Cal Num Apuntes

E.T.S.
DE INGENIER
IA INFORM
ATICA
Apuntes de
C
ALCULO NUM
ERICO
para la titulaci on de
INGENIER
IA T
ECNICA EN INFORM
ATICA
DE GESTI
ON
Captulo 0
Introduccion a la teora de errores
Un metodo numerico constituye un metodo aproximado a la resoluci on de un pro-
blema matem atico (PM).

Este, a su vez, puede representar una modelizacion ma-
tematica de un problema fsico o del mundo real (PF).
En la pr actica, la soluci on al (PF) que nosotros conoceremos ser a la que nos
proporcione el metodo numerico, que en general no va a coincidir con la soluci on del
(PF), ya que va a estar afectada de diversos tipos de errores:
Experimentales: la presencia de errores puede comenzar en la misma formu-
laci on del problema fsico, pues tal vez los datos se hayan obtenido de ciertas
mediciones u otras observaciones experimentales, siempre susceptibles de erro-
res. Hist oricamente, este ha sido el caso de la determinaci on de los valores de
muchas constantes en Fsica y en Matematicas (por ejemplo, la aproximaci on
de utilizada por los griegos).
De modelizaci on: tienen su raz en la aproximaci on de la realidad del modelo
matematico elegido. Por ejemplo, los modelos que se han ido sucediendo acerca
del movimiento de los cuerpos celestes (teoras geocentrica y heliocentrica,
orbitas circulares y elpticas, etc.).
De discretizaci on o de truncamiento: debidos a la propia naturaleza del
metodo numerico.

Este es el caso, por ejemplo, de la digitalizaci on de im agenes
o de la representaci on gr aca de funciones en calculadoras y ordenadores.
De redondeo: debidos a las restricciones aritmeticas de los ordenadores y
la limitada capacidad humana, frente a la innidad de cifras decimales de los
n umeros reales. Se hace imprescindible delimitar su acumulacion, ya que es
1
2 0. Introducci on a la teora de errores
com un llevar a cabo un elevado n umero de operaciones en la resoluci on de los
metodos numericos.
De entre todos ellos, son estos ultimos los unicos que entran dentro de nuestro
ambito.
0.1 Error absoluto y relativo
Sea x el valor exacto de un n umero real y x
0
un valor aproximado. Denimos:
Error absoluto de x: (x) = |x x
0
|. Tambien lo denotamos simplemente por
, caso de no dar lugar a ambig uedad.
Error relativo de x: e(x) =

|x|
. Tambien lo denotamos sencillamente por e, si
no lleva a confusi on.
El error absoluto da una referencia cuantitativa de la bondad de la aproximaci on,
medida asepticamente por la distancia que la separa del valor exacto aproximado. Por
su parte, el error relativo constituye una referencia cualitativa, en tanto en cuanto
reeja la proporci on del error absoluto con respecto a la magnitud que se trata de
aproximar: en este sentido, no es lo mismo un error de una unidad cuando se aproxima
el valor exacto de = 3.14159 . . . que cuando se aproxima el valor exacto del n umero
de Avogadro (aproximadamente igual a 6.022 10
23
).
Ejemplo 0.1.1 Comparar los errores absolutos y relativos en las aproximaciones 3.1
de 3 y 3099 de 3000.
Sea x = 3 y x
0
= 3
1. El error absoluto es = |3 3.1| = 0
1 y el error relativo
es e =

|x|
= 0
03
3.
Sea x = 3000 y x
0
= 3099. El error absoluto es = 99 y el error relativo e =
0
033. Se observa que, a pesar de que el error absoluto cometido en la segunda

aproximaci on es sensiblemente mayor que el correspondiente a la primera, en
cambio, el error relativo en la segunda aproximaci on es m as peque no que el
asociado a la primera.
0.1. Error absoluto y relativo 3
Diremos que la aproximaci on x
0
tiene p cifras decimales exactas si 10
p
.
Observese que ello no indica que hayan de coincidir las p primeras cifras decimales
de x y x
0
. As, por ejemplo, si x = 2 y x
0
= 1
9999 se tiene que = 10

4
y, por
tanto, 1
999 aproxima a 2 con las cuatro cifras decimales exactas (aunque no coincida
ninguno de los decimales de 2
000 con los de 1
9999).
Partiendo de dos datos afectados de error, a continuaci on se dan cotas del valor
absoluto del error que se propaga por cada una de las operaciones b asicas:
Para ello, consideremos los n umeros reales exactos x y z y ciertos valores aproxi-
mados x
0
y z
0
.
(x z) (x) + (z).
e(x z) e(x) + e(z).
e(
x
z
) e(x) + e(z).
Como consecuencia directa del Teorema del Valor Medio, para funciones f de
una variable de clase 1 (i.e. derivables con derivada continua); se tiene que para
un problema numerico consistente en calcular el resultado y = f(x) a partir de
x
0
, un valor aproximado de x, es valida la siguiente f ormula de propagaci on (o
transmisi on) del error, donde I denota el intervalo cerrado de extremos x y x
0
y c I:
(f(x)) = |f(x) f(x
0
)| = |f
(c)|(x) max
zI
|f
(z)|(x)
Nota 0.1.2 Si f(x) = ax + b entonces (f(x)) = |a| (x) donde a, b IR.
Ejemplo 0.1.3 Queremos calcular a = (
2 1)
6
, utilizando el valor aproximado
z
0
= 1
4 para z =
2 (con todas sus cifras decimales exactas). Escoger, entre las

formulas equivalentes siguientes, la m as adecuada desde un punto de vista numerico
(i.e., la que se vea menos alterada por la propagaci on del error en los datos):
a) (3 2
2)
3
, b)
1
99 + 70
2
Soluci on: De las condiciones que ja el problema se tiene:
1. a = (
2 1)
6
= (3 2
2)
3
=
1
99 + 70
2
.
2. (z) = |z z
0
| 10
1
.
A continuaci on vamos a analizar en las dos f ormulas como se comporta el error
de transmision.
a) Dada f(x) = (3 2x)
3
, entonces se tiene que:
a = (3 2
2)
3
= f(z) = f(z
0
) (f(z)) = 0
008 (f(z))
Aplicando la f ormula del error de transmisi on para f tenemos:
(f(z)) = |f
(c)| (z) 0.24 10

1
= 0
024,
puesto que f
(x) = 6(32x)
2
, de manera que max
[1.4,
2]
|f
(x)| = f
(1.4) = 0.24.
b) Tomamos ahora g(x) =
1
99 + 70x
. Como g
(x) =
70
(99 + 70x)
2
, es
max
[1.4,
2]
|g
(x)| = g
(1.4) =
70
197
2
0.0018, de donde el error de transmisi on
queda
(g(z)) = |g
(c)| (z) 0.0018 10

1
= 0
00018.
A la vista de los errores de transmisi on queda claro que la segunda f ormula es m as
adecuada que la primera.
0.2 Errores de redondeo
Dado un n umero real x expresado en su forma decimal
x =
kZZ
a
k
10
k
= a
n
a
n1
. . . a
0
a
1
a
2
. . . a
k
a
k1
. . . , 0 a
k
9, k ZZ
se llama parte decimal de x a la secuencia a
1
a
2
. . .. Por ejemplo, 23.123 tiene por
parte decimal a 123.
0.2. Errores de redondeo 5
Supongamos que efectuamos nuestros c alculos con una m aquina que puede repre-
sentar n umeros con k cifras decimales. En este caso, la representaci on de un n umero
real x con m as de k cifras decimales no nulas se obtiene cortando la parte decimal para
dejarla en k cifras. Hay dos formas de hacer este corte; el primer metodo, llamado
tala, consiste simplemente en eliminar las cifras a
k1
a
k2
. . . para obtener
x
t
= a
n
a
n1
. . . a
0
a
1
a
2
. . . a
k
.
La segunda forma de representar x con k cifras decimales se llama redondeo y a esta
representaci on de x con k cifras se denota por x
r
. Si la cifra a
k1
es menor que 5,
entonces el resultado es el mismo que el de la tala. Si por el contrario la cifra a
k1
es 5 o mayor, entonces se a nade 1 a la cifra k-esima y se tala el n umero resultante.
Nota 0.2.1 Observese los siguientes hechos:
|x x
t
| 10
k
, |x x
r
|
1
2
10
k
.
Ejemplo 0.2.2 La expresi on decimal innita del n umero irracional viene dada por
= 3
14159265 . . .
La representaci on de con cuatro cifras decimales que se obtiene talando es
3
1415.
Como la quinta cifra de la parte decimal de es 9, la representaci on de con cuatro
cifras que se obtiene redondeando es
3
1415 + 0.0001 = 3
1416.
El error que se comete al reemplazar un n umero por su representaci on con k cifras
decimales se llama error de redondeo
1
(independientemente de que se use la tala o el
redondeo), nosotros lo denotaremos por
r
.
Ejemplo 0.2.3 En las mismas condiciones que el ejemplo 0.1.3, dar un valor apro-
ximado de (
2 1)
6
con todas sus cifras decimales exactas usando la expresi on de a)
y b).
1
Es habitual en los manuales de C alculo Numerico trabajar con la representaci on normalizada de
un n umero real para introducir los conceptos de error de redondeo y representaci on de un n umero
con k cifras decimales.
Soluci on.
a) En el ejemplo 0.1.3 habamos llegado:
a = (3 2
2)
3
= 0
008 (f(z)),
donde
(f(z)) 0
024.
Teniendo en cuenta que 10
2
< 0
024 < 10
1
, a priori, s olo podemos garantizar
una sola cifra decimal exacta en la aproximaci on de a. Por tanto, redondeando
tendramos:
a = (3 2
2)
3
= 0
0 +
r
(f(z)) = 0
0
con
0
r
+ (f(z)) < 0
008 + 0
024 = 0
032.
Por tanto, obtenemos que 0
0 es una aproximaci on de (
2 1)
6
con una cifra
decimal exacta, que es lo m aximo que podemos asegurar a partir del error de
propagaci on.
b) En el ejemplo 0.1.3 habamos llegado:
a =
1
99 + 70
2
=
1
197
(g(z)) = 0
0050761 . . . (g(z)),
donde
(g(z)) < 1
803 . . . 10
4
.
Teniendo en cuenta que 10
4
< 1
803 . . . 10
4
< 10
3
, a priori, podemos garan-
tizar tres cifras decimales exactas en la aproximaci on de a que nos proporciona
esta expresi on. Por tanto, redondeando tendramos:
a =
1
99 + 70
2
= 0
005 +
r
(g(z)) = 0
005 + ,
donde
0
r
+ (g(z)) < 0
00008 + 0
00019 = 0
00027 < 10
3
,
as pues 0
005 es una aproximaci on de (
2 1)
6
con todas las cifras decimales
exactas.
Captulo 1
Resoluci on de Ecuaciones no
lineales
Captulo 1
Resoluci on de Ecuaciones no lineales
Denominamos ecuacion no lineal a una ecuaci on del tipo f(x) = 0 en la cual f es
una funci on real de variable real no lineal. Resolver la ecuaci on f(x) = 0 es hallar
los valores x que anulan dicha funci on. A estos valores x se les denomina races o
soluciones de la ecuaci on, o tambien, ceros de la funcion f(x). Geometricamente
representan las abscisas de los puntos de corte de la gr aca y = f(x) con el eje OX.
Ejemplo 1.0.1 f(x) = x
2
1 es un ejemplo de funci on no lineal. Sus ceros son
x = 1, 1. O lo que es lo mismo, x = 1, 1 son las races de la ecuacion x
2
1 = 0.
Una raz x de la ecuaci on f(x) = 0 se dice que tiene multiplicidad n si
f( x) = f
( x) = f
( x) = = f
n1)
( x) = 0
y f
n)
( x) = 0
Si la multiplicidad de una raz es 1, diremos que es simple.
Ejemplo 1.0.2 Dada f(x) = (x 1)
2
(x + 1) la ecuacion f(x) = 0 posee dos races
reales distintas, que son x
1
= 1, simple, y x
2
= 1, doble (pues f(1) = f
(1) = 0 y
f
(1) = 0).
Figura 1.1: x = 1 raz doble y x = 1 raz simple.
1
2 1. Resoluci on de Ecuaciones no lineales
En general, las races de una ecuacion no lineal no pueden ser calculadas de forma
exacta (por un metodo directo). El objetivo de este captulo consiste en ofrecer
metodos iterativos que permitan obtener aproximaciones numericas de las mismas.
En cualquier proceso de calculo de races de una ecuaci on no lineal pueden distin-
guirse dos fases:
LOCALIZACI
ON Y SEPARACI
ON
En un primer momento consiste en obtener informaci on de las zonas
por donde se encuentran las races, para posteriormente buscar intervalos
[a
1
, b
1
], [a
2
, b
2
], . . . que contengan una y s olo una raz de la ecuacion.
APROXIMACI
ON NUM
ERICA
Su objetivo, en general, consistir a en construir una sucesion de valores que con-
verja hacia la raz buscada. Esta construccion se har a, normalmente, de manera
iterativa partiendo de un(os) valor(es) inicial(es) que supondremos suciente-
mente pr oximo(s) a la raz buscada.
1.1 Localizaci on y separaci on de las races de una
ecuaci on
El proceso de localizaci on y separaci on de las races de una ecuacion es una tarea
previa a la aplicaci on de un metodo iterativo para el c alculo de las races de una
ecuaci on.
Dada una ecuaci on no lineal f(x) = 0 con n races reales distintas, x
1
, . . . , x
n
, el
objetivo que se persigue en esta etapa es hallar n intervalos disjuntos I
i
= [a
i
, b
i
] para
i = 1, . . . , n de modo que x
i
I
i
, i = 1, . . . , n.
En ocasiones, puede inferirse alg un tipo de informaci on gr aca si se transforma la
ecuacion f(x) = 0 en otra del tipo g(x) = h(x) y se cotejan los puntos de corte de las
gr acas de g(x) y h(x). Lamentablemente, esto s olo da una idea gr aca de donde est an
los ceros, pero de ning un modo debe servir como prueba de localizaci on y separaci on
de las races de una ecuacion, dado que en algunos (pocos) casos la informaci on gr aca
que ofrece como salida el ordenador puede no ajustarse a la realidad.
1.1. Localizaci on y separaci on de las races de una ecuacion 3
En general, esta informaci on se obtendr a de un estudio analtico de f(x), el cual
puede abarcar diversos aspectos:
1. Crecimiento: Se trata de hallar los intervalos de crecimiento de f(x).
Si [a, b] es un intervalo de crecimiento mon otono para la funci on f(x), entonces
a lo m aximo habr a una unica raz de f(x) = 0 en este intervalo, toda vez que
f(x) o es creciente, o es decreciente en [a, b]; por tanto, f(x) cortar a al eje OX,
a lo sumo, una vez en [a, b].
2. Aplicar Bolzano: Se trata de aplicar el Teorema de Bolzano a cada uno de los
intervalos en los que se sospecha que hay alguna raz. Esto requiere que se
satisfagan las hip otesis de este teorema, lo cual no siempre sucede.
Si [a, b] es un intervalo de crecimiento mon otono y f(x) es continua en [a, b],
entonces se puede asegurar que si f(a) f(b) > 0 entonces en [a, b] no hay
ninguna raz de f(x) = 0, mientras que si f(a) f(b) < 0 entonces [a, b] contiene
una raz ( unica) de f(x) = 0. Eventualmente a y/o b pueden ser y +
respectivamente, y en este caso entendemos f(a) por lim
x
f(x) y f(b) por
lim
x+
f(x).
3. Aplicar otras tecnicas: Por ejemplo, determinar sucesiones de Sturm para la
funcion f(x).
No siempre se conoce como determinar una sucesi on de Sturm para una funci on
dada, pero un poco m as adelante trataremos el caso particular de las ecuaciones
polin omicas, para las que hay un metodo sistem atico de construccion de suce-
siones de Sturm. Es all y no ahora donde tiene sentido explicar que es una
sucesion de Sturm.
Nota 1.1.1 El principal inconveniente del estudio analtico se encuentra en el estudio
del crecimiento, pues hallar los intervalos de crecimiento de f(x) supone hallar las
races de f
(x) = 0; ecuacion no lineal cuya resoluci on, en general, puede conformar

