Metodos

INTRODUCCION A LOS MÉTODOS
NUMÉRICOS
Losada H, Solón Efrén. Morales P, Jorge. Ruiz P, Carlos Fabián.
2
Contenido
Introducción ............................................................................................................... 5
1. Teoría del error. ................................................................................................ 9
1.1 Tipos de error. ........................................................................................................................ 9
1.1.1. Experimental. ...................................................................................................................... 9
1.1.2. Error de máquina. ............................................................................................................ 10
1.1.3. Exactitud............................................................................................................................ 10
1.1.4. Precisión............................................................................................................................ 13
1.1.4.2. Error normalizado ..................................................................................................... 17
1.1.4.3. Tolerancia. ................................................................................................................. 23
1.1.4.4. Series.......................................................................................................................... 25
1.1.4.5. Casos especiales tolerancia. .................................................................................. 26
1.2 Ejercicios propuestos .......................................................................................................... 27
2. Series de Taylor ............................................................................................. 29
2.1 Series de MacLaurin. .......................................................................................................... 29
2.2 Series de Taylor. .................................................................................................................. 35
2.2.1. Series de Taylor desde el punto de vista numérico. .................................................. 36
2.2.2. Teorema de Taylor (Truncamiento) .............................................................................. 38
2.2.3. Sumas parciales de las series de Taylor. .................................................................... 45
3. Raíces de funciones ...................................................................................... 51
3.1 Raíces reales de funciones ................................................................................................ 54
3.1.1. Bisección ........................................................................................................................... 55
3.1.2. Punto fijo ........................................................................................................................... 63
3.1.3. Newton-Raphson ............................................................................................................. 65
3.1.4. Newton mejorado ............................................................................................................. 72
3.1.5. Método de la secante ...................................................................................................... 75
3.1.6. Método de regla falsa ...................................................................................................... 79
3.1.7. Comparación de secante y regla falsa ......................................................................... 85
3.1.8. Comparación de bisección y regla falsa ...................................................................... 87
3.1.9. Bisección-regla falsa alternados.................................................................................... 90
3.1.10. Regla falsa-bisección alternados ................................................................................ 91
3.1.11. Comparación métodos cerrados ................................................................................. 93
4. Raíces reales de polinomios ...................................................................... 100
4.1 Preliminares sobre polinomios ........................................................................................ 100
4.1.1. Multiplicidad de las raíces ............................................................................................ 100
4.1.2. Existencia de las raíces ................................................................................................ 106
4.2 Sucesiones de Sturm ........................................................................................................ 110
4.2.1. Intervalos con una única raíz real diferente ............................................................... 120
4.2.2. Metodos adecuados para hallar raíces de polinomios............................................. 127
4.2.3. Multiplicidades de las raíces de las aproximaciones encontradas ........................ 134
Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

3
4.3 Deflación polinomial .......................................................................................................... 136

4.4 Algoritmo sugerido para hallar raíces reales de un polinomio ................................... 138
4.5 Raices Complejas de Polinomios.................................................................................... 150
4.5.1. Método de Bairstow ....................................................................................................... 150
4.6 Ejercicios propuestos ........................................................................................................ 160
5. Ajuste de curvas .......................................................................................... 162
5.1 Metodo de minimos cuadrados ....................................................................................... 163
5.1.1. Regresión lineal ............................................................................................................. 166
5.1.2. Regresión polinomial ..................................................................................................... 167
5.1.3. Regresión multiple ......................................................................................................... 168
5.1.4. Minimos cuadrados a un modelo exponencial .......................................................... 169
5.2 Linealización ....................................................................................................................... 171
5.2.1. Traslaciones al linealizar .............................................................................................. 176
5.3 Minimos cuadrados vs linealización ............................................................................... 180
5.4 Interpolación polinomial .................................................................................................... 182
5.4.1. Diferencias finitas........................................................................................................... 184
5.4.1.1. Diferencias Finitas Hacia Adelante ∆ ................................................................. 184
5.4.1.2. Diferencias Finitas Hacia Atras ∆ ........................................................................ 193
5.4.1.3. Relación entre las Diferencias Hacia delante y hacia Atras ............................ 195
5.4.1.4. Diferencias Finitas Centradas ∆ ........................................................................... 196
5.4.2. Interpolación de Newton ............................................................................................... 198
5.4.2.1. Newton sobre una partición equidistante ............................................................ 203
5.4.3. Método de Lagrange ..................................................................................................... 204
5.4.4. Comparación de los métodos ...................................................................................... 211
5.4.5. Error en el polinomio interpolante ............................................................................... 212
6. Integración Numérica .................................................................................. 218
6.1 Aproximación por medio de funciones escalonadas .................................................... 220
6.1.1. Sumas Superiores (𝒇𝑹𝑺(𝒙))......................................................................................... 221
6.1.2. Sumas Inferiores (𝒇𝑹𝑰(𝒙)) ............................................................................................ 224
6.1.3. RIEMANN........................................................................................................................ 228
6.1.4. Sumas Punto Medio (𝒇𝑴(𝒙))....................................................................................... 229
6.2 Aproximación por medio de un Polinomio de grado 1 (Método del trapecio) .......... 233
6.2.1. Cota de error para la regla del trapecio: .................................................................... 240
6.3 Aproximación por medio de un Polinomio de grado 2 (Método de Simpson) .......... 245
6.3.1. Cota para el error en el método de Simpson ............................................................ 253
6.4 Aproximación de Newton-Cotes (Orden superior) ....................................................... 255
6.4.1. Aproximación por el método de Boole........................................................................ 256
6.4.1.1. Cota para el error en el método de Boole ........................................................... 262
6.5 Método de Integración de Romberg ............................................................................... 265
7. Diferenciación Numérica............................................................................. 274
7.1 Aproximación de la derivada hacia adelante ................................................................ 277
7.1.1. Primera Derivada hacia Adelante ............................................................................... 277
7.1.2. Derivada de orden superior hacIa adelante .............................................................. 279
7.2 Aproximación de la derivada hacia atrás ....................................................................... 281

4
7.2.1. Primera derivada hacia atrás ....................................................................................... 281

7.2.2. Derivadas de orden superior hacia atrás ................................................................... 281
7.3 Aproximación de la derivada centrada ........................................................................... 281
7.3.1. Primera Derivada Centrada ......................................................................................... 281
7.3.2. Derivada de orden superior Centradas ...................................................................... 282
Bibliografía ............................................................................................................. 287
Respuestas ............................................................................................................ 288
Tabla de símbolos ................................................................................................. 302
Índice alfabético .................................................................................................... 303

5
Introducción
Debemos aclarar que las presentes notas son producto de los cursos de métodos
numéricos dictados en la universidad militar nueva granada durante varios años y
no pretende ser un libro formal de métodos numéricos, más bien, sirve como
complemento a libros conocidos, se tratara de dar un enfoque un poco diferente
en un lenguaje más cotidiano.
La matemática actual cuenta con diferentes teorías y métodos para hallar

soluciones a diversos problemas, cuenta además con un lenguaje propio que
permite expresar diferentes conceptos de manera concisa y precisa, sin embargo,
este lenguaje muchas veces alcanza a ser insuficiente para ciertos propósitos o
los métodos actuales no solucionan completamente los problemas que se puedan
presentar, mostremos primero dos hechos que ilustran estas afirmaciones.
En primer lugar, uno de los problemas más frecuentes en matemáticas es

encontrar soluciones reales de ecuaciones, sin embargo, existen ecuaciones que
a pesar de ser muy sencillas de escribir en el lenguaje matemático como 𝑥 −
𝑐𝑜𝑠(𝑥) = 0 no se puede resolver analíticamente (con las técnicas convencionales)
aunque gráficamente se ve que en efecto tiene solución (ya que es la intersección
de las gráficas de 𝑥 y 𝑐𝑜𝑠(𝑥)).
Gráfica 0-1
Un segundo ejemplo, para calcular valores de integrales definidas usamos el

teorema fundamental del cálculo (TFC) el cual nos permite relacionar las
antiderivadas de la función con el valor de la integral, sin embargo hay situaciones
en las cuales estas antiderivadas no se pueden expresar como combinación de
funciones elementales (las comúnmente conocidas) uno de estos casos se

6
presenta al hallar la probabilidad de una variable aleatoria que tenga una

distribución normal, ya que para esto nos vemos enfrentados a calcular la integral
𝑏 2 2
definida ∫𝑎 𝑒 −𝑥 𝑑𝑥 y por tanto se necesita una antiderivada de la función 𝑒 −𝑥 (la
cual no puede ser expresada por medio de funciones polinomicas, radicales,
exponenciales, logarítmicas ni combinación de ellas por medio del algebra de
funciones).
Aunque el problema claramente tiene solución ya que es el área bajo la curva de

una función continua sobre un intervalo acotado (Apostol, 1996) lo cual
gráficamente es
Gráfica 0-2
El objetivo de estas notas es describir brevemente (y en algunos casos ver qué

motivó a desarrollar diferentes métodos numéricos) algunos métodos numéricos,
es decir, buscar soluciones aproximadas de problemas que no pueden ser
resueltos con los métodos analíticos conocidos. En estas notas nos centraremos
en los problemas que no pueden ser resueltos por métodos analíticos (ya que si
fuera esto posible no tendríamos la necesidad de crear una aproximación de la
solución), por lo tanto no buscaremos las soluciones exactas de dichos problemas
(es imposible) pero trataremos de dar aproximaciones bastante “buenas” de estas.
Y aquí ya nos enfrentamos al primer problema o característica de los métodos
numéricos, Nunca solucionaremos un problema de manera exacta, estaremos
dando aproximaciones pero tratando de controlar o medir el margen de error que
aparece en la ejecución de los procesos utilizados.
Por las razones antes mencionadas empezaremos nuestro primer capítulo con un
estudio breve de la teoría del error dando una definición alterna de tolerancia, la
cual puede ser usada aprovechando la potencia de las maquinas actuales que nos
permiten trabajar con bastantes cifras significativas, lo cual nos da un criterio para
ver si los métodos numéricos recursivos (es decir, que usan un algoritmo

7
recursivo) son lo suficientemente “buenos” para ser tenidos en cuenta e

implementarlos. Para El segundo capítulo está dedicado a un repaso de las series
y el teorema de Taylor desde el punto de vista numérico el cual es parte
fundamental en el desarrollo de la mayoría de métodos numéricos.
En el tercer capítulo discutiremos uno de los problemas más comunes en

matemáticas como lo es la resolución de ecuaciones reales como fue mostrado en
el primer ejemplo de esta introducción además ya que las funciones más naturales
para nosotros son los polinomios dedicaremos la última parte de este capítulo a
encontrar raíces de ecuaciones polinomicas y daremos un algoritmo completo
para aproximar las raíces reales de dichas ecuaciones el cual no se encuentra
completo en la bibliografía actual (como parte opcional se aproximaran las
complejas).
Para el cuarto capítulo estudiaremos ajuste de curvas (funciones) empezando por

el método de mínimos cuadrados; estudiándolo teóricamente como un problema
de minimización de la norma del vector error y después se compara explícitamente
el método teórico a funciones no polinomiales con las regresiones lineales
aplicadas a linealizaciones de los modelos y mostrando sus diferencias. En
segundo lugar, se muestra de manera sencilla y natural haciendo uso únicamente
del teorema del factor la forma de construir un polinomio de interpolación.
En los capítulos quinto y sexto los dedicamos al cálculo en una variable

comenzando por la integración (orden histórico) y centrándonos en los métodos y
errores de los métodos de Newton-Cotes que son simplemente aplicación de la
interpolación polinomial después usaremos el teorema de Taylor para llegar a
aproximaciones de la derivada (mostrando explícitamente el desarrollo de estas
fórmulas) y las escribiremos de manera simplificada haciendo uso de las
diferencias finitas divididas.
El capítulo séptimo usamos las aproximaciones de las derivadas sobre las

ecuaciones diferenciales ordinarias para encontrar soluciones aproximadas de los
problemas de valor inicial (método de Euler) mostrando explícitamente ejemplos
en los cuales el método de Euler es usado hacia atrás e implementándolo a
ecuaciones de orden superior (en este caso segundo orden aunque desde este
punto de vista es fácilmente generalizable).
Para concluir estas notas el ultimo capitulo hacemos una introducción sobre las
ecuaciones diferenciales parciales centrándonos en ecuaciones de primer y
segundo orden y usamos las aproximaciones de la derivada para ilustrar el
esquema del método de las diferencias finitas sin entrar a ver los problemas de

8
consistencia, estabilidad y convergencia de estos (esto escapa del alcance de

estas notas), por esta razón algunos de los ejemplos y ejercicios presentados aquí
no pueden ser llevados a la práctica, sin embargo, es interesante ver cómo se
pueden construir opciones de métodos para atacar la aproximación de las EDP.

9
1. Teoría del error.
Como ya se mencionó en la introducción el propósito de estas notas es buscar

soluciones aproximadas de problemas que no pueden ser resueltos con los
métodos analíticos conocidos, como se va a trabajar con aproximaciones es
necesario saber si efectivamente dichas aproximaciones son cercanas a la
solución real del problema y si lo son que tan “buenas” son.
Para esto haremos un breve estudio de la teoría del error centrándonos en la

precisión ya que la mayoría de los métodos que se estudiaran en estas notas son
recursivos.
En estas notas se usara el término error para representar tanto la inexactitud

como la imprecisión en los cálculos numéricos, hecha esta aclaración
analizaremos los factores que contribuyen al error.
1.1 Tipos de error.
1.1.1. Experimental.
Cuando se quiere medir las variaciones de algún evento hay que ser cuidadoso de
no producir perturbaciones en el sistema que está bajo observación. Por ejemplo,
para medir la temperatura de un cuerpo, lo ponemos en contacto con un
termómetro, pero al ponerlos juntos, algo de energía (calor) se intercambia
(trasfiere) entre el objeto y el termómetro, generando un cambio en la temperatura
del cuerpo que deseamos medir. Así, el instrumento de medición afecta el
resultado de la medida.
Además, todas las medidas están afectadas en algún grado por un error
experimental debido a las imperfecciones inevitables tanto del instrumento de
medida como de las limitaciones impuestas por nuestros sentidos al registrar la
información.
(Este tipo de error no es el objeto de estas notas).

10
1.1.2. Error de máquina.
Teóricamente tenemos la existencia de números reales con una cantidad infinita

de cifras decimales (por ejemplo 𝜋), sin embargo, en los cálculos con
computadores es imposible manejar una cantidad de información infinita. Por
ejemplo el resultado de multiplicar dos números con cuatro cifras decimales es en
general un numero con ocho cifras decimales, pero si tenemos que efectuar varias
multiplicaciones sucesivas, en algunos momentos, es imposible manejar una
cantidad grande de cifras decimales.
El computador solo utiliza números con una cantidad finita de cifras, de modo que
los cálculos se realizan únicamente con representaciones aproximadas de los
números exactos. En un computador, solo se usa un subconjunto relativamente
pequeño del sistema de números reales para representarlos a todos, este conjunto
es el conocido como los puntos flotantes por ejemplo 3153,07 = 3.15307 ∗ 103
Para estudiar las causas del error con algo de profundidad el lector se puede
dirigir al anexo 1 (Números de maquina), otro inconveniente es el sistema
numérico de los computadores actuales: el sistema numérico en base dos o
binario, desde luego, esto no impide que la comunicación con el computador se
haga en el sistema decimal (base 10), con el cual estamos familiarizados, sin
embargo, se tiene cierto grado de perdida en la información ya que el computador
debe entre estos dos sistemas.
1.1.3. Exactitud.
Se refiere a la aproximación de un número o de una medida al valor verdadero

que se supone representa.
Error absoluto.
Se da cuando se aproxima el valor real con un valor aproximado, mediremos la

distancia entre ellos (notemos que el error absoluto es una distancia así siempre
es mayor o igual a cero).

11
Definición 1-1 (Error absoluto) Definimos el error absoluto de una aproximación

como la distancia entre este y el valor real así,
(2.1) 𝜀𝑎 = |𝑥̃ − 𝑥|
Donde 𝑥̃ es el valor aproximado y 𝑥 es el valor verdadero. (Antonio, 1998)
Ejemplo 1-1 Supongamos que por medio de un experimento de laboratorio se

quiere medir la aceleración de la fuerza de la gravedad, y el resultado nos da
𝒎
̃ = 𝟏𝟎. 𝟏
𝒙 este sería nuestro valor aproximado, tomando el valor “real” como
𝒔𝟐
𝒎
𝒙 = 𝟗. 𝟖𝟏 tenemos que el error absoluto es:
𝒔𝟐
𝑚 𝑚 𝑚
𝜀𝑎 = |10.1 𝑠2 − 9.81 𝑠2 | = 0.29 𝑠2 .
Ejemplo 1-2 Suponga que se tiene que medir la longitud de un puente y la de un

remache, y se obtiene 𝟗𝟗𝟗𝟗 𝒄𝒎 y 𝟗 𝒄𝒎 respectivamente. Si los valores son
𝟏𝟎𝟎𝟎𝟎 𝒄𝒎 y 𝟏𝟎 𝒄𝒎, calcule el error absoluto en cada caso. El error absoluto en la
medición del puente es:
𝜀𝑎 = |𝑥̃ − 𝑥| = |100000 𝑐𝑚 − 99999 𝑐𝑚| = 1𝑐𝑚
Y para el remache es:
𝜀𝑎 = |𝑥̃ − 𝑥| = |10𝑐𝑚 − 9𝑐𝑚| = 1𝑐𝑚.
Uno de los problemas al considerar el error absoluto es que este depende de las
unidades, así en el ejemplo anterior el error de 1 𝑐𝑚 es igual para los dos
experimentos, sin embargo, a pesar que el error absoluto es el mismo, en el
segundo experimento la experiencia nos dice que es más “grande” con respecto a
lo que se mide, por esta razón, es bueno comparar el error con respecto a lo que
se está midiendo, además, es bueno que el error sea independiente de la escala
usada. Estas consideraciones motivan la siguiente definición.
Error relativo.
Definición 1-2 (Error relativo) Definimos el error relativo como la razón entre el
error absoluto y la magnitud del valor verdadero y lo denotamos por:

12
𝜀 𝑥̃−𝑥
(2.2) 𝜀𝑟 = |𝑥|𝑎 = | |
𝑥
siempre y cuando el valor real de 𝑥 sea no nulo. (En cuyo caso es suficiente
trabajar con el error absoluto). (Burden R. y Faires, 2003) (Antonio, 1998)
Ejemplo 1-3 Calcular los errores relativos de los experimentos del Ejemplo 1-2 de
la sección anterior. (El puente y el remache).
El error relativo en la medición del puente es:
𝑥̃ − 𝑥 10000𝑐𝑚 − 9999𝑐𝑚
𝜀𝑟 = | |=| | = 0.0001
𝑥 10000𝑐𝑚
y para el remache es:
𝑥̃ − 𝑥 10𝑐𝑚 − 9𝑐𝑚
𝜀𝑟 = | |=| | = 0.1
𝑥 10𝑐𝑚
Observemos que esta medida del error es un escalar (es un número

independiente de las unidades), el cual nos muestra que el error en el experimento
del remache es más grande que el del puente en su contexto. Estos valores en
realidad son partes de los valores reales, es decir, el error cometido al medir el
remache es la 0.1 parte total de lo que mide el remache, lo cual puede ser mejor
explicado en términos de porcentajes, lo cual motiva una variación de la definición
anterior.
1.1.3.1.1. Error relativo porcentual.
Definición 1-3 (Error relativo porcentual) Definimos el error relativo porcentual

como el porcentaje entre el error absoluto y la magnitud del valor verdadero y lo
denotamos por
𝜀 𝑥̃−𝑥
(2.3) 𝜀𝑟% = |𝑥|𝑎 ∗ 100% = | | ∗ 100%
𝑥
Siempre y cuando el valor real sea no nulo. (Burden R. y Faires, 2003)

13
Ejemplo 1-4 Calcular los errores relativos porcentuales del Ejemplo 1-2 (El
puente y el remache).
El error relativo porcentual en la medición del puente es:
𝑥̃ − 𝑥 10000𝑐𝑚 − 9999𝑐𝑚
𝜀𝑟% = | | ∗ 100% = | | ∗ 100% = 0,01%
𝑥 10000𝑐𝑚
Y para el remache es:
𝑥̃ − 𝑥 10𝑐𝑚 − 9𝑐𝑚
𝜀𝑟% = | | ∗ 100% = | | ∗ 100% = 10%
𝑥 10𝑐𝑚
A pesar de las definiciones anteriores, estas no pueden ser usadas en nuestras
notas ya que ellas recurren al uso del valor real, existen dos problemas con el
valor real, el primero es que no lo tenemos (si lo conocemos no hay necesidad de
aplicar métodos numéricos) y el segundo es que lo conocemos pero
numéricamente no lo entendemos (por ejemplo √2).
Esto nos crea una necesidad de trabajar de un modo diferente el error, para esto
estudiaremos la precisión.
1.1.4. Precisión.
Se refiere a que tan cercano esta un valor individual medido o calculado con
respecto a otros valores medidos.
En la mayoría de métodos numéricos que desarrollaremos, trataremos de
acercarnos a algún valor, (ya sea solución de una ecuación, valor de una
integral,…), esto lo haremos de forma recurrente, es decir, daremos una primera
aproximación, basándonos en esta daremos una segunda y así sucesivamente,
esto nos lleva al estudio de las sucesiones.
1.1.4.1.1. Sucesiones y series.
Definición 1-4 (Sucesión) Por una sucesión finita de 𝒏 términos entenderemos

una función 𝑭 cuyo dominio sea el conjunto de números {𝟏, 𝟐, … , 𝒏} e infinita
cuando el dominio sea el conjunto {𝟏, 𝟐, 𝟑, … } de todos los enteros positivos (o

14
conjunto contable y totalmente ordenado (Muñoz Quevedo, 2002). El recorrido de

F, esto es, el conjunto {𝑭(𝟏), 𝑭(𝟐), 𝑭(𝟑), … }, se designa tambien por {𝑭𝟏 , 𝑭𝟐 , 𝑭𝟑 , … },
y el valor 𝑭𝒏 se llama el termino n-ésimo de la sucesión, usualmente la sucesión
se denota por (𝒙𝒏 ) o (𝒂𝒏 ).
Ejemplos de sucesiones:
 Números Primos 2,3,5,7,11,…,
𝑓0 = 0
 Sucesión de Fibonacci:{ 𝑓1 = 1
𝑓𝑛 = 𝑓𝑛−1 + 𝑓𝑛−2
La idea es que están sucesiones se acerquen al valor buscado, así estudiaremos

a las sucesiones convergentes.
Definición 1-5 (Sucesión convergente) (Apostol, 1996) Sea (𝒙𝒏 ) una sucesión en
los reales se dice que converge a un valor 𝑳 si y solo si dado ℇ > 𝟎 existe un
𝑵 ∈ ℕ tal que:
|𝑥𝑛 − 𝐿| < 𝜀
Siempre que 𝑛 > 𝑁.
Para ilustrar esta definición veamos el siguiente ejemplo.
Ejemplo 1-5 Consideremos la sucesión de números reales dada por

3𝑛
𝑥𝑛 = 7𝑛+3.
Sabemos por los cálculos directos del límite que

3𝑛 3
𝑙𝑖𝑚 𝑥𝑛 = 𝑙𝑖𝑚 =
𝑛→∞ 𝑛→∞ 7𝑛 + 3 7
Ahora, la definición anterior nos dice que si vamos “adelante” en la sucesión, estos
3
valores van a ser muy cercanos al valor del límite 𝐿 = 7.
Tabla 1-1
𝑛 𝑥𝑛 |𝑥𝑛 − 𝐿|

15
1 0.3 0.1285714286
2 0.352941176 0.0756302521
3 0.375 0.0535714286
4 0.387096774 0.0414746544
1000 0.428387834 0.0001835948
1000000 0.428571245 0.0000001837
En muchas de nuestras aproximaciones numéricas nos acercaremos a la solución

por medio de sucesiones, las cuales esperamos que sean convergentes, la
definición de sucesión convergente nos da un criterio para verificar la
convergencia, sin embargo, esta recurre al uso del valor límite de la sucesión el
cual nosotros no conocemos (ni conoceremos), retomemos el ejemplo anterior y
utilicemos las ideas de Cauchy, en la Tabla 1-2 compararemos la distancia de un
elemento de la sucesión y el siguiente así;
Tabla 1-2
𝑛 𝑥𝑛 |𝑥𝑛 − 𝑥𝑛−1 |
1 0.3
0.05294117647059
2 0.352941176
2 0.352941176
0.02205882352941
3 0.375
3 0.375
0.01209677419355
4 0.387096774
1000 0.428387834
0.0000001833328818
10001 0.428553064
1000000 0.428571245
0.0000000000004286
1000001 0.428571245
En la tabla anterior se ve que entre más avanzamos en la sucesión, la distancia

entre cada par de términos es más pequeña, esto motiva a la siguiente definición
la cual es muy útil para nosotros.
Definición 1-6 (Sucesiones de Cauchy) (Apostol, 1996) Sea 𝒙𝒏 una sucesión se

dice de Cauchy si y solo si dado 𝜺 > 𝟎 existe 𝑵 ∈ ℕ tal que:
|𝑥𝑛 − 𝑥𝑚 | < 𝜀
siempre que 𝑛, 𝑚 > 𝑁.

16
Es decir entre más adelante vaya la sucesión la distancia entre los números va a
ser muy pequeña.
De la anterior definición se sigue la siguiente propiedad de las sucesiones de

Cauchy para términos consecutivos.
Propiedad 1-1 Si 𝒙𝒏 es una sucesión se dice de Cauchy entonces dado 𝜺 > 𝟎

existe 𝑵 ∈ ℕ tal que:
|𝑥𝑛 − 𝑥𝑛−1 | < 𝜀
siempre que 𝑛 > 𝑁.
Como ilustra en él Ejemplo 1-5 , una sucesión convergente es una sucesión de

Cauchy, sin embargo, es bien sabido que el reciproco se tiene, es decir,
Teorema 1-1 Toda sucesión de Cauchy en los reales es convergente.
La demostración se puede ver (Rudin, 1976).
La definición de sucesión de Cauchy, en particular, la Definición 1-1Definición 1-6

nos permite determinar cuándo una sucesión en los números reales es
convergente sin hacer uso del valor del límite, el cual no podemos usar ya que lo
desconocemos, esta definición nos permite crear una medición para el error en
una sucesión el cual calcule las distancias entre dos elementos diferentes de una
sucesión, sin embargo, como vimos en el error absoluto, esto no representa una
buena cuantificación del error, haremos uso de las ideas expuestas en la
Propiedad 1 para llegar a una mejor medición del error dentro de una sucesión.
Para esto la idea es comparar las distancias entre dos términos consecutivos con
respecto al valor real, lo que seria
𝑥𝑛 − 𝑥𝑛−1
| |
𝐿
pero es ilógico trabajar con el valor real, así el mejor candidato para asumir este
papel es el último término calculado en la sucesión, es decir 𝑥𝑛 , esto nos lleva a la
siguiente definicion.

17
1.1.4.2. Error normalizado
Definición 1-7 (Error normalizado) Sea (𝒙𝒏 ) una sucesión, definimos el error
normalizado como la sucesión 𝑬𝑵 = (𝑬𝑵𝒏 ) dado por:
𝑥𝑛 −𝑥𝑛−1
(2.4) 𝐸𝑁𝑛 = | |
𝑥𝑛
Para 𝑛 = 2,3, …. (Burden R. y Faires, 2003)
Para que una sucesión sea de Cauchy es necesario (mas no suficiente) que la
sucesión 𝐸𝑁 tienda a cero.
Esto nos da una forma de ver si una sucesión posiblemente es convergente sin el
uso del valor del límite, es decir, si ENn → 0 la sucesión posiblemente será
convergente.
Ejemplo 1-6 En el Ejemplo 1-5 se observa esa situación; si una sucesión es de

𝟑𝒏
Cauchy 𝑬𝑵 → 𝟎, para la sucesión 𝒂𝒏 = 𝟕𝒏+𝟑 , como se muestra en al siguiente
tabla
Tabla 1-3
n 𝑎𝑛 𝐸𝑁𝑛
1 0.3 ---------
2 0.352941176 0.15000000000000
3 0.375 0.05882352941176
4 0.387096774 0.03125000000000
1000 0.428387834
1001 0.428388017 0.00000042795987
Recordemos que en muchas ocasiones es más claro hablar en términos de

porcentajes, por lo cual será más utilizado el error normalizado porcentual, el cual
será definido a continuación.
1.1.4.2.1. Error normalizado porcentual.

18
Definición 1-8 (Error normalizado porcentual) Sea (𝒙𝒏 ) una sucesión, definimos el
error normalizado porcentual como la sucesión 𝑬𝑵𝑷 = (𝑬𝑵𝑷𝒏 ) dado por:
𝑥𝑛 −𝑥𝑛−1
𝐸𝑁𝑃𝑛 = | |*100%
𝑥𝑛
Para 𝑛 = 2,3, …. (Antonio, 1998) (Burden R. y Faires, 2003)
Al igual que en la Definición 1-7, si una sucesión es convergente entonces

ENPn → 0
Cuando 𝑛 ⟶ ∞. ver ejemplo 1-6
Ahora ilustramos el uso del error normalizado y normalizado porcentual en una

sucesión a fin de analizar su posible convergencia.
Ejemplo 1-7 Consideramos la siguiente sucesión definida por recurrencia
𝑥0 = 1
(2.5) 1
𝑥𝑛+1 = 𝑥𝑛 + (𝑛+1)!
Calcularemos los primeros 11 términos de la sucesión junto con los errores

normalizado y normalizado porcentual
Tabla 1-4
𝑛 𝑥𝑛 𝐸𝑁𝑛 𝐸𝑁𝑃𝑛
0 1
1 2 0.5 50.00000000%
2 2.5 0.2 20.00000000%
3 2,66666666666667 0.0625 6.25000000%
4 2.70833333333333 0.015384615 1.53846154%
5 2.71666666666667 0.003067485 0.30674847%
6 2.71805555555556 0.000510986 0.05109862%
7 2.71825396825397 0.0000729927 0.00729927%
8 2.71827876984127 0.0000091240 0.00091240%
9 2.71828152557319 0.0000010138 0.00010138%
10 2.71828180114638 0.0000001014 0.00001014%

19
Como se ve en la Tabla 1-4 𝐸𝑁 y 𝐸𝑁𝑃 son sucesiones y van para cero, esto
significa que la sucesión (𝑥𝑛 ) es posiblemente de Cauchy y por lo tanto
posiblemente converge, pero no sabemos a qué valor, es más nunca sabremos a
que valor.
La pregunta natural que debemos hacer es ¿Dónde paro esta sucesión para tener
una “buena aproximación” del límite?
Antes de contestar necesitamos dar sentido a la expresión “buena aproximación”.
Comúnmente usamos esta expresión para hablar de cifras decimales, por

ejemplo, 𝜋 ≈ 3.14 es una aproximación de 𝜋 con dos cifras decimales, pero,
¿cifras decimales describe bien la magnitud que representa el numero?, para esto
consideremos las siguientes cantidades.
Ejemplo 1-8 El precio de un carro en el mercado es 36280000, al quitar el IVA del

16% el valor del carro sin IVA es
(2.6) 𝑥 = 31275862.06896552
otra cantidad conocida es la décima parte de la unidad de masa atómica de un
electrón que es
(2.7) 𝑦 = 0.000054857990946.
Si pedimos una aproximación de estos valores con tres cifras decimales

tendremos 𝑥̃ = 31275862.069 , 𝑦̃ = 0.000 lo cual no es practico en ninguno de los
casos, en el primero es excesivo trabajar con tres cifras decimales y en el segundo
no aporta nada de información acerca de la magnitud a del valor, esto nos lleva a
pensar, como podemos dar una idea clara de la magnitud de un valor. Esto ya no
es un problema gracias a la notación científica, en el ejemplo anterior tendremos
𝑥 = 3.127586206896552 ∗ 107 e 𝑦 = 5.4857990946 ∗ 10−5 , esto muestra que las
cifras que realmente son significativas (sin importar la posición de ellas en la
representación decimal) son las primeras que aparecen en la representación
científica, esto motiva la siguiente definición.
Definición 1-9 (Dígito significativo o cifra significativa)

Una cifra significativa es cualquiera de los dígitos 1,2,3,…,9; y 0 es una cifra
significativa excepto cuando este es usado para fijar el punto decimal o para llenar
los lugares de dígitos desconocidos o descartados. Así, en el número 0.00263 las
cifras significativas son 2,6,3; los ceros son usados unicamente para fijar el punto
decimal, por lo que no son cifras significativas. En el número 3809, sin embargo,

20
todos los dígitos, incluyendo el cero, son cifras significativas. En un número como
46300 no hay cómo describir cuáles ceros son cifras significativas, para corregir la
ambigüedad este número puede ser escrito en cualquiera de las siguientes formas
4.63 ∗ 104 , 4.630 ∗ 104 o 4,6300 ∗ 104 , así el número de cifras significativas está
indicado por el factor a la izquierda (SCARBOROUGH, 1930).
De ahora en adelante (en lo posible), buscaremos aproximar los valores por medio
de cifras significativas y no de cifras decimales. Ahora ¿cómo sabemos cuándo en
una sucesión estamos encontrando cierto número de cifras significativas?, para
esto definiremos la tolerancia.
Antes de ver esto consideremos la relación entre el error relativo y el número de

cifras significativas que se tienen en una aproximación con respecto al valor real.
Supongamos que tenemos los valores exactos dados por el precio sin IVA del
carro en el comentario anterior y la décima parte de la masa atómica de un
electrón, es decir, los valores en las ecuaciones (2.6) y (2.7), supongamos que de
alguna manera se llegó a una aproximación de estas cantidades únicamente con 4
cifras significativas, es decir, tenemos las aproximaciones
(2.8) 𝑥̿ = 31273525 y 𝑦̿ = 0.00005485123
acotaremos el error relativo de manera independiente para estas aproximaciones
𝑥 − 𝑥̿ 31275862.06896552 − 31273525
𝜀𝑟𝑥 = | |=| |
𝑥 31275862.06896552
pasando estos valores a notación científica tenemos
3.127586206896552 ∗ 107 − 3.1273525 ∗ 107
| |
3.127586206896552 ∗ 107
reduciendo tenemos
3.127586206896552 − 3.1273525
| |
3.127586206896552
restando la parte en el numerador se obtienen 4 ceros dado que la aproximación

tiene 4 cifras significativas
0.000233568965519737
| |
3.127586206896552
como tenemos la certeza de 4 ceros al inicio del numerador (podrían ser mas)
podemos desplazar la coma cuatro dígitos a la derecha y asegurarnos que este
valor que queda va a ser menor que 10
2.33568965519737
| | ∗ 10−4
3.127586206896552

21
y del denominador como esta expresado en notación científica podemos asegurar

que es mayor o igual a 1 y menor que 10, de esta observación se puede mostrar
que este cociente es menor que 10 así tenemos en general que
𝑥 − 𝑥̿ 2.33568965519737
𝜀𝑟𝑥 = | |=| | ∗ 10−4 < 10−4 = 10−4
𝑥 3.127586206896552
ahora realizaremos el mismo argumento para los valores 𝑦 y 𝑦̿ con lo cual se

obtiene
𝑦 − 𝑦̿ 0.000054857990946 − 0.00005485123
𝜀𝑟𝑦 = | |=| |
𝑦 0.000054857990946
5.4857990946 ∗ 10−5 − 5.485123 ∗ 10−5
=| |=
5,4857990946 ∗ 10−5
6.760946
=| | ∗ 10−4 < 10 ∗ 10−4
5.4857990946
Un caso extremo que se puede presentar es el siguiente, consideremos las
cantidades
𝑧̿ = 123.7421875 y 𝑧 = 123.73828125
Con lo cual
𝑧 − 𝑧̿ 123.7421875 − 123.73828125
𝜀𝑟𝑧 = | |=| |
𝑧 123,73828125
1.237421875 ∗ 102 − 1.2373828125 ∗ 102 0.000039025
=| | = | |
1.2373828125 ∗ 102 7.3828125
0.39025
=| | ∗ 10−4 < 10−1 ∗ 10−4
7.3828125
Este es un caso muy especial debido a que en el tercer paso al realizar la resta el
quinto digito de 𝑧̿ “4” debe prestar uno y queda convertido en “3” quedando un
cero adicional en esa posición (cosa que no pasa en los ejemplos anteriores, con
esto aparece un factor 10−1.
esto es una breve muestra de que si tenemos una aproximación únicamente con 4
cifras significativas exactas (sin importar la magnitud del numero) entonces
nuestro error relativo será menor que101−4 ó 10−4 ó 10−1−4, si se quiere hacer el
mismo ejercicio con 𝑚 cifras significativas se llegara a un resultado similar, asi,
Supongamos que la primera cifra significativa de un numero 𝑥 es 𝑘, y tenemos una
aproximación del valor únicamente con 𝑚 cifras significativas, entonces dichos
valores los podemos escribir como
𝑥 = 𝑘. 𝑘1 𝑘2 … 𝑘𝑚−1 𝑘𝑚 𝑘𝑚+1 … ∗ 10ℎ

𝑥̿ = 𝑘. 𝑘1 𝑘2 … 𝑘𝑚−1 𝑘̿𝑚 𝑘̿𝑚+1 … ∗ 10ℎ
entonces el error relativo es

22
𝑥 − 𝑥̿ 𝑘. 𝑘1 𝑘2 … 𝑘𝑚−1 𝑘𝑚 𝑘𝑚+1 … ∗ 10ℎ − 𝑘. 𝑘1 𝑘2 … 𝑘𝑚−1 𝑘̿𝑚 𝑘̿𝑚+1 … ∗ 10ℎ

𝜀𝑟 = | |=| |
𝑥 𝑘. 𝑘1 𝑘2 … 𝑘𝑚−1 𝑘𝑚 𝑘𝑚+1 … ∗ 10ℎ
reduciendo tenemos
𝑘. 𝑘1 𝑘2 … 𝑘𝑚−1 𝑘𝑚 𝑘𝑚+1 … − 𝑘. 𝑘1 𝑘2 … 𝑘𝑚−1 𝑘̿𝑚 𝑘̿𝑚+1 …
| |
𝑘. 𝑘1 𝑘2 … 𝑘𝑚−1 𝑘𝑚 𝑘𝑚+1 …
restando la parte en el numerador se obtienen 𝑚 ceros dado que la aproximacion

tiene 𝑚 cifras significativas
0.0 … 0𝑙𝑚 𝑙𝑚+1 …
| |
𝑘. 𝑘1 𝑘2 … 𝑘𝑚−1 𝑘𝑚 𝑘𝑚+1 …
donde 𝑙𝑗 = |𝑘𝑗 − 𝑘̿𝑗 | para 𝑗 = 𝑚, 𝑚 + 1, …

como tenemos la certeza de 𝑚 ceros al inicio del numerador (podrian ser mas)
podemos desplazar la coma 𝑚 digitos a la derecha y obtener
𝑙𝑚 . 𝑙𝑚+1 …
| | ∗ 10−𝑚
𝑘. 𝑘2 … 𝑘𝑚−1 𝑘𝑚 𝑘𝑚+1 …
de lo cual estamos seguros que
(2.9) |𝑙𝑚 . 𝑙𝑚+1 … | < 10 ó |𝑙𝑚 . 𝑙𝑚+1 … | < 1 ó |𝑙𝑚 . 𝑙𝑚+1 … | < 10−1
como el denominador fue la parte numérica de la notación científica tenemos que

1 ≤ |𝑘. 𝑘1 𝑘2 … 𝑘𝑚−1 𝑘𝑚 𝑘𝑚+1 … | < 10
de lo cual
1 1
< ≤1
10 |𝑘. 𝑘1 𝑘2 … 𝑘𝑚−1 𝑘𝑚 𝑘𝑚+1 … |
que junto con (2.9) se llega a
𝑙𝑚 .𝑙𝑚+1 … 𝑙𝑚 .𝑙𝑚+1 …
(2.10) |𝑘.𝑘 | < 10−1 ó |𝑘.𝑘 | < 1ó
1 𝑘2 …𝑘𝑚−1 𝑘𝑚 𝑘𝑚+1 … 1 𝑘2 …𝑘𝑚−1 𝑘𝑚 𝑘𝑚+1 …
𝑙𝑚 ,𝑙𝑚+1 …
|𝑘.𝑘 | < 10
1 𝑘2 …𝑘𝑚−1 𝑘𝑚 𝑘𝑚+1 …
De lo anterior se tiene el siguiente resultado que fue probado de una manera más
precisa (en la cual trabajo con el redondeo) en (SCARBOROUGH, 1930) notemos
que para que este análisis tenga sentido es necesario que si se quieren 𝑚 cifras
significativas se debe utilizar por lo menos 𝑚 + 2 cifras significativas, lo cual es
posible aprovechando la potencia de las maquinas actuales.

23
̿ es correcto en 𝒎 cifras significativas, entonces el

Teorema 1-2 Si el número 𝒙
error relativo es menor que
𝜀𝑟 < 10−1−𝑚
esto es consecuencia directa de las desigualdades en (2.10)
Nota 1-1Una consecuencia directa del teorema anterior es que el error relativo
porcentual es menor que
𝜀𝑟% < 101−𝑚 %
Esta cota será usada como una medida de tolerancia para el error normalizado y
normalizado porcentual, esto nos lleva a definir este valor el cual depende del
número de cifras significativas que se quieren.
1.1.4.3. Tolerancia.
Si se tiene en una sucesión en la cual el término 𝑥𝑛+1 es una aproximación al valor

real con 𝑚 cifras significativas correctas entonces el error relativo lo podemos
acotar de la siguiente manera
Definición 1-10 (Tolerancia) Sea 𝒎 el número de cifras significativas que se

quieren en la aproximación de cierto valor, definimos y denotamos la tolerancia por
(2.11) 𝑇𝑚 = 10−1−𝑚 = 101−𝑚 %
Nota 1-2 La tolerancia escrita como 𝑻𝒎 = 𝟏𝟎−𝟏−𝒎 es usada cuando trabajamos

con el error normalizado (𝑬𝑵), mientras la tolerancia escrita como 𝑻𝒎 = 𝟏𝟎𝟏−𝒎 %
es usada cuando trabajamos con error normalizado porcentual (𝑬𝑵𝑷). (Note que
son iguales)
Notemos que la tolerancia es un valor que no depende de ningún tipo de
unidades.
El siguiente teorema relaciona la tolerancia con las sucesiones que estamos

trabajando. De todas las afirmaciones anteriores se tiene el siguiente teorema.

24
Teorema 1-3 Sea {𝒙𝒏 } una sucesión convergente, si el termino 𝒙𝒏 es una

aproximación de el valor del límite de la sucesión con 𝒎 cifras significativas
entonces 𝑬𝑵𝑷𝒏 < 𝑻𝒎 .
Nota 1-3 Desafortunadamente el reciproco del teorema anterior no se cumple,

esto se puede evidenciar en la sección 1.1.4.5
Nota 1-4 En los libros clásicos por ejemplo (Burden R. y Faires, 2003), (; Chapra
C. Steven, 1988) y (SCARBOROUGH, 1930), se trabaja con una tolerancia dada
por
(0.5 ∗ 102−𝑚 )%
Esto se debe a que al tomar el término de la sucesión usan el redondeo sobre el

mismo.
En estas notas se hará uso de la tolerancia para truncar las sucesiones en la

aproximación que posiblemente comparta por lo menos 𝑚 cifras significativas con
el valor del límite (en realidad se está verificando cuantas cifras significativas
comparten los dos últimos elementos creados en la sucesión), para ilustrar esto,
consideremos el siguiente ejemplo
Ejemplo 1-9 Considere la siguiente sucesión
𝑥0 = 1
(2.1) 1
𝑥𝑛+1 = 𝑥𝑛 + (𝑛+1)!
, si queremos una aproximación del valor límite de la sucesión por lo menos con 3
cifras significativas, calculamos primero la tolerancia, así,
𝑇3 = 101−3 % = 0.01%

25
ahora debemos calcular los términos 𝑥𝑘 en la sucesión hasta que el EN y ENPn

sean menores que la tolerancia
Tabla 1-5
𝑛 𝑥𝑛 𝐸𝑁𝑛 𝐸𝑁𝑃𝑛
0 1
1 2 0,5 50,00000000%
2 2,5 0,2 20,00000000%
3 2,66666667 0,0625 6,25000000%
4 2,70833333 0,01538462 1,53846154%
5 2,71666667 0,00306748 0,30674847%
6 2,71805556 0,00051099 0,05109862%
7 2,71825397 7,2993E-05 0,00729927%
Como vemos aquí, el ENP7 < T3 entonces 𝑥7 = 2.71825396825397 es una

aproximación que comparte por lo menos 3 cifras significativas con el anterior
elemento de la sucesión y posiblemente estas mismas cifras las comparta con el
valor del límite de la sucesión.
Ya que trabajar con las sucesiones 𝑬𝑵 y 𝑬𝑵𝑷 es equivalente y para reducir el

número de operaciones de la maquina (evitar el multiplicar por 100) de ahora
en adelante trabajaremos únicamente con el error normalizado (𝑬𝑵).
1.1.4.4. Series.
Toda la teoría anterior puede ser usada para analizar la convergencia de las series
(sumas infinitas).
Definición 1-11 (Serie y serie convergente) (Apostol, 1996) Sea {𝒙𝒌 } una
sucesión dada de números reales o complejos, podemos formar la “suma” de
todos ellos, la cual llamaremos serie y notaremos por
∞
𝑠 = 𝑥1 + 𝑥2 + 𝑥3 + ⋯ = ∑ 𝑥𝑘
𝑘=1
Al número 𝑠𝑛 lo llamaremos suma parcial 𝑛 −ésima de la serie dado por
𝑛
𝑠𝑛 = 𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛 = ∑ 𝑥𝑘
𝑘=1

26
Se dice que la serie converge o diverge según que la sucesión {𝑠𝑛 } sea
convergente o divergente.
Consideremos el siguiente ejemplo que aclara como podemos usar las sumas
parciales en una serie junto con su tolerancia para determinar si posiblemente la
serie sea convergente.
(−𝟏)𝒌
Ejemplo 1-10 Consideremos la serie ∑∞
𝒌=𝟎 (𝟐𝒌)! , donde 𝟎! = 𝟏 y buscaremos una
posible aproximación del límite haciendo uso de la sucesión de sumas parciales

por lo menos con 3 cifras significativas. De manera analítica se puede mostrar que
la serie converge absolutamente por el método de la razón.
Para esto lo primero que se debe calcular es la tolerancia, que en este caso es
𝑇3 = 10−1−3 = 0.0001
(−1)𝑘
Y después considerar las sumas parciales 𝑠𝑛 = ∑𝑛𝑘=0 (2𝑘)! .
Los cálculos se muestran en la siguiente tabla
Tabla 1-6
𝑠𝑛 𝐸𝑁
a0 1
a1 0.5 1
a2 0.541666 0.07692
a3 0.540277 0.00257
a4 0.540302579 0.00005
Como se observa en la cuarta iteración se obtiene (𝐸𝑁4 ) < 𝑇3 ; es decir, es una

aproximación que comparte por lo menos 3 cifras significativas con el anterior
elemento de la sucesión y posiblemente estas mismas cifras las comparta con el
valor del límite de la serie (si este existe) es 𝑎4 = 0.540302579
1.1.4.5. Casos especiales tolerancia.
En esta sección daremos dos ejemplos que ilustran varios problemas al usar la
tolerancia, el primero ilustra que el Ejemplo 1-11 no cumple su reciproco y el
segundo muestra el hecho que si la sucesión converge demasiado lento, el criterio
de la tolerancia no es útil.

27
𝟏
Ejemplo 1-12 Consideremos la sucesión de sumas parciales de la serie ∑∞
𝒌=𝟏 𝒌 la
cual es una serie divergente (esto se verifica fácilmente por el criterio de la

integral), veamos que en efecto el Teorema 1-4 se satisface.
1
La sucesión de sumas parciales es dada por 𝑠𝑛 = ∑𝑛𝑘=1 𝑘 así
1
| 𝑠𝑛 − 𝑠𝑛−1 | =
𝑛
1
De esta manera dado 𝜀 > 0, podemos elegir 𝑁 de tal manera que 𝑁 > 𝜀 .
Sin embargo, supongamos 𝑛 > 𝑚 entonces
𝑛
1
| 𝑠𝑛 − 𝑠𝑚 | = ∑
𝑘
𝑘=𝑚+1
Lo cual diverge gracias a la divergencia de la serie. Además el criterio de la

tolerancia
Tabla 1-7
1
𝑛 𝑘 𝑠𝑛 𝐸𝑁𝑛
1 1 1
2 0,5 1,5 0,33333333
3 0,33333333 1,83333333 0,18181818
4 0,25 2,08333333 0,12
5 0,2 2,28333333 0,08759124
100 0,01 5,18737752 0,00192776
101 0,00990099 5,19727851 0,00190503
102 0,00980392 5,20708243 0,00188281
500 0,002 6,79282343 0,00029443
501 0,00199601 6,79481944 0,00029375
502 0,00199203 6,79681147 0,00029308
Siguiere que en el término 502 se tienen por lo menos 3 cifras significativas, lo

cual es falso con respecto al valor del límite (ella diverge)
1.2 Ejercicios propuestos

Ejercicio 1-1 Para las siguientes sucesiones determine si son convergentes o no,
en caso de serlo; halle una aproximación del límite con 3 cifras significativas.
ln 2𝑛
a) 𝑎𝑛 = ln(𝑛+1), para 𝑛 = 1,2, …

28
b) 𝑎𝑛 = (−1)𝑛 , para 𝑛 = 0,1,2, …

c) 𝑠𝑛 = ∑𝑛𝑘=0(1.1)𝑘 , para 𝑛 = 0,1,2, …
1
d) 𝑠𝑛 = ∑𝑛𝑘=0 2𝑛 , para 𝑛 = 0,1,2, …
𝑎0 = 1
e) { 𝑎1 = 1
𝑎𝑛+1 = 𝑎𝑛 + 𝑎𝑛−1
𝑎
f) 𝑏𝑛 = 𝑎 𝑛 , para 𝑛 = 1,2, … donde los 𝑎𝑛 son como en el ejercicio
𝑛−1
anterior.
𝑎0 = 1
g) { (−1)𝑛
𝑎𝑛+1 = 𝑎𝑛 + 𝑛
h) La sucesión (𝑝(𝑛)) es llamada la Sucesión de Padovan, la cual es
dada por
𝑝(0) = 𝑝(1) = 𝑝(2) = 1 Y la siguiente relacion de recurrencia
𝑝(𝑛) = 𝑝(𝑛 − 2) + 𝑝(𝑛 − 3) a partir de esta, definiremos la sucesión
𝑝(𝑛)
𝑞(𝑛) = 𝑝(𝑛−1)
i) La sucesión (𝑝(𝑛)) es llamada la Sucesión de Perrin, la cual es

dada por 𝑝(0) = 3 𝑝(1) = 0 y 𝑝(2) = 2 la siguiente relacion de
recurrencia 𝑝(𝑛) = 𝑝(𝑛 − 2) + 𝑝(𝑛 − 3), si 𝑛 > 2 a partir de esta,
definiremos la sucesión
𝑝(𝑛)
𝑞(𝑛) = 𝑝(𝑛−1)+2
Ejercicio 1-2 Mostrar que la sucesión de recurrencia definida por

(𝑎𝑛 )2 +𝑐
(2.2) 𝑎𝑛+1 = 2𝑎𝑛
Converge a ±√𝑐.
Ayuda: suponga que converge y considere lim𝑛→∞ 𝑎𝑛 = lim𝑛→∞ 𝑎𝑛+1 = 𝑥 y
aplique el límite a la igualdad (2.2)
Ejercicio 1-3 Aproximar el valor de √𝐩 con 5 cifras significativas, para 𝐩 =

𝟐, 𝟑, 𝟓, 𝟕, 𝟏𝟏. Usando la sucesión de recurrencia (2.2) con valor inicial 𝐚𝟎 = 𝟑.

29
2. Series de Taylor
En vista de la dificultad de trabajar con algunas funciones y dada la facilidad de

otras, lo que buscaremos en esta sección es aproximar de alguna manera las
funciones “difíciles” por medio de funciones “fáciles”, las funciones más sencillas
que conocemos son los polinomios, ya que para evaluar estos nunca se tiene
problemas de dominio y solo basta con la suma y el producto usual de números
reales para evaluarlas. En esta sección buscaremos dicha aproximación.
2.1 Series de MacLaurin.

30
Consideremos una recta por ejemplo

𝑓(𝑥) = 2𝑥 + 3
Para conocer la ecuación de una recta necesitamos saber un punto y la pendiente

de la recta, si reformulamos esto en nuestro caso, por ejemplo podríamos sacar un
punto evaluando la función 𝑓 en cero, así 𝑓(0) = 3 y además necesitamos sacar la
pendiente (es decir el crecimiento de f en cero) es decir, 𝑓´(0) = 2
Ahora es natural pensar en el proceso inverso, si tenemos un punto 𝑓(0) y la
pendiente 𝑓´(0) ¿podemos encontrar la recta? Y ¿en que forma?
Para esto podemos ver la recta como
𝑓(𝑥) = 𝑓(0) + 𝑓´(0)𝑥
Se quiere generalizar esta observación, analicemos un polinomio de grado 2, por

ejemplo
𝑓(𝑥) = 2 + 3𝑥 + 7𝑥 2
y saquemos un punto y el crecimiento en este punto, así 𝑓(0) = 2, 𝑓´(0) = 3, con

estos dos datos a diferencia del caso de la recta no es posible recuperar la función
original, necesitamos un dato adicional que es la segunda derivada (es decir, el
crecimiento del crecimiento) veamos, 𝑓´´(0) = 14
Será que con estos datos podemos recuperar la función original, y de la misma
forma de la recta, es decir el punto más el crecimiento por 𝑥 mas el crecimiento del
crecimiento por 𝑥 por 𝑥
Veamos
𝑓(𝑥) = 𝑓(0) + 𝑓´(0)𝑥 + 𝑓´´(0)𝑥 2
cuando analizamos esto vemos que el coeficiente de 𝑥 2 nos es el original ¿Por

qué se afectó? Y notamos que al derivar ese coeficiente fue multiplicado por 2 en
la primera derivada, así para recuperar la función debemos dividir el crecimiento
del crecimiento entre 2 y vemos que efectivamente podemos recuperar la función
de la siguiente manera
𝑓´´(0) 2
𝑓(𝑥) = 𝑓(0) + 𝑓´(0)𝑥 + 𝑥
2
Tratemos de generalizar este resultado, sea 𝑝(𝑥) un polinomio de grado 3
trataremos de recuperarlo si tenemos los datos 𝑓(0), 𝑓´(0), 𝑓´´(0) y 𝑓´´´(0),
Tendremos
′ (0)𝑥
𝑓 ′′ (0)𝑥 2 𝑓 ′′′ (0)𝑥 3
𝑓(𝑥) = 𝑓(0) + 𝑓 + +
2 3!
En general un polinomio se puede escribir como
𝑓 ′′ (0)𝑥 2 𝑓 (𝑛) (0)𝑥 𝑛

(2.1) 𝑓(𝑥) = 𝑓(0) + 𝑓 ′ (0)𝑥 + + ⋯+
2 𝑛!

31
notemos que esta es una suma, donde el número de términos depende del grado
del polinomio, esto se debe a que si el polinomio es de grado n, las derivadas
superiores se anulan (son cero), ahora si tratamos de generalizar este hecho a
funciones diferentes a los polinomios, la expresión (2.1) no sirve ya que las
derivadas nunca se anulan a partir de cierto 𝑛, por lo tanto lo que construiremos
una serie la cual será llamada serie de MacLaurin y es dada por
𝑓 ′′ (0)𝑥 2 𝑓 (𝑛) (0)𝑥 𝑛

(2.2) 𝑓(0) + 𝑓 ′ (0)𝑥 + +⋯+ +⋯
2 𝑛!
ahora, como es una serie no podemos garantizar que esta converge, sin embargo
si la podemos construir para cualquier función donde los valores
{𝑓(0), 𝑓 ′ (0), 𝑓 ′′ (0), … } deben estar definidos, es decir, la función debe ser
infinitamente diferenciable en una vecindad de cero.
Definición 2-1 (Serie de MacLaurin) Sea 𝒇 una función infinitamente diferenciable

en una vecindad de cero la serie dada por (2.2) es llamada la serie de MacLaurin
de 𝒇 y será denotada por 𝑺𝑴𝒇. (Burden R. y Faires, 2003)
Ejemplo 2-1 Hallar la serie de MacLaurin de 𝒇(𝒙) = 𝒆𝒙 .

Consideremos la función 𝑓(𝑥) = 𝑒 𝑥 , el primer paso es hallar todas las derivadas
de la función así,
𝑓(𝑥) = 𝑓 ′ (𝑥) = 𝑓 ′′ (𝑥) = ⋯ = 𝑓 (𝑛) (𝑥) = ⋯
después la evaluamos todas en cero.

1 = 𝑓(0) = 𝑓 ′ (0) = 𝑓 ′′ (0) = ⋯ = 𝑓 (𝑛) (0) = ⋯
Sustituyendo estos valores en (2.2) obtenemos

𝑥2 𝑥3 𝑥𝑛
1 + 𝑥 + + + ⋯+ +⋯
2! 3! 𝑛!
Denotando esta serie por 𝑆𝑀𝑓(𝑥) así:
∞
𝑥𝑛
𝑆𝑀𝑓(𝑥) = ∑
𝑛!
𝑛=0
Esta es la serie de MacLaurin de la función exponencial, ahora la pregunta natural

es ¿qué relación existe entre la función y su serie de MacLaurin?
Esta pregunta ya fue contestada para los polinomios, en ese caso la serie de
MacLaurin y el polinomio son iguales, es decir, si 𝑝 es un polinomio tenemos que
𝑆𝑀𝑝(𝑥) = 𝑝(𝑥), si la función no es polinómica ¿se cumple la igualdad?
Antes de contestar esta pregunta consideremos el siguiente ejemplo.

32
Ejemplo 2-2 Hallar la serie de MacLaurin de la función

1
𝑓(𝑥) = 1−𝑥.
Al igual que en el ejemplo anterior debemos hallar todas las derivadas de 𝑓.
Se puede ver que (Verificar!)

𝑛!
𝑓 (𝑛) (𝑥) = (1−𝑥)𝑛+1
y así evaluando estas derivadas en cero llegamos a

𝑓 (𝑛) (0) = 𝑛!
Sustituyendo en (2.2) obtenemos que:
1
(2.3) 𝑆𝑀 (1−𝑥) = 1 + 𝑥 + 𝑥 2 + ⋯
Volvamos a la pregunta de ¿qué relación existe entre la serie y la función? para

esto vamos a tabular algunos valores de 𝑥 en la función 𝑓 y la serie de MacLaurin
de la función 𝑆𝑀𝑓
Para esto consideramos algunos valores particulares
Tabla 2-1
𝑓(𝑥) 𝑆𝑀𝑓(𝑥)
𝑥 1 1 + 𝑥 + 𝑥 + 𝑥3 + ⋯ + 𝑥𝑛 + ⋯
2
1−𝑥
0 1 1 + 0 + 02 + 03 + ⋯ + 0𝑛 + ⋯ = 1
1 1 2 1 3 1 𝑛
2 1
1+ + ( ) + ( ) + ⋯+ ( ) + ⋯ = 2
2 2 2 2 2
1 2 1 1 2 1 3 1 𝑛 2
−
2 3 1− + ( ) − ( ) + ⋯ + (− ) + ⋯ =
2 2 2 2 3
Estos valores sugieren que la igualdad se tiene, sin embargo al seguir evaluando
en valores más alejados de cero y donde la función 𝑓 pueda tener “problemas”
(valores que no pertenecen al dominio de la función)
Tabla 2-2
𝑓(𝑥) 𝑆𝑀𝑓(𝑥)
𝑥 1 1 + 𝑥 + 𝑥 + 𝑥3 + ⋯ + 𝑥𝑛 + ⋯
2
1−𝑥
1 No está definida 1 + 1 + 12 + 13 + ⋯ + 1𝑛 + ⋯ = ∞
2 −1 1 + 2 + 22 + 23 + ⋯ + 2𝑛 + ⋯ = ∞

33
En estos puntos la funcion y la serie de Maclaurin no son iguales, es mas, en el

segundo valor, en 𝑥 = 1, no tiene ningun sentido decir que la suma de numeros
positivos de un negativo.
De lo anterior podemos concluir que, 𝑆𝑀𝑓(𝑥) = 𝑓(𝑥) se cumple para ciertos

valores de x, ahora la cuestión es ¿para cuáles?
Analicemos que pasa con el dominio de la función y de sus derivadas en el

Ejemplo 2-2, esta función tiene problemas de domino en 𝑥 = 1, sin embargo
recordemos que estamos centrados en 𝑥 = 0 así:
Gráfica 2-1
Al ir hasta el problema, tomaremos un intervalo abierto con centro en cero y cuyo

extremo sea el punto más cercano de los puntos que no pertenecen al dominio de
la función o al dominio de aluna de sus derivadas. Así tenemos el intervalo (−1,1)
el cual será llamado intervalo de convergencia.
En este intervalo de convergencia se puede asegurar que 𝑆𝑀𝑓(𝑥) = 𝑓(𝑥), en los

extremos del intervalo no podemos asegurar nada y por fuera son diferentes,
aunque este no es un proceso formal para probar la convergencia de la serie, pero
nos da una idea de cuál debe ser el intervalo donde se tiene la igualdad de la serie
de MacLaurin, para hallar el intervalo de manera analítica debemos recurrir a
criterios de convergencia de series como por ejemplo, criterio del cociente o la
raíz, veamos aquí el criterio del cociente aplicado a la serie (2.3)
𝑎𝑛+1 𝑥 𝑛+1
lim | | = lim | 𝑛 | = lim |𝑥| = |𝑥| < 1
𝑛→∞ 𝑎𝑛 𝑛→∞ 𝑥 𝑛→∞
Y por tanto 𝑥𝜖(−1,1), es decir 𝑆𝑀𝑓(𝑥) = 𝑓(𝑥) para los valores de 𝑥 en los cuales
se tiene la convergencia absoluta y uniforme de 𝑆𝑀𝑓(𝑥) = 𝑓(𝑥).
Ahora, volviendo a la función 𝑓(𝑥) = 𝑒 𝑥 , al aplicar criterio del cociente

𝑥 𝑛+1
𝑎𝑛+1 (𝑛 + 1)! 𝑥
lim | | = lim | 𝑛 | = lim | |=0
𝑛→∞ 𝑎𝑛 𝑛→∞ 𝑥 𝑛→∞ 𝑛 + 1
𝑛!

34
es decir, la serie es convergente para todo valor real, esto se esperaba ya que la
función exponencial no tiene problemas de dominio. Con esto se puede asegurar
que para todo valor real se cumple
𝑥2 𝑥3 𝑥𝑛
(2.4) 𝑒𝑥 = 1 + 𝑥 + + + ⋯+ +
2! 3! 𝑛!
Viéndolo en otra forma, la ecuación (2.4) dice que podemos aproximar la función
exponencial por medio de polinomios, tanto como se desee, geométricamente
tenemos,(Gráficas realizadas en maple11)
Gráfica 2-2
Aproximación orden 1; 𝑒 𝑥 ≈ 1 + 𝑥
𝑥2
Aproximación orden 2; 𝑒 𝑥 ≈ 1 + 𝑥 + 2

35
𝑥2 𝑥3
Aproximación orden 3; 𝑒 𝑥 ≈ 1 + 𝑥 + +
2 6
𝑥2 𝑥3 𝑥4
Aproximación orden 4; 𝑒 𝑥 ≈ 1 + 𝑥 + + + 24
2 6
Como observamos, a medida que avanza el grado de la serie de MacLaurin,

mejora la aproximación.
2.2 Series de Taylor.
La serie de MacLaurin fue calculada evaluando la función y todas sus derivadas

en cero, y este es llamado el centro, hay funciones en las cuales no se puede
hacer dicho calculo, por ejemplo la función 𝑓(𝑥) = √𝑥, ya que esta funcion a pesar
de ser definida en cero, sus derivadas no lo son, existen dos formas de arreglar
este problema, la primera forma es no evaluar la función y las derivadas en cero
sino en otro valor, digamos 𝑐, para esto estaremos trasladando el centro de la
funcion 𝑐 unidades a la derecha, por traslacion de funciones sabemos que esto se
obtiene al sustituir 𝑥 por (𝑥 − 𝑐) y asi la serie de McLaurin trasladada, que vamos a
llamar de ahora en adelante serie de Taylor centrada en 𝑐 toma la forma

36
𝑓 (𝑛) (𝑐)(𝑥−𝑐)𝑛
(2.5) 𝑆𝑇𝑐 𝑓(𝑥) = 𝑓(𝑐) + 𝑓 ′ (𝑐)(𝑥 − 𝑐) + ⋯ + +⋯ =
𝑛!
𝑓 (𝑛) (𝑐)(𝑥−𝑐)𝑛
∑∞
𝑛=0 𝑛!
Definición 2-2 (Serie de Taylor) Sea 𝒇 una función infinitamente diferenciable en

una vecindad de 𝒄 la serie dada por (2.5) es llamada la serie de Taylor de 𝒇
centrada en 𝒄 y será denotada por 𝑺𝑻𝒄 𝒇. (Burden R. y Faires, 2003) (Rudin,
1976)
Nota 2-1
En el caso que el centro es cero, tenemos que la serie de Taylor es la
misma que la serie de MacLaurin y de esta forma escribimos simplemente
𝑆𝑇0 𝑓(𝑥) = 𝑆𝑀𝑓(𝑥)
Fácilmente se puede ver que este ejercicio es equivalente a dejar fijo el centro
como cero y trasladar la función, es decir, redefinir una nueva función 𝑔(𝑥) =
𝑓(𝑥 + 𝑐) y calcular la serie de Mclaurin que son más amigables para la máquina.
Así nuestro ejercicio toma la forma
′′ (0)(𝑥)2 (𝑛) 𝑛 ∞
′ (0)(𝑥)
𝑔 𝑔 (0)𝑥 𝑔(𝑛) (0)𝑥 𝑛
𝑆𝑇𝑔(𝑥) = 𝑔(0) + 𝑔 + +⋯+ +⋯ = ∑
2 𝑛! 𝑛!
𝑛=0
Con esto ya podemos centrar todas nuestras series en cero, por ejemplo, para
calcular la serie de 𝑓(𝑥) = √𝑥 no podemos centrarnos en cero, pero si en cualquier
valor real positivo 𝑐 que es equivalente a calcular la serie de MacLaurin de
𝑔(𝑥) = √𝑥 + 𝑐.
Esta teoría es vista en manera general, así este valor c es arbitrario, sin embargo,
el propósito de nosotros es aplicar las series de Taylor numéricamente, con lo cual
vamos a tener algunas restricciones numéricas sobre dichos valores.
2.2.1. Series de Taylor desde el punto de vista numérico.
Cuando trabajamos numéricamente las series de Taylor debemos considerar

algunas restricciones para la escogencia del centro 𝑐, por ejemplo, la serie de
Taylor de la función exponencial centrada en 𝑐 = √2 se puede calcular
analíticamente, sin embargo, como nuestro propósito es trabajar numéricamente,
tenemos dos problemas con dicho centro; el primero es que el valor del centro no
es conocido numéricamente y el segundo que la función y sus derivadas
evaluadas en este centro tampoco se conozca numéricamente, esto nos lleva a
considerar varios casos:

37
Caso i Al hallar la serie de Taylor de 𝑓(𝑥) centrada en 𝑐 aparecen en términos de

la forma (𝑥 − 𝑐)𝑛 , es decir, se deben realizar varias operaciones con el
valor numérico 𝑐, para evitar la propagacion del error en la maquina debido
a la aproximación de 𝑐 (Ver sección 1.1.2) es conveniente que el centro sea
un valor que se conozca numéricamente (por lo menos racional).
Caso ii Como tambien es necesario trabajar con los valores 𝑓 (𝑛) (c), estos deben
existir, por ejemplo, si consideramos la función ln(𝑥) y tomamos el centro
en 𝑐 = 0, es imposible hallar dichos valores, fuera de estos, que existan
tampoco garantizan un buen trabajo numérico, ya que si para la misma
función tomáramos el centro 𝑐 = 2, nos vemos la obligación de utilizar el
valor 𝑙𝑛2, el cual es un valor desconocido numéricamente.
Asi al escoger el centro de una serie de Taylor de una función 𝑓(𝑥) debemos tener
en cuenta los casos anteriores.
Otro problema que se presenta numéricamente en las series de Taylor; es la

misma serie en sí, ya que no podemos numéricamente sumar “infinitos valores”
por lo tanto debemos parar la suma en algún termino, esto lo podemos remediar
en parte gracias al siguiente teorema llamado el teorema de Taylor.
Recordemos nuestro Ejemplo 2-1 de la serie de MacLaurin de la función

exponencial.
𝑥 𝑥2 𝑥3
𝑒𝑥 = 1 + + + +⋯
1! 2! 3!
Como no podemos trabajar con la serie (desde el punto de vista numérico) ya que
es una suma infinita, Entonces debemos truncar la serie, es decir, aproximar la
serie por medio de una suma finita, la misma forma de la serie de Taylor sugiere
que trabajemos con los primeros términos de esta, y tenemos la forma
𝑥 𝑥2 𝑥3 𝑥𝑛
𝑒𝑥 ≅ 1 + + + + ⋯+
1! 2! 3! 𝑛!
Notemos que se perdió la igualdad, sin embargo el teorema de Taylor nos afirma
un poco más, nos dice que la igualdad la podemos recuperar si sumamos un
término que nos describe el error.

