Folleto de Análisis Numérico

Análisis Numérico - Steveen Carriel
Escuela Superior Politécnica del Litoral

Facultad de Ciencias Naturales y
Matemáticas
Folleto de Análisis Numérico

Por Steveen Carriel
Versión
Noviembre/2017
1
Código de colores
Los tópicos resaltados de este color, son opcionales.
2
Objetivo del curso de “Análisis Numérico”
En términos generales, el objetivo del curso es que el alumno aprenda esencialmente varios
métodos y técnicas para encontrar la solución de algún problema, manualmente complicado de
resolver o que a su vez, esta resolución sea excesivamente larga.
Al principio se aprenderá a encontrar la solución aproximada de ecuaciones analíticamente no

solucionables, es decir, aquellas ecuaciones que no se pueden despejar por métodos tradicionales
(suma, resta, multiplicación, etc.). Luego lo extenderemos a sistemas de ecuaciones de este tipo.
Posteriormente aplicaremos métodos numéricos para integrar, derivar, aproximar funciones,
resolver ecuaciones diferenciales y sistemas de los mismos.
Adicionalmente se aprenderá a formular computacionalmente todo lo anteriormente dicho, ya que

los modelos matemáticos que se enseñan se aplican en la vida real. Estos están implementados en
un sin número de softwares y dispositivos. Inclusive en una calculadora convencional.
Objetivos del folleto
El objetivo principal de este folleto es que el lector cumpla los objetivos del curso de análisis
numérico, pero de manera muy clara y pedagógica.
o Es decir, se espera que el lector aprenda completamente “Análisis Numérico” solo con leer
este folleto.
Este objetivo puede hacer que el folleto se haga un poco extenso, pero sumamente útil.
Este folleto pretende ser práctico e ir al grano, para evitar llenarnos de tanta teoría que
muchas veces es innecesaria y solo aprender lo que necesitemos aprender.
No pretendo buscar mediocridad, pero esta materia es dirigida a ingenieros, no a
matemáticos.
TODO LO PRESENTE SE PUEDE ADAPTAR A ALGORITMOS, POR EJEMPLO, MATLAB
3
Tabla de contenido
1. Ecuaciones no lineales ....................................................................................................... 6
1.1. Método de la bisección...................................................................................................... 6
1.1.1. Pasos para el método de la bisección.......................................................................... 7
1.2. Método del punto fijo ....................................................................................................... 8
1.2.1. Convergencia del método del punto fijo ..................................................................... 9
1.3.1. Pasos para el método del punto fijo ......................................................................... 10
1.4. Método de Newton ......................................................................................................... 11
2. Sistemas lineales y no lineales de Ecuaciones ................................................................... 14
2.1. Sistemas lineales ............................................................................................................. 14
2.2. Definiciones previas ........................................................................................................ 15
2.2.1. Métodos iterativos para sistemas de ecuaciones lineales .......................................... 17
2.2.1.1. 𝐌𝐞𝐭𝐨𝐝𝐨 𝐆𝐚𝐮𝐬𝐬 − 𝐒𝐞𝐢𝐝𝐞𝐥 ..................................................................................... 17
2.2.1.2. Método de Jacobi ................................................................................................. 19
2.2.2. Convergencia de los métodos iterativos para sistemas de ecuaciones lineales ........... 19
2.2.3. Análisis del error en los métodos iterativo para sistemas de ecuaciones lineales ....... 20
2.2.4. Sistemas bien condicionados y mal condicionados .................................................... 20
2.3. Sistemas no lineales de ecuaciones .................................................................................. 21
2.3.1. Método iterativo de Newton para sistemas de ecuaciones no lineales ...................... 22
3. Interpolación Polinomial ................................................................................................. 23
3.1. Unicidad del polinomio de interpolación .......................................................................... 23
3.2. Métodos de interpolación Polinomial .............................................................................. 24
3.2.1. Polinomio de Lagrange ..................................................................................................... 24
3.2.2. Polinomio bivariable de Lagrange (Interpolación múltiple) ........................................... 26
3.3.2. Polinomio de Interpolación de Newton........................................................................... 29
3.3.3. Trazadores cúbicos ........................................................................................................... 30
4. Integración Numérica ............................................................................................................... 35
4.1. Fórmulas de Newton-Cotes ( Trapecios y Simpson) ................................................................ 35
4.1.1. Fórmula de los trapecios .................................................................................................. 35
4.1.2. Fórmula de Simpson ......................................................................................................... 37
4.2. Cuadratura de Gauss ................................................................................................................ 38
4.3. Integrales con singularidades ................................................................................................... 39
4.4. Integrales no acotadas ............................................................................................................. 40
4
4.5. Integración múltiple ................................................................................................................. 41

5. Diferenciación numérica .......................................................................................................... 42
5.1. Primera derivada ...................................................................................................................... 42
5.2. Segunda derivada ..................................................................................................................... 43
6. Ecuaciones diferenciales ordinarias ......................................................................................... 43
6.1. Ecuaciones diferenciales ordinarias de primer orden ............................................................. 43
6.1.1. Método de la serie de Taylor ........................................................................................... 44
6.1.2. Fórmula de Euler............................................................................................................... 45
6.1.3. Fórmula de Euler mejorado o Heun ................................................................................. 46
6.1.4. Fórmula de Runge-Kutta de cuarto orden ....................................................................... 46
6.2. Sistema de ecuaciones diferenciales ordinarias de primer orden con condiciones al inicio . 47
6.2.1. Fórmula de Heun para dos ecuaciones ............................................................................ 48
6.3. EDO’s de mayor orden con condiciones al inicio..................................................................... 51
6.4. Convergencia y estabilidad ( Tema adicional) ......................................................................... 52
6.5. Ecuaciones diferenciales ordinarias con condiciones en los bordes ...................................... 52
6.5.1. Método de diferencias finitas .......................................................................................... 53
6.5.2. EDO’s con condiciones en los bordes con derivada ........................................................ 54
7. Ecuaciones diferenciales parciales ........................................................................................... 56
5
Análisis Numérico - Steveen Carriel Ecuaciones lineales – Método de la bisección
1. Ecuaciones no lineales
o Recordemos que una ecuación no lineal es aquella que por lo menos uno de los términos no es lineal (es
decir diferente de x), por lo cual será un poco más complicado despejar o encontrar alguna raíz.
• Sea f una función de variable real, definida en un intervalo I. El objetivo es encontrar al menos un “x *’’
que pertenezca al intervalo I, tal que f(x*)=0, es decir, se desea encontrar por lo menos una raíz en el
intervalo I
X1*
𝑓(𝑥)
X2*
X3*
1.1. Método de la bisección
Introduciremos un teorema importantísimo para este curso, el cual es el siguiente:
Teorema del valor intermedio (TVI)
• Sea f una función continua en el intervalo I: [a, b], tal que f(a)*f(b)<0, entonces existe algún x* que
pertenece a I, tal que f(x*)=0
Es decir, si f(a)*f(b)<0, es porque de a hasta b, la

f(b) función ha cambiado de signo, entonces es seguro que
al menos la función ha pasado por al menos una raíz.
f(a) b
a
→ El método de la bisección consiste en elegir valores de a y b donde se cumpla del TVI, luego evaluar
𝑏−𝑎
la función en tres valores, en a, en b y en c, el cual es la mitad del intervalo [a, b] . 𝐶 = 𝑎 + =
2
𝑏+𝑎
2
o Si para a y c se cumple el TVI, quiere decir que la raíz está entre esos dos intervalos, caso contrario
estaría entre c y b. Para ambos casos se va acortando el intervalo hasta ‘encerrar’ lo suficiente a la
raíz como para decir que ya tenemos una buena aproximación. A continuación, se detalla los
pasitos para este método para entenderlo con claridad
6
Th! En un intervalo [a, b], donde una función cumpla el TVI, si no cambia el signo de la derivada de esta
función en aquel intervalo, entonces la raíz que hay es única.
Ecuaciones lineales – Método de la bisección
1.1.1. Pasos para el método de la bisección
1. Elije valores superior b, e inferior a, para el intervalo que cumpla el TVI ( A veces directamente te
dan el intervalo a,b)
𝑎+𝑏
2. Calcula C=
2
3. Realiza las siguientes evaluaciones para saber en qué intervalo está la raíz:
a. Si f(a)*f(c)<0 entonces la raíz se encuentra dentro del subintervalo inferior
o izquierdo. Por lo tanto, elige b=c y repite el segundo paso
b. Si f(a)*f(c)>0 entonces la raíz se encuentra dentro del subintervalo superior o derecho. Por
lo tanto, elige a=c y repite el segundo paso
c. Repite hasta que (b-a) sea menor o igual al error sugerido del problema, en caso de que
ocurra tu aproximación de la raíz será la última C que calculaste
Ejemplo 1.1
Hallar una aproximación de la raíz con la siguiente función 𝑓(𝑥) = 𝑒 𝑥 − 𝑥 − 2 = 0, 𝑥 ∈ ⌈0,2⌉con un error de
truncamiento de 10-4
Aquí no importa el valor,

solo el signo
Hay cambio de signo
entre c y b, entonces se
elige a=c y se comienza
una nueva iteración y
𝑖 𝑎𝑖 𝑐𝑖 𝑏𝑖 𝑓(𝑎𝑖) 𝑓(𝑐𝑖) 𝑓(𝑏𝑖) así sucesivamente
0 0 1 2 - - +
1 1 1.5 2 - + +
2 1 1.25 1.5 - + +
3 1 1.125 1.25 - - +
4 1.125 1.1875 1.25 - + +
5 1.125 1.1563 1.1875 - + +
6 1.125 1.1406 1.15625 - - +
7 1.1406 1.1484 1.15625 - + +
8 1.1406 1.1445 1.1484 - - +
9 1.1445 1.1463 1.1484 - + +
10 1.1445 1.1455 1.1465 - - +
7
Análisis Numérico - Steveen Carriel Ecuaciones lineales – Método de la bisección
11 1.1455 1.1459 1.1465 - - +
12 1.1459 1.1462 1.1465 - + +
13 1.1459 1.1461 1.1462 - - +
14 1.1461 1.1462 1.1462 - + +
15 1.1462 1.1462 1.1462 + + +
Observaciones:
o Se necesito 14 iteraciones para encontrar la solución con la precisión pedida, la 15va es

para mostrar que ya no cambia el cuarto decimal. A continuación, aprenderemos cuantas
iteraciones se necesitan para determinada precisión sin tener que armar la tabla anterior
o calcular una iteración más de la necesaria
o El método es de convergencia relativamente lenta, es decir muchas iteraciones para
obtener la respuesta;
o
𝒃 −𝒂
𝒍𝒏( 𝟎 𝟎 )
→ 𝒏𝒎𝒊𝒏 = ⟦ 𝜺
𝐥𝐧(𝟐)
⟧ Fórmula para calcular el número de iteraciones para el Método de la bisección
Ejemplo: Para los datos del primer ejemplo, use la expresión para calcular el número mínimo de
iteraciones necesarias para calcular la raíz con una tolerancia de 𝜖 = 10−4
2−0
𝑙𝑛( )
10−4
𝑛𝑚𝑖𝑛 = ⟦ ⟧ = ⟦14,28⟧ = 14 𝑖𝑡𝑒𝑟𝑎𝑐𝑖𝑜𝑛𝑒𝑠, lo cual coincide con lo que hicimos en el primer
ln(2)
Ejemplo
1.2. Método del punto fijo
• Suponga que tenemos una función f(x), de la cual necesitamos hallar las raíces, es decir; f(x)=0.
Pero podemos transformar este problema en uno equivalente, trabajándolo así:
𝑓(𝑥) = 0
𝑓(𝑥) + 𝑥 = 𝑥.
¿No es lo mismo? Claro que si, solo se le sumó x a ambos lados
O en otro ejemplo si tenemos esta función de la cual queremos sus raíces por ejemplo:
𝑓(𝑥) = 𝑠𝑒𝑛(𝑥) + tan(x) − 5𝑥 2 + 𝑥=0
Sería lo mismo trabajar con −𝑠𝑒𝑛(𝑥) − tan(𝑥) + 5𝑥 2 = 𝑥
8
Tenemos como premisa entonces que estas ecuaciones son equivalentes, de manera general tenemos que:
𝑓(𝑥) = 0 ⟺ 𝑔(𝑥) = 𝑥
Básicamente lo que estamos haciendo es despejar una x de la ecuación. Es conveniente ‘despejar una x’ y
resolver el problema de esta manera. Este es el método de punto fijo y se detallará su proceso y teoría.
• ¿Qué son los puntos fijos?
Sea f una función definida en un intervalo I. Se dice que r es un punto fijo de f(x), sí y solo sí f(r)=r
Es decir, si tenemos una función cualquiera f(x), la igualamos a x y hallamos los puntos que resultan, estos
puntos son puntos fijos. De manera gráfica tenemos: Ecuaciones lineales – Método del punto fijo
Aquí se indican los puntos fijos de una función

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

una función intercepta con la función identidad
(‘X’).
Ejemplo
Hallar los puntos fijos de 𝑓(𝑥) = √2𝑥 + 3
Procedimiento:
→ √2𝑥 + 3 = 𝑥
→ 2𝑥 + 3 = 𝑥 2
→ 𝑥 2 − 2𝑥 − 3 = 0
→ 𝑥 = 3 ∨ 𝑥 = −1
→ Entonces x=3 y x=-1 son puntos fijos de la función √2𝑥 + 3
Ecuaciones lineales – Método del punto fijo
1.2.1. Convergencia del método del punto fijo
Sea g una función continua en un intervalo I [a, b] donde se cumpla el TVI, tal que g(a)>a y
g(b)<b y sea r un punto fijo en [a,b]
Si 𝑆𝑖 ∀ 𝑥 ∈ [𝑎, 𝑏] [𝑔′(𝑥)] < 1 , entonces la sucesión 𝑥𝑖+1 = 𝑔(𝑥𝑖 ), i=0, 1, 2,3,…
Converge al único punto fijo, siendo [𝑔′(𝑥)], el factor de convergencia.
Demostración
Aplicando el teorema de valor medio para la función g(x), dentro del intervalo I, donde se
cumpla del TVI y sabiendo que esta debe interceptar con la función x, es decir cuando g(x)=x. Al
ser el punto fijo de g(x), sabemos que esta es la raíz. Tenemos que:
𝑔(𝑥𝑖 ) − 𝑔(𝑟)
𝑔′ (𝑧) =
𝑥𝑖 − 𝑟
9
Pueden observar la similitud del teorema con la definición de la función Lipschitz ( donde la L viene ser g’ (z))
Sabemos que g(x) es la función iterativa, es

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

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

r xi la iteración i y i+1: 𝐸𝑖+1 =
𝑔′ (𝑧) ∗ 𝐸𝑖
Al Tener esto: 𝐸𝑖+1 = 𝑔′ (𝑧) ∗ 𝐸𝑖 y como deseamos que el método converja, es decir que el
error i+1, sea menor al error i. En otras palabras, deseamos que el error vaya disminuyendo
conforme iteramos.
Entonces se observa que g’(z) es el factor de convergencia y debe ser acotado por una
constante al menos una constante menor a uno, donde z es un valor en el intervalo I
∀ 𝑥 ∈ [𝑎, 𝑏] |𝑔′ (𝑥)| < 1 Esta es la condición de convergencia y a su vez un criterio para elegir una g(x)
apropiada.
1.3.1. Pasos para el método del punto fijo
1. Elije valores superior b, e inferior a, para el intervalo que cumpla el TVI ( A veces directamente te dan el
intervalo a,b) de la función f(x)=0
2. Dada la función f(x)=0, convertirla en la forma x=g(x)
Ósea en términos sencillos, despejar una x de la ecuación original, lo que queda al otro lado del
despeje se llama g(x)
3. Verificar 𝑆𝑖 ∀ 𝑥 ∈ [𝑎, 𝑏] |𝑔′ (𝑥)| < 1 ¿Cómo hago esto?

