Cálculo Numérico / Numerical Analysis

Calculadora de Métodos Numéricos / Numerical Methods Calculator

Raíces · Sistemas lineales · Integración · Interpolación · EDOs — paso a paso, con verificación numérica y auditoría de 5 pasos.

OCR potenciado con reparación matemática automática. Detecta si el enunciado pide VARIOS métodos (bisección, falsa posición, Newton, secante, punto fijo) y los resuelve todos en lote con tabla comparativa. El texto extraído queda editable: revisa los avisos antes de calcular.

🧠 Analizar Problema (Texto o Foto) — OCR potenciado / AI OCR Problem Analyzer

Sube una foto/captura o pega el enunciado. El sistema normaliza errores típicos de OCR, extrae datos, elige el método, valida y resuelve.

Previsualización
Al extraer datos / On data extraction:

¿Qué puede resolver este sistema? / Capabilities

Raíces, sistemas lineales, integración, interpolación y EDOs. Los ejemplos se cargan automáticamente en el modo correcto.

17 métodos · 18 ejemplos / methods · examples
Importante: cada método incluye tabla de iteraciones, verificación numérica y auditoría de 5 pasos. Los botones «Probar» cargan el ejemplo directamente en el solucionador.

Método a aplicar / Method to Apply

Funciones permitidas / Allowed functions: sin cos tan exp ln log sqrt abs pi e

Solución paso a paso / Step-by-Step Solution

Resumen completo de métodos numéricos

Compendio profesional, artículo por artículo, de los 17 métodos numéricos implementados en esta calculadora. Cada entrada incluye concepto, fundamento matemático, algoritmo, ventajas, desventajas, criterios de uso y un ejemplo resuelto. Una referencia de estudio para estudiantes de ingeniería, física y matemáticas aplicadas.

17 artículos
01

Método de Bisección / Bisection Method

Raíces de ecuaciones

Concepto

El método de bisección es un procedimiento de búsqueda de raíces basado en el teorema de Bolzano (teorema del valor intermedio). Si una función continua f(x) cambia de signo en un intervalo [a, b], es decir, f(a)·f(b) < 0, entonces existe al menos una raíz real en dicho intervalo. El método divide sistemáticamente el intervalo por la mitad, conservando siempre el subintervalo donde se mantiene el cambio de signo, hasta alcanzar la tolerancia deseada.

Fundamento matemático

\(c_n = \dfrac{a_n + b_n}{2}\)

Algoritmo paso a paso

  1. Verificar que f sea continua en [a, b] y que f(a)·f(b) < 0 (condición de Bolzano).
  2. Calcular el punto medio: c = (a + b) / 2.
  3. Evaluar f(c).
  4. Si f(c) = 0 o |b − a| < tolerancia, detenerse: c es la raíz aproximada.
  5. Si f(a)·f(c) < 0, la raíz está en [a, c]; reasignar b = c. En caso contrario, reasignar a = c.
  6. Repetir desde el paso 2 hasta cumplir la tolerancia o el máximo de iteraciones.

Ventajas y desventajas

Ventajas
  • Convergencia garantizada si se cumple la hipótesis de Bolzano.
  • Robusto ante funciones con comportamiento irregular.
  • Fácil de implementar y entender.
Desventajas
  • Convergencia lineal (lenta): cada iteración gana aproximadamente 1 bit de precisión.
  • Requiere conocer previamente un intervalo con cambio de signo.
  • No detecta raíces de multiplicidad par (f no cambia de signo).
Cuándo usarlo: Es la opción ideal cuando se dispone de un intervalo con cambio de signo confirmado y se prefiere robustez por encima de velocidad. Recomendado para verificar resultados de métodos más rápidos como Newton.
Ejemplo resuelto

f(x) = x³ − x − 2 en [1, 2] con tolerancia 10⁻⁴.
Tras 14 iteraciones: x ≈ 1.52142 (raíz exacta ≈ 1.52138). f(1) = −2, f(2) = 4 (cambio de signo garantizado).

Probar bisección en la calculadora →
02

Método de Regla Falsa / False Position Method (Regula Falsi)

Raíces de ecuaciones

Concepto

Variante de la bisección que, en lugar de tomar el punto medio, utiliza la intersección de la cuerda secante que une los puntos (a, f(a)) y (b, f(b)) con el eje x. Esto acelera la convergencia para funciones suaves, ya que aprovecha la magnitud de las imágenes para estimar la posición de la raíz. Sin embargo, en funciones con fuerte curvatura puede estancarse manteniendo uno de los extremos fijo durante muchas iteraciones.

