Professional Documents
Culture Documents
U2-. Solución Numérica de Ecuaciones Algebraicas No Lineales
U2-. Solución Numérica de Ecuaciones Algebraicas No Lineales
Programa de la asignatura:
Métodos numéricos
Índice
Presentación de la unidad
Los métodos numéricos que se presentan en esta segunda unidad son útiles para la
solución de problemas reales de la ingeniería, debido a que la solución analítica, de la
ecuación que lo modela, generalmente resulta ser muy complicada. Aunado a esto, la
implementación de estas técnicas en una computadora permite un análisis profundo de la
exactitud de los resultados generados.
Uno de los métodos más sencillos para la solución de ecuaciones es el método gráfico. A
través de él se tendrá conocimiento del comportamiento de la función. Nuevamente te
apoyarás de los entornos de programación matemática como Excel, MATLAB, MathCad
entre otros, para el graficado y análisis de datos.
Tanto en los métodos cerrados como en los abiertos, su eficiencia depende de los valores
iniciales. De ellos dependen tanto la velocidad como la convergencia de los métodos.
Propósitos de la unidad
Competencia específica
En esta primera sección estudiarás los métodos cerrados de bisección y regula falsi, o
también llamado de falsa posición, para encontrar la solución o raíz de la ecuación.
Debido a su naturaleza iterativa, estos métodos son implementados en Mathcad para el
cálculo automático de la solución.
De manera general,
para 𝑛 = 0,1, … la expresión anterior indica que el intervalo [𝑥𝑎 , 𝑥𝑏 ] que acota la raíz se
reduce (𝑛 + 1) veces a la mitad por 2𝑛+1 .
Ejemplo 01:
𝑒 −𝑥 − 𝑥 = 0.
Solución
𝑥 𝑓(𝑥)
0 1
1 −0.632
observamos que hay un cambio de signo, por tanto existe una raíz entre 0 < 𝑥 < 1. El
punto medio 𝑥𝑚 es,
𝑥𝑎 + 𝑥𝑏 0 + 1
𝑥𝑚 = = = 0.5,
2 2
y su evaluación,
𝑓(𝑥𝑚 ) = 𝑓(0.5) = 0.107.
𝑛=1 𝑥 𝑓(𝑥)
𝑥𝑎 0.5 0.107
𝑥𝑚 0.75 −0.278
𝑥𝑏 1 −0.632
El cambio de signo ahora está en el intervalo [0.5,0.75]. Por lo que 𝑥𝑏 = 𝑥𝑚 = 0.75. Para
las siguientes iteraciones 𝑛 = 2,3,4 tenemos,
𝑛=2 𝑥 𝑓(𝑥)
𝑥𝑎 0.5 0.107
𝑥𝑚 0.625 −0.09
𝑥𝑏 0.75 −0.278
𝑛=3 𝑥 𝑓(𝑥)
𝑥𝑎 0.5 0.107
𝑥𝑚 0.563 0.006
𝑥𝑏 0.625 −0.09
𝑛=4 𝑥 𝑓(𝑥)
𝑥𝑎 0.563 0.006
𝑥𝑚 0.594 −0.042
𝑥𝑏 0.625 −0.09
Las sucesivas aproximaciones a la solución son 𝑥𝑚 = 0.5, 0.75, 0.625, 0.563, 0.594.
Como hemos visto, el método de búsqueda de la raíz es iterativo, esto es, en cada paso
el intervalo que “encierra” a la solución se reduce continuamente a la mitad. Por lo que, el
algoritmo para la búsqueda de la solución está estructurado de la siguiente forma:
Parámetros de entrada
Paso 1. Verificar que existe una raíz en el intervalo como 𝑓(𝑥𝑎 )𝑓(𝑥𝑏 ) < 0.
Paso 2. Calcular una aproximación a la raíz a través del cálculo del punto medio,
𝑥𝑎 + 𝑥𝑏
𝑥𝑚 = ,
2
Figura 5. Algoritmo para aproximarse a la raíz de una función f(x) a partir de un intervalo inicial
[xa , xb ] y N iteraciones, usando el método de bisección.
Por la lógica del método de “encerrar” la raíz, este algoritmo sólo es capaz de encontrar
una solución a la vez. Por lo que, para casos donde se tienen múltiples raíces, el
algoritmo resulta deficiente.
