Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Burden Issuu PDF
Burden Issuu PDF
edición
ANÁLISIS
NUMÉRICO
Richard L. Burden
Youngstown University
J. Douglas Faires
Youngstown University
Annette M. Burden
Youngstown University
Traducción:
Mara Paulina Suárez Moreno
Traductora profesional
Revisión técnica:
Wilmar Alberto Díaz Ossa
Mágister en matemáticas aplicadas
Profesor en la Universidad Distrital Francisco José de Caldas
Australia • Brasil • Corea • España • Estados Unidos • Japón • México • Reino Unido • Singapur
Análisis numérico, © D.R. 2017 por Cengage Learning Editores, S.A. de C.V.,
10 a. ed. una Compañía de Cengage Learning, Inc.
Richard L. Burden, J. Douglas Faires y Corporativo Santa Fe
Annette M. Burden Av. Santa Fe núm. 505, piso 12
Col. Cruz Manca, Santa Fe
Director Editorial para Latinoamérica: C.P. 05349, México, D.F.
Ricardo H. Rodríguez Cengage Learning® es una marca registrada
usada bajo permiso.
Editora de Adquisiciones para
Latinoamérica: DERECHOS RESERVADOS. Ninguna parte de
Claudia C. Garay Castro este trabajo amparado por la Ley Federal del
Derecho de Autor, podrá ser reproducida,
Gerente de Manufactura para transmitida, almacenada o utilizada en
Latinoamérica: cualquier forma o por cualquier medio, ya sea
Antonio Mateos Martínez gráfico, electrónico o mecánico, incluyendo,
pero sin limitarse a lo siguiente: fotocopiado,
Gerente Editorial de Contenidos reproducción, escaneo, digitalización,
en Español: grabación en audio, distribución en internet,
Pilar Hernández Santamarina distribución en redes de información o
almacenamiento y recopilación en sistemas
Gerente de Proyectos Especiales: de información a excepción de lo permitido
Luciana Rabuffetti en el Capítulo III, Artículo 27 de la Ley Federal
del Derecho de Autor, sin el consentimiento
Coordinador de Manufactura: por escrito de la Editorial.
Rafael Pérez González
Traducido del libro Numerical Analysis, Tenth Edition
Editora: Richard L. Burden, J. Douglas Faires, Annette M. Burden
Ivonne Arciniega Torres Publicado en inglés por Cengage Learning
© 2016, 2011, 2005
Diseño de portada: ISBN: 978-1-305-25366-7
Anneli Daniela Torres Arroyo
Datos para catalogación bibliográfica:
Imagen de portada: Burden, Faires y Burden
© theromb/Shutterstock.com Análisis numérico, 10a. ed.
ISBN: 978-607-526-411-0
Composición tipográfica:
Tsuki Marketing S.A. de C.V. Visite nuestro sitio en:
Gerardo Larios García http://latinoamerica.cengage.com
Impreso en México
1 2 3 4 5 6 7 20 19 18 17
Contenido
Prefacio vii
iii
iv Contenido
Material en línea
• &RQMXQWRVGHHMHUFLFLRV
• Preguntas de análisis
• Conceptos clave
• Revisión de capítulo
• Bibliografía
• 5HVSXHVWDVDHMHUFLFLRVVHOHFFLRQDGRV
• Índice
• Índice de algoritmos
• Glosario de notación
• Trigonometría
• *UiÀFDVFRPXQHV
Ingrese a www.cengage.com, busque el libro por el ISBN e ingrese el siguiente código de acceso:
CAPÍTULO
1 Preliminares matemáticos
y análisis de error
Introducción
Al comenzar los cursos de química, estudiamos la ley del gas ideal,
PV = NRT,
PV (1.00)(0.100)
T = = = 290.15 K = 17◦ C.
NR (0.00420)(0.08206)
Sin embargo, cuando medimos la temperatura del gas, encontramos que la verdadera tem-
peratura es 15◦C.
V1
V2
1
2 CAPÍTULO 1 Preliminares matemáticos y análisis de error
Claramente, se sospecha la ley de gas ideal, pero antes de concluir que la ley es inválida
en esta situación, deberíamos examinar los datos para observar si el error se puede atribuir
a los resultados del experimento. En este caso, podríamos determinar qué tan precisos de-
berían ser nuestros resultados experimentales para evitar que se presente un error de esta
magnitud.
El análisis del error involucrado en los cálculos es un tema importante en análisis nu-
mérico y se presenta en la sección 1.2. Esta aplicación particular se considera en el ejercicio
26 de esa sección.
Este capítulo contiene una revisión breve de los temas del cálculo de una sola variable
que se necesitarán en capítulos posteriores. Un conocimiento sólido de cálculo es fundamen-
tal para comprender el análisis de las técnicas numéricas y sería preciso efectuar una revi-
sión más rigurosa para quienes no han estado en contacto con este tema durante un tiempo.
Además, existe una introducción a la convergencia, el análisis de error, la representación
GHQ~PHURVHQOHQJXDMHGHPiTXLQD\DOJXQDVWpFQLFDVSDUDFODVLÀFDU\PLQLPL]DUHOHUURU
computacional.
Definición 1.1 Una función fGHÀQLGDHQXQFRQMXQWRX de números reales que tiene el límite L a x0, escrita
como
lím f (x) = L ,
x→x0
si, dado cualquier número real ε > 0, existe un número real δ > 0, de tal forma que
FRQVXOWHODÀJXUD
Figura 1.1
y
ε
y 5 f (x)
L 1e
L
L 2e
x0 2 d x0 x0 1 d x
1.1 Revisión de cálculo 3
lím xn = x, o xn → x en n → ∞,
n→∞
VLJQLÀFDTXHODVXFHVLyQ{xn }∞
n=1 converge a x.
a. f es continua en x0;
b. Si {xn }∞
n=1 es cualquier sucesión en X, que converge a x0, entonces
lím n→∞ f (xn ) = f (x0 ).
Se asumirá que las funciones que consideraremos al analizar los métodos numéricos son
continuas porque éste es el requisito mínimo para una conducta predecible. Las funciones
TXHQRVRQFRQWLQXDVSXHGHQSDVDUSRUDOWRSXQWRVGHLQWHUpVORFXDOSXHGHFDXVDUGLÀFXOWD-
des al intentar aproximar la solución de un problema.