Fundamento matemático

\(c_n = \dfrac{a_n \cdot f(b_n) - b_n \cdot f(a_n)}{f(b_n) - f(a_n)}\)

Algoritmo paso a paso

  1. Verificar f(a)·f(b) < 0 (cambio de signo).
  2. Calcular c mediante la fórmula de la cuerda secante.
  3. Evaluar f(c).
  4. Si f(c) = 0 o el error < tolerancia, detenerse.
  5. Si f(a)·f(c) < 0, reasignar b = c; si no, reasignar a = c.
  6. Repetir hasta cumplir la tolerancia.

Ventajas y desventajas

Ventajas
  • Más rápido que la bisección para funciones casi lineales.
  • Mantiene la garantía de convergencia del teorema de Bolzano.
  • Requiere solo dos evaluaciones iniciales.
Desventajas
  • Puede estancarse en un extremo si la función tiene alta curvatura.
  • Su convergencia es solo lineal y puede ser más lenta que la de la bisección.
  • Se suele combinar con métodos de actualización del extremo fijo (Illinois, Pegasus).
Cuándo usarlo: Útil cuando se conoce un intervalo con cambio de signo y se desea una convergencia más rápida que la bisección sin requerir el cálculo de derivadas.
Ejemplo resuelto

f(x) = x³ − x − 2 en [1, 2] con tolerancia 10⁻⁴.
La aproximación converge en 8 iteraciones a x ≈ 1.52134 (raíz exacta ≈ 1.52138).

Probar regla falsa en la calculadora →
03

Método de Newton-Raphson / Newton-Raphson Method

Raíces de ecuaciones

Concepto

Método iterativo de convergencia cuadrática que utiliza la tangente a la curva en el punto actual. A partir de un valor inicial x₀, se traza la tangente a f(x) en (x₀, f(x₀)) y se toma su intersección con el eje x como la siguiente aproximación. Es el método más rápido cuando la derivada está disponible y el valor inicial está suficientemente cerca de la raíz.

Fundamento matemático

\(x_{n+1} = x_n - \dfrac{f(x_n)}{f'(x_n)}\)

Algoritmo paso a paso

  1. Elegir un valor inicial x₀ cercano a la raíz.
  2. Evaluar f(x₀) y su derivada f'(x₀).
  3. Aplicar la fórmula: x₁ = x₀ − f(x₀)/f'(x₀).
  4. Calcular el error: |x₁ − x₀| o error relativo.
  5. Si el error < tolerancia, detenerse.
  6. Reasignar x₀ = x₁ y repetir desde el paso 2.

Ventajas y desventajas

Ventajas
  • Convergencia cuadrática cerca de raíces simples: el número de cifras correctas casi se duplica en cada iteración.
  • Muy eficiente cuando f' es económica de calcular.
  • No requiere intervalo inicial, solo un punto.
Desventajas
  • Necesita la derivada f'(x), lo que puede no ser práctico.
  • Diverge si f'(x) ≈ 0 cerca de la raíz.
  • Puede saltar a otra raíz o alejarse si x₀ no es adecuado.
  • Falla en raíces múltiples (convergencia solo lineal).
Cuándo usarlo: Es la primera elección cuando se conoce la derivada analítica o se puede aproximar numéricamente, y se tiene una buena estimación inicial. Estándar en problemas de ingeniería y finanzas.
Ejemplo resuelto

f(x) = cos(x) − x con x₀ = 0.5, tolerancia 10⁻⁴.
Convergencia en 3-4 iteraciones a x ≈ 0.739085.

Probar Newton-Raphson en la calculadora →
04

Método de la Secante / Secant Method

Raíces de ecuaciones

Concepto

Aproximación del método de Newton que sustituye la derivada analítica por una diferencia finita calculada con los dos puntos anteriores. Solo necesita dos valores iniciales x₀ y x₁ y no requiere derivada. Su convergencia es superlineal, con orden igual al número áureo φ ≈ 1.618.

Fundamento matemático

\(x_{n+1} = x_n - f(x_n) \cdot \dfrac{x_n - x_{n-1}}{f(x_n) - f(x_{n-1})}\)

Algoritmo paso a paso

  1. Elegir dos valores iniciales x₀ y x₁ próximos entre sí y a la raíz.
  2. Evaluar f(x₀) y f(x₁).
  3. Calcular x₂ con la fórmula de la secante.
  4. Calcular el error |x₂ − x₁| o error relativo.
  5. Si el error < tolerancia, detenerse.
  6. Reasignar x₀ = x₁ y x₁ = x₂; repetir desde el paso 2.

