Euler y Runge Kutta 2

UN CURSO DE C
ALCULO NUM
ERICO:
INTERPOLACI
ON, APROXIMACI
ON, INTEGRACI
ON
Y RESOLUCI
ON DE PROBLEMAS DIFERENCIALES
Version de apuntes teoricos para Calculo Numerico III
Asignatura Troncal, Cuarto Curso
Facultad de Matematicas Universidad de Sevilla
(No incluye ejercicios propuestos)
Anna Doubova (http://www.personal.us.es/doubova)
Francisco Guill en Gonz alez (http://www.personal.us.es/guillen)
Departamento de Ecuaciones Diferenciales y Analisis Numerico, Universidad de Sevilla
Indice general
Prologo iii
1 Interpolacion polinomica 1
1.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Interpolacion global de Lagrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1 Existencia y unicidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2.2 Expresion del error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.3 Calculo de la norma uniforme del polinomio soporte en soportes equidistantes de pocos
puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.4 Algoritmos de construccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.5 Minimizacion de la norma uniforme del polinomio soporte . . . . . . . . . . . . . . . . 6
1.2.6 Interpolacion global y convergencia uniforme . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Interpolacion global de Hermite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3.1 Existencia y unicidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.2 Expresion del error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.3 Algoritmos de construccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.4 Extension a la interpolacion de Hermite general . . . . . . . . . . . . . . . . . . . . . . 13
1.4 Interpolacion a trozos y convergencia uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5 Splines . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5.1 Splines cuadraticos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5.2 Splines c ubicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.5.3 Minimizacion de la curvatura de splines c ubicos . . . . . . . . . . . . . . . . . . . . . . 20
1.5.4 Estimaciones del error de splines c ubicos . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 Mejor aproximacion 23
2.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Mejor aproximacion en norma uniforme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.1 Caso particular: f P
n+1
[x] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.2 Caso general: f C
0
([a, b]) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Mejor aproximacion en normas hilbertianas (mnimos cuadrados) . . . . . . . . . . . . . . . . 26
2.3.1 Resolucion de ecuaciones normales con base ortogonal . . . . . . . . . . . . . . . . . . 28
2.3.2 Mejor aproximacion en seminormas hilbertianas (caso discreto) . . . . . . . . . . . . . 32
3 Integraci on numerica 35
3.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Formulas de cuadratura. Orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Formulas de cuadratura de tipo interpolatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.1 Error en una formula de cuadratura respecto de la longitud del intervalo . . . . . . . 38
3.3.2 Analisis del error . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.4 Formulas de cuadratura de Newton-Cotes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
3.4.1 Formulas de cuadratura de Newton-Cotes cerradas . . . . . . . . . . . . . . . . . . . . 43
i
ii

INDICE GENERAL
3.4.2 Formulas de cuadratura de Newton-Cotes abiertas . . . . . . . . . . . . . . . . . . . . 44
3.5 Integracion a trozos. Formulas compuestas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.5.1 Error en formulas de Newton-Cotes compuestas. Convergencia . . . . . . . . . . . . . 47
3.6 Formulas de cuadratura de Gauss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4 Problema de Cauchy para ecuaciones diferenciales ordinarias 55
4.1 Introduccion. Algunos resultados teoricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Descripcion de algunos algoritmos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.3 Metodo de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3.1 Consistencia y orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3.2 Convergencia, orden de convergencia y estimaciones del error de discretizacion . . . . 59
4.3.3 Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.3.4 El metodo de Euler implcito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.4 Metodos generales de un paso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.4.1 Consistencia y orden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.4.2 Convergencia, orden de convergencia y estimacion del error de discretizacion . . . . . 66
4.4.3 Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.5 Metodos de Taylor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.6 Metodos de Runge-Kutta explcitos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5 Problemas de contorno para ecuaciones diferenciales ordinarias 71
5.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.2 El metodo de disparo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.2.1 El caso lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
5.3 Metodo de las diferencias nitas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Bibliografa 79
A. Doubova - F. Guillen Gonzalez - Dpto. Ecuaciones Diferenciales y Analisis Numerico - Univ. de Sevilla
Prologo
En este libro se presentan los contenidos correspondientes a la asignatura troncal de segundo ciclo llamada
Calculo Numerico III, que los autores hemos impartido en los ultimos a nos en la Licenciatura en Matematicas
de la Universidad de Sevilla. Los contenidos teoricos se complementan con ejemplos y ejercicios resueltos
(muchos de ellos son problemas de examenes) y con una relacion de ejercicios propuestos para cada captulo.
Estos contenidos teorico/practicos constituyen 7.5 creditos de los 9 creditos totales de la asignatura (los 1.5
creditos restantes son de Laboratorio).
El dise no del plan de estudios en vigor de la Licenciatura en Matematicas de la Universidad de Sevilla,
que data de 1997, tiene la siguiente distribucion de contenidos troncales de Calculo Numerico, repartidos
en tres asignaturas cuatrimestrales. Tipos de errores, metodos directos de resolucion de sistemas lineales y
aproximacion de races de ecuaciones no lineales (en Calculo Numerico I); metodos iterativos para sistemas
lineales, aproximacion de autovalores y autovectores y aproximacion de sistemas no lineales (en Calculo
Numerico II); interpolacion y aproximacion de funciones, integracion numerica y resolucion de problemas
diferenciales ordinarios (en Calculo Numerico III).
La distribucion anterior hace que los contenidos de la asignatura Calculo Numerico III tenga solo una
interaccion relativa con las dos asignaturas previas de primer ciclo, por lo que el material que presentamos
resulta practicamente autocontenido, y de posible lectura para alumnos universitarios, no necesariamente
estudiantes de la Licenciatura en Matematicas. Por tanto, consideramos que esta obra puede estar dirigida a
un p ublico bastante amplio, como pueden ser estudiantes de Licenciaturas en Ciencias (Matematicas, Fsica,
Qumica, Biologa, etc...), y tambien estudiantes de Ingenieras y Arquitectura.
En el desarrollo de los temas, hemos dado bastante importancia al Analisis Numerico (buen planteamiento
de los problemas, convergencia, estimaciones de error, ...), aunque sin olvidar la presentacion de algoritmos
ecientes de calculo, ejemplos resueltos y relacion de ejercicios propuestos.
La obra consta de cinco captulos sobre algunos temas de Calculo Numerico. En los Captulos 1 y 2, se
desarrollan las tecnicas de interpolacion polinomica (tanto global como a trozos) y aproximacion de funciones
(bien de manera uniforme, es decir con la norma del maximo, bien en el sentido de mnimos cuadrados).
En el Captulo 3, se estudia la integracion numerica en una variable (de nuevo tanto global como a trozos),
mas concretamente las formulas de cuadratura de tipo interpolatorio y con soporte regular y las formulas
de cuadratura de Gauss con soporte optimo. Finalmente, los Captulos 4 y 5, estan dedicados a esquemas
numericos para aproximar soluciones de problemas diferenciales ordinarios, tanto problemas de Cauchy (en
el Captulo 4) como problemas de contorno (en el Captulo 5). Mientras que en el caso de los problemas de
Cauchy, hemos procurado recoger los resultados mas importantes de los esquemas de un paso, en el caso
de problemas de contorno solo hacemos una introduccion, desde el punto de vista de la implementacion
numerica, a dos tipos de algoritmos, el metodo de disparo y el de diferencias nitas.
Por otra parte, el orden de los contenidos esta basado en las siguientes relaciones. La interpolacion
polinomica se usa en la aproximacion de funciones y en la integracion numerica. A su vez, la integracion
numerica es una forma de introducir el dise no de esquemas numericos para la aproximacion de problemas
iii
iv
diferenciales ordinarios.
Finalmente, hemos credo conveniente la redaccion de este texto, porque a nuestro entender resulta
complicado encontrar referencias con esta distribucion entre Analisis Numerico y estudio de algoritmos que
proponemos aqu. Normalmente en la Bibliografa se encuentran, o bien libros con marcado acento tecnico
con desarrollo de muchos ejercicios resueltos pero con poca dedicacion al analisis numerico, o bien libros
mas clasicos centrados en el analisis numerico, pero a nuestro entender poco pedagogicos, porque suelen ser
muy extensos y con un nivel de profundidad en los resultados mucho mayor que el exigido en los cursos
universitarios.
Sevilla, 31 de Mayo de 2006
Los autores
Captulo 1
Interpolacion polinomica
1.1 Introduccion
El concepto de interpolacion surge, por ejemplo, cuando disponemos de datos que provienen de mediciones
experimentales o estadsticos, puesto que queremos determinar la evolucion general de estos datos con el
objetivo de estimar/predecir los valores que no conocemos. Por ejemplo, esto ocurre si tenemos partes de una
imagen fotograca y queremos reconstruir la imagen completa. En otras palabras, buscamos una funcion
(llamada funcion interpolante) que toma valores predeterminados en algunos puntos. Notemos que otra
aplicacion de la interpolacion es la aproximacion de funciones dadas.
En este curso, analizaremos solo el caso en que la funcion interpolante es un polinomio, es decir, hablare-
mos de la interpolacion por polinomios. Mencionemos que existen otras posibles interpolaciones, como
por ejemplo, interpolacion con funciones racionales, trigonometricas, logartmicas, exponenciales, etc, cuyo
analisis se escapa de nuestros objetivos. La razon de interpolar con polinomios es que son funciones faciles
de manejar (son sencillas las operaciones con ellas, el calculo de sus derivadas e integrales, etc...) y, por otra
parte, proporcionan una amplia gama de metodos de integracion numerica y de resolucion de ecuaciones
diferenciales (como veremos en los Captulos 3 y 4).
La estructura general de este captulo es la siguiente. Comenzamos en la Seccion 1.2 introduciendo
el concepto de la interpolacion polinomica de Lagrange. Probamos un resultado de existencia y unicidad
del polinomio de interpolacion y una expresion del error de interpolacion. Presentamos dos algoritmos
de construccion del polinomio de interpolacion. A la vista de la expresion del error obtenida, analizamos
el problema de minimizar la cota del error de interpolacion, usando para ello la sucesion de polinomios
de Chebychev. Analizamos tambien el problema de la convergencia en norma uniforme de sucesiones de
polinomios de interpolacion. En la Seccion 1.3 hablaremos de la interpolacion de Hermite. Dedicamos la
Seccion 1.4 a la interpolacion polinomica a trozos y justicaremos que, al contrario que en el caso de
interpolacion global, este procedimiento es siempre convergente. Finalmente, en la Seccion 1.5 tratamos la
interpolacion por las funciones splines cuadraticas y c ubicas.
1.2 Interpolacion global de Lagrange
Problema 1.1 (Interpolacion global de Lagrange) Dada f C
0
([a, b]) y un soporte S = x
0
< x
1
<
< x
n
[a, b] de n + 1 puntos distintos (n 0), consideramos el siguiente problema de interpolacion:
_
Hallar p P
n
[x] tal que
p(x
i
) = f(x
i
), i = 0, 1, . . . , n,
(1.1)
donde P
n
[x] denota el espacio vectorial formado por los polinomios de grado menor o igual que n.
Denicion 1.2 Si p verica (1.1), diremos que p es el polinomio de interpolacion de Lagrange
1
de la
funcion f en los puntos x
i
, i = 0, . . . , n.
1
A veces, tambien usaremos la notacion p
n
, indicando con el subndice n el grado del polinomio de interpolacion.
1
2 1.2. Interpolacion global de Lagrange
En relacion con este problema, se plantean las siguientes cuestiones:
Demostrar que el Problema 1.1 tiene una unica solucion.
Obtener una expresion del error de interpolacion. Mas concretamente, probaremos que si f
C
n+1
([a, b]), entonces para todo x [a, b], existe
x
(a, b) tal que
f(x) p(x) =
f
n+1)
(
x
)
(n + 1)!
w
S
(x), donde w
S
(x) = (x x
0
)(x x
1
) (x x
n
) .
Diremos que w
S
es el polinomio soporte asociado a S.
Deducir algoritmos para el calculo efectivo del polinomio de interpolacion.
1.2.1 Existencia y unicidad
Teorema 1.3 Fijados un soporte de n + 1 puntos distintos S = (x
i
)
n
i=0
y unos valores reales (y
i
)
n
i=0
cua-
lesquiera, existe un unico polinomio de interpolacion asociado a los valores (x
i
, y
i
)
n
i=0
, es decir existe un
unico p P
n
[x] tal que p(x
i
) = y
i
, i = 0, . . . , n.
Demostraci on: Se divide en tres etapas.
Etapa 1: Reduccion del problema de interpolacion a un sistema lineal algebraico. Se busca p P
n
[x] de la
forma
p(x) = a
0
+a
1
x + +a
n
x
n
(1.2)
con coecientes a
i
R, i = 0, . . . , n a determinar. Las condiciones de interpolacion p(x
i
) = y
i
, i = 0, . . . , n,
conducen al siguiente sistema lineal cuadrado con la matriz de Vandermonde:
_
_
1 x
0
x
n
0
1 x
1
x
n
1
.
.
.
.
.
.
.
.
.
.
.
.
1 x
n
x
n
n
_
_
_
_
a
0
a
1
.
.
.
a
n
_
_
=
_
_
y
0
y
1
.
.
.
y
n
_
_
. (1.3)
Etapa 2: Unicidad. Supongamos que existen p, q P
n
[x] tales que
p(x
i
) = q(x
i
) = y
i
, i = 0, . . . , n.
Sea r = p q. Entonces, r P
n
[x] y verica
r(x
i
) = 0 , i = 0, . . . , n.
Al ser r un polinomio de grado a lo mas n con n + 1 races distintas, deducimos que r 0.
Etapa 3: Existencia. La existencia se obtiene, como consecuencia de las dos etapas anteriores.
Nota 1.4 Observese que el determinante de la matriz de Vandermonde es distinto de cero, pues los (x
i
)
n
i=0
son distintos entre s. Luego, para el problema de interpolacion de Lagrange, sera suciente realizar tan solo
la etapa 1 para concluir la demostracion del Teorema 1.3 (de hecho la etapa 2 y 3 es una forma indirecta de
demostrar que la matriz del sistema lineal es regular). No obstante, se realizan tambien las etapas 2 y 3, con
el objetivo de presentar un argumento mas general, que servira para para probar la existencia y unicidad
de otros problemas de interpolacion (por ejemplo, para interpolaciones que usan derivadas, como veremos
mas adelante).
1. Interpolacion polinomica 3
1.2.2 Expresion del error
Teorema 1.5 Sea f C
n+1
([a, b]). Fijados un soporte de n + 1 puntos distintos S = (x
i
)
n
i=0
del intervalo
[a, b], los valores asociados (f(x
i
))
n
i=0
y el polinomio de interpolacion p P
n
[x] tal que p(x
i
) = f(x
i
),
i = 0, . . . , n, entonces para todo x [a, b] existe
x
(a, b) tal que
f(x) p(x) =
f
n+1)
(
x
)
(n + 1)!
w
S
(x), (1.4)
donde w
S
(x) = (x x
0
)(x x
1
) (x x
n
).
Nota 1.6 El teorema anterior resulta ser una extension del teorema del Valor Medio al caso de mas de un
punto. En efecto, para n = 0 y S = x
0
, (1.4) se reduce a f(x) f(x
0
) = f
(
x
)(x x
0
).
Demostraci on:
Si x = x
i
para alg un i, el resultado del Teorema 1.5 es evidente.
Supongamos que x ,= x
i
para todo i = 0, . . . , n. Consideramos la funcion auxiliar
(t) = f(t) p(t) w
S
(t), t R
con R tal que (x) = 0. Entonces,
=
f(x) p(x)
w
S
(x)
.
Se verica que (x
i
) = 0, i = 0, . . . , n y (x) = 0 (recordar que x ,= x
i
). Como C
n+1
([a, b]) y se
anula en n + 2 puntos distintos, por el teorema de Rolle, deducimos que
C
n
([a, b]) se anula (al menos)
en n + 1 puntos distintos del intervalo (a, b). Aplicando el teorema de Rolle sucesivamente, llegamos a que
n+1)
C
0
([a, b]) y se anula (al menos) en un punto de (a, b). Sea
x
(a, b) tal que
n+1)
(
x
) = 0.
Como p
n+1)
= 0 y w
n+1)
S
= (n + 1)!, se tiene que
0 =
n+1)
(
x
) = f
n+1)
(
x
) p
n+1)
(
x
) (n + 1)! = f
n+1)
(
x
)
f(x) p(x)
w
S
(x)
(n + 1)! ,
de donde se deduce la igualdad (1.4). Esto termina la demostracion del teorema.
En lo que sigue, denotaremos por [[ [[
,[a,b]
la norma uniforme de una funcion continua en el intervalo
[a, b], es decir
[[f[[
,[a,b]
= max
x[a,b]
[f(x)[ f C
0
([a, b]).
Observemos que, a partir de la expresion del error de interpolacion (1.4), obtenemos una primera cota del
la norma uniforme de dicho error:
[[f p[[
,[a,b]

M
n+1
(n + 1)!
[[w
S
[[
,[a,b]
, donde M
n+1
= [[f
n+1)
[[
,[a,b]
. (1.5)
1.2.3 Calculo de la norma uniforme del polinomio soporte en soportes equidistantes
de pocos puntos
Fijemos S
n
= a = x
0
< < x
n
= b una particion uniforme del intervalo [a, b], es decir x
k
= a + kh,
k = 0, . . . , n con h =
ba
n
. Denotemos al polinomio soporte como
w
n
(x) = w
S
n
(x) = (x x
0
) (x x
n
).
Teorema 1.7 En las condiciones anteriores, se verica:
1. [[w
1
[[
,[a,b]
=
1
4
h
2
.
2. [[w
2
[[
,[a,b]
=
2
3
3
h
3
.
3. [[w
3
[[
,[a,b]
= h
4
.
Demostraci on: Consideramos el cambio de variable x [a, b] t [0, n] denido por x = a+th. Entonces,
w
n
(x) = h
n+1
t(t 1) . . . (t n) y
[[w
n
[[
,[a,b]
= h
n+1
[[t(t 1) . . . (t n)[[
,[0,n]
. (1.6)
1. Para n = 1, el resultado del teorema es evidente, pues [[t(t 1)[[
,[0,1]
=
1
4
.
2. Para n = 2, por simplicidad, vamos a simetrizar en torno a 0 el intervalo [0, 2], haciendo el cambio de
variable t [0, 2] s [1, 1], siendo t = s + 1. Luego,
[[t(t 1)(t 2)[[
,[0,2]
= [[(s + 1)s(s 1)[[
,[1,1]
=
2
3
3
,
donde el maximo de (s + 1)s(s 1) = s(s
2
1) en [1, 1] se alcanza en sus 2 puntos crticos
1
3
y
su valor es
2
3
3
. Entonces, teniendo en cuenta (1.6) se deduce el resultado del teorema para n = 2.
3. Para n = 3, basta simetrizar en torno a 0 el intervalo [0, 3], haciendo el cambio de variable t [0, 3]
s [
3
2
,
3
2
], siendo t = s +
3
2
y usar que
[[t(t 1)(t 2)(t 3)[[
,[0,3]
= [[(s
2
9
4
)(s
2
1
4
)[[
,[
3
2
,
3
2
]
= 1.
1.2.4 Algoritmos de construccion
Un primer algoritmo posible para construir el polinomio de interpolacion es el que proporciona la etapa 1 de
la demostracion del Teorema 1.3. Se trata de calcular los coecientes a
i
, i = 0, . . . , n en la expresion (1.2)
resolviendo el sistema lineal (1.3) con matriz de Vandermonde. Es un metodo costoso computacionalmente
(hay que tener en cuenta que la resolucion de un sistema lineal de matriz llena de dimension n tiene n umero
de operaciones del orden de n
3
en metodos directos y n
2
en cada etapa de metodos iterativos, vease por
ejemplo [Ciarlet]). Ademas, la matriz de Vandermonde esta mal condicionada si el n umero de puntos del
soporte es grande. Luego, en la practica, este metodo no se utiliza.
Vamos a presentar dos algoritmos (de Newton y de Lagrange) que son de naturaleza distinta, comparando
las ventajas e inconvenientes entre ellos. No presentamos en este texto otros posibles algoritmos que existen
en la literatura, como por ejemplo el de diferencias divididas (vease por ejemplo [Burden & Faires])), que
se trata de una variante del algoritmo de Newton.
Algoritmo de Newton
Fijados un soporte de n + 1 puntos distintos S = x
0
, , x
n
i
)
n
i=0
cualesquiera,
el algoritmo de Newton de construccion del polinomio de interpolacion consiste en buscar el polinomio de
interpolacion p
n
P
n
[x] de la forma:
p
n
(x) = c
0
+c
1
(x x
0
) +c
2
(x x
0
)(x x
1
) + +c
n
(x x
0
)(x x
1
) (x x
n1
). (1.7)
Se trata de ir calculando los coecientes (c
i
)
n
i=0
, de forma iterativa. Mas precisamente, tomamos
p
0
(x) = c
0
con c
0
R tal que p
0
(x
0
) = y
0
, es decir, c
0
= y
0
.
p
1
(x) = p
0
(x) + c
1
(x x
0
) con c
1
R tal que p
1
(x
1
) = y
1
, es decir c
1
=
y
1
y
0
x
1
x
0
. Ademas, por
construccion, p
1
(x
0
) = y
0
.
. . .
p
n
(x) = p
n1
(x) + c
n
(x x
0
)(x x
1
) (x x
n1
) con c
n
R tal que p
n
(x
n
) = y
n
, es decir
c
n
=
y
n
p
n1
(x
n
)
(x
n
x
0
)(x
n
x
1
) (x
n
x
n1
)
. Por construccion, para cada j = 0, . . . , n 1, p
n
(x
j
) =
p
n1
(x
j
) = y
j
.
Entonces, p
n
obtenido en la ultima etapa de este metodo es el polinomio de interpolacion buscado.
Ejemplo 1.8
Sean (x
0
, y
0
) = (1, 5), (x
1
, y
1
) = (3, 1), (x
2
, y
2
) = (4, 0.5). El algoritmo de Newton para calcular el polinomio
de interpolacion asociado a estos puntos consiste en buscar p
2
P
2
[x] de la forma
p
2
(x) = c
0
+c
1
(x x
0
) +c
2
(x x
0
)(x x
1
) = c
0
+c
1
(x 1) +c
2
(x 1)(x 3),
donde los coecientes c
i
, i = 0, 1, 2 se calculan como sigue:
p
0
(x) = c
0
con c
0
= y
0
= 5.
p
1
(x) = p
0
(x) +c
1
(x x
0
) con c
1
=
y
1
y
0
x
1
x
0
=
1 5
3 1
= 2 .
p
2
(x) = p
1
(x) +c
2
(x x
0
)(x x
1
) con c
2
=
y
2
p
1
(x
2
)
(x
2
x
0
)(x
2
x
1
)
=
0.5 (5 2(4 1))
(4 1)(4 3)
=
1
2
. Luego, el
polinomio de interpolacion buscado es:
p
2
(x) = 5 2(x 1) +
1
2
(x 1)(x 3).
Nota 1.9 Una ventaja del algoritmo de Newton es que si a nadimos nuevos puntos, nos sirven los calculos
anteriores. Por ejemplo, al a nadir un nuevo par de datos (x
n+1
, y
n+1
), tan solo hay que realizar una etapa
mas del metodo de Newton. En la situacion del Ejemplo 1.8, si a nadimos un punto mas (x
3
, y
3
) = (5, 2), el
polinomio de interpolacion p
3
P
3
[x] asociado a los valores (x
i
, y
i
)
3
i=0
viene dado por
p
3
= p
2
(x) c
3
(x 1)(x 3)(x 4) con c
3
=
y
3
p
2
(x
3
)
(x
3
x
0
)(x
3
x
1
)(x
3
x
2
)
=
1
8
.
En contrapartida, si queremos calcular varios polinomios con el mismo soporte asociado a valores distintos,
los calculos son completamente independientes.
Algoritmo de Lagrange
Fijados un soporte de n + 1 puntos distintos S = x
0
, , x
n
i
)
n
i=0
cualesquiera,
el algoritmo de Lagrange de construccion del polinomio de interpolacion consiste en buscar el polinomio de
interpolacion p
n
P
n
[x] de la forma:
p
n
(x) = y
0
L
0
(x) +y
1
L
1
(x) + +y
n
L
n
(x), (1.8)
donde L
i
P
n
[x], L
i
(x
i
) = 1 y L
i
(x
j
) = 0 para cada j ,= i (es decir, L
i
es un polinomio de interpolacion
asociado a los valores canonicos 0, , 1, , 0). Usando la unicidad del polinomio de interpolacion, se
puede comprobar que L
i
es de la forma:
L
i
(x) =
(x x
0
) . . . (x x
i1
)(x x
i+1
) . . . (x x
n
)
(x
i
x
0
) . . . (x
i
x
i1
)(x
i
x
i+1
) . . . (x
i
x
n
)
, i = 0, . . . , n, (1.9)
y que (1.8) es el polinomio de interpolacion buscado.
El conjunto de polinomios L
0
, L
1
, . . . , L
n
se llama la base de Lagrange asociada a los puntos (x
i
)
n
i=0
. Se
trata de una base del espacio vectorial de polinomios de interpolacion asociados a dicho soporte. Identicando
el polinomio de interpolacion con los valores (y
i
)
n
i=0
, la base de Lagrange son los polinomios de interpolacion
correspondientes a la base canonica de R
n+1
.
Nota 1.10 Una ventaja del algoritmo de Lagrange es que para el mismo soporte S = (x
i
)
n
i=0
y distintos
valores (y
i
)
n
i=0
, basta calcular la base de Lagrange una sola vez (los L
i
dependen solo de S). Esto permitira
calcular varios polinomios de interpolacion asociados al mismo soporte S y a distintos valores (y
i
)
n
i=0
.
Ademas, si el soporte S es equidistante, haciendo el cambio de variable afn x [a, b] t [0, n], los
polinomios L
i
de la base de Lagrange se transforman en polinomios l
i
que solo dependen del n umero de
puntos del soporte (y no de la posicion de los puntos). En efecto,
L
i
(x) l
i
(t) =
n
j=0,j=i
t j
i j
=
(1)
ni
n!
_
n
i
_
n
j=0,j=i
(t j) , i = 0, . . . , n (1.10)
En contrapartida, si a nadimos un punto mas al soporte hay que volver a calcular toda la base de Lagrange
asociada.
Ejemplo 1.11
Sean (x
0
, y
0
) = (2, 1), (x
1
, y
1
) = (3, 2), (x
2
, y
2
) = (1, 3), (x
3
, y
3
) = (4, 4). El algoritmo de Lagrange para
calcular el polinomio de interpolacion asociado a estos puntos consiste en buscar p
3
P
3
[x] de la forma
p
3
(x) =
3
i=0
y
i
L
i
(x) = L
0
(x) + 2L
1
(x) + 3L
2
(x) + 4L
3
(x),
donde los L
i
, i = 0, . . . , 3 se calculan usando la formula (1.9), es decir vienen dados por:
L
0
(x) =
(x 3)(x + 1)(x 4)
6
, L
1
(x) =
(x 2)(x + 1)(x 4)
4
,
L
2
(x) =
(x 2)(x 3)(x 4)
60
, L
3
(x) =
(x 2)(x 3)(x + 1)
10
.
Luego, operando llegamos a que
p
3
(x) = L
0
(x) + 2L
1
(x) + 3L
2
(x) + 4L
3
(x) =
1
60
(x
3
+ 21x
2
64x + 96).
1.2.5 Minimizacion de la norma uniforme del polinomio soporte
En esta seccion, nos ocuparemos del siguiente problema:
Problema 1.12 Minimizar la cota del error de interpolacion en norma uniforme.
Gracias a la desigualdad (1.5), este problema es equivalente al siguiente:
Problema 1.13 Minimizar la norma uniforme [[w
S
[[
,[a,b]
del polinomio soporte w
S
. Mas precisamente,
se trata de determinar un soporte

S = x
0
< < x
n
[a, b] tal que
[[w
S
[[
,[a,b]
[[w
S
[[
,[a,b]
para todo S = x
0
< < x
n
[a, b].
Como los polinomios soporte w
S
son oscilantes en [a, b], la idea principal para abordar el Problema 1.13
es encontrar un polinomio w
S
tal que todos sus mnimos y maximos relativos (los puntos crticos y los
extremos) coincidan en modulo, es decir sean, de hecho mnimos y maximos absolutos. Veremos que esto es
posible para ciertas funciones trigonometricas que coinciden con los llamados polinomios de Chebychev en
el intervalo [1, 1]. Por ello, vamos a resolver primero el problema en [1, 1]. Despues, el problema general
en el intervalo [a, b], se resuelve mediante cambio de variable.
Denimos la siguiente sucesion de polinomios por una ley de recurrencia a dos pasos.
Denicion 1.14 (Polinomios de Chebychev) Llamaremos la sucesion de polinomios de Chebychev a la
sucesion T
n
n0
denida por recurrencia como sigue:
_
T
0
= 1, T
1
(x) = x,
T
n+1
(x) = 2xT
n
(x) T
n1
(x) n 1.
(1.11)
Ejemplo 1.15
Los primeros polinomios de Chebychev de la sucesion denida en (1.11) que siguen a T
0
(x) = 1 y T
1
(x) = x
son:
T
2
(x) = 2x
2
1, T
3
(x) = 4x
3
3x, T
4
(x) = 8x
4
8x
2
+ 1, . . .
En la Figura 1.1 se muestran los polinomios T
n
para n = 2, 3, 4 en [1, 1].
1 0 1
0
1
T2=2x
2
1
1 0 1
0
1
T3=4x
3
3x
1 0 1
0
1
T4=8x
4
8x
2
+1
Figura 1.1: Representacion graca de los polinomios de Chebychev T
n
para n = 2, 3, 4.
Lema 1.16 (Propiedades de polinomios de Chebychev) Sea T
n
n0
la sucesion de polinomios de
Chebychev. Entonces se tiene
a) T
n
P
n
[x], con coeciente lder 2
n1
, para cada n 1.
b) Para cada x [1, 1], T
n
(x) = cos(narccos x).
c) T
n
tiene n races reales y distintas en (1, 1) que son de la forma:
x
k
= cos
(2k + 1)
2n
, k = 0, . . . , n 1. (1.12)
d) T
n
tiene n 1 puntos crticos en (1, 1) de la forma x
k
= cos
k
n
, k = 1, . . . , n 1 y, los extremos
del intervalo corresponden a k = 0 y k = n. Ademas, para cada k = 0, . . . , n, T
n
( x
k
) = (1)
k
y
[[T
n
[[
,[1,1]
= 1 para todo n 0.
Demostraci on: a) Se comprueban facilmente por induccion.
b) Tambien se demuestra por induccion. Para n = 0 es trivial. Supuesto cierto para n 1 y n, es
decir, T
n1
(x) = cos((n 1) arccos x) y T
n
(x) = cos(narccos x) para cada x [1, 1], veamos que
T
n+1
(x) = cos((n + 1) arccos x). En efecto, por la ley de recurrencia T
n+1
(x) = 2xT
n
(x) T
n1
(x) =
2 cos(arccos x) cos(narccos x) cos((n1) arccos x). Usando la formula 2 cos a cos b = cos(a+b) +cos(ab),
para a = arccos x y b = narccos x, se llega a T
n+1
(x) = cos((n + 1) arccos x).
c) Usando que T
n
(x) = cos(narccos x) para x [1, 1], deducimos que las soluciones de T
n
(x) = 0
en [1, 1] son de la forma x
k
= cos
(2k+1)
2n
, k Z. Para k = 0, . . . , n 1, los valores
(2k+1)
2n
son angulos
distintos en [0, ], luego los cosenos tambien son distintos, lo que implica que T
n
tiene n races distintas
en (1, 1). Como T
n
P
n
[x], los demas n umeros x
k
que se obtienen para otros valores de k se tienen que
repetir. Ademas, como hemos encontrado n races distintas en (1, 1), T
n
no puede tener mas races.
d) Consideramos T
n
(x) = 0 para x (1, 1), de donde se deduce que los puntos crticos de T
n
en
(1, 1) son de la forma x
k
= cos
k
n
, k Z. Para k = 1, . . . , n 1, los n umeros x
k
son n 1 races reales
distintas de T
n
P
n1
[x], luego de nuevo el resto de n umeros x
k
se tienen que repetir. Entonces, los x
k
para
k = 1, . . . , n 1, son los puntos crticos de T
n
. Los extremos del intervalo (1, 1) corresponden a k = 0 y
k = n, ya que x
n
= 1 y x
0
= 1.
Por otra parte, es facil comprobar que T
n
( x
k
) = (1)
k
para k = 0, . . . , n, de donde [[T
n
[[
,[1,1]
= 1.
En relacion con el Problema 1.13, el resultado que sigue prueba que un soporte que minimiza [[w
S
[[
,[1,1]
es