Pues básicamente sería:
|𝑔′ (𝑎)| < 1 𝑦 |𝑔′ (𝑏)| < 1
¡Si se cumple esto, excelente! Comienzo a iterar, caso contrario, debo despejar otra x y volver a verificar
este paso
4. Elegir un valor inicial 𝑋0 para comenzar, bien puede ser a o b Ecuaciones lineales – Método del punto fijo
5. Iterar de la forma 𝑋𝑖 = 𝑔(𝑋𝑖−1 ); 𝑖 = 1,2,3,4,5 …

6. No vamos a iterar hasta el infinito, se itera hasta que |𝑥𝑖 − 𝑥𝑖−1 | < ℰ. Donde ℰ es la tolerancia
Una manera sencilla para saber hasta dónde iterar es que si tenemos una tolerancia 𝜀 = 10−𝑛 entonces
iteraremos hasta que los primeros n decimales de las dos últimas iteraciones se repitan entre si!
10
Ejemplo 1.03
Halle una de las raíces de la siguiente función 𝒇(𝒙) = −𝟐𝒙 + 𝒍𝒏(𝒙) + 𝟏𝟓 𝒄𝒐𝒏 𝜺 = 𝟏𝟎−𝟑
Evaluando f(1)=12.895310 > 0, f(2)= 11.69314718 >0 f(8)>0 f(10)<0 f(9)<0
Sabemos que la raíz se encuentra entre 8 y 9, ahora toca arreglar la ecuación de la forma x=g(x)
ln(𝑥)+15 ln(𝑥)+15
La manera más sencilla puede ser 𝑥 = tenemos que nuestra 𝑔(𝑥) 𝑒𝑠
2 2
1 1
Verificando el paso 3, hallamos que 𝑔′ (𝑥) = ∗ y esta función en [8,9] es menor a uno, así
2 𝑥
que el método convergerá y es una g(x) adecuada. Comenzamos a iterar con X 0 =8
ln(8) + 15
𝑥1 = = 8.5397
2
ln(8.5397) + 15
𝑥2 = = 8.5724
2
ln(8.5724) + 15
𝑥3 = = 8.5743
2
ln(8.5743) + 15
𝑥4 = = 8.5744
2
Ya hasta aquí no cambian los 3 primeros decimales, es decir hemos alcanzado la aproximación
de la raíz con la tolerancia deseada, la cual es: 8.574 En general el método es de convergencia
lenta, en este caso se obtuvo rápido porque estábamos muy cerca de la raíz al empezar.
¿Y si elegimos otra g(x)? Podría ser, con tal que cumpla los criterios de convergencia. Si en vez
de despejar x a la función original sumamos x a los dos lados y obtenemos:
𝑥 = −𝑥 + ln(𝑥) + 15, la cual, si cumple con los criterios, pero lasEcuaciones lineales
iteraciones – Método
se hacen del punto fijo
más
extensas. ¡Compruébala si cumple los criterios!
1.4. Método de Newton
Este es un método particular de punto fijo, y es una de las técnicas más conocidas y poderosas para
la búsqueda de raíces. Hay varios métodos de introducirlo. La que se explicará es la que se basa en
los polinomios de Taylor
Suponiendo que 𝑓 ∈ 𝐶 2 𝑒𝑛 [𝑎, 𝑏].Suponga que se desea resolver la ecuación 𝑓(𝑥 ∗ ) = 0 donde 𝑥 ∗ ∈
[𝑎, 𝑏]
Usando el polinomio de Taylor alrededor de una enésima aproximación, es decir: 𝑥𝑛

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

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

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

en el punto 𝑥𝑖 sería:
𝑓(𝑥𝑖 ) − 0
𝑓′(𝑥𝑖 ) =
𝑥𝑖 − 𝑥𝑖+1
Lo cual reordenando obtenemos:
𝑓(𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 −
𝑓′(𝑥𝑖 )
Pero hay una limitante, ya que si la

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

similar al gráfico, debe cumplir este
teorema (en general, el método es muy
Figura 1.4.1 útil, así que te recomiendo que uses el
método, sin verificar el teorema)
Th! Sea 𝑓 ∈ 𝐶 2 𝑒𝑛 𝐼 [𝑎, 𝑏] , donde f(a)<0 y f(b)>0 y por ende existe una raíz en I. Suponiendo que 𝑓 ′ (𝑥) ≠
0 en I. El método iterativo converge sí:
𝑎) 𝑓(𝑥) > 0
𝑏) 𝑓′(𝑥) > 0 𝑥 ∈ (𝑟, 𝑏]

𝑐) 𝑓′′(𝑥) > 0
Como recomendación entonces se debe elegir el valor inicial cerca del extremo el intervalo I, donde f>0, en
este caso b
12
Ejemplo 1.05
El precio de demanda de un producto está modelado mediante la ecuación: 𝑦 = 10𝑒 −𝑥 + 4 y el precio de la

oferta stá modelado mediante la ecuación 𝑦 = 10𝑥 2 + 2, utilizando el método de Newton, plantee la
ecuación y encuentre un intervalo de convergencia y luego encuentre el punto de equilibrio entre el precio y
demanda con 𝜀 = 10−4
La ecuación sería igualando las otras dos: 10𝑒 −𝑥 + 4 = 10𝑥 2 + 2
𝑓(𝑥) = 10𝑒 −𝑥 + 4 − 10𝑥 2 − 2 = 0, simplificando un poco tenemos: 𝑓(𝑥) = 5𝑒 −𝑥 − 5𝑥 2 + 1 = 0
: 𝑓(0) = 6 𝑓(1) = −2.160607 elegimos [0,1]
Para hallar el intervalo de convergencia tenemos que verificar el teorema 1.
𝑓 ′ (𝑥) = −5𝑒 −𝑥 − 10𝑥
𝑓 ′ ′(𝑥) = 5𝑒 −𝑥 − 10
Vemos que
𝑎) 𝑓(𝑥) < 0
𝑏) 𝑓′(𝑥) < 0
𝑐) 𝑓′′(𝑥) < 0
Entonces si alteramos la función con un signo menos: 𝑓(𝑥) = −(5𝑒 −𝑥 − 5𝑥 2 + 1) Ecuaciones lineales – Método de Newton
Entonces obtenemos que
𝑎) 𝑓(𝑥) > 0
𝑏) 𝑓′(𝑥) > 0
𝑥 ∈ (𝑟, 1]
𝑐) 𝑓′′(𝑥) > 0
Nuestro intervalo de convergencia es 𝑥 ∈ (𝑟, 1]
• Comenzamos a iterar, haciendo primero la fórmula de Newton con 𝑓(𝑥) = −5𝑒 −𝑥 + 5𝑥 2 − 1

(−5𝑒 −𝑥𝑖 +5𝑥𝑖 2 −1)
• 𝑥𝑖+1 = 𝑥𝑖 − , tomamos 𝑥0 = 1
5𝑒 −𝑥𝑖 +10x𝑖
(−5𝑒 −1 +5(1)2 −1)
→ 𝑥1 = 1 − =0.81751
5𝑒 −1 +10(1)
→ 𝑥2 = 𝑔(0.81751) = 0.80461
→ 𝑥3 = 𝑔(0.80461) = 0.80454
→ 𝑥4 = 𝑔(0.80454) = 0.80454
Ya no cambian los 4 últimos decimales, la respuesta es: 0.8045
13
2. Sistemas lineales y no lineales de Ecuaciones
2.1. Sistemas lineales
Sea 𝐴𝑋 = 𝐵 es la representación matricial de un sistema lineal de n ecuaciones con n incógnitas
Ejemplo.
3𝑥 − 𝑦 + 𝑧 = −4
{2𝑥 − 7𝑦 + 4𝑧 = 1
𝑥 − 2𝑦 + 5𝑧 = 11
Observamos que en la forma AX=B, sería
3 −1 1 𝑥 −4
(2 −7 4) ∗ ( 𝑦 ) = ( 1 )
1 −2 5 𝑧 11
En un sistema de ecuaciones lineales la solución podría ser única, inconsistente o puede haber infinitas
soluciones. Suponiendo también que el sistema lineal anterior no es homogéneo y que n es muy grande.
→ Entonces necesitamos métodos que nos permitan minimizar el número de operaciones aritméticas
para resolver el sistema
Los métodos directos como Gauss, Gauss-Jordán, requieren de mucho esfuerzo y son ineficientes para
un número relativamente grande de incógnitas.
Por eso se introducirá métodos iterativos como anteriormente lo hemos hecho, solo que esta vez para
sistemas y no solo una ecuación
Teoría previa
Sea V un espacio vectorial, una norma en V es una función que asigna a cualquier vector del espacio
vectorial V un único número real denotado por ‖𝑉‖ ∈ ℝ, de la forma:
𝑥1
𝑥2
V= 𝑥3
⋮
𝑥
( 𝑛)
Sea A una matriz que pertenece a las matrices mxn, de la forma
𝑎11 𝑎12 𝑎13 … 𝑎1𝑚

𝑎21 𝑎22 𝑎23 ⋯ 𝑎2𝑚
A= 𝑎31 𝑎32 𝑎33 ⋯ 𝑎3𝑚
⋮ ⋮ ⋮ ⋱ ⋮
𝑎𝑛1 𝑎𝑛2 𝑎𝑛3 ⋯ 𝑎𝑛𝑚 )
(
14
2.2. Definiciones previas
Antes de entrar de lleno a los sistemas de ecuaciones lineales, debemos recordar ( o aprender), ciertas
definiciones importantes, que serán fundamentales al momento de establecer convergencia para estos
métodos.
→ Norma infinito (norma fila)

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

Es el valor máximo de la suma total de los valores absolutos de los elementos de cada columna. Si
se trata de un vector, sería la suma absoluta de todos sus elementos, ya que su única columna es el
vector mismo.
• Vectores
‖𝑉‖1 = ∑𝑛𝑖=1|𝑥𝑖 |= (|𝑥1 | + |𝑥2 | + |𝑥2 | + |𝑥3 |, + ⋯ + |𝑥𝑛 | )
Ejemplo
−2
‖(3 − 4𝑖 )‖ = |−2| + |3 − 4𝑖| + |1 + 𝑖| = 2 + 5 + √2 = 7 + √2
1+𝑖 ∞
• Matrices
‖𝐴‖∞ = 𝑚𝑎𝑥1≤𝑗≤𝑛 (∑𝑛𝑖=1|𝑎𝑖𝑗 |)
15
Ejemplo
• j=1: |−5| + |3| + |6|=14
−5 2 1
‖( 3 8 4)‖ =
• j=2 |2| + |8| + |−6|=16 El valor máximo sería 16
6 −6 7 ∞ • j=3 |1| + |4| + |7|=12
Radio espectral
Sea 𝐴 ∈ 𝑀𝑚𝑥𝑛 . Sean 𝜆1 , 𝜆2 , 𝜆3 , … 𝜆𝑛 los n valores propios de 𝐴. Se define al radio espectral de 𝐴, denotado
con
𝜌(𝐴) = 𝑚𝑎𝑥1≤𝑖≤𝑛 |𝜆𝑖 |. Es decir, el radio espectral es el máximo valor absoluto de los valores propios de la
matriz.
Matriz estrictamente diagonal dominante
Una matriz A es estrictamente diagonal dominante, si sus elementos en la diagonal son mayores a la de la
suma absoluta de los elementos de su misma fila. Ejemplo
𝟖 1 −4 8 > |1| + |−4|

