GUÍA DE USO DEL PANEL INTERACTIVO
Carrera de algoritmos
¿Qué significa realmente ganar?
Ocho ejemplos explicados paso a paso
EM-4612 Métodos Numéricos - Semana MATEC 2026
CARRERA DE ALGORITMOS
EM-4612 Métodos Numéricos
Guía de uso del panel interactivo
Página 2
Cómo utilizar esta guía
La captura muestra un funcionamiento correcto
El mensaje verde aparece después de pulsar Reiniciar. La opción Predicción queda vacía
intencionalmente y debe seleccionarse antes de pulsar Iniciar carrera. La predicción registra
la respuesta del público, pero no modifica los cálculos de los métodos.
1. ¿Qué controla cada opción?
Control
Qué hace
Escenario
Cambia los datos iniciales que recibirán los métodos.
Predicción
Registra cuál método cree usted que ganará. No modifica los
cálculos.
Ganar =
Define cómo se decide el ganador: iteraciones, evaluaciones,
precisión o robustez.
Gráfica
Cambia la cantidad representada en el eje vertical. No cambia el
ganador.
Iniciar carrera
Ejecuta los cuatro métodos y muestra los resultados.
Nuevo reto
Selecciona aleatoriamente otro escenario y borra la predicción.
Reiniciar
Regresa al caso base y borra los resultados anteriores.
Gráfica HTML
Después de una carrera, descarga la gráfica interactiva.
La predicción es obligatoria porque la actividad solicita que el público se comprometa con una respuesta
antes de observar el resultado.
CARRERA DE ALGORITMOS
EM-4612 Métodos Numéricos
Guía de uso del panel interactivo
Página 3
1
¿Quién usa menos iteraciones?
Seleccione estas opciones:
Escenario: Caso base recomendado
Predicción: Newton
Ganar =: Menos iteraciones
Gráfica: Residuo |f(x
n
)|
Pulse Iniciar carrera. Obtendrá aproximadamente:
Método
Iteraciones
Estado
Bisección
24
Convergió
Falsa posición
7
Convergió
Newton
3
Convergió
Secante
5
Convergió
Resultado: gana Newton
Newton necesitó solamente tres actualizaciones para alcanzar la tolerancia. En este caso, la
predicción fue correcta. Sin embargo, todavía no podemos afirmar que Newton sea
universalmente el mejor, porque este criterio solo cuenta iteraciones y no considera que
Newton evalúa tanto f como f'.
En la gráfica, la línea de Newton desciende rápidamente. Esto indica que el residuo
|f(x
n
)|
se hace pequeño en pocas iteraciones.
CARRERA DE ALGORITMOS
EM-4612 Métodos Numéricos
Guía de uso del panel interactivo
Página 4
2
¿Quién realiza menos evaluaciones de f?
Seleccione estas opciones:
Escenario: Caso base recomendado
Predicción: Newton
Ganar =: Menos evaluaciones de f
Gráfica: Residuo |f(x
n
)|
Método
Evaluaciones de f
Evaluaciones de f'
Bisección
26
0
Falsa posición
9
0
Newton
6
3
Secante
7
0
Resultado: vuelve a ganar Newton
Newton realizó seis evaluaciones de f, mientras que Secante realizó siete. El criterio
seleccionado solamente cuenta evaluaciones de f. Las tres evaluaciones de f' utilizadas por
Newton aparecen separadas y no influyen en este criterio.
La conclusión correcta es: Newton realizó menos evaluaciones de f, pero también necesitó calcular la
derivada.
CARRERA DE ALGORITMOS
EM-4612 Métodos Numéricos
Guía de uso del panel interactivo
Página 5
3
Ahora contemos todo el trabajo
Seleccione estas opciones:
Escenario: Caso base recomendado
Predicción: Secante
Ganar =: Menos evaluaciones totales
Gráfica: Residuo |f(x
n
)|
La columna Eval. totales suma las evaluaciones de f y f':
Método
Evaluaciones totales
Bisección
26
Falsa posición
9
Newton
6 + 3 = 9
Secante
7
Resultado: gana Secante
El resultado numérico de los métodos no cambió. Lo único que cambió fue el significado de
ganar. Newton ganó al contar iteraciones y evaluaciones de f; Secante ganó al contar
conjuntamente las evaluaciones de f y f'.
Este es uno de los ejemplos más importantes para la exposición, porque demuestra la pregunta central
de la actividad:
Idea central
Un método puede ganar según un criterio y perder según otro.
CARRERA DE ALGORITMOS
EM-4612 Métodos Numéricos
Guía de uso del panel interactivo
Página 6
4
¿Quién alcanza mayor precisión?
Seleccione estas opciones:
Escenario: Caso base recomendado
Predicción: Secante
Ganar =: Mayor precisión
Gráfica: Error |x
n
- x*|
Resultado: gana Secante
En el caso base, su aproximación es extremadamente cercana a la raíz de referencia x* =
0.7390851332151607. El error final es del orden de 10
-13
.