Diferenciabilidad
/DVVXSRVLFLRQHVPiVVRÀVWLFDGDVVREUHXQDIXQFLyQSRUORJHQHUDOFRQGXFHQDPHMRUHVUH-
VXOWDGRVGHDSUR[LPDFLyQ3RUHMHPSORQRUPDOPHQWHXQDIXQFLyQFRQXQDJUiÀFDVXDYHVH
comportaría de forma más predecible que una con numerosas características irregulares. La
condición de uniformidad depende del concepto de la derivada.
existe. El número f (x0 ) recibe el nombre de derivada de f en x0. Una función que tiene una
derivada en cada número en un conjunto X es diferenciable en X.
Figura 1.2
y
f (x 0)
(x 0, f (x 0)) y 5 f (x)
x0 x
El teorema atribuido a Michel Los siguientes teoremas son de importancia fundamental al deducir los métodos para
5ROOH²DSDUHFLy estimación del cálculo de error. Las pruebas de estos teoremas y los otros resultados sin refe-
en 1691 en un tratado poco
conocido titulado Méthode pour
rencias en esta sección se pueden encontrar en cualquier texto de cálculo estándar.
résoundre les égalites (Método El conjunto de todas las funciones que tienen derivadas continuas n en X se denota como
para resolver las igualdades). Cn(X y el conjunto de funciones que tienen derivadas de todos los órdenes en X se denota
Originalmente, Rolle criticaba como C ∞ (X ). Las funciones polinomial, racional, trigonométrica, exponencial y logarítmi-
el cálculo desarrollado por Isaac
ca se encuentran en C ∞ (X ), donde X FRQVLVWHHQWRGRVORVQ~PHURVSDUDORVTXHVHGHÀQHQ
Newton y Gottfried Leibniz, pero
después se convirtió en uno de las funciones. Cuando X es un intervalo de la recta real, de nuevo se omiten los paréntesis
sus defensores. en esta notación.
Figura 1.3
y
f 9(c) 5 0
y 5 f (x)
f (a) 5 f(b)
a c b x
f (b) − f (a)
f (c) = .
b−a
1.1 Revisión de cálculo 5
Figura 1.4
y
Líneas paralelas
Pendiente f 9(c)
y 5 f (x)
f (b) 2 f (a)
Pendiente
b2a
a c b x
Figura 1.5
y
y 5 f (x)
a c2 c1 b x
f (x= 2 − ex + 2x
f v(x= −ex + 2.
a) Cuando el intervalo es [0, 1], el extremo absoluto debe ocurrir en f , f OQR
f $OHYDOXDUWHQHPRV
f (0) = 2 − e0 + 2(0) = 1
También utilizaremos con frecuencia el teorema del valor intermedio. A pesar de que
esta declaración parece razonable, su prueba va más allá del alcance del curso habitual de
cálculo. Sin embargo, se puede encontrar en muchos textos de análisis (consulte, por ejem-
SOR>)X@S
/DÀJXUDPXHVWUDXQDRSFLyQSDUDHOQ~PHURJDUDQWL]DGDSRUHOWHRUHPDGHOYDORU
intermedio. En este ejemplo, existen otras dos posibilidades.
Figura 1.6
y
(a, f (a))
f (a)
y 5 f (x)
K
f (b)
(b, f (b))
a c b x
1.1 Revisión de cálculo 7
Ejemplo 2 Muestre que x5 − 2x +x2 − 1 = 0 tiene una solución en el intervalo [0, 1].
f = −1 < 0 y 0 < 1 = f .
Por lo tanto, el teorema del valor intermedio implica que existe un número c, con 0 , c , 1,
para el cual c5 − 2c +c2 − 1 = 0.
Como se observa en el ejemplo 2, el teorema del valor intermedio se utiliza para deter-
minar cuándo existen soluciones para ciertos problemas. Sin embargo, no provee un medio
HÀFLHQWHSDUDHQFRQWUDUHVWDVVROXFLRQHV(VWHWHPDVHFRQVLGHUDHQHOFDStWXOR
Integración
El otro concepto básico del cálculo que se utilizará ampliamente es la integral de Riemann.
Definición 1.12 La integral de Riemann de la función f en el intervalo [a, b] es el siguiente límite, siempre
y cuando exista:
George Fredrich Berhard Riemann b n
²UHDOL]yPXFKRVGH
los descubrimientos importantes
f (x) d x = lím f (z i xi ,
a máx xi →0
SDUDFODVLÀFDUODVIXQFLRQHV i=1
que tienen integrales. También
realizó trabajos fundamentales en
geometría y la teoría de funciones donde los números x0, x1,7 , xn satisfacen a = x0 ≤ x1 ≤ 7 ≤ xn = b, donde 6xi = xi − xi−1,
complejas y se le considera uno para cada i = 1, 2,7 , n, y zi se selecciona de manera arbitraria en el intervalo [ xi−1 , xi ].
de los matemáticos prolíferos del
siglo XIX. Una función f que es continua en un intervalo [a, b] es también Riemann integrable en
[a, b]. Esto nos permite elegir, para conveniencia computacional, los puntos xi se separarán
equitativamente en [a, b] para cada i = 1, 2, 7 , n, para seleccionar zi = xi. En este caso,
b n
b−a
f (x) d x = lím f (xi ),
a n→∞ n i=1
Figura 1.7
y
y 5 f (x)
Se necesitarán otros dos resultados en nuestro estudio para análisis numérico. El primero
es una generalización del teorema del valor promedio para integrales.
8 CAPÍTULO 1 Preliminares matemáticos y análisis de error
b
1
f (c) = f (x) d x.
b−a a
Figura 1.8
y
y 5 f (x)
f (c)
a c b x
(QJHQHUDOODSUXHEDGHOWHRUHPDQRVHGDHQXQFXUVREiVLFRGHFiOFXORSHURVH
SXHGHHQFRQWUDUHQPXFKRVWH[WRVGHDQiOLVLVFRQVXOWHSRUHMHPSOR>)X@S
%URRN7D\ORU²
Suponga que f ∈ C n [a, b], f (n + existe en [a, b], y x0 ∈ [a, b]. Para cada x ∈ [a, b], existe un
describió esta serie en 1715 número ξ(x) entre x0 y x con
en el artículo Methodus
incrementorum directa et inversa
(Métodos para incrementos
f (x) = Pn (x) + Rn (x),
directos e inversos). Isaac
Newton, James Gregory y donde
otros ya conocían algunos
casos especiales del resultado
f (x0 ) f (n) (x0 )
y, probablemente, el resultado Pn (x) = f (x0 ) + f (x0 )(x − x0 ) + (x − x0 )2 + · · · + (x − x0 )n
mismo. 2! n!
n
f (k) (x0 )
= (x − x0 )k
k=0
k!
