Act 1 Presaber Metodos Numericos

Act 1: Lección Evaluativa de Reconocimiento Presaberes
Revisión del intento 1
Comenzado el: sábado, 1 de septiembre de 2012, 17:23

Completado el: sábado, 1 de septiembre de 2012, 17:42
Tiempo empleado: 18 minutos 38 segundos
627 Continuar
1
"Una ecuación es una proposición que expresa la igualdad de dos expresiones
algebraicas. Por lo regular involucra una o más variables y el símbolo de igualdad
“=”. Las siguientes proposiciones son ejemplos de ecuaciones"
De las siguientes cuales No se consideran ecuaciones.

Seleccione una respuesta.
a. – 5y = 6 – 4y
b. x –100 = x
c. sen(2x-3)
d. 3K/(1- T) = S
Deacuerdo al texto la exactitud es perteneciente .
Seleccione al menos una respuesta.

a. Calidad de información
b. número de errores
c. base de datos
d. calidad de datos
3
De acuerdo al texto Ecuaciones Lineales en la ecuación 7x – 3 = 2x +
2. Con cual de los siguientes el valores de x, se cumple la igualdad.

a. x = -3
b. x = 3
c. x = 1
d. x = -1
4
Deacuerdo a la lectura : El nivel de exactitud requerido puede variar
enormemente de unos casos a otros. correcponde al concepto
a. Aproximación
b. Precisión
c. Redondeo
d. Exactitud
5
El numero x= -7/5 es la solución de:
a. 2X-5(1-3X) = 1-3(1+4X)
b. 2X-5(1-3X) = 1-3(1-4X)
c. 2X+5(1-3X) = 1-3(1-4X)
d. 2X + 5(1+3X) = 1-3(1-4X)
En base al concepto de precisión es correcto afirmar

a. Análisis demográficos de las tendencias del electorado
pueden prescindir de esta precisión mediante un código postal
solamente
b. Análisis demográficos de las tendencias del electorado
pueden prescindir de esta precisión mediante un código postal o
de circunscripción.
c. Análisis demográficos de las tendencias del electorado
pueden prescindir de esta precisión mediante un código postal y
circunscripción.
d. Análisis demográficos de las tendencias del electorado
pueden prescindir de esta precisión mediante un código de
circunscripción.
Act 3 : Reconocimiento Unidad 1
Comenzado el: martes, 18 de septiembre de 2012, 17:00

Completado el: martes, 18 de septiembre de 2012, 17:24
632 Continuar
1
Generalmente, los computadores cortan los números decimales
entre el 17° y el:
a. 15°decimal
b. 10°decimal
c. 12°decimal
d. 14°decimal
2
En matemática, el método de bisección es un algoritmo de
búsqueda de raíces que trabaja dividiendo el intervalo a la mitad y
seleccionando el subintervalo que tiene la raíz. Supóngase que
queremos resolver la ecuación f(x) = 0 (donde f es continua. Dados
dos puntos a y b tal que f(a) y f(b) tengan signos distintos, sabemos
por el Teorema de Bolzano que f debe tener, al menos, una raíz en
el intervalo [a, b]. El método de bisección divide el intervalo en dos,
usando un tercer punto c = (a+b) / 2. En este momento, existen dos
posibilidades: f(a) y f(c), ó f(c) y f(b) tienen distinto signo. El
algoritmo de bisección se aplica al subintervalo donde el cambio de
signo ocurre. El método de bisección es menos eficiente que el
método de Newton, pero es mucho más seguro asegurar la
convergencia. Si f es una función continua en el intervalo [a, b] y
f(a)f(b) < 0, entonces este método converge a la raíz de f. De hecho,
una cota del error absoluto es:
en la n-ésima iteración. La bisección converge linealmente, por lo

cual es un poco lento. Sin embargo, se garantiza la convergencia si
f(a) Unas cuantas iteraciones del método de bisección aplicadas en
un intervalo [a1;b1]. El punto rojo es la raíz de la función
PREGUNTA: El método de bisección es un algoritmo de búsqueda

de raíces que trabaja dividiendo el intervalo a la _________ y
seleccionando el ______________ que tiene la raíz. Las opción
correcta para completar el enunciado anterior es:
a. Mitad e Intervalo
b. Cuarta y Subintervalo
c. Cuarta e Intervalo
d. Mitad y Subintervalo
3
Cifras significativas.
Cuando se emplea un número en un cálculo, debe haber seguridad
de que pueda usarse con confianza. El concepto de cifras
significativas tiene dos implicaciones importantes en el estudio de
los métodos numéricos.
1.- Los métodos numéricos obtienen resultados aproximados. Por lo
tanto, se debe desarrollar criterios para especificar que tan precisos
son los resultados obtenidos.
2.- Aunque ciertos números representan número específicos, no se
pueden expresar exactamente con un número finito de cifras.
Exactitud y Precisión.
La exactitud se refiere a que tan cercano está el valor calculado o
medido del valor verdadero. La precisión se refiere a qué tan
cercano está un valor individual medido o calculado respecto a los
otros.
La inexactitud se define como un alejamiento sistemático de la
verdad. La imprecisión, sobre el otro lado, se refiere a la magnitud
del esparcimiento de los valores.
Los métodos numéricos deben ser lo suficientemente exactos o sin
sesgos para que cumplan los requisitos de un problema particular
de ingeniería.
Error.
En general, para cualquier tipo de error, la relación entre el número
exacto y el obtenido por aproximación se define como:
Error = Valor real -valor estimado = |p-p*|
(Llamado Error Absoluto)
En ocasiones, se sabrá exactamente el valor del error, que
denotaremos como Ev, o deberemos estimar un error aproximado.
Ahora, para definir la magnitud del error, o que incidencia tiene en el
cálculo el error detectado, podemos normalizar su valor:
Ea = Error relativo (fracción) = (|p-p*|)/p
Como el valor de Ea puede ser tanto positivo como negativo, en
muchos casos nos interesa saber más la magnitud del error, caso
en el cual usaremos el valor absoluto de este.
Un caso muy interesante es una investigación que realiza
Scarborough, en que determinó el número de cifras significativas
que contiene el error como:
ERROR DE REDONDEO
Muchas veces, los computadores cortan los números decimales
entre el 17° y 12° decimal introduciendo así un error de redondeo
Por ejemplo, el valor de "e" se conoce como 2.718281828... Hasta
el infinito.
Si cortamos el número en 2.71828182 (8 cifras significativas luego
del punto decimal) estamos obteniendo u error de
E = 2.718281828 -2.71828182 = 0.000000008...
Sin embargo, como no consideramos que el número que seguía al
corte era mayor que 5, entonces nos convenía dejar el número
como 2.71828183, caso en el cual el error sería solo de
E = 2.118281828 -2.11828183 = -0.000000002..
, que en términos absolutos es mucho menor que el anterior.
En general, el error de corte de las computadoras será muy inferior
al error introducido por un usuario, que generalmente corta a un
menor número de cifras significativas.
Dependiendo de la magnitud de los números con los que se trabaja,
el error de redondeo puede tener una incidencia muy grande muy
pequeña en el cálculo final. Así por ejemplo, si tenemos un producto
de 502,23 m y un precio en dólares de US $ 7,52, el precio total nos
dará US$ 3.776,7696 (que en pesos chilenos, con 1 dólar = $500
nos da $1.888.384,8).
Ahora, si introducimos una variación del 0.1% en los metros del
producto y calculamos el total, obtenemos 502,23 * 0.1 % = 507, 54,
que en US$ equivalen a US$3.816,7008 (o sea, $1.908.350,4 pesos
chilenos, una diferencia de $19.965,6) lo que no deja de ser
importante, ya que una variación de 0.1% en el metraje del producto
nos da un error superior a 1.5% en el precio final
ERRORES DE TRUNCAMIENTO.
Los errores de truncamiento tienen relación con el método de
aproximación que se usará ya que generalmente frente a una serie
infinita de términos, se tenderá a cortar el número de términos,
introduciendo en ese momento un error, por no utilizar la serie
completa (que se supone es exacta).
En una iteración, se entiende como el error por no seguir iterando y
seguir aproximándose a la solución. En un intervalo que se
subdivide para realizar una serie de cálculos sobre él, se asocia al
número de paso, resultado de dividir el intervalo "n" veces.
ERROR NUMERICO TOTAL
El error numérico total se entiende como la suma de los errores de
redondeo y truncamiento introducidos en el cálculo.
Pero aquí surge un gran problema. Mientras más cálculos se tengan
que realizar para obtener un resultado, el error de redondeo se irá
incrementando. Pero por otro lado, el error de truncamiento se
puede minimizar al incluir más términos en la ecuación, disminuir el
paso o proseguir la iteración ( o sea mayor número de cálculos y
seguramente mayor error de redondeo).
Entonces, ¿qué criterio utilizamos? ...lo ideal sería determinar el
punto en que los errores de donde empiezan a ocultar la ventaja de
considerar un menor error de truncamiento.
Pero como dije, es lo ideal; en la práctica debemos considerar que
hoy por hoy los computadores tienen un manejo de cifras
significativas mucho mayor que antes por lo que el error de
redondeo se minimiza enormemente, aunque no se debe dejar
olvidar su aporte al error total.
PREGUNTA:
El error relativo en las siguientes aproximaciones de p=3,35 por
p*=3,53 es
a. Ea= -0,05099
b. Ea= 0,0599
c. Ea= 0,05909
d. Ea= 0,05099
4
Es un asunto perteneciente a la cualidad de los datos y al número
de errores contenidos en un conjunto de datos o mapa.Dicho
enunciado corresponde al concepto
a. Aproximación
b. Exactitud
c. Redondeo xx
d. Precisión
Método de la regla falsa Como en el método de bisección, el método