S = ( x
k
)
n
k=0
, el formado por las n + 1 races del polinomio de Chebychev T
n+1
de grado n + 1. Para
observar gracamente este fenomeno, en la Figura 1.2 se muestran los polinomios soporte asociados a 11
nodos (n = 10) equiespaciados y los nodos de Chebychev.
1 0.5 0 0.5 1
14
12
10
8
6
4
2
0
2
x 10
3
equiespaciados
Chebychev
Figura 1.2: Polinomios soporte w
S
(x) = (x x
0
) (x x
n
), n = 10 correspondientes a nodos equiespaciados y a los
nodos de Chebychev. Se observan grandes oscilaciones cerca de los extremos del intervalo [1, 1] del polinomio soporte
correspondiente a los nodos equiespaciados.
Teorema 1.17 (Minimizacion de [[w
S
[[
,[1,1]
) Sean T
n+1
el polinomio de Chebychev de grado n + 1 y
S = x
0
< < x
n
(1, 1) el soporte formado por sus races, es decir x
k
= cos
(2k+1)
2(n+1)
, k = 0, . . . , n.
Entonces, se tiene que
[[w
S
[[
,[1,1]
[[w
S
[[
,[1,1]
S = x
0
< < x
n
[1, 1]. (1.13)
Ademas, [[w
S
[[
,[1,1]
= 2
n
.
Demostraci on: Gracias al Lema 1.16, el polinomio 2
n
T
n+1
P
n+1
[x] es monico y con races x
k
=
cos
(2k+1)
2(n+1)
, k = 0, . . . , n, luego
2
n
T
n+1
(x) = (x x
0
) (x x
n
) = w
S
(x).
Usando de nuevo el Lema 1.16, tenemos [[T
n+1
[[
,[1,1]
= 1, de donde [[w
S
[[
,[1,1]
= 2
n
.
Veamos ahora que se tiene (1.13). Por reduccion al absurdo, supongamos que existe S = x
0
< <
x
n
[1, 1] tal que
[[w
S
[[
,[1,1]
< [[w
S
[[
,[1,1]
. (1.14)
Denimos d(x) = w
S
(x) w
S
(x). Se verica que d P
n
[x], pues w
S
, w
S
P
n+1
[x] y ambos son monicos.
Por otra parte, de (1.14) y del apartado d) del Lema 1.16, se deduce que
signo d( x
k
) = signo w
S
( x
k
) =
_
> 0 si k es par,
< 0 si k es impar,
siendo x
k
[1, 1], k = 0, . . . , n + 1 los extremos absolutos de w
S
. Aplicando el teorema de Bolzano,
deducimos que d tiene (al menos) n + 1 races distintas en (1, 1). Pero como p P
n
[x], necesariamente
d(x) 0, de donde w
S
(x) = w
S
(x) , que es absurdo.
Nota 1.18 Mediante un cambio de variable (afn) [a, b] [1, 1], no resulta difcil probar que un soporte
que minimiza [[w
S
[[
,[a,b]
es el soporte trasladado a [a, b] de

S, que resulta ser:
x
k
=
a +b
2
+
b a
2
cos
(2k + 1)
2(n + 1)
, k = 0, . . . , n. (1.15)
Por tanto, si f : [a, b] R, los puntos del soporte (1.15) tambien minimizan la cota del error de interpolacion
de f. De hecho, si f C
n+1
([a, b]) y p es el polinomio de interpolacion de soporte los puntos de (1.15),
entonces para cada x [a, b], se tiene que
[[f p[[
,[a,b]

(b a)
n+1
2
2n+1
(n + 1)!
[[f
n+1)
[[
,[a,b]
1.2.6 Interpolacion global y convergencia uniforme
Sean f C
0
([a, b]) y S
n
n0
una sucesion de soportes contenidos en [a, b] tales que S
n
tiene n + 1 puntos
distintos. Sea p
n
el polinomio de interpolacion asociado a f y S
n
. Se plantea la siguiente cuestion:
Problema 1.19 Existe lm
n
p
n
(x) = f(x), para cada x [a, b] ?
La respuesta, en general es negativa. Un ejemplo importante debido a Runge (vease, por ejemplo
[Isaacson & Keller]) muestra que para la funcion
f(x) =
1
1 +x
2
, x [5, 5]
y el soporte equidistante S
n
de n + 1 puntos distintos, se tiene que
lm
n
[[f p
n
[[
= .
Se observan grandes oscilaciones del error f p
n
cerca de los extremos. Estas oscilaciones son conocidas
como el fenomeno de Runge.
10 1.3. Interpolacion global de Hermite
Observese que no hay contradiccion con el teorema de Weierstrass (que arma la densidad de polinomios
en C
0
([a, b]) con la norma del maximo), sino que se muestra que una funcion continua no puede aproximarse,
en general, de manera arbitrariamente precisa mediante polinomios de interpolacion relativos a soportes
equidistantes.
Mas a un, se tiene ([Crouzeix & Mignot], pag. 20) que para cada eleccion de (S
n
) [a, b], existe
f C
0
([a, b]) tal que lm
n
[[f p
S
n
[[
,= 0, siendo p
S
n
el polinomio de interpolacion asociado a S
n
y f.
Por otra parte, puede probarse ([Crouzeix & Mignot]) que si f C
1
([a, b]) y p
S
n
es el polinomio de
interpolacion asociado al soporte

S
n
[a, b] formado por los nodos de Chebychev, entonces lm
n
[[f
p
S
n
[[
0.
1 0.5 0 0.5 1
0.5
0
0.5
1
1.5
f(x)=1/(1+12x
2
)
Figura 1.3: Fenomeno de Runge y nodos de Chebychev.
En la Figura 1.3, podemos observar que tomando como soporte los nodos de Chebychev se consigue
evitar el fenomeno de Runge. Mas concretamente, para la funcion
f(x) =
1
1 + 12x
2
, x [1, 1],
en la Figura 1.3 estan representados: la funcion f, el polinomio de interpolacion asociado a 11 nodos equidis-
tantes (se observan grandes oscilaciones cerca de los extremos del intervalo [1, 1]) y el polinomio de inter-
polacion asociado a 11 nodos Chebychev. Es claro, que el error de interpolacion en el caso del polinomio
de interpolacion asociado a los nodos Chebychev es mucho menor que el error de interpolacion asociado al
polinomio de interpolacion soportado en los nodos igualmente espaciados.
1.3 Interpolacion global de Hermite
Problema 1.20 (Interpolacion global de Hermite) Dada f C
1
([a, b]) y un soporte S = x
0
< x
1
<
< x
n
[a, b] de n + 1 puntos distintos, consideramos el siguiente problema de interpolacion:
_
Hallar p P
2n+1
[x] tal que
p(x
i
) = f(x
i
), p
(x
i
) = f
(x
i
), i = 0, 1, . . . , n.
(1.16)
Denicion 1.21 Si p verica (1.16), diremos que p es el polinomio de interpolacion de Hermite.
De forma analoga a la interpolacion de Lagrange (vease Seccion 1.2), se plantean las siguientes cuestiones:
Demostrar que el Problema 1.20 tiene una unica solucion.
Obtener una expresion del error.
Deducir algoritmos para el calculo efectivo del polinomio de interpolacion de Hermite.
1.3.1 Existencia y unicidad
Teorema 1.22 Fijados un soporte de n + 1 puntos distintos S = (x
i
)
n
i=0
i
)
n
i=0
y
(z
i
)
n
i=0
cualesquiera, existe un unico polinomio de interpolacion de Hermite de los valores (x
i
, y
i
, z
i
)
n
i=0
, es
decir existe un unico p P
2n+1
[x] tal que p(x
i
) = y
i
y p
(x
i
) = z
i
, i = 0, . . . , n.
Demostraci on: Se razona de forma analoga (en tres etapas) a la demostracion del Teorema 1.3.
Etapa 1: Reduccion del problema de interpolacion a un sistema lineal algebraico. Buscamos p P
2n+1
[x] de
la forma
p(x) = a
0
+a
1
x + +a
2n+1
x
2n+1
con coecientes a
i
R, i = 0, . . . , 2n + 1 a determinar. Como cada condicion p(x
i
) = y
i
, p
(x
i
) = z
i
es una
ecuacion lineal respecto de las incognitas a
i
, resulta que (1.16) es equivalente a un sistema lineal cuadrado
de 2n + 2 ecuaciones con 2n + 2 incognitas.
Etapa 2: Unicidad. Supongamos que existen p, q P
2n+1
[x] tales que
p(x
i
) = q(x
i
) = y
i
, p
(x
i
) = q
(x
i
) = z
i
, i = 0, . . . , n.
Sea r = p q. Entonces, r P
2n+1
[x] y verica
r(x
i
) = 0 , r
(x
i
) = 0 , i = 0, . . . , n.
Usando r(x
i
) = 0 y el teorema de Rolle, deducimos que r
tiene (al menos) n races distintas, una en cada

subintervalo (x
i1
, x
i
) para i = 1, . . . , n. En consecuencia, como estas races son distintas de las races x
i
para i = 0, . . . , n, se tiene que r
tiene (al menos) 2n + 1 races distintas. Como r
P
2n
[x], necesariamente
r
0. Luego r = Cte y como r(x

i
) = 0, i = 0, . . . , n, se llega a r 0.
Etapa 3: Existencia. Es consecuencia de las dos etapas anteriores.
1.3.2 Expresion del error
Teorema 1.23 Sea f C
2n+2
([a, b]). Fijados un soporte de n + 1 puntos distintos S = (x
i
)
n
i=0
de [a, b],
los valores asociados (f(x
i
))
n
i=0
, (f
(x
i
))
n
i=0
y el polinomio de interpolacion de Hermite p P
2n+1
[x] tal que
p(x
i
) = f(x
i
) y p
(x
i
) = f
(x
i
), i = 0, . . . , n, entonces para todo x [a, b] existe
x
(a, b) tal que
f(x) p(x) =
f
2n+2)
(
x
)
(2n + 2)!
w
S
(x)
2
, (1.17)
donde w
S
(x) = (x x
0
)(x x
1
) (x x
n
).
Demostraci on: Basta razonar como en la demostracion del Teorema 1.5 de expresion del error para la
interpolacion de Lagrange, tomando ahora la funcion auxiliar (t) = f(t) p(t) w
S
(t)
2
con R tal
que (x) = 0.
Nota 1.24 (Cotas optimas de error) De (1.17), obtenemos la siguiente cota de la norma uniforme del
error de interpolacion de Hermite:
[[f(x) p(x)[[
,[a,b]

M
2n+2
(2n + 2)!
[[w
S
[[
2
,[a,b]
, donde M
2n+2
= [[f
2n+2)
[[
,[a,b]
.
Ademas, si S
n
es el soporte equidistante de n + 1 puntos y w
n
(x) = (x x
0
) (x x
n
), entonces usando
el teorema 1.7 deducimos que:
[[w
1
[[
2
,[a,b]
=
_
h
2
4
_
2
=
h
4
16
, [[w
2
[[
2
,[a,b]
=
_
2h
3
3
3
_
2
=
4h
6
27
, [[w
3
[[
2
,[a,b]
=
_
h
4
_
2
= h
8
.
1.3.3 Algoritmos de construccion
Un primer algoritmo posible es la resolucion del sistema lineal cuadrado de dimension 2n+2, con incognitas
los coecientes del polinomio de interpolacion de Hermite respecto de potencias de x. Al igual que para la
interpolacion de Lagrange, se trata de un metodo costoso computacionalmente y con matriz mal condicionada
si el n umero de puntos es grande.
Algoritmo de tipo Newton
Se trata de ir calculando los coecientes del polinomio de interpolacion de Hermite de forma iterativa en
potencias de w
1
(x) = (x x
0
), w
2
(x) = (x x
0
)
2
, w
3
(x) = (x x
0
)
2
(x x
1
), w
4
(x) = (x x
0
)
2
(x x
1
)
2
,
...,w
2n+1
(x) = (x x
0
)
2
(x x
1
)
2
(x x
n1
)
2
(x x
n
). Tomamos
p
0
(x) = c
0
con c
0
tal que p
0
(x
0
) = y
0
. Luego c
0
= y
0
.
p
1
(x) = p
0
(x) + c
1
w
1
(x) con c
1
R tal que p
1
(x
0
) = z
0
, es decir p
1
(x) = c
1
= z
0
. Por construccion,
p
1
(x
0
) = y
0
.
p
2
(x) = p
1
(x) +c
2
w
2
(x) con c
2
R tal que p
2
(x
1
) = y
1
, es decir c
2
=
y
1
p
1
(x
1
)
(x
1
x
0
)
2
. Por construccion,
p
2
(x
0
) = p
1
(x
0
) = y
0
y p
2
(x
0
) = p
1
(x
0
) = z
0
.
p
3
(x) = p
2
(x) +c
3
w
3
(x) con c
3
R tal que p
3
(x
1
) = z
1
, es decir c
3
=
z
1
p
2
(x
1
)
(x
1
x
0
)
2
. Por construccion,
p
3
(x
0
) = p
2
(x
0
) = y
0
, p
3
(x
0
) = p
2
(x
0
) = p
1
(x
0
) = z
0
y p
3
(x
1
) = p
2
(x
1
) = y
1
.
. . .
p
2n
(x) = p
2n1
(x) +c
2n
w
2n
(x) con c
2n
R tal que p
2n
(x
n
) = y
n
.
p
2n+1
(x) = p
2n
(x) +c
2n+1
w
2n+1
(x) con c
2n+1
R tal que p
2n+1
(x
n
) = z
n
.
Entonces, p
2n+1
es el polinomio de interpolacion de Hermite.
Algoritmo de tipo Lagrange
Fijados un soporte de n+1 puntos distintos S = (x
i
)
n
i=0
i
)
n
i=0
y (z
i
)
n
i=0
cualesquiera,
se trata de calcular el polinomio de interpolacion de Hermite p P
2n+1
[x] de la forma:
p(x) = y
0
A
0
(x) +y
1
A
1
(x) + +y
n
A
n
(x) +z
0
B
0
(x) +z
1
B
1
(x) + +z
n
B
n
(x), (1.18)
donde A
0
, A
1
, . . . , A
n
y B
0
, B
1
, . . . , B
n
es la base de Hermite, es decir, es una base del espacio vectorial
de polinomios de interpolacion de Hermite asociados a dicho soporte, que verican:
A
i
P
2n+1
[x], A
i
(x
i
) = 1, A
i
(x
j
) = 0 para cada j ,= i y A
i
(x
j
) = 0 para todo j;
B
i
P
2n+1
[x], B
i
(x
j
) = 0 para todo j, B
i
(x
i
) = 1 y B
i
(x
j
) = 0 para cada j ,= i.
No es difcil comprobar que, para cada k = 0, . . . , n, los polinomios de la base de Hermite vienen dados por
A
k
(x) = (1 2L
k
(x
k
)(x x
k
))L
2
k
(x), B
k
(x) = (x x
k
)L
2
k
(x),
donde L
k
son los polinomios de la base de Lagrange dados en (1.9), es decir
L
k
(x) =
n
j=0,j=k
(x x
j
)
x
k
x
j
y L
k
(x) =
n
j=0,j=k
1
x
k
x
j
1.3.4 Extension a la interpolacion de Hermite general
Problema 1.25 (Interpolacion global de Hermite general) Sea S = x
0
< x
1
< < x
n
[a, b],
consideramos el siguiente problema de interpolacion:
_
_
Hallar p P
n+k
0
+k
1
+...k
n
[x] tal que
p(x
0
) = f(x
0
), p
(x
0
) = f
(x
0
), . . . , p
k
0
)
(x
0
) = f
k
0
)
(x
0
),
p(x
1
) = f(x
1
), p
(x
1
) = f
(x
1
), . . . , p
k
1
)
(x
1
) = f
k
1
)
(x
1
),
. . .
p(x
n
) = f(x
n
), p
(x
n
) = f
(x
n
), . . . , p
k
n
)
(x
n
) = f
k
n
)
(x
n
).
(1.19)
Nota 1.26
1. Se puede probar un resultado del mismo tipo que el Teorema 1.22, sobre la existencia y unicidad del
polinomio de interpolacion de Hermite general. Por otra parte, para obtener una expresion del error analoga
a (1.17), se usa el polinomio auxiliar:
w(x) = (x x
0
)
k
0
+1
(x x
1
)
k
1
+1
(x x
n
)
k
n
+1
.
2. En el problema (1.19) es fundamental que en cada nodo x
i
se interpole f y todas sus derivadas hasta f
k
i
)
.
De lo contrario, no se puede garantizar ni siquiera la existencia de solucion del problema de interpolacion.
Por ejemplo, no existe solucion del siguiente problema de interpolacion:
Hallar p P
2
[x] tal que p(0) = 0, p(1) = 1, p
(1/2) = 2.
Ejercicio 1.27 Dados S = a = x
0
< < x
n
= b y f C
1
([a, b]), consideramos el siguiente problema
de interpolacion:
_
_
_
Hallar p P
2n1
[x] tal que
p(a) = f(a), p(b) = f(b),
p(x
i
) = f(x
i
), p
(x
i
) = f
(x
i
) i = 1, , n 1.
(1.20)
a) Demostrar que el problema (1.20) tiene una unica solucion.
b) Si f C
2n
([a, b]), probar que para todo x [a, b], existe
x
(a, b) tal que
f(x) p(x) =
f
2n)
(
x
)
(2n)!
(x a)(x x
1
)
2
(x x
n1
)
2
(x b). (1.21)
Solucion: a) Tenemos 2n condiciones de interpolacion que son lineales respecto de los 2n coecientes
del polinomio de interpolacion. Por tanto, el problema (1.20) es equivalente a un sistema lineal algebraico
de dimension 2n. Entonces, para demostrar existencia y unicidad basta demostrar unicidad
2
. En efecto,
suponiendo que p
1
y p
2
son soluciones de (1.20), entonces p = p
1
p
2
verica
p(a) = 0, p(b) = 0, p(x
i
) = 0, p
(x
i
) = 0 i = 1, , n 1.
Veamos entonces que p = 0. Para ello, primero razonamos con las races de p
. Tenemos que p
verica
p
(x
i
) = 0 i = 1, , n 1, y ademas, usando el Teorema de Rolle ya que p(x
i
) = 0 i = 0, , n,
se tiene que p
tiene al menos una raz en cada subintervalo (x

i1
, x
i
), con i = 1, , n. En consecuencia,
podemos asegurar que p
tiene al menos 2n 1 races distintas. Como p
P
2n2
[x], entonces p
= 0 y
p = cte. Finalmente, esto implica que p = 0 ya que, por ejemplo, p(a) = 0.
b) Sea x [a, b]. Si x S, la igualdad (1.21) es trivial. Supongamos entonces x , S y denamos la funcion
auxiliar
(t) = f(t) p(t) w(t), t R, donde w(t) = (t a)(t x
1
)
2
(t x
n1
)
2
(t b)
con R elegido tal que (x) = 0, es decir, = (f(x)p(x))/ w(x). Entonces, (x) = 0 y tambien (x
i
) = 0
para cada i = 0, , n. En consecuencia, tenemos al menos n + 1 races distintas de en [a, b]. Aplicando
el Teorema de Rolle y considerando las races x
i
para i = 1, . . . , n 1 de
, se tiene que
tiene al menos
2n races distintas en (a, b). Aplicando reiteradamente el Teorema de Rolle, se llega a que
2n)
C
0
([a, b])
tiene al menos una raz en (a, b), que llamamos
x
. Por tanto,
0 =
2n)
(
x
) = f
2n)
(
x
) p
2n)
(
x
) w
2n)
(
x
),
de donde se tiene (1.21), teniendo en cuenta el valor de y que p
2n)
= 0.
Nota 1.28 Es posible tambien considerar otro tipo de interpolaciones que contienen derivadas y que son
distintas de las que recoge el Problema 1.25. En este caso, para probar la existencia, unicidad y expresiones
del error hay que adaptar adecuadamente a cada problema los argumentos antes presentados.
Ejercicio 1.29 Dada f C
3
([1, 1]) consideramos el siguiente problema de interpolacion:
_
Hallar p P
3
[x] tal que
p
(1) = f
(1), p(0) = f(0), p
(0) = f
(0), p
(1) = f
(1).
(1.22)
a) Demostrar que el problema (1.22) tiene una unica solucion.
b) Probar que si f C
4
([1, 1]), entonces para todo x [1, 1], existe
x
(1, 1) tal que
f(x) p(x) =
f
4)
(
x
)
24
x
2
(x
2
4x 18). (1.23)
Solucion: a) Buscamos p P
3
[x] de la forma p(x) = Ax
3
+Bx
2
+Cx+D con A, B, C, D R a determinar.
Las condiciones de interpolacion de (1.22) implican que el problema (1.22) es equivalente a un sistema lineal
algebraico cuadrado de dimension 4. Luego, basta probar la unicidad de solucion.
Supongamos que existen p, q P
3
[x] dos soluciones de (1.22). Sea r = p q. Luego, r P
3
[x] y verica:
r
(1) = r(0) = r
(0) = r
(1) = 0.
Se tiene que r
P
0
[x] es tal que r
(0) = 0, luego r
0 y r
= Cte. y como r
(1) = 0, obtenemos
que r
0, luego r
= Cte. y como r
(0) = 0, deducimos que r
0, lo que implica que r = Cte. tal que

r(0) = 0. Luego, necesariamente r 0 y, por tanto p = q. Esto prueba la unicidad.
2
si no se hace as, y se escribe explcitamente el sistema lineal, resulta complicado demostrar que la matriz del sistema es
regular
Otra forma de razonar, es directamente escribiendo el sistema lineal 44 correspondiente y ver que tiene
una unica solucion (por ejemplo, comprobando que la matriz es regular).
b) Busquemos w P
4
[x] monico tal que
w
(1) = w(0) = w
(0) = w
(1) = 0,
es decir w(x) = x
2
q(x), siendo q(x) = x
2
+ ax + b con a, b R tal que w
(1) = w
(1) = 0. No es difcil
ver que a = 4 y b = 18. Entonces,
w(x) = x
2
(x
2
4x 18).
Observese que es el polinomio que aparece a la derecha de (1.23). Razonemos ahora como en la demostracion
del teorema sobre el error de interpolacion.
Si x = 0, la igualdad (1.23) se verica trivialmente.
Supongamos que x ,= 0, x [1, 1]. Consideramos la funcion auxiliar
(t) = f(t) p(t) w(t), t R
con R tal que (x) = 0. Luego,
(t) = f(t) p(t)
f(x) p(x)
w(x)
w(t).
Se verica que (0) = 0 y (x) = 0. Como C
4
([1, 1]) y se anula en 2 puntos distintos, por el Teorema
de Rolle, deducimos que
C
3
([1, 1]) y se anula (al menos) en 1 punto del intervalo (1, 1) (que no es
0) y, como ademas
(0) = 0, obtenemos que
tiene (al menos) 2 ceros distintos en el intervalo (1, 1).

Aplicando de nuevo el Teorema de Rolle, deducimos que
C
2
([1, 1]) y se anula (al menos) en 1 punto
del intervalo (1, 1) y, como ademas
(1) = 0, por Teorema de Rolle
C
1
([1, 1]) tiene (al menos)
1 cero en (1, 1) y es tal que
(1) = 0. Una vez mas, por Teorema de Rolle tenemos que

4)
C
0
([1, 1])
y se anula (al menos) en un punto de (1, 1). Sea
x
(1, 1) tal que
4)
(
x
) = 0. Se tiene que
0 =
4)
(
x
) f
4)
(
x
)
f(x) p(x)
w(x)
4! ,
de donde se deduce la igualdad (1.23).
1.4 Interpolacion a trozos y convergencia uniforme
Ya hemos visto que, dada f C
0
([a, b]), aproximar f en norma uniforme por polinomios p
n
de interpolacion
global de n + 1 puntos con n grande, tiene los siguientes inconvenientes:
No siempre se tiene convergencia.
El calculo y manejo de p
n
es costoso para n grande.
El problema de interpolacion global, en general es inestable en el siguiente sentido, una peque na
perturbacion en el valor asociado a un nodo, tiene un efecto global, es decir puede repercutir de forma
considerable en todo el intervalo [a, b] (vease la Figura 1.4).
Para evitar estos inconvenientes, se usa la interpolacion a trozos. Veamos primero la idea general de una
interpolacion a trozos, y luego la convergencia en norma uniforme. Se ja una particion T = a = x
0
< x
1
<
< x
n
= b del intervalo [a, b] y se usa la interpolacion en cada subintervalo I
i
= [x
i1
, x
i
], i = 1, . . . , n por
polinomios de grado m con m peque no (en la practica m = 1, 2, 3). Si llamamos h = max
1in
(x
i
x
i1
)
(el diametro de la particion), se trata de aproximar f en [a, b] haciendo h 0 (en particular n +),
pero manteniendo el orden de interpolacion m jo.
Mas concretamente, el problema de interpolacion a trozos se formula como sigue:
16 1.4. Interpolacion a trozos y convergencia uniforme
5 4 3 2 1 0 1 2 3 4 5
3.5
3
2.5
2
1.5
1
0.5
0
0.5
1
1.5
Exacto
Perturbado
Figura 1.4: Lnea discontinua: el polinomio base de Lagrange L
3
asociado al tercer nodo de un soporte de 11 nodos
equidistantes en [5, 5]. Lnea continua: un polinomio de interpolacion similar, pero con una peque na perturbacion en
el valor que toma en el tercer nodo.
Problema 1.30 (Interpolacion a trozos) Dada f C
0
([a, b]) y una particion T = x
0
< x
1
< <
x
n
[a, b]. Dado m N (peque no), en cada I
i
= [x
i1
, x
i
], elegimos un soporte S
i
m
de m + 1 puntos
distintos (por simplicidad, consideramos sus extremos):
S
i
m
= x
i1
<
i,1
< <
i,m1
< x
i
.
El problema de interpolacion a trozos consiste en
_
Hallar p
h
V
h
con V
h
= q
h
C
0
([a, b]) : q
h|I
i
P
m
[x] tal que
p
h
(x
i
) = f(x
i
), i = 0, . . . , n y p
h
(
i,j
) = f(
i,j
), j = 1, . . . , m1.
(1.24)
Denicion 1.31 Si p
h
verica (1.24), diremos que p
h
es la funcion de interpolacion polinomica a trozos.
Es claro que, gracias a la existencia y unicidad del polinomio de interpolacion de la funcion f en S
i
m
I
i
,
i = 0, . . . , n (vease el Teorema 1.3), se tiene la existencia y unicidad del polinomio de interpolacion a trozos
p
h
. Notemos que, en cada I
i
, la funcion p
h
es un polinomio de grado m y que, en principio, p
h
es solo
continua en los extremos de los subintervalos. Por ejemplo, para m = 1, S
i
1
= x
i1
, x
i
y p
h
resulta ser la
poligonal que pasa por los puntos (x
i
, f(x
i
)).
Teorema 1.32 (Estimaciones del error en norma uniforme) Si f C
m+1
([a, b]), entonces
[[f p
h
[[
,[a,b]

M
m+1
(m+ 1)!
h
m+1
, donde M
m+1
= [[f
m+1)
[[
,[a,b]
.
En consecuencia, lm
h0
[[f p
h
[[
,[a,b]
= 0 con orden de convergencia m+ 1.
Demostraci on: Dado x [a, b], existe i = 1, . . . , n tal que x I
i
. Luego, p
h
(x) = p
i
m
(x), siendo p
i
m
el
polinomio de interpolacion asociado al soporte S
i
m
I
i
. Como f C
m+1
([a, b]), podemos usar el Teorema 1.5
sobre el error de interpolacion de Lagrange en cada subintervalo I
i
, i = 1, . . . , n y armar que
[[f p
h
[[
,I
i

M
m+1
(m+ 1)!
[[w
S
i
m
[[
,I
i
. (1.25)
Usando que [[w
S
i
m
[[
,I
i
h
m+1
concluimos la demostracion del teorema.
Nota 1.33 (Mejores cotas en soportes equidistantes)
1. En el caso de soportes S
i
m
equidistantes, es posible probar la siguiente estimacion de la norma uniforme
del polinomio soporte:
[[w
S
i
m
[[
,I
i

m!
4
_
h
m
_
m+1
.
En consecuencia, de (1.25) se deduce que
[[f p
h
[[
,I
i

M
m+1
4(m+ 1)
_
h
m
_
m+1
.
2. En particular, para m = 1, 2, 3, gracias al Teorema 1.7 tenemos
[[w
S
i
1
[[
,I
i
=
1
4
h
2
, [[w
S
i
2
[[
,I
i
=
2
3
3
_
h
2
_
3
, [[w
S
i
3
[[
,I
i
=
_
h
3
_
4
.
Nota 1.34 (Interpolacion a trozos de Hermite) El problema (1.24) es de interpolacion a trozos de
Lagrange. De forma analoga, es posible plantear el problema de interpolacion a trozos de Hermite: Hallar
p
h
V
h
= q
h
C
1
([a, b]) : q
h|I
i
P
2m+1
[x] tal que p
h
(x
i
) = f(x
i
), p
h
(
i,j
) = f(
i,j
), p
h
(x
i
) = f
(x
i
),
p
h
(
i,j
) = f
(
i,j
), i = 0, . . . , n, j = 1, m1.
Ademas, si f C
2m+2
([a, b]) entonces [[f p
h
[[
,[a,b]

