Metodos Numericos Tema 5 Apuntes

2.
1 Métodos de intervalo
Método grafico:
Un método simple para obtener una aproximación a la raíz de la ecuación f(x) = 0
consiste en graficar la función y observar dónde cruza el eje x. Este punto, que
representa el valor de x para el cual f(x) = 0, ofrece una aproximación inicial de la
raíz.
Planteamiento del problema. Utilice el método gráfico para determinar el

coeficiente de arrastre c necesario para que un paracaidista de masa m = 68.1 kg
tenga una velocidad de 40 m/s después de una caída libre de t = 10 s. Nota: La
aceleración de la gravedad es 9.8 m/s2.
Solución. Este problema se resuelve determinando la raíz de la ecuación (PT2.4)
usando los parámetros t = 10, g = 9.8, v = 40 y m = 68.1:
Diversos valores de c pueden sustituirse en el lado derecho de esta ecuación para

calcular
Estos puntos se grafican en la figura 5.1. La curva resultante cruza el eje c entre 12
y 16. Un vistazo a la gráfica proporciona una aproximación a la raíz de 14.75. La
validez de la aproximación visual se verifica sustituyendo su valor en la ecuación
(E5.1.1) para obtener
que está cercano a cero. También se verifica por sustitución en la ecuación (PT2.4)
junto con el valor de los parámetros de este ejemplo para dar
que es muy cercano a la velocidad de caída deseada de 40 m/s.

El método grafico para determinar a la velocidad de caída deseada de 40 m/s.
Bibliografía
Walter Mora F, Introducción a los métodos numéricos, Instituto Tecnológico de
Costa Rica, 2013. Páginas: 90
Chapra C.S. y Canale P.R., Métodos numéricos para ingenieros, McGraw-Hill,
5ª edición, página 138.
2.2 Métodos de Bisección
El método de bisección, conocido también como de corte binario, de partición

de intervalos o de Bolzano, es un tipo de búsqueda incremental en el que el
intervalo se divide siempre a la mitad. Si 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.
Este método se basa en el teorema de los valores intermedios, el cual

establece que ƒ(∈ 𝐶[𝑎, 𝑏]) toma todos los valores que se hallan entre ƒ(𝑎) y
ƒ(𝑏), Esto es, que todo valor entre ƒ(𝑎) e ƒ(𝑏) es la imagen de al menos un valor
en el intervalo [𝑎, 𝑏].
En caso de que ƒ(𝑎) y ƒ(𝑏) tengan signos opuestos (es decir (ƒ(𝑎) ∗ ƒ(𝑏) < 0),
el valor cero sería un valor intermedio entre ƒ(𝑎) y ƒ(𝑏), por lo que con certeza
existe un 𝑥 ∗ en [𝑎, 𝑏] que cumple ƒ(𝑥 ∗ ) = 0. De esta forma, se asegura la
existencia de al menos una solución de la ecuación ƒ(𝑥 ) = 0. El método
consiste en suponer que en el intervalo [𝑎, 𝑏] hay un cero de ƒ. Calculamos el
(𝑎 + 𝑏)
punto medio m = del intervalo [𝑎, 𝑏]. A continuación, calculamos ƒ(𝑚). En
2
caso de que ƒ(𝑚) sea igual a cero, ya hemos encontrado la solución buscada.
En caso de que no lo sea, verificamos si ƒ(𝑚) tiene signo opuesto al de ƒ(𝑎).
Se redefine el intervalo [𝑎, 𝑏] como [𝑎, 𝑚] o [𝑚, 𝑏] según se haya determinado
en cuál de estos intervalos ocurre un cambio de signo. A este nuevo intervalo
se le aplica el mismo procedimiento y así, sucesivamente, iremos encerrando
la solución en un intervalo cada vez más pequeño, hasta alcanzar la precisión
deseada.
En la siguiente figura se ilustra el procedimiento descrito.
El procedimiento descrito construye tres sucesiones 𝑎𝑛 , 𝑏𝑛 , 𝑚𝑛 .
𝑏 +𝑑
• Para k =1, 2…, 𝑚𝑘 = 𝑘 2 𝑘 y ⌊𝑎𝑘 , 𝑏𝑘 ⌋ =
⌊𝑚 − 1, 𝑏𝑘 − 1 𝑠𝑖 ƒ(𝑎𝑘 − 1)ƒ(𝑚𝑘 − 1) > 0⌋
{ 𝑘
⌊𝑎𝑘 − 1, 𝑚𝑘 − 1 𝑠𝑖 ƒ(𝑎𝑘 − 1)ƒ(𝑚𝑘 − 1) < 0⌋
• Estimación del error: El error exacto en el k-ésimo paso es ⌊𝑚𝑘 − 𝑥 ∗ ⌋.
Geométricamente se puede ver que esto es menos que la mitad del
𝑏 +𝑎 𝑏−𝑎
intervalo ⌊𝑎𝑘 , 𝑏𝑘 ⌋, es decir ⌊𝑚𝑘 − 𝑥 ∗ ⌋ ≤ 𝑘 2 𝑘 = 2𝑘 .
EJEMPLO 1
Aplicar el método de bisección 𝑥 2 = cos(𝑥) + 1 𝑒𝑛 [1,2].
La reescribimos como 𝑥 2 − cos(𝑥) − 1 = 0. En este caso, ƒ(𝑥) = 𝑥 2 − cos(𝑥) −
1. Esta función tiene un cero en el intervalo [1,2] pues, efectivamente:
ƒ(1) ∗ ƒ(2) = −1.84575 … < 0.
Calculemos ahora 𝑎𝑘 , 𝑏𝑘 , 𝑚𝑘 , así como la estimación del error.
𝑎1 +𝑏1
𝑘 = 1: 𝑎1 = 1, 𝑏1 = 2 𝑦 𝑚1 = = 1.5 𝐸𝑟𝑟𝑜𝑟 ≤ 0.5
2
𝑘 = 2: ƒ(𝑎1 ) ∗ ƒ(𝑚1 ) = −0.637158 < 0,
𝑎2 + 𝑏2
𝑎2 = 1, 𝑏2 = 1.5 𝑦 𝑚2 = = 1.25 𝐸𝑟𝑟𝑜𝑟 ≤ 0.25
2
𝑘 = 3: ƒ(𝑎2 ) ∗ ƒ(𝑚2 ) = −0.13355064 < 0,
𝑎3 + 𝑏3
𝑎3 = 1, 𝑏3 = 1.25 𝑦 𝑚3 = = 1.125 𝐸𝑟𝑟𝑜𝑟 ≤ 0.125
2
𝑘 = 4: ƒ(𝑎3 ) ∗ ƒ(𝑚3 ) = 0.02740730 > 0,
𝑎4 + 𝑏4
𝑎4 = 1.125, 𝑏4 = 1.25 𝑦 𝑚4 = = 1.1875 𝐸𝑟𝑟𝑜𝑟 ≤ 0.0625
2
𝑘 = 44: 𝑚44 = 1.17650193990184 𝐸𝑟𝑟𝑜𝑟 ≤ 2.84𝑥10−14
Así, 𝑚44 = 1.17650193990184 𝑎𝑝𝑟𝑜𝑥𝑖𝑚𝑎𝑑𝑎 𝑒𝑙 𝑐𝑒𝑟𝑜 𝑑𝑒
ƒ(𝑥) = 𝑥 2 − cos(𝑥) − 1 𝑒𝑛 [1,2] 𝑐𝑜𝑛 𝑢𝑛 𝑒𝑟𝑟𝑜𝑟 ≤ 2.84𝑥10−14
k 𝑎𝑘 𝑏𝑘 𝑚𝑘 Error estimado
1 1 2 1.5 0.5
2 1 1.5 1.25 0.25
3 1 1.25 1.125 0.125
4 1.125 1.25 1.1875 0.0625
- - - - -
44 1.176501939 1.176501939 1.176501939 2.84217𝑥10−14
61. Mora
Bibliografía:
NIEVES H.A. Y DOMÍNGUEZ S.F.C, MÉTODOS NUMÉRICOS APLICADOS
A LA INGENIERÍA, PATRIA, 1ª EDICIÓN, PÁGINA 62 Y 63.
Chapra, S. C., & Canale, R. P. Métodos Numéricos para Ingenieros, Quinta
edición, página 125, Mc Graw Hill.
2.3 Método de aproximaciones sucesivas
143. Chapra
Iteración simple de punto fijo
Esta fórmula puede desarrollarse como una iteración simple de punto fijo (también
llamada iteración de un punto o sustitución sucesiva o método de punto fijo), al
arreglar la ecuación f(x) = 0 de tal modo que x esté del lado izquierdo de la ecuación:
x = g(x)
Esta transformación se realiza mediante operaciones algebraicas o simplemente
sumando x a cada lado de la ecuación original. Por ejemplo,
𝑥 2 − 2𝑥 + 3 = 0
Se arregla para obtener
𝑥2 + 3
𝑥=
2
Mientras que sen x=0 puede transformase en la forma de la ecuación x = g(x)
sumando x a ambos lados para obtener
𝑥 = 𝑠𝑒𝑛 𝑥 + 𝑥
La utilidad de la ecuación x = g(x) es que proporciona una formula para predecir un
nuevo valor de x en función del valor anterior de x. De esta manera, dado un valor
inicial para la raíz 𝑥𝑖 , la ecuación x = g(x) se utiliza para obtener una nueva
aproximación 𝑥𝑖+1 . Expresada por la fórmula iterativa
𝑥𝑖+1 = 𝑔(𝑥𝑖 )
En los métodos cerrados la raíz se encuentra dentro de un intervalo predeterminado

por un límite inferior y otro superior. La aplicación repetida de estos métodos siempre
genera aproximaciones cada vez más cercanas a la raíz. Se dice que tales métodos
son convergentes porque se acercan progresivamente a la raíz a medida que se
avanza en el cálculo.
En contraste, los métodos abiertos se basan en fórmulas que requieren únicamente

de un solo valor de inicio x o que empiecen con un par de ellos, pero que no
necesariamente encierran la raíz. Éstos, algunas veces divergen o se alejan de la
raíz verdadera a medida que se avanza en el cálculo. Sin embargo, cuando los
métodos abiertos convergen, en general lo hacen mucho más rápido que los
métodos cerrados.
Método de Newton-Raphson
Tal vez, de las fórmulas para localizar raíces, la fórmula de Newton-Raphson se la
más ampliamente utilizada. Si el valor inicial para la raíz es 𝑋𝑖 , entonces se puede
trazar una tangente desde el punto [𝑋𝑖 , ƒ( 𝑋𝑖 )] de la curva. Por lo común, el punto
donde esta tangente cruza al eje x representa una aproximación mejorada de la raíz.
El método de Newton (llamado a veces método de Newton-Raphson) es uno de los

métodos que muestra mejor velocidad de convergencia llegando a duplicar, en cada
iteración, los decimales exactos.
Si ƒ es una función tal que ƒ y ƒ’ y ƒ’’ existen y son continuas en un intervalo I y si un

cero 𝑋∗ está en I, se puede construir una sucesión {𝑋𝑛 } de aproximaciones, que
converge a 𝑋∗ (bajo ciertas condiciones) de la manera que se describe a
continuación: Si x0 está suficientemente cercano al cero x*.
El método de Newton es un algoritmo eficiente para encontrar aproximaciones de los

ceros o raíces de una función real. También puede ser usado para encontrar el
máximo o mínimo de una función, encontrando los ceros de su primera derivada.
El método de Newton-Raphson es método abierto, en el sentido de que no está

garantizada su convergencia global. La única manera de alcanzar la convergencia
es seleccionar un valor inicial lo suficientemente cercano a la raíz buscada, así se ha
de comenzar la iteración con un valor razonablemente cercano al cero (denominado
punto de arranque o valor supuesto). La relativa cercanía del punto inicial a la raíz
depende mucho de la naturaleza de la propia función; si ésta presenta múltiples
puntos de inflexión o pendientes grandes en el entorno de la raíz, entonces las
probabilidades de que el algoritmo de que el algoritmo diverja aumenta, lo cual exige
seleccionar un valor puesto cercano a la raíz. Una vez que se ha hecho esto, el
método linealiza la función por la recta tangente en ese valor supuesto. La abscisa
en el origen de dicha recta será, según el método, una mejor aproximación de la raíz
que el valor anterior. Se realizarán sucesivas iteraciones hasta que el método haya
convergido lo suficiente.
Ejemplo 1
La ecuación 𝑥2 − 𝑐𝑜𝑠𝑥 − 1 = 0 tiene una solución 𝑥∗ en [1,2]. Debemos tomar una
aproximación inicial, digamos 𝑥0 = 1.5
ƒ(𝑋) = 𝑥 2 − 𝑐𝑜𝑠𝑥 − 1 y ƒ ′(𝑋) = 2𝑥 + 𝑠𝑒𝑛𝑥. Entonces el esquema iterativo es
𝑥2𝑛 − cos(𝑥𝑛 ) − 1
𝑥𝑛+1 = 𝑥𝑛 −
2𝑥𝑛 + 𝑠𝑒𝑛(𝑥𝑛 )
𝑛 = 0: 𝑥0 = 1.5
ƒ (𝑥0 ) ƒ (1.5)
𝑛 = 1: 𝑥1 = 𝑥0 − = 1.5 − = 1.204999 𝐸𝑟𝑟𝑜𝑟 ≤ [𝑥1 − 𝑥0 ] = 0.295
ƒ ′(𝑥0 ) ƒ ′(1.5)
ƒ (𝑥1 ) ƒ (1.204999)
𝑛 = 2: 𝑥2 = 𝑥1 − = 1.204999 − = 1.176789
ƒ ′(𝑥1 ) ƒ ′(1.204999)
𝐸𝑟𝑟𝑜𝑟 ≤ [𝑥2 − 𝑥1 ] = 0.0282
ƒ (𝑥2 ) ƒ (1.176789)
𝑛 = 3: 𝑥3 = 𝑥2 − = 1.176789 − = 1.1765019
ƒ ′(𝑥2 ) ƒ ′(1.176789)
𝐸𝑟𝑟𝑜𝑟 ≤ [𝑥1 − 𝑥0 ] = 0.00282
Podemos tabular esta información en una tabla agregando más iteraciones.
𝑥𝑛+1 [𝑥𝑛+1 − 𝑥𝑛 ]
1.20499955540054 0.295000445
1.17678931926590 0.028210236
1.17650196994274 0.000287349
1.17650193990183 3.004𝑥10−16
1.17650193990183 4.440𝑥10−16
∗
Compare con la solución 𝑥 = 1.17650193990183 (exacta en sus catorce decimales)
y observe como, aproximadamente, se duplican los decimales correctos desde la
segunda iteración.
Método de la secante
Un problema potencial en la implementación del método de Newton-Raphson es la
evaluación de la derivada. Aunque esto no es un inconveniente para los polinomios
ni para muchas otras funciones, existen algunas funciones cuyas derivadas en
ocasiones resultan muy difíciles de calcular. En dichos casos, la derivada se puede
aproximar mediante una diferencia finita hacia atrás.
ƒ(X i−1 ) − ƒ(X I )

ƒ’(X i ) =
X i−1 − X i
Esta técnica es similar a la del método de Newton-Raphson en el sentido de que una

aproximación de la raíz se predice extrapolando una tangente de la función hasta el
eje x. sin embargo, el método de la secante usa una diferencia dividida en lugar de
una derivada para estimar la pendiente.
Esta aproximación se sustituye en la ecuación anterior para obtener la siguiente
ecuación iterativa:
ƒ(Xi ) − ƒ(XI−1 − Xi )
Xi+1 = Xi −
ƒ(Xi−1 ) − ƒ(Xi ))
La ecuación es la fórmula para el método de la secante. Observe que el método

requiere de dos valores iniciales de x. sin embargo, debido a que no se necesita que
ƒ(x) cambie de signo entre los valores dados, este método no se clasifica como un
método cerrado.
.
Ejemplo. Use el método de la secante para encontrar una raíz real de la
siguiente ecuación polinomial ƒ(𝑥) = 𝑥 3 + 2𝑥 2 + 10𝑥 − 20 = 0
(𝑥𝑖 − 𝑥𝑖−1 )(𝑥𝑖 3 + 2𝑥𝑖 2 + 10𝑥𝑖 − 20)
𝑥𝑖−1 = 𝑥𝑖 −
(𝑥𝑖 3 + 2𝑥𝑖 2 + 10𝑥𝑖 − 20) − (𝑥𝑖−1 3 + 2𝑥𝑖−1 2 + 10𝑥𝑖−1 − 20)
Mediante 𝑥0 = 0 y 𝑥1 = 1 se calcula 𝑥2
(1 − 0)(13 + 2(1)2 + 10(1) − 20)

𝑥2 = 1 −
(13 + 2(1)2 + 10(1) − 20) − (03 + 2(0)2 + 10(0) − 20)
= 1.53846
i 𝑥𝑖 [𝑥𝑖+1 − 𝑥𝑖 ]
0 0 -
1 1 1
2 1.53846 0.53846
3 1.35031 0.18815
4 1.36792 0.01761
5 1.36881 0.00090
Bibliografía:
Canale, S. C. C. R. Quinta edición. Métodos numéricos para ingenieros.
McGraw-Hill. Páginas: 142 y 148
Antonio Nieves Hurtado Federico C. Domínguez Sánchez. (2014). Métodos
numéricos aplicados a la ingeniería. Patria. Páginas: 108
Métodos para encontrar raíces, metodosnumericossite.wordpress.com, 2016
Canale, S. C. C. R. Quinta edición. Métodos numéricos para ingenieros.
McGraw-Hill. Páginas: 154 y 155
2.4 Métodos de interpolación
Interpolación lineal:
La forma más simple de interpolación consiste en unir dos puntos con una línea
recta. Utilizando triángulos semejantes,
𝑓1(𝑥) − 𝑓(𝑥0) 𝑓(𝑥1) − 𝑓(𝑥0)
=
𝑥 − 𝑥0 𝑥1 − 𝑥0
Reordenándose se obtiene
𝑓(𝑥1) − 𝑓(𝑥0)
𝑓1(𝑥) = 𝑓(𝑥0) + (𝑥 − 𝑥0)
𝑥1 − 𝑥0
Que es una fórmula de interpolación lineal. La notación f1(x) designa que este es un
polinomio de interpolación de primer grado. 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. Esta característica se demuestra en el siguiente ejemplo
Ejemplo 1. Interpolación lineal

Problema. Estime el logaritmo natural de 2 mediante interpolación lineal. Primero,
realice el cálculo por interpolación entre ln 1 = 0 y ln 6 = 1.791759. Después, repita
el procedimiento, pero use un intervalo menor de ln 1 a ln 4 (1.386294). Observe que
el valor verdadero de ln 2 es 0.6931472.
𝑓(𝑥1)−𝑓(𝑥0)
Solución. Se usa la ecuación 𝑓1(𝑥) = 𝑓(𝑥0) + 𝑥1−𝑥0
(𝑥 − 𝑥0) y una interpolación
lineal para ln (2) desde x0 = 1 hasta x1 = 6 para obtener
1.791759 − 0
𝑓1(2) = 0 + (2 − 1) = 0.3583519
6−1
Que representa un error: 𝜀1=48.3%. Con el intervalo menor desde x0 = 1 hasta x1 =
4 se obtiene
1.386294 − 0
𝑓1(2) = 0 + (2 − 1) = 0.4620981
4−1
Así, usando el Intervalo más corto el error relativo porcentual se reduce a 𝜀1 =
33.3%.
Interpolación cuadrática
Si se tienen tres puntos como datos, estos se pueden ajustar a un polinomio

de segundo grado (parábola).
ƒ2 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
Observe que, aunque la ecuación parece diferir del polinomio general, las dos
ecuaciones son equivalentes, esto se puede demostrar al multiplicar los
términos de la ecuación anterior
ƒ2 (𝑥) = 𝑏0 + 𝑏1 𝑥 − 𝑏2 𝑥 2 + 𝑏2 𝑥0 𝑥1 − 𝑏2 𝑥𝑥0 − −𝑏2 𝑥𝑥1
O, agrupando términos
ƒ2 (𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2
Donde
𝑎0 = 𝑏0 − 𝑏1 𝑥0 + 𝑏2 𝑥0 𝑥1
𝑎1 = 𝑏1 − 𝑏2 𝑥0 + 𝑏2 𝑥1
𝑎2 = 𝑏2
Así, las ecuaciones ƒ(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛 y ƒ2 (𝑥) = 𝑏0 + 𝑏1 (𝑥 −

𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) son formas alternativas, equivalentes del único
polinomio de segundo grado que une los puntos.
Un procedimiento simple puede usarse para determinar los valores de los
coeficientes. Para encontrar 𝑏0 , en la ecuación ƒ2 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) +
𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) se evalúa con 𝑥 = 𝑥0 para obtener 𝑏0 = ƒ(𝑥0 ).
La ecuación anterior se sustituye en ƒ2 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 −
𝑥1 ), después se evalúa en 𝑥 = 𝑥1 para obtener
ƒ(𝑥1 ) − ƒ(𝑥0 )
𝑏1 =
𝑥1 − 𝑥0
Por último, 𝑏0 = ƒ(𝑥0 ) y la ecuación anterior se sustituyen en ƒ2 (𝑥) = 𝑏0 +
𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ), después se evalúa 𝑥 = 𝑥2 y (luego de algunas
manipulaciones algebraicas) se resuelve para
ƒ(𝑥2 ) − ƒ(𝑥) ƒ(𝑥 ) − ƒ(𝑥0 )
( )−( 1 )
𝑥2 − 𝑥1 𝑥1 − 𝑥0
𝑏2 =
𝑥2 − 𝑥0
Nótese que como en la interpolación lineal. 𝑏1 todavía representa la pendiente
de la línea que une los puntos 𝑥0 y 𝑥1 . Así, los primeros dos términos de la
ecuación ƒ2 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ), son equivalentes la
interpolación lineal de 𝑥0 a 𝑥1 . Como se especificó en ƒ1 (𝑥) = ƒ(𝑥0 ) +
ƒ(𝑥1 )−ƒ(𝑥0 )
(𝑥 − 𝑥0 ). El término 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ). Determina la curvatura del
𝑥1 −𝑥0
segundo grado en la fórmula.
Ejemplo
Ajuste un polinomio de segundo grado a los tres puntos de ƒ2 (𝑥) = 𝑏0 + 𝑏1 (𝑥 −
𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ).
𝑥0 = 1 ƒ(𝑥0 ) = 0
𝑥1 = 4 ƒ(𝑥1 ) = 1.386294
𝑥2 = 6 ƒ(𝑥2 ) = 1.791759
Con el polinomio evalúe 𝑙𝑛 2.
𝑏0 = 0
1.386294 − 0
𝑏1 = = 0.4620981
4−1
1.791759 − 1.386294
( ) − 0.4620981
𝑏2 = 6−4 = −0.0518731
6−1
Sustituyendo estos valores en ƒ2 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ), se
obtiene
ƒ2 (𝑥) = 0 + 0.4620981(𝑥 − 1) − 0.0518731(𝑥 − 1)(𝑥 − 4)
Que se evalúa en 𝑥 = 2 para ƒ2 (2) = 0.5658444.
Que representa un error relativo ɛ1 = 18.4%.
Polinomios de Lagrange
El método de aproximación lineal visto anteriormente requiere la solución de un
sistema de ecuaciones algebraicas lineales que, cuando el grado del polinomio es
alto, puede presentar inconvenientes. Existen otros métodos de aproximación
polinomial en que no se requiere resolver un sistema de ecuaciones lineales y los
cálculos se realizan directamente; entre éstos se encuentra el de aproximación
polinomial de Lagrange.
En éste nuevamente se parte de una función desconocida f(x) dada en forma

tabular, y se asume que un polinomio de primer grado (ecuación de una línea recta)
puede escribirse:
p(x) = a0 (x − x1) + a1 (x − x0 )
Donde x1 y x0 son los argumentos de los puntos conocidos [𝑋0 , 𝐹(𝑋0 ) ], [1, 𝐹(𝑋1 ], , y
a0 y a1 son dos coeficientes por determinar. Para encontrar el valor de a0, se hace x
= x0 en la ecuación, que al despejar da:
𝑝(𝑥0 ) ƒ ( 𝑥0 )
𝑎0 = =
𝑥0 − 𝑥1 𝑥0 − 𝑥1
Y para hallar el valor de a1, se sustituye el valor de x con el de x1, con lo que resulta
𝑝(𝑥1 ) ƒ ( 𝑥1 )
𝑎1 = =
𝑥1 − 𝑥0 𝑥1 − 𝑥0
De tal modo que, al sustituir las ecuaciones anteriores queda:
𝑓 ( 𝑥𝑜 ) ƒ ( 𝑥1 )
𝑝𝑥 = ( 𝑥 − 𝑥1 ) + ( 𝑥 − 𝑥0 )
𝑥0 − 𝑥1 𝑥1 − 𝑥0
O en forma más compacta:
p(x) = L0 (X)ƒ(𝑥0 ) + 𝐿1 (𝑥)ƒ(𝑥1 )
Aproximación polinomial de Newton