Otro de los métodos que “encierra” la raíz en un intervalo definido es el de Regula falsi o
Falsa posición, sólo que a diferencia del método de bisección que reduce el intervalo
[𝑥𝑎 , 𝑥𝑏 ] siempre a la mitad, este método traza una recta entre 𝑓(𝑥𝑎 ) y 𝑓(𝑥𝑏 ). Los triángulos
semejantes que se forman están relacionados por (Chapra, S., 2010),
𝑓(𝑥𝑎 ) 𝑓(𝑥𝑏 )
= ,
(𝑥𝑟 − 𝑥𝑎 ) (𝑥𝑟 − 𝑥𝑏 )
despejando,
𝑓(𝑥𝑏 )(𝑥𝑎 − 𝑥𝑏 )
𝑥𝑟 = 𝑥𝑏 − ,
𝑓(𝑥𝑎 ) − 𝑓(𝑥𝑏 )
Figura 6. Método Regula falsi para encontrar la raíz de una ecuación algebraica. La recta que
une f(xa ) con f(xb ) está marcada en verde. La intersección de esta recta con el eje x es la nueva
aproximación xr a la raíz. El nuevo intervalo de búsqueda es [xa , xr ], donde xb se sustituye por
xr .
La aproximación 𝑥𝑟 sustituye uno de los límites del intervalo, de tal forma que siempre
exista un cambio de signo entre 𝑓(𝑥𝑎 ) y 𝑓(𝑥𝑏 ).
Ejemplo 02:
𝑒 −𝑥 − 𝑥 = 0.
Solución
𝑥 𝑓(𝑥)
0 1
1 −0.632
observamos que hay un cambio de signo, por tanto existe una raíz entre 0 < 𝑥 < 1. El
punto 𝑥𝑟 es calculado como,
(−0.632)(0 − 1) 0.632
𝑥𝑟 = 1 − =1− = 0.613
(1) − (−0.632) 1.632
y su evaluación,
𝑓(𝑥𝑟 ) = 𝑓(0.613) = −0.071.
𝑛=1 𝑥 𝑓(𝑥)
𝑥𝑎 0 1
𝑥𝑟 0.572 −0.0078
𝑥𝑏 0.613 −0.071
Figura 9. Algoritmo para aproximarse a la raíz de una función f(x) a partir de un intervalo inicial
[xa , xb ] y N iteraciones, usando el método de Regula falsi o Falsa posición.
Ejemplo 03:
Se modela un proceso de producción de queso con menos grasa, mediante la adición de
un concentrado protéico de leche en forma de caseinato de calcio. La ecuación que
relaciona el caseinato de calcio en el queso 𝑦, la presión del proceso de homogeneización
𝑥 y el nivel de lípidos en los quesos es,
𝑓(𝑥, 𝑦) = 10.43 − 0.58𝑥 − 0.91𝑦 + 1.23𝑦 2 .
Si hacemos 𝑥 = −0.2, ¿cuál es la cantidad de caseinato que reduce a cero el nivel de
lípidos?
Solución
Las siguientes figuras muestran la función del nivel de lípidos en los quesos.
Figura 10. Función del nivel de lípidos en los quesos valuada en x = −0.2. Como se observa,
cuanto mayor es la cantidad y de caseinato de calcio adicionada, menor es el nivel de lípidos en
el queso.
Resolviendo la ecuación para 𝑦 con los métodos de bisección, falsa posición y la función
predefinida 𝑟𝑜𝑜𝑡( 𝑓(𝑦), 𝑦), nos dan los siguientes resultados:
Figura 11. La cantidad de caseinato que reduce a cero el nivel de lípidos es 𝑦 = 18.381. Como
se observa el método de Falsa posición converge más rápido a la solución.
Ejemplo 04:
Si analizamos la ecuación que modela la adición de caseinato de calcio en la producción
de quesos con un nivel de lípidos como,
Solución
En la siguiente figura usaremos el método gráfico para analizar el comportamiento de la
función 𝑓(𝑥).
Figura 12. Gráfica de la ecuación 𝑓(𝑥) = 𝟎. 𝟔𝟓𝟏𝑥 2 − 𝟏. 𝟎𝟑𝑥 + 𝟗. 𝟑𝟕. Fuente: Elaboración propia.
En este caso, observamos que no existe cruce con el eje 𝑥, por lo tanto, las raíces son del
tipo complejo. Usando la función predefinida en mathcad 𝑝𝑜𝑙𝑦𝑟𝑜𝑜𝑡𝑠(𝑎) donde 𝑎 son los
coeficientes de la ecuación, se obtienen las dos raíces complejas.