parte de un intervalo inicial [a0,b0] que contiene al menos una
solución de la ecuación f(x) = 0, a la cual se llama raíz de f. Es decir,
parte de un intervalo con f(a0) y f(b0) de signos contrarios (véase el
teorema de Bolzano). El algoritmo va obteniendo sucesivamente en
cada paso un intervalo [ak, bk] más pequeño que incluye una raíz
de la función f. Para determinar a partir de un intervalo [ak, bk] el
siguiente intervalo [ak+1, bk+1], lo que se hace es obtener el punto
del interior del intervalo dado por la fórmula:
El punto se obtiene al hallar la intersección de la recta que pasa por

los puntos (a,f(ak)) y (b,f(bk)) con el eje de abscisas (igual a como
se hace en el método de la secante). Una vez hallado este punto, se
toma como siguiente intervalo al intervalo que tiene de extremo al
punto obtenido ck y uno de los extremos del anterior intervalo de
forma que en el nuevo intervalo siga estando una de las raíces de la
función f (Es decir, con el valor de la función en los extremos del
nuevo intervalo de signo contrario). Análisis del método Se puede
demostrar que bajo ciertas condiciones el método de la falsa
posición tiene orden de convergencia lineal, por lo que suele
converger más lentamente a la solución de la ecuación que el
método de la secante, aunque a diferencia de en el método de la
secante el método de la falsa posición siempre converge a una
solución de la ecuación. El algoritmo tiene el inconveniente de que
si la función es convexa o cóncava cerca de la solución, el extremo
del intervalo más alejado de la solución queda fijo variando
únicamente el más cercano, convergiendo muy lentamente. Para
solucionarlo, se suele utilizar una variante del algoritmo, conocida
como método de regula falsi modificado, consistente en el caso de
que el intervalo quede fijo por un extremo en ir dividiendo por dos el
valor de la función en dicho extremo hasta que el nuevo intervalo no
contenga al extremo que se había quedado fijado.
PREGUNTA: Se puede demostrar que bajo ciertas condiciones el

método de la falsa posición tiene orden de convergencia:

a. no lineal
b. infinita
c. Lineal
d. finita
Método de Newton- Raphson
La idea de este método es la siguiente: se comienza con un valor

razonablemente cercano al cero (denominado punto de arranque),
entonces se reemplaza la función por la recta tangente en ese valor,
se iguala a cero y se despeja (fácilmente, por ser una ecuación
lineal). Este cero será, generalmente, una aproximación mejor a la
raíz de la función. Luego, se aplican tantas iteraciones como se
deseen.
Supóngase f : [a, b] -> R función derivable definida en el intervalo

real [a, b]. Empezamos con un valor inicial x0 y definimos para cada
número natural n
PREGUNTA:
El método de punto fijo inicia con una aproximación inicial xo y xi+1=

g(x) genera
una sucesión de aproximaciones la cual:

a. converge a la solución de la ecuación f(x)>0
b. Diverge a la solución de la ecuación f(x)>0
c. Converge a la solución de la ecuación
f(x)=0
d. Diverge a la solución de la ecuación f(x)=0
6.7/ /8 sep18/12
Act 4: Lección Evaluativa Unidad No. 1
Comenzado el: martes, 18 de septiembre de 2012, 17:33
Completado el: martes, 18 de septiembre de 2012, 17:58
Principio del formulario
633 Continuar
Final del formulario
1
La tercera iteración encontrada en el ejemplo realizado en la página anterior por el Método de
Bisección es:
a. 1,3125
b. 1,430
c. 1,375
d. 1,25
Un valor de una variable que haga que la ecuación sea una proposición verdadera se denomina
raíz o solución de la ecuación dada. Decimos que tal valor de la variable satisface la ecuación.
Así por ejemplo x=5 es una raíz de la ecuación 2x – 3 = x + 2
De manera similar y = -2 es la solución de la ecuación y2 + 3y=6 + 4y
En álgebra elemental se enseña a resolver este tipo de ecuaciones en especial las ecuaciones
lineales y cuadráticas.
La solución de la siguiente ecuación 3(x - 3)2 = 3(3x - 9) es:
a. x = 5
b. x = 6
c. x = -5
d. x = - 6
3
De acuerdo a los siguientes enunciados el más apropiado al concepto de EXACTITUD deberá ser
a. Son errores en los valores numéricos con que se va a operar, pueden deberse a dos causas:
sistemáticos o accidentales
b. Errores debidos a la apreciación del observador y otras causas
c. Errores debidos a la imprecisión de los aparatos de medición.
d. Se refiere a la cercanía de un número o de una medida al valor verdadero que se supone

representa
MÉTODO DE LA BISECCIÓN
El método de bisección se basa en el siguiente teorema de Cálculo:
Teorema del Valor Intermedio
Sea f(x) continua en un intervalo [a,b] y supongamos que f(a)<f(b). Entonces para cada z tal que
f(a) < z < f(b), existe un x0 Î (a,b) tal que f(x) = z. La misma conclusión se obtiene para el caso que
f(a)>f(b).
Básicamente el Teorema del Valor Intermedio nos dice que toda función continua en un intervalo
cerrado, una vez que alcanzó ciertos valores en los extremos del intervalo, entonces debe alcanzar
todos los valores intermedios.
En particular, si f(a) y f (b) tienen signos opuestos, entonces un valor intermedio es precisamente
z=0 , y por lo tanto, el Teorema del Valor Intermedio nos asegura que debe existir x0 Î (a,b) tal que
f(x0)=0 , es decir, debe haber por lo menos una raíz de f(x) en el intervalo (a,b).
El método de bisección sigue los siguientes pasos:
Sea f(x) continua,
i) i) Encontrar valores iníciales xa, xb tales que f(xa) y f(xb) tienen signos opuestos, es decir,
f(xa) . f(xb) < 0
ii) ii) La primera aproximación a la raíz se toma igual al punto medio entre xay xb :
iii) iii) Evaluar f(xr) . Forzosamente debemos caer en uno de los siguientes casos:
f(xa) . f(xr) < 0
En este caso, tenemos que f(xa) y f(xr) tienen signos opuestos, y por lo tanto la raíz se encuentra
en el intervalo [xa , xr] .
· f(xa) . f(xr) > 0
En este caso, tenemos que f(xa) y f(xr) tienen el mismo signo, y de aquí que f(xr) y f(xb) tienen
signos opuestos. Por lo tanto, la raíz se encuentra en el intervalo [xr , xb] .
· f(xa) . f(xr) = 0
· En este caso se tiene que. f(xr) = 0 y por lo tanto ya localizamos la raíz.
El proceso se vuelve a repetir con el nuevo intervalo, hasta que:
|E a|<|Es|
es decir,
Ejemplo
Aproximar la raíz de f(x) = e-x – ln x hasta que |Ea|< 1%
. Solución
Sabemos por lo visto en el ejemplo 1 de la sección anterior, que la única raíz de f(x) se localiza en
el intervalo [1; 1,5]. Así que este intervalo es nuestro punto de partida; sin embargo, para poder
aplicar el método de bisección debemos checar que f(1) y f(1,5) tengan signos opuestos.
En efecto, tenemos que
f(1) = e-1 – ln 1 = e-1 > 0
mientras que
f(1,5) = e-1 ln (1,5) = - 0,18233 < 0
Cabe mencionar que la función f(x) sí es continua en el intervalo [1; 1,5]. Así pues, tenemos todos
los requisitos satisfechos para poder aplicar el método de bisección. Comenzamos:
i) Calculamos el punto medio (que es de hecho nuestra primera aproximación a la raíz):
ii) Evaluamos f(1,25) = e-1,25 – ln ( 1,25) = 0,0636 > 0
iii) Para identificar mejor en que nuevo intervalo se encuentra la raíz, hacemos la siguiente tabla:
Por lo tanto, vemos que la raíz se encuentra en el intervalo [1,25; 1,5].
En este punto, vemos que todavía no podemos calcular ningún error aproximado, puesto que
solamente tenemos la primera aproximación. Así, repetimos el proceso con el nuevo intervalo
[1,25; 1,5] .
Calculamos el punto medio (que es nuestra segunda aproximación a la raíz):
Aquí podemos calcular el primer error aproximado, puesto que contamos ya con la aproximación
actual y la aproximación previa:
Puesto que no se ha logrado el objetivo, continuamos con el proceso.
Evaluamos f(1,375) = e-1,375 – ln (1,375) = -0,06561 < 0,
y hacemos la tabla:
Así, vemos que la raíz se encuentra en el intervalo [1,25; 1,375] .
Calculamos el punto medio,

