Apuntes de C´ alculo Num´erico.

Antonio Souto Iglesias
Ju´ an Miguel S´ anchez.
Every phenomenon affects and is
affected by every other phenomenon.
Any phenomenon which we choose to examine
is to us conditioned by what we see and know.
We exclude deliberately all other conditions,
but nature does not exclude them.
T.A.Cook
The curves of life. 1914
El progreso t´ecnico deja un problema sin
resolver: la debilidad de la naturaleza humana.
J. Gray
´
Indice General
1 Introducci´ on. 8
1.1 Clasificaci´ on de los problemas en matem´ atica num´erica. . . . . . . . . . . 9
1.2 Tutor´ıas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3 Requisitos previos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4 Sistema de evaluaci´ on. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4.1 Normas del examen de C´ alculo Num´erico. . . . . . . . . . . . . . 12
2 Ecuaciones y sistemas de ecuaciones no lineales. 13
2.1 Introducci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2 Teorema de la aplicaci´ on contractiva. . . . . . . . . . . . . . . . . . . . . 14
2.3 Aplicaci´ on a la resoluci´ on de ecuaciones. . . . . . . . . . . . . . . . . . . 16
2.3.1 Estudios de convergencia local. . . . . . . . . . . . . . . . . . . . 16
2.4 Estimaciones del error en funci´ on del n´ umero de iteraciones. . . . . . . . 17
2.5 Interpretaci´ on gr´ afica de los m´etodos iterativos. . . . . . . . . . . . . . . 18
2.6 Relajaci´ on de un esquema de aproximaciones sucesivas. . . . . . . . . . . 18
2.7 M´etodo de Newton-Raphson. . . . . . . . . . . . . . . . . . . . . . . . . 19
2.7.1 Obtenci´ on del m´etodo de Newton a partir del factor ´ optimo de
relajaci´ on. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.7.2 Obtenci´ on del m´etodo de Newton a partir de un desarrollo en serie
de Taylor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.7.3 Interpretaci´ on geom´etrica del m´etodo de Newton. . . . . . . . . . 21
2.7.4 Obtenci´ on del m´etodo de Newton a partir de las ideas de conver-
gencia local . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.8 Resoluci´ on de sistemas de ecuaciones no lineales. . . . . . . . . . . . . . . 24
2.8.1 Convergencia local. . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.9 M´etodo de Newton-Raphson para sistemas de ecuaciones no lineales. . . 26
2.10 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.11 Referencias recomendadas para este tema. . . . . . . . . . . . . . . . . . 26
3 Resoluci´ on de sistemas lineales. 27
3.1 Matrices y normas matriciales. . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1.1 Matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.1.2 Autovalores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.1.3 Normas matriciales . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 Condicionamiento de un sistema lineal. . . . . . . . . . . . . . . . . . . . 31
4
3.3 M´etodos directos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.1 Eliminaci´ on gaussiana. . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3.2 Descomposici´ on LU. . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3.3 Descomposici´ on de Cholesky, A = LL
t
. . . . . . . . . . . . . . . . 37
3.3.4 M´etodo de Gauss-Jordan. . . . . . . . . . . . . . . . . . . . . . . 37
3.4 M´etodos iterativos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4.1 Convergencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4.2 Esquema general. . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4.3 M´etodo iterativo de Jacobi. . . . . . . . . . . . . . . . . . . . . . 39
3.4.4 M´etodo iterativo de Gauss-Seidel. . . . . . . . . . . . . . . . . . . 41
3.4.5 Test de parada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.5 Referencias recomendadas para este tema. . . . . . . . . . . . . . . . . . 43
4 Interpolaci´ on. 44
4.1 El problema general de interpolaci´ on . . . . . . . . . . . . . . . . . . . . 44
4.1.1 Casos particulares del problema general de interpolaci´ on . . . . . 44
4.2 Interpolaci´ on polinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.2.1 Interpolaci´ on de Lagrange . . . . . . . . . . . . . . . . . . . . . . 47
4.2.2 Estimaciones del error en la interpolaci´ on de Lagrange . . . . . . 49
4.2.3 Diferencias divididas . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.2.4 Interpolaci´ on simple de Hermite u osculatriz. . . . . . . . . . . . . 53
4.3 Interpolaci´ on polinomial a trozos. . . . . . . . . . . . . . . . . . . . . . . 54
4.3.1 Interpolacion parab´ olica a trozos . . . . . . . . . . . . . . . . . . 54
4.3.2 Error en la interpolacion parab´ olica a trozos . . . . . . . . . . . . 56
4.3.3 Interpolaci´ on a trozos de grado 3 usando interpolaci´ on Hermite. . 56
4.4 Interpolaci´ on polinomial a trozos: Splines . . . . . . . . . . . . . . . . . . 57
4.4.1 Bases de splines asociadas a un problema de interpolaci´ on. . . . . 60
4.5 Interpolaci´ on spline con bases de soporte m´ınimo: B-splines . . . . . . . 61
4.5.1 B-splines de grado 0. k = 0, r = 1 . . . . . . . . . . . . . . . . . . 64
4.5.2 B-splines de grado 1. k = 1, r = 2 . . . . . . . . . . . . . . . . . . 64
4.5.3 B-splines de grado k. r = k + 1 . . . . . . . . . . . . . . . . . . . 64
4.5.4 B-splines de grado 2 en una partici´ on equiespaciada. k = 2, r = 3 65
4.5.5 B-splines de grado 3 en una partici´ on equiespaciada. k = 3, r = 4 65
4.5.6 Partici´ on de la unidad . . . . . . . . . . . . . . . . . . . . . . . . 66
4.5.7 Interpolaci´ on con B-splines . . . . . . . . . . . . . . . . . . . . . . 66
4.6 Interpolaci´ on en varias variables. . . . . . . . . . . . . . . . . . . . . . . 66
4.6.1 Interpolaci´ on en recintos rectangulares . . . . . . . . . . . . . . . 67
4.7 Referencias recomendadas para este tema. . . . . . . . . . . . . . . . . . 67
5 Aproximaci´ on de funciones. 68
5.1 Introducci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.2 El problema general de aproximaci´ on. . . . . . . . . . . . . . . . . . . . . 68
5.3 Mejor aproximaci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.4 Existencia y unicidad de una mejor aproximaci´ on . . . . . . . . . . . . . 71
5.4.1 Sucesi´ on minimizante en T . . . . . . . . . . . . . . . . . . . . . . 71
5
5.5 Aproximaci´ on lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.6 Aproximaci´ on en espacios prehilbertianos. . . . . . . . . . . . . . . . . . 72
5.6.1 General. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.6.2 Caracterizacion de la mejor aproximaci´ on. . . . . . . . . . . . . . 73
5.6.3 Error cuadr´ atico medio . . . . . . . . . . . . . . . . . . . . . . . . 75
5.6.4 Polinomios ortogonales . . . . . . . . . . . . . . . . . . . . . . . . 76
5.6.5 Desarrollo en serie de Fourier de una funci´ on peri´ odica. . . . . . . 79
5.6.6 Aproximaci´ on discreta: m´ınimos cuadrados. . . . . . . . . . . . . 82
5.6.7 Desarrollo en serie de Fourier de se˜ nales peri´ odicas definidas de
modo discreto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5.7 Referencias recomendadas para este tema. . . . . . . . . . . . . . . . . . 87
6 Integraci´ on num´erica 88
6.1 Introducci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
6.2 Exposici´ on del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6.3 F´ ormulas de cuadratura de tipo interpolaci´ on . . . . . . . . . . . . . . . 89
6.4 F´ ormulas de Newton-Cotes . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.4.1 Evaluaci´ on del error en las f´ ormulas de Newton-Cotes . . . . . . . 92
6.4.2 F´ ormulas abiertas de Newton-Cotes . . . . . . . . . . . . . . . . . 93
6.5 Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.6 Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.7 M´etodos compuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.7.1 General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.7.2 M´etodo compuesto de los trapecios . . . . . . . . . . . . . . . . . 95
6.7.3 M´etodo compuesto de Simpson . . . . . . . . . . . . . . . . . . . 95
6.7.4 Mayoraci´ on del error en los m´etodos compuestos . . . . . . . . . . 96
6.7.5 Selecci´ on del paso de integraci´ on . . . . . . . . . . . . . . . . . . 96
6.7.6 Estabilidad de los m´etodos compuestos . . . . . . . . . . . . . . . 97
6.8 F´ ormulas de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.8.1 Introducci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.8.2 M´etodo de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.9 Integraci´ on multidimensional . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.10 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.11 Referencias recomendadas para este tema. . . . . . . . . . . . . . . . . . 100
7 Derivaci´ on num´erica 101
7.1 Introducci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.2 Exposici´ on del problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
7.3 Derivaci´ on num´erica por interpolaci´ on polin´ omica. . . . . . . . . . . . . . 102
7.3.1 F´ ormula de dos puntos. . . . . . . . . . . . . . . . . . . . . . . . . 102
7.3.2 Error en la f´ ormula de dos puntos . . . . . . . . . . . . . . . . . . 102
7.3.3 F´ ormula de tres puntos . . . . . . . . . . . . . . . . . . . . . . . . 104
7.3.4 Error en la f´ ormula de tres puntos. . . . . . . . . . . . . . . . . . 105
7.3.5 F´ ormula de cuatro puntos. . . . . . . . . . . . . . . . . . . . . . . 105
7.3.6 F´ ormula de tres puntos para estimar la derivada segunda. . . . . . 106
6
7.4 Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.5 Derivadas parciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
7.6 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
7.7 Referencias recomendadas para este tema. . . . . . . . . . . . . . . . . . 109
8 Ecuaciones diferenciales ordinarias. 111
8.1 Introducci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
8.2 Ideas b´ asicas para la resoluci´ on num´erica de problemas de valor inicial . . 113
8.3 M´etodos discretos de un paso para edos. . . . . . . . . . . . . . . . . . . 114
8.3.1 Principios de los m´etodos de un paso. . . . . . . . . . . . . . . . . 114
8.3.2 Ejemplo: M´etodo de Euler. . . . . . . . . . . . . . . . . . . . . . 115
8.3.3 Esquema general. . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
8.3.4 Error de discretizaci´ on. Orden de un m´etodo. . . . . . . . . . . . 118
8.3.5 Selecci´ on del paso de integraci´ on. . . . . . . . . . . . . . . . . . . 118
8.4 Diferentes m´etodos de un paso. . . . . . . . . . . . . . . . . . . . . . . . 119
8.4.1 M´etodo de Euler. . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
8.4.2 Orden del m´etodo de Euler. . . . . . . . . . . . . . . . . . . . . . 119
8.4.3 M´etodo de Euler: error de discretizaci´ on. . . . . . . . . . . . . . . 120
8.4.4 M´etodo de Taylor. . . . . . . . . . . . . . . . . . . . . . . . . . . 120
8.4.5 M´etodos de Runge-Kutta. . . . . . . . . . . . . . . . . . . . . . . 121
8.5 M´etodos de paso multiple. . . . . . . . . . . . . . . . . . . . . . . . . . . 126
8.5.1 Introducci´ on a los m´etodos de paso m´ ultiple. . . . . . . . . . . . . 126
8.5.2 M´etodos de Adams-Bashforth. . . . . . . . . . . . . . . . . . . . . 127
8.5.3 M´etodos de Adams-Moulton. . . . . . . . . . . . . . . . . . . . . 128
8.5.4 M´etodos predictor-corrector. . . . . . . . . . . . . . . . . . . . . . 132
8.5.5 M´etodos de Milne-Simpson. . . . . . . . . . . . . . . . . . . . . . 134
8.6 Edos de orden mayor que uno y sistemas de edos. . . . . . . . . . . . . . 135
8.7 Resumen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
8.8 Referencias recomendadas para este tema. . . . . . . . . . . . . . . . . . 137
9 Ecuaciones diferenciales en derivadas parciales: M´etodo de las diferen-
cias finitas 138
9.1 Introducci´ on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
9.2 Ecuaciones parab´ olicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
9.3 Ecuaciones el´ıpticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
9.3.1 Discretizaci´ on del operador de Laplace con contornos irregulares. . 141
9.4 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
9.5 Referencias recomendadas para este tema. . . . . . . . . . . . . . . . . . 142
Bibliograf´ıa 143
7
Cap´ıtulo 1
Introducci´ on.
1
La matem´ atica num´erica o computacional estudia m´etodos para la resoluci´ on num´erica
y en general aproximada, de problemas propuestos matem´ aticamente. De un modo ge-
neral se pueden distinguir dos aspectos distintos en la matem´ atica num´erica:
1. Metodolog´ıa, se refiere a al construcci´ on de algoritmos espec´ıficos para cada pro-
blema, discutir su efectividad y suministrar las herramientas adecuadas para su
tratamiento con el ordenador.
2. An´ alisis o estudio de los principios matem´ aticos que subyacen a los m´etodos, los
teoremas de convergencia, las mayoraciones de los errores, etc.
En la mayor´ıa de los cursos de iniciaci´ on al c´ alculo num´erico, se insiste fundamentalmente
en la metodolog´ıa exponiendo al alumno a una avalancha de m´etodos que aparentemente
no tienen nada en com´ un. La realidad es otra. La matem´ atica num´erica est´ a fundamen-
tada en unos pocos principios b´ asicos, de modo que en la base de muchos algoritmos,
aparentemente distintos, subyace el mismo principio. Entender ese principio ayuda a
aclarar las ideas, lo que influye beneficiosamente en la b´ usqueda y construcci´ on de nuevos
m´etodos de resoluci´ on de problemas. Trataremos de mantener el equilibrio entre ambos
aspectos:
1. Enunciaremos los teoremas m´ as importantes omitiendo su demostraci´ on cuando
´esta sea excesivamente larga o t´ecnica.
2. Analizaremos de modo especial algunos de los algoritmos m´ as importantes y sumi-
nistraremos informaci´ on sobre sus variantes y otros algoritmos menos importantes.
3. Propondremos problemas y ejercicios de aplicaci´ on, principalmente aquellos que
hayan sido propuestos en ex´ amenes de la asignatura.
El programa de c´ alculo num´erico se desarrolla teniendo como motivo ordenador la si-
guiente clasificaci´ on, muy amplia, de los problemas que se suelen encontrar en matem´ atica
num´erica.
1
Se agradece de modo muy especial la colaboraci´on de Donato Mart´ınez, sin la cual no hubiese sido
posible la reorganizaci´on de todos estos apuntes.
1.1 Clasificaci´ on de los problemas en matem´atica nu-
m´erica.
Muchos de los problemas que surgen en matem´ atica aplicada se pueden enunciar formal-
mente as´ı :
Resolver la ecuacion
f(x) = y (1.1)
donde x ∈ E e y ∈ F, con E y F espacios vectoriales normados reales o complejos, y
f : E → F es un operador, lineal o no, cualquiera.
En el lenguaje de la ingenier´ıa de sistemas x, y, f representan la entrada, la salida y el
sistema en s´ı, respectivamente.
La observaci´ on de la ecuaci´ on [1.1] permite reconocer tres tipos de problemas distintos:
1. El problema directo. Dados f y x, hallar y. Se intenta determinar la salida de un
sistema dado, producida por una entrada conocida. Un ejemplo ser´ıa el c´ alculo de
una integral definida.
2. El problema inverso. Dados f e y, hallar x. Se busca la entrada que genera
una salida conocida en un sistema dado. Ejemplos de problemas inversos son la
resoluci´ on de sistemas de ecuaciones lineales o no lineales, as´ı como la resoluci´ on
de ecuaciones diferenciales tanto ordinarias como en derivadas parciales y la de
ecuaciones integrales.
3. El problema de identificacion. Dados x e y, hallar f. Se buscan las leyes que
gobiernan el sistema a partir del conocimiento de ciertas relaciones entre la en-
trada y la salida. En general, s´ olo se conoce un n´ umero finito de parejas (x
n
, y
n
)
entrada-salida. En su forma m´ as simple el problema de identificaci´ on es la teor´ıa
de aproximaci´ on de funciones - f es una funci´ on de una variable y se pide hallar la
o una funci´ on cuya gr´ afica pasa por o pasa cerca de un conjunto de puntos (x
n
, y
n
).
Cada tipo de problemas plantea sus propias cuestiones espec´ıficas, genera sus propios
algoritmos e incluso el ´exito en desarrollar una teor´ıa general var´ıa dependiendo de cu´ al
de ellos consideremos.
Los problemas directos se tratan con relativa facilidad; su ejemplo m´ as importante, la
integraci´ on num´erica, es hoy un problema bien comprendido. Existen todav´ıa problemas
abiertos y dificultades, pero el problema es conceptualmente simple con una teor´ıa general
no muy complicada.
El problema inverso ocupa por su importancia un puesto central en an´ alisis num´erico.
El caso lineal se ha estudiado extensamente y posee una teor´ıa general bien desarrollada.
El problema no lineal es m´ as dif´ıcil, y con un cuerpo de teor´ıa menos satisfactorio.
El problema de identificaci´ on en su marco m´ as general es bastante dif´ıcil. Pretender
descifrar las leyes que gobiernan un proceso desconocido del conocimiento de un n´ umero
9
finito de observaciones es generalmente imposible si no se tiene adem´ as alg´ un tipo de
informaci´ on de la estructura del proceso. El problema ya citado de la aproximaci´ on
de un operador de una variable conociendo un n´ umero finito de parejas (x
n
, y
n
) carece
en general de soluci´ on ´ unica salvo que restrinjamos la clase de las funciones admisibles
eligiendo una forma conveniente de f dependiente de ciertos par´ ametros que se calculen
de modo que expliquen mejor las observaciones entrada-salida efectuadas.
El linde entre los problemas directo e inverso es difuso, en ciertos casos, el problema
inverso se puede transformar en un problema directo. Si f posee inversa conocida f
−1
,
pasar´ıamos de [1.1] a x = f
−1
(y), por ejemplo el problema de Cauchy:
dx
dt
= ζ(t)x, x(0) = 1
se puede expresar mediante separaci´ on de variables en la forma:
x(t) = e

t
0
ζ(s)ds

Para un matem´ atico, el problema estar´ıa resuelto aunque desde un punto de vista estric-
tamente num´erico, sea m´ as conveniente resolver el problema en su forma original.
Esta observaci´ on es bastante general, la determinaci´ on expl´ıcita de la inversa no ayuda
num´ericamente aunque su conocimiento sea valioso por la informaci´ on cualitativa que
puede suministrar sobre el comportamiento de la soluci´ on que no se podr´ıa obtener de
ning´ un otro modo.
Puede parecer que la formulaci´ on [1.1] es muy restrictiva porque a veces no s´ olo se tiene
una ecuaci´ on que resolver sino que tambi´en hay condiciones adicionales, iniciales o de
contorno, que satisfacer, pero ello no es cierto. Usando el concepto de espacio producto
podemos incluir esas condiciones como veremos en el siguiente ejemplo:
dx
dt
= ζ(t, x), 0 ≤ t ≤ 1
con la condici´ on inicial x(0) = α.
Sea F = C[0, 1] IR . Definamos f : C
1
[0, 1] → F poniendo
f(x) =

dx
dt
−ζ(t, x), x(0)

y el problema planteado se puede escribir en la forma correspondiente al problema inverso
f(x) = (0, α)
En este libro hemos huido de los ejemplos y ejercicios resueltos. Esto se debe a que es
un libro orientado a su utilizaci´ on durante el examen, y adem´ as se complementa con un
texto donde aparecen resueltos algunos de los ejercicios propuestos en ex´ amenes.
El an´ alisis num´erico de un problema es, en la mayor´ıa de los casos, la ´ unica la aproxi-
maci´ on factible al mismo. Casi todos los modelos anal´ıticos de la realidad son irresolubles,
10
y hay que hacer aproximaciones con mayor o menor ´exito. Por eso, esta asignatura es
muy importante, y hacerla bien os deja en una posici´ on ventajosa para muchos retos
futuros. Ejemplos abundantes encontrar´eis en la realizaci´ on de vuestro proyecto fin de
carrera interpolando datos para hacer estimaciones razonables de valores desconocidos,
o integrando num´ericamente curvas para sacar pares adrizantes, o usando un paquete de
c´ alculo de estructuras por elementos finitos integrando las ecuaciones de la din´ amica de
medios continuos para chequear una parte delicada de la estructura, y muchas otras cosas
que us´ ais sin daros cuenta pero que est´ an escondidas en los programas de arquitectura
naval o de CAD que us´eis. En la vida profesional, algunos de vosotros abordar´eis pro-
blemas similares. Otros jam´ as tendr´eis que escribir un n´ umero, y algunos otros, tendr´eis
que completar este curso por insuficiente.
Nos parece importante comentar a los alumnos que est´ an cursando de nuevo la asignatu-
ra, que ´esta cambia un poco cada a˜ no, y que deben conseguir el material nuevo de este
a˜ no. Caso de no hacerlo as´ı, es posible que en el examen se encuentren con un problema
que no tengan ni idea de c´ omo abordar, como ya ha pasado muchas veces.
1.2 Tutor´ıas
Para las tutor´ıas existe un horario oficial que cambia cada a˜ no en funci´ on del horario
de clases. Independientemente de las tutor´ıas oficiales, se me localiza en el canal (tlf.
3367156) y estar´e encantado de atenderos fuera de las horas oficiales a no ser que pun-
tualmente est´e muy ocupado. Os ruego que me mandeis un mail a la direcci´ on de correo
electr´ onico asouto@etsin.upm.es para crear una lista de distribuci´ on de correo y poderos
mandar mensajes cuando salgan las notas, con ejercicios o avisos, y con mis datos y el
horario de tutor´ıas de este curso. Tambi´en se dispone de una p´ agina web de la asignatu-
ra donde pod´eis recoger las hojas de ejercicios, expresar vuestras opiniones en un foro,
navegar por enlaces interesantes, etc. La direcci´ on es:
http://canal.etsin.upm.es/web_cnum
1.3 Requisitos previos
Para que al estudiante le cueste menos seguir la asignatura, es importante que haya
cursado ya las otras asignaturas del ´ area de matem´ aticas, especialmente
´
Algebra Lineal
con ´enfasis en formas lineales, espacios duales, sistemas lineales, y normas matriciales.
Tambi´en se usar´ an conceptos de c´ alculo en una variable, topolog´ıa b´ asica y ecuaciones
diferenciales de primer orden.
1.4 Sistema de evaluaci´ on.
Al terminar la asignatura se procede a la realizaci´ on de un examen por curso que consta
normalmente de dos a cuatro problemas. Esta estructura de examen se repite en todas
las convocatorias oficiales.
11
1.4.1 Normas del examen de C´alculo Num´erico.
Con estas normas lo ´ unico que se pretende es que los medios de los que dispong´ ais a la
hora de realizar los ejercicios sean iguales para todos, y que al mismo tiempo no teng´ ais
que hacer un esfuerzo de memorizaci´ on de contenidos que a estas alturas consideramos
est´eril. Es por eso que no permitimos apuntes personales, porque despu´es hay l´ıos con que
si esto es un ejemplo, no un problema, con que si estas f´ ormulas me las dio mi abuelito
que sab´ıa mucho de esto,....
El que pone el examen, decide los problemas teniendo en cuenta el material del que el
estudiante dispone, y consideramos que un planteamiento razonable pasa por disponer
del material trabajado en clase, y nada m´ as. Se han ensayado ya varias posibilidades, y
se ha llegado a la conclusi´ on de que para esta asignatura, esta posibilidad es la menos
mala. Adem´ as, a la gente que lo considere necesario se le dar´ a la posibilidad de usar
Matlab en el examen. Matlab es un programa de c´ alculo que usaremos durante el curso.
Si hay m´ as gente que puesto reduciremos el tiempo de cada problema para que vuelva
a la sala general los estudiantes que crean que van a obtener pocas ventajas del uso de
Matlab.
1. El material que se permite usar durante el examen es:
• Este texto.
• Calculadora que puede ser programable o n´ o.
2. No se permitir´ a :
• Tener ning´ un tipo de problema resuelto.
• Tener apuntes personales.
• Ordenadores personales.
3. El alumno traer´ a como identificaci´ on su carnet de identidad.
12
Cap´ıtulo 2
Ecuaciones y sistemas de ecuaciones
no lineales.
2.1 Introducci´ on
Uno de los problemas matem´ aticos que suelen aparecer m´ as a menudo en la pr´ actica es
la resoluci´ on de ecuaciones del tipo f(x) = 0 donde f se supone al menos continua, es
decir, el c´ alculo del valor o valores de x para los cuales se verifca:
f(x) = 0 (2.1)
Aunque en alg´ un caso muy sencillo haya procedimientos de resoluci´ on directa de esta
ecuaci´ on (que f sea por ejemplo un polinomio de primer o segundo grado), en general
nos veremos obligados a recurrir a m´etodos iterativos que permitan ir obteniendo valores
que se espera que sean cada vez m´ as pr´ oximos a x, a partir de los cuales y por nueva
aplicaci´ on del m´etodo, obtenemos otro m´ as pr´ oximo, y as´ı sucesivamente. Lo primero
que hay que hacer encontrar un intervalo donde vaya a haber una raiz, para lo cual, lo
m´ as sencillo es directamente buscar un cambio de signo en la gr´ afica de f.
La gran mayor´ıa de estos m´etodos se basan en la transformaci´ on de 2.1 en una ecuaci´ on
equivalente del tipo:
x = g(x) (2.2)
para despu´es construir una sucesi´ on en la forma:
x
n+1
= g (x
n
) (2.3)
La forma para obtener g depende de cada m´etodo, incluso caso en particular.
Comenzaremos estudiando las condiciones que se tienen que dar para que la sucesi´ on
2.3 converja a la soluci´ on buscada. Estudiaremos despu´es una variante muy interesante
de construcci´ on de la funci´ on g que es el m´etodo de Newton-Raphson, para finalmente
aplicar estos conceptos a la resoluci´ on de sistemas completos de ecuaciones no lineales.
2.2 Teorema de la aplicaci´ on contractiva.
Como base del estudio de los m´etodos iterativos de resoluci´ on de 2.1 o 2.2 est´ a el teorema
de la aplicaci´ on contractiva o del punto fijo, que vamos a presentar en una de sus m´ as
sencillas versiones.
Sea X un espacio m´etrico completo. Sea d(x, y) la distancia entre dos puntos. Recorde-
mos que una sucesi´ on de Cauchy x
n
es aquella en la que se verifica que
∀ > 0 ∃m() ∈ N / ∀p ≥ m, q ≥ 0, d (x
p
, x
p+q
) <
Un espacio m´etrico es completo si toda sucesi´ on de Cauchy converge dentro del espacio.
Todos los espacios vectoriales normados reales o complejos de dimensi´ on finita son espa-
cios completos. Por tanto, IR
n
es un espacio m´etrico completo.
Por otro lado, sea ahora T una aplicaci´ on de X en si mismo. Se dice que x es un punto
fijo de T si verifica
T(x) = x (2.4)
Se dice que T es una contracci´ on de X si existe un n´ umero k ∈ [0, 1) tal que:
d (T(x), T(y)) ≤ kd (x, y) ∀x, y ∈ X (2.5)
Teorema 2.2.1 Si T es una contracci´on de un espacio m´etrico completo X, existe un
´ unico punto fijo x en X para la funci´on T, que adem´as es el l´ımite de la sucesi´on x
n+1
=
T (x
n
) para cualquier x
0
∈ X.
Demostraci´ on:
Si k = 0 es evidente que hay un ´ unico punto fijo, ya que en este caso, todo elemento de
X se transforma en un ´ unico punto x de X; luego ´este es el ´ unico punto fijo.
Si k > 0, sea x
0
un elemento cualquiera de X y formemos una sucesi´ on x
n
, como:
x
n+1
= T (x
n
) para n ≥ 0 (2.6)
Para cualesquiera p y q se tiene, por la desigualdad triangular,
d (x
p
, x
p+q
) ≤
p+q−1
¸
j=p
d (x
j
, x
j+1
) (2.7)
y por 2.5 y 2.6, se tiene
d (x
j
, x
j+1
) = d (T (x
j−1
) , T (x
j
)) ≤ kd ((x
j−1
) , (x
j
)) ≤ ≤ k
j
d ((x
0
) , (x
1
)) (2.8)
luego, sustituyendo en 2.7
d (x
p
, x
p+q
) ≤
p+q−1
¸
j=p
k
j
d (x
0
, x
1
) <
k
p
1 −k
d (x
0
, x
1
) (2.9)
14
por ser 0 < k < 1, ya que:
1
p+q−1
¸
j=p
k
j
<

¸
j=p
k
j
=
k
p
1 −k
(2.10)
Por tanto x
n
es una sucesi´ on de Cauchy, ya que tomando m suficientemente grande como
para que:
k
m
1 −k
d (x
0
, x
1
) < (2.11)
para todo p mayor que m se tendr´ a
d (x
p
, x
p+q
) <
k
p
1 −k
d (x
0
, x
1
) <
k
m
1 −k
d (x
0
, x
1
) < (2.12)
Por la completitud de X la sucesi´ on tendr´ a un l´ımite x en X y como
d (T (x
n
) , T(x)) ≤ kd (x
n
, x) (2.13)
al tender n a ∞ a ambos lados de la desigualdad
lim
n→∞
d (T (x
n
) , T(x)) ≤ lim
n→∞
kd (x
n
, x) = 0 (2.14)
Por tanto
lim
n→∞
d (T (x
n
) , T(x)) = 0 (2.15)
o, lo que es lo mismo
lim
n→∞
T (x
n
) = T(x) (2.16)
Pero por ser T (x
n
) = x
n+1
, y al haber demostrado la convergencia de la sucesi´ on ¦x
n
¦,
tambi´en se tiene:
lim
n→∞
T (x
n
) = lim
n→∞
x
n+1
= lim
n→∞
x
n
= x (2.17)
y por tanto
x = T (x) (2.18)
La demostraci´ on nos proporciona una forma de encontrar x como l´ımite de la sucesi´ on
2.6
x
n+1
= T (x
n
) para n ≥ 0
Una vez demostrada la existencia, la unicidad es inmediata. Supongamos que hubiese
otro punto fijo x, se tendr´ıa
d(x, x) = d (T (x) , T (x)) ≤ kd(x, x) < d(x, x) (2.19)
lo cual es absurdo. Por tanto, el punto fijo es ´ unico y es el l´ımite de la sucesi´ on 2.6, como
quer´ıamos ver.
1
Recordamos la suma de una serie geom´etrica de raz´on r:
N−1
¸
j=0
r
j
=
1 − r
N
1 − r
15
2.3 Aplicaci´ on a la resoluci´ on de ecuaciones.
Retomemos la ecuaci´ on 2.2.
Teorema 2.3.1 Sea g una funci´on real definida en [a, b] tal que:
1. g(x) ∈ [a, b] ∀x ∈ [a, b]
2. Existe L < 1 tal que [g(x) −g(y)[ ≤ L[x −y[ ∀x, y ∈ [a, b]
2
Entonces existe una ´ unica raiz de 2.2 que se obtiene como l´ımite de la sucesi´on x
n+1
=
g (x
n
) donde x
0
es un punto cualquiera de [a, b].
Para demostrar este teorema, hay que pensar que los cerrados de un completo, y IR lo
es, son completos, y la segunda propiedad equivale a decir que g es una contracci´ on. Por
tanto se verifican las hip´ otesis del teorema de la aplicaci´ on contractiva.
A menudo es muy dif´ıcil demostrar que la funci´ on g es lipschitziana de constante menor
que la unidad. Sin embargo, si g es de clase C
1
[a, b] y [g

(x)[ ≤ L < 1 ∀x ∈ [a, b],
podemos decir que g es lipschitziana de constante menor que la unidad. Ello es una
consecuencia del teorema del valor medio, pues ´este garantiza que
∀x, y ∈ [a, b] ∃ζ ∈ (x, y) g(x) −g(y) = g

(ζ)(x −y)
y por tanto,
[g(x) −g(y)[ = [g

(ζ)(x −y)[ ≤ L[x −y[ ∀x, y ∈ [a, b]
2.3.1 Estudios de convergencia local.
Los teoremas que acabamos de ver hablan de una convergencia global, en el sentido de
que la convergencia tiene lugar para cualquier valor inicial x
0
. El teorema es muy fuerte
y constructivo en el sentido de que proporciona un m´etodo para encontrar la soluci´ on al
problema, pero las hip´ otesis dif´ıcilmente pueden ser verificables. Sin embargo, cuando se
conoce la existencia de una raiz s de 2.2 en un cierto intervalo, las hip´ otesis se pueden
debilitar, para dar en alg´ un caso convergencia de tipo local, es decir, s´ olo cuando se parte
de un x
0
suficientemente pr´ oximo a s. Enunciemos esta idea.
Teorema 2.3.2 Si existe una raiz s de la ecuaci´on 2.2 en un intervalo [a, b] en el cual g
es de clase C
1
[a, b] y [g

(s)[ < 1, entonces existe > 0 tal que si [x
0
−s[ < , la sucesi´on
x
n
con x
n+1
= g (x
n
) converge a s, o sea:
lim
n→∞
x
n
= s
Demostraci´ on:
Por ser g

continua en [a, b] existir´ a un entorno de s, de radio > 0, en el cual
[g

(x)[ ≤ L < 1
2
Cuando una funci´on verifica esta propiedad, independientemente de que L sea menor que la unidad,
se dice que la funci´on es lipschitziana en [a, b] de constante L.
16
entonces, si [x
0
−s[ < , por el teorema del valor medio, se tiene
[1
0
−s[ = [g (x
0
) −g(s)[ ≤ L[x
0
−s[ < [x
0
−s[ <
y repitiendo el razonamiento, en general se tendr´ a
[x
n
−s[ ≤ L[x
n−1
−s[ ≤ ≤ L
n
[x
0
−s[ < [x
0
−s[ <
como L < 1, de [x
n
−s[ ≤ L
n
[x
0
−s[ se deduce la convergencia de x
n
hacia s.
Este es un concepto local, pero muy importante. La idea es que si en la zona de la raiz
la funci´ on g se comporta como contractiva, si somos astutos buscando el hu´esped inicial
suficientemente pr´ oximo a ella conseguiremos que nuestro esquema converja.
2.4 Estimaciones del error en funci´ on del n´ umero de
iteraciones.
Teorema 2.4.1 Bajo las condiciones de cualquiera de los teoremas anteriores se tiene:
[x
n
−s[ ≤
L
n
1 −L
[x
1
−x
0
[
Demostraci´ on:
Llamando u
k
= x
k
−x
k−1
si k ≥ 1, con u
0
= x
0
es f´ acil ver que:

¸
k=0
u
k
= s (2.20)
pues
m
¸
k=0
u
k
= x
m
(2.21)
Por tanto:
[x
n
−s[ =


¸
k=n+1
u
k

(2.22)
y como
[u
k
[ ≤ L[u
k−1
[ ≤ L
k−1
[u
1
[
tendremos:
[x
n
−s[ =


¸
k=n+1
u
k



¸
k=n+1
[u
k
[ ≤

¸
k=n+1
L
k−1
[u
1
[ = [u
1
[

¸
k=n+1
L
k−1
= [u
1
[

¸
k=1
L
k+n−1
=
L
n
1 −L
[u
1
[ =≤
L
n
1 −L
[x
1
−x
0
[ (2.23)
17
2.5 Interpretaci´ on gr´afica de los m´etodos iterativos.
Es muy interesante ver la construcci´ on gr´ afica de la sucesi´ on x
n
de los m´etodos de apro-
ximaciones sucesivas que hemos visto anteriormente. Supongamos que la gr´ afica de la
funci´ on g es la que aparece en la figura 2.1. Buscar el -los- punto fijo de g equivale a
hallar la intersecci´ on de la gr´ afica de y = g(x), con la de la recta y = x. Comencemos
con un x
0
arbitrario en [a, b]. De x
0
se pasa a g (x
0
) y a x
1
= g (x
0
) como se ve f´ acilmente
en la figura 2.1. Construido x
1
se pasa a g (x
1
) y a x
2
= g (x
1
) y as´ı sucesivamente.
El caso dibujado corresponde a aquel en que la derivada g

(x) est´ a comprendida entre 0
y -1, con lo que se da la convergencia hacia el punto fijo. An´ alogamente puede verse la
convergencia en el caso en que est´ a comprendida entre 0 y 1, y que en cambio, si g

(s) > 1
o g

(s) < −1 no se puede esperar que haya convergencia en general.
y
x
y=x
y=g(x)
a
0
x
1 s x
2
x
0
b
b
Figura 2.1: Interpretaci´ on gr´ afica del esquema de aproximaciones sucesivas.
2.6 Relajaci´ on de un esquema de aproximaciones su-
cesivas.
Consideremos un problema del tipo 2.2,
x = g(x)
que conduce a un esquema divergente debido a que en el entorno de la raiz s, la apli-
caci´ on g no es contractiva. Supongamos que g es de clase C
1
, y veamos como podemos
transformar el esquema para converger a la soluci´ on. Buscamos un n´ umero real w = 0.
18
Por tanto, al ser w = 0, la ecuaci´ on 2.2 es equivalente a:
wx = wg(x) (2.24)
sumando x a ambos lados
x +wx = x +wg(x) (2.25)
y tenemos un nuevo problema de punto fijo:
x = (1 −w)x +wg(x) (2.26)
con su correspondiente esquema iterativo:
x
n+1
= (1 −w)x
n
+wg (x
n
) (2.27)
que podemos escribir de este modo:
x
n+1
= (1 −w)x
n
+wˆ x
n+1
(2.28)
con
ˆ x
n+1
= g (x
n
) (2.29)
Es como si nos qued´ asemos con una parte de la iteraci´ on anterior, (1 −w) y tom´ asemos
s´ olo w de la siguiente g (x
n
).
Si sucediese que en la raiz [g

(s)[ ≥ 1, entonces, la nueva funci´ on de aproximaciones
sucesivas relajada
h(x) = (1 −w)x +wg(x) (2.30)
tiene como derivada
h

(x) = (1 −w) +wg

(x) (2.31)
Podemos elegir w que haga que [h

(x)[ < 1 en un entorno de la raiz, e incluso buscar
que sea cero, que ser´ıa el ´ optimo de convergencia. A veces no es f´ acil estimar la derivada
de la funci´ on g. Un estimaci´ on grosera en ese entorno, podr´ıa ser obtenida a partir del
propio esquema:
g

(x) ≈
g (x
1
) −g (x
0
)
x
1
−x
0
(2.32)
Con esta estimaci´ on es f´ acil ajustar un valor razonable para w.
0 = (1 −w) +wg

(x) (2.33)
w =
1
1 −g

(x)
(2.34)
2.7 M´etodo de Newton-Raphson.
Expondremos diferentes formas de deducir el m´etodo de Newton-Raphson
3
, el cual es
fundamental en la resoluci´ on de ecuaciones y sistemas de ecuaciones no lineales.
3
Joseph Raphson (1648 Middlesex, Inglaterra- 1715). No hay mucha informaci´on sobre su vida. Se
licenci´o en la Universidad de Cambridge en 1692, aunque entr´o en la Royal Society en 1691, un a˜ no
19
2.7.1 Obtenci´ on del m´etodo de Newton a partir del factor ´ op-
timo de relajaci´ on.
Consideremos de nuevo la ecuaci´ on 2.1
f(x) = 0
y supongamos que se intenta encontrar su raiz o ra´ıces en un intervalo [a, b]. Como ya
hemos comentado, el procedimiento habitual consiste en la transformaci´ on de 2.1 en una
ecuaci´ on equivalente, de iguales ra´ıces, y que sea del tipo 2.2.
x = g(x)
Una forma muy sencilla de conseguir esto puede ser sumar x a la parte derecha e izquierda
2.1
x +f(x) = x (2.35)
y definir g en la forma
g(x) = x +f(x) (2.36)
Si relajamos este esquema
h(x) = (1 −w)x +wg(x) = (1 −w)x +w(x +f(x)) = x +wf(x) (2.37)
Si foramos derivada nula para h, tendremos
h

(x) = 0 = 1 +wf

(x) (2.38)
y por tanto
w =
−1
f

(x)
(2.39)
con lo que
h(x) = x −
f(x)
f

(x)
(2.40)
y el esquema iterativo
x
n+1
= x
n

f(x
n
)
f

(x
n
)
(2.41)
que es el m´etodo de Newton.
antes de su licenciatura, lo cual era muy raro. Su elecci´on para la Royal Society se bas´o en su libro
Analysis aequationum universalis, publicado en 1690, que contiene el m´etodo de Newton-Raphson para
aproximar las raices de una ecuaci´on.
En Method of Fluxions Newton describe el mismo m´etodo, y como ejemplo, encuentra la raiz de x
3

2x − 5 = 0 que est´a entre 2 y 3. Aunque Newton escribi´o este art´ıculo en 1671, no fue publicado hasta
1736. Por tanto, Raphson public´o el mismo resultado casi 50 a˜ nos antes.
No se sabe mucho de la relaci´on entre Newton y Raphson, aunque parece que era importante. Se cree
que Raphson era una de las pocas personas a las que Newton mostraba sus art´ıculos, y particip´o en
algunas de las disputas entre Newton y Leibniz, pero esta es otra historia.
20
2.7.2 Obtenci´ on del m´etodo de Newton a partir de un desar-
rollo en serie de Taylor.
Supongamos que f es de clase C
1
[a, b] y f

(x) = 0 en [a, b]. Supongamos que estamos
en el paso n de nuestro esquema de aproximaciones sucesivas y buscamos ∆x tal que
x
n+1
= x
n
+ ∆x sea la raiz del problema. Haciendo un desarrollo en serie de f en torno
a x
n
hasta el primer t´ermino tendremos:
0 = f(x
n+1
) = f(x
n
+ ∆x) = f(x
n
) +f

(x
n
)∆x +O(∆x
2
) (2.42)
De aqu´ı obtenemos ∆x
∆x = −
f(x
n
)
f

(x
n
)
(2.43)
y por tanto, tendremos ya el esquema buscado:
x
n+1
= x
n
+ ∆x = x
n

f(x
n
)
f

(x
n
)
(2.44)
2.7.3 Interpretaci´ on geom´etrica del m´etodo de Newton.
La interpretaci´ on es clara. Cuando se calcula x
1
como
x
1
= x
0

f(x
0
)
f

(x
0
)
(2.45)
lo que se est´ a haciendo es tomar la tangente a la curva y = f(x) en el punto (x
0
, f(x
0
))
y hallar la intersecci´ on de esa recta con el eje OX.
En efecto, la tangente tiene por ecuaci´ on
y −f(x
0
) = f

(x
0
)(x −x
0
) (2.46)
y al cortar con el eje OX haciendo y = 0 resulta
x = x
0

f(x
0
)
f

(x
0
)
(2.47)
es decir x
1
. O sea, la idea es ir acerc´ andose a la raiz a trav´es de las tangentes de la curva,
ver figura 2.2. La idea es muy buena, y el m´etodo de Newton, como ya coment´ abamos,
cuando funciona, lo hace muy bien. Por otro, lado, con esta interpretaci´ on geom´etrica es
f´ acil ver los problemas que surgen cuando llegamos a un punto de tangente horizontal.
2.7.4 Obtenci´ on del m´etodo de Newton a partir de las ideas de
convergencia local
Consideremos de nuevo la ecuaci´ on 2.1
f(x) = 0
21
x
1
x
0
X
b a
y=f(x)
Figura 2.2: Interpretaci´ on geom´etrica del m´etodo de Newton
y supongamos que se intenta encontrar su raiz o ra´ıces en un intervalo [a, b]. Como ya
hemos comentado, el procedimiento habitual consiste en la transformaci´ on de 2.1 en una
ecuaci´ on equivalente, de iguales ra´ıces, y que sea del tipo 2.2.
x = g(x)
Una forma de conseguir esto puede ser definir g en la forma
g(x) = x +F (f(x)) (2.48)
donde F es una funci´ on real de variable real que s´ olo se anule en el origen:
F (t) = 0 ⇔ t = 0 (2.49)
En efecto, si x = s es una raiz de 2.1, se tendr´ a f(s) = 0, y por tanto F (f(s)) y
s = s +F (f(s)) = g(s) (2.50)
y por tanto s es raiz de 2.2. Rec´ıprocamente, si s verifica 2.50, ha de ser F (f(s)) = 0 y
por 2.49 se tendr´ a f(s) = 0.
En principio hay plena libertad para la elecci´ on de F, pero la forma usual de tomarla,
para la obtenci´ on de ra´ıces de 2.1 es
F (f(s)) = h(x)f(x) (2.51)
donde h es una funci´ on definida en [a, b] que no se anule en [a, b].
22
Supongamos que f es de clase C
1
[a, b] y f

(x) = 0 en [a, b]. Como hemos visto ya al
estudiar la convergencia local, si s es raiz de f en [a, b], interesa que [g

(s)[ < 1, y ser´ıa
mejor si g

(s) = 0, pues la convergencia ser´ıa m´ as r´ apida. Veamos la forma de h para
poder conseguir esto. Tomando h es de clase C
1
[a, b], tendremos que g tendr´ a la misma
clase. Adem´ as:
g

(x) = 1 +h

(x)f(x) +h(x)f

(x) (2.52)
En partircular en la raiz de f, s,
g

(s) = 1 +h(s)f

(s) (2.53)
Si se desea que g

(s) = 0, bastar´ a con que
h(s) = −
1
f

(s)
(2.54)
La elecci´ on m´ as l´ ogica ser´ıa tomar como h(x) la constante
h(x) = −
1
f

(s)
(2.55)
con lo cual ser´ıa
g(x) = x −
f(x)
f

(s)
(2.56)
pero esto no es pr´ actico porque naturalmente se desconoce en principio s y, por tanto,
tambien f

(s). De ah´ı que interese m´ as tomar
h(x) = −
1
f

(x)
(2.57)
Sin embargo, para que h ∈ C
1
[a, b], al haberla definido as´ı necesitaremos subir la clase
de f a 2. Por tanto, se tendr´ a
g(x) = x −
f(x)
f

(x)
(2.58)
y el m´etodo de Newton ser´ a por tanto
x
n+1
= x
n

f(x
n
)
f

(x
n
)
(2.59)
La elecci´ on de x
0
es muy importante, dadas las caracter´ısticas de convergencia local sobre
las que hemos construido el m´etodo. De hecho, el m´etodo de Newton, caso de converger
lo hace muy r´ apidamente, pero caso de diverger tambi´en lo hace muy r´ apidamente. De
hecho, tal como hemos construido el m´etodo siempre se tendr´ a convergencia local si se
elige adecuadamente el hu´esped inicial. La convergencia global, m´ as dif´ıcil de demostrar,
se estudia desde las hip´ otesis del teorema de la aplicaci´ on contractiva, y no aporta gran
cosa.
23
2.8 Resoluci´ on de sistemas de ecuaciones no lineales.
Consideremos ahora el problema de hallar una soluci´ on s ∈ IR
n
de un sistema de n
ecuaciones con n inc´ ognitas.
f
1
(x
1
, x
2
, , x
n
) = 0
f
2
(x
1
, x
2
, , x
n
) = 0

f
n
(x
1
, x
2
, , x
n
) = 0
(2.60)
donde f
1
, f
2
, f
n
son las funciones componentes de f. El problema se puede plantear en
t´erminos an´ alogos a los de los temas anteriores, usando notaci´ on vectorial. Si denotamos
por x al vector de IR
n
de componentes (x
1
, x
2
, , x
n
), podemos escribir la ecuaci´ on
anterior en forma vectorial.
f(x) = 0 (2.61)
que podemos transformar en
x = g(x) (2.62)
x
1
= g
1
(x
1
, x
2
, , x
n
)
x
2
= g
2
(x
1
, x
2
, , x
n
)

x
n
= g
n
(x
1
, x
2
, , x
n
)
(2.63)
y a la que podemos intentar aplicar el teorema de la aplicaci´ on contractiva, buscando el
vector soluci´ on x como l´ımite de una sucesi´ on
x
(m+1)
= g

x
(m)

(2.64)
Teorema 2.8.1 Sea g una funci´on real definida en D =
¸
n
i=1
[a
i
, b
i
] con valores en IR
n
,
tal que:
1. g(x) ∈ D ∀x ∈ D
2. Existe L < 1 tal que | g(x) −g(y) |≤ L | x −y | ∀x, y ∈ D
Entonces existe una ´ unica raiz de 2.64 que se obtiene como l´ımite de la sucesi´on x
(m+1)
=
g

x
(m)

donde x
0
es un punto cualquiera de D.
Para demostrar este teorema, hay que pensar que los cerrados de un completo, y IR
n
lo
es, son completos, y la segunda propiedad equivale a decir que g es una contracci´ on. Por
tanto se verifican las hip´ otesis del teorema de la aplicaci´ on contractiva.
En varias variables, casi siempre es muy dif´ıcil demostrar que la funci´ on g es lipschitziana
de constante menor que la unidad. Esta condici´ on puede ser sustituida a veces por otras
condiciones m´ as f´ aciles de comprobar. Por ejemplo, si todas las funciones g
i
que aparecen
en 2.63 son C
1
(D), es decir, continuas y con derivadas parciales continuas en D, y si se
verifica

∂g
i
(x)
∂x
j


L
n
∀x ∈ D (2.65)
24
con L < 1, para todos los i, j = 1, 2, , n, entonces se cumple el teorema de la aplicaci´ on
contractiva si normamos IR
n
con la norma 1 o ∞.
Demostraci´ on:
Haciendo un desarrollo en serie de Taylor de la funci´ on de varias variables g, tenemos
que existen n
2
valores ζ
ij
tales que:
g
i
(x) −g
i
(y) =
n
¸
j=1
∂g
i

ij
)
∂x
j
(x
j
−y
j
) (2.66)
y por 2.65
[g
i
(x) −g
i
(y)[ ≤
L
n
n
¸
j=1
[x
j
−y
j
[ (2.67)
Si tomamos la norma 1, y sumamos, tendremos.
| g(x) −g(y) |
1
=
n
¸
j=1
[g
i
(x) −g
i
(y)[ ≤ L
n
¸
j=1
[x
j
−y
j
[ = L | x −y |
1
(2.68)
que es lo que quer´ıamos ver. Se deja como ejercicio la comprobaci´ on para la norma ∞.
Existe una versi´ on m´ as general de este teorema que pasamos a enunciar:
Teorema 2.8.2 Sea g una funci´on real diferenciable definida en un conjunto cerrado
acotado convexo D, y tal que cualquiera de las normas inducidas del jacobiano de g en
todos los puntos de D sea menor que la unidad, o el radio espectral del jacobiano de g
sea menor que la unidad para todos los puntos de D, entonces existe una ´ unica raiz de
2.64 que se obtiene como l´ımite de la sucesi´on x
(m+1)
= g

x
(m)

donde x
0
es un punto
cualquiera de D.
2.8.1 Convergencia local.
Las ideas sobre convergencia local admiten una extensi´ on sencilla a varias variables,
siempre usando la norma 1 o la norma ∞. As´ı, si s es la raiz buscada, y

∂g
i
(s)
∂x
j

<
1
n
∀i, j = 1, 2, , n (2.69)
tendremos convergencia si el hu´esped inicial est´ a suficientemente cerca de la raiz. Con la
cota del error sucede lo mismo cambiando el valor absoluto por la norma correspondiente.
De hecho, es suficiente con que |J
g
(s)| < 1 para cualquier norma inducida, y eso es lo
mismo que decir que el radio espectral de la matriz jacobiana sea menor que la unidad,
ρ(J
g
(s)) < 1.
25
2.9 M´etodo de Newton-Raphson para sistemas de
ecuaciones no lineales.
Supongamos que f es de clase C
1
(D) y J
f
(x) no es singular en D, siendo D un conjunto
cerrado acotado convexo D. Supongamos que estamos en el paso n de nuestro esquema
de aproximaciones sucesivas y buscamos ∆x, tal que x
n+1
= x
n
+ ∆x sea la raiz del
problema. Haciendo un desarrollo en serie de f en torno a x
n
hasta el primer t´ermino
tendremos, dado que el jacobiano es la aproximaci´ on lineal:
0 = f(x
n+1
) = f(x
n
+ ∆x) = f(x
n
) +J
f
(x
n
)∆x +O(∆x
2
) (2.70)
De aqu´ı obtenemos ∆x
∆x = −J
−1
f
(x
n
)f(x
n
) (2.71)
y por tanto, tendremos ya el esquema buscado
4
J
f
(x
n
)∆x = −f(x
n
) (2.72)
x
n+1
= x
n
+ ∆x (2.73)
Otra vez, la convergencia local est´ a garantizada si el jacobiano no es singular en la raiz,
pero la convergencia global es de dificil´ısima demostraci´ on.
2.10 Resumen
1. Lo primero que hay que hacer para resolver una ecuaci´ on o sistema no lineal es
acotar una zona donde exista al menos una raiz. Si podemos asegurar que ser´ a s´ olo
una, mucho mejor.
2. Lo siguiente es reformular el problema como uno de punto fijo, y lanzar el esquema
para ver si converge a la raiz buscada.
3. Caso de que no haya convergencia, es bueno intentar un esquema de relajaci´ on.
4. Si la funci´ on es f´ acilmente derivable, podemos intentar un esquema de Newton-
Raphson, de convergencia rap´ıdisima caso de darse.
5. Estas consideraciones valen tanto para ecuaciones como para sistemas de ecuaciones
no lineales.
2.11 Referencias recomendadas para este tema.
[14], [5].
4
Lo ponemos en este modo, pues para resolver un sistema lineal, hemos aprendido que no es necesario
invertir la matriz del sistema, que es un problema bastante m´as complejo.
26
Cap´ıtulo 3
Resoluci´ on de sistemas lineales.
3.1 Matrices y normas matriciales.
Antes de entrar en los aspectos centrales referidos a la resoluci´ on de sistemas lineales
conviene recordar conceptos b´ asicos que hemos estudiado en Algebra Lineal y sin los
cuales es imposible entender los problemas que vamos a resolver. Para este repaso y en
general para todos estos m´etodos recomendamos como referencia los textos de G. Golub,
y en particular el [6].
3.1.1 Matrices.
Teorema 3.1.1 Para una matriz cuadrada A de n n, las siguientes afirmaciones son
equivalentes:
1. A
−1
existe.
2. det A = 0.
3. El sistema lineal Ax = 0 tiene solamente la soluci´on x = 0.
4. Para cualquier vector b, el sistema lineal Ax = b tiene soluci´on ´ unica.
5. Las filas y columnas de A son linealmente independiente.
6. El rango de la matriz A es n.
Definici´ on 3.1.1 Se dice que una matriz cuadrada A de n n es diagonalmente domi-
nante por filas (o diagonalmente dominante) si:
[a
ii
[ ≥
j=n
¸
j=1,j=i
[a
ij
[, i = 1, n (3.1)
Definici´ on 3.1.2 Se dice que una matriz cuadrada A de n n es diagonalmente estric-
tamente dominante por filas (o diagonalmente estrictamente dominante) si:
[a
ii
[ >
j=n
¸
j=1,j=i
[a
ij
[, i = 1, n (3.2)
27
Teorema 3.1.2 Si la matriz cuadrada A de n n es diagonalmente estrictamente do-
minante, entonces es regular.
3.1.2 Autovalores
Es importante tambi´en tener presente los resultados referidos a la descomposici´ on espec-
tral o conjunto de autovalores de una matriz.
Teorema 3.1.3 Si la matriz cuadrada A de n n tiene como autovalores λ
1
, , λ
n
,
entonces, para cualquier entero positivo m, λ
m
1
, , λ
m
n
son autovalores de A
m
. Adem´as,
cualquier autovector de A es tambi´en autovector de A
m
.
Teorema 3.1.4 Si la matriz cuadrada A de nn tiene como autovalores λ
1
, , λ
n
, en-
tonces, para cualquier entero positivo m, λ
−1
1
, , λ
−1
n
son autovalores de A
−1
. Adem´as,
cualquier autovector de A es tambi´en autovector de A
−1
.
Teorema 3.1.5 Los autovalores de una matriz sim´etrica son reales.
Definici´ on 3.1.3 Se dice que una matriz cuadrada A de n n es definida positiva si
x
t
Ax > 0 ∀x = 0.
Teorema 3.1.6 Los autovalores de una matriz sim´etrica son positivos si y solo si la
matriz es definida positiva.
Definici´ on 3.1.4 Se dice que dos matrices cuadradas A y B de nn son semejantes si
existe una matriz regular P tal que:
B = PAP
−1
(3.3)
Teorema 3.1.7 Una matriz A de n n es semejante a una matriz diagonal si y solo si
tiene n autovectores linealmente independientes.
Teorema 3.1.8 Si una matriz A de nn tiene n autovalores distintos entre si, entonces
es semejante a una matriz diagonal.
Definici´ on 3.1.5 Sea A una matriz cuadrada de n n que tiene como autovalores λ
1
,
, λ
n
. Se define como radio espectral de la matriz A y se nota ρ(A) al valor:
ρ(A) = max
1≤i≤n

i
[ (3.4)
28
3.1.3 Normas matriciales
Dentro de este repaso conviene recordar tambi´en resultados y definiciones correspon-
dientes a normas matriciales y vectoriales. Todo este tema est´ a muy bien tratado en la
referencia [4], y de ah´ı lo hemos tomado. Sea A ∈ M
m×n
(IK), espacio vectorial de las
matrices de mn de coeficientes reales o complejos. IK ser´ a el cuerpo de los complejos
o los reales, aunque se trabajar´ a casi siempre con reales. Denotaremos por A
t
la matriz
traspuesta, y por A
+
la matriz adjunta. Es decir, para A = (a
i
j
), A
t
= (a
j
i
) y A
+
= (a
j
i
).
Definici´ on 3.1.6 Dadas normas | |
IK
n
, | |
IK
m
, definimos en M
m×n
(IK) una norma
inducida,
1
| | : M
m×n
(IK) → IR
A → |A|
, |A| = max
x=1
|Ax|
Estas normas inducidas por una norma vectorial verifican dos propiedades muy intere-
santes:
|AB| ≤ |A| |B|, A ∈ M
m×n
, B ∈ M
n×p
,
|Ax| ≤ |A| |x|, A ∈ M
m×n
, x ∈ IK
n
.
A la primera propiedad la llamaremos compatibilidad con el producto de matrices, a la
segunda, compatibilidad con la norma vectorial | |. Obviamente, seg´ un variemos las
normas vectoriales en los espacios IK
n
y IK
m
, obtendremos diferentes normas inducidas
en M
m×n
(IK), todas ellas equivalentes ya que este es un espacio de dimensi´ on finita. De
hecho, tomando norma p, p = 1 . . . , ∞, en IK
n
y IK
m
, tendremos las siguientes normas
inducidas en M
m×n
(IK),
|A|
p
:= max
x
p
=1
|Ax|
p
.
Los casos m´ as interesantes son p = 1, 2, ∞. Se puede demostrar que la norma | |
1
es el
m´ aximo de las sumas de las columnas de la matriz:
|A|
1
= max
1≤j≤n

m
¸
i=1
[a
i
j
[
¸
, A = (a
i
j
) ∈ M
m×n
(IK).
y que la norma eucl´ıdea, | |
2
, de una matriz
|A|
2
=

ρ(A
+
A) = µ
max
,
donde µ
max
es el mayor valor singular de A, es decir, la ra´ız cuadrada del mayor autovalor
de A
+
A. Por tanto, en el caso de una matriz sim´etrica o herm´ıtica, A, y, por tanto,
diagonalizable, ρ(A) =

ρ(A
+
A) = |A|
2
.
1
Es l´ıcito sustituir el supremo por el m´aximo, ya que, al ser IK
n
un espacio de dimensi´on finita,
{x ∈ IK
n
: x = 1} es un compacto y, por tanto, la funci´on Ax, continua, presenta m´aximo y
m´ınimo.
29
La norma | |

, por su parte, es el m´ aximo de las sumas de las filas de la matriz
|A|

= max
1≤i≤m

n
¸
j=1
[a
i
j
[

, A = (a
i
j
).
No obstante, tambi´en existen normas matriciales no inducidas por ninguna norma en
IK
n
, por ejemplo, la norma de Schur, | |
S
, no es inducida por ninguna norma vectorial,
|A|
S
=

Tr (A
+
A) =

m
¸
i=1
n
¸
j=1
[a
i
j
[
2
, A = (a
i
j
) ∈ M
m×n
(IK),
pero, a pesar de ello, verifica que |AB|
S
≤ |A|
S
|B|
S
.
Una propiedad interesante de las normas inducidas es que la matriz identidad tiene norma
unidad, ya que,
|II| = max
x=1
|IIx| = max
x=1
|x| = 1,
Teorema 3.1.9 Sea | | una norma compatible con el producto de matrices en M
n
(IK).
Entonces, ρ(A) ≤ |A|, para toda A ∈ M
n
(IK).
Teorema 3.1.10 Sea A ∈ M
n
(IK) una matriz fija. Sea ε > 0. Entonces existe una
norma inducida | |
ε
tal que |A|
ε
≤ ρ(A) +ε.
Un corolario interesante es el siguiente:
Corolario 3.1.1 ρ(A) = inf

|A|∀A ∈ M
n
(IK), es decir, que al recorrer las diferentes
normas de A compatibles con el producto, ρ(A) proporciona el valor ´ınfimo.
Que es cota inferior es trivial por el teorema 3.1.9. Que es ´ınfimo, tambi´en, ya que, por
el teorema anterior, hay valores de |A| tan pr´ oximos a ρ(A) como queramos.
En general, ρ(A), pese a ser el ´ınfimo de |A| al recorrer las distintas normas matri-
ciales compatibles con el producto, no es el m´ınimo. Lo vemos con un contraejemplo.
Consideremos la matriz,
A =

0 1
0 0

Esta matriz tiene un ´ unico autovalor doble, el cero. Luego su radio espectral es nulo. En
cambio, no puede haber ninguna norma en la que |A| = 0, ya que no es la matriz nula.
En cambio, hemos visto que, para una matriz cuadrada sim´etrica o herm´ıtica, s´ı existe
m´ınimo, ya que, ρ(A) = |A|
2
.
Conviene recordar tambi´en el siguiente teorema relativo a la exponenciaci´ on de matrices.
Teorema 3.1.11 Para una matriz cuadrada A de nn, las siguientes afirmaciones son
equivalentes:
1. lim
k→∞
A
k
= 0.
2. lim
k→∞
| A
k
|= 0.
3. ρ(A) < 1.
30
3.2 Condicionamiento de un sistema lineal.
Tenemos el sistema lineal
Ax = b (3.5)
con
A =

¸
¸
¸
¸
10 7 8 7
7 5 6 5
8 6 10 9
7 5 9 10
¸

(3.6)
b =

¸
¸
¸
¸
32
23
33
31
¸

(3.7)
cuya soluci´ on es un vector de componentes unitarias. Normalmente estos sistemas lineales
se obtienen a partir de c´ alculos previos que producen errores tanto en los coeficientes del
sistema con en los del t´ermino independiente. A su vez, los datos con los que se realizan
esos c´ alculos previos podr´ıan estar afectados de errores por proceder de experimentos, u
otros c´ alculos a su vez. Por tanto, el sistema lineal resultante en realidad no ser´ a ese, sino
que ser´ a un sistema lineal perturbado tanto en la matriz del sistema como en el t´ermino
independiente. El sistema lineal perturbado podr´ıa tener el siguiente aspecto
A + ∆A =

¸
¸
¸
¸
10 7 8.1 7.2
7.08 5.04 6 5
8 5.98 9.89 9
6.99 4.99 9 9.98
¸

(3.8)
b + ∆b =

¸
¸
¸
¸
32.01
22.99
33.01
30.99
¸

(3.9)
y por tanto ∆A y ∆b, las perturbaciones, tendr´ıan los siguientes valores:
∆A =

¸
¸
¸
¸
0 0 0.1 0.2
0.08 0.04 0 0
0 −0.02 −0.11 0
−0.01 −0.01 0 −0.02
¸

(3.10)
∆b =

¸
¸
¸
¸
0.01
−0.01
0.01
−0.01
¸

(3.11)
Estudiemos c´ omo var´ıa la soluci´ on del sistema lineal cuando perturbamos la matriz del
sistema y cuando perturbamos s´ olo el t´ermino independiente. Resolvamos primero el
sistema lineal:
A(x + ∆x) = b + ∆b (3.12)
31
x + ∆x =

¸
¸
¸
¸
1.82
−0.36
1.35
0.79
¸

→ ∆x =

¸
¸
¸
¸
0.82
−1.36
0.35
−0.21
¸

(3.13)
Hemos perturbado el t´ermino independiente:
| ∆b |

| b |

= 3.03 10
−4
(3.14)
y esta perturbaci´ on induce una variaci´ on en la soluci´ on:
| ∆x |

| x |

= 1.36 (3.15)
El error se ha amplificado por tanto unas 4500 veces. Part´ıamos de una perturbaci´ on
relativa del orden de 3.03 10
−4
y obtenemos un error relativo del orden de 1.36.
Estudiemos este fen´ omeno desde el punto de vista te´ orico:
A(x + ∆x) = b + ∆b (3.16)
Ax +A∆x = b + ∆b (3.17)
pero Ax = b, y por tanto
A∆x = ∆b (3.18)
∆x = A
−1
∆b (3.19)
Como las normas que utilizamos son inducidas, se verificar´ a que:
| ∆x |=| A
−1
∆b |≤| A
−1
|| ∆b | (3.20)
Aplicando similar desigualdad a Ax = b e invirtiendo ambos factores:
1
| A || ∆x |

1
| b |
(3.21)
multiplicando estas dos desigualdades t´ermino a t´ermino entre si tendremos:
| ∆x |
| x |
≤| A || A
−1
|
| ∆b |
| b |
(3.22)
Por tanto el error relativo en la soluci´ on se mayora respecto al error relativo en la pertur-
baci´ on mediante el factor | A || A
−1
|. Este n´ umero se denomina condicionamiento de
la matriz A, K(A) o cond(A) y cuanto m´ as peque˜ no sea este n´ umero, menos afectar´ an a
la soluci´ on perturbaciones en el t´ermino independiente. Comprobemos esta desigualdad
en el ejemplo anterior:
cond

(A) =| A |

| A
−1
|

= 33 136 = 4488 (3.23)
y por tanto, se debe dar que:
1.36 ≤ 4488 3.0303 10
−4
= 1.36
32
Si ahora perturbamos la matriz del sistema, ´este quedar´ a como:
(A + ∆A)(x + ∆x) = b (3.24)
x + ∆x =

¸
¸
¸
¸
−81
137
−34
22
¸

→ ∆x =

¸
¸
¸
¸
−82
136
−35
21
¸

(3.25)
La perturbaci´ on de la matriz del sistema:
| ∆A |

| A |

=
0.3
33
≈ 0.01 (3.26)
y esta perturbaci´ on induce una variaci´ on en la soluci´ on:
| ∆x |

| x |

= 136 (3.27)
El error se ha amplificado por tanto unas 13600 veces. Part´ıamos de una perturbaci´ on
relativa del orden de 0.01 y obtenemos un error relativo del orden de 136.
Estudiemos este fen´ omeno desde el punto de vista te´ orico:
(A + ∆A)(x + ∆x) = b (3.28)
A∆x + ∆A(x + ∆x) = 0 (3.29)
∆x = A
−1
∆A(x + ∆x) (3.30)
y mayorando y, multiplicando y dividiendo por | A |
| ∆x |
| x + ∆x |
≤| A || A
−1
|
| ∆A |
| A |
(3.31)
Ahora, con otra medida del error relativo, vuelve a ser el condicionamiento de la matriz A
el factor que mayora los errores en las perturbaciones respecto a los errores en la soluci´ on.
Por su definici´ on est´ a claro que el condicionamiento de una matriz depende de la norma
elegida. Una propiedad interesante es que el condicionamiento tiene como cota inferior
a la unidad. Esto es consecuencia de que la norma inducida de la matriz identidad es
siempre 1.
1 =| I |=| AA
−1
|≤| A || A
−1
| (3.32)
Otra propiedad muy interesante es la que relaciona el condicionamiento con el radio
espectral de la matriz del sistema caso de que esta sea sim´etrica. Si la matriz es sim´etrica
su norma 2, es su radio espectral. Por tanto:
cond
2
(A) =| A |
2
| A
−1
|
2
= ρ(A)ρ(A
−1
) =

max
[

min
[
(3.33)
33
Este resultado tiene una versi´ on general ahora en t´erminos de los valores singulares, que
nos permite decir que una matriz estar´ a mejor condicionada cuanto m´ as parecidos en
m´ odulo sean entre si su espectro de autovalores o su espectro de valores singulares. De
hecho, la matriz 3.6 del ejemplo anterior es sim´etrica. Su espectro de autovalores es:
Sp(A) =

¸
¸
¸
¸
0.0102
0.8431
3.8581
30.2887
¸

(3.34)
Como vemos, los autovalores son muy diferentes entre si. Al ser sim´etrica, su condi-
cionamiento en la norma 2, ser´ a:
cond
2
(A) =
30.2887
0.0102
= 2984 (3.35)
Otra forma de ver el condicinamiento es pensar que resolver un sistema lineal equivale
a encontrar una combinaci´ on lineal de vectores que nos permitan escribir otro vector, el
t´ermino independiente. Si los vectores columna que forman el sistema lineal a´ un siendo
linealmente independientes est´ an casi en un mismo hiperplano (recta en 2D, plano en
3D, etc), dicha combinaci´ on lineal ser´ a geom´etricamente mucho m´ as delicada.
Ejercicio 3.2.1 Cambiar alguno del coeficientes del sistema lineal 3.6 manteniendo la
simetr´ıa, y repitiendo todo este an´alisis. Se pretende que comprob´eis que con un condi-
cionamiento menor o mayor, los errores en las soluciones de los sistemas perturbados
verifican las nuevas cotas respondiendo a este nuevo condicionamiento.
3.3 M´etodos directos.
Una vez que tenemos claro que aunque resolvamos nuestro sistema lineal la soluci´ on que
obtengamos puede tener errores significativos respecto al resultado esperado, procede
estudiar c´ omo podemos resolver del modo m´ as r´ apido y preciso el sistema en cuesti´ on.
En ese sentido hay dos grandes familias de m´etodos: los directos y los iterativos. Los
directos se caracterizan porque conducen a la soluci´ on exacta
2
mediante un n´ umero finito
(aunque muy grande) de operaciones. Los iterativos consisten en generar una sucesi´ on
cuyo l´ımite sea la soluci´ on del sistema lineal. El ´ unico problema que plantean los m´etodos
iterativos es que esta sucesi´ on convergente es dif´ıcil de obtener y a menudo dicha sucesi´ on
diverger´ a. En cualquier caso, siempre que consigamos poder resolver nuestro sistema
mediante un m´etodo iterativo esto ser´ a m´ as eficiente. Estudiemos primero los m´etodos
directos.
3.3.1 Eliminaci´ on gaussiana.
El m´ as conocido de los m´etodos directos es la eliminaci´ on gaussiana. Se ha estudiado ya
en los cursos de ´ algebra lineal pero conviene recordarlo. Para ello nos basaremos en un
2
salvo errores de redondeo que pueden ser minimizados mediante t´ecnicas de pivotaje cuyo estudio
detallado escapa al contenido del curso
34
ejemplo, e iremos dando los pasos en dicho ejemplo para entender c´ omo funciona:

¸
¸
1 2 3 6
2 3 4 9
−1 0 −1 −2
¸

(3.36)
haciendo transformaciones elementales utilizando la primera fila, hacemos cero todos los
elementos de la primera columna excepto el diagonal.

¸
¸
1 2 3 6
0 −1 −2 −3
0 2 2 4
¸

(3.37)
Ahora hacemos lo mismo con el elemento diagonal de la segunda fila, y hacemos cero
todos los elementos de la segunda columna por debajo del diagonal.

¸
¸
1 2 3 6
0 −1 −2 −3
0 0 −2 −2
¸

(3.38)
Con esto tenemos ya un sistema triangular superior que se resuelve f´ acilmente por susti-
tuci´ on hacia atr´ as.
x
3
= 1 (3.39)
−x
2
−2x
3
= −3 → x
2
= 1 (3.40)
x
1
+ 2x
2
+ 3x
3
= 6 → x
1
= 1 (3.41)
Existen diferentes estrategias para minimizar los errores de redondeo tratando de que los
elementos diagonales sean en valor absoluto lo m´ as grandes posibles (pivotaje), aunque
su estudio detallado escapa al contenido del curso.
3.3.2 Descomposici´ on LU.
Consiste en factorizar la matriz del sistema lineal como producto de una triangular inferior
y otra superior, por lo que resolver el sistema lineal
Ax = b
se transforma en resolver:
LUx = b (3.42)
Una vez obtenida esta descomposici´ on, resolvemos dos sistemas lineales triangulares:
Ly = b (3.43)
Ux = y (3.44)
y ya tenemos el vector x soluci´ on buscada.
Existen muchas formas de realizar esta descomposici´ on. Explicaremos la m´ as sencilla, el
35
algoritmo de Crout, que funciona siempre que todos los menores principales sean distintos
de cero. Los menores principales son los determinantes de las submatrices principales.
La submatriz principal A
i
es la que tiene como elementos a
jk
con 1 ≤ j, k ≤ i. En la
descomposici´ on de Crout se supone que la matriz triangular superior U tiene una diagonal
formada por elementos unidad. Resolvamos el sistema lineal del apartado anterior con
este m´etodo.

