Ingeniería Bioquímica

Métodos Numéricos y Programación

Unidad 3:
ANÁLISIS DEL ERROR Y SOLUCIÓN DE
ECUACIONES

Prof. Fidel García Hernández

Blanca Gabriela Terrones Hernández

Fecha: 30 de marzo de 2020
 UNIDAD 3: ANÁ LISIS DEL ERROR Y
SOLUCIÓ N DE ECUACIONES

Contenido

3.1. Análisis del error.

3.1.1. Cifras significativas

3.1.2. Exactitud y precisión

3.1.3. Definición de error y tipos de error.

3.1.4. Propagación del error

3.1.5. Error de truncamiento y serie de Taylor

3.2. Raíces de ecuaciones

3.2.1. Método gráfico

3.2.2. Métodos cerrados. Bisección. Regla Falsa. Otros métodos

3.2.3. Métodos abiertos. Iteración de punto fijo.

 3.1. Aná lisis del error.
Con el auge cada vez mayor de la informática es evidente que los sistemas
computacionales se han perfeccionado. En actualidad los dispositivos digitales
(computadoras y calculadoras) pueden realizar un gran número de operaciones sin
cometer “errores”, es decir trabajan lo más exacto posible. Pero a pesar de toda esta
“perfección” al trabajar con estos sistemas o dispositivos, suele resultar que dichos
procesos u operaciones den una respuesta equivocada, lo cual puede obedecer a errores
de tipo humanos (fórmulas incorrectas, errores de lógica en  los programas, tipográficos,
etc.), errores subyacentes al diseño del método (truncamiento de fórmulas
(series)  y errores inherentes al funcionamiento del dispositivo digital (Aritmética finita).

Cada vez que se apliquen métodos numéricos es pertinente procurar la minimización de

los errores que se pueden presentar.  Así que se debe conocer porque se presentan, que
tanto se pueden tolerar y que tan buena son las aproximaciones que se obtengan.

3.1.1. Cifras  significativas

La noción intuitiva de cifras significativas de un número está directamente relacionada con

la precisión de los instrumentos o procesos que lo generan. El número de cifras
significativas de un número x corresponde al número de cifras en la mantisa de
su representación en notación científica.

Ya que 0.00123 =1.23x10−3 , decimos que 0.00123 tiene tres Cifras significativas.

El número 3210 =3.210x103 posee cuatro cifras significativas.

Note que en el ejemplo anterior, hemos mantenido el 0 de las unidades.  Si el origen del
número no garantizara el valor de sus unidades, entonces deberíamos escribir
directamente 3.210x103  lo que indicaría que contamos con sólo tres cifras significativas.

Sea x v y x c los valores verdaderos y calculando de una cierta cantidad, con x v ≠ x c, decimos
que x cse aproxima a x v con t cifra significativas si t es el mayor entero no negativo para el
cual
x v −x c
≤ 5x10−t Para el caso de x v =x c , x cse aproxima a x v con las cifras significativas
xv
propias.

Ejemplo:

El número 3.1416 se aproxima a 3.1415926 en 6 cifras significativas, ya que:

3.1415926−3.1416
= 2.3554932 x 10−6≤ 5x10−6
3.1415926

Como se observa, no es necesario que coincidan los dígitos de las cifras significativas.

3.1.2 exactitud y precisión

Los errores asociados con los cálculos y medidas se pueden caracterizar observando su
precisión y exactitud.

 La precisión: es el grado de concordancia dentro de un grupo de mediciones o

instrumentos. Ya que el número de cifras significativas que representa una cantidad o la
extensión en las lecturas repetidas de un instrumento que mide alguna propiedad física.
La precisión se compone de dos características: conformidad y el número de cifras
significativas con las cuales se puede realizar la medición.

La exactitud: se refiere al grado de aproximación o conformidad al valor real de la

cantidad medida. Estos conceptos se pueden ilustrar gráficamente usando una analogía
con un buen tirador al blanco. Los agujeros en el centro del tiro al blanco de cada
esquema de la figura siguiente se pueden imaginar como las predicciones en una técnica
numérica, mientras que el centro del blanco de cada esquema representa la verdad.

La inexactitud (conocida también como sesgo): se define como un alejamiento sistemático

de la verdad. Por lo tanto, aunque las balas en la figura c están más juntas que las de la
figura a, los dos casos son igualmente
inexactos ya que ambos se centran en la
esquina superior izquierda del blanco.

