Introduccion A Los Metodos Numericos Con Derive 6

I
I
N
N
T
T
R
R
O
O
D
D
U
U
C
C
C
C
I
I
N
N
A
A
L
L
O
O
S
S
M
M
T
T
O
O
D
D
O
O
S
S
N
N
U
U
M
M
R
R
I
I
C
C
O
O
S
S

C
C
O
O
N
N
D
D
E
E
R
R
I
I
V
V
E
E
6
6

P
P
r
r
i
i
m
m
e
e
r
r
a
a
E
E
d
d
i
i
c
c
i
i
n
n

J
J
a
a
i
i
m
m
e
e
E
E
c
c
h
h
e
e
v
v
e
e
r
r
r
r
a
a

P Pr ro of fe es so or r d de e l lg ge eb br ra a L Li in ne ea al l y y M M t to od do os s N Nu um m r ri ic co os s
D De ep pa ar rt ta am me en nt to o d de e C Ci ie en nc ci ia as s E Ex xa ac ct ta as s E Es sc cu ue el la a P Po ol li it t c cn ni ic ca a d de el l E Ej j r rc ci it to o. .

2 Prlogo

P PR R L LO OG GO O

Los Mtodos Numricos, constituyen una herramienta fundamental en la generacin de algoritmos computacionales y
una tcnica mediante la cual se resuelven problemas matemticos, que no tienen solucin analtica, frecuentes en las ciencias
aplicadas y en todos los campos de la Ingeniera y la Tecnologa.
El presente texto explica en detalle una gran parte de los mtodos del Anlisis Numrico, poniendo nfasis en la ejemplificacin de
los mismos y en la programacin con la ayuda del sistema de lgebra computacional Derive 6 y el software MathCAD, aunque el
uso de los mismos no es obligatorio al lector, el cual puede hacer uso ya sea de otros sistemas CAS o lenguajes de programa-
cin(MATLAB, MATHEMATICA, MAPLE, C, Fortran, etc.).
El captulo 0 introduce al lector en los errores y su uso dentro del Anlisis Numrico, pues al ser los mtodos numricos aproxi-
maciones a lo exacto incurrirn en errores que debern ser cuantificados para evitar que su presencia influya de forma negativa en
un resultado. Adems los errores constituyen uno de los parmetros fundamentales para identificar las fortalezas y debilidades de
un mtodo numrico y su anlisis puede llevar a mejorar su rendimiento.
El captulo 1 trata la interpolacin polinmica, elemento indispensable en la prediccin de resultados as como para la generacin
de mtodos numricos para otros campos como la diferenciacin e integracin numrica.
El captulo 2 estudia la solucin de las ecuaciones no lineales, pues algoritmos numricos en este campo son indispensables da-
do que no existen soluciones analticas exactas para la mayora de ecuaciones no lineales, excepto para muy pocas de ellas, y an
para ecuaciones polinmicas slo existen soluciones analticas exactas para ecuaciones de cuarto grado o inferior. Muchos pro-
blemas de las ciencias aplicadas llevan la resolucin de una ecuacin lineal, por lo que este tema es de irrenunciable anlisis para
los mtodos numricos.
Los captulos 3 y 4 revisan los temas del clculo numrico, dado que las derivadas e integrales numricas son de vital importan-
cia dentro del estudio de las ecuaciones diferenciales, tema este ltimo que es uno de los puntos culminantes del Anlisis Numri-
co y es revisado en el captulo 5.
El captulo 6, revisa brevemente algunos mtodos numricos del lgebra Lineal, exclusivamente en la solucin de sistemas de
ecuaciones lineales.
Finalmente el Apndice A, da una breve descripcin de Derive 6 y en el Apndice B una revisin de las series de Taylor, elemento
bsico en el anlisis del error por truncamiento.
El contenido del texto es suficiente para un curso de un semestre de Mtodos Numricos, pudiendo quedar a discrecin del profe-
sor la eleccin del orden de los temas a tratarse de acuerdo a su experiencia docente.
La mayora de los clculos numricos en los problemas del texto fueron realizados con la ayuda de una calculadora grfica TI 92
Plus, as como los grficos provienen de los sistemas CAS Derive 6 y MathCAD.
Espero que el texto sea una fuente invalorable de consulta para quienes esperan obtener de los Mtodos Numricos una fuente de
informacin valiosa para sus posteriores estudios en campos especializados de la Ingeniera y la Tecnologa.
Cualquier comentario, consejo o sugerencia remitirlo al e-mail jecheverriayanez@yahoo.es
Quito, Marzo 2010
3 Contenido

C CO ON NT TE EN NI ID DO O

P PR R L LO OG GO O . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 2 2
C CO ON NT TE EN NI ID DO O . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 3 3
C CA AP P T TU UL LO O

0 0 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 6 6
PROCESOS ITERATIVOS Y ERRORES EN ANLISIS NUMRICO ............................................................. 6
0.1 PROCESOS ITERATIVOS. ........................................................................................................................... 6
0.2 ERRORES EN ANLISIS NUMRICO. ........................................................................................................ 8
0.2.1 ERRORES DE REDONDEO Y NMEROS DE PUNTO FLOTANTE .................................................... 10
0.2.2 FUENTES DE ERROR POR REDONDEO........................................................................................... 13
0.2.3 CIFRAS DECIMALES Y CIFRAS SIGNIFICATIVAS. ............................................................................. 14
0.3 PRECISIN EN DERIVE 6. ........................................................................................................................ 17
C CA AP P T TU UL LO O 1 1 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 2 20 0
INTERPOLACIN POLINMICA .................................................................................................................. 20
1.1 INTERPOLACIN POLINMICA POR EL MTODO GENERAL O DE SERIE DE POTENCIAS ................. 20
1.1.1 POLINOMIO DE INTERPOLACIN POR EL MTODO GENERAL CON DERIVE 6. ............................... 21
1.2 INTERPOLACIN LINEAL......................................................................................................................... 22
1.2.1 INTERPOLACIN LINEAL CON DERIVE 6. ....................................................................................... 23
1.3 POLINOMIO DE INTERPOLACIN DE LAGRANGE. ................................................................................ 25
1.3.1 POLINOMIO DE INTERPOLACIN DE LAGRANGE CON DERIVE 6. ................................................ 27
1.4 DIFERENCIAS DIVIDIDAS. ........................................................................................................................ 28
1.5 POLINOMIO DE INTERPOLACIN DE NEWTON. .................................................................................... 32
1.5.1 POLINOMIO DE INTERPOLACIN DE NEWTON CON DERIVE 6. .................................................... 38
1.6 ERROR EN POLINOMIOS DE INTERPOLACIN. ..................................................................................... 39
1.7 ERROR EN LOS POLINOMIOS DE INTERPOLACIN DE NEWTON. ....................................................... 45
1.8 INTERPOLACIN CON RACES O PUNTOS DE CHEBYSHEV. MINIMIZACIN DEL ERROR DE
INTERPOLACIN. .......................................................................................................................................... 46
1.8.1 RACES DE CHEBYSHEV CON DERIVE 6.......................................................................................... 48
C CA AP P T TU UL LO O 2 2 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 4 49 9
SOLUCIN DE ECUACIONES NO LINEALES ............................................................................................. 49
2.1 AISLAMIENTO DE RAICES. ...................................................................................................................... 49
2.2 APROXIMACIN GRFICA A LA SOLUCIN DE UNA ECUACIN. ......................................................... 50
2.3 MTODOS CERRADOS. ........................................................................................................................... 51
2.3.1 MTODO DE BISECCIN. ................................................................................................................ 51
2.3.1.1 MTODO DE BISECCIN UTILIZANDO DERIVE 6 .................................................................... 55
2.3.2 MTODO DE FALSA POSICIN, DE LAS CUERDAS O REGULA FALSI. .......................................... 56
2.4 MTODOS ABIERTOS. ............................................................................................................................. 59
2.4.1 MTODO DE NEWTON - RAPHSON O DE LAS TANGENTES. .......................................................... 60
2.4.1.1 MTODO DE NEWTON-RAPHSON CON DERIVE 6. .................................................................. 63
2.4.2 MTODO DE LAS SECANTES. .......................................................................................................... 64
2.4.2.1 MTODO DE LAS SECANTES CON DERIVE 6. ......................................................................... 66
2.4.3 MTODO DE ITERACIN DE PUNTO FIJO O DE SUSTITUCIONES SUCESIVAS. ............................ 66
2.4.3.1 MTODO DE ITERACIN DE PUNTO FIJO CON DERIVE 6. ..................................................... 71
C CA AP P T TU UL LO O 3 3 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 7 72 2
DIFERENCIACIN NUMRICA .................................................................................................................... 72
3.1 DERIVADAS POR APROXIMACIN DE DIFERENCIAS. ............................................................................ 72
3.1.1 DERIVADAS POR APROXIMACIN DE DIFERENCIAS PROGRESIVAS Y REGRESIVAS. .................. 72
3.1.2 DERIVADAS POR APROXIMACIN DE DIFERENCIAS CENTRALES. ................................................ 78
3.1.3 DERIVADAS DE ORDEN SUPERIOR. ................................................................................................ 79
4 Contenido

3.2 ERROR EN DIFERENCIACIN NUMRICA. ............................................................................................. 81
3.3 DERIVADAS NUMRICAS CON DERIVE 6. ............................................................................................... 83
C CA AP P T TU UL LO O 4 4 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 8 85 5
INTEGRACIN NUMRICA .......................................................................................................................... 85
4.1 MTODO DE LOS RECTNGULOS Y DEL PUNTO MEDIO ..................................................................... 85
4.1.1 MTODO DE LOS RECTNGULOS Y DEL PUNTO MEDIO CON DERIVE 6. .................................... 89
4.2 MTODO DE LOS TRAPECIOS. ............................................................................................................... 89
4.2.1 MTODO DE LOS TRAPECIOS CON DERIVE 6. ............................................................................... 92
4.3 REGLAS DE SIMPSON. ............................................................................................................................ 92
4.3.1 REGLA DE 1/3 DE SIMPSON. ........................................................................................................... 92
4.3.2 REGLA DE 3/8 DE SIMPSON. ........................................................................................................... 96
4.3.3 REGLAS DE SIMPSON UTILIZANDO DERIVE 6. ............................................................................... 97
4.4 FRMULAS DE NEWTON COTES. ........................................................................................................ 98
4.5 ERROR EN MTODOS DE INTEGRACIN. .............................................................................................. 98
4.6 INTEGRACIN DE ROMBERG. .............................................................................................................. 102
C CA AP P T TU UL LO O 5 5 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 1 11 10 0
ECUACIONES DIFERENCIALES ORDINARIAS ........................................................................................ 110
5.1 SOLUCIN GENERAL Y PARTICULAR DE UNA ECUACIN DIFERENCIAL .......................................... 110
5.2 MTODOS DE EULER ............................................................................................................................ 111
5.2.1 MTODOS DE EULER HACIA ADELANTE Y HACIA ATRS ............................................................ 111
5.2.2 MTODO DE EULER MODIFICADO ............................................................................................... 116
5.2.3 ERROR EN LOS MTODOS DE EULER .......................................................................................... 118
5.3 MTODOS DE TAYLOR .......................................................................................................................... 122
5.3.1 ERROR EN LOS MTODOS DE TAYLOR ........................................................................................ 125
5.4 MTODOS DE RUNGEKUTTA .............................................................................................................. 127
5.4.1 MTODO DE RUNGEKUTTA DE TERCER ORDEN ...................................................................... 127
5.4.2 MTODO DE RUNGEKUTTA DE CUARTO ORDEN ....................................................................... 129
5.4.3 ERROR EN LOS MTODOS DE RUNGEKUTTA ............................................................................ 131
5.5 MTODOS DE SOLUCIN DE EDOs DE PRIMER ORDEN CON DERIVE 6 ........................................... 131
5.6 APLICACIONES ...................................................................................................................................... 133
5.7 SOLUCIN DE SISTEMAS DE ECUACIONES DIFERENCIALES ORDINARIAS ....................................... 137
C CA AP P T TU UL LO O 6 6 . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 1 14 42 2
ALGEBRA LINEAL NUMRICA .................................................................................................................. 142
6.1 MTODO DE ELIMINACIN DE GAUSS CON PIVOTEO PARCIAL ........................................................ 142
6.2 MTODOS ITERATIVOS PARA SOLUCIN DE SISTEMAS DE ECUACIONES LINEALES ...................... 145
6.2.1 MTODO DE JACOBI ..................................................................................................................... 145
6.2.2 MTODO DE GAUSSSEIDEL ........................................................................................................ 147
6.3 MTODOS DE JACOBI Y GAUSSSEIDEL CON DERIVE 6 .................................................................... 153
6.4 APLICACIONES ...................................................................................................................................... 153
A AP P N ND DI IC CE E A A . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 1 15 59 9
BREVE INTRODUCCIN A DERIVE 6 ........................................................................................................ 159
A.1 INSTALACIN, INICIO Y BREVE DESCRIPCIN DE DERIVE. ............................................................ 159
A.2 SIMPLIFICACIN Y APROXIMACIN ................................................................................................. 160
A.3 SUSTITUCIN .................................................................................................................................... 161
A.4 VECTORES Y MATRICES ................................................................................................................... 162
A.5 PROGRAMACIN CON DERIVE 6. .................................................................................................... 164
A.5.1 PROGRAMACIN FUNCIONAL ...................................................................................................... 164
A.5.1.1 PROCESOS ITERATIVOS Y LAS FUNCIONES ITERATES E ITERATE ....................................... 164
A.5.1.2 FUNCIN CONDICIONAL IF ................................................................................................... 165
A.5.1.3 FUNCIN VECTOR .................................................................................................................. 166
A.5.1.4 SUMATORIA Y PRODUCTO ITERADO FUNCIONES SUM Y PRODUCT ............................... 166
5 Contenido

A.5.2 PROGRAMACIN PROCEDURAL .................................................................................................. 168
A.5.2.1 FUNCIN PROG...................................................................................................................... 168
A.5.2.2 FUNCIN LOOP ...................................................................................................................... 168
A.6 GENERACIN DE UNA UTILIDAD ..................................................................................................... 169
A AP P N ND DI IC CE E B B. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 1 17 73 3
SERIES DE TAYLOR ................................................................................................................................... 173
B.1 SERIES DE TAYLOR Y MACLAURIN. ...................................................................................................... 173
B.2 SERIES DE TAYLOR Y MACLAURIN CON RESTO EN FORMA DE LAGRANGE. .................................... 174
B.3 FORMA ALTERNATIVA PARA LA SERIE DE TAYLOR Y EL RESTO. ........................................................ 175
B.4 SERIES DE TAYLOR Y MACLAURIN CON DERIVE 6. ............................................................................. 175
BIBLIOGRAFA Y REFERENCIAS .............................................................................................................. 180
BIBLIOGRAFA. ............................................................................................................................................ 180
NOTAS Y REFERENCIAS. ............................................................................................................................. 180
N ND DI IC CE E A AL LF FA AB B T TI IC CO O . .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. . 1 18 81 1

6 Procesos iterativos y errores en Mtodos Numricos

C CA AP P T TU UL LO O

0
0
P PR RO OC CE ES SO OS S I IT TE ER RA AT TI IV VO OS S Y Y E ER RR RO OR RE ES S E EN N M M T TO OD DO OS S N NU UM M R RI IC CO OS S

Los mtodos numricos al consistir de aproximaciones bastante confiables, pero aproximaciones al fin,
incurren en errores propios de lo no exacto. El presente captulo tiene como objetivo analizar estos errores pues,
en base a ellos, se podr escoger un mtodo y no otro, as como cuantificar la precisin de los resultados que
se obtengan en cada uno de los mtodos numricos que se estudien a lo largo del texto.
0.1 PROCESOS ITERATIVOS.
Un proceso iterativo es el uso de una frmula para generar de forma secuencial valores a partir de uno o ms
valores iniciales, as entonces
+
= =
i 1 i
x f(x ) i 0,1,2,3...
El siguiente ejemplo aclarar este concepto...
E Ej je em mp pl lo o 0 0. .1 1
Determinar los primeros cuatro valores numricos que se obtengan mediante un proceso iterativo para
=
sen(x)
f(x) e 2 , a partir de x
0
= 3 como valor de inicio.
El proceso iterativo va a generarse mediante:
+
=
i
sen( x )
i 1
x e 2 con i = 0,1,2,, es decir
=
0
sen( x )
1
x e 2 =
1
sen( x )
2
x e 2 =
2
sen( x )
3
x e 2
sern los sucesivos valores a obtenerse.
Los clculos indicados se resumen en la siguiente tabla

Los valores pedidos son: 0.848436, 1.52775, 1.63177 y 1.63143.
Cada nuevo valor obtenido se denomina iteracin, y la funcin f(x) que se utiliz en los clculos se conoce co-
mo frmula de iteracin o iterativa.
Genere un proceso iterativo para la frmula + cos(x) 1, empezando con x
0
= 0, hasta obtener un resultado
con 3 cifras decimales de precisin.
El proceso iterativo se va a generar mediante: = +
+
x cos(x ) 1
i 1 i
, y en base a l se obtiene la siguiente ta-
bla
i x
i
f(x
i
)
0 x
0
= 3 (valor inicial)
= 0
sen
.84 6
(3)
2 843 e

1 x
1
= 0.848436

=
sen( 0.848436
1.5
)
e 2 2775
Primera iteracin
2 x
2
= 1.52775

=
sen( 1.52775
1.6
)
e 2 3177
Segunda iteracin
3 x
3
= 1.63177

=
sen( 1.63177
1.6
)
e 2 3143
Tercera iteracin
4 x
4
= 1.63143 Cuarta iteracin
(0.1)

i x
i
f(x
i
)
0 0 + = cos(0) 1 1.41421
1 1.41421 + = cos(1.41421) 1 1.07515
2 1.07515 + = cos(1.07515) 1 1.21474
3 1.21474 + = cos(1.21474) 1 1.16128
4 1.16128 + = cos(1.16128) 1 1.18244
5 1.18244 + = cos(1.18244) 1 1.17417
6 1.17417 + = cos(1.17417) 1 1.17742
7 1.17742 + = cos(1.17742) 1 1.17614
8 1.17614 + = cos(1.17614) 1 1.17664
9 1.17664
La respuesta con tres cifras decimales de precisin es 1.176.
Los procesos iterativos tienen dos caractersticas importantes que vale la pena resaltar, estas son: (a) Conver-
gencia, y (b) Velocidad de convergencia.
Se dice que un proceso iterativo es convergente cuando la secuencia de iteraciones tiende a un valor definido al
incrementarse hacia el infinito el nmero de las mismas; por otro lado la velocidad de convergencia se mide por
el nmero de iteraciones con el cual se logra un valor con cierto nivel de precisin(nmero de cifras decimales
repetidas), as entonces a mayor nmero de iteraciones menor velocidad de convergencia y viceversa.
Determine si el proceso iterativo para =
+
2
1
f(x)
(x 1)
, iniciando con x
0
= 1, converge o no.
El proceso iterativo es
+
=
+
i 1 2
i
1
x
(1 x )
. Las 20 primeras iteraciones para este proceso son
i 0 1 2 3 4 5 6 7
x
i
1 0.25 0.64 0.37180 0.531394 0.426409 0.491487 0.449532

i 8 9 10 11 12 13 14
x
i
0.475931 0.459058 0.469737 0.462936 0.467250 0.464506 0.466249

i 15 16 17 18 19 20
x
i
0.465141 0.465845 0.465398 0.465682 0.465501 0.465616
La tendencia del proceso muestra que las iteraciones tienden a un valor determinado, el cual a tres cifras deci-
males repetidas es 0.465, por lo que el proceso es convergente.
Determine si el proceso iterativo para =
2
f(x) (x 1) , iniciando con x
0
= 2, converge o no.

El proceso iterativo
+
=
2
i 1 i
x (x 1) , genera la siguiente tabla con las 8 primeras iteraciones
i 0 1 2 3 4 5 6 7
x
i
2 1 0 1 0 1 0 1
las iteraciones alternan su valor entre 0 y 1, no pudiendo establecerse un valor determinado; sta se denomina
una divergencia alternante.
El anlisis de la velocidad de convergencia es necesario tambin realizarlo en base a los resultados numricos
obtenidos, como en el siguiente ejemplo
De los procesos iterativos para =
+
2
1
f(x)
x 1
y =
+
y
1
f(y)
e 1
determinar cul es el ms rpidamente conver-
gente, si ambos inician con x
0
= 1.
Las procesos iterativas son:
+
=
+
i 1 2
1
1
x
x 1
y
+
=
+
i
i 1 y
1
y
e 1
, con ellos se obtiene para las 10 primeras iteracio-
nes
i 0 1 2 3 4 5 6
x
i
1 0.5 0.8 0.609756 0.728968 0.652100 0.701061

i 7 8 9 10
x
i
0.670472 0.689878 0.677538 0.685374

i 0 1 2 3 4 5 6
y
i
1 0.268941 0.433167 0.393370 0.402906 0.400614 0.401165

i 7 8 9 10
y
i
0.401033 0.401064 0.401057 0.401058
el segundo proceso iterativo tiene mayor velocidad de convergencia, porque al mismo nmero de iteraciones
que el primero logra un resultado con mayor nmero de cifras decimales repetidas(exactas).
0.2 ERRORES EN MTODOS NUMRICOS.
Los mtodos numricos tienen como base principal de su manejo el anlisis de los errores, pues al usar mto-
dos numricos su inexactitud lleva a la pregunta con cuanta exactitud se ha obtenido la respuesta? Planteada
la interrogante, aqu se inicia el estudio del error en al anlisis numrico
El error absoluto entre dos valores, de manera general, se puede cuantificar por la relacin:
= e x X
donde e representa el error absoluto, x el valor exacto y X el valor aproximado. Esta formulacin es algo incom-
pleta, pues no considera el orden de magnitud de la variable cuyo error se evala. A continuacin un ejemplo
demuestra la importancia de relacionar el error absoluto con la magnitud exacta de la variable medida
(0.2)

En la medicin de la longitud de un perno y un eje, se han obtenido los valores aproximados de 18 cm. y 278
cm. pero segn los planos de construccin sus medidas exactas deberan ser 20 cm. y 280 cm. Cul es el
error ms significativo, del perno o del eje?
Los errores absolutos cometidos en su fabricacin son...
= =
eje
e 280 278 2 cm = =
perno
e 20 18 2 cm
As, segn los valores obtenidos para el error absoluto, ambos casos producen errores de igual magnitud. Sin
embargo, intuitivamente se infiere que ello no es cierto, pues al dividir las dos expresiones para su valor exacto,
con el objeto de relacionarlas con la magnitud de lo medido, y multiplicarlas por 100(para obtener un valor por-
centual de error), se tiene...
= =
eje
280 278
E 100
280
0.714%
= =
perno
20 18
E 100
20
10%
resultados que muestran que el error cometido en la construccin del eje es menos significativo.
El error relativo porcentual E, se puede escribir como...
=
x X
E 100
x

este error pone en evidencia su verdadera magnitud en relacin a lo medido.
Como principio fundamental, en el resultado de cualquier mtodo numrico se debe tomar en cuenta que
< < e tol o E tol , donde tol representa un valor positivo muy pequeo considerado como valor de toleran-
cia. Si bien se ha utilizado en las frmulas (0.2) y (0.3) los trminos valor exacto y aproximado, muchos mto-
dos numricos utilizan procesos iterativos en los cuales x se substituye por x
i+1
que representa la iteracin ac-
tual y X se substituye por x
i
que representa la iteracin anterior. En estos procesos entonces las expresiones
(0.2) y (0.3) se transforman en...
+
+
+
= =
i 1 i
a i 1 i a
i 1
x x
e x x E 100%
x

donde el subndice a en las frmulas aclara que se trata de un valor de error aproximado. Un mtodo numrico
se detiene cuando el error absoluto o relativo porcentual (o aproximados para procesos iterativos) no superan el
valor tol, de tolerancia fijado previamente, es decir...
= s = s
x X
e x X tol E 100 tol
x

+
+
+
= s = s
i 1 i
a i 1 i a
i 1
x x
e x x tol E 100 tol para procesos iterat
x
ivos
Los errores ms significativos, presentes en el anlisis numrico pueden clasificarse bajo uno de estos tipos:
Errores de redondeo.
Errores de truncamiento.
Errores de toma de datos.
Los errores de toma de datos dependen del manejo de la obtencin de datos requeridos para un procedimiento
(0.3)
(0.4)
(0.5)
(0.6)

numrico determinado y en todo caso son en la mayora de las veces inevitables y muy difciles de cuantificar.
En la siguiente seccin se analizar los errores de redondeo, posponindose el anlisis de los errores de trun-
camiento para los mtodos numricos donde ste sea aplicable.
0.2.1 ERRORES DE REDONDEO Y NMEROS DE PUNTO FLOTANTE
Los errores de redondeo son los producidos por la limitada capacidad del computador para representar las ci-
fras tanto enteras como decimales de un nmero real. Al no poder trabajar con la infinita cantidad de cifras ente-
ras as como con la tambin infinita cantidad de decimales que tiene un nmero real, entonces es necesario re-
emplazar el conjunto infinito de los nmeros reales con un conjunto finito de nmeros enteros y decimales, pro-
ducindose entonces los errores por redondeo.
A diferencia de nosotros, los seres humanos, las computadoras utilizan para la representacin numrica el sis-
tema de numeracin de base dos o binario, en el cual un nmero est representado por los dgitos 0 y 1. stos,
al igual que en el sistema decimal, tienen un valor posicional que permite expresar una cantidad cualquiera, as
por ejemplo el nmero 1011 ser distinto del nmero 1101, pues los dgitos a pesar de ser los mismos ( tres
unos y un cero) se encuentran en diferente posicin. Un nmero binario en notacin base 10 o decimal se pue-
de expresar como:
+ + + +
n n 1 1 0
r 2 r 2 ... r 2 r 2
donde r es 0 1.
As el numero 1011, en base binaria, equivale a...
+ + + =
3 2 1 0
1 2 0 2 1 2 1 2 11 , en base decimal
y el nmero 1101, en base binaria, equivale a...
+ + + =
3 2 1 0
1 2 1 2 0 2 1 2 13 , en base decimal
Ahora bien, un nmero real se puede expresar en la computadora en la forma denominada nmero de punto flo-
tante, la cual se puede expresar genricamente como...
exp
m b
donde m representa la mantisa o parte fraccionaria, b la base en la cual se representa el nmero y exp el expo-
nente. De esta forma, el nmero 236.789 se puede representar como 0.23678910
3
en punto flotante. Una for-
ma matemtica ms explcita de la expresin (0.8) se puede escribir como...
(

m
exp
1 2 k b
s (.d d ...d ) b
donde s representa el signo (0 para +y 1 para ); d
i
, i = 1,2,...,k son los k dgitos en base b(por ejemplo 0 y 1
para base 2) y exp el exponente. La expresin
1 2 k b
(.d d ...d ) corresponde a...
= + + +
1 2 k
1 2 k b 1 2 k
d d d
(.d d ...d ) ...
b b b

y da la magnitud de la mantisa. Si sta se representa siempre con d
1
= 0, se dice entonces que se halla en for-
ma normalizada. As por ejemplo el nmero =
1
0.047619...
21
representado en punto flotante a 4 cifras deci-
males es 0.047610
0
y representado en punto flotante normalizado a 4 cifras decimales es 0.476110
1
,
ganndose de esta forma una cifra decimal ms. El nmero k de dgitos de base b que se emplean en la repre-
sentacin de un nmero en punto flotante es llamada precisin; la precisin simple utiliza k = 6 7 dgitos, la
(0.7)
(0.8)
(0.9)
(0.10)

precisin doble k = 13 14 dgitos y la precisin extendida k = 19 20 dgitos, todas en base 10. Lamenta-
blemente resulta imposible que la mantisa contenga todos los dgitos necesarios para representar con exactitud
un nmero de punto flotante, siendo necesario utilizar una precisin determinada, de acuerdo a la exactitud de-
seada para el resultado de un problema en particular. El siguiente ejemplo muestra la representacin finita en
nmeros de punto flotante en base 2(como trabaja la computadora) para una computadora ideal simple y su
equivalencia de representacin en base 10(como entiende el ser humano)
Determinar el conjunto de nmeros de punto flotante que podra representar una computadora hipottica que
almacena en memoria la informacin usando un conjunto de 7 bits(llamado usualmente longitud total). Emplear
el primer bit para el signo de la mantisa, los siguientes tres bits para el signo y la magnitud del exponente y los
tres restantes para la magnitud de la mantisa.
Cualquier computadora representa la informacin mediante el uso de bits(0 1), por lo que de acuerdo a lo in-
dicado la estructura de un nmero en punto flotante en la computadora hipottica de 7 bits sera como lo mues-
tra la grfica

Fig. 0.1 Representacin de un nmero de punto flotante en una computadora hipottica
matemticamente se pueden escribir como

exp
1 2 3 2
(.d d d ) 2
si en esta computadora hipottica(lo que ocurre generalmente en las computadoras reales) se escribe siempre
en forma normalizada d
1
= 0, por lo que d
2
, y d
3
= 0 1 y exp = (11)
2
= (3)
10
, (10)
2
= (2)
10
, (01)
2
=
(1)
10
, (00)
2
= (0)
10
, +(01)
2
= +(1)
10
, +(10)
2
= +(2)
10
, +(11)
2
= +(3)
10
.
Las magnitudes de mantisa posibles entonces son:

= + + = + + = =
1
2 0
2
2 3 1
3
1 0 0 1
(.100) 1 2 0 2 0 2 (0.5)
2 2 2 2

= + + = + + = =
1 2
2
3
3 10 2
1 0 1 5
(.101) 1 2 0 2 1 2 (0.625)
2 8 2 2

= + + = + + = =
1 2 3
2 3 2 10
1 1 0 3
(.110) 1 2 1 2 0 2 (0.75)
2 4 2 2

= + + = + + = =
1 2
2
3
3 10 2
1 1 1 7
(.111) 1 2 1 2 1 2 (0.875)
2 8 2 2

Combinando las magnitudes de las mantisas con respectiva base y exponentes se tiene un conjunto de nme-
ros de punto flotante mostrados en la siguiente tabla

2
1
2
0
2
1
2
2
2
3

0
1 1 1 1 1 1
signo de la
mantisa
signo del
exponente
magnitud del
exponente
magnitud de la
mantisa

2 10
(.100) (0.5) =
2 10
(.101) (0.625) =
2 10
(.110) (0.75) =
2 10
(.111) (0.875) =
e = (11)
2
=
(3)
10

3
2
0.0625
(.100) 2
=

3
2
(.10
0.
1) 2
078125
=

2
3
(.110) 2
0.09375
=

3
2
(.11
0.
1) 2
109375
=

e = (10)
2
=
(2)
10

2
2
(.100) 2
0.125
=

2
2
(.101) 2
0.15625
=

2
2
0.1875
(.110) 2
=

2
2
(.111) 2
0.21875
=

e = (01)
2
=
(1)
10

2
1
(.100) 2
0.25
=

1
2
0.3125
(.101) 2
=

2
1
(.110) 2
0.375
=

1
2
0.4375
(.111) 2
=

e = (000)
2
=
(0)
10

2
0
(.100) 2
0.5
=

2
0
(.101) 2
0.625
=

2
0
(.110) 2
0.75
=

2
0
(.111) 2
0.875
=

e = +(01)
2
=
+(1)
10

2
1
(
1
.100) 2 =

2
1
(.101) 2
1.25
=

2
1
1.
(. 10) 2
5
1 =

2
1
(.111) 2
1.75
=

e = +(10)
2
=
+(2)
10

2
2
(
2
.100) 2 =

2
2
2.
(. 01) 2
5
1 =

2
2
(
3
.110) 2 =

2
2
3.
(. 11) 2
5
1 =

e = +(11)
2
=
+(3)
10

2
3
(
4
.100) 2 =

2
3
(
5
.101) 2 =

2
3
(
6
.110) 2 =

2
3
(
7
.111) 2 =

entonces el conjunto de valores, en base 10, representados por la computadora hipottica del ejercicio es
0, 0.0625, 0.078125, 0.09375, 0.109375, 0.125, 0.15625, 0.1875, 0.21875, 0.25, 0.3125,
0.375, 0.4375, 0.5, 0.625, 0.75, 0.875, 1, 1.25, 1.5, 1.75, 2, 2.5, 3, 3.5, 4, 5, 6, 7
un total de 57 nmeros que en la computadora hipottica de 7 bits representan a todos los nmeros reales.
Un grfico en la recta real grafica los puntos(en rojo) o nmeros manejados por la computadora hipottica de
longitud total 7 bits

Fig. 0.2 Distribucin de nmeros de punto flotante en una computadora
Algunas caractersticas de este conjunto finito de nmeros de punto flotante son
Existe una mayor densidad de puntos en la cercana a 0, mientras que hacia el infinito(positivo o negativo)
sta disminuye.
Entre el 0 y el nmero ms pequeo(sea positivo o negativo), existe una zona sin puntos denominada zo-
na de agujero( zona de underflow) como lo muestra la siguiente figura

Fig. 0.3 Zona de agujero o de underflow
Entre el nmero ms grande(sea positivo o negativo) y el infinito(positivo o negativo) existe una zona sin
puntos denominada zona de desbordamiento ( zona de overflow) como lo muestra la siguiente figura

Fig. 0.4 Zona de desbordamiento o de overflow
0
0.0625 0.0625
Zona de agujero Zona de agujero
0 7 7
Zona de desbordamiento
Zona de desbordamiento

Si se quisiese almacenar el nmero 0.26 en esta computadora hipottica, ste se representara como 0.25(el
ms cercano que posee el conjunto de nmeros de punto flotante de la computadora hipottica) incurriendo en
un error absoluto de 0.01, aqu aparece el error por redondeo!. Por otro lado cualquier nmero que se quiera
representar y que caiga en la zona de agujero ser representado por la computadora hipottica con el 0, y cual-
quier nmero que rebase el valor mximo(7 7) provocar en la computadora hipottica un mensaje de error
de overflow. Ms an es posible que la suma, resta, multiplicacin o divisin de nmeros reales produzca un
error de redondeo podra explicarse el porqu?penselo?
Lo analizado anteriormente para una computadora hipottica ocurre con cualquier computadora real de forma tal
que al efectuar operaciones entre nmeros de punto flotante con una precisin dada se produce un error de re-
dondeo, que como se ver ms adelante en algunos casos se hace muy significativo. Existe un intervalo de dis-
continuidad entre dos nmeros o y | que son consecutivos en el conjunto de nmeros representables por la
computadora. Para una determinada precisin, el nmero positivo ms pequeo posible, c, tal que sumado a 1
produce el siguiente nmero consecutivo(diferente de 1 para dicha precisin) se denomina el psilon de la com-
putadora y est dado por
i
2 , i 1,2,3,...
c = = . entonces el intervalo entre un nmero real cualquiera y el si-

guiente es | = co .
0.2.2 FUENTES DE ERROR POR REDONDEO.
Para visualizar sin confusin las fuentes de error en el redondeo de nmeros de punto flotante se usar siempre
la base 10. Los errores por redondeo se presentan en cualquier operacin aritmtica con nmeros de punto flo-
tante, pero se hacen especialmente notables en los siguientes casos:
Adicin de un nmero pequeo a otro grande o resta de un nmero pequeo de otro grande.
Resta de nmeros muy cercanos.
Supngase que se desea sumar los nmeros 45.238 y 0.00000234 y obtener el resultado a cinco dgitos signi-
ficativos de precisin, entonces se procede de la siguiente forma
2
2
2
10 0.45238
10 0.00000
10 45238 . 0
+

entonces para una suma, a cinco dgitos de precisin el sumar 45.2389 a 0.00000234, resulta como sumar
45.2389 a 0, es decir se pierden cifras decimales del segundo sumando, para evitar ello es necesario realizar la
operacin al doble de precisin, es decir, diez dgitos significativos para obtener el valor correcto, as pues
2
2
2
10 34 0.45238002
10 34 0.00000002
10 4523800000 . 0
+

El mismo error surge si se resta un nmero pequeo de otro grande.
Si un mtodo numrico posee varias operaciones de esta clase, es obvio que el error de redondeo se acumular
pudiendo convertirse en un error significativo en el resultado final.
Ahora, se desea restar 3.456789 de 3.456723 y obtener el resultado con cinco cifras significativas de preci-
sin, entonces se proceder as...
-1
-1
1
10 0.00000
10 0.34567
10 34567 . 0


es decir, para la computadora el resultado es 0, lo cual obviamente no es as; para evitar las perdida de las ci-
fras decimales que dan el valor verdadero, es necesario aumentar la precisin a siete dgitos, obtenindose en
dicho caso...
-1
-1
1
10 0.0000066
10 0.3456723
10 3456789 . 0

que da el resultado correcto. Igualmente que en el caso anterior, la acumulacin de errores de redondeo de este
tipo, puede arrojar una solucin poco confiable. Un procedimiento numrico que se enmarca dentro de este
ltimo tipo de error es la resolucin aproximada por frmula de una ecuacin de segundo grado, como lo mues-
tra el siguiente ejemplo
Resolver la ecuacin + =
2
x 1357x 1 0 , con tres dgitos significativos de precisin.
Se procede de la siguiente forma:
+ +
= = =
2
1
( 1357) ( 1357) 4(1)(1) 1357 1356.999
x 1356.999
2 2

= = =
2
2
( 1357) ( 1357) 4(1)(1) 1357 1356.999
x 0.000
2 2

el primer resultado es relativamente ms correcto, no as el segundo, pues la cercana de los valores en la resta,
produce un error de redondeo que genera un valor errneo. Este error se puede evitar de dos formas, en este
caso, aumentando la precisin o racionalizando la expresin para x
2
y con ello eliminar la fuente de error(la resta
de nmeros cercanos). Para este proceso numrico por ejemplo se podra cuantificar el error cometido, toman-
do como valor exacto los resultados obtenidos con seis cifras decimales de precisin, es decir...
+ +
= = =
2
1
( 1357) ( 1357) 4(1)(1) 1357 1356.998526
x 1356.999263
2 2

= = =
2
2
( 1357) ( 1357) 4(1)(1) 1357 1356.998526
x 0.000737
2 2

por lo tanto, los errores relativos porcentuales para cada resultado son...
= =
1
1356.999263 1356.999
E 100 0.00001%
1356.999263

= =
2
0.000737 0.000
E 100 100%
0.000737

lo que muestra la magnitud del error en el segundo resultado.
0.2.3 CIFRAS DECIMALES Y CIFRAS SIGNIFICATIVAS.
Como se ha visto un nmero obtenido de una computadora, en la mayora de los casos, no puede ser expresa-
do con todas las cifras decimales para poder afirmar que sea exacto, entonces es necesario trabajar el nmero
con cierta cantidad de cifras decimales, de acuerdo a la precisin establecida. Los nmeros as expresados se

denominan nmeros o valores aproximados(correspondiente a X como se defini en (0.1)), y son de esta mane-
ra como se obtienen los resultados en los mtodos numricos.
Cifras decimales son todos los dgitos que se hallan a continuacin del punto decimal en un nmero de punto
flotante, as por ejemplo los nmeros 0.03456 y 0.245073 tienen 5 y 6 cifras decimales de precisin respecti-
vamente. Si se desea aproximar a 4 y 5 cifras decimales de precisin respectivamente los anteriores nmeros
se puede proceder de dos maneras distintas:
(a) Cortar los nmeros a 4 y 5 cifras decimales,
(b) Redondear los nmeros a 4 y 5 cifras decimales.
Para el primer caso los nmeros se convierten en 0.0345 y 0.24507 y para el segundo caso se transforman en
0.0346 y 0.24507. Para redondear las cifras decimales se tiene en cuenta la siguiente regla: si la ltima cifra
decimal es inferior a 5 se redondea hacia el valor inmediatamente inferior, y si la ltima cifra decimal es 5 o su-
perior a 5 se redondea hacia el valor inmediatamente superior. Dos nmeros aproximados son iguales si al re-
dondearse al mismo nmero de cifras decimales de precisin son idnticos, as por ejemplo 4.30235 y 4.30167
son iguales si se redondean a 3 cifras decimales de precisin, pues dan como resultado 4.302 en ambos casos,
pero son diferentes si se redondean a 4 cifras decimales de precisin, pues el primero da 4.3024 y el segundo
4.3017.
Cifras significativas son los dgitos que se hallan a continuacin del punto decimal de un nmero de punto flo-
tante en su forma normalizada, as por ejemplo todos los siguientes nmeros tienen 4 cifras significativas,
0.01342 , 25.06, 4321, pues expresados en forma normalizada a 4 cifras decimales de precisin producen
0.134210
1
, 0.250610
2
, 0.432110
4
respectivamente. La misma regla de redondeo que se utilizo para cifras
decimales se puede aplicar a las cifras significativas y el mismo criterio de igualdad que se empleo para cifras
decimales es aplicable a las cifras significativas. En el caso de nmeros enteros que posean acumulacin de ce-
ros a su derecha el nmero de cifras significativas puede diferir para un mismo nmero, as por ejemplo el
nmero 235000 puede tener 3, 4, 5 6 cifras significativas dependiendo de las siguientes formas normalizadas
0.23510
6
, 0.235010
6
, 0.2350010
6
y 0.23500010
6
. De forma prctica, se puede afirmar que las cifras sig-
nificativas representan el nmero de cifras confiables que se pueden utilizar en un nmero aproximado.
Como se vio en la seccin 0.2, el principio aplicable a la cuantificacin del error relativo porcentual (o porcen-
tual aproximado) era < E tol <
a
E tol y para el error absoluto( absoluto aproximado) < e tol <
a
e tol ,
pero no se dijo mucho acerca del valor que se fija para tol. Ahora se puede profundizar en dicho principio afir-
mando que si
=
2 k
tol (0.5x10 )%, entonces el valor o nmero aproximado(iteracin anterior para los mtodos
iterativos) obtenido mediante el mtodo numrico aplicado tiene al menos k cifras significativas correctas con
respecto al valor exacto(iteracin actual para los mtodos iterativos) y si
=
k
tol (0.5x10 ) , entonces el valor o
nmero aproximado(iteracin anterior para los mtodos iterativos) tiene al menos k cifras decimales correctas
con respecto al valor exacto(iteracin actual para los mtodos iterativos). Entonces un criterio de cuantificacin
del error en los mtodos numricos para detener su proceso de ejecucin es...

= s = s
k 2 k
x X
e x X 0.5 10 E 100 (0.5 10 )%
x

para un mtodo numrico en general, y
+
+
+
= s = s
k 2 k i 1 i
a i 1 i a
i 1
x x
e x x 0.5 10 E 100 (0.5 10 )%
x

para un mtodo numrico iterativo.
(0.11)
(0.12)

Para las siguientes parejas de nmeros, determinar con cuantas cifras decimales exactas y con cuantas cifras
significativas exactas X aproxima a x. Determinar adems el error absoluto y relativo cometido en cada caso.
i.) = = x 2.35678 X 2.3459
ii.) = =
5
x X 0.45455
11

iii.) = = x 0.0025365 X 0.0024674
Para este caso x y X coinciden en 1 cifra decimal exacta(3) y en 2 cifras significativas exactas(2 y 3) y...
= = s =
1
e 2.35678 2.3459 0.01088 0.5 10 0.05
= = s =
2 2
2.35678 2.3459
E 100 0.46% (0.5 10 )% 0.5%
2.35678

confirman el principio expresado mediante la relacin (0.11).
En este caso x y X coinciden en 4 cifras decimales exactas (4,5,4 y 5) y en 4 cifras significativas exactas(4,5,4
y 5) adems...
= = s =
4
e 0.454545... 0.45455 0.000000454 0.5 10 0.00005
= = s =
2 4
0.454545... 0.45455
E 100 0.001% (0.5 10 )% 0.05%
0.454545...

nuevamente se confirma la relacin (0.11).
Aqu x y X coinciden en 3 cifras decimales exactas (0,0 y 2) y en 1 cifra significativa exactas(2) siendo...
= = s =
3
e 0.0025365 0.0024674 0.0000691 0.5 10 0.0005
= = s =
2 1
0.0025365 0.0024674
E 100 2.72% (0.5 10 )% 5%
0.0025365

y tambin se vuelve a verificar la relacin (0.11).
E Ej je em mp pl lo o 0 0. .1 10 0
En que rango debe hallarse el valor aproximado X, para que se aproxime a x = 0.022156, con 3 cifras signifi-
cativas?
Por la expresin (0.11)...
= s =
2 3
0.022156 X
E 100 (0.5 10 )% 0.05%
0.022156

es decir...
000011078 . 0
100
) 022156 . 0 )( 05 . 0 (
X 022156 . 0 = s

de donde resolviendo la desigualdad, se tiene...

022167078 . 0 X 022144922 . 0
000011078 . 0 022156 . 0 X 000011078 . 0 022156 . 0
s s
+ s s

cualquier nmero dentro de este rango tendr por lo menos 3 cifras significativas con respecto a x = 0.022156.
Como resultados de un mtodo numrico iterativo se obtienen los siguientes valores(redondeados a su ltima
cifra decimal)...
i 0 1 2 3 4 5 6
x
i
3 2.5 2.4938315715 2.4759527368 2.4753677501 2.4753532325 2.4753532211
Determinar el nmero de cifras significativas que se obtienen para x
4
x
5
y x
5
x
6
.
Para x
4
y x
5
, se tiene x
i+1
= x
5
= 2.4753532325 y x
i
= x
4
= 2.4753677501, entonces por la expresin (0.12)...
= s
2 k
a
2.4753532325 2.4753677501
E 100 0.5 10
2.4753532325

598475 0.00058648 10 5 . 0
k 2
>

tomando logaritmos en base 10 en cada extremo de la desigualdad...
60 4.93071236 k
598475) 0.00058648 ( log 2 ) 5 . 0 ( log k
598475) 0.00058648 ( log k 2 ) 5 . 0 ( log
598475) 0.00058648 ( log ) 10 5 . 0 ( log
10 10
10 10
10
k 2
10
s
+ s
> +
>

por lo tanto x
4
tiene al menos k = 4 cifras significativas exactas con respecto a x
5
.
Por otro lado para x
5
y x
6
, se tiene x
i+1
= x
6
= 2.4753532211 y x
i
= x
5
= 2.4753532325, entonces por la ex-
presin (0.12)...
= s
2 k
a
2.4753532211 2.4753532325
E 100 0.5 10
2.4753532211

054890831 0.00000046 10 5 . 0
k 2
>

tomando logaritmos en base 10 en cada extremo de la desigualdad...
71 8.03569424 k
054890831) 0.00000046 ( log 2 ) 5 . 0 ( log k
054890831) 0.00000046 ( log k 2 ) 5 . 0 ( log
054890831) 0.00000046 ( log ) 10 5 . 0 ( log
10 10
10 10
10
k 2
10
s
+ s
> +
>

por lo tanto x
5
tiene al menos k = 8 cifras significativas exactas con respecto a x
6
.
0.3 PRECISIN EN DERIVE 6.
Derive 6 posee tres formas de precisin para trabajar con nmeros en clculos numricos u operaciones
aritmticas, estas son:
Precisin en modo exacto.

Precisin en modo aproximado.
Precisin en modo mixto.
Los tres modos de precisin se pueden obtener mediante la orden Definir/Preferencias de Simplificacin... , en
cuyo caso aparece el cuadro de dilogo...