¸
¸
1 2 3
2 3 4
−1 0 −1
¸

=

¸
¸
l
11
0 0
l
21
l
22
0
l
31
l
32
l
33
¸

¸
¸
1 u
12
u
13
0 1 u
23
0 0 1
¸

(3.45)
Para calcular estos coeficientes procedemos sucesivamente por identificaci´ on:
l
11
= 1
l
11
u
12
= 2 → u
12
= 2
l
11
u
13
= 3 → u
13
= 3
l
21
= 2
l
21
u
12
+l
22
= 3 → l
22
= −1
l
21
u
13
+l
22
u
23
= 4 → u
23
= 2
l
31
= −1
l
31
u
12
+l
32
= 3 → l
32
= 2
l
31
u
13
+l
32
u
23
+l
33
= −1 → l
33
= −2
Y ya tenemos todos los coeficientes. Podemos comprobar que A = LU. Pasamos a
resolver los dos sistemas triangulares:
Ly =

¸
¸
6
9
−2
¸

¸
¸
1 0 0
2 −1 0
−1 2 −2
¸

¸
¸
y
1
y
2
y
3
¸

=

¸
¸
6
9
−2
¸

(3.46)
Este primero se resuelve por sustituci´ on hacia adelante.
y
1
= 6
2y
1
−y
2
= 9 → y
2
= 3
−y
1
+ 2y
2
−2y
3
= −2 → y
3
= 1
Y ahora resolvemos el triangular superior Ux = y por sustituci´ on hacia atr´ as.
Ux =

¸
¸
6
3
1
¸

¸
¸
1 2 3
0 1 2
0 0 1
¸

¸
¸
x
1
x
2
x
3
¸

=

¸
¸
6
3
1
¸

(3.47)
x
3
= 1
x
2
+ 2x
3
= 3 → x
2
= 1
x
1
+ 2x
2
+ 3x
3
= 6 → x
1
= 1
Cuando una matriz no tiene ninguna estructura especial (sim´etrica, con muchos ceros,
etc), y no converge para los m´etodos iterativos disponibles, la descomposici´ on LU es el
m´etodo m´ as aconsejable.
36
3.3.3 Descomposici´ on de Cholesky, A = LL
t
.
A menudo los sistemas lineales tienen como matriz del sistema la matriz de Gramm de
un producto escalar. Estas matrices y otras son sim´etricas y definidas positivas (x
t
Ax >
0 ∀x = 0). Para este tipo de matrices existe una descomposici´ on LU especial, la
descomposici´ on de Cholesky. En esta descomposici´ on U = L
t
, y la matriz L se obtiene
otra vez por identificaci´ on, igual que en el algoritmo de Crout. Se deja como ejercicio
resolver de este modo el sistema lineal 3.5.
3.3.4 M´etodo de Gauss-Jordan.
El m´etodo de Gauss-Jordan es el m´etodo directo ´ optimo para encontrar la inversa de
una matriz cuando ´esta no tiene ninguna estructura particular. Es un error de concepto
invertir una matriz para resolver un sistema lineal, pues en realidad calcular la inversa
es como resolver n sistemas lineales. El m´etodo de Gauss-Jordan consiste en realizar
eliminaci´ on gaussiana poniendo en la parte derecha la identidad, y realizando transfor-
maciones elementales hasta tener a la izquierda la identidad, y a la derecha tendremos
entonces la inversa. Ve´ amoslo con el mismo ejemplo.

¸
¸
1 2 3 1 0 0
2 3 4 0 1 0
−1 0 −1 0 0 1
¸

¸
¸
1 2 3 1 0 0
0 −1 −2 −2 1 0
0 2 2 1 0 1
¸

Normalizamos la segunda fila dividiendo por el elemento diagonal, hacemos cero el resto
de los elementos de la segunda columna.

¸
¸
1 2 3 1 0 0
0 1 2 2 −1 0
0 2 2 1 0 1
¸

¸
¸
1 0 −1 −3 2 0
0 1 2 2 −1 0
0 0 −2 −3 2 1
¸

Normalizamos la tercera fila dividiendo por el elemento diagonal, hacemos cero el resto
de los elementos de la tercera columna.

¸
¸
1 0 −1 −3 2 0
0 1 2 2 −1 0
0 0 1 1.5 −1 −0.5
¸

¸
¸
1 0 0 −1.5 1.0 −0.5
0 1 0 −1.0 1.0 1.0
0 0 1 1.5 −1.0 −0.5
¸

3.4 M´etodos iterativos.
3.4.1 Convergencia.
Los m´etodos iterativos responden a la misma filosof´ıa que utilizamos para resolver de
modo iterativo problemas no lineales. De lo que se trata es de transformar el problema
en uno de punto fijo para despu´es aplicar el teorema de la aplicaci´ on contractiva.
Si tenemos que resolver Ax = b, podr´ıamos por ejemplo tratar de resolver iterando
37
x = (I − A)x + b. En general, los esquemas iterativos a que haremos referencia ser´ an
todos del tipo:
x
(k+1)
= Bx
(k)
+c (3.48)
donde B ∈ M
n
(IK) y c ∈ IK
n
. En el l´ımite
x = Bx +c (3.49)
y por tanto, ha de ser que:
c = (I −B)A
−1
b (3.50)
Una vez que c verifica esa condici´ on, la convergencia depende del radio espectral de la
matriz B. Enunci´emoslo como un teorema.
Teorema 3.4.1 Un esquema iterativo para resolver sistema lineales del tipo 3.48 con-
verge si y solamente si el radio espectral de la matriz B es estrictamente menor que la
unidad.
”→”
Supongamos que el esquema converge. Se tendr´ a por tanto que la sucesi´ on x
(k)
−x debe
tender a cero. por tanto:
x
(k+1)
−x = Bx
(k)
+c −(Bx +x) = B(x
(k)
−x) = B
k+1
(x
(0)
−x)
O sea que para cualquier x
(0)
esa sucesi´ on tiende a cero. Dicho de otro modo, indepen-
dientemente del vector v,
lim
k→∞
B
k
v = 0
Esto s´ olo es posible si el radio espectral de la matriz B es menor que uno. Este resultado
es fundamental en ´ algebra lineal. Su demostraci´ on general es algo complicada. Si la
matriz es diagonalizable es m´ as f´ acil de intuir que si alguno de los autovalores λ fuese
de modulo igual o superior a uno, tomando el autovector correspondiente como vector v
esta claro que esa sucesi´ on nunca tender´ıa a cero, por ser Bv = λv.
La inversa es una consecuencia directa del teorema de la aplicaci´ on contractiva. Si
ρ(B) < 1, existe alguna norma matricial inducida en la que | B |< 1. Por tanto, y
dado que | B(x − y) |≤| B || x − y | tendremos que la aplicaci´ on T(x) = Bx + c
verificar´ a la condici´ on de Lipschitz y por tanto, ser´ a una contracci´ on de IK
n
, con lo que
la sucesi´ on converger´ a a un punto fijo que ser´ a la soluci´ on del sistema lineal. Adem´ as
esa convergencia es independiente del hu´esped inicial, al ser una contracci´ on en todo el
espacio, aunque ser´ a m´ as r´ apida si el hu´esped inicial est´ a correctamente elegido y sobre
todo si ρ(B) es bastante menor que la unidad.
3.4.2 Esquema general.
Dentro de los m´etodos iterativos estudiaremos aquellos que se basan en una descomposi-
ci´ on de la matriz A del tipo A = M −N con M invertible, que son los m´ as habituales y
que conducen a esquemas iterativos del tipo.
Mx
(k+1)
= Nx
(k)
+b (3.51)
38
Se trata de elegir M de tal forma que ese sistema lineal en cada paso sea sencillo de
resolver.
Se debe tener que c = M
−1
b verifique la condici´ on 3.50
c = (I −B)A
−1
b = (I −M
−1
N)A
−1
b = M
−1
M(I −M
−1
N)A
−1
b (3.52)
= M
−1
(M −N)A
−1
b = M
−1
b cqv
3.4.3 M´etodo iterativo de Jacobi.
Se basa en una descomposici´ on de la matriz A del tipo A = M − N, con M = D,
parte diagonal de la matriz A, y N = L + U, siendo L, U las partes inferior y superior
respectivamente de la matriz A cambiadas de signo. Obliga a resolver un sistema diagonal
en cada paso. Para definir estas matrices D, L y U se puede hacer utilizando bloques de
varios elementos, aunque nosotros utilizaremos aqu´ı siempre bloques elementales. Veamos
con un ejemplo c´ omo funciona el esquema 3.51 en la descomposici´ on de Jacobi de la matriz
A.
Se trata de resolver el sistema lineal:

¸
¸
4 1 0
1 4 1
0 1 4
¸

¸
¸
x
1
x
2
x
3
¸

=

¸
¸
−3
10
1
¸

(3.53)
cuya soluci´ on es el vector:

¸
¸
x
1
x
2
x
3
¸

=

¸
¸
−1.5
3
−0.5
¸

(3.54)
Procedamos a realizar la descomposici´ on de la matriz del sistema:
M = D =

¸
¸
4 0 0
0 4 0
0 0 4
¸

L =

¸
¸
0 0 0
−1 0 0
0 −1 0
¸

U =

¸
¸
0 −1 0
0 0 −1
0 0 0
¸

(3.55)
con
N = L +U (3.56)
La elecci´ on del hu´esped inicial no influye en la convergencia, pero s´ı en el n´ umero de
iteraciones que daremos en el esquema para llegar a una soluci´ on aceptable. Si se tiene
una estimaci´ on de la soluci´ on, se usar´ a ´esta como hu´esped inicial. Caso de que no sea
as´ı, se puede tomar como hu´esped inicial el formado por el t´ermino independiente, o uno
de componentes todas iguales a 1. Nosotros tomaremos por ejemplo uno que har´ıa que
se cumpliese la primera l´ınea del sistema lineal:
x
(0)
=

¸
¸
¸
x
(0)
1
x
(0)
2
x
(0)
3
¸

=

¸
¸
−1
4
−1
¸

(3.57)
39
Para comprobar si estamos convergiendo a la soluci´ on es conveniente disponer de un buen
criterio de convergencia. Demostraremos m´ as adelante un resultado que nos permite
garantizar que si controlamos el valor de la norma del residuo r
(k)
= b −Ax
(k)
estaremos
controlando el error e
(k)
= x −x
(k)
.
As´ı, en este ejemplo:
| r
(0)
|

= 4 (3.58)
Demos el primero paso del esquema:
Dx
(1)
= Nx
(0)
+b = (L +U)x
(0)
+b (3.59)

¸
¸
4 0 0
0 4 0
0 0 4
¸

x
(1)
=

¸
¸
0 −1 0
−1 0 −1
0 −1 0
¸

¸
¸
−1
4
−1
¸

+

¸
¸
−3
10
1
¸

(3.60)
Y tendremos por tanto que resolver el sistema diagonal:

¸
¸
4 0 0
0 4 0
0 0 4
¸

x
(1)
=

¸
¸
−7
12
−3
¸

(3.61)
x
(1)
=

¸
¸
−1.75
3
−0.75
¸

(3.62)
con
| r
(1)
|

= 1 (3.63)
Por tanto, el residuo ha disminuido. Si seguimos iterando:
x
(2)
=

¸
¸
−1.5
3.125
−0.5
¸

| r
(2)
|

= 0.5 (3.64)
x
(5)
=

¸
¸
−1.5039
3.0000
−0.5039
¸

| r
(5)
|

= 0.0156 (3.65)
etc... Vamos a enunciar un teorema de convergencia muy interesante pues se refiere a
un tipo de matrices, las diagonal estrictamente dominante que aparecen a menudo al
resolver num´ericamente ecuaciones diferenciales en derivadas parciales.
Teorema 3.4.2 Supongamos que una matriz A sea diagonal estrictamente dominante:
[a
ii
[ >
¸
j=i
[a
ij
[, i = 1, n
Entonces, el m´etodo de Jacobi converge para esta matriz.
40
La demostraci´ on es bastante sencilla:
B = M
−1
N = D
−1
(L +U) = −

¸
¸
¸
¸
¸
1
a
11
0 0
0 0
0 0
0 0
1
a
nn
¸

¸
¸
¸
¸
0 a
12
a
1n
a
21
0 a
2n

a
n1
a
nn−1
0
¸

= −

¸
¸
¸
¸
¸
0
a
12
a
11

a
1n
a
11
a
21
a
22
0
a
2n
a
22

a
n1
a
nn

a
nn−1
a
nn
0
¸

Si calculamos la norma de esta matriz:
|B|

= max
i=1,n
¸
j=i
[a
ij
[
[a
ii
[
(3.66)
Este cociente es siempre inferior a la unidad al ser la matriz diagonal estrictamente
dominante, por tanto:
|B|

< 1 (3.67)
Pero al ser esta una norma inducida, se tiene tambi´en que ρ(B) < 1, y por tanto el
m´etodo es convergente.
3.4.4 M´etodo iterativo de Gauss-Seidel.
Se basa en una descomposici´ on de la matriz A del tipo A = M − N, con M = D − L,
y N = U . Obliga a resolver un sistema triangular por sustituci´ on hacia adelante en
cada paso. Por tanto, cada paso es m´ as complicado que en el m´etodo de Jacobi, pero la
velocidad de convergencia es superior en cierto tipo de matrices. Ve´ amos c´ omo funciona
con el mismo ejemplo 3.53.
Mx
(1)
= Nx
(0)
+b = Ux
(0)
+b (3.68)

¸
¸
4 0 0
1 4 0
0 1 4
¸

x
(1)
=

¸
¸
0 −1 0
0 0 −1
0 0 0
¸

¸
¸
−1
4
−1
¸

+

¸
¸
−3
10
1
¸

(3.69)
Y tendremos por tanto que resolver el sistema triangular superior:

¸
¸
4 0 0
−1 4 0
0 −1 4
¸

x
(1)
=

¸
¸
−6.1875
10.5469
1.0000
¸

(3.70)
que se resuelve por sustituc´ı´ on hacia adelante:
x
(1)
=

¸
¸
−1.7500
3.1875
−0.5469
¸

(3.71)
41
con
| r
(1)
|

= 0.8125 (3.72)
Por tanto, el residuo ha disminuido. Si seguimos iterando:
x
(2)
=

¸
¸
−1.5469
3.0234
−0.5059
¸

| r
(2)
|

= 0.1641 (3.73)
x
(5)
=

¸
¸
−1.5001
3.0000
−0.5000
¸

| r
(5)
|

= 0.0003 (3.74)
Como vemos, el residuo en el paso quinto es muy inferior al correspondiente al m´etodo
de Jacobi, 0.0003 frente a 0.01. Respecto a la convergencia enunciamos un resultado
equivalente al ya referido en el m´etodo de Jacobi.
Teorema 3.4.3 Supongamos que una matriz A sea diagonal estrictamente dominante:
[a
ii
[ >
¸
j=i
[a
ij
[, i = 1, n
Entonces, el m´etodo de Gauss-Seidel converge para esta matriz.
Aunque el teorema es el mismo que el enunciado para el m´etodo de Jacobi, su de-
mostraci´ on no es tan sencilla y por tanto no la haremos.
3.4.5 Test de parada.
Lo importante es parar en una iteraci´ on k tal que el error:
| e
(k)
|=| x −x
(k)
|<
1
(3.75)
O sea, tal que la diferencia en norma entre la soluci´ on x y la estimaci´ on de ese valor
en la iteraci´ on k sea menor que un valor
1
dado. Dado que no sabemos por supuesto
x, tendremos que llegar a esa conclusi´ on de un modo indirecto. El m´ as interesante es
analizar el residuo
r
(k)
= b −Ax
(k)
(3.76)
Vamos a demostrar que:
Teorema 3.4.4 Si
r
(k)

b
< , entonces
e
(k)

x
< cond(A)
Demostraci´ on:
e
(k)
= x −x
(k)
= x −A
−1

b −r
(k)

= A
−1
r
(k)
(3.77)
Por tanto
| e
(k)
|≤| A
−1
|| r
(k)
|≤| A
−1
|| b | ≤| A
−1
|| A || x | ≤ | x | cond(A) (3.78)
42
De donde la conclusi´ on. Es interesante ver este peque˜ no teorema como que cu´ anto peor
(mayor) sea el condicionamiento de una matriz, las mayoraciones en el residuo conducen
a mayoraciones en el error multiplicadas por ese condicionamiento. Sin embargo, si una
matriz tiene un condicionamiento bajo, acotar el residuo es casi equivalente a acotar el
error total.
En el ejemplo que hemos utilizado para mostrar los m´etodos de Jacobi y Gauss-Seidel,
cond

(A) = 2.5714
| r
(5)
|
| b |
= 0.0016
| e
(5)
| = | x −x
(5)
|= 0.0039 →
| e
(5)
|
| x |
= 0.0013
y 0.0013 ≤ 2.5714 0.0016, con lo que se verifica la cota dada por el teorema.
Seleccionar el valor de
1
depender´ a en cada caso del problema real que estemos resolvien-
do, y depender´ a tambi´en de las estimaciones que podamos tener del condicionamiento de
la matriz del sistema. Otro posible test de parada es establecer que la diferencia en nor-
ma entre dos iteraciones consecutivas no debe superar un valor dado. Podemos combinar
ambos tests para tener un test conjunto que nos garantice que estamos suficientemente
cerca de la soluci´ on y que no necesitamos continuar trabajando.
3.5 Referencias recomendadas para este tema.
El texto de Golub y Ortega[6] es muy bueno. El libro de apuntes de C´ alculo Num´erico[14]
cuando la daba J.M. S´ anchez hace un estudio exhaustivo de esta parte.
43
Cap´ıtulo 4
Interpolaci´ on.
4.1 El problema general de interpolaci´ on
Sea E un R-e.v. de funciones de dimensi´ on finita n y E su dual. El problema general de
interpolaci´ on se plantea del modo siguiente:
Dadas n formas lineales L
i
∈ E

y n n´ umeros reales w
i
(i = 1, . . . , n), determinar un
vector f ∈ E tal que
< f, L
i
>= w
i
i = 1, ..., n (4.1)
Lema 4.1.1 Sean E un R-e.v. de dimensi´on n y (e
i
)
i=1,...,n
una de sus bases. La familia
de n formas lineales (L
i
)
i=1,...,n
es libre en E

si
det(< e
j
, L
i
>) = 0
Teorema 4.1.1 El problema de interpolaci´on general (4.1) tiene soluci´on ´ unica si las n
formas lineales (L
i
) son linealmente independientes en E

.
En efecto, sea B = (e
j
) una base de E, el sistema lineal
L
i

¸
n
¸
i=j
a
j
e
j
¸

= w
i
i = 1, . . . , n (4.2)
tiene como matriz asociada (L
i
(e
j
) =< e
j
, L
i
> i, j = 1, . . . , n y si la familia (L
i
) es libre,
det(< e
j
, L
i
>) = det(L
i
(e
j
)) = 0.
Se llama a det(L
i
(e
j
)) el determinante generalizado de Gram.
La demostraci´ on anterior de tipo constructiva, contiene un m´etodo de resoluci´ on del
problema (4.1). La soluci´ on x tiene como componentes a
i
, las n soluciones del sistema
lineal (4.2).
4.1.1 Casos particulares del problema general de interpolaci´ on
Interpolaci´ on polinomial
El espacio E es un espacio de polinomios o construido con polinomios. Es el caso m´ as
interesante y el ´ unico que estudiaremos con detalle.
Interpolaci´on de Lagrange
El problema de la determinaci´ on de un polinomio P ∈ P
n
(IR) que toma en n + 1 puntos
distintos x
0
, . . . , x
n
de un subconjunto de S de IR , los n + 1 valores w
0
, . . . , w
n
previa-
mente asignados, se denomina problema de interpolaci´ on de Lagrange.
Tomando E = P
n
(IR), IR-e.v. de los polinomios de una variable de grado n y definiendo
las (n + 1) formas lineales
L
i
(P) = P(x
i
) = w
i
(i = 0, 1, . . . , n)
se constata que este problema es un caso particular de (4.1). Si tomamos como base B
de P
n
la can´ onica, e
i
= ¦x
i
¦i = 0, 1, . . . , n, el determinante de Gram es:
det(L
i
(e
j
)) =

1 x
0
x
2
0
. . . x
n
o
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 x
n
x
2
n
. . . x
n
n

determinante del tipo de Vandermonde, que es distinto de cero si todos los x
i
son distintos.
Por tanto, El problema de interpolaci´ on de Lagrange siempre tiene soluci´ on ´ unica.
Comentarios:
• Este sistema lineal de Vandermonde s´ olo tiene significado te´ orico, ya que su resolu-
ci´ on por m´etodos num´ericos es un peque˜ no compendio de comportamientos nega-
tivos (alto coste computacional, alta exigencia de almacenamiento y baja exacti-
tud).
• Las n + 1 formas lineales L
i
asociadas a los n + 1 puntos distintos x
0
, . . . , x
n
son
linealmente independientes en P

n
dual de P
n
, luego describen una base B de este
IR-e.v.. Los n´ umeros w
i
= P(x
i
) representan las componentes del polinomio in-
terpolador P respecto de la base B = (l
j
) de P
n
dual de la anterior y que viene
definida como es habitual, por las relaciones L
i
(l
j
) = l
j
(x
i
) = δ
ij
. Estos polinomios
l
j
son los polinomios fundamentales o de Lagrange asociados a los puntos x
0
, . . . , x
n
y ser´ an determinados despu´es.
• Si se busca un polinomio de grado m mayor que n, la b´ usqueda es m´ as simple ya
que existe un n´ umero arbitrario de polinomios de esas caracter´ısticas que interpolen
un conjunto dado de n + 1 puntos distintos x
0
, . . . , x
n
. En efecto, llamando
H(x) =
n
¸
i=0
(x −x
i
)
el polinomio P ∈ P
m
, m > n satisface P(x
i
) = w
i
i = 0, 1, . . . , n si tiene la forma
P(x) =
ˆ
P(x) +H(x)Q(x)
donde
ˆ
P ∈ P
n
si es la soluci´ on ´ unica del problema de Lagrange y Q es un polinomio
arbitrario de P
m−n−1
.
45
• El polinomio
ˆ
P ∈ P
n
soluci´ on ´ unica del problema de Lagrange descrito, es exac-
tamente de grado n, cuando ˆ a
n
= 0, lo que no siempre sucede. El problema de
interpolar la funci´ on sin en


π
2
,
π
2

, en los puntos−
π
2
, 0,
π
2
da como soluci´ on ´ unica
el polinomio P(x) =
2x
π
, con ˆ a
2
= 0. Otro ejemplo todav´ıa m´ as llamativo es el caso
P(x
i
) = 1, i = 0, 1, . . . , n cuya ´ unica soluci´ on es el polinomio constante 1.
• En muchos casos, los valores w
i
son las im´ agenes en los puntos x
i
de una cierta
funci´ on f definida en S. Las formas lineales L
i
estar´ an entonces definidas en un
espacio funcional m´ as amplio que P
n
para que tenga sentido L
i
(f) = f(x
i
). El pro-
blema de interpolaci´ on planteado, matem´ aticamente id´entico al antes considerado,
consiste en determinar un polinomio P que coincide con f en los puntos x
i
.
Interpolaci´on general de Hermite
Dados n + 1 puntos distintos x
0
, . . . , x
n
y las N + 1 formas lineales en C
N
(S) definidas
por:
f −→ L
ν,j
(f) = f
(j)
(x
ν
)
0 ≤ ν ≤ n, 0 ≤ j ≤ m
ν
con N = m
0
+ m
1
+ + m
n
+ n, veremos que la interpolaci´ on
en P
N
relativa a estas formas lineales tiene soluci´ on ´ unica. Por tanto, siempre es posible
hallar un polinomio cuya imagen y las de sus derivadas sucesivas hasta un cierto orden,
est´e prefijadas en puntos distintos. Este caso particular de (4.1) , se denomina problema
de interpolaci´ on polinomial general de Hermite. M´ as tarde escribiremos de modo expl´ıcito
el polinomio de grado 2n + 1 soluci´ on de este problema cuando
m
0
= m
1
= = m
n
= 1 ⇒ N = 2n + 1
que se llama problema simple u osculatriz de Hermite.
Interpolaci´ on trigonom´etrica
Supongamos ahora que E es el espacio de dimensi´ on 3 engendrado por las tres funciones
¦1, cos, sin¦ y que deseamos determinar f ∈ E tal que
L
1
(f) = f


π
2

L
2
(f) = f(0) L
3
(f) = f

π
2

El determinante de Gram del problema de interpolaci´ on planteado es

L
1
(1) L
1
(sin) L
1
(cos)
L
2
(1) L
2
(sin) L
2
(cos)
L
3
(1) L
3
(sin) L
3
(cos)

=

1 sin


π
2

cos


π
2

1 sin(0) cos(0)
1 sin

π
2

cos

π
2

=

1 −1 0
1 0 1
1 1 0

= 2 = 0
por tanto, siempre podemos hallar una funci´ on ´ unica
f(t) = a
0
+a
1
sin t +a
2
cos t
que toma valores dados en−
π
2
, 0 y
π
2
. Si por ejemplo
L
1
(f) = −1, L
2
(f) = 0, L
3
(f) = 1
46
estar´ıamos determinando f ∈ E interpolante de la funci´ on seno.
En general, E es la envoltura lineal de la familia de las 2m + 1 funciones linealmente
independientes
¦1, cos x, sin x, . . . , cos mx, sin mx¦.
E es un R-e.v. de dimensi´ on 2m+ 1 y para las 2m + 1 formas lineales
< f, L
i
>= f(x
i
) = w
i
, −π ≤ x
0
< x
1
< < x
2m
≤ π
el problema de interpolaci´ on (4.1) tiene soluci´ on ´ unica.
Ejemplo de un problema de interpolaci´ on sin soluci´ on.
No todo problema de interpolaci´ on es necesariamente resoluble. He aqu´ı un ejemplo sin
soluci´ on ´ unica. Supongamos que deseamos hallar un polinomio de segundo grado cuyos
valores en 1 y -l y cuya derivada en 0 son datos. Con
L
1
(f) = f(−1), L
2
(f) = f(1), L
3
(f) = f

(0)
y e
i
= x
i−1
con i = 1, 2, 3. Se tiene que:
det(< e
j
, L
i
>) =

1 −1 1
1 1 1
0 1 0

= 0
y el problema no puede tener soluci´ on ´ unica, aunque podr´ıa tener infinitas soluciones.
4.2 Interpolaci´ on polinomial
4.2.1 Interpolaci´ on de Lagrange
Ya hemos introducido este problema en 4.1.1 pero ahora lo veremos con detalle.
Se dan n+1 puntos distintos x
i
de un subconjunto S de IR(nodos) y n+1 valores reales
w
i
(i = 0, 1, . . . , n) y se busca un polinomio P de grado ≤ n, P ∈ P
n
tal que
P(x
k
) = w
k
k = 0, 1, . . . , n
A menudo los datos w
k
son las im´ agenes de una cierta funcion f, funci´ on que se pretende
interpolar, en los nodos x
k
.
Polinomios de Lagrange
Como vimos, ese problema tiene soluci´ on ´ unica
1
P ya que las n + 1 formas lineales
L
i
(P) = P(x
i
) = w
i
(i = 0, 1, . . . , n) describen una base B

de P

n
. Su base dual B en P
n
1
En el apartado 4.1.1 llam´abamos
ˆ
P a este polinomio para no confundir. Aqu´ı no hay confusi´on
posible y nos referiremos a ´el como P.
47
est´ a descrita por los polinomios l
j
de Lagrange asociados a los puntos x
0
, . . . , x
n
y que
como es habitual est´ an definidos por las relaciones L
i
(l
j
) = δ
ij
, es decir
l
j
(x
i
) =

0 si i = j
1 si i = j
luego l
j
tiene n ra´ıces x
i
(i = j) y toma el valor 1 cuando x = x
j
. Es claro que:
l
j
(x) =
n
¸
(x −x
i
)
i=0
i=j
n
¸
(x
j
−x
i
)
i=0
i=j
(4.3)
Descomponiendo el polinomio de interpolaci´ on soluci´ on P respecto de esta base ten-
dremos
P =
n
¸
j=0
k
j
l
j
de donde para i = 0, 1, . . . , n
w
i
= P(x
i
) =
n
¸
j=0
k
j
l
j
(x
i
) =
n
¸
j=0
k
j
δ
ij
= k
i
por tanto las componentes de la expresi´ on del polinomio
P =
n
¸
j=0
w
j
l
j
es decir,
P(x) =
n
¸
j=0
w
j
l
j
(x)
Ejercicio 4.2.1 Sea
V =

1 x
0
x
2
0
. . . x
n
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1 x
n
x
2
n
. . . x
n
n
¸
¸
¸
¸
la matriz de Vandermonde asociada a los nodos x
0
, . . . , x
n
, matriz del sistema que define
los coeficientes del polinomio soluci´on respecto de la base can´onica de P
n
. Los coeficientes
del polinomio de Lagrange l
k
respecto de dicha base son los elementos de la k-´esima
columna de V
−1
matriz inversa de V . ¿ Por qu´e?.
Ejemplo 4.2.1
48
Si x
0
= 1, x
1
= 2, x
3
= 4
V =

1 1 1
1 2 4
1 4 16
¸
¸
¸ y V
−1
=

8
3
−2
1
3
−2
5
2

1
2
1
3

1
2
1
6
¸
¸
¸
con lo que
l
0
(x) =
8
3
−2x +
1
3
x
2
=
1
3
(x
2
−6x + 8)
l
1
(x) = −2 +
5
2
x −
1
2
x
2
= −
1
2
(x
2
−5x + 4)
l
2
(x) =
1
3

1
2
x +
1
6
x
2
=
1
6
(x
2
−3x + 2)
4.2.2 Estimaciones del error en la interpolaci´ on de Lagrange
En el caso habitual, en que los valores w
i
son las im´ agenes en los puntos x
i
de una cierta
funci´ on f, interesa investigar la separaci´ on entre el polinomio interpolante P y f, lo que
nos obligar´ a a asumir que f satisface ciertas propiedades.
Teorema 4.2.1
Sea f ∈ C
n+1
[a, b] y P el polinomio de P
n
(IR) interpolador de Lagrange de f en la nube
x
0
, , x
n
con x
i
∈ [a, b], i = 0, n. Entonces a cada punto x en [a, b] le corresponde un
punto ξ(x) con
min(x
0
, , x
n
, x) < ξ(x) < max(x
0
, , x
n
, x)
para el cual
f(x) −P(x) =
H(x)
(n + 1)!
f
(n+1)
(ξ(x)) (4.4)
con
H(x) =
n
¸
i=0
(x −x
i
) (4.5)
Demostraci´ on.
Supongamos sin p´erdida de generalidad que a ≤ x
0
< x
1
< < x
n
≤ b. Elijamos un
n´ umero x en [a, b]. Si x es uno de los nodos x
i
, la igualdad 4.4 es v´ alida elijamos como
elijamos ξ. Si x no es uno de los nodos definimos λ tal que:
λ =
f(x) −P(x)
H(x)
(4.6)
Definimos la funci´ on auxiliar:
φ(t) = f(t) −P(t) −λH(t) (4.7)
Es f´ acil
2
ver que φ conserva la clase de f. Es f´ acil ver que la funci´ on φ tiene al menos
n + 2 ceros en [a, b], los correspondientes a los nodos x
i
y al valor x.
Sabemos por aplicaci´ on del teorema de Rolle que si una funci´ on continua y diferenciable
2
Por ser P y H polinomios y por tanto de clase C

49
tiene m ra´ıces en [a, b], su derivada f

tiene al menos m−1 ra´ıces en [a, b].
Aplicando este razonamiento de modo sucesivo a las derivadas de la funci´ on φ, llegamos
a la conclusi´ on de que φ
(n+1)
tiene al menos una raiz en [a, b]. Sea ξ esa raiz. La derivada
(n + 1) de un polinomio de grado n es 0, y la de H(t) es (n + 1)!. Por tanto:
0 = f
(n+1)
(ξ) −λ(n + 1)! (4.8)
de donde:
λ =
f
(n+1)
(ξ)
(n + 1)!
(4.9)
y entrando en 4.6 obtenemos 4.4.
Corolario 4.2.1 Estimaciones del error.
Supuesto que f cumple que |f
(n+1)
|

≤ M
n+1
tendremos
[f(x) −P(x)[ ≤
[H(x)[
(n + 1)!
M
n+1
(4.10)
de la que se deduce la f´ ormula general de estimaci´ on del error en interpolaci´ on
|f −P| ≤
M
n+1
(n + 1)!
|H|
v´ alida para todas las normas | . |
p
, 1 ≤ p ≤ n.
Corolario 4.2.2
En el caso en que | | = | |

, si x ∈ [x
0
, x
n
] se puede deducir una estimaci´ on muy
´ util del error de interpolaci´ on de |f −P|. Para ello utilizamos la mayoraci´ on
|H|

= max
x∈[x
0
,x
n
]
[(x −x
0
)(x −x
1
) (x −x
n
)[ ≤
n!
4
h
n+1
donde h es la m´ axima de las distancias entre puntos x
i
y x
i+1
adyacentes.
Si x ∈ [x
i
, x
i+1
], se tiene que
[(x −x
i
)(x −x
i+1
)[ ≤
h
2
4
y haciendo una estimaci´ on directa del tama˜ no de los otros t´erminos que aparecen en H
se obtiene esa mayorante de |H|

.
Ejercicio 4.2.2 Obtener esa mayorante.
Combinando lo anterior, se obtiene la cota del error con norma uniforme
|f −P|


|f
(n+1)
|
4(n + 1)
h
n+1
Para interpretar correctamente esta cota de error debemos pensar en P como funci´ on de
h para n fijo. Con ello, se deduce de esa estimaci´ on que la exactitud es del orden O(h
n+1
)
cuando se var´ıa el intervalo de interpolaci´ on [x
0
, x
n
].
50
4.2.3 Diferencias divididas
Hay dos problemas importantes cuando usamos la base de Lagrange para interpolar una
tabla de valores. El primero es que hay que realizar un n´ umero alto de operaciones
aritm´eticas. Sin embargo, el problema m´ as importante nace del hecho de que si necesi-
tamos a˜ nadir o quitar un punto al conjunto que se ha usado para construir el polinomio,
tenemos que empezar los c´ alculos desde el principio. Con el m´etodo de las diferencias
divididas este problema desaparece.
El planteamiento de las diferencias divididas es el de la interpolaci´ on de Lagrange, o sea,
se supone que conocemos una funci´ on en un soporte de valores para la x.
x
0
f
0
x
1
f
1
x
2
f
2
x
3
f
3
.
.
.
.
.
.
x
n
f
n
En esta tabla no es necesario suponer que las exis est´ an equiespaciadas; ni siquiera que
est´ an dadas en alg´ un orden.
Consideremos el polinomio de grado n
P(x) = a
0
+a
1
(x −x
0
) +a
2
(x −x
0
)(x −x
1
) + +a
n
(x −x
0
)(x −x
1
) (x −x
n−1
)
Elijamos los coeficientes a
i
, de tal modo que este polinomio ajuste la tabla de datos
dada
3
. Veremos que estos coeficientes se determinan f´ acilmente usando las diferencias
divididas de los valores tabulados. Usamos una notaci´ on especial para las diferencias
divididas
f[x
i
, x
j
] =
f
j
−f
i
x
j
−x
i
(4.11)
A este n´ umero se le llama la diferencia dividida de primer orden correspondiente a [x
i
, x
j
].
Es importante darse cuenta de que f[x
i
, x
j
] = f[x
j
, x
i
]. Esta conmutabilidad se mantiene
aunque el orden de las diferencias sea m´ as alto. Las diferencias divididas de segundo
orden y de ´ ordenes superiores se obtienen a partir de las diferencias divididas de ´ ordenes
anteriores:
f[x
0
, x
1
, x
2
] =
f[x
1
, x
2
] −f[x
0
, x
1
]
x
2
−x
0
f[x
0
, x
1
, . . . , x
i
] =
f[x
1
, x
2
, . . . , x
i
] −f[x
0
, x
1
, . . . , x
i−1
]
x
i
−x
0
3
En realidad lo que hacemos es escoger otra base para los polinomios de grado n:
{1, (x − x
0
), (x − x
0
)(x − x
1
), . . . , (x − x
0
)(x − x
1
) · · · (x − x
n−1
)}
51
Estamos ya en posici´ on de establecer que los coeficientes a
i
est´ an dados por esas diferen-
cias. Obtengamos la imagen de cada punto del soporte por dicho polinomio.
P(x
0
) = a
0
= f
0
P(x
1
) = a
0
+a
1
(x
1
−x
0
)
P(x
2
) = a
0
+a
1
(x
2
−x
0
) +a
2
(x
2
−x
0
)(x
2
−x
1
)
. . .
P(x
n
) = a
0
+a
1
(x
n
−x
0
) +a
2
(x
n
−x
0
)(x
n
−x
1
) + +
+a
n
(x
n
−x
0
)(x
n
−x
1
) (x
n
−x
n−1
)
Si hacemos a
1
= f[x
0
, x
1
], entonces:
P(x
1
) = f
0
+
f
1
−f
0
x
1
−x
0
(x
1
−x
0
) = f
1
Si hacemos a
2
= f[x
0
, x
1
, x
2
], entonces:
P(x
2
) = f
0
+
f
1
−f
0
x
1
−x
0
(x
2
−x
0
) +
f
2
−f
1
x
2
−x
1

f
1
−f
0
x
1
−x
0
x
2
−x
0
(x
2
−x
0
)(x
2
−x
1
) = f
2
Podr´ıamos ver de modo similar que cada P
n
(x
i
) = f
i
si a
i
= f[x
0
, x
1
, . . . , x
i
].
Ejemplo 4.2.2
Una t´ıpica tabla de diferencias divididas podr´ıa ser la siguiente
x
i
f
i
f[x
i
, x
i+1
] f[x
i
, . . . , x
i+2
] f[x
i
, . . . , x
i+3
] f[x
0
, . . . , x
5
]
3, 2 22, 0
2, 7 17, 8 8, 400
1, 0 14, 2 2, 118 2, 856
4, 8 38, 3 6, 342 2, 012 −0, 528
5, 6 51, 7 16, 750 2, 263 0, 0865 0, 256
El peque˜ no ejercicio que se os propone consiste en que valid´eis esta tabla de valores.
Tambi´en pod´eis construir el polinomio de interpolaci´ on de diferencias divididas corres-
pondiente a esta tabla de valores. Despu´es con vuestra calculadora pod´eis calcular el
polinomio de interpolaci´ on expresado en la base can´ onica de los polinomios de grado
cuatro, y comprobar que los dos tienen la misma imagen en un punto cualquiera (ej
x = 3.8).
Es interesante ver 4.11 como que la diferencia dividida de primer orden es una estimaci´ on
de la derivada de la funci´ on f en x
i
, dado que si x
j
, tiende a x
i
lo que tenemos es precisa-
mente esa derivada. Si conocemos alguna derivada de la funci´ on, podemos duplicar ese
nodo en la lista y sustituir la diferencia dividida correspondiente a esos dos nodos por la
derivada.
Teorema 4.2.2
52
Si f es n veces continuamente diferenciable en [a, b] y x
0
, . . . , x
n
, son puntos distintos de
[a, b], entonces hay un punto ξ en (a, b) que verifica que
f[x
0
, x
1
, . . . , x
n
] =
f
(n)
(ξ)
n!
Ejercicio 4.2.3
Demostrar que si la funci´ on que queremos aproximar es un polinomio de grado k, en-
tonces, para n > k
f[x
0
, x
1
, . . . , x
n
] = 0
4.2.4 Interpolaci´ on simple de Hermite u osculatriz.
Dados n + 1 puntos distintos x
0
, . . . , x
n
se busca el polinomio P que cumpla las 2n + 2
condiciones
P(x
i
) = f(x
i
) i = 0, 1, . . . , n
P

(x
i
) = f

(x
i
) i = 0, 1, . . . , n
Las 2n + 2 formas lineales L
i
y M
i
son en este caso
f −→ L
i
(f) = f(x
i
) y f −→ M
i
(f) = f

(x
i
)
Se trata del caso particular del problema general de Hermite cuando
m
0
= m
1
= = m
n
= 1 ⇒ N = 2n + 1
La soluci´ on del problema de interpolaci´ on simple de Hermite es ´ unica si todos los nodos
x
0
, . . . , x
n
son distintos
4
y viene dada en funci´ on de los polinomios fundamentales de
Lagrange por:
P(x) =
n
¸
j=0
[1 −2l

j
(x
j
)(x −x
j
)]l
2
j
(x)f(x
j
) +
n
¸
j=0
(x −x
j
)l
2
j
(x)f

(x
j
) (4.12)
Se comprueba simplemente sustituyendo y derivando
P(x
i
) =
n
¸
j=0
[1 −2l

j
(x
j
)(x
i
−x
j
)]l
2
j
(x
i
)f(x
j
) +
n
¸
j=0
(x
i
−x
j
)l
2
j
(x
i
)f

(x
j
) =
=
n
¸
j=0
l
2
j
(x
i
)f(x
j
) −
n
¸
j=0
2l

j
(x
j
)(x
i
−x
j
)l
2
j
(x
i
)f(x
j
) +
n
¸
j=0
(x
i
−x
j
)l
2
j
(x
i
)f

(x
j
) = f(x
i
)
Para i = j los tres sumandos son nulos por ser l
j
(x
i
) = δ
ij
,. El segundo y tercer sumando
son nulos para i = j por serlo el factor (x
i
−x
j
). Luego s´ olo nos queda el primer sumando
distinto de cero si i = j, por tanto, P(x
i
) = f(x
i
) i = 0, 1, . . . , n. An´ alogamente derivando
P

(x) =
n
¸
j=0
−2l

j
(x
j
)l
2
j
(x)f(x
j
) + [1 −2l

j
(x
j
)(x −x
j
)]2l
j
(x)l

j
(x)f(x
j
)+
4
No lo demostraremos.
53
+
n
¸
j=0
[l
2
j
(x)f

(x
j
) + 2(x −x
j
)l
j
(x)l

j
(x)f

(x
j
)].
y haciendo x = x
i
P

(x
i
) =
n
¸
j=0
−2l

j
(x
j
)l
2
j
(x
i
)f(x
j
) + [1 −2l

j
(x
j
)(x
i
−x
j
)]2l
j
(x
i
)l

j
(x
i
)f(x
j
)+
+
n
¸
j=0
[l
2
j
(x
i
)f

(x
j
) + 2(x
i
−x
j
)l
j
(x
i
)l

j
(x
i
)f

(x
j
)] =
= −2l

i
(x
i
)f(x
i
) + 2l

i
(x
i
)f(x
i
) +f

(x
i
).
Es decir
P

(x
i
) = f

(x
i
) i = 0, 1, . . . , n
4.3 Interpolaci´ on polinomial a trozos.
La construcci´ on de polinomios de interpolaci´ on de grado alto aunque justificable te´ o-
ricamente plantea muchos problemas. Por un lado, la forma de la funci´ on polin´ omica
de grado alto a menudo no responde al fen´ omeno debido al gran n´ umero de extremos e
inflexiones. Por otro lado, su c´ alculo es muy complicado, tedioso y a veces con grandes
errores de rendodeo por mal condicionamiento de algunas matrices. Ello limita su utilidad
en an´ alisis num´erico. Es a menudo mucho m´ as ´ util dividir el intervalo en subintervalos
m´ as peque˜ nos y usar en cada subintervalo polinomios de grados relativamente bajos.
Definici´ on 4.3.1 Polinomios a trozos de grado k
Sea [a, b] un intervalo finito y ¦x
0
, x
1
, . . . , x
n
¦ los nodos de una subdivisi´ on Ω de [a, b]
estrictamente creciente (a ≤ x
0
< x
1
< < x
n
≤ b).
Supongamos por conveniencia que esa subdivisi´ on es uniforme, es decir, que los nodos
est´ an equiespaciados x
i+1
− x
i
= h, y que x
0
= a y x
n
= b. Un polinomio a trozos de
grado k en Ω es una funci´ on cuya restricci´ on a cada uno de los subintervalos [x
i
, x
i+1
] es
un polinomio de grado k.
4.3.1 Interpolacion parab´ olica a trozos
Consideremos una subdivisi´ on de tres nodos ¦x
0
, x
1
, x
2
¦. Pretendemos encontrar la
par´ abola P (de eje vertical)
P(x) = a +bx +cx
2
x ∈ [x
0
, x
2
]
que toma en esos nodos los valores w
0
, w
1
, w
2
. Suponemos x
1
= 0 de modo que x
0
= −h
y x
2
= h. El sistema
w
0
= a −bh +ch
2
w
1
= a
w
2
= a +bh +ch
2
54
da como ´ unica solucion:
a = w
1
, b =
w
2
−w
0
2h
, c =
w
2
−2w
1
+w
0
2h
2
y
P(x) = w
1
+
w
2
−w
0
2h
x +
w
2
−2w
1
+w
0
2h
2
x
2
con c = 0 si los puntos (x
0
, w
0
), (x
1
, w
1
), (x
2
, w
2
) no son colineales. La f´ ormula es tambi´en
v´ alida si esos puntos estan alineados en cuyo caso c = 0 y se reduce al caso lineal.
Dada la subdivisi´ on Ω = ¦x
0
, . . . , x
n
¦ con n par, y los valores correspondientes w
0
, . . . , w
n
se llama funci´ on de interpolaci´ on parab´ olica a trozos de la funci´ on discreta f(x
i
) = w
i
a
un polinomio P
n,2
de grado 2 a trozos cuyas restricciones a los subintervalos [x
i−1
, x
i+1
]
son par´ abolas, como la antes determinada, que pasan por los puntos (x
i−1
, w
i−1
), (x
i
, w
i
),
(x
i+1
, w
i+1
) i = 1, 3, 5, . . . , n −1, es decir
P
n,2
(x) = w
i
+
w
i+1
−w
i−1
2h
(x −x
i
) +
w
i+1
−2w
i
+w
i−1
2h
2
(x −x
i
)
2
x
i−1
≤ x ≤ x
i+1
con i = 1, 3, 5, . . . , n −1.
Si se usa la f´ ormula de Lagrange para determinar el polinomio de segundo grado que
interpola los puntos (x
i−1
, w
i−1
), (x
i
, w
i
), (x
i+1
, w
i+1
) tendremos la siguiente expresi´ on
de P
n,2
P
n,2
(x) =
(x −x
i
)(x −x
i+1
)
2h
2
w
i−1

(x −x
i−1
)(x −x
i+1
)
h
2
w
i
+
(x −x
i−1
)(x −x
i
)
2h
2
w
i+1
(4.13)
con x
i−1
≤ x ≤ x
i+1
con i = 1, 3, 5, . . . , n −1.
Esta expresi´ on se deduce de la ya estudiada, usando la base de Lagrange:
P
n,2
(x) = l
i−1
(x)w
i−1
+l
i
(x)w
i
+l
i+1
(x)w
i+1
(4.14)
donde
l
i−1
(x) =
(x −x
i
)(x −x
i+1
)
(x
i−1
−x
i
)(x
i−1
−x
i+1
)
=
(x −x
i
)(x −x
i+1
)
2h
2
l
i
(x) =
(x −x
i−1
)(x −x
i+1
)
(x
i
−x
i−1
)(x
i
−x
i+1
)
= −
(x −x
i−1
)(x −x
i+1
)
h
2
(4.15)
l
i+1
(x) =
(x −x
i−1
)(x −x
i
)
(x
i+1
−x
i−1
)(x
i+1
−x
i
)
= −
(x −x
i−1
)(x −x
i
)
2h
2
de donde el resultado.
55
4.3.2 Error en la interpolacion parab´ olica a trozos
Si la funci´ on a interpolar f ∈ C
3
([a, b]), del teorema de estimaci´ on del error obtenemos
la desigualdad
[f(x) −P
n,2
(x)[ ≤
[(x −x
i−1
)(x −x
i
)(x −x
i+1
)[
6
M
3
(4.16)
donde
M
3
= sup
a≤x≤b

f
(3)
(x)

(4.17)
Como x
i−1
≤ x ≤ x
i+1
podemos escribir
[f(x) −P
n,2
(x)[ ≤
2h
3
6
M
3
=
(b −a)
3
3n
3
M
3
estimaci´ on muy pesimista f´ acilmente mejorable.
De todo ello se sigue que
lim
n→∞
|f −P
n,2
|

= 0
con un orden 3 de convergencia
5
.
La construcci´ on de un polinomio a trozos interpolante de grado k se hace de un modo
an´ alogo. Si la funci´ on interpolada f pertenece a C
(k+1)
([a, b]), dicho polinomio converge a
f con orden k+1. Podemos alcanzar una alta calidad de aproximaci´ on mientras manten-
emos el grado del polinomio razonablemente bajo. No obstante, no todo es tan positivo,
las aproximaciones as´ı obtenidas son continuas pero tienen en general derivadas discon-
tinuas en los nodos. En algunas aplicaciones ese inconveniente no tiene consecuencias,
pero a menudo es muy deseable obtener aproximaciones de cierta clase. Un modo de
hacerlo es usar polinomios interpolantes de Hermite que cumplan en los subintervalos las
condiciones exigidas respecto a las derivadas.
4.3.3 Interpolaci´ on a trozos de grado 3 usando interpolaci´ on
Hermite.
Construyamos por Hermite un polinonio de tercer grado en cada uno de los subintervalos
[x
i
, x
i+1
], es decir, utilizamos la f´ ormula de Hermite simple para construir en [x
i
, x
i+1
] un
polinomio P
n,3
de grado 3 que ajuste los valores de una funci´ on y de su derivada en cada
uno de los nodos, o sea, tal que:
P
n,3
(x
i
) = f(x
i
), P
n,3
(x
i+1
) = f(x
i+1
)
P

n,3
(x
i
) = f

(x
i
) P

n,3
(x
i+1
) = f

(x
i+1
)
luego
P
n,3
(x) = [1 −2l

i
(x
i
)(x −x
i
)]l
2
i
(x)f(x
i
) + (x −x
i
)l
2
i
(x)f

(x
i
)
+ [1 −2l

i+1
(x
i+1
)(x −x
i+1
)]l
2
i+1
(x)f(x
i+1
)
+ (x −x
i+1
)l
2
i+1
(x)f

(x
i+1
) (4.18)
5
Por ser el error una potencia c´ ubica de h.
56
con
l
i
(x) =
x −x
i+1
x
i
−x
i+1
= −
x −x
i+1
h
⇒ l

i
(x) = −
1
h
(4.19)
l
i+1
(x) =
x −x
i
x
i+1
−x
i
=
x −x
i
h
⇒ l

i
(x) =
1
h
(4.20)
y sustituyendo en 4.18
P
n,3
(x) =
¸
1 +
2
h
(x −x
i
)

x −x
i+1
h

2
f(x
i
)
+ (x −x
i
)

x −x
i+1
h

2
f

(x
i
)
+
¸
1 −
2
h
(x −x
i+1
)

x −x
i
h

2
f(x
i+1
)
+ (x −x
i+1
)

x −x
i
h

2
f

(x
i+1
) (4.21)
Ahora P
n,3
es de clase C
1
([a, b]) y para f ∈ C
(4)
([a, b]), la convergencia es de orden 4.
La interpolaci´ on de Hermite, permite incrementar la suavidad de la funci´ on aproximante,
pero la expresi´ on final a la que llegamos incluye los valores que debe tener la funci´ on f

en los nodos, lo que a menudo no es deseable. Para aproximar f tenemos tabulados los
valores de f pero en general carecemos de informaci´ on sobre f

. Si f es la inc´ ognita a
determinar, la introducci´ on de sus derivadas en el problema incrementa la complejidad
de la b´ usqueda de soluci´ on.
4.4 Interpolaci´ on polinomial a trozos: Splines
Surge de modo natural la siguiente pregunta. ¿Es posible construir aproximaciones poli-
nomiales a trozos de cierta clase simplemente exigiendo que la funci´ on a aproximar tenga
ciertas propiedades de continuidad en los nodos sin necesidad de asignar expl´ıcitamente
en los nodos los valores de las derivadas?
Esas dudas nos llevan a considerar aproximaciones polinomiales a trozos P
n,k
de grado
k y de clase C
p
en [a, b] con p > 0. En general nos interesan aquellas cuya clase es es-
trictamente inferior al grado (p < k) ya que para p = k el polinomio que se obtiene es el
mismo en todos los subintervalos
6
. De particular inter´es es el caso en el que obtenemos
la aproximaci´ on m´ as suave, p = k −1.
Definici´ on 4.4.1 Se llama spline de grado k a todos los polinomios a trozos de grado k
y de clase C
k−1
, o sea, con derivadas continuas hasta el orden k −1.
Aqu´ı estamos interesados en el uso de splines para interpolaci´ on, es decir, splines que
tomen en los nodos valores previamente asignados. Hasta ahora no hemos garantizado
6
Es especialmente importante entender esta afirmaci´on. Por reducci´on al absurdo se obtiene que
todos los tramos son el mismo polinomio.
57
la existencia de esos splines de interpolaci´ on. De hecho, se sabe que hay ciertos tipos de
problemas de splines de interpolaci´ on que carecen de soluci´ on. Nos limitaremos al caso
k = 3 de los splines c´ ubicos por ser el m´ as importante en la pr´ actica. Con ´el exploraremos
sin complicaciones excesivas, las caracter´ısticas fundamentales de la aproximaci´ on con
splines.
Definici´ on 4.4.2 Sean [a, b] un intervalo finito, Ω = ¦x
0
, x
1
, . . . , x
n
¦ una partici´on equi-
espaciada
7
de [a, b] estrictamente creciente a ≤ x
0
< x
1
< . . . < x
n
≤ b y w
i
un conjunto
n + 1 numeros reales.
Se llama spline de interpolaci´on c´ ubica a una funci´on s : [a, b] → IR que posee las sigu-
ientes propiedades:
• s(x
i
) = w
i
i = 0, 1, . . . , n.
• s ∈ C
2
([a, b]).
• La restricci´on s
i
de s a cada subintervalo [x
i
, x
i+1
] es una polinomio de grado 3.
Antes de analizar el problema de la existencia y unicidad de los splines c´ ubicos, comence-
mos con un ejemplo:
Ejemplo 4.4.1
Hallar dos polinomios de tercer grado
s
0
(x) = a
0
+b
0
x +c
0
x
2
+d
0
x
3
s
1
(x) = a
1
+b
1
x +c
1
x
2
+d
1
x
3
tales que
s
0
(a) = w
0
, s
0
(x
1
) = w
1
= s
1
(x
1
), s
1
(b) = w
2
,
s

0
(x
1
) = s

1
(x
1
), s

0
(x
1
) = s

1
(x
1
)
Tenemos 6 condiciones y ocho par´ ametros a determinar. Si existe soluci´ on no es ´ unica.
Para eliminar la ambig¨ uedad, debemos a˜ nadir dos condiciones, por ejemplo las derivadas
en a y b.
La situaci´ on que se da en este ejemplo es semejante a la existente en general con los splines
c´ ubicos; para conseguir que la soluci´ on sea ´ unica, debemos imponer dos condiciones extra.
Estas condiciones adicionales se pueden fijar de modo m´ as o menos arbitrario aunque lo
habitual es pedir que se cumplan ciertas exigencias en los extremos del intervalo.
Teorema 4.4.1 Existe un spline c´ ubico ´ unico S tal que
S(x
i
) = w
i
i = 0, 1, . . . , n
S

(x
0
) = s
0
, S

(x
n
) = s
n
7
El que sea equiespaciada obedece a que permite una mayor simplicidad en los desarrollos, pero no
introduce ning´ un aspecto te´orico nuevo
58
Demostraci´ on:
Consideremos S
i
definido en x
i
≤ x ≤ x
i+1
por:
S
i
(x) =
¸
(x −x
i+1
)
2
h
2
+
2(x −x
i
)(x −x
i+1
)
2
h
3
¸
w
i
+
¸
(x −x
i
)
2
h
2

2(x −x
i+1
)(x −x
i
)
2
h
3
¸
w
i+1
+
(x −x
i
)(x −x
i+1
)
2
h
2
s
i
+
(x −x
i
)
2
(x −x
i+1
)
h
2
s
i+1
(4.22)
construido usando la misma filosof´ıa que para los polinomios a trozos de grado 3 y clase
1, obtenidos mediante la base de Hermite que utilizamos en 4.3.3. De este modo, es
trivial ver que:
S
i
(x
i+1
) = S
i+1
(x
i+1
) = w
i+1
S

i
(x
i+1
) = S

i+1
(x
i+1
) = s
i+1
luego S
i
define una c´ ubica a trozos continua con derivadas continuas que toma los valores
preasignados w
i
en los nodos. Como s
0
y s
n
son datos, s´ olo necesitamos hallar los s
i
,
i = 1, 2, . . . , n−1 tales que S
i
tenga tambi´en derivadas segundas continuas en los nodos.
Diferenciando dos veces la expresi´ on 4.22, tendremos:
S

i
(x
i+1
) =
6
h
2
w
i

6
h
2
w
i+1
+
2
h
s
i
+
4
h
s
i+1
(4.23)
S

i+1
(x
i+1
) = −
6
h
2
w
i+1
+
6
h
2
w
i+2

4
h
s
i+1

2
h
s
i+2
(4.24)
e igualando obtenemos el sistema
s
i
+ 4s
i+1
+s
i+2
=
3
h
(w
i+2
−w
i
) i = 0, 1, . . . , n −2. (4.25)
Podemos escribir este sistema desarrollado:

¸
¸
¸
¸
¸
¸
¸
4 1 0 0 0
1 4 1 0 0
0 1 4 1 0 0

0 1 4
¸

¸
¸
¸
¸
¸
¸
¸
¸
s
1
s
2
s
3
.
.
.
s
n−1
¸

¸
¸
¸
¸
¸
¸
¸
¸
3
h
(w
2
−w
0
) −s
0
3
h
(w
3
−w
1
)
3
h
(w
4
−w
2
)
.
.
.
3
h
(w
n
−w
n−2
) −s
n
¸

(4.26)
Este sistema tridiagonal y diagonalmente dominante de n − 1 ecuaciones con n − 1
inc´ ognitas s
1
,. . . ,s
n−1
tiene soluci´ on ´ unica que define S
i
para todo i, luego el spline
c´ ubico interpolador S de clase C
2
S(x) = S
i
(x) x
i
≤ x ≤ x
i+1
S es ´ unico porque si hubiera dos, su diferencia ser´ıa un spline c´ ubico id´enticamente nulo,
ya que se anula en los nodos x
i
(w
i
= 0) lo que implica que los s
i
tambi´en son nulos, sin
59
m´ as que entrar en el sistema 4.25.
Tambi´en se pueden introducir las dos condiciones extras siguientes
S

(x
0
) = S

(x
n
) = 0
con las que se obtiene el llamado spline natural.
Ejercicio 4.4.1 Demostrar que existe un spline natural c´ ubico ´ unico.
Teorema 4.4.2 Si f ∈ C
(4)
([a, b]), entonces
max
1≤i≤n

sup
x∈[x
i
,x
i+1
]

f
(p)
(x) −S
(p)
(x)

¸

K
p
n
4−p
M
4
0 ≤ p ≤ 3 (4.27)
donde
K
0
=
5
384
, K
1
=

3
216
, K
2
=
5
12
, K
3
= 1 M
4
= |f
(4)
|

.
Se deduce de lo enunciado en este teorema que el spline c´ ubico no s´ olo converge a f, sino
que tambi´en sus derivadas, hasta el orden 3, convergen a las correspondientes derivadas
de f.
Teorema 4.4.3 Sea U el conjunto de todas las funciones ϕ de clase C
2
en [a, b] tales
que
ϕ(x
i
) = w
i
i = 0, 1, . . . , n
y sea S el spline c´ ubico natural que satisface las mismas condiciones de interpolaci´on,
entonces:
x
n
x
0
[S

(x)]
2
dx ≤

x
n
x
0

(x)]
2
dx (∀ϕ ∈ U) (4.28)
Este ´ ultimo teorema asegura que de todas las funciones de interpolaci´ on que satisfacen
ciertas condiciones en los extremos del intervalo, los splines c´ ubicos naturales son los
m´ as suaves en el sentido de que minimizan la norma | |
2
de la segunda derivada.
En t´erminos de energ´ıa potencial (proporcional a (|S

|
2
) los splines c´ ubicos naturales
minimizan dicha energia.
Se pueden obtener los splines resolviendo el sistema tridiagonal (4.25) sustituyendo des-
pu´es los valores de los s
i
en la expresi´ on de S
i
(x), pero por motivos te´ oricos interesa
tener una representaci´ on expl´ıcita del spline similar a la representaci´ on del polinomio de
interpolaci´ on en funci´ on de la base de polinomios de Lagrange.
4.4.1 Bases de splines asociadas a un problema de interpo-
laci´ on.
Vamos a calcular una base de splines c´ ubicos, utilizando la idea de que esta base sea
la dual a las formas lineales que definen un problema de interpolaci´ on en un espacio
vectorial de splines con soluci´ on ´ unica.
60
Sea S
3
(Ω) el espacio vectorial de los splines c´ ubicos correspondientes a la partici´ on Ω.
Sea S

3
(Ω) su dual. Definimos las n + 3 formas lineales:
L
i
(S) = S(x
i
), i = 0, n
L
n+1
(S) = S

(x
0
)
L
n+2
(S) = S

(x
n
)
Como ya hemos visto, estas formas lineales definen un problema de interpolaci´ on de
soluci´ on ´ unica, y son por tanto una base de S

3
(Ω). Podemos tratar de encontrar su base
dual c
i
. Los elementos de esta base son facilmente calculables resolviendo el sistema 4.25,
pues sabemos que:
L
i
(c
j
) = δ
ij
Cualquier spline del que sepamos sus valores en los nodos, y las derivadas en los nodos
extremos, puede ser escrito como combinaci´ on lineal de esa base de modo sencillo:
S(x) =
n
¸
j=0
w
j
c
j
(x) +s
0
c
n+1
(x) +s
n
c
n+2
(x) (4.29)
Hemos construido por tanto una base un poco especial de un espacio vectorial de splines.
Ejercicio 4.4.2 Determinar la base de S

3
(Ω) para el caso n = 2 con x
0
= 0, x
1
= 0.5
x
2
= 1, correspondiente al problema de interpolaci´on anterior.
4.5 Interpolaci´ on spline con bases de soporte m´ınimo:
B-splines
Sea Ω una partici´ on del intervalo [a, b], ¦a = t
0
, t
1
, . . . , t
n−1
, t
n
= b¦. Un polinomio de
interpolaci´ on a trozos de grado k est´ a definido por n polinomios de grado k en cada uno
de los intervalos [t
i
, t
i+1
]. Sea p la clase de este polinomio a trozos. Por tanto, por un
lado el n´ umero de par´ ametros a definir es n (k +1), y el n´ umero de condiciones se refiere
a la continuidad de orden p en los enlaces (p + 1) (n + 1). Por tanto la dimensi´ on de
este espacio vectorial de funciones polin´ omicas a trozos de clase p y grado k es:
n (k + 1) −(p + 1) (n −1)
Si lo que tenemos es un spline de grado k, entonces su clase es p = k −1. Por tanto, la
dimensi´ on de ese espacio de splines est´ a dada por:
n (k + 1) −(k −1 + 1) (n −1) = n +k
Bases de este espacio hay muchas. Hemos estudiado en 4.4.1 c´ omo construirlas asociadas
a problemas de interpolaci´ on con soluci´ on ´ unica. Una vez que tenemos escrito nuestro
polinomio de interpolaci´ on como combinaci´ on lineal de una base y queremos evaluarlo
en un punto cualquiera, nos planteamos una serie de posibles mejoras:
P
n,k
(t) =
n+k−1
¸
i=0
a
i
e
i
(t) (4.30)
61
Ser´ıa conveniente que los e
i
(t) fuesen sencillos de evaluar (en el sentido de que su image
fuese nula en el mayor n´ umero posible de valores de t). Ser´ıa bueno tambi´en que si se
conocen ciertos valores de la funci´ on a interpolar, los ¦f
i
¦, la relaci´ on entre los coeficientes
a
i
y estos valores fuese mediante expresiones lo m´ as sencillas posibles. Una respuesta a
esto ´ ultimo son las bases (duales de las formas lineales que definen el problema de inter-
polaci´ on) las cuales permiten escribir el polinomio soluci´ on habitualmente del siguiente
modo:
P
n,k
(t) =
n
¸
i=0
f
i
e
i
(t) +
n+k−1
¸
i=n+1
a
i
e
i
(t) (4.31)
donde los coeficientes a
i
i = n + 1, . . . , n + k − 1, depender´ an del tipo de condiciones
adicionales elegidas, que se pueden referir a ciertos valores de la derivada, o de la segunda
derivada, etc.
Pero este tipo de planteamiento, que es fenomenal para calcular los coeficientes a
i
, tiene el
inconveniente de que las funciones de base cardinales e
i
(t) tienen un soporte
8
muy grande.
Ello obliga a que, independientemente del punto t donde queramos evaluar P
n,k
(t), haya
que extender los sumatorios desde i = 0 hasta i = n+k −1, con el consiguiente consumo
de recursos, como podemos observar en la figura 4.1.
Lo ideal ser´ıa que las funciones e
i
(t), siendo splines de grado k, tengan soporte m´ınimo,
e
t t t
t
t t
3
1 0 4
5
6 2 t
(t)
3
Figura 4.1: Dual de L
3
tal que L
3
(S) = S(t
3
).
o sea, que sean nulas en el mayor n´ umero posible de tramos [t
i
, t
i+1
] (ver figura 4.2).
A estos splines de soporte m´ınimo se les llama B-splines. Elegidos de modo adecuado,
e
t t t t t
t
3
1 0 4 5 6
2 t
(t)
3
Figura 4.2: Spline con soporte peque˜ no.
forman una base del espacio vectorial de los splines de grado k definidos sobre la partici´ on
¦a = t
0
, t
1
, t
2
, . . . , t
n−1
, t
n
= b¦.
8
El soporte de una funci´on son aquellos elementos de su dominio de imagen no nula.
62
Definici´ on 4.5.1 Orden r de un B-spline es el n´ umero de tramos en los que el B-spline
es no nulo.
e
t t t t t
t
3
1 0 4 5 6
2 t
(t)
3
Figura 4.3: Spline que no puede ser spline.
Calculemos el orden
9
r de un B-spline en funci´ on de su grado k. Si el spline es no nulo
en r tramos, en principio hay r + k par´ ametros libres (como si la partici´ on en la que
estuviese definido fuese ¦t
0
, t
1
, t
2
, . . . , t
n−1
, t
n
¦). Por continuidad hasta el orden p = k −1
del spline en los dos extremos donde se hace nulo, tenemos 2 k condiciones m´ as, con lo
que el n´ umero de par´ ametros se reduce de r + k a r − k. Si r −k = 0, el B-spline ser´ıa
nulo
10
, por tanto el m´ınimo r con sentido
11
es r = k + 1.
Definici´ on 4.5.2 Dado el conjunto de nodos
t
−r+1
< < t
−1
< a = t
0
< t
1
< t
2
< < t
n−1
< t
n
= b
Un B-spline de orden r = k + 1, asociado a los mismos es una funci´on polin´omica a
trozos de grado k, de clase k −1 en [a, b] y de soporte m´ınimo.
Construiremos una base de este espacio vectorial de polinomios, siguiendo las siguientes
convenciones
12
:
t ∈ [t
i
, t
i+r
) ⇒ B
k
i
(t) ≥ 0
t / ∈ [t
i
, t
i+r
) ⇒ B
k
i
(t) = 0
9
Cuando hablamos de un B-spline manejamos siempre tres ideas. Dos de ellas proceden del hecho de
que sea un spline:
grado grado k de cada uno de los tramos polinomiales que forman el spline.
clase si es un spline de grado k, su clase p es k- 1.
orden n´ umero r de tramos en los cuales el spline es no nulo.
10
Por ejemplo, si lo que tenemos es un spline parab´olico, no podemos conseguir con s´olo dos tramos
que sea distinto de cero, y luego vuelva a ser cero con continuidad en la funci´on y en su derivada. Me
explico. En el primer tramo, tenemos una par´abola, que viene definida por tres coeficientes a, b, y c.
El primer punto de esa par´abola vale cero y tiene derivada nula. Si adem´as queremos que la imagen
del ´ ultimo tramo sea distinta de cero y valga no se cuanto, ya tendremos completamente definida la
par´abola, y por tanto su derivada en ese punto valdr´a lo que valga. Una vez fijado el valor de la funci´on
en ese punto de enganche, a su vez el segundo tramo, tendr´a en su punto final derivada nula y valo nulo,
con lo que s´olo quedar´a un par´ametro libre: el valor de la funci´on en el enganche. Si adem´as queremos
que haya continuidad en la derivada, que ya viene fija por el otro tramo, creo que es demasiado pedirle a
una par´abola; no os parece?. Parece por la figura 4.3 que lo hemos conseguido, pero fijaos bien en cada
uno de los tramos. desde cuando una par´abola tiene un punto de inflexi´on?.
11
Por tanto el orden r de un spline parab´olico -k = 2- es r = k + 1 = 3
12
Esta forma de construcci´on de una base de B-splines del grado que sea no es la ´ unica posible. Sin
embargo, las expresiones que damos son de muy com´ un uso, y permiten abordar de modo sencillo los
problemas de interpolaci´on spline con este tipo de funciones de base.
63
4.5.1 B-splines de grado 0. k = 0, r = 1
B
t
[ [
a=t
t t=b
t
i
0
1
1
0
n-1 n
i t
(t)
i+1
Figura 4.4: B-spline de grado 0.
B
0
i
(t) =

0, t / ∈ [t
i
, t
i+1
)
1 t ∈ [t
i
, t
i+1
)
(4.32)
4.5.2 B-splines de grado 1. k = 1, r = 2
El soporte de cada elemento de la familia es de dos tramos. La base estar´ a formada por
n+k = n+1 splines. A˜ nadimos un punto antes
13
, para completar los nodos en los cuales
se van a apoyar los splines que formar´ an nuestra base
14
B
B B
t t
t t
t
i
-1 n-1
1
1 1
-1
1
0
n-1 n
i t t
(t)
(t) (t)
i+1 i+2
t
1
1 1
Figura 4.5: B-spline de grado 1.
B
1
i
(t) =

0, t / ∈ [t
i
, t
i+2
)
t−t
i
t
i+1
−t
i
, t ∈ [t
i
, t
i+1
)
t
i+2
−t
t
i+2
−t
i+1
, t ∈ [t
i+1
, t
i+2
)
(4.33)
4.5.3 B-splines de grado k. r = k + 1
Disponemos de una formulaci´ on recurrente que nos permite obtener la expresi´ on de una
base de B-splines de grado k en funci´ on de la correspondiente a k −1.
B
k
i
(t) =

t −t
i
t
i+k
−t
i

B
k−1
i
(t) +

t
i+k+1
−t
t
i+k+1
−t
i+1

B
k−1
i+1
(t) (4.34)
13
El valor t
−1
correspondiente a ese nodo adicional es arbitrario.
14
Los B-splines de grado cero coinciden en cierta medida con una base de splines cardinales. Si os
fij´ais B
0
i
(t
j
) = δ
i
j
y B
1
i
(t
j
) = δ
i+1
j
. Para grados m´as altos, esto no pasa, como luego veremos.
64
4.5.4 B-splines de grado 2 en una partici´ on equiespaciada. k =
2, r = 3
Usando esa f´ ormula recurrente, y teniendo en cuenta que la partici´ on consta de nodos
equiespaciados entre si -[h = t
i+1
−t
i
]-, podemos obtener f´ acilmente la expresi´ on corres-
pondiente a un elemento de un sistema de B-splines de este tipo.
B
2
i
(t) =

0, t / ∈ [t
i
, t
i+3
)
1
2h
2
(t −t
i
)
2
, t ∈ [t
i
, t
i+1
)
1
2h
2
[h
2
+ 2h(t −t
i+1
) −2(t −t
i+1
)
2
], t ∈ [t
i+1
, t
i+2
)
1
2h
2
(t
i+3
−t)
2
, t ∈ [t
i+2
, t
i+3
)
(4.35)
B
t
t
i
2
1/2
3/4
i+4
i
t
t t
(t)
i+1
i+2 i+3
t
i-1
Figura 4.6: B-spline de grado 2.
4.5.5 B-splines de grado 3 en una partici´ on equiespaciada. k =
3, r = 4
Se puede usar otra vez la f´ ormula recurrente para obtener la expresi´ on anal´ıtica de cada
uno de los cuatro tramos del B-spline c´ ubico gen´erico, pero nos limitaremos a dar en la
figura 4.7 sus valores en los nodos. En cada caso cada uno de estos tramos se obtiene
f´ acilmente.
t t t t t t
t
i
3
B
i i+1 i+2 i+3 i+4 i+5
i-1
1/6
1/6
2/3
Figura 4.7: B-spline de grado 3.
65
4.5.6 Partici´ on de la unidad
Para construir una base de B-splines c´ ubicos, se har´ıa de modo similar. Se puede de-
mostrar que este sistema de splines cumple una propiedad muy importante: son una
partici´ on de la unidad. 0 sea,:
n−1
¸
i=−r+1
B
k
i
(t) = 1 (4.36)
4.5.7 Interpolaci´ on con B-splines
Un problema t´ıpico de interpolaci´ on de Lagrange, nos conduce a plantear el siguiente
sistema de ecuaciones.
j−1
¸
i=j−r+1
a
i
B
k
i
(t
j
) = f
i
, j = 0, . . . , n (4.37)
Se tienen (n + k) inc´ ognitas, los a
i
; y (n + 1) ecuaciones. Si k = 1, el sistema es
determinado, y la soluci´ on es ´ unica. Si k > 1 hay que imponer condiciones adicionales,
sobre la funci´ on o sus derivadas hasta el orden que convenga en cada problema.
Ejercicio 4.5.1
Dada la siguiente tabla de valores
15
:
x
0
x
1
x
2
x
3
x
4
x
4
f
0
f
1
f
2
f
3
f
4
f