(2 𝟕 3 ), observando esta matriz, nos percatamos que { 7 > |2| + |3| , entonces esta matriz es
5 1 𝟗 9 > |5| + |1|
estrictamente diagonal dominante.
16
2.2.1. Métodos iterativos para sistemas de ecuaciones lineales
Similar a lo que vimos para una sola ecuación, presentaremos métodos iterativos de la siguiente
forma:
𝑋 = 𝐺(𝑋), donde la G(X) dependerá de del tipo de método que a continuación presentaremos.
La G(x) en general presenta la siguiente forma: 𝐺(𝑋) = 𝑇𝑋 + 𝐶 , donde a T se le denomina matriz

de transición.
→ Antes de eso, se presentará formas de dividir una matriz A cualquiera en la suma de tres matrices,
dos matrices triangulares y una diagonal
𝐴 = (𝐿 + 𝐷 + 𝑅) (Left – Diagonal – Right)
𝑒𝑗𝑒𝑚𝑝𝑙𝑜
11 5 6 0 0 0 11 0 0 0 5 6
𝐴=(7 4 10)= (7 0 0) + ( 0 4 0) + ( 0 0 10)
3 2 7 3 2 0 0 0 7 0 0 0
L + D + RR
2.2.1.1. 𝐌𝐞𝐭𝐨𝐝𝐨 𝐆𝐚𝐮𝐬𝐬 − 𝐒𝐞𝐢𝐝𝐞𝐥
Partiendo de la forma inicial de un sistema lineal de ecuaciones y luego se procede a manipular

un poco.
→ 𝐴𝑋 = 𝐵
→ (𝐿 + 𝐷 + 𝑅)𝑋 = 𝐵
→ [(𝐿 + 𝐷) + 𝑅]𝑋 = 𝐵
→ (𝐿 + 𝐷)𝑋 + 𝑅𝑋 = 𝐵
→ (𝐿 + 𝐷)𝑋 = 𝐵 − 𝑅𝑋
→ 𝑋 = (𝐿 + 𝐷)−1 (𝐵 − 𝑅𝑋) Suponiendo que L+D es invertible
→ 𝑋 = (𝐿 + 𝐷)−1 𝐵 − (𝐿 + 𝐷)−1 𝑅𝑋
→ 𝑋 = − (𝐿 + 𝐷)−1 𝑅𝑋 + (𝐿 + 𝐷)−1 𝐵
Finalmente, esta es la fórmula iterativa de la forma 𝑋 = 𝑇𝑋 + 𝐶 , recordando que L, D, R,

son matrices y las “X” son vectores
→ 𝑿𝒏+𝟏 = [− (𝐿 + 𝐷)−1 𝑅]𝑿𝒏 + (𝐿 + 𝐷)−1 𝐵 Fórmula iterativa del Método

Gauss-Seidel
Donde por observación, la matriz de Transición es:𝑇𝐺𝑆 = [− (𝐿 + 𝐷)−1 𝑅] y la 𝐶 =

(𝐿 + 𝐷)−1 𝐵
Ejemplo. Comenzamos con un sistema sencillo de 3 ecuaciones y 3 incógnitas
17
3𝑥 − 𝑦 + 𝑧 = −4
{2𝑥 − 7𝑦 + 4𝑧 = 1
𝑥 − 2𝑦 + 5𝑧 = 11
Observamos que en la forma AX=B, sería

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

𝐿 + 𝐷 = (2 −7 0), (𝐿 + 𝐷)−1 = ( 2/21 −1/7 0 ), − (𝐿 + 𝐷)−1 𝑅 = (0 2/21 10/21)
1 −2 5 −1/35 −2/35 1/5 0 −1/35 9/35
0 1/3 −1/3
𝑇𝐺𝑆 = (0 2/21 10/21)
0 −1/35 9/35
1/3 0 0 −4 −4/3
𝐶 = (𝐿 + 𝐷)−1 𝐵 = ( 2/21 −1/7 0 ) ∗ ( 1 ) = (−11/21)
−1/35 −2/35 1/5 11 79/35
0
Por ser prácticos, elegimos el vector nulo como vector inicial 𝑋0 = (0), y comenzamos a iterar
0
4
−
0 1/3 −1/3 0 3 −1.333333
11
→ 𝑿𝟏 = ( 0 2/21 10/21 ) ∗ (0) + −
21
= (−0.523809)
0 −1/35 9/35 0 79 2.257143
( 35 )
4
−
0 1/3 −1/3 −1.333333 3 −2.260317
11
→ 𝑿𝟐 = (0 2/21 10/21) ∗ (−0.523809) + − 21 = ( 0.501134 )
0 −1/35 9/35 2.257143 79 2.852517
( 35 )
4
−
0 1/3 −1/3 −2.260317 3 −2.117128
11
→ 𝑿𝟑 = (0 2/21 10/21) ∗ ( 0.501134 ) + − 21 = ( 0.882259 )
0 −1/35 9/35 2.852517 79 2.976329
( 35 )
4
−
0 1/3 −1/3 −2.117128 3 −2.031357
11
→ 𝑿𝟒 = (0 2/21 10/21) ∗ ( 0.882259 ) + − 21 = ( 0.977515 )
0 −1/35 9/35 2.976329 79 2.997277
( 35 )
4
−
0 1/3 −1/3 −2.031357 3 −2.006588
11
→ 𝑿𝟒 = (0 2/21 10/21) ∗ ( 0.977515 ) + − 21 = ( 0.996562 )
0 −1/35 9/35 2.997277 79 2.999942
( 35 )
• Podemos observar que las respuestas comienzan a converger al vector -2,1,3 el cual es la solución exacta de
nuestro problema
18
2.2.1.2. Método de Jacobi
De la misma forma que el anterior se parte de la forma inicial de un sistema lineal de

ecuaciones y luego se procede a manipular un poco.
→ 𝐴𝑋 = 𝐵
→ (𝐿 + 𝐷 + 𝑅)𝑋 = 𝐵
→ [𝐷 + (𝐿 + 𝑅)]𝑋 = 𝐵
→ [𝐷𝑋 + (𝐿 + 𝑅)𝑋] = 𝐵
→ 𝐷𝑋 = −(𝐿 + 𝑅)𝑋 + 𝐵 Ahora suponiendo que D es invertible
→ 𝑋 = −𝐷 −1 (𝐿 + 𝑅)𝑋 + 𝐵𝐷 −1
Finalmente, esta es la fórmula iterativa de la forma 𝑋 = 𝑇𝑋 + 𝐶 ,
𝑿𝒏+𝟏 = −𝐷 −1 (𝐿 + 𝑅)𝑿𝒏 + 𝐷 −1 𝐵 Fórmula iterativa del Método

Jacobi
Donde por observación, la matriz de Transición es:𝑇𝐽 = −𝐷 −1 (𝐿 + 𝑅) y la 𝐶 = 𝐵𝐷 −1
2.2.2. Convergencia de los métodos iterativos para sistemas de ecuaciones lineales
Existen dos teoremas que nos pueden ayudar para definir la convergencia de sistemas de
ecuaciones lineales:
Teorema 1. En un método iterativo de la forma 𝑋 = 𝑇𝑋 + 𝐶, si ocurre que las normas de las T son menor a
uno, entonces el método convergerá:
𝑆𝑖 ‖𝑇𝐺𝑆 ‖ < 1 𝑜 ‖𝑇𝐽 ‖ < 1 , 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑒𝑙 𝑚é𝑡𝑜𝑑𝑜 𝑐𝑜𝑛𝑣𝑒𝑟𝑔𝑒
Corolario 1 En un método iterativo de la forma 𝑋 = 𝑇𝑋 + 𝐶, si la matriz de coeficientes A, es

estrictamente diagonal dominante entonces ocurre que:
‖𝑇𝐺𝑆 ‖ < ‖𝑇𝐽 ‖ < 1
Como las normas de la matriz de transición es menor a uno, es suficiente para que converja el
método a la solución.
Entonces en pocas palabras, si la matriz de coeficientes A es diagonal dominante, entonces el

método numérico será convergente!
Ambas son condiciones suficientes, pero no necesarias para la convergencia.
19
Teorema 1 Los métodos iterativos para resolver sistemas lineales de ecuaciones que tienen la forma
𝑋 = 𝑇𝑋 + 𝐶, convergen a la solución, si y solo si, el radio espectral de la matriz de transición es menor a uno
(𝜌(𝑇) < 1)
Entonces que 𝜌(𝑇) < 1 es una condición necesaria y suficiente para la convergencia a la solución!!!
¡Si no ocurre que 𝜌(𝑇) < 1 ,nunca en la vida va a converger!
2.2.3. Análisis del error en los métodos iterativo para sistemas de ecuaciones lineales
Estimación del error

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

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

✓ Cuando el número de condición es relativamente alto, podríamos concluir que el sistema está mal
condicionado, es decir no es confiable ni podríamos concluir cosas con él
Perturbación en la matriz de coeficientes
20
Del sistema lineal 𝐴𝑋 = 𝐵, donde 𝑋 es la solución exacta del sistema. Suponga que por errores de tipeo o de
alguna clase de medición, no se propone A para resolver el sistema sino una parecida 𝐴̃. Entonces 𝐴̃𝑋 = 𝐵
no se satisfacerla, para que resulte se tendría que proponer otra solución para así satisfacer la igualdad con
B. Sería 𝐴̃𝑋̃ = 𝐵.
Entonces ante un cambio de la matriz A de coeficientes, ¿Qué tanto cambia la solución X?
→ 𝐴𝑋 = 𝐵
→ 𝑋 = 𝐵 ∗ 𝐴−1
→ 𝑋 = (𝐴̃𝑋̃) ∗ 𝐴−1
→ 𝑋 = (𝐴̃) ∗ 𝑋̃ ∗ 𝐴−1
→ 𝑋 = (𝐴̃ + 𝐴 − 𝐴) ∗ 𝑋̃ ∗ 𝐴−1 = [(𝐴) ∗ 𝐴−1 + (𝐴̃ − 𝐴) ∗ 𝐴−1 ] ∗ 𝑋̃
→ 𝑋 = [𝐼 + (𝐴̃ − 𝐴)𝐴−1 ] ∗ 𝑋̃
→ 𝑋 = 𝑋̃ + (𝐴̃ − 𝐴)𝐴−1 ∗ 𝑋̃
→ 𝑋 − 𝑋̃ = (𝐴̃ − 𝐴)𝐴−1 ∗ 𝑋̃ , ahora si aplicamos la norma a ambos lados de la ecuación
tenemos
→ ‖𝑋 − 𝑋̃‖ = ‖(𝐴̃ − 𝐴) ∗ 𝐴−1 ∗ 𝑋̃‖ ≤ ‖𝐴̃ − 𝐴‖ ∗ ‖𝐴−1 ‖ ∗ ‖𝑋̃‖, obtenemos que
→ ‖𝑋 − 𝑋̃‖ ≤ ‖𝐴̃ − 𝐴‖ ∗ ‖𝐴−1 ‖ ∗ ‖𝑋̃‖, luego multiplicando y dividiendo la norma de A,
tenemos
‖𝐴‖
→ ‖𝑋 − 𝑋̃‖ ≤ ‖𝐴̃ − 𝐴‖ ∗ ‖𝐴−1 ‖ ∗ ‖𝑋̃ ‖, ordenando todo tenemos
‖𝐴‖
‖𝑋−𝑋̃ ‖ ‖𝐴̃−𝐴‖
→ ‖𝑋̃‖
≤ ‖𝐴‖ ∗ ‖𝐴−1 ‖ ‖𝐴‖
→ 𝐸𝑟 (𝑥) ≤ 𝑐𝑜𝑛𝑑(𝐴) ∗ 𝐸𝑟 (𝐴)
‖𝑋−𝑋̃‖ ‖𝐴̃−𝐴‖
‖𝑋̃‖
≤ 𝑐𝑜𝑛𝑑(𝐴) ‖𝐴‖
= 𝐸𝑟 (𝑥) ≤ 𝑐𝑜𝑛𝑑(𝐴) ∗ 𝐸𝑟 (𝐴) Cota para el error relativo de la solución
2.3. Sistemas no lineales de ecuaciones
Dado un sistema no lineal de n ecuaciones con n incógnitas de la forma

𝑓1 (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) = 0
𝑓2 (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) = 0
𝑓3 (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) = 0
⋮
{𝑓𝑛 (𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ) = 0
Donde también lo podemos representar como dos vectores de esta manera 𝐹(𝑋𝑛 ) = 𝟎
𝐹(𝑋𝑛 ) es el vector de funciones y 0 es el cero vector de grado n
21
• Para que el sistema sea no lineal, al menos una ecuación debe ser no lineal, donde hay n
funciones de n variables independientes.
▪ Se necesita recordar como hallar la matriz jacobiana:
La matriz jacobiana de 𝐹(𝑋𝑛 ), denotada como 𝐽𝐹 (𝑋𝑛 ) es de la forma:
𝛿𝑓1 𝛿𝑓1
…
𝛿𝑥1 𝛿𝑥𝑛
𝐽𝐹 (𝑋𝑛 ) = ⋮ ⋱ ⋮
𝛿𝑓𝑛 𝛿𝑓𝑛
…
(𝛿𝑥1 𝛿𝑥𝑛 )
Se trata de derivar parcialmente cada función, respecto a cada variable. Luego veremos ejemplos de aquello
2.3.1. Método iterativo de Newton para sistemas de ecuaciones no lineales
Es muy parecido (por no decir la misma) a la forma del método de newton para una sola
ecuación
Para una ecuación era:
𝑓(𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 −
𝑓′(𝑥𝑛 )
Ahora para su homóloga para sistemas de ecuaciones no lineales es:
𝑋𝑛+1 = 𝑋𝑛 − [𝐹(𝑋𝑛 )] ∗ [𝐹′(𝑋𝑛 )−1 ]
Donde 𝐹(𝑋𝑛 ) es el vector de funciones y 𝐹′(𝑋𝑛 )−1 es la inversa del jacobiano de 𝐹(𝑋𝑛 ):
𝑿𝒏+𝟏 = 𝑿𝒏 − [𝑭(𝑿𝒏 )] ∗ [𝑱𝑭 (𝑿𝒏 )−𝟏 ] Método iterativo de Newton para sistemas no lineales
• Ejemplo. Considere el sistema no lineal
5𝑥 2 − 𝑦 2 + 3𝑥 = 0
{
4𝑦 − 𝑠𝑒𝑛(𝑥) − cos(𝑦) = 0
5𝑥2 − 𝑦2 + 3𝑥
Tenemos que 𝐹(𝑋𝑛 )= 𝐹(𝑥, 𝑦) = ( )
4𝑦 − 𝑠𝑒𝑛(𝑥) − cos(𝑦)
Y su matriz jacobiana es:
10𝑥 + 3 −2𝑦
𝐽𝐹 (𝑥, 𝑦) = ( )
−cos(𝑥) 4 + 𝑠𝑒𝑛(𝑦)
Armamos la fórmula iterativa, tomando el vector nulo como vector inicial para iterar
0
𝑋0 = ( )
0
Primero evaluamos la jacobiana para luego así, hallar su inversa
22
3 0 1/3 0
𝐽𝐹 (0,0) = ( ), 𝐽𝐹 (0,0)−1 = ( )
−1 4 1/12 1/4
También evaluamos 𝐹(𝑥, 𝑦), 𝐹(0,0) = (

