METODOS NUMERICOS I

• Autor: Ing. William Chauca Nolasco

ERRORES DE TRUNCAMIENTO
Y LA SERIE DE TAYLOR
Los errores de truncamiento son aquellos que resultan al usar una
aproximación en lugar de un procedimiento matemático exacto.
LA SERIE DE TAYLOR
El teorema de Taylor (véase cuadro 4.1) y su fórmula, la serie de Taylor, es de gran
valor en el estudio de los métodos numéricos. En esencia, la serie de Taylor
proporciona un medio para predecir el valor de una función en un punto en términos
del valor de la función y sus derivadas en otro punto. En particular, el teorema
establece que cualquier función suave puede aproximarse por un polinomio.
Una buena manera de comprender la serie de Taylor consiste en construirla término
por término. Por ejemplo, el primer término de la serie es:
4.2

Esta relación, llamada la aproximación de orden cero, indica que el valor de f en el

nuevo punto es el mismo que su valor en el punto anterior. Tal resultado tiene un
sentido intuitivo, ya que si xi y xi+1 están muy próximas entre sí, entonces es muy
probable que el nuevo valor sea similar al anterior.
La ecuación (4.2) ofrece una estimación perfecta si la función que se va a aproximar es,
de hecho, una constante. Sin embargo, si la función cambia en el intervalo, entonces se
requieren los términos adicionales de la serie de Taylor, para obtener una mejor
aproximación. Por ejemplo, la aproximación de primer orden se obtiene sumando otro
término para obtener:

4.3

El término adicional de primer orden consiste en una pendiente f ′(xi) multiplicada por la
distancia entre xi y xi+1. Por lo tanto, la expresión representa ahora una línea recta y es
posible predecir un incremento o un decremento de la función entre xi y xi+1.
Aunque la ecuación (4.3) puede predecir un cambio, sólo es exacta para una línea recta
o una tendencia lineal. Por lo tanto, se le agrega a la serie un término de segundo orden
para obtener algo de la curvatura, que pudiera presentar la función:

4.4
De manera similar, se agregan términos adicionales para desarrollar la expansión
completa de la serie de Taylor:

4.5

Observe que debido a que la ecuación (4.5) es una serie infinita, el signo igual reemplaza
al signo de aproximación que se utiliza en las ecuaciones (4.2) a (4.4). Se incluye un
término residual para considerar todos los términos desde el n + 1 hasta infinito:

4.6

donde el subíndice n indica que éste es el residuo de la aproximación de n-ésimo orden y

x es un valor de x que se encuentra en algún punto entre xi y xi+1. La x es tan importante
que se dedica un estudio mas completo. Por ahora es suficiente darse cuenta de que
existe este valor que da una estimación exacta del error.
Con frecuencia es conveniente simplificar la serie de Taylor definiendo un tamaño de
paso o incremento h = xi+1 – xi y expresando la ecuación (4.5) como:

4.7
 donde el término residual es ahora

4.8

Aproximaciones de un polinomio mediante la serie de Taylor

Planteamiento del problema. Use expansiones de la serie de Taylor de los órdenes
cero hasta cuatro para aproximar la función

desde xi = 0 con h = 1. Esto es, prediga el valor de la función en xi+1 = 1.

Ya que se trata de una función conocida, es posible calcular valores de f(x) entre 0 y
1. La función empieza en f(0) = 1.2 hasta f(1) = 0.2. Por lo tanto, el valor verdadero
que se trata de predecir es 0.2.
La aproximación de la serie de Taylor con n = 0 es [ecuación (4.2)]

la aproximación de orden cero es una constante. Usando esta formulación resulta

un error de truncamiento
que se emplea para calcular f(1) = 0.9

De esta manera, el error de truncamiento se reduce a

Et = 0.2 – 0.95 = –0.75

Entonces, de acuerdo con la ecuación (4.4)

y sustituyendo h = 1, f(1) = 0.45. Al incluirse la segunda derivada se añade una
curvatura descendente que proporciona una mejor estimación. Además, el error de
truncamiento se reduce a 0.2 – 0.45 = –0.25.
Los términos adicionales mejoran aún más la aproximación. En efecto, la inclusión de
la tercera y de la cuarta derivadas da como resultado exactamente la misma ecuación
del principio:
En general, la expansión de la serie de Taylor de n-ésimo orden será exacta para un
polinomio de n-ésimo orden. Para otras funciones continuas y diferenciables, como
las exponenciales y las senoidales, no se obtiene una estimación exacta con un
número finito de términos. Cada uno de los términos adicionales contribuye, aunque
sea con poco, al mejoramiento de la aproximación.
Uso de la expansión de la serie de Taylor para aproximar una función con un número
infinito de derivadas

