Análisis Numerico de Integrales Ecuaciones Diferenciales PDF

Este documento es de distribucin gratuita
y llega gracias a
Ciencia Matemtica
www.cienciamatematica.com
El mayor portal de recursos educativos a tu servicio!
ISSN 1666-3845
e-Commentarii Aplicand Mathematic

Editor: Carlos E. Neuman
LN: Lecture Notes
LN1: Neuman, C. E.: An

alisis Numerico de Integrales y Ecuaciones
Diferenciales, third edition, 2001.
An
alisis Num
erico
de Integrales
y
Ecuaciones Diferenciales
Temas de Analisis Numerico y Programacion
Vol
umenes de la serie:
I : Cardona, A., y Neuman, C.E.: Temas de Programaci
on I, 1996, (segunda edici
on en preparacion, 1997)
II : Neuman, C.E. (editor): Matem
atica asistida por computadora, 1996
III : Neuman, C.E.: An
alisis Numerico de Integrales y Ecuaciones Diferenciales, 1997
IV : Neuman, C.E.: Algoritmos Geometricos y Gr
aficos en 3D. Laboratorios
de Matem
atica, segunda edicion, 1999.
V : Neuman, C.E., Vilchez, A.G.: Algoritmos Geometricos y Gr
aficos en
3D. Laboratorios de Matem
atica, tercera edicion (en preparacion), 2001.
e-Commentarii Aplicand Mathematic , LN: Lecture Notes

Volume 1
ISSN 1666-3845
An
alisis Num
erico
de Integrales
y
Ecuaciones Diferenciales
Tercera edici
on
Carlos E. Neuman
Departamento de Matematica (FIQ)
Universidad Nacional del Litoral
Santa Fe
2001
Trabajo realizado con fondos provenientes de la Universidad Nacional del Litoral (UNL),
a trav
es de la programaci
on Curso de Acci
on para la Investigaci
on y el Desarrollo (CAI+D),
Secretara de Ciencia y T
ecnica de la UNL
An
alisis Num
erico de Integrales y Ecuaciones
Diferenciales
Carlos E. Neuman
tica, FIQ, UNL, Santiago del Estero 2829,
Departamento de Matema
3000 Santa Fe, Argentina
E-mail address: eCAM@cen.com.ar
URL: http://www.cen.com.ar/eCAM/
Key words and phrases. Integracion numerica, Resolucion numerica de ecuaciones

diferenciales, Metodos de un paso, Integracion adaptativa
Trabajo realizado con fondos provenientes de la Universidad Nacional del Litoral

(UNL), a traves de la programacion Curso de Acci
on y el
Desarrollo (CAI+D), Secretara de Ciencia y Tecnica de la UNL.
Resumen. En este texto se tratan temas de integraci
on num
erica de funciones
y de ecuaciones diferenciales, teoremas de existencia y unicidad de soluciones,
convergencia, estabilidad y consistencia de soluciones aproximadas de ecuaciones diferenciales y algunos complementos te
oricos. Se presentan numerosos
ejemplos y ejercicios y dos laboratorios de integraci
on adaptativa.
ISSN 1666-3845
Indice General
Prefacio
xiii
Prefacio a la segunda edici

on
xvii
Indice de Tablas
Indice de Figuras
Captulo 1. Integraci
on
1.1. Introducci
on
1.2. La integral de RiemannStieltjes
1.3. La f
ormula de suma de Euler
1.4. Metodos b
asicos de integracion numerica
1.5. Metodos de extrapolacion
1.6. Cuadratura de Gau
1.7. Metodos de Montecarlo
1.8. Metodos adaptativos
1.9. Ejercicios
1
1
3
4
7
11
12
13
16
17
Captulo 2. Ecuaciones diferenciales

2.1. Introducci
on
2.2. Metodos en diferencias de un paso
2.3. Ejercicios
21
21
23
33
Apendice A. Bibliografa y referencias

A.1. Textos b
asicos
A.2. Bibliografa complementaria
35
35
35
Apendice B. Coeficientes indeterminados con el Mathematica

B.1. El metodo de Simpson
B.2. El metodo de Newton
B.3. El metodo de cuadratura de Gau de tres puntos
B.4. Los coeficientes de la cuadratura de Gau de cinco puntos
37
37
38
40
41
Apendice C. Cuadernos del Mathematica y archivos script de Matlab

C.1. La funcion mihumps
C.2. Extrapolaci
on repetida de Richardson
C.3. Metodos de Montecarlo
C.4. Integraci
on de Simpson adaptativa
C.5. El metodo cl
asico de Runge-Kutta
47
47
48
50
53
55
Apendice D.
59
La integral de RiemannStieltjes
vii
INDICE GENERAL
viii
D.1.
D.2.
D.3.
D.4.
D.5.
Funciones de variaci
on acotada
La integral
F
ormula de la suma de Euler
Pero, Hay funciones integrables?
Ejercicios
59
61
65
65
66
Apendice E. Polinomios y n
umeros de Bernoulli
E.1. Polinomios de Bernoulli con el Mathematica
E.2. N
umeros de Bernoulli
E.3. Integraci
on por partes
67
67
73
74
Apendice F. Laboratorio de Matematica: Integracion Adaptativa

F.1. Objetivos
F.2. Antes del laboratorio
F.3. Laboratorio
F.4. Aplicaciones y desarrollos avanzados
F.5. Referencias
75
75
75
76
77
77
Apendice G. Laboratorio de Matematica: Solucion adaptativa de ODEs

G.1. Objetivos
G.2. Antes del laboratorio
G.3. Laboratorio
G.4. Aplicaciones y desarrollos avanzados
G.5. Referencias
79
79
79
79
79
80
Apendice H. Existencia y unicidad de soluciones de ODEs

H.1. Referencias
81
85
INDICE GENERAL
Para S., N., y F.
ix
INDICE GENERAL
xi
Our ancestors were eager to understand

the worlds but had not quite stumbled
upon the method. They imagined a
small, quaint, tidy universe in which the
dominant forces were gods like Anu, Ea,
and Shamash. In that universe humans
played an important if not central role.
We were intimately bound up with the
rest of nature. The treatment of toothache with second-rate beer was tied to
the deepest cosmological mysteries.
Today we have discovered a powerful
and elegant way to understand the universe, a method called science; it has
revealed to us a universe so ancient and
so vast that human affairs seem at first
sight to be of little consequence.
Sagan, C.: Cosmos, Ballantine,
New York, 1992.
Prefacio
Este texto surgio de la necesidad de presentar una vision unificada de los
metodos elementales de integracion numerica de funciones y de algunos de los que
son u
tiles para las ecuaciones diferenciales ordinarias.
Los p
arrafos que se colocan entre treboles pueden ser omitidos en las primeras
lecturas puesto que no son esenciales para la continuidad del texto.
Seguimos en terminos generales las ideas planteadas en Linz (1988). Para este
autor el termino matem
atica computacional esta asociado con el espectro amplio
de actividades relacionadas con la solucion aproximada de problemas cientficos
expresados en terminos de modelos matematicos, que, en su forma tpica, estan
constituidos por ecuaciones diferenciales e integrales de las que, en general, no se
conoce soluci
on en forma cerrada. Para resolverlos las ecuaciones son convertidas,
mediante discretizaci
on, en un conjunto finito de ecuaciones mas simples que puedan
ser resueltas por metodos algebraicos.
Se puede distinguir la metodologa numerica, que estudia metodos para discretizar los operadores diferenciales e integrales y como resolver los sistemas finitos
resultantes, del an
alisis numerico que involucra el estudio riguroso de los algoritmos
creados por la metodologa.
La meta primaria del an
alisis es describir la relacion entre la solucion exacta
de la ecuaci
on original, y la aproximada obtenida a partir de la version discreta.
El an
alisis numerico ha resultado muy u
til para complementar el proceso de
creaci
on de metodos numericos generado por las aplicaciones ingenieriles. Por ejemplo las tecnicas de relajaci
on o de elementos finitos fueron creadas por ingenieros
basados en la intuici
on fsica. El analisis numerico posterior ha resultado crucial
para la consolidaci
on de estos metodos, la extension de su aplicabilidad, y el estudio
de sus propiedades de convergencia o estabilidad.
En muchos casos a partir de objetivos del Analisis Numerico se han obtenido
nuevos resultados en An
alisis Funcional, en cuyos terminos suelen plantearse los
problemas.
Seg
un resume Linz (1988): En artculos publicados en revistas como el SIAM
Journal on Numerical Analysis o Numerische Mathematik se encuentran habitualmente terminos como espacios de Hilbert, clausura compacta, y convergencia debil.
Estos conceptos le resultan muy u
tiles al teorico y han facilitado el establecimiento
de una teora abarcativa y coherente de la solucion aproximada de las ecuaciones
de operadores.
Ilustraremos esto con el ejemplo de la ecuacion del operador lineal
Lx = y
Las referencias se enumeran en el ap

endice A, p
agina 35
xiii
(0.1)
xiv
PREFACIO
donde L : X Y es un operador lineal entre los espacios normados X e Y . El

miembro derecho, y, es un dato y la ecuacion debe ser resuelta para la incognita x.
Suponemos que L tiene una inversa acotada en Y . Un ejemplo muy simple de esto
es la ecuaci
on
d
x(t) = y(t) = f (t, x(t))
(0.2)
dt
con la condici
on inicial
x(t0 ) = x0
(0.3)
En el proceso de discretizacion la ecuacion (0.1) es reemplazada por una sucesi
on parametrica de problemas
Ln xn = yn
(0.4)
donde Ln es un operador en ciertos espacios ndimensionales Xn e Yn . El smbolo

n se denomina par
ametro de discretizaci
on y mide el grado en el que el operador
discreto Ln representa al operador L.
Como Ln es efectivamente una matriz de nn, es posible, en principio, resolver
(0.4) en forma algebraica y obtener la solucion aproximada xn .
El objetivo fundamental del analisis posterior es conocer la relacion entre la
soluci
on verdadera x y su aproximacion xn . En particular, desearemos demostrar
la convergencia. Esto significa que, cuando se incrementa n, la solucion aproximada
deber
a acercarse m
as y m
as a la solucion verdadera, en el sentido que
lim kx xn k = 0
(0.5)
Usualmente, el primer paso del analisis es definir el error de consistencia

rn (x) = Lx Ln x
(0.6)
De (0.1) y (0.4) se obtiene directamente que

Ln (x xn ) = y yn rn (x)
(0.7)
y obtenemos una cota para el error de la solucion aproximada

kx xn k kL1
n k{ky yn k + krn k}
(0.8)
En la mayora de los casos es relativamente elemental mostrar que

lim ky yn k = 0
(0.9)
y que, bajo condiciones bien definidas

lim krn k = 0
(0.10)
Se necesita una condici

on adicional, la condicion de estabilidad
lim kL1
n kK <
(0.11)
Si reemplazamos en la ecuacion (0.8), obtenemos el teorema central del analisis

numerico: estabilidad y consistencia implican convergencia.
Se tiene un gran n
umero de problemas no resueltos por causa de las dificultades
tecnicas de las que el problema principal es verificar la condicion de estabilidad
(0.11). Hay otras cuestiones, por ejemplo, cuan dificil es resolver (0.4) o cuan
velozmente converge xn a x, pero, normalmente estas son menos complejas que la
estabilidad.
PREFACIO
xv
Supongamos ahora que hemos determinado que nuestro metodo numerico es

estable y convergente. Que nos dice esto? Nos expresa que, en alg
un sentido
asint
otico, el metodo funciona.
A menudo podemos decir mas. En muchos casos el error de aproximacion puede
ser acotado en forma m
as explcita como
kx xn k np kL1
n k(x)
(0.12)
donde es un funcional de la solucion desconocida x El exponente p se denomina

orden de convergencia y nos da informacion respecto de cuan exacto es el metodo.
Para un dado nivel de esfuerzo computacional, un metodo con un orden de convergencia mayor tender
a a dar mejores resultados que uno con un orden menor.
La cota que nos da la expresion 0.12 tiene una utilidad limitada puesto que
depende de la inc
ognita x. Se puede sortear esa dificultad realizando un analisis
a posteriori que utiliza la solucion calculada xn en lugar de la x. A partir de las
ecuaciones 0.1 y 0.4 se puede obtener
kx xn k np kL1 kkn k
(0.13)
donde n es el residuo de la solucion calculada

n (xn ) = Lxn y
(0.14)
Es posible obtener cotas buenas para kn k, en cambio es mas difcil obtener cotas
realistas para kL1 k lo que se convierte en el elemento clave del que depende el
an
alisis a posteriori.
Los problemas b
asicos de la metodologa numerica no son el establecimiento
del metodo de discretizaci
on, sino el manejo de los detalles involucrados en la representaci
on de dominios, de los propios metodos de discretizacion, de los metodos
de operaci
on con los sistemas de ecuaciones, de las matrices ralas, y de los metodos
para resolver los sistemas de ecuaciones con dimensiones muy altas. En el desarrollo de metodos para resolver estos problemas suele incluirse cuando se trata de
utilizar la metodologa en las aplicaciones una dosis relativamente alta de lo que
puede denominarse pragm
atica numerica la que, por tratarse de algo naturalmente
impreciso, siempre puede fallar, pero que no debera ser totalmente ignorada por
causa de ello. Los beneficios de la metodologa numerica son tan considerables
que se la utiliza a
un en los casos en que no puede justificarsela rigurosamente. La
idea fuerza no es rechazar los puntos de vista pragmaticos sino desarrollar los mas
efectivos.
En el primer captulo se estudian algunos aspectos relevantes del calculo de integrales. Se desarrollan los metodos clasicos, los de extrapolacion y los de Montecarlo.
Debido a que las extensiones a integrales m
ultiples son relativamente directas, solamente se trata el problema de vol
umenes e hipervol
umenes utilizando el metodo
de Montecarlo por la simple razon que, en muchos casos, es el u
nico aplicable. En
el segundo captulo se introduce el problema de hallar soluciones aproximadas para
problemas de valores iniciales de ecuaciones diferenciales ordinarias. Asimismo se
deducen algunos metodos elementales de los del tipo de un paso. En los apendices
se presentan ejemplos realizados con Matlab y Mathematica, se desarrolla una breve
introducci
on a la teora de la integral y se realizan calculos para obtener los polinomios de Bernoulli, que resultan necesarios para la interpretacion de los coeficientes
en el desarrollo asint
otico del error en los metodos trapezoidal y Simpson.
xvi
PREFACIO
En el u
ltimo de los apendices se incluye un Laboratorio de Matematica en el
tema de la cuadratura adaptativa. He elegido este por la simplicidad del algoritmo recursivo. Sin embargo, cualquiera de los restantes temas del texto, por su
importancia matem
atica, su riqueza y su atractivo, merece la elaboracion de un
Laboratorio propio. El objetivo de estos laboratorios es aspirar a la recreacion viva
de conceptos y temas que enriquecen el portafolios del pregraduado en Matematica.
Los libros citados en la seccion de bibliografa y el conjunto de referencias en
ellos citados facilitan al lector interesado el estudio de cualquiera de los temas en
que desee especializarse. Este texto, que se basa en su totalidad en ellos, y que
comparte la selecci
on de temas de interes que tratan, no aspira a colocarse en un
plano de igualdad, sino, humildemente, enfatizar algunos aspectos y no otros.
Debo agradecer a los sucesivos grupos de alumnos que han enriquecido el curso
de C
alculo Numerico con filosas preguntas y soluciones ingeniosas a los problemas
propuestos. Asimismo a mis colegas por la discusion de temas y el desarrollo de
metodos aptos para la ense
nanza. En cambio, de los errores que pudiera contener,
me hago u
nico responsable.
Carlos E. Neuman
Santa Fe, 29 de abril de 1997
Prefacio a la segunda edici

on
Esta nueva edici
on se desarrolla con varias correcciones y agregados con el fin
de adaptar el texto a los cursos de Calculo Numerico I y II en la modalidad a
distancia.
Carlos E. Neuman
Santa Fe, 2 de diciembre de 2001
xvii
xviii
PREFACIO A LA SEGUNDA EDICION
Mi padre fue un judo renegado, o un ateo, o un rebelde. Lo

cierto es que siempre le haba encantado, sentado en el u
ltimo
banco, como un alumno malo, portarse mal en las bodas de la
sinagoga, mirar con sorna al rabino del barrio, meterse con la
rama andaluza chupacirio de la familia y darle vuelta la cara a
los Cohen judos ortodoxos y obtusos de enfrente de casa.
Pero mi padre lea a escondidas el Antiguo Testamento, una tarde
en que me encontro un libro de misa que me haban regalado en
una fiesta de primera comunion me miro confundido y al fin
como esto pueda entenderse, como esto pueda entenderlo yo, se
senta judo.
Mi padre fue un hombre y, por tanto, fue tantas cosas que no
me atrevo a enumerar, porque un hombre ahora lo se contiene tantos hombres como vidas tiene un gato y tanto m
as. En
principio, mi padre fue un coleccionista.
Durante a
nos me pase tardes enteras examinando una por una
su colecci
on de cajas y mu
necas musicales. Las mu
necas eran las
m
as difciles de maniobrar porque no haba que despeinarlas ni
descuidar los accesorios del atuendo. La bailarina flamenca llevaba
un par de casta
nuelas de madera sevillanas legtimas, aclaraba
mi padre, unas miniaturas que estaban sabiamente encajadas
entre las manos. La joven con manton de Manila sostena un
abanico de encaje y piedras, la bailarina clasica llevaba un tut
u
que al fin acabo manchado de cafe con leche. Me gustaba ponerlas
a todas en funcionamiento, a la vez, todas girando al son de una
m
usica extra
na y dislocada.
Pero sobre todo lo que me importaba era desarmar. Me importaba
entender el funcionamiento. Era el acto ritual ?como ritual era
la acci
on de la anciana de la tienda cuando apareca con una caja
llena de sacapuntas?, ese acto lento, siempre el mismo, el de
levantar con cuidado una tapa de terciopelo, esa operacion que
se daba inequvoca en las cajas que realmente tenan forma de
caja: un peque
no joyero, una cigarrera en forma de dado, una
caja cl
asica dorada y de marfil. Y una vez abiertas, lentamente,
como destripadas frente a mis ojos, les daba cuerda a todas a la
vez para que sonase la m
usica disonante y finalmente triste, como
la de todas las mu
necas girando solitarias, porque lo mejor no
suceda al fin sino poco antes, cada vez que abra una nueva caja,
cada vez que expectante, solemne, levantaba la tapa, levantaba
luego el compartimento rojo, despacio, con un dedo, y otra vez la
desilusi
on.
Buscaba una caja en especial, una caja que tuviera, por debajo de
ese compartimento, un mecanismo distinto al del rodillo. Todas
las cajas que. . .
Lilian Neuman: Levantar Ciudades, Ed. Destino, Barcelona,
1999.
Indice de Tablas
1
Extrapolaci
on de Richardson (Metodo de Romberg)
Integraci
on de Romberg para la funcion mihumps (ver
tabla 1). La integral (con el Mathematica) resulta Q =
0.2985832539549867
50
Integraci
on de Romberg para la funcion mihumps (continuacion,
ver tablas 1 y 1). La integral (con el Mathematica) resulta
Q = 0.2985832539549867
50
12
Indice de Figuras
1
2
3
4
5
Campo de direcciones de f (x, y) = xy

El rect
angulo S esta contenido en el R
Primer metodo de Runge
Segunda f
ormula de Runge
El metodo de Runge-Kutta
21
22
26
28
29
1
2
47
La funci
on mihumps
Histograma de distribucion de los valores estimados de la
integral del ejemplo C.3.1
Integraci
on por Runge-Kutta clasico de x0 = tx en [0, 7]
52
57
1
2
3
4
5
El
El
El
El
El
B1 (x)
B2 (x)
B6 (x)
B10 (x)
B40 (x)
69
70
71
72
73
Puntos de evaluacion de quad para la funcion f (x) en [0, 2]
76
polinomio
polinomio
polinomio
polinomio
polinomio
de
de
de
de
de
Bernoulli
Bernoulli
Bernoulli
Bernoulli
Bernoulli
CAPTULO 1
Integraci
on
1.1. Introducci
on
El objetivo del presente captulo es estudiar metodos numericos para calcular
integrales definidas de la forma
Z b
f (x) dx
(1.1)
a
Los metodos m
as simples que se originan en la propia definicion de la integral de
Riemann, se establecen como sigue. Se elige una particion regular de paso h en
el intervalo [a, b] de modo de obtener N subintervalos (es decir que N h = (b a).
Se toma un valor conveniente de la funcion f en cada subintervalo y se calcula la
suma
N
X
h
fi
(1.2)
i=1
donde fi es el valor elegido de la funcion f en el intervalo [xi1 , xi ]. En el caso de

escoger fi = f (xi1 ) se obtiene una regla del rectangulo
Z
f (x) dx ' h
a
N
X
f (xi1 )
(1.3)
i=1
si, en cambio, se toma fi = f (xi ) se obtiene otra regla del rectangulo