38
2.2.2. Teorema de Taylor (Truncamiento)
Teorema 2-1 (Teorema de Taylor) Sea 𝒇 una funcion infinitamente diferenciable

en un intervalo abierto que contiene a 𝒄, sea 𝑰 el intervalo de convergencia de la
serie de Taylor generada por 𝒇 para cualquier 𝒏 ∈ ℕ se tiene la igualdad
𝑓 ′′ (0)𝑥 2 𝑓 (𝑛) (0)𝑥 𝑛

(2.6) 𝑓(𝑥) = 𝑓(0) + 𝑓 ′ (0)𝑥 + + ⋯+ + 𝑅𝑛 (𝜉)
2 𝑛!
Donde 𝑥 ∈ 𝐼 y el termino que describe el error (el cual llamaremos resto) es dado
por la formula
𝑓 (𝑛+1) (𝜉)𝑥 𝑛+1
𝑅𝑛 (𝜉) =
(𝑛 + 1)!
donde 𝜉 es un valor que esta entre cero y 𝑥. (Rudin, 1976)
Nota 2-2
 𝑅𝑛 (𝜉) nunca será conocido, es más, el valor de 𝜉 nunca será conocido.
 Este teorema obviamente es aplicable a la serie de MacLaurin ya que esta
es un caso particular de la serie de Taylor.
 No se puede escribir 𝜉 ∈ ( 0 , 𝑥 ) ya que el valor de 𝑥 esta en un intervalo
abierto que tiene centro en cero, es decir, el valor de 𝑥 puede ser negativo
con lo cual tendríamos 𝜉 ∈ ( 𝑥 , 0 ) .
Dado que el resto no podemos medirlo, debemos acotarlo, es decir, buscar un

valor real positivo 𝑀 tal que
(2.7) |𝑅𝑛 (𝜉)| ≤ 𝑀
donde 𝑀 depende unicamente de 𝑛. Si podemos encontrar este valor, tendremos

la desigualdad
𝑓 (𝑛) (0)𝑥 𝑛 𝑓 (𝑛) (0)𝑥 𝑛

(2.8) 𝑓(0) + 𝑓 ′ (0)𝑥 + ⋯ + − 𝑀 ≤ 𝑓(𝑥) ≤ 𝑓(0) + 𝑓 ′ (0)𝑥 + ⋯ + +𝑛
𝑛! 𝑛!
Ejemplo 2-3 Consideremos la función 𝒇(𝒙) = 𝒆𝒙 y calculemos una aproximación

de 𝒆 con un error no mayor a 𝟏𝟎−𝟓 .

39
Del Ejemplo 2-1 sabemos que

𝑓 (𝑛+1) (𝜉) = 𝑒 𝜉
Por lo tanto el resto toma la forma

𝑒 𝜉 𝑥 𝑛+1
𝑅𝑛 (𝜉) =
(𝑛 + 1)!
Nota 2-3 Observemos que el resto depende de tres variables 𝝃, 𝒙 y 𝒏; el valor de 𝒙

es el punto en el que se evaluara la función que en nuestro caso es 𝒙 = 𝟏, el valor
de 𝝃 no lo conocemos, así acotaremos todos los factores que dependen del él,
usando la restricción sobre 𝝃, así el resto dependerá únicamente de 𝒏 el cual nos
dará el termino donde se trunca la serie.
Al acotar la parte que depende de 𝜉, tenemos
0<𝜉<1
1 < 𝑒𝜉 < 𝑒 < 3
(Esta última desigualdad es consecuencia del hecho que el valor de e no es
conocido numéricamente, sin embargo, sabemos que es menor a 3)
Como 𝑥 = 1, tenemos 𝑥 𝑛+1 = 1, y así obtenemos una cota para el resto
3
|𝑅𝑛 (𝜉)| <
(𝑛 + 1)!
Buscamos que esta cota a su vez sea menor que 10−5 es decir,
3
< 10−5
(𝑛 + 1)!
Que es equivalente a
300000 < (𝑛 + 1)!
Ahora es necesario que existan valores (por lo menos uno) que haga cierta
dicha desigualdad, en este caso, esto se tiene ya que la función factorial es
creciente y
𝑙𝑖𝑚 (𝑛 + 1)! = ∞
𝑛→∞
De todos los valores que satisfacen dicha desigualdad tomaremos el menor,

esto se hace por comodidad para la máquina, en este caso buscaremos dicho
valor por medio de Excel lo cual se muestra en la siguiente tabla

40
Tabla 2-3
𝑛 (𝑛 + 1)!
0 1
1 2
2 6
3 24
4 120
5 720
6 5040
7 40320
8 362880
Así, tomamos 𝑛 = 8, este valor es el mínimo con el cual debemos truncar la

serie de Taylor para obtener la aproximación deseada, en este caso el teorema
de Taylor, toma la forma
𝑥
𝑥 𝑥2 𝑥3 𝑥8
𝑒 = 1 + + + + ⋯ + + 𝑅8 (𝜉)
1! 2! 3! 8!
Entonces nuestra aproximación es
1 12 13 18
𝑒𝑥 ≈ 1 + + + + ⋯+
1! 2! 3! 8!
Estos cálculos los podemos desarrollar fácilmente en Excel lo que se resume en la

siguiente tabla
Tabla 2-4
𝑥𝑛 𝑥𝑘
𝑛
𝑛!
∑𝑛𝑘=0
𝑘!
0 1 1
1 1 2
2 0,5 2,5
3 0,16666667 2,666666667
4 0,04166667 2,708333333
5 0,00833333 2,716666666666670
6 0,00138889 2,718055555555560
7 0,00019841 2,718253968253970
8 2,4802E-05 2,718278769841270

41
Entonces, el valor aproximado de 𝑒 con un error no mayor a 10−5 es

2,718278769841270, recordemos que en este caso la cota del resto es
3
𝑀=
(𝑛 + 1)!
Y como el valor de 𝑛 = 8, tenemos 𝑀 = 0.000008267195767, además, se

encuentra un intervalo en el cual está el valor exacto como vimos en la
desigualdad (2.8) que en este caso podemos afirmar
2,718270502645500 < 𝑒 < 2,718287037037040.
Ejemplo 2-4 Se requiere una aproximación de 𝒍𝒏(𝟐) con un error no mayor 𝟏𝟎−𝟐
Lo primero que debemos hacer; es escoger “bien” la función con la cual vamos a
trabajar, es decir, cual función es conveniente desde el punto de vista numérico,
es claro que la opción principal es la función 𝑙𝑛(𝑥), notemos que el único centro
posible para calcular su serie de Taylor numéricamente es 𝑐 = 1 (ya que existen
dos posibilidades, la primera si 𝑐 no es bien comprendido por la maquina los
factores (𝑥 − 𝑐)𝑛 no serán bien entendidos (por ejemplo, √𝑒), y si el valor 𝑐 es
bien entendido por la maquina los valores de 𝑓(𝑐) dada la naturaleza de la función
no son entendidos (ejemplo, c=2)).
De esta manera sabemos que el único centro numéricamente adecuado para para
trabajar la serie de Taylor de la función 𝑙𝑛(𝑥) es c=1 y para reducir gasto en la
máquina y por comodidad podemos cambiar esta por la serie de MacLaurin de la
función 𝑙𝑛(𝑥 + 1).
Ya aclarado esto, el siguiente paso es analizar el intervalo de convergencia de la

función, que en este caso es (−1,1); (Analizando el dominio de 𝑓(𝑥) = 𝑙𝑛(𝑥 + 1),
o utilizando criterio del cociente para series), como se quiere calcular el valor de
𝑙𝑛(2) inicialmente el valor de 𝑥 debería ser 1, (esto nos llevaría a estudiar la
convergencia de la serie en los extremos del intervalo de convergencia, lo cual es
posible, sin embargo tomaremos otra opción más adecuada cuando se quiera
calcular logaritmos de valores mayores a 2), sin embargo, utilizando propiedades
1
de la función logaritmo, en particular ln 𝑎 = − ln 𝑎 , gracias a esto podemos
1
garantizar la aproximación de ln 2 por medio dela aproximación de ln 2, y así
1
tomando 𝑥 = − 2; en la serie de MacLaurin de 𝑙𝑛(𝑥 + 1) obtenemos la
1
aproximación de ln 2 y cambiando el signo (lo cual no afecta las cifras del valor) se
consigue la aproximación de 𝑙𝑛(2).
Si 𝑓(𝑥) = 𝑙𝑛(𝑥 + 1), obtenemos sus derivadas como

(−1)𝑛+1 (𝑛 − 1)!
𝑓 (𝑛) (𝑥) =
(1 + 𝑥)𝑛

42
Evaluando en cero tenemos

𝑓 (𝑛) (0) = (−1)𝑛+1 (𝑛 − 1)!
Sustituyendo en (2.2) tenemos la serie de MacLaurin

𝑥 2 2𝑥 3 3! 𝑥 4 (−1)𝑛+1 (𝑛 − 1)! 𝑥 𝑛
𝑆𝑀(𝑙𝑛(𝑥 + 1)) = 𝑥 − + − + ⋯+ +⋯
2 3! 4! 𝑛!
Simplificando
𝑥2 𝑥3 𝑥4 (−1)𝑛+1 𝑥 𝑛
𝑆𝑀(𝑙𝑛(𝑥 + 1)) = 𝑥 − + − + ⋯ + +⋯
2 3 4 𝑛
Es claro que no podemos trabajar con la serie de Taylor, por lo cual recurrimos al
teorema de Taylor
𝑥2 𝑥3 𝑥4 (−1)𝑛+1 𝑥 𝑛
(2.9) 𝑆𝑀(𝑙𝑛(𝑥 + 1)) = 𝑥 − + − +⋯+ + 𝑅𝑛 (𝜉)
2 3 4 𝑛
Analizaremos el resto en dicha serie, el cual tiene la forma
Tenemos que:
(−1)𝑛+2 (𝑛)! 𝑛+1
𝑥 (−1)𝑛+2 (𝑛)! 𝑥 𝑛+1
(1 + 𝜉)𝑛+1
𝑅𝑛 (𝜉) = =
(𝑛 + 1)! (1 + 𝜉)𝑛+1 (𝑛 + 1)!
como el 𝑥 es conocido que lo sustituimos, en este caso la ecuación anterior es
1 𝑛+1
(−1)𝑛+2 (𝑛)! (− ) (−1)2𝑛+3 (𝑛)!
𝑅𝑛 (𝜉) = 2 =
(1 + 𝜉)𝑛+1 (𝑛 + 1)! 2𝑛+1 (1 + 𝜉)𝑛+1 (𝑛 + 1)!
para acotar la parte que depende de 𝜉 comenzamos por la restricción sobre 𝜉 asi
1
−2<𝜉<0
1
<𝜉+1<1
2
1
< (𝜉 + 1)𝑛+1 < 1
2𝑛+1
1
1< < 2𝑛+1
(𝜉 + 1)𝑛+1
Por lo tanto, el resto dado queda acotado por
1 𝑛+1
(−1)𝑛+2 (𝑛)! (− ) (−1)2𝑛+3 2𝑛+1 (𝑛)! 1
|𝑅𝑛 (𝜉)| = | 2 | < | | <
(1 + 𝜉)𝑛+1 (𝑛 + 1)! 2𝑛+1 (𝑛 + 1)! 𝑛+1

43
𝒏! 𝟏
Nota 2-4 En la desigualdad anterior se hizo uso del hecho (𝒏+𝟏)! = 𝒏+𝟏
Ahora, lo que buscamos es que a su vez esta cota sea menor que 10−2, lo que
nos lleva a la desigualdad
1
< 10−2
𝑛+1
Despejando tenemos que 99 < 𝑛, con lo cual 𝑛 = 100.
Esto muestra que la aproximación de la serie de Taylor que nos sirve es tomando
𝑛 = 100 en (2.9) así,
𝑥2 𝑥3 𝑥4 𝑥100
𝑆𝑇(𝑙𝑛(𝑥 + 1)) = 𝑥 − + − + ⋯ − + 𝑅100 (𝜉)
2 3 4 100
1
Con lo cual nuestra aproximación numérica del valor buscado es cuando 𝑥 = − 2
es
1 2 1 3 1 4 1 100
1 1 (− 2) (− 2) (− 2) (− 2)
𝑙𝑛 ≈ (− ) − + − + ⋯−
2 2 2 3 4 100
Estos cálculos los podemos desarrollar fácilmente en Excel lo que se resume en la
siguiente tabla
Tabla 2-5
(−1)𝑛+1 𝑥 𝑛 (−1)𝑘+1 𝑥 𝑘
𝑛 ∑𝑛𝑘=1
𝑛 𝑘
1 -0,5 -0,5
2 -0,125 -0,625
3 -0,04166667 -0,66666667
4 -0,015625 -0,68229167
5 -0,00625 -0,68854167
97 -6,5061E-32 -0,6931471805599450
98 -3,2198E-32 -0,6931471805599450
99 -1,5937E-32 -0,6931471805599450
100 -7,8886E-33 -0,6931471805599450
1
Entonces, el valor aproximado de 𝑙𝑛 (− 2) con un error no mayor a 10−2 es
−0,6931471805599450, con lo cual el valor aproximado de 𝑙𝑛 2 es
0,6931471805599450. Además, se encuentra un intervalo en el cual está el valor
exacto como vimos en la desigualdad (2.8) dado por el valor de 𝑀 que en este
1
caso es 𝑀 = 101 = 0,00990099 de lo cual podemos afirmar

44
0,683246190460935 < 𝑙𝑛 2 < 0,703048170658955
Ejemplo 2-5 Se requiere una aproximación de 𝐥𝐧(𝟑) con un error no mayor 𝟏𝟎−𝟐
usando el teorema Taylor.
1
Al igual que en el ejemplo anterior podemos calcular 𝑙𝑛(3) = −𝑙𝑛 (3) usando el
teorema de Taylor
𝑥2 𝑥3 𝑥4 (−1)𝑛+1 𝑥 𝑛
𝑆𝑇(𝑙𝑛(𝑥 + 1)) = 𝑥 − + − + ⋯ + + 𝑅𝑛 (𝜉)
2 3 4 𝑛
2
Al igual que en el ejercicio anterior, pero ahora tomando 𝑥 = − 3 y realizando un
proceso análogo para acotar el resto como en el ejemplo anterior llegamos a
(−1)𝑛+2 (𝑛)! 𝑛+1

𝑥 (−1)𝑛+2 (𝑛)! 𝑥 𝑛+1
(1 + 𝜉)𝑛+1
𝑅𝑛 (𝜉) = =
(𝑛 + 1)! (1 + 𝜉)𝑛+1 (𝑛 + 1)!
Como el 𝑥 es conocido que lo sustituimos, en este caso la ecuación anterior es

2 𝑛+1
(−1)𝑛+2 (𝑛)!(− ) −(2)𝑛+1 (𝑛)!
(2.10) 𝑅𝑛 (𝜉) = 3
= 3𝑛+1 (1+𝜉)𝑛+1 (𝑛+1)!
(1+𝜉)𝑛+1 (𝑛+1)!
para acotar la parte que depende de 𝜉 comenzamos por la restricción sobre 𝜉 asi
2
−3<𝜉<0
1
<𝜉+1<1
3
1
< (𝜉 + 1)𝑛+1 < 1
3𝑛+1
1
1< < 3𝑛+1
(𝜉 + 1)𝑛+1
Por lo tanto, el resto dado en (2.10) queda acotado por

2 𝑛+1
(−1)𝑛+2 (𝑛)! (− ) 2𝑛+1 (𝑛)! 3𝑛+1 2𝑛+1
|𝑅𝑛 (𝜉)| = | 3 | < | 𝑛+1 |<
(1 + 𝜉)𝑛+1 (𝑛 + 1)! 3 (𝑛 + 1)! 𝑛+1
Ahora, lo que buscamos es que a su vez esta cota sea menor que 10−2, lo que
nos lleva a la desigualdad
2𝑛+1
< 10−2
𝑛+1
Sin embargo, estudiemos un poco la parte izquierda en la desigualdad anterior,
veamos en la siguiente tabla algunos valores para 𝑛.

45
Tabla 2-6
2𝑛+1
𝑛
𝑛+1
0 2
1 2
2 2,66666667
3 4
5 10,6666667
10 186,181818
2𝑛+1
La anterior tabla sugiere que la función es creciente para 𝑛 ∈ ℤ+ y además no
𝑛+1
es una sucesión acotada.De lo anterior concluimos que no es aplicable el teorema
de Taylor para este caso.
Como se ve en el ejemplo anterior, existen casos en los cuales el teorema de

Taylor, aunque es cierto, no es aplicable para encontrar una buena aproximación
del valor que se busca, sin embargo, en el ejemplo pasado sabíamos que la serie
2
de Taylor de ln(𝑥 + 1) para dicho valor de 𝑥 = − 3 si es convergente, ya que su
intervalo de convergencia es (−1,1) por esto debemos buscar otra forma de
truncar la serie.
2.2.3. Sumas parciales de las series de Taylor.
En vista de que las series de Taylor son convergentes en su intervalo de

convergencia, podemos usar la propia definición de serie convergente y así
trabajar con la sucesión de sumas parciales y así podemos asegurar que la
tolerancia puede ser efectiva en estos casos, es decir, supongamos que tenemos
la serie de Taylor de la función 𝑓 para algun valor de 𝑥 que pertenece al intervalo
de convergencia de esta, por lo tanto la sucesión de sumas parciales, {𝑠0 , 𝑠1, 𝑠2, … }
Dada por
𝑓 (𝑛) (0)𝑥 𝑛
𝑠𝑛 = 𝑓(0) + 𝑓´(0)𝑥 + ⋯ +
𝑛!
Es convergente; lo que asegura que la sucesión {𝐸𝑁𝑃𝑘 } → 0, cuando 𝑘 → ∞.
Esto permite que se pueda usar el criterio de la tolerancia para parar la sucesión
de sumas parciales.
Ejemplo 2-6 Por medio de las sumas parciales de la serie de Taylor de 𝒍𝒏(𝒙 + 𝟏)
halle una aproximación de 𝒍𝒏(𝟑) con por lo menos 2 cifras significativas.

46
Del ejemplo anterior

tenemos que la serie n 𝑎𝑛 𝑠𝑛 ENn de
Taylor es dada por 1 -0,666666667 -0,666666667 (2.5)
de lo cual se puede 2 -0,222222222 -0,888888889 0,2500000 tomar
la sucesión sumas 3 -0,098765432 -0,987654321 0,1000000
parciales 4 -0,049382716 -1,037037037 0,0476190
{𝑠0 , 𝑠1 , 𝑠2 , … } dada 5 -0,026337449 -1,063374486 0,0247678 por
6 -0,014631916 -1,078006401 0,0135731
7 -0,008361095 -1,086367496 0,0076964
𝑥2 𝑥3 𝑥4 (−1)𝑛+1 𝑥 𝑛
𝑠𝑛 = 𝑥 − + − + ⋯+
2 3 4 𝑛
Antes de comenzar a evaluar la sucesión de sumas parciales debemos calcular la
tolerancia que en nuestro caso es
𝑇2 = 10−1−2 = 0.001
Y como en el ejemplo anterior sabemos que el valor que se debe tomar para
2
evaluar la serie es 𝑥 = − 3, lo cual se muestra en la siguiente tabla
Tabla 2-7

47
8 -0,004877305 -1,091244802 0,0044695

9 -0,002890255 -1,094135057 0,0026416
10 -0,001734153 -1,095869210 0,0015824
11 -0,001051002 -1,096920211 0,0009581
Así, tenemos que el criterio para parar la sucesión dada por el Teorema 1-3 se
cumple cuando
𝐸𝑁11 < 𝑇2
1
Así la posible aproximación de 𝑙𝑛 (3) ≈ −1,09795774 con lo cual la aproximacion
de 𝑙𝑛(3) con por lo menos dos cifras significativas es
𝑙𝑛(3) ≈ 1,09795774
Es decir, las dos primeras cifras posiblemente son exactas.
Ejemplo 2-7 Aproximar el valor de 𝒆 haciendo uso de las sumas parciales de la

serie de McLaurin de la función 𝒇(𝒙) = 𝒆𝒙 con por lo menos 4 cifras significativas.
Solución: Ver Ejercicio 2-4

48
Ejercicio 2-1 Halle las serie de Taylor de la función 𝒇 centrada en 𝒄 = 𝟎 y

determine el intervalo de convergencia donde
a) 𝑓(𝑥) = sin(𝑥)
b) 𝑓(𝑥) = cos(𝑥)
1
c) 𝑓(𝑥) = 1+𝑥
d) 𝑓(𝑥) = ln(1 − 𝑥)
Ejercicio 2-2 Sin hallar la serie de Taylor de la función determine el intervalo de

convergencia de la serie de Taylor centrada en 𝒄 = 𝟎, es decir, para que valores 𝒙
se cumple la igualdad 𝑺𝑻𝒇(𝒙) = 𝒇(𝒙) donde
1
a) 𝑓(𝑥) = 𝑥−2 + √2 − 3𝑥
ln(3−𝑥)
b) 𝑓(𝑥) = 𝑥−2
Ejercicio 2-3 Recordemos que el problema de hallar la serie de Taylor de la

función √𝒙 con centro en 𝒄 es equivalente a hallar la serie de Taylor de la función
√𝒙 + 𝒄 con centro en 0. Al trabajar numéricamente la serie de Taylor determine
cuales son los posibles valores de 𝒄 para que sea posible su uso numérico. (ver
sección 2.2.1)
Ejercicio 2-4 Halle por medio de la serie de Taylor adecuada, una aproximación
del valor dado con un error no mayor a 𝟏𝟎−𝟑 (si es posible hacer uso del Teorema
de Taylor, en caso de no ser posible justifique)
a) 𝑒.
b) √𝑒
c) ln 5
d) ln(0.2)
e) ln(0.8)
f) sin(1)
g) sin(2)
h) cos(0,2)
i) 𝑐𝑜𝑠(1)
Ayuda: recuerde que si 𝜉𝜖ℝ entonces se tienen las desigualdades
|cos(𝜉)| ≤ 1 y |sin(𝜉)| ≤ 1.

49
Ejercicio 2-5 Considere la función 𝒇(𝒙) = 𝒆𝒙 y evalué la 𝑺𝑻𝒇(𝒙𝟐 ), aparte considere

𝟐
la función 𝒈(𝒙) = 𝒆𝒙 y halle 𝑺𝑻𝒈(𝒙). Compare los resultados.
Nota 2-5 El ejercicio anterior nos provee de una forma natural de calcular series
de Taylor de funciones compuestas a partir de la manipulación de series
conocidas, otras formas son por ejemplo derivando e integrando termino a término
las series conocidas, esto se puede hacer dentro del radio de convergencia de la
serie el cual no cambia al realizar dichos procesos, el siguiente ejercicio es
muestra de ello
Ejercicio 2-6 Considere la serie de Taylor de 𝒇(𝒙) = 𝐥𝐧(𝒙 + 𝟏), verificar que la
serie obtenida al derivar término a término es la misma serie de la función 𝒇′(𝒙).
Ejercicio 2-7 Hallar una aproximación de √𝟐, con un error no mayor de 𝟏𝟎−𝟔
Ayuda: Trabaje con la función 𝑓(𝑥) = √𝑥 + 4, justifique.
(−2𝑛+1)
(−1)𝑛+1 .(2(𝑛−1))!
Verifique que la n-ésima derivada es 𝑓 𝑛 (𝑥) = (𝑥 + 4) 2 .
24𝑛−2 (𝑛−1)!
Ejercicio 2-8 Hallar una aproximación de √𝟓 con un error no mayor a 𝟏𝟎−𝟑 .

Ejercicio 2-9 Hallar una aproximación de √𝟏𝟎 con un error no mayor a 𝟏𝟎−𝟑 .
𝟐𝒏+𝟏
Ejercicio 2-10 Muestre que la función para 𝒏 ∈ ℤ+ es creciente (verifique que
𝒏+𝟏
𝟐𝒏+𝟏
su derivada es positiva) y no es acotada es decir muestre que 𝐥𝐢𝐦𝒏→∞ = ∞.
𝒏+𝟏
Ejercicio 2-11 Halle por medio de las sumas parciales de la serie de Taylor
adecuada, una aproximación del valor dado con 4 cifras significativas
a) 𝑒
b) √2
c) √5
d) √10
e) √𝑒
f) ln 5
g) ln(0.2)
h) ln(0.8)
i) sin(1)
j) sin(2) cos(0,2)
k) 𝑐𝑜𝑠(1)

50
Ejercicio 2-12
Use la serie dada para encontrar una aproximación de 𝜋 con 5 cifras significativas
(−1)𝑛 𝑥 2𝑛+1
a) ST(tan−1 )𝑥 = ∑∞
𝑛=0 2𝑛+1
−1 ∞ (2𝑛)!𝑥 2𝑛+1
b) 𝑆𝑇(sin ) 𝑥 = ∑𝑛=0 𝑛 (𝑛!)2
4 (2𝑛+1)
𝑁𝑜𝑡𝑎: Halle primero el intervalo de convergencia de la serie, es decir,
para que valores de 𝑥 se cumple 𝑆𝑇(𝑓)𝑥 = 𝑓(𝑥). Luego escoja de
manera adecuada un valor de 𝑥 en este intervalo para evaluar la
serie.
Ejercicio 2-13
(−𝒏)𝒏−𝟏 𝒙𝒏
La función 𝑾 de Lambert es definida por la serie 𝑾(𝒙) = ∑∞
𝒏=𝟎 la cual se
𝒏!
𝟏
tiene para |𝒙| < 𝒆 (porque). Halle con 3 cifras significativas aproximaciones de
𝑾(𝟎. 𝟏), 𝑾(𝟎. 𝟎𝟏) y 𝑾(𝟎. 𝟐).

51
3. Raíces de funciones
Uno de los primeros problemas que aparece en la matemática es la solución de

ecuaciones, es decir, encontrar valores adecuados para la variable o variables de
tal forma que se satisfaga cierta igualdad, la forma más sencilla de ecuación es
𝑓(𝑥) = 𝑔(𝑥)
sin embargo, esta ecuación se puede reescribir como

𝑓(𝑥) − 𝑔(𝑥) = 0
ahora al definir una nueva función 𝐹 como la resta de 𝑓 y 𝑔 podemos escribir la

ecuación como
𝐹(𝑥) = 0
así toda ecuación puede ser llevada a esta forma, y así se reduce a encontrar
valores de 𝑥 en los cuales la función 𝐹 sea cero, dichos valores son llamados
ceros o raíces de la función, así, si resolvemos el problema de encontrar ceros de
funciones, en realidad se resuelve el problema de encontrar soluciones de
ecuaciones, en este capítulo nos enfocaremos en dichos problemas. Esto nos
lleva a la siguiente definición
Definición 3-1 (Raíz real) Sea 𝒇 una funcion de valor real a valor real, es decir,
𝒇: ℝ ⟶ ℝ un número 𝒄 ∈ ℝ es llamada una raíz real (o cero real) de la función 𝒇 si
se cumple la igualdad (Burden R. y Faires, 2003)
𝑓(𝑐) = 0.
Nota 3-1 A pesar que la función en la definición anterior es tomada sobre los
números reales, es posible, definir sobre esta valores complejos sobre los cuales
la función se anule, es decir, podemos definir una raíz compleja como un número
complejo 𝝃 tal que se cumpla la igualdad
𝑓(𝜉) = 0.

52
Para una función 𝑓 cualquiera es muy difícil afirmar la existencia o no de raíces,

además, debido a la gran variedad de funciones que existen, hay una gran
cantidad de posibilidades sobre esta.
Gráficamente, para una función real a valor real, una raíz real de una función se
encuentra cuando la gráfica de la función esta sobre el eje de la variable
independiente. Analicemos las gráficas de las siguientes funciones.
Ejemplo 3-1 Consideremos las siguientes funciones

𝑓1 (𝑥) = 2𝑥 + 1 𝑓4 (𝑥) = (𝑥 2 − 4)(𝑥 − 1)2
1
𝑓2 (𝑥) = 𝑥 2 + 1 𝑓5 (𝑥) = 𝑡𝑎𝑛(𝑥) −
1+𝑥 2
0, 𝑥 < 1
𝑓3 (𝑥) = 2 𝑓6 (𝑥) = {
𝑥, 𝑥 ≥ 1
Gráfica 3-1

53
Nota 3-2 En las gráficas anterior se pueden observar lo siguientes hechos
i. En la gráfica de la función 𝑓1 se ve que la grafica corta el eje 𝑥, en

𝑐 = −12, es decir, tiene una única raíz real.
ii. Para 𝑓2 tenemos que la funcion no corta el eje 𝑥, es decir, no posee
raíces reales.
iii. Al igual que en el caso anterior 𝑓3 tampoco corta el eje 𝑥, asi, 𝑓3 no
posee raices reales, sin embargo, existe una gran diferencia entre
estas, ya que para 𝑓2 si existen raices complejas (es facil verificar por
medio de la fórmula cuadrática) mientras que para 𝑓3 no existe ningun
complejo que anule la funcion (esto es claro ya que el único valor que
toma la función es diferente de cero).
iv. El caso de 𝑓4 se presentan varias raices reales que son 𝑐1 = −2, 𝑐2 = 1
y 𝑐3 = 2.
v. La función 𝑓5 es un caso un poco mas complicado, esta funcion, tiene
infintas raices reales, recordemos que las raíces de 𝑓5 son las mismas
1
que el punto de corte de las gráficas de 𝑡𝑎𝑛(𝑥) y , ya que el rango
1+𝑥 2
de tangente es los reales y debido a la periodicidad existen infinitos
cortes, esto se ilustra mejor en la Gráfica 3-2.
vi. En la última función también se presentan infinitas soluciones,
aunque, a diferencia de la función 𝑓5 estas son fáciles de encontrar
gráficamente.

54
Gráfica 3-2
3.1 Raíces reales de funciones
Como ya fue mencionado en la introducción de estas notas, a pesar de tener una

ecuación que a simple vista se conozca que tiene una raíz real, muchas veces por
los métodos analíticos convencionales no es posible encontrar su solución de
manera explícita, uno de estos ejemplos es la ecuación
𝑥 − 𝑐𝑜𝑠(𝑥) = 0
La cual no se puede resolver analíticamente (con las técnicas convencionales)
aunque gráficamente se ve que en efecto tiene solución (ya que es la intersección
de las gráficas de 𝑥 y 𝑐𝑜𝑠(𝑥)).
Gráfica 3-3

55
En esta sección estudiaremos algunos métodos numéricos para hallar

aproximaciones de las raíces reales de funciones como la anterior, existen más
métodos numéricos y pueden ser hasta más eficientes dependiendo la naturaleza
de la función, en estas notas nos encargaremos de los que consideramos clásicos y
básicos para un curso introductorio.
Los métodos numéricos para hallar las raíces de una función se clasifican en dos,
métodos cerrados y métodos abiertos, los métodos cerrados son métodos en los
cuales se puede asegurar la convergencia del método a la raíz buscada, su nombre
se debe principalmente a que el trabajo se puede realizar sobre un conjunto cerrado
a diferencia de los métodos abiertos en los cuales se pueden presentar dos
situaciones, la primera que el método no converja y la segunda que el método sea
convergente pero no al valor de la raíz que se está buscando, desde este punto de
vista pareciera que son mejores los métodos cerrados, sin embargo, dichos
métodos no siempre son aplicables y en general, la convergencia de los métodos
abiertos (si se tiene) suele ser más rápida.
Iniciaremos nuestro estudio con el método numérico más sencillo y conocido el

cual es llamado método de bisección y hace parte de los métodos cerrados.
3.1.1. Bisección
El método de bisección se basa en el teorema del valor intermedio, más

precisamente el teorema de Bolzano, el cual ilustraremos a continuación,
consideremos la siguiente gráfica
Gráfica 3-4

56
En la anterior gráfica tenemos dos puntos de una función en el plano cartesiano,

ahora supongamos que queremos pasar del punto (𝑎, 𝑓(𝑎)) al punto (𝑏, 𝑓(𝑏)) por
medio de una función, esto se puede conseguir de muchas maneras, sin embargo,
supongamos que nuestra función 𝑓 es continua, las siguientes gráficas son muestra
de esto
Gráfica 3-5

57
En las anteriores gráficas se observa que para pasar de un punto a otro de manera
continua, necesariamente se atravesó el eje 𝑥, en la primera se atravesó una vez,
en la segunda se atravesó varias veces y en la última se tocó el eje infinitas veces,
esta observación nos lleva a formular el siguiente teorema
Teorema 3-1 (Bolzano) (Apostol, 1996) Sea 𝒇: ℝ ⟶ ℝ una función continua en un

intervalo cerrado [𝒂, 𝒃], con
(3.1) 𝑓(𝑎)𝑓(𝑏) < 0
entonces existe por lo menos un valor 𝑐 ∈ (𝑎, 𝑏) tal que 𝑓(𝑐) = 0.
El anterior teorema nos asegura la existencia de una raíz real para una función
continua, sin embargo, se pide una condición fuerte, que es, encontrar dos valores
𝑎 y 𝑏 en los cuales la función tenga signo opuesto.
Para ver la importancia de este teorema lo aplicaremos al ejemplo de nuestra

introducción.
Ejemplo 3-2 Consideremos la función 𝒇(𝒙) = 𝒄𝒐𝒔 𝒙 − 𝒙, muestre que existe por lo
menos una raíz real.
Para poder aplicar el teorema de Bolzano debemos encontrar dos valores que
cumplan las condiciones en este, para este caso los valores 𝑎 = 0 y 𝑏 = 1 cumplen
la condición dada por la ecuación (3.1), en este caso,
𝑓(0) = 1
𝑓(1) = −0,459697

58
Por lo tanto tenemos una función continua que pasa de positivo a negativo, esto
prueba que existe por lo menos una raíz de la función 𝑓 entre 0 y 1.
El siguiente paso es aproximar dicha raíz, para esto, ilustraremos para la función 𝑓
del ejemplo anterior el método de bisección el cual formalizaremos más adelante,
para esto
Gráfica 3-6
+ -
0 1
En la anterior grafica se ilustra que la función 𝑓 toma un valor positivo en 0 y uno

negativo en 1, para el siguiente método buscamos construir una sucesión que
converja a nuestra raíz, por comodidad asumiremos que los primeros elementos de
dicha sucesión son precisamente los puntos 𝑥0 = 0 y 𝑥1 = 1, el método de
bisección como su nombre lo indica busca hacer una bisección (partir por mitad) al
intervalo [0,1] a fin de llegar a una primera aproximación de la raíz buscada, para
1
este caso, 𝑥2 = 2, , notemos que la función evaluada en este punto es
1
𝑓 (2) = 0,377582
Este punto parte nuestro intervalo inicial en dos subintervalos, para uno de estos
subintervalos se cumplen las condiciones del teorema de Bolzano, es decir, en un
extremo de este la función es positiva y en el otro extremo la función es negativa
1
en este caso dicho intervalo es [2 , 1]
Gráfica 3-7

59
+ + -
0 1 1
2
Ahora se busca repetir el proceso anterior a dicho intervalo, es decir partir por mitad
a fin de generar un 𝑥3 en este caso, 𝑥3 = 0,75 y así sucesivamente, la sucesión que
se va generando se puede escribir de forma práctica en una tabla
Tabla 3-1
𝑛 𝑥𝑛
0 0
1 1
2 0,5
3 0,75
El límite de esta sucesión (el cual existe y es asegurado dado que la sucesión
resulta ser de Cauchy) será una raíz de la función, sin embargo, recordemos que
nuestro trabajo es puramente numérico, por lo tanto, no podemos (en general)
llegar a dicho límite, así antes de continuar con nuestro método debemos buscar
alguna forma de “parar” nuestra sucesión, para esto existen dos formas, la primera
es usar las ideas del capítulo anterior y fijar el número de cifras significativas que se
quieren (o necesitan), con esto calcular la tolerancia y usar el error normalizado o
normalizado porcentual 𝐸𝑁. La segunda forma es hacer el estudio del error
directamente para este método, formalizaremos el método y analizaremos el error a
continuación.
Sea 𝑓 una función continua en un intervalo [𝑎, 𝑏], el cual cumpla con la desigualdad
(3.1), construiremos una sucesión que nos ayude a aproximar una raíz 𝑟 en dicho
intervalo, para esto, primero tomaremos a los valores 𝑎 y 𝑏, como los primeros
elementos de nuestra sucesión, así
𝑥0 = 𝑎, 𝑥1 = 𝑏
Tomaremos el punto medio de este intervalo, este será el siguiente elemento de la

sucesión así,
𝑥0 + 𝑥1
𝑥2 =
2

60
Aquí debemos decidir con cuál de los dos subintervalos trabajar, si con [𝑥0 , 𝑥2 ] o
con [𝑥2 , 𝑥1 ], para esto, verificamos cuál de ellos cumple la desigualdad (3.1), para
facilitar la programación podemos introducir dos variables artificiales llamadas 𝑥𝑙 y
𝑥𝑟, estos van a ser los extremos del subintervalo con el cual vamos a trabajar, es
decir, si
𝑓(𝑥0 )𝑓(𝑥2 ) < 0
Asignamos a 𝑥𝑙 = 𝑥0 , 𝑥𝑟 = 𝑥2 de lo contrario 𝑥𝑙 = 𝑥2 , 𝑥𝑟 = 𝑥1 , ahora, para llegar a el

siguiente término de la sucesión tomamos
𝑥𝑙 + 𝑥𝑟
𝑥3 =
2
Y de nuevo renombramos las variables artificiales como 𝑥𝑙 = 𝑥𝑙, 𝑥𝑟 = 𝑥3 si
𝑓(𝑥𝑙)𝑓(𝑥3 ) < 0
De lo contrario tomamos 𝑥𝑙 = 𝑥3 , 𝑥𝑟 = 𝑥𝑟
Y repitiendo el algoritmo llegamos a
𝑥𝑙 + 𝑥𝑟
𝑥𝑛 =
2
Donde como 𝑥𝑙 = 𝑥𝑙 , 𝑥𝑟 = 𝑥𝑛 si
𝑓(𝑥𝑙)𝑓(𝑥𝑛 ) < 0
De lo contrario tomamos 𝑥𝑙 = 𝑥𝑛 , 𝑥𝑟 = 𝑥𝑟
Nota 3-3 Si en algún momento se tiene que 𝒇(𝒙𝒏 ) = 𝟎 se concluye el algoritmo ya

que se pueden presentar dos opciones, la primera es que se haya encontrado la
raíz y la segunda es que la maquina no pueda llegar a una mejor aproximación.
Ahora, para parar el algoritmo existen dos opciones como ya habíamos

mencionado, la primera es con la tolerancia comparada con él 𝐸𝑁 y para la
segunda observemos lo siguiente, si estamos en la aproximación 𝑥𝑛 , estamos
𝑏−𝑎
trabajando en un intervalo [𝑥𝑙, 𝑥𝑟] el cual mide 𝑥𝑟 − 𝑥𝑙 = 2𝑛−2 , como la raíz 𝑟
pertenece a este intervalo y nuestra aproximación es el punto medio de este, la
𝑏−𝑎
distancia entre cualquier punto de este intervalo y el punto medio es menor a 2𝑛−1
así esta es una cota para nuestro error absoluto , la cual se puede escribir mejor
como
𝑏−𝑎
(3.2) |𝑟 − 𝑥𝑛 | <
2𝑛−1

61
Con lo cual tenemos la desigualdad

𝑏−𝑎 𝑏−𝑎
𝑥𝑛 − 𝑛−1
< 𝑟 < 𝑥𝑛 + 𝑛−1
2 2
Esta forma de trabajar el error nos permite saber el número de iteraciones que se
deben realizar antes de comenzar el algoritmo.
Nota 3-4 Cabe aclarar que al utilizar este tipo de error se están buscando cifras
decimales y no cifras significativas lo cual puede ser una desventaja si no se
conoce que tan grande es la magnitud del valor.
Continuaremos con el Ejemplo 3-2 utilizando la cota del error dada por (3.2).
Ejemplo 3-3 Hallar una aproximación de una raíz 𝒓 de 𝒇(𝒙) = 𝒄𝒐𝒔 𝒙 − 𝒙 con un
error no mayor a 𝟏𝟎−𝟑 .
Para esto comenzaremos analizando la cota para el error mostrada en la ecuación

(3.2), la cual queremos que sea menor que 10−3, es decir,
1
< 10−3
2𝑛−1
Reorganizando la desigualdad y tomando logaritmo natural tenemos
𝑙𝑛 1000
+1<𝑛
𝑙𝑛 2
Es decir, 𝑛 = 11.
Ahora si corremos el algoritmo hasta llegar a 𝑥11 la cual es la aproximación que nos
interesa, esto se ve ilustrado en la siguiente tabla.
Tabla 3-2
𝑛 𝑥𝑙 𝑥𝑟 𝑥𝑛
0 0
1 1
2 0 1 0,5
3 0,5 1 0,75
4 0,5 0,75 0,625
5 0,625 0,75 0,6875
6 0,6875 0,75 0,71875
7 0,71875 0,75 0,734375
8 0,734375 0,75 0,7421875

62
9 0,734375 0,7421875 0,73828125

10 0,73828125 0,7421875 0,74023438
11 0,73828125 0,74023438 0,73925781
Con lo cual podemos afirmar que la raíz 𝑟 que se está buscando cumple la siguiente
desigualdad
0,73828125 < 𝑟 < 0,74023438.
Como ya lo mencionamos la otra forma de “parar” la sucesión es con las ideas

expuestas en el primer capítulo, más precisamente con la tolerancia, como lo
muestra el siguiente ejemplo
Ejemplo 3-4 Hallar una aproximación de una raíz 𝒓 de 𝒇(𝒙) = 𝒄𝒐𝒔 𝒙 − 𝒙 con dos
cifras significativas.
Como buscamos son cifras significativas, debemos calcular primero la tolerancia,

para este caso,
𝑇2 = 10(−1−2) = 0.001
Ahora correremos el algoritmo de bisección hasta que
𝐸𝑁𝑛 < 𝑇2
Tabla 3-3
𝑛 𝑥𝑙 𝑥𝑟 𝑥𝑛 𝐸𝑁𝑛
0 0
1 1 1,000000000
2 0 1 0,5 1,000000000
3 0,5 1 0,75 0,333333333
4 0,5 0,75 0,625 0,200000000
5 0,625 0,75 0,6875 0,090909091
6 0,6875 0,75 0,71875 0,043478261
7 0,71875 0,75 0,734375 0,021276596
8 0,734375 0,75 0,7421875 0,010526316
9 0,734375 0,7421875 0,73828125 0,005291005
10 0,73828125 0,7421875 0,74023438 0,002638522
11 0,73828125 0,74023438 0,73925781 0,001321004
12 0,73828125 0,73925781 0,73876953 0,000660939

63
Lo cual se obtiene en la iteración 12, con una aproximación de 0,73876953.
3.1.2. Punto fijo
Este método se basa en encontrar un punto fijo de una función, es decir, se debe
reescribir la función en la forma
𝑥 = 𝑔(𝑥)
Con lo cual se toma un punto inicial arbitrario 𝑥0 y se define la siguiente sucesión de
recurrencia
(3.3) 𝑥𝑛+1 = 𝑔(𝑥𝑛 )
Para 𝑛 = 0,1, …
Si el método converge a un valor 𝑝, este valor cumple la igualdad
𝑝 = 𝑔(𝑝)
Lo cual es llamado punto fijo de 𝑔, de allí se debe el nombre al método.
La implementación del método es sencilla, sin embargo, lo complicado de este

método (al igual que todos los métodos abiertos) es asegurar su convergencia,
afortunadamente existen los siguientes teoremas que son aplicables a varias
funciones y daremos aquí sin demostración (para mas información ver (Kincaid &
Cheney, 1994))
Teorema 3-2 (Teorema de punto fijo) Supongamos una función 𝒈 ∈ 𝑪𝟏 [𝒂, 𝒃]

(continua y con derivada continua) talque 𝒈: [𝒂, 𝒃] → [𝒂, 𝒃] entonces existe un punto
𝒑 ∈ (𝒂, 𝒃) talque 𝒑 es un punto fijo de 𝒈, es decir 𝒑 = 𝒈(𝒑). Además si existe una
constante 𝒌 < 𝟏 tal que |𝒈′(𝒙)| < 𝒌 entonces el punto fijo 𝒑 es único y la sucesión
(3.3) converge a 𝒑 cuando el punto inicial 𝒙𝟎 ∈ (𝒂, 𝒃).
La primera parte del teorema anterior es conocido como Teorema del punto fijo de
Brower el cual muestra la existencia más no la unicidad.
Bajo las hipótesis del teorema anterior podemos aplicar el método de punto fijo con
toda seguridad, aunque encontrar dichas hipótesis en un problema es algo poco
común, aplicaremos el teorema y el método de punto fijo al Ejemplo 3-4.
Ejemplo 3-5 Hallar una aproximación de una raíz 𝒓 de 𝒇(𝒙) = 𝒄𝒐𝒔 𝒙 − 𝒙 con dos
cifras significativas usando el método de punto fijo.

64
El primer paso es escribir la ecuación en la forma 𝒙 = 𝒈(𝒙), en este caso la forma

más sencilla es
𝑥 = 𝑐𝑜𝑠(𝑥)
De esta manera 𝑔(𝑥) = 𝑐𝑜𝑠(𝑥), el segundo paso es encontrar un intervalo [𝑎, 𝑏]

talque 𝑔: [𝑎, 𝑏] → [𝑎, 𝑏], en este caso si tomemos 𝑎 = 0 y 𝑏 = 1 los cuales
claramente cumplen las hipótesis del teorema ya que 𝑔′ (𝑥) = − 𝑠𝑒𝑛(𝑥) y así
|𝑔′ (𝑥)| < 𝑘 donde k es cualquier constante tal que 𝑠𝑒𝑛 1 < 𝑘 < 1 por lo tanto
1
podemos tomar cualquier valor 𝑥0 ∈ (0,1), por ejemplo tomaremos 𝑥0 = 2 y usamos
la sucesión de punto fijo dada en (3.3)
𝑥𝑛+1 = 𝑐𝑜𝑠(𝑥𝑛 )
Ya aclarada cual es la sucesión que vamos a trabajar y como buscamos son cifras
significativas la tolerancia es
𝑇2 = 10(−1−2) = 0.001
Ahora correremos la sucesión de punto fijo hasta que
𝐸𝑁𝑛 < 𝑇2
Tabla 3-4
𝑛 𝑥𝑛 𝐸𝑁𝑛
0 0,5
1 0,87758256 0,43025304
2 0,63901249 0,37334179
3 0,8026851 0,20390637
4 0,69477803 0,15531158
5 0,76819583 0,09557173
6 0,71916545 0,06817678
7 0,75235576 0,04411518
8 0,73008106 0,03050989
9 0,74512034 0,02018369
10 0,73500631 0,01376047
11 0,74182652 0,00919381
12 0,73723573 0,00622704
13 0,74032965 0,00417912
14 0,73824624 0,00282211
15 0,73964996 0,00189782
16 0,73870454 0,00127984
17 0,73934145 0,00086146

65
Lo cual se obtiene en la iteración 17, con una aproximación de 0,73934145.
3.1.3. Newton-Raphson
El siguiente método conocido como método de Newton-Raphson o simplemente

método de Newton se basa en la aproximación de una función diferenciable por
medio de la recta tangente, para esto analicemos un poco las siguientes gráficas.
Gráfica 3-8
En la primera grafica se observa una función diferenciable en un punto 𝑥0 junto con

su recta tangente, la segunda grafica es en realidad un acercamiento de la primera
al punto (𝑥0 , 𝑓(𝑥0 )), la tercera y cuarta también son acercamientos cada vez más
refinados a dicho punto, como podemos observar en nuestra última gráfica, cuando
tomamos un intervalo muy pequeño alrededor del valor 𝑥0 ,la gráfica de la función 𝑓
y la grafica de la recta tangente son muy cercanas, es decir, prácticamente son la
misma, estas ideas son vistas en el cálculo diferencial, es decir, si estamos
trabajando en un pedazo muy pequeño del dominio de una función, una buena
aproximación de una función es dada por su recta tangente, utilizaremos esta
aproximación para aproximar las raíz de una función 𝑓 dada.

66
El método de Newton Raphson se desarrolla de la siguiente manera, sea 𝑓 una

función inicialmente diferenciable, y sea 𝑥0 y punto cercano a una raíz de 𝑓,
aproximaremos la función 𝑓 por medio de la recta tangente en 𝑥0 como se muestra
en la siguiente gráfica,
Gráfica 3-9
Ahora, la recta tangente corta en eje 𝑥 en un punto y esta será nuestra siguiente
aproximación la cual llamaremos 𝑥1 , para hallar este valor primero debemos
encontrar la ecuación de la recta tangente, para esto necesitamos la pendiente de
la recta que es,
𝑚 = 𝑓′(𝑥0 )
Y sabemos que pasa por el punto

(𝑥0 , 𝑓(𝑥0 ))
Con lo cual la ecuación de la recta tangente es
𝑦 − 𝑓(𝑥0 ) = 𝑓′(𝑥0 )(𝑥 − 𝑥0 )
Nota 3-5 El punto inicial 𝒙𝟎 se deberá escoger cercano a la solución, de lo contrario,

no es fiable el método, para esto, debe hacerse un análisis a la función, una forma
es ver la función gráficamente, aunque en general si la función es muy complicada,
no hay una forma certera de escogerlo.

67
Ahora el punto de corte de esta recta con el eje 𝑥, se obtiene al tomar 𝑦 = 0 y

despejar 𝑥 en la ecuación anterior, este valor es el que llamaremos 𝑥1 , así,
𝑓(𝑥0 )
𝑥1 = 𝑥0 −
𝑓 ′ (𝑥0 )
Repitiendo este proceso, es decir, aproximando la función por medio de la recta

tangente a la curva de 𝑓 pero ahora en el valor de 𝑥1 obtendremos otra
aproximación, y con esto iremos formando una sucesión, la cual nos dará el método
de Newton Raphson, así, es fácil verificar que
𝑓 (𝑥1 )
𝑥2 = 𝑥1 −
𝑓 ′ (𝑥1 )
y de manera inductiva tenemos la fórmula de recurrencia
𝑓(𝑥 )
(3.4) 𝑥𝑛+1 = 𝑥𝑛 − 𝑓′ (𝑥𝑛 )
𝑛
Para 𝑛 = 0,1,2,3, …, la anterior relación es la que usualmente se conoce como el

método de Newton-Raphson, sin embargo, recordemos que estamos trabajando
numéricamente por lo tanto no podemos considerar la sucesión en su totalidad, por
lo tanto debemos buscar una forma de parar la sucesión, para esto, trabajaremos
con la tolerancia ( (Burden R. y Faires, 2003)).
Repetiremos el Ejemplo 3-2 pero ahora aplicando el método de Newton-Raphson.
Ejemplo 3-6 Hallar por medio del método de Newton una aproximación de una raíz
𝒓 de 𝒇(𝒙) = 𝒄𝒐𝒔 𝒙 − 𝒙 con dos cifras significativas.
Lo primero es calcular la tolerancia
𝑇2 = 10−1−2 = 0.001
uno de los problemas de este método es la escogencia del valor inicial de la

sucesión, este valor deberá estar cercano a una raíz, en este caso consideraremos
𝑥0 = 1
el método de Newton-Raphson, es decir, la relación dada por (3.4) en nuestro

problema toma la forma

68
𝑐𝑜𝑠 𝑥𝑛 − 𝑥𝑛
𝑥𝑛+1 = 𝑥𝑛 +
𝑠𝑖𝑛 𝑥𝑛 + 1
Al correr la relación y pararla con la tolerancia se genera la siguiente tabla.
Tabla 3-5
0 1
1 0,75036387 0,332686771
2 0,73911289 0,015222271
3 0,73908513 0,000037557
El anterior ejemplo muestra la ventaja más importante del método de Newton-

Raphson, que es, su convergencia, la cual es muy acelerada, para ver esto,
realizaremos otro ejemplo donde se pidan más cifras significativas y luego
analizaremos analíticamente la convergencia.
Ejemplo 3-7 Encuentre una aproximación de √𝟐 con 7 cifras significativas utilizando

la función 𝒇(𝒙) = 𝒙𝟐 − 𝟐.
Sabemos analíticamente que una de las raíces de 𝑓 es precisamente √2,
aplicaremos en método de Newton Raphson con un valor inicial de
𝑥0 = 1
Y la sucesión de recurrencia toma la forma

𝑥𝑛 2 + 2
𝑥𝑛+1 =
2𝑥𝑛
Y la tolerancia en este caso es

𝑇7 = 10−1−7 = 0.0000001
Al correr el algoritmo obtenemos
Tabla 3-6
0 1
1 1,5 0,333333333333333000

69
2 1,41666667 0,058823529411764600
3 1,41421569 0,001733102253032920
4 1,41421356 0,000001501823965293
5 1,41421356 0,000000000001127797
Nota 3-6 Sin embargo, veamos algunos términos más de esta tabla, así
Tabla 3-7
0 1
1 1,5 0,333333333333333000
2 1,41666667 0,058823529411764600
3 1,41421569 0,001733102253032920
4 1,41421356 0,000001501823965293
5 1,41421356 0,000000000001127797
6 1,41421356 0,000000000000000000
Notemos que a partir de 𝑥5 el valor de la aproximación no cambia, esto obviamente

hace que el 𝐸𝑁 sea cero, con lo cual nos podemos confundir y afirmar que este es
el valor exacto del límite de esta sucesión, sin embargo, nosotros sabemos que √2
es un numero irracional, al cual nunca le podemos dar una aproximación exacta,
aquí el 𝐸𝑁 cero significa que la maquina no puede aproximar mejor este valor.
Como ya comentamos, la convergencia del método de Newton es bastante buena,

para esto veremos que su convergencia es cuadrática, esto significa que si en algún
momento el error absoluto es menor o igual a 0,1, a cada nueva iteración doblamos
(aproximadamente) el número de decimales exactos, en (Weisstein) muestra una
forma alternativa de llegar al método, la cual presentaremos aquí, consideremos la
serie de Taylor de 𝑓 alrededor de alguna aproximación fija 𝑥𝑛 esto es
𝑓 ′′ (𝑥𝑛 )
𝑓(𝑥) = 𝑓(𝑥𝑛 ) + 𝑓 ′ (𝑥𝑛 )(𝑥 − 𝑥𝑛 ) + (𝑥 − 𝑥𝑛 )2 + ⋯
2
Ahora al factorizar el término (𝑥 − 𝑥𝑛 )2 a partir del tercer término de la serie

obtenemos
(3.5) 𝑓(𝑥) = 𝑓(𝑥𝑛 ) + 𝑓 ′ (𝑥𝑛 )(𝑥 − 𝑥𝑛 ) + (𝑥 − 𝑥𝑛 )2 𝑀
Donde

70
𝑓 ′′ (𝑥𝑛 ) 𝑓 ′′′ (𝑥𝑛 )

𝑀= + (𝑥 − 𝑥𝑛 ) + ⋯
2 3!
Ahora si consideremos 𝑥 = 𝑟 una raíz de 𝑓 la ecuación (3.5) toma la forma
0 = 𝑓(𝑥𝑛 ) + 𝑓 ′ (𝑥𝑛 )(𝑟 − 𝑥𝑛 ) + (𝑟 − 𝑥𝑛 )2 𝑀

O
(3.6) 𝑓(𝑥𝑛 ) + 𝑓 ′ (𝑥𝑛 )(𝑟 − 𝑥𝑛 ) = −(𝑟 − 𝑥𝑛 )2 𝑀
de otra parte usando el método de Newton-Raphson
𝑓(𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 −
𝑓 ′ (𝑥𝑛 )
tenemos
𝑓(𝑥 ) 𝑓(𝑥𝑛 )+𝑓 ′ (𝑥𝑛 )(𝑟−𝑥𝑛 )
(3.7) 𝑟 − 𝑥𝑛+1 = 𝑟 − 𝑥𝑛 + 𝑓′ (𝑥𝑛 ) =
𝑛 𝑓 ′ (𝑥𝑛)
sustituyendo (3.6) en (3.7)
𝑓(𝑥𝑛 ) −(𝑟 − 𝑥𝑛 )2 𝑀
𝑟 − 𝑥𝑛+1 = 𝑟 − 𝑥𝑛 + ′ =
𝑓 (𝑥𝑛 ) 𝑓 ′ (𝑥𝑛 )
Y por último, tomando valor absoluto tenemos
(3.8) |𝑟 − 𝑥𝑛+1 | = 𝐾|𝑟 − 𝑥𝑛 |2
Con 𝐾 una constante positiva.
A pesar de lo anterior el método de Newton-Raphson no es lo suficientemente

bueno como se desea, para demostrarlo veamos el siguiente ejemplo
Ejemplo 3-8 Aplicar el método de Newton-Raphson con punto inicial 𝒙𝟎 = 𝟎 a la

función 𝒇(𝒙) = 𝒙𝟑 + 𝟑𝒙𝟐 − 𝟗𝒙 + 𝟓 para buscar una raíz con una aproximación con 6
Antes de comenzar debemos calcular la tolerancia
𝑇7 = 10−1−6 = 0.0000001
es fácil verificar que la relación de recurrencia del método de Newton dada por la
ecuación (3.4) toma la forma

71
𝑥𝑛3 + 3𝑥𝑛2 − 9𝑥𝑛 + 5

𝑥𝑛+1 = 𝑥𝑛 −
3𝑥𝑛2 + 6𝑥𝑛 − 9
como 𝑥0 = 0, la siguiente tabla muestra el proceso
Tabla 3-8
0 0
1 0,55555556 1,000000000000000000
2 0,78703704 0,294117647058824000
3 0,8955145 0,121134237802309000
4 0,94822434 0,055587935273495900
5 0,97422533 0,026688890241306100
6 0,98714053 0,013083441336562300
7 0,99357717 0,006478258685060270
8 0,99679031 0,003223480506972450
9 0,99839558 0,001607854706441440
10 0,9991979 0,000802959273338729
11 0,99959898 0,000401238028487775
12 0,99979949 0,000200558663286389
13 0,99989975 0,000100264250315154
14 0,99994987 0,000050128355852121
15 0,99997494 0,000025063234566450
16 0,99998747 0,000012531383274941
17 0,99999373 0,000006265631252724
18 0,99999687 0,000003132803610786
19 0,99999843 0,000001566399730479
20 0,99999922 0,000000783153488168
21 0,99999961 0,000000391602678661
22 0,9999998 0,000000196171218644
23 0,9999999 0,000000097316492757
24 0,99999995 0,000000049017953995
El anterior ejemplo no muestra precisamente lo comentado acerca de la rápida

convergencia, para este tipo de casos tenemos que mejorar el método de Newton-
Raphson.
Desafortunadamente, el método de Newton Raphson no es un método cerrado,

esto implica que la convergencia global del método no se puede asegurar, esto nos
lleva a hacer algunas modificaciones a este método a fin de mejorarlo para algunas
situaciones, una de estas situaciones la da la ecuación (3.8) o la misma relación de

72
recurrencia (3.4), en las cuales los valores 𝑓′(𝑥𝑛 ) aparecen el denominador, esto
puede ser un problema si 𝑓′(𝑥𝑛 ) es cero o tiende a cero, para poder realizar alguna
mejora sobre este problema, primero debemos analizar qué tipo de funciones
poseen dicho inconveniente, esto será estudiado en la siguiente sección, y otro
problema que se pueda presentar es que la derivada no se conozca o sea
demasiado difícil hallar, en este caso haremos una aproximación de esta lo cual
veremos con el método de la secante.
3.1.4. Newton mejorado
Como ya comentamos, uno de los problemas puede ser si la derivada de la función

en los puntos 𝑥𝑛 es cero o se acerca a cero, esta situación se presenta cuando una
raíz de una función tiene multiplicidad, la multiplicidad de una raíz en un polinomio
es un poco más fácil de trabajar y lo trataremos más adelante, aquí simplemente
vamos a definir lo que es la multiplicidad de una raíz para una función 𝑓 cualquiera.
Definición 3-2 (Raíz múltiple) Sea 𝒇: ℝ ⟶ ℝ y sea 𝒓 una raíz de 𝒇, es decir

𝒇(𝒓) = 𝟎, decimos que 𝒓 es una raíz de multiplicidad 𝜶 > 𝟎 si
𝑓(𝑥)
lim =𝑐≠0
𝑥→𝑟 (𝑥 − 𝑟)𝛼
Ahora, como el limite anterior es de la forma indeterminada (00) podemos aplicar la

regla de L´Hopital y obtenemos
𝑓´(𝑥)
lim =𝑐
𝑥→𝑟 𝛼(𝑥 − 𝑟)𝛼−1
Esto sugiere que si 𝑓 tiene en 𝑟 una raíz de multiplicidad 𝛼 > 1 entonces 𝑓´ tendrá
en 𝑟 un cero de multiplicidad 𝛼 − 1 > 0 y además el limite anterior va a ser de la
forma indeterminada (00), así esperamos que las funciones en las cuales no se
tenga una buena convergencia del método de Newton, en particular no se cumpla la
desigualdad (3.8), son funciones en las cuales la raíz buscada tenga multiplicidad
𝛼 > 1.
Nota 3-7 Notemos que lo anterior sugiere que la derivada tiene que ver algo con la
multiplicidad, en particular, si una función 𝒇 tiene una raíz 𝒓 de multiplicidad 𝜶
entonces 𝒇´ tiene la misma raíz 𝒓 de multiplicidad 𝜶 − 𝟏.