En la zona Precisin, del cuadro de dilogo anterior, aparecen las casillas de seleccin:
Modo: para escoger el modo de precisin (Aproximado = Approximate, Exacto = Exact y Mixto = Mixed), y
Dgitos: para elegir el nmero de cifras significativas con las cuales van a trabajar los modos Exacto y Mixto
(Derive 6 trabaja con 10 cifras significativas por defecto).
Derive 6 almacena internamente todos los nmeros reales como enteros o como un cociente entre enteros, es
decir, como fracciones y todas las operaciones realizadas se realizan utilizando aritmtica racional.
La precisin en modo exacto significa que Derive 6 trabaja los nmeros irracionales en modo exacto, as por
ejemplo para efectos de clculo aritmtico 2 ser 2 y no 1.414213... Derive 6 en este caso utiliza mucha
ms memoria para almacenar los nmeros racionales, los cuales son expresados en forma de cociente entre
enteros, as en modo exacto 1.5 se expresa como
3
2
o 2.34657 como
234657
100000
; la precisin en modo exacto
es la precisin por defecto en Derive 6.
En la precisin en modo aproximado, Derive 6 corta un nmero de acuerdo al nmero de cifras significativas in-
dicadas en la casilla de seleccin Dgitos: as entonces los nmeros 2.1354678... , 0.02345676... ,
0.0001232597... se expresan en modo aproximado con Dgitos: 5 como 2.1354 , 0.023456 y 0.00012325 res-
pectivamente. Ntese que Derive 6 considera el corte para las cifras significativas y no para las cifras decimales
y adems no utiliza redondeo.
Para la precisin en modo mixto, Derive 6 trata a los nmeros decimales e irracionales de acuerdo a la preci-
sin en modo aproximado y a los nmeros expresados como fracciones en precisin en modo exacto, de esta
forma los nmeros
12
13
, 4.285679 y 5 sern expresados en modo mixto (con Dgitos: 5) como
12
13
, 4.2856
y 2.2360 respectivamente.
A pesar de encontrarse elegida la opcin de precisin en modo exacto, se puede expresar el resultado en modo

aproximado, si se selecciona el nmero y se hace clic sobre el botn
Escribir una funcin en Derive 6, que permita determinar el psilon de la mquina para una precisin dada.
Se defini al psilon de la mquina como el nmero ms pequeo c = 2 i, i = 1,2,3,... tal que 1 + c = 1. La
siguiente funcin c(n), determina un vector en el cual aparecen todos los posibles valores de psilon (valores
que cumplen con 1 + c = 1), obviamente el ms pequeo de ellos ser el correcto...
#1: c(n) := VECTOR([i,IF(1 + 2^(i) = 1, "posible c", " no es c"), IF(1 + 2^(i) = 1, 2^(i), "***")], i, 1, n)
Para una precisin de modo aproximado con Dgitos: 6, y tomando n = 18, la funcin produce el vector...
1 posible 0.5
2 posible 0.25
3 posible 0.125
4 posible 0.0625
5 posible 0.03125
6 posible 0.015625
7 posible 0.0078125
8 posible 0.00390625
9 posible
(18)
10 posible
11 posible
0.00195312
0.000976562
0.0004882
c
c
c
c
c
c
c
c
c
c =
c
c
12 posible
13 posible
14 posible
15 posible
16 no es ***
17 no es ***
18 no es ***
81
0.000244140
0.000122070
0.0000610351
0.0000305175
c
c
c
c
c
c
c
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(

De los posibles valores de c, el ms pequeo y el correcto obviamente es 0.0000305175; esto quiere decir que
a partir de este valor para la precisin con 6 dgitos cualquier valor mayor sumado a 1 dar como resultado un
nmero diferente de 1.
20 Interpolacin Polinmica

C CA AP P T TU UL LO O 1
1
I IN NT TE ER RP PO OL LA AC CI I N N P PO OL LI IN N M MI IC CA A

Este captulo va a estudiar el problema de la interpolacin polinmica, que consiste en hallar una depen-
dencia funcional de tipo polinmico, entre dos conjuntos de igual nmero de datos, uno especifica el argumento
y el otro su correspondiente funcin. El objetivo es encontrar cualquier valor de la funcin dentro del intervalo en
que se hallan los valores del argumento, aunque tambin la interpolacin polinmica es bsica en posteriores
captulos.
Definicin (Interpolacin Polinmica). Dado un conjunto de (n + 1) valores, f
0
, f
1
, f
2
, ... ,f
n
, que representan a
una funcin y su correspondiente conjunto de (n + 1) valores del argumento x
0
, x
1
, x
2
, ... , x
n
, tal que: a < x
0
<
x
1
< x
2
< ... < x
n
< b, existe un nico polinomio P(x) de grado n, el cual cumple la condicin...
= =
i i
f P(x ) i 0,1,2,...,n
Los valores x
i
, i = 1,2,...,n, se denominan nodos o puntos de interpolacin.
Una vez determinado P(x), es posible hallar el valor del mismo para un argumento x
r
(a< x
r
< b). Este resultado
es una aproximacin a f
r
.
1.1 INTERPOLACIN POLINMICA POR EL MTODO GENERAL O DE SERIE DE POTENCIAS
El polinomio P(x) se puede expresar mediante un polinomio de grado n, como...
= + + + +
2 n
0 1 2 n
P(x) a a x a x ... a x
donde a
i
son los coeficientes por determinarse. Aplicando la condicin f
i
= P(x
i
), a cada punto (x
i
, f
i
), se obtiene
el siguiente sistema de ecuaciones...
= + + + + +
2 3 n
0 0 1 0 2 0 3 0 n 0
f a a (x ) a (x ) a (x ) ... a (x )
2 3 n
1 0 1 1 2 1 3 1 n 1
f a a (x ) a (x ) a (x ) ... a (x ) = + + + + +
.
.
2 3 n
n 0 1 n 2 n 3 n n n
f a a (x ) a (x ) a (x ) ... a (x ) = + + + + +
que expresado matricialmente es...
f XA =
donde
( ( (
( ( (
( ( (
= = =
( ( (
( ( (
(

2 3 n
0 0 0 0 0 0
2 3 n
1 1 1 1 1 1
2 3 n
n n n n n n
f a 1 x x x .. x
f a 1 x x x .. x
f X A
. . . . . . .. .
f a 1 x x x .. x

Para escribir el polinomio (1.1), debe hallarse A dados f y X. Con ello en mente, se multiplica ambos lados de la
ecuacin matricial (1.3) por X
1
, obtenindose...
1 1
X f X XA

=
entonces
(1.1)
(1.2)
(1.3)

1
A X f
=
expresin que permite calcular A, para escribir P(x).
Se defini al polinomio P(x) como nico, esto se puede verificar fcilmente al observar que el determinante de la
matriz de coeficientes(conocido usualmente en el lgebra Lineal como determinante de Vandermonde) del sis-
tema de ecuaciones lineales (1.2) es...
( )
j i
j i
j i
n
n
3
n
2
n n
n
1
3
1
2
1 1
n
0
3
0
2
0 0
x x 0 x x
x . x x x 1
. . . . . .
x . x x x 1
x . x x x 1
= = =
[
>

y por lo tanto el conjunto solucin a
0
, a
1
, ... , a
n
es nico y el polinomio P(x) tambin.
1.1.1 POLINOMIO DE INTERPOLACIN POR EL MTODO GENERAL CON DERIVE 6.
En Derive 6, por programacin funcional, es factible crear un archivo de utilidad para el clculo del polinomio de
interpolacin mediante el mtodo general. Las siguientes lneas de programacin conforman el mencionado ar-
chivo...
#1: Precision := Approximate
#2: Matriz X, construida a partir del conjunto de datos, d
#3: X_(d) := VECTOR(VECTOR((d+1+i)^n, n, 0, DIM(d`) 1), i, 1, DIM(d`))
#4: Matriz A = X^(1)f
#5: A(d) := (X_(d)^(1))d+2
#6: Polinomio de interpolacin por el mtodo general
#7: P_MG(d, x) := A(d)VECTOR(x^(i 1), i, 1, DIM(d))

Dado el conjunto de datos...

Por el mtodo general encontrar los coeficientes del polinomio de interpolacin ajustado a dichos valores, se-
guidamente determinar f para x = 2.5 y x = 3.2. Utilizar corte a 6 cifras decimales
(a) Se forma la matriz X
2
2
2
1 1.3 1.3 1 1.3 1.69
X 1 2.7 2.7 1 2.7 7.29
1 3.6 3.6 1 3.6 12.96
(
(
(
(
= =
(
(
(
(

(b) Se calcula su matriz inversa, X
1

-1
1 1.3 1.69 1 0 0 1 1.3 1.69 1 0 0 1 1.3 1.69 1 0 0
X 1 2.7 7.29 0 1 0 0 1.4 5.6 1 1 0 0 1 4 0.714285 0.714285 0
1 3.6 12.96 0 0 1 0 2.3 11.27 1 0 1 0 2.3 11.27 1 0 1
( ( (
( ( (
= = =
( ( (
( ( (

1 1.3 1.69 1 0 0 1 1.3 1.69 1 0 0
0 1 4 0.714285 0.714285 0 0 1 4 0.714285 0.714285 0
0 0 2.07 0.642857 1.642857 1 0 0 1 0.310559 0.79365 0.483091
( (
( (
= =
( (
( (

x 1.3 2.7 3.6
f 3.63 4.18 4.54
(1.4)

1 1.3 0 0.475155 1.341269 0.816425 1 0 0 3.018633 3.714285 1.695652
0 1 0 1.956521 3.888888 1.932367 0 1 0 1.956521 3.888888 1.932367
0 0 1 0.310559 0.79365 0.483091 0 0 1 0.310559 0.79365 0.483091
( (
( (
= =
( (
( (

-1
3.018633 3.714285 1.695652
X 1.956521 3.888888 1.932367
0.310559 0.79365 0.483091
(
(
=
(
(

(c) Los coeficientes del polinomio de interpolacin son entonces
3.018633 3.714285 1.695652 3.63 3.130186
A 1.956521 3.888888 1.932367 4.18 0.380434
0.310559 0.79365 0.483091 4.54 0.003105
( ( (
( ( (
= =
( ( (
( ( (

finalmente
2
P(x) 3.130186 0.380434x 0.003105x = + +

y,
P(2.5) 4.100683 P(3.2) 4.379378 = =

Empleando Derive 5, para el conjunto de datos...
x

0 2 5 6 7
f 10 7 0 2 9
Escribir y graficar un polinomio de interpolacin de grado 4 mediante el mtodo general. Utilizar una precisin
de 10 cifras significativas.
Ejecutando la funcin P_MG([0, 2, 5, 6, 7; 10, 7, 0, 2, 9], x) el polinomio obtenido es...
= + + +
4 3 2
P(x) 0.2464285714x 3.411904761x 14.43928571x 15.70238095x 10
Su grfica es
2 0 2 4 6 8
40
20
20

1.2 INTERPOLACIN LINEAL.
Al elegir dos puntos para efectuar una interpolacin, el polinomio de interpolacin expresado por el mtodo ge-
neral es una funcin lineal y la interpolacin entre dichos puntos se denomina interpolacin lineal. Es muy sim-
ple deducir la ecuacin para este mtodo de interpolacin en base a lo desarrollado para el mtodo general,
P(x)

as
Sean los puntos x
i
y x
i+1
correspondientes a f
i
y f
i+1
, los coeficientes de interpolacin a
0
y a
1
, estn dados
por...
i 0 1 i
f a a x = +
i 1 0 1 i 1
f a a x
+ +
= +
de donde despejando a
0
y a
1
...
i 1 i
0 i i
i 1 i
f f
a f x
x x
+
+

i 1 i
1
i 1 i
f f
a
x x
+
+

por lo que...
i 1 i i 1 i
L i i
i 1 i i 1 i
f f f f
P(x) f x
x x x x
x
+ +
+ +

= +

reacomodando los trminos la expresin (1.7), se tiene...
i 1 i i i 1 i 1 i
L
i 1 i i 1 i
x f x f f f
P(x)
x x x x
x
+ + +
+ +
| | | |
= +
| |

\ . \ .

que es la frmula para la interpolacin lineal; en sta los valores x
i
, x
i+1
, f
i
y f
i+1
, son datos conocidos, por lo
que la ecuacin corresponde a una lnea recta
L
i 1 i i i 1 i 1 i
i 1 i i 1 i
P(x) A B
x f x f f f
donde A y B
x x x x
x
+ + +
+ +
= +
| | | |
= =
| |

\ . \ .

1.2.1 INTERPOLACIN LINEAL CON DERIVE 6.
En Derive 5, mediante programacin funcional, la utilidad expresada por las siguientes lneas de programacin
permite determinar el polinomio de interpolacin lineal para una pareja de puntos, as como para toda un conjun-
to de ellos...
#2: Ecuacin de interpolacin lineal para parejas de datos consecutivos i e i + 1 de un conjunto de datos, d
#3: [(d+1+(i+1)d+2+i d+1+id+2+(i+1))/(d+1+(i+1) d+1+i), (d+2+(i+1) d+2+i)/(d+1+(i+1) d+1+i)]
#4: INT_LINEAL(d, i, x) := #3+1 + (#3+2)x
Para el conjunto de datos dado por...
x 0 2 5 6 7
f 10 7 0 2 9
Calcular el valor de f para x = 3 y x = 6.5 mediante interpolacin lineal.
Para x = 3
i 0 1
x
i
2 3 5
f
i
7 ? 0
1 0 0 1 1 0
L
1 0 1 0
x f x f f f (5)(7) (2)(0) 0 7 35 7
P(x) x x x
x x x x 5 2 5 2 3 3
| | | | | | | |
= + = + =
| |
| |

\ . \ .
\ . \ .

(1.5)
(1.7)
(1.8)
(1.9)
(1.6)

L
35 7 14
P (3) (3) 4.666666
3 3 3
= = =

Para x = 6.5
i 0 1
x
i
6 6.5 7
f
i
2 ? 9
1 0 0 1 1 0
L
1 0 1 0
x f x f f f (7)(2) (6)( 9) 9 2
P(x) x x 68 11x
x x x x 7 6 7 6
| | | | | | | |
= + = + =
| |
| |

\ . \ .
\ . \ .

L
P (3) 68 11(6.5) 3.5 = =

Para el conjunto de datos...

Calcular, utilizando Derive 5, el valor de f para x = 2.5 y x = 4.3 mediante interpolacin lineal y compararlos
con los valores obtenidos mediante el polinomio de interpolacin por el mtodo general. Adems graficar el po-
linomio de interpolacin lineal, el polinomio de interpolacin obtenido por el mtodo general y los puntos (x, f).
Para x = 2.5, utilizando la instruccin INT_LINEAL([1.3, 2.7, 3.6, 5.2; 3.63, 4.18, 4.54, 2.07], 1, x), se obtie-
ne
1
L(x) 0.3928571428x 3.119285714 = +
substituyendo x = 2.5, resulta
4.101428
Para x = 4.3, mediante la instruccin INT_LINEAL([1.3, 2.7, 3.6, 5.2; 3.63, 4.18, 4.54, 2.07], 3, x), se obtie-
ne
2
L (x) 1.54375x 10.0975 = +
substituyendo x = 4.3, da
3.459375
La instruccin P_MG([1.3, 2.7, 3.6, 5.2; 3.63, 4.18, 4.54, 2.07], x), genera
3 2
P(x) 0.2001552795x 1.524285714x 3.204346273x+5.659348447 = +
que substituyendo para x = 2.5 y x = 4.3, da
4.047842236 para x 2.5
4.150956517 para x 4.3
=
=

Los valores calculados por interpolacin lineal y el mtodo general se comparan en la siguiente tabla

x 1.3 2.7 3.6 5.2
f 3.63 4.18 4.54 2.07
M. General Int. Lineal Error absoluto M. General Int. Lineal Error absoluto
x 2.5 2.5 ------ 3.2 3.2 -----
f 4.047842 4.101428 0.053585 4.150956 3.459375 0.691581

Graficando
0 1 2 3 4 5 6
2
4
6
)
2.5 4.3

1.3 POLINOMIO DE INTERPOLACIN DE LAGRANGE.
A pesar de que el polinomio de interpolacin es nico como se explico al final de la seccin 1.1, es conveniente
estudiar un mtodo ms fcil de determinarlo sin tener que resolver el sistema f = XA. ste se halla de una ma-
nera ms directa y sencilla, mediante el mtodo denominado de Lagrange.
Definicin (Polinomio bsico de Lagrange o funcin de forma). Sea un conjunto de (n + 1) nodos de interpola-
cin x
1
,x
2
,...,x
n
, entonces el polinomio L
i
(x), llamado polinomio bsico de Lagrange o funcin de forma se define
por...
n ,1,2,..., 0 i ,
) x (x
) x (x
) x (x ) x )(x x (x ) x )(x x (x
) x (x ) x )(x x (x ) x )(x x (x
(x) L
n
i j
0 j j i
j
n i 1 i i 1 i i 1 i 0 i
n 1 i 1 i 1 0
i
=
=

=
[
=
= +
+

Ntese que el polinomio bsico de Lagrange no contiene el trmino (x x
i
) en el numerador, ni el trmino (x
i

x
i
) en el denominador, ste ltimo por obvias razones. Resulta evidente que L
i
(x) es un polinomio de grado n y
que...
0 ) x (x L
1 ) (x L
i j i
i i
= =
=

Teorema. Sea un conjunto de (n + 1) puntos (x
0
,y
0
) , (x
1
,y
1
),..., (x
n
, y
n
), entonces el polinomio de interpolacin
para dicho conjunto de datos se puede escribir como...
n
0 0 1 1 n n i i
i 0
P(x) f L (x) f L(x) ... f L (x) fL(x)
=
= + + + =

llamado polinomio de interpolacin de Lagrange.
Es sencillo comprobar que el polinomio de interpolacin de Lagrange cumple la definicin de interpolacin poli-
nomial, pues la propiedad (1.10) de los polinomios bsicos de Lagrange as lo permite.
Para el conjunto de datos...

(1.10)
P(x)
L1(x)
L2(x)

i 0 1 2 3 4 5
x x
0
x
1
x
2
X
3
x
4
x
5

f f
0
f
1
f
2
f
3
f
4
f
5

Determinar el polinomio de interpolacin de Lagrange.
Los polinomios bsicos de Lagrange o funciones de forma se escriben como...
) x x )( x x )( x x )( x x )( x x (
) x x )( x x )( x x )( x x )( x x (
) x ( L
5 0 4 0 3 0 2 0 1 0
5 4 3 2 1
0

=

) x x )( x x )( x x )( x x )( x x (
) x x )( x x )( x x )( x x )( x x (
) x ( L
5 1 4 1 3 1 2 1 0 1
5 4 3 2 0
1

=

) x x )( x x )( x x )( x x )( x x (
) x x )( x x )( x x )( x x )( x x (
) x ( L
5 2 4 2 3 2 1 2 0 2
5 4 3 1 0
2

=

) x x )( x x )( x x )( x x )( x x (
) x x )( x x )( x x )( x x )( x x (
) x ( L
5 3 4 3 2 3 1 3 0 3
5 4 2 1 0
3

=

) x x )( x x )( x x )( x x )( x x (
) x x )( x x )( x x )( x x )( x x (
) x ( L
5 4 3 4 2 4 1 4 0 4
5 3 2 1 0
4

=

) x x )( x x )( x x )( x x )( x x (
) x x )( x x )( x x )( x x )( x x (
) x ( L
4 5 3 5 2 5 1 5 0 5
4 3 2 1 0
5

=

y el polinomio de interpolacin de Lagrange es...
1 2 3 4 5 0 2 3 4 5
0 1
0 1 0 2 0 3 0 4 0 5 1 0 1 2 1 3 1 4 1 5
0 1 3 4 5
2 0 2 1 2 3 2 4
(x x )(x x )(x x )(x x )(x x ) (x x )(x x )(x x )(x x )(x x )
P(x) f f
(x x )(x x )(x x )(x x )(x x )
(x x )(x x )(x x )(x x )(

= + +

0 1 2 4 5
2 3
2 5 3 0 3 1 3 2 3 4 3 5
0 1 2 3 5 0 1 2 3 4
4
4 0 4 1 4 2 4 3 4 5 5 0 5 1 5 2 5
(x x )(x x )(x x )(x x )(x x )
f f
x x ) (x x )(x x )(x x )(x x )(x x )
f
(x x )(x x )(x x )(x x )(x x ) (x x )(x x )(x x )(x

+ +

+

5
3 5 4
f
x )(x x )

es fcil notar que el orden del polinomio es n = 5.
Encontrar el polinomio de interpolacin mediante el mtodo de Lagrange, para el siguiente conjunto de datos:
x 0 1 3 7 9
y 2 1 0 5 3
0
( 1)( 3)( 7)( 9) ( 1)( 3)( 7)( 9)
( )
(0 1)(0 3)(0 7)(0 9) 189
x x x x x x x x
L x

= =

1
( 0)( 3)( 7)( 9) ( 0)( 3)( 7)( 9)
( )
(1 0)(1 3)(1 7)(1 9) 96
x x x x x x x x
L x

= =

2
( 0)( 1)( 7)( 9) ( 0)( 1)( 7)( 9)
( )
(3 0)(3 1)(3 7)(3 9) 144
x x x x x x x x
L x

= =

3
( 0)( 1)( 3)( 9) ( 0)( 1)( 3)( 9)
( )
(7 0)(7 1)(7 3)(7 9) 336
x x x x x x x x
L x

= =


4
( 0)( 1)( 3)( 7) ( 0)( 1)( 3)( 7)
( )
(9 0)(9 1)(9 3)(9 7) 864
x x x x x x x x
L x

= =

entonces,
( 1)( 3)( 7)( 9) ( 0)( 3)( 7)( 9) ( 0)( 1)( 7)( 9)
( ) ( 2) ( 1) (0)
189 96 144
( 0)( 1)( 3)( 9) ( 0)( 1)( 3)( 7)
(5) ( 3)
336 864
x x x x x x x x x x x x
P x
x x x x x x x x

= +

+
2( 1)( 3)( 7)( 9) ( 3)( 7)( 9) 5 ( 1)( 3)( 9)
( )
189 96 336
3 ( 1)( 3)( 7)
864

= +

x x x x x x x x x x x x
P x
x x x x

1.3.1 POLINOMIO DE INTERPOLACIN DE LAGRANGE CON DERIVE 6.
En Derive 5 las siguientes lneas de programacin permiten determinar el polinomio de interpolacin de Lagran-
ge para una serie de datos...
#2: Funcin de forma jsima
#3: FUNC_FORMA_J(d, j, x) := PRODUCT(IF(i = j,(x d+1+i)/(d+1+j d+1+i),1), i, 1, DIM(d`))
#4: Todas las funciones de forma para el conjunto de datos
#5: FUNC_FORMA(d, x) := VECTOR(FUNC_FORMA_J(d, j, x),j,1,DIM(d`))
#6: Polinomio de interpolacin de Lagrange
#7: P_LAG(d, x) := FUNC_FORMA(d, x)d+2
En la siguiente tabla se dan los valores de x y = redondeados hasta cuatro cifras decimales, para argumen-
tos desde 1 a 1.3 con pasos de 0.05...
x 1 1.05 1.1 1.15 1.2 1.25 1.3
f 1 1.0247 1.0488 1.0724 1.0954 1.1180 1.1402
Con Derive 5, hallar el polinomio de interpolacin de Lagrange, y calcular el valor de f para argumentos desde 1
a 1.3 con pasos de 0.025. Utilizar precisin de 6 dgitos.
La orden P_LAG([1, 1.05, 1.1, 1.15, 1.2, 1.25, 1.3; 1, 1.0247, 1.0488, 1.0724, 1.0954, 1.1180, 1.1402], x)
genera el polinomio
6 5 4 3 2
88.8887x 613.332x 1760.22x 2689.53x 2307.67x 1054.81x 199.896 + + +

Para evaluar el polinomio de interpolacin de Lagrange dentro del conjunto de datos pedidos, se introducen las
siguientes lneas, dentro de la utilidad que contiene la funcin P_LAG(d, x), y luego se aplica la nueva funcin
P_LAG_(d, in, fin, o)...
#8: Generacin de los nodos de interpolacin
#9: X_(in, fin, o) := VECTOR(i, i, in, fin, o)
#10: Polinomio de Lagrange para el conjunto de nodos anterior
#11: P_LAG_(d, in, fin, o) := [X_(in, fin, o), VECTOR(P_LAG(d, (X_(in, fin, o))+i), i, 1, DIM(X_(in, fin, o)))]`

La nueva orden P_LAG_([1, 1.05, 1.1, 1.15, 1.2, 1.25, 1.3; 1, 1.0247, 1.0488, 1.0724, 1.0954, 1.1180,
1.1402], 1, 1.3, 0.025) genera el vector

1 1
1.025 1.01247
1.05 1.0247
1.075 1.03680
1.1 1.0488
1.125 1.06067
1.15 1.0724
1.175 1.08396
1.2 1.0954
1.225 1.10673
1.25 1.118
1.275 1.12919
1.3 1.1402
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
( (

En la columna 1 se muestran los valores desde 1 hasta 1.3 en pasos de 0.025, y la columna 2, los correspon-
dientes valores del polinomio de interpolacin de Lagrange.
1.4 DIFERENCIAS DIVIDIDAS.
Definicin (Diferencias divididas). Sea un conjunto de (n + 1) nodos de interpolacin x
i
para i = 0,1,2,...,n, y
considrese adems sus correspondientes valores para la funcin dados por f(x
i
) con i = 0,1,2,...,n, entonces
la relacin...
i 1 i 2 i n i i 1 i 2 i (n 1)
i i 1 i 2 i n
i n i
f[ x , x ,..., x ] f[ x , x , x ,..., x ]
f[ x , x , x ,..., x ]
x x
+ + + + + +
+ + +
+

se conoce como la diferencia dividida de n simo orden.
Esta definicin es bastante genrica, por lo que es necesario analizarla con mayor profundidad.
Las siguientes expresiones desarrollan en detalle la notacin indicial de la definicin anterior
La diferencia dividida de orden 0, para el punto x
i
es
i i
f[x ] f(x ) i 0,1,2,...,n = =

por lo tanto, las (n + 1) diferencias divididas de orden 0 para el conjunto de (n +1) puntos (x
0
, f(x
0
)), (x
1
, f(x
1
)),
(x
2
, f(x
2
)),, (x
n
, f(x
n
)) son
0 0 1 1 2 2 n n
f[x ] f(x ) f[x ] f(x ) f[x ] f(x ) . . . f[x ] f(x ) = = = =

La diferencia dividida de orden 1 para los puntos x
i
y x
i+1
es

i+1 i i+1 i
i i 1
i 1 1 i 1 i
f[x ] f[x ] f(x ) f(x )
f[x ,x ] i 0,1,2,...,n
x x x x
+
+ +

= = =

por lo que las n diferencias divididas de orden 1 se pueden expresar como...
1 0 2 1 n n 1
0 1 1 2 n 1 n
1 0 2 1 n n 1
f(x ) f(x ) f(x ) f(x ) f(x ) f(x )
f[x ,x ] f[x ,x ] . . . f[x ,x ]
x x x x x x

= = =

La diferencia dividida de orden 2, para los puntos x
i
, x
i+1
y x
i+2
se escribir...

i+1 i 2 i i 1
i i 1 i 2
i 2 i
f[x ,x ] f[x ,x ]
f[x ,x ,x ] i 0,1,2,...,n
x x
+ +
+ +
+
= =

entonces las (n 1) diferencias divididas de orden 2 sern...
1 2 0 1 2 3 1 2
0 1 2 1 2 3
2 0 3 1
n 1 n n 2 n 1
n 2 n 1 n
n n 2
f[x ,x ] f[x ,x ] f[x ,x ] f[x ,x ]
f[x ,x ,x ] f[x ,x ,x ] . . .
x x x x
f[x ,x ] f[x ,x ]
f[x ,x ,x ]
x x

= =

en consecuencia la nica diferencia dividida de orden n para los puntos x
i
, x
i+1
, x
i+2
,, x
i+n
se escribir de
acuerdo a la definicin dada.
Es importante resaltar que la notacin indicial de las diferencias divididas, es una nomenclatura nemnica que
ayuda a recordar fcilmente la correcta expresin para una diferencia dividida de cualquier orden. Los siguientes
ejemplos aclaran la definicin de diferencias divididas.
Escribir mediante notacin indicial todas las diferencias divididas para el conjunto de puntos (x
0
, f(x
0
)), (x
1
,
f(x
1
)), (x
2
, f(x
2
)), (x
3
, f(x
3
)) y (x
4
, f(x
4
)).
Considrese la siguiente simplificacin de nomenclatura
i i 1 i 2 i n i,i 1,i 2,...,i n
f[x ,x ,x ,...,x ] f
+ + + + + +
=

entonces, la siguiente tabla resume las diferencias pedidas
Nodo / Orden 0 1 2 3 4
x
0
f
0
= f(x
0
) f
0,1
f
0,1,2
f
0,1,2,3
f
0,1,2,3,4

x
1
f
1
= f(x
1
) f
1,2
f
1,2,3
f
1,2,3,4

x
2
f
2
= f(x
2
) f
2,3
f
2,3,4

x
3
f
3
= f(x
3
) f
3,4

x
4
f
4
= f(x
4
)
Si bien la notacin puede ser confusa, el siguiente ejemplo numrico muestra cuan sencillo es el clculo de las
diferencias divididas.
Determinar todas las diferencias divididas para el siguiente conjunto de datos
i 0 1 2 3
x 0 1 2 3
f 10 8 2 8
La correspondiente tabla de diferencias divididas es...


i x
i
f
i
f
i, i+1
f
i, i+1, i+2
f
i, i+1, i+2, i+3

0 0 10
2
8 10
1 0

6 ( 2)
2
2 0

=

2 ( 2)
0
0
3

=

1 1 8
6
2 8
2 1

10 ( 6)
2
3 1

=

2 2 2
8 2
3
10
2

=

3 3 8
Este procedimiento de clculo se puede extender para un conjunto de cualquier nmero de datos.
Algunas caractersticas importantes de las diferencias divididas son...
A medida que aumenta el orden de una diferencia, su nmero disminuye en uno; as, en la tabla de dife-
rencias para un conjunto de 8 datos por ejemplo, existirn: 7 diferencias de primer orden, 6 de segundo
orden, 5 de tercer orden, 4 de cuarto orden, 3 de quinto orden, 2 de sexto orden y 1 de sptimo orden.
La resta del ltimo y primero subndices representa el orden de la diferencia.
Si los datos (x
i
, f
i
) se toman de un polinomio p(x) de orden m, la columna para la diferencia de orden m se
convierte en una constante y la columna para la diferencia de orden (m + 1) se anula; sta caracterstica
permite reconocer el orden del polinomio del cual se extrajeron los datos, en base a una tabla de diferen-
cias, as en el ltimo ejemplo se puede decir que los datos x
i
y f
i
provienen de un polinomio de segundo
grado, pues la columna correspondiente a la diferencia de segundo orden da una constante ( 2) y la co-
lumna de la diferencia de tercer orden se anula.
Cuando entre los nodos de interpolacin existe una distancia idntica h (
i 1 i
h x x
+
= , i =0,1,2,,n), entonces
las diferencias divididas se pueden expresar como...
+ + +
A
= =
n
i
i i 1 i 2 i n n
f
f[ x , x , x ,..., x ] i 0,1,2,...,n
n!(h )

donde
n
i
f A es la denominada diferencia finita hacia adelante o diferencia finita progresiva de orden n, cuya es-
tructura se va a detallar y ejemplificar a continuacin.
La diferencia finita progresiva(llamada usualmente diferencia progresiva) de orden 0 es
0
i i
f f(x ) i 0,1,2,...,n A = =

La diferencia progresiva de orden 1 es

0 0
i i 1 i i+1 i
f f f f(x ) f(x ) i 0,1,2,...,n
+
A = A A = =

La diferencia progresiva de orden 2 se escribir...
2
i i 1 i
f f f i 0,1,2,...,n
+
A = A A =

entonces la diferencia progresiva de orden n se expresa como
(1.11)

n n 1 n 1
i i 1 i
f f f i 0,1,2,...,n

+
A = A A =

Si se tienen nodos equiespaciados se pueden utilizar las diferencias progresivas mediante el segundo miembro
de la expresin (1.11), para calcular de una manera ms simple las diferencias divididas.
Escribir mediante notacin indicial todas las diferencias progresivas para el conjunto de puntos equiespaciados
(x
0
, f(x
0
)), (x
1
, f(x
1
)), (x
2
, f(x
2
)), (x
3
, f(x
3
)) y (x
4
, f(x
4
)).
La siguiente tabla resume las diferencias pedidas

0
i
f
i
f
2
i
f
3
i
f
4
i
f
x
0
f
0
= f(x
0
)
0 0
1 0
1 0 0
f(x ) ( )
A A =
= A
f f
f x f

2
1 0 0
A A = A f f f
2 2 3
1 0 0
f f f A A = A
3 3 4
1 0 0
f f f A A = A
x
1
f
1
= f(x
1
)
0 0
2 1
2 1 1
f f
f(x ) f(x ) f
A A =
= A

2
2 1 1
f f f A A = A
2 2 3
2 1 1
f f f A A = A

x
2
f
2
= f(x
2
)
0 0
3 2
3 2 2
f f
f(x ) f(x ) f
A A =
= A

2
3 2 2
f f f A A = A

x
3
f
3
= f(x
3
)
0 0
4 3
4 3 3
f f
f(x ) f(x ) f
A A =
= A

x
4
f
4
= f(x
4
)

Determinar todas las diferencias progresivas para el siguiente conjunto de datos
i 0 1 2 3
x 3 5 7 9
f(x) 10 8 2 8
La correspondiente tabla de diferencias finitas progresivas es...
i x
i

0
i
f
i
f
2
i
f
3
i
f
0 3 2 4 2 6 =

5 ( 6 11 ) =

13 11 24 =

1 5 4
1 ( ) 5 4 =

1 8 3 5 =

2 7 1 7 1 8 =

3 9 7

Como se observa, el clculo de las diferencias finitas progresivas es an ms simple que el de las diferencias
finitas divididas, lo que las hace ms tiles, aunque es condicin indispensable para emplearlas el tener nodos
equiespaciados. El exponente que poseen el smbolo A de las diferencias finitas progresivas es nada ms una
indicacin de su orden; adems al igual que las diferencias finitas divididas su nmero disminuye en 1 al

aumentar el orden y presentan la misma caracterstica mencionada anteriormente para datos tomados de un
polinomio.
1.5 POLINOMIO DE INTERPOLACIN DE NEWTON.
Teorema. Para un conjunto de (n + 1) puntos (x
0
, f
0
), (x
1
, f
1
),..., (x
n
, f
n
), el polinomio de interpolacin de Newton
esta dado por...
) x x ( ) x x )( x x ( f ... ) x x )( x x ( f ) x x ( f f ) x ( P
1 n 1 0 n ,..., 2 , 1 , 0 1 0 2 , 1 , 0 0 1 , 0 0
+ + + + =

Es indispensable comprobar que la expresin anterior es correcta, para lo cual considrese que el polinomio de
interpolacin de Newton se puede expresar genricamente como...
) x x ( ) x x )( x x ( ... ) x x )( x x ( ) x x ( ) x ( P
1 n 1 0 n 1 0 2 0 1 0
o + + o + o + o =

donde los coeficientes o
0
,o
1
,o
2
,...,o
n
deben determinarse. A fin de encontrar dichos coeficientes se va a utilizar
la definicin de la interpolacin polinomial segn el cual debe cumplirse que...
0 0
P(x ) f =
1 1
P(x ) f =
2 2
P(x ) f =
.
.
n n
P(x ) f =
entonces...
0 0 0
P(x ) f = o =
1 0 1 1 0 1
P(x ) (x x ) f = o + o =
2 0 1 2 0 2 2 0 2 1 2
P(x ) (x x ) (x x )(x x ) f = o + o + o =
n 0 1 n 0 2 n 0 n 1 n n 0 n 1 n n 1 n
P(x ) (x x ) (x x )(x x ) ... (x x )(x x ) (x x ) f
= o + o + o + + o =
de las anteriores expresiones es notorio que los coeficientes o
0
,o
1
,o
2
,...,o
n
se pueden calcular de forma recur-
siva, pues conocido o
0
= f
0
, se halla o
1
y a partir de ste y o
0
se encuentra o
2
, procediendo consecutivamente
de esta forma hasta hallar todos los coeficientes, de forma tal que se obtiene...
0 0 0
f(x ) f o = =
1 0
1 0,1
1 0
f f
f
x x
o = =


1 0
2 0 2 0
1 0 2 0 1 0 1 0 2 0
2
2 0 2 1 2 0 2 1 1 0
2 1 1 0 1 0 1 0 2 1 1 0
2 0 2 1 1 0
2 1 1 0 1 0 1 0 1 0 2 1
f f
f f (x x )
x x (f f )(x x ) (f f )(x x )
(x x )(x x ) (x x )(x x )(x x )
(f f f f )(x x ) (f f )(x x x x )
(x x )(x x )(x x )
(f f )(x x ) (f f )(x x ) (f f )(x x

o = = =

+ +
= =

+
=
1 0 1 0
2 0 2 1 1 0
2 1 1 0 1 0 2 1
2 1 1 0 1 0 2 1 2 1 1 0 2 1 1 0
2 0 2 1 1 0
2 0 2 1 1 0
2 1 1 0
2 1
2 1
) (f f )(x x )
(x x )(x x )(x x )
(f f )(x x ) (f f )(x x )
(f f )(x x ) (f f )(x x ) (x x )(x x ) (x x )(x x )
(x x )(x x )(x x )
(x x )(x x )(x x )
(x x )(x x )
( (f f )
(x x )

=

= = =

=
1 0
1,2 0,1 1 0
0,1,2
2 0 2 0
f f )
f f (x x )
f
(x x ) (x x )

= =

.
.
n ,..., 2 , 1 , 0 n
f = o

la complejidad de clculo para o
n
, no permite expresar explcitamente este coeficiente, pero no es necesario,
pues se infiere fcilmente que si
0 0
f = o ,
1 , 0 1
f = o ,
2 , 1 , 0 2
f = o entonces
n ,..., 2 , 1 , 0 n
f = o . As el polinomio de
interpolacin de Newton es...
) x x ( ) x x )( x x ( f ... ) x x )( x x ( f ) x x ( f f ) x ( P
1 n 1 0 n ,..., 2 , 1 , 0 1 0 2 , 1 , 0 0 1 , 0 0
+ + + + =

Los polinomios de interpolacin de Newton salvan algunas dificultades que son propias de los mtodos de in-
terpolacin vistos anteriormente, especialmente del polinomio de interpolacin de Lagrange. Entre sus carac-
tersticas favorables se pueden mencionar:
La cantidad de clculos necesarios para una interpolacin es menor que en los mtodos anteriores, y este
hecho se hace ms notorio a medida que el orden del polinomio interpolador aumenta.
La interpolacin de un punto, fuera del intervalo de interpolacin, no requiere del reinicio de todos los
clculos nuevamente, sino que se puede utilizar lo ya hecho; cosa igual sucede si se aumentan o dismi-
nuyen el nmero de datos.
La evaluacin del error es ms fcil.
El polinomio de interpolacin de Newton de la manera ms general se escribe como...
n n,n 1 i n,n 1,n 2 n n 1 n,n 1,n 2,...,m n n 1 m 1
P(x) f f (x x ) f (x x )(x x ) ... f (x x )(x x ) (x x )
+ + + + + + +
= + + + +

donde P(x) es de grado (m n) e interpola al conjunto de nodos x
i
, ubicados entre x
n
y x
m
(0 s n s m). Es impor-
tante recalcar que los nodos para este polinomio podrn ser equiespaciados o no.
Ejemplo 1.12
Para el siguiente conjunto de datos...
(1.12)

i 0 1 2 3 4 5
x x
0
x
1
x
2
x
3
x
4
x
5

f f
0
f
1
f
2
f
3
f
4
f
5

generar los polinomios de interpolacin de Newton para: a) i = 0,1,2,3,4 ; b) i =1,2.3,4,5 ; c) i = 2,3,4 ; d) i =
3,4,5 ; e) i = 4,5
La tabla de diferencias finitas divididas para el conjunto de datos es...
x
0
f
0

1 0
0,1
1 0
f f
f
x x

1,2 0,1
0,1,2
2 0
f f
f
x x

1,2,3 0,1,2
0,1,2,3
3 0
f f
f
x x

1,2,3,4 0,1,2,3
0,1,2,3,4
4 0
f f
f
x x

x
1
f
1

2 1
1,2
2 1
f f
f
x x

1 3
2 . 1 3 , 2
3 , 2 , 1
x x
f f
f
=
1 4
3 , 2 , 1 4 , 3 , 2
4 , 3 , 2 , 1
x x
f f
f
=
1 5
4 , 3 , 2 , 1 5 , 4 , 3 , 2
5 , 4 , 3 , 2 , 1
x x
f f
f
=
x
2
f
2

3 2
2,3
3 2
f f
f
x x

2 4
3 . 2 4 , 3
4 , 3 , 2
x x
f f
f
=
2 5
4 , 3 , 2 5 , 4 , 3
5 , 4 , 3 , 2
x x
f f
f
=

x
3
f
3

4 3
3,4
4 3
f f
f
x x

3 5
4 . 3 5 , 4
5 , 4 , 3
x x
f f
f
=

x
4
f
4

5 4
4,5
5 4
f f
f
x x

x
5
f
5

1,2,3,4,5 0,1,2,3,4
0,1,2,3,4,5
5 0
f f
f
x x

y los polinomios interpoladores son...
a)
) x x )( x x (
) x x )( x x ( f ) x x )( x x )( x x ( f ) x x )( x x ( f ) x x ( f f ) x P(
3 2
1 0 0,1,2,3,4 2 1 0 3 , 2 , 1 , 0 1 0 2 , 1 , 0 0 1 , 0 0

+ + + + =

) x x )( x x )( x x )( x x (
) x x (
f f

) x x )( x x )( x x (
) x x (
f f
) x x )( x x (
) x x (
f f
) x x (
) x x (
f f
f ) x P(
3 2 1 0
0 4
3 , 2 , 1 , 0 4 , 3 , 2 , 1
2 1 0
0 3
2 , 1 , 0 3 , 2 , 1
1 0
0 2
1 , 0 2 , 1
0
0 1
0 1
0

+ =

b)
) x x )( x x (
) x x )( x x ( f ) x x )( x x )( x x ( f ) x x )( x x ( f ) x x ( f f ) x P(
4 3
2 1 5 , 4 , 3 , 2 , 1 3 2 1 4 , 3 , 2 , 1 2 1 3 , 2 , 1 1 2 , 1 1

+ + + + =

) x x )( x x )( x x )( x x (
) x x (
f f

) x x )( x x )( x x (
) x x (
f f
) x x )( x x (
) x x (
f f
) x x (
) x x (
f f
f ) x P(
4 3 2 1
1 5
4 , 3 , 2 , 1 5 , 4 , 3 , 2
3 2 1
1 4
3 , 2 , 1 4 , 3 , 2
2 1
1 3
2 , 1 3 , 2
1
1 2
1 2
1

+ =

c)

) x x )( x x ( f ) x x ( f f ) x P(
3 2 4 , 3 , 2 2 3 , 2 2
+ + =

) x x )( x x (
) x x (
f f
) x x (
) x x (
f f
f ) x P(
3 2
2 4
3 , 2 4 , 3
2
2 3
2 3
2

+ =

d)
) x x )( x x ( f ) x x ( f f ) x P(
4 3 5 , 4 , 3 3 4 , 3 3
+ + =

) x x )( x x (
) x x (
f f
) x x (
) x x (
f f
f ) x P(
4 3
3 5
4 , 3 5 , 4
3
3 4
3 4
3

+ =

e)
) x x ( f f ) x P(
4 5 , 4 4
+ =

) x x (
) x x (
f f
f ) x P(
4
4 5
4 5
4

+ =

En base a la siguiente tabla...
i 0 1 2 3 4 5
x 0.15 0.5 0.75 0.8 0.95 1.3
f 0.1494 0.4794 0.6816 0.7174 0.8134 0.9636
Hallar el valor de f para x = 0.32, x = 1.12 y x = 0.63 utilizando un polinomio de interpolacin de Newton con
diferencias divididas ajustado a:
a.) i = 0, 1, 2, 3, 4, 5; b.) i = 2, 3, 4, 5; c.) i = 1, 2, 3.
Usar corte a 4 cifras significativas.
Se genera la tabla de diferencias divididas
i x
i
f
i

[1]
I
f
[1]

| | 2
i
f
0 0.15 0.1494
0.4794 0.1494
0.5 0.15
0.9428

0.8088 0.9428
0.75 0.15
0.2233

1 0.5 0.4794
0.6816 0.4794
0.75 0.5
0.8088

0.716 0.8088
0.8 0.5
0.3093

2 0.75 0.6816
0.7174 0.6816
0.8 0.75
0.716

0.64 0.716
0.95 0.75
0.38

3 0.8 0.7174
0.8134 0.7174
0.95 0.
. 4
8
0 6

0.4291 0.64
1.3 0.8
0.4218

4 0.95 0.8134
0.9636 0.8134
1.3 0.95
0.4291

5 1.3 0.9636

| | 3
i
f
| | 4
i
f
| | 5
i
f
0.3093 0.2233
0.8 0.1
.13
5
0 23
+
=
0.1571 0.1323
0.95 0.15
0.031
+
=

0.1013 0.031
1.3 0.15
0.115
+
=


0.38 0.3093
0.95 0.5
0.1571
+
=

0.076 0.1571
1.3 0.5
0.1013
+
=

0.4218 0.38
1.3 0.75
0.076
+
=

y los polinomios de interpolacin de Newton son...
a.)
1
P(x) 0.1494 0.9428(x 0.15) 0.2233(x 0.15)(x 0.5) 0.1323(x 0.15)(x 0.5)(x 0.75)
0.031(x 0.15)(x 0.5)(x 0.75)(x 0.8) 0.115(x 0.15)(x 0.5)(x 0.75)(x 0.8)(x 0.95)
= +
+
1
P(0.32) 0.3154 =
1
P(0.63) 0.5889 =
1
P(1.12) 0.8993 =
b.)
2
P (x) 0.6816 0.716(x 0.75) 0.38(x 0.75)(x 0.8) 0.076(x 0.75)(x 0.8)(x 0.95) = +

2
P (1.12) 0.9 =
c.)
3
P (x) 0.4794 0.8088(x 0.5) 0.3093(x 0.5)(x 0.75) = +

3
P(0.63) 0.5893 =

Ejemplo 1.14
Para la siguiente tabla de datos:
x 0.2 0 0.1 0.5 0.7
f(x) 0.7028 0.13534 0.14943 1.1518 1.4845
halle un polinomio de interpolacin de segundo y otro de tercer grado que permitan obtener de forma aproxima-
da f(0.2). Utilice diferencias divididas.
La tabla de diferencias divididas es
x
i
f
i
f
i
[1]
f
i
[2]
f
i
[3]
f
i
[4]

0.2 0.7028 2.8373 0.0347 1.0260 0.0036
0 0.13534 2.8477 0.6836 1.0293
0.1 0.14943 2.5059 1.4040
0.5 1.1518 1.6635
0.7 1.4845
Un polinomio de segundo grado que interpole a x = 0.2 es
P(x) 0.14943 2.5059(x 0.1) 1.4040(x 0.1)(x 0.5) = +
y uno de tercer grado es
P(x) 0.13534 2.8477x 0.6836x(x 0.1) 1.0293x(x 0.1)(x 0.5) = + +

la expresin para el polinomio de interpolacin de Newton con nodos exclusivamente equiespaciados, de dis-
tancia h, utilizando (1.11), se transforma en...