0)
−1
Armamos la formula iterativa: 𝑿𝒏+𝟏 = 𝑿𝒏 − [𝑭(𝑿𝒏 )] ∗ [𝑱𝑭 (𝑿𝒏 )−𝟏 ]
0 0 1/3 0 1/12
𝑋1 = ( ) − ( ) ∗ ( )= ( )
0 −1 1/12 1/4 1/4
Y así continuamos iterando, suele ser pesado porque tenemos que evaluar dos cosas y sacar
una matriz inversa por cada iteración
1/12 0.222222 ) ∗ ( 3.833333 )= ( −0.794593 )

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

Sea la función continua en un intervalo I
Sea los puntos 𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 , … , 𝑥𝑛 ∈ 𝐼, tal que 𝑥0 < 𝑥1 < 𝑥2 < 𝑥3 < ⋯ < 𝑥𝑛 (relación de
orden).
Suponga que no se conoce la regla de correspondencia, pero se conoce las respectivas
imágenes de los puntos, es decir:
𝑓(𝑥0 ) = 𝑦0 , 𝑓(𝑥1 ) = 𝑦0 , 𝑓(𝑥0 ) = 𝑦2 , ,… 𝑓(𝑥𝑛 ) = 𝑦𝑛 ,
Es decir, conocemos n+1, puntos de un plano donde pasa la gráfica de f
Debemos construir una función polinomial por tramos, de cierto grado que pase por los mismos puntos y
aproxime los otros puntos restantes en el intervalo I.
3.1. Unicidad del polinomio de interpolación
Suponga que existen dos polinomios diferentes de interpolación p(x) y q(x), para una misma función en un
intervalo I. Es decir ∀𝑖 𝑝(𝑥𝑖 ) = 𝑦𝑖 y ∀𝑖 𝑞(𝑥𝑖 ) = 𝑦𝑖 , pero 𝑝(𝑥) ≠ 𝑞(𝑥).
Contrayendo otro polinomio definido como ℎ(𝑥) = 𝑝(𝑥) − 𝑞(𝑥), de grado n (ya que p y q son de grado n)
Si lo evaluamos para cualquier valor 𝑥𝑖 , tenemos
→ ℎ(𝑥𝑖 ) = 𝑝(𝑥𝑖 ) − 𝑞(𝑥𝑖 )
23
→ ℎ(𝑥) = 𝑦𝑖 − 𝑦𝑖 = 0, y esto ocurre para toda i ( de 0 hasta n)

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

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

Donde 𝐿𝑖 (𝑥) = (𝑥
𝑖 −𝑥0 )(𝑥𝑖 −𝑥1 )(𝑥𝑖 −𝑥2 )…(𝑥𝑖 −𝑥𝑖−1 )(𝑥𝑖 −𝑥𝑖+1 )…(𝑥𝑖 −𝑥𝑛 )
𝑛
(𝑥 − 𝑥𝑘 )
𝐿𝑖 (𝑥) = ∏
(𝑥𝑖 − 𝑥𝑘 )
𝑘=0
𝑘≠𝑖
𝑛 𝑛
(𝑥 − 𝑥𝑘 )
𝑝𝐿 (𝑥) = ∑ 𝑦𝑖 𝐿𝑖 (𝑥) 𝑑𝑜𝑛𝑑𝑒 𝐿𝑖 (𝑥) = ∏ 𝑖 = 0, 1, 2, 3, … 𝑛 Polinomio de Interpolación de lagrange
(𝑥𝑖 − 𝑥𝑘 )
𝑖=0 𝑘=0
𝑘≠𝑖
El grado del polinomio de lagrange es de grado n.
o El procedimiento para cualquier ejercicio es el mismo, así que es simplemente mecánico.
Ejemplo (3.0, 1), (6.0, 4), (10, 9), (13, 2)
𝑖 𝑥𝑖 𝑦𝑖
0 3 1
1 6 4
24
2 10 9
3 13 2
Comenzamos a armar las Li. Percatándonos de la definición, observamos en el numerador que la X k son
todas menos la i en ese instante. Y abajo se resta esa Xi menos todas las Xk
(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) (𝑥 − 6)(𝑥 − 10)(𝑥 − 13) 1 3 29 2 134 26

𝐿0 (𝑥) = = =− 𝑥 + 𝑥 − 𝑥+
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 ) (3 − 6)(3 − 10)(3 − 13) 210 210 105 7
(𝑥 − 𝑥0 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 ) (𝑥 − 3)(𝑥 − 10)(𝑥 − 13) 1 3 13 2 199 65
𝐿1 (𝑥) = = = 𝑥 − 𝑥 + 𝑥−
(𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 ) (6 − 3)(6 − 10)(6 − 13) 84 42 84 14
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥3 ) (𝑥 − 3)(𝑥 − 6)(𝑥 − 13) 1 11 2 45 39
𝐿2 (𝑥) = = = − 𝑥3 + 𝑥 − 𝑥+
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 ) (10 − 3)(10 − 6)(10 − 13) 84 42 28 14
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) (𝑥 − 3)(𝑥 − 6)(𝑥 − 10) 1 3 19 2 18 6
𝐿3 (𝑥) = = = 𝑥 − 𝑥 + 𝑥−
(𝑥3 − 𝑥0 )(𝑥3 − 𝑥1 )(𝑥3 − 𝑥2 ) (13 − 3)(13 − 6)(13 − 10) 210 210 35 7
Ya hecho esto se debe reemplazar las L en la definición del polinomio de lagrange
𝑝𝐿 (𝑥) = 1𝐿𝑜 (𝑥) + 4𝐿1 (𝑥) + 9𝐿2 (𝑥) + 2𝐿3 (𝑥)
Reemplazando y simplificando, finalmente obtenemos:
23 3 113 2 733 17
𝑝𝐿 (𝑥) = − 𝑥 + 𝑥 − 𝑥+
420 105 140 2
Tenemos ya el polinomio lagrangiano que interpola los puntos. Como observación se graficará el polinomio
usando Matlab y los puntos de la tabla
>> x=[ 3 6 10 13];

>> y=[ 1 4 9 2];
>> p=@(x) -(23/420).*x.^3 +(113/105).*x.^2 -(733/140).*x +17/2;
>> plot(x,y,'o'),hold on, grid on, ezplot(p,[2,15]);
Como se ve, el polinomio pasa exactamente por los puntos
25
3.2.2. Polinomio bivariable de Lagrange (Interpolación múltiple)
Sea 𝑧 = 𝑓(𝑥, 𝑦) una función continua, en una región del plano ‘’xy’’. Suponga que no se conoce la regla de
correspondencia de f, sin embargo conocemos que:
𝑧𝑖𝑗 = 𝑓(𝑥𝑖 , 𝑦𝑗 ), para i=0, 1, 2…, n y j=0, 1, 2,…, m. Es decir conocemos una tabla bivariada de datos
𝒙/𝒚 𝒚𝟎 𝒚𝟏 𝒚𝟐 ⋯ 𝒚𝒎
𝒙𝟎 𝑧00 𝑧01 𝑧02 ⋯ 𝑧0𝑚
𝒙𝟎 𝑧10 𝑧11 𝑧12 ⋯ 𝑧1𝑚
𝒙𝟐 𝑧20 𝑧21 𝑧22 ⋯ 𝑧2𝑚
⋮ ⋮ ⋮ ⋮ ⋱ ⋮
𝒙𝒏 𝑧𝑛0 𝑧𝑛1 𝑧𝑛2 ⋯ 𝑧𝑛𝑚
Se define al polinomio bivariado de lagrange
𝑛 𝑚
𝑛 𝑚
𝑝𝐿 (𝑥, 𝑦) = ∑ ∑ 𝑍𝑖𝑗 𝐿𝑋𝑖 (𝑥)𝐿𝑗 (𝑦)
𝑦 (𝑥 − 𝑥𝑘 ) (𝑦 − 𝑦𝑘 )
𝐿𝑥𝑖 (𝑥) = ∏ 𝑦
𝐿𝑗 (𝑦) =∏
𝑖=0 𝑗=0 (𝑥𝑖 − 𝑥𝑘 ) (𝑦𝑖 − 𝑦𝑘 )
𝑘=0 𝑘=0
𝑘≠𝑖 𝑘≠𝑖
Polinomio bivariado de Lagrange
o El procedimiento es bastante tedioso, así que deben prestar bastante atención al siguiente ejemplo
Ejemplo. Dada la tabla de datos, aproxime f (30,810)
𝑥/𝑦 760 780 800 820

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

𝑛 𝑚
𝑦
𝑝𝐿 (𝑥, 𝑦) = ∑ 𝐿𝑖 (𝑥) ∑ 𝑍𝑖𝑗 •𝐿𝑗 (𝑦)
𝑋
𝑖=0 𝑗=0
26
𝑦
Armamos primero la sumatoria que está más adentro. Primero hallamos las 𝐿𝑗 (𝑦), como lo hicimos en el
𝑦
anterior polinomio simple de lagrange con las ‘y’, y de una vez con la aproximación es decir 𝐿𝑗 (810),
𝑦 (810 − 780)(810 − 800)(810 − 820) 1

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

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

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

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

𝐿𝑥0 (30) = =
(20 − 40)(20 − 60) 8
(30 − 20)(30 − 60) 3
𝐿𝑥1 (30) = =
(40 − 20)(40 − 60) 4
(30 − 20)(30 − 40) 1
𝐿𝑥2 (30) = =−
(60 − 20)(60 − 40) 8
Realizando el último “producto punto” queda:
473 3 267 3 595 −1

𝑝𝐿 (30,810) = ( )( )+( )( ) + ( ) ( ) = 31.46875
16 8 8 4 16 8
27
3.3. Diferencias finitas
Este es un concepto que lo utilizaremos inmediatamente y para el resto del curso, lo cual es muy
importante saber.
Supongamos que tenemos n+1 puntos de la forma 𝑦𝑖 = 𝑓(𝑥𝑖 ) con i=0, 1, 2,…, n
Con la variable independiente (x), espaciada regularmente, es decir se debe cumplir que siempre
𝑥𝑖+1 − 𝑥𝑖 = ℎ i=0, 1, 2,…, n-1, la diferencia siempre tiene que ser h, deben estar h-
espaciados
i x f
0 𝑥0 𝑓0
1 𝑥1 𝑓1
2 𝑥2 𝑓2
3 𝑥3 𝑓3
… … …
Las diferencias finitas se definen de la siguiente forma y notación:
∆𝑘 𝑓𝑖 = ∆𝑘−1 𝑓𝑖+1 − ∆𝑘−1 𝑓𝑖 , i=0,1,2,3.. k=1,2,3.. donde tenemos que ∆0 𝑓𝑖 = 𝑓𝑖
Cada diferencia finita se obtiene restando los dos valores anteriores consecutivos de la columna anterior:
i 𝑥𝑖 𝑓𝑖 ∆1 𝑓𝑖 ∆2 𝑓𝑖 ∆3 𝑓𝑖 ∆3 𝑓𝑖
0 𝑥0 𝑓0 ∆1 𝑓0 =𝑓1 − 𝑓0 ∆2 𝑓0 = ∆1 𝑓1 − ∆1 𝑓0 ∆3 𝑓0 = ∆2 𝑓1 − ∆2 𝑓0 …
1 𝑥1 𝑓1 ∆1 𝑓1 =𝑓2 − 𝑓1 ∆2 𝑓1 = ∆1 𝑓2 − ∆1 𝑓1 … …
2 𝑥2 𝑓2 ∆1 𝑓2 =𝑓3 − 𝑓2 ... … …
3 𝑥3 𝑓3 … … … …
… … … …. … … …
Ejemplo Hallar las diferencias finitas de los siguientes datos
(3, 1.5), (4.5, 3), (6.0, 4.80), (7.5, 5.60), (9.0, 8.0)
Para las diferencias finitas se obtienen con la resta de los valores consecutivos en la columna anterior, como
en
∆1 𝑓𝑖 para que se observe. Ya en ∆2 𝑓𝑖 se pone directamente el valor
0 3 1.5 3-1.5=1.5 0.3 -1.3 3.9
1 4.5 3 4.8-3=1.8 -1 2.6
2 6 4.80 5.6-4.8=0.8 1.6
3 7.5 5.60 8-5.6=2.4
4 9 8
28
3.3.1. Relación con las derivadas