un problema de la misma ndole que el de hallar las races de f(x) = 0, o incluso en
ocasiones a un mas complejo.
Ejemplo 1.1.2 Separar las races de la ecuacion xe
x
1 = 0 mediante los metodos
gr aco y analtico.
Soluci on.
Metodo gr aco:
La ecuaci on puede escribirse de la forma
e
x
=
1
x
Gracamente, se observa que existe una unica raz real (interseccion de las dos curvas)
y que esta es positiva, para mayor informaci on comprendida en el intervalo [0, 1].
Metodo analtico:
1. Estudio del crecimiento de f(x) = xe
x
1.
Para ello calculamos f
(x) = (x + 1)e
x
y obtenemos las races de f
(x) = 0:
(x + 1)e
x
= 0 x = 1, ya que e
x
> 0, x IR
Estudiemos, ahora, el signo de f
(x). Para ello, con generalidad, basta estudiar

el signo de f
(x) en puntos situados en cada uno de los intervalos en que dividen

al dominio de derivabilidad los distintos ceros de f
(x). En el caso que nos lleva,

el unico cero de f
(x) es x = 1, el cual divide a la recta real (que es el dominio

de derivabilidad de f(x)) en dos intervalos, a saber: (, 1) y (1, ).
El signo de la evaluaci on de f
(x) en cualesquiera puntos en estos intervalos

determina el signo constante de f
(x) en todos los puntos de estos intervalos.

En particular, como f
(2) = e
2
< 0 y f
(0) = 1 > 0, se deduce que:

(, 1) (1, )
signo f
(x) +
De manera que la funci on f(x) es estrictamente decreciente en (, 1) y
estrictamente creciente en (1, ).
2. Estudiemos el valor de f(x) en los extremos de los intervalos anteriores:
lim
x
f(x) < 0, f(1) < 0, lim
x+
f(x) > 0
De este modo, en el intervalo (, 1) no hay raz. Sin embargo, en (1, )
hay una unica raz. Podemos observar que f(1) > 0 por tanto, tenemos local-
izada la unica raz de la ecuacion en el intervalo [1, 1].
1.1.1 Ecuaciones polin omicas
Dado un polinomio
P(x) = a
0
x
n
+ a
1
x
n1
+ + a
n1
x + a
n
donde a
i
IR con i = 0, 1, . . . , n diremos que P(x) = 0 es una ecuacion polinomica.
La simplicidad de las funciones polin omicas hace que existan reglas especiales para
la localizaci on y separaci on de los ceros de un polinomio, as como el n umero de estos.
El Teorema Fundamental del

Algebra asegura que la ecuaci on polin omica
P(x) = 0
posee n races complejas y reales contando sus multiplicidades (coincide con el grado
n de P(x)). Las races complejas aparecen por parejas conjugadas (i.e., si a + bi es
raz, entonces a bi tambien lo es).
Si x
1
, . . . , x
k
son las races distintas de P(x) con respectivas multiplicidades
m
1
, . . . , m
k
(aqu, necesariamente m
1
+ + m
k
= n), entonces
P(x) = a
0
(x x
1
)
m
1
. . . (x x
k
)
m
k
.
Derivando esta expresi on obtenemos
P
(x) = a
0
(x x
1
)
m
1
1
(x x
k
)
m
k
1
H
k1
(x)
con H
k1
(x
i
) = 0, i = 1, 2, . . . , k. Por tanto,
Q(x) =
P(x)
mcd (P(x), P
(x))
= a
0
(x x
1
) (x x
k
)
posee los mismos ceros que P(x) pero todos ellos simples.
A continuaci on recogemos algunas tecnicas que permiten acotar los ceros de un
polinomio.
Proposici on 1.1.3 Dada la ecuacion
P(x) = a
0
x
n
+ a
1
x
n1
+ + a
n1
x + a
n
= 0
1. Si x es una raz de P(x) = 0 entonces:
1
1 +
A
|a
n
|
< | x| < 1 +
A
|a
0
|
siendo A = max
i1
|a
i
|.
2. (Regla de Laguerre)
Dado c IR
+
, podemos escribir:
P(x) = (x c) C(x) + r
con C(x) = b
0
x
n1
+ + b
n2
x + b
n1
y r IR.
Si r 0 y b
i
0 para 0 i n 1 o r 0 y b
i
0 para 0 i n 1, el
n umero real c es una cota superior para las races positivas de la ecuacion.
3. Sea R(x) = a
n
x
n
+ a
n1
x
n1
+ . . . + a
0
, con (a
n
y a
0
no nulos). Se cumple que
P(x) = x
n
R(
1
x
), para x = 0,
por tanto
P( x) = 0 R(
1
x
) = 0.
Esto nos permite obtener una cota inferior de las races positivas de P(x) = 0
del siguiente modo:
a) Se obtiene una cota superior de las races positivas de R(x) = 0 usando la
regla de Laguerre, a la que denotamos por c
.
b)
1
c
es una cota inferior de las races de P(x) = 0.

4. Sea H(x) = P(x). Observese que
P( x) = 0 H( x) = 0
En particular tenemos que si x es una raz negativa de P(x) = 0 entonces x
es una raz positiva de H(x) = 0. Esto nos permite obtener cotas inferiores y
superiores de las races negativas de P(x) del siguiente modo:
(a) Obtenemos unas cotas superior e inferior de las races positivas de H(x) =
0, que denotamos respectivamente por c y c
.
(b) c
es una cota superior de las races negativas de P(x) = 0 y c es una

cota inferior de las races negativas.
Ejemplo 1.1.4 Dado el polinomio P(x) = x
4
+ 2x
3
3x
2
4x 1, se pide acotar
las races de la ecuacion P(x) = 0 tanto como se pueda.
Soluci on.
1. En primer lugar acotamos los ceros de P(x) en valor absoluto.
Si x es un cero de P(x), entonces
1
5
=
1
1 +
4
1
< | x| < 1 +
4
1
= 5.
Tenemos ya unas primeras cotas de las ceros de P(x), en los siguientes apartados
intentaremos mejorar estas cotas. Para ello usaremos la regla de Laguerre y sus
variantes.
2. Buscamos una cota superior de los ceros positivos m as na que la obtenida en
el apartado anterior.
Normalmente buscamos cotas que sean n umeros enteros. Como sabemos por
el apartado anterior, 5 es una cota superior; para tratar de ver si 4 tambien
es cota superior seg un la regla de Laguerre, hay que dividir P(x) entre x 4
y observar si el signo de los coecientes que se obtienen es o no el mismo. Al
realizar esta operaci on, obtenemos
P(x) = (x 4)(x
3
+ 6x
2
+ 21x + 80) + 319
de donde el signo de los coecientes del cociente y del resto es siempre positivo.
Por tanto, por la regla de Laguerre el 4 sera una cota superior de los ceros.
Continuamos probando sucesivamente con los valores c = 3, 2, 1 y vemos que
el primero donde no sucede esta situaci on es cuando dividimos por x 1. Por
tanto, x = 2 es la cota superior de los ceros de P(x) m as na que podemos
obtener por este metodo.
3. Aqu estudiamos una cota inferior de los ceros positivos de P(x).
Consideramos
R(x) = x
4
4x
3
3x
2
+ 2x + 1.
Debemos encontrar una cota superior de los ceros positivos de R(x), como
hemos visto que
1
5
es una cota inferior de los ceros positivos de P(x); entonces
su inverso, que es 5, es una cota superior de los ceros de R(x). Entonces seguimos
un esquema an alogo al del punto 2, para R(x) (para obtener una cota superior
de los ceros positivos m as na). Llegando a que
R(x) = (x 1)(x
3
8x
2
11x 9) 8.
Por tanto, c
= 1 es una cota superior de las races positivas de R(x), luego

1
c
= 1 es una cota inferior de las races positivas.

4. Para hallar una cota superior e inferior de los ceros negativas de P(x), traba-
jamos con
H(x) = P(x) = x
4
2x
3
3x
2
+ 4x 1.
Siguiendo un esquema al descrito en los puntos anteriores obtenemos que:
c = 3 es una cota superior de las races positivas de H(x) = 0.
c
=
1
4
es una cota inferior de las races positivas de H(x) = 0.
Por tanto, 3 es una cota inferior de las races negativas de P(x) = 0 y
1
4
es
una cota superior de las races negativas de P(x) = 0.
Separacion de ceros de un polinomio. Sucesi on de Sturm
Una sucesion de Sturm para una funci on f(x) en [a, b] es un conjunto f(x) =
f
0
(x), f
1
(x), . . . , f
n
(x) de funciones continuas en dicho intervalo que satisfacen:
f
n
(x) = 0 cualquiera que sea x [a, b]. Es decir, el signo de f
n
(x) permanece
constante en el intervalo [a, b].
Si f
i
(c) = 0 entonces f
i1
(c) y f
i+1
(c) tienen signos opuestos, es decir, f
i1
(c)
f
i+1
(c) < 0 (en particular no se pueden anular en c).
Si f
0
(c) = 0 con c [a, b] entonces
f
0
(x)
f
1
(x)
pasa de negativa a positiva en c.
La importancia de la determinaci on de una sucesi on de Sturm para f(x) sobre
[a, b] radica en el resultado siguiente.
Teorema 1.1.5 (Teorema de Sturm) Sea f
0
(x), f
1
(x), . . . , f
n
(x) una sucesion de
Sturm para f(x) = f
0
(x) en el intervalo [a, b] y consideremos las sucesiones siguientes,
en las que sig (d) denota el signo de d (indistintamente cuando d = 0)
sig[f
0
(a)] sig[f
1
(a)] . . . sig[f
n
(a)]
sig[f
0
(b)] sig[f
1
(b)] . . . sig[f
n
(b)]
Denotemos por N
1
al n umero de cambios de signo en la primera sucesi on y por N
2
al n umero de cambios de signo en la segunda (siempre ha de ser N
1
N
2
).
En estas condiciones, el n umero de races existentes en el intervalo [a, b] de la
ecuacion f
0
(x) = 0 viene dado por N
1
N
2
.
As, si conocemos una sucesi on de Sturm para una funci on f(x), podremos sep-
arar todos sus ceros reales. Lamentablemente, no hay procedimientos sistem aticos
para formar sucesiones de Sturm para cualesquiera funciones dadas, salvo contadas
excepciones, cual es el caso de los polinomios.
A continuaci on, se indica c omo construir una sucesi on de Sturm para un polinomio
P(x).
Dado P(x) = a
0
x
n
+a
1
x
n1
+. . .+a
n1
x+a
n
, denimos una sucesion de polinomios
{f
i
(x)}, i = 0, . . . , k; (k n) de la siguiente manera:
f
0
(x) = P(x), f
1
(x) = P
(x), f
i+1
(x) = r
i
(x)
donde r
i
(x) denota el resto de dividir f
i1
entre f
i
,
f
i1
= c
i
(x) f
i
(x) + r
i
(x)
Si r
k
(x) = 0, entonces la ecuaci on P(x) = 0 tiene races m ultiples donde f
k
=
mcd (P, P
). Por otra parte, Q(x) =