) x (x ) x x )( x (x
) (h n!
f
... ) x )(x x (x
) (h ! 2
f
) x (x
h
f
f P(x)
1 n 1 0
n
0
n
1 0
2
0
2
0
0
0

A
+ +
A
+
A
+ =

o de forma general, para un conjunto de puntos ubicados entre x
n
y x
m
(0 s n s m), en un polinomio de grado (m
n) dado por...
2 m n
n n n
n n n n 1 n n 1 m 1 2 m n
f f f
P(x) f (x x ) (x x )(x x ) ... (x x )(x x ) (x x )
h 2!(h ) (m n)!(h )
+ +
A A A
= + + + +

denominado polinomio de interpolacin de Newton con diferencias progresivas o polinomio de interpolacin de
NewtonGregory.
Ejemplo 1.15
En base a la siguiente tabla...
i 0 1 2 3 4 5 6
x 0.1 0.3 0.5 0.7 0.9 1.1 1.3
f 0.15 0.44 0.63 0.73 0.84 0.96 0.99
Encontrar el valor de f para x = 1, x = 0.45 y x = 0.12 mediante un polinomio de interpolacin de Newton
Gregory ajustado a:
a.) todos los datos; b.) i = 3, 4, 5, 6.
Usar redondeo a 7 cifras significativas.
Se genera la tabla de diferencias progresivas
i x
i
f
i
Af
i

A
2
f
i

A
3
f
i

0 0.1 0.15 = 0.44 0.15 0.29 = 0.19 0.29 0.10 0.09 ( 0.10) 0.01 =

1 0.3 0.44 = 0.63 0.44 0.19 = 0.10 0.19 0.09 0.01 ( 0.09) 0.10 =

2 0.5 0.63 = 0.73 0.63 0.10 = 0.11 0.10 0.01 = 0.01 0.01 0

3 0.7 0.73 = 0.84 0.73 0.11 = 0.12 0.11 0.01 = 0.09 0.01 0.10

4 0.9 0.84 = 0.96 0.84 0.12 = 0.03 0.12 0.09
5 1.1 0.96 = 0.99 0.96 0.03
6 1.3 0.99

A
4
f
i

A
5
f
i

A
6
f
i

= 0.10 0.01 0.09 = 0.10 0.09 0.19 0 ( 0.19 .1 ) 0 9 =
= 0 0.10 0.10 0.10 ( ) 0 0.10 =
= 0.10 0 0.10
los polinomios de interpolacin de Newton son entonces...
a.) h = 0.3 0.1 = 0.5 0.3 = 0.7 0.5 = 0.9 0.7 = 1.1 0.9 = 1.3 1.1 = 0.2
1 2 3
4 5
6
0.29 0.10 0.01
P(x) 0.15 (x 0.1) (x 0.1)(x 0.3) (x 0.1)(x 0.3)(x 0.5)
0.2 2!(0.2) 3!(0.2)
0.09 0.19
(x 0.1)(x 0.3)(x 0.5)(x 0.7) (x 0.1)(x 0.3)(x 0.5)(x 0.7)(x 0.9)
4!(0.2) 5!(0.2)
0.19
(x 0.1)(x 0.
6!(0.2)
= + + +
+
3)(x 0.5)(x 0.7)(x 0.9)(x 1.1)
(1.13)
(1.14)

1
P(x) 0.15 1.45(x 0.1) 1.25(x 0.1)(x 0.3) 0.2083333(x 0.1)(x 0.3)(x 0.5)
2.34375(x 0.1)(x 0.3)(x 0.5)(x 0.7) 4.947917(x 0.1)(x 0.3)(x 0.5)(x 0.7)(x 0.9)
4.123264(x 0.1)(x 0.3)(x 0.5)(x 0.7)(x 0.9)(x 1
= + + +
+
.1)
1
1
1
P(1) 0.9039550
P(0.45) 0.5951189
P(0.12) 0.1763624
=
=
=

b.)
2 2 3
0.11 0.01 0.10
P(x) 0.73 (x 0.7) (x 0.7)(x 0.9) (x 0.7)(x 0.9)(x 1.1)
0.2 2!(0.2) 3!(0.2)
= + +
2
P(x) 0.73 0.55(x 0.7) 0.125(x 0.7)(x 0.9) 2.083333(x 0.7)(x 0.9)(x 1.1) = + +
2
P(1) 0.905 =
1.5.1 POLINOMIO DE INTERPOLACIN DE NEWTON CON DERIVE 6.
Las siguientes lneas de programacin
[2]
en Derive 6 presentan una utilidad para generar un polinomio de inter-
polacin de Newton por diferencias divididas...
#2: Generacin de la tabla de diferencias divididas y progresivas para el conjunto de datos, d
#3: DD(x, f, k) := VECTOR((f+(i + 1) f+i)/(f+(i + k) x+i), i, 1, DIM(x) k)
#4: DD_(x, f) := ITERATES(DD(x, r, DIM(x) + 1 DIM(r)), r, f, DIM(x) 1)
#5: DD_BLANCOS(x, f) := VECTOR(APPEND((DD_(x, f))+k, VECTOR("***", i, 1, k 1)), k, 2, DIM(x))
#6: TABLA_DD(d) := APPEND(d, DD_BLANCOS(d+1, d+2))
#7: Polinomio de interpolacin de Newton por diferencias divididas
#8: PN1_DD(d, n, m, x) := VECTOR(PRODUCT(x (TABLA_DD(d))+i+1, i, n, j), j, n, m 1)
#9: PN2_DD(d, n, m, x) := (TABLA_DD(d))++[3, ..., 2 + m n]+n
#10: PN_DD(d, n, m, x) := (TABLA_DD(d))+n+2 + PN1_DD(d, n, m, x)PN2_DD(d, n, m, x)
Ejemplo 1.16
Resolver el ejercicio 1.12 empleando Derive 6 con una precisin de 7 dgitos.
Derive 6 produce los siguientes resultados
a.) La orden PN_DD([0.15, 0.5, 0.75, 0.8, 0.95, 1.3; 0.1494, 0.4794, 0.6816, 0.7174, 0.8134, 0.9636], 1, 6,
x), produce el polinomio
5 4 3 2
0.1152921x 0.3942649x 0.3711869x 0.3333666x 1.090123x 0.007679653 + +
sustituyendo x = 0.32, x = 0.63 y x = 1.12 se tiene respectivamente
0.3154386
0.5889323
0.8993745

b.) La orden PN_DD([0.15, 0.5, 0.75, 0.8, 0.95, 1.3; 0.1494, 0.4794, 0.6816, 0.7174, 0.8134, 0.9636], 3, 6,
x), genera el polinomio
3 2
0.075844131x 0.1903895x 1.147812x 0.04016882 +
sustituyendo x = 1.12, resulta
0.9
c.) La orden PN_DD([0.15, 0.5, 0.75, 0.8, 0.95, 1.3; 0.1494, 0.4794, 0.6816, 0.7174, 0.8134, 0.9636], 2, 4,
x), produce el polinomio

2
0.3093333x 1.195466x 0.04099999 +
sustituyendo x = 0.63 se tiene
0.5893692

1.6 ERROR EN POLINOMIOS DE INTERPOLACIN.
Si una funcin conocida f(x), se desea aproximar mediante un polinomio de interpolacin P(x), surge un error
e(x) entre la funcin y el polinomio interpolador, el cual se define como...
e(x) f(x) P(x) =
donde f(x) es la funcin de donde se extraen los datos (x
i
, f
i
) para la interpolacin. En raras ocasiones es cono-
cida f(x), por lo cual es necesaria alguna forma alternativa de calcular o estimar el error de un polinomio de in-
terpolacin.
Teorema(Error en un polinomio de interpolacin). Sea f(x) una funcin continua y derivable, hasta el orden (n +
1) por lo menos, entonces para un cualquiera dentro del intervalo de interpolacin [x
0
, x
n
], el error e(x) se pue-
de expresar como...
, ) x - (x
)! 1 n (
) ( f
P(x) f(x) (x) e
n
0 i
i
) 1 n (
[
=
+
+

= =

En la frmula para el error, si f(x) es un polinomio de grado n o menor, f
(n+1)
() se anula y en ese caso el error
es 0; si esta no es la situacin, la ecuacin para el error es difcil evaluarla ya que es desconocido el valor exac-
to de , no obstante, cuando la (n + 1) sima derivada esta acotada, es decir
0 M donde M ) ( f
1) (n
> s
+

el error estimado o aproximado, e
ap
(x) es entonces...
n
i ap
i 0
M
e(x) f(x) P(x) (x x ) e (x)
(n 1)!
=
= s =
+
[

frmula vlida para cualquier valor de x que se encuentre entre x
0
y x
n
. Esta ecuacin permite obtener la cota
mxima para el error.
La forma de distribucin y la magnitud del error depende de los siguientes factores:
Distribucin de los nudos de interpolacin.
Tamao del intervalo de interpolacin, [x
0
, x
n
].
Nmero de nodos de interpolacin (u orden del polinomio de interpolacin).
Si los nodos de interpolacin estn igualmente espaciados, el error tiende a distribuirse de forma tal que su
magnitud es pequea en los alrededores del centro del intervalo pero crece de forma rpida al acercarse a los
extremos del mismo, hecho conocido con el nombre de fenmeno de Runge. La distribucin de los nodos de in-
terpolacin puede ser optimizada utilizando la interpolacin con puntos de Chebyshev, mtodo que distribuye la
magnitud del error de una manera ms uniforme a lo largo del intervalo de interpolacin, reduciendo los valores
mximos del error en los extremos.
Ejemplo 1.17
(1.15)
(1.16)

Estudiar el comportamiento del error en un polinomio de interpolacin, que resulte de la aproximacin de la fun-
cin f(x) = cos(x
2
+1) desde 0 hasta 1 en distancias de 0.1. Emplear corte a 6 cifras significativas
Para empezar el estudio es necesario contar con la tabla de datos, la cual es...
x 0.1 0.2 0.3 0.4 0.5 0.6 0.7
f 0.540302 0.531860 0.506220 0.462485 0.399339 0.315322 0.209238 0.0807084

x 0.8 0.9 1
f 0.0691484 0.236929 0.416146
Es necesario entonces contar con el objeto de anlisis, el polinomio de interpolacin. A travs de la orden de
Derive 6 P_LAG([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1; 0.540302, 0.531860, 0.506220, 0.462485,
0.399339, 0.315322, 0.209238, 0.0807084, 0.0691484, 0.236929, 0.416146], x), se obtiene...
10 9 8 7 6
P(x) : 0.00557236x 0.0137833x 0.0531327x 0.03436911x 0.163270x
5 4 3 2
0.00970102x 0.267578x 0.000411552x 0.841435x 0.00000124909x
0.540302
= + +
+
por lo tanto la expresin para el error es...
2 10 9 8 7
e(x) : cos(x 1) 0.00557236x 0.0137833x 0.0531327x 0.03436911x
6 5 4 3 2
0.163270x 0.00970102x 0.267578x 0.000411552x 0.841435x
0.00000124909x 0.5403029
= + + + +
+ + + + +

Para visualizar el efecto del error es necesario graficarlo conjuntamente con el polinomio de interpolacin, as

Del grfico se pueden observar las siguientes caractersticas:
El error oscila.
El fenmeno de Runge es evidente en los extremos del intervalo de interpolacin.
El error en los nodos de interpolacin es nulo.
fenmeno de Runge
Centro del intervalo
1 0
(110
8
)e(x)
f(x)

Seguidamente, se estimar la cota mxima de error...
Con ayuda de Derive 6, es posible calcular el valor absoluto de la onceava derivada de f(x) como
(11) 3 8 4 2 8 4 2
f (x) 128x (16x 3960x 17325)sen(x 1) 3520x(16x 504x 189)cos(x 1) = + + + +
se grafica dicha expresin para determinar su cota mxima M

por lo tanto...
ap
e(x) f(x) P(x) x(x 0.1)(x 0.2)(x 0.3)(x 0.4)(x 0.5)(x 0.6)(x 0.7)(x 0.8)(x 0.9)
1246577
(x 1) e (x)
(11)!
= s
=

ap
e(x) 0.0312293 x(x 0.1)(x 0.2)(x 0.3)(x 0.4)(x 0.5)(x 0.6)(x 0.7)(x 0.8)(x 0.9)
(x 1) e (x)
s
=

finalmente se traza la grafica para el error aproximado e
ap
(x)...

f
(11)
M =

concluyndose que e(x) s 0.000000130106.
De manera general, al disminuir el tamao del intervalo de interpolacin, tambin disminuye la magnitud del
error, y obviamente al aumentar el tamao del intervalo tambin aumentar la magnitud del error, pudiendo sta
inclusive superar al valor del polinomio interpolador.
Finalmente, si el tamao del intervalo de interpolacin permanece fijo y se incrementa el nmero de puntos de
interpolacin a partir de un nmero pequeo de ellos, el valor mximo del error tiende a disminuir hasta un cierto
nmero de nodos, a partir del cual si se incrementa ste el error mximo puede comenzar a crecer, por lo que
se deduce que el aumentar el nmero de nodos de interpolacin no garantiza el incremento en la precisin, pues
se presenta un fenmeno de oscilacin que hace crecer el valor del error a tal punto que en conjunto con la
acumulacin de errores de redondeo puede superar inclusive al valor del polinomio.
Ejemplo 1.18
Aproximar por interpolacin polinomial la funcin
4
x
f(x)
1 x
=
+
en el intervalo [1, 4], con los siguientes con-
juntos de nodos de interpolacin:
i. {1, 0.5, 0.5, 2, 4},
ii. {1, 0.5, 0, 0.5, 1, 2, 3, 4}
iii. {1, 0.5, 0, 0.5, 1, 1.5, 2, 2.5, 3, 3.5, 4}
Analizar el comportamiento del error.
Las tablas de datos (x
i
, f
i
) para cada conjunto de nodos de interpolacin son
x 1 0.5 0.5 2 4
f 0.5 0.94117 0.94117 0.058823 0.0038910

x 1 0.5 0 0.5 1 2 3 4
f 0.5 0.94117 0 0.94117 0.5 0.058823 0.012195 0.0038910

x 1 0.5 0 0.5 1 1.5 2 2.5
f 0.5 0.94117 0 0.94117 0.5 0.16494 0.058823 0.024960

x 3 3.5 4
f 0.012195 0.0066197 0.0038910
Con dichos datos los polinomios de interpolacin P
i
(x), P
ii
(x) y P
iii
(x) se escriben...
i
4 3 2
P(x) : 0.093842x 0.44678x 0.024147x 1.0528x 0.011902 = + +
ii
7 6 5 4 3 2
P(x) : 0.016189x 0.13833x 0.30932x 0.17292x 0.99613x 0.034584x
1.1706x
= + + +

iii
10 9 8 7 6
P (x) : 0.00557236x 0.0137833x 0.0531327x 0.03436911x 0.163270x
5 4 3 2
0.00970102x 0.267578x 0.000411552x 0.841435x 0.00000124909x
0.540302
= + +
+
es necesario entonces efectuar las grficas de los polinomios de interpolacin para obtener una idea general de
lo que sucede al aumentar el nmero de puntos de interpolacin

es evidente observar como al crecer el nmero de puntos de interpolacin se mejora la aproximacin de los po-
linomios a la funcin, excepto en el intervalo [1, 0.5] donde se presenta una oscilacin polinmica.
Las expresiones para los errores son...
i
x
4 3 2
e (x) : 0.267578x 0.000411552x 0.841435x 0.00000124909x
4
1 x
0.540302
= + +
+

ii
7 6 5 4 3
P(x) : 0.03436911x 0.163270x 0.00970102x 0.267578x 0.000411552x
2
0.841435x 0.00000124909x 0.540302
= +
+

iii
10 9 8 7 6
P (x) : 0.00557236x 0.0137833x 0.0531327x 0.03436911x 0.163270x
5 4 3 2
0.00970102x 0.267578x 0.000411552x 0.841435x 0.00000124909x
0.540302
= + +
+
y sus grficas son

oscilacin polinmica
Pi(x)
Pii(x)
Piii(x)
f(x)
i
e (x)
ii
e (x)
iii
e (x)

La grfica confirma que el error disminuye a medida que el nmero de puntos de interpolacin aumenta, excep-
to en el intervalo donde se presenta la oscilacin polinmica. An as, el error presente en los extremos es supe-
rior al resto del intervalo de interpolacin.
Un caso ms crtico de oscilacin polinmica lo muestra el siguiente ejemplo
Ejemplo 1.19
Aproximar por interpolacin polinomial la funcin
2
1
f(x)
1 x
=
+
en el intervalo [5, 5], con los siguientes con-
juntos de puntos de interpolacin:
i. {5, 4, 1, 2, 4, 5},
ii. {5, 4, 1, 0, 2, 3, 4, 5}
Analizar el comportamiento del error.
Sus tablas de datos (x
i
, f
i
) son
x 5 4 1 2 4 5
f 0.038461 0.058823 0.5 0.2 0.058823 0.038461

x 5 4 1 0 2 3 4 5
f 0.038461 0.058823 0.5 0 0.2 0.1 0.058823 0.038461
y sus correspondientes polinomios de interpolacin
i
5 4 3 2
P(x) : 0.00022624x 0.00090498x 0.0092760x 0.039367x
0.090498x 0.45701
= + +
+

ii
7 6 5 4 3
P(x) : 0.00022624x 0.00090498x 0.0092760x 0.039367x 0.090498x
2
0.45701x 1
= + +
+

las grficas de f(x) y los polinomios de interpolacin anteriormente calculados, son

Pi(x)
Pii(x)
f(x) oscilacin polinmica
oscilacin polinmica

stas muestran una gran influencia de oscilacin polinmica en los extremos del intervalo de interpolacin lo
que har nada confiables los datos interpolados en estos intervalos. Los errores de interpolacin para estos po-
linomios sern
i
1
5 4 3 2
e (x) : 0.00022624x 0.00090498x 0.0092760x 0.039367x
2
1 x
0.090498x 0.45701
= + + +
+

ii
1
7 6 5 4 3
e (x) : 0.00022624x 0.00090498x 0.0092760x 0.039367x 0.090498x
2
1 x
2
0.45701x 1
= + +
+
+

y sus grficas versus f(x) es

resulta evidente que el error supera a f(x) en algunas regiones del intervalo de interpolacin; esto confirma que
el aumentar el nmero de puntos de interpolacin no siempre incrementa la precisin.
1.7 ERROR EN LOS POLINOMIOS DE INTERPOLACIN DE NEWTON.
Para los polinomios de interpolacin de Newton existe una forma alternativa y ms sencilla de expresar el error,
la cual la define el siguiente teorema...
Teorema. Sea f(x) una funcin continua y derivable hasta el orden (n + 1) inclusive, entonces para un polinomio
de interpolacin de Newton, el error e(x) se puede expresar como...
| |
[
=
= =
n
0 i
i n 1 0
) x - (x x , x ,..., x , x f P(x) f(x) (x) e

para un valor arbitrario x = x
0
,x
1
,...,x
n
, siendo f[x
0
,x
1
,...,x
n
, x] la (n + 1) sima diferencia finita dividida.
Si se toma un valor fijo x
n + 1
como por ejemplo un punto adicional de la tabla de datos, entonces la anterior ex-
presin se convierte en la relacin aproximada...
| | ) x x ( ) x x )( x x ( f ) x - (x x , x ,..., x , x f (x) e
n 1 0 1 n , n ,..., 2 , 1 , 0
n
0 i
i 1 n n 1 0
= ~
+
=
+ [

(1.17)
i
e (x)
ii
e (x)
f(x)

denominada regla del trmino siguiente, que muestra como el error aproximado de interpolacin para un poli-
nomio de Newton por diferencias divididas est dado por el trmino (n + 1) simo del desarrollo de grado n. Si
bien la expresin (2.17) es vlida para las diferencias divididas, se la puede tambin escribir en funcin de dife-
rencias progresivas como...
) x x ( ) x x )( x x (
h )! 1 n (
f
(x) e
n 1 0
1 n
0
1 n

+
A
~
+
+

Para las expresiones (1.17) y (1.18) se podra utilizar como punto adicional x
n+1
, ya sea un valor posterior a x
n
o
un anterior a x
0
, con el cual se construye las diferencias divididas o progresivas que requieren dichas frmulas.
1.8 INTERPOLACIN CON RACES O PUNTOS DE CHEBYSHEV. MINIMIZACIN DEL ERROR DE INTERPOLACIN.
En los mtodos de interpolacin revisados hasta aqu, el error se reparte de forma tal que toma valores mximos
cerca de los extremos del intervalo de interpolacin; este comportamiento puede ser modificado si se escogen
los nodos de interpolacin de manera que el error se distribuya uniformemente a lo largo de dicho intervalo.
Adems, en este caso el error disminuir considerablemente con respecto a los valores obtenidos en los mto-
dos vistos hasta ahora, logrndose con ello una minimizacin del error.
La minimizacin y reparticin uniforme del error a lo largo del intervalo de interpolacin se logra al tomar como
puntos de interpolacin las races del denominado polinomio de Chebyshev.
Los polinomios de Chebyshev, T
n
(x) (donde n = 0,1,2,3,...) cuyo dominio de definicin es [ 1,1], estn dados
por la frmula:
1,2,3,... , 0 n )) x arccos( n cos( ) x ( T
n
= =

De esta definicin, se puede establecer una frmula recurrente para los polinomios de Chebyshev, as...
para n = 0, 1 )) x arccos( 0 cos( ) x ( T
0
= =
para n = 1, x )) x arccos( 1 cos( ) x ( T
1
= =
de la identidad trigonomtrica...
| | o + o + = o o ) B A cos( ) B A cos(
2
1
) B cos( ) A cos(

con A = n, B = 1 y o = arccos(x), se obtiene...
|
| )) X arccos( ) 1 n cos((
)) x arccos( ) 1 n cos((
2
1
)) x ( cos(arccos )) x arccos( n cos(
+ + =

rescribiendo la ecuacin...
)) X arccos( ) 1 n cos(( x )) x arccos( n cos( 2 )) X arccos( ) 1 n cos((
)) x ( cos(arccos )) x arccos( n cos( 2 )) x arccos( ) 1 n cos((
=
= +

pero, T
n+1
(x)=cos((n+1)arccos(x)) y T
n 1
(x)=cos((n 1)arccos(x)), entonces
) x ( T ) x ( xT 2 ) x ( T
1 n n 1 n +
=

frmula recurrente que permite calcular el termino (n+1)simo en funcin de los trminos nsimo y
(1.18)

(n1)simo. En base a sta frmula se pueden definir los polinomios de Chebyshev, de la siguiente manera...
) x ( T ) x ( xT 2 ) x ( T
. . . . . . . .
x 3 x 4 x ) 1 x 2 ( x 2 ) x ( T
1 x 2 1 ) x ( x 2 ) x ( T
x ) x ( T
1 ) x ( T
1 n n 1 n
3 2
3
2
2
1
0
+
=
= =
= =
=
=

se puede notar adems que debido a la funcin coseno, 1 s T
n
(x) s 1, por lo que los polinomios de Chebyshev
se encuentran encerrados dentro de un cuadrado de coordenadas x = 1 e y = 1.
En Derive 6, existe la utilidad ORTH_POL.MTH contenida dentro del directorio MATH, que posee la funcin CHE-
BYCHEV_T(n, x), la cual calcula el nsimo polinomio de Chebyshev. As por ejemplo...
CHEBYCHEV_T(1, x) x =
2
CHEBYCHEV_T(2, x) 2x 1 =
3
CHEBYCHEV_T(3, x) 4x 3x =
4 2
CHEBYCHEV_T(4, x) 8x 8x 1 = +
5 3
CHEBYCHEV_T(5, x) 16x 20x 5x = +
Graficando estos polinomios se tiene

Pero nos interesa de los polinomios de Chebyshev sus soluciones, pues stas constituyen los nodos de interpo-
lacin que distribuyen uniformemente el error y lo minimizan, entonces seguidamente se hallarn las races o
puntos de Chebyshev. Considrese...
0 ) x ( T
n
=

es decir, 0 )) x arccos( n cos( =
de donde... n 0,1,2,..., i
2 n 2
1 i 2
) x arccos( = t |
.
|
\
|
+
+
=

o sea... n 0,1,2,..., i
2 n 2
1 i 2
cos x
i
=
(
t |
.
|
\
|
+
+
=
que es la frmula para las races de Chebyshev en el intervalo [ 1,1]. Sin embargo rara vez, coincidir el inter-
valo de las races con el intervalo de interpolacin, por lo que es necesario acomodar la anterior frmula para
que funcione dentro de cualquier intervalo [x
0
, x
n
]. Para lograr esto, considrese el siguiente cambio de varia-
ble...
n 0 n 0
(x x )x (x x )
z
2
+ +
=
donde,
0
n
z x si x 1
z x si x 1
= =
= =

despejando x, se tiene...
n 0
n 0
2z (x x )
x
(x x )
+
=

y reemplazando en la frmula para las races...
i n 0
n 0
2z (x x )
2i 1
cos
(x x ) 2n 2
+
( + | |
= t
| (
+ +
\ .

es decir...
n 0,1,2,..., i a b
2 n 2
1 i 2
cos ) a b (
2
1
z
i
=
(
(
+ +
(
t |
.
|
\
|
+
+
=

que son las races de Chebyshev que se encuentran dentro del intervalo [x
0
, x
n
].
1.8.1 RACES DE CHEBYSHEV CON DERIVE 6.
Es posible automatizar con Derive 6 el clculo de las races z
i
de Chebyshev y los puntos de interpolacin eva-
luados para una funcin f(x) en dichas races, mediante las siguientes lneas de programacin...
#2: F(x) :=
#3: RAICES_CHEBYSHEV(x0, xn, n) := VECTOR([i, (1/2)((xn x0)COS(((2i + 2)/(2n + 2))t) + xn + x0)], i, 0, n)
#4: DATOS(x0, xn, n) := VECTOR([RAICES_CHEBYSHEV(x0, xn, n)+i+2,F(RAICES_CHEBYSHEV(x0, xn, n)+i+2)], i, 1, n +
1)

49 Solucin de ecuaciones no lineales

2
S SO OL LU UC CI I N N D DE E E EC CU UA AC CI IO ON NE ES S N NO O L LI IN NE EA AL LE ES S

Las ecuaciones no lineales, en su mayora, no poseen mtodos exactos de obtencin de races y en caso de
que stos existan, muchas veces su proceso resulta de trmite muy engorroso. El objetivo del presente captulo
es exponer al lector los principales mtodos de solucin de ecuaciones no lineales, que mediante una automati-
zacin por computadora, resultan una alternativa muy eficaz.
Matemticamente el problema lo establece el siguiente teorema...
Definicin (Raz de una ecuacin). Sea y = f(x) una funcin dada, y sea x
r
un nmero real o complejo, entonces
si f(x
r
) = 0, entonces se dice que x
r
es una raz o solucin de f(x) = 0.
2.1 AISLAMIENTO DE RAICES.
El primer paso a darse para poder aplicar los mtodos numricos del presente captulo es aislar el intervalo de
tal manera que exista una sola y nica raz. Analticamente, se puede proceder a determinar dicho intervalo,
aunque en muchas ocasiones es necesario ayudarse de una aproximacin grfica.
De forma matemtica el aislamiento de una raz se fundamenta en el siguiente teorema
Teorema (Teorema de Bolzano). Sea y = f(x) una funcin continua en el intervalo [a, c]. Si f(a)f(c) < 0, enton-
ces existe al menos un punto x
r
, tal que f(x
r
) = 0.
La interpretacin geomtrica del teorema de Bolzano se muestra en el siguiente grfico...

Aunque el teorema anterior establece la condicin necesaria para la existencia de por lo menos una raz, deja
abierta la posibilidad de que exista ms de una. Para descartar tal posibilidad y encontrar un intervalo que con-
tenga una y solo una raz, es indispensable considerar el siguiente teorema...
Teorema (Existencia de una nica raz). Sea y = f(x) una funcin continua y derivable en el intervalo [a, c] con
f(a)f(c) < 0. Si el signo de f'(x) permanece constante en [a, c], entonces existe una nica raz o solucin de f(x)
Fig. 2.1: Teorema de Bolzano

= 0 en dicho intervalo.
Debido a que y = f(x) es continua y derivable en [a, c], se puede aplicar el teorema de Bolzano con lo que se
asegura la existencia de al menos una raz. Por otro lado, dado que existe f'(x) y que tiene un valor constante,
entonces se garantiza que f(x) sea estrictamente creciente o decreciente en [a, c], lo que impide que la curva
pueda cortar al eje de las abscisas en ms de un punto, permitiendo de esta forma la existencia de una sola y
nica raz.
2.2 APROXIMACIN GRFICA A LA SOLUCIN DE UNA ECUACIN.
Antes de utilizar un algoritmo numrico para encontrar la raz de una ecuacin es necesario previamente encon-
trar un primer intervalo de aproximacin o una ms aproximaciones a la raz. Este proceso de primera
aproximacin se lo puede lograr a partir del grafico de la curva cuya raz se busca.
En Derive 6 el proceso de graficacin es muy simple, para ello
Paso 1: Se escribe la funcin en la forma y = f(x).
Paso 2: Se hace clic sobre la orden Window/New 2Dplot Window y luego sobre el icono
Paso 3: Entonces aparece la ventana de grficos, que tiene el siguiente aspecto...

Paso 4: En dicha ventana se hace clic sobre la orden Insert/Plot ( F4) y la grfica automticamente se dibuja.
Ejemplo 2.1
Graficar mediante Derive 6 la funcin y = sen(x) + e
-cos(x)
, y descubrir un intervalo donde exista raz.
Se escribe y resalta la ecuacin...

seguidamente se efecta el proceso anteriormente indicado y se obtiene...

Del grfico se puede observar claramente que hay un intervalo de existencia de la raz en [4, 5].

2.3 MTODOS CERRADOS.
Estos mtodos de solucin de ecuaciones no lineales encuentran una aproximacin(valor cercano) a la raz,
mediante procesos iterativos, partiendo de un intervalo cerrado el cual es reducido a otro, siempre dentro del an-
terior, que contenga la raz en una vecindad tan pequea como se desee.
2.3.1 MTODO DE BISECCIN.
Este es el mtodo ms simple, seguro y slido, aunque no el ms rpido, para hallar la raz de una ecuacin no
lineal. Para poder determinar la raz de la ecuacin es previamente necesario encontrar por aproximacin grfica
o aislamiento numrico el intervalo de ubicacin de la misma.
A continuacin se describe el mtodo...
Supngase que en el intervalo entre x = a y x = c, expresado [a, c], existe una sola
raz, como se muestra en el siguiente grfico...

El mtodo se fundamenta en el hecho de que existe una raz en el intervalo [a, c], siempre y cuando los signos
de y = f(x) en los dos extremos del mismo sean contrarios, o bien que f(a) f(c) se anulen, es decir f(a)f(c) s
0. El primer paso para utilizar este mtodo consiste en bisecar o dividir por la mitad el intervalo [a, c], a saber
[a, b] y [b, c] donde b es el punto medio dado por
2
) c a (
b
+
= . Luego de verificar los signos de f(a)f(b) y
f(b)f(c) se ubica la mitad del intervalo que contiene la raz. De esta manera, si f(a)f(b) s 0, el intervalo [a, b]
contiene la raz, caso contrario el intervalo [b, c] ser el que la contenga. Encontrado el nuevo intervalo que con-
tiene la raz se biseca de nuevo el mismo y se repite el proceso para hallar el nuevo intervalo que contiene la
raz. Si se repite secuencialmente el proceso anterior, el intervalo de la raz se vuelve cada vez ms pequeo,
pudindose detener el proceso cuando la raz (punto medio en cada biseccin) se encuentre dentro de una tole-
rancia tol prefijada. Luego de haber realizado el proceso n veces el tamao del intervalo tiene el tamao
n
inicial
2
) a c (
. La tolerancia tol entonces debe cumplir entonces con la desigualdad
s
inicial
n
(c a)
tol
2
,

>
inicial
ln((c a) ) ln(tol)
n
ln(2)

Ejemplo 2.2
Encontrar las races de la ecuacin f(x) = sen(x
2
2x) que se ubiquen en el intervalo [1, t], utilizando el mto-
do de biseccin con una tolerancia de tol = 0.001. Redondear los clculos a 6 cifras decimales.
Se procede a generar una tabla para aislar las posibles races contenidas en el intervalo [1, t]...
i x
i
f(x
i
)
1 1 0.841471
2 1.5 0.681631
3
2 0
a
c
y
x
f(c ) > 0
f(a) < 0
raz
f(x)
Fig. 2.2: Mtodo de biseccin

4 2.5 0.948985
5 3 0.141120
6 3.141593 0.430301
De la tabla se puede observar que una raz se encuentra en x = 2 y la otra en el intervalo [3, t], pues en el se
produce un cambio en f(x) de positivo a negativo. Entonces se proceder a la bsqueda de esta ltima raz...
i a b c f(a) f(b) f(c)
1 3 3.070796 3.141593 0.141120 0.146079 0.430301
2 3 3.035398 3.070796 0.141120 0.001252 0.146079
3 3 3.017699 3.035398 0.141120 0.070421 0.001252
4 3.017699 3.026549 3.035398 0.070421 0.034685 0.001252
5 3.026549 3.030974 3.035398 0.034685 0.016736 0.001252
6 3.030974 3.033186 3.035398 0.016736 0.007747 0.001252
7 3.033186 3.034292 3.035398 0.007747 0.003249 0.001252
8 3.034292 3.034845 3.035398 0.003249 0.000998 0.001252

i 1 2 3 4 5 6 7 8
Error absoluto --- 0.035398 0.017699 0.008850 0.004425 0.002212 0.001106 0.000553
Por lo tanto, la raz para el intervalo [3, t] es x = 3.033186 por error relativo y x = 3.034845 por error absolu-
to.
Ejemplo 2.3
Hallar una raz de la ecuacin f(x) = x
4
3x
3
+ 3x 1, utilizando el mtodo de biseccin con una tolerancia de
tol = 0.001. Emplear redondeo a 6 cifras decimales.
Como no se da en el problema un intervalo donde encontrar la raz, se procede entonces a graficar la funcin
para aislar un intervalo de bsqueda de la raz...
1 0 1 2 3
2
2
f x ( )
x
Se puede entonces tomar varias alternativas para intervalos de bsqueda, tomemos el intervalo [2, 3], y en l se
afinar el aislamiento de la posible raz, mediante la siguiente tabla...
i x
i
f(x
i
)
1 2 3
2 2.2 2.918400

3 2.4 2.094400
4 2.6 0.230400
5 2.8 3.009600
6 3 8
por lo que la raz se halla en el intervalo [2.6, 2.8]. La tabla de bsqueda de dicha raz es...
1 2.6 2.7 2.8 0.230400 1.195100 3.009600
2 2.6 2.65 2.7 0.230400 0.436631 1.195100
3 2.6 2.625 2.65 0.230400 0.092041 0.436631
4 2.6 2.6125 2.625 0.230400 0.071904 0.092041
5 2.6125 2.61875 2.625 0.071904 0.009382 0.092041
6 2.6125 2.615625 2.61875 0.071904 0.031432 0.009382
7 2.615625 2.617188 2.61875 0.031432 0.011062 0.009382
8 2.617188 2.617969 2.61875 0.011062 0.000851 0.009382

i 1 2 3 4 5 6 7 8
Error absoluto --- 0.05 0.025 0.0125 0.00625 0.003125 0.001563 0.000781
Entonces la raz para el intervalo [2.6, 2.8] es x = 2.617188 por error relativo y x = 2.617969 por error absolu-
to.
Ejemplo 2.4
Utilice el mtodo de biseccin para hallar la raz de la ecuacin x tan(x) = , contenida en el intervalo [4, 5],
con hasta 2 cifras decimales de precisin.
Se escribe la ecuacin en la forma f(x) = 0, de donde f(x) x tan(x) 0 = = .
Se procede entonces al aislamiento de las posibles races
x f(x)
4 4 tan(4) 2.842179 =
4.1 4.1 tan(4.1) 2.676474 =
4.2 4.2 tan(4.2) 2.422220 =
4.3 4.3 tan(4.3) 2.014152 =
4.4 4.4 tan(4.4 1.3 6 ) 0367 =
4.5 4.5 tan(4.5) 0.137332 =
4.6 4.6 tan(4.6) 4.260175 =
4.7 4.7 tan(4.7) 76.012763 =
4.8 4.8 tan(4.8) 16.184871 =
4.9 4.9 tan(4.9) 10.167493 =
5 5 tan(5) 8.380515 =
El primer cambio de signo entre 4.4 y 4.5 corresponde a la presencia de la raz, mientras que el segundo cam-

bio, entre 4.7 y 4.8, se presenta en la asntota
3
x
2
t
= y no corresponde a la presencia de una raz.
Por lo tanto el intervalo de bsqueda de la raz es [4.4, 4.5]
1 4.4 4.45 4.5 + 0.726731
2 4.45 4.475 4.5 + 0.341933
3 4.475 4.4875 4.5 + 0.116078
4 4.4875 4.49375 4.5 + 0.006887
5 4.4875 4.490625 4.49375 + 0.055491
6 4.490625 4.492188 4.49375 + 0.02451
7 4.492188 4.492969 4.49375 + 0.008875

i 1 2 3 4 5 6 7
Error absoluto --- 0.025 0.0125 0.00625 0.003125 0.001563 0.000781
La raz pedida es 4.492969.
Comprobemos la no existencia de raz en el intervalo [4.7, 4.8]:
1 4.7 4.75 4.8 76.012763 31.325414 16.184871
2 4.7 4.725 4.75 76.012763 84.016526 31.325414
3 4.7 4.7125 4.725 76.012763 9012.129732 84.016526
4 4.7 4.70625 4.7125 76.012763 158.185203 9012.129732
5 4.70625 4.709375 4.7125 158.185203 327.076783 9012.129732
6 4.709375 4.710938 4.7125 327.076783 684.477771 9012.129732
7 4.710938 4.711719 4.7125 684.477771 1487.869069 9012.129732

i 1 2 3 4 5 6 7
Error absoluto --- 0.025 0.0125 0.00625 0.003125 0.001563 0.000781
Si bien se puede observar que el error disminuye como en la bsqueda del intervalo [4.4, 4.5], el valor de f(b)
en lugar de acercarse a cero crece (ya sea con valores negativos o positivos), lo que demuestra que el acerca-
miento al posible punto raz no es ms que un acercamiento al punto correspondiente a una asntota.
2.3.1.1 MTODO DE BISECCIN UTILIZANDO DERIVE 6
Aislamiento de las races
Las instrucciones siguientes permiten en Derive 6 generar un rastreo de los intervalos posibles donde se pueden
hallar las races...
#1: F(x) :=
#2: AISL(in, fin, p) := VECTOR([x, SIGN(F(x))], x, in, fin, p)
Mtodo de Biseccin
Un programa en Derive 6 utilizando programacin funcional para hallar la raz de una ecuacin por el mtodo de
biseccin utilizando el nmero de iteraciones n como criterio de paro, est dado por las siguientes instruccio-
nes...

#1: F(x) :=
#2: BIS_AUX1(in, fin) := IF(F(in)F((in+fin)/2)<0, [in, (in+fin)/2], [(in+fin)/2, fin])
#3: BIS_AUX2(in, fin, n) := ITERATE(BIS_AUX1(v+1, v+2), v, [in, fin], n 1)
#4: BISECCION(in, fin, n) := IF(F((in+fin)/2) = 0, [raiz ; (in+fin)/2], [raz, error ; ((BIS_AUX2(in, fin, n)+1+
BIS_AUX2(in, fin, n)+2)/2, ABS(((BIS_AUX2(in, fin, n))+2 (BIS_AUX2(in, fin, n))+1)/2)])
Un programa en Derive 6 utilizando programacin procedural para hallar la raz de una ecuacin por el mtodo
de biseccin utilizando el nmero de iteraciones n como criterio de paro, est dado por las siguientes instruc-
ciones...
#1: F(x) :=
#2: BISECCION(in, fin, n) := PROG(i := 1, LOOP(r := (in+fin)/2, t := ABS((fin in)/2), IF(F(r) = 0, RETURN [raiz, er-
ror; r, 0]), IF(i = n, RETURN [raiz, error; r, t]), IF(F(in)F(r) > 0, in := r, fin := r), i :+ 1))
2.3.2 MTODO DE FALSA POSICIN, DE LAS CUERDAS O REGULA FALSI.
Este mtodo efecta una aproximacin a la raz, mediante interpolacin lineal, la que genera una cuerda, de ah
su nombre extendido de mtodo de las cuerdas. Considrese una funcin f(x) en el intervalo [a, c], en el cual
existe una raz, es decir f(a)f(c) s 0; entre los puntos extremos [a, f(a)] y [c, f(c)] se efecta una interpolacin
lineal generando una cuerda AC, como lo muestra el siguiente grfico...

Dicha cuerda corta al eje x en el punto b, ste es la primera aproximacin a la raz exacta; por este punto se tra-
za una recta vertical hasta cortar la funcin f(x), es decir hasta generar el punto [b, f(b)]. Gracias a este punto la
curva queda cortada en dos segmentos uno de los cuales contendr la raz. Supngase que el segmento entre
los puntos [b, f(b)] y [c, f(c)] (como se observa en el grfico), contiene la raz, entonces este segmento de cur-
va se vuelve a aproximar mediante interpolacin lineal repitiendo el proceso explicado anteriormente; as se
hallar una segunda aproximacin a la raz. Este procedimiento se repite un nmero n de veces hasta que la di-
ferencia entre la nsima y la (n 1)sima aproximaciones no superen una tolerancia prefijada tol. De lo expli-
cado se puede comprobar que el proceso es casi exactamente idntico al mtodo anterior, excepto por la forma
de determinar el punto intermedio b, que deja de ser una montona biseccin. El siguiente paso es determinar la
a
c
x
f(c) > 0
f(a) < 0
raz
b
f(b) < 0
A
C
y
f(x)
Fig. 2.3: Mtodo de falsa posicin

frmula para el punto intermedio b. Considrese para ello los tringulos AAab y ACcb mostrados claramente en
el grfico anterior; estos tringulos son semejantes entonces se puede establecer la relacin...
a b
b c
) a ( f
) c ( f

despejando de sta b, se tiene...
) a ( f ) c ( f
) a ( cf ) c ( af
b
=
expresin que constituye la formula general para la aproximacin a la raz mediante el mtodo de la falsa posi-
cin.
La desventaja de este mtodo es que pueden aparecer extremos fijos, en donde uno de los extremos de las ite-
raciones no se mueve del punto original, por lo que las sucesivas aproximaciones a la raz, convergen a la raz
exacta solamente por un extremo. Los extremos fijos hacen ms lenta la convergencia, especialmente cuando el
intervalo inicial es muy grande o cuando la funcin se desva de manera significativa de la lnea recta generada
en la interpolacin lineal.
Ejemplo 2.5
Determinar las races de la ecuacin ) x cos( e ) x ( f
3
x
=

que se ubiquen en el intervalo [0,2], utilizando el
mtodo de la falsa posicin con una tolerancia de 0.001.
Se procede a generar una tabla para aislar las posibles races contenidas en el intervalo...
i x
i
f(x
i
)
1 0 0
2 0.2 0.0119652
3 0.4 0.0169439
4 0.6 0.0196003
5 0.8 0.0974110
6 1 0.172422
7 1.2 0.184718
8 1.4 0.105654
9 1.6 0.0458384
10 1.8 0.230134
11 2 0.416482
De la tabla se puede observar que una raz se encuentra en x = 0 y otras dos posibles races se hallan en los in-
tervalos [0.4, 0.6] y [1.4, 1.6]
Bsqueda de la raz en el primer intervalo...
1 0.4 0.492731 0.6 0.0169439 0.00620691 0.0196003
2 0.492731 0.518530 0.6 0.00620691 0.00131492 0.0196003
3 0.518530 0.523651 0.6 0.00131492 0.000243068 0.0196003
4 0.523651 0.524586 0.6 0.000243068 0.0000438128 0.0196003


i 1 2 3 4
Error absoluto --- 0.092569 0.005121 0.000935
Ahora la raz en el segundo intervalo...
1 1.4 1.53948 1.6 0.105654 0.00528296 0.0458384
2 1.53948 1.54573 1.6 0.00528296 0.000171186 0.0458384
3 1.54573 1.54593 1.6 0.000171186 0.00000673644 0.0458384

i 1 2 3
Error absoluto --- 0.00625 0.0002
Las races son entonces x = 0.524586 y x = 1.54593.
Ejemplo 2.6
Encuentre la raz de f(x) = sen(x) x + 1 que se sabe est en 1 < x < 3, mediante el mtodo de falsa posi-
cin. Utilice una tolerancia de 0.0001.
Se procede a generar una tabla para aislar la raz contenidas en el intervalo dado...
i x
i
f(x
i
)
1 1 0.841470
2 1.2 0.732039
3 1.4 0.585449
4 1.6 0.399573
5 1.8 0.173847
6 2 0.0907025
7 2.2 0.391503
8 2.4 0.724536
9 2.6 1.08449
10 2.8 1.46501
11 3 1.85887
Entonces la raz buscada se encuentra en el intervalo [1.8, 2], hallmosla...
1 1.8 1.93142 2 0.173847 0.00425689 0.0907025
2 1.93142 1.93449 2 0.00425689 0.0000991965 0.0907025
3 1.93449 1.93456 2 0.0000991965 0.00000452348 0.0907025

i 1 2 3
Error absoluto --- 0.00307 0.00007
La raz es x = 1.93456.
Ejemplo 2.7
Mediante el mtodo de falsa posicin encuentre una raz de
3
f(x) x x 1 = , con hasta 3 cifras decimales de
precisin.

1 0.5 0 0.5 1 1.5 2
2
2
4
f x ( )
1 2
x
Del grfico es fcil observar que la raz se halla en el intervalo [1, 1.5].
1 1 1.266667 1.5 1 0.234369 0.875
2 1.266667 1.315962 1.5 0.234369 0.037037 0.875
3 1.315962 1.323436 1.5 0.037037 0.005461 0.875
4 1.323436 1.324531 1.5 0.005461 0.000797 0.875
5 1.324531 1.324691 1.5 0.000797 0.000115 0.875

i 1 2 3 4 5
Error absoluto --- 0.049295 0.007474 0.001095 0.000160
La raz pedida es 1.324691.
CARACTERSTICAS DE LOS MTODOS CERRADOS ESTUDIADOS: El siguiente cuadro muestra una serie de ca-
ractersticas que pueden servir para elegir uno de los mtodos estudiados de acuerdo al contexto del problema...
Mtodo de biseccin Mtodo de falsa posicin
El mtodo siempre halla la raz, si ella se encuentra en
el intervalo de bsqueda utilizado.
El mtodo siempre halla la raz, si ella se encuentra en el
intervalo de bsqueda utilizado.
El mtodo puede determinar una singularidad de la fun-
cin como raz de la ecuacin , por lo que es necesario
verificar que f(b) converja a 0.
El mtodo puede determinar una singularidad de la fun-
cin como raz de la ecuacin , por lo que es necesario
verificar que f(b) converja a 0.
El mtodo, en general, es lento en su convergencia
hacia la raz. Este problema se puede minimizar si se
afina lo ms posible el intervalo de bsqueda de la raz,
antes de proceder a utilizar el mtodo.
El mtodo tiene una convergencia ms rpida que el
mtodo de biseccin, siempre y cuando la funcin lineal
que interpola a f(x) y sta sean muy prximos entre s;
pero en general este mtodo no es ms rpido que el de
biseccin, porque genera la aparicin de un extremo fijo
que detiene su convergencia.
El mtodo tiene una convergencia lineal El mtodo tiene una convergencia lineal, aunque en algu-
nos casos, especialmente aquellos en los que la interpo-
lacin lineal es muy cercana a la curva f(x), presenta una
convergencia mayor a la lineal.
2.4 MTODOS ABIERTOS.
Los mtodos abiertos de solucin de ecuaciones no lineales hallan una aproximacin a la raz, mediante proce-
sos iterativos, partiendo de una o ms aproximaciones iniciales a la raz. Sus valores obtenidos a partir de estas

aproximaciones iniciales no se restringen a un intervalo cerrado como en los mtodos anteriores, ello da el
nombre de abiertos a estos mtodos.
2.4.1 MTODO DE NEWTON - RAPHSON O DE LAS TANGENTES.
Este mtodo constituye uno de los ms utilizados y basa su algoritmo en la aproximacin a la raz mediante la
tangente a la curva en un punto inicial de bsqueda.
Sea f(x) una funcin que contenga una raz, como lo muestra el siguiente grfico...