1.1 Revisión de cálculo 9
f (n+1) (ξ(x))
Rn (x) = (x − x0 )n+1 .
(n + 1)!
&ROLQ0DFODXULQHV
más conocido como el defensor
Aquí Pn(x HV OODPDGR HO n-ésimo polinomio de Taylor para f alrededor de x0 y Rn(x
del cálculo de Newton cuando
éste fue objeto de los ataques recibe el nombre de residuo (o error de truncamientoUHODFLRQDGRFRQPn(x3XHVWRTXHHO
LPSODFDEOHVGHORELVSR\ÀOyVRIR número ξ(x) en el error de truncamiento Rn(xGHSHQGHGHOYDORUGHx donde se evalúa el poli-
irlandés George Berkeley. nomio Pn(xHVXQDIXQFLyQGHODYDULDEOHx. Sin embargo, no deberíamos esperar ser capaces
de determinar la función ξ(x) de manera explícita. El teorema de Taylor simplemente garantiza
Maclaurin no descubrió la
serie que lleva su nombre; los que esta función existe y que su valor se encuentra entre x y x0. De hecho, uno de los problemas
matemáticos del siglo ya la comunes en los métodos numéricos es tratar de determinar un límite realista para el valor de
conocían desde antes de que él f (n+1) (ξ(x)) cuando xVHHQFXHQWUDHQXQLQWHUYDORHVSHFtÀFR
naciera. Sin embargo, concibió /DVHULHLQÀQLWDREWHQLGDDOWRPDUHOOtPLWHGHPn(xFRQIRUPH n → ∞ recibe el nombre
un método para resolver un
sistema de ecuaciones lineales de serie de Taylor para f alrededor de x0. En caso de que x0 = 0, entonces al polinomio de
que se conoce como regla de Taylor con frecuencia se le llama polinomio de Maclaurin y a la serie de Taylor a menudo
Cramer, que Cramer no publicó se le conoce como serie de Maclaurin.
hasta 1750. El término error de truncamientoHQHOSROLQRPLRGH7D\ORUVHUHÀHUHDOHUURULPSOLFD-
GRDOXWLOL]DUXQDVXPDWUXQFDGDRÀQLWDSDUDDSUR[LPDUODVXPDGHXQDVHULHLQÀQLWD
Figura 1.9
y
1
y 5 cos x
p p
22 2
2 2
2p p x
1
y 5 P2(x) 5 1 2 2 x 2
2
10 CAPÍTULO 1 Preliminares matemáticos y análisis de error
1 1 10−6
cos 0.01 = 1 − (0.01)2 + (0.01)3 sen ξ(0.01) = 0.99995 + sen ξ(0.01).
2 6 6
Por lo tanto, la aproximación para cos 0.01 provista por el polinomio de Taylor es 0.99995.
El error de truncamiento, o término restante, relacionado con esta aproximación es
10−6
sen ξ(0.01) = 0.16 × 10−6 sen ξ(0.01),
6
donde la barra sobre el 6 en 0 .16 VHXWLOL]DSDUDLQGLFDUTXHHVWHGtJLWRVHUHSLWHLQGHÀQLGD-
mente. A pesar de que no existe una forma de determinar sen ξ(0.01), sabemos que todos los
valores del seno se encuentran en el intervalo [−1, 1], por lo que el error que se presenta si
utilizamos la aproximación 0.99995 para el valor de cos 0.01 está limitado por
Por lo tanto, la aproximación 0.99995 corresponde por lo menos a los primeros cinco dígitos
de cos 0.01 y
0.9999483 < 0.99995 − 1.6 × 10−6 ≤ cos 0.01
≤ 0.99995 + 1.6 × 10−6 < 0.9999517.
El límite del error es mucho más grande que el error real. Esto se debe, en parte, al esca-
so límite que usamos para | sen ξ(x)|. En el ejercicio 27 se muestra que para todos los valores
de x, tenemos | sen x| ≤ |x|. Puesto que 0 ≤ ξ < 0.01, podríamos haber usado el hecho de
que | sen ξ(x)| ≤ 0.01 en la fórmula de error, lo cual produce el límite 0.16 × 10−8 .
b) Puesto que f (0) = 0, el tercer polinomio de Taylor con el término restante alre-
dedor de x0 = 0 es
1 1
cos x = 1 − x 2 + x 4 cos ξ̃ (x),
2 24
donde 0 < ξ̃ (x) < 0.01. El polinomio de aproximación sigue siendo el mismo y la aproxima-
ción sigue siendo 0.99995, pero ahora tenemos mayor precisión. Puesto que | cos ξ̃ (x)| ≤ 1
para todas las x, obtenemos
1 4 1
x cos ξ̃ (x) ≤ (0.01)4 (1) ≈ 4.2 × 10−10 .
24 24
por lo tanto
| cos 0.01 − 0.99995| ≤ 4.2 × 10−10 ,
y
(OHMHPSORLOXVWUDORVGRVREMHWLYRVGHODQiOLVLVQXPpULFR
i) Encuentre una aproximación a la solución de un problema determinado.
ii) Determine un límite o cota para la precisión de la aproximación.
/RVSROLQRPLRVGH7D\ORUHQDPEDVSDUWHVSURSRUFLRQDQODPLVPDUHVSXHVWDSDUDLSHURHO
WHUFHURSURYHHXQDUHVSXHVWDPXFKRPHMRUSDUDLLTXHHOVHJXQGR7DPELpQSRGHPRVXWLOL]DU
estos polinomios para obtener aproximaciones de las integrales.
1.2 Errores de redondeo y aritmética computacional 11
Ilustración Podemos utilizar el tercer polinomio de Taylor y su término restante encontrado en el ejem-
0.1
SORSDUDDSUR[LPDU 0 cos x d x. Tenemos
0.1 0.1 0.1
1 1
cos x d x = 1 − x2 dx + x 4 cos ξ̃ (x) d x
0 0 2 24 0
0.1 0.1
1 1
= x − x3 + x 4 cos ξ̃ (x) d x
6 0 24 0
0.1
1 1
= 0.1 − (0.1)3 + x 4 cos ξ̃ (x) d x.
6 24 0
Por lo tanto,
0.1
1
cos x d x ≈ 0.1 − (0.1)3 = 0.09983.
0 6
Un límite o cota para el error en esta aproximación se determina a partir de la integral del
término restante de Taylor y el hecho de que | cos ξ̃ (x)| ≤ 1 para todas las x:
0.1 0.1
1 1
x 4 cos ξ̃ (x) d x ≤ x 4 | cos ξ̃ (x)| d x
24 0 24 0
1 0.1
(0.1)5
≤ x4 dx = = 8.3 × 10−8 .
