Contenido de la Unidad

1. Introducción a los Métodos de Solución de Ecuaciones

 Definición de ecuaciones algebraicas y trascendentales.

 Importancia de los métodos numéricos para encontrar soluciones aproximadas.

 Objetivos y aplicaciones de los métodos de solución de ecuaciones en la práctica.

2. Métodos Directos

 Método de la Bisección.

 Método de la Regla Falsa.

 Método de la Secante.

 Método de Newton-Raphson.

3. Métodos Iterativos

 Concepto de iteración en métodos numéricos.

 Método de Punto Fijo.

 Método de Jacobi.

 Método de Gauss-Seidel.

4. Análisis de Convergencia y Estabilidad

 Definición de convergencia en métodos numéricos.

 Condiciones de convergencia para los métodos de solución de ecuaciones.

 Análisis de estabilidad y sensibilidad de los métodos iterativos.

Resumen

La Unidad 2 de Métodos Numéricos aborda los métodos de solución de ecuaciones, desde

enfoques directos hasta iterativos. Comenzamos con una introducción a la importancia de estos
métodos y sus aplicaciones en la resolución de problemas prácticos. Luego, exploramos métodos
directos como la bisección, la regla falsa, la secante y el método de Newton-Raphson, que
proporcionan soluciones aproximadas mediante cálculos directos.

Posteriormente, nos adentramos en los métodos iterativos, donde la convergencia se logra a través
de repeticiones sucesivas de un proceso de actualización. Aquí, examinamos el método de punto
fijo, así como los métodos de Jacobi y Gauss-Seidel, ampliamente utilizados en la solución de
sistemas de ecuaciones lineales.

Además, discutimos la importancia del análisis de convergencia y estabilidad para evaluar la

eficacia y la precisión de estos métodos numéricos. Comprender las condiciones de convergencia y
los límites de estabilidad es crucial para garantizar resultados confiables y eficientes en la práctica.
Finalmente, exploramos diversas aplicaciones y ejemplos prácticos donde se aplican estos métodos
de solución de ecuaciones, destacando su relevancia en la resolución de problemas del mundo real
en campos como la ingeniería, la física, la economía y más.

Conclusiones

La Unidad 2 proporciona una base sólida en métodos de solución de ecuaciones en métodos

numéricos, equipando a los estudiantes con las herramientas necesarias para abordar una amplia
gama de problemas computacionales y de modelado en diversas disciplinas. El dominio de estos
métodos es fundamental para realizar análisis numéricos precisos y eficientes, lo que permite
enfrentar desafíos complejos en la práctica profesional y académica.

1. Introducción a los Métodos de Solución de

Ecuaciones
 Definición de ecuaciones algebraicas y
trascendentales.

Ecuaciones Algebraicas:

Las ecuaciones algebraicas son aquellas en las que las incógnitas se relacionan mediante
operaciones algebraicas básicas, como sumas, restas, multiplicaciones, divisiones y potencias. Estas
ecuaciones pueden tener una o varias incógnitas y pueden ser de diferentes grados. La forma
general de una ecuación algebraica es:

anxn+an−1x−1+…+1+0=0anxn+an−1xn−1+…+a1x+a0=0

Donde an,an−1,…,1,0an,an−1,…,a1,a0 son coeficientes constantes y x es la incógnita. Las

ecuaciones algebraicas más simples son las ecuaciones lineales, donde el grado más alto de la
incógnita es 1. Por ejemplo:

2x+3=02x+3=0

Las ecuaciones de grado superior a 1 se denominan ecuaciones cuadráticas, cúbicas, cuartas, etc.,
dependiendo del grado de la incógnita. Por ejemplo:

2−5x+6=0x2−5x+6=0

Las ecuaciones algebraicas se pueden resolver utilizando diversos métodos, como la factorización,
la fórmula cuadrática, los métodos iterativos o métodos numéricos.