Se estima entonces un punto inicial de bsqueda, por ejemplo x
0
y se traza la tangente a f(x) que pase por el
punto (x
0
, f(x
0
));dicha tangente corta al eje x en el punto x
1
, que es la primera aproximacin a la raz exacta. Aho-
ra se toma como estimacin de bsqueda al punto x
1
y se vuelve a repetir el procedimiento para encontrar las
siguientes aproximaciones x
2
, x
3
, ..., x
n
; el proceso se detendr cuando la distancia entre dos aproximaciones
sucesivas x
n-1
y x
n
no superen una tolerancia prefijada tol. Existe una frmula general para la aproximacin n
sima (x
n
) a la raz exacta, sta se deducir a continuacin. Considrese el tringulo AAx
2
x
0
del grfico anterior;
por trigonometra se puede establecer...
1 0
o
1 0
0
0
0 1
x x
) x ( f
x x
Ax
) x ( f ) x Ax tan(
= = Z , de donde...
) x ( f
) x ( f
x x
0
o
0 1
= para el tringulo ABx
2
x
1
se puede establecer bajo la misma deduccin que...
) x ( f
) x ( f
x x
1
1
1 2
= y como el procedimiento genera tringulos de la misma especie, de manera general se tie-
ne...
n
n 1 n
n
f(x )
x x n 0,1,2,3,...
f (x )
+
= = sta es la frmula general para la nsima aproximacin a la raz
exacta. Si bien el mtodo es muy sencillo de aplicar, el mtodo tiene dos inconvenientes: el clculo de la prime-
Fig. 2.4: Mtodo de Newton Raphson
x
y
f(x)
X0
A
B
X1 X2

ra derivada puede ser algo complicado y se requiere una buena estimacin inicial, de otro modo, la solucin ite-
rativa puede divergir o converger a una solucin irrelevante; por otro lado, la velocidad de convergencia hacia la
raz exacta del mtodo es alta, en comparacin a los mtodos cerrados.
Ejemplo 2.8
Determinar las races de la ecuacin ) x ( sen x ) x ( f
5
= que se ubiquen en el intervalo [1,1], utilizando el
mtodo de las tangentes con una tolerancia de 0.00001.
Graficando f(x)...
1 0 1
5
5
f x ( )
x

Es muy fcil notar que posee una raz en x = 0, y que las dos restantes se hallan en los intervalos [1,0] y
[0,1].
La frmula iterativa que se aplicar para este problema es
i
i 1 i i
i
f(x )
x x x
f (x )
+
= =
'

5
i i
4
i i
x sen(x )
5x cos(x )

La primera raz se halla muy cerca de 1, por lo que esta puede ser una buena aproximacin a la primera raz,
entonces el proceso iterativo es...
i x
i
f(x
i
) f(x
i
)
0 1 0.1585290151 4.459697694
1 0.9644529683 0.01272220908 3.756210276
2 0.9610659883 0.0001072614342 3.692980193
3 0.9610369436 0.000000007766774559 3.692440754
4 0.9610369414 0.0000000003571252802 3.692440713

i 1 2 3 4 5
Error absoluto --- 0.0355470 0.00338697 0.0000290447 0.00000000219958
La segunda raz se encuentra en cambio cerca de 1, por lo que este valor ser una buena aproximacin a dicha
raz, as entonces...
i x
i
f(x
i
) f(x
i
)
0 1 0.1585290151 4.459697694
1 0.9644529683 0.01272220908 3.756210276
2 0.9610659883 0.0001072614342 3.692980193

3 0.9610369436 0.000000007766774559 3.692440754
4 0.9610369414 0.0000000003571252802 3.692440713

i 1 2 3 4 5
Error absoluto --- 0.0355470 0.00338697 0.0000290447 0.00000000219958
Las races son entonces x = 0.9610369414 y x = 0.9610369414.
Ejemplo 2.9
Hallar una raz de la ecuacin f(x) = cot(x) + 3x, en el intervalo [0,4] utilizando el mtodo de las tangentes con
una tolerancia de 0.00001.
Graficando la funcin
0 2 4
10
10
f x ( )
3 t
x

se observa una raz en el intervalo [2,4]. Se tomar un punto muy cercano a la raz, x = 3, como aproximacin
inicial.
La frmula iterativa que se aplica a este problema es
+
= =
'
i
i 1 i i
i
f(x )
x x x
f (x )

i i
2
i
cot(x ) 3x
1
3
sen (x )

Por lo tanto...
i x
i
f(x
i
) f(x
i
)
0 3 1.984747448 47.21376835
1 3.042037471 0.8853610661 98.22960122
2 3.033024291 0.07549562518 82.17270712
3 3.032105547 0.0006539986341 80.75487484
4 3.032097448 0.00000001634703654 80.74253467

i 1 2 3 4 5
Error absoluto --- 0.0420374 0.00901318 0.000918744 0.000008099
entonces la raz pedida es x = 3.032097448.
Ejemplo 2.10
Encuentre la raz de
x 1 3
f(x) e 5x
= con hasta 4 cifras decimales de precisin. Cuntas iteraciones requerir

el mtodo de biseccin para lograr la misma precisin?
asntota
aproximacin inicial

El punto ms adecuado para empezar el procedimiento es x = 1, as
i x
i
f(x
i
) f(x
i
)
0 1 4 14
1 0.7142857142 1.070680141 6.901583931
2 0.5591502914 0.2305996222 4.046246315
3 0.5021592917 0.02529061192 3.174617562
4 0.4941927850 0.0004562793948 3.060379018
5 0.4940436925 0.0000001578965366 3.058258837
6 0.4940436408 0.0000000002120244336 3.058258102

i 0 1 2 3 4
Error absoluto --- 0.285714286 0.155135423 0.056991000 0.007966507

i 5 6
Error absoluto 0.000149093 0.000000672
La raz exacta a cuatro cifras decimales es 0.4940
El mtodo de biseccin en el intervalo [0, 1] requiere de
inicial
ln((c a) ) ln(tol)
n
ln(2)
ln(1 0) ln(0.00001)
n 16.6 17
ln(2)

>

> = ~

es decir 17 o ms iteraciones.
2.4.1.1 MTODO DE NEWTON-RAPHSON CON DERIVE 6.
Las siguientes lneas de programacin en Derive 6 mediante programacin funcional constituyen el mtodo de
las tangentes para el clculo de la raz de una ecuacin, utilizando el nmero de iteraciones n como criterio de
paro...
#1: F(x) :=
#2: APROX(in, n) := ITERATES(v F(v)/F'(v), v, in, n)
#3: NEWTON(in, n) := [raiz, error ; (APROX(in, n))+n, ABS((APROX(in, n))+n (APROX(in, n))+(n 1))]
en cambio las siguientes lneas constituyen la programacin procedural en Derive 6 para el clculo de la raz de
una ecuacin mediante el mtodo de Newton Raphson, utilizando el nmero de iteraciones n como criterio de
paro...

#1: F(x) :=
#2: NEWTON_(in, n) := PROG(i := 1, r := in, LOOP(r_ := r F(r)/F(r), t := ABS(r_ r), IF(i = n, RETURN [raz, error;
r_, t]), r := r_, i :+ 1))
2.4.2 MTODO DE LAS SECANTES.
Este mtodo es una variante del anterior, pues la aproximacin a la raz se la efecta mediante secantes a la
curva, en lugar de tangentes. Para construir la secante son necesarios dos puntos iniciales de bsqueda, y co-
mo se ver no es necesario el clculo de la derivada, particularidad que simplifica los clculos y hace de este
mtodo ms fcil de utilizar que el anterior.
Sea f(x) una funcin que contenga una raz, como lo muestra el grfico siguiente...

Se estiman entonces como puntos iniciales de bsqueda, x
0
y x
1
, seguidamente por dichos puntos se traza una
secante a f(x) que pase por los puntos (x
0
, f(x
0
)) y (x
1
, f(x
1
)); dicha secante corta al eje x en el punto x
2
, que es la
primera aproximacin a la raz exacta. Ahora se toma como estimaciones de bsqueda a los puntos x
1
y x
2
y se
vuelve a repetir el procedimiento para encontrar las siguientes aproximaciones x
3
, x
4
, ..., x
n
; el proceso se de-
tendr cuando la distancia entre dos aproximaciones sucesivas x
n-1
y x
n
no superen una tolerancia prefijada tol.
Existe una frmula general para la aproximacin nsima (x
n
) a la raz exacta, sta se deducir a continuacin.
Considrese el tringulo AAx
2
x
0
que contiene en su interior al tringulo semejante ABx
2
x
1,
por semejanza se pue-
de establecer que...
2 1
2 0
1
0
1
0
x x
x x
) x ( f
) x ( f
Bx
Ax
= = , de donde...
) x ( f ) x ( f
) x ( f x ) x ( f x
x
0 1
0 1 1 0
2
= para la pareja de trin-

gulos ABx
3
x
1
y ACx
3
x
2
se puede establecer bajo la misma deduccin que...
) x ( f ) x ( f
) x ( f x ) x ( f x
x
1 2
1 2 2 1
3
= y como el
procedimiento genera parejas de tringulos de la misma especie, de manera general se tiene...
n n 1 n 1 n
n 2
n 1 n
x f(x ) x f(x )
x n 0,1,2,3,4...
f(x ) f(x )
+ +
+
+
= =
sta es la frmula general para la nsima aproximacin a la

raz exacta. El mtodo es muy sencillo de aplicar, pero al igual que el mtodo de las tangentes, su principal pro-
blema es que requiere buenas estimaciones iniciales, de otro modo, la solucin iterativa puede divergir o con-
Fig. 2.5: Mtodo de las secantes

verger a una solucin irrelevante. La velocidad de convergencia hacia la raz exacta de ste mtodo es algo me-
nor que la del mtodo de Newton Raphson, pero mayor que la de los anteriores. El segundo punto inicial de
bsqueda se puede establecer como
1 0
x x = + A donde A es un valor arbitrario muy pequeo, por ejemplo
podra ser A = 0.1
Ejemplo 2.11
Determinar las races de la ecuacin ) x ( sen 5 e x ) x ( f
x 2
+ = que se ubiquen en el intervalo [0, 3], utili-
zando el mtodo de las secantes con una tolerancia de 0.0001.
De una exploracin grfica...
1 0 1 2 3
5
5
f x ( )
x

se observa que en el intervalo pedido existen dos races ubicadas en [0, 1] y [2, 3].
La frmula iterativa que se aplicar para este problema es...
n 1 n
n 1 n
x x 2 2
n n 1 n 1 n 1 n n
n 2
x x 2 2
n 1 n 1 n n
x ( x e sen(x )) x ( x e sen(x ))
x
( x e sen(x )) ( x e sen(x ))
+
+
+ + +
+
+ +
+ +
=
+ +

Tomndose como aproximaciones iniciales x
0
= 0 y x
1
= 0.1, se genera la siguiente tabla...
i x
i
f(x
i
)
0 0 1
1 0.1 0.5568494498
2 0.2256569465 0.02322391412
3 0.2311256618 0.0006856431217
4 0.2312920271 0.0000009698230056
5 0.2312922627 0.0000000002522049249

i 1 2 3 4 5 6
Error absoluto --- 0.1 0.125656 0.00563508 0.000166365 0.000000235600

En el intervalo [2, 3], para las aproximaciones iniciales x
0
= 2 y x
1
= 2.1, la tabla para el proceso iterativo es...


i x
i
f(x
i
)
0 2 1.171719571
1 2.1 0.7697572352
2 2.291499840 0.1344009559
3 2.263033846 0.01067115809
4 2.265127736 0.0001228361095
5 2.265152119 0.0000001128807819

i 1 2 3 4 5 6
Error absoluto --- 0.1 0.191499 0.0284659 0.00209389 0.0000243829
entonces las races buscadas son x = 0.2312922627 y x = 2.265152119.
2.4.2.1 MTODO DE LAS SECANTES CON DERIVE 6.
Las siguientes lneas de programacin en Derive 6 constituyen el mtodo de las secantes para el clculo de la
raz de una ecuacin mediante programacin funcional y con el nmero de iteraciones n como criterio de paro...
#1: F(x) :=
#2: APROX(o, A, n) := ITERATE([v+2, (v+1F(v+2) v+2F(v+1))/(F(v+2) F(v+1))], v, [o, o + A], n 1)
#3: SECANTE(o, A, n) := [raz, error ; (APROX(o, A, n))+2, ABS((APROX(o, A, n))+2 (APROX(o, A, n))+1)]
2.4.3 MTODO DE ITERACIN DE PUNTO FIJO O DE SUSTITUCIONES SUCESIVAS.
Este mtodo se basa en un proceso iterativo mediante el cual sustituyendo una aproximacin inicial n veces en
una misma ecuacin, se llegar a una aproximacin tan cercana como se desee de la raz verdadera.
Supngase que se tiene la ecuacin f(x) = 0, y partiendo de ella se puede despejarla, de manera de escribirla en
la forma x = g(x). A partir de sta ecuacin se puede generar un proceso iterativo, empezando con una estima-
cin inicial x
0
de la raz. As... x
1
= g(x
0
) , x
2
= g(x
1
), x
3
= g(x
2
), .... , x
n
= g(x
n-1
). El valor x
n
ser una aproxima-
cin ms exacta a la raz.. El proceso iterativo se detendr cuando la distancia entre dos aproximaciones sucesi-
vas x
n-1
y x
n
no superen una tolerancia prefijada tol. Los sucesivos valores x
0
, x
1
, x
2
,x
3
, ..., x
n
si bien, en general,
se aproximan a la raz existe la posibilidad de que tambin se alejen de ella, es decir de que diverjan. Si se quiere
que la sucesin de valores se aproxime a la raz se debe cumplir que 1 ) x ( g < para todos los valores de x en la
regin de bsqueda de la raz; si esta condicin no se cumple el proceso de sustituciones sucesivas divergir. El
mtodo de sustituciones sucesivas y su convergencia o divergencia en base a la condicin anteriormente dada,
se representa grficamente, mediante el denominado diagrama de Cobweb, de convergencia divergencia o de
escalones. La raz exacta es el punto en el cual x y g(x) se intersecan y el proceso de sustituciones sucesivas
tratar de llegar a este punto, cuando exista convergencia.

Si 0 < g(x) < 1, en todos los puntos del intervalo de bsqueda de la raz, entonces el proceso de sustitucio-
nes sucesivas representado en la grfica anterior muestra una convergencia hacia la raz. En dicho caso la con-
vergencia es montona y ocurre por el extremo del intervalo de bsqueda que contena la aproximacin inicial.
Si 1 < g(x) < 0, en todos los puntos del intervalo de bsqueda de la raz, entonces el proceso de sustitucio-
nes sucesivas representado en la grfica siguiente muestra tambin una aproximacin hacia la raz. En este caso
la convergencia es oscilante o alternada y ocurre por uno y otro extremo del intervalo de bsqueda que contena
la aproximacin inicial.
Ambos intervalos de la primera derivada de g(x) analizados anteriormente estn contenidos en la condicin,
1 ) x ( g < . Resultar obvio que para valores que no cumplan esta condicin se producir un alejamiento o di-
vergencia de la raz exacta.

Si g(x) > 1, en todos los puntos del intervalo de bsqueda de la raz, entonces el proceso de sustituciones su-
cesivas representado en la grfica siguiente muestra una divergencia montona de la raz.


Si g(x) < 1, en todos los puntos del intervalo de bsqueda de la raz, entonces el proceso de sustituciones
sucesivas representado en la grfica de abajo muestra una tambin una divergencia de la raz, pero esta es al-
ternante.

Las siguientes lneas de programacin en Derive 6 permiten crear una matriz de puntos que dibujan el diagrama
de Cobweb para el mtodo de iteracin de punto fijo
[3]
...
#1: COBWEB_AUX(v, g, x, n) := [[v+1, 0; v+1, v+2], VECTOR([v+r, v+(r + 1); v+(r + 1), v+(r + 1); v+(r + 1), v+(r +
2)], r, 1, n 1)]
#2: COBWEB(g, x, in, n) := COBWEB_AUX(ITERATES(g, x, in, n), g, x, n)
Ejemplo 2.12
Determinar la raz de la ecuacin ) 1 x ( sen x ) x ( f
2
+ = que se ubica en el intervalo [0, 1], utilizando el mto-
do de sustituciones sucesivas con una tolerancia de 0.0001.
Primeramente se escribe la ecuacin en la forma x = g(x), as x sen(x 1) = + ; a continuacin se obtiene la
primera derivada de g(x) y se grafica ) x ( g para ver si cumple la condicin 1 ) x ( g < ...

1 0 1
1
1
1
x
g x ( )
d
d
x
de la grfica se observa que la condicin g (x) 1 ' < se cumple. Esto se puede verificar realizando el grfico de
Cobweb con x
0
= 1...

El clculo de la raz entonces es...
i x
i
g(x
i
)
0 1 0.9535708819
1 0.9535708819 0.9631365028
2 0.9631365028 0.9612579363
3 0.9612579363 0.9616306269
4 0.9616306269 0.9615568349
5 0.9615568349 0.9615714513

i 1 2 3 4 5 6
Error absoluto --- 0.0464291 0.0095656 0.00187856 0.000372690 0.000073792
por lo que la raz pedida es x = 0.9615568349.
Ejemplo 2.13
Encuentre la raz de la ecuacin
2
f(x) x cos(x) = contenida en el intervalo [0.5, 1] mediante el mtodo de
iteracin de punto fijo con 4 cifras decimales de precisin.
Se escribe la ecuacin en la forma x = g(x)

2
2
cos( ) 0
cos( )
cos( )
x x
x x
x x
=
=
=

entonces
( ) cos( ) g x x =

y
( )
( )
2 cos( )
sen x
g x
x
' =

una tabla para g (x) ' , entre 0.5 y 1 produce:
x
i

i
g (x ) '
0.5 0.25588638369116888504
0.6 0.31076224819089528823
0.7 0.36831273140128669859
0.8 0.42971429180476252213
0.9 0.49676851807340434979
1 0.57238828862337537795
Lo cual demuestra que con este despeje el mtodo va a converger.
i x
i
g(x
i
) error
1 0.5 0.9367937669 ------
2 0.9367937669 0.7696585012 0.4367937669
3 0.7696585012 0.8474363439 0.1671352657
4 0.8474363439 0.8135766709 0.07777784269
5 0.8135766709 0.8287964113 0.03385967299
6 0.8287964113 0.8220483178 0.01521974040
7 0.8220483178 0.8250588816 0.006748093499
8 0.8250588816 0.8237194383 0.003010563799
9 0.8237194383 0.8243161060 0.001339443299
10 0.8243161060 0.8240504594 0.0005966676999
11 0.8240504594 0.8241687585 0.0002656465998
12 0.8241687585 0.8241160826 0.0001182990998
13 0.8241160826 0.8241395391 0.00005267590000
14 0.8241395391 ------- 0.00002345650020
La raz pedida es 0.8241395391; ste resultado se ha logrado luego de 14 iteraciones, demostrando con ello
que el mtodo de iteraciones sucesivas es el ms lento de los mtodos abiertos.

2.4.3.1 MTODO DE ITERACIN DE PUNTO FIJO CON DERIVE 6.
Las siguientes lneas de programacin en Derive 6 conforman el mtodo de sustituciones sucesivas para el
clculo de la raz de una ecuacin, utilizando programacin funcional y el nmero de iteraciones n como criterio
de paro...
#1: G(x) :=
#2: APROX(in, n) := ITERATES(G(x), x, in, n)
#3: SUST_SUC(in, n) := [raz, error ; (APROX(in, n))+n, ABS((APROX(in, n))+n (APROX(in, n))+(n 1))]
CARACTERSTICAS DE LOS MTODOS ABIERTOS ESTUDIADOS: : El siguiente cuadro muestra una serie de carac-
tersticas que pueden servir para elegir uno de los mtodos estudiados de acuerdo al contexto del problema...
Mtodo de Newton - Raphson Mtodo de las secantes
El mtodo puede converger o divergir de la
raz buscada
El mtodo puede converger o divergir de la
raz buscada
Es rpido en su convergencia hacia la raz,
pues tiene convergencia cuadrtica.
Es rpido en su convergencia hacia la raz,
algo menor que el mtodo de Newton
Raphson, pues tiene convergencia casi
cuadrtica.
Necesita de una sola aproximacin inicial a la
raz.
Necesita de dos aproximaciones iniciales a la
raz, aunque se puede modificar de forma tal
que se requiera una sola aproximacin inicial.
Una buena aproximacin inicial a la raz debe
estar lo ms cerca de la misma.
Buenas aproximaciones iniciales a la raz de-
ben estar lo ms cerca de la misma.

Mtodo de iteracin de punto fijo
El mtodo puede converger o divergir de la raz
buscada
Su convergencia ser ms rpida, cuanto ms
g (x) ' sea prximo a 0.
Necesita de una sola aproximacin inicial a la raz.
Una buena aproximacin inicial a la raz es aquella
para la cual se cumple que
0
g (x ) 1 ' <

72 Diferenciacin numrica

3
D DI IF FE ER RE EN NC CI IA AC CI I N N N NU UM M R RI IC CA A

La derivada de una funcin en un punto es un procedimiento matemtico de suma importancia, dentro de mu-
chas ciencias aplicadas, es por ello que es necesario implementar procedimientos numricos que agiliten su
clculo, tanto ms que este es un requerimiento indispensable en la resolucin de ecuaciones diferenciales.
En el presente captulo se estudiarn los mtodos para hallar la derivada a partir de un conjunto de datos, en los
cuales obviamente ir incluido el punto de clculo de la derivada.
3.1 DERIVADAS POR APROXIMACIN DE DIFERENCIAS.
Este mtodo consiste en utilizar un conjunto discreto de datos, con el objetivo de generar un polinomio de inter-
polacin y a partir de ste obtener la derivada. Dependiendo de la disposicin de los puntos del conjunto de da-
tos con respecto al punto de clculo de la derivada, se pueden conseguir tres posibilidades que son:
Aproximacin por diferencias progresivas o hacia adelante.
Aproximacin por diferencias regresivas o hacia atrs, y
Aproximacin por diferencias centrales.
Revisemos cada una de ellas
3.1.1 DERIVADAS POR APROXIMACIN DE DIFERENCIAS PROGRESIVAS Y REGRESIVAS.
Considrese los siguientes conjuntos de datos:
{ }
{ }
1 1
1
0 0
0 0 1
, x x
x ,
x x
x x x

>
>

donde x
0
es el punto de clculo de la derivada. El subndice denota la posicin relativa de x.
Si se evala una funcin f(x) en dichos conjuntos de datos se tiene
{ }
{ }
1
1
0
0
f( ),f(x )
f(x ),f( )
x
x

o de forma abreviada
{ }
{ }
0 1
1 0
f ,f
f ,f

Entonces con los conjuntos de datos
x
0
x
1

f
0
f
1

x
1
x
0

f
1
f
0


Se proceder a hallar los polinomios de interpolacin correspondientes mediante el mtodo de Lagrange. Adi-
cionalmente se va a considerar que los puntos estn equiespaciados, es decir, hay una distancia h entre ellos
0
1 0
1
h x
h
x
x x

=
=
.
Para el primer conjunto de datos, los polinomios bsicos de Lagrange o funciones de forma se escriben como...
1
0
1 0
(x x
x
)
L (x)
( x )

0
1
0 1
x (x )
L(x)
(x x )

por lo que el polinomio de interpolacin ser
1 0
0 0
0 1
1 1
(x ) (x x )
p(x) f f
( x ) (x
x
x x )

= +

derivando esta expresin se tiene..
( )
( )
1
0
0
1
x
f f
dp
dx x

por lo que
( )
( )
( )
0
1 0 1 0
0 0
x x 1 0
f f f f
df
f (x ) f
x dx x h
=

' ' = = ~ =

Para el segundo conjunto de datos
0
0
0 1
(x )
L
x
x
(x)
(x )

1
1
1 0
(x x )
L(x
( x ) x
)

por lo que el polinomio de interpolacin ser
1
1 0
1 1
0
0 0
(x ) (x x )
p(x) f f
(x ) x x x ( )
x

= +

derivando esta expresin se tiene..
( )
( )
0
1 0
1
f f
x
dp
dx x

por lo que
( )
( )
( )
0
0
0 1 0 1
0 0
x x 1
f
x
f f f
df
f (x ) f
dx x h

=

' ' = = ~ =

La expresin (3.1) se denomina aproximacin por diferencias progresivas o hacia delante, mientras que la ex-
presin (3.2) se llama aproximacin por diferencias regresivas o hacia atrs.
(3.1)
(3.2)

Ejemplifiquemos el sentido geomtrico de estas aproximaciones
Considrese la funcin
2
f(x) x 1 = + , y supngase que se desea calcular de manera aproximada f (1) ' , enton-
ces
por diferencias progresivas el conjunto que se elegir es
x 1 2
f(x)
2
1 1 2 + =
2
2 1 5 + =
y por diferencias regresivas
x 0 1
f(x)
2
0 1 1 + =
2
1 1 2 + =
las formulas para aproximacin por diferencias progresivas y regresivas corresponden a los valores en x = 1 de
las rectas que se obtienen de las tablas, mientras que la derivada exacta es la lnea tangente a f(x) en x = 1, es-
to se muestra en la grfica siguiente:

Es obvio que si la distancia h entre los puntos x, disminuye las rectas para las diferencias progresivas y regresi-
vas se aproximarn ms a la recta tangente que representa la derivada exacta, por lo que se podra suponer que
el error de aproximacin se reduce al disminuir dicho valor.
Ejemplo 3.1
Determinar la primera derivada de
sen(x)
f(x) e = en x = 0, con h = 0.1 y h = 0.01 mediante aproximacin por
diferencias progresivas y regresivas. Utilizar 10 cifras significativas.
Primeramente se genera ambas tablas de datos tanto para h = 0.1 como h = 0.01, as
a.) h = 0.1 y diferencias progresivas
x 0 0.1
f(x)
sen(0)
e 1 =
sen(0.1)
e 1.104986830 =
Recta para diferen-
cias progresivas
y 3x 1 =
Recta para dife-
rencias regresivas
y x 1 = +
Tangente a
2
f(x) x 1 = +
2
f(x) x 1 = +

( )
x 0
1.104986830 1
df
1.049868299
dx 0.1
=
~ =
b.) h = 0.1 y diferencias regresivas
x 0.1 0
f(x)
sen( 0.1)
e 0.9049881614
=
sen(0)
e 1 =
( )
x 0
1 0.9049881614
df
0.9501183859
dx 0.1
=
~ =
c.) h = 0.01 y diferencias progresivas
x 0 0.01
f(x)
sen(0)
e 1 =
sen(0.01)
e 1.010049998 =
( )
x 0
1.010049998 1
df
1.004999800
dx 0.01
=
~ =
d.) h = 0.01 y diferencias regresivas
x 0.01 0
f(x)
sen( 0.01)
e 0.9900499987
=
sen(0)
e 1 =
( )
x 00
1 0.9900499987
df
0.9950001299
dx 0.01
=
~ =
Siendo la derivada exacta 1, entonces el error en cada caso es.
a.) e 1 1.049868299 0.049868299 = =
b.) e 1 0.9501183859 0.0498816141 = =
c.) e 1 1.004999800 0.004999800 = =
d.) e 1 0.9950001299 0.0049998701 = =
Como se dijo al disminuir el valor de h, se observa que el error tambin disminuye.
El proceso estudiado para un conjunto de dos datos se puede aplicar a 3 o ms datos generndose de dicha
forma formulas para diferencias progresivas y regresivas ms exactas. Sin embargo al aumentar el nmero de
puntos el procedimiento se hace de trmite engorroso, por lo que vamos a utilizar Derive 5, para facilitar los
clculos
Considrese el conjunto de datos ( ) ( ) ( ) { }
2 0 0 1 1 2
,f , x ,f , x ,f x , separados una distancia h tal que
0 1
x h x = + y
0 2
x 2 x h = + , entonces va a generarse el polinomio de interpolacin con Derive 5 mediante el proceso siguien-
te:
Se ingresa la orden InputMode := Word para que admita variables de ms de 1 carcter.
Se define el polinomio de interpolacin como p(x) : a x 2 b x c
.
= - + - + .

Se establece el vector de condiciones de la interpolacin [p(x0)=f0, p(x1)=f1, p(x2)=f2], que generar
un sistema de ecuaciones.
Se resuelve el sistema obtenido, para las variables a, b y c, mediante la orden SOLVE([p(x0) = f0, p(x1)
= f1, p(x2) = f2], [a, b, c]).
Se obtiene entonces el vector solucin

Se substituye en el vector solucin
0 1
x h x = + y
0 2
x 2 x h = + , logrndose simplificar la solucin a

Entonces se reemplaza a, b y c en p(x), obtenindose

Se deriva la expresin anterior

Finalmente se substituye x = x
0

Esta frmula corresponde a la aproximacin por diferencias progresivas con tres puntos y escrita con notacin
formal se presenta como

0
0 1 2
0 0
x x
3f 4f f df
f (x ) f
dx 2h
=
+
' ' = = ~
De forma similar se pueden obtener la aproximacin por diferencias regresivas para el conjunto de datos
( ) ( ) ( ) { }
2 2 1 1 0 0
x ,f , x ,f , ,f x

con
1 0
x h x
= y
2 0
x x 2h
= , obtenindose
0
0 1 2
0 0
x x
3f 4f f df
f (x ) f
dx 2h

=
+
' ' = = ~
que corresponde a la aproximacin por diferencias regresivas con tres puntos. Con estas aproximaciones se
disminuye el error como se va a demostrar mediante el siguiente ejemplo
Ejemplo 3.2
sen(x)
diferencias progresivas y regresivas en tres puntos. Utilizar 10 cifras significativas.
Primeramente se genera ambas tablas de datos tanto para h = 0.1 como h = 0.01, as
a.) h = 0.1 y diferencias progresivas
x 0 0.1 0.2
f(x)
sen(0)
e 1 =
sen(0.1)
e 1.104986830 =
sen(0.2)
e 1.219778556 =
0
3(1) 4(1.104986830) (1.219778556)
f 1,00084382
2(0.1)
+
' ~ =
b.) h = 0.1 y diferencias regresivas
x 0.2 0.1 0
f(x)
sen( 0.2)
e 0.8198209380
=
sen( 0.1)
e 0.9049881614
=
sen(0)
e 1 =
0
3(1) 4(0.9049881614) (0.8198209380)
f 0.999341462
2(0.1)
+
' ~ =
c.) h = 0.01 y diferencias progresivas
x 0 0.01 0.02
f(x)
sen(0)
e 1 =
sen(0.01)
e 1.010049998 =
sen(0.02)
e 1.020199979 =
0
3(1) 4(1.010049998) (1.020199979)
f 1.00000065
2(0.01)
+
' ~ =
d.) h = 0.01 y diferencias regresivas
x 0.02 0.01 0
f(x)
sen( 0.02)
e 0.9801999802
=
sen( 0.01)
e 0.9900499987
=
sen(0)
e 1 =
0
3(1) 4(0.9900499987) (0.9801999802)
f 0.99999927
2(0.01)
+
' ~ =
a.) e 1 1,00084382 0.00084382 = =
(3.3)
(3.4)

b.) e 1 0.999341462 0.000658538 = =
c.) e 1 1.00000065 0.00000065 = =
d.) e 1 0.99999927 0.00000073 = =
Es evidente que al considerar aproximaciones por diferencias en tres puntos el error ha disminuido de forma no-
toria.
La siguiente tabla resume las derivadas aproximadas por diferencias progresivas y regresivas para 2, 3 y 4
puntos
Aproximacin por diferencias progresivas
2 puntos
1 0
0
f f
f
h
' ~
3 puntos
0 1 2
0
3f 4f f
f
2h
+
' ~
4 puntos
0 1 2 3
0
11f 18f 9f 2f
f
6h
+
' ~
Aproximacin por diferencias regresivas
2 puntos
0 1
0
f f
f
h
' ~
3 puntos
0 1 2
0
3f 4f f
f
2h

+
' ~
4 puntos
0 1 2 3
0
11f 18f 9f 2f
f
6h

+
' ~
3.1.2 DERIVADAS POR APROXIMACIN DE DIFERENCIAS CENTRALES.
Este mtodo debe su nominacin a que el punto donde se determina la primera derivada se halla en el centro de
un conjunto discreto de puntos equidistantes. De esta manera solamente se pueden obtener un conjunto de un
nmero impar de puntos, as
{ }
1 0 1
x , , x 3 p s x unto

{ }
2 1 0 1 2
x , x , , x , x 5 pu x ntos

procediendo como en el anterior tem, se deducen para las aproximaciones por diferencias centrales las siguien-
tes frmulas
Aproximacin por diferencias centrales
3 puntos
1 1
0
f f
f
2h
' ~

5 puntos
2 1 1 2
0
f 8f 8f f
f
12h

+
' ~
La aproximacin por diferencias centrales usualmente produce resultados ms exactos que la aproximacin por
diferencias progresivas o regresivas con el mismo nmeros de puntos, como lo demuestra el siguiente ejem-
plo
Ejemplo 3.3
sen(x)
diferencias centrales en tres puntos. Utilizar 10 cifras significativas.
a.) h = 0.1
x 0.1 0 0.1
f(x)
sen( 0.1)
e 0.9049881614
=
sen(0)
e 1 =
sen(0.1)
e 1.104986830 =
0
(1.104986830) (0.9049881614)
f 0.999993343
2(0.1)
' ~ =
b.) h = 0.01
x 0.01 0 0.01
f(x)
sen( 0.01)
e 0.9900499987
=
sen(0)
e 1 =
sen(0.01)
e 1.010049998 =
0
(1.010049998) (0.9900499987)
f 0.999999965
2(0.01)
' ~ =
e 1 0.999993343 0.000006657 = =
e 1 0.999999965 0.000000035 = =

Este resultado es consistente con el hecho de que en un puntos equiespaciados la interpolacin polinmica es
ms exacta en la parte central del intervalo de interpolacin y ms errnea en los extremos.
3.1.3 DERIVADAS DE ORDEN SUPERIOR.
El procedimiento para hallar la segunda derivada o derivadas de orden superior es el mismo empleado en las
derivadas de primer orden, con la nica salvedad de que si se desea calcular una derivada de orden n es nece-
sario contar con n + 1 puntos.
As entonces, para hallar la segunda derivada es necesario tener tres puntos sea por diferencias hacia delante,
hacia atrs o centrales. Con la ayuda de Derive 5, se puede determinar las frmulas para la segunda derivada,
las cuales se expresan en la siguiente tabla:
Aproximacin por diferencias progresivas
3 puntos
0 1 2
0 2
f 2f f
f
h
+
'' ~

Aproximacin por diferencias regresivas
3 puntos
0 1 2
0 2
f 2f f
f
h

+
'' ~
Aproximacin por diferencias centrales
3 puntos
1 0 1
0 2
f 2f f
f
h
+
'' ~

Ejemplo 3.4
Determinar la segunda derivada de
sen(x)
f(x) e = en x = 0, con h = 0.1 mediante aproximacin por diferencias
progresivas, regresivas y centrales. Utilizar 10 cifras significativas.
a.) Diferencias progresivas, h = 0.1
x 0 0.1 0.2
f(x)
sen(0)
e 1 =
sen(0.1)
e 1.104986830 =
sen(0.2)
e 1.219778556 =
0 1 2
0 2
01 2
0
f 2f f
f
h
(1) 2(1.104986830) (1.219778556)
f
(0.1)
f 0.9804896
+
'' ~
+
'' ~
'' ~

El valor exacto es 1, por lo que
e 1 0.9804896 0.0195104 = =
b.) Diferencias regresivas
x 0 0.1 0.2
f(x)
sen(0)
e 1 =
sen( 0.1)
e 0.9049881614
=
sen( 0.2)
e 0.8198209380
=
0 1 2
0 2
01 2
0
f 2f f
f
h
(1) 2(0.9049881614) (0.8198209380)
f
(0.1)
f 0.98446152

+
'' ~
+
'' ~
'' ~

e 1 0.98446152 0.01553848 = =
el error es similar al obtenido por diferencias progresivas.
c.) Diferencias centrales
x 0.1 0 0.1
f(x)
sen( 0.1)
e 0.9049881614
=
sen(0)
e 1 =
sen(0.1)
e 1.104986830 =

0 1 2
0 2
01 2
0
f 2f f
f
h
(1.104986830) 2(1) (0.9049881614)
f
(0.1)
f 0.99749914

+
'' ~
+
'' ~
'' ~

e 1 0.99749914 0.00250086 = =
el error ha mejorado con respecto a diferencias progresivas y regresivas.
3.2 ERROR EN DIFERENCIACIN NUMRICA.
El error en los mtodos de derivacin numrica se deduce en base a un anlisis por series de Taylor.
Se deducirn dos casos en particular, el error en la primera derivada por diferencias progresivas con 2 y 3
puntos; los restantes casos se pueden analizar de una forma similar
Considrese la serie de Taylor siguiente
0 0
2
0 0
h h
f( h) f( ) f ( ) x x x x f ( ) ...
1! 2!
' '' + = + + + , donde
0 1
x h x = +
despejando
0
f ( ) x '
0 0 0
0
x x f( h) f( ) f ( )
f ( ) h ...
h 2
x
x
'' +
' =
en forma simplificada se escribe
1 0
0
0
f f
f O(h) ...
h
donde
h
O(h) f
2
' = + +
'' =

lo que demuestra que el error en la primera derivada por diferencias progresivas en dos puntos es de orden h.
Ahora considrense las series de Taylor siguientes
0 0
2
0 0
h h
f( h) f( ) f ( ) x x x x f ( ) ...
1! 2!
' '' + = + + + , donde
0 1
x h x = +
0 0
2
0 0
h h
f( h) f( ) f ( ) x x x x f ( ) ...
1! 2!
' '' + = + + + , donde
0 1
x h x = +

El siguiente cuadro tabula el orden del error para las diferentes derivadas obtenidas anteriormente
No. de puntos Aproximacin por
Orden de la
derivada
Orden del error
2 diferencias progresivas 1 O(h)
trmino dominante del
error (orden del error)
Primera derivada por
diferencias progresivas

3 diferencias progresivas 1 O(h
2
)
4 diferencias progresivas 1 O(h
3
)
2 diferencias regresivas 1 O(h)
3 diferencias regresivas 1 O(h
2
)
4 diferencias regresivas 1 O(h
3
)
3 diferencias centrales 1 O(h
2
)
4
)
3 diferencias progresivas 2 O(h)
3 diferencias regresivas 2 O(h)
2
)
El trmino O(h
n
) significa de forma prctica, que el nmero aproximado de cifras decimales exactas estn dadas
por el resultado de h
n
. El siguiente ejemplo aclara este concepto
Ejemplo 3.5
x
f(x) x = en x = 1.5, con 5 cifras decimales de precisin mediante diferen-
cias progresivas, regresivas y centrales.
a.) Diferencias progresivas
Para obtener 5 cifras decimales de precisin se utilizar la frmula para 4 puntos con h = 0.01, pues en ese
caso el orden del error(nmero aproximado de cifras decimales de precisin) es
3 3
h (0.01) 0. 1 00000 = =
x 1.5 1.51 1.52 1.53
f(x)
1.5
1.5 1.837117307 =
1.51
1.51 1.863181616 =
1.52
1.52 1.889740860 =
1.53
1.53 1.916804803 =
1.5 1.51 1.52 1.53
1.5
1.5
1.5
11f 18f 9f 2f
f
6h
11(1.837117307) 18(1.863181616) 9(1.889740860) 2(1.916804803)
f
6(0.01)
f 58200 2. 9617
+
' ~
+
' ~
' ~

Este valor es confiable en un 100% hasta la quinta cifra decimal, las restantes podran ser o no ser exactas. Pa-
ra corroborar esta afirmacin se puede comparar con su valor exacto a 10 cifras significativas 2.582004274.
b.) Diferencias regresivas
Para obtener 5 cifras decimales de precisin se utilizar nuevamente la frmula para 4 puntos con h = 0.01,
pues en ese caso el orden del error(nmero aproximado de cifras decimales de precisin) es
3 3
h (0.01) 0. 1 00000 = =
x 1.5 1.49 1.48 1.47
f(x)
1.5
1.5 1.837117307 =
1.49
1.49 1.811538381 =
1.48
1.48 1.786435493 =
1.47
1.47 1.761799498 =

0 1 2 3
1.5
1.5
1.5
11f 18f 9f 2f
f
6h
11(1.837117307) 18(1.811538381) 9(1.786435493) 2(1.761799498)
f
6(0.01)
f 58199 2. 9332

+
' ~
+
' ~
' ~

e 2.582004274 2.581999332 0.0000 942 04 = =
El valor del error con respecto al valor exacto muestra la confiabilidad en las 5 cifras decimales(al efectuar el re-
dondeo).
b.) Diferencias centrales
Para obtener 5 cifras decimales de precisin se utilizar la frmula para 3 puntos con h = 0.001, pues en ese
caso el orden del error(nmero aproximado de cifras decimales de precisin) es
2 2
h (0.001) 0. 1 00000 = =
x 1.499 1.5 1.501
f(x)
1.49
1.499 9 1.834537728 =
1.5
1.5 1.837117307 =
1.501
1.501 1.839701739 =
1 1
1.5
1.5
1.5
f f
f
2h
(1.839701739) (1.834537728)
f
2(0.001)
f 58200 2. 55
' ~
' ~
' ~

Nuevamente es fcil observar la confiabilidad en las 5 cifras decimales de precisin al compararlas con el valor
exacto.
3.3 DERIVADAS NUMRICAS CON DERIVE 6.
Con la ayuda de la programacin funcional de Derive 6 se puede escribir muy fcilmente una utilidad para todas
las derivadas numricas estudiadas anteriormente. Esta utilidad se detalla a continuacin
#2: f(x) :=
#3: DDP2(x0, h) := (f(x0 + h) f(x0))/h
#4: DDP3(x0, h) := (3*f(x0) 4*f(x0 + h) + f(x0 + 2*h))/(2*h)
#5: DDR2(x0, h) := (f(x0) f(x0 h))/h
#6: DDR3(x0, h) := (3*f(x0) 4*f(x0 h) + f(x0 2*h))/(2*h)
#7: DDC3(x0, h) := (f(x0 + h) f(x0 h))/(2*h)
#8: DDC5(x0, h) := (f(x0 2*h) 8*f(x0 h) + 8*f(x0 + h) f(x0 + 2*h))/(12*h)
DDPn representa la primera derivada por diferencias progresivas en n puntos
DDRn representa la primera derivada por diferencias regresivas en n puntos
DDCn representa la primera derivada por diferencias centrales en n puntos
X0 es el punto en que se calcula la derivada con un tamao de paso h.
Ejemplo 3.6
x
e
f(x)
cos(x) sen(x)
en x = 0.2, con 5 cifras decimales de precisin me-

diante las frmulas de diferencias progresivas(2 y 3 puntos), regresivas(2 y 3 puntos) y centrales(3 y 5 puntos).
Se determina el tamao de paso en cada caso
84 Integracin numrica

No. de
puntos
Aproximacin por
Orden del
error
h
2 diferencias progresivas O(h) 0.000001
3 diferencias progresivas O(h
2
) (0.001)
2
= 0.000001
2 diferencias regresivas O(h) 0.000001
3 diferencias regresivas O(h
2
) (0.001)
2
= 0.000001
3 diferencias centrales O(h
2
) (0.001)
2
= 0.000001
5 diferencias centrales O(h
4
) (0.01)
4
= 0.00000001
Se ingresan entonces las siguientes instrucciones
f(x) :=(^(x))/(cosx sinx)
[DDP2(0.2,0.000001),DDP3(0.2,0.001),DDR2(0.2,0.000001),DDR3(0.2,0.001),DDC3(0.2,0.001),DDC5(0.2,0.
01)]
al simplificar se obtiene

resultados que presentan cinco cifras decimales de precisin en todos los casos, redondeando para DDP3,
DDR2 y DDR3.