73
Supongamos ahora que tenemos una función 𝑓 la cual tienen una raíz 𝑟 múltiple de
multiplicidad 𝛼 > 1, la idea de la mejora del método de newton es buscar una nueva
función 𝑔 que tenga en 𝑟 una raíz simple, la Nota 3-7 sugiere que al dividir la
función 𝑓 entre su derivada podremos obtener 𝑔 de la siguiente manera,
𝑓(𝑥)
, 𝑥≠𝑟
𝑓´(𝑥)
(3.9) 𝑔(𝑥) = { 𝑓(𝑥)
lim𝑥→𝑟 𝑓´(𝑥) , 𝑥 = 𝑟
Ahora, debemos verificar que 𝑔 es una función continua y diferenciable en 𝑟 para

esto, debemos mostrar que
𝑓(𝑥)
lim
𝑥→𝑟 𝑓´(𝑥)
Es cero y además que la multiplicidad del cero de 𝑔 en 𝑟 es simple, es decir
𝑓(𝑥)
𝑓´(𝑥)
lim
𝑥→𝑟 𝑥 − 𝑟
Existe y es diferente de cero. (esto lo dejamos de ejercicio al lector).
A esta nueva función 𝑔 si es posible aplicar el método de Newton Raphson, con lo

𝑓
cual es suficiente aplicarlo a la función , asi la relación de recurrencia del método
𝑓´
de Newton nos lleva a
𝑓(𝑥𝑛 )
𝑓 ′ (𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 − ′
𝑓(𝑥𝑛 )
( ′ )
𝑓 (𝑥𝑛 )
Desarrollando obtenemos la relación de recurrencia la cual en general llamaremos

método de Newton mejorado
𝑓(𝑥𝑛 )𝑓´(𝑥𝑛 )
(3.10) 𝑥𝑛+1 = 𝑥𝑛 − (𝑓´(𝑥 2
𝑛 )) −𝑓(𝑥𝑛 )𝑓´´(𝑥𝑛 )
Para mostrar las ventajas de la mejora veamos el siguiente ejemplo

74
Ejemplo 3-9 Consideremos el ejercicio del Ejemplo 3-8 (en el cual la convergencia
del método de Newton no fue lo bastante buena) aplicaremos el método de Newton
mejorado, es decir, Aplicar el método de Newton mejorado con punto inicial 𝒙𝟎 = 𝟎
a la función
𝑓(𝑥) = 𝑥 3 + 3𝑥 2 − 9𝑥 + 5
para buscar una raíz con una aproximación con 7 cifras significativas.
La relación (3.10) toma la forma
(𝑥𝑛3 + 3𝑥𝑛2 − 9𝑥𝑛 + 5)(3𝑥𝑛2 + 6𝑥𝑛 − 9)

𝑥𝑛+1 = 𝑥𝑛 −
(3𝑥𝑛2 + 6𝑥𝑛 − 9)2 − (𝑥𝑛3 + 3𝑥𝑛2 − 9𝑥𝑛 + 5)(6𝑥𝑛 + 6)
como 𝑥0 = 0, la siguiente tabla muestra el proceso
Tabla 3-9
0 0
1 0,882352941 1,000000000000000000
2 0,998800240 0,116587175410703000
3 0,999999880 0,001199640191970780
4 1,000000002 0,000000121795302180
5 1,000000004 0,000000001720404257
En este ejemplo se ve mejorada la convergencia con respecto al Ejemplo 3-8.
Sin embargo, en general no es más rápida la convergencia del método de Newton

mejorado con respecto a la convergencia del método de Newton-Raphson muestra
de ello es el mismo ejemplo anterior pero con diferente punto inicial, veamos
Ejemplo 3-10 Aplicar el método de Newton y el método de Newton mejorado a la

función 𝒇(𝒙) = 𝒙𝟑 + 𝟑𝒙𝟐 − 𝟗𝒙 + 𝟓 (la misma de Ejemplo 3-8 y Ejemplo 3-9) a fin de
encontrar una raíz con 7 cifras significativas, tomando como punto inicial 𝒙𝟎 = −𝟏𝟎.
Al realizar el mismo proceso que en los ejemplos anteriores obtenemos
Tabla 3-10 Método de Newton-Raphson
0 -10

75
1 -7,380952380952380 0,354838709677419000
2 -5,862663906142170 0,258975868157740000
3 -5,173309206473430 0,133252174218802000
4 -5,009213624077360 0,032758751115611300
5 -5,000028167195240 0,001837081027339320
6 -5,000000000264460 0,000005633386155303
7 -5,000000000000000 0,000000000052892091
Tabla 3-11 Método de Newton Mejorado

0 -10
1 -3,245614035 2,081081081081080000
2 -3,472582862 0,065360233660906200
3 -3,865179037 0,101572571560050000
4 -4,411184317 0,123777480351373000
5 -4,861199640 0,092572894814305500
6 -4,993277937 0,026451220834599800
7 -4,999984904 0,001341397469908810
8 -5,000000000 0,000003019147090956
9 -5,000000000 0,000000000015192292
Este se verifica fácilmente, ya que la multiplicidad de la raíz 𝑟 = −5 es simple

mientras que la multiplicidad de la raíz 𝑟 = 1 es doble (ver 4.2.3) .
Otra de las desventajas del método de Newton es el uso directo de la derivada,

aunque si la función es elemental es muy fácil calcular su derivada, sin embargo,
esto restringe el uso del método a funciones diferenciables, esto nos lleva a buscar
una nueva forma de adaptar el método de Newton-Raphson a este tipo de
funciones.
3.1.5. Método de la secante
Lo que buscamos en este método es quitar la presencia de la derivada en el

método de Newton-Raphson, para esto recordemos que el método de Newton-
Raphson aproxima la función en cada iteración por medio de una recta tangente, en
este caso, a su vez vamos a aproximar la recta tangente por medio de la recta
secante (la recta que pasa por dos puntos). (Burden R. y Faires, 2003) (Chapra C.
Steven, 1988)

76
El método de la secante se desarrolla de la siguiente manera, sea 𝑓 una función

inicialmente continua, y sean 𝑥0 , 𝑥1 dos puntos arbitrarios (ojala cercanos a una raíz
de 𝑓), aproximaremos la función 𝑓 por medio la recta secante a 𝑓 que pasa por los
puntos 𝑥0 , 𝑥1 como se muestra en la siguiente gráfica,
Gráfica 3-10
Ahora, la recta secante corta en eje 𝑥 en un punto y esta será nuestra siguiente
aproximación la cual llamaremos 𝑥2 , para hallar este valor primero debemos
encontrar la ecuación de la recta secante, para esto necesitamos la pendiente de la
recta que es,
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑚=
𝑥1 − 𝑥0
Y sabemos que pasa por el punto

(𝑥1 , 𝑓(𝑥1 ))
Con lo cual la ecuación de la recta tangente es
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑦 − 𝑓(𝑥0 ) = ( ) (𝑥 − 𝑥0 )
𝑥1 − 𝑥0

77
Nota 3-8 Los puntos iniciales 𝒙𝟎 , 𝒙𝟏 se deberán escoger cercano a la solución, de lo

contrario, no es fiable el método, para esto, debe hacerse un análisis a la función
como en el caso del método de Newton-Raphson (ver Nota 3-5)
Ahora el punto de corte de esta recta con el eje 𝑥, se obtiene al tomar 𝑦 = 0 y

despejar 𝑥 en la ecuación anterior, este valor es el que llamaremos 𝑥2 , así,
𝑓(𝑥1 )(𝑥1 −𝑥0 )

(3.11) 𝑥2 = 𝑥1 − 𝑓(𝑥1 )−𝑓(𝑥0 )
Nota 3-9 Tenga en cuenta que la recta puede ser hallada tomando el punto
(𝒙𝟎 , 𝒇(𝒙𝟎 )) en vez del punto (𝒙𝟏 , 𝒇(𝒙𝟏 )), lo cual nos llevaría a la ecuación
𝑓(𝑥0 )(𝑥1 −𝑥0 )
(3.12) 𝑥2 = 𝑥0 − 𝑓(𝑥1 )−𝑓(𝑥0 )
la cual es equivalente a la ecuación (3.11) .
Repitiendo este proceso, es decir, aproximando la función por medio de la recta

secante a la curva de 𝑓 pero ahora en los valores 𝑥1 , 𝑥2 obtendremos otra
aproximación, y con esto iremos formando una sucesión, la cual nos dará el método
de la secante, como muestra la siguiente gráfica,
Gráfica 3-11

78
así, es fácil verificar que

𝑓(𝑥1 )(𝑥2 − 𝑥1 )
𝑥3 = 𝑥2 −
𝑓(𝑥2 ) − 𝑓(𝑥1 )
y de manera inductiva tenemos la fórmula de recurrencia
𝑓(𝑥𝑛 )(𝑥𝑛 −𝑥𝑛−1 )

(3.13) 𝑥𝑛+1 = 𝑥𝑛 − 𝑓(𝑥𝑛 )−𝑓(𝑥𝑛−1 )
Para 𝑛 = 1,2,3, …, la anterior relación es la que usualmente se conoce como el

método de la Secante, sin embargo, recordemos que estamos trabajando
numéricamente por lo cual recurrimos a la tolerancia.
Repetiremos el Ejemplo 3-2 pero ahora aplicando el método de la Secante
Ejemplo 3-11 Encontrar una raíz real de la función 𝒇(𝒙) = 𝒄𝒐𝒔 𝒙 − 𝒙 con 5 cifras
significativas aplicando el método de la secante con los valores iniciales
(arbitrarios) 𝒙𝟎 = 𝟎, 𝒙𝟏 = 𝟏.
De nuevo, lo primero que debemos considerar es la tolerancia
𝑇5 = 10−1−5 = 10−6
Ahora tomemos dos valores iniciales arbitrarios 𝑥0 = 0, 𝑥1 = 1, al empezar la

relación de recurrencia, tendremos que la ecuación (3.13) toma la forma
𝑓(1)(1 − 0)
𝑥2 = 1 −
𝑓(1) − 𝑓(0)
Y así conseguimos que (verificar)

𝑥2 = 0,685073357
Y reiteramos este proceso hasta que el 𝐸𝑁𝑛 < 𝑇5 , lo cual se muestra en la siguiente
tabla
Tabla 3-12
0 0
1 1,000000000 1,000000000000000000
2 0,685073357 0,459697694131860000
3 0,736298998 0,069571791423906900
4 0,739119362 0,003815844156322460

79
5 0,739085112 0,000046340784847976
6 0,739085133 0,000000028531946369
El anterior método al ser una modificación del método de Newton-Raphson

presenta una convergencia similar, sin embargo, va a tener el mismo problema de
asegurar la convergencia a la raíz, es decir, estos métodos siguen siendo abiertos,
el único método cerrado que hemos trabajado (se asegura la convergencia a la raíz)
es el método de Bisección y el único que tenemos la certeza que es convergente
bajo condiciones muy fuertes es el del punto fijo, ahora vamos a manipular un poco
estos dos métodos a fin de crear uno que tenga las ventajas de asegurar la
convergencia y a su vez que sea rápida.
3.1.6. Método de regla falsa
Como vimos en el método de la secante (ver Gráfica 3-10) al aplicar la primera

iteración, el valor 𝑥2 no necesariamente está entre los valores iniciales 𝑥0 y 𝑥1 , en
general, no se asegurar la existencia de un intervalo en el cual estén todos los
términos 𝑥𝑛 de la sucesión, sin embargo, en el método de bisección esto si se
asegura ya que cada elemento 𝑥𝑛 esta entre los valores 𝑥𝑛−1 y 𝑥𝑛−2 y así todo
término de la sucesión esta entre los valores iniciales lo que hace posible el uso del
Teorema de Bolzano (ver Teorema 3-1), sin embargo, consideremos nuevamente la
función en la Gráfica 3-10 con otros valores iniciales y apliquemos el método de la
secante, así, (Burden R. y Faires, 2003)
Gráfica 3-12

80
En la anterior grafica se ve que el punto 𝑥2 esta entre los valores iniciales 𝑥0 y 𝑥1 ,

esto se debe a que el punto (𝑥0 , 𝑓(𝑥0 )) está por encima del eje 𝑥 y el punto
(𝑥1 , 𝑓(𝑥1 )) está por debajo del eje 𝑥, esta situación ya la vimos en el método de
bisección, que es, se cumple 𝑓(𝑥0 )𝑓(𝑥1 ) < 0, esta observación sugiere que los dos
métodos se pueden combinar como se verá en el siguiente caso y formalizaremos
más adelante.
Consideremos la función 𝑓(𝑥) = cos 𝑥 − 𝑥 y tomemos dos valores iniciales que

cumplan las condiciones del Teorema de Bolzano, como en el Ejemplo 3-2 así son
𝑥0 = 0 y 𝑥1 = 1, como la función 𝑓 toma un valor positivo en 0 y uno negativo en 1
Gráfica 3-13
+ -
0 1
al
igual que en los métodos anteriores buscamos construir una sucesión que converja
a nuestra raíz, la primera aproximación la buscaremos haciendo uso del método de
la secante, así

81
𝑓(𝑥1 )(𝑥1 − 𝑥0 )
𝑥2 = 𝑥1 −
𝑓(𝑥1 ) − 𝑓(𝑥0 )
De esta manera
𝑥2 = 0,685073357
notemos que la función evaluada en este punto es
𝑓(0,685073357) = 0,089299276
Al igual que en el método de Bisección este punto parte nuestro intervalo inicial en
dos subintervalos, para uno de estos subintervalos se cumplen las condiciones del
teorema de Bolzano, es decir, en un extremo de este subintervalo la función es
positiva y en el otro extremo la función es negativa en este caso dicho intervalo es
[0,685073357,1], en este caso [𝑥2 , 𝑥1 ]
Gráfica 3-14
+ + -
0 0.685073357 1
Ahora se busca repetir el proceso anterior a dicho intervalo, es decir, aplicar el

método de la secante a fin de generar un 𝑥3 en este caso, tocara encontrar la recta
secante a 𝑓 que pasa por los puntos (𝑥1 , 𝑓(𝑥1 )) y (𝑥2 , 𝑓(𝑥2 )) lo que nos lleva a
𝑓(𝑥2 )(𝑥2 − 𝑥1 )
𝑥3 = 𝑥2 −
𝑓(𝑥2 ) − 𝑓(𝑥1 )
En este caso, 𝑥3 = 0,736298998
Gráfica 3-15

82
Nota 3-10 Observemos que hasta el momento, el método es igual al método de la

secante, sin embargo, esto no es cierto como se verá en la siguiente iteración.
Este nuevo punto de la sucesión parte el intervalo [𝑥2 , 𝑥1 ] en dos subintervalos y

nuevamente en solo uno de ellos se verifica las condiciones del Teorema de
Bolzano como se ilustra en la siguiente gráfica
Gráfica 3-16
+ + + -
0 𝑥2 𝑥3 1
Esto se debe ya que

𝑓(0.736298998) = 0,004660039
En este caso las condiciones se cumplen en el intervalo [0.736298998,1] es decir
[𝑥3 , 𝑥1 ], ahora para hallar 𝑥4 en este caso, tocara encontrar la recta secante a 𝑓 que
pasa por los puntos (𝑥1 , 𝑓(𝑥1 )) y (𝑥3 , 𝑓(𝑥3 )) lo que nos lleva a (Verificar)

83
𝑓(𝑥3 )(𝑥3 − 𝑥1 )
𝑥4 = 𝑥3 −
𝑓(𝑥3 ) − 𝑓(𝑥1 )
Asi
𝑥4 = 0,736298998
y así sucesivamente, la sucesión en este caso se va generando como muestra la

siguiente tabla
Tabla 3-13
𝑛 𝑥𝑛
0 0
1 1
2 0,685073357326045
3 0,736298997613654
4 0,738945355965713
Nota 3-11 Compare la tabla anterior con la Tabla 3-12 del Ejemplo 3-11 y se ve la
diferencia del termino cuarto entre el método de regla falsa y el método de la
secante.
Al igual que en el caso de Bisección, estamos construyendo una sucesión en un

conjunto cerrado y acotado y la distancia entre los elementos va disminuyendo lo
que la hace una sucesión de Cauchy y por lo tanto converge.
Formalicemos ahora nuestro método que en adelante será llamado método de regla
falsa, sea 𝑓 una función continua en un intervalo [𝑎, 𝑏], el cual cumpla con la
desigualdad (3.1), que es,
𝑓(𝑎)𝑓(𝑏) < 0
construiremos una sucesión que nos ayude a la aproximar una raíz 𝑟 en dicho
intervalo, para esto, primero tomaremos a los valores 𝑎 y 𝑏, como los primeros
elementos de nuestra sucesión, así
𝑥0 = 𝑎, 𝑥1 = 𝑏
aplicaremos el algoritmo del método de la secante a dichos puntos y este será el

siguiente elemento de la sucesión así,
𝑓(𝑥1 )(𝑥1 − 𝑥0 )
𝑥2 = 𝑥1 −
𝑓(𝑥1 ) − 𝑓(𝑥0 )

84
Aquí debemos decidir con cuál de los dos subintervalos trabajar, si con [𝑥0 , 𝑥2 ] o
con [𝑥2 , 𝑥1 ], para esto, verificamos cuál de ellos cumple el criterio del Teorema de
Bolzano, para facilitar la programación podemos introducir dos variables artificiales
llamadas 𝑥𝑙 y 𝑥𝑟, estos van a ser los extremos del subintervalo con el cual vamos a
trabajar, es decir, si
𝑓(𝑥0 )𝑓(𝑥2 ) < 0
Asignamos a 𝑥𝑙 = 𝑥0 , 𝑥𝑟 = 𝑥2 de lo contrario 𝑥𝑙 = 𝑥2 , 𝑥𝑟 = 𝑥1 , ahora, para llegar a el

siguiente término de la sucesión aplicamos el método de la secante a dichos
valores, es decir a 𝑥𝑙 y 𝑥𝑟 lo cual nos lleva a
𝑓(𝑥𝑙)(𝑥𝑙 − 𝑥𝑟)
𝑥3 = 𝑥𝑙 −
𝑓(𝑥𝑙) − 𝑓(𝑥𝑟)
lo cual es equivalente a (mostrarlo)

𝑓(𝑥𝑟)(𝑥𝑟 − 𝑥𝑙)
𝑥3 = 𝑥𝑟 −
𝑓(𝑥𝑟) − 𝑓(𝑥𝑙)
Y de nuevo renombramos las variables artificiales como𝑥𝑙 = 𝑥𝑙, 𝑥𝑟 = 𝑥3 si

𝑓(𝑥𝑙)𝑓(𝑥3 ) < 0
De lo contrario tomamos 𝑥𝑙 = 𝑥3 , 𝑥𝑟 = 𝑥𝑟
Y repitiendo el algoritmo llegamos a
𝑓(𝑥𝑙)(𝑥𝑙 − 𝑥𝑟)
𝑥𝑛 = 𝑥𝑙 −
𝑓(𝑥𝑙) − 𝑓(𝑥𝑟)
Donde como𝑥𝑙 = 𝑥𝑙 , 𝑥𝑟 = 𝑥𝑛 si
𝑓(𝑥𝑙)𝑓(𝑥𝑛 ) < 0
De lo contrario tomamos 𝑥𝑙 = 𝑥𝑛 , 𝑥𝑟 = 𝑥𝑟
Ahora, para parar el algoritmo como ya habíamos mencionado, estamos creando

una sucesión en la cual podemos usar la tolerancia comparada con el 𝐸𝑁. (Chapra,
Numerical Methods for Engineers)
Esto lo ilustraremos en el siguiente ejemplo
Ejemplo 3-12 Hallar por medio del método de regla falsa una aproximación de una
raíz 𝒓 de 𝒇(𝒙) = 𝐜𝐨𝐬 𝒙 − 𝒙 con seis cifras significativas.
Como siempre, debemos fijar la tolerancia primero, que es,
𝑇6 = 10−1−6 = 10−7 = 0.0000001

85
los resultados se muestran en la siguiente tabla
Tabla 3-14
𝑛 𝑥𝑙 𝑥𝑟 𝑥𝑛 𝐸𝑁𝑛
0 0
1 1 1,000000000
2 0 1 0,68507336 0,459697694
3 0,68507336 1 0,736299 0,069571791
4 0,73629900 1 0,73894536 0,003581264
5 0,73894536 1 0,73907813 0,000179649
6 0,73907813 1 0,73908478 0,000009000
7 0,73908478 1 0,73908512 0,000000451
8 0,73908512 1 0,73908513 0,000000023
3.1.7. Comparación de secante y regla falsa
A continuación compararemos los métodos que surgen como mejoramientos de

Newton-Rahpson.
Para poder compararlos tenemos que suponer que los puntos iniciales cumplen la
condición 𝑓(𝑥0 )𝑓(𝑥1 ) < 0 (de lo contrario no se puede iniciar el método de regla
falsa) y así la primera iteración de ambos métodos coinciden; esto lo muestra la
siguiente grafica
Gráfica 3-17

86
En la segunda iteración del método de la secante trabaja con 𝑥1 y 𝑥2 (ya que trabaja
con términos inmediatamente anteriores) mientras que regla falsa trabaja
verificando el teorema de Bolzano y coinciden ya que 𝑓(𝑥1 )𝑓(𝑥2 ) < 0
Gráfica 3-18
Con respecto a la tercera iteración; observamos como las aproximaciones cambian,

ya que, Secante sigue trabajando con términos consecutivos 𝑥2 y 𝑥3 , mientras que
Regla Falsa al aplicar las condiciones del teorema de Bolzano , se observa que no
lo cumple, con los términos consecutivos, y tiene que recurrir a los puntos 𝑥1 y 𝑥3
Gráfica 3-19
y así sucesivamente, generándose la diferencia entre los dos métodos, observemos

que en el método de la Secante; la raíz comienza a salirse del intervalo inicial

87
(𝑥0 , 𝑥1 ) donde comenzó a calcularse esta, motivo por el cual a pesar de comenzar
con dos valores no se considera como un método cerrado. Lo que no ocurre con el
método de la Regla Falsa, el cual garantiza que la raíz se encuentra en el intervalo
inicial.
3.1.8. Comparación de bisección y regla falsa
Entre los métodos cerrados parecería que el método de regla falsa es la mejor
opción dado que es una variación del método de la secante y por tanto la
convergencia debería ser buena, sin embargo, existen casos en los cuales este
método es sumamente ineficiente, es decir, existen algunos casos en los cuales el
método de bisección es mejor y otros en los cuales el método de regla falsa es
mejor, en algunos casos se mejora un poco el método de regla falsa, una de estas
mejoras es llamada método de regla falsa modificada, aquí simplemente vamos a
comparar los dos métodos cerrados que tenemos a fin de dar alguna alternativa
más adelante.
En los Ejemplo 3-4 y Ejemplo 3-12 se buscó una aproximación de la raíz de la

ecuación cos 𝑥 − 𝑥 = 0 por medio de los métodos de bisección y regla falsa
respectivamente, en los cuales se observa claramente que la convergencia del
método de regla falsa supera a la convergencia del método de bisección, la
siguiente tabla muestra los 11 primeros términos en cada sucesión junto con sus
respectivos errores normalizados
Tabla 3-15
Bisección regla falsa
𝑛 𝐵𝑛 𝐸𝑁𝑛 𝑅𝑓𝑛 𝐸𝑁𝑛
0 0 0
1 1 1 1 1
2 0,5 1 0,68507336 0,45969769
3 0,75 0,33333333 0,736299 0,06957179
4 0,625 0,2 0,73894536 0,00358126
5 0,6875 0,09090909 0,73907813 0,00017965
6 0,71875 0,04347826 0,73908478 8,9997E-06
7 0,734375 0,0212766 0,73908512 4,5082E-07
8 0,7421875 0,01052632 0,73908513 2,2583E-08
9 0,73828125 0,00529101 0,73908513 1,1312E-09
10 0,74023438 0,00263852 0,73908513 5,6666E-11

88
lo observado en estos dos ejemplos casi siempre sucede, sin embargo existen
funciones para las cuales por la naturaleza de las mismas esto no ocurre como
veremos en el siguiente ejemplo
Ejemplo 3-13 Hallar las primeras 24 iteraciones del método de Bisección y Regla
falsa junto con sus respectivos errores normalizados para la ecuación
𝒙𝟏𝟎𝟎 − 𝟎. 𝟏 = 𝟎.
Generamos la tabla correspondiente a as iteraciones
Tabla 3-16
Bisección Regla falsa

𝑛 𝐵𝑛 𝐸𝑁𝑛 𝑅𝑓𝑛 𝐸𝑁𝑛
0 0,5 0,1
1 0,75 0,33333333 0,19 0,47368421
2 0,875 0,14285714 0,271 0,29889299
3 0,9375 0,06666667 0,3439 0,21198023
4 0,96875 0,03225806 0,40951 0,16021587
5 0,984375 0,01587302 0,468559 0,12602255
6 0,9765625 0,008 0,5217031 0,10186656
7 0,98046875 0,00398406 0,56953279 0,08398057
8 0,97851563 0,00199601 0,61257951 0,07027124
9 0,97753906 0,000999 0,65132156 0,05948221
10 0,97705078 0,00049975 0,6861894 0,05081373
11 0,97729492 0,00024981 0,71757046 0,04373237
12 0,97717285 0,00012492 0,74581342 0,03786866
13 0,97723389 6,2457E-05 0,77123208 0,03295851
14 0,9772644 3,1228E-05 0,79410887 0,02880813
15 0,97724915 1,5614E-05 0,81469798 0,02527208
16 0,97724152 7,8071E-06 0,83322818 0,02223905
17 0,9772377 3,9036E-06 0,84990536 0,0196224
18 0,97723579 1,9518E-06 0,86491481 0,01735368
19 0,97723675 9,7589E-07 0,87842327 0,01537807
20 0,97723722 4,8794E-07 0,89058069 0,01365111
21 0,97723699 2,4397E-07 0,90152171 0,01213617
22 0,97723711 1,2199E-07 0,91136675 0,0108025
23 0,97723716 6,0993E-08 0,92022264 0,00962364

89
La tabla anterior evidencia lo ya comentado, existen funciones en las cuales el

método de bisección tiene una convergencia más rápida, para analiza más a fondo
este ejemplo mostraremos la gráfica de la función junto con las primeras iteraciones
de bisección y de regla falsa
Gráfica 3-20
𝑟𝑓2 𝑟𝑓3 𝑟𝑓4 𝑏2 𝑏3 𝑏4
En la gráfica anterior los valores 𝑅𝑓𝑖 y 𝐵𝑖 denotan el 𝑖 −ésimo término en las

sucesiones del método de regla falsa y bisección respectivamente.
Aquí se observa que el método de bisección converge más rápido debido al
crecimiento de la función el cual es muy pequeño hasta cierto valor y desde allí
empieza a tener un crecimiento grande.
Las funciones que presentan este tipo de crecimiento generalmente son polinomios
de grado altos como lo ilustra precisamente el ejemplo anterior.

90
3.1.9. Bisección-regla falsa alternados
En esta sección alternaremos los métodos de bisección y regla falsa a fin de

mostrar un algoritmo al cual llamaremos bisección-regla falsa alternados que
funcione de la siguiente manera, en la primera iteración aplique el método de
bisección, en la segunda iteración el método de regla falsa, en la tercera el método
de bisección, en la cuarta el método de regla falsa y así sucesivamente, en la
sucesión que crearemos la notaremos los puntos iniciales por 𝑥0 , 𝑥1 y a partir de
estos en la iteración donde se aplique bisección serán notados por 𝑏𝑖 y donde se
aplique regla falsa serán notados por 𝑟𝑓𝑖 , así explícitamente la sucesión se mostrará
como (𝑥0 , 𝑥1 , 𝑏2 , 𝑟𝑓3 , 𝑏4 , 𝑟𝑓5 , … . ), (aunque si no hay lugar a confusión puede ser
expresada simplemente como (𝑥𝑛 ))
Aquí mostraremos los ejemplos analizados en la sección anterior con esta nueva
propuesta.
Ejemplo 3-14 Aplicar el algoritmo de Bisección-regla falsa alternado a la ecuación

𝒄𝒐𝒔(𝒙) − 𝒙 = 𝟎 a fin de encontrar una aproximación con 3 cifras significativas.
Para esto recordemos que la tolerancia es 𝑇3 = 10−4 , los resultados se muestran a

continuación
Tabla 3-17
𝑥𝑙 𝑥𝑟 𝑥𝑛 𝐸𝑁𝑛
𝑥0 0
𝑥1 1 1
𝑏2 0 1 0,5 1
𝑟𝑓3 0,5 1 0,72548159 0,31080263
𝑏4 0,72548159 1 0,73839862 0,01749331
𝑟𝑓5 0,73839862 1 0,73905073 0,00088236
𝑏6 0,73905073 1 0,86952537 0,15005271
𝑟𝑓7 0,73905073 0,86952537 0,73908421 0,17649025
𝑏8 0,73908421 0,86952537 0,73908511 1,2175E-06
Ejemplo 3-15 Aplicar el algoritmo de Bisección-regla falsa alternado a la ecuación

𝒙𝟏𝟎𝟎 − 𝟎. 𝟏 = 𝟎 a fin de encontrar una aproximación con 3 cifras significativas.

91

continuación
Tabla 3-18
𝑥0 0
𝑥1 1 1
𝑏2 0 1 0,5 1
𝑟𝑓3 0,5 1 0,55 0,09090909
𝑏4 0,55 1 0,595 0,07563025
𝑟𝑓5 0,595 1 0,6355 0,06372935
𝑏6 0,6355 1 0,81775 0,22286762
𝑟𝑓7 0,81775 1 0,835975 0,02180089
𝑏8 0,835975 1 0,8523775 0,01924323
𝑟𝑓9 0,8523775 1 0,86713973 0,01702406
𝑏10 0,86713973 1 0,93356987 0,07115711
𝑟𝑓11 0,93356987 1 0,94015097 0,00700005
𝑏12 0,94015097 1 0,94602316 0,00620724
𝑟𝑓13 0,94602316 1 0,95123104 0,00547488
𝑏14 0,95123104 1 0,97561552 0,02499395
𝑟𝑓15 0,97561552 1 0,97602319 0,00041769
𝑏16 0,97602319 1 0,97633061 0,00031487
𝑟𝑓17 0,97633061 1 0,97656145 0,00023638
𝑏18 0,97656145 1 0,98828073 0,01185824
𝑟𝑓19 0,97656145 0,98828073 0,97692693 0,01162195
𝑏20 0,97692693 0,98828073 0,97709532 0,00017234
𝑟𝑓21 0,97709532 0,98828073 0,97717245 7,8931E-05
3.1.10. Regla falsa-bisección alternados
Análogamente a la sección anterior podemos alternar los métodos de regla falsa y

bisección (en ese orden) a fin de mostrar un algoritmo al cual llamaremos regla
falsa-bisección alternados que funcione de manera similar a la anterior, es decir en
la primera iteración aplique el método de regla falsa, en la segunda iteración el
método de bisección, en la tercera el método de regla falsa, en la cuarta el método
de bisección y así sucesivamente, en la sucesión que crearemos la notaremos los
puntos iniciales por 𝑥0 , 𝑥1 y a partir de estos en la iteración donde se aplique

92
bisección serán notados por 𝑏𝑖 y donde se aplique regla falsa serán notados por 𝑟𝑓𝑖 ,
así explícitamente la sucesión se mostrará como (𝑥0 , 𝑥1 , 𝑟𝑓2 , 𝑏3 , 𝑟𝑓4 , 𝑏5 … . ), (aunque
si no hay lugar a confusión puede ser expresada simplemente como (𝑥𝑛 ))
Aquí mostraremos los ejemplos analizados en la sección anterior con esta nueva
propuesta.
Ejemplo 3-16 Aplicar el algoritmo de Regla falsa-bisección alternado a la ecuación

𝒄𝒐𝒔(𝒙) − 𝒙 = 𝟎 a fin de encontrar una aproximación con 3 cifras significativas.

continuación
Tabla 3-19
𝑥0 0
𝑥1 1 1
𝑟𝑓2 0 1 0,68507336 0,45969769
𝑏3 0,68507336 1 0,736299 0,06957179
𝑟𝑓4 0,736299 1 0,8681495 0,15187534
𝑏5 0,736299 0,8681495 0,73901087 0,17474523
𝑟𝑓6 0,73901087 0,8681495 0,73908316 9,7804E-05
𝑏7 0,73908316 0,8681495 0,73908508 2,6031E-06
𝑟𝑓8 0,73908508 0,8681495 0,80361729 0,08030217
𝑏9 0,73908508 0,80361729 0,73908513 0,08731356
𝑟𝑓10 0,73908513 0,80361729 0,73908513 9,6674E-10
Ejemplo 3-17 Aplicar el algoritmo de Regla falsa-bisección alternado a la ecuación

𝒙𝟏𝟎𝟎 − 𝟎. 𝟏 = 𝟎 a fin de encontrar una aproximación con 3 cifras significativas.

continuación
Tabla 3-20
𝑥0 0
𝑥1 1 1
𝑟𝑓2 0 1 0,1 9

93
𝑏3 0,1 1 0,19 0,47368421

𝑟𝑓4 0,19 1 0,595 0,68067227
𝑏5 0,595 1 0,6355 0,06372935
𝑟𝑓6 0,6355 1 0,67195 0,05424511
𝑏7 0,67195 1 0,704755 0,04654809
𝑟𝑓8 0,704755 1 0,8523775 0,17318911
𝑏9 0,8523775 1 0,86713973 0,01702406
𝑟𝑓10 0,86713973 1 0,88042568 0,01509037
𝑏11 0,88042568 1 0,8923828 0,01339909
𝑟𝑓12 0,8923828 1 0,9461914 0,05686862
𝑏13 0,9461914 1 0,95137963 0,00545338
𝑟𝑓14 0,95137963 1 0,95594007 0,00477063
𝑏15 0,95594007 1 0,9599033 0,00412878
𝑟𝑓16 0,9599033 1 0,97995165 0,02045851
𝑏17 0,9599033 0,97995165 0,9743916 0,00570617
𝑟𝑓18 0,9743916 0,97995165 0,97684768 0,00251429
𝑏19 0,97684768 0,97995165 0,97718585 0,00034606
𝑟𝑓20 0,97718585 0,97995165 0,97856875 0,00141319
𝑏21 0,97718585 0,97856875 0,97723383 0,00136601
𝑟𝑓22 0,97723383 0,97856875 0,977237 3,2388E-06
3.1.11. Comparación métodos cerrados
Hasta este momento tenemos cuatro propuestas de métodos cerrados (bisección,

regla falsa, bisección-regla falsa alternado y Regla falsa-bisección alternado) en los
ejemplos Ejemplo 3-2, Ejemplo 3-12, Ejemplo 3-13, Ejemplo 3-14,
Ejemplo 3-15, Ejemplo 3-16 y
Ejemplo 3-17 se implementaron sobre las ecuaciones
𝒙𝟏𝟎𝟎 − 𝟎. 𝟏 = 0 𝑦 𝒄𝒐𝒔(𝒙) − 𝒙 = 𝟎
En esta sección resumiremos dichos resultados, comenzaremos por la ecuación

𝒄𝒐𝒔(𝒙) − 𝒙 = 𝟎, en la cual se buscaron 3 cifras significativas (omitiremos los valores
de los errores normalizados y daremos únicamente los valores de las
aproximaciones)
Tabla 3-21
Bisección Regla falsa Bis-Reg. Reg.-Bis
𝑛 𝑥𝑛 𝑥𝑛 𝑥𝑛 𝑥𝑛
0 0 0 0 0
1 1 1 1 1
2 0,5 0,68507336 0,5 0,68507336

94
3 0,75 0,736299 0,72548159 0,736299

4 0,625 0,73894536 0,73839862 0,8681495
5 0,6875 0,73907813 0,73905073 0,73901087
6 0,71875 0,73908478 0,86952537 0,73908316
7 0,734375 0,73908421 0,73908508
8 0,7421875 0,73908511 0,80361729
9 0,73828125 0,73908513
10 0,74023438 0,73908513
11 0,73925781
12 0,73876953
13 0,73901367
14 0,73913574
15 0,73907471
Y para el caso de la ecuación 𝑥100 − 0.1 = 0 tenemos
Tabla 3-22
Bisección Regla falsa Bis-Reg. Reg.-Bis

𝑛 𝑥𝑛 𝑥𝑛 𝑥𝑛 𝑥𝑛
0 0 0 0 0
1 1 1 1 1
2 0,5 0,1 0,5 0,1
3 0,75 0,19 0,55 0,19
4 0,875 0,271 0,595 0,595
5 0,9375 0,3439 0,6355 0,6355
6 0,96875 0,40951 0,81775 0,67195
7 0,984375 0,468559 0,835975 0,704755
8 0,9765625 0,5217031 0,8523775 0,8523775
9 0,98046875 0,56953279 0,86713973 0,86713973
10 0,97851563 0,61257951 0,93356987 0,88042568
11 0,97753906 0,65132156 0,94015097 0,8923828
12 0,97705078 0,6861894 0,94602316 0,9461914
13 0,97729492 0,71757046 0,95123104 0,95137963
14 0,97717285 0,74581342 0,97561552 0,95594007
15 0,97723389 0,77123208 0,97602319 0,9599033
16 0,79410887 0,97633061 0,97995165
17 0,81469798 0,97656145 0,9743916
18 0,83322818 0,98828073 0,97684768
19 0,84990536 0,97692693 0,97718585

95
20 0,86491481 0,97709532 0,97856875

21 0,87842327 0,97717245 0,97723383
22 0,89058069 0,977237
23 0,90152171
⋮ ⋮
46 0,97686781
47 0,97696278
Esto muestra que ninguno de los métodos es mejor que otro, todo depende de la
naturaleza de la función, si se sabe que va a tener cambios bruscos en la pendiente
es aconsejable usar el método de bisección, si no los tiene usar el método de regla
falsa o si se sospecha que puede tener estos cambios bruscos como en el caso de
los polinomios de grado alto se recomienda usar uno de los métodos alternados los
cuales siempre van a tener mejor convergencia que el peor de los convencionales
(Bisección y regla falsa) y su convergencia se asemeja a la mejor de los
convencionales (Bisección y regla falsa).

Ejercicio 3-1 ¿Si en una función continua se tiene que 𝒇(𝒂)𝒇(𝒃) > 𝟎, se puede
concluir que no tiene raíces reales en el intervalo [𝒂, 𝒃]?
Ejercicio 3-2 De el bosquejo de grafica de una función la cual cumpla las siguientes
condiciones.
a) Tenga una raíz en el intervalo [1,2] y sea aplicable el método de
bisección.
b) 𝑓(2)𝑓(4) < 0,𝑓(3) = 0 pero no sea posible el método de bisección
tomando como puntos iniciales 𝑥0 = 2, 𝑥1 = 4
c) 𝑓(4)𝑓(6) > 0 y 𝑓(5) = 0.
Ejercicio 3-3 Consideremos la función

1 4
𝑓1 (𝑥) = + 𝑠𝑒𝑛(𝑥) +
𝑥−2 10
En cada caso determine si es posible el uso del método de Bisección, regla falsa,
bisección-regla falsa alternado y regla falsa-bisección alternado, en caso de serlo
encontrar una aproximación de una raíz con 3 cifras significativas tomando como
puntos iniciales
a) 𝑥0 = 0, 𝑥1 = 0.5.

96
b) 𝑥0 = 1.5, 𝑥1 = 3.
c) 𝑥0 =4, 𝑥1 = 5
d) 𝑥0 =1, 𝑥1 = 1.5
e) 𝑥0 = 10, 𝑥1 = 12.
𝒏
Nota 3-3 Notemos que si 𝒙 = √𝒂 y si elevamos ambos lados al cuadrado
𝒏
obtenemos la ecuación algebraica 𝒙𝒏 = 𝒂 la cual contiene a 𝒙 = √𝒂 como solución
(aunque incluye otras que pueden ser reales o complejas), sin embargo nos sirve
𝒏
ver que la función 𝒇(𝒙) = 𝒙𝒏 − 𝒂 tiene como raíz a √𝒂, ahora si aplicamos un
método numérico para hallar raíces de funciones podemos aproximar el valor de
𝒏
√𝒂 tanto como se quiera (o lo permita la maquina), el inconveniente puede ser
como escoger el (los) puntos iniciales para cada método, una propuesta es que si la
raíz no es un entero (que es el caso que nos interesa, de lo contrario no tendría
sentido aplicar un método numérico) podemos encontrar un entero 𝒎 tal que
𝟐𝒎+𝟏
𝒎𝒏 < 𝒂 < (𝒎 + 𝟏)𝒏 y de esta manera tomar tomo punto inicial 𝒙𝟎 = (o si es un
𝟐
método que requiere dos puntos iniciales 𝒙𝟎 = 𝒎, 𝒙𝟏 = 𝒎 + 𝟏 los cuales verifican la

condición del teorema de Bolzano), esta idea ya fue empleada en el Ejemplo 3-7, en
el siguiente ejercicio seguiremos esa idea para hallar aproximaciones de raíces
𝒏 −ésimas de valores reales.
𝟑
Ejercicio 3-4 Considere la función 𝒇(𝒙) = 𝒙𝟑 − 𝟓 y halle una aproximación de √𝟓
con 4 cifras significativas usando el método de
a) Bisección
b) Newton
c) Newton mejorado
d) Secante
e) Regla falsa
f) Bisección-regla falsa alternado
g) Regla falsa-bisección alternado
Sugerencia: ya que 13 < 7 < 23 , si el método requiere un punto inicial tome
𝑥0 = 1.5 y si el método requiere dos puntos iniciales tome 𝑥0 = 1, 𝑥1 = 2.
Ejercicio 3-5 Repita el ejercicio anterior para hallar una aproximación de

5
a) √50

97
3
b) √30
c) √17
𝑒 𝑥 −𝑥 1
La grafica de la función 𝑓(𝑥) = 10(𝑥−1) + 5 es
Gráfica 3-21
La cual presenta una asíntota en 𝑥 = 1, si se toman diferentes puntos iniciales para

esta función en el método de Newton-Raphson el método puede ser o no
convergente (como se ha mencionado acerca de los métodos abiertos), para ver
esta observación se da el siguiente ejercicio
Ejercicio 3-6 Sea

𝑒𝑥 − 𝑥 1
𝑓(𝑥) = +
10(𝑥 − 1) 5
Realice 10 iteraciones del método de Newton-Raphson con los valores iniciales

a) 𝑥0 = −2
b) 𝑥0 = −1
c) 𝑥0 = 0
d) 𝑥0 = 0.5

98
e) 𝑥0 = 0.9
f) 𝑥0 = 1.1
g) 𝑥0 = 1.2
h) 𝑥0 = 1.3
i) 𝑥0 = 1.4
j) 𝑥0 = 1.5
k) 𝑥0 = 1.6
Ejercicio 3-7 Mediante la ¡Error! No se encuentra el origen de la referencia. se

observa que los valores 𝒙𝟎 = 𝟎, 𝒙𝟏 = 𝟎. 𝟖 cumplen las condiciones del teorema de
Bolzano, con estos valores iniciales halle una aproximación de la raíz con 2 cifras
significativas por el método de
a) Bisección
b) Regla falsa
c) Bisección-regla falsa alternado
d) Regla falsa-bisección alternado
Ejercicio 3-8 Recordemos que en la Gráfica 3-2 muestra que la ecuación

𝟏
𝒕𝒂𝒏𝒙 − =𝟎
𝒙𝟐 +𝟏
tiene infinitas soluciones, las cuales son imposibles de calcular numéricamente, sin
embargo cualquiera de ellas en particular si la podemos calcular, en particular en
este ejercicio calcularemos dos de ellas. si 𝒙𝟎 = 𝟎, 𝒙𝟏 = 𝟏, con estos valores
iniciales halle una aproximación de la raíz con 3 cifras significativas por el método
de
a) Bisección
b) Regla falsa
c) Bisección-regla falsa alternado
d) Regla falsa-bisección alternado
e) Repita todo el ejercicio para los puntos iniciales 𝑥0 = 𝟎, 𝑥1 = 2.
Ejercicio 3-9 Verifique que las expresiones en las ecuaciones (3.11) y (3.12) son las
mismas, en general, verifique que la expresión
𝑓(𝑥𝑛−1 )(𝑥𝑛−1 − 𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛−1 −
𝑓(𝑥𝑛−1 ) − 𝑓(𝑥𝑛 )
genera la misma sucesión que en (3.13).

99
Nota 3-12 existen varias variaciones del método de Newton, como a vimos el
método de la secante es uno de ellos, en el cual lo que se hace es cambiar la
derivada por una aproximación de esta en ese caso 𝒇′(𝒙) es sustituida por
𝒇(𝒙𝒏 )−𝒇(𝒙𝒏−𝟏 )
, esto muestra que una aproximación de la derivada da lugar a un nuevo
𝒙𝒏 −𝒙𝒏−𝟏
método, por ejemplo, 𝒇′(𝒙) pude ser sustituida por

𝒇(𝒙𝒏 + 𝒇(𝒙𝒏 )) − 𝒇(𝒙𝒏 )
𝒇(𝒙𝒏 )
(Notemos que es tomar ℎ = 𝑓(𝑥𝑛 ) en el límite que define la derivada), de esta

manera llegamos a la siguiente relación de recurrencia
2
(𝑓(𝑥𝑛 ))
(3.14) 𝑥𝑛+1 = 𝑥𝑛 − 𝑓(𝑥
𝑛 +𝑓(𝑥𝑛 ))−𝑓(𝑥𝑛 )
𝟐
Ejercicio 3-10 Sea 𝒇(𝒙) = 𝒔𝒆𝒏(𝒙) − halle una aproximación de la raíz con 3
𝟏+𝒙𝟐
cifras significativas tomando como punto inicial 𝒙𝟎 = 𝟎 usando

a) El método de Newton-Raphson
b) El método dado por la relación de recurrencia dada en (3.14).
Nota 3-13 Como ya se comentó el método de Newton mejorado (usado en

ecuaciones de raíces múltiples) es simplemente aplicar el método de Newton-
𝒇(𝒙)
Raphson a la función 𝒈(𝒙) = 𝒇′ (𝒙), otra de estas alternativas es conocida como el
método de Halley el cual aplica el método de Newton-Raphson a la función

𝒇(𝒙)
𝒉(𝒙) = , de esta manera se llega a la sucesión de recurrencia
√|𝒇′ (𝒙)|
𝟐𝒇(𝒙𝒏 )𝒇′ (𝒙)

(3.15) 𝒙𝒏+𝟏 = 𝒙𝒏 − 𝟐
𝟐(𝒇′ (𝒙)) −𝒇(𝒙)𝒇′′ (𝒙)
Ejercicio 3-11 Sea 𝒇(𝒙) = 𝒆𝟐𝒙 𝒙𝟑 − 𝟑𝒆𝟐𝒙 𝒙𝟐 + 𝟑𝒆𝟐𝒙 𝒙 + 𝒆𝟐𝒙 halle una aproximación de
la raíz con 3 cifras significativas tomando como punto inicial 𝒙𝟎 = 𝟎 usando
a) El método de Newton mejorado
El método de Halley
b) , es decir, el dado por la relación de recurrencia dada en (3.15)(3.14).

100
4. Raíces reales de polinomios
Los métodos estudiados en el capítulo anterior son algunos de los métodos

existentes para aproximar raíces de funciones a valor real, en la literatura se
pueden encontrar muchos más métodos con el mismo propósito y al igual que pasa
en los métodos vistos, dependiendo de la naturaleza de la función algún método
puede ser mejor que otro, es decir, en general no existe el “mejor método” para
aproximar raíces de funciones.
Existen muchas razones por las cuales consideramos “fáciles” a las funciones
polinómicas, una de ellas es la fácil evaluación de un polinomio ya que solo es
necesario utilizar las operaciones básicas, otra razón que hace importantes a los
polinomios fue vista en las series de Taylor, que afirma que una función bajo ciertas
condiciones de diferenciabilidad puede ser aproximada por medio de polinomios.
En este capítulo daremos explícitamente un algoritmo en el cual se pueden hallar

las raíces reales de un polinomio, antes de empezar a buscar las raíces de un
polinomio, debemos tener una preparación inicial acerca de ellos.
4.1 Preliminares sobre polinomios
Para esto empezaron con un estudio superficial de la teoría de polinomios.
Definición 4-1 (polinomio) Un polinomio de grado 𝒏 con coeficientes reales es una

funcion 𝒑: ℝ → ℝ de la forma
𝑝(𝑥) = 𝑎𝑛 𝑥 𝑛 + 𝑎𝑛−1 𝑥 𝑛−1 + ⋯ + 𝑎1 𝑥 + 𝑎0
donde los 𝑎𝑘 para 𝑘 = 0,1, … , 𝑛 son llamados los coeficientes del polinomio y 𝑎𝑘 ∈ ℝ
para 𝑘 = 0,1, … , 𝑛 con 𝑎𝑛 ≠ 0. (Burden R. y Faires, 2003)
4.1.1. Multiplicidad de las raíces
En adelante, todos los polinomios que consideraremos son con coeficientes reales.
Por ser los polinomios funciones también es válida la Definición 3-1 de raíz, así, un
valor 𝑟 ∈ ℝ es llamada una raiz real (o cero) de un polinomio 𝑝 si se cumple la
igualdad
𝑝(𝑟) = 0.

101
Y al igual que en la Definición 3-2 decimos que 𝑟 es una raíz de multiplicidad 𝛼 > 0
si
𝑝(𝑥)
lim =𝑐
𝑥→𝑟 (𝑥 − 𝑟)𝛼
donde 𝑐 ≠ 0. (Wunsch, 1997)
Un hecho interesante en los polinomios es que para cualquier raíz 𝑟, la multiplicidad

de dicha raíz 𝛼 es un valor entero positivo lo cual lo garantiza el siguiente teorema
Teorema 4-1 Sea 𝒑 un polinomio de grado 𝒏 y 𝒓 una raiz de 𝒑 con multiplidad 𝜶

entonces 𝜶 ∈ ℤ+ . (Wunsch, 1997)
Otro resultado importante en los polinomios es el bien conocido Teorema del factor,
el cual relaciona las raíces de los polinomios junto con sus multiplicidades y los
factores de este. Consecuencia del teorema fundamental del algebra.
Teorema 4-2 (Teorema del factor) Sea 𝒑 un polinomio de grado 𝒏 y 𝒓 una raiz de 𝒑,
entonces existe un polinomio 𝒒 de grado 𝒏 − 𝟏 tal que
𝑝(𝑥) = (𝑥 − 𝑟)𝑞(𝑥)
para todo 𝑥 ∈ ℝ. En otras palabras si 𝑟 una raiz de 𝑝 entonces (𝑥 − 𝑟) es un factor.
Usando los teoremas anteriores se puede mostrar un resultado más fuerte acerca
de la multiplicidad de la raíz y el factor involucrado, que es,
Teorema 4-3 (Multiplicidad y factores) Sea 𝒑 un polinomio de grado 𝒏 y 𝒓 una raíz

de 𝒑 con multiplicidad 𝒌, entonces existe un polinomio 𝒒 de grado 𝒏 − 𝒌 tal que
𝑝(𝑥) = (𝑥 − 𝑟)𝑘 𝑞(𝑥)
para todo 𝑥 ∈ ℝ donde 𝑞(𝑟) ≠ 0. En otras palabras si 𝑟 una raiz de 𝑝 entonces

(𝑥 − 𝑟)𝑘 es un factor y el otro factor no se anula en 𝑟. (Burden R. y Faires, 2003)
Sin embargo, esta forma de ver la multiplicidad requiere que la factorización del
polinomio se conozca, lo cual en general no tendremos, toca buscar otra forma de
relacionar la multiplicidad de una raíz con algún concepto matemático conocido,
para esto veamos la multiplicidad de las raíces en los siguiente polinomios desde un
punto de vista geométrico.

102
Consideremos los polinomios

𝑝1 (𝑥) = 𝑥 − 1
𝑝2 (𝑥) = (𝑥 − 1)2
𝑝3 (𝑥) = (𝑥 − 1)3
𝑝4 (𝑥) = (𝑥 − 1)4
Donde sus respectivas graficas se muestran adelante
Gráfica 4-1
Todos estos polinomios tienen una única raíz real en 𝑟 = 1, sin embargo, de la
definición de multiplicidad o del Teorema anterior se ve que la multiplicidad de dicha
raíz es diferente en cada uno de ellos, así, en 𝑝1la raíz es simple, mientras que en
las otras funciones la raíz es múltiple de multiplicidad mayor que 1.
Analicemos ahora únicamente las gráficas sin el sistema de coordenadas, así
Gráfica 4-2

103
Si vemos la raíz (el punto de corte con el eje 𝑥) en la gráfica de 𝑝1este punto en la
recta no presenta ninguna particularidad (a excepción de ser raíz), es decir, es un
punto como cualquier otro de la recta, en la gráfica de 𝑝2 el punto en la parábola si
es un punto importante es el vértice de la parábola y al igual que en el caso de 𝑝4
se encuentra un mínimo y por último en la gráfica de 𝑝3 este punto también es
importante ya que hay un cambio en la concavidad de la función, así, vemos que
cuando se presenta multiplicidad en la raíz 𝑟 de un polinomio 𝑝 en el punto (𝑟, 𝑝(𝑟))
se presentan particularidades como máximos y mínimos o puntos de inflexión, esto
nos lleva a pensar que la raíz múltiple de un polinomio está íntimamente
relacionada con la derivada.
Veamos en el siguiente ejemplo que relación existe entre la derivada de un

polinomio y los ceros de este.
Ejemplo 4-1 Considere la función
(4.1) 𝑓(𝑥) = (𝑥 − 1)3 (𝑥 − 2)

104
Este polinomio tiene una raíz múltiple de multiplicidad 3 en 𝑟1 = 1 y una raíz simple
en 𝑟2 = 2, lo de ser raíz se verifica fácilmente tabulando los valores en la función,
así
Tabla 4-1
𝑟1 𝑟2
𝑓 0 0
Ahora, consideremos la derivada 𝑓 ′ (𝑥) = (𝑥 − 1)2 (4𝑥 − 7), como se analizó antes,
en los puntos de multiplicidad aparecen particularidades, estas particularidades
están relacionadas con que la derivada sea cero como se muestra en la siguiente
tabla
Tabla 4-2
𝑟1 𝑟2
𝑓′ 0 1
Esto motiva el estudio de la siguiente proposición
Proposición 4-1 Sea 𝒑 un polinomio y sea 𝒓 una raíz múltiple de este, entonces
𝒑′ (𝒓) = 𝟎, es decir, 𝒓 también es una raíz de la derivada, además si la multiplicidad
de 𝒓 es 𝒌 entonces la multiplicidad de 𝒓 en la derivada es 𝒌 − 𝟏(en el caso 𝒌 = 𝟏,
𝒓 no es raíz de 𝒑′ ).
Para mostrar tomemos en 𝑝 a 𝑟 como una raíz múltiple de multiplicidad 𝑘 entonces
de la definición de multiplicidad y el Teorema 4-3 tenemos que 𝑝(𝑥) = (𝑥 − 𝑟)𝑘 𝑞(𝑥)
para todo 𝑥 ∈ ℝ donde 𝑞(𝑟) ≠ 0, derivando tenemos
𝑝′ (𝑥) = (𝑥 − 𝑟)𝑘−1 [𝑘𝑞(𝑥) + (𝑥 − 𝑟)𝑞 ′ (𝑥)]
Donde en efecto se ve que la multiplicidad de la raíz r en 𝑝′ es 𝑘 − 1 ya que

𝑘𝑞(𝑥) + (𝑥 − 𝑟)𝑞 ′ (𝑥) ≠ 0 cuando en 𝑥 = 𝑟.
Analicemos la proposición anterior un poco, supongamos un polinomio 𝑝 que tiene

una raíz 𝑟 múltiple de multiplicidad 3 como en (4.1), así 𝑝(𝑟) = 0, la proposición
anterior nos asegura que 𝑟 también es raíz de la derivada, así, 𝑝′(𝑟) = 0, pero de
multiplicidad 2, nuevamente por la proposición anterior, aplicada a 𝑝′, 𝑟 es una raíz
simple de 𝑝′′ asi 𝑝′′(𝑟) = 0 y como la raíz es simple para 𝑝′′ entonces 𝑝′′′(𝑟) ≠ 0.
Esto se muestra en la siguiente tabla para la función cuando 𝑟 = 1
𝑓(𝑥) = (𝑥 − 1)3 (𝑥 − 2)

105
Tabla 4-3
𝑟
𝑓 0
𝑓′ 0
𝑓′′ 0
𝑓′′′ ≠0
Esto nos provee el siguiente resultado que usaremos para contar la multiplicidad de
una raíz en un polinomio
Teorema 4-4 (Multiplicidad y derivada) Sea 𝒑 un polinomio de grado 𝒏 entonces 𝒓

es una raíz de 𝒑 de multiplicidad 𝒌, si y solo si
𝑝(𝑟) = 𝑝′ (𝑟) = 𝑝′′ (𝑟) = ⋯ = 𝑝(𝑘−1) (𝑟) = 0 𝑦 𝑝(𝑘) (𝑟) ≠ 0.
El siguiente ejemplo muestra la aplicación de este teorema para contar la

multiplicidad de una raíz en un polinomio.
Ejemplo 4-2 Consideremos el polinomio

𝑓(𝑥) = 𝑥 3 + 3𝑥 2 − 9𝑥 + 5
En los Ejemplo 3-8, Ejemplo 3-9 y Ejemplo 3-10 se mostró que 𝑟1 = 1 y 𝑟2 = −5

son las posibles raíces de 𝑓, veamos que en efecto son raíces y analizaremos la
multiplicidad de cada una de ellas.
Para esto debemos evaluar la función en dichos valores así,
𝑟1 𝑟2
𝑓 0 0
La tabla anterior muestra que 𝑟1 y 𝑟2 son raíces, ahora para ver su multiplicidad,
evaluaremos en su derivada así
𝑓′(𝑥) = 3𝑥 2 + 6𝑥 − 9
𝑟1 𝑟2
𝑓′ 0 36
Esto muestra que la raíz 𝑟2 = −5 es simple mientras 𝑟1 = 1 es una raíz múltiple, en

este momento se sabe que la multiplicidad es mayor o igual que 2, seguimos
derivando

106
Tabla 4-4
𝑟1
𝑓′′ 12
Entonces se ve que la multiplicidad es dos, esto se resume en la siguiente tabla
Tabla 4-5
𝑟1 𝑟2
𝑓 0 0
𝑓′ 0 ≠0
𝑓′′ ≠0
Donde los ceros en la columna de 𝑟1 muestran la multiplicidad de 𝑟1 (en este caso

es múltiple de multiplicidad 2) mientras los ceros en la columna de 𝑟2 muestran la
multiplicidad de 𝑟2 (en este caso el cero es simple o de multiplicidad 1)
Recordemos que el objetivo en este capítulo es buscar las raíces de un polinomio

de grado 𝑛, sin embargo, para esto lo primero que debemos preguntarnos es
¿cualquier polinomio tiene raíces? Y si las tiene lo natural es preguntarnos
¿Cuántas raíces tiene un polinomio?, esto será contestado en la siguiente sección.
4.1.2. Existencia de las raíces
Para esto estudiemos los polinomios de grado 1 y 2 para ver si nos dan alguna
pista, sea 𝑝 un polinomio de grado 1, es decir,
𝑝(𝑥) = 𝑎1 𝑥 + 𝑎0
𝑎
Como 𝑎1 ≠ 0, despejando tenemos que 𝑟 = 𝑎0 es la única raíz de 𝑝.
1
Ahora si consideramos un polinomio 𝑝 de grado 2, es decir,
𝑝(𝑥) = 𝑎𝑥 2 + 𝑏𝑥 + 𝑐
Es bien conocido que sus dos únicas raíces están dadas por
−𝑏+√𝑏2 −4𝑎𝑐
𝑟1 = 2𝑎
(4.2)
−𝑏−√𝑏2 −4𝑎𝑐
𝑟2 = 2𝑎

107
Ahora se pueden presentar tres casos que se muestran en la siguiente gráfica
Gráfica 4-3
En la figura A se observa que la función tiene una raíz real, aunque esta es múltiple,
en la figura B observamos que no tiene raíces reales, aunque tiene dos complejas y
conjugadas y en la figura C se tienen dos raíces reales diferentes; luego si se tiene
un polinomio de grado 2 entonces se tienen dos raíces entre reales complejas y
multiplicidades, además las raíces complejas aparecen en parejas conjugadas, es
decir si 𝑧 = 𝑎 + 𝑏𝑖 es una raíz compleja entonces 𝑧̅ = 𝑎 − 𝑏𝑖 también es raíz.
Las anteriores observaciones llevan a pensar en el siguiente teorema, sin embargo

la prueba de este es un poco complicada y sale del alcance de este texto
Teorema 4-5 (Teorema fundamental del algebra) Sea 𝒑 un polinomio de grado 𝒏,

con coeficientes reales, entonces 𝒑 tiene exactamente 𝒏 raíces entre reales,
complejas y multiplicidades, además las raíces complejas aparecen en pares
conjugados.
Para la prueba se puede ver en (Wunsch, 1997) pág. 209.
Una consecuencia directa del teorema anterior junto con el Teorema 3-1 (Bolzano)
es la siguiente.
Corolario 4-1 Un polinomio de grado impar tiene por lo menos una raíz real.
La prueba es consecuencia directa del teorema fundamental del algebra ya que las
raíces complejas aparecen por pares, para una prueba alterna consideremos un

108
polinomio 𝑝 de grado impar, entonces este cumple una de las siguientes

condiciones
 𝑙𝑖𝑚𝑥→−∞ 𝑝(𝑥) = −∞ y 𝑙𝑖𝑚𝑥→∞ 𝑝(𝑥) = ∞
 𝑙𝑖𝑚𝑥→−∞ 𝑝(𝑥) = ∞ y 𝑙𝑖𝑚𝑥→∞ 𝑝(𝑥) = −∞
En cualquier caso existe un intervalo [𝑎, 𝑏] tal que 𝑓(𝑎)𝑓(𝑏) < 0 y fuera de este
intervalo no existen raíces, aplicando el teorema de Bolzano (dado que cualquier
polinomio es una función continua) se concluye que existe por lo menos una raíz
real.
Además, las raíces de todo polinomio son acotadas
Teorema 4-6 (Cota para las raíces de un polinomio) Sea 𝒑 un polinomio de grado 𝒏
y 𝒓 una raíz de 𝒑 (la cual puede ser real o compleja) entonces
‖𝑟‖ < 𝜌
Donde 𝜌 es una constante dada por

𝑚𝑎𝑥 |𝑎𝑘 |
𝑘=0,1,…,𝑛.
𝜌 =1+
|𝑎𝑛 |
Ver demostración en (Kincaid & Cheney, 1994)
Nota 4-1 La expresión ‖𝒓‖ en el teorema anterior denota el valor absoluto en el

caso que 𝒓 es real y denota la norma en el caso de 𝒓 un complejo.
Nota 4-2 En la literatura se pueden encontrar mejores cotas para la norma de una
raíz, nosotros trabajamos con esta por su facilidad de cálculo.
Ejemplo 4-3 Determinar el valor de la cota para las raíces del polinomio
𝑝(𝑥) = 5𝑥 3 + 6𝑥 2 − 18𝑥 + 5
𝑎𝑘 18 23
𝜌 = 1 + 𝑚𝑎𝑥 | | = 1 + | | =
𝑘=0,1,…,𝑛. 𝑎𝑛 5 5
en este caso podemos asegurar que las raíces reales están en el intervalo
23 23 23 23
(− 5 , 5 ), en realidad están en cualquier intervalo que contenga a (− 5 , 5 ) por
comodidad podemos tomar un intervalo el cual sus extremos sean números enteros
(en realidad lo que se busca es que los extremos sean números de maquina), para
esto definiremos la cota entera para las raíces

109
Ejemplo 4-4 Determinar el valor de la cota para las raíces del polinomio
𝑝(𝑥) = 𝑥 5 − 4𝑥 4 + 6𝑥 3 − 6𝑥 2 + 5𝑥 − 2
Del teorema fundamental del cálculo sabemos que este polinomio tiene
exactamente 5 raíces entre reales, complejas y sus multiplicidades, además del
Corolario 4-1 sabemos que tiene por lo menos una raíz real, además, al hallar el
valor de 𝜌 en el en este caso
𝑎𝑘 6
𝜌 = 1 + 𝑚𝑎𝑥 | | = 1 + | | = 7
𝑘=0,1,…,𝑛. 𝑎𝑛 1
podemos asegurar que las raíces reales que tenga pertenecen al intervalo (−7,7).
Definición 4-2 (Cota entera para las raíces de un polinomio) Sea 𝒑 un polinomio de
grado 𝒏 definimos la cota entera para las raíces como
𝜌, 𝑠𝑖 𝜌 ∈ ℤ
𝛲={
⟦𝜌⟧ + 1, 𝑠𝑖 𝜌 ∉ ℤ
Es decir, si 𝜌 es entero ella es la cota entera para las raices y si 𝜌 no es entero

entonces el siguiente entero es la cota entera para las raices.
Ejemplo 4-5 Si 𝒑(𝒙) = 𝟓𝒙𝟑 + 𝟔𝒙𝟐 − 𝟏𝟖𝒙 + 𝟓, como ya vimos en el Ejemplo 4-3
𝟐𝟑
𝝆= = 𝟒. 𝟔 y ya que no es entero entonces la cota entera para las raices es el
𝟓
siguiente valor entero, es decir 𝜬 = 𝟓. Asi tambien podemos asegurar que las raices
reales del polinomio estan en el intervalo (−𝟓, 𝟓).
Ejemplo 4-6 Si 𝒑(𝒙) = 𝒙𝟓 − 𝟒𝒙𝟒 + 𝟔𝒙𝟑 − 𝟔𝒙𝟐 + 𝟓𝒙 − 𝟐, como ya vimos en el

Ejemplo 4-4 𝝆 = 𝟕 y ya que es entero entonces la cota entera para las raices es la
misma, es decir 𝜬 = 𝟕.
Nota 4-3 La razón por la cual se define la cantidad 𝜬 es por comodidad en los
calculos y para evitar la propagacion del error de la máquina, ya que 𝝆 puede ser un
valor que no sea un numero de maquina como en el ejemplo anterior 𝝆 = 𝟒. 𝟔 el
cual no tiene expansion binaria finita. En realidad no es necesario ir hasta el
siguiente entero, basta tomar un valor 𝜬 > 𝝆, que por lo menos se exprese bien en

110
sistema binario, en este caso se puede tomar por ejemplo 𝟒. 𝟔𝟐𝟓 aunque a lo largo
de este capitulo lo trabajaremos como enteros para unificar los algoritmos.
Empezaremos por hallar las soluciones reales, sin embargo, la primera pregunta a
solucionar es ¿Hay soluciones reales? Y si las hay ¿cuántas?, estas preguntas
pueden en parte ser solucionadas por algunos teoremas vistos en cursos básicos,
pero para dar una respuesta concreta a cualquier polinomio construimos las
sucesiones de Sturm las cuales solucionan estas dos preguntas.
4.2 Sucesiones de Sturm

Las sucesiones de Sturm de una función nos permiten determinar el número de
raíces reales diferentes de una función en un intervalo real dado, la construcción de
dichas sucesiones puede ser demasiado complicado (o imposible), en esta sección
nos centraremos en la construcciones de la sucesión de Sturm para un polinomio, la
cual tiene un algoritmo sencillo basado en el algoritmo de la división de Euclides, sin
embargo, como se verá si el polinomio es de un grado alto la construcción de la
sucesión de Sturm es muy engorrosa, en estas notas simplemente haremos uso de
la sucesión de Sturm sin entrar a loj9s detalles de la demostraciones del Teorema
de Sturm (Schaum, 1968)
Definición 4-3 Sea 𝒑 un polinomio de grado 𝒏, definiremos la sucesión de Sturm

para 𝒑 como la sucesión {𝒑𝟎 , 𝒑𝟏 , … , 𝒑𝒎 } de polinomios que cumplen las siguientes
condiciones
i. 𝑝0 (𝑥) = 𝑝(𝑥)
ii. 𝑝1 (𝑥) = 𝑝′(𝑥)
iii. 𝑝𝑗−2 (𝑥) = 𝑞𝑗−1 (𝑥)𝑝𝑗−1 (𝑥) − 𝑝𝑗 (𝑥), para 𝑗 = 2,3, … , 𝑚
iv. 𝑝𝑚 (𝑥) = 𝑘, donde 𝑘 es una constante.
Notemos que en realidad esta sucesión se obtiene al aplicar el algoritmo de

Euclides, donde el ítem iii básicamente dice que un término en la sucesión de Sturm
a partir de 𝑗 = 2 se obtiene como el inverso aditivo del residuo de los dos términos
anteriores, esta es la forma en la que la vamos a construir así,

111
𝑝0 (𝑥) = 𝑝(𝑥)
𝑝1 (𝑥) = 𝑝′(𝑥)
𝑝
𝑝2 (𝑥) = −𝑟𝑒𝑠𝑖𝑑𝑢𝑜 (𝑝0 )
1
𝑝1
(4.3) 𝑝3 (𝑥) = −𝑟𝑒𝑠𝑖𝑑𝑢𝑜 (𝑝 )
2
⋮
𝑝
𝑝𝑚−1 (𝑥) = −𝑟𝑒𝑠𝑖𝑑𝑢𝑜 (𝑝𝑚−3 )
𝑚−2
𝑝𝑚−2
𝑝𝑚 (𝑥) = −𝑟𝑒𝑠𝑖𝑑𝑢𝑜 (𝑝 )=𝑘
𝑚−1
Donde 𝑘 es una constante y como consecuencia en la forma que se arma la

sucesión 𝑚 ≤ 𝑛.
Nota 4-4 Realmente estaremos interesados en los signos de dichos polinomios en

la sucesión, por consiguiente cualquier termino en la sucesión de Sturm puede ser
cambiado por un múltiplo escalar positivo de este, es decir, la sucesión (para evitar
el manejo de tantas fracciones) puede ser escrita como
𝑝0 (𝑥) = 𝑝(𝑥)
𝑝1 (𝑥) = 𝑐1 𝑝′(𝑥)
𝑝0
𝑝2 (𝑥) = −𝑐2 𝑟𝑒𝑠𝑖𝑑𝑢𝑜 ( )
𝑝1
𝑝1
𝑝3 (𝑥) = −𝑐3 𝑟𝑒𝑠𝑖𝑑𝑢𝑜 ( )
𝑝2
⋮
𝑝𝑚−3
𝑝𝑚−1 (𝑥) = −𝑐𝑚−1 𝑟𝑒𝑠𝑖𝑑𝑢𝑜 ( )
𝑝𝑚−2
𝑝𝑚−2
𝑝𝑚 (𝑥) = −𝑐𝑚 𝑟𝑒𝑠𝑖𝑑𝑢𝑜 ( )=𝑘
𝑝𝑚−1
Donde 𝑐1 , 𝑐2 , … , 𝑐𝑚 > 0 y arbitrarias donde se puden escoger de modo que los

coeficientes del polinomio resultante en cada operación sea mas sencillos de
trabajar (por ejemplo enteros).
Donde la sucesión cumple las siguientes propiedades
a) Si 𝑝𝑗 (𝑟) = 0 entonces 𝑝𝑗−1 (𝑟)𝑝𝑗+1 (𝑟) < 0.

b) Si 𝑝0 (𝑟) = 0 entonces existe un 𝜀 > 0 tal que
𝑝0 (𝑟−𝜀) 𝑝 (𝑟+𝜀)
= −1 y 𝑝0 (𝑟+𝜀) = 1
𝑝1 (𝑟−𝜀) 1

112
Ejemplo 4-7 Construir la sucesión de Sturm para la función

𝑝(𝑥) = 5𝑥 3 + 6𝑥 2 − 18𝑥 + 5.
Para esto, formaremos la sucesión como en (4.3), así, el primer término de la

sucesión es la misma función,
𝑝0 (𝑥) = 𝑝(𝑥) = 5𝑥 3 + 6𝑥 2 − 18𝑥 + 5
El segundo término de la sucesión es la derivada de la función original así,

𝑝1 (𝑥) = 15𝑥 2 + 12𝑥 − 18
Ahora dividiremos las dos funciones anteriores para ver el residuo, al realizar esta
división se obtiene
5𝑥 3 + 6𝑥 2 − 18𝑥 + 5 15𝑥 2 + 12𝑥 − 18
−5𝑥 3 − 4𝑥 2 + 6𝑥 𝑥 2
+5 +
2𝑥 2 − 12𝑥 + 5 3 15
24𝑥 36
−2𝑥 2 − +
15 15
68𝑥 37
− + Residuo
5 5
De lo cual se concluye que (recuerde cambiar el signo)
𝑝0 68𝑥 37 1
−𝑟𝑒𝑠𝑖𝑑𝑢𝑜 ( ) = − = (68𝑥 − 37)
𝑝1 5 5 5
Y según la nota anterior podemos multiplicar por cualquier constante positiva, en

este caso tomaremos 𝑐2 = 5 para evitar las fracciones, de esta manera
𝑝2 (𝑥) = 68𝑥 − 37
para el siguiente término de la sucesión dividimos los dos anteriores asi

113
15𝑥 2 + 12𝑥 − 18 68𝑥 − 37

555𝑥
−15𝑥 2 + 15𝑥 1371
68 +
68 682
1371
𝑥 − 18
68
1371𝑥 50727
− +
68 682
32505
− Residuo
4624
De esta manera
𝑝1 32505
−𝑟𝑒𝑠𝑖𝑑𝑢𝑜 ( ) =
𝑝2 4624
4624
Y tomaremos 𝑐3 = 32505 para evitar las fracciones, de esta manera
𝑝3 (𝑥) = 1
Resumiendo, la sucesión de Sturm para 𝑝(𝑥) = 5𝑥 3 + 6𝑥 2 − 18𝑥 + 5 es dada

por
𝑝0 (𝑥) = 5𝑥 3 + 6𝑥 2 − 18𝑥 + 5
𝑝1 (𝑥) = 15𝑥 2 + 12𝑥 − 18
𝑝2 (𝑥) = 68𝑥 − 37
𝑝3 (𝑥) = 1
Antes de llegar al teorema de Sturm, daremos una definición que hace fácil
enunciar dicho teorema.
Definición 4-4 Sean 𝒑 un polinomio de grado 𝒏 junto con su sucesión de Sturm

{𝒑𝟎 , 𝒑𝟏 , … , 𝒑𝒎 } y sea 𝒄 una valor real fijo tal que 𝒄 no es raíz de 𝒑, definimos 𝑽𝒑 (𝒄)
como en número de variaciones en el signo de la sucesión numérica
{𝒑𝟎 (𝒄), 𝒑𝟏 (𝒄), … , 𝒑𝒎 (𝒄)} donde los ceros se omiten.
Ejemplo 4-8 Retomando el Ejemplo 4-7, es decir, 𝒑(𝒙) = 𝟓𝒙𝟑 + 𝟔𝒙𝟐 − 𝟏𝟖𝒙 + 𝟓 junto
con su sucesión de Sturm, evaluaremos las variaciones en el signo de la sucesión
en los valores 𝒄 = −𝟓, −𝟐, 𝟎, 𝟏, 𝟓, que es hallar 𝑽𝒑 (−𝟓), 𝑽𝒑 (−𝟐), 𝑽𝒑 (𝟎), 𝑽𝒑 (𝟏), 𝑽𝒑 (𝟓).
Recordemos que la sucesión de Sturm es

114
𝑝0 (𝑥) = 5𝑥 3 + 6𝑥 2 − 18𝑥 + 5
𝑝1 (𝑥) = 15𝑥 2 + 12𝑥 − 18
𝑝2 (𝑥) = 68𝑥 − 37
𝑝3 (𝑥) = 1
Para esto tabularemos los valores de la sucesión en los puntos indicados, en la

siguiente tabla se muestra únicamente el signo del valor evaluado en la respectiva
función (es realmente lo que nos interesa)
Tabla 4-6
Sucesión/valores 𝑐 = −5 𝑐 = −2 𝑐=0 𝑐=1 𝑐=5
𝑝0 − + + − +
𝑝1 + + − + +
𝑝2 − − − + +
𝑝3 + + + + +
𝑉𝑝 (𝑐) 3 2 2 1 0
Notemos que solo estamos interesados en el signo de los valores que aparecen en
la tabla anterior, de ahora en adelante únicamente escribiremos 1 o + para denotar
que el valor de la funcion es mayor que cero y −1 o - para denotar que el valor de la
funcion es menor que cero, es decir, −1 simplemente denota que el valor de
𝑝𝑖 (𝑐) < 0, 1 denota de 𝑝𝑖 (𝑐) > 0.
Con esta nueva notación estamos listos para enunciar el teorema de Sturm el cual
daremos sin demostración.
Teorema 4-7 (Teorema de Sturm) Sea 𝒑 un polinomio de grado 𝒏 y sea (𝒂, 𝒃) un

intervalo en los reales donde 𝒂 y 𝒃 no son raíces de 𝒑, entonces el numero de
raices reales distintas en el intervalo (𝒂, 𝒃) es la diferencia entre 𝑽𝒑 (𝒂) y 𝑽𝒑 (𝒃).
(Bulirsch, 1993) (Schaum, 1968)
Por ejemplo en la Tabla 4-6 se observa que existe una raíz real diferente en el
intervalo (−5, −2), 2 raices reales diferentes en el intervalo (−2,5), 3 raices reales
diferentes en (−5,5).

