𝒚𝟑 = 1.461 + 0.1(2.621) + (3.221) = 1.739
2!
o 𝒙𝟑 = 0.2 + 0.1 = 0.3
6.1.2. Fórmula de Euler
Bajo las mismas condiciones previamente dadas, la fórmula de Euler constituye simplemente los dos primeros términos
de la serie de Taylor
𝑦𝑖+1 = 𝑦𝑖 + ℎ𝑓(𝑥𝑖 , 𝑦𝑖 ) ℎ2 ′′
𝐸= 𝑦 (𝑧) 𝑥𝑖 ≤ 𝑧 ≤ 𝑥𝑖+1
2!
Fórmula de Euler para EDO’s
45
6.1.3. Fórmula de Euler mejorado o Heun
Bajo las mismas condiciones, la fórmula se define de la siguiente manera:
𝐾1 = ℎ𝑓(𝑥𝑖 , 𝑦𝑖 ) ℎ3 ′′′
𝐸= 𝑦 (𝑧) 𝑥𝑖 ≤ 𝑧 ≤ 𝑥𝑖+1
𝐾2 = ℎ𝑓(𝑥𝑖 + ℎ, 𝑦𝑖 + 𝐾1 ) 3!
1
𝑦𝑖+1 = 𝑦𝑖 + (𝐾1 + 𝐾2 )
2
Fórmula de Heun para EDO’s
Ejemplo. Obtenga 2 puntos de la solución de la EDO 𝑦 ′ − 𝑦 − 𝑥 + 𝑥 2 − 1 = 0 𝑦(0) = 1 con h=0.1, usando la

fórmula de Heun
𝑓(𝑥, 𝑦) = 𝑦 + 𝑥 − 𝑥 2 + 1
Calculando el primer punto, teniendo 𝑥0 = 0 𝑦0 = 1
𝐾1 = (0.1)𝑓(0,1) = 0.2 𝒙𝟏 = 0 + 0.1 = 0.1

𝐾2 = (0.1)𝑓(0 + 0.1, 1 + 0.2) = 0.229
1
𝒚𝟏 = 1 + (0.2 + 0.229) = 1.2145
2
Calculando el segundo punto, teniendo 𝑥1 = 0.1 𝑦1 = 1.2145
𝐾1 = (0.1)𝑓(0.1, 1.2145) = 0.23045 𝒙𝟐 = 0.1 + 0.1 = 0.2

𝐾2 = (0.1)𝑓(0.1 + 0.1, 1.2145 + 0.23045) = 0.260495
1
𝒚𝟐 = 1.2145 + (0.23045 + 0.260495) = 1.4599
2
6.1.4. Fórmula de Runge-Kutta de cuarto orden
Bajo las mismas condiciones, la fórmula se define:
𝐾1 = ℎ𝑓(𝑥𝑖 , 𝑦𝑖 )
ℎ5 5
𝐾2 = ℎ𝑓(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾1 /2) 𝐸= 𝑦 (𝑧) 𝑥𝑖 ≤ 𝑧 ≤ 𝑥𝑖+1
5!
𝐾3 = ℎ𝑓(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾2 /2)
𝐾4 = ℎ𝑓(𝑥𝑖 + ℎ, 𝑦𝑖 + 𝐾3 )
1
𝑦𝑖+1 = 𝑦𝑖 + (𝐾1 + 2𝐾2 + 2𝐾3 + 𝐾4 )
6
Fórmula de Runge-Kutta para EDO’s
46
Ejemplo. Obtenga 2 puntos de la solución de la EDO 𝑦 ′ − 𝑦 − 𝑥 + 𝑥 2 − 1 = 0 𝑦(0) = 1 con h=0.1, usando la

fórmula de Runge-Kutta
Calculando el primer punto, usando 𝑥0 = 0 𝑦0 = 1
Tenemos que
𝐾1 = (0.1)𝑓(0,1) = 0.2
0.1
𝐾2 = (0.1)𝑓 (0 + , 1 + 0.2/2) = 0.21475
2
0.1
𝐾3 = (0.1)𝑓 (0 + , 1 + 0.21475/2) = 0.2154875
2
𝐾4 = (0.1)𝑓(0 + 0.1, 1 + 0.2154875) = 0.22629875
1
𝑦1 = 1 + (0.2 + 2(0.21475) + 2(0.2154875) + 0.22629875) = 1.2144
6
𝑥1 = 0 + 0.1 = 0.1
Calculando el segundo punto, usando 𝑥0 = 0.1 𝑦0 = 1.2144
Tenemos que
𝐾1 = (0.1)𝑓(0.1, 1.2144) = 0.23044