P(x)
f
k
(x)
= 0 s olo posee races simples, que
son las de P(x) = 0. M as a un,
_
f
i
(x)
f
k
(x)
_
0ik
conforma una sucesi on de Sturm
para Q(x).
Si r
k
(x) = l = 0 entonces {f
i
(x)}
0ik
es una sucesion de Sturm para P(x) = 0.
Nota 1.1.6 Observese que, al igual que en el algoritmo de Euclides, podemos ir mul-
tiplicando los resultados parciales de las divisiones por cualquier constante positiva
no nula, ya que solo nos interesa el resto (salvo constantes positivas) de la divisi on.
Ejemplo 1.1.7 Sea P(x) = x
4
+ 2x
3
3x
2
4x 1
1. Construir una sucesi on de Sturm para este polinomio.
2. Separar las races de la ecuacion P(x) = 0.
Soluci on.
1.
f
0
(x) = x
4
+ 2x
3
3x
2
4x 1. f
0
(x) = 4x
3
+ 6x
2
6x 4.
f
1
(x) = 2x
3
+ 3x
2
3x 2.
2x
4
+ 4x
3
6x
2
8x 2 |2x
3
+ 3x
2
3x 2
2x
4
3x
3
+ 3x
2
+ 2x x + 1
x
3
3x
2
6x 2 multiplicando por 2
2x
3
6x
2
12x 4
2x
3
3x
2
+ 3x + 2
9x
2
9x 2
f
2
(x) = 9x
2
+ 9x + 2.
18x
3
+ 27x
2
27x 18 |9x
2
+ 9x + 2
18x
3
18x
2
4x 2x + 1
9x
2
31x 18
9x
2
9x 2
40x 20
f
3
(x) = 2x + 1.
18x
2
+ 18x + 4 |2x + 1
18x
2
9x 9x + 9
9x + 4 multiplicando por 2
18x + 8
18x 9
1
f
4
(x) = 1. Esto en particular nos informa que P(x) no tiene ceros m ultiples.
2. En el ejemplo 1.1.4 vimos que las races positivas de P(x) = 0 se encontraban en
el intervalo [1, 2] y las negativas en [3,
1
4
]. Aprovechando esta informaci on,
formamos la siguiente tabla de signos:
3 2 1 0 1 2
f
0
(x) = x
4
+ 2x
3
3x
2
4x 1 + +
f
1
(x) = 2x
3
+ 3x
2
3x 2 + +
f
2
(x) = 9x
2
+ 9x + 2 + + + + + +
f
3
(x) = 2x + 1 + + +
f
4
(x) = 1 + + + + + +
cambios de signo 4 3 3 1 1 0
Sabemos, por ello que existe una raz en el intervalo (3, 2), dos races en el intervalo
(1, 0) y una cuarta raz en el intervalo (1, 2).
Para separar las races del intervalo (1, 0), se puede introducir en la tabla una
columna intermedia entre 1 y 0 que de lugar a la separaci on (por ejemplo, tomando
el punto 0.5). Tambien se puede intentar aplicar el Teorema de Bolzano: toda vez que
f
0
(x) es continua en IR y f
0
(1) = 1 < 0, f
0
(0
5) = 0
0625 > 0 y f
0
(0) = 1 < 0
por el teorema de Bolzano podemos separar las races existentes en el intervalo (1, 0),
y decir que una est a en el intervalo (1, 0
5) y la otra en (0
5, 0).
1.2 Metodos iterativos de aproximaci on de solu-
ciones
Sea f(x) = 0 una ecuaci on no lineal y x una raz de esta ecuaci on. Supondremos en
toda esta secci on que tenemos separada la raz x, en el sentido de que se conoce un
intervalo [a, b] que contiene a x, y no contiene a ninguna otra raz de f(x) = 0.
A continuaci on daremos dos metodos numericos para obtener una aproximaci on
de x, bajo esta hip otesis.
1.2.1 Metodo de bisecci on
El soporte te orico de este metodo es el teorema de Bolzano, por ello tenemos que
imponer que f sea continua en [a, b].
Teorema 1.2.1 (Teorema de Bolzano) Si f es una funcion continua en el in-
tervalo cerrado [a, b] y f(a) f(b) < 0, entonces la ecuacion f(x) = 0 posee un n umero
impar de races (contando sus multiplicidades) en el intervalo [a, b].
El metodo de biseccion construye una sucesion de intervalos encajados,
[a
0
, b
0
] [a
1
, b
1
] . . . [a
k
, b
k
]
donde a
0
= a y b
0
= b. De manera que siempre contengan la raz buscada y que la
amplitud de uno sea la mitad del anterior. Para ello basta dividir el intervalo dado
por su punto medio y escoger aquel subintervalo en el que la funci on cambie de signo
en sus extremos, lo que garantiza seg un el Teorema de Bolzano la existencia de un
cero de la funcion en su interior.
Cuando la amplitud del intervalo sea sucientemente peque na de acuerdo con la
precision deseada de la raz, podremos considerar como una buena aproximaci on de
esta el punto medio de este intervalo.
Algoritmo 1.2.2 Metodo de biseccion
1.2. Metodos iterativos de aproximaci on de soluciones 13
Entrada: intervalo [a, b], precisi on
error =
b a
2
, x =
a + b
2
= a +
b a
2
.
Mientras error > hacer
Si f(a) f(x) > 0 entonces a = x
en otro caso
b = x
Fin
x = a +
ba
2
, error =
error
2
Fin Mientras
Salida: aproximaci on x del valor exacto con la precisi on requerida al comienzo.
De esta forma se va generando una sucesi on
{x
n
} = x
0
, x
1
, x
2
, . . . , x
n
, . . .
convergente a x, que cumple
n
= | x x
n
|
b
n
a
n
2
=
b a
2
n+1
.
Este metodo tiene el inconveniente de que la convergencia es lenta.
Ejemplo 1.2.3 Se desea hallar la raz cuadrada de 3 con 14 cifras decimales exactas.
Cuantas iteraciones del metodo de biseccion ser an necesarias para garantizar dicha
precisi on partiendo del intervalo inicial [1, 2]? Calcular las dos primeras iteraciones.
Soluci on. En primer lugar observemos que +
3 es una raz de la ecuacion x

2
3 = 0,
de hecho es la unica positiva. Por tanto, el intervalo [1, 2] contiene a +
3 y no a
otra raz de la ecuacion. Adem as, se satisfacen las hip otesis del teorema de Bolzano
en [1, 2].
Por tanto, el metodo de biseccion aplicado a f(x) = x
2
3 con intervalo inicial
[a
0
= 1, b
0
= 2] genera una sucesi on {x
n
} convergente a
3.
Para determinar el n umero de iteraciones necesarias para que el metodo de
biseccion nos proporcione la precisi on deseada, usaremos la f ormula de la cota
del valor absoluto del error.
n

2 1
2
n+1
e impondremos que sea menor o igual que 10
14
. Entonces tendremos:
1
2
n+1
10
14
2
n+1
> 10
14
n 46,
es decir, tendramos que calcular x
46
para poder garantizar la precisi on exigida.
No obstante, esto no quiere decir que no se alcance esta precisi on eventualmente
en una iteraci on anterior.
Tenemos que a
0
= 1, b
0
= 2 y x
0
= 1 +
21
2
= 1
5. Sigamos los pasos del

metodo, f(a
0
) f(x
0
) > 0 entonces a
1
= x
0
= 1
5 y b
1
= b
0
= 2,
x
1
= a
1
b
1
a
1
2
= 1
75.
f(a
1
) f(x
1
) < 0 entonces a
2
= a
1
= 1
5 y b
2
= x
1
= 1
75. Por tanto,

x
2
= a
2
+
b
2
a
2
2
= 1
5 +
1
75 1
5
2
= 1
625.
1.2.2 Metodo de Newton
Recordamos que el problema que nos ocupa es hallar una aproximaci on de x; donde
x es una raz de la ecuaci on f(x) = 0, unica en un intervalo [a, b] que suponemos
conocido.
La sucesi on {x
n
} que genera el metodo de Newton viene dado por:
_
_
x
n+1
= x
n
f(x
n
)
f
(x
n
)
x
0
(F ormula de Newton-Raphson)
donde x
0
es un valor inicial a precisar. Para que la f ormula tenga sentido f
no se
debe anular en los diferentes x
n
.
Este metodo es tambien conocido como metodo de la tangente, ya que si
trazamos la tangente a la curva y = f(x) en el punto (x
n
, f(x
n
)) obtenemos la
recta y = f(x
n
) + f
(x
n
)(x x
n
), la cual corta al eje y = 0 en el punto de abscisa
x = x
n
f(x
n
)
f
(x
n
)
, que es precisamente el valor x
n+1
de la formula de Newton-Raphson.
Un inconveniente de la sucesi on generada por la f ormula de Newton-Raphson
es que no siempre se tiene asegurada la convergencia hacia x, incluso tomando x
0
pr oximo a x.
De modo natural surgen varias cuestiones:
1. Que condiciones hay que exigir sobre x
0
y f para que la sucesi on {x
n
} generada
por la f ormula de Newton-Raphson sea convergente a x?
2. Se conoce alguna cota del error que se comete al aproximar x por x
n
?
A continuaci on vamos a enunciar dos resultados que responden a las cuestiones
planteadas anteriormente:
Teorema 1.2.4 (Regla de Fourier) Supongamos que tenemos separada, en el
intervalo [a, b], una raz x de la ecuacion f(x) = 0 y que f
(x) y f
(x) no se anulan en
ning un punto del intervalo [a, b], es decir, que ambas derivadas tienen signo constante
en dicho intervalo. En estos casos, el metodo de Newton es convergente a la unica
raz x [a, b], con cada x
n
[a, b], n, siempre que se tome como valor inicial
x
0
=
_
_
_
a si f(a) f
(a) > 0
b si f(b) f
(b) > 0
La regla de Fourier es una condici on suciente para garantizar la convergencia del
metodo de Newton, pero no es necesaria, i.e., puede ser que aunque no se verique
alguna hip otesis de Fourier el metodo converja a la soluci on deseada. Con objeto de
acelerar la convergencia conviene elegir x
0
lo m as pr oximo que sea posible a x.
El siguiente resultado da una estimaci on del error que se comete al aproximar un
valor exacto x seg un una sucesion de valores x
n
, siempre que la solucion sea unica
en un cierto intervalo [a, b] y todos los x
n
queden dentro del propio intervalo [a, b].
Debe quedar claro que esta estimaci on no depende de la utilizaci on o no del metodo
de Newton, aunque este es el caso cuando se verican las condiciones de la Regla de
Fourier.
Teorema 1.2.5 (An
alisis del Error) Sea x una raz de la ecuacion f(x) = 0.

Tomemos [a, b] (si es posible) tal que f(x) es continua y derivable en [a, b], x y todo
x
n
esten contenidos en [a, b] y min
x[a,b]
|f
(x)| > 0, entonces

|
n
| = | x x
n
|
|f(x
n
)|
min
x[a,b]
|f
(x)|
(1.1)
Nota 1.2.6 Sea x una raz de la ecuacion f(x) = 0. Tomemos [a, b] (si es posible)
tal que se cumplan la regla de Fourier, entonces
|
n
| = | x x
n
|
|f(x
n
)|
min{|f
(a), f
(b)|}
(1.2)
En el ejemplo 1.2.3 vimos que para poder asegurar una aproximaci on de
3 con
14 cifras decimales exactas mediante el metodo de biseccion partiendo del intervalo
[1, 2] necesit abamos 46 iteraciones. En el siguiente ejemplo veremos que la sucesi on
generada por el metodo de Newton, en caso de ser convergente a x, lo hace de un
modo mucho m as r apido.
Ejemplo 1.2.7 Se desea hallar la raz cuadrada de 3 con 14 cifras decimales exactas.
Calcular dicha aproximaci on usando el metodo de Newton partiendo del intervalo
inicial [1, 2]. Indicar el n umero de iteraciones necesarias.
Soluci on. Partimos de la ecuaci on f(x) = x
2
3 = 0, por lo que la f ormula de
Newton-Raphson queda
x
n+1
=
1
2
_
x
n
+
3
x
n
_
. (1.3)
La regla de Fourier es la herramienta que nos permite asegurar que la sucesi on
{x
n
} converge a
3 y nos indica el valor que debemos tomar de x

0
para este n. A
continuaci on veremos que se verican todas las hip otesis que se exigen en la regla de
Fourier.
La ecuaci on f(x) = 0 presenta una raz (de hecho,
3) en el intervalo [1, 2].