115
Nota 4-5 En adelante consideraremos polinomios en los cuales 0 no es una raíz, si

lo fuera, es más sencillo sacar factor común desde el inicio del polinomio y
únicamente trabajar con el otro factor.
Nota 4-6 Un resultado importante se obtiene al aplicar de manera conjunta la cota

para las raíces de un polinomio (en estas notas aplicaremos la cota entera) junto
con el teorema de Sturm, es decir se pueden contar el número de raíces reales
diferentes tanto positivas como negativas, más precisamente, aplicaremos el
teorema de Sturm a los intervalos (−𝜬, 𝟎) y (𝟎, 𝜬) para saber el número de raíces
reales diferentes tanto positivas como negativas.
Ejemplo 4-9 Para ilustrar lo mensionado en la nota anterior, consideremos

nuevamente el polinomio 𝒑(𝒙) = 𝟓𝒙𝟑 + 𝟔𝒙𝟐 − 𝟏𝟖𝒙 + 𝟓 el cual tiene exactamente 3
raices entre reales, complejas y multiplicidades, addemas por el Ejemplo 4-7
sabemos que su sucesión de Sturm es
𝑝0 (𝑥) = 5𝑥 3 + 6𝑥 2 − 18𝑥 + 5
𝑝1 (𝑥) = 15𝑥 2 + 12𝑥 − 18
𝑝2 (𝑥) = 68𝑥 − 37
𝑝3 (𝑥) = 1
Y del Ejemplo 4-5 sabemos que la cota entera para las raíces es 𝛲 = 5 de esta
forma las raíces reales del polinomio se encuentran en el intervalo (−5,5) y
aplicando el Teorema de Sturm a los intervalos (−5,0) y (0,5) como se mostro en la
Tabla 4-6 tenemos
Tabla 4-7
Sucesión/valores −𝛲 = −5 𝑐=0 𝛲=5
𝑝0 − + +
𝑝1 + − +
𝑝2 − − +
𝑝3 + + +
𝑉𝑝 (𝑐) 3 2 0

116
Que hay una raíz real negativa y dos raíces reales diferentes positivas (las cuales
son todas).
A continuación se mostrara otro ejemplo donde se resume lo visto en las ultimas
secciones
Ejemplo 4-10 Determine el numero de raíces reales diferentes positivas y negativas

del polinomio
𝒑(𝒙) = 𝒙𝟓 − 𝟒𝒙𝟒 + 𝟔𝒙𝟑 − 𝟔𝒙𝟐 + 𝟓𝒙 − 𝟐
Claramente
𝑝0 (𝑥) = 𝑥 5 − 4𝑥 4 + 6𝑥 3 − 6𝑥 2 + 5𝑥 − 2
𝑝1 (𝑥) = 5𝑥 4 − 16𝑥 3 + 18𝑥 2 − 12𝑥 + 5
Para hallar 𝑝2 dividimos 𝑝0 entre 𝑝1
𝑥 5 − 4𝑥 4 + 6𝑥 3 − 6𝑥 2 + 5𝑥 − 2 5𝑥 4 − 16𝑥 3 + 18𝑥 2 − 12𝑥 + 5

16 18 12
−𝑥 5 + 𝑥 4 − 𝑥 3 + 𝑥 2 − 𝑥 𝑥 4
5 5 5 −
5 25
4 12 18
− 𝑥 4 + 𝑥 3 − 𝑥 2 + 4𝑥 − 2
5 5 5
4 4 64 3 72 2 48 4
𝑥 − 𝑥 + 𝑥 − 𝑥+
5 25 25 25 5
4 3 18 2 52 6
− 𝑥 − 𝑥 + 𝑥− Residuo
25 25 25 5
25
De esta manera al cambiar el signo y multiplicando por 2
𝑝2 (𝑥) = 2𝑥 3 + 9𝑥 2 − 26𝑥 + 15

117
5𝑥 4 − 16𝑥 3 + 18𝑥 2 − 12𝑥 + 5 2𝑥 3 + 9𝑥 2 − 26𝑥 + 15

45 3 75
−5𝑥 4 − 𝑥 + 65𝑥 2 − 𝑥 5 77
2 2 𝑥−
2 4
77 3 99
− 𝑥 + 83𝑥 2 − 𝑥 + 5
2 2
77 3 693 2 1001 1155
𝑥 + 𝑥 − 𝑥+
2 4 2 4
1025 2 1175
𝑥 − 550𝑥 + Residuo
4 4
4
𝑝3 (𝑥) = −41𝑥 2 + 88𝑥 − 47

118
2𝑥 3 + 9𝑥 2 − 26𝑥 + 15 −41𝑥 2 + 88𝑥 − 47

176 2 94
−2𝑥 3 + 𝑥 − 𝑥 2 545
41 41 − 𝑥−
41 1681
545 2 1160
𝑥 − 𝑥 + 15
41 41
545 2 47960 25615
− 𝑥 + 𝑥−
41 1681 1681
400 400
𝑥− Residuo
1681 1681
1681
𝑝4 (𝑥) = −𝑥 + 1

119
−41𝑥 2 + 88𝑥 − 47 −𝑥 + 1
41𝑥 2 − 41𝑥
41𝑥 − 47
47𝑥 − 47
−47𝑥 + 47
0
Residuo
Con lo cual nuestro ultimo termino de la sucesión es
𝑝5 (𝑥) = 0
De todo lo anterior tenemos que la sucesión de Sturm de nuestro polinomio

es
Tabla 4-8
𝑝0 (𝑥) = 𝑥 5 − 4𝑥 4 + 6𝑥 3 − 6𝑥 2 + 5𝑥 − 2
𝑝1 (𝑥) = 5𝑥 4 − 16𝑥 3 + 18𝑥 2 − 12𝑥 + 5
𝑝2 (𝑥) = 2𝑥 3 + 9𝑥 2 − 26𝑥 + 15
𝑝3 (𝑥) = −41𝑥 2 + 88𝑥 − 47
𝑝4 (𝑥) = −𝑥 + 1
𝑝5 (𝑥) = 0
Al calcular la cota para las raíces del polinomio tenemos que
𝑎𝑘 6
𝜌 = 1 + 𝑚𝑎𝑥 | |=1+| |=7
𝑘=0,1,…,𝑛. 𝑎𝑛 1
Y como esta es un número entero, es la misma es la cota entera para las

raíces del polinomio, asi 𝛲 = 7. Nuestro siguiente paso es evaluar la sucesión
de Sturm en los valores −𝛲 = −7,0, 𝛲 = 7, en la siguiente tabla se muestran
los signos de dichas evaluaciones con sus respectivos cambios de signo
Tabla 4-9

120
Sucesión/valores −𝛲 = −7 𝑐=0 𝛲=7
𝑝0 − − +
𝑝1 + + +
𝑝2 − + +
𝑝3 − − −
𝑝4 + + −
𝑝5 0 0 0
𝑉𝑝 (𝑐) 3 3 1
Por lo tanto no tiene raíces negativas y tiene dos raíces reales diferentes positivas.
4.2.1. Intervalos con una única raíz real diferente
Ahora buscaremos intervalos en los cuales se tenga la certeza de una única raíz
real diferente, para esto usaremos la misma idea del método de bisección, iremos
partiendo los intervalos originales por mitades e iremos usando el teorema de Sturm
hasta asegurar lo que buscamos, ilustraremos esto en los polinomios que hemos
trabajado en las secciones anteriores, es decir en
𝑝(𝑥) = 5𝑥 3 + 6𝑥 2 − 18𝑥 + 5 y 𝑝(𝑥) = 𝑥 5 − 4𝑥 4 + 6𝑥 3 − 6𝑥 2 + 5𝑥 − 2
Ejemplo 4-11 Determine intervalos en los cuales el polinomio

𝑝(𝑥) = 5𝑥 3 + 6𝑥 2 − 18𝑥 + 5
tiene una única raíz real diferente.
Como ya se vio en el Ejemplo 4-9, en el intervalo (−5,0) hay una única raíz real
diferente y en el intervalo (0,5) se tienen dos raíces reales diferentes, gráficamente
lo podemos ilustrar como
Gráfica 4-4

121
𝑉𝑝 → 3 2 0
𝑥 → −5 0 5
número
de raices 1 2
Ya que en el intervalo (−5,0) hay una única raíz real diferente, ya no es necesario
realizar nada y este intervalo es uno de los intervalos que tiene una única raíz real
diferente, mientras en el intervalo (0,5) se tienen dos raíces reales diferentes, a este
lo partiremos por mitad para determinar dos subintervalos y aplicar nuevamente el
teorema de Sturm
Tabla 4-10
Sucesión/valores 0 2.5 5
𝑝0 + + +
𝑝1 − + +
𝑝2 − + +
𝑝3 + + +
𝑉𝑝 2 0 0
Gráficamente lo ilustraremos como
Gráfica 4-5

122
𝑉𝑝 → 3 2 0 0
𝑥 −5 0 2.5 5
número
1 2 0
de raices
En el intervalo (2.5,5) no tiene ningún interes para nosotros, mientras el intervalo

(0,2.5) tiene 2 raices, a este lo partiremos por mitad para determinar dos
subintervalos y aplicar nuevamente el teorema de Sturm
Tabla 4-11
0 1.25 2.5
𝑝0 + + +
𝑝1 − + +
𝑝2 − + +
𝑝3 + + +
𝑉𝑝 2 0 0
Gráficamente tenemos
Gráfica 4-6

123
𝑉𝑝 → 3 2 0 0 0
𝑥 → −5 0 1.25 2.5 5
número
1 2 0 0
de raices
El intervalo (1.25,2.5) no tiene raíces reales por tanto lo descartamos y el intervalo

(0,1.25) tiene 2 raicesrelaes diferentes, a este lo partiremos por mitad para
determinar dos subintervalos y aplicar nuevamente el teorema de Sturm
Tabla 4-12
Sucesión/valores 0 0.625 1.25
𝑝0 + − +
𝑝1 − − +
𝑝2 − + +
𝑝3 + + +
𝑉𝑝 2 1 0
Gráficamente, (la siguiente grafica no es a escala solo por comodidad)

Gráfica 4-7

124
𝑉𝑝 → 3 2 1 0 0 0
𝑥 → −5 0 1.25 2.5 5
0.625
número
1 1 1 0 0
de raices
En este caso tanto el intervalo (0,0.625) y (0.625,1.25) contienen una unica raiz real
diferente, lo cual era lo que se estaba buscando, de esta manera tenemos los tres
intervalos buscados, lo cual escribiremos como
𝐼1 = (−5,0)
𝐼2 = (0,0.625)
𝐼3 = (0.625,1.25)
Ejemplo 4-12 Determine intervalos en los cuales el polinomio

𝑝(𝑥) = 𝑥 5 − 4𝑥 4 + 6𝑥 3 − 6𝑥 2 + 5𝑥 − 2
tiene una única raíz real diferente
Como ya vimos en el Ejemplo 4-10, el intervalo (0,7) tiene dos raices reales
diferentes mientras el intervalo (−7,0) no posee raices reales, graficamente lo
podemos ilustrar como
Gráfica 4-8

125
𝑉𝑝 → 3 3 1
𝑥 −7 0 7
número
de raices 0 2
Dado esto, el intervalo (−7,0) no tiene ningun interes para nosotros, mientras el
inetrvalo (0,7) tiene 2 raices, a este lo partiremos por mitad para determinar dos
subintervalos y aplicar nuevamente el teorema de Sturm
Tabla 4-13
Sucesión/valores 0 3.5 7
𝑝0 − + +
𝑝1 + + +
𝑝2 + + +
𝑝3 − − −
𝑝4 + − −
𝑝5 0 0 0
𝑉𝑝 3 1 1
Gráfica 4-9

126
𝑉𝑝 → 3 3 1 1
𝑥 → −7 0 3.5 7
número
0 2 0
de raices
Al igual que en el anterior en el intervalo (3.5,7) no tiene ningun interes para

nosotros, mientras el inetrvalo (0,3.5) tiene 2 raices, a este lo partiremos por
mitad para determinar dos subintervalos y aplicar nuevamente el teorema de
Sturm
Tabla 4-14
Sucesión/valores 0 1.75 3.5
𝑝0 − − +
𝑝1 + + +
𝑝2 + + +
𝑝3 − − −
𝑝4 + − −
𝑝5 0 0 0
𝑉𝑝 3 2 1
Gráficamente
Gráfica 4-10

127
𝑉𝑝 → 3 3 2 1 1
𝑥 → −5 0 1.25 2.5 5
número
0 1 1 0
de raices
En este caso tanto el intervalo (0,1.75) y (1.75,3.5) contienen una unica raiz real
diferente, lo cual era lo que se estaba buscando, lo escribiremos como
𝐼1 = (0,1.75)
𝐼2 = (1.75,3.5)
Ya que encontramos sobre la recta real intervalos que contienen una única raíz real
diferente para todas las raíces reales del polinomio estamos en posición de
hallarlas, para esto lo primero que debemos definir es cual será el método
apropiado en cada intervalo.
4.2.2. Metodos adecuados para hallar raíces de polinomios
Como ya vimos, los métodos cerrados para aproximar soluciones de ecuaciones

presentan una gran ventaja sobre los métodos abiertos, ya que se tiene la
seguridad en la convergencia del método, sin embargo la rapidez con la cual
convergen es muy relativa a la función, en el caso de polinomios de grado alto,
usaremos el método alternado de Bisección Regla falsa en los casos en los cuales
pueda usarse, es decir, en los casos donde se presenta un cambio de signo en la
función evaluada sobre los puntos iniciales del método.
En la sección anterior ya se redujo el problema de encontrar las raíces de un
polinomio a varios intervalos en los cuales aparece una única raíz real diferente,
este número de subintervalos coincide con el número de raíces reales diferentes,
digamos que es 𝑙 el numero de raíces reales diferentes, así, se consiguen 𝑙
intervalos los cuales llamaremos 𝐼𝑖 donde 𝑖 = 1,2, … , 𝑙 y escribiremos como 𝐼𝑖 =
[Ρ𝑖−1 , Ρ𝑖 ], si llamamos a las aproximaciones de las 𝑙 raíces reales diferentes como 𝑟𝑖 ,
tenemos que 𝑟𝑖 𝜖𝐼𝑖 para 𝑖 = 1,2, … , 𝑙.
En cada uno de estos subintervalos se pueden presentar dos casos

128
Caso i. La función evaluada en los extremos del intervalo presenta cambio en

el signo, es decir,
(4.4) 𝑝(Ρ𝑖−1 )𝑝(Ρ𝑖 ) < 0
Se cumplen las condiciones del Teorema de Bolzano y por tanto pueden ser
aplicados los métodos cerrados que hemos estudiado en estas notas, del capitulo
anterior, ya que inicialmente no conocemos en general el comprotamiento de la
función y dado que este algoritmo será aplicado a polinomios (ojala de grado alto),
aplicaremos en estos casos el algoritmo propuesto en la sección 3.1.9, es decir el
método de Bisección-regla falsa alternados. (también se puede sugerir Regla falsa-
bisección alternados sin embargo usaremos a lo largo de las notas Bisección-regla
falsa alternados par unificar nuestro algoritmo)
Caso ii. La función evaluada en los extremos del intervalo no presenta cambio
en el signo, es decir,
𝑝(Ρ𝑖−1 )𝑝(Ρ𝑖 ) > 0
en la siguiente grafica se muestran dos ejemplos representativos de este caso
Gráfica 4-11
Ρ𝑖−1 Ρ𝑖
Ρ𝑖−1 Ρ𝑖
Con lo cual se observa (graficamente) que el punto en el cual se encuentra la raíz

es un máximo o un minimo y asi su derivada es cero por lo tanto la raíz es multiple.
Del capitulo anterior la mejor opción es el método de Newton mejorado que fue
precisamente la modificación del método de Newton a raíces multiples, recordemos
que el valor inicial de este método es arbitrario, sin embargo como ya tenemos un

129
intervalo en el cual esta la raíz podemos tomar como valor inicial el punto medio del
intervalo, que es,
Ρ𝑖−1 +Ρ𝑖
𝑥0𝑖 = .
2
Nota 4-7 Recordemos que el método de Newton mejorado es un método abierto,

por lo tanto no es posible asegurar su convergencia, sin embargo, al igual que el
método de Newton, si el valor inicial se toma suficientemente cercano a la raíz, se
garantiza la convergencia, por lo tanto, si el método no converge, aplicaremos
nuevamente partiremos el intervalo en dos subintervalos de igual tamaño y se
aplica el teorema de Sturm para llegar a un intervalo más pequeño en el cual se
garantice la existencia de dicha raíz y así cambiar nuestro punto inicial.
Nuevamente retomemos los polinomios de los ejemplos pasados, es decir

𝑝(𝑥) = 5𝑥 3 + 6𝑥 2 − 18𝑥 + 5 y 𝑝(𝑥) = 𝑥 5 − 4𝑥 4 + 6𝑥 3 − 6𝑥 2 + 5𝑥 − 2 y aplicaremos
los métodos adecuados en cada intervalo que posee una única raíz real diferente.
Ejemplo 4-13 Halle una aproximación con 3 cifras significativas de la raíz en cada
uno de los intervalos que contienen una raíz real diferente para el polinomio
𝒑(𝒙) = 𝟓𝒙𝟑 + 𝟔𝒙𝟐 − 𝟏𝟖𝒙 + 𝟓
Recordemos del Ejemplo 4-11 que los intervalos en los cuales hay una única raíz
real diferente son
𝐼1 = (−5,0)
𝐼2 = (0,0.625)
𝐼3 = (0.625,1.25)
Evaluando el polinomio 𝑝 en cada uno de los valores extremos de estos intervalos y

verificando su signo tenemos (aunque ya se hizo cuando se evaluó la sucesión de
Sturm en ellos)
Tabla 4-15
𝛲𝑖 −5 0 0.625 1.25
𝑝(𝛲𝑖 ) − + − +
Lo cual muestra que en los tres intervalos se presenta el cambio de signo en la

función, por lo tanto, el método adecuado en todos ellos es el método de Bisección-
regla falsa alternados.
Ya determinado el método armamos la tolerancia que en este caso es
𝑇3 = 10−4 = 0.0001

130
y ahora aplicaremos el método hasta que el error relativo sea menor que la
tolerancia.
Recordemos que los valores iniciales para empezar el método son precisamente los
extremos de cada intervalo, en el caso del primer intervalo 𝐼1 = (−5,0) los valores
iniciales son 𝑥0 = −5 y 𝑥1 = 0
En la siguiente tabla se muestran los resultados de dicha sucesión
Tabla 4-16
0 -5
1 0
2 -2,5 1
3 -2,560192616 0,023510972
4 -3,780096308 0,322717622
5 -2,627566097 0,43863034
6 -3,203831203 0,179867499
7 -2,667806546 0,200923361
8 -2,935818874 0,091290485
9 -2,679694349 0,095579754
10 -2,807756612 0,045610172
11 -2,681433167 0,047110421
12 -2,74459489 0,023013131
13 -2,681561037 0,023506402
14 -2,713077963 0,011616668
15 -2,681565774 0,011751414
16 -2,697321869 0,005841385
17 -2,681565862 0,005875674
18 -2,689443865 0,002929231
19 -2,681565863 0,002937837
20 -2,685504864 0,001466764
21 -2,681565863 0,001468918
22 -2,683535364 0,00073392
23 -2,681565863 0,000734459
24 -2,681565863 1,65608E-15
En el caso del segundo intervalo 𝐼2 = (0,0.625) los valores iniciales son 𝑥0 = 0 y

𝑥1 = 0.625
Tabla 4-17

131
0 0
1 0,625
2 0,3125
3 0,325174444 0,038977368
4 0,318837222 0,019876042
5 0,32145503 0,008143622
6 0,320146126 0,004088459
7 0,321446668 0,004045902
8 0,320796397 0,002027052
9 0,321446659 0,002022922
10 0,321121528 0,001012485
11 0,321446659 0,001011461
12 0,321284093 0,000505986
13 0,321446659 0,000505731
14 0,321446659 2,0723E-15
En el caso del tercer intervalo 𝐼3 = (0.625,1.25) los valores iniciales son 𝑥0 = 0.625 y
𝑥1 = 1.25
0 0,625
1 1,25
2 0,9375
3 1,1256293 0,1671325
4 1,1878146 0,0523528
5 1,1587202 0,0251091
6 1,1732674 0,0123989
7 1,1600929 0,0113565
8 1,1666802 0,0056462
9 1,160119 0,0056556
10 1,1633996 0,0028198
11 1,1601192 0,0028276
12 1,1617594 0,0014118
13 1,1601192 0,0014138
14 1,1609393 0,0007064
15 1,1601192 0,0007069

132
Tabla 4-18 16 1,1605292 0,0003533

17 1,1601192 0,0003534
18 1,1603242 0,0001767
19 1,1601193 0,0001766
20 1,1603243 0,0001766
21 1,1601193 0,0001767
22 1,1603243 0,0001766
23 1,1601193 0,0001767
Con lo cual tenemos que las tres aproximaciones con 3 cifras significativas de las
raíces reales diferentes son
𝑟1 = −2.681565863
𝑟2 = 0.3214466586
𝑟3 = 1.160119204
En este caso como siempre fueron aproximadas por medio de un método cerrado
no hay necesidad de ningún tipo de verificación adicional y en efecto estas son
aproximaciones de las raíces.
Ejemplo 4-14 Halle una aproximación con 3 cifras significativas de la raíz en cada
uno de los intervalos que contienen una raíz real diferente para el polinomio
𝒑(𝒙) = 𝒙𝟓 − 𝟒𝒙𝟒 + 𝟔𝒙𝟑 − 𝟔𝒙𝟐 + 𝟓𝒙 − 𝟐
Recordemos del Ejemplo 4-12 que los intervalos en los cuales hay una única raíz
real diferente son
𝐼1 = (0,1.75)
𝐼2 = (1.75,3.5)
Evaluando el polinomio 𝑝 en cada uno de los valores extremos de estos intervalos y

verificando su signo tenemos (aunque ya se hizo cuando se evaluó la sucesión de
Sturm en ellos)
Tabla 4-19
𝛲𝑖 0 1.75 3.5
𝑝(𝛲𝑖 ) − − +
Lo cual muestra que en el primer intervalo no se presentan cambios de signo en la

función y por lo tanto la raíz en dicho intervalo es multiple y asi el método
recomendado es el de Newton mejorado, mientras que en el segundo intervalo se
presenta el cambio de signo en la función, por lo tanto, el método adecuado en
dicho intervalo es el método de Bisección-regla falsa alternados.

133
Ya determinado los métodos que aplicaremos en cada intervalo armamos la

tolerancia que en este caso es
𝑇3 = 10−4 = 0.0001
y ahora aplicaremos cada método en cada intervalo hasta que el error relativo sea
menor que la tolerancia.
Para el primer intervalo 𝐼1 = (0,1.75) como el método recomendado es Newton

mejorado y este necesita un valor inicial el cual tomaremos como valor inicial el
punto medio del intervalo, que es en este caso
0 + 1.75
𝑥0 = = 0.875
2
Los resultados se muestran a continuación
Tabla 4-20
0 0,875
1 0,96092201 0,08941622
2 0,98728054 0,02669811
3 0,99579494 0,00855036
4 0,9986022 0,00281119
5 0,9995345 0,00093273
6 0,99984488 0,00031043
7 0,9999483 0,00010342
8 0,99998277 0,0000345
Con lo cual un candidato para ser la aproximación de la raíz es 0.99998277, en este

caso como el método es abierto no se tiene la seguridad de que el método converja
precisamente a lo que se esta buscandopor lo cual tenemos que verificar 2 cosas,
la primera ver que dicha aproximación precisamente este en el intervalo sobre el
cual estamos trabajando, es decir ver si pertenece al intervalo (0,1.75) y lo segundo
que hay que verificar es que es una aproximación de la raíz, para esto se evalua la
posible aproximación en el polinomio original 𝑝 y se veririca si esta cerca de cero,
en este caso da 𝑝(0.99998277) = −5.94 ∗ 10−10 que en efecto esta cerca de cero,
en el caso que alguna de las dos características anteriores no se cumplan debemos
remitirnos a lo suguerido en la Nota 4-7.
Con esto tenemos que una aproximación de la raíz buscada en el primer intervalo
es
𝑟1 = 0.99998277
Para el caso del segundo intervalo como se va a aplicar Biseccion-regla falsa

recordemos que los valores iniciales para empezar el método son precisamente los

134
extremos del intervalo, en este caso para el intervalo 𝐼2 = (1.75,3.5) los valores
iniciales son 𝑥0 = 1.75 y 𝑥1 = 3.5
En la siguiente tabla se muestran los resultados de dicha sucesión
Tabla 4-21
0 1,75
1 3,5
2 2,625
3 2,661772217 0,013814937
4 2,205886108 0,206668017
5 1,977943054 0,115242476
6 2,091914581 0,054481922
7 2,034928818 0,028003812
8 2,006435936 0,014200743
9 1,992189495 0,007151147
10 1,999312715 0,003562835
11 2,002874326 0,001778249
12 2,001093521 0,000889916
13 2,000203118 0,000445156
14 1,999757917 0,000222628
15 1,999980517 0,000111301
16 2,000091818 5,56476E-05
En este caso como fue aplicado un método cerrado no hay necesidad de ningún
tipo de verificación adicional y en efecto 𝑟2 = 2.000091818 es una aproximacion de
la raíz buscada con 3 cifras significativas.
Resumiendo tenemos que las aproximaciones de las raíces reales diferentes

buscadas son
𝑟1 = 0.99998277
𝑟2 = 2.000091818
4.2.3. Multiplicidades de las raíces de las aproximaciones encontradas
Ya encontradas las aproximaciones de las raíces reales y diferentes, debemos ver

la multiplicidad en cada una de ellas, para esto recurrimos al Teorema 4-4, (este
paso se puede omitir siempre y cuando el número de raíces halladas sea el mismo
que el grado de el polinomio).

135
Ejemplo 4-15 Hallar la multiplicidad de las aproximaciones de las raíces

encontradas en el Ejemplo 4-13 para el polinomio
𝑝(𝑥) = 5𝑥 3 + 6𝑥 2 − 18𝑥 + 5
Recordemos que las aproximaciones de las raíces son
𝑟1 = −2.681565863
𝑟2 = 0.3214466586
𝑟3 = 1.160119204
Y del teorema fundamental del algebra no es posible tener multiplicidades, asi todas
son aproximaciones de raíces simples.
Ejemplo 4-16 Hallar la multiplicidad de las aproximaciones de las raíces

encontradas en el Ejemplo 4-14 para el polinomio
𝒑(𝒙) = 𝒙𝟓 − 𝟒𝒙𝟒 + 𝟔𝒙𝟑 − 𝟔𝒙𝟐 + 𝟓𝒙 − 𝟐
Halle la multiplicidad de cada una de las raíces aproximadas.
Recordemos que las aproximaciones de las raíces son
𝑟1 = 1.000000314
𝑟2 = 2.000091818
Ahora debemos evaluar dichos valores en la función y sus derivadas hasta que
sean diferentes de cero, lo cual se resume en la siguiente tabla
Tabla 4-22
𝑟1 = 2.000091818 𝑟2 = 0.99998277
𝑝 0,00045921 ≈ 0 −5.94 ∗ 10−10 ≈ 0
𝑝′ 5,00257126 ≠ 0 6.89 ∗ 10−5 ≈ 0
𝑝′′ −2.0000345 ≠ 0
Así la raíz que corresponde a la aproximacion 𝑟2 tiene multiplicidad 2 y la raíz que

corresponde a la aproximación 𝑟1 es una raíz simple, con lo cual hemos encontrado
tres raíces reales del polinomio y estas son todas las raíces reales del polinomio, en
este caso dado que es un polinomio de grado 5 el teorema fundamental del algebra
nos dice que faltan dos raíces las cuales necesariamente son complejas.
Los anteriores pasos aproximaron las raíces reales del polinomio, pero todavía
podemos hacer más, podemos encontrar un polinomio que contenga únicamente
las raíces complejas, es decir, del polinomio original “quitaremos” las raíces
encontradas. Para esto haremos la deflación polinomial.

136
4.3 Deflación polinomial
El Teorema del factor, más precisamente el Teorema 4-3, nos afirma que si hemos
encontrado raíces de algún polinomio, en realidad hemos encontrado factores del
polinomio, es decir, supongamos que en el polinomio 𝑝 encontramos 𝑙 raíces reales
diferentes, 𝑟1 , 𝑟2 , … , 𝑟𝑙 , cada una de multiplicidad 𝑘1 , 𝑘2 , … , 𝑘𝑙 respectivamente, donde
∑𝑙𝑖=1 𝑘𝑖 ≤ 𝑛 entonces tenemos que el polinomio tiene como factores (𝑥 − 𝑟1 )𝑘1 , (𝑥 −
𝑟2 )𝑘2 , … , (𝑥 − 𝑟𝑙 )𝑘𝑙 así, el polinomio original puede ser escrito como
(4.5) 𝑝(𝑥) = (𝑥 − 𝑟1 )𝑘1 (𝑥 − 𝑟2 )𝑘2 ⋯ (𝑥 − 𝑟𝑙 )𝑘𝑙 𝑞(𝑥)
Donde 𝑞 es un polinomio de grado 𝑛 − ∑𝑙𝑖=1 𝑘𝑖 , el cual es de grado par y contiene

todas las raíces complejas (junto con sus multiplicidades) del polinomio original,
ahora para encontrar dicho polinomio basta despejar 𝑞(𝑥) de la ecuación (4.5) y
obtenemos
𝑝(𝑥)
(4.6) 𝑞 (𝑥 ) =
(𝑥−𝑟1 )𝑘1 (𝑥−𝑟2 )𝑘2 ⋯(𝑥−𝑟𝑙 )𝑘𝑙
Esta igualdad es cierta ya que el residuo de la división en (4.6) es cero, sin

embargo, como nosotros trabajamos con aproximaciones, en general este residuo
no será cero (pero si cercanos a cero sus coeficientes), pero por comodidad en los
cálculos lo omitiremos, el proceso descrito por la ecuación (4.6) es el que
tomaremos para hacer la deflación despreciando el residuo (Burden R. y Faires,
2003).
Retomando los dos ejemplos que hemos trabajado en este capitulo, en el primero
𝑝(𝑥) = 5𝑥 3 + 6𝑥 2 − 18𝑥 + 5
No tiene sentido hacer la deflación polinomial ya que como se vio en el Ejemplo

4-15 ya fueron aproximadas todas las raíces de este y por lo tanto el 𝑞(𝑥) es una
constante, al contrario del polinomio
𝑝(𝑥) = 𝑥 5 − 4𝑥 4 + 6𝑥 3 − 6𝑥 2 + 5𝑥 − 2
En el cual por el Ejemplo 4-16 solo fueron aproximadas tres raíces reales (contando
sus multiplicidades) y faltan 2 complejas, en este caso si se hace necesaria la
deflación polinomial, la cual será mostrada en el siguiente ejemplo

137
Ejemplo 4-17 Hacer la deflación polinomial sobre las raíces reales aproximadas del
polinomio, (es decir encontrar un polinomio cuyas raíces sean exactamente las
raíces complejas del polinomio)
𝑝(𝑥) = 𝑥 5 − 4𝑥 4 + 6𝑥 3 − 6𝑥 2 + 5𝑥 − 2
Del Ejemplo 4-16 tenemos que el polinomio 𝑝 tiene exactamente 3 raices reales
donde se están contando las multiplicidades, gracias al teorema del factor y mas
precisamente al Teorema 4-3 sabemos que el polinomio original puede ser
aproximado y escrito como
𝑝(𝑥) ≈ (𝑥 − 𝑟2 )2 (𝑥 − 𝑟1 )𝑞(𝑥)
Que en este caso es
𝑝(𝑥) = (𝑥 − 0.99998277)2 (𝑥 − 2.000091818)𝑞(𝑥)
Multiplicando (𝑥 − 0.99998277)2 (𝑥 − 2.000091818) se obtiene
𝑥 3 − 4.000057358𝑥 2 + 5.000080253𝑥 − 2.000022895
Donde al despejar 𝑞(𝑥) se tiene (solo se trabajara con 4 decimales por espacio y
para mayor claridad)
𝑥 5 − 4𝑥 4 + 6𝑥 3 − 6𝑥 2 + 5𝑥 − 2 𝑥 3 − 4.00005𝑥 2 + 5.00008𝑥 − 2.00002

−𝑥 5 + 4.00005𝑥 4 − 5.00008𝑥 3 + 2.00002𝑥 2
𝑥 2 + 0.00005𝑥 + 1.00012
0.00005𝑥 4 + 0.99992𝑥 3 − 3.99998𝑥 2 + 5𝑥 − 2

−0.00005𝑥 4 + 0.00020𝑥 3 − 0.00025𝑥 2 + 0.0001𝑥
1.00012𝑥 3 − 4.00023𝑥 2 + 5.0001𝑥 − 2

−1.00012𝑥 3 + 4.00053𝑥 2 − 5.00068𝑥 + 2.00026
0.0003𝑥 2 − 0.00058𝑥 + 0.00026

Residuo≈ 0
donde
𝑞(𝑥) = 𝑥 2 + 0.00005𝑥 + 1.00012
El cual contiene las aproximaciones de las raices complejas.

138
En este caso como el polinomio resultante es de grado 2 podemos aplicar la

formula cuadratica para hallar las aproximaciones de las raices complejas
Asi
𝑟1 = −0.000025 + 1.000059998𝑖
𝑟2 = −0.000025 − 1.000059998𝑖
Con todo lo visto en las secciones anteriores, ya tenemos las herramientas

completas para hallar todas las aproximaciones de las raíces reales de un polinomio
de grado 𝑛, el siguiente algoritmo resume todo el material de las secciones
anteriores.
4.4 Algoritmo sugerido para hallar raíces reales de un polinomio

Consideremos un polinomio 𝑝 de grado 𝑛 seguiremos los siguientes pasos para
hallar las raíces reales de 𝑝
𝑝(𝑥) = 𝑎𝑛 𝑥 𝑛 + 𝑎𝑛−1 𝑥 𝑛−1 + ⋯ + 𝑎1 𝑥 + 𝑎0
Paso 1. Determinar el valor de la cota para las raíces reales 𝜌 por medio de
max |𝑎𝑘 |
𝑘=0,1,…,𝑛.
𝜌 =1+
|𝑎𝑛 |
Paso 2. Se determina la cota entera para las raíces reales cuyo valor será
𝜌, 𝑠𝑖 𝜌 ∈ ℤ
Ρ={
⟦𝜌⟧ + 1, 𝑠𝑖 𝜌 ∉ ℤ
Paso 3. Construir la sucesión de Sturm.
Paso 4. Determinar el número de raíces reales positivas y negativas diferentes, para
esto se hace uso de teorema de Sturm. Es decir evaluamos la sucesión de
Sturm en los valores −Ρ, 0, Ρ. A fin de contar las diferencias en las
variaciones en los signos.
Paso 5. Usaremos una variación del algoritmo de bisección a fin de encontrar
intervalos en los cuales se tenga una única raíz real diferente.
Paso 6. Aproximaremos la raíz de cada uno de los subintervalos encontrados en el
paso anterior, si se tiene cambio de signo para la función en los extremos de
cada subintervalo aplicaremos el método alternado de Bisección-regla falsa,
de lo contrario aplicaremos Newton Mejorado.
Paso 7. Verificar las multiplicidades de cada aproximación hallada, para esto
sustituimos las aproximaciones en las derivadas (si el número de raíces
encontradas no fuese el grado del polinomio).

139
Paso 8. Formar el factor asociado a las raíces halladas, junto con las multiplicidades
encontradas (Ver Teorema 4-3).
Paso 9. Hacemos la deflación polinomial para determinar el polinomio que contiene
las raíces complejas faltantes (si las hay).
Con los nueve pasos anteriores se encontró la aproximación de las raíces reales, se
verifico la multiplicidad de estas y se halla un polinomio que contiene la
aproximación de las raíces complejas (si las tuviere), ahora para hallar
aproximación de las raíces complejas se tienen dos posibilidades, la primera si el
polinomio es de grado 2 se usa la formula cuadrática y si es de grado superior se
busca un método numérico para aproximación de raíces complejas, en la siguiente
sección se hace una síntesis breve de uno de estos métodos conocidos como
Bairstow, asi que se deja abierta la posibilidad a un ultimo paso.
Paso 10. (Opcional) Si el polinomio resultante en el paso anterior es de grado 2 se

aplica la formula cuadrática, en caso de ser de grado mayor se busca un
método alterno para aproximar raíces complejas (sugerido Bairstow).
Aplicaremos el algoritmo propuesto al siguiente polinomio para aproximar las raíces

reales con 4 cifras significativas, el cual presenta todas las posibilidades que
aparecen generalmente en un polinomio, para esto, recordemos los pasos a seguir.
Ejemplo 4-18
Dado 𝑝(𝑥)
𝑝(𝑥) = 36𝑥 11 − 48𝑥 10 + 19𝑥 9 − 56𝑥 8 + 37𝑥 7 + 5𝑥 6 + 25𝑥 5 + 7𝑥 4 − 25𝑥 3 − 5𝑥 2 + 4𝑥 + 1
Paso 1. Determinar el valor de 𝜌 por medio de

𝑎𝑘 56 23
𝜌 =1+ max | | = 1 + | | =
𝑘=0,1,…,𝑛. 𝑎𝑛 36 9
Paso 2. Como 𝜌 no es entero se determina la cota entera para las raíces reales
denotada por Ρ cuyo valor será el siguiente valor entero a 𝜌.
Ρ=3
Paso 3. Construir la sucesión de Sturm. (Estos cálculos fueron realizados en Maple)
Tabla 4-23

140
𝑝𝑜 = 36𝑥 11 − 48𝑥 10 + 19𝑥 9 − 56𝑥 8 + 37𝑥 7 + 5𝑥 6 + 25𝑥 5 + 7𝑥 4 − 25𝑥 3 − 5𝑥 2 + 4𝑥 + 1
𝑝1 = 396𝑥 10 − 480𝑥 9 + 171𝑥 8 − 448𝑥 7 + 5𝑥 6 + 30𝑥 5 + 125𝑥 4 + 28𝑥 3 − 75𝑥 2 − 10𝑥 + 4
669𝑥 9 + 4680𝑥 8 − 3092𝑥 7 − 1861𝑥 6 − 3092𝑥 5 − 2117𝑥 4 + 6488𝑥 3 + 1785𝑥 2

𝑝2 = − 1280𝑥 − 379
902847𝑥 8 − 508654𝑥 7 − 208487𝑥 6 − 826956𝑥 5 − 490261𝑥 4 + 1079146𝑥 3

𝑝3 = + 329835𝑥 2 − 212512𝑥 − 64952
82940994𝑥 7 − 309057853𝑥 6 + 638370660𝑥 5 − 516206601𝑥 4 − 94477174𝑥 3

𝑝4 = + 214201353𝑥 2 + 1372082𝑥 − 17413459
9807873483𝑥 6 − 48355317974𝑥 5 + 51513424579𝑥 4 + 5618503604𝑥 3

𝑝5 = − 19891304407𝑥 2 − 197251342𝑥 + 1504072057
97187333601𝑥 5 − 152168978972𝑥 4 + 2316220454𝑥 3 + 5854859266𝑥 2 − 1306598815𝑥

𝑝6 = − 4576568936
𝑝7 = 776633919𝑥 4 − 994709932𝑥 3 − 240588582𝑥 2 + 358771284𝑥 + 99893311
𝑝8 = 3𝑥 3 − 5𝑥 2 + 𝑥 + 1
𝑝9 = 0
Paso 4. Determinar el número de raíces reales positivas y negativas diferentes, para

esto se hace uso de teorema de Sturm. Es decir evaluamos la sucesión de
Sturm en los valores −Ρ, 0 y Ρ. A fin de contar las diferencias en las variaciones
en los signos.
Tabla 4-24
𝑝𝑖 -3 0 3
𝑝0 -1 1 1
𝑝1 1 1 1
𝑝2 1 -1 1
𝑝3 -1 1 -1
𝑝4 1 1 -1
𝑝5 1 1 -1
𝑝6 -1 -1 1
𝑝7 1 1 1
𝑝8 -1 1 1
𝑝9 0 0 0

141
Así, tenemos que 𝑉𝑝 (−Ρ) = 6, 𝑉𝑝 (0) = 4 y 𝑉𝑝 (Ρ) = 2, lo cual organizado gráficamente

es
Gráfica 4-12
𝑉𝑝 → 6 4 2
𝑥 → −3 0 3
número 2
de raices 2
Paso 5. Usaremos una variación del algoritmo de bisección a fin de encontrar intervalos
en los cuales se tenga una única raíz real diferente.
Partiendo los dos intervalos por mitad obtenemos
Tabla 4-25
Función -3 -1.5 0 1.5 3
𝑓0 -1 -1 1 1 1
𝑓1 1 1 1 1 1
𝑓2 1 1 -1 1 1
𝑓3 -1 -1 1 -1 -1
𝑓4 1 1 1 -1 -1
𝑓5 1 1 1 -1 -1
𝑓6 -1 -1 -1 1 1
𝑓7 1 1 1 1 1
𝑓8 -1 -1 1 1 1
𝑓9 0 0 0 0 0
Gráfica 4-13

142
𝑉𝑝 → 6 6 4 2 2
𝑥 → −3 −1.5 0 1.5 3
número
0 2 2 0
de raices
Con lo cual se descartan los intervalos (−3, −1.5) y (1.5,3), los otros intervalos se
necesitan partir por mitad, con lo cual se tiene
Tabla 4-26
Función -1.5 -0.75 0 0.75 1.5
𝑓0 -1 -1 1 -1 1
𝑓1 1 1 1 1 1
𝑓2 1 -1 -1 1 1
𝑓3 -1 1 1 -1 -1
𝑓4 1 1 1 -1 -1
𝑓5 1 1 1 1 1
𝑓6 -1 -1 -1 1 1
𝑓7 1 1 1 1 1
𝑓8 -1 -1 1 0 0
𝑓9 0 0 0 0 0
Gráfica 4-14

143
𝑉𝑝 → 6 6 6 4 3 2 2
𝑥 −3 −1.5 −0.75 0 0.75 1.5 3
número
0 0 2 1 1 0
de raices
La tabla anterior muestra que el intervalo (−1.5, −0.75) no es de nuestro interés, por
lo tanto se descarta, los intervalos (0,0.75) y (0.75,1.5) únicamente contienen cada
uno una única raíz real diferente por lo tanto ya no es necesario partirlos por mitad,
ellos ya hacen parte de los intervalos buscados. El intervalo (−0.75,0) contiene dos
raíces reales diferentes, por lo tanto, es necesario partirlo por mitad y llegamos a
Tabla 4-27
Función -0.75 -0.375 0
𝑓0 -1 1 1
𝑓1 1 -1 1
𝑓2 -1 1 -1
𝑓3 1 -1 1
𝑓4 1 -1 1
𝑓5 1 -1 1
𝑓6 -1 1 -1
𝑓7 1 -1 1
𝑓8 -1 -1 1
Gráfica 4-15

144
𝑉𝑝 → 6 6 6 5
4 3 2 2
0
𝑥 −3 −1.5 −0.75
−0.375 0.75 1.5 3
número
0 0 1 1 1 1 0
de raices
Esta tabla muestra que el intervalo (−0.75, −0.375) contiene una raíz y el intervalo
(−0.375,0) contiene la ultima raíz.
Esto completa los 4 intervalos buscados que contienen cada uno de ellos una única
raíz real diferente (sin contar multiplicidades), que son
𝐼1 = (−0.75, −0.375)
𝐼2 = (−0.375,0)
𝐼3 = (0,0.75)
𝐼4 = (0.75,1.5)
Paso 6. Aproximaremos la raíz de cada uno de los subintervalos encontrados en el paso

anterior, si se tiene cambio de signo para la función en los extremos de cada
subintervalo aplicaremos el método alternado de Bisección y Regla falsa, de lo
contrario aplicaremos Newton Mejorado.
En los intervalos 𝐼1 , 𝐼3 e 𝐼4 se tiene cambio de signo para la función en los extremos,

con lo cual es posible aplicar el algoritmo alternado de bisección regla falsa, los
resultados se muestran a continuación
En el intervalo 𝐼1 obtenemos
Tabla 4-28
0 -0,75
1 -0,375 1
2 -0,5625 0,333333333
3 -0,380928319 0,476655769

145
4 -0,47171416 0,192459435
5 -0,481196942 0,019706655
6 -0,521848471 0,077899105
7 -0,493883183 0,056623284
8 -0,507865827 0,027532161
9 -0,49925568 0,017245968
10 -0,503560753 0,008549264
11 -0,4999593 0,007203493
12 -0,501760027 0,003588821
13 -0,499998888 0,003522286
14 -0,500879457 0,001758047
15 -0,499999985 0,001758945
16 -0,500439721 0,0008787
17 -0,5 0,000879442
18 -0,50021986 0,000439528
19 -0,5 0,000439721
20 -0,50010993 0,000219812
21 -0,5 0,00021986
22 -0,500054965 0,000109918
23 -0,5 0,00010993
24 -0,5 6,66134E-16
Con lo cual
𝑟1 = −0.5
En el intervalo 𝐼3 obtenemos
Tabla 4-29
0 0
1 0,75 1
2 0,375 1
3 0,572995733 0,345544865
4 0,473997867 0,208857199
5 0,502031496 0,05584038
6 0,488014681 0,028722117
7 0,500014152 0,023998263

146
8 0,494014417 0,012144859
9 0,500000052 0,011971269
10 0,497007234 0,006021678
11 0,5 0,005985532
12 0,498503617 0,003001749
13 0,5 0,002992766
14 0,499251809 0,001498625
15 0,5 0,001496383
16 0,5 9,4813E-14
Con lo cual
𝑟3 = 0.5
y en el caso del intervalo 𝐼4 tenemos
Tabla 4-30
0 0,75
1 1,5 0,5
2 1,125 0,333333333
3 0,896191756 0,255311704
4 1,010595878 0,11320462
5 1,010341256 0,000252015
6 0,953266506 0,059872816
7 1,009469787 0,055676041
8 0,981368147 0,028635167
9 1,005672025 0,024166803
10 0,993520086 0,012231196
11 1,000573369 0,007049242
12 0,997046727 0,003537088
13 1,000547189 0,003498547
14 0,998796958 0,001752339
15 1,000395171 0,001597582
16 0,999596065 0,00079943
17 1,000007776 0,000411708
18 0,999801921 0,000205897
19 1,000007761 0,000205839
20 0,999904841 0,00010293
21 1,000007708 0,000102866

147
22 0,999956275 5,14358E-05
Con lo cual
𝑟4 = 0.9999956275
Ahora, para el intervalo 𝐼2 como no cumple el cambio de signo de la función

evaluada en los extremos del intervalo, optamos por aplicar el método de Newton
mejorado, con lo cual
Tabla 4-31
0 -0,1875
1 -0,314359491 0,403549103
2 -0,333554998 0,057548254
3 -0,333333392 0,000664819
4 -0,333333333 1,76248E-07
Así, la opción para tomar de aproximación es
𝑟2 == −0.333333333
Sin embargo, como fue hallada por medio de un método abierto, debemos ver que
en realidad se aproxima a una raíz que estamos buscando, para esto se debe
verificar que en efecto pertenezca al intervalo 𝐼2 = (−0.375,0) y luego evaluar en el
polinomio 𝑝 para verificar si en efecto es aproximación de una raiz
𝑓(𝑟2 ) ≈ 0
Ahora si podemos tomar

𝑟2 = −0.333333333
Paso 7. Verificar las multiplicidades de cada aproximación hallada, para esto sustituimos
las aproximaciones en las derivadas.
Hasta ahora hallamos la aproximación de las cuatro raíces reales diferentes que
son

148
𝑟1 = −0.5
𝑟2 = 0.33333333333
𝑟3 = 0.5
𝑟4 = 0.9999956275
Ahora para contar las multiplicidades de cada una de estas raíces, evaluamos cada
una en las derivadas de la función hasta que sea necesario. Esto se muestra a
continuación
Tabla 4-32
𝑟1 = −0.5 𝑟2 = −0.33333 𝑟3 = 0.5 𝑟4 = 0.9999956275
𝑝 0 −1,962 ∗ 10−13 ≈ 0 0 -6,01634 ∗ 10−11 ≈ 0
𝑝′ -171,8359 ≠ 0 6,82823 ∗ 10−08 ≈ 0 -171,8359 ≠ 0 3,04148 ∗ 10−06 ≈ 0
𝑝′′ 20,4846827 ≠ 0 −0,102474848 ≈ 0
𝑝′′′ 1725.47141 ≠ 0
Aquí se observa que las aproximaciones 𝑟1 , 𝑟2 , 𝑟3 y 𝑟4 están aproximando raíces, las

cuales tienen multiplicidades 1,2,1,3, respectivamente. Es decir, en realidad
contando las multiplicidades se aproximaron 7 raíces del polinomio 𝑝, y estas son
todas las aproximaciones de todas las raíces reales.
Paso 8. Formar el factor asociado a las raíces halladas, junto con las multiplicidades
encontradas.
(𝑥 − 𝑟1 )(𝑥 − 𝑟2 )2 (𝑥 − 𝑟3 )(𝑥 − 𝑟4 )3
que en este caso es
(𝑥 + 0.5)(𝑥 − 0.333333333)2 (𝑥 − 0.5)(𝑥 − 0.9999956275)3
Paso 9. Hacemos la deflación polinomial para determinar el polinomio que contiene las
raíces complejas faltantes. este es precisamente el cociente que se obtiene al
dividir el polinomio original entre el factor del paso anterior.
36𝑥11 − 48𝑥10 + 19𝑥 9 − 56𝑥 8 + 37𝑥 7 + 5𝑥 6 + 25𝑥 5 + 7𝑥 4 − 25𝑥 3 − 5𝑥 2 + 4𝑥 + 1

(𝑥 + 0.5)(𝑥 − 0.333333333333333)2 (𝑥 − 0.5)(𝑥 − 0.9999956275)3
= 36.000000 ∗ 𝑥 4 + 35.993590 ∗ 𝑥 3 + 71.987182 ∗ 𝑥 2 + 35.974364 ∗ 𝑥 + 35.967958

149
Gráfica 4-16
Hasta aquí se aproximaron las raíces reales del polinomio 𝑝, se determino la

multiplicidad de ellas y se encontró un polinomio de grado 4 que contiene la
aproximación de las raíces complejas.
Hasta aquí el trabajo para aproximar todas las raíces reales de nuestro polinomio
fue realizado.
El paso siguiente será aproximar las raíces complejas de un polinomio, para esto
también existen muchos y variados métodos, en nuestro caso estudiaremos dos
que son el método de Bairstow y el método de Müller (Lectura). La idea es aplicar
dichos métodos al polinomio resultante de la deflación.
Los métodos que hemos visto hasta el momento, solamente nos sirven para
aproximar los valores de las raíces reales de una función y en particular de un
polinomio.

150
4.5 Raices Complejas de Polinomios
4.5.1. Método de Bairstow
A continuación mostraremos como podemos calcular estas raíces racionales de un

polinomio; y recordemos como es el procedimiento para realizar la división sintética:
Dado un polinomio de grado 𝑛
𝑝(𝑥) = 𝑎𝑛 𝑥 𝑛 + 𝑎𝑛−1 𝑥 𝑛−1 + ⋯ + 𝑎1 𝑥 + 𝑎0
el teorema de la raíz racional nos da una aproximación de las raíces ( 𝑟 ) racionales

de un polinomio con coeficientes enteros; donde estas raíces son de la forma
𝑝
𝑟=
𝑞
donde 𝑚𝑐𝑑(𝑝, 𝑞) = 1; es decir, son primos relativos. Donde los valores que toma 𝑝
son los divisores de 𝑎0 y los valores que toma 𝑞 son los divisores de 𝑎𝑛 ; una forma
de verificar si son o no raíces es realizar el algoritmo de la división sintética.
Con el siguiente ejemplo ilustraremos el algoritmo de la división sintética:
Ejemplo 4-19 Dado 𝒑(𝒙) = 𝟏𝟎𝒙𝟒 + 𝟑𝟑𝒙𝟑 − 𝟐𝟐𝒙𝟐 − 𝟖𝟕𝒙 + 𝟏𝟖, hallar sus raíces.
El primer paso es buscar los valores que pueden tomar 𝑝 y 𝑞
Valores de 𝑝: ±1, ±2, ±3, ±6, ±18

Valores de 𝑞: ±1, ±2, ±5, ±10
Con lo cual obtenemos los valores de 𝑟, los cuales son:

1 1 1 1 1 1 1
Para 𝑝 = 1 tenemos 𝑟 = ± 1 , ± 2 , ± 5 , ± 10, simplificando 𝑟 = ±1, ± 2 , ± 5 , ± 10
2 2 2 2 2 1
Para 𝑝 = 2 tenemos 𝑟 = ± 1 , ± 2 , ± 5 , ± 10 simplificando 𝑟 = ±2, ±1, ± 5 , ± 5
3 3 3 3 3 3 3
Para 𝑝 = 3 tenemos 𝑟 = ± 1 , ± 2 , ± 5 , ± 10 simplificando 𝑟 = ±3, ± 2 , ± 5 , ± 10
6 6 3 6 3 3
Para 𝑝 = 6 tenemos 𝑟 = ± 1 , ± 2 , ± 5 , ± 10 simplificando 𝑟 = ±6, ±3, ± 5 , ± 5
18 4
Para 𝑝 = 18 tenemos 𝑟 = ±18, ±9, ± ,±5
5

151
Como observamos nos toca ensayar con 32 posibles raíces diferentes.
Tomamos la primer 𝑟 = 1 y los coeficientes (en forma ordenada) y generamos el

siguiente esquema:
1033 -22 -87 18

𝑟=1 10 43 21 - 66
______________________________
10 43 21 -66 -48
Inicialmente se baja el primer coeficiente 10, multiplico la posible raíz 𝑟 por el 10

que bajo; luego realizo la suma y así sucesivamente. En el momento en el que el
último termino de este procedimiento de cero; se encontró la raíz, como
observamos, el último término es -48, que es el residuo de reemplazar 1 en el
polinomio, lo que indica que 𝑟 = 1 no es raíz.
1
Después de realizar varios intentos tomamos 𝑟 = − 5; y obtenemos:
10
33 -22 -87 18
1
𝑟 = −5 2 7 -3 -18
______________________________
10 35 -15 -90 0
1
Como observamos el último valor es cero lo que nos indica que 𝑟 = − 5 es una raíz
del polinomio.
Una vez encontrada esta raíz; realizamos la deflación correspondiente:
10𝑥 4 + 33𝑥 3 − 22𝑥 2 − 87𝑥 + 18

= 10𝑥 3 + 48𝑥 2 + 50𝑥 − 12
1
𝑥+
5
Donde al nuevo polinomio 10𝑥 3 + 48𝑥 2 + 50𝑥 − 12 se le debe aplicar el mismo

procedimiento anterior, es decir, buscar los divisores de 12 (12 posibilidades) y
dividirlos sobre los divisores de 10 (8 posibilidades); las opciones a considerar son
96 que realmente son muchas.
Observemos que el polinomio resultante es un grado menor que el original, esto es

lo que logra la división sintética bajar de un grado cada vez que se realiza; por este
motivo y por la cantidad de pruebas que toca realizar para hallar la raíz; nos obliga
a buscar un método que me reduzca esta cantidad de operaciones; a continuación

152
mostraremos un método que se basa en la doble división sintética para lograr lo que
queremos.
ALGORITMO DE BAIRSTOW
Este método, al contrario de todos los métodos vistos, no busca directamente hacer
una aproximación de las raíces del polinomio; sino que busca factorizar el polinomio
𝑝(𝑥) por medio de un polinomio cuadrático de la forma 𝑞(𝑥) = 𝑥 2 − 𝑟𝑥 − 𝑠,
generando así (Burden R. y Faires, 2003)
𝑝(𝑥) = (𝑥 2 − 𝑟𝑥 − 𝑠) ∙ ℎ(𝑥)
Nota 4-8 Recordemos que gracias al teorema del factor, el ejercicio de encontrar
raíces es equivalente al de factorizar; luego de encontrar dicha factorización, se usa
la formula cuadrática para hallar las raíces.
Nota 4-9 Con toda la teoría que se ha desarrollado, es claro que el algoritmo de
Bairstow lo aplicaremos en el caso de polinomios que no contengan raíces reales
aunque el método es valido para hallarlas, como se vera en el ejemplo 2.
Como se dijo anteriormente, se basa en la doble división sintética, es decir, se debe

realizar la deflación del polinomio original 𝑝(𝑥) de grado 𝑛, con un polinomio
cuadrático, El cual escribiremos de la forma 𝑞(𝑥) = 𝑥 2 − 𝑟𝑥 − 𝑠, generándome un
nuevo polinomio ℎ(𝑥) de grado 𝑛 − 2, y así sucesivamente se va bajando el grado
hasta llegar a un polinomio lineal o hasta que el residuo sea cero y aplicar formula
cuadrática a cada uno de los factores.
La ventaja de este método es que al reducir el polinomio original a funciones

cuadráticas, estas se pueden resolver con la formula cuadrática. La cual me da
tanto raíces reales como raíces complejas. Considerándose así como un método
para hallar las raíces complejas de un polinomio de grado 𝑛.
Para ver la demostración de este método se debe remitir a (Bairstow Leonard,

1920), que es el archivo original del método El algoritmo apareció por primera vez
en el apéndice del libro "Aerodinámica Aplicada", escrito por Leonard Bairstow y
publicado en 1920.
Así como en la división sintética simple se debía buscar 𝑟; aquí se deben buscar 𝑟 y
𝑠, de forma tal que al realizar la deflación el residuo sea cero.

153
Dado
𝑝(𝑥) = 𝑎𝑛 𝑥 2𝑚 + 𝑎𝑛−1 𝑥 2𝑚−2 + ⋯ + 𝑎1 𝑥 + 𝑎0 ,
Al igual que en la división sintética, tendremos en cuenta, únicamente, los

coeficientes del grado del polinomio, 𝑎𝑛 , y el termino independiente, 𝑎0 , dividiendo
por el termino n-ésimo tenemos:
𝑎𝑛−1 2𝑛−2 𝑎1 𝑎0
𝑝(𝑥) = 𝑥 2𝑚 + 𝑥 + ⋯ + 𝑥 + ; 𝑎𝑛 ≠ 0
𝑎𝑛 𝑎𝑛 𝑎𝑛
supongamos un polinomio de grado 𝑛 = 2𝑚, este polinomio se puede factorizar

como
𝑝(𝑥) = (𝑥 2 − 𝑟1 𝑥 − 𝑠1 )(𝑥 2 − 𝑟2 𝑥 − 𝑠2 ) ⋯ (𝑥 2 − 𝑟𝑚 𝑥 − 𝑠𝑚 )
ahora supongamos que las raíces son cercanas, es decir, 𝑟 ≈ 𝑟1 ≈ 𝑟2 ≈ ⋯ ≈ 𝑟𝑚 y
𝑠 ≈ 𝑠1 ≈ 𝑠2 ≈ ⋯ ≈ 𝑠𝑚 ; así:
𝑝(𝑥) ≈ (𝑥 2 − 𝑟𝑥 − 𝑠)𝑚
aplicando el binomio de Newton

𝑚
𝑚
𝑝(𝑥) ≈ ∑(−1)𝑚−𝑘 ( ) 𝑥 2𝑘 (𝑟𝑥 + 𝑠)𝑚−𝑘
𝑘
𝑘=0
y nuevamente aplicando el Binomio de Newton

𝑚 𝑚−𝑘
𝑚 𝑚−𝑘
𝑝(𝑥) ≈ ∑(−1)𝑚−𝑘 ( ) 𝑥 2𝑘 ∑ ( ) (𝑟𝑥)𝑗 (𝑠)𝑚−𝑘−𝑗
𝑘 𝑗
𝑘=0 𝑗=0
𝑛 𝑚−𝑘
𝑚 𝑚 − 𝑘 2𝑘 𝑗 𝑗 𝑚−𝑥−𝑗
= ∑ ∑ (−1)𝑚−𝑘 ( ) ( )𝑥 𝑟 𝑥 𝑠
𝑘 𝑗
𝑘=0 𝑗=0
𝑛 𝑚−𝑘
𝑚 𝑚 − 𝑘 2𝑘+1 𝑗 𝑚−𝑥−𝑗
= ∑ ∑ (−1)𝑚−𝑘 ( ) ( )𝑥 𝑟 𝑠
𝑘 𝑗
𝑘=0 𝑗=0
comparando los coeficientes independientes y los que tienen 𝑥 así el termino

independiente se presenta cuando 𝑗 = 0 y 𝑘 = 0, obteniendo:
𝑚 𝑚 − 𝑘 𝑚 𝑎0
(−1)𝑛 ( ) ( )𝑠 ≈
0 0 𝑎𝑛
𝑎0
(−1)𝑛 𝑠 𝑚 ≈
𝑎𝑛
así:

154
1⁄ 1 2⁄
𝑚
𝑎0 𝑚 𝑎0 ⁄𝑛 𝑎0 𝑛
𝑠 ≈| | = | | 2 ≈ (| |)
𝑎𝑛 𝑎𝑛 𝑎𝑛
llegando a
2⁄
𝑎 𝑛
(4.7) 𝑠 = |𝑎0 |
𝑛
y para 𝑟 vemos el coeficiente de 𝑥 cuando 𝑗 = 1 y 𝑘 = 0
𝑚 𝑚 𝑎1
(−1)𝑚 ( ) ( ) 𝑟𝑠 𝑚−1 ≈
0 1 𝑎𝑛
que es equivalente a
𝑎1
𝑟𝑠 𝑚−1 ≈
𝑎𝑛
obteniendo
𝑎1 𝑎1
𝑟= ≈
𝑚𝑎𝑛 𝑠 𝑚−1 2⁄ 𝑚−1
𝑎 𝑛
𝑚𝑎𝑛 (|𝑎 0 | )
𝑛
𝑎1
𝑟≈ 2(𝑚−1)
𝑎 𝑛
𝑚𝑎𝑛 (𝑎 0 )
𝑛
2(𝑚−2) 2
𝑎1 𝑎𝑛 𝑛 𝑎1 𝑎𝑛 −𝑛 𝑎1
𝑟≈ 2(𝑚−1)
≈ 2𝑚−2 ≈ 2𝑚−2 2
𝑚𝑎𝑛 𝑎0 𝑛 𝑚𝑎0 𝑛 𝑚𝑎0 𝑛 𝑎𝑛 𝑛
1 1
𝑎1 𝑎1 𝑎0 𝑚 𝑎1 𝑎0 𝑚
≈ 1 2 ≈ 2 ≈ 1
1−
𝑚𝑎0 𝑚 𝑎𝑛 𝑛 𝑚𝑎0 𝑎𝑛 𝑛 𝑚𝑎0 𝑎𝑛 𝑚
1
2𝑎1 𝑎0 𝑚 2 𝑎1 𝑚 𝑎0
≈ 1 ≈ ( ) √| |
𝑛 𝑎0 𝑎𝑛
𝑛𝑎0 𝑎𝑛 𝑚
obteniendo

155
2 𝑎 𝑚 𝑎
(4.8) 𝑟 = 𝑛 (𝑎1 ) √|𝑎0 |
0 𝑛
Obteniendo el siguiente polinomio
2⁄
2
2 𝑎1 𝑚 𝑎0 𝑎0 𝑛
𝑞(𝑥) = 𝑥 − ( ( ) √| |) 𝑥 − (| |)
𝑛 𝑎0 𝑎𝑛 𝑎𝑛
partiendo de estas resultados; resolveremos el Ejemplo 4-19 utilizando

Bairtstow
Ejemplo 4-20 Dado 𝒑(𝒙) = 𝟏𝟎𝒙𝟒 + 𝟑𝟑𝒙𝟑 − 𝟐𝟐𝒙𝟐 − 𝟖𝟕𝒙 + 𝟏𝟖, hallar sus raíces
Realizamos el mismo ordenamiento de los coeficiente y aplicamos los

valores iniciales de 𝑟 y 𝑠 encontrados en (4.7) y (4.8) en el siguiente
algoritmo:
Tabla 4-33
10 33 -22 -87 18
s0= 1,341640786 13,41640786 0,77414595 -14,0261096
r0= -3,24229857 -32,42298567 -1,870852723 33,8964316 169,6676115
1 10 0,577014326 -10,45444486 -52,3294225 173,6415018
donde los valores de la tabla se obtiene de la misma forma que en la división

sintética:
Inicialmente se baja el término n-ésimo 10
El valor -32.42298567, se obtiene de multiplicar (𝑟0 )(10)
El valor 13,4164, se obtiene de multiplicar (𝑠0 )(10)
El valor -1.870852723, se obtiene de multiplicar (𝑟0 )( 36,2174783)
El valor 0,987541, se obtiene de multiplicar (𝑟0 )(0.577014326 )

156
El valor 0.774145954, se obtiene de multiplicar (𝑠0 )(0.577014326 )
El valor 169.6676115, se obtiene de multiplicar (𝑟0 )( -52.32942246)
El valor -14.02610962, se obtiene de multiplicar (𝑠0 )( −10.45444486)
La última fila se obtiene de sumar las columnas correspondientes.
Como observamos; aplicamos la división sintética pero ahora no solo en 𝑟, sino

también en 𝑠; ya que 𝑥 2 − 𝑟𝑥 − 𝑠 se puede escribir como 𝑥(𝑥 − 𝑟) − 𝑠 y la primer
división es para hallar la primer raíz 𝑟 de (𝑥 − 𝑟) y la segunda división es para hallar
la raíz 𝑠 de (𝑋 − 𝑠), donde 𝑋 = 𝑥(𝑥 − 𝑟)
observemos que en 𝑠 se realizaron dos desplazamientos, por este motivo se genera

una función cuadrática de la forma 𝑥 2 − 𝑟𝑥 − 𝑠.
Lo que se quiere es refinar el 𝑟 y el 𝑠 de forma tal que al aplicar la deflación del

polinomio inicial con esta función cuadrática; de cómo resultado residuo cero, para
esto se repite este proceso nuevamente con los mismos 𝑟 y 𝑠, pero no con el
polinomio inicial sino con el polinomio que da como resultado en la última fila,
obteniendo lo siguiente:
Tabla 4-34
10 33 -22 -87 18
s0= 1,341640786 13,41640786 0,77414595 -14,0261096
r0= -3,24229857 -32,42298567 -1,870852723 33,8964316 169,6676115
1 10 0,577014326 -10,45444486 -52,3294225 173,6415018
s0= 1,341640786 13,41640786 -42,725854
r0= -3,24229857 -32,42298567 103,2541473 -344,384342
10 -31,84597135 106,2161103 -439,439619
De acuerdo al logaritmo de Bairstow, se generan las siguientes asignaciones:
𝑏0 = 173,6415018
𝑏1 = −52,3294225
𝑐1 = −439,439619
𝑐2 = 106,2161103

157
𝑐3 = −31,84597135
Ahora, como en general el 𝑟0 y el 𝑠0 no son los valores verdaderos de la

factorización mencionada; nos vemos en la necesidad de modificarlos para hallar
mejores aproximaciones, por esto consideramos unos desplazamientos para el
valor 𝑟0 , llamado ∆𝑟 y unos desplazamientos para 𝑠0 llamados ∆𝑠, los cuales deben
cumplir el siguiente sistema de ecuaciones, el cual es lineal( es fácilmente
desarrollable por medio de la regla de Cramer)
𝑐1 ∆𝑠 + 𝑐2 ∆𝑟 = −𝑏0
𝑐2 ∆𝑠 + 𝑐3 ∆𝑟 = −𝑏1
y que al solucionarlo obtenemos
∆𝑠 = −1.67818026
∆𝑟 = −0.01048671
Estos valores ∆𝑟 y ∆𝑠 se le suman a los anteriores 𝑟 y 𝑠 ( es decir desplazándolas),

respectivamente obteniendo:
𝑠1 = 𝑠0 + ∆𝑠 = −0.33653947
𝑟1 = 𝑟0 + ∆𝑟 = −3.25278528
Debemos llegar a un 𝑟 y un 𝑠 que tengan una aproximación tan buena como

nosotros la queramos; motivo por el cual debemos trabajar con algún tipo de error,
en este caso como se están construyendo el algoritmo de manera recurrente, es
natural pensar en la tolerancia, para este caso pediremos 5 cifras significativas, que
se cumplan en ambas variables, en algunos casos se cumplirá primero en una que
en la otra por lo cual se debe seguir el proceso hasta que se cumpla en ambas.
La siguiente tabla muestra la aproximación del 𝑟 y el 𝑠 con 5 cifras significativas:
Tabla 4-35
1 2 3 4 5 6 7
s -0,337 0,7247 0,5955 0,6 0,6 0,6 0,6
ENP 146,44 21,698 0,757 0,0003 4E-10 0
r -3,253 -2,798 -2,802 -2,8 -2,8 -2,8 -2,8
ENP 16,263 0,1622 0,0828 2E-05 9E-11 0
Observemos como el 𝑟 y el 𝑠 logran las cinco cifras significativas (simultáneamente,

no siempre se da en la misma iteración) en la decimo tercer iteración; generando
así los componentes del polinomio cuadrático que estábamos buscando, quedando

158
𝑞(𝑥) = 𝑥 2 + 2.8𝑥 + 0.6
con el cual comprobamos que efectivamente genera un residuo de cero; Utilizando

el software matemático maple, obtenemos:
Gráfica 4-17
Una vez comprobado lo anterior; aplicamos deflación al polinomio original quedando

el siguiente resultado:
Gráfica 4-18
Es decir el polinomio original lo puedo expresar como el producto de dos

polinomios:
10𝑥 4 + 33𝑥 3 − 22𝑥 2 − 87𝑥 + 18 = (𝑥 2 + 2.8𝑥 − 0.6) ∗ (10𝑥 2 + 5𝑥 − 30)
Como cada factor tiene forma cuadrática, se resuelve utilizando la formula

cuadrática, llegando a los siguientes resultados:

159
Gráfica 4-19
Obteniendo así las cuatro raíces correspondientes al polinomio original.
En el ejemplo anterior se obtuvieron cuatro raíces reales; pero la virtud de este

método es la obtención de las raíces complejas, lo cual ilustraremos con otro
ejemplo
Ejemplo 4-21 De el polinomio del ejemplo 4-18, sabemos que tiene exactamente
cuatro raíces complejas, las hallaremos por medio de Bairstow
Gráfica 4-20
Lo primero es escoger 𝑟 y 𝑠 apropiado; tomando lo propuesto en (4.7) y (4.8)

tenemos:
𝑟0 = 1
𝑠0 = 0,5
que al aplicarle el algoritmo propuesto por Bairstow llegamos al siguiente resultado
Tabla 4-36
observe que logramos las cinco cifras significativas de manera simultánea en la

iteración 10; llegando a los valores 𝑠 = −1 y 𝑟 = −1; el cual reemplazamos en 𝑞(𝑥)
quedando de la siguiente manera 𝑞(𝑥) = 𝑥 2 + 𝑥 + 1, aplicando lo expuesto en el 0
tenemos el siguiente resultado de maple
Gráfica 4-21

160
que es la verificacion de que el residuo es cero aplicando la deflacion con 𝑞(𝑥)
Gráfica 4-22
que me indica el cociente al realizar la division entre el polinomio original y 𝑞(𝑥).
Es decir el polinomio original 𝑝(𝑥) ( que es de grado 4) lo puedo expresar como el

producto de dos polinomios de grado2
36𝑥 4 + 36𝑥 3 + 72𝑥 + 36 = (𝑥 2 + 𝑥 + 1) ∙ (36𝑥 2 + 36)
Estos polinomios resultantes los puedo resolver con formula cuadratica; obteniendo
los siguientes resultados:
Gráfica 4-23
Gráfica 4-24
lo que nos da las cuatro raíces complejas que estábamos buscando.
Ejercicio 4-1 Dados los siguientes polinomios; halle los siguientes ítem

161
a. Valor de 𝜌.
b. Secuencias de Sturm.
c. Intervalos donde se garantice que hay una sola raíz real.
d. Intervalos donde se aplique (de acuerdo al algoritmo visto en clase)
Bisección-Regla Falsa o Newton Mejorado.
e. De acuerdo a la selección anterior, hallar las correspondientes raíces con 3
f. Determine las multiplicidades donde sea necesario.
g. Realice deflación con el polinomio de las raíces encontradas.
h. Escriba el polinomio de las raíces complejas.
i. Halle las raíces complejas.
a. 𝑥 7 − 6𝑥 6 + 12𝑥 5 − 8𝑥 4 − 16𝑥 3 + 96𝑥 2 − 192𝑥 + 128
b. 𝑥 7 + 7𝑥 6 + 20𝑥 5 + 36𝑥 4 + 48𝑥 3 + 16𝑥 2 − 64𝑥 − 64
c. 𝑥 7 − 10𝑥 6 + 34𝑥 5 − 40𝑥 4 − 15𝑥 3 + 162𝑥 2 − 540𝑥 + 648
d. 𝑥 7 − 18𝑥 6 + 132𝑥 5 − 520𝑥 4 + 1280𝑥 3 − 2304𝑥 2 + 3072𝑥 − 2408
e. 𝑥 7 − 6𝑥 6 + 11𝑥 5 − 2𝑥 4 − 24𝑥 3 + 80𝑥 2 − 144𝑥 + 96
f. 𝑥 7 − 14𝑥 6 + 80𝑥 5 − 244𝑥 4 + 453𝑥 3 − 594𝑥 2 + 594𝑥 − 324
g. 𝑥 5 − 2𝑥 4 − 𝑥 3 + 2𝑥 2 − 12𝑥 + 24
h. 𝑥 5 − 10𝑥 4 + 36𝑥 3 − 72𝑥 2 + 128𝑥 − 128
Ejercicio 4-2 Dado un polinomio de grado 7; se puede inferir que (indique si es falso o
verdadero y justifique):
a. Tiene 7 raices reales
b. Tiene 7 raices complejas
c. Tiene 5 raices complejas y 2 reales
d. Tiene 4 raices complejas y una real con multiplicidad
e. No tiene raices reales
f. No tiene raices complejas
g. Tiene al menos una raiz real
Ejercicio 4-3 Dado un polinomio de grado 6; se puede inferir que:
a. Tiene 6 raices reales
b. Tiene 6 raices complejas
c. Tiene 4 raices complejas y 2 reales
d. Tiene 4 raices complejas y una real con multiplicidad
e. No tiene raices reales
f. No tiene raices complejas
g. Tiene al menos una raiz real

162
5. Ajuste de curvas
En este capítulo trataremos de aproximar por medio de una función un conjunto de

datos dados, para esto estudiaremos algunos métodos, esto lo que crea es a partir
de un conjunto de datos una función que los modela (explica), de manera que se
pueden generar algunos datos adicionales. En particular trabajaremos el método de
mínimos cuadrados y algunas de sus variantes (linealizaciones), aproximación
polinomial y por ultimo splines.
El método de regresión, es en realidad en método de mínimos cuadrados ajustado
a las necesidades propias del modelo, para empezar estudiemos a fondo la teoría
de mínimos cuadrados.
El enfoque que daremos; es diferente al visto en estadística (Montgomery-Runger,
2007), (Walpole r., 2012), (Antonio, 1998); ver, aquí, nos interesara la teoría general
de mínimos cuadrados y compararla con la teoría particular de regresión lineal
aplicada a funciones no lineales por medio de un proceso llamado linealizacion.