4
I IN NT TE EG GR RA AC CI I N N N NU UM M R RI IC CA A
La integracin de una funcin es el proceso inverso a la derivacin, pero mientras que la derivada de una fun-
cin es relativamente fcil de hallar y esta definida para toda funcin continua, la integral de una funcin no
siempre es sencillo determinarla, pues en un buen nmero de casos la integral de una funcin resulta ser una
funcin no elemental.
La integracin numrica entonces proporciona mtodos a travs de los cuales es muy simple hallar la integral
de una funcin, considerando el significado geomtrico que ella representa; as pues, la integral de una funcin
continua f(x) entre x = a y x = b, es el rea bajo la curva f(x) entre x = a y x = b, como lo representa la figura
siguiente:

Bajo este enfoque es posible hallar una integral, para una funcin o un conjunto de datos, como se analizar a
continuacin.
4.1 MTODO DE LOS RECTNGULOS Y DEL PUNTO MEDIO
El mtodo de los rectngulos consiste en aproximar una funcin mediante una serie de rectngulos de forma tal
que el rea calculada para los mismos aproxime al rea bajo la funcin. El siguiente esquema ejemplifica lo
mencionado
a b
b
a
f(x)dx
}


Al incrementar el nmero de rectngulos utilizados en la aproximacin es evidente que el rea total de los
mismos es ms cercana a la integral, como lo muestra claramente el siguiente grfico

El mtodo de los rectngulos considera entonces una serie de n rectngulos

cuyas bases tienen una longitud h(
1 0
x x h = ,
2 1
x x h = ,
3 2
x x h = ,,
n n 1
x x h
= ) y sus alturas son

reas en exc eso eliminadas al duplicar
el nmero de rectngulos.

x0 x1 x5

xn3 xn
h h h h h h h h

f(x0)
f(x1)
f(x2)
f(x3)
f(x4)
f(xn3)
f(xn2)
f(xn1)
n rectngulos
rea aproximada por los rectngulos

rea bajo la c urva f(x)

f(x
0
), f(x
1
), f(x
2
),,f(x
n1
) respectivamente. El area total de los rectngulos esta dada por
n 1
rect 0 1 2 n 1 0 1 2 n 1 i
i 0
A hf(x ) hf(x ) hf(x ) ... hf(x ) h[f(x ) f(x ) f(x ) ... f(x )] h f(x )

=
= + + + + = + + + + =

entonces
n
0
x
n 1
i
i 0
x
f(x)dx h f(x ) R
=
~ =
}

frmula que identifica al mtodo de los rectngulos.
Si se considera que
1 0
x x h = + ,
2 0
x x 2h = + , ,
n 0
x x nh = + , la expresin (4.1) se simplifica a
( )
n
0
x
n
0
i 1
x
f(x)dx h f x (i 1)h R
=
~ + =
}

expresin alternativa para el mtodo de los rectngulos, til en la programacin del mtodo.
Ejemplo 4.1
Calcular
1
sen(x)
0
e dx
}
mediante el mtodo de los rectngulos con n = 10. Utilizar 10 cifras significativas.
La longitud h de la base de los rectngulos es
1 0
h 0.1
10
= =
i x
i
f(x
i
)
0 0
sen(0)
e 1 =
1 0 + 0.1 = 0.1
sen(0.1)
1.1049 e 86830 =
2 0.1 + 0.1 = 0.2
sen(0.2)
1.2197 e 78556 =
3 0.2 + 0.1 = 0.3
sen(0.3)
1.3438 e 25243 =
4 0.3 + 0.1 = 0.4
sen(0.4)
1.4761 e 21946 =
5 0.4 + 0.1 = 0.5
sen(0.5)
1.6151 e 46296 =
6 0.5 + 0.1 = 0.6
sen(0.6)
1.7588 e 18845 =
7 0.6 + 0.1 = 0.7
sen(0.7)
1.9044 e 96534 =
8 0.7 + 0.1 = 0.8
sen(0.8)
2.0490 e 08650 =
9 0.8 + 0.1 = 0.9
sen(0.9)
2.1887 e 41912 =
9
i
i 0
f(x )
=

15.66092481
1
sen(x)
10
0
e dx (0.1)(15.66092481)=1.566092481=R ~
}

El valor exacto de esta integral a 10 cifras significativas es 1.631869608, por lo que el error es
e 1.631869608-1.566092481 0.065777127 = =
Del ejemplo se puede observar que a pesar de utilizar un buen nmero de rectngulos, apenas se obtuvo dos
(4.1)
(4.2)

cifras significativas de precisin, lo que muestra que el mtodo es lento.
Una correccin que mejora el mtodo de los rectngulos generando el denominado mtodo del punto medio se
va a analizar seguidamente
Si en lugar de generar los rectngulos, formndolos a partir de los puntos extremos(x
i
, x
i+1
), se lo hace a partir
del punto medio (
i i 1
x x
2
+
+
), la precisin para un mismo nmero de rectangulos utilizados mejora
significativamente. Para esta disposicin de los puntos se tiene
0 1 1 2 n 1 n
med
n 1
0 1 1 2 n 1 n i i 1
i 0
x x x x x x
A hf hf ... hf
2 2 2
x x x x x x x x
h f f ... f h f
2 2 2 2
+
=
+ + + | | | | | |
= + + +
| | |
\ . \ . \ .
( ( + + + + | | | | | | | |
= + + + =
( ( | | | |
\ . \ . \ . \ .

por lo que
n
0
x
n 1
i i 1
i 0
x
x x
f(x)dx h f M
2
+
=
( + | |
~ =
( |
\ .
}

expresin que define el mtodo del punto medio.
Ejemplo 4.2
Calcular
1
sen(x)
0
e dx
}
mediante el mtodo del punto medio con n = 10. Utilizar 10 cifras significativas.
La longitud h de la base de los rectngulos es
1 0
h 0.1
10
= =
i x
i
i i 1
x x
2
+
+

i i 1
x x
f
2
+
+ | |
|
\ .

0 0 ----- -----
1 0 + 0.1 = 0.1
0 0.1
2
0.05
+
=
sen(0.05)
1.0512 e 49197 =
2 0.1 + 0.1 = 0.2
0.1 0.2
1
2
0. 5
+
=
sen(0.15)
1.1611 e 81629 =
3 0.2 + 0.1 = 0.3
0.2 0.3
2
2
0. 5
+
=
sen(0.25)
1.2806 e 96357 =
4 0.3 + 0.1 = 0.4
0.3 0.4
3
2
0. 5
+
=
sen(0.35)
1.4090 e 24762 =
5 0.4 + 0.1 = 0.5
0.4 0.5
4
2
0. 5
+
=
sen(0.45)
1.5449 e 09811 =
6 0.5 + 0.1 = 0.6
0.5 0.6
5
2
0. 5
+
=
sen(0.55)
1.6865 e 53721 =
7 0.6 + 0.1 = 0.7
0.6 0.7
6
2
0. 5
+
=
sen(0.65)
1.8315 e 93596 =
(4.3)

8 0.7 + 0.1 = 0.8
0.7 0.8
7
2
0. 5
+
=
sen(0.75)
1.9771 e 15096 =
9 0.8 + 0.1 = 0.9
0.8 0.9
8
2
0. 5
+
=
sen(0.85)
2.1197 e 12370 =
10 0.9 + 0.1 = 1
0.9 1
2
0.95
+
=
sen(0.95)
2.2555 e 98853 =
10
i
i 0
f(x )
=

16.31763539
1
sen(x)
10
0
e dx (0.1)(16.31763539)=1.631763539=M ~
}

e 1.631869608-1.631763539 0.000106069 = =
Como se observa la precisin es ahora mucho mejor que con el mtodo de los rectngulos.
Una frmula algo ms util, especialmente en la programacin del mtodo del punto medio se obtiene al
considerar que
1 0
x x h = + ,
2 0
x x 2h = + , ,
n 0
x x nh = + , de donde
med 0 0 0
n
0 0 0 0
i 1
h 3h (2n 1)h
A hf x hf x ... hf x
2 2 2
h 3h (2n 1)h (2i 1)h
h f x f x ... f x h f x
2 2 2 2
=
| | | | | |
= + + + + + +
| | |
\ . \ . \ .
( ( | | | | | | | |
= + + + + + + = +
( ( | | | |
\ . \ . \ . \ .

es decir
n
0
x
n
0
i 1
x
(2i 1)h
f(x)dx h f x M
2
=
( | |
~ + =
( |
\ .
}

expresin alternativa para el mtodo del punto medio
4.1.1 MTODO DE LOS RECTNGULOS Y DEL PUNTO MEDIO CON DERIVE 6.
Utilizando programacin funcional y esencialmente la funcin SUM, la automatizacin de stos dos mtodos
con Derive 6, es muy simple. Las siguientes lneas definen la programacin de ambos mtodos en base a las
expresiones (4.2) y (4.4)
#1: F(x) :=
#2: RECT(in, fin, n) := ((finin)/n)SUM(F(in+(i1)((finin)/n)),i ,1, n)
#3: MED(in, fin, n) := ((finin)/n)SUM(F(in+(2i1)((finin)/(2n))),i ,1, n)
4.2 MTODO DE LOS TRAPECIOS.
Este mtodo sigue un proceso muy similar al utilizado en diferenciacin numrica, consistente en aproximar
mediante interpolacin en este caso una malla de puntos de la funcin subintegral, para integrar dicho polinomio
y obtener una aproximacin al valor exacto.
Una interpretacin geomtrica y su correspondiente deduccin es ms conveniente para este mtodo,
dejndose una aplicacin de la interpolacin a mtodos posteriores.
Considrese una malla de n intervalos equiespaciados donde se han construido n trapecios rectngulos
(4.4)

el rea aproximada bajo la curva ser la suma de todos los trapecios, as
0 1 1 2 n 1 n
trap 0 1
n 1
2 n 1 n 0 n i
i 1
f(x ) f(x ) f(x ) f(x ) f(x ) f(x ) h
A h h ... h [f(x ) 2f(x )
2 2 2 2
h
2f(x ) ... 2f(x ) f(x )] f(x ) f(x ) 2 f(x )
2
=
+ + + | | | | | |
= + + + = + +
| | |
\ . \ . \ .
(
+ + + = + +
(

entonces
n
0
x
n 1
0 n i
i 1
x
h
f(x)dx f(x ) f(x ) 2 f(x ) T
2
=
(
~ + + =
(

}

expresin que identifica al mtodo de los trapecios.
Ejemplo 4.3
Calcular
1
sen(x)
0
e dx
}
mediante el mtodo de los trapecios con n = 10. Utilizar 10 cifras significativas.
La longitud h de la base de los trapecios es
1 0
h 0.1
10
= =
i X
extremos
x
intermedios
f(x
extremos
) f(x
intermedios
)
0 0 -----
sen(0)
e 1 = -----
1 ----- 0.1 -----
sen(0.1)
1.1049 e 86830 =
2 ----- 0.2 -----
sen(0.2)
1.2197 e 78556 =
3 ----- 0.3 -----
sen(0.3)
1.3438 e 25243 =
4 ----- 0.4 -----
sen(0.4)
1.4761 e 21946 =
5 ----- 0.5 -----
sen(0.5)
1.6151 e 46296 =
6 ----- 0.6 -----
sen(0.6)
1.7588 e 18845 =
7 ----- 0.7 -----
sen(0.7)
1.9044 e 96534 =
x0 x1 x2 xn1 xn
h h h
h

f(xi)
f(xi+1)
n trapecios
xi xi+1
(4.5)

8 ----- 0.8 -----
sen(0.8)
2.0490 e 08650 =
9 ----- 0.9 -----
sen(0.9)
2.1887 e 41912 =
10 1 -----
sen(1)
2.3197 e 76824 = -----
f(x)

3.319776824 14.66092481
1
sen(x)
10
0
0.1
e dx 3.319776824+2(14.66092481) =1.632081322=T
2
| |
~ (
|
\ .
}

e 1.631869608-1.6320813222 0.0002117142 = =
la precisin obtenida es similar a la del mtodo del punto medio.
Considrese las dos siguientes disposiciones de puntos x para un mismo intervalo

si sobre dichas mallas descansa una curva f(x) y a la misma se le aplica el mtodo de los trapecios para hallar
2n
0
x
x
f(x)dx
}
, se tiene
n 0 2n 2 4 6 8 2n 2
2h
T f(x ) f(x ) 2(f(x ) f(x ) f(x ) f(x ) ... f(x )) para los n intervalos
2

= + + + + + + + (

, y
2n 0 2n 1 2 3 4 2n 1
h
T f(x ) f(x ) 2(f(x ) f(x ) f(x ) f(x ) ... f(x )) para los 2n intervalos
2

= + + + + + + + (

aplicando adems el mtodo del punto medio al calcular la integral para la malla de n intervalos se obtiene
n 1 3 5 7 9 2n 1
M 2h f(x ) f(x ) f(x ) f(x ) f(x ) ... f(x ) para los n intervalos
= + + + + + + (

sumando T
n
y M
n

n n 1 3 5 7 9 2n 1
0 2n 2 4 6 8 2n 2
0 2n 1 2 3 4 5 2n 1
M T 2h f(x ) f(x ) f(x ) f(x ) f(x ) ... f(x )
h f(x ) f(x ) 2f(x ) 2f(x ) 2f(x ) 2f(x ) ... 2f(x )
h f(x ) f(x ) 2(f(x ) f(x ) f(x ) f(x ) f(x ) ... f(x ))
+ = + + + + + + + (

+ + + + + + + = (

+ + + + + + + + (

resultado que corresponde a
2n
2T , de donde
n n
2n
M T
T
2
+
=

x0 x2 x4 x6 x8 x10 x12 x14 x2n-1 . . . x1 x3 x5 x7 x9 x11 x13 x15 x2n
h h h h h h h h h h h h h h h h
2n intervalos
x0 x2 x4 x6 x8 x10 x12 x14 x2n . . . x2n-2
2h 2h 2h 2h 2h 2h 2h 2h
n intervalos
(4.6)

esta expresin permite calcular la integral con el mtodo de los trapecios para 2n intervalos en base a hallar ni-
camente la integral para n intervalos por el mtodo del punto medio y el de los trapecios, mtodo conocido co-
mo mtodo de aceleracin de la regla de los trapecios.
Ejemplo 4.4
Calcular
1
sen(x)
0
e dx
}
mediante el mtodo de aceleracin de los trapecios con n = 20. Utilizar 10 cifras significa-
tivas.
De los ejemplos 4.2 y 4.3 se tiene que
M
10
= 1.631763539 , y
T
10
= 1.632081322 , entonces
10 10
20
M T 1.631763539+1.632081322
T 1.6319224305
2 2
+
= = =
Considerando el valor exacto de esta integral a 10 cifras significativas como 1.631869608, el error es
e 1.631869608-1.6319224305 0.0000528225 = =
La aplicacin del mtodo de la aceleracin produce una mejora en la precisin, en base a resultados calculados.
Considerando que
1 0
x x h = + ,
2 0
x x 2h = + , ,
n 1 0
x x (n 1)h
= + , la frmula del mtodo de los

trapecios se puede escribir como
( )
n
0
x
n 1
0 n 0
i 1
x
h
f(x)dx f(x ) f(x ) 2 f x ih T
2
=
(
~ + + + =
(

}

4.2.1 MTODO DE LOS TRAPECIOS CON DERIVE 6.
Empleando programacin funcional, la funcin SUM y la expresin (4.7), la automatizacin del mtodo de los
trapecios es
#1: F(x) :=
#2: TRAP(in, fin, n) := ((finin)/(2n))(F(in)+F(fin)+2SUM(F(in+i((finin)/n)),i ,1, n1))
4.3 REGLAS DE SIMPSON.
Las reglas de Simpson, utilizan una interpolacin de segundo y tercer grado sobre las cuales se obtienen las
respectivas aproximaciones mediante integracin. La obtencin de stas frmulas de forma manual es
sumamente largo, pero con la ayuda de Derive 6, el proceso toma pocos segundos.
4.3.1 REGLA DE 1/3 DE SIMPSON.
Se desea calcular la integral
2
0
x
x
f(x)dx
}
utilizando un polinomio interpolador de segundo orden p(x) en lugar de
la funcin subintegral f(x); para ello se debe disponer de tres puntos con los cuales construir p(x) tal como lo
muestra el siguiente grfico...
(4.7)

entonces
Se ingresa la orden InputMode := Word para que admita variables de ms de 1 carcter.
Se define el polinomio de interpolacin como p(x) : a x 2 b x c
.
= - + - + .
Se establece el vector de condiciones de la interpolacin [p(x0)=f0, p(x1)=f1, p(x2)=f2], que generar
un sistema de ecuaciones.
Se resuelve el sistema obtenido, para las variables a, b y c, mediante la orden SOLVE([p(x0) = f0, p(x1)
= f1, p(x2) = f2], [a, b, c]).
Se obtiene entonces el vector solucin

Se substituye en el vector solucin
1 0
x x h = + y
2 0
x x 2h = + , logrndose simplificar la solucin a

x0 x1 x2
h h
f(x0)
f(x1)
f(x2)
p(x)
f(x)

Entonces se reemplaza a, b y c en p(x), obtenindose

Se integra p(x) entre x
0
y x
0
+ 2h

y se obtiene finalmente

es decir
2
0
x
0 1 2
x
h
f(x)dx f(x ) 4f(x ) f(x )
3
~ + + (
}

que es la expresin para el mtodo de Simpson con aproximacin cuadrtica o regla de 1/3 de Simpson.
Para aproximar con un error menor el rea calculada por este mtodo, se puede subdividir a su vez cada
intervalo en dos subintervalos y proceder de la misma manera hasta obtener un nmero n par de intervalos.
Aplicando a cada pareja la ecuacin anterior se obtiene...
( )
n
0
x
0 1 2 2 3 4 n 2 n 1 n
x
h
f(x)dx f(x ) 4f(x ) f(x ) f(x ) 4f(x ) f(x ) ... f(x ) 4f(x ) f(x )
3

~ + + + + + + + + +
}

que simplificando resulta...
n
0
x
0 1 2 3 4 n 2 n 1 n
x
h
f(x)dx f(x ) 4f(x ) 2f(x ) 4f(x ) 2f(x ) ... 2f(x ) 4f(x ) f(x ) donde n es par
3

~ + + + + + + + + (
}

denominada regla compuesta de 1/3 de Simpson.
Esta expresin se puede simplificar como
n
0
x
k k 1
1/ 3
0 n 2i 1 2i
i 1 i 1
x
h
f(x)dx f(x ) f(x ) 4 f(x ) 2 f(x ) =S donde n=2k
3
= =
(
~ + + +
(

}

(4.8)

Ejemplo 4.5
Calcular
1
sen(x)
0
e dx
}
mediante el regla de 1/3 de Simpson con n = 10 intervalos. Utilizar 10 cifras significativas.
La longitud h de los intervalos es
1 0
h 0.1
10
= =
i x
i
f(x
extremos
) f(x
pares
) f(x
no pares
)
0 0
sen(0)
e 1 = ----- -----
1 0.1 ----- -----
sen(0.1)
1.1049 e 86830 =
2 0.2 -----
sen(0.2)
1.2197 e 78556 = -----
3 0.3 ----- -----
sen(0.3)
1.3438 e 25243 =
4 0.4 -----
sen(0.4)
1.4761 e 21946 = -----
5 0.5 ----- -----
sen(0.5)
1.6151 e 46296 =
6 0.6 -----
sen(0.6)
1.7588 e 18845 = -----
7 0.7 ----- -----
sen(0.7)
1.9044 e 96534 =
8 0.8 -----
sen(0.8)
2.0490 e 08650 = -----
9 0.9 ----- -----
sen(0.9)
2.1887 e 41912 =
10 1
sen(1)
2.3197 e 76824 = ----- -----
f(x)

3.319776824 6.503727998 8.157196817
1
sen(x) 1/ 3
10
0
0.1
e dx 3.319776824+4(8.157196817)+2(6.503727998) =1.631867336=S
3
~ (
}

e 1.631869608-1.631867336 0.000002272 = =
la precisin es casi el doble que el mtodo de los trapecios, con el mismo nmero de intervalos.
Un mtodo de aceleracin para la regla de 1/3 de Simpson es tambin posible, y su demostracin se deja al lec-
tor. Se tiene que
1/ 3 n n
2n
2M T
S
3
+
=

Ejemplo 4.6
Calcular
1
sen(x)
0
e dx
}
mediante el mtodo de aceleracin de la regla de 1/3 de Simpson con n = 20 intervalos.
Utilizar 10 cifras significativas.
De los ejemplos 4.2 y 4.3 se tiene que
M
10
= 1.631763539 , y
T
10
= 1.632081322 , entonces
(4.9)

1/ 3 10 10
20
2M T 2(1.631763539)+1.632081322
S 1.631869467
3 3
+
= = =
Considerando el valor exacto de esta integral a 10 cifras significativas como 1.631869608, el error es
e 1.631869608-1.631869467 0.000000141 = =
Nuevamente, la aplicacin del mtodo de la aceleracin produce una mejora en la precisin, en base a resulta-
dos calculados.
4.3.2 REGLA DE 3/8 DE SIMPSON.
Ahora se desea calcular la integral
3
0
x
x
f(x)dx
}
utilizando un polinomio interpolador de tercer orden p(x) en lugar
de la funcin subintegral f(x); para ello se debe disponer de cuatro puntos con los cuales construir p(x) tal como
lo muestra el siguiente grfico...

siguiendo el mismo procedimiento empleado en la regla de 1/3 de Simpson se obtiene
3
0
x
0 1 2 3
x
3h
f(x)dx f(x ) 3f(x ) 3f(x ) f(x )
8
~ + + + (
}

expresin que determina el mtodo de Simpson con aproximacin cbica o regla de 3/8.
Para aproximar con un error menor el rea calculada por este mtodo, se puede subdividir a su vez cada
intervalo en tres subintervalos y proceder de la misma manera hasta obtener un nmero n(multiplo de 3) de
intervalos. Aplicando a trio de intervalos la ecuacin anterior se obtiene...
n
0
x
0 1 2 3 3 4 5 6
x
n 3 n 2 n 1 n
3h
f(x)dx f(x ) 3f(x ) 3f(x ) f(x ) f(x ) 3f(x ) 3f(x ) f(x )
8
... f(x ) 3f(x ) 3f(x ) f(x ) n es un valor multiplo de 3

~ + + + + + + + +
+ + + + (
}

que simplificando resulta...
( )
n
0
x
0 1 2 3 4 5 6 n 3 n 2 n 1 n
x
3h
f(x)dx f(x ) 3f(x ) 3f(x ) 2f(x ) 3f(x ) 3f(x ) 2f(x ) ... 2f(x ) 3f(x ) 3f(x ) f(x )
8

~ + + + + + + + + + + +
}

x0 x1 x2
h h
f(x0)
f(x1) f(x2)
p(x)
f(x)
x3
h
f(x2)

frmula denominada regla compuesta de 3/8 de Simpson.
Esta expresin se puede simplificar como
n
0
x
k k 1
3/ 8
0 n 3i 2 3i 1 3i
i 1 i 1
x
3h
f(x)dx f(x ) f(x ) 3 f(x ) f(x ) 2 f(x ) =S donde n=3k
8

= =
(
~ + + + + (
(

}

Ejemplo 4.7
Calcular
0.9
sen(x)
0
e dx
}
mediante el regla de 3/8 de Simpson con n = 9 intervalos. Utilizar 10 cifras significativas.
La longitud h de los intervalos es
0.9 0
h 0.1
9
= =
i x
i
f(x
extremos
) f(x
mltiplos de 3
) f(x
no mltiplos de 3
)
0 0
sen(0)
e 1 = ----- -----
1 0.1 ----- -----
sen(0.1)
1.1049 e 86830 =
2 0.2 ----- -----
sen(0.2)
1.2197 e 78556 =
3 0.3 -----
sen(0.3)
1.3438 e 25243 = -----
4 0.4 ----- -----
sen(0.4)
1.4761 e 21946 =
5 0.5 ----- -----
sen(0.5)
1.6151 e 46296 =
6 0.6 -----
sen(0.6)
1.7588 e 18845 = -----
7 0.7 ----- -----
sen(0.7)
1.9044 e 96534 =
8 0.8 ----- -----
sen(0.8)
2.0490 e 08650 =
9 0.9
sen(0.9)
2.1887 e 41912 = ----- -----
f(x)

3.188741912 3.102644088 9.369538812
0.9
sen(x) 3/ 8
9
0
3(0.1)
e dx 3.319776824+2(3.102644088)+3(9.369538812) =1.406349244=S
8
~ (
}

e 1.406354371-1.406349244 0.000005127 = =
la precisin es similar a la regla de 1/3 de Simpson.
4.3.3 REGLAS DE SIMPSON UTILIZANDO DERIVE 6.
Con programacin funcional, la funcin SUM y las expresiones (4.8) y (4.10), modificadas de la siguiente
forma
n
0
x
k k 1
1/ 3
0 n 0 0
i 1 i 1
x
h
f(x)dx f(x ) f(x ) 4 f(x (2i 1)h) 2 f(x (2i)h) =S donde n=2k
3
= =
(
~ + + + + +
(

}

n
0
x
k k 1
3/ 8
0 n 0 0 0
i 1 i 1
x
3h
f(x)dx f(x ) f(x ) 3 f(x (3i 2)h) f(x (3i 1)h) 2 f(x (3i)h) =S donde n=3k
8
= =
(
~ + + + + + + + (
(

}

la automatizacin de los mtodos de Simpson es
(4.10)
(4.8a)
(4.10a)

#1: F(x) :=
#2: SIMP13(in, fin, n) := ((finin)/(3n))(F(in)+F(fin)+4SUM(F(in+(2i1)((finin)/n)),i ,1 ,n/2) + 2SUM( F(in+(2i)((fin
in)/n)),i ,1 , n/21))
#3: SIMP38(in, fin, n) := (3(finin)/(8n))(F(in)+F(fin)+3SUM(F(in+(2i2)((finin)/n))+ F(in+(2i1)((finin)/n)),i ,1 ,n/3)
+ 2SUM( F(in+(2i)((finin)/n)),i ,1 , n/31))
En base a la expresin (4.9) y los programas para el mtodo del punto medio y de los trapecios, la regla de 1/3
de Simpson se puede automatizar como
#4: SIMP13_(in, fin, n) := (2MED(in, fin, n/2)+ TRAP(in, fin, n/2))/3
4.4 FRMULAS DE NEWTON COTES.
Las frmulas de NewtonCotes son una generalizacin de las frmulas del trapecio y de Simpson, es decir, una
aproximacin por polinomios interpoladores de cualquier grado para hallar una estimacin de las integrales
numricas. El siguiente cuadro resume las frmulas de NewtonCotes hasta el orden 5.
n Regla Frmula
1 Trapecios
1
0
x
0 1
x
h
f(x)dx f(x ) f(x )
2
~ + (
}

2 Simpson 1/3
2
0
x
0 1 2
x
h
f(x)dx f(x ) 4f(x ) f(x )
3
~ + + (
}

3 Simpson 3/8
3
0
x
0 1 2 3
x
3h
f(x)dx f(x ) 3f(x ) 3f(x ) f(x )
8
~ + + + (
}

4 Boole
4
0
x
0 1 2 3 4
x
2h
f(x)dx 7f(x ) 32f(x ) 12f(x ) 32f(x ) 7f(x )
45
~ + + + + (
}

5
5
0
x
0 1 2 3 4 5
x
5h
f(x)dx 19f(x ) 75f(x ) 50f(x ) 50f(x ) 75f(x ) 19f(x )
288
~ + + + + + (
}

4.5 ERROR EN MTODOS DE INTEGRACIN.
El error de los mtodos de integracin se deduce en base a un anlisis por series de Taylor, cuyo anlisis no se
va a detallar en este texto. El siguiente cuadro define la expresiones del error para los mtodos estudiados
anteriormente
Regla Orden Error estimado o aproximado
Rectngulos O(h)
n
0
x
2
n
x
nh
e f(x)dx R
2
= s o
}
, donde o es el valor mximo que to-
ma la primera derivada en el intervalo [x
o
, x
n
] de integracin, es de-
cir, f '(x) s o para [x
o
, x
n
].
Punto medio O(h
2
)
n
0
x
3
n
x
nh
e f(x)dx M
24
= s o
}
, donde o es el valor mximo que
toma la segunda derivada en el intervalo [x
o
, x
n
] de integracin, es

decir, f ''(x) s o para [x
o
, x
n
].
Trapecios O(h
2
)
n
0
x
3
n
x
nh
e f(x)dx T
12
= s o
}
, donde o es el valor mximo que to-
ma la segunda derivada en el intervalo [x
o
, x
n
cir, f ''(x) s o para [x
o
, x
n
].
Simpson 1/3 O(h
4
)
n
0
x
5
1/ 3
n
x
nh
e f(x)dx S
180
= s o
}
toma la cuarta derivada en el intervalo [x
o
, x
n
] de integracin,
es decir,
(4)
f (x) s o para [x
o
, x
n
].
Simpson 3/8 O(h
4
)
n
0
x
5
3/ 8
n
x
nh
e f(x)dx S
80
= s o
}
toma la cuarta derivada en el intervalo [x
o
, x
n
cir,
(4)
f (x) s o para [x
o
, x
n
].
De la tabla se puede observar que los mtodos del punto medio y trapecios, as como las reglas de Simpson
tienen un error del mismo orden lo que significa que van a producir un nmero semejante de cifras decimales de
precisin.
Ejemplo 4.8
Calcular
1
sen(x)
0
e dx
}
mediante:
a.) Mtodo de los rectngulos con n = 10,
b.) Mtodo del punto medio con n = 10.
c.) La regla de los trapecios con n = 10.
d.) La regla de 1/3 de Simpson con n = 10.
e.) La regla de 3/8 de Simpson con n = 9.
Utilizar 10 cifras significativas. Adems en cada caso estimar los errores, comparndolos con los valores de
error exacto.
Los ejemplos 4.1, 4.2, 4.3, 4.5 y 4.7 generaron los siguientes resultados
n Mtodo Valor aproximado de la integral Error exacto
10 Rectngulos 1.566092481 0.065777127
10 Punto medio 1.631763539 0.000106069
10 Trapecios 1.632081322 0.0002117142

10 Simpson 1/3 1.631867336

0.000002272
9 Simpson 3/8 1.406349244 0.000005127
Se proceder ahora a la estimacin para ello es necesario determinar el mximo valor que toman la primera, se-
gunda y cuarta derivadas de
sen(x)
f(x) e = en el intervalo [0, 1], para ello deduzcamos dichas derivadas y grafi-
qumoslas en el intervalo mencionado
sen(x)
sen(x) 2
(4) sen(x) 4 2
f (x) e cos(x)
f (x) e cos (x) sen(x)
f (x) e cos (x) cos (x)(6sen(x) 7) sen(x) 3
' =
( '' =

( = + + +

valor mximo o
valor mximo o

La siguiente tabla calcula los valores de error estimado para cada caso
n Mtodo Error estimado Error exacto
10 Rectngulos
2 2
est
nh (10)(0.1)
e 1.47 735
2
0
2
0. = o = = 657 0.0 77127
10 Punto medio
3 3
est
nh (10)(0.1)
e 1.275 0.0 53125
24 24
00 = o = = 10 0.000 6069
10 Trapecios
3 3
est
nh (10)(0.1)
e 1.27 0 5 10625
12 1
.00
2
= o = = 211 0.000 7142
10 Simpson 1/3
5 5
est
nh (10)(0.1)
e 5.73 0.0 31833
180 1 0
0000
8
= o = = 0.000002272
9 Simpson 3/8
5 5
est
nh (9)(0.1)
e 5.73 644625
80 8
0.0 000
0
0 = o = = 0.000005127
Como se puede verificar en todos los casos e
est
> e
exacto
, lo cual demuestra que el error estimado es conserva-
dor.
Ejemplo 4.9
Determine el valor de h necesario para calcular
0.8
x
0
sen(e )dx
}
, mediante el mtodo de los trapecios con hasta
dos cifras decimales de precisin y calcule el valor de la integral. Para los clculos considere o = 5.284.
3
nh 0.8 0
0.001, pero h
12 n
o = =
3
0.8
n
n
5.284 0.001
12
| |
|
\ .
=
valor mximo o

2
0.512
n
5.284 0.001
12
=
2
0.512
5.284 0.001
12n
=
2
(0.512)(5.284)
n
12(0.001)
=
(0.512)(5.284)
n 15.01 15
12(0.001)
= = ~

0.8
h 0.0533333
15
= =

i x
i
f(x
extremos
) f(x
intermedios
)
0 0 0.84147098
1 0.053333333 0.86979228
2 0.106666667 0.89683556
3 0.16 0.92211469
4 0.213333333 0.94506624
5 0.266666667 0.96504242
6 0.32 0.98130479
7 0.373333333 0.99301922
8 0.426666667 0.99925301
9 0.48 0.99897512
10 0.533333333 0.99106099
11 0.586666667 0.97430344
12 0.64 0.94743192
13 0.693333333 0.90914242
14 0.746666667 0.85814088
15 0.8 0.79320348
f(x)
1,63467447 26,5029659
0.8
x
0
0.053333333
sen(e )dx (1.63467447 26.5029 0.7 659) 0337072
2
5 ~ + =
}

El valor exacto es 0.7507863514, lo cual demuestra de la exactitud de por lo menos dos cifras decimales como
se pidi.
4.6 INTEGRACIN DE ROMBERG.
El mtodo de Romberg es un procedimiento para mejorar el resultado de una integral numrica en base a

considerar el error cometido, y utilizarlo como fuente para aumentar la precisin.
La integral exacta, se puede expresar, para el mtodo de los trapecios, como
b
ex
a
I f(x)dx T e = = +
}

donde I
ex
es el valor exacto de la integral, T es el valor aproximado obtenido mediante la aplicacin del mtodo
de los trapecios a n intervalos y e es el error exacto cometido. Tanto T como e dependen del valor h, por lo que
la anterior expresin se puede reescribir como
ex
I T(h) e(h) = +
Si se calcula una misma integral con dos valores diferentes de h, por ejemplo h
1
y h
2
, se tiene
ex 1 1 2 2
I T(h ) e(h ) T(h ) e(h ) (A) = + = +
por otro lado se tiene que el error para el mtodo de los trapecios se puede escribir como
3 2
nh (b a)h
e(h)
12 12
~ o = o
si se considera que o es un valor constante para el intervalo de integracin [a, b], entonces
2
1 1
2
2 2
e(h ) h
e(h ) h
~
rearreglando la anterior ecuacin
2
1
1 2
2
h
e(h ) e(h )
h
| |
~
|
\ .

y reemplazando en la expresin (A)
2
1
1 2 2 2
2
h
T(h ) e(h ) T(h ) e(h )
h
| |
+ ~ +
|
\ .

resolviendo para e(h
2
)
2
1
2 2 2 1
2
2 1 1 2
2 2 2
1 1
2 2
h
e(h ) e(h ) T(h ) T(h )
h
T(h ) T(h ) T(h ) T(h )
e(h )
h h
1 1
h h
| |
~
|
\ .

~ =
| | | |

| |
\ . \ .

por lo que
2 2
1 2 2 1 1 2
ex 2 2 2 2
2 1
1
2
ex 2 2
T(h ) T(h ) h T(h ) h T(h )
I T(h ) (B)
h h
h
1
h
I T(h ) e(h )

~ + =
| |
|
\ .
~ +


la precisin mediante esta estimacin de la integral exacta es mejor que la obtenida aplicando la simple regla de
trapecios con n intervalos. Si se considera que
1
2 1
h b a
h , donde h
2 n
= = , entonces se obtiene
2
2 1
1 1 2 1 2
ex 2
2 1
1
ex 2 2 1 2
h 1
T(h ) h T(h ) T(h ) T(h )
4 4
I
1
h
1
h
4
4
4 1
I T(h ) T(2h ) R(h )
3 3

~ =
~ =

Ejemplo 4.10
Mejorar la precisin de
1
sen(x)
0
e dx
}
mediante el empleo de h
1
= 0.1, h
2
= 0.05. Utilizar 10 cifras significativas.
Para h
1
= 0.1, se tiene n = 10, con h
2
= 0.05 , n = 20. Utilizando la funcin TRAP(in, fin, n), se obtiene
T
10
= 1.632081322
T
20
= 1.631922431
y
1
sen(x)
2 2
0
4 1 4 1
e dx T(h ) T(2h ) (1.631922431) (1.632081322) 1.631869467
3 3 3 3
~ = =
}

e 1.631869608-1.631869467 0.000000141 = =
la precisin respecto a T
20
(0.000052823) ha mejorado.
La expresin (B) anterior, aumenta el orden del error de O(h
2
) a O(h
4
) al sustituir
1
2
h
h
2
= , y de O(h
2
) a O(h
6
) al
sustituir
1
2
h
h
4
= , obteniendose en este ltimo caso la expresin
ex 2 2 2 2
16 1
I T(h ) T(2h ) R (h )
15 15
~ =
El siguiente cuadro resumen este procedimiento de reduccin de h y aumento de orden
k
1
h
2
h
Integral de Romberg
2
O(h )
1
1,1
h
1,1
1,2
h
h
2
=
1 1,2 1,2 1,2
4 1
R(h ) T(h ) T(2h )
3 3
=
4
1,2
O(h )
2
2,1 1,2
h h =
2,1 1,2
2,2
h h
h
2 2
= =
2 2,2 1 2,2 1 2,2
16 1
R (h ) R(h ) R(2h )
15 15
=
6
2,2
O(h )
3
3,1 2,2
h h =
3,1 2,2
3,2
h h
h
2 2
= =
3 3,2 2 3,2 2 3,2
64 1
R (h ) R (h ) R (2h )
63 63
=
8
3,2
O(h )

4
4,1 3,2
h h =
4,1 3,2
4,2
h h
h
2 2
= =
4 4,2 3 4,2 3 4,2
256 1
R (h ) R (h ) R (2h )
255 255
=
10
4,2
O(h )
Este proceso se puede generalizar por la expresin
k b
k 1 k,2 k 1 k,2
k k,2 0 k
a
4 R (h ) R (2h )
f(x)dx R(h ) donde R T(regla trapezoidal)
4 1

~ = =
}

conocida como Integral de Romberg. La aplicacin sucesiva de este procedimiento se conoce como mtodo de
integracin de Romberg. El orden del error cometido por la expresin (4.11) es
2k 2
2
O(h )
+
.
En lugar de los valores para h, es ms conveniente generar las Integrales de Romberg mediante el uso del
nmero de intervalos n, el siguiente cuadro muestra el proceso
n Trapecios R
1
R
2
R
3
Orden del error
O(h
4
) O(h
6
) O(h
8
)
n T
n ---- ---- ----
2n T
2n 1,n 2n n
4 1
R T T
3 3
=
---- ----
4n T
4n 1,2n 4n 2n
4 1
R T T
3 3
=
2,n 1,2n 1,n
16 1
R R R
15 15
=
----
8n T
8n 1,4n 8n 4n
4 1
R T T
3 3
=
2,2n 1,4n 1,2n
16 1
R R R
15 15
=
3,n 2,2n 2,n
64 1
R R R
63 63
=
16n T
16n
1,8n 16n 8n
4 1
R T T
3 3
=

2,4n 1,8n 1,4n
16 1
R R R
15 15
=
3,2n 2,4n 2,2n
64 1
R R R
63 63
=
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
n Trapecios R
4
. . .
Orden del error
O(h
10
)
. . .
n T
n ----
. . .
2n T
2n ----
. . .
4n T
4n ----
. . .
8n T
8n ----
. . .
16n T
16n
4,n 3,2n 3,n
256 1
R R R
255 255
=

. . .
.
.
.
.
.
.
.
.
.

(4.11)

Ejemplo 4.11
Mejorar la precisin de
1
sen(x)
0
e dx
}
mediante el mtodo de integracin de Romberg a partir de h
1
= 0.1, hasta
lograr 10 cifras significativas de precisin.
k
1
h
1
n
2
h
2
n
2k 2
k,2
O(h )
+

Cifras significativas de precisin
(aprox.)
1
1,1
h 0.1 =
10
1,2
0.1
h 0.05
2
= = 20
4
1,2
O(h )
4
(0.05) . 0 0000 5 062 =
2
2,1 1,2
h h 0.05 = = 20
2,2
0.05
h 0.025
2
= =
40
6
2,2
O(h )
6
0 0000 (0.025 000 ) . 4 0024 =

entonces la integral de Romberg, para k = 2, es
2 1
1 2,2 1 2,2 1 2,2 1 2,2 sen(x) 1 1
2
0
4 R(h ) R(2h ) 16R(h ) R(2h ) 16R(0.025) R(0.05)
e dx
15 15 4 1

~ = =
}

donde
1,2
1,2
1,2
1 2,2 1
1
h
4T T(h )
h 2
R(h ) R
2 3
4T(0.025) T(0.05)
R(0.025)
3
| |

|
| |
\ .
= =
|
\ .
=
, y
( )
( )
1,2 1,2 1,2
1 2,2 1 1 1,2
1
4T h T(2h ) h
R(2h ) R 2 R h
2 3
4T(0.05) T(0.1)
R(0.05)
3
| |
= = =
|
\ .
=

h = 0.1, corresponde a n = 10 intervalos,
h = 0.05, corresponde a n = 20 intervalos, y
h = 0.025, corresponde a n = 40 intervalos
entonces
40 20
1
4T T
R(0.025)
3
=
20 10
1
4T T
R(0.05)
3
=
Utilizando la funcin TRAP(in, fin, n), se obtiene
T
10
= 1.632081322
T
20
= 1.631922431
T
40
= 1.631882807
10 cifras significativas
de precisin

40 20
1
4T T 4(1.631882807) 1.631922431
R(0.025) 1.631869599
3 3

= = =
20 10
1
4T T 4(1.631922431) 1.632081322
R(0.05) 1.631869467
3 3

= = =
finalmente,
1
sen(x) 1 1
0
16R(0.025) R(0.05) 16(1.631869599) 1.631869467
e dx 1.631869608
15 15

~ = =
}

La integral exacta a 10 cifras significativas de precisin calculada con Derive 5 es 1.631869608, que coincide
exactamente con el valor obtenido mediante el mtodo de integracin de Romberg.
La resolucin se puede realizar tambin mediante el esquema de n, as
n Trapecios R
1
Orden del error
10 1.632081322
---- ----
20 1.631922431
1,10
1,10
4 1
R (1.631922431) (1.632081322)
3 3
R 1.631869467
=
=

4
20
1 0
h
0 00000
20
. 625
| |
= =
|
\ .

40 1.631882807

1,20
1,20
4 1
R (1.631882807) (1.631922431)
3 3
R 1.631869599
=
=

4
40
1 0
h
40
. 3906 0 000000 25
| |
= =
|
\ .

n R
2
Orden del error
10
---- ----
20
---- ----
40
1,20
1,20
16 1
R (1.631869599) (1.631869467)
15 15
R 1.631869608
=
=

6
40
0 0000
1 0
h
40
. 244140 00 625 000
| |
= =
|
\ .

Ejemplo 4.12
La concentracin C, en gramos/litro, de una medicina para la alergia en el cuerpo esta modelada por:
2
C(t) 12 6.69ln(t 4t 6) = + 0 s t s 4
donde t es el tiempo en horas desde que la medicina se toma. Encontrar el nivel promedio de concentracin en
el cuerpo en un perodo de 4 horas, usando:
a.) La regla trapezoidal con n = 6
b.) La regla trapezoidal con n = 12
c.) Estimar una valor ms exacto del nivel utilizando el mtodo de Romberg.
10 cifras significativas
de precisin

a.) La longitud h de la base de los trapecios es
4 0 2
h
6 3
= =
i X
extremos
x
intermedios
f(x
extremos
) f(x
intermedios
)
0 0 -----
2
12 6.69ln(0 4(0)
0.01312915088
6) +
=

-----
1 ----- 2/3 -----
2
12 6.69ln((2/ 3) 4(2
3.1
/
0
3)
80 0 1
6
5
)
8 2
+
=

2 ----- 4/3 -----
2
12 6.69ln((4/ 3) 4(4
6.0
/
2
3)
03 8 0
6
4
)
5 9
+
=

3 ----- 2 -----
2
12 6.69ln(2 4(2)
7.3628
6
53
)
4 62
+
=

4 ----- 8/3 -----
2
12 6.69ln((8/ 3) 4(8
6.0
/
2
3)
03 8 0
6
4
)
5 9
+
=

5 ----- 10/3 -----
2
12 6.69ln((10/ 3) 4(1
3.10808051
0 6)
2
/ 3) +
=

6 4 -----
2
12 6.69ln(4 4(4)
0.01312915088
6) +
=

-----
f(x)

0.02625830177 25.61972320
4
6
0
2/ 3
C(t)dt 0.02625830177+2(25.61972320) =17.08856823=T
2
| |
~ (
|
\ .
}

b.) La longitud h de la base de los trapecios es
4 0 1
h
12 3
= =

i X
extremos
x
intermedios
f(x
extremos
) f(x
intermedios
)
0 0 -----
2
12 6.69ln(0 4(0)
0.01312915088
6) +
=

-----
1 ----- 1/3 -----
2
12 6.69ln((1/ 3) 4(1
1.5
/
3
3)
70 3 4
6
6
)
0 8
+
=

2 ----- 2/3 -----
2
12 6.69ln((2/ 3) 4(2
3.1
/
0
3)
80 0 1
6
5
)
8 2
+
=

3 ----- 1 -----
2
12 6.69ln(1 4(1)
4.6502
6
37
)
8 88
+
=

4 ----- 4/3 -----
2
12 6.69ln((4/ 3) 4(4
6.0
/
2
3)
03 8 0
6
4
)
5 9
+
=

5 ----- 5/3 -----
2
12 6.69ln((5/ 3) 4(5
7.0
/
0
3)
11 5 5
6
6
)
3 1
+
=

6 ----- 2 -----
2
12 6.69ln(2 4(2)
7.3628
6
53
)
4 62
+
=

7 ----- 7/3 -----
2
12 6.69ln((7/ 3) 4(7
7.0
/
0
3)
11 5 5
6
6
)
3 1
+
=

8 ----- 8/3 -----
2
12 6.69ln((8/ 3) 4(8
6.0
/
2
3)
03 8 0
6
4
)
5 9
+
=


9 ----- 3 -----
2
12 6.69ln(3 4(3)
4.6502
6
37
)
8 88
+
=

10 ----- 10/3 -----
2
12 6.69ln((10/ 3) 4(1
3.10808051
0 6)
2
/ 3) +
=

11 ----- 11/3 -----
2
12 6.69ln((11/ 3) 4(1
1.53700364
1 6)
8
/ 3) +
=

12 4 -----
2
12 6.69ln(4 4(4)
0.01312915088
6) +
=

-----
f(x)

0.02625830177 51.99656938
4
12
0
1/ 3
C(t)dt 0.02625830177+2(51.99656938) =17.33656617=T
2
| |
~ (
|
\ .
}

c.) Por el mtodo de Romberg, con h
1
= 2/3 y h
2
= h
1
/2 = 1/3
1
4T(1/ 3) T(2/ 3) 4(17.33656617) (17.08856823)
R(1/ 3) 17.41923215
3 3

= = =
resultado que tiene una precisin mnima de
4
(1/ 3) . 12345 1 0 0 6790 = , es decir, por lo menos la primera cifra
decimal es exacta.
El valor exacto a 10 cifras decimales es 17.41917543, por lo que en realidad el valor corregido de Romberg esta
generando
e 17.41917543-17.41923215 . 0 000 72 056 = =
4 cifras decimales exactas.