0.1
𝐾2 = (0.1)𝑓 (0.1 + , 1.2144 + 0.23044/2) = 0.245712
2
0.1
𝐾3 = (0.1)𝑓 (0.1 + , 1.2144 + 0.245712/2) = 0.2464756
2
𝐾4 = (0.1)𝑓(0.1 + 0.1, 1.2144 + 0.2464756) = 0.26208756
1
𝑦1 = 1.2144 + (0.23044 + 2(0.245712) + 2(0.2464756) + 0.26208756) = 1.460550
6
𝑥1 = 0.1 + 0.1 = 0.2
6.2. Sistema de ecuaciones diferenciales ordinarias de primer orden con condiciones al inicio
Supongamos que nos dan un sistema de EDO’s con condiciones al inicio, de la forma:
𝐹(𝑥, 𝑦, 𝑧, 𝑦 ′ ) = 0 𝑦(𝑥0 ) = 𝑦0
𝐺(𝑥, 𝑦, 𝑧, 𝑧 ′ ) = 0 𝑧(𝑥0 ) = 𝑧0
La variable independiente sigue siendo x, donde 𝒙𝒊+𝟏 = 𝒙𝒊 + 𝒉
Tambien se deben dejar las EDO’s en su forma explícita, es decir
𝑓(𝑥, 𝑦, 𝑧) = 𝑦′ 𝑦(𝑥0 ) = 𝑦0
𝑔(𝑥, 𝑦, 𝑧) = 𝑧′ 𝑧(𝑥0 ) = 𝑧0
47
Ejemplo de estos sistemas:
𝑦 ′ − 𝑥 − 𝑦 − 𝑧 = 0, 𝑦(0) = 1
𝑧 ′ + 𝑥 − 𝑦 + 𝑧 = 0, 𝑧(0) = 2
Donde procedemos a despejarlas a su forma implícita
𝑥 + 𝑦 + 𝑧 = 𝑦′, 𝑥0 = 0 , 𝑦0 = 1
−𝑥 + 𝑦 − 𝑧 = 𝑧 ′ , 𝑥0 = 0 , 𝑧0 = 2
De ahí se resuelven con los métodos vistos anteriormente, pero extendidos a dos ecuaciones
6.2.1. Fórmula de Heun para dos ecuaciones
𝐾1,𝑦 = ℎ𝑓(𝑥𝑖 , 𝑦𝑖, 𝑧𝑖 )
𝐾1,𝑧 = ℎ𝑔(𝑥𝑖 , 𝑦𝑖, 𝑧𝑖 )
𝐾2,𝑦 = ℎ𝑓(𝑥𝑖 + ℎ, 𝑦𝑖 + 𝐾1,𝑦 , 𝑧𝑖 + 𝐾1,𝑧 )
𝐾2,𝑧 = ℎ𝑔(𝑥𝑖 + ℎ, 𝑦𝑖 + 𝐾1,𝑦 , 𝑧𝑖 + 𝐾1,𝑧 )
1
𝑦𝑖+1 = 𝑦𝑖 + (𝐾1,𝑦 + 𝐾2,𝑦 )
2
1
𝑧𝑖+1 = 𝑧𝑖 + (𝐾1,𝑧 + 𝐾2,𝑧 )
2
Fórmula de Heun para dos EDO’s
Ejemplo Obtenga dos puntos de la solución de las siguientes Edo’s usando Heun con h=0.1
𝑦 ′ − 𝑥 − 𝑦 − 𝑧 = 0, 𝑦(0) = 1
𝑧 ′ + 𝑥 − 𝑦 + 𝑧 = 0, 𝑧(0) = 2
Ya lista en su forma implícita tenemos:
𝑓(𝑥, 𝑦, 𝑧) = 𝑥 + 𝑦 + 𝑧 = 𝑦 ′ , 𝑥0 = 0 , 𝑦0 = 1
𝑔(𝑧, 𝑦, 𝑧) = −𝑥 + 𝑦 − 𝑧 = 𝑧 ′ , 𝑥0 = 0 , 𝑧0 = 2
Comenzamos a calcular el primer punto, usando 𝑥0 = 0, 𝑦0 = 1, 𝑧0 = 2
𝑖=0
𝐾1,𝑦 = (0.1)𝑓(0,1,2) = 0.3
𝐾1,𝑧 = (0.1)𝑔(0,1,2) = −0.1
𝐾2,𝑦 = (0.1)𝑓(0 + 0.1, 1 + 0.3, 2 − 0.1) = 0.33
𝐾2,𝑧 = (0.1)𝑔(0 + 0.1, 1 + 0.3, 2 − 0.1) = −0.07
1
𝑦1 = 1 + (0.3 + 0.33) = 1.315
2
48
1
𝑧1 = 2 + (−0.1 − 0.07) = 1.915
2
𝑥1 = 0 + 0.1 = 0.1