Ventajas y desventajas

Ventajas
  • No requiere derivada analítica.
  • Convergencia superlineal (φ ≈ 1.618), más rápida que bisección.
  • Solo una evaluación nueva de f por iteración (reutiliza la anterior).
Desventajas
  • No hay garantía de convergencia (no usa Bolzano).
  • Si f(x_n) ≈ f(x_{n-1}), el denominador se anula y el método falla.
  • Convergencia más lenta que Newton.
Cuándo usarlo: Es el método de elección cuando la derivada no está disponible y se necesitan resultados rápidos. Muy usado en ingeniería para resolver ecuaciones no lineales acopladas.
Ejemplo resuelto

f(x) = e^(−x) − x con x₀ = 0, x₁ = 1, tolerancia 10⁻⁴.
Convergencia en 4 iteraciones a x ≈ 0.567143.

Probar secante en la calculadora →
05

Método de Punto Fijo / Fixed Point Iteration

Raíces de ecuaciones

Concepto

Reformula el problema f(x) = 0 como una ecuación equivalente x = g(x), donde g debe cumplir |g'(x)| < 1 en un entorno de la raíz (condición de convergencia). El método genera la sucesión \(x_{n+1} = g(x_n)\) que, bajo la hipótesis de contractividad, converge a la raíz.

Fundamento matemático

\(x_{n+1} = g(x_n)\)

Algoritmo paso a paso

  1. Reescribir f(x) = 0 como x = g(x) tal que |g'(x)| < 1 cerca de la raíz.
  2. Elegir un valor inicial x₀.
  3. Calcular x₁ = g(x₀).
  4. Calcular el error |x₁ − x₀| o relativo.
  5. Si el error < tolerancia, detenerse.
  6. Reasignar x₀ = x₁ y repetir desde el paso 3.

Ventajas y desventajas

Ventajas
  • Implementación extremadamente simple.
  • Si g es suave y contractiva, la convergencia está garantizada.
  • Convergencia cuadrática si g'(r) = 0 en la raíz r.
Desventajas
  • La elección de g(x) es crítica: una mala reformulación puede diverger.
  • Convergencia típicamente lineal (lenta).
  • Requiere verificar |g'(x)| < 1 antes de aplicarlo.
Cuándo usarlo: Útil en análisis teórico, demostraciones de existencia de raíces (teorema de Banach) y problemas donde la forma x = g(x) surge naturalmente, como en ecuaciones de equilibrio o en esquemas iterativos.
Ejemplo resuelto

f(x) = x³ − x − 2, reformulado como x = (x + 2)^(1/3), x₀ = 1.
Convergencia en 6 iteraciones a x ≈ 1.52137 (raíz exacta ≈ 1.52138).

Probar punto fijo en la calculadora →
06

Eliminación de Gauss / Gaussian Elimination

Sistemas lineales

Concepto

Método directo que transforma la matriz aumentada [A|b] en una forma triangular superior mediante operaciones elementales de fila (intercambio, multiplicación por escalar, suma entre filas). Una vez triangularizada, se obtiene la solución mediante sustitución regresiva, desde la última ecuación hacia arriba.

Fundamento matemático

\(x_i = \dfrac{b_i - \sum_{j=i+1}^{n} a_{ij} x_j}{a_{ii}} \quad \text{(sustitución regresiva)}\)

Algoritmo paso a paso

  1. Formar la matriz aumentada [A|b].
  2. Para cada columna k (1 a n−1): buscar el pivote máximo en la columna y, si es necesario, intercambiar filas (pivoteo parcial).
  3. Para cada fila i > k, calcular el factor m = a_{ik}/a_{kk}.
  4. Restar a la fila i la fila k multiplicada por m (anula a_{ik}).
  5. Tras obtener la forma triangular, aplicar sustitución regresiva.

Ventajas y desventajas

Ventajas
  • Método directo: no requiere iterar ni elegir una aproximación inicial.
  • El pivoteo parcial mejora la estabilidad numérica en la práctica.
  • Coste aproximado de n³/3 multiplicaciones (orden O(n³)); es la base de los solvers directos densos.
Desventajas
  • Solo detecta que la matriz es singular al encontrar un pivote nulo durante la eliminación.
  • Requiere pivotes no nulos (el pivoteo parcial lo evita cuando A es no singular).
  • Propaga errores de redondeo en matrices mal condicionadas.
Cuándo usarlo: Es el método por excelencia para sistemas pequeños y medianos (n ≤ 1000) donde se necesita la solución directa en una sola pasada (sin iterar). Base de los solvers de álgebra lineal.
Ejemplo resuelto

Sistema 3×3: 4x₁ − x₂ = 6, −x₁ + 4x₂ − x₃ = 6, −x₂ + 4x₃ = 6.
Solución: x₁ = x₃ = 15/7 ≈ 2.142857, x₂ = 18/7 ≈ 2.571429.

