Existen varios tipos de métodos numéricos, pero estos tienen una característica en

común, en la que necesitan varias iteraciones de tediosos cálculos aritméticos. En la

actualidad gracias al poder de las computadoras se pueden resolver cálculos muy
complicados de una manera rápida, mejorando así la eficiencia de estos procedimientos
sin tener que recurrir a métodos lentos.

Teoría de Errores y su Medición

Por lo general cuando trabajamos con operaciones matemáticas, lo hacemos con

métodos analíticos, es decir, tenemos una fórmula que nos va a dar un resultado que es
preciso y exacto. Por ejemplo, si queremos obtener la velocidad con que se traslada un
carro entonces para eso se utiliza una fórmula dependiendo de ciertos factores.

Cuando aparece un problema que de forma analítica es muy complejo resolver, ahí es
necesario utilizar los métodos numéricos. Un método numérico trata de aproximarse al
resultado real aplicando un número finito de operaciones aritméticas (multiplicación,
división, suma y resta).

Exactitud y Precisión

Los errores en cálculos numéricos se los pueden diferenciar con respecto a su exactitud
y su precisión. La exactitud es a qué tan cerca está el resultado calculado del valor real y
la precisión se refiere a la separación de los diversos valores calculados o medidos.

Además, también tenemos a la inexactitud o sesgo que se refiere a una desviación

sistemática del valor verdadero. La imprecisión o incertidumbre que se refiere al tamaño
de la dispersión de los resultados calculados.

A continuación, se muestra la figura 1 aplicando los conceptos vistos anteriormente,

utilizando como analogía una diana en la práctica de tiro al blanco.

3
 Figura 1: para comprender los conceptos de exactitud, precisión, inexactitud e imprecisión

En la figura 1 tenemos lo siguiente: a) Inexacto e impreciso; b) exacto e impreciso; c)

inexacto y preciso; d) exacto y preciso.

En el literal c podemos ver que los disparos están más cerca entre uno y otro, al contrario
de lo que pasa con los disparos del literal a, pero aun así en los dos casos son inexactos
porque ambos se enfocan en la esquina superior izquierda del blanco.

En los literales b y d los tiros son más exactos, ya que nos centramos con respecto al
blanco. Además de acuerdo a la figura 1 en el literal d, podemos decir que los disparos
fueron más precisos porque están agrupados en forma más compacta.

Por lo tanto, al obtener un grupo de valores como resultados de aplicar los métodos
numéricos estos tienen que ser exactos, sin sesgo y ser bastantemente precisos para
compensar los requerimientos de algún problema en particular de ingeniería.

Recuerde que. - Los métodos numéricos tienen que ser suficientemente exactos, sin sesgo y ser
bastantemente precisos para compensar los requerimientos de algún problema en particular de
ingeniería.

4
Generalmente nosotros cómo sabemos cuándo algo está erróneo, lo sabemos porque lo
comparamos con algo verdadero. Al trabajar con un método numérico conseguimos el
dato analítico, siendo este valor el que vamos a utilizar para encontrar el error (Nieves &
Hurtado, 2014).

Los errores que podemos encontrar son los de truncamiento que resultan del empleo de
aproximaciones como un procedimiento matemático exacto, y los errores de redondeo
que se producen cuando se usan números que tienen un límite de cifras significativas para
representar números exactos.

Sí nosotros sabemos que tanto nos alejamos comparándolo con el valor verdadero
entonces podemos decir:

𝑉𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 = 𝑉𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜 + 𝑒𝑟𝑟𝑜𝑟

Entonces de acuerdo a la fórmula anterior se encuentra que el error numérico es igual a

la diferencia entre el valor verdadero y el valor aproximado, es decir

𝐸𝑡 = 𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜

Donde 𝐸𝑡 se usa para denotar el valor exacto del error o también lo podríamos llamar el
error absoluto. Una desventaja en esta definición es que no toma en consideración el
orden de la magnitud del valor que se estima. Por ejemplo, un error de un centímetro es
mucho más significativo si se está midiendo un remache en lugar de un puente. Una
manera de tomar en cuenta las magnitudes de las cantidades que se evalúan consiste en
normalizar el error respecto al valor verdadero, es decir

𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜

𝐸𝑟𝑟𝑜𝑟 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜 𝑓𝑟𝑎𝑐𝑐𝑖𝑜𝑛𝑎𝑙 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 =
𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜

El error relativo también se puede multiplicar por 100% para expresarlo como

𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜

𝜀𝑡 = 100%
𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜

Donde 𝜀𝑡 denota el error relativo porcentual verdadero

5
Ejercicio 1: Suponga que se tiene que medir la longitud de un puente y la de un remache,
y se obtiene 9 999 y 9 cm, respectivamente. Si los valores verdaderos son 10 000 y 10
cm, calcule a) el error verdadero y b) el error relativo porcentual verdadero en cada caso.

a) El error en la medición del puente es

𝐸𝑡 = 𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜
𝐸𝑡 = 10000 − 9999 = 1𝑐𝑚

y en la del remache es de
𝐸𝑡 = 𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜
𝐸𝑡 = 10 − 9 = 1𝑐𝑚

b) El error relativo porcentual para el puente es

𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜
𝜀𝑡 = 100%
𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜
1
𝜀𝑡 = 100% = 0.01%
10000

y para el remache es de
𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜
𝜀𝑡 = 100%
𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜
1
𝜀𝑡 = 100% = 10%
10

Por lo tanto, aunque ambas medidas tienen un error de 1 cm, el error relativo porcentual
del remache es mucho mayor. Se concluye entonces que se ha hecho un buen trabajo en
la medición del puente; mientras que la estimación para el remache dejó mucho que
desear.

6
Método Gráfico para obtener raíces de funciones

Consiste en graficar la función y observamos en donde corta el eje x. Ese punto en donde
cruza el eje x representa 𝑓(𝑥 ) = 0, que significa una aproximación inicial de la raíz.

El método gráfico nos ayuda entender el comportamiento de una función, a observar que
tipo de discontinuidad tiene la función y también nos ayuda a escoger los puntos iniciales
para los procesos iterativos.

Ejercicio 2: A continuación, veremos un ejemplo para encontrar las raíces de la siguiente

función 𝑓 (𝑥 ) = 𝑥 2 − 1

Damos valores a la x

𝒙 -2 -1 0 1 2
𝒇 (𝒙 )

𝑓 (−2) = −22 − 1 = 3

𝑓 (−1) = −12 − 1 = 0

𝑓 (0) = 02 − 1 = −1

𝑓 (1) = 12 − 1 = 0

𝑓 (2) = 22 − 1 = 3

Nuestra tabla de valores quedaría de la siguiente manera

𝒙 -2 -1 0 1 2
𝒇 (𝒙 ) 3 0 -1 0 3

Vemos en nuestra tabla que cuando 𝑓(𝑥 ) = 0 la x vale -1 y 1. Ahora representemos

gráficamente esta función según nuestros resultados de la tabla

7
 Figura 2: Gráfica indicando las raíces de la función 𝑓 (𝑥 ) = 𝑥 2 − 1

Entonces las raíces de la función 𝑓 (𝑥 ) = 𝑥 2 − 1 serian: 𝑥 = −1 y 𝑥 = 1

El ejemplo anterior es uno de lo más fáciles, pero existen otros tipos de funciones
complejas que se hace difícil y tedioso si queremos resolverlo como lo hicimos. Pero
gracias a la tecnología y a los softwares matemáticos podemos realizar estas funciones
de una manera rápida.

Por ejemplo: La función 𝑓 (𝑥 ) = 𝑠𝑒𝑛 10𝑥 + cos 3𝑥 tiene varias raíces que van de 𝑥 = 0 a
𝑥 = 5. Utilizaremos unas gráficas por computadoras para comprender mejor el
comportamiento de esta función.

8
 Figura 3: Gráficas interactivas por computadora de la función 𝑓(𝑥) = 𝑠𝑒𝑛 10𝑥 + cos 3𝑥

Si hacemos una amplificación progresiva de 𝑓(𝑥 ) = 𝑠𝑒𝑛 10𝑥 + cos 3𝑥 mediante la

computadora. Estas gráficas interactivas le permiten al analista determinar que existen
dos raíces distintas entre 𝑥 = 4.2 y 𝑥 = 4.3

Para resolver los siguientes ejercicios se utilizará el programa MatLab.

Ejercicio 3: Sea la función 𝑓 (𝑥 ) = log(𝑥 ) + 4𝑥 + 𝑥 2 − 2, encuentre un intervalo donde se

ubique sus posibles ceros.

Primero graficamos la función con los siguientes comandos:

>> f='log(x)+4*x-x^2-2';
>> ezplot(f,[0.1,5]);grid on

9
 Figura 4: Gráfica de la función 𝑓 (𝑥 ) = log(𝑥 ) + 4𝑥 + 𝑥 2 − 2

Con la gráfica podemos observar que una de las raíces está cerca del punto 0.5 en el eje
de las x.

>> x=fzero('log(x)+4*x-x^2-2',0.5)
x = 0.711653712812500

La solución sería que una de las raíces de la función 𝑓(𝑥 ) = log(𝑥 ) + 4𝑥 + 𝑥 2 − 2 es

x = 0.711653712812500

Ejercicio 4: Sea la función 𝑓 (𝑥 ) = 𝑥 3 + 4𝑥 2 − 𝑥 − 5, encuentre un intervalo donde se

ubique sus posibles ceros.

>> f='x^3+4*x^2-x-5';
>> ezplot(f,[-4,4]);grid on

10
 Figura 5: Gráfica de la función 𝑓 (𝑥 ) = 𝑥 3 + 4𝑥 2 − 𝑥 − 5

Observamos en la gráfica que una de las raíces está cera del punto -4 en el eje de las x

>> x=fzero('x^3+4*x^2-x-5',-4)
x = -3.930801600172758

La solución sería que una de las raíces de la función 𝑓(𝑥 ) = 𝑥 3 + 4𝑥 2 − 𝑥 − 5 es

x = -3.930801600172758

Sabías que. – MatLab cuenta con una gran comunidad en donde te podrán ayudar si tienes
alguna duda sobre alguna funcionalidad del software.
[Link]

11
Métodos Cerrados para obtener raíces de funciones

Los métodos cerrados se caracterizan porque se basan en intervalos para encontrar las
raíces. Esos valores serían los puntos iniciales que deberían de estar a ambos lados de
la raíz o mejor dicho son los que encierran a la raíz.

La mayoría de los métodos cerrados utilizan el método gráfico para determinar los valores
iniciales.

Método de la Bisección

Es un tipo de búsqueda incremental en donde aprovechan localizando un intervalo en el

que la función cambie de signo es decir, si tenemos un valor inferior 𝑥𝑙 y otro valor superior
𝑥𝑢 , al menos hay una raíz si 𝑓(𝑥𝑙 ) 𝑓(𝑥𝑢 ) < 0.

El método de bisección también se lo conoce como corte binario. Lo que hace es que al
intervalo lo divide a la mitad. Si la función cambia de signo sobre un intervalo, se evalúa
el valor de la función en el punto medio. La posición de la raíz se determina situándola en
el punto medio del subintervalo, dentro del cual ocurre un cambio de signo. El proceso se
repite hasta obtener una mejor aproximación.

Para encontrar una aproximación de la raíz 𝑥𝑟 se determina mediante:

𝑥𝑙 + 𝑥𝑢
𝑥𝑟 =
2

En donde 𝑥𝑙 hace referencia al intervalo inferior y 𝑥𝑢 hace referencia al intervalo superior.

A continuación, veremos un ejemplo aplicando el método de la bisección pero se

recomienda que antes de aplicar este método se debe de realizar primero el método
gráfico para partir desde una zona en donde puedan estar las raíces.

Recuerde que. - Se recomienda que antes de aplicar cualquier método cerrado se debe de realizar
primero el método gráfico para partir desde una zona en donde puedan estar las raíces.

12
Ejercicio 5: Hallar la raíz de la siguiente función 𝑓 (𝑥 ) = 𝑥 2 − 3 en el intervalo [-1.8, -1.4]

1era Iteración

𝑥𝑙 + 𝑥𝑢 (−1.8) + (−1.4)
𝑥𝑟 = = = −1.6
2 2

𝑥𝑙 = −1.8 𝑥𝑟 = −1.6 𝑥𝑢 = −1.4

𝑓(−1.8) = (−1.8)2 − 3 𝑓(−1.6) = (−1.6)2 − 3 𝑓 (−1.4) = (−1.4)2 − 3
𝑓 (−1.8) = 0.24 𝑓 (−1.6) = −0.44 𝑓 (−1.4) = −1.04

Observamos que los intervalos que cumplen la condición 𝑓 (𝑥𝑙 ) 𝑓(𝑥𝑢 ) < 0 son -1.8 y -1.6

2da Iteración

𝑥𝑙 + 𝑥𝑢 (−1.8) + (−1.6)
𝑥𝑟 = = = −1.7
2 2

𝑥𝑙 = −1.8 𝑥𝑟 = −1.7 𝑥𝑢 = −1.6

𝑓(−1.8) = (−1.8)2 − 3 𝑓(−1.7) = (−1.7)2 − 3 𝑓 (−1.6) = (−1.6)2 − 3
𝑓 (−1.8) = 0.24 𝑓 (−1.7) = −0.11 𝑓 (−1.6) = −0.44

Observamos que los intervalos que cumplen la condición 𝑓 (𝑥𝑙 ) 𝑓(𝑥𝑢 ) < 0 son -1.8 y -1.7

3era Iteración

𝑥𝑙 + 𝑥𝑢 (−1.8) + (−1.7)
𝑥𝑟 = = = −1.75
2 2

𝑥𝑙 = −1.8 𝑥𝑟 = −1.75 𝑥𝑢 = −1.7

𝑓 (−1.8) = (−1.8)2 − 3 𝑓 (−1.75) = (−1.75)2 − 3 𝑓(−1.7) = (−1.7)2 − 3
𝑓 (−1.8) = 0.24 𝑓 (−1.75) = 0.0625 𝑓(−1.7) = −0.11

Observamos que los intervalos que cumplen la condición 𝑓 (𝑥𝑙 ) 𝑓(𝑥𝑢 ) < 0 son -1.75 y -1.7

4ta iteración

𝑥𝑙 + 𝑥𝑢 (−1.75) + (−1.7)
𝑥𝑟 = = = −1.725
2 2

𝑥𝑙 = −1.75 𝑥𝑟 = −1.725 𝑥𝑢 = −1.7

13
 𝑓 (−1.75) = (−1.75)2 − 3 𝑓 (−1.725) = (−1.725)2 − 3 𝑓 (−1.7) = (−1.7)2 − 3
𝑓 (−1.75) = 0.0625 𝑓 (−1.725) = −0.02 𝑓 (−1.7) = −0.11

Si nos damos cuenta el resultado de 𝑥𝑟 siempre se va acercando al cero porque ese es el

indicador que estamos cerca de encontrar la raíz de la función. En la cuarta iteración se
alcanzó un valor de -0.02, bien podemos quedarnos con esa respuesta ya que es el valor
que más se aproxima al cero.

Entonces nuestra aproximación a la raíz de la función 𝑓 (𝑥 ) = 𝑥 2 − 3 en el intervalo [-1.8,

-1.4] es 𝑥𝑟 = −1.725 con cuatro iteraciones

Estimación del error en la bisección

Si graficamos la función del ejercicio 5 podemos darnos cuenta que una de las raíces está
en el punto x = -1.73, entonces ese sería nuestro valor verdadero para ese ejercicio.

En la sección de los errores vimos que la fórmula del error relativo porcentual tiene como
parámetro el valor verdadero.

𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜 − 𝑣𝑎𝑙𝑜𝑟 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑜

𝜀𝑡 = 100%
𝑣𝑎𝑙𝑜𝑟 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑜

En este ejercicio también vamos a estimar el error de forma tal que no se necesite el
conocimiento previo del valor verdadero, para eso utilizaremos la siguiente formula:

𝑥𝑟𝑛𝑢𝑒𝑣𝑜 − 𝑥𝑟𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟
𝜀𝑎 = | | 100%
𝑥𝑟𝑛𝑢𝑒𝑣𝑜

Donde 𝑥𝑟𝑛𝑢𝑒𝑣𝑜 es el resultado de la iteración actual y 𝑥𝑟𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 es el valor de la iteración

anterior. Usamos el valor absoluto ya que solo nos importa la magnitud de 𝜀𝑎 sin tener en
cuenta el signo.

Iteración 𝒙𝒍 𝒙𝒖 𝒙𝒓 𝜺𝒂 (%) 𝜺𝒕 (%)

1 -1.8 -1.4 -1.6 7.514

14
 2 -1.8 -1.6 -1.7 5.88 1.73
3 -1.8 -1.7 -1.75 2.85 1.15
4 -1.75 -1.7 -1.725 1.44 0.28

Así, después de 4 iteraciones vemos que 𝜺𝒕 está por debajo de 0,5%, y el cálculo puede
terminar.

Método de la Falsa Posición

Consiste en unir 𝑓 (𝑥𝑙 ) y 𝑓 (𝑥𝑢 ) con una línea recta. La intersección de esta línea con el eje
de las x representa una mejor aproximación de la raíz.

Figura 6: Representación gráfica del método de la falsa posición

Usando triángulos semejantes (sombreados en la figura 6, la fórmula de la intersección

de la línea recta con el eje x es:

𝑓(𝑥𝑙 ) 𝑓(𝑥𝑢 )
=
𝑥𝑟 − 𝑥𝑙 𝑥𝑟 − 𝑥𝑢

Si se despeja 𝑥𝑟 entonces la fórmula de la falsa posición quedaría de la siguiente manera:

𝑓(𝑥𝑢 )(𝑥𝑙 − 𝑥𝑢 )
𝑥𝑟 = 𝑥𝑢 −
𝑓 (𝑥𝑙 ) − 𝑓(𝑥𝑢 )

15
Ejercicio 6: Hallar la raíz de la siguiente función 𝑓 (𝑥 ) = 𝑥 2 − 3 en el intervalo [-1.8, -1.4]
utilizando el método de la falsa posición

1era Iteración

𝑓(𝑥𝑢 )(𝑥𝑙 − 𝑥𝑢 )
𝑥𝑟 = 𝑥𝑢 −
𝑓 (𝑥𝑙 ) − 𝑓(𝑥𝑢 )

(−1.04)((−1.8) − (−1.4))
𝑥𝑟 = (−1.4) −
0.24 − (−1.04)

(−1.04)(−0.4)
𝑥𝑟 = (−1.4) −
1.28

𝑥𝑟 = −1.725

𝑥𝑙 = −1.8 𝑥𝑟 = −1.725 𝑥𝑢 = −1.4

𝑓 (−1.8) = (−1.8)2 − 3 𝑓 (−1.725) = (−1.725)2 − 3 𝑓 (−1.4) = (−1.4)2 − 3
𝑓(−1.8) = 0.24 𝑓 (−1.725) = −0.02 𝑓 (−1.4) = −1.04

La solución sería que la aproximación a la raíz de la función 𝑓 (𝑥 ) = 𝑥 2 − 3 en el intervalo

[-1.8, -1.4] es 𝑥𝑟 = −1.725

Comparando los dos métodos anteriores que hemos visto, podemos decir que el método
de la falsa posición nos entrega una aproximación a la raíz más acertada y con menos
iteraciones.

Ejercicio 7: Hallar la raíz de la siguiente función 𝑓 (𝑥 ) = 𝑥 2 + 2𝑥 − 5 en el intervalo [0, 3]

utilizando el método de la falsa posición

1era Iteración

𝑓(𝑥𝑢 )(𝑥𝑙 − 𝑥𝑢 )
𝑥𝑟 = 𝑥𝑢 −
𝑓 (𝑥𝑙 ) − 𝑓(𝑥𝑢 )

(10)(0 − 3)
𝑥𝑟 = 3 −
−5 − 10

𝑥𝑟 = 1

𝑥𝑙 = 0 𝑥𝑟 = 1 𝑥𝑢 = 3
𝑓 (0) = (0)2 + 2(0) − 5 𝑓 (1) = (1)2 + 2(1) − 5 𝑓 (3) = (3)2 + 2(3) − 5

16
 𝑓 (0) = −5 𝑓 (1) = −2 𝑓 (3) = 10

Observamos que los intervalos que cumplen la condición 𝑓 (𝑥𝑙 ) 𝑓(𝑥𝑢 ) < 0 son 1 y 3

2da Iteración

𝑓(𝑥𝑢 )(𝑥𝑙 − 𝑥𝑢 )
𝑥𝑟 = 𝑥𝑢 −
𝑓 (𝑥𝑙 ) − 𝑓(𝑥𝑢 )

(10)(1 − 3)
𝑥𝑟 = 3 −
−2 − 10

𝑥𝑟 = 1.5

𝑥𝑙 = 1 𝑥𝑟 = 1.5 𝑥𝑢 = 3
𝑓(1) = (1)2 + 2(1) − 5 𝑓 (1.5) = (1.5)2 + 2(1.5) − 5 𝑓 (3) = (3)2 + 2(3) − 5
𝑓 (1) = −2 𝑓 (1.5) = 0.25 𝑓 (3) = 10

Observamos que los intervalos que cumplen la condición 𝑓 (𝑥𝑙 ) 𝑓(𝑥𝑢 ) < 0 son 1 y 1.5

3era Iteración

𝑓(𝑥𝑢 )(𝑥𝑙 − 𝑥𝑢 )
𝑥𝑟 = 𝑥𝑢 −
𝑓 (𝑥𝑙 ) − 𝑓(𝑥𝑢 )

(0.25)(1 − 1.5)
𝑥𝑟 = 1.5 −
−2 − 0.25

𝑥𝑟 = 1.45

𝑥𝑙 = 1 𝑥𝑟 = 1.45 𝑥𝑢 = 1.5
𝑓 (1) = (1)2 + 2(1) − 5 2
𝑓 (1.45) = (1.45) + 2(1.45) − 5 𝑓 (1.5) = (1.5)2 + 2(1.5) − 5
𝑓(1) = −2 𝑓 (1.45) = 0.0025 𝑓 (1.5) = 0.25

La solución sería que la aproximación a la raíz de la función 𝑓 (𝑥 ) = 𝑥 2 + 2𝑥 − 5 en el

intervalo [0, 3] es 𝑥𝑟 = 1.45

17
Estimación de errores de la Falsa Posición

Utilizaremos las mismas fórmulas de errores que en el método de bisección. Aplicaremos

la estimación de errores en los resultados del ejercicio 7, teniendo en cuenta que un valor
verdadero de la raíz de la función es 1.44

Iteración 𝒙𝒍 𝒙𝒖 𝒙𝒓 𝜺𝒂 (%) 𝜺𝒕 (%)

1 0 3 1 30.55
2 1 3 1.5 33.33 4.16
3 1 1.5 1.45 3.44 0.69

Así, después de 3 iteraciones vemos que 𝜺𝒕 tiene un error 0.69%, y el cálculo puede
terminar.

Recuerde que. – El método de la Falsa Posición converge hacia la raíz más rápido que el método
de la Bisección

Métodos Abiertos para obtener raíces de funciones

18
Los métodos abiertos a diferencia de los métodos cerrados, estos solo necesitan un único
punto inicial en x o que empiecen con un par de ellos, pero estos puntos no siempre
encierran a la raíz. Si la raíz está dentro del rango del punto inicial estos métodos
convergen más rápidos que los métodos cerrados. Ocurre a veces que divergen o se
alejan del valor de la raíz verdadera mientras se avanza con el cálculo.

Método de Newton-Raphson

Este es el método tal vez, más utilizado para hallar raíces de las funciones, depende de
un solo punto y converge más rápido que los otros métodos. Se basa en la construcción
de tangentes.

Si el valor inicial para la raíz es 𝑥𝑖 podemos trazar una tangente desde el punto [𝑥𝑖 , 𝑓(𝑥𝑖 )]
de la curva. Por lo general, el punto donde esta tangente cruza al eje x representa una
aproximación mejorada de la raíz.

Figura 7: Representación gráfica del método de Newton-Raphson

Recuerde que. - Si la raíz está dentro del rango del punto inicial los métodos abiertos
convergen más rápidos que los métodos cerrados.

19
De acuerdo a la figura 7, se obtiene la primera derivada en x que es equivalente a la
pendiente:

𝑓 (𝑥𝑖 ) − 0
𝑓 ′(𝑥𝑖 ) =
𝑥𝑖 − 𝑥𝑖+1

Que se modifica para obtener la fórmula de Newton-Raphson

𝑓(𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
𝑓′(𝑥𝑖 )

1
Ejercicio 8: Encontrar la raíz de la siguiente función 𝑓(𝑥 ) = 𝑒 𝑥 − 𝑥

Lo primero que se realiza es graficar la función para tener una idea, por donde puede
estar el valor de la raíz.

1
Figura 8: Gráfica de la función 𝑓 (𝑥 ) = 𝑒 𝑥 −
𝑥

Luego escogemos nuestro punto inicial 𝑥0 = 0.5 porque vemos que la raíz está ubicada
entre 0 y 1 del eje x. Vamos a realizar 4 iteraciones y con esto obtendremos que nuestro
resultado tenga más de un decimal y el error sea lo más pequeño posible.

Identificamos todos los elementos para empezar

1
𝑓 (𝑥 ) = 𝑒 𝑥 −
𝑥

20
 1
𝑓 ′ (𝑥 ) = 𝑒 𝑥 +
𝑥2

𝑥𝑖 = 0.5

1era Iteración: Aplicamos la fórmula y resolvemos

𝑓 (𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
𝑓′(𝑥𝑖 )

𝑓 (𝑥0 )
𝑥0+1 = 𝑥0 −
𝑓′(𝑥0 )

𝑓 (0.5)
𝑥1 = 0.5 −
𝑓′(0.5)

1
𝑓 (0.5) = 𝑒 0.5 − = −0.35
0.5

1
𝑓 ′(0.5) = 𝑒 0.5 + = 5.64
(0.5)2

−0.35
𝑥1 = 0.5 − = 0.56
5.64

Ahora vamos a ver cuál es el error que tenemos cuando hemos obtenido el primer
resultado 𝑥1 = 0.56

𝑥𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑥𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟
𝜀𝑎 = | | 100%
𝑥𝑎𝑐𝑡𝑢𝑎𝑙

0.56 − 0.5
𝜀𝑎 = | | 100% = 10,71%
0.56

El error que obtuvimos en la primera iteración es 10,71%, siendo este muy grande para el
resultado que andamos buscando; así que realizamos la segunda iteración.