Las funciones f
(x) = 2x y f
(x) = 2 no se anulan en ning un punto del intervalo

[1, 2].
Entonces, tomando x
0
= 2 (pues f(2) f
(2) > 0), la regla de Fourier nos asegura

que la sucesion (1.3) converge a
3. Obteniendose:
x
0
= 2
x
1
= 1
75
1

|f(x
1
)|
min
x[1,2]
|f
(x)|
= 0
03125
x
2
= 1
7321428571428571429 . . .
2

|f(x
2
)|
min
x[1,2]
|f
(x)|
= 0.000159438775515 . . .
x
3
= 1
7320508100147275405 . . .
3

|f(x
3
)|
min
x[1,2]
|f
(x)|
0.43 10
8
x
4
= 1
7320508075688772953 . . .
4

|f(x
4
)|
min
x[1,2]
|f
(x)|
0.489 10
14
< 10
14
.
Luego,
3 = 1
73205080756888 +
r
+
4
donde =
r
+
4
es el error absoluto en esta aproximaci on, y
r
denota el error de
redondeo correspondiente en la aproximaci on que se hace del valor exacto de x
4
(el
cual se desconoce, puesto que la calculadora tiene una precisi on limitada, insuciente
para hallar de manera exacta dicho valor), de manera que
=
r
+
4
0.27047 10
14
+ 0.489 10
14
< 10
14
.
As pues x = 1
73205080756888 es una aproximaci on de
3 con 14 cifras decimales

exactas.
El metodo de Newton presenta problemas cuando x, la raz de f(x) = 0 que se
busca, es m ultiple. Esta situaci on se detecta porque la convergencia del metodo se
hace especialmente lenta. La f ormula de Newton-Raphson puede modicarse para
adaptarse a este caso:
x
n+1
= x
n
k
f(x
n
)
f
(x
n
)
donde k representa la multiplicidad de x.
En la pr actica, el problema es que no conocemos k, pero a ello nos ayuda la rapidez
del metodo.
Ejemplo 1.2.8 La ecuacion x sen x = 0 posee una unica raz x = 0 en todo IR.
Adem as, es una raz triple. Veamos en este ejemplo que ocurre cuando aplicamos el
metodo de Newton para hallar dicha raz partiendo del intervalo [1, 1].
Soluci on. Del enunciado debe entenderse que esta ecuacion s olo posee una raz en el
intervalo [1, 1] que es la que se nos pide aproximar. La regla de Fourier no se puede
aplicar en este intervalo (ni en ning un otro que contenga la unica raz de f(x) = 0), ya
que f
(x) se anula en [1, 1] precisamente en el mismo punto donde f(x) = x sen x

(se trata de una raz triple, de hecho). Ello no impide que se pueda denir la f ormula
de Newton-Raphson en este caso (lo que no tenemos es garantizado que dicha sucesi on
converja a la raz pedida),
x
n+1
= x
n
x
n
sen x
n
1 cos x
n
Comenzado con x
0
= 1 se obtiene:
x
0
= 1
.
.
.
x
10
= 0
016822799 . . .
_
_
f
(x
10
) = 0
0001 . . .
f
(x
10
) = 0
016 . . .
f
(x
10
) = 0
9998 . . .
.
.
.
x
20
= 0
0000194 . . .
_
_
f
(x
20
) = 0
00000001 . . .
f
(x
20
) = 0
0019 . . .
f
(x
20
) = 0
9999 . . .
Como la convergencia es muy lenta, hace pensar que se trata de una raz m ultiple.
Ademas, como la primera y la segunda derivadas tienden a cero y la tercera lo hace
a 1 = 0, parece que nos encontramos con una raz triple, por lo que aplicamos el
metodo generalizado de Newton,
x
n+1
= x
n
3
x
n
sen x
n
1 cos x
n
Comenzando, al igual que antes, por x
0
= 1 se obtiene:
x
0
= 1
x
1
= 0
034 . . .
x
2
= 0
000001376 . . .
x
3
= 0
00000000000009 . . .
que se ve que converge r apidamente a x = 0.
Ademas de existir casos como el anterior donde la convergencia es muy lenta, la
naturaleza de la funci on puede originar otras dicultades, llegando incluso a hacer
que el metodo no converja.
a) Si en las proximidades de la raz existe un punto de inexion, el metodo de
Newton puede no converger, o incluso converger a otra raz de la ecuacion.
b) El metodo de Newton asimismo puede oscilar en los alrededores de un m aximo o
un mnimo local, persistiendo o llegando a encontrarse con pendientes cercanas
a cero, en cuyo caso la soluci on se aleja del area de interes.
x+y
y
v
x
x-y
) , cos( || || v y y
Captulo 3
Interpolaci on
Supongamos que queremos estudiar cierto fen omeno del que tenemos una serie de
datos puntuales obtenidos por mediciones realizadas y que deseamos extraer una
informaci on m as completa a partir de los datos constatados. Una opci on puede ser
la de reconstruir el fen omeno modeliz andolo con una funci on que lo represente de
la manera m as able posible.
Ejemplo 3.0.1 Un cuerpo se mueve de modo que conocemos los datos siguientes:
(0,0), (1,0.4), (4,1.2), (6,3.6) donde la primera coordenada se nala el tiempo en se-
gundos y la segunda la velocidad en metros/segundo. Podemos estimar la velocidad
que llevaba a los 2 segundos de iniciado el movimiento?
Para dar respuesta a este tipo de problemas vamos a hablar de interpolaci on y
mas concretamente de interpolaci on polinomial.
Podemos decir que la interpolaci on estudia el c alculo de funciones que pasan (in-
terpolan) por unos puntos (los datos) disponibles.
3.1 Interpolaci on polinomial
Aqu concretamente nos proponemos encontrar un polinomio P(x) que aproxime
una funci on desconocida f(x) de la que sabemos su valor en unos pocos de puntos
de su dominio.
La expresi on funci on desconocida se debe interpretar como que efectivamente
1
2 3. Interpolaci on
no la conocemos, fen omeno que queremos investigar, o que conocida, nos interesa
sustituirla por otra (polin omica) m as sencilla para facilitar el trabajo.
Por aproximar entendemos que debe coincidir con f(x) en los puntos del dominio
donde se conoce.
Los polinomios a que nos referimos son funciones de la forma:
P(x) = a
0
+ a
1
x + a
2
x
2
+ + a
n
x
n
donde n es un n umero natural y los coecientes a
i
, n umeros reales. Como sabemos,
los polinomios son funciones continuas y derivables sucesivamente en toda la recta
real.
Partimos del conocimiento de los valores de una funci on f(x) en (n + 1) puntos
{x
0
, x
1
, . . . , x
n
} y queremos encontrar un polinomio de orden, a lo sumo n, que pase
por dichos puntos (i.e. interpole a f(x)) y que adem as sea unico. Sera esto posible?
veamos:
Teorema 3.1.1
Dada una familia de n + 1 puntos {(x
0
, f(x
0
)), (x
1
, f(x
1
)), . . . , (x
n
, f(x
n
))}, todos
distintos, existe un unico polinomio P
n
(x), de grado menor o igual a n, que interpola
a f(x) en dichos puntos.
A P
n
(x) se le llama polinomio interpolador de f(x) en el soporte S.
Este teorema nos conrma que podemos encontrar un polinomio interpolador para
una funci on f(x) y que para determinarlo necesitaremos disponer de los n + 1 valo-
res correspondientes a las im agenes mediante f(x) de los puntos del SOPORTE : S
={x
0
, x
1
, . . . , x
n
}, donde no se repite ning un valor y normalmente est an ordenados
de menor a mayor. Adem as dicho polinomio interpolador es unico.
En particular, si f(x) es un polinomio de grado n la interpolaci on de f(x) con un
soporte de al menos n + 1 puntos devolver a P(x) = f(x).
El polinomio de interpolaci on P(x) y la funci on f(x), cumplen que P(x
i
) = f(x
i
)
en todos y cada uno de los puntos del soporte, pero en los valores intermedios no
tienen por que coincidir, por lo que se genera un error que tendremos que controlar.
3.2. Error de interpolaci on 3
3.2 Error de interpolaci on
Sea el soporte S ={x
0
, x
1
, . . . , x
n
} donde ninguno de sus valores se repite y estan
ordenados de menor a mayor y sea P
n
(x) el polinomio interpolador de la funci on f(x)
seg un el soporte anterior. Si f(x) es continua y admite derivadas sucesivas hasta el
orden n+1, en el intervalo determinado por los valores extremos del soporte, podemos
armar que existe un valor c tal que:
n
= |f(x) P
n
(x)| = |
f
n+1)
(c)
(n + 1)!
(x x
0
)(x x
1
) (x x
n
)|
donde c es un punto que se encuentra en el menor intervalo que contenga a los puntos:
{x, x
0
, x
1
, . . . , x
n
}.
Se puede observar que el error viene expresado por un polinomio y que es cero en
cada elemento del soporte, pero si queremos conocer el error en puntos intermedios
es imprescindible conocer la funcion f(x) y enfrentarnos a la acotaci on de la derivada
de orden (n + 1) de la misma.
Si llamamos M al valor m aximo de
f
n+1)
(x)
en I = [x
0
, x
n
], podemos acotar el
error seg un
n

M
(n + 1)!
|(x x
0
)(x x
1
) (x x
n
)|
Podemos realizar varias observaciones acerca del comportamiento del error de
interpolaci on:
1. No se mejoran los resultados tomando un n umero elevado de puntos en un
mismo intervalo, pues veremos que esto acarrea mejoras en determinadas zonas
pero notables mermas de precisi on en otras, fenomeno Runge: el error de in-
terpolaci on es menor en la zona central del intervalo y mayor en los extremos.
Desde el punto de vista numerico es preferible, en vez de generar un unico poli-
nomio interpolador en base a muchos puntos de un intervalo, dividir el intervalo
en otros de modo que por medio de varios polinomios lograr mejorar la precisi on
en la interpolaci on.
2. Debemos seleccionar un intervalo de interpolaci on tal que el punto que queremos
aproximar se encuentre en la zona central del soporte.
4 3. Interpolaci on
3. No debemos usar el polinomio para aproximar valores que esten fuera del inter-
valo de interpolaci on.
Para ilustrar lo que hemos armado, iremos observando el comportamiento del
error con diversas pruebas al interpolar la funci on f(x) =
1
1+4x
2
en el intervalo [1, 1].
Ilustramos todo ello con gr acos.
Si tomamos como soporte uno no equiespaciado, por ejemplo: S
1
= {1, 0,
1
2
, 1}
el polinomio queda P
1
(x) =
4
5
(x
3
x
2
x +
5
4
). Si despues consideramos un soporte
del mismo tama no pero equiespaciado: S
2
= {1,
1
3
,
1
3
, 1} sale otro polinomio de
manera que en los siguientes gr acos podemos observar las diferencias entre f(x) y
el polinomio interpolador P(x) de cada cada caso: se aprecia que en el equiespaciado
se produce un error m aximo de 0.7 unidades aproximadamente mientras que en el no
es equiespaciado el error es sobre 1.2 unidades, sensiblemente mayor (ver Figuras 1.4
y 1.5)
Figura 3.1: f(x) y P(x) con soporte no equiespaciado y comportamiento del error.
Por otro lado si optamos por tomar soportes equiespaciados pero vamos duplicando
la partici on del intervalo [1, 1]: primero n = 3,despues n = 6 y por ultimo n = 12, se
observa que al aumentar el n umero de puntos disminuye el error en la zona central del
intervalo pero aumenta en las zonas laterales de manera sensible, este es el llamado
fenomeno de Runge (ver Figuras 1.5 , 1.6 y 1.7)
De cualquier modo, siempre es posible encontrar un soporte adecuado para que el
polinomio interpolador correspondiente aproxime con la precisi on deseada a la funci on
original, seg un indica el siguiente resultado.
3.2. Error de interpolaci on 5
Figura 3.2: f(x) y P(x) con soporte equiespaciado, n = 3 y comportamiento del
error.
error.
error.
6 3. Interpolaci on
Teorema 3.2.1
Si f(x) es una funcion continua y sucesivamente derivable en un intervalo I = [a, b],
para todo > 0 existe un polinomio interpolador P
(x) tal que para todo punto de I