Probar eliminación de Gauss en la calculadora →
07

Método de Gauss-Jordan / Gauss-Jordan Elimination

Sistemas lineales

Concepto

Extensión de la eliminación de Gauss que continúa el proceso hasta obtener la forma reducida de Gauss-Jordan (matriz identidad en lugar de triangular). Una vez completado, la columna b contiene directamente la solución, sin necesidad de sustitución regresiva.

Fundamento matemático

\([\,I\,|\,x\,] \leftarrow \text{eliminar también por encima de la diagonal}\)

Algoritmo paso a paso

  1. Formar la matriz aumentada [A|b].
  2. Para cada columna k (1 a n): aplicar pivoteo parcial.
  3. Normalizar la fila k dividiendo por el pivote a_{kk}.
  4. Para cada fila i ≠ k, anular el elemento a_{ik} restando la fila k multiplicada por a_{ik}.
  5. Al finalizar, A se ha convertido en la identidad y b contiene la solución.

Ventajas y desventajas

Ventajas
  • La solución se lee directamente de la última columna, sin sustitución.
  • Útil para calcular la matriz inversa de A.
  • Fácil de implementar y entender.
Desventajas
  • Aproximadamente 50% más costoso que Gauss simple (O(n³)).
  • Más propenso a propagación de errores de redondeo que la eliminación estándar.
Cuándo usarlo: Se prefiere cuando se necesita la matriz inversa explícitamente, en problemas teóricos, o cuando la simplicidad de la lectura directa de la solución compensa el coste extra.
Ejemplo resuelto

El mismo sistema 3×3 anterior: tras Gauss-Jordan, la columna b queda [15/7, 18/7, 15/7] ≈ [2.1429, 2.5714, 2.1429].

Probar Gauss-Jordan en la calculadora →
08

Método de Jacobi / Jacobi Iterative Method

Sistemas lineales

Concepto

Método iterativo para sistemas lineales en el que todas las componentes del nuevo vector \(x^{(k+1)}\) se calculan exclusivamente con las componentes del vector \(x^{(k)}\) anterior. Esto lo hace especialmente apto para implementación paralela, ya que cada componente puede actualizarse de forma independiente.

Fundamento matemático

\(x_{i}^{(k+1)} = \dfrac{b_i - \sum_{j \neq i} a_{ij} x_{j}^{(k)}}{a_{ii}}\)

Algoritmo paso a paso

  1. Elegir un vector inicial x⁰ (típicamente el vector nulo).
  2. Verificar que A sea diagonalmente dominante (condición suficiente) o que su radio espectral ρ(M) < 1 (condición necesaria y suficiente).
  3. Para cada i, calcular \(x_{i}^{(k+1)}\) usando exclusivamente \(x^{(k)}\).
  4. Calcular el error: norma infinito de \(|x^{(k+1)} − x^{(k)}|\).
  5. Si el error < tolerancia, detenerse.
  6. Repetir hasta cumplir la tolerancia o el máximo de iteraciones.

Ventajas y desventajas

Ventajas
  • Paralelizable trivialmente (cada componente se calcula de forma independiente).
  • Bajo coste por iteración.
  • Útil cuando se dispone de un buen valor inicial.
Desventajas
  • La dominancia diagonal estricta es condición suficiente (no necesaria) de convergencia; el criterio exacto es ρ(M) < 1.
  • Más lento que Gauss-Seidel en la mayoría de casos.
  • Puede divergir si el sistema no es adecuado.
Cuándo usarlo: Es la opción adecuada para sistemas sparse (matrices ralas) muy grandes, en arquitecturas paralelas o cuando se quiere resolver de forma distribuida. Habitual en simulaciones de mallas y elementos finitos.
Ejemplo resuelto

Sistema exacto: 4x₁ − x₂ = 6, −x₁ + 4x₂ − x₃ = 6, −x₂ + 4x₃ = 6. Con x⁰ = (0, 0, 0), tol = 10⁻⁴.
Converge en 11 iteraciones a [15/7, 18/7, 15/7] ≈ [2.1429, 2.5714, 2.1429].