4
se pide encontrar los coeficientes a
i
que permiten escribir de modo ´ unico el spline pa-
rab´ olico de interpolaci´ on de esa tabla como combinaci´ on lineal de la base de B-splines
estudiada en el curso.
Soluci´ on:
a
−2
= 2(f
0
−f
1
+f
2
−f
3
) +f
4

h
2
f

4
a
−1
= 2(f
1
−f
2
+f
3
) −f
4
+
h
2
f

4
a
0
= 2(f
2
−f
3
) +f
4

h
2
f

4
a
1
= 2f
3
−f
4
+
h
2
f

4
a
2
= f
4

h
2
f

4
a
3
= f
4
+
h
2
f

4
4.6 Interpolaci´ on en varias variables.
La generalizaci´ on a varias variables se puede hacer de modo natural teniendo en cuenta la
teor´ıa general. Por ejemplo, el espacio E donde se busca la soluci´ on al problema puede ser
un espacio de polinomios en varias variables, y se le imponen determinadas condiciones
a un polinomio que pueden dar lugar o no a una soluci´ on ´ unica.
15
Propuesto por J. L´azaro Redondo.
66
4.6.1 Interpolaci´ on en recintos rectangulares
Podemos hacer un an´ alisis interesante en dos variables planteando el problema de in-
terpolaci´ on de Lagrange en una malla rectangular en cuyos nodos se sabe el valor de la
funci´ on a interpolar f: Sea
G = ¦(x, y) ∈ IR
2
[a ≤ x ≤ b, c ≤ y ≤ d¦
y sean dos familias de nodos
a = x
0
< x
1
< < x
m
= b, c = y
0
< y
1
< < y
n
= d
Esto define (m+1)(n+1) nodos (x
i
, y
j
) que est´ an dentro del recinto rectangular. Entonces
el problema de interpolaci´ on de Lagrange consiste en buscar un polinomio en dos variables
P ∈ P
mn
tal que:
P(x
i
, y
j
) = f(x
i
, y
j
), 0 ≤ i ≤ m, 0 ≤ j ≤ n
Se puede demostrar bastante f´ acilmente que este problema tiene soluci´ on y esa soluci´ on
es ´ unica, y adem´ as se escribe en funci´ on de la base de Lagrange para cada una de las
variables y su familia de nodos correspondiente.
P(x, y) =
¸
0≤i≤m,0≤j≤n
f(x
i
, y
j
)l
i
(x)l
j
(y) (4.38)
Cuando el recinto no es rectangular o las condiciones son m´ as complicadas, el tratamiento
de cada problema es diferente.
4.7 Referencias recomendadas para este tema.
El libro de H¨ ammerlin et al.[7] cubre bien la parte de splines y el texto de Kincaid[8]
hace una aproximaci´ on cl´ asica al problema de interpolaci´ on.
67
Cap´ıtulo 5
Aproximaci´ on de funciones.
5.1 Introducci´ on
Nuestro objetivo fundamental ser´ a investigar la aproximaci´ on de funciones, elementos de
espacios funcionales de dimensi´ on infinita (fundamentalmente C([a, b])) mediante fun-
ciones m´ as simples, que var´ıan en general en espacios de dimensi´ on finita.
Para el analista num´erico las funciones de aproximaci´ on deben poseer ciertas propiedades.
• Dada una funci´ on, debe ser posible aumentar arbitrariamente la bondad de las apro-
ximaciones, incrementando adecuadamente la dimensi´ on del espacio de las funciones
de aproximaci´ on.
• Las funciones de aproximaci´ on deben ser simples en el sentido de que puedan ser
manipuladas (integradas, diferenciadas, etc.) con facilidad.
• Debe existir un cuerpo de teor´ıa bien desarrollado que permita el an´ alisis de los
algoritmos num´ericos que resulten de su uso.
El teorema cl´ asico de aproximaci´ on de Weierstrass establece la utilidad y potencia de
los polinomios como herramienta para la aproximaci´ on de funciones continuas, y los
convierte en una elecci´ on ideal de funciones de aproximaci´ on. Sus diferentes extensiones
(polinomios a trozos, splines...), enriquecen las familias de funciones que se usan en
aproximaci´ on. Pero hay otras familias que cumplen satisfactoriamente las tres exigencias
anteriores, por ejemplo, las funciones trigonom´etricas.
5.2 El problema general de aproximaci´ on.
Se formula el problema general de aproximaci´ on en espacios vectoriales normados ya que
la m´etrica asociada a la norma permite medir la calidad de la aproximaci´ on. Como ya
hemos comentado, el espacio de base es C([a, b]) al que se le suministrar´ an diferentes
normas. La norma | |

de la convergencia uniforme o de Chebyshev, las normas | |
p
p ≥ 1 de las que | |
2
es de espacio prehilbertiano (espacio vectorial con un producto
escalar definido positivo) y otras normas asociadas a distintos productos escalares con
”peso”
w : (a, b) → R, w(x) > 0 para x ∈ (a, b)
con
0 <

b
a
w(x)dx < ∞
definidos por
< f, g >=

b
a
w(x)f(x)g(x)dx
y cuya norma asociada es
|f| =

b
a
w(x)f
2
(x)dx
Las normas estrictas ser´ an importantes. Recordemos que estas normas poseen la propie-
dad siguiente:
Si f, g ∈ (V, | |) f = 0, g = 0 cumplen que
|f +g| = |f| +|g|
entonces existe λ ∈ K(= Ro C) con g = λf.
Se comprueba que λ es siempre real y positivo y se verifican adem´ as las siguientes
propiedades:
• (C([a, b]), | |) no est´ a estrictamente normado f(x) = 1 y g(x) = x (∀x ∈ [a, b])
satisfacen
|f +g| = 1 +b = |f| +|g|
y son linealmente independientes.
• | |
2
es una norma estricta en I C
n
.
• (R
3
, | |

) no est´ a estrictamente normado x = (1, 0, 0), y = (1, 1, 0) linealmente
independientes, cumplen
|x|

= 1, |y|

= 1 y |x +y|

= 2
• (C([a, b]), | |
1
) tampoco est´ a estrictamente normado. Con las mismas f y g de
antes
|1 +x|
1
=

1
0
(1 +x)dx =
3
2
= |1|
1
+|x|
1
=

1
0
dx +

1
0
xdx = 1 +
1
2
Teorema 5.2.1 Toda norma asociada a un producto escalar es estricta ya que en la
desigualdad de Schwarz, < f, g >≤ |f||g| se produce la igualdad cuando f y g son
linealmente dependientes e igual sucede con la desigualdad triangular.
69
5.3 Mejor aproximaci´ on
Sea (V, | |) un espacio vectorial normado, T una parte arbitraria de V y v un elemento
de V que se desea aproximar mediante elementos de T. Parece razonable decir que u ∈ T
es una buena aproximaci´ on de v si la distancia |v −u| es peque˜ na.
Definici´ on 5.3.1 Un elemento ˆ u ∈ T es una mejor aproximaci´on (m.a.) de v si
|v − ˆ u| ≤ |v −u| (∀u ∈ T)
Ejemplo 5.3.1
Supongamos V = R
2
, | | = | |
2
y sea T = ¦x ∈ V : |x| ≤ 1¦. Para todo y ∈ R
2
−T
existe un solo ˆ x ∈ T tal que
|y − ˆ x|
2
≤ |y −x|
2
(∀x ∈ T).
Ejemplo 5.3.2
Si T es una bola abierta de centro (0, 0) y radio unidad, no existe ning´ un ˆ x ∈ T tal que
para todo x de T, |y − ˆ x|
2
≤ |y −x|
2
.
Ejemplo 5.3.3
Sean (V, | |) = (C([0, 1]), | |

) y T = ¦u ∈ V ; u(x) = exp(βx), β > 0¦. Sea v la
funci´ on constante v(x) =
1
2
. Hallar una m.a. ˆ u ∈ T de v equivale a hallar
ˆ
β > 0 tal que:
|v − ˆ u|

=
max
x ∈ [0, 1]

1
2
−exp(
ˆ
βx)

sea m´ınimo para todo u ∈ T, pero
|v −u|

=
max
x ∈ [0, 1]

1
2
−exp(βx)

= exp(β) −
1
2
para un β fijo esa diferencia es mayor cuando x = 1 y el m´ınimo de exp(β) −
1
2
para
β > 0 no existe (si β ≥ 0 el m´ınimo se alcanzar´ıa para β = 0) luego al igual que en
el ejemplo 5.3.2 no existen mejores aproximaciones. La diferencia entre los ejemplos
anteriores radica en si T posee o no la propiedad de compacidad.
Definici´ on 5.3.2 Se define la distancia de v a T o separaraci´on m´ınima de v y T, que
denotaremos como es habitual d(v, T), como
d(v, T) =
inf
u ∈ T
|v −u|
Este n´ umero que siempre existe ya que el conjunto ¦|v −u|, u ∈ T¦ est´ a minorado por
cero.
Definici´ on 5.3.3 Un elemento ˆ u ∈ T es la mejor aproximaci´on de v en T si
|v − ˆ u| ≤ d(v, T)
En el ejemplo 5.3.2 , d(y, T) = |y| − 1 aunque no haya ˆ x ∈ T donde se alcance esa
distancia. En el ejemplo 5.3.3, d(v, T) =
1
2
.
70
5.4 Existencia y unicidad de una mejor aproximaci´ on
La posible existencia de una m. a. as´ı como su eventual unicidad dependen de las
propiedades que posea T. Como veremos, la compacidad y la convexidad estricta, son
propiedades clave para el an´ alisis de esos problemas.
5.4.1 Sucesi´ on minimizante en T
Una sucesi´ on de elementos ¦u
n
¦
n∈IN
de elementos de T ⊆ V se dice que es minimizante
para v ∈ V si
lim
n→∞
|v −u
n
| = d(v, T)
Por la forma de definir la distancia d(v, T) siempre va a existir una sucesi´ on minimizante,
pero la convergencia de |v −u
n
| a d(v, T) no exige en conjuntos T arbitrarios que ¦u
n
¦
converja a un elemento de T ni aun siquiera a uno de V , pero en un compacto T, toda
sucesi´ on ¦u
n
¦ y en particular toda sucesi´ on convergente a un valor de adherencia u

de
¦u
n
¦ que est´ a en T, luego u

es una m.a. de v en T.
Teorema 5.4.1 Si T es compacto en v, siempre existe una m.a. de v en T.
Ejemplo 5.4.1
Consideremos ahora
ˆ
T = T −T

con
T

= ¦x ∈ T : x
1
> 0; x
2
> 0¦
(0, 1) y (1, 0) son mejores aproximaciones en
ˆ
T de (1, 1) ∈ R
2
.
En los distintos ejemplos hemos vistos casos con dos soluciones, soluci´ on ´ unica y sin
soluci´ on. El an´ alisis de la unicidad de la m. a. exige considerar las propiedades de
convexidad estricta de T. Recordemos que T es convexo si dados dos puntos u
1
y u
2
cualesquiera de T, todos los puntos del segmento que los une [u
1
, u
2
] = ¦λu
1
+ (1 −
λ)u
2
; 0 ≤ λ < 1¦ est´ an en T. T es adem´ as estrictamente convexo, si todos los elementos
de [u
1
, u
2
] son puntos interiores a T (no hay segmentos [u
1
, u
2
] contenidos en la frontera
de T).
Teorema 5.4.2 Si T es compacto y estrictamente convexo en V , para todo v ∈ V existe
un ´ unico ˆ u ∈ T mejor aproximaci´on de v en T.
5.5 Aproximaci´ on lineal
El caso m´ as importante y ´ unico que vamos a considerar a partir de ahora es cuando
T = U subespacio vectorial de V de dimensi´ on finita envoltura lineal de la familia libre
¦u
1
, . . . , u
n
¦.
El problema de hallar una m.a. de v ∈ V en U, se reduce a hallar
ˆ u =
n
¸
i=1
α
i
u
i
71
tal que
d(α
1
, . . . , α
n
) = d(v, ˆ u) =

v −
n
¸
i=1
α
i
u
i

sea m´ınima para todo (α
1
, . . . , α
n
) ∈ R
n
.
El concepto de acotaci´ on (mucho m´ as simple que los conceptos de compacidad y convex-
idad estricta antes usados) es aqu´ı suficiente para analizar las sucesiones minimizantes
en U.
Lema 5.5.1 Toda sucesi´on minimizante en U est´a acotada
Teorema 5.5.1 Existencia de una m.a. en la aproximacion lineal.
Si U es un subespacio de V de dimensi´on finita, para cada elemento v ∈ V existe al
menos una mejor aproximaci´on ˆ u ∈ U.
Consecuencia del lema anterior y de que U es cerrado, luego ¦u
n
¦ tiene al menos un valor
de adherencia que est´ a en U.
Teorema 5.5.2 Unicidad de la m.a. en subespacios de dimension finita.
Si V est´a estrictamente normado, la mejor aproximaci´on de v ∈ V desde un subespacio
arbitrario de dimensi´on finita es ´ unica.
Corolario 5.5.1 En un e.v.n. cualquiera podemos asegurar en general que la m.a. de
v ∈ V en U o bien es ´ unica o bien existen infinitas.
A pesar de su importancia, (C([a, b]), | |

) no est´ a estrictamente normado por lo que no
podremos establecer conclusiones de unicidad basadas exclusivamente en las propiedades
de las normas. Sin embargo, existen subespacios vectoriales de dimensi´ on finita de
(C([a, b]), | |

) para los que la mejor aproximaci´ on es ´ unica.
Corolario 5.5.2 En un espacio prehilbertiano V , el problema de la determinaci´on de
una mejor aproximaci´on ˆ u ∈ U de v ∈ V tiene soluci´on ´ unica.
Este corolario se deduce de 5.5.2 y del teorema 5.2.1. Por otro lado, se puede demostrar
que I C
n
con la | |
p
est´ a estrictamente normado, as´ı como L
p
([a, b]) y C([a, b]) para | |
p
con 1 < p < ∞ (excluimos los casos p = 1 y p = 2).
5.6 Aproximaci´ on en espacios prehilbertianos.
5.6.1 General.
Adem´ as de las aproximaciones en la norma del m´ aximo que consideraremos m´ as ade-
lante, en las que el objetivo es conseguir que la m´ axima desviaci´ on entre la funci´ on y su
aproximaci´ on sea lo m´ as peque˜ na posible, es importante considerar las aproximaciones
en la norma | |
2
en las que el error global es importante y conllevan un proceso de
suavizado (reducci´ on del efecto de errores aleatorios, aspecto m´ as suave de la funci´ on
entre nodos, etc.)
72
5.6.2 Caracterizacion de la mejor aproximaci´ on.
Sea V un espacio vectorial provisto de un producto escalar <, > y de su norma | . |
asociada y sea U un subespacio vectorial de dimensi´ onfinita de V .
Seg´ un hemos establecido antes, en un espacio prehilbertiano V , el problema de la deter-
minaci´ on de una mejor aproximaci´ on ˆ u ∈ U de v ∈ V tiene soluci´ on ´ unica.
Teorema 5.6.1 Teorema de Caracterizaci´on.
La mejor aproximaci´on
ˆ
f de f ∈ V en U se caracteriza por < f −
ˆ
f, g >= 0 para todo
g ∈ U (f −
ˆ
f ∈ U

).
Si < f −
ˆ
f, g >= 0 para todo g ∈ U, descompongamos g en la forma
g =
ˆ
f +g

(g

= g −
ˆ
f)
como
|(f −
ˆ
f) −g

|
2
= '(f −
ˆ
f) −g

, (f −
ˆ
f) −g

`
y
'(f −
ˆ
f), g

` = 0
por hip´ otesis, entonces
|f −g|
2
= |(f −
ˆ
f) −g

|
2
= |f −
ˆ
f|
2
+|g

|
2
luego
|f −
ˆ
f|
2
≤ |f −g|
2
(∀g ∈ U)
La unicidad es consecuencia de la propiedad estricta de la norma.
Supongamos que U = L(g
1
, . . . , g
n
) y
ˆ
f =
¸
n
j=1
ˆ c
j
g
j
. Falta comprobar que esas condi-
ciones de ortogonalidad permiten calcular f. En efecto, ˆ c = (ˆ c
1
, . . . , ˆ c
n
) debe ser soluci´ on
del sistema de ecuaciones ecuaciones normales:
<
ˆ
f −f, g
k
>=<
n
¸
j=1
ˆ c
j
g
j
−f, g
k
>= 0 k = 1, . . . , n
que se pueden escribir en la forma
n
¸
j=1
ˆ c
j
< g
j
, g
k
>=< f, g
k
>
La soluci´ on de las ecuaciones normales es siempre ´ unica ya que la independencia lineal
de los vectores g
1
, . . . , g
n
implica que la matriz de Gram asociada es regular.
73
f
$
$ f c g
j j
= × å
c g
j j
× å
U
f
$
$ f c g
j j
= × å
c g
j j
× å
U
Figura 5.1: Proyecci´ on ortogonal
Comentarios
• La soluci´ on ´ unica del problema de aproximaci´ on planteado es la proyecci´ on ortog-
onal de f sobre U (completo por ser de dimensi´ on finita).
• En (L
2
([0, 1]), | |
2
). Para g
j
= x
j−1
< g
i
, g
j
>=
1
i +j −1
y la matriz asociada a las ecuaciones normales es la archifamosa mal condicionada
matriz de Hilbert. Para n > 5 ´ o 6, el tratamiento del problema mediante las
ecuaciones normales es desde el punto de vista computacional intratable.
Un caso especialmente favorable se produce cuando esa base ortoqonal. Las ecuaciones
normales se reducen entonces a
ˆ c
k
< g
k
, g
k
>=< f, g
k
>
por lo que
ˆ c
k
=
< f, g
k
>
< g
k
, g
k
>
k = 1, . . . , n
Utilizando el metodo de Gram-Schmidt siempre podemos construir una base ¦g
1
, . . . , g
n
¦
de U ortonormada. En este caso la soluci´ on de las ecuaciones normales es simplemente
ˆ c
k
=< f, g
k
> k = 1, . . . , n
Como ˆ c
k
no depende de los valores anteriores ˆ c
l
(l < k) nos planteamos el problema de
aproximaci´ on dejando la dimension de U indeterminada, dimensi´ on que lueqo fijamos en
base a la exactitud deseada.
Corolario 5.6.1 El error |
ˆ
f −f| satisface la relaci´on
|
ˆ
f −f|
2
= |f|
2
−|
ˆ
f|
2
74
En efecto, |f|
2
= |(f −
ˆ
h) +
ˆ
h|
2
concluye recordando que
< f −
ˆ
f,
ˆ
f >= 0
Ese error |
ˆ
f −f| se puede calcular f´ acilmente usando el corolario y la igualdad
|
ˆ
f|
2
=<
ˆ
f −f +f,
ˆ
f >=<
ˆ
f −f,
ˆ
f > + < f,
ˆ
f >
de modo que (f −
ˆ
f es ortogonal a f ∈ U)
|
ˆ
f −f|
2
= |f|
2
−|
ˆ
f|
2
= |f|
2
− < f,
`
f >
luego
|
ˆ
f −f| =

|f|
2

n
¸
i=1
ˆ c
j
< f, g
j
>
1
2
5.6.3 Error cuadr´atico medio
(C([a, b]), | |
2
) es un espacio prehilbertiano. Se suele aqu´ı promediar el error |
ˆ
f −f|
2
2
sobre todo el intervalo. La cantidad resultante
µ =
|
ˆ
f −f|
2

b −a
se llama el error cuadr´ atico medio. La f´ ormula de la desviaci´ on
|
ˆ
f −f| =

|f|
2

n
¸
i=1
ˆ c
j
< f, g
j
>
1
2
implica la desigualdad
0 ≤

|f|
2

n
¸
i=1
ˆ c
j
< f, g
j
>
1
2
Si ¦g
1
, . . . , g
n
¦ es una base ortonormada de U, ˆ c
k
=< f, g
k
>, k = 1, . . . , n luego:
0 ≤ |f|
2

n
¸
i=1
ˆ c
2
j
y
n
¸
i=1
ˆ c
2
j
≤ |f|
2
desigualdad v´ alida tambi´en para sistemas ortonormados infinito numerables. En este
caso se llama desigualdad de Bessel.

¸
i=1
ˆ c
2
j
≤ |f|
2
75
5.6.4 Polinomios ortogonales
Polinomios de Legendre
En C([−1, 1]) definimos el producto escalar habitual
< f, g >=

1
−1
f(x)g(x)dx
(relativo a la funci´ on peso w(x) = 1 en [−1, 1]).
La familia de polinomios que se obtienen cuando aplicamos el m´etodo de ortonormal-
izaci´ on de Gram-Schmidt a la familia libre
g
j
(x) = x
j−1
(j = 1, 2, . . . , n)
se denominan polinomios de Legendre.
Buscamos un sistema ¦L
j
¦ de polinomios con L
j
∈ P
j
que satisfacen las condiciones
< L
i
, L
j
>= δ
ij
para i, j = 1, 2, . . . , n.
No entraremos aqu´ı en el proceso de la determinaci´ on de los polinomios de Legendre
L
n
, pero incluiremos la f´ ormula de Rodrigues que nos da los polinomios de Legendre
normalizados
L
n
(t) =
1
2
n
n!

2n + 1
2
d
n
(t
2
−1)
n
dt
n
Por ejemplo,
L
0
(t) =
1

2
, L
1
(t) =

3
2
t
L
2
(t) =
1
2

5
2
(3t
2
−1), L
3
(t) =
1
2

7
2
(5t
3
−3t),
etc. Si consideramos el problema de hallar el polinomio ˆ p en P
n−1
que mejor aproxime
al monomio x
n
en [−1, 1] respecto a la norma | |
2
andamos buscando el polinomio
ˆ p = ˆ c
1
g
1
+ + ˆ c
n
g
n
cuyos coeficientes ˆ c
i
son soluci´ on de las ecuaciones normales
< f −(ˆ c
1
g
1
+ + ˆ c
n
g
n
), g
k
>= 0, 1 ≤ k ≤ n
La ´ unica soluci´ on de este sistema es el polinomio de Legendre con m´ aximo coeficiente 1.
ˆ
L
n
= f −(ˆ c
1
g
1
+ + ˆ c
n
g
n
)
y por tanto, ˆ p = f −
ˆ
L
n
. Dos comentarios interesantes sobre estos polinomios:
• El polinomio
ˆ
L
n
tiene norma m´ınima en el sentido que
|
ˆ
L
n
|
2
≤ |p|
2
para todos los polinomios p de ε
n
donde
ε
n
= ¦p ∈ P
n
: p(x) = x
n
+a
n−1
x
n−1
+ +a
0
¦
• Los polinomios de Legendre con coeficiente m´ aximo 1. son la mejor aproximaci´ on
de la funci´ on nula en [−1, 1] respecto a la norma | |
2
.
76
Los polinomios de Chebychev revisados
En C([−1, 1]) definimos el producto escalar
< f, g >=

1
−1
f(x)g(x)

1 −x
2
dx (5.1)
(relativo a la funci´ on peso
w(x) =
1

1 −x
2
en [−1, 1]).
Los polinomios de Chebychev se definen en [−1, 1] por
T
n
(x) = cos(narccos x)
son ortogonales respecto a ese producto escalar5.1, m´ as precisamente,
< T
i
, T
j
>=

0 si i = j
π
2
si i = j = 0
π si i = j = 0
En efecto, pongamos x = cos ϕ
< T
i
, T
j
>=

1
−1
T
i
(x)T
j
(x)

1 −x
2
dx =

π
0
cos iϕcos jϕdϕ = 0
si i = j y
< T
i
, T
j
>=

1
−1
T
i
(x)T
j
(x)

1 −x
2
dx =

π
0
cos
2
iϕdϕ =

π si i = 0
π
2
si i = 0
si i = j, luego |T
0
|
2
= π y |T
i
|
2
=
π
2
si i = 0. Obtenemos una familia ortonormal
completa relativa al producto escalar de peso
1

1−x
2
poniendo:

T
0
|T
0
|
,
T
i
|T
i
|
¸
es decir,

1

π
T
0
,

π
2
T
i
¸
forma un sistema ortonormado completo en [−1, 1] respecto a la funci´ on peso
1

1−x
2
. Los
polinomios de Chebychev se definen recursivamente como:
T
0
(x) = 1
T
1
(x) = x
T
n+1
(x) = 2xT
n
(x) −T
n−1
(x) para n ≥ 1
77
Las formas expl´ıcitas para los primeros T
n
son las siguientes:
T
2
(x) = 2x
2
−1
T
3
(x) = 4x
3
−3x
T
4
(x) = 8x
4
−8x
2
+ 1
T
5
(x) = 16x
5
−20x
3
+ 5x
T
6
(x) = 32x
6
−48x
4
+ 18x
2
−1
y la expresi´ on de los monomios de menor grado en funci´ on de la base de Chebychev es
la siguiente.
1 = T
0
x = T
1
x
2
=
1
2
(T
0
+T
2
)
x
3
=
1
4
(3T
1
+T
3
)
x
4
=
1
8
(3T
0
+ 4T
2
+T
4
)
x
5
=
1
16
(10T
1
+ 5T
3
+T
5
)
x
6
=
1
32
(10T
0
+ 15T
2
+ 6T
4
+T
6
)
x
7
=
1
64
(35T
1
+ 21T
3
+ 7T
5
+T
7
)
x
8
=
1
128
(35T
0
+ 56T
2
+ 28T
4
+ 8T
6
+T
8
)
x
9
=
1
256
(126T
1
+ 84T
3
+ 36T
5
+ 9T
7
+T
9
)
• Insistamos en que toda funci´ on f ∈ C([−1, 1]) admite un desarrollo en serie de
Fourier del tipo
f =
c
0
2
+
¸
n∈IN
c
n
T
n
donde la sucesi´ onde sumas parciales,
ˆ
f
n
(x) =
c
0
2
+
n
¸
k=1
c
k
T
k
(x)
con
c
k
=
2
π

1
−1
f(x)T
k
(x)

1 −x
2
dx
=
2
π

π
0
f(cos ϕ) cos kϕdϕ
=
1
π

π
−π
f(cos ϕ) cos kϕdϕ
78
suministra aproximaciones a f que convergen en la norma asociada al producto
escalar con peso w considerado.
• Con la hip´ otesis, f ∈ C
2
([−1, 1]), se prueba que esta sucesi´ on de aproximaciones
converge a f respecto a | |

. Este resultado es de especial inter´es ya que, dada
una funci´ on f ∈ C
2
([−1, 1]), se puede obtener una buena estimaci´ on de la m.a. en
la norma del m´ aximo ˆ p ∈ P
n
tomando la suma parcial
ˆ
f
n
(x) =
c
0
2
+
n
¸
k=1
c
k
T
k
(x)
Este m´etodo es particularmente ´ util cuando los c
k
son f´ acilmente calculables. En la
pr´ actica, dichos coeficientes nunca se calculan mediante integraci´ on expl´ıcita, sino
utilizando t´ecnicas de integraci´ on num´erica.
5.6.5 Desarrollo en serie de Fourier de una funci´ on peri´ odica.
General
Vamos a estudiar el desarrollo en serie de Fourier de una funci´ on peri´ odica como un caso
particular de aproximaci´ on en espacios prehilbertianos. Una funci´ on se dice peri´ odica de
periodo T si
f(x +T) = f(x)
El menor de los periodos se llama periodo fundamental, y su frecuencia asociada, fre-
cuencia fundamental.
w
0
=

T
El espacio ambiente es E = L
2
([0, T], I C), funciones de cuadrado integrable, que toman
valores en los complejos. Se consideran solamente en el periodo [0, T], aunque es indifer-
ente la selecci´ on del periodo considerado [x, x +T]
El producto escalar del que se deriva la norma:
'f, g` =

T
0
f(t)g(t)dt
El subespacio vectorial donde se busca la mejor aproximaci´ on ser´ a:
T = L(φ
k
(t))
k=0,±1,±2,···,±n
φ
k
(t) = e
jkw
0
t
= cos (kw
0
t) +jsen(kw
0
t)
Ortogonalidad de la base.
Vamos a ver que este es un sistema ortogonal cuando usamos el producto escalar anterior:

k
, φ
m
` =

T
0
φ
k
(t)φ
m
(t)dt =

T
0
e
jkw
0
t
e
−jmw
0
t
dt =

T
0
e
j(k−m)w
0
t
dt
79
=

¦k = m¦ ;

T
0
dt = T
¦k = m¦ ;
1
j(k−m)w
0
e
j(k−m)w
0
t

T
0
= ¦w
0
T = 2π¦ = 0
Se deja como ejercicio el que comprob´eis que si el intervalo de integraci´ on para el pro-
ducto escalar se traslada, la familia de funciones sigue siendo ortogonal. O sea, el nuevo
producto escalar ser´ıa:
'f, g` =

x+T
x
f(t)g(t)dt
A partir de ahora, al trabajar con las integrales, las extenderemos a un periodo, inde-
pendientemente del punto en el que empiece, y lo notaremos as´ı.
'f, g` =

T
f(t)g(t)dt
C´alculo de la mejor aproximaci´ on.
Para aproximar una funci´ on f ∈ E en T, como E es prehilbertiano, y T tiene dimensi´ on
finita, 2n + 1, la mejor aproximaci´ on existe, es ´ unica y es la proyecci´ on ortogonal de f
sobre T, f

.
Se trata de encontrar los coeficientes c
k
que permiten expresar f

en la base de T.
f

=
n
¸
m=−n
c
m
φ
m
Como f

es la proyecci´ on ortogonal de f sobre T, entonces, para −n ≤ k ≤ n:
'f −f

, φ
k
` = 0 ⇔ 'f

, φ
k
` = 'f, φ
k
` ⇔ '
n
¸
m=−n
c
m
φ
m
, φ
k
` = 'f, φ
k
`
Y usando la bilinealidad del producto escalar y la ortogonalidad del sistema, llegamos a
que:
c
k
=
1
T

T
f(t)e
−jkw
0
t
dt
Condici´ on para que la mejor aproximaci´ on sea real.
f

ser´ a real si y solamente si:
f

= f

⇔ f

−f

= 0
n
¸
k=−n
c
k
φ
k

n
¸
k=−n
c
k
φ
k
=

φ
k
= φ
−k
¸
=
n
¸
k=−n
c
k
φ
k

n
¸
k=−n
c
k
φ
−k
=
n
¸
k=−n
c
k
φ
k

n
¸
k=−n
c
−k
φ
k
80
=
n
¸
k=−n
(c
k
−c
−k
) φ
k
= 0
⇔ c
k
= c
−k
C´ omo es la mejor aproximaci´ on si f es real.
Veamos, si como parece razonable, la mejor aproximaci´ on es entonces real:
c
k
=
1
T

T
f(t)e
−jkw
0
t
dt
c
−k
=
1
T

T
f(t)e
jkw
0
t
dt
=
1
T

T
f(t)cos (kw
0
t) dt +j

T
f(t)sen(kw
0
t) dt
=
1
T

T
f(t)cos (kw
0
t) dt −j

T
f(t)sen(kw
0
t) dt
=
1
T

T
f(t)e
−jkw
0
t
dt
= c
k
Por tanto, c
−k
= c
k
, y su serie de Fourier es tambi´en real. O sea, que la serie de Fourier
de una se˜ nal real es tambi´en real. Veamos en qu´e se convierte dicha serie de Fourier.
c
k
=
1
T

T
f(t)e
−jkw
0
t
dt
=
1
T

T
f(t)cos (kw
0
t) dt −j

T
f(t)sen(kw
0
t) dt
= A
k
+jB
k
Por tanto:
A
k
=
1
T

T
f(t)cos (kw
0
t) dt
B
k
= −
1
T

T
f(t)sen(kw
0
t) dt
Como c
−k
= c
k
, c
−k
= A
k
−jB
k
, y por tanto:
f

(t) =
n
¸
k=−n
c
k
φ
k
(t)
= c
0
+
1
¸
k=−n
c
k
φ
k
(t) +
n
¸
k=1
c
k
φ
k
(t)
= c
0
+
n
¸
k=1
c
−k
φ
−k
(t) +
n
¸
k=1
c
k
φ
k
(t)
= c
0
+
n
¸
k=1
c
k
φ
−k
(t) +
n
¸
k=1
c
k
φ
k
(t)
81
= c
0
+
n
¸
k=1

(A
k
−jB
k
) e
−jkw
0
t
+ (A
k
+jB
k
) e
jkw
0
t

= c
0
+
n
¸
k=1

A
k

e
jkw
0
t
+e
−jkw
0
t

+jB
k

e
jkw
0
t
−e
−jkw
0
t

= c
0
+ 2
n
¸
k=1
[A
k
cos (kw
0
t) −B
k
sen(kw
0
t)]
En suma:
f

(t) =
1
T

T
f(t)dt
+
2
T
n
¸
k=1
¸
cos (kw
0
t)

T
f(u)cos (kw
0
u) du

+
2
T
n
¸
k=1
¸
sen(kw
0
t)

T
f(u)sen(kw
0
u) du)

Que es el t´ıpico desarrollo en serie de senos y cosenos de la funci´ on f.
5.6.6 Aproximaci´ on discreta: m´ınimos cuadrados.
Hasta ahora hemos aproximado funciones definidas anal´ıticamente mediante otras fun-
ciones anal´ıticas m´ as sencillas. Sin embargo, lo m´ as habitual es que la funci´ on que se
pretende aproximar no se conozca de modo anal´ıtico, sino a trav´es de una definici´ on
puntual. Es muy com´ un conocer datos de un determinado experimento. A este tipo de
problema nos dedicaremos en esta secci´ on.
Vamos a abordar el m´etodo de aproximaci´ on por m´ınimos cuadrados que todos conoc´eis,
discuti´endolo como un caso particular de aproximaci´ on en un espacio prehilbertiano ade-
cuado. Se tienen (x
i
, y
i
)
i=0,n
, n+1 pares de valores con abscisas distintas. Buscamos una
funci´ on f ∈ L(g
1
, . . . , g
m
), cuyos valores en (x
0
, . . . , x
n
) aproximen los valores (y
0
, . . . , y
n
)
tan bien como sea posible. A esa familia de funciones (g
j
)
j=0,n
, s´ olo les vamos a exigir
que sean continuas. Para estudiar la bondad de la aproximaci´ on definimos la siguiente
medida del error. Buscamos f ∈ U = L(g
1
, . . . , g
m
), tal que:
n
¸
i=0
[y
i
−f (x
i
)[
2

n
¸
i=0
[y
i
−g (x
i
)[
2
∀g ∈ U
Como ya hemos comentado, para utilizar todo lo que sabemos de aproximaci´ on, debemos
formular nuestro problema en un espacio prehilbertiano adecuado. Ese espacio va a ser
IR
n+1
, con el producto escalar habitual en los espacios vectoriales:
'a, b` =
n
¸
i=0
a
i
b
i
∀a, b ∈ IR
n+1
Este producto escalar induce la norma eucl´ıdea tambi´en habitual.
| a |
2
=

'a, a` =

n
¸
i=0
a
2
i
∀a ∈ IR
n+1
82
Vamos a jugar, por tanto, simult´ aneamente con funciones continuas, elementos de un
espacio vectorial de dimensi´ on infinita, y con elementos de IR
n+1
, de dimensi´ on finita.
Estos elementos van a ser las im´ agenes de estas funciones en los n+1 puntos del soporte.
Usaremos la siguiente notaci´ on:
g
j
∈ C[a, b] j = 1, m
g
j
∈ IR
n+1
j = 1, m con
g
j
= (g
j
(x
0
) , . . . . . . , g
j
(x
n
))
Por tanto, cualquier elemento de la envoltura lineal de estos vectores se escribe como:
g =
m
¸
j=1
α
j
g
j
Ahora ya no nos interesa encontrar una funci´ on continua que pertenezca a U, envoltura
lineal de las funciones (g
j
)
j=0,n
, sino un vector
ˆ
f ∈ T = L(g
1
, . . . , g
m
) , tal que:
| y −
ˆ
f |
2
≤| y −g |
2
∀g ∈ T = L(g
1
, . . . , g
m
) con y = (y
0
, . . . , y
n
)
Escribimos ese vector como:
ˆ
f ==
m
¸
j=1
ˆ α
j
g
j
=

¸
m
¸
j=1
ˆ α
j
g
j
(x
0
) , . . . ,
m
¸
j=1
ˆ α
j
g
j
(x
n
) ,
¸

Si el n´ umero de funciones, m, es mayor que la dimensi´ on del espacio, n +1, entonces los
vectores g
1
, . . . , g
m
son linealmente dependientes, y la expresi´ on de
ˆ
f no es ´ unica. S´ olo
tiene por tanto sentido estudiar el caso en que m ≤ n + 1.
En un problema de aproximaci´ on en un espacio prehilbertiano, la soluci´ on viene dada
por la proyecci´ on ortornormal del vector que queremos aproximar sobre el subespacio T
donde estamos buscando su mejor aproximaci´ on.
'y −
ˆ
f, g` = 0 ∀g ∈ T = L(g
1
, . . . , g
m
)
Escribiendo
ˆ
f como combinaci´ on lineal de los vectores g
1
, . . . , g
m
, y sabiendo que esa
comprobaci´ on es suficiente hacerla en una base de T, llegamos al sistema de ecuaciones
normales, que tiene soluci´ on si su determinante es distinto de cero. Para ello, los vectores
g
1
, . . . , g
m
deben ser linealmente independientes en IR
n+1
. Para que esto suceda, no
basta con que las funciones g
1
, . . . , g
m
lo sean en C[a, b]. Hay otras condiciones que
garantizan esa independencia. Estas funciones deben formar lo que se llama un sistema
de Chebychev de funciones, pero el tratar con suficiente precisi´ on este tema se escapa a
nuestros contenidos, as´ı que no nos liamos con esto. O sea, que la conclusi´ on es que el
problema tiene soluci´ on ´ unica cuando ese determinante es distinto de cero. Un conjunto
de funciones donde estos problemas siempre tienen soluci´ on ´ unica son la base polinomial
formada por monomios, y es con ellos con los que vamos a montar el ejemplo.
Ejemplo 5.6.1
83
Se tienen (x
i
, y
i
)
i=0,n
, n+1 pares de valores con abscisas distintas. Buscamos una funci´ on
ˆ
f ∈ L(g
1
, g
2
), cuyos valores en (x
0
, . . . , x
n
) aproximen los valores (y
0
, . . . , y
n
) tan bien
como sea posible. Esas dos funciones van a ser los monomios de grado 0 y 1: g
1
(x) = 1
y g
2
(x) = x. Por tanto:
g
1
= (g
1
(x
0
) , . . . . . . , g
1
(x
n
)) = (1, . . . , 1))
g
2
= (g
2
(x
0
) , . . . . . . , g
2
(x
n
)) = (x
0
, . . . , x
n
))
que son claramente linealmente independientes. El sistema de ecuaciones normales queda
como:
'y −
ˆ
f, g
j
` = 0 con j = 1, 2
O lo que es lo mismo:
'
ˆ
f, g
j
` = 'y, g
j
` con j = 1, 2
Como
ˆ
f = ˆ α
1
g
1
+ ˆ α
2
g
2
Desarrollando esta expresi´ on para j = 1 y para j = 2 llegamos al sistema lineal de dos
ecuanciones con dos inc´ ognitas.
ˆ α
1
(n + 1) + ˆ α
2

n
¸
i=0
x
i
=
n
¸
i=0
y
i
ˆ α
1

n
¸
i=0
x
i
+ ˆ α
2

n
¸
i=0
x
2
i
=
n
¸
i=0
y
i
x
i
que resueltas convenientemente nos dan los valores ˆ α
1
y ˆ α
2
buscados. La funci´ on
ˆ
f es la
recta de m´ınimos cuadrados.
Ejercicio 5.6.1 Demostrar que el centro de gravedad de esta nube de puntos esta en la
recta
ˆ
f = ˆ α
1
+ ˆ α
2
x as´ı obtenida.
5.6.7 Desarrollo en serie de Fourier de se˜ nales peri´ odicas defi-
nidas de modo discreto.
General
Vamos a estudiar el desarrollo en serie de Fourier de una funci´ on peri´ odica definida de
modo discreto como un caso particular de aproximaci´ on por m´ınimos cuadrados. Para
entender esta parte, se supone que se ha seguido el razomiento general, no insisti´endose
sobre esos conceptos previos.
Imaginemos que tenemos una muestra discreta equiespaciada. Dicha muestra discreta
1
y
m
, se dice de periodo N si:
y
m+N
= y
m
1
el sub´ındice m no coincide en general con la abscisa x
m
correspondiente al valor y
m
.
84
N=4
Figura 5.2: Muestra discreta peri´ odica equiespaciada.
w
0
=

N
Vamos a aproximar por m´ınimos cuadrados esta se˜ nal con funciones de la familia:
φ
k
(t) = e
jkw
0
t
= cos (kw
0
t) +jsen(kw
0
t)
con k ∈ Z. Su representaci´ on discreta es un vector con el siguiente aspecto:
φ
k
= ( , φ
k
(−N), , φ
k
(m), , φ
k
(N), )
Es f´ acil ver que esta se˜ nal discreta tiene como periodo N
φ
k
(m+N) = e
jkw
0
(m+N)
= e
jkw
0
m
e
jkw
0
N
= e
jkw
0
m
e
jk2π
= e
jkw
0
m
= φ
k
(m)
Por tanto, basta con considerar este vector en un periodo, por ejemplo:
φ
k
= (φ
k
(m), , φ
k
(m+N −1))
Por la misma raz´ on resulta que s´ olo hay N vectores distintos:
φ
k+N
= (φ
k+N
(m), , φ
k+N
(m+N −1))
=

e
j(k+N)w
0
(m)
, , e
j(k+N)w
0
(m+N−1)

=

e
jkw
0
(m)
e
jNw
0
(m)
, , e
jkw
0
(m+N−1)
e
jNw
0
(m+N−1)

=

e
jkw
0
(m)
e
j2π(m)
, , e
jkw
0
(m+N−1)
e
j2π(m+N−1)

=

e
jkw
0
(m)
, , e
jkw
0
(m+N−1)

= φ
k
Por tanto, el subespacio donde se buscar´ a la mejor aproximaci´ on ser´ a la envolvente de
a lo sumo N de estas funciones consecutivas, que podemos indexar, por comodidad, del
mismo modo que lo hicimos con el desarrollo de Fourier continuo:
T = L(φ
k
(t))
k=0,±1,±2,···,±n
Caso interesante es el de interpolaci´ on, o sea, cuando el n´ umero de funciones coincide
con el de puntos que definen cada periodo discreto, o sea se aproxima con N funciones
φ
k
. En ese caso las funciones se suelen indexar as´ı:
Si N es par, k varia en


N
2
, , 0, ,
N
2
−1
¸
Si N es impar, k varia en

N
2

, , 0, ,

N
2
¸
donde [ ] denota la parte entera de un
n´ umero.
85
Ortogonalidad del sistema
La matriz del sistema lineal, usando

para representar el conjugado de un complejo,
tendr´ a como elementos:
a
lk
= 'φ
l
, φ
k
` = φ
l
φ
k

a
lk
= (φ
l
(m), , φ
l
(m+N −1)) (φ
k
(m)

, , φ
k
(m+N −1)

)
=

e
jlw
0
(m)
, , e
jlw
0
(m+N−1)

e
−jkw
0
(m)
, , e
−jkw
0
(m+N−1)

= e
j(l−k)w
0
(m)
+ +e
j(l−k)w
0
(m+N−1)
=
m+N−1
¸
n=m
e
j(l−k)w
0
n
=

¦l = k¦
¸
m+N−1
n=m
1 = N
¦l = k¦
¸
m+N−1
n=m

e
j(l−k)w
0

n
Vamos con este ´ ultimo t´ermino:
m+N−1
¸
n=m

e
j(l−k)w
0

n
=
m+N−1
¸
n=m

e
j(l−k)w
0

n
=
m+N−1
¸
n=m
r
n
=
1 −r
N
1 −r
r
m
=
1 −e
j(l−k)w
0
N
1 −r
r
m
=
1 −e
j(l−k)2π
1 −r
r
m
= 0 (5.2)
Por tanto:
a
lk
=

N si ¦l = k¦
0 si ¦l = k¦
Por tanto, los vectores son ortogonales, la matriz del sistema lineal es diagonal, y la
funci´ on soluci´ on f,
f =
¸
k
a
k
φ
k
cuya forma vectorial f es la proyecci´ on ortogonal de y sobre L

φ
k
¸
. Como el sistema es
ortogonal,
a
k
=
'y, φ
k
`
N
=
1
N
m+N−1
¸
n=m
y
n
e
−jk
(

N
)
n
Ejercicio 5.6.2 Condici´on para que la mejor aproximaci´on
ˆ
f sea real.
Ejercicio 5.6.3 ¿C´omo es la mejor aproximaci´on si los elementos del vector y son
reales?
86
5.7 Referencias recomendadas para este tema.
Un estudio exhaustivo de la aproximaci´ on de funciones peri´ odicas definidas de modo
discreto la tenemos en el texto de Oppenheim et al. [11]. Sin embargo, este texto tiene
un nivel muy alto y puede ser suficiente con el [17]. Respecto al problema general, el
texto de Hammerlin et al.[7] hace un estudio muy bueno partiendo del problema en su
formulaci´ on m´ as general.
87
Cap´ıtulo 6
Integraci´ on num´erica
6.1 Introducci´ on
El c´ alculo num´erico de integrales definidas es uno de los problemas m´ as antiguos en
matem´ aticas. Este problema, que en su formulaci´ on m´ as antigua se traduc´ıa en encon-
trar el ´ area de regiones limitadas por l´ıneas curvas, ha sido tratado durante miles de a˜ nos,
mucho antes de que se desarrollase el concepto de integral, dentro del marco del an´ alisis
matem´ atico all´ a en los siglos XVII y XVIII. Sin lugar a dudas, el ejemplo m´ as conocido
de este problema fue el de calcular el ´ area contenida en un c´ırculo, que r´ apidamente
se relacion´ o con el n´ umero π y su c´ alculo. Usando un m´etodo num´erico basado en la
aproximaci´ on de un c´ırculo por pol´ıgonos inscritos y circunscritos, Arqu´ımedes (287-212
a.C.) fue capaz de dar las sorprendentes cotas 3
10
71
< π < 3
1
7
.
Muchas veces se usa cuadratura num´erica en vez de integraci´ on num´erica. Esta nomen-
clatura procede del problema que hemos explicado, de calcular el ´ area del c´ırculo, que
puede ser visto como encontrar un cuadrado de igual superficie.
Vamos a describir ahora cuatro situaciones para las que es necesario aproximar integrales
definidas. La primera es el caso en el que no se puede evaluar anal´ıticamente la primitiva
de una funci´ on. Ejemplos t´ıpicos de esta situaci´ on son evaluar la integral


0
exp(−x
2
)dx,
o encontrar la longitud de una elipse. La segunda situaci´ on es que la funci´ on admita pri-
mitiva, pero ´esta sea muy dif´ıcil de calcular. La tercera situaci´ on, la m´ as com´ un, consiste
en que se conozcan s´ olo ciertos puntos de la funci´ on. La ´ ultima posibilidad consiste
en que, a veces, se necesitan m´etodos de cuadratura para el tratamiento num´erico de
ecuaciones diferenciales o integrales. Muchos m´etodos para discretizar esas ecuaciones se
apoyan en m´etodos de integraci´ on num´erica.
Insistiendo en la tercera posibilidad, si se proporcionan los valores de una funci´ on f en
ciertos puntos, digamos x
0
, x
1
, . . . , x
n
, ¿se puede usar esta informaci´ on para obtener una
estimaci´ on de c´ omo es su derivada f

(c) o una integral

b
a
f(x)dx? La respuesta es un s´ı
rotundo.
Si se parte exclusivamente de los valores f(x
0
), f(x
1
), . . . , f(x
n
), es imposible decir
mucho acerca de f a menos que tambi´en sepamos que f forma parte de una familia re-
lativamente peque˜ na de funciones. As´ı, si se permite que f sea una m´ as en la familia de
todas las funciones continuas de variable real, conocer los valores f(x
i
) resulta casi irre-
levante. La figura 6.1 muestra varias funciones continuas que tienen los mismos valores
en cinco puntos.
Por otra parte, si sabemos que f es un polinomio de grado n, entonces los valores en
2
x
3
x
4
x
2
f
0
x
1
x
1
f
Figura 6.1:
n+1 puntos determinan completamente a f seg´ un vimos en la teor´ıa de interpolaci´ on. En
este caso recuperamos f exactamente, y podemos entonces calcular con absoluta certeza
f

(c) ´ o

b
a
f(x)dx. Sin embargo, en la mayor parte de las situaciones, la informaci´ on que
se tiene disponible no determina completamente a f y cualquier estimaci´ on num´erica
de su derivada o de su integral deber´ a tomarse con escepticismo, a menos que venga
acompa˜ nada de alguna cota para los errores cometidos.
6.2 Exposici´ on del problema
Sea la integral I(f) =

b
a
f(x)dx. Deseamos encontrar un valor aproximado de esta inte-
gral mediante sumas finitas. M´ as precisamente, nosotros llamamos f´ ormula de cuadratura
de (n + 1) puntos a una expresi´ on del tipo siguiente:
I
n
(f) =
n
¸
k=0
A
n
k
f(x
k
) (6.1)
donde A
n
k
no depende para nada de la funci´ on f. O sea, 6.1 es una f´ ormula que permite
estimar esa integral I(f) mediante una suma ponderada de im´ agenes de la funci´ on f en
una serie de puntos.
6.3 F´ ormulas de cuadratura de tipo interpolaci´ on
Hemos visto ya que se puede aproximar una funci´ on f mediante un polinomio de in-
terpolaci´ on P
f
. La idea va a ser reemplazar el c´ alculo de I(f) por el c´ alculo de I(P
f
).
Las f´ ormulas de cuadratura que usan esta idea se llaman f´ ormulas de cuadratura de tipo
89
interpolaci´ on. Esto lo haremos por dos razones. La primera es que la integraci´ on de
polinomios es muy sencilla, y no se necesitan m´ as que las cuatro operaciones elementales.
Adem´ as sucede frecuentemente que para las curvas experimentales no se conoce la fun-
ci´ on f sino que se conocen ciertos puntos de la funci´ on: f(x
k
), k = 0, . . . , n. Supongamos
por tanto, para empezar, que conocemos la funci´ on en esos puntos, y s´ olo en esos. 0 sea,
que las abscisas nos vienen impuestas, y no podemos elegirlas. El proceso consistir´ıa en
integrar el polinomio de interpolaci´ on construido a partir del conocimiento del valor de
la funci´ on en una serie de puntos f(x
k
), k = 0, . . . , n
I(f) =

b
a
f(x)dx ≈

b
a
P
f
(x)dx =
n
¸
k=0

b
a
l
k
(x)dx

f(x
k
)
con
l
k
(x) =
¸
n
j=0,j=k
(x −x
j
)
¸
n
j=0,j=k
(x
k
−x
j
)
Se tendr´ a por tanto una f´ ormula de cuadratura de tipo interpolaci´ on si dentro de la
f´ ormula
I
n
(f) =
n
¸
k=0
A
n
k
f(x
k
)
se toma
A
n
k
=

b
a
l
k
(x)dx
Se define el error
1
R(f) = I(f) −I
n
(f) =

b
a
f(x)dx −
n
¸
k=0
A
n
k
f(x
k
)
R(f) =

b
a
[f(x) −P
f
(x)]dx =

b
a
H(x)
(n + 1)!
f
(n+1)
(ξ)dx
H(x) = (x −x
0
)(x −x
1
) (x −x
n
)
a ≤ min(x, x
0
) < ξ < max(x, x
n
) ≤ b
Definici´ on 6.3.1 Una f´ormula de cuadratura se dice exacta sobre un conjunto V si
∀f ∈ V, R(f) = 0
Teorema 6.3.1 Una f´ormula de cuadratura de (n+1) puntos es exacta sobre el espacio
vectorial P
n
de los polinomios de grado menor o igual que n, si y solamente si es del tipo
de interpolaci´on de (n + 1) puntos.
1
Una justificaci´on de esta estimaci´on del error de la interpolaci´on polinomial se encuentra en el
cap´ıtulo 4.
90
Demostraci´ on:

b
a
P(x)dx =
n
¸
k=0
A
n
k
P(x
k
) (∀P ∈ P
n
)
en particular, esto ser´ a valido para l
j
(x)

b
a
l
j
(x)dx =
n
¸
k=0
A
n
k
l
j
(x
k
) = A
n
j
y por tanto,
A
n
j
=

b
a
l
j
(x)dx
con lo cual, la f´ ormula de integraci´ on, es del tipo interpolaci´ on en (n + 1) puntos.

Supongamos ahora que la f´ ormula es de interpolaci´ on en (n + 1) puntos. Lo que sucede
es que un polinomio de grado n es igual a su polinomio de interpolaci´ on de grado n, y
por tanto la f´ ormula es exacta para esos polinomios, que es de lo que se trata.
Definici´ on 6.3.2 Se dice que una f´ormula de cuadratura tiene grado de precisi´on n si
la f´ormula es exacta para x
k
, k = 0, 1, . . . , n, pero no es exacta para x
k+1
.
Aplicaci´ on del Teorema 6.3.1
Este teorema nos da otro medio para el c´ alculo de los coeficientes, el m´etodo de los
coeficientes indeterminados, que ilustramos en el ejemplo siguiente.
Ejemplo 6.3.1 Calcular los coeficientes que intervienen en la f´ormula de cuadratura de
tipo interpolaci´on siguiente:

1
−1
f(x)dx = A
1
0
f(−1) +A
1
1
f(1) +R(f)
La f´ ormula de cuadratura es de tipo interpolaci´ on a dos puntos, siendo por tanto su grado
de precisi´ on uno. Por tanto debe ser exacta para los polinoniios P
0
(x) = 1 y P
1
(x) = x.
Forcemos a que se cumplan estas condiciones:

1
−1
1 dx = A
1
0
+A
1
1

1
−1
x dx = A
1
0
(−1) +A
1
1
1
De donde obtenemos el sistema lineal:
A
1
0
+A
1
1
= 2
−A
1
0
+A
1
1
= 0
cuya soluci´ on es A
1
0
= A
1
1
= 1.
91
6.4 F´ ormulas de Newton-Cotes
Supongamos una subdivisi´ on uniforme del intervalo [a, b]. Ponemos
h =
(b −a)
n
(6.2)
Sea x
j
= a +j h, con 0 ≤ j ≤ n, x
0
= a y x
n
= b. Con estas hip´ otesis, se tiene:

b
a
f(x)dx ≈ (b −a)
n
¸
j=0
B
n
j
f(a +j h) (6.3)
con
B
n
j
=
1
b −a

b
a
l
j
(x)dx (6.4)
Estas f´ ormulas se llaman las f´ ormulas cerradas de Newton Cotes, que son muy usadas
cuando la naturaleza del problema nos permite conocer los valores de la funci´ on sobre
un soporte equiespaciado, pues en ese caso, el valor aproximado de la integral se obtiene
muy r´ apidamente ya que esos coeficientes ´ unicamente dependen del n´ umero de puntos que
utilizamos para integrar. Los coeficientes del sumatorio cumplen adem´ as la propiedad
B
n
j
= B
n
n−j
.
Calculemos por ejemplo B
1
0
. Si hacemos el cambio de variable en la integral y =
(x−a)
h
,
llegamos a:
B
n
j
=
(−1)
n−j
j!(n −j)!n

n
0
n
¸
k=0,k=j
(y −k)dy (6.5)
por tanto, por ejemplo:
B
1
0
= B
1
1
=
(−1)
1
0!(1)!1

1
0
ydy =
1
2
La f´ ormula de Newton-Cotes de grado 1 se llama la f´ ormula del trapecio

b
a
f(x)dx ≈ (b −a)
¸
1
2
f(a) +
1
2
f(b)

La f´ ormula de Newton-Cotes de grado 2 se llama la f´ ormula de Simpson

b
a
f(x)dx ≈ (b −a)
¸
1
6
f(a) +
4
6
f

a +b
2

+
1
6
f(b)
¸
En la tabla 6.1 tenemos los valores de B
n
j
hasta n igual a 6.
6.4.1 Evaluaci´ on del error en las f´ ormulas de Newton-Cotes
F´ ormula del trapecio
Se quiere evaluar:
R(f) =

b
a
f(x)dx −

b −a
2

[f(a) +f(b)]
92
n B
n
0
B
n
1
B
n
2
B
n
3
1 1/2
2 1/6 4/6
3 1/8 3/8
4 7/90 32/90 12/90
5 19/288 75/288 50/288
6 41/840 216/840 27/840 272/840
Tabla 6.1: Coeficientes de las f´ ormulas de Newton-Cotes
R(f) =

b
a
(x −a)(x −b)
2
f

(ξ)dx ξ = ξ(x) ∈ (a, b)
como (x −a)(x −b) no cambia de signo en [a, b], se puede usar una de las formulaciones
del teorema del valor medio del c´ alculo integral para escribir que:
R(f) =
f

(α)
2

b
a
(x −a)(x −b)dx, α ∈ [a, b]
R(f) = −
h
3
12
f

(α) α ∈ [a, b]
De aqu´ı se deduce la siguiente cota al error de la aproximaci´ on:
[R(f)[ ≤
h
3
12
max
x∈[a,b]
[f

(x)[
6.4.2 F´ ormulas abiertas de Newton-Cotes
Las f´ ormulas de cuadratura se dicen abiertas cuando no se utilizan los extremos del
intervalo como abscisas de interpolaci´ on. Esto es necesario cuando la funci´ on es por
ejemplo singular en los extremos, o cuando se quiere extrapolar una integral fuera de los
puntos en los que tenemos definida la funci´ on a integrarl. La f´ ormula de Newton-Cotes
abierta de un punto es:

b
a
f(x)dx ≈ (b −a)f

a +b
2

b
a
f(x)dx ≈

b −a
2

[f(x
1
) +f(x
2
)]
x
1
= a +h; x
2
= a + 2h = b −h; h =
b −a
3
6.5 Estabilidad
A un m´etodo de integraci´ on se le pide que sea poco sensible a los errores de c´ alculo en
los puntos que definen la funci´ on de un modo discreto. Por tanto, veamos c´ omo influye
93
un c´ alculo efectuado con valores perturbados:
n
¸
k=0
A
n
k
(f
k

k
) −
n
¸
k=0
A
n
k
f
k
=
n
¸
k=0
A
n
k
ε
k
Definici´ on 6.5.1 Una f´ormula de cuadratura de la forma
I
n
(f) =
n
¸
k=0
A
n
k
f(x
k
)
se dice estable si ∀(ε
0
, ε
1
, . . . , ε
n
) existe M independiente de n tal que:

n
¸
k=0
A
n
k
ε
k

≤ M max[ε
k
[ (6.6)
El estudio de la estabilidad se facilita por el teorema siguiente:
Teorema 6.5.1 Una f´ormula de cuadratura de la forma
I
n
(f) =
n
¸
k=0
A
n
k
f(x
k
)
es estable si y s´olo si existe M independiente de n tal que
n
¸
k=0
[A
n
k
[ ≤ M (6.7)
Prueba:

n
¸
k=0
A
n
k
ε
k


n
¸
k=0
[A
n
k
ε
k
[ ≤
n
¸
k=0
[A
n
k
[ max[ε
k
[ ≤ M max[ε
k
[

Supongamos que no existiese esa constante M independiente de n verificando la condici´ on
(6.7). En ese caso tendr´ıamos que
lim
n→∞
n
¸
k=0
[A
n
k
[ = +∞
y eligiendo ε
k
=
A
n
k
|A
n
k
|
con A
n
k
= 0, entonces

n
¸
k=0
A
n
k
ε
k

=

n
¸
k=0
(A
n
k
)
2
[A
n
k
[

=
n
¸
k=0
[A
n
k
[
y, por tanto, pasando
lim
n→∞

n
¸
k=0
A
n
k
ε
k

= +∞
con lo que la f´ ormula no ser´ıa estable.
Teorema 6.5.2 Las f´ormulas de Newton-Cotes son inestables.
94
6.6 Convergencia
Es otro criterio que permite calibrar la bondad de una aproximaci´ on a una determinada
integral. Las f´ ormulas de integraci´ on se expresan en funci´ on del n´ umero de puntos n.
Parece razonable pensar que si se aumenta n se obtendr´ a un resultado m´ as preciso, y que
en consecuencia, en el l´ımite se obtendr´ a el valor exacto.
Definici´ on 6.6.1 Se dice que una aproximaci´on L
n
(f) =
¸
n
k=0
A
n
k
f(x
k
) converge sobre
un conjunto V , si cualquiera que sea f ∈ V , se tiene:
lim
n→∞
¸
n
¸
k=0
A
n
k
f(x
k
)
¸
=

b
a
f(x)dx
Teorema 6.6.1 Una condici´on necesaria y suficiente para que los m´etodos de cuadratura
de tipo interpolaci´on sean convergentes en C[a, b] es que las f´ormulas sean estables.
6.7 M´etodos compuestos
6.7.1 General
La idea consiste en aplicar a subintervalos de (a, b) una f´ ormula de Newton-Cotes de
grado q con q fijo y peque˜ no. Es equivalente a interpolar la funci´ on con un polinomio a
trozos e integrar dicho polinomio.
6.7.2 M´etodo compuesto de los trapecios
En el m´etodo compuesto de los trapecios, el n´ umero de puntos que se utiliza en cada
subintervalo es de 2, y por tanto el grado del polinomio de aproximaci´ on q es 1. Es
equivalente a interpolar con un polinomio a trozos de grado 1 y clase 0 e integrar ´este.

b
a
f(x)dx =
n−1
¸
k=0

a+(k+1)h
a+k·h
f(x)dx

n−1
¸
k=0
h
¸
1
2
f(a +k h) +
1
2
f(a + (k + 1) h)

= h
¸
1
2
f(a) +f(a +h) +f(a + 2h) + +
1
2
f(b)

6.7.3 M´etodo compuesto de Simpson
En el m´etodo compuesto de Simpson, el n´ umero de puntos que se utiliza en cada subin-
tervalo es de 3, y por tanto el grado del polinomio de aproximaci´ on q es 2. Se elige un
soporte con un n´ umero impar de puntos:
(a, a + 2h), (a + 2h, a + 4h), . . . , (a + (n −2)h, b)
95
En cada intervalo se aplica la forma de Newton-Cotes de Simpson.

a+h
a
f(x)dx ≈ 2h
¸
1
6
f(a) +
4
6
f(a +h) +
1
6
f(a + 2h)

a+4h
a+2h
f(x)dx ≈ 2h
¸
1
6
f(a + 2h) +
4
6
f(a + 3h) +
1
6
f(a + 4h)

b
a+(n−2)h
f(x)dx ≈ 2h
¸
1
6
f(a + (n −2)h) +
4
6
f(a + (n −1)h) +
1
6
f(b)

Sumando todos estos t´erminos, se obtiene que:

b
a
f(x)dx ≈
h
3
¦f(a) +f(b)
+ 2[f(a + 2h) +f(a + 4h) + +f(a + (n −2)h)]
+ +4[f(a +h) +f(a + 3h) + +f(a + (n −1)h)]¦
6.7.4 Mayoraci´ on del error en los m´etodos compuestos
M´etodo compuesto de los trapecios
Se ha visto ya que en el caso del m´etodo de los trapecios:
[R(f)[ =

b
a
f(x)dx −

b −a
2

[f(a) +f(b)]


h
3
12
max
x∈[a,b]
[f

(x)[
Por tanto, en el caso de los m´etodos compuestos:

b
a
f(x)dx −h
¸
1
2
f(a) +f(a +h) + +
1
2
f(b)


h
3
12
¸
max
x∈[a,a+h]
[f

(x)[ + + max
x∈[a+(n−1)h,b]
[f

(x)[
¸

n
h
3
12
max
x∈[a,b]
[f

(x)[ =
(b −a)
3
12n
2
max
x∈[a,b]
[f

(x)[ =
b −a
12
max
x∈[a,b]
[f

(x)[h
2
6.7.5 Selecci´ on del paso de integraci´ on
En las f´ ormulas de tipo compuesto se desea elegir el paso h para que el error [R(f)[ =
[I − I
n
(h)[ sea inferior a una cota dada , sin necesidad de entrar en consideraciones
sobre las derivadas de la funci´ on original f pues ´estas son desconocidas y normalmente,
dif´ıciles de acotar. El proceso para elegirlo ser´ a el siguiente:
1. Se integra con un paso h
0
, y se obtiene I
h
0
.
2. Se integra con un paso 2h
0
, y se obtiene I
2h
0
.
96
3. Suponiendo que el error est´ a en funci´ on de h
p
-p = 2 para el m´etodo compuesto de
los trapecios, por ejemplo- se tendr´ a que:
I
h
0
−I ≈ M h
p
0
I
h
0
−I
2h
0
= I
h
0
−I +I −I
2h
0
≈ M h
p
0
−M (2h
0
)
p
M h
p
0

I
h
0
−I
2h
0
1 −2
p
,
y tenemos el sistema:
M h
p
0

I
h
0
−I
2h
0
1 −2
p
M h
p
≈ (6.8)
y por tanto:
h ≈ h
0
¸
(1 −2
p
)
I
h
0
−I
2h
0
¸1
p
6.7.6 Estabilidad de los m´etodos compuestos
Para valores de q suficientemente peque˜ nos, y cuando aproximamos integrales de fun-
ciones suficientemente regulares, los m´etodos compuestos son estables y convergentes.
6.8 F´ ormulas de Gauss
6.8.1 Introducci´ on
En cierto tipo de experimentos podemos fijar el valor de las abscisas de la funci´ on que
pretendemos conocer. En estos casos, Gauss nos proporciona un criterio para elegir estas
abscisas que aumenta notablemente el grado de precisi´ on de las f´ ormulas de integraci´ on
de tipo interpolaci´ on. La idea consiste en aproximar I(f) por:
I
n
(f) =
n
¸
k=0
A
n
k
f(x
n
k
)
y considerar A
n
k
y x
n
k
como desconocidos. Veamos c´ omo lo conseguimos.
97
6.8.2 M´etodo de Gauss
Como se puede observar en la f´ ormula anterior, el n´ umero de par´ ametros libres es 2n+2.
Trataremos por tanto, de que nuestra f´ ormula sea exacta en P
2n+1
espacio vectorial de
polinomios de coeficientes reales de grado menor o igual que 2n+1. Exigiremos por tanto
que:

b
a
p(x)dx =
n
¸
k=0
A
n
k
p(x
n
k
) (∀p ∈ P
2n+1
)
Sea p

∈ P
n
tal que p

(x
n
k
) = p(x
n
k
), k = 0, . . . , n, o sea el polinomio de grado n de
interpolaci´ on de la nube de puntos (x
n
k
, p(x
n
k
)), k = 0, . . . , n. Como p tambi´en interpola
esa misma nube de puntos, lo podremos escribir de la siguiente forma:
p(x) = p

(x) + (x −x
n
0
)(x −x
n
1
) (x −x
n
n
) q(x)
con q ∈ P
n
. Si ahora escribimos p

en la base de Lagrange tendremos que:
p

(x) =
n
¸
k=0
p(x
n
k
)l
k
(x)
y por tanto:

b
a
p(x)dx =

b
a
[p

(x) + (x −x
n
0
)(x −x
n
1
) (x −x
n
n
) q(x)]dx
=
n
¸
k=0
¸

b
a
l
k
(x)dx
¸
p(x
n
k
)
+

b
a
(x −x
n
0
)(x −x
n
1
) (x −x
n
n
) q(x)dx
=
n
¸
k=0
A
n
k
p(x
n
k
)
Si elegimos como polinomio p uno tal que p(x
n
k
) = 0, k = 0, . . . , n, entonces su polinomio
de interpolaci´ on de grado n en esos nodos ser´ a nulo.
p

= 0
y por tanto,
p(x) = (x −x
n
0
)(x −x
n
1
) (x −x
n
n
) q(x)
Entonces, por un lado:

b
a
p(x)dx =
n
¸
k=0
A
n
k
p(x
n
k
) =
n
¸
k=0
A
n
k
0 = 0
y por otro

b
a
p(x)dx =

b
a
[p

(x) + (x −x
n
0
)(x −x
n
1
) (x −x
n
n
) q(x)]dx
=

b
a
[0 + (x −x
n
0
)(x −x
n
1
) (x −x
n
n
) q(x)]dx
=

b
a
(x −x
n
0
)(x −x
n
1
) (x −x
n
n
) q(x)dx
98
que debe ser 0. En suma

b
a
(x −x
n
0
)(x −x
n
1
) (x −x
n
n
) q(x)dx = 0
Como para cualquier q, el polinomio p vale 0 en los nodos, esta igualdad tiene que darse
independientemente del polinomio q, o sea:

b
a
(x −x
n
0
)(x −x
n
1
) (x −x
n
n
) q(x)dx = 0 (∀q ∈ P
n
)
0 sea, que si hacemos [a, b] = [−1, 1], estamos buscando una serie de nodos (x
n
k
), k =
0, . . . , n tales que el polinomio (x−x
n
0
)(x−x
n
1
) (x−x
n
n
) sea ortogonal, seg´ un el producto
escalar < p, q >=

1
−1
p(x)q(x)dx, a todos los polinomios q de P
n
. 0 sea, estamos buscando
el polinomio de Legendre
2
de grado n + 1.
Por tanto, para que (x−x
n
0
)(x−x
n
1
) (x−x
n
n
) sea igual a
ˆ
L
n+1
(x), debemos escoger los
valores (x
n
k
), k = 0, . . . , n, abscisas de los nodos, como los ceros de
ˆ
L
n+1
(x), polinomio de
Legendre de grado n + 1. Una vez que ya sabemos cu´ ales deben ser los nodos, debemos
preguntarnos el valor de la familia de coeficientes (A
n
k
), k = 0, . . . , n. Para ello, elegimos
ahora como polinomio p uno tal que p(x
n
k
) = δ
n
k
, k = 0, . . . , n, y tendremos que:
A
n
k
=

1
−1
l
k
(x)dx, (∀k = 0, . . . , n)
Si el intervalo no es [−1, 1] se hace el t´ıpico cambio de variable:
t =
2(x −a)
b −a
−1
que transforma [a, b] en [−1, 1].
6.9 Integraci´ on multidimensional
Las t´ecnicas de integraci´ on num´erica m´ as sencillas para integrales dobles o triples se
basan en la sustituci´ on de la funci´ on a integrar por su polinomio en varias variables4.6.
Si el recinto es rectangular, la aplicaci´ on es directa. Si no es as´ı, hay que estudiar de
modo independiente cada caso.
6.10 Resumen
1. Que aproximar la integral de una funci´ on se puede hacer a partir de un n´ umero de
puntos dados, sustituyendo la funci´ on a integrar por una aproximaci´ on pofin´ omica
a la misma.
2
En realidad, el polinomio de Legendre es cualquiera de estos, pero normalizado, por definici´on. Ello
es debido a que los polinomios de Legendre no son s´olo una familia de polinomios ortogonales, sino que
adem´as tienen modulo uno. Hemos estudiado estos polinomios como una familia ortogonal en 5.6.4
99
2. Que una f´ ormula de aproximaci´ on es buena si aten´ ua los efectos de las perturba-
ciones en los puntos que definen la funci´ on (estabilidad).
3. Que una f´ ormula de aproximaci´ on es buena si cuando se aumentan el n´ umero de
puntos que se utilizan para definir la funci´ on, el valor de la aproximaci´ on se acerca
al valor real de la integral, coincidiendo en el l´ımite (convergencia).
4. Que acotar el error tiene mucho que ver con el n´ umero de puntos que se utilizan
para definir la integral y con los m´ aximos de determinadas derivadas.
6.11 Referencias recomendadas para este tema.
Para Integraci´ on Num´erica la referencia recomendada son otra vez el libro de H¨ amerlin
y Hoffman [7] y el de Theodor [16].
100
Cap´ıtulo 7
Derivaci´ on num´erica
7.1 Introducci´ on
El c´ alculo num´erico de integrales definidas es un problema muy antiguo. La estimaci´ on
num´erica de derivadas es un problema muy nuevo, y muy necesario para la resoluci´ on
num´erica de ecuaciones diferenciales, que se han convertido en las herramientas princi-
pales para la descripci´ on de todo tipo de sistemas.
El comportamiento del error en los m´etodos de integraci´ on era bastante bueno. Bajar un
poco el paso significaba bajar mucho el error. Adem´ as, las f´ ormulas m´ as comunes (los
m´etodos compuestos) son bastantes estables, y errores en los datos, o en los redondeos, no
se amplifican en el c´ alculo de las integrales. Sin embargo, las derivadas son mucho menos
nobles cuando se las trata num´ericamente, y puede suceder, como luego estudiaremos,
que peque˜ nas variaciones en alguno de los elementos motiven grandes variaciones en el
resultado.
7.2 Exposici´ on del problema
Sea f una funci´ on real de variable real de clase C
1
. Se quiere calcular una aproximaci´ on
al n´ umero f

(x).
f

(x) = lim
h→0
f(x +h) −f(x)
h
= lim
h→0
f(x) −f(x −h)
h
Se obtiene, por ejemplo, una aproximaci´ on a este valor, tomando, con h peque˜ no
f