𝑓 (𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
𝑓′(𝑥𝑖 )

𝑓 (𝑥1 )
𝑥1+1 = 𝑥1 −
𝑓′(𝑥1 )

𝑓 (0.56)
𝑥2 = 0.56 −
𝑓′(0.56)

21
 1
𝑓 (0.56) = 𝑒 0.56 − = −0.035
0.56

1
𝑓 ′(0.56) = 𝑒 0.56 + = 4.93
(0.56)2

−0.035
𝑥2 = 0.56 − = 0.567
4.93

Ahora vamos a ver cuál es el error que tenemos cuando hemos obtenido el segundo
resultado 𝑥2 = 0.567

𝑥𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑥𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟
𝜀𝑎 = | | 100%
𝑥𝑎𝑐𝑡𝑢𝑎𝑙

0.567 − 0.56
𝜀𝑎 = | | 100% = 1.23%
0.567

El error encontrado es de 1.23% siendo este más pequeño que en la primera iteración.
Realizamos la tercera iteración

𝑓 (𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
𝑓′(𝑥𝑖 )

𝑓 (𝑥2 )
𝑥2+1 = 𝑥2 −
𝑓′(𝑥2 )

𝑓 (0.567)
𝑥3 = 0.567 −
𝑓′(0.567)

1
𝑓 (0.567) = 𝑒 0.567 − = −6.98𝑥10−4
0.567

1
𝑓 ′(0.567) = 𝑒 0.567 + = 4.87
(0.567)2

−6.98𝑥10−4
𝑥3 = 0.567 − = 0.5671
4.87

Ahora vamos a ver cuál es el error que tenemos una vez encontrado el resultado de la
tercera iteración 𝑥3 = 0.5671

𝑥𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑥𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟
𝜀𝑎 = | | 100%
𝑥𝑎𝑐𝑡𝑢𝑎𝑙

22
 0.5671 − 0.567
𝜀𝑎 = | | 100% = 0.017%
0.5671

Con este error nos damos cuenta que este método a cada paso alcanza la convergencia,
porque el error va disminuyendo en cada iteración. En esta iteración si quisiéramos
podríamos parar, pero en el criterio de parada que se estableció en el enunciado de este
ejercicio se indicó que lo haríamos con cuatro iteraciones.

Cuarta iteración

𝑓 (𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
𝑓′(𝑥𝑖 )

𝑓 (𝑥3 )
𝑥3+1 = 𝑥3 −
𝑓′(𝑥3 )

𝑓 (0.5671)
𝑥4 = 0.5671 −
𝑓′(0.5671)

1
𝑓 (0.5671) = 𝑒 0.5671 − = −2.1𝑥10−4
0.5671

1
𝑓 ′(0.5671) = 𝑒 0.5671 + = 4.87
(0.5671)2

−2.1𝑥10−4
𝑥4 = 0.5671 − = 0.56714
4.87

El error para el resultado de la cuarta iteración 𝑥4 = 0.56714 es

𝑥𝑎𝑐𝑡𝑢𝑎𝑙 − 𝑥𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟
𝜀𝑎 = | | 100%
𝑥𝑎𝑐𝑡𝑢𝑎𝑙

0.56714 − 0.5671
𝜀𝑎 = | | 100% = 7.05𝑥10−3 %
0.56714

Ejercicio 9: Calcule la raíz de 𝑓 (𝑥 ) = 𝑒 −𝑥 − 𝑥 empleando el método de Newton-Raphson

con un valor inicial de 𝑥0 = 0.

El primer paso es graficar la función

23
 Figura 9: Gráfica de la función 𝑓(𝑥) = 𝑒−𝑥 − 𝑥

Identificamos los elementos que necesitamos para empezar con el método

𝑥0 = 0

𝑓(𝑥) = 𝑒−𝑥 − 𝑥

𝑓′(𝑥) = −𝑒−𝑥 − 1

𝑓 (𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
𝑓′(𝑥𝑖 )

Empezando con un valor inicial 𝑥0 = 0, se aplica la fórmula iterativa para calcular

Iteraciones 𝒙𝒊 𝒇(𝒙) 𝒇′(𝒙) 𝒙𝒊+𝟏 𝜺𝒂 (%)

1 0 1 -2 0,5
2 0,5 0,10653066 -1,6065307 0,566311 11,709291
3 0,566311 0,00130451 -1,5676155 0,5671432 0,14672871
4 0,5671432 1,9648E-07 -1,5671434 0,5671433 2,2106E-05
5 0,5671433 4,4409E-15 -1,5671433 0,5671433 5,0897E-13

24
Raíces Múltiples

Una raíz múltiple corresponde a un punto donde una función es tangencial al eje x. Por
ejemplo, la función 𝑓 (𝑥 ) = 𝑥 3 − 5𝑥 2 + 7𝑥 − 3 tiene una raíz doble porque un valor de x
hace que dos términos de la ecuación sean iguales a ceros. Ver figura 10.

Figura 10: Gráfica de la función 𝑓(𝑥 ) = 𝑥 3 − 5𝑥 2 + 7𝑥 − 3

Observamos en la figura 10 que la curva en x = 1, toca en forma tangencial al eje x en la

raíz doble. Además, la función toca el eje, pero no la cruza en la raíz.

En el caso de una raíz triple es cuando un valor de x hace que tres términos en una
ecuación sean iguales a cero. Por ejemplo, eso ocurre en la función

𝑓(𝑥 ) = 𝑥 4 − 6𝑥 3 + 12𝑥 2 − 10𝑥 + 3

Recuerde que. - Una función tiene una raíz doble cuando un valor de x hace que dos
términos de la ecuación sean iguales a ceros

25
 Figura 11: Gráfica de la función 𝑓(𝑥 ) = 𝑥 4 − 6𝑥 3 + 12𝑥 2 − 10𝑥 + 3

En la figura 11 se ve otra vez que la función es tangente al eje en la raíz, pero en este
caso sí cruza el eje. En general, la multiplicidad impar de raíces cruza el eje, mientras que
la multiplicidad par no lo cruza.

Para calcular las raíces múltiples de una función se lo puede realizar mediante una forma
alternativa del método de Newton-Raphson:

𝑓 (𝑥𝑖 )𝑓′(𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
[𝑓′(𝑥𝑖 )]2 − 𝑓 (𝑥𝑖 )𝑓′′(𝑥𝑖 )

A continuación, aplicaremos el método estándar y el modificado de Newton-Raphson para

ver la diferencia

Ejercicio 10: Evalúe la raíz múltiple de la siguiente función 𝑓 (𝑥 ) = 𝑥 3 − 5𝑥 2 + 7𝑥 − 3,

aplicando el método estándar de Newton-Raphson, use un valor inicial de 𝑥0 = 0.

La gráfica de la función 𝑓 (𝑥 ) = 𝑥 3 − 5𝑥 2 + 7𝑥 − 3 es la que se muestra en la figura 10.

Identificamos los elementos para iniciar.

𝑥0 = 0

𝑓(𝑥) = 𝑥3 − 5𝑥2 + 7𝑥 − 3

26
 2
𝑓′(𝑥) = 3𝑥 − 10𝑥 + 7

𝑓 (𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
𝑓′(𝑥𝑖 )

Empezando con un valor inicial 𝑥0 = 0, se aplica la fórmula iterativa para calcular

Iteraciones 𝒙𝒊 𝒇(𝒙) 𝒇′(𝒙) 𝒙𝒊+𝟏 𝜺𝒂 (%)

1 0 -3 7 0,4285714
2 0,4285714 -0,8396501 3,26530612 0,6857143 37,5
3 0,6857143 -0,2285948 1,55346939 0,8328654 17,66805473
4 0,8328654 -0,0605367 0,75234032 0,9133299 8,81001414
5 0,9133299 -0,0156745 0,36921555 0,9557833 4,44173904
6 0,9557833 -0,0039967 0,18273218 0,9776551 2,23717017
7 0,9776551 -0,0010097 0,09087748 0,9887662 1,12373042
8 0,9887662 -0,0002538 0,04531393 0,9943674 0,56330014

Hemos visto que el método estándar de Newton-Raphson converge en forma lineal hacia
el valor verdadero.

Ejercicio 11: Evalúe la raíz múltiple de la siguiente función 𝑓 (𝑥 ) = 𝑥 3 − 5𝑥 2 + 7𝑥 − 3,

aplicando el método modificado de Newton-Raphson, use un valor inicial de 𝑥0 = 0.

Identificamos los elementos para iniciar.

𝑥0 = 0

𝑓(𝑥) = 𝑥3 − 5𝑥2 + 7𝑥 − 3

2
𝑓′(𝑥) = 3𝑥 − 10𝑥 + 7

𝑓′′(𝑥) = 6𝑥 − 10

Aplicamos la fórmula modificada

𝑓 (𝑥𝑖 )𝑓′(𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
[𝑓′(𝑥𝑖 )]2 − 𝑓(𝑥𝑖 )𝑓′′(𝑥𝑖 )

27
Empezando con un valor inicial 𝑥0 = 0, se aplica la fórmula iterativa para calcular

Iteraciones 𝒙𝒊 𝒇(𝒙) 𝒇′(𝒙) 𝒇′′(𝒙) 𝒙𝒊+𝟏 𝜺𝒂 (%) 𝜺𝒕 (%)

1 0 -3 7 -10 1,1052632 10,52632
2 1,1052632 -0,0209943 -0,3878116 -3,368421 1,0030817 10,186757 0,308166
3 1,0030817 -1,896E-05 -0,0122982 -3,98151 1,0000024 0,3079275 0,000238

De esta manera, la fórmula modificada converge en forma cuadrática.

Ahora analicemos la diferencia al querer encontrar la raíz de x = 3. Con un valor inicial

𝑥0 = 4

Ejercicio 12:

Evalúe la raíz simple de la siguiente función 𝑓 (𝑥 ) = 𝑥 3 − 5𝑥 2 + 7𝑥 − 3, aplicando el

método estandar de Newton-Raphson, use un valor inicial de 𝑥0 = 4.

Identificamos los elementos para iniciar.

𝑥0 = 0

𝑓(𝑥) = 𝑥3 − 5𝑥2 + 7𝑥 − 3

2
𝑓′(𝑥) = 3𝑥 − 10𝑥 + 7

𝑓 (𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
𝑓′(𝑥𝑖 )

Realizamos las operaciones iterativas y obtendremos lo siguiente

Iteraciones 𝒙𝒊 𝒇(𝒙) 𝒇′(𝒙) 𝒙𝒊+𝟏 𝜺𝒂 (%) 𝜺𝒕 (%)

1 4 9 15 3,4 13,333333
2 3,4 2,304 7,68 3,1 9,6774194 3,3333333
3 3,1 0,441 4,83 3,0086957 3,03468208 0,2898551
4 3,0086957 0,03508572 4,06979206 3,0000746 0,28735990 0,002488
5 3,0000746 0,00029859 4,00059714 3 0,00248784 1,857E-07

28
Ejercicio 13:

Evalúe la raíz simple de la siguiente función 𝑓 (𝑥 ) = 𝑥 3 − 5𝑥 2 + 7𝑥 − 3, aplicando el

método modificado de Newton-Raphson, use un valor inicial de 𝑥0 = 4.

Identificamos los elementos para iniciar.

𝑥0 = 0

𝑓(𝑥) = 𝑥3 − 5𝑥2 + 7𝑥 − 3

2
𝑓′(𝑥) = 3𝑥 − 10𝑥 + 7

𝑓′′(𝑥) = 6𝑥 − 10

Aplicamos la fórmula modificada

𝑓 (𝑥𝑖 )𝑓′(𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
[𝑓′(𝑥𝑖 )]2 − 𝑓(𝑥𝑖 )𝑓′′(𝑥𝑖 )

El resultado quedaría de la siguiente manera:

Iteraciones 𝒙𝒊 𝒇(𝒙) 𝒇′(𝒙) 𝒇′′(𝒙) 𝒙𝒊+𝟏 𝜺𝒂 (%) 𝜺𝒕 (%)

1 4 9 15 14 2,6363636 12,12121
2 2,6363636 -0,973704 1,48760331 5,8181818 2,8202247 6,519377 5,992509
3 2,8202247 -0,5956347 2,65875521 6,9213483 2,9617282 4,7777339 1,275726
4 2,9617282 -0,1472843 3,69821987 7,7703693 2,9984787 1,2256385 0,050709
5 2,9984787 -0,0060759 3,9878367 7,9908723 2,9999977 0,0506321 7,73E-05

De esta forma, deberá notar que, ambos métodos convergen con rapidez, aunque el
método estándar es el más eficiente.

29
Sistemas de ecuaciones no lineales

Hasta ahora hemos visto el cálculo para determinar raíces de una ecuación no lineal. En
esta sección veremos problemas relacionados a obtener las raíces de un conjunto de
ecuaciones simultáneas.

𝑓1 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 0
𝑓2 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 0
. .
. .
𝑓𝑛 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 0

La solución de este sistema consta de un conjunto de valores 𝑥𝑖 que simultáneamente

hacen que todas las ecuaciones sean iguales a cero.

Por ejemplo, las ecuaciones algebraicas y trascendentes no lineales serían como las
siguientes:

𝑥 2 + 𝑥𝑦 = 10
𝑦 + 3𝑥𝑦 2 = 57

Son dos ecuaciones simultáneas no lineales con dos incógnitas, x y y, las cuales se
expresan en la forma:

𝑢(𝑥, 𝑦) = 𝑥 2 + 𝑥𝑦 − 10 = 0
𝑣(𝑥, 𝑦) = 𝑦 + 3𝑥𝑦 2 − 57 = 0

Con esto, la solución serían los valores de x y de y que hacen a las funciones 𝑢(𝑥, 𝑦) y
𝑣(𝑥, 𝑦) iguales a cero. En la mayoría de los casos para resolver estos tipos de problemas
se utilizan los métodos abiertos para resolver ecuaciones simples. Nosotros vamos a ver
el método de Newton-Raphson.

La fórmula que vamos a utilizar para calcular las raíces de dos ecuaciones simultaneas
es la versión del método de Newton-Raphson:

𝑥𝑖+1 = 𝑥𝑖 − 𝐽 (𝑥𝑖 )−1 . 𝐹(𝑥𝑖 )

30
Donde:

𝐹 es la matriz de funciones y 𝐽 es la matriz de derivadas parciales

Ejercicio 14:

Con el método de Newton-Raphson para múltiples ecuaciones determine las raíces.

Observe que un par correcto de raíces es x = 2 y y = 3. Use como valores iniciales x = 1.5
y y = 3.5 con tres iteraciones para aproximar una solución.

𝑥 2 + 𝑥𝑦 = 10
𝑦 + 3𝑥𝑦 2 = 57

Lo primero es igualar las funciones a cero:

𝑥 2 + 𝑥𝑦 − 10 = 0
𝑦 + 3𝑥𝑦 2 − 57 = 0

Identificamos la matriz de las funciones

𝑥 2 + 𝑥𝑦 − 10 = 0
𝐹=[ ]
𝑦 + 3𝑥𝑦 2 − 57 = 0

Para la matriz del jacobiano calculamos las derivadas parciales.

La primera fila de nuestra matriz de funciones va a corresponder a la primera fila de la

matriz del jacobiano, las columnas de la matriz del jacobiano dependerán de cuantas
variables tenga nuestra ecuación, en esta ocasión son dos x y y.

𝜕𝑢𝑖 𝜕𝑢𝑖
𝜕𝑥 𝜕𝑦
𝐽=
𝜕𝑣𝑖 𝜕𝑣𝑖
[ 𝜕𝑥 𝜕𝑦 ]

Calculamos las derivadas parciales con respecto a x.

𝜕𝑢𝑖
= 𝑥 2 + 𝑥𝑦 − 10 = 2𝑥 + 𝑦
𝜕𝑥

𝜕𝑣𝑖
= 𝑦 + 3𝑥𝑦 2 − 57 = 3𝑦 2
𝜕𝑥

Calculamos las derivadas parciales con respecto a y.

31
𝜕𝑢𝑖
= 𝑥 2 + 𝑥𝑦 − 10 = 𝑥
𝜕𝑦

𝜕𝑣𝑖
= 𝑦 + 3𝑥𝑦 2 − 57 = 1 + 6𝑥𝑦
𝜕𝑦

Nuestra matriz de jacobiano quedaría de la siguiente manera

2𝑥 + 𝑦 𝑥
𝐽=[ 2 ]
3𝑦 1 + 6𝑥𝑦

1era Iteración

Una vez listos los elementos iniciales ahora sigue evaluar las matrices con los valores
iniciales

𝑥0 = (1.5, 3.5)

Resolvemos la matriz de jacobiano

2𝑥 + 𝑦 = 2(1.5) + (3.5) = 6.5

𝑥 = 1.5

3𝑦 2 = 3(3.5)2 = 36.75

1 + 6𝑥𝑦 = 1 + 6(1.5)(3.5) = 32.5

6.5 1.5
𝐽=[ ]
36.75 32.5

Resolvemos la matriz de funciones

𝑥 2 + 𝑥𝑦 − 10 = (1.5)2 + (1.5)(3.5) − 10 = −2.5

𝑦 + 3𝑥𝑦 2 − 57 = (3.5) + 3(1.5)(3.5)2 − 57 = 1.625

−2.5
𝐹=[ ]
1.625

Aplicamos la fórmula

𝑥1 = 𝑥0 − 𝐽(𝑥0 )−1 . 𝐹 (𝑥0 )

6.5 1.5 −1 −2.5 −0.5360

[ ] . [ ]=[ ]
36.75 32.5 1.625 0.6561

32
 1.5 −0.5360
𝑥1 = [ ]−[ ]
3.5 0.6561

2.036
𝑥1 = [ ]
2.8439

Con la primera iteración hemos encontrado nuestras primeras aproximaciones a las

raíces reales.

2da Iteración

𝑥1 = (2.036, 2.8439)

Resolvemos la matriz de jacobiano

2𝑥 + 𝑦 = 2(2.036) + (2.8439) = 6.9159

𝑥 = 2.036

3𝑦 2 = 3(2.8439)2 = 24.2633

1 + 6𝑥𝑦 = 1 + 6(2.036)(2.8439) = 35.7410

6.9159 2.036
𝐽=[ ]
24.2633 35.7410

Resolvemos la matriz de funciones

𝑥 2 + 𝑥𝑦 − 10 = (2.036)2 + (2.036)(2.8439) − 10 = −0.0645

𝑦 + 3𝑥𝑦 2 − 57 = (2.8439) + 3(2.036)(2.8439)2 − 57 = −4.7560

−0.0645
𝐹=[ ]
−4.7560

Aplicamos la fórmula

𝑥2 = 𝑥1 − 𝐽(𝑥1 )−1 . 𝐹 (𝑥1 )

6.9159 2.036 −1 −0.0645 0.037

[ ] . [ ]=[ ]
24.2633 35.7410 −4.7560 −0.1583

2.036 0.037
𝑥2 = [ ]−[ ]
2.8439 −0.1583

1.999
𝑥2 = [ ]
3.0022

33
3era Iteración

𝑥2 = (1.999, 3.0022)

Resolvemos la matriz de jacobiano

2𝑥 + 𝑦 = 2(1.999) + (3.0022) = 7.0062

𝑥 = 1.999

3𝑦 2 = 3(3.0022)2 = 27.0396

1 + 6𝑥𝑦 = 1 + 6(1.999)(3.0022) = 37.0083

7.0062 1.999
𝐽=[ ]
27.0396 37.0083

Resolvemos la matriz de funciones

𝑥 2 + 𝑥𝑦 − 10 = (1.999)2 + (1.999)(3.0022) − 10 = −0.0026

𝑦 + 3𝑥𝑦 2 − 57 = (3.0022) + 3(1.999)(3.0022)2 − 57 = 0.0543

−0.0026
𝐹=[ ]
0.0543

Aplicamos la fórmula

𝑥3 = 𝑥1 − 𝐽(𝑥1 )−1 . 𝐹 (𝑥1 )

7.0062 1.999 −1 −0.0026 −0.0009

[ ] . [ ]=[ ]
27.0396 37.0083 0.0543 0.0021

1.999 −0.0009
𝑥3 = [ ]−[ ]
3.0022 0.0021

1.9999
𝑥3 = [ ]
3.0001

En la tercera iteración tenemos nuestros resultados con más aproximaciones a los

valores de las raíces verdaderas.

34
Ejercicios Propuestos

1. Determine las raíces reales de 𝑓 (𝑥 ) = −0.5𝑥 2 + 2.5𝑥 + 4.5:

a. Gráficamente
b. Usando el método de bisección con tres iteraciones para determinar la raíz
más grande. Use los valores iniciales 𝑥𝑙 = 5 y 𝑥𝑢 = 10

2. Determine las raíces reales de 𝑓 (𝑥 ) = 5𝑥 3 − 5𝑥 2 + 6𝑥 − 2:

a. Gráficamente
b. Usando el método de bisección con tres iteraciones para determinar la raíz
más pequeña. Use los valores iniciales 𝑥𝑙 = 0 y 𝑥𝑢 = 1 iterando hasta que el
error estimado 𝜀𝑎 se encuentre debajo de 𝜀𝑠 = 10%

3. Calcule las raíces reales de 𝑓(𝑥 ) = −12 − 21𝑥 + 18𝑥 2 − 2.75𝑥 3 :

a. Gráficamente
b. Usando el método de la falsa posición con un valor 𝜀𝑠 correspondiente a tres
cifras significativas para determinar la raíz pequeña.

4. Determine la raíz real más grande de 𝑓 (𝑥 ) = 2𝑥 3 − 11.7𝑥 2 + 17.7𝑥 − 5

a. En forma gráfica
b. Con el método de Newton-Raphson (tres iteraciones, 𝑥0 = 3, 𝛿 = 0.001)

5. Determine la raíz real empleando el método de Newton-Raphson

Función: 𝑓 (𝑥 ) = 𝑥 3 − 5𝑥 + 1
Valor inicial: 𝑥0 = 0
Tolerancia: 0.001

35
 Organización de la lectura por semana
Semanas Páginas
Semana 1 Página 1 -13
Semana 2 Página 14 - 19
Semana 3 Página 20 - 27
Semana 4 Página 28 - 40

Resultado de aprendizaje de la asignatura

Aplicar el Cálculo Numérico a problemas profesionales, relacionados con las

problemáticas de ingenierías, de preservación del medio ambiente, o la investigación
científica mediante el uso de software matemáticos en modelos específicos para dar
solución a los distintos casos de estudios de la profesión.

MÉTODOS NUMÉRICOS

2
Unidad 2. Sistemas de ecuaciones lineales

Resultado de aprendizaje de la unidad: Aplicar los métodos numéricos a la solución de

sistemas de ecuaciones lineales que surgen como resultado de problemáticas de
ingeniería, auxiliados de software matemáticos.

Introducción

En esta unidad analizaremos las ecuaciones algebraicas lineales simultáneas que en

general se representan como:

donde las a son los coeficientes constantes y las b son los términos independientes
constantes.

Estas ecuaciones por lo general van a tener las siguientes características:

- El número de ecuaciones va a ser igual al número de incógnitas, es decir, si hay

dos ecuaciones entonces vamos a tener dos incógnitas, esto es una gran ventaja
a la hora de trabajar con matrices.
- Otra característica es que los coeficientes de las variables son escalares
- Son ecuaciones lineales, es decir que vamos a encontrar x, y, z, ente otros, siempre
elevados a la uno, aquí no encontraremos 𝑥 2 , 𝑦 2 , ln 𝑥.

Para resolver estos sistemas de ecuaciones lineales lo podemos hacer por el método
gráfico en donde la solución es la intersección de las rectas de las ecuaciones, pero hay
una desventaja, que solo podemos hacer el gráfico hasta tres dimensiones.

3
También podemos resolverlos a través de las soluciones algebraicas como el método de
la sustitución, igualación, reducción, el método de Cramer, entre otros. Pero estos
procedimientos se van haciendo más tediosos a medida que van aumentando las
ecuaciones.

En esta unidad veremos los métodos matriciales o métodos exactos de solución y los
métodos iterativos.

Métodos exactos de solución

Estos cálculos se caracterizan porque tenemos que trabajar con una matriz. Los métodos
exactos de solución que veremos a continuación son los de Gauss, Transformaciones LU
y Matriz Inversa.

Reducción de Gauss simple

El método de Gauss consiste en realizar sobre el sistema dado de ecuaciones una

sucesión de transformaciones que, sin afectar la solución, conduzcan a un sistema
especialmente simple, el cual es resuelto de inmediato.

El método está ideado para resolver un sistema general de n ecuaciones:

(1.a)
(1.b)

(1.c)

El método de Gauss consta de dos fases, llamadas Eliminación hacía delante de

incógnitas y su solución mediante sustitución hacía atrás

4
Eliminación hacia adelante de incógnitas. La primera fase consiste en reducir el
conjunto de ecuaciones a un sistema triangular superior. El paso inicial será eliminar la
primera incógnita, 𝑥1 , desde la segunda hasta la n-ésima ecuación. Para ello, se multiplica
𝑎21
la ecuación (1.a) por para obtener:
𝑎11

Ahora, esta ecuación se resta de la ecuación (1.b) para dar

donde el superíndice prima indica que los elementos han cambiado sus valores originales.

El procedimiento se repite después con las ecuaciones restantes. Por ejemplo, la

𝑎31
ecuación (1.a) se puede multiplicar por y el resultado se resta de la tercera ecuación.
𝑎11
Por último, el sistema se habrá transformado en un sistema triangular superior

(2.a)

Sustitución hacía atrás. De la última ecuación (2.a) se puede obtener la incógnita 𝑥𝑛

conocida, se sustituye en la penúltima ecuación y se obtiene 𝑥𝑛−1 , hasta llegar a la primera
ecuación, de la cual se halla 𝑥1

5
 Figura 1: Las dos fases de la eliminación de Gauss

Ejercicio 1: Resolver por el método de Gauss el siguiente sistema de ecuaciones:

3𝑥 + 2𝑦 − 2𝑧 = 0
{ 2𝑥 − 𝑦 + 3𝑧 = 9
𝑥 + 4𝑦 + 2𝑧 = −4

Primero construimos la matriz aumentada:

3 2 −2 0
( 2 −1 3 | 9 )
1 4 2 −4

Recuerde que. – La Matriz Triangular Superior: es aquella en la que todos los elementos
situados por debajo de la diagonal principal son nulos

Lo siguiente es trabajar con la primera columna para eliminar el elemento que está en la
posición 𝑎21

6
 𝑎21 2
F21 = =
𝑎11 3

Multiplicamos F21 por la fila 1.