Probar Jacobi en la calculadora →
09

Método de Gauss-Seidel / Gauss-Seidel Iterative Method

Sistemas lineales

Concepto

Variante de Jacobi que utiliza inmediatamente el valor actualizado de \(x_i\) en el cálculo de los componentes siguientes. Esta actualización inmediata acelera la propagación de la información y, en la mayoría de los casos, suele reducir el número de iteraciones respecto a Jacobi, aunque no es una garantía matemática.

Fundamento matemático

\(x_{i}^{(k+1)} = \dfrac{b_i - \sum_{j<i} a_{ij} x_{j}^{(k+1)} - \sum_{j>i} a_{ij} x_{j}^{(k)}}{a_{ii}}\)

Algoritmo paso a paso

  1. Elegir vector inicial x⁰.
  2. Verificar diagonal dominante o convergencia del radio espectral.
  3. Para cada i (en orden), actualizar \(x_i\) usando las componentes ya actualizadas de la iteración actual y las anteriores para el resto.
  4. Calcular el error en norma infinito.
  5. Repetir hasta cumplir la tolerancia.

Ventajas y desventajas

Ventajas
  • Convergencia típicamente más rápida que Jacobi en sistemas típicos.
  • Menor uso de memoria: solo se necesita un vector x.
  • Implementación simple y natural en procesos secuenciales.
Desventajas
  • No es paralelizable trivialmente (dependencias entre componentes).
  • La convergencia está garantizada si A es diagonalmente dominante o simétrica definida positiva (condiciones suficientes); fuera de ellas puede diverger.
Cuándo usarlo: Es la elección por defecto para sistemas lineales iterativos en arquitecturas secuenciales, especialmente cuando A es diagonalmente dominante o simétrica definida positiva.
Ejemplo resuelto

Sistema exacto: 4x₁ − x₂ = 6, −x₁ + 4x₂ − x₃ = 6, −x₂ + 4x₃ = 6. Con x⁰ = (0, 0, 0), tol = 10⁻⁴.
Converge en 7 iteraciones a [15/7, 18/7, 15/7] ≈ [2.1429, 2.5714, 2.1429].

Probar Gauss-Seidel en la calculadora →
10

Regla del Trapecio / Trapezoidal Rule

Integración numérica

Concepto

Método de integración numérica que aproxima el área bajo la curva y = f(x) sustituyendo la función por polinomios lineales a trozos (trapecios). El intervalo [a, b] se divide en n subintervalos de ancho h = (b−a)/n, y en cada subintervalo el área se aproxima por la de un trapecio. Es el método compuesto más simple y robusto.

Fundamento matemático

\(I \approx \dfrac{h}{2} \left[ f(a) + 2 \sum_{i=1}^{n-1} f(x_i) + f(b) \right]\)

Algoritmo paso a paso

  1. Dividir [a, b] en n subintervalos iguales de ancho h = (b − a)/n.
  2. Evaluar f en los nodos x_i = a + i·h, i = 0, 1, …, n.
  3. Aplicar la fórmula compuesta del trapecio.
  4. El error global es O(h²), lo que implica que al doblar n el error se reduce ~4×.
  5. Comparar con la regla de Simpson 1/3 si n es par y se requiere mayor precisión.

Ventajas y desventajas

Ventajas
  • Funciona con cualquier n ≥ 2 (no impone paridad).
  • Robusto ante funciones poco suaves.
  • Coste computacional bajo: n + 1 evaluaciones.
Desventajas
  • Convergencia de orden 2, inferior a Simpson (orden 4).
  • Sobreestima el área si f es convexa (f″ > 0) y la subestima si es cóncava (f″ < 0).
Cuándo usarlo: Es el método base para integración numérica: se usa para validación, para integrar datos experimentales ruidosos, o cuando se desconoce la suavidad de la función integrando.
Ejemplo resuelto

∫₀¹ sin(x) dx con n = 10.
Resultado: I ≈ 0.4593 (valor exacto: 1 − cos(1) ≈ 0.4597).

Probar regla del trapecio en la calculadora →
11

Regla de Simpson 1/3 / Simpson's 1/3 Rule

Integración numérica

Concepto

Método de integración numérica que aproxima f por polinomios cuadráticos (parábolas) que pasan por tres puntos consecutivos. Requiere que el número de subintervalos n sea par. Su error global es O(h⁴), lo que lo hace considerablemente más preciso que el trapecio para la misma malla.