Z
f (x) dx ' h
a
N
X
f (xi )
(1.4)
i=1
en realidad la regla del rect

angulo es mas precisa si se elige fi = f ((xi1 + xi )/2),
en este caso se obtiene la regla del rectangulo R(h) (o midpoint)
b
f (x) dx ' R(h) = h

a
N
X
i=1
f(
xi1 + xi
)
2
(1.5)
con fi = (f (xi1 ) + f (xi ))/2, en cambio, se obtiene la regla del trapecio T (h)
Z
f (x) dx ' T (h) = h

a
N
X
f (xi1 ) + f (xi )
i=1
(1.6)
es decir
T (h) = h(
f (a)
+
2
N
1
X
i=1
1
f (xi ) +
f (b)
)
2
(1.7)
En algunos textos este

m
etodo se denomina
trapezoidal compuesto,
pero la distinci
on es
poco relevante

1. INTEGRACION
y, si el n
umero N de subintervalos es par, se pueden agrupar los subintervalos de
a dos contiguos y, en cada par utilizar f2i+1 = (f (x2i ) + 4f (x2i+1 ) + f (x2i+2 ))/6,
con lo que se obtiene la regla de Simpson S(h)
Z
a
La regla de Simpson es
exacta para polinomios
de orden cuatro
2 1
2h X
f (x) dx ' S(h) =
(f (x2j ) + 4f (x2j+1 ) + f (x2j+2 ))
6 j=0
es decir
2h
(f (a) + 4f (x1 ) + 2f (x2 ) + + 4f (xN 1 ) + f (xN ))
6
En todos estos casos se tiene la expresion
Z b
N
X
f (x) dx ' A
ci f (xi )
S(h) =
El operador .* facilita
la integraci
on num
erica
(1.8)
(1.9)
(1.10)
i=0
donde
[Rect
angulo]A = 2h y c = (0, 1, 0, 1, 0, 1, . . . , 0, 1, 0)
[Trapezoidal]A = h/2 y c = (1, 2, 2, . . . , 2, 1)
[Simpson] A = 2h/6 y c = (1, 4, 2, 4, . . . , 2, 4, 1)
n 1.1.1. Las expresiones anteriores sugieren un metodo muy simple
Observacio
para programar estos metodos elementales en Matlab
La integral de RiemannStieltjes generaliza la integral de Riemann
De la inspecci
on de estos metodos surgen varias ideas interesantes
(1) Se tiene una ntima relacion entre integrales y sumas y las primeras se
aproximan por las segundas.
(2) Es necesario desarrollar metodos para estudiar los errores de aproximacion
de estas reglas de integracion (es simple establecerlas pero no es tan claro
c
omo estimar los respectivos errores)
(3) Se deberan explorar metodos aplicables a particiones que no sean regulares
Para la primera utilizaremos una teora de la integral que permite unificar las
metodologas para tratar con integrales y sumas. Citamos textualmente a Tom
Apostol en la introducci
on al captulo 7 (pag. 169) de su texto (Apostol, 1976)
. . . se estudia el proceso de integraci
on con cierto detalle. En realidad consideramos un concepto m
as general que el de Riemann: a
saber, la integral de Riemann-Stieltjes, que involucra dos funciones
f y . El smbolo que utilizamos para designar tales integrales es
Rb
f (x)d(x), o alguno similar, y la integral de Riemann se obtiene
a
como caso particular cuando (x) = x. Cuando tiene derivada conRb
tinua, la definici
on es tal que la integral de Stieltjes a f (x)d(x) se
Rb
convierte en la intgral de Riemann a f (x)0 (x) dx. Sin embargo, la
integral de Stieltjes tiene sentido en el caso en que no es diferenciable e incluso cuando no es continua. De hecho, es al tratar con
funciones discontinuas cuando se hace patente la importancia de la
integral de Stieltjes. Eligiendo adecuadamente una funci
on discontinua , una suma finita o infinita puede expresarse como una integral
de Stieltjes, y la sumaci
on y la integral de Riemann ordinaria son
casos especiales de este proceso m
as general. Los problemas fsicos
que consideran la distribuci
on de masas que son en parte discretas
1.2. LA INTEGRAL DE RIEMANNSTIELTJES
y en parte continuas pueden ser abordados utilizando la integral de

Stieltjes. En la teora matem
atica de la Probabilidad esta integral es
un instrumento muy u
til que hace posible la consideraci
on simult
anea
de variables aleatorias continuas y discretas.
En muchos casos se utilizan integrales para calcular sumas que pueden ser
complicadas de obtener por otros metodos, en razon de ello las interrelaciones
entre unas y otras es mucho mayor de lo que puede suponerse en una primera
aproximaci
on.
En las secciones 1.4 y 1.6 estudiamos herramientas para obtener diversos metodos
de integraci
on y para estimar los errores de las aproximaciones conseguidas. El esquema b
asico es aproximar la integral por una suma del tipo
N
X
wi f (xi )
(1.11)
i=1
sobre una partici

on del intervalo de integracion, y elegir en forma conveniente los
pesos wi y los puntos xi .
Cuando aceptamos que las particiones no sean regulares surge naturalmente la
idea de refinar la partici
on en los subintervalos donde los errores sean muy grandes
y la idea opuesta de agrupar intervalos donde los errores sean excesivamente peque
nos. Esto nos lleva a los denominados metodos adaptativos de integracion que
estudiaremos en la secci
on 1.8
1.2. La integral de RiemannStieltjes
1.2.1. Definici
on y propiedades.
n 1.2.1. Sea P = {x0 , x1 , . . . , xn } una particion del intervalo [a, b] y
Definicio
sea, para cada k, k un punto del intervalo [xk1 , xk ]. Una suma de la forma
n
X
S(P, f, g) =
f (k )gk
(1.12)
k=1
(donde gk = g(xk ) g(xk1 )) se llama suma de Riemann-Stieltjes de f respecto

de g. Diremos que f es integrable respecto de g en [a, b] si existe un n
umero I que
satisface la siguiente propiedad: para cada > 0, existe una particion P de [a, b]
tal que, para cada partici
on P mas fina que P y para cada eleccion de los puntos
k del intervalo [xk1 , xk ], k = 1, . . . , n, se tiene
|S(P, f, g) I| <
(1.13)
n 1.2.1. Si un tal n
Observacio
umero I existe, entonces es u
nico y se representa
por la expresi
on
Z b
f (x)dg(x)
(1.14)
a
Ejemplo 1.2.1. Si g(x) = x entonces la integral se reduce a una integral de

Riemann
Ejemplo 1.2.2. Si g(x) es de clase C 1 en [a, b] entonces la integral resulta
Z b
f (x)g 0 (x) dx
(1.15)
a
Nota: Este resultado se demuestra en el teorema D.2.5 en la pagina 63
La integral aproximada
es un promedio pesado
de los valores de la
funci
on

1. INTEGRACION
Ejemplo 1.2.3. Si f es continua y g(x) = bxc entonces la integral resulta

X
f (i)
(1.16)
iZ
a<ib
y si g(x) = dxe entonces

X
f (i)
(1.17)
iZ
ai<b
Nota: Este resultado se demuestra en el teorema D.2.7 en la pagina 65. Notar la

diferencia entre los lmites de suma.
1.2.2. Integraci
on por partes.
Teorema 1.2.2. [F
ormula de integraci
on por partes] Si f es integrable respecto
de g en el intervalo [a, b], en el sentido de Riemann-Stieltjes, entonces g es integrable
respecto de f en el intervalo [a, b], en el sentido de Riemann-Stieltjes, y se tiene
Z b
Z b
f (x)dg(x) +
g(x)df (x) = f (b)g(b) f (a)g(a)
(1.18)
a
n: Ver el teorema D.2.4 en la pagina 62

Demostracio
En el apendice D en p
agina 59 se desarrollan aspectos elementales de la teora
de integraci
on de Riemann-Stieltjes siguiendo el texto de Apostol (1976)
1.3. La f
ormula de suma de Euler
Sea {x0 , x1 , . . . , xn }, donde x0 = a, x1 = a + h, . . . , xn = a + nh = b, una
partici
on regular del intervalo [a, b]. La suma trapezoidal para la integral
Z b
f (x) dx
(1.19)
a
se denota T (h) y resulta ser

1
1
T (h) = h
f0 + f1 + f2 + f3 + . . . + fn1 + fn
2
2
(1.20)
o bien
n1
T (h) = h
X
1
1
f0 +
fi + fn
2
2
i=1
!
(1.21)
Desearamos demostrar el siguiente teorema

Teorema 1.3.1. Sea T (h) la suma trapezoidal 1.21. Entonces
Z b
h2
T (h) =
f (x) dx + (f 0 (b) f 0 (a))
12
a
4
h
(f (3) (b) f (3) (a))

720
h6
+
(f (5) (b) f (5) (a))
30240
+ . . . + c2r h2r (f (2r1) (b) f (2r1) (a)) + O(h2r+2 )
(1.22)
(1.23)
(1.24)
(1.25)

1.3. LA FORMULA
DE SUMA DE EULER
Donde los coeficientes {c2r } tienen la funcion generatriz

h eh + 1
(1.26)
2 eh 1
(para la interpretaci
on detallada de los coeficientes ver el apendice E en la
p
agina 67)
1 + c2 h2 + c4 h4 + c6 h6 + . . . =
1.3.1. El smbolo O. La notacion O grande es u

til para representar y
calcular en forma exacta con magnitudes aproximadas. En general la notacion
O(f (n)) se usa si f (n) es una funcion definida sobre los n
umeros naturales con
el fin de representar un n
umero xn con el significado de que existe una constante
positiva M tal que el n
umero xn representado por O(f (n)) satisface la condicion
|xn | M |f (n)|,
n n0
(1.27)
No damos explcitamente en general las constantes M y n0 , las que suelen ser

distintas en cada aparici
on de O
Ejemplo 1.3.1. Sabemos que
n
X
1
1
1
1
1
i2 = n(n + )(n + 1) = n3 + n2 + n
3
2
3
2
6
i=1
(1.28)
en consecuencia
n
X
i=1
n
X
i=1
i2 = O(n3 )
i2 =
1 3
n + O(n2 )
3
(1.29)
(1.30)
La ecuaci
on 1.30 es m
as fuerte que la ecuacion 1.29 (Justificar la validez de estas
ecuaciones y la relaci
on entre ambas).
Las siguientes son operaciones validas con la notacion O
f (n) = O(f (n))
cO(f (n)) = O(f (n)),
si c es una constante
O(f (n)) + O(f (n)) = O(f (n))
O(O(f (n))) = O(f (n))
O(f (n))O(g(n)) = O(f (n)g(n))
O(f (n)g(n)) = f (n)O(g(n))
(1.31)
(1.32)
(1.33)
(1.34)
(1.35)
(1.36)
Nota 1.3.1. La notaci

on O suele extenderse a la variable real x. Por ejemplo
se escribe
1
1
ex = 1 + x + x2 + x3 + O(x4 )
(1.37)
2!
3!
Una cierta dosis de observacion permite resolver la siguiente paradoja.
Ejercicio 1.3.2. Que esta mal en el siguiente razonamiento? Como n =
O(n), 2n = O(n), . . . , se tiene
X
X
kn =
O(n) = 0(n2 )
(1.38)
1kn
Notar que es f
acil demostrar que
1kn
1kn
kn = O(n3 ).

1. INTEGRACION
Ejercicio 1.3.3. Demostrar que si se permite a x tomar valores arbitrariamente grandes, entonces, para toda potencia m, ex 6= O(xm )
Este tipo de desarrollos
en potencias de un operador suele utilizarse en
los cursos elementales de
C
alculo para la f
ormula
del polinomio de Taylor en dos variables independientes
1.3.2. lgebra de operadores. Si D representa el operador d/dx se tiene

h3
h2
f (x + h) = f (x) + hf 0 (x) + f 00 (x) + f 000 (x) + . . .
2!
3!

(hD)2
(hD)3
= 1 + hD +
+
+ . . . f (x)
2!
3!
= ehD f (x)
(1.39)
(1.40)
(1.41)
donde el operador ehD debe entenderse definido por la serie, para la que es facil
verificar que es normalmente convergente. En consecuencia
f (x + 2h) = ehD f (x + h) = e2hD f (x)
(1.42)
y as sucesivamente. Utilizamos esta representacion de la traslacion en la siguiente

f
ormula

1
1
T (h) = h
f0 + f1 + f2 + . . . + fn1 + fn
(1.43)
2
2

1
1
=h
+ ehD + e2hD + . . . + e(n1)hD + enhD f (x0 ) (1.44)
2
2
n1
1 X jhD 1 nhD
= h +
e
+ e
f (x0 )
(1.45)
2 j=0
2
luego, por la formula de la suma geometrica,

1 enhD 1 1 nhD
T (h) = h + hD
+ e
f (x0 )
2
e 1
2

1
1
= h hD
+
enhD 1 f (x0 )
e 1 2

h ehD + 1 nhD
=
e
1 f (x0 )
2 ehD 1
pero
t et + 1 X
=
c2j t2j
2 et 1 j=0
para la que, con el Mathematica, se obtiene directamente:
Series[(h/2)(Exp[h]+1)/(Exp[h]-1),{h,0,21}]
2
4
6
8
10
h
h
h
h
h
1 + -- - --- + ----- - ------- + -------- 12
720
30240
1209600
47900160
12
14
16
691 h
h
3617 h
------------- + ----------- - ----------------- +
1307674368000
74724249600
10670622842880000
18
43867 h
20
174611 h
22
(1.46)
(1.47)
(1.48)
(1.49)
NUMERICA
1.4. METODOS
BASICOS
DE INTEGRACION
------------------- - --------------------- + O[h]

5109094217170944000
802857662698291200000
Resulta entonces
T (h) = 1 +
c2j (hD)2j
j=1
enhD 1
f (x0 )
D
X

enhD 1
f (x0 ) +
c2j h2j D2j1 enhD 1 f (x0 )
D
j=1
Z b

X
=
f (x) dx +
c2j h2j f (2j1) (b) f (2j1) (a)
(1.50)
(1.51)
(1.52)
j=1
lo que justifica el enunciado del teorema 1.3.1

1.3.3. La f
ormula de Euler. En el apendice E (pagina 67) demostramos una
f
ormula de suma de Euler que enunciamos a continuacion con modificaciones.
Teorema 1.3.2. Supongamos que f es una funcion suave, de clase C en el
intervalo [a, b]. Sea n 1, h = (b a)/n, xj = a + jh, para j = 0, 1, . . . , n. Sea,
adem
as, {x} = x bxc. Entonces se tiene

Z b
f (a)
f (a)
+ f (x1 ) + . . . + f (xn1 ) +
f (x) dx = h
2
2
a

Z b
xa
f 0 (x) dx
(1.53)
+h
B1
h
a
La demostraci
on est
a presentada en el apendice.
Se tiene la siguiente f
ormula de integracion por partes (ver 74),
Z b
1
Bm ({(x a)/h})f (m) (x) dx =
m! a
1
(Bm+1 (1)f (m) (b) Bm+1 (0)f (m) (a)
(m + 1)!
Z b
1
Bm+1 ({(x a)/h})f (m+1) (x) dx

(m + 1)! a
(1.54)
Utilizandola directamente se puede generalizar la formula 1.53 para obtener por

inducci
on el teorema 1.3.1 de la pagina 4
1.4. M
etodos b
asicos de integraci
on num
erica
En las secciones 4.3 y 4.4 del texto de Burden y Faires (1996) se deducen y desarrollan los metodos b
asicos simples y compuestos para la determinacion numerica
de la integral
Z b
f (x) dx
(1.55)
a
La deducci
on de los mismos se basa en la aproximacion de la funcion f en el
intervalo (o, en el caso de los metodos compuestos, en subintervalos de) [a, b]. La
lectura de las secciones citadas es instructiva puesto que suministra una metodologa
alternativa para la obtenci
on de las expresiones de los distintos metodos respecto

1. INTEGRACION
de la que desarrollaremos a continuacion, que se denomina metodo de coeficientes

indeterminados
1.4.1. El m
etodo de coeficientes indeterminados. Para deducir los metodos
b
asicos de integraci
on numerica mediante este metodo reemplazamos la integral por
una suma finita
Z b
N
X
f (x) dx '
wi f (xi )
(1.56)
a
El m
etodo de coeficientes indeterminados es
una alternativa frente a
los m
etodos basados en
la aproximaci
on mediante polinomios
i=1
donde los N puntos a xi b se eligen en forma conveniente (lo que dependera de

la aplicaci
on particular) y los coeficientes wi (que son pesos en un sentido general)
se consideran indeterminados al principio y resultan ser las variables que debemos
determinar. Para ello se reemplaza en la expresion una familia conveniente de polinomios de grado creciente y se utilizan las ecuaciones resultantes para determinar
los wi y, eventualmente, estimar los errores de aproximacion del metodo.
En una secci
on posterior (ver 1.6 en la pagina 12) se generalizara este metodo
para el caso en que se utilizan las ecuaciones para determinar tanto los wi como los
xi .
No se pierde generalidad si se considera que el intervalo de integracion es [a, b] =
[1, 1], o bien [a, b] = [h, h] por ello realizaremos las cuentas en alguno de estos
intervalos particulares puesto que as las expresiones suelen simplificarse.
1.4.2. El m
etodo trapezoidal. Si utilizamos el producto Mathematica para
obtener los coeficientes las entradas y salidas podran ser
(* Trapezoidal *)
a0=a;a1=b; (* Defino los puntos *)
p0[x_]:=1; (* Defino los polinomios *)
p1[x_]:=(2x-a-b)/(b-a);
p2[x_]:=((2x-a-b)/(b-a))^2;
s0=A p0[a0] + B p0[a1]//Simplify (* Integraci\on num\erica *)
s1=A p1[a0] + B p1[a1]//Simplify; A + B
i0=Integrate[p0[x],{x,a,b}]//Simplify (* Integro los polinomios *)
i1=Integrate[p1[x],{x,a,b}]//Simplify;
-a + b
Solve[{s0==i0,s1==i1},{A,B}]//Simplify (* Resuelvo el sistema *)
-a + b
-a + b
{{A -> ------, B -> ------}}
2
2
Se tiene, adem
as, que el error 1 para un paso h = b a se puede escribir
(utilizando la f
ormula de interpolacion lineal o utilizando el error para el polinomio
p2 (x) del cuaderno de Mathematica precedente) como
1 (f ) =
(b a)3 00
f (),
12
[a, b]
(1.57)
NUMERICA
1.4. METODOS
BASICOS
DE INTEGRACION
(Justificar), an
alogamente el n correspondiente al paso h = (b a)/n resulta
n (f ) =
n
X
j=1
h3 00
f (j )
12
n
h3 n 1 X 00
f (j )
12 n j=1
(1.58)
y, por la suavidad de f ( C [a, b]) se tiene que

n
[a, b] : f 00 () =
1 X 00
f (j )
n j=1
(1.59)
en definitiva
(b a)h2 00
f ()
[a, b]
12
Si utilizamos la f
ormula del teorema 1.3.1 podemos escribir
n (f ) =
n (f ) =
B 2 h2 0
(f (b) f 0 (a)) + O(h4 )
2!
(1.60)
(1.61)
h2 00
f ()(b a) + O(h4 ),
[a, b]
(1.62)
12
lo que nos da un resultado del mismo orden.
A partir de la expresi
on 1.58 se puede seguir otra lnea deductiva: tomamos
lmite,
n
X
h
n (f )
= lim
f 00 (j )
(1.63)
lim
n h2
n
12 j=1
n
X
1
=
lim
f 00 (j )h
(1.64)
12 n j=1
pero, en esta expresi

on, xj1 j xj , j = 1, . . . , n con lo que la formula 1.64 es
una suma de Riemann, en consecuencia
!
Z b
n (f )
1
1
00
lim
= lim
f (x) dx = (f 0 (b) f 0 (a))
(1.65)
n h2
n
12 a
12
es decir que
h2 0
(f (b) f 0 (a))
(1.66)
12
f
on al error asintotico lo que podemos establecer en la sin (f ) es una aproximaci
guiente definici
on:
n (f ) ' f
n (f )
n 1.4.1. Sean n (f ) y f
Definicio
on del
n (f ), el error exacto y una estimaci
error respectivamente. Decimos que f
on asint
otica del error
n (f ) es una estimaci
n (f ) si
f
n (f )
lim
=1
(1.67)
n n (f )

1. INTEGRACION
10
Utilizando f
etodo trapezoidal corregido ThC (f )
n (f ) es posible dar un m
ThC (f ) = Th (f ) + f
n (f )
(1.68)
es decir
ThC (f )

=h
f0
fn
+ f1 + f2 + . . . + fn1 +
2
2
h2 0
(f (b) f 0 (a))
12
(1.69)
Ejercicio 1.4.1. Estudiar el comportamiento numerico del metodo trapezoidal

corregido ThC (f )
1.4.3. El m
etodo de Simpson. Utilizamos el producto Mathematica para
determinar los coeficientes del metodo de Simpson (ver Apendice B, pagina 37)
Obtenemos

ba
ba
a+b
S
=
f (a) + 4f (
) + f (b)
(1.70)
2
6
2
y un error de truncamiento
(b a)5 (4) a + b
f (
)
2880
2
(1.71)
lo que equivale a

ba 5
2
a+b
f (4) (
)
(1.72)
90
2
En forma an
aloga al caso de metodo trapezoidal y utilizando las expresiones
precedentes se tiene que
5
4 ba
f (4) ()
2
,
[a, b]
(1.73)
2 (f ) =
15
24

5
ba
1 (4)
=
f (),
[a, b]
(1.74)
2
90
y
n

2
h5 n2 2 X
f (4) (j )
n (f ) =
90 n j=1
t =
h4 (b a) (4)
f (),
180
[a, b]
(1.75)
y la f
ormula asint
otica
h4 (3)
(f (b) f (3) (a))
(1.76)
180
(Esta u
ltima tambien se obtiene a partir del desarrollo asintotico de Euler)
f
n (f ) =
1.4.4. M
etodos de Newton. En la seccion precedente hemos obtenido la
f
ormula del metodo de Simpson. La misma metodologa se puede utilizar para
cualquier elecci
on de los puntos de la particion del intervalo de integracion. Por
ejemplo, si desearamos calcular los que corresponden a una particion regular de
once puntos, nuevamente utilizamos el producto Mathematica para obtener los coeficientes (ver apendice B en pagina 37).
Estos metodos llevan el nombre de metodos de Newton, y en algunos textos
tambien el de f
ormulas de Newton-Cotes.
1.5. METODOS
DE EXTRAPOLACION
11
1.5. M
etodos de extrapolaci
on
En esta secci
on utilizaremos la expresion que calculamos para el error en el
metodo trapezoidal para ejemplificar el uso de los metodos de extrapolacion repetida de Richardson.
Supongamos que b0 = I(0) es la integral que deseamos calcular y que, para el
paso h se tiene
I(h) = b0 + b1 h2 + b2 h4 + b3 h6 + . . .
(1.77)
(f
ormula que sabemos v
alida para el mencionado metodo trapezoidal). El error de
truncamiento es
n1
X
I(h) b0 =
bi h2i + O(h2n )
(1.78)
i=1
de modo que, con 1.77 y

h
h2
h4
h6
+ b2
+ b3
+ ...
I( ) = b0 + b1
2
4
16
64
(1.79)
se obtiene efectuando 4 por (1.79) (1.77)

3
15
h
4I( ) I(h) = 3b0 b2 h4 b3 h6 + . . .
2
4
16
y, dividiendo por el coeficiente de b0
I (0) ( h2 ) I (0) (h)
1
5
h
I (1) (h) = I (0) ( ) +
= b 0 b 2 h 4 b3 h 6 + . . .
2
3
4
16
(1.80)
(1.81)
(ver la secci
on C.2 en el apendice, donde se deducen estas expresiones con el Mathematica). El error de truncamiento es
1
5
I (1) (h) b0 = b2 h4 b3 h6 + . . .
4
16
(1.82)
Si repetimos este c
alculo (ver C.2) se obtiene
I (0) (h) = I(h)
(1.83)
I (0) ( h2 ) I (0) (h)
22 1
h
I (1) (h) = I (0) ( ) +
2
I (1) ( h2 ) I (1) (h)
h
I (2) (h) = I (1) ( ) +
2
24 1
..
.
h
I (j+1) (h) = I (j) ( ) +
2
I (j) ( h2 ) I (j) (h)

22j+2 1
(1.84)
(1.85)
(1.86)
(1.87)
y, en general,
I (j) (h) = b0 + O(h2j+2 )
(1.88)
El esquema resultante es que cada elemento de la segunda columna se obtiene

con los dos inmediatos a su izquierda, cada vez que se calcula una aproximacion
con paso m
as fino se puede calcular una antidiagonal de la tabla, y, por u
ltimo, el
criterio de detenci
on es que dos valores en la misma columna difieran en menos que
un valor de tolerancia preestablecido.