La precisión, por el otro lado se refiere a la

magnitud del esparcimiento de las balas. Por
lo tanto, aunque las figuras b y d son
igualmente exactas (esto es, igualmente
centradas respecto al blanco), la última es más precisa ya que las balas están en un grupo
más compacto.

Figura 1: Un ejemplo de un buen tirador ilustra el concepto de exactitud y precisión. a) Inexacto e

impreciso; b) exacto e impreciso; e) inexacto y preciso; d) exacto y preciso.

Llamamos incertidumbre o imprecisión a la falta de precisión, y sesgo o inexactitud, a la

falta sistemática de exactitud, ya sea por debajo o bien por arriba de la cantidad exacta. El
manejo de la incertidumbre o imprecisión puede realizarse mediante distribuciones de
probabilidad, en tanto que el manejo de la inexactitud, mediante rangos o intervalos

Ejemplo 1:

Si especificamos que el valor de una resistencia eléctrica es de 100 ±5% Ω, estamos

indicando que su valor real debe estar en el intervalo [95, 105].

Ejemplo 2:

Supongamos que un profesor debe iniciar siempre sus clases a las 7:00 am. Si existe
incertidumbre, podría iniciar con una distribución normal con media de 7:05 y desviación
estándar de 1 minuto, lo cual indica que el 99.7% de las veces iniciaría en el intervalo
[7:02, 7:08]. Por otro lado, si existe (solamente) sesgo, entonces empezaría
sistemáticamente (por ejemplo) a las 7:07.

Sesgo: Orientación o dirección que toma un asunto.

3.1.3. Definición de error y tipos de error

Error: Es la discrepancia que existe entre la magnitud verdadera y la magnitud obtenida. Si

p¿Es una aproximación a p, el error se define como

p− p¿
EA=| p- p¿| y el error relativo como ER= , si p≠ 0 y como por cierto error a ERP=
p
(ER)100

Error aproximado (formula):

aproximacionactual −aproximacionanterior
|∈a|=¿ |x100
aproximacionactual

Ejemplo:
Suponga que el valor para un cálculo debería ser p= 0.10x 102 pero se obtuvo el resultado
p¿=0.08x102, entonces

EA=|0.10x102- 0.08x102|= 2

0.10 x 102−0.08 x 10 2
ER=¿ |=0.2
0.10 x 102

ERP= ERx100= 20%

Error por redondeo.

Este error es el resultado de representar aproximadamente números exactos. Es decir, se

debe a la omisión de algunas de las cifras significativas de algún valor específico. Un
ejemplo de donde sucede se da en las computadoras o calculadoras, que solo guardan un
número finito de cifras significativas, cuyo máximo de dígitos o de cifras significativas son
de 8 a 14 lo cual obliga a redondear el valor real.

Los errores de redondeo se deben a que las computadoras solo guardan un número finito
de cifras significativas durante un cálculo. Las computadoras realizan esta función de
maneras diferentes. Por ejemplo, si solo se guardan siete cifras significativas, la
computadora puede almacenar y usar π como π= 3.141592, omitiendo los términos
restantes y generando un error de redondeo.

Ya que la mayor parte de las computadoras tienen entre 7 y 14 cifras significativas, los
errores de redondeo parecerían no ser muy importantes. Sin embargo, hay dos razones
del porque pueden resultar críticos en algunos métodos numéricos:

Ciertos métodos requieren cantidades extremadamente grandes para obtener una

respuesta. Además, estos cálculos a menudo dependen entre sí. Estos es, los cálculos
posteriores son dependientes de los anteriores. En consecuencia, aunque un error de
redondeo individual puede ser muy pequeño, el efecto de acumulación en el transcurso
de la gran cantidad de cálculos puede ser significativo.

El efecto del redondeo puede ser exagerado cuando se llevan a cabo operaciones
algebraicas que emplean números muy pequeños y muy grandes al mismo tiempo. Ya que
este caso se presenta en muchos métodos numéricos, el error de redondeo puede resultar
de mucha importancia.

En el redondeo se conservan las cifras significativas y el resto se descarta.

El último dígito retenido se aumenta
en uno si el primer dígito
descartado es ≥ 5 , si no fuera así, el
dígito conserva su valor.

-La importancia de las cifras significativas de los cálculos algebraicos.