Ecuaciones Trascendentales:
Las ecuaciones trascendentales son aquellas en las que las incógnitas están relacionadas a través
de funciones trascendentales, es decir, funciones que no son algebraicas. Estas funciones pueden
incluir, por ejemplo, funciones trigonométricas (seno, coseno, tangente), funciones exponenciales,
logarítmicas o funciones especiales como la función error.

La forma general de una ecuación trascendental es:

x(f)=0f(x)=0

Donde f(x) es una función que puede contener términos trascendentales. Por ejemplo:

ex−2x=0ex−2x=0

Las ecuaciones trascendentales a menudo no tienen soluciones analíticas simples y, por lo tanto,
requieren métodos numéricos para encontrar soluciones aproximadas. Estos métodos pueden
involucrar técnicas iterativas como el método de Newton-Raphson o el método de la secante.

las ecuaciones algebraicas involucran operaciones algebraicas básicas entre las incógnitas,
mientras que las ecuaciones trascendentales involucran funciones trascendentales de las
incógnitas. Ambos tipos de ecuaciones son fundamentales en la modelización y resolución de
problemas en matemáticas aplicadas, ciencia, ingeniería y otras disciplinas.

 Importancia de los métodos numéricos para

encontrar soluciones aproximadas.
Los métodos numéricos desempeñan un papel crucial en la resolución de problemas en
diversas áreas de la ciencia, la ingeniería, la economía y otros campos. Aquí hay algunas
razones importantes que destacan su relevancia:

Problemas sin Solución Analítica: Muchos problemas del mundo real no tienen soluciones
analíticas cerradas o son demasiado complejos para ser resueltos mediante métodos
algebraicos o trascendentales. En tales casos, los métodos numéricos proporcionan una
forma de obtener soluciones aproximadas que son lo suficientemente precisas para
propósitos prácticos.

Eficiencia Computacional: Los métodos numéricos permiten resolver problemas complejos

utilizando computadoras y algoritmos, aprovechando la potencia de cálculo de las
máquinas modernas. Esto hace posible abordar problemas que de otro modo serían
impracticables o requerirían un tiempo y recursos significativos para ser resueltos
manualmente.

Flexibilidad y Adaptabilidad: Los métodos numéricos son altamente flexibles y pueden

adaptarse a una amplia variedad de problemas y situaciones. Esto los hace útiles en una
gama diversa de disciplinas, desde la física y la ingeniería hasta la biología y las finanzas,
donde se enfrentan desafíos complejos y variables.
Tolerancia a Errores y Aproximaciones: En muchos casos, las soluciones exactas no son
necesarias y las soluciones aproximadas son suficientes para tomar decisiones
informadas. Los métodos numéricos permiten controlar y gestionar errores, lo que
proporciona resultados aceptables dentro de los límites de tolerancia especificados.

Modelado y Simulación: En campos como la ingeniería y las ciencias aplicadas, los

métodos numéricos son fundamentales para el modelado y la simulación de sistemas
físicos y procesos complejos. Permiten predecir el comportamiento de sistemas bajo
diferentes condiciones y evaluar el rendimiento de diseños antes de la implementación
práctica.

En resumen, los métodos numéricos son herramientas indispensables en la caja de

herramientas de cualquier científico, ingeniero o investigador que se enfrente a problemas
complejos que requieren soluciones numéricas aproximadas. Su capacidad para abordar
una amplia gama de problemas y su eficacia en la resolución de problemas hacen que
sean esenciales en la práctica profesional y académica.

 Objetivos y aplicaciones de los métodos de

solución de ecuaciones en la práctica.
ncontrar Soluciones Aproximadas: El objetivo principal de los métodos de solución de ecuaciones
en Métodos Numéricos es encontrar soluciones aproximadas para ecuaciones algebraicas y
trascendentales. Estas soluciones son útiles cuando las soluciones exactas no están disponibles o
son difíciles de obtener.