(x) ≈
f(x +h) −f(x)
h
Esta aproximaci´ on hace intervenir los valores de la funci´ on en los puntos x y x+h. Igual
que hac´ıamos al integrar, podr´ıamos pensar en sustituir la funci´ on f por su polinomio
de interpolaci´ on P
f
, y aproximar la derivada de f por la derivada de P
f
. De hecho, el
problema de estimar la derivada surge porque a menudo f no la conocemos de modo
anal´ıtico, sino por puntos. Por tanto, si sabemos el valor de la funci´ on f en una nube
101
de puntos x
0
, x
1
, , x
n
, P

f
(x), derivada del polinomio de grado n que interpola a f en
esos puntos, nos dar´ a una aproximaci´ on a f

(x), cuyo error trataremos de acotar. Estas
ser´ an las t´ecnicas de derivaci´ on que explicaremos.
7.3 Derivaci´ on num´erica por interpolaci´ on polin´ omi-
ca.
Hemos visto ya que se puede obtener una aproximaci´ on de una funci´ on f en un intervalo
calculando su polinomio de interpolaci´ on P
f
. En el caso de la derivada, vamos a aproximar
f

por P

f
. El concepto es local, o sea, se sustituye f por P
f
en el entorno del punto
en el cual queremos conocer la derivada. Las f´ ormulas de derivaci´ on que usan esta
idea se llaman f´ ormulas de derivaci´ on de tipo interpolaci´ on polinomial. Veamos las m´ as
importantes.
7.3.1 F´ ormula de dos puntos.
Tenemos una funci´ on f que es C
1
en un entorno cerrado E(x
0
) de x
0
. Sea E(x
0
) = [a, b]
y sea x
0
el punto en el que queremos estimar la derivada de f. Sea x
1
tal que [x
0
, x
1
] ⊂
E(x
0
). Construyamos el polinomio de interpolaci´ on de f asociado a los puntos x
0
y x
1
,
ver figura 7.1.
P
1
(x) = f(x
0
)
x −x
1
x
0
−x
1
+f(x
1
)
x −x
0
x
1
−x
0
Derivando este polinomio y particularizando esa derivada en x
0
obtendremos la aproxi-
maci´ on a la derivada buscada.
P

1
(x
0
) =
f(x
1
) −f(x
0
)
x
1
−x
0
Si llamamos h = x
1
−x
0
, tendremos por tanto:
f

(x
0
) ≈
f(x
0
+h) −f(x
0
)
h
Existe igualmente una versi´ on sim´etrica de esta f´ ormula tomando el segundo punto a la
izquierda de x
0
-mirando hacia atr´ as.
f

(x
0
) ≈
f(x
0
) −f(x
0
−h)
h
7.3.2 Error en la f´ ormula de dos puntos
Para calcular el error, usamos el error de la interpolaci´ on, deriv´ andolo:
f(x) −P(x) =
H(x)
(n + 1)!
f
(n+1)
(ξ(x))
102
0
(x)
1
x
P
x
(x)
f
h
1
derivada
real=tg.
Figura 7.1: F´ ormula de dos puntos.
H(x) = (x −x
0
)(x −x
1
) (x −x
n
)
a ≤ min(x, x
0
) < ξ < max(x, x
n
) ≤ b
Particularizando a nuestro caso, con un polinomio definido por dos puntos(n = 1):
f(x) −P
1
(x) =
(x −x
0
)(x −x
1
)
2
f

(ξ(x))
y derivando esta f´ ormula:
f

(x) −P

1
(x) =
1
2
(x −x
0
)(x −x
1
)f

(ξ(x))ξ

(x) +
1
2
(x −x
1
)f

(ξ(x)) +
1
2
(x −x
0
)f

(ξ(x))
Hay problemas para estimar el error en puntos distintos de x
0
o de x
1
, pues no conoce-
mos el valor de ξ

(x). Sin embargo, podemos estimar f´ acilmente el error en x
0
y en x
1
sustituyendo en la expresi´ on anterior.
f

(x
0
) −P

1
(x
0
) =
(x
0
−x
1
)f

(ξ(x))
2
= −
f

(ξ(x))
2
h = O(h)
Vemos que el error es una potencia de h de orden 1. El error tiende a 0 con h. La
aproximaci´ on es por tanto bastante mala. Por ejemplo, si echamos la vista atr´ as, en la
f´ ormula del trapecio, que es la equivalente para la integraci´ on, el error era una potencia
c´ ubica de h. El error en la interpolaci´ on es de orden h
2
. Por tanto, la integral disminuye
el error de la interpolaci´ on polinomial, subiendo el orden, y la derivada lo amplifica,
bajando el orden.
103
0
(x)
2
x
P
x
(x)
f
h
1
h
-1
x
Figura 7.2: Interpolaci´ on con par´ abola.
7.3.3 F´ ormula de tres puntos
Para conseguir un valor mejor para la derivada, podemos interpolar f con una par´ abola,
ver figura 7.2.
P
2
(x) = f(x
−1
)l
−1
(x) +f(x
0
)l
0
l(x) +f(x
1
)l
1
l(x)
P
2
(x) = f(x
−1
)
(x −x
0
)(x −x
1
)
(x
−1
−x
0
)(x
−1
−x
1
)
+f(x
0
)
(x −x
−1
)(x −x
1
)
(x
0
−x
−1
)(x
0
−x
1
)
+f(x
1
)
(x −x
−1
)(x −x
0
)
(x
1
−x
−1
)(x
1
−x
0
)
Si derivamos:
P

2
(x) = f(x
−1
)
(x −x
0
) + (x −x
1
)
2h
2
+f(x
0
)
(x −x
−1
) + (x −x
1
)
−h
2
+f(x
1
)
(x −x
−1
) + (x −x
0
)
2h
2
(7.1)
Si particularizamos en x
0
:
f

(x
0
) ≈ P

2
(x
0
) =
f(x
0
+h) −f(x
0
−h)
2h
Esta f´ ormula se llama de tres puntos centrada, figura 7.3, pues se construye la par´ abola
con tres puntos, y se eval´ ua la derivada en el central. Es curioso pensar, que precisa-
mente, en el c´ alculo de la derivada no influye el valor en el propio punto en el que se
realiza la estimaci´ on.
Por otro lado, del mismo modo que hay f´ ormulas centradas, tambi´en hay f´ ormulas mi-
rando hacia adelante, y hacia atr´ as. Si evalu´ amos la derivada en x
−1
= x
0
−h, tendremos
104
(x) (x) (x)
222
xxx
PPP
(x) (x) (x)
fff
hhh
111
aprox.ala
tangente.
aprox.ala
tangente.
aprox.ala
tangente.
hhh
-1 -1 -1
xxx
derivada
real=tg.
derivada
real=tg.
derivada
real=tg.
000
xxx
Figura 7.3: F´ ormula de tres puntos.
una f´ ormula mirando hacia adelante, y si lo hacemos en x
1
= x
0
+h, mirando hacia atr´ as:
f

(x
0
−h) ≈ P

2
(x
0
−h) =
−3f(x
0
−h) + 4f(x
0
) −f(x
0
+h)
2h
f

(x
0
+h) ≈ P

2
(x
0
+h) =
f(x
0
−h) −4f(x
0
) + 3f(x
0
+h)
2h
7.3.4 Error en la f´ ormula de tres puntos.
Para calcular el error, usamos otra vez el error de la interpolaci´ on.
f(x) −P
2
(x) =
(x −x
−1
)(x −x
0
)(x −x
1
)
3!
f

(ξ(x))
Deriv´ andolo, y particulariz´ andolo para x
0
:
f

(x
0
) −P

2
(x
0
) = −
f

(ξ(x))
6
h
2
= O(h
2
)
Por tanto, el error es una potencia de h de orden 2, lo que quiere decir que hemos
mejorado notablemente la aproximaci´ on frente a la f´ ormula de dos puntos.
7.3.5 F´ ormula de cuatro puntos.
Se obtiene cuando se interpola f por un polinomio c´ ubico que pasa por (x
0
−h, f (x
0
−h)),
(x
0
, f (x
0
)), (x
0
+h, f (x
0
+h)) y (x
0
+ 2h, f (x
0
+ 2h))
f

(x
0
) ≈ P

3
(x
0
) =
−f (x
0
+ 2h) + 6f (x
0
+h) −3f (x
0
) −2f (x
0
−h)
6h
De igual modo, o combinando estas f´ ormulas se obtienen otras f´ ormulas, cada una con
su t´ermino de error.
105
7.3.6 F´ ormula de tres puntos para estimar la derivada segunda.
Podemos usar la interpolaci´ on parab´ olica de tres puntos para estimar la derivada segunda,
que se usa a menudo en ecuaciones diferenciales, como la de Laplace. As´ı, si volvemos a
derivar, la expresi´ on 7.1, tendremos.
f

(x
0
) ≈ P

2
(x
0
) =
f (x
0
+h) −2f (x
0
) +f (x
0
−h)
h
2
En este caso hay problemas para acotar el t´ermino del error en x
0
. Ello es debido a que
hay t´erminos en los que aparecen las derivadas de la funci´ on ξ(x) que ya no se anulan.
7.4 Estabilidad
Contrariamente a la integraci´ on, y como ya hemos comentado, la diferenciaci´ on num´erica
es muy sensible a los errores de redondeo y de los datos originales. Para ilustrar esta
idea, usemos la aproximaci´ on de dos puntos a la derivada:
f

(x
0
) ≈
f(x
0
+h) −f(x
0
)
h
=
f
1
−f
0
h
con f
1
= f(x
0
+ h) y f
0
= f(x
0
). Supongamos que f
0
y f
1
son los valores de trabajo de
f
0
y f
1
, afectados de unos errores que podemos acotar como:

f
0
−f
0

≤ δ,

f
1
−f
1

≤ δ
entonces, el c´ alculo que realmente hacemos es usando los valores perturbados:
h
errortotal
errorpor
losdatos
error
paso
optimo
error
truncaje.
Figura 7.4: Selecci´ on del paso ´ optimo.
f

(x
0
) ≈
f
1
−f
0
h
106
Con lo cual, el error, y sus acotaciones quedan:

f

(x
0
) −
f
1
−f
0
h

f

(x
0
) −
f
1
−f
0
h

+

f
1
−f
0
h

f
1
−f
0
h


| f

|

2
h +

f
0
−f
0

+

f
1
−f
1

h

| f

|

2
h +

h
Por tanto:

f

(x
0
) −
f
1
−f
0
h


| f

|

2
h +

h
con
| f

|

= max
x∈[x
0
,x
0
+h]
[f

(x
0
)[
Para valores grandes de h, el t´ermino en h domina -error del m´etodo-. Si h es peque˜ no, el
error que puedan arrastrar los datos, que corresponde al t´ermino 1/h es el m´ as importante.
Hay que escoger el paso de tal modo que el error total sea m´ınimo, ver figura 7.4.
Veamos esto con un ejemplo. Se trata de encontrar el valor de la derivada de la funci´ on
f(x) = arctan(x) en el punto

(2), ver tabla 7.1. El valor real sabemos que es 1/3.
Usamos el operador de dos puntos. Vamos bajando el paso, y buscamos el punto en el
que el error total es m´ınimo. Usaremos valores de la funci´ on para estimar la precisi´ on
derivada con una precisi´ on de cuatro decimales sin redondeo. Por tanto, el error en los
datos δ es del orden de 10
−4
. Vamos bajando el paso, y hasta h = 0.04, el error total
disminuye, pero si seguimos bajando, es m´ as importante el error por los datos, y por
tanto, el error empieza a aumentar. Por tanto, el paso ´ optimo es de ese orden. Se deja
como ejercicio, el minimizar anal´ıticamente ese error para calcular el paso ´ optimo.
En la figura 7.5 dibujamos los diferentes t´erminos y los comparamos con el error real.
Dado que para pasos altos, el error del m´etodo y el error total se confunden, centramos
el gr´ afico en pasos peque˜ nos en la figura 7.6. Para pasos peque˜ nos pasa lo contrario. El
error que manda es el correspondiente a los datos.
7.5 Derivadas parciales
Consideremos, por ejemplo el problema de construir una aproximaci´ on discreta al lapla-
ciano bidimensional de una funci´ on Φ en un punto cualquiera (x
0
, y
0
).
∆Φ(x
0
, y
0
) =

2
Φ
∂x
2
(x
0
, y
0
) +

2
Φ
∂y
2
(x
0
, y
0
)
utilizando una discretizaci´ on de cinco puntos, es decir, una discretizaci´ on como la de la
figura 7.7, en la cual el espaciado en la direcci´ on x es el mismo que el espaciado en la
direcci´ on y.
Para hacer la discretizaci´ on tenemos que pensar en el significado geom´etrico de la derivada
107
Figura 7.5: T´erminos de error para estimar arctan

(2).
parcial. La derivada parcial de una funci´ on respecto a la variable x da una idea de lo
que var´ıa esa funci´ on cuando las otras variables permanecen constantes. Es como si fuese
una funci´ on de una sola variable, x, y las derivadas hay que pensarlas como las derivadas
de una funci´ on de una sola variable. La estimaci´ on queda entonces:

2
Φ
∂x
2
(x
0
, y
0
) =
Φ(x
0
+h, y
0
) −2Φ(x
0
, y
0
) + Φ(x
0
−h, y
0
)
h
2
+O(h
2
)

2
Φ
∂y
2
(x
0
, y
0
) =
Φ(x
0
, y
0
+h) −2Φ(x
0
, y
0
) + Φ(x
0
, y
0
−h)
h
2
+O(h
2
)
Y por tanto, sumando ambas expresiones tendremos que:
∆Φ(x
0
, y
0
) ≈
Φ(x
0
+ h, y
0
) + Φ(x
0
−h, y
0
) + Φ(x
0
, y
0
+ h) + Φ(x
0
, y
0
−h) −4Φ(x
0
, y
0
)
h
2
7.6 Resumen
1. Aproximar la derivada de una funci´ on en un punto se puede hacer a partir de un
n´ umero de puntos dados, susituyendo la funci´ on a integrar por una aproximaci´ on
polin´ omica a la misma.
2. Las f´ ormulas de derivaci´ on as´ı obtenidas tienen una estabilidad comprometida.
3. De igual modo que se construyen operadores para estimar las derivadas a partir del
polinomio de interpolaci´ on, tambi´en a partir de estas f´ ormulas se pueden construir
operadores que nos sirvan para estimar derivadas parciales de funciones de varias
variables.
108
-0.05
0
0.05
0.1
0.15
0.2
0.25
0 0.005 0.01 0.015 0.02 0.025 0.03 0.035 0.04 0.045
h
e
r
r
o
r
2delta/h
max f'' h/2
cotatotal
error
Figura 7.6: T´erminos de error para estimar arctan

(2).
7.7 Referencias recomendadas para este tema.
[16], [17].
109
h f
1
f
0
(f
1
−f
0
)/h 2δ/h max f

(ξ)h/2 cota
total
error
0.04 0.9684 0.9553 0.3275 0.005 0.006285394 0.01128 0.0058
0.03 0.9651 0.9553 0.3267 0.00666 0.004714045 0.01138 0.0067
0.02 0.9619 0.9553 0.3300 0.01 0.003142697 0.01314 0.0033
0.01 0.9586 0.9553 0.3300 0.02 0.001571348 0.02157 0.0033
0.009 0.9583 0.9553 0.3333 0.02222 0.001414214 0.02363 0.0000
0.008 0.9579 0.9553 0.3250 0.025 0.001257079 0.02625 0.0083
0.007 0.9576 0.9553 0.3286 0.02857 0.001099944 0.02967 0.0048
0.006 0.9573 0.9553 0.3333 0.03333 0.000942809 0.03427 0.0000
0.005 0.9569 0.9553 0.3200 0.04 0.000785674 0.04078 0.0133
0.004 0.9566 0.9553 0.3250 0.05 0.000628539 0.05062 0.0083
0.003 0.9563 0.9553 0.3333 0.06666 0.000471405 0.06713 0.0000
0.002 0.9559 0.9553 0.3000 0.1 0.00031427 0.10031 0.0333
0.001 0.9556 0.9553 0.3000 0.2 0.000157135 0.20015 0.0333
Tabla 7.1: Error c´ alculo derivada de arctan(x) en x = 2 con op. de 2 ptos.
0
y
0
x
( ) -h,
0
,y
0
x
(
)
-h
0
y
0
x
( ) +h,
0
,y
0
x
(
) +h
Figura 7.7: Discretizaci´ on de cinco puntos.
110
Cap´ıtulo 8
Ecuaciones diferenciales ordinarias.
8.1 Introducci´ on
Muchos modelos f´ısicos, ingenieriles, econ´ omicos, y de cualquier otra ciencia cuantitativa
caen dentro de la categor´ıa de las ecuaciones diferenciales. En ellos, la evoluci´ on del
comportamiento de ciertas variables satisface ecuaciones que dependen no s´ olo de las
variables en si, sino de sus derivadas. Por ejemplo, la ley que gobierna la velocidad de
una masa deslizante sujeta solamente a los efectos friccionales. En este caso la segunda
ley de Newton se escribe como:
m
d
dt
v(t) = −µv(t) (8.1)
En esta parte de la asignatura, vamos a aprender m´etodos num´ericos para resolver ecua-
ciones diferenciales ordinarias (edo’s). Estudiaremos dos problemas centrales en la teor´ıa
computacional de las ecuaciones diferenciales ordinarias: problemas de valores iniciales
y problemas de contorno.
1. Problemas de valor inicial.
La informaci´ on sobre la soluci´ on se da en el instante(punto) inicial. Esta informa-
ci´ on permite fijar los par´ ametros que quedan libres en la soluci´ on. El problema
de amortiguamiento que antes vimos es de este tipo, pues dar la velocidad ini-
cial v(0) = v
0
es suficiente para determinar completamente la soluci´ on. Hay que
aclarar que esto es as´ı si s´ olo queremos conocer la velocidad como funci´ on del tiem-
po. Si quisi´esemos conocer los desplazamientos habr´ıa que dar una condici´ on inicial
tambi´en para los desplazamientos.
2. Problemas de contorno.
Se da informaci´ on de la soluci´ on en varios momentos temporales. Por ejemplo en
el caso anterior podr´ıa ser: | v(0) | + | v(1) |= 1. Son generalmente problemas
m´ as dif´ıciles de resolver. Nosotros nos centraremos en el primer tipo de problemas,
que empezamos ahora a tratar, aunque tambi´en veremos el segundo como caso
particular de cierta clase de problemas en derivadas parciales.
Dentro de los problemas de valor inicial, las ecuaciones diferenciales pueden ser clasifi-
cadas como:
1. Ecuaciones de primer orden
Sea
f : [a, b] IR → IR
x, y → f(x, y)
Se busca una funci´ on y definida en [a, b]
y : [a, b] → IR
x → y(x)
que verifique :
• y

(x) = f(x, y(x))
• y (x
0
) = y
0
La segunda condici´ on se llama condici´ on inicial.
2. Sistemas de primer orden.
Sea
f : [a, b] IR
n
→ IR
n
x, y → f(x, y)
O sea
f : [a, b] IR
n
→ IR
n
x,

¸
¸
¸
¸
y
1
y
2

y
n
¸

¸
¸
¸
¸
f
1
(x, y
1
, , y
n
)
f
2
(x, y
1
, , y
n
)

f
n
(x, y
1
, , y
n
)
¸

Se busca, una funci´ on y definida en [a, b]
y : [a, b] → IR
n
x → y(x)
que verifique :
• y

(x) = f(x, y(x))
• y (x
0
) = y
0
con y
0
∈ IR
n
.
112
3. Ecuaciones diferenciales de orden superior a uno.
Son ecuaciones diferenciales en las que intervienen derivadas segundas, terceras....
Se reducen a un sistema de ecuaciones de primer orden con tratamientos semejantes
al siguiente. Se tiene la ecuaci´ on de la forma:

y

= h(x, y, y

)
y(x
0
) = y
0
y

(x
0
) = y

0
Se realiza el cambio de variables:

u
1
= y
u
2
= y

El problema se convierte en un sistema de primer orden, con:

u

1
= u
2
u

2
= h(x, u
1
, u
2
)
u
1
(x
0
) = y
0
u
2
(x
0
) = y

0
En cuanto a los problemas de contorno, estos son, como ya hemos contado, diferentes
a los de valor inicial o Cauchy. Se conocen no los valores iniciales, sino que las condiciones
de contorno se refieren al valor de la funci´ on en determinados sitios o instantes. El ejemplo
del apartado anterior podr´ıa ser, en este caso:

y

= h(x, y, y

)
y(x
0
) = y
0
y(x
1
) = y
1
En los problemas de valor inicial, para resolverlos num´ericamente, se simula la evoluci´ on
del proceso mediante las ecuaciones diferenciales. En los problemas de contorno no tienen
sentido este tipo de planteamientos. De ahora en adelante, nos centraremos ´ unicamente
en problemas de valor inicial y dejaremos los problemas de contorno para el cap´ıtulo
siguiente estudi´ andolos como casos particulares de Ecuaciones en Derivadas Parciales.
8.2 Ideas b´asicas para la resoluci´ on num´erica de pro-
blemas de valor inicial
Se desea tener una aproximaci´ on de la funci´ on y. Se eligen una serie de puntos x
i
∈ [a, b],
que es en realidad donde vamos a estimar los valores de la funci´ on. Una clasificaci´ on muy
importante de los m´etodos utilizados para estimar esos valores se basa en qu´e informaci´ on
se usa para hacer las sucesivas estimaciones. Como se parte de un valor o valores iniciales,
el planteamiento consiste en ir avanzando hacia adelante a partir de esos valores, y en
general, a partir de los valores anteriores. Tendremos as´ı
113
1. M´etodos de un paso.
El c´ alculo de y
i+1
hace intervenir s´ olamente los valores del paso anterior, x
i
, y
i
, y
del incremento h, que como siempre es la diferencia entre dos abscisas consecutivas.
La abscisa, variable independiente es normalmente el tiempo en los problemas de
valor inicial, aunque podr´ıa ser tambi´en el espacio, en un problema de evoluci´ on en
el espacio y estacionario en el tiempo.
y
i+1
= F (x
i
, y
i
, h) (8.2)
2. M´etodos de varios pasos. El c´ alculo de y
i+1
hace intervenir muchos valores previos,
y
i+1
= F (x
i
, x
i−1
, , x
i−k
, y
i
, y
i−1
, , y
i−k
, h) (8.3)
Tambi´en hay m´etodos llamados impl´ıcitos que involucran valores de la funci´ on todav´ıa
desconocidos. Estos conducen a resolver problemas no lineales en cada paso, como m´ as
adelante veremos.
8.3 M´etodos discretos de un paso para edos.
8.3.1 Principios de los m´etodos de un paso.
Sea
f : [a, b] IR → IR
x, y → f(x, y)
Se busca, una funci´ on y definida en [a, b]
y : [a, b] → IR
x → y(x)
que verifique :
• y

(x) = f(x, y(x))
• y (x
0
) = y
0
Se eligen una serie de puntos x
i
∈ [a, b]
a = x
0
< x
1
< x
2
< < x
n
= b
y se calculan los valores aproximados y
i
de y(x
i
). De hecho, por comodidad supondremos
que los puntos son equidistantes, aunque en la pr´ actica computacional no suceder´ a esto.
Se define, por tanto, el paso de la aproximaci´ on como:
h =
b −a
n
, x
i
= a +ih, 0 ≤ i ≤ n
114
El problema de evoluci´ on tiene su reflejo en la esencia de los m´etodos de integraci´ on. El
valor de la funci´ on en el punto i + 1 del conjunto discreto se obtiene, en los m´etodos de
un paso, a partir del valor estimado de la funci´ on en la iteraci´ on anterior.
Adem´ as de su obvia sencillez, este tipo de c´ alculo tiene la ventaja de que se puede cambiar
el paso sin mayor problema, para en un determinado momento disminuir el error si se
estima que este puede ser muy importante.
8.3.2 Ejemplo: M´etodo de Euler.
Es el m´ as sencillo de todos los m´etodos de integraci´ on num´erica de ecuaciones diferen-
ciales. El planteamiento del problema es el t´ıpico de un problema de valores iniciales. Se
busca una funci´ on y definida en [a, b]
y : [a, b] → IR
x → y(x)
que verifique :
• y

(x) = f(x, y(x))
• y (x
0
) = y
0
Se usa la f´ ormula de incrementos finitos en el intervalo (x
i
, x
i+1
) .
y(x
i+1
) −y(x
i
) = hy

(x
i
), x
i
< x
i
< x
i+1
y

(x
i
) = f (x
i
, y(x
i
))
(8.4)
El hecho es que no se conoce x
i
. El m´etodo de Euler consiste en aproximar ese valor por
x
i
, y el valor de y

(x
i
) por y

(x
i
). El esquema ser´ a por tanto el siguiente:
y
i+1
= y
i
+hf (x
i
, y
i
)
y
0
= y(x
0
)
La visualizaci´ on de lo que estamos haciendo se presenta en la figura 8.3.2. En ella se
conoce el punto A
0
= (x
0
, y
0
), y se conoce la tangente a la curva soluci´ on en ese punto,
cuya pendiente viene dada por la expresi´ on y

(x
0
) = f (x
0
, y(x
0
)). La aproximaci´ on
consiste en confundir la curva y su tangente. Se reemplaza el punto desconocido por A
1
,
que tiene su misma abscisa pero que est´ a situado sobre la tangente. Para obtener A
2
,
proceder´ıamos de modo an´ alogo tomando como referente A
1
.
Ejemplo 8.3.1

y

= y
y(0) = 1
x ∈ [0, 5]
115
1
h
A
a+h
a
0
T
0
A
0
A
Figura 8.1: Esquema de Euler.
La soluci´ on anal´ıtica es y(x) = e
x
. Tomamos un paso de h = 0.2. El esquema ser´ıa el
siguiente:
y
i+1
= y
i
+hf (x
i
, y
i
) = y
i
+hy
i
= y
i
(1 +h)
Como y
0
= 1 tendremos que:
y
i+1
= (1 +h)
i+1
En la tabla 8.3.2 y en la figura 8.3.2 tenemos una representaci´ on de la funci´ on error. El
k x y real y aprox error
0 0 1 1 0
1 0,2 1,22140276 1,44 -0,21859724
2 0,4 1,4918247 1,728 -0,2361753
3 0,6 1,8221188 2,0736 -0,2514812
4 0,8 2,22554093 2,48832 -0,26277907
5 1 2,71828183 2,985984 -0,26770217
10 2 7,3890561 7,43008371 -0,04102761
15 3 20,0855369 18,4884259 1,59711103
20 4 54,59815 46,0051199 8,59303012
25 5 148,413159 114,47546 33,9376991
Tabla 8.1: Error ejemplo esquema de Euler.
error se debe a dos causas:
1. Discretizaci´ on. Aproximar la curva por su tangente.
116
0
20
40
60
80
100
120
140
160
0 1 2 3 4 5
x
y
y real
y euler
Figura 8.2: Error ejemplo esquema de Euler.
2. Los errores de redondeo: Debidos a las operaciones realizadas por el ordenador.
A un m´etodo le exigiremos varias cosas. Sin duda las m´ as importantes son la convergencia
- que la aproximaci´ on sea tan buena como queramos bajando el paso - y la estabilidad -
que el m´etodo no sea muy sensible a los errores para c´ alculos posteriores.
8.3.3 Esquema general.
Una vez puestos en situaci´ on al haber estudiado el m´etodo m´ as sencillo, haremos un
planteamiento general de los m´etodos de un paso y definiremos con cierta precisi´ on los
conceptos que garantizan la bondad de una aproximaci´ on. Como sabemos, el c´ alculo de
y
i+1
hace intervenir los valores de x
i
y de y
i
.
y
i+1
= F (x
i
, y
i
, h)
El esquema general ser´ a:
y
i+1
= y
i
+hφ(x
i
, y
i
, h) (8.5)
y
0
= y(x
0
)
si φ(x, y, h) = f(x, y), tendremos el m´etodo de Euler.
117
8.3.4 Error de discretizaci´ on. Orden de un m´etodo.
Se define el error de la discretizaci´ on en la iteraci´ on i como e
i
= y
i
−y (x
i
). Un m´etodo
es de orden ≥ p si para toda soluci´ on de y

= f(x, y)
max
i=0,n

y (x
i+1
) −y (x
i
)
h
−φ(x
i
, y (x
i
) , h)

= O(h
p
) (8.6)
El orden de un m´etodo nos permite acotar de un modo muy preciso el error de dis-
cretizaci´ on, como nos lo demuestra el siguiente teorema, del cual no presentamos de-
mostraci´ on.
Teorema 8.3.1 Si φ verifica la condici´on de Lipschitz respecto a la segunda variable, y
si el m´etodo es de orden mayor o igual que p, entonces:
max
i=0,n
[e
i
[ = max
i=0,n
[y
i
−y (x
i
)[ = O(h
p
)
Una vez que se ha acotado el error de discretizaci´ on, el programador debe tener cuidado
con el error de redondeo, que depende del problema, de la m´ aquina, y del programa.
El orden de un m´etodo da, como hemos dicho, una medida del error de discretizaci´ on,
que es inherente al m´etodo. En realidad, lo que estamos diciendo al definir el orden es,
m´ as o menos que:
y (x
i+1
) = y (x
i
) +hφ(x
i
, y (x
i
) , h) +O(h
p+1
) (8.7)
O sea, que si parti´esemos de un valor correcto en x
i
, y (x
i
), el valor que obtendr´ıamos
en x
i+1
, vendr´ıa afectado de un error de orden p + 1. Los errores de redondeo hacen
que al integrar perdamos un orden, y que el error de discretizaci´ on sea de orden p. Por
tanto, cu´ anto m´ as grande sea p, y m´ as peque˜ no sea h, el error de discretizaci´ on ser´ a m´ as
peque˜ no.
8.3.5 Selecci´ on del paso de integraci´ on.
Que se sepa a priori el orden de un m´etodo no es suficiente para elegir el paso si se desea
que el error sea inferior a una cota dada . Explicamos una t´ecnica que permite hacer
esto con una cierta precisi´ on, m´ as alta cuanto m´ as peque˜ no es el paso de integraci´ on.
Esta t´ecnica es muy similar a la estudiada en 6.7.5. Imaginemos que buscamos h tal que
la estimaci´ on de y(x) se obtenga con un error de orden . Supongamos que el m´etodo es
de orden p. Se deben seguir los siguientes pasos.
1. Se integra con un paso h
0
, con error e = y
k
−y(x) ≈ Mh
p
0
.
2. Se integra con un paso 2h
0
, entonces el error ˜ e = ˜ y
j
−y(x) ≈ M(2h
0
)
p
.
3. Sabiendo que el error no debe superar la cota dada, se tendr´ a:
y
k
− ˜ y
j
= y
k
−y(x) +y(x) − ˜ y
j
≈ Mh
p
0
−M(2h
0
)
p
118
Mh
p
0

y
k
− ˜ y
j
1 −2
p
y tenemos el sistema:
Mh
p
0

y
k
− ˜ y
j
1 −2
p
Mh
p

y por tanto:
h ≈ h
0

(1 −2
p
)
y
k
− ˜ y
j
1
p
8.4 Diferentes m´etodos de un paso.
8.4.1 M´etodo de Euler.
Vimos ya el m´etodo de Euler, que consist´ıa en aproximar la funci´ on en un punto por
su tangente. El punto siguiente se obten´ıa proyectando la abscisa siguiente sobre su
tangente.
y
i+1
= y
i
+hf (x
i
, y
i
) (8.8)
y
0
= y(x
0
)
O sea, que seg´ un el planteamiento general:
φ(x, y, h) = f(x, y)
8.4.2 Orden del m´etodo de Euler.
El orden de un m´etodo da una medida del error de discretizaci´ on o truncamiento.

y (x
i+1
) −y (x
i
)
h
−φ(x
i
, y (x
i
) , h)

=

y (x
i+1
) −y (x
i
)
h
−f (x
i
, y (x
i
))

Haciendo un desarrollo en serie de la funci´ on y en un entorno de x
i
.
y (x
i+1
) = y (x
i
+h) = y (x
i
) +y

(x
i
) h +O(h
2
) = y (x
i
) +f (x
i
, y (x
i
)) h +O(h
2
)
por tanto:
y (x
i+1
) −y (x
i
)
h
−f (x
i
, y (x
i
)) = O(h) (8.9)
el orden del m´etodo es entonces, uno.
119
8.4.3 M´etodo de Euler: error de discretizaci´ on.
El error de discretizaci´ on en el m´etodo de Euler se debe a que, en un punto, estamos
aproximando la funci´ on por su tangente. O sea, de lo que se trata es de acotar el valor:

i
= ˆ y
i
−y (x
i
)
donde ˆ y
i
es el valor obtenido partiendo de un valor exacto en el paso anterior, la cual no
es la situaci´ on real de c´ alculo. Si usamos el desarrollo en serie de Taylor, tendremos que:
y (x
i+1
) = y (x
i
+h) = y (x
i
) +y

(x
i
) h +
=
h
2
2
max
ξ∈[x
i
,x
i+1
]
[y

(ξ)[
o, lo que es lo mismo:
y (x
i+1
) = y (x
i
+h) = y (x
i
) +f (x
i
, y (x
i
)) h +
=
h
2
2
max
ξ∈[x
i
,x
i+1
]
[f

(ξ, y (ξ))[
Desgraciadamente, esta cota del error solamente es v´ alida para el primer punto obtenido,
pues el ´ unico valor realmente exacto es el valor inicial. Los siguientes puntos de partida
incluyen el resultado de c´ alculos previos y arrastran por tanto, errores de truncamiento. A
ra´ız de esto, procede un estudio de la propagaci´ on de los errores locales de discretizaci´ on
en el m´etodo de Euler. Los estudios de propagaci´ on de errores son, en general muy
dif´ıciles. De hecho el caso m´ as sencillo que es el de Euler ya es muy complicado, y no
haremos estudios espec´ıficos de este tema. De todos modos, tenemos garantizado ya que
el error total es de orden p si el m´etodo es de orden p, siempre que la funci´ on φ verifique
la condici´ on de Lipschitz para la segunda variable.
8.4.4 M´etodo de Taylor.
Se puede construir un m´etodo de orden p a partir del desarrolo en serie de Taylor.
y (x +h) = y (x) +y

(x) h +
h
2
2
y

(x) + +
h
p
p!
y
(p)
(x) +O

h
p+1

y(x +h) −y(x)
h
= y

(x) +
h
2
y

(x) + +
h
p−1
p!
y
(p)
(x) +O(h
p
)
Pero ahora podemos obtener cada una de las derivadas sucesivas.
y

(x) = f(x, y(x))
y

(x) =
∂f
∂x
(x, y) +
∂f
∂y
(x, y)y

(x) = g
2
(x, y)
y

(x) = = g
3
(x, y), etc.
120
Con lo cual, si tomamos:
φ(x, y, h) = f(x, y) +
h
2
g
2
(x, y) + +
h
p−1
p!
g
p
(x, y) (8.10)
tendremos que:

y (x
i+1
) −y (x
i
)
h
−φ(x
i
, y (x
i
) , h)

= O(h
p
)
con lo que el orden de m´etodo ser´ a p.
El m´etodo de Taylor ha sido tradicionalmente bastante poco utilizado porque las deriva-
das sucesivas son dif´ıciles de calcular, saliendo unas expresiones inmanejables. Adem´ as,
tienen como inconveniente el exigir a la funci´ on f m´ as clase de la necesaria, porque en
principio, s´ olo necesitamos que sea continua. Tambi´en tienen el incoveniente de que son
dif´ıciles de aplicar a sistemas de edos y sobre todo a edp’s. Sin embargo, y como vamos
a ver ahora, se puede conseguir el orden que queramos sin necesidad de recurrir a las
derivadas sucesivas. En esta idea se apoyan los m´etodos de Runge-Kutta.
8.4.5 M´etodos de Runge-Kutta.
La soluci´ on de una ecuaci´ on diferencial por desarrollo directo de Taylor de la funci´ on
objeto no es, en general, un m´etodo pr´ actico si se necesitan derivadas de orden mayor
que uno. Las siguientes derivadas se complican demasiado excepto en los casos m´ as
sencillos. Por ello no es posible obtener un algoritmo sencillo, an´ alogo al m´etodo de
Euler, a partir del desarrollo de Taylor en cuanto sean precisos t´erminos de error de
´ ordenes elevados.
Afortunadamente, como ya hemos comentado, es posible deducir algoritmos de un paso
que incluyen s´ olo c´ alculos de derivadas de primer orden, pero que a su vez producen
resultados equivalentes en exactitud a las f´ ormulas de Taylor de orden superior. El
precio que se paga es evaluar varias veces la funci´ on f en cada paso. Estos m´etodos
son los que se estudian en este ep´ıgrafe, y se llaman m´etodos de Runge-Kutta
1 2
. Las
aproximaciones de segundo, tercer y cuarto orden requieren el c´ alculo de f(x, y) en dos,
tres y cuatro puntos, respectivamente, en el intervalo [x
i
, x
i+1
]. Las aproximaciones de
orden p, con p > 4, requieren el c´ alculo de f(x, y) en m´ as de p puntos, lo que los hace
menos rentables. De lo que se trata es de elegir adecuadamente la funci´ on φ(x, y, h). Lo
haremos aqu´ı de modo detallado para orden dos y presentaremos las de orden 3 y 4.
1
Martin Kutta(1867-1944) naci´o en una parte de Alemania que ahora pertenece a Polonia, Byczyna.
Fue profesor en Munich, Jena, Aachen (Aquisgr´an) y finalmente en Stuttgart. El m´etodo de Runge-
Kutta lo present´o en 1901. Es muy famoso tambi´en por el teorema de Kutta-Joukowsky, fundamental
para el c´alculo de sustentaci´on por perfiles aerodin´amicos.
2
Carle Runge (1856 Gottingen-1927). Estudi´o en la universidad de Munich donde sigui´o los cursos de
Max Planck y se hicieron buenos amigos. Ambos pasaron a Berl´ın en 1877. All´ı estudi´o con Weirstrass
y Kronecker. Runge trabaj´o en un procedimiento para la resoluci´on num´erica de ecuaciones algebraicas
(polin´omicas en varias variables) en las que las raices se expresaban como series de funciones racionales
de los coeficientes. Ayud´o a Kutta con su m´etodo para resolver edos, e hizo contribuciones en el ´area de
la f´ısica de gases y ondas.
121
M´etodos de Runge-Kutta de orden 2.
Determinaremos los coeficientes a
1
, a
2
, p
1
, p
2
, para que la aproximaci´ on de un paso que
se deduce de esta funci´ on, sea de orden dos.
φ(x, y, h) = a
1
f(x, y) +a
2
f (x +p
1
h, y +p
2
hf(x, y)) = a
1
f(x, y) +a
2
f (X, Y ) (8.11)
Si hacemos un desarrollo de esta funci´ on en un entorno del cero de h.
φ(x, y, h) = φ(x, y, 0) +φ
h
(x, y, 0)h +O(h
2
)
φ(x, y, 0) = (a
1
+a
2
)f(x, y)
φ
h
(x, y, 0) = a
2

∂f
∂x
∂X
∂h
+
∂f
∂y
∂Y
∂h

= a
2

∂f
∂x
p
1
+
∂f
∂y
p
2
f(x, y)

Por tanto
φ(x, y, h) = (a
1
+a
2
)f(x, y) +a
2

∂f
∂x
p
1
+
∂f
∂y
p
2
f(x, y)

h +O(h
2
) (8.12)
Por otro lado:
y(x +h) −y(x)
h
= y

(x) +
h
2
y

(x) +O(h
2
) = f(x, y) +
h
2

∂f
∂x
+f
∂f
∂y

+O(h
2
)
El m´etodo ser´ a de orden dos si:

y (x
i+1
) −y (x
i
)
h
−φ(x
i
, y (x
i
) , h)

= O(h
2
)
que si analizamos las expresiones, se tendr´ a que dar que:
a
1
+a
2
= 1
a
2
p
1
=
1
2
a
2
p
2
=
1
2
Dejando todo en funci´ on de a
2
a
1
= 1 −a
2
p
1
=
1
2a
2
p
2
=
1
2a
2
φ(x, y, h) = (1 −a
2
)f(x, y) +a
2
f

x +
h
2a
2
, y +
h
2a
2
f(x, y)

(8.13)
122
O sea, que nos queda un par´ ametro libre a
2
, al que podemos darle el valor que nosotros
queramos. Si cogemos a
2
= 1/2, tendremos:
φ(x, y, h) =
1
2
[f(x, y) +f (x +h, y +hf(x, y))] (8.14)
y, por tanto:
y
i+1
= y
i
+
h
2
[f(x
i
, y
i
) +f (x
i
+h, y
i
+hf(x
i
, y
i
))] (8.15)
que puede escribirse tambi´en en la forma.
y
i+1
= y
i
+
h
2

f(x
i
, y
i
) +f

x
i
+h, y
i+1
)

(8.16)
y
i+1
= y
i
+hf(x
i
, y
i
) (8.17)
A este m´etodo se le llama el m´etodo de Euler mejorado o m´etodo de Heun. Presentamos
su interpretaci´ on geom´etrica en la figura 8.3.
En esencia, lo que estamos haciendo es aplicar dos veces el m´etodo de Euler. En primer
( f
i i+1
y
pendiente= ) ,
+h
h
i
y
2
i+1
y
1
i+1
y
x
i
xxx
i+1
xxx
Figura 8.3: M´etodo de Euler mejorado o m´etodo de Heun.
lugar estimamos del modo cl´ asico con la ecuaci´ on y
i+1
= y
i
+ hf(x
i
, y
i
) el punto y
i+1
,
que es una estimaci´ on previa de y
i+1
. Es decir, y
i+1
es la ordenada en x
i+1
de la recta 1
de la figura 8.3, que pasa por (x
i
, y
i
) con pendiente f(x
i
, y
i
). A continuaci´ on se mejora
la estimaci´ on por medio de la ecuaci´ on 8.16.
y
i+1
= y
i
+
h
2

f(x
i
, y
i
) +f

x
i
+h, y
i+1
)

123
La pendiente de la recta 2 utilizada en este caso es la media ponderada de las apro-
ximaciones de f en ambos extremos del intervalo. Obs´ervese que como y (x
i+1
) es de-
sconocido, el verdadero valor de la derivada en x
i+1
, f (x
i+1
, y (x
i+1
)), se aproxima por
el valor f

x
i+1
, y
i+1
)

. El algoritmo de Euler puede considerarse en este caso como una
ecuaci´ on predictora de y
i+1
, mientras que la ecuaci´ on definitiva puede considerarse co-
mo una ecuaci´ on correctora que produce una mejor estimaci´ on de y
i+1
. Esta ecuaci´ on
puede utilizarse iterativamente para obtener una sucesi´ on de valores corregidos y
(1)
i+1
, y
(2)
i+1
,
,.....,y
(m)
i+1
. En este caso el par de ecuaciones 8.16,8.17 resulta ser el m´ as sencillo de los
m´etodos predictor-corrector que se estudiar´ an m´ as adelante con detalle.
Si cogemos a
2
= 1, tendremos:
φ(x, y, h) = f
¸
x +
h
2
, y +
h
2
f(x, y)
¸
(8.18)
y, por tanto, podemos escribir el algoritmo de aproximaci´ on como:
y
i+1
= y
i
+hf

x
i
+
h
2
, y
i+
1
2

(8.19)
y
i+
1
2
= y
i
+
h
2
f(x
i
, y
i
) (8.20)
A este algoritmo se le llama el m´etodo mejorado del pol´ıgono o m´etodo de Euler modifi-
cado. Presentamos su interpretaci´ on geom´etrica en la figura 8.4.
En este caso se utiliza de nuevo dos veces sucesivas el m´etodo de Euler. Primero se
obtiene una aproximaci´ on de y
i+
1
2
en el punto medio. Calculamos el valor de la derivada
en ese punto, y utilizamos el valor de la derivada en este punto para el total del intervalo.
M´etodos de Runge-Kutta de orden 3.
Los m´etodos de Runge-Kutta de orden superior se obtienen de modo an´ alogo. Por
ejemplo la funci´ on incremento para el m´etodo de tercer orden es:
φ(x, y, h) = ak
1
+bk
2
+ck
3
(8.21)
siendo k
1
, k
2
, k
3
, aproximaciones a la derivada en varios puntos del intervalo [x
i
, x
i+1
].
En este caso se tiene:
k
1
= f (x
i
, y
i
)
k
2
= f (x
i
+ph, y
i
+phk
1
) (8.22)
k
3
= f (x
i
+rh, y
i
+shk
2
+ (r −s)hk
1
)
Hay que imponer la condici´ on de tercer orden para obtener una relaci´ on entre las cons-
tantes a, b, c, p, r, s. El m´ as famoso de los m´etodos de tercer orden es:
y
i+1
= y
i
+
h
6
f (k
1
+ 4k
2
+k
3
) (8.23)
124
( f
i
h/2
i+1/2
y
pendiente=
i
xxx
i
y
2
i+1
y 1
i+1/2
y
) , +h/2
i+1
xxx
h/2
x
Figura 8.4: M´etodo de Euler modificado o m´etodo del pol´ıgono.
k
1
= f (x
i
, y
i
)
k
2
= f

x
i
+
h
2
, y
i
+
h
2
k
1

k
3
= f (x
i
+h, y
i
+ 2hk
2
−hk
1
)
M´etodos de Runge-Kutta de orden 4.
Los m´etodos de Runge-Kutta de orden cuatro exigen la evaluaci´ on de la derivada en
cuatro puntos para cada paso. Su esquema general es
y
i+1
= y
i
+h(ak
1
+bk
2
+ck
3
+dk
4
) (8.24)
siendo k
1
, k
2
, k
3
, k
4
, aproximaciones a la derivada en varios puntos del intervalo [x
i
, x
i+1
].
El m´ as famoso de los m´etodos de cuarto orden es:
y
i+1
= y
i
+
h
6
(k
1
+ 2k
2
+ 2k
3
+k
4
) (8.25)
k
1
= f (x
i
, y
i
)
k
2
= f

x
i
+
h
2
, y
i
+
h
2
k
1

k
3
= f

x
i
+
h
2
, y
i
+
h
2
k
2

k
4
= f (x
i
+h, y
i
+hk
3
)
125
8.5 M´etodos de paso multiple.
8.5.1 Introducci´ on a los m´etodos de paso m´ ultiple.
El m´etodo de Runge-Kutta tiene el inconveniente de que hace intervenir c´ alculos de
las derivadas en valores intermedios, algunas veces de muy poco significado geom´etrico,
siendo adem´ as puntos en los que en realidad a nosotros no nos interesa el valor que pueda
tener la funci´ on y que se pierden de una iteraci´ on a otra. A nosotros nos interesa el valor
de la funci´ on s´ olamente en los nodos de nuestra discretizaci´ on. Los m´etodos de paso
m´ ultiple eliminan este problema.
En los m´etodos de varios pasos, el c´ alculo de y
i+1
hace intervenir los valores x
i
, x
i−1
, ,
x
i−q+1
, y
i
,y
i−1
, , y
i−q+1
. Cuando esa dependencia se tiene explicitada, los m´etodos se
llaman expl´ıcitos.
y
i+1
= F (x
i
, x
i−1
, , x
i−q+1
, y
i
, y
i−1
, , y
i−q+1
) (8.26)
Cuando esa dependencia es impl´ıcita, los m´etodos se llaman impl´ıcitos. En cada paso
hay que resolver una ecuaci´ on o un sistema de ecuaciones a veces lineal, a veces no lineal,
dependiendo de c´ omo sea la ecuaci´ on diferencial
F (x
i+1
, x
i
, x
i−1
, , x
i−q+1
, y
i+1
, y
i
, y
i−1
, , y
i−q+1
) = 0 (8.27)
Otra forma de ver los m´etodos de integraci´ on es una formulaci´ on de tipo integral, que
nos va a servir de base luego para los algoritimos de paso m´ ultiple. En los m´etodos de
paso simple ten´ıamos:
dy
dx
= f (x, y(x))
Lo m´ as sencillo para obtener a partir de , ser´ıa:
y
i+1
= y
i
+

x
i+1
x
i
f (x, y(x)) dx (8.28)
y en realidad, lo que nostros hacemos es aproximar:
φ(x
i
, y
i
, h) h ≈

x
i+1
x
i
f (x, y(x)) dx (8.29)
En los m´etodos de paso m´ ultiple, la idea matriz va a ser:
y
i+1
= y
i−k
+

x
i+1
x
i−k
P
f
(x)dx (8.30)
donde P
f
(x) es un polinomio que se obtiene por interpolaci´ on de los valores obtenidos
desde i −q +1 hasta i para la funci´ on f (x, y(x)), con lo cual ser´ a un m´etodo de q pasos.
En los m´etodos impl´ıcitos P
f
(x) se obtiene por interpolaci´ on de los valores obtenidos
desde i −q + 1 hasta i + 1 para la funci´ on f (x, y(x)).
Los m´etodos de paso m´ ultiple tienen dos inconvenientes bastante importantes. Por un
lado, al comienzo de la integraci´ on, como nuestro problema es un problema de valor
126
inicial, s´ olo se dispone de un valor. Ello motiva que para arrancar los m´etodos de paso
m´ ultiple se recurra casi siempre a otros esquemas de un paso. En esta situaci´ on, y debido
a la precisi´ on del esquema multipaso elegido, los esquemas utilizados para el arranque
deber´ an cumplir un cierto requisito en la precisi´ on de sus resultados. Generalmente, lo
que se suele hacer es dar q − 1 pasos iniciales con un esquema de un paso de orden p,
siendo p el orden del esquema multipaso
3
, y q el n´ umero de pasos involucrados en el
esquema.
4
.
Adem´ as, en los m´etodos de un paso, si se detecta un error de discretizaci´ on muy grande,
el algoritmo permite el ajuste del paso para que esto no suceda. Sin embargo, en los
m´etodos de paso m´ ultiple esto no se puede hacer tan f´ acilmente.
8.5.2 M´etodos de Adams-Bashforth.
General.
Son un cierto tipo de m´etodos multipaso expl´ıcitos. Usamos la filosof´ıa polin´ omica que
acabo de comentar.

y
i+1
y
i
dy =

x
i+1
x
i
f (x, y(x)) dx = y
i+1
−y
i
(8.31)
aproximamos f (x, y(x)) mediante un polinomio cuyo grado depende del n´ umero de pun-
tos que usemos en el esquema multipaso.
y
i+1
= y
i
+

x
i+1
x
i
P
q
(x)dx (8.32)
AB1
Consiste en aproximar f (x, y(x)) por su valor en el punto f (x
i
, y
i
) = f
i
, o sea, por un
polinomio de grado cero, ver figura 8.5. Por tanto el esquema que tenemos es
y
i+1
= y
i
+hf (x
i
, y
i
) = y
i
+hf
i
(8.33)
que es precisamente el esquema euleriano, que ya sabemos que es de orden 1.
AB2
Consiste en aproximar f (x, y(x)) por una recta que se apoya en los puntos (x
i
, f
i
) y
(x
i−1
, f
i−1
), ver figura 8.6.
P
1
(x) = f
i
+
f
i
−f
i−1
x
i
−x
i−1
(x −x
i
) (8.34)
Por tanto el esquema de Adams-Bashforth de segundo orden es:
y
i+1
= y
i
+

x
i+1
x
i
P
1
(x)dx = y
i
+h

3
2
f
i

1
2
f
i−1

(8.35)
3
Se puede matizar la elecci´on del orden del esquema de arranque pero escapa al contenido del curso
4
valor inicial +q − 1 pasos = q valores iniciales para el esquema multipaso
127
( ) x
0
P
( ) x,y
f
h
h
f
i
xxx
i-1
xxx
i-2
xxx
i+1
xxx
h
(
i i
y )
, x
Figura 8.5: M´etodo de Adams Bashforth de orden 1, AB1.
AB3.
Consiste en aproximar f (x, y(x)) por una par´ abola que se apoya en los puntos (x
i
, f
i
),
(x
i−1
, f
i−1
) y (x
i−2
, f
i−2
), ver figura 8.7. Si integramos esta aproximaci´ on tendremos que:
y
i+1
= y
i
+
h
12
(23f
i
−16f
i−1
+ 5f
i−2
) (8.36)
AB4.
Para un polinomio de tercer grado, tendremos el m´etodo de Adams-Bashforth de cuarto
orden, y as´ı sucesivamente.
y
i+1
= y
i
+
h
24
(55f
i
−59f
i−1
+ 37f
i−2
−9f
i−3
) (8.37)
8.5.3 M´etodos de Adams-Moulton.
General.
Son un cierto tipo de m´etodos multipaso impl´ıcitos. Se caracterizan porque el polinomio
de interpolaci´ on de f (x, y(x)) tiene tambi´en en cuenta el punto (x
i+1
, f
i+1
). Pero este
punto es desconocido, y por tanto, el esquema se traduce en una ecuaci´ on en la que
queremos encontrar y
i+1
como funci´ on de una serie de par´ ametros entre los que tambi´en
est´ a y
i+1
. Veamos los m´ as sencillos e importantes.
128
( ) x
1
P
( ) x,y
f
h
h
i
xxx
i-1
xxx
i-2
xxx
i+1
xxx
h
f
i
f
i-1
Figura 8.6: M´etodo de Adams Bashforth de orden 2, AB2.
AM1
Consiste en aproximar f (x, y(x)) por su valor en el punto (x
i+1
, f
i+1
), ver figura 8.8. Por
tanto el esquema que tenemos es
y
i+1
= y
i
+hf (x
i+1
, y
i+1
) = y
i
+hf
i+1
(8.38)
Este esquema se llama Euler impl´ıcito o inverso, es de orden 1 y es muy importante porque
tiene unas caracter´ısticas de estabilidad privilegiadas, cuyo estudio escapa al curso, y que
hacen que sea muy utilizado en la integraci´ on de ecuaciones diferenciales.
Ejemplo 8.5.1 Se tiene el problema siguiente:

y

= y
y(0) = 1
x ∈ [0, 1]
El esquema de Euler inverso para su resoluci´ on ser´ a:
y
i+1
= y
i
+hf (x
i+1
, y
i+1
) = y
i
+hy
i+1
(8.39)
y por tanto,
y
i+1
=
y
i
1 −h
(8.40)
Mostramos los resultados en la siguiente tabla.
129
( ) x
2
P
( ) x,y
f
h
h
f
i
xxx
i-1
xxx
i-2
xxx
i+1
xxx
h
(
i-1 i-1
y ) , x
Figura 8.7: M´etodo de Adams Bashforth de orden 3, AB3.
k x Euler Expl. Euler Impl. Exacta
0 0 1 1 1
1 0,1 1,1 1,11111111 1,10517092
2 0,2 1,21 1,2345679 1,22140276
3 0,3 1,331 1,37174211 1,34985881
4 0,4 1,4641 1,5241579 1,4918247
5 0,5 1,61051 1,69350878 1,64872127
6 0,6 1,771561 1,88167642 1,8221188
7 0,7 1,9487171 2,09075158 2,01375271
8 0,8 2,14358881 2,32305731 2,22554093
9 0,9 2,35794769 2,58117479 2,45960311
10 1 2,59374246 2,86797199 2,71828183
Ejemplo 8.5.2 Se tiene el problema siguiente:

y

= e
y
y(0) = 1
x ∈ [0, 1]
El esquema de Euler inverso para su resoluci´ on ser´ a:
y
i+1
= y
i
+hf (x
i+1
, y
i+1
) = y
i
+he
y
i+1
(8.41)
y
i+1
= y
i
+he
y
i+1
(8.42)
que no se puede resolver de modo expl´ıcito para y
i+1
.
130
( ) x
0
P
( ) x,y
f
h
h
f
i
xxx
i-1
xxx
i-2
xxx
i+1
xxx
h
i+1
Figura 8.8: M´etodo de Adams Moulton de orden 1, AM1.
AM2
Consiste en aproximar f (x, y(x)) por una recta que se apoya en los puntos (x
i
, f
i
) y
(x
i+1
, f
i+1
), ver figura 8.10.
P
1
(x) = f
i
+
f
i+1
−f
i
x
i+1
−x
i
(x −x
i
) (8.43)
Por tanto el esquema de Adams-Moulton de segundo orden es:
y
i+1
= y
i
+

x
i+1
x
i
P
1
(x)dx = y
i
+h
f
i
+f
i+1
2
(8.44)
A este esquema en particular se le suele llamar m´etodo de Crank-Nicholson.
AM3.
Consiste en aproximar f (x, y(x)) por una par´ abola que se apoya en los puntos (x
i+1
, f
i+1
),
(x
i
, f
i
) y (x
i−1
, f
i−1
), ver figura 8.11. Si integramos esta aproximaci´ on tendremos que, el
esquema num´erico, siempre para paso de integraci´ on constante queda:
y
i
+
h
12
(5f
i+1
+ 8f
i
−f
i−1
) (8.45)
AM4.
Para un polinomio de tercer grado, tendremos el m´etodo de Adams-Moulton de cuarto
orden, y as´ı sucesivamente.
y
i+1
= y
i
+
h
24
(9f
i+1
+ 19f
i
−5f
i−1
+f
i−2
) (8.46)
131
0
50
100
150
200
250
300
0 1 2 3 4 5
x
y
y real
y euler explícito
y euler implícito
Figura 8.9: Comparaci´ on entre Euler expl´ıcito e impl´ıcito para el ejemplo 1.
Conclusi´ on sobre los m´etodos impl´ıcitos de Adams-Moulton.
En general, los m´etodos impl´ıcitos dan mejores resultados que los expl´ıcitos del mis-
mo orden adem´ as de tener propiedades num´ericas (estabilidad y convergencia) mejores
que los expl´ıcitos. Sin embargo, tienen la debilidad inherente de tener que convertir,
algebraicamente, el m´etodo a una representaci´ on expl´ıcita para y
i+1
. Esto, a menudo
es muy dif´ıcil, y a veces, imposible. Para solucionar estos problemas estudiaremos los
m´etodos predictor corrector que consisten en una t´ecnica de resoluci´ on aproximada de
los problemas planteados por los m´etodos impl´ıcitos en cada paso.
8.5.4 M´etodos predictor-corrector.
General.
En la pr´ actica, los m´etodos multipaso impl´ıcitos no se usan como se describi´ o ante-
riormente. Se utilizan para mejorar las aproximaciones obtenidas mediante m´etodos
expl´ıcitos. La combinaci´ on de una t´ecnica expl´ıcita con una impl´ıcita se llama m´etodo
predictor-corrector.
5
En realidad, la filosof´ıa predictor-corrector es m´ as general - como
vimos en el m´etodo de Euler mejorado -, pero a efectos pr´ acticos, los esquemas predictor
corrector m´ as usados, son la combinaci´ on de un multipaso expl´ıcito con otro impl´ıcito.
Explicaremos el m´ as usado, y el m´ as complejo, que es el de cuarto orden. Los de orden
inferior se deducen f´ acilmente habiendo entendido ´este.
5
En realidad, lo que se hace es sustituir la parte impl´ıcita del corrector con el valor obtenido por
el predictor. El predictor se puede ver como resolver un problema de punto fijo en cada paso: y
i+1
=
T (y
i+1
), y el predictor ser´ıa el hu´esped inicial de ese esquema
132
( ) x
1
P
( ) x,y
f
h
h
i
xxx
i-1
xxx
i-2
xxx
i+1
xxx
h
f
i+1
f
i
Figura 8.10: M´etodo de Adams Moulton de orden 2, AM2.
M´etodos de Adams-Bashforth-Moulton.
Un planteamiento muy habitual es que si se necesita un m´etodo de cuarto orden para
resolver un problema de valor inicial, se obtengan los cuatro puntos para el arranque
del multipaso mediante un Runge-Kutta de orden 4. Estos cuatro puntos se usan como
arranque el un Adams-Bashforth de orden cuatro. La estimaci´ on en cada paso se mejora
con un multipaso impl´ıcito de tres pasos de orden cuatro AM4. O sea:
1. Tenemos y
0
2. Obtenemos con RK4 y
1
, y
2
, y
3
.
3. Obtenemos con AB4 y
(0)
4
.
y
(0)
4
= y
3
+
h
24
(55f (x
3
, y
3
) −59f (x
2
, y
2
) + 37f (x
1
, y
1
) −9f (x
0
, y
0
))
4. Mejoramos y
(0)
4
con AM4.
y
(1)
4
= y
3
+
h
24

9f

x
4
, y
(0)
4

19f (x
3
, y
3
) −5f (x
2
, y
2
) +f (x
1
, y
1
)

De nuevo podr´ıamos mejorar esta estimaci´ on, meti´endolo de nuevo en el multipaso
impl´ıcito, como si estuvi´esemos resolviendo un problema no lineal por aproxima-
ciones sucesivas.
y
(2)
4
= y
3
+
h
24

9f

x
4
, y
(1)
4

19f (x
3
, y
3
) −5f (x
2
, y
2
) +f (x
1
, y
1
)

Podr´ıamos hacer sucesivas mejoras(sea k es n´ umero de mejoras), pero sabiendo que
no tendemos a la soluci´ on real y (x
1
) sino a la soluci´ on del problema impl´ıcito. Si
queremos m´ as precisi´ on, en vez de iterar muchas veces sobre el corrector, es mejor
reducir el paso.
133
( ) x
2
P
( ) x,y
f
h
h
i
xxx
i-1
xxx
i-2
xxx
i+1
xxx
h
f
i+1
f
i
f
i-1
Figura 8.11: M´etodo de Adams Moulton de orden 3, AM3.
5. Una vez obtenido este punto, los siguientes se obtienen de modo an´ alogo. En
general:
y
(0)
i+1
= y
i
+
h
24
(55f (x
i
, y
i
) −59f (x
i−1
, y
i−1
) + 37f (x
i−2
, y
i−2
) −9f (x
i−3
, y
i−3
))
y
(1)
i+1
= y
i
+
h
24

9f

x
i+1
, y
(0)
i+1

+ 19f (x
i
, y
i
) −5f (x
i−1
, y
i−1
) +f (x
i−2
, y
i−2
)

y
(k+1)
i+1
= y
i
+
h
24

9f

x
i+1
, y
(k)
i+1

+ 19f (x
i
, y
i
) −5f (x
i−1
, y
i−1
) +f (x
i−2
, y
i−2
)

8.5.5 M´etodos de Milne-Simpson.
En los m´etodos de paso m´ ultiple la idea era:
y
i+1
= y
i−k
+

x
i+1
x
i−k
P(x)dx
donde P(x) es un polinomio que se obtiene por interpolaci´ on de los valores obtenidos
desde i −q +1 hasta i para la funci´ on f (x, y(x)), con lo cual ser´ a un m´etodo de q pasos.
En los m´etodos de Adams el planteamiento era hacer k = 0, y ten´ıamos que:
y
i+1
= y
i
+

x
i+1
x
i
P
q
(x)dx
Pero k puede ser distinto de cero. Jugando con esta idea se obtiene uno de los esquemas
predictor-corrector m´ as usados, que es el de Milne-Simpson. El predictor es el esquema
expl´ıcito de Milne de orden 3
y
i+1
= y
i−3
+
4h
3
(2f (x
i
, y
i
) −f (x
i−1
, y
i−1
) + 2f (x
i−2
, y
i−2
)) (8.47)
134
y el corrector el esquema impl´ıcito de Simpson de tercer orden
y
i+1
= y
i−1
+
h
3
(f (x
i+1
, y
i+1
) + 4f (x
i
, y
i
) +f (x
i−1
, y
i−1
)) (8.48)
8.6 Edos de orden mayor que uno y sistemas de edos.
Aprendimos que era sencillo reducir un problema de valor inicial de una ecuaci´ on dife-
rencial ordinaria de orden mayor que uno, al de un sistema de ecuaciones diferenciales
de orden 1. Por ejemplo:

y

= h(x, y, y

)
y(x
0
) = y
0
y

(x
0
) = y

0
Se realiza el cambio de variables:

u
1
= y
u
2
= y

El problema se convierte en un sistema de 1er orden, con:

u

1
= u
2
u

2
= h(x, u
1
, u
2
)
u
1
(x
0
) = y
0
u
2
(x
0
) = y

0
Adem´ as vimos que la condici´ on de existencia y unicidad de la soluci´ on de un sistema
de ecuaciones diferenciales ordinarias de primer orden era muy similar al de una ´ unica
ecuaci´ on. Aprendamos ahora a resolverlos. El planteamiento ser´ a:
Sea
f : [a, b] IR
n
→ IR
n
x, y → f(x, y)
O sea,
f : [a, b] IR
n
→ IR
n
x,

¸
¸
¸
¸
y
1
y
2

y
n
¸

¸
¸
¸
¸
f
1
(x, y
1
, , y
n
)
f
2
(x, y
1
, , y
n
)

f
n
(x, y
1
, , y
n
)
¸

Se busca una funci´ on y definida en [a, b]
y : [a, b] → IR
n
x → y(x)
que verifique :
135
• y

(x) = f(x, y(x))
• y (x
0
) = y
0
con y
0
∈ IR
n
.
o, lo que es lo mismo, usando la notaci´ on y
i,j
para denotar la estimaci´ on de y
i
(x
j
):
dy
1
dx
= f
1
(x, y
1
, , y
n
)
dy
2
dx
= f
2
(x, y
1
, , y
n
)

dy
n
dx
= f
n
(x, y
1
, , y
n
)
y las condiciones de valores iniciales:
y
1
(x
0
) = y
1,0
y
2
(x
0
) = y
2,0

y
n
(x
0
) = y
n,0
La idea es que los m´etodos usados para resolver sistemas de ecuaciones diferenciales
ordinarias de primer orden son simplemente generalizaciones de los m´etodos para una
sola ecuaci´ on, que ya hemos estudiado. Presentamos la generalizaci´ on correspondiente
al cl´ asico RK4, que es el m´ as lioso, y en haremos como ejercicio alg´ un Euler o alg´ un RK
de orden m´ as bajo.
y
i,j+1
= y
i,j
+
h
6
(k
1,i
+ 2k
2,i
+ 2k
3,i
+k
4,i
) (8.49)
k
1,i
= f
i
(x
j
, y
1,j
, y
2,j
, , y
n,j
)
k
2,i
= f
i

x
j
+
h
2
, y
1,j
+
hk
1,1
2
, y
2,j
+
hk
1,2
2
, , y
n,j
+
hk
1,n
2

k
3,i
= f
i

x
j
+
h
2
, y
1,j
+
hk
2,1
2
, y
2,j
+
hk
2,2
2
, , y
n,j
+
hk
2,n
2

k
4,i
= f
i
(x
j
+h, y
1,j
+hk
3,1
, y
2,j
+hk
3,2
, , y
n,j
+hk
3,n
, )
8.7 Resumen.
1. Un problema de evoluci´ on, modelizado mediante una edo y con informaci´ on sobre
la situaci´ on de partida, admite un tratamiento num´erico potente y sencillo.
2. No hemos hecho estudios serios de error, pero hemos definido el orden de un m´etodo
y lo hemos calculado en algunos casos. El orden de un m´etodo nos da una informa-
ci´ on important´ısima sobre la calidad del mismo a efectos del error de discretizaci´ on.
3. Hay m´etodos que para estimar el punto siguiente utilizan s´ olo el valor anterior, y
valores intermedios que no se almacenan en memoria.
136
4. Hay otros m´etodos que usan muchos puntos ya calculados, y que con mayor sencillez
algor´ıtmica consiguen igual orden de aproximaci´ on que m´etodos de un paso m´ as
complicados.
5. Dentro de estos m´etodos multipaso existen algoritmos predictor corrector de muy
buen comportamiento num´erico.
6. Los sistemas de edos de primer orden admiten tratamientos similares, y las ecua-
ciones de mayor orden que uno pueden ser reducidas a sistemas de primer orden, y
luego resueltas.
8.8 Referencias recomendadas para este tema.
[16],[3],[2].
137
Cap´ıtulo 9
Ecuaciones diferenciales en
derivadas parciales: M´etodo de las
diferencias finitas
9.1 Introducci´ on
Se utilizan las ecuaciones en derivadas parciales (edp’s) para modelizar fen´ omenos que
son simult´ aneamente dependientes de varias variables. Las variables independientes son
casi siempre el tiempo y las variables espaciales. Las edp’s que vamos a manejar van
a poder clasificarse como parab´ olicas, el´ıpticas e hiperb´ olicas. Presentamos un ejemplo
de cada una de ellas en orden correlativo, aunque en este cap´ıtulo s´ olo estudiaremos las
parab´ olicas y las el´ıpticas.

2
f
∂x
2
+

2
f
∂y
2
=
∂f
∂t
(9.1)

2
f
∂x
2
+

2
f
∂y
2
= 0 (9.2)

2
f
∂x
2
+

2
f
∂y
2
=

2
f
∂t
2
(9.3)
9.2 Ecuaciones parab´ olicas
Las ecuaciones parab´ olicas se refieren a problemas de evoluci´ on temporal. Un fen´ omeno
muy importante gobernado por una ecuaci´ on parab´ olica es la transmisi´ on de calor en
r´egimen transitorio. Si tenemos una barra sometida a temperaturas variables en los
extremos, o que parte de una condici´ on inicial diferente a la de los extremos, esa barra
sufrir´ a unas variaciones en la temperatura de sus puntos. Estas variaciones siguen la
siguiente ecuaci´ on diferencial en derivadas parciales parab´ olica.