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

𝑓(𝑥) = 𝑎0 𝑥 𝑛 + 𝑎1 𝑥 𝑛−1 + 𝑎2 𝑥 𝑛−2 + ⋯ 𝑎𝑛
La derivada enésima es constante 𝑓 𝑛 (𝑥) = 𝑛! 𝑎0 , por lo tanto la enésima diferencia finita
también lo es, y las siguientes se anularán.
En general un polinomio de grado n, tiene n diferencias finitas.
3.3.2. Polinomio de Interpolación de Newton
Considere la tabla de datos: 𝑦𝑖 = 𝑓(𝑥𝑖 ) con i=0, 1, 2,…, n con valores de x, h espaciados. Tenemos que el
polinomio de interpolación de Newton es el siguiente:
𝑛−1
Δ1 𝑓0 Δ2 𝑓0 Δ3 𝑓0 Δ𝑛 𝑓0
𝑝𝑛 (𝑥) = 𝑓0 + (𝑥 − 𝑥0 ) + 2
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 3
(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 ) + ⋯ + ∏(𝑥 − 𝑥𝑖 )
1! ℎ 2! ℎ 3! ℎ 𝑛! ℎ𝑛
𝑖=0
Polinomio de interpolación de Newton
o Se observa que para hacer este polinomio, se necesitan tabular las diferencias finitas
o La única condición para este método es que las x estén h-espaciadas. Es preferible el de newton
que de lagrange por su simplicidad.
o Este polinomio de Newton es de grado n, que pasa por los n+1 puntos por donde pasa la gráfica de
f
Ejemplo. Con los siguientes datos, trazar el polinomio de newton
(1.0, 5), (1.5, 7), (2.0, 10), (2.5, 8), (3, 9.5)
0 1 5 2 1 -6 14.5
1 1.5 7 3 -5 8.5
2 2 10 -2 3.5
3 2.5 8 1.5
4 3 9.5
Las diferencias finitas que se usan para el polinomio de newton Δ1 𝑓0 , Δ2 𝑓0 , Δ3 𝑓0 , Δ4 𝑓0 …. Son las que
están sombreadas en la tabla. Ya tabulada las diferencias, armamos el polinomio con la formula.
ℎ = 0.5
29
2 1 −6
𝑝𝑛 (𝑥) = 5 + (𝑥 − 1) + 2
(𝑥 − 1)(𝑥 − 1.5) + (𝑥 − 1)(𝑥 − 1.5)(𝑥 − 2)
1! 0.5 2! 0.5 3! 0.53
14.5
+ (𝑥 − 1)(𝑥 − 1.5)(𝑥 − 2)(𝑥 − 2.5)
4! 0.54
Simplificando tenemos:
✓ 𝑝𝑛 (𝑥) = 100.5 − 239.083333𝑥 + 209.583333𝑥 2 − 75.666667𝑥 3 + 9.666667𝑥 4
3.3.3. Trazadores cúbicos
Dado el PIP, también existe otra manera de aproximar una función, mediante a trazadores cúbicos, es decir
polinomios de grado 3 a trazos. Como aproxima la función a trazos, estos trazadores cúbicos aproximan de
mejor manera que los polinomios anteriores.
o Hay dos tipos de trazadores cúbicos, trazador libre o natural y trazador fijo o sujeto
o La diferencia entre ellos solo es una condición en los extremos del intervalo [𝑥0 , 𝑥𝑛 ]
▪ Si se trata de un trazador cúbico libre o natural, tenemos que nuestra función a
aproxima, cumple que:
𝑦′′(𝑥0 ) = 0 y que 𝑦′′(𝑥𝑛 ) = 0
▪ Si es un trazador cúbico fijo o sujeto, tenemos que:
𝑦′(𝑥0 ) =∝ y que 𝑦′(𝑥𝑛 ) = 𝛽
Como son condiciones en los extremos de la derivada de la función, estos valores
∝ y 𝛽 representan la pendiente que hay en los extremos de la función.
No se preocupen por las condiciones anteriores, solo deben aprender y
comprender, como es el procedimiento para resolver ambas, el cual se detallará a
continuación
Estableciendo algunas condiciones de continuidad entre los tramos y ciertas demostraciones, obtenemos las
fórmulas para hallar los trazadores, de la cual tenemos que resolver ciertos sistemas de ecuaciones lineales.
Procedimiento
De manera general, se define al i-esimo polinomio como:
𝒑𝒊 (𝒙) = 𝒂𝒊 + 𝒃𝒊 (𝒙 − 𝒙𝒊−𝟏 ) + 𝒄𝒊 (𝒙 − 𝒙𝒊−𝟏 )𝟐 + 𝒅𝒊 (𝒙 − 𝒙𝒊−𝟏 )𝟑
Teniendo tabulado los datos de esta manera:
𝑖 𝑥𝑖 𝑓(𝑥𝑖 )/𝑦𝑖
0 𝑥0 𝑦0
1 𝑥1 𝑦1
2 𝑥2 𝑦3
… … …
n 𝑥𝑛 𝑦𝑛
𝑝1 (𝑥); 𝑥 ∈ [𝑥0 , 𝑥1 )
𝑝2 (𝑥); 𝑥 ∈ [𝑥1 , 𝑥2 )
El trazador cúbico definido por 𝑆(𝑥) = 𝑝3 (𝑥); 𝑥 ∈ [𝑥2 , 𝑥3 ) , 𝑑𝑜𝑛𝑑𝑒 𝑐𝑎𝑑𝑎 𝑝𝑛 (𝑥) 𝑒𝑠 𝑑𝑒 𝑔𝑟𝑎𝑑𝑜 3
…
{𝑝𝑛 (𝑥); 𝑥 ∈ [𝑥𝑛−1 , 𝑥𝑛 )
𝒑𝒏+𝟏 (𝒙); 𝒙 ∈ [𝒙𝒏 , +∞) 𝑷𝒐𝒍𝒊𝒏𝒐𝒎𝒊𝒐 𝒂𝒖𝒙𝒊𝒍𝒊𝒂𝒓
30
Obtendremos n polinomios y se usará uno más de manera auxiliar para calcular los coeficientes c. Ese
polinomio auxiliar luego ya no tiene uso.
Adjuntando a la tabla anterior dos columnas más con m y h, las cuales están definidas por:
𝑦𝑖 −𝑦𝑖−1
𝑚𝑖 = ℎ𝑖 = 𝑥𝑖 − 𝑥𝑖−1 Donde 𝑖 = 1,2,3, … 𝑛
𝑥𝑖 −𝑥𝑖−1
𝒊 𝒙𝒊 𝒇(𝒙𝒊 )/𝒚𝒊 𝒉𝒊 𝒎𝒊
0 𝑥0 𝑦0
1 𝑥1 𝑦1 ℎ1 𝑚1
2 𝑥2 𝑦3 ℎ2 𝑚2
… … … ……….. ………..
n 𝑥𝑛 𝑦𝑛 ℎ𝑛 𝑚𝑛
Luego se calculan los coeficientes, primeros las C, armando un sistema de ecuaciones para las C
ℎ𝑖 𝑪𝒊 + 2(ℎ𝑖 + ℎ𝑖+1 )𝑪𝒊+𝟏 + (ℎ𝑖+1 )𝑪𝒊+𝟐 = 3(𝑚𝑖+1 − 𝑚𝑖 ) 𝑖 = 1,2,3, … 𝑛 − 1
o Para este sistema se debe tener en cuenta si el trazador es libre o fijo. Si es libre, tenemos que:
𝐶 =0
{ 1 Con esto tenemos que resolver un sistema de n-1 incógnitas para las C
𝐶𝑛+1 = 0
o Si es fijo, estas c anteriores, no las conocemos, por ende necesitamos dos ecuaciones más. Usando
el valor ∝ y 𝛽 que nos da el problema de trazador sujeto.
2ℎ1 𝑪𝟏 + ℎ1 𝑪𝟐 = 3(𝑚1 −∝)

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

5.3 − 4.6
ℎ1 = 1.5 − 1.2 = 0.3 𝑚1 = = 2.333333
1.5 − 1.2
31
ℎ2 = 2.4 − 1.5 = 0.9 6 − 5.3
Escuela Superior Politécnica del Litoral 𝑚2 =
2.4 − 1.5
= 0.777777
ℎ3 = 3 − 2.4 = 0.6
4.8 − 6
𝑚3 = = −2
3 − 2.4
ℎ4 = 3.8 − 3 = 0.8
𝑖 𝑥𝑖 𝑦𝑖
0 1.2 4.6
1 1.5 5.3
2 2.4 6.0
3 3.0 4.8
4 3.8 3.1
𝑖 𝑥𝑖 𝑦𝑖 ℎ𝑖 𝑚𝑖
0 1.2 4.6
1 1.5 5.3 0.3 2.333333
2 2.4 6.0 0.9 0.777778
3 3.0 4.8 0.6 -2
4 3.8 3.1 0.8 -2.125
Armamos las C
i=1 0.3𝐶1 + 2(0.3 + 0.9)𝐶2 + 0.9𝐶3 = 3(0.777778 − 2.333333)
i=2 0.9𝐶2 + 2(0.9 + 0.6)𝐶3 + 0.6𝐶4 = 3(−2 − 0.777778)
i=3 0.6𝐶3 + 2(0.6 + 0.8)𝐶4 + 0.8𝐶5 = 3(−2.125 − (−2))
𝐶 =0
Tenemos 5 incógnitas. Al ser un trazador libre o natural tenemos que{ 1 , reemplazando y
𝐶5 = 0
ordenando tenemos:
2.4𝐶2 + 0.9𝐶3 + 0𝐶4 = −4.666665
(0.9𝐶2 + 3𝐶3 + 0.6𝐶4 = −8.333333)
0𝐶2 + 0.6𝐶3 + 2.8𝐶4 = −0.375
𝐶1 = 0
𝐶2 = −0.982056
Resolviendo el sistema lineal, tenemos que { , el resto de coeficiente hallamos
𝐶3 = −2.566362
𝐶4 = 0.4160062
simplemente, remplazando valores
i=1, 2, 3,4
𝑏1 = 2.431536 𝑑1 = −1.091173 𝑎1 = 4.6

𝑏2 = 2.136912 𝑑2 = −0.586781 𝑎2 = 5.3
{ { {
𝑏3 = −1.056656 𝑑3 = 1.656871 𝑎3 = 6
𝑏4 = −2.346869 𝑑4 = −0.173336 𝑎4 = 4.8
El trazador cúbico queda finalmente de la siguiente manera:
32
𝑆(𝑥)
𝑝1 (𝑥); 4.6 + 2.431536(𝑥 − 1.2) − 1.091173(𝑥 − 1.2)3 𝑥 ∈ [1.2, 1.5)
𝑝 (𝑥); 5.3 + 2.136912(𝑥 − 1.5) − 0.982056(𝑥 − 1.5)2 − 0.586781(𝑥 − 1.5)3 𝑥 ∈ [1.5, 2.4)
= 2
𝑝3 (𝑥); 6.0 − 1.056656(𝑥 − 2.4) − 2.566362(𝑥 − 2.4)2 + 1.656871(𝑥 − 2.4)3 𝑥 ∈ [2.4, 3.0)
2 3
{ 𝑝4 (𝑥); 4.8 − 2.346869(𝑥 − 3) + 0.416006(𝑥 − 3) − 0.173336(𝑥 − 3) 𝑥 ∈ [3, 3.8)
El problema nos pedía el valor de x=2.25, y ese valor se encuentra en el intervalo del
polinomio 2
𝑝2 (2.25); 5.3 + 2.136912(2.25 − 1.5) − 0.982056(2.25 − 1.5)2 − 0.586781(2.25 − 1.5)3 = 𝟔. 𝟏𝟎𝟐𝟕𝟐𝟗
Ejemplo Con los siguientes datos, construya el trazador cúbico sujeto, de tal manera que
en ambos extremos debe inclinarse a 45°
(3.0, 2.5), (4.5, 1.0), (7.0, 2.5), (9.0, 0.5).
Para este caso no nos dan explícitamente los valores de 𝛼 y 𝛽 pero nos dicen la condición de los
extremos y para que esto se cumpla tendría que ser que y’(3)=y’(9)=1. Es decir 𝛼 y 𝛽=1
Armamos rápidamente la tabla con los valores que nos dan
𝑖 𝑥𝑖 𝑦𝑖 ℎ𝑖 𝑚𝑖
0 3 2.5
1 4.5 1.0 1.5 -1
2 7.0 2.5 2.5 0.6
3 9.0 0.5 2 -1
Armamos las C
i=1 1.5𝐶1 + 2(1.5 + 2.5)𝐶2 + 2.5𝐶3 = 3(0.6 − (−1))
i=2 2.5𝐶2 + 2(2.5 + 2)𝐶3 + 2𝐶4 = 3(−1 − 0.6)
Tenemos 4 incógnitas. Al ser un trazador sujeto tenemos dos ecuaciones más para las C, y la
remplazamos con los datos
2ℎ1 𝑪𝟏 + ℎ1 𝑪𝟐 = 3(𝑚1 −∝) 2(1.5)𝐶1 + 1.5𝐶2 = 3(−1 − 1)

{ {
ℎ𝑛 𝑪𝒏 + 2ℎ𝑛 𝑪𝒏+𝟏 = 3(𝛽 − 𝑚𝑛 ) 2𝐶3 + 2(2)𝐶4 = 3(1 − (−1))
Simplificando, tenemos ya las 4 ecuaciones necesarias
33
1.5𝐶1 + 8𝐶2 + 2.5𝐶3 + 0𝐶4 = 4.8