Ejemplo: Determínese la diferencia de dos números grandes: 32981108.1234 y

32981107.9989. Enseguida, repítase los cálculos pero incrementándose el minuendo en in
0.001%.

Solución:

La diferencia de los números es: 32981108.1234 -32981107.9989= 0.1245

Ahora incrementando el minuendo en un 0.001 % se obtiene el número 32 981 437.934 5

y la diferencia es: 32981437.9345 -32981107.9989 =329.3356

Que es considerable diferente de la primera. De aquí que una modificación en el

minuendo, aparentemente insignificante, provoca una gran diferencia en el resultado.

Problema: Ilustraciones de las reglas de redondeo

Los siguientes ejemplos tienen por objeto ilustrar las reglas de redondeo analizados.

1. Errores de redondeo

5.6723 5.67 3 cifras significativas

10.406 10.41 4 cifras significativas
7.3500 7.4 2 cifras significativas
88.21650 88.217 5 cifras significativas
1.25001 1.3 2 cifras significativas

2. suma y resta.
2.2–1.768 = 0.432 = 0.4

0.00468x10−7 + 8.3x10−4–228x10−6 =6.02468 x10−4 = 6.0x10−4 se redondea hasta el 3

porque nos indica que es el valor para redondeo.

3. multiplicación y división.

Evalúese

0.0642 x 4.8 = 0.30816 = 0.31

945/0.3185 = 2967.032967= 2967

Las siguientes reglas pueden aplicarse al redondear números, cuando se realizan cálculos
a mano.

1. En el redondeo, se conservan las cifras significativas y el resto se descarta. El

último dígito que se conserva se aumenta en uno, si el primer dígito descartado es
mayor de “5”; de otra manera se deja igual, pero si el primer dígito descartado es
“5” ó “5” seguido de ceros, entonces el último dígito retenido se incrementa en
uno, sólo si es par.
2. En la suma y la resta, el redondeo se lleva a cabo de forma tal que, el último dígito
retenido en la respuesta corresponda al último dígito más significativo de los
números que están sumando o restando. Nótese que un dígito en la columna de
las centésimas es más significativo que uno de la columna de las milésimas.
3. Para la multiplicación y para la división, el redondeo es tal que, la cantidad de
cifras significativas del resultado es igual al número más pequeño de cifras
significativas que contiene la cantidad en la operación.
4. Para combinaciones de las operaciones aritméticas, existen dos casos generales. Se
puede sumar o restar el resultado de las multiplicaciones o de las divisiones.

Error numérico total.

El error numérico total es la suma de los errores de truncamiento y de redondeo. Éste es

el medio para poder lograr minimizar los errores debido a redondeo y esto se logra
incrementando el número de cifras significativas.

Los errores por truncamiento pueden ser disminuidos cuando los errores por redondeo se
incrementan. Para poder disminuir un componente del error numérico total, se debe
incrementar otro valor.
Errores humanos

 Errores por equivocación.

Las equivocaciones ocurren a cualquier nivel del proceso de modelación matemática y

puede contribuir con todas las otras componentes del error. Se puede evitar únicamente
con el conocimiento de los principios fundamentales y con el cuidado sobre la
aproximación y diseño de la solución a un problema.

 Errores de formulación.

Los errores de formulación o de modelamiento degeneran en lo que se podrían

considerar como un modelo matemático incompleto. Un ejemplo de un error de
formulación imperceptible es el hecho de que la segunda ley de newton no explica los
efectos relativistas.

 Incertidumbre en los datos.

Algunas veces se introducen errores en un análisis debido a la incertidumbre de los datos

físicos sobre los que se basa el modelo.

3.1.4. Propagación del error

Causas de errores graves en computación

Existen muchas causas de errores en la ejecución de un programa de cómputo. Para esto,

vamos a pensar en una computadora imaginaria que trabaja con números en el sistema
decimal, en forma tal que tiene una mantisa de cuatro dígitos decimales, y una
característica de dos dígitos decimales, el primero de los cuales es usado para el signo.
Sumados estos seis al bit empleado para el signo del número, se tendrá una palabra de
siete bits. Los números que se van a guardar deben normalizarse primero en la siguiente
forma:

3.0=0.3000x101

7956000=0.7956x107

-0.0000025211=-0.2521x10−5

Empleando esta computadora imaginaria, podemos estudiar algunos de los errores más
serios que se cometen en su empleo.
Suma de números muy distintos en magnitud.

Vamos a suponer que se trata de sumar 0.002 a 600 en la computadora decimal

imaginaria.