∂x

k
∂T
∂x

= ρc
p
∂T
∂t
en cuya ecuaci´ on T define a la temperatura, y los valores k, ρ y c
p
definen respectivamente
a la conductividad t´ermica, densidad y calor espec´ıfico de la varilla. Si k se considera
constante, se puede volver a escribir la ecuaci´ on en la forma:
α

2
T
∂x
2
=
∂T
∂t
α =
k
ρc
p
α recibe el nombre de difusividad t´ermica. A continuaci´ on se introducen las nuevas
variables, X = x/L, τ = αt/L
2
, en las que L representa una longitud caracter´ıstica
del problema, X la variable independiente espacial adimensionalizada, y τ el tiempo
adimensionalizado. Con estos cambios de variables, la ecuaci´ on diferencial se convierte
en:

2
T
∂X
2
=
∂T
∂τ
abusando de la notaci´ on podemos volver a escribir
∂T
∂t
=

2
T
∂x
2
0 < x < 1, 0 < t ≤ A (9.4)
que es un ejemplo claro de edp parab´ olica. Este problema ser´ a casi siempre propuesto
sabiendo los valores iniciales de la temperatura en toda la barra, y sabiendo el valor de
la temperatura en los extremos en todos los instantes temporales. O sea:
T(x, 0) = f(x) 0 < x < 1
T(0, t) = g
0
(t) 0 < t ≤ A
T(1, t) = g
1
(t) 0 < t ≤ A
Vamos a integrar num´ericamente esta ecuaci´ on parab´ olica. Lo primero que hay que
hacer es discretizar tiempo y espacio. Por tanto, hay que tener un ∆t y un ∆x. As´ı,
denominaremos T
i,k
al valor de la temperatura en el punto i en el instante k. Una vez
discretizadas las variables independientes hay que escribir de modo discreto la ecuaci´ on
diferencial. Lo m´ as sencillo es discretizar las derivadas temporales con un operador de
dos puntos, y discretizar la segunda derivada espacial con un operador de tres puntos
centrado, el m´ as sencillo. Este tipo de t´ecnicas se llaman diferencias finitas, y ser´ an las
´ unicas que estudiemos para resolver edp’s. Otra familia de t´ecnicas muy importantes
son los elementos finitos. Se utilizan para resolver las ecuaciones de la resistencia de
materiales en muchos c´ odigos comerciales. Estos m´etodos escapan al contenido del curso.
T
i,k+1
−T
i,k
∆t
=
T
i+1,k
−2T
i,k
+T
i−1,k
h
2
(9.5)
Lo ´ unico desconocido en esta ecuaci´ on es T
i,k+1
y la ecuaci´ on es lineal en ese valor, por
lo que puede ser despejado f´ acilmente para tener.
T
i,k+1
= T
i,k
+
∆t
h
2
(T
i+1,k
−2T
i,k
+T
i−1,k
) (9.6)
139
Como conocemos las condiciones iniciales, y conocemos los valores en los extremos siem-
pre, el esquema de avance no tiene ning´ un problema.
Una variante muy interesante pasa por tomar la derivada espacial en el instante k + 1.
Tendremos entonces:
T
i,k+1
−T
i,k
∆t
=
T
i+1,k+1
−2T
i,k+1
+T
i−1,k+1
h
2
(9.7)
Tenemos 1 ecuaci´ on y 4 inc´ ognitas, todos los valores en el instante k + 1. Sin embargo,
si escribimos esta ecuaci´ on en todos los nodos, tendremos un n´ umero igual de ecuaciones
e inc´ ognitas, y podremos plantear y resolver ese sistema lineal en cada paso de tiempo.
Este esquema, que llamaremos impl´ıcito, por analog´ıa con las edos, tiene muy buenas
propiedades num´ericas. Adem´ as, el hecho de tener que resolver un sistema lineal en
cada paso no es gran problema, dado que podemos hacerlo con un m´etodo iterativo, y
tendremos siempre una estimaci´ on muy buena del hu´esped inicial, el valor en el instante
anterior. En los ejercicios profundizaremos estos conceptos.
9.3 Ecuaciones el´ıpticas
Las ecuaciones el´ıpticas se refieren normalmente a problemas de contorno en los que no
interviene la variable tiempo. La m´ as importante ecuaci´ on el´ıptica es la ecuaci´ on de
Laplace, que es la que se present´ o como ejemplo9.2. Gobierna por ejemplo la transmisi´ on
de calor en r´egimen permanente. Si tenemos una placa sometida a un nivel t´ermico
constante en sus bordes, la temperatura en el interior est´ a gobernada por la ecuaci´ on de
Laplace. Vamos a aprender a resolver este problema en el que las condiciones de contorno
se refieren al valor de la funci´ on inc´ ognita en la frontera. Este tipo de problemas se llaman
problemas de Dirichlet. Podr´ıa ser que en el contorno supi´esemos derivadas de la funci´ on
inc´ ognita. Si as´ı fuese tendr´ıamos un problema de Neumann. Nosotros nos centraremos
en el primero.
Se considera una placa plana Ω. Se conoce el valor de la temperatura en la frontera de
Ω, ∂Ω, que viene dada por una funci´ on g(x, y). El problema se formula entonces como
encontrar un funci´ on T(x, y) que verifique:

T
xx
+T
yy
= 0 en Ω
T(x, y) = g(x, y) en ∂Ω
(9.8)
Si se imponen ciertas condiciones sencillas sobre las propiedades de Ω y si g es continua,
se puede demostrar que este problema tiene soluci´ on ´ unica como indica la intuici´ on f´ısica.
Para resolverlo se discretiza el dominio Ω, y se plantea en cada nodo de la discretizaci´ on
la ecuaci´ on diferencial escrita de modo discreto, donde ahora el primer ´ındice se refiere a
nodos en la direcci´ on x, y el segundo a nodos en la direcci´ on y.
T
i+1,j
−2T
i,j
+T
i−1,j
hx
2
+
T
i,j+1
−2T
i,j
+T
i,j−1
hy
2
= 0 (9.9)
Si los espaciados son iguales en la direcci´ on x e y tendremos:
4T
i,j
−T
i+1,j
−T
i−1,j
−T
i,j+1
−T
i,j−1
= 0 (9.10)
140
Si escribimos esta ecuaci´ on en cada uno de los nodos obtendremos el sistema lineal que
nos da la soluci´ on discreta del problema. Es un sistema diagonalmente dominante cuya
resoluci´ on no debe plantear ning´ un problema con cualquier m´etodo iterativo.
Si el espaciado no es el mismo hay que mantener la ecuaci´ on 9.9, y si adem´ as, el recinto
no es rectangular, sino que tiene froteras irregulares, hay que pensar una alternativa a la
ecuaci´ on, pues los puntos de la frontera no est´ an a la misma distancia que el resto de los
nodos.
9.3.1 Discretizaci´ on del operador de Laplace con contornos irre-
gulares.
Sea el contorno irregular de la figura 9.1. Imaginemos que queremos discretizar la
ecuaci´ on de Laplace en el punto (i, j) de la ret´ıcula. El procedimiento consiste en escribir
los necesarios desarrollos en serie de Taylor y eliminar las derivadas que no nos interesen:
y
x
E
A
D
B
C
a x D
( ) i-1,j
(i,j)
(i,j-1)
Dx b x D
Dx
Figura 9.1: Contorno irregular.
T
B
= T
i,j
+b∆xT
x
+
(b∆x)
2
2!
T
xx
+O

∆x
3

141
T
i−1,j
= T
i,j
−∆xT
x
+
(∆x)
2
2!
T
xx
+O

∆x
3

T
A
= T
i,j
+a∆xT
y
+
(b∆x)
2
2!
T
yy
+O

∆x
3

T
i,j−1
= T
i,j
−∆xT
y
+
(∆x)
2
2!
T
yy
+O

∆x
3

(9.11)
Eliminando T
x
y T
y
obtenemos:
T
xx
+T
yy
=
2
(∆x)
2
¸
T
i−1,j
b + 1
+
T
i,j−1
a + 1
+
T
A
a(a + 1)
+
T
B
b(b + 1)

(a +b)T
i,j
ab
¸
(9.12)
Los t´erminos conocidos, los de la frontera, pasan al t´ermino independiente del sistema
lineal. El procedimiento podr´ıa repetirse para otra pareja de puntos tales como D y E
de la misma figura.
9.4 Resumen
Las ecuaciones en derivadas parciales son sin duda una de las disciplinas m´ as impor-
tantes dentro de las matem´ aticas, y quiz´ a la que m´ as acerque a ´estas a la realidad f´ısica.
Plantean problemas muy importantes desde el punto de vista num´erico y sirven bien
como cierre del curso, ya que dan lugar a problemas muy interesantes que combinan
conocimientos previos, sobre todo de derivaci´ on num´erica y resoluci´ on de sistemas linea-
les. Las hemos estudiado con t´ecnicas de diferencias finitas. Son las m´ as sencillas y sufi-
cientemente generales como para resolver problemas muy complicados. El tratamiento es
aparentemente demasiado simplificado pero creemos que ajustado al tiempo disponible.
9.5 Referencias recomendadas para este tema.
[3], [8].
142
Bibliograf´ıa
[1] Aubanell, A., Benseny, A., Delshams, A.
´
Utiles b´ asicos de c´ alculo num´erico. Labor,
1993.
Libro con problemas muy interesantes.
[2] Burden, R.L., Faires, J.D. An´ alisis num´erico. Grupo Editorial Iberoamerica. M´exico.
Libro muy bueno, con muchos ejemplos. Trata muy bien la parte de ecuaciones diferen-
ciales. Cl´asico en la materia.
[3] Carnahan, B., Luther, A.,Wilkes, J.O., C´ alculo num´erico: m´etodos, aplicaciones.
Editorial Rueda.
Texto enciclop´edico (640 p´aginas) que est´a bastante bien, pero que se convierte m´as en un
libro de m´etodos que de an´alisis. Barato para su tama˜ no.
[4] Fern´ andez Jambrina, L., Temas de an´ alisis funcional, vectorial, tensorial en Ge-
ometr´ıa Diferencial, Tensores y Campos. Secci´ on de Publicaciones, Escuela T´ecnica
Superior de Ingenieros Navales. Universidad Polit´ecnica de Madrid. 2001.
Texto muy adecuado para el estudio de las propiedades m´etricas de los espacios de matri-
ces.
[5] Gasca Gonz´ alez, Mariano. C´ alculo num´erico. Universidad Nacional de Educaci´ on a
Distancia, 1990. ISBN 84-362-2118-4
Libro de teor´ıa de la UNED. Bastante bueno, y muy did´actico. Ha servido de base para
la parte de ecuaciones y sistemas no lineales.
[6] Golub, G., Ortega, J.M., Scientific Computing. An introduction with parallel com-
puting. Academic Press, Inc., 1993.
Texto muy bueno sobre sistemas lineales.
[7] Hammerlin, G., Hoffmann, K-H. Numerical Mathematics, Springer-Verlag 1991.
Libro que ha servido de base para toda la parte de interpolaci´on y aproximaci´on. Es
un libro francamente bueno, con un nivel medio-alto, pero todo muy bien explicado sin
meterse en complicaciones. Algunos de los ejercicios propuestos en las hojas de apuntes
son ejercicios propuestos tambi´en en la parte final de los cap´ıtulos de este libro. Caro. Si
143
una vez que hay´ais terminado la asignatura, ten´eis la sensaci´on de que hab´eis aprendido
y os ha gustado, es una excelente libro para volver sobre ´el m´as adelante
[8] Kincaid, D., Cheney,W. An´ alisis num´erico. Las matem´ aticas del c´ alculo ci´entifico.
Addison-Wesley Iberoamericana, 1994.
Texto de tipo medio. La teor´ıa es bastante completa y no muy complicada. Cubre casi
todas las partes de la asignatura, y tiene multitud de problemas propuestos. Cae un poco
hacia la parte de m´etodos, pero puestos a comprar un libro, ´este es ahora mismo el que
recomiendo.
[9] Lascaux, P., Theodor, R. Analyse Numerique Matricielle Appliquee a l’Art de
l’Ingenieur. Tomes I, II, Masson 1987.
Texto adecuado para ampliar la parte de resoluci´on num´erica de sistemas lineales.
[10] Linz, P., Theoretical numerical analysis: an introduction to advanced techniques.
John Wiley & Sons, 1979 Libro con un contenido de an´alisis muy grande. Explica muy
bien la teor´ıa general de Interpolaci´on Lineal.
[11] Oppenheim, A.V., Willsky, A.S, Hamid Nawab, S., Signals and systems, Prentice-
Hall International, 1997. Texto de referenica para la aproximaci´on por m´ınimos cuadra-
dos mediante funciones peri´odicas.
[12] Puy Huarte, J. Problemas de c´ alculo num´erico. Servicio de Publicaciones. Revista
obras p´ ublicas. Madrid 1994. ISBN/ISSN 84-7493-173-8.
No hay libros de problemas buenos. De los que conozco este es el mejor, aunque no cubre
toda la asignatura. Creo que lo venden en Caminos, y debe ser barato.
[13] Rappaz, J., Picasso, M. Introduction a l’analyse numrique. Presses Polytechniques
et Universitaires Romandes, 1998.
Texto muy bueno. Cubre muy bien la parte de ecuaciones en derivadas parciales.
[14] S´ anchez, J.M. Algebra lineal num´erica. Secci´ on de publicaciones ETSIN.
Texto que cubre muy bien la parte de sistemas lineales, no lineales, y c´alculo de autovalores.
[15] Souto, A. Problemas de ex´ amenes de C´ alculo Num´erico. Secci´ on de publicaciones
ETSIN.
Herramienta b´asica de trabajo pues contiene resueltos todos los problemas de ex´amenes
de los ´ ultimos a˜ nos.
[16] Theodor, R. Initiation a l’Analyse Numerique, 3 edition. Masson 1989.
Libro bastante peque˜ no que ha servido de base para la parte de integraci´on, derivaci´on y
ecuaciones diferenciales.
´
Ultimamente no me gusta mucho, pero sigue siendo un libro muy
did´actico, aunque a veces se deja demasiadas cosas sin explicar. Demasiado caro para lo
que es.
144
[17] Yakowitz, S., Szidarowsky, F. An introduction to numerical computations. Macmil-
lan Publishing Company.
Buen libro de consulta. Sencillo y con buenos ejemplos.
145

Every phenomenon affects and is affected by every other phenomenon. Any phenomenon which we choose to examine is to us conditioned by what we see and know. We exclude deliberately all other conditions, but nature does not exclude them. T.A.Cook The curves of life. 1914

El progreso t´cnico deja un problema sin e resolver: la debilidad de la naturaleza humana. J. Gray

.

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Obtenci´n del m´todo de Newton a partir del factor optimo de o e ´ relajaci´n. . . . . . o 3. . .2 Obtenci´n del m´todo de Newton a partir de un desarrollo en serie o e de Taylor. . 3 Resoluci´n de sistemas lineales. . . . . . . . . . . . . . . o o 2. . .7. . . .7 M´todo de Newton-Raphson. . . . o 1. . . . . . .1 Matrices y normas matriciales. . . . . . . . . . . . . . . . . . . . . . . o 2. . . . . . . . . . . .1 Convergencia local. 2 Ecuaciones y sistemas de ecuaciones no lineales. . . . . . . . . .4 Sistema de evaluaci´n. . . . . . . . . . . o u 2. . . . . . . . . . . . . . . . . . . . . . . . . .10 Resumen . . . . . . . . 2. . . . . . . . . . . . . . . . . . o o 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Estudios de convergencia local.8.2 Condicionamiento de un sistema . . . . . . . . . . . . o e e 2.3 Aplicaci´n a la resoluci´n de ecuaciones. . . . lineal. . 2.2 Tutor´ . . . . . . 3. . 4 . . . . . .3 Requisitos previos . . . . . . . . .5 Interpretaci´n gr´fica de los m´todos iterativos. . . 2. .11 Referencias recomendadas para este tema. . . . . . . . . . . . . . . . . . . . . . . . . . 1. . . . . . .1. . . . . . . . . . . .4 Obtenci´n del m´todo de Newton a partir de las ideas de convero e gencia local . . .3 Interpretaci´n geom´trica del m´todo de Newton. . . . . . . . . . . . . .9 M´todo de Newton-Raphson para sistemas de ecuaciones no lineales. . . . . . . . . . . .8 Resoluci´n de sistemas de ecuaciones no lineales. . . . . . e 2. .7. . . . . 3. . . . . 2. . . . . . . . .1 Matrices. o 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o a e 1. . . . . . . . . . . . . . 3. . . . . 2. . . . . . . .´ Indice General 1 Introducci´n. . . . . . .3. . . . . .4. . . .7. . 2. . . . . . . . . . . . . . . . . . . . . . . .1. . . .1 Normas del examen de C´lculo Num´rico.1. . . . . . . . .2 Teorema de la aplicaci´n contractiva. .7. . 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. . . . . . . . .6 Relajaci´n de un esquema de aproximaciones sucesivas. o a e 2. . .2 Autovalores . . . . . . . . . . . . . . . . . .3 Normas matriciales . . . . . . . . . . . . ıas 1. . o 2. . 8 9 11 11 11 12 13 13 14 16 16 17 18 18 19 20 21 21 21 24 25 26 26 26 27 27 27 28 29 31 . . . . . . . e 2. .1 Clasificaci´n de los problemas en matem´tica num´rica. . . . . . . . . . . . . . . . . . .1 Introducci´n . . . . . . o a e 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 Estimaciones del error en funci´n del n´mero de iteraciones. . . . . .

. . . . . . . . . . o 4. . . . . . . . . . 4. . .3. .3. . .4 Interpolaci´n simple de Hermite u osculatriz. o 4. . . .2 Esquema general. .6 Partici´n de la unidad .1 Sucesi´n minimizante en T . . . .4. o 3. . . . . . . . . . 4. . . . . . . . . . . . 3. . . . . .5. . . .3 M´todo iterativo de Jacobi. . . . . o 4.3 Descomposici´n de Cholesky. . .4. . . . . . . . . . . . . . . . . . . . . . . . . o o 4. .1 Interpolaci´n en recintos rectangulares . .2. . . . . e 3. .2 Interpolaci´n polinomial . . . . . . . . r = 4 o 4. . . . . . . . . . . . . . . . . . . . . . . . 4. . . . . . . . . . . . . . .1.3.1 B-splines de grado 0.5 Test de parada. . . . . . . . . r = 2 . . . .1 Convergencia. . . . . . . . . . . . .4 M´todo iterativo de Gauss-Seidel. . . . . e 3. . . . . . . . . . . . . . . . . .5. . . . . . . . . . . . . . . .1 Introducci´n . . 4. . . . . e M´todos iterativos. . . . o 4. . . 3. . . . . e 3. . . o 4. . . . . e 3. . . . . . . . . . .1 Eliminaci´n gaussiana. . . . . . . . . . . .4 Interpolaci´n polinomial a trozos: Splines . . . o 4. . 5 . . . . . . . . . .4. . .4. . r = 3 o 4. . 4. . o o 4. . . .4. . . . . .3 Interpolaci´n polinomial a trozos. . . . . . . . . . . .5 4 M´todos directos. . . . .3. . . . .3. . . . o 5 . . . . . . . o 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . r = k + 1 . . . . o 4. . . . . . . .3. . . . . . . . . . . . . o 3. k = 1. o 4. . . . . .4 3. .5. .2 B-splines de grado 1. . . . . . . . . . . . . . Aproximaci´n de funciones. . r = 1 . . o 5. . . . . . . . .3 Mejor aproximaci´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 4. . . . . . . . . . . . . . . . . .7 Interpolaci´n con B-splines . . .3 Diferencias divididas . . . . . . . . . .5. . . . . . .5 Interpolaci´n spline con bases de soporte m´ o ınimo: B-splines . . . . . . . . . . . . .3. . . . . . . .5 B-splines de grado 3 en una partici´n equiespaciada. . . . . . . . . . .2 Estimaciones del error en la interpolaci´n de Lagrange . . . .7 Referencias recomendadas para este tema.4. . . .5. . . . . . A = LLt . . . . . . . k = 3. k = 2. . . . . . . . . . 34 34 35 37 37 37 37 38 39 41 42 43 44 44 44 47 47 49 51 53 54 54 56 56 57 60 61 64 64 64 65 65 66 66 66 67 67 68 68 68 70 71 71 Interpolaci´n.2 Descomposici´n LU. .6 Interpolaci´n en varias variables. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Interpolaci´n a trozos de grado 3 usando interpolaci´n Hermite. . .2. . . . .2. . . . . Referencias recomendadas para este tema.5. . . . o 5. . . . . . . . . .4. .1 Casos particulares del problema general de interpolaci´n . . . . . . . . . . . . . . . . o 4. .6. . . o 5. . . . . . . . o 4.2. . . . .3 B-splines de grado k. . . . . . .3.1 Interpolaci´n de Lagrange . . . .1 El problema general de interpolaci´n . . . . . . . . . . . .2 El problema general de aproximaci´n. . . . . . .3 3. . . . . . . o 4. . . . . . . . . . . . . . . . . . . . . . . . . . . 4. . . . . . . .2 Error en la interpolacion parab´lica a trozos .1 Interpolacion parab´lica a trozos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . k = 0. . . . . . . . . . . . . . . . . . . . o 4. . . .4 Existencia y unicidad de una mejor aproximaci´n o 5. .1 Bases de splines asociadas a un problema de interpolaci´n. . .5. . . . . . . . . . . . . . . . . . o 4. . . .4 M´todo de Gauss-Jordan.4 B-splines de grado 2 en una partici´n equiespaciada. o 3.

o o o 6. . . . . . . . . . . . . . . . . . .3 Error cuadr´tico medio . . . .1 Evaluaci´n del error en las f´rmulas de Newton-Cotes o o 6. . . .6. . . . . .7. . . . . . . . . segunda. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 5. . . . . . . . . . o 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 F´rmulas de cuadratura de tipo interpolaci´n . . . . . . o 6. . . . . . . . . 6. . . . . . . . . . . . . . . . . . . .7. .1 General. . . . . . . . . . . . . . .2 M´todo compuesto de los trapecios . . . . . .3 M´todo compuesto de Simpson . . . . . . . . . . . o 6. . . . . . . .1 Introducci´n . . . . . o e 6. . . . . . . . .6 5. . . . . . . . . . . . . . . . . . . . . . . . . . .1 Introducci´n . . o 6. . . . . . . . . . . . .6. . . . . . . . . . .7 M´todos compuestos .2 Caracterizacion de la mejor aproximaci´n. . . . a 5. . . . . . . . . e 6. . . . . . . o o 6. . . . . . .2 Exposici´n del problema . . . . . .5 Selecci´n del paso de integraci´n . . . . . . . .3. . . . . . . . .2 Error en la f´rmula de dos puntos . .6. . . . . . . . . . . . . . . . . . .1 F´rmula de dos puntos. o 6. . . . . . .4 Mayoraci´n del error en los m´todos compuestos . . . . . . . .4 Error en la f´rmula de tres puntos. . . . . . . . . . . . . . . .3. . . . .1 Introducci´n . . . . . . 5. . . .5. . . . . . . e 6. . . . . . . . . . .6. . o 7. . . o 7. . . .6. . . . . . . . . . . . . . . . . . . . . . . . . . . .6 Convergencia . . . . e 6. . . . . .6. . . .11 Referencias recomendadas para este tema. . . . . . . . . . . .10 Resumen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Referencias recomendadas para este tema. . . . . . . . .5 F´rmula de cuatro puntos. . . . . o 6. . . . . . . . . . . 6. . . . . . . .7. . . .4 Polinomios ortogonales . . . . . . .4 F´rmulas de Newton-Cotes . . . . . . . . . . . . . . . . . . . . . . . .7 Desarrollo en serie de Fourier de se˜ales peri´dicas definidas n o modo discreto. 5. . . . . de . . e 6. . . . . . . . .3 Derivaci´n num´rica por interpolaci´n polin´mica. . . . . o 7. . . . . .6. . .4. . o 6. . .8. 6. . . . . . . .6 Aproximaci´n discreta: m´ o ınimos cuadrados. . . . . o Aproximaci´n en espacios prehilbertianos.8. . . . . . . . . . . . . . .2 M´todo de Gauss . .2 F´rmulas abiertas de Newton-Cotes . . . .3. . . . .3. . . . . . . . . .7. . . .8 F´rmulas de Gauss . . . . . . . . o e o o 7. . . . . . . . 7. . . . .7. . . . . . . 7 Derivaci´n num´rica o e o 7. . . . . . . . . . .2 Exposici´n del problema . . . . . . . . . e 6. . 5. . . . . . . . . 71 72 72 73 75 76 79 82 84 87 88 88 89 89 92 92 93 93 95 95 95 95 95 96 96 97 97 97 98 99 99 100 101 101 101 102 102 102 104 105 105 106 6 Integraci´n num´rica o e 6. . o 7. . . . . . . . . . o o 5. . . . . . . . . . . . . . . .5 Desarrollo en serie de Fourier de una funci´n peri´dica. . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . .9 Integraci´n multidimensional . . . . 6. . . .5 Estabilidad . . .7 Aproximaci´n lineal . . . . . . .4. . . . . . . . . . 6. . . . . .1 General . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 5. . . . . . . . . . . . . . . . . . . . . . . .3 F´rmula de tres puntos . .3. . .7. . . . . . . . . . . . . . . . . . . . . . .6 F´rmula de tres puntos para estimar la derivada o 6 . . . . . . . . . . . . . . . . .6 Estabilidad de los m´todos compuestos . o 7. . . . . . . . . . . . . . . . o 7. . . . . . . . . . . . . . . . .

.3 M´todos de Adams-Moulton. . . . .3. .1 Introducci´n . . . e 8. . . . . . . . . . . .2 Ecuaciones parab´licas . . . . . . . . . .4 7. . . .5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o e 8. . . e 8. . . . .5 Selecci´n del paso de integraci´n. . . . . . . . . . . . . . .3 Ecuaciones el´ ıpticas . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . e 8. . . .4 M´todo de Taylor. . . . . 142 Bibliograf´ ıa 143 7 . . . . . .1 Introducci´n a los m´todos de paso m´ltiple. . . . e 8.1 Discretizaci´n del operador de Laplace con contornos irregulares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 8. . . . . . . . . . . . . . . . . . .5 M´todos de paso multiple. . e 8. o o 8. . . . . . . . 106 107 108 109 111 111 113 114 114 115 117 118 118 119 119 119 120 120 121 126 126 127 128 132 134 135 136 137 8 Ecuaciones diferenciales ordinarias. . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142 9. . . 140 9. . . . . . . . . . . . . . . . . . . . . .6 7. .2 Orden del m´todo de Euler. . . . o e u 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Esquema general. .3. . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8. . . e 8.3. . . . . . . . . . . . . . . . Orden de un m´todo. . . . . . 8. . . . . .2 Ejemplo: M´todo de Euler.7 Resumen. . . .5. e e 8. . . . . . . . . . . . . . .1 Principios de los m´todos de un paso. . . . . . . . . . . . . . . . . . . . . . . 8. . . . . . . . . . . e 8. . . .5 Referencias recomendadas para este tema. . . . . . . . . . . e 8. .3. .4. . . . . . . . . . . . . . . . . tema. . . . 141 o 9. . . . . . . . . . . . . . . 8. . . . . . . . . . . . . .4 Resumen . . Referencias recomendadas para este . .4 Diferentes m´todos de un paso. . 138 o 9. . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . . . . . . .5 M´todos de Runge-Kutta. . . . . . . a o e 8. . . . . . 8. . . . . . . . . .3 M´todos discretos de un paso para edos. . . . . . . . . .6 Edos de orden mayor que uno y sistemas de edos. .2 Ideas b´sicas para la resoluci´n num´rica de problemas de valor inicial . . . . . . . . . e 8.4 Error de discretizaci´n. . . . . . . . .2 M´todos de Adams-Bashforth. . . . . . . . . . . . . .7 Estabilidad .5 7. . . . . . . . . .7.1 Introducci´n . . . . . . e 8. . . . . . . . . . . e o 8. . .4 M´todos predictor-corrector. . . . . 9 Ecuaciones diferenciales en derivadas parciales: M´todo de las diferene cias finitas 138 9. . . . . . . . . . . . . . . Resumen . . . . . . . .4. . . Derivadas parciales . . . . . . . . . . . . . .5. . .5. . . . .1 M´todo de Euler. .5 M´todos de Milne-Simpson. . . . . . . . . . . . . . . . o 8.3 M´todo de Euler: error de discretizaci´n. . . . . 138 o 9. . . .4. . . .5. . . . . . . . . . . . . . . . . . . . . . . . . .8 Referencias recomendadas para este tema. . . . .

Metodolog´ se refiere a al construcci´n de algoritmos espec´ ıa. Trataremos de mantener el equilibrio entre ambos e o aspectos: 1. muy amplia. a El programa de c´lculo num´rico se desarrolla teniendo como motivo ordenador la sia e guiente clasificaci´n. las mayoraciones de los errores. etc. o 1 . los a a e teoremas de convergencia. o 3. subyace el mismo principio. sin la cual no hubiese sido posible la reorganizaci´n de todos estos apuntes. 2. e Se agradece de modo muy especial la colaboraci´n de Donato Mart´ o ınez. Propondremos problemas y ejercicios de aplicaci´n. En la mayor´ de los cursos de iniciaci´n al c´lculo num´rico. de problemas propuestos matem´ticamente. La matem´tica num´rica est´ fundamenu a e a tada en unos pocos principios b´sicos. se insiste fundamentalmente ıa o a e en la metodolog´ exponiendo al alumno a una avalancha de m´todos que aparentemente ıa e no tienen nada en com´n.Cap´ ıtulo 1 Introducci´n. An´lisis o estudio de los principios matem´ticos que subyacen a los m´todos. lo que influye beneficiosamente en la b´squeda y construcci´n de nuevos u o m´todos de resoluci´n de problemas. o ıficos para cada problema. o 1 La matem´tica num´rica o computacional estudia m´todos para la resoluci´n num´rica a e e o e y en general aproximada. La realidad es otra. a aparentemente distintos. principalmente aquellos que o hayan sido propuestos en ex´menes de la asignatura. De un modo gea neral se pueden distinguir dos aspectos distintos en la matem´tica num´rica: a e 1. Analizaremos de modo especial algunos de los algoritmos m´s importantes y sumia nistraremos informaci´n sobre sus variantes y otros algoritmos menos importantes. Entender ese principio ayuda a aclarar las ideas. de modo que en la base de muchos algoritmos. e e 2. discutir su efectividad y suministrar las herramientas adecuadas para su tratamiento con el ordenador. de los problemas que se suelen encontrar en matem´tica o a num´rica. Enunciaremos los teoremas m´s importantes omitiendo su demostraci´n cuando a o ´sta sea excesivamente larga o t´cnica.

1. as´ como la resoluci´n o ı o de ecuaciones diferenciales tanto ordinarias como en derivadas parciales y la de ecuaciones integrales. La observaci´n de la ecuaci´n [1. yn ). hallar y. con E y F espacios vectoriales normados reales o complejos. Dados x e y. 3.1) donde x ∈ E e y ∈ F . cualquiera. En su forma m´s simple el problema de identificaci´n es la teor´ a o ıa de aproximaci´n de funciones . e Muchos de los problemas que surgen en matem´tica aplicada se pueden enunciar formala mente as´ : ı Resolver la ecuacion f (x) = y (1. Ejemplos de problemas inversos son la resoluci´n de sistemas de ecuaciones lineales o no lineales. Un ejemplo ser´ el c´lculo de ıa a una integral definida. o a Cada tipo de problemas plantea sus propias cuestiones espec´ ıficas. hallar x. a ıcil. El problema inverso ocupa por su importancia un puesto central en an´lisis num´rico.f es una funci´n de una variable y se pide hallar la o o o una funci´n cuya gr´fica pasa por o pasa cerca de un conjunto de puntos (xn . En general. 2. El problema de identificacion. su ejemplo m´s importante. Se intenta determinar la salida de un sistema dado. y. es hoy un problema bien comprendido. Dados f e y. pero el problema es conceptualmente simple con una teor´ general ıa no muy complicada. la salida y el ıa sistema en s´ respectivamente. Se buscan las leyes que gobiernan el sistema a partir del conocimiento de ciertas relaciones entre la entrada y la salida.1 Clasificaci´n de los problemas en matem´tica nuo a m´rica. s´lo se conoce un n´mero finito de parejas (xn . hallar f . y f : E → F es un operador. En el lenguaje de la ingenier´ de sistemas x. El problema inverso. Existen todav´ problemas o e ıa abiertos y dificultades. ıa El problema de identificaci´n en su marco m´s general es bastante dif´ o a ıcil. la a integraci´n num´rica. ıa El problema no lineal es m´s dif´ y con un cuerpo de teor´ menos satisfactorio. yn ) o u entrada-salida. El problema directo. producida por una entrada conocida. Pretender descifrar las leyes que gobiernan un proceso desconocido del conocimiento de un n´mero u 9 . genera sus propios algoritmos e incluso el ´xito en desarrollar una teor´ general var´ dependiendo de cu´l e ıa ıa a de ellos consideremos. ı.1] permite reconocer tres tipos de problemas distintos: o o 1. a e El caso lineal se ha estudiado extensamente y posee una teor´ general bien desarrollada. f representan la entrada. Los problemas directos se tratan con relativa facilidad. lineal o no. Dados f y x. Se busca la entrada que genera una salida conocida en un sistema dado.

Usando el concepto de espacio producto podemos incluir esas condiciones como veremos en el siguiente ejemplo: dx = ζ(t. y adem´s se complementa con un o a texto donde aparecen resueltos algunos de los ejercicios propuestos en ex´menes. El problema ya citado de la aproximaci´n o o de un operador de una variable conociendo un n´mero finito de parejas (xn . en la mayor´ de los casos. 1] × I . Esto se debe a que es un libro orientado a su utilizaci´n durante el examen. x(0) = 1 dt se puede expresar mediante separaci´n de variables en la forma: o t x(t) = e 0 ζ(s)ds Para un matem´tico. que satisfacer.finito de observaciones es generalmente imposible si no se tiene adem´s alg´n tipo de a u informaci´n de la estructura del proceso.1] es muy restrictiva porque a veces no s´lo se tiene o o una ecuaci´n que resolver sino que tambi´n hay condiciones adicionales. x). u Puede parecer que la formulaci´n [1. la determinaci´n expl´ o o ıcita de la inversa no ayuda num´ricamente aunque su conocimiento sea valioso por la informaci´n cualitativa que e o puede suministrar sobre el comportamiento de la soluci´n que no se podr´ obtener de o ıa ning´n otro modo. o Sea F = C[0. por ejemplo el problema de Cauchy: dx = ζ(t)x. iniciales o de o e contorno. Si f posee inversa conocida f −1 . el problema estar´ resuelto aunque desde un punto de vista estrica ıa tamente num´rico. α) En este libro hemos huido de los ejemplos y ejercicios resueltos. pero ello no es cierto. la unica la aproxia e ıa ´ maci´n factible al mismo. pasar´ ıamos de [1. 1] → F poniendo R f (x) = dx − ζ(t. Definamos f : C 1 [0.1] a x = f −1 (y). 10 . El linde entre los problemas directo e inverso es difuso. yn ) carece u en general de soluci´n unica salvo que restrinjamos la clase de las funciones admisibles o ´ eligiendo una forma conveniente de f dependiente de ciertos par´metros que se calculen a de modo que expliquen mejor las observaciones entrada-salida efectuadas. a El an´lisis num´rico de un problema es. 0 ≤ t ≤ 1 dt con la condici´n inicial x(0) = α. e a Esta observaci´n es bastante general. en ciertos casos. el problema inverso se puede transformar en un problema directo. x(0) dt y el problema planteado se puede escribir en la forma correspondiente al problema inverso f (x) = (0. Casi todos los modelos anal´ o ıticos de la realidad son irresolubles. sea m´s conveniente resolver el problema en su forma original. x).

es/web_cnum 1. topolog´ b´sica y ecuaciones e a a ıa a diferenciales de primer orden. con ejercicios o avisos. o 1. o Al terminar la asignatura se procede a la realizaci´n de un examen por curso que consta o normalmente de dos a cuatro problemas. 11 . esta asignatura es e muy importante. o integrando num´ricamente curvas para sacar pares adrizantes. Tambi´n se dispone de una p´gina web de la asignatuıas e a ra donde pod´is recoger las hojas de ejercicios. y que deben conseguir el material nuevo de este e n n ı.3 Requisitos previos Para que al estudiante le cueste menos seguir la asignatura. y normas matriciales. etc. y algunos otros. especialmente Algebra Lineal ´ a con ´nfasis en formas lineales.es para crear una lista de distribuci´n de correo y poderos o o mandar mensajes cuando salgan las notas. Nos parece importante comentar a los alumnos que est´n cursando de nuevo la asignatua ra. La direcci´n es: o http://canal. a˜o. tendr´is a e u e que completar este curso por insuficiente. y hacerla bien os deja en una posici´n ventajosa para muchos retos o futuros. Por eso. es importante que haya ´ cursado ya las otras asignaturas del area de matem´ticas.2 Tutor´ ıas Para las tutor´ existe un horario oficial que cambia cada a˜o en funci´n del horario ıas n o de clases. se me localiza en el canal (tlf. espacios duales. Esta estructura de examen se repite en todas las convocatorias oficiales.upm. Caso de no hacerlo as´ es posible que en el examen se encuentren con un problema que no tengan ni idea de c´mo abordar. o usando un paquete de e c´lculo de estructuras por elementos finitos integrando las ecuaciones de la din´mica de a a medios continuos para chequear una parte delicada de la estructura. e navegar por enlaces interesantes.upm. sistemas lineales. Ejemplos abundantes encontrar´is en la realizaci´n de vuestro proyecto fin de e o carrera interpolando datos para hacer estimaciones razonables de valores desconocidos. Otros jam´s tendr´is que escribir un n´mero. y con mis datos y el horario de tutor´ de este curso. En la vida profesional. ıas 3367156) y estar´ encantado de atenderos fuera de las horas oficiales a no ser que pune tualmente est´ muy ocupado. e Tambi´n se usar´n conceptos de c´lculo en una variable. Os ruego que me mandeis un mail a la direcci´n de correo e o electr´nico asouto@etsin. y muchas otras cosas que us´is sin daros cuenta pero que est´n escondidas en los programas de arquitectura a a naval o de CAD que us´is. como ya ha pasado muchas veces.y hay que hacer aproximaciones con mayor o menor ´xito. expresar vuestras opiniones en un foro.etsin. Independientemente de las tutor´ oficiales. que ´sta cambia un poco cada a˜o. algunos de vosotros abordar´is proe e blemas similares.4 Sistema de evaluaci´n. 1.

a la gente que lo considere necesario se le dar´ la posibilidad de usar a a Matlab en el examen. no un problema. Matlab es un programa de c´lculo que usaremos durante el curso. Adem´s. 1.. a Si hay m´s gente que puesto reduciremos el tiempo de cada problema para que vuelva a a la sala general los estudiantes que crean que van a obtener pocas ventajas del uso de Matlab.. y nada m´s. a o 12 .. El alumno traer´ como identificaci´n su carnet de identidad. a e Con estas normas lo unico que se pretende es que los medios de los que dispong´is a la ´ a hora de realizar los ejercicios sean iguales para todos.1. con que si estas f´rmulas me las dio mi abuelito o que sab´ mucho de esto. u • Tener apuntes personales. Es por eso que no permitimos apuntes personales. 3. Se han ensayado ya varias posibilidades. o 2. • Ordenadores personales. y consideramos que un planteamiento razonable pasa por disponer del material trabajado en clase. ıa El que pone el examen. y a se ha llegado a la conclusi´n de que para esta asignatura. No se permitir´ : a • Tener ning´n tipo de problema resuelto. El material que se permite usar durante el examen es: • Este texto. decide los problemas teniendo en cuenta el material del que el estudiante dispone. • Calculadora que puede ser programable o n´.1 Normas del examen de C´lculo Num´rico.. esta posibilidad es la menos o mala. y que al mismo tiempo no teng´is a que hacer un esfuerzo de memorizaci´n de contenidos que a estas alturas consideramos o est´ril.4. porque despu´s hay l´ con que e e ıos si esto es un ejemplo.

incluso caso en particular. en general o nos veremos obligados a recurrir a m´todos iterativos que permitan ir obteniendo valores e a o que se espera que sean cada vez m´s pr´ximos a x. Lo primero o e a o ı que hay que hacer encontrar un intervalo donde vaya a haber una raiz. y as´ sucesivamente.1 en una ecuaci´n ıa e o o equivalente del tipo: x = g(x) (2. a a La gran mayor´ de estos m´todos se basan en la transformaci´n de 2.3) .1 Introducci´n o Uno de los problemas matem´ticos que suelen aparecer m´s a menudo en la pr´ctica es a a a la resoluci´n de ecuaciones del tipo f (x) = 0 donde f se supone al menos continua.3 converja a la soluci´n buscada. es o decir. o (2. a partir de los cuales y por nueva aplicaci´n del m´todo.1) Aunque en alg´n caso muy sencillo haya procedimientos de resoluci´n directa de esta u o ecuaci´n (que f sea por ejemplo un polinomio de primer o segundo grado). lo m´s sencillo es directamente buscar un cambio de signo en la gr´fica de f .2) para despu´s construir una sucesi´n en la forma: e o xn+1 = g (xn ) La forma para obtener g depende de cada m´todo. 2. para finalmente o o e aplicar estos conceptos a la resoluci´n de sistemas completos de ecuaciones no lineales. el c´lculo del valor o valores de x para los cuales se verifca: a f (x) = 0 (2. para lo cual. Estudiaremos despu´s una variante muy interesante o e de construcci´n de la funci´n g que es el m´todo de Newton-Raphson. e o Comenzaremos estudiando las condiciones que se tienen que dar para que la sucesi´n 2.Cap´ ıtulo 2 Ecuaciones y sistemas de ecuaciones no lineales. obtenemos otro m´s pr´ximo.

7) d (xj . e o Todos los espacios vectoriales normados reales o complejos de dimensi´n finita son espao n R e cios completos. como: o xn+1 = T (xn ) para n ≥ 0 (2. xp+q ) ≤ y por 2. 1) tal que: o u d (T (x). T (y)) ≤ kd (x. (xj )) ≤ · · · ≤ k j d ((x0 ) . existe un o e unico punto fijo x en X para la funci´n T .5) Teorema 2. o Como base del estudio de los m´todos iterativos de resoluci´n de 2. Demostraci´n: o Si k = 0 es evidente que hay un unico punto fijo. xj+1 ) j=p (2. sea x0 un elemento cualquiera de X y formemos una sucesi´n xn .7 p+q−1 (2. y) la distancia entre dos puntos. xj+1 ) = d (T (xj−1 ) . ´ e ´ Si k > 0. Por tanto. T (xj )) ≤ kd ((xj−1 ) . q ≥ 0.6.2. por la desigualdad triangular. que vamos a presentar en una de sus m´s o a sencillas versiones. sustituyendo en 2.2 Teorema de la aplicaci´n contractiva. luego ´ste es el unico punto fijo.5 y 2. y) ∀x. x1 ) 1−k j (2.2.2 est´ el teorema e o a de la aplicaci´n contractiva o del punto fijo. que adem´s es el l´ ´ o a ımite de la sucesi´n x n+1 = o T (xn ) para cualquier x0 ∈ X. Sea X un espacio m´trico completo. xp+q ) ≤ j=p kp k d (x0 .6) Para cualesquiera p y q se tiene. todo elemento de ´ X se transforma en un unico punto x de X.1 Si T es una contracci´n de un espacio m´trico completo X. xp+q ) < Un espacio m´trico es completo si toda sucesi´n de Cauchy converge dentro del espacio. (x1 )) luego. Se dice que x es un punto o fijo de T si verifica T (x) = x (2. Por otro lado. x1 ) < d (x0 .9) 14 . se tiene d (xj . I es un espacio m´trico completo.8) d (xp .4) Se dice que T es una contracci´n de X si existe un n´mero k ∈ [0. Sea d(x. ya que en este caso. d (xp . Recordee mos que una sucesi´n de Cauchy xn es aquella en la que se verifica que o ∀ > 0 ∃m( ) ∈ N / ∀p ≥ m.1 o 2. y ∈ X (2. p+q−1 d (xp . sea ahora T una aplicaci´n de X en si mismo.

como o quer´ ıamos ver. x1 ) < d (x0 . x) = 0 lim n→∞ (2. Por tanto. x) < d(x. o tambi´n se tiene: e lim T (xn ) = n→∞ xn+1 = n→∞ xn = x lim lim (2.6 xn+1 = T (xn ) para n ≥ 0 Una vez demostrada la existencia. ya que tomando m suficientemente grande como o para que: km d (x0 .17) n→∞ y por tanto x = T (x) (2. x) al tender n a ∞ a ambos lados de la desigualdad n→∞ (2.18) La demostraci´n nos proporciona una forma de encontrar x como l´ o ımite de la sucesi´n o 2.19) lo cual es absurdo. x1 ) < 1−k 1−k (2. se tendr´ ıa d(x. T (x)) ≤ n→∞ kd (xn .15) (2.10) Por tanto xn es una sucesi´n de Cauchy. lo que es lo mismo n→∞ Pero por ser T (xn ) = xn+1 . x) = d (T (x) .13) lim d (T (xn ) . xp+q ) < kp km d (x0 . x1 ) < (2. 1 Recordamos la suma de una serie geom´trica de raz´n r: e o N −1 rj = j=0 1 − rN 1−r 15 .por ser 0 < k < 1. T (x)) = 0 lim T (xn ) = T (x) o. y al haber demostrado la convergencia de la sucesi´n {xn }. T (x)) ≤ kd (xn .14) (2.12) Por la completitud de X la sucesi´n tendr´ un l´ o a ımite x en X y como d (T (xn ) . ya que: 1 p+q−1 ∞ j=p kj < j=p kj = kp 1−k (2.11) 1−k para todo p mayor que m se tendr´ a d (xp . Supongamos que hubiese otro punto fijo x. la unicidad es inmediata. el punto fijo es unico y es el l´ ´ ımite de la sucesi´n 2.16) Por tanto lim d (T (xn ) . T (x)) ≤ kd(x.6. x) (2.

2 en un cierto intervalo. b] ∃ζ ∈ (x. la sucesi´n o xn con xn+1 = g (xn ) converge a s. |g(x) − g(y)| = |g (ζ)(x − y)| ≤ L|x − y| ∀x. b] y |g (s)| < 1. y la segunda propiedad equivale a decir que g es una contracci´n.2 que se obtiene como l´ ´ ımite de la sucesi´n x n+1 = o g (xn ) donde x0 es un punto cualquiera de [a. b] tal que: o 1. pues ´ste garantiza que e ∀x. b]. b]. y ∈ [a. pero las hip´tesis dif´ o ıcilmente pueden ser verificables. si g es de clase C 1 [a. y) g(x) − g(y) = g (ζ)(x − y) y por tanto. Sin embargo.3 Aplicaci´n a la resoluci´n de ecuaciones.2 Si existe una raiz s de la ecuaci´n 2. g(x) ∈ [a. es decir. o o A menudo es muy dif´ demostrar que la funci´n g es lipschitziana de constante menor ıcil o que la unidad. en el sentido de que la convergencia tiene lugar para cualquier valor inicial x0 . o Teorema 2. y I lo R es. Existe L < 1 tal que |g(x) − g(y)| ≤ L|x − y| ∀x. Enunciemos esta idea. o Teorema 2. podemos decir que g es lipschitziana de constante menor que la unidad.3. b] en el cual g o 1 es de clase C [a. y ∈ [a. entonces existe > 0 tal que si |x0 − s| < . Para demostrar este teorema. son completos. hay que pensar que los cerrados de un completo. o 2 16 .3. s´lo cuando se parte u o de un x0 suficientemente pr´ximo a s. y ∈ [a. b] 2.2 en un intervalo [a. en el cual |g (x)| ≤ L < 1 Cuando una funci´n verifica esta propiedad. las hip´tesis se pueden o debilitar.2. o sea: n→∞ lim xn = s Demostraci´n: o a Por ser g continua en [a. o se dice que la funci´n es lipschitziana en [a. El teorema es muy fuerte y constructivo en el sentido de que proporciona un m´todo para encontrar la soluci´n al e o problema. de radio > 0.2. para dar en alg´n caso convergencia de tipo local. b] 2 2.3. b] Entonces existe una unica raiz de 2. o o Retomemos la ecuaci´n 2. cuando se conoce la existencia de una raiz s de 2. Sin embargo. Los teoremas que acabamos de ver hablan de una convergencia global. b] de constante L.1 Estudios de convergencia local. Por o tanto se verifican las hip´tesis del teorema de la aplicaci´n contractiva.1 Sea g una funci´n real definida en [a. b] y |g (x)| ≤ L < 1 ∀x ∈ [a. b] ∀x ∈ [a. b] existir´ un entorno de s. Ello es una consecuencia del teorema del valor medio. independientemente de que L sea menor que la unidad.

4. de |xn − s| ≤ Ln |x0 − s| se deduce la convergencia de xn hacia s. Ln |x1 − x0 | 1−L Teorema 2.23) L L |u1 | =≤ |x1 − x0 | 1−L 1−L 17 .entonces. por el teorema del valor medio. si |x0 − s| < .1 Bajo las condiciones de cualquiera de los teoremas anteriores se tiene: |xn − s| ≤ Demostraci´n: o Llamando uk = xk − xk−1 si k ≥ 1. con u0 = x0 es f´cil ver que: a ∞ k=0 uk = s (2.21) Por tanto: |xn − s| = y como ∞ k=n+1 uk (2. en general se tendr´ a |xn − s| ≤ L |xn−1 − s| ≤ · · · ≤ Ln |x0 − s| < |x0 − s| < como L < 1. o 2. Este es un concepto local. La idea es que si en la zona de la raiz la funci´n g se comporta como contractiva. se tiene |10 − s| = |g (x0 ) − g(s)| ≤ L |x0 − s| < |x0 − s| < y repitiendo el razonamiento. si somos astutos buscando el hu´sped inicial o e suficientemente pr´ximo a ella conseguiremos que nuestro esquema converja.22) |uk | ≤ L |uk−1 | ≤ Lk−1 |u1 | tendremos: |xn − s| = = ∞ k=n+1 n ∞ k=n+1 ∞ k=n+1 ∞ k=n+1 ∞ k=1 uk ≤ |uk | ≤ n Lk−1 |u1 | = |u1 | Lk−1 = |u1 | Lk+n−1 (2.20) pues m uk = x m k=0 (2.4 Estimaciones del error en funci´n del n´ mero de o u iteraciones. pero muy importante.

punto fijo de g equivale a o hallar la intersecci´n de la gr´fica de y = g(x). Supongamos que g es de clase C 1 . Buscar el -los.1. con lo que se da la convergencia hacia el punto fijo. y que en cambio.2. Comencemos o a con un x0 arbitrario en [a. o a e Es muy interesante ver la construcci´n gr´fica de la sucesi´n xn de los m´todos de aproo a o e ximaciones sucesivas que hemos visto anteriormente. si g (s) > 1 a o g (s) < −1 no se puede esperar que haya convergencia en general.6 Relajaci´n de un esquema de aproximaciones suo cesivas. Supongamos que la gr´fica de la a funci´n g es la que aparece en la figura 2. y b y=x a y=g(x) 0 x1 s x2 x0 b x Figura 2. An´logamente puede verse la a convergencia en el caso en que est´ comprendida entre 0 y 1. Buscamos un n´mero real w = 0.5 Interpretaci´n gr´fica de los m´todos iterativos. o a 2.1: Interpretaci´n gr´fica del esquema de aproximaciones sucesivas.1. ı El caso dibujado corresponde a aquel en que la derivada g (x) est´ comprendida entre 0 a y -1. y veamos como podemos o transformar el esquema para converger a la soluci´n. x = g(x) Consideremos un problema del tipo 2. que conduce a un esquema divergente debido a que en el entorno de la raiz s. la aplicaci´n g no es contractiva. Construido x1 se pasa a g (x1 ) y a x2 = g (x1 ) y as´ sucesivamente. b]. o u 18 .2. con la de la recta y = x. De x0 se pasa a g (x0 ) y a x1 = g (x0 ) como se ve f´cilmente a en la figura 2.

o Si sucediese que en la raiz |g (s)| ≥ 1.7 M´todo de Newton-Raphson.1715). e incluso buscar que sea cero. A veces no es f´cil estimar la derivada ıa ´ a de la funci´n g. o Joseph Raphson (1648 Middlesex. Se o licenci´ en la Universidad de Cambridge en 1692.29) Es como si nos qued´semos con una parte de la iteraci´n anterior. entonces. al ser w = 0.34) 2. podr´ ser obtenida a partir del o o ıa propio esquema: g (x1 ) − g (x0 ) g (x) ≈ (2. aunque entr´ en la Royal Society en 1691.25) (2. Un estimaci´n grosera en ese entorno. No hay mucha informaci´n sobre su vida. la nueva funci´n de aproximaciones o sucesivas relajada h(x) = (1 − w)x + wg(x) (2. que ser´ el optimo de convergencia. e Expondremos diferentes formas de deducir el m´todo de Newton-Raphson 3 . un a˜o o o n 3 19 . o a 0 = (1 − w) + wg (x) w= 1 1 − g (x) (2.Por tanto. (1 − w) y tom´semos a o a s´lo w de la siguiente g (xn ).26) (2.27) (2.32) x1 − x 0 Con esta estimaci´n es f´cil ajustar un valor razonable para w.31) (2. Inglaterra.33) (2.2 es equivalente a: o wx = wg(x) sumando x a ambos lados x + wx = x + wg(x) y tenemos un nuevo problema de punto fijo: x = (1 − w)x + wg(x) con su correspondiente esquema iterativo: xn+1 = (1 − w)xn + wg (xn ) que podemos escribir de este modo: xn+1 = (1 − w)xn + wˆn+1 x con xn+1 = g (xn ) ˆ (2.30) tiene como derivada h (x) = (1 − w) + wg (x) (2. la ecuaci´n 2.24) Podemos elegir w que haga que |h (x)| < 1 en un entorno de la raiz. el cual es e fundamental en la resoluci´n de ecuaciones y sistemas de ecuaciones no lineales.28) (2.

o n No se sabe mucho de la relaci´n entre Newton y Raphson. (2. Aunque Newton escribi´ este art´ a o ıculo en 1671. y particip´ en o algunas de las disputas entre Newton y Leibniz. que contiene el m´todo de Newton-Raphson para e aproximar las raices de una ecuaci´n.36) (2. lo cual era muy raro. Su elecci´n para la Royal Society se bas´ en su libro o o Analysis aequationum universalis. x = g(x) Una forma muy sencilla de conseguir esto puede ser sumar x a la parte derecha e izquierda 2. y como ejemplo. tendremos h (x) = 0 = 1 + wf (x) y por tanto w= con lo que h(x) = x − y el esquema iterativo xn+1 = xn − que es el m´todo de Newton.39) (2.40) (2.7.37) (2. encuentra la raiz de x 3 − e 2x − 5 = 0 que est´ entre 2 y 3. y que sea del tipo 2. pero esta es otra historia.2. publicado en 1690.1 en una o ecuaci´n equivalente. de iguales ra´ o ıces. Por tanto. b].38) −1 f (x) f (x) f (x) f (xn ) f (xn ) (2. o En Method of Fluxions Newton describe el mismo m´todo. Se cree o que Raphson era una de las pocas personas a las que Newton mostraba sus art´ ıculos. aunque parece que era importante. no fue publicado hasta 1736.41) 20 . o Consideremos de nuevo la ecuaci´n 2. e antes de su licenciatura. Raphson public´ el mismo resultado casi 50 a˜os antes.35) y definir g en la forma g(x) = x + f (x) Si relajamos este esquema h(x) = (1 − w)x + wg(x) = (1 − w)x + w(x + f (x)) = x + wf (x) Si foramos derivada nula para h. Como ya hemos comentado.1 x + f (x) = x (2.1 o f (x) = 0 y supongamos que se intenta encontrar su raiz o ra´ ıces en un intervalo [a.2. el procedimiento habitual consiste en la transformaci´n de 2.1 Obtenci´n del m´todo de Newton a partir del factor opo e ´ timo de relajaci´n.

45) lo que se est´ haciendo es tomar la tangente a la curva y = f (x) en el punto (x0 . la tangente tiene por ecuaci´n o y − f (x0 ) = f (x0 )(x − x0 ) y al cortar con el eje OX haciendo y = 0 resulta x = x0 − f (x0 ) f (x0 ) (2.46) es decir x1 . Por otro. O sea.47) (2.7. o e e f (x0 ) f (x0 ) La interpretaci´n es clara.2 Obtenci´n del m´todo de Newton a partir de un desaro e rollo en serie de Taylor. o En efecto. lado.3 Interpretaci´n geom´trica del m´todo de Newton. a 2.2. a e ver figura 2. La idea es muy buena. Haciendo un desarrollo en serie de f en torno a xn hasta el primer t´rmino tendremos: e 0 = f (xn+1 ) = f (xn + ∆x) = f (xn ) + f (xn )∆x + O(∆x2 ) De aqu´ obtenemos ∆x ı ∆x = − f (xn ) f (xn ) (2. Supongamos que f es de clase C 1 [a. b]. Supongamos que estamos en el paso n de nuestro esquema de aproximaciones sucesivas y buscamos ∆x tal que xn+1 = xn + ∆x sea la raiz del problema. e a cuando funciona. con esta interpretaci´n geom´trica es o e f´cil ver los problemas que surgen cuando llegamos a un punto de tangente horizontal. lo hace muy bien. y el m´todo de Newton.2. f (x0 )) a y hallar la intersecci´n de esa recta con el eje OX. como ya coment´bamos. b] y f (x) = 0 en [a. Cuando se calcula x1 como o x1 = x 0 − (2.4 Obtenci´n del m´todo de Newton a partir de las ideas de o e convergencia local Consideremos de nuevo la ecuaci´n 2.43) (2.7.1 o f (x) = 0 21 . la idea es ir acerc´ndose a la raiz a trav´s de las tangentes de la curva.42) y por tanto. tendremos ya el esquema buscado: xn+1 = xn + ∆x = xn − f (xn ) f (xn ) (2.44) 2.7.

1 en una o ecuaci´n equivalente.a x1 x0 b X y=f(x) Figura 2. x = g(x) Una forma de conseguir esto puede ser definir g en la forma g(x) = x + F (f (x)) o o donde F es una funci´n real de variable real que s´lo se anule en el origen: F (t) = 0 ⇔ t = 0 En efecto.49 se tendr´ f (s) = 0.2. a o En principio hay plena libertad para la elecci´n de F .49) (2.51) . o 22 (2. el procedimiento habitual consiste en la transformaci´n de 2. Como ya hemos comentado.50) (2. Rec´ ıprocamente.50.2: Interpretaci´n geom´trica del m´todo de Newton o e e y supongamos que se intenta encontrar su raiz o ra´ ıces en un intervalo [a. b].48) y por tanto s es raiz de 2. y por tanto F (f (s)) y a s = s + F (f (s)) = g(s) (2. y que sea del tipo 2. b].1. pero la forma usual de tomarla. si s verifica 2. b] que no se anule en [a.2. se tendr´ f (s) = 0. si x = s es una raiz de 2.1 es o ıces F (f (s)) = h(x)f (x) donde h es una funci´n definida en [a. ha de ser F (f (s)) = 0 y por 2. de iguales ra´ o ıces. para la obtenci´n de ra´ de 2.

b]. Por tanto.56) pero esto no es pr´ctico porque naturalmente se desconoce en principio s y. y ser´ ıa mejor si g (s) = 0. interesa que |g (s)| < 1.58) f (x) y el m´todo de Newton ser´ por tanto e a xn+1 = xn − f (xn ) f (xn ) (2. se tendr´ a f (x) g(x) = x − (2. bastar´ con que a h(s) = − 1 f (s) (2. b]. Adem´s: a g (x) = 1 + h (x)f (x) + h(x)f (x) (2. Tomando h es de clase C 1 [a. g (s) = 1 + h(s)f (s) Si se desea que g (s) = 0. dadas las caracter´ o ısticas de convergencia local sobre las que hemos construido el m´todo. tal como hemos construido el m´todo siempre se tendr´ convergencia local si se e a elige adecuadamente el hu´sped inicial. tendremos que g tendr´ la misma a clase. caso de converger e e lo hace muy r´pidamente. b] y f (x) = 0 en [a. pero caso de diverger tambi´n lo hace muy r´pidamente. si s es raiz de f en [a.53) La elecci´n m´s l´gica ser´ tomar como h(x) la constante o a o ıa h(x) = − con lo cual ser´ ıa g(x) = x − 1 f (s) f (x) f (s) (2. para que h ∈ C 1 [a. e a ıcil se estudia desde las hip´tesis del teorema de la aplicaci´n contractiva. el m´todo de Newton. Veamos la forma de h para ıa a a poder conseguir esto. Como hemos visto ya al estudiar la convergencia local. al haberla definido as´ necesitaremos subir la clase ı de f a 2. De a e a hecho. 23 . De hecho.54) (2. s. a tambien f (s). De ah´ que interese m´s tomar ı a h(x) = − 1 f (x) (2. por tanto. m´s dif´ de demostrar. pues la convergencia ser´ m´s r´pida.52) En partircular en la raiz de f .55) (2. y no aporta gran o o cosa. La convergencia global. b].59) La elecci´n de x0 es muy importante.57) Sin embargo.Supongamos que f es de clase C 1 [a. b].

o Consideremos ahora el problema de hallar una soluci´n s ∈ I n de un sistema de n o R ecuaciones con n inc´gnitas. x2 .8. f2 . y I n lo R es. xn ) (2. Por o tanto se verifican las hip´tesis del teorema de la aplicaci´n contractiva. buscando el o vector soluci´n x como l´ o ımite de una sucesi´n o x(m+1) = g x(m) Teorema 2. casi siempre es muy dif´ demostrar que la funci´n g es lipschitziana ıcil o de constante menor que la unidad.63) y a la que podemos intentar aplicar el teorema de la aplicaci´n contractiva. x2 . g(x) ∈ D ∀x ∈ D g(x) − g(y) ≤ L x−y ∀x. x2 .64) con valores en I n . · · · . · · · . El problema se puede plantear en t´rminos an´logos a los de los temas anteriores. xn ) = 0 ··· fn (x1 . · · · . · · · . si todas las funciones gi que aparecen a a en 2. es decir. · · · . o f1 (x1 . Para demostrar este teorema.62) (2. xn ). o o En varias variables. x2 . x2 . xn ) ··· xn = gn (x1 . hay que pensar que los cerrados de un completo.63 son C 1 (D). Si denotamos e a o por x al vector de I n de componentes (x1 .64 que se obtiene como l´ ´ ımite de la sucesi´n x (m+1) = o (m) g x donde x0 es un punto cualquiera de D. xn ) = 0 (2. f (x) = 0 (2. x2 . bi ] (2. Esta condici´n puede ser sustituida a veces por otras o condiciones m´s f´ciles de comprobar. · · · . usando notaci´n vectorial. · · · .8 Resoluci´n de sistemas de ecuaciones no lineales. R 2. y la segunda propiedad equivale a decir que g es una contracci´n. Existe L < 1 tal que Entonces existe una unica raiz de 2. y ∈ D n i=1 [ai . xn ) = 0 f2 (x1 .2. continuas y con derivadas parciales continuas en D.1 Sea g una funci´n real definida en D = o tal que: 1.65) ∂xj n 24 . y si se verifica ∂gi (x) L ≤ ∀x ∈ D (2. podemos escribir la ecuaci´n R o anterior en forma vectorial.60) donde f1 . son completos. Por ejemplo. x2 . xn ) x2 = g2 (x1 . fn son las funciones componentes de f .61) que podemos transformar en x = g(x) x1 = g1 (x1 .

1 Convergencia local. y ı. · · · . · · · . y sumamos.65 |gi (x) − gi (y)| ≤ ∂gi (ζij ) (xj − yj ) ∂xj j=1 L n |xj − yj | n j=1 n (2. j = 1. para todos los i. entonces se cumple el teorema de la aplicaci´n o contractiva si normamos I n con la norma 1 o ∞. tenemos o 2 que existen n valores ζij tales que: gi (x) − gi (y) = y por 2. tendremos. o el radio espectral del jacobiano de g sea menor que la unidad para todos los puntos de D. 25 . entonces existe una unica raiz de ´ (m+1) (m) donde x0 es un punto 2. n. ρ(Jg (s)) < 1.8. es suficiente con que Jg (s) < 1 para cualquier norma inducida. o siempre usando la norma 1 o la norma ∞.64 que se obtiene como l´ ımite de la sucesi´n x o =g x cualquiera de D. Las ideas sobre convergencia local admiten una extensi´n sencilla a varias variables. y tal que cualquiera de las normas inducidas del jacobiano de g en todos los puntos de D sea menor que la unidad. 2. Se deja como ejercicio la comprobaci´n para la norma ∞. Con la e a cota del error sucede lo mismo cambiando el valor absoluto por la norma correspondiente.2 Sea g una funci´n real diferenciable definida en un conjunto cerrado o acotado convexo D. n (2. j = 1.66) (2. As´ si s es la raiz buscada. o Existe una versi´n m´s general de este teorema que pasamos a enunciar: o a Teorema 2. 2. 1 ∂gi (s) < ∂xj n ∀i. y eso es lo mismo que decir que el radio espectral de la matriz jacobiana sea menor que la unidad. n n g(x) − g(y) 1= j=1 |gi (x) − gi (y)| ≤ L j=1 |xj − yj | = L x−y 1 (2.67) Si tomamos la norma 1.8. 2. De hecho.con L < 1.68) que es lo que quer´ ıamos ver. R Demostraci´n: o Haciendo un desarrollo en serie de Taylor de la funci´n de varias variables g.69) tendremos convergencia si el hu´sped inicial est´ suficientemente cerca de la raiz.

2. es bueno intentar un esquema de relajaci´n. Caso de que no haya convergencia.70) (2. Lo ponemos en este modo. pues para resolver un sistema lineal. Estas consideraciones valen tanto para ecuaciones como para sistemas de ecuaciones no lineales. o 2. a 4 26 . 5. Si podemos asegurar que ser´ s´lo a o una. [5]. a pero la convergencia global es de dificil´ ısima demostraci´n.73) Otra vez.9 M´todo de Newton-Raphson para sistemas de e ecuaciones no lineales. y lanzar el esquema para ver si converge a la raiz buscada. hemos aprendido que no es necesario invertir la matriz del sistema.2.72) (2. Haciendo un desarrollo en serie de f en torno a xn hasta el primer t´rmino e tendremos. siendo D un conjunto cerrado acotado convexo D. Supongamos que estamos en el paso n de nuestro esquema de aproximaciones sucesivas y buscamos ∆x.10 Resumen 1. la convergencia local est´ garantizada si el jacobiano no es singular en la raiz. 2. que es un problema bastante m´s complejo. o 4. podemos intentar un esquema de Newtono a Raphson. Si la funci´n es f´cilmente derivable. tendremos ya el esquema buscado 4 Jf (xn )∆x = −f (xn ) xn+1 = xn + ∆x (2. tal que xn+1 = xn + ∆x sea la raiz del problema.71) y por tanto. de convergencia rap´ ıdisima caso de darse. Supongamos que f es de clase C 1 (D) y Jf (x) no es singular en D. dado que el jacobiano es la aproximaci´n lineal: o 0 = f (xn+1 ) = f (xn + ∆x) = f (xn ) + Jf (xn )∆x + O(∆x2 ) De aqu´ obtenemos ∆x ı −1 ∆x = −Jf (xn )f (xn ) (2.11 [14]. Lo siguiente es reformular el problema como uno de punto fijo. mucho mejor. Referencias recomendadas para este tema. Lo primero que hay que hacer para resolver una ecuaci´n o sistema no lineal es o acotar una zona donde exista al menos una raiz. 3.

Antes de entrar en los aspectos centrales referidos a la resoluci´n de sistemas lineales o conviene recordar conceptos b´sicos que hemos estudiado en Algebra Lineal y sin los a cuales es imposible entender los problemas que vamos a resolver. Para cualquier vector b.1 Matrices. 3.Cap´ ıtulo 3 Resoluci´n de sistemas lineales. 3.1 Matrices y normas matriciales. · · · n (3. El sistema lineal Ax = 0 tiene solamente la soluci´n x = 0. Para este repaso y en general para todos estos m´todos recomendamos como referencia los textos de G. e y en particular el [6].2 Se dice que una matriz cuadrada A de n × n es diagonalmente estrico tamente dominante por filas (o diagonalmente estrictamente dominante) si: j=n |aii | > j=1. Teorema 3. o 4. det A = 0.2) . El rango de la matriz A es n. Definici´n 3. A−1 existe.1) Definici´n 3.1. Las filas y columnas de A son linealmente independiente. las siguientes afirmaciones son equivalentes: 1. 27 i = 1.1 Se dice que una matriz cuadrada A de n × n es diagonalmente domio nante por filas (o diagonalmente dominante) si: j=n |aii | ≥ j=1.j=i |aij |.1. i = 1. 6. o 3.1. 2. o ´ 5.j=i |aij |.1. · · · n (3. el sistema lineal Ax = b tiene soluci´n unica. Golub.1 Para una matriz cuadrada A de n × n.

λm .6 Los autovalores de una matriz sim´trica son positivos si y solo si la e matriz es definida positiva.7 Una matriz A de n × n es semejante a una matriz diagonal si y solo si tiene n autovectores linealmente independientes.1. 3.4) 28 . Definici´n 3. o · · ·. λn . Teorema 3.1. Teorema 3. · · ·. Teorema 3. Adem´s.1. e Teorema 3. Adem´s.1.8 Si una matriz A de n×n tiene n autovalores distintos entre si. Definici´n 3. λ−1 .3 Se dice que una matriz cuadrada A de n × n es definida positiva si o t x Ax > 0 ∀x = 0. ena tonces. λm son autovalores de Am .3) Teorema 3.Teorema 3.1.4 Se dice que dos matrices cuadradas A y B de n × n son semejantes si o existe una matriz regular P tal que: B = P AP −1 (3.1. entonces es regular.3 Si la matriz cuadrada A de n × n tiene como autovalores λ1 . entonces. e Teorema 3.2 Autovalores Es importante tambi´n tener presente los resultados referidos a la descomposici´n espece o tral o conjunto de autovalores de una matriz. 1 n −1 cualquier autovector de A es tambi´n autovector de A . para cualquier entero positivo m. entonces es semejante a una matriz diagonal.1. λn . Se define como radio espectral de la matriz A y se nota ρ(A) al valor: ρ(A) = max |λi | 1≤i≤n (3. a 1 n cualquier autovector de A es tambi´n autovector de Am .4 Si la matriz cuadrada A de n×n tiene como autovalores λ1 .1. para cualquier entero positivo m. · · ·. λn . λ−1 son autovalores de A−1 .1. e Definici´n 3.1. · · ·.2 Si la matriz cuadrada A de n × n es diagonalmente estrictamente dominante.5 Sea A una matriz cuadrada de n × n que tiene como autovalores λ 1 .1. · · ·.5 Los autovalores de una matriz sim´trica son reales.

A ∈ Mm×n . ya que. A. Todo este tema est´ muy bien tratado en la a referencia [4]. y por A+ la matriz adjunta. p = 1 . I ser´ el cuerpo de los complejos K a o los reales. i=1 |ai j | . ∞. B ∈ Mn×p . De o hecho. Por tanto. seg´n variemos las u n m K K normas vectoriales en los espacios I y I .3.1. obtendremos diferentes normas inducidas en Mm×n (I K). A p := max Ax p . definimos en Mm×n (I una norma K : Mm×n (I K) → I R . K A la primera propiedad la llamaremos compatibilidad con el producto de matrices. . A → A A = max Ax x =1 Estas normas inducidas por una norma vectorial verifican dos propiedades muy interesantes: AB ≤ A · B .3 Normas matriciales Dentro de este repaso conviene recordar tambi´n resultados y definiciones correspone dientes a normas matriciales y vectoriales. espacio vectorial de las matrices de m × n de coeficientes reales o complejos. Sea A ∈ Mm×n (I ı K). x p =1 Los casos m´s interesantes son p = 1. K). para A = (ai j ). todas ellas equivalentes ya que este es un espacio de dimensi´n finita. ρ(A) = ρ(A 2 Es l´ ıcito sustituir el supremo por el m´ximo. a la segunda. x ∈ I n . Se puede demostrar que la norma a m´ximo de las sumas de las columnas de la matriz: a m 1 es el A 1 = max 1≤j≤n 2.1 I n. Definici´n 3. presenta m´ximo y K o a m´ ınimo. A = (ai j ) ∈ Mm×n (I y que la norma eucl´ ıdea. 1 29 . + A) = A . donde µmax es el mayor valor singular de A. en el caso de una matriz sim´trica o herm´ e ıtica. y. tomando norma p. por tanto. compatibilidad con la norma vectorial . es decir. . a K o {x ∈ I n : x = 1} es un compacto y. aunque se trabajar´ casi siempre con reales. A ∈ Mm×n . por tanto.6 Dadas normas o inducida. K K) I m . Ax ≤ A · x . la ra´ cuadrada del mayor autovalor ız + de A A. la funci´n Ax . y de ah´ lo hemos tomado. al ser I n un espacio de dimensi´n finita. tendremos las siguientes normas K K inducidas en Mm×n (I K). 2. At = (aj i ) y A+ = (aj i ). de una matriz A 2 = ρ(A+ A) = µmax .1. diagonalizable. continua. Denotaremos por At la matriz a traspuesta. . Es decir. ∞. en I n y I m . Obviamente.

tambi´n existen normas matriciales no inducidas por ninguna norma en e n I . · B S. a pesar de ello. las siguientes afirmaciones son equivalentes: 1. para toda A ∈ Mn (I K).1. K S . Teorema 3.9 Sea una norma compatible con el producto de matrices en Mn (I K). e o Conviene recordar tambi´n el siguiente teorema relativo a la exponenciaci´n de matrices. S A = (ai j ) ∈ Mm×n (I K). por ejemplo.La norma ∞. verifica que AB ≤ A Una propiedad interesante de las normas inducidas es que la matriz identidad tiene norma unidad. A= 0 1 0 0 Esta matriz tiene un unico autovalor doble. o En general.1.1. limk→∞ 3. Entonces existe una K) norma inducida ε tal que A ε ≤ ρ(A) + ε. limk→∞ Ak = 0. 1≤i≤m j=1   n   A = (ai j ). no puede haber ninguna norma en la que A = 0. la norma de Schur. Consideremos la matriz. hay valores de A tan pr´ximos a ρ(A) como queramos. pero. 30 Ak = 0. Lo vemos con un contraejemplo. ya que. ρ(A) = A 2 . Entonces. Sea ε > 0. ya que. En ´ cambio. por e el teorema anterior. Luego su radio espectral es nulo. . no es el m´ ınimo. para una matriz cuadrada sim´trica o herm´ e ıtica. s´ existe ı m´ ınimo.11 Para una matriz cuadrada A de n × n. ρ(A).1. ρ(A) proporciona el valor ´ ınfimo. ρ(A) < 1. m n = max  |ai j | . hemos visto que. que al recorrer las diferentes normas de A compatibles con el producto. Que es cota inferior es trivial por el teorema 3.1 ρ(A) = inf A ∀A ∈ Mn (I K). A S = Tr (A+ A) = i=1 j=1 S |ai j |2 . el cero. I = max I I Ix = max x = 1. es decir.1. no es inducida por ninguna norma vectorial. ρ(A) ≤ A . tambi´n.10 Sea A ∈ Mn (I una matriz fija.9. pese a ser el ´ ınfimo de A al recorrer las distintas normas matriciales compatibles con el producto. En cambio. Teorema 3. ya que. ya que no es la matriz nula. 2. es el m´ximo de las sumas de las filas de la matriz a A ∞ No obstante. por su parte. x =1 x =1 Teorema 3. Que es ´ ınfimo. Un corolario interesante es el siguiente: Corolario 3.