Fundamento matemático

\(I \approx \dfrac{h}{3} \left[ f(a) + 4 \sum_{\text{impar}} f(x_i) + 2 \sum_{\text{par}} f(x_i) + f(b) \right]\)

Algoritmo paso a paso

  1. Elegir n par. Nota: Si el usuario introduce un n impar, la calculadora ajustará automáticamente al siguiente número par y se lo notificará.
  2. Calcular h = (b − a)/n y los nodos x_i = a + i·h.
  3. Evaluar f en todos los nodos.
  4. Aplicar la fórmula: los nodos impares pesan 4, los pares intermedios pesan 2, los extremos pesan 1.
  5. El error global es O(h⁴), así al doblar n el error se reduce ~16×.

Ventajas y desventajas

Ventajas
  • Convergencia de orden 4: muy preciso para funciones suaves.
  • Bajo coste: solo n + 1 evaluaciones de f.
  • Es el método compuesto más usado en la práctica.
Desventajas
  • Requiere n par.
  • Asume f cuatro veces derivable; si f tiene discontinuidades, pierde eficiencia.
Cuándo usarlo: Es la primera elección para integración numérica en funciones suaves. Estándar en cálculo científico y en software matemático general.
Ejemplo resuelto

∫₀^π sin(x) dx con n = 10.
Resultado: I ≈ 2.000110 (valor exacto: 2).

Probar Simpson 1/3 en la calculadora →
12

Regla de Simpson 3/8 / Simpson's 3/8 Rule

Integración numérica

Concepto

Variante de Simpson que ajusta polinomios cúbicos (4 puntos) en lugar de cuadráticos. Requiere que n sea múltiplo de 3. Su error global es también O(h⁴), pero el coeficiente del error es mayor que en Simpson 1/3 (1/80 frente a 1/180 con el mismo h). Se suele combinar con Simpson 1/3 cuando n no es par ni múltiplo de 3.

Fundamento matemático

\(I \approx \dfrac{3h}{8} \left[ f(a) + 3 \sum_{j \neq 3k} f(x_j) + 2 \sum_{k} f(x_{3k}) + f(b) \right]\)

Algoritmo paso a paso

  1. Elegir n múltiplo de 3 (si no, ajustar).
  2. Calcular h = (b − a)/n y los nodos x_i.
  3. Aplicar la fórmula: nodos que no son múltiplos de 3 pesan 3, los múltiplos intermedios pesan 2.
  4. Error global O(h⁴).
  5. Útil cuando se desea combinar con Simpson 1/3 para n arbitrario.

Ventajas y desventajas

Ventajas
  • Útil cuando n es múltiplo de 3 y se desea usar cúbicos.
  • Mismo orden de error que 1/3.
Desventajas
  • Requiere n múltiplo de 3.
  • Coeficiente de error mayor que Simpson 1/3 con el mismo h.
  • Menos usado que 1/3 en la práctica.
Cuándo usarlo: Se usa en combinación con Simpson 1/3 cuando el número de subintervalos no es par ni múltiplo de 3, o cuando se desea explotar la suavidad cúbica de la función en algunos tramos.
Ejemplo resuelto

∫₀^π sin(x) dx con n = 12.
Resultado: I ≈ 2.000119 (valor exacto: 2).

Probar Simpson 3/8 en la calculadora →
13

Interpolación de Lagrange / Lagrange Interpolation

Interpolación

Concepto

Método de interpolación polinomial que, dados n+1 puntos (x_i, y_i) con x_i distintos, construye el único polinomio de grado n que pasa por todos ellos. No requiere malla uniforme ni diferencias divididas, y su formulación es compacta y elegante.

Fundamento matemático

\(P(x) = \sum_{i=0}^{n} y_i \, \ell_i(x), \quad \ell_i(x) = \prod_{j \neq i} \dfrac{x - x_j}{x_i - x_j}\)

Algoritmo paso a paso

  1. Recoger los n+1 puntos (x_i, y_i).
  2. Para cada i, construir el polinomio base ℓ_i(x) de grado n que vale 1 en x_i y 0 en los demás x_j.
  3. Calcular P(x) = Σ y_i · ℓ_i(x).
  4. Evaluar P en el punto x deseado.
  5. Verificar que el resultado es razonable (cuidado con el fenómeno de Runge para n grande).