0.002= 0.2000 x 10 2

600= 0.6000x103

Estos números normalizados no pueden sumarse directamente y, por tanto, la

computadora debe normalizarlos antes de efectuar la suma

0.000002x103 +0.600000x103= 0.600002x103

Como sólo puede manejar solo cuatro dígitos, los últimos dos son eliminados y la
respuesta es:

0.6000x103 o bien 600 por el resultado, la suma nunca se realizó.

Resta de números casi iguales

Supóngase que la computadora decimal va a restar 0.2144 de 0.2145

0.2145x100- 0.2144x100 =0.0001x100

Como la mantisa de la respuesta esta desnormalizada, la computadora automáticamente

la normaliza y el resultado se almacena como 0.1000x 10−3 . Por lo tanto hasta aquí no hay
error pero en la respuesta solo hay un solo digito significativo, por el cual se sugiere no
confiar en su exactitud.

La propagación de errores.

Una vez que se sabe cómo se produce los errores en un programa de cómputo, podría
pensarse en tratar de determinar el error cometido en cada paso, y conocer de esa
manera el error total en la respuesta final. Sin embargo, esto no es práctico. Resulta más
adecuado analizar las operaciones individuales realizadas por la computadora para ver
cómo se propagan los errores de dichas operaciones.

Suma
Se espera que al sumar a y b, se obtenga el valor correcto de c = a + b; no obstante, se
tiene en general un valor de c incorrecto debido a la longitud finita de palabra que se
emplea. Puede considerarse que este error fue causado por una operación incorrecta de
la computadora. Entonces el error es:

Error=( a+ b )−( a+b )

La magnitud de este error depende de las magnitudes relativas, de los signos de a y b, y de

la forma binaria en que a y b son almacenados en la computadora. Esto último varía
dependiendo de la computadora, y por tanto es un error muy difícil de analizar.

Si por otro lado a y b de entrada son inexactos, hay un segundo error posible. Por ejemplo,
considérese que en lugar del valor verdadero de a, la computadora tiene el valor a ¿, el cual
presenta un error ∈a

a ¿= a+∈a

b ¿= b+∈b

Como consecuencia se tendría, aun si no se cometiera error en la adición, un error en el

resultado:

Error=( a ¿ +b¿ )−( a+ b )

Error=( a+ ∈a+ b+∈b )− ( a+b ) =a+∈a +b+∈b −a−b

Error=∈a +∈b=∈c

O sea c ¿= c +∈c

El error absoluto es:

¿ ( a ¿ +b¿ )−( a+ b )∨¿=¿ ∈a +∈b∨¿≤¿ ∈a∨+¿ ∈b∨¿ o bien ¿ ∈c ∨¿≤¿ ∈a∨+¿ ∈b∨¿

Se dice que los errores ∈a y ∈bse han extendido a c, y ∈c se conoce como error de
propagación, lo cual causa un error en el resultado final.

Resta

El error de propagación ocasionado por valores inexactos iniciales a* y b* pueden darse

de manera similar que en la adición, con un simple cambio de signo.

Multiplicación

Si se multiplica los números a* y b* se obtiene

( a ¿ x b¿ )=( a+∈a ) x ( b+∈b ) =(axb)+(ax ∈b)+(bx ∈a )+(∈a +∈b )

Si ∈a y ∈b son suficientemente pequeños, puede considerarse que su producto es muy

pequeño en comparación con otros términos, y por tanto, eliminar el ultimo termino. Se
obtiene entonces el error del resultado fina

( a ¿ x b¿ )−(axb)≅(ax ∈b)+(bx ∈a )

Esto hace posible encontrar el valor absoluto del error relativo del resultado dividiendo
ambos lados entre a x b.

( a¿ x b¿ ) −(axb) ∈b ∈a ∈b ∈a
¿ ∨¿≈¿ + ∨≤∨ ∨+¿ ∨¿
axb b a b a

El error de propagación relativo en valor absoluto en la multiplicación es

aproximadamente igual o menor a la suma de los errores relativos de a y b en valor
absoluto.