Solución. el conocimiento de la función original implica que se puede determinar el valor

exacto de f(p/3) = 0.5.
La aproximación de orden cero es [ecuación (4.3)]
Sin embargo, observe también que la mejor aproximación se consigue con los
primeros términos. En este caso, al agregar el tercer término, el error se redujo al
2.62 × 10–2%, lo cual significa que se alcanzó el 99.9738% del valor exacto. Por
consiguiente, aunque se le agreguen más términos a la serie el error decrece,
aunque la mejoría será mínima.
RAICES DE ECUACIONES
 ECUACIONES NO LINEALES – METODO
GRAFICO- METODO CERRADO - ABIERTO
Estos puntos se grafican en la figura. La curva resultante
cruza el eje c entre 12 y 16. Un vistazo a la gráfica
proporciona una aproximación a la raíz de 14.75. La
validez de la aproximación visual se verifica sustituyendo
su valor en la ecuación para obtener
Las técnicas gráficas tienen un valor práctico limitado, ya que no
son precisas. Sin embargo, los métodos gráficos se utilizan para
obtener aproximaciones de la raíz. Dichas aproximaciones se
pueden usar como valores iniciales en los métodos numéricos
Formas generales en que puede
ocurrir una raíz en un intervalo
preescrito por los límites inferior xl y
superior xu. Las fi guras a) y c)
muestran que si f(xl) y f(xu) tienen el
mismo signo, entonces no habrá
raíces dentro del intervalo o habrá
un número par de ellas. Las fi guras
b) y d) muestran que si la función
tiene signos diferentes en los puntos
extremos, entonces habrá un
número impar de raices dentro del
intervalo
MÉTODO DEL PUNTO FIJO
function Punto(g,x)
% g es la funcion
% x es el valor inicial del intervalo
%raiz valor de la solucion
error=0.0001;
ntol=50; >> Punto(inline('log(x)+2'),3)
k=0; 0 3.000000
fprintf('%5d %12.6f\n',k,x); 1 3.098612 0.098612
while 1 2 3.130954 0.032342
x0=x; 3 3.141338 0.010384
x=feval(g,x0); 4 3.144649 0.003311
k=k+1; 5 3.145702 0.001053
difer=x-x0; 6 3.146037 0.000335
fprintf('%5d %12.6f %12.6f\n',k,x,difer) 7 3.146144 0.000106
if (abs(x-x0)<=error) | (k==ntol) 8 3.146177 0.000034
raiz=x; 3.146177
fprintf('%12.6f\n',raiz)
break
end
end
end
Por el método de punto fijo obtener la raíz f(x)= e(-x) para x0 = 0.568

>> Punto(inline('exp(-x)'),0.568)
0 0.56800
1 0.56666 -0.00134
2 0.56742 0.00076
3 0.56699 -0.00043

raiz =

0.5670
METODO DE PUNTO FIJO – AUTOR: NIEVES
 MÉTODOS GRÁFICOS

Como auxiliares en la comprensión visual de los

métodos numéricos tantos cerrados como abiertos,
para identificar el número de posibles raíces y la
identificación de casos en los que los métodos abiertos
no funcionan.
 MÉTODO GRÁFICO

f(x)

Visual

x
xr
 MÉTODO GRÁFICO
x f(x)
-x
f( x ) = e -x
0 1
0.05 0.90122942
0.1 0.80483742
0.15 0.71070798 1

0.2 0.61873075
0.25 0.52880078 0.8

0.3 0.44081822
0.35 0.35468809 0.6

0.4 0.27032005
0.4
0.45 0.18762815
0.5 0.10653066 0.57
0.2
0.55 0.02694981
0.6 -0.05118836 0

0.65 -0.12795422 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5 0.55 0.6 0.65 0.7 0.75 0.8 0.85 0.9 0.95 1