M
2m+2
(2m+ 2)!
h
2m+2
. En consecuencia, lm
h0
[[f
p
h
[[
,[a,b]
= 0 con orden de convergencia 2m + 2. Finalmente, en el caso de soportes equidistantes, [[f
p
h
[[
,[a,b]

M
2m+2
(2m+ 2)!
_
m!
4
_
2
_
h
m
_
2m+2
Ejercicio 1.35 Sea [a, b] un intervalo cualquiera y f C
3
([a, b]) una funcion dada. Plantear el problema
de interpolacion a trozos usando el problema de interpolacion (1.22). Que regularidad global tiene la
funcion interpolante a trozos as obtenida ?
Solucion: Es claro que el problema (1.22) escrito para un intervalo cualquiera [c, d] es de la forma:
_
Hallar p P
3
[x] tal que
p
(c) = f
(c), p
_
c+d
2
_
= f
_
c+d
2
_
, p
_
c+d
2
_
= f
_
c+d
2
_
, p
(d) = f
(d).
(1.26)
Consideramos una particion a = x
0
< x
1
< < x
n
= b del intervalo [a, b]. El problema de interpolacion
a trozos consiste en aplicar (1.26) en cada uno de los subintervalos I
i
= [x
i1
, x
i
], i = 1, . . . , n. Mas
concretamente, se escribe como sigue:
_
_
Hallar v V = v[
I
i
P
3
[x], i = 1, . . . , n tal que
v
(x
i1
) = f
(x
i1
),
v
_
x
i1
+x
i
2
_
= f
_
x
i1
+x
i
2
_
, v
_
x
i1
+x
i
2
_
= f
_
x
i1
+x
i
2
_
, i = 1, . . . , n
v
(x
i
) = f
(x
i
).
(1.27)
Observese que v , C
0
([a, b]), puesto que en general v[
I
i
(x
i
) ,= v[
I
i+1
(x
i
), para i = 1, . . . , n, es decir, la
funcion v obtenida mediante este tipo de interpolacion a trozos es discontinua.
18 1.5. Splines
1.5 Splines
Hemos visto en la seccion anterior que el proceso de interpolacion a trozos es un procedimiento que conduce
a la convergencia uniforme de la funcion de interpolacion a trozos hacia la funcion dada. No obstante,
un inconveniente de la interpolacion a trozos de Lagrange, es que la funcion interpolacion a trozos es solo
continua globalmente. Por otra parte, si se quiere conseguir mayor regularidad global usando la interpolacion
a trozos de Hermite, se necesita interpolar derivadas de la funcion en los nodos, que no se suelen conocer en
muchas situaciones reales.
Este inconveniente se pretende subsanar con los splines. La idea de interpolacion con splines es la sigu-
iente: dada una particion T = a = x
0
< x
1
< < x
n
= b del intervalo [a, b] y unos valores a
interpolar (y
i
)
n
i=0
, se trata de construir funciones polinomicas a trozos (en cada subintervalo I
i
= [x
i1
, x
i
] ,
i = 1, . . . , n) que interpolan los valores y
i
en los nodos x
i
(se obtienen as funciones continuas globalmente)
y ademas se les impone mas regularidad global.
Denicion 1.36 (Funcion spline) Sean T = a = x
0
< x
1
< < x
n
= b una particion del intervalo
[a, b] con diametro h > 0, (y
i
)
n
i=0
unos valores a interpolar y k N. Denotamos I
i
= [x
i
, x
i+1
]. Diremos que
s
h
: [a, b] R es una funcion spline de grado k que interpola (y
i
)
n
i=0
en (x
i
)
n
i=0
, si s
h
V
h
con
V
h
= q
h
C
k1
([a, b]) : q
h|
I
i
P
k
[x], i = 1, . . . , n
y verica s
h
(x
i
) = y
i
, i = 0, . . . , n.
Los splines usados en la practica son para k = 1, 2, 3. Cuando k = 1 se habla de un spline lineal (que coincide
con la interpolante a trozos de Lagrange), para k = 2 se reere a un spline cuadratico y k = 3 corresponde
a un spline c ubico.
1.5.1 Splines cuadraticos
El problema de determinar un spline cuadratico s
h
consiste en hallar s
h
V
h
= q
h
C
1
([a, b]) : q
h|I
i

P
2
[x], i = 0, . . . , n 1 tal que s
h
(x
i
) = y
i
.
Para cada i = 0, . . . , n1, la restriccion s
h|I
i
P
2
[x] viene determinado por 3 coecientes y, como hay n
subintervalos, tenemos 3n incognitas a determinar. Por otra parte, de entre los grados de libertad disponibles,
hay 2n condiciones de interpolacion (2 por cada subintervalo, s
h|I
i
(x
i
) = y
i
y s
h|I
i
(x
i+1
) = y
i+1
) y n 1
condiciones al exigir la regularidad global C
1
(una por cada nodo interior, (s
h|I
i
)
(x
i+1
) = (s
h|I
i+1
)
(x
i+1
)).
En total son 3n 1 grados de libertad.
En consecuencia, sobra una incognita, que se puede jar por ejemplo con una condicion sobre la derivada
en uno de los extremos. Veremos mas adelante que en los splines c ubicos, se puede jar una condicion sobre
cada extremo.
El calculo efectivo se vera seguidamente en el caso de los splines c ubicos. Para el caso de splines
cuadraticos tan solo diremos que se usa un razonamiento parecido.
1.5.2 Splines c ubicos
Determinar un spline c ubico ocnsiste en hallar
s
h
V
h
con V
h
= q
h
C
2
([a, b]) : q
h|I
i
P
3
[x], i = 0, . . . , n 1 tal que s
h
(x
i
) = y
i
.
Un polinomio c ubico involucra cuatro constantes, lo que dara suciente exibilidad en el procedimiento de
construccion del spline c ubico para garantizar que la funcion interpolante global no solo sea continuamente
diferenciable sino que ademas tenga una segunda derivada continua. En efecto, para cada i = 0, . . . , n 1,
s
h|I
i
P
3
[x] viene determinado por 4 coecientes. Luego, como hay n subintervalos, tenemos 4n incognitas
a determinar. Los grados de libertad disponibles son:
2n condiciones de interpolacion:
s
h|I
i
(x
i
) = y
i
, i = 0, . . . , n 1, (1.28)
s
h|I
i
(x
i+1
) = y
i+1
i = 0, . . . , n 1. (1.29)
Con estas condiciones ya tenemos que s
h
es continua en [a, b].
2(n 1) condiciones al exigir a s
h
la regularidad global C
2
:
C
1
: (s
h|I
i
)
(x
i+1
) = (s
h|I
i+1
)
(x
i+1
), i = 0, . . . , n 2, (1.30)
C
2
: (s
h|I
i
)
(x
i+1
) = (s
h|I
i+1
)
(x
i+1
), i = 0, . . . , n 2. (1.31)
Tenemos pues 4n2 ecuaciones para determinar 4n incognitas. En consecuencia, sobran dos incognitas, que
pueden encontrarse, por ejemplo, imponiendo una de las siguientes dos condiciones sobre los extremos del
intervalo:
a) s
h
(a) = 0 y s
h
(b) = 0 (condiciones de frontera libre), obteniendo el llamado spline c ubico natural
o bien
b) s
h
(a) = f
(a) y s
h
(b) = f
(b) (condiciones de frontera sujeta), obteniendo el spline c ubico sujeto.

Es posible tambien considerar otras condiciones adicionales en la frontera, obteniendo otros tipos de splines,
vease [Mathews & Fink].
Calculo efectivo, existencia y unicidad de spline c ubico natural o sujeto
Vamos a dar una idea del calculo efectivo del spline c ubico (demostrando al mismo tiempo la existencia
y unicidad del spline c ubico, tanto natural como sujeto). Un analisis mas detallado puede encontrarse
en [Burden & Faires] (pag. 134142).
Buscamos el spline c ubico s
h
q
h
C
2
([a, b]) : q
h|I
i
P
3
[x], i = 0, . . . , n 1 de la forma
s
h
(x) =
_
_
s
h|I
0
(x), si x I
0
= [x
0
, x
1
],
s
h|I
1
(x), si x I
1
= [x
1
, x
2
],
. . .
s
h|I
n1
(x), si x I
n1
= [x
n1
, x
n
],
(1.32)
donde para cada i = 0, . . . , n 1
s
h|I
i
(x) = a
i
+b
i
(x x
i
) +c
i
(x x
i
)
2
+d
i
(x x
i
)
3
(1.33)
siendo los coecientes a
i
, b
i
, c
i
y d
i
las incognitas a determinar. Pongamos h
i
= x
i+1
x
i
. Imponiendo las
condiciones (1.28), obtenemos
a
i
= f(x
i
), i = 0, . . . , n 1. (1.34)
Usando (1.29) y (1.31) se pueden despejar los coecientes b
i
, d
i
en funcion de los c
i
obteniendo
d
i
=
c
i+1
c
i
3h
i
, b
i
=
a
i+1
a
i
h
i
2c
i
+c
i+1
3
h
i
, i = 0, . . . , n 1.
En las igualdades anteriores, se han introducido los valores auxiliares a
n
= f(x
n
) y c
n
a determinar. Im-
poniendo entonces (1.30), se va a poder despejar el resto de variables en funcion de las c
i
y llegar a un
sistema lineal Ac = b con vector incognita c = (c
i
) . Veamos como se escribe este sistema en el caso de los
splines natural y sujeto.
20 1.5. Splines
En el caso del spline natural, se imponen s
h
(a) = 0 = s
h
(b), que implica c
0
= 0 y c
n
= 0. Entonces, se
pueden eliminar como incognitas, llegando a:
A =
_
_
2(h
0
+h
1
) h
1
0
.
.
.
0
h
1
2(h
1
+h
2
) h
2
0 0
.
.
.
.
.
.
.
.
.
.
.
.
0
.
.
.
.
.
.
.
.
.
.
.
.
h
n2
. . . . . . . . . h
n2
2(h
n2
+h
n1
)
_
_
, c =
_
_
c
1
c
2
.
.
.
.
.
.
c
n1
_
_
,
b =
_
_
3(a
2
a
1
)
h
1
3(a
1
a
0
)
h
0
.
.
.
.
.
.
.
.
.
3(a
n
a
n1
)
h
n1
3(a
n1
a
n2
)
h
n2
_
_
.
Para el spline sujeto, imponemos s
h
(a) = f
(a) y s
h
(b) = f
(b), llegando a:
A =
_
_
2h
0
h
0
0
.
.
.
.
.
.
.
.
.
0
h
0
2(h
0
+h
1
) h
1
0
.
.
.
.
.
.
0
0 h
1
2(h
1
+h
2
) h
2
0
.
.
.
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0
.
.
.
.
.
.
.
.
.
.
.
.
h
n2
2(h
n2
+h
n1
) h
n1
. . . . . . . . . . . . 0 h
n1
2h
n1
_
_
, c =
_
_
c
0
c
1
.
.
.
.
.
.
.
.
.
c
n1
c
n
_
_
,
b =
_
_
3(a
1
a
0
)
h
0
3f
(a)
3(a
2
a
1
)
h
1
3(a
1
a
0
)
h
0
.
.
.
.
.
.
.
.
.
3(a
n
a
n1
)
h
n1
3(a
n1
a
n2
)
h
n2
3f
(b)
3(a
n
a
n1
)
h
n1
_
_
.
En ambos casos, la matriz del sistema A es tridiagonal, simetrica y de diagonal estrictamente dominante.
Por tanto A es regular y denida positiva. En consecuencia, podemos armar la existencia y unicidad del
spline c ubico tanto natural como sujeto. Ademas, el calculo de los c
i
se hace resolviendo el sistema lineal
Ac = b, tanto por un metodo directo, como por un metodo iterativo que este bien adaptado a este tipo de
matrices.
1.5.3 Minimizacion de la curvatura de splines c ubicos
Teorema 1.37 Sea s el spline c ubico (sujeto o natural) asociado a f C
2
([a, b]) y al soporte S = a =
x
0
< < x
n
= b, es decir s(x
i
) = f(x
i
) para i = 0, . . . , n. Entonces, se tiene que
_
b
a
(f
(x) s
(x))
2
dx =
_
b
a
f
(x)
2
dx
_
b
a
s
(x)
2
dx, (1.35)
_
b
a
s
(x)
2
dx
_
b
a
f
(x)
2
dx (1.36)
y
_
b
a
(f
(x) s
(x))
2
dx
_
b
a
f
(x)
2
dx. (1.37)
Nota 1.38 La desigualdad (1.36) nos dice que, de entre todas las funciones C
2
([a, b]) que pasan por los
puntos (x
i
, f(x
i
)), los splines c ubicos son las funciones con menor norma L
2
(a, b)
3
de su derivada segunda
(que puede considerarse como una aproximacion lineal de la curvatura de una curva descrita por la ecuacion
y = f(x)).
Demostraci on: Las desigualdades (1.36) y (1.37) se obtienen de (1.35). Vamos a demostrar (1.35). Deno-
tando el error e(x) = f(x) s(x) para todo x [a, b], tenemos
_
b
a
f
(x)
2
dx =
_
b
a
(e
(x) +s
(x))
2
dx =
_
b
a
(e
(x))
2
dx +
_
b
a
(s
(x))
2
dx + 2
_
b
a
e
(x)s
(x) dx.
Para probar (1.37), basta demostrar que
_
b
a
e
(x)s
(x) dx = 0. Integrando por partes, tenemos

_
b
a
e
(x)s
(x) dx =
n
i=1
_
x
i
x
i1
e
(x)s
(x) dx
=
n
i=1
_
_
e
(x)s
(x)
x=x
i
x=x
i1
_
x
i
x
i1
e
(x)s
(x) dx
_
= e
(x
n
)s
(x
n
) e
(x
0
)s
(x
0
)
n
i=1
(s
|I
i
)
_
x
i
x
i1
e
(x) dx = 0.
Aqu, hemos usado que e
(x
n
) = e
(x
0
) = 0 para el spline sujeto y s
(x
n
) = s
(x
0
) = 0 para el spline natural
y, que
_
x
i
x
i1
e
(x) dx = e(x
i
) e(x
i1
) = 0 para todo i = 0, . . . , n, pues e(x
i
) f(x
i
) s(x
i
) = 0.
1.5.4 Estimaciones del error de splines c ubicos
Vamos a usar la siguiente notacion de normas:
[[g[[
2,[a,b]
=
__
b
a
g
2
(x) dx
_
1/2
, [[g[[
,[a,b]
= max
x[a,b]
[g(x)[ g C
0
([a, b]).
Teorema 1.39 (Estimaciones del error en norma [[ [[
2,[a,b]
) Sean s el spline c ubico (sujeto o natural)
asociado a f C
2
([a, b]) y al soporte S = a = x
0
< < x
n
= b y h = max
1in
(x
i
x
i1
). Entonces, se
verica
[[f
[[
2,[a,b]
h[[f
[[
2,[a,b]
, (1.38)
[[f s[[
2,[a,b]
h
2
[[f
[[
2,[a,b]
. (1.39)
3
La aplicacion g C([a, b])
b
a
g(x)dx
1/2
es norma, que llamaremos la norma L
2
(a, b). De hecho, es la norma que
proviene del producto escalar (f, g) =
b
a
f(x)g(x)dx.
22 1.5. Splines
Demostraci on: Las herramientas basicas de la prueba seran la regla de Barrow g(x) = g(a) +
_
x
a
g
(s)ds y
la desigualdad de Cauchy-Schwartz relativa a la norma [[ [[
2,[a,b]
, esto es
_
b
a
f(x)g(x)dx
__
b
a
f(x)
2
_
1/2
__
b
a
g(x)
2
_
1/2
Sea e(x) = f(x) s(x), x [a, b]. Como e(x
i
) = 0 para todo i = 0, . . . , n, por el teorema de Rolle, existe
i
(x
i1
, x
i
) tal que e
(
i
) = 0. Luego, usando la desigualdad de Cauchy-Schwartz tenemos
e
(x) =
_
x
i
e
(t) dt [[e
[[
2,I
i
[x
i
[
1/2
h
1/2
[[e
[[
2,I
i
x I
i
= [x
i1
, x
i
]. (1.40)
Elevando al cuadrado esta desigualdad e integrando en I
i
, se tiene
_
x
i
x
i1
(e
(x))
2
dx h[[e
[[
2
2,I
i
_
x
i
x
i1
dx = h
2
[[e
[[
2
2,I
i
.
Sumando en i, obtenemos
[[e
[[
2,[a,b]
h[[e
[[
2,[a,b]
,
de donde, usando (1.37), es decir [[e
[[
2,[a,b]
[[f
[[
2,[a,b]
, se deduce (1.38).
Por otra parte, teniendo en cuenta que e(x
i
) = 0, tenemos
e(x) =
_
x
x
i1
e
(t) dt [[e
[[
2,I
i
[x x
i1
[
1/2
h
1/2
[[e
[[
2,I
i
x I
i
= [x
i1
, x
i
]. (1.41)
Luego, razonando como antes llegamos a [[e[[
2
h[[e
[[
2
, de donde usando (1.38) se deduce (1.39).
Corolario 1.40 (Estimaciones del error en norma [[ [[
,[a,b]
) . En las condiciones del teorema ante-
rior, se verica:
[[f
[[
,[a,b]
h
1/2
[[f
[[
2,[a,b]
, (1.42)
[[f s[[
,[a,b]
h
3/2
[[f
[[
2,[a,b]
. (1.43)
Demostraci on: Tomando maximo en x [a, b] en la desigualdad (1.40) llegamos a
[[e
[[
,[a,b]
h
1/2
[[e
[[
2,[a,b]
,
de donde usando (1.37) deducimos (1.42).
Por otra parte, tomando maximo en x [a, b] en la desigualdad (1.41) obtenemos
[[e[[
,[a,b]
h
1/2
[[e
[[
2,[a,b]
,
de donde usando (1.38) obtenemos (1.43).
Captulo 2
Mejor aproximacion
2.1 Introduccion
Trataremos en este captulo el problema de aproximacion de funciones con un enfoque distinto de la inter-
polacion. Mas concretamente, plantearemos el problema general de aproximacion de funciones (o ajuste de
curvas) como sigue:
Problema 2.1 Dada f C
0
([a, b]), hallar una funcion facil de calcular g
1
que se ajuste bien a f en
[a, b], es decir, que dist (f, g) , para una cierta distancia entre funciones.
Vimos en el Captulo 1 que la interpolacion global no resulta un proceso conveniente para la aproximacion
(no es natural forzar a la funcion de ajuste g a coincidir exactamente con f en unos puntos jados a priori).
Denicion 2.2 (Mejor aproximacion) Sean (V, [[ [[) espacio vectorial normado y | V . Dado f V ,
decimos que u | es mejor aproximacion a f en | si se verica que
[[f u[[ [[f u[[ u |.
Claramente el concepto de mejor aproximacion depende de la norma (y en consecuencia de la distancia)
considerada (incluso cuando la dimension de V sea nita). De hecho, para V y | jos, se pueden tener
diversas situaciones como muestran los siguientes ejemplos:
Ejemplo 2.3
1. No existencia de mejor aproximacion: Sean (V, [[ [[) (R, [ [), | = (0, 1) y f = 0. En este caso, existe
nmo pero no mnimo.
2. Existencia y unicidad de mejor aproximacion: Sean V = C
0
([0, 1]), | = c : c R y f = f(x) = e
x
.
(a) Para la norma [[f[[
1
=
_
1
0
[f(x)[ dx, la mejor aproximacion es u = e
1/2
.
(b) Para la norma [[f[[
2
=
__
1
0
[f(x)[
2
dx
_
1/2
, la mejor aproximacion es u = e 1.
(c) Para la norma [[f[[
= max
x[0,1]
[f(x)[, la mejor aproximacion es u = (e + 1)/2 .
Para los apartados (a) y (b), las soluciones se calculan a mano, considerando h(c) = [[f c[[ y
estudiando el mnimo de h : R R
+
. El apartado (c) es mas difcil a priori, pero facil de comprobar
(geometricamente) una vez que se nos da la mejor aproximacion.
1
En la practica, perteneciente a un subespacio vectorial de dimension nita.
23
24 2.2. Mejor aproximacion en norma uniforme
3. Existencia de innitas mejores aproximaciones: Sean (V, [[[[) (R
2
, [[[[
1
), donde [[(x, y)[[
1
= [x[+[y[,
| = (x, y) : [[(x, y)[[
1
1 (el rombo de centro (0, 0) y vertices (1, 0), (0, 1), (1, 0) y (0, 1)) y
f = (1, 1). Entonces, mejor aproximacion son todos los puntos del segmento entre (1, 0) y (0, 1) (cuya
distancia a f es igual a 1).
En la Seccion 2.2 comenzamos analizando el problema de mejor aproximacion en norma uniforme. Daremos
una caracterizacion de la mejor aproximacion y, mostraremos la aplicacion de los mismos en ejemplos
concretos. A continuacion, en la Seccion 2.3 daremos a conocer la teora de aproximacion de funciones,
basada fundamentalmente en la ortogonalidad en espacios de Hilbert y formulacion de mnimos cuadrados.
Mas precisamente, demostraremos una caracterizacion de la mejor aproximacion en el sentido de mnimos
cuadrados y plantearemos las ecuaciones normales para determinar dicha mejor aproximacion. Seguidamente
veremos la resolucion de ecuaciones normales en el caso de bases ortogonales y ortonormales. Para concluir,
analizaremos el caso discreto de mejor aproximacion en el sentido de mnimos cuadrados a unos valores
conocidos.
2.2 Mejor aproximacion en norma uniforme
En esta seccion, consideraremos el problema de mejor aproximacion en norma uniforme de una funcion
continua por funciones polinomicas de grado menor o igual que n, para alg un n N. Mas concretamente,
estudiaremos el siguiente problema:
Problema 2.4 Dada f C
0
([a, b]), hallar p P
n
[x] tal que
[[f p[[
,[a,b]
[[f p[[
,[a,b]
p P
n
[x]. (2.1)
Veamos primero el caso particular en que f P
n+1
[x], para luego hacer algunas consideraciones sobre el
caso general de f C
0
([a, b]).
2.2.1 Caso particular: f P
n+1
[x]
Consideramos primero el caso particular de mejor aproximacion uniforme de polinomios de grado igual a
n +1 por polinomios de grado menor o igual que n en el intervalo [1, 1]. Sea pues f P
n+1
[x] de la forma
f(x) = ax
n+1
+q, con a R 0, q P
n
[x].
Queremos determinar p P
n
[x] tal que se verica (2.1) (para [a, b] = [1, 1]).
Gracias a los resultados del Captulo 1, sabemos que dado S = x
0
< x
1
< < x
n
[1, 1] un
soporte de n + 1 puntos distintos, existe un unico p
S
P
n
[x] polinomio de interpolacion de f asociado a S.
Ademas, usando el Teorema 1.5, tenemos la expresion explcita del error de interpolacion:
f(x) p
S
(x) = a w
S
(x), (2.2)
donde w
S
= (x x
0
) (x x
n
).
Por tanto, minimizar [[f p
S
[[
,[1,1]
es equivalente a minimizar [[w
S
[[
,[1,1]
. Aplicando los resultados
de minimizacion de [[w
S
[[
de la Seccion 1.2.5 (Teorema 1.17) deducimos que

[[f p
S
[[
,[1,1]
[[f p
S
[[
,[1,1]
S soporte de n + 1 puntos en [1, 1],
donde

S = x
0
< < x
n
(1, 1) es el soporte formado por las n + 1 races de T
n+1
el polinomio de
Chebychev de grado n + 1 y p
S
P
n
[x] es el polinomio de interpolacion asociado a

S.
Ademas, f(x) p
S
(x) = a w
S
(x) = a 2
n
T
n+1
(x), de donde se puede despejar la expresion del polinomio
optimo:
p
S
(x) = f(x) a 2
n
T
n+1
(x). (2.3)
Veamos que p
S
es tambien mejor aproximacion uniforme respecto a todos los polinomios de P
n
[x]:
2. Mejor aproximacion 25
Lema 2.5 Sean f P
n+1
[x],

S = x
0
< < x
n
(1, 1) el soporte formado por las n + 1 races de
T
n+1
el polinomio de Chebychev de grado n + 1 y p
S
P
n
[x] el polinomio de interpolacion asociado a

S.
Entonces p
S
es solucion del problema de mejor aproximacion uniforme en P
n
[x] para x [1, 1], es decir
[[f p
S
[[
,[1,1]
[[f p[[
,[1,1]
p P
n
[x].
Demostraci on: Se razona por reduccion al absurdo de forma similar a la demostracion del Teorema 1.17
sobre la minimizacion de [[w
S
[[
,[1,1]
. Mas concretamente, sea f P
n+1
[x] y supongamos que existe
p P
n
[x] tal que
[[f p[[
,[1,1]
< [[f p
S
[[
,[1,1]
.
Denimos
d(x) = (f p
S
)(x) (f p)(x).
Se verica que d P
n
[x]. Luego, basta tener en cuenta (2.2) y razonar de forma similar a la que se hace en
la demostracion del Teorema 1.17.
Nota 2.6 El problema de mejor aproximacion uniforme en un intervalo generico [a, b] ,= [1, 1] se resuelve
haciendo un cambio de variable x [a, b] t [1, 1].
2.2.2 Caso general: f C
0
([a, b])
Se tiene el siguiente resultado de mejor aproximacion uniforme de una funcion continua en P
n
[x]:
Teorema 2.7 (Chebychev) Dada f C
0
([a, b]), existe una unica p
n
mejor aproximaci on uniforme de f
en P
n
[x], que viene caracterizada porque la funcion error e
(x) = f(x) p
n
(x) alcanza su norma innito
[[e
[[
(es decir, sus extremos absolutos) en al menos n + 2 puntos distintos de [a, b] con alternancia de
signo.
Nota 2.8 En particular, la mejor aproximacion uniforme p
n
es un polinomio de interpolacion asociado a
soportes de n+1 puntos distintos de (a, b), en donde se anula el error e
. En efecto, como hay al menos una

raz de e
entre cada dos puntos de los n+2 donde se alcanzan los extremos absolutos de e
con alternancia
de signo, deducimos que e
tiene al menos n + 1 races en (a, b).

La demostracion completa del Teorema 2.7 se puede encontrar en [Crouzeix & Mignot] (pag. 2526),
aqu, solo haremos algunos comentarios a ella.
Nota 2.9 (Sobre la demostracion del Teorema 2.7)
1. La existencia de mejor aproximacion uniforme es consecuencia de un resultado general de existencia de
mejor aproximacion en un subespacio de dimension nita:
Sean X un espacio de Banach y V
n
X un subespacio vectorial de dimension nita (igual a
n). Entonces, para toda f X, existe mejor aproximaci on a f en V
n
.
2. Si [[f p
n
[[
se alcanza al menos en n + 2 puntos con alternancia de signo, entonces p
es mejor
aproximacion uniforme a f en P
n
[x]. Esto se demuestra por reduccion al absurdo, igual que el Lema 2.5.
3. Se puede ver que la existencia de p
n
tal que [[e
[[
[[f p
n
[[
se alcanza en n+2 puntos con alternancia

de signo, equivale a un sistema lineal cuadrado, por tanto basta demostrar la unicidad para tener tambien
la existencia.
4. La unicidad de p
n
tal que [[f p
n
[[
se alcanza en n+2 puntos con alternancia de signo, se demuestra a

partir del siguiente resultado (vease [Crouzeix & Mignot]): Si q P
n
[x] tal que [[f q[[
[[f p
n
[[
,
entonces q = p
n
. Se trata de un resultado mucho mas preciso que el punto dos anterior.
26 2.3. Mejor aproximacion en normas hilbertianas (mnimos cuadrados)
Ejercicio 2.10 Calcular la mejor aproximacion uniforme a la funcion f(x) = e
x
para x [0, 1] en P
0
[x] y
en P
1
[x].
Solucion: En primer lugar, vamos a determinar mejor aproximacion uniforme p
0
P
0
[x]. Seg un el Teo-
rema 2.7 sabemos que e
(x) = e
x
p
0
alcanza su norma innito al menos 2 veces con alternancia de signo.
Como (e
(x) = e
x
> 0 para todo x R, los extremos absolutos de e
en [0, 1] son x = 0 y x = 1.
Entonces, debe tenerse que e
(0) = e
(1), siendo e
(0) = 1 p
0
y e
(1) = e p
0
, de donde deducimos
que p
0
= (1 + e)/2 . Un razonamiento analogo conduce a que mejor aproximacion uniforme en P
1
[x] es
p
1
(x) = (e 1)x + (e (e 1)ln(e 1))/2.
2.3 Mejor aproximacion en normas hilbertianas (mnimos cuadrados)
Como ya hemos comentado, en general, las mejores aproximaciones no son unicas. El proceso de obtener
mejor aproximacion para V y | generales puede ser complicado y, con frecuencia implica la resolucion de
un sistema de ecuaciones no lineales. Sin embargo, hay situaciones en las que solo necesitamos resolver un
sistema de ecuaciones lineales. Este es el caso en que V es un espacio vectorial dotado de un producto escalar,
es decir un espacio prehilbertiano y | es un subespacio vectorial de V . En lo que sigue, nos restringiremos
a este caso.
Sean V un espacio vectorial sobre R dotado de un producto escalar (, ) y | V un subespacio vectorial
de V (en este curso nos interesaran los | que tienen dimension nita). Denotamos por [[ [[ la norma en V
inducida por el producto escalar (, ) y consideramos f V un elemento de V a aproximar en |.
Problema 2.11 (Mejor aproximacion por mnimos cuadrados) El problema de mejor aproximacion
en subespacios vectoriales de elementos de espacios prehilbertianos en el sentido de mnimos cuadrados se
formula como sigue:
_
Dado f V , hallar u | tal que
[[f u[[
2
[[f u[[
2
u |,
(2.4)
o bien
_
Dado f V , hallar u | tal que
(f u, f u) (f u, f u) u |.
(2.5)
Teorema 2.12 (Caracterizacion de mejor aproximacion) Sea (V, (, )) un espacio prehilbertiano,
| V un subespacio vectorial y f V dada. Entonces, u es mejor aproximacion de f en | si y solo
si f u |
, es decir, (f u, u) = 0 para todo u |. Ademas (en caso de existir), la mejor aproxi-

macion u es unica.
Demostraci on: Supongamos que u es mejor aproximacion de f en |, es decir es solucion de (2.4). Sea
u | y R. Como u +u |, se tiene
[[f u[[
2
[[f ( u +u)[[
2
= [[f u[[
2
2(f u, u) +
2
[[u[[
2
.
En consecuencia, 2(f u, u)
2
[[u[[
2
. Dividiendo por , tenemos
_
2(f u, u) [[u[[
2
si > 0,
2(f u, u) [[u[[
2
si < 0.
Haciendo 0, llegamos a (f u, u) = 0 para todo u |.
Recprocamente, sea u | cualquiera. Se tiene
[[f u[[
2
= [[f u + u u[[
2
= [[f u[[
2
+ 2(f u, u u) +[[u u[[
2
[[f u[[
2
.
Aqu, hemos usado que (f u, u u) = 0, pues u u V y se verica la hipotesis de ortogonalidad.
Unicidad. Del calculo anterior, se tiene [[f u[[
2
= [[f u[[
2
+[[u u[[
2
u |, de donde, en particular,
se tiene la unicidad del Problema 2.11.
En general, la existencia de solucion del Problema 2.11 no esta asegurada si dim| = +. En lo que
sigue, vamos a ver que se tiene existencia (y unicidad) de solucion de este problema si dim| < +.
Supongamos que dim| = N y | =
1
, . . . ,
N
). Entonces, gracias al Teorema 2.12, u es la mejor
aproximacion en el sentido de mnimos cuadrados a f V si y solo si
u =
N
j=1
a
j
j
tal que (f u, u) = 0 u |,
es decir
(f u,
i
) = 0 i = 1, . . . , N
N
j=1
a
j
(
j
,
i
) = (f,
i
) i = 1, . . . , N,
lo que se escribe de la forma
Ga = b, (2.6)
donde
G =
_
(
j
,
i
)
_
N
i,j=1
, a =
_
_
_
a
1
.
.
.
a
N
_
_
_
, b =
_
_
_
(f,
1
)
.
.
.
(f,
N
)
_
_
_
.
El sistema (2.6) se conoce como ecuaciones normales y la matriz G R
NN
se llama matriz Gram-
miana. Ahora bien, G es una matriz simetrica (obvio) y denida positiva. En efecto, sea a R
N
0
cualquiera, se tiene
a
t
Ga =
N
i,j=1
(
j
,
i
)a
i
a
j
=
_
_
N
j=1
a
j
j
,
N
i=1
a
i
i
_
_
=
_
_
_
_
_
_
N
j=1
a
j
j
_
_
_
_
_
_
2
> 0,
porque