110 Ecuaciones diferenciales ordinarias

5
E EC CU UA AC CI IO ON NE ES S D DI IF FE ER RE EN NC CI IA AL LE ES S O OR RD DI IN NA AR RI IA AS S
Las ecuaciones diferenciales son expresiones matemticas, donde a ms de las variables usuales x, y, zetc.,
aparecen derivadas de cualquier orden de una variable respecto de otras, as por ejemplo
2
dy
ysen(x) z y
dx
+ =
si nicamente estn presentes las variables x(variable independiente) y y(variable dependiente) y una o ms de-
rivadas de cualquier orden de y respecto de x, la ecuacin se denomina ecuacin diferencial ordinaria; adems
el orden de la derivada ms alta define el orden de la ecuacin diferencial, as
2
2
3
3
2
y
2
sen(x) cos(y) Ec. dif. ordinaria de 1er orden
dy
x y x y Ec. d
dy
dx
d y
dx
d y
if. ordinaria de 2do orden
dx
dy
e x y 1 Ec. dif. ordinaria d
d
e 3er orden
dx x
+ =
+ =
+ = +

Las ecuaciones aparecen de forma natural al generar un modelo de un fenmeno de la vida real en cualquier
ciencia aplicada, por lo que su resolucin es vital para definir el modelo. A pesar de ello es posible resolver
analticamente slo algunos pocos tipos de ecuaciones diferenciales por lo que se hace absolutamente necesa-
rio el conocimiento de mtodos numricos que permitan resolver ecuaciones diferenciales. De aqu en adelante
se nominar como ecuacin diferencial a una ecuacin diferencial ordinaria y se tratarn en este captulo solo
ecuaciones diferenciales ordinarias de primer orden.
5.1 SOLUCIN GENERAL Y PARTICULAR DE UNA ECUACIN DIFERENCIAL
Toda ecuacin diferencial presenta dos tipos de soluciones: una solucin general y una particular; la primera
proviene de integrar la ecuacin diferencial y obtener la solucin en funcin de la o las constantes de integra-
cin, el siguiente ejemplo aclara esta situacin
Ejemplo 5.1
Hallar la solucin general de la ecuacin diferencial
2
dy
x
dx
=
Si se despejan las diferenciales de la derivada se tiene
2
dy x dx =
integrando a cada lado de la expresin
2
dy x dx =
} }

resolviendo las integrales indefinidas
111 lgebra Lineal Numrica

3
3
3
x
y A B
3
x
y B A
3
x
y C
3
+ = +
= +
= +

por lo que la solucin general de la ecuacin diferencial dada es
3
y C
x
3
= + , siendo C una constante cuales-
quiera.
Si a ms de solamente la ecuacin diferencial se conoce una o ms parejas de valores (x, y), llamadas condi-
ciones iniciales, tal que a travs de ellas se pueda determinar el valor de la constante de integracin, la solucin
general pasar a denominarse solucin particular, as para el ejemplo anterior
Ejemplo 5.2
Hallar la solucin particular de la ecuacin diferencial
2
dy
x
dx
= , si y = 2 para x = 1.
Dado que la solucin general es
3
x
y C
3
= + , entonces sustituyendo en ella x = 1, y = 2, se tiene
3
(1)
2 C
3
1
2 C
3
1 5
C 2
3 3
= +
= +
= =

por lo que la solucin particular en este caso es
3
y
5 x
3 3
= + .
Los mtodos numricos requieren del conocimiento de las condiciones iniciales para su ejecucin. En el pre-
sente texto se van a revisar nicamente mtodos numricos de resolucin de ecuaciones diferenciales de primer
orden.
5.2 MTODOS DE EULER
Son los mtodos ms simples, compactos aunque menos precisos y utilizan aproximaciones por diferencias
para las derivadas. Los mtodos de Euler son:
Mtodo de Euler hacia adelante.
Mtodo de Euler hacia atrs, y
Mtodo de Euler modificado.
Seguidamente se analiza cada uno
5.2.1 MTODOS DE EULER HACIA ADELANTE Y HACIA ATRS
Considrese la ecuacin diferencial de primer orden
dy
f(x,y)
dx
= , si se substituye en ella la primera derivada su

aproximacin por diferencias hacia adelante (Ec. (3.1)), dada por
i 1 i
i 1 i
y y dy
, con h x x
dx h
+
+
~ =
entonces se obtiene la expresin
i 1 i
y y
f(x,y)
h
+

~
de donde,
i 1 i i i
y y hf(x ,y )
+
~ +
ecuacin que aplicada de forma iterativa, a partir de las condiciones iniciales (x
0
, y
0
), permite hallar el conjunto
solucin { }
0 1 2
y ,y ,y ,... para la ecuacin diferencial dada, tal como lo muestra el siguiente ejemplo
Ejemplo 5.3
Hallar la solucin de la ecuacin diferencial
dy
xy
dx
= para el intervalo [1, 2] , si y
0
= 2 para x
0
= 1, mediante
el mtodo de Euler hacia adelante. Compare dicha solucin con la solucin exacta expresada mediante
2
x 1
2
y(x) 2e
= . Utilice h = 0.2
0
y 2 = para x
0
= 1
1 0 0 0
y y h(x y ) 2 (0.2)(1)( 2. ) 4 2 ~ + = + = para x
1
= 1.2
2 1 1 1
y y h(x y ) 2.4 (0.2)(1.2)(2.4 2.97 ) 6 ~ + = + = para x
2
= 1.4
3 2 2 2
y y h(x y ) 2.976 (0.2)(1.4)(2.976) 3.80928 ~ + = + = para x
3
= 1.6
4 3 3 3
y y h(x y ) 3.80928 (0.2)(1.6)(3.80 5 928) .0282496 ~ + = + = para x
4
= 1.8
5 4 4 4
y y h(x y ) 5.0282496 (0.2)(1.8)(5.02824 6.83841945 96) 6 ~ + = + = para x
5
= 2
la solucin aproximada est dada por la tabla

i x
i
y
i
0 1 2
1 1.2 2.4
2 1.4 2.976
3 1.6 3.80928
4 1.8 5.0282496
5 2 6.838419456
Graficando la solucin aproximada y la solucin exacta se tiene
(5.1)

es de notar que mientras se incrementa xi, la solucin aproximada se aleja ms de la exacta.
Si en lugar de emplear la aproximacin por diferencias hacia adelante se utiliza la aproximacin por diferencias
hacia atrs, expresada mediante
i i 1
i i 1
y y dy
, con h x x
dx h
~ =
se tiene,
i i 1
y y
f(x,y)
h
~
de donde,
i 1 i i i
y y hf(x ,y )
~
expresin que aplicada iterativamente a partir de las condiciones iniciales (x
0
, y
0
), permite hallar el conjunto so-
lucin { }
0 1 2
y , y , y ,...

para la ecuacin diferencial dada, tal como lo muestra el siguiente ejemplo
Ejemplo 5.4
dy
xy
dx
= para el intervalo [0,1] , si y
0
= 2 para x
0
= 1, mediante el
mtodo de Euler hacia atrs. Compare dicha solucin con la solucin exacta expresada mediante
2
x 1
2
y(x) 2e
= . Utilice h = 0.2
0
y 2 = para x
0
= 1
1 0 0 0
y y h(x y ) 2 (0.2)(1)( ) . 2 1 6
~ = = para x
1
= 0.8
Solucin exacta
Solucin aproximada
(5.2)

2 1 1 1
y y h(x y ) 1.6 (0.2)(0.8)(1 1.34 .6 4 )

~ = = para x
2
= 0.6
3 2 2 2
y y h(x y ) 1.344 (0.2)(0.6)(1.344) 1.18272

~ = = para x
3
= 0.4
4 3 3 3
y y h(x y ) 1.18272 (0.2)(0.4)(1.18272) 1.0881024

~ = = para x
4
= 0.2
5 4 4 4
y y h(x y ) 1.0881024 (0.2)(0.2)(1.0881024) 1.044578304

~ = = para x
5
= 0
la solucin aproximada est dada por la tabla
i x
i
y
i
0 1 2
1 0.8 1.6
2 0.6 1.344
3 0.4 1.18272
4 0.2 1.0881024
5 0 1.044578304
Graficando la solucin aproximada y la solucin exacta se tiene

nuevamente la diferencia entre solucin aproximada y exacta se incrementa al ir avanzando en el proceso iterati-
vo.
La precisin mejora en los mtodos de Euler hacia adelante y hacia atrs si se reduce el tamao del paso(h),
como lo comprueban los siguientes ejemplos
Ejemplo 5.5
Mejore la precisin del ejemplo 5.3 tomando un valor de h = 0.1
Para el ejemplo 5.3
Solucin exacta
Solucin aproximada

0
y 2 = para x
0
= 1
1 0 0 0
y y h(x y ) 2 (0.1)(1)( 2. ) 2 2 ~ + = + = para x
1
= 1.1
2 1 1 1
y y h(x y ) 2.2 (0.1)(1.1)(2.2 2.44 ) 2 ~ + = + = para x
2
= 1.2
3 2 2 2
y y h(x y ) 2.442 (0.1)(1.2)(2.442) 2.73504 ~ + = + = para x
3
= 1.3
4 3 3 3
y y h(x y ) 2.73504 (0.1)(1.3)(2.73 3 504) .0905952 ~ + = + = para x
4
= 1.4
5 4 4 4
y y h(x y ) 3.0905952 (0.1)(1.4)(3.09059 3.52327852 52) 8 ~ + = + = para x
5
= 1.5
6 5 5 5
y y h(x y ) 3.523278528 (0.1)(1.5)(3.5232785 4.051 2 7 8) 703072 ~ + = + = para x
6
= 1.6
7 6 6 6
y y h(x y ) 4.0517703072 (0.1)(1.6)(4.0517703 4.700053556 072 4 ) ~ + = + = para x
7
= 1.7
8 7 7 7
y y h(x y ) 4.7000535564 (0.1)(1.7)(4.7000535 5.499062660 564 9 ) ~ + = + = para x
8
= 1.8
9 8 8 8
y y h(x y ) 5.4990626609 (0.1)(1.8)(5.4990626 6.488893939 609 9 ) ~ + = + = para x
9
= 1.9
9 8 8 8
y y h(x y ) 6.4888939399 (0.1)(1.9)(6.4888939 7.721783788 399 5 ) ~ + = + = para x
10
= 2
las soluciones aproximadas anterior y actual as como la solucin exacta estn dadas por la siguiente tabla
i x
i
y
i
(h = 0.2) y
i
(h = 0.1) y
i
(exacta)
0 1 2 2 2
1 1.1 --- 2.2 2.2214212207
2 1.2 2.4 2.442 2.4921534611
3 1.3 --- 2.73504 2.8239798393
4 1.4 2.976 3.0905952 3.2321488043
5 1.5 --- 3.523278528 3.7364919148
6 1.6 3.80928 4.0517703072 4.3629445309
7 1.7 --- 4.7000535564 5.1456267571
8 1.8 5.0282496 5.4990626609 6.1297084065
9 1.9 --- 6.4888939399 7.3753781874
10 2 6.838419456 7.7217837885 8.9633781406
La tabla muestra una mejora evidente al reducir el valor de h, aunque como antes al aumentar el proceso iterati-
vo el error tambin se incrementa. Para aumentar an ms la precisin es necesario reducir todava el valor de
h, lo que hace del mtodo no tan prctico.
Finalmente, graficando las soluciones aproximadas y la solucin exacta se tiene

que confirma lo deducido en la tabla.
5.2.2 MTODO DE EULER MODIFICADO
El mtodo de Euler si bien es simple, sien embargo, requiere de un valor de h muy pequeo para ser preciso lo
que conlleva una gran cantidad de clculos, es entonces necesario buscar una alternativa para mejorar dicha si-
tuacin; esa alternativa es el mtodo que se desarrollar seguidamente
Considrese la ecuacin diferencial de primer orden
dy
f(x,y)
dx
= , y en ella se procede a efectuar la integracin
como sigue
i 1 i 1
i i
y x
y x
dy
f(x,y)
dx
dy f(x,y)dx
dy f(x,y)dx
+ +
=
=
=
} }

aplicando el mtodo de los trapecios a
i 1
i
x
x
f(x,y)dx
+
}
, se tiene
i 1
i
x
i 1 i i i i 1 i 1
x
h
y y f(x,y)dx f(x ,y ) f(x ,y )
2
+
+ + +
= ~ + (
}

es decir,
i 1 i i i i 1 i 1
h
y y f(x ,y ) f(x ,y )
2
+ + +
~ + + (

en esta ltima expresin se aplica el mtodo de Euler hacia delante a
i 1
y
+
, en el miembro derecho y se tiene fi-
Solucin exacta
Solucin aproximada (h = 0.1)
Solucin aproximada (h = 0.2)

nalmente
i 1 i i i i 1 i i i
h
y y f(x ,y ) f(x ,y hf(x ,y ))
2
+ +
~ + + + (

ecuacin que se aplica iterativamente, y se escribe de manera simplificada como
i 1 i 1 2
1 i i
2 i 1 i i i
h
y y k k donde
2
k f(x ,y )
k f(x ,y hf(x ,y ))
+
+
~ + + (

=
= +

A continuacin se ejemplifica este mtodo
Ejemplo 5.6
dy
xy
dx
= para el intervalo [1, 2] , si y
0
= 2 para x
0
= 1, utilizando
el mtodo de Euler modificado. Compare dicha solucin con la solucin aproximada dada por el mtodo de Eu-
ler hacia adelante y con la solucin exacta expresada por la ecuacin
2
x 1
2
y(x) 2e
= . Utilice h = 0.2
Para la ecuacin diferencial dada se tiene que
1 i i
2 i 1 i i i
k x y
k x (y hx y )
+
=
= +

as entonces
0
y 2 = para x
0
= 1
( ) ( )
1 0 0 0 1 0 0 0
h 0.2
y y x y x y hx y 2 (1)(2) 1.2 2 (0.2)(1)(2)
2 2
2.488 ( ( ~ + + + = + + + =

para x
1
= 1.2
( ) ( )
2 1 1 1 2 1 1 1
2
h 0.2
y y x y x y hx y 2.488 (1.2)(2.488) 1.4 2.488 (0.2)(1.2)(2.488
3.218476
)
2 2
para 8 x 1 .4
( ( ~ + + + = + + +

= =

( ) (
)
3 2 2 2 3 2 2 2
3
h 0.2
y y x y x y hx y 3.2184768 (1.4)(3.2184768) 1.6 3.2184768
2 2
(0.2)(1.4)(3.21 4.32820 84768) para x 1.6 76006
( ~ + + + = + + +

( = =

( ) (
)
4 3 3 3 4 3 3 3
4
h 0.2
y y x y x y hx y 4.3282076006 (1.6)(4.3282076006) 1.8 4.3282076006
2 2
(0.2)(1.6)(4.3 6. 282076006) pa 0491029426 ra x 1.8
( ~ + + + = + +

( + = =
( ) (
)
5 4 4 4 5 4 4 4
5
h 0.2
y y x y x y hx y 6.0491029426 (1.8)(6.0491029426) 2 6.0491029426
2 2
(0.2)(1.8)(6.0491029426) para 8.7832 x 974727 2
( ~ + + + = + +

( + = =
las solucin aproximada por este mtodo as como el de Euler hacia adelante y la solucin exacta estn dadas
por la siguiente tabla

(5.3)

i x
i
y
i
(E. adelante) y
i
(E. modificado) y
i
(exacta)
0 1 2 2 2
1 1.2 2.4 2.488 2.4921534611
2 1.4 2.976 3.2184768 3.2321488043
3 1.6 3.80928 4.3282076006 4.3629445309
4 1.8 5.0282496 6.0491029426 6.1297084065
5 2 6.838419456 8.7832974727 8.9633781406
es fcilmente observable que el mtodo de Euler modificado da una solucin bastante precisa an ms que
aquella de Euler con paso h = 0.1. El grfico siguiente confirma lo dicho

la solucin dada por el mtodo de Euler modificado prcticamente se confunde con la solucin exacta.
5.2.3 ERROR EN LOS MTODOS DE EULER
El error en los mtodos de Euler puede ser tratado muy minuciosamente con la ayuda de Series de Taylor, ms
ese estudio sale fuera del alcance introductorio de este texto y es ms til en todo caso revisar las consecuen-
cias prcticas de dicho anlisis.
En el error en ecuaciones diferenciales ordinarias (EDO) es til diferenciar dos clases de errores existentes, a
saber
Error local y
Error global
Error local es el cometido durante un paso del proceso iterativo, desde y
i
hasta y
i + 1
, mientras que el error global
es el error acumulada en y
i
, debido a todos los pasos previos. El error global en x
i
, es
global exacto aproximado
i i i
e y y =
Solucin exacta
Solucin aproximada (Euler
modificado)
Solucin aproximada (Euler
hacia adelante)

donde
exacto
i
y es el valor generado por la solucin exacta y
aproximado
i
y es el valor dado por el mtodo numrico
en estudio. El error local puede ser medido nicamente en la primera iteracin del proceso, ya que en las subsi-
guientes se acumula error generando el error global.
Un teorema importante del anlisis numrico vlido para EDO, afirma que si el error local es del orden O(h
p+1
)
entonces el error global, para valores pequeos de h, ser del orden O(h
p
), es decir
global exacto aproximado p
i i i
e y y ch donde c es una constante que no
depende de h
= ~

Para los mtodos de Euler, el orden del error local y global, lo muestra la siguiente tabla
Mtodo
Orden del error
Error local Error global
Euler hacia adelante O(h
2
) O(h)
Euler hacia atrs O(h
2
) O(h)
Euler modificado O(h
3
) O(h
2
)
Los siguientes ejemplos estudian el error local y global.
Ejemplo 5.7
Encuentre la solucin aproximada para y(1.2) en la ecuacin diferencial
2 2
dy
x sen(y )
dx
= +
si y(1) = 0, utilizando el mtodo de Euler hacia adelante con h = 0.2, h = 0.1, h = 0.05 y h = 0.01. Analice
adems el error local y global. El valor exacto a siete cifras decimales es y(1.2) = 0.2463119
i x
i
y
i
(h = 0.2) y
i
(h = 0.1) y
i
(h = 0.05) y
i
(h = 0.01)
0 1 0 0 0 0
1 1.01 --- --- --- 0.01
2 1.02 --- --- --- 0.020202
3 1.03 --- --- --- 0.03061008120
4 1.04 --- --- --- 0.04122845097
5 1.05 --- --- 0.05 0.05206144882
6 1.06 --- --- --- 0.06311355273
7 1.07 --- --- --- 0.07438938583
8 1.08 --- --- --- 0.08589372335
9 1.09 --- --- --- 0.09763150000
10 1.1 --- 0.1 0.1052499998 0.1096078176
11 1.11 --- --- --- 0.1218279535
12 1.12 --- --- --- 0.1342973685
13 1.13 --- --- --- 0.1470217166
14 1.14 --- --- --- 0.1600068536
15 1.15 --- --- 0.1663038666 0.1732588475
16 1.16 --- --- --- 0.1867839887
(5.4)

17 1.17 --- --- --- 0.2005888006
18 1.18 --- --- --- 0.2146800507
19 1.19 --- --- --- 0.2290647628
20 1.2 0.2 0.2219999833 0.2338115391 0.2437502287
El error local se puede verificar donde exista un solo paso, es decir con h = 0,2; en este caso el orden es de
O(h
2
), o sea (0.2)
2
= 0.04, por lo que debe existir una sola cifra decimal exacta, y en efecto para h = 0.2 se
tiene y(1.2) = 0.2, entonces..
local
1.2
e 0.2463119 0.2 0. 46 9 0 311 = =
lo que corrobora la nica cifra decimal exacta.
En los dems casos se presenta error global cuyo nmero mnimo de cifras decimales exactas lo determina el
siguiente cuadro y se compara con los valores calculados
h Orden del error global, O(h)
Valores calcula-
dos
Error global
0.1 Ninguna cifra decimal exacta 0.2219999833
global
1.2
e 0.2463119 0.2220000
0. 3119 024
= =
=

0.05 Una cifra decimal exacta como mnimo 0.2338115391
global
1.2
e 0.2463119 0.2338115
0. 5004 012
= =
=

0.01 Una cifra decimal exacta como mnimo 0.2437502287
global
1.2
e 0.2463119 0.2437502
0. 5617 002
= =
=

En los casos de h = 0.1 y h = 0.01, el orden del error previsto es conservador respecto de lo obtenido.
Ejemplo 5.8
dy
x ln(y)
dx
= +
si y(0) = 1, utilizando el mtodo de Euler modificado con h = 0.5, h = 0.1 y h = 0.05. Analice adems el error
local y global. El valor exacto a siete cifras decimales es y(0.5) = 1.1476682.
i x
i
y
i
(h = 0.5) y
i
(h = 0.1) y
i
(h = 0.05)
0 0 1 1 1
1 0.05 --- --- 1.00125
2 0.1 --- 1.005 1.005126360
3 0.15 --- --- 1.011762404
4 0.2 --- 1.021018370 1.021296066
5 0.25 --- --- 1.033868815
6 0.3 --- 1.049168174 1.049624418
7 0.35 --- --- 1.068707581
8 0.4 --- 1.090599472 1.091262494
9 0.45 --- --- 1.117431341
10 0.5 1.125 1.146455331 1.147352815
El error local se verifica con h = 0,5; en este caso el orden es de O(h
3
), o sea (0.5)
3
= 0.125, por lo que no de-

be existir una sola cifra decimal exacta como mnimo, sin embargo para h = 0.5 se tiene y(0.5) = 1.125, en-
tonces..
local
0.5
e 1.1476682 1.125 0. 22 2 0 668 = =
existiendo una cifra decimal exacta.
Para los otros valores de h se presenta error global cuyo nmero mnimo de cifras decimales exactas lo deter-
mina el siguiente cuadro y se compara con los valores calculados
h h
2
Orden del error global, O(h
2
)
Valores calcula-
dos
Error global
0.1 0.01 Una cifra decimal exacta (mnimo) 1.146455331
global
0.5
e 1.1476682 1.1464553
0. 2129 001
= =
=

0.05 0.0025 Dos cifras decimales exactas (mnimo) 1.147352815
global
0.5
e 1.1476682 1.1473528
0. 3154 000
= =
=

En ambos casos el orden del error previsto es conservador respecto de lo obtenido.
La expresin (5.4) se puede utilizar para mejorar el valor de una estimacin de y
i
, en base a clculos previos
como lo demuestra el siguiente ejemplo
Ejemplo 5.9
2
dy
x y
dx
= +
si y(1) = 0, utilizando el mtodo de Euler hacia adelante con h = 0.05 y h = 0.025. Mejore las anteriores esti-
maciones. El valor de y(1.3) a siete cifras decimales es 0.4592940

i x
i
y
i
(h = 0.05) y
i
(h = 0.025)
0 1 0 0
1 1.025 --- 0.025
2 1.05 0.05 0.051890625
3 1.075 --- 0.08075039062
4 1.1 0.107625 0.1116597753
5 1.125 --- 0.1447012697
6 1.15 0.17350625 0.1799594265
7 1.175 --- 0.2175209121
8 1.2 0.2483065625 0.2574745599
9 1.225 --- 0.2999114239
10 1.25 0.3327218906 0.3449248345
11 1.275 --- 0.3926104554
12 1.3 0.4274829851 0.4430663418
Ambos resultados tienen como mnimo una cifra decimal exacta, lo cual es fcilmente corroborable en base al
valor exacto.

Por la relacin (5.4), se tiene que
aprox(h 0.05)
1.3 1.3
y y ch (A)
=
~ +
para h = 0.05, y
aprox(h 0.025)
1.3 1.3
aprox(h 0.025)
1.3 1.3
h
y y c
2
2y 2y ch (B)
=
=
~ +
~ +

para h = 0.025. Restando (B) (A) se tiene
aprox(h 0.025) aprox(h 0.05)
1.3 1.3 1.3
y 2y y
= =
~
que da una estimacin ms exacta que las anteriores, as
1.3
y 2(0.4430663418) (0.4274829851) 0.4586496985 ~ =
sta ltima estimacin es exacta a 3 cifras decimales.
5.3 MTODOS DE TAYLOR
Estos mtodos utilizan el desarrollo de la serie de Taylor(ver Apndice B) como instrumento para resolver la
ecuacin diferencial
dy
y f(x,y)
dx
' = = y la precisin del mtodo depender del nmero de trminos tomados de
la serie.
La serie de Taylor se puede escribir como
2 3
1 1
f(x h) f(x) hf (x) h f (x) h f (x) ...
2! 3!
' '' ''' + = + + + +
usando y en lugar de f, x
i
por x y x
i+1
en vez de x + h, se convierte en
2 3
i 1 i i i
1 1
y(x ) y(x ) hy (x ) h y (x ) h y (x ) ...
2! 3!
+
' '' ''' = + + + +
o de forma abreviada,
2 3
i 1 i i i i
1 1
y y hy h y h y ... (A)
2! 3!
+
' '' ''' = + + + +
tomando los dos primeros trminos de la serie (A), se tiene..
i 1 i i
y y hy
+
' ~ +
pero
i i i
y f(x ,y ) ' = , por lo que
i 1 i i i
y y hf(x ,y )
+
~ +
expresin que corresponde al mtodo por serie de Taylor de primer orden(ST1) y que no es sino el conocido
mtodo de Euler. Tomando los 3, 4 y 5 trminos de la serie se tiene

2
i 1 i i i
2 3
i 1 i i i i
2 3 4
(4)
i 1 i i i i i
h
y y hy y Metodo de serie de Taylor de 2do. orden(ST2)
2
h h
y y hy y y Metodo de serie de Taylor de 3er. orden(ST3)
2 6
h h h
y y hy y y y Metodo de serie de Taylo
2 6 24
+
+
+
' '' ~ + +
' '' ''' ~ + + +
' '' ''' ~ + + + + r de 4to. orden(ST4)

Estos mtodos involucran el calculo por derivacin implcita de las derivadas de orden 2, 3, 4, tal como lo
muestra el siguiente ejemplo
Ejemplo 5.10
2
dy
x y
dx
= +
si y(1) = 0, utilizando ST2 y ST4 con h = 0.1. El valor de y(1.3) a siete cifras decimales es 0.4592940
derivando implcitamente
2
i i i
i i i
i i
(4)
i i
y x y
y 2x y
y 2 y
y y
' = +
'' ' = +
''' '' = +
''' =

(a) Empleando ST2
2
1 0 0 0
h
y y hy y
2
' '' ~ + +
con
0
2 2
0 0 0
0 0 0
y 0
y x y (1) 0 1
y 2x y 2(1) 1 3
=
' = + = + =
'' ' = + = + =

por lo que
2 2
1 0 0 0
h (0.1)
y y hy y 0 (0.1)(1) (3)
2
0.11
2
5 ' '' ~ + + = + + = para x
1
= 1.1
2
2 1 1 1
h
y y hy y
2
' '' ~ + +
con
1
2 2
1 1 1
1 1 1
y 0.115
y x y (1.1) 0.115 1.325
y 2x y 2(1.1) 1.325 3.525
=
' = + = + =
'' ' = + = + =

por lo que
2 2
2 1 1 1
h (0.1)
y y hy y 0.115 (0.1)(1.325) (3.525)
2 2
0.265125 ' '' ~ + + = + + = para x
2
= 1.2
(5.5)

finalmente
2
3 2 2 2
h
y y hy y
2
' '' ~ + +
con
2
2 2
2 2 2
2 2 2
y 0.265125
y x y (1.2) 0.265125 1.705125
y 2x y 2(1.2) 1.705125 4.105125
=
' = + = + =
'' ' = + = + =

por lo que
2 2
3 2 2 2
h (0.1)
y y hy y 0.265125 (0.1)(1.705125) (4.105125) 0.45616
2
31
2
' '' ~ + + = + + = para x
3
= 1.3
el error es
global
1.3
e 0.4592940 0.4561631 0. 309 0031 = =
lo que muestra la existencia de dos cifras decimales exactas.
(a) Empleando ST4
2 3 4
(4)
1 0 0 0 0 0
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +
con
0
2 2
0 0 0
0 0 0
0 0
(4)
0 0
y 0
y x y (1) 0 1
y 2x y 2(1) 1 3
y 2 y 2 3 5
y y 5
=
' = + = + =
'' ' = + = + =
''' '' = + = + =
''' = =

entonces
2 3 4 2 3 4
(4)
1 0 0 0 0 0
h h h (0.1) (0.1) (0.1)
y y hy y y y 0 (0.1)(1) (3) (5) (5)
2
0.1158542
6 24 2 6 24
' '' ''' ~ + + + + = + + + + = para
x
1
= 1.1
2 3 4
(4)
2 1 1 1 1 1
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +
con
1
2 2
1 1 1
1 1 1
1 1
(4)
1 1
y 0.1158542
y x y (1.1) 0.1158542 1.3258542
y 2x y 2(1.1) 1.3258542 3.5258542
y 2 y 2 3.5258542 5.5258542
y y 5.5258542
=
' = + = + =
'' ' = + = + =
''' '' = + = + =
''' = =

entonces

2 3 4 2
(4)
2 1 1 1 1 1
3 4
h h h (0.1)
y y hy y y y 0.1158542 (0.1)(1.3258542) (3.5258542)
2 6 24 2
(0.1) (0.1)
(5.5258542) (5.5258542)
6 24
0.2670129
' '' ''' ~ + + + + = + + +
+ =

para x
1
= 1.2
2 3 4
(4)
3 2 2 2 2 2
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +
con
2
2 2
2 2 2
2 2 2
2 2
(4)
2 2
y 0.2670129
y x y (1.2) 0.2670129 1.7070129
y 2x y 2(1.2) 1.7070129 4.1070129
y 2 y 2 4.1070129 6.1070129
y y 6.1070129
=
' = + = + =
'' ' = + = + =
''' '' = + = + =
''' = =

entonces
2 3 4 2
(4)
3 2 2 2 2 2
3 4
h h h (0.1)
y y hy y y y 0.2670129 (0.1)(1.7070129) (4.1070129)
2 6 24 2
(0.1) (0.1)
(6.1070129) (6.1070129)
6 24
0.4592925
' '' ''' ~ + + + + = + + +
+ =

para x
1
= 1.3
el error es
global
1.3
e 0.4592940 0.4592925 0. 15 00000 = =
lo que muestra la existencia de cinco cifras decimales exactas.
Como resulta evidente los mtodos de series de Taylor de mayor orden producen mejores resultados, aunque a
costa de un mayor nmero de clculos.
5.3.1 ERROR EN LOS MTODOS DE TAYLOR
El orden del error en los mtodos de series de Taylor se resume en el siguiente cuadro
Mtodo
Orden del error
ST1(Mtodo de Euler) O(h
2
) O(h)
ST2 O(h
3
) O(h
2
)
ST3 O(h
4
) O(h
3
)
ST4 O(h
5
) O(h
4
)
El siguiente ejemplo ilustra el uso que se puede hacer del orden del error en los mtodos de Taylor
Ejemplo 5.10

dy
x y
dx
= +
si y(1) = 0, utilizando cualquier mtodo por series de Taylor. El resultado debe poseer cinco cifras decimales
exactas.
Utilizando ST4, el error global es O(h
4
), entonces
h = 0.1 (0.1)
4
= 0.0001 Se obtienen un mnimo de 3 cifras decimales exactas
h = 0.05 (0.05)
4
= 0.00000625 Se obtienen un mnimo de 5 cifras decimales exactas
por lo que la eleccin adecuada es h = 0.05.
derivando implcitamente
i i i
i i
i i
(4)
i i
y x y
y 1 y
y y
y y
' = +
'' ' = +
''' '' =
''' =

2 3 4
(4)
1 0 0 0 0 0
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +
0
0 0 0
0 0
0 0
(4)
0 0
y 0
y x y 1 0 1
y 1 y 1 1 2
y y 2
y y 2
=
' = + = + =
'' ' = + = + =
''' '' = =
''' = =

2 3 4 2 3 4
(4)
1 0 0 0 0 0
h h h (0.05) (0.05) (0.05)
y y hy y y y 0 (0.05)(1) (2) (2) (2)
2 6
0.052542
24 2 6 2
1
4
9 ' '' ''' ~ + + + + = + + + + =
para x
1
= 1.05
2 3 4
(4)
2 1 1 1 1 1
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +
1
1 1 1
1 1
1 1
(4)
1 1
y 0.05254219
y x y 1.05 0.05254219 1.10254219
y 1 y 1 1.10254219 2.10254219
y y 2.10254219
y y 2.10254219
=
' = + = + =
'' ' = + = + =
''' '' = =
''' = =

2 3 4 2
(4)
2 1 1 1 1 1
3 4
h h h (0.05)
y y hy y y y 0.05254219 (0.05)(1.10254219) (2.10254219)
2 6 24 2
(0.05) (0.05)
(2.10254219) (2.10254219)
6
0.11034183
24
' '' ''' ~ + + + + = + + +
+ =

para x
2
= 1.1
2 3 4
(4)
3 2 2 2 2 2
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +

2
2 2 2
2 2
2 2
(4)
2 2
y 0.11034183
y x y 1.1 0.11034183 1.21034183
y 1 y 1 1.21034183 2.21034183
y y 2.21034183
y y 2.21034183
=
' = + = + =
'' ' = + = + =
''' '' = =
''' = =

2 3 4 2
(4)
3 2 2 2 2 2
3 4
h h h (0.05)
y y hy y y y 0.11034183 (0.05)(1.21034183) (2.21034183)
2 6 24 2
(0.05) (0.05)
(2.21034183) (2.21034183)
6
0.17366847
24
' '' ''' ~ + + + + = + +
+ + =

para x
3
= 1.15
2 3 4
(4)
4 3 3 3 3 3
h h h
y y hy y y y
2 6 24
' '' ''' ~ + + + +
3
3 3 3
3 3
3 3
(4)
3 3
y 0.17366847
y x y 1.15 0.17366847 1.32366847
y 1 y 1 1.32366847 2.32366847
y y 2.32366847
y y 2.32366847
=
' = + = + =
'' ' = + = + =
''' '' = =
''' = =

2 3 4 2
(4)
4 3 3 3 3 3
3 4
h h h (0.05)
y y hy y y y 0.17366847 (0.05)(1.32366847) (2.32366847)
2 6 24 2
(0.05) (0.05)
(2.32366847) (2.32366847)
6
0.24280549
24
' '' ''' ~ + + + + = + +
+ + =

para x
4
= 1.2
El valor exacto a 8 cifras decimales exactas es 0.24280552, por lo que
global
1.2
e 0.24280552 0.2428054 0000000 9 0. 3 = =
lo que muestra que el resultado obtenido tiene como mnimo 5 cifras decimales exactas(en realidad existen 7 ci-
fras decimales exactas).
Nuevamente se comprueba que trabajar con el orden del error para determinar el nmero de cifras exactas lleva
a clculos por el lado conservador del anlisis numrico.
5.4 MTODOS DE RUNGEKUTTA
Una de las dificultades del uso de los mtodos por series de Taylor, es el empleo de la derivacin implcita, sta
no esta presente en los mtodos de RungeKutta cuya deduccin matemtica sale fuera del alcance de este li-
bro, por lo que no se van a detallar.
5.4.1 MTODO DE RUNGEKUTTA DE TERCER ORDEN
El mtodo de RungeKutta de tercer orden(RK3), para la ecuacin diferencial
dy
y f(x,y)
dx
' = = se define me-
diante
i 1 i 1 2 3
1
y y (k 4k k )
6
+
~ + + +


donde
1 i i
2 i i 1
3 i i 2 1
k hf(x ,y )
1 1
k hf x h,y k
2 2
k hf(x h,y 2k k )
=
| |
= + +
|
\ .
= + +

El siguiente ejemplo muestra el uso de este procedimiento
Ejemplo 5.11
dy
x y
dx
= +
si y(1) = 0, utilice el mtodo RK3 con h = 0.1. La respuesta exacta a 8 cifras decimales es 0.63848116.
Se empleara
i 1 i 1 2 3
1
y y (k 4k k )
6
+
~ + + +
con
( )
1 i i i i
1
2 i i 1 i i
3 i i 2 1 i i 2 1
k hf(x ,y ) 0.1( x y )
k 1 1
k hf x h,y k 0.1 x 0.05 y
2 2 2
k hf(x h,y 2k k ) 0.1 x 0.1 y 2k k
= = +
| |
| |
= + + = + + + |
|
|
\ .
\ .
= + + = + + +

As entonces
1 0 1 2 3
1
y y (k 4k k )
6
~ + + +
( ) ( )
1 0 0
1
2
3 2 1
k 0.1( x y ) 0.1( 1 0) 0.1
k 0.1
k 0.1 1 0.05 0 0.1 1 0.05 0 0.12483019
2 2
k 0.1 1 0.1 0 2k k 0.1 1 0.1 0 2(0.12483019) 0.1 0.14356685
= + = + =
| | | |
= + + + = + + + = | |
| |
\ . \ .
= + + + = + + + =

1
1
y 0 (0.1 4(0.12483019) 0.1435668 0.12381 6 ) 4 5
6
0 ~ + + + = para x
1
= 1.1
2 1 1 2 3
1
y y (k 4k k )
6
~ + + +
( ) ( )
1 1 1
1
2
3 2 1
k 0.1( x y ) 0.1( 1.1 0.12381460) 0.14006818
k 0.14006818
k 0.1 1.1 0.05 0.12381460 0.1 1 0.05 0 0.15126630
2 2
k 0.1 1.1 0.1 0.12381460 2k k 0.1 1 0.1 0 2(0.15126630) 0.14006818
0.163049
= + = + =
| | | |
= + + + = + + + = | |
| |
\ . \ .
= + + + = + + +
= 60

(5.6)

2
1
y 0.12381460 (0.14006818 4(0.15126630) 0.16304960) 0.27 1 4
6
5 78 3 ~ + + + = para x
2
= 1.2
3 2 1 2 3
1
y y (k 4k k )
6
~ + + +
( ) ( )
1 2 2
1
2
3 2 1
k 0.1( x y ) 0.1( 1.2 0.27517843) 0.16200196
k 0.16200196
k 0.1 1.2 0.05 0.27517843 0.1 1 0.05 0 0.17148417
2 2
k 0.1 1.2 0.1 0.27517843 2k k 0.1 1 0.1 0 2(0.17148417) 0.16200196
0.181556
= + = + =
| | | |
= + + + = + + + = | |
| |
\ . \ .
= + + + = + + +
= 04

3
1
y 0.27517843 (0.16200196 4(0.17148417) 0.18155604) 0.44 7 9
6
6 60 0 ~ + + + = para x
3
= 1.3
4 3 1 2 3
1
y y (k 4k k )
6
~ + + +
( ) ( )
1 3 3
1
2
3 2 1
k 0.1( x y ) 0.1( 1.3 0.44676090) 0.18085772
k 0.18085772
k 0.1 1.3 0.05 0.44676090 0.1 1 0.05 0 0.18948273
2 2
k 0.1 1.3 0.1 0.44676090 2k k 0.1 1 0.1 0 2(0.18948273) 0.18085772
0.198625
= + = + =
| | | |
= + + + = + + + = | |
| |
\ . \ .
= + + + = + + +
= 31

4
1
y 0.44676090 (0.18085772 4(0.18948273) 0.19862531) 0.63 3 8
6
6 29 9 ~ + + + = para x
4
= 1.4
el error es entonces
global
1.4
e 0.63848116 0.6363298 0 9 0. 21512 0 7 = =
lo que indica la presencia de 2 cifras decimales exactas.
5.4.2 MTODO DE RUNGEKUTTA DE CUARTO ORDEN
El mtodo de RungeKutta de cuarto orden(RK4), para la ecuacin diferencial
dy
y f(x,y)
dx
' = = generalmente
el ms utilizado de estos mtodos se define mediante
i 1 i 1 2 3 4
1
y y (k 2k 2k k )
6
+
~ + + + +

donde
1 i i
2 i i 1
3 i i 2
4 i i 3
k hf(x ,y )
1 1
k hf x h,y k
2 2
1 1
k hf x h,y k
2 2
k hf(x h,y k )
=
| |
= + +
|
\ .
| |
= + +
|
\ .
= + +

El siguiente ejemplo ilustra este mtodo
(5.7)

Ejemplo 5.12
2
dy
x y
dx
=
si y(1) = 0, utilice el mtodo RK4 con h = 0.1. La respuesta exacta a 8 cifras decimales es 0.33427343.
Se utilizara
i 1 i 1 2 3 4
1
y y (k 2k 2k k )
6
+
~ + + + +
con
2
1 i i i i
2
2 i i 1 i i 1
2
3 i i 2 i i 2
2
4 i i 3 i i 3
k hf(x ,y ) 0.1(x y )
1 1 h 1
k hf x h,y k 0.1 x y k
2 2 2 2
1 1 h 1
k hf x h,y k 0.1 x y k
2 2 2 2
k hf(x h,y k ) 0.1(x h (y k ) )
= =
| |
| | | |
= + + = + + |
| |
|
\ . \ .
\ .
| |
| | | |
= + + = + + |
| |
|
\ . \ .
\ .
= + + = + +

entonces
1 0 1 2 3 4
1
y y (k 2k 2k k )
6
~ + + + +
2
1 0 0
2
2 0 0 1
2
3 0 0 2
2
4 0 0 3
k 0.1(x y ) 0.1
h 1
k 0.1 x y k 0.10475
2 2
h 1
k 0.1 x y k 0.10472569
2 2
k 0.1(x h (y k ) ) 0.10890325
= =
| |
| |
= + + = |
|
|
\ .
\ .
| |
| |
= + + = |
|
|
\ .
\ .
= + + =

1 0 1 2 3 4
1
y y (k 2k 2k 0.1046424 )
6
4 k ~ + + + + = para x
1
= 1.1
2 1 1 2 3 4
1
y y (k 2k 2k k )
6
~ + + + +
2
1 1 1
2
2 1 1 1
2
3 1 1 2
2
4 1 1 3
k 0.1(x y ) 0.10890410
h 1
k 0.1 x y k 0.11246888
2 2
h 1
k 0.1 x y k 0.11241186
2 2
k 0.1(x h (y k ) ) 0.11528874
= =
| |
| |
= + + = |
|
|
\ .
\ .
| |
| |
= + + = |
|
|
\ .
\ .
= + + =


2 1 1 2 3 4
1
y y (k 2k 2k 0.2169683 )
6
1 k ~ + + + + = para x
2
= 1.2
3 2 1 2 3 4
1
y y (k 2k 2k k )
6
~ + + + +
2
1 2 2
2
2 2 2 1
2
3 2 2 2
2
4 2 2 3
k 0.1(x y ) 0.11529248
h 1
k 0.1 x y k 0.11745869
2 2
h 1
k 0.1 x y k 0.11739908
2 2
k 0.1(x h (y k ) ) 0.11881984
= =
| |
| |
= + + = |
|
|
\ .
\ .
| |
| |
= + + = |
|
|
\ .
\ .
= + + =

3 2 1 2 3 4
1
y y (k 2k 2k 0.3342729 )
6
5 k ~ + + + + = para x
3
= 1.3
el error es
global
1.4
e 0.33427343 0.3342729 0 5 0. 48 00000 = =
lo que indica la presencia de 6 cifras decimales exactas.
5.4.3 ERROR EN LOS MTODOS DE RUNGEKUTTA
El orden del error en los mtodos de RungeKutta se resume a continuacin
Mtodo
Orden del error
RK3 O(h
4
) O(h
3
)
RK4 O(h
5
) O(h
4
)
Se deja al lector comprobar con el ejemplo anterior el orden de error indicado
5.5 MTODOS DE SOLUCIN DE EDOs DE PRIMER ORDEN CON DERIVE 6
Derive 5, dentro del archivo de utilidad Ode_appr.mth, posee dos funciones correspondientes a los mtodos de
Euler y RK4, para solucin de ecuaciones diferenciales ordinarias de primer orden.
EULER_ODE(f, x, y, x0, y0, h, n) se aproxima a un vector de n + 1 puntos de la solucin de la ecuacin
dy
y f(x,y)
dx
' = = con y = y0 en x = x0 empezando con x = x0 y usando un paso de h.
RK([f], [x, y], [x0, y0], h, n) usa el mtodo de Runge-Kutta de cuarto orden(RK4) para aproximar la solucin de
la ecuacin
dy
y f(x,y)
dx
' = = con y = y0 en x = x0 empezando con x = x0, h es el paso y n es el nmero de
iteraciones. RK devuelve una matriz de puntos con n + 1 aproximaciones.
Ejemplo 5.13

2 2
dy
x y
dx
=
si y(1) = 2, utilice el mtodo de Euler y RK4 con h = 0.1 y h = 0.05. Utilice las funciones EULER y RK.
Se carga la utilidad Ode_appr.mth

Se escriben las funciones de acuerdo a lo pedido
EULER_ODE(x^2y^2, x, y, 1, 2, 0.1, 6)
RK([x^2y^2f], [x, y], [1, 2], 0.1, 6)
EULER_ODE(x^2y^2, x, y, 1, 2, 0.05, 12)
RK([x^2y^2f], [x, y], [1, 2], 0.05, 12)
Luego de aproximar se obtiene


y,

5.6 APLICACIONES
Las EDOs de primer orden tienen numerosas aplicaciones, aqu se revisarn unos pocos ejemplos de ello
Ejemplo 5.14
Fsica. Un paracaidista se lanza de un aeroplano y antes de abrir su paracadas el arrastre debido a la resistencia
del aire es proporcional a
1.5
v . Por ello la ecuacin del movimiento del paracaidista esta dada por
1.5
dv
g kv
dt
= donde k = 0.05, g = 9.8 m/s
2
y v(0) = 0. Determinar la velocidad del paracaidista cada me-
dio segundo.
Se utiliza RK, mediante la orden RK([9.80.05*v^1.5], [t, v], [0, 0], 0.5, 98), obteniendose


t(s) v(m/s) t(s) v(m/s) t(s) v(m/s)
0 0 17 33.71332297 34 33.74197427
0.5 4.793106301 17.5 33.71893344 34.5 33.74197768
1 9.219965304 18 33.72344609 35 33.74198042
1.5 13.17437709 18.5 33.72707569 35.5 33.74198263
2 16.62786062 19 33.72999499 36 33.74198440
2.5 19.59312055 19.5 33.73234298 36.5 33.74198583
3 22.10583387 20 33.73423145 37 33.74198698
3.5 24.21303637 20.5 33.73575032 37.5 33.74198790
4 25.96561345 21 33.73697192 38 33.74198864
4.5 27.41364417 21.5 33.73795443 38.5 33.74198924
5 28.60373270 22 33.73874463 39 33.74198972
5.5 29.57768156 22.5 33.73938018 39.5 33.74199011
6 30.37203125 23 33.73989133 40 33.74199042
6.5 31.01812723 23.5 33.74030244 40.5 33.74199067
7 31.54248246 24 33.74063308 41 33.74199087
7.5 31.96728292 24.5 33.74089900 41.5 33.74199103
8 32.31094043 25 33.74111288 42 33.74199116
8.5 32.58863623 25.5 33.74128489 42.5 33.74199126
9 32.81282445 26 33.74142324 43 33.74199135
9.5 32.99368113 26.5 33.74153450 43.5 33.74199142
10 33.13949459 27 33.74162399 44 33.74199147
10.5 33.25699858 27.5 33.74169596 44.5 33.74199151
11 33.35165286 28 33.74175385 45 33.74199155
11.5 33.42787713 28.5 33.74180040 45.5 33.74199158
12 33.48924458 29 33.74183784 46 33.74199159
12.5 33.53864104 29.5 33.74186796 46.5 33.74199159
13 33.57839529 30 33.74189218 47 33.74199159
13.5 33.61038534 30.5 33.74191165 47.5 33.74199159
14 33.63612489 31 33.74192732 48 33.74199159
14.5 33.65683349 31.5 33.74193992
15 33.67349334 32 33.74195005
15.5 33.68689528 32.5 33.74195820
16 33.69767595 33 33.74196476
16.5 33.70634774 33.5 33.74197003

Un grfico de la tabla anterior se muestra a continuacin

el grfico muestra la presencia de una velocidad constante a partir de los 46 s. aproximadamente, sta es la
llamada velocidad terminal.
Ejemplo 5.14
Crecimiento poblacional. Un ecologista introduce 100 aves con el objeto de combatir una plaga de insectos. La
experiencia muestra que el nmero N de las mismas puede ser modelado por la ecuacin diferencial
1.9
dN
0.89N 0.003N
dt
= donde t est en meses. El ecologista afirma que no hay peligro de que las aves se
conviertan en una plaga Por qu?
Nuevamente se utiliza RK, mediante la orden RK([0.890.003*N^1.9], [t, N], [0, 100], 1, 29), obteniendose
t(mes) N t(mes) N t(mes) N
0 100 10 557.6407007 20 558.4252736
1 188.0985332 11 558.0710982 21 558.4254248
2 300.5228543 12 558.2655348 22 558.4254930
3 405.0082009 13 558.3533244 23 558.4255237
4 477.7947448 14 558.3929520 24 558.4255376
5 519.1559280 15 558.4108376 25 558.4255439
6 540.0513810 16 558.4189097 26 558.4255467
7 549.9938562 17 558.4225527 27 558.4255480
8 554.5912846 18 558.4241968 28 558.4255484
9 556.6891718 19 558.4249388 29 558.4255484
Un grfico de la tabla anterior es
velocidad terminal

Este grfico al igual que la tabla muestran que el nmero de aves se estabiliza en 558 a partir de 1 ao aproxi-
madamente de introducidas las aves, lo cual justifica la aseveracin del ecologista que el crecimiento poblacio-
nal de las aves no constituye un problema de generacin de plagas.
Ejemplo 5.14
Ley de enfriamiento de Newton. Una taza de caf que se halla inicialmente a 100C, se enfra de acuerdo a la
ecuacin diferencial
dT
0.03(T 20)
dt
= donde T es la temperatura en C y t es el tiempo en minutos. Des-
pus de 20 minutos cual es la temperatura del caf.
Las rdenes
CaseMode := Sensitive
RK([0.03(T20)], [t, T], [0, 100], 1, 20)
generan la tabla
t(min) T(C) t(min) T(C) t(min) T(C)
0 100 7 84.84673977 14 72.56374573
1 97.63564269 8 82.93022898 15 71.01025228
2 95.34116271 9 81.07035966 16 69.50267150
3 93.11449486 10 79.26545777 17 68.03964647
4 90.95363499 11 77.51389880 18 66.61986036
5 88.85663818 12 75.81410622 19 65.24203527
6 86.82161699 13 74.16455010 20 63.90493106
cuyo grfico es