Ventajas y desventajas

Ventajas
  • Permite mallas no uniformes.
  • Fórmula cerrada simple de un solo paso.
  • El polinomio es único: coincide con el de Newton DD.
Desventajas
  • Al añadir un nuevo punto, todos los ℓ_i cambian (hay que recalcular todo).
  • Sufre el fenómeno de Runge con muchos puntos equiespaciados.
  • Ineficiente para muchos puntos.
Cuándo usarlo: Es la elección ideal cuando el número de puntos es moderado (n ≤ 10) y no se espera añadir nuevos datos. Se prefiere por su simplicidad en cursos introductorios de análisis numérico.
Ejemplo resuelto

Puntos: (0,1), (1,2), (2,5), (3,10).
P(1.5) = 3.25 (polinomio cúbico único que pasa por los 4 puntos).

Probar Lagrange en la calculadora →
14

Diferencias Divididas de Newton / Newton's Divided Differences

Interpolación

Concepto

Forma alternativa del polinomio interpolador que lo construye incrementalmente mediante diferencias divididas. A diferencia de Lagrange, añadir un nuevo punto solo requiere calcular una nueva diferencia dividida de orden superior, sin recalcular las anteriores.

Fundamento matemático

\(P(x) = f[x_0] + f[x_0,x_1](x-x_0) + f[x_0,x_1,x_2](x-x_0)(x-x_1) + \cdots\)

Algoritmo paso a paso

  1. Ordenar los puntos (x_i, y_i).
  2. Construir la tabla de diferencias divididas: f[x_i, …, x_{i+k}] = (f[x_{i+1}, …, x_{i+k}] − f[x_i, …, x_{i+k−1}]) / (x_{i+k} − x_i).
  3. Leer la primera fila: f[x_0], f[x_0, x_1], f[x_0, x_1, x_2], … son los coeficientes.
  4. Evaluar P(x) con la forma anidada (esquema de Horner) para eficiencia.
  5. Para añadir un punto, extender la tabla una columna más.

Ventajas y desventajas

Ventajas
  • Añadir puntos es O(n) (una nueva diferencia dividida), no O(n²).
  • Forma anidada permite evaluación eficiente y estable.
  • Permite construir variantes como diferencias hacia adelante/atrás para puntos equiespaciados.
Desventajas
  • Para muchos puntos equiespaciados, sigue sufriendo el fenómeno de Runge.
  • Ligeramente más complejo de codificar que Lagrange.
Cuándo usarlo: Es la elección preferente cuando se prevé añadir más puntos al conjunto de datos o cuando se desea estimar el error de interpolación mediante las diferencias divididas.
Ejemplo resuelto

Puntos: (0,1), (1,2), (2,5), (3,10).
P(1.5) = 3.25 (mismo polinomio que Lagrange).

Probar Newton DD en la calculadora →
15

Método de Euler / Euler's Method

Ecuaciones diferenciales

Concepto

Método numérico de un solo paso para resolver problemas de valor inicial y' = f(x, y), y(x₀) = y₀. Avanza un paso h desde (x_n, y_n) usando la pendiente de la tangente: y_{n+1} = y_n + h · f(x_n, y_n). Es el método de integración más simple y constituye la base conceptual de los métodos de Runge-Kutta.

Fundamento matemático

\(y_{n+1} = y_n + h \cdot f(x_n, y_n)\)

Algoritmo paso a paso

  1. Definir el PVI: y' = f(x, y), y(x₀) = y₀, hasta x_f con paso h.
  2. Calcular el número de pasos N = (x_f − x₀)/h.
  3. En cada paso: y_{n+1} = y_n + h · f(x_n, y_n).
  4. Avanzar x_{n+1} = x_n + h.
  5. Repetir hasta alcanzar x_f.
  6. El error global es O(h); el local (por paso) es O(h²).

Ventajas y desventajas

Ventajas
  • Extremadamente simple de implementar.
  • Útil para análisis cualitativo y bocetos de soluciones.
  • Punto de partida para métodos más sofisticados.
Desventajas
  • Convergencia lenta: hay que reducir h mucho para ganar precisión.
  • Inestable para problemas rígidos (stiff).
  • Acumula error sistemáticamente en una dirección.
Cuándo usarlo: Se reserva para enseñar el concepto de integración numérica o para estimaciones rápidas y cualitativas. En la práctica, casi siempre se prefiere Heun o RK4.
Ejemplo resuelto

y' = x + y, y(0) = 1, hasta x = 1 con h = 0.1.
y(1) ≈ 3.1875 (solución exacta: y = 2eˣ − x − 1, así que y(1) = 2e − 2 ≈ 3.4366; el error ≈ 0.25 es normal en un método de orden 1 con h = 0.1).