N
j=1
a
j
j
,= 0 ya que a ,= 0 y
j
, j = 1, . . . , N son linealmente independientes.
El razonamiento anterior prueba el siguiente resultado sobre existencia y unicidad de mejor aproxi-
macion en subespacios vectoriales de dimension nita:
Teorema 2.13 Sea (V, (, )) un espacio prehilbertiano y f V dada. Si | V , dim| = N < + y
| =
1
, . . . ,
N
), entonces existe una unica u | mejor aproximacion a f en el sentido de mnimos
cuadrados (es decir verica (2.4)), que viene caracterizada por que el vector a R
N
de coecientes de u
respecto de la base
1
, . . . ,
N
es la solucion del sistema lineal (2.6) de ecuaciones normales.
Ejemplo 2.14
Sea V = C
0
([1, 1]), (f, g) =
_
1
1
f(x)g(x) dx f, g V , | = x, x
3
, x
5
) y f = senx. Gracias al Teo-
rema 2.13, existe una unica u = a
1
x + a
2
x
3
+ a
3
x
5
mejor aproximacion a f en el sentido de mnimos
cuadrados, tal que
_
_
_
_
_
_
_
_
_
_
1
1
xxdx
_
1
1
xx
3
dx
_
1
1
xx
5
dx
_
1
1
x
3
xdx
_
1
1
x
3
x
3
dx
_
1
1
x
3
x
5
dx
_
1
1
x
5
xdx
_
1
1
x
5
x
3
dx
_
1
1
x
5
x
5
dx
_
_
_
_
_
_
_
_
_
_
_
_
a
1
a
2
a
3
_
_
_
=
_
_
_
_
_
_
_
_
_
_
1
1
sen xxdx
_
1
1
senxx
3
dx
_
1
1
senxx
5
dx
_
_
_
_
_
_
_
_
_
,
es decir
_
_
1/3 1/5 1/7
1/5 1/7 1/9
1/7 1/9 1/11
_
_
_
_
a
1
a
2
a
3
_
_
=
_
_
sen 1 cos 1
3sen 1 + 5 cos 1
65sen 1 101 cos 1
_
_
,
de donde resulta que a
1
348.9, a
2
-1491.1, a
3
1275.6 .
1 0.5 0 0.5 1
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
Mejor aprox. por minimos cuadrados con splines lineales
puntos a aproximar
m.a. por splines lineales
1 0.5 0 0.5 1
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
Mejor aprox. por minimos cuadrados con splines cubicos
puntos a aproximar
m.a. por splines
Figura 2.1: Izquierda: Mejor aproximacion por mnimos cuadrados con splines lineales. Derecha: Mejor aproximacion
por mnimos cuadrados con splines c ubicos.
Ejemplo 2.15
Para ilustrar gracamente la mejor aproximacion en el sentido de mnimos cuadrados por funciones en
distintos espacios |, en la Figura 2.1 se han representado dos tipos de mejor aproximacion del conjunto
de 21 puntos dibujados con un crculo. A la izquierda, esta representada la mejor aproximacion con splines
lineales asociados al soporte S = 1, 0.5, 0, 0.5, 1 y la derecha la mejor aproximacion con splines c ubicos
asociados al mismo soporte S = 1, 0.5, 0, 0.5, 1
2.3.1 Resolucion de ecuaciones normales con base ortogonal
Desde el punto de vista de resolucion del sistema de ecuaciones normales (2.6), las mejores bases
1
, . . . ,
N
son las bases ortogonales y ortonormales respecto del producto escalar (, ). En efecto, si
1
, . . . ,
N
es una
base ortogonal, es decir (
i
,
j
) = 0 para i ,= j, entonces la matriz Grammiana G es diagonal G = diag([[
i
[[
2
)
y, en consecuencia,
u =
N
i=1
(v,
i
)
[[
i
[[
2

i
(desarrollo nito de Fourier).
En el caso de una base ortonormal, es decir (
i
,
j
) =
ij
, la matriz Grammiana G es la matriz identidad,
luego
u =
N
i=1
(v,
i
)
i
.
Nota 2.16 Otras bases interesantes son las bases locales, es decir cuando (
i
,
j
) = 0 si [i j[ p (para
alg un p N) y, entonces G es una matriz banda, con longitud de banda p. Por ejemplo, la base canonica de
funciones P
1
[x] a trozos (funciones sombrero), -splines c ubicos, etc.
Ejercicio 2.17 Sean H = (C
0
([1, 1], (, )
2
) con (u, v)
2
=
_
1
1
u(x)v(x) dx, u, v C
0
([1, 1]). Se con-
sidera S el subespacio vectorial de H, formado por las funciones s C
1
[1, 1] tales que s
|[1,0]
P
2
[x] y
s
|[0,1]
P
1
[x].
a) Probar que para cualesquiera valores reales y
0
, y
1
, y
2
, existe una unica funcion s S tal que s(1) =
y
0
, s(0) = y
1
, s(1) = y
2
b) Obtener razonadamente una base de S. Deducir que para cada f C
0
([1, 1], existe una unica mejor
aproximacion mnimos cuadrados en S.
c) En el caso de
f(x) =
_
0 si x [1, 0],
x
2
si x [0, 1]
plantear el sistema para calcular la mejor aproximacion por mnimos cuadrados a f en S, calculando
explcitamente solo el segundo miembro.
Solucion: a) Llamamos p
1
= s
|[0,1]
y p
2
= s
|[1,0]
. Usando las condiciones de interpolacion s(0) = y
1
y
s(1) = y
2
, se tiene que p
1
(0) = y
1
y p
1
(1) = y
2
, luego p
1
es la unica recta que pasa por (0, y
1
) y (1, y
2
).
La pendiente de esta recta es (y
2
y
1
)/(1 0) = y
2
y
1
. Por tanto, para construir p
2
, hemos de vericar
p
2
(1) = y
0
y p
2
(0) = y
1
, junto con la condicion adicional p
2
(0) = y
2
y
1
(para que s C
1
([1, 1])).
Entonces, p
2
es el unico polinomio de interpolacion de tipo Hermite que interpola a y
0
en x = 1 e interpola
a y
1
en x = 0 y su derivada primera toma el valor y
2
y
1
en x = 0.
b) Usando el apartado a), podemos denir
1
,
2
,
3
como
1
S tal que
1
(1) = 1,
1
(0) = 0 y
1
(1) = 0,
2
S tal que
2
(1) = 0,
2
(0) = 1 y
2
(1) = 0,
3
S tal que
3
(1) = 0,
3
(0) = 0 y
3
(1) = 1.
Veamos que
1
,
2
,
3
es una base de S, probando que generan S y que son linealmente independientes.
Generan S: Dada s S, se tiene que s = s(1)
1
+s(0)
2
+s(1)
3
, porque la parte derecha de esta
igualdad pertenece a S (al ser S us espacio vectorial) y coincide con s en los nodos 1, 0, 1, luego
tienen que coincidir con s, seg un el apartado a).
Son linealmente independientes, porque si
1
1
+
2
2
+
3
3
= 0, entonces evaluando en los nodos
1, 0, 1, se tiene respectivamente que
1
= 0,
2
= 0 y
3
= 0.
Finalmente, como S es un espacio vectorial de dimension nita (igual a tres), se tiene que para cada
f C
0
([1, 1], existe una unica mejor aproximacion mnimos cuadrados en S.
c) La mejor aproximacion por mnimos cuadrados de f en S es s = a
1
1
+a
2
2
+a
3
3
, donde a = (a
1
, a
2
, a
3
)
t
es la solucion del sistema de ecuaciones normales Ga = b, de matriz
G =
_
_
(
1
,
1
) (
1
,
2
) (
1
,
3
)
(
2
,
1
) (
2
,
2
) (
2
,
3
)
(
3
,
1
) (
3
,
2
) (
3
,
3
)
_
_
y de segundo miembro b = ((f,
1
), (f,
2
), (f,
3
))
t
. Para calcular b, teniendo en cuenta que f[
[1,0]
= 0,
basta calcular
1
[
[0,1]
,
2
[
[0,1]
y
3
[
[0,1]
. Se tiene que
1
[
[0,1]
= 0,
2
[
[0,1]
= x + 1 y
3
[
[0,1]
= x. Entonces,
(f,
1
) = 0, (f,
2
) =
_
1
0
x
2
(x + 1) = 1/4 + 1/3 = 1/12 y (f,
3
) =
_
1
0
x
2
(x) = 1/4.
Tenemos varias formas de conseguir bases ortogonales/ortonormales. A continuacion, mencionemos algunas
de ellas.
1. Proceso de ortogonalizaci on de Gram-Schmidt. Sea p
1
, . . . , p
n
una base en |, para construir una base
ortogonal q
1
, . . . , q
n
y una base ortonormal u
1
, . . . , u
n
en |, se sigue el proceso recurrente:
(Inicializacion) q
1
= p
1
, u
1
=
q
1
[[q
1
[[
;
(Iteracion k) Dados u
1
, . . . , u
k1
, calcular q
k
= p
k
k1
i=1
(p
k
, u
i
)u
i
, u
k
=
q
k
[[q
k
[[
.
2. Construccion directa. Por ejemplo, 1, cos x, sen x, cos 2x, sen 2x, . . . , cos nx, sen nx es un sistema ortog-
onal en L
2
(, ). Con un cambio de variable afn [a, b] [, ], llegamos a un sistema ortogonal en
L
2
(a, b).
3. Para construir bases de polinomios ortogonales en (a, b), podemos usar el siguiente resultado:
Lema 2.18 Una base ortogonal
0
,
1
, . . . ,
N
de P
N
[x] respecto al producto escalar (f, g)
=
_
b
a
(x)f(x)g(x) dx con una funcion peso = (x) ( C
0
([a, b]), positiva y no identicamente nula),
viene determinada por la siguiente ley de recurrencia a dos pasos:
Inicializacion:
0
(x) = 1,
1
(x) = x B
1
, B
1
=
_
b
a
(x)x
0
(x)
2
dx
_
b
a
(x)
0
(x)
2
dx
.
Iteraciones (k 2):
k
(x) = (x B
k
)
k1
(x) C
k
k2
(x), donde
B
k
=
_
b
a
(x)x
k1
(x)
2
dx
_
b
a
(x)
k1
(x)
2
dx
, C
k
=
_
b
a
(x)x
k1
(x)
k2
(x) dx
_
b
a
(x)
k2
(x)
2
dx
.
Se tiene que
k
es un polinomio monico de orden k y
_
b
a
k
(x)
l
(x) = 0 si k ,= l.
Demostraci on: Se comprueba por induccion (a dos pasos). Mas concretamente, dicha comprobacion resulta
facil para k = 0 y k = 1. Supongamos que el resultado de este lema es cierto para k 2, k 1, k. Veamos
que tambien lo es para k 1, k, k + 1, es decir si
k+1
se dene por
k+1
(x) = (x B
k+1
)
k
(x) C
k+1
k1
(x), (2.7)
donde
B
k+1
=
_
b
a
(x)x
k
(x)
2
dx
_
b
a
(x)
k
(x)
2
dx
, C
k+1
=
_
b
a
(x)x
k
(x)
k1
(x) dx
_
b
a
(x)
k1
(x)
2
dx
, (2.8)
luego
k1
,
k
y
k+1
son ortogonales entre s y tambien con los demas
i
, i = 0, . . . , k 2.
En efecto, por hipotesis de induccion
k1
,
k
son ortogonales entre s y tambien son ortogonales a
0
, ,
1
, . . . ,
k2
. Entonces, gracias a (2.7),
k+1
es ortogonal a
0
, ,
1
, . . . ,
k2
.
Basta comprobar que
k+1

k
y
k+1

k1
. Multiplicando (2.7) por
k
e integrando en (a, b)
llegamos a
_
b
a
(x)
k+1
(x)
k
(x) dx =
_
b
a
(x B
k+1
)(x)
2
k
(x) dx = 0,
puesto que B
k+1
viene dado por (2.8). Esto implica que
k+1

k
. Multiplicando ahora (2.7) por
k1
e
integrando en (a, b) obtenemos
_
b
a
(x)
k+1
(x)
k1
(x) dx =
_
b
a
(x)x
k
k1
(x) dx C
k+1
_
b
a
(x)
2
k1
(x) dx = 0,
ya que C
k+1
esta dado por (2.8). Esto termina la demostracion del lema.
Ejercicio 2.19 Sean V = (C
0
([0, 1]), (, )
2
) con (u, v)
2
=
_
1
0
u(x)v(x) dx u, v C
0
([0, 1]) y | =<
x, x
2
>.
a) Usando el proceso de ortonormalizacion de Gram-Schmidt construir una base ortonormal de | =<
x, x
2
>.
b) Sea f(x) = x
3
. Plantear el problema de mejor aproximacion a f en | en el sentido de mnimos cuadra-
dos. Usando la base ortonormal construida en el apartado anterior, calcular dicha mejor aproximacion.
Solucion: a) Sea p
1
, . . . , p
n
una base en V , para construir una base ortogonal q
1
, . . . , q
n
y una base
ortonormal u
1
, . . . , u
n
en V , usaremos el proceso de ortogonalizacion de Gram-Schmidt arriba mencionado.
En nuestro caso, p
1
= q
1
= x. Calculamos
[[q
1
[[
2
2
=
_
1
0
x
2
dx =
1
3
, [[q
1
[[
2
=
1
3
, u
1
=
q
1
[[q
1
[[
2
=
3x.
Pongamos p
2
= x
2
. Se tiene
q
2
= p
2
(p
2
, u
1
)
2
u
1
= x
2
__
1
0
3x
3
dx
_
3x = x
2
3x
4
y
[[q
2
[[
2
2
=
_
1
0
_
x
2
3x
4
_
2
dx =
_
1
0
_
x
4
3x
3
2
+
9x
2
16
_
dx =
1
5

3
8
+
9
48
=
1
80
,
[[q
2
[[
2
=
1
80
=
1
4
5
.
Luego
u
2
=
q
2
[[q
2
[[
2
= 4
5
_
x
2
3x
4
_
.
b) Tenemos que V =
_
C
0
([0, 1]), (, )
2
_
es un espacio prehilbertiano, | V de dimension nita igual a 2.
Luego, podemos armar que existe una unica solucion u | del siguiente problema de mejor aproximacion
en el sentido de mnimos cuadrados asociado a f:
_
Hallar u | tal que
[[f u[[
2
2
[[f u[[
2
2
u |.
(2.9)
Consideramos | =< u
1
, u
2
>=<
3x, 4
5(x
2
3x
4
) > base ortonormal del apartado anterior. Luego, la
correspondiente matriz Grammiana es la matriz identidad, por lo que u | se calcula como sigue:
u =
2
i=1
(f, u
i
)
2
u
i
=
3x
5
+
20
15
_
x
2
3x
4
_
=
4
3
x
2
2
5
x,
puesto que
(f, u
1
)
2
=

3
_
1
0
x
4
dx =
3
5
,
(f, u
2
)
2
= 4
5
_
1
0
x
3
(x
2
3x
4
) dx =
5
15
.
2.3.2 Mejor aproximacion en seminormas hilbertianas (caso discreto)
Sean x
1
< < x
M
[a, b] y y = (y
1
, . . . , y
M
) unos valores conocidos (por ejemplo de datos experimen-
tales), V = C
0
([a, b]) y | V un subespacio vectorial con dim| = N el espacio de funciones aproximantes.
Problema 2.20 (Mejor aproximacion a valores discretos) El problema de mejor aproximaci on en |
asociado a los valores y = (y
i
)
M
i=1
en el sentido de mnimos cuadrados se formula como sigue:
_
_
Hallar u | tal que
M
i=1
[y
i
u(x
i
)[
2
i=1
[y
i
u(x
i
)[
2
u |.
(2.10)
Vamos a denir la siguiente cantidad:
(f, g)
M
=
M
i=1
f(x
i
)g(x
i
).
Se trata de un semiproducto escalar en C
0
([a, b]) (solo falla la propiedad: (f, f) = 0 f = 0). Luego, el
problema (2.10) se escribe como:
_
Hallar u | tal que
[[y u[[
2
M
[[y u[[
2
M
u |,
donde u = (u(x
i
))
M
i=1
y [[y[[
2
M
= (y, y)
M
es la seminorma correspondiente.
Razonando ahora como en la Seccion 2.3 para el caso continuo, tenemos que u | es mejor aproximacion
en el sentido de mnimos cuadrados discreto a y = (y
i
)
M
i=1
si y solo si (y u, u)
M
= 0 para todo u | (donde
u = ( u(x
i
))
M
i=1
y u = (u(x
i
))
M
i=1
), es decir Ga = b (ecuaciones normales discretos) con G = ((
j
,
i
)
M
)
N
i,j=1
la matriz Grammiana discreta, a = (a
i
)
N
i=1
los coecientes de la mejor aproximacion u respecto de la base
1
, . . . ,
N
y b = ((y,
i
)
M
)
N
i=1
.
Se tiene que G es una matriz simetrica y semidenida positiva, porque a
t
Ga = [[
j
a
j
j
[[
2
M
0.
Ademas, G es denida positiva si y solo si (, )
M
y [[ [[
M
es un producto escalar y una norma restringida al
subespacio vectorial de R
M
denido por (u(x
i
))
M
i=1
: u |. Luego, existe una unica solucion del sistema
de ecuaciones normales, y en consecuencia, del problema de mejor aproximacion discreto (2.10).
Ejemplo 2.21
1. Sea | = P
N
[x] con N < M. Luego,
[[u[[
2
M
=
M
i=1
u(x
i
)
2
= 0 u(x
i
) = 0 i = 1, . . . , M u = 0,
porque u tiene M races distintas, siendo un polinomio de orden menor o igual que N con N < M.
Esto implica que sobre P
N
[x] con N < M, [[ [[
M
es una norma.
2. Se trata de calcular la recta (recta de regresion) que mejor aproxime la siguiente tabla de valores en
el sentido de mnimos cuadrados:
x
i
2 4 6 8
y
i
2 11 28 40
En nuestro caso, M = 4, | = 1, x), luego existe una unica u | mejor aproximacion a esta tabla de
valores en el sentido de mnimos cuadrados, que viene dada por u = a + bx, siendo (a, b) la solucion
del sistema
_
_
_
_
_
_
4
i=1
1 1
4
i=1
1 x
i
4
i=1
1 x
i
4
i=1
x
i
x
i
_
_
_
_
_
_
_
a
b
_
=
_
_
_
_
_
_
4
i=1
1 y
i
4
i=1
x
i
y
i
_
_
_
_
_
_
.
Resolviendo este sistema lineal, obtenemos a = 12.5 y b =6.55 .
Ejercicio 2.22 Sean x
1
< < x
m
[a, b], y = (y
1
, . . . , y
m
) los valores conocidos.
a) Plantear el problema de mejor aproximacion en P
2
[x] asociado a y en el sentido de mnimos cuadrados
para la semi-norma inducida por el semi-producto escalar
(u, v)
m
=
m
j=1
u(x
j
)v(x
j
) u, v C
0
([a, b]).
Escribir las ecuaciones normales para determinar la solucion de este problema. Determinar condiciones
para garantizar la existencia y unicidad de dicha solucion.
b) Calcular la parabola que mejor aproxime la siguiente tabla de valores en el sentido de mnimos cuadra-
dos:
x
i
-1 0 1 2
y
i
-1 2 1 0
Solucion: Sea V =
_
C
0
([a, b]), (, )
m
_
. Tenemos que P
2
[x] V es un subespacio vectorial de V con
dimP
2
[x] = 3 < . Dados x
1
< < x
m
[a, b] y y = (y
1
, . . . , y
m
), el problema de mejor aproxi-
macion en P
2
[x] en el sentido de mnimos cuadrados se plantea como sigue:
_
_
Hallar v P
2
[x] tal que
m
i=1
[y
i
v(x
i
)[
2
i=1
[y
i
v(x
i
)[
2
v P
2
[x].
(2.11)
Se observa que si m 3, entonces (, )
m
es un producto escalar sobre P
2
[x]. En efecto, tenemos
(u, u)
m
=
m
i=1
u(x
i
)
2
= 0 =u(x
i
) = 0, i = 1, 2, 3 =u 0 en P
2
[x].
Luego, si m 3 deducimos que existe una unica v P
2
[x] solucion de (2.11) que viene dada por
v =
3
i=1
a
i
i
, (2.12)
donde <
1
,
2
,
3
>< 1, x, x
2
> es una base de P
2
[x] y a = (a
i
)
3
i=1
R
3
es la unica solucion de las
ecuaciones normales
Ga = b con G =
_
_
(
1
,
1
)
m
(
1
,
2
)
m
(
1
,
3
)
m
(
2
,
1
)
m
(
2
,
2
)
m
(
2
,
3
)
m
(
1
,
3
)
m
(
3
,
2
)
m
(
3
,
3
)
m
_
_
, b =
_
_
(y,
1
)
m
(y,
2
)
m
(y,
3
)
m
_
_
. (2.13)
Observese que G es simetrica y si m 3 es denida positiva, puesto que (, )
m
es un producto escalar sobre
P
2
[x].
b) Usando que <
1
,
2
,
3
>< 1, x, x
2
>, tenemos
(
1
,
1
)
m
= m,
(
1
,
2
)
m
= (
2
,
1
)
m
=
m
j=1
x
j
, (
1
,
3
)
m
= (
3
,
1
)
m
=
m
j=1
x
2
j
,
(
2
,
3
)
m
= (
3
,
2
)
m
=
m
j=1
x
3
j
, (
3
,
3
)
m
=
m
j=1
x
4
j
,
(y,
1
)
m
=
m
j=1
y
j
, (y,
2
)
m
=
m
j=1
y
j
x
j
, (y,
3
)
m
=
m
j=1
y
j
x
2
j
.
Teniendo en cuenta que m = 4 y los valores de x
i
y de y
i
, i = 1, 2, 3, 4 de la tabla del enunciado de este
ejercicio, el sistema (2.13) se escribe como sigue:
_
_
4 2 6
2 6 8
6 8 18
_
_
_
_
a
1
a
2
a
3
_
_
=
_
_
2
2
0
_
_
. (2.14)
Resolviendo (2.14), llegamos a que a = (7/5, 6/5, 1)
t
(no explicitamos en esta redaccion la resolucion del
sistema lineal). En consecuencia, usado (2.12) deducimos que la parabola que mejor aproxima la tabla de
valores (x
i
, y
i
)
4
i=1
es:
v(x) = x
2
+
6
5
x +
7
5
.
Captulo 3
Integracion numerica
3.1 Introduccion
El objetivo de este captulo es aproximar numericamente la integral denida de una funcion f : R R
dada en un intervalo [a, b]:
I(f) =
_
b
a
f(x) dx. (3.1)
La justicacion del estudio esta, por ejemplo, en que la mayora de integrales denidas no son calculables
por la regla de Barrow,
_
b
a
f(x) dx = F(b) F(a), ya que el calculo de forma directa de una primitiva F de
f no es posible.
En la Seccion 3.2 denimos el concepto de formula general de cuadratura, como herramienta para la
integracion numerica, el error y el orden de una formula de cuadratura. A continuacion, en la Seccion 3.3
introducimos formulas de cuadratura de tipo interpolatorio, como aquellas que provienen de integrar el
polinomio de interpolacion de Lagrange (se usaran conceptos y metodos introducidos en el Captulo 1).
Ademas, veremos que una vez jados los nodos, las formulas de cuadratura de tipo interpolatorio son las
unicas formulas de cuadratura de orden maximo y analizaremos el error de dicha formulas. En la Seccion 3.4
hablaremos de las formulas de Newton-Cotes. En la Seccion 3.5 motivaremos el procedimiento de la inte-
gracion numerica a trozos que dara lugar a formulas de cuadraturas compuestas. Para concluir la parte
teorica de este captulo, en la Seccion 3.6 analizamos el proceso de optimizacion en la eleccion de los nodos
para que la correspondiente formula de cuadratura tenga orden maximo, que nos conduce a las formulas de
cuadratura de Gauss.
3.2 Formulas de cuadratura. Orden
Para aproximar la integrar (3.1), usaremos formulas de cuadratura que denimos a continuacion.
Denicion 3.1 (Formula de cuadratura) Sean x
0
< < x
n
[a, b] n + 1 puntos distintos y
f C
0
([a, b]) una funcion dada. Una formula de cuadratura I
n
con n + 1 nodos es de la forma
I
n
(f) =
n
k=0
k
f(x
k
), (3.2)
donde
k
R son los pesos y x
k
[a, b], k = 0, . . . , n son los nodos.
Denicion 3.2 (Error) Llamaremos E(f) = I(f) I
n
(f) el error en una formula de cuadratura.
Denicion 3.3 (Orden) Diremos que una formula de cuadratura es de orden m N si
_
E(p) = 0 para cada p P
m
[x] y
E(q) ,= 0 para alg un q P
m+1
[x].
(3.3)
35
36 3.3. Formulas de cuadratura de tipo interpolatorio
Observemos que gracias a la linealidad de la integral (3.1) y a la linealidad de la suma (3.2), tenemos que
el error E() es tambien un funcional lineal. Luego, podemos denir el orden de una formula de cuadratura
de forma equivalente como sigue: Una formula de cuadratura es de orden m N si
_
E(x
k
) = 0 para k = 0, . . . m y
E(x
m+1
) ,= 0.
(3.4)
Ejemplo 3.4
1. Formula de cuadratura de punto medio
I
0
(f) = (b a)f
_
a +b
2
_
(3.5)
es exactamente de orden 1. En efecto, aplicando (3.4) tenemos:
E(1) = 0 I(1) I
0
(1) = 0
_
b
a
dx (b a) = 0;
E(x) = 0 I(x) I
0
(x) = 0
_
b
a
xdx (b a)
_
a +b
2
_
= 0;
E(x
2
) = 0 I(x
2
) I
0
(x
2
) = 0
_
b
a
x
2
dx (b a)
_
a +b
2
_
2
,= 0.
2. Formula de cuadratura de Simpson
I
2
(f) =
b a
6
_
f(a) + 4f
_
a +b
2
_
+f(b)
_
(3.6)
es exactamente de orden 3. Basta razonar como en el ejemplo anterior.
3.3 Formulas de cuadratura de tipo interpolatorio
Denicion 3.5 (Formula de cuadratura de tipo interpolatorio (f.c.t.i.)) Sean f C
0
([a, b]), S =
x
0
< x
1
< < x
n
[a, b] un soporte de puntos distintos y p
n
(x) el polinomio de interpolacion asociado
a f y a S. Diremos que una formula de cuadratura I
n
con n + 1 nodos es de tipo interpolatorio si
I
n
(f) I(p
n
) =
_
b
a
p
n
(x) dx. (3.7)
Los puntos de interpolacion x
k
, k = 0, . . . , n son los nodos de la f.c.t.i. Veamos como se pueden calcular
los pesos. Gracias a (1.8), sabemos que el polinomio de interpolacion p
n
se expresa respecto de la base de
Lagrange como sigue:
p
n
(x) =
n
k=0
f(x
k
)L
k
(x), (3.8)
donde los L
k
vienen dados por (1.9). Luego, teniendo en cuenta (3.8) en (3.7), deducimos que
_
b
a
p
n
(x) =
n
k=0
f(x
k
)
_
b
a
L
k
(x),
en consecuencia, una f.c.t.i. es un caso particular de formula de cuadratura asociada a los nodos de interpo-
lacion y a los pesos
k
=
_
b
a
L
k
(x) dx, k = 0, . . . , n. (3.9)
3. Integracion numerica 37
Ejemplo 3.6
Sea n = 1, x
0
= a y x
1
= b. Busquemos los pesos
0
y
1
para que la formula de cuadratura I
1
(f) =
0
f(a) +
1
f(b) sea del tipo interpolatorio. Usando (3.9) y que
L
0
(x) =
x x
1
x
0
x
1
=
x b
a b
, L
1
(x) =
x x
0
x
1
x
0
=
x a
b a
,
tenemos
0
=
_
b
a
x b
a b
dx =
b a
2
,
1
=
_
b
a
x a
b a
dx =
b a
2
,
de donde obtenemos la formula del trapecio
I
1
(f) =
(b a)
2
(f(a) +f(b)) . (3.10)
Para n = 2, x
0
= a, x
1
=
a+b
2
y x
2
= b, haciendo calculos similares se obtiene la formula de Simpson
I
2
(f) =
(b a)
6
_
f(a) + 4f(
a +b
2
) +f(b)
_
.
Nota 3.7 En el razonamiento de arriba consideramos formulas de cuadratura que provienen al integrar
el polinomio de interpolacion de Lagrange. Por simplicidad, a lo largo de este captulo, analizaremos con
detalle solo este tipo f.c.t.i. No obstante, la Denicion 3.5 es de caracter general, es decir es posible tambien
considerar f.c.t.i. que provienen al integrar otros polinomios de interpolacion, por ejemplo el de Hermite que
verica (1.16), o bien de Hermite general (1.19), o bien cualquier otro, como muestra el Ejercicio 3.8.
Ejercicio 3.8 Supongamos que f C
1
([a, b]) y consideramos la siguiente formula de cuadratura:
_
h
0
f(x) dx =
h
3
6
f
(h) +
h
2
2
f
(0) +hf(0) +E(f). (3.11)

Probar que (3.11) es de tipo interpolatorio, deniendo previamente un problema de interpolacion adecuado.
Solucion: Por denicion, una formula de cuadratura es del tipo interpolatorio si proviene de integrar un
polinomio de interpolacion adecuado. Para la formula (3.11), es facil darse cuenta que el problema de
interpolacion adecuado, en este caso, es el siguiente:
_
Hallar p P
2
[x] tal que
p
(h) = f
(h), p
(0) = f
(0), p(0) = f(0).