se cumple: |f(x) P
(x)| < .
Una vez que hemos aclarado todo lo relacionado con el error de interpolaci on vamos
a proceder a detallar tres metodos para construir el ( unico) polinomio interpolador
asociado a un soporte dado.
3.3 Primeros pasos.
Si disponemos de (n + 1) puntos del plano {(x
0
, f(x
0
)), (x
1
, f(x
1
)), . . . , (x
n
, f(x
n
))}
todos ellos distintos, podemos encontrar un polinomio de grado m aximo n: P(x) =
a
0
+ a
1
x + a
2
x
2
+ + a
n
x
n
que pase por todos y cada uno de dichos puntos y que
en denitiva, interpola a f(x).
Una manera de determinar dicho polinomio ser a mediante la resoluci on de un
sistema de (n+1) ecuaciones con (n+1) inc ognitas formado a partir de que obliguemos
que se cumpla f(x
i
) = P(x
i
) en cada punto del soporte. Este planteamiento nos
proporcionar a un sistema lineal de ecuaciones, donde las incognitas son los coecientes
del polinomio y donde su matriz es una matriz de Vandermonde, regular, lo que
garantiza que es un sistema compatible determinado y consecuentemente siempre
tendra soluci on y adem as sera unica.
Recordemos el ejemplo inicial.
Un cuerpo se mueve de modo que conocemos los datos siguientes: (0,0), (1,0.4),
(4,1.2), (6,3.6) donde la primera coordenada se nala el tiempo en segundos y la segunda
la velocidad en metros/segundo. Podemos estimar la velocidad que llevaba a los 2
segundos de iniciado el movimiento?
Con esos datos, 4 puntos, podemos determinar un polinomio de grado 3 como
maximo:
P(x) = a
0
+ a
1
x + a
2
x
2
+ a
3
x
3
3.4. Interpolaci on por el metodo de Lagrange 7
que pase por dichos puntos:
0 = a
0
+ a
1
0 + a
2
0
2
+ a
3
0
3
0.4 = a
0
+ a
1
1 + a
2
1
2
+ a
3
1
3
1.2 = a
0
+ a
1
4 + a
2
4
2
+ a
3
4
3
3.6 = a
0
+ a
1
6 + a
2
6
2
+ a
3
6
3
Resolviendo el sistema queda el polinomio interpolador:
P(x) = 0 + 0.58x 0.2166666x
2
+ 0.366666x
3
Y por ultimo para contestar a la pregunta, bastar a con determinar el valor
numerico de dicho polinomio para x = 2 y obtenemos que la velocidad estimada
del movil a los 2 segundos es de 0.586666
m
s
Hemos omitido el detalle de resolver el sistema pero hemos de admitir que no
siempre es una tarea f acil y que debemos buscar metodos alternativos que faciliten la
determinacion del polinomio interpolador, que no olvidemos, es unico.
3.4 Interpolaci on por el metodo de Lagrange
Una manera de determinar el polinomio interpolador sin resolver un sistema de ecua-
ciones, es mediante el metodo que vamos a estudiar y que llamamos Metodo de
Lagrange. Este metodo tiene limitaciones, no permite la ampliaci on del soporte y
requiere un n umero importante de operaciones, pero no es difcil. Se basa en la
construccion del polinomio como iremos describiendo paso a paso.
3.4.1 Los polinomios auxiliares de Lagrange
Partimos de un soporte S ={x
0
, x
1
, . . . , x
n
} donde ninguno de sus valores se repite
y estan ordenados de menor a mayor (aunque esto ultimo no es imprescindible).
Denimos los Polinomios de Lagrange: L
j
(x) para j = 0, 1, 2, . . . , n de la forma que
8 3. Interpolaci on
sigue:
L
j
(x) =
n
i=0
j=i
x x
i
x
j
x
i
Observa que tomando un soporte con n + 1 puntos, lo que hemos denido son
n + 1 polinomios de grado n que cumplen lo siguiente:
L
j
(x
i
) = 0; si i = j
L
j
(x
j
) = 1; si i = j
Ejemplo 3.4.1 Escribir los polinomios auxiliares de Lagrange para el soporte de 4
puntos:
S = {x
0
, x
1
, x
2
, x
3
}
Ser an:
L
0
(x) =
(x x
1
)(x x
2
)(x x
3
)
(x
0
x
1
)(x
0
x
2
)(x
0
x
3
)
L
1
(x) =
(x x
0
)(x x
2
)(x x
3
)
(x
1
x
0
)(x
1
x
2
)(x
1
x
3
)
L
2
(x) =
(x x
0
)(x x
1
)(x x
3
)
(x
2
x
0
)(x
2
x
1
)(x
2
x
3
)
L
3
(x) =
(x x
0
)(x x
1
)(x x
2
)
(x
3
x
0
)(x
3
x
1
)(x
3
x
2
)
Si concretamos el soporte:
S = {1, 2, 4, 5}
Ser an:
L
0
(x) =
(x 2)(x 4)(x 5)
(1 2)(1 4)(1 5)
=
(x 2)(x 4)(x 5)
12
L
1
(x) =
(x 1)(x 4)(x 5)
(2 1)(2 4)(2 5)
=
(x 1)(x 4)(x 5)
6
L
2
(x) =
(x 1)(x 2)(x 5)
(4 1)(4 2)(4 5)
=
(x 1)(x 2)(x 5)
6
L
3
(x) =
(x 1)(x 2)(x 4)
(5 1)(5 2)(5 4)
=
(x 1)(x 2)(x 4)
12
3.4.2 El polinomio interpolador de Lagrange
Seguimos considerando un soporte S ={x
0
, x
1
, . . . , x
n
} donde ninguno de sus valo-
res se repite y estan ordenados de menor a mayor. Con estos datos construimos los
polinomios auxiliares de Lagrange: L
j
(x) para j = 0, 1, 2, . . . , n y tambien necesita-
remos conocer la familia de im agenes de los puntos del soporte: {y
0
, y
1
, . . . , y
n
}, para
y
i
= f(x
i
).
Podemos armar que si se cumplen las condiciones arriba establecidas, el polino-
mio:
P
n
(x) =
n
j=0
y
j
L
j
(x)
que tiene grado menor o igual que n, interpola la tabla de valores dada.
Ejemplo 3.4.2 Determinar el polinomio interpolador de Lagrange para los datos si-
guientes: S = {1, 2, 4, 5}, e Y = {0, 6, 12, 24} donde S es el soporte e Y sus im agenes
Como los polinomios auxiliares de Lagrange s olo dependen del soporte y este
coincide con el del ejemplo anterior, no necesitaremos volverlos a calcular; por lo
tanto ya estamos en condiciones de escribir el polinomio interpolador de Lagrange:
P
3
(x) = 0(
(x 2)(x 4)(x 5)
12
) + 6(
(x 1)(x 4)(x 5)
6
)+
+12(
(x 1)(x 2)(x 5)
6
) + 24(
(x 1)(x 2)(x 4)
12
) =
= 0 + (x 1)(x 4)(x 5)) 2(x 1)(x 2)(x 5) + 2(x 1)(x 2)(x 4)
P
3
(x) = x
3
8x
2
+ 23x 16
Una vez obtenido el polinomio interpolador por el Metodo de Lagrange P
3
(x) =
x
3
8x
2
+ 23x 16 y con objeto de hacer hincapie en los conceptos explicados,
comprobamos que verica la tabla de puntos:
P
3
(1) = 1
3
8(1
2
) + 23(1) 16 = 0
P
3
(2) = 2
3
8(2
2
) + 23(2) 16 = 6
P
3
(4) = 4
3
8(4
2
) + 23(4) 16 = 12
10 3. Interpolaci on
P
3
(5) = 5
3
8(5
2
) + 23(5) 16 = 24
Ahora podremos utilizar dicho polinomio para estimar los valores de las im agenes
de cualquier punto del intervalo (1,5); por ejemplo: P
3
(3) = 3
3
8(3
2
)+23(3)16 = 8,
lo que nos permite decir que seg un los datos manejados, la funci on para x = 3 valdra
8.
Analicemos ahora otro ejemplo de interpolaci on por Lagrange, incluyendo en este
caso de manera adicional un estudio explcito del error.
Ejemplo 3.4.3 Determinar el polinomio interpolador de Lagrange para la funci on
f(x) = 2x
4
con el soporte: S = {0, 1, 2, 3}. Determinar la funci on del error y acotar
el error cometido si usamos el polinomio interpolador para evaluar f(1.5)
Los polinomios auxiliares de Lagrange ser an:
L
0
(x) =
(x 1)(x 2)(x 3)
(0 1)(0 2)(0 3)
=
(x 1)(x 2)(x 3)
6
L
1
(x) =
(x 0)(x 2)(x 3)
(1 0)(1 2)(1 3)
=
(x 0)(x 2)(x 3)
2
L
2
(x) =
(x 0)(x 1)(x 3)
(2 0)(2 1)(2 3)
=
(x 0)(x 1)(x 3)
2
L
3
(x) =
(x 0)(x 1)(x 2)
(3 0)(3 1)(3 2)
=
(x 0)(x 1)(x 2)
6
Como: f(0) = 0 ; f(1) = 2 ; f(2) = 32 ; f(3) = 162 , el polinomio interpolador ser a:
P(x) = 0L
0
(x) + 2L
1
(x) + 32L
2
(x) + 162L
3
(x) = 12x
3
22x
2
+ 12x.
Para acotar el error, buscamos la derivada cuarta de la funci on: f
4)
(x) = 48 de
modo que al ser una constante es f acil acotar: M = 48 y consecuentemente:
48
4!
|(x 0)(x 1)(x 2)(x 3)| = 2|x(x 1)(x 2)(x 3)|
2|x(x 1)(x 2)(x 3)|
Con los datos obtenidos: P(1.5) = P
_
3
2
_
= 12
_
3
2
_
3
22
_
3
2
_
2
+ 12
_
3
2
_
= 9; una
cota del error ser a:
2|
_
3
2
__
3
2
1
__
3
2
2
__
3
2
3
_
| = 1.125
Ejemplo 3.4.4 Determinar el polinomio interpolador de Lagrange para la funci on
f(x) = sen(x) con el soporte: S = {
4
,

3
,

2
} Determinar la funci on de acotacion
del error y acotar el error cometido si usamos el polinomio interpolador para evaluar
sen(1.2). Servira este polinomio para evaluar sen(3)?
Al disponer de un soporte de tres puntos, obtendremos un polinomio interpolador de
segundo grado. Comenzaremos por calcular los polinomios de Lagrange:
L
0
(x) =
(x

3
)(x

2
)
(
4

3
)(
4

2
)
=
48(x

3
)(x

2
)
2
L
1
(x) =
(x

4
)(x

2
)
(
3

4
)(
3

2
)
=
72(x

4
)(x

2
)
2
L
2
(x) =
(x

4
)(x

3
)
(
2

3
)(
2

3
)
=
24(x

4
)(x

3
)
2
Ahora evaluamos las im agenes del soporte: Y = {
2
2
,
3
2
, 1} y calculamos el polinomio
interpolador:
P
2
(x) = (
36
2
+
24
2
+
24
2
)x
2
+ (
20
+
27

14
)x + 4
2 + 2
9
3
2
El polinomio interpolador con coecientes decimales es:
P
2
(x) = 0.447100350x
2
+ 1.426378617x 0.137374388
Puesto que disponemos de la funcion original y el polinomio que la interpola, podemos
ver sus gr acos comparados de forma que nos ayude a valorar lo que acabamos de
hacer: Figura 3.1.
Con la Figura 3.2 podemos ver que si ampliamos el intervalo hasta sobrepasar el
denido por el soporte, la similitud entre la funci on y el polinomio que la interpola
se pierde pues solo se aproximan en el intervalo de interpolaci on.
Ahora calcularemos la funci on de acotaci on del error. Como f
3)
(x) = cos(x) es
facil de acotar en valor absoluto; M = 1 y con ello:

|(x

4
)(x

3
)(x

2
)|
6
Al representar el gr aco de la funci on cota del error, podemos visualizar c omo el error
es nulo en los puntos del soporte y va en aumento hasta alcanzar el m aximo en los
Figura 3.5: Gracas comparadas de f(x) y P
2
(x)
Figura 3.6: Gracas comparadas de f(x) y P
2
(x) ampliando el dominio
3.5. Interpolaci on por el metodo de las diferencias divididas de Newton 13
Figura 3.7: Graca de la funci on error, el eje de ordenadas nos lo mide.
puntos intermedios de los anteriores; los peores resultados se dan en los puntos m as
alejados de los del soporte. ( Figura 3.3 )
Por ultimo, para estimar el valor de sen(1.2) bastar a con sustituir x = 1.2 en
el polinomio obtenido: P
2
(1.2) = 0.930455446. Y si lo sustituimos en la funci on del
error, 0.003915125694 < 0.01.
3.5 Interpolaci on por el metodo de las diferencias
divididas de Newton
Si el metodo de Lagrange tena la dicultad de que al modicar el soporte haba que
comenzar de nuevo, el metodo que vamos a describir permite reutilizar el polinomio
P
n
para calcular el P
n+k
consecuencia de ampliar en k puntos el soporte.
Comenzamos:
Denici on 3.5.1
Dada una familia de n+1 puntos {(x
0
, f(x
0
)), (x
1
, f(x
1
)), . . . , (x
n
, f(x
n
))}, todos con
abscisas distintas, denimos la base de Newton asociada a dicho soporte, como:
{1, (x x
0
), (x x
0
)(x x
1
), (x x
0
)(x x
1
)(x x
2
), . . . ,
n1
i=0
(x x
i
)}
Aunque no es necesario, nosotros trabajaremos con el soporte ordenado de menor
a mayor.
Denici on 3.5.2
0
, y
0
), (x
1
, y
1
), . . . , (x
n
, y
n
)}, todos con abscisas
distintas, denimos el polinomio interpolador de Newton asociado a dicho soporte,
como:
P
n
(x) = A
0
+A
1
(xx
0
)+A
2
(xx
0
)(xx
1
)+A
3
(xx
0
)(xx
1
)(xx
2
)+ +A
n
(n1)
i=0
(xx
i
)
siempre que P
n
(x
i
) = y
i
para i = 0, 1, 2, . . . , n.
Es importante hacer notar que este polinomio que acabamos de denir, de grado
n, es una combinaci on lineal de la base de Newton, lo que nos permitir a ampliarlo
con facilidad; y ademas es el mismo que se obtiene por Lagrange para esos mismos
datos (recuerdese que el polinomio interpolador asociado a un soporte es unico).
Solo hay que explicitar c omo calcular los coecientes A
i
.
Denici on 3.5.3
0
, y
0
), (x
1
, y
1
), . . . , (x
n
, y
n
distintas donde f(x
i
) = y
i
denimos las DIFERENCIAS DIVIDIDAS de NEWTON
asociadas a dichos datos, de la manera siguiente:
Diferencias divididas de orden 0:
f[x
i
] = f(x
i
), para i = 0, 1, 2, . . . , n.
Diferencias divididas de orden 1:
f[x
i
, x
(i+1)
] =
f[x
(i+1)
] f[x
i
]
x
(i+1)
x
i
, para i = 0, 1, 2, . . . , (n 1).
Y en general, diferencias divididas de orden k < n:
f[x
i
, x
(i+1)
, . . . , x
(i+k)
] =
f[x
(i+1)
, . . . , x
(i+k)
] f[x
i
, x
(i+1)
, . . . , x
(i+k1)
]
x
(i+k)
x
i
para i = 0, 1, 2, . . . , (n k) con 1 k.
Ejemplo 3.5.4 Escribir las diferencias divididas para los datos:
{(x
0
, y
0
), (x
1
, y
1
), (x
2
, y
2
), (x
3
, x
3
)}
f[x
0
] = f(x
0
) ; f[x
1
] = f(x
1
) ; f[x
2
] = f(x
2
) ; f[x
3
] = f(x
3
)
f[x
0
, x
1
] =
f[x
1
]f[x
0
]
x
1
x
0
; f[x
1
, x
2
] =
f[x
2
]f[x
1
]
x
2
x
1
; f[x
2
, x
3
] =
f[x
3
]f[x
2
]
x
3
x
2
f[x
0
, x
1
, x
2
] =
f[x
1
,x
2
]f[x
0
,x
1
]
x
2
x
0
; f[x
1
, x
2
, x
3
] =
f[x
2
,x
3
]f[x
1
,x
2
]
x
3
x
1
f[x
0
, x
1
, x
2
, x
3
] =
f[x
1
,x
2
,x
3
]f[x
0
,x
1
,x
2
]
x
3
x
0
.
Todos estos datos se pueden organizar seg un una tabla de las siguientes carac-
tersticas, en la que cada columna se puede rellenar a partir de la anterior y la primera,
seg un el esquema previo de diferencias divididas:
x
i
f[x
i
] f[x
i
, x
i+1
] f[x
i
, x
i+1
, x
i+2
] f[x
i
, x
i+1
, x
i+2
, x
i+3
]
x
0
f(x
0
) f[x
0
, x
1
] f[x
0
, x
1
, x
2
] f[x
0
, x
1
, x
2
, x
3
]
x
1
f(x
1
) f[x
1
, x
2
] f[x
1
, x
2
, x
3
]
x
2
f(x
2
) f[x
2
, x
3
]
x
3
f(x
3
)
Notese que:
El orden en el que se toman los puntos del soporte para calcular una dife-
rencia dividida de orden p, no afecta al valor de esta: f[x
1
, x
0
] = f[x
0
, x
1
] o
f[x
0
, x
1
, x
2
] = f[x
2
, x
1
, x
0
] por ejemplo.
Las diferencias divididas se pueden expresar en funci on de los valores x
i
y f(x
i
),
esto es facil de comprobar.
Adelantamos que la primera la de la tabla previamente calculada, jugar a un
papel fundamental en nuestro objetivo: determinar el polinomio interpolador para
esa familia de puntos.
Siguiendo nuestro objetivo de claricar las cosas, hagamos un ejemplo numerico.
Ejemplo 3.5.5 Escribir las diferencias divididas para los datos:
{(1, 4), (2, 5), (4, 3), (5, 1)}
f[x
0
] = f(1) = 4 ; f[x
1
] = f(2) = 5 ; f[x
2
] = f(4) = 3 ; f[x
3
] = f(5) = 1.
f[x
0
, x
1
] =
54
21
= 1 ; f[x
1
, x
2
] =
35
42
= 1 ; f[x
2
, x
3
] =
13
54
= 2.
f[x
0
, x
1
, x
2
] =
11
41
=
2
3
; f[x
1
, x
2
, x
3
] =
2+1
52
=
1
3
.
f[x
0
, x
1
, x
2
, x
3
] =
1
3