Los dos métodos hasta ahora analizados pertenecen a los métodos cerrados que acotan
la solución, al reducir continuamente el intervalo en el que se encuentra. Si bien, los
métodos de Bisección y Falsa posición siempre encuentran la raíz, éstos son de lenta
convergencia. Por ello, en la siguiente sección analizaremos los llamados métodos
abiertos para la búsqueda de raíces: Newton Raphson e interpolación inversa, los cuales
convergen más rápido a la solución.
Figura 14. Representación gráfica del método de Newton-Raphson. La tangente a la función f(x)
en xi intersecta la recta x en el punto xi+1 . Este punto será una aproximación a la solución
exacta.
𝑓(𝑥𝑖 ) − 0
𝑓 ′ (𝑥𝑖 ) = ,
𝑥𝑖 − 𝑥𝑖+1
donde,
𝑓(𝑥𝑖 )
𝑥𝑖+1 = 𝑥𝑖 − ,
𝑓 ′ (𝑥𝑖 )
𝑓(𝑥𝑖−1 )
𝑥𝑖 = 𝑥𝑖−1 − .
𝑓 ′ (𝑥𝑖−1 )
Ejemplo 05:
𝑓(𝑥) = 𝑒 −𝑥 − 𝑥
Solución
Evaluando para 𝑖 = 1,
para 𝑖 = 2,
0.566 − 𝑒 −0.566
𝑥2 = 0.566 − [ ] = 0.567.
1 + 𝑒 −0.566
Figura 17. Algoritmo para aproximarse a la raíz de una función f(x) a partir de un valor inicial x0
y N iteraciones, usando el método de Newton-Raphson.
Figura 18. Representación gráfica del método de interpolación inversa. La parábola intersecta la
recta x en el punto xi+1. Este punto será una sucesiva aproximación a la solución exacta.
A partir de los puntos (𝑥𝑖−2 , 𝑦𝑖−2 ), (𝑥𝑖−1 , 𝑦𝑖−1 ), (𝑥𝑖 , 𝑦𝑖 ) se genera una función cuadrática de
𝑦 que pase por los puntos como (Chapra, S., 2010),
Cuando 𝑦 = 0 entonces tenemos la raíz 𝑥𝑖+1 , por lo que, la ecuación anterior queda como
𝑦𝑖−1 𝑦𝑖 𝑦𝑖−2 𝑦𝑖
𝑥𝑖+1 = 𝑥𝑖−2 + 𝑥
(𝑦𝑖−2 − 𝑦𝑖−1 )(𝑦𝑖−2 − 𝑦𝑖 ) (𝑦𝑖−1 − 𝑦𝑖−2 )(𝑦𝑖−1 − 𝑦𝑖 ) 𝑖−1
𝑦𝑖−2 𝑦𝑖−1
+ 𝑥
(𝑦𝑖 − 𝑦𝑖−2 )(𝑦𝑖 − 𝑦𝑖−1 ) 𝑖
Ejemplo 06:
𝑓(𝑥) = 𝑒 −𝑥 − 𝑥
Solución
(1.4)(−2.9) (9.3)(−2.9)
𝑥3 = (−2) + (−0.2)
(9.3 − 1.4)(9.3 + 2.9) (1.4 − 9.3)(1.4 + 2.9)
(9.3)(1.4)
+ (3) = 0.67
(−2.9 − 9.3)(−2.9 − 1.4)
Por tanto, una primera aproximación a la raíz es 𝑥 = 0.67. El resultado aproximado para
las primeras 𝑖 iteraciones se muestra a continuación:
Figura 21. Algoritmo para aproximarse a la raíz de una función 𝑓(𝑥) a partir de un valor inicial
𝑥0 y 𝑁 iteraciones, usando el método de Newton-Raphson.
Número de
Método Numérico
iteraciones 𝑵
Bisección 17
Falsa posición 5
Newton Raphson 2
Interpolación inversa 2
Hemos comprobado que los métodos abiertos para la búsqueda de raíces, Newton
Raphson e interpolación inversa, convergen más rápido a la solución. Sin embargo,
algunas veces estos métodos nunca encuentran la solución. Como se mencionó, éstos
oscilan alrededor de valores mínimos o máximos locales y cuando encuentra una
pendiente cercana a cero entonces se aleja de la región solución.
