Análisis Numérico

Parte III
Interpolación y aproximación
1. Teoría de interpolación y de aproximación de datos en el
plano o de funciones de una variable

Julio C. Carrillo E.
Universidad Industrial de Santander
Escuela de Matemáticas
 Análisis Numérico

Parte III
Interpolación y aproximación
1. Teoría de interpolación y de aproximación de datos en el plano o
de funciones en una variable
Introducción
Diversos problemas de integración numérica y solución numérica de ecuaciones diferenciales, por ejemplo,
utilizan la teoría de ajuste de un conjunto de puntos (x0 , y0 ), (x1 , y1 ), . . . , (xn , yn ) del plano, los cuales pueden o no
corresponder a una función f (x) en una variable; es decir, en donde posiblemente y0 = f (x0 ), y1 = f (x1 ), . . . , yn =
f (xn ).
En general, existen diferentes métodos de encontrar funciones que ajustan un conjunto discreto de puntos del
plano, siendo el más usual de ellos el de interpolación. Mediante el método de interpolación se busca construir
una función I(x) que pase a través del conjunto de n + 1 puntos (x0 , y0 ), (x1 , y1 ), . . . , (xn , yn ) del plano, tales que
x0 < x1 < · · · < xn . Los valores de y0 , y1 , . . . , yn pueden eventualmente corresponden a los valores de una función
f (x), la cual puede ser conocida o no1 ; i.e.,

yi = f (xi ) para i = 0, 1, . . . , n.

En tal caso, tenemos que la función fI (x) interpola los puntos (x0 , y0 ), (x1 , y1 ), . . . , (xn , yn ) si se cumple que

fI (xi ) = yi para i = 0, 1, . . . , n,

y donde posiblemente yi = f (xi ). En la teoría de interpolación de datos del plano o funciones de una variable, a
cada escalar xi se llama un nodo, a cada par ordenado (xi , yi ) se le llama un dato y a fI (x) se llama un “interpolante
de los datos” o una “función que interpola estos datos”.
1
Por ejemplo, f (x) puede corresponder a la solución de una ecuación diferencial ordinaria de segundo orden con condiciones de frontera.

©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 1/16
 Análisis Numérico

En caso de la teoría de aproximación de un conjunto finito de puntos del plano o de una función de una variable,
no se busca una función que pase exactamente a través de tales puntos, sino una función fA (x) que mejor aproxime
a los datos o a la función f (x), en el sentido de que fA (x) sea la función que pasa lo más cercana posible a estos
puntos o a esta función. En teoría de aproximación de funciones se demuestra que la mejor aproximación a los
datos o a la función f (x), es la función fA (x) que hace mínimo los cuadrados de todos los errores verticales entre
los puntos a aproximar y los correspondientes puntos de la función f (x); es decir, que fA (x) debe ser una función
continua en [a, b] y tal que
Xn
|yi − fA (xi )|2 → mı́n,
i=0

donde posiblemente yi = f (xi ). En este caso no necesariamente se cumple que fA (xi ) = yi para todo i = 0, 1, . . . , n;
es decir, que A(xi0 ) 6= yi0 para al menos un subíndice i0 . Observe que |yi − fA (xi )| representa la distancia vertical
entre el punto (xi , yi ) y el correspondiente punto (xi , fA (xi )) de la función de aproximación fA (x) y que |yi −fA (xi )|2
el cuadrado de estas distancias.

Figura 1.1: (a) Interpolación. (b) Aproximación.

En este capítulo, se presenta ante todo una introducción a la teoría de interpolación de datos en el plano o de
funciones en una variable.