Proporcionar Resultados Confiables y Precisos: Los métodos numéricos buscan proporcionar

soluciones que sean lo suficientemente precisas para satisfacer los requisitos de precisión
especificados para una aplicación particular. Esto implica minimizar los errores y garantizar que los
resultados sean confiables dentro de un margen aceptable de incertidumbre.

Optimizar la Eficiencia Computacional: Otro objetivo importante es desarrollar algoritmos y

técnicas que sean eficientes desde el punto de vista computacional. Esto implica minimizar el
tiempo y los recursos necesarios para calcular soluciones, lo que permite resolver problemas de
manera rápida y rentable.

Garantizar la Convergencia y Estabilidad: Los métodos de solución de ecuaciones también se

centran en garantizar la convergencia y estabilidad de los algoritmos utilizados. La convergencia se
refiere a la capacidad del método para acercarse a la solución exacta a medida que avanza en las
iteraciones, mientras que la estabilidad se refiere a la sensibilidad del método a pequeñas
perturbaciones en los datos de entrada.

Aplicaciones de los Métodos de Solución de Ecuaciones

Resolución de Ecuaciones Físicas: Los métodos de solución de ecuaciones se aplican en la

resolución de problemas físicos en áreas como la mecánica, la termodinámica y la
electromagnetismo. Por ejemplo, se utilizan para encontrar valores de variables desconocidas en
ecuaciones que describen el movimiento de partículas, la transferencia de calor o la propagación
de ondas.

Análisis de Circuitos Eléctricos y Electrónicos: En ingeniería eléctrica y electrónica, los métodos de

solución de ecuaciones se utilizan para analizar y diseñar circuitos eléctricos y electrónicos.
Permiten encontrar corrientes, tensiones y otros parámetros en circuitos complejos, lo que es
crucial para el diseño y la optimización de sistemas electrónicos.

Modelado y Simulación en Ingeniería: Los métodos numéricos se aplican en el modelado y la

simulación de sistemas y procesos en ingeniería. Esto incluye la simulación de estructuras
mecánicas, el flujo de fluidos, la dinámica de vehículos, entre otros. Los métodos de solución de
ecuaciones son esenciales para resolver modelos matemáticos que describen estos sistemas y
obtener información sobre su comportamiento.

Finanzas y Economía: En finanzas y economía, los métodos numéricos se utilizan para resolver
ecuaciones que modelan fenómenos económicos, como la valoración de activos financieros, la
optimización de carteras de inversión y la predicción de tendencias económicas. Los métodos de
solución de ecuaciones son fundamentales para calcular tasas de rendimiento, precios de opciones
financieras y otros indicadores económicos.

2. Métodos Directos
 Método de la Bisección.
El método de la bisección es un método numérico para encontrar la raíz de una función
continua en un intervalo dado. Es uno de los métodos más simples y robustos para la
búsqueda de raíces y se basa en el Teorema del Valor Intermedio.
Procedimiento del Método de la Bisección:
1. Definición del Intervalo Inicial: Se comienza con un intervalo [a, b] en el cual se
sabe que la función cambia de signo, lo que indica que hay al menos una raíz en el
intervalo. Esto implica que <0f(a)⋅f(b)<0.
2. División del Intervalo: Se divide el intervalo por la mitad, calculando el punto
medio c=a+b/2, 2c=2a+b.
3. Evaluación de la Función en el Punto Medio: Se evalúa la función en el punto
medio c para determinar en qué subintervalo [a, c] o [c, b] se encuentra la raíz.
4. Selección del Nuevo Intervalo: Se selecciona el nuevo intervalo [a, b] para la
siguiente iteración. Si <0f(a)⋅f(c)<0, entonces la raíz está en el intervalo [a, c]; de lo
contrario, está en el intervalo [c, b].
5. Repetición del Proceso: Se repite el proceso iterativamente hasta que la longitud
del intervalo resultante sea lo suficientemente pequeña o hasta que se alcance una
tolerancia predefinida para la aproximación de la raíz.
Convergencia y Estimación del Error:
El método de la bisección garantiza la convergencia a una raíz debido a la naturaleza del
algoritmo, que reduce el intervalo que contiene la raíz en cada iteración. Además, se puede
estimar el error de aproximación en cada iteración mediante la longitud del intervalo
resultante.
Ventajas y Desventajas:
 Ventajas:
 Es fácil de implementar y comprender.
 Garantiza la convergencia siempre que se cumplan las condiciones
iniciales.
 Es robusto y no sensible a la elección de la suposición inicial.
 Desventajas:
 Puede ser lento para converger, especialmente en funciones con raíces
múltiples o intervalos muy amplios.
 No proporciona información sobre la multiplicidad de la raíz ni su ubicación
exacta dentro del intervalo.
Aplicaciones:
 El método de la bisección se utiliza comúnmente en la búsqueda de raíces de
ecuaciones en diversas disciplinas, como matemáticas, ingeniería, física y
economía.
 Se aplica en situaciones donde se necesita encontrar una raíz con una precisión
aceptable, aunque a expensas de la eficiencia en términos de número de
iteraciones.