Y calculamos el nuevo error aproximado:
El proceso debe seguirse hasta cumplir el objetivo.
Resumimos los resultados que se obtienen en la siguiente tabla:
Aprox. a la raíz Error aprox.
1.25 <>
1.375 9.09%
1.3125 4.76%
1.28125 2.43%
1.296875 1.20%
1.3046875 0.59%
<>
Así, obtenemos como aproximación a la raíz
PREGUNTA:
Utilizando el método de Bisección para la funcion f(x)= x2 - 10x + 22, se encontrara que la tercera
iteración entre los valores x= 6 y x = 8 de la función f(x) es:
a. 6
b. 6,75
c. 7
d. 6,5
Dígitos Significativos:
Son aquellos números diferentes de cero, en una cifra o guarismo, leyendo de izquierda a derecha;
empiezan con el primer dígito diferente de cero y terminan con el tamaño que permitan las celdas
que guardan la mantisa.
Exactitud:
Se refiere a la cercanía de un número o de una medida al valor verdadero que se supone

representa.
Precisión:
Se refiere al número de cifras significativas que representan una cantidad, a esto se refiere cuando
se habla de doble precisión, dependiendo de la máquina que estemos utilizando.
Errores Inherentes o Heredados:
Son errores en los valores numéricos con que se va a operar, pueden deberse a dos causas:
sistemáticos o accidentales.
Errores Sistemáticos:
Debidos a la imprecisión de los aparatos de medición.
Errores Accidentales:
Debidos a la apreciación del observador y otras causas.
Errores de Truncamiento:
Se debe a la interrupción de un proceso matemático antes de su terminación. Sucede cuando se

toman sólo algunos términos de una serie infinita o cuando se toma sólo un número finito de
intervalos. Un caso adicional de error de truncamiento ocurre cuando una calculadora poco
sofisticada sólo toma en cuenta los dígitos que caben en la pantalla y no analiza el primer dígito
perdido.
Error de Redondeo:
Se ocasiona debido a las limitaciones propias de la máquina para representar cantidades que
requieren un gran número de dígitos.
Dependiendo de cómo se redondea puede ser de dos formas.
Error de Redondeo Inferior:
Se desprecian los dígitos que no pueden conservarse dentro de la localización de memoria

correspondiente (pensando de una manera estricta, este caso puede considerarse como un error
de truncamiento).
Error de Redondeo Superior:
Este caso tiene dos alternativas, según el signo del número en particular.
a) Para números positivos, el último que puede conservarse en la localización de memoria se

incrementa en una unidad si el primer dígito despreciado es > 5.
b) Para números negativos, el último dígito que puede conservarse en la localización de memoria
se reduce en una unidad si el primer dígito despreciado es < 5.
PREGUNTA:
1. Las definiciones:
A. “ Son aquellos números diferentes de cero, en una cifra o guarismo, leyendo de izquierda a
derecha; empiezan con el primer dígito diferente de cero y terminan con el tamaño que permitan
las celdas que guardan la mantisa”
B. “ Se debe a la interrupción de un proceso matemático antes de su terminación. Sucede cuando

se toman sólo algunos términos de una serie infinita o cuando se toma sólo un número finito de
intervalos. Un caso adicional de error de truncamiento ocurre cuando una calculadora poco
sofisticada sólo toma en cuenta los dígitos que caben en la pantalla y no analiza el primer dígito
perdido.”
Son definiciones de:
1. Error de Redondeo
2. Error de Truncamiento
3. Dígitos Significativos
4. Error relativo
La respuesta correcta es
a. Los items 2 y 3
b. Los items 2 y 4
c. Los items 1 y 3
d. Los items 1 y 4
Complete correctamente el enunciado teniendo en cuenta la lectura anterior:
Se observa que cuando el método de Newton-Raphson converge a la raíz, lo hace de una forma
_____________ y de hecho, observamos que el error aproximado______________
a. Muy lenta y disminuye
b. Muy rápida y disminuye
c. Muy rápida y aumenta
d. Muy lenta y aumenta
El método de iteración del punto fijo converge a la raíz si:
a. |g’(x)|>1 para x en un intervalo [a, b]
b. |g(x)|>1 para x en un intervalo [a, b]
c. |g(x)|<1 para x en un intervalo [a, b]
d. |g’(x)|<1 para x en un intervalo [a, b]
MÉTODO DE ITERACIÓN DEL PUNTO FIJO

Este método se aplica para resolver ecuaciones de la forma
x= g(x)
Si la ecuación es f(x) = 0, entonces puede despejarse x ó bien sumar x en ambos lados de la

ecuación para ponerla en la forma adecuada.
Ejemplos :
1) La ecuación cos x - x = 0 se puede transformar en cos x = x.
2) La ecuación tan x – e-x = 0 se puede transformar en x - tan x – e-x = x.
Dada la aproximación xi, la siguiente iteración se calcula con la fórmula:
xi+1 = g(xi)
Supongamos que la raíz verdadera es xr, es decir,
xr = g(xr)
Restando las últimas ecuaciones obtenemos:
xr - xi+1 = g(xr) - g(xi)
Por el Teorema del Valor Medio para derivadas, sabemos que si g(x) es continua en [a, b] y
diferenciable en (a, b) entonces existe ? Î (a, b) tal que .
En nuestro caso, existe € en el intervalo determinado por xi y xr tal que:
De aquí tenemos que:
g(xr) – g(xi) = g’ (€) . ( xr – xi)
O bien,
xr – xi+1 = g’ (€) . ( xr – xi)
Tomando valor absoluto en ambos lados,
|xr – xi+1|=|g’(€) ||xr – xi|
Observe que el término |xr – xi+1| es precisamente el error absoluto en la (i +1)-ésima iteración,
mientras que el término |xr – xi|corresponde al error absoluto en la i- ésima iteración.
Por lo tanto, solamente si |g’ (€) |< 1, entonces se disminuirá el error en la siguiente iteración. En
caso contrario, el error irá en aumento.
En resumen, el método de iteración del punto fijo converge a la raíz si |g’(x)|<1 para x en un
intervalo [a, b] que contiene a la raíz y donde g(x) es continua y diferenciable, pero diverge si |
g’(x)| >1 en dicho intervalo.
Analicemos nuestros ejemplos anteriores :
· En el ejemplo 1, g(x) = cos x y claramente se cumple la condición de que
|g’ (x)|<1 . Por lo tanto el método sí converge a la raíz.
· En el ejemplo 2, g(x)=x+tanx–e-x y en este caso, |g’(x)|=|1+sec2x + e-x| > 1. Por lo tanto, el

método no converge a la raíz.
Para aclarar el uso de la fórmula veamos dos ejemplos:
Ejemplo
Usar el método de iteración del punto fijo para aproximar la raíz de f(x) = cosx - x, comenzando
con x0=0 y hasta que |€a|< 1%.
Solución
Como ya aclaramos anteriormente, el método sí converge a la raíz.
Aplicando la fórmula iterativa tenemos,
x1 = g(x0) = cos 0 = 1
Con un error aproximado de 100%
Aplicando nuevamente la fórmula iterativa tenemos,
x2 = g(x1) = cos 1 = 0,540302305
Y un error aproximado de 85,08%.
Intuimos que el error aproximado se irá reduciendo muy lentamente. En efecto, se necesitan hasta
13 iteraciones para lograr reducir el error aproximado menor al 1%. El resultado final que se
obtiene es:
x13 = 0,7414250866
Con un error aproximado igual al 0,78%.
Ejemplo
Usar el método de iteración del punto fijo para aproximar la raíz de f(x) = x2 – 5x - ex, comenzando
con x0 = 0 y hasta que |€a|< 1%.
Solución
Si despejamos la x del término lineal, vemos que la ecuación equivale a
de donde,
En este caso, tenemos que . Un vistazo a la gráfica,
<>
nos convence que |g’(x)|<1, para x Î [-1; 1], lo que es suficiente para deducir que el método sí
converge a la raíz buscada.
Aplicando la fórmula iterativa, tenemos:
x1 = g(x0) = -0,2
Con un error aproximado del 100%.
Aplicando nuevamente la fórmula iterativa, tenemos:
x2 = g(x1) = -0,1557461506
Con un error aproximado igual al 28.41%.

En este ejemplo, el método solo necesita de 5 iteraciones para reducir el error menor al 1%.
Resumimos los resultados en la siguiente tabla:
0 <>
-0.2 100%
-
28.41%
0.1557461506
-
6.34%
0.1663039075
-0.163826372 1.51%
-0.164410064 0.35%
De donde vemos que la aproximación buscada es:
x5 = -0,164410064
PREGUNTA:
Al usar el método de iteración del punto fijo para aproximar la raíz de f(x) = x2 – 5x - ex,
comenzando con x0 = 0 y hasta que |a|< 1%. , se encontró que el valor de la iteración x1 = g(x0) es
igual a:
a. 0,2
b. 0,1557461506
c. -0,1557461506
d. -0,2
Error absoluto, error relativo y cifras significativas .
Sea p el valor exacto de una cantidad y sea p* su valor aproximado. Se define error absoluto como:
El error absoluto mide la diferencia entre el valor exacto de una cantidad y su valor aproximado.
De esta manera se puede afirmar que alguien ha medido la longitud de un campo de futbol o la
longitud de un bolígrafo con un error de un centímetro. Sin embargo, dicho error no tiene la
misma importancia en ambos casos. Para cuantificar la importancia del error respecto del valor
exacto de una cierta cantidad p se introduce el concepto de error relativo, que se define como:
Se puede notar que el error relativo no está definido para p=0. La ecuación anterior muestra que
el error relativo es una cantidad adimensional, que habitualmente se expresa en porcentaje (%).
Lo importante a resaltar es que generalmente no se conoce el valor exacto de la cantidad p. En

consecuencia, tampoco se puede conocer ni el error absoluto ni el error relativo cometido, por
tanto hay que conformarse con el cálculo de una cota del error.
Ya conocido la definición cuantitativa del error relativo, se puede plantear cual es la cota de error
de redondeo cometido al almacenar un número. Como se es conocido, los números reales se
almacenan en coma flotante. Por ejemplo, los números ±23,487 se guardan como ±0,23487x102 .
El ultimo numero escrito simbólicamente se puede representar por
±m x10b
Donde 0 < m < 1 y representa la mantisa y b es un numero entero que indica el exponente. Por
ejemplo si tenemos un número t de digitas destinados a la representación de la mantisa (se
supone que t no incluye la posición del signo). Por consiguiente, si una persona realiza unos
cálculos trabajando en base diez, coma flotante y utilizando cinco dígitos para la mantisa (t=5),
puede representar los siguientes números: 0,23754x102 , 0,10000x105 , 0,19875x10-3 , etc.
PREGUNTA:
El numero 0,3352x103 tiene como mantisa a:
a. 0,3352
b. 3
c. 3352
d. 0,334
10
Método de Newton Raphson
Este método, el cual es un método iterativo, es uno de los más usados y efectivos. A diferencia de
los métodos anteriores, el método de Newton-Raphson no trabaja sobre un intervalo sino que
basa su fórmula en un proceso iterativo.
Supongamos que tenemos la aproximación xia la raíz xr de f(x),
Trazamos la recta tangente a la curva en el punto (xi, f(xi)); ésta cruza al eje x en un punto xi+1 que
será nuestra siguiente aproximación a la raíz xr.
Para calcular el punto xi+1, calculamos primero la ecuación de la recta tangente. Sabemos que
tiene pendiente
m = f’ (xi)
Y por lo tanto la ecuación de la recta tangente es:
y – f (xi) = f’ (xi) (x – xi)
Hacemos y=0:
-f (xi) = f’ (xi) (x – xi)
Y despejamos x:
Que es la fórmula iterativa de Newton-Raphson para calcular la siguiente aproximación:

<>
Note que el método de Newton-Raphson no trabaja con intervalos donde nos asegure que
encontraremos la raíz, y de hecho no tenemos ninguna garantía de que nos aproximaremos a
dicha raíz. Desde luego, existen ejemplos donde este método no converge a la raíz, en cuyo caso
se dice que el método diverge. Sin embargo, en los casos donde si converge a la raíz lo hace con
una rapidez impresionante, por lo cual es uno de los métodos preferidos por excelencia.
También observe que en el caso de que f’ (xi)=0, el método no se puede aplicar. De hecho, vemos
geométricamente que esto significa que la recta tangente es horizontal y por lo tanto no
intercepta al eje x en ningún punto, a menos que coincida con éste, en cuyo caso xi mismo es una
raíz de f’(xi).
Ejemplo 1
Usar el método de Newton-Raphson, para aproximar la raíz de f(x)= e-x-ln x, comenzando con x0 =
1 y hasta que ??a? < 1%.
Solución
En este caso, tenemos que
De aquí tenemos que:
Comenzamos con x0 = 1 y obtenemos:
En este caso, el error aproximado es,

Continuamos el proceso hasta reducir el error aproximado hasta donde se pidió.
Resumimos los resultados en la siguiente tabla:
1.268941421 21.19%
1.309108403 3.06%
1.309799389 0.052%
De lo cual concluimos que , la cual es correcta en todos sus dígitos.

La misma idea puede aplicarse para crear algoritmos que aproximen raíces n -ésimas de números
reales positivos.
Observe que cuando el método de Newton-Raphson converge a la raíz, lo hace de una forma muy
rápida y de hecho, observamos que el error aproximado disminuye a pasos agigantados en cada
paso del proceso. Aunque no es nuestro objetivo establecer formalmente las cotas para los
errores en cada uno de los métodos que hemos estudiado, cabe mencionar que si existen estas
cotas que miden con mayor precisión la rapidez ó lentitud del método en estudio
Pregunta:
Utilizando el método de Newton-Raphson para determinar la primera iteración de la función

f(x)=x10-1, cuando el valor inicial de x es xo=0,5
a. X1 = 51,65
b. X1 = 0,5
c. X1 = 52,2
d. X1 = 5,0
Act 5: Quiz 1
Comenzado el: viernes, 28 de septiembre de 2012, 19:55

Completado el: viernes, 28 de septiembre de 2012, 20:27
634 Continuar
1
El valor de a para que la igualdad se mantenga, en la siguiente
operación de matrices es:

a. -3
b. 6
c. -6
d. 3
2
En esta pregunta encontrará un enunciado que debe emparejarla
con una de las opciones que esta a su derecha.
Este es uno de los métodos más
interesantes del análisis numérico y
particularmente útil ya que nos permite Método de Gauss Seidel
encontrar la solución de un sistema de “n”

ecuaciones con “n” incógnitas.
Este método, que constituye una variación
del método de eliminación de Gauss, permite Método de Gauss-Jordan
resolver hasta 15 o 20 ecuaciones
simultáneas.
Consiste en encontrar una curva que
contenga una serie de puntos y que Ajuste de Curvas
posiblemente cumpla una serie de
restricciones adicionales.
Es simplemente es una reformulación del
polinomio de Newton que evita los cálculos Interpolación de Lagrange
de las diferencias divididas.

3
Con el método de Gauss-Jordan, si una matriz tiene dos filas iguales la solución del sistema es:
a. Infinitas soluciones
b. Ninguna Solución
c. Finitas soluciones
d. Única Solución
4
El método que es considerado como una variación del método de eliminación de
Gauss es el método:

a. Gauss-Jordan
b. Interpolación
c. Diferencias
Divididas
d. Gauss-Seidel
Utilizando el método de Bisección para la función f(x)= x2 - 10x +

22, se encontrara que la tercera iteración entre los valores x= 2 y x =
5 de la función f(x) es:

a. X = 2,75
b. X = 3,5
c. X = 2,06
d. X = 3,125
6
Al emplear la primera aproximación del método de punto fijo para localizar la raíz de
f(x)=e-x-x, cuando xo=0 se obtiene:
a. 1
b. 3
c. 2
d. 0
7
1. El siguiente enunciado:
“Supóngase que queremos resolver la ecuación f(x) = 0 (donde f es
continua. Dados dos puntos a y b tal que f(a) y f(b) tengan signos distintos,
sabemos por el Teorema de Bolzano que f debe tener, al menos, una raíz
en el intervalo [a, b]. El método de bisección divide el intervalo en dos,
usando un tercer punto c = (a+b) / 2. En este momento, existen dos
posibilidades: f(a) y f(c), ó f(c) y f(b) tienen distinto signo.”
corresponde al método de:

a. Método de Newton Raphson
b. Método de Falsa Posición o Regla Falsa
c. Método de Bisección
d. Método iterativo de punto fijo
La ecuación corresponde al método

a. Método de la regla falsa
b. Método de Biseción
c. Método Iterativo de Punto Fijo
d. Método de Newton Raphson
En la siguiente pregunta encontrará a su izquierda un enunciado y a

su derecha tendra las opciones posibles, usted relacionara las
opciones correcta con su enunciado.
Sea f(x) continua en un intervalo [a,b] y Método de Bisección
supongamos que f(a)<zf(b).
Este método, el cual es un método
iterativo, es uno de los más usados y
efectivos. A diferencia de los métodos Método de New ton-Raphson
anteriores, este método no trabaja sobre
un intervalo sino que basa su fórmula en
un proceso iterativo
El Método comienza con un valor
razonablemente cercano al cero
(denominado punto de arranque),
entonces se reemplaza la función por la
recta tangente en ese valor, se iguala a Método de la Regla Falsa
cero y se despeja (fácilmente, por ser una
ecuación lineal). Este cero será,
generalmente, una aproximación mejor a
la raíz de la función. Luego, se aplican
tantas iteraciones como se deseen
El método que inicia con una
aproximación inicial Xo y Xi+1= g(x)
genera una sucesión de aproximaciones Método Iterativo de Punto Fijo
la cual converge a la solución de la
ecuación f(x)=0. A la función g se le
conoce como función iteradora
10
El error relativo y absoluto de la siguiente aproximación P = e y P* =

341/125 son respectivamente:

a. Er=0,0097 y Ea=0,003575
b. Er=-0,0097 y Ea=-0,003575
c. Ea=0,0097 y Er=0,003575
d. Ea= - 0,0097 y Er= - 0,003575
11
El error relativo es una cantidad adimensional, que habitualmente se expresa en:
a. Porcentaje (%).
b. Un gran número de dígitos.
c. Numero irracional
d. Numero Natural
12
El Error de Redondeo, se ocasiona debido a las limitaciones propias
de la máquina para representar cantidades que requieren:
a. Un gran número de Elementos.
b. Un minimo número de dígitos.
c. Un gran número de dígitos.
d. Un minimo número de dígitos.
13
En la siguiente pregunta encontraras un enunciado o definición que

debe ser emparejado correctamente con una de las opciones que se
presentan a tu derecha.
Errores debidos a la apreciación del Errores Accidentales

observador y otras causas.
Se refiere a la cercanía de un número o de
una medida al valor verdadero que se supone Exactitud
representa
Errores debidos a la imprecisión de los Errores Sistemáticos
aparatos de medición
Se refiere al número de cifras significativas Precisión
que representan una cantidad, a esto se

refiere cuando se habla de doble precisión,
dependiendo de la máquina que estemos
utilizando.
Se debe a la interrupción de un proceso Errores de Truncamiento
matemático antes de su terminación.
14
1. La siguiente definición:
“Se debe a la interrupción de un proceso matemático antes de su

terminación. Sucede cuando se toman sólo algunos términos de una
serie infinita o cuando se toma sólo un número finito de intervalos.
Un caso adicional de error de truncamiento ocurre cuando una
calculadora poco sofisticada sólo toma en cuenta los dígitos que
caben en la pantalla y no analiza el primer dígito perdido”
Es la definición de:

a. Errores Relativos
b. Errores de Truncamiento
c. Errores Absolutos
d. Errores de Redondeo
15
El error relativo no está definido para p igual a:
a. 0,1
b. -1
c. 1
d. 0
18.3 /25