0.7 -0.2034147 -0.2

0.75 -0.27763345
0.8 -0.35067104 -0.4

0.85 -0.42258507
-0.6
0.9 -0.49343034
0.95 -0.56325898 -0.8
1 -0.63212056
 MÉTODO DE BISECCIÓN
f(x)

1. Consiste en considerar un intervalo (xi, xs) en

el que se garantice que la función tiene raíz.

x
 MÉTODO DE BISECCIÓN

f(x)

f ( x i ).f ( x s ) < 0
f(xi)

2.- El segmento se bisecta, tomando el

punto de bisección xr como

aproximación de la raíz buscada.

xi xs x

f(xs)
 xi + xs • Es la fórmula de recurrencia para
f(x) xr = el método de bisección que es
2 igual al promedio de los valores
inferior y superior de los
f(xi)
extremos del intervalo.
Se identifica luego en cuál de los dos
intervalos está la raíz.
El proceso se repite n veces, hasta que el
punto de bisección xr coincide
prácticamente con el valor exacto de la
raíz.
f(xr)
xi xr xs x

f(xs)
f(x)

xi + xs
xr =
2

f(xr)
xi xr xs x

f(xs)
Problema: Calcular por el método de la biseccion la
ecuacion no lineal f(x) = e-x-x, para x [0 1], Error = 0.0001
Solucion: Primero calculamos los valores de f(Xi) =F(0) así como
el de f(Xs)=F(1)
F(0) =e-0-0 = 1 , para F(1) = e-1-1 = -0.632120559 comprobando la
condición f(Xi)*f(Xs)<0 entonces (1) * ( -0.632120559) < 0
procedemos a realizar el calculo hasta obtener la raiz aproximada
según la tolerancia dada.

Elaboraremos una tabla de cálculos en Excel para ver como se va

aproximando a la raiz de la ecuacion dada.
Raiz Aproximada
ITERA Xi Xs f(Xi) f(Xs) Xr f(Xr) Error
1 2 4 0.693147181 -0.613705639 3 0.098612289
2 3 4 0.098612289 -0.613705639 3.5 -0.247237032 50
3 3 3.5 0.098612289 -0.247237032 3.25 -0.071345004 25
4 3 3.25 0.098612289 -0.071345004 3.125 0.014434283 12.5
5 3.125 3.25 0.014434283 -0.071345004 3.1875 -0.02826309 6.25
6 3.125 3.1875 0.014434283 -0.02826309 3.15625 -0.006865386 3.125
7 3.125 3.15625 0.014434283 -0.006865386 3.140625 0.003796825 1.5625
8 3.140625 3.15625 0.003796825 -0.006865386 3.1484375 -0.001531202 0.78125
9 3.140625 3.1484375 0.003796825 -0.001531202 3.14453125 0.001133583 0.390625
10 3.14453125 3.1484375 0.001133583 -0.001531202 3.146484375 -0.000198617 0.1953125
11 3.14453125 3.146484375 0.001133583 -0.000198617 3.145507813 0.000467531 0.09765625
12 3.145507813 3.146484375 0.000467531 -0.000198617 3.145996094 0.000134469 0.048828125
13 3.145996094 3.146484375 0.000134469 -0.000198617 3.146240234 -0.000032071 0.024414063
14 3.145996094 3.146240234 0.000134469 -0.0000320708 3.146118164 0.000051200 0.012207031
15 3.146118164 3.146240234 0.00005120 -0.0000320708 3.146179199 0.000009565 0.006103516
16 3.146179199 3.146240234 0.00000956 -0.0000320708 3.146209717 -0.000011253 0.003051758
17 3.146179199 3.146209717 0.00000956 -0.0000112530 3.146194458 -0.000000844 0.001525879
18 3.146179199 3.146194458 0.00000956 -0.0000008441 3.146186829 0.000004360 0.000762939
19 3.146186829 3.146194458 0.00000436 -0.0000008441 3.146190643 0.000001758 0.00038147
20 3.146190643 3.146194458 0.00000176 -0.0000008441 3.146192551 0.000000457 0.000190735
21 3.146192551 3.146194458 0.00000046 -0.0000008441 3.146193504 -0.000000194 0.0000953674