(3.12)
Buscamos p P
2
[x] de la forma
p(x) = Ax
2
+Bx +C
con A, B, C R a determinar. Tenemos p
(x) = 2Ax + B y p
(x) = 2A. Imponiendo las condiciones de

interpolacion de (3.12), deducimos facilmente que
A =
f
(h)
2
, B = f
(0), C = f(0).
Luego, p(x) =
f
(h)
2
x
2
+f
(0)x +f(0). Integrando, tenemos

_
h
0
p(x) dx =
h
3
6
f
(h) +
h
2
2
f
(0) +hf(0),
de donde deducimos que la formula de cuadratura (3.11) es de tipo interpolatorio.
Es claro que el orden de una f.c.t.i. con n + 1 nodos es n. De hecho, se tiene el siguiente resultado:
Teorema 3.9 Fijados cualesquiera n + 1 nodos distintos x
0
< x
1
< < x
n
[a, b], existe una unica
formula de cuadratura de orden n, que es la correspondiente f.c.t.i.
Demostraci on: Sea I
n
(f) =

n
k=0
k
f(x
k
) una formula de cuadratura cualquiera con n+1 nodos de orden
n. Usando (3.4), sabemos que esto es equivalente a lo siguiente:
E(1) = 0
0
+
1
+ +
n
=
_
b
a
1 dx = b a,
E(x) = 0
0
x
0
+
1
x
1
+ +
n
x
n
=
_
b
a
xdx =
1
2
(b
2
a
2
), (3.13)
. . . . . .
E(x
n
) = 0
0
x
n
0
+
1
x
n
1
+ +
n
x
n
n
=
_
b
a
x
n
dx =
1
n + 1
(b
n+1
a
n+1
),
que resulta ser un sistema lineal cuadrado de n+1 ecuaciones con n+1 incognitas que son los pesos
0
,
1
,
. . . ,
n
. La matriz del sistema es de Vandermonde, luego es regular, pues los x
k
, k = 0, . . . , n son distintos
entre s. Entonces existe una unica formula de cuadratura de orden n con nodos x
0
< x
1
< < x
n
,
que debe coincidir con la f.c.t.i., puesto que esta ya sabemos que es de orden n.
Nota 3.10 Las formulas (3.9) son un metodo de calcular los pesos de una f.c.t.i. La demostracion anterior
proporciona otra forma de calcular los pesos de una f.c.t.i., una vez jados los nodos. Se trata de resolver el
sistema lineal (3.13). Este metodo es conocido como el metodo de los coecientes indeterminados.
Ejemplo 3.11
1. La formula del trapecio (3.10) es la f.c.t.i. asociada a los nodos x
0
= a y x
1
= b de orden maximo 1.
En efecto, buscamos los pesos
0
y
1
tales que la formula de cuadratura I
1
(f) =
0
f(a) +
1
f(b) sea
del tipo interpolatorio. El sistema (3.13) se escribe como
_

0
+
1
= b a,
0
a +
1
b =
1
2
(b
2
a
2
),
de donde obtenemos que
0
=
1
= (b a)/2 , lo que justica (3.10). Ademas
0
a
2
+
1
b
2
,=
1
3
(b
3
a
3
), lo
que prueba que la formula del trapecio es exactamente de orden 1.
2. La formula de Simpson (3.6) es de tipo interpolatorio. Basta razonar como en el ejemplo anterior.
3.3.1 Error en una formula de cuadratura respecto de la longitud del intervalo
Mas adelante, en la Seccion 3.5 veremos que para estudiar el error y el orden de convergencia de las formulas
de cuadratura compuestas (que son las que se usan en la practica), resultara fundamental estudiar el error
de formulas de cuadratura simples respecto a la longitud del intervalo de integracion, que llamaremos h. En
esta seccion estudiaremos esta dependencia. Para ello, introducimos la notacion:
I(h) =
_
h
0
f(x) dx, I
n
(h) = h
n
k=0
k
f(
k
h), E(h) = I(h) I
n
(h),
donde
k
R son los pesos y
k
h [0, h] son los nodos con
k
[0, 1], k = 0, . . . , n.
Nota 3.12 No se pierde generalidad al considerar el intervalo [0, h], ya que con un cambio de variable
traslacion los resultados se pueden extender a cualquier intervalo de longitud h.
Denicion 3.13 Diremos que la dependencia de la formula de cuadratura I
n
(h) respecto de la longitud del
intervalo h es de orden de h
m
, m N, si E(h) = O(h
m
). En este caso, simplemente diremos que el orden
de dicha formula de cuadratura es O(h
m
).
Nota 3.14 Se recuerda que la notacion g(h) = O(h
m
) signica que lm
h0
g(h)
h
m
= Cte.
Vamos a ver que relacion existe entre el orden de la formula de cuadratura (vease la Denicion. 3.3) y
el orden respecto de la longitud del intervalo de integraci on. Como I(0) = 0 y I
(h) = f(h), tenemos el

siguiente desarrollo en potencias de h para una funcion f sucientemente regular:
I(h) = f(0)h +f
(0)
h
2
2
+f
(0)
h
3
3!
+ +f
p1)
(0)
h
p
p!
+f
p)
(
h
)
h
p+1
(p + 1)!
,
siendo
h
(0, h). Por otro lado, tambien tenemos el siguiente desarrollo en potencias de h de la formula de
cuadratura:
I
n
(h) = h
n
k=0
k
_
f(0) +f
(0)
k
h +f
(0)
(
k
h)
2
2!
+. . .
+ f
p1)
(0)
(
k
h)
p1
(p 1)!
+f
p)
(
k
)
(
k
h)
p
p!
_
,
donde
k
(0,
k
h). En consecuencia, la expresion del error queda:
E(h) = hf(0)
_
1
n
k=0
k
_
+h
2
f
(0)
_
1
2

n
k=0
k
_
+h
3
f
(0)
_
1
3!

1
2!
n
k=0
2
k
_
+ +h
p
f
p1)
(0)
_
1
p!

1
(p 1)!
n
k=0
p1
k
_
+h
p+1
_
1
(p + 1)!
f
p)
(
h
)
1
p!
n
k=0
p
k
f
p)
(
k
)
_
. (3.14)
Tenemos entonces el siguiente resultado:
Teorema 3.15 Fijados n + 1 nodos distintos
k
h [0, h], k = 0, . . . , n, existe una unica formula de
cuadratura con error E(h) de orden (al menos) O(h
n+2
), que es la correspondiente formula de cuadratura
de tipo interpolatorio (de orden n). Ademas, la formula de cuadratura de tipo interpolatorio es de orden
p (con p n), si y solo si E(h) = O(h
p+2
) y E(h) ,= O(h
p+3
).
Demostraci on: Dados n + 1 nodos distintos
k
h [0, h], k = 0, . . . , n, usando (3.14), deducimos que el
hecho de que la formula de cuadratura asociada a estos nodos sea de orden O(h
n+2
) es equivalente a lo
siguiente:
O(h
2
)
0
+
1
+ +
n
= 1 E(1) = 0,
O(h
3
)
0
0
+
1
1
+ +
n
n
=
1
2
E(x) = 0,
. . . . . .
O(h
n+1
)
0
n1
0
+
1
n1
1
+ +
n
n1
n
=
1
n
E(x
n1
) = 0,
O(h
n+2
)
0
n
0
+
1
n
1
+ +
n
n
n
=
1
n + 1
E(x
n
) = 0
(3.15)
que resulta ser un sistema lineal cuadrado de n+1 ecuaciones con n+1 incognitas que son los pesos (
k
)
n
k=0
.
Dicho sistema lineal es equivalente a (3.13), en consecuencia solo es vericado por la correspondiente f.c.t.i.
(de orden n). Ademas, para p n, E(h) = O(h
p+3
) E(x
n+1
) = = E(x
p+1
) = 0 el orden es
p + 1, etc. Finalmente, E(h) ,= O(h
p+3
) E(x
p+1
) ,= 0 el orden es exactamente p.
Nota 3.16 Sera interesante determinar el m maximo en la Denicion 3.13 a la vista de las formulas de
cuadratura compuestas, en las que la longitud del intervalo esta destinada a tender a cero (vease la hoja de
ejercicios).
Ejercicio 3.17 Suponiendo que f C
3
([0, h]), determinar el m maximo que verique
_
h
0
f(x) dx =
h
3
6
f
(h) +
h
2
2
f
(0) +hf(0) +O(h

m
). (3.16)
Solucion: Sea E(h) = (h)
h
3
6
f
(h) +
h
2
2
f
(0) +hf(0), donde (h) =

_
h
0
f(x) dx. Desarrollando en serie
de Taylor en un entorno de h = 0, tenemos:
(h) = (0) +h
(0) +
h
2
2

(0) +
h
3
6

(0) +
h
4
24
iv)
(
1
) ,
1
(0, h),
siendo (0) = 0 y
k)
(h) = f
k1)
(h), k = 1, 2, 3, 4. Luego,
(h) = hf(0) +
h
2
2
f
(0) +
h
3
6
f
(0) +
h
4
24
f
(
1
) ,
1
(0, h).
Por otra parte,
f
(h) = f
(0) +hf
(
2
),
2
(0, h).
Entonces,
E(h) = hf(0) +
h
2
2
f
(0) +
h
3
6
f
(0) +
h
4
24
f
(
1
) hf(0)
h
2
2
f
(0)
h
3
6
_
f
(0) +hf
(
2
)
= h
4
_
f
(
1
)
24

f
(
2
)
6
_
,
1
,
2
(0, h).
De aqu, se deduce que el m maximo que verique (3.16) es m = 4. Es maximo, pues en general,
f
(
1
)
24

f
(
2
)
6
,= 0.
3.3.2 Analisis del error
Usando la expresion del Teorema 1.5 sobre el error de interpolacion (es decir, para todo x [a, b], existe
x
(a, b) tal que se verica (1.4)), podemos escribir
E(f) =
_
b
a
f(x) dx
_
b
a
p
n
(x) dx
_
b
a
(f p
n
)(x) dx =
_
b
a
f
n+1)
(
x
)
(n + 1)!
w
S
(x) dx, (3.17)
luego el error de integracion es la integral del error de interpolacion. De aqu, tenemos una primera acotacion
del error en las f.c.t.i.
Proposicion 3.18 (Una cota del error) Sea f C
n+1
([a, b]), entonces
[E(f)[
M
n+1
(n + 1)!
_
b
a
[w
S
(x)[ dx, donde M
n+1
= [[f
n+1)
[[
,[a,b]
.
Vamos a obtener una expresion mas explcita del error de integracion que (3.17). Para ello, necesitamos dos
resultados auxiliares de tipo valor medio que presentamos a continuacion.
Lema 3.19 (Version continua) Sean f, g C
0
([a, b]) con g 0 en [a, b] y g > 0 salvo en un n umero
nito de puntos de [a, b] (o bien g 0 en [a, b] y g < 0 salvo en un n umero nito de puntos de [a, b]).
Entonces, existe (a, b) tal que
_
b
a
f(x)g(x) dx = f()
_
b
a
g(x) dx.
Demostraci on: Si g 0, entonces el resultado es trivial. Supongamos, por ejemplo, que g > 0 en [a, b]
salvo un n umero nito de puntos. En particular,
_
b
a
g(x) dx > 0.
Como f C
0
([a, b]), existen m
1
= mn
x[a,b]
f(x) y m
2
= max
x[a,b]
f(x). Entonces tenemos
m
1
g(x) f(x)g(x) m
2
g(x), x [a, b],
siendo las desigualdades estrictas salvo en un n umero nito de puntos, de donde integrando en (a, b) obten-
emos
m
1
<
_
b
a
f(x)g(x) dx
_
b
a
g(x) dx
< m
2
.
A partir de aqu, se deduce el resultado del lema gracias al teorema del Valor Medio.
Lema 3.20 (Version discreta) Sean f C
0
([a, b]), x
1
, . . . , x
p
[a, b] y b
1
, . . . , b
p
> 0 (o bien b
1
, . . . , b
p
<
0). Entonces existe (a, b) tal que
p
k=1
b
k
f(x
k
) = f()
p
k=1
b
k
.
Demostraci on: Analoga a la demostracion del Lema 3.19.
Una expresion mas explcita que (3.17) del error de una f.c.t.i. viene dada por el siguiente
Teorema 3.21 Sean f C
n+1
([a, b]) e I
n
(f) la f.c.t.i. asociada al soporte S = x
0
< x
1
< < x
n

[a, b]. Entonces existen dos constantes K
+
, K
0, y dos puntos intermedios

+
,
(a, b) tales que

E(f) =
1
(n + 1)!
_
K
+
f
n+1)
(
+
) K
f
n+1)
(
)
_
. (3.18)
Ademas, K
+
, K
verican el sistema:
_
_
K
+
K
=
_
b
a
w
S
(x) dx,
K
+
+K
=
_
b
a
[w
S
(x)[ dx.
(3.19)
Nota 3.22 El sistema (3.19) es un sistema lineal 2 2 para calcular K
+
y K
.
Nota 3.23 Si f(x) = x
n+1
, entonces E(x
n+1
) = K
+
K
=
_
b
a
w
S
(x) dx. Luego, el orden de la correspon-
diente formula de cuadratura es exactamente n si y solo si
_
b
a
w
S
(x) dx = 0 y es mayor que n si y solo si
_
b
a
w
S
(x) dx ,= 0.
42 3.4. Formulas de cuadratura de Newton-Cotes
Demostraci on: En primer lugar, factorizamos el error de interpolacion como producto de funciones con-
tinuas:
f(x) p
n
(x) = G(x) w
S
(x), G(x) =
_
_
f(x) p
n
(x)
w
S
(x)
, si x , S;
lm
xx
k
f(x) p
n
(x)
w
S
(x)
=
f
(x
k
) p
n
(x
k
)
w
S
(x
k
)
, si x = x
k
.
Ademas, gracias a la expresion del error de interpolacion (1.4) se tiene que
G(x) =
f
n+1)
(
x
)
(n + 1)!
para cada x , S, con
x
(a, b) .
Denotando (eventualmente) x
1
= a y x
n+1
= b, tenemos
E(f) =
_
b
a
(f(x) p
n
(x)) dx =
_
b
a
G(x)w
S
(x) dx =
n+1
k=0
_
x
k
x
k1
G(x)w
S
(x) dx,
de donde aplicando el Lema 3.19, deducimos que existen
k
(x
k1
, x
k
), k = 0, . . . , n + 1 tales que
E(f) =
n+1
k=0
G(
k
)
_
x
k
x
k1
w
S
(x) dx
=
k: w
S
>0 en (x
k1
, x
k
)
G(
k
)
_
x
k
x
k1
w
S
(x) dx
k: w
S
<0 en (x
k1
, x
k
)
G(
k
)
_
x
k
x
k1
(w
S
)(x) dx.
Como
k
(x
k1
, x
k
), entonces G(
k
) =
f
n+1)
(
k
)
(n+1)!
para ciertos
k
(a, b). Aplicando el Lema 3.20, existen
+
,
(a, b) tales que

E(f) =
f
n+1)
(
+
)
(n + 1)!
k: w
S
>0 en (x
k1
, x
k
)
_
x
k
x
k1
w
S
(x) dx
f
n+1)
(
)
(n + 1)!
k: w
S
<0 en (x
k1
, x
k
)
_
x
k
x
k1
(w
S
)(x) dx,
de donde se deduce el resultado de este teorema deniendo
K
+
=
k: w
S
>0 en (x
k1
, x
k
)
_
x
k
x
k1
w
S
(x) dx y K
k: w
S
<0 en (x
k1
, x
k
)
_
x
k
x
k1
(w
S
)(x) dx.
3.4 Formulas de cuadratura de Newton-Cotes
Las formulas de cuadratura de Newton-Cotes son f.c.t.i. para soportes equidistantes de [a, b]. Dependiendo de
que incluyan o no los extremos del intervalo [a, b], tenemos las formulas cerradas o abiertas respectivamente.
3.4.1 Formulas de cuadratura de Newton-Cotes cerradas
Se toman h = (b a)/n, x
k
= a + kh, k = 0, . . . , n y [a, b] = [x
0
, x
n
]. Una formula de cuadratura de
Newton-Cotes cerrada con n + 1 nodos es de la forma
I
n
(f) =
n
k=0
k
f(x
k
),
donde (gracias a (3.9) y (1.10)) para cada k = 0, . . . , n
k
=
_
b
a
L
k
(x) dx = h
_
n
0
l
k
(t) dt h
_
n
0
n
j=0,j=k
t j
k j
dt
= (1)
nk
h
n!
_
n
k
__
n
0
n
j=0,j=k
(t j) dt. (3.20)
Nota 3.24 Teniendo en cuenta que
_
b
a
w
S
(x) dx = h
n+2
_
n
0
(t) dt
y haciendo la descomposicion
_
n
0
(t) dt =
_
_
_
1
0
(t) dt +
_
2k
2k1
(t) dt + +
_
k
k1
(t) dt +
_
k+1
k
(t) dt si n = 2k;
_
1
0
(t) dt +
_
2k+1
2k
(t) dt + +
_
k
k1
(t) dt +
_
k+2
k+1
(t) dt
+
_
k+1
k
(t) dt si n = 2k + 1
no es difcil demostrar que
_
n
0
(t) dt =
_
_
_
0 si n = 2 k (par);
_
k+1
k
(t) dt < 0 si n = 2 k + 1 (impar).
Luego, recordando Nota 3.23, tenemos que el orden es mayor que n para n par y exactamente n para n
impar.
Teorema 3.25 (Error en formulas de cuadratura de Newton-Cotes cerradas) Sea I
n
(f) una
formula de cuadratura de Newton-Cotes cerrada con (n + 1) nodos. Se verica:
a) Si n par y f C
n+2
([a, b]), entonces existe (a, b) tal que
E(f) =
f
n+2)
()
(n + 2)!
_
b
a
xw
S
(x) dx = h
n+3
f
n+2)
()
(n + 2)!
_
n
0
t (t) dt,
donde (t) = t(t 1) . . . (t n). Ademas,
_
n
0
t (t) dt < 0. En particular, el orden de formula de
cuadratura es n + 1.
b) Si n impar y f C
n+1
E(f) =
f
n+1)
()
(n + 1)!
_
b
a
w
S
(x) dx = h
n+2
f
n+1)
()
(n + 1)!
_
n
0
(t) dt,
_
n
0
(t) dt < 0. En particular, el orden de formula de
cuadratura es n.
44 3.4. Formulas de cuadratura de Newton-Cotes
Para la demostracion de este teorema, vease [Isaacson & Keller].
Ejemplo 3.26
Pongamos, f
k
= f(x
k
), k = 0, . . . , n y [a, b] = [x
0
, x
n
]. Tenemos las siguientes formulas de cuadratura de
Newton-Cotes cerradas junto con el error que proporciona el Teorema 3.25:
n = 1
_
x
1
x
0
f(x) dx =
h
2
(f
0
+f
1
)
h
3
12
f
2)
(), (x
0
, x
1
) regla de los trapecios;
n = 2
_
x
2
x
0
f(x) dx =
h
3
(f
0
+ 4f
1
+f
2
)
h
5
90
f
4)
(), (x
0
, x
2
) regla de Simpson;
n = 3
_
x
3
x
0
f(x) dx =
3h
8
(f
0
+ 3f
1
+ 3f
2
+f
3
)
3h
5
80
f
4)
(), (x
0
, x
3
);
n = 4
_
x
4
x
0
f(x) dx =
2h
45
(7f
0
+ 32f
1
+ 12f
2
+ 32f
3
+ 7f
4
)
8h
7
945
f
6)
(), (x
0
, x
4
);
n = 5
_
x
5
x
0
f(x) dx =
5h
288
(19f
0
+ 75f
1
+ 50f
2
+ 50f
3
+ 75f
4
+ 19f
5
)
275h
7
12096
f
6)
(),
(x
0
, x
5
).
3.4.2 Formulas de cuadratura de Newton-Cotes abiertas
Se toman h = (b a)/(n + 2), x
k
= a + (k + 1)h, k = 0, . . . , n y [a, b] = [x
1
, x
n+1
]. Una formula de
cuadratura de Newton-Cotes abierta con n + 1 nodos es de la forma
I(f) =
n
k=0
k
f(x
k
),
donde, para cada k = 0, . . . , n, los pesos
k
vienen dados por (aplicando de nuevo (3.9) y (1.10))
k
=
_
b
a
L
k
(x) dx
_
x
n+1
x
1
n
j=0,j=k
x x
j
x
k
x
j
dx = h
_
n+1
1
l
k
(t) dt,
h
_
n+1
1
n
j=0,j=k
t j
k j
dt = (1)
nk
h
n!
_
n
k
__
n+1
1
n
j=0,j=k
(t j) dt.
De forma similar al caso de las formulas cerradas, se puede demostrar que
_
n+1
1
(t) dt =
_
0 si n = 2 k (par)
> 0 si n = 2 k + 1 (impar).
Luego, recordando Nota 3.23, de nuevo tenemos que el orden es mayor que n para n par y exactamente n
para n impar.
Teorema 3.27 (Error en formulas de cuadratura de Newton-Cotes abiertas) Sea I
n
(f) una
formula de cuadratura de Newton-Cotes abierta con (n + 1) nodos. Se verica:
a) Si n par y f C
n+2
E(f) =
f
n+2)
()
(n + 2)!
_
b
a
xw
S
(x) dx = h
n+3
f
n+2)
()
(n + 2)!
_
n+1
1
t (t) dt.
_
n+1
1
t (t) dt > 0. En particular, el orden de formula de
cuadratura es n + 1.
b) Si n impar y f C
n+1
E(f) =
f
n+1)
()
(n + 1)!
_
b
a
w
S
(x) dx = h
n+2
f
n+1)
()
(n + 1)!
_
n+1
1
(t) dt,
_
n+1
1
(t) dt > 0. En particular, el orden de formula de
cuadratura es n.
La demostracion de este teorema puede encontrarse en [Isaacson & Keller].
Ejemplo 3.28
Pongamos, f
k
= f(x
k
), k = 0, . . . , n y [a, b] = [x
1
, x
n+1
]. Tenemos las siguientes formulas de cuadratura de
Newton-Cotes abiertas junto con el error que proporciona el Teorema 3.27:
n = 0
_
x
1
x
1
f(x) dx = 2hf
0
+
h
3
3
f
2)
(), (x
1
, x
1
) regla del punto medio;
n = 1
_
x
2
x
1
f(x) dx =
3h
2
(f
0
+f
1
) +
3h
3
4
f
(), (x
1
, x
2
);
n = 2
_
x
3
x
1
f(x) dx =
4h
3
(2f
0
f
1
+ 2f
2
)
28h
5
90
f
4)
(), (x
1
, x
3
);
n = 3
_
x
4
x
1
f(x) dx =
5h
24
(11f
0
+f
1
+f
2
+ 11f
3
) +
95h
5
144
f
4)
(), (x
1
, x
4
);
n = 4
_
x
5
x
1
f(x) dx =
6h
20
(11f
0
14f
1
+ 26f
2
14f
3
+ 11f
4
) +
41h
7
140
f
6)
(),
(x
1
, x
5
).
3.5 Integracion a trozos. Formulas compuestas
Las f.c.t.i. simples con n+1 nodos, para n grande implican la realizacion de muchas operaciones, en particular
el calculo de los pesos es muy costoso. Ademas, en general no se tiene garantizada convergencia, es decir
I
n
(f) , I(f) cuando n (vease Seccion 1.2.6). Por esta razon, en la practica, se usa la integracion
a trozos (o integracion compuesta). La idea principal de la integracion a trozos es la siguiente: se ja una
particion T = a = x
0
< x
1
< < x
n
= b del intervalo [a, b] y se descompone la integral en [a, b] en suma
de integrales en los subintervalos I
i
= [x
i1
, x
i
]:
I(f) =
_
b
a
f(x) dx =
n
i=1
_
x
i
x
i1
f(x) dx.
Entonces, se aplican f.c.t.i. simples de m+1 puntos, con m peque no (en la practica, m = 1, 2, 3). Llamando
h = max
1in
(x
i
x
i1
) al diametro de la particion T, se trata de aproximar I(f) haciendo h 0. Mas
concretamente, en cada subintervalo I
i
= [x
i1
, x
i
] , i = 1, . . . , n elegimos un soporte de m+ 1 puntos:
S
i
m
= x
(i)
0
< x
(i)
1
< < x
(i)
m
I
i
.
Consideramos una formula de cuadratura simple asociada a este soporte
I
m
(f) =
m
k=0
(i)
k
f(x
(i)
k
)
46 3.5. Integracion a trozos. Formulas compuestas
y llamamos E
(i)
m
(f) =
_
I
i
f(x) dxI
m
(f) al error en dicha f.c., i = 1, . . . , n. Entonces, formula de cuadratura
compuesta que se obtiene a partir de la f.c. simple elegida, junto con el error, se escribe como sigue:
I(f) =
n
i=1
_
x
i
x
i1
f(x) dx =
n
i=1
m
k=0
(i)
k
f(x
(i)
k
) +
n
i=1
E
(i)
m
:= I
n,m
(f) +E
n,m
(f).
Nota 3.29
1. En caso de usar una particion uniforme (con puntos equidistantes) y para f.c.t.i., es decir para una formula
de cuadratura de Newton-Cotes, los pesos
(i)
k
no dependen de i, porque
(i)
k
=
_
I
i
L
(i)
k
(x) dx =
h
m
_
m
0
l
k
(t) dt, donde l
k
(t) =
m
j=0,j=k
t j
k j
, k = 0, . . . , m
para todo i = 0, . . . , n. Ademas, los pesos
(i)
k
son simetricos, es decir,
(i)
k
=
(i)
nk
, puesto que gracias a la
propiedad de simetra de los n umeros combinatorios, tenemos l
k
(t) = l
nk
(n t) .
2. Cuando para obtener una formula de cuadratura compuesta usamos formulas de cuadratura simples
de Newton-Cotes cerradas, los extremos de los subintervalos I
i
son nodos repetidos. En las formulas de
cuadratura compuestas obtenidas a partir de formulas de cuadratura simples de Newton-Cotes abiertas, los
nodos no se repiten.
Ejemplo 3.30
Vamos a obtener la f.c. del trapecio compuesta. Para ello, consideramos una particion uniforme del intervalo
[a, b]: T = a = x
0
< x
1
< < x
n
= b, siendo
x
i
= a +ih, i = 0, . . . , n, h =
b a
n
.
Luego,
I(f) =
n
i=1
_
I
i
f(x) dx
n
i=1
_
x
i
x
i1
f(x) dx. (3.21)
En cada I
i
, i = 1, . . . , n, usamos la f.c. del trapecio simple junto con el error que, seg un el Ejemplo 3.26
(para n = 1), se escribe, suponiendo que f C
2
([a, b])
_
x
i
x
i1
f(x) dx =
h
2
(f(x
i1
) +f(x
i
))
h
3
12
f
(
i
)
i
(x
i1
, x
i
).
En consecuencia, usando esta formula junto con el Lemma 3.20 en (3.21), llegamos a que existe (a, b)
tal que
I(f) =
n
i=1
_
x
i
x
i1
f(x) dx =
h
2
n
i=1
(f(x
i1
) +f(x
i
))
h
3
12
n
i=1
f
(
i
)
=
h
2
_
f(a) + 2
n1
i=1
f(x
i
) +f(b)
_
h
3
12
nf
()
=
h
2
_
f(a) + 2
n1
i=1
f(x
i
) +f(b)
_
(b a)
3
12 n
2
f
(). (3.22)
La formula obtenida es la formula de cuadratura del trapecio compuesta. Observese que cuando n +(o
bien h 0) el error en (3.22) tiende a cero (como 1/n
2
o bien h
2
). En particular, la formula de cuadratura
compuesta es convergente.
3.5.1 Error en formulas de Newton-Cotes compuestas. Convergencia
Como consecuencia de los Teoremas 3.25 y 3.27, tenemos los siguientes resultados:
Corolario 3.31 (Error en formulas de Newton-Cotes cerradas compuestas) Sea I
n,m
(f) una
formula de cuadratura de Newton-Cotes cerrada compuesta. Se verica:
a) Si m par y f C
m+2
E
n,m
(f) =
n
_
h
m
_
m+3
f
m+2)
()
(m+ 2)!
_
m
0
t(t) dt
=
1
n
m+2
f
m+2)
()
(m+ 2)!
_
b a
m
_
m+3
_
m
0
t(t) dt,
donde (t) = t(t 1) . . . (t m). Ademas,
_
m
0
t(t) dt < 0. En particular, E
n,m
(f) 0 cuando
n +, como O(1/n
m+2
) O(h
m+2
).
b) Si m impar y f C
m+1
E
n,m
(f) =
n
_
h
m
_
m+2
f
m+1)
()
(m+ 1)!
_
m
0
(t) dt
=
1
n
m+1
f
m+1)
()
(m+ 1)!
_
b a
m
_
m+2
_
m
0
(t) dt,
_
m
0
(t) dt < 0. En particular, E
n,m
(f) 0 cuando
n + como O(1/n
m+1
) O(h
m+1
).
Corolario 3.32 (Error en formulas de Newton-Cotes abiertas compuestas) Sea I
n,m
(f) una
formula de cuadratura de Newton-Cotes abierta compuesta. Se verica:
a) Si m par y f C
m+2
E
n,m
(f) =
n
_
h
m+2
_
m+3
f
m+2)
()
(m+ 2)!
_
m+1
1
t(t) dt
=
1
n
m+2
f
m+2)
()
(m+ 2)!
_
b a
m+ 2
_
m+3
_
m+1
1
t (t) dt,
_
m+1
1
t (t) dt > 0. En particular, E
n,m
(f) 0 cuando
n +, como O(1/n
m+2
) = O(h
m+2
).
b) Si m impar y f C
m+1
E
n,m
(f) =
n
_
h
m+2
_
m+2
f
m+1)
()
(m+ 1)!
_
m+1
1
(t) dt
=
1
n
m+1
f
m+1)
()
(m+ 1)!
_
b a
m+ 2
_
m+2
_
m+1
1
(t) dt,
_
m+1
1
(t) dt > 0. En particular, E
n,m
(f) 0 cuando
n + como O(1/n
m+1
) = O(h
m+1
).
Para la demostracion de ambos corolarios basta usar que h = (b a)/(nm) y aplicar el Lema 3.20.
48 3.6. Formulas de cuadratura de Gauss
3.6 Formulas de cuadratura de Gauss
Sean f C
0
([a, b]) y consideramos I(f) =
_
b
a
f(x) dx la intergal a aproximar. Fijados n+1 nodos distintos
de [a, b], sabemos que la f.c.t.i. asociada tiene pesos
k
=
_
b
a
L
k
(x) dx y es de orden maximo, es decir de
orden n. Es natural, por tanto preguntarse si podemos seleccionar los nodos de manera adecuada para
que el orden de la f.c.t.i. sea n + 1. Mas concretamente, nos planteamos el siguiente
Problema 3.33 Como elegir el soporte S = x
0
< x
1
< < x
n
de (n + 1) nodos de [a, b], para que la
f.c.t.i. asociada sea de orden maximo ?
Teniendo en cuenta (3.3), nuestro objetivo es elegir los nodos x
0
< x
1
< < x
n
tales que
E(q) = 0 q P
m+n+1
[x] con m 0. (3.23)
Lema 3.34 Se considera una f.c.t.i. asociada a n + 1 nodos x
0
< < x
n
. Se tienen las siguientes
equivalencias:
orden n + 1
_
b
a
w
S
(x) dx = 0 w
S
P
0
[x], (3.24)
orden n + 2
_
b
a
xw
S
(x) dx = 0 w
S
P
1
[x], (3.25)
. . .
orden n + 1 +m
_
b
a
x
m
w
S
(x) dx = 0 w
S
P
m
[x], (3.26)
donde w
S
= (x x
0
)(x x
1
) (x x
n
) y m 0.
Demostraci on: Sea q P
m+n+1
[x] cualquiera con grado q = m+n +1, m 0. Sea p P
n
[x] el polinomio
de interpolacion de q asociado a n + 1 nodos x
0
, . . . , x
n
. Luego, usando (3.23), se tiene para la f.c.t.i que
orden m+n + 1 E(q) =
_
b
a
(q(x) p(x)) dx = 0. (3.27)
Para m = 0, usando (1.4) se tiene
q(x) p(x) = r(x)w
S
(x), con r P
0
[x]
y, por tanto, de (3.27) deducimos (3.24).
Para m = 1, usando de nuevo (1.4), tenemos
q(x) p(x) = r(x)w
S
(x), con r P
1
[x]
y, por tanto, de (3.27), teniendo en cuenta (3.24), deducimos (3.25), etc.
Razonando de esta forma, se llega a que
q(x) p(x) = r(x)w
S
(x), con r P
m
[x] ,
luego (3.27) y lo anterior implican (3.26). Esto termina la demostracion.
Lema 3.35 (Cota superior del orden) Se verica que m n, es decir el orden de la f.c.t.i. con n + 1
nodos es siempre menor o igual a 2n + 1.
Demostraci on: Para r(x) = w
S
(x), r P
n+1
[x] se tiene que
_
b
a
r(x) w
S
(x) dx =
_
b
a
w
S
(x)
2
dx > 0,
luego m < n + 1. De donde m n y el orden de la f.c.t.i es m+n + 1 n +n + 1 = 2n + 1.
Observese que en virtud de los Lemas 3.34 y 3.35 podemos armar que la f.c.t.i. asociada a los nodos
x
0
< < x
n
es de orden m + n + 1 con 0 m n si y solo si el polinomio soporte w
S
P
m
[x]
(respecto al producto escalar (f, g) =
_
b
a
f(x)g(x) dx). En lo que sigue, vamos a ver que, de hecho m = n
para los unicos puntos x
0
< < x
n
tales que w
S
P
n
[x], siendo estos puntos las races del correspondiente
polinomio ortogonal de grado n +1. Para ello, necesitaremos el siguiente resultado sobre las propiedades de
los polinomios ortogonales.
Lema 3.36 (Propiedades de polinomios ortogonales) Sea p
0
, p
1
, . . . , p
n
una base ortonormal en
L
2
(a, b) de P
n
[x] tal que grado(p
k
) = k para cada k = 0, . . . , n. Se tiene:
1. p
k
tiene k races reales distintas en (a, b).
2. Si p P
k
[x] y grado(p) = k + 1, entonces p(x) = p
k+1
(x) para alg un R.
Demostraci on:
1. Veamos primero que p
k
no tiene races fuera del intervalo (a, b), lo que probara que todas sus races se
encuentran dentro de (a, b). En efecto, sean x
1
, . . . , x
r
, con r k races reales de p
k
en (a, b). Denimos
q(x) = (x x
1
)
m
1
. . . (x x
r
)
m
r
,
donde m
i
es la multiplicidad de x
i
, i = 1, . . . , r. Luego, p
k
(x) = q(x) d(x) con d ,= 0 en (a, b) (es decir d > 0
o bien d < 0 en (a, b)). Entonces,
_
b
a
p
k
(x)q(x) dx =
_
b
a
d(x)q
2
(x) dx ,= 0,
de donde p
k
, q. Luego grado(q) k, pues p
k
es ortogonal a todo polinomio de grado k 1. Por otra
parte, grado(q) grado(p
k
) = k. Entonces, necesariamente llegamos a que
grado(q) = k y d P
0
[x],
luego p
k
no tiene races reales fuera de (a, b). Basta demostrar pues que todas las races de p
k
son simples.
Razonemos por la reduccion al absurdo. Supongamos que para alg un i la raz x
i
(a, b) es doble, es decir
p
k
(x) = (x x
i
)
2
q
k2
(x) con q
k2
P
k2
[x].
Entonces
_
b
a
p
k
(x)q
k2
(x) dx =
_
b
a
(x x
i
)
2
q
k2
(x)
2
dx > 0,
lo que es absurdo, ya que p
k
P
k2
[x].
2. Sea p P
k
[x], p P
k+1
[x] con grado(p) = k + 1. Como P
k+1
[x] = p
0
, p
1
, . . . , p
k
, p
k+1
), tenemos p(x) =
k+1
l=0
a
l
p
l
(x), de donde deducimos, multiplicando escalarmente por p
j
, que a
j
= (p, p
j
). Entonces p(x) =
k+1
j=0
(p, p
j
)p
j
(x). Usando que p P
k
[x] todos los coecientes (p, p
j
) = 0, para j = 0, . . . , k. Por tanto,
p(x) = (p, p
k+1
)p
k+1
(x). Basta tomar = (p, p
k+1
) para concluir la demostracion de este lema.
Teorema 3.37 (Existencia y unicidad) Existe una unica f.c.t.i. de orden (maximo) 2n+1 con el soporte
S = x
0
< < x
n
(a, b) formado por las n + 1 races de p
n+1
, (n + 1)-esimo polinomio ortogonal en
L
2
(a, b). Ademas, los pesos correspondientes son todos positivos.
Demostraci on:
Existencia: Sea p
n+1
P
n+1
[x], grado(p
n+1
) = n + 1 el (n + 1)-esimo polinomio ortogonal en L
2
(a, b).
Tomemos w
S
(x) =
1
a
n+1
p
n+1
(x), siendo a
n+1
el coeciente lder de p
n+1
. Gracias al Lema 3.36, w
S
P
n+1
[x]
(monico) con x
0
, . . . , x
n
, n+1 races reales y distintas pertenecientes al intervalo (a, b) y ademas w
S
P
n
[x].
Luego, de (3.24) y del Lema 3.35 deducimos que la f.c.t.i. asociada a estos nodos es de orden m = 2n + 1.
Unicidad: Si existe otro soporte S de n + 1 nodos tal que la f.c.t.i. asociada tiene orden 2n + 1, entonces
w
S
P
n
[x]. Como w
S
tiene grado n + 1, por el Lema 3.36 tenemos w
S
= p
n+1
, luego necesariamente este
soporte S esta formado por las unicas races de p
n+1
. Entonces S = S.
Pesos positivos: Supongamos que la formula de cuadratura de Gauss se escribe como I
n
(f) =