©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 2/16
 Análisis Numérico

1.1. Preliminares
1.1.1. Partición de un intervalo cerrado
Una partición del intervalo [a, b] es un subconjunto P = {x0 , x1 , . . . , xn } finito y discreto de números reales tal
que a = x0 < x1 < · · · < xn = b. Los elementos de la partición P se llaman sus nodos. En este caso, la partición
P de [a, b] consiste de n + 1 nodos que dividen el intervalo [a, b] en n intervalos [x0 , x1 ], . . . , [xn−1 , xn ], los cuales
tienen longitudes |xi − xi−1 | para i = 1, . . . , n, respectivamente; cada una de las cuales se suelen denotar como
∆xi . A la mayor de estas longitudes, denotada como h o ∆x, se le llama a el tamaño o norma de la partición P;
en tal caso,
h = máx{|xi − xi−1 | : i = 1, . . . , n} := máx |xi − xi−1 |.
i=1,...,n

Se dice que P = {x0 , x1 , . . . , xn } es una partición uniforme de [a, b] si sus nodos son equidistantes; es decir, si sus
nodos son de la forma
xi = a + ih para i = 0, 1, . . . , n,
siendo su tamaño
b−a
h= .
n
Si P y Q son dos particiones del intervalo [a, b] entonces se dice que Q es un refinamiento de P si P ⊆ Q; es decir,
si todo nodo de la partición P es también un nodo de la partición Q. Cuando esto sucede también se suele decir
que Q partición más fina que P.
Por ejemplo, si P = {x0 , x1 , . . . , xn } es una partición uniforme de tamaño h de [a, b] y de nodos xi = a + ih,
i = 0, 1, . . . , n, al dividir su tamaño a la mitad se obtiene una partición uniforme Q de [a, b] de tamaño h/2 y de
nodos x0i = a + ih/2, para i = 0, 1, . . . , 2n. Como

x02i = a + (2i)h/2 = a + ih = xi

para i = 0, 1, . . . , n, se concluye además que Q es una partición más fina que P.

©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 3/16
 Análisis Numérico

1.1.2. Ajuste de datos en el plano

Se dice que el conjunto de n + 1 puntos (x0 , y0 ), (x1 , y1 ), . . . , (xn , yn ) del plano es un conjunto de datos en
el intervalo [a, b] si el conjunto P = {x0 , x1 , . . . , xn } de las abscisas de estos puntos determina una partición del
intervalo [a, b].
En la práctica, si estos datos corresponden o no a una función, sin pérdida de generalidad se asume que ellos
son obtenidos de una cierta función f (x) en una variable, la cual se asume que es continua en [a, b].
Se dice que los datos (x0 , y0 ), (x1 , y1 ), . . . , (xn , yn ) son obtenidos de una función f (x) en el intervalo [a, b] si yi =
f (xi ) para i = 0, 1, . . . , n. Por brevedad, también se puede decir que los datos (x0 , f (x0 )), (x1 , f (x1 )), . . . , (xn , f (xn ))
son obtenidos de la función f (x) en el intervalo [a, b] si el conjunto P = {x0 , x1 , . . . , xn } de las abscisas de estos
puntos determina una partición del intervalo [a, b].
El problema de ajuste de los datos (x0 , y0 ), (x1 , y1 ), . . . , (xn , yn ) obtenidos de una función f (x) en el intervalo
[a, b] consiste en encontrar una función g(x) que sea por lo menos continua en [a, b] y que haga que el error en la
aproximación de f (x) mediante g(x) sea el menor posible; simbólicamente, que

e(f (x), g(x)) → mı́n .

1.1.3. Normas y seminormas

Cuando f (x) y g(x) son funciones definidas en todo el intervalo [a, b] entonces e(f (x), g(x)) mide el compor-
tamiento del error para todo x en [a, b]; si por el contrario, únicamente se asume que f es continua en [a, b] pero
solamente se conocen sus valores en los nodos de una partición P de [a, b] entonces e(f (x), g(x)) será una medida
del comportamiento del error para todo x en la partición P de [a, b]. En el primer caso, se suele decir que se tiene
una medida continua del error en [a, b] y en el segundo caso que se tiene una medida discreta del error en [a, b].
Como se a ver, en el primer caso tal medida se hace mediante una norma y en el segundo caso, mediante una semi-
norma. En general, toda norma induce una seminorma. Intuitivamente hablando, una norma permite determinar
la longitud de los elementos de un espacio vectorial.
Sea X un espacio vectorial real. Una norma en X es una función k · k definida de X en R que cumple con las
siguientes propiedades:
1. kxk ≥ 0 para todo x ∈ X.
©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 4/16
 Análisis Numérico

2. kxk = 0 sí y solo si x = 0.