Supóngase que se tiene una función dada en forma tabular como se presenta a
continuación
Y que se desea aproximarla preliminarmente con un polinomio de primer grado que

pasa, por ejemplo, por los puntos (0) y (19 sea además dicho polinomio de la forma:
p(x) = a0 + a1 (x − x0 )
Donde x0 es la abscisa del punto (0) y a0 y a1 son constantes por determinar. Para
encontrar el valor de a0 se hace x = x0, de la cual a0 = p(x) = f [x0], y a fin de
encontrar el valor de a1, se hace x = x1, de donde al sustituir los valores de estas
constantes en la ecuación anterior esta queda.
p(x) = ƒ|𝑥0 | + (x − x0 )ƒ|𝑥0 , 𝑥1 |
O sea, un polinomio de primer grado en términos de diferencias divididas. Y si ahora

se desea aproximar la función tabular con un polinomio de segundo grado que pase
por los puntos (0), (1) y (2) y que tenga la forma:
𝑝2 (𝑥) = 𝑎0 + 𝑎1 (𝑥 − 𝑥0 ) + 𝑎2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
Donde x0 y x1 vuelven a ser las abscisas de los puntos (0) y (1) y a0, a1, y a2 son
constantes por determinar, se procede como en la forma anterior para encontrar
estas constantes; o sea:
si x = x0′ a0 = p2 (x0 ) = ƒ |𝑥0 |

ƒ |𝑥1 | − ƒ |𝑥0 |
𝑠𝑖 𝑥 = 𝑥1′ 𝑎1 = = ƒ |𝑥0, 𝑥1 |
𝑥1 − 𝑥0
ƒ |𝑥1 | − ƒ |𝑥0 |
ƒ |𝑥2 | − ƒ |𝑥0 | − (𝑥2 − 𝑥0 ) 𝑥1 − 𝑥0
𝑠𝑖 𝑥 = 𝑥2′ 𝑎2 =
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )
Bibliografía:
MORA F.W., INTRODUCCIÓN A LOS MÉTODOS NUMÉRICOS, OBRA INDEPENDIENTE, 1ª
EDICIÓN, PÁGINAS 108-110.
Canale, S. C. C. R. Quinta edición. Métodos numéricos para ingenieros. McGraw-Hill.

Páginas: 142 y 148
Antonio Nieves Hurtado Federico C. Domínguez Sánchez. (2014). Métodos numéricos

aplicados a la ingeniería. Patria. Páginas: 108

Páginas: 154 y 155

Páginas: 143
2.5 Aplicaciones
APLICACIONES CON MATLAB

Ejemplo. Un abrevadero de longitud L tiene una sección transversal en forma de
semicírculo con radio r. Cuando se llena de agua hasta una distancia h de la parte
superior, el volumen V de agua es:
1 ℎ
𝑉 = 𝐿 [´ 𝜋𝑟 2 − 𝑟 2 arcsin ( ) − ℎ√𝑟 2 − ℎ2 ]
2 𝑟
Suponga que L = 10 pies, r = 1 pie y que V = 12.4 pies. Determine la profundidad del agua
en el abrevadero hasta 0,01 pies.
Al remplazar los valores de L, r y V en la ecuación se obtiene

1
1.24 = 𝜋 − arcsin(ℎ) − ℎ√1 − ℎ2 ,
2
Al graficar en MATLAB la función en el intervalo [−1,1]:
>> f =’pi/2-1.24-asin(h)-h*(1-h^2) ^0.5’
>>fplot (f,[−1,1])
Al ejecutar el algoritmo se obtienen los siguientes resultados:
Con lo que la profundidad del agua es 1-0.1661987 pies.
La función f(h).
Ejemplo 2. En 1225, Leonardo de Pisa, mejor conocido como Fibonacci, resolvió el reto
matemático de Juan de Palermo en presencia del emperador Federico II. El reto consistía
en obtener una raíz de la ecuación 𝑥 3 + 2𝑥 2 + 10𝑥 = 20. Primero, demostró que la
ecuación carecía de raíces racionales y de una raíz irracional euclidiana, es decir, no tenía
ninguna raíz de una de las formas: 𝑎 ± √𝑏, √𝑎 ± √𝑏, √𝑎 ± √𝑏, 𝑜 √√𝑎 ± √𝑏, donde a y b son
números racionales. Después aproximo la única raíz real, probablemente aplicando un
método algebraico de Omar Khayyam que incluía la intersección de un circulo y de una
parábola. Su respuesta la dio en un sistema numérico de base 60 así:
1 1 1 1 1 1
1 + 22 ( ) + 7( )2 + 42( )3 + 33( )4 + 4( )5 + 40( )6
60 60 60 60 60 60
¿Qué exactitud tenía su aproximación?
Calculando el valor de la aproximación hecha por Leonardo de Pisa,
>>x=1+22*(1/60) +7*(1/60)72+42x*(1/60)73+33*(1/60)74+4*(1/60)75+40*(1/60)76
X = 1.36880810785322
Ahora aplicando el método de iteración de punto fijo a la ecuación 𝑥 3 + 2𝑥 2 + 10𝑥 = 20, al

20
escribir x (𝑥 2 + 2𝑥 + 10) = 20 se obtiene x = g(x) = 𝑥 2 +2𝑥+10, al ejecutar el algoritmo
obtenemos el punto fijo x = 1.3688081078, la aproximación hecha por Fibonacci tenía una
exactitud de 10 dígitos, el error absoluto es ‖1.3688081078 − 1.36880810785322‖ = 5.322
x 10−11
Análisis de vibraciones (Ingeniería mecánica e ingeniería aeronáutica)
las ecuaciones diferenciales sirven para modelar la vibración de sistemas en ingeniería.

Algunos ejemplos son el péndulo simple, una masa sujeta a un resorte y un circuito
eléctrico con un inductor y un capacitor.
La vibración de esos sistemas puede amortiguarse por medio de algún mecanismo que
absorba la energía. Además, la vibración puede ser libre o sujeta a algún disturbio
periódico externo. En este último caso, se dice que el movimiento es forzado.
Como se puede observar en la siguiente figura, un carro de masa m se soporta por medio
de resortes y amortiguadores. Los amortiguadores presentan resistencia al movimiento,
que es proporcional a la velocidad vertical (movimiento ascendente-descendente).
la vibración libre ocurre cuando el automóvil es perturbado de su condición de equilibrio,

como ocurre cuando se pasa por un bache (agujero en el camino). Un instante después
de pasar por el bache, las fuerzas netas que actúan sobre m son la resistencia de los
resortes y la fuerza de los amortiguadores. Tales fuerzas tienden a regresar el carro al
estado de equilibrio original. De acuerdo con la ley de Hooke, la resistencia del resorte es
proporcional a su constante k y a la distancia de la posición de equilibrio x. Por lo tanto,
Fuerza del resorte = −kx
Donde el signo negativo indica que la fuerza de restauración actúa regresando el

automóvil a su posición de equilibrio (es decir, la dirección x negativa). la fuerza para un
amortiguador está dada por
dx
Fuerza de amortiguación = − c
dt
Donde c es el coeficiente de amortiguamiento y dx/dt es la velocidad vertical. El signo

negativo indica que la fuerza de amortiguamiento actúa en dirección opuesta a la
velocidad. Las ecuaciones de movimiento para el sistema están dadas por la segunda ley
de Newton (F = ma), que en este problema + expresa como:
O bien:
d2 x dx
m 2
+ c + kx = 0
dt dt
Si se supone que la solución toma la forma x(t) = 𝑒𝑟𝑡 , entonces se escribe la ecuación
característica.
mr 2 + cr + k = 0
La incógnita r es la solución de la ecuación característica cuadrática que se puede
obtener, ya sea en forma analítica o numérica. En este problema de diseño primero se
utiliza la solución analítica para ofrecer una idea general de la forma en que el movimiento
del sistema es afectado por los coeficientes del modelo: m, k y c.
La solución de la ecuación anterior para r está dada por la fórmula cuadrática
𝑟1 −𝑐 ± √𝑐2 − 4𝑚𝑘
=
𝑟2 2𝑚
Note el significado de la magnitud de c al compararla con 2√𝑘𝑚 . Si c > 2 √𝑘𝑚 , 𝑟1 𝑦 𝑟2

son números reales negativos, y la solución es de la forma:
x(t) = Aer1t + Ber2t
Donde A y B son constantes que se deben determinar a partir de las condiciones iniciales
de x y dx/dt. Tales sistemas se denominan sobreamortiguados. Si c < 2√km , las raíces
son complejas.
𝑟1
= 𝜆 ± 𝜇𝑖
𝑟2
Donde:
√|C 2 − 4mk|
μ =
2m
Y la solución es de la forma:
x(t) = e−λt (A cos μt + B sin μt)
Tales sistemas se conocen como subamortiguados. Por último, si c = 2 km, la ecuación

característica tiene una raíz doble y la solución es de la forma:
x(t) = (A + Bt)e−λt
k
Donde: P = √ m
La relación c/𝑐𝑐 se llama factor de amortiguación, y a p se le conoce como la frecuencia

natural de la vibración libre no amortiguada. Ahora, consideremos el caso donde el
automóvil está sujeto a una fuerza periódica dada por:
P = Pm sin ωt o d = dm sin ωt
Donde 𝑑𝑚 = 𝑃𝑚 𝑙𝑘 = la deflexión estática del carro sujeto a una fuerza 𝑃𝑚 . La ecuación

diferencial que rige este caso es
d2 dx
m 2
+ c + kx = Pm sin ωt
dt dt
La solución general esta de esta ecuación se obtiene al sumar una solución particular a la
solución por vibración libre, dadas por las ecuaciones:
x(t) = Aer1t + Ber2t ,
x(t) = e−λi (A cosμt + B sin μt) Y

s
x(t) = (A + Bt)e−λt
Consideremos el movimiento en estado estacionario del sistema forzado donde se ha
amortiguado el movimiento transitorio inicial. Si consideramos que esta solución en estado
estacionario en estado estacionario tiene la forma:
𝑋𝑠𝑠 (𝑡) = 𝑋𝑚 sin(𝜔𝑡 − 𝜙)
Se demuestra que:
𝑥𝑚 𝑥𝑚 1
= =
𝑝𝑚 𝑙𝑘 𝑑𝑚 √[1 − (𝜔⁄𝑝)]2 + 4(𝐶⁄𝐶𝑐 )2 (𝜔⁄𝑝)2
La cantidad𝑥𝑚 /𝑑𝑚 llamada factor de amplificación de la amplitud depende tan sólo de la

razón del amortiguamiento real con el amortiguamiento crítico, y de la razón de la
frecuencia forzada con la frecuencia natural. Observe que cuando la frecuencia forzada ω
se aproxima a cero, el factor de amplificación se aproxima a 1. Si, además, el sistema es
ligeramente amortiguado, es decir, si c/𝑐𝑐 es pequeño, entonces el factor de amplificación
se hace grande cuando ω es cercano a p. Si el amortiguamiento es cero, entonces el
factor de amplificación se aproxima a cero. La siguiente figura muestra una gráfica del
factor de amplificación como una función de ω/p para diversos factores de
amortiguamiento. Observe que el factor de amplificación se conserva pequeño al
seleccionar un factor de amortiguamiento grande, o manteniendo muy distantes las
frecuencias natural y forzada.
El diseño del sistema de suspensión del automóvil comprende una solución intermedia
entre comodidad y estabilidad para todas las condiciones de manejo y velocidad. Se pide
determinar la estabilidad del carro para cierto diseño propuesto que ofrezca comodidad
sobre caminos irregulares. Si la masa del carro es m = 1.2 × 106 gramos y tiene un
sistema de amortiguadores con un coeficiente de amortiguamiento c = 1 × 107 g/s.
Suponga que la expectativa del público en cuanto a la comodidad se satisface si la
vibración libre del automóvil es subamortiguada y el primer cruce por la posición de
equilibrio tiene lugar en 0.05 s. Si en t = 0, el carro súbitamente se desplaza una distancia
𝑥0 , desde el equilibrio, y la velocidad es cero (dx/dt = 0), la solución de la ecuación de
movimiento está dada por la ecuación:
𝜆
x(𝑡) = 𝑒 −𝜆𝑡 (𝐴 cos 𝜇𝑡 + + sin 𝜇𝑡)
𝜇
Con A = 𝑥0 y B = 𝑥0 𝜆𝑙k. por lo tanto:

𝜆
x(t) = x0 e−λt (cos 𝜇𝑡 + sin 𝜇𝑡)
𝜇
Nuestras condiciones de diseño se satisfacen si
λ
x(t) = 0 = cos(0.05μ) + sin(0.05μ)
μ
O bien:
k c2 c k c2
0 = cos (0.05√ − ) + sin (0.05√ − )
m 4m2 √4km − c 2 m 4m2
Dado que se conocen c y m, el problema de diseño consiste ahora en encontrar valores

apropiados de k que satisfagan la ecuación antes colocada.
Solución:
se pueden utilizar los métodos de la bisección, de la falsa posición o de la secante, ya que

esos métodos no requieren la evaluación de la derivada de la ecuación, la cual podría
resultar algo difícil de calcular en este problema. La solución es k =
1.397x109 a 2x109 (εa = 0.07305).
Aunque este diseño satisface los requerimientos de vibración libre (después de caer en un
bache), también debe probarse bajo las condiciones de un camino accidentado. La
superficie del camino se puede aproximar como
2πx
d = dm = sen ( )
D
Donde d es la deflexión, 𝑑𝑚 es la máxima deflexión de 0.1m y D es la distancia entre los
picos que es igual a 20m. Si v es la velocidad horizontal del automóvil (m/s), entonces la
ecuación de movimiento del sistema se escribe como
d2 x dx 2πν
m 2
+ c + kx = kdm sin ( t)
dt dt D
Donde ω = 2πv/D
La estabilidad del carro se considera satisfactoria si en estado estacionario la máxima
distancia 𝑥𝑚 m es inferior a 0.2m para todas las velocidades de manejo. El factor de
amortiguamiento se calcula de acuerdo con la ecuación.
𝐶 10 1𝑥107
= = = 0.1221
𝐶𝑐 2√𝑘𝑚 2√ 1.397𝑥109 (1.2𝑥106 )
Ahora, se buscan valores ω/p que satisfagan la ecuación:
1
2 =
√[1 − (w⁄p)2 ] + 4(0.1221)2 (w⁄p)2
Si la ecuación se expresa como un problema de raíces.
ƒ(w⁄p) = 2√[1 − (w⁄p)2 ]2 + 4(0.1221)2 (w⁄p)2 − 1 = 0

Vea que los valores ω/p se determinan al encontrar las raíces de la ecuación. Una gráfica
de la ecuación se presenta en la siguiente imagen.
En ésta se muestra que la ecuación tiene dos raíces positivas que se pueden determinar
con el método de bisección, usando el software TOOLKIT. El valor más pequeño para ω/p
es igual a 0.7300 en 18 iteraciones, con un error estimado de 0.00064% y con valores
iniciales superior e inferior de 1 y 2. También es posible expresar la ecuación como un
polinomio:
𝜔 4 𝜔 2
( ) − 1.9404 ( ) + 0.75
𝑝 𝑝
Y usar MATLAB para determinar las raíces como sigue:
Lo cual confirma el resultado obtenido con el método de bisección. Esto también sugiere
k
que, aunque la ecuaciónP = √ es una ecuación de cuarto grado en ω/p, también es una
m
ecuación cuadrática en (ω/p)2 . el valor de la frecuencia natural p está dada por la
k
ecuaciónP = √m.
1.397x109
P = √ = 34.12s−1
1.2x106
Las frecuencias forzadas, para las que la máxima deflexión es 0.2m, entonces se calculan
como:
ω = 0.7300(34.12) = 24.91s−1
ω = 1.1864(34.12) = 40.48s−1
Bibliografía:
Canale, S. C. C. R. Quinta edición. Métodos numéricos para ingenieros. McGraw-
Hill. Páginas: 199 – 216.
González Hernández, J. Métodos numéricos con aplicaciones en Matlab (1era
edición). Universidad Politécnica Salesiana. Páginas: 58-78.
TECNOLÓGICO NACIONAL DE MÉXICO
(TECNM)
INSTITUTO TECNOLÓGICO DE CUAUTLA
Métodos numéricos
I.E. Saúl Ulloa Mondragón
Alumno: Cabrera Rosales Ian Axel
Semestre: 4to
Grupo: 1
Carrera: Ingeniería en sistemas

computacionales
Tema 3:
Métodos de solución de sistemas de
ecuaciones
Competencia:
• Aplica los métodos numéricos para la solución de

sistemas de ecuaciones lineales mediante la
aplicación de los métodos de solución clásicos.
Ian Axel Cabrera Rosales – Sistemas Computacionales

3.1 Métodos iterativos.
Métodos de Jacobi y Gauss-Seidel
Los métodos iterativos más sencillos y conocidos son una generalización del
método de punto fijo. Se puede aplicar la misma técnica a fin de elaborar métodos
para la solución de A x = b, de la siguiente manera:
Se parte A x = b para obtener la ecuación
𝐴𝑥−𝑏 =0
Ecuación vectorial correspondiente a f(x) = 0. Se busca ahora una matriz B y un

vector c, de modo que la ecuación vectorial
𝑥 =𝐵𝑥+𝑐
Sea sólo un arreglo de la ecuación A x – b = 0; es decir, que la solución de una

sea también la solución de la otra. La ecuación x = B x + c correspondería a x =
g(x). En seguida se propone un vector inicial 𝑥 (0) , como primera aproximación al
vector solución x. Luego, se calcula con la ecuación x = B x + c la sucesión
vectorial 𝑥 (1) 𝑥 (2) , … , de la siguiente manera:
𝑥 (𝑘+1) = 𝐵𝑥 (𝑘) + 𝑐, 𝑘 = 0,1,2, …
Donde
𝑥 (𝑘) = [𝑥1𝑘 𝑥2𝑘 … 𝑥𝑛𝑘 ]𝑇
Para que la sucesión 𝑥 (0) , 𝑥 (1) , … , 𝑥 (𝑛) , …, converja al vector solución x es necesario
que eventualmente 𝑥𝑗𝑚 , 1 ≤ 𝑗 ≤ 𝑛 (los componentes del vector 𝑥 (𝑚) ) se aproximen
tanto a 𝑥𝑗 , 1 ≤ 𝑗 ≤ 𝑛 (los componentes correspondientes a x), que todas las
diferencias |𝑥𝑗𝑚 − 𝑥𝑗 |, 1 ≤ 𝑗 ≤ 𝑛 sean menores que un valor pequeño previamente
fijado, y que se conserven menores para todos los vectores siguientes de la
iteración; es decir
lim 𝑥𝑗𝑚 = 𝑥𝑗 1 ≤ 𝑗 ≤ 𝑛
𝑚→∞
La forma como se llega a la ecuación x = B x + c define el algoritmo y su

convergencia. Dado el sistema A x = b, la manera más sencilla es despejar x1 de
la primera ecuación, x2 de la segunda, y así sucesivamente. Para ello, es
necesario que todos los elementos de la diagonal principal de A, por razones
obvias, sean distintos de cero. Para ver esto en detalle considérese el sistema
general de tres ecuaciones (naturalmente puede extenderse a cualquier número
de ecuaciones). Sea entonces

𝑎1,1 𝑥1 + 𝑎1,2 𝑥2 + 𝑎1,3 𝑥3 = 𝑏1
𝑎2,1 𝑥1 + 𝑎2,2 𝑥2 + 𝑎2,3 𝑥3 = 𝑏2
𝑎3,1 𝑥1 + 𝑎3,2 𝑥2 + 𝑎3,3 𝑥3 = 𝑏3
Con 𝑎11 , 𝑎22 𝑦 𝑎33 distintos de cero
Se despeja 𝑥1 de la primera ecuación, 𝑥2 de la segunda, y 𝑥3 de la tercera,

con lo que se obtiene
que en notación matricial queda:
(3.87)
y ésta es la ecuación
𝑥 (𝑘) = [𝑥1𝑘 𝑥2𝑘 … 𝑥𝑛𝑘 ]𝑇 desarrollada, con

Una vez que se tiene la forma 3.87, se propone un vector inicial 𝑥 (0) que puede ser
𝑥 (0) = 0, o algún otro que sea aproximado al vector solución x.
Para iterar existen dos variantes:
1. Iteración de Jacobi (método de desplazamientos simultáneos)
Si
es el vector aproximación a la solución x después de k iteraciones, entonces se

tiene para la siguiente aproximación
O bien, para un sistema de n ecuaciones con n incógnitas y usando notación más

compacta y de mayor utilidad en programación, se tiene
𝑛
1
𝑥𝑖𝑘+1 =− [−𝑏𝑖 + ∑ 𝑎𝑖,𝑗 𝑥𝑗𝑘 ] , 𝑝𝑎𝑟𝑎 1 ≤ 𝑖 ≤ 𝑛
𝑎𝑖,𝑖
𝑗=1
2. Iteración de Gauss-Seidel
Los métodos iterativos constituyen una alternativa a los métodos de eliminación

descritos hasta ahora, para aproximar la solución. Tales métodos son similares a
las técnicas que se desarrollaron en el capítulo 6 para obtener las raíces de una
sola ecuación. Aquellos métodos consistían en suponer un valor y luego usar un
método sistemático para obtener una aproximación mejorada de la raíz. Como
esta parte del libro trata con un problema similar (obtener los valores que
simultáneamente satisfagan un conjunto de ecuaciones). Entonces se esperaría
que tales métodos aproximados fuesen útiles en este contexto.
El método de Gauss-Seidel es el método iterativo más comúnmente usado.
Suponga que se da un sistema de n ecuaciones:

[A]{X} = {B}
Suponga que se limita a un conjunto de ecuaciones de 3 × 3. Si los elementos de

la diagonal no son todos cero, la primera ecuación se puede resolver para x1, la
segunda para x2 y la tercera para x3, para obtener
Ahora, se puede empezar el proceso de solución al escoger valores iniciales para

las x. Una forma simple para obtener los valores iniciales es suponer que todos
son cero. Estos ceros se sustituyen en la ecuación (11.5a), la cual se utiliza para
calcular un nuevo valor x1 = b1/a11. Después, se sustituye este nuevo valor de x1
junto con el valor previo cero de x3 en la ecuación (11.5b) y se calcula el nuevo
valor de x2. Este proceso se repite con la ecuación (11.5c) para calcular un nuevo
valor de x3. Después se regresa a la primera ecuación y se repite todo el
procedimiento hasta que la solución converja suficientemente cerca a los valores
verdaderos. La convergencia se verifica usando el criterio
𝒋 𝒋−𝟏
𝒙 −𝒙
|𝜺𝒂,𝒊 | = | 𝒊 𝒋 𝒊 | 𝟏𝟎𝟎% < 𝜺𝒔
𝒙𝒊
para todas las i, donde j y j – 1 son las iteraciones actuales y previa,

respectivamente.
Ejemplo del método de Gauss-Seidel
Planteamiento del problema. Use el método de Gauss-Seidel para obtener la

solución del sistema:
3𝑥1 − 0.1𝑥2 − 0.2𝑥3 = 7.85
0.1𝑥1 + 7𝑥2 − 0.3𝑥3 = −19.3
0.3𝑥1 − 0.2𝑥2 + 10𝑥3 = 71.4
La verdadera solución es 𝑥1 = 3, 𝑥2 = −2.5 𝑦 𝑥3 = 7.