2.2.2. Problemas
Ejemplo 07:
La operación de un reactor de flujo tipo tapón de densidad constante para la producción
de una sustancia por una reacción enzimática se describe mediante la ecuación,
𝑪𝒔𝒂𝒍
𝑉 𝐾 1
= −∫ + 𝑑𝐶
𝐹 𝑪𝒆𝒏𝒕 𝒌𝒎á𝒙 𝑪 𝒌𝒎á𝒙
donde V es el volumen del reactor, F es el caudal del reactante C, Cent y Csal son las
concentraciones del reactante a la entrada y salida del reactor, respectivamente, y K y
k máx son constantes.
Para un reactor de 500 L, con una concentración de entrada de Cent = 0.5 M, un caudal de
entrada de 40 L/s, k máx = 5X10−3 s −1 y K = 0.1 M, encuentra la concentración a la salida
Csal del reactor.
Solución
Operando sobre la ecuación,
Csal
V 1 K 1
=− ∫ + 1 dC = − [K(ln(Csal ) − ln(Cent )) + (Csal − Cent )]
F k máx Cent C k máx
1 V
⟹ −k [K(ln(Csal ) − ln(Cent )) + (Csal − Cent )] − = 0
máx F
Usando los métodos de Bisección, Regula falsi e Interpolación inversa se obtuvieron los
siguientes resultados.
Figura 24. La solución de la ecuación algebraica usando tres cifras significativas es de Cent =
0.448 . Esto es, la concentración a la salida del reactor.
Figura 25. Gráficas de error absoluto en rojo y relativo en azul para el cálculo de la solución
exacta usando los métodos de Bisección, Falsa posición e Interpolación. El método que más
rápido converge a la solución es el de Interpolación inversa y el método más lento es el de
Bisección.
Ejemplo 08:
Para calcular el nivel de oxígeno 𝑐 (mg/L) en un río aguas debajo de la descarga de un
drenaje se usa la ecuación,
Solución
La ecuación algebraica a resolver es,
como,
𝑐 ′(𝑥) = 3𝑒 −0.15𝑥 − 10𝑒 −0.5𝑥 .
Figura 27. Gráficas de error relativo para el cálculo de la solución exacta usando los métodos de
Bisección, Falsa posición, Interpolación y Newton-Raphson. El método que más rápido converge
a la solución es el de Interpolación inversa y el método más lento es el de Bisección.
Una función de interpolación es aquella que pasa a través de puntos asociados con datos,
y sirve para estimar valores intermedios que se desconocen, a través de su evaluación.
La interpolación de los datos puede hacerse mediante un polinomio, las funciones spline,
una función racional o las series de Fourier (Nakamura, S., 1992). Sin embargo, el
polinomio de interpolación de Newton en diferencias divididas es uno de los más
populares (Chapra, S., 2010). De manera general, un polinomio de orden n que pasa a
través de (n + 1) puntos es único, esto es, todas las interpolaciones polinomiales que se
ajustan a los mismos datos son matemáticamente iguales.
𝑓(𝑥) = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + 𝑎3 𝑥 3 + ⋯ + 𝑎𝑛 𝑥 𝑛 ,
2.3.1. Interpolación
𝑏0 = 𝑓(𝑥0 ),
𝑏1 = 𝑓[𝑥1 , 𝑥0 ],
𝑏2 = 𝑓[𝑥2 , 𝑥1 , 𝑥0 ],
.
𝑏𝑛 = 𝑓[𝑥𝑛 , 𝑥𝑛−1 , … , 𝑥1, 𝑥0 ],
donde,
f(xi ) − f(xj )
f[xi, xj ] = ,
xi − xj
es la primera diferencia finita.