163
5.1 Metodo de minimos cuadrados
El método de mínimos cuadrados varía en mucho con los demás métodos

numéricos siempre estudiados, la diferencia principal es que la mayoría de métodos
numéricos buscan acercarse a las aproximaciones, sin embargo, el método de
mínimos cuadrados lo que estudia es el error del método y busca minimizarlo.
Consideremos un conjunto de puntos {(𝑥1 , 𝑦1 ), … , (𝑥𝑛 , 𝑦𝑛 )} que se comporten de
manera funcional, es decir, 𝑥𝑖 ≠ 𝑥𝑗 cuando 𝑖 ≠ 𝑗, ahora, si queremos un modelo
matemático que explique estos datos, debemos fijar primero el número de
parámetros (o estimadores) que debe tener el modelo, este número puede ser
cualquier entero positivo, generalmente se buscan modelos que tengan dos
parámetros, por ejemplo una función 𝑦 = 𝑓(𝑥) que dependa de los parámetros
{𝛽0 , 𝛽1 }.
Ejemplos de este tipo de funciones son las rectas, que dependen solo de dos
parámetros, la pendiente y el punto de corte con el eje dependiente, es decir el
modelo de una recta se puede escribir como 𝑦 = 𝑓(𝑥) = 𝛽0 + 𝛽1 𝑥, este caso
particular de mínimos cuadrados es usualmente conocido como regresión lineal,
otro ejemplo de tipo de funciones que dependan de dos parámetros son de la forma
𝑓(𝑥) = 𝛽𝑜 𝑒 𝛽1𝑥
𝛽0
𝑓(𝑥) =
𝛽1 + 𝑥 2
Sin embargo, puede darse el caso que los modelos dependan de más estimadores,
por ejemplo
𝑓(𝑥) = 𝛽0 + 𝛽1 𝑥 + 𝛽2 𝑥 2 + ⋯ + 𝛽𝑚 𝑥 𝑚
Donde esta depende de 𝑚 + 1 estimadores y la función es un polinomio de grado
m, este tipo, cuando el modelo es de esta forma, es usual llamarlo regresión
polinomial. Notemos que en todos los casos anteriores, el número de variables es el
mismo, 2, sin embargo, es posible buscar modelos que no dependan únicamente
de dos variables sino de más, por ejemplo, consideremos un conjunto de datos

164
{(𝑥0 , 𝑦0 , 𝑧0 ), (𝑥1 , 𝑦1 , 𝑧1 ), … , (𝑥𝑛 , 𝑦𝑛 , 𝑧𝑛 )}

que son datos de 3 variables, los modelos que se buscan en este tipo de datos
son de la forma
𝑧 = 𝑓(𝑥, 𝑦)
donde la función 𝑓 puede depender también de varios parámetros, en caso más
sencillo sería un modelo de la forma
𝑓(𝑥, 𝑦) = 𝛽0 + 𝛽1 𝑥 + 𝛽2 𝑦
Que describe en tres dimensiones un plano, este es el caso análogo de la recta y es
llamado regresión lineal múltiple. Como se observa, este modelo depende de tres
parámetros los cuales son {𝛽0 , 𝛽1 , 𝛽2 }, observemos que el número de variables y el
número de estimadores son independientes.
Daremos de forma general en dos variables el método de mínimos cuadrados para
dos estimadores, este método se puede escribir de la misma forma para más
variables y estimadores, consideremos el conjunto de datos bidimensional
{(𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 ), … , (𝑥𝑛 , 𝑦𝑛 )}
supongamos que queremos un modelo que dependa de dos parámetros {𝛽0 , 𝛽1 }, asi
buscamos la funcion 𝑓𝛽0 ,𝛽1 (𝑥), veamos la siguiente grafica
Gráfica 5.1

165
Los valores que se quieren aproximar por medio del modelo son los {𝑦𝑖 } y el modelo
los aproxima por medio de los {𝑓𝛽0 ,𝛽1 (𝑥𝑖 )}, es decir, en cada punto hay un error
llamado residuo
𝑒𝑖 = 𝑦𝑖 − 𝑓𝛽0 ,𝛽1 (𝑥𝑖 )
notemos que hay tantos residuos como puntos los cuales se pueden ordenar en un
vector 𝑒 = (𝑒1 , 𝑒2 , … , 𝑒𝑛 ) este seria el vector formado por los residuos, ahora
queremos que este vector sea el mas pequeño posible, midamos este vector,
recordemos que la norma de un vector es la raíz de la suma de los cuadrados, así
‖𝑒‖ = √𝑒12 + 𝑒22 + ⋯ + 𝑒𝑛2
pero esta norma es una función que depende de 𝛽0 𝑦 𝛽1 ya que los 𝑥𝑖 y los 𝑦𝑖 son
los datos dados inicialmente, es decir, tenemos una funcion que depende de dos
variables la cual debemos minimizar, sin embargo, minimizar esta función es igual
que minimizar el cuadrado de esta función, por lo tanto buscaremos minimizar el
cuadrado de esa norma, la cual llamaremos error cuadrático
(5.1) 𝐸𝑐 (𝛽0 , 𝛽1 ) = ∑𝑛𝑖=1( 𝑦𝑖 − 𝑓𝛽0 ,𝛽1 (𝑥𝑖 ))2
si 𝑓 es una funcion diferenciable, podemos hallar las derivadas parciales de esta

funcion con respecto a los estimadores e igualar a cero, es decir, hallar el vector
gradiente e igualar a cero.
𝑛
𝜕𝐸𝑐 𝜕𝑓𝛽 ,𝛽
= −2 ∑(𝑦𝑖 − 𝑓𝛽0 ,𝛽1 (𝑥𝑖 )) ( 0 1 (𝑥𝑖 ))
𝜕𝛽0 𝜕𝛽0
𝑖=1
𝑛
𝜕𝐸𝑐 𝜕𝑓𝛽 ,𝛽
= −2 ∑(𝑦𝑖 − 𝑓𝛽0 ,𝛽1 (𝑥𝑖 )) ( 0 1 (𝑥𝑖 ))
𝜕𝛽1 𝜕𝛽1
𝑖=1
al igualar a cero llegamos a un sistema de ecuaciones con dos incógnitas (esto se

debe a el número de parámetros en el modelo), dado por
𝜕𝑓𝛽0 ,𝛽1
∑𝑛𝑖=1( 𝑦𝑖 − 𝑓𝛽0 ,𝛽1 (𝑥𝑖 )) ( (𝑥𝑖 )) = 0
𝜕𝛽0

166
𝜕𝑓𝛽0 ,𝛽1
∑𝑛𝑖=1( 𝑦𝑖 − 𝑓𝛽0 ,𝛽1 (𝑥𝑖 )) ( (𝑥𝑖 )) = 0
𝜕𝛽1
esto reduce nuestro problema a hallar soluciones reales de este sistema, en el caso
en que el modelo buscado sea una recta, este sistema es un sistema lineal, el cual
puede solucionarse fácilmente por medio de matrices o determinantes, sin
embargo, dependiendo la complejidad del modelo buscado, este sistema puede
conducirnos a uno no lineal, el cual puede ser MUY difícil de resolver, esta es la
razón principal por la cual no se trabaja usualmente mínimos cuadrados, más
adelante veremos un ejemplo de ello.
Veamos ahora algunas aplicaciones del método de mínimos cuadrados.
5.1.1. Regresión lineal
La regresión lineal es muy conocida en aplicaciones estadísticas y por ende la más

usada en varias ramas de las ciencias, es simplemente aplicar el método de
mínimos cuadrados a un conjunto de datos bidimensionales y un modelo de dos
parámetros de la forma 𝑦 = 𝑓𝛽0 ,𝛽1 (𝑥) = 𝛽0 + 𝛽1 𝑥, el cual representa una linea recta,
de alli el nombre del método. Realizaremos el proceso de mínimos cuadrados, en
primer lugar formaremos la función error cuadrático vista en la ecuación (5.1) así
𝐸𝑐 (𝛽0 , 𝛽1 ) = ∑𝑛𝑖=1( 𝑦𝑖 − (𝛽0 + 𝛽1 𝑥𝑖 ))2
ya que el modelo buscado es una función diferenciable, podemos hallar las
derivadas parciales y llegamos a
𝑛
𝜕𝐸𝑐
= −2 ∑( 𝑦𝑖 − (𝛽0 + 𝛽1 𝑥𝑖 ))
𝜕𝛽0
𝑖=1
𝜕𝐸𝑐
= −2 ∑𝑛𝑖=1( 𝑦𝑖 − (𝛽0 + 𝛽1 𝑥𝑖 ))(𝑥𝑖 )
𝜕𝛽1
ya que 𝑓 es una función lineal, el sistema que formaremos es lineal, así

∑𝑛𝑖=1( 𝑦𝑖 − 𝛽0 − 𝛽1 𝑥𝑖 ) = 0
∑𝑛𝑖=1( 𝑦𝑖 𝑥𝑖 − 𝛽0 𝑥𝑖 − 𝛽1 𝑥𝑖 2 ) = 0
usando la linealidad de la sumatoria podemos reescribir este sistema como
∑𝑛𝑖=1 𝑦𝑖 = 𝑛𝛽0 + 𝛽1 ∑𝑛𝑖=1 𝑥𝑖
∑𝑛𝑖=1 𝑦𝑖 𝑥𝑖 = 𝛽0 ∑𝑛𝑖=1 𝑥𝑖 + 𝛽1 ∑𝑛𝑖=1 𝑥𝑖 2

167
este sistema es fácilmente solucionado por el método de cramer llegando a

∑𝑛 2 𝑛 𝑛 𝑛
𝑖=1 𝑥𝑖 ∑𝑖=1 𝑦𝑖 −∑𝑖=1 𝑥𝑖 𝑦𝑖 ∑𝑖=1 𝑥𝑖
(5.2) 𝛽0 = 2
𝑛 ∑𝑛 2 𝑛
𝑖=1 𝑥𝑖 −(∑𝑖=1 𝑥𝑖 )
𝑛 ∑𝑛 𝑛 𝑛
𝑖=1 𝑥𝑖 𝑦𝑖 −∑𝑖=1 𝑥𝑖 ∑𝑖=1 𝑦𝑖
(5.3) 𝛽1 = 2
𝑛 ∑𝑛 2 𝑛
𝑖=1 𝑥𝑖 −(∑𝑖=1 𝑥𝑖 )
Ejemplo 5.1 Dados los siguientes puntos:

(1,0.5), (2,2.5), (3,2.0), (4,4.0), (5,3.5), (6,6.0), (7,5.5)
realice regresión lineal para ajustar los puntos a una recta.
Aplicando los resultados de las ecuaciones (5.2) y (5.3) obtenemos que
𝛽0 = 0.0714285714285706 y 𝛽1 = 0.839285714285715
quedando el modelo lineal de la siguiente manera
𝑦 = 0.839285714285715. 𝑥 + 0.0714285714285706
5.1.2. Regresión polinomial
Nuevamente, consideremos un conjunto de datos bidimensionales y tomaremos un

modelo que dependa de tres parámetros el cual tenga una forma de polinomio de
grado 2;
𝑓𝛽0 ,𝛽1 ,𝛽2 (𝑥) = 𝛽2 𝑥 2 + 𝛽1𝑥 + 𝛽0
al aplicar el mismo algoritmo dado por el método de mínimos cuadrados, llegaremos

al sistema de tres ecuaciones y tres variables lineal (recordemos que el tamaño de
este sistema depende del número de parámetros)
𝑛 𝑛 𝑛
(𝑛)𝛽0 + (∑ 𝑥𝑖 ) 𝛽1 + (∑ 𝑥𝑖 ) 𝛽2 = ∑ 𝑦𝑖 2
𝑖=1 𝑖=1 𝑖=1

𝑛 𝑛 𝑛 𝑛
(∑ 𝑥𝑖 ) 𝛽0 + (∑ 𝑥𝑖 2 ) 𝛽1 + (∑ 𝑥𝑖 3 ) 𝛽2 = ∑ 𝑥𝑖 𝑦𝑖
𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛
(∑ 𝑥𝑖 ) 𝛽0 + (∑ 𝑥𝑖 ) 𝛽1 + (∑ 𝑥𝑖 ) 𝛽2 = ∑ 𝑥𝑖 2 𝑦𝑖
2 2 4
𝑖=1 𝑖=1 𝑖=1 𝑖=1
resolviendo por cramer llegamos a las formulas

168
∑𝑛
𝑖=1 𝑦𝑖 (∑𝑛
𝑖=1 𝑥𝑖 ) (∑𝑛 2
𝑖=1 𝑥𝑖 )
| ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 (∑𝑛 2
𝑖=1 𝑥𝑖 ) (∑𝑛 3
𝑖=1 𝑥𝑖 )|
∑𝑛 2
𝑖=1 𝑥𝑖 𝑦𝑖
𝑛 2
∑𝑖=1 𝑥𝑖 𝑦𝑖 (∑𝑛 4
𝑖=1 𝑥𝑖 )
(5.4) 𝛽0 = (𝑛) (∑𝑛 𝑛
(∑𝑖=1 𝑥𝑖 2 )
𝑖=1 𝑥𝑖 )
| (∑𝑛
𝑖=1 𝑥𝑖 ) (∑𝑛 2
𝑖=1 𝑥𝑖 ) (∑𝑛 3
𝑖=1 𝑥𝑖 )|
(∑𝑛 2 𝑛 2
∑𝑖=1 𝑥𝑖 𝑦𝑖 (∑𝑛 4
𝑛=1 𝑥𝑖 ) 𝑖=1 𝑥𝑖 )
(𝑛) ∑𝑛
𝑖=1 𝑦𝑖 (∑𝑛 2
𝑖=1 𝑥𝑖 )
| (∑𝑛𝑖=1 𝑥𝑖 ) ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 (∑𝑛 3
𝑖=1 𝑥𝑖 )|
(∑𝑛 2
𝑖=1 𝑥𝑖 ) ∑𝑛 2
𝑖=1 𝑥𝑖 𝑦𝑖 (∑𝑛 4
𝑖=1 𝑥𝑖 )
(5.5) 𝛽1 = (𝑛) (∑𝑛 (∑𝑛 2
𝑖=1 𝑥𝑖 ) 𝑖=1 𝑥𝑖 )
| (∑𝑛𝑖=1 𝑥𝑖 )
𝑛
(∑𝑖=1 𝑥𝑖 2 ) (∑𝑛 3
𝑖=1 𝑥𝑖 )|
(∑𝑛 2
𝑖=1 𝑥𝑖 ) ∑𝑛 2
𝑖=1 𝑥𝑖 𝑦𝑖 (∑𝑛 4
𝑖=1 𝑥𝑖 )
(𝑛) (∑𝑛
𝑖=1 𝑥𝑖 ) ∑𝑛
𝑖=1 𝑦𝑖
| (∑𝑛𝑖=1 𝑥𝑖 ) (∑𝑛 2
𝑖=1 𝑥𝑖 ) (∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 )|
(∑𝑛 2
𝑖=1 𝑥𝑖 ) ∑𝑛 2
𝑖=1 𝑥𝑖 𝑦𝑖 ∑𝑛 2
𝑖=1 𝑥𝑖 𝑦𝑖
(5.6) 𝛽2 = (𝑛) 𝑛
(∑𝑖=1 𝑥𝑖 ) (∑𝑛 2
𝑖=1 𝑥𝑖 )
| (∑𝑛𝑖=1 𝑥𝑖 ) (∑𝑛 2
𝑖=1 𝑥𝑖 ) (∑𝑛 3
𝑖=1 𝑥𝑖 )|
(∑𝑛 2
𝑖=1 𝑥𝑖 )
𝑛
∑𝑖=1 𝑥𝑖 2 𝑦𝑖 (∑𝑛 4
𝑖=1 𝑥𝑖 )
Ejemplo 5.2 Ajustar a un polinomio de segundo orden los siguientes datos

(0,2.1), (1,7.7), (2,13.6), (3,27.2), (4,40.9), (5,61.1)
Aplicando los resultados de las ecuaciones (5.4), (5.5) y (5.6) obtenemos que
𝛽0 = 2,47857 𝛽1 = 2,35929 y 𝛽2 = 1,86071
quedando el modelo cuadrático de la siguiente forma
𝑦 = 2,47857 + 2,35929. 𝑥 + 1,86071. 𝑥 2
5.1.3. Regresión multiple
Los casos anteriores de regresion lineal y polinomial son ejemplos particulares de

datos bidimensionales, consideremos ahora un conjunto de datos tridimensional,
por ejemplo
{(𝑥1 , 𝑦1 , 𝑧1 ), (𝑥2 , 𝑦2 , 𝑧2 ), … , (𝑥𝑛 , 𝑦𝑛 , 𝑧𝑛 )}
el analogo a una recta en dos dimensiones es el plano en tres dimensiones, esto
nos lleva a pensar que el modelo natural en tres dimensiones para generalizar la
regresion lineal es de la forma

169
𝑧 = 𝑓𝛽0,𝛽1 ,𝛽2 (𝑥, 𝑦) = 𝛽0 + 𝛽1 𝑥 + 𝛽2 𝑦

esta funcion depende de tres parametros, asi aplicando el algoritmo de minimos
cuadrados y formando la funcion error cuadratico tenemos
𝑛
𝐸𝑐 (𝛽0 , 𝛽1 , 𝛽2 ) = ∑( 𝑧𝑖 − (𝛽0 + 𝛽1 𝑥𝑖 +, 𝛽2 𝑦𝑖 ))2

𝑖=1
y tomando las derivadas parciales con respecto a los parametros e igualando a cero
llegamos a
(5.7) ∑𝑛𝑖=1 𝑧𝑖 = 𝑛𝛽0 + 𝛽1 ∑𝑛𝑖=1 𝑥𝑖 + 𝛽2 ∑𝑛𝑖=1 𝑦𝑖
(5.8) ∑𝑛𝑖=1 𝑥𝑖 𝑧𝑖 = 𝛽0 ∑𝑛𝑖=1 𝑥𝑖 + 𝛽1 ∑𝑛𝑖=1 𝑥𝑖 2 + 𝛽2 ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖
(5.9) ∑𝑛𝑖=1 𝑦𝑖 𝑧𝑖 = 𝛽0 ∑𝑛𝑖=1 𝑦𝑖 + 𝛽1 ∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 + 𝛽2 ∑𝑛𝑖=1 𝑦𝑖 2
este sistema es fácilmente solucionado por el método de cramer llegando a los

valores de 𝛽0 , 𝛽1 , 𝛽2 (ver ejrcicicio 5-1)
Ejemplo 5.3 Ajustar a un polinomio de segundo orden los siguientes datos

(0,0,5), (2,1,10), (2.5,2,9), (1,3,0), (4,6,3), (7,2,27)
Aplicando los resultados de las ecuaciones (5.7), (5.8) y (5.9) obtenemos que
𝛽0 = 5, 𝛽1 = 4 y 𝛽3 = −3 quedando el modelo lineal multiple (Plano)
𝑧 = 𝑓𝛽0 ,𝛽1 ,𝛽2 (𝑥, 𝑦) = 5 + 4𝑥 − 3𝑦
5.1.4. Minimos cuadrados a un modelo exponencial
Volvamos a nuestro caso bidimensional, consideremos nuevamente un conjunto de

datos {(𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 ), … , (𝑥𝑛 , 𝑦𝑛 )}
y un modelo de forma exponencial
𝑓(𝑥) = 𝛽𝑜 𝑒 𝛽1𝑥
En primer lugar formaremos la función error cuadrático vista en la ecuación (5.1) así
𝑛
𝐸𝑐 (𝛽0 , 𝛽1 ) = ∑( 𝑦𝑖 − (𝛽𝑜 𝑒 𝛽1𝑥𝑖 ))2

𝑖=1

170
𝑛
2
𝐸𝑐 (𝛽0 , 𝛽1 ) = ∑ (𝑦𝑖 − (𝛽𝑜 𝑒 𝛽1𝑥𝑖 ))
𝑖=1
ya que el modelo buscado es una función diferenciable, podemos hallar las

derivadas parciales y llegamos a
𝑛
𝜕𝐸𝑐
= −2 ∑( 𝑦𝑖 − 𝛽𝑜 𝑒 𝛽1 𝑥𝑖 )(𝑒 𝛽1 𝑥𝑖 )
𝜕𝛽0
𝑖=1
𝑛
𝜕𝐸𝑐
= −2 ∑( 𝑦𝑖 − 𝛽𝑜 𝑒 𝛽1𝑥𝑖 )(𝛽𝑜 𝑥𝑖 𝑒 𝛽1𝑥𝑖 )
𝜕𝛽1
𝑖=1
ya que 𝑓 es una funcion exponencial, el sistema que formaremos no es lineal, así

𝑛
∑( 𝑦𝑖 𝑒 𝛽1 𝑥𝑖 − 𝛽𝑜 𝑒 2𝛽1 𝑥𝑖 ) = 0
𝑖=1
𝑛
∑( 𝑦𝑖 𝛽𝑜 𝑥𝑖 𝑒 𝛽1𝑥𝑖 − 𝛽𝑜 2 𝑥𝑖 𝑒 2𝛽1 𝑥𝑖 ) = 0
𝑖=1
este sistema no es lineal por lo tanto puede ser muy complicado de solucionar con
las herramientas que contamos hoy en día, aunque bajo condiciones “buenas”
podríamos como en el siguiente ejemplo.
Ejemplo 5.4 Dados los siguientes datos (1,1),(2,3),(3,8),(4,15),(5,30) encuentre por

medio de mínimos cuadrados ; un modelo exponencial de la forma 𝒇(𝒙) =
𝜷𝒐 𝒆𝜷𝟏 𝒙
Al escribir la función error cuadrático, encontrar las derivadas parciales e
igualarlas a cero llegamos al siguiente sistema de dos ecuaciones con dos
incógnitas el cual NO es lineal, así no se puede escribir en forma matricial.
Utilizando el software Maple; se resolvió el problema para estos cinco puntos,
a continuación mostraremos los comando utilizados para tal fin.
Gráfica 5.2

171
encontrar la solución real de manera analítica es imposible; ya que

equivaldría a solucionar un polinomio de grado 10, si realizáramos la
sustitución de 𝑤 = 𝑒 𝛽0 , por lo cual recurrimos a maple que nos arroja los
siguientes resultados:
𝛽𝑜 = 0,8775305761 𝛽1 = 0,7071637087
Reemplazando en el modelo obtenemos:
𝑦 = 0,8775305761 𝑒 0,7071637087𝑥
Como se observa en el ejemplo anterior, aplicar el algoritmo de mínimos cuadrados

a un modelo, en general puede ser un trabajo muy difícil, por no decir imposible ya
que si el número de datos es muy grande el sistema de ecuaciones al que se llega
es inmanejable, por esto es necesario una herramienta que nos permita aproximar
sin necesidad de aplicar mínimos cuadrados directamente al modelo, esto se
consigue con un proceso llamado linealizacion, el cual nos permite trabajar
únicamente con la regresión lineal aplicada a unos datos convenientes.
5.2 Linealización

172
El proceso de linealizacion busca mediante un cambio de variables adecuado

expresar un modelo matematico no lineal como uno lineal por medio de
manipulaciones algebraicas adecuadas, por ejemplo, consideremos la ecuacion,
𝑒𝑥
=5
𝑒𝑥 + 3
inicialmente esta ecuación no es lineal, sin embargo al sustituir la variable por
𝑤 = 𝑒 𝑥 llegamos a
𝑤
=5
𝑤+3
la cual sigue siendo no lineal, pero al manipular algebraicamente conseguimos

𝑤 = 5(𝑤 + 3)
donde la última ecuación ya es lineal.
Otro ejemplo de estos es la ecuación
ln(3 ∗ 5𝑥 ) = 10
la cual aparentemente no es lineal, en esta ecuación basta manipular

algebraicamente haciendo uso de las propiedades del logaritmo para llegar a
ln 3 + 𝑥 ln 5 = 10
en esta ecuación no hay ninguna función logarítmica (notemos que ln 3 y ln 5 son
escalares), es decir, esta es una ecuacion lineal.
Básicamente queremos usar la misma idea a fin de transformar un modelo no lineal
en uno lineal, por ejemplo, consideremos el modelo exponencial de ejemplo
anterior,
𝑦 = 𝛼𝑜 𝑒 𝛼1 𝑥
aplicando logaritmo natural en la ecuación anterior obtenemos
ln 𝑦 = ln(𝛼𝑜 𝑒 𝛼1 𝑥 )
y por ultimo aplicando las propiedades de los logaritmos obtenemos
ln 𝑦 = ln(𝛼𝑜 ) + 𝛼1 𝑥
el cual es una recta en la variables ln 𝑦 y 𝑥; haciendo el cambio de variables
sugerido por la anterior ecuacion podemos tomar 𝑤 = ln(𝑦) , 𝛽0 = ln(𝛼𝑜 ) , 𝛽1 = 𝛼1
llegando al modelo visto en la regresión lineal

173
𝑤 = 𝑓𝛽0 ,𝛽1 (𝑥) = 𝛽0 + 𝛽1 𝑥

Ejemplo 5.5 Un modelo Exponencial es de la forma
𝑓(𝑥) = 𝑦 = 𝛽𝑜 𝑒 𝛽1𝑥 ,
Dados los siguientes datos (1,1), (2,3), (3,8), (4,15), (5,30) encuentre un modelo
exponencial de la forma 𝑓(𝑥) = 𝑦 = 𝛽𝑜 𝑒 𝛽1𝑥 , por medio de regresión lineal, para esto
linealicemos el modelo, asi:
Aplicar logaritmo natural a ambos lados
𝑙𝑛(𝑦) = 𝑙𝑛(𝛽𝑜 𝑒 𝛽1𝑥 )
Aplicando propiedades de logaritmos obtenemos:
𝑙𝑛(𝑦) = 𝑙𝑛(𝛽𝑜 ) + 𝛽1 (𝑥)
La regresión lineal se aplica a las variables 𝑙𝑛(𝑦) y 𝑥
Obteniendo el modelo Linealizado 𝑦 ∗ = 𝛽𝑜 ∗ + 𝛽1 ∗ 𝑥
Aplicamos el comando en Maple
Obtenemos el modelo linealizado

𝑙𝑛(𝑦) = −0,66608952 + 0,8411832676(𝑥)
∗
En donde debemos hallar 𝛽𝑜 = 𝑒 𝛽𝑜 y 𝛽1 = 𝛽1 ∗
𝛽𝑜 = 𝑒 −0,66608952 = 0,5137135215 y 𝛽1 = 0,8411832676
Luego el modelo queda
𝑦 = 0,5137135215𝑒 0,8411832676(𝑥)
Quedando asi el modelo linealizado.
Como se ve en el anterior ejemplo, el método consiste en aplicar regresión lineal a

los datos
{(𝑥1 , ln 𝑦1 ), (𝑥2 , ln 𝑦2 ), … , (𝑥𝑛 , ln 𝑦𝑛 )}

174
Sin embargo, al realizar el proceso de linealizacion, como la función logarítmica no

es lineal el modelo que se encuentra no coincide con el modelo buscado en los
mínimos cuadrados, es decir, esta NO es la curva que más se ajusta a los datos
{(𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 ), … , (𝑥𝑛 , 𝑦𝑛 )}
Sin embargo la recta ln(𝑦) = −0,66608952 + 0,8411832676(𝑥), SI es la curva que
más se ajusta a los datos {(𝑥1 , ln 𝑦1 ), (𝑥2 , ln 𝑦2 ), … , (𝑥𝑛 , ln 𝑦𝑛 )} .
Compararemos esta afirmación con un ejemplo hecho sobre los mismos datos, en
el Ejemplo 5.4 se realizaran las dos aproximaciones.
Ejemplo 5.6 Un modelo Potencial es de la forma

𝑦 = 𝛽0 𝑥 𝛽1
donde 𝛽0 y 𝛽1 son constantes.
Para este caso se linealiza con logaritmo, obteniendo
𝑙𝑛 𝑦 = 𝑙𝑛 𝛽0 + 𝛽1 𝑙𝑛 𝑥
Obteniendo así el modelo lineal o la linealización en términos de 𝑙𝑛 𝑥 y 𝑙𝑛 𝑦, es decir
realizaremos la regresión lineal a las variables 𝑙𝑛 𝑥 y 𝑙𝑛 𝑦, por lo tanto trabajaremos
con los datos
{(𝑙𝑛 𝑥1 , 𝑙𝑛 𝑦1 ), (𝑙𝑛 𝑥2 , 𝑙𝑛 𝑦2 ), … , (𝑙𝑛 𝑥𝑛 , 𝑙𝑛 𝑦𝑛 )}
Entonces las ecuaciones (5.2) y (5.3) toman la forma

∑𝑛 2 𝑛 𝑛 𝑛
𝑖=1(𝑙𝑛 𝑥𝑖 ) ∑𝑖=1(𝑙𝑛 𝑦𝑖 )−∑𝑖=1(𝑙𝑛 𝑥𝑖 )(𝑙𝑛 𝑦𝑖 ) ∑𝑖=1(𝑙𝑛 𝑥𝑖 )
𝛽0 = 2
𝑛 ∑𝑛 2 𝑛
𝑖=1(𝑙𝑛 𝑥𝑖 ) −(∑𝑖=1(𝑙𝑛 𝑥𝑖 ))
𝑛 ∑𝑛 𝑛 𝑛
𝑖=1(𝑙𝑛 𝑥𝑖 )(𝑙𝑛 𝑦𝑖 )−∑𝑖=1(𝑙𝑛 𝑥𝑖 ) ∑𝑖=1(𝑙𝑛 𝑦𝑖 )
𝛽1 = 2
𝑛 ∑𝑛 2 𝑛
𝑖=1(𝑙𝑛 𝑥𝑖 ) −(∑𝑖=1(𝑙𝑛 𝑥𝑖 ))
De lo cual, encontramos una recta en dichas variables asi,
𝑙𝑛 𝑦 = 1.16355 𝑙𝑛 𝑥 − 0.4096573
Como la linealizacion se obtuvo por medio de la aplicación de la función logaritmo,

es natural pensar que para revertir el proceso apliquemos la función exponencial y
llegar a

175
𝑦 = 0.6638775𝑥1.16355
Nota 5-1 Los ejemplos anteriores muestran el proceso de linealizacion, este

proceso de manera general afirma que si se tiene una relación
𝐹(𝑥, 𝑦) = 0
La cual por medio de algún tipo de manipulación algebraica se pueda llevar a la
forma
(5.10) 𝑓1 (𝑦) = 𝛽0 + 𝛽1 𝑓2 (𝑥)
Donde 𝑓1 , 𝑓2 son en general funciones monótonas, en Ejemplo 5.5 basto tomar

𝑓1 (𝑦) = 𝑙𝑛 𝑦 y 𝑓2 (𝑥) = 𝑥, mientras en el Ejemplo 5.6 , 𝑓1 (𝑦) = 𝑙𝑛 𝑦 y 𝑓2 (𝑥) = 𝑙𝑛 𝑥.
1
Nota 5-2 En la siguiente tabla se muestran diferentes tipos de modelos; los
cuales ya estan linealizados.
Tabla 5-1.
Función 𝑦 = 𝑓(𝑥) Linealización 𝑌 = 𝐴𝑥 + 𝐵
𝐴 1
𝑦= +𝐵 𝑦 =𝐴 +𝐵
𝑥 𝑥
𝐷 −1 𝐷
𝑦= 𝑦= (𝑥𝑦) +
𝑥+𝐶 𝐶 𝐶
1 1
𝐴 =𝐴 +𝐵
𝑦= 𝑦 𝑥
𝐴𝑥 + 𝐵
𝑥 1 1
𝑦= =𝐴+ 𝐵
𝐴𝑥 + 𝐵 𝑦 𝑥
𝑦 = 𝐴𝑙𝑛(𝑥) + 𝐵 𝑦 = 𝐴𝑙𝑛(𝑥) + 𝐵
𝑦 = 𝐶𝑒 𝐴𝑥 ln(𝑦) = 𝐴𝑥 + ln(𝐶)
1
Metodos Numericos con Matlab, 3er edicion Mathews, Kurtis, Editorial Pearson

176
𝑦 = 𝐶𝑥 𝐴 ln(𝑦) = 𝐴𝑙𝑛(𝑥) + ln(𝐶)
1
𝑦 = (𝐴𝑥 + 𝐵)−2 𝑦 −2 = 𝐴𝑥 + 𝐵
𝑦
𝑦 = 𝐶𝑥𝑒 −𝐷𝑥 ln ( ) = −𝐷𝑥 + ln(𝐶)
𝑥
𝐿
𝐿 ln ( − 1) = 𝐴𝑥 + ln(𝐶)
𝑦= 𝑦
1 + 𝐶𝑒 𝐴𝑥
Nota 5-3 Hay que tener en cuenta que la recta que se está construyendo es en un
sistema de coordenadas diferente, es decir, gráficamente el proceso de
linealizacion es
Gráfica 5.3
Donde la recta que se consigue al linealizar el modelo está en el plano

𝑓1 (𝑥) 𝑣𝑠 𝑓2 (𝑦), en el caso A la recta se tiene en el plano 𝑥 𝑣𝑠 ln 𝑦 y en el caso B en
el plano ln 𝑥 𝑣𝑠 ln 𝑦.
5.2.1. Traslaciones al linealizar

177
Consideremos elEjemplo 5.5, como se trabaja con la función logaritmo, los datos
que se trabajan en la variable 𝑦 deben ser positivos (debido al dominio de la
función logaritmo), así en general, si se quiere un modelo linealizado de la forma
(5.10) se debe pedir que los valores {𝑥1 , 𝑥2 , … , 𝑥𝑛 } deben pertenecer al dominio de la
función 𝑓2 y los valores {𝑦1 , 𝑦2 , … , 𝑦𝑛 } deben pertenecer al dominio de 𝑓1 , esto en
general no se va a cumplir, por lo tanto nos toca manipular de alguna manera
dichos valores, esto se puede lograr por medio de un cambio de variables que en
general se presentan como traslaciones (aunque pueden ser contracciones).
Supongamos que la linealizacion del modelo buscado es
𝑓1 (𝑦) =∝0 +∝1 𝑓2 (𝑥)
Consideraremos el caso de dominio más común, supongamos que el dominio de 𝑓2
es (𝑎, ∞), si {𝑥1 , 𝑥2 , … , 𝑥𝑛 } ⊂ (𝑎, ∞) no hay necesidad de hacer desplazamientos,
ahora si esto no se cumple es por que min𝑖=1,2…𝑛 𝑥𝑖 < 𝑎, debemos trasladar los
datos de tal manera que se cumpla min𝑖=1,2…𝑛 𝑥𝑖 > 𝑎 con lo cual consideraremos
dos casos
Caso i Si min𝑖=1,2…𝑛 𝑥𝑖 ∈ ℤ
tomaremos un desplazamiento de la forma
ℎ = |⟦ min {𝑥𝑖 } − 𝑎⟧| + 1

𝑖=1,2,..𝑛
Caso ii Si min𝑖=1,2…𝑛 𝑥𝑖 ∉ ℤ
tomaremos un desplazamiento de la forma
ℎ = |⟦ min {𝑥𝑖 } − 𝑎⟧|

𝑖=1,2,..𝑛
y al hacer el mismo análisis para el caso del dominio de en la función 𝑓1 ,

suponiendo que es (𝑏, ∞), y que no se cumple la contenencia {𝑦1 , 𝑦2 , … , 𝑦𝑛 } ⊂ (𝑏, ∞)
tomaremos en consideración los mismos casos anteriores para el desplazamiento
los cuales son
Caso i Si min𝑖=1,2…𝑛 {𝑦𝑖 } ∈ ℤ
Tomaremos como desplazamiento
(5.11) 𝑘 = |⟦min𝑖=1,2,..𝑛 {𝑦𝑖 } − 𝑏⟧| + 1
Caso ii Si min𝑖=1,2…𝑛 {𝑦𝑖 } ∉ ℤ
Tomaremos como desplazamiento

178
𝑘 = |⟦ min {𝑦𝑖 } − 𝑏⟧|

𝑖=1,2,..𝑛
Así, los datos con los cuales se trabajara son

{(𝑥1 + ℎ, 𝑦1 + 𝑘), (𝑥2 + ℎ, 𝑦2 + 𝑘), … , (𝑥𝑛 + ℎ, 𝑦𝑛 + 𝑘)}
Y en este caso el modelo
𝑓1 (𝑦 + 𝑘) =∝0 +∝1 𝑓2 (𝑥 + ℎ)
Esto lo vamos a ilustrar en el siguiente ejemplo.
Ejemplo 5.7 Dados los siguientes datos

(1,1), (2, −3), (3, −8), (4,15), (5,30)
encuentre un modelo exponencial de la forma 𝑦 = 𝛽𝑜 𝑒 𝛽1𝑥 , por medio de regresión
lineal aplicada a la linealización de los datos.
Del Ejemplo 5.5 tenemos que la linealización es dada por

𝑙𝑛(𝑦) = 𝑙𝑛(𝛽𝑜 ) + 𝛽1 𝑥
En este caso como 𝑓1 es la función logarítmica la cual tiene por dominio (0, ∞) y
como 𝑚𝑖𝑛𝑖=1,2…𝑛 {𝑦𝑖 } ∈ ℤ utilizamos la formula en (5.11) para obtener
𝑘 = |⟦−8⟧| + 1 = 9
Y como la función 𝑓2 es la identidad la cual no tiene problemas de dominio no hay
necesidad de hacer la traslación a la variable 𝑥 por lo cual tomaremos ℎ = 0.
Así el conjunto de datos sobre el cual trabajaremos es
{(1,10), (2,6), (3,1), (4,24), (5,39) }
Los cuales están en las variables 𝑥, 𝑦 + 𝑘, por lo tanto el modelo buscado en
realidad tendrá la forma
(5.12) 𝑦 + 𝑘 = 𝛽𝑜 𝑒 𝛽1 𝑥
Es decir, la regresión lineal la pasaremos a las variables 𝑥 e 𝑙𝑛(𝑦 + 9). Es decir, el
modelo linealizado es
(5.13) 𝑙𝑛(𝑦 + 9) = 𝑙𝑛(𝛽𝑜 ) + 𝛽1 (𝑥)
Aplicando la regresión obtenemos
(5.14) 𝑙𝑛(𝑦 + 9) = 0,954717767499999 + 0,4108247467𝑥

179
Y devolviendo el proceso por medio de la exponencial (o hallando los valores de los

parámetros) y despejando 𝑦
𝑦 = 2.597937257𝑒 0.4108247467𝑥 − 9
Nota 5-4 Otra forma de llegar al modelo que puede ser conveniente en algunos
casos es comparar la ecuación (5.13) con la ecuación (5.14) a fin de formar un
sistema de ecuaciones para hallar los valores de los parámetros y luego sustituirlos
en el modelo deseado, es decir, en la ecuación (5.12), que en este caso es
ln(𝛽𝑜 ) = 0,954717767499999
.
𝛽1 = 0,4108247467
Ejemplo 5.8 Dados los siguientes datos

(1,1), (2, −3), (3, −8), (4,15), (5,30)
𝛽1
encuentre un modelo exponencial de la forma 2𝑦 = 𝛽0 √𝑥, por medio de regresión
lineal aplicada a la linealización de los datos.
Linealizando tenemos:
1
𝑦𝐿𝑛2 = 𝑙𝑛𝛽0 + 𝑙𝑛𝑥
𝛽1
𝑙𝑛𝛽0 1
𝑦= + 𝑙𝑛𝑥
𝐿𝑛2 𝛽1 𝐿𝑛2
Es decir, el modelo linealizado quedo de la forma
𝑦 ∗ = 𝛽0 ∗ + 𝛽1 ∗ 𝑥 ∗
Ese decir
𝑥 ∗ = 𝑙𝑛𝑥
𝑦∗ = 𝑦
𝑙𝑛𝛽0
(5.15) 𝛽0 ∗ =
𝐿𝑛2
1
(5.16) 𝛽1 ∗ = 𝛽
1 𝐿𝑛2
donde
∗
𝛽0 = 𝑒 𝛽0 𝑙𝑛2
1
𝛽1 =
𝑙𝑛2𝛽1 ∗

180
Las variables con las cuales se realiza la regresion son 𝑙𝑛𝑥 y 𝑦; que al
aplicarle el comando en Maple ; obtenemos el modelo linealizado
𝑦 = 15,2874893804488𝑥 − 7,63774583479679
donde
𝛽0 ∗ = −7,63774583479679
𝛽1 ∗ = 15,2874893804488
Aplicando (5.15) y (5.16) obtenemos:
𝛽0 = 0,005021221782
𝛽1 = 0,09437095949
obteniendo el modelo potencial de la siguiente manera
0,09437095949
2𝑦 = 0,005021221782 √𝑥
5.3 Minimos cuadrados vs linealización
Mostraremos la diferencia entre encontrar un modelo por medio de mínimos

cuadrados y el mismo modelo por medio de una linealización, veremos las ventajas
de uno y otro.
Ejemplo 5.9 Con los datos (𝟏, 𝟏), (𝟐, 𝟑), (𝟑, 𝟖), (𝟒, 𝟏𝟓), (𝟓, 𝟑𝟎) encontrar un modelo
exponencial aplicando mínimos cuadrados y aplicando regresión lineal a los
datos linealizados, escoger el mejor modelo.
Como ya se vio en Ejemplo 5.4 el modelo aplicando mínimos cuadrados es
𝑦 = 0,8775305761 𝑒 0,7071637087𝑥
Y en el Ejemplo 5.5 se tiene el modelo por linealización
𝑦 = 0,5137135215𝑒 0,8411832676𝑥
Falta ahora ver cuál es el “mejor” modelo. Veamos gráficamente los dos modelos
Gráfica 5.4

181
donde el modelo por mínimos cuadrados es la curva roja y el modelo por medio de
linealizacion es la curva azul.
Observamos que las dos aproximaciones, relativamente, son “buenas” ya que las
gráficas son muy cercanas, sin embargo esto no es un criterio decisivo, por lo tanto
debemos buscar otra forma de comparar las dos gráficas, para esto recurrimos a la
teoría propia que hemos construido y es natural pensar en compararlas por medio
de los errores cuadráticos, en realidad por la raiz de este, que es la medida
euclideana del vector formado por los residuos, para esto, hallemos primero el error
cuadratico que en el caso del modelo por minimos cuadrados es
(5.17) 𝐸𝑐 (𝛽0 , 𝛽1 ) = ∑5𝑖=1( 𝑦𝑖 − (0,8775305761𝑒 0,7071637087𝑥𝑖 ))2 = 1,47692202
Por lo cual la medida del vector de los residuos es 1,2152868.
Y en el caso del modelo linealizado tenemos

5
𝐸𝑐 (𝛽0 , 𝛽1 ) = ∑( 𝑦𝑖 − (0,5137135215𝑒 0,8411832676𝑥𝑖 ))2

𝑖=1
= 22,54887986
Por lo cual la medida del vector de los residuos es 4,74856608.

182
Por lo tanto el modelo que más se aproxima a los datos en el sentido de mínimos
cuadrados es el dado en la ecuación (5.17)
Nota 5-5 El modelo por mínimos cuadrados siempre es mejor que el modelo
linealizado, es decir, al realizar el proceso de linealización se aumenta el error en el
modelo, el cual es dado por el error cuadrático.
Nota 5-6 La curva encontrada por medio de mínimos cuadrados es difícil de
encontrar dada la dificultad al resolver el sistema de ecuaciones, es más, para un
gran número de datos puede llegar a ser imposible con la tecnología que contamos
actualmente, esta es la principal razón por la que es tan usado el método de
linealización.
Nota 5-7 Un error común en algunos autores es decir que el modelo presentado en
la linealización es “el modelo que más se ajusta a los datos en el sentido de
mínimos cuadrados” lo cual es falso.
5.4 Interpolación polinomial
Siguiendo en la búsqueda de modelos que puedan explicar el comportamiento de

algún conjunto de datos y a diferencia de los mínimos cuadrados que buscaban una
función que se aproximara a un conjunto de datos, en esta parte buscaremos un
modelo que pase exactamente por dichos datos, esto nos permitirá la construcción
de nuevos datos partiendo de los ya conocidos, lo que busca la interpolación es a
partir de un conjunto de datos {(𝑥0 , 𝑦0 ), (𝑥1 , 𝑦1 ), … , (𝑥𝑛 , 𝑦𝑛 )} encontrar una función 𝑓
que satisfaga la condición 𝑓(𝑥𝑖 ) = 𝑦𝑖 , antes de empezar esta búsqueda, al igual que
en mínimos cuadrados debemos primero fijar una forma particular del modelo, esta
forma se busca dependiendo del comportamiento de los datos y de que queremos
hacer con dicho modelo, por ejemplo, si buscamos estos para añadir este modelo a
una ecuación diferencial, pediremos que este modelo al menos sea continuo (o
porque no, diferenciable), si el modelo lo queremos para analizar una onda y
estudiar sus propiedades sería bueno que este dado en forma de senos y cosenos,
si el comportamiento delos datos sugiere un crecimiento rápido se puede pensar en
un modelo logarítmico, la interpolación que vamos a considerar en esta parte

183
tomaremos los modelos que son más “fáciles” para nosotros, los polinomios, así la
interpolación que trabajaremos es una interpolación polinomial, es decir,
buscaremos una función polinomial que pase exactamente por los datos.
Si consideramos un conjunto de datos {(𝑥0 , 𝑦0 ), (𝑥1 , 𝑦1 ), … , (𝑥𝑛 , 𝑦𝑛 )} existen muchos

(infinitos) polinomios que pasan por estos datos, no es interesante desde este punto
de vista la interpolación, en este caso buscaremos un polinomio de grado lo menor
posible lo que facilita el estudio del modelo, este polinomio de menor grado
resultara ser único como consecuencia del teorema fundamental del algebra, el
teorema será presentado a continuación sin demostración (para ver una
demostración ver (NAKAMURA, 1992) (Bulirsch, 1993)).
Teorema 5-1 (Existencia y unicidad del polinomio interpolador) Dado un conjunto de

datos diferentes {(𝒙𝟎 , 𝒚𝟎 ), (𝒙𝟏 , 𝒚𝟏 ), … , (𝒙𝒏 , 𝒚𝒏 )} que se comporten de manera
funcional, es decir, 𝒙𝒊 ≠ 𝒙𝒋 para 𝒊 ≠ 𝒋, existe un único polinomio 𝒑(𝒙) de grado
menor o igual que 𝒏 que interpola dichos valores, es decir, 𝒑(𝒙𝒊 ) = 𝒚𝒊 para 𝒊 =
𝟎, 𝟏, … , 𝒏.
Gracias al teorema anterior, podemos asegurar que sin importar el método usado
para hallar el polinomio de interpolación siempre llegaremos al mismo, en esta
sección estudiaremos tres formas diferentes de hallar el polinomio de interpolación,
sin embargo, cada una de ellas presenta una forma diferente de escribir el
polinomio y gracias a esto pueden notarse ventajas y desventajas de unas sobre las
otras dependiendo lo que se quiera hacer con el polinomio de interpolación.
Comenzaremos con el método de Newton el cual a nuestro modo de ver es el que

presenta mayor numero de ventajas hablando numéricamente, sin embargo, antes
de esto necesitamos cierta preparación preliminar.
Ahora comenzaremos a construir el andamiaje necesario para la construcción de

nuestro tema de interpolación; que son las diferencias Finitas.
Las diferencias finitas se caracterizan por ser una primera aproximación al concepto
de derivada, trataremos de aproximar el comportamiento de la derivada en un

184
punto, con respecto a los demás puntos, trataremos primero las diferencias finitas
ordinarias y luego las diferencias finitas divididas, las cuales nos darán la
introducción a los polinomios interpolantes de Newton.
5.4.1. Diferencias finitas
En esta sección desarrollamos los conceptos básicos de las diferencias finitas, ellas
simplemente buscan aproximar el “crecimiento” de una función en algún punto o en
algún conjunto de puntos, consideremos inicialmente la función 𝑓: ℝ → ℝ, y
consideremos un conjunto indexado finito de números reales 𝑋 = {𝑥0 , 𝑥1 , … , 𝑥𝑛 }; por
comodidad lo consideraremos ordenado,es decir 𝑥0 < 𝑥1< … , < 𝑥𝑛 , con lo cual se
puede considerar una partición sobre el intervalo (𝑥0 , 𝑥𝑛 ); en general no
necesariamente tiene que ser ordenado, lo único es que toma la partición de la
forma (𝑚, 𝑀) donde 𝑚 = min 𝑥𝑘 y 𝑀 = Max 𝑥𝑘 lo que trataremos ahora de
aproximar es que tanto crece la función 𝑓en un punto 𝑥𝑘 𝜖𝑋; para lograrlo, tenemos
tres posibilidades que son considerar el crecimiento hacia adelante , hacia atrás y
centrada, como lo observamos en la siguiente grafica (Bulirsch, 1993)
Gráfica 5.5
𝑓(𝑥𝑘+1 )
⃗ 𝑓(𝑥𝑘 )
∆
𝑓(𝑥𝑘 )
𝑥
𝑥𝑘 𝑥𝑘+1
5.4.1.1. ⃗
Diferencias Finitas Hacia Adelante ∆
Consideremos el punto 𝑥𝑘 𝜖𝑋, definiremos la Diferencia Finita hacia Delante de la

función 𝑓 en el punto 𝑥𝑘 𝜖𝑋 como el crecimiento que ocurre en la función, es decir, la
diferencia de la imagen del punto siguiente 𝑥𝑘 y la imagen de la función en 𝑥𝑘 ,
quedando notado de la forma
⃗ 𝑓 (𝑥𝑘 ) = 𝑓(𝑥𝑘+1 ) − 𝑓 (𝑥𝑘 )
∆
Notemos que para que esta expresión tenga sentido es necesario contener en X el
punto siguiente de 𝑥𝑛 , con lo cual queda imposible calcular dicha diferencia en 𝑥𝑛 ,
asi los puntos sobre los cuales la expresión tienen sentido son los 𝑥𝑘 . Con 𝑘 =
0,1, … . . , 𝑛 − 1. Esto motiva a definir el dominio sobre el cual esta definido el
operador ∆ ⃗ , lo cual notamos por

185
⃗ 𝑓) = {𝑥𝑘 |𝑘 = 0, 1, 2, … , 𝑛 − 1 }
(5.18) 𝐷𝑜𝑚𝑋 (∆
𝒌
Ejemplo 5.10 Sea 𝒇(𝒙) = 𝒙𝟐 y el conjunto 𝑿 = {𝒙𝟎 , 𝒙𝟏 , … , 𝒙𝟓 }, donde 𝒙𝒌 = 𝟓, para 𝒌 =
⃗ 𝒇) y sus diferencias.
𝟎, 𝟏, … , 𝟓 y calcular 𝑫𝒐𝒎𝑿 (∆
Identificando el conjunto sobre el cual podemos calcular la diferencia;utilizando
(5.18) tenemos que son los puntos son {𝑥0 , 𝑥1 , … , 𝑥4 }
Con lo cual 𝐷𝑜𝑚𝑋 (∆⃗ 𝑓) = {𝑥𝑘 /𝑘 = 0,1,2,3,4}, generándose la siguiente tabla
Tabla 5-2.
𝑘 𝑥𝑘 𝑓(𝑥𝑘 ) ⃗ 𝑓(𝑥𝑘 )
∆
0 𝑥0 𝑓(𝑥0 ) ⃗ 𝑓(𝑥0 ) = 𝑓(𝑥1 ) − 𝑓(𝑥0 )
∆
1 𝑥1 𝑓(𝑥1 ) ⃗ 𝑓(𝑥1 ) = 𝑓(𝑥2 ) − 𝑓(𝑥1 )
∆
2 𝑥2 𝑓(𝑥2 ) ⃗ 𝑓(𝑥2 ) = 𝑓(𝑥3 ) − 𝑓(𝑥2 )
∆
3 𝑥3 𝑓(𝑥3 ) ∆⃗ 𝑓(𝑥3 ) = 𝑓(𝑥4 ) − 𝑓(𝑥3. )
4 𝑥4 𝑓(𝑥4 ) ⃗ 𝑓(𝑥4 ) = 𝑓(𝑥5 ) − 𝑓(𝑥4 )
∆
5 𝑥5 𝑓(𝑥5 ) ----------------------
Sustituyendo nuestros valores obtenemos
Tabla 5-3.
∆
0 0 0 0.04
1 0.2 0.04 0.12
2 0.4 0.16 0.20
3 0.6 0.36 0.28
4 0.8 0.64 0.36
5 1.0 1 ----------------------
Ejemplo 5.11
Supongamos que se quiere considerar unicamente la distancia entre los valores en

X, para el esto basta tomar la función identidad; es decir 𝑰(𝒙) = 𝒙 y de esta manera
se define
⃗⃗⃗ 𝐼(𝑥𝑘 ) = 𝑥𝑘+1 − 𝑥𝑘
∆
que por comodidad sera denotado por

⃗⃗⃗
∆ 𝑥𝑘 = 𝑥𝑘+1 − 𝑥𝑘

186
En el siguiente ejemplo observaremos problemas que se pueden presentar debido a

la relacion entre el dominio de la funcion y el dominio de las diferencias
𝟒𝒌 𝒌
Ejemplo 5.12 Consideramos los puntos 𝑿 = {𝒙𝟎 , 𝒙𝟏 , … , 𝒙𝟖 }, con 𝒙𝒌 = −𝟐 + = −𝟐 + 𝟐;
𝟖
encuentre las primeras diferencias finitas hacia delante en los puntos del
⃗ 𝒇), donde 𝒇(𝒙) = √𝒙.
𝑫𝒐𝒎𝑿 (∆
Al determinar el dominio de acuerdo a (5.18) tenemos
⃗ 𝑓) = {𝑥𝑘 |𝑘 = 0, 1, 2, … ,7 }
𝐷𝑜𝑚𝑋 (∆
Sin embargo cuando tratamos de calcular la tabla de las primeras diferencias,

tenemos:
Tabla 5-4.
𝑘 𝑥𝑘 𝑓(𝑥𝑘 ) ⃗ 𝑓)
(∆
0 -2.0 ---------------------- ----------------------
1 -1.5 ---------------------- ----------------------
2 -1.0 ---------------------- ----------------------
3 -0.5 ---------------------- ----------------------
4 0.0 0 √0.5
5 0.5 √0.5 1-√0.5
6 1.0 1 √1.5 − 1
7 1.5 √1.5 √2 − √1.5
8 2.0 √2 ----------------------
Al observar esto notamos que el verdadero dominio sobre el cual se se calculo la

primera diferencia es
⃗ 𝑓) = {𝑥4 , 𝑥5 , 𝑥6 , 𝑥7 }
Esto se debe en realidad a que los puntos {𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 } no pertenecen al dominio

de la función 𝑓, para evitar este tipo de situaciones, de ahora en adelante
consideremos el conjunto 𝑋 contenido en el dominio de la función 𝑓; asi, pediremos:
⃗ 𝑓)
𝑋 ⊂ 𝐷𝑜𝑚𝑋 (∆
Consideremos otro ejemplo que ilustra esta situación.

187
Ejemplo 5.13 Sea 𝒇(𝒙) = √𝒄𝒐𝒔𝒙 consideremos los puntos 𝒙𝒌 como una partición
equivalente de 6 puntos sobre el intervalo [−𝟐 , 𝟐] encuentre las primeras
diferencias finitas hacia.(Ver Ejercicio 5-9)
De los ejemplos anteriores hemos visto que se hace necesario tomar el conjunto
𝑋 ⊂ 𝐷𝑜𝑚𝑋 (∆⃗ 𝑓), sin embargo, como buscamos utilizar las diferencias para mirar el
crecimiento de una función de un punto a otro , el siguiente ejemplo ilustra que
dicha condición no es suficiente.
Ejemplo 5.14 Consideremos la función 𝒇 dada por la siguiente grafica
Gráfica 5.6
𝑥0 𝑥1 𝑥2 𝑥3 𝑥4 𝑥5
Y a partir de ella tomamos la función 𝑔(𝑥) dada por
𝑔(𝑥) = √𝑓(𝑥)
Al calcular la tabla de primeras diferencias finitas para el conjunto 𝑋 = {𝑥𝑘 |𝑘 =

0, … ,5 }, notemos que si es posible calcular toda la tabla sobre el dominio de las
diferencias finitas hacia adelante, es decir
⃗ 𝑓) = {𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 }

188
Sin embargo la única diferencia que realmente mide el cambio en la función es

⃗ 𝑓(𝑥1 ) dado que en las otros puntos, por ejemplo, la función no esta definida
∆
completamente en dichos intervalos o puede pasar por asíntotas verticales, por esta
razon cuando trabajamos con una función sobre un conjunto 𝑋 y además que
⃗ 𝑓)
[𝑎, 𝑏] ⊂ 𝐷𝑜𝑚𝑋 (∆
Y que se cumpla que 𝑓 sea continua en [𝑎, 𝑏]

⃗ sobre el conjunto X; en una función 𝑓 puede
La diferencia finita hacia adelante ∆
ser visto como un operador sobre las imágenes de 𝑓, es decir,
⃗ 𝑓)}
{𝑓(𝑥)/𝑥𝑘 ∈ 𝐷𝑜𝑚𝑋 (∆
El cual cumple las propiedades de linealidad , como se muestra a continuación
⃗⃗⃗⃗ ∝ 𝑓(𝑥𝑘 )) =∝ ∆
∆( ⃗ 𝑓(𝑥𝑘 )
⃗⃗⃗⃗ (𝑓 + 𝑔)(𝑥𝑘 )) = ∆
∆( ⃗ (𝑓(𝑥𝑘 ) + 𝑔(𝑥𝑘 )) = ∆
⃗ 𝑓(𝑥𝑘 ) + ∆
⃗ 𝑔(𝑥𝑘 )
Donde ∝ es un escalar y ∝ 𝑓 y 𝑓 + 𝑔 son las operaciones usuales entre funciones.
Visto ahora como un operador, tiene sentido pensar en aplicarlo sobre el mismo, y
asi definir una segunda diferencia finita hacia adelante como
⃗ 2 𝑓( 𝑥𝑘 ) = ∆
∆ ⃗ (∆
⃗ 𝑓(𝑥𝑘 ))
Aplicando la linealidad del operador, tenemos
⃗ 2 𝑓(𝑥𝑘 ) = ∆
∆ ⃗ (∆
⃗ 𝑓(𝑥𝑘 )) = ∆
⃗ (𝑓(𝑥𝑘+1 ) − 𝑓(𝑥𝑘 ))
⃗⃗⃗⃗ (𝑥𝑘+1 ) − ∆
= ∆𝑓 ⃗ 𝑓( 𝑥𝑘 )
=𝑓(𝑥𝑘+2 ) − 2𝑓(𝑥𝑘+1 ) + 𝑓(𝑥𝑘 )
Análogamente podemos mostrar que
⃗ 3 𝑓(𝑥𝑘 ) = 𝑓(𝑥𝑘+3 ) − 3𝑓(𝑥𝑘+2 ) + 3𝑓(𝑥𝑘+1 ) − 𝑓(𝑥𝑘 )

∆
Observando la igualdad anterior podemos observar que aparecen los signos

intercalados, además de la presencia de los coeficientes del binomio de newton
(triangulo de pascal).

189
Un argumento inductivo muestra que

𝑚
𝑚
⃗ 𝑓( 𝑥𝑘 ) = ∑(−1)𝑖 ( ) 𝑓(𝑥𝑘+𝑚−𝑖 )
∆𝑚
𝑖
𝑖=0
Esta manera de escribirlo no debería presentar inconvenientes, sin embargo, una

forma mas grafica se puede ver en el triangulo de pascal
Ejemplo 5.15 Calcular la formula para la quinta diferencia finita sobre el punto 𝑥𝑘 para 𝑓, es
⃗ 5 𝑓(𝑥𝑘 )
decir, ∆
Para esto primero calculemos los coeficientes del binomio de newton para la quinta
fila es el triángulo de pascal
1
1 2 1
1 3 3 1
1 4 6 4 1
Quinta fila  1 5 10 10 5 1
Notemos que la quinta fila 𝑘 tiene 6 coeficientes, por lo cual necesitaremos 6

puntos partiendo 𝑥𝑘 y tomándolos hacia adelante, así,
𝑥𝑘 𝑥𝑘+1 𝑥𝑘+2 𝑥𝑘+3 𝑥𝑘+4 𝑥𝑘+5
Los tomaremos de derecha a izquierda, evaluandola función en cada uno de

ellos,imponemos los coeficientes del triangulo de Pascal e intercalamos los signos
comennsando por positivo; asi
𝑓(𝑥𝑘 ) 𝑓(𝑥𝑘+1 ) 𝑓(𝑥𝑘+2 ) 𝑓(𝑥𝑘+3 ) 𝑓(𝑥𝑘4 ) 𝑓(𝑥𝑘+5 )

− + − + − +
1 5 10 10 5 1
Y al hacer la combinación lineal
⃗ 5 𝑓(𝑥𝑘 ) = 𝑓(𝑥𝑘+5 ) − 5𝑓(𝑥𝑘+4 ) + 10 𝑓(𝑥𝑘+3 ) − 10𝑓(𝑥𝑘+2 ) + 5 𝑓(𝑥𝑘+1 ) − 𝑓(𝑥𝑘 )

∆
Notemos que al igual que las diferencias finitas de primer orden, la 𝑚 − é𝑠𝑖𝑚𝑎
diferencia finita hacia adelante no es posible calcularla en todos los puntos del
⃗ 𝑚 𝑓(𝑥𝑘 ), necesitamos 𝑚
conjunto 𝑋 = {𝑥0 , 𝑥1 , … , 𝑥𝑛 }, ya que si se quiere calcular ∆
puntos delante de 𝑥𝑘 , por lo tanto el dominio sobre el cual se puede calcular las
diferencias son
⃗ 𝑚 𝑓) = {𝑥0 , 𝑥1 , … , 𝑥𝑛−𝑚 }
siempre y cuando 𝑚 ≥ 𝑛

190
Ejemplo 5.16 Sea 𝑋 una partición equidistante del intervalo [0,4], con un tamaño de salto
dado de ℎ = 0.5, es decir 𝑥𝑘 = 𝑘ℎ, para 𝑥 = {0,1, … ,8}, dado 𝑓(𝑥) = 𝑥 2 ,
⃗ 4 𝑓(𝑥3 ).
calcular ∆
Aplicando la formula anterior tenemos
⃗ 4 𝑓(𝑥𝑘 ) = 𝑓(𝑥𝑘+4 ) − 4𝑓(𝑥𝑘+3 ) + 6𝑓(𝑥𝑘+2 ) − 4𝑓(𝑥𝑘+1 ) + 𝑓(𝑥𝑘 )

∆
Sin embargo; si se quieren calcular varias diferencias a la vez, este proceso es muy
engorroso, existe una forma un poco mas sencilla de implementarlo de forma
tabular, la cual usa la recurrencia implícita en la diferencias, es decir,
⃗ 𝑚 𝑓(𝑥𝑘 ) = ∆
(5.19) ∆ ⃗ 𝑚−1 (∆
⃗ 𝑓(𝑥𝑘 )) = ∆
⃗ 𝑚−1 (𝑓(𝑥𝑘+1 ) − 𝑓(𝑥𝑘 )) =
⃗ 𝑚−1 (𝑓(𝑥𝑘+1 )) − ∆
∆ ⃗ 𝑚−1 𝑓(𝑥𝑘 )
Definiremos la tabla de las primeras diferencias finitas hacia delante de la siguiente

manera
Tabla 5-5.
∆
0 𝑥0 𝑓(𝑥0 ) ⃗ 𝑓(𝑥0 ) = 𝑓(𝑥1 ) − 𝑓(𝑥0 )
∆
1 𝑥1 𝑓(𝑥1 ) ⃗ 𝑓(𝑥1 ) = 𝑓(𝑥2 ) − 𝑓(𝑥1 )
∆
⋮ ⋮ ⋮ ⋮
𝑛 − 2 𝑥𝑛−2 𝑓(𝑥𝑛−2 ) ⃗ 𝑓(𝑥𝑛−2 ) = 𝑓(𝑥𝑛−1 ) − 𝑓(𝑥𝑛−2 )
∆
𝑛 − 1 𝑥𝑛−1 𝑓(𝑥𝑛−1 ) ⃗ 𝑓(𝑥𝑛−1 ) = 𝑓(𝑥𝑛 ) − 𝑓(𝑥𝑛−1 )
∆
𝑛 𝑥𝑛 𝑓(𝑥𝑛 ) −−−−−−−−−−
Sobre esta misma estructura utilizaremos la recurrencia de (5.19) para calcular las
segundas diferencias finitas, obteniendo
Tabla 5-6.
∆ ⃗ 2 𝑓(𝑥𝑘 )
∆
0 𝑥0 𝑓(𝑥0 ) ⃗ 𝑓(𝑥0 )
∆ ⃗ 2 𝑓(𝑥0 ) = ∆
∆ ⃗ 𝑓(𝑥1 ) − ∆
⃗ 𝑓(𝑥0 )
1 𝑥1 𝑓(𝑥1 ) ⃗ 𝑓(𝑥1 )
∆ ⃗ 2 𝑓(𝑥1 ) = ∆
∆ ⃗ 𝑓(𝑥2 ) − ∆
⃗ 𝑓(𝑥1 )
⋮ ⋮ ⋮ ⋮ ⋮
𝑛 𝑥𝑛−2 𝑓(𝑥𝑛−2 ) ⃗∆𝑓(𝑥𝑛−2 ) ⃗∆2 𝑓(𝑥𝑛−2 ) = ∆ ⃗ 𝑓(𝑥𝑛−1 ) − ∆ ⃗ 𝑓(𝑥𝑛−2 )
−2
𝑛 𝑥𝑛−1 𝑓(𝑥𝑛−1 ) ⃗ 𝑓(𝑥𝑛−1 )
∆ ----------------------------------------------
−1
𝑛 𝑥𝑛 𝑓(𝑥𝑛 ) --------------------- ----------------------------------------------

191
Y asi sucesivamente, hasta llegar al orden que queremos, obteniendo
Tabla 5-7.
∆ ⋯ ∆⃗ 𝑛−2 𝑓(𝑥𝑘 ) ⃗ 𝑛−1 𝑓(𝑥𝑘 )
∆ ⃗ 𝑛 𝑓(𝑥𝑘 )
∆
⃗ 𝑛−2 𝑓(𝑥0 ) =
∆ ⃗ 𝑛−1 𝑓(𝑥0 ) =
∆ ∆⃗ 𝑛 𝑓(𝑥0 ) =
0 𝑥0 𝑓(𝑥0 ) ⃗ 𝑓(𝑥0 )
∆ ⋯ ∆⃗ 𝑛−3 𝑓(𝑥1 ) ⃗ 𝑛−2 𝑓(𝑥1 )
∆ ⃗ 𝑛−1 𝑓(𝑥1 )
∆
−∆ ⃗ 𝑛−3 𝑓(𝑥0 ) −∆ ⃗ 𝑛−2 𝑓(𝑥0 ) −∆ ⃗ 𝑛−1 𝑓(𝑥0 )
⃗ 𝑛−2 𝑓(𝑥1 ) =
∆ ⃗ 𝑛−1 𝑓(𝑥1 ) =
∆
1 𝑥1 𝑓(𝑥1 ) ⃗ 𝑓(𝑥1 )
∆ ⋯ ∆⃗ 𝑛−3 𝑓(𝑥2 ) ⃗ 𝑛−2 𝑓(𝑥2 )
∆ -------------------
−∆ ⃗ 𝑛−3 𝑓(𝑥1 ) −∆ ⃗ 𝑛−2 𝑓(𝑥1 )
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ -------------------- ⋮
𝑛−2 𝑥𝑛−2 ⃗ 𝑓(𝑥𝑛−2 ) ⋯
𝑓(𝑥𝑛−2 ) ∆ --------------------- ------------------- ---------------------
𝑛−1 𝑥𝑛−1 ⃗ 𝑓(𝑥𝑛−1 ) --

𝑓(𝑥𝑛−1 ) ∆ -------------------- ------------------- ---------------------
--
--
𝑛 𝑥𝑛 𝑓(𝑥𝑛 ) --------- -------------------- ------------------- ---------------------
--
A continuación relacionaremos algunos ejemplos donde aplicamos la tabla anterior.