División

Puede considerarse la división de a* y b* como sigue

( a+∈a ) 1
a*/ b*= =( a+∈a )
( b+∈b ) ( b +∈b )

Multiplicando numerador y denominador por ( b−∈b )

( a+∈a ) ( b−∈b ) ab−a ∈b+ ∈a b−∈a ∈b

a*/ b*= =
( b+∈b ) ( b−∈b ) b 2−∈b2

Si, como en la multiplicación, se considera el producto ∈a ∈b muy pequeño y por las

mismas razones, a ∈b2y se desprecian, se tiene:

ab ∈a b a ∈b a ∈a ∈a b
a*/ b*≈ + − 2 = + − 2
b2 b2 b b b b

El error entonces es:

−a ∈a a ∈b
a*/ b* ≈ − 2
b b b

Dividiendo entre a/b se obtiene el error relativo. Al tomar el valor absoluto del error
relativo, se tiene:
 b∗−a ∈a a ∈b
a∗¿ − 2 ∈ ∈ ∈ ∈
b | b b | a − b |≤| a ∨+ ¿ b ∨¿
¿ ∨≈ ≈ a b a b
a /b a/b

Se concluye que el error de propagación relativo del cociente en valor absoluto es

aproximadamente igual o menor a la suma de los errores relativos en valor absoluto de a y
b.

3.1.5. Error de truncamiento y serie de Taylor

Errores de truncamiento.

Los errores de truncamiento son aquellos que resultan al usar una sucesión finita o infinita
de pasos en el cual se realizan cálculos para producir un resultado exacto, se trunca
prematuramente después de un cierto número de pasos.

Truncar la siguiente cifra hasta centésimos, o hasta que sean dos las cifras significativas:

√ 7= 2.645751311 √ 7 ≈ 2.64
Como podemos ver, en este tipo de error, lo que se hace es omitir algunas de las cifras de
una cantidad, debido a que esta contiene muchos decimales, entonces se trunca o corta el
número, por lo que también cae en un error.

Los errores de truncamiento son aquellos que resultan al usar una aproximación en lugar
de un procedimiento matemático exacto. Estos errores se regresan a la formulación
matemática usada ampliamente en los métodos numéricos para expresar funciones en
forma polinomial.

La serie de Taylor

La serie de Taylor da una formulación para predecir el valor de la función en x i+1 en

términos de la función y de sus derivadas en una vecindad del punto x i.

Por ejemplo: el primer término de la serie es conocida como aproximación de orden cero

f (x¿ ¿i+1)¿ ≅f (x¿ ¿i)¿

Aproximación de primer orden:

f (x¿ ¿i+1)¿ ≅ f (x¿ ¿i)¿ + f ´ (x¿ ¿i)h ¿ donde h=(x ¿ ¿ i+ 1−x i)¿

Aproximación de segundo orden:

f ´ ´ ( x ¿¿ i) 2
f (x¿ ¿i+1)¿ ≅f (x¿ ¿i)¿ + f ´ ( x¿ ¿i)h ¿+ ¿ h donde h=(x ¿ ¿ i+ 1−x i)¿
2!

De esta manera se puede agregar términos adicionales para desarrollar la expansión

completa de la serie de Taylor.

f ´ ´ ( x ¿¿ f ) 2 f ( n) ( x ¿¿ f ) n
f (x¿ ¿ f +1)¿ ≅f (x¿ ¿ f )¿ + f ´ ( x¿ ¿ f )h ¿+ ¿h+ h ¿+ Rn
2! n!

Se incluye un término residual para considerar todos los términos desde n + 1 hasta el
infinito:

f ( n+1) (¿ ξ ) n+1
Rn = ¿h
( n+1 ) !

Donde el subíndice n indica que el residuo es de la aproximación a n-ésimo orden y ξ es

un valor cualquiera de x que se encuentre en x i y x i+1

Ejemplo: Aproximaciones de un polinomio mediante la serie de Taylor.

Enunciado del problema: úsense términos en la serie de Taylor de cero a cuarto orden
para aproximar la función:

f ( x )=−0.1 x 4 −0.15 x3 −0.5 x2 −0.25 x+1.2 Desde el punto x i=0 y con h=1. Esto es,
predecir el valor de la función en x i+1=1.

Solución: Ya que se trata de una función conocida se puede calcular valores f(x) 0 y 1

Los resultados indican que la función empieza en f(0)=1.2 y continua hacia abajo hasta
f(1)=0.2. Por lo tanto el valor que se trata de predecir es 0.2.