Solución. Primero, despeje la incógnita sobre la diagonal para cada una de las
ecuaciones.
Suponiendo que 𝑥2 y 𝑥3 son cero, se utiliza la ecuación (E11.3.1) para calcular

7.85 + 0 + 0
𝑥1 = = 2.616667
3
Este valor, junto con el valor de 𝑥3 = 0, se sustituye en la ecuación (E11.3.2) para
calcular
−19.3 − 0.1(2.616667) + 0
𝑥2 = = −2.794524
7
La primera iteración termina al sustituir los valores calculados para 𝑥1 y 𝑥2 en la
ecuación (E11.3.3) para dar
71.4 − 0.3(2.616667) + 0.2(−2.794524)
𝑥3 = = 7.005610
10
En la segunda iteración, se repite el mismo proceso para calcular
El método es, por lo tanto, convergente hacia la verdadera solución. Es posible

aplicar iteraciones adicionales para mejorar los resultados. Sin embargo, en un

problema real, no se podría saber a priori el resultado correcto. En consecuencia,
la ecuación (11.6) nos da un medio para estimar el error. Por ejemplo, para x1,
Para x2 y x3, los errores estimados son ⎪ea,2⎪ = 11.8% y ⎪ea,3⎪ = 0.076%.
Observe que, como cuando se determinaron las raíces de una sola ecuación, las
formulaciones como la ecuación (11.6) usualmente ofrecen una valoración
conservativa de la convergencia. Así, cuando éstas se satisfacen, aseguran que el
resultado se conozca con, al menos, la tolerancia especificada por 𝜀𝑠 .
Bibliografía:
Steven C.Chapra - Raymon P. Canale, Métodos numéricos para ingenieros, quinta

edición, McGrawHill, Páginas: 305-310
Antonio Nieves Hurtado – Federico C. Domínguez Sánchez Métodos numéricos

aplicados a la ingeniería, cuarta edición, Patria, Paginas 233-237

3.2 Sistemas de ecuaciones no lineales
En algunos problemas es posible obtener un sistema de ecuaciones complejas

[𝐶]{𝑍} = {𝑊}
Donde:
[𝐶] = [𝐴] + 𝑖[𝐵]
{𝑍} = {𝑋} + 𝑖{𝑌}
{𝑊} = {𝑈} + 𝑖{𝑉}
Donde 𝑖 = √−1.
El camino más directo para resolver un sistema como éste consiste en emplear un
algoritmo en concreto; pero sustituyendo todas las operaciones reales por
complejas. Esto solo sería posible en aquellos lenguajes de programación que
permitan el uso de variables complejas. Una alternativa es convertir el sistema
complejo en uno equivalente que trabaje con variables reales. Esto se logra al
sustituir la ecuación anterior con la primera antes vista e igualar las partes real y
compleja de la ecuación resultante, para obtener:
[𝐴]{𝑋} − [𝐵]{𝑌} = {𝑈}
Y
[𝐵]{𝑋} + [𝐴]{𝑌} = {𝑉}
Así el sistema de n ecuaciones complejas se convierte en un conjunto de 2n

ecuaciones reales. Esto significa que el tiempo de almacenamiento y de ejecución
se incrementará en forma significativa. En consecuencia, habrá que evaluar las
ventajas y desventajas de esta opción. Si es poco frecuente que se evalúen
sistemas complejos, es preferible usar las ecuaciones antes vistas por su
conveniencia. Sin embargo, si se usan con frecuencia y desea utilizar un lenguaje
que no permite el uso de datos de tipo complejo, quizá valga la pena escribir un
programa que convierta operaciones reales en complejas.
ƒ1 (𝑥1 , 𝑥2 , . . . , 𝑥𝑛 ) = 0
ƒ2 (𝑥1 , 𝑥2 , . . . , 𝑥𝑛 ) = 0
⋮ ⋮
ƒ𝑛 (𝑥
1 , 𝑥2 , . . . , 𝑥𝑛 ) = 0

La solución de este sistema consiste en un conjunto de valores x que hacen todas
las ecuaciones igual a cero. Un procedimiento para resolver tales sistemas se
basa en la versión multidimensional del método de Newton-Raphson. Así, se
escribe para cada ecuación una expansión de la serie de Taylor. Por ejemplo, para
la k-ésima ecuación.
𝜕𝑓𝑘,𝑖 𝜕𝑓𝑘,𝑖 𝜕𝑓𝑘,𝑖
ƒ𝑘,𝑖+1 = ƒ𝑘,𝑖 + (𝑥1,𝑖+1 − 𝑥1,𝑖 ) + (𝑥2,𝑖+1 − 𝑥2,𝑖 ) +. . . +(𝑥𝑛,𝑖+1 − 𝑥𝑛,𝑖 )
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
Donde el primer subíndice, k, representa la ecuación o la incógnita, y el segundo

subíndice denota si el valor de la función en cuestión es el presente (i) o el
siguiente (i+1). Las ecuaciones vistas anteriormente son escritas para cada una de
las ecuaciones no lineales originales. Después, todos los términos ƒ𝑘,𝑖+1 se igualan
a cero, como sería el caso en la raíz, y la ecuación anterior se escribe como:
−ƒ𝑘𝑗 + 𝑥1,𝑖 + 𝑥2,𝑖 +. . . +𝑥2𝑛,𝑖
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
= 𝑥1,𝑖+1 + 𝑥2,𝑖+1 +. . . +𝑥𝑛,𝑖+1
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
Observe que las únicas incógnitas en la ecuación son los términos 𝑥𝑘,𝑖+1 del lado
derecho. Todas las otras cantidades tienen su valor presente (i) y, por lo tanto, son
conocidas en cualquier iteración. En consecuencia, el sistema de ecuaciones
representado, en general, por la ecuación anterior (es decir, con k = 1, 2, n)
constituye un sistema de ecuaciones lineales simultáneas. Se puede emplear la
notación matricial para expresar la ecuación en forma concisa. Las derivadas
parciales se expresan como:
𝜕𝑓1,𝑖 𝜕𝑓1,𝑖 𝜕𝑓1,𝑖
⋯
𝜕𝑥1 𝜕𝑥2 𝜕𝑥𝑛
𝜕𝑓2,𝑖 𝜕𝑓2,𝑖 𝜕𝑓2,𝑖
[𝑍] = 𝜕𝑥1 𝜕𝑥2 ⋯ 𝜕𝑥𝑛
⋮ ⋮ ⋮
𝜕𝑓𝑛,𝑖 𝜕𝑓𝑛,𝑖 ⋯ 𝜕𝑓𝑛,𝑖
[ 𝜕𝑥1 𝜕𝑥1 𝜕𝑥𝑛 ]
Los valores inicial y final se expresan en forma vectorial como

{𝑋𝑖 }𝑇 = ⌊𝑥1,𝑖 𝑥2,𝑖 ⋯ 𝑥𝑛,𝑖 ⌋
Y
{𝑋𝑖+1 }𝑇 = ⌊𝑥1,𝑖+1 𝑥2,𝑖 + 1 ⋯ 𝑥𝑛,𝑖+1 ⌋
Finalmente, los valores de la función en i se pueden expresar como

{𝐹𝑖 }𝑇 = ⌊𝑓1,𝑖 𝑓2,𝑖 ⋯ 𝑓𝑛,𝑖 ⌋
Usando estas relaciones, la ecuación se representa en forma concisa como:

[𝑍]{𝑋𝑖+1 } = −{𝐹𝑖 } + [𝑍]{𝑋𝑖 }
Ésta última ecuación se resuelve usando una técnica como la eliminación de

Gauss. Este proceso se repite iterativamente para obtener una aproximación
refinada.
Se debe notar que el procedimiento anterior tiene dos desventajas importantes.

Primero, a menudo no es fácil evaluar la ecuación. Por lo que se ha desarrollado
una variación del método de Newton-Raphson para evitar tal problema. Como
podría esperarse, tal variación se basa en el uso de aproximaciones por
diferencias finitas, para calcular las derivadas parciales que aparecen en.
La segunda desventaja del método de Newton-Raphson para multiecuaciones es

que usualmente se requiere de excelentes valores iniciales para asegurar la
convergencia. Ya que con frecuencia esto es difícil de obtener, se han desarrollado
métodos alternos que, aunque son más lentos que el método de Newton-Raphson,
dan un mejor comportamiento de convergencia.

Dificultades en la solución de sistemas de ecuaciones no lineales
Antes de desarrollar los métodos iterativos para resolver sistemas de ecuaciones
no lineales con varias incógnitas destacaremos algunas de las dificultades que se
presentan al aplicar estos métodos.
⚫ Es imposible graficar las superficies multidimensionales definidas por las

ecuaciones de los sistemas para n > 2.
⚫ No es fácil encontrar “buenos” valores iniciales.
Para atenuar estas dificultades hay diversos métodos que se pueden emplear:
Reducción de ecuaciones
Resulta muy útil tratar de reducir analíticamente el número de ecuaciones y de
incógnitas antes de intentar una solución numérica. En particular, hay que intentar
resolver alguna de las ecuaciones para alguna de las incógnitas. Después, se
debe sustituir la ecuación resultante para esa incógnita en todas las demás
ecuaciones; con esto el sistema se reduce en una ecuación y una incógnita.
Continúe de esta manera hasta donde sea posible.
Por ejemplo, en el sistema:
𝑓1 (𝑥1 , 𝑥2 ) = 10(𝑥2 − 𝑥12 ) = 0

𝑓2 (𝑥1 , 𝑥2 ) = 1 − 𝑥1 = 0
Se despeja 𝑥1 en la segunda ecuación
𝑥1 = 1
Y se sustituye en la primera
10(x2 − 12 ) = 0
Cuya solución,𝑥2 = 1 , juntamente con 𝑥1 = 1 proporciona una solución del

sistema dado, sin necesidad de resolver dos ecuaciones con dos incógnitas.

Partición de ecuaciones
A veces resulta más sencillo dividir las ecuaciones en subsistemas menores y
resolverlos por separado. Considérese, por ejemplo, el siguiente sistema de cinco
ecuaciones con cinco incógnitas.
𝑓1 (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 ) = 0
𝑓2 (𝑥1 , 𝑥2 , 𝑥4 ) = 0
𝑓3 (𝑥1 , 𝑥3 , 𝑥4 , 𝑥5 ) = 0
𝑓4 (𝑥2 , 𝑥4 ) = 0
𝑓5 (𝑥1 , 𝑥4 ) = 0
En vez de atacar las cinco ecuaciones al mismo tiempo, se resuelve el subsistema

formado por 𝑓2 ,𝑓4 y 𝑓5 . Las soluciones de este subsistema se utilizan después para
resolver el subsistema compuesto por las ecuaciones. 𝑓1 𝑦 𝑓3 .
En general, una partición de ecuaciones es la división de un sistema de

ecuaciones en subsistemas llamados bloques. Cada bloque de la partición es el
sistema de ecuaciones más pequeño que incluye todas las variables que es
preciso resolver.
Tanteo de ecuaciones
Supóngase que se quiere resolver el siguiente sistema de cuatro ecuaciones con
cuatro incógnitas.
𝑓1 (𝑥2 , 𝑥3 ) = 0
𝑓2 (𝑥2 , 𝑥3 , 𝑥4 ) = 0
𝑓3 (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) = 0
𝑓4 (𝑥1 , 𝑥2 , 𝑥3 ) = 0
Estas ecuaciones no se pueden dividir en subsistemas, sino que es preciso

resolverlas simultáneamente; sin embargo, es posible abordar el problema por otro
camino. Supóngase que se estima un valor de 𝑥3 . Se podría obtener así 𝑥2 a partir
de 𝑓1 , 𝑥4 de 𝑓2 y 𝑥1 de 𝑓3 . Finalmente, se comprobaría con 𝑓4 la estimación hecha
de 𝑥3 .Si 𝑓4 fuese cero o menor en magnitud que un valor predeterminado o criterio
de exactitud ε, la estimación 𝑥3 y los valores de 𝑥2 , 𝑥4 𝑦 𝑥1 obtenidos con ella,
serían una aproximación a la solución del sistema dado. En caso contrario, habría
que proponer un nuevo valor de 𝑥3 y repetir el proceso.
Nótese la íntima relación que guarda este método con el de punto fijo, ya que un
problema multidimensional se reduce a uno unidimensional en
h(x3 ) = 0

Valores iniciales
A) De consideraciones físicas
𝑓1 (𝑥1 , 𝑥2 , 𝑥3 , . . . 𝑥𝑛 ) = 0
𝑓 (𝑥 , 𝑥 , 𝑥 , . . . 𝑥𝑛 ) = 0
Si el sistema de ecuaciones 2 1 2 3 tiene un significado físico, con
⋮
𝑓𝑛 (𝑥1 , 𝑥2 , 𝑥3 , . . . 𝑥𝑛 ) = 0,
frecuencia es posible acotar los valores de las incógnitas a partir de
consideraciones físicas. Por ejemplo, si alguna de las variables 𝑥𝑖 representa la
velocidad de flujo de un fluido, ésta no podrá ser negativa. Por lo tanto,𝑥𝑖 ≥ 0 . En
el caso de que represente una concentración expresada como fracción peso o
fracción molar de una corriente de alimentación, se tiene que 0 ≤ xi ≤ 1.
B) Visualización de raíces en sistemas de dos ecuaciones no lineales con dos

incógnitas.
Sea el sistema
𝑓1 (𝑥, 𝑦) = 𝑥 2 − 10𝑥 + 𝑦 2 + 8 = 0
𝑓2 (𝑥, 𝑦) = 𝑥𝑦 2 + 𝑥 − 10𝑦 + 8 = 0
Algebraicamente una solución o raíz del sistema anterior es una pareja 𝑥̅ , 𝑦̅, tal
que satisface cada una de las ecuaciones de dicho sistema. Nos permitiremos
hacer la interpretación o visualización de una raíz a través de varias etapas.

Al graficar la función 𝑓1 (𝑥, 𝑦), se obtiene una superficie en el espacio, como se ve
en la siguiente figura:
La intersección, si la hay, de la superficie 𝑓1 (𝑥, 𝑦) con el plano x - y puede resultar

en una curva 𝑐1, como se muestra en la figura. A lo largo de esta curva se observa
el hecho de que 𝑓1 (𝑥, 𝑦) = 0; dicho de otra manera, los puntos de esta curva son
la solución de la ecuación, no del sistema creado con anterioridad.
Repitiendo el mismo procedimiento con la superficie de la función 𝑓2 (𝑥, 𝑦) = 0, se

obtiene otra curva 𝑐2 en el plano x - y que ahora resulta ser la solución de la
ecuación 𝑓2 (𝑥, 𝑦) = 0.
Finalmente, las intersecciones de las curvas 𝑐1 𝑦 𝑐2 del plano x - y resultan ser

puntos comunes a las tres superficies: 𝑓1 (𝑥, 𝑦),𝑓2 (𝑥, 𝑦) y el plano x - y; dichos
puntos satisfacen ambas ecuaciones del sistema y son precisamente las raíces
que 𝑥̅ , 𝑦̅ buscamos.

Bibliografía:

numéricos aplicados a la ingeniería. Patria. Páginas: 291-294
Steven C.Chapra - Raymon P. Canale, Métodos numéricos para ingenieros, quinta

Steven C.Chapra - Raymon P.Canale, Métodos numéricos para ingenieros, quinta


3.3 Iteración y convergencia de sistemas de ecuaciones
En cada iteración de un algoritmo para resolver sistemas de ecuaciones, se parte

de un punto base y se avanza en una dirección de exploración. Este proceso se
repite hasta que se alcanza la convergencia, es decir, hasta que se obtiene una
solución aceptable.
Punto Base y Dirección de Exploración:
Punto Base: Es el punto inicial desde el cual se comienza cada iteración del
algoritmo.
Dirección de Exploración: Es el vector que indica en qué dirección se avanzará

desde el punto base.
Ecuación de Iteración General:
En cada iteración, se calcula un nuevo punto base utilizando la siguiente ecuación

vectorial:
𝑥 (𝑘+1) = 𝑥 (𝑘) + 𝑡𝑑 (𝑘)
Donde 𝑥 (𝑘) es el punto base en la k-ésima iteración.
t es el factor de tamaño de la etapa que determina la distancia de desplazamiento.
𝑑 (𝑘) es el vector de dirección de exploración en la k-ésima iteración.
Relación con el Método de Newton-Raphson:

El Método de Newton-Raphson para sistemas de dos ecuaciones no lineales
puede expresarse de manera general utilizando la ecuación de iteración:
𝜕𝑓1 (𝑘+1) 𝜕𝑓1 (𝑘+1)
(𝑥 − 𝑥𝑘 ) + (𝑦 − 𝑦 𝑘 ) = −𝑓1 (𝑥 𝑘 , 𝑦 𝑘 )
𝜕𝑥 𝜕𝑦
𝜕𝑓2 (𝑘+1) 𝜕𝑓2 (𝑘+1)
(𝑥 − 𝑥𝑘 ) + (𝑦 − 𝑦 𝑘 ) = −𝑓2 (𝑥 𝑘 , 𝑦 𝑘 )
𝜕𝑥 𝜕𝑦
Notación Matricial y Método de Newton-Raphson:
Esta formulación se puede representar de forma matricial:

𝜕𝑓1 𝜕𝑓1
𝜕𝑥 𝜕𝑦 𝑥 (𝑘+1) − 𝑥 𝑘 𝑓1 (𝑥 𝑘 , 𝑦 𝑘 )
[ (𝑘+1) ] = [ ]
𝜕𝑓2 𝜕𝑓2 𝑦 − 𝑦𝑘 𝑓2 (𝑥 𝑘 , 𝑦 𝑘 )
[ 𝜕𝑥 𝜕𝑦 ]

Multiplicando por la inversa de la matriz jacobiana, se obtiene la forma vectorial de
la ecuación:
𝑥 (𝑘+1) 𝑥𝑘 𝜕𝑓 −1
[ ] = [ ] − ( ) 𝑓
𝑦 (𝑘+1) 𝑦𝑘 𝜕𝑥
Conclusiones:
En el Método de Newton-Raphson, el factor de tamaño de la etapa (t) es constante

en todas las iteraciones.
El vector de dirección de exploración (𝑑(𝑘) ) se calcula multiplicando la inversa de

la matriz jacobiana por el vector de funciones (f).
Este proceso de iteración y convergencia es fundamental en el desarrollo de

algoritmos eficientes para resolver sistemas de ecuaciones no lineales en diversas
aplicaciones científicas y de ingeniería.
Bibliografía:

edición, McGrawHill, Paginas 310-315

3.4 Aplicaciones
Sistemas masa-resorte
Los sistemas idealizados masa-resorte desempeñan un papel importante en la
mecánica y en otros problemas de ingeniería. En la siguiente figura se presenta un
sistema de este tipo.
Después de liberar las masas, éstas son

jaladas hacia abajo por la fuerza de
gravedad. Observe que el desplazamiento
resultante en cada resorte de la figura b se
mide a lo largo de las coordenadas locales
referidas a su posición inicial.
La segunda ley de Newton se emplea en

conjunto con el equilibrio de fuerzas para
desarrollar un modelo matemático del
sistema. Para cada masa, la segunda ley
se expresa como:
d2 x
m = FD − FU
dt 2
Para simplificar el análisis se supondrá que todos los resortes son idénticos y que
se comportan de acuerdo con la ley de Hooke. En la siguiente imagen la figura a
se muestra un diagrama de cuerpo libre para la primera masa.