1. INTEGRACION
12
Tabla 1. Extrapolacion de Richardson (Metodo de Romberg)

I (0) (h)
I (1) (h)
I (2) (h)
I (3) (h)
I (0) ( h2 )
I (1) ( h2 ) I (2) ( h2 ) I (3) ( h2 )
I (0) ( h4 )
I (1) ( h4 ) I (2) ( h4 )
I (0) ( h8 )
I (1) ( h8 )
h
I (0) ( 16
)
...
I (4) (h) . . .
...
...
...
..
.
1.6. Cuadratura de Gau
La expresi
on aproximada
N
X
wi f (xi )
(1.89)
i=1
Rb
para la integral a f (x) dx es mucho mas u
til si no se escogen de antemano los
puntos xi . El problema de hallar los puntos y los pesos de modo que la expresion
sea exacta para polinomios del mayor grado posible es resoluble y conduce a los
metodos de integraci
on de Gau.
En el apendice B (p
agina 37) incluimos un cuaderno del Mathematica que
calcula los coeficientes para un metodo de Gau de tres puntos (se realiza en el
intervalo [1, 1], pero un simple cambio de variables permite extenderlo a cualquier
intervalo [a, b])
Es conveniente, si embargo, atacar el problema de cuadratura en un contexto
un poco m
as general.
Sea v una funci
on de peso positiva en el intervalo [1, 1], si x0 , x1 , . . . , xm se
eligen como los ceros del polinomio pm+1 de grado m+1 en la familia de polinomios
ortogonales asociada a v(x), entonces la formula
Z 1
f (x)v(x) dx ' w0 f0 + w1 f1 + . . . + wm fm
(1.90)
1
La inclusi
on de la funci
on peso v facilita considerar distintas familias
de polinomios ortogonales
es exacta para todos los polinomios de orden 2m + 2 siempre que los coeficientes
satisfagan
Z 1
wi =
i (x)v(x) dx
(1.91)
1
donde i (x) es el polinomio de grado m (orden m + 1) tal que

0
j 6= i
i (xj ) =
j = 0, 1, 2, . . . , m
1
j=i
(1.92)
Para verificar esta afirmaci

on tomemos un polinomio f de orden 2m + 2, existen
entonces polinomios q y r de orden m + 1 tales que
f = qpm+1 + r
(1.93)

1.7. METODOS
DE MONTECARLO
13
Por lo tanto, debido a la ortogonalidad de la familia {pi }

Z 1
Z 1
Z 1
Z
f (x)v(x) dx =
q(x)pm+1 (x)v(x) dx +
r(x)v(x) dx =
1
r(x)v(x) dx
(1.94)
Asimismo, dado que xi es un cero de pm+1 , i = 0, 1, . . . , m, se tiene
m
X
i=0
wi fi =
m
X
wi q(xi )pm+1 (xi ) +
i=0
m
X
wi r(xi ) =
i=0
m
X
wi r(xi )
(1.95)
i=0
pero, tambien se tiene

Z
r(x)v(x) dx =
1
m
X
wi r(xi )
(1.96)
i=0
porque los coeficientes wi fueron elegidos de modo que la formula sea exacta para
todos los polinomios de grado m o menor (orden m + 1)
n 1.6.1. Aplicando la formula 1.90 al caso f (x) = (i (x))2 se tiene
Observacio
(fj = 0 para j 6= i)
Z 1
(i (x))2 v(x) dx = wi
(1.97)
1
por lo que los coeficientes wi en las formulas de cuadratura de Gau son positivos.
n 1.6.2. Para obtener los coeficientes se toman los xi como los
Observacio
ceros de los polinomios del orden deseado y se utiliza un calculador simbolico como
el Mathematica para obtener los coeficientes y para estimar el error de truncamiento local. En diversos manuales de formulas matematicas figuran los puntos y
coeficientes de Gau para distintas familias de polinomios y distintos ordenes.
El an
alisis del error puede desarrollarse en forma analoga a los casos considerados previamente, por ello dejamos los detalles para el lector interesado.
1.7. M
etodos de Montecarlo
En esta secci
on consideramos un metodo conceptualmente distinto, respecto de
los anteriormente presentados, para obtener aproximaciones a las integrales
Z b
f (x) dx
(1.98)
a
Suponemos que se posee una definicion de la funcion f , por ejemplo en un

m-file de Matlab
function y = mifun(x)
% MIFUN define mi funci\on
[mx,nx]=size(x)
if (mx == 1) & (nx == 1)
y = 2 * x;
else
disp(error);
end % if
o, tambien, si la funci
on est
a dada por N puntos en un tabla mif de N 2 donde
mix=mif(:,1) y miy=mif(:,2), se la calcula, por ejemplo, mediante y=spline(mix,miy,x)
o bien y=interp1(mix,miy,x) seg
un se desee.

1. INTEGRACION
14
Para la funcion f se determinan

M f = sup f (x)
(1.99)
axb
y
mf = inf f (x)
axb
La funci
on rand permite obtener puntos al azar
en un dominio
(1.100)
(en realidad basta que se tomen cotas superior e inferior respectivamente). El

metodo se aplica entonces a la funcion fe(x) = f (x) mf que resulta no negativa y
con su gr
afico contenido en el rectangulo R = [a, b] [0, M f mf ], y consiste en lo
siguiente. Se hallan P puntos al azar en el rectangulo R y se determina el n
umero
Pf de los que se encuentran en el area que deseamos aproximar. A continuacion se
calcula la estimaci
on del
area mediante la expresion

Pf
+ mf
(1.101)
(b a) (M f mf )
P
En la secci
on C.3 incluimos ejemplos de integrales de Montecarlo.
Este metodo no suele ser utilizado para el caso de areas puesto que existen
buenos metodos de cuadratura (como los ya estudiados), sin embargo, el caso de
los vol
umenes o hipervol
umenes es distinto. Supongamos que se desea conocer el
volumen de la intersecci
on de 5 cuerpos que se cortan en el espacio Eucldeo tridimensional, y que adem
as, se desea distinguir la parte de la interseccion que pertenece a un sexto cuerpo de aquella que no esta contenida en el mismo. El intento de
obtener la integral por metodos clasicos o numericos puede ser de una complejidad
excesiva a
un para casos de cuerpos definidos por ecuaciones muy simples. El uso
del metodo de Montecarlo permite superar estas dificultades.
1.7.1. Determinaci
on de un volumen. En esta seccion calcularemos el volumen del s
olido que resulta de la interseccion, en el primer octante, de los cilindros
x2 + z 2 = 1
(1.102)
y
1
y 2 + (z )2 = 1
(1.103)
2
En primer termino atacamos el problema con Matlab, a continuacion desarrollamos un cuaderno del Mathematica en el que obtenemos una solucion similar para
verificar.
%
MONTEK
volumen por m\etodo de Montecarlo
C.E.Neuman, 11-may-97
rand(seed,sum(100*clock)); % inicializa el generador de n\umeros al azar

scores=[];
NN=20;
N=NN^4;
h=1/NN;
% en esta variable se acumulan los resultados

% da el numero de cubitos por lado
% da el numero total de puntos
% da el paso (dimension del cubito)
for indice=1:10,
X=zeros(N,3);
for i=1:NN,
% construcci\on de los puntos al azar

1.7. METODOS
DE MONTECARLO
im1=i-1;
% en cada cubito
for j=1:NN,
jm1=j-1;
for k=1:NN,
km1=k-1;
ps = rand(NN,3);
ini=im1*NN*NN*NN+jm1*NN*NN+km1*NN+1;
fin=ini-1+NN;
X(ini:fin,:) = [ps(:,1)+i-1 ps(:,2)+j-1 ps(:,3)+k-1]*h;
end % rof
end % rof
disp(i);
end % rof
x=X(:,1);
y=X(:,2);
% asignaci\on de coordenadas al azar
z=X(:,3);
%%%
%%%
la siguiente variable calcula los valores de las funciones

de corte para las variables:
TEST=[y.*y+4*(z-0.5).*(z-0.5) x.*x+z.*z];
%%%
%%%
%%%
en I se seleccionan los \{\i}ndices correspondientes a puntos

contenidos en el volumen que se desea medir (intersecci\on
de los dos cuerpos definidos por las expresiones de TEST)
I=find( (TEST(:,1)<=1) & (TEST(:,2)<=1) );
[mI,nI]=size(I);
scores=[scores; mI/N]; % acumulaci\on del resultado
disp(indice);
end % rof
mime=mean(scores)
mide=std(scores)
scorord=sort(scores);
[m,n]=size(scores);
mimeord=mean(scores(0.1*m:0.9*m))
mideord=std(scores(0.1*m:0.9*m))
figure;
hist(scores);
% Salidas del programa precedente
%mime =
%
0.6352
%mide =
% 3.8221e-004
%mimeord =
%
0.6352
%mideord =
% 4.0451e-004
%scores =
%
0.6349
%
0.6347
%
0.6356
%
0.6356
%
0.6347
%
0.6356
15

1. INTEGRACION
16
%
%
%
%
0.6350
0.6356
0.6356
0.6352
Esta regularidad se ve confirmada por el siguiente cuaderno del Mathematica

(*
M\etodo de Montecarlo para integrales triples

C\alculo num\erico de la integral
*)
(* Determino el l\{\i}mite de separaci\on *)

Solve[4(1-x^2)==(1+Sqrt[1-y^2])^2,y]
2
2
{{y -> -Sqrt[-4 + 4 x - 4 Sqrt[1 - x ]]},
2
2
{y -> Sqrt[-4 + 4 x - 4 Sqrt[1 - x ]]},
2
{y -> -Sqrt[-4 + 4 x
2
+ 4 Sqrt[1 - x ]]},
2
2
{y -> Sqrt[-4 + 4 x + 4 Sqrt[1 - x ]]}}
(* Defino el l\{\i}mite de integraci\on *) f[x_]:=Sqrt[-4+4x
x+4Sqrt[1-x x]]
(* Determino el punto de separaci\on *) Solve[f[x]==1,x]
-Sqrt[3]
-Sqrt[3]
Sqrt[3]
{{x -> --------}, {x -> --------}, {x -> -------},
2
2
2
Sqrt[3]
{x -> -------}}
2
(* Defino el punto de separaci\on *) c=Sqrt[3]/2 Sqrt[3]
------2
(* Defino los extremos de integraci\on *)
geu[x_,y_]:=(1/2)(1+Sqrt[1-y y]) ged[x_,y_]:=(1/2)(1-Sqrt[1-y y])
fcu[x_,y_]:=Sqrt[1-x x]
(* Calculo las integrales en forma num\erica *)
I1=NIntegrate[1,{x,0,c},{y,f[x],1},{z,ged[x,y],geu[x,y]}]
I2=NIntegrate[1,{x,0,c},{y,0,f[x]},{z,ged[x,y],fcu[x,y]}]
I3=NIntegrate[1,{x,c,1},{y,0,f[x]},{z,ged[x,y],fcu[x,y]}] I1+I2+I3
0.244751 0.358503 0.0320788 0.635332
(* valor de la integral
*)
1.8. M
etodos adaptativos
En el u
ltimo apendice (F, pagina 75) se propone un laboratorio de Matematica
orientado a estudiar algoritmos adaptativos para la integracion numerica.
En la secci
on C.4, en la pagina 53, se incluye para ilustracion el codigo
de una funci
on de Matlab, adaptada de la denominada quad, que implementa un
algoritmo adaptativo recursivo de bajo orden basado en el metodo de Simpson. La
1.9. EJERCICIOS
17
funci
on miquad es en realidad un driver que llama a la verdadera funcion recursiva
que se denomina miquadst la que realiza cada paso de la recursion.
1.8.1. Comparaci
on entre NIntegrate y quad. Calculamos el area bajo
la curva normal, que puede encontrarse en cualquier tabla estadstica, utilizando
las funciones NIntegrate del Mathematica y quad de Matlab. La primera da (los
resultados de medici
on de tiempos se expresan en segundos)
(* Calculo con el Mathematica *)
f[x_]:=(1/Sqrt[2Pi]) E^(-x^2/2);//Timing
{0. Second, Null}
NIntegrate[f[x],{x,0,1}]//Timing
{0.11 Second, 0.341345}
N[NIntegrate[f[x],{x,0,1}],15]//Timing
{0.11 Second, 0.341344746068543}
Para la segunda es necesario definir en un m-archivo la funcion que se desea

integrar:
function y=nintquad(x)
% NINTQUAD Densidad normal
%%% C.E.Neuman, 10 de mayo de 1997
y=(1/sqrt(2*pi))*exp(-x.^2/2);
% fin de nintquad
La salida y la medici
on del tiempo empleado con Matlab es
Salidas de la integraci\on adaptativa con Matlab t=cputime;
Q=quad1(nintquad,0,1); cputime-t, Q ans =
0.06
Q =
0.34134540613909
t=cputime; Q=quad1(nintquad,0,1,1e-5); cputime-t, Q
ans =
0.11
Q =
0.34134474647804
ans =
0.6
Q =
0.34134474607765
ans =
2.47
Q =
0.34134474606860
Observamos que, en esta medicion, la que, al margen, no es muy precisa,

parece que la primera metodologa es mas eficiente que la segunda.
1.9. Ejercicios
Ejercicio 1.9.1. Utilizar el metodo de Romberg para calcular la integral
Z 4
f (x) dx
(1.104)
0

1. INTEGRACION
18
donde f (x) est

a definida por la siguiente tabla:
x
f (x)
0.0
4271
0.5
2522
1.0
499
1.5
1795
2.0
4358
2.5
7187
3.0
10279
3.5
13633
4.0
17247
Son necesarios todos los valores?

Ejercicio 1.9.2. Probar que la formula
"
r !
Z 1
1
3
f (x) dx '
5f
+ 8f (0) + 5f
9
5
1
r !#
3
5
es exacta para polinomios de quinto grado, y aplicarlo al calculo de

Z 1
sin x
dx
1
+x
0
(1.105)
(1.106)
Ejercicio 1.9.3.
(a) Deducir una formula de integracion de Gau de dos
puntos para integrales de la forma
Z 1
f (x)(1 + x2 ) dx
(1.107)
1
que sea exacta cuando f (x) es un polinomio de grado 3.

(b) Aplicar la f
ormula a f (x) = x4 . Usar el resultado para obtener una
aproximaci
on del resto.
Ejercicio 1.9.4. Supongamos que una integral numericamente aproximada se
representa mediante el smbolo In donde n es el n
umero de subdivisiones del intervalo de integraci
on. Si se calculan los valores de In para alg
un metodo numerico,
analizar en forma emprica la velocidad de convergencia de In a I (el valor de la
integral calculada exactamente) mediante los cocientes
Rn =
I2n In
I4n I2n
(1.108)
Dar ejemplos y explicar los resultados.

Ejercicio 1.9.5. [Optativo] Considerar el conjunto S1 de funciones definidas
en el intervalo [a, b] de la siguiente forma. Sea n > 0, h = (ba)/n, tj = a+jh, para
j = 0, 1, . . . , n. Sea f (x) definida por la propiedad de ser lineal en cada subintervalo
[tj1 , tj ], para j = 1, . . . , n. Mostrar que este conjunto de funciones f , para todo
n 1, es denso en el conjunto C[a, b] de funciones continuas en el intervalo [a, b].
Ejercicio 1.9.6. Obtener formulas de integracion de Gau para
Z 1
n
X
I=
xf (x) dx '
wj f (xj )
0
(1.109)
j=1
con funci
on peso w(x) = x
Ejercicio 1.9.7. Considerar la siguiente tabla de integrales aproximadas In
obtenidas mediante la regla de Simpson. Predecir el orden de convergencia de la
sucesi
on de In a la integral I:
1.9. EJERCICIOS
n
2
4
8
16
32
64
19
In
0.28451779686
0.28559254576
0.28570248748
0.28571317731
0.28571418363
0.28571427643
Es decir que, si I In ' c/np , entonces, cuanto vale p? El resultado resulta ser
una forma v
alida para el error de estos datos? Predecir un valor de c y del error en
I64 . Que valor de n es necesario alcanzar para que el error en In sea menor que
1011 ?
Ejercicio 1.9.8. Denotamos InT a la regla trapezoidal para aproximar la inteRb
gral a f (x) dx, y, analogamente, InM para la formula de midpoint. Los respectivos
errores asintoticos en el caso en que f sea suficientemente regular en [a, b], son
I InT =
y
h2 0
[f (b) f 0 (a)] + O(h4 )
12
(1.110)
h2 0
[f (b) f 0 (a)] + O(h4 )
(1.111)
24
Utilizar estos resultados para obtener un nuevo metodo numerico, Ien , con orden
de convergencia mayor, combinando InT y InM . Cuales son los pesos de la nueva
f
ormula Ien ?
I InM =
CAPTULO 2
Ecuaciones diferenciales
2.1. Introducci
on
Decimos que la ecuaci
on diferencial ordinaria
y 0 = f (x, y)
(2.1)
en una funci
on inc
ognita y, con f (x, y) funcion continua en un dominio D del
plano, tiene una soluci
on y(x) en un intervalo x0 x x1 , si y(x) es una fucion
diferenciable, (x, y(x)) est
a en el dominio D para cada x del intervalo [x0 , x1 ] y,
adem
as, y 0 (x) = f (x, y(x)) en [x0 , x1 ].
Desde el punto de vista geometrico podemos considerar que la ecuacion y 0 =
f (x, y) define un campo continuo de direcciones sobre D. Y que las funciones
soluci
on son tangentes a esas direcciones (en cada punto del dominio).
El campo de direcciones
permite estimar
gr
aficamente las
trayectorias
y 6
3
2
1
B
Br
B
B
A
Ar
A
A
@r
@
1
E
Er
E
E
C
Cr
C
C
A
Ar
A
A
E
Er
E
B E
Br
B
B
Figura 1. Campo de direcciones de f (x, y) = xy

Ejemplo 2.1.1. Sea la ecuacion diferencial y 0 = xy, entonces y 0 /y = x y es
posible integrar ambos miembros obteniendo log y = x2 /2 + C 0 , expresion de la
que tomando la exponencial de ambos miembros se deduce la solucion general
2
y(x) = Cex
/2
(2.2)
de la ecuaci
on diferencial. En la figura 1 esquematizamos el campo de direcciones
definido por f (x, y) = xy. (En cada punto (x, y) dibujamos un peque
no segmento
en la direcci
on de la recta por el punto con pendiente xy.)
21
Una soluci
on
-aproximada difiere
casi uniformemente de
la soluci
on en menos de
22
2. ECUACIONES DIFERENCIALES
n 2.1.1. Sea f (x, y) una funcion continua definida en el dominio D.

Definicio
Una funci
on y(x), definida en el intervalo [x1 , x2 ], es una solucion (aproximada) de
y 0 = f (x, y) con error menor que si
(i) (x, y(x)) D, x1 x x2
(ii) y(x) es continua en [x1 , x2 ]
(iii) y(x) tiene derivada continua a trozos en [x1 , x2 ] que puede no estar definida en un n
umero finito de puntos del intervalo [x1 , x2 ], llamemoslos 1 ,
2 , . . ., n
(iv) |y 0 (x) f (x, y(x))| , x1 x x2 , x 6= i , i = 1, 2, . . . , n.
Una vez definidas las soluciones aproximadas de una ecuacion diferencial deseamos demostrar un resultado de existencia de las mismas que, ademas, resulta
constructivo, puesto que nos da un metodo para obtener la aproximacion
Teorema 2.1.1. Sea (x0 , y0 ) un punto del dominio D (de la definicion 2.1.1)
y supongamos que el rect
angulo R = {|x x0 | a, |y y0 | b} esta contenido en
D. Sea |f (x, y)| M , (x, y) R. Entonces, si h = min(a, b/M ), puede construirse
una soluci
on aproximada y(x) de y 0 = f (x, y) en el intervalo |x x0 | h, tal que
y(x0 ) = y0 , donde el error puede ser un n
umero positivo arbitrariamente peque
no.
Notar que h es independiente de .
P
#
#
#
#
#
# "
# "
"
#"
s
#
!(x
(x0 + h, y0 )
!
O#
1 , y1 )
!
(x0 , yc
0)
6
c
c
c
c
Mh
c
c
c
c
S
c ?