3. kλxk = |λ|kxk para todo x ∈ X y todo λ ∈ R.

4. kx + yk ≤ kxk + kyk para todo x, y ∈ X.

Las dos primeras propiedades garantizan que la norma es una función no negativa, que además cumple con las
propiedades de cambio de escala y de la desigualdad triangular.
Un espacio vectorial junto con una norma definida en él se llama un espacio normado.
Una seminorma es una función que satisface las mismas propiedades excepto la segunda; es decir, el hecho que
kxk = 0 no necesariamente implica que x = 0.

Espacios euclidianos. Por ejemplo, en el espacio vectorial Rn usualmente se define la longitud o norma k · k2
del vector x = (x1 , . . . , xn ) como q
kxk2 = x21 + · · · + xn ,
la cual es llamada la norma euclidiana de x. En general, la función
q
kxk2,w = x21 w1 + · · · + x2n wn ,

donde w1 , . . . , wn son escalares positivos dados, llamados pesos, define la norma euclidiana con pesos w1 , . . . , wn
de x.
También existe otras posibilidades. Por ejemplo, las funciones definidas como

kxk1 = |x1 | + · · · + |xn |,

kxk∞ = máx{|x1 |, . . . , |xn |} = máx |xi |,
1≤i≤n

se suelen llamar la norma del taxista y la norma del máximo de x, respectivamente.

©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 5/16
 Análisis Numérico

Espacios de funciones continuas. Se define como C[a, b] al conjunto de todas las funciones de valor real que
son continuas en el intervalo [a, b]. Este conjunto es un espacio vectorial bajo las operaciones de suma de funciones
y de multiplicación de un escalar por una función. En este conjunto se considera usualmente la norma
kf k∞ = máx{|f (x)| : a ≤ x ≤ b} := máx |f (x)|,
a≤x≤b

la cual es llamada la norma del máximo, norma de Chebyshev, norma infinito o norma uniforme, de f . En este
espacio también se pude definir la norma Z b
kf k1 = |f (x)|dx,
a
llamada la norma L de f , o bien, la norma
1

Z b 1/2
2
kf k2 = |f (x)| dx ,
a

llamada la norma de Lebesgue o la norma L2 de f ; o bien, si w(x) es una función continua y positiva en [a, b]
entonces la norma Z b 1/2
kf k2,w = |f (x)|2 w(x)dx
a
es llamada la norma L con peso w de f .
2

Para k un entero no negativo dado, C k [a, b] denota el conjunto de todas funciones que tienen derivadas hasta
de orden k que son continuas en [a, b]; es decir, es el conjunto de todas las funciones que son k veces continuamente
derivables en [a, b]. Este conjunto es un espacio vectorial bajo la operación de suma de funciones y de multiplicación
de un escalar por una función. Por definición, C 0 [a, b] = C[a, b]. Adicionalmente, la función

kf k2,k = kf k2 + kf 0 k2 + · · · + kf (k) k2
define una norma en C k [a, b].
Veamos unas seminormas en el espacio C[a, b]. Se considera el siguiente análisis el cual puede motivar el origen
de la norma L2 . Sean f ∈ C[a, b] y x0 , x1 , . . . , xn los nodos de una partición uniforme de [a, b] de tamaño ∆x. Si
©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 6/16
 Análisis Numérico

se considera que los escalares f (x0 ), f (x1 ), . . . , f (xn ) denotan las componentes de un vector en Rn+1 entonces la
función v
u n
p uX
kf k2,d = |f (x0 )|2 ∆x + |f (x1 )|2 ∆x + · · · + |f (xn )|2 ∆x = t |f (xi )|2 ∆x,
i=0

que está asociada con la norma euclidiana con pesos ∆x iguales, es una norma en Rn+1 pero no en C[a, b]. En
efecto, si f (x) es una función no nula y tiene raíces en los nodos x0 , x1 , . . . , xn entonces se va a tener que

kf k2,d = 0 y f 6= 0 en [a, b].