La fuerza hacia arriba es únicamente una expresión directa de la ley de Hooke:
𝐹𝑈 = 𝑘𝑥1
Las componentes hacia abajo consisten en las dos fuerzas del resorte junto con la
acción de la gravedad sobre la masa.
𝐹𝐷 = 𝑘(𝑥2 − 𝑥1 ) + 𝑘(𝑥2 − 𝑥1 ) = 𝑚1 𝑔
Observe cómo la componente de fuerza de los dos resortes es proporcional al

desplazamiento de la segunda masa, 𝑥2 ,corregida por el desplazamiento de la
primera masa,𝑥1 .
Las ecuaciones 𝐹𝑈 = 𝑘𝑥1 y 𝐹𝐷 = 𝑘(𝑥2 − 𝑥1 ) + 𝑘(𝑥2 − 𝑥1 ) = 𝑚1 𝑔

d2 x
Se sustituyen en la ecuación m dt2 = FD − FU para dar:
d2 x1
m1 2 = 2𝑘(𝑥2 − 𝑥1 ) + 𝑚1 𝑔 − 𝑘𝑥1
dt
De esta forma, se ha obtenido una ecuación diferencial ordinaria de segundo

orden para describir el desplazamiento de la primera masa con respecto al tiempo.
Sin embargo, advierta que la solución no se puede obtener, ya que el modelo tiene
una segunda variable dependiente, 𝑥2 . En consecuencia, se deben desarrollar
diagramas de cuerpo libre para la segunda y tercera masa que se emplean para
obtener:
𝑑2 𝑥2
𝑚2 = 𝑘(𝑥3 − 𝑥2 ) + 𝑚2 𝑔 − 2𝑘(𝑥2 − 𝑥1 )
𝑑𝑡 2
𝑑2 𝑥3
𝑚3 = 𝑚3 𝑔 − 𝑘(𝑥2 − 𝑥2 )
𝑑𝑡 2

Las ecuaciones escritas forman un sistema de tres ecuaciones diferenciales con
tres incógnitas. Con las condiciones iniciales apropiadas, estas ecuaciones sirven
para calcular los desplazamientos de las masas como una función del tiempo (es
decir, sus oscilaciones). por ahora, podemos obtener los desplazamientos que
ocurren cuando el sistema eventualmente llega al reposo, es decir, al estado
estacionario. Para esto se igualan a cero las derivadas en las ecuaciones,
obteniendo:
3kx1 − 2kx2 = m1 g
−2kx1 + 3kx2 − kx3 = m2 g
−kx2 + kx3 = m3 g
O en forma matricial.
[𝐾]{𝑋} = {𝑊}
Donde [𝐾], conocida como matriz de rigidez, es:
3𝑘 −2𝑘
[𝐾] = [−2𝑘 3𝑘 −𝑘]
−𝑘 𝑘
Y {𝑋} y {𝑊} son los vectores columna de las incógnitas X y de los pesos mg,
respectivamente.
Solución:
Aquí se emplean métodos numéricos para obtener una solución. Si 𝑚1 =
2𝑘𝑔, 𝑚2 = 3𝑘𝑔, 𝑚3 = 2.5𝑘𝑔, Y todas las k = 10kg⁄s 2 ,use la descomposición LU
con el propósito de obtener los desplazamientos y generar la inversa de [𝐾].
Sustituyendo los parámetros del modelo se obtiene:

30 −20 19.6
[𝐾] = [−20 30 −10] {𝑊} = {29.4}
−10 10 24.5
La descomposición LU se utiliza con el objetivo de obtener 𝑥1 = 7.35, 𝑥2 =

10.045 𝑦 𝑥3 = 12.495 . La inversa de la matriz de rigidez calculada es:
0.1 0.1 0.1
[𝐾]−1 = [0.1 0.15 0.15]
0.1 0.15 0.25
Cada elemento de la matriz 𝑘𝑗𝑖−1 nos indica el desplazamiento de la masa i debido a

una fuerza unitaria impuesta sobre la masa j. Así los valores 0.1 en la columna 1
nos indican que una carga unitaria hacia abajo en la primera masa desplazará
todas las masas 0.1m hacia abajo. Los otros elementos se interpretan en forma
similar. Por lo tanto, la inversa de la matriz de rigidez proporciona una síntesis de
cómo los componentes del sistema responden a fuerzas que se aplican en forma
extensa.
Bibliografía:

edición,McGrawHill, Páginas: 327-338

Tecnológico Nacional de México
(TecNM)
Instituto Tecnológico de Cuautla
Prof. I.E. Saúl Ulloa Mondragón
Cabrera Rosales Ian Axel
Semestre-4
Grupo-1
Cabrera Rosales Ian Axel – abril 2024
Tema 4:
Diferenciación e integración numérica
Competencia:
Utiliza los métodos numéricos para diferenciación e
integración numérica aplicando los métodos clásicos
Contenido:
4.1 Diferenciación numérica

4.2 Integración numérica
4.3 Integración múltiple
4.4 Aplicaciones
4.1 Diferenciación numérica.
La diferenciación numérica consiste en el desarrollo de fórmulas de gran exactitud

usando una gran cantidad de términos. Si las aproximaciones son polinomiales y
con criterio de ajuste exacto, podemos simplificar la diferenciación numérica como
el diferenciar la formula del polinomio interpolante el cual se usa, expresado de
una forma general como
𝑓(𝑥) = 𝑝𝑛 (𝑥) + 𝑅𝑛 (𝑥)
Por lo cual, la aproximación que tengamos de la primera derivada nos quedaría de
la forma
𝑑𝑓(𝑥) 𝑑𝑝𝑛 (𝑥) 𝑑 𝑛 𝑓(𝑥) 𝑑 𝑛 𝑝𝑛 (𝑥)
≈ → 𝑜 𝑑𝑒 𝑓𝑜𝑟𝑚𝑎 𝑔𝑒𝑛𝑒𝑟𝑎𝑙 ≈
𝑑𝑥 𝑑𝑥 𝑑𝑥 𝑛 𝑑𝑥 𝑛
Si lo diferenciamos de la formula fundamental de Newton, obtendremos
𝑑𝑛 𝑓(𝑥) 𝑑𝑛 𝑝𝑛 (𝑥) 𝑑 𝑛 𝑅𝑛 (𝑥)
= +
𝑑𝑥 𝑛 𝑑𝑥 𝑛 𝑑𝑥 𝑛
𝑑𝑛 𝑅𝑛 (𝑥) 𝑑𝑛 𝑓(𝑥)
En el cual, la parte será el error cometido durante la aproximación de
𝑑𝑥 𝑛 𝑑𝑥 𝑛
𝑑𝑛 𝑝𝑛 (𝑥)
dada por . En dado caso de que las abscisas dadas se encuentren
𝑑𝑥 𝑛
espaciadas de forma regular a través de intervalos de longitud, podremos escribir
𝑝𝑛 (𝑥) en términos de diferencias finitas. Tras realizar la sustitución 𝑓|𝑥0 |, 𝑓|𝑥0 , 𝑥1 |,
obtendremos
|𝑥0 | ∆2 |𝑥0 |
𝑝𝑛 (𝑥) = 𝑓|𝑥0 | + (𝑥 − 𝑥0 ) + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
ℎ 2! ℎ2
∆𝑛 |𝑥0 |
+ ⋯ (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 )
𝑛! ℎ𝑛
De lo cual tendremos
𝑑𝑓(𝑥) 𝑑𝑝𝑛 (𝑥)
≈
𝑑𝑥 𝑑𝑥
∆𝑓|𝑥0 | ∆2 |𝑥0 |
𝑑𝑓|𝑥0 | 𝑑 |(𝑥 − 𝑥0 ) | 𝑑 |(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) |
ℎ 2! ℎ2
= + + +⋯
𝑑𝑥 𝑑𝑥 𝑑𝑥
∆𝑛 𝑓|𝑥0 |
𝑑 |(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) … (𝑥 − 𝑥𝑛−1 ) |
𝑛! ℎ𝑛
+
𝑑𝑥
Para desarrollar los primeros términos de la forma
𝑑𝑓(𝑥) 𝑑𝑝𝑛 (𝑥)

≈
𝑑𝑥 𝑑𝑥
∆𝑓|𝑥0 | ∆2 𝑓|𝑥0 |
= + (2𝑥 − 𝑥0 − 𝑥1 ) 2
+ [3𝑥 2 − 2(𝑥0 + 𝑥1 + 𝑥2 )𝑥
ℎ 2! ℎ
∆3 𝑓|𝑥0 |
+ (𝑥0 𝑥1 + 𝑥0 𝑥2 + 𝑥1 𝑥2 )]
3! ℎ3
Considerando un valor particular para n, en este caso n=1, se aproxima la función
tabulada f(x) usando una línea recta, resultado en
∆𝑓|𝑥0 |
𝑝𝑛 (𝑥) = 𝑝1 (𝑥) = 𝑓|𝑥0 | + (𝑥 − 𝑥0 )
ℎ
De esta forma la primera derivada de f(x) quedara aproximada por
𝑑𝑓(𝑥) 𝑑𝑝1 (𝑥) ∆𝑓|𝑥0 | 𝑓(𝑥1 )−𝑓|𝑥0 | 𝑓(𝑥1 )−𝑓(𝑥0 )
≈ = = = 𝑓|𝑥0 , 𝑥1 | → =0
𝑑𝑥 𝑑𝑥 ℎ 𝑥1 −𝑥0 ℎ
Lo cual se realizará con cualquier derivada superior a f(x) será aproximada a 0. Lo

cual será el equivalente a la primera derivada de la pendiente de la recta que unirá
a dos de los puntos de la curva que se encuentre en f(x) con abscisas 𝑥0 𝑦 𝑥1 .
La primera derivada quedará aproximada por el valor constante (𝑓(𝑥1 ) −
(𝑓(𝑥0 ))/ℎ, que será muy distinto al valor verdadero 𝑑𝑓(𝑥)/𝑑𝑥.
La aproximación de la
primera derivada se
puede apreciar de mejor
manera con la imagen a
continuación.
Considerando que ahora
se tenga que n=2, se
tendrá que
∆𝑓|𝑥0 | ∆2 𝑓|𝑥0 |
𝑝𝑛 (𝑥) ≈ 𝑝2 (𝑥) = 𝑓|𝑥0 | + (𝑥 − 𝑥0 ) + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
ℎ 2! ℎ2
Por lo cual, la primera derivada de f(x) quedara aproximada por
𝑑𝑓(𝑥) 𝑑𝑝2 (𝑥) ∆𝑓|𝑥0 | ∆2 𝑓|𝑥0 |
≈ = + (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
𝑑𝑥 𝑑𝑥 ℎ 2! ℎ2
Al desarrollar las diferencias hacia adelante, obtendremos
𝑑𝑓(𝑥) 𝑑𝑝2 (𝑥)
≈( )
𝑑𝑥 2ℎ2
-Fórmulas de diferenciación con alta exactitud

Para generar formulas a través de diferencias divididas de una gran exactitud,
será necesario tomar términos adicionales para la expansión de la serie de Taylor,
como podría serlo la expansión hacia adelante que esta descrita de la forma
𝑓´´(𝑥𝑖 ) 2
𝑓(𝑥𝑖+1 ) = 𝑓(𝑥𝑖 ) + 𝑓´(𝑥𝑖 )ℎ + ℎ +⋯
2
La cual, podremos despejar 𝑓´(𝑥𝑖+1 ) y dando como resultado
𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖 ) 𝑓´´(𝑥𝑖 )
𝑓´(𝑥𝑖 ) = − ℎ + 𝑂(ℎ2 )
ℎ 2
De los cuales eliminaremos los términos que podamos encontrar a partir de la
segunda derivada
𝑓(𝑥𝑖+2 ) − 2𝑓(𝑥𝑖+1 ) + 𝑓(𝑥𝑖 )
𝑓´´(𝑥𝑖 ) = + 𝑂(ℎ)
ℎ2
Con lo cual podremos obtener
𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖 ) 𝑓(𝑥𝑖+2 ) − 2𝑓(𝑥𝑖+1 ) + 𝑓(𝑥𝑖 )
𝑓´(𝑥𝑖 ) = − ℎ + 𝑂(ℎ2 )
ℎ 2ℎ2
Tras la inclusión de la segunda derivada se puede apreciar una mejora en la
exactitud que tiene 𝑂(ℎ2 ), con lo cual podemos desarrollar distintas versiones para
aplicar en las fórmulas.
-Extrapolación de Richardson
Hay formas para poder mejorar la estimación obtenida con diferencias divididas
finitas:
1-Acortar el tamaño del paso
2-Usar una formula de grado superior, empleando uno con más puntos
Otro procedimiento que podemos realizar, es uno basado en la extrapolación de
Richardson, utiliza dos estimaciones de la derivada, con la cual calculara una
tercera aproximación que será más exacta. Esta esta constituye un medio con el
cual se puede obtener la aproximación mediante
𝐼
𝐼 = 𝐼(ℎ2 ) + [𝐼(ℎ2 ) − 𝐼(ℎ2 )]
(ℎ1 𝐼ℎ2 )2 − 1
En donde I (ℎ1 ) e I (ℎ2 ) serán estimaciones de la integral obtenidas a través del
uso de dos tamaños de paso. Este se escribirá tanto para (ℎ1 ) como I (ℎ2 ) de la
forma
4 1
𝐼 ≅ 𝐼(ℎ2 ) − 𝐼(ℎ1 )
3 3
Y se escribirá de una forma similar para las derivadas, resultando en

4 1
𝐷 ≅ 𝐷(ℎ2 ) − 𝐷(ℎ1 )
3 3
Derivadas de datos irregularmente espaciados
Una manera de emplear datos irregularmente espaciados, la cual consiste en
realizar un ajuste a un polinomio de interpolación de Lagrange de segundo grado,
usando un conjunto de tres puntos adyacentes. Tras derivar el polinomio de
segundo grado podremos obtener
2𝑥 − 𝑥𝑖 − 𝑥𝑖+1 2𝑥 − 𝑥𝑖−1 − 𝑥𝑖+1
𝑓′(𝑥) = 𝑓(𝑥𝑖−1 ) + 𝑓(𝑥𝑖 )
(𝑥𝑖−1 − 𝑥𝑖 )(𝑥𝑖−1 − 𝑥𝑖+1 ) (𝑥𝑖 − 𝑥𝑖+1 )(𝑥𝑖 − 𝑥𝑖+1 )
2𝑥 − 𝑥𝑖−1 − 𝑥𝑖
+ 𝑓(𝑥𝑖+1 )
(𝑥𝑖+1 − 𝑥𝑖−1 )(𝑥𝑖+1 − 𝑥𝑖 )
en donde x será el valor a estimar de la derivada. Dada esta ecuación se facilitará
la estimación de la derivada en cualquier punto dentro del intervalo que se
determinó por los tres puntos
Bibliografía:
Federico, D. S. C., & Antonio, N. H. (2014). Métodos Numéricos Aplicados a la
Ingeniería. Grupo Editorial Patria Págs.: 495-505
Chapra, S. C., Canale, R. P., Ruiz, R. S. G., Mercado, V. H. I., Díaz, E.M., &
Benites, G. E. (2011). Métodos numéricos para ingenieros (Vol. 5,pp. 154-196).
New York, NY, USA: McGraw-Hill. Págs.: 668-673
Mora, W., & Autor, O. Introducción a los Métodos Numéricos. Págs.: 263-269
4.2 Integración numérica

𝑏
La integral definida ∫𝑎 𝑓(𝑥)𝑑𝑥 no siempre se puede calcular usando el teorema
fundamental del calculo porque hay funciones que no tienen primitiva elemental,
es decir, la integral indefinida no se puede expresar en términos de funciones
elementales. En estos casos, las integrales definen una nueva función.
Aquí solo consideramos métodos de integración aproximada de la forma
𝑏 𝑛
∫ 𝑓(𝑥)𝑑𝑥 = ∑ 𝑤𝑖 𝑓(𝑥𝑖 )
𝑎 𝑖=1
Donde los nodos 𝑥0 < 𝑥1 < ⋯ < 𝑥𝑛 están en [𝑎, 𝑏]. A los 𝑤𝑖 ´𝑠 se les llama “pesos”.
Regla del trapecio
𝑏
Para aproximar ∫𝑎 𝑓(𝑥)𝑑𝑥 dividimos el intervalo [𝑎, 𝑏] en “n” subintervalos: si ℎ =
(𝑏−𝑎)
y si 𝑥𝑖 = 𝑎 + 𝑖ℎ, en cada subintervalo [𝑥𝑖 , 𝑥𝑖 + 1], cambiamos la función ƒ por
𝑛
el polinomio interpolante de grado 1.
𝑏 𝑛−1 𝑥𝑖 +1
∫ 𝑓(𝑥)𝑑𝑥 = ∑ ∫ 𝑓(𝑥)𝑑𝑥
𝑎 𝑖=0 𝑥𝑖
La regla del trapecio presenta la siguiente formula

𝑛−1
ℎ3 ℎ2 ∑𝑛−1
𝑘=0 𝑓´´(𝑛𝑘 )
− ∑ 𝑓´´(𝑛𝑘 ) = − ∗ (𝑏 − 𝑎) [ ]
12 12 𝑛
𝑘=0
Lo que está dentro del paréntesis es un promedio de los valores 𝑓´´ en [𝑎, 𝑏], por lo
tanto, este promedio esta entre el máximo y el mínimo de esos valores
(asumiendo que continua). Finalmente, por el teorema del valor intermedio, existe
ḉ ∈ [𝑎, 𝑏] tal que 𝑓´´(ḉ) es igual a este valor promedio, es decir
𝑛−1
ℎ3 (𝑏 − 𝑎)ℎ2
− ∑ 𝑓´´(𝑛𝑘 ) = − ∗ 𝑓´´(ḉ), ḉ ∈ [𝑎, 𝑏]
12 12
𝑘=0
Regla compuesta del trapecio

𝑏 𝑛−1
ℎ (𝑏 − 𝑎)ℎ2
∫ 𝑓(𝑥)𝑑𝑥 = (𝑓(𝑎) + 𝑓(𝑏) + 2 ∑ 𝑓(𝑥𝑖 )) − ∗ 𝑓´´(ḉ)
𝑎 2 12
𝑖=1
Ejemplo 1
𝜋
Aunque sabemos que ∫0 𝑠𝑒𝑛𝑥 𝑑𝑥 = 2, vamos a usar esta integral para ver como
𝜋
funciona la regla compuesta del trapecio. Aproximar ∫0 𝑠𝑒𝑛𝑥 𝑑𝑥 con tres
subintervalos y estimar el error. Además, determinar “n” tal que el error sea [𝐸] ≤
0.5𝑥10−8 .
𝜋−0 𝜋
𝑛 = 3, ℎ = =
3 3
𝜋 2𝜋
𝑥0 = 0, 𝑥1 = , 𝑥2 = 𝑦 𝑥3 = 𝜋 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 …
3 3
𝜋
𝜋⁄2
∫ 𝑠𝑒𝑛𝑥 𝑑𝑥 ≈ [𝑠𝑒𝑛(0) + 𝑠𝑒𝑛(𝜋) + 2 ∗ (𝑠𝑒𝑛(𝜋) + 𝑠𝑒𝑛(2𝜋/3)] = 1.813799364234
0 3
𝜋(𝜋/3)2
El error estimado en valor absoluto es ≤ 12 𝑀 donde “M” es el máximo
absoluto de [𝑓´´(𝑥)] en [0, 𝜋]. En este caso 𝑀 = 1 y entonces [𝐸] ≤ 0.287095.
Para determinar que “n” tal que [𝐸] ≤ 0.5𝑥10−8 . Procedemos así: Sabemos que el
máximo absoluto de 𝑓´´ en [0, 𝜋] es 𝑀 = 1, entonces
(𝑏 − 𝑎)ℎ2 (𝜋/𝑛)2 𝜋3
[𝐸] ≤ ∗𝑀 =𝜋∗ =
12 12 12𝑛2
𝜋3
Como queremos [𝐸] ≤ 0.5𝑥10−8 , basta con que 12𝑛2 ≤ 0.5𝑥10−8. Despejando…
𝜋3
𝑛≤√ ≈ 22732.603
12 ∗ 0.5𝑥10−8
𝜋
Tomando 𝑛 = 22732, obtenemos la aproximación ∫0 𝑠𝑒𝑛𝑥 𝑑𝑥 ≈
1.99999999681673, que efectivamente tiene ocho decimales exactos.
1
Error de la regla del trapecio→ 𝐸𝑡 = − 12 𝑓´´(ḉ)(𝑏 − 𝑎)3
Ejemplo 2
Integre a 𝑓(𝑥) = 0.2 + 25𝑥 − 200𝑥 2 + 675𝑥 3 − 900𝑥 4 + 400𝑥 5 .
Desde 𝑎 = 0 hasta 𝑏 = 0.8. Recuerde que el valor exacto de la integral se puede
determinar en forma analítica y es 1.650533.
𝑓(0) = 0.2 𝑓(0.8) = 0.232
0.2 + 0,232
𝐼 = 0.8 = 0.1728
2
𝐸1 = 1.640533 − 0.1728 = 1.467733
Que corresponde a un error relativo de 80.5%. Ahora requeriremos una estimación
del error aproximado:
𝑓´´(𝑥) = −400 + 4050𝑥 − 10800𝑥 2 + 8000𝑥 3
0.8
∫ (−400 + 4050𝑥 − 10800𝑥 2 + 8000𝑥 3 )𝑑𝑥
𝑓´´(𝑥) = 0 = −60
0.8 − 0
1
𝐸𝑎 = − (−60(0.8)3 ) = 2.56
12
Regla de Simpson
En vez de usar interpolación lineal, usamos interpolación cuadrática buscando una
mejora en el cálculo. Por simplicidad, vamos a hacer el análisis en el intervalo
[𝑥0 , 𝑥2 ]. Para construir la parábola que interpola ƒ necesitamos los puntos
𝑥0 , 𝑥1 𝑦 𝑥2 .
(𝑏+𝑎)
Sea 𝑓 (4) continua en [𝑎, 𝑏] interpolando 𝑓 en [𝑎, 𝑏] con 𝑥0 = 𝑎, 𝑥1 = 𝑦 𝑥2 = 𝑏
2
obtenemos el polinomio de Lagrange 𝑃2 (𝑥). Entonces:
𝑓(𝑥) = 𝑃2 (𝑥) + 𝑓[𝑥0 , 𝑥1 , 𝑥2 , 𝑥](𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
Luego
𝑏
∫ (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )𝑑𝑥 = 0
𝑎
(𝑎+𝑏) 2
Tomando 𝑥3 = 𝑥1 , el polinomio 𝑄(𝑥) = (𝑥 − 𝑎) (𝑥 − ) (𝑥 − 𝑏) es de un mismo
2
signo sobre [𝑎, 𝑏]. Aplicando el teorema (5.3) tenemos:
𝑏
ℎ 𝑓 4 (𝑛) 𝑏
∫ 𝑓(𝑥)𝑑𝑥 = [𝑓(𝑎) + 4(𝑥1 ) + 𝑓(𝑏)] + ∫ 𝑄(𝑥)𝑑𝑥, 𝑛 ∈ [𝑎, 𝑏]
𝑎 3 4! 𝑎
ℎ 𝑓 4 (𝑛) 𝑏
= [𝑓(𝑎) + 4(𝑥1 ) + 𝑓(𝑏)] + ∫ 𝑄(𝑥)𝑑𝑥, 𝑛 ∈ [𝑎, 𝑏]
3 4! 𝑎
𝑏
En este caso, ∫𝑎 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )𝑑𝑥 = 0. Tomando 𝑥3 = 𝑥1 , el polinomio
(𝑎+𝑏) 2
𝑄(𝑥) = (𝑥 − 𝑠) (𝑥 − ) (𝑥 − 𝑏) es de un mismo signo sobre [𝑎, 𝑏].
2
𝑏
ℎ 𝑓 4 (𝑛) 𝑏
∫ 𝑓(𝑥)𝑑𝑥 = [𝑓(𝑎) + 4(𝑥1 ) + 𝑓(𝑏)] + ∫ 𝑄(𝑥)𝑑𝑥, 𝑛 ∈ [𝑎, 𝑏]
𝑎 3 4! 𝑎
ℎ 𝑓 4 (𝑛) 𝑏 − 𝑎 5
= [𝑓(𝑎) + 4(𝑥1 ) + 𝑓(𝑏)] − ( ) , 𝑛 ∈ [𝑎, 𝑏]
3 4! 2
𝑏 4 𝑏−𝑎 5
Pues ∫𝑎 𝑄(𝑥)𝑑𝑥 = − 15 ( )
2
Para obtener la regla compuesta de Simpson necesitamos “n” par para poder
escribir
𝑏 𝑥2 𝑥4 𝑥𝑛
∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑓(𝑥)𝑑𝑥 + ∫ 𝑓(𝑥)𝑑𝑥 + ⋯ + ∫ 𝑓(𝑥)𝑑𝑥
𝑎 𝑥0 𝑥2 𝑥𝑛−2
Luego calculamos cada una de las 𝑛/2 integrales:

𝑥𝑘+2
ℎ 𝑓 4 (𝑛𝑘 ) 5
∫ 𝑓(𝑥)𝑑𝑥 = [𝑓(𝑥𝑘 ) + 4𝑓(𝑥𝑘+1 ) + 𝑓(𝑥𝑘+2 )] − ℎ
𝑥𝑘 3 90
Con 𝑛𝑘 ∈ [𝑥𝑘 , 𝑥𝑘+2 ] y ℎ = (𝑏 − 𝑎)/𝑛