R
h
Q
Figura 2. El rectangulo S esta contenido en el R
n: El rect
Demostracio
angulo S = {|x x0 | h, |y y0 | M h} esta contenido
en R por la definici
on de h (ver la figura 2). Supongamos dado el del teorema.
Como f (x, y) es continua en S, resulta uniformemente continua en S; es decir que,
dado > 0 (que lo tomamos como el del teorema) existe > 0 tal que si |
x x|
y |
y y| con (
x, y) S y (x, y) S, entonces
|f (
x, y) f (x, y)|
(2.3)
Sea x1 , . . . , xn1 un conjunto de puntos tales que: x0 < x1 < x2 < <
xn1 < xn = x0 + h, y
xi xi1 min(, /M ),
i = 1, . . . , n
(2.4)

2.2. METODOS
EN DIFERENCIAS DE UN PASO
23
Construiremos la soluci
on aproximada en el intervalo x0 x x0 + h; un
proceso similar permite definirla en el intervalo x0 h x x0 .
La soluci
on aproximada sera una poligonal construida de la siguiente manera:
desde (x0 , y0 ) se dibuja un segmento hacia la derecha con pendiente f (x0 , y0 ), este
corta la recta x = x1 en un punto (x1 , y1 ). Desde (x1 , y1 ) se dibuja un segmento
hacia la derecha con pendiente f (x1 , y1 ), que corta la recta x = x2 en y2 ; etc. El
punto (x1 , y1 ) debe pertenecer al triangulo OQP de la figura 2 porque el angulo
se toma de modo que tan = M , y |f (x0 , y0 )| M . Por motivos analogos (x2 , y2 )
tambien est
a en OQP ; etc. En consecuencia el proceso puede continuarse hasta
xn = x0 + h, porque la u
nica razon por la que podra detenerse sera que f (xk , yk )
no estuviese definida, caso en el que se tendra |yk y0 | > M h lo que sera contrario
a la construcci
on. Podemos definir y(x) por las formulas recursivas
y(x) = yi1 + (x xi1 )f (xi1 , y(xi1 ))
(2.5)
donde
yi1 = y(xi1 ),
xi1 x xi ,
i = 1, . . . , n
(2.6)
Por su definici
on y(x) es admisible, continua, y tiene derivada continua a trozos
y 0 (x) = f (xi1 , y(xi1 ),
xi1 < x < xi ,
i = 1, . . . , n
(2.7)
que no est
a definida solamente en los puntos xi , i = 1, . . . , n 1. Ademas, si
xi1 < x < xi
|y 0 (x) f (x, y(x))| = |f (xi1 , yi1 ) f (x, y(x))|
(2.8)
Pero, por 2.4 |x xi1 | < min(, /M ), y, por 2.5

|y yi1 | M |x xi1 | M
=
M
(2.9)
En consecuencia, por 2.3

|f (xi1 , yi1 ) f (x, y(x))|
(2.10)
y
|y 0 (x) f (x, y(x))| ,
x 6= xi ,
i = 1, 2, . . . , n 1
(2.11)
Resulta as que y(x) satisface todas las condiciones de la definicion previa y la

construcci
on requerida por el teorema ha sido completada.(ver apendice H)
Este metodo de construir una solucion aproximada se conoce como metodo de
Euler. Es innecesario mejorar el valor del h del teorema porque, en general, se
puede demostrar que y(x) esta definida en un intervalo mayor que |x x0 | h.
2.2. M
etodos en diferencias de un paso
2.2.1. M
etodos de Euler y retroEuler. El metodo de Euler para la resoluci
on aproximada de la ecuacion diferencial

y 0 = f (x, y)
(2.12)
y(x0 ) = y0
se puede formular as:
M
etodo de Euler
yn+1 = yn + hf (xn , yn ),
n0
donde h es de ahora en adelante el paso del metodo en estudio.
(2.13)
24
Estabilidad del m
etodo
de Euler
En cada paso se cambia de miembro de la familia de soluciones de la ecuacion

diferencial, de manera que la precision del metodo debera depender de la estabilidad de las ecuaciones. Si las ecuaciones son estables, los errores en los primeros
pasos tendr
an peque
no efecto posterior. Definimos provisoriamente la nocion de
estabilidad de un metodo numerico en funcion de su comportamiento para resolver
la ecuaci
on diferencial y 0 = y con un n
umero complejo. La region de estabilidad
absoluta es entonces el subconjunto de puntos h del plano complejo con h 0 para
los que una perturbaci
on en un u
nico valor yn produce una sucesion de cambios en
los siguientes valores que no crecen de paso a paso.
Ejemplo 2.2.1. Para el metodo de Euler se tiene
yn+1 = yn + hyn = (1 + h)yn
(2.14)
de modo que este metodo es absolutamente estable en la region |1 + h| 1 que es

el crculo unitario del plano complejo centrado en el punto (1, 0).
Ejemplo 2.2.2. El metodo de Euler aplicado a la ecuacion del ejemplo 2.1.1
resulta ser
yn+1 = yn hxn yn = (1 hxn )yn
(2.15)
El metodo de Euler puede obtenerse tambien del siguiente razonamiento. Se
reemplaza la derivada y 0 en la ecuacion
y 0 (x) = f (x, y)
(2.16)
por un cociente de incrementos en (xn , yn ) para obtener

yn+1 yn
= f (xn , yn )
(2.17)
h
resultando el metodo al despejar la ecuacion para yn+1 . Si, en cambio, se utiliza el
mismo cociente, pero en (xn+1 , yn+1 ), se obtiene
yn+1 yn
= f (xn+1 , yn+1 )
h
M
etodo de retroEuler
(2.18)
lo que conduce al metodo denominado retroEuler (backward Euler)

yn+1 = yn + hf (xn+1 , yn+1 )
(2.19)
que tiene la caracterstica especial de ser implcito y requiere la solucion de una

ecuaci
on en cada paso.
Ejemplo 2.2.3. Para el metodo retroEuler se tiene
yn+1 = yn + hyn+1
(2.20)
es decir que luego de despejar yn+1

yn+1 =
1
yn
1 h
(2.21)
de modo que este metodo es absolutamente estable en la region |1/(1 h)| 1

v
alida en el semiplano de partes reales no positivas del plano complejo.
Estabilidad del m
etodo
retroEuler

2.2. METODOS
25
Ejemplo 2.2.4. El metodo retroEuler aplicado a la ecuacion del ejemplo 2.1.1

resulta ser
yn+1 = yn hxn+1 yn+1
(2.22)
es decir
yn+1 =
1
yn
(1 + hxn+1 )
(2.23)
2.2.2. M
etodos de RungeKutta. Nuestro siguiente objetivo es generalizar
el metodo de Euler utilizando los desarrollos en polinomios de Taylor pero limitando
lo m
as posible el c
alculo de derivadas de las funciones involucradas. Recordemos
que en este metodo se puede escribir
yh (x) = y(x) + hD(x) + O(h2 )
(2.24)
yh/2 (x) = y(x) + (h/2)D(x) + O(h2 )
(2.25)
y que para el paso mitad
(porque?) y que aplicando la extrapolacion (de Richardson) para eliminar D(x)

y(x) = 2yh/2 (x) yh (x) + O(h2 )
(2.26)
Apliquemosla a un paso de longitud h, se tiene

yh (xn + h) = yn + hf (xn , yn )
(2.27)
yh/2 (xn + (h/2)) = yn + (h/2)f (xn , yn )
(2.28)
y para medio paso
en consecuencia
yh/2 (xn + h) = yn + (h/2)f (xn , yn )
+(h/2)f (xn + (h/2), yn + (h/2)f (xn , yn ))
(2.29)
luego, aplicando la extrapolacion,

y(xn+1 ) = 2yn + hf (xn , yn ) + hf (xn + (h/2), yn + (h/2)f (xn , yn ))
yn hf (xn , yn ) + O(h2 )
(2.30)
y simplificando
yn+1 = yn + hf (xn + (h/2), yn + (h/2)f (xn , yn ))
(2.31)
En definitiva, podemos escribir

yn+1 = yn + h(xn , yn , h; f )
(2.32)
(x, y, h; f ) = f (x + (h/2), y + (h/2)f (x, y))
(2.33)
con
En que consiste esta primera formula de Runge en forma grafica?
En la figura 3 representamos el efecto de aplicar la primera formula de Runge
en el paso de xn a xn+1 .
Notemos que para el metodo de Euler se puede definir en forma analoga (x, y, h; f ) =
f (x, y).
Ejercicio 2.2.5. Es posible expresar en esta notacion el metodo de retroEuler?
Primera f
ormula de
Runge
26
y 6
10
rr Runge
un (xn+1 )
r Euler

xn
xn+1
Figura 3. Primer metodo de Runge

Para estudiar la estabilidad aplicamos la formula a la ecuacion y 0 = y. Se
tiene yn+1 = yn + h(yn + (h/2)yn ) = yn (1 + h + 12 h2 2 ) razon por la cual debe
tenerse que |1 + h + 12 h2 2 | 1.
Este primer metodo de Runge es generalizacion del de Euler. Aunque existen
otras posibles generalizaciones, por ejemplo utilizando series de potencias, el problema es que hay que derivar la funcion f . La idea de Runge fue dar formulas que
se originan en tomar combinaciones de valores de f (x, y) en puntos adecuadamente
elegidos para obtener, sin derivaciones, expresiones cuyos desarrollos coincidan en
sus primeros terminos con la serie de potencias desarrollada en el entorno del punto.
Esas f
ormulas fueron mejoradas por Heun y por Kutta.
Llamaremos metodo de Runge-Kutta (RK) a
yn+1 = yn + h(xn , yn , h; f ),
n0
(RK)
(2.34)
y en lo que sigue determinaremos diversas elecciones para . Es natural esperar

que (x, y(x), h; f ) ' y 0 (x) = f (x, y(x)) si h es peque
no. El error de truncamiento
local es en este metodo
n+1 (y) = y(xn+1 ) y(xn ) h(xn , y(xn ), h; f ),
n0
(2.35)
Ilustremos la deducci
on de distintas en el caso de segundo orden de aproximaci
on. La propuesta es
(x, y, h; f ) = 1 f (x, y) + 2 f (x + h, y + hf (x, y))
(2.36)
donde deben determinarse las constantes 1 , 2 , , y . Para ello desarrollemos el

error de truncamiento local en este metodo
n+1 (y) = Y (xn+1 ) Y (xn ) h(xn , Y (xn ), h; f ),
n0
(2.37)
en potencias de h
n+1 (y) = hYn0 +
h2 00 h3 000
Y + Yn + O(h4 ) h(xn , Yn , h; f )
2 n
6
(2.38)
Estabilidad de la
primera f
ormula de
Runge

2.2. METODOS
27
donde (la notaci

on fx significa f /x y analogamente para las derivadas parciales
de orden superior)
y0 = f
y 00 = fx + fy y 0 = fx + fy f
y 000 = fxx + fxy f + (fyx + fyy f )f + fy (fx + fy f )
= fxx + 2fxy f + fyy f 2 + fy fx + fy2 f
(2.39)
(2.40)
(2.41)
(2.42)
y
(x, y, h; f ) = 1 f (x, y) + 2 (f (x, y) + h(fx + f fy )
1
1
+h2 ( 2 fxx + fxy f + 2 fyy f 2 )) + O(h3 )
(2.43)
2
2
Sustituyendo y agrupando terminos en potencias de h se obtiene
1
1
n+1 = h(1 1 2 )f + h2 (( 2 )fx + ( 2 )f fy )
2
2
1
1
1 1
3 1
2
+h (( 2 )fxx + ( 2 )f fxy + ( 2 2 )f 2 fyy
6 2
3
6 2
1
1 2
3
+ fy fx + fy f ) + O(h )
(2.44)
6
6
todo evaluado en (xn , Yn ). Deseamos que n+1 (y) converja a cero tan rapido como
se pueda. Aceptando f arbitrarias no podremos, en general, anular el coeficiente
de h3 (porque?). Anulando los de h y h2 obtenemos
1
1
n+1 (y) = O(h3 ),
1 + 2 = 1,
2 = , 2 =
(2.45)
2
2
cuya soluci
on general es
2 arbitrario
1 = 1 2
1
==
22
Consideremos algunos casos particulares
(a) 2 = 1, lo que implica 1 = 0, = = 12
h
h
, y + f (x, y))
2
2
(b) 2 = 12 , lo que implica 1 = 21 , = = 1
(x, y, h; f ) = f (x +
1
1
f (x, y) + f (x + h, y + hf (x, y))
2
2
Notemos que si definimos
(x, y, h; f ) =
k1 = hf (x, y)
k2 = hf (x + h, y + k1 )
(2.46)
(2.47)
(2.48)
(2.49)
(2.50)
(2.51)
(2.52)
se tiene
1
(k1 + k2 )
2
Runge not
o que este metodo puede mejorarse definiendo
h =
k3 = hf (x + h, y + k2 )
(2.53)
(2.54)
Segunda f
ormula de
Runge
28
a
r Runge 2
r
u
(x
n n+1 )
r Euler

0
xn
xn+1 x

d

Figura 4. Segunda
formula de Runge

y tomando

1
h = (k1 + k3 )
(2.55)
2
d
que es la segunda f
ormula de Runge (ver figura 4).
(c) (primer orden) 1 = 1, lo que implica 2 = 0, se obtiene en consecuencia
y 6
(x, y, h; f ) = f (x, y)
(Euler)
(2.56)
Las f
ormulas de mayor orden involucran un algebra mas complicada, para ello
se suele proponer
h(x, y, h; f ) =
p
X
i ki
(2.57)
i=1
con
k1 = hf (x, y)
k2 = hf (x + 2 h, y + 21 k1 )
..
.
i1
X
ki = hf (x + i h, y +
ij kj ) i = 1, . . . , p
(2.58)
(2.59)
(2.60)
j=1
M
etodo
cl
asico
Runge-Kutta
de
Los coeficientes se pueden escoger de modo que los primeros terminos en el error
de truncamiento local sean nulos. En consecuencia, por un procedimiento analogo
al realizado en el caso de segundo orden se obtienen diversos metodos de orden
superior de los que el m
as utilizado es el llamado Metodo de Runge-Kutta
1
yn+1 = yn + (k1 + 2k2 + 2k3 + k4 )
6
(2.61)

2.2. METODOS
29
con
k1 = hf (xn , yn )
h
k1
k2 = hf (xn + , yn + )
2
2
h
k2
k3 = hf (xn + , yn + )
2
2
k4 = hf (xn + h, yn + k3 )
y 6
(2.62)
(2.63)
(2.64)
(2.65)
r RK
r un (xn+1 )
r Euler

xn
xn+1 x
Figura 5. El metodo de Runge-Kutta

Se puede demostrar que esta es una formula de cuarto orden: n+1 = O(h5 ).
n 2.2.1. El metodo RK clasico es una generalizacion de la regla
Observacio
de Simpson en el caso que f no sea independiente de y
Z xn+1
h
h
f (x)dx ' (f (xn ) + 4f (xn + + f (xn+1 ))
(2.66)
6
2
xn
Ejemplo 2.2.6. Apliquemos el metodo clasico de RK a la ecuacion de prueba
y 0 = y
k1 = hyn
1
k2 = h(yn + hyn )
2
1
= hyn + h2 2 yn
2
1
1
k3 = h(yn + (hyn + h2 2 yn ))
2
2
1 2 2
1
= hyn + h yn + h3 3 yn
2
4
1 2 2
1
k4 = h(yn + hyn + h yn + 1 h3 3 yn )
2
4
1 3 3
1
2 2
= hyn + h yn + h yn + h4 4 yn )
2
4
(2.67)
(2.68)
(2.69)
(2.70)
(2.71)
(2.72)
(2.73)
El m
etodo cl
asico de
Runge-Kutta generaliza
el m
etodo de Simpson
30
de manera que
1
yn + (k1 + 2k2 + 2k3 + k4 ) = yn
6
1
1
+ (6hyn + 3h2 2 yn + h3 3 yn + h4 4 yn )
6
4
lo que permite escribir en definitiva
1
1
1
yn+1 = yn (1 + h + h2 2 + h3 3 + h4 4 )
2
6
24
(2.74)
(2.75)
vemos as que se aproxima a eh hasta el cuarto orden.

Ejercicio 2.2.7. [Optativo] Con la expresion 2.75 se puede dibujar la region
de estabilidad absoluta.
Para estudiar la convergencia del esquema general RK
yn+1 = yn + h(xn , yn , h; f ),
n0
(2.76)
recordemos que el error local es

n+1 (Y ) = Y (xn+1 ) Y (xn ) h(xn , Y (xn ), h; f ),
n0
(2.77)
conviene definir n+1 (Y ) por la expresion

n+1 (y) = hn+1 (Y )
(2.78)
y con esta se tiene

Y (xn+1 ) = Y (xn ) + h(xn , Y (xn ), h; f ) + hn+1 (Y ),
n0
(2.79)
con lo que resulta

Y (xn+1 ) Y (xn )
(xn , Y (xn ), h; f )
(2.80)
h
de modo que debe tenerse n+1 (Y ) 0 cuando h 0, equivalentemente debe
requerirse que (x, Y (x), h; f ) Y 0 (x) = f (x, Y (x)) cuando h 0.
Definiendo
(h) = max |f (x, y) (x, y, h; f )|
(2.81)
n+1 (Y ) =
x0 xb
<y<
se tiene que limh0 (h) = 0 se denomina condicion de consistencia para el metodo

2.76 y es suficiente para asegurar la convergencia si se tienen ciertas hipotesis para
, a saber: continua y
|(x, y, h; f ) (x, y, h; f )| L|y y|,
x0 x b, < y, y <
(2.82)
(funci
on de Lipschitz en la variable y)
Teorema 2.2.2. Supongamos que el metodo 2.76 dado por
yn+1 = yn + h(xn , yn , h; f )
(2.83)
satisface la condici
on |(x, y, h; f ) (x, y, h; f )| L|y y| con x0 x b <
y, y < , L constante. Entonces la solucion aproximada {yn } del problema de
valores iniciales y 0 = f (x, y), y(x0 ) = y0 satisface
max |Y (xn ) yn | e(bx0 )L |Y0 y0 | +
x0 xn b
e(bx0 )L 1
(h)
L
(2.84)

2.2. METODOS
31
donde (h) = maxx0 xn b |n+1 (Y )|. Si se satisface la condicion de consistencia

(h) =
max
x0 xb
<y<
|f (x, y) (x, y, h; f )| 0
para
h0
(2.85)
entonces la soluci
on numerica {yn } converge a Y (x)
n: Restamos (2.79)(2.76)
Demostracio
Y (xn+1 ) yn+1 = Y (xn ) yn + h((xn , Y (xn ), h; f )
(xn , yn , h; f )) + hn+1 (Y )
(2.86)
Luego
|Y (xn+1 ) yn+1 | |Y (xn ) yn | + h|(xn , Y (xn ), h; f ) (xn , yn , h; f )|
+h|n+1 (Y )|
|Y (xn ) yn |(1 + hL) + h (h),
x0 xn b
(2.87)
Recursivamente se tiene
|Y (xn+1 ) yn+1 | (1 + hL)n |Y (x0 ) y0 | + (1 + (1 + hL)
+ . . . + (1 + hL)n1 )h (h)
(1 + hL)n 1
(1 + hL)n |Y (x0 ) y0 | +
(h)
L
(2.88)
2
pero (1 + hL)n enhL = e(xn x0 )L e(bx0 )L pues ex = 1 + x + x2 e con 0 x

y x > 1 (1 + x)m emx .
Luego
|Y (xn ) yn | e(bx0 )L |Y (x0 ) y0 | +
e(bx0 )L 1
(h),
L
x0 xn b
(2.89)
En muchos casos se puede demostrar que (h) 0 cuando h 0 por calculo

directo obteniendose as la convergencia buscada. Veamos que basta saber que
limh0 (h) = 0,
hn+1 (Y ) = Y (xn+1 ) Y (xn ) h(xn , Y (xn ), h; f )
1
= hY 0 (n) + h2 Y 00 (n ) h(xn , Y (xn ), h; f ),
2
con xn < n < xn+1
(2.90)
resulta as
h|n+1 (Y )| h(h) +
h2 00
||Y ||
2
(2.91)
obteniendose en definitiva
1
(h) (h) + h||Y 00 ||
2
(2.92)
lo que completa la demostracion.