2 4 4
(3 2 −2 | 0) = (2 − 3 | 0)
3 3
4 4
Restamos a la segunda fila con el resultado encontrado anteriormente (2 − 3 | 0)
3

El siguiente paso es eliminar el elemento que está en la posición 𝑎31

𝑎31 1
F31 = =
𝑎11 3

Multiplicamos F31 por la fila 1.

1 2 2
(3 2 −2 | 0) = (2 − 3 | 0)
3 3

2 2
Restamos la tercera fila el resultado encontrado anteriormente (2 − 3 | 0)
3

Hasta este punto obtenemos la siguiente matriz

Aplicamos el mismo procedimiento para trabajar en la segunda columna pero está vez
eliminaremos el elemento ubicado en la posición 𝑎′′32 , usando la fila dos como pivote.

7
 10
𝑎′′32 10
F32 = = 3 =−
𝑎′22 7 7
−3

Multiplicamos F32 por la fila dos (𝑎′ )

10 90
− (0 − 7 13 | 9) = (0 10 − 130 | − 7 )
7 3 3 3 21

10 130 90
Restamos a la tercera fila (𝑎′′ ) el resultado hallado (0 3
− 21
|− )
7

Con el último paso que hicimos podemos generar nuestra matriz triangular superior

32 −2 0
7 13
0 −3 3 | 9
62 62
( 0 0 7 )
7

Para obtener el resultado del sistema haremos la sustitución hacía atrás

Resolvemos la ecuación para la z

62 62
𝑧=
7 7

𝑧=1

Resolvemos la ecuación para la y

7 13
− 𝑦+ 𝑧=9
3 3

7 13
− 𝑦+ (1) = 9
3 3

8
𝑦=2

Resolvemos la ecuación para la x

3𝑥 + 2𝑦 − 2𝑧 = 0

3𝑥 + 2(−2) − 2(1) = 0

𝑥=2

La solución para el sistema de ecuación es: 𝑥 = 2; 𝑦 = −2; 𝑧 = 1

Ejercicio 2: Emplee la eliminación de Gauss para resolver

Efectúe el cálculo con seis cifras significativas.

Aplicamos los mismos pasos que en el ejercicio 1, en donde primeros realizamos la

eliminación hacía adelante.

El resultado después de trabajar en la primera columna sería:

Para completar la eliminación hacía adelante, trabajamos con la segunda columna;

obteniendo así nuestra matriz triangular superior

Ahora se pueden resolver estas ecuaciones por sustitución hacia atrás. En primer lugar
encontramos el resultado de 𝑥3

10.0200𝑥3 = 70.0843

9
Este resultado se sustituye para encontrar 𝑥2

Por último sustituimos los resultados de 𝑥2 y 𝑥3 en la primera ecuación para hallar 𝑥1

La solución sería: 𝑥1 = 3.00000; 𝑥2 = −2.50000; 𝑥3 = 7.00003

Reducción de Gauss con pivote parcial

El método de Gauss simple que vimos en el tema anterior se puede aplicar a muchos
sistemas de ecuaciones, pero existe un problema cuando un elemento pivote es cercano
a cero más aún que sea exactamente igual a cero, debido a que, si la magnitud del
elemento pivote es pequeña comparada con los otros elementos, entonces se pueden
introducir errores de redondeo.

Por ejemplo, en el siguiente sistema de ecuación

si utilizamos el método de Gauss simple; en la normalización de la primera columna habrá

una división para entre 𝑎11 = 0

10
El método de Gauss con pivote parcial soluciona el problema del método anterior,
haciendo un ordenamiento de las filas para evitar que el cero quede en el denominador

Ejercicio 3: Emplee el método de Gauss con pivote parcial para hallar la solución del
siguiente sistema de ecuaciones:

2𝑥1 + 𝑥2 + 𝑥3 = 5
{ 4𝑥1 − 6𝑥2 = −2
−2𝑥1 + 7𝑥2 + 2𝑥3 = 9

Primero construimos la matriz aumentada:

2 1 1 5
( 4 −6 0 |−2 )
−2 7 2 9

Luego evaluamos la primera columna y escogemos el número con el mayor valor absoluto
y cambiamos de orden las filas.

Determinamos que el mayor número absoluto es el 4 e intercambiamos las filas 𝐹2 ↔ 𝐹1

y la matriz modificada nos quedaría:

4 −6 0 −2
( 2 1 1| 5 )
−2 7 2 9

El siguiente paso es ejecutar Gauss Simple en la matriz modificada.

Trabajamos en la primera columna para eliminar el elemento que está en la posición 𝑎21
de la matriz modificada

𝑎21 2 1
F21 = = =
𝑎11 4 2

Multiplicamos F21 por la fila 1.

1
( 4 −6 0 |−2 ) = ( 2 −3 0 |−1 )
2

Restamos a la segunda fila el resultado encontrado anteriormente ( 2 −3 0 |−1 )

11
𝑎′
 (2 1 1 | 5 )
( 2 −3 0 |−1 )
(0 4 1 | 6)

El siguiente paso es eliminar el elemento que está en la posición 𝑎31

𝑎31 −2 1
F31 = = =−
𝑎11 4 2

Multiplicamos F31 por la fila 1.

1
− (4 −6 0 |−2) = (−2 3 0 | 1)
2

Restamos la tercera fila el resultado encontrado anteriormente (−2 3 0 | 1)

(2 7 2 | 9 )
( −2 3 0 | 1 )
(0 4 2 | 8) 𝑎′′

Hasta este punto obtenemos la siguiente matriz modificada

4 −6 0 −2 𝑎
( 0 4 1| 6 ) 𝑎′
0 4 2 8 𝑎′′

Ahora repetimos el proceso que hicimos con la primera columna, pero esta vez lo
aplicamos en la columna dos sin tomar en consideración la fila uno es decir que solo
vamos a tomar los siguientes valores para comparar (encerrados en marco rojo).

4 −6 0 −2
( 0 4 1| 6 )
0 4 2 8

Evaluamos la columna dos y seleccionamos el número con el mayor valor absoluto. En

este caso nos encontramos que son iguales los valores, aquí ya no hacemos ningún
intercambio de filas y continuamos con el método de Gauss Simple.

Eliminamos el elemento ubicado en la posición 𝑎′′32 , usando la fila dos como pivote.

𝑎′′32 4
F32 = = =1
𝑎′22 4

12
Multiplicamos F32 por la fila dos (𝑎′ )

1 (0 4 1 | 6) = (0 4 1 | 6)

Restamos a la tercera fila (𝑎′′ ) el resultado hallado (0 4 1 | 6)

(0 4 2 | 8 )
(0 4 1| 6)
(0 0 1| 2)

Con este nuevo resultado ya podemos generar nuestra nueva matriz modificada

4 −6 0 −2
( 0 4 1| 6 )
0 0 1 2

Para obtener el resultado del sistema haremos la sustitución hacía atrás

Resolvemos la ecuación para 𝑥3

𝑥3 = 2

Resolvemos la ecuación para 𝑥2

4𝑥2 + 𝑥3 = 6

4𝑥2 + 2 = 6

𝑥2 = 1

Resolvemos la ecuación para la 𝑥1

4𝑥1 − 6𝑥2 = 6

4(1) − 6(1) = 6

𝑥1 = 1

La solución para el sistema de ecuación es: 𝑥1 = 1; 𝑥2 = 1; 𝑥3 = 2

Transformación LU
Hemos visto que para resolver un sistema de ecuaciones lineales creamos un sistema
matricial, en donde: [𝐴]{𝑋} = {𝐵}, en [𝐴] van a estar los coeficientes y {𝐵} van a estar las
constantes, entonces la transformación LU consiste en la descomposición de la matriz [𝐴]
13
en dos matrices, en donde L es una matriz triangular inferior y U es una matriz triangular
superior.

Los pasos para solucionar [𝐴]{𝑋} = {𝐵}, aplicado la descomposición LU son los siguientes

1. Paso de descomposición LU. [𝐴] se factoriza o “descompone” en las matrices

triangulares inferior [𝐿] y superior [𝑈].
2. Paso de sustitución. [𝐿] y [𝑈] se usan para determinar una solución {𝑋} para un
lado derecho {𝐵}. Este paso, a su vez, se divide en dos. Primero, la ecuación [𝐿]{𝐷 }
= {𝐵} se usa para generar un vector intermedio {𝐷 } mediante sustitución hacia
adelante. Después, el resultado se sustituye en la ecuación [𝐿]{𝑋} – {𝐷 } = 0, la que
se resuelve por sustitución hacia atrás para {𝑋}.

Figura 2: Pasos en la descomposición LU

Ejercicio 4: Hallar x teniendo A y B empleando la descomposición LU

2 −3 1 3
𝐴 = [−4 9 2 ] 𝐵=[ 4 ]
6 −12 −2 −2

Realizamos en primer lugar el procedimiento para encontrar la matriz U que equivale a la

matriz triangular superior, lo haremos aplicando la Reducción de Gauss

14
 2 −3 1
𝐴 = [−4 9 2]
6 −12 −2

𝑎21 −4
F21 = = = −2
𝑎11 2

Multiplicamos F21 por la fila 1.

−2 (2 −3 1) = (−4 6 −2)

Restamos a la segunda fila el resultado encontrado anteriormente (−4 6 −2)

(−4 9 2)
(−4 6 −2)

(0 3 4) 𝑎′

El siguiente paso es eliminar el elemento que está en la posición 𝑎31

𝑎31 6
F31 = = =3
𝑎11 2

Multiplicamos F31 por la fila 1.

3 (2 −3 1) = (6 −9 3)

Restamos la tercera fila el resultado encontrado anteriormente (6 −9 3)

(6 −12 −2)
(6 −9 3)

(0 −3 −5) 𝑎′′

Hasta este punto obtenemos la siguiente matriz modificada

2 −3 1 𝑎
[0 3 4] 𝑎′
0 −3 −5 𝑎′′

Aplicamos el mismo procedimiento para trabajar en la segunda columna pero está vez
eliminaremos el elemento ubicado en la posición 𝑎′′32 , usando la fila dos de la nueva
matriz modificada.

15
 𝑎′′32 −3
F32 = = = −1
𝑎′22 3

Multiplicamos F32 por la fila dos (𝑎′ )

−1(0 3 4) = (0 −3 −4)

Restamos a la tercera fila (𝑎′′ ) el resultado hallado (0 −3 −4)

(0 −3 −5)
(0 −3 −4)

(0 0 −1)

Con este resultado hemos encontrado la matriz U

2 −3 1
𝑈 = [0 3 4]
0 0 −1

El siguiente paso es resolver la matriz L, en donde:

1 0 0
𝐿 = [𝐹21 1 0]
𝐹31 𝐹32 1

En nuestra matriz L, solo reemplazamos los valores encontrados anteriormente en la

reducción de Gauss para 𝐹21 , 𝐹31 y 𝐹32

1 0 0
𝐿 = [−2 1 0]
3 −1 1

Recuerde que. – La Matriz Triangular Inferior: es aquella en la que todos los elementos situados
por encima de la diagonal principal son nulos

Resolvemos [𝐿]{𝐷 } = {𝐵} mediante la sustitución hacía adelante

1 0 0 𝑑1 3
[−2 1 0] {𝑑2 } = [ 4 ]
3 −1 1 𝑑3 −2

Podemos observar que tenemos un sistema de ecuaciones lineales

𝑑1 = 3
{ −2𝑑1 + 𝑑2 = 4
3𝑑1 − 𝑑2 + 𝑑3 = −2

16
Reemplazamos las variables para encontrar el resultado

Resolvemos la primera ecuación para 𝑑1

𝑑1 = 3

Resolvemos la segunda ecuación para 𝑑2

−2𝑑1 + 𝑑2 = 4

𝑑2 = 4 + 2(3)

𝑑2 = 10

Resolvemos la tercera ecuación para 𝑑3

3𝑑1 − 𝑑2 + 𝑑3 = −2

𝑑3 = −2 − 3(3) + 10

𝑑3 = −1

Por lo tanto, nuestro vector D quedaría de la siguiente forma:

𝑑1 3
𝐷 = {𝑑2 } = [ 10 ]
𝑑3 −1

El siguiente paso es resolver [𝑈]{𝑋} = {𝐷 } mediante la sustitución hacía atrás.

2 −3 1 𝑥1 3
[0 3 4 ] {𝑥2 } = [ 10 ]
0 0 −1 𝑥3 −1

El sistema de ecuación lineal quedaría

2𝑥1 − 3𝑥2 + 𝑥3 = 3
{ 3𝑥2 + 4𝑥3 = 4
−𝑥3 = −1

Resolvemos la ecuación para 𝑥3

𝑥3 = 1

Resolvemos la ecuación para 𝑥2

3𝑥2 + 4𝑥3 = 4

17
3𝑥2 + 4(1) = 4

𝑥2 = 2

Resolvemos la ecuación para 𝑥1

2𝑥1 − 3𝑥2 + 𝑥3 = 3

2𝑥1 − 3(2) + 1 = 3

𝑥1 = 4

La solución para el sistema de ecuación es: 𝑥1 = 4; 𝑥2 = 2; 𝑥3 = 1

Ejercicio 5: Obtenga una descomposición LU basándose en la reducción de Gauss que

se realizó en el ejercicio 2.

En el ejercicio 2 se resolvió la matriz

Después de la eliminación adelante, se obtuvo la siguiente matriz triangular superior:

𝐹21 , 𝐹31 y 𝐹32 encontrados para solucionar la matriz triangular superior fueron:

0.1
𝐹21 = = 0.0333333
3

0.3
𝐹31 = = 0.100000
3

−0.19
𝐹32 = = −0.0271300
7.00333

Así la matriz triangular inferior es

18
En la fase de eliminación hacia atrás del método de eliminación convencional de Gauss
dio como resultado

El resultado para la fase de la sustitución hacia adelante

Resolvemos sustituyendo cada variable en nuestro sistema de ecuación lineal

Resolvemos la primera ecuación para 𝑑1

𝑑1 = 7.85

Resolvemos la segunda ecuación para 𝑑2

Resolvemos la tercera ecuación para 𝑑3

Por lo tanto, nuestro vector D quedaría de la siguiente forma:

19
Este resultado se sustituye, entonces, en la ecuación, [𝑈]{𝑋} = {𝐷 }, para obtener

que se resuelve por sustitución hacia atrás para obtener la solución final

La Matriz Inversa
La definición de matriz Inversa es que si una matriz [𝐴] es cuadrada, existe otra matriz
[𝐴]−1 , para la cual:

[𝐴][𝐴]−1 = [𝐴]−1 [𝐴] = 𝐼

𝐼 : Es la matriz unidad, canónica o identidad, en la que todos los elementos de la diagonal

principal son iguales a 1, por ejemplo:

1 0 0
𝐼 = 𝐼3𝑥3 = 0 1 0]
[
0 0 1

Para realizar el cálculo de la matriz inversa lo haremos junto a la descomposición LU. La

inversa se puede calcular en forma de columna por columna, generando soluciones con
vectores unitarios como las constantes del lado derecho.

Por ejemplo: si estamos resolviendo un sistema en donde sus coeficientes forman una
matriz de 3x3, las constantes del lado derecho sería el vector unitario:

1
{𝑏} = {0}
0

La solución resultante será la primera columna de la matriz inversa ya que el vector

unitario tiene un número 1 en la primera posición.

20
De manera similar si aplicáramos un vector unitario en el lado derecho de las constantes
en donde el número 1 estuviera en la segunda posición:

0
{𝑏} = {1}
0

El resultado sería la segunda columna de la matriz inversa.

Ejercicio 6: Emplee la descomposición LU para determinar la matriz inversa del sistema

del ejercicio 4

2 −3 1
[
𝐴 = −4 9 2]
6 −12 −2

Las matrices resultantes L y U fueron las siguientes

2 −3 1 1 0 0
𝑈 = [0 3 4] 𝐿 = [−2 1 0]
0 0 −1 3 −1 1

El primer paso es hallar la primera columna de la matriz inversa. Realizamos la sustitución

hacia adelante colocando el vector unitario (con el número 1 en la primera posición) como
el vector de las constantes del lado derecho.

1 0 0 𝑑1 1
[−2 1 0] { 𝑑 2 } = [ 0]
3 −1 1 𝑑3 0

Resolvemos la primera ecuación para 𝑑1

𝑑1 = 1

Resolvemos la segunda ecuación para 𝑑2

−2𝑑1 + 𝑑2 = 0

𝑑2 = 0 + 2(1)

𝑑2 = 2

Resolvemos la tercera ecuación para 𝑑3

3𝑑1 − 𝑑2 + 𝑑3 = 0

21
𝑑3 = 0 − 3(1) + 2

𝑑3 = −1

Por sustitución hacia adelante se obtiene

1
{𝐷 } = [ 2 ]
−1

El vector {𝐷 } se utiliza como el lado derecho de la ecuación U o en la matriz triangular

superior y aplicamos la sustitución hacia atrás.

2 −3 1 𝑥1 1
[0 3 𝑥
4 ] { 2} = [ 2 ]
0 0 −1 𝑥3 −1

Resolvemos la ecuación para 𝑥3

𝑥3 = 1

Resolvemos la ecuación para 𝑥2

3𝑥2 + 4𝑥3 = 2

3𝑥2 + 4(1) = 2

𝑥2 = −0.6667

Resolvemos la ecuación para 𝑥1

2𝑥1 − 3𝑥2 + 𝑥3 = 1

2𝑥1 − 3(−0.6667) + 1 = 1

𝑥1 = −1

El resultado que se obtiene es la primera columna de la matriz inversa

−1 0 0
[𝐴]−1 = [−0.6667 0 0]
1 0 0

Para encontrar la segunda columna de la matriz inversa repetimos todo el proceso anterior
pero esta vez usaremos al vector unitario en donde el número 1 está en la segunda
posición.

22
 1 0 0 𝑑1 0
[−2 1 0] {𝑑2 } = [1]
3 −1 1 𝑑3 0

Resolvemos la primera ecuación para 𝑑1

𝑑1 = 0

Resolvemos la segunda ecuación para 𝑑2

−2𝑑1 + 𝑑2 = 1

𝑑2 = 1 + 2(0)

𝑑2 = 1

Resolvemos la tercera ecuación para 𝑑3

3𝑑1 − 𝑑2 + 𝑑3 = 0

𝑑3 = 0 − 3(0) + 1

𝑑3 = 1

Por sustitución hacia adelante se obtiene

0
{𝐷 } = [1]
1

El vector {𝐷 } se utiliza como el lado derecho de la ecuación U o en la matriz triangular

superior y aplicamos la sustitución hacia atrás.

2 −3 1 𝑥1 0
[0 3 4 ] {𝑥2 } = [1]
0 0 −1 𝑥3 1

Resolvemos la ecuación para 𝑥3

𝑥3 = −1

Resolvemos la ecuación para 𝑥2

3𝑥2 + 4𝑥3 = 1

3𝑥2 + 4(−1) = 1

𝑥2 = 1.6667

23
Resolvemos la ecuación para 𝑥1

2𝑥1 − 3𝑥2 + 𝑥3 = 0

2𝑥1 − 3(1.6667) − 1 = 0

𝑥1 = 3

El resultado que se obtiene es la segunda columna de la matriz inversa

−1 3 0
[𝐴]−1 = [−0.6667 1.6667 0]
1 −1 0

En la resolución para hallar la tercera columna de la matriz inversa, usaremos al vector

unitario en donde el número 1 está en la tercera posición.

1 0 0 𝑑1 0
[−2 1 0] {𝑑2 } = [0]
3 −1 1 𝑑3 1

Resolvemos la primera ecuación para 𝑑1

𝑑1 = 0

Resolvemos la segunda ecuación para 𝑑2

−2𝑑1 + 𝑑2 = 0

𝑑2 = 0 + 2(0)

𝑑2 = 0

Resolvemos la tercera ecuación para 𝑑3

3𝑑1 − 𝑑2 + 𝑑3 = 1

𝑑3 = 1 − 3(0) − 0

𝑑3 = 1

Por sustitución hacia adelante se obtiene

0
{𝐷 } = [0]
1

24
El vector {𝐷 } se utiliza como el lado derecho de la ecuación U o en la matriz triangular
superior y aplicamos la sustitución hacia atrás.

2 −3 1 𝑥1 0
[0 3 𝑥
4 ] { 2 } = [0]
0 0 −1 𝑥3 1

Resolvemos la ecuación para 𝑥3

𝑥3 = −1

Resolvemos la ecuación para 𝑥2

3𝑥2 + 4𝑥3 = 0

3𝑥2 + 4(−1) = 0

𝑥2 = 1.3333

Resolvemos la ecuación para 𝑥1

2𝑥1 − 3𝑥2 + 𝑥3 = 1

2𝑥1 − 3(1.3333) − 1 = 1

𝑥1 = 2.50

El resultado que se obtiene es la tercera columna de la matriz inversa

−1 3 2.50
[𝐴]−1 = [−0.6667 1.6667 1.3333]
1 −1 −1

La comprobación de este resultado se lo hace al verificar que [𝐴][𝐴]−1 = [𝐼 ]

Recuerde que. – La matriz unidad, canónica o identidad, es en la que todos los elementos de la
diagonal principal son iguales a 1

Ejercicio 7: Emplee la descomposición LU para determinar la matriz inversa del sistema

del ejercicio 5.

25
Las matrices triangulares inferior y superior (L y U) que se resolvieron fueron las siguientes

Encontramos la primera columna de la matriz inversa, con un vector unitario en donde el

número 1 está en la primera posición.

De donde por sustitución hacia adelante se obtiene

1
{𝐷 } = [−0.03333]
−0.1009

Este vector se utiliza como el lado derecho del sistema diagonal superior

De donde por sustitución hacia atrás de obtiene la primera columna de la matriz inversa

Para determinar la segunda columna, la ecuación se fórmula como

26
Se obtiene {𝐷 }, y los resultados se usan en la ecuación del sistema triangular superior
para determinar la segunda columna de la matriz inversa

Por último, los procedimientos de sustitución hacia adelante y de sustitución hacia atrás
pueden usarse con el vector unitario en donde el número 1 está ubicado en la tercera
posición, para obtener la columna final de la matriz inversa.

La validez de este resultado se comprueba al verificar que [𝐴][𝐴]−1 = [𝐼 ]

Métodos Iterativos de solución

27
Estos métodos son parecidos a las técnicas que vimos en la unidad 1 para encontrar
raíces de una sola ecuación. Partimos de un punto inicial es decir suponemos inicialmente
como van a ser las variables y usamos una fórmula de recurrencia, esta fórmula de
recurrencia varía según el método que estemos implementando, unos se actualizan en
cada paso y otros dentro del paso se van actualizando.

Los métodos más conocidos son el de Gauss-Seidel y Jacobi.

Método de Jacobi
Es un método iterativo en donde las incógnitas se actualiza en cada iteración.

Sea Ax=b un sistema de ecuaciones algebraicas:

(2.b)

Si aplicamos el método de Jacobi para resolver el sistema de ecuaciones algebraicas se

haría de la siguiente manera

El primer paso es arrancar con unos valores iniciales:

𝑥0 = [𝑥10 , 𝑥20 , 𝑥30 , … , 𝑥𝑛0 ]

Teniendo en cuenta que el cero que está en 𝑥10 no es potencia, está indicando la iteración

El siguiente paso es, de cada ecuación (2.b) despejar una variable:

Despejamos 𝑥1 de la primera ecuación

(𝑖+1) 𝑏1 − 𝑎12 𝑥2𝑖 − 𝑎13 𝑥3𝑖 − ⋯ − 𝑎1𝑛 𝑥𝑛𝑖

𝑥1 =
𝑎11

Despejamos 𝑥2 de la segunda ecuación

28
 (𝑖+1) 𝑏2 − 𝑎21 𝑥1𝑖 − 𝑎23 𝑥3𝑖 − ⋯ − 𝑎2𝑛 𝑥𝑛𝑖
𝑥2 =
𝑎22

(𝑖+1)
Así se sigue despejando hasta 𝑥𝑛 . En cada iteración usamos los resultados obtenidos
(𝑖+1)
en 𝑥𝑛 para seguir despejando las ecuaciones hasta encontrar la solución del sistema.

Además, este método implementa la diagonal dominante para la matriz de coeficiente

del sistema de ecuaciones, en donde:

|𝑎𝑖𝑖 | > ∑|𝑎𝑖𝑗 | (3.b)

Esta condición (3.b) debe de cumplirse para asegurar la convergencia del método. Si
existiera elementos nulos en la diagonal principal, una reordenación de los renglones o
columnas de la matriz pueden resolver este problema.

Por lo tanto, se puede demostrar que este método converge siempre que cada elemento
diagonal sea, en valor absoluto, mayor que la suma del resto de los elementos de la
misma fila, también en valor absoluto.

Ejercicio 8: Resuelva el siguiente sistema de ecuaciones por el método de Jacobi

10𝑥1 + 𝑥2 + 2𝑥3 = 3
{ 4𝑥1 + 6𝑥2 − 𝑥3 = 9
−2𝑥1 + 3𝑥2 + 8𝑥3 = 51

Primero verificamos si el sistema cumple con la condición de la matriz dominante.

Creamos la matriz de coeficientes

10 1 2
𝐴 = [ 4 6 −1]
−2 3 8

Verificamos con la fórmula |𝑎𝑖𝑖 | > ∑|𝑎𝑖𝑗 |

Fila 1 = 10 > |1| + |2| = 10 > 3

Fila 2 = 6 > |4| + |−1| = 6 > 5

Fila 3 = 8 > |3| + |−2| = 8 > 3

Las filas de este sistema de ecuación cumplen con el criterio de la diagonal dominante y
por lo tanto se puede aplicar el método sin necesidad de alterar el orden de las filas.