24 0 120
por lo que el error real para esta aproximación es 8.× 10−8, que se encuentra dentro
del límite del error.
El error debido al redondeo El error que se produce cuando se utiliza una calculadora o computadora para realizar
debería esperarse siempre que se cálculos con números reales recibe el nombre de error de redondeo. Se presenta porque la
realizan cálculos con números
que no son potencias de 2. DULWPpWLFDUHDOL]DGDHQXQDPiTXLQDLQFOX\HQ~PHURVFRQXQVRORQ~PHURÀQLWRGHGtJLWRV
Mantener este error bajo control y esto da como resultado cálculos realizados únicamente con representaciones aproximadas
es en extremo importante cuando de los números reales. En una computadora, sólo un subconjunto relativamente pequeño del
el número de cálculos es grande. sistema de números reales se usa para la representación de todos los números reales. Este
subconjunto sólo contiene números racionales, tanto positivos como negativos, y almacena
la parte fraccionaria, junto con una parte exponencial.
(−1)s 2c−1023 (1 + f ).
0 10000000011 1011100100010000000000000000000000000000000000000000.
El bit más a la izquierda es s = 0, lo cual indica que es un número positivo. Los siguientes
11 bits, 10000000011, proveen la característica y son equivalentes al número decimal
0 10000000011 1011100100001111111111111111111111111111111111111111,
0 10000000011 1011100100010000000000000000000000000000000000000001.
(VWRVLJQLÀFDTXHQXHVWURQ~PHURGHPiTXLQDRULJLQDOQRVóORUHSUHVHQWDVLQR
WDPELpQODPLWDGGHORVQ~PHURVUHDOHVTXHVHHQFXHQWUDQHQWUH\HOVLJXLHQWH
Q~PHURGHPiTXLQDPiVSHTXHxRDVtFRPRODPLWDGGHORVQ~PHURVHQWUH\
el siguiente número de máquina más grande. Para ser preciso, representa cualquier número
>
Los números que se presentan en los cálculos que tienen una magnitud menor que
2−1022 · (1 + 0)
resultan en un subdesbordamiento\HQJHQHUDOVHFRQÀJXUDQHQFHUR/RVQ~PHURVVXSH-
riores a
21023 · (2 − 2−52 )
±0.d1 d2 . . . dk × 10n , 1 ≤ d1 ≤ 9, y 0 ≤ di ≤ 9,
14 CAPÍTULO 1 Preliminares matemáticos y análisis de error
π = 0.314159265 . . . × 101 .
En general, el error relativo es a) (OIRUPDWRGHSXQWRÁRWDQWHGHπ usando el recorte de cinco dígitos es
una mejor medición de precisión
que el error absoluto porque
considera el tamaño del número f l(π ) = 0.31415 × 101 = 3.1415.
que se va a aproximar.
b) El sexto dígito de la expansión decimal de π es un 9, por lo que el formato de punto
ÁRWDQWHGHπ con redondeo de cinco dígitos es
/DVLJXLHQWHGHÀQLFLyQGHVFULEHWUHVPpWRGRVSDUDPHGLUHUURUHVGHDSUR[LPDFLyQ
Definición 1.15 Suponga que p ∗ es una aproximación a p. El error real es p − p ∗, el error absoluto es
| p − p∗ |
| p − p ∗ |, y el error relativo es , siempre y cuando p = 0.
| p|
Considere los errores real, absoluto y relativo al representar p con p ∗ en el siguiente ejemplo.
Ejemplo 2 Determine los errores real, absoluto y relativo al aproximar p con p ∗ cuando
Solución
a) Para p =× 101 y p ∗ =× 101, el error real es <0.1, el error absoluto
es 0.1 y el error relativo es 0.3333 × 10−1.
b) Para p =× 10ï y p ∗ =× 10ï, el error real es <0.1 × 10ï, el error
absoluto es 0.1 × 10ï y el error relativo es 0.3333 × 10−1.
A menudo no podemos encontrar
c) Para p =× 10 y p ∗ =×HOHUURUUHDOHVï× 10, el error ab-
un valor preciso para el error soluto es 0.1 × 10 y, de nuevo, el error relativo es 0.3333 × 10−1 .
verdadero en una aproximación.
Por el contrario, encontramos Este ejemplo muestra que el mismo error relativo, 0.3333 × 10−1, se presenta para errores
una cota para el error, lo cual nos
proporciona un error del “peor
absolutos ampliamente variables. Como una medida de precisión, el error absoluto puede ser
caso”. HQJDxRVR\HOHUURUUHODWLYRPiVVLJQLÀFDWLYRGHELGRDTXHHVWHHUURUFRQVLGHUDHOWDPDxR
del valor.
Un límite de error es un número no negativo mayor que el error absoluto. Algunas ve-
ces se obtiene con los métodos de cálculo para encontrar el valor absoluto máximo de una
IXQFLyQ(VSHUDPRVHQFRQWUDUHOOtPLWHVXSHULRUPiVSHTXHxRSRVLEOHSDUDHOHUURUDÀQGH
obtener un estimado del error real que es lo más preciso posible.
/D VLJXLHQWH GHÀQLFLyQ XVD HO HUURU UHODWLYR SDUD SURSRUFLRQDU XQD PHGLGD GH GtJLWRV
VLJQLÀFDWLYRVGHSUHFLVLyQSDUDXQDDSUR[LPDFLyQ
Definición 1.16 Se dice que el número p ∗ se aproxima a p para t GtJLWRVVLJQLÀFDWLYRVRFLIUDVVLt es el
A menudo, el término dígitos
entero no negativo más grande para el que
VLJQLÀFDWLYRV se usa para
describir vagamente el número | p − p∗ |
de dígitos decimales que parecen ≤ 5 × 10−t .
| p|
VHUH[DFWRV/DGHÀQLFLyQHVPiV
precisa y provee un concepto
continuo. /DWDEODLOXVWUDODQDWXUDOH]DFRQWLQXDGHORVGtJLWRVVLJQLÀFDWLYRVDOHQXPHUDUSDUD
los diferentes valores de p, el límite superior mínimo de | p − p ∗ |, denominado máx. | p − p ∗ |,
cuando p ∗ concuerda con pHQFXDWURGtJLWRVVLJQLÀFDWLYRV
Tabla 1.1
p 0.1 0.5 100 1000 5000 9990 10000
y − f l(y)
.
y
entonces
Introducción
Se realiza un censo de la población de Estados Unidos cada 10 años. La siguiente tabla
muestra la población, en miles de personas, desde 1960 hasta 2010, y los datos también se
UHSUHVHQWDQHQODÀJXUD
P(t)
3 3 10 8
2 3 10 8
Población
1 3 10 8
Al revisar estos datos, podríamos preguntar si se podrían usar para efectuar un cálculo
razonable de la población, digamos, en 1975 o incluso en el año 2020. Las predicciones de
este tipo pueden obtenerse por medio de una función que se ajuste a los datos proporcio-
nados. Este proceso recibe el nombre de interpolación y es el tema de este capítulo. Este
problema de población se considera a lo largo del capítulo y en los ejercicios 19 de la sección
3.1, 17 de la sección 3.3 y 24 de la sección 3.5.