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

𝑝1 (𝑥); 2.5 + 1(𝑥 − 3) − 2.791304(𝑥 − 3)2 + 0.971981(𝑥 − 3)3 𝑥 ∈ [3, 4.5)
𝑆(𝑥) = {𝑝2 (𝑥); 1 − 0.813043(𝑥 − 4.5) + 1.582687(𝑥 − 4.5)2 − 0.406957(𝑥 − 4.5)3 𝑥 ∈ [4.5, 7)
𝑝3 (𝑥); 2.5 − 0.530435(𝑥 − 7) − 1.469565(𝑥 − 7)2 + 0.617391(𝑥 − 7)3 𝑥 ∈ [7, 9)
34
4. Integración Numérica
Supongamos que tengamos una función f, muy complicada o hasta imposible integrar analíticamente, como
1
por ejemplo 𝑓 (𝑥) = 4 , o en otros casos solo tengamos determinados puntos de f, de los cuales
1+𝑥
necesitamos saber el área bajo la curva aproximada de esos puntos.
Se necesita introducir métodos numéricos para calcular una aproximación de aquellas integrales
4.1. Fórmulas de Newton-Cotes ( Trapecios y Simpson)
Se denominan así a las fórmulas que utilizan el polinomio de interpolación para hallar la integral
deseada.
Sea A, la integral definida:
𝑏
𝐼 = ∫ 𝑓(𝑥)𝑑𝑥
𝑎
Y h, las particiones o distancia entre puntos a evaluar para aproximar la integral:
𝑏−𝑎
ℎ=
𝑚
• Donde m (algunos les dicen m o n, es solo una notación) es un parámetro que depende
del método. Los métodos Newton-Cotes que aprenderemos son, el de los trapecios y el
de Simpson.
Para estos métodos, el objetivo es en vez de integrar literalmente, transformamos esa integral en
evaluaciones de cierta función, donde obviamente la función a evaluar es la función entera que se
deseaba integrar inicialmente.
Se evalúa iniciando desde a, hasta b, en pasos de h. Ya veremos las formulas respectivas, con su
ejemplo correspondiente
4.1.1. Fórmula de los trapecios
Se trata de una aproximación del área bajo la curva usando trapecios. Al integrar cierta curva en un intervalo
[a, b], el método divide el área debajo de esta por medio de m trapecios
35
𝑚−1
ℎ ℎ
𝐼 ≅ [𝑓0 + 2𝑓1 + 2𝑓2 + 2𝑓3 + ⋯ + 2𝑓𝑚−1 + 𝑓𝑚 ] = ൥𝑓0 + 2 ∑ 𝑓𝑖 + 𝑓𝑚 ൩ Método de los trapecios
2 2
𝑖=1
ℎ2 ′′
𝑇 = − (𝑏 − 𝑎)𝑓 (𝑧) 𝑎 ≤ 𝑧 ≤ 𝑏 Error de truncamiento
12
¡Observaciones importantes!
o En el error de truncamiento tenemos un valor de z entre a y b, este viene a ser el mayor valor
absoluto entre ese intervalo: 𝑚𝑎𝑥|𝑓 ′′ (𝑧)| 𝑒𝑛 [𝑎, 𝑏]
o En el error de truncamiento de observa una derivada. Si conocemos la función y no es difícil
derivarla se van por ese método, caso contrario, como los puntos en este método son h espaciados
se puede aproximar la derivada con diferencias finitas. Así mismo sería la mayor absoluta diferencia
finita
o Para las evaluaciones x0 y xm son a y b respectivamente
Ejemplo ilustrativo 4.01

𝟐
Calcular la integral ∫𝟏 √𝒙 𝒅𝒙 con 4 trapecios y calcule el error de truncamiento del
mismo
2−1 1
Con 4 trapecios, es decir m=4, tenemos que ℎ = = = 0.25
4 4
Obviamente 𝑓 = √𝑥 . Usamos la formula, y comenzamos a evaluar
0.25
→ 𝐴≅ [𝑓(1) + 2𝑓(1.25) + 2𝑓(1.50) + 2𝑓(1.75) + 𝑓(2)]
2
0.25
→ 𝐴≅ [1 + 2(1.118034) + 2(1.224746) + 2(1.322876) + 1.414214] = 𝟏. 𝟐𝟏𝟖𝟏𝟗𝟏
2
• Y para el error de truncamiento necesitamos la segunda derivada, la cual es relativamente

sencilla de calcular
1 1
𝑓(𝑥) = √𝑥 ⟶ 𝑓 ′ (𝑥) = ⟶ 𝑓 ′′ (𝑥) = −
2√𝑥 4√𝑥𝑥
El máximo valor entre 1 y 2 para la segunda derivada es en |𝑓 ′′ (1)| = 0.25

ℎ2 0.252
Ahora si usamos la formula 𝑇 = − (𝑏 − 𝑎)𝑓 ′′ (𝑧), = − (2 − 1)(0.25) = 2.60𝑥10−3
12 12

𝟐
Calcular la integral ∫𝟎 √𝒙 𝒔𝒆𝒏(𝒙) 𝒅𝒙 con 4 trapecios y calcule el error de truncamiento
del mismo
2−0 2
ℎ=
= = 0.5
4 4
𝑓 = √𝑥 . Usamos la formula, y comenzamos a evaluar
0.5
→ 𝐴≅ [𝑓(0) + 2𝑓(0.5) + 2𝑓(1) + 2𝑓(1.5) + 𝑓(2)]
2
0.5
→ 𝐴≅ [0 + 2(0.339005) + 2(0.841471) + 2(1.221677) + (1.285941)]=1.522562
2
• Y para el error de truncamiento necesitamos la segunda derivada, lo haremos con diferencias
finitas
36
ℎ2 ℎ2 ∆ 2 𝑓𝑖 (𝑏−𝑎)∆2 𝑓𝑖
𝑇=− (𝑏 − 𝑎)𝑓 ′′ (𝑧) = − (𝑏 − 𝑎) =−
12 12 ℎ2 12
i 𝑥𝑖 𝑓𝑖 ∆1 𝑓𝑖 ∆2 𝑓𝑖
0 0 0 0.339005 0.163461
1 0.5 0.339005 0.502466 -0.12226
2 1 0.841471 0.380206 -0.315942
3 1.5 1.221677 0.064264
4 2 1.285941
El máximo absoluto es ∆2 𝑓𝑖 =0.315942

(2 − 0)0.315942
𝑇=− = −0.052657
12
4.1.2. Fórmula de Simpson
Este método aproxima la integral por medio de parábolas, es decir polinomios de segundo grado. Este
método aproxima cada par de puntos con media parábola. Por aquello el número m debe ser par
En otras palabras, una parábola, aproxima dos pares de puntos, dos parábolas, 4 y así…
Si te piden usar el método de Simpson con una parábola, entonces m=2, con dos parábolas, m=4, etc.
Entonces m=2*( # de parábolas)
La fórmula de Simpson (concretamente Simpson 1/3)
‫ۍ‬ 𝑚−1 𝑚−2 ‫ې‬

ℎ ℎ
𝐼≅ [𝑓 + 4𝑓1 + 2𝑓2 + 4𝑓3 + ⋯ + 2𝑓𝑚−2 + 4𝑓𝑚−1 + 𝑓𝑚 = 𝑓0 + 4 ∑ 𝑓𝑖 + 2 ∑ 𝑓𝑖 + 𝑓𝑚 ‫ۑ‬
] ‫ێ‬
3 0 3‫ێ‬ ‫ۑ‬
𝑖=1 𝑖=1
‫ۏ‬ 𝑖 𝑖𝑚𝑝𝑎𝑟 𝑖 𝑝𝑎𝑟 ‫ے‬
ℎ4 Método de Simpson
𝑇=− (𝑏 − 𝑎)𝑓 𝐼𝑉 (𝑧) 𝑎≤𝑧≤𝑏 Error de truncamiento
180

4 𝑥2
Calcular la integral ∫0 𝑑𝑥 usando dos parábolas
𝑒𝑥
4−0
Tenemos que m=4 y ℎ = =1
4
1
→ 𝐴 ≅ [𝑓(0) + 4𝑓(1) + 2𝑓(2) + 4𝑓(3) + 𝑓(4)]
3
1
→ 𝐴 ≅ [0 + 4(0.367879) + 2(0.541341) + 4(0.448084) + (0.293050)] = 1.546528
3
37
4.2. Cuadratura de Gauss
Esta es una aproximación usando la familia de polinomios ortogonales conocido como “polinomios de
legendre”
Dada la integral definida

𝑏
𝐼 = ∫𝑎 𝑓(𝑥)𝑑𝑥
Entonces la fórmula de este método simplemente es la siguiente:
𝑏−𝑎 𝑏 + 𝑎 (𝑏 − 𝑎) 1 𝑏 + 𝑎 (𝑏 − 𝑎) 1
𝐼≅ ቈ𝑓 ( − )+𝑓( + )቉ Fórmula de la Cuadratura de
2 2 2 √3 2 2 √3 Gauss de dos puntos
• Si se dan cuenta, este método no evalúa en ningún momento en los extremos de la integral, es
decir no evalúa ni en a, ni en b
• Es un método muy preciso, por lo cual calcular el error de truncamiento es muy complicado
Ejemplo
𝟐
Calcular la integral ∫𝟎 √𝒙 𝒔𝒆𝒏(𝒙) 𝒅𝒙 con la fórmula de la cuadratura de gauss
Simplemente se remplaza los valores en la formula

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

integrales, aplicando la propiedad de aditividad de las integrales. En nuestro caso sería
𝟒 𝟐 𝟒
∫ 𝒍𝒏(𝒙)𝒆 𝒅𝒙 = ∫ 𝒍𝒏(𝒙)𝒆 𝒅𝒙 + ∫ 𝒍𝒏(𝒙)𝒆𝒙 𝒅𝒙

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

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

→ ∫𝟐 𝒍𝒏(𝒙)𝒆𝒙 𝒅𝒙 = [𝑓 ( − )+𝑓( + )] = [𝑓(2.422649) + 𝑓(3.577350)]
2 2 2 √3 2 2 √3
→ = [9.977435 + 45.604219] = 55.581654
38
4.3. Integrales con singularidades
Para estos ejercicios, se debe verificar que las integrales no tengan singularidades en los extremos, ya que al
usar los métodos de Newton-Cotes, tenemos que evaluar en esos puntos, provocando divisiones entre cero.
La cuadratura de gauss no tiene ese problema, ya que nunca evalúa en los extremos.
Debemos eliminar esto mediante sustituciones adecuadas.
Ejemplo
1
𝑒𝑥
∫ 𝑑𝑥
√𝑥
0
Haciendo un cambio de variable conveniente (cuando tengas una raíz, siempre tómala como cambio de
variable)
1
𝑢 = √𝑥 𝑑𝑢 = 𝑑𝑥 𝑢2 = 𝑥
2√𝑥
Si x=0 u=0 , Si x=1 u=1, la nueva integral sería

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

0 0
3
∫ 2 5𝑢4 𝑑𝑢 = ∫ 15𝑢2 𝑑𝑢
𝑢
−1 −1
Y luego ya podemos integrar por cualquier método.
39
4.4. Integrales no acotadas
También podemos tener el caso de que nos presenten integrales evaluadas al infinito. Estas son
integrales que convergen a un valor cuando tienden a infinito por lo que sacar su área no sería
algo descabellado.
Pero como nosotros no podemos evaluar al infinito, nos hacemos valer de otro cambio de
variable, que en general es el mismo para cualquier integral no acotada.
Ejemplo
∞ 1
Calcular la integral de ∫0 dx
1+𝑥 4
Generalmente, cuando tengamos integrales de 0 a infinito, las separamos de esta manera:

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

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

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

𝑓(0,2) 𝑓(0.5,2) 𝑓(1,2)
▪ + + = 0.025258 + 0.066496 + 0.003920 = 0.095674
36 9 36
𝑓(0,2.5) 4𝑓(0.5,2.5) 𝑓(1,2.5)
▪ 9
+ 9
+ 9 = 0.066496 + 0.062720 − 0.038976 = 0.09024
41
𝑓(0,3) 𝑓(0.5,3) 𝑓(1,3)

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

𝑓(2.3) − 𝑓(2.2) 7.437799 − 7.296691
𝑓 ′ (2.2) ≅ = = 1.41108
0.1 0.1
o La función para obtener los puntos era 𝑓(𝑥) = 𝑠𝑒𝑛(𝑥)𝑒 𝑥 y el resultado exacto redondeado es
1.98546043
También tenemos otra fórmula más precisa para la primera derivada
+
𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖−1 ) ℎ2 ′′′
𝑓 ′ (𝑥𝑖 ) ≅ 𝐸=− 𝑓 (𝑧) 𝑥𝑖−1 ≤ 𝑧 ≤ 𝑥𝑖+1
2ℎ 6
Fórmula de segundo orden para la primera derivada en cierto punto Xi
Ejemplo. Con los datos del ejercicio anterior calcular la misma derivada con la fórmula de segundo
orden
42
𝑓(2.3) − 𝑓(2.1) 7.437799 − 7.049114

𝑓 ′ (2.2) ≅ = = 1.943425
0.1 0.1
o Se puede observar que la respuesta es más cercana a la real
5.2. Segunda derivada
𝑓(𝑥𝑖+1 ) − 2𝑓(𝑥𝑖 ) + 𝑓(𝑥𝑖−1 ) ℎ2 𝑖𝑣

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

𝐹(𝑥, 𝑦) = 𝑦 ′ (𝑥)
Para este tipo de problemas nos darán condiciones al inicio:
𝑦(𝑥0 ) = 𝑦0
Y también una cantidad h que indica los espacios entre los puntos de la variable independiente x,
dado que:
𝒙𝒊+𝟏 = 𝒙𝒊 + 𝒉 𝑖 = 0,1,2,3 ….
43
Con ello resolveremos las EDO’s de primer orden con los siguientes métodos
Observación: En la gran mayoría de evaluaciones de esta materia, los métodos por excelente que
toman son el de la serie de Taylor y Runge-Kutta. Aconsejo darle prioridad a esos.
6.1.1. Método de la serie de Taylor
Dada la función y la condición expresadas anteriormente, este método usa el desarrollo de la serie
de Taylor para hallar puntos aproximados de la solución.
Dado n términos de Taylor, el error se encuentra en el término n+1
ℎ2 ′′ ℎ𝑛
𝑦𝑖+1 = 𝑦𝑖 + ℎ𝑦𝑖′ + 𝑦𝑖 + ⋯ + 𝑦𝑖𝑛
2! 𝑛!
Y el error de truncamiento es:
ℎ𝑛+1
𝑦 𝑛+1 (𝑧)
(𝑛 + 1)!
o Para la gran mayoría de estos casos solo nos pedirán usar los primeros 3 términos de la serie de
Taylor.
Ejemplo. Obtenga 3 puntos de la solución de la EDO 𝑦 ′ − 𝑦 − 𝑥 + 𝑥 2 − 1 = 0 𝑦(0) = 1 con h=0.1,

usando los tres primeros términos de la serie de Taylor
ℎ2
Como dice los tres primeros términos, entonces usamos la fórmula 𝑦𝑖+1 = 𝑦𝑖 + ℎ𝑦𝑖′ + 𝑦𝑖′′
2!
Teniendo en cuenta que 𝑥0 = 0 𝑦0 = 1 y h=0.1
En la formula la y’ que se presenta es la función f(x,y) correspondiente a la forma implícita