Raiz Aproximada
 Método de la Biseccion
Sea la ecuacion f(x)=3x2-2x-10, encuentre las posibles raices de la
ecuacion, use el método grafico, y encuentre el error aproximado
Primera Raiz
Segunda Raiz
código para la función que implementa el método de bisección en
Fortran – CHAPRA V-ED.
%%Programa por método de biseccion
if ea<es
%% fortran a matlab
break
clear all
end
clc
end
xl=2; % 2; %0;
Bisect = xr
xu=3; %4; %1;
xr=0.25; es=0.001;
imax=100; iter=0; El archivo function tiene el nombre de f.m
while (iter<imax)
xrold = xr; function bisect = f(x )
xr = (xl + xu)/2; %bisect=exp(-x)-x;
iter = iter + 1; %bisect=log(x)-x+2;
if xr ~= 0 bisect=3*x^2-2*x-10;
ea=abs((xr -xrold)/xr)*100; end
end
test = f(xl) * f(xr);
if test<0
xu = xr;
elseif test>0
xl = xr;
else
ea = 0;
end
El código de la bisección anterior es adecuado si se quiere realizar la evaluación
de una sola raíz de una función que es fácil de evaluar. Sin embargo, hay muchos
casos en ingeniería que no son así. Por ejemplo, suponga que se quiere
desarrollar un programa computacional que localice varias raíces. En tales casos,
se tendría que llamar al programa anterior miles o aun millones de veces en el
transcurso de una sola ejecución.

Debido a ambos factores es imperativo que los algoritmos numéricos minimicen

las evaluaciones de una función. A la luz de estas consideraciones, el programa
anterior es deficiente. En particular, observe que al hacer dos evaluaciones de
una función por iteración, vuelve a calcular una de las funciones que se
determinó en la iteración anterior.

El programa siguiente proporciona un algoritmo modificado que no tiene esta

deficiencia. Se han puesto un comentario en las líneas que difieren del programa
anterior. En este caso, únicamente se calcula el valor de la nueva función para
aproximar la raíz. Los valores calculados previamente son guardados y
simplemente reasignados conforme el intervalo se reduce. Así, las 2n
evaluaciones de la función se reducen a n + 1.
%%Programa mejorado elseif test>0
clear all xl = xr;
clc fl=fr; %Linea adicionada
xl=2; % 2; %0; else
xu=3; %4; %1; ea = 0;
xr=0.25; end
es=0.001; if ea<es
imax=100; break
iter=0; end
fl = f(xl); %Linea adicionada end
while (iter<imax) disp('Nuevo cambios al anterior programa')
xrold = xr; Bisect = xr
xr = (xl + xu)/2;
fr = f(xr); %Linea adicionada
iter = iter + 1;
if xr ~= 0
ea=abs((xr -xrold)/xr)*100;
end
test = fl * fr; %Linea cambiada
if test<0
xu = xr;
 METODO DE NEWTON RAPHSON

Algoritmo de Newton Raphson

Interpretación grafica del método de Newton Raphson
 MÉTODO DE REGULA FALSI
Soluciona ecuaciones no lineales tipo f(x)=0
Requisitos para empezar: lo mismo que en el Método de Bisección

Este método es similar al de la bisección salvo que la siguiente

iteración se toma en la intersección de una recta entre el par de
valores x y el eje de las abscisas en lugar de tomar el punto medio. El
reemplazo de la curva por una línea recta da una “posición falsa” de la
raíz, de aquí el nombre de método de la regla falsa.
Para aplicarlo se eligen los extremos xL y xU del intervalo entre los
que se encuentra la raíz, verificando que se cumpla que f(xL). f(xU)
< 0. Si se observa la Figura, por semejanza de triángulos, puede
escribirse la siguiente igualdad:
Y despejando de la expresión el valor
de xM, que es una aproximación de la
raíz, se obtiene la siguiente fórmula de
iteración o recurrencia:

f(xU)

El valor de xM, calculado con la

ecuación anterior, reemplaza a uno de
los dos valores, xL o xU que produzca un
valor de la función que tenga el mismo
signo de f(xM). De esta manera los
valores xL y xU siempre encierran a la
f(xL) raíz.
Si f(xM)=0 el proceso termina.
Si f(xM) tiene el mismo signo de f(xL), el próximo paso es elegir
xL = xM y xU = xU.
Si f(xM) tiene el mismo signo de f(xU) el próximo paso es elegir
x L = x L y x U = x M.
El proceso se repite en la misma forma hasta llegar a la cota de
error.