77
78 CAPÍTULO 3 Interpolación y aproximación polinomial
donde n es un entero positivo y a0, 7, an son constantes reales. Una razón de su importancia
es que se aproximan de manera uniforme a las funciones continuas. Con esto queremos decir
TXHGDGDXQDIXQFLyQGHÀQLGD\FRQWLQXDVREUHXQLQWHUYDORFHUUDGR\DFRWDGRH[LVWHXQ
polinomio que está tan “cerca” de la función dada como se desee. Este resultado se expresa
FRQSUHFLVLyQHQHOWHRUHPDGHDSUR[LPDFLyQGH:HLHUVWUDVVFRQVXOWHODÀJXUD
Figura 3.1
y
y 5 f (x) 1
y 5 P (x)
y 5 f (x)
y 5 f (x) 2
a b x
primeros seis polinomios de Taylor alrededor de x0 5 0 para f (x) 5 e x. Ya que las derivadas
de f (x) son todas ex, que evaluadas en x0 5 0 dan 1, los polinomios de Taylor son
x2 x2 x3
Se publicó muy poco del trabajo P0 (x) = 1, P1 (x) = 1 + x, P2 (x) = 1 + x + , P3 (x) = 1 + x + + ,
de Weierstrass durante su vida; 2 2 6
no obstante, sus conferencias,
x2 x3 x4 x2 x3 x4 x5
en especial sobre la teoría de las P4 (x) = 1 + x + + + , y P5 (x) = 1 + x + + + + .
IXQFLRQHVLQÁX\HURQGHPDQHUD 2 6 24 2 6 24 120
VLJQLÀFDWLYDHQXQDJHQHUDFLyQ
completa de estudiantes. /DVJUiÀFDVGHORVSROLQRPLRVVHPXHVWUDQHQODÀJXUDREVHUYHTXHLQFOXVRSDUD
los polinomios de grado más alto, el error empeora progresivamente conforme nos alejamos
de cero).
Figura 3.2
y
20
y 5 P5(x)
y 5 ex
y 5 P4(x)
15
y 5 P3(x)
10
y 5 P2(x)
5
y 5 P1(x)
y 5 P0(x)
21 1 2 3 x
y, en general,
Para aproximar f (3) 5 1/3 mediante P n (3) para valores cada vez mayores de n, obtenemos
los valores en la tabla 3.1 (¡un terrible fracaso!). Cuando aproximamos f (3) 5 1/3 mediante
P n (3) y para valores más grandes de n, la aproximación se vuelve cada vez más imprecisa.
Tabla 3.1 n 0 1 2 3 4 5 6 7
Pn (3) 1 −1 3 −5 11 −21 43 −85
80 CAPÍTULO 3 Interpolación y aproximación polinomial
Observe que
Por lo que P es el único polinomio de grado a lo más 1 que pasa por (x0, y0) y (x1, y1).
Ejemplo 1 Determine el polinomio de interpolación de Lagrange que pasa por los puntos (2, 4) y (5, 1).
x −5 1 x −2 1
L 0 (x) = = − (x − 5) y L 1 (x) = = (x − 2),
2−5 3 5−2 3
por lo que
1 1 4 20 1 2
P(x) = − (x − 5) · 4 + (x − 2) · 1 = − x + + x − = −x + 6.
3 3 3 3 3 3
Figura 3.3
y
(2,4)
4
3
2
y 5 P(x) = 2x 1 6
(5,1)
1
1 2 3 4 5 x
9pDVHODÀJXUD
Figura 3.4
y
y 5 f (x)
y 5 P(x)
x0 x1 x2 xn x
En este caso, primero construimos, para cada k 5 0, 1, 7, n, una función L n,k (x) con la
propiedad de que Ln,k (xi ) = 0 cuando i = k y L n,k (x k) 5 1. Para satisfacer Ln,k (xi ) = 0 para
cada i = k se requiere que el numerador de L n,k (x) contenga el término
Para satisfacer L n,k (x k) 5 1, el denominador de L n,k (x) debe ser el mismo término, pero
evaluado en x 5 xk. Por lo tanto,
Figura 3.5
L n,k(x)
Teorema 3.2 Si x0, x1, 7, x n son n 1 1 números distintos y f es una función cuyos valores están determi-
nados en estos números, entonces existe un único polinomio P(x) de grado a lo sumo n con
La fórmula de interpolación
nombrada por Joseph Louis f (xk ) = P(xk ), para cada k = 0, 1, . . . , n.
Lagrange (1736–1813)
probablemente era conocida
por Newton alrededor de 1675,
Este polinomio está determinado por
pero al parecer fue publicada por
n
primera vez en 1779 por Edward
Waring (1736–1798). Lagrange P(x) = f (x0 )L n,0 (x) + · · · + f (xn )L n,n (x) = f (xk )L n,k (x), (3.1)
escribió mucho sobre el tema de k=0
interpolación y su trabajo tuvo
XQDLQÁXHQFLDVLJQLÀFDWLYDVREUH donde, para cada k = 0, 1, . . . , n,
los matemáticos posteriores. Él (x − x0 )(x − x1 ) · · · (x − xk−1 )(x − xk+1 ) · · · (x − xn )
publicó este resultado en 1795. L n,k (x) = (3.2)
(xk − x0 )(xk − x1 ) · · · (xk − xk−1 )(xk − xk+1 ) · · · (xk − xn )
El símbolo se usa para escribir n
productos de manera compacta y (x − xi )
= .
es similar al símbolo , que se
i=0
(xk − xi )
utiliza para escribir sumas. Por i =k
ejemplo
3
i=0 ai = a1 ∗ a2 ∗ a3 . Escribiremos Ln,k (x) simplemente como L k (x) cuando no haya confusión en cuanto a
su grado.