29
Definimos las ecuaciones despejadas para cada variable con las que vamos a trabajar
durante las iteraciones

3 − 𝑥2 − 2𝑥3
𝑥1 =
10

9 − 4𝑥1 + 𝑥3
𝑥2 =
6

51 + 2𝑥1 − 3𝑥2
𝑥3 =
8

Si en el enunciado del ejercicio no nos indican los puntos iniciales, utilizamos el vector de
los puntos triviales que serían 𝑥 0 = [0, 0, 0] es decir,

𝑥10 = 0, 𝑥20 = 0, 𝑥30 = 0

1era Iteración

𝑥10 = 0, 𝑥20 = 0, 𝑥30 = 0

3 − 𝑥2 − 2𝑥3
𝑥10+1 =
10

3 − 0 − 2(0)
𝑥11 = = 0.30
10

9 − 4𝑥1 + 𝑥3
𝑥20+1 =
6

9 − 4(0) + 0
𝑥21 = = 1.50
6

51 − 2𝑥1 − 3𝑥2
𝑥30+1 =
8

51 + 2(0) − 3(0)
𝑥31 = = 6.375
8

Al final de la 1era iteración:

𝑥1 = 0.30, 𝑥2 = 1.50, 𝑥3 = 6.375

2da Iteración

𝑥11 = 0.30, 𝑥21 = 1.50, 𝑥31 = 6.375

30
 3 − 𝑥2 − 2𝑥3
𝑥11+1 =
10

3 − 1.50 − 2(6.375)
𝑥12 = = −1.125
10

9 − 4𝑥1 + 𝑥3
𝑥21+1 =
6

9 − 4(0.30) + 6.375
𝑥22 = = 2.363
6

51 + 2𝑥1 − 3𝑥2
𝑥31+1 =
8

51 + 2(0.30) − 3(1.50)
𝑥32 = = 5.888
8

Al final de la 2da iteración:

𝑥1 = −1.125, 𝑥2 = 2.363, 𝑥3 = 5.888

Siguiendo en igual forma las iteraciones resultan

𝒊 𝒙𝟏 𝒙𝟐 𝒙𝟑
0 0 0 0
1 0,300 1,500 6,375
2 -1,125 2,363 5,888
3 -1,114 3,231 5,208
4 -1,065 3,110 4,885
5 -0,988 3,024 4,942
6 -0,991 2,982 4,994
7 -0,997 2,993 5,009
8 -1,001 3,000 5,003
9 -1,001 3,001 5,000
10 -1,000 3,000 4,999
11 -1,000 3,000 5,000
12 -1,000 3,000 5,000
13 -1,000 3,000 5,000

La solución del sistema es 𝑥1 = −1.00, 𝑥2 = 3.00, 𝑥3 = 5.00

31
Ejercicio 9: Resuelva el siguiente sistema por el método de Jacobi

4𝑥1 − 𝑥2 = 1
−𝑥 + 4𝑥2 − 𝑥3 = 1
{ 1
−𝑥2 + 4𝑥3 − 𝑥4 = 1
−𝑥3 + 4𝑥4 = 1

Comprobamos si el sistema cumple con la condición de la matriz dominante. Creamos la

matriz de coeficientes

4 −1 0 0
−1 4 −1 0
𝐴=[ ]
0 −1 4 −1
0 0 −1 4

Verificamos con la fórmula |𝑎𝑖𝑖 | > ∑|𝑎𝑖𝑗 |

Fila 1 = 4 > |−1| + |0| + |0| = 4 > 1

Fila 2 = 4 > |−1| + |−1| + |0| = 4 > 2

Fila 3 = 4 > |0| + |−1| + |−1| = 4 > 2

Fila 4 = 4 > |0| + |0| + |−1| = 4 > 1

Despejamos cada una de las ecuaciones:

𝑥2 + 1
𝑥1 =
4

𝑥1 + 𝑥3 + 1
𝑥2 =
4

𝑥2 + 𝑥4 + 1
𝑥3 =
4

𝑥3 + 1
𝑥4 =
4

Establecemos el vector inicial 𝑥 0 = [0, 0, 0] que se utiliza cuando no se tiene una

aproximación inicial.

El siguiente paso es iniciar con el proceso de las iteraciones y el resultado es:

32
 𝒊 𝒙𝟏 𝒙𝟐 𝒙𝟑 𝒙𝟒
0 0 0 0 0
1 0,2500 0,2500 0,2500 0,2500
2 0,3125 0,3750 0,3750 0,3125
3 0,3438 0,4219 0,4219 0,3438
4 0,3555 0,4414 0,4414 0,3555
5 0,3604 0,4492 0,4492 0,3604
6 0,3623 0,4524 0,4524 0,3623
7 0,3631 0,4537 0,4537 0,3631
8 0,3634 0,4542 0,4542 0,3634
9 0,3635 0,4544 0,4544 0,3635
10 0,3636 0,4545 0,4545 0,3636

La solución del sistema es 𝑥1 = 0.3636, 𝑥2 = 0.4545, 𝑥3 = 0.4545, 𝑥4 = 0.3636

El método de Jacobi presentado se usa muy poco en la práctica. Esto se debe a que el
método de Gauss-Seidel que veremos a continuación, siempre converge cuando el de
Jacobi no lo hace, y en general converge más rápidamente que el método de Jacobi.

Método de Gauss-Seidel
Este método es en general idéntico al de Jacobi; la diferencia consiste en que una vez
(𝑖+1)
que se calcula la componente 𝑥𝑘 , se usa inmediatamente en la misma iteración.

Así las fórmulas de iteraciones para el método de Gauss-Seidel serían:

(𝑖+1) 𝑏1 − 𝑎12 𝑥2𝑖 − 𝑎13 𝑥3𝑖 − ⋯ − 𝑎1𝑛 𝑥𝑛𝑖

𝑥1 =
𝑎11

(𝑖+1)
(𝑖+1) 𝑏2 − 𝑎21 𝑥1 − 𝑎23 𝑥3𝑖 − ⋯ − 𝑎2𝑛 𝑥𝑛𝑖
𝑥2 =
𝑎22

(𝑖+1) (𝑖+1)
(𝑖+1) 𝑏3 − 𝑎31 𝑥1 − 𝑎32 𝑥2 − ⋯ − 𝑎3𝑛 𝑥𝑛𝑖
𝑥3 =
𝑎33

Vemos que en la misma iteración las variables se van actualizando haciendo una
dependencia en cada fórmula a diferencia del método de Jacobi en la que cada fórmula
se aplica de manera independiente.

Ejercicio 10: Resuelva el siguiente sistema de ecuaciones por el método de Gauss-

Seidel

33
 10𝑥1 + 𝑥2 + 2𝑥3 = 3
{ 4𝑥1 + 6𝑥2 − 𝑥3 = 9
−2𝑥1 + 3𝑥2 + 8𝑥3 = 51

Definimos las ecuaciones despejadas para cada variable con las que vamos a trabajar
durante las iteraciones

3 − 𝑥20 − 2𝑥30
𝑥1𝑖+1 =
10

9 − 4𝑥1𝑖+1 + 𝑥30
𝑥2𝑖+1 =
6

51 + 2𝑥1𝑖+1 − 3𝑥2𝑖+1
𝑥3𝑖+1 =
8

Si en el enunciado del ejercicio no nos indican los puntos iniciales, utilizamos el vector de
los puntos triviales que serían 𝑥 0 = [0, 0, 0] es decir,

𝑥10 = 0, 𝑥20 = 0, 𝑥30 = 0

1era Iteración

𝑥10 = 0, 𝑥20 = 0, 𝑥30 = 0

3 − 𝑥20 − 2𝑥30
𝑥10+1 =
10

3 − 0 − 2(0)
𝑥11 = = 0.30
10

9 − 4𝑥11 + 𝑥30
𝑥20+1 =
6

9 − 4(0.30) + 0
𝑥21 = = 1.30
6

51 + 2𝑥11 − 3𝑥21
𝑥30+1 =
8

51 + 2(0.30) − 3(1.30)
𝑥31 = = 5.963
8

Al final de la 1era iteración:

𝑥1 = 0.30, 𝑥2 = 1.30, 𝑥3 = 5.963

34
2da Iteración

𝑥11 = 0.30, 𝑥21 = 1.30, 𝑥31 = 5.963

3 − 𝑥21 − 2
𝑥11+1 =
10

3 − 1.30 − 2(5.963)
𝑥12 = = −1.023
10

9 − 4𝑥12 + 𝑥31
𝑥21+1 =
6

9 − 4(−1.023) + 5.963
𝑥22 = = 3.175
6

51 + 2𝑥12 − 3𝑥22
𝑥31+1 =
8

51 + 2(−1.023) − 3(3.175)
𝑥32 = = 4.929
8

Al final de la 2da iteración:

𝑥1 = −1.023, 𝑥2 = 3.175, 𝑥3 = 4.929

Siguiendo en igual forma las iteraciones resultan:

𝒊 𝒙𝟏 𝒙𝟐 𝒙𝟑
0 0 0 0
1 0,300 1,300 5,963
2 -1,023 3,175 4,929
3 -1,003 2,990 5,003
4 -1,000 3,000 5,000
5 -1,000 3,000 5,000

Recuerde que. – El método de Gauss-Seidel en general converge más rápidamente que el

método de Jacobi.

La solución del sistema es 𝑥1 = −1, 𝑥2 = 3, 𝑥3 = 5

Obsérvese que con este método se ha llegado a la solución del sistema en cinco
iteraciones, mientras que con el de Jacobi se llegaba a la solución hasta con trece
iteraciones como vimos en el ejercicio 8.

35
Ejercicio 11: Resuelva el siguiente sistema de ecuaciones por el método de Gauss-Seidel

4𝑥1 − 𝑥2 = 1
−𝑥 + 4𝑥2 − 𝑥3 = 1
{ 1
−𝑥2 + 4𝑥3 − 𝑥4 = 1
−𝑥3 + 4𝑥4 = 1

Despejamos cada una de las ecuaciones de acuerdo a la fórmula de Gauss-Seidel:

𝑥20 + 1
𝑥1𝑖+1 =
4

𝑥1𝑖+1 + 𝑥30 + 1
𝑥2𝑖+1 =
4

𝑥2𝑖+1 + 𝑥40 + 1
𝑥3𝑖+1 =
4

𝑥3𝑖+1 + 1
𝑥4𝑖+1 =
4

Establecemos el vector inicial 𝑥 0 = [0, 0, 0] que se utiliza cuando no se tiene una

aproximación inicial.

El siguiente paso es iniciar con el proceso de las iteraciones y el resultado es:

𝒊 𝒙𝟏 𝒙𝟐 𝒙𝟑 𝒙𝟒
0 0 0 0 0
1 0,2500 0,3125 0,3281 0,3320
2 0,3281 0,4141 0,4365 0,3591
3 0,3535 0,4475 0,4517 0,3629
4 0,3619 0,4534 0,4541 0,3635
5 0,3633 0,4544 0,4545 0,3636
6 0,3636 0,4545 0,4545 0,3636

La solución del sistema es 𝑥1 = 0.3636, 𝑥2 = 0.4545, 𝑥3 = 0.4545, 𝑥4 = 0.3636

36
Con este resultado comprobamos que el método de Gauss-Seidel converge más rápido
que el método de Jacobi. En el ejercicio 11 se hicieron seis iteraciones mientras que en
el ejercicio 9 se hicieron diez iteraciones para encontrar la solución del sistema.

Ejercicios Propuestos

37
1. Dada las ecuaciones siguientes
10𝑥 + 2𝑦 − 𝑧 = 27
−3𝑥 − 6𝑦 + 2𝑧 = −61.5
𝑥 + 𝑦 + 5𝑧 = −21.5

a. Resuelva por reducción de Gauss simple.

b. Sustituya los resultados en las ecuaciones originales a fin de comprobar sus
respuestas

2. Use la reducción de Gauss para resolver el siguiente sistema:

8𝑥 + 2𝑦 − 2𝑧 = −2
10𝑥 + 2𝑦 + 4𝑧 = 4
12𝑥 + 2𝑦 + 2𝑧 = 6

3. Dado el siguiente sistema de ecuaciones

8𝑥 + 4𝑦 − 𝑧 = 11
−2𝑥 + 5𝑦 + 𝑧 = 4
2𝑥 − 𝑦 + 6𝑧 = 7

a. Resuelva el sistema por medio de la descomposición 𝐿𝑈

b. Determine la matriz inversa. Compruebe sus resultados por medio de verificar
que [𝐴][𝐴]−1 = [𝐼 ]

4. Emplee el método de Gauss-Seidel para resolver el sistema siguiente

10𝑥 + 2𝑦 − 𝑧 = 27
−3𝑥 − 6𝑦 + 2𝑧 = −61.5
𝑥 + 𝑦 + 5𝑧 = −21.5

Herramientas & Software de la asignatura

38
Uno de los programas que será útil en esta asignatura es MatLab, a continuación, se
muestra el enlace del sitio web oficial

• [Link]

Los métodos numéricos desarrollados en esta asignatura se pueden realizar en

cualquier versión de MatLab

El siguiente enlace les llevará a un pequeño tutorial para comenzar con MatLab
aplicados a los Métodos Numéricos

• [Link]

Enlace para descargar el software MatLab en la versión 2020

• [Link]

Además de MatLab se pueden utilizar otros recursos, como es el caso de Geogebra

online para graficar las funciones y entender el tipo de función con el que estamos
trabajando.

• [Link]

Google Colaboratory

• [Link]

Bibliografía

García Hernádez Kincaid, Cheney. (2011). Métodos numéricos y computación.

39
Vázquez L., Jiménez S, Aguirre C, & Pacual P. Métodos numéricos para la física y la
ingeniería.

Nieves, A., & Hurtado, F. (2014). Métodos numéricos aplicados a la ingeniería.

Steven C. Chapra, R. P. C. (2015). Métodos Numéricos para Ingenieros.

40
 Organización de la lectura por semana
Semanas Páginas
Semana 1 Página 1 -12
Semana 2 Página 13 - 27
Semana 3 Página 28 - 36
Semana 4 Página 37 - 46

Resultado de aprendizaje de la asignatura

Aplicar el Cálculo Numérico a problemas profesionales, relacionados con las

problemáticas de ingenierías, de preservación del medio ambiente, o la investigación
científica mediante el uso de software matemáticos en modelos específicos para dar
solución a los distintos casos de estudios de la profesión.

MÉTODOS NUMÉRICOS

2
Unidad 3. Modelos de interpolación y de regresión

Resultado de aprendizaje de la unidad: Aplicar los métodos numéricos a la obtención

de modelos de interpolación o regresión para interpretar los resultados obtenidos por la
recopilación de datos empíricos almacenados en tablas, auxiliados por software
matemáticos.

Introducción

Los temas tratados en esta unidad son muy importantes para cualquier ciencia exacta o
incluso para las ciencias sociales ya que muchas veces se tienen datos de dos variables.

Por ejemplo, podríamos tener datos de presión y de temperatura, pero estos datos no son
continuos, sino que son discretos para cada valor de presión corresponde un valor de
temperatura.

Pero qué sucede si queremos obtener la temperatura en un punto intermedio para el cual
no tengo un valor de temperatura específico, pues para esto se utiliza la interpolación
utilizando un polinomio de interpolación adecuado podríamos estimar la temperatura que
tendría para cierta presión.

Algo que es muy importante cuando uno está interpolando es obtener información
confiable y de donde se obtiene, pueden ser de libros, artículos o bien puede ser de sitios
web serias.

Los datos que se utilicen para realizar el proceso de interpolación también deben de tener
una baja incertidumbre en caso de que estos datos tuvieran una alta incertidumbre lo que
puede indicar que se tuvo un error al momento de medir no se utilizaría la interpolación,
sino que se utilizaría una regresión lineal por mínimos cuadrados que esto lo veremos
más adelante.

3
Interpolación

La interpolación no es más que a partir de una serie de puntos dados o conocidos obtener
una función que generalmente esta función es polinomial que pase por cada uno de los
puntos en el plano.

Por ejemplo, en la figura 1 tenemos unos puntos aleatorios que aparecen de color azul en
un plano 𝑥 y 𝑦 donde 𝑥 es la variable independiente y 𝑦 es la variable dependiente y vamos
a suponer que para estos puntos obtenemos un polinomio de interpolación (curva de color
rojo) y podemos ver que el polinomio pasa exactamente por todos los puntos. No sólo
pasa cerca de los puntos, sino que pasa sobre los puntos.

Figura 1: Plano con puntos aleatorios

Para qué es importante o por qué es necesario realizar este proceso de interpolación o
de obtener un polinomio que se adapte o que pase por todos los puntos. La interpolación
es necesaria para estimar valores de la variable dependiente en este caso estimar valores
para 𝑦.

Ahora vamos a nombrar a la curva que aparece en color rojo que es el polinomio de
interpolación cómo 𝑓(𝑥), es decir una función cualquiera que en este caso es una función
polinomial que desconocemos aún que depende de la variable independiente que en este
caso es 𝑥.

Si conociéramos la función polinomial o la función que describe la curva de color rojo

podríamos estimar valores entre los puntos. Por ejemplo, si quisiéramos la estimación de
𝑦 para el punto 𝑥𝑛 entonces podría utilizar la función polinomial o el polinomio de

4
interpolación para saber qué valor tiene 𝑦, representado con el punto de color negro en la
figura 2.

De igual para cualquier otra posición por ejemplo que ahora 𝑥𝑛 este en otra posición se
podría utilizar para estimar el valor de la variable dependiente o igual en cualquier otra
posición podría utilizarlo para estimar la interpolación.

𝑓(𝑥)

𝑥𝑛 𝑥𝑛 𝑥
Figura 2: Puntos en el plano para encontrar y

La función o las funciones que se utilizan para interpolar son polinomios, puede ser un
polinomio lineal como por ejemplo 𝑓 (𝑥 ) = 𝑎1 𝑥 + 𝑎0 , en donde hay que conocer primero el
valor de 𝑎1 y de 𝑎0 . Puede ser también un polinomio cuadrático donde se tenga 𝑓 (𝑥 ) =
𝑎2 𝑥 2 + 𝑎1 𝑥 + 𝑎0 o también puede ser cúbico puede ser a la cuarta, a la quinta y así
sucesivamente.

Ahora veremos qué orden debe tener el polinomio que estamos utilizando para que pase
por todos los puntos que tenemos o que estamos contemplando.

En la figura 3 hay un plano x en el cual vamos a localizar únicamente a dos puntos. Está
claro que cuando tenemos únicamente dos puntos el polinomio que vamos a utilizar debe
de ser un polinomio lineal. En este caso tendríamos 𝑓 (𝑥 ) = 𝑎1 𝑥 + 𝑎0 .

Ahora vamos a establecer una nomenclatura donde 𝑛 es el número de puntos que en este
caso es 2 y 𝑚 es igual al orden del polinomio que en este caso es de 1 porque es el
exponente que está afectando a la variable independiente que es 𝑥.

5
 Figura 3: polinomio lineal Figura 4: polinomio cuadrático

En la figura 4 encontramos tres puntos en el plano, estamos de acuerdo que un polinomio

lineal no va a pasar por los tres puntos sino que ahora requerimos un polinomio cuadrático
en donde la función sería 𝑓 (𝑥 ) = 𝑎2 𝑥 2 + 𝑎1 𝑥 + 𝑎0 .

Tenemos 3 puntos por lo que 𝑛 = 3 y el orden de este polinomio es 2 porque es el

exponente mayor que afecta a la variable independiente por lo que 𝑚 = 2

Si comparamos estos resultados que acabamos de obtener con los anteriores podemos
tener una relación muy importante que nos permite generalizar de esta manera:

Que para un punto 𝑛 donde 𝑛 puede ser cualquier valor positivo y entero es decir, es el
número de puntos, se tiene un orden del polinomio 𝑚 que va a pasar por cada uno de
esos puntos 𝑚 = 𝑛 − 1.

Por ejemplo, si tenemos 𝑛 = 99 es decir, tenemos 99 puntos y el orden del polinomio que
pasará por cada uno de estos puntos va a ser de orden 98 en este caso 𝑚 = 𝑛 − 1. Si
tenemos un número de puntos igual a 10 entonces deberemos utilizar un polinomio de
orden 9 para que pase por cada uno de estos puntos

No es recomendable utilizar polinomios de un orden superior. Lo recomendable es utilizar

polinomios de segundo o de tercer orden es decir utilizar polinomios cuadráticos o utilizar
polinomios cúbicos.

Recuerde que. – La interpolación lineal o de primer orden conecta a dos puntos, la cuadrática
o de segundo orden conecta a tres puntos y la cúbica conecta a cuatro puntos en el plano.

6
Interpolación Lineal

La interpolación lineal es una de las formas más simple de interpolación y consiste en unir
dos puntos con una línea recta. La fórmula es la siguiente:

𝑓 (𝑥1 ) − 𝑓 (𝑥0 )
𝑓1 (𝑥 ) = 𝑓 (𝑥0 ) + (𝑥 − 𝑥0 )
𝑥1 − 𝑥0

En la figura 5 se observa que esta fórmula se obtiene de los triángulos semejantes que
son las áreas sombradas en la figura 5

Figura 5: gráfica de la interpolación lineal

En general, cuanto menor sea el intervalo entre los datos, mejor será la aproximación.
Esto se debe al hecho de que, conforme el intervalo disminuye, una función continua
estará mejor aproximada por una línea recta.

Ejercicio 1: En la siguiente tabla de valores que representa la temperatura de ebullición

de la acetona a diferentes presiones. Calcule la temperatura de ebullición de la acetona a
2 atm de presión.

7
La tabla anterior la podemos colocar de la siguiente forma para entenderla mejor:

𝑷(𝒂𝒕𝒎) 𝑻(°𝑪)
𝒙 𝒇(𝒙)
1 56.5
5 113.0
20 181.0
40 214.5

Nos están pidiendo que encontremos la temperatura de ebullición de la acetona cuando

la presión es equivalente a 2 atm. En primer lugar, observamos que el valor de 2 si está
dentro del rango de los valores conocidos que tenemos hasta ahora.

Escogemos el intervalo más pequeño para tener una mejor aproximación al valor real,
estos intervalos son 𝑥0 = 1 y 𝑥1 = 5.

Ahora reemplazamos los datos en la fórmula:

𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑓1 (𝑥 ) = 𝑓 (𝑥0 ) + (𝑥 − 𝑥0 )
𝑥1 − 𝑥0

113 − 56.5
𝑓1 (𝑥 ) = 56.5 + (2 − 1)
5−1

𝑓1 (𝑥 ) = 70.6

Cuando la presión es de 2 atm se obtiene una temperatura de 70.6 °C. A este proceso se
le conoce como interpolación. En la figura 6 se representa la gráfica del proceso realizado

8
 Figura 6: Interpolación gráfica de la temperatura de ebullición de la acetona a 2 atm

Interpolación Cuadrática
Aplicaremos el siguiente ejercicio 2 para solucionar el mismo problema del ejercicio 1,
pero esta vez lo haremos con tres puntos iniciales y aplicaremos la función del polinomio
cuadrático.

Ejercicio 2: Calcule la temperatura de ebullición de la acetona a 2 atm de presión, dado

los siguientes valores.

𝑷(𝒂𝒕𝒎) 𝑻(°𝑪)
𝒙 𝒇(𝒙)
1 56.5
5 113.0
20 181.0

Para resolver este ejercicio aplicaremos la función 𝑓 (𝑥 ) = 𝑎2 𝑥 2 + 𝑎1 𝑥 + 𝑎0 por cada valor

conocido así:

56.5 = 𝑎2 12 + 𝑎1 1 + 𝑎0

113 = 𝑎2 52 + 𝑎1 5 + 𝑎0

181 = 𝑎2 202 + 𝑎1 20 + 𝑎0

9
El sistema de ecuaciones resultaría:

𝑎2 + 𝑎1 + 𝑎0 = 56.5
{ 25𝑎2 + 5𝑎1 + 𝑎0 = 113
400𝑎2 + 20𝑎1 + 𝑎0 = 181

Resolvemos el sistema y el resultado sería:

𝑎0 = 39.85, 𝑎1 = 17.15, 𝑎2 = −0.5048

De tal modo que la ecuación polinomial queda

𝑓2 (𝑥 ) = −0.5048𝑥 2 + 17.15𝑥 + 39.85

y puede emplearse para aproximar algún valor de la temperatura correspondiente a un

valor de presión. Por ejemplo, si x = 2 atm, entonces

𝑓2 (2) = −0.5048(2)2 + 17.15(2) + 39.85 = 72.1 °𝐶

La aproximación a la temperatura “correcta” es obviamente mejor en este caso.

Obsérvese que ahora se ha aproximado la función desconocida [𝑇 = 𝑓 (𝑃)] con un
polinomio de segundo grado (parábola) que pasa por los tres puntos más cercanos al
valor buscado. Ver figura 7.

Figura 7: Interpolación gráfica con tres puntos

10
Interpolación Potencial
En general, si se desea aproximar una función con un polinomio de grado 𝑛, se necesitan
𝑛 + 1 puntos, que sustituidos en la ecuación polinomial de grado 𝑛 generan un sistema
de 𝑛 + 1 ecuaciones lineales en las incógnitas 𝑎𝑖 , 𝑖 = 0, 1, 2 … , 𝑛.

𝑓𝑛 (𝑥 ) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛

Así como vimos en la interpolación cuadrática a partir del polinomio interpolante y

mediante evaluaciones 𝑓 (𝑥𝑖 ) = 𝑦𝑖 obtenemos el sistema de ecuaciones lineales, donde:

𝑥1𝑛 𝑥1𝑛−1 ⋯ 1
𝑥2𝑛 𝑥2𝑛−1 ⋯ 1 𝑎1 𝑦1
𝐺= ⋮ ⋮ ⋯ ⋮ 𝑎=[ ⋮ ] 𝑦=[ ⋮ ]
𝑥𝑛𝑛 𝑥𝑛𝑛−1
⋯ 1 𝑎𝑛+1 𝑦𝑛+1
𝑛 𝑛−1
[𝑥𝑛+1 𝑥𝑛+1 ⋯ 1]

Vea que en el método de solución lo importante es buscar el valor de los coeficientes del
polinomio interpolador, los valores de (x, y) si los conocemos se llega al planteamiento de
un sistema de ecuaciones lineales que debemos resolver.

Ejercicio 3: Dado el conjunto de datos 𝑥 = [0 1 2 3 4 5]; 𝑦 = [15,10,9,6,2,0]. Obtenga el

polinomio de interpolación e interpole 𝑓(𝑥) para cada valor: 𝑓(2.5); 𝑓(3.8); 𝑓(0.3); 𝑓(4.4)

Para resolver este ejercicio emplearemos el método directo de la matriz inversa usando
el software MatLab, aplicaremos el comando inv(G)*y.

Identificamos la respectiva matriz de coeficientes del sistema, el vector a y el vector y.