 Método de la Regla Falsa.

El Método de la Regla Falsa es un método numérico utilizado para encontrar
raíces de ecuaciones no lineales. También se conoce como el Método de la Regla
de la Secante Modificada, ya que es una modificación del Método de la Secante. A
diferencia del Método de la Bisección, el Método de la Regla Falsa converge más
rápidamente hacia la raíz de la función, pero requiere más cálculos en cada
iteración.
Procedimiento del Método de la Regla Falsa:
1. Selección de Intervalo Inicial: Se eligen dos puntos iniciales 0x0 y 1x1 tal
que la función cambie de signo entre estos dos puntos, lo que garantiza que
haya una raíz en el intervalo.
2. Cálculo del Punto Intermedio: Se calcula el punto intermedio 2x2
utilizando la fórmula:
(0)x2=x1−f(x1)−f(x0)f(x1)(x1−x0)
3. Evaluación de la Función: Se evalúa la función f(x2) en el punto
intermedio 2x2.
4. Actualización del Intervalo: Se selecciona el nuevo intervalo en base al
cambio de signo de la función en los puntos 0x0, 1x1, y 2x2. Si (2)f(x2)
tiene el mismo signo que (0)f(x0), entonces la raíz se encuentra en el
intervalo [2,1][x2,x1], de lo contrario, se encuentra en el intervalo [0,2][x0,x2
].
5. Iteración: Se repiten los pasos 2 a 4 hasta que se alcance una tolerancia
predefinida o se cumpla un número máximo de iteraciones.
Ventajas del Método de la Regla Falsa:
 Convergencia Rápida: El Método de la Regla Falsa tiende a converger
más rápidamente que el Método de la Bisección, especialmente cuando la
función tiene una raíz cercana.
 Eficiencia: En comparación con otros métodos más avanzados, como el
Método de Newton-Raphson, el Método de la Regla Falsa es más sencillo
de implementar y no requiere el cálculo de derivadas.
 Garantía de Convergencia: Siempre que se cumplan ciertas condiciones,
el Método de la Regla Falsa garantiza la convergencia hacia una raíz de la
función.
Desventajas del Método de la Regla Falsa:
 Mayor Número de Evaluaciones de la Función: En cada iteración, el
Método de la Regla Falsa requiere dos evaluaciones adicionales de la
función en comparación con el Método de la Bisección.
  Sensibilidad a la Elección del Intervalo Inicial: La eficacia del método
puede verse afectada por la selección inicial del intervalo, y si este intervalo
inicial no contiene una raíz, el método puede no converger.
En resumen, el Método de la Regla Falsa es un método numérico eficiente y
relativamente simple que se utiliza para encontrar raíces de ecuaciones no
lineales. Aunque converge más rápidamente que el Método de la Bisección,
requiere un mayor número de evaluaciones de la función en cada iteración.