Ejemplo 5.17 Hallar la tabla de diferencias finitas correspondiente a 5 datos.
Utilizando la Tabla 5-7 tenemos, para 𝑛 = 4:
Tabla 5-8.
𝑘 𝑥𝑘 𝑓(𝑥𝑘 ) ∆
⃗ 𝑓(𝑥𝑘 ) ⃗ 2 𝑓(𝑥𝑘 ) ∆
∆ ⃗ 3 𝑓(𝑥𝑘 ) ∆
⃗ 4 𝑓(𝑥𝑘 )
0 -2 -5 4 -2,5 1,7 0,2
1 -1 -1 1,5 -0,8 1,9 -----
2 0 0,5 0,7 1,1 ----- -----
3 2 1,2 1,8 -------- ----- -----
4 5 3 ------ -------- ----- -----
En adelante hablaremos de la tabla completa de las diferencias finitas hacia

adelante; si para un conjunto {𝒙𝟎 , 𝒙𝟏 , … , 𝒙𝒏 },l se calcula cada diferencia en su
dominio hasta la diferencia de orden 𝒏.
Ejemplo 5.18 Consideremos la función 𝑓(𝑥) = 𝑠𝑒𝑛(𝑥) y tomemos una partición de cinco
puntos sobre el intervalo [0,1], es decir sea {𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 }, con 𝑥𝑘 = 0 +
1−0 𝑘
𝑘= , escriba la tabla completa de las diferencias finitas hacia adelante.
4 4
Para la Solución Ver Ejercicio 5-10

192
Definición 5-1 Sea 𝑋 = {x0 , x1 , … , xn } y sea 𝑓: ℝ → ℝ, la tabla completa de

diferencias finitas hacia delante se dice perfecta si:
⃗ 𝑛 𝑓(𝑥0 ) = 0
∆
Sea 𝑋 una partición equidistante del intervalo [0,4], con un tamaño de salto dado de
ℎ = 0.5, es decir 𝑥𝑘 = 𝑘ℎ, para 𝑥 = {0,1, … ,4}, dado 𝑓(𝑥) = 𝑥 3 , calcularla tabla
completa de diferencias finitas.
Tabla 5-9.
𝑘 𝑥𝑘 𝑓(𝑥𝑘 ) ⃗ 𝑓(𝑥𝑘 ) ∆
∆ ⃗ 2 𝑓(𝑥𝑘 ) ∆
⃗ 3 𝑓(𝑥𝑘 ) ∆
⃗ 4 𝑓(𝑥𝑘 ) ∆
⃗ 5 𝑓(𝑥𝑘 ) ∆
⃗ 6 𝑓(𝑥𝑘 ) ∆
⃗ 7 𝑓(𝑥𝑘 ) ∆
⃗ 8 𝑓(𝑥𝑘 )
0 0,0 0,000 0,1250 0,75 0,75 0 0 0 0 0
1 0,5 0,125 0,8750 1,50 0,75 0 0 0 0 -------
2 1,0 1,000 2,3750 2,25 0,75 0 0 0 ------- -------
3 1,5 3,375 4,6250 3,00 0,75 0 0 ------- ------- -------
4 2,0 8,000 7,6250 3,75 0,75 0 ------- ------- ------- -------
5 2,5 15,625 11,375 4,50 0,75 ------- ------- ------- ------- -------
6 3,0 27,000 15,875 5,25 ------- ------- ------- ------- ------- -------
7 3,5 42,875 21,125 ------- ------- ------- ------- ------- ------- -------
8 4,0 64,000 --------- ------- ------- ------- ------- ------- ------- -------
Esta tabla es perfecta, en esta tabla la columna de los valores iguales aparece por
primera vez en la columna ∆ ⃗ 𝟑 𝒇(𝒙𝟎 ) con lo cual las diferencias finitas de orden
superior a 4 todas son cero, este es un caso particular de las tablas perfectas que
en este caso diremos que es una tabla perfecta grado 3 y en general definimos.
Definición 5-2 Sea 𝑋 = {x0 , x1 , … , xn } y sea 𝑓: ℝ → ℝ, la tabla completa de

diferencias finitas hacia adelante, se dice que es perfecta de grado m si y solo si
⃗ 𝑙 𝑓(𝑥𝑘𝑙 ) = 0 para todo 𝑙 > 𝑚 y todo 𝑥𝑘𝑙 ∈ 𝐷𝑜𝑚𝑋 (∆
∆ ⃗ 𝑙 𝑓) , donde se cumple que
𝑚 ≤𝑛−1
Asi una tabla es perfecta de grado 𝒎 si es de la forma
Tabla 5-10.
∆ ⋯ ⃗ 𝑚−1 𝑓(𝑥𝑘 )
∆ ⃗ 𝑚 𝑓(𝑥𝑘 )
∆ ⋯ ⃗ 𝑛 𝑓(𝑥𝑘 )
∆
0 𝑥0 𝑓(𝑥0 ) ⃗ 𝑓(𝑥0 )
∆ ⋯ ⃗ 𝑚−1 𝑓(𝑥0 )
∆ 0 ⋯ 0
1 𝑥1 𝑓(𝑥1 ) ⃗ 𝑓(𝑥1 )
∆ ⋯ ⃗ 𝑚−1 𝑓(𝑥1 )
∆ 0 ⋯ --------
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
𝑛−2 𝑥𝑛−2 ⃗ 𝑓(𝑥𝑛−2 )
𝑓(𝑥𝑛−2 ) ∆ ⋯ ---------------- -------- ⋯ --------

193
𝑛−1 𝑥𝑛−1 ⃗ 𝑓(𝑥𝑛−1 ) ---- ----------------

𝑓(𝑥𝑛−1 ) ∆ -------- ------ --------
-
----------------
𝑛 𝑥𝑛 𝑓(𝑥𝑛 ) --------- ---- -------- ------ --------
-
Al igual que definimos las diferencias finitas hacia delante se puede pensar en
hacer unas diferencias finitas hacia atrás y repetir toda nuestra teoria, el proceso
para llegar a estas es analogo al anterior.
5.4.1.2. ⃖⃗⃗
Diferencias Finitas Hacia Atras ∆
Definiremos la diferencia finita hacia atrasde la funcion 𝑓 en el punto 𝑥𝑘 ∈ 𝑋, como
la variacion que ocurre entre las imagnes de la funcion en el punto 𝑥𝑘 y en el punto
de atrás de 𝑥𝑘 ,es decir 𝑥𝑘−1 , y lo denotaremos
⃖⃗⃗𝑓 (𝑥𝑘 ) = 𝑓(𝑥𝑘 ) − 𝑓 (𝑥𝑘−1 )

∆
Para 𝑘 = 1,2, … … . . 𝑛
Y al igual que en el caso de las diferencias finitas hacia delante, tiene sentido
considerar el dominio sobre el cual se puede calcular, el cual sera notado y dado
por
⃖⃗ 𝑓) = {𝑥𝑘 |𝑘 = 1, 2, … , 𝑛 }
En el caso análogo
⃖⃗⃗ 𝐼(𝑥𝑘 ) = 𝑥𝑘 − 𝑥𝑘−1
∆
⃖⃗⃗ 𝑥𝑘 = 𝑥𝑘 − 𝑥𝑘−1
∆
𝑚
𝑚 𝑚
⃖⃗ 𝑓( 𝑥𝑘 ) = ∑(−1)𝑖 ( ) 𝑓(𝑥𝑘−𝑖 )
∆
𝑖
𝑖=0
Junto con su dominio
𝑚
⃖⃗⃗ 𝑓) = {𝑥𝑘 |𝑘 = 𝑚, 𝑚 + 1, … , 𝑛 }
(5.20) 𝐷𝑜𝑚𝑋 (∆

194
Para calcular las diferencias hacia atras, para el conjunto ordenado 𝑋 =

{x0 , x1 , … , xn } es de la forma, como se ilustra en la siguiente tabla
Tabla 5-11.
⃖⃗ 𝑓(𝑥𝑘 ) ⋯ ⃖⃗ 𝑛−2 𝑓(𝑥𝑘 )
∆ ⃖⃗ 𝑛−1 𝑓(𝑥𝑘 )
∆ ⃖⃗ 𝑛 𝑓(𝑥𝑘 )
∆
-------
0 𝑥0 𝑓(𝑥0 ) ⋯ ------------------- -----------------
--
1 𝑥1 ⃖⃗ 𝑓(𝑥1 )
𝑓(𝑥1 ) ∆ ⋯ ------------------- ---------------------- ---------------------
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⃖⃗ 𝑓(𝑥𝑛−2 )
∆ 𝑛−2
⃖⃗ 𝑛−1 𝑓(𝑥𝑛−2 ) =
∆
𝑛 =
𝑥𝑛−2 ⃖⃗⃗𝑓(𝑥𝑛−2 )⋯ 𝑛−3
𝑓(𝑥𝑛−2 )∆ ⃖⃗⃗𝑛−2 𝑓(𝑥𝑛−2 )
∆ ---------------------
−2 ⃖⃗
⃗
∆ 𝑓(𝑥𝑛−3 )
−∆ ⃖⃗ 𝑛−2 𝑓(𝑥𝑛−3 )
−∆ ⃖⃗ 𝑛−3 𝑓(𝑥𝑛−2 )
⃖⃗⃗𝑛−2 𝑓(𝑥𝑛−1 )
∆ ⃖⃗⃗𝑛−1 𝑓(𝑥𝑛−1 ) =
∆
𝑛 =
𝑥𝑛−1 ⃖⃗⃗𝑓(𝑥𝑛−1 )--
𝑓(𝑥𝑛−1 )∆ ⃖⃗⃗𝑛−2 𝑓(𝑥𝑛−1 )
∆ ---------------------
−1 ⃖ ⃗
- ∆𝑛−3 𝑓(𝑥𝑛−2 )
−∆ ⃖⃗⃗𝑛−2 𝑓(𝑥𝑛−2 )
−∆ ⃖⃗ 𝑛−3 𝑓(𝑥𝑛−1 )
⃖⃗ 𝑛−2 𝑓(𝑥𝑛 ) =
∆ ⃖⃗ 𝑛−1 𝑓(𝑥𝑛 ) =
∆ ⃖⃗ 𝑛 𝑓(𝑥𝑛 ) =
∆
⃖⃗ 𝑓(𝑥𝑛 ) -- ⃖⃗ 𝑛−3 ⃖⃗ 𝑛−2 𝑓(𝑥𝑛 ) ⃖⃗ 𝑛−1 𝑓(𝑥𝑛 )
𝑛 𝑥𝑛 𝑓(𝑥𝑛 ) ∆ )
- ∆ 𝑓(𝑥𝑛 ∆ ∆
−∆ ⃖⃗⃗ 𝑓(𝑥𝑛−1 )
𝑛−3
−∆ ⃖⃗⃗𝑛−2 𝑓(𝑥𝑛−1 ) −∆ ⃖⃗⃗𝑛−1 𝑓(𝑥𝑛−1 )
𝑘
Ejemplo 5.19 Sea 𝑓(𝑥) = 𝑥 2 y el conjunto 𝑋 = {𝑥0 , 𝑥1 , … , 𝑥5 }, donde 𝑥𝑘 = 5, para 𝑘 =
⃖⃗ 5 𝑓(𝑥𝑘 )) y sus diferencias
0, 1, … ,5 y calcular 𝐷𝑜𝑚𝑋 (∆
⃖⃗⃗5 𝑓(𝑥𝑘 )) = {𝑥5 }

De acuerdo a (5.19) tenemos que𝐷𝑜𝑚𝑋 (∆
Tabla 5-12.
𝑘 𝑥𝑘 𝑓(𝑥𝑘 ) ⃖⃗ 𝑓(𝑥𝑘 )
∆ ⃖⃗ 2 𝑓(𝑥𝑘 )
∆ ⃖⃗ 3 𝑓(𝑥𝑘 )
∆ ⃖⃗ 4 𝑓(𝑥𝑘 )
∆ ⃖⃗ 5 𝑓(𝑥𝑘 )
∆
0 0 0
1 0,2 0,0400 0,0400
2 0,4 0,1600 0,1200 0,0800
3 0,6 0,3600 0,2000 0,0800 0,0000
4 0,8 0,6400 0,2800 0,0800 0,0000 0,0000
5 1 1,0000 0,3600 0,0800 0,0000 0,0000 0,0000

195
5.4.1.3. Relación entre las Diferencias Hacia delante y hacia Atras
Aplicaremos la Tabla 5-7 para calcular las diferencias hacia delante y en la Tabla
5-11 para calcular las diferencias hacia atrás; en un conjunto ordenado 𝑋 =
{x0 , x1 , x2 , x3, , x4 }
1 2 3
Ejemplo 5.20 ⃗ 𝑓(𝑥𝑘 ) y
Dados los puntos (0,0),(0, 5),(2, 5) y (3, 5) hallar las tablas de las ∆
⃖⃗ 𝑓(𝑥𝑘 )
∆
Aplicando las Tabla 5-7 y la Tabla 5-11, hallamos las respectivas diferencias
Tabla 5-13. Diferencias hacia adelante
𝑘 𝑥𝑘 𝑓(𝑥𝑘 ) ∆⃗ 𝑓(𝑥𝑘 ) ⃗ 2 𝑓(𝑥𝑘 )

∆ ⃗ 3 𝑓(𝑥𝑘 )
∆
0 0 -3 2 2 1
1
1 -1 3 1 ----------------
5
2
2 4 4 ---------------- ----------------
5
3
3 8 ---------------- ---------------- ----------------
5
Tabla 5-14. Diferencias hacia atrás
𝑘 𝑥𝑘 𝑓(𝑥𝑘 ) ∆⃖⃗⃗𝑓(𝑥𝑘 ) ⃖⃗⃗2 𝑓(𝑥𝑘 )

∆ ⃖⃗⃗3 𝑓(𝑥𝑘 )
∆
0 0 -3 ---------- ----------------- ----------------
1
1 -1 2 ---------------- ----------------
5
2
2 4 3 2 ----------------
5
3
3 8 4 1 1
5
Notemos que las dos tablas son iguales salvo la ubicación de los valores,por
ejemplo se puede observar que
⃗ 𝑛 𝑓(𝑥0 ) = ∆
∆ ⃖⃗⃗𝑛 𝑓(𝑥𝑛 )
es mas de manera general
⃗ 𝑚 𝑓(𝑥𝑘 ) = ∆
(5.21) ∆ ⃖⃗ 𝑚 𝑓(𝑥𝑘+𝑚 )

196
⃗ 𝑚 ) 𝑦 𝑥𝑘+𝑚 ∈
donde esta igualdad tiene sentido si se cumple que 𝑥𝑘 ∈ 𝐷𝑜𝑚𝑋 (∆
⃖⃗⃗𝑚 )
con lo cual podremos decir que la la igualdad (5.21) se cumple cuando 𝑘 =

0,1,2, … , 𝑛 − 𝑚
5.4.1.4. Diferencias Finitas Centradas ⃡

∆
Como en los casos anteriores, definimos un operador sobre un conjunto [x0 , … . . , xn ]

que nos servía para aproximar las derivadas denotamos y definimos las diferencias
finitas centradas como la variacion que ocurre entre las imagnes de la función en el
punto 𝑥𝑘 y en el punto de atrás de 𝑥𝑘 ,es decir 𝑥𝑘−1 , y lo denotaremos
(5.22) ⃡
∆𝑓 (𝑥𝑘 ) = 𝑓(𝑥𝑘+1 ) − 𝑓(𝑥𝑘−1 )
Para 𝑘 = 1,2, … … . . 𝑛
Y al igual que en el caso de las diferencias finitas hacia delante, tiene sentido
considerar el dominio sobre el cual se puede calcular, el cual sera notado y dado
por
⃡ 𝑓) = {𝑥𝑘 |𝑘 = 1, 2, … , 𝑛 }
En el caso análogo
⃡
∆𝐼(𝑥𝑘 ) = 𝑥𝑘+1 − 𝑥𝑘−1
⃡ 𝑥𝑘 = 𝑥𝑘+1 − 𝑥𝑘−1
∆
Nota 5-8 La diferencia centrada cumple la relación
⃡𝑓 (𝑥𝑘 ) = ∆
∆ ⃗ 𝑓 (𝑥𝑘 ) + ∆
⃖⃗ 𝑓 (𝑥𝑘 )
Asi, usando las propiedades de las diferencias hacia adelante y hacia atrás,
podemos ver que.

197
𝑚
𝑚 𝑚
⃡ 𝑓( 𝑥𝑘 ) = ∑(−1)𝑖 ( ) 𝑓(𝑥𝑘+𝑚−𝑖 )
∆
𝑖
𝑖=0
Junto con su dominio
⃡𝑓) = {𝑥𝑘 |𝑘 = 1, 2, … , 𝑛 − 1}
(5.23) 𝐷𝑜𝑚𝑋 (∆
Para 𝑘 = 0,1,2, … … . . 𝑛
Para calcular las diferencias centradas, para el conjunto ordenado 𝑋 = {x1 , … , xn−1 }
es de la forma, como se ilustra en la siguiente tabla
Tabla 5-15.
𝑘 𝑥𝑘 𝑓(𝑥𝑘 ) ⃡
∆𝑓(𝑥𝑘 ) ⋯ ⃡
∆𝑛−1 𝑓(𝑥𝑘 ) ⃡
∆𝑛 𝑓(𝑥𝑘 )
0 𝑥0 𝑓(𝑥0 ) --------- ⋯ ----------------------
1 𝑥1 𝑓(𝑥1 ) ⃡
∆𝑓(𝑥1 ) ⋯ ---------------------- -----------------------------
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
⃡ 𝑛−1
∆ 𝑓(𝑥𝑛−2 ) = ⃡ 𝑛
∆ 𝑓(𝑥𝑛 ) =
𝑛−2 𝑥𝑛−2 𝑓(𝑥𝑛−2 ) ⃡
∆𝑓(𝑥𝑛−2 ) ⋯ ⃡𝑛−2
∆ 𝑓(𝑥𝑛−1 ) − ⃡ ∆𝑛−2 𝑓(𝑥𝑛−3 ) ⃡
∆𝑛−1 𝑓(𝑥𝑛+1 ) − ⃡ ∆𝑛−1 𝑓(𝑥𝑛−1 )
𝑛−1 𝑥𝑛−1 𝑓(𝑥𝑛−1 ) ⃡
∆𝑓(𝑥𝑛−1 ) ⋯ ---------------------- ----------------------------
𝑛 𝑥𝑛 𝑓(𝑥𝑛 ) ---------- ⋯ ---------------------- ----------------------------
𝑘
Ejemplo 5.21 Sea 𝑓(𝑥) = 𝑥 2 y el conjunto 𝑋 = {𝑥0 , 𝑥1 , … , 𝑥5 }, donde 𝑥𝑘 = 5, para 𝑘 =
⃡2 𝑓) y sus diferencias.
0, 1, … ,5 y calcular 𝐷𝑜𝑚𝑋 (∆
⃡2 𝑓(𝑥𝑘 )) = {𝑥2 , 𝑥3 }, Y aplicando la

Aplicando (5.23) obtenemos su dominio 𝐷𝑜𝑚𝑋 (∆
¡Error! No se encuentra el origen de la referencia. obtenemos
Tabla 5-16.
𝑘 𝑥𝑘 𝑓(𝑥𝑘 ) ⃡
∆𝑓(𝑥𝑘 ) ⃡
∆2 𝑓(𝑥𝑘 )
0 0 0 --------- --------
1 1 4
1 --------
5 25 25
2 4 8 8
2
5 25 25 25

198
3 9 12 4
3
5 25 25 25
16 16
4 4 --------
25 25
5 1 1 --------- ---------
Volvamos a nuestro objetivo principal, que es, la construcción de un polinomio

interpolador para un conjunto de datos dado, el primer método que vamos a
estudiar es el Metodo de interpolación de Newton, el cual presenta grandes
ventajas para la maquina sobre otros métodos de interpolación, en la siguiente
sección se explica la construcción de este polinomio para un conjunto de datos
cualesquiera.
5.4.2. Interpolación de Newton
En esencia la interpolación de Newton es una generalización de la forma punto

pendiente de la recta, veamos una aproximación con el siguiente ejemplo:
Consideremos dos puntos (1,3) y (2,8); hallemos la ecuación de la recta
8−3
𝑚= =5
2−1
y usando la forma punto y pendiente:
𝑦 − 𝑦0 = 𝑚(𝑥 − 𝑥0 )
asi
𝑦 = 𝑚(𝑥 − 𝑥0 ) + 𝑦0
si tomamos (1,3) = (𝑥0 , 𝑦0 ), luego
𝑦 = 5(𝑥 − 1) + 3
Ahora organizando estos datos en una tabla obtenemos:

199
Tabla 5-17.
𝑥𝑖 𝑦𝑖
1 3
2 8
Ahora recordemos que la pendientes como las diferencias de 𝑦 sobre las

diferencias de las de 𝑥
Es decir
𝑦1 − 𝑦0
𝒙 𝟏 − 𝒙𝟎
Como esta es la primera aproximacion de la derivada; a llamaremos las primeras
diferencias divididas y las notaremos
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝐹[𝑥0 , 𝑥1 ] =
𝑥1 − 𝑥0
Así la tabla 3 toma la forma
Tabla 5-18.
𝑥𝑖 𝑦𝑖 P.D.D.
𝑥0 𝑦0
𝐹[𝑥0 , 𝑥1 ]
𝑥1 𝑦1
Luego la ecuación (3) queda escrita como

𝑦 = 𝐹[𝑥0 , 𝑥1 ](𝑥 − 𝑥0 )+ 𝑦0
Consideremos ahora un ejemplo de 3 puntos

Tabla 5-19.
𝑥𝑖 𝑦𝑖
1 3
2 8
5 4
Aquí no hay una única Primera Diferencia Dividida en este orden hay dos que nos
interesan
Tabla 5-20.
𝑥𝑖 𝑦𝑖 P.D.D.

200
1 3 8−3
=5
2−1
2 8 4 − 8 −4
=
5 4 5−2 3
Como vimos en el método de Lagrange, con tres puntos se puede interpolar un

polinomio de grado 2 (o menor), así; esta información es necesaria pero no
suficiente para hallarlo, debemos buscar una forma de aproximar la segunda
derivada (ver Taylor) recordemos que la segunda derivada es la derivada de la
derivada, esto nos lleva a crear una Segunda Diferencia Dividida (SDD)
Tabla 5-21.
𝑥𝑖 𝑦𝑖 P.D.D. SDD
1 3 5 4 19
−3 − 5 − 3 19
2 8 = =−
-4/3 (5 − 2) + (2 − 1) 4 12
5 4
Es decir
Tabla 5-22.
𝑥𝑖 𝑦𝑖 P.D.D. SDD
1 3 5
19
2 8 −
5 4
-4/3 12
Ahora siguiendo la misma idea, (pero recordando Taylor), que la segunda derivada
va acompañada de un factor cuadrático; tenemos:
19
𝑁(𝑥) = − (𝑥 − 1)(𝑥 − 2) + 5(x − 1) + 3
12
que es equivalente a escribir
𝑁(𝑥) = 𝐹[𝑥0 , 𝑥1 , 𝑥2 ](𝑥 − 𝑥0 )(𝑥 − 𝑥1 ) + 𝐹[𝑥0 , 𝑥1 ](𝑥 − 𝑥0 ) + 𝑦0
Donde notaremos la SDD de los puntos 𝑥0 , 𝑥1 𝑦 𝑥2 como
𝐹[𝑥1 , 𝑥2 ] − 𝐹[𝑥1 , 𝑥0 ]
𝐹[𝑥0 , 𝑥1 , 𝑥2 ] =
𝑥2 − 𝑥0
Generalizando estos conceptos, tenemos

201
I. La n-ésima diferencia dividida centrada en cero y hacia delante
𝐹[𝑥1 , … , 𝑥𝑛 ] − 𝐹[𝑥0 , … , 𝑥𝑛−1 ]

𝐹[𝑥0 , 𝑥1 , … , 𝑥𝑛 ] =
𝑥𝑛 − 𝑥0
II. El polinomio de Newton de grado 𝑛 se define
𝑛−1
𝑁(𝑥) = 𝐹[𝑥0 , 𝑥1 , … , 𝑥𝑛 ] ∏(𝑥 − 𝑥𝑖 )

𝑖=0
𝑛−2
+ 𝐹[𝑥1 , … , 𝑥𝑛−1 ] ∏(𝑥 − 𝑥𝑖 ) + ⋯ + 𝐹[𝑥0 , 𝑥1 ](𝑥 − 𝑥0 ) + 𝑦0

𝑖=0
Reordenandolo tenemos
𝑗−1
(5.24) 𝑁(𝑥) = 𝑦0 + ∑𝑛𝑗=1 𝐹[𝑥0 , … , 𝑥𝑗 ] ∏𝑖=0 (𝑥 − 𝑥𝑖 )
Por ejemplo un polinomio de grado 3 la formula
3 𝑗−1
𝑁(𝑥) = 𝑦0 + ∑ 𝐹[𝑥0 , … , 𝑥𝑗 ] ∏(𝑥 − 𝑥𝑖 )

𝑗=1 𝑖=0
Dado que la sumatoria va de 𝑗 = 1 hasta 3; hay tres términos

𝑁(𝑥)
0
= 𝑦0 + 𝐹[𝑥0 , 𝑥1 ] ∏(𝑥 − 𝑥𝑖 )
𝑖=0
1 2
+ 𝐹[𝑥0 , 𝑥1 , 𝑥2 ] ∏(𝑥 − 𝑥𝑖 )𝐹[𝑥0 , 𝑥1 , 𝑥2, 𝑥3 ] ∏(𝑥 − 𝑥𝑖 )

𝑖=0 𝑖=0
En la primera productoria va de 𝑖 = 0 a 0, solo hay un termino; en la segunda

productoria va de 𝑖 = 0 hasta 1, hay dos terminos y la tercer productoria va de 𝑖 = 0
hasta 2 , hay tres términos
𝑁(𝑥) = 𝑦0 + 𝐹[𝑥0 , 𝑥1 ](𝑥 − 𝑥0 ) + 𝐹[𝑥0 , 𝑥1 , 𝑥2 ](𝑥 − 𝑥0 )(𝑥 − 𝑥1 )𝐹[𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 ](𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )

202
Nota 5-9 Una de las ventajas del método de newton es que se conoce a partir
de su construcción el grado del polinomio de interpolación, esto se debe al
hecho que si las diferencias en algún momento se vuelven constante entonces
este es el grado del polinomio.
A continuacion mostraremos algunos ejemplos del polinomio de Newton.
Ejemplo 5.22 Dados los puntos (1,3); (2,5), hallar 𝑁(𝑥)
Utilizando (5.24) para 𝑛 = 2 tenemos

Tabla 5-23.
𝑖 𝑥𝑖 𝑓(𝑥𝑖 ) PDD
0 1 3
1
1 3 5
𝑁(𝑥) = 3 + 1 ∗ ( 𝑥 – 1 )
Ejemplo 5.23 La siguiente tabla muestra la construcción del polinomio interpolante de

Newton para el caso 𝑛 = 4 en (5.24), tenemos
Tabla 5-24.
𝑖 𝑥𝑖 𝑦𝑖 PDD SDD TDD CDD
0 1 0.7651977
-0.48370567
1 1.3 0.6200860 -0.10873389 0.0658784
-0.548946
2 1.6 0.4554022 -0.04944333 0.0680685 0.0018250
-0.578612
3 1.9 0.2818186 0.01181833 1
-0.571521
4 2.2 0.1103623
El Polinomio de Newton es:

𝑁(𝑥) = 0,7651977 − 0,48370567𝑥 − 0,10873389𝑥(𝑥 − 1)
+ 0,0658784𝑥(𝑥 − 1)(𝑥 − 1,3) + 0,00182509𝑥(𝑥 − 1)(𝑥 − 1,3)(𝑥 − 1,6)

203
Ejemplo 5.24 Dados los puntos (-3,11),(-1,3),(2,6) y (4,18), encontrar los polinomios de
Newton que pasan por los dos primeros puntos, los tres primeros puntos y
por los cuatro puntos; aproximar en cada caso para 𝑥 = 1
Para resolver el ejemplo realizaremos la tabla de diferencias
Tabla 5-25.
𝑖 𝑥𝑖 𝑦𝑖 PDD SDD TDD
0 -3 11 -4
1
1 -1 3 1 0
1
2 2 6 6
3 4 18
Entonces el polinomio queda como,

𝑁(𝑥) = 11 − 4(𝑥 + 3) + 1(𝑥 + 3)(𝑥 + 1) + 0(𝑥 + 3)(𝑥 + 1)(𝑥 − 2)
y la aproximación es
𝑁(1) = 3
5.4.2.1. Newton sobre una partición equidistante
Un caso particular de interpolación se presenta cuando el conjunto de datos sobre

el cual se hace la interpolación presenta una partición equidistante en la variable
independiente, es decir, consideremos un conjunto de datos que se comporte de
manera funcional {(𝑥0 , 𝑦0 ), (𝑥1 , 𝑦1 ), … , (𝑥𝑛 , 𝑦𝑛 )} tal que 𝑥𝑘+1 = 𝑥𝑘 + ℎ para 𝑘 =
0,1, … , 𝑛 − 1.donde ℎ se llamara el salto de la partición.
Las interpolaciones de este tipo son muy frecuentes en métodos de integración
numérica como se vera mas adelante.
Si se considera los valores 𝑦𝑘 = 𝑓(𝑥𝑘 ) para alguna función 𝑓, tenemos que las
diferencias divididas cumplen la siguiente relación
Teorema 5-2 Sea f una función definida sobre x0 , x1 ,..., xn ; tal que h  xk  xk 1 ; para
n f 0
todo k  1,.., n entonces se cumple: f x0 , x1 ,..., xn  
n!h n

204
Y gracias a esto el polinomio de interpolación de newton toma la forma

𝑛 𝑗−1
⃗ 𝑗 𝑓(𝑥0 )
∆
𝑁(𝑥) = 𝑓(𝑥0 ) + ∑ ∏(𝑥 − 𝑥𝑖 )
𝑗! ℎ 𝑗
𝑗=1 𝑖=0
Por ejemplo en el caso donde 𝑛 = 3 tenemos

⃗ 𝑓(𝑥0 )
∆ ∆⃗2
𝑁(𝑥) = 𝑓(𝑥0 ) + (𝑥 − 𝑥0 ) + 2 𝑓(𝑥0 )(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
ℎ 2ℎ
⃗3
∆
+ 𝑓(𝑥0 )(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
3! ℎ3
De esta manera basta únicamente con construir la tabla completa de las
defierencias finitas hacia adelante.
Ejemplo 5.25 Dados los puntos (1,2), (2,5), (3,9) y (4,15); hallar polinomio de Newton.
⃗ 3 (𝑓(𝑥𝑘 ) y Aplicando la ecuacion(5.24), tenemos

Realizando la tabla de ∆
Tabla 5-26.
⃗ 𝑓(𝑥𝑘 ) ∆
⃗ 2 𝑓(𝑥𝑘 ) ∆
⃗ 3 𝑓(𝑥𝑘 )
0 1 2 3 1 1
1 2 5 4 2 ------
2 3 9 6 ------ ------
3 4 15 ------ ------ ------
3 1 1
𝑁(𝑥) = 2 + (𝑥 − 1) + 2
(2)(𝑥 − 1)(𝑥 − 2) + (2)(𝑥 − 1)(𝑥 − 2)(𝑥 − 3)
1 2(1) 3! (1)3
operando tenemos
1
𝑁(𝑥) = 2 + 3(𝑥 − 1) + (𝑥 − 1)(𝑥 − 2) + (𝑥 − 1)(𝑥 − 2)(𝑥 − 3)
3
5.4.3. Método de Lagrange
La interpolación de Lagrange es una de los métodos los métodos de interpolación

más sencillos desde el punto de vista geométrico, esta forma solo usa conceptos

205
básicos sobre las gráficas de las funciones (traslación y dilatación) junto con el
teorema del factor. (Burden R. y Faires, 2003).
Recordemos que la suma de funciones es puntual, entonces buscaremos
inicialmente polinomios que pasen por cada uno de los puntos y en los otros que
corten al eje x, así:
Para el primer p0 ( x) , el polinomio pasa por (-2,5) y en los demás valores por (1,0) ,
( 2,0) , (3,0) como se observa en la figura, Como el polinomio es de grado 3, la

forma de ese polinomio es 𝑃0 (𝑥) = (𝑥 − 1)(𝑥 − 2)(𝑥 − 3); aquí utilizamos el
teorema del factor que dice “ Si c es raíz (x-c) es factor “
Gráfica 5.7
sin embargo este polinomio no pasa por (-2,5) sino por (-2,-60) así podemos reflejar
con el eje x y llegamos a 𝑃0 (𝑥) = −(𝑥 − 1)(𝑥 − 2)(𝑥 − 3), que sigue sin pasar por el
punto (-2,5) ; a lo cual aplicamos contracción o dilatación para que llegue al punto
deseado pero no me cambie los cortes con el eje x
Gráfica 5.8

206
Para lo cual hacemos

1
p 0 ( x)  ( x  1)( x  2)( x  3)
12
1
este − 12 salio en forma geométrica; ahora lo haremos analíticamente:
p0 ( x)  c0 ( x  1)( x  2)( x  3)
Ahora si queremos que pase por (-2,5) llegamos a:

5  c0 ( x  1)( x  2)( x  3)
5
donde c0  así
(2  1)(2  2)(2  3)
5( x  1)( x  2)( x  3)
p 0 ( x) 
(2  1)(2  2)(2  3)
en terminos de los datos
𝑦0 (𝑥 − 𝑥1 )(𝑥 − 𝑥2 )(𝑥 − 𝑥3 )
𝑃0 (𝑥) =
(𝑥0 − 𝑥1 )(𝑥0 − 𝑥2 )(𝑥0 − 𝑥3 )
Para el segundo 𝑃1 (𝑥)), es el polinomio que pasa por (1,-4) y en los demás valores
por (-2,0) , (2,0) , (3,0) como se observa en la figura, Como el polinomio es de
grado 3, la forma de ese polinomio es
𝑃1 (𝑥) = (𝑥 + 2)(𝑥 − 2)(𝑥 − 3)
Gráfica 5.9

207
Sin embargo este polinomio no pasa por (1,-4) sino por (1,12) así podemos reflejar
con el eje x y llegamos a 𝑃1 (𝑥) = −(𝑥 + 2)(𝑥 − 2)(𝑥 − 3), que sigue sin pasar por el
punto (1,-4) ; a lo cual aplicamos contracción o dilatación para que llegue al punto
deseado pero no me cambie los cortes con el eje x
Gráfica 5.10
2 2
Para lo cual hacemos 𝑃1 (𝑥) = − 3 (𝑥 + 2)(𝑥 − 2)(𝑥 − 3); este − 3 salio en forma
geométrica; ahora lo haremos analíticamente:
p1 ( x)  c1 ( x  2)( x  2)( x  3) ahora si queremos que pase por (1,-4) llegamos a:

4
 4  c0 ( x  2)( x  2)( x  3) donde c0  así
(1  2)(1  2)(1  3)

208
 4( x  2)( x  2)( x  3)
p1 ( x) 
(1  2)(1  2)(1  3)
es decir
y1 ( x  x0 )( x  x2 )( x  x3 )
p1 ( x) 
( x1  x0 )( x1  x2 )( x1  x3 )
Para el tercer 𝑃2 (𝑥), es el polinomio que pasa por (2,1) y en los demás valores por
(-2,0) , (1,0) , (3,0) a lo cual aplicamos contracción o dilatación para que llegue al
punto deseado pero no me cambie los cortes con el eje x; llegando a
1
𝑃2 (𝑥) = − 3 (𝑥 + 2)(𝑥 − 1)(𝑥 − 3);
Gráfica 5.11
Procedemos de forma analoga obteniendo

𝑦2 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
𝑝2 (𝑥) =
(𝑥1 − 𝑥0 )(𝑥1 − 𝑥2 )(𝑥1 − 𝑥3 )
Para el cuarto polinomio 𝑃3 (𝑥), es el polinomio que pasa por (3,-1) y en los demás
valores por (-2,0),(1,0) , (2,0) a lo cual aplicamos contracción o dilatación para que
llegue al punto deseado pero no me cambie los cortes con el eje 𝑥 y obtenemos
1
𝑃3 (𝑥) = − (𝑥 + 2)(𝑥 − 1)(𝑥 − 2)
10
procedemos de forma analogas alos anteriores polinomios y llegamos a
𝑦3 (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )(𝑥 − 𝑥2 )
𝑝3 (𝑥) =
(𝑥2 − 𝑥0 )(𝑥2 − 𝑥1 )(𝑥2 − 𝑥3 )
su grafica es
Gráfica 5.12

209
Ahora realizando la suma puntual de funciones; obtenemos el polinomio que pasa

por los puntos escritos inicialmente; GRAFICA NEGRA
Gráfica 5.13
sumando los 𝑝(𝑥) llegamos a nuestro polinomio de Lagrange como:

𝐿(𝑥) = 𝑃0 (𝑥) + 𝑃1 (𝑥)+𝑃2 (𝑥)+𝑃3 (𝑥)
reemplazando tenemos:

210
1 2 1
𝐿(𝑥) = − (𝑥 − 1)(𝑥 − 2)(𝑥 − 3) − (𝑥 + 2)(𝑥 − 2)(𝑥 − 3) − (𝑥 + 2)(𝑥 − 1)(𝑥 − 3)
12 3 3
1 1
− (𝑥 + 2)(𝑥 − 1)(𝑥 − 3) − (𝑥 + 2)(𝑥 − 1)(𝑥 − 2)
3 10
notemos que cada polinomio 𝑝𝑖 (𝑥), es un polinomio de grado 3 (excepto que 𝑦𝑖 =

0), asi cuando armamos el polinomio de Lagrange que es la suma de estos,
llegamos a un polinomio de grado 3 o menor, este polinomio encontrado es el
polinomio de menor grado que pasa por los datos dados, es decir, es el polinomio
de interpolacion.
Extendiendo el mismo argumento con n + 1 puntos; tendremos que cada polinomio

𝑝𝑖 (𝑥) tiene la forma
yi ( x  x0 )( x  x1 ) ( x  xi 1 )( x  xi 1 ) ( x  xn )
pi ( x) 
( xi  x0 )( xi  x1 ) ( xi  xi 1 )( xi  xi 1 ) ( xi  xn )
donde 𝑖 = 0,1, … , 𝑛.
Escribiéndolo en forma compacta, para n+1 puntos, tenemos:

𝑛
(𝑥 − 𝑥𝑗 )
𝑝𝑖 (𝑥) = 𝑦𝑖 ∏
(𝑥𝑖 − 𝑥𝑗 )
𝑗=0
𝑗≠𝑖
En donde cada término

𝑛
1
𝑦𝑖 ∏
(𝑥𝑖 − 𝑥𝑗 )
𝑗=0
𝑗≠𝑖
es el que genera la contracción o dilatación de la función para que pueda tomar en

el punto deseado, y el término ∏𝑛𝑗=0(𝑥𝑖 − 𝑥𝑗 )es el que “pega” al piso la función en
𝑗≠𝑖
los valores 𝑥𝑗 . Para 𝑗 = 0,1, … , 𝑖 − 1, 𝑖 + 1, … , 𝑛

Y definimos el polinomio interpolante de Lagrange como:
(𝑥−𝑥 )
(5.25) 𝐿(𝑥) = ∑𝑛𝑖=0 𝑦𝑖 ∏𝑛𝑗=0 (𝑥 −𝑥𝑗 )
𝑖 𝑗
𝑗≠𝑖

211
para aclarar un poco la formula, la escribiremos en una forma extendida para los
casos n=1 y n=2
Caso n=1
𝑥 − 𝑥1 𝑥 − 𝑥0
𝐿(𝑥) = 𝑦0 + 𝑦1
𝑥0 − 𝑥1 𝑥1 − 𝑥0
Caso n=2
𝑥 − 𝑥1 𝑥 − 𝑥2 𝑥 − 𝑥0 𝑥 − 𝑥2 𝑥 − 𝑥0 𝑥 − 𝑥1
𝐿(𝑥) = 𝑦0 + 𝑦1 + 𝑦2
𝑥0 − 𝑥1 𝑥0 − 𝑥2 𝑥1 − 𝑥0 𝑥1 − 𝑥2 𝑥2 − 𝑥0 𝑥2 − 𝑥1
Caso n=3
𝐿(𝑥)
𝑥 − 𝑥1 𝑥 − 𝑥2 𝑥 − 𝑥3 𝑥 − 𝑥0 𝑥 − 𝑥2 𝑥 − 𝑥3
= 𝑦0 + 𝑦1
𝑥0 − 𝑥1 𝑥0 − 𝑥2 𝑥0 − 𝑥3 𝑥1 − 𝑥0 𝑥1 − 𝑥2 𝑥1 − 𝑥3
𝑥 − 𝑥0 𝑥 − 𝑥1 𝑥 − 𝑥3 𝑥 − 𝑥0 𝑥 − 𝑥1 𝑥 − 𝑥2
+ 𝑦2 + 𝑦2
𝑥2 − 𝑥0 𝑥2 − 𝑥1 𝑥2 − 𝑥3 𝑥3 − 𝑥0 𝑥3 − 𝑥1 𝑥3 − 𝑥2
A pesar de la facilidad de calcular el polinomio de Lagrange, este presenta varias

desventajas, una de ellas es el elevado número de operaciones que hay que
desarrollar a fin de obtener el polinomio de interpolación de la manera estandar,
otra es que el polinomio de interpolación escrito en la forma de lagrange, es decir la
forma dada por la formula (5.25) no presenta explícitamente el grado del polinomio.
Estudiaremos otra forma de calcular el polinomio de interpolación el cual usa el
concepto de diferencias finitas.
Existen varios métodos para hallar el polinomio de interpolación obteniendose el

msmo resultado; uno de ellos es el método de Aitken (𝐴(𝑥)) que se basa en la
solución de determinantes de orden 2 (Ver (Antonio, 1998)). Neville (Ver (Burden R.
y Faires, 2003)) Curvas de Basier y Splines Cúbicos. ( Ver (Burden R. y Faires,
2003))
5.4.4. Comparación de los métodos

212
Aunque desde un principio se dijo que sin importar el metodo que se utilice; el
polinomio interpolante que aproxima, un numero cualquiera de puntos, es el menor
polinomio que pasa por todos los puntos; existen diferencias.
Tomando como referencia el ejemplo Ejemplo 5.24; al realizar el desarrollo de cada

uno de estos métodos (Newton y Lagrange) se obtiene el polinomio
𝑓(𝑥) = 𝑥 2 + 2
que es el mismo en los dos casos (era de esperarse dado el teorema de unicidad
del polinomio), este es el polinomio de interpolacion que se buscaba el cual
denotaremos por
𝐼(𝑥) = 𝑥 2 + 2
al observar L(x) y N(x) se evidencian ciertas ventajas de un metodo sobre los otros,
por ejemplo,
 En el caso del metodo de Newton, las Segundas diferencias y el mismo

N(x) nos indican de manera explicita el grado de este polinomio
 Otra de las ventajas de Newton es el numero de operaciones a realizar
en cada uno de los metodos las cuales son: Newton 𝑛(𝑛 + 1) y
Lagrange 4𝑛(𝑛 + 1).
 Otra ventaja del metodo de Newton es que si se quiere adicionar un
punto, las cuentas hechas en el metodo de Newton no se pierden, ya
que esta formula es recursiva y utiliza el resultado anterior para dar un
resultado nuevo; cosa que no ocurre en Lagrange, en el cual toca
recalcular nuevamente cada termino.
5.4.5. Error en el polinomio interpolante

213
Con respecto al error en un polinomio interpolante; es el mismo sin importar el

camino (recordemos que llegaremos al mismo polinomio sin importar el camino), y
este se difine asi:
Definición 5-3 Si se conoce la función(Lo cual seria ilógico ya que estamos

aproximando esta funcion), se utiliza el error de la serie de Taylor. (Burden R. y
Faires, 2003) (Chapra C. Steven, 1988)
F n 1 ( )
Rn  ( x  x 0 )( x  x1 ).......( x  x n )
(n  1)!
donde  min( x, x 0 , x1 ...x n )    max( x, x 0 , x1 ...x n )
Definición 5-4 Si no se conoce la función; que trabajemos, se toma un dato
adicional al cual se le aplica Diferencias finitas divididas y nos dara el error de esta.
(Burden R. y Faires, 2003).
Rn  F ( xn1 , xn ,......x0 )( x  x0 )( x  x1 ).......( x  xn )
Ejemplo 5.26 Del ejempo (2) tenemos la tabla de diferencias
Tabla 5-27.
𝑖 𝑥𝑖 𝑓(𝑥𝑖 ) PDD SDD TDD CDD
0 1 0.7651977
-0.48370567
1 1.3 0.6200860 -0.10873389
-0.548946 0.0658784
2 1.6 0.4554022 -0.04944333 0.0018250
-0.578612 0.0680685
3 1.9 0.2818186 0.01181833
-0.571521
4 2.2 0.1103623
Tomaremos como datos iniciales del ejemplo (2) los cuatro primeros y el quinto dato
(4 , 2.2), sera el dato adicional, el cual nos dara el 𝑅𝑛 , luego la aproximacion del
polinomio de grado 4 queda de la siguiente forma:
𝐼(𝑥) = 0,9705222505 − 0,0944566845𝑥 − 0,3656596292𝑥 2 + 0,06587839497𝑥 3 + 𝑅𝑛
Donde 𝑅𝑛 = 0,00182509𝑥(𝑥 − 1)(𝑥 − 1,3)(𝑥 − 1,6)(𝑥 − 1,9)

214
Si queremos una aproximacion para 𝑥 = 1,8; reemplazamos el valor en 𝐼(𝑥),

tenemos:
𝐼(1,8) = −0.5691487584
Ejercicio 5-1 De las ecuaciones (5.7), (5.8) y(5.9) despeje los parámetros
𝛽0 , 𝛽1 y 𝛽2.
Ejercicio 5-2 Considere los datos
Tabla 5-28.
𝑥 𝑦
1 3,678
2 5,241
5 9,953
8 14,664
12 20,942
13 22,515
a) Encuentre la regresión lineal

b) Encuentre por medio de mínimos cuadrados un modelo cuadrático
c) Encuentre por medio de mínimos cuadrados un modelo cubico
Ejercicio 5-3 Considere los datos del ejercicio Ejercicio 5-2
a) Encuentre por medio de mínimos cuadrados un modelo de la forma

𝑓𝛽0 ,𝛽1 ,𝛽2,𝛽3 ,𝛽4,𝛽5 = 𝛽0 + 𝛽1 𝑥 + 𝛽2 𝑥 2 + 𝛽3 𝑥 3 + 𝛽4 𝑥 4 + 𝛽5 𝑥 5
b) Calcule el error cuadrático para el anterior modelo.
c) Halle el polinomio de interpolación.
d) Justifique estos resultados.
Ejercicio 5-4 sean los datos

215
Tabla 5-29.
𝑥 𝑦
1 3,678
2 5,241
5 9,953
8 14,664
12 20,942
13 22,515
a) Compare los modelos logarítmicos de la forma 𝑦 = 𝛽0 ln(𝑥) + 𝛽1

hallados al aplicar los mínimos cuadrados y la linealizacion.
b) Compare los modelos logarítmicos de la forma 𝑦 = 𝛽0 ln(𝑥 + 𝛽1 )
hallados al aplicar los minimos cuadrados y la linealizacion.
c) Compare los modelos logarítmicos de la forma 𝑦 = ln(𝛽0 𝑥 + 𝛽1 )
hallados al aplicar los minimos cuadrados y la linealizacion.
d) Determine de todos ellos cual fue el mejor modelo de ajuste.
e) Será que en general para cualquier conjunto de datos la conclusión
del punto anterior es cierta?
Ejercicio 5-5 De la Tabla 5-1, indique con cuales variables se va a trabajar.

𝛽1
Ejercicio 5-6 Dado el modelo exponencial √𝑦 = 𝛽0 2𝑥 , indique las variables
con las cuales se van a trabajar, halle el modelo linealizado y halle el modelo
exponencial para los datos de la Tabla 5-29
Ejercicio 5-7 Dado el modelo trigonometrico 𝑦 = 𝑠𝑒𝑛(𝑚𝑥 + 𝑏) , indique las

variables con las cuales se van a trabajar, halle el modelo linealizado y halle el
modelo trigonometrico para los datos (0,0), (0.7 , 0.1) , (1.57 , 0.3) ,(2.0, 0.6) ,
(2.3,0.8), (3.5 , 0.9)
Ejercicio 5-8 Dado el modelo trigonometrico 𝑦 = 𝑎(𝑥 + 𝑏)2 , indique las
variables con las cuales se van a trabajar, halle el modelo linealizado y halle el
modelo trigonometrico para los datos (-1.57 , -1) ,(0,0), (0.7 , 0.7), (1.57 , 1)
Ejercicio 5-9 Solucionar Ejemplo 5.13
Ejercicio 5-10 Solucionar Ejemplo 5.18

216
Ejercicio 5-11 Hallar el valor de 2 utilizando 3 funciones diferentes y llenar la

siguiente tabla, a partir del Polinomio interpolante de Lagrange
Tabla 5-30.
Primer grado Segundo grado Tercer grado

Aproximación EN Aproximación EN Aproximación EN
F(x)
G(x)
H(x)
Ejercicio 5-12 Obtenga el Polinomio interpolante de de Lagrange de grado 2 a

partir del Polinomio interpolante de Newton.
Ejercicio 5-13 Estime el log 5 usando interpolación lineal, cuadrática y cúbica, a
partir del Polinomio interpolante de Newton; y compare los errores. ¿Cuál es el
mejor método? ¿Porqué?.Utilice 𝑓(𝑥) = log(𝑥); 𝑋 = {1,2,3,4,6}
Ejercicio 5-14 Halle el polinomio de interpolación que pasa por los puntos
{(−ℎ, 𝑓(−ℎ)), (0, 𝑓(0)), (ℎ, 𝑓(ℎ))}
{(−ℎ, 𝑓(−ℎ)), (0, 𝑓(0)), (ℎ, 𝑓(ℎ)), (2ℎ, 𝑓(2ℎ))}
{(−2ℎ, 𝑓(2ℎ)), (−ℎ, 𝑓(−ℎ)), (0, 𝑓(0)), (ℎ, 𝑓(ℎ)), (2ℎ, 𝑓(2ℎ))}
Ejercicio 5-17 El método de Aitken es un método que utiliza determinantes de

orden 2 para hallar el polinomio interpolante Ver ( (Burden R. y Faires, 2003))

Úsese el método de Aitken para obtener una aproximación del valor de senx
4
Ejercicio 5-18 Encuentre un valor aproximado de 2 por interpolación, usando
el método de Lagrange. Para los valores de la función 𝑓(𝑥) = 2𝑥 en los puntos
𝑋 = {−1.5 ,0.5,0.5,1.5,2.5}, Halle la aproximación lineal, cuadrática y cúbica.cual
es la mejor aproximación? Justifique.

217
Ejercicio 5-19 Demuestre que 𝑃2,2 = 𝐿2 (𝑥), donde 𝐿2 (𝑥) es el polinomio

langrangeano de orden 2 y 𝑃2,2 es el polinomio de Aitken de orden 2
Ejercicio 5-20 Hallar  utilizando 𝑓(𝑥) = √𝑥, y tome 𝑥 = 3,1415, con los
polinomios de interpolación de:
i. Newton
ii. Lagrange
iii. Aitken
Cada uno de 1°, 2° y tercer grado. Compruebe que se obtiene el mismo
polinomio interpolante, Utilice los puntos 𝑋 = {1,2,3,4,5}, cual es la mejor
aproximación? Justifique.

218
6. Integración Numérica
Consideremos las siguientes expresiones

(6.1) ∫ 𝑥 𝑑𝑥
1
(6.2) ∫0 𝑥 𝑑𝑥
Debe ser muy claro que la primera expresion es una funcion que depende de 𝑥,
mientras la segunda no, esto se puede verificar facil ya que
𝑑
(∫ 𝑥 𝑑𝑥) = 𝑥
𝑑𝑥
𝑑 1
(∫0 𝑥 𝑑𝑥) = 0
𝑑𝑥
es decir, la expresion(6.2) es una constante que no depende de 𝑥 (un numero), esto

es claro, ya que por lo conocido en nuestros cursos de calculo, la expresion en (6.2)
es el área bajo una curva,
Gráfica 6.1
Existen varias formas de hallar el valor en la expresion(6.2) , como por ejemplo usar
un argumento puramente geométrico, en particular el hecho que el área de un
𝑏∗ℎ
triangulo es 2 y asi en nuestra expresion conseguimos
1
1∗1 1
∫ 𝑥 𝑑𝑥 = =
2 2
0
Aunque la forma mas conocida es hacer uso del TFC (Teorema fundamental del
calculo) es decir, encontrar explícitamente una antiderivada (es decir, calcular la
expresion (6.1) ), evaluar en los extremos y restar así,

219
1
(6.3) ∫0 𝑥 𝑑𝑥 = 𝐹(1) − 𝐹(0)
donde F es una antiderivada de 𝑥, en este caso, es bien conocido que las
𝑥2 𝑥2
antiderivadas son de la forma ∫ 𝑥 𝑑𝑥 = + 𝑐, asi podemos considerar 𝐹(𝑥) = y
2 2
asi (6.3) toma la forma
1
12 02 1
∫ 𝑥 𝑑𝑥 = − =
2 2 2
0
El gran problema de calcular una integral definida, es decir,

𝑏
∫ 𝑓(𝑥) 𝑑𝑥
𝑎
por medio del uso del TFC es encontrar las antiderivadas, es decir,
∫ 𝑓(𝑥) 𝑑𝑥
y este es el problema real, existen funciones aunque “bonitas” (por ejemplo

continuas y diferenciables) no tienen una antiderivada que pueda ser expresada de
manera elemental, como por ejemplo,
2
(6.4) ∫ 𝑒 −𝑥 𝑑𝑥
la cual es bastante conocida y usada en estadística (a grandes rasgos esta es la
distribución normal), es decir, la expresion (6.4) no existe, sin embargo, la siguiente
expresion
2 2
(6.5) ∫−1 𝑒 −𝑥 𝑑𝑥
si existe ya que es el área sombreada en la siguiente grafica,
Gráfica 6.2

220
calcular, sino que no existe) no es posible el uso del TFC para calcular (6.5) , aquí
es donde se hacen necesarios los métodos numéricos, vamos a aproximar
numéricamente esa área sombreada.
Para esto veremos primero la forma histórica en la cual desarrollaron la integral
definida (Riemann) y luego estudiaremos los métodos de Newton-Cotes, en
particular (Trapecio, Simpson y Simpson 3/8), los cuales aproximan la funcion por
medio de los polinomios de interpolación y los integran, después vamos a acelerar
la convergencia del método del trapecio por medio de extrapolación de Richardson
y así, tendremos el método de Romberg, hay que notar que estos no son los únicos
métodos que nos sirven para aproximar la integral definida, aunque son los mas
conocidos y naturales. (Rudin, 1976) (Bulirsch, 1993) (Chapra C. Steven, 1988)
(Burden R. y Faires, 2003)
6.1 Aproximación por medio de funciones escalonadas
Haremos el análisis inicial sobre funciones que sean continuas (preferiblemente

diferenciales), lo que buscan las sumas de Riemann (al igual que todos los métodos
de Newton-Cotes) es trabajar sobre una partición del intervalo sobre el cual se va a
integrar, para esto consideremos el ejemplo que llevamos en la introducción, es
decir,
2
2
∫ 𝑒 −𝑥 𝑑𝑥
−1
la idea es tomar una partición equidistante (aunque no necesariamente debe ser

equidistante) sobre [𝑎, 𝑏] de 𝑛 + 1 puntos, asi {𝑥0 , 𝑥1 , … , 𝑥𝑛 } donde los 𝑥𝑖 son dados
por la relacion,
𝑥0 = 𝑎;
𝑥𝑖 = 𝑎 + 𝑖 ∗ ℎ
(𝑏−𝑎)
donde h es el tamaño del intervalo , así, ℎ = .
𝑛
Ahora en cada subintervalo [𝑥𝑖 , 𝑥𝑖+1 ], para 𝑖 = 0,1, … , 𝑛 − 1. (para nuestro ejemplo
consideremos que 𝑛 = 4 ) aproximaremos la funcion por medio de una funcion

221
constante, el problema, es que se puede hacer por medio de varias funciones

constantes y hay que elegir cual de estas, en este caso veremos tres formas,
sumas superiores, inferiores y punto medio.
6.1.1. Sumas Superiores (𝒇𝑹𝑺 (𝒙))
En cada subintervalo buscaremos un valor en el cual la funcion alcance el valor mas

alto, (este valor es asegurado ya que la funcion es continua sobre un compacto) es
decir, por ejemplo en el caso de
𝑏 2
2
∫ 𝑓(𝑥)𝑑𝑥 = ∫ 𝑒 −𝑥 𝑑𝑥
𝑎 −1
aproximaremos la funcion 𝑓 por medio de una funcion 𝑓𝑠 .

Para definir esta nueva funcion consideremos la partición quedara como
{−1, −14, 12, 54, 2} y asi el punto que se escoge en cada intervalo es {−14, 0, 12, 54} como se
muestra en la sigiuente grafica,
Gráfica 6.3
y al considerar funciones constantes sobre cada subíntralos encontramos a

aproximación de la funcion por medio de
1 2 1
𝑒 −(−4) , −1 ≤ 𝑥 ≤ −4
1 1
1, −4 < 𝑥 ≤ 2
𝑓𝑅𝑆 (𝑥) = 1 2 1 5
𝑒 −(2) , <𝑥≤4
2
5 2 5
−( )
{ 𝑒 4 , 4
<𝑥≤2

222
y hallar el área bajo estas, esta consideración coincide con construir rectángulos
por encima (aproximación por exceso) de la funcion como se hace en los cursos de
calculo, (sabemos que es mas facil atacar este problema de manera geométrica, sin
embargo, como queremos generalizar este proceso, lo analizaremos
analíticamente), geométricamente, es hallar el área de los rectángulos en la
siguiente grafica y sumarlos,
Gráfica 6.4
en este caso, tenemos que:

3 1 2
Área del primer rectángulo es 4 (𝑒 −(−4) )
3
Area del segundo rectangulo es (1)
4
3 1 2
Area del tercer rectangulo es (𝑒 −(2) )
4
3 5 2
Area del cuarto rectangulo es 4 (𝑒 −(4) )
así el área sombreada es

3 −(−1)2 3 3 1 2 3 5 2
(𝑒 4 ) + (1) + (𝑒 −(2) ) + (𝑒 −(4) )
4 4 4 4
como la partición la tomamos equidistante podemos sacar de factor común el ancho
de cada rectangulo así se puede escribir de la forma
3 −(−1)2 1 2 5 2
[𝑒 4 + 1 + 𝑒 −(2) + 𝑒 −(4) ]
4
ahora si repetimos este proceso para una funcion continua en general sobre una
partición de cuatro rectángulos obtenemos

223
ℎ[𝑓(𝑥
̂)
1 + 𝑓(𝑥
̂)
2 + 𝑓(𝑥
̂)
3 + 𝑓(𝑥
̂)]
4 = ℎ ∑ 𝑓(𝑥̂𝑖 )
𝑖=1
donde cada 𝑥̂𝑖 es un punto donde la funcion 𝑓 alcanza máximo en [𝑥𝑖−1 , 𝑥𝑖 ],

generalizando, para una partición cualquiera {𝑥0 , 𝑥1 , … , 𝑥𝑛 } obtenemos
𝑛 𝑛
ℎ ∑ 𝑓(𝑥̂𝑖 ) = ℎ ∑ 𝑓𝑠 (𝑥𝑖 ) = 𝑅𝑛𝑆

𝑖=1 𝑖=1
Si deseamos usar únicamente este método para aproximar el valor de la integral

definida, debemos notar que al incrementar el numero de puntos en la partición, el
valor de la aproximación es menor, es decir,
𝑅𝑛𝑆 ≤ 𝑅𝑚
𝑆
siempre que 𝑚 < 𝑛
y así podemos construir una sucesión decreciente y acotada de números reales, por
la completez de los números reales, esta sucesión debe ser convergente (Rudin,
1976), así
2
2
𝑅1𝑆 ≥ 𝑅2𝑆 ≥ ⋯ ≥ 𝑅𝑛𝑆 ≥ 𝑅𝑛+1
𝑆
≥ ⋯ ≥ ∫ 𝑒 −𝑥 𝑑𝑥
−1
Veamos el siguiente ejemplo, donde calcularemos una aproximación de este

sucesión partiendo de un determinado numero de cifras significativas, es decir en
esta sucesión calcularemos el error normalizado y observaremos como es tan lenta
que hace inútil el criterio de la tolerancia para la convergencia de sucesiones, lo
cual se ilustra en los siguientes ejemplos
Ejemplo 6.1
2 2
Aproximar el valor de la siguiente integral ∫−1 𝑒 −𝑥 𝑑𝑥 utilizando las sumas
superiores con tres cifras significativas.
Para crear la sucesión tomaremos una partición de n=1, estos nos dar la primera
aproximación, en este caso 𝑅1𝑠 = 3, para n=2 tenemos 𝑅2𝑠 = 2.668201175 y asi
sucesivamente hasta que el error normalizado porcentual sea menor que la
tolerancia, la cual para este ejemplo es 𝑇4 = 10−1−4 = 10−5
Recurriendo a Maple, con el siguiente comando:

224
Gráfica 6.5
obtenemos la siguiente tabla,

Tabla 6-1.
Observemos que en la iteración 122, donde el error normalizado es

0,00009905097603 se alcanzan las tres cifras significativas que supuestamente
queremos.
6.1.2. Sumas Inferiores (𝒇𝑹𝑰 (𝒙))
De manera análoga que en las Sumas Superiores aquí en cada subíntralo

buscaremos un valor en el cual la funcion alcance el valor mas bajo, y definiremos
una funcion 𝑓𝑖 que aproxime a 𝑓 luego para el caso de
2
2
−1
nos queda
Gráfica 6.6

225
Donde la partición quedara como {−1, −14, 12, 54, 2} y asi el punto que se escoge en
cada intervalo es {−14, 12, 54,2} y al considerar funciones constantes sobre cada
subintervalos encontramos a aproximacion de la funcion por medio de
2 1
𝑒 −(−1) , − 1 ≤ 𝑥 ≤ −4
1 2 1 1
𝑒 −(2) , −4 < 𝑥 ≤ 2
𝑓𝑅𝐼 (𝑥) = 5 2 1 5
𝑒 −(4) , <𝑥≤4
2
−(2)2 5
{𝑒 , 4
<𝑥≤2
y hallar el área bajo estas, obtenemos geométricamente,

Gráfica 6.7

3 2
Area del primer rectangulo es 4 (𝑒 −(−1) )
3 1 2
Area del segundo rectangulo es 4 (𝑒 −(2) )
3 5 2
Area del tercer rectangulo es 4 (𝑒 −(4) )

226
3 2
Area del cuarto rectangulo es (𝑒 −(2) )
4

3 −(1)2 3 1 2 3 5 2 3 2
(𝑒 ) + (𝑒 −(2) ) + (𝑒 −(4) ) + (𝑒 −(2) )
4 4 4 4
3 −(1)2 5 2 2 1 2
[𝑒 + 𝑒 −(4) + 𝑒 −(−1) + 𝑒 −(4) ]
4
4
ℎ[𝑓(𝑥
̆)
1 + 𝑓(𝑥
̆)
2 + 𝑓(𝑥
̆)
3 + 𝑓(𝑥
̆)]
4 = ℎ ∑ 𝑓(𝑥̆𝑖 )
𝑖=1
donde cada 𝑥𝑖 es un punto donde la funcion 𝑓 alcanza minimo en [𝑥𝑖−1 , 𝑥𝑖 ],

𝑛 𝑛
ℎ ∑ 𝑓(𝑥̆𝑖 ) = ℎ ∑ 𝑓𝐼 (𝑥𝑖 ) = 𝑅𝑛𝐼

𝑖=1 𝑖=1
Procediendo de la misma manera que en las sumas superiores; aproximaremos el

valor de la integral definida, recordemos que al incrementar el numero de puntos en
la partición, el valor de la aproximación es menor, es decir,
𝑅𝑛𝐼 ≤ 𝑅𝑚
𝐼
siempre que 𝑚 < 𝑛
construiremos nuevamente una sucesión decreciente y acotada de números reales,
como en el caso anterior, por la completez de los números reales, esta sucesión
debe ser convergente (Rudin, 1976), así
2
2
𝑅1𝐼 ≤ 𝑅2𝐼 ≤ 𝑅3𝐼 ≤ ⋯ ≤ 𝑅𝑛𝐼 ≤ 𝑅𝑛+1
𝐼
… ≤ ∫ 𝑒 −𝑥 𝑑𝑥
−1
En el siguiente ejemplo, calcularemos una aproximación de este sucesión partiendo

de un determinado numero de cifras significativas, realizaremos cálculos similares
para evaluar el error normalizado y observaremos que al igual que en el ejemplo
anterior, la convergencia es tan lenta que no es útil el criterio de la tolerancia para la
convergencia de sucesiones

227
Ejemplo 6.2
2 2
Aproximar el valor de la siguiente integral ∫−1 𝑒 −𝑥 𝑑𝑥 utilizando Riemann con
sumas Inferiores , con una aproximación de tres cifras significativas.
Utilizando el software Maple;
Gráfica 6.8
obtenemos la siguiente tabla

Tabla 6-2.
Observemos que en la iteración 123, donde el error normalizado es

0,000099630566 se alcanzan las tres cifras significativas que supuestamente
queremos.
Nota 6.1 Observemos que en los ejemplos anteriores se quería aproximar el

2 2
mismo valor (es decir, ∫−1 𝑒 −𝑥 𝑑𝑥), sin embargo los resultados no
comparten las cifras significativas que se buscaban, esto se debe a que
las sucesiones creadas por la implementación de las sumas superiores e

228
inferiores tienen una convergencia demasiado lenta para poder aplicar el

teorema 2 del capitulo 1.
Lo observación anterior nos hace recurrir a métodos de aproximación de integrales

que tengan una convergencia un poco más rápida.
Las sumas superiores e inferiores en su conjunto son llamadas sumas de Riemann,
las estudiaremos ahora de manera conjunta
6.1.3. RIEMANN
Notemos que se hizo el análisis de las sumas superiores e inferiores de manera

separada, ahora, lo que hacen las sumas de Riemann es trabajar simultáneamente
las dos aproximaciones haciendo uso de la desigualdad
𝑏
𝑅𝑛𝐼 ≤ ∫ 𝑓(𝑥)𝑑𝑥 ≤ 𝑅𝑛𝑆
𝑎
la cual se cumple para todo 𝑛 ∈ ℕ. (Apostol, 1996) (Rudin, 1976)

En realidad las aproximaciones por medio de sumas de Riemann mas que dar
aproximaciones de la integral; dan una sucesión de intervalos en los cuales está el
valor de la integral, donde el ancho de cada una de estos intervalos es (𝑅𝑛𝑆 − 𝑅𝑛𝐼 ) y
va disminuyendo a medida que se hace grande el 𝑛 (y bajo buenas condiciones de
la funcion, por ejemplo, continuidad, la medida de estos intervalos tiende a cero).
En el caso particular de nuestro ejemplo, tenemos
2
𝑅4𝐼 ≤ ∫ 𝑓(𝑥)𝑑𝑥 ≤ 𝑅4𝑆
−1
Para trabajar el error en Riemann lo podemos deducir directamente desde la

desigualdad y concluir que el error es menor a
|𝐸𝑅| ≤ 𝑅𝑛𝑆 − 𝑅𝑛𝐼
A continuación generaremos una tabla con los intervalos donde se encuentra la
aproximación del área; además observaremos como va disminuyendo el ancho
entre estos intervalos.

229
Tabla 6-3.
Para nuestro ejemplo en la 123 iteración el área se encuentra entre

{1.609184869 , 1.648545965}
Es decir
𝑏
1.624502250 ≤ ∫ 𝑓(𝑥)𝑑𝑥 ≤ 1.633304804
𝑎
Observemos que a medida que se aumenta el numero de intervalos; el valor del

ancho disminuye, como lo mencionamos anteriormente.
Por los motivos anteriores proponemos el siguiente método, el cual siempre evalúa
la funcion en el punto medio, garantizando así poderla evaluar y así mismo poderla
acotar.
6.1.4. Sumas Punto Medio (𝒇𝑴 (𝒙))
De manera análoga que en las Sumas del punto medio aquí en cada subíntervalo
(Burden R. y Faires, 2003) buscaremos un valor en el cual la funcion alcance el
punto medio, luego para el caso de
2
2
−1
nos queda

230
Gráfica 6.9
Donde la partición quedara como {−1, −14, 12, 54, 2} y asi el punto que se escoge en
5 1 7 13
cada intervalo es {− 8 , 8 , 8 , 8 } y al considerar funciones constantes sobre cada
subintervalos encontramos a aproximacion de la funcion por medio de

5 2
1
𝑒 −(−8) , −1 < 𝑥 < −4
1 2
1 1
𝑒 −(8) , −4 < 𝑥 < 2
𝑓𝑀 (𝑥) =
7 2 1 5
𝑒 −(8,) , <𝑥<4
2
13 2 5
−( )
{ 𝑒 8 , 4
<𝑥<2
y hallar el área bajo estas obtenemos geométricamente,

Gráfica 6.10

5 2
3
Area del primer rectangulo es 4 (𝑒 −(−8) )
1 2
3
Area del segundo rectangulo es 4 (𝑒 −(8) )
3 7 2
Area del tercer rectangulo es 4 (𝑒 −(8,) )
3 13 2
Area del cuarto rectangulo es (𝑒 −( 8 ) )
4

231
3 −(−5)2 3 1 2 3 7 2 3 13 2
(𝑒 8 ) + (𝑒 −(8) ) + (𝑒 −(8,) ) + (𝑒 −( 8 ) )
4 4 4 4
3 −(−5)2 1 2 7 2 13 2
[𝑒 8 + 𝑒 −(8) + 𝑒 −(8,) + 𝑒 −( 8 ) ]
4
2 2
Ejemplo 6.3 Aproximar el valor de la siguiente integral ∫−1 𝑒 −𝑥 𝑑𝑥 utilizando Riemann con
sumas de punto medio
Utilizando el software Maple;
Gráfica 6.11

232
obtenemos la siguiente tabla

Tabla 6-4.
4
𝑥𝑜 + 𝑥1 𝑥1 + 𝑥2 𝑥2 + 𝑥3 𝑥3 + 𝑥4 𝑥𝑖−1 + 𝑥𝑖
ℎ [𝑓 ( )+𝑓( )+𝑓( )+𝑓( )] = ℎ ∑ 𝑓 ( )
2 2 2 2 2
𝑖=1
𝑥𝑖−1 +𝑥𝑖
donde cada es un punto medio del subintervalo [𝑥𝑖−1 , 𝑥𝑖 ],
2

𝑛 𝑛
𝑥𝑖−1 + 𝑥𝑖
ℎ∑𝑓( ) = ℎ ∑ 𝑓𝑀 (𝑥𝑖 ) = 𝑅𝑛𝑀
2
𝑖=1 𝑖=1
Notemos que independiente del valor de 𝑛 siempre se va a tener la desigualdad

𝑅𝑛𝐼 ≤ 𝑅𝑛𝑀 ≤ 𝑅𝑛𝑆
es mas, tenemos la siguiente desigualdad que involucra el valor real de la integral

(aunque no sabemos cual es)
𝑏
𝑅𝑛𝐼 ≤ ∫ 𝑓(𝑥)𝑑𝑥 ≤ 𝑅𝑛𝑆
𝑎
𝑏
Nota 6.2 En ningún momento se están relacionando 𝑅𝑛𝑀 y ∫𝑎 𝑓(𝑥)𝑑𝑥, si se desea
realizar dicho análisis, es necesario en cada subintervalo hacer la
aproximación de la función por medio de la serie de Taylor centrada en el
punto medio de cada subintervalo y estudiar el error de truncamiento para
cada una de ellas con 𝑛 = 0.