Ahora el segundo punto, usando 𝑥1 = 0.1, 𝑦1 = 1.315, 𝑧1 = 1.915
𝑖=1
𝐾1,𝑦 = (0.1)𝑓(0.1, 1.315, 1.915) = 0.333
𝐾1,𝑧 = (0.1)𝑔(0.1, 1.315, 1.915) = −0.07
𝐾2,𝑦 = (0.1)𝑓(0 + 0.1, 1 + 0.3, 2 − 0.1) = 0.3693
𝐾2,𝑧 = (0.1)𝑔(0 + 0.1, 1 + 0.3, 2 − 0.1) = −0.0397
1
𝑦2 = 1.315 + (0.3 + 0.33) = 1.66615
2
1
𝑧2 = 1.915 + (−0.1 − 0.07) = 1.86015
2
𝑥2 = 0.1 + 0.1 = 0.2
Fórmula de Runge-Kutta para dos ecuaciones
𝐾1,𝑦 = ℎ𝑓(𝑥𝑖 , 𝑦𝑖 , 𝑧𝑖 )
𝐾1,𝑧 = ℎ𝑔(𝑥𝑖 , 𝑦𝑖 , 𝑧𝑖 )
𝐾2,𝑦 = ℎ𝑓(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾1,𝑦 /2, 𝑧𝑖 + 𝐾1,𝑧 /2)
𝐾2,𝑧 = ℎ𝑔(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾1,𝑦 /2, 𝑧𝑖 + 𝐾1,𝑧 /2)
𝐾3,𝑦 = ℎ𝑓(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾2,𝑦 /2, 𝑧𝑖 + 𝐾2,𝑧 /2)
𝐾3,𝑧 = ℎ𝑔(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾2,𝑦 /2, 𝑧𝑖 + 𝐾2,𝑧 /2)
𝐾4,𝑦 = ℎ𝑓(𝑥𝑖 + ℎ, 𝑦𝑖 + 𝐾3,𝑦 , 𝑧𝑖 + 𝐾3,𝑧 )
𝐾4,𝑧 = ℎ𝑔(𝑥𝑖 + ℎ, 𝑦𝑖 + 𝐾3,𝑦 , 𝑧𝑖 + 𝐾3,𝑧 )
1
𝑦𝑖+1 = 𝑦𝑖 + (𝐾1,𝑦 + 2𝐾2,𝑦 + 2𝐾3,𝑦 + 𝐾4,𝑦 )
6
1
𝑧𝑖+1 = 𝑧𝑖 + (𝐾1,𝑧 + 2𝐾2,𝑧 + 2𝐾3,𝑧 + 𝐾4,𝑧 )
6
49
6.3. EDO’s de mayor orden con condiciones al inicio
Para el caso en particular que tengamos una EDO de segundo orden, al tener eso, nos deben dar 2 condiciones.
Teniendo el problema definido en la forma:
𝐹(𝑥, 𝑦, 𝑦 ′ , 𝑦 ′′ ) = 0 𝑦(𝑥0 ) = 𝑥0 𝑦′(𝑥0 ) = 𝑦′0
Se realiza la sustitución 𝑧 = 𝑦′
Reemplazando en lo primero tenemos:
𝐺(𝑥, 𝑦, 𝑧, 𝑧 ′ ) = 0
{
𝑧 = 𝑦′
Tenemos básicamente dos EDO’s de la forma anteriormente explicada
𝑓(𝑥, 𝑦, 𝑧) = 𝒚′ = 𝒛 𝒚(𝒙𝟎 ) = 𝒚𝟎
𝒈(𝒙, 𝒚, 𝒛) = 𝒛’ 𝑦 ′ (𝑥0 ) = 𝑦 ′ 0 → 𝒛(𝒙𝟎 ) = 𝒛𝟎
Veamos el ejemplo para que se entienda de forma más clara. Recordar que x representa a la única variable
independiente
Ejemplo
Dado el problema de valor inicial:
𝑦 ′′ − 0.05𝑦 ′ + 0.15𝑦 = 0, 𝑦 ′ (0) = 0, 𝑦(0) = 1
Calcular 𝑦(1) 𝑒 𝑦′(1), usando el método de Heun con h=0.5
Tenemos que 𝑦0′ = 0, 𝑥0 = 0, 𝑦0 = 1
Hacemos el cambio de variable z=y’
Reemplazando en la ecuación original tenemos:

z′ − 0.05z + 0.15𝑦 = 0, z(0) = 0, 𝑦(0) = 1
𝑧0 = 0, 𝑥0 = 0, 𝑦0 = 1
Ahora tenemos un sistema, que en su forma explícita es:
𝑓(𝑥, 𝑦, 𝑧) = 𝑦 ′ = 𝑧
{
𝑔(𝑥, 𝑦, 𝑧) = 𝑧 ′ = 0.05𝑧 − 0.15𝑦
Ya ahora solo nos queda usar las fórmulas de Heun extendidas y reemplazar
𝐾1,𝑦 = (0.5)𝑓(0,1,0) = 0
𝐾1,𝑧 = (0.5)𝑔(0,1,0) = −0.075
𝐾2,𝑦 = (0.5)𝑓(0 + 0.5, 1 + 0, 0 − 0.075) = −0.0375
𝐾2,𝑧 = (0.5)𝑔(0 + 0.5, 1 + 0, 0 − 0.075) = −0.076875

1
𝑦1 = 1 + (0 − 0.0375) = 0.98125
2
50
1
𝑧1 = 0 + (−0.075 − 0.0769) = −0.0759
2
𝑥1 = 0 + 0.5 = 0.5
Realizamos otra iteración para llegar al punto indicado
𝐾1,𝑦 = (0.5)𝑓(0.5, 0.9875, −0.05) = −0.025
𝐾1,𝑧 = (0.5)𝑔(0.5, 0.9875, −0.05) = −0.0490625
𝐾2,𝑦 = (0.5)𝑓(0.5 + 0.5, 0.9875 − 0.025, −0.05 − 0.0490625) = −0.04953125
𝐾2,𝑧 = (0.5)𝑔(0.5 + 0.5, 0.9875 − 0.025, −0.05 − 0.0490625) = −0.0471875
1
𝑦2 = 0.9875 + (−0.025 − 0.04953125) = 0.9502
2
1
𝑧2 = −0.05 + (−0.0490625 − 0.0471875) = −0.0981
2
𝑥2 = 0.5 + 0.5 = 1
6.4. Convergencia y estabilidad ( Tema adicional)
De los métodos aprendidos, ciertas veces (y quizás se lo pidan en algún proyecto) es importante hablar sobre su
convergencia y estabilidad.
El método es convergente, cuando los puntos realmente tienden a la solución aproximada cuando modificas el
parámetro h. Puedes verificar la existencia de la solución siempre y cuando los puntos que vas obteniendo ciertamente
forman algún tipo de función (esto lo puedes verificar graficando los puntos) y no haya puntos singulares, es decir que
se desvíen completamente del patrón funcional que estas formando.
También puedes verificar si el método es estable (es decir si es poco sensible a perturbaciones) al modificar un poco
alguno de los valores iniciales o condiciones iniciales. Si al perturbar esto el método arroja una solución completamente
alejada a la solución correcta puede decirse que problema no está bien planteado.
6.5. Ecuaciones diferenciales ordinarias con condiciones en los bordes
Supóngase que nos den una EDO con la solución de la misma en los bordes de cierta región, pero que sea de interés la
solución en el interior de esta región
Un ejemplo de esto es que nos den una EDO de la siguiente manera:
𝑦 ′′ − 𝑦 ′ + 𝑦 − 2𝑒 𝑥 − 3 = 0, 𝑦(0) = 1, 𝑦(1) = 5, 0 ≤ 𝑥 ≤ 1
Siendo de interés conocer la solución entre 0 y 1
51
6.5.1. Método de diferencias finitas
Dada la EDO de la manera planteada, es decir con condiciones en los bordes, podemos usar el método de diferencias
finitas, donde discretizamos la solución, es decir nos comprometemos a calcular una serie de puntos de la solución de
interés, planteándonos un sistema de ecuaciones lineales para encontrar cada punto de interés.
Usamos las siguientes fórmulas (ya vistas) para aproximar las derivadas. Se usan las de segundo orden para que el error
sea congruente.
Dada la ecuación diferencial de segundo orden de la forma
𝑦 ′′ + 𝑎𝑦 ′ + 𝑏𝑦 + 𝑝(𝑥) = 0, 𝑦(𝑥0 ) = 𝑎
Las derivadas se reemplazan por

𝑦𝑖+1 − 2𝑦𝑖 + 𝑦𝑖−1
𝑦 ′′ 𝑖 =
ℎ2
𝑦𝑖+1 − 𝑦𝑖−1
𝑦′𝑖 =
2ℎ
Donde h viene a ser el típico parámetro que indica los h-espacios de la variable x
Y donde 𝑖 = 0, 1, 2, 3 … 𝑛 − 1 . Siendo 𝑛 = (𝑏 − 𝑎)/ℎ
Ejemplo Usando el método de diferencias finitas, con h=0.25

𝑦 ′′ − 𝑦 ′ + 𝑦 − 2𝑒 𝑥 − 3 = 0, 𝑦(0) = 1, 𝑦(1) = 5, 0 ≤ 𝑥 ≤ 1
Reemplazando con las fórmulas para las diferencias finitas

𝑦𝑖+1 − 2𝑦𝑖 + 𝑦𝑖−1 𝑦𝑖+1 − 𝑦𝑖−1
− + 𝑦𝑖 − 2𝑒 𝑥𝑖 − 3 = 0
ℎ2 2ℎ
Arreglamos un poco la ecuación multiplicando por 2ℎ2 para dejándola simple poder trabajar mejor con esta:
 2(𝑦𝑖+1 − 2𝑦𝑖 + 𝑦𝑖−1 ) − ℎ(𝑦𝑖+1 − 𝑦𝑖−1 ) + 2ℎ2 𝑦𝑖 − 4ℎ2 𝑒 𝑥𝑖 − 6ℎ2 = 0