Además, f (x0 ) = f (2) = 1/2, f (x1 ) = f (2.75) = 4/11, y f (x2 ) = f (4) = 1/4, por lo
que
2
P(x) = f (xk )L k (x)
k=0
1 64 1
= (x − 2.75)(x − 4) − (x − 2)(x − 4) + (x − 2)(x − 2.75)
3 165 10
1 2 35 49
= x − x+ .
22 88 44
b) Una aproximación para f (3) = 1/3 (véase la figura 3.6) es
9 105 49 29
f (3) ≈ P(3) = − + = ≈ 0.32955.
22 88 44 88
Recuerde que en la sección de apertura de este capítulo (consulte la tabla 3.1), encontramos
que ninguna expansión en polinomios de Taylor alrededor de x0 5 1 se puede usar para
aproximar razonablemente f(x) 5 1/x en x 5 3.
Figura 3.6
y
2 y 5 f (x)
1
y 5 P(x)
1 2 3 4 5 x
f (n+1) (ξ(x))
Existen otras formas de expresar f (x) = P(x) + (x − x0 )(x − x1 ) · · · (x − xn ), (3.3)
el término de error para el (n + 1)!
polinomio de Lagrange, pero
ésta puede ser la forma más donde P(x) es el polinomio de interpolación determinado en la ecuación (3.1).
útil y la que concuerda más
estrechamente con la forma de
error del polinomio estándar
Demostración Primero observe que si x 5 x k para cualquier k 5 0, 1, 7, n, entonces f(xk ) 5
de Taylor. P(x k ) y al elegir ξ (x k )de manera arbitraria en (a, b) se obtiene la ecuación (3.3).
84 CAPÍTULO 3 Interpolación y aproximación polinomial
(t − x0 )(t − x1 ) · · · (t − xn )
g(t) = f (t) − P(t) − [ f (x) − P(x)]
(x − x0 )(x − x1 ) · · · (x − xn )
n
(t − xi )
= f (t) − P(t) − [ f (x) − P(x)] .
i=0
(x − xi )
Puesto que f ∈ C n+1 [a, b], y P ∈ C ∞ [a, b], se sigue que g ∈ C n+1 [a, b]. Para t = xk ,
tenemos
n
(xk − xi )
g(xk ) = f (xk ) − P(xk ) − [ f (x) − P(x)] = 0 − [ f (x) − P(x)] · 0 = 0.
i=0
(x − xi )
Además,
n
(x − xi )
g(x) = f (x) − P(x) − [ f (x) − P(x)] = f (x) − P(x) − [ f (x) − P(x)] = 0.
i=0
(x − xi )
Por lo tanto, g ∈ C n+1 [a, b], y g se anula en los n 1 2 números distintos x, x0 , x1 , . . . , xn.
Por el teorema generalizado de Rolle 1.10, existe un número ξ en (a, b) para el que
g (n+1) (ξ ) = 0.Por lo que,
n
d n+1 (t − xi )
0 = g (n + 1) (ξ ) = f (n+1) (ξ ) − P (n+1) (ξ ) − [ f (x) − P(x)] . (3.4)
dt n+1 i=0
(x − xi )
t=ξ
Sin embargo, P(x) es un polinomio de grado a lo sumo n, por lo que la derivada (n 1 1),
n
P (n+1) (x), es cero. Además i=0 [(t − xi )/(x − xi )] es un polinomio de grado (n 1 1), por
lo que
n
(t − xi ) 1
= n t n+1 + (términos de menor grado en t),
i=0
(x − xi ) i=0 (x − xi )
y
n
d n+1 (t − xi ) (n + 1)!
= n .
dt n+1 i=0
(x − xi ) i=0 (x
− xi )
El polinomio de Lagrange de grado n utiliza información en los distintos números x0, x1,
, xn y, en lugar de (x 2 x0)n su fórmula de error utiliza el producto de los n 1 1 términos
(x − x0 ), (x − x1 ), . . . , (x − xn ):
f (n+1) (ξ(x))
(x − x0 )(x − x1 ) · · · (x − xn ).
(n + 1)!
Ejemplo 3 En el ejemplo 2 encontramos el segundo polinomio de Lagrange para f(x) 5 1/x HQ>@
usando los nodos x0 5 2, x1 5 2.75 y x2 = 4. Determine la forma del error para este polinomio
y el error máximo cuando el polinomio se usa para aproximar f (x) para x ∈ >@
f (ξ(x))
(x− x0 )(x− x1 )(x− x2 ) = − (ξ(x))−4 (x− 2)(x− 2.75)(x− 4), para ξ(x)en(2, 4).
3!
35 2 49
g(x) = (x − 2)(x − 2.75)(x − 4) = x 3 − x + x − 22.
4 2
Como
35 2 49 35 49 1
Dx x3 − x + x − 22 = 3x 2 − x+ = (3x − 7)(2x − 7),
4 2 2 2 2
los puntos críticos se presentan en
7 7 25 7 7 9
x= , con g = , y x= , con g =− .
3 3 108 2 2 16
Por lo tanto, el error máximo es
f (ξ(x)) 1 9 9
|(x − x0 )(x − x1 )(x − x2 )| ≤ − = ≈ 0.03515625.
3! 16 16 256
El siguiente ejemplo ilustra cómo se puede usar la fórmula del error para preparar una
tabla de datos que garantizará un error de interpolación dentro de una cota establecida.
Ejemplo 4 Suponga que se va a preparar una tabla para la función f (x) = e x , para x en [0, 1]. Imagine
que el número de lugares decimales proporcionado por entrada es d $ 8 y que h, el tamaño
del paso es la diferencia entre valores adyacentes x. ¿Qué tamaño de paso h garantizará que
la interpolación lineal proporcione un error absoluto a lo máximo de 10–6 para todas las x
HQ>@"
Solución Sean x0, x1, 7 los números en los que se evalúa f y xHVWiHQ>@\VXSRQJDTXHj
satisface xj # x # x j 11. La ecuación (3.3) implica que el error en la interpolación lineal es
f (2) (ξ ) | f (2) (ξ )|
| f (x) − P(x)| = (x − x j )(x − x j+1 ) = |(x − x j )||(x − x j+1 )|.
2! 2
Como el tamaño del paso es h, entonces x j = j h, x j+1 = ( j + 1)h, y
| f (2) (ξ )|
| f (x) − P(x)| ≤ |(x − j h)(x − ( j + 1)h)|.
2!
86 CAPÍTULO 3 Interpolación y aproximación polinomial
Por lo tanto,
máxξ ∈[0,1] eξ
| f (x) − P(x)| ≤ máx |(x − j h)(x − ( j + 1)h)|
2 x j ≤x≤x j+1
e
≤ máx |(x − j h)(x − ( j + 1)h)|.