Corolario 2.2.3. Si el metodo RK dado por yn+1 = yn +h(xn , yn , h; f ) tiene
un error de truncamiento n+1 (y) = O(hm+1 ) entonces la velocidad de convergencia
de {yn } a y(x) es O(hm ).
32
Teorema 2.2.4. Si (x, y, h; f ) es continua en (x, y, h) en x0 x b, 0 h

h0 , para todo y y es Lipschitz en y, entonces la convergencia es equivalente a tener
(x, Y (x), 0; f ) = f (x, Y (x))
o, equivalentemente
(x, y, 0; f ) = f (x, y)
Ejercicio 2.2.8. Demostrar el teorema 2.2.4

La velocidad de convergencia de yh (x) a Y (x) es O(h4 ) en el metodo clasico
RK pues n+1 (y) = O(h5 ). Se puede demostrar, en consecuencia, que
Y (x) yh (x) = D(x)h4 + O(h5 )
(2.93)
donde D(x) satisface un problema analogo de valores iniciales. Asimismo, como

Y (x) y2h (x) = 16D(x)h4 + O(h5 )
(2.94)
se deduce que
1
(yh (x) y2h (x)) + O(h5 )
15
donde el termino yh (x) y2h (x) permite estimar el error.
En general vale el siguiente
(2.95)
Y (x) = yh (x) +
Teorema 2.2.5. Si el error de truncamiento

n+1 (Y ) = h(x, Y (x), h; f ) (Y (x + h) Y (x))
(2.96)
se puede expresar
n+1 (Y ) = hr+1 (x, Y ) + O(hr+2 )
(2.97)
y tiene derivadas segundas continuas, entonces el error satisface

en = hr D(xn ) + O(hr+1 )
(2.98)
donde D(x) es soluci

on de
D0 (x) =
f
(x, Y (x))D(x) + (x, Y (x))
y
(2.99)
n: Por el orden del metodo buscamos para en una expresion de la

Demostracio
forma del enunciado. Si reemplazamos la expresion en = hr n en
en+1 = en + h((xn , yn , h; f ) (xn , Y (xn ), h; f )) + n+1 (Y )
(2.100)
obtenemos
n+1 = n + h1r ((xn , Y (xn ) + hr n , h; f ) (xn , Y (xn ), h; f ))
+h(xn , Y (xn )) + O(h2 )
(2.101)
Por la suavidad supuesta para podemos escribir

(xn , Y (xn ) + hr n , h; f ) = (xn , Y (xn ), h; f ) + y (xn , Y (xn ), h; f )hr n
1
+ yy (xn , Y (xn ), h; f )h2r n2
(2.102)
2
2.3. EJERCICIOS
33
en raz
on de la convergencia este u
ltimo sumando se puede escribir en la forma k1 h2r
con ||k1 || acotada. El segundo sumando se puede reescribir as
y (xn , Y (xn ), h; f )hr n = y (xn , Y (xn ), 0; f )hr n
+yh (xn , Y (xn ), ; f )hr+1 n
(2.103)
cuyo u
ltimo sumando se puede escribir en la forma k2 hr+1 con ||k2 || acotada.
En definitiva
n+1 = n + h(fy (xn , Y (xn ))n + h(xn , Y (xn ) + hk2 + hr k1 )
(2.104)
que es un metodo numerico para

D0 (x) = fy (x, Y (x))D(x) + (x, Y (x))
(2.105)
D(0) + e0 hr
(2.106)
lo que permite completar la demostracion del teorema.
2.3. Ejercicios
Ejercicio 2.3.1. Dada y 0 = 1 + x2 y 2 , con y(0) = 0, calcular y(0.5) mediante
el metodo de Euler con extrapolacion de repetida de Richardson. Usar aritmetica
de redondeo de cinco decimales.
Ejercicio 2.3.2. Aplicando el metodo de Euler, se obtuvieron los resultados:
1.22726 (con paso h = 0.05), 1.22595 (h = 0.1), 1.22345 (h = 0.2). Calcule un
mejor valor por extrapolaci
on.
Ejercicio 2.3.3. Utilizar el metodo de Euler con longitud de paso h sobre el
problema test
y 0 = y,
y(0) = 1
(2.107)
(a) Determinar una expresion explcita para yn
(b) Para que valores de h la sucesion {yn }
0 es acotada?
(c) Calcular el limh0 (y(x, h) ex )/h
Ejercicio 2.3.4. Determinar el desarrollo de Taylor para la solucion de la
ecuaci
on y 0 = y 2 , con y(0) = 1, en el entorno de x = 0. Usar esta aproximacion
para calcular y(0.2) e y(1.2) con cuatro decimales. Comparar con la solucion exacta
y explicar porque el segundo caso (x = 1.2) no es exitoso.
Ejercicio 2.3.5. La funcion y(x) se define mediante el problema
y 0 = x2 y 2 ,
y(0) = 1
(2.108)
Calcular y(0.2) utilizando los siguientes metodos:

(a)
(b)
(c)
(d)
Euler-Richardson: h = 0.1 y h = 0.2;

Metodo Runge-Kutta: h = 0.1;
Desarrollo en serie de Taylor hasta el cuarto termino;
Metodo del trapecio: h = 0.2.
Ejercicio 2.3.6. [Optativo]Se desea realizar una tabla de la funcion

Z u2
e
y(x) =
du
(u
+ x)
0
(2.109)
34
para varios valores de x. Se procede de la siguiente manera: y(x) se calcula para

x = 1 usando alg
un metodo para integracion numerica; se calcula y(1) = 0.6051.
Mostrar que y satisface la ecuacion diferencial
dy
1
+ 2xy = +
(2.110)
dx
x
Se resuelve la ecuaci
on diferencial numericamente con el valor inicial y(1) = 0.6051,
y as se pueden calcular m
as valores de la tabla. Determinar y(x) para x = 1.2 y
x = 1.4 mediante el metodo de Runge-Kutta y estimar el error en y(1.4).

APENDICE
A
Bibliografa y referencias
A.1. Textos b
asicos
(1) Atkinson, K.E.: An Introduction to Numerical Analysis, 2nd edition, J.
Wiley & Sons., New York, 1989.
(2) Burden, R.L. y Faires, J.D.: An
alisis Numerico, 2da edicion, Grupo
Editorial Iberoamerica, Mexico, 1993.
(3) Dahlquist, G., and Bjrck,
A.: Numerical Methods, Prentice-Hall, E.
Cliffs, NJ, 1974.
A.2. Bibliografa complementaria

(1) Aguilera, N.E.: Introducci
on a la computaci
on en Matem
atica usando
Mathematica, Red Olmpica, OMA, Buenos Aires, 1994.
(2) Apostol, T.M.: An
alisis Matem
atico, 2da edicion, Reverte, Barcelona,
1976.
(3) Braun, M.: Differential Equations and Their Applications. An Introduction to Applied Mathematics, 4th edition, Springer, N.York, 1993.
(4) Davis, Ph.J. y Rabinowitz, Ph.: Methods of Numerical Integration,
2nd edition, Academic Press, N.York, 1984.
(5) Gear, C.W.: Numerical Initial Value Problems in Ordinary Differential
Equations, Prentice-Hall, E. Cliffs, 1971
(6) Golub, G.H. (Editor): Studies in Numerical Analysis, MAA Studies in
Mathematics 24, Washington, 1984.
(7) Graham, R.L., Knuth, D.E., and Patashnik, O.: Concrete Mathematics, Addison-Wesley, Reading, MA, 1989.
(8) Hurewicz, W.: Lectures on Ordinary Differential Equations, The M.I.T.
Press, Cambridge, MA, 1958.
(9) Knuth, D.E.: The Art of Computer Programming
Vol.1: Fundamental Algorithms
Vol.2: Seminumerical algorithms
Vol.3: Sorting and searching ,
Addison-Wesley, Reading, 1973.
Versi
on espa
nola: V.1, Reverte, Barcelona, 1980.
(10) Linz, P.: A Critique of Numerical Analysis, Bulletin American Mathematical Society, 19(2), 407416, 1988
(11) Maeder, R.: Programming in Mathematica, 2nd edition, Addison-Wesley,
1991.
(12) Marshall, G.: Soluci
on Numerica de Ecuaciones Diferenciales, Tomos
1 y 2, Reverte, Buenos Aires, 1985 y 1986
35
36
A. BIBLIOGRAFIA Y REFERENCIAS
(13) Press, W.H., Teukolsky, S.A., Vetterlin, W.T., y Flannery,

B.P.: Numerical Recipes in C. The Art of Scientific Computing, 2nd edition, Cambridge University Press, Cambridge, 1992.
(14) Rice, J.R.: Numerical Methods, Software, and Analysis, 2nd edition,
Academic Press, Boston, 1993.
(15) Stoer, J. y Bulirsch, R.: Introduction to Numerical Analysis, Springer, N.York, 1980.
(16) Strang, G.: Introduction to Applied Mathematics, Wellesley-Cambridge,
Wellesley, 1986
(17) Wolfram Research: Guide to Standard Mathematica Packages, Version 2.2, Technical Report, Wolfram Research, 1993.
(18) Wolfram Research: MathLink Reference Guide, Version 2.2, Technical
Report, Wolfram Research, 1993.
(19) Wolfram, S.: The Mathematica Book , 3rd edition, Wolfram MediaCambridge, Cambridge, UK, 1996.

APENDICE
B
Coeficientes indeterminados con el Mathematica

B.1. El m
etodo de Simpson
(* Simpson *)
a0=a;(* Defino los puntos *)
a1=a/2+b/2;
a2=b;(*a=-1;b=1;*)
p0[x_]:=1; (* Defino los polinomios *)
p1[x_]:=(2x-a-b)/(b-a);
p2[x_]:=((2x-a-b)/(b-a))^2;
p3[x_]:=((2x-a-b)/(b-a))^3;
p4[x_]:=((2x-a-b)/(b-a))^4;
(* Integraci\on num\erica *) s0=A p0[a0] + B p0[a1] + C p0[a2]
//Simplify s1=A p1[a0] + B p1[a1] + C p1[a2] //Simplify; s2=A
p2[a0] + B p2[a1] + C p2[a2] //Simplify; A + B + C
(* Integro los polinomios *)
i0=Integrate[p0[x],{x,a,b}]//Simplify
-a + b
(* Resuelvo el sistema *)
Solve[{s0==i0,s1==i1,s2==i2},{A,B,C}]//Simplify
2 (-a + b)
-a + b
-a + b
{{B -> ----------, A -> ------, C -> ------}}
3
6
6
(* Verifico que vale para polinomios de tercer grado *)
(s3=A p3[a0] + B p3[a1] + C p3[a2])/.%15 //Simplify
{0} i3=Integrate[p3[x],{x,a,b}]//Simplify 0 (* Resulta as\{\i}
que la siguiente
ecuaci\on ( s3 == i3 ) vale trivialmente *)
(* Calculo del error con el polinomio de cuarto grado *)
(s4=A p4[a0] + B p4[a1] + C p4[a2])/.%15 //Simplify
-a + b
{------}
3
-a + b
-----5
e4=(%20 - %19)//Simplify
2 (a - b)
37
38
B. COEFICIENTES INDETERMINADOS CON EL Mathematica
{---------}
15
(* Calculo del polinomio de Taylor *)
Series[ f[x], {x, (a+b)/2, 4}]
a + b
-(a + b)
2
f[-----] (-------- + x)
a + b
a + b
-(a + b)
2
2
f[-----] + f[-----] (-------- + x) + -------------------------- +
2
2
2
2
(3) a + b
-(a + b)
3
(4) a + b
-(a + b)
4
[-----] (-------- + x)
f
[-----] (-------- + x)
2
2
2
2
--------------------------- + --------------------------- +
6
24
f
-(a + b)
5
O[-------- + x]
2
(* Resulta asi que el error de truncamiento es
5 (4) a + b
( b - a ) f
[-----]
2
-----------------------2880
*)
B.2. El m
etodo de Newton
(* Newton de once puntos *)
a0=a; (* Defino los puntos *)
a1=9a/10+b/10;
a2=8a/10+2b/10;
a3=7a/10+3b/10;
a4=6a/10+4b/10;
a5=5a/10+5b/10;
a6=4a/10+6b/10;
a7=3a/10+7b/10;
a8=2a/10+8b/10;
a9=a/10+9b/10;
a10=b;
p0[x_]:=1;
(* Defino los polinomios *)
p1[x_]:=(2x-a-b)/(b-a);
p2[x_]:=((2x-a-b)/(b-a))^2;
p3[x_]:=((2x-a-b)/(b-a))^3;
p4[x_]:=((2x-a-b)/(b-a))^4;
p5[x_]:=((2x-a-b)/(b-a))^5;
p6[x_]:=((2x-a-b)/(b-a))^6;
p7[x_]:=((2x-a-b)/(b-a))^7;
p8[x_]:=((2x-a-b)/(b-a))^8;
p9[x_]:=((2x-a-b)/(b-a))^9;
p10[x_]:=((2x-a-b)/(b-a))^10;
p11[x_]:=((2x-a-b)/(b-a))^11;
p12[x_]:=((2x-a-b)/(b-a))^12;

B.2. EL METODO
DE NEWTON
(* Integraci\on num\erica *) s0=A0 p0[a0] + A1 p0[a1] + A2

p0[a2] + A3 p0[a3]+
A4 p0[a4] + A5 p0[a5] + A6 p0[a6] + A7 p0[a7]+
A8 p0[a8] + A9 p0[a9] + A10 p0[a10]//Simplify;
s1=A0 p1[a0] + A1 p1[a1] + A2 p1[a2] + A3 p1[a3]+
A4 p1[a4] + A5 p1[a5] + A6 p1[a6] + A7 p1[a7]+
s2=A0 p2[a0] + A1 p2[a1] + A2 p2[a2] + A3 p2[a3]+
A4 p2[a4] + A5 p2[a5] + A6 p2[a6] + A7 p2[a7]+
s3=A0 p3[a0] + A1 p3[a1] + A2 p3[a2] + A3 p3[a3]+
A4 p3[a4] + A5 p3[a5] + A6 p3[a6] + A7 p3[a7]+
s4=A0 p4[a0] + A1 p4[a1] + A2 p4[a2] + A3 p4[a3]+
A4 p4[a4] + A5 p4[a5] + A6 p4[a6] + A7 p4[a7]+
s5=A0 p5[a0] + A1 p5[a1] + A2 p5[a2] + A3 p5[a3]+
A4 p5[a4] + A5 p5[a5] + A6 p5[a6] + A7 p5[a7]+
s6=A0 p6[a0] + A1 p6[a1] + A2 p6[a2] + A3 p6[a3]+
A4 p6[a4] + A5 p6[a5] + A6 p6[a6] + A7 p6[a7]+
s7=A0 p7[a0] + A1 p7[a1] + A2 p7[a2] + A3 p7[a3]+
A4 p7[a4] + A5 p7[a5] + A6 p7[a6] + A7 p7[a7]+
s8=A0 p8[a0] + A1 p8[a1] + A2 p8[a2] + A3 p8[a3]+
A4 p8[a4] + A5 p8[a5] + A6 p8[a6] + A7 p8[a7]+
s9=A0 p9[a0] + A1 p9[a1] + A2 p9[a2] + A3 p9[a3]+
A4 p9[a4] + A5 p9[a5] + A6 p9[a6] + A7 p9[a7]+
s10=A0 p10[a0] + A1 p10[a1] + A2 p10[a2] + A3 p10[a3]+
A4 p10[a4] + A5 p10[a5] + A6 p10[a6] + A7 p10[a7]+
(* Integro los polinomios *)
-a + b
(* Resuelvo el sistema *)
Solve[{s0==i0,s1==i1,s2==i2
,s3==i3,s4==i4
,s5==i5,s6==i6
,s7==i7,s8==i8
,s9==i9,s10==i10}
,{A0,A1,A2,A3,A4,A5,A6,A7,A8,A9,A10}]//Simplify
17807 (-a + b)
-16067 (a - b)
{{A5 -> --------------, A0 -> --------------,
39
40
24948
598752
-26575 (a - b)
16175 (a - b)
A1 -> --------------, A2 -> -------------,
149688
199584
-5675 (a - b)
4825 (a - b)
A3 -> -------------, A4 -> ------------,
12474
11088
4825 (a - b)
-5675 (a - b)
A6 -> ------------, A7 -> -------------,
11088
12474
16175 (a - b)
-26575 (a - b)
A8 -> -------------, A9 -> --------------,
199584
149688
-16067 (a - b)
A10 -> --------------}}
598752
(* Verifico que los pesos suman uno *)
598752/24948
24
598752/149688
4
598752/199584
3
598752/12474
48
598752/11088
54
2 16067 + 2 26575 4 - 2 16175 3 + 2 5675 48 - 2 4825 54 + 17807 24
598752
B.3. El m
etodo de cuadratura de Gau de tres puntos
(* Gauss de tres puntos *)
a=-1; (* Se trabaja en el [-1,1] *)
b=1;
p0[x_]:=1;
(* Definici\on de los polinomios *)
p1[x_]:=(2x-a-b)/(b-a); p2[x_]:=((2x-a-b)/(b-a))^2;
p3[x_]:=((2x-a-b)/(b-a))^3; p4[x_]:=((2x-a-b)/(b-a))^4;
p5[x_]:=((2x-a-b)/(b-a))^5; p6[x_]:=((2x-a-b)/(b-a))^6;
p7[x_]:=((2x-a-b)/(b-a))^7;
(* Las expresiones de Gauss *)
s0=A p0[X] + B p0[Y] + C p0[Z]
s1=A p1[X] + B p1[Y] + C p1[Z]
s2=A p2[X] + B p2[Y] + C p2[Z]
s3=A p3[X] + B p3[Y] + C p3[Z]
s4=A p4[X] + B p4[Y] + C p4[Z]
s5=A p5[X] + B p5[Y] + C p5[Z]
s6=A p6[X] + B p6[Y] + C p6[Z]
A + B + C
//Simplify
//Simplify;
//Simplify;
//Simplify;
//Simplify;
//Simplify;
//Simplify;
(* Las integrales *)
B.4. LOS COEFICIENTES DE LA CUADRATURA DE GAUSS DE CINCO PUNTOS
2
(* El sistema de ecuaciones no lineal *)
Solve[{s0==i0,
s1==i1,
s2==i2,
s3==i3,
s4==i4,
s5==i5},{A,B,C,X,Y,Z}]//Simplify
5
5
8
3
3
{{A -> -, B -> -, C -> -, Z -> 0, Y -> -Sqrt[-], X -> Sqrt[-]},
9
9
9
5
5
5
5
8
3
3
{A -> -, B -> -, C -> -, Z -> 0, Y -> Sqrt[-], X -> -Sqrt[-]},
9
9
9
5
5
5
8
5
3
3
{A -> -, B -> -, C -> -, Z -> -Sqrt[-], Y -> 0, X -> Sqrt[-]},
9
9
9
5
5
5
8
5
3
3
{A -> -, B -> -, C -> -, Z -> Sqrt[-], Y -> 0, X -> -Sqrt[-]},
9
9
9
5
5
8
5
5
3
3
{A -> -, B -> -, C -> -, Z -> -Sqrt[-], Y -> Sqrt[-], X -> 0},
9
9
9
5
5
8
5
5
3
3
{A -> -, B -> -, C -> -, Z -> Sqrt[-], Y -> -Sqrt[-], X -> 0}}
9
9
9
5
5
%//N (* La versi\on num\erica *)
{{A -> 0.555556, B -> 0.555556, C -> 0.888889, Z -> 0, Y -> -0.774597,
X -> 0.774597}, {A -> 0.555556, B -> 0.555556, C -> 0.888889, Z -> 0,
Y -> 0.774597, X -> -0.774597},
{A -> 0.555556, B -> 0.888889, C -> 0.555556, Z -> -0.774597, Y -> 0,
X -> 0.774597}, {A -> 0.555556, B -> 0.888889, C -> 0.555556, Z -> 0.774597,
Y -> 0, X -> -0.774597}, {A -> 0.888889, B -> 0.555556, C -> 0.555556,
Z -> -0.774597, Y -> 0.774597, X -> 0},
{A -> 0.888889, B -> 0.555556, C -> 0.555556, Z -> 0.774597, Y -> -0.774597,
X -> 0}}
B.4. Los coeficientes de la cuadratura de Gau de cinco puntos

(* Cuadratura de Gauss de cinco puntos *)
41
42
(* Determino las coordenadas de los puntos *)

Roots[LegendreP[5,x]==0,x]
N[%,30]
(* Defino las variables que representan los puntos *)
a0=x/.x->%%[[5]][[2]]
a1=x/.x->%%%[[3]][[2]]
a2=x/.x->%%%%[[1]][[2]]
a3=x/.x->%%%%%[[2]][[2]]
a4=x/.x->%%%%%%[[4]][[2]]
10
10
Sqrt[5 - 2 Sqrt[--]]
-Sqrt[5 - 2 Sqrt[--]]
7
7
x == 0 || x == -------------------- || x == --------------------- ||
3
3
10
10
Sqrt[5 + 2 Sqrt[--]]
-Sqrt[5 + 2 Sqrt[--]]
7
7
x == -------------------- || x == --------------------3
3
x == 0 ||
x == 0.5384693101056830910363144207 ||
x == -0.5384693101056830910363144207 ||
x == 0.906179845938663992797626878299 ||
x == -0.906179845938663992797626878299
-0.906179845938663992797626878299
-0.5384693101056830910363144207
0
0.5384693101056830910363144207
0.906179845938663992797626878299
(* Fijo los extremos del intervalo *)
a=-1;
b=1;
(* Defino los polinomios *)
p0[x_]:=1;
p1[x_]:=(2x-a-b)/(b-a);
p2[x_]:=((2x-a-b)/(b-a))^2;
p3[x_]:=((2x-a-b)/(b-a))^3;
p4[x_]:=((2x-a-b)/(b-a))^4;
p5[x_]:=((2x-a-b)/(b-a))^5;
p6[x_]:=((2x-a-b)/(b-a))^6;
p7[x_]:=((2x-a-b)/(b-a))^7;
p8[x_]:=((2x-a-b)/(b-a))^8;
p9[x_]:=((2x-a-b)/(b-a))^9;
p10[x_]:=((2x-a-b)/(b-a))^10;
p11[x_]:=((2x-a-b)/(b-a))^11;
p12[x_]:=((2x-a-b)/(b-a))^12;
(* Defino las expresiones para los pesos A0,A1,A2,A3,A4 *)
s0=A0 p0[a0]+A1 p0[a1]+A2 p0[a2]+A3 p0[a3]+A4 p0[a4]//Simplify
s1=A0 p1[a0]+A1 p1[a1]+A2 p1[a2]+A3 p1[a3]+A4 p1[a4]//Simplify
s2=A0 p2[a0]+A1 p2[a1]+A2 p2[a2]+A3 p2[a3]+A4 p2[a4]//Simplify;

s10=A0 p10[a0]+A1 p10[a1]+A2 p10[a2]+
A3 p10[a3]+A4 p10[a4]//Simplify;
s11=A0 p11[a0]+A1 p11[a1]+A2 p11[a2]+
A0 + A1 + A2 + A3 + A4
-0.906179845938663992797626878299 A0
- 0.5384693101056830910363144207 A1
+ 0.5384693101056830910363144207 A3
+ 0.906179845938663992797626878299 A4
(* Calculo las integrales *)
2
(* Resoluci\on del sistema de ecuaciones *) Solve[{s0==i0
,s1==i1
,s2==i2
,s3==i3
,s4==i4},{A0,A1,A2,A3,A4}]//Simplify
{{A2 -> 0.56888888888888888888888889
, A0 -> 0.236926885056189087514264041
, A1 -> 0.478628670499366468041291515
, A3 -> 0.478628670499366468041291515
, A4 -> 0.2369268850561890875142640407}}
(* Calculo de los residuos para los siguientes polinomios *)
s5 - i5 /. %56
-16
{-2.22045 10
}
s6 - i6 /. %56
-16
{4.16334 10
}
s7 - i7 /. %56
-16
{-1.66533 10
}
s8 - i8 /. %56
-16
{3.46945 10
}
s9 - i9 /. %56
43
44
-16
{-1.38778 10
}
s10 - i10 /. %56
{-0.00293181}
s11 - i11 /. %56
-16
{-1.249 10
}
s12=A0 p12[a0]+A1 p12[a1]+A2 p12[a2]+
s12 - i12 /. %56
{0.145853}
En algunos casos se trabaja con mayor precision