 𝒚𝒊−𝟏 (ℎ + 2)+𝒚𝒊 (2ℎ2 − 4) + 𝒚𝒊+𝟏 (2 − ℎ) − 4ℎ2 𝑒 𝑥𝑖 − 6ℎ2 = 0
 𝒚𝒊−𝟏 (2.25)+𝒚𝒊 (−3.875) + 𝒚𝒊+𝟏 (1.75) − 0.25𝑒 𝑥𝑖 = 0.375
Lo que se va a hacer es avanzar h-espacios desde x=0 hasta x=1, con eso cubriremos los puntos que en ese intervalo .ya
cuando hagamos eso tendremos, un sistema de ecuaciones lineales, el cual ya resuelto obtendremos puntos de la
solución
Comenzamos con i=1

 𝒚𝟎 (2.25)+𝒚𝟏 (−3.875) + 𝒚𝟐 (1.75) − 0.25𝑒 0.25 = 0.375 conocemos y0, asi que lo reemplazamos y
simplificamos la ecuación
 +𝒚𝟏 (−3.875) + 𝒚𝟐 (1.75) = −1.553994
con i=2
 𝒚𝟏 (2.25)+𝒚𝟐 (−3.875) + 𝒚𝟑 (1.75) − 0.25𝑒 0.5 = 0.375
 𝒚𝟏 (2.25)+𝒚𝟐 (−3.875) + 𝒚𝟑 (1.75) = 0.787180
con i=3
 𝒚𝟐 (2.25)+𝒚𝟑 (−3.875) + 𝒚𝟒 (1.75) − 0.25𝑒 0.75 = 0.375 conocemos también y4
 𝒚𝟐 (2.25) + 𝒚𝟑 (−3.875) = −7.845749
52
Tenemos 3 ecuaciones con 3 incógnitas, 𝑦1 , 𝑦2 𝑦 𝑦3

−3.875 1.75 0 −1.55399
( 2.25 −3.875 1.75 | 0.78718 )
0 2.25 −3.875 −7.84575
𝑦1 = 1.297614
𝑦2 = 1.985292
𝑦3 = 3.177459
6.5.2. EDO’s con condiciones en los bordes con derivada
Supongamos que nos planten el problema
𝑦 ′′ − 𝑦 ′ + 𝑦 − 2𝑒 𝑥 − 3 = 0, 𝑦′(0) = 0.5, 𝑦(1) = 5, 0 ≤ 𝑥 ≤ 1
Donde nos dan una condición en la frontera, pero en la derivada de ese punto
Se procede a “rodear” el punto de la frontera desconocido, es decir, comenzar con i=0 para que en las incógnitas tomen
i-1 , i e i+1
Como se trata de la misma ecuación del ejemplo anterior, procedemos a usar la ecuación arreglada (luego de
reemplazar las derivadas y simplificando)
 𝑦𝑖−1 (2.25)+𝑦𝑖 (−3.875) + 𝑦𝑖+1 (1.75) − 0.25𝑒 𝑥𝑖 = 0.375
𝑖=0
 𝒚−𝟏 (2.25)+𝒚𝟎 (−3.875) + 𝒚𝟏 (1.75) − 0.25𝑒 0 = 0.375

 𝒚−𝟏 (2.25)+𝒚𝟎 (−3.875) + 𝒚𝟏 (1.75) = 0.625
𝑖=1
 𝒚𝟎 (2.25)+𝒚𝟏 (−3.875) + 𝒚𝟐 (1.75) − 0.25𝑒 0.25 = 0.375

 𝒚𝟎 (2.25)+𝒚𝟏 (−3.875) + 𝒚𝟐 (1.75) = 0.696006
𝑖=2
 𝒚𝟏 (2.25)+𝒚𝟐 (−3.875) + 𝒚𝟑 (1.75) − 0.25𝑒 0.5 = 0.375

 𝒚𝟏 (2.25)+𝒚𝟐 (−3.875) + 𝒚𝟑 (1.75) = 0.787180
𝑖=3
 𝒚𝟐 (2.25)+𝒚𝟑 (−3.875) + 𝑦4 (1.75) − 0.25𝑒 0.75 = 0.375 , conocemos y4

 𝒚𝟐 (2.25) + 𝒚𝟑 (−3.875) = −7.8457
𝒚−𝟏 (2.25)+𝒚𝟎 (−3.875) + 𝒚𝟏 (1.75) = 0.625

𝒚𝟎 (2.25)+𝒚𝟏 (−3.875) + 𝒚𝟐 (1.75) = 0.696006
Tenemos entonces
𝒚𝟏 (2.25)+𝒚𝟐 (−3.875) + 𝒚𝟑 (1.75) = 0.78718
{ 𝒚𝟐 (2.25) + 𝒚𝟑 (−3.875) = −7.8457
4 ecuaciones con 5 incógnitas (el punto 𝑦−1 no tiene sentido)
Tenemos la condición inicial 𝑦 ′ (0) = 0.5 -> 𝑦 ′ 0 = 0.5 , usamos la aproximación de la primera derivada de nuevo
𝑦1 −𝑦−1
𝑦 ′ 0 = 0.5 = Con esto podemos eliminar el punto 𝑦−1
2ℎ
𝑦−1 = 𝑦1 − 2ℎ ∗ 0.5
𝑦−1 = 𝑦1 − 0.25
53
Reemplazamos esto en la primera ecuación y tenemos ya tenemos 4 incógnitas con 4 ecuaciones
+𝒚𝟎 (−3.875) + 𝒚𝟏 (4) = 1.1875