2 x j ≤x≤x j+1
Considere la función g(x) = (x − j h)(x − ( j + 1)h), para j h ≤ x ≤ ( j + 1)h. Luego
h
g (x) = (x − ( j + 1)h) + (x − j h) = 2 x − j h − ,
2
e e h2 eh 2
| f (x) − P(x)| ≤ máx |g(x)| ≤ · = .
2 x j ≤x≤x j+1 2 4 8
Por consiguiente, para garantizar que el error en la interpolación lineal está acotado por
1026HVVXÀFLHQWHHOHJLUh de tal forma que
eh 2
≤ 10−6 . Esto implica que h < 1.72 × 10−3 .
8
Puesto que n 5 (1 2 0)/h debe ser un entero, una selección razonable para el tamaño del
paso es h 5 0.001.
Ilustración La tabla 3.2 lista los valores de una función f en diferentes puntos. Las aproximaciones para
f (1.5) obtenidas con distintos polinomios de Lagrange que usan estos datos se comparará
para probar y determinar la precisión de la aproximación.
Tabla 3.2
El polinomio lineal más apropiado usa x0 5 1.3 y x1 5 1.6 porque 1.5 se encuentra entre 1.3
x f (x) y 1.6. El valor del polinomio de interpolación en 1.5 es
1.0 0.7651977 (1.5 − 1.6) (1.5 − 1.3)
1.3 0.6200860 P1 (1.5) = f (1.3) + f (1.6)
1.6 0.4554022 (1.3 − 1.6) (1.6 − 1.3)
1.9 0.2818186 (1.5 − 1.6) (1.5 − 1.3)
2.2 0.1103623 = (0.6200860) + (0.4554022) = 0.5102968.
(1.3 − 1.6) (1.6 − 1.3)
3.2 Aproximación de datos y método de Neville 87
Es posible usar razonablemente dos polinomios de grado dos, uno con x0 5 1.3, x1 5 1.6 y
x2 5 1.9, lo cual nos da
y uno con x0 5 1.0, x1 5 1.3 y x2 5 1.6, lo cual nos da P̂2 (1.5) = 0.5124715.
En el caso de tercer grado, también hay dos opciones razonables para el polinomio, una
con x0 5 1.3, x1 5 1.6, x2 5 1.9 y x3 5 2.2, lo cual nos da P3(1.5) 5 0.5118302. La segunda
aproximación de tercer grado se obtiene con x0 51.0, x1 5 1.3, x2 5 1.6 y x3 5 1.9, lo cual
nos da P̂3 (1.5) = 0.5118127.
El polinomio de Lagrange de cuarto grado usa todas las entradas en la tabla. Con
x0 5 1.0, x1 5 1.3, x2 = 1.6, x3 5 1.9 y x4 5 2.2, la aproximación es P4(1.5) = 0.5118200.
Puesto que P3(1.5), P̂3 (1.5) y P4(1.5) concuerdan con una exactitud de 2 3 1025 unida-
des, esperamos este grado de precisión para estas aproximaciones. También esperamos que
P4(1.5) sea la aproximación más precisa ya que usa la mayor parte de los datos proporcio-
nados.
/DIXQFLyQTXHHVWDPRVDSUR[LPDQGRHVHQUHDOLGDGODIXQFLyQGH%HVVHOGHSULPHUD
clase de orden cero, cuyo valor en 1.5 se conoce como 0.5118277. Por lo tanto, las verdade-
ras precisiones de las aproximaciones son las siguientes:
Método de Neville
8QDGLÀFXOWDGSUiFWLFDFRQODLQWHUSRODFLyQGH/DJUDQJHHVTXHHOWpUPLQRGHOHUURUHVGLItFLO
de aplicar, por lo que el grado del polinomio que se necesita para la precisión deseada en
general se desconoce hasta que se realizan los cálculos. Una práctica común es calcular los
resultados dados a partir de diferentes polinomios hasta que se obtiene el acuerdo apropia-
do, como se hizo en la ilustración anterior. Sin embargo, el trabajo efectuado al calcular la
aproximación con el segundo polinomio no disminuye el trabajo necesario para calcular
la tercera aproximación, ni la cuarta aproximación es fácil de obtener una vez que se conoce la
tercera aproximación y así sucesivamente. Ahora, derivaremos estos polinomios de aproxi-
mación de una manera que use los cálculos previos para una mayor ventaja.
Teorema 3.5 Sea f GHÀQLGDHQx0, x1, 7, xk y sean xj y xi dos números distintos en este conjunto. Entonces
es el k-ésimo polinomio de Lagrange que interpola f en los puntos k 1 1 x0, x1, 7, xk.
El teorema 3.5 implica que los polinomios de interpolación pueden generarse de manera
recursiva. Por ejemplo, tenemos
1 1
P0,1 = [(x − x0 )P1 + (x − x1 )P0 ], P1,2 = [(x − x1 )P2 + (x − x2 )P1 ],
x1 − x0 x2 − x1
1
P0,1,2 = [(x − x0 )P1,2 + (x − x2 )P0,1 ],
x2 − x0
y así sucesivamente. Estos se generan de la manera que se muestra en la tabla 3.3, donde
FDGDÀODVHFRPSOHWDDQWHVGHTXHODVÀODVVXFHVLYDVFRPLHQFHQ
3.2 Aproximación de datos y método de Neville 89
Tabla 3.3 x0 P0
x1 P1 P0,1
x2 P2 P1,2 P0,1,2
x3 P3 P2,3 P1,2,3 P0,1,2,3
x4 P4 P3,4 P2,3,4 P1,2,3,4 P0,1,2,3,4
El procedimiento que usa el resultado del teorema 3.5 para generar recursivamente las
aproximaciones de polinomios de interpolación recibe el nombre de método de Neville. La
notación P que se usa en la tabla 3.3 es pesada debido al número de subíndices que se utilizan
para representar las entradas. Observe, sin embargo, que mientras se construye un arreglo,
sólo se necesitan dos subíndices. El procedimiento hacia abajo en la tabla corresponde al
uso consecutivo de los puntos xi con una i más grande, y el procedimiento hacia la derecha
corresponde al incremento del grado del polinomio de interpolación. Puesto que los puntos
aparecen de manera consecutiva en cada entrada, necesitamos describir sólo un punto de
Eric Harold Neville (1889–1961)
DSRUWyHVWDPRGLÀFDFLyQGH
inicio y el número de puntos adicionales que se usan en la construcción de la aproximación.
la fórmula de Lagrange en un Para evitar los múltiples índices, dejamos que Qi,j (x) para 0 ≤ j ≤ i, denote el polinomio
DUWtFXORSXEOLFDGRHQ>1@ de interpolación de grado j en los números (j + 1) xi− j , xi− j+1 , . . . , xi−1 , xi ; es decir
Se espera que la mejor aproximación lineal sea Q2,1 porque 1.5 se encuentra entre
x1 5 1.3 y x2 5 1.6.