3.2

Condicionamiento de un sistema lineal.
Ax = b (3.5)
    

Tenemos el sistema lineal con

A= 

 

10 7 8 7

7 8 7 5 6 5 6 10 9 5 9 10
  

(3.6)

b= 

32 23 33 31

    

(3.7)

cuya soluci´n es un vector de componentes unitarias. Normalmente estos sistemas lineales o se obtienen a partir de c´lculos previos que producen errores tanto en los coeficientes del a e sistema con en los del t´rmino independiente. A su vez, los datos con los que se realizan esos c´lculos previos podr´ estar afectados de errores por proceder de experimentos, u a ıan a a otros c´lculos a su vez. Por tanto, el sistema lineal resultante en realidad no ser´ ese, sino que ser´ un sistema lineal perturbado tanto en la matriz del sistema como en el t´rmino a e independiente. El sistema lineal perturbado podr´ tener el siguiente aspecto ıa
   

A + ∆A = 

10 7 8.1 7.2 7.08 5.04 6 5 8 5.98 9.89 9 6.99 4.99 9 9.98
   

    

(3.8)

b + ∆b = 
   

32.01 22.99 33.01 30.99

    

(3.9)

y por tanto ∆A y ∆b, las perturbaciones, tendr´ los siguientes valores: ıan 0 0 0.1 0.2 0.08 0.04 0 0 0 −0.02 −0.11 0 −0.01 −0.01 0 −0.02 ∆b = 
        

∆A = 

(3.10)

Estudiemos c´mo var´ la soluci´n del sistema lineal cuando perturbamos la matriz del o ıa o sistema y cuando perturbamos s´lo el t´rmino independiente. Resolvamos primero el o e sistema lineal: A(x + ∆x) = b + ∆b (3.12) 31

0.01 −0.01 0.01 −0.01

    

(3.11)

x + ∆x =  

 

1.82 −0.36 1.35 0.79 ∆b b

Hemos perturbado el t´rmino independiente: e
∞ ∞

     → ∆x =   

0.82 −1.36 0.35 −0.21

    

(3.13)

= 3.03 10−4

(3.14)

y esta perturbaci´n induce una variaci´n en la soluci´n: o o o ∆x x
∞ ∞

= 1.36

(3.15)

El error se ha amplificado por tanto unas 4500 veces. Part´ ıamos de una perturbaci´n o −4 relativa del orden de 3.03 10 y obtenemos un error relativo del orden de 1.36. Estudiemos este fen´meno desde el punto de vista te´rico: o o A(x + ∆x) = b + ∆b Ax + A∆x = b + ∆b pero Ax = b, y por tanto A∆x = ∆b ∆x = A−1 ∆b Como las normas que utilizamos son inducidas, se verificar´ que: a ∆x = A−1 ∆b ≤ A−1 1 A ∆x 1 b ∆b (3.20) (3.18) (3.19) (3.16) (3.17)

Aplicando similar desigualdad a Ax = b e invirtiendo ambos factores: ≤ (3.21)

multiplicando estas dos desigualdades t´rmino a t´rmino entre si tendremos: e e ∆x x ≤ A A−1 ∆b b (3.22)

Por tanto el error relativo en la soluci´n se mayora respecto al error relativo en la perturo −1 baci´n mediante el factor A o A . Este n´mero se denomina condicionamiento de u la matriz A, K(A) o cond(A) y cuanto m´s peque˜o sea este n´mero, menos afectar´n a a n u a la soluci´n perturbaciones en el t´rmino independiente. Comprobemos esta desigualdad o e en el ejemplo anterior: cond∞ (A) = A y por tanto, se debe dar que: 1.36 ≤ 4488 · 3.0303 10−4 = 1.36 32

A−1

∞=

33 · 136 = 4488

(3.23)

Si ahora perturbamos la matriz del sistema, ´ste quedar´ como: e a (A + ∆A)(x + ∆x) = b
  

(3.24) −82 136 −35 21
    

x + ∆x =  

−81 137 −34 22

La perturbaci´n de la matriz del sistema: o ∆A A
∞ ∞

     → ∆x =   

(3.25)

=

0.3 ≈ 0.01 33

(3.26)

y esta perturbaci´n induce una variaci´n en la soluci´n: o o o ∆x x
∞ ∞

= 136

(3.27)

El error se ha amplificado por tanto unas 13600 veces. Part´ ıamos de una perturbaci´n o relativa del orden de 0.01 y obtenemos un error relativo del orden de 136. o o Estudiemos este fen´meno desde el punto de vista te´rico: (A + ∆A)(x + ∆x) = b A∆x + ∆A(x + ∆x) = 0 ∆x = A−1 ∆A(x + ∆x) y mayorando y, multiplicando y dividiendo por ∆x x + ∆x ≤ A A A−1 ∆A A (3.31) (3.28) (3.29) (3.30)

Ahora, con otra medida del error relativo, vuelve a ser el condicionamiento de la matriz A el factor que mayora los errores en las perturbaciones respecto a los errores en la soluci´n. o Por su definici´n est´ claro que el condicionamiento de una matriz depende de la norma o a elegida. Una propiedad interesante es que el condicionamiento tiene como cota inferior a la unidad. Esto es consecuencia de que la norma inducida de la matriz identidad es siempre 1. 1 = I = AA−1 ≤ A A−1 (3.32) Otra propiedad muy interesante es la que relaciona el condicionamiento con el radio espectral de la matriz del sistema caso de que esta sea sim´trica. Si la matriz es sim´trica e e su norma 2, es su radio espectral. Por tanto: cond2 (A) = A
2

A−1

2=

ρ(A)ρ(A−1 ) =

|λmax | |λmin |

(3.33)

33

o a a o En ese sentido hay dos grandes familias de m´todos: los directos y los iterativos.34) Como vemos.1 Cambiar alguno del coeficientes del sistema lineal 3. Se pretende que comprob´is que con un condiıa.6 del ejemplo anterior es sim´trica.8581 30.3. a e cionamiento menor o mayor. ser´: cond2 (A) = 30.2887 = 2984 0. Se ha estudiado ya a e o en los cursos de algebra lineal pero conviene recordarlo.35) Otra forma de ver el condicinamiento es pensar que resolver un sistema lineal equivale a encontrar una combinaci´n lineal de vectores que nos permitan escribir otro vector. que o e nos permite decir que una matriz estar´ mejor condicionada cuanto m´s parecidos en a a m´dulo sean entre si su espectro de autovalores o su espectro de valores singulares. Los e directos se caracterizan porque conducen a la soluci´n exacta 2 mediante un n´mero finito o u (aunque muy grande) de operaciones.8431 3. 3. los errores en las soluciones de los sistemas perturbados verifican las nuevas cotas respondiendo a este nuevo condicionamiento. e Una vez que tenemos claro que aunque resolvamos nuestro sistema lineal la soluci´n que o obtengamos puede tener errores significativos respecto al resultado esperado. el o t´rmino independiente. Los iterativos consisten en generar una sucesi´n o cuyo l´ ımite sea la soluci´n del sistema lineal. etc). Si los vectores columna que forman el sistema lineal a´n siendo e u linealmente independientes est´n casi en un mismo hiperplano (recta en 2D. El unico problema que plantean los m´todos o ´ e iterativos es que esta sucesi´n convergente es dif´ de obtener y a menudo dicha sucesi´n o ıcil o diverger´. los autovalores son muy diferentes entre si. Su espectro de autovalores es: e    Sp(A) =   0. dicha combinaci´n lineal ser´ geom´tricamente mucho m´s delicada. o El m´s conocido de los m´todos directos es la eliminaci´n gaussiana. Para ello nos basaremos en un ´ salvo errores de redondeo que pueden ser minimizados mediante t´cnicas de pivotaje cuyo estudio e detallado escapa al contenido del curso 2 34 .Este resultado tiene una versi´n general ahora en t´rminos de los valores singulares.2. su condie a cionamiento en la norma 2. plano en a 3D. 3.3 M´todos directos. De o hecho.2887      (3. la matriz 3.1 Eliminaci´n gaussiana. Al ser sim´trica. Estudiemos primero los m´todos e a a e directos.6 manteniendo la simetr´ y repitiendo todo este an´lisis.0102 (3. o a e a Ejercicio 3. siempre que consigamos poder resolver nuestro sistema a mediante un m´todo iterativo esto ser´ m´s eficiente. En cualquier caso. procede estudiar c´mo podemos resolver del modo m´s r´pido y preciso el sistema en cuesti´n.0102 0.

o a x3 = 1 (3.43) (3. resolvemos dos sistemas lineales triangulares: o Ly = b Ux = y y ya tenemos el vector x soluci´n buscada. hacemos cero todos los elementos de la primera columna excepto el diagonal.38) Con esto tenemos ya un sistema triangular superior que se resuelve f´cilmente por sustia tuci´n hacia atr´s.2 Descomposici´n LU.42) Una vez obtenida esta descomposici´n. el o a 35 (3.  6 1 2 3    0 −1 −2 −3  0 0 −2 −2  (3. aunque a su estudio detallado escapa al contenido del curso. Explicaremos la m´s sencilla.37) Ahora hacemos lo mismo con el elemento diagonal de la segunda fila.41) Existen diferentes estrategias para minimizar los errores de redondeo tratando de que los elementos diagonales sean en valor absoluto lo m´s grandes posibles (pivotaje).36) haciendo transformaciones elementales utilizando la primera fila. y hacemos cero todos los elementos de la segunda columna por debajo del diagonal. o Consiste en factorizar la matriz del sistema lineal como producto de una triangular inferior y otra superior.  6 1 2 3    0 −1 −2 −3  4 0 2 2  (3. 3. o Existen muchas formas de realizar esta descomposici´n.39) −x2 − 2x3 = −3 → x2 = 1 x1 + 2x2 + 3x3 = 6 → x1 = 1 (3.44) .3. e iremos dando los pasos en dicho ejemplo para entender c´mo funciona: o  6 1 2 3  9   2 3 4  −1 0 −1 −2  (3. por lo que resolver el sistema lineal Ax = b se transforma en resolver: LU x = b (3.ejemplo.40) (3.

Resolvamos el sistema lineal del apartado anterior con este m´todo. k ≤ i. o 2y1 − y2 = 9 → y2 = 3 Y ahora resolvemos el triangular superior U x = y por sustituci´n hacia atr´s. En la descomposici´n de Crout se supone que la matriz triangular superior U tiene una diagonal o formada por elementos unidad. la descomposici´n LU es el e o m´todo m´s aconsejable. e      1 2 3 l11 0 0 1 u12 u13      (3. Los menores principales son los determinantes de las submatrices principales.47) Cuando una matriz no tiene ninguna estructura especial (sim´trica.algoritmo de Crout. e etc). y no converge para los m´todos iterativos disponibles. con muchos ceros. Pasamos a resolver los dos sistemas triangulares: 6 y1 1 0 0 6       Ly =  9  →  2 −1 0   y2  =  9   −2 y3 −1 2 −2 −2 y1 = 6 −y1 + 2y2 − 2y3 = −2 → y3 = 1            l31 u13 + l32 u23 + l33 = −1 → l33 = −2 (3. Podemos comprobar que A = LU .45)  2 3 4  =  l21 l22 0   0 1 u23  −1 0 −1 0 0 1 l31 l32 l33 Para calcular estos coeficientes procedemos sucesivamente por identificaci´n: o l11 = 1 l11 u12 = 2 → u12 = 2 l11 u13 = 3 → u13 = 3 l21 = 2 l21 u13 + l22 u23 = 4 → u23 = 2 l31 u12 + l32 = 3 → l32 = 2 l31 = −1 l21 u12 + l22 = 3 → l22 = −1 Y ya tenemos todos los coeficientes. e a 36 x1 + 2x2 + 3x3 = 6 → x1 = 1 . que funciona siempre que todos los menores principales sean distintos de cero. o a x1 6 1 2 3 6       U x =  3  →  0 1 2   x2  =  3   1 x3 0 0 1 1 x3 = 1 x2 + 2x3 = 3 → x2 = 1    (3. La submatriz principal Ai es la que tiene como elementos ajk con 1 ≤ j.46) Este primero se resuelve por sustituci´n hacia adelante.

A = LLt .5    3. e El m´todo de Gauss-Jordan es el m´todo directo optimo para encontrar la inversa de e e ´ una matriz cuando ´sta no tiene ninguna estructura particular.4 3. El m´todo de Gauss-Jordan consiste en realizar e eliminaci´n gaussiana poniendo en la parte derecha la identidad. hacemos cero el resto de los elementos de la tercera columna.  1 0 0 1 2 3 1 0 0 1 2 3      2 3 4 0 1 0  →  0 −1 −2 −2 1 0  −1 0 −1 0 0 1 0 2 2 1 0 1 Normalizamos la segunda fila dividiendo por el elemento diagonal.3 Descomposici´n de Cholesky. e Convergencia.4.0 −0. podr´ ıamos por ejemplo tratar de resolver iterando 37 . Es un error de concepto e invertir una matriz para resolver un sistema lineal. Para este tipo de matrices existe una descomposici´n LU especial. la o t descomposici´n de Cholesky. e o Si tenemos que resolver Ax = b. De lo que se trata es de transformar el problema en uno de punto fijo para despu´s aplicar el teorema de la aplicaci´n contractiva.3. Ve´moslo con el mismo ejemplo.5 0 0 1 1. y realizando transforo maciones elementales hasta tener a la izquierda la identidad. y la matriz L se obtiene o o otra vez por identificaci´n.5 1 0 −1 −3 2    2 −1 0  →  0 1 0 −1.5 1.1 M´todos iterativos. o A menudo los sistemas lineales tienen como matriz del sistema la matriz de Gramm de un producto escalar.0 1.5. y a la derecha tendremos a entonces la inversa.0 1.0 −0.5 −1 −0.     1 0 −1 −3 2 0 1 2 3 1 0 0    2 −1 0    0 1 2 2 −1 0  →  0 1 2 0 2 2 1 0 1 0 0 −2 −3 2 1 Normalizamos la tercera fila dividiendo por el elemento diagonal. igual que en el algoritmo de Crout. pues en realidad calcular la inversa es como resolver n sistemas lineales.3.3. Estas matrices y otras son sim´tricas y definidas positivas (x t Ax > e 0 ∀x = 0).4 M´todo de Gauss-Jordan.5 −1. 3. Los m´todos iterativos responden a la misma filosof´ que utilizamos para resolver de e ıa modo iterativo problemas no lineales.0    0 1 2 0 0 1 1. hacemos cero el resto de los elementos de la segunda columna.     0 1 0 0 −1. Se deja como ejercicio o resolver de este modo el sistema lineal 3. En esta descomposici´n U = L .

que son los m´s habituales y o a que conducen a esquemas iterativos del tipo. Adem´s o a a o a esa convergencia es independiente del hu´sped inicial. M x(k+1) = N x(k) + b 38 (3. los esquemas iterativos a que haremos referencia ser´n a todos del tipo: x(k+1) = Bx(k) + c (3. e Teorema 3.x = (I − A)x + b. Enunci´moslo como un teorema. por ser Bv = λv. al ser una contracci´n en todo el e o espacio.4. la convergencia depende del radio espectral de la o matriz B. Dicho de otro modo.49) (3. Si la ´ o matriz es diagonalizable es m´s f´cil de intuir que si alguno de los autovalores λ fuese a a de modulo igual o superior a uno. 3. lim B k v = 0 k→∞ (3. con lo que a o a o K la sucesi´n converger´ a un punto fijo que ser´ la soluci´n del sistema lineal.4. En el l´ K) K ımite x = Bx + c y por tanto. tomando el autovector correspondiente como vector v esta claro que esa sucesi´n nunca tender´ a cero.48 converge si y solamente si el radio espectral de la matriz B es estrictamente menor que la unidad. Este resultado o es fundamental en algebra lineal. y dado que B(x − y) ≤ B x − y tendremos que la aplicaci´n T (x) = Bx + c o verificar´ la condici´n de Lipschitz y por tanto. indepeno dientemente del vector v.50) c = (I − B)A−1 b Esto s´lo es posible si el radio espectral de la matriz B es menor que uno. En general. Por tanto.1 Un esquema iterativo para resolver sistema lineales del tipo 3. aunque ser´ m´s r´pida si el hu´sped inicial est´ correctamente elegido y sobre a a a e a todo si ρ(B) es bastante menor que la unidad. ha de ser que: Una vez que c verifica esa condici´n.2 Esquema general. Se tendr´ por tanto que la sucesi´n x(k) − x debe a o tender a cero. ”→” Supongamos que el esquema converge. por tanto: x(k+1) − x = Bx(k) + c − (Bx + x) = B(x(k) − x) = B k+1 (x(0) − x) O sea que para cualquier x(0) esa sucesi´n tiende a cero.48) donde B ∈ Mn (I y c ∈ I n . Dentro de los m´todos iterativos estudiaremos aquellos que se basan en una descomposie ci´n de la matriz A del tipo A = M − N con M invertible. o ıa La inversa es una consecuencia directa del teorema de la aplicaci´n contractiva. ser´ una contracci´n de I n . existe alguna norma matricial inducida en la que B < 1. Si o ρ(B) < 1. Su demostraci´n general es algo complicada.51) .

se usar´ ´sta como hu´sped inicial. Caso de que no sea o o ae e as´ se puede tomar como hu´sped inicial el formado por el t´rmino independiente. Nosotros tomaremos por ejemplo uno que har´ que ıa se cumpliese la primera l´ ınea del sistema lineal: x(0) x −1  1   x(0)  =  4  = 2    (0) −1 x3    (0)  (3. U las partes inferior y superior respectivamente de la matriz A cambiadas de signo. o parte diagonal de la matriz A. e e de componentes todas iguales a 1.52) 3.55) (3. Obliga a resolver un sistema diagonal en cada paso.57) 39 .50 o c = (I − B)A−1 b = (I − M −1 N )A−1 b = M −1 M (I − M −1 N )A−1 b = M −1 (M − N )A−1 b = M −1 b cqv (3.5 x1      x2  =  3  −0.3 M´todo iterativo de Jacobi. Para definir estas matrices D. aunque nosotros utilizaremos aqu´ siempre bloques elementales.Se trata de elegir M de tal forma que ese sistema lineal en cada paso sea sencillo de resolver. y N = L + U .4.5 x3      (3. Se debe tener que c = M −1 b verifique la condici´n 3.53) Procedamos a realizar la descomposici´n de la matriz del sistema: o 4 0 0  M =D= 0 4 0   0 0 4   −1. o uno ı. L y U se puede hacer utilizando bloques de varios elementos. Se trata de resolver el sistema lineal:  x1 −3 4 1 0       1 4 1   x2  =  10  1 x3 0 1 4 cuya soluci´n es el vector: o      (3. Si se tiene o una estimaci´n de la soluci´n.51 en la descomposici´n de Jacobi de la matriz o o A. siendo L. Veamos ı con un ejemplo c´mo funciona el esquema 3.56) La elecci´n del hu´sped inicial no influye en la convergencia. pero s´ en el n´mero de o e ı u iteraciones que daremos en el esquema para llegar a una soluci´n aceptable.54) con 0 0 0  L =  −1 0 0   0 −1 0 N =L+U 0 −1 0  U =  0 0 −1   0 0 0   (3. e Se basa en una descomposici´n de la matriz A del tipo A = M − N . con M = D.

63) Por tanto.5   =  3.Para comprobar si estamos convergiendo a la soluci´n es conveniente disponer de un buen o criterio de convergencia.75 = 3    −0.4.5    r(2) ∞= 0. e 40 .65) j=i Entonces.5 (3.58) (3.60)  (3. Vamos a enunciar un teorema de convergencia muy interesante pues se refiere a un tipo de matrices.61)   (3.59)   Y tendremos por tanto que resolver el sistema diagonal:    −3 −1 0 −1 0 4 0 0      (1)    0 4 0  x =  −1 0 −1   4  +  10  1 −1 0 −1 0 0 0 4 4 0 0 −7   (1)    0 4 0  x =  12  0 0 4 −3 x(1) −1. As´ en este ejemplo: ı. el m´todo de Jacobi converge para esta matriz. las diagonal estrictamente dominante que aparecen a menudo al resolver num´ricamente ecuaciones diferenciales en derivadas parciales.2 Supongamos que una matriz A sea diagonal estrictamente dominante: |aii | > |aij |. el residuo ha disminuido.125  −0. Demostraremos m´s adelante un resultado que nos permite a garantizar que si controlamos el valor de la norma del residuo r (k) = b − Ax(k) estaremos controlando el error e(k) = x − x(k) .0000   −0. e Teorema 3. i = 1..5039  =  3.0156 (3.64) x(5) etc.62) con 1 (3.75 r(1) ∞=     (3.5039  r(5) ∞= 0. · · · n −1.. r(0) Demos el primero paso del esquema: Dx(1) = N x(0) + b = (L + U )x(0) + b  ∞= 4 (3. Si seguimos iterando: x(2) −1.

La demostraci´n es bastante sencilla: o   0 = −  0   1 a11 B = M −1 N = D−1 (L + U ) 0  a21  = −  a22  ···  an1 ann  0 0 ··· ··· ··· ··· ··· ··· 0 0 ··· ··· a12 a11 0 0 0 1 ann  0 ann−1 ann ··· ··· ···    ···   a1n a11 a2n a22    a21   ···   an1 a12 · · · a1n 0 · · · a2n ··· ··· ··· · · · ann−1 0      0 Si calculamos la norma de esta matriz: B ∞ = max i=1.70) que se resuelve por sustituc´on hacia adelante: ı´ x(1) −1. M x(1) = N x(0) + b = U x(0) + b  (3. cada paso es m´s complicado que en el m´todo de Jacobi. e 3. Obliga a resolver un sistema triangular por sustituci´n hacia adelante en o cada paso.4 M´todo iterativo de Gauss-Seidel. Ve´mos c´mo funciona a o con el mismo ejemplo 3.5469 41   (3. o y N = U .n j=i |aij | |aii | (3.1875 4 0 0    (1)   −1 4 0  x =  10. con M = D − L. por tanto: B ∞<1 (3.7500  =  3.68)   Y tendremos por tanto que resolver el sistema triangular superior:  −3 −1 0 −1 0 4 0 0  1 4 0  x(1) =  0 0 −1   4  +  10         1 −1 0 0 0 0 1 4 −6.4. e Se basa en una descomposici´n de la matriz A del tipo A = M − N . se tiene tambi´n que ρ(B) < 1.5469  1. Por tanto.67) Pero al ser esta una norma inducida. y por tanto el e m´todo es convergente.53.0000 0 −1 4        (3. pero la a e velocidad de convergencia es superior en cierto tipo de matrices.71) .69) (3.66) Este cociente es siempre inferior a la unidad al ser la matriz diagonal estrictamente dominante.1875   −0.

5 Test de parada.78) (3. tal que la diferencia en norma entre la soluci´n x y la estimaci´n de ese valor o o en la iteraci´n k sea menor que un valor 1 dado. Respecto a la convergencia enunciamos un resultado equivalente al ya referido en el m´todo de Jacobi.74) Como vemos.01. entonces e(k) x < cond(A) . su dee mostraci´n no es tan sencilla y por tanto no la haremos. · · · n Entonces. el m´todo de Gauss-Seidel converge para esta matriz.0003 (3.5001  =  3.4 Si Demostraci´n: o e(k) = x − x(k) = x − A−1 b − r(k) = A−1 r(k) Por tanto e(k) ≤ A−1 r(k) ≤ A−1 b ≤ A−1 42 A x ≤ x cond(A) (3.4.75) O sea. e(k) = x − x(k) < Lo importante es parar en una iteraci´n k tal que el error: o 1 (3.3 Supongamos que una matriz A sea diagonal estrictamente dominante: |aii | > j=i |aij |.8125 (3.1641 (3. el residuo ha disminuido.76) Vamos a demostrar que: Teorema 3.72) Por tanto.73) x(5) r(5) ∞= 0. tendremos que llegar a esa conclusi´n de un modo indirecto. e Aunque el teorema es el mismo que el enunciado para el m´todo de Jacobi.77) r (k) b < . 0. o 3.0003 frente a 0. Dado que no sabemos por supuesto o x. El m´s interesante es o a analizar el residuo r(k) = b − Ax(k) (3.5000     r(2) ∞= 0.4.0000   −0. i = 1.4. el residuo en el paso quinto es muy inferior al correspondiente al m´todo e de Jacobi. e Teorema 3.5469  =  3.con r(1) ∞= 0.5059 −1. Si seguimos iterando: x(2) −1.0234   −0.

0013 ≤ 2. Es interesante ver este peque˜o teorema como que cu´nto peor o n a (mayor) sea el condicionamiento de una matriz. a 43 . Otro posible test de parada es establecer que la diferencia en norma entre dos iteraciones consecutivas no debe superar un valor dado.5 Referencias recomendadas para este tema. El texto de Golub y Ortega[6] es muy bueno.5714 · 0. Sin embargo. e cond∞ (A) = 2.M. acotar el residuo es casi equivalente a acotar el error total. En el ejemplo que hemos utilizado para mostrar los m´todos de Jacobi y Gauss-Seidel. Podemos combinar ambos tests para tener un test conjunto que nos garantice que estamos suficientemente cerca de la soluci´n y que no necesitamos continuar trabajando. si una matriz tiene un condicionamiento bajo. las mayoraciones en el residuo conducen a mayoraciones en el error multiplicadas por ese condicionamiento. Seleccionar el valor de 1 depender´ en cada caso del problema real que estemos resolviena do.0013 y 0. y depender´ tambi´n de las estimaciones que podamos tener del condicionamiento de a e la matriz del sistema.0039 → e(5) x = 0. con lo que se verifica la cota dada por el teorema.5714 r(5) = 0.0016. S´nchez hace un estudio exhaustivo de esta parte. o 3. El libro de apuntes de C´lculo Num´rico[14] a e cuando la daba J.De donde la conclusi´n.0016 b e(5) = x − x(5) = 0.

. n (4.. ´ . Li >= wi i = 1. las n soluciones del sistema o lineal (4.. .1 Sean E un R-e.1 Casos particulares del problema general de interpolaci´n o Interpolaci´n polinomial o El espacio E es un espacio de polinomios o construido con polinomios. de funciones de dimensi´n finita n y E su dual. . Li >) = det(Li (ej )) = 0.. La familia o de n formas lineales (Li )i=1. En efecto. de dimensi´n n y (ei )i=1. . La demostraci´n anterior de tipo constructiva. o 4.. det(< ej . Es el caso m´s a interesante y el unico que estudiaremos con detalle. determinar un u vector f ∈ E tal que < f.n es libre en E ∗ si det(< ej . contiene un m´todo de resoluci´n del o e o problema (4.. . sea B = (ej ) una base de E.2) 4. .1.v. n (4.1 El problema de interpolaci´n general (4. . La soluci´n x tiene como componentes ai .2). Li >) = 0 Teorema 4...1 El problema general de interpolaci´n o Sea E un R-e.1) Lema 4. El problema general de o interpolaci´n se plantea del modo siguiente: o Dadas n formas lineales Li ∈ E ∗ y n n´meros reales wi (i = 1.. Se llama a det(Li (ej )) el determinante generalizado de Gram.1. el sistema lineal Li   n i=j tiene como matriz asociada (Li (ej ) =< ej . . . . . j = 1.1. . .1). . n y si la familia (Li ) es libre..Cap´ ıtulo 4 Interpolaci´n. aj e j  = w i  i = 1..v.n una de sus bases.1) tiene soluci´n unica si las n o o ´ ∗ formas lineales (Li ) son linealmente independientes en E . n). Li > i.

. det(Li (ej )) = . . . a e u a • Si se busca un polinomio de grado m mayor que n. . . . m > n satisface P (xi ) = wi i = 0. . • Las n + 1 formas lineales Li asociadas a los n + 1 puntos distintos x0 . . . . . . . wn previaR mente asignados. o Tomando E = Pn (I I R). . . el determinante de Gram es: 1 x 0 x2 . . . de los polinomios de una variable de grado n y definiendo las (n + 1) formas lineales Li (P ) = P (xi ) = wi (i = 0. los n + 1 valores w0 . Por tanto. xn son ∗ linealmente independientes en Pn dual de Pn . . 1. xn . por las relaciones Li (lj ) = lj (xi ) = δij .v. . . luego describen una base B de este I R-e. . 1. . . ei = {xi }i = 0. . xn y ser´n determinados despu´s. Los n´meros wi = P (xi ) representan las componentes del polinomio inu terpolador P respecto de la base B = (lj ) de Pn dual de la anterior y que viene definida como es habitual. n) se constata que este problema es un caso particular de (4. . .v. x n n determinante del tipo de Vandermonde.. Si tomamos como base B o de Pn la can´nica. 2 1 x n xn . alta exigencia de almacenamiento y baja exactitud). . . . . . llamando n H(x) = i=0 (x − xi ) el polinomio P ∈ Pm . . El problema de interpolaci´n de Lagrange siempre tiene soluci´n unica. . x n 0 o . . R-e. . . .. . n si tiene la forma ˆ P (x) = P (x) + H(x)Q(x) ˆ donde P ∈ Pn si es la soluci´n unica del problema de Lagrange y Q es un polinomio o ´ arbitrario de Pm−n−1 . xn de un subconjunto de S de I . . 45 . . . . n. Estos polinomios lj son los polinomios fundamentales o de Lagrange asociados a los puntos x0 . se denomina problema de interpolaci´n de Lagrange. ya que su resoluo o ci´n por m´todos num´ricos es un peque˜o compendio de comportamientos negao e e n tivos (alto coste computacional. o o ´ Comentarios: • Este sistema lineal de Vandermonde s´lo tiene significado te´rico. . que es distinto de cero si todos los xi son distintos. . la b´squeda es m´s simple ya que existe un n´mero arbitrario de polinomios de esas caracter´ u ısticas que interpolen un conjunto dado de n + 1 puntos distintos x0 .1). .Interpolaci´n de Lagrange o El problema de la determinaci´n de un polinomio P ∈ Pn (I que toma en n + 1 puntos o R) distintos x0 . . En efecto. . . 1.

. Si por ejemplo 2 2 L1 (f ) = −1. Interpolaci´n general de Hermite o Dados n + 1 puntos distintos x0 .j (f ) = f (j) (xν ) 0 ≤ ν ≤ n. .ˆ • El polinomio P ∈ Pn soluci´n unica del problema de Lagrange descrito. . veremos que la interpolaci´n o en PN relativa a estas formas lineales tiene soluci´n unica. con a2 = 0. . Este caso particular de (4. Otro ejemplo todav´ m´s llamativo es el caso P (xi ) = 1. . 46 L3 (f ) = 1 . i = 0.1) . lo que no siempre sucede. . 0 ≤ j ≤ mν con N = m0 + m1 + · · · + mn + n. Interpolaci´n trigonom´trica o e Supongamos ahora que E es el espacio de dimensi´n 3 engendrado por las tres funciones o {1. ´ o • En muchos casos. siempre es posible o ´ hallar un polinomio cuya imagen y las de sus derivadas sucesivas hasta un cierto orden. cuando an = 0. Las formas lineales Li estar´n entonces definidas en un o a espacio funcional m´s amplio que Pn para que tenga sentido Li (f ) = f (xi ). n cuya unica soluci´n es el polinomio constante 1. xn y las N + 1 formas lineales en C N (S) definidas por: f −→ Lν. M´s tarde escribiremos de modo expl´ o a ıcito el polinomio de grado 2n + 1 soluci´n de este problema cuando o m0 = m1 = · · · = mn = 1 ⇒ N = 2n + 1 que se llama problema simple u osculatriz de Hermite. π da como soluci´n unica o 2 2 2 2 2x ˆ ıa a el polinomio P (x) = π . est´ prefijadas en puntos distintos. 1. cos. 0. Por tanto. . o a e consiste en determinar un polinomio P que coincide con f en los puntos xi . . se denomina problema e de interpolaci´n polinomial general de Hermite. matem´ticamente id´ntico al antes considerado. sin} y que deseamos determinar f ∈ E tal que L1 (f ) = f − π 2 L2 (f ) = f (0) L3 (f ) = f π 2 El determinante de Gram del problema de interpolaci´n planteado es o 1 sin − π L1 (1) L1 (sin) L1 (cos) 2 L2 (1) L2 (sin) L2 (cos) = 1 sin(0) L3 (1) L3 (sin) L3 (cos) 1 sin π 2 cos − π 2 cos(0) cos π 2 1 −1 0 = 1 0 1 =2=0 1 1 0 por tanto. en los puntos− π . L2 (f ) = 0. 0 y π . los valores wi son las im´genes en los puntos xi de una cierta a funci´n f definida en S. siempre podemos hallar una funci´n unica o ´ f (t) = a0 + a1 sin t + a2 cos t que toma valores dados en− π . π . es exaco ´ tamente de grado n. El proa blema de interpolaci´n planteado. El problema de ˆ o ´ interpolar la funci´n sin en − π .

. . Supongamos que deseamos hallar un polinomio de segundo grado cuyos o ´ valores en 1 y -l y cuya derivada en 0 son datos. 1. . cos mx. ese problema tiene soluci´n unica 1 P ya que las n + 1 formas lineales o ´ ∗ Li (P ) = P (xi ) = wi (i = 0. funci´n que se pretende a o interpolar. P ∈ Pn tal que P (xk ) = wk k = 0. sin x. .2 4. He aqu´ un ejemplo sin o ı soluci´n unica. . o o ´ Ejemplo de un problema de interpolaci´n sin soluci´n. . cos x.estar´ ıamos determinando f ∈ E interpolante de la funci´n seno. 2.1 Interpolaci´n polinomial o Interpolaci´n de Lagrange o Ya hemos introducido este problema en 4. L2 (f ) = f (1). de dimensi´n 2m + 1 y para las 2m + 1 formas lineales o < f.1) tiene soluci´n unica. Li >) = 1 1 1 = 0 0 1 0 y el problema no puede tener soluci´n unica. n A menudo los datos wk son las im´genes de una cierta funcion f .v. Su base dual B en Pn ˆ En el apartado 4. L3 (f ) = f (0) y ei = xi−1 con i = 1. n) describen una base B ∗ de Pn . .1 pero ahora lo veremos con detalle. . en los nodos xk .1. . 1. . Se dan n + 1 puntos distintos xi de un subconjunto S de I R(nodos) y n + 1 valores reales wi (i = 0.1 llam´bamos P a este polinomio para no confundir. sin mx}. o En general.1. Aqu´ no hay confusi´n a ı o posible y nos referiremos a ´l como P . . o ´ ıa 4. aunque podr´ tener infinitas soluciones. E es la envoltura lineal de la familia de las 2m + 1 funciones linealmente independientes {1. 3. Li >= f (xi ) = wi . E es un R-e. . . −π ≤ x0 < x1 < · · · < x2m ≤ π el problema de interpolaci´n (4. 1. e 1 47 . . Con L1 (f ) = f (−1). . Polinomios de Lagrange Como vimos. n) y se busca un polinomio P de grado ≤ n. o o No todo problema de interpolaci´n es necesariamente resoluble. .2. Se tiene que: 1 −1 1 det(< ej .

. . . . . . . . x n n   la matriz de Vandermonde asociada a los nodos x0 . es decir a lj (xi ) = 0 si i = j 1 si i = j luego lj tiene n ra´ xi (i = j) y toma el valor 1 cuando x = xj .est´ descrita por los polinomios lj de Lagrange asociados a los puntos x0 . P (x) = n wj lj (x) j=0 Ejercicio 4. .3) (xj − xi ) lj (x) = i=j n i=0 i=j Descomponiendo el polinomio de interpolaci´n soluci´n P respecto de esta base teno o dremos n P = j=0 k j lj de donde para i = 0. xn . . . . . e Ejemplo 4.  V = .  . . n n n wi = P (xi ) = j=0 kj lj (xi ) = j=0 kj δij = ki o por tanto las componentes de la expresi´n del polinomio n P = j=0 wj l j es decir.. . .   . . . . x n 0 0  . . .2. 2 1 x n xn . . . Es claro que: ıces n i=0 (x − xi ) (4. xn y que a como es habitual est´n definidos por las relaciones Li (lj ) = δij . matriz del sistema que define los coeficientes del polinomio soluci´n respecto de la base can´nica de P n . . Los coeficientes o o e del polinomio de Lagrange lk respecto de dicha base son los elementos de la k-´sima −1 columna de V matriz inversa de V . . 1. ¿ Por qu´?. .1 48 .2.1 Sea 1 x 0 x2 .

1 Sea f ∈ C n+1 [a. x) para el cual f (x) − P (x) = con H(x) = i=0 H(x) (n+1) f (ξ(x)) (n + 1)! n (4. o Supongamos sin p´rdida de generalidad que a ≤ x0 < x1 < · · · < xn ≤ b. xn . a Teorema 4. Es f´cil ver que la funci´n φ tiene al menos a a o n + 2 ceros en [a. b].5) Demostraci´n. los correspondientes a los nodos xi y al valor x. · · · . Sabemos por aplicaci´n del teorema de Rolle que si una funci´n continua y diferenciable o o 2 Por ser P y H polinomios y por tanto de clase C ∞ 49 . b].4) (x − xi ) (4.2 Estimaciones del error en la interpolaci´n de Lagrange o En el caso habitual. Entonces a cada punto x en [a. xn con xi ∈ [a. · · · . b] y P el polinomio de Pn (I interpolador de Lagrange de f en la nube R) x0 .7) f (x) − P (x) H(x) (4. b] le corresponde un punto ξ(x) con min(x0 . x1 = 2. la igualdad 4.Si x0 = 1. x3 = 4 1 1 1  V = 1 2 4   1 4 16 con lo que   y V −1 =  −2  1 3  8 3 −2 −1 2 5 2 −1  2  1 6 1 3  8 l0 (x) = 3 − 2x + 1 x2 = 1 (x2 − 6x + 8) 3 3 1 l1 (x) = −2 + 5 x − 1 x2 = − 2 (x2 − 5x + 4) 2 2 1 1 l2 (x) = 3 − 1 x + 6 x2 = 1 (x2 − 3x + 2) 2 6 4. Si x no es uno de los nodos definimos λ tal que: λ= Definimos la funci´n auxiliar: o φ(t) = f (t) − P (t) − λH(t) (4.4 es v´lida elijamos como u a elijamos ξ. interesa investigar la separaci´n entre el polinomio interpolante P y f . xn . i = 0. en que los valores wi son las im´genes en los puntos xi de una cierta a funci´n f .2. · · · . n. Si x es uno de los nodos xi .2. lo que o o nos obligar´ a asumir que f satisface ciertas propiedades.6) Es f´cil 2 ver que φ conserva la clase de f . Elijamos un e n´mero x en [a. b]. x) < ξ(x) < max(x0 .

xn ] se puede deducir una estimaci´n muy util del error de interpolaci´n de f − P .8) f (n+1) (ξ) (n + 1)! (4.2. Sea ξ esa raiz. se tiene que h2 4 y haciendo una estimaci´n directa del tama˜o de los otros t´rminos que aparecen en H o n e se obtiene esa mayorante de H ∞ .6 obtenemos 4. a Corolario 4. Para ello utilizamos la mayoraci´n ´ o o H ∞ p. ıa o 50 .2 Obtener esa mayorante.2. a Si x ∈ [xi .tiene m ra´ en [a.2.1 Estimaciones del error. xn ]. b]. se obtiene la cota del error con norma uniforme f −P ∞ ≤ f (n+1) n+1 h 4(n + 1) Para interpretar correctamente esta cota de error debemos pensar en P como funci´n de o h para n fijo. Combinando lo anterior. Mn+1 H (n + 1)! 1 ≤ p ≤ n. Corolario 4. llegamos o (n+1) a la conclusi´n de que φ o tiene al menos una raiz en [a. = max |(x − x0 )(x − x1 ) · · · (x − xn )| ≤ x∈[x0 . b]. xi+1 ]. y la de H(t) es (n + 1)!. b]. Supuesto que f cumple que f (n+1) ∞ (4.xn ] n! n+1 h 4 donde h es la m´xima de las distancias entre puntos xi y xi+1 adyacentes.9) ≤ Mn+1 tendremos |H(x)| Mn+1 (n + 1)! (4. |(x − xi )(x − xi+1 )| ≤ Ejercicio 4. Con ello.4. su derivada f tiene al menos m − 1 ra´ en [a.10) |f (x) − P (x)| ≤ de la que se deduce la f´rmula general de estimaci´n del error en interpolaci´n o o o f −P ≤ v´lida para todas las normas . ıces ıces Aplicando este razonamiento de modo sucesivo a las derivadas de la funci´n φ. La derivada (n + 1) de un polinomio de grado n es 0. Por tanto: 0 = f (n+1) (ξ) − λ(n + 1)! de donde: λ= y entrando en 4. si x ∈ [x0 .2 En el caso en que = o ∞ . se deduce de esa estimaci´n que la exactitud es del orden O(hn+1 ) o cuando se var´ el intervalo de interpolaci´n [x0 .

. Con el m´todo de las diferencias a e divididas este problema desaparece. . u Es importante darse cuenta de que f [xi . . (x − x0 ). . a u Consideremos el polinomio de grado n P (x) = a0 + a1 (x − x0 ) + a2 (x − x0 )(x − x1 ) + · · · + an (x − x0 )(x − x1 ) · · · (x − xn−1 ) Elijamos los coeficientes ai . o se supone que conocemos una funci´n en un soporte de valores para la x. x2 . (x − x0 )(x − x1 ). x1 . o sea. x1 . o x0 x1 x2 x3 . El planteamiento de las diferencias divididas es el de la interpolaci´n de Lagrange.11) xj − x i A este n´mero se le llama la diferencia dividida de primer orden correspondiente a [x i . (x − x0 )(x − x1 ) · · · (x − xn−1 )} 51 . . xn f n En esta tabla no es necesario suponer que las exis est´n equiespaciadas. . . . Veremos que estos coeficientes se determinan f´cilmente usando las diferencias a divididas de los valores tabulados. . xj ] = f [xj . xi ] − f [x0 . xj ]. x1 . . .2. . . Usamos una notaci´n especial para las diferencias o divididas fj − f i f [xi . Sin embargo. . x1 ] f [x0 . x2 ] − f [x0 . xi ] = 3 f [x1 . Esta conmutabilidad se mantiene aunque el orden de las diferencias sea m´s alto. . ni siquiera que a est´n dadas en alg´n orden. xi−1 ] xi − x 0 En realidad lo que hacemos es escoger otra base para los polinomios de grado n: {1.4. el problema m´s importante nace del hecho de que si necesie a tamos a˜adir o quitar un punto al conjunto que se ha usado para construir el polinomio. x2 ] = x2 − x 0 f [x0 . . de tal modo que este polinomio ajuste la tabla de datos dada 3 . . xj ] = (4. . . El primero es que hay que realizar un n´mero alto de operaciones u aritm´ticas. n tenemos que empezar los c´lculos desde el principio. Las diferencias divididas de segundo a orden y de ordenes superiores se obtienen a partir de las diferencias divididas de ordenes ´ ´ anteriores: f [x1 .3 Diferencias divididas Hay dos problemas importantes cuando usamos la base de Lagrange para interpolar una tabla de valores. xi ]. . f0 f1 f2 f3 .

Despu´s con vuestra calculadora pod´is calcular el e e polinomio de interpolaci´n expresado en la base can´nica de los polinomios de grado o o cuatro. . xi+2 ] f [xi . . dado que si xj . . 0865 0. . y comprobar que los dos tienen la misma imagen en un punto cualquiera (ej x = 3. Es interesante ver 4..11 como que la diferencia dividida de primer orden es una estimaci´n o de la derivada de la funci´n f en xi . 750 2. . 400 14. 6 fi f [xi . 256 El peque˜o ejercicio que se os propone consiste en que valid´is esta tabla de valores. 118 2. 263 0. . 012 −0. x5 ] 22. .2 Una t´ ıpica tabla de diferencias divididas podr´ ser la siguiente ıa xi 3. . n e Tambi´n pod´is construir el polinomio de interpolaci´n de diferencias divididas correse e o pondiente a esta tabla de valores. . xi ]. . Ejemplo 4. x1 ]. . . P (x0 ) = a0 = f0 P (x1 ) = a0 + a1 (x1 − x0 ) P (x2 ) = a0 + a1 (x2 − x0 ) + a2 (x2 − x0 )(x2 − x1 ) . xi+3 ] f [x0 .2. Teorema 4. 2 2. Obtengamos la imagen de cada punto del soporte por dicho polinomio. x1 . 0 17. 0 4. Si conocemos alguna derivada de la funci´n. 3 6. 8 8.2. tiende a xi lo que tenemos es precisao mente esa derivada. xi+1 ] f [xi . 856 38. entonces: P (x1 ) = f0 + Si hacemos a2 = f [x0 . 7 1. x2 ].. 8 5. 7 16. 342 2.8).2 52 . . 528 51. P (xn ) = a0 + a1 (xn − x0 ) + a2 (xn − x0 )(xn − x1 ) + · · · + +an (xn − x0 )(xn − x1 ) · · · (xn − xn−1 ) Si hacemos a1 = f [x0 . podemos duplicar ese o nodo en la lista y sustituir la diferencia dividida correspondiente a esos dos nodos por la derivada. 2 2. x1 .Estamos ya en posici´n de establecer que los coeficientes ai est´n dados por esas difereno a cias. . entonces: P (x2 ) = f0 + f1 − f 0 (x2 − x0 ) + x1 − x 0 f2 −f1 x2 −x1 f − x1 −f0 1 −x0 (x2 − x0 )(x2 − x1 ) = f2 x2 − x 0 f1 − f 0 (x1 − x0 ) = f1 x1 − x 0 Podr´ ıamos ver de modo similar que cada Pn (xi ) = fi si ai = f [x0 . . .

3 Demostrar que si la funci´n que queremos aproximar es un polinomio de grado k. . 1. xn se busca el polinomio P que cumpla las 2n + 2 condiciones P (xi ) = f (xi ) i = 0. xn ] = n! Ejercicio 4. entonces hay un punto ξ en (a. x1 . . . . . n Las 2n + 2 formas lineales Li y Mi son en este caso f −→ Li (f ) = f (xi ) y f −→ Mi (f ) = f (xi ) Se trata del caso particular del problema general de Hermite cuando m0 = m1 = · · · = mn = 1 ⇒ N = 2n + 1 La soluci´n del problema de interpolaci´n simple de Hermite es unica si todos los nodos o o ´ 4 x0 . n P (xi ) = f (xi ) i = 0. por tanto.12) Se comprueba simplemente sustituyendo y derivando n n 2 [1 − 2lj (xj )(xi − xj )]lj (xi )f (xj ) + n 2 lj (xi )f (xj ) j=0 j=0 n 2 (xi − xj )lj (xi )f (xj ) = P (xi ) = j=0 n = − j=0 2lj (xj )(xi − 2 xj )lj (xi )f (xj ) + j=0 2 (xi − xj )lj (xi )f (xj ) = f (xi ) Para i = j los tres sumandos son nulos por ser lj (xi ) = δij . . x1 . . . .2. o Dados n + 1 puntos distintos x0 . . . xn . . . b) que verifica que f (n) (ξ) f [x0 . . 53 . . . para n > k f [x0 . . b].2. eno tonces. . . . . . 1. son puntos distintos de [a. . 1. . . b] y x0 . . Luego s´lo nos queda el primer sumando o distinto de cero si i = j. . xn ] = 0 4. xn son distintos y viene dada en funci´n de los polinomios fundamentales de o Lagrange por: n n P (x) = j=0 [1 − 2lj (xj )(x − 2 xj )]lj (x)f (xj ) + j=0 2 (x − xj )lj (x)f (xj ) (4. P (xi ) = f (xi ) i = 0. . . An´logamente derivando a n P (x) = j=0 4 2 −2lj (xj )lj (x)f (xj ) + [1 − 2lj (xj )(x − xj )]2lj (x)lj (x)f (xj )+ No lo demostraremos. . . El segundo y tercer sumando son nulos para i = j por serlo el factor (xi −xj ). .Si f es n veces continuamente diferenciable en [a.. n.4 Interpolaci´n simple de Hermite u osculatriz.

xn } los nodos de una subdivisi´n Ω de [a. . .3. 1. x2 }. x2 ] que toma en esos nodos los valores w0 . . a n Definici´n 4. que los nodos o est´n equiespaciados xi+1 − xi = h. Es a menudo mucho m´s util dividir el intervalo en subintervalos m´s peque˜os y usar en cada subintervalo polinomios de grados relativamente bajos. . Suponemos x1 = 0 de modo que x0 = −h y x2 = h. Ello limita su utilidad a e a ´ en an´lisis num´rico. Por otro lado. 4. Por un lado. w1 . Supongamos por conveniencia que esa subdivisi´n es uniforme.1 Polinomios a trozos de grado k o Sea [a.3 Interpolaci´n polinomial a trozos. w2 . y haciendo x = xi n P (xi ) = j=0 2 −2lj (xj )lj (xi )f (xj ) + [1 − 2lj (xj )(xi − xj )]2lj (xi )lj (xi )f (xj )+ n + j=0 2 [lj (xi )f (xj ) + 2(xi − xj )lj (xi )lj (xi )f (xj )] = = −2li (xi )f (xi ) + 2li (xi )f (xi ) + f (xi ). El sistema w0 = a − bh + ch2 w1 = a w2 = a + bh + ch2 54 . Un polinomio a trozos de a grado k en Ω es una funci´n cuya restricci´n a cada uno de los subintervalos [xi . o La construcci´n de polinomios de interpolaci´n de grado alto aunque justificable te´o o o ricamente plantea muchos problemas. y que x0 = a y xn = b. b] un intervalo finito y {x0 . n 4. . . es decir. la forma de la funci´n polin´mica o o de grado alto a menudo no responde al fen´meno debido al gran n´mero de extremos e o u inflexiones. .3. xi+1 ] es o o un polinomio de grado k.n + j=0 2 [lj (x)f (xj ) + 2(x − xj )lj (x)lj (x)f (xj )]. x1 . b] o estrictamente creciente (a ≤ x0 < x1 < · · · < xn ≤ b). su c´lculo es muy complicado.1 Interpolacion parab´lica a trozos o Consideremos una subdivisi´n de tres nodos {x0 . x1 . . Pretendemos encontrar la o par´bola P (de eje vertical) a P (x) = a + bx + cx2 x ∈ [x0 . tedioso y a veces con grandes a errores de rendodeo por mal condicionamiento de algunas matrices. Es decir P (xi ) = f (xi ) i = 0.

. . wi−1 ). w2 ) no son colineales. . . . 2h c= w2 − 2w1 + w0 2h2 w2 − w 0 w2 − 2w1 + w0 2 x+ x 2h 2h2 con c = 0 si los puntos (x0 . y los valores correspondientes w0 . wi+1 ) tendremos la siguiente expresi´n o de Pn. (xi . (xi . y b= w2 − w 0 . .14) (4. . (x2 . . Si se usa la f´rmula de Lagrange para determinar el polinomio de segundo grado que o interpola los puntos (xi−1 . n − 1. wi−1 ).2 Pn. xi+1 ] son par´bolas. wn o se llama funci´n de interpolaci´n parab´lica a trozos de la funci´n discreta f (x i ) = wi a o o o o un polinomio Pn. 3. (xi+1 .da como unica solucion: ´ a = w1 . La f´rmula es tambi´n o e v´lida si esos puntos estan alineados en cuyo caso c = 0 y se reduce al caso lineal. wi+1 ) i = 1. 3. . a (xi+1 . . como la antes determinada.2 de grado 2 a trozos cuyas restricciones a los subintervalos [xi−1 . . (x1 .2 (x) = wi + wi+1 − 2wi + wi−1 wi+1 − wi−1 (x − xi )2 (x − xi ) + 2h 2h2 xi−1 ≤ x ≤ xi+1 con i = 1. w0 ). es decir Pn.2 (x) = (x − xi )(x − xi+1 ) (x − xi−1 )(x − xi+1 ) wi−1 − wi 2 2h h2 (x − xi−1 )(x − xi ) wi+1 + 2h2 (4. . w1 ). wi ). . 55 . 5. usando la base de Lagrange: o Pn. n − 1. Esta expresi´n se deduce de la ya estudiada. n − 1. . . . 5. xn } con n par. .15) de donde el resultado. . que pasan por los puntos (xi−1 . wi ). .13) con xi−1 ≤ x ≤ xi+1 con i = 1. . 3. a P (x) = w1 + Dada la subdivisi´n Ω = {x0 . 5.2 (x) = li−1 (x)wi−1 + li (x)wi + li+1 (x)wi+1 donde li−1 (x) = (x − xi )(x − xi+1 ) (x − xi )(x − xi+1 ) = (xi−1 − xi )(xi−1 − xi+1 ) 2h2 (x − xi−1 )(x − xi+1 ) (x − xi−1 )(x − xi+1 ) li (x) = =− (xi − xi−1 )(xi − xi+1 ) h2 (x − xi−1 )(x − xi ) (x − xi−1 )(x − xi ) li+1 (x) = =− (xi+1 − xi−1 )(xi+1 − xi ) 2h2 (4.

La construcci´n de un polinomio a trozos interpolante de grado k se hace de un modo o an´logo. Un modo de hacerlo es usar polinomios interpolantes de Hermite que cumplan en los subintervalos las condiciones exigidas respecto a las derivadas. tal que: Pn. no todo es tan positivo.4.3 (xi ) = f (xi ).2 ∞ De todo ello se sigue que n→∞ =0 con un orden 3 de convergencia 5 . Si la funci´n interpolada f pertenece a C (k+1) ([a.3 (x) = [1 − 2li (xi )(x − xi )]li (x)f (xi ) + (x − xi )li (x)f (xi ) 2 + [1 − 2li+1 (xi+1 )(x − xi+1 )]li+1 (x)f (xi+1 ) 2 + (x − xi+1 )li+1 (x)f (xi+1 ) 5 (4. Podemos alcanzar una alta calidad de aproximaci´n mientras manteno emos el grado del polinomio razonablemente bajo. pero a menudo es muy deseable obtener aproximaciones de cierta clase.3 Interpolaci´n a trozos de grado 3 usando interpolaci´n o o Hermite.3 (xi+1 ) = f (xi+1 ) Pn. u 56 .3. b]).3 (xi ) = f (xi ) Pn. las aproximaciones as´ obtenidas son continuas pero tienen en general derivadas disconı tinuas en los nodos. o sea.3 de grado 3 que ajuste los valores de una funci´n y de su derivada en cada uno de los nodos.3 (xi+1 ) = f (xi+1 ) luego 2 2 Pn.16) (4.2 (x)| ≤ lim f − Pn. En algunas aplicaciones ese inconveniente no tiene consecuencias. dicho polinomio converge a a o f con orden k + 1.3.17) Como xi−1 ≤ x ≤ xi+1 podemos escribir (b − a)3 2h3 M3 = M3 6 3n3 estimaci´n muy pesimista f´cilmente mejorable.2 Error en la interpolacion parab´lica a trozos o Si la funci´n a interpolar f ∈ C 3 ([a. utilizamos la f´rmula de Hermite simple para construir en [xi . del teorema de estimaci´n del error obtenemos o o la desigualdad |f (x) − Pn. Construyamos por Hermite un polinonio de tercer grado en cada uno de los subintervalos [xi . xi+1 ]. No obstante. es decir.2 (x)| ≤ donde M3 = sup f (3) (x) a≤x≤b |(x − xi−1 )(x − xi )(x − xi+1 )| M3 6 (4. 4.18) Por ser el error una potencia c´bica de h. o a |f (x) − Pn. b]). Pn. xi+1 ] un o o polinomio Pn.

o a Definici´n 4. o sea. lo que a menudo no es deseable. o o pero la expresi´n final a la que llegamos incluye los valores que debe tener la funci´n f o o en los nodos. b]) y para f ∈ C (4) ([a. En general nos interesan aquellas cuya clase es estrictamente inferior al grado (p < k) ya que para p = k el polinomio que se obtiene es el mismo en todos los subintervalos 6 .21) Ahora Pn.1 Se llama spline de grado k a todos los polinomios a trozos de grado k o y de clase C k−1 . con derivadas continuas hasta el orden k − 1. b]). Hasta ahora no hemos garantizado Es especialmente importante entender esta afirmaci´n. splines que ı o tomen en los nodos valores previamente asignados.con li (x) = x − xi+1 x − xi+1 1 =− ⇒ li (x) = − xi − xi+1 h h x − xi 1 x − xi = ⇒ li (x) = li+1 (x) = xi+1 − xi h h 2 x − xi+1 2 1 + (x − xi ) f (xi ) h h x − xi+1 2 + (x − xi ) f (xi ) h x − xi 2 2 + 1 − (x − xi+1 ) f (xi+1 ) h h x − xi 2 + (x − xi+1 ) f (xi+1 ) h (4. Por reducci´n al absurdo se obtiene que o o todos los tramos son el mismo polinomio. u o 4.3 (x) = (4. b] con p > 0. De particular inter´s es el caso en el que obtenemos e la aproximaci´n m´s suave. Si f es la inc´gnita a o o determinar.4.4 Interpolaci´n polinomial a trozos: Splines o Surge de modo natural la siguiente pregunta. p = k − 1.3 es de clase C 1 ([a. permite incrementar la suavidad de la funci´n aproximante.k de grado k y de clase C p en [a.18 Pn. Aqu´ estamos interesados en el uso de splines para interpolaci´n. 6 57 . la introducci´n de sus derivadas en el problema incrementa la complejidad o de la b´squeda de soluci´n. La interpolaci´n de Hermite. es decir. ¿Es posible construir aproximaciones polinomiales a trozos de cierta clase simplemente exigiendo que la funci´n a aproximar tenga o ciertas propiedades de continuidad en los nodos sin necesidad de asignar expl´ ıcitamente en los nodos los valores de las derivadas? Esas dudas nos llevan a considerar aproximaciones polinomiales a trozos Pn.19) (4.20) y sustituyendo en 4. la convergencia es de orden 4. Para aproximar f tenemos tabulados los valores de f pero en general carecemos de informaci´n sobre f .

debemos imponer dos condiciones extra. b] → I que posee las siguo u o R ientes propiedades: • s(xi ) = wi i = 0. pero no introduce ning´n aspecto te´rico nuevo u o 7 58 .4. . . debemos a˜adir dos condiciones. Nos limitaremos al caso o o k = 3 de los splines c´bicos por ser el m´s importante en la pr´ctica. Se llama spline de interpolaci´n c´bica a una funci´n s : [a. • La restricci´n si de s a cada subintervalo [xi . las caracter´ ısticas fundamentales de la aproximaci´n con o splines. Teorema 4.1 Hallar dos polinomios de tercer grado s0 (x) = a0 + b0 x + c0 x2 + d0 x3 s1 (x) = a1 + b1 x + c1 x2 + d1 x3 tales que s0 (a) = w0 . . para conseguir que la soluci´n sea unica. n. Con ´l exploraremos u a a e sin complicaciones excesivas. < xn ≤ b y wi un conjunto n + 1 numeros reales. s 0 (x1 ) = s 1 (x1 ) Tenemos 6 condiciones y ocho par´metros a determinar. S (xn ) = sn El que sea equiespaciada obedece a que permite una mayor simplicidad en los desarrollos. . De hecho. u o ´ Estas condiciones adicionales se pueden fijar de modo m´s o menos arbitrario aunque lo a habitual es pedir que se cumplan ciertas exigencias en los extremos del intervalo. .4. Definici´n 4. s 0 (x1 ) = s 1 (x1 ). se sabe que hay ciertos tipos de o problemas de splines de interpolaci´n que carecen de soluci´n. b] un intervalo finito. n S (x0 ) = s0 . xn } una partici´n equio o 7 espaciada de [a. La situaci´n que se da en este ejemplo es semejante a la existente en general con los splines o c´bicos. Ω = {x0 . 1. s0 (x1 ) = w1 = s1 (x1 ). .la existencia de esos splines de interpolaci´n. . comenceu mos con un ejemplo: Ejemplo 4.4. xi+1 ] es una polinomio de grado 3.1 Existe un spline c´bico unico S tal que u ´ S(xi ) = wi i = 0. a o ´ Para eliminar la ambig¨edad. . 1. b]). . . . s1 (b) = w2 . por ejemplo las derivadas u n en a y b. • s ∈ C 2 ([a. . .2 Sean [a. o Antes de analizar el problema de la existencia y unicidad de los splines c´bicos. Si existe soluci´n no es unica. x1 . b] estrictamente creciente a ≤ x0 < x1 < . .

. . .24) (4. h          (4. .sn−1 tiene soluci´n unica que define Si para todo i. . . . ´ ıa u e ya que se anula en los nodos xi (wi = 0) lo que implica que los si tambi´n son nulos.Demostraci´n: o Consideremos Si definido en xi ≤ x ≤ xi+1 por: Si (x) = (x − xi+1 )2 2(x − xi )(x − xi+1 )2 + wi h2 h3 (x − xi )2 2(x − xi+1 )(x − xi )2 wi+1 − + h2 h3 (x − xi )2 (x − xi+1 ) (x − xi )(x − xi+1 )2 si + si+1 + h2 h2 (4. sn−1          3 (w2 − h 3 (w3 h 3 (w4 h 3 (wn h w0 ) − s 0 − w1 ) − w2 ) . Como s0 y sn son datos. n − 2. e Diferenciando dos veces la expresi´n 4.25) Podemos escribir este sistema desarrollado:    1   0    ··· 1 0 ··· ··· 0 0 4 1 0 ··· ··· 0 1 4 1 0 ··· 0 ··· ··· ··· ··· ··· ··· ··· ··· ··· ··· 0 1 4 4 s1 s2 s3 . . . luego el spline o o ´ 2 c´bico interpolador S de clase C u S(x) = Si (x) xi ≤ x ≤ xi+1 S es unico porque si hubiera dos.22) construido usando la misma filosof´ que para los polinomios a trozos de grado 3 y clase ıa 1. . sin e 59 . obtenidos mediante la base de Hermite que utilizamos en 4. . .3. es trivial ver que: Si (xi+1 ) = Si+1 (xi+1 ) = wi+1 S i (xi+1 ) = S i+1 (xi+1 ) = si+1 luego Si define una c´bica a trozos continua con derivadas continuas que toma los valores u preasignados wi en los nodos.          (4. o i = 1.3. n − 1 tales que Si tenga tambi´n derivadas segundas continuas en los nodos. .26) − wn−2 ) − sn Este sistema tridiagonal y diagonalmente dominante de n − 1 ecuaciones con n − 1 inc´gnitas s1 . s´lo necesitamos hallar los si . su diferencia ser´ un spline c´bico id´nticamente nulo. . . 2.. tendremos: o 6 2 4 6 w − 2 wi+1 + si + si+1 2 i h h h h 6 6 4 2 S i+1 (xi+1 ) = − 2 wi+1 + 2 wi+2 − si+1 − si+2 h h h h S i (xi+1 ) = e igualando obtenemos el sistema si + 4si+1 + si+2 = 3 (wi+2 − wi ) i = 0. De este modo.23) (4. 1.22.

1 Bases de splines asociadas a un problema de interpolaci´n.xi+1 ] f (p) (x) − S (p) (x) 5 . .2 Si f ∈ C (4) ([a.4. Ejercicio 4. 1. K0 = 384 √ 3 K1 = . b] tales que ϕ(xi ) = wi i = 0. o Vamos a calcular una base de splines c´bicos. o o 4.27) donde 5 .4.4. utilizando la idea de que esta base sea u la dual a las formas lineales que definen un problema de interpolaci´n en un espacio o vectorial de splines con soluci´n unica.4. u o entonces: xn xn [ϕ (x)]2 dx (∀ϕ ∈ U ) (4. los splines c´bicos naturales son los u m´s suaves en el sentido de que minimizan la norma a de la segunda derivada.28) [S (x)]2 dx ≤ x0 x0 Este ultimo teorema asegura que de todas las funciones de interpolaci´n que satisfacen ´ o ciertas condiciones en los extremos del intervalo.3 Sea U el conjunto de todas las funciones ϕ de clase C 2 en [a. pero por motivos te´ricos interesa e o o tener una representaci´n expl´ o ıcita del spline similar a la representaci´n del polinomio de o interpolaci´n en funci´n de la base de polinomios de Lagrange. entonces 1≤i≤n max sup x∈[xi . Teorema 4. Se pueden obtener los splines resolviendo el sistema tridiagonal (4. 2 En t´rminos de energ´ potencial (proporcional a ( S 2 ) los splines c´bicos naturales e ıa u minimizan dicha energia.25. convergen a las correspondientes derivadas e de f . sino u o que tambi´n sus derivadas. 216 K2 = K3 = 1 M4 = f (4) ∞.m´s que entrar en el sistema 4. .25) sustituyendo despu´s los valores de los si en la expresi´n de Si (x). a Tambi´n se pueden introducir las dos condiciones extras siguientes e S (x0 ) = S (xn ) = 0 con las que se obtiene el llamado spline natural. hasta el orden 3. u ´ Teorema 4. b]).1 Demostrar que existe un spline natural c´bico unico. n y sea S el spline c´bico natural que satisface las mismas condiciones de interpolaci´n. 12 ≤ Kp M4 n4−p 0≤p≤3 (4. Se deduce de lo enunciado en este teorema que el spline c´bico no s´lo converge a f . . . o ´ 60 .

y las derivadas en los nodos extremos. i = 0.1 c´mo construirlas asociadas o a problemas de interpolaci´n con soluci´n unica. nos planteamos una serie de posibles mejoras: n+k−1 Pn. . . tn−1 . Un polinomio de o interpolaci´n a trozos de grado k est´ definido por n polinomios de grado k en cada uno o a de los intervalos [ti . t1 . Por tanto. Los elementos de esta base son facilmente calculables resolviendo el sistema 4. Hemos estudiado en 4.5 Interpolaci´n spline con bases de soporte m´ o ınimo: B-splines Sea Ω una partici´n del intervalo [a. por un lado el n´mero de par´metros a definir es n · (k + 1). Podemos tratar de encontrar su base o ´ dual ci .5 x2 = 1. . puede ser escrito como combinaci´n lineal de esa base de modo sencillo: o n S(x) = j=0 wj cj (x) + s0 cn+1 (x) + sn cn+2 (x) (4. . Por tanto la dimensi´n de o este espacio vectorial de funciones polin´micas a trozos de clase p y grado k es: o n · (k + 1) − (p + 1) · (n − 1) Si lo que tenemos es un spline de grado k. tn = b}. pues sabemos que: Li (cj ) = δij Cualquier spline del que sepamos sus valores en los nodos. o 4.25. y el n´mero de condiciones se refiere u a u a la continuidad de orden p en los enlaces (p + 1) · (n + 1).2 Determinar la base de S3 (Ω) para el caso n = 2 con x0 = 0.Sea S3 (Ω) el espacio vectorial de los splines c´bicos correspondientes a la partici´n Ω. la dimensi´n de ese espacio de splines est´ dada por: o a n · (k + 1) − (k − 1 + 1) · (n − 1) = n + k Bases de este espacio hay muchas. estas formas lineales definen un problema de interpolaci´n de o ∗ soluci´n unica. b]. correspondiente al problema de interpolaci´n anterior. u o ∗ Sea S3 (Ω) su dual. ∗ Ejercicio 4.4. ti+1 ]. Por tanto. x1 = 0. n Ln+1 (S) = S (x0 ) Ln+2 (S) = S (xn ) Como ya hemos visto. Una vez que tenemos escrito nuestro o o ´ polinomio de interpolaci´n como combinaci´n lineal de una base y queremos evaluarlo o o en un punto cualquiera. Definimos las n + 3 formas lineales: Li (S) = S(xi ). Sea p la clase de este polinomio a trozos.k (t) = i=0 ai · ei (t) (4.29) Hemos construido por tanto una base un poco especial de un espacio vectorial de splines. y son por tanto una base de S3 (Ω). entonces su clase es p = k − 1. {a = t0 .4.30) 61 .

. haya que extender los sumatorios desde i = 0 hasta i = n + k − 1. Ser´ bueno tambi´n que si se u ıa e conocen ciertos valores de la funci´n a interpolar.k (t) = i=0 fi · ei (t) + ai · ei (t) (4. n + k − 1. . tn = b}. ınimo.1: Dual de L3 tal que L3 (S) = S(t3 ). t2 . tiene el inconveniente de que las funciones de base cardinales ei (t) tienen un soporte8 muy grande.31) donde los coeficientes ai i = n + 1. los {fi }.2: Spline con soporte peque˜o. 8 El soporte de una funci´n son aquellos elementos de su dominio de imagen no nula. la relaci´n entre los coeficientes o o ai y estos valores fuese mediante expresiones lo m´s sencillas posibles. Ello obliga a que. . t1 . etc. ti+1 ] (ver figura 4. n forman una base del espacio vectorial de los splines de grado k definidos sobre la partici´n o {a = t0 . . siendo splines de grado k. tengan soporte m´ ıa e3 (t) t0 t1 t2 t3 t4 t5 t6 Figura 4. o 62 .Ser´ conveniente que los ei (t) fuesen sencillos de evaluar (en el sentido de que su image ıa fuese nula en el mayor n´mero posible de valores de t). como podemos observar en la figura 4. Elegidos de modo adecuado. . e3 (t) t0 t1 t2 t3 t4 t5 t6 Figura 4. con el consiguiente consumo de recursos.1. depender´n del tipo de condiciones a adicionales elegidas. .k (t). u A estos splines de soporte m´ ınimo se les llama B-splines. independientemente del punto t donde queramos evaluar Pn. tn−1 . o de la segunda derivada.2). que se pueden referir a ciertos valores de la derivada. que sean nulas en el mayor n´mero posible de tramos [ti . Una respuesta a a esto ultimo son las bases (duales de las formas lineales que definen el problema de inter´ polaci´n) las cuales permiten escribir el polinomio soluci´n habitualmente del siguiente o o modo: n n+k−1 i=n+1 Pn. Lo ideal ser´ que las funciones ei (t). que es fenomenal para calcular los coeficientes ai . o sea. . Pero este tipo de planteamiento. .

siguiendo las siguientes convenciones 12 : t ∈ [ti . Si adem´s queremos que la imagen a a del ultimo tramo sea distinta de cero y valga no se cuanto. si lo que tenemos es un spline parab´lico. Sin o ´ embargo. y permiten abordar de modo sencillo los u problemas de interpolaci´n spline con este tipo de funciones de base. y c. por tanto el m´ ınimo r con sentido es r = k + 1. su clase p es k. asociado a los mismos es una funci´n polin´mica a o o trozos de grado k. pero fijaos bien en cada a uno de los tramos.Definici´n 4.1 Orden r de un B-spline es el n´mero de tramos en los que el B-spline o u es no nulo. b] y de soporte m´ ınimo. a o 11 Por tanto el orden r de un spline parab´lico -k = 2. el B-spline ser´ 10 11 nulo . t2 . ti+r ) ⇒ Bik (t) ≥ 0 / t ∈ [ti . no podemos conseguir con s´lo dos tramos o o que sea distinto de cero. que viene definida por tres coeficientes a. y por tanto su derivada en ese punto valdr´ lo que valga. Parece por la figura 4. . . Dos de ellas proceden del hecho de que sea un spline: grado clase orden 10 9 grado k de cada uno de los tramos polinomiales que forman el spline. ti+r ) ⇒ Bik (t) = 0 Cuando hablamos de un B-spline manejamos siempre tres ideas. b. a su vez el segundo tramo. ya tendremos completamente definida la ´ par´bola. . Definici´n 4. a El primer punto de esa par´bola vale cero y tiene derivada nula. y luego vuelva a ser cero con continuidad en la funci´n y en su derivada.es r = k + 1 = 3 o 12 Esta forma de construcci´n de una base de B-splines del grado que sea no es la unica posible.5. de clase k − 1 en [a. no os parece?. creo que es demasiado pedirle a una par´bola. que ya viene fija por el otro tramo. u Por ejemplo. t1 . Construiremos una base de este espacio vectorial de polinomios. Si adem´s queremos o a a o a que haya continuidad en la derivada. Si r − k = 0.3: Spline que no puede ser spline.1. con lo a u a ıa que el n´mero de par´metros se reduce de r + k a r − k. tn }). las expresiones que damos son de muy com´n uso. Calculemos el orden 9 r de un B-spline en funci´n de su grado k. si es un spline de grado k.3 que lo hemos conseguido. tendr´ en su punto final derivada nula y valo nulo. En el primer tramo.2 Dado el conjunto de nodos o t−r+1 < · · · < t−1 < a = t0 < t1 < t2 < · · · < tn−1 < tn = b Un B-spline de orden r = k + 1. n´mero r de tramos en los cuales el spline es no nulo. Por continuidad hasta el orden p = k − 1 del spline en los dos extremos donde se hace nulo. o 63 . Una vez fijado el valor de la funci´n a a o en ese punto de enganche. a con lo que s´lo quedar´ un par´metro libre: el valor de la funci´n en el enganche. desde cuando una par´bola tiene un punto de inflexi´n?. tenemos 2 · k condiciones m´s. Si el spline es no nulo o en r tramos. Me o explico. en principio hay r + k par´metros libres (como si la partici´n en la que a o estuviese definido fuese {t0 . tenemos una par´bola. e3 (t) t0 t1 t2 t3 t4 t5 t6 Figura 4.5. . tn−1 .

2 B-splines de grado 1. o Bik (t) = 13 14 t − ti ti+k+1 − t k−1 Bik−1 (t) + Bi+1 (t) ti+k − ti ti+k+1 − ti+1 (4. ti+1 −ti ti+2 −t .               0. r = 1 B i (t) [ 0 [ 1 a = t0 t 1 ti t i+1 t n-1 tn = b Figura 4. t ∈ [ti .5. r = 2 El soporte de cada elemento de la familia es de dos tramos. ti+2 ) (4. r = k + 1 Disponemos de una formulaci´n recurrente que nos permite obtener la expresi´n de una o o base de B-splines de grado k en funci´n de la correspondiente a k − 1. ti+1 ) Bi0 (t) = (4.4. a 64 . ti+2 −ti+1 t ∈ [ti . k = 0. como luego veremos.5. Si os i+1 0 i 1 a fij´is Bi (tj ) = δj y Bi (tj ) = δj .1 B-splines de grado 0. k = 1.4: B-spline de grado 0. Los B-splines de grado cero coinciden en cierta medida con una base de splines cardinales.33) Bi1 (t) =  4. La base estar´ formada por a 13 n + k = n + 1 splines. ti+1 ) t ∈ [ti+1 .32) 4. t−ti . A˜adimos un punto antes .5: B-spline de grado 1.3 B-splines de grado k. ti+1 ) / 1 t ∈ [ti .34) El valor t−1 correspondiente a ese nodo adicional es arbitrario. para completar los nodos en los cuales n se van a apoyar los splines que formar´n nuestra base14 a 1 B-1(t) 1 B i (t) 1 1 1 Bn-1(t) 1 t-1 t 0 t1 t i t i+1 t i+2 t n-1 tn Figura 4. ti+2 ) / t ∈ [ti . esto no pasa. Para grados m´s altos.5. 0.

r = 4 Se puede usar otra vez la f´rmula recurrente para obtener la expresi´n anal´ o o ıtica de cada uno de los cuatro tramos del B-spline c´bico gen´rico.35) Bi2 (t) = + 2h(t − ti+1 ) − 2(t − ti+1 )2 ]. k = o 2.5. pero nos limitaremos a dar en la u e figura 4. ti+2 ) − t)2 .5.        1    2h2 (t − ti )2 . t ∈ [ti+2 . podemos obtener f´cilmente la expresi´n corresa o pondiente a un elemento de un sistema de B-splines de este tipo. ti+1 ) (4. a 2/3 Bi3 1/6 1/6 t i-1 ti t i+1 t i+2 t i+3 t i+4 t i+5 Figura 4. r = 3 Usando esa f´rmula recurrente. ti+3 ) / t ∈ [ti .              1 [h2 2h2 1 (t 2h2 i+3 t ∈ [ti . t ∈ [ti+1 .7: B-spline de grado 3. 65 . k = o 3. En cada caso cada uno de estos tramos se obtiene f´cilmente. y teniendo en cuenta que la partici´n consta de nodos o o equiespaciados entre si -[h = ti+1 − ti ]-. ti+3 ) B i (t) 1/2 2 3/4 t i-1 ti t i+1 t i+2 t i+3 t i+4 Figura 4.4.7 sus valores en los nodos.   0. 4.6: B-spline de grado 2.4 B-splines de grado 2 en una partici´n equiespaciada.5 B-splines de grado 3 en una partici´n equiespaciada.