El caf se encuentra a una temperatura aproximada de 63.90C despus de 20 minutos.
5.7 SOLUCIN DE SISTEMAS DE ECUACIONES DIFERENCIALES ORDINARIAS
Los mtodos numricos empleados para resolver ecuaciones diferenciales ordinarias individuales se pueden
emplear en la resolucin de sistemas de ecuaciones diferenciales ordinarias con valor inicial. Se considerar a
continuacin los sistemas de ecuaciones diferenciales de primer orden.
Considrese el siguiente sistema de dos ecuaciones diferenciales de primer orden
dx
f(t, x,y)
dt
dy
g(t, x,y)
dt
=
=
(A)
con las condiciones iniciales
0 0 0 0
x(t ) x , y(t ) y = = (B)
Una solucin del sistema dado es un par de funciones derivables x(t) e y(t) tales que cuando t, x(t) e y(t) se sus-
tituyen en f(t,x,y) y g(t,x,y), el resultado es igual a
dx
dt
y
dy
dt
respectivamente, es decir
0
0
0 0 0
t t
0 0 0
t t
dx
f(t , x ,y )
dt
dy
g(t , x ,y )
dt
=
=
=
=

Por ejemplo considrese el sistema de ecuaciones diferenciales

dx
x 2y
dt
dy
3x 2y
dt
= +
= +

con condiciones iniciales
x(0) 6
y(0) 4
=
; la solucin del problema de valor inicial es

4t t
4t t
x(t) 4e 2e
y(t) 6e 2e
= +
=

lo que se puede verificar sustituyendo directamente
dx
dt
,
dy
dt
, x(t) e y(t) en el sistema, as pues
4t t
4t t
4t t 4t t 4t t 4t t
dx x(t ) y(t ) x(t ) 2y(t )
dt
4t t 4t t 4t t 4t t
dy x(t ) y(t ) 3x(t ) 2y(t
dt
dx
16e 2e
dt
dy
24e 2e
dt
16e 2e 4e 2e 2(6e 2e ) 16e 2e
24e 2e 3(4e 2e ) 2(6e 2e ) 24e 2e

+

+
=
= +
= + + =
+ = + + = +

)

Se puede determinar una solucin numrica del sistema (A) con condiciones iniciales (B) en un intervalo dado
a t b s s considerando las diferenciales
dx f(t, x,y)dt y dy g(t, x,y)dt = = (C)
El mtodo de Euler para resolver este problema es fcil de formular, as: Sustituyendo en (C) los diferenciales
por incrementos
k 1 k
dt t t
+
= ,
k 1 k
dx x x
+
= y
k 1 k
dy y y
+
= se obtiene
k 1 k k k k k 1 k
k 1 k k k k k 1 k
x x f(t , x ,y )(t t )
y y g(t , x ,y )(t t )
+ +
+ +
~
~

Si se divide el intervalo en n subintervalos de anchura
b a
h
n
= , y empleando los puntos

k 1 k
t t h
+
= + como
nodos, se obtienen las siguientes frmulas recursivas
k 1 k
k 1 k k k k
k 1 k k k k
t t h
x x hf(t , x ,y )
y y hg(t , x ,y ) para k 1,2,3,...,n 1
+
+
+
= +
= +
= + =

Para conseguir un grado de precisin razonablemente mejor, es necesario utilizar un mtodo de orden mayor,
por ejemplo el mtodo de Runge-Kutta de orden 4, mediante el empleo de este mtodo, las ecuaciones para el
sistema dado se transforman en

k 1 k 1 2 3 4
k 1 k 1 2 3 4
h
x x (f 2f 2f f )
6
h
y y (g 2g 2g g )
6
+
+
= + + + +
= + + + +
(D)
donde
( ) ( )
1 k k k 1 k k k
2 k k 1 k 1 2 k k 1 k 1
3 k k 2 k 2 3 k k 2 k 2
4 k k 3 k 3 4 k k 3 k 3
f f(t , x ,y ) g g(t , x ,y )
h h h h h h
f f t , x f ,y g g g t , x f ,y g
2 2 2 2 2 2
h h h h h h
f f t , x f ,y g g g t , x f ,y g
2 2 2 2 2 2
f f t h, x hf ,y hg g g t h, x hf ,y hg
= =
| | | |
= + + + = + + +
| |
\ . \ .
| | | |
= + + + = + + +
| |
\ . \ .
= + + + = + + +

Ejemplo 5.15
Emplese el mtodo de Runge-Kutta de cuarto orden para hallar la solucin numrica del sistema
dx
x 2y
dt
dy
3x 2y
dt
x(0) 6
con
y(0) 4
= +
= +
=

en el intervalo [0.0, 0.2], tomando diez subintervalos con tamao de paso h = 0.002
Hallamos los nodos del intervalo, as entonces
0
1
9
0
1
t h
2
t h
10
t h
t 0.0
t 0.0 0.02 0.02
t 0.02 0.02 0.04
.
.
.
t 0.18 0.02 0.20
+
+
+
=
= + =
= + =
= + =

Para el primer clculo se tiene
1
t 0.02 = y las operaciones intermedias necesarias para obtener
1
x e
1
y son
k k
1
x 2y
f f(0.00,6.0,4.0) 6.0 2(4.0) 14.0
+
= = + =

0 1
h 0.02
x f 6.00 14.0 6.14
2 2
+ = + =

k 1 k 1
2
h h
x f 2 y g
2 2
f f(0.01,6.14,4.26) 6.14 2(4.26) 14.66
| |
+ + +
|
\ .
= = + =

0 2
h 0.02
x f 6.00 14.66 6.1466
2 2
+ = + =
k 2 k 2
3
h h
x f 2 y g
2 2
f f(0.01,6.1466,4.2694) 6.1466 2(4.2694) 14.6854
| |
+ + +
|
\ .
= = + =

0 3
x hf 6.00 (0.02)(14.6854) 6.293708 + = + =
( )
k 3 k 3
4
x hf 2 y hg
f f(0.02,6.293708,4.539572) 6.293708 2(4.539572) 15.372852
+ + +
= = + =

k k
1
3x 2y
g f(0.00,6.0,4.0) 3(6.0) 2(4.0) 26.0
+
= = + =

0 1
h 0.02
y g 4.00 26.0 4.26
2 2
+ = + =
k 1 k 1
2
h h
3 x f 2 y g
2 2
g g(0.01,6.14,4.26) 3(6.14) 2(4.26) 26.94
| | | |
+ + +
| |
\ . \ .
= = + =

0 2
h 0.02
y g 4.00 26.94 4.2694
2 2
+ = + =
k 2 k 2
3
h h
3 x f 2 y g
2 2
g f(0.01,6.1466,4.2694) 3(6.1466) 2(4.2694) 26.9786
| | | |
+ + +
| |
\ . \ .
= = + =

0 3
y hg 4.00 (0.02)(26.9786) 4.539572 + = + =
( ) ( )
k 3 k 3
4
3 x hf 2 y hg
g f(0.02,6.293708,4.539572) 3(6.293708) 2(4.539572) 27.960268
+ + +
= = + =

Utilizando los valores calculados en las expresiones (D) se tiene
1 0 1 2 3 4
1 0 1 2 3 4
h 0.02
x x (f 2f 2f f ) 6 [14.0 (2)(14.66) (2)(14.6854) 15.372852] 6.29354551
6 6
h 0.02
y y (g 2g 2g g ) 4 [26.0 (2)(26.94) (2)(26.9786) 27.960268] 4.53932490
6 6
= + + + + = + + + + =
= + + + + = + + + + =

Los clculos en los dems nodos se determinan de manera similar y se presentan en la siguiente tabla
K
k
t
k
x
k
y
0 0.00 6.00000000 4.00000000
1 0.02 6.29354551 4.53932490
2 0.04 6.61562213 5.11948599

3 0.06 6.96852528 5.74396525
4 0.08 7.35474319 6.41653305
5 0.10 7.77697287 7.14127221
6 0.12 8.23813750 7.92260406
7 0.14 8.74140523 8.76531667
8 0.16 9.29020955 9.67459538
9 0.18 9.88827138 10.6560560
10 0.20 10.5396230 11.7157807


6
A AL LG GE EB BR RA A L LI IN NE EA AL L N NU UM M R RI IC CA A
Algunos de los procedimientos estudiados en el lgebra Lineal como la resolucin de sistemas de ecuaciones
lineales pueden ser tratados desde el punto de vista del anlisis numrico, desarrollando mtodos que facilitan el
clculo especialmente cuando la presencia de nmeros en punto flotante involucran al error por redondeo.
En el presente captulo se desarrollarn nicamente mtodos numricos para solucin de sistemas de ecuacio-
nes lineales.
6.1 MTODO DE ELIMINACIN DE GAUSS CON PIVOTEO PARCIAL
El error por redondeo puede tener un efecto determinante durante la solucin de un sistema de ecuaciones linea-
les por el mtodo de eliminacin de Gauss, como lo muestra el siguiente ejemplo
Ejemplo 6.1
Utilizando el mtodo de eliminacin de Gauss, resuelva el siguiente sistema redondeando a tres cifras significa-
tivas despus de cada clculo intermedio. La solucin exacta es x = 1, y = 1, z = 1.
0.007x 61.20y 0.093z 61.3
4.810x 5.92y 1.110z 0.0
81.400x 1.12y 1.180z 83.7
+ + =
+ =
+ + =

Se forma la matriz aumentada del sistema
0.007 61.20 0.093 61.3
4.810 5.92 1.110 0.0
81.400 1.12 1.180 83.7
(
(
(
(

dividiendo la primera fila por 0.007
1 8742.857 13.286 8757.143
4.810 5.92 1.110 0.0
81.400 1.12 1.180 83.7
(
(
(
(

restando 4.810 veces la fila 2 de la 1
1 8742.857 13.286 8757.143
0 42059.062 62.796 42121.858
81.400 1.12 1.180 83.7
(
(

(
(

1 8742.857 13.286 8757.143
0 42059.062 62.796 42121.858
0 711667.439 1080.300 712747.740
(
(

(
(

dividiendo la segunda fila por 42059.062
1 8742.857 13.286 8757.143
0 1 0.00149 1.001
0 711667.439 1080.300 712747.740
(
(
(
(


1 8742.857 13.286 8757.143
0 1 0.00149 1.001
0 0 19.916 368.634
(
(
(
(

dividiendo la tercera fila por 19.916
1 8742.857 13.286 8757.143
0 1 0.00149 1.001
0 0 1 18.509
(
(
(
(

por sustitucin inversa
z = 18.509 , e 1 18.509 17.509 = =
y = 1.001 0.00149(18.509) = 0.973, e 1 0.973 0.027 = =
x = 8757.143 13.286(18.509) 8742.857(0.973) = 4.433, e 1 4.433 3.433 = =
es evidente que la respuesta obtenida esta con error excesivamente grande gracias a la acumulacin del error
por redondeo durante las operaciones intermedias.
Un mtodo para minimizar el error por redondeo y obtener soluciones aproximadas razonables, es el que se va a
revisar seguidamente y que se lo conoce como Eliminacin Gaussiana con pivoteo parcial. Este mtodo toma en
consideracin el siguiente procedimiento
1. Se encuentra la entrada en la primera columna con el mayor valor absoluto, y se utiliza esa entrada como
pivote para la eliminacin.
2. Se efecta un intercambio de filas con aquella que contenga el pivote para ubicarla como primera fila.
3. Se divide la primera fila por el pivote (este paso ser innecesario si el pivote es 1).
4. Se utiliza operaciones elementales por filas para reducir a cero las entradas bajo el pivote.
A continuacin se vuelve a ejecutar el mismo procedimiento eliminando la fila y columna del pivote.
El siguiente ejemplo muestra este procedimiento
Ejemplo 6.2
Utilizando el mtodo de eliminacin de Gauss con pivoteo parcial, resuelva el siguiente sistema redondeando a
tres cifras significativas despus de cada clculo intermedio. La solucin exacta es x = 1, y = 1, z = 1.
0.007x 61.20y 0.093z 61.3
4.810x 5.92y 1.110z 0.0
81.400x 1.12y 1.180z 83.7
+ + =
+ =
+ + =

0.007 61.20 0.093 61.3
4.810 5.92 1.110 0.0
81.400 1.12 1.180 83.7
(
(
(
(

81.400 ser el pivote por ser la entrada de mayor valor absoluto, entonces
se intercambian primera y tercera fila
pivote

81.400 1.12 1.180 83.7
4.810 5.92 1.110 0.0
0.007 61.20 0.093 61.3
(
(
(
(

se divide la primera fila por 81.400
1 0.0138 0.0145 1.028
4.810 5.92 1.110 0.0
0.007 61.20 0.093 61.3
(
(
(
(

se resta la segunda fila de 4.810 veces la primera
1 0.0138 0.0145 1.028
0 5.986 1.040 4.945
0.007 61.20 0.093 61.3
(
(

(
(

se resta la tercera fila de 0.007 veces la primera
1 0.0138 0.0145 1.028
0 5.986 1.040 4.945
0 61.20 0.0929 61.293
(
(

(
(

61.20 ser el siguiente pivote por lo que se intercambia segunda y tercera
filas
1 0.0138 0.0145 1.028
0 61.20 0.0929 61.293
0 5.986 1.040 4.945
(
(
(
(

se divide la segunda fila por 61.20
1 0.0138 0.0145 1.028
0 1 0.00152 1.002
0 5.986 1.040 4.945
(
(
(
(

se resta la tercera fila de 5.986 veces la segunda
1 0.0138 0.0145 1.028
0 1 0.00152 1.002
0 0 1.049 1.053
(
(
(
(

se divide la tercera fila por 1.049
1 0.0138 0.0145 1.028
0 1 0.00152 1.002
0 0 1 1.004
(
(
(
(

z = 1.004, e 1 1.004 0.004 = =
y = 1.002 0.00152(1.004) = 1.000, e 1 1.000 0.000 = =
x = 1.028 0.0145(1.004) 0.0138(1.000) = 1.000, e 1 1.000 0.000 = =
Es evidente la mejora con respecto a la respuesta del ejemplo 6.1
Este es un mtodo directo, pues su resultado se obtiene gracias a la ejecucin de un determinado proceso sin
recurrir a un refinamiento del mismo. Este tipo de mtodos son poco prcticos, pues algunos sistemas muy
sensibles al error por redondeo denominados problemas mal condicionados no pueden ser tratados por este
procedimiento, tal como lo ejemplifica el siguiente caso
pivote

Ejemplo 6.3
Utilizando el mtodo de eliminacin de Gauss con pivoteo parcial, resuelva el siguiente sistema redondeando a
tres cifras significativas despus de cada clculo intermedio. La solucin exacta es x = 10820, y = 10818.
x y 2
600
x y 20
601
+ =
+ =

1 1 2
1 0.998 20
(
(

restamos la segunda fila de la primera
1 1 2
0 0.002 18
(
(

se divide la segunda fila por 0.002
1 1 2
0 1 9000
(
(

y = 9000,
10818 9000
e 100 16.8%
10818
+
= =

x = 2 (9000) = 9002,
10820 9002
e 100 16.8%
10820
= =
el porcentaje de error es significativo a pesar de haberse empleado el mtodo de Gauss con pivoteo parcial.
6.2 MTODOS ITERATIVOS PARA SOLUCIN DE SISTEMAS DE ECUACIONES LINEALES
Este tipo de mtodos envuelven el uso de procesos iterativos, los que permiten el refinamiento del resultado.
Los dos ms importantes mtodos iterativos a revisarse son
Mtodo de Jacobi, y
Mtodo de GaussSeidel
6.2.1 MTODO DE JACOBI
Este mtodo requiere de dos suposiciones bsicas: (a) El sistema dado por
11 1 12 2 1n n 1
21 1 22 2 2n n 2
n1 1 n2 2 nn n n
a x a x ... a x b
a x a x ... a x b
.
.
.
a x a x ... a x b
+ + + =
+ + + =
+ + + =

deber poseer solucin nica y (2) La matriz de coeficientes del sistema no debe poseer ceros sobre la diagonal
principal, y en caso de que ello ocurra deber realizarse intercambio de filas o columnas para evitarlo. Bajo es-
tas condiciones podemos resolver secuencialmente cada una de las n ecuaciones del sistema para x
1
, x
2
, , x
n


como se muestra
1 1 12 2 13 3 1n n
11
1
x (b a x a x ... a x )
a
=

2 2 21 1 23 3 2n n
22
1
x (b a x a x ... a x )
a
.
.
.
=

n n n1 1 n2 2 n,n 1 n 1
nn
1
x (b a x a x ... a x )
a

=

Entonces bajo una aproximacin inicial (x
1
, x
2
, x
3
, . . ., x
n
) se puede iniciar un proceso iterativo con el sistema
(6.1) tal como lo muestra el siguiente ejemplo
Ejemplo 6.4
Utilizando el mtodo de Jacobi y la aproximacin inicial (x
1
, x
2
, x
3
, . . ., x
n
) = (0, 0, 0, . . ., 0), resuelva el si-
guiente sistema redondeando los resultados a tres cifras significativas.
1 2 3
1 2 3
1 3
4x x x 7
x 7x 2x 2
3x 4x 11
+ + =
+ =
+ =

Se escribe el sistema en la forma
3 2
1
1
2 3
3 1
x x 7
x
4 4 4
x 2 2
x x
7 7 7
11 3
x x
4 4
=
= + +
=

la primera iteracin produce
1
2
3
7 0 0
x 1.75
4 4 4
2 0 2
x 0 0.286
7 7 7
11 3
x 0 2.75
4 4
~ =
~ + + =
~ =

la segunda iteracin
1
2
3
7 0.286 2.75
x 0.991
4 4 4
2 1.75 2
x (2.75) 1.322
7 7 7
11 3
x (1.75) 1.438
4 4
~ =
~ + + =
~ =

siguiendo el proceso iterativo se genera la siguiente tabla
(6.1)

n 0 1 2 3 4 5 6
x
1
0 1.75 0.991 1.060 1.039 1.009 1.009
x
2
0 0.286 1.322 0.838 1.011 0.993 0.993
x
3
0 2.75 1.438 2.007 1.955 1.971 1.993

n 7 8 9 10 11 12
x
1
1.003 1.002 1.001 1.000 1.000 1.000
x
2
0.999 0.999 0.999 0.999 0.999 0.999
x
3
1.993 1.997 1.999 1.999 1.999 1.999
A tres cifras significativas la solucin es
x
1
= 1.000
x
2
= 0.999
x
3
= 1.999
Observando la tendencia, la respuesta exacta posiblemente sea x
1
= 1, x
2
= 1 y x
3
= 2.
Los mtodos iterativos pueden diverger, como lo muestra el siguiente ejemplo
Ejemplo 6.5
Utilizando el mtodo de Jacobi y la aproximacin inicial (x
1
, x
2
, x
3
, . . ., x
n
) = (0, 0, 0, . . ., 0), resuelva el si-
guiente sistema redondeando los resultados a tres cifras significativas.
1 2 3
1 2
2 3
x 3x x 5
3x x 5
x 2x 1
+ =
=
+ =

Se escribe el sistema en la forma
1 2 3
2 1
2
3
x 5 3x x
x 3x 5
x 1
x
2 2
= +
=
=

Aplicando el proceso iterativo de Jacobi, al sistema anterior se obtiene la siguiente tabla
n 0 1 2 3 4 5 6
x
1
0 5 20.5 22 169 190.25 1577
x
2
0 5 10 56.5 71 512 565.75
x
3
0 0.5 3 4.5 27.75 36 256.5
lo que confirma la divergencia del proceso.
6.2.2 MTODO DE GAUSSSEIDEL
Este mtodo es una modificacin de anterior, la que permite que el mtodo sea ligeramente ms efectivo y re-
quiere un poco menos de iteraciones para obtener el mismo grado de precisin que el mtodo de Jacobi.
En el mtodo de GaussSeidel se utilizan los valores de x
i
en cada frmula al tiempo en que se generan sin es-
perar que termine una iteracin completa, as entonces una vez calculado x
1
, este se aplica en x
2
y a su vez es-

tos valores se utilizan para hallar x
3
. El siguiente ejemplo ilustra lo mencionado
Ejemplo 6.4
Utilizando el mtodo de GaussSeidel y la aproximacin inicial (x
1
, x
2
, x
3
, . . ., x
n
) = (0, 0, 0, . . ., 0), resuelva el
siguiente sistema redondeando los resultados a tres cifras significativas.
1 2 3
1 2 3
1 3
4x x x 7
x 7x 2x 2
3x 4x 11
+ + =
+ =
+ =

Nuevamente se escribe el sistema en la forma
3 2
1
1
2 3
3 1
x x 7
x
4 4 4
x 2 2
x x
7 7 7
11 3
x x
4 4
=
= + +
=

la primera iteracin produce
1
7 0 0
x 1.75
4 4 4
~ =
2
2 1.75 2
x 0 0.536
7 7 7
~ + + =
3
11 3
x (1.75) 1.438
4 4
~ =
es de notar que en la formula de x
2
no se utilizo x
1
= 0 , sino el valor de x
1
calculado y lo mismo sucedi al
hallar x
3
.
la segunda iteracin es
1
7 0.536 1.438
x 1.257
4 4 4
~ =
2
2 1.257 2
x 1.438 0.876
7 7 7
~ + + =
3
11 3
x (1.257) 1.807
4 4
~ =
Continuando con el proceso iterativo de GaussSeidel, se obtiene la siguiente tabla
n 0 1 2 3 4 5 6
x
1
0 1.75 1.257 1.079 1.026 1.008 1.003
x
2
0 0.536 0.876 0.956 0.987 0.996 0.999
x
3
0 1.438 1.807 1.941 1.981 1.994 1.998

n 7 8
x
1
1.000 1.000

x
2
0.999 0.999
x
3
1.999 1.999
A tres cifras significativas el resultado es
x
1
= 1.000
x
2
= 0.999
x
3
= 1.999
Con respecto al mtodo de Jacobi se han efectuado 4 iteraciones menos.
Tanto el mtodo de Jacobi , como el de GaussSeidel pueden divergir, sin embargo existe una manera de evitar
dicha divergencia y asegurar la convergencia de ambos mtodos para ello se va a revisar la siguiente definicin
importante
Definicin (Matriz de diagonal estrictamente dominante). Una matriz A de orden n, se denomina de diagonal es-
trictamente dominante si el valor absoluto de cada entrada de la diagonal principal es mayor que la suma de los
valores absolutos de las restantes entradas en la misma fila, as
11 12 13 1n
22 21 23 2n
nn n1 n2 n,n 1
a a a ... a
a a a ... a
.
.
.
a a a ... a

> + + +
> + + +
> + + +

La matriz A de coeficientes de un sistema de ecuaciones lineales en algunos casos puede convertirse en una
matriz de diagonal estrictamente dominante, mediante intercambio de filas y/o columnas, como lo muestra el si-
guiente ejemplo
Ejemplo 6.5
Determinar si la matriz de coeficientes del siguiente sistema de ecuaciones lineales es de diagonal estrictamente
dominante, y en caso de no serlo convertirla mediante intercambio de filas.
1 2 3
1 2 3
2 3
9x 6x x 2
2x 3x 2x 2
6x 4x 1
+ =
+ =
+ =

La matriz de coeficientes del sistema es
9
3
4
6 1
2 7
0 6
(
(
(

9 6 1 > + 2 3 7 > + / 4 6 0 > + /
por lo que la matriz no es de diagonal estrictamente dominante, pero intercambiando segunda y tercera filas se
tiene
(6.2)

9
6
7
6 1
0 4
2 3
(
(
(

, entonces
9 6 1 > + 6 0 4 > + 2 7 3 > +
y la matriz es de diagonal estrictamente dominante.
El siguiente teorema mostrado aqu sin demostracin asegura la convergencia en los mtodos de Jacobi y
Gauss-Seidel para sistemas con matriz de coeficientes de diagonal estrictamente dominante
Teorema (Convergencia de los mtodos de Jacobi y GaussSeidel). Si la matriz de coeficientes A de un sistema
de ecuaciones lineales es de diagonal estrictamente dominante, entonces el sistema dado por Ax = b, tiene una
solucin nica a la cual los mtodos de Jacobi y GaussSeidel convergern para cualquier aproximacin inicial.
El siguiente ejercicio ejemplifica lo anteriormente mencionado
Ejemplo 6.6
Resolver el siguiente sistema por lo mtodos de Jacobi y GaussSeidel con tres cifras significativas de preci-
sin.
1 2
1 2 3
1 3
2x 3x 7
x 3x 10x 9
3x x 13
=
+ =
+ =

La matriz de coeficientes del sistema es
2
3
1
3 0
1 10
3 0
(
(
(
(

se comprueba si va a existir convergencia o no
2 3 0 > + / 3 1 10 > + / 1 3 0 > + /
entonces el sistema no es convergente.
se intercambia segunda y tercera filas
2 3 0
3 0 1
1 3 10
(
(
(
(

, seguidamente se intercambian primera y segunda filas
3
3
10
0 1
2 0
1 3
(
(
(
(

se comprueba nuevamente la convergencia
3 0 1 > + 2 3 0 > + 1 10 3 > +
entonces ahora es convergente el sistema
(6.3)

1 3
1 2
1 2 3
3x x 13
2x 3x 7
x 3x 10x 9
+ =
=
+ =

a partir de ste se genera el sistema
3
1
1
2
1 2
3
x 13
x
3 3
2x 7
x
3 3
x 3x 9
x
10 10 10
=
= +
= + +

aplicando el mtodo de Jacobi al mismo se tiene
n 0 1 2 3 4 5 6
x
1
0 4.333 4.633 4.256 3.957 3.949 3.984
x
2
0 2.333 5.222 5.422 5.170 4.971 4.966
x
3
0 0.9 0.233 1.13 1.152 1.047 0.986

n 7 8 9 10 11
x
1
4.005 4.004 4.001 4.000 4.000
x
2
4.990 5.003 5.003 5.000 5.000
x
3
0.988 0.997 1.001 1.000 1.000
y mediante GaussSeidel se logra
n 0 1 2 3 4 5
x
1
0 4.333 3.967 4.003 4.000 4.000
x
2
0 5.222 4.978 5.002 5.000 5.000
x
3
0 1.1 0.99 1.001 1.000 1.000

por lo que la solucin a tres cifras significativas es
x
1
= 4.000
x
2
= 5.000
x3 = 1.000
Si bien el teorema (6.3) asegura la convergencia en caso de matrices de coeficientes con diagonal estrictamente
dominante, esto no es condicin necesaria para la convergencia, pues existen sistemas que si bien no tienen
matrices de coeficientes con diagonal estrictamente dominante sin embargo convergen. Se deja al lector de-
mostrar que ello ocurre en el caso del sistema
1 2 3
1 2 3
1 2 3
4x 2x 2x 0
x 3x x 7
3x x 4x 5
+ =
=
+ =

Los mtodos de Jacobi y GaussSeidel, puede ser tratados de una forma ms compacta y til de forma matri-
cial como se explicar a continuacin..

Se empieza expresando la matriz de coeficientes del sistema A en la forma..
A L D U = + +
donde D es una matriz diagonal, L una triangular inferior y U una triangular superior. El siguiente ejemplo mues-
tra esta descomposicin
2 1 5 0 0 0 0 2 1 5
1 3
0 0
1 3 2 0 0 0 0 0 0
4 1 6 0 0 0 0
2
4 1 6 0 0
A L D U
( ( ( (
( ( ( (
= + +
( ( ( (
( ( ( (

=

el sistema a resolverse Ax = b, puede expresarse entonces como
(L D U)x b + + =
si se despeja Dx
Dx (L U)x b = + +
que en forma desarrollada se presenta as
11 1 1 12 2 13 3 1n n
a x b a x a x ... a x =
22 2 2 21 1 23 3 2n n
a x b a x a x ... a x
.
.
.
=

nn n n n1 1 n2 2 n,n 1 n 1
a x b a x a x ... a x

=
finalmente despejando x,
1
x D (L U)x b
= + + (

entonces el mtodo de Jacobi se puede escribir como
i 1 i
1
x F(x ), donde
F(x) D (L U)x b
+
=
= + + (

es de notar que para que exista D
1
, d
ii
= 0, lo que explica la suposicin (2) del mtodo de Jacobi.
La descripcin matricial del mtodo de GaussSeidel a partir de la expresin anterior es
actual 1 actual anterior
x D Lx Ux b
( = +

resolviendo para
actual
x
actual actual anterior
actual anterior
Dx Lx Ux b
(L D)x Ux b
+ = +
+ = +

por lo que la expresin final para el mtodo de GaussSeidel es
i 1 i
1
x F(x ), donde
F(x) (L D) Ux b
+
=
= + + (

(6.4)
(6.5)

La expresiones (6.4) y (6.5) nos sirven para programar los mtodos de Jacobi y GaussSeidel.
6.3 MTODOS DE JACOBI Y GAUSSSEIDEL CON DERIVE 6
Utilizando la expresiones (6.4) y (6.5) y mediante PROGRAMACIN FUNCIONAL los mtodos de Jacobi y
Gauss-Seidel se implementan mediante las siguientes lneas de programacin
#2: Notation := Decimal
#3: A :=
#4: b :=
#5: L := VECTOR(VECTOR(IF(i > j, ELEMENT(A, i, j), 0), j, 1, DIM(A)), i, 1, DIM(A))
#6: U := VECTOR(VECTOR(IF(i < j, ELEMENT(A, i, j), 0), j, 1, DIM(A)), i, 1, DIM(A))
#7: D := VECTOR(VECTOR(IF(i = j, ELEMENT(A, i, j), 0), j, 1, DIM(A)), i, 1, DIM(A))
#8: f(v) := (D^1)( (L + U)v + b)
#9: f_(v) := ((L + D)^(1))( Uv + b)
#10: JACOBI(v0, n) := ITERATES(f(v), v, v0, n)
#11: GAUSS_SEIDEL(v0, n) := ITERATES(f_(v), v, v0, n)
A es la matriz de coeficientes del sistema, b es el vector de terminos libres escrito en la forma [b
1
, b
2
, , b
n
] ,
n el nmero de iteraciones y v0 el vector inicial generalmente [0, 0, ]
6.4 APLICACIONES
Los sistemas de ecuaciones lineales y su resolucin tienen mucha aplicacin en varias ciencias, tal como lo
demuestran los siguientes ejemplos
Ejemplo 6.7
Ajuste polinomial por mnimos cuadrados. El distribuidor de un nuevo modelo de automvil ha obtenido los si-
guientes datos
Nmero de semanas luego de la
presentacin del auto
Ingresos brutos por semana (en
millones de dlares)
1 0.8
2 0.5
3 3.2
4 4.3
5 4
6 5.1
7 4.3
8 3.8
9 1.2
10 0.8
Sean i los ingresos brutos por semana(en millones de dlares), t semanas despus de la presentacin del auto.
(a) Determinar un polinomio cuadrtico de mnimos cuadrados para los datos dados, y (b) Utilice dicho polino-
mio para estimar los ingresos brutos 12 semanas despus de la presentacin del auto.
El ajuste polinomial por mnimos cuadrados se define como un polinomio de grado m, que mejor se ajusta a un
conjunto de n puntos dados. El problema se define matemticamente as
El polinomio de ajuste por mnimos cuadrados de grado m para el conjunto de puntos {(x
1
, y
1
), (x
2
, y
2
), . . ., (x
n
,
y
n
)} esta dado por

m m 1 2
m m 1 2 1 0
y a x a x ... a x a x a
= + + + + +
donde los coeficientes a
i
, se determinan del siguiente sistema de m + 1 ecuaciones lineales
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
2 m
0 i 1 i 2 i m i
2 3 m 1
i 0 i 1 i 2 i m i i
2 3 4 m 2 2
i 0 i 1 i 2 i m i i
m m 1 m 2 2m m
i 0 i 1 i 2 i m i i
na x a x a ... x a y
x a x a x a ... x a x y
.
.
.
+
+
+ +
+ + + + =
+ + + + =
+ + + + =
+ + + + =

para el caso de un polinomio cuadrtico se tiene
2
2 1 0
y a x a x a = + +
con
( ) ( )
( ) ( ) ( )
( ) ( ) ( )
2
0 i 1 i 2 i
2 3
i 0 i 1 i 2 i i
2 3 4 2
i 0 i 1 i 2 i i
na x a x a y
x a x a x a x y
x a x a x a x y
+ + =
+ + =
+ + =

Graficando la distribucin de datos del ejemplo

es fcil notar que un polinomio de segundo grado se ajusta correctamente a la misma; este polinomio ser
2
2 1 0
( ) a a a = + + i t t t
con
(6.4)

i
2 2 2 2 2 2 2 2 2 2 2
i
3 3 3 3 3 3 3 3 3 3 3
i
4 4 4 4 4 4 4 4 4 4 4
i
i
i i
n 10
1 2 3 4 5 6 7 8 9 10 55
1 2 3 4 5 6 7 8 9 10 385
1 2 3 4 5 6 7 8 9 10 3025
1 2 3 4 5 6 7 8 9 10 25333
0.8 0.5 3.2 4.3 4 5.1 4.3 3.8 1.2 0.8 28
=
= + + + + + + + + + =
= + + + + + + + + + =
= + + + + + + + + + =
= + + + + + + + + + =
= + + + + + + + + + =
t
t
t
t
i
t i
2 2 2 2 2 2 2 2 2 2
i i
(1)0.8 (2)0.5 (3)3.2 (4)4.3 (5)4 (6)5.1 (7)4.3 (8)3.8 (9)1.2 (10)0.8 158.5
(1 )0.8 (2 )0.5 (3 )3.2 (4 )4.3 (5 )4 (6 )5.1 (7 )4.3 (8 )3.8 (9 )1.2 (10 )0.8
1015.1
= + + + + + + + + + =
= + + + + + + + + +
=
2
t i

por lo que para hallar i(t) es necesario resolver
0 1 2
0 1 2
0 1 2
10a 55a 385a 28
55a 385a 3025a 158.5
385a 3025a 25333a 1015.1
+ + =
+ + =
+ + =

Se va a utilizar el mtodo de eliminacin de Gauss con pivoteo parcial. La matriz aumentada del sistema es
10 55 385 28
55 385 3025 158.5
385 3025 25333 1015.1
(
(
(
(

intercambiando primera con tercera fila
385 3025 25333 1015.1
55 385 3025 158.5
10 55 385 28
(
(
(
(

dividiendo la primera fila por 385
1 7.857 65.8 2.637
55 385 3025 158.5
10 55 385 28
(
(
(
(

restando 55 veces la fila 2 de la 1 y 10 veces la fila 3 de la 1
1 7.857 65.8 2.637
0 47.135 594 13.465
0 23.57 273 1.63
(
(

(
(

dividiendo la segunda fila por 47.135
1 7.857 65.8 2.637
0 1 12.602 0.286
0 23.57 273 1.63
(
(
(
(

1 7.857 65.8 2.637
0 1 12.602 0.286
0 0 24.029 5.111
(
(
(
(

dividiendo la tercera fila por 24.029
1 7.857 65.8 2.637
0 1 12.602 0.286
0 0 1 0.213
(
(
(
(


a
2
= 0.213 ; a
1
= 0.286 (12.602)(0.213) = 2.398 ; a
0
= 2.637 (65.8)(0.213) (7.857)(2.398) =
2.189, entonces
(a)
2
( ) 0.213 2.398 2.189 = + i t t t
La grfica del polinomio de ajuste y los datos es

(b)
2
(12) 0.213(12) 2.398(12) 2.189 4.085 = + = i
El valor negativo indica que se en lugar de ingresos existen prdidas a las 12 semanas.
Ejemplo 6.8
Distribucin de temperatura en una placa cuadrangular. Una placa metlica cuadrangular tiene una temperatura
constante sobre cada uno de sus cuatro bordes, como lo muestra la figura. Utilice un enrejado 44 para
aproximar la distribucin de temperatura en el interior de la placa. Asuma que la temperatura en cada punto in-
terior es el promedio de la temperatura en los cuatro puntos contiguos.

Punto Ecuacin de temperatura
1
2 4
1
100 100 T T
T
4
+ + +
=
100C
100C 0C
0C
1 2 3
4 5 6
7 8 9

2
1 3 5
2
100 T T T
T
4
+ + +
=
3
2 6
3
0 100 T T
T
4
+ + +
=
4
1 5 7
4
100 T T T
T
4
+ + +
=
5
2 4 6 8
5
T T T T
T
4
+ + +
=
6
3 5 9
6
0 T T T
T
4
+ + +
=
7
4 8
7
100 0 T T
T
4
+ + +
=
8
5 7 9
8
0 T T T
T
4
+ + +
=
9
6 8
9
0 0 T T
T
4
+ + +
=
este sistema se va a resolver por el mtodo de GaussSeidel, obtenindose la siguiente tabla
T
1
T
2
T
3
T
4
T
5
T
6
T
7
T
8
T
9

0 0 0 0 0 0 0 0 0
50 37.5 34.375 37.5 18.75 13.2812 34.375 13.2812 6.64062
68.75 55.4687 42.1875 55.4687 34.375 20.8007 42.1875 20.8007 10.4003
77.7343 63.5742 46.0937 63.5742 42.1875 24.6704 46.0937 24.6704 12.3352
81.7871 67.5170 48.0468 67.5170 46.0937 26.6189 48.0468 26.6189 13.3094
83.7585 69.4747 49.0234 69.4747 48.0468 27.5949 49.0234 27.5949 13.7974
84.7373 70.4519 49.5117 70.4519 49.0234 28.0831 49.5117 28.0831 14.0415
85.2259 70.9402 49.7558 70.9402 49.5117 28.3272 49.7558 28.3272 14.1636
85.4701 71.1844 49.8779 71.1844 49.7558 28.4493 49.8779 28.4493 14.2246
85.5922 71.3065 49.9389 71.3065 49.8779 28.5103 49.9389 28.5103 14.2551
85.6532 71.3675 49.9694 71.3675 49.9389 28.5409 49.9694 28.5409 14.2704
85.6837 71.3980 49.9847 71.3980 49.9694 28.5561 49.9847 28.5561 14.2780
85.6990 71.4133 49.9923 71.4133 49.9847 28.5637 49.9923 28.5637 14.2818
85.7066 71.4209 49.9961 71.4209 49.9923 28.5676 49.9961 28.5676 14.2838
85.7104 71.4247 49.9980 71.4247 49.9961 28.5695 49.9980 28.5695 14.2847
85.7123 71.4266 49.9990 71.4266 49.9980 28.5704 49.9990 28.5704 14.2852
85.7133 71.4276 49.9995 71.4276 49.9990 28.5709 49.9995 28.5709 14.2854
85.7138 71.4280 49.9997 71.4280 49.9995 28.5711 49.9997 28.5711 14.2855
85.7140 71.4283 49.9998 71.4283 49.9997 28.5713 49.9998 28.5713 14.2856
85.7141 71.4284 49.9999 71.4284 49.9998 28.5713 49.9999 28.5713 14.2856
85.7142 71.4285 49.9999 71.4285 49.9999 28.5713 49.9999 28.5713 14.2856
85.7142 71.4285 49.9999 71.4285 49.9999 28.5714 49.9999 28.5714 14.2857
85.7142 71.4285 49.9999 71.4285 49.9999 28.5714 49.9999 28.5714 14.2857
Los resultados se obtuvieron truncando las cifras decimales a cuatro cifras significativas.

159 Breve Introduccin a Derive 6

A AP P N ND DI IC CE E A
A
B BR RE EV VE E I IN NT TR RO OD DU UC CC CI I N N A A D DE ER RI IV VE E 6 6
Desde fines de la dcada de los aos 60 y principios de los 70, empezara, especialmente en Estados Unidos,
una tendencia que hoy ha cambiado la forma de ensear las matemticas, esto es el desarrollo de programas
denominados Sistemas de lgebra Computacional (Computer Algebra Systems). Estos programas tuvieron co-
mo objetivo permitir que clculos simblicos, por ejemplo...

=
+
+
+ y 2 x
2
y 4 x
y 6 x
y 2 x
3
2 2
=
+
+ + +
=
+
+
+
+ ) y 2 x )( y 2 x (
) y 2 x ( 2 y 6 x ) y 2 x ( 3
y 2 x
2
) y 2 x )( y 2 x (
y 6 x
y 2 x
3

y 2 x
2
) y 2 x )( y 2 x (
y 4 x 2
) y 2 x )( y 2 x (
y 4 x 2 y 6 x y 6 x 3
+
=
+

=
+
+ +

de trmite engorroso, la mayora de las veces, se conviertan en un trabajo para el computador y no para el
cientfico, el ingeniero, el estudiante o el profesor. As las personas dedicadas al manejo de las matemticas o
sus aplicaciones, gastaran su tiempo en analizar el problema y su planteamiento y no en resolver los tediosos
clculos matemticos que este involucre. Pero estos sistemas llegaron an mas lejos, pues se convirtieron en
programas que no solo manejaron el simbolismo matemtico sino tambin la programacin y an proporciona-
ron el uso de capacidades graficas (en dos y tres dimensiones), permitiendo el anlisis casi integral de las ma-
temticas.
Entre algunos de los Sistemas de lgebra Computacional (CAS, por sus siglas inglesas) ms destacados se
pueden mencionar MATLAB, MAPLE, MATHEMATICA, DERIVE, MATHCAD. El presente texto se dedicar exclu-
sivamente al manejo de Derive, por ser un Sistema de lgebra Computacional compacto, de fcil manejo y uno
de los ms populares.
DERIVE, naci a partir de muMATH, un programa desarrollado en lenguaje LISP por David Stoutemyer y Albert
Rich. Al igual que muMATH, Derive se escribi en LISP y desde sus inicios se caracteriz por ser un sistema
muy compacto (su versin 5 ocupa 4.8 MB aproximadamente) y de capacidad simblica, numrica y grfica
bastante amplia, cubriendo las matemticas desde el nivel preparatorio hasta el universitario.
A.1 INSTALACIN, INICIO Y BREVE DESCRIPCIN DE DERIVE.
Su versin 5 se instala a partir del archivo SETUP.EXE (contenido en un CD proporcionado por el fabricante),
siendo necesario como mnimo aproximadamente 5 MB de capacidad en disco duro, Windows 95, 98, 2000,
Millenium o XP y si estos sistemas operativos funcionan correctamente con la memoria RAM de que disponga,
no se preocupe entonces por la RAM, pues ser ms que suficiente para que pueda utilizar DERIVE sin proble-
mas.
Al instalarse Derive 6, colocar el icono de acceso directo en el escritorio de Windows, a partir del cual hacien-
do doble clic, se puede ingresar a la ventana de trabajo de Derive 6, tambin se puede ingresar, alternativamen-
te, por Inicio/Programas/Derive 6/Derive 6.
160 Breve introduccin a Derive 6

Para introducir las expresiones y rdenes de que dispone el programa se presiona Editar(Autor)/Expresin...(
F2), con lo que el cursor se ubica en el cuadro de comandos como lo muestra la figura siguiente...

donde se teclea las instrucciones que una vez introducidas se escriben en la pantalla principal, en notacin ma-
temtica tradicional. As si se escribe (x+y)/2, Derive 6 presentar...

El orden de precedencia de los operadores es igual a la de cualquier lenguaje de programacin(potenciacin ^,
divisin /, multiplicacin *, resta , suma +). A cada expresin ingresada Derive 6 le asigna un nmero #n, en
estricto orden ascendente, esto facilita la escritura de frmulas. Derive 6 posee adems de una pantalla de tra-
bajo matemtico (denominada ventana de lgebra) otra dos ventanas para el manejo de grficos en dos y tres
dimensiones (llamadas ventanas 2D y 3D). Para una descripcin completa de todos los operadores y funciones
que dispone Derive 6, el lector debe remitirse al Manual del Usuario, o a la Ayuda en lnea del programa; sin em-
bargo a continuacin se revisarn algunas rdenes que son muy tiles en nuestro trabajo con el anlisis num-
rico.
A.2 SIMPLIFICACIN Y APROXIMACIN
Derive 6 puede fcilmente simplificar, si es posible, una expresin que ha sido ingresada. Todas las simplifica-
ciones, por defecto, son efectuadas de forma exacta, as por ejemplo si se ingresa el valor 12 , Derive 6 lo
simplifica a 2 3 . Derive 6 cuenta con varias opciones de simplificacin, que se ubican en el men Simplificar,
entre ellas se pueden mencionar...
Normal

Expandir
Factorizar
Aproximar
La opcin Basic sirve para simplificar expresiones sobre las cuales se han aplicado funciones incorporadas por
Derive 6 u operaciones elementales como sumas, restas, multiplicaciones, divisiones y potenciaciones, as por
ejemplo si se desea evaluar la derivada de
3
x , se debe introducir la expresin DIF(x^3, x, 1), que queda indi-
cada como...

sin presentar de manera explicita el resultado, para observar ste, se elige la opcin Simplicar/Normal...(
CTRL+B, ) obtenindose...

La opcin Expandir toma una expresin ingresada y la expande o desarrolla, de esta forma una expresin como
2
(x y) + , mediante la opcin Simplificar/Expandir...( CTRL+E) se convertir en
2 2
x 2xy y + + .
La opcin Factor toma una expresin ingresada y la factora a su mnima expresin, as la expresin
2 2
x y ,
mediante la opcin Simplificar/Factorizar...( CTRL+F) se expresar como (x y)(x y) + .
Aunque valores numricos son manejados por defecto en forma exacta pueden ser tambin expresados en for-
ma aproximada mediante la opcin Simplificar/Aproximar...( CTRL+G, ) , as pues el valor 12 median-
te esta opcin se expresar como 3.46410 en lugar de su forma exacta 2 3 .
A.3 SUSTITUCIN
Una opcin muy til en Derive 6, es la posibilidad que tiene el usuario de efectuar la sustitucin de una variable
dentro de una expresin por otra variable u otra expresin, as por ejemplo supngase que dentro de la expre-
sin
2 2
x z
x z
+
+
, se quiere obtener el valor de la misma cuando x = 1 y z = 2, entonces se procede como a con-
tinuacin se detalla...
Se introduce la expresin.
Se hace clic en la opcin Simplificar/Sustituir Variable...( CTRL+W ) y aparece el cuadro de dilo-
go...


Entonces se hace clic sobre cada variable para seleccionarla y se introduce en la casilla Nuevo Valor los
valores 1 y 2 respectivamente, obtenindose al hacer clic sobre el botn Simplificar...

Adems de introducir valores numricos se pueden tambin introducir valores literales.
Por otro lado pueden sustituirse dentro de una expresin compleja valores numricos o literales no solamente
para variables sino para expresiones completas, por ejemplo en la expresin
2 2 2
(x 1) (y z)(x 1)
(x 1) y z
+ +
+ +
, se desea
sustituir (x 1) por el valor de 2, entonces...
Se introduce la expresin.
Se hace clic sobre la expresin (x 1) para seleccionarla.
Seguidamente se hace clic en la opcin Simplificar/Sustituir Subexpresin... ( CTRL+T) y aparece el
cuadro de dilogo...

Entonces se escribe el valor 2 y se selecciona la opcin Todos, para indicar que se va a sustituir el valor indica-
do en todas las expresiones (x 1), obtenindose al hacer clic sobre el botn Simplificar...