Orden derivada Aproximación

0 - 1.2
1 -0.25 0.95
2 -1 0.45
3 -0.9 0.3
4 -2,4 0.2

Ejemplo:
Uso de la serie de Taylor para aproximar una función que tiene un número infinito de
derivadas. Úsense los términos de la serie de Taylor con n = 0 hasta 6 para aproximar:
π π π π
f ( x )=cosx En x= (45º). Esto significa que h= − =¿
4 3 4 12

orden derivada Aproximaciones

Solución:
0 - 0.707106781
π 1 -sen(x) 0.521986659
f ( x )=cosx x= 2 -cos(x) 0.497754491
3
3 -sen(x) 0.499869147
f ( x )=0.5 4 -cos(x) 0.5000007551
5 -sen(x) 0.5000000304
6 -cos(x) 0.4999999988

3.2. Raíces de ecuaciones

El objeto del cálculo de las raíces de una ecuación es determinar los valores de x para los
que se cumple: f(x) = 0

La determinación de las raíces de una ecuación es uno de los problemas más antiguos en
matemáticas y se han realizado un gran número de esfuerzos en este sentido. Su
importancia radica en que si podemos determinar las raíces de una ecuación también
podemos

3.2.1. Método gráfico

Es método simple para obtener una aproximación a la raíz de la ecuación f(x) = 0, consiste
en graficar y observar en donde cruza el eje x. Este punto, que representa el valor de x
para el cual f(x) = 0, proporciona una aproximación inicial de la raíz.

Ejemplo: Empléese gráficas para obtener una raíz aproximada de la siguiente función:

f ( x )=e−x −x x=−0.2 a 1.1

Ejemplo: Grafíquese el siguiente vector

Ejemplo. 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 = 10s.
Nota la aceleración de la gravedad es 9.8 m/ s2. Determine su gráfica.

gm
v ( t )= ¿)
c

Solución: Este problema se resuelve determinando la raíz de la ecuación usando los

parámetros: t = 10, g = 9.8, v = 40 y m = 68.1

c
gm 9.8(68.1) −( )10
f ( c) = ¿)-v f ( c) = (1−e 68.1 )−40
c c
 3.2.2. Métodos cerrados. Bisección. Regla Falsa. Otros métodos

Cuando para encontrar la solución a una ecuación, digamos f(x) = 0 partimos de un

intervalo [ a , b ] dentro del cual sabemos que se encuentra la solución, y paso a paso
reducimos dicho intervalo hasta obtener [ a n , b n ] tal que [ a n−bn ] <∈ > 0 como la tolerancia,
decimos que hemos utilizado un método de intervalo o método cerrado.

A estas técnicas se les llama métodos que usan intervalos porque se necesitan de dos
valores iníciales para la raíz. Como su nombre lo indica, estos valores deben encerrar o
estar uno de cada lado de la raíz. Los métodos particulares descritos sobre este punto
emplean diferentes estrategias para reducir sistemáticamente el tamaño del intervalo y
así converger a la respuesta correcta. Además de la utilidad de los métodos gráficos para
determinar valores iníciales, también son útiles para visualizar las propiedades de las
funciones y el comportamiento de los métodos numéricos

Bisección

Es un método de búsqueda incremental se aprovechan de esta característica para localizar

un intervalo donde la función cambie de signo. Por lo tanto, la localización del cambio de
signo, se logra más exactamente dividiendo el intervalo en una cantidad definida de
subintervalos. El método de bisección conocido también como de corte binario, de
partición en dos intervalos iguales o método Bolzano, es un método de búsqueda
incremental en el que el intervalo se divide siempre en dos. 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 subintervalos dentro del cual ocurre
un cambio de signo. El proceso se repite hasta obtener una mejor aproximación.

Criterio de convergencia.

Si el intervalo original es de tamaño a y el criterio de convergencia aplicado al

valor absoluto de la diferencia de dos x r consecutivas es Ɛ, entonces se requerirán
n interacciones, donde n se calcula con la igualdad de la expresión

a
≤ Ɛ Despejando el valor de n:
2n

a
In =¿ Ɛ
2n

Ina−¿ 2n=¿ Ɛ

Ina−¿ Ɛ=nIn2

Ina−¿ Ɛ ¿ ( x u−x 1 ) −¿ Ɛ Nos resulta: n= ¿ ( a )−¿(Ɛ )

n= =
¿2 ¿2 ¿(2)

Por esto se dice que se puede saber de antemano cuantas iteraciones se requieren. O bien
se puede utilizar el siguiente criterio de convergencia | Ea ∨¿<Ɛ

|EA|=|aprox actual−aproxanterior ∨¿

Algoritmo

Paso 1: Elija los valores iníciales inferior x l y x ude forma tal que la función cambie de signo sobre el
intervalo. Esto se puede verificar asegurándose de que:

f (x¿ ¿l)f ( x ¿¿ u)<0 ¿ ¿ Entonces hay al menos una raíz entre x l y x u, ir al paso 2.

f (x¿ ¿l)f ( x ¿¿ u)>0 ¿ ¿ Entonces, no tiene raíz entre x l y x u, cambiar al intervalo o pase al paso 4.