Método de la Secante.

1. Inicialización: Selecciona dos puntos iniciales 0x0 y 1x1 cercanos a la raíz que se desea
encontrar.

2. Iteración: En cada iteración, se calcula la intersección de la línea secante con el eje x. Esta
intersección se utiliza como una nueva estimación de la raíz. La fórmula para encontrar el
siguiente punto +1xn+1 es:

3. Criterio de parada: Se repiten los pasos de iteración hasta que se alcance una precisión
deseada, es decir, cuando ∣(+1)∣∣f(xn+1)∣ sea suficientemente pequeño o cuando
∣+1−∣∣xn+1−xn∣ sea menor que una tolerancia predefinida.

Es importante tener en cuenta que el método de la secante puede no converger o converger muy
lentamente si los puntos iniciales 0x0 y 1x1 están demasiado alejados o si la función tiene
comportamientos complicados, como puntos de inflexión cercanos a la raíz buscada.
•Método de Newton-Raphson.

1. Inicialización: Selecciona un punto inicial 0x0 cercano a la raíz que se

desea encontrar.
2. Iteración: En cada iteración, se calcula la siguiente aproximación xn+1
utilizando la fórmula:

Donde:
 xn es la aproximación actual.
 f(xn) es el valor de la función en xn.
 f′(xn) es la derivada de la función en xn, es decir, la pendiente de la
tangente a la función en ese punto.
Criterio de parada: Se repiten los pasos de iteración hasta que se alcance una
precisión deseada, es decir, cuando (+1)∣∣f(xn+1)∣ sea suficientemente pequeño o
cuando ∣+1−∣∣xn+1−xn∣ sea menor que una tolerancia predefinida.
El método de Newton-Raphson puede converger rápidamente hacia la raíz si se
elige un buen punto inicial y si la función es suave y no tiene comportamientos
oscilatorios cerca de la raíz. Sin embargo, puede no converger o converger
lentamente si se elige un punto inicial lejos de la raíz, si la función tiene puntos de
inflexión cercanos a la raíz o si la derivada de la función se aproxima a cero en
algún punto.
3. Métodos Iterativos
• Concepto de iteración en métodos numéricos.

En el contexto de los métodos numéricos, una iteración se refiere al proceso

repetitivo de aplicar una regla o algoritmo específico para aproximar una solución
a un problema matemático. Estos métodos se utilizan cuando no es posible o
práctico encontrar una solución exacta de manera analítica, por lo que se recurre a
algoritmos iterativos que proporcionan aproximaciones sucesivas hasta alcanzar
una solución aceptable dentro de cierta precisión definida.

Las iteraciones en métodos numéricos tienen las siguientes características clave:

Proceso repetitivo: La idea fundamental de la iteración es repetir un conjunto de

pasos o cálculos una y otra vez. En cada iteración, se obtiene una nueva
aproximación que se utiliza como punto de partida para la siguiente iteración.

Convergencia: El objetivo de las iteraciones es converger hacia una solución que

satisfaga ciertos criterios predefinidos, como la precisión deseada o la satisfacción
de una condición específica.
Aproximación sucesiva: Cada iteración produce una mejor aproximación de la
solución deseada. A medida que se realizan más iteraciones, se espera que la
aproximación se acerque cada vez más a la solución exacta, siempre y cuando el
método sea convergente.
Criterio de convergencia: Los métodos iterativos suelen incluir un criterio de
convergencia que determina cuándo detener el proceso iterativo. Esto puede
basarse en la diferencia entre las aproximaciones sucesivas, en el valor de la
función objetivo, o en otros criterios específicos relacionados con el problema que
se está resolviendo.
Los métodos iterativos son ampliamente utilizados en una variedad de áreas,
incluyendo la resolución de sistemas de ecuaciones lineales y no lineales, la
optimización, la interpolación, la integración numérica y la resolución de
ecuaciones diferenciales. Ejemplos de métodos iterativos comunes incluyen el
método de Gauss-Seidel, el método de Jacobi, el método de Newton-Raphson, el
método de la secante, entre otros.
  Método de Punto Fijo.