233
Ya que la noción de limite es un concepto matemático, netamente analítico, no lo

podemos considerar en el caso numérico, (una maquina no se puede acercar tanto
como quiera a un número real), consideramos el n como un numero finito.
6.2 Aproximación por medio de un Polinomio de grado 1 (Método del

trapecio)
Como vimos en las sumas de Riemann, se cambia la función original 𝑓, por una
función escalonada, (es decir, una función definida a trozos donde cada parte es un
polinomio de grado cero), ahora queremos generalizar un poco esta idea, con el
método del trapecio utilizamos una función definida a troz os, donde cada parte es
una funcion lineal (polinomio de grado uno).
El método del trapecio utiliza la aproximación por medio de una función lineal; Para
la deducción de la formula del trapecio podemos tomar dos caminos uno es por
medio de áreas y el otro es por medio de el polinomio lineal interpolante, esta da
una idea mas clara del error que se comete.
Iniciaremos con la aproximación por medio de áreas: Al igual que en los métodos
anteriores, partiremos el dominio de la funcion con una partición equidistante
(aunque no necesariamente debe ser equidistante) sobre [𝑎, 𝑏] de 𝑛 + 1 puntos, asi
(𝑏−𝑎)
{𝑥0 , 𝑥1 , … , 𝑥𝑛 } donde h es el tamano del intervalo , así, ℎ = .
𝑛
En cada subíntralo [𝑥𝑖 , 𝑥𝑖+1 ] aproximaremos la funcion por medio de una recta (un
polinomio de grado 1, o menor, en el caso en que 𝑓(𝑥𝑖 ) = 𝑓(𝑥𝑖+1 )), la forma mas
natural, es por medio de la recta que pasa por los puntos (𝑥𝑖 , 𝑓(𝑥𝑖 )) y
(𝑥𝑖+1 , 𝑓(𝑥𝑖+1 )), es decir, por medio del polinomio interpolador que pasa por
(𝑥𝑖 , 𝑓(𝑥𝑖 )) y (𝑥𝑖+1 , 𝑓(𝑥𝑖+1 )), retomemos la integral
2
2
−1
y nuevamente consideremos que 𝑛 = 4, en este caso tenemos la siguiente grafica

234
Gráfica 6.12
formamos 4 trapecios (de aquí el nombre del método), donde el área de cada
trapecio puede hallarla en forma geométrica como
El área del trapecio 1 es

𝑓(𝑥0 ) + 𝑓(𝑥1 )
[ ]ℎ
2
𝑓(𝑥1 ) + 𝑓(𝑥2 )
[ ]ℎ
2
𝑓(𝑥2 ) + 𝑓(𝑥3 )
[ ]ℎ
2
𝑓(𝑥3 ) + 𝑓(𝑥4 )
[ ]ℎ
2
𝑏−𝑎
donde ℎ es el tamano de cada subintervalo, en este caso ℎ = .
𝑛
Sumamos dichas áreas (gracias a la linealidad de la integral) y obtenemos
𝑓(𝑥0 ) + 𝑓(𝑥1 ) 𝑓(𝑥1 ) + 𝑓(𝑥2 ) 𝑓(𝑥2 ) + 𝑓(𝑥3 ) 𝑓(𝑥3 ) + 𝑓(𝑥4 )

ℎ{ + + + }
2 2 2 2

235
y de esta manera se puede llegar rápido a una generalización, sin embargo, desde
este punto de vista, es muy difícil (por no decir imposible), realizar el estudio del
error que se comete, ahora, lo estudiaremos desde un punto de vista mas analítico,
es decir, como ya lo mencionamos en cada subintervalo [𝑥𝑖 , 𝑥𝑖+1 ]aproximar la
funcion por medio del polinomio interpolador que pasa por (𝑥𝑖 , 𝑓(𝑥𝑖 )) y
(𝑥𝑖+1 , 𝑓(𝑥𝑖+1 )), en este caso, para el primer subintervalo, utilizando interpolacion por
los puntos (𝑥0 , 𝑓(𝑥0 )) y (𝑥1 , 𝑓(𝑥1 )) tenemos
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑁(𝑥) = 𝑓(𝑥0 ) + ( ) (𝑥 − 𝑥0 )
𝑥1 − 𝑥0
que es un polinomio de grado 1 (o cero) el cual vamos a considerar como
aproximación de la curva 𝑓(𝑥) en el intervalo [𝑥0 , 𝑥1 ], al hacer esto en cada
subintervalo encontramos una funcion definida a trozos que aproxima la funcion
original y es dada en este caso por
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑓(𝑥0 ) + ( ) (𝑥 − 𝑥0 ), 𝑥0 ≤ 𝑥 ≤ 𝑥1
𝑥1 − 𝑥0
𝑓(𝑥2 ) − 𝑓(𝑥1 )
𝑓(𝑥1 ) + ( ) (𝑥 − 𝑥1 ), 𝑥1 < 𝑥 ≤ 𝑥2
𝑥2 − 𝑥1
𝑓𝑇 (𝑥) =
𝑓(𝑥3 ) − 𝑓(𝑥2 )
𝑓(𝑥2 ) + ( ) (𝑥 − 𝑥2 ), 𝑥2 < 𝑥 ≤ 𝑥3
𝑥3 − 𝑥2
𝑓(𝑥4 ) − 𝑓(𝑥3 )
𝑓(𝑥3 ) + ( ) (𝑥 − 𝑥3 ), 𝑥3 < 𝑥 ≤ 𝑥4
{ 𝑥4 − 𝑥3
y ahora integramos esta funcion entre 𝑎 y 𝑏, lo cual coincide con el trato geometrico
ya que
𝑥𝑖+1
𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖 ) 𝑓(𝑥𝑖 ) + 𝑓(𝑥𝑖+1 )
∫ 𝑓(𝑥𝑖 ) + ( ) (𝑥 − 𝑥𝑖 )𝑑𝑥 = ℎ ( )
𝑥𝑖+1 − 𝑥𝑖 2
𝑥𝑖
y con lo cual
𝑏 𝑛−1 𝑥𝑖+1
𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖 )
∫ 𝑓𝑇 (𝑥)𝑑𝑥 = ∑ ∫ 𝑓(𝑥𝑖 ) + ( ) (𝑥 − 𝑥𝑖 )𝑑𝑥
𝑥𝑖+1 − 𝑥𝑖
𝑎 𝑖=0 𝑥𝑖
y sustituyendo obtenemos

236
∫ 𝑓𝑇 (𝑥)𝑑𝑥
𝑎
𝑓(𝑥0 ) + 𝑓(𝑥1 ) 𝑓(𝑥1 ) + 𝑓(𝑥2 ) 𝑓(𝑥2 ) + 𝑓(𝑥3 )

= ℎ{ + +
2 2 2
𝑓(𝑥3 ) + 𝑓(𝑥4 )
+ }
2
y reduciendo términos obtenemos
ℎ
𝐴𝑇4 = (𝑓(𝑥0 ) + 2𝑓(𝑥1 ) + 2𝑓(𝑥2 ) + 2𝑓(𝑥3 ) + 𝑓(𝑥4 ))
2
al generalizar a 𝑛 subintervalos obtenemos la formula
ℎ
(6.6) 𝐴𝑇𝑛 = 2 [𝑓(𝑥0 ) + 2 ∑𝑛−1
𝑖=1 𝑓(𝑥𝑖 ) + 𝑓(𝑥𝑛 )]
2 2
Ejemplo 6.4 Aproximar el valor de ∫−1 𝑒 −𝑥 𝑑𝑥 por medio del metodo del trapecio para
𝑛 = 6.
Para esto debemos partir el intervalo (𝑎, 𝑏) en 6 subintervalos, lo cual nos
lleva a la partición {𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6 } = {−1, −0.5,0,0.5,1,1.5,2}
Aplicando la formula (6.6) obtenemos

ℎ
𝐴𝑇6 = (𝑓(𝑥0 ) + 2𝑓(𝑥1 ) + 2𝑓(𝑥2 ) + 2𝑓(𝑥3 ) + 2𝑓(𝑥4 ) + 2𝑓(𝑥5 ) + 𝑓(𝑥6 ))
2
que en este caso es
ℎ
𝐴𝑇6 = (𝑓(−1) + 2𝑓(−0.5) + 2𝑓(0) + 2𝑓(0.5) + 2𝑓(1) + 2𝑓(1.5) + 𝑓(2))
2
así
𝐴𝑇6 = 1.611988886
Nota 7.1 la anterior cuenta se realizo usando el siguiente programa en Maple
Gráfica 6.13

237
El ejemplo anterior simplemente es ilustrativo, ya que no es útil en la practica dado

que no sabemos que tan “buena” es dicha aproximación, para esto debemos aplicar
un poco la teoría del error, existen dos formas para asegurar una “buena”
aproximación, la primera y mas natural es construir una sucesión con las
aproximaciones del método del trapecio aumentando el valor de 𝑛, es decir,
construir la sucesion
{𝐴1𝑇 , 𝐴𝑇2 , 𝐴𝑇3 , … }
y analizar el error normalizado porcentual de dicha serie y de esta manera buscar
un numero de cifras significativas deseado. La segunda forma de buscar una
“buena” aproximación es estudiar el error puntual que se comete al aproximar la
funcion en cada intervalo, de esta forma se encuentra una cota superior para el
error y buscar el numero de cifras decimales deseadas la cual será analizada mas
adelante.
2 2
Ejemplo 6.5 Encuentre una aproximación del valor de ∫−1 𝑒 −𝑥 𝑑𝑥 por medio del metodo
del trapecio con 4 cifras significativas.
Para esto construimos la sucesión {𝐴1𝑇 , 𝐴𝑇2 , 𝐴𝑇3 , … } (notemos que esta es una
sucesion numerica) y comparamos con la tolerancia , esto se muestra en la
siguiente tabla

238
Tabla 6-5.
por lo tanto la aproximación es

𝐴𝑇43 = 1.628577339
de la cual podemos asegurar que las primeras cuatro cifras son exactas.
Nota 7.2 El anterior resultado fue producto del siguiente código en maple
Gráfica 6.14

239
La segunda forma como ya comentamos es analizar en cada intervalo el error

puntual de la aproximación de la funcion 𝑓(𝑥) por medio 𝑓𝑇 (𝑥), sin embargo, se
necesita imponer condiciones adicionales a la funcion 𝑓.

240
6.2.1. Cota de error para la regla del trapecio:
Considerando la función 𝑓 en [𝑎, 𝑏] y tomando 𝑛 = 1 podemos pasar el polinomio de

interpolacion de Newton e integrar entre a y b es decir
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑁(𝑥) = 𝑓(𝑥0 ) + ( ) (𝑥 − 𝑥0 )
𝑥1 − 𝑥0
Recordemos que este polinomio tiene un error al aproximar cualquier punto de la

función diferente a los nodos así,
𝑓(𝑥1 )−𝑓(𝑥0 )
𝑁(𝑥) = 𝑓(𝑥0 ) + ( ) (𝑥 − 𝑥0 ) + 𝑅1 (𝜉)
𝑥1 −𝑥0
Donde
𝑓′′(𝜉)(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
𝑅1 (𝜉) =
2
Gráfica 6.15
Ahora utilizaremos la aproximación utilizando el polinomio interpolador de Newton,

para dos puntos dados; Por lo tanto, utilizando nodos igualmente espaciados
obtenemos una aproximación del área del trapecio generada por este polinomio:

241
𝑏 𝑏
𝑓(𝑥1 ) − 𝑓(𝑥0 )
∫ 𝑓(𝑥)𝑑𝑥 = ∫ [𝑓(𝑥0 ) + ( ) (𝑥 − 𝑥0 )+𝑅𝑛 (𝜉)] 𝑑𝑥
𝑥1 − 𝑥0
𝑎 𝑎
sean 𝑥0 = 𝑎 , 𝑥1 = 𝑏, ℎ= 𝑏−𝑎
𝑥1
𝑓(𝑥1 ) − 𝑓(𝑥0 ) 𝑓′′(𝜉)(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
= ∫ [𝑓(𝑥0 ) + ( ) (𝑥 − 𝑥0 ) + ] 𝑑𝑥
𝑥0 𝑥1 − 𝑥0 2
Dado que ( 𝑥 − 𝑥0 )( 𝑥 − 𝑥1 ) no cambio de signo en  x0 , x1  , podemos aplicar el

teorema de valor medio ponderado de las integrales al termino de error a fin de
obtener, para algún  en ( x0 , x1 ):
Integrando este error vemos que el error es de tipo O(h)
𝑥1 𝑥1
𝑓′′(𝜉)(𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
∫ [ ] 𝑑𝑥 = 𝑓′′(𝜉) ∫ (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )𝑑𝑥
𝑥0 2 𝑥0
𝑥1 𝑥
′′ (𝜉)
𝑥3 𝑥2 1
=𝑓 ∫ [𝑥 2 − 𝑥(𝑥1 + 𝑥0 ) + 𝑥1 𝑥0 ]𝑑𝑥 = 𝑓 ′′ (𝜉)

( − (𝑥1 + 𝑥0 ) + 𝑥1 𝑥0 𝑥⌋ )
𝑥0 3 2 𝑥
0
𝑥13 𝑥12 𝑥03 𝑥02

= 𝑓 ′′ (𝜉) ( − (𝑥1 + 𝑥0 ) + 𝑥12 𝑥0 − + (𝑥1 + 𝑥0 ) − 𝑥02 𝑥1 )
3 2 3 2
𝑥13 𝑥13 𝑥12 𝑥0 𝑥03 𝑥02 𝑥1 𝑥03
= 𝑓 ′′ (𝜉) ( − − + 𝑥12 𝑥0 − + + − 𝑥02 𝑥1 )
3 2 2 3 2 2
𝑥13 𝑥03 𝑥12 𝑥0 𝑥02 𝑥1
= 𝑓 ′′ (𝜉) (− + + − )
6 6 2 2
′′ (𝜉)
(𝑥1 − 𝑥0 )(𝑥1 2 + 𝑥0 𝑥1 + 𝑥0 2 ) (𝑥1 − 𝑥0 )𝑥0 𝑥1
−𝑓 [ + ]
6 2
′′ (𝜉)
(𝑥1 − 𝑥0 )(𝑥1 2 + 𝑥0 𝑥1 + 𝑥1 2 − 3𝑥0 𝑥1 )
−𝑓 [ ]
6
′′ (𝜉)
(𝑥1 − 𝑥0 )(𝑥1 − 𝑥0 )2
−𝑓 [ ]
6
(𝑥1 − 𝑥0 )3
−𝑓 ′′ (𝜉) [ ]
6
Como ℎ = 𝑥1 − 𝑥 0 ; tenemos

242
ℎ3 ′′
=− 𝑓 (𝜉)
6
Gráfica 6.16
Como el termino de error de la regla del trapecio contiene 𝑓’’, la regla da el

resultado exacto cuando se aplica a una función cuya segunda derivada sea cero,
es decir, cualquier polinomio de grado 1 o menos.
 ET   ( b - a )3 M en donde M   f’’(x) 
12
Si f’’ es continua y M es cualquier cota superior para los valores de (f’’) en a,b
Con lo anterior podemos concluir que si 𝑓 es una función dos veces diferenciable en
un intervalo (𝑎, 𝑏), y consideremos el error 𝐸𝑛𝑇 cometido al aproximar el valor de la
b
integral ∫a f(x)dx por medio del metodo del trapecio 𝐴𝑇𝑛 , es decir
𝑏
𝐸𝑛𝑇 = ∫ 𝑓(𝑥)𝑑𝑥 − 𝐴𝑇𝑛
𝑎
que puede ser acotado por la expresión
(𝑏−𝑎)3
(6.7) |𝐸𝑛𝑇 | ≤ 𝑀𝑇
12𝑛2
Donde
𝑠𝑢𝑝 |𝑓 ′′ (𝑥)| ≤ 𝑀𝑇
𝑥∈[𝑎,𝑏]
Ya con esta cota, la podemos hacer el valor 𝐸𝑛𝑇 tan pequeña como se quiera (eso se
1 1
debe gracias a que la función 𝑛2 la cual es decreciente, positiva y lim𝑛→∞ 𝑛2 = 0) de

243
esta forma se pueden buscar las cifras decimales que se deseen, esto lo
ilustraremos en el siguiente ejemplo.
2 2
Ejemplo 6.6 Aproximar el valor de la siguiente integral ∫−1 𝑒 −𝑥 𝑑𝑥 utilizando la regla del
Trapecio con un error no mayor de 10−6
Como tenemos en la ecuación (6.7) una cota para el error del método del trapecio
para una partición de 𝑛 es dado por (Bulirsch, 1993) (Chapra C. Steven, 1988)
(𝑏−𝑎)3
(6.8) |𝐸𝑛𝑇 | ≤ 𝑀𝑇
12𝑛2
los valores de 𝑎 y 𝑏 son conocidos el valor de 𝑛 es el que debemos encontrar, por lo

tanto, debemos primero debemos encontrar un valor para 𝑀𝑇 , para esto,
recordemos que
(6.9) 𝑀𝑇 ≥ sup𝑥∈[𝑎,𝑏] |𝑓′′(𝑥)|
por lo cual debemos conocer la segunda derivada (así este tipo de error es
aplicable únicamente si la funcion es dos veces diferenciable), en este caso
sabemos que si
2
𝑓(𝑥) = 𝑒 −𝑥
entonces
2
(6.10) 𝑓′′(𝑥) = 𝑒 −𝑥 (4𝑥 2 − 2)
2
Así, para hallar 𝑀𝑇 tenemos que acotar |𝑓′′(𝑥)| , para esto primero acotamos 𝑒 −𝑥 y
partimos de
−1 ≤ 𝑥 ≤ 2
0 ≤ 𝑥2 ≤ 4 multiplicando por -1 a ambos lados
−4 ≤ −𝑥 2 ≤ 0 aplicando la funcion exponencial
−𝑥 2
𝑒 −4 ≤ 𝑒 ≤ 𝑒0 = 1 ,es decir ,
2
(6.11) 𝑒 −𝑥 ≤ 1
quedando acotado el primer termino, para el segundo termino nuevamente
partimos de −1 ≤ 𝑥 ≤ 2 con lo cual
−1 ≤ 𝑥 ≤ 2 aplicando la función cuadrado

244
0 ≤ 𝑥2 ≤ 4 multiplicando por 4
0 ≤ 4𝑥 2 ≤ 16 restando 2
−2 ≤ 4𝑥 2 − 2 ≤ 14 Tomando valor absoluto
(6.12) |4𝑥 2 − 2| ≤ 14
quedando acotado el segundo termino
sustituyendo las desigualdades (6.11) y (6.12) en (6.9) tenemos
𝑀𝑇 = 14
por lo tanto la ecuación (6.8) queda
3
(𝑏 − 𝑎)3 (1 − (−2))
|𝐸𝑛𝑇 | ≤ 2
𝑀𝑇 = | (14)|
12𝑛 12𝑛2
donde estamos buscando a su vez que sea menor que 10−6 operando
tenemos
378
< 10−6
12𝑛2
despejando 𝑛 (lo cual siempre es posible) tenemos
𝑛 > 5612,48
así, tomaremos 𝑛 = 5613 particiones se garantizan un error no mayor a 10−6
Utilizando maple obtenemos
𝐴𝑇5613 = 1.628905505
Gráfica 6.17

245
Nota 7.3 Como observamos es mejor poder acotar la funcion; ya que con esta
llegamos de forma inmediata al numero de particiones y no tenemos que
recurrir a construir la sucesión{𝐴1𝑇 , 𝐴𝑇2 , 𝐴𝑇3 , … } la cual exige demasiadas
operaciones para la maquina ya que esta sucesion no es de recurrencia.
6.3 Aproximación por medio de un Polinomio de grado 2 (Método de

Simpson)
Este método también es conocido como el método de SIMPSON, continua con las
mismas ideas del método del trapecio y las generaliza de la siguiente forma, si el
método del trapecio tomaba un par de puntos y pasaba el polinomio interpolador, el
método de Simpson ahora por cada tres puntos trazara el polinomio de
interpolación, Para obtener una aproximación de la función vista como una función
a trozos, donde en cada trozo se toma un polinomio de interpolación de grado 2 (o 1
o 0) como aproximación de la función original, esto es, tomara una partición del
intervalo (𝑎, 𝑏) al igual que en el trapecio y ahora toma los tres primeros puntos
generados por dicha partición, es decir, (𝑥0 , 𝑓(𝑥0 )) , (𝑥1 , 𝑓(𝑥1 )) y (𝑥2 , 𝑓(𝑥2 )) y
calcula el polinomio interpolador que pasa por dichos puntos, esto lo
consideraremos como la aproximación de la función en el intervalo (𝑥0 , 𝑥2 )
Gráfica 6.18

246
Ahora, tomaremos otros tres puntos a la derecha para nuevamente generar una
aproximación polinomial con tres puntos, en este caso los puntos serán (𝑥2 , 𝑓(𝑥2 )) ,
(𝑥3 , 𝑓(𝑥3 )) y (𝑥4 , 𝑓(𝑥4 )) y nuevamente calcularemos el polinomio interpolador, el
cual consideraremos la aproximación de la función en el intervalo (𝑥2 , 𝑥4 )
Gráfica 6.19
Este proceso se repite hasta cubrir la totalidad de puntos generados por la partición,
(de esta manera se hace necesario que el numero 𝑛 de subintervalos generados
por la partición sea par), así definimos la función 𝑓𝑆 (𝑥) como una aproximación de la
función 𝑓(𝑥) definida en cada intervalo de la forma (𝑥𝑖 , 𝑥𝑖+2 ) donde 𝑖 = 0,2,4, … 𝑛 − 2
como el polinomio interpolador que pasa por los puntos (𝑥𝑖 , 𝑓(𝑥𝑖 )) , (𝑥𝑖+1 , 𝑓(𝑥𝑖+1 )) y
(𝑥𝑖+2 , 𝑓(𝑥𝑖+2 )).
para ilustrar esto lo mostraremos en el caso en que 𝑛 = 8 Para este caso (𝑛 = 8) el

proceso anterior se repetirá en cada uno de los 4 intervalos
(𝑥0 , 𝑥2 ), (𝑥2 , 𝑥4 ), (𝑥4 , 𝑥6 ) 𝑦 (𝑥6 , 𝑥8 ) de tal forma se encuentran 4 polinomios de
interpolación los cuales son
𝑓(𝑥1 ) − 𝑓(𝑥0 )
𝑁(𝑥) = 𝑓(𝑥0 ) + ( ) (𝑥 − 𝑥0 )
𝑥1 − 𝑥0
𝑓(𝑥2 ) − 2𝑓(𝑥1 ) + 𝑓(𝑥0 )
+( ) (𝑥 − 𝑥0 )(𝑥 − 𝑥1 )
2ℎ2
Para el intervalo (𝑥0 , 𝑥2 ).

247
𝑓(𝑥3 ) − 𝑓(𝑥2 )
𝑁(𝑥) = 𝑓(𝑥2 ) + ( ) (𝑥 − 𝑥0 )
𝑥1 − 𝑥0
𝑓(𝑥4 ) − 2𝑓(𝑥3 ) + 𝑓(𝑥2 )
+( ) (𝑥 − 𝑥2 )(𝑥 − 𝑥3 )
2ℎ2
𝑓(𝑥5 ) − 𝑓(𝑥4 )
𝑁(𝑥) = 𝑓(𝑥4 ) + ( ) (𝑥 − 𝑥0 )
𝑥1 − 𝑥0
𝑓(𝑥6 ) − 2𝑓(𝑥5 ) + 𝑓(𝑥4 )
+( ) (𝑥 − 𝑥4 )(𝑥 − 𝑥5 )
2ℎ2
𝑓(𝑥7 ) − 𝑓(𝑥6 )
𝑁(𝑥) = 𝑓(𝑥6 ) + ( ) (𝑥 − 𝑥0 )
𝑥1 − 𝑥0
𝑓(𝑥8 ) − 2𝑓(𝑥7 ) + 𝑓(𝑥6 )
+( ) (𝑥 − 𝑥6 )(𝑥 − 𝑥7 )
2ℎ2
De esta manera podemos definir la función 𝑓𝑆 (𝑥) como
𝑓𝑆 (𝑥)
𝑓(𝑥1 ) − 𝑓(𝑥0 ) 𝑓(𝑥2 ) − 2𝑓(𝑥1 ) + 𝑓(𝑥0 )
𝑓(𝑥0 ) + ( ) (𝑥 − 𝑥0 ) + ( ) (𝑥 − 𝑥0 )(𝑥 − 𝑥1 ), 𝑥0 ≤ 𝑥 ≤ 𝑥2
𝑥1 − 𝑥0 2ℎ2
𝑓(𝑥3 ) − 𝑓(𝑥2 ) 𝑓(𝑥4 ) − 2𝑓(𝑥3 ) + 𝑓(𝑥2 )
𝑓(𝑥2 ) + ( ) (𝑥 − 𝑥2 ) + ( ) (𝑥 − 𝑥2 )(𝑥 − 𝑥3 ), 𝑥2 < 𝑥 ≤ 𝑥4
𝑥3 − 𝑥2 2ℎ2
=
𝑓(𝑥5 ) − 𝑓(𝑥4 ) 𝑓(𝑥6 ) − 2𝑓(𝑥5 ) + 𝑓(𝑥4 )
𝑓(𝑥4 ) + ( ) (𝑥 − 𝑥4 ) + ( ) (𝑥 − 𝑥4 )(𝑥 − 𝑥5 ), 𝑥4 < 𝑥 ≤ 𝑥6
𝑥5 − 𝑥4 2ℎ2
𝑓(𝑥7 ) − 𝑓(𝑥6 ) 𝑓(𝑥8 ) − 2𝑓(𝑥7 ) + 𝑓(𝑥6 )
𝑓(𝑥6 ) + ( ) (𝑥 − 𝑥6 ) + ( ) (𝑥 − 𝑥6 )(𝑥 − 𝑥7 ), 𝑥6 < 𝑥 ≤ 𝑥8
{ 𝑥7 − 𝑥6 2ℎ2
geométricamente obtenemos
Gráfica 6.20

248
Nota 7.4 Observe que en cada trozo (𝑥𝑖 , 𝑥𝑖+2 ) donde 𝑖 = 0,2,4, … 𝑛 − 2 se toman los
puntos (𝑥𝑖 , 𝑓(𝑥𝑖 )) , (𝑥𝑖+1 , 𝑓(𝑥𝑖+1 )) y (𝑥𝑖+2 , 𝑓(𝑥𝑖+2 )) y se aproxima por medio
del polinomio interpolador pase por dichos puntos; y claramente se ve (Ver
graficas) que se pueden presentar tres opciones: Cuadrático, lineal y
constante.
Gráfica 6.21
Ya con esta aproximación de la función 𝑓(𝑥) podemos buscar una aproximación de

𝑏 𝑏
la integral ∫𝑎 𝑓(𝑥)𝑑𝑥 por medio de la integral ∫𝑎 𝑓𝑆 (𝑥)𝑑𝑥, que geometricamente es,
Gráfica 6.22

249
para esto en cada basta calcular

𝑥𝑖+2
𝑓(𝑥𝑖+1 ) − 𝑓(𝑥𝑖 )
∫ 𝑓(𝑥𝑖 ) + ( ) (𝑥 − 𝑥0 )
𝑥𝑖 𝑥𝑖+1 − 𝑥𝑖
𝑓(𝑥𝑖+2 ) − 2𝑓(𝑥𝑖+1 ) + 𝑓(𝑥𝑖 )
+( ) (𝑥 − 𝑥𝑖 )(𝑥 − 𝑥𝑖+1 )𝑑𝑥
2ℎ2
la cual da (ejercicio)
ℎ
[𝑓(𝑥𝑖 ) + 4𝑓(𝑥𝑖+1 ) + 𝑓(𝑥𝑖+2 )]
3
y con lo cual (en el caso 𝑛 = 8)
𝑏
∫ 𝑓𝑆 (𝑥)𝑑𝑥
𝑎
ℎ ℎ
= [𝑓(𝑥𝑖 ) + 4𝑓(𝑥𝑖+1 ) + 𝑓(𝑥𝑖+2 )] + [𝑓(𝑥𝑖 ) + 4𝑓(𝑥𝑖+1 ) + 𝑓(𝑥𝑖+2 )]
3 3
ℎ ℎ
+ [𝑓(𝑥𝑖 ) + 4𝑓(𝑥𝑖+1 ) + 𝑓(𝑥𝑖+2 )] + [𝑓(𝑥𝑖 ) + 4𝑓(𝑥𝑖+1 ) + 𝑓(𝑥𝑖+2 )]
3 3
Y reduciendo obtenemos
𝑏
∫ 𝑓𝑆 (𝑥)𝑑𝑥
𝑎
ℎ
= {𝑓(𝑥0 ) + 4𝑓(𝑥1 ) + 2𝑓(𝑥2 ) + 4𝑓(𝑥3 ) + 2𝑓(𝑥4 ) + 4𝑓(𝑥5 )
3
+ 2𝑓(𝑥6 ) + 4𝑓(𝑥7 ) + 𝑓(𝑥8 )}
El cual notaremos por

250
ℎ
𝐴8𝑆 = {𝑓(𝑥0 ) + 4𝑓(𝑥1 ) + 2𝑓(𝑥2 ) + 4𝑓(𝑥3 ) + 2𝑓(𝑥4 ) + 4𝑓(𝑥5 )2𝑓(𝑥6 ) + 4𝑓(𝑥7 )
3
+ 𝑓(𝑥8 )}
al generalizar a 𝑛 subintervalos (n par) obtenemos la formula
𝑛−1 𝑛−2
ℎ
𝐴𝑛𝑠 = 𝑓(𝑥0 ) + 𝑓(𝑥𝑛 ) + 4 ∑ 𝑓(𝑥𝑖 ) + 2 ∑ 𝑓(𝑥𝑖 )
3
𝑖=1 𝑖=2
[ 𝑖 𝑖𝑚𝑝𝑎𝑟 𝑖 𝑝𝑎𝑟 ]
2 2
Ejemplo 6.7 Aproximar el valor de ∫−1 𝑒 −𝑥 𝑑𝑥 por medio del metodo del simpson para
𝑛 = 6.
Para esto debemos partir el intervalo (𝑎, 𝑏) en 6 subintervalos, lo cual nos
lleva a la particion {𝑥0 , 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6 } = {−1, −0.5,0,0.5,1,1.5,2}
Aplicando la formula (6.6) obtenemos

ℎ
𝐴6𝑆 = (𝑓(𝑥0 ) + 4𝑓(𝑥1 ) + 2𝑓(𝑥2 ) + 4𝑓(𝑥3 ) + 2𝑓(𝑥4 ) + 4𝑓(𝑥5 ) + 𝑓(𝑥6 ))
3
que en este caso es
ℎ
𝐴6𝑆 = (𝑓(−1) + 4𝑓(−0.5) + 2𝑓(0) + 4𝑓(0.5) + 2𝑓(1) + 4𝑓(1.5) + 𝑓(2))
3
así
𝐴6𝑆 = 1.628992854
Nota 7.5 la anterior cuenta se realizo usando el siguiente programa en Maple
Gráfica 6.23

251
El ejemplo anterior al igual que el Ejemplo 6.4 simplemente es ilustrativo por las
mismas razones en trapecio, de forma análoga al caso del trapecio existen dos
formas para asegurar una “buena” aproximación, la primera es la misma del
trapecio, construir una sucesión con las aproximaciones del método del Simpson
aumentando el valor de 𝑛, es decir, construir la sucesion
{𝐴2𝑆 , 𝐴4𝑆 , 𝐴6𝑆 , … }
y analizar el error normalizado porcentual de dicha serie y de esta manera buscar
un numero de cifras significativas deseado. La segunda forma de buscar una
“buena” aproximación nuevamente es estudiar el error puntual que se comete al
aproximar la funcion en cada intervalo, de esta forma se encuentra una cota
superior para el error y buscar el número de cifras decimales deseadas la cual será
analizada mas adelante.
2 2
Ejemplo 6.8 Encuentre una aproximación del valor de ∫−1 𝑒 −𝑥 𝑑𝑥 por medio del método
de Simpson con 4 cifras significativas.
Para esto construimos la sucesión {𝐴1𝑆 , 𝐴2𝑆 , 𝐴3𝑆 , … } (notemos que esta es una
sucesion numerica) y comparamos con la tolerancia, esto se muestra en la
siguiente tabla
Tabla 6-6.

252

𝑆
𝐴12 = 1.628920890
de la cual podemos asegurar que las primeras cinco cifras son exactas.
Gráfica 6.24
La segunda forma como ya comentamos es analizar en cada intervalo el error

puntual de la aproximación de la función 𝑓(𝑥) por medio 𝑓𝑆 (𝑥), sin embargo, al igual
que en el caso del trapecio donde se impuso condiciones adicionales (dos veces
diferenciable) aquí también se necesitan condiciones de este tipo sobre 𝑓.

253
6.3.1. Cota para el error en el método de Simpson
Sea 𝑓 una función 4 veces diferenciable en un intervalo (𝑎, 𝑏), y consideremos el

𝑏
error 𝐸𝑆 cometido por aproximación de la integral ∫𝑎 𝑓(𝑥)𝑑𝑥 por medio del método
de Simpson para una partición de 𝑛 subintervalos 𝐴𝑛𝑆 , es decir
𝑏
𝐸𝑆 = |∫ 𝑓(𝑥)𝑑𝑥 − 𝐴𝑛𝑆 |
𝑎
Puede ser acotado por la expresión
(𝑏−𝑎)5
(6.13) |𝐸𝑆 | ≤ 𝑀𝑆
180𝑛4
Donde
𝑠𝑢𝑝 |𝑓 (𝑖𝑣) (𝑥)| ≤ 𝑀𝑆
𝑥∈[𝑎,𝑏]
Ya con esta cota, la podemos hacer el valor 𝐸𝑆 tan pequeña como se quiera
(Burden R. y Faires, 2003) (Chapra C. Steven, 1988) (eso se debe gracias a que
1 1
la función 𝑛4 la cual es decreciente,positiva y lim𝑛→∞ 𝑛4 = 0) de esta forma se
pueden buscar las cifras decimales que se deseen, esto lo ilustraremos en el

siguiente ejemplo.
2 2
Ejemplo 6.9 Aproximar el valor de la siguiente integral ∫−1 𝑒 −𝑥 𝑑𝑥 utilizando el método de
Simpson con un error no mayor de 10−6
Solución
Como tenemos en la ecuación (6.13) una cota para el error del método de Simpson
para una partición de 𝑛 subintervalos es dado por
(𝑏−𝑎)5
|𝐸𝑆 | ≤ 𝑀𝑆
180𝑛4
Nuevamente, los valores de 𝑎 y 𝑏 son conocidos el valor de 𝑛 es el que debemos

encontrar, por lo tanto, debemos primero debemos encontrar un valor para 𝑀𝑠 , para
esto, recordemos que
𝑠𝑢𝑝 |𝑓 (𝑖𝑣) (𝑥)| ≤ 𝑀𝑆

𝑥∈[𝑎,𝑏]

254
por lo cual debemos conocer la cuarta derivada (así, este tipo de error es aplicable
únicamente si la función es cuatro veces diferenciable), en este caso sabemos que
si
2
𝑓(𝑥) = 𝑒 −𝑥
entonces
2
𝑓 (𝑖𝑣) (𝑥) = 4𝑒 −𝑥 (3 − 12𝑥 2 + 4𝑥 4 )
Así, para hallar 𝑀𝑆 tenemos que acotar |𝑓 (𝑖𝑣) (𝑥)| , para esto primero acotamos al
2
igual que en el Ejemplo 6.6 𝑒 −𝑥 para −1 ≤ 𝑥 ≤ 2 y obtenemos
2
𝑒 −𝑥 ≤ 1
quedando acotado el primer término.
Para el segundo término utilizaremos la desigualdad triangular en los reales (es
decir, |𝑎 + 𝑏 + 𝑐| ≤ |𝑎| + |𝑏| + |𝑐|) y obtenemos
(6.14) |3 − 12𝑥 2 + 4𝑥 4 | ≤ |3| + |−12𝑥 2 | + |4𝑥 4 | = 3 + 12|𝑥 2 | + 4|𝑥 4 |
Por lo tanto, lo único que es necesario es acotar |𝑥 2 | y |𝑥 4 | a partir de −1 ≤ 𝑥 ≤ 2,
de lo cual tenemos
|𝑥 2 | ≤ 4
|𝑥 4 | ≤ 16
Sustituyendo en la ecuación (6.14) aseguramos que
|3 − 12𝑥 2 + 4𝑥 4 | ≤ 3 + 12(4) + 4(16) = 115
Y así, 𝑀𝑆 = 4(115) = 460.
La cota del el error tomara la forma
(3)5 111780
|𝐸𝑆 | ≤ 4
460 =
180𝑛 180𝑛4
donde estamos buscando a su vez que sea menor que 10−6 es decir,
111780
< 10−6
180𝑛4
4111780000000
√ = 157.8 < 𝑛
180

255
así, tomaremos el siguiente valor entero par, en este caso 𝑛 = 158 particiones lo
cual garantiza un error no mayor a 10−6
𝑆
𝐴112 = 1.628905524
Gráfica 6.25
Nota 7.7 Como observamos es mejor poder acotar la función; ya que con esta
llegamos de forma inmediata al número de particiones y no tenemos que
recurrir a construir la sucesión {𝐴2𝑆 , 𝐴4𝑆 , 𝐴6𝑆 , … } la cual exige demasiadas
operaciones para la maquina ya que esta sucesión no es de recurrencia.
6.4 Aproximación de Newton-Cotes (Orden superior)
Siguiendo las ideas expuestas en los métodos de trapecio y Simpson, es claro

buscar una generalización de dichos métodos tomando una interpolación de orden
mayor, es decir, tomar mas puntos para buscar una aproximación polinomial de la
función original, a fin de crear una función definida a trozos por medio de estas
interpolaciones, la siguiente generalización natural es tomar primero cuarto puntos,
es decir, (𝑥0 , 𝑓(𝑥0 )) , (𝑥1 , 𝑓(𝑥1 )), (𝑥2 , 𝑓(𝑥2 )) y (𝑥3 , 𝑓(𝑥3 )), hallar el polinomio de
interpolacion, y este tomarlo como aproximacion de la funcion en el intervalo
(𝑥0 , 𝑥3 ), y asi sucesivamente hasta completar la partición, así se da una condición

256
necesaria sobre el valor de 𝑛 (cual?) y analogamente a los otros crear una funcion
de aproximacion e integrarla, este metodo es conocido como Simpson 3/8
Nota 7.8 Este método en la practica no es tan útil dado que el error por truncamiento
es similar al error de Simpson, esto se debe a que en general, si se trabaja
con un numero de puntos impar y con un numero de puntos par
consecutivos, el error de estas aproximaciones es del mismos orden, por
tanto no se recomienda estudiar los casos de orden superior en los cuales la
interpolación se hace con un numero de puntos par. Esto se ilustra en la
siguiente tabla. (Burden R. y Faires, 2003)
De esta manera se consiguen las siguientes generalizaciones

Nota 7.9
ERROR DE
PUN METODO FORMULA
TRUNCAMIENTO
2 𝑓(𝑥𝑜 ) + 𝑓(𝑥1 ) |𝐸𝑛𝑇 | ≤
(𝑏−𝑎)3
𝑀𝑇 ;
(𝑏 − 𝑎) 12𝑛2
TRAPECIO 2 𝑀𝑇 ≥
sup𝑥∈[𝑎,𝑏] |𝑓′′(𝑥)|
3 𝑓(𝑥𝑜 ) + 4𝑓(𝑥1 ) + 𝑓(𝑥2 ) |𝐸𝑆 | ≤
(𝑏−𝑎)5
𝑀𝑆 ;
(𝑏 − 𝑎) 180𝑛4
SIMPSON 6 (𝑖𝑣)
1/3 𝑠𝑢𝑝𝑥∈[𝑎,𝑏] |𝑓 (𝑥)| ≤ 𝑀𝑆
4 𝑓(𝑥𝑜 ) + 3𝑓(𝑥1 ) + 3𝑓(𝑥2 ) + 𝑓(𝑥3 ) |𝐸𝑆 | ≤

(𝑏−𝑎)5
𝑀𝑆 ;
(𝑏 − 𝑎) 6480𝑛4
SIMPSON 8 (𝑖𝑣)
3/8 𝑠𝑢𝑝𝑥∈[𝑎,𝑏] |𝑓 (𝑥)| ≤ 𝑀𝑆
5 7𝑓(𝑥𝑜 ) + 32𝑓(𝑥1 ) + 12𝑓(𝑥2 ) + 32𝑓(𝑥3 ) + 7𝑓(𝑥4 ) |𝐸𝐵 | ≤

8(𝑏−𝑎)7
𝑀𝐵 ;
(𝑏 − 𝑎) 945𝑛6
90 (𝑣𝑖)
BOOLE
𝑠𝑢𝑝𝑥∈[𝑎,𝑏] |𝑓 (𝑥)| ≤ 𝑀𝐵
6.4.1. Aproximación por el método de Boole
Continua con las mismas ideas del método del trapecio, Simpson y Simpson 3/8 y
las generaliza de la siguiente forma, si el método del trapecio tomaba un par de
puntos y pasaba el polinomio interpolador, el método de Simpson por cada tres
puntos trazara el polinomio de interpolación y el método de Simpson 3/8 pasa por 4
puntos y trazara el polinomio de interpolación; Para obtener una aproximación de la

257
función vista como una función a trozos, donde en cada trozo se toma un polinomio
de interpolación de grado 4 (o 3 o 2 o 1 o 0) como aproximación de la función
original, esto es, tomara una partición del intervalo (𝑎, 𝑏) al igual que en los
anteriores y ahora toma los cuatro primeros puntos generados por dicha partición,
es decir, (𝑥0 , 𝑓(𝑥0 )) , (𝑥1 , 𝑓(𝑥1 )), (𝑥2 , 𝑓(𝑥2 )) , (𝑥3 , 𝑓(𝑥3 )) y (𝑥4 , 𝑓(𝑥4 )) y calcula el
polinomio interpolador que pasa por dichos puntos, esto lo consideraremos como la
aproximación de la función en el intervalo (𝑥0 , 𝑥4 ), ahora, tomaremos otros puntos a
la derecha para nuevamente generar una aproximación polinomio con cinco puntos,
en este caso los puntos serán (𝑥4 , 𝑓 (𝑥4 )) , (𝑥5 , 𝑓 (𝑥5 )) , (𝑥6 , 𝑓(𝑥6 )) , (𝑥7 , 𝑓(𝑥7 )) , y
(𝑥8 , 𝑓(𝑥8 )) nuevamente calcularemos el polinomio interpolador, el cual
consideraremos la aproximación de la función en el intervalo (𝑥4 , 𝑥8 )
Este proceso se repite hasta cubrir la totalidad de puntos generados por la partición,
(de esta manera se hace necesario que el numero 𝑛 de subintervalos generados
por la partición sea múltiplo de 4), así definimos la función 𝑓𝐵 (𝑥) como una
aproximación de la función 𝑓(𝑥) definida en cada intervalo de la forma (𝑥𝑖 , 𝑥𝑖+4 )
donde 𝑖 = 0,4,8, … 𝑛 − 4 como el polinomio interpolador que pasa por los puntos
(𝑥𝑖 , 𝑓(𝑥𝑖 )) , (𝑥𝑖+1 , 𝑓(𝑥𝑖+1 )) (𝑥𝑖+2 , 𝑓(𝑥𝑖+2 )) , (𝑥𝑖+3 , 𝑓(𝑥𝑖+3 )) y (𝑥𝑖+4 , 𝑓(𝑥𝑖+4 )), (Burden
R. y Faires, 2003).
para ilustrar esto lo mostraremos en el caso en que 𝑛 = 12 Para este caso (𝑛 = 12)
el proceso anterior se repetirá en cada uno de los 3 intervalos
(𝑥0 , 𝑥4 ) , (𝑥4 , 𝑥8 ) y (𝑥8 , 𝑥12 ) de tal forma se encuentran 3 polinomios de interpolación
los cuales son (ver Ejercicio 6-4) De esta manera podemos definir la función 𝑓𝐵 (𝑥)
como (ver Ejercicio 6-5)
geométricamente obtenemos
Gráfica 6.26

258
Nota 7.10 Observe que en cada trozo (𝑥𝑖 , 𝑥𝑖+4 ) donde 𝑖 = 0,4,8. se toman los puntos
(𝑥𝑖 , 𝑓(𝑥𝑖 )), (𝑥𝑖+1 , 𝑓(𝑥𝑖+1 )), (𝑥𝑖+2 , 𝑓(𝑥𝑖+2 )), (𝑥𝑖+3 , 𝑓(𝑥𝑖+3 )) y (𝑥𝑖+4 , 𝑓(𝑥𝑖+4 )) se
aproxima por medio del polinomio interpolador pase por dichos puntos; y
claramente se ve que se pueden presentar cinco opciones: Cuartico , Cubico,
Cuadrático, lineal y constante.
Ya con esta aproximación de la función 𝑓(𝑥) podemos buscar una aproximación de
𝑏 𝑏
la integral ∫𝑎 𝑓(𝑥)𝑑𝑥 por medio de la integral ∫𝑎 𝑓𝐵 (𝑥)𝑑𝑥, que geometricamente es,
Gráfica 6.27

259
para esto en cada basta calcular

𝑥 𝑓(𝑥𝑖+1 )−𝑓(𝑥𝑖 ) 𝑓(𝑥𝑖+2 )−2𝑓(𝑥𝑖+1 )+𝑓(𝑥𝑖 )
(6.15) ∫𝑥 𝑖+4 𝑓(𝑥𝑖 ) + ( 𝑥𝑖+1 −𝑖
) (𝑥 − 𝑥𝑖 ) + ( 2ℎ2
) (𝑥 − 𝑥𝑖 )(𝑥 − 𝑥𝑖+1 ) +
𝑖
𝑓(𝑥𝑖+3 )−3𝑓(𝑥𝑖+2 )+3𝑓(𝑥𝑖+1 )−𝑓(𝑥𝑖 )

( ) (𝑥 − 𝑥𝑖 )(𝑥 − 𝑥𝑖+1 )(𝑥 − 𝑥𝑖+2 ) +
2ℎ3
𝑓(𝑥𝑖+4 )−4𝑓(𝑥𝑖+3 )+6𝑓(𝑥𝑖+2 )+4𝑓(𝑥𝑖+1 )−𝑓(𝑥𝑖 )
+( ) (𝑥 − 𝑥𝑖 )(𝑥 − 𝑥𝑖+1 )(𝑥 − 𝑥𝑖+2 )(𝑥 −
2ℎ3
𝑥𝑖+3 )𝑑𝑥
la cual da (ejercicio)
2ℎ
[7𝑓(𝑥𝑖 ) + 32𝑓(𝑥𝑖+1 ) + 12𝑓(𝑥𝑖+2 ) + 32𝑓(𝑥𝑖+3 ) + 7𝑓(𝑥𝑖+4 )]
45
y con lo cual (en el caso 𝑛 = 12) (ver Ejercicio 6-6);
obtenemos:
2ℎ
[7𝑓(𝑥0 ) + 32𝑓(𝑥1 ) + 12𝑓(𝑥2 ) + 32𝑓(𝑥3 ) + 7𝑓(𝑥4 )]
45
2ℎ
+ [7𝑓(𝑥4 ) + 32𝑓(𝑥5 ) + 12𝑓(𝑥6 ) + 32𝑓(𝑥7 ) + 7𝑓(𝑥8 )]
45
2ℎ
+ [7𝑓(𝑥8 ) + 32𝑓(𝑥9 ) + 12𝑓(𝑥10 ) + 32𝑓(𝑥11 ) + 7𝑓(𝑥12 )]
45
Reduciendo términos
2ℎ
[7𝑓(𝑥0 ) + 32𝑓(𝑥1 ) + 12𝑓(𝑥2 ) + 32𝑓(𝑥3 ) + 14𝑓(𝑥4 ) + 32𝑓(𝑥5 ) + 12𝑓(𝑥6 )
45
+ 32𝑓(𝑥7 ) + 14𝑓(𝑥8 ) + 32𝑓(𝑥9 ) + 12𝑓(𝑥10 ) + 32𝑓(𝑥11 )
+ 7𝑓(𝑥12 )]

260
De manera general tenemos

𝑛−1 𝑛−2 𝑛−4
2ℎ
𝐴𝐵𝑛 = 7𝑓(𝑥0 ) + 7𝑓(𝑥𝑛 ) + 32 ∑ 𝑓(𝑥𝑖 ) + 12 ∑ 𝑓(𝑥𝑖 ) + 14 ∑ 𝑓(𝑥𝑖 )
45
𝑖=1 𝑖=2 𝑖=4
[ 𝑖 𝑖𝑚𝑝𝑎𝑟 𝑚𝑜𝑑(𝑖,4)=2 𝑚𝑜𝑑(𝑖,4)=0 ]
O escrito de otra forma mas amigable para programar
𝑛 𝑛 𝑛
−1 −1 −1
2 4 4
2ℎ
𝐴𝐵𝑛 = [7𝑓(𝑥0 ) + 7𝑓(𝑥𝑛 ) + 32 ∑ 𝑓(𝑥2𝑖+1 ) + 12 ∑ 𝑓(𝑥4𝑙+2 ) + 14 ∑ 𝑓(𝑥4𝑝 )]
45
𝑖=0 𝑙=0 𝑝=1
2 2
Ejemplo 6.10 Encuentre una aproximación del valor de ∫−1 𝑒 −𝑥 𝑑𝑥 por medio del método
de Boole con 𝑛 = 8.
Para esto construimos la sucesión {𝐴1𝐵 , 𝐴𝐵2 , 𝐴𝐵3 , … } (notemos que esta es una
sucesion numerica) y comparamos con la tolerancia, esto se muestra en la
siguiente tabla
Gráfica 6.28

261

𝐴𝐵8 = 1.628575914
Al igual que en los métodos anteriores vamos a analizar dos formas del error en
este método, primero con cifras significativas y luego con una cota para el error.
2 2
Boole con 4 cifras significativas
Para este caso crearemos la sucesión de aproximaciones por el método de Boole
incrementando el número de particiones, es decir, consideremos la sucesión
numérica
{𝐴𝐵4 , 𝐴𝐵8 , 𝐴12
𝐵
,…}
y comparamos con la tolerancia, esto se muestra en la siguiente tabla
Tabla 6-7.

𝐴𝐵4 = 1.628906139
de la cual podemos asegurar que las primeras cinco cifras son exactas.
Gráfica 6.29

262
Nota 7.12 Notemos que en los ejemplos hechos en este capítulo para aproximar el
2 2
valor de la integral ∫−1 𝑒 −𝑥 𝑑𝑥 con 4 cifras significativas lo encontramos en
𝐴𝑇43 = 1.628577339
𝑆
𝐴12 = 1.628920890
𝐴𝐵4 = 1.628906139
de lo cual se nota que entre mas orden tenga el método la aproximación se
encuentra en un numero menor de iteraciones, por ejemplo en Simpson se encontró
en la iteración 12 y en Boole la iteración 4.
6.4.1.1. Cota para el error en el método de Boole
Sea 𝑓 una función 6 veces diferenciable en un intervalo (𝑎, 𝑏), y consideremos el

𝑏
error 𝐸𝐵 cometido por aproximación de la integral ∫𝑎 𝑓(𝑥)𝑑𝑥 por medio del método
de Boole para una partición de 𝑛 subintervalos 𝐴𝐵𝑛 , es decir

263
𝑏
𝐸𝐵 = |∫ 𝑓(𝑥)𝑑𝑥 − 𝐴𝐵𝑛 |
𝑎
Puede ser acotado por la expresión
8(𝑏−𝑎)7
|𝐸𝐵 | ≤ 𝑀𝐵
945𝑛6
Donde
𝑠𝑢𝑝 |𝑓 (𝑣𝑖) (𝑥)| ≤ 𝑀𝐵
𝑥∈[𝑎,𝑏]
(Burden R. y Faires, 2003). Ya con esta cota, la podemos hacer el valor 𝐸𝐵 tan
1
pequeña como se quiera (eso se debe gracias a que la función la cual es
𝑛6
1
decreciente, positiva y lim𝑛→∞ 𝑛6 = 0) de esta forma se pueden buscar las cifras
decimales que se deseen, esto lo ilustraremos en el siguiente ejemplo.
2 2
Boole con un error no mayor de 10−6
Solución
Como tenemos en la ecuación (6.13) una cota para el error del método de Simpson
para una partición de 𝑛 subintervalos es dado por
8(𝑏−𝑎)7
|𝐸𝑛𝐵 | ≤𝑀𝐵 945𝑛6
Nuevamente, los valores de 𝑎 y 𝑏 son conocidos el valor de 𝑛 es el que debemos
encontrar, por lo tanto, debemos primero debemos encontrar un valor para 𝑀𝐵 , para
esto, recordemos que
𝑠𝑢𝑝 |𝑓 (𝑣𝑖) (𝑥)| ≤ 𝑀𝐵

𝑥∈[𝑎,𝑏]
por lo cual debemos conocer la sexta derivada (así, este tipo de error es aplicable
únicamente si la función es seis veces diferenciable), en este caso sabemos que si

264
2
𝑓(𝑥) = 𝑒 −𝑥
entonces
2
𝑓 (𝑣𝑖) (𝑥) = 8𝑒 −𝑥 (−15 + 90𝑥 2 − 60𝑥 4 + 8𝑥 6 )
Así, para hallar 𝑀𝐵 tenemos que acotar |𝑓 (𝑣𝑖) (𝑥)|

Utilizando el mismo argumento del Ejemplo 6.9, obtenemos
𝑀𝐵 = 14776
La cota del el error tomara la forma
8(37 ) 258520896
|𝐸𝑛𝐵 | ≤ 6
(14776) =
945𝑛 945𝑛6
donde estamos buscando a su vez que sea menor que 10−6 es decir,
258520896
< 10−6
945𝑛6
6 258520896000000
√ = 80.57 < 𝑛
945
así, tomaremos el siguiente valor entero múltiplo de 4, en este caso 𝑛 = 84

particiones lo cual garantiza un error no mayor a 10−6
𝐴𝐵84 = 1.628905525
Gráfica 6.30

265
En los métodos anteriores, es decir, integración numérica de Newton-Cotes, se

aproxima la función original por medio de una función a trozos , la cual era un
polinomio interpolador en cada trozo. Si se requería un método con una
convergencia mejor, debíamos recurrir a un orden mayor en la interpolación, sin
embargo, si se continua con este proceso, el numero de operaciones para la
maquina seria demasiado alto y la propagación del error de maquina dañaría la
buena convergencia de los métodos.
6.5 Método de Integración de Romberg
Ahora veamos una forma alternativa de llegar a las aproximación es de las

integrales, acelerando la convergencia de las aproximaciones hechas por medio del
método del trapecio, reduciendo el tamaño del salto a la mitad en cada paso, y
luego complementara con la extrapolación de Richardson; no pretendemos entrar
en detalle, así; solo analizamos la motivaciones la integración de Romberg.
(Bulirsch, 1993).
Para esto veamos en que forma se relacionan los errores al hacer el método del
trapecio con n=1 y n=2, aquí el salto se reduce a la mitad del primero al segundo
Recordemos que

266
𝑏
∫ 𝑓(𝑥)𝑑𝑥 = 𝐴1𝑇 + 𝐸1𝑇
𝑎
𝑏
∫ 𝑓(𝑥)𝑑𝑥 = 𝐴𝑇2 + 𝐸2𝑇
𝑎
igualando tenemos que
𝐴1𝑇 + 𝐸1𝑇 = 𝐴𝑇2 + 𝐸2𝑇
Como ya vimos en la cota del error para el trapecio

(𝑏−𝑎)3 ′′
𝐸1𝑇 = − 12(1)2 ̅̅̅̅̅̅̅̅
𝑓1 (𝜉)
(𝑏−𝑎)3
𝐸2𝑇 = − 12(2)2 ̅̅̅̅̅̅̅̅
𝑓2 ′′ (𝜉)
Así la relación se puede escribr como
(𝑏 − 𝑎)3 ̅̅̅̅̅̅̅̅
𝐸1𝑇 − 𝑓 ′′ (𝜉) ̅̅̅̅̅̅̅̅
𝑓1 ′′ (𝜉)
12(1)2 1
= = 4 ′′
𝐸2𝑇 (𝑏 − 𝑎)3 ̅̅̅̅̅̅̅̅̅̅
̅̅̅̅̅̅̅̅
′′ ̅̅̅̅̅̅̅̅
𝑓2 (𝜉)
− 𝑓 (𝜉))
12(2)2 2
A pesar de que ̅̅̅̅̅̅̅̅

𝑓1 ′′ (𝜉) y ̅̅̅̅̅̅̅̅
𝑓2 ′′ (𝜉) no son iguales, estas se pueden acotar de la misma
manera, asi podemos considerarlas constantes y mury cercanas; de esta manera
tenemos que:
𝐸1𝑇
≈4
𝐸2𝑇
es decir
(6.16) 𝐸1𝑇 ≈ 4𝐸2𝑇
de esta manera al sustituir en (6.15)
𝐴1𝑇 + 4𝐸2𝑇 ≈ 𝐴𝑇2 + 𝐸2𝑇
Donde
𝐴𝑇2 − 𝐴1𝑇
𝐸2𝑇 ≅
4−1
y así
𝑏
𝐴𝑇2 − 𝐴1𝑇
∫ 𝑓(𝑥)𝑑𝑥 ≅ 𝐴𝑇2 +
𝑎 4−1

267
Donde la parte izquierda es una aproximación mas refinada que las anteriores,( ver
Ralston y Rabinowitz, 1978)
Nota 7.13 La relación en (6.16) geométricamente nos dice que el área entre la función
original y la función 𝑓𝑇 (𝑥) se reduce casi a la cuarta parte cuando se duplica
el 𝑛 al construir la función 𝑓𝑇 (𝑥).
Gráfica 6.31
Ya que lo único que se uso es que el tamaño del paso se reduce a la mitad, en
general tenemos que al hacer un análisis similar para las aproximaciones 𝐴𝑇𝑛 y 𝐴𝑇2𝑛
encontramos un refinamiento como
𝐴𝑇2𝑛 − 𝐴𝑇𝑛
𝐴𝑇2𝑛 =
4−1
Así para usar una notación estandarizada, consideremos
𝐴1𝑇 = 𝑅11 y 𝐴𝑇2 = 𝑅21
Para una mejora tenemos que
𝑅21 − 𝑅11
𝑅22 = 𝑅21 +
4−1
e iremos formando un arreglo triangular así
𝑅11
𝑅21 𝑅22
𝑏−𝑎
Donde el tamaño del salto en 𝑅11 es 𝑏 − 𝑎, el tamano del salto en 𝑅21 es , ahora
2
para seguir refinando, buscaremos otra aproximacion de trapeciocon la mitad del
𝑏−𝑎
saltoanterior, es decir , y lo llamaremos 𝑅31 , que al realizar los mismos análisis,
4
encontramos

268
𝑅31 −𝑅21
(6.17) 𝑅32 = 𝑅31 + 4−1
generando la siguiente sucesión
𝑅11
𝑅21 𝑅22
𝑅31 𝑅32
Nota 7.14 Notemos que los 𝑅𝑘1 (primera columna) son precisamente las aproximaciones
hechas por medio del método del trapecio obtenido al reducir el paso a la
mitad, así formada por
𝑅1,1 = 𝐴1𝑇
𝑅2,1 = 𝐴𝑇2
𝑅3,1 = 𝐴𝑇4
𝑅4,1 = 𝐴𝑇8
⋮
que geométricamente es
Gráfica 6.32
en general
𝑅𝑘1 = 𝐴𝑇2𝑘−1
Esto muestra que la primera columna es definida por recurrencia, llegando a la
siguiente formula
2𝑘−2
1
𝑅𝑘,1 = [𝑅𝑘−1,1 + ℎ𝑘−1 ∑ 𝑓(𝑎 + (2𝑖 − 1)ℎ𝑘 )]
2
𝑖=1
𝑏−𝑎
para 𝑘 = 2,3, … , 𝑛; ℎ𝑘 = 2𝑘−1
después con los refinamientos ya mostrados, construimos un 𝑅33 , haciendo un

analisis al error, similar al hecho en (6.17) de lo cual podemos generar la siguiente
formula de recurrencia, la cual es conocida usualmente como formula de Romberg

269
𝑅𝑘,𝑗−1 − 𝑅𝑘−1,𝑗−1
𝑅𝑘,𝑗 = 𝑅𝑘,𝑗−1 +
4𝑗−1 − 1
Nota 7.15 Notemos que el error en el método del trapecio es del orden 𝑂(ℎ2 ), al
acelerarlo por la formula anterior la aproximación que se consigue es del
orden 𝑂(ℎ4 ), esto se debe a que se están tomando dos aproximaciones de la
ℎ 4
segunda derivada donde una de ellas es del tipo 𝑂(ℎ4 ) y la otra 𝑂 ((2) ),
esto lleva a que las aproximaciones en la tercera columna del arreglo en

Romberg sean a su vez del tipo 𝑂(ℎ6 ), en general, para la columna 𝑖 −esima
el error de la aproximación es del orden 𝑂(ℎ6 ), esto se puede resumir
𝑏−𝑎 𝑗
diciendo que la aproximación 𝑅𝑘,𝑗 tiene un error del tipo 𝑂 (( ) ).
2𝑘
Esta forma un arreglo triangular con la siguiente característica
𝑅21 𝑅22
𝑅31 𝑅32 𝑅33
⋮ ⋮ ⋮
𝑅𝑘1 𝑅𝑘2 𝑅𝑘3 ⋯ 𝑅𝑘𝑘
Los valores que tomaremos como aproximación será los (𝑅𝑘𝑘 )∞
𝑘=1 ; es decir,
𝑅11 , 𝑅22 , 𝑅33,… , el cual pararemos con la tolerancia. Para esto mostremos el siguiente
ejemplo:
2 2
Ejemplo 6.13 Aproximar el valor de la siguiente integral ∫−1 𝑒 −𝑥 𝑑𝑥 con una aproximacion
de cinco cifras significativas utilizando el metodo de Romberg.
Solucion la construcción de la forma triangular de Romberg se muestra a
continuación
Tabla 6-8.

270
sin embargo, como solo estamos interesados en la diagonal, no es necesario

mostrar todos los cálculos por lo tanto solo mostraremos los últimos elementos de la
diagonal al truncarlos por medio de la tolerancia.
Tabla 6-9.
La anterior tabla se genero con Maple; con el siguiente código

Gráfica 6.33

271
Ejemplo 6.14 Ahora veremos un ejemplo el cual aplicara los tres métodos vistos.
Consideremos el problema de Cauchy asociado a la ecuación diferencial

𝑑𝑦 √𝑥
=
𝑑𝑥 𝑒 𝑥
Con condición inicial
𝑦(2) = 1
A esta ecuación es posible aplicar las variables separables y así llegar a

𝑥 𝑑𝑦 𝑥 √𝑡
(6.18) 𝑦(𝑥) = ∫2 𝑑𝑡 + 1 = ∫2 𝑑𝑡 + 1
𝑑𝑡 𝑒𝑡
Sin embargo, la integral de la parte derecha en (6.18) no es posible resolverla

usando TFC (teorema fundamental del calculo), ya que la anti derivada de la

272
𝑒𝑡
función no existe, asi, lo único que podemos hacer es aproximar la función 𝑦 para
√𝑡
algunos valores particulares de 𝑥, en este parcial aproximaremos el valor de 𝑦(3)
por las ideas expuestas en clase.
De la ecuación (6.18) sabemos que
3 √𝑡
(6.19) 𝑦(3) = ∫2 𝑑𝑡 + 1
𝑒𝑡
Aproximaremos el valor de la integral por el método del trapecio para hallar una
aproximación de la integral (6.19) con un error no mayor a 10−3, para esto
analizaremos el erroer del metodo del trapecio, recordemos que el error en el
metodo del trapecio es
(𝑏 − 𝑎)3
|𝐸𝑇 | ≤ 𝑀
12𝑛2
primero hallemos un valor admisible para 𝑀, ya que
3
1
(6.20) 𝑓´´(𝑥) = 4 𝑥 −2 𝑒 −𝑥 (4𝑥 2 − 1)
así acotando la expresión en (6.20) tenemos que

3
𝑀 = 140(2)−2 (22 )
así,
3
140(2)−2 (22 )
|𝐸𝑇 | ≤
12𝑛2
si queremos que este error sea menor que 10−3 debemos tomar 𝑛 = 93
así aplicando trapecio obtenemos la aproximación es 𝑦(2) =0.1328052560.
Ejemplo 6.15 Resolver el Ejemplo 6.14 por el metodo de Simpsom y Romberg. Ver
Ejercicio 6-9
2
Ejercicio 6-1 Calcule R11, R21, R22, R31, R32, R33 por Romberg para  4  x 2 dx
0
Considere las siguientes funciones las cuales no poseen una anti derivada
elemental:
𝒆𝒙
a) 𝒇(𝒙) = 𝒙
𝒆−𝒙
b) 𝒇(𝒙) = 𝒙
c) 𝒇(𝒙) = 𝒔𝒆𝒏 𝒙𝟐 `

273
d) 𝒇(𝒙) = 𝐜𝐨𝐬 𝒙𝟐
𝟐
e) 𝒇(𝒙) = 𝒆−𝒙
𝟐
f) 𝒇(𝒙) = 𝒆𝒙
g) 𝒇(𝒙) = √𝟏 + 𝐜𝐨𝐬𝟐 𝒙
h) 𝒇(𝒙) = √𝟗 + 𝟒 𝒔𝒆𝒏𝟐 𝒙
𝝅
Ejercicio 6-2 Calcule ∫𝟏 𝒇(𝒙) 𝒅𝒙, con un error no mayor a 10−2 por trapecio y Simpson
2
Ejercicio 6-3 Calcule: ∫−1 𝑓(𝑥) 𝑑𝑥 , con el método de Romberg halle R33, cuantas cifras
significativas uede garantizar?
Nota: Si 𝑓 no está definida mire si la discontinuidad es removible.