n
k=0
k
f(x
k
).
Se trata de ver que
k
> 0 para todo k = 0, . . . , n. En efecto, para cada j = 0, . . . , n, sea
q
j
(x) =
w
S
(x)
2
(x x
j
)
2
= (x x
0
)
2
(x x
j1
)
2
(x x
j+1
)
2
(x x
n
)
2
.
Tenemos que q
j
P
2n
[x] y q
j
0 en (a, b). Como la f.c.t.i. de Gauss es exacta para polinomios de grado
2n + 1 (ya que es de orden 2n + 1), deducimos que el error
E(q
j
) = 0 I(q
j
) = I
n
(q
j
).
Esto es
0 <
_
b
a
q
j
(x) dx =
n
k=0
k
q
j
(x
k
) =
j
q
j
(x
j
),
puesto que q
j
(x
k
) = 0 si k ,= j. Usando que q
j
(x
j
) > 0, deducimos que
j
> 0 (para todo j = 0, . . . , n).
Esto termina la demostracion.
Teorema 3.38 (Error en formulas de Gauss de n + 1 puntos) Supongamos que f C
2n+2
([a, b]), I
n
es la f.c. de Gauss con n + 1 puntos y E(f) = I(f) I
n
(f) es el error. Entonces existe (a, b) tal que
E(f) =
f
2n+2)
()
(2n + 2)!
_
b
a
w
S
(x)
2
dx.
Demostraci on: Sean S = x
0
, . . . , x
n
el soporte formado por las n + 1 races de p
n+1
(el (n + 1)-esimo
polinomio ortogonal en L
2
(a, b)) y q P
2n+1
[x] el polinomio de interpolacion de Hermite asociado a f y
S. Entonces, aplicando el Teorema 1.23 sobre el error de interpolacion de Hermite, obtenemos que existe
x
(a, b) tal que tal que para cada x [a, b],
f(x) q(x) =
f
2n+2)
(
x
)
(2n + 2)!
w
S
(x)
2
= G(x) w
S
(x)
2
,
donde w
S
(x) = (x x
0
) (x x
n
) y
G(x) =
_
_
f(x) q(x)
w
S
(x)
2
, si x ,= x
0
, . . . , x
n
;
lm
xx
k
f(x) q(x)
w
S
(x)
2
=
f
(x
k
) p
n
(x
k
)
(w
S
(x)
2
)
[
x=x
k
, si x = x
k
, k = 0, . . . , n,
donde se ha aplicado dos veces la regla de LHopital. Observese que
G(x) =
f
2n+2)
(
x
)
(2n + 2)!
para cada x ,= x
0
. . . , x
n
con
x
(a, b). (3.28)
Luego, gracias a la linealidad de la funcion error E, a que E(q) = 0 (puesto que q P
2n+1
[x] y a que el
orden de la formula de cuadratura de Gauss para n+1 puntos es 2n+1), y aplicando el Lema 3.19, tenemos
que existen
0
(a, x
0
),
1
(x
0
, x
1
), . . . ,
n+1
(x
n
, b) tales que
E(f) = E(f q) =
_
b
a
(f(x) q(x)) dx
n
k=0
k
(f p)(x
k
) =
_
b
a
G(x) w
S
(x)
2
dx
=
_
x
0
a
G(x) w
S
(x)
2
dx +
_
x
1
x
0
G(x) w
S
(x)
2
dx + +
_
b
x
n
G(x) w
S
(x)
2
dx
= G(
0
)
_
x
0
a
w
S
(x)
2
dx +G(
1
)
_
x
1
x
0
w
S
(x)
2
dx + +G(
n+1
)
_
b
x
n
w
S
(x)
2
dx.
Usando ahora (3.28) y aplicando el Lema 3.20 (pues w
2
> 0 en cada uno de los intervalos (a, x
0
), (x
0
, x
1
),
. . . , (x
n
, b)), obtenemos
E(f) =
f
2n+2)
(
0
)
(2n + 2)!
_
x
0
a
w
S
(x)
2
dx +
f
2n+2)
(
1
)
(2n + 2)!
_
x
1
x
0
w
S
(x)
2
dx +
+
f
2n+2)
(
n+1
)
(2n + 2)!
_
b
x
n
w
S
(x)
2
dx
=
f
2n+2)
()
(2n + 2)!
_
b
a
w
S
(x)
2
dx.
Esto termina la demostracion del teorema.
Ejercicio 3.39 Suponiendo que f C
4
([a, b]), demostrar la siguiente expresion del error de la formula de
cuadratura de Gauss con dos puntos:
E(f) =
f
4)
()
4!
_
b
a
(x x
0
)
2
(x x
1
)
2
dx, (a, b).
Se puede deducir, directamente de la igualdad anterior, que el orden de dicha formula de cuadratura es
igual a 3 ? Razonar la respuesta.
Solucion: Se considera el problema de interpolacion de Hermite siguiente:
_
_
_
Hallar q P
3
[x] tal que
q(x
0
) = f(x
0
), q
(x
0
) = f
(x
0
),
q(x
1
) = f(x
1
), q
(x
1
) = f
(x
1
)
con el error: existe
x
(a, b) tal que x [a, b],
f(x) q(x) =
f
iv)
(
x
)
4!
w(x)
2
= G(x)w(x)
2
,
donde w(x) = (x x
0
)(x x
1
) y
G(x) =
_
_
f(x) q(x)
w(x)
2
, si x ,= x
0
, x
1
;
lm
xx
k
f(x) q(x)
w(x)
2
=
f
(x
k
) p
n
(x
k
)
(w(x)
2
)
[
x=x
k
, si x = x
k
, k = 0, 1.
Observese que
G(x) =
f
iv)
(
x
)
4!
para cada x ,= x
0
, x
1
. (3.29)
Luego, gracias a la linealidad de la funcion error E, a que E(q) = 0 (puesto que q P
3
[x] y el orden de
la formula de cuadratura de Gauss para dos puntos es 3), y aplicando el Lema 3.19 del tipo valor medio
integral (version continua), tenemos que existen
0
(a, x
0
),
1
(x
0
, x
1
) y
2
(x
1
, b) tales que
E(f) = E(f q) =
_
b
a
(f(x) q(x)) dx
1
k=0
k
(f p)(x
k
) =
_
b
a
G(x)w(x)
2
dx
=
_
x
0
a
G(x)w(x)
2
dx +
_
x
1
x
0
G(x)w(x)
2
dx +
_
b
x
1
G(x)w(x)
2
dx
= G(
0
)
_
x
0
a
w(x)
2
dx +G(
1
)
_
x
1
x
0
w(x)
2
dx +G(
2
)
_
b
x
1
w(x)
2
dx.
Usando ahora (3.29) y aplicando el Lema 3.20 del tipo valor medio en la version discreta (pues w
2
> 0 en
cada uno de los intervalos (a, x
0
), (x
0
, x
1
), (x
1
, b)), obtenemos
E(f) =
f
iv)
(
0
)
4!
_
x
0
a
w(x)
2
dx +
f
iv)
(
1
)
4!
_
x
1
x
0
w(x)
2
dx +
f
iv)
(
2
)
4!
_
b
x
1
w(x)
2
dx
=
f
iv)
()
4!
_
b
a
w(x)
2
dx.
De la expresion del error de la formula de Gauss obtenida, se puede deducir, directamente que el orden de
dicha formula de cuadratura es igual a 3. En efecto, si f P
3
[x], se tiene que f
iv)
0, luego E(f) = 0,
lo que prueba que el orden es 3. Por otra parte, si f = x
4
, f
iv)
= 4! ,= 0, obtenemos E(x
4
) ,= 0 (ya que
_
b
a
(x x
0
)
2
(x x
1
)
2
dx > 0), de donde el orden es exactamente igual a 3.
Nota 3.40 (Formulas de cuadratura de Gauss con una funcion de peso) Se pueden generalizar
los resultados anteriores para formulas de cuadratura de Gauss con una funcion de peso. Mas concreta-
mente, sea una funcion de peso C
0
(a, b), (x) > 0, x (a, b) y
_
b
a
(x) dx < +, nos planteamos el
problema de encontrar n+1 coecientes
0
, . . . ,
n
y los nodos x
0
, . . . , x
n
tales que la formula de cuadratura
_
b
a
(x)f(x) dx =
n
k=0
k
f(x
k
) +E(f)
sea de orden maximo. Los resultados vistos hasta ahora con (x) 1 sobre la existencia, unicidad y el error
siguen siendo validos para este tipo de formulas de Gauss. Generalizando estos resultados al caso (x) > 0,
,= 1, deducimos que es posible alcanzar el orden 2n + 1 eligiendo como nodos los ceros del (n + 1)-esimo
polinomio ortogonal respecto al producto escalar con peso
(f, g)
=
_
b
a
(x) f(x)g(x) dx.
Dependiendo de y del intervalo considerado, tenemos formulas de cuadratura de Gauss con nombres
especcos. Por ejemplo,
Para = 1 y [a, b] = [1, 1] tenemos la formula de cuadratura de Gauss-Legendre (los polinomios
ortogonales en este caso se llaman polinomios de Legendre).
Para =
1
1 x
2
y [a, b] = [1, 1] se trata de la formula de cuadratura de Gauss-Chebychev
(los polinomios ortogonales en este caso se llaman polinomios de Chebychev). Se observa que
_
1
1
1
1 x
2
=
_
arcsen x
_
x=1
x=1
= .
Nota 3.41 Observemos que, jando los dos extremos del intervalo como nodos, se consiguen f.c.t.i. de
orden maximo igual a 2n 1, que se denominan de Gauss-Lobato. En efecto, razonando como en la
demostracion del Lema 3.34, se llega a que el orden de dicha f.c.t.i. es m + n + 1 si y solo si
_
b
a
(x a)(x b) r(x) w
x
1
,...,x
n1
(x) dx = 0 para todo r P
m2
[x], luego los nodos interiores optimos son las
races del (n1)-esimo polinomio ortogonal respecto al producto escalar con peso (x) = (xa)(xb).
Ejercicio 3.42 Dada f C
0
([1, 1]), se considera la siguiente formula de cuadratura:
_
1
1
f(x) dx =
0
f(1) +
1
f(x
1
) +
2
f(1) +E(f). (3.30)
1. Hallar
0
,
1
,
2
y x
1
tales que la formula de cuadratura (3.30) sea de orden maximo.
2. Determinar el orden exacto de la formula de cuadratura (3.30).
3. Suponiendo que f C
4
([1, 1]), demostrar la siguiente expresi on del error en dicha formula de
cuadratura:
E(f) =
f
iv)
()
4!
_
1
1
(x 1)(x + 1)x
2
dx, (1, 1).
Solucion: a) Sabemos que para una f.c.t.i. con 3 nodos jos (n = 2) el orden es 2 (una vez jados
los nodos, los pesos
i
, i = 0, 1, 2 se calcularan para que la formula de cuadratura asociada sea de tipo
interpolatorio). Se trata de hacer un argumento ya usado para la formula de cuadratura de tipo Gauss.
Veamos si podemos elegir el nodo x
1
tal que (3.11) sea de orden 3. Sabemos que el orden de (3.11) es 3
si y solo si w(x)P
0
[x], donde w(x) = (x +1)(x x
1
)(x 1) es el polinomio soporte. Elegimos pues el nodo
x
1
tal que w(x)P
0
(x), esto es:
_
1
1
(x + 1)(x x
1
)(x 1) dx = 0
2
3
x
1
+ 2x
1
= 0,
de donde facilmente obtenemos que la unica posibilidad es x
1
= 0 .
Determinemos ahora los pesos
i
, i = 0, 1, 2 para que la formula de cuadratura asociada sea de orden
maximo (es decir de tipo interpolatorio). Imponiendo que
E(x
k
) = 0, k = 0, 1, 2,
llegamos a
_
0
+
1
+
2
= 2,
0
+
1
= 0,
0
+
2
=
2
3
,
de donde
0
=
2
=
1
3
y
1
=
4
3
.
1
b) Por el apartado anterior, sabemos que el orden de (3.11), para x
1
= 0,
0
=
2
=
1
3
y
1
=
4
3
, es
mayor o igual a 3. Veamos ahora que el orden de (3.11) es igual a 3. En efecto, el orden sera 4, si y solo
si w(x)P
1
[x], pero
_
1
1
w(x)xdx =
_
1
1
(x + 1)(x 1)x
2
dx ,= 0,
luego w(x) no es ortogonal a P
1
[x] y, en consecuencia el orden es exactamente 3.
1
Observese que se trata de la formula de Simpson en [1, 1].
c) Razonemos de forma parecida a la demostracion del teorema del error de las formulas de Gauss.
Consideramos el polinomio de interpolacion de tipo Hermite asociado a 1, x
1
, 1 = 1, 0, 1 que verica
el siguiente problema:
_
Hallar q P
3
[x] tal que
q(1) = f(1), q(0) = f(0), q
(0) = f
(0), q(1) = f(1).

Se verica la siguinte expresion del error: x [1, 1], existe
x
(1, 1) tal que
f(x) q(x) =
f
iv)
(
x
)
4!
(x + 1)(x 1)x
2
= G(x)(x + 1)(x 1)x
2
,
donde
G(x) =
_
_
f(x) q(x)
(x + 1)(x 1)x
2
, si x ,= 1, 0, 1;
lm
xx
k
f(x) q(x)
(x + 1)(x 1)x
2
=
f
(x
k
) p
n
(x
k
)
((x + 1)(x 1)x
2
)
[
x=x
k
, si x = x
k
, k = 0, 1, 2.
Observese que
G(x) =
f
iv)
(
x
)
4!
para cada x ,= 1, 0, 1 . (3.31)
Luego, gracias a la linealidad de la funcion error E y a que E(q) = 0 (puesto que q P
3
[x] y el orden
de la formula de cuadratura es 3), y aplicando el teorema del tipo valor medio integral (version continua),
tenemos que existen
0
(1, 0) y
1
(0, 1) tales que
E(f) = E(f q) =
_
1
1
(f(x) q(x)) dx
2
k=0
k
(f p)(x
k
)
=
_
1
1
G(x)(x + 1)(x 1)x
2
dx
=
_
0
1
G(x)(x + 1)(x 1)x
2
dx +
_
1
0
G(x)(x + 1)(x 1)x
2
dx
= G(
0
)
_
0
1
(x + 1)(x 1)x
2
dx +G(
1
)
_
1
0
(x + 1)(x 1)x
2
dx.
Usando ahora (3.31) y aplicando el teorema del tipo valor medio en la version discreta (pues (x+1)(x1)x
2
<
0 en cada uno de los intervalos (1, 0) y (0, 1), obtenemos
E(f) =
f
iv)
(
0
)
4!
_
0
1
(x + 1)(x 1)x
2
dx +
f
iv)
(
1
)
4!
_
1
0
(x + 1)(x 1)x
2
dx
=
f
iv)
()
4!
_
1
1
(x + 1)(x 1)x
2
dx.
Captulo 4
Resolucion numerica del problema de
Cauchy para ecuaciones diferenciales
ordinarias
4.1 Introduccion. Algunos resultados teoricos
Es bien conocido que muchos problemas de origen fsico, qumico, biologico, etc. tienen una formulacion
matematica en terminos de las ecuaciones diferenciales. Tenemos una o varias funciones desconocidas
que describen el fenomeno dado y que satisfacen una o varias ecuaciones diferenciales. En este captulo
analizaremos problemas de Cauchy para un sistema de ecuaciones diferenciales ordinarias (EDO) escrito en
forma normal, es decir:
_
y
= f(t, y), t [t
0
, t
0
+T],
y(t
0
) = ,
(4.1)
donde f : [t
0
, t
0
+T] R
N
R
N
y R
N
son dados
1
.
Denicion 4.1 Diremos que una funcion : [t
0
, t
0
+ T] R
N
es una solucion (a derecha de t
0
) de (4.1)
si verica C
1
([t
0
, t
0
+T]) tal que
(t) = f(t, (t)) para cada t [t

0
, t
0
+T] y (t
0
) = .
Vamos a analizar las soluciones a la derecha del dato de Cauchy (las soluciones a izquierda de t
0
, denidas
en [t
0
T, t
0
] se tratan de forma analoga). Denotaremos por [ [ la norma eucldea en R
N
, que para N = 1
es el valor absoluto en R.
A continuacion recordemos los siguientes resultados teoricos (vease por ejemplo [Guzm an]):
Si f C
0
([t
0
, t
0
+T] R
N
) y localmente Lipschitziana respecto de su segunda componente, entonces
existe una unica solucion local (denida en [t
0
, t
0
+]) y existe una unica solucion maximal. Ademas,
o bien la solucion maximal esta denida en todo [t
0
, t
0
+ T], o bien existe T
(t
0
, t
0
+ T) tal que
esta denida en [t
0
, T
) y lm
tT
(t) = (explosion en tiempo nito).

Si f C
0
([t
0
, t
0
+ T] R
N
) y de clase C
1
respecto de su segunda componente, entonces la solucion
maximal depende continuamente de los datos y parametros.
Si f C
1
([t
0
, t
0
+ T] R
N
), entonces la solucion maximal C
2
([t
0
, t
0
+ T]). Ademas,
(t) =
f
(1)
(t, (t)), con f
(1)
=
t
f + f
y
f. Mas generalmente, si f C
k
([t
0
, t
0
+ T] R
N
), entonces
C
k+1
([t
0
, t
0
+T]) y
k+1)
(t) = f
(k)
(t, (t)), con f
(k)
=
t
f
(k1)
+f
y
f
(k1)
y f
(0)
= f.
1
En numerosos ejemplos fsicos, t representa el tiempo y t
0
es el instante de tiempo inicial.
55
56 4.1. Introduccion. Algunos resultados teoricos
Si f C
0
([t
0
, t
0
+T] R
N
) y acotada en [t
0
, t
0
+T] R
N
(|f|
K) y es de clase C
1
respecto de su
segunda componente, entonces la solucion maximal esta denida en todo [t
0
, t
0
+T]. Ademas, para
cada t [t
0
, t
0
+T],
[(t) (t
0
)[ K[t t
0
[.
Si f C
0
([t
0
, t
0
+ T] R
N
) y globalmente Lipschitziana respecto de su segunda componente con
constante de Lipschitz L > 0, entonces la solucion maximal esta denida en todo [t
0
, t
0
+ T].
Ademas, para cada t [t
0
, t
0
+T], se tiene (consecuencia del lema de Gronwall)
[(t) (t
0
)[ T
_
max
t[t
0
,t
0
+T]
[f(t, (t
0
))[
_
exp(L[t t
0
[). (4.2)
A lo largo de este captulo, vamos a considerar el analisis numerico de (4.1). Para ello, supondremos que
f C
0
([t
0
, t
0
+T] R
N
) y localmente Lipschitziana respecto de su segunda variable, en consecuencia existe
una unica solucion maximal de (4.1). Supondremos T > 0 tal que [t
0
, t
0
+T] esta contenido en el intervalo
de solucion maximal.
Desde el punto de vista del analisis numerico asociado al problema (4.1), nuestros objetivos van a ser la
descripcion de esquemas numericos, el analisis de la consistencia, la estabilidad, la convergencia y el orden
de convergencia de estos metodos y su implementacion efectiva.
Veremos metodos iterativos de un paso, con paso de tiempo (o parametro de discretizacion) h =
T/M, M N que por simplicidad tomaremos constante. Mas concretamente, jada una particion uniforme
del intervalo [t
0
, t
0
+T]:
t
0
< t
1
< < t
n
< t
n+1
< < t
M
= t
0
+T, (t
n
= t
0
+nh)
M
n=0
y, conocido el valor de arranque y
0
(t
0
), se trata de calcular
2
y
n
(t
n
), n = 1, . . . , M
tales que:
y
n
aproxime a (t
n
) cuando h 0 (esquema convergente);
y
n
dependa continuamente de peque nas perturbaciones del esquema (esquema estable);
la solucion exacta verique aproximadamente el esquema (esquema consistente).
En lo que sigue, analizaremos todas estas cuestiones mas detalladamente. Ademas, veremos que la consisten-
cia junto con la estabilidad implican la convergencia. Con frecuencia, denotaremos C, C
0
, C
1
, etc constantes
positivas genericas independientes de n y h.
La estructura de este captulo sera la siguiente. En la Seccion 4.2 deniremos algunos metodos numericos
para aproximar la solucion de (4.1) usando diferentes interpretaciones: interpretacion geometrica, diferen-
ciacion numerica e integracion numerica. Entre otras cosas, veremos que las distintas formulas de cuadratura
estudiadas en el Captulo 3 dan lugar a diferentes metodos numericos. A continuacion, en la Seccion 4.3
presentaremos el metodo de Euler y analizaremos la consistencia, el orden, la estabilidad, la convergencia
y obtendremos estimaciones del error. En la Seccion 4.4 estudiaremos un esquema generico de los metodos
de un paso, generalizando el analisis hecho con el esquema de Euler. En las Secciones 4.5 y 4.6 haremos
una breve descripcion de los metodos basados en el desarrollo de Taylor y de los metodos de Runge-Kutta
explcitos respectivamente.
2
Los metodos iterativos de un paso se caracterizan por el hecho de que para calcular una nueva iteracion necesitamos conocer
el valor de la iteracion inmediatamente anterior.
4. Problema de Cauchy para ecuaciones diferenciales ordinarias 57
4.2 Descripcion de algunos algoritmos
Vamos a denir algunos esquemas, usando distintas interpretaciones.
1. Geometrica: Usando la idea basada en el signicado geometrico de la derivada de una funcion en un
punto dado, se llega el metodo de Euler explcito:
_
y
0
dado,
y
n+1
= y
n
+hf(t
n
, y
n
).
Mas concretamente, suponiendo (por simplicidad) que y
n
= (t
n
), aproximamos (t
n+1
) por y
n+1
que es la
ordenada en t
n+1
de la recta tangente a la graca de la solucion (t, (t)) en el punto t
n
(vease la Figura 4.1).
t
n
t
n+1
(t
n+1
)
y
n+1

(t
n
)
y
n
Figura 4.1: Interpretacion geometrica del metodo de Euler
2. Diferencias nitas: cambiando derivadas por cocientes incrementales en la formulacion diferencial para
la solucion, es decir en la ecuacion
(t) = f(t, (t)). Mas concretamente, denotando por simplicidad
t
y
n+1
:=
y
n+1
y
n
h
(la derivada discreta), t
n+1
= t
n
+h, t
n+1/2
= t
n
+
h
2
,
tenemos distintos esquemas como muestran los siguientes ejemplos:
Si C
2
([t
0
, t
0
+T]), usando el desarrollo de Taylor, tenemos
(t
n+1
) = (t
n
+h) = (t
n
) +h
(t
n
) +
h
2
2