0 0 0 0 0 1 𝑎0 15
1 1 1 1 1 1 𝑎1 10
32 16 8 4 2 1 𝑎2 9
243 81 27 9 3 1 𝑎3 = 6
1024 256 64 16 4 1 𝑎4 2
[3125 625 125 25 5 1] [𝑎5 ] [ 0 ]

Para realizar el cálculo ingresamos los siguientes comandos en MatLab

>> G=[0 0 0 0 0 1;1 1 1 1 1 1;32 16 8 4 2 1;243 81 27 9 3 1;1024 256 64

16 4 1;3125 625 125 25 5 1];
>> y=[15;10;9;6;2;0];
>> a=inv(G)*y

11
 a =

-0.0417
0.7083
-4.2083
10.2917
-11.7500
15.0000

Así el polinomio interpolador es:

P(x)=-0.0417x5 + 0.7083x4 -4.2083x3 + 10.2917x2 -11.7500x + 15.0000

Ahora para encontrar los resultados de la interpolación escribimos los siguientes

comandos en MatLab y además la graficaremos.

>> G=[0 0 0 0 0 1;1 1 1 1 1 1;32 16 8 4 2 1;243 81 27 9 3 1;1024 256 64

16 4 1;3125 625 125 25 5 1];
>> y=[15;10;9;6;2;0];
>> a=inv(G)*y
a =
-0.0417
0.7083
-4.2083
10.2917
-11.7500
15.0000
>> x1=0:0.1:5;
>> y1=polyval(a,x1);
>> plot(x1,y1,'o');grid on
>> polyval(a,[ ,[2.5,3.8,0.3,4.4]])
ans =
7.7930 2.7245 12.2933 0.8390

12
Los resultados de la interpolación son:

𝑓 (2.5) = 7.7930; 𝑓 (3.8) = 2.7245; 𝑓 (0.3) = 12.2933; 𝑓 (4.4) = 0.8390

El gráfico en el plano del polinomio es:

Figura 8: Gráfica del polinomio:

P(x)=-0.0417x5 + 0.7083x4 -4.2083x3 + 10.2917x2 -11.7500x + 15.0000

Polinomios de Lagrange
En la figura 9 encontramos dos puntos en el plano (puntos de color rojo) el primer punto
está localizado en la posición (𝑥1 , 𝑦1 ) y el segundo punto está localizado en (𝑥2 , 𝑦2 ), estos
dos puntos son puntos conocidos que pueden tener cualquier valor en 𝑥 y 𝑦.

Como vimos en la introducción de interpolación tenemos un número de puntos conocidos

𝑛 = 2; por lo que el orden del polinomio al cual le llamamos 𝑚 = 2 − 1 es un polinomio de
orden 1. Este es un polinomio lineal que en la manera estándar está definido por 𝑓 (𝑥 ) =
𝑎1 𝑥 + 𝑎0

Sin embargo, en esta ocasión nosotros no vamos a utilizar la forma estándar, sino que
vamos a utilizar la forma de los polinomios de Lagrange.

13
 𝑦2

𝑦1

𝑥1 𝑥 𝑥2

Figura 9: Gráfico de interpolación lineal

Ahora nosotros queremos interpolar para el punto de color negro que se muestra en la
figura 9 y este punto se encuentra en una posición 𝑥 y una posición 𝑦. Entonces cuál sería
el polinomio de primer orden de Lagrange

𝑓 (𝑥 ) = 𝑦 = 𝑎1 (𝑥 − 𝑥2 ) + 𝑎2 (𝑥 − 𝑥1 ) (1.a)

Esta es la forma que vamos a utilizar cuando tenemos únicamente dos puntos, ahora
analicemos un poco esta función. Con esta función (1.a) vamos a poder estimar un valor
de 𝑓 (𝑥 ) o bien un valor de 𝑦 de acuerdo a un valor de 𝑥 que es el argumento de la función
y que lo podemos encontrar dentro de la función.

El valor de 𝑥 lo conocemos ya que es el valor para el cual queremos interpolar, también

conocemos 𝑥2 ya que es el valor de 𝑥 para el punto 2 y también conocemos 𝑥1 ya que es
el valor de 𝑥 del punto 1 y lo que desconocemos son los coeficientes que serían 𝑎1 y 𝑎2 .
Para encontrar los valores de 𝑎1 y 𝑎2 es simplemente sustituir los datos o los puntos que
sí conocemos que son (𝑥1 , 𝑦1 ) y (𝑥2 , 𝑦2 ).

Vamos a comenzar por el primero que es (𝑥1 , 𝑦1 ) y lo vamos a sustituir en el polinomio

de primer orden de Lagrange es decir:

𝑓 (𝑥1 ) = 𝑦1 = 𝑎1 (𝑥1 − 𝑥2 ) + 𝑎2 (𝑥1 − 𝑥1 )

De esto podemos observar fácilmente que este término 𝑎2 (𝑥1 − 𝑥1 ) es igual a cero por lo
que nos quedaría:

14
 𝑦1
𝑎1 =
𝑥1 − 𝑥2

Ahora solamente nos falta calcular el coeficiente 𝑎2 , utilizando el segundo punto que está
en una posición (𝑥2 , 𝑦2 ) lo sustituimos en el polinomio de primer orden de Lagrange

𝑓 (𝑥2 ) = 𝑦2 = 𝑎1 (𝑥2 − 𝑥2 ) + 𝑎2 (𝑥2 − 𝑥1 )

Si analizamos en esta ocasión el término 𝑎1 (𝑥2 − 𝑥2 ) se convierte a cero.

De esta manera podemos obtener:

𝑦2
𝑎2 =
𝑥2 − 𝑥1

Una vez que ya conocemos los dos coeficientes los sustituimos en la ecuación (1.a).

𝑦1 𝑦2
𝑓 (𝑥 ) = (𝑥 − 𝑥2 ) + (𝑥 − 𝑥1 )
𝑥1 − 𝑥2 𝑥2 − 𝑥1

Ahora vamos a reacomodar la función por lo que vamos a tener:

𝑥 − 𝑥2 𝑥 − 𝑥1
𝑓 (𝑥 ) = 𝑦1 + 𝑦 (2.a)
𝑥1 − 𝑥2 𝑥2 − 𝑥1 2

De esta manera acabamos de encontrar el polinomio de Lagrange de primer orden que

nos funcionaría cuando tenemos únicamente 2 puntos.

Cuando tenemos tres puntos conocidos requerimos un polinomio de segundo orden para
que pase por cada uno de estos puntos. Usaremos el polinomio cuadrático de Lagrange
que es:

𝑓 (𝑥 ) = 𝑦 = 𝑎1 (𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) + 𝑎2 (𝑥 − 𝑥1 )(𝑥 − 𝑥3 ) + 𝑎3 (𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) (3.a)

Así mismo como hicimos en el polinomio de primer grado para encontrar los valores de
los coeficientes de la siguiente manera:

𝑦1 𝑦2 𝑦3
𝑎1 = 𝑎2 = 𝑎3 =
(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 ) (𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 ) (𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 )

Reemplazamos las fórmulas de los coeficientes en la función (3.a) y nos quedaría así:

(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) (𝑥 − 𝑥1 )(𝑥 − 𝑥3 ) (𝑥 − 𝑥1 )(𝑥 − 𝑥2 )

𝑓 (𝑥 ) = 𝑦1 + 𝑦2 + 𝑦 (4.a)
(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 ) (𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 ) (𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 ) 3

15
Basándonos en la función (4.a) podemos extrapolar para obtener polinomios de un orden
superior.

Por ejemplo, cómo quedaría un polinomio de Lagrange de orden 3. Para empezar,

tendríamos cuatro puntos por lo que tendríamos cuatro términos o la suma de cuatro
términos.

(𝑥 − 𝑥2 )(𝑥 − 𝑥3 )(𝑥 − 𝑥4 ) (𝑥 − 𝑥1 )(𝑥 − 𝑥3 )(𝑥 − 𝑥4 )

𝑓 (𝑥 ) = 𝑦1 + 𝑦
(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 )(𝑥1 − 𝑥4 ) (𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 )(𝑥2 − 𝑥4 ) 2
(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥4 ) (𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 )
+ 𝑦3 + 𝑦
(𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 )(𝑥3 − 𝑥4 ) (𝑥4 − 𝑥1 )(𝑥4 − 𝑥2 )(𝑥4 − 𝑥3 ) 4

De esta manera que es intuitiva podríamos no solo formar polinomios de orden 3 como
en este caso, sino que de cualquier otro orden que deseemos.

Entonces cuál es la ecuación con la que se puede generalizar o cuál es la ecuación que
incluye a polinomios de cualquier orden.
𝑛 𝑛
𝑥 − 𝑥𝑗
𝑃𝑛 (𝑥 ) = ∑ 𝑓(𝑥𝑖 ) ∐
𝑥𝑖 − 𝑥𝑗
𝑖=1 𝑗=1
𝑗≠𝑖

Básicamente esta expresión o esta función resume todo lo que hemos visto anteriormente,
con esta ecuación podemos obtener polinomios de interpolación para cualquier número
de puntos que tengamos y también lo importante es que muchas veces a este término
que contiene al operador producto se le conoce como 𝐿𝑖 (𝑥 ).

Ejercicio 4: Use la fórmula de interpolación de Lagrange para interpolar el valor de la

función 𝑓 (𝑥 ) para x=3, dados los siguientes datos.

𝒇 (𝒙 ) 52 5 -5
𝒙 1 2 4

16
Como tenemos tres puntos conocidos aplicaremos el polinomio cuadrático de Lagrange.

Primero reconozcamos los datos conocidos para aplicarlos en la fórmula

𝑥 = 3, 𝑥1 = 1, 𝑥2 = 2, 𝑥3 = 4, 𝑦1 = 52, 𝑦2 = 5, 𝑦3 = −5

(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) (𝑥 − 𝑥1 )(𝑥 − 𝑥3 ) (𝑥 − 𝑥1 )(𝑥 − 𝑥2 )

𝑓 (𝑥 ) = 𝑦1 + 𝑦2 + 𝑦
(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 ) (𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 ) (𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 ) 3

(3 − 2)(3 − 4) (3 − 1)(3 − 4) (3 − 1)(3 − 2)

𝑓 (3) = (52) + (5) + (−5)
(1 − 2)(1 − 4) (2 − 1)(2 − 4) (4 − 1)(4 − 2)

52 5
𝑓 (3) = − + 5 + (− )
3 3

𝑓 (3) = −14

El resultado es que para 𝑥 = 3, 𝑦 = −14

Ejercicio 5: Encontrar el valor de 𝑓(𝑥) para 𝑥 = 2, dado el siguiente conjunto de puntos.

Use la fórmula de interpolación de Lagrange

𝒇 (𝒙 ) 2 3 18 38
𝒙 0 1 4 6

Teniendo cuatro puntos en este ejercicio, la fórmula sería:

(𝑥 − 𝑥2 )(𝑥 − 𝑥3 )(𝑥 − 𝑥4 ) (𝑥 − 𝑥1 )(𝑥 − 𝑥3 )(𝑥 − 𝑥4 )

𝑓 (𝑥 ) = 𝑦1 + 𝑦
(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 )(𝑥1 − 𝑥4 ) (𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 )(𝑥2 − 𝑥4 ) 2
(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥4 ) (𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 )
+ 𝑦3 + 𝑦
(𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 )(𝑥3 − 𝑥4 ) (𝑥4 − 𝑥1 )(𝑥4 − 𝑥2 )(𝑥4 − 𝑥3 ) 4

Los datos conocidos para reemplazar en la formula son:

𝑥 = 2, 𝑥1 = 0, 𝑥2 = 1, 𝑥3 = 4, 𝑥4 = 6, 𝑦1 = 2, 𝑦2 = 3, 𝑦3 = 18, 𝑦4 = 38

(2 − 1)(2 − 4)(2 − 6) (2 − 0)(2 − 4)(2 − 6) (2 − 0)(2 − 1)(2 − 6)

𝑓(2) = 2+ 3+ 18
(0 − 1)(0 − 4)(0 − 6) (1 − 0)(1 − 4)(1 − 6) (4 − 0)(4 − 1)(4 − 6)
(2 − 0)(2 − 1)(2 − 4)
+ 38
(6 − 0)(6 − 1)(6 − 4)

𝑓 (2) = 6

Entonces, para 𝑥 = 2, 𝑦 = 6

17
Ejercicio 6: Con los mismos datos del ejercicio 4. Obtenga el polinomio interpolador con
todos los puntos aplicando la interpolación de Lagrange.

𝒇 (𝒙 ) 52 5 -5
𝒙 1 2 4

Para encontrar el polinomio interpolador aplicaremos la siguiente fórmula:

𝑛 𝑛
𝑥 − 𝑥𝑗
𝑃𝑛 (𝑥 ) = ∑ 𝑓(𝑥𝑖 ) ∐
𝑥𝑖 − 𝑥𝑗
𝑖=1 𝑗=1
𝑗≠𝑖

En donde primero tenemos que resolver:

𝑛
𝑥 − 𝑥𝑗
𝐿𝑛 ( 𝑥 ) = ∐
𝑥𝑖 − 𝑥𝑗
𝑗=1
𝑗≠𝑖

Datos: 𝑛 = 3 que hace referencia a los puntos conocidos. 𝑖 = 1, 2, 3 y 𝑗 = 1, 2, 3 porque en

la fórmula nos indica que i y j comienzan en 1 y terminan en n

𝑛=3 𝑥1 = 1 𝑓(𝑥1 ) = 52
𝑖 = 1, 2, 3 𝑥2 = 2 𝑓(𝑥2 ) = 5
𝑗 = 1, 2, 3 𝑥3 = 4 𝑓(𝑥3 ) = −5

1era Iteración:

𝑖 = 1 𝑗 ≠ 1, entonces 𝑗 = 2, 3

(𝑥 − 𝑥2 )(𝑥 − 𝑥3 )
𝐿1 (𝑥 ) =
(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 )

(𝑥 − 2)(𝑥 − 4)
𝐿1 (𝑥 ) =
(1 − 2)(1 − 4)

1 2
𝐿1 (𝑥 ) = (𝑥 − 6𝑥 + 8)
3

18
2da Iteración:

𝑖 = 2 𝑗 ≠ 2, entonces 𝑗 = 1, 3

(𝑥 − 𝑥1 )(𝑥 − 𝑥3 )
𝐿2 (𝑥 ) =
(𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 )

(𝑥 − 1)(𝑥 − 4)
𝐿2 (𝑥 ) =
(2 − 1)(2 − 4)

1
𝐿2 (𝑥 ) = − (𝑥 2 − 5𝑥 + 4)
2

3era Iteración:

𝑖 = 3 𝑗 ≠ 3, entonces 𝑗 = 2, 3

(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
𝐿2 (𝑥 ) =
(𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 )

(𝑥 − 1)(𝑥 − 2)
𝐿2 (𝑥 ) =
(4 − 1)(4 − 2)

1 2
𝐿2 (𝑥 ) = (𝑥 − 3𝑥 + 2)
6

Sustituir los datos encontrados en la fórmula

𝑃𝑛 (𝑥 ) = 𝑓 (𝑥1 )𝐿1 (𝑥 ) + 𝑓 (𝑥2 )𝐿2 (𝑥 ) + 𝑓 (𝑥3 )𝐿3 (𝑥 )

1 1 1
𝑃2 (𝑥 ) = 52 [ (𝑥 2 − 6𝑥 + 8)] + 5 [− (𝑥 2 − 5𝑥 + 4)] + (−5) [ (𝑥 2 − 3𝑥 + 2)]
3 2 6

𝑃2 (𝑥 ) = 14𝑥 2 − 89𝑥 + 127

El polinomio interpolador es: 14𝑥 2 − 89𝑥 + 127

Interpole el valor de la función 𝑓(𝑥) para 𝑥 = 3, sustituyendo en el polinomio interpolador

encontrado en el paso anterior

𝑓 (𝑥 ) = 14𝑥 2 − 89𝑥 + 127

𝑓 (𝑥 ) = 14(3)2 − 89(3) + 127

𝑓 (𝑥 ) = −14

19
Diferencias divididas de Newton
La interpolación utilizando polinomios de Newton es otro método de interpolación
ampliamente utilizado. Como dice su nombre la interpolación de Newton utiliza polinomios
en la forma de Newton para poder interpolar o bien para obtener el valor interpolado.

La fórmula general de estos polinomios de Newton es:

𝑓 (𝑥 ) = 𝑎1 + 𝑎2 (𝑥 − 𝑥1 ) + 𝑎3 (𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) + ⋯ + 𝑎𝑛 (𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) … (𝑥 − 𝑥𝑛−1 ) (1.b)

El último término que contiene a la 𝑛 también contiene una diferencia que involucra a (𝑥 −
𝑥𝑛−1 ) es decir para un número 𝑛 de puntos nunca se va a considerar el último valor o
nunca se va a considerar uno de los valores en 𝑥 esto es diferente que en los polinomios
de Lagrange ya que para realizar cualquier cálculo de interpolación utilizando polinomios
de Interpolación de Lagrange siempre era necesario utilizar todos los puntos.

Analizando la fórmula general nos queda la misma problemática que teníamos con los
métodos de Interpolación de Lagrange, sería calcular o encontrar el valor de cada uno de
los coeficientes 𝑎1 , 𝑎2 hasta 𝑎𝑛

Al igual que en los polinomios de Lagrange, no es necesario que los puntos sean
equidistantes, ni ordenados de manera específica. Para dos puntos dados (𝑥1 ; 𝑦1 ) y
(𝑥2 ; 𝑦2 ), el polinomio de Newton de primer orden tiene la forma:

𝑓(𝑥) = 𝑎1 + 𝑎2 (𝑥 − 𝑥1 ) (2.b)

Donde los coeficientes 𝑎1 y 𝑎2 puede ser calculados considerando triángulos similares

como se muestra en la figura 10, y podemos obtener las siguientes expresiones
equivalentes.

20
 Figura 10: Gráfico de polinomio de newton de primer orden

(3.b)

(4.b)

De la ecuación (4.b) se obtiene lo siguiente:

(5.b)

Si se compara la ecuación (5.b) con (2.b) se pueden deducir las igualdades:

(6.b)

(7.b)

Ahora con el fin de generalizar vamos a hacer esto mismo, pero utilizando tres puntos en la gráfica
como se ve en la figura 11. Podemos ver que tenemos tres puntos conocidos, estos puntos son
(𝑥1 − 𝑦1 ), (𝑥2 − 𝑦2 ) y (𝑥3 − 𝑦3 ) y tenemos un punto para el cual queremos interpolar que está
en la posición 𝑥 y 𝑦 o 𝑓(𝑥) donde queremos obtener el valor.

21
 Figura 11: Gráfico de polinomio de newton de segundo orden

En este caso al estar utilizando tres puntos es lógico que debemos obtener un polinomio
cuadrático, el polinomio cuadrático de Newton es:

(8.b)

Una vez que identificamos este polinomio cuadrático hace falta identificar también o calcular cada
una de las constantes que en este caso son tres son 𝑎1 , 𝑎2 y 𝑎3 para lo cual vamos a realizar lo
mismo vamos a sustituir cada uno de los puntos que sí conocemos en el polinomio de Newton
cuadrático.

𝑎1 = 𝑦1 (9.b)

𝑦2 − 𝑦1 (10.b)
𝑎2 =
𝑥2 − 𝑥1

𝑦3 − 𝑦2 𝑦2 − 𝑦1 (11.b)
−
𝑥 − 𝑥2 𝑥2 − 𝑥1
𝑎3 = 3
𝑥3 − 𝑥1

Si se realizara el mismo análisis para cuatro puntos, es decir, usando un polinomio de Newton de
tercer orden de acuerdo a la siguiente ecuación

(12.b)

Los coeficientes 𝑎1 , 𝑎2 y 𝑎3 serían los mismos a los obtenidos en el polinomio cuadrático y

si seguimos el mismo patrón para 𝑎4 , tendríamos la siguiente ecuación:

22
 𝑦4 − 𝑦3 𝑦3 − 𝑦2 𝑦3 − 𝑦2 𝑦2 − 𝑦1
𝑥4 − 𝑥3 − 𝑥3 − 𝑥2 𝑥3 − 𝑥2 − 𝑥2 − 𝑥1
− (13.b)
𝑥4 − 𝑥2 𝑥3 − 𝑥1
𝑎4 =
𝑥4 − 𝑥1

Al final en las ecuaciones para calcular 𝑎1 , 𝑎2 y 𝑎3 podemos notar un patrón. A este patrón
se le conoce como diferencias divididas. Para dos puntos, (𝑥1 , 𝑦1 ) y (𝑥2 , 𝑦2 ) la primera
diferencia dividida se escribe de acuerdo a la expresión:

𝑦2 − 𝑦1
𝑓 [𝑥2 , 𝑥1 ] = 𝑎2 =
𝑥2 − 𝑥1

Para tres puntos, (𝑥1 , 𝑦1), (𝑥2 , 𝑦2 ) y (𝑥3 , 𝑦3 ) la segunda diferencia dividida se escribe como
𝑓 [𝑥3 , 𝑥2 , 𝑥1 ], y se define como la diferencia entre los puntos (𝑥3 , 𝑦3 ) y (𝑥2 , 𝑦2 ), y los puntos
(𝑥2 , 𝑦2 ) y (𝑥1 , 𝑦1), dividido por (𝑥3 − 𝑥1 ). Esto se visualiza en la expresión

𝑦3 − 𝑦2 𝑦2 − 𝑦1
𝑓 [𝑥3 , 𝑥2 ] − 𝑓[𝑥2 , 𝑥1 ] 𝑥3 − 𝑥2 − 𝑥2 − 𝑥1
𝑓 [𝑥3 , 𝑥2 , 𝑥1 ] = 𝑎3 = =
𝑥3 − 𝑥1 𝑥3 − 𝑥1

En términos generales, para un número n de puntos la primera diferencia dividida entre

por puntos (𝑥i , 𝑦𝑖 ) y (𝑥j , 𝑦𝑗) está dada por la ecuación:

𝑦𝑗 − 𝑦𝑖
𝑓[𝑥𝑗 , 𝑥𝑖 ] = 𝑎2 =
𝑥𝑗 − 𝑥𝑖

Para obtener la diferencia dividida k se tiene la formula general:

𝑓[𝑥𝑘 , 𝑥𝑘−1 , … , 𝑥2, ] − 𝑓[𝑥𝑘−1 , 𝑥𝑘−2 , … , 𝑥2, 𝑥1 ]

𝑓[𝑥𝑘 , 𝑥𝑘−1 , … , 𝑥2, 𝑥1 ] =
𝑥𝑘 − 𝑥𝑖

A continuación, se muestra la tabla general de diferencias divididas.

23
Ejercicio 7: Con los siguientes datos, elabore una tabla de diferencias divididas. Interpole
𝑓(𝑥) para 𝑥 = 3

𝒇 (𝒙 ) 52 5 -5 -40 10
𝒙 1 2 4 5 7

Tabla de Diferencias Divididas

𝒙 𝒚 𝟏 𝑫. 𝑫. 𝟐 𝑫. 𝑫. 𝟑 𝑫. 𝑫. 𝟒 𝑫. 𝑫.
5 − 52 −5 − (−47) −10 − 10 6 − (−6)
1 52 = −47 = 14 = −6 =2
2−1 4−1 5−1 7−1
−5 − 5 −35 − (−5) 20 − (−10)
2 5 = −5 = −10 =6
4−2 5−2 7−2
−40 − (−5) 25 − (−35)
4 -5 = −35 = 20
5−4 7−4
10 − (−40)
5 -40 = 25
7−5
7 10

24
Con la tabla de diferencias divididas podemos identificar los coeficientes, que son los
resultados encontrados en la primera posición de cada columna.

𝑎1 = 52, 𝑎2 = −47, 𝑎3 = 14, 𝑎4 = −6, 𝑎5 = 2

Para interpolar 𝑓(𝑥) para 𝑥 = 3, reemplazamos los datos conocidos en la fórmula

𝑓 (3) = 52 − 47(3 − 1) + 14(3 − 1)(3 − 2) − 6(3 − 1)(3 − 2)(3 − 4)

+2(3 − 1)(3 − 2)(3 − 4)(3 − 5)

𝑓 (3) = 6

Ejercicio 8: Con los siguientes datos, elabore una tabla de diferencias divididas. Interpole
𝑓(𝑥) para 𝑥 = 4

𝒙 -2 -1 0 2 3 6
𝒇(𝒙) -18 -5 -2 -2 7 142

Tabla de Diferencias Divididas

𝒙 𝒚 𝟏 𝑫. 𝑫. 𝟐 𝑫. 𝑫. 𝟑 𝑫. 𝑫. 𝟒 𝑫. 𝑫. 𝟓 𝑫. 𝑫.
−5 − (−18) 0−0
3 − 13 −1 − (−5) 1−1
-2 -18 −1 − (−2) = −5 =1 =0 6 − (−2)
0 − (−2) 2 − (−2) 3 − (−2)
= 13 =0
−2 − (−5) 0−3 3 − (−1) 1−1
-1 -5 =3 = −1 =1 =0
0 − (−1) 2 − (−1) 3 − (−1) 6 − (−1)
−2 − (−2) 9−0 9−3
0 -2 =0 =3 =1
2−0 3−0 6−0
7 − (−2) 45 − 9
2 -2 =9 =9
3−2 6−2
142 − 7
3 7 = 45
6−3
6 142

Los coeficientes son:

25
 𝑎1 = −18, 𝑎2 = 13, 𝑎3 = −5, 𝑎4 = 1, 𝑎5 = 0, 𝑎6 = 0

Para interpolar 𝑓(𝑥) para 𝑥 = 4, reemplazamos los datos conocidos en la fórmula y el

resultado es: 𝑓 (4) = 30

Interpolación Inversa
La interpolación inversa consiste en resolver el problema contrario al que se hacía con la
interpolación que vimos en temas anteriores. En este caso se resuelve dado el valor de la
función 𝑓(𝑥) encontrar el de 𝑥.

El problema puede resolverse fácilmente por medio de la fórmula de Lagrange, formando

una tabla con los valores de la variable dependiente como valores de 𝑥 y los de la
independiente como los de 𝑦

Ejercicio 9: Dado el siguiente polinomio 𝑃 (𝑥 ) = 𝑥 3 − 7𝑥 2 + 6𝑥 − 8. Aplique interpolación

inversa para determinar el valor aproximado de 𝑥 tal que, para ese valor, la función 𝑃(𝑥 )
sea igual a cero. Se aceptará la aproximación que se obtenga con un polinomio de grado
2.