A.4 VECTORES Y MATRICES
Derive 6 es un asistente matemtico que puede trabajar muy fcilmente con vectores y matrices tanto en forma
simblica como numrica. El paquete maneja esencialmente vectores fila y una matriz la construye como un
vector columna de vectores fila. En Derive 6 se puede introducir una matriz de dos maneras diferentes, veamos
como se procede de la primera forma:
Se hace clic sobre la opcin Editar(Autor)/Matriz..., entonces se presenta el siguiente cuadro de dilogo:


En esta ventana se introduce el numero de filas y columnas que se desea para la matriz y se presiona S.
Aparece entonces el siguiente cuadro de dilogo...

donde cada casillero de introduccin de datos debe ser llenado desde el teclado por la entrada correspondiente,
luego de lo cual la matriz se presentar as...

Como se dijo, Derive 6 considera una matriz como un vector de vectores, as por ejemplo la matriz anterior es
para Derive 6 un vector formado de tres vectores fila, es decir...
1 3 1
4 5 3
0

2 3
(

(

(
(
(
(
(

por ello para introducir una matriz, se puede editarla como un vector de vectores, lo cual nos lleva a la segunda
forma de introducir una matriz:
Se hace clic sobre el cuadro de comandos y se introduce desde el teclado la expresin [[1,3,1],
[4,5,3],[0,2,3]] [1,3,1;4,5,3;0,2,3]. Es de notar que cada elemento del vector fila se separa con una co-
ma y en la segunda opcin cada vector fila del siguiente mediante un punto y coma. Tambin se puede asociar
un nombre cualquiera, por ejemplo A, a una matriz, mediante el signo igual para definicin (:=), as por ejemplo
para la anterior matriz se hace clic en el cuadro de comandos y se introduce la expresin A := [1,3,
1;4,5,3;0,2,3] obtenindose...

Delante de cada expresin introducida, DERIVE escribe un nmero consecutivo, este hecho resulta importante
cuando se quiere utilizar una expresin en clculos posteriores. Se pueden extraer entradas mediante la notacin
NOMBRE+i+j donde como se ha descrito antes i representa a la fila y j a la columna; para lograr ello se escribe
el nombre y los subndices de la entrada en el cuadro de comandos...


al presionar ENTER se tiene como resultado...

Tambin se pueden extraer elementos de una matriz mediante la expresin ELEMENT(M, i, j) donde M es la ma-
triz de la que se quiere extraer el elemento de la fila i y columna j; generalmente en M se indica el nmero (#_)
asignado a la matriz cuyo elemento se desea extraer. Para el ejemplo anterior la expresin ELEMENT(#2,2,3)
arroja el mismo resultado.
La dimensin de un vector o matriz es el nmero de elementos del vector o el nmero de vectores que confor-
man la matriz; este parmetro es fcilmente extrable de una matriz creada en Derive 6, para ello se utiliza la ex-
presin DIMENSION(M) o DIM(M) siendo obviamente M la matriz o vector de la que se quiere extraer su dimen-
sin. Para la matriz del ejemplo anterior se tiene...

de donde

lo que indica que la matriz A esta formada de tres vectores fila.
A.5 PROGRAMACIN CON DERIVE 6.

A.5.1 PROGRAMACIN FUNCIONAL
Derive 6 basa su capacidad de programacin en la programacin funcional, mediante algunas funciones entre
las cuales cabe mencionar...
ITERATE e ITERATES.
IF.
VECTOR.
SUM y PRODUCT.
A.5.1.1 PROCESOS ITERATIVOS Y LAS FUNCIONES ITERATES E ITERATE
Un proceso iterativo es aquel en el cual se obtiene una aproximacin actual a partir de otra anterior. A continua-
cin analicemos un ejemplo...
Supngase que se tiene f(x) 10 x = , y se quiere hallar los primeros cuatro valores numricos que se ob-
tengan iterativamente para f(x) a partir de x = 0(valor de inicio), entonces...

Por lo que los valores son: 3.16227766, 2.614903887, 2.717553332, 2.698600872. El proceso calcul un
i x
i
f(xi)
1 0 f(0) 10 0 3.16227766 = =
2 3.16227766 f(3.16227766) 10 3.16227766 2.614903887 = =
3 2.614903887 f(2.614903887) 10 2.614903887 2.717553332 = =
4 2.717553332 f(2.717553332) 10 2.717553332 2.698600872 = =

nuevo valor a partir de uno anterior, por lo tanto se trata de un proceso iterativo. Cada nuevo valor obtenido es
una iteracin, y la funcin f(x) que se utiliz en los clculos se conoce como frmula de iteracin.
La orden de Derive 6, ITERATES(f, x, a, n), donde f representa la frmula de iteracin, x la variable de iteracin,
a el valor de inicio y n el nmero de iteraciones, automatiza un proceso iterativo, as para el ejemplo anterior...

da como resultado un vector que contiene las cuatro primeras iteraciones para el ejemplo que se calculo ante-
riormente.
Si se quiere obtener nicamente el ltimo valor del proceso iterativo, se utiliza la orden ITERATE(f, x, a, n), don-
de los parmetros tienen el mismo significado anterior. As para el ejemplo anterior...

A.5.1.2 FUNCIN CONDICIONAL IF
Derive 6 posee la funcin de decisin IF, que tiene la siguiente estructura IF(Condicin_lgica, Verdadero, Falso,
Duda). La condicin lgica o prueba de decisin puede ser una expresin que permita decidir sobre una alterna-
tiva a tomar, dependiendo de si la condicin es verdadera o falsa. Si la prueba no es ni verdadera ni falsa, la op-
cin a tomar se escribir a continuacin de dichas opciones. Seguidamente se analiza un ejemplo...
Se desea crear una funcin SIGNO(x), que produzca el valor de 1, en caso de que se x sea un real positivo, 1
en caso contrario y 0 si no se puede dilucidar su signo. Esta funcin es...

los resultados para 7.5, 6 y 5, sern entonces...

Al igual que en cualquier lenguaje de programacin se pueden anidar las funciones de decisin IF, as por ejem-
plo se desea que en el ejemplo anterior para el caso de x = 0, la funcin arroje el comentario no tiene signo,
entonces...

los resultados para 7.5, 6, 5 y 0 son...


Se puede observar que en la condicin lgica se puede utilizar operadores lgicos, como en el caso anterior el
operador . (y lgico). Para conocer los operadores lgicos disponibles puede consultar la ayuda en lnea o el
manual del usuario.
A.5.1.3 FUNCIN VECTOR
Derive 6 adems puede construir vectores o matrices bajo un patrn, para ello dispone de la orden VECTOR,
cuya estructura es VECTOR(F(x), x, a, b, p), donde F(x) es la funcin generadora del vector o matriz, x la varia-
ble de la funcin generadora, a el valor de inicio, b el valor final y p es el paso entre a y b. Supngase que se
quiere generar el vector 1 3 5 7 (

, entonces la expresin ser...

que al simplificarse genera...

la variable p es alternativa, pues si no se la escribe Derive 6 toma p = 1.
Mediante la anidacin de VECTOR se puede crear una matriz, as por ejemplo supngase que se quiere construir
la matriz
1 3 5
3 5 7
5 7 9
(
(
(
(

, entonces la instruccin es...

donde la funcin VECTOR interna genera los elementos de cada fila y la funcin VECTOR externa genera las co-
lumnas.
A.5.1.4 SUMATORIA Y PRODUCTO ITERADO FUNCIONES SUM Y PRODUCT
Es muy frecuente encontrar en anlisis numrico, procesos que involucren sumatorias y productos iterados ta-
les como:
n
i 0 1 2 n
i 0
a a a a ... a
=
= + + + +
(Sumatoria)
n
i 0 1 2 n
i 0
a a a a a
=
=
[
(Producto iterado)
Derive 6 incluye entre sus funciones incorporadas, las funciones SUM y PRODUCT que corresponden a las for-
mulaciones anteriores, su sintaxis son:
SUM(F(i),i, in, fin, p), donde F(i) corresponde a la expresin sobre la cual se va a efectuar la sumatoria, i el ndi-
ce de la sumatoria, in el valor de inicio, fin el valor final y p el paso utilizado entre dos valores consecutivos de i.
PRODUCT(F(i), i, in, fin, p), donde la notacin es idntica al caso de la funcin SUM.
Supngase que se desean calcular
5
i 0
i
i 2
=
+
y
i 8
i 1
i 0
e
+
=
[
, entonces...

dar como resultado

y,

producir...

la variable p, se utilizar en casos en que el ndice no vare en una unidad, as por ejemplo supngase que se
desea evaluar la suma de los nmeros impares menores o iguales a 11, entonces...

dar por resultado...

Derive 6 utiliza la programacin funcional, es decir, construye los diferentes mdulos de un programa en base a
definicin de funciones. Veamos un ejemplo...
Ejemplo A.1
Construir un programa que calcule la matriz adjunta de una matriz de datos:
(
(
(
(
(
(
=
nn 3 n 2 n 1 n
n 3 33 32 31
n 2 23 22 21
n 1 13 12 11
a ... a a a
... ... ... ... ...
a ... a a a
a ... a a a
a ... a a a
A
.
Se proceder bajo el siguiente algoritmo funcional:
1. Se construir una funcin que calcule el menor
ij
M .
2. Seguidamente se construir una funcin que calcule el cofactor
i j
ij ij
A ( 1) M
+
= , correspondiente al menor
ij
M .
3. Finalmente en base a las dos funciones definidas anteriormente se elaborar una funcin final para el clculo
de la adjunta de A.
Las funciones para cada paso del algoritmo son...
#1: MENOR(A, i, j) := DELETE_ELEMENT(DELETE_ELEMENT(A, i)`, j)`
#2: COFACTOR(A, i, j) := ((1)^(i + j))DET(MENOR(A, i, j))
#3: ADJ(A) := VECTOR(VECTOR(COFACTOR(A, i, j), i, DIMENSION(A)), j, DIMENSION(A))
La funcin DELETE_ELEMENT(A, i), elimina la fila isima de la matriz A y la funcin DET(A) calcula el determi-
nante de la matriz A.
La primera funcin MENOR(A, i, j) elimina la fila i y columna j de la matriz de datos A(de orden n), generando el
menor correspondiente(una matriz de orden n 1). La segunda funcin utiliza la anterior, obteniendo su deter-

minante y multiplicndolo por el trmino
j i
) 1 (
+
para producir el respectivo cofactor. La tercera y ltima funcin

se basa a su vez en la anterior, para elaborar la matriz adjunta de a, mediante una funcin VECTOR anidada.
A.5.2 PROGRAMACIN PROCEDURAL
Derive 6 ha incorporado adems funciones que realizan la ejecucin de un proceso mediante procedimientos
secuenciales, es decir, efectan programacin por procedimientos o procedural; estas estructuras de control o
lazos son...
PROG.
LOOP.
A.5.2.1 FUNCIN PROG
Esta funcin tiene la estructura PROG(s1,s2,s3,.,sn) y permite ejecutar secuencialmente las instrucciones s1,
s2, s3, , sn.
A.5.2.2 FUNCIN LOOP
Esta funcin tiene la estructura LOOP(s1,s2,s3,.,sn) y permite ejecutar secuencialmente las instrucciones s1,
s2, s3, , sn y repetir la secuencia hasta que en una de dichas instrucciones se cumpla un EXIT o un RETURN
que permita terminar su ejecucin. La orden EXIT obliga al programa a salir de la ejecucin de la funcin LOOP y
continuar con la ejecucin de las secuencias ms externas LOOP o PROG. La funcin RETURN tambin obliga al
programa a terminar la ejecucin del lazo LOOP presentando un resultado, por lo que generalmente debe consti-
tuir la finalizacin del programa.
En los siguientes ejemplos se aclarar el uso de estas estructuras de control
Ejemplo A.2
Construir un programa que calcule la suma de los n primeros nmeros pares.
Se proceder bajo el siguiente algoritmo:
1. Se inicializan los valores de tres variables, un contador c a 1, un generador de los nmeros pares p a 2 y la
suma de los pares s a 0.
2. Una estructura de control ira actualizando el contador, el generador de los nmeros pares y la suma de los
mismos hasta alcanzar el resultado con los n nmeros pares pedidos
El programa para este algoritmo es:
#1: SUM(n) := PROG(c := 1, p := 2, s := 0, LOOP(IF(c > n, EXIT), s :+ p, p :+ 2, c :+ 1), s)
Se diseo el programa de esta forma con el objetivo de mostrar el uso del comando EXIT. La estructura de con-
trol ms externa PROG, controla la ejecucin secuencial de las asignaciones c := 1 , p := 2, s := 0, LOOP(IF(c
> n, EXIT), s :+p, p :+2, c :+1) y s. La estructura ms interna de control LOOP(IF(c > n, EXIT), s :+p, p :+2,
c :+1) actualiza los valores de c, p y s hasta alcanzar la suma de los n nmeros pares pedidos luego de lo cual
ejecuta la orden EXIT que le permite terminar la ejecucin de LOOP y concluir con la presentacin del resultado
s.
Ejemplo A.3

Construir un programa que calcule el producto de los n primeros nmeros pares.
Se proceder bajo el siguiente algoritmo:
1. Se inicializan los valores de tres variables, un contador c a 1, un generador de los nmeros pares p a 2 y el
producto de los pares m a 1.
2. Una estructura de control ira actualizando el contador, el generador de los nmeros pares y el producto de los
mismos hasta alcanzar el resultado con los n nmeros pares pedidos
El programa para este algoritmo es:
#1: MULT(n) := PROG(c := 1, p := 2, m := 1, LOOP(IF(c > n, RETURN [n, producto ; n, m]), m :- p, p :+ 2, c :+
1))
Se diseo el programa de esta forma con el objetivo de mostrar el uso del comando RETURN. La estructura de
control ms externa PROG, controla la ejecucin secuencial de las asignaciones c := 1 , p := 2, m := 1 y LO-
OP(IF(c > n, RETURN[n,producto;n,m]), m :-p, p :+2, c :+1). La estructura ms interna de control LO-
OP(IF(c > n, RETURN[n,producto;n,m]), m :-p, p :+2, c :+1), actualiza los valores de c, p y m hasta al-
canzar el producto de los n nmeros pares pedidos luego de lo cual ejecuta la orden RETURN que le permite
terminar la ejecucin de LOOP y del programa presentando el resultado con la estructura...
n producto
n m
(
(

A.6 GENERACIN DE UNA UTILIDAD
Al escribir en Derive 6 un programa o implementacin para generar un determinado mtodo numrico, el autor
deseara poder guardarlo para utilizarlo en otro momento. Para ello Derive 6 puede almacenar una implementa-
cin dentro de un archivo de extensin .MTH y adems cuando el usuario lo requiera puede cargar este archivo
en memoria para usar las funciones incorporadas en el mismo sin tener la molestia de que aparezca todo lo es-
crito en el documento. Esto es conocido en Derive 6 como Cargar una utilidad, y para ello debe efectuarse el
procedimiento descrito a continuacin:
Se guarda el programa o implementacin generada en un archivo de extensin MTH.
Para cargarlo como utilidad, se hace clic en Archivo/Leer/Utilidades..., entonces aparecer el siguiente
cuadro de dilogo:


En este se busca el nombre del archivo que contenga la utilidad requerida y se hace clic en Abrir.
Inmediatamente Derive 6 cargar en memoria dicho archivo y el usuario podr utilizar las funciones defi-
nidas en l como si fuesen funciones incorporadas al programa.
Como complemento se dan algunos ejercicios sobre programacin y precisin en Derive 6
A.4 A.5 PROGRAMACIN FUNCIONAL
A.4. Generar en DERIVE 5 la matriz
n
0 0
n
1 1
n
n n
1 x ... x
1 x ... x
. . ... .
1 x ... x
(
(
(
(
(
(

, con la ayuda de una funcin VECTOR anidada.
Para representar un subndice en Derive 5 por ejemplo x
i
, se escribe xi. Entonces la funcin que la llamaremos
MATRIZ, y que genera la matriz pedida es:
MATRIZ(n) := VECTOR(VECTOR ((xi)j, j, 0, n), i, 0, n)
A.5. Genere una funcin en Derive 5 para calcular el vector de n iteraciones para F(x), empezando en a.
El programa funcional es:
ITER(F, a, n) := ITERATES(F, x, a, n)
As para la funcin
1
F(x) :
2
1 x
=
+
, empezando en x = 0 y con 7 iteraciones se tiene:

en modo exacto, y

en modo aproximado.
A.6 A.7 PROGRAMACIN PROCEDURAL
A.6. Escriba un programa para obtener el cociente y el resto de dos nmeros enteros positivos, aplicando el
mtodo de restas sucesivas.
El mtodo de restas sucesivas permite llegar a calcular el resto de una divisin de nmeros enteros mediante la
aplicacin sucesiva de la resta. El siguiente ejemplo lo explica:
Para hallar el residuo de 10/3, se tiene:
10 3 = 7
7 3 = 4
4 3 = 1 El proceso se detiene cuando el resto (1) es menor que el divisor (3)
Por lo tanto 1 es el resto y 3(nmero de restas efectuadas) es el cociente.
El programa procedural escrito en una sola lnea es:
COC_REST(D, d) := PROG(C := 0, R := D, LOOP(IF(R < d, RETURN ["RESTO", "COCIENTE"; R, C]), R : d, C :+ 1))
El programa escrito en forma indentada y la explicacin de su funcionamiento es:
COC_REST(D, d) := Argumentos de la funcin: D = dividendo, d = divisor
Prog

C := 0 Inicializacin del contador del nmero de restas efectuadas
R := D Asignacin al resto del valor del dividendo para iniciar las restas sucesivas
Loop
If R < d Condicin para defenecer el proceso y retornar el resultado
RETURN ["RESTO", "COCIENTE"; R, C] Salida
Re (
(

sto Cociente
R C

R :- d Proceso de restas sucesivas (resto)
C :+ 1 Actualizacin del contador de restas efectuadas (cociente)
A.7. Escriba un programa para obtener el mximo comn divisor de dos nmeros enteros positivos, aplicando el
algoritmo de Euclides.
El algoritmo de Euclides permite hallar el MCD mediante divisiones sucesivas de nmeros enteros positivos,
como lo muestra el siguiente ejemplo:
Para hallar el MCD de 6 y 15, entonces:

15 / 6 Cociente = 2; Resto = 3 (divisor en la siguiente divisin)
6 / 3 Cociente = 2; Resto = 0
El ultimo divisor bajo el cual se obtuvo el resto nulo, es decir 3 es el MCD
El programa procedural constar de dos funciones, una para el clculo del resto, y la otra para el clculo del
MCD:
#1: RESTO(D, d) := PROG(C := 0, R := D, LOOP(IF(R < d, RETURN R), R : d, C :+ 1))
#2: MCD(a, b) := PROG(IF(a > b, [D := a, d := b], [D := b, d := a]), LOOP(IF(d = 0, RETURN D), R := RESTO(D, d), D
:= d, d := R))
El programa escrito en forma indentada y la explicacin de su funcionamiento es:
RESTO(D, d) :=
Prog
C := 0
R := D
Loop
If R < d
RETURN R
R :- d
C :+ 1
MCD(a, b) := Argumentos de la funcin: nmeros a y b enteros positivos
Prog
If a > b
[D := a, d := b]
[D := b, d := a]
Loop
If d = 0 Condicin para defenecer el proceso y retornar el resultado
RETURN D Salida del ltimo divisor (D := d) como el MCD
R := RESTO(D, d) Calcula el resto de la divisin D/d
D := d Asigna al divisor de una divisin como dividendo de la siguiente
d := R Asigna al resto de una divisin como divisor de la siguiente
A.8 PRECISIN EN DERIVE 6
A.8. Con un ejemplo de clculo de una expresin se va a mirar el efecto de la precisin en un resultado.
Ingresamos la expresin
( )
1 1 2 + + x x x x x

Variante del programa 1, para el clc ulo del resto.
Lazo de decisin para asignar al mayor valor como divi-
dendo (D) y al menor como divisor (d)
dividendo en la siguiente divisin

Se substituye 1000000 para x utilizando Simplificar/Sustituir variable o el botn tal como se muestra:

luego de hacer clic en S, se obtiene

aproximando este resultado con se tiene

La aproximacin da un valor de cero sin embargo al simplificar bajo el modo exacto no se obtuvo ese valor por
lo tanto la aproximacin es sospechosa. En efecto se la precisin de Derive 6 en este clculo es insuficiente pa-
ra mostrar el verdadero resultado para ello vamos a cambiar los dgitos de precisin de 10 a 15, mediante el
comando:

entonces volvemos a aproximar la expresin obteniendo esta vez

lo que demuestra que con 10 dgitos de precisin en esta operacin Derive 6 cometi un error al obtener el re-
sultado en punto flotante. El origen de este error esta en la resta de valores muy cercanos como lo va a demos-
trar el propio programa con el siguiente desarrollo:
Regresamos a la precisin con 10 dgitos al escribir el comando PrecisionDigits := 10.
A partir de la expresin:

seleccionamos (1000000 + 1), (1000000 - 1) y 21000000 sucesivamente, a la vez que sim-
plificamos cada subexpresin con desde la barra de botones, obteniendo:

se puede observar que el resultado dentro del parntesis da 0 lo cual obviamente explica el resultado final de 0
al aproximar la expresin.
173 Series de Taylor

A AP P N ND DI IC CE E B
B
S SE ER RI IE ES S D DE E T TA AY YL LO OR R

El xito de los mtodos numricos consiste en la aproximacin y sustitucin de funciones complicadas
por otras de fcil manejo. Muchas funciones, tales como sen(x), cos(x), ln(x), etc., pueden ser aproximadas y
sustituidas mediante una suma infinita de trminos denominada serie de Taylor, la cual por su sencillez es ms
apropiada para su utilizacin en el campo del anlisis numrico.
B.1 SERIES DE TAYLOR Y MACLAURIN.
Teorema de Taylor. Sea f(x) una funcin continua y derivable hasta el orden n, en cierto intervalo que contiene al
punto x = c, entonces f(x) se puede expresar como:
) c ( f
! n
) c x (
... ) c ( f
! 3
) c x (
) c ( f
! 2
) c x (
) c ( f
! 1
) c x (
) c ( f ) x ( f
) n (
n 3 2
+ + ' ' '
+ ' '
+ '
+ =

Una funcin real f(x), puede ser escrita mediante un polinomio de grado menor o igual a n, en la forma...
2 3 n
0 1 2 3 n
f(x) a a x a x a x ... a x = + + + + +
donde los coeficientes a
0
, a
1
, a
2
, a
3
, ... son constantes que no dependen de la variable x. El problema es deter-
minar los valores de dichos coeficientes para expresar con exactitud el polinomio.
Tmese la expresin (B.1) y hgase en ella x = 0...
0
f(0) a =
con lo cual se ha determinado a
0
, pues al conocerse f(x), tambin se conoce su valor en un punto dado. Por
otro lado, calclense las n sucesivas derivadas, es decir...
2 n 1
1 2 3 n
f (x) a 2a x 3a x ... na x ...
' = + + + + +
n 2
2 3 n
f (x) 2a 6a x ... n(n 1)a x ...
'' = + + + +
n 3
3 n
f (x) 6a ... n(n 1)(n 2)a x ...
''' = + + +

(n)
n
f (x) n!a ... = +
entonces si se sustituye x = 0 en todas ellas se obtiene...
1 1
f (0) a 1!a ' = =
2 2
f (0) 2a 2!a '' = =
3 3
f (0) 6a 3!a ''' = =
.........................
(n)
n
f (0) n!a =
despejando de las ecuaciones (B.3), a
0
, a
1
, a
2
, a
3
, ... , y sustituyendo estos valores en f(x) se obtiene...
2 3 n
(n)
x x x x
f(x) f(0) f (0) f (0) f (0) ... f (0)
1! 2! 3! n!
' '' ''' = + + + + +
frmula que expresa a f(x) como un polinomio en x, y todos los coeficientes son derivadas calculadas en el
punto x = 0; este tipo de polinomio se denomina serie de Maclaurin frmula de Maclaurin.
(B.1)
(B.2)
(B.4)
(B.3)

Pero existen funciones reales, como ln(x), que en el punto x = 0 no est definida; resulta entonces conveniente
aproximar sta y otras funciones, que se hallan en el mismo caso, mediante un polinomio cuyas constantes se
puedan determinar en base a un punto cualquiera c, diferente al que genera el problema. Tngase en cuenta en-
tonces, el polinomio siguiente...
2 3 n
0 1 2 3 n
f(x c) a a (x c) a (x c) a (x c) ... a (x c) = + + + + +
realizando un proceso similar al que se efectu para deducir la serie de Maclaurin, se obtiene el polinomio...
2 3 n
(n)
(x c) (x c) (x c) (x c)
f(x) f(c) f (c) f (c) f (0) ... f (c)
1! 2! 3! n!

' '' ''' = + + + + +
denominado serie de Taylor frmula de Taylor.
Se puede observar de la ltima ecuacin, que la frmula de Maclaurin es simplemente un caso particular de la
frmula de Taylor, cuando en sta c = 0. La frmula de Taylor asegura una aproximacin bastante razonable de
la funcin f(x) en cierto entorno (entindase como pequeo intervalo) alrededor del punto c, es decir en el inter-
valo [c o, c + o] (o>0), mientras que la frmula de Maclaurin hace lo mismo alrededor del punto c = 0, o
sea en el intervalo [o, o]; este intervalo se denomina intervalo de convergencia.
B.2 SERIES DE TAYLOR Y MACLAURIN CON RESTO EN FORMA DE LAGRANGE.
Teorema (Resto para la Serie de Taylor). Sea f(x) una funcin continua y derivable hasta el orden n + 1, en cier-
to intervalo que contiene al punto x = c, y sea un punto cualquiera tal que x< <c ( c<<x) entonces f(x)
se puede expresar como
2 3 n
(n)
(x c) (x c) (x c) (x c)
f(x) f(c) f (c) f (c) f (c) ... f (c) R
1! 2! 3! n!

' '' ''' = + + + + + +
n
(n 1)
(x c)
donde R f ( )
(n 1)!

+
=
+

Al aproximar una funcin real f(x), mediante las frmulas de Taylor o Maclaurin, el orden del polinomio puede
ser un valor entero cualquiera, pero dado que es imposible escribir un infinito nmero de trminos del polinomio,
es necesario entonces utilizar un nmero finito de trminos, dgase n, surgiendo entonces un error debido a los
trminos no considerados o truncados del polinomio (desde el trmino (n + 1)simo en adelante). Este error,
est representado mediante el llamado trmino complementario, residuo o resto de la serie, representado por R.
La serie de Taylor expresada en funcin del resto R, se escribe...
2 3 n
(n)
(x c) (x c) (x c) (x c)
f(x) f(c) f (c) f (c) f (0) ... f (c) R
1! 2! 3! n!

' '' ''' = + + + + + +
donde todos los trminos luego del (n + 1)simo trmino han sido sustituidos por el resto. El resto de una se-
rie de Taylor se puede expresar como...
n 1
(n 1)
(x c)
R f ( ) donde c x si x c ; x c si x c
(n 1)!
+
+
= < < > < < <

+

denominado resto en forma de Lagrange. Anlogamente la frmula de Maclaurin con resto en forma de Lagran-
ge, se escribir...
2 3 n
(n)
x x x x
f(x) f(0) f (0) f (0) f (0) ... f (0) R
1! 2! 3! n!
' '' ''' = + + + + + +
con
(B.5)
(B.6)
(B.7)

n 1
(n 1)
(x)
R f ( ) donde 0 x si x 0 ; x 0 si x 0
(n 1)!
+
+
= < < > < < <
+

sin embargo, el valor de (B.7) y (B.8) es imposible determinarlo de forma precisa, aunque se lo puede estimar
considerando que el valor absoluto de la (n + 1)sima derivada de est acotado, es decir...
(n 1)
f ( ) M donde M 0
+
s >
y entonces...
n 1
M
R (x c) ...para la formula de Taylor
(n 1)!
+
s
+

n 1
M
R x ...para la formula de Maclaurin
(n 1)!
+
s
+

El resto representa el error de truncamiento en las formulas de Taylor ( Maclaurin), y ste puede ser nicamen-
te estimado ms no calculado de manera exacta. El error de truncamiento puede presentarse en cualquier pro-
ceso matemtico de infinitos trminos en el cual se truncan o cortan los mismos.
B.3 FORMA ALTERNATIVA PARA LA SERIE DE TAYLOR Y EL RESTO.
Si en la serie de Taylor, expresada por (B.6), se sustituye h = x c, sta se simplifica a...
2 3 n
(n)
h h h h
f(c h) f(c) f (c) f (c) f (c) ... f (c) R
1! 2! 3! n!
' '' ''' + = + + + + + +
donde el resto de la serie est dado por
n 1
(n 1)
h
R f (c h) donde 0 1
(n 1)!
+
+
= + , s , s
+

debido a que , es difcil de calcular con exactitud, pues se encuentra dentro de un intervalo, a menudo se toma
, = 0, con lo que...
n 1
(n 1)
h
R f (c)
(n 1)!
+
+
~
+

siendo la expresin (B.13), una forma aproximada y ms cmoda de calcular el error de truncamiento para la
serie de Taylor, y representa el trmino dominante((n + 1)simo trmino) del conjunto de trminos eliminados.
B.4 SERIES DE TAYLOR Y MACLAURIN CON DERIVE 6.
Derive 6 incluye una opcin para el clculo de funciones mediante series de Taylor y Maclaurin, la cual se en-
cuentra bajo la orden Polinomios de Taylor... del men Clculo. Para desarrollar una funcin en una serie de
Taylor
Paso 1: Se escribe la funcin que se va a desarrollar en serie de Maclaurin.
2
SIN(x) COS(x 1) + +
Paso 2: Se hace clic sobre la opcin Clculo/Polinomios de Taylor..., entonces aparece el cuadro de dilogo...
(B.8)
(B.9)
(B.10)
(B.11)
(B.12)
(B.13)

Aqu, se debe elegir la variable sobre la cual se va a desarrollar la serie, el punto alrededor del cual se estructu-
rar la misma y el orden de aproximacin (potencia del trmino a partir del cual se va a tomar el resto).
Paso 3: Finalmente, se hace clic sobre el botn Simplificar y se obtendr...
4 5 3
(2 x )COS(1) x x
2
x SIN(1) x
2 120 6
+ +
que es la expresin para la serie de Maclaurin pedida.
Ejemplo B.1
Mediante Derive 6 desarrollar en serie de Maclaurin, la funcin f(x) = sen(x + 1). Utilizar 4, 5 y 6 trminos del
desarrollo, luego graficar la funcin as como sus correspondientes desarrollos.
Definicin de la funcin:
SIN(x+1)
Serie de Maclaurin con 4 trminos: Clculo/Polinomios de Taylor...(Variable = x, Punto = 0, Grado = 3)
2 2
x(6 x )COS(1) (2 x )SIN(1)
6 2

+
entonces, expandiendo los trminos mediante la orden Simplificar/Expandir...
3 2
x COS(1) x SIN(1)
xCOS(1) SIN(1)
6 2
+ +
2 4 2
x(6 x )COS(1) x x
1 SIN(1)
6 24 2
+ +
| |
|
|
\ .

3 4 2
x COS(1) x SIN(1) x SIN(1)
xCOS(1) SIN(1)
6 24 2
+ + +
5 3 4 2
x x x x
x COS(1) 1 SIN(1)
120 6 24 2
+ + +
| | | |
| |
| |
\ . \ .

5 3 4 2
x COS(1) x COS(1) x SIN(1) x SIN(1)
xCOS(1) SIN(1)
120 6 24 2
+ + +

En el grfico las series de Maclaurin se nominan como: g(x)(serie de Maclaurin con 4 trminos), h(x)(serie de
Maclaurin con 5 trminos), k(x) (serie de Maclaurin con 6 trminos) y la funcin como f(x); estos grficos se
definen en un intervalo alrededor de x = 0; tambin se podr notar que alrededor del punto x = 0 los desarrollos
y la funcin f(x) tienen un cierto intervalo de convergencia de radio aproximadamente igual a 1.
3 2 1 0 1 2 3
4
2
2
f x ( )
g x ( )
h x ( )
k x ( )
x

Ejemplo B.2
Con la ayuda de Derive 6 expresar en serie de Taylor la funcin |
.
|
\
|
+
+
=
2
x 1
x 1
ln ) x ( f , alrededor del punto x = 1,
determinar adems el error de truncamiento aproximado y el error de truncamiento exacto. Utilizar hasta la po-
tencia x
4
del desarrollo.
Se definen la funcin, el punto alrededor del cual se desarrolla la serie(x = c) y el orden(n), de la siguiente ma-
nera: Clculo/Polinomios de Taylor...(ln((1 + x)/(1 + x^2)), Variable = x, Punto = 0, Grado = 5) y se obtie-
ne...
4 3 2
(x 1)(54x 351x 929x 1141x 29)
960
+ +

luego se realiza la sustitucin x = h + 1(Simplificar/Sustituir Variable...(Variables = x , Nuevo Valor = h + 1)),
y expandiendo(Simplificar/Expandir...) los trminos se obtiene...
5 4 3 2
9h 9h 5h h h
160 64 24 8 2
+
Las siguientes lneas de programacin en Derive 6, permiten determinar para cualquier serie de Taylor o Ma-
claurin el error de truncamiento aproximado((1.13)) y el error de truncamiento exacto(f(x) Serie de Taylor para
n trminos); para ello se debe introducir la funcin que se aproxima mediante la serie, el punto alrededor del cual
se desarrolla la serie(x = c) y el orden del trmino en que se trunca la serie(n)...
#1: F(x):=
#2: ET_APROX(x, c, n) := TAYLOR(F(x), x, c, n + 1) TAYLOR(F(x), x, c, n)
#3: ET_EXACT(x, c, n) := F(x) TAYLOR(F(x), x, c, n)

Para el problema presente, se utilizan las lneas anteriores(ingresando
1 x
F(x) : ln
2
1 x
| |
+
=
|
\ + .
, x = 1 y n = 4) pa-
ra obtener...
4 3 2
9(x 1)(x 4x 6x 4x 1)
ET_APROX(x,1, 4)
160
4 3 2
x 1 9x 37x 51x 15x 5
ET_EXACT(x,1, 4) LN
2
64 48 32 16 192
x 1
+ +
=
+
= + +
+
| |
|
\ .

Del grfico f(x), st(x) vs. x, se puede observar que la funcin f(x) y la serie que la aproxima st(x) coinciden en un
intervalo que va desde x = 0.6 hasta x = 1.4, aproximadamente; este intervalo es el radio de convergencia de la
serie.
1 0 1 2 3
4
3
2
1
1
f x ( )
s x ( )
x

Ejemplo B.3
Utilizando la serie de Maclaurin calcular el valor de cos(10) con una precisin de hasta 0.0001. Emplee Derive
6.
Clculo del nmero de trminos del desarrollo de Maclaurin, en base a la frmula de acotamiento del resto R...
|f
(n+1)
()|s M = 1, pues la (n + 1)sima derivada de cos(x) pueden ser cos(x) sen(x), que son acotadas
en 1, por lo que...

0.0001
1 n
18 1)! (n
1
R s
+
|
.
|
\
| t
+
s

es decir...

0.0001
1 n
18 1)! (n
1
s
+
|
.
|
\
| t
+

dado que resolver la desigualdad analticamente es algo difcil, se utiliza una solucin iterativa, la cual se obtiene
mediante las siguientes lneas de programacin en Derive 6...
#1: R(n):=
#2: N(in, fin,o):=VECTOR(i, i, in, fin, o)

#3: SOL(in, fin, o):=VECTOR([(N(in, fin, o))+i, R((N(in, fin, o))+i)], i, 1, DIM(N(in, fin, o)))
entonces,
n 1
1
R(n) :
(n 1)! 16
3 0.0000386632
1 0.0152308
2 0.000886096
SOL(1,5,1)
4 0.0000013496
5 0.0000000392583
+
t
=
+
| |
|
\ .
(
(
(
( =
(
(
(

se puede observar que el valor n que cumple la desigualdad es n = 3, por lo tanto se desarrolla la serie de Ma-
claurin de cos(x) hasta el orden de aproximacin 3, as
2
x
COS(x) : 1
2
=
y el valor aproximado buscado es...
COS : 0.984769
18
=
t | |
|
\ .

La segunda columna muestra los valores de R(n)
para los valores de n de la primera columna
180 Bibliografa y referencias

B BI IB BL LI IO OG GR RA AF F A A Y Y R RE EF FE ER RE EN NC CI IA AS S

BIBLIOGRAFA.
1. Learning Numerical Analysis through DERIVE, Etchells T. / Berry J., Ed. ChartwellBratt
2. Numerical Analysis via DERIVE, Schonefeld S., Ed. Mathware.
3. Mtodos Numricos para Ingenieros, Chapra S. / Canale R., Ed. Mc. GrawHill.
4. Introduction to Derive 5, Kutzler B. / KokolVoljc V., Texas Instruments Inc.
5. Mtodos Numricos aplicados con software, Nakamura S., Ed. PrenticeHall.
6. Anlisis Numrico con Aplicaciones, Gerald C. / Wheatley P., Ed. PrenticeHall.
7. Mtodos Numricos aplicados a la Ingeniera, Nieves A. / Domnguez F., Ed. C.E.C.S.A.
8. Anlisis Numrico y visualizacin grfica con MATLAB, Nakamura S., Ed. PrenticeHall.
9. Anlisis Numrico, Un enfoque prctico, Maron M. / Lpez R., Ed. C.E.C.S.A.
10. Anlisis Numrico, Scheid F., Ed. Mc.GrawHill.
11. Introduccin a los Mtodos Numricos, Samarski A., Ed. Mir.
12. Mtodos Numricos, Volkov E., Ed. Mir.
13. Learning Diferential Equations through DERIVE, Lowe B. / Berry J., Ed. ChartwellBratt
14. Learning Mathematics through DERIVE, Graham E. /Watkins A.J.P / Berry J., Ed. ChartwellBratt
NOTAS Y REFERENCIAS.
[1] La notacin
[n]
i
f indica de forma muy compacta la n-esima diferencia dividida para el dato x
i
.
[2] Estas lneas de programacin fueron ampliadas a partir de aquellas tomadas del texto Numerical Analysis via DERIVE de S. Schonefeld, Ed.
MathWare, 1ra. Edicin, 1997, pg. 111.
[3] Tomado de Learning Numerical Anlisis through DERIVE de Terence Etchells & John Berry, Ed. ChartwellBratt, 1997, pg. 53

181 ndice Alfabtico

N ND DI IC CE E A AL LF FA AB B T TI IC CO O

A
Aislamiento de races ...................................................... 49
Ajuste polinomial por mnimos cuadrados ................... 153
Algebra lineal numrica aplicaciones ........................ 153
Aproximacin grfica a una raz ..................................... 50
Aproximacin por diferencias progresivas o hacia
adelante...................................................................... 73
Aproximacin por diferencias regresivas o hacia atrs . 73
B
Base ................................................................................ 10
Bit 11
C
Cifras decimales ............................................................. 14
Cifras significativas ......................................................... 14
Condicin inicial de una ecuacin diferencial ............. 111
Convergencia en mtodos de Jacobi y GaussSeidel 150
Convergencia en procesos iterativos ............................... 7
D
Derivadas de orden superior .......................................... 79
Diagrama de convergencia divergencia . Vase Mtodo
de iteracin de punto fijo, diagrama de Cobweb
Diagrama de escalones ...... Vase Mtodo de iteracin de
punto fijo, diagrama de Cobweb
Diferencia finita hacia adelante ....................................... 30
Diferencia progresiva ............ Vase Diferencia finita hacia
adelante
Diferenciacin numrica, aproximacin por diferencias72,
83
Diferenciacin numrica, aproximacin por diferencias
centrales ..................................................................... 78
progresivas ................................................................ 72
regresivas ................................................................... 72
Diferencias fdivididas ...................................................... 28
E
Ecuaciones diferenciales ordinarias de primer orden
aplicaciones ..................................................... 133, 137
psilon de una computadora ......................................... 13
Error de truncamiento ................................................... 175
Error en los mtodos de Euler ..................................... 118
Error en los mtodos de RungeKutta ......................... 131
Error en los mtodos de Taylor .................................... 125
Error en mtodos de integracin ............................. 81, 98
Error en polinomios de interpolacin ............................. 39
Error en polinomios de interpolacin de Newton .......... 45
Errores de redondeo ...................................................... 10
Errores en Anlisis Numrico. .......................................... 8
Existencia de una raz, teorema de Bolzano .................. 49
Exponente ....................................................................... 10
F
Fenmeno de Runge ...................................................... 39
Frmula iterativa ................................................................ 6
Frmulas de NewtonCotes ........................................... 98
Fuentes de error por redondeo ...................................... 13
Funcin condicional IF .................................................. 165
Funcin de forma .. Vase Polinomio bsico de Lagrange
Funcin LOOP ............................................................... 168
Funcin PROG .............................................................. 168
Funcin VECTOR .......................................................... 166
Funciones ITERATE e ITERATES ................................. 164
Funciones SUM y PRODUCT ....................................... 166
G
Generacin de utilidades en Derive 6 .......................... 169
I
Instalacin e inicio de Derive 6 ..................................... 159
Integracin de Romberg ............................................... 102
Integracin Numrica, reglas de Simpson ..................... 92
Interpolacin con races o puntos de Chebyshev .......... 46
Interpolacin lineal .......................................................... 22
Interpolacin lineal con Derive 6 .................................... 23
Interpolacin polinmica ................................................ 20
Interpolacin polinmica por el mtodo general ........... 20
Interpolacin polinmica por serie de potencias ..... Vase
Interpolacin polinmica por el mtodo general
Interpolacin polinmica, nodos de interpolacin ......... 20
M
Mantisa ............................................................................ 10
Matriz de diagonal estrictamente dominante ............... 149
Mtodo de aceleracin del mtodo de trapecios .......... 92
mtodo de aceleracin para la regla de 1/3 de Simpson
.................................................................................... 95
Mtodo de biseccin ...................................................... 51
Mtodo de biseccin con Derive 6 ................................. 55
Mtodo de eliminacin de Gauss con pivoteo parcial . 142
Mtodo de Euler hacia adelante ................................... 111
Mtodo de Euler modificado ........................................ 116
Mtodo de falsa posicin ................................................ 56
Mtodo de iteracin de punto fijo ................................... 66
Mtodo de iteracin de punto fijo con Derive 6 ............. 71
Mtodo de iteracin de punto fijo, diagrama de Cobweb
.................................................................................... 66
Mtodo de las cuerdas .. Vase Mtodo de falsa posicin
Mtodo de las secantes .................................................. 64
Mtodo de las secantes con Derive 6 ............................ 66
Mtodo de las tangentes ....... Vase Mtodo de Newton
Raphson
182 ndice Alfabtico

Mtodo de los rectngulos ............................................. 85
Mtodo de los rectangulos utilizando Derive 6 .............. 89
Mtodo de los trapecios ................................................. 89
Mtodo de los trapecios utilizando Derive 6 .................. 92
Mtodo de NewtonRaphson ......................................... 60
Mtodo de Newton-Raphson con Derive 6 .................... 63
Mtodo de RungeKutta de cuarto orden .................... 129
Mtodo de RungeKutta de tercer orden ..................... 127
Mtodo de sustituciones sucesivas ...... Vase Mtodo de
iteracin de punto fijo
Mtodo del punto medio ................................................ 85
Mtodo del punto medio utilizando Derive 6 ................. 89
Mtodos abiertos ............................................................ 59
Mtodos abiertos, caractersticas diferenciativas .......... 71
Mtodos cerrados ........................................................... 51
Mtodos cerrados, caractersticas diferenciativas ......... 59
Mtodos de Euler.......................................................... 111
Mtodos de RungeKutta ............................................. 127
Mtodos de solucin de EDOs con Derive 6 ............... 131
Mtodos de Taylor ........................................................ 122
Minimizacin del error de interpolacin .................... Vase
Interpolacin con races o puntos de Chebyshev
N
Nmero de punto flotante ............................................... 10
Nmero de punto flotante, forma normalizada .............. 10
Nmero de punto flotante, precisin .............................. 11
O
Orden EXIT .................................................................... 168
Orden RETURN ............................................................. 168
Overflow, zona de .......... Vase Zona de desbordamiento
P
Parte fraccionaria ........................................ Vase Mantisa
Polinomio bsico de Lagrange....................................... 25
Polinomio de interpolacin de Lagrange ....................... 25
Polinomio de interpolacin de Lagrange con Derive 6 . 27
Polinomio de interpolacin de Newton .......................... 32
Polinomio de interpolacin de Newton con Derive 6..... 38
Polinomio de interpolacin de Newton con diferencias
progresivas ................................................................ 37
Polinomio de interpolacin de NewtonGregory ...... Vase
Polinomio de interpolacin de Newton con diferencias
progresivas
Polinomio de interpolacin por el mtodo general con
Derive 6 ...................................................................... 21
Precisin en Derive 6 ...................................................... 17
Proceso iterativo ............................................................... 6
Programacin con Derive 6 .......................................... 164
Programacin funcional con Derive 6 .......................... 164
Programacin procedural en Derive 6.......................... 168
R
Raices de Chebyshev con Derive 6 ................................ 48
Raz de una ecuacin ...................................................... 49
Regla de 1/3 de Simpson ............................................... 92
Regla de 3/8 de Simpson ............................................... 96
Reglas de Simpson utilizando Derive 6 .......................... 97
Regula Falsi .................... Vase Mtodo de falsa posicin
S
Serie de Taylor, intervalo de convergencia .................. 174
Serie de Taylor, teorema del resto ............................... 174
Series de Taylor y Maclaurin......................................... 173
Series de Taylor y Maclaurin con Derive 6 ................... 175
Series de Taylor y Maclaurin con resto en forma de
Lagrange. ................................................................. 174
Series de Taylor y resto, forma alternativa ................... 175
Simplificacin y aproximacin con Derive 6 ................. 160
Solucin de sistemas de ecuaciones lineales, mtodo
directo ....................................................................... 144
Solucin de sistemas de ecuaciones lineales, problema
mal condicionado ..................................................... 144
Solucin de sistemas de ecuaciones linealesmtodo de
GaussSeidel ........................................................... 147
Solucin de sistemas de ecuaciones linealesmtodo de
Jacobi ....................................................................... 145
Solucin de sistemas de ecuaciones linealesmtodos
iterativos ................................................................... 145
Solucin general de una ecuacin diferencial ............. 110
Solucin particular de una ecuacin diferencial .......... 110
Sustitucin de variables en Derive 6 ............................ 161
T
Teorema de Bolzano ....................................................... 49
Teorema de Taylor. ....................................................... 173
U
Underflow, zona de ...................... Vase Zona de agujero
V
Vectores y matrices en Derive 6 ................................... 162
Velocidad de convergencia en procesos iterativos ......... 7
Z
Zona de agujero .............................................................. 12
Zona de desbordamiento ............................................... 12

Introduccion A Los Metodos Numericos Con Derive 6

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Introduccion A Los Metodos Numericos Con Derive 6

Caricato da

Copyright:

Formati disponibili

I

c = = . entonces el intervalo entre un nmero real cualquiera y el si-

= con hasta 4 cifras decimales de precisin. Cuntas iteraciones requerir

= para la pareja de trin-

sta es la frmula general para la nsima aproximacin a la

en x = 0.2, con 5 cifras decimales de precisin me-

= ) y sus alturas son

= + , la frmula del mtodo de los

; la solucin del problema de valor inicial es

= , y empleando los puntos

para producir el respectivo cofactor. La tercera y ltima funcin

+ + ' ' '

= < < > < < <

Potrebbero piacerti anche