2
3
51
=
1
12
.
Resumimos todo anterior en forma de tabla:
x
i
f[x
i
] f[x
i
, x
i+1
] f[x
i
, x
i
+ 1, x
i+2
] f[x
i
, x
i+1
, x
i+2
, x
i+3
]
1 f(1) = 4 f[1, 2] = 1 f[1, 2, 4] =
2
3
f[1, 2, 4, 5] =
1
12
2 f(2) = 5 f[2, 4] = 1 f[2, 4, 5] =
1
3
4 f(4) = 3 f[4, 5] = 2
5 f(5) = 1
Teorema 3.5.6
0
, y
0
), (x
1
, y
1
), . . . , (x
n
, y
n
distintas, los coecientes A
i
del polinomio interpolador de Newton ,
P
n
(x) = A
0
+A
1
(xx
0
)+A
2
(xx
0
)(xx
1
)+A
3
(xx
0
)(xx
1
)(xx
2
)+ +A
n
(n1)
i=0
(xx
i
)
son:
A
0
= f[x
0
]
A
1
= f[x
0
, x
1
]
A
2
= f[x
0
, x
1
, x
2
]
en general:
A
i
= f[x
0
, x
1
, . . . , x
i
]
Es decir, son las diferencias divididas de la primera la de la tabla.
Conocido esto, el polinomio interpolador para los datos del ejemplo anterior ser a:
P
3
(x) = 4+1(x1)+(
2
3
)(x1)(x2)+
1
12
(x1)(x2)(x4) = 1+
25
6
x
5
4
x
2
+
1
12
x
3
.
Antes decamos que este metodo permita ampliar el soporte sin necesidad de
volver a empezar, vamos a verlo:
Ejemplo 3.5.7 1) Determinar el polinomio interpolador por diferencias divididas
para los datos: {(1, 4), (2, 5)}
2) Determinar el polinomio interpolador por diferencias divididas para los datos:
{(1, 4), (2, 5), (4, 3)}
3) Determinar el polinomio interpolador por diferencias divididas para los datos:
{(1, 4), (2, 5), (4, 3), (5, 1)}
Como son datos del soporte del ejercicio anterior y disponemos de las diferencias
divididas necesarias, respondemos directamente:
1)
P
1
(x) = 4 + 1(x 1) = 3 + x.
2)
P
2
(x) = (3 + x) + (
2
3
)(x 1)(x 2) =
5
3
+ 3x
2
3
x
2
.
3) Es el que ya calculamos antes:
P
3
(x) = (
5
3
+ 3x
2
3
x
2
) +
1
12
(x 1)(x 2)(x 4) = 1 +
25
6
x
5
4
x
2
+
1
12
x
3
.
A poco que nos jemos en la construcci on vemos como funciona; si a nadimos un
punto a los datos, bastar a con completar el conjunto de diferencias divididas hasta
conseguir los coecientes que faltan.
Tambien este metodo sufre los efectos del fenomeno de Runge, como queda ree-
jado en el siguiente ejemplo.
Ejemplo 3.5.8 Determinar el polinomios interpolador por Newton para la funci on
f(x) =
2x
1+x
2
(Serpentina de Newton), con el soporte: S = {1, 0, 1, 2}. Determinar
la funcion del error y acotar el error cometido si usamos el polinomio interpolador
para evaluar f(3/4).
f[x
0
] = f(1) = 1 ; f[x
1
] = f(0) = 0 ; f[x
2
] = f(1) = 1 ; f[x
3
] = f(2) =
4
5
.
f[x
0
, x
1
] =
0+1]
0+1
= 1 ; f[x
1
, x
2
] =
10
10
= 1 ; f[x
2
, x
3
] =
4/51
21
= 1/5.
f[x
0
, x
1
, x
2
] =
11
1+1
= 0 ; f[x
1
, x
2
, x
3
] =
1/51
20
=
3
5
.
f[x
0
, x
1
, x
2
, x
3
] =
3
5
0
2+1
=
1
5
.
Por lo tanto el polinomio interpolador ser a:
P
3
(x) = 1+1(x+1)+0(x+1)(x0)
1
5
(x+1)(x)(x1) =
6
5
x
1
5
x
3
= 1.2x0.2x
3
.
Como disponemos de la funci on y el polinomio que la interpola podemos comparar
sus gr acos: gura 1.8
Para la funci on del error necesitamos acotar la derivada cuarta de la funci on:
f
4)
(x) = 48
x
5
10x
3
+5x
(x
2
+1)
5
.
Para lograrlo un metodo ser a analizar su derivada que es la quinta de la funci on
inicial: f
5)
(x) = 240
x
6
+15x
4
15x
2
+1
(x
2
+1)
6
; igualada a cero nos ofrece sus puntos de tangen-
cia horizontal, donde est an sus extremos.
Si hacemos x
2
= t bastar a con resolver t
3
15t
2
+15t 1 = 0 y como t = 1 es una
de sus soluciones, las otras son las soluciones de la ecuaci on de segundo grado que
queda; t = 7 +4
_
(3) y t = 7 4
_
(3) de modo que los extremos buscados estar an en:
x = +1; x = 1; x = +3.7320; x = 3.7320; x = +0.2679 y x = 0.2679, de modo
Figura 3.8: Gracos de f(x) y P(x) comparados.
que se observa que los dos intermedios est an fuera del intervalo de interpolaci on. Tras
unos calculos se llega a la conclusi on de que |f
4)
(x)| es maxima para x = +0.2679 y
x = 0.2679, siendo M = |f
4)
(x)| = 38.98557159 < 39.
Con ello, la funcion que acota el error es:

39
4!
|(x + 1)(x 0)(x 1)(x 2)| = 1.625|(x + 1)x(x 1)(x 2)|
Figura 3.9: Graco del error.
La aproximaci on solicitada ser a: P
3
(x) = 1 + 1(x + 1) + 0(x + 1)(x 0)
1
5
(x + 1)(x)(x 1) =
6
5
x
1
5
x
3
= 1.2
3
4
0.2(
3
4
)
3
= 0.815625. y la cota del error:
1.625|(
3
4
+ 1)
3
4
(
3
4
1)(
3
4
2)| = 0.666504
Captulo 4
Integraci on numerica
Comenzaremos por recordar algunas cosas fundamentales sobre las integrales.
Si f(x) es una funci on continua en el intervalo nito I = [a, b] entonces podemos
armar que dicha funci on es integrable en el intervalo considerado, es decir, que existe
_
b
a
f(x)dx. Si adem as conocemos una primitiva F(x) de f(x), podemos usar la Regla
de Barrow para concluir que:
_
b
a
f(x)dx = F(b) F(a).
Si adem as consideramos que el arco de la curva f(x) es siempre positivo en a
x b, el resultado anterior mide el area de la gura plana encerrada por el eje de
abscisas,las rectas x = a ; x = b y el mencionado arco de curva, como muestra el
siguiente dibujo.
Figura 4.1: Area calculada por la integral.
El problema es que a veces, calcular una primitiva es una tarea tediosa y otras,
una misi on imposible dado que ciertas funciones no admiten primitivas expresables
mediante combinaciones de funciones elementales, como por ejemplo,
_
b
a
sen(x
2
)dx ,
1
2 4. Integraci on numerica
_
b
a
1
Ln(x)
dx ,
_
b
a
sen(x)
x
dx, entre otras muchas.
Otras veces realizaremos un experimento y de el, obtenemos una tabla de valores
que se supone tienen un comportamiento funcional, pero que al no disponer de f(x)
tampoco podremos usar la Regla de Barrow.
En cualquiera de los casos est a justicada la necesidad de buscar un procedimiento
alternativo para calcular integrales. A estos procedimientos los llamaremos metodos
de integraci on numerica.
4.1 Metodos de integraci on numerica
El problema de aproximar el valor de una integral I(f) =
_
b
a
f(x)dx se relaciona
directamente con el de aproximar f(x) en I = [a, b].
Adoptaremos la estrategia de aproximar el valor de I(f) por el valor de una integral
donde la funci on f(x) se sustituye por otra que la aproxima, polinomio interpolador,
en el intervalo de integraci on I = [a, b]: formulas de tipo interpolatorio.
Como resultado, obtendremos expresiones del tipo: I(f) =
n
i=0
c
i
f(x
i
) donde los
coecientes c
i
son n umeros reales y los valores x
i
estan sacados del intervalo de inte-
graci on I = [a, b].
4.1.1 F ormulas de cuadratura
Son f ormulas que permiten calcular o aproximar el valor de una integral.
Consideremos una funcion f(x) continua en un intervalo dado I = [a, b], conside-
remos el soporte S = {x
0
, x
1
, x
2
, , x
n
} donde a = x
0
, b = x
n
y los restantes puntos
son valores intermedios a estos, ordenados de menor a mayor y sin repetirse ninguno,
no importa si est an o no equiespaciados.
Sabemos que el polinomio interpolador de Lagrange para estos datos, (n+1) nodos,
es un polinomio de grado, a lo sumo n, de la forma: P
n
(x) =
n
i=0
L
i
(x)f(x
i
).
4.1. Metodos de integraci on numerica 3
Si sustituimos la funci on por el polinomio que la interpola en las condiciones dadas,
quedar a:
_
b
a
f(x)dx
_
b
a
P
n
(x)dx =
_
b
a
n
i=0
L
i
(x)f(x
i
)dx
como los f(x
i
) son n umeros (constantes) se puede escribir:
_
b
a
f(x)dx
n
i=0
f(x
i
)
_
b
a
L
i
(x)dx
y si llamamos A
i
=
_
b
a
L
i
(x) podemos concluir que:
_
b
a
f(x)dx
n
i=0
f(x
i
)A
i
.
Ya tenemos la f ormula tipo de cuadratura de la que s olo falta determinar los
coecientes A
i
.
Hemos dicho que A
i
=
_
b
a
L
i
(x) y como los polinomios auxiliares de Lagrange
L
i
(x) solo dependen de los elementos del soporte, podemos usar cualquier funci on
para determinar los coecientes A
i
. Tomaremos funciones del tipo f(x) = x
n
; es
decir las funciones: {1, x, x
2
, x
3
, , x
n
} , de modo que al aplicarlas a la expresi on
_
b
a
f(x)dx
n
i=0
f(x
i
)A
i
llegaremos al sistema:
Para f(x) = 1 =(b a) = A
0
+ A
1
+ + A
n
Para f(x) = x =
b
2
a
2
2
= A
0
x
0
+ A
1
x
1
+ + A
n
x
n
Para f(x) = x
2
=
b
3
a
3
3
= A
0
x
2
0
+ A
1
x
2
1
+ + A
n
x
2
n
..........................................................................................................
Para f(x) = x
n
=
b
(n+1)
a
(n+1)
n+1
= A
0
x
n
0
+ A
1
x
n
1
+ + A
n
x
n
n
Sistema de (n+1) ecuaciones con (n+1) inc ognitas cuya matriz M, es de Van der
Monde:
M =
_
_
_
_
_
_
_
_
_
_
_
1 1 1 . . . 1
x
0
x
1
x
2
. . . x
n
x
2
0
x
2
1
x
2
2
. . . x
2
n
.
.
. . . . . . .
.
.
.
.
.
.
x
n
0
x
n
1
x
n
2
. . . x
n
n
_
_
_
_
_
_
_
_
_
_
_
Siendo su determinante:
det M =
(x
i
x
j
) con 0 j < i n
El determinante de esta matriz siempre es distinto de cero, ya que x
i
= x
j
, por lo
tanto su rango es igual al n umero de inc ognitas lo que nos garantiza que el sistema
es compatible determinado y consecuentemente tiene solucion unica, los A
i
; en las
condiciones se naladas, la f ormula de cuadratura es unica y adem as siempre existe.
Ejemplo 4.1.1 Queremos aproximar el valor de la integral I =
_
4
1
sen(x)
x
dx usando el
metodo descrito dividiendo en intervalo de integraci on en dos partes iguales.
Si dividimos el intervalo [1, 4] en dos partes iguales, queda el soporte: S = {1,
5
2
, 4}
por lo que la f ormula de cuadratura quedar a:
I =
_
4
1
sen(x)
x
dx
2
i=0
f(x
i
)A
i
= f(1)A
0
+ f(
5
2
)A
1
+ f(4)A
2
.
Planteamos el sistema para calcular las A
i
:
Para f(x) = 1 =(4 1) = A
0
+ A
1
+ A
2
Para f(x) = x =
4
2
1
2
2
= A
0
+
5
2
A
1
+ 4A
2
Para f(x) = x
2
=
4
3
1
3
3
= A
0
(1)
2
+ A
1
(
5
2
)
2
+ A
2
(4)
2
Es decir:
A
0
+ A
1
+ A
2
= 3
A
0
+
5
2
A
1
+ 4A
2
=
15
2
A
0
+
25
4
A
1
+ 16A
2
= 21.
La manera de resolver estos sistemas de Van der Monde se estudia en la asig-
natura de