Si analizamos el problema, lo que tenemos que encontrar es la raíz de la ecuación.

Aplicando el método gráfico encontramos que la ecuación tiene una raíz real en el
intervalo 6 < 𝑥 < 7. Conociendo estos intervalos tomaremos tres puntos para definir el
polinomio de grado 2 y serán los correspondientes a 𝑥 = 6, 6.5 y 7

Reemplazamos los puntos en la ecuación 𝑃 (𝑥 ) = 𝑥 3 − 7𝑥 2 + 6𝑥 − 8

𝑓(6) = (6)3 − 7(6)2 + 6(6) − 8 = −8

𝑓 (6.5) = (6.5)3 − 7(6.5)2 + 6(6.5) − 8 = 9.875

𝑓 (7) = (7)3 − 7(7)2 + 6(7) − 8 = 34

La tabla que define la función queda como:

𝒇 (𝒙 ) -8 9.875 34
𝒙 6 6.5 7

26
Para aplicar la interpolación inversa intercambiamos 𝑥 y 𝑦

𝒙 -8 9.875 34
𝒇 (𝒙 ) 6 6.5 7

Y resolvemos por medio de la fórmula de interpolación de Lagrange

(−9.875)(−34) (8)(−34) (8)(−9.875)

𝑥= 6+ 6.5 + 7
(−17.875)(−42) (17.875)(−24.125) (42)(24.125

𝑥 = 6.237

La raíz exacta para este problema es 6.244

Ejercicio 10. En la función definida por la tabla del ejercicio 5, calcular el valor de la variable
independiente, si se sabe que para ese valor la función vale 11.

𝒇 (𝒙 ) 2 3 18 38
𝒙 0 1 4 6

Para aplicar la interpolación inversa intercambiamos 𝑥 y 𝑦

𝒙 2 3 18 38
𝒇 (𝒙 ) 0 1 4 6

resolvemos por medio de la fórmula de interpolación de Lagrange

(8)(−7)(−27) (9)(−7)(−27) (9)(8)(−27) (9)(8)(−7)

𝑥= 0+ 1+ 4+ 6
(−1)(−16)(−36) (1)(−15)(−35) (16)(15)(−20) (36)(35)(20)

𝑥 = 3.24 + 1.62 − 0.12

𝑥 = 4.74

27
Regresión por mínimos cuadrados

Una aproximación por mínimos cuadrados es ajustar una línea recta a un conjunto de
observaciones definidas por puntos o también lo podríamos definir como un procedimiento
en el que se encuentra una función matemática que se ajuste mejor al comportamiento
de un conjunto de puntos. La ecuación (1.c) es usada para obtener el mejor ajuste
respecto a un conjunto de puntos.

𝑦 = 𝑎1 𝑥 + 𝑎0 (1.c)

Esto se realiza determinando las constantes 𝑎1 y 𝑎0 con las que se minimiza el error
cuando se sustituyen los puntos del conjunto en la ecuación 1.c, esto se visualiza en la
figura 12.

Figura 12: Ajuste de línea recta

Podrían preguntarse cuál es la diferencia entre usar interpolación a utilizar un ajuste de

curvas o de línea recta.

En la interpolación utilizamos un conjunto de puntos que contenían un error muy pequeño

es decir puntos que eran muy precisos. Sin embargo, como pueden ver en la figura 12 en
el caso de ajuste de curvas o de línea recta utilizamos puntos que pueden contener una
alta incertidumbre o bien que pueden tener un error.

28
Estos puntos pudieron ser obtenidos mediante experimentación lo que puede conllevar a
un error de medición en la toma de muestra. Entonces el ajuste de curvas se va a utilizar
para puntos o para datos que contengan errores o que contengan incertidumbre

También otra de las principales diferencias es que cuando utilizamos polinomios de

interpolación pasaba por los puntos y cuando usamos ajuste de curvas que es la línea
azul de la figura 12, no tenemos una ecuación o una función que pasa por todos los
puntos, sino que predice únicamente el comportamiento general de los puntos.

Criterio para un “mejor” ajuste

Es necesario tener un criterio con el cual se pueda identificar cuál es un polinomio de

primer orden que mejor se adapta al conjunto de puntos. Con el criterio se puede:

• Comparar dos diferentes funciones que están siendo usadas para el mismo
conjunto de puntos.
• Determinar los coeficientes del polinomio lineal que mejor se adapta a los puntos

El ajuste entre los puntos dados y la aproximación lineal se determina calculando el error,
al que también se conoce como residual. El residual es la diferencia entre el punto dado
y el valor obtenido con la ecuación lineal usada para aproximar el conjunto de datos.

El residual, 𝑟𝑖 debe calcularse para el total de puntos. En la figura 13 puede apreciarse

una línea recta que está siendo usada para representar el comportamiento de los puntos;
además, se muestran los residuales (o errores). El residual en el punto (𝑥𝑖 , 𝑦𝑖 ) es la
diferencia entre el valor de 𝑦𝑖 del punto y el valor obtenido al evaluar 𝑥𝑖 en la función, es
decir, el valor 𝑓(𝑥𝑖 ). Entonces, el residual para cualquier punto puede obtenerse de
acuerdo a la expresión 2.c

Recuerde que. – En la interpolación utilizamos un conjunto de puntos que contenían un error

muy pequeño. Sin embargo, en el caso de ajuste de curvas o de línea recta utilizamos puntos que
pueden contener una alta incertidumbre o bien que pueden tener un error.

29
 Figura 13: Ajuste de línea recta con residuales

(2.c)

Un criterio mediante el que se puede medir qué tan bien funciona la función aproximada
es la suma del total de errores, 𝐸. Este error total puede escribirse como se muestra en la
ecuación 3.c.

(3.c)

El inconveniente al usar la ecuación 3.c. es que puede haber residuales positivos y

negativos que al sumarse disminuyan la magnitud del error. Para evitar ese problema
cada uno de los residuales se eleva al cuadrado. De esta forma se mantienen todos los
valores positivos. Entonces, la ecuación es usada para calcular la suma de los residuales,
𝐸.

(4.c)

Ajuste de una línea recta por mínimos cuadrados

En necesario obtener los coeficientes 𝑎1 y 𝑎0 de la ecuación lineal 𝑦 = 𝑎1 𝑥 + 𝑎0 . El valor
de los coeficientes debe ser aquel para el que la ecuación lineal tenga el mejor ajuste. En

30
otras palabras, en la que el error se minimice. El error se obtiene con la ecuación 4.c, que
claramente no es lineal.

Los valores 𝑥1 y 𝑦𝑖 se conocen del conjunto de puntos, por lo que únicamente se

desconocen las constantes 𝑎1 y 𝑎0 . Ya fue mencionado que se requiere minimizar el error,
es decir la ecuación 4.c. El error se minimiza usando la primera derivada, respecto a 𝑎1 y
𝑎0 , e igualando a cero, como se muestra en las ecuaciones 5.c y 6.c.

(5.c)

(6.c)

Las ecuaciones 5.c y 6.c representan un sistema lineal de dos ecuaciones. Una vez que
es resuelto se obtiene que los coeficientes pueden ser calculados de acuerdo a las
expresiones 7.c y 8.c

(7.c)

(8.c)

Las ecuaciones 7.c y 8.c contienen varias sumatorias. Cada sumatoria se le asigna a una
variable como se muestra a continuación. De esta manera se obtienen las expresiones
más simples 9.c y 10.c.

(9.c)

(10.c)

31
Ejercicio 11. Ajuste a una línea recta los valores 𝑥 y 𝑦 de la siguiente tabla:

𝒙 1 3 4 6 9 12 14
𝒚 2 4 5 6 7 9 11

Podemos ver que para cada punto tenemos un valor en 𝑥 y un valor en 𝑦, donde 𝑥 es la
variable independiente y 𝑦 es la variable dependiente.

Pare este ejercicio vamos a utilizar la fórmula de la función lineal 𝑓(𝑥) = 𝑎1 𝑥 + 𝑎0 que
dependen del coeficiente 𝑎1 y 𝑎0 . También tenemos las fórmulas para calcular dichos
coeficientes que son:

Lo primero es identificar cada uno de los elementos que vamos a necesitar para
reemplazar en las fórmulas.

𝑛 = 7 hace referencia al número de puntos que tenemos en la tabla dada para este
ejercicio.

𝑆𝑥 es la sumatoria de cada uno de los valores que tenemos en 𝑥

𝑆𝑥 = 1 + 3 + 4 + 6 + 9 + 12 + 14 = 49

𝑆𝑦 es la sumatoria de cada uno de los valores que tenemos en 𝑦

𝑆𝑦 = 2 + 4 + 5 + 6 + 7 + 9 + 11 = 44

𝑆𝑥𝑥 que esto es igual a la sumatoria del cuadrado de cada una de las 𝑥

𝑆𝑥𝑥 = 12 + 32 + 42 + 62 + 92 + 122 + 142 = 483

𝑆𝑥𝑦 es igual a la sumatoria de multiplicar (𝑥𝑖 𝑦𝑖 )

𝑆𝑥𝑦 = (1)(2) + (3)(4) + (4)(5) + (6)(6) + (9)(7) + (12)(9) + (14)(11) = 395

Este procedimiento lo podemos escribir en la siguiente tabla para entenderlo mejor

32
 𝑷𝒖𝒏𝒕𝒐𝒔 (𝒏) 𝒙 𝒚 𝑺𝒙𝒙 𝑺𝒙𝒚
1 1 2 1 2
2 3 4 9 12
3 4 5 16 20
4 6 6 36 36
5 9 7 81 63
6 12 9 144 108
7 14 11 196 154
𝒏=𝟕 ∑ = 𝟒𝟗 ∑ = 𝟒𝟒 ∑ = 𝟒𝟖𝟑 ∑ = 𝟑𝟗𝟓

En este momento ya tenemos los diferentes valores de las variables. Ahora solo falta
hacer la sustitución en cada una de las ecuaciones.

(7)(483) − (49)(44)
𝑎1 = = 0.6214
(7)(395) − (49)2

(395)(44) − (483)(49)
𝑎0 = = 1.9357
(7)(395) − (49)2

Sustituimos los valores en la ecuación original

𝑓 (𝑥 ) = 𝑎1 𝑥 + 𝑎0

𝑓(𝑥) = 0.6214𝑥 + 1.9357

De esta manera terminamos con este ejercicio donde ya obtuvimos cuál es la mejor
función lineal que se ajusta al comportamiento general de los datos que tenemos.

La gráfica resultante de la función con los datos experimentales del ejercicio es el

siguiente:

33
 Figura 14: gráfica resultante del ejercicio 11

Medición del error en regresión lineal

Vamos a introducir dos conceptos importantes para cuando se está haciendo ajustes de
líneas o ajuste de curvas. El primero es el coeficiente de correlación que se expresa
mediante la variable 𝑟 y la cual es una medida que cuantifica la dependencia lineal entre
dos variables es decir señala lo bien o lo mal que un conjunto es representado por una
línea recta o por una línea curva o por el modelo que estemos utilizando.

El otro concepto es el coeficiente de determinación que se expresa con 𝑟 2 , puede ser la r

minúscula o mayúscula y lo que nos indica es la capacidad que tiene el modelo de explicar
al conjunto de puntos.

Lo que esperamos tanto para el coeficiente de correlación y para el coeficiente de

determinación es que su valor se aproxime a la unidad es decir que se aproxime a 1.

Cómo calculamos tanto el coeficiente de correlación como el coeficiente de determinación

pues de manera general podemos realizar este cálculo partiendo del coeficiente de
correlación que se calcula a partir de la siguiente ecuación:

34
 (11.c)

Si observamos conocemos cómo calcular cada una de las variables de la ecuación 11.c.
excepto por 𝑆𝑦𝑦 que sería igual a la sumatoria del cuadrado de cada una de las 𝑦

Una vez que conocemos cómo calcular el coeficiente de correlación a partir de él podemos
realizar el cálculo del coeficiente de determinación simplemente elevando este valor al
cuadrado es decir el coeficiente de determinación va a ser igual a 𝑟 2 o bien al coeficiente
de correlación elevado al cuadrado.

Ejercicio 12: Con los datos de la siguiente tabla. Determine por mínimos cuadrados el
mejor polinomio de primer grado (recta) que represente la función dada y además el
calcule el coeficiente de correlación y determinación.

𝒙 0 2 3 6 7
𝒚 0.120 0.153 0.170 0.225 0.260

Encontramos los valores para cada elemento que vamos a utilizar en las fórmulas.

𝑷𝒖𝒏𝒕𝒐𝒔 (𝒏) 𝒙 𝒚 𝑺𝒙𝒙 𝑺𝒙𝒚 𝑺𝒚𝒚

1 0 0.120 0 0.000 0.014

2 2 0.153 4 0.306 0.023
3 3 0.170 9 0.510 0.028
4 6 0.225 36 1.350 0.050
5 7 0.260 49 1.820 0.067
𝒏=𝟓 ∑ = 𝟏𝟖 ∑ = 𝟎. 𝟗𝟐𝟖 ∑ = 𝟗𝟖 ∑ = 𝟑. 𝟗𝟖𝟔 ∑ = 𝟎. 𝟏𝟖𝟐

(5)(3.986) − (18)(0.928)
𝑎1 = = 0.0194
(5)(98) − (18)2

35
 (98)(0.928) − (3.986)(18)
𝑎0 = = 0.1156
(5)(98) − (18)2

Sustituimos los valores en la ecuación original

𝑓 (𝑥 ) = 𝑎1 𝑥 + 𝑎0

𝑓(𝑥) = 0.0194𝑥 + 0.1156

Ahora calcularemos los coeficientes de correlación y determinación

(5)(3.986) − (18)(0.928)
𝑟=( )
√(5)(98) − (18)2 √(5)(0.182) − (0.928)2

𝑟 = 0.9937

𝑟 2 = 0.9875

Vemos que los resultados de los coeficientes de correlación y determinación están

cercanos a 1. La gráfica para este ejercicio es la que se aprecia en la figura 15.

Figura 15: gráfica resultante del ejercicio 12

36
Linealizando ecuaciones no lineales
En ocasiones se tienen datos que no mantienen una tendencia lineal, sino exponencial,
logarítmica, etc. Como se muestra en la figura 16.

Figura 16: a) Datos inadecuados para la regresión lineal por mínimos cuadrados. b) Indicación
de que es preferible una parábola.

Para poder aplicar el método de regresión lineal en estos casos es necesario linealizar los
datos. Por ejemplo, si los puntos mantienen una tendencia que se adapta al modelo 𝑦 =
𝑏𝑥 𝑚 se debe transformar a su forma lineal. Lo que se hace aplicando el logaritmo natural
(ln) a ambos lados de la ecuación quedando la expresión

ln(𝑦) = ln(𝑏𝑥 𝑚 ) = 𝑚ln(𝑥) + ln(𝑏)

Esta ecuación es lineal para ln(𝑦) en términos de ln(𝑏). La ecuación está en la forma de
𝑦 = 𝑎1 𝑥 + 𝑎0 donde 𝑌 = ln(𝑦), 𝑎1 = 𝑚, 𝑋 = ln(𝑥) y 𝑎0 = ln(𝑏). Lo que significa que la
regresión lineal por mínimos cuadrados puede ser aplicada para ajustar una curva 𝑦 =
𝑏𝑥 𝑚 a un conjunto de puntos 𝑥𝑖 , 𝑦𝑖 . Esto se hace calculando 𝑎1 y 𝑎0 en la forma linealizada
y después calculando 𝑚 y 𝑏 usadas en la forma exponencial como se muestra en la
siguiente ecuación

𝑚 = 𝑎1 , 𝑏 = exp(𝑎0 )

En la Tabla de linealización de expresiones no lineales comunes se pueden ver otras

ecuaciones no lineales que pueden ser linealizadas para la aplicación del procedimiento
de mínimos cuadrados. Para estas expresiones debe usarse la siguiente ecuación lineal

𝑌 = 𝑎1 𝑋 + 𝑎0

37
 Tabla de linealización de expresiones no lineales comunes

Ejercicio 13: Con los datos de la siguiente tabla. Ajuste la ecuación 𝑦 = 𝑏𝑥 𝑚 mediante
una transformación logarítmica de los datos.

𝒙 1 2 3 4 4
𝒚 0.5 1.7 3.4 5.7 8.4

Antes de resolver este ejercicio de manera logarítmica, encontraremos el coeficiente de

correlación y determinación del polinomio de primer grado antes visto para comparar
después el margen de error obtenido.

𝑟 = 0.9884

𝑟 2 = 0.9769

Los resultados de los coeficientes de correlación y determinación tienen poco margen de

error, pero ahora veamos cuál es el resultado de usar la forma linealizada logarítmica.

PUNTOS (n) x y log x log y Sxx Sxy Syy

1 1 0,500 0,000 -0,301 0,000 0,000 0,091
2 2 1,700 0,301 0,230 0,091 0,069 0,053
3 3 3,400 0,477 0,531 0,228 0,254 0,282
4 4 5,700 0,602 0,756 0,362 0,455 0,571
5 5 8,400 0,699 0,924 0,489 0,646 0,854
5 15 19,7 2,079 2,141 1,169 1,424 1,852

38
 (5)(1.424) − (2.079)(2.141)
𝑎1 = = 1.752
(5)(1.169) − (2.079)2

(1.169)(2.141) − (1.424)(2.079)
𝑎0 = = −0.300
(5)(1.169) − (2.079)2

Sustituimos los valores en la ecuación

log 𝑦 = 1.75 log 𝑥 − 0.300

Ahora calcularemos los coeficientes de correlación y determinación

(5)(1.424) − (2.079)(2.141)
𝑟=( )
√(5)(1.169) − (2.079)2 √(5)(1.852) − (2.141)2

𝑟 = 1.0000

𝑟 2 = 1.0000

Vemos que los resultados de los coeficientes de correlación y determinación son iguales
a la unidad que, si comparamos con los resultados encontrados anteriormente, estos
últimos son los mejores.

Recuerde que. – Los resultados de los coeficientes de correlación y determinación deben de ser
los más aproximados a la unidad.

39
Ajuste polinomial usando mínimos cuadrados
Hasta este momento hemos visto cómo hacer un ajuste lineal utilizando la estrategia de
mínimos cuadrados y también hemos visto cómo utilizar funciones o ecuaciones no
lineales para ajustarse a un conjunto de puntos que pueda tener un comportamiento no
lineal. En esta ocasión vamos a utilizar un ajuste polinomial.

Empezaremos con los polinomios de segundo orden es decir cuadráticos. Sin embargo,
esto nos va a servir para generalizar y poder utilizar o poder ajustar un polinomio de
cualquier orden.

El hecho de tener la mejor recta que aproxima la información, no significa que la

información este bien aproximada; quizá convenga aproximarla con una parábola o una
cubica.

Para encontrar el polinomio de segundo grado 𝑃2 (𝑥 ) = 𝑎2 𝑥 2 + 𝑎1 𝑥 + 𝑎0 que mejor

aproxime la tabla, se minimiza
𝑛

∑[𝑦𝑖 − (𝑎2 𝑥 2 + 𝑎1 𝑥 + 𝑎0 )]2

𝑖=1

Donde los parámetros 𝑎0 , 𝑎1 y 𝑎2 se obtienen al resolver el sistema de ecuaciones lineales

que resulta de derivar parcialmente e igualar a cero la función por minimizar con respecto
a cada uno. Dicho sistema queda así:

𝑛 𝑛 𝑛

𝑎0 𝑛 + 𝑎1 ∑ 𝑥𝑖 + 𝑎2 ∑(𝑥𝑖 )2 = ∑ 𝑦𝑖
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛

𝑎0 ∑ 𝑥𝑖 + 𝑎1 ∑(𝑥𝑖 )2 + 𝑎2 ∑(𝑥𝑖 )3 = ∑(𝑥𝑖 𝑦𝑖 ) (1.d)

𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛

𝑎0 ∑(𝑥𝑖 )2 + 𝑎1 ∑(𝑥𝑖 )3 + 𝑎2 ∑(𝑥𝑖 )4 = ∑((𝑥𝑖 )2 𝑦𝑖 )

𝑖=1 𝑖=1 𝑖=1 𝑖=1
Si lo pasamos a una
matriz tendríamos:

40
 𝑛 𝑛 𝑛

∑ 𝑥𝑖 ∑(𝑥𝑖 ) 2 ∑ 𝑦𝑖
𝑛
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑎0 𝑛

∑ 𝑥𝑖 ∑(𝑥𝑖 )2 ∑(𝑥𝑖 ) [𝑎1 ] =

3 ∑(𝑥𝑖 𝑦𝑖 )
𝑖=1 𝑖=1 𝑖=1 𝑎2 𝑖=1
𝑛 𝑛 𝑛 𝑛

∑(𝑥𝑖 )2 ∑(𝑥𝑖 )3 ∑(𝑥𝑖 )4 ∑((𝑥𝑖 )2 𝑦𝑖 )

[ 𝑖=1 𝑖=1 𝑖=1 ] [ 𝑖=1 ]

Este análisis nos permite generalizar ya que por ejemplo si no fuera un polinomio
cuadrático, sino que fuera un polinomio cúbico la matriz no sería de tres por tres, sería
ahora de cuatro por cuatro. Por ejemplo:

𝑛 𝑛 𝑛 𝑛

𝑛 ∑ 𝑥𝑖 ∑(𝑥𝑖 )2 ∑(𝑥𝑖 )3 ∑ 𝑦𝑖
𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛

∑ 𝑥𝑖 ∑(𝑥𝑖 )2 ∑(𝑥𝑖 )3 ∑(𝑥𝑖 )4 𝑎0 ∑(𝑥𝑖 𝑦𝑖 )

𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑎1
𝑛 𝑛 𝑛 𝑛 [𝑎 ] = 𝑛𝑖=1
2
∑(𝑥𝑖 )2 ∑(𝑥𝑖 )3 ∑(𝑥𝑖 )4 ∑(𝑥𝑖 )5 𝑎3 ∑((𝑥𝑖 )2 𝑦𝑖 )
𝑖=1 𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛 𝑛

∑(𝑥𝑖 )3 ∑(𝑥𝑖 )4 ∑(𝑥𝑖 )5 ∑(𝑥𝑖 )6 ∑((𝑥𝑖 )3 𝑦𝑖 )

[ 𝑖=1 𝑖=1 𝑖=1 𝑖=1 ] [ 𝑖=1 ]

Ejercicio 14: Encontrar la ecuación de la curva que mejor se ajuste, en términos de

mínimos cuadrados, al conjunto de puntos de la siguiente tabla

𝒙 1 2 3 4 5 6 7
𝒚 4 7 9 10 9 7 4

Vamos a encontrar los valores de los parámetros de la función 𝑦 = 𝑎2 𝑥 2 + 𝑎1 𝑥 + 𝑎0 , los

cuales están determinados por el sistema de ecuaciones (1.d). Resolvemos las
sumatorias en una tabla para no cometer errores.

41
 𝑷𝒖𝒏𝒕𝒐𝒔 (𝒏) 𝒙 𝒚 𝒙𝟐 𝒙𝟑 𝒙𝟒 𝒙𝒚 𝒙𝟐 𝒚
1 1 4 1 1 1 4 4
2 2 7 4 8 16 14 28
3 3 9 9 27 81 27 81
4 4 10 16 64 256 40 160
5 5 9 25 125 625 45 225
6 6 7 36 216 1296 42 252
7 7 4 49 343 2401 28 196
𝒏=𝟕 ∑ = 𝟐𝟖 ∑ = 𝟓𝟎 ∑ = 𝟏𝟒𝟎 ∑ = 𝟕𝟖𝟒 ∑ 𝟒𝟔𝟕𝟔 ∑ 𝟐𝟎𝟎 ∑ 𝟗𝟒𝟔

La matriz quedaría así:

7 28 140 50
[ 28 140 784 | 200]
140 784 4676 946

Resolviendo el sistema ecuaciones (Se puede aplicar cualquier método visto en la Unidad
2) obtendríamos:

𝑎0 = −0.5714, 𝑎1 = 5.14, 𝑎2 = −0.6429

La ecuación de la curva buscada es: 𝑦 = −0.6429𝑥 2 + 5.14𝑥 − 0.5714

42
Ejercicios propuestos

1. Dados los valores obtenidos en una medición Encontrar el valor de f(x) para x=2
por el método de Lagrange.

x -1.5 2.4 3.18 4.21

f(x) -12 -5.24 -2.37 1.12

2. Con los siguientes datos, Obtenga el valor de f(2.8) por el método de diferencias
divididas de Newton.

𝒙 -2 -1 0 2 3 6
𝒇(𝒙) -18 -5 -2 -2 7 142

3. Con los datos de la siguiente tabla. Determine por mínimos cuadrados el mejor
polinomio de primer grado

𝒙 10 20 30 40 50 60 70 80 90
𝒚 33 55 70 92 121 150 177 198 210

4. Con los datos de la siguiente tabla. Después de obtener por mínimos cuadrados
el mejor polinomio de primer grado. ¿Cuál es el valor del coeficiente de
correlación?

𝒙 1 3 4 6 9 12 14
𝒚 2 4 5 6 7 9 11

5. Con los datos de la siguiente tabla. Determine por mínimos cuadrados el mejor
polinomio de primer grado

𝒙 1 2 3 5 7 8
𝒚 3 6 19 99 291 444

43
 Organización de la lectura por semana
Semanas Páginas
Semana 1 Página 1 -11
Semana 2 Página 12 - 21
Semana 3 Página 22 - 27
Semana 4 Página 28 - 38

Resultado de aprendizaje de la asignatura

Aplicar el Cálculo Numérico a problemas profesionales, relacionados con las

problemáticas de ingenierías, de preservación del medio ambiente, o la investigación
científica mediante el uso de software matemáticos en modelos específicos para dar
solución a los distintos casos de estudios de la profesión.

MÉTODOS NUMÉRICOS

2
Unidad 4. Derivación e integración numéricas

Resultado de aprendizaje de la unidad: Aplicar los métodos numéricos a la solución de

problemas relacionados con la obtención de la derivada en un punto o la integración sobre
los datos en tablas empíricas, auxiliados de software matemáticos.

Introducción

En esta unidad veremos métodos que nos ayudan a calcular derivadas e integrales de
funciones sobre todo para aplicación de problemas que son difíciles de resolver de manera
analíticamente.