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

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

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

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

𝐾2 = (0.1)𝑓(0.1 + 0.1, 1.2145 + 0.23045) = 0.260495
1
𝒚𝟐 = 1.2145 + (0.23045 + 0.260495) = 1.4599
2
6.1.4. Fórmula de Runge-Kutta de cuarto orden
Bajo las mismas condiciones, la fórmula se define:
𝐾1 = ℎ𝑓(𝑥𝑖 , 𝑦𝑖 )
ℎ5 5
𝐾2 = ℎ𝑓(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾1 /2) 𝐸= 𝑦 (𝑧) 𝑥𝑖 ≤ 𝑧 ≤ 𝑥𝑖+1
5!
𝐾3 = ℎ𝑓(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾2 /2)
𝐾4 = ℎ𝑓(𝑥𝑖 + ℎ, 𝑦𝑖 + 𝐾3 )
1 46
𝑦𝑖+1 = 𝑦𝑖 + (𝐾1 + 2𝐾2 + 2𝐾3 + 𝐾4 )
Escuela Superior6Politécnica del Litoral
Fórmula de Runge-Kutta para EDO’s

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

0.1
𝐾2 = (0.1)𝑓 (0.1 + , 1.2144 + 0.23044/2) = 0.245712
2
0.1
𝐾3 = (0.1)𝑓 (0.1 + , 1.2144 + 0.245712/2) = 0.2464756
2
𝐾4 = (0.1)𝑓(0.1 + 0.1, 1.2144 + 0.2464756) = 0.26208756
1
𝑦1 = 1.2144 + (0.23044 + 2(0.245712) + 2(0.2464756) + 0.26208756) = 1.460550
6
𝑥1 = 0.1 + 0.1 = 0.2
6.2. Sistema de ecuaciones diferenciales ordinarias de primer orden con condiciones

al inicio
Supongamos que nos dan un sistema de EDO’s con condiciones al inicio, de la forma:
𝐹(𝑥, 𝑦, 𝑧, 𝑦 ′ ) = 0 𝑦(𝑥0 ) = 𝑦0
47
𝐺(𝑥, 𝑦, 𝑧, 𝑧 ′ ) = 0 𝑧(𝑥0 ) = 𝑧0
La variable independiente sigue siendo x, donde 𝒙𝒊+𝟏 = 𝒙𝒊 + 𝒉
Tambien se deben dejar las EDO’s en su forma explícita, es decir
𝑓(𝑥, 𝑦, 𝑧) = 𝑦′ 𝑦(𝑥0 ) = 𝑦0
𝑔(𝑥, 𝑦, 𝑧) = 𝑧′ 𝑧(𝑥0 ) = 𝑧0
Ejemplo de estos sistemas:
𝑦 ′ − 𝑥 − 𝑦 − 𝑧 = 0, 𝑦(0) = 1
𝑧 ′ + 𝑥 − 𝑦 + 𝑧 = 0, 𝑧(0) = 2
Donde procedemos a despejarlas a su forma implícita
𝑥 + 𝑦 + 𝑧 = 𝑦′, 𝑥0 = 0 , 𝑦0 = 1
−𝑥 + 𝑦 − 𝑧 = 𝑧 ′ , 𝑥0 = 0 , 𝑧0 = 2
De ahí se resuelven con los métodos vistos anteriormente, pero extendidos a dos ecuaciones
6.2.1. Fórmula de Heun para dos ecuaciones
𝐾1,𝑦 = ℎ𝑓(𝑥𝑖 , 𝑦𝑖, 𝑧𝑖 )
𝐾1,𝑧 = ℎ𝑔(𝑥𝑖 , 𝑦𝑖, 𝑧𝑖 )
𝐾2,𝑦 = ℎ𝑓(𝑥𝑖 + ℎ, 𝑦𝑖 + 𝐾1,𝑦 , 𝑧𝑖 + 𝐾1,𝑧 )
𝐾2,𝑧 = ℎ𝑔(𝑥𝑖 + ℎ, 𝑦𝑖 + 𝐾1,𝑦 , 𝑧𝑖 + 𝐾1,𝑧 )
1
𝑦𝑖+1 = 𝑦𝑖 + (𝐾1,𝑦 + 𝐾2,𝑦 )
2
1
𝑧𝑖+1 = 𝑧𝑖 + (𝐾1,𝑧 + 𝐾2,𝑧 )
2
Fórmula de Heun para dos EDO’s
Ejemplo Obtenga dos puntos de la solución de las siguientes Edo’s usando Heun con h=0.1
𝑦 ′ − 𝑥 − 𝑦 − 𝑧 = 0, 𝑦(0) = 1
𝑧 ′ + 𝑥 − 𝑦 + 𝑧 = 0, 𝑧(0) = 2
Ya lista en su forma implícita tenemos:
𝑓(𝑥, 𝑦, 𝑧) = 𝑥 + 𝑦 + 𝑧 = 𝑦 ′ , 𝑥0 = 0 , 𝑦0 = 1
𝑔(𝑧, 𝑦, 𝑧) = −𝑥 + 𝑦 − 𝑧 = 𝑧 ′ , 𝑥0 = 0 , 𝑧0 = 2
Comenzamos a calcular el primer punto, usando 𝑥0 = 0, 𝑦0 = 1, 𝑧0 = 2
48
𝑖=0
𝐾1,𝑦 = (0.1)𝑓(0,1,2) = 0.3
𝐾1,𝑧 = (0.1)𝑔(0,1,2) = −0.1
𝐾2,𝑦 = (0.1)𝑓(0 + 0.1, 1 + 0.3, 2 − 0.1) = 0.33
𝐾2,𝑧 = (0.1)𝑔(0 + 0.1, 1 + 0.3, 2 − 0.1) = −0.07
1
𝑦1 = 1 + (0.3 + 0.33) = 1.315
2
1
𝑧1 = 2 + (−0.1 − 0.07) = 1.915
2
𝑥1 = 0 + 0.1 = 0.1
Ahora el segundo punto, usando 𝑥1 = 0.1, 𝑦1 = 1.315, 𝑧1 = 1.915
𝑖=1
𝐾1,𝑦 = (0.1)𝑓(0.1, 1.315, 1.915) = 0.333
𝐾1,𝑧 = (0.1)𝑔(0.1, 1.315, 1.915) = −0.07
𝐾2,𝑦 = (0.1)𝑓(0 + 0.1, 1 + 0.3, 2 − 0.1) = 0.3693
𝐾2,𝑧 = (0.1)𝑔(0 + 0.1, 1 + 0.3, 2 − 0.1) = −0.0397
1
𝑦2 = 1.315 + (0.3 + 0.33) = 1.66615
2
1
𝑧2 = 1.915 + (−0.1 − 0.07) = 1.86015
2
𝑥2 = 0.1 + 0.1 = 0.2
49
Fórmula de Runge-Kutta para dos ecuaciones
𝐾1,𝑦 = ℎ𝑓(𝑥𝑖 , 𝑦𝑖 , 𝑧𝑖 )
𝐾1,𝑧 = ℎ𝑔(𝑥𝑖 , 𝑦𝑖 , 𝑧𝑖 )
𝐾2,𝑦 = ℎ𝑓(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾1,𝑦 /2, 𝑧𝑖 + 𝐾1,𝑧 /2)
𝐾2,𝑧 = ℎ𝑔(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾1,𝑦 /2, 𝑧𝑖 + 𝐾1,𝑧 /2)
𝐾3,𝑦 = ℎ𝑓(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾2,𝑦 /2, 𝑧𝑖 + 𝐾2,𝑧 /2)
𝐾3,𝑧 = ℎ𝑔(𝑥𝑖 + ℎ/2, 𝑦𝑖 + 𝐾2,𝑦 /2, 𝑧𝑖 + 𝐾2,𝑧 /2)
𝐾4,𝑦 = ℎ𝑓(𝑥𝑖 + ℎ, 𝑦𝑖 + 𝐾3,𝑦 , 𝑧𝑖 + 𝐾3,𝑧 )
𝐾4,𝑧 = ℎ𝑔(𝑥𝑖 + ℎ, 𝑦𝑖 + 𝐾3,𝑦 , 𝑧𝑖 + 𝐾3,𝑧 )
1
𝑦𝑖+1 = 𝑦𝑖 + (𝐾1,𝑦 + 2𝐾2,𝑦 + 2𝐾3,𝑦 + 𝐾4,𝑦 )
6
1
𝑧𝑖+1 = 𝑧𝑖 + (𝐾1,𝑧 + 2𝐾2,𝑧 + 2𝐾3,𝑧 + 𝐾4,𝑧 )
6
50
6.3. EDO’s de mayor orden con condiciones al inicio
Para el caso en particular que tengamos una EDO de segundo orden, al tener eso, nos deben dar 2
condiciones. Teniendo el problema definido en la forma:
𝐹(𝑥, 𝑦, 𝑦 ′ , 𝑦 ′′ ) = 0 𝑦(𝑥0 ) = 𝑥0 𝑦′(𝑥0 ) = 𝑦′0
Se realiza la sustitución 𝑧 = 𝑦′
Reemplazando en lo primero tenemos:
𝐺(𝑥, 𝑦, 𝑧, 𝑧 ′ ) = 0
{
𝑧 = 𝑦′
Tenemos básicamente dos EDO’s de la forma anteriormente explicada
𝑓(𝑥, 𝑦, 𝑧) = 𝒚′ = 𝒛 𝒚(𝒙𝟎 ) = 𝒚𝟎
𝒈(𝒙, 𝒚, 𝒛) = 𝒛’ 𝑦 ′ (𝑥0 ) = 𝑦 ′ 0 → 𝒛(𝒙𝟎 ) = 𝒛𝟎
Veamos el ejemplo para que se entienda de forma más clara. Recordar que x representa a la única variable
independiente
Ejemplo
Dado el problema de valor inicial:
𝑦 ′′ − 0.05𝑦 ′ + 0.15𝑦 = 0, 𝑦 ′ (0) = 0, 𝑦(0) = 1
Calcular 𝑦(1) 𝑒 𝑦′(1), usando el método de Heun con h=0.5
Tenemos que 𝑦0′ = 0, 𝑥0 = 0, 𝑦0 = 1
Hacemos el cambio de variable z=y’
Reemplazando en la ecuación original tenemos:

z′ − 0.05z + 0.15𝑦 = 0, z(0) = 0, 𝑦(0) = 1
𝑧0 = 0, 𝑥0 = 0, 𝑦0 = 1
Ahora tenemos un sistema, que en su forma explícita es:
𝑓(𝑥, 𝑦, 𝑧) = 𝑦 ′ = 𝑧
{
𝑔(𝑥, 𝑦, 𝑧) = 𝑧 ′ = 0.05𝑧 − 0.15𝑦
Ya ahora solo nos queda usar las fórmulas de Heun extendidas y reemplazar
𝐾1,𝑦 = (0.5)𝑓(0,1,0) = 0
𝐾1,𝑧 = (0.5)𝑔(0,1,0) = −0.075
𝐾2,𝑦 = (0.5)𝑓(0 + 0.5, 1 + 0, 0 − 0.075) = −0.0375
𝐾2,𝑧 = (0.5)𝑔(0 + 0.5, 1 + 0, 0 − 0.075) = −0.076875
51
1
𝑦1 = 1 + (0 − 0.0375) = 0.98125
2
1
𝑧1 = 0 + (−0.075 − 0.0769) = −0.0759
2
𝑥1 = 0 + 0.5 = 0.5
Realizamos otra iteración para llegar al punto indicado
𝐾1,𝑦 = (0.5)𝑓(0.5, 0.9875, −0.05) = −0.025
𝐾1,𝑧 = (0.5)𝑔(0.5, 0.9875, −0.05) = −0.0490625
𝐾2,𝑦 = (0.5)𝑓(0.5 + 0.5, 0.9875 − 0.025, −0.05 − 0.0490625) = −0.04953125
𝐾2,𝑧 = (0.5)𝑔(0.5 + 0.5, 0.9875 − 0.025, −0.05 − 0.0490625) = −0.0471875
1
𝑦2 = 0.9875 + (−0.025 − 0.04953125) = 0.9502
2
1
𝑧2 = −0.05 + (−0.0490625 − 0.0471875) = −0.0981
2
𝑥2 = 0.5 + 0.5 = 1
6.4. Convergencia y estabilidad ( Tema adicional)
De los métodos aprendidos, ciertas veces (y quizás se lo pidan en algún proyecto) es importante hablar
sobre su convergencia y estabilidad.
El método es convergente, cuando los puntos realmente tienden a la solución aproximada cuando modificas
el parámetro h. Puedes verificar la existencia de la solución siempre y cuando los puntos que vas obteniendo
ciertamente forman algún tipo de función (esto lo puedes verificar graficando los puntos) y no haya puntos
singulares, es decir que se desvíen completamente del patrón funcional que estas formando.
También puedes verificar si el método es estable (es decir si es poco sensible a perturbaciones) al modificar
un poco alguno de los valores iniciales o condiciones iniciales. Si al perturbar esto el método arroja una
solución completamente alejada a la solución correcta puede decirse que problema no está bien planteado.
6.5. Ecuaciones diferenciales ordinarias con condiciones en los bordes
Supóngase que nos den una EDO con la solución de la misma en los bordes de cierta región, pero que sea de
interés la solución en el interior de esta región
Un ejemplo de esto es que nos den una EDO de la siguiente manera:
𝑦 ′′ − 𝑦 ′ + 𝑦 − 2𝑒 𝑥 − 3 = 0, 𝑦(0) = 1, 𝑦(1) = 5, 0 ≤ 𝑥 ≤ 1
Siendo de interés conocer la solución entre 0 y 1
52
6.5.1. Método de diferencias finitas
Dada la EDO de la manera planteada, es decir con condiciones en los bordes, podemos usar el método de
diferencias finitas, donde discretizamos la solución, es decir nos comprometemos a calcular una serie de
puntos de la solución de interés, planteándonos un sistema de ecuaciones lineales para encontrar cada
punto de interés.
Usamos las siguientes fórmulas (ya vistas) para aproximar las derivadas. Se usan las de segundo orden para
que el error sea congruente.
Dada la ecuación diferencial de segundo orden de la forma
𝑦 ′′ + 𝑎𝑦 ′ + 𝑏𝑦 + 𝑝(𝑥) = 0, 𝑦(𝑥0 ) = 𝑎
Las derivadas se reemplazan por