𝒚𝟎 (2.25)+𝒚𝟏 (−3.875) + 𝒚𝟐 (1.75) = 0.696006
𝒚𝟏 (2.25)+𝒚𝟐 (−3.875) + 𝒚𝟑 (1.75) = 0.78718
{ 𝒚𝟐 (2.25) + 𝒚𝟑 (−3.875) = −7.8457
Resolviendo nos queda
𝑦0 = 1.470871, 𝑦1 = 1.721784, 𝑦2 = 2.319116, 𝑦3 = 3.371280
7. Ecuaciones diferenciales parciales
Recordando cursos anteriores, una ecuación diferencial parcial es aquella que contiene derivadas parciales con
respecto a dos o más variables dependientes.
Por ejemplo:
𝑑𝑢 𝑑𝑢 𝑑2 𝑢 𝑑2 𝑢 𝑑2 𝑢 𝑑2 𝑢
𝑢(𝑥, 𝑦) = 𝐹 (𝑢, 𝑥, 𝑦, , , , , , )=0
𝑑𝑦 𝑑𝑥 𝑑𝑦 2 𝑑𝑥 2 𝑑𝑥𝑑𝑦 𝑑𝑦𝑑𝑥
Se las clasifican de 3 maneras en general, parabólicas, elípticas e hiperbólicas.
De manera sencilla las parabólicas tienen una primera derivada sin límite (ejemplo el tiempo, el tiempo es
infinito)
Ejemplo: La ecuación que determina el flujo de calor en una barra, x es la variable de posición diferencial de
la barra
𝑑2𝑢 𝑑2𝑢
= 𝑘
𝑑𝑥 2 𝑑𝑡
Las elípticas son aquellas que están limitadas ambas derivadas, como por ejemplo el calor que fluye en una
placa, en un tiempo final. Las variables X y Y están limitados
𝑑2 𝑢 𝑑2𝑢
+ =0
𝑑𝑥 2 𝑑𝑦 2
Las hiperbólicas de manera similar a las parabólicas, tienen una derivada sin límite, pero esta derivada es
segunda:
𝑑2𝑢 2
𝑑2𝑢
=𝑐
𝑑𝑡 2 𝑑𝑥 2
• Realmente lo de hiperbólico, parabólico y elíptico solo son nombres, de ahí los métodos a resolver
son prácticamente los mismos.
• Para el método elíptico, típicamente es de interés resolver totalmente la ecuación diferencial
(Por ejemplo, saber que tan caliente está cada punto de interés en una placa rectangular). Pero los
métodos hiperbólicos y parabólicos al poseer una variable abierta (Como por ejemplo el tiempo), se
nos debe especificar hasta cuando debemos iterar.
Método usando diferencias finitas
54
La solución de este tipo de ecuaciones, son superficies (por ejemplo del tipo z=f(x, y)). De las cuales nos
ocuparemos de hallar una serie de puntos limitados que sean parte de la solución.
Usaremos diferencias finitas para resolver esto. Un ejemplo de esto es la siguiente malla:
‘’De Análisis Numérico con Python’’
Donde los puntos a hallar son los amarillos. Cada punto corresponde a una ‘coordenada’ i, j específica.
Bueno, mucha palabrería. Comencemos a resolver un problema, no sin antes dándoles las fórmulas a usar.
Fórmulas de interés para las ecuaciones diferenciales parciales
Tomando de ejemplo una función u que depende de dos variables independientes x, y

De la forma u(x, y). Donde ∆𝑥 y ∆𝑦 son los h-espacios para la diferencias finitas (Dato del problema)
𝜕𝑢𝑖,𝑗 𝑢𝑖+1,𝑗 − 𝑢𝑖,𝑗