Pasó 2: La primera aproximación a la raíz X, se determinan como:

x l + xu
x r=
2

Paso 3: Realice las siguientes evaluaciones para determinar en que subintervalos cae la raíz
 a) f (x¿ ¿l)f ( x ¿¿ r )<0 ; ¿ ¿ Entonces la raíz se encuentra dentro del subintervalo inferior o
izquierdo. Por lo tanto, tome x u= x r, y continúe en el paso 2
b) f (x¿ ¿l)f ( x ¿¿ r )>0 ; ¿ ¿Entonces la raíz se encuentra dentro del subintervalo superior o
derecho. Por lo tanto, tome x l= x r y continue con el paso 2
c) f (x¿ ¿l)f ( x ¿¿ r )=0 ¿ ¿; La raíz es igual a x r; termine el calculo. Pase al paso 4

Paso 4: fin del calculo

Ejemplo: Utilice el método de bisección para encontrar la raíz real de la siguiente función:

f ( x )=e−x −x error =0.001 x1=0 xu=1

Solución: usando Excel

Usando matlab:

Regla Falsa

Aunque el método de bisección es una técnica perfectamente válida para determinar

raíces, su enfoque es relativamente ineficiente. Una alternativa mejorada es la de del
método de la regla falsa (falsa posición) está basada en una idea para aproximarse en
forma más eficiente a la raíz. Un defecto del método de bisección es que al dividir el
intervalo x 1 a x u en mitades iguales, no se toma en consideración la magnitud de
f (x¿ ¿l)¿ y de f (x¿ ¿u) ¿.

Ejemplo:

Si f (x¿ ¿l)¿ esta mucho mas cerca de cero que f (x¿ ¿u) ¿, es lógico que la raíz se
encuentre mas cerca de x l que de x u. Este método alternativo aprovecha la idea de unir
los puntos con una línea recta. La intersección de la línea con el eje de las x proporciona
una
mejor estimación de la raíz. El reemplazamiento de la curva por una línea recta da una
“posición falsa ” de la raíz , de aquí el nombre de método de la regla falsa o en latín ,
regula falsi. También se
le conoce como método
de interpolación lineal.
Con el uso de triángulos
semejantes, la
intersección de la línea
recta y el eje de las x se
puede calcular de la
siguiente manera:

f ( x ¿¿ l) f (x ¿¿u)
= ¿¿
x r −x l xr −x u

Figura 1: esquema grafico del método de la regla falsa. La fórmula se deriva de los
triángulos semejantes (áreas sombreadas)

Multiplicando en cruz la ecuación se obtiene:

f (x¿ ¿l) ( xr −x u )=f ( x u )(xr −x l)¿

Agrupando términos y reordenando:

x r [ f ( x l ) −f ( x u ) ]=x u f ( x l )−x l f (x u )

Dividiendo entre f (x¿ ¿1)−¿ ¿ f (x u)

x u f ( x l )−x l f (x u )
x r=
f ( x l )−f ( x u)

Se puede ordenar de una manera alternativa:

f ( xl ) x u f ( xu ) xl
x r= −
f ( x l ) −f ( xu ) f ( x l )−f ( x u)

Sumando y restando x u del lado derecho

 f ( xl ) xu f ( xu ) x l
x r=x u + −
f ( x l )−f ( x u ) f ( xl ) −f (xu )

Agrupando términos

f ( xl ) xu f ( xu ) x l
x r=x u + −
f ( x l )−f ( x u ) f ( xl ) −f (xu )

f ( x u)( x l−x u )
x r=x u −
f ( x l )−f (x u)

Esta es la fórmula de la regla falsa. El algoritmo es idéntico al de la bisección con la excepción de

que la ecuación se usa en los pasos 2. Además se usan los mismos criterios de paro para detener
los cálculos.

Algoritmo

Paso 1: Elija los valores iníciales inferior x l y x ude forma tal que la función cambie de signo sobre el
intervalo. Esto se puede verificar asegurándose de que:

f (x¿ ¿l)f ( x ¿¿ u)<0 ¿ ¿ Entonces hay al menos una raíz entre x l y x u, ir al paso 2.

f (x¿ ¿l)f ( x ¿¿ u)>0 ¿ ¿ Entonces, no tiene raíz entre x l y x u, cambiar al intervalo o pase al paso 4.