(
1
),
1
(t
n
, t
n+1
).
Aproximando
(t
n
) por
(t
n+1
) (t
n
)
h
, se llega al metodo de Euler explcito:
t
y
n+1
= f(t
n
, y
n
). (4.3)
Aproximando
(t
n+1
) por
(t
n+1
) (t
n
)
h
, se llega al metodo de Euler implcito:
t
y
n+1
= f(t
n+1
, y
n+1
). (4.4)
Aproximando
(t
n+1/2
) por
(t
n+1
) (t
n
)
h
, se puede llegar a dos metodos (implcitos) de Crank-
Nicolson:
t
y
n+1
= f(t
n+1/2
, (y
n+1
+y
n
)/2), (4.5)
t
y
n+1
= (1/2)(f(t
n
, y
n
) +f(t
n+1
, y
n+1
)). (4.6)
58 4.3. Metodo de Euler
Variantes explcitas de los dos metodos anteriores son respectivamente: el metodo de Euler-Cauchy (o
Euler modicado)
t
y
n+1
= f(t
n+1/2
, y
n
+
h
2
f(t
n
, y
n
)) (4.7)
y el metodo de Heun (o Euler mejorado)
t
y
n+1
=
1
2
[f(t
n
, y
n
) +f(t
n+1
, y
n
+hf(t
n
, y
n
))] (4.8)
3. Integracion numerica: se trata de aproximar la integral denida por una formula de cuadratura en la
siguiente formula (consecuencia de la formulacion integral de la solucion):
(t
n+1
) = (t
n
) +
_
t
n+1
t
n
f(s, (s)) ds. (4.9)
(a) Usando la formula de cuadratura (regla rectangular izquierda)
_
b
a
g(x) dx = (b a)g(a) +O((b a)
2
), (4.10)
aproximamos
_
t
n+1
t
n
f(s, (s)) ds por hf(t
n
, (t
n
)) y se llega al metodo de Euler explcito (4.3).
(b) Aproximando
_
t
n+1
t
n
n+1
, (t
n+1
)), se llega al metodo de Euler implcito (4.4).
(c) Aproximando
_
t
n+1
t
n
n+1/2
, (t
n+1/2
)), es decir usando la formula del punto medio,
y aproximando (t
n+1/2
) por
1
2
((t
n+1
) + (t
n
)) se llega a (4.5) . Por el contrario, aproximando (t
n+1/2
)
por (t
n
) +
h
2
f(t
n
, (t
n
)) se llega al metodo de Euler-Cauchy (4.7).
(d) Aproximando
_
t
n+1
t
n
f(s, (s)) ds por (h/2)(f(t
n
, (t
n
)) + f(t
n+1
, (t
n+1
))), es decir usando la formula
de los trapecios, se llega a (4.6) . Ademas, aproximando (t
n+1
) por (t
n
) +hf(t
n
, (t
n
)) se llega al metodo
de Euler mejorado (4.8).
4.3 Metodo de Euler
Vamos a analizar en primer lugar el metodo de Euler explcito con paso constante:
_
y
0
dado (Inicializacion);
t
y
n+1
= f(t
n
, y
n
), n = 0, . . . , M 1 (Iteracion n + 1).
(4.11)
4.3.1 Consistencia y orden
Sea C
1
([t
0
, t
0
+T]) la solucion exacta de (4.1). Se tiene:
Denicion 4.2 Se llama el error de consistencia al vector c() = (c
n
())
M1
n=0
siendo
c
n
() =
t
(t
n+1
) f(t
n
, (t
n
))
(t
n+1
) (t
n
)
h
f(t
n
, (t
n
)). (4.12)
el error de consistencia en el instante t
n
3
.
3
El error de consistencia mide la precision con que la solucion exacta del problema verica el metodo.
Denicion 4.3 Diremos que el metodo (4.11) es consistente (con la EDO y
= f(t, y)) si, para toda solucion

de (4.1), se verica que
lm
h0
[[c()[[
lm
h0
max
0nM1
[c
n
()[ = 0.
Denicion 4.4 Diremos que el metodo (4.11) es de orden (al menos) p > 0, si existe una constante positiva
K (independiente de h) tal que
[[c()[[
Kh
p
.
Teorema 4.5 Si C
2
([t
0
, t
0
+ T]), entonces el metodo de Euler (explcito) (4.11) es consistente y de
orden uno. Ademas, se verica
[[c()[[

h
2
[[
[[
,[t
0
,t
0
+T]
. (4.13)
Demostraci on: Usando (4.12) y desarrollando en serie de Taylor, tenemos c
n
() =
t
(t
n+1
)
(t
n
) =
(h/2)
(
n
) para alg un
n
(t
n
, t
n+1
), de donde se deduce el teorema.
En funcion de los datos del problema (4.1) este resultado se escribe como sigue:
Corolario 4.6 Si f C
1
(t
0
, t
0
+ T R
N
), entonces [[c()[[
(h/2)M
1
con M
1
independiente de h,
siendo M
1
= max
t[t
0
,t
0
+T]
[f
(1)
(t, (t))[.
Nota 4.7 De (4.9) se tiene
(t
n+1
) (t
n
)
h
=
1
h
_
t
n+1
t
n
(s) ds.
Entonces, usando la formula de integracion numerica (4.10) para aproximar la integral de
, se llega
(t
n+1
) (t
n
)
h
= f(t
n
, (t
n
)) +
1
h
E,
donde E es el error cometido. Como E = O(h
2
), el error de consistencia para el metodo de Euler, verica
c
n
() =
1
h
E =
1
h
O(h
2
) = O(h). (4.14)
Luego, como la formula de cuadratura usada es de orden cero, es decir el error de la formula de cuadratura re-
specto de la longitud del intervalo es O(h
2
) (vease la Seccion 3.3.1), entonces de (4.14) deducimos que el
esquema asociado es de orden 1. En general, se puede demostrar que para una formula de cuadratura de
orden n (es decir, el error de la formula de cuadratura es O(h
n+2
)), el esquema asociado es de orden n + 1.
4.3.2 Convergencia, orden de convergencia y estimaciones del error de discretizacion
Denicion 4.8 (Error de discretizacion) Se llama el error de discretizacion al vector e = (e
n
)
M
n=0
,
donde e
n
= (t
n
) y
n
es el error de discretizacion en el instante t
n
.
Denicion 4.9 (Convergencia) Diremos que el esquema (4.11) es convergente si, bajo la condicion
lm
h0
[e
0
[ = 0, se verica que
lm
h0
[[e[[
lm
h0
max
0nM
[e
n
[ = 0.
Denicion 4.10 (Orden de convergencia) Diremos que el orden de convergencia es (al menos) p > 0
si, partiendo de la condicion inicial [e
0
[ C
0
h
p
, se verica
[[e[[
Ch
p
,
para ciertas constantes positivas C
0
y C independientes de h.
Denicion 4.11 (Esquema acotado) Diremos que el esquema (4.11) es acotado si existe un compacto
K R
N
tal que
y
n
K n = 0, . . . , M (4.15)
Teorema 4.12 (Estimaciones del error de discretizacion) Supongamos que f C
0
([t
0
, t
0
+T] R
N
)
y localmente Lipschitziana respecto de su segunda componente con constante de Lipschitz L
K
> 0, T > 0 es
tal que existe una unica solucion de (4.1) y que el esquema (4.11) es acotado, es decir se verica (4.15).
Entonces existen dos constantes positivas C
1
y C
2
independientes de n y h tales que se verica la siguiente
estimacion del error de discretizacion:
[[e[[
C
1
[e
0
[ +C
2
[[c()[[
. (4.16)
Demostraci on: Usando (4.12) y (4.11) tenemos
t
(t
n+1
) = f(t
n
, (t
n
)) + c
n
() y
t
y
n+1
= f(t
n
, y
n
).
Restando y tomando valores absolutos, llegamos a
[y
n+1
(t
n+1
)[ [y
n
(t
n
)[ +h[f(t
n
, y
n
) f(t
n
, (t
n
))[ +h[c()[.
Usando (4.15) y que f es es localmente Lipschitziana respecto de su segunda componente, obtenemos
[y
n+1
(t
n+1
)[ (1 +L
K
h)[y
n
(t
n
)[ +h[c()[.
Aplicando el Lema 4.15 (vease mas adelante) con a
n
= [y
n
(t
n
)[, c
n
= h[c()[ y = L
K
, deducimos
[[e[[
exp((t
n
t
0
)L)[e
0
[ +
exp((t
n
t
0
)L) 1
L
K
[[c()[[
.
Luego, gracias a que t
n
t
0
T para todo n, llegamos facilmente a (4.16).
Corolario 4.13 Bajo las hipotesis del Teorema 4.12, supongamos ademas que C
2
([t
0
, t
0
+T]). Entonces
el metodo de Euler (4.11) es convergente con orden de convergencia uno si [e
0
[ C
0
h. Ademas, se verica
la siguiente estimacion del error de discretizacion:
[[e[[
C
1
C
0
h +C
2
[[
[[
h
2
. (4.17)
A continuacion presentamos dos resultados de caracter tecnico que hemos usado en la demostracion del
Teorema 4.12 y que usaremos tambien mas adelante.
Lema 4.14 Sean (a
n
)
n0
, (b
n
)
n0
dos sucesiones de n umeros reales no negativos y K > 1 tales que
a
n+1
Ka
n
+b
n
n 0. (4.18)
Entonces, se verica
a
n
K
n
a
0
+
K
n
1
K 1
max
n
[b
n
[.
Demostraci on: Usando (4.18) junto con la expresion explcita de una suma parcial geometrica, podemos
escribir
a
n
Ka
n1
b
n1
K(Ka
n2
+b
n2
) +b
n1
= K
2
a
n2
+Kb
n2
+b
n1
K
3
a
n3
+K
2
b
n3
+Kb
n2
+b
n1

K
n
a
0
+K
n1
b
0
+K
n2
b
1
+ +Kb
n2
+b
n1
K
n
a
0
+ (K
n1
+K
n2
+ +K + 1) max
n
[b
n
[
= K
n
a
0
+
K
n
1
K 1
max
n
[b
n
[,
de donde se deduce el lema.
Como facil consecuencia del lema anterior, tenemos el siguiente resultado:
Lema 4.15 Sean (a
n
)
n0
, (c
n
)
n0
dos sucesiones de n umeros reales no negativos y > 0 tales que
t
a
n+1
a
n
+c
n
n 0. (4.19)
Entonces, se tiene
a
n
exp(nh)a
0
+
exp(nh) 1
max
n
[c
n
[ (4.20)
Demostraci on: Teniendo en cuenta que
t
a
n+1
=
a
n+1
a
n
h
obtenemos que (4.19) es equivalente a la siguiente
desigualdad:
a
n+1
(1 + h) a
n
+hc
n
.
Luego, podemos aplicar el Lema 4.14 para b
n
= hc
n
y K = 1 +h y deducir que
a
n
(1 +h)
n
a
0
+
(1 +h)
n
1
max
n
[c
n
[.
Usando la desigualdad 1 +x exp x para cada x > 0, se llega a (4.19). Esto termina la prueba.
4.3.3 Estabilidad
Denicion 4.16 Diremos que el metodo de Euler es estable si existen dos constantes positivas C
1
y C
2
(independientes de h) tales que para toda sucesion (y
n
)
M
n=0
satisfaciendo (4.11) y toda sucesion (z
n
)
M
n=0
junto con el vector de perturbaciones (
n
)
M1
n=0
que verican el esquema de Euler perturbado
_
z
0
t
z
n+1
= f(t
n
, z
n
) +
n
, n = 0, . . . , M 1 (Iteracion n + 1),
(4.21)
se tiene que
max
0nM
[y
n
z
n
[ C
1
[y
0
z
0
[ +C
2
max
0nM1
[
n
[. (4.22)
Teorema 4.17 Supongamos que f es globalmente Lipschitziana respecto de su segunda variable con con-
stante de Lipschitz L > 0, entonces el metodo de Euler (4.11) es estable con la siguiente estimacion de
estabilidad:
max
0nM
[y
n
z
n
[ exp(TL)[y
0
z
0
[ +
exp(TL) 1
L
max
0nM1
[
n
[. (4.23)
Demostraci on: Denotemos por simplicidad s
n
= y
n
z
n
el error de estabilidad. Restando (4.11) y (4.21),
obtenemos
t
s
n+1
= f(t
n
, y
n
) f(t
n
, z
n
)
n
.
Usando que f es globalmente Lipschitz respecto de su segunda componente, deducimos
[
t
s
n+1
[ L[s
n
[ +[
n
[. (4.24)
Acotando inferiormente [
t
s
n+1
[
t
[s
n+1
[, llegamos a que [s
n
[ verica la siguiente desigualdad recursiva:
t
[s
n+1
[ L[s
n
[ +[
n
[.
Aplicandolo el Lema 4.15 para a
n
= [s
n
[, c
n
= [
n
[, = L y, teniendo en cuenta que nh = t
n
t
0
, obtenemos
la siguiente estimacion
[s
n
[ exp((t
n
t
0
)L)[s
0
[ +
exp((t
n
t
0
)L) 1
L
max
0nM1
[
n
[,
de donde se deduce facilmente (4.23). Esto termina la demostracion del teorema.
Nota 4.18 El resultado del Teorema 4.17 continua siendo cierto si solo suponemos que f es localmente Lip-
schitziana respecto de su segunda componente y que las sucesiones (y
n
) y (z
n
) estan acotadas en R
N
respecto
de h. En efecto, basta razonar como en la demostracion del Teorema 4.12, usando que f es globalmente
Lipschitziana en un compacto que contenga a (y
n
) y (z
n
) .
4.3.4 El metodo de Euler implcito
Vamos a analizar ahora el metodo de Euler implcito con paso constante:
_
y
0
t
y
n+1
= f(t
n+1
, y
n+1
), n = 0, . . . , M 1 (Iteracion n + 1).
(4.25)
Teorema 4.19 Supongamos que f C
0
([t
0
, t
0
+T] R
N
) y localmente Lipschitziana respecto de su segunda
componente con constante de Lipschitz L
K
> 0, T > 0 es tal que existe una unica solucion de (4.1) y que
el esquema (4.11) es acotado, es decir se verica (4.15). Supongamos tambien que hL
K
< 1. Entonces,
1. El metodo (4.25) esta bien denido (para todo y
0
R
N
).
2. Supongamos ademas que C
2
([t
0
, t
0
+T]), entonces el esquema de Euler implcito es consistente y
de orden uno. El error de consistencia viene denido por c() = (c
n
)
M
n=0
, donde c
n
() =
t
(t
n+1
)
f(t
n+1
, (t
n+1
)) y se verica la siguiente estimacion:
[[c()[[

h
2
[[
[[
,[t
0
,t
0
+T]
. (4.26)
3. El metodo es convergente con orden de convergencia igual a uno si [e
0
[ C
0
h y se tiene la siguiente
estimacion del error de discretizaci on e = (e
n
)
M
n=0
, e
n
= (t
n
) y
n
:
[[e[[
exp((t
n
t
0
)L
K
(1 hL
K
)
1
)[e
0
[
+
exp((t
n
t
0
)L
K
(1 hL
K
)
1
) 1
L
K
[[c()[[
. (4.27)
4. El metodo es estable si f es globalmente Lipschitziana respecto de su segunda componente con constante
de Lipschitz L > 0. Ademas, se verica la siguiente estimacion de estabilidad:
max
0nM
[s
n
[ exp
_
(t
n
t
0
)L
1 hL
_
[s
0
[ +
exp
_
(t
n
t
0
)L
1hL
_
1
L
max
0nM1
[
n
[, (4.28)
donde s
n
= y
n
z
n
y z
n
verica el esquema como (4.25) pero con perturbaciones
n
.
Demostraci on:
1. Veamos que se trata de un metodo bien denido. En efecto, en cada etapa, hay que resolver la ecuacion
(o sistema ecuaciones si N > 1) no lineal:
y
n+1
= y
n
+hf(t
n
+h, y
n+1
),
con incognita y
n+1
y datos t
n
, y
n
, h. De forma generica, tenemos que estudiar la ecuacion no lineal
z = g(z) := y +hf(t +h, z)
con incognita z R
N
y datos t, y, h. Como el esquema se queda acotado en K, la aplicacion g : K K
es continua. Ademas, veamos que g es contractiva en K, con lo que la ecuacion anterior tiene una unica
solucion z = z(t, y, h) K. En efecto,
[g(z
1
) g(z
2
)[ = h[f(y, z
1
) f(t, z
2
)[ hL
K
[z
1
z
2
[.
Aqu, hemos usado que el esquema (4.11) es acotado y el caracter globalmente Lipschitz de f en el compacto
K. Luego la hipotesis hL
K
< 1 implica la contractividad de g en K.
2. Supongamos ademas que C
2
([t
0
, t
0
+T]). Desarrollando en serie de Taylor tenemos
(t
n
) = (t
n
+h h) = (t
n+1
) +
(t
n+1
)h +
(
n
)
h
2
2
,
n
(t
n
, t
n+1
).
Luego c
n
() =
t
(t
n+1
)
(t
n+1
) = (h/2)
(
n
), de donde se tiene (4.26). En particular esto implica que
el esquema es consistente y de orden uno.
3. Tenemos que
t
(t
n+1
) = f(t
n+1
, (t
n+1
)) +c
n
() y
t
y
n+1
= f(t
n+1
, y
n+1
). Restando ambas expresiones
y razonando de forma analoga a la demostracion del Teorema 4.12 llegamos a (4.27). Usando la cota del error
de consistencia (4.26) y que [e
0
[ C h se deduce la convergencia del metodo y que el orden de convergencia
es igual a uno.
4. Consideramos el esquema (4.25) y una perturbacion del mismo: z
0
dado,
t
z
n+1
= f(t
n+1
, z
n+1
) +
n
,
n = 0, . . . , M 1. Pongamos s
n
= y
n
z
n
. Restando ambos esquemas, tenemos:
t
s
n+1
= f(t
n+1
, y
n+1
) f(t
n+1
, z
n+1
)
n
.
Luego, [
t
s
n+1
[ L[s
n+1
[ +[
n
[. Acotando inferiormente [
t
s
n+1
[
t
[s
n+1
[, llegamos a que [s
n
[ verica la
siguiente desigualdad recursiva:
t
[s
n+1
[ L[s
n+1
[ +[
n
[, (4.29)
de donde
(1 hL)[s
n+1
[ [s
n
[ +h[
n
[ [s
n+1
[ (1 hL)
1
[s
n
[ + (1 hL)
1
h[
n
[,
pues hL < 1. Entonces, aplicando el Lema 4.14 de estimacion recursiva, para a
n
= [s
n
[, K = (1 hL)
1
y
b
n
= (1 hL)
1
h[
n
[, se tiene
[s
n
[ (1 hL)
n
[s
0
[ +
(1 hL)
n
1
(1 hL)
1
1
(1 hL)
1
h max
0nM1
[
n
[.
Usando que
(1 hL)
n
=
_
1
1 hL
_
n
=
_
1 +
hL
1 hL
_
n
exp
_
nhL
1 hL
_
= exp
_
(t
n
t
0
)L
1 hL
_
y que (1 hL)
1
1 = hL/(1 hL), se llega a la estimacion (4.28). Esto prueba que el metodo de Euler
implcito es estable (con constantes de estabilidad mayores que para el metodo de Euler explcito; vease
(4.24)). Observese que otra forma de llegar a la estimacion de estabilidad (4.28), es usar que (4.29) implica
t
[s
n+1
[
L
1 hL
[s
n+1
[ +
1
1 hL
[
n
[
y entonces aplicar directamente el Lema 4.15.
Ejercicio 4.20 Para aproximar el problema de Cauchy (4.1) se considera el siguiente esquema numerico:
y
0
= dado y
y
n+1
= y
n
+hf(t
n
, y
n
) +
h
2
2
f
(1)
(t
n
, y
n
) +
h
3
6
f
(2)
(t
n+1
, y
n+1
) n 0. (4.30)
Se supone que f C
2
([t
0
, t
0
+T] R), f, f
(1)
y f
(2)
son globalmente Lipschitzianas en su segunda compo-
nente, siendo L una constante de Lipschitz com un a las tres funciones. Ademas, supongamos que h
3
L/6 < 1
4
.
1. Justicar que el metodo (4.30) se obtiene usando la formula de cuadratura (3.16) del Ejercicio 3.17.
2. Suponiendo que C
4
([t
0
, t
0
+ T]) es la solucion exacta de (4.1), obtener una cota del error de
consistencia asociado a (4.30). En particular, indicar el orden del metodo.
4
Esta condicion implica que el metodo esta bien denido.
3. Deducir la siguiente estimacion del error de discretizacion:
[(t
n
) y
n
[
C
2
(e
C
1
T
1)
h
2
L
6
+
hL
2
+L
h
3
, (4.31)
siendo C
1
=
h
2
L
6
+
hL
2
+L
1
h
3
L
6
y C
2
=
5
24
max
t[t
0
,t
0
+T]
[
4)
(t)[.
Solucion: a) En primer lugar, vamos a escribir (3.16) para un intervalo [a, b] cualquiera. Hagamos el cambio
de variable independiente: x [0, h] y [a, b] denido por y = a +
b a
h
x y el correspondiente cambio
de variable dependiente f(x) = g(y). Tenemos,
f(x) = g
_
a +
b a
h
x
_
, f
k)
(x) =
(b a)
k
h
k
g
k)
_
a +
b a
h
x
_
, k = 1, 2, 3.
Usando la formula (3.16), junto con la expresion del error (3.17), obtenemos
_
b
a
g(y) dy =
b a
h
_
h
0
g
_
a +
b a
h
x
_
dx
b a
h
_
h
3
6
(b a)
2
h
2
g
(b) +
h
2
2
(b a)
h
g
(a) +hg(a)
_
(4.32)
=
(b a)
3
6
g
(b) +
(b a)
2
2
g
(a) + (b a)g(a),

1
,

2
(a, b).
Sean N N y h = T/N. Consideramos una particion uniforme del intervalo [t
0
, t
0
+ T] de la forma
t
n
= t
0
+ nh, n = 0, . . . , N. Sea C
3
([t
0
, t
0
+ T]) la solucion exacta de (4.1). Integrando la ecuacion
diferencial
(t) = f(t, (t)) en t entre t

n
y t
n+1
y, aplicando la formula de cuadratura (3.16), obtenemos
(aplicando (4.32) para a = t
n
, b = t
n+1
, g(s) = f(s, (s)) y b a = h)
(t
n+1
) (t
n
) =
_
t
n+1
t
n
f(s, (s)) ds
h
3
6
d
2
ds
2
f(s, (s))
s=t
n+1
+
h
2
2
d
ds
f(s, (s))
s=t
n
+hf(t
n
, (t
n
))
=
h
3
6
f
(2)
(t
n+1
, (t
n+1
)) +
h
2
2
f
(1)
(t
n
, (t
n
)) +hf(t
n
, (t
n
)) (4.33)
Cambiando (t
n
) y
n
, n 0, (es decir para cada n, y
n
es el valor aproximado de en t
n
), de (4.33) se
deduce el esquema (4.30).
b) Denimos el error de consistencia asociado al esquema (4.30):
n
() =
(t
n+1
) (t
n
)
h
f(t
n
, (t
n
))
h
2
f
(1)
(t
n
, (t
n
))
h
2
6
f
(2)
(t
n+1
, (t
n+1
))
=
(t
n+1
) (t
n
)
h

(t
n
)
h
2
(t
n
)
h
2
6

(t
n+1
). (4.34)
En (4.34), hemos usado que
(t
n
) = f(t
n
, (t
n
)),
(t
n
) = f
(1)
(t
n
, (t
n
)) y
(t
n+1
) = f
(2)
(t
n+1
, (t
n+1
))
, pues C
4
([t
0
, t
0
+T]) es la solucion exacta de (4.1).
Por otra parte, se tiene que
(t
n+1
) = (t
n
+h) = (t
n
) +h
(t
n
) +
h
2
2

(t
n
) + +
h
3
6

(t
n
) +
h
4
24
iv)
(
1
)
(t
n+1
) =
(t
n
+h) =
(t
n
) +h
iv)
(
2
),
1
,
2
(t
n
, t
n+1
).
Sustituyendo estas expresiones en (4.34), llegamos a que
n
() = h
3
_
iv)
(
1
)
24

iv)
(
2
)
6
_
,
1
,
2
(t
n
, t
n+1
).
Luego,
[
n
()[ h
3
5
24
max
t[t
0
,t
0
+T]
[
iv)
(t)[, (4.35)
de donde, en particular, deducimos que el metodo (4.30) es de orden 3.
Observese que otra posible forma de obtener una cota del error de consistencia, es usando la formula de
cuadratura (4.32) (junto con el error) la que da lugar al metodo (4.30).
c) De (4.34), se tiene que
(t
n+1
) = (t
n
) +f(t
n
, (t
n
)) +
h
2
f
(1)
(t
n
, (t
n
)) +
h
2
6
f
(2)
(t
n+1
, (t
n+1
)) +h
n
().
Por otra parte, de (4.30) tenemos
y
n+1
= y
n
+hf(t
n
, y
n
) +
h
2
2
f
(1)
(t
n
, y
n
) +
h
3
6
f
(2)
(t
n+1
, y
n+1
).
Restando estas dos igualdades y, teniendo en cuenta que f, f
(1)
y f
(2)
son globalmente Lipschitzianas en su
segunda componente, siendo L la constante de Lipschitz com un a las tres funciones, llegamos a
[y
n+1
(t
n+1
)[ [y
n
(t
n
)[ +hL[y
n
(t
n
)[ +
h
2
L
2
[y
n
(t
n
)[
+
h
3
L
6
[y
n+1
(t
n+1
)[ +h[
n
()[. (4.36)
Como 1 h
3
L/6 > 0, de (4.36) se deduce que
[y
n+1
(t
n+1
)[
1 +hL +
h
2
L
2
1
h
3
L
6
[y
n
(t
n
)[ +
h
1
h
3
L
6
[
n
()[
= (1 +hC
1
) [y
n
(t
n
)[ +
h
1
h
3
L
6
[
n
()[, (4.37)
donde C
1
=
h
2
L
6
+
hL
2
+L
1
h
3
L
6
. Aplicando el Lema 4.15 con a
n
= [y
n
(t
n
)[ y b
n
=
1
1
h
3
L
6
[
n
()[, usando
(4.37) obtenemos
[y
n
(t
n
)[ e
C
1
(t
n
t
0
)
[ [ +
e
C
1
(t
n
t
0
)
1
h
2
L
6
+
hL
2
+L
max
n
[
n
()[.
Por ultimo, teniendo en cuenta la cota (4.35) del error de consistencia y que t
n
t
0
T, llegamos a la
estimacion (4.31).
4.4 Metodos generales de un paso
En general, los metodos de un paso para aproximar numericamente el problema de Cauchy (4.1) se formulan
como sigue:
_
y
0
t
y
n+1
= (t
n
, y
n
, h), n = 0, . . . , M, (Iteracion n + 1),
(4.38)
66 4.4. Metodos generales de un paso
donde : [t
0
, t
0
+ T] R
N
[0, h
] R
N
una funcion continua dada (depende de la funcion f del
problema de Cauchy (4.1)) y h
> 0. Los conceptos de consistencia, estabilidad y convergencia consid-

erados con la anterioridad para el metodo de Euler son facilmente generalizables para el esquema (4.38).
Se pueden obtener tambien resultados de consistencia, estabilidad y convergencia de caracter general. A
continuacion, hablaremos muy brevemente de algunos de ellos, los detalles pueden encontrarse, por ejemplo
en [Crouzeix & Mignot].
4.4.1 Consistencia y orden
El error de consistencia asociado al esquema (4.38) viene denido por c = (c
n
())
M
n=0
, siendo
c
n
() =
t
(t
n+1
) (t
n
, (t
n
), h).
Se tiene,
c
n
() =
(t
n
) +
h
2!
(t
n
) +
h
2
3!
(t
n
) +. . .
(t
n
, (t
n
), 0) h
h
(t
n
, (t
n
), 0)
h
2
2!
2
h
(t
n
, (t
n
), 0)
= f
(0)
(t
n
, (t
n
)) (t
n
, (t
n
), 0) +h
_
1
2
f
(1)
(t
n
, (t
n
))

h
(t
n
, (t
n
), 0)
_
+
h
2
2!
_
1
3
f
(2)
(t
n
, (t
n
))

2
2
h
(t
n
, (t
n
), 0)
_
+. . .
Entonces, resulta natural presentar el siguiente resultado de caracterizacion de la consistencia y el orden,
cuya demostracion se puede consultar por ejemplo en [Crouzeix & Mignot]:
Teorema 4.21 Supongamos que f C
1
([t
0
, t
0
+ t] R
N
). Entonces el metodo (4.38) es consistente si y
solo si
(t, y, 0) = f(t, y) (t, y) [t
0
, t
0
+t] R
N
. (4.39)
Mas a un, si f C
p
([t
0
, t
0
+ t] R
N
), p N (en particular C
p+1
[t
0
, t
0
+ T]) y existen y son continuas
h
,

2
h
2
,. . . ,

p
h
p
, entonces (4.38) tiene orden de consistencia exactamente p si y solo si para todo (t, y)
[t
0
, t
0
+t] R
N
se verica
(t, y, 0) = f(t, y),
h
(t, y, 0) =
1
2
f
(1)
(t, y),
h
2
(t, y, 0) =
1
3
f
(2)
(t, y),
. . .
p1
h
p1
(t, y, 0) =
1
p
f
(p1)
(t, y),
h
p
(t, y, 0) ,=
1
p + 1
f
(p)
(t, y).
Ademas, en este caso, [[c()[[
K h
p
para cierta constante K > 0 independiente de h.
4.4.2 Convergencia, orden de convergencia y estimacion del error de discretizacion
Teorema 4.22 Supongamos que la funcion es localmente Lipschitziana respecto de su segunda variable
con constante de Lipschitz
K
> 0, que el esquema (4.38) es acotado (es decir, para todo n, y
n
K con
K R
N
compacto) y de orden (de consistencia) p > 0, entonces es convergente. Ademas, si el error inicial
e
0
= (t
0
) y
0
es tal que [e
0
[ C
0
h
p
, para cierta constante C
0
independiente de h, entonces el orden de
convergencia es p y se verica
[[e[[
exp((t
n
t
0
)
K
)[e
0
[ +
exp((t
n
t
0
)
K
) 1
K
Kh
p
, (4.40)
donde e = (e
n
)
M
n=0
, e
n
= (t
t
) y
n
.
Demostraci on: Como la solucion exacta de (4.1) verica
t
(t
n+1
) = (t
n
, (t
n
), h) +c
n
() y
t
y
n+1
=
(t
n
, y
n
, h), razonando con en ocasiones anteriores llegamos a
[[e[[
exp((t
n
t
0
)
K
)[e
0
[ +
exp((t
n
t
0
)
K
) 1
K
[[c()[[
. (4.41)
Por otra parte, gracias a que el orden de consistencia es p y que [[c()[[
Kh
p
(vease el Teorema 4.21),
llegamos facilmente a (4.40), de donde concluimos la prueba del teorema.
4.4.3 Estabilidad
Consideramos el esquema (4.38) y una perturbacion del mismo:
_
z
0
t
z
n+1
= (t
n
, z
n
, h) +
n
, n = 0, . . . , M, (Iteracion n + 1).
(4.42)
Teorema 4.23 Supongamos que la funcion es globalmente Lipschitziana respecto de su segunda variable
con constante de Lipschitz > 0. Entonces el metodo (4.38) es estable. Ademas, se verica la siguiente
estimacion de estabilidad:
max
0nM
[s
n
[ exp((t
n
t
0
))[s
0
[ +
exp((t
n
t
0
)) 1
max
0nM1
[
n
[ , (4.43)
donde s
n
= y
n
z
n
para todo n 0.
Demostraci on: Restando (4.38) y (4.42), obtenemos
t
s
n+1
= (t
n
, y
n
, h) (t
n
, z
n
, h)
n
.
Luego [
t
s
n+1
[ [s
n
[ +[
n
[ y, acotando inferiormente [
t
s
n+1
[
t
[s
n+1
[, llegamos a
t
[s
n+1
[ [s
n
[ +[
n
[.
Aplicando una vez mas el Lema 4.15 deducimos (4.43), luego el metodo es estable.
Corolario 4.24 Si el metodo (4.38) es estable y consistente, entonces es convergente.
Demostraci on: Gracias a la estabilidad, tenemos (4.41). Usando la consistencia, sabemos que
lm
h0
[[c()[[
= 0, lo que prueba la convergencia del metodo (4.38).