Algoritmo para el método de la Falsa Posición

Permite encontrar una solución a la ecuación f(x)=0, dada la función continua f
en el intervalo [xL, xU], considerando la siguiente notación:
xL: límite inferior del intervalo considerado
xU: límite superior del intervalo considerado
xM: raíz aproximada
f(xL): valor de la función en xL
f(xU): valor de la función en xU
E: cota de error o criterio de detención
N: número máximo de iteraciones
Aplicación:
Utilice el método de la posicion falsa para obtener una raiz real del
polinomio 3 2
f(x) = x +2x +10x-20
Solucion: Implementado en una hoja de calculo
Código en MatLab para la regla falsa
%Metodo de la regla falsa
function raiz=reglafalsa(fdex,i,s,e)
j=1;
fi=feval(fdex,i);
fs=feval(fdex,s);
r=((i*fs)-(s*fi))/(fs-fi);
fr=feval(fdex,r);
h=abs(r);
if fi*fs<0
ep=100;
ant=0;
fprintf(' Nro i r s fi fr fs ep\n')
fprintf('-----------------------------------------------------------------------------------------------------------------------\n')
while h>e
fi=feval(fdex,i);
fs=feval(fdex,s);
r=((i*fs)-(s*fi))/(fs-fi);
fr=feval(fdex,r);
ep=abs((r-ant)/r)*100;
fprintf('%5d %8.6f %8.6f %8.6f %8.6f %8.6f %8.6f %8.4f\n',j,i,r,s,fi,fr,fs,ep);
ant=r;
h=abs(fr);
j=j+1;
if fi*fr<0
s=r;
else
i=r
end
end
else
fprintf('Cambiar limites');
end
function y=fdex(x)
y=exp(-x)-x;
end
Ejecución del programa en la ventana de comandos
>> reglafalsa('fdex',0,1,0.00001)
Nro i r s fi fr fs ep
---------------------------------------------------------------------------------------------------------------------
1 0.000000 0.612700 1.000000 1.000000 -0.070814 -0.632121 100.0000
2 0.000000 0.572181 0.612700 1.000000 -0.007888 -0.070814 7.0814
3 0.000000 0.567703 0.572181 1.000000 -0.000877 -0.007888 0.7888
4 0.000000 0.567206 0.567703 1.000000 -0.000098 -0.000877 0.0877
5 0.000000 0.567150 0.567206 1.000000 -0.000011 -0.000098 0.0098
6 0.000000 0.567144 0.567150 1.000000 -0.000001 -0.000011 0.0011
%Programa aplicando el metodo de la regla falsa
%Autor: WIWI&DATA
clear all
clc
xl=input('Ingrese valor inferior del intervalo: ');
xu=input('Ingrese valor superior del intervalo: ');
error=input('Ingrese error: ');
fxl=xl^3+2*xl^2+10*xl-20; %Funcion
fxu=xu^3+2*xu^2+10*xu-20; %Funcion
i=1;
maxiter=100;
xm=xu-((xu-xl)*fxu)/(fxu-fxl);
while abs(xm)>error
fxm=xm^3+2*xm^2+10*xm-20; %Funcion
if (fxl<0 & fxm<0)
xl=xm;
else
xu=xm;
end
fxl=xl^3+2*xl^2+10*xl-20; %Funcion
fxu=xu^3+2*xu^2+10*xu-20; %Funcion
xm=xu-((xu-xl)*fxu)/(fxu-fxl);
i=i+1;
if i>maxiter
break
end
end
fprintf('La raiz aproximada es %8.6f\n',xm)

Ingrese valor inferior del intervalo: 1

Ingrese valor superior del intervalo: 2
Ingrese error: 0.00001
La raiz aproximada es 1.368808
PROBLEMA 1
La concentración C de una bacteria contaminante en un lago decrece
según la expresión: C(t) = 80e-2t + 20e-0.5t siendo t el tiempo en
horas. Determinar el tiempo que se necesita para que el numero de
bacterias se reduzca a 7 (Utilizar el método de Newton)