=
𝜕𝑥 ∆𝑥
𝜕𝑢𝑖,𝑗 𝑢𝑖,𝑗+1 − 𝑢𝑖,𝑗
=
𝜕𝑦 ∆𝑦
𝜕 2 𝑢𝑖,𝑗 𝑢𝑖−1,𝑗 − 2𝑢𝑖,𝑗 + 𝑢𝑖+1,𝑗

=
𝜕𝑥 2 ∆𝑥 2
𝜕 2 𝑢𝑖,𝑗 𝑢𝑖,𝑗−1 − 2𝑢𝑖,𝑗 + 𝑢𝑖,𝑗+1
=
𝜕𝑦 2 ∆𝑦 2
‘’Aproximaciones con diferencias finitas, de Análisis Numérico con Python’’
55
Ejercicios
• Para este ejercicio en general, analizaremos las condiciones que nos dan
Primero procedemos a hacer una malla que nos permita visualizar el problema.
Sabiendo que x va desde 0 a 1, usando espacios de h y y, es decir el tiempo, va desde 0 a

infinito, usando espacios de k, pero como dice dos iteraciones en el tiempo, este tendrá solo
dos pisos. De la siguiente manera
• Siempre se debe armar esta malla para empezar, esta malla es para este problema en particular
• Cada U , tiene una coordenada i,j que representa un valor de x, t específico ( i horizontal j vertical)
Por ejemplo U2,1 representa la función u cuando x=0.5 y t=0.04 o cuando U3,2 es cuando x=0.75 y
t=0.08 y así; Tener muy en cuenta esto.
Ahora analizamos el resto de condiciones. Nos dice que 𝑢(𝑥, 0) = 𝑠𝑒𝑛𝜋𝑥 + 𝑥(1 − 𝑥). Lo que nos
dice que para cualquier x en el tiempo inicial vale esa función que depende de x. Por otro lado nos
dice que 𝑢(0, 𝑡) = 𝑢(1, 𝑡) = 0, nos dice que para cualquier tiempo t en x=0 y x=1, estos valores
valen 0. Si lo agregamos en nuestra malla, sería:
56
Teniendo en cuenta esto, lo único puntos que necesitamos hallar son los de color amarillo. El resto ya se los conoce por
las condiciones iniciales ya mencionadas.
Ya listo esto el siguiente paso es reemplazar la ecuación diferencial parcial con las diferencias finitas
𝛿𝑢 𝛿𝑢2
• − =2
𝛿𝑡 𝛿𝑥 2
𝑢𝑖,𝑗+1 −𝑢𝑖,𝑗 𝑢𝑖−1,𝑗 −2𝑢𝑖,𝑗 +𝑢𝑖+1,𝑗
• − =2
𝑘 ℎ2
Trabajamos un poquito para que quede mejor la ecuación, multiplicando todo por k*h 2
• ℎ2 (𝑢𝑖,𝑗+1 − 𝑢𝑖,𝑗 ) − 𝑘(𝑢𝑖−1,𝑗 − 2𝑢𝑖,𝑗 + 𝑢𝑖+1,𝑗 ) = 2𝑘ℎ2

• −𝑘(𝑢𝑖−1,𝑗 ) + 𝑢𝑖,𝑗 (2𝑘 − ℎ2 ) − 𝑘(𝑢𝑖+1,𝑗 ) + ℎ2 𝑢𝑖,𝑗+1 = 2ℎ2 𝑘
Ahora reemplazamos los valores de h y k correspondientes al problema
• −0.04(𝑢𝑖−1,𝑗 ) + 𝑢𝑖,𝑗 (0.0175) − 0.04(𝑢𝑖+1,𝑗 ) + 0.0625(𝑢𝑖,𝑗+1 ) = 0.005
Ahora si comenzamos a iterar, elegimos un valor de i, j para iniciar. No podemos tomar i=0 porque nos
quedaría en la formula −0.04(𝑢−1,𝑗 ).
Con i=1 y j=0 no hay problema:
• −0.04(𝑢0,0 ) + 𝑢1,0 (0.0175) − 0.04(𝑢2,0 ) + 0.0625(𝑢1,1 ) = 0.005
Veamos en la malla, cuales son estos valores:
57
Vemos que lo único que solo desconocemos una incógnita. Una ecuación, una incógnita, ya estamos listos para
resolver:
• −0.04(𝑢0,0 ) + 𝑢1,0 (0.0175) − 0.04(𝑢2,0 ) + 0.0625(𝑢1,1 ) = 0.005

𝑢0,0 = 0
𝑢1,0 = 𝑠𝑒𝑛(𝜋0.25) + 0.25(1 − 0.25) = 0.89461
𝑢2,0 = 𝑠𝑒𝑛(𝜋0.5) + 0.5(1 − 0.5) = 1.25
Despejando u1,1, nos dá: 0.62951
Ahora avanzamos en i, usando i=2, j=0, teniendo :
• −0.04(𝑢1,0 ) + 𝑢2,0 (0.0175) − 0.04(𝑢3,0 ) + 0.0625(𝑢2,1 ) = 0.005
𝑢1,0 = 0.89461
𝑢2,0 = 1.25
𝑢3,0 = 𝑠𝑒𝑛(𝜋0.75) + 0.75(1 − 0.75) = 0.89461
Despejando u2,1, nos dá: 0.8751
Avanzamos otra i, y tenemos el siguiente punto.
Ahora para los puntos que tocan de arriba, reiniciamos la i, comenzando desde 1, y avanzamos 1 en j
Entonces comenzamos i=1, j=1, dando:
58
Y seguimos resolviendo hasta terminar.
Bibliografía
Una gran fuente para este folleto fueron las clases semipresenciales con el Ing. Carlos Eduardo Martin Barreiro.
1. Griffiths, D. V., & Smith, I. M. (2006). Numerical methods for engineers. Boca Raton, FL: Chapman & Hall/CRC.
2. Rodriguez,L,. Analisis Numérico Básico con el soporte de MATLAB, 2012
Fuentes de internet
1. Lista de reproducción del canal de YouTube espol50 con videos de Análisis Numérico:
https://www.youtube.com/playlist?list=PLKoPE99M_ulXtxS00hFRpnpOth1lXk0uL
59
EXÁMENES RESUELTOS
60
61