Se puede probar que la función kf k2,d es una seminorma en C[a, b].

Intuitivamente, lo anterior sugiere que
v v s
u n u n Z b
u X u X
kf k2 = lı́m t |f (xi )|2 ∆x = t lı́m |f (xi )|2 ∆x = |f (x)|2 dx,
n→∞ n→∞ a
i=0 i=0

dado que |f (x)|2 es continua en [a, b].

De igual manera y en general, se obtienen las siguientes seminormas en el espacio C[a, b].
Sean x0 , x1 , . . . , xn los nodos de una partición de [a, b]. Entonces las siguientes funciones definen seminormas
en C[a, b].
1. La seminorma L1 discreta de f :
k
X
kf k1,d = |f (xi )|,
i=0
o bien,
k
X
kf k1,d = |f (xi )|∆x
i=0
cuando la partición de [a, b] es uniforme y de tamaño ∆x.
©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 7/16
 Análisis Numérico

2. La seminorma L2 discreta de f : v
u n
uX
kf k2,d =t |f (xi )|2 ,
i=0

o bien, v
u k
uX
kf k2,d =t |f (x )|2 ∆x i
i=0

cuando la partición de [a, b] es uniforme y de tamaño ∆x.

3. La seminorma infinito discreta de f :

kf k∞,d = máx |f (xi )|.
0≤i≤n

Para ver que estas funciones no son normas en C[a, b] basta considerar que f es una función no nula en [a, b] que
tiene raíces en los nodos xi . En tal caso, por ejemplo, kf k2,d = 0 y no obstante existen x0 en [a, b] en los cuales
f (x0 ) 6= 0.
Si S k que denota el conjunto de todas las funciones que tienen derivadas hasta de orden k un un punto x0 y
f ∈ S k se puede demostrar que la función
k
X |f (k) (x0 )|
kf kk,1,d =
k!
k=0

es una seminorma en S k , o bien,

k
X |f (k) (x0 )|
kf kk,1,d = ∆xk
k!
k=0

cuando la partición de [a, b] es uniforme y de tamaño ∆x.

©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 8/16
 Análisis Numérico

1.1.4. Métrica o distancia

La medida de la distancia entre elementos de un conjunto dado, si es posible, se hace mediante una métrica.
Sea X un conjunto no vacío. Una métrica en X es una función de valor real ρ definida en X × X que cumple
con las siguientes propiedades:
1. ρ(x, y) ≥ 0 para cada x, y ∈ X.

2. ρ(x, y) = 0 sí y solo si x = y.

3. ρ(x, y) = D(y, x) para todo x, y ∈ X.

4. ρ(x, y) ≤ ρ(x, z) + ρ(z, y) para todo x, y, z ∈ X.

Un espacio métrico consiste de un conjunto no vacío y de una métrica definida en él.
Una norma k · k en un espacio vectorial X induce la noción de distancia o métrica kx − yk entre dos puntos x y
y cualesquiera en X. Por ejemplo, si en R2 se considera que x = (1, −3) y y = (2, 4) se tiene que x − y = (−1, −7)
y por lo tanto
p √
kx − yk1 = 1 + 7 = 8, kx − yk2 = (−1)2 + (−7)2 = 50, kx − yk∞ = máx{1, 7} = 7.