De manera similar, las aproximaciones usando polinomios de grado superior están dadas por
Entonces Q4,4, Q5,4 y Q5,5 podrían compararse para determinar la precisión posterior.
/DIXQFLyQHQHOHMHPSORHVODIXQFLyQGH%HVVHOGHSULPHUDFODVHGHRUGHQFHURFX\R
valor en 2.5 es 2\ODVLJXLHQWHÀODGHDSUR[LPDFLRQHVSDUDf(1.5) es
Ejemplo 3 La tabla 3.7 lista los valores de f(x) 5 ln x precisos para los lugares dados. Use el método
de Neville y la aritmética de redondeo de cuatro dígitos para aproximar f (2.1) 5 ln 2.1 al
Tabla 3.7 completar la tabla de Neville.
i xi ln xi
Solución Puesto que x 2 x0 5 0.1, x 2 x1 5 20.1 y x 2 x2 5 20.2, tenemos Q0,0 5 0.6931,
0 2.0 0.6931 Q1,0 5 0.7885 y Q2,0 5 0.8329,
1 2.2 0.7885
2 2.3 0.8329 1 0.1482
Q 1,1 = [(0.1)0.7885 − (−0.1)0.6931] = = 0.7410
0.2 0.2
y
1 0.07441
Q 2,1 = [(−0.1)0.8329 − (−0.2)0.7885] = = 0.7441.
0.1 0.1
La aproximación final que podemos obtener a partir de estos datos es
1 0.2276
Q 2,1 = [(0.1)0.7441 − (−0.2)0.7410] = = 0.7420.
0.3 0.3
Estos valores se muestran en la tabla 3.8.
Tabla 3.8 i xi x − xi Q i0 Q i1 Q i2
0 2.0 0.1 0.6931
1 2.2 −0.1 0.7885 0.7410
2 2.3 −0.2 0.8329 0.7441 0.7420
3.3 Diferencias divididas 91
En el ejemplo anterior, tenemos f(2.1) 5 ln 2.1 5 0.7419 para cuatro lugares decimales,
por lo que el error absoluto es
Sin embargo, f (x) = 1/x, f (x) = −1/x 2 , y f (x) = 2/x 3, por lo que la fórmula de error
de Lagrange (3.3) en el teorema 3.3 nos da la cota del de error
f (ξ(2.1))
| f (2.1) − P2 (2.1)| = (x − x 0 )(x − x1 )(x − x2 )
3!
1 0.002
= (0.1)(−0.1)(−0.2) ≤ = 8.3 × 10−5 .
3 (ξ(2.1)) 3 3(2)3
Observe que el error real, 1024, excede la cota del error, 8.3 × 10−5. Esta aparente con-
WUDGLFFLyQHVXQDFRQVHFXHQFLDGHORVFiOFXORVGHGtJLWRVÀQLWRV1RVRWURVXVDPRVODDULW-
mética de redondeo de cuatro dígitos, y la fórmula del error de Lagrange (3.3) supone la
DULWPpWLFDGHGtJLWRVLQÀQLWRV(VWRFDXVyTXHQXHVWURVHUURUHVUHDOHVH[FHGLHUDQHOFiOFXOR
de error teórico.
• Recuerde: No puede esperar mayor precisión de la proporcionada por la aritmética.
(ODOJRULWPRFRQVWUX\HSRUÀODVODVHQWUDGDVHQHOPpWRGRGH1HYLOOH
Diferencias divididas
Suponga que Pn(x) es el enésimo polinomio de interpolación que concuerda con la función f
en los diferentes números x0, x1, 7, xn. A pesar de que este polinomio es único, existen re-
92 CAPÍTULO 3 Interpolación y aproximación polinomial
presentaciones algebraicas que son útiles en ciertas situaciones. Las diferencias divididas de
f respecto a x0, x1, 7, xn se usan para expresar Pn(x) en la forma
Pn (x) = a0 + a1 (x − x0 ) + a2 (x − x0 )(x − x1 ) + · · · + an (x − x0 ) · · · (x − xn−1 ), (3.5)
para constantes apropiadas a0, a1, 7, an. Para determinar la primera de estas constantes, a0,
observe que si Pn(x) se escribe en la forma de la ecuación (3.5), entonces evaluando Pn(x) en
x0 queda sólo el término constante a0; es decir,
a0 = Pn (x0 ) = f (x0 ).
Como en muchas áreas, Isaac
Newton es prominente en Similarmente, cuando P(x) se evalúa en x1, los únicos términos diferentes de cero en la
el estudio de ecuaciones de evaluación de Pn(x1) son los términos constante y lineal,
diferencia. Desarrolló fórmulas
de interpolación desde 1675, f (x0 ) + a1 (x1 − x0 ) = Pn (x1 ) = f (x1 );
usando su notación en tablas
de diferencias. Adoptó un por lo que
enfoque muy general hacia las
fórmulas de diferencias, por lo f (x1 ) − f (x0 )
que los ejemplos explícitos que a1 = . (3.6)
produjo, incluyendo las fórmulas x1 − x0
de Lagrange, a menudo son
conocidas con otros nombres. Ahora presentaremos la notación de diferencias divididas, que se relaciona con la no-
tación 2 de Aitkens que se usó en la sección 2.5. La ceroésima diferencia dividida de la
función f respecto a xi, denotada f >xi], es simplemente el valor de f en xi:
/DVGLIHUHQFLDVGLYLGLGDVUHVWDQWHVVHGHÀQHQGHPDQHUDUHFXUVLYDODprimera diferencia
dividida de f respecto a xi y xi+1 se denota f [xi , xi+1 ] \VHGHÀQHFRPR
f [xi+1 ] − f [xi ]
f [xi , xi+1 ] = . (3.8)
xi+1 − xi
Debido a la ecuación (3.6), podemos escribir a1 = f [x0 , x1 ], justo cuando a0 se puede ex-
presar como a0 = f (x0 ) = f [x0 ]. Por lo tanto, el polinomio de interpolación en la ecuación
(3.5) es