En la primera parte veremos la definición de la derivación numérica, repasando desde que

es una derivada y como hallarla, para luego entrar a comprender el funcionamiento de los
diferentes métodos para encontrar las derivadas. Empezaremos con las Diferencias finitas
para la derivada, en donde veremos tres cálculos y definiremos cuál de los tres es el que
nos da un resultado más acertado al valor real de la derivada

Además, en la última parte de la derivación numérica se verá el método de la extrapolación

de Richardson, que consiste en obtener un valor más de la aproximación de la derivada
consiguiendo así un valor más exacto

Cuando lleguemos a la sección de Integración numérica comprenderemos que podemos

aplicar varios métodos para hallar la integral de una función o por lo menos hallar un valor
muy aproximado al valor real de la integral.

Para la Integración numérica veremos los métodos más usados que son los de Newton-
Cotes. Identificaremos que fórmula aplicar dependiendo de los diferentes problemas en
los métodos del Trapecio y de Simpson.

Al final de la unidad se encuentran los métodos de Romberg, en donde se aplicarán

conceptos de la regla del Trapecio y por último está la cuadratura de Gauss que es otra
manera de hallar una aproximación de la integral

3
Derivación Numérica

Empezaremos con lo que es la derivada en general para recordar algunos fundamentos

de derivación o algunos conceptos básicos de derivación que utilizaremos en esta
sección.

En la figura 1 podemos ver la gráfica de una función genérica 𝑓(𝑥) que nos servirá en este
caso para analizar la derivada como una medida del cambio es decir, nos ayuda a obtener
una relación del cambio que sufre una de las variables respecto a la otra variable o de
este caso en particular del cambio que sufre la variable 𝑦 que es la variable dependiente
respecto a un cambio que sufre la variable 𝑥 que es la variable independiente.

Vamos a suponer que tenemos un cambio llamado Δ𝑥1 que es respecto a la variable 𝑥 y
el cambio con respecto a la variable 𝑦 tenemos Δ𝑦1, y de esta manera podemos crear una
Δ𝑦
relación entre ambos cambios es decir, tendríamos Δ𝑥1.
1

Ahora si nos vamos otro punto dentro de la gráfica y aplicamos el mismo el mismo valor
Δ𝑦
de cambio de la variable 𝑥 y otro cambio con respecto a 𝑦 tendríamos algo como esto Δ𝑥2.
2

De esta manera nos podemos dar cuenta que en este caso la relación de los dos puntos
es:

Δ𝑦1 Δ𝑦2
<
Δ𝑥1 Δ𝑥2

Si una línea recta ambos puntos podemos ver fácilmente que la pendiente de la recta color
azul es mucho menor a la pendiente de la otra recta color verde y de hecho este es el
concepto que se conoce como derivada promedio, es decir, en el caso de la pendiente de
la línea azul es la pendiente promedio que existe desde los dos puntos azul y ahora en la
pendiente de la otra línea color verde es igual a la pendiente promedio que existe entre
los puntos verdes.

4
 𝑓(𝑥)
𝑦 Δ𝑦2
Δ𝑥2
Δ𝑦2

Δ𝑥2
Δ𝑦1
Δ𝑥1
Δ𝑦1
Δ𝑥1
𝑥

Figura 1: Gráfica de derivadas

En la derivada numérica lo que se hace es una aproximación de la derivada promedio a

la derivada instantánea. Vamos a entender un poco más estos dos tipos de derivadas.

Supongamos que queremos obtener la deriva del punto rojo (𝑥𝑖 , 𝑦𝑖 ) de la figura 2. Si
nosotros pudiéramos obtener la derivada analítica de esta función en ese punto en
particular obtendríamos un valor cuya pendiente estaría relacionada con la línea de color
azul en la figura 2 es decir una línea que es tangente en el punto de interés, pero lo que
nos interesa en esta ocasión es cómo utilizamos la derivada promedio para aproximar el
valor de la derivada analítica.

Para eso vamos a colocar un punto de color verde en la posición (𝑥𝑖+1 , 𝑦𝑖+1 ) y lo que
vamos a hacer es dibujar una línea de color verde que una los puntos (𝑥𝑖 , 𝑦𝑖 ) y (𝑥𝑖+1 , 𝑦𝑖+1 ).
Con este paso ya estamos aproximando el valor de la derivada mediante el uso de la
derivada promedio que sería la pendiente de la línea verde.

𝑦
(𝑥𝑖+1 , 𝑦𝑖+1 )

𝑦𝑖

𝑥𝑖 𝑥

Figura 2: Gráfica de derivada promedio

5
Podemos ver a simple vista que es una mala aproximación ya que la pendiente de la línea
verde no se compara o no es parecida a la pendiente de la línea azul. Sin embargo, ya
estamos haciendo una aproximación y cómo podemos mejorar este resultado.

Lo que podemos hacer es acercar el punto verde a una posición más cercana al punto de
interés en esta ocasión como se ve en la figura 3. Ahora si dibujamos la recta tendríamos
pendiente más cercana a la línea azul y debemos seguir este mismo procedimiento en
caso de que queramos mejorar más este resultado.

(𝑥𝑖+1 , 𝑦𝑖+1 )

𝑦𝑖

𝑥𝑖

Figura 3: Gráfica de derivada para obtener un mejor resultado

Recordar que la línea azul representa a la pendiente real o a la pendiente analítica de esta
función. Este es básicamente el principio con el que funciona la derivada numérica que es
aproximar el valor de la derivada promedio al valor de la derivada analítica disminuyendo
la distancia entre el punto de interés y el punto que estamos suponiendo.

6
Diferencias finitas para la derivada

Las derivadas dan una medida de la tasa en la que una cantidad cambia. Hay ocasiones
en que alguna ecuación no es derivable o la derivada es difícil de obtener. En estos casos
es necesario y conveniente usar la derivación numérica.

La derivación numérica se basa en aproximar la pendiente de una línea recta a la

pendiente de la función cuya pendiente se desea calcular. Para visualizar esto de mejor
manera supongamos que se tiene una función que depende de 𝑥, es decir, 𝑓(𝑥).
Queremos conocer el valor de esta función en un punto 𝑥𝑖 . La pendiente de una recta, 𝑚,
en un espacio de dos dimensiones donde se tiene un eje 𝑥 y un eje 𝑦 está dado por la
siguiente ecuación:

1.a

Como se mencionó se aproxima la derivada de la función real a la pendiente de una recta

de acuerdo a la expresión 2.a. Donde xi es el punto para el que queremos conocer el valor
de la derivada de la función.

2.a

𝑦 −𝑦
La pregunta es cómo adaptamos la expresión 𝑥2 −𝑥1. Diremos que 𝑥1 = 𝑥𝑖 por lo que 𝑦1 =
2 1

𝑓(𝑥𝑖 ). Necesitamos también generar 𝑦2 y 𝑥2 . Para esto vamos a suponer una nueva
posición dentro de la función en el punto 𝑥𝑖 + ℎ, con lo que se obtiene un valor para 𝑓(𝑥𝑖 +
ℎ). Con esto 𝑥2 = 𝑥𝑖 + ℎ y 𝑦2 = 𝑓(𝑥𝑖 + ℎ). A ℎ se le conoce como tamaño de paso. En la
mayoría de ocasiones la aproximación de la derivada se mejora al usar un valor pequeño
para ℎ.

Usando este razonamiento, se pueden generar tres expresiones básicas para realizar el
cálculo numérico de una derivada.

7
Derivada hacia adelante.
La pendiente se calcula usando los puntos (𝑥𝑖 , 𝑓(𝑥𝑖 )) y (𝑥𝑖 + ℎ, 𝑓(𝑥𝑖 + ℎ))

3.a

Figura 4: Gráfica de aproximación de la derivada hacia adelante

Derivada hacia atrás

La pendiente se calcula usando los puntos (𝑥𝑖 − ℎ, 𝑓(𝑥𝑖 − ℎ)) y (𝑥𝑖 , 𝑓(𝑥𝑖 ))

4.a

Figura 5: Gráfica de aproximación de la derivada hacia atrás

8
Derivada centrada
La pendiente se calcula usando los puntos (𝑥𝑖 − ℎ, 𝑓(𝑥𝑖 − ℎ)) y (𝑥𝑖 + ℎ, 𝑓(𝑥𝑖 + ℎ))

5.a

Figura 6: Gráfica de aproximación de la derivada centrada

Para la mayoría de casos se obtiene una mejor aproximación usando la fórmula de

derivación centrada.

Ejercicio 1: Use aproximaciones con diferencias finitas hacia adelante, hacia atrás y una
aproximación de diferencia centrada para estimar la primera derivada de 𝑓(𝑥 ) = 𝑥 3 en 𝑥 =
2 utilizando un incremento de ℎ = 0.01

Primero resolvemos este ejercicio de manera analítica para comparar después el

resultado obtenido con las aproximaciones

𝑓 (𝑥 ) = 𝑥 3

𝑓′(𝑥 ) = 3𝑥 2

𝑓′(2) = 12

Derivada numérica hacia adelante

𝑑𝑓 𝑓 (𝑥𝑖 + ℎ) − 𝑓 (𝑥𝑖 ) (2 + 0.01)3 − (2)3 8.1206 − 8

≈ = = = 12.06
𝑑𝑥 ℎ 0.001 0.01

9
Derivada numérica hacia atrás

𝑑𝑓 𝑓 (𝑥𝑖 ) − 𝑓 (𝑥𝑖 − ℎ) (2)3 − (2 − 0.01)3 8 − 7.8805

≈ = = = 11.95
𝑑𝑥 ℎ ℎ 0.01

Derivada numérica centrada

𝑑𝑓 𝑓 (𝑥𝑖 + ℎ) − 𝑓 (𝑥𝑖 − ℎ) (2 + 0.01)3 − (2 − 0.01)3 8.1206 − 7.8805

≈ = = = 12.005
𝑑𝑥 2ℎ 2(0.01) 0.02

De manera muy clara podemos corroborar que el mejor resultado se obtiene cuando
utilizamos la derivación numérica centrada ya que en el primer caso cuando utilizamos la
fórmula hacia adelante obtenemos una diferencia respecto al valor real de 0.06.

En el segundo caso con la derivada numérica hacia atrás obtenemos una diferencia
respecto al valor real o al valor analítico de 0.05 y utilizando la derivada numérica centrada
sólo tenemos una diferencia de 0.005 unidades respecto al valor real que es una diferencia
que podemos despreciar.

Ejercicio 2: Use aproximaciones con diferencias finitas hacia adelante, hacia atrás y una
aproximación de diferencia centrada para estimar la primera derivada de

𝑓 (𝑥 ) = −0.1𝑥 4 − 0.15𝑥 3 − 0.5𝑥 2 − 0.25𝑥 + 1.2 en 𝑥 = 0.5 utilizando un incremento de

ℎ = 0.5

Si calculamos la derivada directamente obtendríamos:

𝑓 ′(𝑥) = −04𝑥 3 − 0.45𝑥 2 − 1.0𝑥 − 0.25

y se puede utilizar para calcular el valor verdadero como 𝑓 ′(0.5) = −0.9125

Derivada numérica hacia adelante

𝑑𝑓 𝑓 (𝑥𝑖 + ℎ) − 𝑓 (𝑥𝑖 ) 0.2 − 0.925

≈ = = −1.45
𝑑𝑥 ℎ 0.5

Derivada numérica hacia atrás

𝑑𝑓 𝑓 (𝑥𝑖 ) − 𝑓 (𝑥𝑖 − ℎ) 0.925 − 1.2

≈ = = −0.55
𝑑𝑥 ℎ 0.5

10
Derivada numérica centrada

𝑑𝑓 𝑓 (𝑥𝑖 + ℎ) − 𝑓 (𝑥𝑖 − ℎ) 0.2 − 1.2

≈ = = −1.0
𝑑𝑥 2ℎ 1.0

Ejercicio 3: Utilice el mismo polinomio del ejercicio 2 para encontrar las diferencias
numéricas utilizando un incremento de ℎ = 0.25

Derivada numérica hacia adelante

𝑑𝑓 𝑓 (𝑥𝑖 + ℎ) − 𝑓 (𝑥𝑖 ) 0.63632813 − 0.925

≈ = = −1.155
𝑑𝑥 ℎ 0.25

Derivada numérica hacia atrás

𝑑𝑓 𝑓 (𝑥𝑖 ) − 𝑓 (𝑥𝑖 − ℎ) 0.925 − 1.10351563

≈ = = −0.714
𝑑𝑥 ℎ 0.25

Derivada numérica centrada

𝑑𝑓 𝑓 (𝑥𝑖 + ℎ) − 𝑓 (𝑥𝑖 − ℎ) 0.63632813 − 1.10351563

≈ = = −0.934
𝑑𝑥 2ℎ 1.0

Para ambos tamaños de paso en los ejercicios 2 y 3, la aproximación en diferencias

centrales es más exacta que las diferencias hacia adelante y hacia atrás.

Recuerde que. – El mejor resultado se obtiene cuando utilizamos la derivación numérica

centrada en comparación a la derivación numérica hacia adelante y hacia atrás.

11
Extrapolación de Richardson

Este método mejora la aproximación de la derivada obtenida de los métodos anteriores

utilizando dos aproximaciones para calcular una tercera aproximación más exacta.

La fórmula es la siguiente:

4 1
𝐷 ≈ 𝐷 (ℎ2 ) − 𝐷(ℎ1 )
3 3

En donde ℎ1 y ℎ2 van hacer nuestras aproximaciones obtenidas a través de la derivada

numérica centrada.

Ejercicio 4: Use la extrapolación de Richardson para obtener una mejor aproximación a la

primera derivada de 𝑓 (𝑥 ) = −0.1𝑥 4 − 0.15𝑥 3 − 0.5𝑥 2 − 0.25𝑥 + 1.2 en 𝑥 = 0.5 utilizando
incrementos de ℎ1 = 0.5 y ℎ2 = 0.25

Si calculamos la derivada analíticamente obtendríamos:

𝑓 ′(𝑥) = −04𝑥 3 − 0.45𝑥 2 − 1.0𝑥 − 0.25

y se puede utilizar para calcular el valor verdadero como 𝑓 ′(0.5) = −0.9125

Primero aplicamos la derivada numérica centrada para ℎ1 y ℎ2

𝑑𝑓 𝑓 (𝑥𝑖 + ℎ1 ) − 𝑓(𝑥𝑖 − ℎ1 ) 0.2 − 1.2

≈ = = −1.0
𝑑𝑥 2ℎ1 1.0

𝑑𝑓 𝑓 (𝑥𝑖 + ℎ2 ) − 𝑓 (𝑥𝑖 − ℎ2 ) 0.63632813 − 1.10351563

≈ = = −0.934
𝑑𝑥 2ℎ2 1.0

Una vez que tenemos los resultados de ℎ1 y ℎ2 los reemplazamos en la fórmula

4 1
𝐷 ≈ 𝐷(ℎ2 ) − 𝐷(ℎ1 )
3 3

4 1
𝐷 ≈ (−0.934) − 𝐷(−1.0)
3 3

𝐷 ≈ −0.9125

Observamos que el resultado que obtuvimos con el método de la extrapolación de

Richardson tiene un 0% de error si lo comparamos con el resultado que se consiguió
analíticamente.

12
Integración numérica

Métodos de Newton-Cotes

Los métodos más comunes en la integración numérica son los de Newton-Cotes. Se

basan en la estrategia de reemplazar una función complicada o datos tabulados por un
polinomio de aproximación que es fácil de integrar:

𝑏 𝑏
𝐼 = ∫ 𝑓(𝑥) 𝑑𝑥 ≅ ∫ 𝑓𝑛 (𝑥) 𝑑𝑥
𝑎 𝑎

Donde 𝑓𝑛 (𝑥)= un polinomio de la forma

𝑓𝑛 (𝑥 ) = 𝑎0 + 𝑎1 𝑥 + ⋯ + 𝑎𝑛−1 𝑥 𝑛−1 + 𝑎𝑛 𝑥 𝑛

Donde 𝑛 es el grado del polinomio.

Por ejemplo, en la figura 7 se utiliza un polinomio de primer grado y otro de segundo grado
para obtener una aproximación.

Figura 7: Aproximación de una integral mediante el área a) una línea y b) una parábola

En la figura 8, vemos que la integral también se puede aproximar usando un conjunto de

polinomios aplicados por pedazos a la función o datos, sobre segmentos de longitud
constante.

13
 Figura 8: Aproximación de una integral mediante el área bajo tres segmentos

Si recordamos la forma general de una integral definida es la mostrada en la siguiente

expresión:

𝑏
𝐼 (𝑓 ) = ∫ = 𝑓(𝑥 )𝑑𝑥 1.b
𝑎

Donde 𝑓 (𝑥 ) es la función a integrar que depende de 𝑥, y 𝑎 y 𝑏 son los límites de

integración.

La integración numérica es importante debido a que algunas funciones matemáticas son

muy complicadas de integrar de forma analítica o simplemente no se pueden integrar de
forma analítica.

La mayoría de métodos de integración numérica dividen la integral original en la suma de

varias integrales, cada una cubriendo una pequeña parte de la integral original del
intervalo [𝑎, 𝑏]. El reescribir la integral se basa en la selección de los puntos de integración
𝑥1 , 𝑖 = 0, 1, 2, … , 𝑛 que son distribuidos en el intervalo [𝑎; 𝑏]. Aunque no es necesario que
por puntos estén distribuidos de forma equidistante, el hacerlo de esta forma simplifica las
expresiones obtenidas. Los puntos de integración pueden calcularse de acuerdo a la
fórmula:

𝑥𝑖 = 𝑎 + 𝑖ℎ, 𝑖 = 0, 1, 2, … , 𝑛

14
Donde ℎ se obtiene con la siguiente expresión:

𝑏−𝑎
ℎ=
𝑛

Dados los puntos de integración, la expresión original puede ser reescrita como la suma
de los subintervalos generados entre los dos puntos generales de integración. De esta
manera, la integral (1.b) puede ser expresada como se muestra a continuación:

𝑏 𝑥1 𝑥2 𝑥𝑛
𝐼 (𝑓 ) = ∫ 𝑓 (𝑥 ) 𝑑𝑥 = ∫ 𝑓(𝑥 ) 𝑑𝑥 = ∫ 𝑓(𝑥 ) 𝑑𝑥 + ⋯ , += ∫ 𝑓 (𝑥 ) 𝑑𝑥
𝑎 𝑥0 𝑥1 𝑥𝑛−1

Donde 𝑥0 = 𝑎 y 𝑥𝑛 = 𝑏

Método del Trapecio

El método de integración del trapecio utiliza una función que genera una línea recta o bien
un polinomio de primer orden, como se ve en la figura 9.

En la figura 9, vemos una gráfica de una función genérica 𝑓 (𝑥 ) y donde tenemos los límites
de integración 𝑎 y 𝑏, entonces el valor de la integral está dado por la siguiente expresión:

𝑏
𝐼 = ∫ 𝑓 (𝑥 ) 𝑑𝑥
𝑎

Como este método utiliza una función lineal, vamos a utilizar la forma lineal de los
polinomios de Newton que utilizamos en interpolación entonces tendríamos:

𝑓(𝑥 ) ≈ 𝑦1 + (𝑥 − 𝑥1 )𝑓[𝑥1 , 𝑥2 ]

si seguimos desarrollando la función tendremos:

𝑓 (𝑥2 ) − 𝑓 (𝑥1 ) 2.b

𝑓 (𝑥 ) ≈ 𝑦1 + (𝑥 − 𝑥1 )
𝑥2 − 𝑥1

15
 Figura 9: Representación Gráfica del método del trapecio

Ahora lo que vamos hacer es relacionar la función 2.b con la gráfica que tenemos en la
figura 9, para eso vamos a visualizar el método del trapecio considerando un solo intervalo
general por lo que tendríamos un solo trapecio, y este trapecio comienza en 𝑎 y termina
en 𝑏 y lo vamos a unir con una línea recta.

Vamos a relacionar la gráfica de la figura 9 donde aparece el trapecio con la función 2.b.
Para esto primero vamos a identificar 𝑦1 que es igual a 𝑓 (𝑎), ahora vamos a identificar
dónde se encuentra 𝑥1 que corresponde al valor de 𝑎 por lo que tendríamos (𝑥 − 𝑎) y por
último 𝑥2 correspondería a 𝑏 quedando la función de la siguiente manera:

𝑓 (𝑏 ) − 𝑓 ( 𝑎 ) 3.b
𝑓 (𝑥 ) ≈ 𝑓 (𝑎 ) + (𝑥 − 𝑎 )
𝑏−𝑎

De esta manera ya tenemos esta aproximación a la función general que vamos a usar en
la integral:

𝑏
𝑓 (𝑏 ) − 𝑓 (𝑎 ) 4.b
𝐼 ≈ ∫ (𝑓 (𝑎) + (𝑥 − 𝑎) ) 𝑑𝑥
𝑎 𝑏−𝑎

Si obtenemos la integral de (4.b) y después evaluamos entre 𝑎 y 𝑏 tenemos así:

1 5.b
𝐼 ≈ 𝑓 (𝑎)(𝑏 − 𝑎) + [𝑓 (𝑏) − 𝑓(𝑎)](𝑏 − 𝑎)
2

Falta reacomodar esta última aproximación quedando de la siguiente manera:

𝑓 ( 𝑎 ) + 𝑓 (𝑏 ) 6.b
𝐼≈ (𝑏 − 𝑎)
2

16
De esta manera acabamos de obtener una forma más práctica para aplicar el método de
integración del trapecio. En este caso considerando un solo trapecio o un intervalo
general.
4
Ejercicio 5: Aplique el método del trapecio para integrar numéricamente 𝑒 𝑥 en los
intervalos (-1, 1).

1
4
∫ 𝑒 𝑥 𝑑𝑥
−1

Datos:

𝑎 = −1
𝑏=1
4 4
𝑓 (𝑎) = 𝑓(−1) = 𝑒 𝑥 = 𝑒 −1 = 𝑒 1
4 4
𝑓 (𝑏) = 𝑓 (1) = 𝑒 𝑥 = 𝑒 1 = 𝑒 1

Ahora sustituimos en la fórmula los datos encontrados y resolvemos

𝑓 (𝑎 ) + 𝑓 ( 𝑏 )
𝐼≈ (𝑏 − 𝑎)
2

1
𝑥4
𝑒1 + 𝑒1
∫ 𝑒 𝑑𝑥 ≈ (1 − (−1))
−1 2

1
4 2𝑒 1
∫ 𝑒 𝑥 𝑑𝑥 ≈ (1 + 1)
−1 2

1
4
∫ 𝑒 𝑥 𝑑𝑥 ≈ 𝑒 1 (2) = 2𝑒 = 5.436563657
−1

La aproximación de la integral definida es 5.436563657 utilizando un intervalo.

17
Método del Trapecio de aplicación múltiple
La aproximación del método de trapecio simple para un solo intervalo o un segmento, en
la práctica no es de gran ayuda ya que conlleva a grandes errores de aproximación. Una
forma de mejorar la precisión de la regla del trapecio consiste en dividir el intervalo de
integración de 𝑎 a 𝑏 en varios sub-intervalos, y aplicar el método a cada uno de ellos. Ver
la figura 10

Figura 10: Ilustración del método del trapecio de aplicación múltiple. a) Dos intervalos, b) tres
intervalos, c) cuatro intervalos y d) cinco intervalos.

En la figura 11 se muestra el formato general y la nomenclatura que usaremos para

obtener integrales de aplicación múltiple. Hay 𝑛 + 1 puntos igualmente espaciados
(𝑥0 , 𝑥1 , 𝑥2 , … , 𝑥𝑛 ). En consecuencia, existen 𝑛 segmentos del mismo ancho:

𝑏−𝑎
ℎ=
𝑛

Si 𝑎 y 𝑏 se designan como 𝑥0 y 𝑥𝑛 , respectivamente, la integral completa se representará

como:

18
 𝑥1 𝑥2 𝑥𝑛
𝐼 ≈ ∫ 𝑓(𝑥 ) 𝑑𝑥 + ∫ 𝑓 (𝑥 ) 𝑑𝑥 + ⋯ + ∫ 𝑓(𝑥 ) 𝑑𝑥
𝑥0 𝑥1 𝑥𝑛−1

Sustituyendo la regla del trapecio en cada integral se obtiene

𝑓(𝑥0 ) + 𝑓 (𝑥1 ) 𝑓(𝑥1 ) + 𝑓(𝑥2 ) 𝑓 (𝑥𝑛−1 ) + 𝑓 (𝑥𝑛 )

𝐼≈ℎ +ℎ +⋯+ℎ
2 2 2

o, agrupando términos,

𝑛−1
ℎ
𝐼 ≈ [𝑓 (𝑥0 ) + 2 ∑ 𝑓 (𝑥𝑖 ) + 𝑓 (𝑥𝑛 )]
2
𝑖=1

Figura 11: Formato general y nomenclatura para integrales de aplicación múltiple

Recuerde que. – Una forma de mejorar la precisión de la regla del trapecio consiste en dividir
el intervalo de integración de a a b en varios sub-intervalos.

19
Ejercicio 6: Aplique el método del trapecio con cinco intervalos para integrar
4
numéricamente 𝑒 𝑥 en los intervalos (-1, 1)
1
4
∫ 𝑒 𝑥 𝑑𝑥
−1

Identificamos los datos

𝑛=5
𝑎 = −1
𝑏=1
Calculamos h con la siguiente fórmula:
𝑏 − 𝑎 1 − (−1) 2
ℎ= = = = 0.4
𝑛 5 5

ℎ es la longitud que va a tener cada intervalo

𝑥0 = −1 𝑥1 = −0.6 𝑥2 = −0.2 𝑥3 = 0.2 𝑥4 = 0.6 𝑥5 = 1

4
𝑓 (𝑥 ) = 𝑒 𝑥
4
𝑓 (𝑥0 ) = 𝑓 (−1) = 𝑒 −1 = 𝑒 1
4
𝑓 (𝑥1 ) = 𝑓 (−0.6) = 𝑒 −0.6 = 𝑒 0.1296
4
𝑓 (𝑥2 ) = 𝑓 (−0.2) = 𝑒 −0.2 = 𝑒 0.0016
4
𝑓 (𝑥3 ) = 𝑓 (0.2) = 𝑒 0.2 = 𝑒 0.0016
4
𝑓 (𝑥4 ) = 𝑓 (0.6) = 𝑒 0.6 = 𝑒 0.1296
4
𝑓 (𝑥5 ) = 𝑓 (1) = 𝑒 1 = 𝑒 1

Aplicamos la fórmula.
𝑛−1
ℎ
𝐼 ≈ [𝑓 (𝑥0 ) + 2 ∑ 𝑓 (𝑥𝑖 ) + 𝑓 (𝑥𝑛 )]
2
𝑖=1

0.4 1
𝐼≈ [𝑒 + 2𝑒 0.1296 + 2𝑒 0.0016 + 2𝑒 0.0016 + 2𝑒 0.1296 + 𝑒 1 ]
2

𝐼 ≈ 0.2 (13.99646055) = 2.79929211

20
Si comparamos los resultados de los ejercicios 4 y 5, podemos darnos cuenta que hay
bastante diferencia en el cálculo. Pero la aproximación más acertada es la del ejercicio 5
porque se utilizan intervalos obteniendo así un margen de error pequeño.