Algebra Lineal, aunque debemos puntualizar que no tendremos necesidad
de resolver muchos de estos sistemas en este curso.
Nuestro sistema tiene por soluciones: A
0
=
1
2
; A
1
= 2; A
2
=
1
2
.
Con estos datos:
I =
_
4
1
sen(x)
x
dx
1
2
sen(1) + 2
2
5
sen(
5
2
) +
1
2
sen(4)
4
= 0.804913.
El ordenador nos da como valor de la integral: I =
_
4
1
sen(x)
x
dx = 0.8121200686
por lo que la aproximaci on que hemos logrado con una partici on tan elemental, no es
demasiado mala.
Hemos visto que
_
b
a
f(x)dx
n
i=0
f(x
i
)A
i
. Al utilizar esta f ormula cometemos un
error que vendr a dado por la integral denida en a x b del error de interpolaci on
de Lagrange.
Si P(x) es un polinomio de grado g n que interpola a f(x) con el soporte
S = {a = x
0
, x
1
, x
2
, , x
n
= b} y f(x) admite derivadas continuas hasta el orden
(n + 1) en el intervalo de integraci on, el error sera:
(n) =
_
b
a
f(x)dx
n
i=0
f(x
i
)A
i
_
b
a
(f(x) P
n
(x))dx
_
b
a
(x x
0
)(x x
)
(x x
n
)
(n + 1)!
Mdx.
(4.1)
donde M = max
x[a,b]
|f
n+1
(x)| dx. Si la funci on f(x) es un polinomio de grado
g n entonces f
(n+1)
(x) = 0 , el error es cero y la f ormula de cuadratura, en estos
casos, se dice que es exacta.
4.1.2 F ormulas de cuadratura de Newton-Cotes
Las f ormulas de Newton-Cotes se obtienen por el procedimiento anteriormente des-
crito, integraci on del polinomio interpolador de Lagrange, pero considerando sopor-
tes equiespaciados.
Si el intervalo [a, b] lo dividimos en n trozos de igual longitud, equiespaciados,
cada trozo medir a h =
ba
n
lo que nos permitir a escribir todos los nodos en funci on
de los puntos extremos del intervalo: x
1
= a + 1h, x
2
= a + 2h, x
3
= a + 3h,...... ,
b = x
n
= a + nh. A h le llamaremos paso del soporte o de la partici on.
Cuando tomamos un soporte equiespaciado, los coecientes A
i
de la formula de
interpolaci on de Newton-Cote, tienen la propiedad de que A
k
= A
(nk)
. Esto nos
permitir a que tan s olo tengamos que calcular la mitad de dichos coecientes.
Por otro lado, como los A
i
solo dependen del soporte, los podemos usar para
cuadrar cualquier integral siempre que en ella se repita el soporte.
Ejemplo 4.1.2 Los coecientes A
i
para el soporte {1, 2, 3} son: A
0
= A
2
=
1
3
y
A
1
=
4
3
de modo que:
I =
_
3
1
e
x
dx
1
3
e
1
+
4
3
e
2
+
1
3
e
3
.
pero tambien:
I =
_
3
1
log(x)dx
1
3
log(1) +
4
3
log(2) +
1
3
log(3).
Los coecientes A
i
de Newton-Cotes, con soportes de paso constante, no dependen
de los puntos concretos tomados, pero s del paso entre ellos, por ejemplo:
Si tomamos S = {a, a + h} el sistema sera:
A
0
+ A
1
= h
aA
0
+ (a + h)A
1
= ah +
h
2
2
y sus soluciones, los coecientes, son: A
0
= A
1
=
h
2
Si tomamos S = {a, a + h, a + 2h} los coecientes son: A
0
= A
2
=
h
3
A
1
=
4h
3
Si tomamos S = {a, a + h, a + 2h, a + 3h} los coecientes son: A
0
= A
3
=
3h
8
A
1
= A
2
=
9h
8
i
0
= A
2
=
1
3
y
A
1
=
4
3
y los de {2, 3, 4} y los de {0, 1, 2} y los de {1.2, 2.2, 3.2} y los de cualquier
soporte de tres puntos equiespaciados una unidad.
i
0
= A
2
= 1 y
A
1
= 4 puesto que el paso es h = 3.
Ejemplo 4.1.5 Calcular
_
1
0
f(x)dx con el soporte {0,
1
2
, 1}
a)Sif(x) = x
2
.
b)Sif(x) = x
4
.
Calculamos los coecientes A
i
: A
0
= A
2
=
1
6
y A
1
=
4
6
puesto que el paso es
h =
1
2
. Montamos la f ormula y en el primer caso queda:
I =
_
1
0
x
2
dx
1
6
0 +
4
6
(
1
2
)
2
+
1
6
1
2
=
1
6
+
1
6
=
1
3
.
que como f acilmente se puede comprobar es el valor exacto, ya que el polinomio del
integrando es de grado n = 2.
En el segundo caso:
I =
_
1
0
x
4
dx
1
6
0 +
4
6
(
1
2
)
4
+
1
6
1
4
=
1
6
+
1
24
=
5
24
= 0.208333
resultado diferente del exacto que es: I =
_
1
0
x
4
dx =
1
5
= 0.2
4.1.3 F ormula del Trapecio
Si aplicamos la f ormula de cuadratura de Newton-Cotes que acabamos de ver
_
b
a
f(x)dx
n
i=0
f(x
i
)A
i
para el caso n = 1, s olo tendremos dos elementos en el
soporte; los extremos de integraci on {a, b}. Consecuentemente los coecientes A
i
son
faciles de calcular, al ser iguales, A
0
= A
1
=
ba
2
y con ello:
I =
_
b
a
f(x)dx
b a
2
f(a) +
b a
2
f(b) =
b a
2
(f(a) + f(b)).
Es la llamada F ormula del Trapecio:
_
b
a
f(x)dx
f(a)+f(b)
2
(b a)
Teorema 4.1.6
Dada una funcion f(x) continua en un intervalo [a, b], su integral podemos aproxi-
marla mediante la f ormula:
_
b
a
f(x)dx
f(a)+f(b)
2
(b a).
Esta formula podemos interpretarla geometricamente de una manera muy sencilla
que justicar a su nombre.
Supongamos para jar las ideas, que f(x) es una funcion positiva en [a, b], si
se observan los gr acos que siguen, Figura 4.2 y 4.3, la expresi on
f(a)+f(b)
2
(b a)
mide el area del trapecio de altura (b a), y bases f(a) , f(b); area del trapecio
= semisuma de las bases por la altura y con dicha area aproximamos el area del
trapecio mixtilneo que es el area exacta.
Figura 4.2: Graco del metodo del trapecio para la funci on f(x).
Antes de continuar vamos a dar un resultado de gran utilidad a la hora de acotar
el error cometido al usar esta formulaci on.
Teorema 4.1.7
Sean f(x) y g(x) funciones continuas en un intervalo I = [a, b], de forma que g(x)
no cambia de signo en I. Entonces existe un valor interior a I tal que:
_
b
a
f(x)g(x)dx = f()
_
b
a
g(x)dx
Figura 4.3: Area del trapecio que nos ayuda a aproximar el valor de la integral.
En nuestro caso el error ser a: 4.1
e(n) =
_
b
a
(f(x) P(x))dx =
_
b
a
(x a)(x b)
2
f
(x)dx
aplicando el teorema anterior.
e(n) =
_
b
a
(f(x) P(x))dx =
f
()
2
_
b
a
(x a)(x b)dx
siendo a < < b
Haciendo c alculos, podemos concluir que el error cometido al usar la f ormula del
Trapecio para aproximar la integral dada ser a:
e =
(b a)
3
12
f
()
siendo a < < b.
El problema es que no conocemos el valor de f
() y para solventar esto, recurri-

remos a acotarlo.
Teorema 4.1.8
Si una funci on f(x) admite al menos hasta la derivada segunda continua en un inter-
valo [a, b], el error, en valor absoluto, que se comete al usar la f ormula del Trapecio
lo da la expresi on: = |
(ba)
3
12
f
()| con a b. o acotando:

(b a)
3
12
M
2
siendo M
2
= valor m aximo o una cota superior del valor absoluto de la derivada
segunda: f
(x) en [a, b].

Se aprecia que el error depende de la nura o longitud del intervalo, por lo que
mientras menor sea h mejor ser a el resultado. Si pretendemos mejorar la aproximaci on
de una integral dada, deberemos efectuar una partici on del intervalo de integraci on,
como haremos m as adelante, de modo que los trapecios se amolden mejor al area que
representa la integral. Otra apreciaci on es que si f(x) es un polinomio de primer
grado, la f ormula del trapecio es exacta.
Ejemplo 4.1.9 Aproximar por el metodo del Trapecio el valor de la integral:
_
4
2
(x
3
4x + 8)dx
Ser a:
_
4
2
(x
3
4x + 8)dx
f(2)+f(4)
2
(4 2) = 64 ya que f(2) = 8 8 + 8 = 8 y
f(4) = 64 16 + 8 = 56.
El error lo acotaremos por:
(ba)
3
12
M
2
=
(42)
3
12
M
2
y como f
(x) = 6x, en [2, 4],

el maximo lo tendr a en el extremo superior ya que siempre es positiva en I: M
2
= 24
y con ello,
(42)
3
12
24 = 16
Como la integral es f acil de calcular, su valor exacto es:
_
4
2
(x
3
4x + 8)dx = 52
siendo el error exacto 12.
Figura 4.4: Se aprecia el error si aplicamos el metodo del trapecio; diferencia de
areas.
Figura 4.5: Graco: La aproximaci on mejora si partimos en intervalo en dos su-
bintervalos.
4.1.4 F ormula compuesta de los Trapecios
Procedemos con la estrategia de dividir el intervalo de integraci on en n partes iguales
{x
0
, x
1
, , x
i
, , x
n
} , aplicamos a cada subintervalo la f ormula del Trapecio y
sumamos:
_
b
a
f(x)dx (x
1
x
0
)
f(x
0
) + f(x
1
)
2
+ (x
2
x
1
)
f(x
1
) + f(x
2
)
2
+
+(x
3
x
2
)
f(x
2
) + f(x
3
)
2
+ + (x
n
x
n1
)
f(x
n
) + f(x
n1
)
2
como cada
x
(i1)
x
i
2
=
h
2
podemos concluir:
_
b
a
f(x)dx
h
2
[f(x
0
) + 2{f(x
2
) + + f(x
(n1)
)} + f(x
n
)]
O lo que es lo mismo:
_
b
a
f(x)dx
(b a)
2n
[f(x
0
) + 2{f(x
2
) + + f(x
(n1)
)} + f(x
n
)]
_
b
a
f(x)dx
(b a)
2n
[f(x
0
) + 2
n1
i=1
f(x
i
) + f(x
n
)]
Que es la formula compuesta de los Trapecios o simplemente f ormula de los Tra-
pecios.
Figura 4.6: Formula compuesta de los Trapecios; partimos en intervalo en varios
subintervalos.
Ahora el error ser a la suma de los errores producidos cada intervalo, como el
soporte es equiespaciado, tomando M
2
com un para todos, el error s olo depende de
su paso h =
ba
n
y este es siempre el mismo, por lo tanto, el error ser a
h
3
12
M
2
en
cada subintervalo y como hay n, el error total lo mediremos con la siguiente f ormula:
n
h
3
12
M
2
=
(ba)
3
12n
2
M
2
Formula del error

(b a)
3
12n
2
M
2
Donde M
2
es el valor m aximo o una cota superior de |f
2
(x)| en [a, b].
A veces calcular y acotar la derivada segunda de f(x) es complicado. Cuando surja
esta dicultad, dispongamos de la derivada primera y la partici on sea sucientemente
na, podemos estimar el error por la f ormula:
|
(b a)
2
12n
2
[f
1
(b) f
1
(a)]|
siendo f
1
la derivada primera.
Ejemplo 4.1.10 Aproximar por el metodo de los Trapecios con n = 3, el valor de la
integral:
_
4
1
1
x
dx. Acotar el error y averiguar la partici on necesaria para que el error
no supere una centesima.
Solucion:
Figura 4.7: Area que calcula nuestra integral.
Si hacemos la partici on solicitada del intervalo de integraci on, esta ser a: {1, 2, 3, 4}
y sus imagenes mediante f seran: {1,
1
2
,
1
3
,
1
4
}.
Aplicamos la f ormula de los Trapecios:
_
4
1
1
x
dx
(4 1)
6
[f(1)+2{f(2)+f(3)}+f(4)] =
3
6
[1+2{
1
2
+
1
3
}+
1
4
] =
35
25
= 1.458333...
Acotemos el error:
(41)
3
12(3
2
)
M
2
f
2
(x) =
2
x
3
funcion decreciente en [1, 4] por lo
que su maximo lo da en x = 1 y consecuentemente M
2
= 2.