(* Cuadratura de Gauss de cinco puntos (operaciones exactas) *)
(* Determino las coordenadas de los puntos *)
Roots[LegendreP[5,x]==0,x]
N[%,50]
(* Defino las variables que representan los puntos *)
a0=x/.x->%%%[[5]][[2]]
a1=x/.x->%%%%[[3]][[2]]
a2=x/.x->%%%%%[[1]][[2]]
a3=x/.x->%%%%%%[[2]][[2]]
a4=x/.x->%%%%%%%[[4]][[2]]
10
10
-Sqrt[5 - 2 Sqrt[--]]
7
7
x == 0 || x == -------------------- || x == --------------------- ||
3
3
10
10
-Sqrt[5 + 2 Sqrt[--]]
7
7
x == -------------------- || x == --------------------3
3
x == 0 ||
x == 0.53846931010568309103631442070020880496728660690556 ||
x == -0.53846931010568309103631442070020880496728660690556 ||
x == 0.90617984593866399279762687829939296512565191076253 ||
x == -0.90617984593866399279762687829939296512565191076253
10
-Sqrt[5 + 2 Sqrt[--]]
7
--------------------3
10
-Sqrt[5 - 2 Sqrt[--]]
7
--------------------3
0
10
7
-------------------3
10
7
-------------------3
.
.
.
(* Resoluci\on del sistema de ecuaciones *) Solve[{s0==i0

,s1==i1
,s2==i2
,s3==i3
,s4==i4},{A0,A1,A2,A3,A4}]//Simplify;
N[%,50]
{{A2 -> 0.56888888888888888888888888888888888888888888888889,
A0 -> 0.23692688505618908751426404071991736264326000221241,
A1 -> 0.47862867049936646804129151483563819291229555334314,
A3 -> 0.4786286704993664680412915148356381929122955533431,
A4 -> 0.23692688505618908751426404071991736264326000221241}}
s5 - i5 /. %61;
N[%,35]
-43
{0. 10
}
s6 - i6 /. %61;
N[%,35]
-42
{0. 10
}
s7 - i7 /. %61;
N[%,35]
-43
{0. 10
}
s8 - i8 /. %61;
N[%,35]
-43
{0. 10
}
s9 - i9 /. %61;
N[%,35]
-43
{0. 10
}
s10 - i10 /. %61;
N[%,35]
{-0.00293181245562197943150324102705055}
s11 - i11 /. %61;
N[%,35]
-43
{0. 10
}
45
46
s12 - i12 /. %61;

N[%,35]
{0.14585257971501357744743988130231516}
s13 - i13 /. %61;
N[%,35]
-44
{0. 10
}
s14 - i14 /. %61;
N[%,35]
{-0.01386690413313408190371321302706202}

APENDICE
C
Cuadernos del Mathematica y archivos script de

Matlab
C.1. La funci
on mihumps
(*MIHUMPS*)
f[x_]:= 0.01/((x-0.3)^2+.01) + 0.01/((x-0.9)^2+.04) - 0.06
Plot[f[x],{x,0,1},PlotRange->{{0,1},{0,1}}
,GridLines->Automatic
,AspectRatio->1
,PlotStyle->RGBColor[1.000,0.000,0.000]
,Frame->True]
-Graphics-
La figura representada por el Plot precedente es la 1, la que en el cuaderno

queda insertada a continuaci
on.
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
Figura 1. La funcion mihumps
47
48
C. CUADERNOS DEL Mathematica Y ARCHIVOS SCRIPT DE MATLAB
Integrate[f[x],x]
-0.06 x + 0.05 ArcTan[5. (-0.9 + x)] + 0.1 ArcTan[10. (-0.3 + x)]
N[Integrate[f[x],{x,0,1}],30]
0.2985832539549867
f[x]//TeXForm
-0.06 + {{0.01}\over {0.04 + {{\left( -0.9 + x \right) }^2}}} +
{{0.01}\over {0.01 + {{\left( -0.3 + x \right) }^2}}}
%3//TeXForm
-0.06\,x + 0.05\,\arctan (5.\,\left( -0.9 + x \right) ) +
0.1\,\arctan (10.\,\left( -0.3 + x \right) )
Las funciones f (x) mihumps y su integral F (x) =

f (x) = 0.06 +
0.01
2
0.04 + (0.9 + x)
Rx
0
f (s) ds son
0.01
2
0.01 + (0.3 + x)
(C.1)
y
F (x) = 0.06 x + 0.05 arctan(5. (0.9 + x)) + 0.1 arctan(10. (0.3 + x)) (C.2)
C.2. Extrapolaci
on repetida de Richardson
En el siguiente cuaderno del Mathematica calculamos los errores de truncamiento de los distintos pasos de extrapolacion.
Extrapolaci\on repetida de Richardson
Table[2^(2j)-1,{j,9}]
{3, 15, 63, 255, 1023, 4095, 16383, 65535, 262143}
I0[h_]=b0+b1 h^2+b2 h^4+b3 h^6+b4 h^8+b5 h^10+b6 h^12+
b7 h^14+b8 h^16
2
4
6
8
10
b0 + b1 h + b2 h + b3 h + b4 h + b5 h
+
12
14
16
b6 h
+ b7 h
+ b8 h
I1[h_]=I0[h/2]+(I0[h/2]-I0[h])/3//Simplify;
Collect[%,h]
4
6
8
10
b2 h
5 b3 h
21 b4 h
85 b5 h
b0 - ----- - ------- - -------- - --------- 4
16
64
256
12
14
16
341 b6 h
1365 b7 h
5461 b8 h
---------- - ----------- - ----------1024
4096
16384
Collect[%,h]
6
8
10
12
b3 h
21 b4 h
357 b5 h
5797 b6 h
b0 + ----- + -------- + ---------- + ----------- +
64
1024
16384
262144
REPETIDA DE RICHARDSON
C.2. EXTRAPOLACION
14
16
93093 b7 h
1490853 b8 h
------------ + -------------4194304
67108864
Collect[%,h]
8
10
12
b4 h
85 b5 h
5797 b6 h
b0 - ----- - --------- - ----------- 4096
262144
16777216
14
16
376805 b7 h
24208613 b8 h
------------- - --------------1073741824
68719476736
Collect[%,h]
10
12
14
b5 h
341 b6 h
93093 b7 h
b0 + ------- + ---------- + ------------ +
1048576
268435456
68719476736
16
24208613 b8 h
--------------17592186044416
Collect[%,h]
12
14
16
b6 h
1365 b7 h
1490853 b8 h
b0 - ---------- - ------------- - ---------------1073741824
1099511627776
1125899906842624
% MIRICHAR aplica la extrapolaci\on repetida de Richardson
%
al m\etodo trapezoidal (Integraci\on de Romberg)
%
C.E.Neuman, 6-5-97
%
inicializaci\on
i=1;
a=0;
b=1;
h=(b-a)/10;
%
lazo
while 1
x=a:h:b;
% partici\on
l=length(x);
pesos=[1 2*ones(1,l-2) 1];
% pesos de Trapezoidal
II(i,1)=(h/2)*sum(pesos.*mihumps(x));
% m\etodo Trapezoidal
%%%
%%%
En este algoritmo se recalcula la funci\on de nuevo, se
%%%
puede mejorar aprovechando las evaluaciones previas.
%%%
del(i)=2^(2*i)-1;
% divisor para la extrapolaci\on
49
50
for j=(i-1):(-1):1,
% l\{\i}nea de extrapolaciones
k=i-j+1;
II(j,k)=II(j+1,k-1)+(II(j+1,k-1)-II(j,k-1))/del(k-1) ;
end % rof
if i > 7,
% terminaci\on ( se puede sustituir por una

%
que compare los valores obtenidos de I )
break;
end % fi
h=h/2;
i=i+1;
end % elihw
%%%
fin de mirichar.m
La salida de mirichar (valores de II) se consigna en las tablas 1 y 2.

Tabla 1. Integracion de Romberg para la funcion mihumps
(ver tabla 1). La integral (con el Mathematica) resulta Q =
0.2985832539549867
0.29851740902665
0.29827642178861
0.29850609244975
0.29856396932507
0.29857843315432
0.29858204877708
0.29858295266190
0.29858317863180
0.29819609270927
0.29858264933679
0.29858326161685
0.29858325443074
0.29858325398467
0.29858325395684
0.29858325395510
0
0.29860841977863
0.29858330243552
0.29858325395166
0.29858325395493
0.29858325395499
0.29858325395499
0
0
0.29858290374753
0.29858325318208
0.29858325395498
0.29858325395499
0.29858325395499
0
0
0
Tabla 2. Integraci
on de Romberg para la funcion mihumps (continuaci
on, ver tablas 1 y 1). La integral (con el Mathematica) resulta
Q = 0.2985832539549867
0.29858325455241
0.29858325395801
0.29858325395499
0.29858325395499
0
0
0
0
0.29858325395743
0.29858325395498
0.29858325395499
0
0
0
0
0
0.29858325395498
0.29858325395499
0
0
0
0
0
0
0.29858325395499
0
0
0
0
0
0
0
C.3. M
etodos de Montecarlo
En lo que sigue veremos dos ejemplos en el cuadrado unitario [0, 1]x[0, 1].
Ejemplo C.3.1. Calculamos mediante el metodo de Montecarlo el area bajo
la funcion f (x) = 0.5 en el cuadrado unitario. Realizamos mil veces el calculo del
area estimada mediante diez mil puntos seleccionados al azar.

C.3. METODOS
DE MONTECARLO
51
% AZAR3.M script de prueba para m\etodo de Montecarlo

% C.E.N., 05-may-97
rand(seed,sum(100*clock)); %inicializa los n\umeros aleatorios
scores=[];
for j=1:1000,
% pru=rand(1,1)
NN=10000;%0*pru;
puntos=rand(NN,2);
I=find(puntos(:,2) < 0.5); % determina los puntos bajo la curva
[m,n]=size(I);
scores=[scores; m/NN];
end
mime=mean(scores)
mide=std(scores)
% calcula la media aritm\etica

% calcula la desviaci\on t\{\i}pica
[m,n]=size(scores);
figure;
hist(scores);
% media podada 20%

% desv\{\i}o podado 20%
% histograma de los valores
save azar3;
% Resultados de la corrida de 1000
% azar3
%mime =
%
0.4997
%mide =
%
0.0050
%mimeord =
%
0.4999
%mideord =
%
0.0050
% axis([0.475 0.525 0 300])
% grid
Vemos que el resultado utilizando los estimadores robustos es de 0.500 0.005,

intervalo de confianza que contiene el valor exacto.
En la figura 2 dibujamos el histograma que representa la distribucion de puntajes obtenidos por la rutina de Montecarlo.
Ejemplo C.3.2. Calulamos la integral de la funcion humps mediante el metodo
de Montecarlo
rand(seed,sum(100*clock))
scores=[];
for j=1:1000,
% pru=rand(1,1)
NN=10000;%0*pru;
puntos=rand(NN,2);
I=find( puntos(:,2) < 0.01*humps(puntos(:,1)) );
[m,n]=size(I);
52
250
200
150
100
50
0
0.48
0.485
0.49
0.495
0.5
0.505
0.51
0.515
0.52
0.525
Figura 2. Histograma de distribucion de los valores estimados de

la integral del ejemplo C.3.1
scores=[scores; m/NN];
disp(j);
end
mime=mean(scores)
mide=std(scores)
[m,n]=size(scores);
figure;
hist(scores);
save azar4;
% Resultados de la corrida de 100
% azar4
%mime =
% 2.9845e-001
%mide =
% 1.3248e-002
%mimeord =
% 2.9938e-001
%mideord =
% 1.3119e-002
DE SIMPSON ADAPTATIVA
C.4. INTEGRACION
% Resultados de quad
% format short e
% quad(humps,0,1,1e-5,1)/100
%ans =
% 2.9858e-001
%
%
C.4. Integraci
on de Simpson adaptativa
function [Q,cnt] = miquad(funfcn,a,b,tol)
%MIQUAD Numerical evaluation of an integral, low order method.
%
Q = MIQUAD(F,A,B) approximates the integral of F(X) from A to B
%
to within a relative error of 1e-3. F is a string
%
containing the name of the function. Function F must return a
%
vector of output values if given a vector of input values.
%
Q = MIQUAD(F,A,B,TOL) integrates to a relative error of TOL.
%
%
MIQUAD uses an adaptive recursive Simpsons rule.
%
%
See also QUAD, QUAD8.
%
%
%
%
Basada en QUAD.M
C.B. Moler, 3-22-87.
Copyright (c) 1984-94 by The MathWorks, Inc.
C.E. Neuman, 4-29-97
% [Q,cnt] = miquad(F,a,b,tol) also returns a

%
function evaluation count.
if nargin < 4, tol = 1.e-3; end
c = (a + b)/2;
% Top level initialization
x = [a b c a:(b-a)/10:b];
% set up function call
args = (x);
y = eval([funfcn,args]);
fa = y(1);
fb = y(2);
fc = y(3);
lev = 1;
% Adaptive, recursive Simpsons quadrature
if any(imag(y))
Q0 = 1e30;
else
Q0 = inf;
end
[Q,cnt] = eval([miquadst(funfcn,a,b,tol,lev,fa,fc,fb,Q0)]);
cnt = cnt + 3;
53
54
%fin de la funci\on miquad

function [Q,cnt] = miquadst(FunFcn,a,b,tol,lev,fa,fc,fb,Q0)
%MIQUADST Recursive function used by MIQUAD.
%
[Q,cnt] = miquadst(F,a,b,tol,lev,fa,fc,fb,Q0) tries to
%
approximate the integral of f(x) from a to b to within a
%
relative error of tol. F is a string containing the name
%
of f. The remaining arguments are generated by quad or
%
by the recursion. lev is the recursion level.
%
fa = f(a). fc = f((a+b)/2). fb = f(b).
%
Q0 is an approximate value of the integral.
%
See also QUAD and QUAD8.
%
%
%
%
Basada en QUADSTP.M
C.B. Moler, 3-22-87.
Copyright (c) 1984-94 by The MathWorks, Inc.
C.E. Neuman, 4-29-97.
LEVMAX = 11;
if lev > LEVMAX
disp(Limite de orden de recursion alcanzado en miquad.)
disp(Probable singularidad.)
Q = Q0;
cnt = 0;
c = (a + b)/2;
else
% Evaluate function at midpoints of left
%
and right half intervals.
h = b - a;
c = (a + b)/2;
x = [a+h/4, b-h/4];
f = eval([FunFcn,(x)]);
cnt = 2;
% Simpsons rule for half intervals.
Q1 = h*(fa + 4*f(1) + fc)/12;
Q2 = h*(fc + 4*f(2) + fb)/12;
Q = Q1 + Q2;
% Recursively refine approximations.
if abs(Q - Q0) > tol*abs(Q)
ts2=tol/2;
lm1=lev+1;
[Q1,cnt1]=eval([miquadst(FunFcn,a,c,ts2,lm1,fa,f(1),fc,Q1)]);
[Q2,cnt2]=eval([miquadst(FunFcn,c,b,ts2,lm1,fc,f(2),fb,Q2)]);
Q = Q1 + Q2;
cnt = cnt + cnt1 + cnt2;
end
end
% fin de la funci\on miquadst
function [y]=mifun(x)
% MIFUN es una funci\on de prueba para MIQUAD
%
debe ser una funci\on vectorizada
% C.E. Neuman, 29-4-97
C.5. EL METODO
CLASICO
DE RUNGE-KUTTA
55
y=x.^(1/2);
% fin de la funci\on mifun
C.5. El m
etodo cl
asico de Runge-Kutta
En esta secci
on incluimos el codigo Matlab que implementa el metodo clasico
de Runge-Kutta. Se trata de los programas mirk.m, mieq.m, donde se define la
funci
on para integrar, y milo.m que es el driver del metodo.
function [xn,xdn]=mirk(t,x,h)
%
%
%
% MIRK Es la implementacion de un Runge-Kutta
% de cuatro pasos para avanzar de t a t+h
% inputs
t:tiempo
%
x:estado
% outputs
xn:nuevo estado
%
xdn:nueva derivada del estado
% La rutina mieq calcula el vector xdot
% de derivadas de los estados.
%%%
%%%
%%%
MIRK
C.E.Neuman, 10-11-1992
Revisado: 5-5-1997
Ultima revisi\on: 7-5-1997
tv = t; xv = x;
xdot=mieq(tv,xv);
c1 = h*xdot;
tn = tv + h/2; xn = xv + c1/2;
xdot=mieq(tn,xn);
c2 = h*xdot;
xn = xv + c2/2;
xdot=mieq(tn,xn);
c3 = h*xdot;
tn = tv + h; xn = xv + c3;
xdot=mieq(tn,xn);
c4 = h*xdot;
xn = xv + (c1 + 2*c2 + 2*c3 + c4)/6;
xdn=mieq(tn,xn);
return
%%%
fin de mieq.m
function xdot=mieq(t,x)
%
%
%
% MIEQ es la funcion que permite determinar la
%
derivada de los estados
%
%%%
%%%
%%%
C.E.Neuman, 10-11-1992
Revisado: 5-5-1997
xdot=-t*x;
% xdot = mihumps(x);
return
%%%
fin de mieq.m
MIEQ
56
%
%
%
%
%
%
%
%
%
%
MILO
MILO
Este es el loop central de administracion de MIRK
y su driver para la integraci\on.
En MIRK.M se program\o un paso de Runge-Kutta cl\asico.
En MIEQ.M se debe incluir la funci\on que se desea integrar.
Con modificaciones puede utilizarse en una rutina de
paso variable.
%%%
%%%
%%%
C.E.Neuman, 10-11-1992
Revisado: 5-5-1997
%%% Tiempos inicial y final y cantidad de pasos de integraci\on

a = 0;
%comienzo de integraci\on
b = 7;
%fin de la integraci\on
numpaso = 300; %n\umero de pasos
%%% Condici\on inicial
x0 = 1;
%%% Paso de integraci\on
h = (b - a)/numpaso;
%%% Definici\on de tini y tmax
tini = a;
tmax = a + numpaso * h;
if tmax ~= b,
disp(error en el paso);
end % fi
%%% Lista de salida (inicializaci\on)

xdn0 = mieq(tini,x0);
xout = [tini; x0; xdn0];
%%%
Lazo principal
xn = x0;
for tt=tini:h:(tmax-h),
[xn,xdn] = mirk(tt,xn,h);
xout = [ xout
%llamada a R-K
[tt+h; xn; xdn] ];
end % rof
plot(xout(1,:),xout(2:3,:),r)
En la figura 3 representamos la salida de las rutinas precedentes cuando se

integra la ecuaci
on
x0 = tx
(C.3)
C.5. EL METODO
CLASICO
DE RUNGE-KUTTA
57
Integracion de dx/dt=tx
1
0.8
0.6
2
x(t)=exp(t /2)
0.4
0.2
0.2
0.4
0.6
0.8
Figura 3. Integracion por Runge-Kutta clasico de x0 = tx en

[0, 7]

APENDICE
D
La integral de RiemannStieltjes
Comencemos estudiando las propiedades de las funciones de variacion acotada.
D.1. Funciones de variaci
on acotada
Teorema D.1.1. [Apostol (1976), pag. 153] Sea f una funcion creciente definida en [a, b] y sean x0 , x1 , . . . , xn n + 1 puntos tales que
a = x0 < x1 < x2 < . . . < xn = b
(D.1)
Tenemos entonces la desigualdad

n1
X
[f (xk +) f (xk )] f (b) f (a)
(D.2)
k=1
n: Sea k (xk , xk+1 ). Se tiene entonces que f (xk +) f (xk )

Demostracio
f (k ) f (k1 ) por la monotona de la funcion f . Resulta as
n1
X
[f (xk +) f (xk )]
k=1
n1
X
[f (k ) f (k1 )]
(D.3)
k=1
= f (n1 ) f (0 ) f (b) f (a)
(D.4)
lo que completa la demostracion.