Ejemplo 09:
A partir de un conjunto de puntos,
𝒙 𝒚 = 𝒇(𝒙)
1 0
4 1.3
6 1.7
5 1.6
Solución
Utilizando la ecuación,
𝒇(𝟒) − 𝒇(𝟏)
𝟒−𝟏 𝟎.𝟐𝟎−𝟎.𝟒𝟔
=- −𝟎.𝟎𝟐+𝟎.𝟎𝟓
𝒇(𝟏) = 𝟎 𝟏. 𝟑 − 𝟎 𝟔−𝟏 =
= 0.05 𝟓−𝟏
0 𝒙𝟎 = 𝟏 𝟒−𝟏 0.007
⟹ = 𝟎. 𝟒𝟔
=𝟎 ⟹
𝒃𝟎 ⟹
⟹ 𝒃𝟐 = 𝟎. 𝟎𝟎𝟕
= 𝟎. 𝟒𝟔 𝒃𝟑
𝒃𝟏 = −𝟎. 𝟎𝟓
𝒇(𝟔) − 𝒇(𝟒)
𝟔−𝟒 𝟎.𝟏𝟖−𝟎.𝟐𝟎
=-
1 𝒙𝟏 = 𝟒 𝒇(𝟒) = 𝟏. 𝟑 𝟏. 𝟕 − 𝟏. 𝟑 𝟓−𝟒
= 0.02
𝟔−𝟒
= 𝟎. 𝟐𝟎
2 𝒙𝟐 = 𝟔 𝒇(𝟔) = 𝟏. 𝟕
𝒇(𝟓) − 𝒇(𝟔)
𝟓−𝟔
𝟏. 𝟔 − 𝟏. 𝟕
=
𝟓−𝟔
= 𝟎. 𝟏𝟖
3 𝒙𝟑 = 𝟓 𝒇(𝟓) = 𝟏. 𝟔
al evaluar en 𝑥 = 2,
Figura 28. Función que calcula los coeficientes b0 , b1 , b2 , … , bn del polinomio de interpolación de
Newton fn (x) = b0 + b1 (x − x0 ) + ⋯ + bn (x − x0 )(x − x1 ) … (x − xn−1 ).
Interpolación de Lagrange
Ejemplo 10:
A partir de un conjunto de puntos,
𝒙 𝒚 = 𝒇(𝒙)
0 5
1 7
2 9
5 15
Solución
A partir de la fórmula,
𝑛 𝑛
𝑥 − 𝑥𝑗
𝑓𝑛 (𝑥) = ∑ ∏ 𝑓(𝑥𝑖 )
𝑥𝑖 − 𝑥𝑗
𝑖=0 𝑗=0
[ 𝑗≠𝑖 ]
desarrollando,
evaluando en 𝑥 = 3,
(3 − 1)(3 − 2)(3 − 5) (3 − 0)(3 − 2)(3 − 5)
𝑓3 (3) = (5) + (7) +
(0 − 1)(0 − 2)(0 − 5) (1 − 0)(1 − 2)(1 − 5)
Figura 29. Función de interpolación de Lagrange. Como parámetros de entrada se requieren los
vectores x y y = f(x), el número n de puntos y el punto x a interpolar.
𝑓𝑖 (𝑥) = 𝑎𝑖 + 𝑏𝑖 (𝑥 − 𝑥𝑖 ) + 𝑐𝑖 (𝑥 − 𝑥𝑖 )2 + 𝑑𝑖 (𝑥 − 𝑥𝑖 )3
1. Los valores de la función deben ser iguales en los puntos interiores, (2𝑛 − 2)
condiciones.
2. La primera y última función deben pasar a través de los puntos extremos, (2𝑛)
condiciones.
3. Las primeras derivadas en los puntos interiores deben ser iguales, (2𝑛 − 1)
condiciones.
4. Las segundas derivadas en los puntos interiores deben ser iguales, (2𝑛 − 1)
condiciones.
5. Las segundas derivadas en los puntos extremos son cero, 2 condiciones.
Figura 32. Algoritmo que genera la curva interpolante por segmentos entre cada par de puntos
{(x0 , f(x0 )), (x1 , f(x1 )), … , (xn , f(xn ))}
Ejemplo 11:
𝒙 𝒇(𝒙)
3.0 2.5
4.5 1.0
7.0 2.5
9.0 0.5
y después estima x = 5.
Solución
El valor de los coeficientes es calculado con el algoritmo de interpolación segmentaria ya
definido, los valores que arrojan son:
fi (x) = ai + bi (x − xi ) + ci (x − xi )2 + di (x − xi )3
Figura 33. a) Conjunto de puntos relacionados con datos (b) Resultado de la interpolación
segmentaria usando trazadores cúbicos. Fuente: Elaboración propia.
Ejemplo 12:
Los datos,
T, °C O, mg/L
0 14.621
8 11.483
16 9.870
24 8.418
32 7.305
40 6.413
definen la concentración de oxígeno disuelto a nivel del mar para agua dulce como
función de la temperatura. Estima la concentración 𝑂(𝑇) a 𝑇 = 27°𝐶 usando interpolación
de Lagrange.