4.5 Metodos de Taylor
En la seccion anterior, hemos visto que cuanto mas grande sea p, mas rapido converge el metodo. Interesa
por tanto, idear metodos de un paso con p elevados. Dado p N, la idea mas simple para construir un
metodo de orden p es utilizar el desarrollo de Taylor. Mas concretamente, tenemos
(t
n+1
) = (t
n
) +h
(t
n
) +
h
2
2

(t
n
) + +
h
p
p!
p)
(t
n
) +
h
p+1
(p + 1)!
p+1)
(
n
)
= (t
n
) +h
(t
n
) +
h
2
2
f
(1)
(t
n
, (t
n
)) + +
h
p
p!
f
(p1)
(t
n
, (t
n
)) +O(h
p+1
),
68 4.6. Metodos de Runge-Kutta explcitos
siendo
n
(t
n
, t
n+1
). Aproximando
(t
n
) por
(t
n+1
)(t
n
)
h
, llegamos al metodo de Taylor, es decir al
esquema (4.38) para la funcion denida por
(t, y, h) = f(t, y) +
h
2
f
(1)
(t, y) + +
h
p1
p!
f
(p1)
(t, y).
Para esta funcion , el Teorema 4.21 se verica trivialmente, luego el metodo de Taylor es de orden p > 0.
Por otra parte, este metodo es estable si f
(i)
globalmente Lipschitzianas respecto de su segunda variable con
constantes de Lipschitz L
i
, para cada i = 0, . . . , p 1. En efecto, seg un el Teorema 4.23, basta comprobar
que es globalmente Lipschitziana respecto de su segunda variable con constante de Lipschitz = L
1
+
(h/2)L
2
+ + (h
p1
/p!)L
p1
. Luego, el metodo converge con orden de convergencia p.
No obstante, el metodo de Taylor posee las siguientes inconvenientes: las expresiones de las f
(i)
(t, y) son
complejas y se requieren muchas evaluaciones de derivadas parciales de f hasta el orden p 1. Esto hace
que, en la practica el metodo de Taylor no se usa con frecuencia.
4.6 Metodos de Runge-Kutta explcitos
En esta seccion daremos una breve descripcion de otro tipo de metodos que, a un siendo de orden ele-
vado, evitan las dicultades que presentan los metodos de Taylor. Por simplicidad solo hablaremos de
metodos explcitos. La informacion mas extensa puede encontrarse, por ejemplo, en [Crouzeix & Mignot]
y [Henrici1].
La idea principal de los metodos de Runge-Kutta es, dado p N, obtener esquemas de orden al menos p,
sin usar derivadas parciales de f, sino evaluaciones de f en puntos intermedios entre (t
n
, y
n
) y (t
n+1
, y
n+1
).
La formulacion general de los metodos de Runge-Kutta explcitos es la que sigue:
_
_
y
0
t
y
n+1
=
q
i=1
b
i
k
i
, n 0, (Iteracion n + 1)
siendo k
i
= f(t
n
+c
i
h, y
n
+h
i1
j=1
a
ij
k
j
), i = 1, . . . , q,
c
1
= 0, c
i
, b
i
R, a
ij
R.
(4.44)
En (4.44), los parametros que podemos elegir son q, b
i
, c
i
, a
ij
. Observese que c
1
= 0, es decir, k
1
= f(t
n
, y
n
).
Se trata de un metodo de un paso para
(t, y, h) =
q
i=1
b
i
k
i
.
El metodo (4.44) es consistente si b
1
+ + b
q
= 1, ya que en este caso se verica (t
n
, y
n
, 0) =
q
i=1
b
i
f(t
n
, y
n
) = f(t
n
, y
n
).
Por otra parte, este metodo es estable si f globalmente Lipschitziana respecto de su segunda variable.
En efecto, si L > 0 es la constante de Lipschitz de f, tenemos que es globalmente Lipschitziana respecto
de su segunda variable con constante de Lipschitz = L
q
i=1
[b
i
[L
i
, donde L
1
= L y para i 2, L
i
=
L
_
1 +h
i1
j=1
[a
ij
[L
j
_
.
El orden del metodo depende de la eleccion de los parametros.
Ejemplo 4.25
1. Sea q = 2. Aplicando el Teorema 4.21, no es difcil ver que el orden del correspondiente metodo de Runge-
Kutta es 2 si y solo si b
1
+ b
2
= 1, b
2
c
2
= 1/2 y b
2
a
21
= 1/2. Tenemos innitas posibilidades: b
2
= ,
b
1
= 1 , c
2
= a
21
= 1/(2) para cada R. Por ejemplo, = 1/2 da Euler-Cauchy y = 1 conduce al
metodo de Euler-mejorado.
2. Sea q = 4. El orden igual a 4 corresponde al conocido metodo de Runge-Kutta clasico:
t
y
n+1
=
1
6
(k
1
+ 2k
2
+ 2k
3
+k
4
),
donde k
1
= f(t
n
, y
n
), k
2
= f(t
n
+h/2, y
n
+(h/2)k
1
), k
3
= f(t
n
+h/2, y
n
+(h/2)k
2
) y k
4
= f(t
n
+h, y
n
+hk
3
).
Captulo 5
Problemas de contorno para ecuaciones
diferenciales ordinarias lineales
5.1 Introduccion
En el captulo anterior consideramos metodos numericos para resolver problemas de valor inicial para una
EDO de primer orden. En particular, estos metodos pueden ser aplicados para resolver el problema de
Cauchy para una EDO de orden superior.
Ejemplo 5.1
Consideramos la EDO de segundo orden en forma normal general junto con dos condiciones suplementarias
en un mismo punto t = a:
_
y
= f(t, y, y
), t [a, b],
y(a) =
1
, y
(a) =
2
,
donde a, b,
1
,
2
son n umeros reales dados y f es una funcion dada. Podemos considerar este problema
como el problema de Cauchy, asociado a un sistema diferencial ordinario de primer orden en forma normal
de dimension dos (basta hacer el cambio de variables dependientes: y
1
= y, y
2
= y
). Por tanto, los esquemas

numericos estudiados en el tema anterior son aplicables a este problema.
No obstante, la situacion cambia radicalmente si consideramos condiciones suplementarias en dos puntos
distintos t = a y t = b, por ejemplo y(a) = y y(b) = y pretendemos calcular una solucion del problema
diferencial en [a, b] para una EDO como en el problema anterior. Se trata entonces de un problema de
contorno, que aparecen a menudo en situaciones fsicas donde la variable independiente depende por ejemplo
de la posicion espacial en vez de depender del tiempo (por ello, en lo que sigue cambiamos la notacion a x
en vez de t). El problema de contorno mencionado se plantea como sigue:
_
y
= f(x, y, y
), x [a, b],
y(a) = , y(b) = ,
(5.1)
donde f : [a, b] R R R es una funcion continua dada y a, b, , R.
Nota 5.2 Los problemas de contorno no siempre tienen solucion (y si la tienen, no tiene por que ser unica).
Por ejemplo, la ecuacion lineal y
= y para x [0, ], junto con y(0) = 3, y() = 7, tiene la solucion

general de la forma y(x) = Asen x + B cos x para ciertas constantes A y B. Al imponer las condiciones de
contorno, llegamos a que B = 3 y B = 7, lo que muestra que no existe solucion.
En este captulo, por simplicidad, vamos a prestar especial atencion a las ecuaciones diferenciales ordinar-
ias lineales. Ademas, solo haremos un estudio descriptivo de los metodos, analizando el buen planteamiento
(existencia y unicidad) del esquema. Quedara fuera de este estudio, resultados de tipo analisis numerico
sobre consistencia, estabilidad y orden de convergencia. El lector interesado puede consultar, por ejemplo el
71
72 5.2. El metodo de disparo
libro de [Keller]. En la Seccion 5.2 daremos un resultado de existencia y unicidad de solucion de (5.1). La
demostracion de este resultado dara lugar a un primer metodo de resolucion numerica, llamado el metodo
de disparo que presentaremos con mas detalle en el caso del problema de contorno para una EDO lineal de
segundo orden. En la Seccion 5.3 vamos a describir el metodo de las diferencias nitas para problemas de
contorno para EDO lineales.
5.2 El metodo de disparo
En esta seccion vamos a describir brevemente un primer metodo numerico para aproximar el problema de
contorno (5.1). En primer lugar, presentamos el siguiente resultado de existencia y unicidad de solucion de
(5.1):
Teorema 5.3 Supongamos que f,
y
f y
z
f son continuas en [a, b] R R y que ademas existen dos
constantes positivas M y N tales que
0 <
y
f M < , [
z
f[ N
(en particular f es globalmente Lipschitz respecto de (y, z)). Entonces, para cada , R, existe una unica
solucion C
2
([a, b]) del problema (5.1).
Demostraci on: Presentaremos solo una idea de la prueba de este teorema, para mas detalles
vease [Keller]. Hay tres etapas a destacar:
1. Se considera el problema de Cauchy
_
y
= f(x, y, y
), x [a, b],
y(a) = , y
(a) = s,
(5.2)
siendo s R. Se denota por (x; s) una solucion de (5.2).
2. Se prueba que (x; s) esta bien denida para cada (x, s) [a, b] R, verica
s
(x, s) m > 0 en
[a, b] R y lm
s
(b; s) = .
3. Se concluye que la ecuacion no lineal (b; s) = tiene una unica solucion en s, para cada R.
La demostracion del teorema anterior nos proporciona un tipo de metodo para aproximar el problema
de contorno (5.1), llamado el metodo de disparo, que consiste en resolver mediante un metodo iterativo
la ecuacion no lineal (b, s) = respecto de s. Por ejemplo, pueden considerarse:
Metodo de aproximaciones sucesivas: s
0
R dado, s
n+1
= s
n
+(b; s
n
) n 0;
Metodo de la secante: s
0
, s
1
R dados, s
n+1
= s
n
((b; s
n
) )(s
n
s
n1
)
(b; s
n
) (b; s
n1
)
n 0;
Metodo de Newton: s
0
R dado, s
n+1
= s
n

(b; s
n
)
s
(b; s
n
)
(pues
s
(; s) verica un problema de
Cauchy lineal en funcion de (b; s), vease [Burden & Faires] pp. 573576).
5.2.1 El caso lineal
En el caso de una EDO lineal, como veremos a continuacion, el analisis anterior es mas simple. En particular
la ecuacion (b, s) = se resuelve explcitamente en funcion de soluciones de dos problemas de Cauchy, que se
pueden aproximar por los metodos numericos analizados en el Captulo 4. Mas concretamente, consideramos
el siguiente problema de contorno para una EDO lineal de segundo orden:
_
y
= p(x)y
+q(x)y +r(x), x [a, b],

y(a) = , y(b) = .
(5.3)
5. Problemas de contorno para ecuaciones diferenciales ordinarias 73
Teorema 5.4 Supongamos que p, q, r C
0
([a, b]) y q > 0 en [a, b]. Entonces (5.3) posee exactamente una
solucion.
Demostraci on: En realidad, este teorema se puede ver como un caso particular del Teorema 5.3. Sin
embargo, veamos una prueba independiente, que tambien nos introduce el metodo de disparo en este caso.
Vamos a considerar los siguientes problemas de Cauchy auxiliares:
_
u
= p(x)u
+q(x)u +r(x), x [a, b],

u(a) = , u
(a) = 0,
_
v
= p(x)v
+q(x)v, x [a, b],

v(a) = 0, v
(a) = 1.
Entonces, no es difcil comprobar que la funcion
(x) (x; s) = u(x) +sv(x) con s =
u(b)
v(b)
x [a, b], (5.4)
es la solucion de (5.3) en [a, b] que esta bien denida ya que v(b) ,= 0. En efecto, veamos que v(b) ,= 0 usando
que q > 0 en [a, b]. Razonemos por reduccion al absurdo. Supongamos que v(b) = 0, luego en particular v
es solucion del problema de Cauchy homogeneo
_
v
= p(x)v
+q(x)v, x [a, b],

v(a) = 0, v(b) = 0
(5.5)
que sera absurdo, si demostramos que la unica solucion de (5.5) es la trivial v = 0 (recuerdese que v
(a) = 1).
En consecuencia, la prueba de este teorema se reduce a demostrar que la unica solucion de (5.5) es
v 0. Supongamos lo contrario, es decir que v ,= 0. Si, por ejemplo max
x[a,b]
v(x) > 0 (analogamente si
mn
x[a,b]
v(x) < 0) y x
(a, b) es un punto donde se alcanza dicho maximo, entonces se tiene que v
(x
) = 0
y v
(x
) 0. Por otra parte, escribiendo la EDO de (5.5) en x = x
, tenemos 0 v
(x
) = q(x
)v(x
) > 0,
lo que es absurdo.
1
Nota 5.5 La expresion (5.4) para calcular la solucion del problema (5.3) da lugar al metodo de disparo
(lineal). Para determinar u y v se usan metodos numericos del tema anterior.
Nota 5.6 El metodo de disparo lineal presentado se puede adaptar tambien a otro tipo de condiciones de
contorno para la ecuacion diferencial en (5.3). Por ejemplo, en vez de condiciones de contorno de Dirichlet
que aparecen en (5.3) podemos considerar condiciones de Neumann y
(a) = y y
(b) = o bien condiciones

mixtas del tipo y(a) = y y
(b) = . Por ejemplo, en el caso de las condiciones de Neumann, es decir para

el problema
_
y
= p(x)y
+q(x)y +r(x), x [a, b],

y
(a) = , y
(b) = ,
(5.6)
los problemas de Cauchy auxiliares son:
_
u
= p(x)u
+q(x)u +r(x), x [a, b],

u(a) = 0, u
(a) = ,
_
v
= p(x)v
+q(x)v, x [a, b],

v(a) = 1, v
(a) = 0.
Entonces, la funcion
(x) (x; s) = u(x) +s v(x) x [a, b], con s =
u
(b)
v
(b)
es la solucion de (5.6) en [a, b] que esta bien denida ya que v
(b) ,= 0. Esto ultimo se prueba razonando de

forma parecida a la demostracion del Teorema 5.4.
1
Observese que este ultimo razonamiento es equivalente a la unicidad de solucion del problema de contorno (5.1).
74 5.3. Metodo de las diferencias nitas
5.3 Metodo de las diferencias nitas
En esta seccion vamos a introducir un segundo metodo para resolver problemas de contorno. Por simplicidad,
solo consideraremos problemas lineales del tipo (5.3). Ademas, solo haremos un estudio descriptivo de los
metodos, analizando el buen planteamiento (existencia y unicidad) del esquema. No hablaremos de resultados
de tipo analisis numerico sobre consistencia, estabilidad y orden de convergencia. Estas cuestiones pueden
consultarse, por ejemplo en el libro de [Keller].
En lo que sigue, supondremos que se verican las hipotesis del Teorema 5.4.
Sea N N dado. Dividimos el intervalo [a, b] en N + 1 subintervalos (por simplicidad) equidistantes,
de longitud h = (b a)/(N + 1), con nodos a = x
0
< x
1
< < x
N
< x
N+1
= b, siendo x
j
= a + jh,
j = 0, . . . , N + 1. Se trata de calcular y
j
(x
j
) para j = 1, . . . , N. Para ello, se aproximan derivadas por
cocientes incrementales (centrados) de segundo orden:
(x
j
) =
(x
j+1
) 2(x
j
) +(x
j1
)
h
2

h
2
12
4)
(
j
),
j
(x
j1
, x
j+1
), (5.7)
(x
j
) =
(x
j+1
) (x
j1
)
2h

h
2
6

3)
(
j
),
j
(x
j1
, x
j+1
). (5.8)
Caso sin termino en y
Consideramos (5.3) con p = 0, es decir

_
y
= q(x)y +r(x), x [a, b],

y(a) = , y(b) = .
(5.9)
Teniendo en cuenta (5.7), es esquema numerico resultante es
_
_
_
y
0
= , y
N+1
= ,
y
j1
2y
j
+y
j+1
h
2
= q(x
j
)y
j
+r(x
j
), para j = 1, . . . , N.
(5.10)
El calculo de la solucion de este esquema se reduce a determinar el vector y = (y
j
)
N
j=1
R
N
solucion del
sistema lineal Ay = b, donde
A =
_
_
_
_
2 +h
2
q(x
1
) 1 0 . . .
1 2 +h
2
q(x
2
) 1 0
0 . . . . . . 1
0 . . . 1 2 +h
2
q(x
N
)
_
_
_
_
, b =
_
_
_
_
_
h
2
r(x
1
)
h
2
r(x
2
)
.
.
.
h
2
r(x
N
)
_
_
_
_
_
Como A es simetrica (tridiagonal) y de diagonal estrictamente dominante (pues q > 0 en [a, b]), en particular
es denida positiva. Por tanto, el problema discreto (5.10) tiene una unica solucion.
Ejemplo 5.7
Consideramos el problema (5.9) para x [0, 1], con = = 0, q(x) = x
2
+ 10, c = d = 10 y r(x) =
c(2sen (dx) +2c(1 2x) cos(dx) d
2
x(1 x)sen (dx)). En la Figura 5.1 comparamos la solucion exacta de
este problema (u = cx(1 x)sen (dx)) y la solucion aproximada obtenida por el metodos de las diferencias
nitas con 10 nodos interiores.
Caso con termino en y
Consideramos ahora (5.3) con p ,= 0. Usando (5.7) y (5.8) llegamos al siguiente esquema:
_
_
_
y
0
= , y
N+1
= ,
y
j1
2y
j
+y
j+1
h
2
= p(x
j
)
y
j+1
y
j1
2h
+q(x
j
)y
j
+r(x
j
), para j = 1, . . . , N.
(5.11)
0 0.2 0.4 0.6 0.8 1
3
2
1
0
1
2
Sol. exacta
Sol. aprox.
Figura 5.1: Comparacion de la solucion exacta de un problema del tipo (5.9) en [0, 1] con = = 0 y la solucion
aproximada obtenida por el metodo de las diferencias nitas.
El calculo de la solucion de este esquema se reduce a hallar y = (y
j
)
N
j=1
R
N
solucion del sistema lineal
By = d, donde
B =
_
_
_
_
2 +h
2
q(x
1
) 1 +hp(x
1
)/2 0 . . .
1 hp(x
2
)/2 2 +h
2
q(x
2
) 1 +hp(x
2
)/2 0
0 . . . . . . 1 +hp(x
N1
)/2
0 . . . 1 hp(x
N
)/2 2 +h
2
q(x
N
)
_
_
_
_
,
d =
_
_
_
_
_
(1 +hp(x
1
)/2) h
2
r(x
1
)
h
2
r(x
2
)
.
.
.
(1 hp(x
N
)/2) h
2
r(x
N
).
_
_
_
_
_
La matriz B no es simetrica en general. Veamos hipotesis sobre h para que la matriz B sea de diagonal
estrictamente dominate. Imponemos lo siguiente:
[2 +h
2
q(x
1
)[ > [ 1 +hp(x
1
)/2[, (5.12)
[2 +h
2
q(x
j
[ > [ 1 hp(x
j
)/2[ +[ 1 +hp(x
j
)/2[, j = 2, . . . , N 1, (5.13)
[2 +h
2
q(x
N
)[ > [ 1 +hp(x
N
)/2[. (5.14)
Si h 2/ max
x[a,b]
[p(x)[, la primera y la ultima desigualdad se verican. Usamos que tambien se cumple
(5.13). En efecto, si p(x
j
) > 0 (igual para p(x
j
) < 0), entonces 1 hp(x
j
)/2 < 0 y 1 + hp(x
j
)/2 < 0,
luego
[ 1 hp(x
j
)/2[ +[ 1 +hp(x
j
)/2[ = +1 +hp(x
j
)/2 + 1 hp(x
j
)/2 = 2.
En consecuencia, si h 2/ max
x[a,b]
[p(x)[, entonces B es de diagonal estrictamente dominante, luego en
particular B es regular para h sucientemente peque no y el problema discreto (5.11) admite una unica
solucion.
Nota 5.8 Podemos considerar tambien otras condiciones de contorno, por ejemplo de tipo Neumann,
Dirichlet-Neumann y algunas condiciones mixtas.
Ejercicio 5.9 Consideramos el problema de contorno (Dirichlet-Neumann) siguiente:
_
_
y
= y
+
5
x
y , x [1, 3]
y(1) =
y
(3) =
(5.15)
76 5.3. Metodo de las diferencias nitas
con , R dados.
Plantear el metodo de diferencias nitas (centradas) para resolver el problema de contorno (5.15). Escribir
el sistema lineal de ecuaciones al que da lugar este metodo y determinar condiciones sucientes para que
este sistema tenga una unica solucion.
Solucion: Sea N N dado. Consideramos una particion (por simplicidad) uniforme del intervalo [1, 3]:
1 = x
0
< < x
N+1
= 3, siendo x
j
= x
0
+jh, j = 0, . . . N + 1 y h =
2
N+1
.
Llamando C
2
([1, 3]) la solucion exacta de (5.15), se trata de calcular y
j
(x
j
) para j = 0, 1, . . . , N+
1. Observese que, gracias a la condicion de contorno en x
0
= 1, podemos tomar y
0
= , luego las verdaderas
incognitas son y
1
, . . . , y
N+1
, para las que necesitaremos N + 1 ecuaciones.
El metodo diferencias nitas (centradas) consiste en aproximar derivadas por cocientes incrementales
(centrados) de segundo orden:
(x
j
)
y
j1
2y
j
+y
j+1
h
2
, (5.16)
(x
j
)
y
j+1
y
j1
2h
. (5.17)
Pongamos q(x) = 5/x. El problema discreto se escribe como sigue:
_
y
j1
2y
j
+y
j+1
h
2
=
y
j+1
y
j1
2h
+q(x
j
)y
j
, j = 1, . . . , N + 1,
y
0
= .
(5.18)
Notemos que de momento no se ha discretizado la condicion de contorno en x
N+1
= 3, lo haremos mas
adelante.
Multiplicando la ecuacion de (5.18) por h
2
, se llega a
_
_
_
_
1
h
2
_
y
j1
+
_
2 +h
2
q(x
j
)
_
y
j
+
_
1 +
h
2
_
y
j+1
= 0 ,
y
0
= ,
(5.19)
con j = 1, . . . , N + 1.
Para j = 1, la ecuacion de (5.19) se escribe como sigue:
_
2 +h
2
q(x
1
)
_
y
1
+
_
1 +
h
2
_
y
2
=
_
1 +
h
2
_
. (5.20)
Aqu, hemos usado que y
0
= es un dato.
Para j = N + 1, (5.19) se escribe de la forma siguiente:
_
1
h
2
_
y
N
+
_
2 +h
2
q(x
N+1
)
_
y
N+1
+
_
1 +
h
2
_
y
N+2
= 0. (5.21)
Vemos que en (5.21) aparece una incognita extra, y
N+2
, que se eliminara usando la condicion de contorno
en x
N+1
= 3. Mas concretamente, usando (5.17) para j = N + 1, tenemos
y
N+2
y
N
2h
= ,
de donde
y
N+2
= 2h +y
N
.
Sustituyendo esta igualdad en (5.21), obtenemos
2y
N
+
_
2 +h
2
q(x
N+1
)
_
y
N+1
= h
2
+ 2h. (5.22)
Teniendo en cuenta (5.19) para j = 2, . . . N, (5.20) y (5.22), el calculo de la solucion del problema discreto
(5.18) se reduce a:
Hallar y = (y
j
)
N+1
j=1
R
N+1
solucion del sistema lineal Ay = b, donde
A =
_
_
2 +h
2
q(x
1
) 1 +
h
2
0 . . .
1
h
2
2 +h
2
q(x
2
) 1 +
h
2
0
0 . . . . . . 1 +
h
2
0 . . . 2 2 +h
2
q(x
N+1
)
_
_
, b =
_
_
(1 +
h
2
)
0
.
.
.
0
(h
2
+ 2h)
_
_
.
Si h 2, entonces la matriz A es de diagonal estrictamente dominante. En efecto, si h 2, entonces
1 +
h
2
< 0 y 1
h
2
< 0. Por otra parte, como q > 0 en [1, 3] y h > 0, se tiene que [2 + h
2
q(x
j
)[ > 2,
j = 1, . . . , N + 1. En consecuencia, se verican las siguientes igualdades:
[2 +h
2
q(x
1
)[ >
1 +
h
2
= 1
h
2
, (5.23)
[2 +h
2
q(x
j
)[ >
1 +
h
2
1
h
2
= 1
h
2
+ 1 +
h
2
= 2 j = 2, . . . , N (5.24)
[2 +h
2
q(x
1
)[ > 2. (5.25)
Esto prueba que si h 2, entonces A es regular, luego el sistema lineal Ay = b posee una unica solucion.
Por ultimo, observemos que la longitud del intervalo [1, 3] es 2, luego en realidad, cualquier h es valido, pues
siempre se toma menor que la longitud del intervalo.
Bibliografa
[Aubanell y otros] Aubanell, A., Benseny, A. & Delshams, A.,

Utiles basicos de Calculo
Numerico, Labor, Barcelona, 1993.
[Burden & Faires] Burden, L.R. & Faires J.D., Analisis Numerico, Grupo Editorial
Iberoamerica, Mexico, 1985.
[Cheney] Cheney, E.W., Introduction to approximation theory, McGraw-Hill, New York,
1966.
[Ciarlet] Ciarlet, P.G., Introduccion `a lanalyse numerique matricielle et `a
loptimization, Masson, Paris 1990.
[Crouzeix & Mignot] Crouzeix, M. & Mignot, A.L., Analyse Numerique des Equations
Dierentielles, Masson, Paris, 1989.
[Guzm an] Guzm an, M., Ecuaciones diferenciales ordinarias: teora de estabilidad y con-
trol, Madrid, Alhambra, 1975.
[Henrici1] Henrici, P., Discrete Variable Methods in Ordinary Dierential Equations,
John Wiley and Sons, New York, 1962.
[Henrici2] Henrici, P., Elementos de analisis numerico, Trillas, Mexico, 1972.
[Infante & Rey] Infante, J.A. & Rey, J.M., Metodos Numericos, Piramide, Madrid, 1999.
[Isaacson & Keller] Isaacson, E. & Keller, H.B., Analysis of Numerical Methods, John Wiley
and Sons, New York, 1966.
[Keller] Keller, H.B., Numerical methods for two-point boundary-value problems,
Dover, New York, 1992.
[Kincaid & Cheney] Kincaid, D. & Cheney, W., Analisis Numerico, Addison-Wesley Iberoameri-
cana, Wilmington 1994.
[Mathews & Fink] Mathews, J.H. & Fink, K.D., Metodos Numericos con MATLAB, Prentice-
Hall, 2000.
[Quarteroni y otros] Quarteroni, A., Saleri F. & Sacco R., Numerical Mathematics, Springer-
Verlag, New York, 2000.
[Quintela] Quintela Est evez, P., Introduccion a MATLAB y sus Aplicaciones, Univer-
sidade de Santiago de Compostela, Santiago de Compostela, 1997.
[Ralston] Ralston, A., Introduccion al Analisis Numerico, Limusa-Wiley, Mexico 1970
Publishing, Pacic Grove, California, 1989.
[Sibony & Mardon] M. Sibony & J.C. Mardon, Approximations et equations dierentielles, Her-
mann, Paris, 1982.
79
80 BIBLIOGRAF
IA
[Schultz] M.H. Schultz, Spline analysis, Prentice-Hall, Englewood Clis, N.J., 1973.

Euler y Runge Kutta 2

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

Euler y Runge Kutta 2

Transféré par

Droits d'auteur :

Formats disponibles

UN CURSO DE C

tiene (al menos) n races distintas, una en cada

tiene (al menos) 2n + 1 races distintas. Como r

0. Luego r = Cte y como r(x

tiene al menos una raz en cada subintervalo (x

tiene al menos 2n 1 races distintas. Como p

(1), p(0) = f(0), p

(0) = 0, deducimos que r

0, lo que implica que r = Cte. tal que

(0) = 0, obtenemos que

tiene (al menos) 2 ceros distintos en el intervalo (1, 1).

(1) = 0, por Teorema de Rolle

(1) = 0. Una vez mas, por Teorema de Rolle tenemos que

(b) (condiciones de frontera sujeta), obteniendo el spline c ubico sujeto.

(x) dx = 0. Integrando por partes, tenemos

de la Seccion 1.2.5 (Teorema 1.17) deducimos que

. En efecto, como hay al menos una

tiene al menos n + 1 races en (a, b).

se alcanza al menos en n + 2 puntos con alternancia de signo, entonces p

se alcanza en n+2 puntos con alternancia

se alcanza en n+2 puntos con alternancia de signo, se demuestra a

, es decir, (f u, u) = 0 para todo u |. Ademas (en caso de existir), la mejor aproxi-

(0) +hf(0) +E(f). (3.11)

(0), p(0) = f(0).

(x) = 2A. Imponiendo las condiciones de

(0)x +f(0). Integrando, tenemos

(h) = f(h), tenemos el

(0) +hf(0) +O(h

(0) +hf(0), donde (h) =

0, y dos puntos intermedios

(a, b) tales que

(a, b) tales que

(0), q(1) = f(1).

(t) = f(t, (t)) para cada t [t

(t) = (explosion en tiempo nito).

(t) = f(t, (t)). Mas concretamente, denotando por simplicidad

= f(t, y)) si, para toda solucion

(t) = f(t, (t)) en t entre t

> 0. Los conceptos de consistencia, estabilidad y convergencia consid-

= 0, lo que prueba la convergencia del metodo (4.38).

). Por tanto, los esquemas

= y para x [0, ], junto con y(0) = 3, y() = 7, tiene la solucion

+q(x)y +r(x), x [a, b],

+q(x)u +r(x), x [a, b],

+q(x)v, x [a, b],

+q(x)v, x [a, b],

(a, b) es un punto donde se alcanza dicho maximo, entonces se tiene que v

) 0. Por otra parte, escribiendo la EDO de (5.5) en x = x

(b) = o bien condiciones

(b) = . Por ejemplo, en el caso de las condiciones de Neumann, es decir para

+q(x)y +r(x), x [a, b],

+q(x)u +r(x), x [a, b],

+q(x)v, x [a, b],

(b) ,= 0. Esto ultimo se prueba razonando de

Consideramos (5.3) con p = 0, es decir

= q(x)y +r(x), x [a, b],

Vous aimerez peut-être aussi