Comenzado el: sábado, 10 de noviembre de 2012, 20:05
Completado el: sábado, 10 de noviembre de 2012, 20:27
Continuar
Si el vector b es cero se dice que el sistema es:
a. Heterogéneo
b. Homogéneo
c. No homogéneo
d. No Heterogéneo
El polinomio y = ax3 + bx2 + cx + d de tercer grado se ajusta a:
a. Dos puntos
b. Tres puntos
c. Un punto
d. Cuatro puntos
Ajuste de curvas
El ajuste de curvas consiste en encontrar una curva que contenga

una serie de puntos y que posiblemente cumpla una serie de
restricciones adicionales. Esta sección es una introducción tanto a
la interpolación (cuando se espera un ajuste exacto a determinadas
restricciones) y al ajuste de curvas/ análisis de regresión (cuando se
permite una aproximación).
Ajuste de líneas y curvas polinómicas a puntos
Empecemos con una ecuación polinómica de primer grado:
y= ax + b
Esta línea tiene pendiente a. Sabemos que habrá una línea

conectando dos puntos cualesquiera. Por tanto, una ecuación
polinómica de primer grado es un ajuste perfecto entre dos puntos.
Si aumentamos el orden de la ecuación a la de un polinomio de

segundo grado, obtenemos:
y = ax2 + bx + c
Esto se ajustará exactamente a tres puntos. Si aumentamos el

orden de la ecuación a la de un polinomio de tercer grado,
obtenemos:
y = ax3 + bx2 + cx + d
que se ajustará a cuatro puntos.
Una forma más general de decirlo es que se ajustará exactamente a

cuatro restricciones. Cada restricción puede ser un punto,
un ángulo o una curvatura (que es el recíproco del radio, o (1/R).
Las restricciones de ángulo y curvatura se suelen añadir a los
extremos de una curva, y en tales casos se les llama condiciones
finales. A menudo se usan condiciones finales idénticas para
asegurar una transición suave entre curvas polinómicas contenidas
en una única spline . También se pueden añadir restricciones de
orden alto, como "el cambio en la tasa de curvatura". Esto, por
ejemplo, sería útil en diseños de intercambios en trébol para
incorporaciones a autopistas, para entender las fuerzas a las que
somete a un vehículo y poder establecer límites razonables de
velocidad.
Si tenemos más de n + 1 restricciones (siendo n el grado del

polinomio), aún podemos hacer pasar la curva polinómica por ellas.
No es seguro que vaya a existir un ajuste exacto a todas ellas (pero
podría suceder, por ejemplo, en el caso de un polinomio de primer
grado que se ajusta a tres puntos colineales ). En general, sin
embargo, se necesita algún método para evaluar cada
aproximación. El método de mínimos cuadrados es una manera de
comparar las desviaciones.
Ahora bien, podríamos preguntarnos la razón de querer un ajuste

aproximado cuando podríamos simplemente aumentar el grado de
la ecuación polinómica para obtener un ajuste exacto. Existen
varias:
 Incluso si existe un ajuste exacto, no quiere decir

necesariamente que podamos encontrarlo. Dependiendo del
algoritmo que se use, podríamos encontrar un caso
divergente, donde no se podría calcular el ajuste exacto, o el
coste computacional de encontrar la solución podría ser muy
alto. De cualquier modo, tendríamos que acabar aceptando
una solución aproximada.
 Quizá prefiramos el efecto de promediar datos cuestionables

en una muestra, en lugar de distorsionar la curva para que se
ajuste a ellos de forma exacta.
 Los polinomios de orden superior pueden oscilar mucho. Si
hacemos pasar una curva por los puntos A y B, esperaríamos
que la curva pase también cerca del punto medio entre A y B.
Esto puede no suceder con curvas polinómicas de grados
altos, ya que pueden tener valores de magnitud positiva o
negativa muy grande. Con polinomios de grado bajo existen
más posibilidades de que la curva pase cerca del punto medio
(y queda garantizado que pasará exactamente por ahí, en los
de primer grado).
 Los polinomios de orden bajo tienden a ser suaves y las

curvas de los polinomios de orden alto tienden a ser
"bulbosas". Para definir esto con más precisión, el número
máximo de puntos de inflexión de una curva polinómica esn-2,
donde n es el orden de la ecuación polinómica. Un punto de
inflexión es el lugar de una curva donde cambia de radio
positivo a negativo. Obsérvese que la "bulbosidad" de los
polinomios de orden alto es sólo una posibilidad, ya que
también pueden ser suaves, pero no existen garantías, al
contrario que sucede con los polinomios de orden bajo. Un
polinomio de grado quince podría tener, como máximo, trece
puntos de inflexión, pero podría tener también doce, once, o
cualquier número hasta cero.
Ahora que hemos hablado del uso de grados demasiado bajos para
conseguir un ajuste exacto, comentemos qué sucede si el grado de
una curva polinómica es mayor del necesario para dicho ajuste.
Esto es malo por las razones comentadas anteriormente si los
polinomios son de orden alto, pero también nos lleva a un caso en
que exista un número infinito de soluciones. Por ejemplo, un
polinomio de primer grado (una línea) restringido por un único punto,
en lugar de los dos habituales, nos dará un número infinito de
soluciones. Esto nos trae el problema de cómo comparar y escoger
una solución única, lo que puede ser un problema tanto para
humanos como para el software. Por esta razón es mejor escoger el
polinomio de menor grado posible para obtener un ajuste exacto en
todas las restricciones, y quizá incluso un grado menor si es
aceptable una aproximación al ajuste.
Para más información, véase el artículo sobre interpolación
polinómica .
PREGUNTA:
Teniendo en cuenta la lectura entonces: "Un polinomio de grado

quince podría tener, como máximo":
a. Diez puntos de inflexión
b. trece puntos de inflexión
c. Once puntos de inflexión
d. Doce puntos de inflexión
En el caso de tres puntos (x0, y0), (x1, y1), (x2, y2), en principio se

busca el polinomio de interpolación de:
a. Grado tres
b. Grado cuatro
c. Grado uno
d. Grado dos
5
Sección dorada
La búsqueda de la sección dorada es una técnica simple, es la

búsqueda de una sola variable de propósito general. Es similar que
la utilizada en el método de bisección para localizar raíces.
Recordando el método de bisección para encontrar las raíces se

hace necesario ubicar un intervalo definido donde se encuentre
dicha raíz, y se especifica un valor inicial inferior x1 u un valor inicial
superior x2. La presencia de una raíz entre estas fronteras se
determina hallando f(x1) y f(x2) que deben tener signos diferentes; y
la raíz se localiza como el punto medio de este intervalo
El paso siguiente es establecer un intervalo más pequeño para

hallar la aproximación de la raíz.
Podemos ahora desarrollar un proceso similar para localizar la raíz

óptima de una función unidimensional. Igualmente que el método de
Bisección, se inicia definiendo un intervalo que contenga una sola
respuesta, es decir un intervalo que contenga un máximo, y por esto
es llamado unimodal. Adoptando la misma nomenclatura del método
de bisección. Pero en vez de buscar los dos valores función para
detectar un cambio de signo, y por tanto el cero, se necesitaran tres
valores función para detectar si ocurre un máximo. Así, se ha de
escoger un punto adicional dentro del intervalo. Después se toma un
cuarto punto.
PREGUNTA:
Si Rango de A = Rango de B el sistema es:

a. Inconsistente y tenemos que Si Rango de A = n el sistema tiene solución ún
b. Consistente y tenemos dos posibilidades: Si Rango de A ? n el sistema tien

Rango de A > n el sistema tendrá infinitas soluciones
c. Consistente y tenemos que si Rango de A = n el sistema tiene infinitas solu
d. Consistente y tenemos dos posibilidades: Si Rango de A = n el sistema tien

Rango de A < n el sistema tendrá infinitas soluciones
INTERPOLACIÓN
(tomado de Métodos Numéricos de Antonio Nieves)
En el capítulo 2 de la unidad 2 estudiaremos la aproximación de

funciones disponibles en forma directa (puntos tabulados), con
funciones analíticas sencillas, o bien de aproximación de funciones
cuya complicada naturaleza exija un reemplazo por funciones más
simples.
La enorme ventaja de aproximar información discreta o funciones

complejas, con funciones analíticas sencillas, radica en su mayor
facilidad de evaluación y manipulación, situación necesaria en el
campo de la ingeniería.
Las funciones de aproximación se obtienen por combinaciones

lineales de elementos de familias de funciones denominadas
elementales. En general tendrán la forma:
a0g0(x) + a1g1(x) + …+angn(x) ,
donde ai , con i ? i ? n , son constantes por

determinar gi(x) funciones de una familia particular. Los monomios
en x (x0, x1, x2,…) constituyen la familia o grupo más empleado; sus
combinaciones generan aproximaciones del tipo polinomial
a0 + a1x + a2x2 +…+ anxn
Además del polinomial existen otros grupos como el exponencial y

el grupo de las funciones de Fourier. Y son lo más comunes por su
facilidad de manejo en evaluaciones, integraciones, derivaciones,
etc.
Una de las técnicas que nos permite aproximar a un polinomio una

serie de puntos, es el conocido como método de mínimos
cuadrados, que en métodos numéricos esta detallado como ajuste
de curvas, por su ajuste exacto. Y su modo de ajuste consiste en
encontrar una función polinomial que pase por los puntos dados y
que satisfaga la condición de minimizar la suma de sus
desviaciones elevadas al cuadrado.
Una vez obtenido el polinomio de aproximación, este se puede usar

para obtener otros puntos adicionales a los existentes, mediante
una evaluación conocida como interpolación.
Los puntos más relevantes de este capítulo, las cuales

estudiaremos y estará sentado en la lección evaluativa son la
Interpolación como concepto, Los polinomios de Lagrange, las
diferencias divididas, la aproximación polinomial de Newton, el
método de mínimos cuadrados (como ajuste de Curvas) y algunos
conceptos de la transformada de Fourier.
Polinomios de interpolación de Lagrange
Un polinomio de interpolación de Lagrange, p se define en la forma:
(68)
en donde l0, l1,…, ln son polinomios que dependen sólo de los nodos
tabulados x0, x1,…,xn, pero no de las ordenadas y0, y1,…,yn. La
fórmula general del polinomio li(x) es:
(69)
Para el conjunto de nodos x0, x1,…,xn, estos polinomios son

conocidos como funciones cardinales. Utilizando estos polinomios
en la ecuación ( 68 ) obtenemos la forma exacta del polinomio de
interpolación de Lagrange.
Ejemplo : Suponga la siguiente tabla de datos:
Construya las funciones cardinales para el conjunto de nodos dado

y el polinomio de interpolación de Lagrange correspondiente.
Las funciones cardinales, empleando la expresión ( 69 ), resultan