7 Interpolaci´n con B-splines o Un problema t´ ıpico de interpolaci´n de Lagrange. Si k > 1 hay que imponer condiciones adicionales. .36) 4. y (n + 1) ecuaciones. se har´ de modo similar.: o n−1 Bik (t) = 1 i=−r+1 (4. n (4. o ´ 15 Propuesto por J. a 66 .5. i=j−r+1 j = 0. Se puede deu ıa mostrar que este sistema de splines cumple una propiedad muy importante: son una partici´n de la unidad.4. el espacio E donde se busca la soluci´n al problema puede ser ıa o un espacio de polinomios en varias variables.1 Dada la siguiente tabla de valores15 : x0 f0 x1 f1 x2 f2 x3 f3 x4 f4 x4 f4 se pide encontrar los coeficientes ai que permiten escribir de modo unico el spline pa´ rab´lico de interpolaci´n de esa tabla como combinaci´n lineal de la base de B-splines o o o estudiada en el curso.6 Partici´n de la unidad o Para construir una base de B-splines c´bicos. L´zaro Redondo. .6 Interpolaci´n en varias variables. 0 sea. . o Ejercicio 4. nos conduce a plantear el siguiente o sistema de ecuaciones. el sistema es o o ´ determinado.37) Se tienen (n + k) inc´gnitas. sobre la funci´n o sus derivadas hasta el orden que convenga en cada problema. . Soluci´n: o a−2 = 2(f0 − f1 + f2 − f3 ) + f4 − h f4 2 a−1 = 2(f1 − f2 + f3 ) − f4 + h f4 2 a0 = 2(f2 − f3 ) + f4 − h f4 2 a1 = 2f3 − f4 + h f4 2 a2 = f 4 − h f 4 2 a3 = f 4 + h f 4 2 4.5. Si k = 1.5. y la soluci´n es unica. los ai . y se le imponen determinadas condiciones a un polinomio que pueden dar lugar o no a una soluci´n unica. Por ejemplo. o La generalizaci´n a varias variables se puede hacer de modo natural teniendo en cuenta la o teor´ general. j−1 ai Bik (tj ) = fi .

yj ) = f (xi . 0 ≤ i ≤ m. el tratamiento a de cada problema es diferente. El libro de H¨mmerlin et al. yj ). Entonces a el problema de interpolaci´n de Lagrange consiste en buscar un polinomio en dos variables o P ∈ Pmn tal que: P (xi . P (x.0≤j≤n f (xi . o a o 67 .4.6. yj )li (x)lj (y) (4.1 Interpolaci´n en recintos rectangulares o Podemos hacer un an´lisis interesante en dos variables planteando el problema de ina terpolaci´n de Lagrange en una malla rectangular en cuyos nodos se sabe el valor de la o funci´n a interpolar f : Sea o G = {(x.[7] cubre bien la parte de splines y el texto de Kincaid[8] a hace una aproximaci´n cl´sica al problema de interpolaci´n. yj ) que est´n dentro del recinto rectangular. c ≤ y ≤ d} Esto define (m+1)(n+1) nodos (xi . y) = 0≤i≤m. 4.38) Cuando el recinto no es rectangular o las condiciones son m´s complicadas. y adem´s se escribe en funci´n de la base de Lagrange para cada una de las ´ a o variables y su familia de nodos correspondiente.7 Referencias recomendadas para este tema. c = y 0 < y1 < · · · < y n = d 2 |a ≤ x ≤ b. 0 ≤ j ≤ n Se puede demostrar bastante f´cilmente que este problema tiene soluci´n y esa soluci´n a o o es unica. y) ∈ I R y sean dos familias de nodos a = x0 < x1 < · · · < xm = b.

e o • Dada una funci´n. incrementando adecuadamente la dimensi´n del espacio de las funciones o de aproximaci´n. debe ser posible aumentar arbitrariamente la bondad de las aproo ximaciones. enriquecen las familias de funciones que se usan en aproximaci´n. el espacio de base es C([a. La norma ∞ de la convergencia uniforme o de Chebyshev. que var´ en general en espacios de dimensi´n finita. splines. b])) mediante funo ciones m´s simples. las normas p p ≥ 1 de las que 2 es de espacio prehilbertiano (espacio vectorial con un producto . Sus diferentes extensiones o o (polinomios a trozos. • Debe existir un cuerpo de teor´ bien desarrollado que permita el an´lisis de los ıa a algoritmos num´ricos que resulten de su uso. o Se formula el problema general de aproximaci´n en espacios vectoriales normados ya que o la m´trica asociada a la norma permite medir la calidad de la aproximaci´n. a ıan o Para el analista num´rico las funciones de aproximaci´n deben poseer ciertas propiedades. las funciones trigonom´tricas.. o 5. e 5. e El teorema cl´sico de aproximaci´n de Weierstrass establece la utilidad y potencia de a o los polinomios como herramienta para la aproximaci´n de funciones continuas.Cap´ ıtulo 5 Aproximaci´n de funciones. etc.1 Introducci´n o Nuestro objetivo fundamental ser´ investigar la aproximaci´n de funciones. o o • Las funciones de aproximaci´n deben ser simples en el sentido de que puedan ser manipuladas (integradas.) con facilidad.. b]) al que se le suministrar´n diferentes a normas. elementos de a o espacios funcionales de dimensi´n infinita (fundamentalmente C([a. y los o convierte en una elecci´n ideal de funciones de aproximaci´n. diferenciadas.).2 El problema general de aproximaci´n. Como ya e o hemos comentado. Pero hay otras familias que cumplen satisfactoriamente las tres exigencias o anteriores. por ejemplo.

escalar definido positivo) y otras normas asociadas a distintos productos escalares con ”peso” w : (a. antes 1+x 1 1) ∞ = 1. 0. Recordemos que estas normas poseen la propiea dad siguiente: Si f.1 Toda norma asociada a un producto escalar es estricta ya que en la desigualdad de Schwarz. b) con 0< definidos por b b a w(x)dx < ∞ w(x)f (x)g(x)dx < f. < f. g ∈ (V. g = 0 cumplen que f +g = f + g entonces existe λ ∈ K(= R o C) con g = λf . b]). g >≤ f g se produce la igualdad cuando f y g son linealmente dependientes e igual sucede con la desigualdad triangular. satisfacen ) no est´ estrictamente normado f (x) = 1 y g(x) = x (∀x ∈ [a. cumplen x • (C([a. b]). 0) linealmente independientes. ) f = 0. b]) a f +g =1+b= f + g y son linealmente independientes. 0). I • (R3 . Se comprueba que λ es siempre real y positivo y se verifican adem´s las siguientes a propiedades: • (C([a. y = (1. w(x) > 0 para x ∈ (a.2. a ∞ ) no est´ estrictamente normado x = (1. b) → R. 69 . g >= y cuya norma asociada es a b f = a w(x)f 2 (x)dx Las normas estrictas ser´n importantes. y ∞ =1 y x+y ∞ =2 tampoco est´ estrictamente normado. 1. • 2 es una norma estricta en Cn . Con las mismas f y g de a 1 0 = (1 + x)dx = 3 = 1 2 1 + x 1 = 1 0 dx + 1 0 xdx = 1 + 1 2 Teorema 5.

T ) ˆ En el ejemplo 5.3. β > 0}.5. Definici´n 5. d(v. T ) = 2 . = 1 max ˆ − exp(βx) x ∈ [0. 1] 2 2 para un β fijo esa diferencia es mayor cuando x = 1 y el m´ ınimo de exp(β) − 1 para 2 β > 0 no existe (si β ≥ 0 el m´ ınimo se alcanzar´ para β = 0) luego al igual que en ıa el ejemplo 5. u ∈ T de v equivale a hallar β > 0 tal que: o ˆ v−u ˆ ∞ 2 (∀u ∈ T ) y sea T = {x ∈ V : x ≤ 1}.a. 1] 2 sea m´ ınimo para todo u ∈ T . T ). como d(v.1 Un elemento u ∈ T es una mejor aproximaci´n (m.) de v si o ˆ o v−u ≤ v−u ˆ Ejemplo 5. La diferencia entre los ejemplos anteriores radica en si T posee o no la propiedad de compacidad. y − x 2 ≤ y − x 2 .1 Supongamos V = R2 .3.3. pero v−u ∞ = 1 1 max − exp(βx) = exp(β) − x ∈ [0. 70 . u ∈ T } est´ minorado por u a cero.3 Mejor aproximaci´n o Sea (V. 1]).3 Un elemento u ∈ T es la mejor aproximaci´n de v en T si o ˆ o v − u ≤ d(v.3. o n Definici´n 5.3. Hallar una m.2 Se define la distancia de v a T o separaraci´n m´ o o ınima de v y T . que denotaremos como es habitual d(v.3.2 . ) un espacio vectorial normado. d(y. u(x) = exp(βx).3. Para todo y ∈ R2 − T 2 ≤ y−x 2 (∀x ∈ T ). = existe un solo x ∈ T tal que ˆ y−x ˆ Ejemplo 5. ) = (C([0.2 Si T es una bola abierta de centro (0. Parece razonable decir que u ∈ T es una buena aproximaci´n de v si la distancia v − u es peque˜a. ∞ ) y T = {u ∈ V .3. T una parte arbitraria de V y v un elemento de V que se desea aproximar mediante elementos de T . Definici´n 5.3. En el ejemplo 5. no existe ning´n x ∈ T tal que u ˆ para todo x de T . 0) y radio unidad. Sea v la 1 ˆ funci´n constante v(x) = 2 . T ) = inf u∈T v−u Este n´mero que siempre existe ya que el conjunto { v − u .3.3 Sean (V.2 no existen mejores aproximaciones.a. T ) = y − 1 aunque no haya x ∈ T donde se alcance esa ˆ 1 distancia. ˆ Ejemplo 5.

de v ∈ V en U . o pero la convergencia de v − un a d(v. a. Teorema 5. Recordemos que T es convexo si dados dos puntos u1 y u2 cualesquiera de T . T ) n→∞ Por la forma de definir la distancia d(v. 1) ∈ R2 . El problema de hallar una m. la compacidad y la convexidad estricta. x2 > 0} ˆ (0.5. as´ como su eventual unicidad dependen de las ı propiedades que posea T . si todos los elementos de [u1 .1 Si T es compacto en v. 1) y (1. Como veremos.4. T ) siempre va a existir una sucesi´n minimizante. 0 ≤ λ < 1} est´n en T . . se reduce a hallar n u= ˆ i=1 α i ui 71 .4 Existencia y unicidad de una mejor aproximaci´n o La posible existencia de una m. u2 ] son puntos interiores a T (no hay segmentos [u1 .4.a.a. . un }.1 ˆ Consideremos ahora T = T − T ∗ con T ∗ = {x ∈ T : x1 > 0.2 Si T es compacto y estrictamente convexo en V .5 Aproximaci´n lineal o El caso m´s importante y unico que vamos a considerar a partir de ahora es cuando a ´ T = U subespacio vectorial de V de dimensi´n finita envoltura lineal de la familia libre o {u1 .4. pero en un compacto T . 0) son mejores aproximaciones en T de (1. para todo v ∈ V existe un unico u ∈ T mejor aproximaci´n de v en T . T es adem´s estrictamente convexo. a Teorema 5. u2 ] contenidos en la frontera de T ). a 5.1 Sucesi´n minimizante en T o Una sucesi´n de elementos {un }n∈I de elementos de T ⊆ V se dice que es minimizante o N para v ∈ V si lim v − un = d(v. En los distintos ejemplos hemos vistos casos con dos soluciones. Ejemplo 5. siempre existe una m. u2 ] = {λu1 + (1 − a a λ)u2 . T ) no exige en conjuntos T arbitrarios que {un } converja a un elemento de T ni aun siquiera a uno de V . luego u es una m. todos los puntos del segmento que los une [u1 . exige considerar las propiedades de o a convexidad estricta de T . . son propiedades clave para el an´lisis de esos problemas. toda o o sucesi´n {un } y en particular toda sucesi´n convergente a un valor de adherencia u∗ de ∗ {un } que est´ en T .a. ´ ˆ o 5. de v en T . soluci´n unica y sin o ´ soluci´n. . El an´lisis de la unicidad de la m.4. a. de v en T .

tal que d(α1 . Sin embargo.6 5. αn ) ∈ Rn . etc.2 En un espacio prehilbertiano V .1. cualquiera podemos asegurar en general que la m.5.n.a. o General. u) = v − ˆ sea m´ ınima para todo (α1 . a Teorema 5. .1 Aproximaci´n en espacios prehilbertianos. . b]) para p con 1 < p < ∞ (excluimos los casos p = 1 y p = 2). Si V est´ estrictamente normado. es importante considerar las aproximaciones o a n en la norma 2 en las que el error global es importante y conllevan un proceso de suavizado (reducci´n del efecto de errores aleatorios.1 Existencia de una m.6. en subespacios de dimension finita. (C([a.5.1 Toda sucesi´n minimizante en U est´ acotada o a Teorema 5. luego {un } tiene al menos un valor de adherencia que est´ en U .2 y del teorema 5. .5. Si U es un subespacio de V de dimensi´n finita. . ´ A pesar de su importancia. para cada elemento v ∈ V existe al o menos una mejor aproximaci´n u ∈ U . en las que el objetivo es conseguir que la m´xima desviaci´n entre la funci´n y su a o o aproximaci´n sea lo m´s peque˜a posible. Lema 5. existen subespacios vectoriales de dimensi´n finita de o o ´ (C([a. se puede demostrar p que Cn con la I a ı p est´ estrictamente normado. b]).) 72 .5. Por otro lado. b]).1 En un e.5. ∞ ) para los que la mejor aproximaci´n es unica. . de v ∈ V en U o bien es unica o bien existen infinitas. la mejor aproximaci´n de v ∈ V desde un subespacio a o arbitrario de dimensi´n finita es unica. o ˆ Consecuencia del lema anterior y de que U es cerrado. en la aproximacion lineal.5.a. n α i ui i=1 El concepto de acotaci´n (mucho m´s simple que los conceptos de compacidad y convexo a idad estricta antes usados) es aqu´ suficiente para analizar las sucesiones minimizantes ı en U . Corolario 5.a. Adem´s de las aproximaciones en la norma del m´ximo que consideraremos m´s adea a a lante.2 Unicidad de la m. b]) y C([a. as´ como L ([a. αn ) = d(v. a ∞ ) no est´ estrictamente normado por lo que no podremos establecer conclusiones de unicidad basadas exclusivamente en las propiedades de las normas. . o ´ Corolario 5. . o ˆ o ´ Este corolario se deduce de 5. el problema de la determinaci´n de o una mejor aproximaci´n u ∈ U de v ∈ V tiene soluci´n unica.2.v. . aspecto m´s suave de la funci´n o a o entre nodos. 5.

el problema de la deteru minaci´n de una mejor aproximaci´n u ∈ U de v ∈ V tiene soluci´n unica. gn implica que la matriz de Gram asociada es regular. . g = 0 ˆ = (f − f ) − g ˆ f −f 2 2 ˆ = f −f 2 2 + g 2 ≤ f −g (∀g ∈ U ) La unicidad es consecuencia de la propiedad estricta de la norma. . (f − f ) − g ˆ (f − f ). .6.1 Teorema de Caracterizaci´n. . gn ) y f = n cj gj .5. g >= 0 para todo g ∈ U . o ˆ La mejor aproximaci´n f de f ∈ V en U se caracteriza por < f − f . . g >= 0 para todo o ˆ ˆ g ∈ U (f − f ∈ U ⊥ ). .2 Caracterizacion de la mejor aproximaci´n. ˆ Supongamos que U = L(g1 . c = (ˆ1 . Falta comprobar que esas condij=1 ˆ ciones de ortogonalidad permiten calcular f . 73 .6. gk >= 0 k = 1. gk > ˆ j=1 La soluci´n de las ecuaciones normales es siempre unica ya que la independencia lineal o ´ de los vectores g1 . . o . . gk >=< que se pueden escribir en la forma n n j=1 cj gj − f. descompongamos g en la forma ˆ g =f +g como y por hip´tesis. cn ) debe ser soluci´n ˆ c ˆ o del sistema de ecuaciones ecuaciones normales: ˆ < f − f. . ˆ Si < f − f . o o ˆ o ´ Teorema 5. . en un espacio prehilbertiano V . . > y de su norma asociada y sea U un subespacio vectorial de dimensi´nfinita de V . o Seg´n hemos establecido antes. En efecto. gk >=< f. . . . entonces o f −g luego 2 ˆ (g = g − f ) ˆ (f − f ) − g 2 ˆ ˆ = (f − f ) − g . Sea V un espacio vectorial provisto de un producto escalar < . . n ˆ cj < gj . .

gk >=< f. gk > ˆ por lo que ck = ˆ < f. . Para n > 5 o 6. .6. 2 ). . En este caso la soluci´n de las ecuaciones normales es simplemente o ck =< f. o • En (L2 ([0. n Como ck no depende de los valores anteriores cl (l < k) nos planteamos el problema de ˆ ˆ aproximaci´n dejando la dimension de U indeterminada. n Utilizando el metodo de Gram-Schmidt siempre podemos construir una base {g1 . . . . gk > ˆ k = 1. . . gj >= 1 i+j−1 y la matriz asociada a las ecuaciones normales es la archifamosa mal condicionada matriz de Hilbert. . Para gj = xj−1 < gi . gk > k = 1.1: Proyecci´n ortogonal o Comentarios • La soluci´n unica del problema de aproximaci´n planteado es la proyecci´n ortogo ´ o o onal de f sobre U (completo por ser de dimensi´n finita). el tratamiento del problema mediante las ´ ecuaciones normales es desde el punto de vista computacional intratable. . ˆ Corolario 5. . . gn } de U ortonormada.f U åc $ f$ = å c j × g j j × gj Figura 5.1 El error f − f satisface la relaci´n o ˆ f −f 2 = f 74 2 ˆ − f 2 . 1]). Las ecuaciones normales se reducen entonces a ck < gk . Un caso especialmente favorable se produce cuando esa base ortoqonal. gk > < gk . dimensi´n que lueqo fijamos en o o base a la exactitud deseada.

. La cantidad resultante ˆ f −f 2 µ= √ b−a se llama el error cuadr´tico medio. f >= 0 ˆ Ese error f − f se puede calcular f´cilmente usando el corolario y la igualdad a ˆ f 2 ˆ ˆ ˆ ˆ ˆ =< f − f + f. . . f >=< f − f. . ∞ i=1 c2 ≤ f ˆj 2 75 . . f 2 ˆ ˆ = (f − h) + h 2 concluye recordando que ˆ ˆ < f − f . gj > ˆ i=1 Si {g1 . gj > ˆ i=1 0≤ f 2 1 2 − cj < f. n luego: ˆ n 0≤ f y n i=1 2 − ˆj c2 i=1 c2 ≤ f ˆj 2 desigualdad v´lida tambi´n para sistemas ortonormados infinito numerables. . gk >. gj > ˆ i=1 5. Se suele aqu´ promediar el error f − f sobre todo el intervalo. . En este a e caso se llama desigualdad de Bessel. ı 2 ) es un espacio prehilbertiano. gn } es una base ortonormada de U .En efecto.6. ck =< f.3 Error cuadr´tico medio a 2 2 ˆ (C([a. k = 1. f > ˆ f −f ˆ − f 2 ˆ de modo que (f − f es ortogonal a f ∈ U ) 2 = f 2 2 = f 2 ` − < f. La f´rmula de la desviaci´n a o o ˆ f −f = implica la desigualdad n n 1 2 f 2 − cj < f. b]). . f > + < f. f > 1 2 luego ˆ f −f = n f − cj < f.

. 76 . 1]). Si consideramos el problema de hallar el polinomio p en Pn−1 que mejor aproxime ˆ al monomio xn en [−1.4 Polinomios ortogonales Polinomios de Legendre En C([−1. gk >= 0. 2 2 2 2 etc. pero incluiremos la f´rmula de Rodrigues que nos da los polinomios de Legendre o normalizados 1 2n + 1 dn (t2 − 1)n Ln (t) = n 2 n! 2 dtn Por ejemplo. . 2. n. . L1 (t) = t 2 2 1 5 2 1 7 3 (3t − 1). 1 3 L0 (t) = √ .5. 1]) definimos el producto escalar habitual < f. . L3 (t) = (5t − 3t). p = f − Ln . Dos comentarios interesantes sobre estos polinomios: ˆ ˆ • El polinomio Ln tiene norma m´ ınima en el sentido que ˆ Ln 2 para todos los polinomios p de εn donde ≤ p 2 εn = {p ∈ Pn : p(x) = xn + an−1 xn−1 + · · · + a0 } • Los polinomios de Legendre con coeficiente m´ximo 1. . Lj >= δij para i. ´ o a ˆ Ln = f − (ˆ1 g1 + · · · + cn gn ) c ˆ < f − (ˆ1 g1 + · · · + cn gn ). Buscamos un sistema {Lj } de polinomios con Lj ∈ Pj que satisfacen las condiciones < Li . . son la mejor aproximaci´n a o de la funci´n nula en [−1. n) ˆ y por tanto.6. No entraremos aqu´ en el proceso de la determinaci´n de los polinomios de Legendre ı o Ln . g >= 1 −1 f (x)g(x)dx (relativo a la funci´n peso w(x) = 1 en [−1. 1] respecto a la norma andamos buscando el polinomio 2 L2 (t) = cuyos coeficientes ci son soluci´n de las ecuaciones normales ˆ o La unica soluci´n de este sistema es el polinomio de Legendre con m´ximo coeficiente 1. 2. . c ˆ 1≤k≤n ˆ ˆ p = c 1 g 1 + · · · + c n gn ˆ (j = 1. o La familia de polinomios que se obtienen cuando aplicamos el m´todo de ortonormale izaci´n de Gram-Schmidt a la familia libre o gj (x) = xj−1 se denominan polinomios de Legendre. . 1] respecto a la norma o 2. j = 1.

1) Los polinomios de Chebychev se definen en [−1. 1]) definimos el producto escalar < f. 1−x2 forma un sistema ortonormado completo en [−1. g >= (relativo a la funci´n peso o w(x) = √ en [−1.1. 1] por Tn (x) = cos(n arccos x) son ortogonales respecto a ese producto escalar5. Obtenemos una familia ortonormal 2 1 completa relativa al producto escalar de peso √1−x2 poniendo: Ti T0 . 1] respecto a la funci´n peso o polinomios de Chebychev se definen recursivamente como: T0 (x) = 1 T1 (x) = x Tn+1 (x) = 2xTn (x) − Tn−1 (x) para n ≥ 1 77 Los . Tj >=   π si i = j = 0 π 2 1 −1   0  En efecto. 1 √ T0 . m´s precisamente. Tj >= 1 −1 Ti (x)Tj (x) √ dx = 1 − x2 π 0 π 0 cos iϕ cos jϕdϕ = 0 Ti (x)Tj (x) √ dx = 1 − x2 cos2 iϕdϕ = π si i = 0 π si i = 0 2 si i = j. π π Ti 2 √ 1 . 1]). 1 −1 f (x)g(x) √ dx 1 − x2 1 1 − x2 (5.Los polinomios de Chebychev revisados En C([−1. a si i=j si i = j = 0 < Ti . Tj >= si i = j y < Ti . T0 Ti es decir. pongamos x = cos ϕ < Ti . luego T0 2 = π y Ti 2 = π si i = 0.

1 = T0 x = T1 1 x2 = (T0 + T2 ) 2 1 (3T1 + T3 ) x3 = 4 1 (3T0 + 4T2 + T4 ) x4 = 8 1 x5 = (10T1 + 5T3 + T5 ) 16 1 x6 = (10T0 + 15T2 + 6T4 + T6 ) 32 1 x7 = (35T1 + 21T3 + 7T5 + T7 ) 64 1 x8 = (35T0 + 56T2 + 28T4 + 8T6 + T8 ) 128 1 x9 = (126T1 + 84T3 + 36T5 + 9T7 + T9 ) 256 • Insistamos en que toda funci´n f ∈ C([−1.Las formas expl´ ıcitas para los primeros Tn son las siguientes: T2 (x) T3 (x) T4 (x) T5 (x) T6 (x) = = = = = 2x2 − 1 4x3 − 3x 8x4 − 8x2 + 1 16x5 − 20x3 + 5x 32x6 − 48x4 + 18x2 − 1 y la expresi´n de los monomios de menor grado en funci´n de la base de Chebychev es o o la siguiente. 1]) admite un desarrollo en serie de o Fourier del tipo c0 cn Tn f= + 2 n∈I N donde la sucesi´nde sumas parciales. o n ˆ (x) = c0 + fn ck Tk (x) 2 k=1 con ck = 2 π 2 = π 1 = π 1 −1 π 0 π −π f (x)Tk (x) √ dx 1 − x2 f (cos ϕ) cos kϕdϕ f (cos ϕ) cos kϕdϕ 78 .

Una funci´n se dice peri´dica de o o o periodo T si f (x + T ) = f (x) El menor de los periodos se llama periodo fundamental. T ]. aunque es indiferente la selecci´n del periodo considerado [x. x + T ] o El producto escalar del que se deriva la norma: T f.6. sino utilizando t´cnicas de integraci´n num´rica. 2π w0 = T 2 El espacio ambiente es E = L ([0. Este resultado es de especial inter´s ya que. y su frecuencia asociada. En la e ´ a pr´ctica. en o o la norma del m´ximo p ∈ Pn tomando la suma parcial a ˆ n c0 ˆ fn (x) = ck Tk (x) + 2 k=1 Este m´todo es particularmente util cuando los ck son f´cilmente calculables.C).···. 1]). funciones de cuadrado integrable. e o e 5. frecuencia fundamental.5 General Desarrollo en serie de Fourier de una funci´n peri´dica. g = 0 f (t)g(t)dt El subespacio vectorial donde se busca la mejor aproximaci´n ser´: o a T = L (φk (t))k=0. dada 2 una funci´n f ∈ C ([−1. se prueba que esta sucesi´n de aproximaciones o o converge a f respecto a e ∞ .±2. φ m = 0 φk (t)φm (t)dt = 0 ejkw0 t e−jmw0 t dt = T 0 ej(k−m)w0 t dt 79 . 1]).±n φk (t) = ejkw0 t = cos (kw0 t) + jsen (kw0 t) Ortogonalidad de la base.±1. T ]. dichos coeficientes nunca se calculan mediante integraci´n expl´ a o ıcita. que toman I valores en los complejos.a. se puede obtener una buena estimaci´n de la m.suministra aproximaciones a f que convergen en la norma asociada al producto escalar con peso w considerado. o o Vamos a estudiar el desarrollo en serie de Fourier de una funci´n peri´dica como un caso o o particular de aproximaci´n en espacios prehilbertianos. f ∈ C 2 ([−1. Vamos a ver que este es un sistema ortogonal cuando usamos el producto escalar anterior: T T φk . Se consideran solamente en el periodo [0. • Con la hip´tesis.

Se deja como ejercicio el que comprob´is que si el intervalo de integraci´n para el proe o ducto escalar se traslada. φk = 0 ⇔ f ∗ . y lo notaremos as´ ı. φk ⇔ cm φm . llegamos a que: 1 f (t)e−jkw0 t dt ck = T T Condici´n para que la mejor aproximaci´n sea real. T 0 dt = T T 0  {k = m} 1 ej(k−m)w0 t j(k−m)w0 = {w0 T = 2π} = 0 f. f. las extenderemos a un periodo. Se trata de encontrar los coeficientes ck que permiten expresar f ∗ en la base de T . la mejor aproximaci´n existe. g = C´lculo de la mejor aproximaci´n. O sea. o o f ∗ ser´ real si y solamente si: a f∗ = f∗ ⇔ f∗ − f∗ = 0 n k=−n n ck φk − ck φk k=−n = = φk = φ−k n k=−n n n ck φk − ck φk − k=−n n k=−n ck φ−k c−k φk = k=−n 80 . es unica y es la proyecci´n ortogonal de f o ´ o sobre T . φk = f. como E es prehilbertiano. φk = f. para −n ≤ k ≤ n: o n f − f ∗ . a o Para aproximar una funci´n f ∈ E en T . n T f (t)g(t)dt f = m=−n ∗ cm φm Como f ∗ es la proyecci´n ortogonal de f sobre T . φk m=−n Y usando la bilinealidad del producto escalar y la ortogonalidad del sistema. f ∗ . 2n + 1. al trabajar con las integrales. y T tiene dimensi´n o o finita. g = x f (t)g(t)dt A partir de ahora. el nuevo producto escalar ser´ ıa: x+T =   {k = m}  . independientemente del punto en el que empiece. entonces. . la familia de funciones sigue siendo ortogonal.

y por tanto: n ck φk (t) k=−n 1 n = c0 + k=−n n ck φk (t) + k=1 n ck φk (t) ck φk (t) k=1 n = c0 + k=1 n c−k φ−k (t) + ck φ−k (t) + = c0 + k=1 ck φk (t) k=1 81 . O sea. o o Veamos. si como parece razonable. c−k f ∗ (t) = 1 f (t)cos (kw0 t) dt T T 1 Bk = − f (t)sen (kw0 t) dt T T = Ak − jBk . Veamos en qu´ se convierte dicha serie de Fourier. y su serie de Fourier es tambi´n real. n e e ck = 1 f (t)e−jkw0 t dt T T 1 = f (t)cos (kw0 t) dt − j T T = Ak + jBk Ak = T f (t)sen (kw0 t) dt Por tanto: Como c−k = ck . que la serie de Fourier e de una se˜al real es tambi´n real. la mejor aproximaci´n es entonces real: o ck = 1 T 1 T 1 T 1 T ck 1 T T f (t)e−jkw0 t dt c−k = = = = = T f (t)ejkw0 t dt f (t)cos (kw0 t) dt + j f (t)cos (kw0 t) dt − j f (t)e−jkw0 t dt T T f (t)sen (kw0 t) dt f (t)sen (kw0 t) dt T T T Por tanto. c−k = ck .n = k=−n (ck − c−k ) φk = 0 ⇔ ck = c−k C´mo es la mejor aproximaci´n si f es real.

. . b ∈ I n+1 R Este producto escalar induce la norma eucl´ ıdea tambi´n habitual. debemos o formular nuestro problema en un espacio prehilbertiano adecuado. gm ). n + 1 pares de valores con abscisas distintas. . sino a trav´s de una definici´n e o pretende aproximar no se conozca de modo anal´ puntual. e n a 2= a. . yn ) o tan bien como sea posible. b = i=0 ai · b i ∀a. a = i=0 a2 i 82 ∀a ∈ I n+1 R . e discuti´ndolo como un caso particular de aproximaci´n en un espacio prehilbertiano adee o cuado. . Buscamos f ∈ U = L (g1 . . gm ). . Para estudiar la bondad de la aproximaci´n definimos la siguiente o medida del error. con el producto escalar habitual en los espacios vectoriales: R n a. . cuyos valores en (x0 . o 5. lo m´s habitual es que la funci´n que se a a o ıtico. . ıticamente mediante otras funHasta ahora hemos aproximado funciones definidas anal´ ciones anal´ ıticas m´s sencillas. . Se tienen (xi . Buscamos una funci´n f ∈ L (g1 . Sin embargo. . A este tipo de u o problema nos dedicaremos en esta secci´n. para utilizar todo lo que sabemos de aproximaci´n. . s´lo les vamos a exigir o que sean continuas. Es muy com´n conocer datos de un determinado experimento. xn ) aproximen los valores (y0 . tal que: n i=0 |yi − f (xi )|2 ≤ n i=0 |yi − g (xi )|2 ∀g ∈ U Como ya hemos comentado. .6 Aproximaci´n discreta: m´ o ınimos cuadrados. Vamos a abordar el m´todo de aproximaci´n por m´ e o ınimos cuadrados que todos conoc´is. A esa familia de funciones (gj )j=0.n . yi )i=0.n = c0 + k=1 n (Ak − jBk ) e−jkw0 t + (Ak + jBk ) ejkw0 t Ak ejkw0 t + e−jkw0 t + jBk ejkw0 t − e−jkw0 t [Ak cos (kw0 t) − Bk sen (kw0 t)] = c0 + k=1 n = c0 + 2 k=1 En suma: f ∗ (t) = 1 T 2 + T 2 T T n f (t)dt cos (kw0 t) T f (u)cos (kw0 u) du f (u)sen (kw0 u) du) k=1 n + sen (kw0 t) k=1 T Que es el t´ ıpico desarrollo en serie de senos y cosenos de la funci´n f . . .n .6. Ese espacio va a ser I n+1 . .

. . . elementos de un a espacio vectorial de dimensi´n infinita. de dimensi´n finita. que la conclusi´n es que el ı o problema tiene soluci´n unica cuando ese determinante es distinto de cero. no R basta con que las funciones g1 . . a Usaremos la siguiente notaci´n: o gj ∈ C[a. . y con elementos de I n+1 .Vamos a jugar. . ˆ j=1 j=1 Si el n´mero de funciones. m. . . .  ˆ  . b] j = 1. cualquier elemento de la envoltura lineal de estos vectores se escribe como: m g= j=1 α j gj Ahora ya no nos interesa encontrar una funci´n continua que pertenezca a U . llegamos al sistema de ecuaciones o normales. . . . y la expresi´n de f no es unica. gj (xn )) Por tanto. .n . m con R gj = (gj (x0 ) .6. n + 1. o ˆ y − f . . gm . los vectores o g1 . . Ejemplo 5. Un conjunto o ´ de funciones donde estos problemas siempre tienen soluci´n unica son la base polinomial o ´ formada por monomios. envoltura o ˆ lineal de las funciones (gj )j=0. S´lo o ´ o tiene por tanto sentido estudiar el caso en que m ≤ n + 1. . . g = 0 ∀g ∈ T = L (g1 . as´ que no nos liamos con esto. . . . gm deben ser linealmente independientes en I n+1 . gm )  m m con y = (y0 . pero el tratar con suficiente precisi´n este tema se escapa a o nuestros contenidos. gm son linealmente dependientes. y sabiendo que esa o comprobaci´n es suficiente hacerla en una base de T . yn ) Escribimos ese vector como: ˆ f == α j gj =  ˆ αj gj (x0 ) . Para que esto suceda.1 83 αj gj (xn ) . . Estas funciones deben formar lo que se llama un sistema de Chebychev de funciones. por tanto. . gm ) ˆ Escribiendo f como combinaci´n lineal de los vectores g1 . . b]. y es con ellos con los que vamos a montar el ejemplo. Para ello. . . . entonces los u o ˆ vectores g1 . En un problema de aproximaci´n en un espacio prehilbertiano. simult´neamente con funciones continuas. o R o Estos elementos van a ser las im´genes de estas funciones en los n + 1 puntos del soporte. . . . . gm lo sean en C[a. . es mayor que la dimensi´n del espacio. la soluci´n viene dada o o por la proyecci´n ortornormal del vector que queremos aproximar sobre el subespacio T o donde estamos buscando su mejor aproximaci´n. . . . . m gj ∈ I n+1 j = 1. . Hay otras condiciones que garantizan esa independencia. . sino un vector f ∈ T = L (g1 . . gm ) . . . O sea. . . . que tiene soluci´n si su determinante es distinto de cero. tal que: ˆ y−f 2≤ y−g m j=1 2 ∀g ∈ T = L (g1 .

. g1 (xn )) = (1. . n+1 pares de valores con abscisas distintas. 84 .1 Demostrar que el centro de gravedad de esta nube de puntos esta en la ˆ ˆ recta f = α1 + α2 x as´ obtenida. . . . o n n α1 · (n + 1) + α2 · ˆ ˆ n xi = i=0 n i=0 n yi yi · x i α1 · ˆ i=0 xi + α 2 · ˆ x2 = i i=0 i=0 que resueltas convenientemente nos dan los valores α1 y α2 buscados. g2 (xn )) = (x0 . g2 ). 1)) g2 = (g2 (x0 ) . se dice de periodo N si: ym+N = ym 1 1 el sub´ ındice m no coincide en general con la abscisa xm correspondiente al valor ym .Se tienen (xi . Ejercicio 5. . yn ) tan bien f como sea posible. . La funci´n f es la ˆ ˆ o ˆ recta de m´ ınimos cuadrados. ˆ ı 5.6. gj = 0 con j = 1. 2 ˆ f = α 1 · g1 + α 2 · g2 ˆ ˆ Desarrollando esta expresi´n para j = 1 y para j = 2 llegamos al sistema lineal de dos o ecuanciones con dos inc´gnitas. cuyos valores en (x0 . . . xn )) que son claramente linealmente independientes. . . Por tanto: g1 = (g1 (x0 ) . . . Dicha muestra discreta ym .6. yi )i=0. Buscamos una funci´n o ˆ ∈ L (g1 . El sistema de ecuaciones normales queda como: ˆ y − f . gj = y. . gj con j = 1. . . 2 O lo que es lo mismo: Como ˆ f . . . no insisti´ndose e sobre esos conceptos previos. . Vamos a estudiar el desarrollo en serie de Fourier de una funci´n peri´dica definida de o o modo discreto como un caso particular de aproximaci´n por m´ o ınimos cuadrados. .7 General Desarrollo en serie de Fourier de se˜ ales peri´dicas defin o nidas de modo discreto. se supone que se ha seguido el razomiento general.n . . . . . . . . Esas dos funciones van a ser los monomios de grado 0 y 1: g1 (x) = 1 y g2 (x) = x. Imaginemos que tenemos una muestra discreta equiespaciada. Para entender esta parte. xn ) aproximen los valores (y0 . . . .

N − 1 2 2 Si N es impar. En ese caso las funciones se suelen indexar as´ ı: Si N es par.2: Muestra discreta peri´dica equiespaciada.···. · · ·) Es f´cil ver que esta se˜al discreta tiene como periodo N a n φk (m + N ) = ejkw0 (m+N ) = ejkw0 m ejkw0 N = ejkw0 m ejk2π = ejkw0 m = φk (m) Por tanto. · · · . · · · . 0. φk (−N ). φk (N ). k varia en − N . ejkw0 (m+N −1) ejN w0 (m+N −1) Por tanto. basta con considerar este vector en un periodo. · · · . · · · . · · · . por comodidad. por ejemplo: φk = (φk (m).±n Caso interesante es el de interpolaci´n. u N 2 . φk+N (m + N − 1)) = = = = ej(k+N )w0 (m) . cuando el n´mero de funciones coincide o u con el de puntos que definen cada periodo discreto.±1. · · · . · · · . Su representaci´n discreta es un vector con el siguiente aspecto: o φk = (· · · . · · · . que podemos indexar. φk (m + N − 1)) Por la misma raz´n resulta que s´lo hay N vectores distintos: o o φk+N = (φk+N (m). k varia en − n´mero. · · · . · · · . · · · . del mismo modo que lo hicimos con el desarrollo de Fourier continuo: T = L (φk (t))k=0.±2. ejkw0 (m+N −1) ej2π(m+N −1) ejkw0 (m) ejN w0 (m) . o 2π N Vamos a aproximar por m´ ınimos cuadrados esta se˜al con funciones de la familia: n w0 = φk (t) = ejkw0 t = cos (kw0 t) + jsen (kw0 t) con k ∈ Z. el subespacio donde se buscar´ la mejor aproximaci´n ser´ la envolvente de a o a a lo sumo N de estas funciones consecutivas. 85 N 2 donde [ ] denota la parte entera de un . φk (m). ej(k+N )w0 (m+N −1) = φk ejkw0 (m) . ejkw0 (m+N −1) ejkw0 (m) ej2π(m) . o sea.N=4 Figura 5. 0. o sea se aproxima con N funciones φk . · · · .

· · · .6. 2π y. Como el sistema es o ortogonal. tendr´ como elementos: a ∗ alk = φl . · · · . φk = φl · φk alk = (φl (m). φl (m + N − 1)) (φk (m)∗ .6.Ortogonalidad del sistema La matriz del sistema lineal. · · · . los vectores son ortogonales. · · · .3 ¿C´mo es la mejor aproximaci´n si los elementos del vector y son o o reales? 86 . o o f= ak φ k k alk =   si {l = k} cuya forma vectorial f es la proyecci´n ortogonal de y sobre L φk . y la funci´n soluci´n f . o o ˆ Ejercicio 5. usando ∗ para representar el conjugado de un complejo. φk (m + N − 1)∗ ) = = ej(l−k)w0 (m) + · · · + ej(l−k)w0 (m+N −1) = m+N −1 n=m ejlw0 (m) .2 Condici´n para que la mejor aproximaci´n f sea real. e−jkw0 (m+N −1) Vamos con este ultimo t´rmino: ´ e m+N −1 n=m =      {l = k}   1=N ej(l−k)w0 n {l = k} ej(l−k)w0 n = = = m+N −1 n=m m+N −1 n=m ej(l−k)w0 rn n 1 − rN m r 1−r 1 − ej(l−k)w0 N m = r 1−r 1 − ej(l−k)2π m = r 1−r = 0 Por tanto:   N  (5. ejlw0 (m+N −1) ej(l−k)w0 n m+N −1 n=m m+N −1 n=m e−jkw0 (m) . la matriz del sistema lineal es diagonal. φk 1 m+N −1 = yn e−jk( N )n ak = N N n=m Ejercicio 5.2) 0 si {l = k} Por tanto.

o a 87 .[7] hace un estudio muy bueno partiendo del problema en su formulaci´n m´s general. Sin embargo. [11]. el texto de Hammerlin et al. Un estudio exhaustivo de la aproximaci´n de funciones peri´dicas definidas de modo o o discreto la tenemos en el texto de Oppenheim et al.5. este texto tiene un nivel muy alto y puede ser suficiente con el [17]. Respecto al problema general.7 Referencias recomendadas para este tema.

Usando un m´todo num´rico basado en la o u a e e o ırculo por pol´ ıgonos inscritos y circunscritos. . Vamos a describir ahora cuatro situaciones para las que es necesario aproximar integrales definidas. es imposible decir mucho acerca de f a menos que tambi´n sepamos que f forma parte de una familia ree . ¿se puede usar esta informaci´n para obtener una o b ı estimaci´n de c´mo es su derivada f (c) o una integral a f (x)dx? La respuesta es un s´ o o rotundo. Ejemplos t´ o ıpicos de esta situaci´n son evaluar la integral 0∞ exp(−x2 )dx. que en su formulaci´n m´s antigua se traduc´ en encona o a ıa trar el area de regiones limitadas por l´ ´ ıneas curvas. . ha sido tratado durante miles de a˜os. n mucho antes de que se desarrollase el concepto de integral. La segunda situaci´n es que la funci´n admita prio o e ıcil o a u mitiva.Cap´ ıtulo 6 Integraci´n num´rica o e 6. Si se parte exclusivamente de los valores f (x0 ). . x1 . Sin lugar a dudas. . consiste en que se conozcan s´lo ciertos puntos de la funci´n. f (x1 ). o o encontrar la longitud de una elipse.C. xn . si se proporcionan los valores de una funci´n f en o ciertos puntos. que r´pidamente a se relacion´ con el n´mero π y su c´lculo. . Arqu´ ımedes (287-212 aproximaci´n de un c´ 10 1 a. . La ultima posibilidad consiste o o ´ en que. que puede ser visto como encontrar un cuadrado de igual superficie. Muchas veces se usa cuadratura num´rica en vez de integraci´n num´rica. el ejemplo m´s conocido a a a de este problema fue el de calcular el area contenida en un c´ ´ ırculo. Este problema. dentro del marco del an´lisis a matem´tico all´ en los siglos XVII y XVIII. f (xn ). la m´s com´n. pero ´sta sea muy dif´ de calcular. . e o e Insistiendo en la tercera posibilidad. La primera es el caso en el que no se puede evaluar anal´ ıticamente la primitiva de una funci´n. de calcular el area del c´ ´ ırculo.) fue capaz de dar las sorprendentes cotas 3 71 < π < 3 7 .1 Introducci´n o El c´lculo num´rico de integrales definidas es uno de los problemas m´s antiguos en a e a matem´ticas. La tercera situaci´n. se necesitan m´todos de cuadratura para el tratamiento num´rico de e e ecuaciones diferenciales o integrales. Muchos m´todos para discretizar esas ecuaciones se e apoyan en m´todos de integraci´n num´rica. digamos x0 . . Esta nomene o e clatura procede del problema que hemos explicado. a veces.

entonces los valores en f1 f2 x0 x1 x2 x3 Figura 6.lativamente peque˜a de funciones.1) o o donde An no depende para nada de la funci´n f . O sea.3 F´rmulas de cuadratura de tipo interpolaci´n o o Hemos visto ya que se puede aproximar una funci´n f mediante un polinomio de ino terpolaci´n Pf . 6.2 Exposici´n del problema o b Sea la integral I(f ) = a f (x)dx. y podemos entonces calcular con absoluta certeza f (c) o a f (x)dx. Deseamos encontrar un valor aproximado de esta integral mediante sumas finitas. a menos que venga a n acompa˜ada de alguna cota para los errores cometidos.1: n+1 puntos determinan completamente a f seg´n vimos en la teor´ de interpolaci´n. la informaci´n que ´ b o se tiene disponible no determina completamente a f y cualquier estimaci´n num´rica o e de su derivada o de su integral deber´ tomarse con escepticismo. Sin embargo. a todas las funciones continuas de variable real. M´s precisamente. 6.1 es una f´rmula que permite k estimar esa integral I(f ) mediante una suma ponderada de im´genes de la funci´n f en a o una serie de puntos. nosotros llamamos f´rmula de cuadratura a o de (n + 1) puntos a una expresi´n del tipo siguiente: o n In (f ) = k=0 An f (xk ) k (6. si sabemos que f es un polinomio de grado n. As´ si se permite que f sea una m´s en la familia de n ı. La idea va a ser reemplazar el c´lculo de I(f ) por el c´lculo de I(Pf ). o a a Las f´rmulas de cuadratura que usan esta idea se llaman f´rmulas de cuadratura de tipo o o 89 .1 muestra varias funciones continuas que tienen los mismos valores en cinco puntos. conocer los valores f (xi ) resulta casi irrelevante. La figura 6. En u ıa o este caso recuperamos f exactamente. x4 6. Por otra parte. en la mayor parte de las situaciones.

1 Una f´rmula de cuadratura de (n + 1) puntos es exacta sobre el espacio o vectorial Pn de los polinomios de grado menor o igual que n. k = 0. y no podemos elegirlas.3. . o Una justificaci´n de esta estimaci´n del error de la interpolaci´n polinomial se encuentra en el o o o cap´ ıtulo 4. xn ) ≤ b Definici´n 6.j=k (x − xj ) n j=0. n o b b n b a I(f ) = con a f (x)dx ≈ a Pf (x)dx = k=0 lk (x)dx f (xk ) lk (x) = Se tendr´ por tanto una f´rmula de cuadratura de tipo interpolaci´n si dentro de la a o o f´rmula o n In (f ) = k=0 n j=0. . n. .interpolaci´n. . . x0 ) < ξ < max(x. para empezar. Supongamos o o por tanto. Esto lo haremos por dos razones. R(f ) = 0 Teorema 6. .1 Una f´rmula de cuadratura se dice exacta sobre un conjunto V si o o ∀f ∈ V. que conocemos la funci´n en esos puntos. y no se necesitan m´s que las cuatro operaciones elementales. La primera es que la integraci´n de o o polinomios es muy sencilla. si y solamente si es del tipo de interpolaci´n de (n + 1) puntos.3. y s´lo en esos. 1 90 .j=k (xk − xj ) An f (xk ) k b a se toma An = k Se define el error1 lk (x)dx b n R(f ) = I(f ) − In (f ) = b a f (x)dx − b An f (xk ) k k=0 R(f ) = a [f (x) − Pf (x)]dx = a H(x) (n+1) f (ξ)dx (n + 1)! H(x) = (x − x0 )(x − x1 ) · · · (x − xn ) a ≤ min(x. El proceso consistir´ en ıa integrar el polinomio de interpolaci´n construido a partir del conocimiento del valor de o la funci´n en una serie de puntos f (xk ). o o que las abscisas nos vienen impuestas. k = 0. . 0 sea. . a Adem´s sucede frecuentemente que para las curvas experimentales no se conoce la funa ci´n f sino que se conocen ciertos puntos de la funci´n: f (xk ).

An = j b a lj (x)dx con lo cual.Demostraci´n: o ⇒ b a n P (x)dx = k=0 An P (xk ) (∀P ∈ Pn ) k en particular.1 o Este teorema nos da otro medio para el c´lculo de los coeficientes. .2 Se dice que una f´rmula de cuadratura tiene grado de precisi´n n si o o o k k+1 la f´rmula es exacta para x . Ejemplo 6. .3. .1 Calcular los coeficientes que intervienen en la f´rmula de cuadratura de o tipo interpolaci´n siguiente: o 1 −1 f (x)dx = A1 f (−1) + A1 f (1) + R(f ) 0 1 La f´rmula de cuadratura es de tipo interpolaci´n a dos puntos. y o por tanto la f´rmula es exacta para esos polinomios. Por tanto debe ser exacta para los polinoniios P0 (x) = 1 y P1 (x) = x. n. o 0 1 91 . siendo por tanto su grado o o de precisi´n uno. o Definici´n 6. pero no es exacta para x . Lo que sucede o o es que un polinomio de grado n es igual a su polinomio de interpolaci´n de grado n. la f´rmula de integraci´n.3. que ilustramos en el ejemplo siguiente. . es del tipo interpolaci´n en (n + 1) puntos. esto ser´ valido para lj (x) a b a n lj (x)dx = k=0 An lj (xk ) = An k j y por tanto. o Forcemos a que se cumplan estas condiciones: 1 −1 1 −1 1 · dx = A1 + A1 0 1 x · dx = A1 · (−1) + A1 · 1 0 1 A1 + A 1 = 2 1 0 −A1 + A1 = 0 1 0 De donde obtenemos el sistema lineal: cuya soluci´n es A1 = A1 = 1.3. o o o ⇐ Supongamos ahora que la f´rmula es de interpolaci´n en (n + 1) puntos. que es de lo que se trata. k = 0. 1. el m´todo de los a e coeficientes indeterminados. o Aplicaci´n del Teorema 6.

h llegamos a: n n (−1)n−j n (y − k)dy (6.2) Sea xj = a + j · h. Con estas hip´tesis. b].4. por ejemplo: 1 B0 = 1 B1 (−1)1 = 0!(1)!1 1 0 ydy = 1 2 La f´rmula de Newton-Cotes de grado 1 se llama la f´rmula del trapecio o o b a f (x)dx ≈ (b − a) 1 1 f (a) + f (b) 2 2 La f´rmula de Newton-Cotes de grado 2 se llama la f´rmula de Simpson o o b a f (x)dx ≈ (b − a) 4 1 f (a) + f 6 6 1 a+b + f (b) 2 6 n En la tabla 6.3) con b 1 lj (x)dx (6.1 Evaluaci´n del error en las f´rmulas de Newton-Cotes o o F´rmula del trapecio o Se quiere evaluar: b R(f ) = a f (x)dx − 92 b−a [f (a) + f (b)] 2 . que son muy usadas o o cuando la naturaleza del problema nos permite conocer los valores de la funci´n sobre o un soporte equiespaciado. 1 Calculemos por ejemplo B0 . Si hacemos el cambio de variable en la integral y = (x−a) . con 0 ≤ j ≤ n.5) Bj = j!(n − j)!n 0 k=0. el valor aproximado de la integral se obtiene muy r´pidamente ya que esos coeficientes unicamente dependen del n´mero de puntos que a ´ u utilizamos para integrar.6. se tiene: o b a f (x)dx ≈ (b − a) n Bj = j=0 n Bj f (a + j · h) (6. pues en ese caso. 6. x0 = a y xn = b. Los coeficientes del sumatorio cumplen adem´s la propiedad a n n Bj = Bn−j .1 tenemos los valores de Bj hasta n igual a 6.4) b−a a Estas f´rmulas se llaman las f´rmulas cerradas de Newton Cotes.4 F´rmulas de Newton-Cotes o (b − a) n n Supongamos una subdivisi´n uniforme del intervalo [a.k=j por tanto. Ponemos o h= (6.

6. o cuando se quiere extrapolar una integral fuera de los o o puntos en los que tenemos definida la funci´n a integrarl.n 1 2 3 4 5 6 n B0 1/2 1/6 1/8 7/90 19/288 41/840 n B1 n B2 n B3 4/6 3/8 32/90 75/288 216/840 12/90 50/288 27/840 272/840 Tabla 6.1: Coeficientes de las f´rmulas de Newton-Cotes o (x − a)(x − b) f (ξ)dx ξ = ξ(x) ∈ (a. b] 12 De aqu´ se deduce la siguiente cota al error de la aproximaci´n: ı o R(f ) = − |R(f )| ≤ h3 max |f (x)| 12 x∈[a.5 Estabilidad A un m´todo de integraci´n se le pide que sea poco sensible a los errores de c´lculo en e o a los puntos que definen la funci´n de un modo discreto. se puede usar una de las formulaciones del teorema del valor medio del c´lculo integral para escribir que: a b R(f ) = R(f ) = f (α) 2 b a (x − a)(x − b)dx. b]. Esto es necesario cuando la funci´n es por o o ejemplo singular en los extremos. b] h3 f (α) α ∈ [a. α ∈ [a.4. veamos c´mo influye o o 93 .b] 6. b) 2 a como (x − a)(x − b) no cambia de signo en [a. La f´rmula de Newton-Cotes abierta de un punto es: b a+b f (x)dx ≈ (b − a)f 2 a b a f (x)dx ≈ b−a [f (x1 ) + f (x2 )] 2 h= b−a 3 x1 = a + h. Por tanto. x2 = a + 2h = b − h.2 F´rmulas abiertas de Newton-Cotes o Las f´rmulas de cuadratura se dicen abiertas cuando no se utilizan los extremos del o intervalo como abscisas de interpolaci´n.

6) El estudio de la estabilidad se facilita por el teorema siguiente: Teorema 6.5. ε1 .5.1 Una f´rmula de cuadratura de la forma o n In (f ) = k=0 An f (xk ) k es estable si y s´lo si existe M independiente de n tal que o n k=0 |An | ≤ M k (6. . En ese caso tendr´ ıamos que n n n n A n εk k k=0 ≤ k=0 |An εk | k ≤ k=0 |An | · max|εk | ≤ M · max|εk | k lim n→∞ y eligiendo εk = An k n |Ak | k=0 |An | = +∞ k n con Ak = 0.un c´lculo efectuado con valores perturbados: a n k=0 n n An (fk + εk ) − k A n fk = k k=0 k=0 A n εk k Definici´n 6. pasando lim n→∞ con lo que la f´rmula no ser´ estable. .1 Una f´rmula de cuadratura de la forma o o n In (f ) = k=0 An f (xk ) k se dice estable si ∀(ε0 .2 Las f´rmulas de Newton-Cotes son inestables. o ıa An εk = +∞ k k=0 Teorema 6.7) Prueba: ⇐ ⇒ Supongamos que no existiese esa constante M independiente de n verificando la condici´n o (6. entonces n n (An )2 k = = |An | k |An | k k=0 k=0 n n A n εk k k=0 y. . εn ) existe M independiente de n tal que: n k=0 An εk ≤ M · max|εk | k (6. por tanto. o 94 .5. .7).

.7. el n´mero de puntos que se utiliza en cada subine u tervalo es de 3.2 M´todo compuesto de los trapecios e En el m´todo compuesto de los trapecios.1 M´todos compuestos e General La idea consiste en aplicar a subintervalos de (a. .6. (a + 2h. Las f´rmulas de integraci´n se expresan en funci´n del n´mero de puntos n.7. a + 2h). Se elige un o soporte con un n´mero impar de puntos: u (a. y que a a en consecuencia. Es o equivalente a interpolar con un polinomio a trozos de grado 1 y clase 0 e integrar ´ste. o o o u Parece razonable pensar que si se aumenta n se obtendr´ un resultado m´s preciso. b) 95 . e b a n−1 a+(k+1)h f (x)dx = ≈ k=0 a+k·h n−1 f (x)dx h k=0 1 1 f (a + k · h) + f (a + (k + 1) · h) 2 2 = h 1 1 f (a) + f (a + h) + f (a + 2h) + · · · + f (b) 2 2 6. y por tanto el grado del polinomio de aproximaci´n q es 2. el n´mero de puntos que se utiliza en cada e u subintervalo es de 2. b) una f´rmula de Newton-Cotes de o grado q con q fijo y peque˜o. Es equivalente a interpolar la funci´n con un polinomio a n o trozos e integrar dicho polinomio. se tiene: n n k=0 An f (xk ) converge sobre k lim n→∞ An f (xk ) = k k=0 b a f (x)dx Teorema 6.1 Se dice que una aproximaci´n Ln (f ) = o o un conjunto V . si cualquiera que sea f ∈ V . y por tanto el grado del polinomio de aproximaci´n q es 1.6. 6. a Definici´n 6.6. . 6.3 M´todo compuesto de Simpson e En el m´todo compuesto de Simpson. b] es que las f´rmulas sean estables.7 6.1 Una condici´n necesaria y suficiente para que los m´todos de cuadratura o e o o de tipo interpolaci´n sean convergentes en C[a. a + 4h). (a + (n − 2)h. .6 Convergencia Es otro criterio que permite calibrar la bondad de una aproximaci´n a una determinada o integral. en el l´ ımite se obtendr´ el valor exacto.7.

El proceso para elegirlo ser´ el siguiente: a 1. sin necesidad de entrar en consideraciones sobre las derivadas de la funci´n original f pues ´stas son desconocidas y normalmente.b] x∈[a.b] x∈[a. se obtiene que: e b a f (x)dx ≈ h {f (a) + f (b) 3 + 2[f (a + 2h) + f (a + 4h) + · · · + f (a + (n − 2)h)] + +4[f (a + h) + f (a + 3h) + · · · + f (a + (n − 1)h)]} 6.b] 12 12n 12 6.7.5 Selecci´n del paso de integraci´n o o En las f´rmulas de tipo compuesto se desea elegir el paso h para que el error |R(f )| = o |I − In (h)| sea inferior a una cota dada . a+h a a+4h f (x)dx ≈ 2h f (x)dx ≈ 2h 1 4 1 f (a) + f (a + h) + f (a + 2h) 6 6 6 4 1 1 f (a + 2h) + f (a + 3h) + f (a + 4h) 6 6 6 a+2h ········· b 4 1 1 f (x)dx ≈ 2h f (a + (n − 2)h) + f (a + (n − 1)h) + f (b) 6 6 6 a+(n−2)h Sumando todos estos t´rminos. o e dif´ ıciles de acotar. y se obtiene I2h0 .b] ≤ ≤ h3 12 max |f (x)| + · · · + max |f (x)| h3 (b − a)3 b−a n max |f (x)| = max |f (x)| = max |f (x)|h2 2 x∈[a.En cada intervalo se aplica la forma de Newton-Cotes de Simpson. 96 . Se integra con un paso h0 .b] Por tanto. 2.4 Mayoraci´n del error en los m´todos compuestos o e M´todo compuesto de los trapecios e Se ha visto ya que en el caso del m´todo de los trapecios: e b |R(f )| = a f (x)dx − h3 b−a [f (a) + f (b)] ≤ max |f (x)| 2 12 x∈[a. en el caso de los m´todos compuestos: e b a f (x)dx − h x∈[a. y se obtiene Ih0 .7. Se integra con un paso 2h0 .a+h] 1 1 f (a) + f (a + h) + · · · + f (b) 2 2 x∈[a+(n−1)h.

los m´todos compuestos son estables y convergentes.se tendr´ que: a I h0 − I ≈ M · h p 0 Ih0 − I2h0 = Ih0 − I + I − I2h0 ≈ M · hp − M · (2h0 )p 0 M · hp ≈ 0 y tenemos el sistema: Ih0 − I2h0 1 − 2p (6. e 6. 1 − 2p M · hp ≈ 0 M · hp ≈ y por tanto: h ≈ h0 (1 − 2p ) Ih0 − I2h0 1 p 6. por ejemplo.6 Estabilidad de los m´todos compuestos e Para valores de q suficientemente peque˜os. y cuando aproximamos integrales de funn ciones suficientemente regulares.8) Ih0 − I2h0 . Suponiendo que el error est´ en funci´n de hp -p = 2 para el m´todo compuesto de a o e los trapecios. Veamos c´mo lo conseguimos.8 6.7.3. k k 97 .1 F´rmulas de Gauss o Introducci´n o En cierto tipo de experimentos podemos fijar el valor de las abscisas de la funci´n que o pretendemos conocer. La idea consiste en aproximar I(f ) por: o n In (f ) = k=0 An f (xn ) k k o y considerar An y xn como desconocidos.8. Gauss nos proporciona un criterio para elegir estas abscisas que aumenta notablemente el grado de precisi´n de las f´rmulas de integraci´n o o o de tipo interpolaci´n. En estos casos.

. Como p tambi´n interpola e k k An p(xn ) (∀p ∈ P2n+1 ) k k con q ∈ Pn . n. . el n´mero de par´metros libres es 2n + 2. o a p∗ = 0 y por tanto. o u a Trataremos por tanto. . k = 0. Exigiremos por tanto que: b a ∗ ∗ n p(x)dx = Sea p ∈ Pn tal que p interpolaci´n de la nube de o esa misma nube de puntos. k = 0. Entonces. por un lado: n p(x) = (x − x0 )(x − xn ) · · · (x − xn ) · q(x) 1 n b a n n p(x)dx = k=0 An p(xn ) = k k k=0 An · 0 = 0 k y por otro b a b p(x)dx = = = a b a b a [p∗ (x) + (x − xn )(x − xn ) · · · (x − xn ) · q(x)]dx 0 1 n n [0 + (x − xn )(x − x1 ) · · · (x − xn ) · q(x)]dx 0 n (x − xn )(x − xn ) · · · (x − xn ) · q(x)dx 0 1 n 98 . . n. .6. Si ahora escribimos p∗ en la base de Lagrange tendremos que: n p (x) = k=0 ∗ p(xn )lk (x) k y por tanto: b a b p(x)dx = = a n [p∗ (x) + (x − xn )(x − xn ) · · · (x − xn ) · q(x)]dx 0 1 n b a lk (x)dx p(xn ) k k=0 b + = a n (x − xn )(x − xn ) · · · (x − xn ) · q(x)dx 0 1 n An p(xn ) k k k=0 Si elegimos como polinomio p uno tal que p(xn ) = 0. entonces su polinomio k de interpolaci´n de grado n en esos nodos ser´ nulo. n. p(xn )).8. lo podremos escribir de la siguiente forma: p(x) = p∗ (x) + (x − xn )(x − xn ) · · · (x − xn ) · q(x) 0 1 n (xn ) k k=0 n = p(xk ).2 M´todo de Gauss e Como se puede observar en la f´rmula anterior. k = 0. . . . . o sea el polinomio de grado n de puntos (xn . . . de que nuestra f´rmula sea exacta en P2n+1 espacio vectorial de o polinomios de coeficientes reales de grado menor o igual que 2n+1. .

que debe ser 0. En suma
b a

(x − xn )(x − xn ) · · · (x − xn ) · q(x)dx = 0 0 1 n

Como para cualquier q, el polinomio p vale 0 en los nodos, esta igualdad tiene que darse independientemente del polinomio q, o sea:
b a

(x − xn )(x − xn ) · · · (x − xn ) · q(x)dx = 0 (∀q ∈ Pn ) 0 1 n

0 sea, que si hacemos [a, b] = [−1, 1], estamos buscando una serie de nodos (xn ), k = k 0, . . . , n tales que el polinomio (x−xn )(x−xn ) · · · (x−xn ) sea ortogonal, seg´n el producto u 0 1 n 1 escalar < p, q >= −1 p(x)q(x)dx, a todos los polinomios q de Pn . 0 sea, estamos buscando el polinomio de Legendre2 de grado n + 1. ˆ Por tanto, para que (x − xn )(x − xn ) · · · (x − xn ) sea igual a Ln+1 (x), debemos escoger los 0 1 n n ˆ valores (xk ), k = 0, . . . , n, abscisas de los nodos, como los ceros de Ln+1 (x), polinomio de Legendre de grado n + 1. Una vez que ya sabemos cu´les deben ser los nodos, debemos a preguntarnos el valor de la familia de coeficientes (An ), k = 0, . . . , n. Para ello, elegimos k n ahora como polinomio p uno tal que p(xn ) = δk , k = 0, . . . , n, y tendremos que: k An = k
1 −1

lk (x)dx,

(∀k = 0, . . . , n)

Si el intervalo no es [−1, 1] se hace el t´ ıpico cambio de variable: t= que transforma [a, b] en [−1, 1]. 2(x − a) −1 b−a

6.9

Integraci´n multidimensional o

Las t´cnicas de integraci´n num´rica m´s sencillas para integrales dobles o triples se e o e a basan en la sustituci´n de la funci´n a integrar por su polinomio en varias variables4.6. o o Si el recinto es rectangular, la aplicaci´n es directa. Si no es as´ hay que estudiar de o ı, modo independiente cada caso.

6.10

Resumen

1. Que aproximar la integral de una funci´n se puede hacer a partir de un n´mero de o u puntos dados, sustituyendo la funci´n a integrar por una aproximaci´n pofin´mica o o o a la misma.
En realidad, el polinomio de Legendre es cualquiera de estos, pero normalizado, por definici´n. Ello o es debido a que los polinomios de Legendre no son s´lo una familia de polinomios ortogonales, sino que o adem´s tienen modulo uno. Hemos estudiado estos polinomios como una familia ortogonal en 5.6.4 a
2

99

2. Que una f´rmula de aproximaci´n es buena si aten´a los efectos de las perturbao o u ciones en los puntos que definen la funci´n (estabilidad). o 3. Que una f´rmula de aproximaci´n es buena si cuando se aumentan el n´mero de o o u puntos que se utilizan para definir la funci´n, el valor de la aproximaci´n se acerca o o al valor real de la integral, coincidiendo en el l´ ımite (convergencia). 4. Que acotar el error tiene mucho que ver con el n´mero de puntos que se utilizan u para definir la integral y con los m´ximos de determinadas derivadas. a

6.11

Referencias recomendadas para este tema.

Para Integraci´n Num´rica la referencia recomendada son otra vez el libro de H¨merlin o e a y Hoffman [7] y el de Theodor [16].

100

Cap´ ıtulo 7 Derivaci´n num´rica o e
7.1 Introducci´n o

El c´lculo num´rico de integrales definidas es un problema muy antiguo. La estimaci´n a e o num´rica de derivadas es un problema muy nuevo, y muy necesario para la resoluci´n e o num´rica de ecuaciones diferenciales, que se han convertido en las herramientas princie pales para la descripci´n de todo tipo de sistemas. o El comportamiento del error en los m´todos de integraci´n era bastante bueno. Bajar un e o poco el paso significaba bajar mucho el error. Adem´s, las f´rmulas m´s comunes (los a o a e m´todos compuestos) son bastantes estables, y errores en los datos, o en los redondeos, no se amplifican en el c´lculo de las integrales. Sin embargo, las derivadas son mucho menos a e nobles cuando se las trata num´ricamente, y puede suceder, como luego estudiaremos, que peque˜as variaciones en alguno de los elementos motiven grandes variaciones en el n resultado.

7.2

Exposici´n del problema o

Sea f una funci´n real de variable real de clase C 1 . Se quiere calcular una aproximaci´n o o al n´mero f (x). u f (x) = lim f (x + h) − f (x) f (x) − f (x − h) = lim h→0 h→0 h h

Se obtiene, por ejemplo, una aproximaci´n a este valor, tomando, con h peque˜o o n f (x) ≈ f (x + h) − f (x) h

Esta aproximaci´n hace intervenir los valores de la funci´n en los puntos x y x + h. Igual o o que hac´ ıamos al integrar, podr´ ıamos pensar en sustituir la funci´n f por su polinomio o de interpolaci´n Pf , y aproximar la derivada de f por la derivada de Pf . De hecho, el o problema de estimar la derivada surge porque a menudo f no la conocemos de modo anal´ ıtico, sino por puntos. Por tanto, si sabemos el valor de la funci´n f en una nube o 101

de puntos x0 , x1 , · · · , xn , Pf (x), derivada del polinomio de grado n que interpola a f en esos puntos, nos dar´ una aproximaci´n a f (x), cuyo error trataremos de acotar. Estas a o ser´n las t´cnicas de derivaci´n que explicaremos. a e o

7.3

Derivaci´n num´rica por interpolaci´n polin´mio e o o ca.

Hemos visto ya que se puede obtener una aproximaci´n de una funci´n f en un intervalo o o calculando su polinomio de interpolaci´n Pf . En el caso de la derivada, vamos a aproximar o f por Pf . El concepto es local, o sea, se sustituye f por Pf en el entorno del punto en el cual queremos conocer la derivada. Las f´rmulas de derivaci´n que usan esta o o idea se llaman f´rmulas de derivaci´n de tipo interpolaci´n polinomial. Veamos las m´s o o o a importantes.

7.3.1

F´rmula de dos puntos. o

Tenemos una funci´n f que es C 1 en un entorno cerrado E(x0 ) de x0 . Sea E(x0 ) = [a, b] o y sea x0 el punto en el que queremos estimar la derivada de f . Sea x1 tal que [x0 , x1 ] ⊂ E(x0 ). Construyamos el polinomio de interpolaci´n de f asociado a los puntos x0 y x1 , o ver figura 7.1. x − x1 x − x0 P1 (x) = f (x0 ) + f (x1 ) x0 − x 1 x1 − x 0 Derivando este polinomio y particularizando esa derivada en x0 obtendremos la aproximaci´n a la derivada buscada. o P1 (x0 ) = f (x1 ) − f (x0 ) x1 − x 0

Si llamamos h = x1 − x0 , tendremos por tanto: f (x0 ) ≈ f (x0 + h) − f (x0 ) h

Existe igualmente una versi´n sim´trica de esta f´rmula tomando el segundo punto a la o e o izquierda de x0 -mirando hacia atr´s. a f (x0 ) ≈ f (x0 ) − f (x0 − h) h

7.3.2

Error en la f´rmula de dos puntos o
H(x) (n+1) f (ξ(x)) (n + 1)! 102

Para calcular el error, usamos el error de la interpolaci´n, deriv´ndolo: o a f (x) − P (x) =

derivada real = tg.

P (x) 1 f (x)

h

x0

x1

Figura 7.1: F´rmula de dos puntos. o H(x) = (x − x0 )(x − x1 ) · · · (x − xn ) a ≤ min(x, x0 ) < ξ < max(x, xn ) ≤ b Particularizando a nuestro caso, con un polinomio definido por dos puntos(n = 1): f (x) − P1 (x) = y derivando esta f´rmula: o 1 1 1 f (x) − P1 (x) = (x − x0 )(x − x1 )f (ξ(x))ξ (x) + (x − x1 )f (ξ(x)) + (x − x0 )f (ξ(x)) 2 2 2 Hay problemas para estimar el error en puntos distintos de x0 o de x1 , pues no conocemos el valor de ξ (x). Sin embargo, podemos estimar f´cilmente el error en x0 y en x1 a sustituyendo en la expresi´n anterior. o f (x0 ) − P1 (x0 ) = f (ξ(x)) (x0 − x1 )f (ξ(x)) =− h = O(h) 2 2 (x − x0 )(x − x1 ) f (ξ(x)) 2

Vemos que el error es una potencia de h de orden 1. El error tiende a 0 con h. La aproximaci´n es por tanto bastante mala. Por ejemplo, si echamos la vista atr´s, en la o a f´rmula del trapecio, que es la equivalente para la integraci´n, el error era una potencia o o 2 c´bica de h. El error en la interpolaci´n es de orden h . Por tanto, la integral disminuye u o el error de la interpolaci´n polinomial, subiendo el orden, y la derivada lo amplifica, o bajando el orden.