Concepto Básico:
El Método de Punto Fijo se basa en la idea de convertir una ecuación =0f(x)=0 en
una forma iterativa de la siguiente manera:
+1=xn+1=g(xn)
Donde g(x) es una función que transforma x de tal manera que g(x)=x, es decir,x
es un punto fijo de la función g(x).
Pasos del Método de Punto Fijo:
1. Formulación de la función iterativa g(x): El primer paso es reformular la
ecuación original =0f(x)=0 en una forma x=g(x) donde g(x) es una función
que satisface g(x)=x. Esto puede implicar manipular algebraicamente la
ecuación original para aislar x en un lado de la ecuación.
2. Elección de una aproximación inicial 0x0: Se elige un valor inicial 0x0
para comenzar el proceso iterativo.
3. Iteración: Se aplica repetidamente la función g(x) a la aproximación inicial
0x0 para obtener nuevas aproximaciones 1,x2,x3,… de la siguiente manera:
xn+1=g(xn)
4. Criterio de convergencia: Se repiten los pasos de iteración hasta que se
alcance un criterio de convergencia predefinido, como una tolerancia
aceptable o cuando la diferencia entre dos aproximaciones sucesivas sea
suficientemente pequeña.
Convergencia del Método de Punto Fijo:
La convergencia del Método de Punto Fijo depende de la elección de la función
g(x) y de la aproximación inicial 0x0. En general, el método convergerá si:
 g(x) es una función continua en un intervalo que contiene la raíz de
=0f(x)=0.
 g(x) tiene una derivada en valor absoluto menor que 1 en dicho intervalo, es
decir, ∣′()∣<1∣g′(x)∣<1 para todo x en el intervalo.
Ejemplo:
Supongamos que queremos resolver la ecuación 2−3+2=0x2−3x+2=0 utilizando el
Método de Punto Fijo. Podemos reorganizar la ecuación como =132+23x=31
x2+32, y elegir =132+23g(x)=31x2+32 como nuestra función iterativa. A partir de
aquí, podemos seguir los pasos del método como se describió anteriormente.
En resumen, el Método de Punto Fijo es una técnica iterativa utilizada para
encontrar soluciones de ecuaciones no lineales, donde se transforma la ecuación
original en una forma iterativa y se aplica repetidamente una función para obtener
aproximaciones sucesivas de la solución. La convergencia del método depende de
la elección de la función iterativa y de la aproximación inicial.

Método de Jacobi.

Aquí te explico cómo funciona el Método de Jacobi:

1. Formulación del sistema de ecuaciones lineales: Consideremos un
sistema de ecuaciones lineales de la forma:
11+122+…1=1211+22+…=2⋮11+22+…a11x1+a12x2+…+a1nxna21x1+a22x2+…
+a2nxnan1x1+an2x2+…+annxn=b1=b2⋮=bn
Que puede ser representado de forma matricial como Ax=b, donde:
 A es la matriz de coeficientes del sistema.
 x es el vector de incógnitas.
 b es el vector de términos constantes.
2. Descomposición de la matriz de coeficientes: Se descompone la matriz
A en la suma de una matriz diagonal D, una matriz triangular inferior L y una
matriz triangular superior U:
A=D+L+U
Donde:
 D contiene los elementos diagonales de A.
 L contiene los elementos por debajo de la diagonal de A.
 U contiene los elementos por encima de la diagonal de A.
3. Iteración de Jacobi: Se inicia con una aproximación inicial (0)x(0) y se itera
utilizando la siguiente fórmula para cada iteración k:
x(k)=D−1(b−(L+U)x(k−1))
Donde −1D−1 es la inversa de la matriz diagonal D.
4. Criterio de convergencia: Se repiten las iteraciones hasta que se alcance
un cierto criterio de convergencia, que puede ser un número máximo de
iteraciones, una tolerancia para la diferencia entre dos iteraciones
consecutivas, o cualquier otro criterio predefinido.
El Método de Jacobi converge si la matriz A es diagonalmente dominante o si es
simétrica y definida positiva. Sin embargo, puede ser lento para converger,
especialmente en sistemas de ecuaciones mal condicionados o cuando la matriz
A tiene muchos elementos cero.