(4 1)
3
12(3
2
)
2 =
1
2
= 0.5
Si queremos que el error no supere una centesima, debe ser: 0.01
(41)
3
12n
2
2 =
9
2n
2
es decir,
1
100

9
2n
2
; n
2
900
2
= 450 ; n
_
(450) = 21.2132..;
Necesitaremos hacer una partici on tal que n = 22.
Si le aplicamos la f ormula de acotaci on del error, obtendremos que para n = 22 el
error es: e 0.0092..
Si le aplicamos la formula de estimaci on del error, obtendremos que para n = 22
el error es: e 0.0014..
El valor exacto de la integral es I = 1.386294... y el valor por los Trapecios con
n = 22 es I = 1.387744... por lo que el error exacto es 0.001450..
4.1.5 F ormula de Simpson.
Si aplicamos la f ormula de cuadratura de Newton-Cotes
_
b
a
f(x)dx
n
i=0
f(x
i
)A
i
para
el caso n = 2, tendremos tres elementos en el soporte: {a,
a+b
2
, b}.
Los coecientes A
i
son faciles de calcular, A
0
= A
2
=
ba
6
; A
1
=
4(ba)
6
y con ello:
I =
_
b
a
f(x)dx
b a
6
f(a)+
4(b a)
6
f(
a + b
2
)+
b a
6
f(b) =
(b a)
6
[f(a)+4f(
a + b
2
)+f(b)].
Formula de Simpson:
_
b
a
f(x)dx
(ba)
6
[f(a) + 4f(
a+b
2
) + f(b)].
La interpretaci on geometrica de este metodo es sencilla. Supongamos f(x) positiva
en en intervalo de integraci on, lo que hacemos es que aproximamos el area medida por
la integral mediante el area limitada por la par abola y = ax
2
+bx+c que pasa por los
puntos {(a, f(a)), (
a+b
2
, f(
a+b
2
), (b, f(b)))}; es decir sustituimos f(x) por la ecuaci on de
la par abola. Hay que destacar que para aplicar este metodo necesitamos usar trios
Figura 4.8: Graca del area que queremos calcular.
de puntos en la partici on, esto se traducir a cuando la apliquemos a varios intervalos
concatenados, f ormula compuesta de Simpson, que necesariamente la partici on n
utilizada, debe ser par. Esto lo precisaremos m as adelante.
Para el error procederamos de manera similar a la usada para el Trapecio y lo
mediremos como dicta el siguiente teorema.
Teorema 4.1.11
Si funcion f(x) admite al menos hasta la derivada cuarta continua en un intervalo
Figura 4.9: Graca de la aproximaci on por el metodo de Simpson.
[a, b], el error, en valor absoluto, que se comete al usar la f ormula de Simpson lo da
la expresi on: = |
h
5
90
f
4
()| con a b. o acotando:

h
5
90
M
4
=
(b a)
5
90n
5
M
4
=
(b a)
5
2880
M
4
para recordarla mejor, se suele escribir (como n=2):

(b a)
5
90 2
5
M
4
=
(b a)
5
2880
M
4
siendo M
4
cuarta, f
4)
(x), en [a, b].
La f ormula de Simpson que acabamos de ver es exacta cuando el integrando f(x)
es un polinomio de grado menor o igual que tres, un grado mas de lo previsible.
Al igual que ocurra en el metodo del Trapecio, a menor longitud del intervalo de
integraci on menor es el error.
Ejemplo 4.1.12 Aproximar por el metodo de Simpson el valor de la integral:
_
2
0
(x
4
+ 1)dx
Tenemos un intervalo de integraci on que es el [0, 2], necesitamos un tercer punto y
como el paso debe ser constante, esta ser a el intermedio es decir tomamos los puntos
de abscisas {0, 1, 2} cuyas im agenes por f son {1, 2, 17}. Notese que la partici on es
par, n = 2.
Aplicando la f ormula de Simpson:
_
2
0
(x
4
+ 1)dx
(20)
6
[f(0) + 4f(1) + f(2)] =
1
3
[1 + 4(2) + 17] =
26
3
= 8.666666...
Ahora acotaremos el error cometido:
(20)
5
2880
M
4
. Para ello hemos de determinar
M
4
por lo que necesitamos la derivada cuarta de la funci on.
f
4
(x) = 24 , constante, luego M
4
= 24 y consecuentemente:

(2 0)
5
2880
24 =
(24(2
5
)
2880
=
24
90
= 0.266666..
Si queremos aproximar mejor el resultado, podramos proceder considerando que:
_
2
0
(x
4
+ 1)dx =
_
1
0
(x
4
+ 1)dx +
_
2
1
(x
4
+ 1)dx y al aplicar Simpson a cada una de ellas
reduciremos el error ya que hacemos m as peque nos los intervalos de integraci on. Para
aplicar Simpson, tomaremos los puntos de abscisas {0,
1
2
, 1} para la primera integral y
los puntos de abscisas {1,
3
2
, 2} para la segunda, entonces tendramos:
_
2
0
(x
4
+1)dx =
_
1
0
(x
4
+1)dx+
_
2
1
(x
4
+1)dx
(10)
6
[f(0) +4f(
1
2
) +f(1)] +
(21)
6
[f(1) +4f(
3
2
) +f(2)] =
1
6
[f(0) + 4[f(
1
2
) + f(
3
2
)] + 2[f(1)] + f(2)]
Esto equivale a calcular la integral inicial tomando una partici on de 5 puntos de
abscisas {x
0
= 0, x
1
=
1
2
, x
2
=
3
2
, x
3
= 1, x
4
= 2} por lo que n = 4 y consecuentemente:
_
2
0
(x
4
+ 1)dx
(1 0)
6
[f(0) + 4f(
1
2
) + f(1)] +
(2 1)
6
[f(1) + 4f(
3
2
) + f(2)]
_
2
0
(x
4
+ 1)dx
1
6
[f(0) + 4[f(
1
2
) + f(
3
2
)] + 2[f(1)] + f(2)]
Observa que podemos escribirlo:
_
b
a
f(x)dx
b a
3n
[f(x
0
) + 4[f(x
1
) + f(x
3
)] + 2[f(x
2
))] + f(x
4
)]
donde las im agenes de los puntos extremos aparecen s olo una vez, las de puntos
con subndice impar, cuatro veces y las de los de subndice par dos veces. Tambien
debemos observar que necesitaremos de un n umero impar de puntos, lo que se traduce
en una partici on de orden n = par.
Si miramos el error cometido,
1

(10)
5
2880
24 = 0.008333.. y
2

(21)
5
2880
24 =
0.008333.. de modo que sum andolos, 2
1
5
2880
24 = 0.0166.. bastante menor que por
el primer camino.
4.1.6 F ormula compuesta de Simpson
Nos proponemos aproximar el valor de una integral
_
b
a
f(x)dx y divi-
dimos el intervalo de integraci on en un n umero n par de subinterva-
los, todos iguales, de modo que usaremos los puntos de abscisas siguien-
tes: {x
0
, x
1
, x
2
, , x
n
} y aplicamos la estrategia de Simpson para los trios:
{x
0
, x
1
, x
2
}, {x
2
, x
3
, x
4
}, , {x
(i1)
, x
i
, x
(i+1)
}, ......., {x
(n2)
, x
(n1)
, x
n
} de este modo
se obtiene la siguiente
Formula compuesta de Simpson :
_
b
a
f(x)dx
b a
3n
[E + 4I + 2P]
donde:
E = suma de las im agenes de los puntos extremos: f(x
0
) + f(x
n
).
I = suma de las im agenes de los puntos con subndice impar, excluidos los extre-
mos: f(x
1
) + f(x
3
) + .
P = suma de las im agenes de los puntos que subndice par, excluidos los extremos:
f(x
2
) + f(x
4
) + .
El error sera la suma de los errores en cada subintervalo que se expresa:

(b a)
5
180n
4
M
4
siendo M
4
cuarta: f
4
(x) en [a, b].
La f ormula de acotaci on del error tiene la dicultad del c alculo de una derivada
cuarta y su posterior acotaci on, si queremos evitar esta dicultad, podemos estimar
el error mediante esta otra f ormula:
|
(b a)
4
180n
4
[f
3
(b) f
3
(a)]|
Con ella, evitamos la cuarta derivada pero no la tercera, que no tendremos que acotar.
Esta formulaci on estima el error con garanta para n sucientemente grande.
Ejemplo 4.1.13 Aproximar por el metodo de Simpson con n = 6, el valor de la
integral:
_
2
_
1 + sen
2
(x)dx. Esta integral mide la longitud del arco [
2
,

2
] de la
funcion coseno.
Figura 4.10: Longitud de la curva medida por la integral del problema.
Hacemos una partici on en 6 partes: n = par:
x
0
=
2
, x
1
=
3
, x
2
=
6
, x
3
= 0, x
4
=

6
, x
5
=

3
, x
6
=

2
cuyas im agenes son:
y
0
=
2, y
1
=
7
2
, y
2
=
5
2
, y
3
= 1, y
4
=
5
2
, y
5
=
7
2
, y
6
=
2
por lo tanto,
_
2
_
1 + sen
2
(x)dx =

18
[
2 + 4[
7
2
+ 1 +
7
2
] + 2[
5
2
+
5
2
] +
2] = 3.819403...
Ejemplo 4.1.14 Aproximar por el metodo de Simpson con n = 4, el valor de
_
5
1
4x
x+1
dx. Acotar el error y despues averiguar la partici on necesaria para garanti-
zar un error menor que una milesima.
La partici on ser a: [1, 2, 3, 4, 5] y sus im agenes: [2, 8/3, 3, 16/5, 10/3]
Apliquemos la f ormula de Simpson: E = 2 +
10
3
=
16
3
; I =
8
3
+
16
5
=
88
15
; P = 3 por
lo que tendremos:
_
5
1
4x
x + 1
dx
b a
3n
[E + 4I + 2P] =
5 1
12
[
16
3
+ 4
88
15
+ 2(3)] =
522
45
= 11.6
Ahora acotaremos el error.
Debemos acotar previamente la derivada cuarta de la funci on, f
4
(x) =
96
(x+1)
5
, en
[1, 5]. Como la funci on derivada de la derivada cuarta es f
5
(x) =
480
(x+1)
6
, positiva en
todo [1, 5], podemos armar que f
4
es creciente, luego en valor absoluto el m aximo
lo alcanza en uno de los extremos del intervalo: |f
4
(1)| =
96
2
5
y |f
4
(5)| =
96
6
5
luego
eligiendo la mayor, M
4
= |f
4
(1)| = 3 y con ello:

(b a)
5
180n
4
M
4
=
(5 1)
5
180(4
4
)
3 = 0.066666..
Por ultimo si queremos que el error no supere una milesima debe ser:
0.001 |
4
5
180n
4
3|
de modo que despejando: n
4
4
5
180
3000 = 17066.66.. por lo que n 11.43 de donde
podemos concluir diciendo que tomando el primer entero par mayor de este resultado,
n = 12, nos garantizar a al aplicar Simpson, un error menor que una milesima.

Cal Num Apuntes

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cal Num Apuntes

Transféré par

Droits d'auteur :

Formats disponibles

E.T.S.

1. El error absoluto es = |3 3.1| = 0

033. Se observa que, a pesar de que el error absoluto cometido en la segunda

9999 se tiene que = 10

000 con los de 1

2 (con todas sus cifras decimales exactas). Escoger, entre las

(c)| (z) 0.24 10

(c)| (z) 0.0018 10

005 es una aproximaci on de (

(x) = 0; ecuacion no lineal cuya resoluci on, en general, puede conformar

(x). Para ello, con generalidad, basta estudiar

(x) en puntos situados en cada uno de los intervalos en que dividen

(x). En el caso que nos lleva,

(x) es x = 1, el cual divide a la recta real (que es el dominio

(x) en cualesquiera puntos en estos intervalos

(x) en todos los puntos de estos intervalos.

(0) = 1 > 0, se deduce que:

es una cota inferior de las races de P(x) = 0.

es una cota superior de las races negativas de P(x) = 0 y c es una

= 1 es una cota superior de las races positivas de R(x), luego

= 1 es una cota inferior de las races positivas.

). Por otra parte, Q(x) =

3 es una raz de la ecuacion x

5. Sigamos los pasos del

75. Por tanto,

alisis del Error) Sea x una raz de la ecuacion f(x) = 0.

(x)| > 0, entonces

3 y nos indica el valor que debemos tomar de x

3) en el intervalo [1, 2].

(x) = 2 no se anulan en ning un punto del intervalo

(2) > 0), la regla de Fourier nos asegura

73205080756888 es una aproximaci on de

3 con 14 cifras decimales

(x) se anula en [1, 1] precisamente en el mismo punto donde f(x) = x sen x

(x) tal que para todo punto de I

() y para solventar esto, recurri-

()| con a b. o acotando:

(x) en [a, b].

(x) = 6x, en [2, 4],

Vous aimerez peut-être aussi