Regla compuesta de Simpson
Si n es par
𝑏 𝑥2 𝑥4 𝑥𝑛
∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑓(𝑥)𝑑𝑥 + ∫ 𝑓(𝑥)𝑑𝑥 + ⋯ + ∫ 𝑓(𝑥)𝑑𝑥
𝑎 𝑥0 𝑥2 𝑥𝑛−2
𝑏
ℎ 𝑛/2 −1 1
2
= 3 [𝑓(𝑎) + 𝑓(𝑏) + 4 ∑𝑖=1 𝑓(𝑥𝑛−1 ) + 2 ∑𝑖=1 𝑓(𝑥𝑛 )] − 180 (𝑏 − 𝑎)ℎ4 𝑓 4 (ḉ)
Ejemplo 1
𝜋
Aunque sabemos que ∫0 𝑠𝑒𝑛(𝑥) 𝑑𝑥 = 2, vamos a usar esta integral para ver como
funciona la regla de Simpson.
𝜋
Aproximar ∫0 𝑠𝑒𝑛(𝑥)𝑑𝑥 con 𝑛 = 4 y estimar el error.
Estimar n de tal manera que la regla de Simpson aproxime la integral con un error
[𝐸] ≤ 0.5𝑥10−8 .
Como 𝑛 = 4, calculamos
𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 𝑦 𝑥4 .
𝜋−0 𝜋 𝜋 𝜋 3𝜋
𝑛=4→ℎ= = 4 , 𝑥0 = 0, 𝑥1 = 4 , 𝑥2 = 2 , 𝑥1 = y 𝑥4 = 𝜋 Entonces
4 4
𝜋
𝜋
𝜋 3𝜋 𝜋
∫ 𝑠𝑒𝑛(𝑥)𝑑𝑥 ≈ 4 [𝑠𝑒𝑛(0) + 𝑠𝑒𝑛(𝜋) + 4 (𝑠𝑒𝑛 ( ) + 𝑠𝑒𝑛 ( )) + 2𝑠𝑒𝑛 ( )]
0 3 4 4 2
= 2.004559754984
𝜋(𝜋/4)4
El error estimado [𝐸], en valor absoluto, es ≤ 𝑀 donde M es el máximo
180
absoluto de [𝑓 4 (𝑥)] en [0, 𝜋] es 𝑀 = 1, entonces
(𝑏 − 𝑎)ℎ4 𝜋5
[𝐸] ≤ 𝑀=
180 180𝑛4
𝜋5
Como queremos [𝐸] ≤ 0.5𝑥10−8 , basta con que 180𝑛4 ≤ 0.5𝑥10−8, Despejando
obtenemos
4 𝜋5
𝑛≥√ ≈ 135.79
180(0.5𝑥10−8 )
𝜋
Tomando 𝑛 = 136, obtenemos la aproximación ∫0 𝑠𝑒𝑛(𝑥)𝑑𝑥 ≈ 2.00000000316395,
que efectivamente tiene ocho decimales exactos.
Error de truncamiento de la regla de Simpson:
(𝑏 − 𝑎)5 4
𝐸𝑡 = − 𝑓 (ḉ)
2880
Ejemplo 2
Integre 𝑓(𝑥) = 0.2 + 25𝑥 − 200𝑥 2 + 675𝑥 3 − 900𝑥 4 + 400𝑥 5
Desde 𝑎 = 0 hasta 𝑏 = 0.8. Recuerde que la integral exacta es 1.640533
𝑓(0) = 0.2 𝑓(0.4) = 2.456 𝑓(0.8) = 0.232
0.2 + 4(2.456) + 0.232

𝐼 ≅ 0.8 = 1.367467
6
Que representa un error exacto de
𝐸𝑡 = 1.640533 − 1.367467 = 0.2730667 ∈𝑡 = 16.6%
Que es aproximadamente 5 veces más precisa que una sola aplicación de la regla
del trapecio
(0.8)5
𝐸𝑎 = − (−2400) = 0.2730667
2880
Bibliografía:
CHAPRA C.S. Y CANALE P.R., MÉTODOS NUMÉRICOS PARA INGENIEROS,
MCGRAW-HILL, 5ª EDICIÓN, PÁGINAS 632 - 635.
Mora F.W., Introducción a los métodos numéricos, Obra independiente, 1ª edición,
páginas 166, 174-177.
Mora F.W., Introducción a los métodos numéricos, Obra independiente, 1ª edición,
páginas 166, 169-172.
4.3 Integración múltiple.

Este es el método de Simpson 1/3 en la solución de integrales dobles
𝜋 3 3 4
a)∫0 ∫0 𝑦 𝑠𝑒𝑛 𝑥 𝑑𝑥 𝑑𝑦 y b)∫01 ∫0 𝑒 𝑥+𝑦 𝑑𝑥 𝑑𝑦
para poder integrar el inciso a), se dividirá el intervalo [a,b]=[0,3] en n=6

subintervalos iguales, con una amplitud dada por
3−0
ℎ1 = = 0.5
6
Tras esto se aplicará la regla de Simpson, manteniendo constante la variable y
𝜋 3
∫ ∫ 𝑦 𝑠𝑒𝑛 𝑥 𝑑𝑥 𝑑𝑦
0 0
𝜋
ℎ1
≈∫ [𝑦 𝑠𝑒𝑛 0 + 4𝑦(𝑠𝑒𝑛 0.5 + 𝑠𝑒𝑛1.5 + 𝑠𝑒𝑛2.5) + 2𝑦(𝑠𝑒𝑛1 + 𝑠𝑒𝑛2)
3
0
𝜋
+ 𝑦 𝑠𝑒𝑛3]𝑑𝑦 ≈ ∫ 1.9907 𝑦 𝑑𝑦
0
Ahora se integrará el eje y, el intervalo [[c, d] = [0, π] y se dividirá en m=8,

𝜋−0 𝜋
quedando como ℎ2 = = además de
8 8
π
h2 π 3π 5π 7π 2π 4π 6π 8π
1.9907 ∫ y dy ≈ 1.9907 3 [0 + 4 (8 + 8 + 8 + 8 ) + 2 ( 8 + 8 + 8 ) + 8 ]
0 ≈ 9.82373
Obteniendo de esta forma
𝜋 3 𝜋 3
∫ ∫ 𝑦 𝑠𝑖𝑛 𝑥 𝑑𝑥 𝑑𝑦 = ∫ (∫ 𝑦 𝑠𝑖𝑛 𝑥 𝑑𝑥) 𝑑𝑦

0 0 0 0
En la primera integración y se mantendrá constante. La integración iterada puede

llevarse a cabo primero con respecto a y y después a x, lo que indicara
3 𝜋
∫ ∫ 𝑦 𝑠𝑖𝑛 𝑥 𝑑𝑦 𝑑𝑥
0 0
Para la integral del inciso b), el intervalo [𝑎, 𝑏] = [0,4], que se dividirá en n04
subintervalos
4−0
ℎ1 = = 1
4
3 −4 3
1
∫ ∫ 𝑒 𝑥+𝑦 𝑑𝑥 𝑑𝑦 = ∫ [𝑒 0+𝑦 + 4(𝑒 1+𝑦 + 𝑒 3+𝑦 ) + 2𝑒 2+𝑦 + 𝑒 4+𝑦 ]𝑑𝑦
3
1 0 1
En la integración por Simpson 1/3 con m=6 en el eje y dará

3−1 1
ℎ2 = =
6 3
3 4
∫ ∫ 𝑒 𝑥+𝑦 𝑑𝑥 𝑑𝑦 =
1 0
1 1
[𝑒 1 + 4(𝑒 4⁄3 + 𝑒 2 + 𝑒 6⁄3 ) + 2(𝑒 5⁄3 + 𝑒 7⁄3 ) + 𝑒 3 ]
3 3(3)
1 1
+ [𝑒 0.5+1 + 4(𝑒 0.5+4⁄3 + 𝑒 0.5+2 + 𝑒 0.5+8⁄3 )
3 3(3)
+ 2(𝑒 0.5+5⁄3 + 𝑒 0.5+7⁄3 ) + 𝑒 0.5+3 ]
1 1
+ [𝑒 1.5+1 + 4(𝑒 1.5+4⁄3 + 𝑒 1.5+2 + 𝑒 1.5+8⁄3 )
3 3(3)
+ 2(𝑒 1.5+5⁄3 + 𝑒 1.5+7⁄3 ) + 𝑒 1.5+3 ]
1 1
+ ( [𝑒 1+1 + 4(𝑒 1+4⁄3 + 𝑒 1+2 + 𝑒 1+8⁄3 ) + 2(𝑒 1+5⁄3 + 𝑒 1+7⁄3 )𝑐
3 3
+ 𝑒 1+3 ] )
1 1(0.5) 2+1
+ ( [𝑒 + 4(𝑒 2+4⁄3 + 𝑒 2+2 + 𝑒 2+8⁄3 ) + 2(𝑒 2+5⁄3 + 𝑒 2+7⁄3 )
3 3
+ 𝑒 2+3 ] ) ≈ 935.53 (𝑒𝑙 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜 𝑎𝑛𝑎𝑙𝑖𝑡𝑖𝑐𝑜 𝑠𝑒𝑟𝑎 930.853)
La integración de la función f (x, y) sobre la región del plano R x-y, por lo que se
da {(𝑥, 𝑦): 𝑎 ≤ 𝑥 ≤ 𝑏, 𝑐 ≤ 𝑦 ≤ 𝑑 }, si usamos el método de Simpson 1/3
obtendremos que
𝑑 𝑎 𝑑 𝑎
∫ ∫ 𝑓(𝑥, 𝑦) 𝑑𝑥𝑑𝑦 = ∫ [∫ 𝑓(𝑥, 𝑦)𝑑𝑥] 𝑑𝑦

𝑐 𝑏 𝑐 𝑏
𝑑 𝑛−1 𝑛−2
ℎ1
≈ ∫ ( [𝑓(𝑥0 , 𝑦) + 4 ∑ 𝑓(𝑥𝑖 , 𝑦) + 2 ∑ 𝑓(𝑥𝑖 , 𝑦) + 𝑓(𝑥𝑛 , 𝑦)]) 𝑑𝑦
3
𝑐 𝑖=1 𝑖=2
∆𝑖 = 2 ∆𝑖 = 2
𝑏−𝑎
En la cual ℎ1 = se desarrollará para obtener
𝑛
𝑑 𝑏
∫ ∫ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦
𝑐 𝑎
𝑑
ℎ1
≈ ∫ 𝑓(𝑥0 , 𝑦)𝑑𝑦
3
𝑐
𝑛−1 𝑑 𝑛−2 𝑑 𝑑
4ℎ1 2ℎ1 ℎ1
+ ∑ ∫ 𝑓(𝑥1 , 𝑦)𝑑𝑦 + ∑ ∫ 𝑓(𝑥1 , 𝑦)𝑑𝑦 ∫ 𝑓(𝑥𝑛 , 𝑦)
3 3 3
𝑖=1 𝑐 𝑖=2 𝑐 𝑐
∆𝑖 = 2 ∆𝑖 = 2
Con lo cual integraremos nuevamente por Simpson 1/3 considerando que

𝑑−𝑐
ℎ2 =
𝑚
Con lo que obtendremos
𝑑 𝑏
∫ ∫ 𝑓(𝑥, 𝑦) 𝑑𝑥𝑑𝑦
𝑐 𝑎
𝑚−1 𝑚 −2
ℎ1 ℎ2
≈ 𝑓(𝑥0 , 𝑦0 ) + 4 ∑ 𝑓(𝑥0 , 𝑦𝑗 ) + 2 ∑ 𝑓(𝑥0 , 𝑦𝑗 ) + 𝑓(𝑥0 , 𝑦𝑚 )
3 3
𝑗=1 𝑗=2
[ ∆𝑗 = 2 ∆𝑗 = 2 ]
𝑛−1 𝑚−1 𝑚−2
4ℎ1 ℎ2
+ ∑ 𝑓(𝑥𝑖 , 𝑦0 ) + 4 ∑ 𝑓(𝑥𝑖 , 𝑦𝑗 ) + 2 ∑ 𝑓(𝑥𝑖 , 𝑦𝑗 ) + 𝑓(𝑥𝑖 , 𝑦𝑚 )
3 3 𝑗=1 𝑗=2
𝑖=1
∆𝑖 = 2 [ ∆𝑗 = 2 ∆𝑗 = 2 ]
𝑚−1 𝑚−2
2ℎ1 ℎ2
+ 𝑓(𝑥𝑖 , 𝑦0 ) + 4 ∑ 𝑓(𝑥𝑖 𝑦𝑗 ) + 2 ∑ 𝑓(𝑥𝑖 𝑦𝑗 ) + 𝑓(𝑥𝑖 𝑦𝑚 )
3 3
𝑗=1 𝑗=2
[ ∆𝑗 = 2 ∆𝑗 = 2 ]
𝑚−1 𝑚−2
ℎ1 ℎ2
+ 𝑓(𝑥𝑛 , 𝑦0 ) + 4 ∑ 𝑓(𝑥𝑛 , 𝑦𝑗 ) + 2 ∑ 𝑓(𝑥𝑛 , 𝑦𝑗 ) + 𝑓(𝑥𝑛 , 𝑦𝑚 )
3 3
𝑗=1 𝑗=2
[ ∆𝑗 = 2 ∆𝑗 = 2 ]
Con lo cual podremos aproximar a
𝑓(𝑥𝑛 𝑦0 ) + 𝑓(𝑥0 𝑦𝑚 ) + 𝑓(𝑥𝑛 𝑦0 ) + 𝑓(𝑥𝑛 𝑦𝑚 )

𝑚−1 𝑚−2
+4 ∑ (𝑓(𝑥0 , 𝑦𝑗 ) + 𝑓(𝑥𝑛 , 𝑦𝑗 )) + 2 ∑ (𝑓(𝑥0 , 𝑦𝑗 ) + 𝑓(𝑥𝑛 , 𝑦𝑗 ))

𝑗=1 𝑗=2
∆𝑗 = 2 ∆𝑗 = 2
𝑛−1 𝑚−1 𝑚−2

ℎ2
≈ ℎ1 +4 ∑ 𝑓(𝑥𝑖 , 𝑦0 ) + 4 ∑ 𝑓(𝑥𝑖 , 𝑦𝑗 ) + 2 ∑ (𝑓(𝑥𝑖 , 𝑦𝑗 ) + 𝑓(𝑥𝑖 , 𝑦𝑚 ))
9 𝑖=2 𝑗=1 𝑗=2
∆𝑖 = 2 ∆𝑗 = 2 ∆𝑗 = 2
( )
𝑛−2 𝑚−1 𝑚−2
+2 ∑ 𝑓(𝑥𝑖 , 𝑦0 ) + 4 ∑ 𝑓(𝑥𝑖 , 𝑦𝑗 ) + 2 ∑ 𝑓(𝑥𝑖 , 𝑦𝑗 ) + 𝑓(𝑥𝑖 , 𝑦𝑚 )

𝑖=2 𝑗=1 𝑗=2
[ ∆𝑗 = 2
( ∆𝑗 = 2 ∆𝑗 = 2
)]
Del mismo modo que se puede implementar la cuadratura de gauss para
integrales dobles o triples se puede aplicar en este caso como
𝑑 𝑏
∫ ∫ 𝑓(𝑥, 𝑦) 𝑑𝑥𝑑𝑦
𝑐 𝑎
Primero se cambian los intervalos de x y y a [-1, 1] haciendo uso de la formulas
2x − (a + b) 2y − (c + d)
t = y u=
b−a d−c
de este mismo modo se cambiaran dx, dy y f(x,y) a otros términos para las nuevas
variables que serán t y u, por lo que se despejara a x de la forma
(b − a) (b − a) (b − a)
x = t + de la cual dx = dt
2 2 2
Para después, proceder a despejar y de la misma forma
(𝑑 − 𝑐)𝑢 (𝑐 + 𝑑) (𝑑 − 𝑐)
𝑦 = 𝑡 + 𝑑𝑒 𝑙𝑎 𝑐𝑢𝑎𝑙 𝑑𝑦 = 𝑑𝑢
2 2 2
Esto se sustituirá para dar como resultado
𝑑 𝑏 𝑓(𝑥𝑦)𝑑𝑥𝑑𝑦 =
1 1
∫ ∫ (𝑏 − 𝑎)(𝑑 − 𝑐) (𝑏 − 𝑎) (𝑎 + 𝑏) (𝑑 − 𝑐) (𝑐 − 𝑑)
∫ ∫𝑓[ 𝑡+ , 𝑢+ ] 𝑑𝑡𝑑𝑢
𝑐 𝑎 4 2 2 2 2
−1 −1
En donde aplicaremos la fórmula para poder dar solución a la integral, de modo

que se emplearan dos puntos para dar
3 4
∫ ∫ 𝑒 𝑥+𝑦 𝑑𝑥𝑑𝑦
2 0
Lo primero que se hará, será realizar una sustitución e integración con respecto a t
de la forma
3 4 1 1
(4 − 0)(3 − 1)
∫ ∫ 𝑒 𝑥+𝑦 𝑑𝑥𝑑𝑦 ≈ ∫ ∫𝑒 (2𝑡+2)+(𝑢+2) ]𝑑𝑡𝑑𝑢
4
1 0 −1 −1
1
≈ 2 ∫[𝑒 2(−0.57735)+4+𝑢 + 𝑒 2.(0.57735)+4+𝑢 ]𝑑𝑢

−1
Luego de esto, procederemos a integrar con respecto a u, resultando en
3 4
∫ ∫ 𝑒 𝑥+𝑦 𝑑𝑥𝑑𝑦 ≈
1 0
2 [𝑒 2.84530−0.57735 + 𝑒 2.84530+0.57735 + 𝑒 5.15470−0.57735 + 𝑒 5.15470+0.57735 ] = 892.335

La Voyager 200 nos permitirá llevar a
cabo integrales dobles o triples, como se
muestra a continuación el cálculo de la
integral
En dado caso de que se requiera
programar, se empleara la siguiente
formula, ya que esta tiene mayor facilidad
para ser programada
3 4 3 3
𝑥+𝑦
(4 − 0)(3 − 1)
∫∫𝑒 𝑑𝑥𝑑𝑦 ≈ ∑ ∑ 𝑤1 𝑤1 𝐹(2𝑡𝑖 + 2, 𝑢𝑗 + 2)
4
1 0 𝑗=1 𝑖=1
Tras sustituir valores, podremos obtener que

3 4
∫ ∫ 𝑒 𝑥+𝑦 𝑑𝑥𝑑𝑦 ≈ 934.39

1 0
La solución analítica nos daría un resultado de 930.85

Aunque también se pueden llegar a encontrar integrales de los siguientes tipos a

continuación
𝑑 𝑏(𝑦)
𝑎) ∫ ∫ 𝑓(𝑥, 𝑦)𝑑𝑥𝑑𝑦
𝑐 𝑎(𝑦)
𝑏 𝑑(𝑥)
𝑏) ∫ ∫ 𝑓(𝑥, 𝑦)𝑑𝑦𝑑𝑥
𝑎 𝑐(𝑥)
De las cuales sus regiones en 𝑅1 𝑦 𝑅2 se mostrarán a continuación

respectivamente a sus letras
3 2𝑥
Procederemos a resolverla ecuación ∫0 ∫𝑥 2 (𝑥 3 + 4𝑦)𝑑𝑦𝑑𝑥 haciendo uso del
método de Simpson 1/3
La cual se ver representada por la
siguiente grafica
En el intervalo [a, b] se dividirá en
subintervalos, en este caso
consideraremos dos subintervalos,
resultando en
ℎ1 = (2 − 0)/2 = 1
La cual variara con respecto a la
𝑑(𝑥)−𝑐(𝑥)
expresión ℎ2 (𝑥) = , en donde
𝑚
m sera la cantidad de subintervalos en
los que se dividira el eje y, por lo que consideraremos m=2, de la forma
2𝑥
∫ (𝑥 3 + 4𝑦)𝑑𝑦𝑑𝑥
𝑥2
3
ℎ2 (𝑥) 3
≈ ∫( [𝑥 + 4𝑥 2 + 4 (𝑥 3 + 4(𝑥 2 + ℎ2 (𝑥))) + 𝑥 3 + 4(2𝑥)]) 𝑑𝑥
3
0
2 2
ℎ2 (𝑥)
∫ ≈∫ [6𝑥 3 + 20𝑥 2 + 8𝑥 + 16ℎ2 (𝑥)] 𝑑𝑥
3
0 0
ℎ2 (0)
[6(0)2 + 20(0)2 + 8(0) + 16ℎ2 (0)]
3
ℎ1 4ℎ2 (0 + 1)
= + [6(1)3 + 20(1)2 + 8(1) + 16ℎ2 (1)]
3 3
ℎ2 (2)
[6(2)3 + 20(2)2 + 8(2) + 16ℎ2 (2)]
( + 3 )
Esto debido a que
2(0) − 02 2(1) − 12
ℎ2 (0) = = 0, ℎ2 (1) = = 0.5
2 2
2(2) − 22
ℎ2 (2) = =0
2
2 2𝑥
∫ ∫ (𝑥 3 + 4𝑦)𝑑𝑦𝑑𝑥 ≈ 9.33
0 𝑥2
Si dividiéramos el intervalo [a, b] en cuatro subintervalos y mantuviéramos el valor

de m como m=2, tendríamos que ℎ1 = (2 − 0)/4 = 0.5, la integración resultaría
de la forma
(𝑥 2 + 4𝑦)𝑑𝑦𝑑𝑥
4ℎ2 (0.5)
[6 + (0.5)2 + 20(1)3 + 8(0.5) + 16ℎ2 (0.5)]
3
0.5 2ℎ2 (1)
2 2𝑥 ≈ + [6(1)3 + 20(1)2 + 8(1) + 16ℎ2 (1)]
3 3
∫∫ 4ℎ2 (1.5)
+ [6(1.5)3 + 20(1.5)2 + 8(1.5) + 16ℎ2 (1.5)])
0 𝑥 2 ( 3
2(0.5) − 0.52
ℎ2 (0) = 0, ℎ2 (2) = 0, ℎ2 (0.5) = = 0.375
2
2(1.5) − 1.52
ℎ2 (1) = 0.5, ℎ2 (1.5) = = 0.375
2
Que tras sustituir valores obtendríamos
2 2𝑥
∫ ∫ (𝑥 3 + 4𝑦)𝑑𝑦𝑑𝑥 ≈ 10.583
0 𝑥2
Ejemplo
Usar la integral doble para determinar una temperatura promedio
Suponiendo que la temperatura en una placa rectangular estuviera descrita a
través de la función 𝑇(𝑥, 𝑦) = 2𝑥𝑦 + 2𝑥 − 𝑥 2 − 2𝑦 2 + 72
Si la placa tiene 8 m de largo (x) y 6 m de ancho (y), calcule la temperatura
promedio
Solución
Primero emplearemos la regla

del trapecio con dos
segmentos en cada
dimensión. Las temperaturas
de los valores se verán
representados a través de la
figura
Si observamos que un
promedio simple de estos
valores es 47.33, la función se evaluara analíticamente, dando como resultado
58.66667.
SI queremos realizar numéricamente la misma evaluación será necesario emplear
primero la regla del trapecio a lo largo de la dimensión x con cada uno de los
valores de y. Tras integrarlo a lo largo de la dimensión obtendremos como
resultado final 1688.
Tras dividir este valor sobre el área podremos obtener la temperatura promedio,
de modo que
2688
= 56
6∗8
También podremos emplear la regla Simpson 1/3 de igual forma con un solo
segmento. Esta integral nos da como resultado 2816 y un promedio de 58.66667,
el cual es exacto. Esto sucede porque como el termino del grado mayor en la
función es segundo grado, en el presente caso se obtendrá el mismo resultado.
Bibliografía:
Federico, D. S. C., & Antonio, N. H. (2014). Métodos Numéricos Aplicados a la