•Método de Gauss-Seidel.
1. Donde:
 D contiene los elementos diagonales y por debajo de la diagonal de
A.
 L contiene los elementos por debajo de la diagonal de A.
 U contiene los elementos por encima de la diagonal de A.
2. Iteración de Gauss-Seidel: Se inicia con una aproximación inicial (0)x(0) y
se itera utilizando la siguiente fórmula para cada iteración (−1))x(k)=(D+L)
−1(b−Ux(k−1))
Aquí, 1(D+L)−1 es la inversa de la matriz (D+L).
3. Criterio de convergencia: Se repiten las iteraciones hasta que se alcance
un cierto criterio de convergencia, similar al Método de Jacobi.
El Método de Gauss-Seidel converge más rápido que el Método de Jacobi para
sistemas de ecuaciones lineales, especialmente cuando la matriz A es
diagonalmente dominante o simétrica y definida positiva. Esto se debe a que
Gauss-Seidel utiliza las nuevas aproximaciones calculadas en cada iteración tan
pronto como estén disponibles, en lugar de esperar hasta que todas las
aproximaciones de la iteración anterior estén listas, como lo hace Jacobi.

4. Análisis de Convergencia y Estabilidad

  Definición de convergencia en métodos
numéricos.
En métodos numéricos, la convergencia se refiere a la propiedad de un algoritmo
o método iterativo de producir resultados que se aproximan cada vez más a la
solución exacta del problema a medida que se realizan más iteraciones.
Esencialmente, un método numérico converge si las aproximaciones sucesivas
que genera tienden a acercarse a la verdadera solución del problema.

Convergencia de una secuencia de aproximaciones: En el contexto de los

métodos iterativos, como el Método de Newton-Raphson, el Método de Jacobi, o
el Método de Gauss-Seidel, la convergencia se refiere a la propiedad de que la
secuencia de aproximaciones generadas por el método converge hacia la solución
exacta del problema.

Criterios de convergencia: Para determinar si un método numérico converge, es

común utilizar criterios de convergencia predefinidos. Estos criterios pueden
incluir:

La diferencia entre dos aproximaciones consecutivas es menor que una tolerancia

predefinida.
La diferencia entre el valor de la función en una aproximación y cero es menor que
una tolerancia predefinida.
El residuo del sistema de ecuaciones lineales es menor que una tolerancia
predefinida.
Otros criterios específicos del problema que se está resolviendo.
Tipos de convergencia:

Convergencia puntual: Se refiere a la convergencia de una secuencia de

aproximaciones a un único punto.
Convergencia uniforme: Se refiere a la convergencia de una secuencia de
aproximaciones en todo el dominio de interés.
Convergencia global: Se refiere a la convergencia de una secuencia de
aproximaciones desde cualquier punto inicial dentro de un dominio de interés.
Convergencia local: Se refiere a la convergencia de una secuencia de
aproximaciones desde puntos iniciales cercanos a la solución.
Factores que afectan la convergencia: La convergencia de un método numérico
puede estar influenciada por varios factores, como la elección del punto inicial, la
elección de los parámetros del método, la forma de la función, la precisión
numérica de los cálculos, entre otros.

En métodos numéricos, la convergencia es una propiedad fundamental que indica

la capacidad de un algoritmo para producir resultados precisos y consistentes a
medida que se realizan más iteraciones, y es un aspecto crucial a considerar al
seleccionar y aplicar métodos numéricos para resolver problemas matemáticos y
científicos.