Pasó 2: La primera aproximación a la raíz X, se determinan como:

f ( x ¿¿ u)(x l −xu )
x r=x u ¿
f ( x ¿¿ l)−f (x ¿¿ u)¿¿

Paso 3: Realice las siguientes evaluaciones para determinar en que subintervalos cae la raíz

a) f (x¿ ¿l)f ( x ¿¿ r )<0 ; ¿ ¿ Entonces la raíz se encuentra dentro del subintervalo inferior o
izquierdo. Por lo tanto, tome x u= x r, y continúe en el paso 2
b) f (x¿ ¿l)f ( x ¿¿ r )>0 ; ¿ ¿Entonces la raíz se encuentra dentro del subintervalo superior o
derecho. Por lo tanto, tome x l= x r y continue con el paso 2
c) f (x¿ ¿l)f ( x ¿¿ r )=0 ¿ ¿; La raíz es igual a x r; termine el calculo. Pase al paso 4

Paso 4: fin del calculo

Ejemplo: Utilice el método de bisección para encontrar la raíz real de la siguiente función:
f ( x )=cos ( x ) −¿( x ) error =0.001 x1=0 xu=2

Solución: usando Excel

Usando matlab:
Otros métodos

Definición. Condición de Lipschitz. Una función f(x) definida en el intervalo [a,b] se dice
que satisface una condición de Lipschitz, si existe una constante L > 0 tal que

| f (x¿ ¿l)−f ( x ¿¿ 2)∨≤ L∨xl −x2 ∨¿ ¿ ¿ Para cualquier par de números x l , x 2 ∈ [ a ,b ] .

Observamos que cualquier función f(x) donde la expresión

¿ f ( x¿ ¿l)−f (x 2)∨ ¿ ¿ ¿ se puede simplificar a k
¿ x l−x 2∨¿ ¿ donde k es una constante
g (, x 2)
y el valor de g( , x 2) se pueda hacer arbitrariamente pequeño para x l , x 2 ∈ [ a , b ] , no puede
satisface una condición de Lipschitz.
Si f (x) ∈C [ a , b ] (es decir, si f´(x) existe y es continua) entonces f(x) satisface también una
condición de Lipschitz. Esto se cumple ya que, por el teorema de valor medio para
derivadas una c entre x l y x 2 tal que:

f (x ¿¿ 2)
f ´ ( c ) =f (x ¿¿ 1)− ¿ ¿ y entonces | f ( x 1 ) −f ( x 2 )∨¿ =|f ´ ( c ) ( x 1−x 2 ¿∨≤ L∨x1 −x2 ∨¿
x 1−x2
para cualquiera

xl , x2 ∈ [ a , b]

3.2.3. Métodos abiertos. Iteración de punto fijo.

El método de aproximaciones sucesivas, método iterativo y también conocido como

método de punto fijo, es uno de los métodos más sencillos e ilustra (a diferencia del
método de bisección) el caso cuando no se tiene garantía de obtener la solución. Por tal
motivo, el tema central aquí es el concepto de convergencia de una sucesión de
aproximaciones

∞
Definición. (Velocidad de convergencia). Sea { x n } una sucesión de aproximaciones
n−1
∞
que convergen a s, de forma que nlim x n=s . Si la ecuación de errores { ∈n } (donde
→∞ n−1
∈n=x n−s ¿ satosface.

lim ¿ ∈n+1∨ ¿ ¿
n→∞ ¿ ∈n∨¿=k , k >0 ¿

Para alguno números fijos, K, entonces a es el orden de convergencia para { x n }, y K es la

constante asintótica o factor de convergencia

En base a la definición anterior, destacamos los casos para cuándo a=1 y a=2 que
corresponden a convergencia lineal, y convergencia cuadrática respectivamente.
 Fuentes de información

https://sites.google.com/site/spacebioq/home/unidad-3

https://sites.google.com/site/spacebioq/home/unidad-3

https://es.scribd.com/doc/284125774/Unidad-3-Analisis-de-Error-y-Solucion-de-Ecuaciones

https://gimc.wordpress.com/analisis-de-errores-para-los-metodos-numericos/

https://sites.google.com/site/metodosnumericose11/unidad-ii-raices-de-ecuaciones