103

3.f (x) P (x) 2 h h x-1 x0 7. a ver figura 7. P2 (x) = f (x−1 )l−1 (x) + f (x0 )l0 l(x) + f (x1 )l1 l(x) P2 (x) = f (x−1 ) (x − x0 )(x − x1 ) (x − x−1 )(x − x1 ) + f (x0 ) (x−1 − x0 )(x−1 − x1 ) (x0 − x−1 )(x0 − x1 ) (x − x−1 )(x − x0 ) +f (x1 ) (x1 − x−1 )(x1 − x0 ) (x − x−1 ) + (x − x1 ) (x − x0 ) + (x − x1 ) + f (x0 ) 2 2h −h2 (x − x−1 ) + (x − x0 ) +f (x1 ) 2h2 Si derivamos: P2 (x) = f (x−1 ) (7.2. o Por otro lado. o a Para conseguir un valor mejor para la derivada.2: Interpolaci´n con par´bola. del mismo modo que hay f´rmulas centradas. pues se construye la par´bola o a con tres puntos. y se eval´a la derivada en el central. figura 7.3.1) Si particularizamos en x0 : f (x0 ) ≈ P2 (x0 ) = f (x0 + h) − f (x0 − h) 2h Esta f´rmula se llama de tres puntos centrada. tendremos a a 104 . Si evalu´mos la derivada en x−1 = x0 − h. que precisau mente.3 F´rmula de tres puntos o x1 Figura 7. Es curioso pensar. podemos interpolar f con una par´bola. y hacia atr´s. en el c´lculo de la derivada no influye el valor en el propio punto en el que se a realiza la estimaci´n. tambi´n hay f´rmulas mio e o rando hacia adelante.

a la tangente. y si lo hacemos en x1 = x0 + h. mirando hacia atr´s: o a f (x0 − h) ≈ P2 (x0 − h) = −3f (x0 − h) + 4f (x0 ) − f (x0 + h) 2h f (x0 − h) − 4f (x0 ) + 3f (x0 + h) f (x0 + h) ≈ P2 (x0 + h) = 2h 7. o combinando estas f´rmulas se obtienen otras f´rmulas. el error es una potencia de h de orden 2. o (x − x−1 )(x − x0 )(x − x1 ) f (ξ(x)) 3! Deriv´ndolo. f (x0 )). e f (x0 ) ≈ P3 (x0 ) = 105 . f (x0 + 2h)) −f (x0 + 2h) + 6f (x0 + h) − 3f (x0 ) − 2f (x0 − h) 6h De igual modo. lo que quiere decir que hemos mejorado notablemente la aproximaci´n frente a la f´rmula de dos puntos. o Se obtiene cuando se interpola f por un polinomio c´bico que pasa por (x0 − h.4 Error en la f´rmula de tres puntos. o Para calcular el error. aprox.3. (x0 + h. o o f (x0 ) − P2 (x0 ) = − 7. usamos otra vez el error de la interpolaci´n.3. o una f´rmula mirando hacia adelante.5 F´rmula de cuatro puntos. f (x0 + h)) y (x0 + 2h. u (x0 . cada una con o o su t´rmino de error. y particulariz´ndolo para x0 : a a f (x) − P2 (x) = f (ξ(x)) 2 h = O(h2 ) 6 Por tanto.3: F´rmula de tres puntos. f (x0 − h)). f (x) P (x) 2 h x-1 x0 h x1 Figura 7.derivada real = tg.

afectados de unos errores que podemos acotar como: f0 − f0 ≤ δ. o Podemos usar la interpolaci´n parab´lica de tres puntos para estimar la derivada segunda. o o que se usa a menudo en ecuaciones diferenciales.1. la diferenciaci´n num´rica o o e es muy sensible a los errores de redondeo y de los datos originales.4: Selecci´n del paso optimo. Ello es debido a que e hay t´rminos en los que aparecen las derivadas de la funci´n ξ(x) que ya no se anulan.3. y como ya hemos comentado. la expresi´n 7. tendremos. e o 7. o ´ f1 − f 0 h h f (x0 ) ≈ 106 . derivar.7. f1 − f 1 ≤ δ entonces. As´ si volvemos a ı. el c´lculo que realmente hacemos es usando los valores perturbados: a error error total error truncaje. Para ilustrar esta idea. Supongamos que f0 y f1 son los valores de trabajo de f0 y f1 . error por los datos paso optimo Figura 7.6 F´rmula de tres puntos para estimar la derivada segunda. como la de Laplace. o f (x0 ) ≈ P2 (x0 ) = f (x0 + h) − 2f (x0 ) + f (x0 − h) h2 En este caso hay problemas para acotar el t´rmino del error en x0 .4 Estabilidad Contrariamente a la integraci´n. usemos la aproximaci´n de dos puntos a la derivada: o f (x0 ) ≈ f (x0 + h) − f (x0 ) f1 − f 0 = h h con f1 = f (x0 + h) y f0 = f (x0 ).

5 dibujamos los diferentes t´rminos y los comparamos con el error real. Usamos el operador de dos puntos.1. o ∆Φ (x0 .x0 +h] f (x0 ) − f 2 ∞ f1 − f 0 f1 − f 0 f1 − f 0 + − h h h f0 − f 0 + f1 − f 1 h ≤ f 2 ∞ h+ h+ 2δ h f1 − f 0 h ≤ max f 2 ∞ h+ 2δ h |f (x0 )| Para valores grandes de h.6. es decir. y0 ) + (x0 . centramos e el gr´fico en pasos peque˜os en la figura 7. el minimizar anal´ En la figura 7. y hasta h = 0. Por tanto. y0 ) = ∂2Φ ∂2Φ (x0 . e a ınimo. o Para hacer la discretizaci´n tenemos que pensar en el significado geom´trico de la derivada o e 107 .Con lo cual. el error del m´todo y el error total se confunden. 7. ver tabla 7. y buscamos el punto en el que el error total es m´ ınimo.4.04. Se deja ´ ıticamente ese error para calcular el paso optimo. el error empieza a aumentar. en la cual el espaciado en la direcci´n x es el mismo que el espaciado en la o direcci´n y. y0 ). es m´s importante el error por los datos. y sus acotaciones quedan: f (x0 ) − f1 − f 0 h ≤ ≤ Por tanto: f (x0 ) − con f ∞= x∈[x0 . que corresponde al t´rmino 1/h es el m´s importante. el paso optimo es de ese orden. Por tanto. Vamos bajando el paso. el e e n error que puedan arrastrar los datos. ´ como ejercicio. el error en los o datos δ es del orden de 10−4 . Si h es peque˜o. ver figura 7. y0 ) ∂x2 ∂y 2 utilizando una discretizaci´n de cinco puntos. Se trata de encontrar el valor de la derivada de la funci´n o f (x) = arctan(x) en el punto (2). Hay que escoger el paso de tal modo que el error total sea m´ Veamos esto con un ejemplo. por ejemplo el problema de construir una aproximaci´n discreta al laplao ciano bidimensional de una funci´n Φ en un punto cualquiera (x0 . el t´rmino en h domina -error del m´todo-. una discretizaci´n como la de la o o figura 7. El valor real sabemos que es 1/3. El a n n error que manda es el correspondiente a los datos.7. Vamos bajando el paso. Usaremos valores de la funci´n para estimar la precisi´n o o derivada con una precisi´n de cuatro decimales sin redondeo. e Dado que para pasos altos. el error. pero si seguimos bajando. el error total a disminuye. Para pasos peque˜os pasa lo contrario. y por tanto.5 Derivadas parciales Consideremos.

e parcial. y0 − h) − 4Φ (x0 . y0 ) + Φ (x0 − h. sumando ambas expresiones tendremos que: ∆Φ (x0 . y0 + h) − 2Φ (x0 . La estimaci´n queda entonces: o o Φ (x0 + h. y0 ) ∂2Φ (x0 . o 2. Aproximar la derivada de una funci´n en un punto se puede hacer a partir de un o n´mero de puntos dados. y0 ) h2 7. susituyendo la funci´n a integrar por una aproximaci´n u o o polin´mica a la misma. tambi´n a partir de estas f´rmulas se pueden construir o e o operadores que nos sirvan para estimar derivadas parciales de funciones de varias variables. y las derivadas hay que pensarlas como las derivadas o de una funci´n de una sola variable. La derivada parcial de una funci´n respecto a la variable x da una idea de lo o que var´ esa funci´n cuando las otras variables permanecen constantes.5: T´rminos de error para estimar arctan (2).6 Resumen 1. y0 ) = + O(h2 ) 2 2 ∂y h Y por tanto. y0 + h) + Φ (x0 . o o ı 3. y0 ) ≈ Φ (x0 + h. 108 . Es como si fuese ıa o una funci´n de una sola variable. y0 ) = + O(h2 ) 2 ∂x h2 ∂2Φ Φ (x0 . y0 ) + Φ (x0 . x. y0 ) − 2Φ (x0 . De igual modo que se construyen operadores para estimar las derivadas a partir del polinomio de interpolaci´n. y0 − h) (x0 .Figura 7. y0 ) + Φ (x0 . Las f´rmulas de derivaci´n as´ obtenidas tienen una estabilidad comprometida. y0 ) + Φ (x0 − h.

005 0. [17].2 0. e 7.04 0.0.025 0.045 Figura 7. 109 .015 0.25 error 0.6: T´rminos de error para estimar arctan (2).05 h 0 0 -0.05 0.03 0.035 0.02 0.15 2delta/h max f'' h/2 cotatotal error 0.01 0.7 Referencias recomendadas para este tema.1 0. [16].

9569 0.3200 0.9553 0.3250 0.002 0.9553 0.008 0.9573 0.02 0.0067 0.9619 0.h 0.005 0.9566 0.001257079 0.3300 0.03 0.000785674 0.h) (x0+h.9563 0. a (x0 .20015 error 0.05062 0.06666 0.005 0.004 0.9553 0.007 0.02222 0.0133 0.3333 0.9553 0.9579 0.01314 0.10031 0. de 2 ptos.9553 0.3333 0.001414214 0.3333 0.9583 0.9553 0.9553 0.00031427 0. o 110 .025 0.0000 0.3300 0.3275 0.3286 0.001099944 0.3000 0.y0 .1 0.04 0.006 0.02857 0.9553 0. y0) Figura 7.03427 0.9559 0.y0 +h) (x0-h.02967 0. y0) (x0 .05 0.01 0.004714045 0.9553 0.0333 Tabla 7.9553 0.02363 0.009 0.006285394 0.000157135 0.04078 0.0000 0.9553 0.02 0.003142697 0.001571348 0.06713 0.9651 0.7: Discretizaci´n de cinco puntos.3250 0.000471405 0.3000 2δ/h 0.9684 0.9553 0.9586 0.0083 0.0048 0.03333 0.9576 0.9556 f0 0.0058 0.0033 0.0033 0.9553 (f1 − f0 )/h 0.01138 0.000942809 0.003 0.02625 0.01 0.00666 0.000628539 0.001 f1 0.0083 0.1: Error c´lculo derivada de arctan(x) en x = 2 con op.3267 0.02157 0.0333 0.01128 0.2 max f (ξ)h/2 cotatotal 0.04 0.0000 0.

la ley que gobierna la velocidad de una masa deslizante sujeta solamente a los efectos friccionales. Se da informaci´n de la soluci´n en varios momentos temporales. sino de sus derivadas.1 Introducci´n o Muchos modelos f´ ısicos. e 2. En ellos. Nosotros nos centraremos en el primer tipo de problemas. y de cualquier otra ciencia cuantitativa o caen dentro de la categor´ de las ecuaciones diferenciales.1) En esta parte de la asignatura. . Problemas de contorno. la evoluci´n del ıa o comportamiento de ciertas variables satisface ecuaciones que dependen no s´lo de las o variables en si. vamos a aprender m´todos num´ricos para resolver ecuae e ciones diferenciales ordinarias (edo’s). que empezamos ahora a tratar. ingenieriles. El problema o a o de amortiguamiento que antes vimos es de este tipo. Hay que o aclarar que esto es as´ si s´lo queremos conocer la velocidad como funci´n del tiemı o o po.Cap´ ıtulo 8 Ecuaciones diferenciales ordinarias. 8. En este caso la segunda ley de Newton se escribe como: m d v(t) = −µv(t) dt (8. Esta informao o ci´n permite fijar los par´metros que quedan libres en la soluci´n. Por ejemplo en o o el caso anterior podr´ ser: v(0) + v(1) = 1. Son generalmente problemas ıa m´s dif´ a ıciles de resolver. econ´micos. pues dar la velocidad inicial v(0) = v0 es suficiente para determinar completamente la soluci´n. 1. Si quisi´semos conocer los desplazamientos habr´ que dar una condici´n inicial e ıa o tambi´n para los desplazamientos. Estudiaremos dos problemas centrales en la teor´ ıa computacional de las ecuaciones diferenciales ordinarias: problemas de valores iniciales y problemas de contorno. Por ejemplo. La informaci´n sobre la soluci´n se da en el instante(punto) inicial. aunque tambi´n veremos el segundo como caso e particular de cierta clase de problemas en derivadas parciales. Problemas de valor inicial.

y )  y  1 n    x. yn ) y1  f (x. y(x))      • y (x0 ) = y0 con y0 ∈ I n . y → f (x. yn ) yn o Se busca. · · · .  2  →  2   ···  ··· fn (x. y1 . · · · . y) Se busca una funci´n y definida en [a. · · · .Dentro de los problemas de valor inicial. las ecuaciones diferenciales pueden ser clasificadas como: 1. o o 2. b] × I → I R R x. Sea f : [a. y1 . y) O sea f : [a. R 112 . b] → I R x → y(x) que verifique : • y (x) = f (x. b] R y : [a. b] o y : [a. b] → I n x → y(x) que verifique : • y (x) = f (x. y . y(x)) • y (x0 ) = y0 La segunda condici´n se llama condici´n inicial. una funci´n y definida en [a. Ecuaciones de primer orden Sea f : [a. y → f (x. b] × I n → I n R R x. Sistemas de primer orden. b] × I n → I n R R    f1 (x.

con:   u1 = u 2    u = h(x. como ya hemos contado. el planteamiento consiste en ir avanzando hacia adelante a partir de esos valores. Una clasificaci´n muy o o importante de los m´todos utilizados para estimar esos valores se basa en qu´ informaci´n e e o se usa para hacer las sucesivas estimaciones. u . b]. Se conocen no los valores iniciales. o o que es en realidad donde vamos a estimar los valores de la funci´n. diferentes a los de valor inicial o Cauchy.. se simula la evoluci´n e o del proceso mediante las ecuaciones diferenciales. y. Como se parte de un valor o valores iniciales. nos centraremos unicamente ´ en problemas de valor inicial y dejaremos los problemas de contorno para el cap´ ıtulo siguiente estudi´ndolos como casos particulares de Ecuaciones en Derivadas Parciales. En los problemas de contorno no tienen sentido este tipo de planteamientos. Tendremos as´ ı 113 . para resolverlos num´ricamente. De ahora en adelante. estos son.. a partir de los valores anteriores. El ejemplo o del apartado anterior podr´ ser. y. y en general. Ecuaciones diferenciales de orden superior a uno. Se reducen a un sistema de ecuaciones de primer orden con tratamientos semejantes al siguiente. en este caso: ıa   y = h(x. Son ecuaciones diferenciales en las que intervienen derivadas segundas. sino que las condiciones de contorno se refieren al valor de la funci´n en determinados sitios o instantes. u ) 1 2 2   u1 (x0 ) = y0   u2 (x0 ) = y0 En cuanto a los problemas de contorno. Se eligen una serie de puntos xi ∈ [a. terceras.. a   y(x0 ) = y0 y(x1 ) = y1 8. y )  Se realiza el cambio de variables:   y(x0 ) = y0 y (x0 ) = y0 u1 = y u2 = y El problema se convierte en un sistema de primer orden.2 Ideas b´sicas para la resoluci´n num´rica de proa o e blemas de valor inicial Se desea tener una aproximaci´n de la funci´n y. Se tiene la ecuaci´n de la forma: o   y = h(x.3. y )  En los problemas de valor inicial.

e El c´lculo de yi+1 hace intervenir s´lamente los valores del paso anterior. y(x)) • y (x0 ) = y0 Se eligen una serie de puntos xi ∈ [a. en un problema de evoluci´n en ıa e o el espacio y estacionario en el tiempo. b] o y : [a. yi . · · · . n xi = a + ih. a a Se define. yi−k . y) Se busca. el paso de la aproximaci´n como: o h= b−a . y a o del incremento h. por comodidad supondremos que los puntos son equidistantes. b] × I → I R R x. b] → I R x → y(x) que verifique : • y (x) = f (x. por tanto.3 8. aunque en la pr´ctica computacional no suceder´ esto. como m´s a adelante veremos. e a yi+1 = F (xi . xi−1 . 8.2) 2.3. b] a = x0 < x1 < x2 < · · · < x n = b y se calculan los valores aproximados yi de y(xi ). aunque podr´ ser tambi´n el espacio.1. yi . h) (8. variable independiente es normalmente el tiempo en los problemas de valor inicial. y → f (x. M´todos de un paso. 114 0≤i≤n . xi−k . yi−1 . El c´lculo de yi+1 hace intervenir muchos valores previos. yi+1 = F (xi . · · · . La abscisa. xi . que como siempre es la diferencia entre dos abscisas consecutivas. De hecho. yi . e Principios de los m´todos de un paso. M´todos de varios pasos. Estos conducen a resolver problemas no lineales en cada paso.3) Tambi´n hay m´todos llamados impl´ e e ıcitos que involucran valores de la funci´n todav´ o ıa desconocidos. una funci´n y definida en [a. h) (8.1 Sea M´todos discretos de un paso para edos. e f : [a.

y(xi )) (8.4) El hecho es que no se conoce xi . yi ) y0 = y(x0 ) La visualizaci´n de lo que estamos haciendo se presenta en la figura 8. y(x)) • y (x0 ) = y0 Se usa la f´rmula de incrementos finitos en el intervalo (xi . a Ejemplo 8. a proceder´ ıamos de modo an´logo tomando como referente A1 .El problema de evoluci´n tiene su reflejo en la esencia de los m´todos de integraci´n.3. y(x0 )). para en un determinado momento disminuir el error si se estima que este puede ser muy importante. El o e o valor de la funci´n en el punto i + 1 del conjunto discreto se obtiene. El planteamiento del problema es el t´ busca una funci´n y definida en [a. Para obtener A2 .3. b] → I R x → y(x) que verifique : • y (x) = f (x.2.1 y =y y(0) = 1 x ∈ [0. y se conoce la tangente a la curva soluci´n en ese punto. 8. en los m´todos de o e un paso. En ella se o conoce el punto A0 = (x0 . Se reemplaza el punto desconocido por A1 . El m´todo de Euler consiste en aproximar ese valor por e xi . y el valor de y (xi ) por y (xi ).3.2 Ejemplo: M´todo de Euler. xi < xi < xi+1 y (xi ) = f (xi . e Es el m´s sencillo de todos los m´todos de integraci´n num´rica de ecuaciones diferena e o e ıpico de un problema de valores iniciales. La aproximaci´n o o consiste en confundir la curva y su tangente. a partir del valor estimado de la funci´n en la iteraci´n anterior. y0 ). o y(xi+1 ) − y(xi ) = hy (xi ). Se ciales. El esquema ser´ por tanto el siguiente: a yi+1 = yi + hf (xi . xi+1 ) . 5] 115 . este tipo de c´lculo tiene la ventaja de que se puede cambiar a a el paso sin mayor problema. que tiene su misma abscisa pero que est´ situado sobre la tangente. o o Adem´s de su obvia sencillez. b] o y : [a. o cuya pendiente viene dada por la expresi´n y (x0 ) = f (x0 .

3.6 0. El o o k 0 1 2 3 4 5 10 15 20 25 x 0 0. Tomamos un paso de h = 0.44 1. Aproximar la curva por su tangente. El esquema ser´ el ıa siguiente: yi+1 = yi + hf (xi .9376991 Tabla 8.2.22554093 2.3890561 20.0855369 54.71828183 7.2 tenemos una representaci´n de la funci´n error. yi ) = yi + hyi = yi (1 + h) Como y0 = 1 tendremos que: yi+1 = (1 + h)i+1 En la tabla 8.26770217 -0.4918247 1.2361753 -0.413159 y aprox 1 1.26277907 -0. La soluci´n anal´ o ıtica es y(x) = ex .47546 error 0 -0.2 y en la figura 8.59711103 8.0051199 114.21859724 -0.2 0. Discretizaci´n.1: Esquema de Euler.3.48832 2.2514812 -0.8 1 2 3 4 5 y real 1 1.04102761 1. error se debe a dos causas: 1.59815 148.0736 2.8221188 2. o 116 .1: Error ejemplo esquema de Euler.43008371 18.728 2.59303012 33.22140276 1.4 0.T0 A1 A0 h a a+h Figura 8.4884259 46.985984 7.

Los errores de redondeo: Debidos a las operaciones realizadas por el ordenador. el c´lculo de o a yi+1 hace intervenir los valores de xi y de yi . e (8. yi .5) 117 . y. tendremos el m´todo de Euler. Una vez puestos en situaci´n al haber estudiado el m´todo m´s sencillo. Como sabemos. yi+1 = F (xi . A un m´todo le exigiremos varias cosas. h) y0 = y(x0 ) si φ(x. h) = f (x.160 140 120 100 80 60 40 20 0 0 1 2 x y real y euler y 3 4 5 Figura 8. Sin duda las m´s importantes son la convergencia e a . haremos un o e a planteamiento general de los m´todos de un paso y definiremos con cierta precisi´n los e o conceptos que garantizan la bondad de una aproximaci´n.2: Error ejemplo esquema de Euler.y la estabilidad o que el m´todo no sea muy sensible a los errores para c´lculos posteriores. e a 8.3. y).3 Esquema general.que la aproximaci´n sea tan buena como queramos bajando el paso . 2. h) El esquema general ser´: a yi+1 = yi + hφ (xi . yi .

o o Que se sepa a priori el orden de un m´todo no es suficiente para elegir el paso si se desea e que el error sea inferior a una cota dada . 0 2. y del programa. y o si el m´todo es de orden mayor o igual que p. como nos lo demuestra el siguiente teorema. que si parti´semos de un valor correcto en xi . e o que es inherente al m´todo. n 8. En realidad.5 Selecci´n del paso de integraci´n. Supongamos que el m´todo es o e de orden p. y que el error de discretizaci´n sea de orden p. a El orden de un m´todo da. el error de discretizaci´n ser´ m´s a a a n o a a peque˜o. se tendr´: a yk − yj = yk − y(x) + y(x) − yj ≈ M hp − M (2h0 )p ˜ ˜ 0 118 . que depende del problema. h) + O(hp+1 ) (8. Imaginemos que buscamos h tal que e la estimaci´n de y(x) se obtenga con un error de orden . el programador debe tener cuidado o con el error de redondeo. vendr´ afectado de un error de orden p + 1.1 Si φ verifica la condici´n de Lipschitz respecto a la segunda variable. ˜ ˜ 3. y (xi ). m´s alta cuanto m´s peque˜o es el paso de integraci´n. h) = O(hp ) h (8.n i=0. o e Se define el error de la discretizaci´n en la iteraci´n i como ei = yi − y (xi ).7) O sea.n y (xi+1 ) − y (xi ) − φ (xi . Se deben seguir los siguientes pasos. y m´s peque˜o sea h. Un m´todo o o e es de orden ≥ p si para toda soluci´n de y = f (x. Por o tanto. y (xi ) .3.3. lo que estamos diciendo al definir el orden es. Se integra con un paso 2h0 . Explicamos una t´cnica que permite hacer e esto con una cierta precisi´n. o a a n o Esta t´cnica es muy similar a la estudiada en 6. cu´nto m´s grande sea p. y (xi ) .7.5. como hemos dicho. y) o max i=0. Orden de un m´todo. de la m´quina. una medida del error de discretizaci´n. del cual no presentamos deo mostraci´n. entonces el error e = yj − y(x) ≈ M (2h0 )p . Se integra con un paso h0 .6) El orden de un m´todo nos permite acotar de un modo muy preciso el error de dise cretizaci´n.8.n Una vez que se ha acotado el error de discretizaci´n. con error e = yk − y(x) ≈ M hp . e m´s o menos que: a y (xi+1 ) = y (xi ) + hφ (xi . o Teorema 8. Los errores de redondeo hacen que al integrar perdamos un orden.3. Sabiendo que el error no debe superar la cota dada. el valor que obtendr´ e ıamos ıa en xi+1 .4 Error de discretizaci´n. 1. entonces: e max |ei | = max |yi − y (xi )| = O(hp ) i=0.

4 8. que seg´n el planteamiento general: u φ(x. uno. yi ) y0 = y(x0 ) O sea. e (8.4. e M´todo de Euler.4. yi+1 = yi + hf (xi . y (xi )) h h El orden de un m´todo da una medida del error de discretizaci´n o truncamiento.8) 8. e Vimos ya el m´todo de Euler. e o Haciendo un desarrollo en serie de la funci´n y en un entorno de xi .1 Diferentes m´todos de un paso. y) (8. y.9) 119 . que consist´ en aproximar la funci´n en un punto por e ıa o su tangente. El punto siguiente se obten´ proyectando la abscisa siguiente sobre su ıa tangente.2 Orden del m´todo de Euler. h) = − f (xi . y (xi )) = O(h) h el orden del m´todo es entonces. o y (xi+1 ) = y (xi + h) = y (xi ) + y (xi ) h + O(h2 ) = y (xi ) + f (xi . e y (xi+1 ) − y (xi ) y (xi+1 ) − y (xi ) − φ (xi . y (xi ) .M hp ≈ 0 y tenemos el sistema: M hp ≈ 0 y por tanto: h ≈ h0 yk − y j ˜ 1 − 2p yk − y j ˜ 1 − 2p M hp ≈ (1 − 2p ) yk − y j ˜ 1 p 8. y (xi )) h + O(h2 ) por tanto: y (xi+1 ) − y (xi ) − f (xi . h) = f (x.

120 . en general muy e o dif´ ıciles.4 M´todo de Taylor.8. de lo que se trata es de acotar el valor: o i = yi − y (xi ) ˆ donde yi es el valor obtenido partiendo de un valor exacto en el paso anterior.3 M´todo de Euler: error de discretizaci´n. tenemos garantizado ya que el error total es de orden p si el m´todo es de orden p. y). y (x) = f (x. y (xi )) h + = h2 2 max |f (ξ. O sea.xi+1 ] Desgraciadamente. e h2 hp y (x) + · · · + y (p) (x) + O hp+1 2 p! Se puede construir un m´todo de orden p a partir del desarrolo en serie de Taylor. e y (x + h) = y (x) + y (x) h + h hp−1 (p) y(x + h) − y(x) = y (x) + y (x) + · · · + y (x) + O (hp ) h 2 p! Pero ahora podemos obtener cada una de las derivadas sucesivas. y) + (x. Si usamos el desarrollo en serie de Taylor. en un punto. siempre que la funci´n φ verifique e o la condici´n de Lipschitz para la segunda variable. estamos o e aproximando la funci´n por su tangente. y)y (x) = g2 (x. A a ra´ de esto. o 8.4. De todos modos. procede un estudio de la propagaci´n de los errores locales de discretizaci´n ız o o en el m´todo de Euler. etc. a pues el unico valor realmente exacto es el valor inicial. tendremos que: o a y (xi+1 ) = y (xi + h) = y (xi ) + y (xi ) h + = o. y no a haremos estudios espec´ ıficos de este tema. Los estudios de propagaci´n de errores son. la cual no ˆ es la situaci´n real de c´lculo. Los siguientes puntos de partida ´ incluyen el resultado de c´lculos previos y arrastran por tanto. y(x)) ∂f ∂f y (x) = (x.4. y (ξ))| h2 2 max |y (ξ)| ξ∈[xi . De hecho el caso m´s sencillo que es el de Euler ya es muy complicado. e o El error de discretizaci´n en el m´todo de Euler se debe a que. y) ∂x ∂y y (x) = · · · = g3 (x. esta cota del error solamente es v´lida para el primer punto obtenido. lo que es lo mismo: y (xi+1 ) = y (xi + h) = y (xi ) + f (xi .xi+1 ] ξ∈[xi . errores de truncamiento.

en el intervalo [xi . es posible deducir algoritmos de un paso que incluyen s´lo c´lculos de derivadas de primer orden. Las aproximaciones de orden p. Runge trabaj´ en un procedimiento para la resoluci´n num´rica de ecuaciones algebraicas o o e (polin´micas en varias variables) en las que las raices se expresaban como series de funciones racionales o de los coeficientes. h). an´logo al m´todo de Euler. Por ello no es posible obtener un algoritmo sencillo. o Fue profesor en Munich. saliendo unas expresiones inmanejables. h) = O (hp ) h con lo que el orden de m´todo ser´ p. Adem´s. y) φ(x. como ya hemos comentado. All´ estudi´ con Weirstrass ın ı o y Kronecker. El m´todo de Rungea e Kutta lo present´ en 1901.4. Las e aproximaciones de segundo. y. e La soluci´n de una ecuaci´n diferencial por desarrollo directo de Taylor de la funci´n o o o e a objeto no es. ´ Afortunadamente. Tambi´n tienen el incoveniente de que son o e dif´ ıciles de aplicar a sistemas de edos y sobre todo a edp’s. tercer y cuarto orden requieren el c´lculo de f (x. a o a 2 Carle Runge (1856 Gottingen-1927). Sin embargo. Estudi´ en la universidad de Munich donde sigui´ los cursos de o o Max Planck y se hicieron buenos amigos. y) + · · · + 2 p! tendremos que: y (xi+1 ) − y (xi ) − φ (xi . e hizo contribuciones en el ´rea de o e a la f´ ısica de gases y ondas. requieren el c´lculo de f (x.5 M´todos de Runge-Kutta. lo que los hace a a menos rentables. Es muy famoso tambi´n por el teorema de Kutta-Joukowsky. Byczyna. fundamental o e para el c´lculo de sustentaci´n por perfiles aerodin´micos. El o precio que se paga es evaluar varias veces la funci´n f en cada paso. un m´todo pr´ctico si se necesitan derivadas de orden mayor que uno. a partir del desarrollo de Taylor en cuanto sean precisos t´rminos de error de e ordenes elevados. en general. 1 121 . y) en m´s de p puntos. En esta idea se apoyan los m´todos de Runge-Kutta. respectivamente. Ayud´ a Kutta con su m´todo para resolver edos. Lo o haremos aqu´ de modo detallado para orden dos y presentaremos las de orden 3 y 4. y) en dos. pero que a su vez producen o a resultados equivalentes en exactitud a las f´rmulas de Taylor de orden superior. y) + g2 (x. se puede conseguir el orden que queramos sin necesidad de recurrir a las derivadas sucesivas. s´lo necesitamos que sea continua. si tomamos: hp−1 h gp (x. e a El m´todo de Taylor ha sido tradicionalmente bastante poco utilizado porque las derivae das sucesivas son dif´ ıciles de calcular. y como vamos a ver ahora. porque en o a principio. a tres y cuatro puntos.10) 8. Las siguientes derivadas se complican demasiado excepto en los casos m´s a a e sencillos. y. y se llaman m´todos de Runge-Kutta 1 2 . h) = f (x. Aachen (Aquisgr´n) y finalmente en Stuttgart.Con lo cual. Ambos pasaron a Berl´ en 1877. e (8. con p > 4. De lo que se trata es de elegir adecuadamente la funci´n φ(x. ı Martin Kutta(1867-1944) naci´ en una parte de Alemania que ahora pertenece a Polonia. y (xi ) . Jena. a tienen como inconveniente el exigir a la funci´n f m´s clase de la necesaria. xi+1 ]. Estos m´todos o e son los que se estudian en este ep´ ıgrafe.

M´todos de Runge-Kutta de orden 2. y. y. y. y) h + O(h2 ) ∂x ∂y (8. e Determinaremos los coeficientes a1 . y) + a2 f x + h h . h) = O(h2 ) h que si analizamos las expresiones. para que la aproximaci´n de un paso que o se deduce de esta funci´n. sea de orden dos. y (xi ) . 0) = (a1 + a2 )f (x. y) ∂x ∂y (8. h) = a1 f (x. y) + a2 f (x + p1 h. y) + h 2 2 El m´todo ser´ de orden dos si: e a y (xi+1 ) − y (xi ) − φ (xi .13) ∂f ∂f +f ∂x ∂y + O(h2 ) ∂f ∂f p1 + p2 f (x. Y ) Si hacemos un desarrollo de esta funci´n en un entorno del cero de h. y. y. 0) + φh (x. y)) = a1 f (x.11) 122 . y) + a2 f (X. 0)h + O(h2 ) φ(x. y. y. 0) = a2 Por tanto φ(x. o φ(x. a2 . y) + a2 Por otro lado: h h y(x + h) − y(x) = y (x) + y (x) + O(h2 ) = f (x.12) ∂f ∂X ∂f ∂Y + ∂x ∂h ∂y ∂h = a2 ∂f ∂f p1 + p2 f (x. o φ(x. h) = φ(x. p1 . se tendr´ que dar que: a a1 + a 2 = 1 1 a2 p 1 = 2 1 a2 p 2 = 2 Dejando todo en funci´n de a2 o a1 = 1 − a 2 1 p1 = 2a2 1 p2 = 2a2 φ(x. y. y + p2 hf (x. p2 .y + f (x. y) 2a2 2a2 (8. h) = (a1 + a2 )f (x. h) = (1 − a2 )f (x. y) φh (x.

y) + f (x + h.17) y i+1 = yi + hf (xi . y))] 2 (8. al que podemos darle el valor que nosotros a queramos. e e lugar estimamos del modo cl´sico con la ecuaci´n y i+1 = yi + hf (xi .16) (8. y + hf (x. o e En esencia.3. yi ) con pendiente f (xi . yi ) A este m´todo se le llama el m´todo de Euler mejorado o m´todo de Heun. A continuaci´n se mejora o la estimaci´n por medio de la ecuaci´n 8. Es decir. o o yi+1 = yi + h f (xi . tendremos: φ(x.O sea. yi ) + f xi + h. yi ))] 2 que puede escribirse tambi´n en la forma. Si cogemos a2 = 1/2. por tanto: 1 [f (x. y i+1 ) 2 123 .3: M´todo de Euler mejorado o m´todo de Heun. lo que estamos haciendo es aplicar dos veces el m´todo de Euler. que nos queda un par´metro libre a2 .15) (8. yi ) + f (xi + h. yi+1 ) 1 yi 2 yi+1 h xi x i+1 Figura 8. yi ) + f xi + h. a o que es una estimaci´n previa de yi+1 . y i+1 ) 2 (8.16. yi ) el punto y i+1 .14) h [f (xi . e yi+1 = yi + yi+1 = yi + h f (xi . que pasa por (xi . En primer e yi+1 pendiente= f (x i+h . yi ). yi + hf (xi . y i+1 es la ordenada en xi+1 de la recta 1 o de la figura 8. h) = y.3. Presentamos e e e su interpretaci´n geom´trica en la figura 8. y.

La pendiente de la recta 2 utilizada en este caso es la media ponderada de las aproximaciones de f en ambos extremos del intervalo.21) siendo k1 .17 resulta ser el m´s sencillo de los a m´todos predictor-corrector que se estudiar´n m´s adelante con detalle. b. o e En este caso se utiliza de nuevo dos veces sucesivas el m´todo de Euler. tendremos: h h φ(x. yi + shk2 + (r − s)hk1 ) (8. podemos escribir el algoritmo de aproximaci´n como: o h yi+1 = yi + hf xi + .. En este caso el par de ecuaciones 8. y) 2 2 y. aproximaciones a la derivada en varios puntos del intervalo [xi . y (xi+1 )). e a a Si cogemos a2 = 1.16. yi ) k2 = f (xi + ph. r. p. y i+1 ) .. xi+1 ]. yi+1 .yi+1 . Primero se e obtiene una aproximaci´n de y i+ 1 en el punto medio. El m´s famoso de los m´todos de tercer orden es: a e h yi+1 = yi + f (k1 + 4k2 + k3 ) 6 124 (8. yi + phk1 ) k3 = f (xi + rh. Por e a ejemplo la funci´n incremento para el m´todo de tercer orden es: o e φ(x.8. f (xi+1 . y. h) = f x + . En este caso se tiene: k1 = f (xi . e Los m´todos de Runge-Kutta de orden superior se obtienen de modo an´logo..22) Hay que imponer la condici´n de tercer orden para obtener una relaci´n entre las conso o tantes a. Calculamos el valor de la derivada o 2 en ese punto. k3 . Obs´rvese que como y (xi+1 ) es dee sconocido. El algoritmo de Euler puede considerarse en este caso como una ecuaci´n predictora de y i+1 . M´todos de Runge-Kutta de orden 3. h) = ak1 + bk2 + ck3 (8. y i+ 1 2 2 (8. y. Esta ecuaci´n o o o (1) (2) puede utilizarse iterativamente para obtener una sucesi´n de valores corregidos yi+1 ..19) (8.4. se aproxima por el valor f xi+1 . y + f (x. el verdadero valor de la derivada en xi+1 .23) . mientras que la ecuaci´n definitiva puede considerarse coo o mo una ecuaci´n correctora que produce una mejor estimaci´n de yi+1 . Presentamos su interpretaci´n geom´trica en la figura 8.18) h (8. yi ) 2 2 A este algoritmo se le llama el m´todo mejorado del pol´ e ıgono o m´todo de Euler modifie cado..20) y i+ 1 = yi + f (xi . y utilizamos el valor de la derivada en este punto para el total del intervalo. k2 . o (m) . s. c. por tanto..

yi ) h h f xi + .pendiente= f ( x i+h/2 . k1 = f (xi . e Los m´todos de Runge-Kutta de orden cuatro exigen la evaluaci´n de la derivada en e o cuatro puntos para cada paso. y i + k 2 2 2 f (xi + h. k2 . k3 .4: M´todo de Euler modificado o m´todo del pol´ e e ıgono. Su esquema general es yi+1 = yi + h (ak1 + bk2 + ck3 + dk4 ) (8.25) 125 . y i + k 1 2 2 k3 = f (xi + h. yi + 2hk2 − hk1 ) M´todos de Runge-Kutta de orden 4. El m´s famoso de los m´todos de cuarto orden es: a e yi+1 = yi + k1 = k2 = k3 = k4 = h (k1 + 2k2 + 2k3 + k4 ) 6 f (xi .24) siendo k1 . y i + k 1 2 2 h h f xi + . yi + hk3 ) (8. k4 . xi+1 ].yi+1/2) yi 1 yi+1/2 2 yi+1 h/2 h/2 xi x i+1 Figura 8. aproximaciones a la derivada en varios puntos del intervalo [xi . yi ) h h k 2 = f xi + .

xi−1 . e a xi−q+1 . yi−q+1 . y(x)). En cada paso hay que resolver una ecuaci´n o un sistema de ecuaciones a veces lineal. yi−q+1 ) = 0 (8. yi .1 M´todos de paso multiple. · · · . · · ·. yi . xi−1 . al comienzo de la integraci´n. h) h ≈ xi+1 xi f (x. · · · .yi−1 .28) y en realidad. A nosotros nos interesa el valor o o de la funci´n s´lamente en los nodos de nuestra discretizaci´n. y(x)) dx Lo m´s sencillo para obtener a partir de . xi . · · · .30) donde Pf (x) es un polinomio que se obtiene por interpolaci´n de los valores obtenidos o desde i − q + 1 hasta i para la funci´n f (x. xi−q+1 . o Los m´todos de paso m´ltiple tienen dos inconvenientes bastante importantes. que e o o nos va a servir de base luego para los algoritimos de paso m´ltiple. yi−1 . yi . ser´ a ıa: yi+1 = yi + xi+1 xi f (x. los m´todos se e llaman expl´ ıcitos. xi−q+1 . con lo cual ser´ un m´todo de q pasos. e Introducci´n a los m´todos de paso m´ ltiple.26) Cuando esa dependencia es impl´ ıcita. Los m´todos de paso o o o e m´ltiple eliminan este problema. o a e En los m´todos impl´ e ıcitos Pf (x) se obtiene por interpolaci´n de los valores obtenidos o desde i − q + 1 hasta i + 1 para la funci´n f (x. a veces no lineal. xi−1 . En los m´todos de u e paso simple ten´ ıamos: dy = f (x. o e u El m´todo de Runge-Kutta tiene el inconveniente de que hace intervenir c´lculos de e a las derivadas en valores intermedios. el c´lculo de yi+1 hace intervenir los valores xi . Cuando esa dependencia se tiene explicitada. · · · . yi−1 . e siendo adem´s puntos en los que en realidad a nosotros no nos interesa el valor que pueda a tener la funci´n y que se pierden de una iteraci´n a otra. los m´todos se llaman impl´ e ıcitos.29) En los m´todos de paso m´ltiple. la idea matriz va a ser: e u yi+1 = yi−k + xi+1 xi−k Pf (x)dx (8. y(x)) dx (8. · · ·.5. y(x)).8. yi+1 . yi−q+1 ) (8. yi . u En los m´todos de varios pasos. lo que nostros hacemos es aproximar: φ (xi . o dependiendo de c´mo sea la ecuaci´n diferencial o o F (xi+1 .27) Otra forma de ver los m´todos de integraci´n es una formulaci´n de tipo integral. yi+1 = F (xi . como nuestro problema es un problema de valor o 126 . Por un e u lado.5 8. y(x)) dx (8. algunas veces de muy poco significado geom´trico.

Sin embargo. a e o el algoritmo permite el ajuste del paso para que esto no suceda. los esquemas utilizados para el arranque o deber´n cumplir un cierto requisito en la precisi´n de sus resultados.31) aproximamos f (x. 8. fi ) y (xi−1 . o sea. yi+1 = yi + AB1 Consiste en aproximar f (x. en los m´todos de un paso. Adem´s. y debido u o a la precisi´n del esquema multipaso elegido. Usamos la filosof´ polin´mica que ıa o acabo de comentar. yi ) = fi . ver figura 8. e General. ver figura 8. s´lo se dispone de un valor. en los e u a m´todos de paso m´ltiple esto no se puede hacer tan f´cilmente.32) Por tanto el esquema de Adams-Bashforth de segundo orden es: yi+1 = yi + 3 4 xi+1 xi P1 (x)dx = yi + h 3 1 fi − fi−1 2 2 (8. que ya sabemos que es de orden 1. 4 . si se detecta un error de discretizaci´n muy grande. siendo p el orden del esquema multipaso 3 . lo a o que se suele hacer es dar q − 1 pasos iniciales con un esquema de un paso de orden p. yi+1 yi dy = xi+1 xi f (x. y(x)) dx = yi+1 − yi (8. Por tanto el esquema que tenemos es yi+1 = yi + hf (xi . y(x)) por una recta que se apoya en los puntos (xi . AB2 Consiste en aproximar f (x.inicial.33) xi+1 xi Pq (x)dx (8.5. fi−1 ). En esta situaci´n. yi ) = yi + hfi que es precisamente el esquema euleriano. y q el n´mero de pasos involucrados en el u esquema. y(x)) por su valor en el punto f (xi .5. Son un cierto tipo de m´todos multipaso expl´ e ıcitos.6. por un polinomio de grado cero. Ello motiva que para arrancar los m´todos de paso o e m´ltiple se recurra casi siempre a otros esquemas de un paso. P1 (x) = fi + fi − fi−1 (x − xi ) xi − xi−1 (8. Generalmente.35) Se puede matizar la elecci´n del orden del esquema de arranque pero escapa al contenido del curso o valor inicial +q − 1 pasos = q valores iniciales para el esquema multipaso 127 .2 M´todos de Adams-Bashforth.34) (8. y(x)) mediante un polinomio cuyo grado depende del n´mero de punu tos que usemos en el esquema multipaso.

el esquema se traduce en una ecuaci´n en la que o queremos encontrar yi+1 como funci´n de una serie de par´metros entre los que tambi´n o a e est´ yi+1 . Pero este o e punto es desconocido. Si integramos esta aproximaci´n tendremos que: o yi+1 = yi + h (23fi − 16fi−1 + 5fi−2 ) 12 (8. Veamos los m´s sencillos e importantes. AB1. y por tanto. fi+1 ). tendremos el m´todo de Adams-Bashforth de cuarto e orden. fi ). ı yi+1 = yi + h (55fi − 59fi−1 + 37fi−2 − 9fi−3 ) 24 (8. yi ) P (x) 0 f (x.3 M´todos de Adams-Moulton. Consiste en aproximar f (x.f ( x i .5: M´todo de Adams Bashforth de orden 1.y) h x i-2 x i-1 h xi h x i+1 Figura 8. y as´ sucesivamente. a (xi−1 .37) 8. e General. fi−2 ). Son un cierto tipo de m´todos multipaso impl´ e ıcitos. e AB3. ver figura 8.7. Para un polinomio de tercer grado. Se caracterizan porque el polinomio de interpolaci´n de f (x. y(x)) por una par´bola que se apoya en los puntos (xi . y(x)) tiene tambi´n en cuenta el punto (xi+1 .5. a a 128 .36) AB4. fi−1 ) y (xi−2 .

fi-1 fi P (x) 1 f (x.6: M´todo de Adams Bashforth de orden 2.39) (8. yi 1−h Mostramos los resultados en la siguiente tabla. yi+1 ) = yi + hfi+1 (8. ver figura 8.1 Se tiene el problema siguiente: y =y y(0) = 1 x ∈ [0. yi+1 ) = yi + hyi+1 y por tanto. AB2. y(x)) por su valor en el punto (xi+1 . e AM1 Consiste en aproximar f (x. y que o hacen que sea muy utilizado en la integraci´n de ecuaciones diferenciales. Por tanto el esquema que tenemos es yi+1 = yi + hf (xi+1 .40) 129 .8. yi+1 = (8. es de orden 1 y es muy importante porque tiene unas caracter´ ısticas de estabilidad privilegiadas.y) h x i-2 x i-1 h xi h x i+1 Figura 8. fi+1 ).5. Ejemplo 8. cuyo estudio escapa al curso. 1] El esquema de Euler inverso para su resoluci´n ser´: o a yi+1 = yi + hf (xi+1 .38) Este esquema se llama Euler impl´ ıcito o inverso.

42) 130 .59374246 Euler Impl.35794769 2.2 Se tiene el problema siguiente: y = ey y(0) = 1 x ∈ [0.32305731 2. yi+1 ) = yi + heyi+1 yi+1 = yi + heyi+1 que no se puede resolver de modo expl´ ıcito para yi+1 .64872127 1.69350878 1.4641 1.9 1 Euler Expl.37174211 1.8221188 2.6 0.331 1.71828183 Ejemplo 8.4918247 1.11111111 1.f (x i-1 .5.21 1.9487171 2.y) P (x) 2 h x i-2 x i-1 h xi h x i+1 Figura 8.86797199 Exacta 1 1.3 0. AB3.5241579 1.7 0.45960311 2.5 0.771561 1.22140276 1.7: M´todo de Adams Bashforth de orden 3.yi-1 ) f (x. e k 0 1 2 3 4 5 6 7 8 9 10 x 0 0.1 1.10517092 1.88167642 2.22554093 2.2 0.01375271 2. (8.61051 1.4 0.8 0.14358881 2.41) (8.58117479 2.09075158 2.2345679 1.1 0. 1 1. 1] El esquema de Euler inverso para su resoluci´n ser´: o a yi+1 = yi + hf (xi+1 .34985881 1. 1 1.

ver figura 8. tendremos el m´todo de Adams-Moulton de cuarto e orden. ver figura 8. fi+1 ).44) A este esquema en particular se le suele llamar m´todo de Crank-Nicholson. Consiste en aproximar f (x.43) Por tanto el esquema de Adams-Moulton de segundo orden es: yi+1 = yi + xi+1 xi P1 (x)dx = yi + h fi + fi+1 2 (8. fi ) y (xi−1 . siempre para paso de integraci´n constante queda: e o yi + h (5fi+1 + 8fi − fi−1 ) 12 (8.46) . y(x)) por una par´bola que se apoya en los puntos (xi+1 . y as´ sucesivamente. ı yi+1 = yi + h (9fi+1 + 19fi − 5fi−1 + fi−2 ) 24 131 (8.8: M´todo de Adams Moulton de orden 1.y) fi+1 P (x) 0 h x i-2 x i-1 h xi h x i+1 Figura 8. el o esquema num´rico.10. Si integramos esta aproximaci´n tendremos que.f (x. a (xi . fi ) y (xi+1 . fi+1 ).11. e AM2 Consiste en aproximar f (x. fi−1 ). Para un polinomio de tercer grado. P1 (x) = fi + fi+1 − fi (x − xi ) xi+1 − xi (8. y(x)) por una recta que se apoya en los puntos (xi .45) AM4. AM1. e AM3.

Se utilizan para mejorar las aproximaciones obtenidas mediante m´todos e expl´ ıcitos. a e En realidad.como vimos en el m´todo de Euler mejorado -. los m´todos multipaso impl´ a e ıcitos no se usan como se describi´ anteo riormente. Para solucionar estos problemas estudiaremos los es muy dif´ m´todos predictor corrector que consisten en una t´cnica de resoluci´n aproximada de e e o e ıcitos en cada paso. Sin embargo. e General. y el predictor ser´ el hu´sped inicial de ese esquema ıa e 5 132 . los m´todos impl´ e ıcitos dan mejores resultados que los expl´ ıcitos del mismo orden adem´s de tener propiedades num´ricas (estabilidad y convergencia) mejores a e ıcitos. y a veces. En general. Explicaremos el m´s usado.4 M´todos predictor-corrector. Los de orden a a inferior se deducen f´cilmente habiendo entendido ´ste. pero a efectos pr´cticos. imposible. la filosof´ predictor-corrector es m´s general . lo que se hace es sustituir la parte impl´ ıcita del corrector con el valor obtenido por el predictor. En realidad. el m´todo a una representaci´n expl´ e o ıcita para yi+1 . tienen la debilidad inherente de tener que convertir. El predictor se puede ver como resolver un problema de punto fijo en cada paso: y i+1 = T (yi+1 ). Conclusi´n sobre los m´todos impl´ o e ıcitos de Adams-Moulton.300 250 y real y euler explícito y euler implícito 200 150 y 100 50 0 0 1 2 x 3 4 5 Figura 8. los esquemas predictor e a corrector m´s usados. La combinaci´n de una t´cnica expl´ o e ıcita con una impl´ ıcita se llama m´todo e 5 ıa a predictor-corrector. son la combinaci´n de un multipaso expl´ a o ıcito con otro impl´ ıcito. a menudo ıcil.5. Esto.9: Comparaci´n entre Euler expl´ o ıcito e impl´ ıcito para el ejemplo 1. que los expl´ algebraicamente. que es el de cuarto orden. En la pr´ctica. los problemas planteados por los m´todos impl´ 8. y el m´s complejo.

y2 . e M´todos de Adams-Bashforth-Moulton. y1 ) 24 De nuevo podr´ ıamos mejorar esta estimaci´n. y3 ) − 5f (x2 .y) fi+1 h x i-2 x i-1 h xi h x i+1 P (x ) 1 Figura 8. y3 . y3 ) − 59f (x2 . Mejoramos y4 con AM4. y1 ) − 9f (x0 . Estos cuatro puntos se usan como o arranque el un Adams-Bashforth de orden cuatro. y4 = y 3 + (0) (0) (0) h (55f (x3 . meti´ndolo de nuevo en el multipaso o e impl´ ıcito. y4 19f (x3 . 3. Si queremos m´s precisi´n.10: M´todo de Adams Moulton de orden 2. Obtenemos con AB4 y4 . y1 ) 24 y4 = y 3 + (1) Podr´ ıamos hacer sucesivas mejoras(sea k es n´mero de mejoras). en vez de iterar muchas veces sobre el corrector. e Un planteamiento muy habitual es que si se necesita un m´todo de cuarto orden para e resolver un problema de valor inicial. y2 ) + f (x1 . y3 ) − 5f (x2 .fi f (x. pero sabiendo que u no tendemos a la soluci´n real y (x1 ) sino a la soluci´n del problema impl´ o o ıcito. AM2. y4 19f (x3 . y2 ) + f (x1 . se obtengan los cuatro puntos para el arranque del multipaso mediante un Runge-Kutta de orden 4. La estimaci´n en cada paso se mejora con un multipaso impl´ ıcito de tres pasos de orden cuatro AM4. h (2) (1) y4 = y 3 + 9f x4 . 133 . Obtenemos con RK4 y1 . es mejor a o reducir el paso. Tenemos y0 2. O sea: 1. h (0) 9f x4 . y0 )) 24 4. y2 ) + 37f (x1 . como si estuvi´semos resolviendo un problema no lineal por aproximae ciones sucesivas.

5 M´todos de Milne-Simpson.47) .fi-1 fi f (x. y(x)). o a e En los m´todos de Adams el planteamiento era hacer k = 0. En a general: yi+1 = yi + (1) (0) h (55f (xi . yi−2 ) 24 8. Una vez obtenido este punto. yi+1 + 19f (xi . y ten´ e ıamos que: yi+1 = yi + xi+1 xi Pq (x)dx Pero k puede ser distinto de cero. yi+1 + 19f (xi .11: M´todo de Adams Moulton de orden 3. yi ) − 5f (xi−1 . que es el de Milne-Simpson. yi ) − f (xi−1 . yi ) − 5f (xi−1 . e 5.5. yi−1 ) + 37f (xi−2 . con lo cual ser´ un m´todo de q pasos. los siguientes se obtienen de modo an´logo. yi−2 ) − 9f (xi−3 . yi−3 )) 24 yi+1 = yi + yi+1 (k+1) h (0) 9f xi+1 . yi ) − 59f (xi−1 . e xi+1 xi−k En los m´todos de paso m´ltiple la idea era: e u yi+1 = yi−k + P (x)dx donde P (x) es un polinomio que se obtiene por interpolaci´n de los valores obtenidos o desde i − q + 1 hasta i para la funci´n f (x. yi−2 )) 3 134 (8. AM3. yi−1 ) + f (xi−2 . El predictor es el esquema a expl´ ıcito de Milne de orden 3 yi+1 = yi−3 + 4h (2f (xi . yi−1 ) + f (xi−2 .y) fi+1 h x i-2 x i-1 h xi h x i+1 P (x) 2 Figura 8. Jugando con esta idea se obtiene uno de los esquemas predictor-corrector m´s usados. yi−2 ) 24 ············ h (k) = yi + 9f xi+1 . yi−1 ) + 2f (xi−2 .

f : [a. yn )  y   f (x. y → f (x. yi+1 ) + 4f (xi . b] × I n → I n R R    y1 f1 (x. yi−1 )) 3 (8. y )  y(x0 ) = y0   y (x0 ) = y0 Se realiza el cambio de variables: u1 = y u2 = y El problema se convierte en un sistema de 1er orden. y1 .48) 8. con:   u1 = u 2    u = h(x. yn ) Se busca una funci´n y definida en [a. b] → I n R x → y(x) que verifique : 135      . y) O sea. yi ) + f (xi−1 .y el corrector el esquema impl´ ıcito de Simpson de tercer orden yi+1 = yi−1 + h (f (xi+1 . Por ejemplo:   y = h(x. b] × I n → I n R R x. · · · . · · · . al de un sistema de ecuaciones diferenciales de orden 1. El planteamiento ser´: o a Sea f : [a. y1 . y. u . y .  2  →  2     ···   ··· yn fn (x. u ) 1 2 2  u1 (x0 ) = y0    u2 (x0 ) = y0 a o o Adem´s vimos que la condici´n de existencia y unicidad de la soluci´n de un sistema de ecuaciones diferenciales ordinarias de primer orden era muy similar al de una unica ´ ecuaci´n. Aprendimos que era sencillo reducir un problema de valor inicial de una ecuaci´n difeo rencial ordinaria de orden mayor que uno. y ) 1 n x.6 Edos de orden mayor que uno y sistemas de edos. · · · . Aprendamos ahora a resolverlos. b] o y : [a.

j .i ) 6 fi (xj . y1.• y (x) = f (x. y1.2 hk2.0 La idea es que los m´todos usados para resolver sistemas de ecuaciones diferenciales e e ordinarias de primer orden son simplemente generalizaciones de los m´todos para una sola ecuaci´n.j + hk3.j + fi xj + .j + .2 .i = k2. yn ) dx y las condiciones de valores iniciales: y1 (x0 ) = y1. 136 . Un problema de evoluci´n.j + hk3. y2.i = k3.j + . lo que es lo mismo. · · · .j + k1. No hemos hecho estudios serios de error. yn. o e 2. y en haremos como ejercicio alg´n Euler o alg´n RK de orden m´s bajo. y1. que es el m´s lioso. y1. y2. y2. y2.1 hk2.2 hk1. admite un tratamiento num´rico potente y sencillo. a yi. y e o valores intermedios que no se almacenan en memoria.j + . ) (8.1 hk1.i + 2k2. yn ) dx ··· dyn = fn (x. modelizado mediante una edo y con informaci´n sobre o o la situaci´n de partida. yn.7 Resumen. R o.j+1 = yi.j + hk3.i + 2k3. El orden de un m´todo nos da una informae ci´n important´ o ısima sobre la calidad del mismo a efectos del error de discretizaci´n. yn ) dx dy2 = f2 (x.1 . usando la notaci´n yi.n fi xj + . · · · . · · · .j ) hk1. · · · . Hay m´todos que para estimar el punto siguiente utilizan s´lo el valor anterior. · · · .49) 8. y1 . que ya hemos estudiado.j + 2 2 2 2 fi (xj + h.0 y2 (x0 ) = y2.i + k4.j + 2 2 2 2 h hk2.j . 1. y1 . o 3.n .0 ··· yn (x0 ) = yn.i = k4. yn.j para denotar la estimaci´n de yi (xj ): o o dy1 = f1 (x. yn. y(x)) • y (x0 ) = y0 con y0 ∈ I n . Presentamos la generalizaci´n correspondiente o o a a u u al cl´sico RK4.n h . · · · . pero hemos definido el orden de un m´todo e y lo hemos calculado en algunos casos.i = h (k1. y1 . · · · .

8 Referencias recomendadas para este tema.4. Dentro de estos m´todos multipaso existen algoritmos predictor corrector de muy e e buen comportamiento num´rico.[3]. 8. [16]. y las ecuaciones de mayor orden que uno pueden ser reducidas a sistemas de primer orden. y luego resueltas. 137 .[2]. 6. 5. y que con mayor sencillez e algor´ ıtmica consiguen igual orden de aproximaci´n que m´todos de un paso m´s o e a complicados. Hay otros m´todos que usan muchos puntos ya calculados. Los sistemas de edos de primer orden admiten tratamientos similares.

el´ o ıpticas e hiperb´licas. o o ∂T ∂ k ∂x ∂x = ρcp ∂T ∂t . o que parte de una condici´n inicial diferente a la de los extremos. Un fen´meno o o o muy importante gobernado por una ecuaci´n parab´lica es la transmisi´n de calor en o o o r´gimen transitorio.1) ∂x2 ∂y ∂t ∂2f ∂2f + 2 =0 ∂x2 ∂y ∂2f ∂2f ∂2f + 2 = 2 ∂x2 ∂y ∂t (9.3) 9.1 Introducci´n o Se utilizan las ecuaciones en derivadas parciales (edp’s) para modelizar fen´menos que o son simult´neamente dependientes de varias variables. ∂2f ∂f ∂2f + 2 = (9. aunque en este cap´ ıtulo s´lo estudiaremos las o parab´licas y las el´ o ıpticas. Las edp’s que vamos a manejar van a poder clasificarse como parab´licas.2 Ecuaciones parab´licas o Las ecuaciones parab´licas se refieren a problemas de evoluci´n temporal.Cap´ ıtulo 9 Ecuaciones diferenciales en derivadas parciales: M´todo de las e diferencias finitas 9.2) (9. Presentamos un ejemplo o de cada una de ellas en orden correlativo. Si tenemos una barra sometida a temperaturas variables en los e extremos. Estas variaciones siguen la a siguiente ecuaci´n diferencial en derivadas parciales parab´lica. esa barra o sufrir´ unas variaciones en la temperatura de sus puntos. Las variables independientes son a casi siempre el tiempo y las variables espaciales.

se puede volver a escribir la ecuaci´n en la forma: o α ∂2T ∂T = 2 ∂x ∂t α= k ρcp α recibe el nombre de difusividad t´rmica. Con estos cambios de variables. Lo m´s sencillo es discretizar las derivadas temporales con un operador de a dos puntos. Otra familia de t´cnicas muy importantes ´ e son los elementos finitos. la ecuaci´n diferencial se convierte o en: ∂2T ∂T = 2 ∂X ∂τ abusando de la notaci´n podemos volver a escribir o ∂2T ∂T = ∂t ∂x2 0 < x < 1. 0) = f (x) T (0.4) que es un ejemplo claro de edp parab´lica.k+1 y la ecuaci´n es lineal en ese valor. Una vez discretizadas las variables independientes hay que escribir de modo discreto la ecuaci´n o diferencial. hay que tener un ∆t y un ∆x. Este tipo de t´cnicas se llaman diferencias finitas. Por tanto.k − 2Ti. 0<t≤A (9. As´ ı. Lo primero que hay que e o o hacer es discretizar tiempo y espacio.k − 2Ti. τ = αt/L2 .k Ti+1.k + Ti−1. densidad y calor espec´ e ıfico de la varilla.5) Lo unico desconocido en esta ecuaci´n es Ti.k = ∆t h2 (9. y discretizar la segunda derivada espacial con un operador de tres puntos centrado.k+1 = Ti. Se utilizan para resolver las ecuaciones de la resistencia de materiales en muchos c´digos comerciales.k+1 − Ti.6) . o e Ti. Estos m´todos escapan al contenido del curso. en las que L representa una longitud caracter´ ıstica del problema. por ´ o o lo que puede ser despejado f´cilmente para tener. Si k se considera constante. y τ el tiempo adimensionalizado. y los valores k. Este problema ser´ casi siempre propuesto o a sabiendo los valores iniciales de la temperatura en toda la barra. X la variable independiente espacial adimensionalizada.k + Ti−1. y ser´n las a e a unicas que estudiemos para resolver edp’s. el m´s sencillo. denominaremos Ti.k ) h2 139 (9. t) = g1 (t) 0<x<1 0<t≤A 0<t≤A Vamos a integrar num´ricamente esta ecuaci´n parab´lica. y sabiendo el valor de la temperatura en los extremos en todos los instantes temporales. O sea: T (x. ρ y cp definen respectivamente o a la conductividad t´rmica. A continuaci´n se introducen las nuevas e o variables. a Ti.en cuya ecuaci´n T define a la temperatura. t) = g0 (t) T (1. X = x/L.k + ∆t (Ti+1.k al valor de la temperatura en el punto i en el instante k.

El problema se formula entonces como o encontrar un funci´n T (x. Se considera una placa plana Ω. Podr´ ser que en el contorno supi´semos derivadas de la funci´n ıa e o o ı ıamos un problema de Neumann. el hecho de tener que resolver un sistema lineal en e a cada paso no es gran problema. el valor en el instante o e anterior.j − 2Ti.j+1 − Ti.k+1 (9. o o Ti+1.2. Tendremos entonces: Ti. todos los valores en el instante k + 1.j−1 = 0 140 (9. y conocemos los valores en los extremos siempre. Gobierna por ejemplo la transmisi´n o o de calor en r´gimen permanente. y). se puede demostrar que este problema tiene soluci´n unica como indica la intuici´n f´ o ´ o ısica. Se conoce el valor de la temperatura en la frontera de Ω.7) = ∆t h2 Tenemos 1 ecuaci´n y 4 inc´gnitas. y) en ∂Ω (9. dado que podemos hacerlo con un m´todo iterativo. y e tendremos siempre una estimaci´n muy buena del hu´sped inicial. o Este esquema.3 Ecuaciones el´ ıpticas Las ecuaciones el´ ıpticas se refieren normalmente a problemas de contorno en los que no interviene la variable tiempo. La m´s importante ecuaci´n el´ a o ıptica es la ecuaci´n de o Laplace.k+1 + Ti−1. que es la que se present´ como ejemplo9.j − Ti+1. Adem´s.k+1 − 2Ti. y) que verifique: o Txx + Tyy = 0 en Ω T (x. Si tenemos una placa sometida a un nivel t´rmico e e constante en sus bordes.Como conocemos las condiciones iniciales.j − Ti−1.j−1 + =0 hx2 hy 2 Si los espaciados son iguales en la direcci´n x e y tendremos: o 4Ti. Para resolverlo se discretiza el dominio Ω. u Una variante muy interesante pasa por tomar la derivada espacial en el instante k + 1. En los ejercicios profundizaremos estos conceptos.10) (9.k Ti+1. que viene dada por una funci´n g(x.j + Ti. y se plantea en cada nodo de la discretizaci´n o la ecuaci´n diferencial escrita de modo discreto. y el segundo a nodos en la direcci´n y. o o si escribimos esta ecuaci´n en todos los nodos. por analog´ con las edos. Si as´ fuese tendr´ en el primero. que llamaremos impl´ ıcito. Este tipo de problemas se llaman problemas de Dirichlet. donde ahora el primer ´ o ındice se refiere a nodos en la direcci´n x.j+1 − 2Ti. la temperatura en el interior est´ gobernada por la ecuaci´n de a o Laplace. Nosotros nos centraremos inc´gnita. ∂Ω.k+1 − Ti. y podremos plantear y resolver ese sistema lineal en cada paso de tiempo.j Ti. tendremos un n´mero igual de ecuaciones o u e inc´gnitas. Sin embargo. tiene muy buenas ıa propiedades num´ricas.j − Ti. 9.8) Si se imponen ciertas condiciones sencillas sobre las propiedades de Ω y si g es continua. el esquema de avance no tiene ning´n problema. y) = g(x.j + Ti−1. Vamos a aprender a resolver este problema en el que las condiciones de contorno o o se refieren al valor de la funci´n inc´gnita en la frontera.9) .

1 Discretizaci´n del operador de Laplace con contornos irreo gulares. o u e Si el espaciado no es el mismo hay que mantener la ecuaci´n 9. sino que tiene froteras irregulares.j-1) (i. el recinto o a no es rectangular. (b∆x)2 Txx + O ∆x3 2! 141 TB = Ti. El procedimiento consiste en escribir los necesarios desarrollos en serie de Taylor y eliminar las derivadas que no nos interesen: E D A aDx (i-1. Imaginemos que queremos discretizar la ecuaci´n de Laplace en el punto (i.j + b∆xTx + .9. Sea el contorno irregular de la figura 9. j) de la ret´ o ıcula.j) Dx y x Dx (i.Si escribimos esta ecuaci´n en cada uno de los nodos obtendremos el sistema lineal que o nos da la soluci´n discreta del problema.1. Es un sistema diagonalmente dominante cuya o resoluci´n no debe plantear ning´n problema con cualquier m´todo iterativo.3.1: Contorno irregular.j) bDx C B Figura 9. pues los puntos de la frontera no est´n a la misma distancia que el resto de los o a nodos. y si adem´s. 9. hay que pensar una alternativa a la ecuaci´n.

j + a∆xTy + Tyy + O ∆x3 2! (∆x)2 Tyy + O ∆x3 Ti.j−1 = Ti. 9. El tratamiento es aparentemente demasiado simplificado pero creemos que ajustado al tiempo disponible.j = Ti.j−1 TA TB (a + b)Ti. sobre todo de derivaci´n num´rica y resoluci´n de sistemas lineao e o les. los de la frontera.j − ∆xTx + (∆x)2 Txx + O ∆x3 2! (b∆x)2 TA = Ti. El procedimiento podr´ repetirse para otra pareja de puntos tales como D y E ıa de la misma figura. Plantean problemas muy importantes desde el punto de vista num´rico y sirven bien e como cierre del curso. [8]. Referencias recomendadas para este tema. pasan al t´rmino independiente del sistema e e lineal.12) Los t´rminos conocidos.11) Eliminando Tx y Ty obtenemos: Txx + Tyy = Ti−1.j Ti. 142 . 9.5 [3]. y quiz´ la que m´s acerque a ´stas a la realidad f´ a a a e ısica.j − ∆xTy + 2! (9. Las hemos estudiado con t´cnicas de diferencias finitas. Son las m´s sencillas y sufie a cientemente generales como para resolver problemas muy complicados. ya que dan lugar a problemas muy interesantes que combinan conocimientos previos.Ti−1.4 Resumen Las ecuaciones en derivadas parciales son sin duda una de las disciplinas m´s impora tantes dentro de las matem´ticas.j 2 + + + − 2 b+1 (∆x) a + 1 a(a + 1) b(b + 1) ab (9.

J. Bastante bueno. Benseny. [2] Burden. tensorial en Geometr´ Diferencial. A.Bibliograf´ ıa ´ [1] Aubanell. Labor. Universidad Nacional de Educaci´n a a a e o Distancia.. C´lculo num´rico: m´todos...Wilkes. M´xico. aplicaciones. Luther.M. Mariano. 2001. B. a a e e [3] Carnahan. Hoffmann. 1990. Utiles b´sicos de c´lculo num´rico. Barato para su tama˜o. Universidad Polit´cnica de Madrid. An´lisis num´rico. Ha servido de base para ıa a la parte de ecuaciones y sistemas no lineales.. G. Editorial Rueda. a a e 1993. a e e Libro muy bueno. A. Tensores y Campos. Temas de an´lisis funcional. Si 143 . e Texto muy adecuado para el estudio de las propiedades m´tricas de los espacios de matrie ces. A. e a n a a [4] Fern´ndez Jambrina. Es o o un libro francamente bueno.. G. Trata muy bien la parte de ecuaciones diferenciales. Academic Press. Faires. Delshams. Grupo Editorial Iberoamerica.. Numerical Mathematics. pero todo muy bien explicado sin meterse en complicaciones. A. C´lculo num´rico. ISBN 84-362-2118-4 Libro de teor´ de la UNED. [5] Gasca Gonz´lez. Caro. Cl´sico en la materia. Inc. 1993. [7] Hammerlin. con un nivel medio-alto. Ortega. L... vectorial. Secci´n de Publicaciones. K-H. Texto enciclop´dico (640 p´ginas) que est´ bastante bien.D. Springer-Verlag 1991. An introduction with parallel computing. con muchos ejemplos. Libro que ha servido de base para toda la parte de interpolaci´n y aproximaci´n. R. Escuela T´cnica ıa o e Superior de Ingenieros Navales.. y muy did´ctico. Texto muy bueno sobre sistemas lineales.L. Algunos de los ejercicios propuestos en las hojas de apuntes son ejercicios propuestos tambi´n en la parte final de los cap´ e ıtulos de este libro. J. Libro con problemas muy interesantes. J. [6] Golub... Scientific Computing.O. pero que se convierte m´s en un e a a a libro de m´todos que de an´lisis.

A.. Problemas de c´lculo num´rico. Revista a e obras p´blicas. 1998. Cubre muy bien la parte de ecuaciones en derivadas parciales. Creo que lo venden en Caminos.. J. A. Introduction a l’analyse numrique. Madrid 1994. J.una vez que hay´is terminado la asignatura.. Secci´n de publicaciones ETSIN. Theoretical numerical analysis: an introduction to advanced techniques.. Problemas de ex´menes de C´lculo Num´rico. Algebra lineal num´rica. Cubre casi ıa todas las partes de la asignatura. Tomes I.. Texto de tipo medio. 1997. Cae un poco hacia la parte de m´todos. pero sigue siendo un libro muy did´ctico. Demasiado caro para lo a que es. Masson 1987. y c´lculo de autovalores. A. u No hay libros de problemas buenos. y debe ser barato. Theodor. R. Masson 1989. 1979 Libro con un contenido de an´lisis muy grande. no lineales. De los que conozco este es el mejor. ten´is la sensaci´n de que hab´is aprendido a e o e y os ha gustado.V. Hamid Nawab. o e [10] Linz. Initiation a l’Analyse Numerique. Las matem´ticas del c´lculo ci´ntifico. ISBN/ISSN 84-7493-173-8. J. a e a a e Addison-Wesley Iberoamericana. a e o Texto que cubre muy bien la parte de sistemas lineales. Explica muy a bien la teor´ general de Interpolaci´n Lineal. o [12] Puy Huarte. [9] Lascaux.S. Texto de referenica para la aproximaci´n por m´ o ınimos cuadrados mediante funciones peri´dicas. 3 edition. [13] Rappaz. Secci´n de publicaciones a a e o ETSIN. Servicio de Publicaciones. D. ´ste es ahora mismo el que e e recomiendo. PrenticeHall International.W. M. II. es una excelente libro para volver sobre ´l m´s adelante e a [8] Kincaid. 1994. P. Texto adecuado para ampliar la parte de resoluci´n num´rica de sistemas lineales. ´ n [16] Theodor. An´lisis num´rico. [14] S´nchez.. Herramienta b´sica de trabajo pues contiene resueltos todos los problemas de ex´menes a a de los ultimos a˜os. pero puestos a comprar un libro. 144 . R. Presses Polytechniques et Universitaires Romandes. Willsky. aunque no cubre toda la asignatura. aunque a veces se deja demasiadas cosas sin explicar. Analyse Numerique Matricielle Appliquee a l’Art de l’Ingenieur.M. John Wiley & Sons. P. La teor´ es bastante completa y no muy complicada. S. ıa o [11] Oppenheim. Ultimamente no me gusta mucho. y tiene multitud de problemas propuestos. Libro bastante peque˜o que ha servido de base para la parte de integraci´n. Picasso. a [15] Souto. Cheney. Signals and systems. derivaci´n y n o o ´ ecuaciones diferenciales. Texto muy bueno.

An introduction to numerical computations. S. F. Szidarowsky. 145 . Macmillan Publishing Company. Buen libro de consulta.[17] Yakowitz. Sencillo y con buenos ejemplos..

Sign up to vote on this title
UsefulNot useful