Teorema D.1.2. [Apostol (1976), pag. 153] Si f es monotona en [a, b], entonces
el conjunto de discontinuidades de f es numerable
Ejercicio D.1.1. Demostrar el teorema D.1.2.
Una funci
on mon
otona
tiene, a lo sumo,
numerables saltos
n D.1.1. Sea f definida en [a, b]. Sea P = {x0 , x1 , . . . , xn } una

Definicio
partici
on de [a, b]. Escribiremos, para k = 1, 2, . . . , n, fk = f (xk ) f (xk1 ). Si
existe un n
umero positivo M tal que
n
n
X
X
|fk | =
|f (xk ) f (xk1 )| M
(D.5)
k=1
k=1
para toda partici

on P de [a, b], entonces diremos que f es de variaci
on acotada.
Teorema D.1.3. [Apostol (1976), pag. 154] Si f es monotona en [a, b], entonces
f es de variaci
on acotada en [a, b].
Teorema D.1.4. [Apostol (1976), pag. 155] Si f es de clase C 1 en [a, b],
entonces f es de variaci
on acotada en [a, b].
Ejercicio D.1.2. Demostrar los teoremas D.1.3 y D.1.4.
59
Una funci
on de clase C 1
es de variaci
on acotada
60
D. LA INTEGRAL DE RIEMANNSTIELTJES
Teorema D.1.5.
P [Apostol (1976), pag. 155] Si f es de variacion acotada en
[a, b], es decir que
|fk | M para toda particion de [a, b], entonces f esta
acotada en [a, b].
n: Sea x (a, b) y la particion P = {a, x, b}. Se tiene
Demostracio
|f (x) f (a)| + |f (b) f (x)| M
(D.6)
|f (x) f (a)| M
(D.7)
|f (x)| |f (a)| + M
(D.8)
con lo cual
y, en consecuencia,
Cuando x = a vale D.8 trivialmente y cuando x = b

|f (b)| |f (a)| + M
(D.9)
por la hip
otesis. De modo que |f (a)| + M es cota de |f (x)| en todo el intervalo.
n D.1.2. Sea f una funcion de variacion acotada en [a, b] y sea P =
Definicio
{x0 , x1 , . . . , xn } una partici
on de [a, b]. El n
umero
V (a, b) = sup{
n
X
|fk | : P es particion de [a,b]}
(D.10)
k=1
se llama variaci
on total de f en el intervalo [a, b].
Teorema D.1.6. Sea f una funcion de variacion acotada en [a, b]. Sea V
definida en [a, b] por V (a) = 0 y, para a < x b, V (x) = V (a, x), la variacion total
de f entre a y x. Entonces
(i) V es una funci
on creciente en [a, b]
(ii) W = V f es una funcion creciente en [a, b]
n: Sean x < y en [a, b]. Entonces V (a, y) = V (a, x) + V (x, y), lo que
Demostracio
implica que V (y) V (x) = V (x, y) 0 lo que prueba (i).
Asimismo
W (y) W (x) = V (y) V (x) (f (y) f (x)) = V (x, y) (f (y) f (x)) 0 (D.11)
lo que prueba (ii).
Teorema D.1.7. Sea f definida sobre [a, b]. Entonces f es de variacion acotada
en [a, b] sii f puede expresarse como diferencia de dos funciones crecientes.
Una funci
on es de variaci
on acotada sii es diferencia de dos funciones
crecientes
n: Si f es de variacion acotada en [a, b], podemos escribir f = V W ,

Demostracio
donde V es la funci
on del teorema D.1.6 y W = V f . Las dos son funciones
crecientes. La otra implicaci
on se obtiene de la monotona de las dos funciones.
D.2. LA INTEGRAL
61
D.2. La integral
n D.2.1. Sea P = {x0 , x1 , . . . , xn } una particion del intervalo [a, b]
Definicio
y sea, para cada k, k un punto del intervalo [xk1 , xk ]. Una suma de la forma
n
X
S(P, f, g) =
f (k )gk
(D.12)
k=1
(donde gk = g(xk ) g(xk1 )) se llama suma de Riemann-Stieltjes de f respecto

de g. Diremos que f es integrable respecto de g en [a, b] si existe un n
umero I que
satisface la siguiente propiedad: para cada > 0, existe una particion P de [a, b]
tal que, para cada partici
on P mas fina que P y para cada eleccion de los puntos
k del intervalo [xk1 , xk ], k = 1, . . . , n, se tiene
|S(P, f, g) I| <
(D.13)
n D.2.1. Si un tal n
Observacio
umero I existe, entonces es u
nico y se representa por la expresi
on
Z b
f (x)dg(x)
(D.14)
a
Ejemplo D.2.1. Si g(x) = x entonces la integral se reduce a una integral de

Riemann
Ejemplo D.2.2. Si g(x) es de clase C 1 en [a, b] entonces la integral resulta
Z b
f (x)g 0 (x)dx
(D.15)
a

Ejemplo D.2.3. Si f es continua y g(x) = bxc entonces la integral resulta
X
f (i)
(D.16)
iZ
ai<b

Teorema D.2.2. Si f1 y f2 son integrables en el sentido de Riemann-Stieltjes
respecto de g en el intervalo [a, b], entonces, para todo par de constantes c1 y c2 ,
se tiene que c1 f1 + c2 f2 resulta es integrable respecto de g en el mismo intervalo y
vale
Z
Z
Z
b
(c1 f1 + c2 f2 )dg = c1
f1 dg + c2
f2 dg
(D.17)
n: Sea f = c1 f1 + c2 f2 . Para una particion P del intervalo vale

Demostracio
n
n
n
X
X
X
S(P, f, g) =
f (k )gk = c1
f1 (k )gk + c2
f2 (k )gk
(D.18)
k=1
k=1
k=1
es decir
S(P, f, g) = c1 S(P, f1 , g) + c2S(P, f2 , g)
Sea > 0 dado, elegimos una particion
que ella se tenga
(1)
P
Z
|S(P, f1 , g)
tal que para toda particion P mas fina

b
f1 dg| <
a
(D.19)
(D.20)
62
(2)
y elegimos otra partici

on P
tenga
tal que para toda particion P mas fina que ella se

b
Z
|S(P, f2 , g)
f2 dg| <
(D.21)
Unimos las particiones para obtener

P = P(1) P(2)
(D.22)
de modo que, para cada particion P mas fina que P se obtiene

Z b
Z b
f1 dg c2
f2 dg| |c1 | + |c2 |
|S(P, f, g) c1
a
(D.23)
lo que (con una reelecci

on del ) prueba el teorema.
Teorema D.2.3. Si f es integrable respecto de g1 en el sentido de RiemannStieltjes en el intervalo [a, b], y tambien es integrable respecto de g2 entonces, para
todo par de constantes c1 y c2 , se tiene que f tambien es integrable respecto de
c1 g1 + c2 g2 en el mismo intervalo y vale
Z b
Z b
Z b
f d(c1 g1 + c2 g2 ) = c1
f dg1 + c2
f dg2
(D.24)
a
Ejercicio D.2.4. Demostrar el teorema D.2.3 en forma analoga al D.2.2. Demostrar adem
as la aditividad respecto del intervalo de integracion de la integral de
Riemann-Stieltjes
D.2.1. Integraci
on por partes.
Teorema D.2.4. [F
ormula de integraci
on por partes] Si f es integrable respecto
de g, en el sentido de Riemann-Stieltjes, en el intervalo [a, b] entonces g es integrable
respecto de f en el sentido de Riemann-Stieltjes en el intervalo [a, b], y se tiene
Z b
Z b
f (x)dg(x) +
g(x)df (x) = f (b)g(b) f (a)g(a)
(D.25)
a
n: Fijamos un n
Demostracio
umero > 0, por la existencia de la primera integral
existe una partici
on P del intervalo [a, b] tal que para toda particion P mas fina
que P tenemos
Z b
|S(P , f, g)
f (x)dg(x)| <
(D.26)
a
Para una partici

on P m
as fina que P planteamos una suma de Riemann-Stieltjes
Rb
cualquiera para la integral a g(x)df (x):
S(P, g, f ) =
n
X
g(k )fk =
k=1
n
X
g(k )f (xk )
k=1
n
X
g(k )f (xk1 )
(D.27)
k=1
como se tiene adem

as que
f (b)g(b) f (a)g(a) =
n
X
k=1
f (xk )g(k )
n
X
k=1
f (xk1 )g(k1 )
(D.28)
D.2. LA INTEGRAL
63
es posible restar las expresiones D.27 y D.28 para obtener

f (b)g(b) f (a)g(a) S(P, g, f )
n
n
X
X
f (xk )[g(xk ) g(k )]
f (xk1 )[g(xk ) g(k1 )] (D.29)
=
k=1
k=1
Si P es una partici
on formada por los puntos xk y los k , entonces es mas fina
que la partici
on P y, por ello, que la P entonces si llamamos S(P , f, g) al segundo
miembro de la ecuaci
on D.29 se tiene que la desigualdad D.26 es valida y se tiene
Z b
g(x)df (x)| <
(D.30)
|f (b)g(b) f (a)g(a) S(P, g, f )
a
para toda partici

on P m
as fina que P entonces
Rb
f (b)g(b) f (a)g(a) a f (x)dg(x)
Rb
a
g(x)dg(x) existe y vale
D.2.2. Propiedades de la integral.

Teorema D.2.5. Sea f una funcion integrable en el sentido de RiemannStieltjes respecto de una funcion g de clase C 1 en el intervalo [a, b], entonces existe
la integral de Riemann del segundo miembro y vale
Z b
Z b
f (x)dg(x) =
f (x)g 0 (x)dx
(D.31)
a
n: Sea la suma de Riemann

Demostracio
n
X
S(P, f g 0 ) =
f (k )g 0 (k )xk
(D.32)
k=1
y (para la misma partici

on) la suma de Riemann-Stieltjes
S(P, f, g) =
n
X
f (k )gk
k=1
n
X
f (k )g 0 (k )xk
(D.33)
k=1
donde aplicamos el teorema del valor intermedio y k (xk1 , xk ), restando se

obtiene
n
X
S(P, f, g) S(P, f g 0 ) =
f (k )[g 0 (k ) g 0 (k )]xk
(D.34)
k=1
Utilizando la hip
otesis para el integrador g se puede probar que
|S(P, f, g) S(P, f g 0 )| <

(D.35)
2
para cada partici
on P m
as fina que una dada P . Por la hipotesis de integrabilidad
de f respecto de g se tiene que, para toda particion P mas fina que una dada P ,
vale
Z b
|S(P, f, g)
f (x)dg(x)| <
(D.36)
2
a
Entonces cuando P es m
as fina que la union P P se tiene que
Z b
|S(P, f g 0 )
f (x)dg(x)| <
(D.37)
a
lo que demuestra el teorema.
64
D.2.2.1. Cambio de variables en la integral de Riemann-Stieltjes. Si la funcion

h es un cambio de variables biyectivo de clase C entre el intervalo [a, b] y el
intervalo [c, d] entonces vale la siguiente formula de cambio de variables (que damos
sin demostraci
on)
Z h(d)
Z b
f (t)dg(t) =
f (h(x))dg(h(x))
(D.38)
h(c)
D.2.2.2. Integral de funciones escalonadas.

Teorema D.2.6. Definimos g en el intervalo [1, 1] como sigue
c1 si 1 x < 0
c2 si
x=0
g(x) =
c3 si
0<x1
(D.39)
(donde c1 , c2 , y c3 son arbitrarios. Sea f una funcion definida en [1, 1] de modo

que por lo menos una de las funciones f y g sea continua a la izquierda del origen
y por lo menos una de las dos lo sea a la derecha de 0. Entonces f es integrable en
el sentido de Riemann-Stieltjes en el intervalo [1, 1] y la integral vale
Z 1
f (x)dg(x) = f (0)(g(0+) g(0))
(D.40)
1
n: Sea P una particion que contiene al origen, entonces si xk = 0

Demostracio
S(P, f, g) = f (k1 )(g(0) g(0)) + f (k )(g(0+) g(0))
(D.41)
donde k1 0 k . Sumando y restando f (0)g(0) se puede escribir

S(P, f, g) f (0)(g(0+) g(0))
= (f (k1 ) f (0))(g(0) g(0))
+(f (k ) f (0))(g(0+) g(0))
(D.42)
|S(P, f, g) f (0)(g(0+) g(0))|

|f (k1 ) f (0)||g(0) g(0)|
+|f (k ) f (0)||g(0+) g(0)|
(D.43)
por lo tanto se tiene
Si f es continua en el origen, para cada > 0 existe un > 0 tal que, si kP k < ,
entonces
|f (k1 ) f (0)| <
(D.44)
y
|f (k ) f (0)| <
(D.45)
de modo que se tiene la desigualdad
|S(P, f, g) f (0)(g(0+) g(0))| |g(0) g(0)| + |g(0+) g(0)|
(D.46)
En los otros casos la desigualdad sigue siendo valida

(1) f discontinua a izquierda y derecha del origen: entonces g debe ser continua y vale S(P, f, g) f (0)(g(0+) g(0)) = 0
(2) f es discontinua a la derecha y continua a la izquierda: en este caso debe
valer g(0+) g(0) = 0 y vale
|S(P, f, g) f (0)(g(0+) g(0))| |g(0) g(0)|
(D.47)
D.4. PERO, HAY FUNCIONES INTEGRABLES?
65
(3) f es continua a la derecha y discontinua a la izquierda: en este caso debe

valer g(0) g(0) = 0 y vale
|S(P, f, g) f (0)(g(0+) g(0))| |g(0+) g(0)|
(D.48)
En todos los casos vale la acotacion por lo que el teorema queda demostrado.
Este u
ltimo resultado permite demostrar que las integrales respecto de funciones escalonadas se reducen a sumas.
Teorema D.2.7. Sea g una funcion escalonada definida en el intervalo [a, b]
con salto gk en el punto xk de una particion {x1 , x2 , . . . , xn } del intervalo. Sea
f definida en [a, b] con la propiedad que f y g no sean las dos discontinuas a la
izquierda o a la derecha en cada punto xk . Entonces existe la integral de f respecto
de g y vale
Z b
n
X
f (x)dg(x) =
f (xk )gk
(D.49)
a
k=1
n: Basta descomponer el intervalo [a, b] en subintervalos y aplicar el

Demostracio
teorema D.2.6.
D.3. F
ormula de la suma de Euler
Teorema D.3.1. Supongamos que f es de clase C en [a, b]. Si a y b son
enteros se tiene

Z b
Z b
b
X
1
f (a) + f (b)
f (n) =
f (x)dx +
x bxc
f 0 (x)dx +
(D.50)
2
2
a
a
n=a
n: Por el teorema D.2.4 se tiene que
Demostracio

Z b

Z b
1
1
f (x)d x bxc
+
x bxc
df (x)
2
2
a

a

1
1
= f (b) b bbc
f (a) a bac
2
2
es decir
Z b
a
1
f (x) d x bxc
2
Z
+
a
1
x bxc
2

df (x) =
f (a) f (b)
2
(D.51)
(D.52)
(D.53)
por u
ltimo
Z
a

Z b
b
X
1
f (x)d x bxc
=
f (x) dx
f (n)
2
a
n=a+1
(D.54)
lo que, al combinarla con la anterior, completa la demostracion.

D.4. Pero, Hay funciones integrables?
Se puede demostrar que si f es continua y g es de variacion acotada en el
intervalo [a, b] entonces f es integrable en el sentido de Riemann-Stieltjes respecto
del integrador g. La demostracion es muy simple y se basa en la definicion de las
denominadas sumas superior e inferior de Riemann-Stieltjes y en ver que, cuando
se refina la partici
on, ambas sumas se aproximan tanto como se desee.
66
D.5. Ejercicios
Ejercicio D.5.1. Una funcion f , definida en [a, b], verifica una condicion uniforme de Lipschitz de orden > 0 en [a, b] si existe una constante M > 0 tal que
|f (x) f (y)| < M |x y| para todo x e y de [a, b]
(a) Si f es una tal funcion, probar que > 1 implica que f es constante en
[a, b], mientras que = 1 implica que f es de variacion acotada en [a, b]
(b) Dar un ejemplo de una funcion f que satisfaga una condicion uniforme de
Lipschitz de orden < 1 en [a, b] tal que f no sea de variacion acotada
en [a, b]
(c) Dar un ejemplo de una funcion f que sea de variacion acotada y que, sin
embargo, no satisfaga ninguna condicion uniforme de Lipschitz en [a, b].
Ejercicio D.5.2. Probar que una funcion polinomica f es de variacion acotada
en todo intervalo cerrado y acotado [a, b]. Describir un metodo que permita calcular
la variaci
on total de f en [a, b] conociendo los ceros de la derivada f 0 .
Ejercicio D.5.3. La siguiente definicion de la integral de Riemann-Stieltjes
es bastante usual en textos matematicos: Se dice que f es integrable respecto de g
si existe un n
umero real A con la siguiente propiedad: para cada > 0 existe un
> 0 tal que para cada particion P de [a, b] con norma kP k < y cada eleccion de
k en [xk1 , xk ], tenemos |S(P, f, g) A| <
Rb
(a) Demostrar que si a f dg existe seg
un esta definicion entonces tambien
existe de acuerdo con la definicion D.2.1 (pagina 61) y ambas son iguales.
(b) Sean f (x) = g(x) = 0 para 1 x < 0, f (x) = g(x) = 1 para 0 < x 1,
Rb
f (0) = 0, y g(0) = 1. Demostrar que a f dg existe de acuerdo a la
definici
on D.2.1 pero no existe seg
un la definicion de este ejercicio.

APENDICE
E
Polinomios y n
umeros de Bernoulli
Los polinomios de Bernoulli, Bn (x), resultan de la serie generadora
X
text
tk
=
Bk (x)
t
e 1
k!
(E.1)
k=0
y los n
umeros de Bernoulli, Bn , de
X
t
tk
=
B
k
et 1
k!
(E.2)
k=0
(es decir, de hacer x = 0 en la anterior, razon por la cual Bn (0) = Bn ). A

continuaci
on desarrollamos un cuaderno del Mathematica con algunos ejemplos de
estos n
umeros y polinomios.
E.1. Polinomios de Bernoulli con el Mathematica
(* N\umeros y polinomios de Bernoulli *)
(* Calculamos la serie generadora de los polinomios
la correspondiente serie para los n\umeros se
obtiene, simplemente, fijando x = 0 en la primera *)
Series[t Exp[t x]/(Exp[t]-1),{t,0,4}]
2
2
3
1
1
x
x
2
x
x
x
3
1 + (-(-) + x) t + (-- - - + --) t + (-- - -- + --) t +
2
12
2
2
12
4
6
2
3
4
1
x
x
x
4
5
(-(---) + -- - -- + --) t + O[t]
720
24
12
24
Series[t Exp[t x]/(Exp[t]-1),{t,0,12}];
CoefficientList[%,t]
2
2
3
2
3
4
1
1
x
x
x
x
x
1
x
x
x
{1, -(-) + x, -- - - + --, -- - -- + --, -(---) + -- - -- + --,
2
12
2
2
12
4
6
720
24
12
24
3
4
5
2
4
5
6
-x
x
x
x
1
x
x
x
x
--- + -- - -- + ---, ----- - ---- + --- - --- + ---,
720
72
48
120 30240
1440
288
240
720
3
x
5
x
6
x
7
x
67
68
E. POLINOMIOS Y NUMEROS
DE BERNOULLI
----- - ---- + ---- - ---- + ----,

30240
4320
1440
1440
5040
2
4
6
7
8
1
x
x
x
x
x
-(-------) + ----- - ----- + ---- - ----- + -----,
1209600
60480
17280
8640
10080
40320
3
5
7
8
9
-x
x
x
x
x
x
------- + ------ - ----- + ----- - ----- + ------,
1209600
181440
86400
60480
80640
362880
2
4
6
8
9
10
1
x
x
x
x
x
x
-------- - ------- + ------ - ------ + ------ - ------ + -------,
47900160
2419200
725760
518400
483840
725760
3628800
3
5
7
9
10
11
x
x
x
x
x
x
x
-------- - ------- + ------- - ------- + ------- - ------- + --------,
47900160
7257600
3628800
3628800
4354560
7257600
39916800
2
4
6
8
10
691
x
x
x
x
x
-(-------------) + -------- - -------- + -------- - -------- + -------- 1307674368000
95800320
29030400
21772800
29030400
43545600
11
12
x
x
-------- + ---------}
79833600
479001600
c=2;cm1=c-1;
BernoulliB[cm1]
BernoulliB[cm1,x]
cm1! %3[[c]]//Simplify
D[%,x]/cm1
Integrate[%%,{x,0,1}]
Plot[%%%,{x,0,1}]
1
-(-)
2
1
-(-) + x
2
1
-(-) + x
2
1
0
-Graphics- (*berno1.wmf*)
En la figura 1 y siguientes representamos algunos de los polinomios de Bernoulli.

c=3;cm1=c-1;
BernoulliB[cm1]
BernoulliB[cm1,x]==cm1! %3[[c]]//Simplify
E.1. POLINOMIOS DE BERNOULLI CON EL Mathematica
0.4
0.2
0.2
0.4
0.6
0.8
-0.2
-0.4
Figura 1. El polinomio de Bernoulli B1 (x)
D[%,x]/cm1 //Simplify
Plot[%%%,{x,0,1}]
1
6
True
1
2
- - x + x
6
1
-(-) + x
2
0
c=7;cm1=c-1;
BernoulliB[cm1]
Plot[%%%,{x,0,1}]
1
-42
True
69

DE BERNOULLI
70
0.15
0.1
0.05
0.2
0.4
0.6
0.8
-0.05
2
4
1
x
5 x
5
6
-- - -- + ---- - 3 x + x
42
2
2
3
4
-x
5 x
5 x
5
-- + ---- - ---- + x
6
3
2
0
c=11;cm1=c-1;
BernoulliB[cm1]
Plot[%%%,{x,0,1}]
5
-66
True
2
8
5
3 x
4
6
15 x
9
10
-- - ---- + 5 x - 7 x + ----- - 5 x + x
66
2
2
2
4
6
7
8
E.1. POLINOMIOS DE BERNOULLI CON EL Mathematica
0.02
0.01
0.2
0.4
0.6
0.8
-0.01
-0.02
x (-3 + 20 x - 42 x + 60 x - 45 x + 10 x )
---------------------------------------------10
0
(* Resulta que las integrales de los coeficientes son nulas,
(todas, salvo la primera) porque vale la siguiente integral: *)
Integrate[t Exp[t x]/(Exp[t]-1),x]
t x
E
------t
-1 + E
Integrate[t Exp[t x]/(Exp[t]-1),{x,0,1}]//Simplify
1
(* Calculamos ahora el coeficiente de t^40 en el desarrollo en serie *)
n=40;
n! Coefficient[Series[t Exp[t x]/(Exp[t]-1),{t,0,n}],t^n]//Simplify
%==BernoulliB[40,x]
Plot[%%%,{x,0,1}]
4
261082718496449122051
2
26315271553053477373 x
-(---------------------) + 380899208799402670 x - ----------------------- +
13530
21
71