ser:
El polinomio de interpolación de Lagrange es:
p3(x) = l0(x)-23l1(x)-54l2(x)-954l3(x)
PREGUNTA:
De acuerdo al ejemplo realizado en la lectura anterior, se encontró
que el coeficiente del polinomio de lagrange l3(x) es:
a. 1
b. -23
c. -954
d. -54
Continuar
Usted se ha autentificado como EDITH MILENA CUELLO (Salir)
100401A
8/8
Act 8: Lección evaluativa Unidad No. 2
Continuar
1
Que valor de x, hacen que se cumpla la igualdad.
2x – 3 – 9 = x
a. x = -12
b. x = - 6
c. x = 6
d. x =12
Interpolación Cuadrática
Si se dispone de tres puntos la búsqueda de una función se puede

llevar a cabo con un polinomio de segundo orden(llamado
también polinomio cuadrático o parábola). Una manera conveniente
para este caso es:
f(x) = b0 + b1 (x – x0) + b2 (x – x0) (x – x1) (1)
Nótese que aunque la ecuación (1) parezca diferente de la ecuación

general de un polinomio lineal, las dos ecuaciones son equivalentes.
Esto se puede demostrar si se multiplican en forma distributiva los

términos de la ecuación (1) y obtenemos:
f(x) = b2 x2 + (b1 – b2 x0 – b2 x1) x + (b0 – b1 x0 + b2 x0 x1) (2)
que si se agrupan los términos se tiene:
f(x) = a2 x2 + a1 x + a0 (3)
en donde:
a2 = b2
a1 = b1 – b2 x0 – b2 x1 (4)
a0 = b0 – b1 x0 + b2 x0 x1
De esta manera, las ecuación (1) es una fórmula alternativa que

equivale al polinomio de segundo grado que une a los tres puntos.
Se puede usar un procedimiento simple para determinar los valores

de los coeficientes. Para b0, se usa la ecuación (1) con X = X0, y se
obtiene
b0 = f(x0) (5)
sustituyendo la ecuación (5) en la ecuación (1) y evaluando en X

=X 1 se obtiene:
(6)
Y por último, las ecuaciones (5) y (6) se sustituyen en la ecuación

(1), y se evalúa ésta en X = X2 y se obtiene:
(7)
Nótese que, al igual que en el caso de interpolación lineal, b1 aún

representa la pendiente de la línea que une los puntosX0 y X1. Por lo
tanto, los primeros dos términos de la ecuación (1) son equivalentes
a la interpolación de X0 a X1. El último término, b2(X-X0)(X-X1),
introduce la curvatura de segundo orden en la fórmula.
Ejemplo:
Ajústese el polinomio de segundo orden a los siguientes tres puntos

X0 = 1 f (X0) = 0.0000 000
X1 = 4 f (X1) = 1.3862 944
X2 = 6 f (X2) = 1.7917 595
SOLUCIÓN :
Entonces
b0 = 0
Luego:
Y :
Sustituyendo estos valores en la ecuación de interpolación y se

obtiene la fórmula cuadrática:
f2 ( X ) = 0 + 0.4620981 (X - 1) - 0.05187312 (X - 1) (X - 4)
si se quiere evaluar en X = 2 , se obtiene
f 2 ( 2 ) = 0.5658443
PREGUNTA:
Una de las principales razones para incluir el método de Gauss-

Jordan, es la de proporcionar: .
a. Un método Indirecto para obtener la matriz inversa

b. Un método directo para obtener la matriz inversa
c. Un método directo para obtener la matriz diagonal
d. Un método Indirecto para obtener la matriz diagonal
Teniendo en cuenta el método de Gauss-Seidel para una matriz
dada tenemos la siguiente ecuación:
Si se asume que x2y x3 son iguales a uno el resultado de x1 es

aproximadamente igual a:
a. 2,72
b. 2,70
c. 2,71
d. 2,6
Para números sin coma decimal, los ceros posteriores a la última

cifra distinta de cero pueden o no considerarse significativos. Así,
para el número 70 podríamos considerar una o dos cifras
significativas. Esta ambigüedad se evita utilizando la notación
científica. como por ejemplo: 7 · 102 tiene una cifra significativa. De
acuerdo al texto es correcto afirmar
a. la notación cientifica no evita la ambigüedad
b. la ambigüedad no es evitada con la utilización de la notación cientifica
c. la notación cientifica algunas veces no evita la ambigüedad
d. la notación cientifica evita la ambigüedad
Para las siguientes matrices el producto

AB es igual:
a. (-15,12)
b. (-15,-12)
c. (15,-12)
d. (15,12)
Método de Mínimos cuadrados
Suponga que se tiene el siguiente diagrama

Y le solicitan que ajuste una recta que la mayor parte de los datos.
Para ello se desarrolla una ecuación de estimación llamada de
Mínimos Cuadrados.
El procedimiento del método de Mínimos Cuadrados es determinar

la recta Ŷ= a + bX , donde
Ŷ= es la variable dependiente, o variable a predecir
a= Intersepto con la variable Y
b= Es la pendiente de la recta.
X= Variable independiente, información conocida parapredecir Y
El objetivo del método es determinar los valores de a y b dela

ecuación Ŷ= a + bX, para ello se tiene las siguientes ecuaciones:
y
Ejemplo:
Suponga que un analista de una empresa Z le solicitan encontrar la
recta de estimación de ingresos y gastos, de modo que tiene los
siguientes datos:
Ingresos Y 20 25 34 30 40 31
Gastos X 2 3 5 4 11 5
Ingresos Y 20 25 34 30 40 31
Gastos X 2 3 5 4 11 5
En millones de pesos.
Entonces el debe realizar las siguientes operaciones para

determinar la recta de estimación que más se ajuste:
n=6
∑X= 2+3+5+4+11+5= 30
∑Y= 20+25+34+30+40+31= 180
∑XY= (2+20)+ (3*25)+ (5*34)+ (4*30)+ (11*40)+ (5*31)= 1000
∑X2= 22 +32 +52 +42 +112 +52 = 200
(∑X)2 = (30)2 = 900
Reemplazamos en la fórmulas a y b y se obtiene los siguientes

resultados:
b= [(6)(1000) - (30)(180)]/ [(6)(200)- 900]= 600/300 = 2
Esta estimación quiere decir que por cada millon gastado la

empresa recibe 2 milles de ingresos y
a= [180 - (2)(30)]/6 = 120/6 = 20
que significa que los ingresos mínimos son de 20 millones. La

ecuacion es entonces:
Ŷ= 20 + 2X
A partir de esta ecuación estimada se puede predecir los ingresos si
los gastos son 7 millones, es decir si X=7 luego:
Ŷ= 20 + 2(7) = 34 millones
PREGUNTA:
La solución de siguiente sistema utilizando la

eliminación de Gauss es:
1) x1= 4
2) x2= 4
3) x1= 3
4) x2= 3
Son correctas:
a. 1 y 4
b. 3 y 4
c. 3 y 2
d. 1 y 2
POLINOMIO DE INTERPOLACIÓN DE NEWTON CON

DIFERENCIAS DIVIDIDAS
Dados n+1 datos:
- El polinomio de interpolación de Newton se define de la siguiente
manera:
f(x) = b0+b1(x-x0)+b2(x-x0)(x-x1)+…+bn(x-x0)(x-x1)…(x-xn-1)
donde:
b0=f(x0)
b1=f [x1, x0]
b2=f [x2, x1, x0]
bn = f [xn,…, x0]
Para calcular los coeficientes b0, b1,…, bn, es conveniente construir

una tabla de diferencias divididas como la siguiente:
Obsérvese que los coeficientes del polinomio de interpolación de

Newton, se encuentran en la parte superior de la tabla de
diferencias divididas.
Ejemplo 1 . Calcular la tabla de diferencias divididas finitas con los
siguientes datos:
Y utilizar la información de dicha tabla, para construir el polinomio

de interpolación de Newton.
Solución .
Procedemos como sigue:
Por lo tanto el polinomio de interpolación de Newton es:
f(x) = 4+2(x+2)-0.25(x+2)(x+1)-0.3(x+2)(x+1)(x-2)
Ejemplo 2. Calcular la tabla de diferencias divididas finitas con los

siguientes datos:
Y usar la información en la tabla, para construir el polinomio de

interpolación de Newton.
Solución. Procedemos como sigue:

Por lo tanto el polinomio de interpolación de Newton nos queda:
f(x) = 5+3(x+3) – 1.66667(x+3)(x+2) - 020238(x+3)(x+2)(x)
PREGUNTA:
Teniendo en cuenta el ejemplo 1 de la pàgina anterior (pàgina 11), se

observa que se encuentra una funciòn o polinòmio, de acuerdo a ello, el
coeficiente del X3 de la funciòn encontrada es:
a. 0.25
b. -0.3
c. -0,25
d. 0,3
El polinomio que se obtiene al usar el método de Diferencias