Ejercicio 6-4 Encontrar los tres polinomios de interpolación Para n=12 en Boole.
Ejercicio 6-5 Hallar 𝑓𝐵 (𝑥) para n=12 en Boole
Ejercicio 6-6 Hallar la aproximación de la integral para n=12 en Boole.
Ejercicio 6-7 Dados los siguientes puntos (1,2,3,4,5); y la función definida como 𝑦 =
1 1
(4𝑥 + 1)2 , hacer una regresión tipo 𝑓1 = (𝑒 𝑎+𝑥 + 𝑏)2 utilizando el modelo de
3
linealización. Y evaluar la integral ∫1 𝑓1 (𝑥)𝑑𝑥, por trapecio, Simpson (1/3),
Simpson (3/8) , Bolle; con un error menor de 10−15 .
Ejercicio 6-8 Repetir el ejercicio anterior con una aproximación de cinco dígitos
significativos, y calcular también Romberg R33.
Ejercicio 6-9 Tomando como referencia el Ejemplo 6.14 . Aproximaremos el valor de la
integral por el método de Simpson para hallar una aproximación de la integral
(6.19) con un error no mayor a 10−3, para esto una cota del error es |𝐸𝑆 | <
_____________, y asi tomaremos 𝑛 = ________, con lo cual la aproximación es
𝑦(2) = _______________________
Ejercicio 6-10 Tomando como referencia el Ejemplo 6.14. Aproximaremos el valor de la
integral por el método Romberg para hallar una aproximación de la integral
(6.19) con 3 cifras significativas, para esto debemos truncar la sucesión 𝑅𝑛,𝑛
en 𝑛 = ________, ya que para este se tiene un 𝐸𝑁𝑛 = _________ el cual es menor
que la tolerancia dada por 𝑇3 = ________________ y asi 𝑦(2) = _______________________

274
7. Diferenciación Numérica
El concepto de derivada puntual es :

𝑓(𝑥𝑘 + ℎ ) − 𝑓(𝑥𝑘 )
𝑓 ′ (x) = 𝑙í𝑚
ℎ→0 ℎ
Podemos analizar el concepto de derivada de la siguiente manera, supongamos

que ℎ > 0
Gráfica 7.1
La pendiente de la recta secante (a) será:
𝑓(𝑥𝑘 + ℎ ) − 𝑓(𝑥𝑘 )
(𝑥𝑘 + ℎ ) − 𝑥𝑘
Es decir la pendiente de la curva secante es:
𝑓(𝑥𝑘 + ℎ ) − 𝑓(𝑥𝑘 )
ℎ
Nótese que la pendiente de la recta tangente será igual al concepto de derivada
cuando , esta se calculó mediante 𝑥𝑘 y puntos delante de este, es decir 𝑥𝑘 + ℎ,
dado lo anterior se expresión toma el nombre de aproximación de la derivada hacia
adelante. Ahora bien, tomando el límite de la izquierda de f manteniendo
tenemos:
Gráfica 7.2

275
La pendiente de la recta secante (b) será:

𝑓(𝑥𝑘 − ℎ ) − 𝑓(𝑥𝑘 )
(𝑥𝑘 − ℎ ) − 𝑥𝑘
Es decir la pendiente de la recta secante es:

𝑓(𝑥𝑘 − ℎ ) − 𝑓(𝑥𝑘 )
ℎ
Manteniendo el argumento anterior la nueva aproximación de la derivada llevara el

nombre de la aproximación de la derivada hacia atrás.
Por ultimo existe una última aproximación de la derivada la cual tomara el nombre
de aproximación de la derivada centrada y estará dada por
Gráfica 7.3
La pendiente de la curva secante(c) estará dada por:
𝑓(𝑥𝑘 + ℎ ) − 𝑓(𝑥𝑘 − ℎ )
(𝑥𝑘 + ℎ ) − (𝑥𝑘 − ℎ)
Es decir, la pendiente de la recta secante es:
𝑓(𝑥𝑘 + ℎ ) − 𝑓(𝑥𝑘 − ℎ )
2ℎ
Ejemplo 7.1 Sea 𝑓 ′ (𝑥) = 3𝑥 2 , al evaluar la derivada con 𝑥𝑘 = 3 , calcular las

aproximaciones hacia adelante, atrás y centradas con h=0.1, h=0.01,
h=0.00001
𝑓 ′ (3) = 3(3)2
𝑓 ′ (3) = 27

276
¿Como “Funcionan” las aproximaciones?
 Aproximación hacia adelante

𝑓(𝑥𝑘 + ℎ ) − 𝑓(𝑥𝑘 )
ℎ
(3 + 0,1 )3 − 33
ℎ = 0.1 = 27,91
0.1
(3 + 0,01 )3 − 33
ℎ = 0.01 = 27,0901
0.01
(3 + 0,00001 )3 − 33
ℎ = 0.00001 = 27,00009
0.00001
 Aproximación hacia atrás

𝑓(𝑥𝑘 − ℎ ) − 𝑓(𝑥𝑘 )
ℎ
(3 − 0,1 )3 − 33
ℎ = 0.1 = 26,11
0.1
(3 − 0,01 )3 − 33
ℎ = 0.01 = 26,9101
0.01
(3 − 0,00001 )3 − 33
ℎ = 0.00001 = 26,99991
0.00001
 Aproximación centrada
𝑓(𝑥𝑘 − ℎ ) − 𝑓(𝑥𝑘 + ℎ )
2ℎ
(3 + 0,1 )3 − (3 − 0,1 )3
ℎ = 0.1 = 27,01000000000000
2 ∗ 0.1
(3 + 0,01 )3 − (3 − 0,01 )3
ℎ = 0.01 = 27,000099999995
2 ∗ 0.01
(3 + 0,00001 )3 − (3 − 0,00001 )3
ℎ = 0.00001
2 ∗ 0.00001
= 27,0000000000000002213
Conclusión: Entre más pequeña sea ℎ, la aproximación de la derivada (tanto hacia

adelante, hacia atrás, centrada) será mucho mejor y la aproximación centrada
genera una mejor aproximación de la derivada con respecto a las otras dos.
Ejemplo 7.2 Sea 𝑓(𝑥) = |𝑥 2 − 4|, con 𝑥𝑘 = 2, calcular las aproximaciones con
h=0,1, h=0,01 y h=0,00001 ¿cuál debe ser el candidato de la
derivada? (ver Ejercicio 7.1)

277
a. De la derivada hacia delante

b. De la derivada hacia atras.
c. De la derivada centrada.
En el ejercicio anterior observamos que es necesario que la función sea

continuamente diferenciable para que las aproximaciones (adelante, atrás y
centrada) tengan sentido, para evitar inconvenientes como el anterior.
Consideramos de ahora en adelante funciones suaves (infinitamente
diferenciables).
Para formalizar estas aproximaciones de la derivada comenzaremos por la
aproximación de la derivada hacia adelante. (Burden R. y Faires, 2003).
7.1 Aproximación de la derivada hacia adelante

7.1.1. Primera Derivada hacia Adelante
Consideramos inicialmente una función 𝑓 (inicialmente suave) definida en un

intervalo [𝑎, 𝑏], sobre dicho intervalo tomaremos una participación de n puntos
definidos como 𝑋 = {𝑥0, 𝑥1………. 𝑥𝑛 } los cuales se distribuyen de manera equidistante
uno de otro, las aproximaciones de la derivada serán calculadas en estos puntos
con el fin de aproximar 𝑓’ en el intervalo [𝑎, 𝑏].
Para la primera derivada consideramos la expansión de Taylor de la función 𝑓

centrada en 𝑥𝑘 y calculada en un punto adelante (Gonzalez G. Jose, 2012),
recordemos que la serie de Taylor es:
𝑓 ′′ (𝑐)(𝑥−𝑐)2 𝑓 ′′′ (𝑐)(𝑥−𝑐)3

(7.1) 𝑆𝑇𝑓(𝑥) = 𝑓(𝑐) + 𝑓 ′ (𝑐)(𝑥 − 𝑐) + + +⋯
2 3!
Ahora en (7.1) tomamos 𝑥 = 𝑥𝑘+1 y 𝑐 = 𝑥𝑘 tenemos.
𝑓 ′′ (𝑥𝑘 )(𝑥𝑘+1 − 𝑥𝑘 )2 𝑓 ′′′ (𝑥𝑘 )(𝑥𝑘+1 − 𝑥𝑘 )3

𝑓(𝑥𝑘+1 ) = 𝑓(𝑥𝑘 ) + 𝑓 ′ (𝑥𝑘 )(𝑥𝑘+1 − 𝑥𝑘 ) + + +⋯
2 3!
𝑏−𝑎
Como 𝑥𝑘+1 − 𝑥𝑘 = ℎ , donde h es el “salto” de la forma ℎ = ; podemos rescribir
𝑛
como:
𝑓 ′′ (𝑥𝑘 )ℎ2 𝑓 ′′′ (𝑥𝑘 )ℎ3

𝑓(𝑥𝑘+1 ) = 𝑓(𝑥𝑘 ) + 𝑓 ′ (𝑥𝑘 )ℎ + + +⋯
2 3!

278
Tomando la expansión de Taylor únicamente hasta el segundo termino (ya que

𝑓′(𝑥𝑘 ) es el que queremos aproximar) y factorizando ℎ2 en el resto de la serie
tenemos:
(7.2) 𝑓(𝑥𝑘+1 ) = 𝑓(𝑥𝑘 ) + 𝑓 ′ (𝑥𝑘 )ℎ + ℎ2 (𝑀)
Donde 𝑀 es una serie convergente

𝑓′′(𝑥𝑘 ) 𝑓′′′(𝑥𝑘 )
𝑀= +ℎ +⋯
2 3!
Despejando 𝑓′(𝑥𝑖 ) en (7.1) obtenemos:
𝑓(𝑥𝑘+1 ) − 𝑓(𝑥𝑘 )
𝑓 ′ (𝑥𝑘 ) = + ℎ(𝑀)
ℎ
El cual podemos escribirlo como
𝑓(𝑥𝑘+1 )−𝑓(𝑥𝑘 )
(7.3) 𝑓 ′ (𝑥𝑘 ) = + 𝑂(ℎ)
ℎ
Donde 𝑂(ℎ) denota el error incirrido por la anotacion, note que que el primer
sumando de la parte derecha de (7.3) es la aproximación de la derivada hacia
delante, luego, la aproximación la escribiremos así:
→ 𝑓(𝑥𝑘+1 )−𝑓(𝑥𝑘 )
𝑑𝑓
(7.4) (𝑥𝑘 ) =
𝑑𝑥 ℎ
El numerador de la expresión (7.4) resulta ser la Primera Diferencia Finita hacia

delante, por lo cual, podemos escribir la aproximacion de la primera derivada hacia
adelante como
→ ⃗ 𝑓(𝑥𝑘 )
∆
𝑑𝑓
(𝑥𝑘 ) =
𝑑𝑥 ℎ
Dado que
⃗ 𝑓(𝑥𝑘 ) = {𝑥𝑘 : 𝑘: 0,1,2,3 … 𝑛 − 1 }
𝐷𝑜𝑚𝑥 ∆
El dominio de la aproximacion de la primera derivada hacia delante sera:

→
𝑑𝑓
(7.5) 𝐷𝑜𝑚 = {𝑥𝑘 : 𝑘: 0,1,2,3 … 𝑛 − 1 }
𝑑𝑥
Además que el error de (7.5) tiene un error de orden 0(ℎ).
Nota 7.1 Si se quiere un error de menor orden, se toman más términos en la

expansión de Taylor

279
Ejemplo 7.3 Sea 𝑓(𝑥) = 𝑥 2 para x∈ [−1,2] con 𝑛 = 6 calcular la aproximación de la

primera derivada para calcular el salto en la partición tomamos
2 − (−1)
h= = 0,5
6
Geométricamente tenemos:
Gráfica 7.4
𝑘 𝑥𝑘 𝑓(𝑥𝑘 ) ⃗⃗⃗⃗⃗
𝑑𝑓
(𝑥 )
𝑑𝑥 𝑘
0 -1 1 -1.5
1 -0.5 0,25 -0.5
2 0 0 0.5
3 0.5 0,25 1.5
4 1 1 2.5
5 1.5 2,25 3.5
6 2 4 -
7.1.2. Derivada de orden superior hacIa adelante
Es natural pensar que al igual que en el caso de la primera derivada, la segunda

derivada está relacionada con la segunda diferencia finita hacia adelante, la cual en
el punto 𝑥𝑘 es :
⃗ 2 𝑓(𝑥𝑘 ) = 𝑓(𝑥𝑘+2 ) − 2𝑓(𝑥𝑘+1 ) + 𝑓(𝑥𝑘 )

∆
Dado lo anterior no basta con evaluar la ST en 𝑥𝑘+1 sino que tambien la

aproximacionde la segunda derivada hacia adelanteimplica evaluar la ST en 𝑥𝑘+2 , al
evaluarla tenemos
𝑓 ′′ (𝑥𝑘 )(𝑥𝑘+1 −𝑥𝑘 )2 𝑓 ′′′ (𝑥𝑘 )(𝑥𝑘+1 −𝑥𝑘 )3

(7.6) 𝑓(𝑥𝑘+1 ) = 𝑓(𝑥𝑘 ) + 𝑓 ′ (𝑥𝑘 )(𝑥𝑘+1 − 𝑥𝑘 ) + + +⋯
2 3!
𝑓 ′′ (𝑥𝑘 )(𝑥𝑘+2 −𝑥𝑘 )2 𝑓 ′′′ (𝑥𝑘 )(𝑥𝑘+2 −𝑥𝑘 )3

(7.7) 𝑓(𝑥𝑘+2 ) = 𝑓(𝑥𝑘 ) + 𝑓 ′ (𝑥𝑘 )(𝑥𝑘+2 − 𝑥𝑘 ) + + +⋯
2 3!
Dados las expresiones (7.6) y (7.7) usamos el método de reduccion con el fin de
despejar 𝑓 " (𝑥𝑘 ), eliminando 𝑓 ′ (𝑥𝑘 ), para esto multiplicamos (7.6) por (-2) y
sumamos con la expresión (7.7) así obtenemos:
Rescribiéndolas usando el hecho que 𝑥𝑘+1 − 𝑥𝑘 = ℎ, 𝑥𝑘+2 − 𝑥𝑘 = 2ℎ

280
ℎ2
𝑓(𝑥𝑘+1 ) = 𝑓(𝑥𝑘 ) + ℎ ∗ 𝑓 ′ (𝑥𝑘 ) + ∗ 𝑓 ′′ (𝑥𝑘 ) + ℎ3 ∗ (𝑀1 )
2
𝑓(𝑥𝑘+2 ) = 𝑓(𝑥𝑘 ) + 2ℎ ∗ 𝑓 ′ (𝑥𝑘 ) + 2ℎ2 ∗ 𝑓 ′′ (𝑥𝑘 ) + ℎ3 ∗ (𝑀2 )
operando tenemos
𝑓(𝑥𝑘+2 ) − 2𝑓(𝑥𝑘+1 ) = −𝑓(𝑥𝑘 ) + ℎ2 ∗ 𝑓 ′′ (𝑥𝑘 ) + ℎ3 ∗ (𝑀3 )
Donde 𝑀1 , 𝑀2 y 𝑀3 son series convergentes despejando 𝑓 ′′ (𝑥𝑘 ) obtenemos
𝑓(𝑥𝑘+2 ) − 2𝑓(𝑥𝑘+1 ) + 𝑓(𝑥𝑘 )

𝑓 ′′ (𝑥𝑘 ) = − ℎ(𝑀3 )
ℎ2
Al igual que la ecuación (7.3) tomamos como aproximación de la segunda derivada

hacia adelante de 𝑓 en 𝑥𝑘 a
𝑓(𝑥𝑘+2 )−2𝑓(𝑥𝑘+1 )+𝑓(𝑥𝑘 )
(7.8) 𝑓 ′′ (𝑥𝑘 ) ≈ ℎ2
Donde nuevamente la formula (7.8) tiene un error del orden 0(ℎ), y para la
segunda derivada centrada de 𝑓 en 𝑥𝑖 lo notaremos
⃗⃗⃗⃗⃗⃗⃗
𝑑2𝑓 𝑓(𝑥𝑘+2 ) − 2𝑓(𝑥𝑘+1 ) + 𝑓(𝑥𝑘 ) ⃗ 2 𝑓𝑘
∆
(𝑥 ) = =
𝑑𝑥 2 𝑘 ℎ2 ℎ2
→
𝑑𝑓
Denotamos el dominio como 𝐷𝑜𝑚 = {𝑥𝑘 : 𝑘: 0,1,2,3 … 𝑛 − 2 }
𝑑𝑥
Ejemplo 7.4 sea 𝑓(𝑥) = 𝑒 𝑥 para 𝑥 ∈[0,1] , ℎ = 0.2,aproximar 𝑓(0.6); por medio de
⃗⃗⃗
𝑑𝑓 ⃗⃗⃗⃗⃗
𝑑2 𝑓
y , ( ver Ejercicio 7.2)
𝑑𝑥 𝑑𝑥 2
Ejemplo 7.5 Use la serie de Taylor de 𝑓 centrada en 𝑥𝑘 para evaluar la función en
(𝑥𝑘+1 ), (𝑥𝑘+2 ) 𝑦 (𝑥𝑘+3 ) y use el método de reducción sobre estas tres
ecuaciones a fin de despejar 𝑓′′′(𝑥𝑘 ) y 𝑓′′(𝑥𝑘 ) de este ejercicio
podemos definir . (ver Ejercicio 7.3)
⃗⃗⃗⃗⃗⃗⃗
𝑑3𝑓 ⃗ 3 𝑓𝑘
∆
(𝑥 ) =
𝑑𝑥 3 𝑘 ℎ3
Cuyo dominio
⃗⃗⃗⃗⃗
𝑑 3𝑓
𝐷𝑜𝑚 𝑑𝑥 3 = {𝑥𝑘 : 𝑘: 0,1,2,3 … 𝑛 − 3 }, 𝑝𝑎𝑟𝑎 𝑛 ≥ 3
Generalizada podemos definir la aproximación de la M-ésima derivada hacia

adelante, como

281
⃗⃗⃗⃗⃗⃗
𝑑𝑚𝑓 ⃗ 𝑚 𝑓𝑘
∆
(7.9) 𝑚
(𝑥𝑘 ) =
𝑑𝑥 ℎ𝑚
Cuyo dominio
⃗⃗⃗⃗⃗⃗
𝑑 𝑚𝑓
𝐷𝑜𝑚 𝑑𝑥 𝑚 = {𝑥𝑘 : 𝑘: 0,1,2,3 … 𝑛 − 𝑚 }, 𝑝𝑎𝑟𝑎 𝑛 ≥ 𝑚
7.2 Aproximación de la derivada hacia atrás

7.2.1. Primera derivada hacia atrás
Bajo las mismas consideraciones de la sección 7.1.1 , demuestre que
← ⃖⃗⃗ 𝑓(𝑥𝑘 )
∆
𝑑𝑓
(𝑥𝑘 ) =
𝑑𝑥 ℎ
dado que
⃗ 𝑓(𝑥𝑘 ) = {𝑥𝑘 : 𝑘: 1,2,3 … 𝑛 }
𝐷𝑜𝑚𝑥 ∆
(Ver Ejercicio 7.4).
7.2.2. Derivadas de orden superior hacia atrás

Bajo las mismas consideraciones de la sección 7.1.1 demuestre que
←2 𝑓(𝑥𝑘 ) − 2𝑓(𝑥𝑘−1 ) + 𝑓(𝑥𝑘−2 ) ⃖⃗ 2 𝑓𝑘
∆
𝑑 𝑓
(𝑥 ) = =
←
𝑑3 𝑓
y halle el valor de (𝑥𝑘 ) con sus respectivos dominios y generalice a fin de
𝑑𝑥 3
←𝑚
𝑑 𝑓
encontrar 𝑑𝑥 𝑚
(𝑥𝑘 ) y su dominio. (Ver Ejercicio 7.5)
7.3 Aproximación de la derivada centrada
Como se mencionó anteriormente existe una tercera aproximación de la derivada

(centrada),
7.3.1. Primera Derivada Centrada
Para formar esta aproximación se retoma la serie de Taylor evaluada en 𝑥𝑘+1 (punto
adelante) y 𝑥𝑘−1 (punto atrás) con el fin de encontrar la aproximación de la primera
derivada centrada, el proceso es el siguiente
ℎ2 𝑓′′ (𝑥𝑘 )
(7.10) 𝑓(𝑥𝑘+1 ) = 𝑓(𝑥𝑘 ) + ℎ 𝑓 ′ (𝑥𝑘 ) + + ℎ3 (𝑀1)
2!

282
ℎ2 𝑓′′ (𝑥𝑘 )
(7.11) 𝑓(𝑥𝑘−1 ) = 𝑓(𝑥𝑘 ) − ℎ 𝑓 ′ (𝑥𝑘 ) + + ℎ3 (𝑀2)
2!
restando (7.10) y (7.11) tenemos
𝑓(𝑥𝑘+1 ) − 𝑓(𝑥𝑘−1 ) = 2ℎ𝑓 ′ (𝑥𝑘 ) + ℎ3 (𝑀3)

donde
𝑓(𝑥𝑘+1 )−𝑓(𝑥𝑘−1 )
𝑓 ′ (𝑥𝑘 )= + ℎ2 (𝑀3)
2ℎ
Y podremos escribir la aproximación de la derivada centrada
𝑓(𝑥𝑘+1 )−𝑓(𝑥𝑘−1 )
𝑓 ′ (𝑥𝑘 )= + 𝑂(ℎ2 )
2ℎ
o
↔ 𝑓(𝑥𝑘+1 ) − 𝑓(𝑥𝑘−1 )
𝑑𝑓
(𝑥𝑘 ) =
𝑑𝑥 2ℎ
↔ ⃡
∆𝑓𝑘
𝑑𝑓
(𝑥𝑘 ) =
𝑑𝑥 2ℎ
⃡
∆𝑓𝑘
Nota 7.2 Esta definición coincide con , sin embargo más adelante veremos por qué
2ℎ
esta notación no es adecuada.
Es Fácil ver que

↔
𝑑𝑓
𝐷𝑜𝑚 = {𝑥𝑘 : 𝑘: 1,2,3 … 𝑛 − 1 }
𝑑𝑥
Ejemplo 7.6 Realizar la demostración para la aproximación de la primera derivada

centrada (ver Ejercicio 7.6)
7.3.2. Derivada de orden superior Centradas
A diferencia de las aproximaciones hacia adelante y atrás las cuales están

directamente relacionadas las diferencias finitas, las aproximaciones centradas NO
tienen tal vinculo, esto se debe a la simetría existente entre las ecuaciones (7.10) y
(7.11) por esta razón para despejar 𝑓 ′′ (𝑥𝑘 ), eliminando 𝑓 ′ (𝑥𝑘 )solamente es
necesario evaluar la serie de Taylor en 𝑥𝑘+1 𝑦 𝑥𝑘−1 ; es decir :

283
ℎ2 𝑓′′ (𝑥𝑘 ) ℎ3 𝑓 ′′′ (𝑥𝑘 )

(7.12) 𝑓(𝑥𝑘+1 ) = 𝑓(𝑥𝑘 ) + ℎ 𝑓 ′ (𝑥𝑘 ) + + +ℎ4 (𝑀1)
2! 3!
ℎ2 𝑓′′ (𝑥𝑘 ) ℎ3 𝑓 ′′′ (𝑥𝑘 )
(7.13) 𝑓(𝑥𝑘−1 ) = 𝑓(𝑥𝑘 ) − ℎ 𝑓 ′ (𝑥𝑘 ) + − +ℎ4 (𝑀2)
2! 3!
Sumamos la (7.12) y (7.13) con el fin de eliminar 𝑓 ′ (𝑥𝑘 ) y despejar 𝑓 ′′ (𝑥𝑘 ) queda
𝑓(𝑥𝑘+1 ) + 𝑓(𝑥𝑘−1 ) = 2𝑓(𝑥𝑘 ) − ℎ2 𝑓 ′ (𝑥𝑘 )+ℎ4 (𝑀3)

O bien
𝑓(𝑥𝑘+1 ) − 2𝑓(𝑥𝑘 ) + 𝑓(𝑥𝑘−1 )
𝑓 ′′ (𝑥𝑘 ) = + ℎ2 (𝑀3)
ℎ2
Lo cual definimos como
⃖⃗⃗⃗⃗⃗⃗
𝑑2𝑓 𝑓(𝑥𝑘+1 ) − 2𝑓(𝑥𝑘 ) + 𝑓(𝑥𝑘−1 ) ⃡
∆2 𝑓𝑘
(𝑥 ) = =
Definimos el dominio como

⃖⃗⃗⃗⃗⃗⃗
𝑑2𝑓
𝐷𝑜𝑚 = {𝑥𝑘 : 𝑘: 1,2,3 … 𝑛 − 1 }
𝑑𝑥 2
Desafortunadamente la relación del binomio de Newton (triangulo de pascal) no se

satisface en general para las aproximaciones centradas, como se empezara a
evidenciar desde la tercera derivada.
Para calcular la aproximación de la tercera derivada centrada es necesario tomar
cuatro puntos.
Asi evaluando la ST en cada uno de los puntos anteriores tenemos:
(7.14) 𝑓(𝑥𝑘+2 ) =
(2ℎ)2 𝑓 ′′ (𝑥𝑘 ) (2ℎ)3 𝑓 ′′′ (𝑥𝑘 ) (2ℎ)4 𝑓 𝑖𝑣 (𝑥𝑘 )
𝑓(𝑥𝑘 ) + 2ℎ 𝑓 ′ (𝑥𝑘 ) + + + +ℎ5 (𝑀1)
2! 3! 4!
(ℎ)2 𝑓 ′′ (𝑥𝑘 ) (ℎ)3 𝑓 ′′′ (𝑥𝑘 ) (ℎ)4 𝑓 𝑖𝑣 (𝑥𝑘 )
(7.15) 𝑓(𝑥𝑘+1 ) = 𝑓(𝑥𝑘 ) + ℎ 𝑓 ′ (𝑥𝑘 ) + + + +
2! 3! 4!
ℎ5 (𝑀2)
(ℎ)2 𝑓 ′′ (𝑥𝑘 ) (ℎ)3 𝑓 ′′′ (𝑥𝑘 ) (ℎ)4 𝑓 𝑖𝑣 (𝑥𝑘 )

(7.16) 𝑓(𝑥𝑘−1 ) = 𝑓(𝑥𝑘 ) − ℎ 𝑓 ′ (𝑥𝑘 ) + − + +
2! 3! 4!
ℎ5 (𝑀3)
(2ℎ)2 𝑓 ′′ (𝑥𝑘 ) (2ℎ)3 𝑓 ′′′ (𝑥𝑘 ) (2ℎ)4 𝑓 𝑖𝑣 (𝑥𝑘 )

(7.17) 𝑓(𝑥𝑘−2 ) = 𝑓 − 2ℎ 𝑓 ′ (𝑥𝑘 ) + 2!
− 3!
+ 4!
+
ℎ5 (𝑀4)

284
Como lo hemos visto en procesos anteriores necesitamos despejar 𝑓 ′′′ (𝑥𝑘 )

eliminando 𝑓 ′ (𝑥𝑘 ) y 𝑓 ′′ (𝑥𝑘 ) nos queda:
(2ℎ)3 𝑓 ′′′ (𝑥𝑘 )

(7.18) 𝑓(𝑥𝑘+1 ) − 𝑓(𝑥𝑘−1 ) = 2ℎ𝑓 ′ (𝑥𝑘 ) + + ℎ5 (𝑀5)
3!
2(2ℎ)3 𝑓 ′′′ (𝑥𝑘 )

𝑓(𝑥𝑘+2 ) − 𝑓(𝑥𝑘−2 ) = 4ℎ𝑓 ′ (𝑥𝑘 ) + + ℎ5 (𝑀6)
3!
Ya que eliminamos 𝑓 ′′ (𝑥𝑘 ) , el paso siguiente es multiplicar (7.18) por 2 y restarla

con (7.17) con el fin de eliminar 𝑓 ′ (𝑥𝑘 ) , veamos:
(−12ℎ)3 𝑓 ′′′ (𝑥𝑘 )
2𝑓(𝑥𝑘+1 ) − 2𝑓(𝑥𝑘−1 ) − 2𝑓(𝑥𝑘+2 ) − 2𝑓(𝑥𝑘−2 ) = + ℎ5 (𝑀6)
3!
(2ℎ)3 𝑓 ′′′ (𝑥𝑘 ) = 𝑓(𝑥𝑘+2 ) − 2𝑓(𝑥𝑘+1 ) + 2𝑓(𝑥𝑘−1 ) − 𝑓(𝑥𝑘−2 ) + ℎ5 (𝑀6)
Despejamos 𝑓 ′′′ (𝑥𝑘 ) obtenemos

𝑓(𝑥𝑘+2 ) − 2𝑓(𝑥𝑘+1 ) + 2𝑓(𝑥𝑘−1 ) − 𝑓(𝑥𝑘−2 )
𝑓 ′′′ (𝑥𝑘 ) = + 𝑂(ℎ2 )
2ℎ3
es decir
→3 𝑓(𝑥𝑘+2 ) − 2𝑓(𝑥𝑘+1 ) + 2𝑓(𝑥𝑘−1 ) − 𝑓(𝑥𝑘−2 )
𝑑 𝑓
= + 𝑂(ℎ2 )
𝑑𝑥 3 2ℎ3
Y así el el dominio es
→3
𝑑 𝑓
𝐷𝑜𝑚 = {𝑥𝑘 : 𝑘: 2,3 … 𝑛 − 2 }
𝑑𝑥 3
Ejemplo 7.7 Con la misma ecuaciones (7.14),(7.15),(7.16) y (7.17) deduzca la

aproximación de la cuarta derivada centrada, verifique que tipo de
error tiene (ver Ejercicio 7.7)
→4 𝑓(𝑥𝑘+2 ) − 4𝑓(𝑥𝑘+1 ) + 6𝑓(𝑥𝑘 ) − 4𝑓(𝑥𝑘−1 ) + 𝑓(𝑥𝑘−2 )
𝑑 𝑓
= + 𝑂(ℎ2 )
𝑑𝑥 4 ℎ4 →
𝑑5 𝑓
Ejemplo 7.8 Deduzca la aproximacion de , con su corredspondiente error. (ver
𝑑𝑥 5
Ejercicio 7.8)
Ejemplo 7.9 El argumento de las aproximaciones centradas para el error 𝑂(ℎ2 )
¿Funciono en la aproximaciones hacia delante y hacia atrás?
Justifique

285
Ejercicio 7.1 Solucionar Ejemplo 7.2

Ejercicio 7.4 Solucionar sección 7.2.1
Ejercicio 7.5 Solucionar sección 7.2.2
Ejercicio 7.9 Considere la función 𝑓(𝑥) = 3𝑥 2 + 4 , con ℎ = 0.2, Calcule:
→ ← ↔
𝑑𝑓 𝑑𝑓 𝑑𝑓
(1), (1) 𝑦 (1)
𝑑𝑥 𝑑𝑥 𝑑𝑥
Compare su valor real (error relativo)
Ejercicio 7.10 Sea la función 𝑓(𝑡) = 2𝑠𝑒𝑛𝑡 + 𝑐𝑜𝑠2𝑡, definida en el intervalo (0,1):
→ ← ←
𝑑𝑓
a) Con ℎ = 0.2 calcule: 𝑑𝑡 (0), 𝑑𝑓 (0) 𝑦 𝑑𝑓
(0) comparar cada una con el valor
𝑑𝑡 𝑑𝑡
real
→ ← ←
𝑑𝑓 𝜋 𝑑𝑓 𝜋
(𝜋⁄4) comparar cada una con el
𝜋 𝑑𝑓
b) Con ℎ = 8 . calcule: 𝑑𝑡 ( ⁄4), 𝑑𝑡 ( ⁄4) 𝑦 𝑑𝑡
valor real
←2
⃗⃗⃗⃗⃗
𝑑2 𝑓 ⃖⃗⃗⃗⃗
𝑑2 𝑓 𝜋
(𝑥𝑘 )(𝜋⁄4), 𝑑 𝑓2 (𝜋⁄4) 𝑦
𝜋
c) Con ℎ = 8 . calcule: ( ⁄4) comparar cada
𝑑𝑥 2 𝑑𝑥 𝑑𝑥 2
una con el valor real
←3
⃗⃗⃗⃗⃗
3𝑓 ⃖⃗⃗⃗⃗
3𝑓
d) Con ℎ = 8 . calcule: 𝑑𝑥 3 (𝑥𝑘 )(𝜋⁄4), 𝑑𝑥
𝜋 𝑑 𝑑 𝑓 𝜋 𝑑 𝜋
3 ( ⁄4) 𝑦 𝑑𝑥 3 ( ⁄4) comparar cada
una con el valor real
𝑡
Ejercicio 7.11 Sea la función 𝑔(𝑡) = 𝑎𝑡 2 + 𝑎, donde 𝑎 es una constante y ℎ = 0.2 calcule:
→ ← ←
𝑑𝑔
a) (0), 𝑑𝑔 (0) 𝑦 𝑑𝑔
(0) comparar cada una con el valor real
𝑑𝑡 𝑑𝑡 𝑑𝑡
→ ← ←
𝑑𝑔
b) (2), 𝑑𝑔 (2) 𝑦 𝑑𝑔
(2) comparar cada una con el valor real
→ ← ←
𝑑𝑔
c) (𝑎), 𝑑𝑔 (𝑎) 𝑦 𝑑𝑔
(𝑎) comparar cada una con el valor real
Ejercicio 7.12 Escriba una formula explicita como en (7.9) para la derivada 𝑛 − 𝑒𝑠𝑖𝑚𝑎
calculada hacia atrás.

286
Ejercicio 7.13 Escriba una formula explicita como en (7.9) para la derivada 𝑛 − 𝑒𝑠𝑖𝑚𝑎
aproximada centrada
(−1)𝑛+1 +3
Ayuda: la sucesión representada en el salto entre 2 y 1
2
Ejercicio 7.14 Considere la ecuación diferencial ordinaria
𝑦 ′ = 𝑓(𝑡, 𝑦) 𝑦(1) = 2
Tomemos 𝑡𝑜 = 1 y un salto de ℎ = 0,2 donde 𝑓(𝑡, 𝑦) = √𝑡 ∗ 𝑙𝑛𝑦
a) Aproxime 𝑦′ hacia adelante
→
b) Escriba 𝑑𝑦 (𝑡 ) = 𝑓(𝑡𝑖 , 𝑦𝑖 )
𝑑𝑡 𝑖
c) Despeje 𝑦𝑖+1
d) Trabaje con esta sucesión a fin de aproximar la solución de la ecuación
diferencial.
Nota 7.3 A este procedimiento se le conoce como el METODO DE EULER, para
resolver EDO con condición inical
Ejercicio 7.15 (diferenciación numérica de orden (𝑂(ℎ2 ))
a) Tome la expresión de Taylor hasta el tercer termino (es decir 𝑓′′)
centradas en 𝑥𝑖 para aproximar 𝑥𝑖+1 y 𝑥𝑖+2.
b) Multiplicar cada una por alguien adecuado a fin de eliminar los términos
que involucran 𝑓 ′′ (𝑥)
c) Escriba una formula para la primera derivada hacia adelante con un error
𝑂(ℎ2 )
Respuesta
−𝑓(𝑥𝑘+2 ) + 4𝑓(𝑥𝑘+4 ) − 3𝑓(𝑥𝑘 )
𝑓 ′′ (𝑥𝑘 ) =
2ℎ
Ejercicio 7.16 Repetir el ejercicio 7 pero hallando la formula hacia atrás y centrada.
Ejercicio 7.17 Con las mismas ecuaciones de la 37 y 40 deduzca la aproximación de la
←4
𝑑 𝑓
cuarta derivada centrada (𝑥𝑖 )
𝑑𝑥 4

287
Bibliografía
Apostol, T. M. (1996). Análisis matemático. Reverte.
Muñoz Quevedo, J. M. (2002). Introducción a la teoría de conjuntos (4a ed ed.). Bogotá,
Colombia: Universidad Nacional de Colombia.
Rudin, W. (1976). Principles of Mathematical Analysis (3ra ed.). (I. S. Mathematics, Ed.)
McGraw-Hill.
SCARBOROUGH, J. (1930). Numerical Mathematical Analysis. baltimore-Londres:
OXFORD.
Burden R. y Faires, J. D. (2003). Métodos numéricos (Tercera edición, ed.). Mexico:
THOMSON.
Weisstein, E. W. (s.f.). Newton's method and convergence. Mathworld.
Wunsch, D. A. (1997). Variale compleja con aplicaciones. EE.UU: ADDISON-WESLEY.
Kincaid, D., & Cheney, W. (1994). Análisis Numérico. Adisson-Wesley Iberoamericana.
Montgomery-Runger. (2007). Probabilidad y estadística. Mexico DF: Limusa.
Walpole r., M. r. (2012). Probabilidad y estadística para ingrniería y ciencias. Naucalpan de
JUares: Pearson.
Antonio, N. (1998). Métodos Numéricos aplicados a la Ingeniería. Mexico D.F.: CECSA.
Bairstow Leonard. (1920). Applied Aerodinamics. London: New York Longmans, Green.
NAKAMURA, S. (1992). METODOS NUMERICOS APLICADOS CON SOFTWARE.
MEXICO: PRENTICE HALL.
Bulirsch, J. S. (1993). Introduction to Numerical Analysis. New York: Springer Verlag .
Gonzalez G. Jose, B. j. (2012). Elementos de cálculo numérico. Bogotá, Bogotá, Colombia:
Ecoe Ediciones.
Schaum. (1968). Numerical Analisis . EEUU: Mac Graw Hill.

288
Respuestas
Capitulo 1
Ejercicio 1-1
a) Iteración 206 aproximación 1,129071977 ENn 0,000099
b) No es convergente
c) Iteración 13 aproximación 1,99987793 ENn 0,00006
d) No converge
e) Iteración 12 aproximación 1,618055556 ENn 4,8223E-05
f) Iteración 3258 aproximación 0.307006264 ENn 0,000999774
g) Iteración 20 aproximación 1,324503 ENn 0,000044
h) Iteración 32 aproximación 1,324756 ENn 0,0000915
Ejercicio 1-3
Iteración Aproximación ENP
√2 5 1,41421356 1,1278E-12
1,732050808 1,41211E-09
√3 5
2,236067977 4,10606E-07
√5 5
6 2,645751311 1,76806E-11
√7
3,31662479 4,48533E-09
√11 6
Capitulo 2
Ejercicio 2-1
a)
b)
1
c) = ∑∞ 𝑛 𝑛
𝑛=0(−1) 𝑥 𝑥 ∈ (−1 , 1)
1+𝑥

289
−𝑥 𝑛+1
d) ln(1 − 𝑥) = ∑∞
𝑛=1 ; 𝑥 ∈ (−1,1)
𝑛
Ejercicio 2-2
2 2
a) (− 3 , 3)
b) (−∞ , 2) ∪ (2 , 3)
Ejercicio 2-3
𝑐 = 1,4,9, … , 𝑛2 ; 𝑛 ∈ ℕ
Ejercicio 2-4
1
a) 𝑓(𝑥) = 𝑒 𝑥 ; 𝑅𝑛 (𝜉) < (𝑛+1)! < 10−3 , luego 𝑛 = 6 y aproximación
2.716666667
1
b) 𝑓(𝑥) = 𝑒 𝑥 ; 𝑅𝑛 (𝜉) < 2𝑛+1 (𝑛+1)! < 10−3 , luego 𝑛 = 4 y aproximación
1.645833333
𝑛!
c) 𝑓(𝑥) = −ln(1 − 𝑥); 𝑅𝑛 (𝜉) < 4
𝑛+1 < 10−3 , luego no tiene solución ya
(1−(− ))
5
que no se pude despejar n.

𝑛!
d) 𝑓(𝑥) = −ln(1 − 𝑥); 𝑅𝑛 (𝜉) < (1−0,8)𝑛+1 < 10−3 , luego no tiene solución ya
𝑛!
e) 𝑓(𝑥) = −ln(1 − 𝑥); 𝑅𝑛 (𝜉) < (1−0,2)𝑛+1 < 10−3 , luego no tiene solución ya
1
f) 𝑓(𝑥) = 𝑠𝑒𝑛(𝑥); 𝑅𝑛 (𝜉) < (𝑛+1)! < 10−3 , luego 𝑛 = 4 y aproximación
1.645833333
1
g) 𝑓(𝑥) = −ln(1 − 𝑥); 𝑅𝑛 (𝜉) < 2𝑛+1 (𝑛+1)! < 10−3 , luego 𝑛 = 4 y aproximación
1.645833333
1
h) 𝑓(𝑥) = −ln(1 − 𝑥); 𝑅𝑛 (𝜉) < 2𝑛+1 (𝑛+1)! < 10−3 , luego 𝑛 = 4 y aproximación
1.645833333
1
i) 𝑓(𝑥) = −ln(1 − 𝑥); 𝑅𝑛 (𝜉) < 2𝑛+1 (𝑛+1)! < 10−3 , luego 𝑛 = 4 y aproximación
1.645833333

290
−2𝑛−1
(2𝑛)!(2 2 )
Ejercicio 2-7 𝑓(𝑥) = √𝑥 + 4; 𝑅𝑛 (𝜉) < < 10−3 , luego 𝑛 = 7 y
24𝑛+2 (𝑛)!
aproximación 1.414642334
−2𝑛−1
(2𝑛)!(2 2 )
54𝑛+2 (𝑛)!
−2𝑛−1
(2𝑛)!(2 2 )

54𝑛+2 (𝑛)!
Ejercicio 2-11
a) 𝑓(𝑥) = 𝑒 𝑥 iteracion 8 , valor aprox 2.718253968

𝐸𝑁𝑛 = 0.00007299270073
b) 𝑓(𝑥) = √𝑥 + 4 ,iteracion 12 , valor aprox 1.414219731; 𝐸𝑁𝑛
=0.000005530432653
c) 𝑓(𝑥) = √𝑥 + 9,iteracion 13 , valor aproximación 2.000017849;
𝐸𝑁𝑛=0.000009086598361
d) 𝑓(𝑥) = √𝑥 + 9, ,iteracion 5 , valor aproximación 3.162276377;
𝐸𝑁𝑛=0.000005648217705
e) 𝑓(𝑥) = 𝑒 𝑥 ,iteracion 8 , valor aproximación 1.648721168;
𝐸𝑁𝑛=09.401827527 10^(-7)
f) 𝑓(𝑥) = −𝑙𝑛(1 − 𝑥): ,iteracion 35 , valor aproximación 1.609385327;
𝐸𝑁𝑛=0.000009266603980
g) 𝑓(𝑥) = 𝑙𝑛(1 − 𝑥): ,iteracion 35 , valor aproximación -1.609385326;
𝐸𝑁𝑛=0.000009266891993
h) 𝑓(𝑥) = 𝑙𝑛(1 − 𝑥): ,iteracion 8 , valor aproximación -0.2231431620;
𝐸𝑁𝑛=0.000008194739124
i) 𝑓(𝑥) = 𝑠𝑒𝑛(𝑥): ,iteracion 5 , valor aproximación 0.8414710097;
𝐸𝑁𝑛=0.000003274898233
𝑘) 𝑓(𝑥) = 𝑐𝑜𝑠(𝑥): ,iteracion 6 , valor aproximación 0.5403023038;

𝐸𝑁𝑛=5.100351975 10^(-7)
Capitulo 3
Ejercicio 3-1

291
No necesariamente, puede tener mas de una raíz, depende del intervalo que se
tome; en el ejemplo anterior si se toma el intervalo (3,13) hay cuatro raíces y el
producto de sus imágenes es positivo.
Ejercicio 3-2
Ejercicios 3-3
a- Iteración 17 aproximación 0.18750381

b- La función no es continua en ese intervalo
c- Iteración 14 aproximación 1.26046753
d- Iteración 13 aproximación 4.17590332
e- Iteración 13 aproximación 11.9997559
Ejercicio 3-4
Con 𝑛 = 3 y 𝑎 = 5 tenemos 𝑓(𝑥) = 𝑥 3 − 5

a) Iteración 22 aproximación 1.7099575
Ejercicio 3-5

292
Capitulo 4
Intervalos de una raiz

𝝆 B-RF Iter Aprox Newton Mej Iter Aprox
a)
97 (-97,0) 15 -2 (0,97) 𝑥0 = 48.5 15 2.002083
𝝆 Newton Mej Iter Aprox B-RF Iter Aprox

b)
65 (-65,0) 𝑥0 = −32.5 25 -2.0086 (0,65) 14 0.9999

c)
649 (-649,0) 16 -2 (0,649) 𝑥0 = 324.5 5 3.00019

d) 129 (0,2.0156) 8 1.9999 (2.0156,4.0312) 6 3.99999
𝑥0 =3.02343
Ejercicio 4-2
a) Falso; No necesariamente tiene siete raices reales, pueden ser menos raices
reales con multiplicidad o tener tambien raices complejas.
b) Falso; Las raices complejas biene en parejas.
c) Falso; Las raices complejas biene en parejas.
d) Verdadero; la multiplicidad de la raiz real sería 3.
e) Falso; Todo polinomio de exponente impar, tiene almenos una raíz real.
f) Falso; ver item a.
g) Verdadero; ver item e.
Ejercicio 4-3
a) Falso; No necesariamente tiene seis raices reales, pueden ser menos raices
reales con multiplicidad o tener tambien raices complejas.
b) Falso; Las raices complejas biene en parejas, pero no necesariamente todas
las raices debe ser complejas.
c) Verdadero; Podria darse esta combinación
d) Verdadero; la multiplicidad de la raiz real sería 2.

293
e) Verdadero; Todo polinomio de exponente par, puede no tener ninguna raíz

real.
f) Falso; ver item a.
g) Falso; ver item e.
Capitulo 5
Ejercicio 5-1
∑𝑛
𝑖=1 𝑧𝑖 ∑𝑛𝑖=1 𝑥𝑖 ∑𝑛𝑖=1 𝑦𝑖 𝑛 ∑𝑛
𝑖=1 𝑧𝑖 ∑𝑛𝑖=1 𝑦𝑖 𝑛 ∑𝑛𝑖=1 𝑥𝑖 ∑𝑛
𝑖=1 𝑧𝑖
𝑛 ∑𝑛 ∑𝑛
∑
| 𝑖=1 𝑥𝑖 𝑧𝑖 𝑖=1 𝑥𝑖
2
𝑖=1 𝑥𝑖 𝑦𝑖 | |∑𝑛
𝑖=1 𝑥𝑖 ∑𝑛
𝑖=1 𝑥𝑖 𝑧𝑖 ∑𝑛
𝑖=1 𝑥𝑖 ∑𝑛𝑖=1 𝑥𝑖
2 ∑𝑛
𝑖=1 𝑥𝑖 𝑧𝑖 |
∑𝑛
𝑖=1 𝑦𝑖 𝑧𝑖
𝑛
∑𝑖=1 𝑥𝑖 𝑦𝑖 ∑𝑛𝑖=1 𝑦𝑖
2 ∑𝑛
𝑖=1 𝑦𝑖 ∑𝑛
𝑖=1 𝑦𝑖 𝑧𝑖 ∑𝑛𝑖=1 𝑦𝑖
2 ∑𝑛
𝑖=1 𝑦𝑖
𝑛
∑𝑖=1 𝑥𝑖 𝑦𝑖 ∑𝑛
𝑖=1 𝑦𝑖 𝑧𝑖
𝛽0 = 𝑛 ∑𝑛 ∑𝑛
` 𝛽1 = ∑𝑛 ∑𝑛
, 𝛽2 = ∑𝑛 ∑𝑛
𝑖=1 𝑥𝑖 𝑖=1 𝑦𝑖 𝑛 𝑖=1 𝑥𝑖 𝑖=1 𝑦𝑖 𝑛 𝑖=1 𝑥𝑖 𝑖=1 𝑦𝑖
|∑𝑛
2 ∑𝑛
2 ∑𝑛
2 ∑𝑛
𝑖=1 𝑥𝑖 𝑦𝑖 |
∑𝑛
𝑖=1 𝑦𝑖 ∑𝑛 𝑥
𝑖=1 𝑖 𝑖𝑦 ∑𝑛𝑖=1 𝑦𝑖
2 ∑𝑛
2 ∑𝑛
2
Ejercicio 5-2
a-) 𝑦 = 2.104434954 + 1.569911958 𝑥
Ejercicio 5-3
Las respuesta de a y c son iguales ya que se utiliza la regresión polinomial para

aproximar un polinomio y su error cuadrático es 0
c−) − 0.1262628788 ∗ 10−5 𝑥 5 + 0.6038968399 ∗ 10−4 𝑥 4 − 0.1027020938 ∗

10−2 𝑥 3 + 0.7610176217 ∗ 10−2 𝑥 2 + 1.546491914 ∗ 𝑥 + 2.124865804
Ejercicio 5-4
a-) Modelo 𝑦 = 𝛽0 ln(𝑥) + 𝛽1
Modelo Linealización 𝑦 = 1,417629089 ∙ ln(𝑥) + 17,96835092

Variables con las que trabaja 𝑥 ∗ = ln(𝑥 ) , 𝑦 ∗ = 𝑦
Modelo Mínimos Cuadrados
b-) Modelo 𝑦 = 𝛽0 + ln(𝑥 + 𝛽1 )
Modelo Linealización 𝑦 = 5,91533757 + ln(𝑥 − 2,666750327)

294
Variables con las que trabaja 𝑥∗ = 𝑥 , 𝑦∗ = 𝑒𝑦
c-) Modelo 𝑦 = ln(𝛽0 𝑥 + 𝛽1 )
Modelo Linealización 𝑦 = ln(−988,5094425𝑥 + 370,6794118)
Variables con las que trabaja 𝑥∗ = 𝑥 , 𝑦∗ = 𝑒𝑦
Eercicio 5-5
1
a. 𝑥∗ = 𝑥 , 𝑦∗ = 𝑦
b. 𝑥 ∗ = 𝑥𝑦 , 𝑦 ∗ = 𝑦
1 1
c. 𝑥∗ = 𝑥 , 𝑦∗ = 𝑦
1 1
d. 𝑥∗ = 𝑥 , 𝑦∗ = 𝑦
e. 𝑥 ∗ = 𝑙𝑛𝑥 , 𝑦 ∗ = 𝑦
f. 𝑥 ∗ = 𝑥 , 𝑦 ∗ = 𝑙𝑛𝑦
−1
g. 𝑥 ∗ = 𝑥 , 𝑦 ∗ = 𝑦 ⁄2
𝑦
h. 𝑥 ∗ = 𝑥 , 𝑦 ∗ = 𝑙𝑛 𝑥
𝐿
i. 𝑥 ∗ = 𝑥 , 𝑦 ∗ = 𝑙𝑛 (𝑦 − 1)
Ejercicio 5-6
Las variables con las que se trabaja son 𝑥 ∗ = 𝑥 , 𝑦 ∗ = ln(𝑦)
Modelo Linealizado ln 𝑦 = 𝛽1 ln 𝛽0 + 𝑥𝛽1 𝑙𝑛2 => 𝑙𝑛 𝑦 = 0.1437 + 1.3671 𝑥
√𝑦 = 728.39 ∗ 2𝑥
0.207
Modelo exponencial
Ejercicio 5-7
Las variables con las que se trabaja son 𝑥 ∗ = 𝑥 , 𝑦 ∗ = 𝑠𝑒𝑛−1 𝑦
Modelo Linealizado 𝑠𝑒𝑛−1 𝑦 = 𝑚𝑥 + 𝑏 => 𝑠𝑒𝑛−1 𝑦 = 0.345𝑥 − 0.079

295
Modelo trigonométrico
𝑦 = 𝑠𝑒𝑛(0.345𝑥 − 0.079 )
Ejercicio 5-8
𝑦 = 𝑎(𝑥 + 𝑏)2
Las variables con las que se trabaja son 𝑥 ∗ = 𝑥 , 𝑦 ∗ = √𝑦 + 2
Modelo Linealizado √𝑦 + 2 = √𝑎 ∗ 𝑥 + √𝑎 ∗ 𝑏 => √𝑦 = 0.5762 𝑥 + 1.038
Modelo trigonométrico
𝑦 = 0.56533(𝑥 + 1.01928)2 − 6
Ejercicio 5-9
𝑘 𝑥𝑘 𝑓(𝑥𝑘 ) ⃗ 𝑓)
(∆
0 -2 -0,909297427 -0,093960712
1 -1,333333333 -0,971937901 0,530352147
2 -0,666666667 -0,618369803 0,927554705
3 0 0 0,927554705
4 0,666666667 0,618369803 0,530352147
5 1,333333333 0,971937901 -0,093960712
6 2 0,909297427 ------
Ejercicio 5-10
∆ ⃗ 2 𝑓(𝑥𝑘 )
∆ ⃗ 3 𝑓(𝑥𝑘 )
∆ ⃗ 4 𝑓(𝑥𝑘 )
∆
0 0 0 0,989615837 -0,128340096 -0,214545839 -0,1114387
1 0,25 0,247403959 0,928086317 -0,274582856 -0,325984539 -----
2 0,5 0,479425539 0,808852886 -0,468239522 ----- -----
3 0,75 0,68163876 0,639328899 ----- ----- -----
4 1 0,841470985 ----- ----- ----- -----
Ejercicio 5-13
APROX LINEAL 2,079441542

APROX CUAD 1,386294361

296
APROX CUBICA 4,158883083
Ejercicio 5-14
𝑓(ℎ) 2𝑓(0) 𝑓(−ℎ) 𝑓(ℎ) 2𝑓(0) 𝑓(−ℎ)

𝑝(𝑥) = 𝑥 2 [ 2ℎ2 − 2ℎ2 + 2ℎ2 ] + 𝑥 [𝑓(0) − 𝑓(−ℎ) + − + ]+
2ℎ 2ℎ 2ℎ
[𝑓(−ℎ) + ℎ𝑓(0) − ℎ𝑓(−ℎ)]
Ejercicio 5-18

Ejercicio 5-20

Capitulo 6
Ejercicio 6-1
n Rn1 Rn2 Rn3
1 2
2 1,841470985 1,78862798
3 1,400161031 1,253057713 1,217353029
Ejercicio 6-2
𝒆𝒙 𝑻𝒓𝒂𝒑𝒆𝒄𝒊𝒐 𝟖. 𝟎𝟑𝟖𝟕𝟔𝟑𝟑𝟑𝟑
𝒇(𝒙) = {
𝒙 𝑺𝒊𝒎𝒑𝒔𝒐𝒏 𝟖. 𝟎𝟑𝟖𝟕𝟏𝟓𝟑𝟏𝟏

297
𝑻𝒓𝒂𝒑𝒆𝒄𝒊𝒐 𝟎. 𝟐𝟎𝟔𝟒𝟐𝟑𝟓𝟎𝟕𝟖
𝒆−𝒙
𝒇(𝒙) = {
𝑺𝒊𝒎𝒑𝒔𝒐𝒏 𝟎. 𝟐𝟏𝟓𝟔𝟏𝟎𝟏𝟗𝟏𝟎
𝒙
𝑻𝒓𝒂𝒑𝒆𝒄𝒊𝒐 𝟏. 𝟐𝟗𝟔𝟒𝟖𝟗𝟗𝟗𝟗
𝒇(𝒙) = 𝒔𝒆𝒏 𝒙𝟐 {
𝑺𝒊𝒎𝒑𝒔𝒐𝒏 𝟏. 𝟐𝟗𝟕𝟓𝟐𝟐𝟒𝟓𝟏
𝑻𝒓𝒂𝒑𝒆𝒄𝒊𝒐 𝟎. 𝟕𝟎𝟑𝟓𝟏𝟎𝟎𝟎𝟎𝟏
𝒇(𝒙) = 𝐜𝐨𝐬 𝒙𝟐 {
𝑺𝒊𝒎𝒑𝒔𝒐𝒏 𝟎. 𝟕𝟎𝟐𝟒𝟕𝟕𝟓𝟒𝟖𝟔
𝟐 𝑻𝒓𝒂𝒑𝒆𝒄𝒊𝒐 𝟎. 𝟏𝟑𝟗𝟓𝟏𝟐𝟐𝟓𝟏𝟕
𝒇(𝒙) = 𝒆−𝒙 {
𝑺𝒊𝒎𝒑𝒔𝒐𝒏 𝟎. 𝟏𝟑𝟗𝟑𝟗𝟗𝟗𝟔𝟔𝟐
𝒙𝟐 𝑻𝒓𝒂𝒑𝒆𝒄𝒊𝒐 𝟏. 𝟏𝟒𝟗𝟑𝟗𝟔𝟖𝟔𝟑 ∗ 𝟏𝟎𝟔
𝒇(𝒙) = 𝒆 {
𝑺𝒊𝒎𝒑𝒔𝒐𝒏 𝟏. 𝟏𝟒𝟗𝟑𝟗𝟗𝟏𝟕𝟑 ∗ 𝟏𝟎𝟔
𝑻𝒓𝒂𝒑𝒆𝒄𝒊𝒐 𝟑. 𝟔𝟓𝟓𝟏𝟑𝟐𝟒𝟕𝟐
𝒇(𝒙) = √𝟏 + 𝐜𝐨𝐬𝟐 𝒙 {
𝑺𝒊𝒎𝒑𝒔𝒐𝒏 𝟑. 𝟔𝟓𝟒𝟓𝟓𝟏𝟔𝟕𝟗
𝑻𝒓𝒂𝒑𝒆𝒄𝒊𝒐 𝟗. 𝟗𝟏𝟔𝟑𝟕𝟐𝟒𝟒𝟕
𝒇(𝒙) = √𝟗 + 𝟒 𝒔𝒆𝒏𝟐 𝒙 {
𝑺𝒊𝒎𝒑𝒔𝒐𝒏 𝟗. 𝟗𝟏𝟔𝟐𝟔𝟒𝟎𝟏𝟔
Ejercicio 6-3
a)
n Rn1 Rn2 Rn3 Rn4 Rn5 Rn6
1 4,989972912
2 7,441150268 8,258209387
3 3,478378559 2,157454656 1,750737674
4 7,017510048 8,197220545 8,599871604 8,708588015
5 3,367374851 2,150663119 1,747559291 1,638792429 1,61106774
6 6,989308789 8,196620102 8,599683901 8,708447783 8,73617192 8,743136833
b)
1 -4,280425668
2 -0,320620855 0,999314083
3 -3,840483799 -5,013771447 -5,414643816
4 -0,169602459 1,054024654 1,458544394 1,56764262
5 -3,777155201 -4,979672781 -5,381919277 -5,490498065 -5,518177048
6 -0,139809613 1,072638916 1,476126363 1,58498423 1,61273122 1,619701804

298
c)
1 0,127002734
2 0,434607306 0,537142163
3 1,014122331 1,207294006 1,251970795
4 1,095681044 1,122867282 1,117238834 1,115100231
5 1,110470467 1,115400275 1,114902474 1,114865389 1,114864468
6 1,113916357 1,115064987 1,115042634 1,115044859 1,11504556 1,11504574
d)
1 -0,170011972
2 1,368362646 1,881154186
3 1,43893913 1,462464624 1,434551987
4 1,382612193 1,363836547 1,357261342 1,356034507
5 1,369979615 1,365768756 1,36589757 1,366034653 1,366073869
6 1,366973756 1,365971804 1,36598534 1,365986733 1,36598655 1,36598646
e)
1 0,57929262
2 1,457847485 1,750699106
3 1,59069208 1,634973612 1,627258579
4 1,619404848 1,62897577 1,628575914 1,628596824
5 1,62653408 1,628910491 1,628906139 1,62891138 1,628912614
6 1,628312899 1,628905839 1,628905529 1,628905519 1,62890550 1,628905489
1 85,97464779
2 44,91336202 31,22626676
3 26,83310174 20,80634831 20,11168708
4 20,41628378 18,27734446 18,1087442 18,07695145

299
5 18,5628828 17,94508247 17,92293167 17,91998227 17,9193667

6 18,07869869 17,91730398 17,91545208 17,91533336 17,91531513 17,91531117
f)
g)
1 2,744414492
2 3,476976342 3,721163626
3 3,551735146 3,576654747 3,567020821
4 3,449826391 3,415856806 3,405136944 3,402567358
5 3,406357368 3,391867693 3,390268419 3,390032411 3,389983254
6 3,403924069 3,403112969 3,403862654 3,404078436 3,40413352 3,404147351
1 8,940667647
2 9,211286854 9,301493256
3 9,590808451 9,71731565 9,745037142
4 9,666677424 9,691967082 9,690277178 9,689407972
5 9,681718064 9,68673161 9,686382579 9,686320759 9,686308653
6 9,685168627 9,686318815 9,686291295 9,686289846 9,68628972 9,686289706
h)
Ejercicio 6-8
2ℎ
[7𝑓(𝑥𝑖 ) + 32𝑓(𝑥𝑖+1 ) + 12𝑓(𝑥𝑖+2 ) + 32𝑓(𝑥𝑖+3 ) + 7𝑓(𝑥𝑖+4 )]
45
Ejercicio 6-10

300
n Rn1 Rn2 Rn3 Enn
1 0,138813362
2 0,134300571 0,132796307 0,045310416
3 0,133178086 0,132803924 0,132804432 6,11819E-05
Capitulo 7
Ejercicio 7-1
ADELANT CENTRAD
h Xk f(xk+h) fXk) f(xk-h) E ATRAS A
0,1 2 0,41 0 -0,39 4,1 3,9 0,04

0,01 3 5,0601 5 4,9401 6,01 5,99 0,0006
0,0000 12,0000
1 4 8 12 11,99992 8,00001 7,99999 8E-10
Ejercicio 7-2
⃗⃗⃗⃗⃗
𝑑𝑓 ⃗⃗⃗⃗⃗⃗⃗
𝑑2𝑓
𝑘 𝑥𝑘 𝑓(𝑥𝑘 ) (𝑥 )
𝑑𝑥 𝑘 𝑑𝑥 2
0 0 1 1,107013791 1,225479533
1 0,2 1,221402758 1,352109697 1,496804082
2 0,4 1,491824698 1,651470514 1,828200634
3 0,6 1,8221188 2,017110641 2,232969297
4 0,8 2,225540928 2,4637045 --------
5 1 2,718281828 ------ --------
Ejercicio 7-9
→
𝑑𝑓
(1) = 1,591998278
𝑑𝑥
←
𝑑𝑓
(1) No pertenece al dominio
𝑑𝑥
←
𝑑𝑓
(1) No pertenece al dominio
𝑑𝑥

301
Ejercicio 7-10
→ ← ←
a) (0) = 0 (0) No pertenece al dominio (0) No pertenece al dominio
→ ← ←
(𝜋⁄4) = −0,696618075 (𝜋⁄4) = 1,20314426 (𝜋⁄4) =
b) 𝑑𝑡 𝑑𝑡 𝑑𝑡
−0,348309038
←2
⃗⃗⃗⃗⃗
𝑑2 𝑓 ⃖⃗⃗⃗⃗
𝑑2 𝑓 𝜋
c) 𝑑𝑥 2 (𝑥𝑘 )(𝜋⁄4) = 3,322724 (𝜋⁄4) = −13,268343
𝑑 𝑓
( ⁄4) =
𝑑𝑥 2 𝑑𝑥 2
11,0838745
←3
⃗⃗⃗⃗⃗
𝑑3 𝑓 ⃖⃗⃗⃗⃗
𝑑3 𝑓 𝜋
d) 𝑑𝑥 3 (𝑥𝑘 )(𝜋⁄4) = −13,561 (𝜋⁄4) No pertenece al dominio
𝑑 𝑓
( ⁄4) =
𝑑𝑥 3 𝑑𝑥 3
0,002260

302
Tabla de símbolos
𝜀𝑎 Error absoluto
𝜀𝑟 Error relativo
𝜀𝑟% Error relativo porcentual
{𝑥𝑛 } Sucesión
𝐸𝑁 Error Normalizado
𝐸𝑁𝑛 Término 𝑛-ésimo del error normalizado
𝐸𝑁𝑃 Error Normalizado Porcentual
𝑇𝑚 Tolerancia con 𝑚 cifras significativas
𝒔𝒏 Suma parcial de una serie
𝑹𝒏 (𝝃) Error 𝒏-ésimo evaluado en 𝝃
𝒃𝒊 Aproximación 𝒊-esima aplicando el método de Bisección
𝒓𝒇𝒊 Aproximación 𝒊-esima aplicando el método de Regla falsa
𝒂𝒏 𝒙𝒏 Término 𝒏-ésimo de un polinomio
(𝝆 , 𝝆 ) Intervalo donde se encuentran las raíces de un polinomio
𝑽𝒑 (𝒄) Número de cambios de signo del valor 𝒄, evaluado en las sucesiones de Sturm
𝑰𝒊 Intervalo donde se garantiza una única raíz
𝜷𝒊 Parámetros de los modelos de regresión
𝒆𝒊 Error 𝒊-esimo generado por un modelo de regresión
⃗ 𝒇 Primera diferencia finita hacia adelante
∆
𝑫𝒐𝒎𝑿 (𝒇) Valores que puede tomar la función 𝒇 en un conjunto de valores 𝑿
⃗ 𝒏 𝒇 𝒏-esima difererencia finita hacia adelante
∆
∏𝒏𝒊=𝟏 𝒙𝒊 Productoria de los n primeros términos
𝐑𝐬𝐢 Aproximación 𝒊-esima del valor de la integral utilizando sumas superiores de Riemman
𝑹𝑰𝒊 Aproximación 𝒊-esima del valor de la integral utilizando sumas Inferiores de Riemman
𝑨𝑻𝒊 Aproximación 𝒊-esima del valor de la integral utilizando el método de Trapecio
𝑴𝑻 Cota superior para acotar el error utilizando trapecios
𝑬𝑻𝒏 Iteracion 𝒏-esima del error del método del trapecio.
𝑨𝒔𝒊 Aproximación 𝒊-esima del valor de la integral utilizando el método de Simpson
𝑨𝑩 𝒊 Aproximación 𝒊-esima del valor de la integral utilizando el método de Boole
𝑹𝒌,𝒋 Fórmula de recurrencia de aproximación de Romberg de la fila 𝒊, column 𝒋
𝑶(𝒉𝒏 ) Error 𝒏-esimo generado al utilizar un método de aproximación
⃗⃗⃗
𝒅𝒇
(𝒙𝒌 ) Aproximación de la derivada en 𝒙𝒌 , utilizando diferencias hacia adelante
𝒅𝒙

303
Índice alfabético
E
Error absoluto, 1-10
A
Error en el polinomio interpolante, 5-
aproximación, 6-213 204
APROXIMACION DE NEWTON- Error normalizado, 1-16
COTES, 6-242 Error normalizado porcentual, 1-16
Error relativo, 1-10
B Error relativo porcentual, 1-11
Bairstow, 4-135, 4-144, 4-146, 4-147,
4-150, 4-153 I
Bairstow,, 4-135, 4-150 INTEGRACION NUMERICA, 6-210
Bisección-regla falsa, 3-87, 3-88, 3- INTERPOLACION DE NEWTON, 5-
95, 3-97, 4-124, 4-125, 4-128, 4- 190
134 Intervalo de convergencia, 2-32
C L
Cero real, 3-50 Linealización, 5-168
Cifra significativa, 1-18
Convergencia del método de Newton, M
3-67 Método de bisección, 3-54
Cota de error para la regla del METODO DE BOOLE, 6-243, 6-248
trapecio, 6-229 Método de Halley, 3-98
COTA PARA EL ERROR EN EL Método de la Secante, 3-76
METODO DE BOOLE, 6-248 METODO DE LAGRANGE, 5-197
COTA PARA EL ERROR EN EL Método de Newton, 3-63
METODO DE SIMPSON, 6-240 Método de Newton mejorado, 3-71
Método de Newton Raphson, 3-65
D
Método de Newton-Raphson, 3-63
diferencia finita, 5-181, 5-182, 5-186 Método de Simpson, 6-233
DIFERENCIACION NUMERICA, 7- Metodo del punto fijo, 3-61
258 Minimos cuadrados, 5-173
Diferencias finitas, 5-177, 5-205 modelo Linealizado, 5-166
Diferencias Finitas Centradas, 5-188 modelo Potencial, 5-167
Diferencias Finitas Hacia Atras, 5-186 modelos, 1-7, 5-168, 5-173, 5-175, 5-
Dígito significativo, 1-18 207
dominio, 1-12, 2-29, 2-32, 2-33, 2-40, Multiplicidad y derivada, 4-104
3-64, 5-170, 5-171, 5-177, 5-178, 5- Multiplicidad y factores, 4-100
179, 5-180, 5-182, 5-184, 5-186, 5-
188, 5-189, 6-224

7-304
P 120, 4-121, 4-122, 4-125, 4-128, 4-

Polinomio, 4-99 134, 4-135, 4-136
Sucesión, 1-12
R Sucesión convergente, 1-13
Sucesiones de Cauchy, 1-14
Raíz múltiple, 3-70 Sumas Inferiores, 6-215
Raíz real, 3-50 Sumas Superiores, 6-212, 6-216
regresión lineal, 5-156, 5-157, 5-158,
5-166, 5-167, 5-171, 5-172, 5-173, T
5-207
teorema de Bolzano, 3-54, 3-55, 3-56,
Regresión polinomial, 5-161
3-57, 3-78, 3-83, 3-95, 3-97, 4-107
RIEMANN, 6-219
Teorema de Taylor, 2-37
ROMBERG, 6-250
Teorema del factor, 4-100
S Teorema fundamental del algebra,
4-106
Serie de MacLaurin, 2-30 Tolerancia, 1-22
Serie de Taylor, 2-35 Traslaciones, 5-170
Serie y serie convergente, 1-24
Sturm, 4-109, 4-110, 4-112, 4-113, 4- V
114, 4-116, 4-117, 4-118, 4-119, 4-
vector de los residuos, 5-174

Metodos

Cargado por

Copyright:

Formatos disponibles

Metodos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Metodos

Cargado por

Copyright:

Formatos disponibles

INTRODUCCION A LOS MÉTODOS

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

4.3 Deflación polinomial .......................................................................................................... 136

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

7.2.1. Primera derivada hacia atrás ....................................................................................... 281

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

La matemática actual cuenta con diferentes teorías y métodos para hallar

En primer lugar, uno de los problemas más frecuentes en matemáticas es

Un segundo ejemplo, para calcular valores de integrales definidas usamos el

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

presenta al hallar la probabilidad de una variable aleatoria que tenga una

Aunque el problema claramente tiene solución ya que es el área bajo la curva de

El objetivo de estas notas es describir brevemente (y en algunos casos ver qué

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

recursivo) son lo suficientemente “buenos” para ser tenidos en cuenta e

En el tercer capítulo discutiremos uno de los problemas más comunes en

Para el cuarto capítulo estudiaremos ajuste de curvas (funciones) empezando por

En los capítulos quinto y sexto los dedicamos al cálculo en una variable

El capítulo séptimo usamos las aproximaciones de las derivadas sobre las

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

consistencia, estabilidad y convergencia de estos (esto escapa del alcance de

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

1. Teoría del error.

Como ya se mencionó en la introducción el propósito de estas notas es buscar

Para esto haremos un breve estudio de la teoría del error centrándonos en la

En estas notas se usara el término error para representar tanto la inexactitud

1.1 Tipos de error.

(Este tipo de error no es el objeto de estas notas).

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

1.1.2. Error de máquina.

Teóricamente tenemos la existencia de números reales con una cantidad infinita

Se refiere a la aproximación de un número o de una medida al valor verdadero

Se da cuando se aproxima el valor real con un valor aproximado, mediremos la

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

Definición 1-1 (Error absoluto) Definimos el error absoluto de una aproximación

Ejemplo 1-1 Supongamos que por medio de un experimento de laboratorio se

Ejemplo 1-2 Suponga que se tiene que medir la longitud de un puente y la de un

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

El error relativo en la medición del puente es:

Observemos que esta medida del error es un escalar (es un número

1.1.3.1.1. Error relativo porcentual.

Definición 1-3 (Error relativo porcentual) Definimos el error relativo porcentual

Siempre y cuando el valor real sea no nulo. (Burden R. y Faires, 2003)

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

El error relativo porcentual en la medición del puente es:

1.1.4.1.1. Sucesiones y series.

Definición 1-4 (Sucesión) Por una sucesión finita de 𝒏 términos entenderemos

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

conjunto contable y totalmente ordenado (Muñoz Quevedo, 2002). El recorrido de

La idea es que están sucesiones se acerquen al valor buscado, así estudiaremos

Siempre que 𝑛 > 𝑁.

Para ilustrar esta definición veamos el siguiente ejemplo.

Ejemplo 1-5 Consideremos la sucesión de números reales dada por

Sabemos por los cálculos directos del límite que

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

En muchas de nuestras aproximaciones numéricas nos acercaremos a la solución

En la tabla anterior se ve que entre más avanzamos en la sucesión, la distancia

Definición 1-6 (Sucesiones de Cauchy) (Apostol, 1996) Sea 𝒙𝒏 una sucesión se

siempre que 𝑛, 𝑚 > 𝑁.

Losada H. Solón, Morales P. Jorge, Ruiz P. Fabian

Para 𝑛 = 2,3, …. (Antonio, 1998) (Burden R. y Faires, 2003)