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

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

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

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

→ 𝒚𝟎 (2.25)+𝒚𝟏 (−3.875) + 𝒚𝟐 (1.75) − 0.25𝑒 0.25 = 0.375 conocemos y0, asi que lo reemplazamos
y simplificamos la ecuación
→ +𝒚𝟏 (−3.875) + 𝒚𝟐 (1.75) = −1.553994
con i=2
→ 𝒚𝟏 (2.25)+𝒚𝟐 (−3.875) + 𝒚𝟑 (1.75) − 0.25𝑒 0.5 = 0.375
→ 𝒚𝟏 (2.25)+𝒚𝟐 (−3.875) + 𝒚𝟑 (1.75) = 0.787180
con i=3
53
→ 𝒚𝟐 (2.25)+𝒚𝟑 (−3.875) + 𝒚𝟒 (1.75) − 0.25𝑒 0.75 = 0.375 conocemos también y4

→ 𝒚𝟐 (2.25) + 𝒚𝟑 (−3.875) = −7.845749
Tenemos 3 ecuaciones con 3 incógnitas, 𝑦1 , 𝑦2 𝑦 𝑦3
−3.875 1.75 0 −1.55399

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

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

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

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

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

𝒚𝟎 (2.25)+𝒚𝟏 (−3.875) + 𝒚𝟐 (1.75) = 0.696006
Tenemos entonces
𝒚𝟏 (2.25)+𝒚𝟐 (−3.875) + 𝒚𝟑 (1.75) = 0.78718
{ 𝒚𝟐 (2.25) + 𝒚𝟑 (−3.875) = −7.8457
4 ecuaciones con 5 incógnitas (el punto 𝑦−1 no tiene sentido)
54
Tenemos la condición inicial 𝑦 ′ (0) = 0.5 -> 𝑦 ′ 0 = 0.5 , usamos la aproximación de la primera derivada
de nuevo
𝑦1 −𝑦−1
𝑦 ′ 0 = 0.5 = Con esto podemos eliminar el punto 𝑦−1
2ℎ
𝑦−1 = 𝑦1 − 2ℎ ∗ 0.5
𝑦−1 = 𝑦1 − 0.25
Reemplazamos esto en la primera ecuación y tenemos ya tenemos 4 incógnitas con 4 ecuaciones
+𝒚𝟎 (−3.875) + 𝒚𝟏 (4) = 1.1875

𝒚𝟎 (2.25)+𝒚𝟏 (−3.875) + 𝒚𝟐 (1.75) = 0.696006
𝒚𝟏 (2.25)+𝒚𝟐 (−3.875) + 𝒚𝟑 (1.75) = 0.78718
{ 𝒚𝟐 (2.25) + 𝒚𝟑 (−3.875) = −7.8457
Resolviendo nos queda
𝑦0 = 1.470871, 𝑦1 = 1.721784, 𝑦2 = 2.319116, 𝑦3 = 3.371280
55
7. Ecuaciones diferenciales parciales
Recordando cursos anteriores, una ecuación diferencial parcial es aquella que contiene derivadas parciales
con respecto a dos o más variables dependientes.
Por ejemplo:
𝑑𝑢 𝑑𝑢 𝑑2 𝑢 𝑑2 𝑢 𝑑2 𝑢 𝑑2 𝑢
𝑢(𝑥, 𝑦) = 𝐹 (𝑢, 𝑥, 𝑦, , , 2, 2, , )=0
𝑑𝑦 𝑑𝑥 𝑑𝑦 𝑑𝑥 𝑑𝑥𝑑𝑦 𝑑𝑦𝑑𝑥
Se las clasifican de 3 maneras en general, parabólicas, elípticas e hiperbólicas.
De manera sencilla las parabólicas tienen una primera derivada sin límite (ejemplo el tiempo, el
tiempo es infinito)
Ejemplo: La ecuación que determina el flujo de calor en una barra, x es la variable de posición
diferencial de la barra
𝑑2𝑢 𝑑2𝑢
= 𝑘
𝑑𝑥 2 𝑑𝑡
Las elípticas son aquellas que están limitadas ambas derivadas, como por ejemplo el calor que
fluye en una placa, en un tiempo final. Las variables X y Y están limitados
𝑑2𝑢 𝑑2𝑢
+ =0
𝑑𝑥 2 𝑑𝑦 2
Las hiperbólicas de manera similar a las parabólicas, tienen una derivada sin límite, pero esta
derivada es segunda:
𝑑2𝑢 2
𝑑2𝑢
= 𝑐
𝑑𝑡 2 𝑑𝑥 2
• Realmente lo de hiperbólico, parabólico y elíptico solo son nombres, de ahí los métodos a
resolver son prácticamente los mismos.
• Para el método elíptico, típicamente es de interés resolver totalmente la ecuación
diferencial
(Por ejemplo, saber que tan caliente está cada punto de interés en una placa rectangular).
Pero los métodos hiperbólicos y parabólicos al poseer una variable abierta (Como por
ejemplo el tiempo), se nos debe especificar hasta cuando debemos iterar.
Método usando diferencias finitas
La solución de este tipo de ecuaciones, son superficies (por ejemplo del tipo z=f(x, y)). De las cuales
nos ocuparemos de hallar una serie de puntos limitados que sean parte de la solución.
Usaremos diferencias finitas para resolver esto. Un ejemplo de esto es la siguiente malla:
56
‘’De Análisis Numérico con Python’’
Donde los puntos a hallar son los amarillos. Cada punto corresponde a una ‘coordenada’ i, j
específica.
Bueno, mucha palabrería. Comencemos a resolver un problema, no sin antes dándoles las fórmulas
a usar.
Fórmulas de interés para las ecuaciones diferenciales parciales
Tomando de ejemplo una función u que depende de dos variables independientes x, y

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

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

=
𝜕𝑥 2 ∆𝑥 2
𝜕 2 𝑢𝑖,𝑗 𝑢𝑖,𝑗−1 − 2𝑢𝑖,𝑗 + 𝑢𝑖,𝑗+1
=
𝜕𝑦 2 ∆𝑦 2
‘’Aproximaciones con diferencias finitas, de Análisis Numérico con Python’’
57
Ejercicios
• Para este ejercicio en general, analizaremos las condiciones que nos dan
Primero procedemos a hacer una malla que nos permita visualizar el problema.
Sabiendo que x va desde 0 a 1, usando espacios de h y y, es decir el tiempo, va

desde 0 a infinito, usando espacios de k, pero como dice dos iteraciones en el
tiempo, este tendrá solo dos pisos. De la siguiente manera
• Siempre se debe armar esta malla para empezar, esta malla es para este problema en
particular
• Cada U , tiene una coordenada i,j que representa un valor de x, t específico ( i horizontal j
vertical)
Por ejemplo U2,1 representa la función u cuando x=0.5 y t=0.04 o cuando U3,2 es cuando
x=0.75 y t=0.08 y así; Tener muy en cuenta esto.
Ahora analizamos el resto de condiciones. Nos dice que 𝑢(𝑥, 0) = 𝑠𝑒𝑛𝜋𝑥 + 𝑥(1 − 𝑥). Lo
que nos dice que para cualquier x en el tiempo inicial vale esa función que depende de x.
Por otro lado nos dice que 𝑢(0, 𝑡) = 𝑢(1, 𝑡) = 0, nos dice que para cualquier tiempo t en
x=0 y x=1, estos valores valen 0. Si lo agregamos en nuestra malla, sería:
58
Teniendo en cuenta esto, lo único puntos que necesitamos hallar son los de color amarillo. El resto ya se los
conoce por las condiciones iniciales ya mencionadas.
Ya listo esto el siguiente paso es reemplazar la ecuación diferencial parcial con las diferencias finitas
𝛿𝑢 𝛿𝑢2
• − =2
𝛿𝑡 𝛿𝑥 2
𝑢𝑖,𝑗+1 −𝑢𝑖,𝑗 𝑢𝑖−1,𝑗 −2𝑢𝑖,𝑗 +𝑢𝑖+1,𝑗
• − =2
𝑘 ℎ2
Trabajamos un poquito para que quede mejor la ecuación, multiplicando todo por k*h 2
• ℎ2 (𝑢𝑖,𝑗+1 − 𝑢𝑖,𝑗 ) − 𝑘(𝑢𝑖−1,𝑗 − 2𝑢𝑖,𝑗 + 𝑢𝑖+1,𝑗 ) = 2𝑘ℎ2

• −𝑘(𝑢𝑖−1,𝑗 ) + 𝑢𝑖,𝑗 (2𝑘 − ℎ2 ) − 𝑘(𝑢𝑖+1,𝑗 ) + ℎ2 𝑢𝑖,𝑗+1 = 2ℎ2 𝑘
Ahora reemplazamos los valores de h y k correspondientes al problema
• −0.04(𝑢𝑖−1,𝑗 ) + 𝑢𝑖,𝑗 (0.0175) − 0.04(𝑢𝑖+1,𝑗 ) + 0.0625(𝑢𝑖,𝑗+1 ) = 0.005
Ahora si comenzamos a iterar, elegimos un valor de i, j para iniciar. No podemos tomar i=0 porque
nos quedaría en la formula −0.04(𝑢−1,𝑗 ).
Con i=1 y j=0 no hay problema:
• −0.04(𝑢0,0 ) + 𝑢1,0 (0.0175) − 0.04(𝑢2,0 ) + 0.0625(𝑢1,1 ) = 0.005
59
Veamos en la malla, cuales son estos valores:
Vemos que lo único que solo desconocemos una incógnita. Una ecuación, una incógnita, ya estamos listos
para resolver:
• −0.04(𝑢0,0 ) + 𝑢1,0 (0.0175) − 0.04(𝑢2,0 ) + 0.0625(𝑢1,1 ) = 0.005

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

Folleto de Análisis Numérico

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Folleto de Análisis Numérico

Uploaded by

Copyright:

Available Formats

Análisis Numérico - Steveen Carriel

Escuela Superior Politécnica del Litoral

Folleto de Análisis Numérico

Objetivo del curso de “Análisis Numérico”

Al principio se aprenderá a encontrar la solución aproximada de ecuaciones analíticamente no

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

Objetivos del folleto

TODO LO PRESENTE SE PUEDE ADAPTAR A ALGORITMOS, POR EJEMPLO, MATLAB

4.5. Integración múltiple ................................................................................................................. 41

1.1. Método de la bisección

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

Teorema del valor intermedio (TVI)

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

Ecuaciones lineales – Método de la bisección

1.1.1. Pasos para el método de la bisección

Aquí no importa el valor,

4 1.125 1.1875 1.25 - + +

5 1.125 1.1563 1.1875 - + +

6 1.125 1.1406 1.15625 - - +

7 1.1406 1.1484 1.15625 - + +

8 1.1406 1.1445 1.1484 - - +

9 1.1445 1.1463 1.1484 - + +

10 1.1445 1.1455 1.1465 - - +

11 1.1455 1.1459 1.1465 - - +

12 1.1459 1.1462 1.1465 - + +

13 1.1459 1.1461 1.1462 - - +

14 1.1461 1.1462 1.1462 - + +

15 1.1462 1.1462 1.1462 + + +

o Se necesito 14 iteraciones para encontrar la solución con la precisión pedida, la 15va es

1.2. Método del punto fijo

Pero podemos transformar este problema en uno equivalente, trabajándolo así:

¿No es lo mismo? Claro que si, solo se le sumó x a ambos lados

𝑓(𝑥) = 𝑠𝑒𝑛(𝑥) + tan(x) − 5𝑥 2 + 𝑥=0

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

• ¿Qué son los puntos fijos?

Aquí se indican los puntos fijos de una función

En términos simples, los puntos fijos son donde

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

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

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

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

g(r) Al reordenar tenemos:

Se puede observar errores de truncamiento en

1.3.1. Pasos para el método del punto fijo

3. Verificar 𝑆𝑖 ∀ 𝑥 ∈ [𝑎, 𝑏] |𝑔′ (𝑥)| < 1 ¿Cómo hago esto?

5. Iterar de la forma 𝑋𝑖 = 𝑔(𝑋𝑖−1 ); 𝑖 = 1,2,3,4,5 …

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

1.4. Método de Newton

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

𝐸𝑣𝑎𝑙𝑢𝑎𝑛𝑑𝑜 𝑇𝑎𝑦𝑙𝑜𝑟 𝑥 = 𝑥𝑛+1

Entonces nos queda:

Lo cual ordenando nos queda la fórmula iterativa de Newton:

Si queremos hallar la pendiente de 𝑓(𝑥)

Lo cual reordenando obtenemos:

Pero hay una limitante, ya que si la

En otras palabras para que la función sea

𝑏) 𝑓′(𝑥) > 0 𝑥 ∈ (𝑟, 𝑏]

El precio de demanda de un producto está modelado mediante la ecuación: 𝑦 = 10𝑒 −𝑥 + 4 y el precio de la

La ecuación sería igualando las otras dos: 10𝑒 −𝑥 + 4 = 10𝑥 2 + 2

𝑓(𝑥) = 10𝑒 −𝑥 + 4 − 10𝑥 2 − 2 = 0, simplificando un poco tenemos: 𝑓(𝑥) = 5𝑒 −𝑥 − 5𝑥 2 + 1 = 0

: 𝑓(0) = 6 𝑓(1) = −2.160607 elegimos [0,1]

Para hallar el intervalo de convergencia tenemos que verificar el teorema 1.

𝑓 ′ (𝑥) = −5𝑒 −𝑥 − 10𝑥

Entonces obtenemos que