Divididas de Newton con los siguientes datos:
x 2 3 4
f(x) -4 -1 6
es:

a. P(x)= -4+3(x-2)+2(x-2)(x+3)
b. P(x)= -4+3(x+2)+2(x+2)(x-3)
c. P(x)= -4+3(x-2)+2(x-2)(x-3)
d. P(x)= 4+3(x-2)+2(x-2)(x-3)
9
"Una ecuación es una proposición que expresa la igualdad de dos expresiones
algebraicas. Por lo regular involucra una o más variables y el símbolo de igualdad “=”. Las
siguientes proposiciones son ejemplos de ecuaciones"
De las siguientes cuales No se consideran ecuaciones.
a. x –100 = x
b. sen(2x-3)
c. – 5y = 6 – 4y
d. 3K/(1- T) = S
10
INTERPOLACIÓN
En este capítulo estudiaremos el importantísimo tema de la

interpolación de datos. Veremos dos tipos de interpolación: la
interpolación polinomial y la interpolación segmentaria
(splines).Comencemos dando la definición general.
Definición. Dados n+1 puntos que corresponden a los datos:

x x0 x1 … xn
y y0 y1 … yn
y los cuales se representan gráficamente como puntos en el plano

cartesiano,
Si existe una función f(x) definida en el intervalo [x0, xn] (donde

suponemos que x0<x1<…<xn , tal que f(xi) =yi para i = 0,1,2,…n ,
entonces a f(x) se le llama una función de interpolación de los
datos, cuando es usada para aproximar valores dentro del
intervalo [x0, xn] , y se le llama función de extrapolación de los datos,
cuando está definida y es usada para aproximar valores fuera del
intervalo.
Evidentemente pueden existir varios tipos de funciones que

interpolen los mismos datos; por ejemplo, funciones trigonométricas,
funciones exponenciales, funciones polinomiales, combinaciones de
éstas, etc.
El tipo de interpolación que uno elige, depende generalmente de la

naturaleza de los datos que se están manejando, así como de los
valores intermedios que se están esperando.
Un tipo muy importante es la interpolación por funciones

polinomiales. Puesto que evidentemente pueden existir una infinidad
de funciones polinomiales de interpolación para una misma tabla de
datos, se hace una petición extra para que el polinomio de
interpolación, sea único.
Definición. Un polinomio de interpolación es una función polinomial

que además de interpolar los datos, es el de menor grado posible.
Caso n=0
Tenemos los datos:
x x0
y y0
En este caso, tenemos que f(x)=y0 (polinomio constante) es el

polinomio de menor grado tal que f(x0)=y0 , por lo tanto, es el
polinomio de interpolación.
Caso n=1
Tenemos los datos:
x x0 x1
y y0 y1
En este caso, el polinomio de interpolación es la función lineal que

une a los dos puntos dados. Por lo tanto, tenemos que
es el polinomio de interpolación.
La siguiente gráfica representa este caso:
Observación .
Vemos que en el polinomio de interpolación del caso n=1 se
encuentra como primer término, y0 , que es el polinomio de
interpolación del caso n=0 .
Continuemos:
Caso n=2
Tenemos los datos:
x x0 x1 x2
y y0 y1 y2
Para este caso, el polinomio de interpolación va a ser un polinomio

de grado 2. Tomando en cuenta la observación anterior, intuimos
que el polinomio de interpolación será como sigue:
<>
término cuadrático
Por lo tanto, planteamos el polinomio de interpolación como sigue
f (x) = b0+b1(x - x0)+b2(x - x0)(x – x1)
Si asignamos x=x0 , se anulan los valores de b1 y b2 , quedándonos

el resultado:
f(x0) = b0
Como se debe cumplir que f(x0) = b0 , entonces:
y0 = b0
Si asignamos x=x1 , el valor de b2 queda anulado, resultando lo

siguiente:
f (x1) = b0+b1(x1 - x0)

Como se debe cumplir que f(x1)= y1 y ya sabemos qué y0 = b0 ,
entonces
y1=b0+b1(x1 - x0) , de lo cual obtenemos el valor para b1 :
PREGUNTA:
Si se tiene datos:
x x0 x1
y y0 y1
En este caso, el polinomio de interpolación es:
a. Un polinomio de grado 2
b. f(x)=y (polinomio constante)
c. Una funciòn lineal o polinomio lineal
d. Un polinomio cuadràtico
Continuar
100401A
20/25
Act 9: Quiz 2

Continuar
Para las siguientes matrices el producto AB es igual
Seleccione al menos una respuesta.
a. (15,-12)
b. (-15,12)
c. (15,12)
d. (-15,-12)
En esta pregunta encontrará un enunciado que debe emparejarla

con una de las opciones que esta a su derecha.
Este es uno de los métodos más interesantes del análisis numérico y particularmente útil ya que nos permite
encontrar la solución de un sistema de “n” ecuaciones con “n” incógnitas. Método
Este método, que constituye una variación del método de eliminación de Gauss, permite resolver hasta 15 o
20 ecuaciones simultáneas. Método
Es simplemente es una reformulación del polinomio de Newton que evita los cálculos de las diferencias
divididas. Interpol
Consiste en encontrar una curva que contenga una serie de puntos y que posiblemente cumpla una serie de
restricciones adicionales. Ajuste d
Si A es una matriz cuadrada no singular, entonces quiere decir que su

determinante es:
a. Igual a cero, |A|=0.
b. Diferente de uno, |A| # 1
c. Igual a uno, |A|=1.
d. Diferente de cero, |A| # 0
4
Dado el sistema

El valor de a para los cuales el sistema no tiene solución es:
a. -1.3
b. -1/3
c. 1/3
d. 1.3
5
Para la solución de un sistema de ecuaciones lineales se conocen dos técnicas o métodos para su
resolución, uno de estos es:
a. Métodos de eliminación
b. Métodos indirectos
c. Métodos gráficos
d. Métodos iterativos
La inversa de la matriz es:

a. La opción III
b. La opción I
c. La opción IV
d. La opción II
El valor de a para que la igualdad se mantenga, en la siguiente operación de
matrices es :
a. -3
b. -6
c. 3
d. 6
Con la siguiente tabla:

xi 0 1 3 6
f(xi) -3 0 5 7
Obtenemos la aproximación polinomial de Lagrange con todos los puntos, entonces, el coeficiente
que acompaña la variable x2 de la función polinomial es:
a. -3/90
b. -2/90
c. 3/90
d. 2/90
El polinòmio de interpolaciòn f (x)= b0+b1(x- x0)+b2(x- x0)(x –

x1)+b3(x- x0)(x – x1)(x-x2) es de:
a. Grado 4
b. Grado 3
c. Grado 2
d. Grado 1
10
El ajuste de curvas consiste en encontrar una curva que contenga una serie

de puntos y que posiblemente cumpla una serie de:
a. Restricciones adicionales
b. Números
c. Variables
d. Errores
11
A continuación tendrá un enunciado que corresponde a uno de los

puntos de la Derecha.
Es la fórmula más simple de interpolación es la de conectar dos puntos con una línea recta
Interpolación Lineal.
Es simplemente es una reformulación del polinomio de Newton que evita los cálculos de las
diferencias divididas: El polinomio de interpolación
El polinomio que se define de la siguiente manera: f(x) = b0+b1(x-x0)+b2(x-x0)(x-x1)+…
+bn(x-x0)(x-x1)…(x-xn-1) Polinomio de Interpolación d
Si se dispone de tres puntos la interpolación se puede llevar a cabo con un polinomio de
segundo orden
Interpolación Cuadratico.
12
En la ecuación y=3x-5 es una funciòn:

a. Cuadratica
b. Parabòlica
c. Constante
d. Lineal
13
Cuál de las siguientes no es una función cuadrática:

A) Y=ax4+b
B) Y= ax2+bx-c
C) Y=ax3-x4+c
D) Y=ax4+bx5+cx+d
a. B
b. A
c. D
d. C
14
La ecuación y=ax2+bx+c se ajustara exactamente a:

a. Tres puntos
b. Dos puntos
c. Cuatro puntos
d. Un punto
15
El polinomio de interpolación de Lagrange, simplemente es una

reformulación del polinomio de Newton que evita:
a. Los cálculos de Ajuste de Curvas
b. Un polinomio lineal
c. Los cálculos de un numero
d. Los cálculos de un polinomio
Continuar
100401A
23.
25
3
Continuar
Métodos de Runge-Kutta Los Runge-Kutta no es solo un método

sino una importante familia de métodos iterativos tanto implícitos
como explícitos para aproximar las soluciones de ecuaciones
diferenciales ordinarias (E.D.O´s), estas técnicas fueron
desarrolladas alrededor de 1900 por los matemáticos alemanes Carl
David Tolmé Runge y Martin Wilhelm Kutta
El clásico método Runge-Kutta de cuarto orden
Un miembro de la familia de los métodos Runge-Kutta es usado tan

comúnmente que a menudo es referenciado como “RK4” o como “el
método Runge-Kutta”.
Definamos un problema de valor inicial como:
y’ = f(t,y), y(t0) = y0
Entonces el método RK4 para este problema está dado por la

siguiente ecuación:
Así, el siguiente valor (yn+1) es determinado por el presente
valor yn mas el producto del tamaño del intervalo ( h ) por una
pendiente estimada. La pendiente es un promedio ponderado de
pendientes:
k1 es la pendiente al principio del intervalo;
k2 es la pendiente en el punto medio del intervalo, usando k1 para

determinar el valor de y en el punto tn + h/2 usando el método de
Euler
k3 es otra vez la pendiente del punto medio, pero ahora

usando k2 para determinar el valor de y
k4 es la pendiente al final del intervalo, con el valor de y determinado

por k3
Promediando las cuatro pendientes, se le asigna mayor peso a las

pendientes en el punto medio:
El método RK4 es un método de cuarto orden lo cual significa que el

error por paso es del orden de h5, mientras que el error total
acumulado tiene el orden h4
PREGUNTA:
El método RK4 es un método de cuarto orden lo cual significa que el
error por paso es del orden de h5, mientras que el error total
acumulado tiene el orden
a. h cuatro
b. h tres
c. h cinco
d. h dos
En análisis numérico , el Método de Romberg genera una matriz

triangular cuyos elementos son estimaciones numéricas de
la integral definida siguiente:
Usando la extrapolación de Richardson de forma reiterada en

la regla del trapecio . El método de Romberg evalúa el integrando
en puntos equiespaciados del intervalo de integración estudiado.
Para que este método funcione, el integrando debe ser
suficientemente derivable en el intervalo, aunque se obtienen
resultados bastante buenos incluso para integrandos poco
derivables. Aunque es posible evaluar el integrando en puntos no
equiespaciados, en ese caso otros métodos como la cuadratura
gaussiana o la cuadratura de Clenshaw–Curtis son más adecuados.
Método
El método se define de forma recursiva así:
donde
La cota superior asintótica del error de R(n,m) es:
O (hn2m+1)
La extrapolación a orden cero R(n,0) es equivalente a la Regla del

trapecio con n + 2 puntos. a orden uno R(n,1) es equivalente
a la Regla de Simpson con n + 2 puntos.
Cuando la evaluación del integrando es numéricamente costosa, es

preferible reemplazar la interpolación polinómica de Richardson por
la interpolación racional propuesta por Bulirsch & Stoer.
Ejemplo
Como ejemplo, la se integra la función gaussiana en el intervalo