Probar Euler en la calculadora →
16

Método de Heun (Euler Mejorado) / Heun's Method (Improved Euler)

Ecuaciones diferenciales

Concepto

Método predictor-corrector de orden 2. Predice el siguiente punto con Euler (k1 = f(x_n, y_n)), luego corrige calculando la pendiente en el punto predicho (k2 = f(x_n + h, y_n + h·k1)) y promediando ambas pendientes. Equivale a un Runge-Kutta de orden 2.

Fundamento matemático

\(y_{n+1} = y_n + \dfrac{h}{2} \big( k_1 + k_2 \big), \; k_1 = f(x_n, y_n), \; k_2 = f(x_n+h, y_n + h k_1)\)

Algoritmo paso a paso

  1. Calcular la pendiente inicial k₁ = f(x_n, y_n).
  2. Predecir: y* = y_n + h · k₁ (paso de Euler).
  3. Calcular la pendiente corregida k₂ = f(x_n + h, y*).
  4. Actualizar: y_{n+1} = y_n + (h/2) · (k₁ + k₂).
  5. Avanzar x_{n+1} = x_n + h y repetir.
  6. Error global O(h²), local O(h³).

Ventajas y desventajas

Ventajas
  • Convergencia de orden 2: cuadruplica la precisión al reducir h a la mitad.
  • Solo dos evaluaciones de f por paso.
  • Buen compromiso entre simplicidad y precisión.
Desventajas
  • Menos preciso que RK4 para el mismo h.
  • Puede ser inestable en problemas rígidos.
  • Requiere evaluar f dos veces por paso.
Cuándo usarlo: Es la elección natural cuando se desea más precisión que Euler sin llegar al coste de RK4. Muy usado en simulaciones de sistemas físicos no rígidos.
Ejemplo resuelto

y' = x + y, y(0) = 1, hasta x = 1 con h = 0.1.
y(1) ≈ 3.4282 (valor exacto 3.4366; error ≈ 0.008, unas 30 veces menor que el de Euler).

Probar Heun en la calculadora →
17

Método de Runge-Kutta de Orden 4 (RK4) / Fourth-Order Runge-Kutta (RK4)

Ecuaciones diferenciales

Concepto

Método clásico de un solo paso que promedia cuatro pendientes evaluadas en distintos puntos del intervalo. Combina la pendiente al inicio (k₁), dos pendientes intermedias (k₂, k₃) y la pendiente al final (k₄), ponderadas como 1-2-2-1. Es el estándar de facto para integración numérica de EDOs no rígidas.

Fundamento matemático

\(y_{n+1} = y_n + \dfrac{h}{6} (k_1 + 2k_2 + 2k_3 + k_4)\)

Algoritmo paso a paso

  1. k₁ = f(x_n, y_n) — pendiente al inicio.
  2. k₂ = f(x_n + h/2, y_n + h·k₁/2) — pendiente en el punto medio usando k₁.
  3. k₃ = f(x_n + h/2, y_n + h·k₂/2) — pendiente en el punto medio usando k₂.
  4. k₄ = f(x_n + h, y_n + h·k₃) — pendiente al final usando k₃.
  5. Actualizar: y_{n+1} = y_n + (h/6)·(k₁ + 2k₂ + 2k₃ + k₄).
  6. Error global O(h⁴): al reducir h a la mitad, el error se divide ~16×.

Ventajas y desventajas

Ventajas
  • Convergencia de orden 4: muy preciso con pasos moderados.
  • Estable para la mayoría de problemas no rígidos.
  • Equilibrio excelente entre coste (4 evaluaciones) y precisión.
Desventajas
  • Requiere cuatro evaluaciones de f por paso.
  • No es óptimo para problemas rígidos (se prefieren métodos implícitos como BDF).
  • El control adaptativo del paso requiere variantes (RK45, Dormand-Prince).
Cuándo usarlo: Es la elección por defecto para integrar EDOs no rígidas en ingeniería y física. Estándar en software como MATLAB (ode45), SciPy y simuladores dinámicos.
Ejemplo resuelto

y' = x + y, y(0) = 1, hasta x = 1 con h = 0.1.
y(1) ≈ 3.43656, coincide con el valor exacto 2e − 2 ≈ 3.43656 hasta 5 decimales (error ≈ 4×10⁻⁶).

Probar RK4 en la calculadora →
Nota pedagógica: Cada artículo es autónomo y puede leerse de forma independiente. Para profundizar en la teoría, consulta manuales clásicos como Análisis Numérico de Burden & Faires, Métodos Numéricos para Ingenieros de Chapra & Canale o Matemáticas Avanzadas para Ingeniería de Kreyszig. Esta calculadora es un apoyo computacional y no sustituye el estudio formal de la asignatura.