Ingeniería. Grupo Editorial Patria Págs.: 487-494
New York, NY, USA: McGraw-Hill. Págs.: 643.646
4.4 Aplicaciones
La diferenciación es algo común en la ingeniería a causa de que implica analizar
los cambios de variables, tanto en el tiempo como en el espacio. Numerosas leyes
se expresan en términos de derivadas. Entre las más comunes figuran las leyes
que consideran potenciales o gradientes.
Por ejemplo, la ley de Fourier de la conducción de calor cuantifica la observación
de que el calor fluye desde regiones de mayor a menor temperatura. En el caso
unidimensional, ésta se expresa como:
𝑑𝑇
𝐹𝑙𝑢𝑗𝑜 𝑑𝑒 𝑐𝑎𝑙𝑜𝑟 = 𝑘´
𝑑𝑥
Así, la derivada proporciona una medida de la intensidad del cambio de
temperatura (gradiente), que ocasiona la transferencia de calor.
En la figura superior se ejemplifican los usos de integración para evaluar áreas en

problemas de ingeniería.
Un topógrafo podría necesitar saber el área de un campo limitado por una
corriente zigzagueante y dos caminos.
Un ingeniero en hidráulica tal vez requiera conocer el área de la sección
transversal de un río,
Un ingeniero en estructuras quizá necesite determinar la fuerza neta ejercida por
un viento no uniforme que sopla contra un lado de un rascacielos.
Las integrales también se utilizan para evaluar la cantidad total de una variable
física dada. La integral se puede evaluar sobre una línea, un área o un volumen.
Por ejemplo, la masa total de una sustancia química contenida en un reactor está
dada por el producto de la concentración de la sustancia química por el volumen
del reactor.
𝑀𝑎𝑠𝑎 = 𝑐𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎𝑐𝑖ó𝑛 𝑥 𝑣𝑜𝑙𝑢𝑚𝑒𝑛
Donde la concentración tiene unidades de masa por volumen. Sin embargo,
suponga que la concentración varía de un lugar a otro dentro del reactor. En este
caso, es necesario sumar los productos de las concentraciones locales 𝑐𝑖 por los
correspondientes volúmenes elementales ⍙𝑣𝑖 :
𝑛
𝑀𝑎𝑠𝑎 = ∑ 𝑐𝑖 ⍙𝑣𝑖
𝑖=1
Donde 𝑛 es el número de volúmenes discretos. En el caso continuo, donde

𝑐(𝑥, 𝑦, 𝑧) es una función conocida y 𝑥, 𝑦, 𝑧 son las variables independientes que
designan la posición en coordenadas cartesianas. La integración se utiliza con el
mismo propósito:
𝑀𝑎𝑠𝑎 = ∫ ∫ ∫ 𝑐(𝑥. 𝑦. 𝑧) 𝑑𝑥𝑑𝑦𝑑𝑧
𝑜 𝑀𝑎𝑠𝑎 = ∫ ∫ ∫ 𝑐(𝑉)𝑑𝑉
𝑉
La cual se le conoce como una integral de volumen. Observe la estrecha analogía

entre suma e integración. Casos similares podrán darse en otros campos de la
ingeniera.
Por ejemplo, la rapidez total de la transferencia de energía a través de un plano,
donde el flujo (en calorías por centímetro cuadrado por segundo) es una función
de la posición, está dada por:
𝑇𝑟𝑎𝑛𝑠𝑓𝑒𝑟𝑒𝑛𝑐𝑖𝑎 𝑑𝑒 𝑐𝑎𝑙𝑜𝑟 = ∫ ∫ 𝑓𝑙𝑢𝑗𝑜 𝑑𝐴

𝐴
Que se denomina una integral de área, donde 𝐴 = á𝑟𝑒𝑎.

De manera similar, para el caso unidimensional, la masa total de una barra con
densidad variable, y que tiene un área de sección transversal constante, está dada
por:
𝐿
𝑚 = 𝐴 ∫ 𝜌(𝑥)𝑑𝑥
0
Donde 𝑚 = 𝑚𝑎𝑠𝑎 𝑡𝑜𝑡𝑎𝑙 (𝑘𝑔), 𝐿 = 𝑙𝑜𝑛𝑔𝑖𝑡𝑢𝑑 𝑑𝑒 𝑙𝑎 𝑏𝑎𝑟𝑟𝑎 (𝑚), 𝜌(𝑥) = densidad

conocida (𝑘𝑔/𝑚3 ) como una función de la longitud x (m) y 𝐴 = área de la sección
transversal de la barra (𝑚2 ).
Por último, las integrales se utilizan para resolver ecuaciones diferenciales. Por
ejemplo, suponga que la velocidad de una partícula es una función continúa
conocida del tiempo 𝑣(𝑡).
𝑑𝑦
= 𝑣(𝑡)
𝑑𝑡
La distancia total y recorrida por esta partícula en un tiempo 𝑡 está dada por:
𝑡
𝑦 = ∫ 𝑣(𝑡)𝑑𝑡
0
Bibliografía:
CHAPRA C.S. Y CANALE P.R., MÉTODOS NUMÉRICOS PARA INGENIEROS,
MCGRAW-HILL, 5ª EDICIÓN, PÁGINAS 608 - 612.
Tema 5:
Interpolación y ajuste de funciones

5.1 Polinomio de interpolación de Newton
5.2 Polinomio de interpolación de Lagrange
5.3 Interpolación segmentada
5.4 Regresión y correlación
5.5 Mínimos cuadrados
5.6 Problemas de aplicación
Competencia:
Utiliza los métodos numéricos con el objetivo de aproximar y ajustar
funciones mediante el método de interpolación y regresión clásicos

5.1 Polinomio de interpolación de Newton.
Interpolación Lineal
Esta es la forma más simple de interpolación, ya que esta consiste en unir dos
puntos haciendo uso de una línea, esto puede ser representado de la forma
𝑓1 (𝑥) − 𝑓(𝑥0 ) 𝑓(𝑥1 ) − 𝑓(𝑥0 )
=
𝑥1 − 𝑥0 𝑥1 − 𝑥0
Si lo reordenamos podremos obtener
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑓1 (𝑥) = 𝑓(𝑥0 ) + (𝑥 − 𝑥0 )
𝑥1 − 𝑥0
La cual es una fórmula de Interpolación lineal. La notación 𝑓1 (𝑥) designa que
este sera un polinomio de interpolación de primmer grado, ademas de
representar la pendiente que une los untos, también es una aproximación en
diferencia dividida finita a la primera derivada. Cuanto menor sea eel intervalo
entre los datos, mayor sera la aproximación. Esto es debido a que conforme el
intervalo disminuye, una función continua se aproximara en mejor medida por
una linea recta.
Ejemplo
Estime el algoritmo natural de 2 mediante la Interpolación lineal. Primero,
realice el cálculo por interpolación entre ln 1 = 0 y ln 6 = 1.791759.
Después, repita el procedimiento, pero use un intervalo menor de ln 1 a ln 4
(1.386294).
Observe que el valor verdadero de ln 2 es 0.6931472.
Solución
𝑓(𝑥 )−𝑓(𝑥 )
Usamos la ecuación 𝑓1 (𝑥) = 𝑓(𝑥0 ) + 𝑥1 −𝑥 0 (𝑥 − 𝑥0 ) y una interpolación
1 0
lineal para ln(2) desde 𝑥0 = 1 hasta 𝑥1 = 6 para obtener
1.791759 − 0
𝑓1 (2) = 0 + (2 − 1) = 0.3583519
6−1
que representa un error: 𝜀𝑡 = 48.3%. Con el intervalo menor desde 𝑥0 = 1 hasta
𝑥1 = 4 se obtiene
1.386294 − 0
𝑓1 (2) = 0 + (2 − 1) = 0.4620981
4−1
Así, usando el intervalo más corto el error relativo porcentual se reduce a 𝜀𝑡 =
33.3%. Esto se ve representado en esta figura

Interpolación cuadrática
Si se tienen tres puntos como datos, se pueden ajustar para formar un

polinomio de segundo grado, una de las mejores formas para tenerse es
𝑓2 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
Se puede preciar que, aunque la ecuación parece diferir del polinomio general,
ambas ecuaciones serán equivalentes. esto puede ser demostrado al
multiplicar los términos de la ecuación de la forma
𝑓2 (𝑥) = 𝑏0 + 𝑏1 𝑥 − 𝑏1 𝑥0 + 𝑏2 𝑥 2 − 𝑏2 𝑥0 𝑥1 − 𝑏2 𝑥𝑥0 − 𝑏2 𝑥𝑥1
Que tras realizar una agrupación de términos nos resultara de la forma
𝑓2 (𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2
En donde
𝑎0 = 𝑏0 − 𝑏1 𝑥1 + 𝑏2 𝑥0 𝑥1
𝑎1 = 𝑏1 − 𝑏2 𝑥0 − 𝑏2 𝑥1
𝑎2 = 𝑏2
De modo que ambas ecuaciones serán formas alternativas equivalentes del
único polinomio de segundo grado que une los tres puntos.
Una forma con la cual se puede usar para determinar valores de los
coeficientes. Para encontrar 𝑏0 , en la ecuación, se evaluará con x = 𝑥0 de
modo que obtendremos
𝑏0 = 𝑓(𝑥0 )
Luego de esto se evaluará en x = 𝑥1 para obtener
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑏1 =
𝑥1 − 𝑥0
Se sustituirán ambas ecuaciones 𝑏0 𝑦 𝑏1 en la ecuación 𝑓2 (𝑥) = 𝑏0 + 𝑏1 (𝑥 −
𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) , para después evaluar x = 𝑥2 y de esta manera
resolver
𝑓(𝑥2 ) − 𝑓(𝑥1 ) 𝑓(𝑥1 ) − 𝑓(𝑥0 )
−
𝑥2 − 𝑥1 𝑥1 − 𝑥0
𝑏2 =
𝑥2 − 𝑥0
Se puede apreciar que, como en el caso de la Interpolación lineal, 𝑏1 aun
representará la pendiente de la línea que unirá a los puntos 𝑥0 𝑦 𝑥1 . de modo
que los primeros dos términos de la ecuación serán equivalentes a la
Interpolación lineal de 𝑥0 𝑎 𝑥1 , como se especifica antes de la ecuación 𝑓1 (𝑥) =
𝑓(𝑥 )−𝑓(𝑥 )
𝑓(𝑥0 ) + 𝑥1 −𝑥 0 (𝑥 − 𝑥0 ).El ultimo termino sera quien determine la curvatura
1 0
de segundo grado de la fórmula.
Ejemplo
Ajuste un polinomio de segundo grado a los tres puntos del ejemplo anterior:
𝑥0 = 1 𝑓(𝑥0 ) = 0
𝑥1 = 4 𝑓(𝑥1 ) = 1.386294
𝑥2 = 6 𝑓(𝑥2 ) = 1.791759
Con el polinomio evalúe ln 2.
Solución
Aplicando la ecuación 𝑏0 = 𝑓(𝑥0 ) se obtiene
𝑏0 = 0
𝑓(𝑥1 )−𝑓(𝑥0 )
La ecuación 𝑏1 = 𝑥 −𝑥 da
1 0
1.386294 − 0
𝑏1 = = 0.4620981
4−1

𝑓(𝑥2 )−𝑓(𝑥1 ) 𝑓(𝑥1 )−𝑓(𝑥0 )
−
𝑥2 −𝑥1 𝑥1 −𝑥0
Y con la ecuación 𝑏2 = se obtiene
𝑥2 −𝑥0
1.791759 − 1.386294
− 0.4620981
𝑏2 = 6−4 = −0.0518731
6−1
Sustituyendo estos valores en la ecuación 𝑓2 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 −
𝑥0 )(𝑥 − 𝑥1 ) se obtiene la fórmula cuadrática
𝑓2 (𝑥) = 0 + 0.4620981(𝑥 − 1) + 0.0518731(𝑥 − 1)(𝑥 − 4)
Se evaluará 𝑥 = 2
𝑓2 (2) =0.56658444
que representa un error relativo de 𝜀𝑡 = 18.4%
-Forma general de los polinomios de internacional de newton
El análisis anterior puede generalizarse para ajustar un polinomio de n-ésimo
grado a n+1 datos. Este polinomio se vera representado de la forma
𝑓𝑛 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 )+. . . +𝑏𝑛 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ). . . (𝑥 − 𝑥𝑛−1 )
Ejemplo
En el ejemplo anterior, los datos 𝑥0 = 1,𝑥1 = 4, 𝑥2 = 6 se utilizaron para estimar
ln 2 mediante una parábola. Ahora, agregando un cuarto punto
(𝑥3 = 5; f(𝑥3 ) = 1.609438], estime ln 2 con un polinomio de interpolación de
Newton de tercer grado.
Solución
Utilizando la ecuación 𝑓𝑛 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 )+. . . +𝑏𝑛 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ). . . (𝑥 −
𝑥𝑛−1 ), con n = 3, el polinomio de tercer grado es
𝑓3 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 ) + 𝑏2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝑏3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
𝑓(𝑥𝑖 )−𝑓(𝑥𝑗 )
Las primeras diferencias divididas del problema son f[𝑥𝑖 , 𝑥𝑗 ] =
𝑥𝑖 −𝑥𝑗
1.386294 − 0
f[𝑥1 , 𝑥0 ] == 0.4620981
4−0
1.791759 − 1.386294
f[𝑥2 , 𝑥1 ] = = 0.2027326
6−4
1.609438 − 1.791759
f[𝑥3 , 𝑥2 ] = = 0.1823216
5−6
𝑓[𝑥 ,𝑥 ]−𝑓[𝑥 ,𝑥𝑘 ]
Las segundas diferencias divididas son f[𝑥𝑖 , 𝑥𝑗 , 𝑥𝑘 ] = 𝑖 𝑥𝑗 −𝑥 𝑗
𝑖 𝑘
0.2027326 − 0.420981
f[𝑥2 , 𝑥1 , 𝑥0 ] = = −0.05187311
6−1
0.182326 − 0.2027326
f[𝑥3 , 𝑥2 , 𝑥1 ] = = −0.02041100
5−4
La tercera diferencia dividida es la ecuación 𝑓[𝑥𝑛, 𝑥𝑛−1 , . . . , 𝑥1 , 𝑥0 ] =
𝑓[𝑥𝑛, 𝑥𝑛−1 ,...,𝑥1 ]−𝑓[𝑥𝑛−1, 𝑥𝑛−2 ,...,𝑥0 ]
con n=3]
𝑥𝑛, −𝑥0
−0.02041100 − (−0.05187311)
𝑓[𝑥3, 𝑥2 𝑥1 , 𝑥0 ] = = 0.007865529
5−1
Los resultados de 𝑓[𝑥1 , 𝑥0 ], 𝑓[𝑥2, 𝑥1 , 𝑥0 ], 𝑓[𝑥3, 𝑥2 , 𝑥1 , 𝑥0 ] representan los
coeficientes 𝑏1 , 𝑏2 𝑦 𝑏3 de la ecuación 𝑓𝑛 (𝑥) = 𝑏0 + 𝑏1 (𝑥 − 𝑥0 )+. . . +𝑏𝑛 (𝑥 −
𝑥0 )(𝑥 − 𝑥1 ). . . (𝑥 − 𝑥𝑛−1 ) respectivamente
New York, NY, USA: McGraw-Hill. Págs.: 503-510

5.2 Polinomio de interpolación de Lagrange
Existen otros métodos de aproximación polinomial en que no se requiere

resolver un sistema de ecuaciones lineales y los cálculos se realizan
directamente; entre éstos se encuentra el de aproximación polinomial de
Lagrange.
En este nuevamente se parte de una función desconocida f(x) dada en forma

tabular, y se asume que un polinomio de primer grado puede escribirse:
p(x) = a0 (x − x1 ) + a1 (x − x0 )
Donde x0 y x1 son los argumentos de los puntos conocidos[𝑥0 , 𝑓(𝑥0 )][𝑥1 , 𝑓(𝑥1 )]
son dos coeficientes por determinar. Para encontrar el valor de a0 se hace
x = x0 en la ecuación p(x) = a0 (x − x1 ) + a1 (x − x0 ), que al despejar da:
𝑝(𝑥0 ) 𝑓(𝑥0 )
𝑎0 = =
𝑥0 − 𝑥1 𝑥0 − 𝑥1
Y para hallar el valor de, se sustituye el valor de x con el de, con lo que resulta:
𝑝(𝑥1 ) 𝑓(𝑥1 )
𝑎1 = =
𝑥1 − 𝑥0 𝑥1 − 𝑥0
De tal modo que, al sustituir las dos ecuaciones anteriores en la ecuación

p(x) = a0 (x − x1 ) + a1 (x − x0 ), queda:
𝑓(x0 ) 𝑓(x1 )
p(x) = (x − x1 ) + (x − x0 )
x0 − x1 x1 − x0
O en forma más compacta
p(x) = L0 (x)𝑓(x0 ) + L1 (x)𝑓(x1 )

Donde
𝑥 − 𝑥1 𝑥 − 𝑥0
𝐿0 (𝑥) = 𝑦 𝐿1 (𝑥) =
𝑥0 − 𝑥1 𝑥1 − 𝑥0
De igual manera, un polinomio de segundo grado (ecuación de una parábola)

puede escribirse
𝑝2 (𝑥) = 𝑎0 (𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) + 𝑎1 (𝑥 − 𝑥0 )(𝑥 − 𝑥2 ) + 𝑎2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
Donde, son los argumentos correspondientes a los tres puntos

conocidos [𝑥0 , 𝑓(𝑥0 )], [𝑥1 , 𝑓(𝑥1 )], [𝑥2 , 𝑓(𝑥2 )] ; los valores de 𝑎0 , 𝑎1 y 𝑎2 se
encuentran sustituyendo 𝑥 = 𝑥0 , 𝑥 = 𝑥1 𝑦 𝑥 = 𝑥2 , respectivamente, en la
ecuación 𝑝2 (𝑥) = 𝑎0 (𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) + 𝑎1 (𝑥 − 𝑥0 )(𝑥 − 𝑥2 ) + 𝑎2 (𝑥 − 𝑥0 )(𝑥 −
𝑥1 ), para obtener
𝑓(𝑥0 ) 𝑓(𝑥1 )
𝑎0 = 𝑎1 =
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )

𝑓(𝑥2 )
𝑎2 =
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )
Cuyo remplazo en dicha ecuación genera el siguiente polinomio
p2 (𝑥) = 𝐿0 (𝑥)𝑓(𝑥0 ) + 𝐿1 (𝑥)𝑓(𝑥1 ) + 𝐿2 (𝑥)𝑓(𝑥2 )

Donde
(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) (𝑥 − 𝑥0 )(𝑥 − 𝑥2 )
𝐿0 (𝑥) = 𝐿1 (𝑥) =
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ) (𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
𝐿2 (𝑥) =
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )
Por inducción, el lector puede obtener polinomios de tercero, cuarto o n-ésimo

grado; este último queda como se indica a continuación
𝑝𝑛 (𝑥) = 𝐿0 (𝑥)𝑓(𝑥0 ) + 𝐿1 (𝑥)𝑓(𝑥1 )+. . . +𝐿𝑛 (𝑥)𝑓(𝑥𝑛 )

Donde
(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ). . . (𝑥 − 𝑥𝑛 )
𝐿0 (𝑥) =
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 ). . . (𝑥0 − 𝑥𝑛 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥2 ). . . (𝑥 − 𝑥𝑛 )
𝐿1 (𝑥) =
(𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 ). . . (𝑥1 − 𝑥𝑛 )
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ). . . (𝑥 − 𝑥𝑛−1 )
𝐿𝑛 (𝑥) =
(𝑥𝑛 − 𝑥0 )(𝑥𝑛 − 𝑥1 ). . . (𝑥𝑛 − 𝑥𝑛−1 )
Que en forma más compacta y útil para programarse en un lenguaje de

computadora quedaría
𝑛
𝑝𝑛 (𝑥) = ∑ 𝐿1 (𝑥)𝑓(𝑥𝑖 )
𝑖=0
Donde
𝑛
(𝑥 − 𝑥𝑗 )
𝐿𝑖 (𝑥) = ∏
𝑗=0
(𝑥𝑖 − 𝑥𝑗 )
𝑗≠1
Al combinarse linealmente con 𝑓(x) , los polinomios 𝐿𝑖 (𝑥) , denominados

polinomios de Lagrange generan la aproximación polinomial de Lagrange a la
información dada en forma tabular.