[0,1], esto es la función error evaluada en 1, cuyo valor eserf (1) =
0,842700792949715. Se calculan los elementos de la matriz
triangular fila a fila, terminando los cálculos cuando la diferencia
entre las dos últimas filas es menor que 1x10-8
0.77174333
0.82526296 0.84310283
0.83836778 0.84273605 0.84271160
0.84161922 0.84270304 0.84270083 0.84270066
0.84243051 0.84270093 0.84270079 0.84270079 0.84270079
El resultado en la esquina inferior derecha de la matriz triangular es

el resultado correcto con la precisión deseada. Nótese que este
resultado se deriva de aproximaciones mucho peores obtenidas con
la regla del trapecio mostrado aquí en la primera columna de la
matriz triangular.
PREGUNTA:
Para que este método de Romberg funcione, el integrando debe ser

suficientemente:
a. Diferenciable
b. Integrable
c. Sumable
d. Antidiferenciable
Deacuerdo a la lectura : El nivel de exactitud requerido puede variar

enormemente de unos casos a otros. correcponde al concepto
a. Exactitud
b. Aproximación
c. Redondeo
d. Precisión
INTEGRACIÓN NUMÉRICA
INTRODUCCIÓN
En ingeniería se presenta con frecuencia la necesidad de integrar

una función que sería, en general, de una de las tres formas
siguientes:
1. Una función simple y continua tal como un polinomio, una
función exponencial o una función trigonométrica.
2. Una función complicada y continua que es difícil o imposible
de integrar directamente.
3. Una función tabulada en donde los valores de X y f(X) se dan
en un conjunto de puntos discretos, como es el caso a
menudo, de datos experimentales.
En el primer caso, la integral simplemente es una función que se

puede evaluar fácilmente usando métodos analíticos aprendidos en
el cálculo. En los dos últimos casos, sin embargo, se deben emplear
métodos aproximados.
Las fórmulas de integración de Newton-Cotes son los esquemas

más comunes dentro de la integración numérica. Se basan en la
estrategia de reemplazar una función complicada o un conjunto de
datos tabulares con alguna función aproximada que sea más fácil de
integrar.
La integral se puede aproximar usando una serie de polinomios

aplicados por partes a la función o a los datos sobre intervalos de
longitud constante.
Se dispone de las formas abierta y cerrada de las fórmulas de

Newton-Cotes. Las formas cerradas son aquellas en donde los
puntos al principio y al final de los límites de integración se conocen.
Las fórmulas abiertas tienen los límites de integración extendidos
más allá del rango de los datos. Las fórmulas abiertas de Newton-
Cotes, en general, no se usan en la integración definida. Sin
embargo, se usan extensamente en la solución de ecuaciones
diferenciales ordinarias.
REGLA DEL TRAPECIO
La regla del trapecio o regla trapezoidal es una de las fórmulas

cerradas de Newton-Cotes.
Considérese la función f(X), cuya gráfica entre los extremos X =

a y X = b se muestra en la fig. 1. Una aproximación suficiente al
área bajo la curva se obtiene dividiéndola en n fajas de ancho ?X y
aproximando el área de cada faja mediante un trapecio, como se
indica en la figura.
Fig. 1
Llamando a las ordenadas Yi (i = 1, 2, 3,..., n+1), las áreas de los

trapecios son:
El área total comprendida entre X = a y X = b está dada por:

Sustituyendo las ecuaciones. (1) en esta expresión se obtiene:
La cual recibe el nombre de Fórmula Trapezoidal, y se puede

expresar como:
En esencia, la técnica consiste en dividir el intervalo total en

intervalos pequeños y aproximar la curva Y = f(X) en los diversos
intervalos pequeños mediante alguna curva más simple cuya
integral puede calcularse utilizando solamente las ordenadas de los
puntos extremos de los intervalos.
PREGUNTA:
La integral es igual a
a. 2
b. Cero
c. e
d. 1
La extrapolación a orden uno R(n,1) es equivalente a:

a. la Regla de Simpson con n + 1 puntos.
b. La Regla del trapecio con n + 2 puntos;
c. La Regla de Simpson con n + 2 puntos.
d. La Regla del trapecio con n + 1 puntos;
En matemática y computación , el método de Euler, llamado así en

honor de Leonhard Euler , es un procedimiento deintegración
numérica para resolver ecuaciones diferenciales ordinarias a partir
de un valor inicial dado.
Dado un sistema de ecuaciones diferenciales de primer orden,

el método de Euler es la primera aproximación de solución.
Consideremos un sistema de N variables y1, que dependen
de t. Las ecuaciones diferenciales podrán expresarse de la siguiente
forma:
yi = fi(y1, y2,…, yN, t) para i=1,2,…, N.
Escogiendo un paso de t pequeño ? se puede usar la aproximación

de Euler, con la cual, para calcular los valores de yi en el
tiempo t+ ? t se necesitan conocer en el tiempo t. La fórmula
sería: yi(t+ ? t) = yi(t) + ? tfi(y1, y2,…, yN,t) para i = 1,2,…N .
Entonces para averiguar los valores de yi a cualquier t basta
conocer sus valores iniciales (condiciones iníciales a t=0 y
resolviendo iterativamente con un paso ? t hasta llegar a ese valor
de t
Obtenido de "http://es.wikipedia.org/wiki/M%C3%A9todo_de_Euler"
PREGUNTA:
Teniendo en cuenta el texto anterior entonces, el método de Euler, es
un procedimiento de integración numérica para resolver:
a. Ecuaciones diferenciales de orden superior
b. Ecuaciones diferenciales ordinarias
c. Ecuaciones integrables ordinarias
d. Ecuaciones diferenciales parciales
Continuar
100401A
8/8

Act 1 Presaber Metodos Numericos

Cargado por

Información del documentohacer clic para expandir la información del documento

Copyright:

Formatos disponibles

Act 1 Presaber Metodos Numericos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Act 1 Presaber Metodos Numericos

Cargado por

Copyright:

Formatos disponibles

Act 1: Lección Evaluativa de Reconocimiento Presaberes

Revisión del intento 1

Comenzado el: sábado, 1 de septiembre de 2012, 17:23

De las siguientes cuales No se consideran ecuaciones.

Deacuerdo al texto la exactitud es perteneciente .

Seleccione al menos una respuesta.

Seleccione una respuesta.

En base al concepto de precisión es correcto afirmar

Seleccione una respuesta.

Act 3 : Reconocimiento Unidad 1

Revisión del intento 1

Comenzado el: martes, 18 de septiembre de 2012, 17:00

en la n-ésima iteración. La bisección converge linealmente, por lo

PREGUNTA: El método de bisección es un algoritmo de búsqueda

Método de la regla falsa Como en el método de bisección, el método

El punto se obtiene al hallar la intersección de la recta que pasa por

PREGUNTA: Se puede demostrar que bajo ciertas condiciones el

Seleccione una respuesta.

Método de Newton- Raphson

La idea de este método es la siguiente: se comienza con un valor

Supóngase f : [a, b] -> R función derivable definida en el intervalo

El método de punto fijo inicia con una aproximación inicial xo y xi+1=

una sucesión de aproximaciones la cual:

Seleccione una respuesta.

Act 4: Lección Evaluativa Unidad No. 1

Revisión del intento 1

Comenzado el: martes, 18 de septiembre de 2012, 17:33

Completado el: martes, 18 de septiembre de 2012, 17:58

Tiempo empleado: 24 minutos 53 segundos

Principio del formulario

Final del formulario

Seleccione una respuesta.

Así por ejemplo x=5 es una raíz de la ecuación 2x – 3 = x + 2

De manera similar y = -2 es la solución de la ecuación y2 + 3y=6 + 4y

La solución de la siguiente ecuación 3(x - 3)2 = 3(3x - 9) es:

Seleccione una respuesta.

Seleccione una respuesta.

b. Errores debidos a la apreciación del observador y otras causas

c. Errores debidos a la imprecisión de los aparatos de medición.

d. Se refiere a la cercanía de un número o de una medida al valor verdadero que se supone

El método de bisección se basa en el siguiente teorema de Cálculo:

Teorema del Valor Intermedio

El método de bisección sigue los siguientes pasos:

Sea f(x) continua,

f(xa) . f(xb) < 0

f(xa) . f(xr) < 0

· f(xa) . f(xr) > 0

· En este caso se tiene que. f(xr) = 0 y por lo tanto ya localizamos la raíz.

El proceso se vuelve a repetir con el nuevo intervalo, hasta que:

En efecto, tenemos que

f(1) = e-1 – ln 1 = e-1 > 0

f(1,5) = e-1 ln (1,5) = - 0,18233 < 0

ii) Evaluamos f(1,25) = e-1,25 – ln ( 1,25) = 0,0636 > 0

Por lo tanto, vemos que la raíz se encuentra en el intervalo [1,25; 1,5].

Calculamos el punto medio (que es nuestra segunda aproximación a la raíz):

Puesto que no se ha logrado el objetivo, continuamos con el proceso.

Evaluamos f(1,375) = e-1,375 – ln (1,375) = -0,06561 < 0,

Así, vemos que la raíz se encuentra en el intervalo [1,25; 1,375] .