Diferencia entre las dos gráficas
Residuo
|f(x
n
)|
mide qué tan cerca está f(x
n
) de cero.
Error verdadero aproximado
|x
n
- x*|
mide la distancia entre la aproximación y la raíz de referencia.
Ambos deben hacerse pequeños, pero no representan exactamente lo mismo. En la gráfica se utiliza
escala logarítmica: una línea que desciende rápidamente indica convergencia rápida; cuanto más abajo
esté, menor es el error. Si una línea termina, debe revisar el estado: pudo converger o detenerse por un
problema.
CARRERA DE ALGORITMOS
EM-4612 Métodos Numéricos
Guía de uso del panel interactivo
Página 7
5
Newton encuentra una derivada nula
Seleccione estas opciones:
Escenario: Newton cerca de derivada cero
Predicción: Secante
Ganar =: Menos iteraciones
Gráfica: Residuo |f(x
n
)|
Método
Estado
Iteraciones
Bisección
Convergió
24
Falsa posición
Convergió
7
Newton
Derivada problemática
0
Secante
Convergió
5
Resultado: gana Secante
Newton comienza en x
0
= -π/2, punto en el que la derivada es cero. El programa detecta el
problema antes de intentar una división inválida.
Como f'(x) = -sen(x) - 1, se obtiene
f'(-π/2) = -sen(-π/2) - 1 = 1 - 1 = 0.
La fórmula de Newton es
x
n+1
= x
n
- f(x
n
) / f'(x
n
).
Como el denominador es cero, la actualización no puede realizarse. Esto demuestra que Newton puede
ser muy rápido, pero depende de la derivada y del valor inicial.
CARRERA DE ALGORITMOS
EM-4612 Métodos Numéricos
Guía de uso del panel interactivo
Página 8
6
Secante recibe dos valores iguales
Seleccione estas opciones:
Escenario: Secante con datos repetidos
Predicción: Newton
Ganar =: Menos iteraciones
Gráfica: Residuo |f(x
n
)|
Método
Estado
Bisección
Convergió
Falsa posición
Convergió
Newton
Convergió
Secante
División problemática
Resultado: gana Newton
En este escenario, Secante recibe x
0
= x
1
= 0.5. Por tanto, las dos evaluaciones de la
función son iguales y el denominador de su fórmula se hace cero.
El denominador es
f(x
1
) - f(x
0
) = 0.
El programa detecta la división entre cero y muestra el estado División problemática.
CARRERA DE ALGORITMOS
EM-4612 Métodos Numéricos
Guía de uso del panel interactivo
Página 9
7
Comparación por robustez
Seleccione estas opciones:
Escenario: Caso base recomendado
Predicción: Newton o Secante
Ganar =: Mayor robustez empírica
Gráfica: Cualquiera de las dos
Método
Robustez experimental
Bisección
77.8 %
Falsa posición
77.8 %
Newton
100 %
Secante
100 %
Resultado: empate entre Newton y Secante
El programa modifica nueve veces los datos iniciales y registra en cuántas pruebas
converge cada método. Un 77.8 % significa que el método convergió en siete de las nueve
pruebas.
7 / 9 × 100 % ≈ 77.8 %
Bisección
y
falsa
posición
fallan
en
algunas
perturbaciones
porque
el
intervalo
desplazado
deja
de
presentar
cambio
de
signo.
Esto
constituye
evidencia
experimental,
no
una
demostración
de
que
Newton y Secante siempre sean más robustos.
CARRERA DE ALGORITMOS
EM-4612 Métodos Numéricos
Guía de uso del panel interactivo
Página 10
8
Comenzar más lejos de la raíz
Seleccione estas opciones:
Escenario: Intervalo más amplio
Predicción: Newton
Ganar =: Menos iteraciones
Gráfica: Residuo |f(x
n
)|
Método
Iteraciones
Bisección
26
Falsa posición
11
Newton
3
Secante
7
Resultado: vuelve a ganar Newton
El intervalo más grande provoca que Bisección necesite más subdivisiones. Falsa posición y
Secante también aumentan sus iteraciones. Newton, para esta función y este valor inicial
particular, mantiene un comportamiento rápido.
Esto no garantiza que Newton se comporte de la misma manera para cualquier función o cualquier valor
inicial.
CARRERA DE ALGORITMOS
EM-4612 Métodos Numéricos
Guía de uso del panel interactivo
Página 11
Secuencia recomendada para la presentación
Carrer
a
Configuración
Qué observa el público
1
Caso base + Menos iteraciones
Gana Newton.
2
Mismo caso + Menos evaluaciones totales
Gana Secante.
3
Newton cerca de derivada cero
Newton falla y gana Secante.
Conclusión para el público
El ganador depende del criterio y de los datos iniciales. Menos iteraciones no siempre
significa menor costo, y una carrera numérica particular no demuestra que un método sea
universalmente superior.
El botón Gráfica HTML permanece desactivado hasta ejecutar una carrera. Después se habilita y permite
descargar una versión interactiva de la gráfica.