Debemos hallar la raiz de c(t) = 7, o lo que es lo mismo, definiendo

f(t) = c(t) − 7, tenemos que hallar un cero para f. Ambas funciones,
C y f tienen por derivada a la funcion f’(t) = −160e−2t −10e−t/2. Al ser
negativa, sabemos que las funciones c y f son decrecientes
estrictamente, luego si existe solución, es única. Como C(0) = 100 y
límt  C(t) = 0, en tiempo positivo la funcion C (que es continua)
tomara todos los valores del intervalo (0, 100].
clear all
clc
t0=2;
error=1e-03;
for i=1:40
f=80*exp(-2*t0)+20*exp(-0.5*t0)-7;
df=-160*exp(-2*t0)-10*exp(-t0/2);
2.000000 2.275799
t1=t0-f/df;
2.275799 2.327681
control=abs((t1-t0)/t1); 2.327681 2.329087
fprintf('%12.6f %10.6f\n',t0, t1) La raiz
if control<error 2.329087
disp('La raiz')
fprintf('%12.6f \n', t1)
break
end
t0=t1;
end
PROBLEMA
Resolver la siguiente ecuacion, utilizando el método Newton

……1

Encontrar el valor de f , si se tiene que Re=6000 y n=0.4

SOLUCION.
Vamos a considerar que la funcion log de la ecuacion es log10

Reemplazando valores de Re y n en la ecuacion 1, tenemos:

1
= 7.952707 * Log10 (6000 * f 0.8
) - 1.201124 ……2
f

Observamos que la ecuacion es implícita, incógnita f se encuentra en

ambos miembros, haremos un cambio de variable de tal forma que la
ecuacion sea: f(x) = 0
 1 1
x= Además , f = Reemplazando en la ecuacion 2
f x

x = 7.952707* Log10 (6000* x -0.8 ) - 1.201124 …3

Haciendo f(x) = 0 la ecuacion 3, nos da:

F = x - 7.952707* Log10 (6000* x -0.8 ) + 1.201124 = 0 …4

Para usar el algoritmo de Newton necesitamos la derivada de la funcion

F, lo cual derivando nos da:
(-4*7.952707)
dF = 1 - ….5
(5* x * Ln(10))

F  Xi 
X i+1 = X i - …6
dF  X i 
Implementando en una hoja de calculo

Para la ecuacion se obtiene la raiz aproximada de x = 20.4998271, sin

embargo como se hizo el cambio de variable es decir x = 1 / f por lo tanto
despejando f la solución de la ecuacion seria f = 1/x lo cual nos da:

Que viene a ser el coeficiente de fricción para una tubería de algún material que se
deberá especificar (Flujo viscoso, Flujo turbulento, Hidráulica,)
clear all
clc
x=2;
error=1e-04;
for i=1:100
f=x-7.952707*log10(6000*x^(-0.8))-1.201124;
df=1-((-4*7.952707)/(5*x*log(10)));
x1=x-f/df;
control=abs((x1-x)/x1);
fprintf('%12.6f %10.6f\n',x,x1) 2.000000 13.476861
if control<error 13.476861 22.260238
disp('La raiz') 22.260238 22.628710
fprintf('%12.6f \n', x1) 22.628710 22.629043
break La raiz
end 22.629043
x=x1; Coeficiente de friccion f = 0.044191
end
xx=x1;
f=1/xx;
fprintf('Coeficiente de friccion f = %12.6f\n',f)
 COMPARATIVO DE LOS ERRORES RELATIVOS ESTIMADOS, POR
DIFERENTES MÉTODOS

• Los métodos de bisección, de regla falsa y de punto fijo convergen

linealmente al valor verdadero de la raíz.
– El error relativo verdadero es proporcional y menor que el error
correspondiente de la iteración anterior.
– En bisección y regla falsa, la convergencia está garantizada.
– En punto fijo, la convergencia depende de que la pendiente de la tangente no
sobrepase el 1, en positivo o en negativo.
• Los métodos de Newton Raphson y de la secante convergen
cuadráticamente al valor verdadero de la raíz.
– El error relativo verdadero es proporcional al cuadrado del error
correspondiente de la iteración anterior.
– Cuando el error relativo en una iteración es menor que 1 (inferior al 100%), la
convergencia está garantizada.
– Cuando el error relativo en una iteración es mayor que 1, la divergencia está
garantizada.
 TAREA
1.-

2.- Usar Newton

3.- Usar cualquiera de los métodos que se acomoden al problema

a
b
c