Si ahora se consideran en el espacio C[0, 1] las funciones u(x) = 2+x y v(x) = 3x2 , y la función peso w(x) = 2+5x,
entonces
Z 1 1/2
ku − vk2,w = (2 + x − 3x2 )2 (2 + 5x)dx
0
 1 1/2
450x −144x −1005x −40x + 840x + 480x  
6 5 4 3 2
= 
60


0
r
1 581
= .
2 15
©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 9/16
 Análisis Numérico

Mediante una norma o una seminorma en el espacio C[a, b] se pude establecer que tan bueno es el ajuste que hace
una determinada función de un conjunto de datos o de una función dada.
Definición 1. Sea k · k una norma o una seminorma en C[a, b]. Dada una función f ∈ C[a, b], se dice que una
función g ∈ C[a, b] es una buena aproximación de f en la (semi)norma k · k si se cumple que kf − gk <  para  > 0
dado y suficientemente pequeño. En este caso, el escalar kf − gk mide el error que se comete en la aproximación
de f mediante la función g.
El hecho que una función sea una buena aproximación de otra en una norma dada del espacio C[a, b], depende
de tal norma. Por ejemplo, para las funciones f (x) = cos πx y g(x) = x2 en el espacio C[0, 1] tenemos que
kf − gk∞ = 2, aproximación la cual no se puede hacer menor que ningún tolerancia dada que sea suficientemente
pequeña.
En algunos casos unas normas son mejores medida de una buena aproximación que otras. Por ejemplo, para
las funciones f (x) ≡ 0 en [−1, 1] y la función
x+α x−α
g(x) = χ[−α,0] (x) − χ[0,α] (x), 0 < α < 1 dado,
α α
√
en el espacio C[−1, 1] se tiene que kf − gk2 = α y que kf − gk∞ = 1. En este caso, χA (x) denota la función
característica de A, la cual se define como
(
1 si x ∈ A,
χA (x) =
0 si x ∈ / A.

1.1.5. Ajuste de datos

El problema central de la teoría de ajuste de funciones consiste en encontrar una función g(x) que haga que el
error en la aproximación de f (x) mediante g(x) sea mínimo; es decir, que haga que g(x) sea una buena aproximación
de la función f (x).
Resolver este problema involucra, en primera medida, determinar si la función g(x) existe y si además ella es
única. Finalmente, garantizada la existencia de g(x), se debe diseñar un método para obtenerla.
©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 10/16
 Análisis Numérico

Una de las técnicas más antiguas de encontrar una buena aproximación g(x) de f (x) consiste en aproximar la
función f (x) mediante la combinación lineal finita

g(x) = c0 φ0 (x) + c1 φ1 (x) + · · · + ck φk (x)

de funciones φ0 (x), φ1 (x), . . . , φk (x) deben ser conocidas y fáciles de obtener. Las k + 1 constantes c0 , c1 , . . . , ck se
deben determinar de las condiciones que se le impongan a f (x).
Si la función f (x) a aproximar se asume que pertenece a C[a, b], para algún intervalo dado [a, b], entonces
al elegir funciones φ0 (x), φ1 (x), . . . , φk (x) también en C[a, b] se tiene que la función g(x) está en subespacio Vk
generado por las funciones φ0 (x), φ1 (x), . . . , φn (x), el cual es un subespacio de dimensión finita de C[a, b]. Si estas
funciones son además linealmente independientes, entonces Vk es un subespacio de C[a, b] de dimensión k + 1.
En segundo lugar, se tiene que g(x) es una buena aproximación de f (x) si la medida del error kf − gk es
pequeña en alguna norma que se considere en C[a, b], la cual es usualmente la norma de Chebyshev. Así que una
vez elegidas las funciones φ0 (x), φ1 (x), . . . , φk (x) el problema consiste en encontrar las constantes c0 , c1 , . . . , ck en
la combinación lineal de g(x) y de tal manera que la medida del error

kf − (c1 φ0 + c1 φ1 + · · · + ck φk )k

sea muy pequeña y que ojalá haga que los escalares c0 , c1 , . . . , ck sean únicos.
Como se tienen que determinar k + 1 constantes se deben imponer al menos k + 1 restricciones o condiciones
en f (x) para determinar estas constantes, pero de tal manera que haga que kf − gk sea pequeño. Aunque existen
muchas maneras de resolver este problema, en las secciones siguientes sólo se consideran algunas de ellas2 .