Ejercicio 7: Aplique el método del trapecio con dos intervalos para estimar la integral de
𝑓 (𝑥 ) = 0.2 + 25𝑥 − 200𝑥 2 + 675𝑥 3 − 900𝑥 4 + 400𝑥 5 Desde 𝑎 = 0 hasta 𝑏 = 0.8

Identificamos los datos

𝑛=2
𝑎=0
𝑏 = 0.8
Calculamos ℎ con la siguiente fórmula:
𝑏 − 𝑎 0.8 − 0
ℎ= = = 0.4
𝑛 2

𝑓 (𝑥0 ) = 𝑓 (0) = 0.2

𝑓 (𝑥1 ) = 𝑓 (0.4) = 2.456
𝑓 (𝑥2 ) = 𝑓 (0.8) = 0.232
𝑛−1
ℎ
𝐼 ≈ [𝑓 (𝑥0 ) + 2 ∑ 𝑓 (𝑥𝑖 ) + 𝑓 (𝑥𝑛 )]
2
𝑖=1

0.4
𝐼≈ [0.2 + 2(2.456) + 0.232]
2
𝐼 ≈ 1.0688

Si resolvemos el ejercicio 6 aplicando diez intervalos el resultado sería 1.6150 dándonos

una aproximación más acertada al valor real de la integral

21
Métodos de Simpson

El método del trapecio descrito anteriormente aproxima el comportamiento de la función

con el uso de líneas rectas. Una mejor solución puede ser obtenida aproximando una línea
curva a la función que se desea integrar. El método de Simpson 1/3 usa un polinomio
cuadrático para realizar esta aproximación y el método de Simpson 3/8 usa un polinomio
cúbico.

Método de Simpson 1/3

En este método se usa un polinomio cuadrático para aproximar la función que se desea
integrar. Los coeficientes del polinomio cuadrático pueden obtenerse a partir de tres
puntos, ver figura 12. Si se cuenta con un dominio [𝑎, 𝑏], los puntos que deben ser usados
𝑎+𝑏
son 𝑥1 = 𝑎, 𝑥3 = 𝑏 y 𝑥2 = 2
.

𝑥1 𝑥2 𝑥3

Figura 12: Descripción gráfica del método de Simpson 1/3

El polinomio puede ser escrito como aparece en la siguiente expresión

Donde 𝛼, 𝛽 y 𝛾 son las constantes del polinomio y pueden ser calculadas como se
muestra a continuación:

22
 𝑏−𝑎
Donde ℎ = . Sustituyendo el valor de las constantes se obtiene el siguiente arreglo
2

matemático:
𝑥3 𝑥3
ℎ ℎ 𝑎+𝑏
∫ 𝑓(𝑥) 𝑑𝑥 ≈ ∫ 𝑝(𝑥 ) 𝑑𝑥 = [𝑓 (𝑥1 ) + 4𝑓 (𝑥2 ) + 𝑓 (𝑥3 )] = [𝑓(𝑎) + 4𝑓 ( ) + 𝑓 (𝑏 )]
𝑥1 𝑥1 3 3 2

Ejercicio 8: Aplique el método de Simpson simple para estimar la integral de

𝑓 (𝑥 ) = 0.2 + 25𝑥 − 200𝑥 2 + 675𝑥 3 − 900𝑥 4 + 400𝑥 5 Desde 𝑎 = 0 hasta 𝑏 = 0.8

Identificamos los datos

𝑎=0
𝑏 = 0.8
𝑏 − 𝑎 0.8 − 0
ℎ= = = 0.4
𝑛 2

𝑎 + 𝑏 0 + 0.8
= = 0.4
2 2

𝑓 (𝑥1 ) = 𝑓 (0) = 0.2

𝑓 (𝑥2 ) = 𝑓 (0.4) = 2.456
𝑓 (𝑥3 ) = 𝑓 (0.8) = 0.232
ℎ 𝑎+𝑏
𝐼≈ [𝑓 (𝑎) + 4𝑓 ( ) + 𝑓 (𝑏 )]
3 2

0.4
𝐼≈ [0.2 + 4(2.456) + 0.232] = 1.367467
3

Recuerde que. – El método de Simpson 1/3 consiste en tomar el área bajo una parábola que
une tres puntos.

23
Método de Simpson 1/3 de aplicación múltiple
El método compuesto de Simpson 1/3 divide el intervalo [𝑎, 𝑏] en 𝑛 sub-intervalos. Los
sub-intervalos pueden tener un ancho arbitrario. El método compuesto está limitado usar
𝑏−𝑎
un ancho ℎ igual para cada sub-intervalo, que se calcula como ℎ = . Debido a que es
𝑛

necesario contar con tres puntos para obtener los coeficientes del polinomio cuadrático,
el método compuesto de Simpson 1/3 se aplica a dos sub-intervalos adyacentes a la vez.
Por ejemplo, el sub-intervalo uno y dos, luego el tres y cuarto, y así sucesivamente. Por
lo tanto, es necesario contar con un número par de sub-intervalos. Realizando lo anterior,
la integral de una función, 𝑓(𝑥), en el intervalo [𝑎, 𝑏] se expresa como:

Lo anterior de forma gráfica se vería como:

Figura 14: Descripción gráfica del método de Simpson 1/3 de aplicación múltiple

24
De forma general el método de aplicación múltiple de Simpson se expresa con la
ecuación:

𝑏 𝑛 𝑛−1
ℎ
∫ 𝑓(𝑥) 𝑑𝑥 ≈ [𝑓 (𝑎) + 4 ∑ 𝑓 (𝑥𝑖 ) + 2 ∑ 𝑓(𝑥𝑗 ) + 𝑓(𝑏)]
𝑎 3
𝑖=2,4,6 𝑗=3,5,7

𝑏−𝑎
Donde ℎ = 𝑛

Ejercicio 9: Aplique el método de Simpson 1/3 de aplicación múltiple con n=4 para estimar
la integral de
𝑓 (𝑥 ) = 0.2 + 25𝑥 − 200𝑥 2 + 675𝑥 3 − 900𝑥 4 + 400𝑥 5 Desde 𝑎 = 0 hasta 𝑏 = 0.8

Identificamos los datos

𝑛=4
𝑎=0
𝑏 = 0.8
𝑏 − 𝑎 0.8 − 0
ℎ= = = 0.2
𝑛 4

𝑓 (𝑥1 ) = 𝑓 (0) = 0.2

𝑓 (𝑥2 ) = 𝑓 (0.2) = 1.288
𝑓 (𝑥3 ) = 𝑓 (0.4) = 2.456
𝑓 (𝑥4 ) = 𝑓 (0.6) = 3.464
𝑓 (𝑥5 ) = 𝑓 (0.8) = 0.232
𝑛 𝑛−1
ℎ
𝐼 ≈ [𝑓 (𝑎) + 4 ∑ 𝑓(𝑥𝑖 ) + 2 ∑ 𝑓(𝑥𝑗 ) + 𝑓(𝑏)]
3
𝑖=2,4,6 𝑗=3,5,7

0.2
𝐼≈ [0.2 + 4(1.288 + 3.464) + 2(2.456) + 0.232]
3

𝐼 ≈ 1.623467

Recuerde que. – El método de Simpson 1/3 de aplicación múltiple se puede emplear sólo si el
número de intervalos es par.

25
Método de Simpson 3/8
Este método usa un polinomio cúbico para aproximar el comportamiento de la función a
integrar. Para esto es necesario contar con cuatro puntos. Usando el dominio [𝑎, 𝑏], los
puntos son 𝑥1 = 𝑎, 𝑥4 = 𝑏 y los otros son puntos intermedios 𝑥2 y 𝑥3 . El polinomio a utilizar
es:

𝑝(𝑥 ) = 𝑐3 𝑥 3 + 𝑐2 𝑥 2 + 𝑐1 𝑥 + 𝑐0

donde 𝑐3, 𝑐2 , 𝑐1 , y 𝑐0 son las constantes para las cuales el polinomio pasa por los puntos
𝑝(𝑥1 ) = 𝑓 (𝑥1 ), 𝑝(𝑥2 ) = 𝑓(𝑥2 ), 𝑝(𝑥3 ) = 𝑓(𝑥3 ) y 𝑝(𝑥4 ) = 𝑓(𝑥4 ). Una vez que las constantes
son obtenidas se puede obtener la siguiente aproximación de la integral:

𝑏 𝑏
3ℎ
∫ 𝑓(𝑥) 𝑑𝑥 ≈ ∫ 𝑝(𝑥 ) 𝑑𝑥 = [𝑓 (𝑎) + 3𝑓 (𝑥2 ) + 3𝑓 (𝑥3 ) + 𝑓(𝑏)]
𝑎 𝑎 8

Ejercicio 10: Aplique el método de Simpson 3/8 para estimar la integral de

𝑓 (𝑥 ) = 0.2 + 25𝑥 − 200𝑥 2 + 675𝑥 3 − 900𝑥 4 + 400𝑥 5 Desde 𝑎 = 0 hasta 𝑏 = 0.8

Identificamos los datos sabiendo que se requiere cuatro puntos equidistantes

𝑎=0
𝑏 = 0.8
𝑎 + 𝑏 0 + 0.8
= = 0.2667
3 3

𝑓 (𝑥1 ) = 𝑓 (0) = 0.2

𝑓 (𝑥2 ) = 𝑓 (0.2667) = 1.432724
𝑓 (𝑥3 ) = 𝑓 (0.5333) = 3.487177
𝑓 (𝑥4 ) = 𝑓 (0.8) = 0.232
3ℎ
𝐼≈ [𝑓(𝑎) + 3𝑓 (𝑥2 ) + 3𝑓 (𝑥3 ) + 𝑓(𝑏)]
8

3(0.2667)
𝐼≈ [0.2 + 3(1.432724) + 3(3.487177) + 0.232]
8

𝐼 ≈ 1.519

De igual manera que en los métodos anteriores, se puede aumentar la precisión del
método de Simpson 3/8

26
Método de Simpson 3/8 de aplicación múltiple
En el método de Simpson 3/8 de aplicación múltiple, el intervalo [𝑎, 𝑏] se divide en 𝑛 sub-
intervalos. Es necesario que cada sub-intervalo tenga el mismo ancho, ℎ, que se obtiene
𝑏−𝑎
como ℎ = .
𝑛

Se requieren cuatro puntos para construir el polinomio cúbico, por lo que al ser aplicados
sub-intervalos adyacentes el método de Simpson 3/8 requiere a los primeros tres
intervalos, luego al cuarto, quinto y sexto, y así sucesivamente. Por tanto, el número total
de sub-intervalos debe ser divisible entre 3. La fórmula general usada en el método de
aplicación múltiple de Simpson 3/8 es:

𝑏 𝑏 𝑛−1 𝑛−2
3ℎ
∫ 𝑓(𝑥) 𝑑𝑥 ≈ ∫ 𝑝(𝑥 ) 𝑑𝑥 ≈ [𝑓(𝑎) + 3 ∑ [𝑓 (𝑥𝑖 ) + 𝑓 (𝑥𝑖+1 )] + 2 ∑ 𝑓(𝑥𝑗 ) + 𝑓(𝑏)]
𝑎 𝑎 8
𝑖=2,5,8 𝑗=4,7,10

Ejercicio 11: Aplique el método de Simpson 3/8 de aplicación múltiple con n=6 para
estimar la integral de
𝑓 (𝑥 ) = 0.2 + 25𝑥 − 200𝑥 2 + 675𝑥 3 − 900𝑥 4 + 400𝑥 5 Desde 𝑎 = 0 hasta 𝑏 = 0.8

Identificamos los datos

𝑛=6
𝑎=0
𝑏 = 0.8
𝑏 − 𝑎 0.8 − 0
ℎ= = = 0.1333
𝑛 6

𝑓 (𝑥1 ) = 𝑓 (0) = 0.2

𝑓 (𝑥2 ) = 𝑓 (0.1333) = 1.3102
𝑓 (𝑥3 ) = 𝑓 (0.2667) = 1.4327
𝑓 (𝑥4 ) = 𝑓 (0.4) = 2.456
𝑓 (𝑥5 ) = 𝑓 (0.5333) = 3.4872
𝑓 (𝑥6 ) = 𝑓 (0.6667) = 2.8749
𝑓 (𝑥7 ) = 𝑓 (0.8) = 0.232

27
 𝑛−1 𝑛−2
3ℎ
𝐼≈ [𝑓(𝑎) + 3 ∑ [𝑓 (𝑥𝑖 ) + 𝑓 (𝑥𝑖+1 )] + 2 ∑ 𝑓(𝑥𝑗 ) + 𝑓(𝑏)]
8
𝑖=2,5,8 𝑗=4,7,10

3(0.1333)
𝐼≈ [0.2 + 3(1.3102 + 1.4327 + 3.4872 + 2.8749) + 2(2.456) + 0.232]
8

𝐼 ≈ 1.6329

Método de Romberg

Este método hace uso de la regla del trapecio para calcular la integración numérica de
funciones y además surge de aplicar sucesivamente la extrapolación de Richardson.

La extrapolación de Richardson en lo que es la integración numérica tiene el mismo

principio que en la derivación numérica que vimos anteriormente en la cual, se hace una
tercera aproximación a partir de dos resultados obtenidos anteriormente.

En la extrapolación de Richardson supone la 𝐼 (ℎ1 ) e 𝐼(ℎ2 ) dos aproximaciones en donde

𝐼 (ℎ2 ) se asume que es más exacta comparada con 𝐼(ℎ1 ), con un espaciamiento de ℎ1 y
ℎ2 . Se cumple que una mejor aproximación 𝐼 corresponde a:

En el caso especial donde el intervalo es dividido a la mitad (ℎ2 = ℎ1 /2), se tiene que:

ℎ𝑖 −1
Así en el método de Romberg, asumiendo que ℎ𝑖 = , la fórmula general será:
2

4𝑘−1 𝐼𝑗+1,𝑘−1 − 𝐼𝑗,𝑘−1

𝐼𝑗,𝑘 ≅
4𝑘−1 − 1

28
Donde 𝐼𝑗+1,𝑘−1 1 e 𝐼𝑗,𝑘−1 son las integrales más y menos exactas, respectivamente, e 𝐼𝑗,𝑘
es la integral mejorada. El subíndice 𝑘 significa el nivel de la integración y el subíndice
𝑗 se usa para distinguir entre las estimaciones más (𝑗 + 1) y menos (𝑗) exactas

Ejercicio 12: Utilice la integración de Romberg con 𝑘 = 5, para estimar una aproximación
de:

16
𝑥 3 − 6𝑥
∫ 𝑑𝑥
0 𝑥2 + 3

Como 𝑘 = 5, debemos de tener 5 aproximaciones iniciales. Aplicaremos la regla del

Trapecio simple cuando 𝑛 = 1 y de aplicación múltiples cuando 𝑛 > 1 para encontrar las
primeras aproximaciones.

Debemos de tener presente que los ℎ siempre son la mitad de los ℎ anterior, entonces los
mejor es iniciar por 𝑛1 = 1, que sería la cantidad de sub-intervalos. Ahora 𝑛2 = 2 que sería
dividir en dos el intervalo anterior y así sucesivamente hasta 𝑛5 porque para este ejercicio
𝑘 = 5.

𝑛1 = 1, 𝑛2 = 2, 𝑛3 = 4, 𝑛4 = 8, 𝑛5 = 16

Encontramos las primeras aproximaciones con la regla del Trapecio

Para 𝑛1 = 1

𝑎=0
𝑏 = 16
𝑛1 = 1

𝑓 (𝑎 ) + 𝑓 (𝑏 )
𝐼1,1 ≈ (𝑏 − 𝑎 )
2

0 + 15.4440
𝐼1,1 ≈ (16 − 0) = 123.5521
2

Para 𝑛2 = 2

𝑎=0
𝑏 = 16
𝑛2 = 2

29
 𝑏 − 𝑎 16 − 0 16
ℎ= = = =8
𝑛 2 2

𝑥0 = 0 𝑥1 = 8 𝑥2 = 16

𝑛−1
ℎ
𝐼2,1 ≈ [𝑓 (𝑥0 ) + 2 ∑ 𝑓 (𝑥𝑖 ) + 𝑓 (𝑥𝑛 )]
2
𝑖=1

8
𝐼2,1 ≈ [0 + 2(6.9254) + 15.4440]
2

𝐼2,1 ≈ 117.1790

Para 𝑛3 = 4

𝑎=0
𝑏 = 16
𝑛3 = 4

𝑏 − 𝑎 16 − 0 16
ℎ= = = =4
𝑛 4 2

𝑥0 = 0 𝑥1 = 4 𝑥2 = 8 𝑥3 = 12 𝑥4 = 16

𝑛−1
ℎ
𝐼3,1 ≈ [𝑓 (𝑥0 ) + 2 ∑ 𝑓 (𝑥𝑖 ) + 𝑓 (𝑥𝑛 )]
2
𝑖=1

4
𝐼3,1 ≈ [0 + 2(2.1053) + 2(6.9254) + 2(11.2653) + 15.4440]
2

𝐼3,1 ≈ 112.0718

Para 𝑛4 = 8

𝑎=0
𝑏 = 16
𝑛4 = 8

𝑏 − 𝑎 16 − 0 16
ℎ= = = =2
𝑛 8 8

𝑥0 = 0 𝑥1 = 2 𝑥2 = 4 𝑥3 = 6 𝑥4 = 8 𝑥5 = 10 𝑥6 = 12 𝑥7 = 14 𝑥8 = 16

30
 𝑛−1
ℎ
𝐼4,1 ≈ [𝑓 (𝑥0 ) + 2 ∑ 𝑓 (𝑥𝑖 ) + 𝑓 (𝑥𝑛 )]
2
𝑖=1

2
𝐼4,1 ≈ [0 + 2(−0.5714) + 2(2.1053) + 2(4.6154) + 2(6.9254) + 2(9.1262) + 2(11.2653)
2
+ 2(13.3668) + 15.4440]

𝐼4,1 ≈ 109.1099

Para 𝑛5 = 16

𝑎=0
𝑏 = 16
𝑛5 = 16

𝑏 − 𝑎 16 − 0 16
ℎ= = = =1
𝑛 16 16

𝑥0 = 0 𝑥1 = 1 … 𝑥15 = 15 𝑥16 = 16

𝑛−1
ℎ
𝐼5,1 ≈ [𝑓 (𝑥0 ) + 2 ∑ 𝑓 (𝑥𝑖 ) + 𝑓 (𝑥𝑛 )]
2
𝑖=1

1
𝐼5,1 ≈ [0 + 2(−1.2500) + 2(−0.5714) + ⋯ + 2(13.3668) + 2(14.4079) + 15.4440]
2

𝐼5,1 ≈ 108.2013

Ahora resolvemos las siguientes aproximaciones utilizando la formula

4𝑘−1 𝐼𝑗+1,𝑘−1 − 𝐼𝑗,𝑘−1

𝐼𝑗,𝑘 ≅
4𝑘−1 − 1

Con 𝐼1,1 ≈ 123.5521 y 𝐼2,1 ≈ 117.1790

𝐼𝑗+1,𝑘−1 = 117.1790 equivale al resultado más exacto

42−1 (117.1790) − 123.5521

𝐼2,2 ≅
42−1 − 1

𝐼2,2 ≅ 115.0547

31
Con 𝐼2,1 ≈ 117.1790 y 𝐼3,1 ≈ 112.0718

4𝑘−1 𝐼𝑗+1,𝑘−1 − 𝐼𝑗,𝑘−1

𝐼𝑗,𝑘 ≅
4𝑘−1 − 1

𝐼𝑗+1,𝑘−1 = 112.0718 equivale al resultado más exacto

42−1 (112.0718) − 117.1790

𝐼3,2 ≅
42−1 − 1

𝐼3,2 ≅ 110.3694

Con 𝐼3,1 ≈ 112.0718 y 𝐼4,1 ≈ 109.1099

4𝑘−1 𝐼𝑗+1,𝑘−1 − 𝐼𝑗,𝑘−1

𝐼𝑗,𝑘 ≅
4𝑘−1 − 1

𝐼𝑗+1,𝑘−1 = 109.1099 equivale al resultado más exacto

42−1 (109.1099) − 112.0718

𝐼4,2 ≅
42−1 − 1

𝐼4,2 ≅ 108.1226

Con 𝐼4,1 ≈ 109.1099 y 𝐼5,1 ≈ 108.2013

4𝑘−1 𝐼𝑗+1,𝑘−1 − 𝐼𝑗,𝑘−1

𝐼𝑗,𝑘 ≅
4𝑘−1 − 1

𝐼𝑗+1,𝑘−1 = 108.2013 equivale al resultado más exacto

42−1 (108.2013) − 109.1099

𝐼5,2 ≅
42−1 − 1

𝐼5,2 ≅ 107.8984

Si seguimos haciendo las operaciones sucesivas, al final nos quedaría como se muestra
a continuación

32
Siendo 107.8818 que es una mejor aproximación de la integral que estábamos buscando
en nuestro ejercicio

Cuadratura de Gauss

Hasta el momento hemos visto que para estimar la integral tenemos que utilizar valores
igualmente espaciados de la función. En consecuencia, la localización de los puntos que
se usaron eran predeterminados o fijos.

Ahora, supongamos que se elimina la restricción de los puntos fijos y se tuviera la libertad
de evaluar el área bajo una línea recta que uniera dos puntos cualesquiera de la curva. Al
ubicar esos puntos en forma inteligente, definiríamos una línea recta que equilibrara los
errores negativo y positivo, logrando una estimación de la integral.

Figura 15: Descripción gráfica del a) Método de Trapecio, b) Cuadratura de Gauss con dos
puntos

33
En la figura 15 vemos la representación gráfica de a) la regla del trapecio como el área
bajo la línea recta que une los puntos extremos fijos. b) Se obtiene una mejor estimación
de la integral tomando el área bajo la línea recta que pasa por dos puntos intermedios.

La fórmula general es la siguiente:

𝑏 𝑛
𝑏−𝑎 𝑏−𝑎 𝑎+𝑏
∫ 𝑓(𝑥) 𝑑𝑥 ≈ ∑ 𝑤𝑖 [𝑓 ( 𝑧𝑖 + )]
𝑎 2 2 2
𝑖=1

Donde 𝑤𝑖 es el valor del coeficiente, 𝑧𝑖 es el valor de las abscisas de la cuadratura de

Gauss, 𝑛 es el número de puntos a utilizar y los valores de 𝑎 y 𝑏 que ya conocemos que
serían el límite inferior y superior respectivamente.

Los valores de los coeficientes y de las abscisas varían según los puntos a emplear. Ver
la siguiente tabla:

Ejercicio 13: Usando el método de la cuadratura de Gauss con dos puntos, calcule el valor
de la siguiente integral:

1.2
2
∫ 𝑒 𝑥 𝑑𝑥
0.2

Identificamos los datos

𝑎 = 0.2
𝑏 = 1.2

34
𝑛=2
Los valores de w y z los obtenemos de la tabla mostrada anteriormente cuando se utilizan
dos puntos

𝑤1 = 𝑤1 = 1
𝑧1 = −0.5773502692
𝑧2 = 0.5773502692

Aplicamos la fórmula

𝑏 𝑛
𝑏−𝑎 𝑏−𝑎 𝑎+𝑏
∫ 𝑓(𝑥) 𝑑𝑥 ≈ ∑ 𝑤𝑖 [𝑓 ( 𝑧𝑖 + )]
𝑎 2 2 2
𝑖=1

𝑏
𝑏−𝑎 𝑏−𝑎 𝑎+𝑏 𝑏−𝑎 𝑎+𝑏
∫ 𝑓(𝑥) 𝑑𝑥 ≈ 𝑤1 [𝑓 ( 𝑧1 + )] + 𝑤2 [𝑓 ( 𝑧2 + )]
𝑎 2 2 2 2 2

1.2 − 0.2 1.2 − 0.2 0.2 + 1.2

𝐼≈ 1 [𝑓 ( (−0.5773502692) + )]
2 2 2
1.2 − 0.2 0.2 + 1.2
+ 1 [𝑓 ( (0.5773502692) + )]
2 2

𝐼 ≈ 0.5[(1) 𝑓 (0.41132) + (1) 𝑓(0.98868)]

Evaluamos los valores en la función

2
𝑓 (𝑥 ) = 𝑒 𝑥

𝑓 (0.41132) = 1.18434

𝑓 (0.988682) = 2.65777

𝐼 ≈ 0.5[(1)(1.18434) + (1) (2.65777)]

𝐼 ≈ 1.92106

35
Ejercicios propuestos

1. Evalúe la siguiente integral

4
∫ (1 − 𝑒 −2𝑥 ) 𝑑𝑥
0

a) En forma analítica
b) Con una sola aplicación de la regla de trapecio
c) Con aplicación múltiple de la regla del trapecio, con n = 2 y 4
d) Con una sola aplicación de la regla de Simpson 1/3
e) Con la aplicación múltiple de la regla de Simpson 1/3, con n = 4
f) Con una sola aplicación de la regla de Simpson 3/8
g) Con aplicación múltiple de la regla de Simpson, con n = 5

2. Evalúe la siguiente integral

𝜋 ⁄2
∫ (6 + 3 cos 𝑥 ) 𝑑𝑥
0

a) En forma analítica
b) Con una sola aplicación de la regla de trapecio
c) Con aplicación múltiple de la regla del trapecio, con n = 2 y 4
d) Con una sola aplicación de la regla de Simpson 1/3
e) Con la aplicación múltiple de la regla de Simpson 1/3, con n = 4
f) Con una sola aplicación de la regla de Simpson 3/8
g) Con aplicación múltiple de la regla de Simpson, con n = 5

36