 Condiciones de convergencia para los

métodos de solución de ecuaciones.
información

Las condiciones de convergencia son requisitos que deben cumplirse para

garantizar que un método de solución de ecuaciones converja hacia una solución
única y válida. Estas condiciones varían según el método utilizado y la naturaleza
del problema. Aquí están las condiciones de convergencia para algunos métodos
comunes de solución de ecuaciones:

Método de Newton-Raphson:

Continuidad y derivabilidad: La función debe ser continua y diferenciable en el

intervalo de interés.
Condiciones iniciales adecuadas: Se necesita una suposición inicial cercana a la
raíz verdadera. Si esta suposición inicial está demasiado lejos, el método podría
divergir.
Derivada no nula: La derivada de la función en el punto de aproximación no debe
ser cero, ya que dividir por cero conduciría a problemas en el cálculo de la
siguiente aproximación.
Condiciones de Lipschitz: La derivada debe ser acotada en el intervalo de interés
para garantizar la convergencia global.
Método de la Secante:

Similar al Método de Newton-Raphson, pero no requiere el cálculo de la derivada.

Sin embargo, las condiciones de continuidad y condiciones iniciales adecuadas
siguen siendo importantes.
Método de Jacobi y Método de Gauss-Seidel:

Matriz diagonalmente dominante: Para garantizar la convergencia, la matriz de

coeficientes del sistema de ecuaciones lineales debe ser diagonalmente
dominante. Esto significa que el valor absoluto de cada elemento diagonal debe
ser mayor o igual que la suma de los valores absolutos de los otros elementos en
la misma fila.
Matriz simétrica y definida positiva: Si la matriz es simétrica y definida positiva,
entonces el Método de Gauss-Seidel convergerá para cualquier estimación inicial
válida.
Método de Bisección:

Cambio de signo en los extremos del intervalo: El método de bisección requiere

que la función cambie de signo en los extremos del intervalo inicial para garantizar
la existencia de una raíz en el intervalo.

• Análisis de estabilidad y sensibilidad de los

métodos iterativos.

La estabilidad se refiere a la capacidad de un método iterativo para producir

resultados consistentes y confiables a pesar de pequeñas perturbaciones en los
datos de entrada o en el proceso de cálculo.
Un método iterativo se considera estable si los errores en las aproximaciones
sucesivas permanecen acotados a medida que avanza el proceso iterativo.
La estabilidad es esencial para garantizar que el método produzca resultados
útiles y confiables, incluso cuando se enfrenta a datos inexactos o condiciones de
entrada ligeramente modificadas.
Sensibilidad:

La sensibilidad se refiere a cómo cambian los resultados de un método iterativo en

respuesta a pequeñas variaciones en los datos de entrada.
Un método iterativo es sensible si pequeños cambios en los datos de entrada
conducen a grandes cambios en los resultados.
La sensibilidad puede ser problemática porque puede hacer que los resultados del
método sean poco confiables o inútiles si los datos de entrada tienen
incertidumbre o imprecisiones.
Análisis de estabilidad:

El análisis de estabilidad implica estudiar cómo se propagan los errores a lo largo

de las iteraciones de un método iterativo.
Se puede realizar mediante técnicas analíticas o numéricas, como el análisis de
estabilidad de von Neumann o mediante el estudio del comportamiento del método
en condiciones límite o extremas.
El objetivo del análisis de estabilidad es determinar bajo qué condiciones el
método converge y produce resultados precisos y confiables.
Análisis de sensibilidad:
El análisis de sensibilidad implica investigar cómo varían los resultados del método
en respuesta a cambios en los datos de entrada.
Puede implicar realizar experimentos numéricos donde se introducen pequeñas
variaciones en los datos de entrada y se observa cómo afectan los resultados del
método.
El objetivo del análisis de sensibilidad es identificar qué aspectos del problema o
del método son más susceptibles a errores o incertidumbres y cómo pueden
mitigarse estos efectos.