Ejercicios
1. Pruebe que C[a, b] es un espacio vectorial.

2. En matemáticas una función definida a trozos en una función que está definida por varias funciones cada una
de las cuales están definidas en un cierto subconjuntos del dominio de la función, llamados subdominios del
2
Para otros casos ver Brenner & Scott [4] y Prenter [14], por ejemplo.

©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 11/16
 Análisis Numérico

dominio de la función; además, la unión tales subdominios debe dar el dominio de la función. El ejemplo más
usual de este tipo de funciones es la función valor absoluto:
(
x si x ≥ 0,
|x| =
−x si x < 0.

Una función continua a trozos es un caso especial de una función definida a trozos. En este tipo de funciones,
cada una de las funciones que la conforman son funciones que son continuas en su respectivo subdominio y
además en los extremos de tales subdominios la función definida a trozos tiene a lo más discontinuidades finitas.
Las funciones continuas a trozos no son necesariamente continuas. Por ejemplo, la función valor absoluto es
una función continua a trozos en R que es continua. La función

x + 4 si x < 0,

f (x) = x2 si 0 < x < 5,
si x ≥ 5,

7

es una función que es continua a trozos pero no es continua. La función f (x) = 1/x no es continua a trozos,
dado que en x = 0 tiene una discontinuidad infinita. La definición formal de función continua a trozos es la
siguiente.
Definición. Una función f (x) es continua a trozos en el intervalo [a, b] si existe una partición de [a, b] de nodos
x0 , x1 , . . . , xn tal que f (x) es continua en cada intervalo (xi−1 , xi ) y lı́m− f (xi ) < ∞ y lı́m+ f (xi ) < ∞ en cada
x→xi x→x
nodo (esto significa que la discontinuidad de f (x) en cada nodo xi es finita).
Sea Ct [a, b] el conjunto de todas las funciones continuas a trozos en [a, b].

a) Muestre que una función f (x) está en Ct [a, b] sí y solo si ella tiene a lo más un número finito de disconti-
nuidades en [a, b] y
Z b
2
kf k2 = |f (x)|2 dx < ∞.
a

©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 12/16
 Análisis Numérico

b) Determine si Ct [a, b] es un espacio vectorial.

c) ¿Si f ∈ Ct [a, b] entonces f 0 ∈ Ct [a, b]?
d ) Determine si la función (
0 si a ≤ x < b−a
2 ,
f (x) =
1 si b−a
2 ≤ x ≤ b,

está en C[a, b] o Ct [a, b].

3. Sea Ctk [a, b] el conjunto de todas las funciones cuya derivada de orden k − 1 está en C[a, b] y su derivada de
orden k está en Ct [a, b].

a) Determine si Ctk [a, b] es un espacio vectorial.

b) Si f ∈ Ctk [a, b], determine si el teorema fundamental del Cálculo se cumple:
Z x
f (k−1) (x) − f (k−1) (x0 ) = f (k) (t)dt
x0

para todo x, x0 ∈ [a, b].

4. Demuestre que la función involucrada en la definición de la norma de Chebyshev está bien definida en C[a, b].
A continuación demuestre que esta función efectivamente define una norma en este espacio.

5. Demuestre que la norma en un espacio vectorial es una función continua.

6. Demuestre que las funciones definidas en C[a, b] son efectivamente normas en este espacio.

7. Considere de las funciones f (x) = x y g(x) = |x|.

a) Demuestre que f (x) y g(x) son linealmente dependientes para todo x ≥ 0.

b) Demuestre que f (x) y g(x) son linealmente independientes en [−1, 1] pero que no son una base de C[−1, 1].