Analisis Numerico

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis Numerico

Diunggah oleh

Hak Cipta:

Format Tersedia

Escuela Superior Politécnica del Litoral

Facultad de Ciencias Naturales y Matemáticas

Folleto de Análisis Numérico

Versión 1 Diciembre /16

Objetivo del curso de “Análisis Numérico”

Adicionalmente se aprenderá a formular computacionalmente todo lo anteriormente dicho, ya que los

Objetivos del folleto

Los tópicos resaltados de este color, son opcionales.

5.1. Primera derivada ...................................................................................................................................... 42

1.1. Método de la bisección

Introduciremos un teorema importantísimo para este curso, el cual es el siguiente:

Teorema del valor intermedio (TVI)

Es decir, si f(a)*f(b)<0, es porque de a hasta b, la

1.1.1. Pasos para el método de la bisección

Aquí no importa el valor,

4 1.125 1.1875 1.25 - + +

5 1.125 1.1563 1.1875 - + +

6 1.125 1.1406 1.15625 - - +

7 1.1406 1.1484 1.15625 - + +

8 1.1406 1.1445 1.1484 - - +

9 1.1445 1.1463 1.1484 - + +

10 1.1445 1.1455 1.1465 - - +

11 1.1455 1.1459 1.1465 - - +

12 1.1459 1.1462 1.1465 - + +

13 1.1459 1.1461 1.1462 - - +

14 1.1461 1.1462 1.1462 - + +

15 1.1462 1.1462 1.1462 + + +

1.1.2. Algoritmo del método de la bisección

%función para el método de la bisección

Ejemplo (usando la ventana de comandos de Matlab)

Se requiere evaluar para encontrar los valores a y b

𝑓(0) = −10 𝑓(1) = −5 𝑓(2) = 14 Entonces podemos elegir a=1 y b= 2

Ecuaciones lineales – Método de la bisección

>> format long

%función para el método de la bisección2 mostrando la tabla de cálculos

1.2. Método del punto fijo

O en otro ejemplo si tenemos esta función de la cual queremos sus raíces:

𝑓(𝑥) = 𝑠𝑒𝑛(𝑥) + tan(x) − 5𝑥 2 + 𝑥=0

Sería lo mismo trabajar con −𝑠𝑒𝑛(𝑥) − tan(𝑥) + 5𝑥 2 = 𝑥

Aquí se indican los puntos fijos de una función cualquiera

En términos simples, los puntos fijos son donde una

Hallar los puntos fijos de 𝑓(𝑥) = √2𝑥 + 3

Si 𝑆𝑖 ∀ 𝑥 ∈ [𝑎, 𝑏] [𝑔′(𝑥)] < 1 , entonces la sucesión 𝑥𝑖+1 = 𝑔(𝑥𝑖 ), i=0, 1, 2,3,…

Converge al único punto fijo, siendo [𝑔′(𝑥)], el factor de convergencia.

Sabemos que g(x) es la función iterativa, es decir, al

g(r) Al reordenar tenemos:

Se puede observar errores de truncamiento en la iteración

1.3.1. Pasos para el método del punto fijo

Evaluando f(1)=12.895310 > 0, f(2)= 11.69314718 >0 f(8)>0 f(10)<0 f(9)<0

𝑥 2 + 𝑒 𝑥 − 5 = 3𝑥 + 100 Tenemos que 𝑥 2 + 𝑒 𝑥 − 5 − 3𝑥 − 100 = 0

Evaluando tenemos que hay una raíz entre 4 y 5

Instrumentación algorítmica para el método de Newton

%algoritmo para el método de punto fijo

Usando los datos del ejemplo 1.03 probamos la función

>> format long

1.4. Método de Newton

Usando el polinomio de Taylor alrededor de una enésima aproximación, es decir: 𝑥𝑛

𝐸𝑣𝑎𝑙𝑢𝑎𝑛𝑑𝑜 𝑇𝑎𝑦𝑙𝑜𝑟 𝑥 = 𝑥𝑛+1

Entonces nos queda:

Lo cual ordenando nos queda la fórmula iterativa de Newton:

Si queremos hallar la pendiente de 𝑓(𝑥) en el punto

Lo cual reordenando obtenemos:

Pero hay una limitante, ya que si la función 𝑓(𝑥) ,

En otras palabras para que la función sea similar al