DE BERNOULLI
72
0.06
0.04
0.02
0.2
0.4
0.6
0.8
-0.02
-0.04
-0.06
6
1649024253633120910 x
8
10
2325031004857511379 x
10708663585311718520 x
- ---------------------- + ------------------------ 2
21
12
16
457533651717217348 x
14
38092256087030385 x
---------------------- + 33081876872548920 x
- --------------------- +
3
7
18
702064548199300 x
20
- 72937940132694 x
24
445756964055 x
26
+ 27074751480 x
22
43628525827900 x
+ ------------------ 7
28
30
29696275036 x
192650120 x
- --------------- + ------------- 21
3
32
36
5126979 x
34
9139 x
38
39
40
----------- + 91390 x
- -------- + 130 x
- 20 x
+ x
2
3
True
0

E.2. NUMEROS
DE BERNOULLI
73
16
210
16
110
0.2
0.4
0.6
0.8
16
-110
16
-210
(* Observamos que los valores son muy grandes por eso calculamos el
valor del polinomio y luego los partimos por el
correspondiente factorial *)
BernoulliB[40,0.5]
%/40!
16
1.92966 10
-32
2.36502 10
E.2. N
umeros de Bernoulli
Para demostrar que los n
umeros de Bernoulli con ndice impar 3 son nulos
observemos que
t
t
t
t et + 1
B1 t = t
+ =
(E.3)
t
e 1
e 1 2
2 et 1
pero esta u
ltima es una funci
on par puesto que
t et + 1
t et + 1
= t
t
2e 1
2e 1
(E.4)
con lo cual todos los coeficientes de ndice impar de su desarrollo deben anularse.
74
DE BERNOULLI
Ejercicio E.2.1. Multiplicar ambos miembros de E.2 por et 1, e igualar

coeficientes para obtener
n
X
n
Bk = Bn + 1n
(E.5)
k
k=0
Ejercicio E.2.2. Demostrar que

n
X
m
Bm (x) =
Bk xmk
k
(E.6)
k=0
En algunos textos la expresion E.6 se toma como definicion de los polinomios

de Bernoulli. Cuando m = 1, se tiene B1 (x) = B0 x + B1 = x 12 . Si m > 1 se
tiene Bm (1) = Bm = Bm (0) (ver el ejercicio E.2.1). Resulta, en consecuencia que
Bm (x bxc) no tiene saltos en las coordenadas enteras.
E.3. Integraci
on por partes
Teorema E.3.1. Vale la identidad
0
Bm
(x) = mBm1 (x)
n: Por la expresion E.6 se tiene

Demostracio
n
X
m
0
Bm (x) =
(m k)Bk xmk1
k
k=0

n
X
m1
=m
Bk xm1k = mBm1 (x)
k
(E.7)
(E.8)
(E.9)
k=0
Por u
ltimo se tiene la siguiente formula de integracion por partes,
Z 1
1
Bm (x)f (m) (x)dx =
m! 0
1
(Bm+1 (1)f (m) (1) Bm+1 (0)f (m) (0)
(m + 1)!
Z 1
1
Bm+1 (x)f (m+1) (x)dx
(E.10)
(m + 1)! 0
Este u
ltimo resultado, convenientemente extendido, lo utilizamos para demostrar la f
ormula de Euler para el error del metodo trapezoidal.

APENDICE
F
Laboratorio de Matem
atica: Integraci
on
Adaptativa
F.1. Objetivos
Las metas del laboratorio de Cuadratura Adaptativa son

Introducir el concepto de metodo adaptativo para la resolucion numerica
de distintos problemas de Matematica, y, en particular, para el caso de la
integraci
on de funciones
Comparar la eficiencia de distintos metodos de integracion numerica
Estudiar los errores de aproximacion asociados a distintos metodos de
integraci
on numerica
F.2. Antes del laboratorio
La idea b
asica de un metodo adaptativo es refinar los calculos solamente en los
dominios en los que es necesario y realizar el mnimo de cuentas en los restantes
para lograr a la postre una distribucion uniforme de los errores de aproximacion
function y=mifun(x)
% MIFUN funci\on para probar la adaptatividad de QUAD.
%
Tiene que ser una funci\on vectorizada.
%
C.E. Neuman, 30 de mayo de 1997
I=find(x < 0.5);

J=find(x >= 0.5);
y=zeros(size(x));
% mayores o iguales que 1/2
y(I)=-2.5e8*((x(I)-0.5).*x(I)).^5;
% menores que 1/2
y(J)=720*(x(J)-0.5);
% fin de la funci\on mifun
f (x) =
5
52 108 x(x 12 )
720(x 12 )
si
x<
1
2
si
1
2
(F.1)
a trav
es de la programaci
on Curso de Acci
ecnica de la UNL, subsidio 1042-1042-34-182 y 94-16-4-20. Proyectos Uso
del producto Mathematica en la ense nanza de la Matem
atica y Problemas te
oricos y num
ericos
asociados a la obtenci
on de soluciones de ecuaciones elpticas y parab
olicas
75
Hay posibles
singularidades en el
entorno de 0 y de 0.5
76
ADAPTATIVA
F. LABORATORIO DE MATEMATICA:
INTEGRACION
400
350
300
250
200
150
100
50
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
Figura 1. Puntos de evaluacion de quad para la funcion f (x) en

[0, 2]
N
otese en la figura 1 que en el entorno de 0 y de 0.5 se acumulan los puntos
y se alcanza en nivel de posible singularidad en el algoritmo quad. Asimismo, en
el intervalo donde la funci
on es un polinomio de orden 4 el metodo de Simpson es
exacto y la distribuci
on de puntos es uniforme y mucho menos densa.
Ejercicio F.2.1. Dada una funcion f definida en un intervalo [a, b] dar un
metodo adaptativo de interpolacion de f mediante polinomios a trozos de orden 2
(splines lineales).
Ejercicio F.2.2. Dada una funcion f definida en un intervalo [a, b] dar un
metodo adaptativo de interpolacion de f mediante polinomios a trozos de orden 4
(splines c
ubicos)
F.3. Laboratorio
Ejercicio F.3.1. Desarrollar un algoritmo y correspondiente programa en
Matlab que implemente un metodo de integracion numerica adaptativa de una
funci
on dada en un intervalo cerrado y acotado del eje real.
Ejercicio F.3.2. Realizar experimentos numericos destinados a determinar las
caractersticas del comportamiento del programa desarrollado en F.3.1 para distintos integrandos y distintos dominios de integracion. Comparar con otros metodos
de integraci
on numerica.
F.5. REFERENCIAS
77
F.4. Aplicaciones y desarrollos avanzados

Ejercicio F.4.1. Analizar en detalle las funciones quad y quad8 de Matlab
y, a partir de ellas, y del programa desarrollado en F.3.1, generar un integrador
autom
atico m
as robusto.
F.5. Referencias

APENDICE
G
Laboratorio de Matem
atica: Soluci
on adaptativa
de ODEs
G.1. Objetivos
Las metas del laboratorio de Solucion adaptativa de ODEs son

Desarrollar el concepto de metodo adaptativo introducido en otro laboratorio de este texto para la resolucion numerica de distintos problemas
de Matem
atica, y, en particular, para el caso de la solucion de ecuaciones
diferenciales
comparar la eficiencia de distintos metodos de solucion numerica de ODEs
estudiar los errores de aproximacion asociados a distintos metodos de
soluci
on numerica de ODEs.
G.2. Antes del laboratorio
La idea b
asica de un metodo adaptativo es refinar los calculos solamente en los
dominios en los que es necesario y realizar el mnimo de cuentas en los restantes
para lograr a la postre una distribucion uniforme de los errores de aproximacion.
Analizar en detalle los resultados del laboratorio de integracion adaptativa.
G.3. Laboratorio
Ejercicio G.3.1. Desarrollar un algoritmo y correspondiente programa en
Matlab que implemente un metodo de integracion numerica adaptativa de una
ecuaci
on diferencial dada en un intervalo del eje real.
Ejercicio G.3.2. Realizar experimentos numericos destinados a determinar
las caractersticas del comportamiento del programa desarrollado en G.3.1 para
distintas funciones de carga f (x, y) y distintos dominios de solucion. Comparar con
otros metodos de soluci
on numerica de ODEs.
G.4. Aplicaciones y desarrollos avanzados
Ejercicio G.4.1. Analizar en detalle las funciones ode23 y ode45 de Matlab
y, a partir de ellas, y del programa desarrollado en G.3.1, generar un integrador
autom
atico m
as robusto.
a trav
es de la programaci
on Curso de Acci
ecnica de la UNL, subsidio 1042-1042-34-182 y 94-16-4-20. Proyectos Uso
del producto Mathematica en la ense nanza de la Matem
atica y Problemas te
oricos y num
ericos
asociados a la obtenci
on de soluciones de ecuaciones elpticas y parab
olicas y sus continuaciones
79
80
ADAPTATIVA DE ODES
G. LABORATORIO DE MATEMATICA:
SOLUCION
G.5. Referencias

APENDICE
H
Existencia y unicidad de soluciones de ODEs

Dado el PVI
(
y 0 = f (x, y) x I,
y(x0 ) = y0
x0 I.
(H.1)
y las iteraciones de Picard

Z
yn+1 = y0 +
f (s, yn (s))ds
(H.2)
x0
definimos el rect
angulo R : |x x0 | a, |y y0 | b y
M = max |f (x, y)|
(H.3)
(x,y)R

f (x, y)

L = max
y
(x,y)R

f (x, y)
f (x, y)
D = max
+ f (x, y)
x
y
(x,y)R
(H.4)
(H.5)
Lema H.0.1. Si = min(a, b/M ) entonces |yn (x) y0 | M (x x0 ) para

x0 x x0 +
n: Por induccion en n. Si n = 0 se toma y0 (x) = y0 . Veamos ahora
Demostracio
que si vale para n = k entonces se puede demostrar
el caso n = Rk + 1: |yk (x) y0 |
Rx
x
M (x x0 ) implica que |yk+1 (x) y0 | = | x0 f (s, yk (s))ds| x0 |f (s, yk (s))|ds
M (x x0 ) si x0 x x0 + lo que demuestra el lema por induccion.
Se tiene que (yn (x)) converge sii y0 (x) + (y1 (x) y0 (x)) + (y2 (x) y1 (x)) +
. . . + (yn (x) yn1 (x)) + . . . converge como serie. En consecuencia bastara ver que
la serie es absolutamente convergente:
X
|yn (x) yn1 (x)| <
(H.6)
n=1
n H.0.2. La serie es absolutamente convergente

Observacio
n:
Demostracio
Z x
|yn (x) yn1 (x)| = |
(f (s, yn1 (s)) f (s, yn2 (s)))ds|
x0
Z x
|f (s, yn1 (s)) f (s, yn2 (s))|ds

x0

Z x
f (s, (s))

|yn1 (s) yn2 (s)|ds
=

y
x0
81
(H.7)
(H.8)
(H.9)
82
H. EXISTENCIA Y UNICIDAD DE SOLUCIONES DE ODES
con (s) int(yn1 (s), yn2 (s)) de modo que (s, (s)) R, s [x0 , x0 + ]
Z x
L
|yn1 (s) yn2 (s)|ds,
x0 x x0 +
(H.10)
x0
En particular
Z
|y2 (x) y1 (x)| L
|y1 (s) y0 |ds

x0
Z x
M (s y0 )ds = LM
x0
Z
|y3 (x) y2 (x)|
(H.11)
(x x0 )2
2!
(H.12)
|y2 (s) y1 (s)|ds
(H.13)
x0
M L2
(s x0 )2
(x x0 )3
ds = M L2
2
3!
x0
(H.14)
y por inducci
on
|yn (x) yn1 (x)|
M Ln1 (x x0 )n
,
n!
x0 x x0 +
(H.15)
Resulta as que, para x0 x x0 +
|yj (x) yj1 (x)|
M (x x0 ) + M L
j=1
(x x0 )3
(x x0 )2
+ M L2
+(H.16)
...
2!
3!
2
3
+ M L2
+ ...
(H.17)
2!
3!
M
(L)2
(L)3
M L
(L +
+
+ . . .) =
(e 1)(H.18)
L
2
3
L
M + ML
=
Luego yn (x) converge para cada x en x0 x x0 +

Un argumento similar muestra que yn (x) converge para cada x en x0
x x0
El lmite de (yn (x)) se denotara y(x)
n H.0.3. La funcion y(x) satisface la ecuacion integral
Observacio
Z x
y(x) = y0 +
f (s, y(s))ds
(H.19)
x0
y se tiene que y(x) es continua

Como
x
Z
yn+1 (x) = y0 +
f (s, yn (s))ds
(H.20)
x0
tomamos lmite:
Z
y(x) = y0 + lim
f (s, yn (s))ds
(H.21)
x0
y tenemos que calcular este lmite. Notemos que y(x) pertenece a R para x0 x
x0 + porque es el lmite de funciones con graficos en R.
H.0.1. C
alculo del lmite.
Z x
Z x
f (s, y(s))ds
f (s, yn (s))ds|
|
x0
x0
Z x
|f (s, y(s)) f (s, yn (s))|ds

x0
Z x
L
|y(s) yn (s)|ds
83
(H.22)
(H.23)
(H.24)
x0
pero y(s) yn (s) =
yj1 (s)) y entonces
j=n+1 (yj (s)
|y(s) yn (s)| M
M
M
L
Lj1
(s x0 )j
j!
(H.25)
Lj1
j
j!
(H.26)
(L)j M L
(e 1)
j! L
j=n+1
(H.27)
j=n+1
X
j=n+1
de modo que la integral es

(H.24) M
X
(L)j x
ds
j!
x0
j=n+1
X
(L)j
0 (n )
j!
j=n+1
(H.28)
(H.29)
Resulta as que
Z
lim
f (s, yn (s))ds =
t0
f (s, y(s))ds
(H.30)
t0
H.0.2. Continuidad de y(x). Escribimos

y(x+h)y(x) = (y(x+h)yN (x+h))+(yN (x+h)yN (x))+(yN (x)y(x)) (H.31)
Sea N tal que
M
L
X
(L)j
<
j!
3
(H.32)
j=N +1
de modo que si h es suficientemente peque

no, h < , se tiene
|y(x + h) yN (x + h)| <

3
y
|y(x) yN (x)| <

3
y, por la continuidad de yN (integral repetida)
> 0 : |yN (x + h) yN (x)| < si |h| <

3
entonces
(H.33)
(H.34)
(H.35)
|y(x+h)y(x)| |y(x+h)yN (x+h)|+|yN (x+h)yN (x)|+|yN (x)y(x)| si |h| <

(H.36)
84
Hemos demostrado as que el problema de valores iniciales tiene una solucion

continua en x0 x x0 +
Teorema H.0.4. La solucion es u
nica
n: Supongamos que ademas de y(x) se tiene que z(x) tambien es
Demostracio
soluci
on:
Z x
y(x) = y0 +
f (s, y(s))ds
(H.37)
x0
x
Z
z(x) = y0 +
f (s, z(s))ds
(H.38)
x0
entonces
Z x
|y(x) z(x)| = |
(f (s, y(s)) f (s, z(s)))ds|
x0
Z x
|f (s, y(s)) f (s, z(s))|ds

x0
Z x
L
|y(s) z(s)|ds
(H.39)
(H.40)
(H.41)
x0
lo que prueba el teorema una vez demostrado el siguiente lema

Lema H.0.5. Sea w(x) una funcion no negativa con
Z x
w(x)
w(s)ds
(H.42)
x0
Entonces w(x) es identicamente cero.

n: Sea U (x) =
Demostracio
Rx
x0
w(s)ds entonces
dU
= w(x)
dx
w(s)ds = LU (x)
(H.43)
x0
lo que implica
eL(xx0 ) U (x) U (x0 )
(x x0 )
(H.44)
o bien
U (x) = 0
(H.45)
de modo que
Z
0 w(x) L
w(s)ds = LU (x) = 0
(H.46)
x0
o tambien
w(x) = 0
(H.47)
H.1. REFERENCIAS
85
H.0.3. Errores en el m
etodo de Euler. El metodo de Euler tiene la expresi
on yk+1 = yk + hf (xk , yk ). Si desarrollamos en serie de Taylor: Y (xk+1 =
2
f
Y (xk ) + hf (xk , Y (xk )) + h2 ( f
x + f y )(k , Y (k )) con k int(xk , xk+1 )
Si restamos: Yk+1 yk+1 = Yk yk + h(f (xk , Yk ) f (xk , yk )) +
f fy )(k , Y (k )) y se tiene
|Yk+1 yk+1 |
|Yk yk | + h|fy (xk , k )||Yk yk | +

|Yk yk | + hL|Yk yk | +
Ek+1 = (1 + hL)Ek +
h2
|(fx + f fy )(k , Y (H.48)
(k ))|
2
Dh2
2
y si llamamos Ek = |Yk yk | al error (k > 0) se tiene
h2
2 (fx
Dh2
2
(H.49)
(H.50)
Se prueba que
Dh2 ((1 + hL)k 1)
2
hL
se tiene tambien que
Dh khL
Ek ekhL E0 +
(e
1)
2L
Ek (1 + hL)k E0 +
y como (1 + hL) ehL
como kh <
Ek eL E0 +
D L
(e 1)h
2L
(H.51)
(H.52)
(H.53)
H.1. Referencias
H.1. REFERENCIAS
Terminado de imprimir por CEN el 30 de noviembre de dos mil

uno en la ciudad de Santa Fe, Rep
ublica Argentina.
87

Análisis Numerico de Integrales Ecuaciones Diferenciales PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Análisis Numerico de Integrales Ecuaciones Diferenciales PDF

Cargado por

Copyright:

Formatos disponibles

Este documento es de distribucin gratuita

e-Commentarii Aplicand Mathematic

LN1: Neuman, C. E.: An

Temas de Analisis Numerico y Programacion

e-Commentarii Aplicand Mathematic , LN: Lecture Notes

Key words and phrases. Integracion numerica, Resolucion numerica de ecuaciones

Trabajo realizado con fondos provenientes de la Universidad Nacional del Litoral

Prefacio a la segunda edici

Captulo 2. Ecuaciones diferenciales

Apendice A. Bibliografa y referencias

Apendice B. Coeficientes indeterminados con el Mathematica

Apendice C. Cuadernos del Mathematica y archivos script de Matlab

Apendice F. Laboratorio de Matematica: Integracion Adaptativa

Apendice G. Laboratorio de Matematica: Solucion adaptativa de ODEs

Apendice H. Existencia y unicidad de soluciones de ODEs

Para S., N., y F.

Our ancestors were eager to understand

Las referencias se enumeran en el ap

donde L : X Y es un operador lineal entre los espacios normados X e Y . El

donde Ln es un operador en ciertos espacios ndimensionales Xn e Yn . El smbolo

Usualmente, el primer paso del analisis es definir el error de consistencia

De (0.1) y (0.4) se obtiene directamente que

y obtenemos una cota para el error de la solucion aproximada

En la mayora de los casos es relativamente elemental mostrar que

y que, bajo condiciones bien definidas

Se necesita una condici

Si reemplazamos en la ecuacion (0.8), obtenemos el teorema central del analisis

Supongamos ahora que hemos determinado que nuestro metodo numerico es

donde es un funcional de la solucion desconocida x El exponente p se denomina

donde n es el residuo de la solucion calculada

Prefacio a la segunda edici

PREFACIO A LA SEGUNDA EDICION

Mi padre fue un judo renegado, o un ateo, o un rebelde. Lo

Campo de direcciones de f (x, y) = xy

Puntos de evaluacion de quad para la funcion f (x) en [0, 2]

donde fi es el valor elegido de la funcion f en el intervalo [xi1 , xi ]. En el caso de

si, en cambio, se toma fi = f (xi ) se obtiene otra regla del rectangulo

en realidad la regla del rect

f (x) dx ' R(h) = h

f (x) dx ' T (h) = h

En algunos textos este

La integral de RiemannStieltjes generaliza la integral de Riemann

1.2. LA INTEGRAL DE RIEMANNSTIELTJES

y en parte continuas pueden ser abordados utilizando la integral de

sobre una partici

(donde gk = g(xk ) g(xk1 )) se llama suma de Riemann-Stieltjes de f respecto

Ejemplo 1.2.1. Si g(x) = x entonces la integral se reduce a una integral de

Nota: Este resultado se demuestra en el teorema D.2.5 en la pagina 63

Ejemplo 1.2.3. Si f es continua y g(x) = bxc entonces la integral resulta

y si g(x) = dxe entonces

Nota: Este resultado se demuestra en el teorema D.2.7 en la pagina 65. Notar la

n: Ver el teorema D.2.4 en la pagina 62

se denota T (h) y resulta ser

Desearamos demostrar el siguiente teorema

(f (3) (b) f (3) (a))

Donde los coeficientes {c2r } tienen la funcion generatriz

1.3.1. El smbolo O. La notacion O grande es u

No damos explcitamente en general las constantes M y n0 , las que suelen ser

Nota 1.3.1. La notaci

1.3.2. lgebra de operadores. Si D representa el operador d/dx se tiene

y as sucesivamente. Utilizamos esta representacion de la traslacion en la siguiente

------------------- - --------------------- + O[h]

lo que justifica el enunciado del teorema 1.3.1