5.3 Interpolación segmentada
En algún caso, se habrá podido pensarse en aproximar por medio de un

polinomio de grado “alto”, 10 o 20. Esto pudiera ser por diversas razones, dos
de ellas son: porque se quiere mayor exactitud; porque se quiere manejar un
solo polinomio que sirva para interpolar en cualquier punto del intervalo [𝑎, 𝑏].
Sin embargo, hay ciertas problemáticas al empleo de la aproximación de grado

“alto”; la primera es que los cálculos para obtener 𝑝𝑛 (𝑥) son mayores, además
hay que verificar más cálculos para evaluar 𝑝𝑛 (𝑥), y lo peor del caso es que
los resultados son poco confiables; aunado a ello, el error de interpolación
aumenta en lugar de disminuir.
Tomemos como ejemplo el producto de la ecuación 𝑅𝑛 (𝑥) = [∏𝑛𝑖= 0(𝑥 −
𝑥1 ) 𝑓[𝑥, 𝑥0 , 𝑥1 , . . . , 𝑥𝑛 ]]para abundar más en este tema:
𝑛
∏(𝑥 − 𝑥𝑖 )
𝑖=0
Donde, si n es muy grande, los factores (𝑥 − 𝑥𝑖 ), son numerosos y, si su

magnitud es mayor de 1, evidentemente su influencia será aumentar el error
𝑅𝑛 (𝑥).
Para disminuir 𝑅𝑛 (𝑥), atendiendo el producto exclusivamente, es menester que
los factores (𝑥 − 𝑥𝑖 ) sean en su mayoría menores de 1 en magnitud, lo cual
puede lograrse tomando intervalos pequeños alrededor de x. Como el intervalo
sobre el cual se va a aproximar 𝑓(𝑥)por lo general se da de antemano, lo
anterior se logra dividiendo dicho intervalo en subintervalos suficientemente
pequeños y aproximando 𝑓(𝑥) en cada subintervalo, por medio de un
polinomio adecuado; por ejemplo, mediante una línea recta en cada
subintervalo.
Esto da como aproximación de 𝑓(𝑥) a una línea quebrada o segmentos de

líneas rectas que se llamarán 𝑔1 (𝑥) , cuyos puntos de quiebre son
𝑥1 , 𝑥2 , . . . , 𝑥𝑛−1 , las funciones 𝑓(𝑥) y 𝑔1 (𝑥) coinciden en 𝑥0 , 𝑥1 , 𝑥2 , . . . , 𝑥𝑛 y el
error en cualquier punto x de [𝑥0 , 𝑥1 ] queda acotado, aplicado a cada
subintervalo [𝑥0 , 𝑥𝑛−1 ] 𝑐𝑜𝑛 𝑖 = 0, 1, 2, . . . , 𝑛 − 1, 𝑝𝑜𝑟
≤ 𝑚á𝑥 𝑓′′(𝜉) 𝑚á𝑥

𝑅1 (𝑥) = [𝑓(𝑥) − 𝑔1 (𝑥)] | | |(𝑥 − 𝑥𝑖 )(𝑥 − 𝑥𝑖+1 )|
𝑎≤𝜉≤𝑏 2! 𝑖
Si 𝑓(𝑥) fuera diferenciable dos veces en [𝑥0 , 𝑥1 ] , el valor máximo de

|(𝑥 − 𝑥𝑖 )(𝑥 − 𝑥𝑖+1 )| para x ∈ [xi , xi+1 ] se da en x = (xi + xi+1 )/2 , el punto
medio de [𝑥𝑖 , 𝑥𝑖+1 ]; de modo que

𝑚á𝑥 |(𝑥 𝑚á𝑥 𝑥𝑖 + 𝑥𝑖+1 𝑥𝑖 + 𝑥𝑖+1
− 𝑥𝑖 )(𝑥 − 𝑥𝑖+1 )| = |( − 𝑥𝑖 ) ( − 𝑥𝑖+1 )|
𝑖 𝑖 2 2
máx 𝑥𝑖+1 + 𝑥𝑖 𝑥𝑖 + 𝑥𝑖+1

= | |
i 2 2
2 2
𝑚á𝑥 (𝑥𝑖+1 − 𝑥𝑖 ) 𝑚á𝑥 ∆𝑥𝑖
=
𝑖 4 𝑖 4
≤ 𝑚á𝑥 𝑓′′(𝜉) 𝑚á𝑥

Al sustituir en la ecuación 𝑅1 (𝑥) = |𝑓(𝑥) − 𝑔1 (𝑥)| | | |(𝑥 −
𝑎 ≤ 𝜉 ≤ 𝑏 2! 𝑖
𝑥𝑖 )(𝑥 − 𝑥𝑖+1 )|
2
≤ 𝑚á𝑥 𝑓′′(𝜉) 𝑚á𝑥 ∆𝑥𝑖
𝑅1 (𝑥) = |𝑓(𝑥) − 𝑔1 (𝑥)| | |
𝑎≤𝜉≤𝑏 2! 𝑖 4
Donde se aprecia que el error 𝑅1 (𝑥) puede reducirse tanto como se quiera,
haciendo 𝛥𝑥𝑖 pequeño para toda i; por ejemplo, tomando un número
suficientemente grande de subintervalos en [𝑎, 𝑏] , o bien empleando
polinomios de grado dos para cada subintervalo [𝑥𝑖 , 𝑥𝑖+1 ] ; de esta última
manera se consiguen segmentos polinomiales de grado dos 𝑔2 (𝑥) , cuyo
término de error correspondiente tendrá 𝛥𝑥𝑖 3 en lugar de 𝛥𝑥𝑖 2 . Esto da como
resultado una disminución del error respecto del empleo de líneas rectas.
Aproximación cúbica segmentaría de Hermite

Se parte del hecho que se tiene una función 𝑓(𝑥) de valor real, dada en forma
tabular o analítica en el intervalo [𝑎, 𝑏], con
a = x0 < x1 < x2 <. . . < xn = b
Se quiere construir una función 𝑔1 (𝑥) con segmentos de polinomios cúbicos
𝑃1 (𝑥) en cada [𝑥𝑖 , 𝑥𝑖+1 ] 𝑐𝑜𝑛 𝑖 = 0,1,2, . . . , 𝑛 − 1, 𝑡𝑎𝑙 𝑞𝑢𝑒
𝑔3 (𝑥𝑖 ) = 𝑓(𝑥𝑖 ) 𝑐𝑜𝑛 𝑖 = 0,1,2, . . , 𝑛

De donde
𝑝𝑖 (𝑥𝑖 ) = 𝑓(𝑥𝑖 ) 𝑦 𝑝𝑖 (𝑥𝑖+1 ) = 𝑓(𝑥𝑖+1 ) 𝑝𝑎𝑟𝑎 𝑖 = 0,1, . . . , 𝑛 − 1
Y esta última implica que

𝑝𝑖−1 (𝑥𝑖 ) = 𝑝𝑖 (𝑥𝑖 ) 𝑖 = 1,2, . . . , 𝑛
De modo 𝑔3 (𝑥) que es continua en [𝑎, 𝑏] y tiene los puntos interiores

𝑥1 , 𝑥2 , . . . , 𝑥𝑛−1 como puntos de quiebre, o donde 𝑔3 (𝑥) no es diferenciable en
general.
De acuerdo con el álgebra, se sabe que para que un polinomio cúbico quede
determinado en forma única se requieren cuatro puntos. Hasta ahora, cada
uno de los segmentos cúbicos 𝑝𝑖 (𝑥) tiene que pasar por
(𝑥𝑖 , 𝑓(𝑥𝑖 ))𝑦(𝑥𝑖+1 , 𝑓(𝑥𝑖+1 )), de modo que quedan dos puntos o condiciones que
se pueden establecer para definir en forma única 𝑝𝑖 (𝑥).

La elección de estas condiciones faltantes depende, por ejemplo, de la
utilización que se vaya a dar a 𝑔3 (𝑥), de 𝑓(𝑥) y del contexto donde se trabaje.
Por ejemplo, desde el punto de vista de la ingeniería, sería deseable que 𝑔3 (𝑥)
fuera diferenciable en los puntos interiores:𝑥1 , 𝑥2 , . . . , 𝑥𝑛−1 ; es decir, que 𝑔3 (𝑥)
fuese suave en [𝑎, 𝑏], en lugar de tener picos o puntos de quiebre. Esto se
daría con dos condiciones como la ecuación 𝑝𝑖 (𝑥𝑖 ) = 𝑓(𝑥𝑖 ) 𝑦 𝑝𝑖 (𝑥𝑖+1 ) =
𝑓(𝑥𝑖+1 ) 𝑝𝑎𝑟𝑎 𝑖 = 0,1, . . . , 𝑛 − 1, pero en derivadas; así
𝑝′ 𝑖 (𝑥𝑖 ) = 𝑓 ′ (𝑥𝑖 )𝑦 𝑝′ 𝑖 (𝑥𝑖+1 ) = 𝑓 ′ (𝑥𝑖+1 ) 𝑖 = 0,1, . . . , 𝑛 − 1
Previsto que 𝑓′(𝑥𝑖 ) fuese conocida o aproximada en cada uno de los puntos
𝑥0 , 𝑥1 , . . . , 𝑥𝑛 . Con esto quedan cubiertas las dos condiciones faltantes.
De la ecuación anterior se infiere
𝑝′𝑖−1 (𝑥𝑖 ) = 𝑝′𝑖 (𝑥𝑖 ) 𝑖 = 1,2, . . . 𝑛
En este punto cabe empezar a hablar del cálculo de los polinomios 𝑝𝑖 (𝑥); por
tanto, como paso siguiente se aproxima 𝑝𝑖 (𝑥) con diferencias divididas así.
𝑝𝑖 (𝑥) = 𝑓(𝑥𝑖 ) + 𝑓[𝑥𝑖 , 𝑥⬚ ](𝑥 − 𝑥𝑖 ) + 𝑓[𝑥𝑖 , 𝑥𝑖 , 𝑥𝑖+1 ](𝑥 − 𝑥𝑖 )2

+𝑓[𝑥𝑖 , 𝑥𝑖 , 𝑥𝑖+1 , 𝑥𝑖+1 ](𝑥 − 𝑥𝑖 )2 (𝑥 − 𝑥𝑖+1 )
Como
𝑓(𝑥𝑖 + ∆𝑥) − 𝑓(𝑥𝑖 )
𝑓[𝑥𝑖 , 𝑥𝑖 ] = lim = 𝑓′(𝑥𝑖 )
∆𝑥→0 ∆𝑥
Y al sustituir (𝑥 − 𝑥𝑖+1 ) con (𝑥 − 𝑥𝑖 ) + (𝑥 − 𝑥𝑖+1 ) y agrupar se tiene
𝑝𝑖 (𝑥) = 𝑓(𝑥𝑖 ) + 𝑓′(𝑥𝑖 )(𝑥 − 𝑥𝑖 )

+(𝑓[𝑥𝑖 , 𝑥𝑖 , 𝑥𝑖+1 , ] − 𝑓[𝑥𝑖 , 𝑥𝑖 , 𝑥𝑖+1 , 𝑥𝑖+1 ] ∆𝑥𝑖 )(𝑥 − 𝑥𝑖 )2 + 𝑓[𝑥𝑖 , 𝑥𝑖 , 𝑥𝑖+1 , 𝑥𝑖+1 ](𝑥 − 𝑥𝑖 )3
Para facilidad de manejo en su programación, la ecuación anterior se escribe
𝑝𝑖 (𝑥) = 𝑐1,𝑖 + 𝑐2,𝑖 (𝑥 − 𝑥𝑖 ) + 𝑐3,𝑖 (𝑥 − 𝑥𝑖 )2 + 𝑐4,𝑖 (𝑥 − 𝑥𝑖 )3

Con
𝑐1,𝑖 = 𝑓(𝑥𝑖 ), 𝑐2,𝑖 = 𝑓′(𝑥𝑖 ),
𝑐3,𝑖 = 𝑓[𝑥𝑖 , 𝑥𝑖 , 𝑥𝑖+1 ] − 𝑓[𝑥𝑖 , 𝑥𝑖 , 𝑥𝑖+1 , 𝑥𝑖+1 ]∆𝑥𝑖
𝑓[𝑥𝑖 , 𝑥𝑖+1 ] − 𝑓[𝑥𝑖 , 𝑥𝑖 ] 𝑓[𝑥𝑖 , 𝑥𝑖+1 ] − 𝑐2,𝑖
= − 𝑐4,í ∆𝑥𝑖 = − 𝑐4,𝑖 ∆𝑥𝑖
𝑥𝑖+1 − 𝑥𝑖 ∆𝑥𝑖
Y
𝑓[𝑥𝑖 , 𝑥𝑖+1 , 𝑥𝑖+1 ] − 𝑓[𝑥𝑖 , 𝑥𝑖 , 𝑥𝑖+1 ]
𝑐4,𝑖 = 𝑓[𝑥𝑖 , 𝑥𝑖 , 𝑥𝑖+1 , 𝑥𝑖+1 ] =
∆𝑥𝑖
𝑓[𝑥𝑖+1 , 𝑥𝑖+1 ] − 𝑓[𝑥𝑖 , 𝑥𝑖+1 ] 𝑓[𝑥𝑖 , 𝑥𝑖+1 ] − 𝑓[𝑥𝑖 , 𝑥𝑖 ]
−
𝑥𝑖+1 − 𝑥𝑖 𝑥𝑖+1 − 𝑥𝑖
=
𝑥𝑖+1 − 𝑥𝑖
𝑓′(𝑥𝑖+1 ) − 2𝑓[𝑥𝑖 , 𝑥𝑖+1 ] + 𝑓′(𝑥𝑖 ) 𝑓′(𝑥𝑖+1 ) − 2𝑓[𝑥𝑖 , 𝑥𝑖+1 ] + 𝑐2,𝑖
= =
(𝑥𝑖+1 − 𝑥𝑖 )2 ∆𝑥𝑖2

Aproximación cúbica segmentaría de Bessel
La aproximación cúbica de Hermite requiere el conocimiento de 𝑓′(𝑥𝑖 ), 𝑖 =

0,1, . . . , 𝑛. Esta información como se ha visto no siempre existe; aun conociendo
𝑓(𝑥) analíticamente no siempre es fácil obtenerla.
La aproximación cúbica segmentaría de Bessel, en cambio, se distingue por
emplear una aproximación de 𝑓′(𝑥𝑖 ) por.
𝑓′(𝑥𝑖 ) ≈ 𝑓[𝑥𝑖−1 , 𝑥𝑖+1 ], 𝑖 = 0,1, . . . , 𝑛
Y en todo lo demás se procede tal como en la aproximación de Hermite.

La expresión 𝑓′(𝑥𝑖 ) ≈ 𝑓[𝑥𝑖−1 , 𝑥𝑖+1 ], 𝑖 = 0,1, . . . , 𝑛 requiere dos puntos
adicionales a los que se tienen y son 𝑥−1 𝑦 𝑥𝑛−1 ya que
𝑓′(𝑥0 ) ≈ 𝑓[𝑥−1 , 𝑥1 ] 𝑦 𝑓′(𝑥𝑖 ) ≈ 𝑓′[𝑥𝑛−1 , 𝑥𝑛+1 ]
Llamadas derivadas frontera de 𝑔3 (𝑥).

Una forma de obtenerlas es una nueva subdivisión de [𝑎, 𝑏], como
a = x−1 < x0 < x1 < x2 . . . < xn+1 = b
Podría también usarse

𝑓′(𝑥−1 ) 𝑦 𝑓′(𝑥𝑛−1 )
En caso de disponer de ellas y calcular las derivadas restantes de acuerdo con

la ecuación 𝑓′(𝑥𝑖 ) ≈ 𝑓[𝑥𝑖−1 , 𝑥𝑖+1 ], 𝑖 = 0,1, . . . , 𝑛.
Otra forma sería tomar 𝑓′(𝑥0 ) y 𝑓′(𝑥𝑛 ) , de manera que 𝑔3 (𝑥) satisfaga las
condiciones de extremo libre.
𝑔3 ′′(𝑎) = 𝑔3 ′′(𝑏) = 0
Independientemente de cómo se obtengan los puntos 𝑥−1 𝑦 𝑥𝑛−1 , las funciones

𝑔3 (𝑥) 𝑦 𝑓(𝑥) y coinciden en los puntos de quiebre 𝑥0 , 𝑥1 , 𝑥2 , . . . , 𝑥𝑛 . Por esto
𝑔3 (𝑥) es continua en [𝑎, 𝑏], y por la ecuación 𝑝′𝑖−1 (𝑥𝑖 ) = 𝑝′𝑖 (𝑥𝑖 ) 𝑖 = 1,2, . . . 𝑛
también es continuamente diferenciable. Además, es posible, y se muestra
adelante, determinar 𝑓′(𝑥0 ), 𝑓′(𝑥1 ), . . . , 𝑓′(𝑛) de manera que la 𝑔3 (𝑥) resultante
sea dos veces continuamente diferenciable.
El método de determinar 𝑔3 (𝑥) con esta característica se conoce como

aproximación cúbica de trazador, ya que la gráfica de 𝑔3 (𝑥) se aproxima a la
forma que tomaría una varilla delgada flexible si se forzara a pasar por cada
punto (𝑥0 , 𝑓(𝑥0 )), (𝑥1 , 𝑓(𝑥1 )), . . . , (𝑥𝑛 , 𝑓(𝑥𝑛 )).
El requisito de que 𝑔3 (𝑥) sea continuamente diferenciable dos veces puede

darse como:
𝑝𝑖−1 ′′(𝑥𝑖 ) = 𝑝𝑖 ′′(𝑥𝑖 ) 𝑖 = 1,2, . . . , 𝑛 − 1
O
2c3,i−1 + 6c4,i−1 ∆xi−1 = 2c3,i i = 1,2, . . . , n − 1

Conforme la ecuación 𝑝𝑖 (𝑥) = 𝑐1,𝑖 + 𝑐2,𝑖 (𝑥 − 𝑥𝑖 ) + 𝑐3,𝑖 (𝑥 − 𝑥𝑖 )2 + 𝑐4,𝑖 (𝑥 − 𝑥𝑖 )3
(derivándola dos veces). Al sustituir las expresiones de la ecuación
𝑓′(𝑥𝑖+1 )−2𝑓[𝑥𝑖 ,𝑥𝑖+1 ]+𝑓′(𝑥𝑖 ) 𝑓′(𝑥𝑖+1 )−2𝑓[𝑥𝑖 ,𝑥𝑖+1 ]+𝑐2,𝑖
= , se tiene
(𝑥 −𝑥 )2
𝑖+1 𝑖 ∆𝑥 2
𝑖
2(𝑓[𝑥𝑖−1 , 𝑥𝑖 ] − 𝑓′(𝑥𝑖−1 ))
+ 6𝑐4.𝑖 ∆𝑥𝑖 =
∆𝑥𝑖
2(𝑓[𝑥𝑖 , 𝑥𝑖+1 ] − 𝑓′(𝑥𝑖 ))
− 2𝑐4,𝑖 ∆𝑥𝑖 𝑖 = 1,2, . . . , 𝑛 − 1
∆𝑥𝑖
Al continuar la sustitución y simplificar se tiene
∆xi 𝑓′(𝑥𝑖−1 ) + 2(∆𝑥𝑖−1 + ∆𝑥𝑖 )𝑓′(𝑥𝑖 ) + ∆𝑥𝑖−1 𝑓′(𝑥𝑖+1 ) =

3(𝑓[𝑥𝑖−1 , 𝑥𝑖 ]∆𝑥𝑖 + 𝑓[𝑥𝑖 , 𝑥𝑖+1 ]∆𝑥𝑖+1 ), 𝑖 = 1,2, . . . , 𝑛 − 1
Un sistema de n − 1 ecuaciones lineales en las (𝑛 + 1) incógnitas

𝑓′(𝑥0 ), 𝑓′(𝑥1 ), . . . , 𝑓′(𝑥𝑛 ) . al obtener 𝑓′(𝑥0 ) y 𝑓′(𝑥𝑛 ) de alguna manera se
resuelve la ecuación 3(𝑓[𝑥𝑖−1 , 𝑥𝑖 ]∆𝑥𝑖 + 𝑓[𝑥𝑖 , 𝑥𝑖+1 ]∆𝑥𝑖+1 ), 𝑖 = 1,2, . . . , 𝑛 − 1 para
𝑓′(𝑥1 ), 𝑓′(𝑥2 ), . . . , 𝑓′(𝑥𝑛−1 ) por alguno de los métodos vistos.


5.4 Regresión y correlación
Cuando los datos tienen errores sustanciales, la interpolación polinomial es

inapropiada y puede dar resultados poco satisfactorios cuando se utiliza para
predecir valores intermedios. Con frecuencia los datos experimentales son de
este tipo. Por ejemplo, en la siguiente figura se muestran siete datos obtenidos
experimentalmente que presentan una variabilidad significativa.
Una inspección visual de esos datos sugiere una

posible relación entre Y y X. Es decir, la tendencia
general indica que los valores altos de y están
asociados con valores altos de x. Ahora, si un
polinomio de interpolación de sexto grado se ajusta
a estos datos, pasará exactamente a través de todos
los puntos. Sin embargo, a causa de la variabilidad
en los datos, la curva oscila mucho en el intervalo
entre los puntos. En particular, los valores
interpolados para parecen estar bastante más allá
del rango sugerido por los datos.
Una manera para determinar la línea de la figura c)

es inspeccionar en forma visual los datos graficados
y después trazar una “mejor” línea a través de los
puntos. Aunque tales procedimientos apelan al
sentido común y son válidos para cálculos
“superficiales” resultan deficientes por ser arbitrarios.
Es decir, a menos que los puntos definan una línea
recta perfecta, diferentes analistas dibujarían líneas
distintas.
Para dejar a un lado dicha subjetividad se debe

encontrar algún criterio para establecer una base
para el ajuste. Una forma de hacerlo es obtener una
curva que minimice la discrepancia entre los puntos
y la curva. Una técnica para lograr tal objetivo,
llamada regresión por mínimos cuadrados.

Regresión lineal
El ejemplo más simple de una aproximación por mínimos cuadrados es ajustar

una línea recta a un conjunto de observaciones definidas por
puntos:(𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 ), . . . , (𝑥𝑛 , 𝑦𝑛 ).
La expresión matemática para la línea recta es:
y = a 0 + a1 x + e
Donde a0 y a0 son coeficientes que representan la intersección con el eje y y la

pendiente, respectivamente, e es el error, o diferencia, entre el modelo y las
observaciones, el cual se representa al reordenar la ecuación y = a0 + a1 x + e
como:
e = y − a 0 − a1 x
Así el error o residuo es la discrepancia entre el valor verdadero de y y el valor

aproximado a0 + a1 x, que predijo la ecuación lineal.
Criterio para un “mejor” ajuste

Una estrategia para ajustar una “mejor” línea a través de los datos será
minimizar la suma de los errores residuales de todos los datos disponibles,
como sigue:
𝑛 𝑛
∑ 𝑒𝑖 = ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥1 )
𝑖=1 𝑖=1
Donde n = número total de puntos. Sin embargo, éste es un criterio inadecuado,

como lo muestra la siguiente figura, la cual presenta el ajuste de una línea recta
de dos puntos.
Obviamente, el mejor ajuste es la línea que une los

puntos. Sin embargo, cualquier línea recta que pase
a través del punto medio que une la línea (excepto
una línea perfectamente vertical) da como resultado
un valor mínimo de la ecuación anterior igual a cero,
debido a que los errores se cancelan.
Por lo tanto, otro criterio lógico podría ser minimizar

la suma de los valores absolutos de las discrepancias,
𝑛 𝑛
∑|𝑒𝑖 | = ∑|𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 |
𝑖=1 𝑖=!
La figura b) muestra por qué este criterio también es
inadecuado. Para los cuatro puntos dados, cualquier
línea recta que esté dentro de las líneas punteadas
minimizará el valor absoluto de la suma. Así, este
criterio tampoco dará un único mejor ajuste.