Solución
A partir de la fórmula de interpolación,
𝑛 𝑛
𝑥 − 𝑥𝑗
𝑓𝑛 (𝑥) = ∑ ∏ 𝑓(𝑥𝑖 )
𝑥𝑖 − 𝑥𝑗
𝑖=0 𝑗=0
[ 𝑗≠𝑖 ]
Curva de interpolación generada a partir de los puntos (𝑥, 𝑓(𝑦)) = (𝑇, 𝑂(𝑇)).
Figura 35.
Ejemplo 13:
A partir del siguiente conjunto de puntos,
genera un polinomio de tercer grado para cada intervalo entre los puntos asociados con
los datos.
Solución
fi (x) = ai + bi (x − xi ) + ci (x − xi )2 + di (x − xi )3
Ejemplo 14:
Los datos de la vasija de un reactor de crecimiento bacterial (una vez que terminó la fase
de retraso) son:
Se permite que las bacterias crezcan tan rápido como sea posible durante las primeras
2.5 horas, y después se les induce a producir una proteína recombinante, la cual
disminuye el crecimiento bacterial en forma significativa. El crecimiento teórico de las
bacterias se describe por medio de,
𝑑𝑋
= 𝜇𝑋
𝑑𝑡
Solución
fi (x) = ai + bi (x − xi ) + ci (x − xi )2 + di (x − xi )3
se evalúa en el tiempo 𝑥 = 2,
f2 (2) = 1.102.
𝑐(𝑥) = 𝑥0 𝑒 𝜇𝑥
evaluando,
0.1𝑒 2𝜇 − 1.102 = 0
𝜇 = 1.2
Actividades
Autorreflexiones
Cierre de la unidad
A lo largo de esta unidad has podido adentrarte en los métodos de solución numérica de
ecuaciones algebraicas del tipo f(x) = 0. Has estudiado dos tipos de procedimientos, los
basados en los métodos cerrados como son Bisección y falsa posición (o regula falsi); y
los métodos abiertos entre ellos Newton Raphson e Interpolación abierta. Cada uno de
ellos son métodos iterativos, por lo que se han analizado e implementado algoritmos para
el cálculo de soluciones aproximadas. Se determinó la eficiencia de los algoritmos a
través del número de iteraciones n que cada uno necesita para encontrar la solución. El
método de Bisección fue el más lento, y el método de interpolación inversa fue de los más
rápidos. Sin embargo, existen casos en los cuales los métodos abiertos no encuentran la
Durante la unidad también analizaste los métodos de interpolación lineal entre puntos
provenientes de mediciones e implementaste los algoritmos de interpolación de Newton
en diferencias divididas e interpolación de Lagrange.
Un problema con la interpolación con rectas son los cambios abruptos, por ello se analizó
el método de interpolación segmentaria usando polinomios cúbicos. La ventaja es el perfil
suave que le da a la curva de interpolación. Debido a que el número de cálculos para
obtener los coeficientes de este polinomio son demasiados, se implementó un algoritmo
para obtener los coeficientes y la curva interpolante.
Método de la bisección
http://www.youtube.com/watch?v=MUCwZKPntXg
Para reforzar los conocimientos sobre el método de bisección. En este video se te explica
el objetivo del método de bisección, cómo se aplica y bajo qué condiciones es eficaz para
el cálculo de la raíz. Además se construye el pseudocódigo para su implementación en un
editor a través de una función iterativa. Al final se resuelve un ejemplo con tres
iteraciones.
Método de Newton-Raphson
http://www.youtube.com/watch?v=3C2MHKVVpwI
En este video se te explica el objetivo del método de Newton Raphson, cómo funciona
geométrica y analíticamente. Además se deduce la expresión iterativa del método para
ser implementada. Al final se resuelve un ejemplo clásico para tres iteraciones.
Interpolación polinómica
http://www.youtube.com/watch?v=-vpLkViP7aI
Fuentes de consulta
Burden, R., Douglas J., (2001). Análisis numérico. México: CENGAGE Learning.
Chapra, S. (2010). Métodos numéricos para ingenieros. México: Mc GrawHill.
Dennis G. Zill, (2009). Ecuaciones diferenciales. Tercera Edición. MacGrawHill.
Iriarte, R. (2003). Métodos numéricos. México, D. F: Trillas.
Mathews, J., Fink K. (2004). Métodos numéricos con MATLAB. España: Prentice Hall.
Nakamura, S., (1992). Métodos numéricos aplicados con software. México: Prentice Hall.