©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 13/16
 Análisis Numérico

8. Sea Pn [a, b] el conjunto de todos los polinomios de grado ≤ n que están definidos en el intervalo [a, b].

a) Demuestre que Pn [a, b] es un subespacio de C[a, b].

b) Demuestre que el conjunto {1, x, . . . , xn } es una base de Pn [a, b].
c) Encuentre un conjunto S de polinomios p0 (x), p1 (x), . . . , pn (x) tales que
Z b
pi (x)pj (x)dx = δij .
a

El conjunto S es llamado un conjunto de polinomios ortogonales y pj (x) es llamado el j-ésimo polinomio

de Legendre cuando [a, b] = [−1, 1].
d ) Demuestre que S es una base de Pn [a, b].

9. Demuestre que la función f (x) = |x| pertenece a C[−1, 1] pero no pertenece a C 1 [−1, 1].

10. Demuestre que la función f (x) = x|x| pertenece a C 1 [−1, 1] pero no pertenece a C 2 [−1, 1].

©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 14/16
 Análisis Numérico

Referencias
[1] Teófilo Abuabara and Jaime Lesmes C. Elementos de Análisis funcional. Ediciones Uniandes, segunda edition,
2010.

[2] Tomas M. Apostol. Calculus. Ed. Reverté S.A., 1988.

[3] Kendall E. Atkinson. An introduction to Numerical analysis. John Wiley & Sons, 2008.

[4] Susanne Brenner and Ridgway Scott. The mathematical theory of finite element methods, volume 15. Springer
Science & Business Media, 2007.

[5] Richard L. Burden and J. Douglas Faires. Numerical analysis. Brooks/Cole, 2001.

[6] G. Calderón. Análisis numérico. Departamento de Matemáticas, Universidad de los Andes, Mérida, Venezuela,
2008.

[7] Julio C. Carrillo E. Fundamentos de Análisis numérico. Escuela de Matemáticas, Universidad Industrial de
Santander, 1999.

[8] Tim Chartier and Anne Greenbaum. On Richardson extrapolation process. Lecture notes, Department of
Mathematics, Washington University, 2008.

[9] Nicholas J. Higham. Accuracy and stability of numerical algorithms, volume 80. Siam, 2002.

[10] Autrar Kaw and Luke Snyder. Measuring errors. University of South Florida, 2012.

[11] John H. Mathews, Kurtis D. Fink, et al. Numerical methods using MATLAB, volume 3. Pearson Prentice
Hall Upper Saddle River, NJ, 2004.

[12] Daene C. McKinney. Numerical Methods for Civil Engineers. Lecture notes, University of Texas at Austin,
2009.

©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 15/16
 Análisis Numérico

[13] Shoinchiro Nakamura. Métodos numéricos aplicados con software. Prentice-Hall Hispanoamericana, 1992.

[14] P. M. Prenter. Splines and Variational Methods. John Wiley & Sons, 1989.

[15] Gerald W. Recktenwald. Numerical methods with MATLAB: implementations and applications. Prentice Hall
New Jersey, 2000.

[16] Guillermo Restrepo Sarria. Introducción a Análisis funcional. Editorial Univalle, primera edition, 2010.

[17] Bryan P. Rynne and Martin A. Youngson. Linear functional analysis. Springer Science & Business Media,
2013.

[18] S. L. Salas and Einar Hille. Calculus. John Wiley and Sons, 1968.

[19] Marc Nico Spijker. Numerical stability. Lecture Notes, Department of Computer Science, Univ. of Leiden,
Netherlands, 2001.

[20] K. Tucci. Análisis numérico. Universidad de los Andes, 2005.

[21] Douglas Wilhelm Harder and Richard Khoury. Numerical Analysis for Engineering. Lecture notes, University
of Waterloo, 2012.

©
Julio C. Carrillo E. Para uso exclusivo en el salón de clase 16/16