Una tercera estrategia para ajustar una mejor línea es el criterio minimax. En
esta técnica, la línea se elige de manera que minimice la máxima distancia a
que un punto se encuentra de la línea. En la figura c), tal estrategia es
inadecuada para la regresión, ya que da excesiva influencia a puntos fuera del
conjunto; es decir, a un solo punto con un gran error. Deberá observarse que
el principio minimax es, en algunas ocasiones, adecuado para ajustar una
función simple a una función complicada.
La estrategia que supera las deficiencias de los procedimientos mencionados

consiste en minimizar la suma de los cuadrados de los residuos entre la y
medida y la y calculada con el modelo lineal.
𝑛 𝑛 𝑛
2
𝑆𝑟 = ∑ 𝑒𝑖2 = ∑(𝑦𝑖,𝑚𝑒𝑑𝑖𝑑𝑎 − 𝑦𝑖,𝑚𝑜𝑑𝑒𝑙𝑜 ) = ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥1 )2
𝑖=1 𝑖=1 𝑖=1
Este criterio tiene varias ventajas, entre ellas el hecho de que se obtiene una
línea única para cierto conjunto de datos
Ajuste de una línea recta por mínimos cuadrados
Para determinar los valores de 𝑎0 𝑦 𝑎1 , la ecuación anterior se deriva con
respecto a cada uno de los coeficientes:
𝜕𝑆𝑟
= −2 ∑(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥1 )
𝜕𝑎0
𝜕𝑆𝑟
= −2 ∑[(𝑦𝑖 − 𝑎0 − 𝑎1 𝑥1 )𝑥𝑖 ]
𝜕𝑎1
Observe que hemos simplificado los símbolos de la sumatoria; a menos que

se indique otra cosa, todas las sumatorias van desde i = 1 hasta n. al igual
estas derivadas a cero, se dará como resultado un mínimo. Si se hace esto,
las ecuaciones se expresan como:
0 = ∑ yi − ∑ a0 − ∑ a1 xi
0 = ∑ yi xi − ∑ a0 xi − ∑ a1 xi2
Ahora, si observamos que∑ 𝑎0 = 𝑛𝑎0 , expresamos las ecuaciones como un

conjunto de dos ecuaciones lineales simultáneas, con dos incógnitas (𝑎0 𝑦 𝑎1 ):
𝑛𝑎0 + (∑ 𝑥𝑖 ) 𝑎1 = ∑ 𝑥𝑖 𝑦𝑖
(∑ 𝑥𝑖 ) 𝑎0 + (∑ 𝑥𝑖2 ) 𝑎𝑖 = ∑ 𝑥𝑖 𝑦𝑖

Éstas se llaman ecuaciones normales, y se resuelven en forma simultánea.
𝑛 ∑ 𝑥𝑖 𝑦𝑖 − ∑ 𝑥𝑖 ∑ 𝑦𝑖
𝑎1 =
𝑛 ∑ 𝑥𝑖2 − (∑ 𝑥𝑖 )2
Este resultado se utiliza conjuntamente con la ecuación 𝑛𝑎0 + (∑ 𝑥𝑖 )𝑎1 = ∑ 𝑥𝑖 𝑦𝑖

para obtener:
𝑎0 = 𝑦̅ − 𝑎1 𝑥̅
Donde 𝑦̅ y 𝑥̅ son las medias de y y x, respectivamente.
Ejemplo:
Planteamiento del problema:
Ajuste a una línea recta los valores x y y en las dos primeras columnas de la
siguiente tabla:
𝑥𝑖 𝑦𝑖 (𝑦𝑖 − 𝑦̅)2 (𝑦𝑖 − 𝑎0 − 𝑎1 𝑥𝑖 )2

1 0.5 8.5765 0.1687
2 2.5 0.8622 0.5625
3 2.0 2.0408 0.3473
4 4.0 0.3265 0.3265
5 3.5 0.0051 0.5896
6 6.0 6.6122 0.7972
7 5.5 4.2908 0.1993
Σ 24.0 22.7143 2.9911
Solución
Se calculan las siguientes cantidades:
n = 7 ∑ xi yi = 119.5 ∑ xi2 = 140
28
∑ 𝑥𝑖 = 28 𝑥̅ = =4
4
24
∑ 𝑦𝑖 = 24 𝑥̅ = = 3.428571
7
Por lo tanto, el ajuste por mínimos cuadrados es:

y = 0.07142857 + 0.8392857x
La línea, junto con los datos se muestran en la siguiente figura :
Steven C.Chapra - Raymon P.Canale, Métodos numéricos para

ingenieros,McGrawhill, quinta edición, Páginas: 466 - 471

5.5 Mínimos cuadrados
En dado caso de que se requiera el determinar la mejor curva se establecerá

un criterio para poder fijarla, además de esto se desarrollara una metodología
para poder implementarla.
Lo que usualmente se suele pedir al momento que se realizan estos criterios,
consiste en pedir que la sumatoria de las generan las distancias calculadas
entre el valor de la función que aproxima 𝑝(𝑥𝑖 )y el valor de la función 𝑓(𝑥), si
se tiene que en la tabla esta es mínima, esta se representara de la forma
𝑚 𝑚
∑|𝑝(𝑥𝑖 ) − 𝑓(𝑥𝑖 )| = ∑ 𝑑𝑖 = 𝑚í𝑛𝑖𝑚𝑜

𝑖=1 𝑖=1
Al momento en los que esto se realiza, se suele tener en cuenta el evitar los
problemas de derivabilidad que ´puedan llegar a surgir, con lo cual se suelen
utilizar las distancias 𝑑𝑖 , las cuales se elevaran al cuadrado para poder obtener
∑𝑚 2 𝑚 2
𝑖 = 1[𝑝(𝑥𝑖 ) − 𝑓(𝑥𝑖 )] = ∑𝑖 = 1 𝑑𝑖 = 𝑚í𝑛𝑖𝑚𝑜
Todo esto se puede apreciar de mejor forma gracias a la imagen a continuación,
en esta figura se podrán
observar los puntos
tabulados, además de
apreciarse la aproximación
polinomial y las distancias
que hay entre cada uno de
los puntos.
además de esto, será
necesario el minimizar la
suma, si utilizamos 𝑝(𝑥) =
𝑎0 + 𝑎1 𝑥 para poder aproximar la función que se da por la tabla, el problema
nos resultaría como el minimizar
𝑚
∑[𝑎0 + 𝑎1 𝑥1 − 𝑓(𝑥𝑖 )]2

𝑖=1
Se puede apreciar que teniendo el numero infinita de polinomios, los cuales
sarán por los puntos, se seleccionara a que tenga como coeficientes 𝑎0 𝑦 𝑎1 ,
los cuales deberán de ser capaces de minimizar la ecuación
𝑚
∑[𝑎0 + 𝑎1 𝑥1 − 𝑓(𝑥𝑖 )]2

𝑖=1
Al momento en el que se realiza el cálculo de las funciones de una multivariable,
se ha comprendido que, tanto para encontrar el máximo como el mínimo de
una función, será necesario el derivar e igualar con cero en esa derivada.
Luego de esto se resolverá la ecuación resultante con el fin de obtener los
valores de la variable en dado caso de que las variables pudieran, ya sea
minimizar o maximizar la función. Cuando se llegan a dar estos casos en los
cuales se tiene una función por minimizar con dos variables, se deberá realizar
una derivada parcial, la cual se realizará con respecto a cada una de las
variables, además de igualarse a cero cada derivada, con esto obtendríamos
un sistema de dos ecuaciones algebraicas para las incógnitas 𝑎0 𝑦 𝑎1 , que se
representaran de la forma

𝑚
𝜕 2
[∑(𝑎0 + 𝑎1 𝑥𝑖 − 𝑓(𝑥𝑖 )) ]
𝜕𝑎0
𝑖=1
𝑚
𝜕 2
[∑(𝑎0 + 𝑎1 𝑥𝑖 − 𝑓(𝑥𝑖 )) ]
𝜕𝑎1
𝑖=1
Estas las derivaremos dentro del signo de sumatoria, por lo cual obtendríamos
𝑚 𝑚
𝜕 2
∑ [𝑎 + 𝑎1 𝑥𝑖 − 𝑓(𝑥𝑖 )] = ∑ 2[𝑎0 + 𝑎1 𝑥𝑖 − 𝑓(𝑥𝑖 )] 1 = 0
𝜕𝑎0 0
𝑖=1 𝑖=1
𝑚 𝑚
𝜕
∑ [𝑎 + 𝑎1 𝑥𝑖 − 𝑓(𝑥𝑖 )]2 = ∑ 2[𝑎0 + 𝑎1 𝑥𝑖 − 𝑓(𝑥𝑖 )] 𝑥𝑖 = 0
𝜕𝑎1 0
𝑖=1 𝑖=1
Si desarrollamos estas sumatorias podremos obtener que
[𝑎0 + 𝑎1 𝑥1 − 𝑓(𝑥1 )] + [𝑎0 + 𝑎1 𝑥2 − 𝑓(𝑥2 )]+. . . +[𝑎0 + 𝑎1 𝑥𝑚 − 𝑓(𝑥𝑚 )] = 0
[𝑎0 𝑥1 + 𝑎1 𝑥12 − 𝑓(𝑥1 )𝑥1 ]
+ [𝑎0 𝑥2 + 𝑎1 𝑥22 − 𝑓(𝑥2 )𝑥2 ]+. . . +[𝑎0 𝑥𝑚 + 𝑎1 𝑥𝑚
2
− 𝑓(𝑥𝑚 )𝑥𝑚 ] = 0
Y si estas las simplificamos las obtendríamos de la forma
m m
m a0 + a1 ∑ xi = ∑ 𝑓(xi )
i=1 i=1
𝑎 0 ∑𝑚 𝑚 2 𝑚
𝑖 = 1 𝑥𝑖 + 𝑎1 ∑𝑖 = 1 𝑥𝑖 = ∑𝑖 = 1 𝑓(𝑥𝑖 )𝑥𝑖 Este sistema se resolvera haciendo
uso de la regla de cramer, por lo que tendremos
[∑𝑚 𝑚 2 𝑚 𝑚
𝑖 = 1 𝑓(𝑥𝑖 )][∑𝑖 =,1 𝑥𝑖 ] − [∑𝑖 = 1 𝑥𝑖 ][∑𝑖 = 1 𝑓(𝑥𝑖 )𝑥𝑖 ]
𝑎0 =
𝑚 ∑𝑚 2 𝑚
𝑖 = 1 𝑥𝑖 − [∑𝑖 = 1 𝑥𝑖 ]
2
𝑚 ∑𝑚 𝑚 𝑚
𝑖 = 1 𝑓(𝑥𝑖 )𝑥𝑖 − [∑𝑖 = 1 𝑓(𝑥𝑖 )][∑𝑖 = 1 𝑥𝑖 ]
𝑎1 =
𝑚 ∑𝑚 2 𝑚
𝑖 = 1 𝑥𝑖 − [∑𝑖 = 1 𝑥𝑖 ]
2
Que sustituidos en la aproximación polinomial de primer grado que mejor se

ajuste a la información tabulada. Finalmente se podrá emplear el polinomio con
el fin de aproximar valores de la función para argumentos desconocidos en la
tabla
Ejemplo
En la tabla siguiente se presentan los alargamientos de un resorte,
correspondientes a fuerzas de diferente magnitud que lo deforman.
Puntos 1 2 3 4 5
Fuerza (𝐤𝐠𝐟): 𝐱 0 2 3 6 7
Longitud del resorte (m):y 0.120 0.153 0.170 0.225 0.260
Determine por mínimos cuadrados el mejor polinomio de primer grado que

represente la función dada.
Solución
Para facilitar los cálculos y evitar errores en los mismo, primero se construye
la siguiente tabla:
Puntos Fuerza xi Longitud xi 𝑥𝑖2 𝑥𝑖 𝑦𝑖
1 0 0.120 0 0.000
2 2 0.153 4 0.306
3 3 0.170 9 0.510
4 6 0.225 36 1.350
5 7 0.260 49 1.820

∑ 𝑥𝑖 = 18 ∑ 𝑦𝑖 = 0.928 ∑ 𝑥𝑖2 = 98 ∑ 𝑥𝑖 𝑦𝑖 = 3.986
Los valores de las sumatorias de la última fila se sustituyen en el sistema de

ecuación y se obtiene:
𝑎0 = 0.11564 𝑦 𝑎1 = 0.01943, 𝑑𝑒 𝑑𝑜𝑛𝑑𝑒
𝑝(𝑥) = 0.11564 + 0.019434𝑥
Nieves :412-415

5.6 Problemas de aplicación
Regresión lineal y modelos de población

Ingeniería química / bioingeniería
Antecedentes:
Los modelos de crecimiento poblacional son importantes en diversos campos
de la ingeniería. En muchos de los modelos es fundamental a hipótesis de que
la razón de cambio de la población 𝑑𝑝⁄𝑑𝑡 es proporcional a la población
existente (𝑝)en cualquier tiempo (𝑡), o en forma de ecuación.
𝑑𝑝
= 𝑘𝑝
𝑑𝑡
Donde k = un factor de proporcionalidad conocido como velocidad de
crecimiento específico y tiene las unidades de 𝑡𝑖𝑒𝑚𝑝𝑜−1. si k es una constante,
entonces la solución de la ecuación anterior se obtiene de la teoría de las
ecuaciones diferenciales:
𝑝(𝑡) = 𝑝0 𝑒 𝑘𝑡
Donde 𝑝0 = población cuando 𝑡 = 0. en la ecuación 𝑝(𝑡) = 𝑝0 𝑒 𝑘𝑡 se observa

que 𝑝(𝑡) se aproxima al infinito conforme t crece. Tal comportamiento es
claramente imposible en la realidad. Por lo tanto, el modelo debe modificarse
para hacerlo más realista.
Solución
Primero, se debe reconocer que la velocidad de crecimiento específico k no
puede ser una constante conforme la población crece. Éste es el caso debido
a que, conforme p se aproxima al infinito, el fenómeno que está modelando se
verá limitado por algunos factores como por ejemplo carencia de alimentos y
producción de desechos tóxicos. Una manera de expresar esto en forma
matemática es mediante el uso de un modelo de velocidad de crecimiento de
saturación tal que
𝑓
𝑘 = 𝑘𝑚á𝑥 =
𝑘+𝑓
Donde 𝑘𝑚á𝑥 = 𝑙𝑎 𝑣𝑒𝑙𝑜𝑐𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑟𝑒𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑚á𝑥𝑖𝑚𝑜 𝑜𝑏𝑡𝑒𝑛𝑖𝑏𝑙𝑒 para valores

grandes de alimento (f) y 𝑘 = 𝑙𝑎 𝑐𝑜𝑛𝑠𝑡𝑎𝑛𝑡𝑒 𝑑𝑒 𝑠𝑎𝑡𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑚𝑒𝑑𝑖𝑎. en la
siguiente figura se tiene la gráfica de
𝑓
la ecuación 𝑘 = 𝑘𝑚á𝑥 = 𝑘+𝑓 y se
muestra que cuando 𝑓 = 𝑘, 𝑘 =
𝑘𝑚á𝑥 /2.

Por lo tanto, k es la cantidad de alimento disponible que permite una velocidad
de crecimiento poblacional igual a la mitad de la velocidad máxima.
Las constantes 𝑘 𝑦 𝑘𝑚á𝑥 son valores empíricos obtenido de mediciones

experimentales de k para diversos valores de f.
Por ejemplo, suponga que la población p representa la levadura empleada en

la producción comercial de cerveza, y f es la concentración de la fuente de
carbono que será fermentada. Las mediciones de k contra f para la levadura
se muestran en la siguiente tabla:
Se requiere 𝑘 𝑦 𝑘𝑚á𝑥 calcular a partir de estos datos empíricos. Esto se logra

𝑓
invirtiendo la ecuación 𝑘 = 𝑘𝑚á𝑥 = 𝑘+𝑓 para obtener.
1 𝑘+𝑓 𝑘 1 1
= = +
𝑘 𝑘𝑚á𝑥 𝑘𝑚á𝑥 𝑓 𝑘𝑚á𝑥
𝑓
Con esta manipulación se ha transformado la ecuación 𝑘 = 𝑘𝑚á𝑥 = 𝑘+𝑓 a una
forma lineal; es decir, 1/k es una función lineal de 1/f, con pendiente k/𝑘𝑚á𝑥 e
intersección 1/𝑘𝑚á𝑥 . Estos valores se grafican en la siguiente figura:
A causa de dicha transformación, se pueden

utilizar los métodos por mínimos cuadrados
lineales para determinar 𝑘𝑚á𝑥 =
−1
1.23𝑑í𝑎𝑠 𝑦 𝑘 = 22.18 𝑚𝑔/𝐿. Los
resultados, combinados con la ecuación
𝑓
𝑘 = 𝑘𝑚á𝑥 = 𝑘+𝑓, se comparan con los datos
transformados en la siguiente figura, y
cuando se sustituyen en el modelo de la
ecuación dan el resultado siguiente:

𝑑𝑝 𝑓
= 1.23 22.18+𝑓 𝑝
𝑑𝑡
Observe que el ajuste da una suma de los

cuadrados de los residuos es de 0.001305

𝑓
La linealización de la ecuación 𝑘 = 𝑘𝑚á𝑥 = 𝑘+𝑓 constituye una forma para
evaluar las constantes 𝑘 𝑦 𝑘𝑚á𝑥 . Un procedimiento alternativo, que se ajusta a
la relación en su forma original. La siguiente figura muestra cómo se emplea la
herramienta Solver de Excel para estimar los parámetros con la regresión no
lineal.
Como se observa, se desarrolla una columna de valores predichos basada en

el modelo y en los parámetros iniciales. Éstos se utilizan para generar una
columna de residuos al cuadrado que se suman, y el resultado se coloca en la
celda D14. Después se usa solver de Excel para minimizar la celda D14 al
ajustar las celdas B1:B2. El resultado da estimados de 𝑘𝑚á𝑥 = 1.23 𝑦 𝑘 =
22.14, con un Sr = 0.001302. De esta forma, aunque, como se esperaba, a la
regresión no lineal ofrece un ajuste ligeramente mejor, los resultados son casi
idénticos. En otros casos, esto puede no ser así y la regresión no lineal podría
ser la única opción factible para obtener un ajuste por mínimos cuadrados.
Uso de trazadores para estimar la transferencia de calor
(Ingeniería civil / ambiental)
Antecedentes
Los lagos de la zona templada llegan a dividirse en estratos térmicos durante
el verano. Como se ilustra en la siguiente figura, cerca de la superficie, el agua
es tibia y ligera, y en el fondo es más fría y densa.

La estratificación divide efectivamente el lago en dos capas en forma vertical:
el epilimnion y el hipolimnion, separadas por un plano conocido como
termoclina.
La estratificación térmica tiene gran importancia para los ingenieros
ambientales que estudian la contaminación de tales sistemas. En particular, la
termoclina disminuye en gran medida la mezcla de las dos capas. Como
resultado, la descomposición de la materia orgánica puede conducir a una gran
reducción de oxígeno en el fondo asilado de las aguas.
La ubicación de la termoclina se puede definir como el punto de inflexión de la

curva temperatura-profundidad; es decir, el punto donde 𝑑 2 𝑇/𝑑𝑥 2 = 0 .Es
también el punto en el cual el valor absoluto de la primera derivada o gradiente
es un máximo.
Utilice trazadores cúbicos para determinar la profundidad de la termoclina en
el lago Platte. También use los trazadores para determinar el valor del
gradiente en la termoclina.
Solución
Los resultados se muestran en la siguiente tabla que da las predicciones del
trazador junto con la primera y segunda derivada a intervalos de 1m hacia
abajo a través de la columna de agua.

Los resultados se grafican en la siguiente
figura. Observe cómo la termoclina está
claramente localizada en la profundidad
donde el gradiente es mayor y la segunda
derivada es cero. La profundidad es
11.35m y el gradiente en este punto es -
1.61° C/m.
Steven C.Chapra - Raymon P.Canale,

Métodos numéricos para
ingenieros,McGrawhill, quinta edición,
Páginas: 578 - 586

Metodos Numericos Tema 5 Apuntes

Cargado por

Copyright:

Formatos disponibles

Metodos Numericos Tema 5 Apuntes

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Metodos Numericos Tema 5 Apuntes

Cargado por

Copyright:

Formatos disponibles

2.

Planteamiento del problema. Utilice el método gráfico para determinar el

Diversos valores de c pueden sustituirse en el lado derecho de esta ecuación para

que es muy cercano a la velocidad de caída deseada de 40 m/s.

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

Este método se basa en el teorema de los valores intermedios, el cual

En los métodos cerrados la raíz se encuentra dentro de un intervalo predeterminado

En contraste, los métodos abiertos se basan en fórmulas que requieren únicamente

El método de Newton (llamado a veces método de Newton-Raphson) es uno de los

Si ƒ es una función tal que ƒ y ƒ’ y ƒ’’ existen y son continuas en un intervalo I y si un

El método de Newton es un algoritmo eficiente para encontrar aproximaciones de los

El método de Newton-Raphson es método abierto, en el sentido de que no está

ƒ(𝑋) = 𝑥 2 − 𝑐𝑜𝑠𝑥 − 1 y ƒ ′(𝑋) = 2𝑥 + 𝑠𝑒𝑛𝑥. Entonces el esquema iterativo es

ƒ(X i−1 ) − ƒ(X I )

Esta técnica es similar a la del método de Newton-Raphson en el sentido de que una

La ecuación es la fórmula para el método de la secante. Observe que el método

(1 − 0)(13 + 2(1)2 + 10(1) − 20)

Ejemplo 1. Interpolación lineal

Si se tienen tres puntos como datos, estos se pueden ajustar a un polinomio

Así, las ecuaciones ƒ(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑛 𝑥 𝑛 y ƒ2 (𝑥) = 𝑏0 + 𝑏1 (𝑥 −

En éste nuevamente se parte de una función desconocida f(x) dada en forma

Aproximación polinomial de Newton

Y que se desea aproximarla preliminarmente con un polinomio de primer grado que

O sea, un polinomio de primer grado en términos de diferencias divididas. Y si ahora

si x = x0′ a0 = p2 (x0 ) = ƒ |𝑥0 |

Canale, S. C. C. R. Quinta edición. Métodos numéricos para ingenieros. McGraw-Hill.

Antonio Nieves Hurtado Federico C. Domínguez Sánchez. (2014). Métodos numéricos

Canale, S. C. C. R. Quinta edición. Métodos numéricos para ingenieros. McGraw-Hill.

Canale, S. C. C. R. Quinta edición. Métodos numéricos para ingenieros. McGraw-Hill.

APLICACIONES CON MATLAB

Al remplazar los valores de L, r y V en la ecuación se obtiene

Ahora aplicando el método de iteración de punto fijo a la ecuación 𝑥 3 + 2𝑥 2 + 10𝑥 = 20, al

las ecuaciones diferenciales sirven para modelar la vibración de sistemas en ingeniería.

la vibración libre ocurre cuando el automóvil es perturbado de su condición de equilibrio,

Fuerza del resorte = −kx

Donde el signo negativo indica que la fuerza de restauración actúa regresando el

Donde c es el coeficiente de amortiguamiento y dx/dt es la velocidad vertical. El signo

Note el significado de la magnitud de c al compararla con 2√𝑘𝑚 . Si c > 2 √𝑘𝑚 , 𝑟1 𝑦 𝑟2

x(t) = e−λt (A cos μt + B sin μt)

Tales sistemas se conocen como subamortiguados. Por último, si c = 2 km, la ecuación

La relación c/𝑐𝑐 se llama factor de amortiguación, y a p se le conoce como la frecuencia

Donde 𝑑𝑚 = 𝑃𝑚 𝑙𝑘 = la deflexión estática del carro sujeto a una fuerza 𝑃𝑚 . La ecuación

x(t) = e−λi (A cosμt + B sin μt) Y

𝑋𝑠𝑠 (𝑡) = 𝑋𝑚 sin(𝜔𝑡 − 𝜙)

La cantidad𝑥𝑚 /𝑑𝑚 llamada factor de amplificación de la amplitud depende tan sólo de la

Con A = 𝑥0 y B = 𝑥0 𝜆𝑙k. por lo tanto:

Dado que se conocen c y m, el problema de diseño consiste ahora en encontrar valores

se pueden utilizar los métodos de la bisección, de la falsa posición o de la secante, ya que

Si la ecuación se expresa como un problema de raíces.

ƒ(w⁄p) = 2√[1 − (w⁄p)2 ]2 + 4(0.1221)2 (w⁄p)2 − 1 = 0

I.E. Saúl Ulloa Mondragón

Alumno: Cabrera Rosales Ian Axel

Carrera: Ingeniería en sistemas

• Aplica los métodos numéricos para la solución de

Ian Axel Cabrera Rosales – Sistemas Computacionales

Métodos de Jacobi y Gauss-Seidel

Ecuación vectorial correspondiente a f(x) = 0. Se busca ahora una matriz B y un

Sea sólo un arreglo de la ecuación A x – b = 0; es decir, que la solución de una

𝑥 (𝑘+1) = 𝐵𝑥 (𝑘) + 𝑐, 𝑘 = 0,1,2, …