Análisis Numerico

Este documento es de distribucin gratuita
y llega gracias a

Ciencia Matemtica
www.cienciamatematica.com
El mayor portal de recursos educativos a tu servicio!
ISSN 1666-3845
e-Commentarii Aplicand Mathematic
Editor: Carlos E. Neuman
LN: Lecture Notes
LN1: Neuman, C. E.: Analisis Numerico de Integrales y Ecuaciones
Diferenciales, third edition, 2001.
Analisis Numerico
de Integrales
y
Ecuaciones Diferenciales
Temas de Analisis Numerico y Programacion
Vol umenes de la serie:
I : Cardona, A., y Neuman, C.E.: Temas de Programacion I, 1996, (se-
gunda edicion en preparacion, 1997)
II : Neuman, C.E. (editor): Matematica asistida por computadora, 1996
III : Neuman, C.E.: Analisis Numerico de Integrales y Ecuaciones Diferen-
ciales, 1997
IV: Neuman, C.E.: Algoritmos Geometricos y Gracos en 3D. Laboratorios
de Matematica, segunda edicion, 1999.
V: Neuman, C.E., Vilchez, A.G.: Algoritmos Geometricos y Gracos en
3D. Laboratorios de Matematica, tercera edicion (en preparacion), 2001.
i
e-Commentarii Aplicand Mathematic , LN: Lecture Notes
Volume 1
ISSN 1666-3845
Analisis Numerico
de Integrales
y
Ecuaciones Diferenciales

Tercera edicion
Carlos E. Neuman
Departamento de Matematica (FIQ)
Universidad Nacional del Litoral
Santa Fe
2001
Trabajo realizado con fondos provenientes de la Universidad Nacional del Litoral (UNL),
a traves de la programacion Curso de Accion para la Investigacion y el Desarrollo (CAI+D),
Secretara de Ciencia y Tecnica de la UNL
Analisis Numerico de Integrales y Ecuaciones
Diferenciales
Carlos E. Neuman
Departamento de Matem atica, FIQ, UNL, Santiago del Estero 2829,
3000 Santa Fe, Argentina
E-mail address: eCAM@cen.com.ar
URL: http://www.cen.com.ar/eCAM/
Key words and phrases. Integracion numerica, Resolucion numerica de ecuaciones
diferenciales, Metodos de un paso, Integracion adaptativa
Trabajo realizado con fondos provenientes de la Universidad Nacional del Litoral
(UNL), a traves de la programacion Curso de Accion para la Investigacion y el
Desarrollo (CAI+D), Secretara de Ciencia y Tecnica de la UNL.
Resumen. En este texto se tratan temas de integracion numerica de funciones
y de ecuaciones diferenciales, teoremas de existencia y unicidad de soluciones,
convergencia, estabilidad y consistencia de soluciones aproximadas de ecua-
ciones diferenciales y algunos complementos teoricos. Se presentan numerosos
ejemplos y ejercicios y dos laboratorios de integracion adaptativa.
ISSN 1666-3845
Indice General
Prefacio xiii
Prefacio a la segunda edicion xvii
Indice de Tablas 1
Indice de Figuras 3
Captulo 1. Integracion 1
1.1. Introduccion 1
1.2. La integral de RiemannStieltjes 3
1.3. La formula de suma de Euler 4
1.4. Metodos basicos de integracion numerica 7
1.5. Metodos de extrapolacion 11
1.6. Cuadratura de Gau 12
1.7. Metodos de Montecarlo 13
1.8. Metodos adaptativos 16
1.9. Ejercicios 17
Captulo 2. Ecuaciones diferenciales 21
2.1. Introduccion 21
2.2. Metodos en diferencias de un paso 23
2.3. Ejercicios 33
Apendice A. Bibliografa y referencias 35
A.1. Textos basicos 35
A.2. Bibliografa complementaria 35
Apendice B. Coecientes indeterminados con el Mathematica 37
B.1. El metodo de Simpson 37
B.2. El metodo de Newton 38
B.3. El metodo de cuadratura de Gau de tres puntos 40
B.4. Los coecientes de la cuadratura de Gau de cinco puntos 41
Apendice C. Cuadernos del Mathematica y archivos script de Matlab 47
C.1. La funcion mihumps 47
C.2. Extrapolacion repetida de Richardson 48
C.3. Metodos de Montecarlo 50
C.4. Integracion de Simpson adaptativa 53
C.5. El metodo clasico de Runge-Kutta 55
Apendice D. La integral de RiemannStieltjes 59
vii
viii

INDICE GENERAL
D.1. Funciones de variacion acotada 59
D.2. La integral 61
D.3. Formula de la suma de Euler 65
D.4. Pero, Hay funciones integrables? 65
D.5. Ejercicios 66
Apendice E. Polinomios y n umeros de Bernoulli 67
E.1. Polinomios de Bernoulli con el Mathematica 67
E.2. N umeros de Bernoulli 73
E.3. Integracion por partes 74
Apendice F. Laboratorio de Matematica: Integracion Adaptativa 75
F.1. Objetivos 75
F.2. Antes del laboratorio 75
F.3. Laboratorio 76
F.4. Aplicaciones y desarrollos avanzados 77
F.5. Referencias 77
Apendice G. Laboratorio de Matematica: Solucion adaptativa de ODEs 79
G.1. Objetivos 79
G.2. Antes del laboratorio 79
G.3. Laboratorio 79
G.4. Aplicaciones y desarrollos avanzados 79
G.5. Referencias 80
Apendice H. Existencia y unicidad de soluciones de ODEs 81
H.1. Referencias 85
INDICE GENERAL ix
Para S., N., y F.
INDICE GENERAL xi
Our ancestors were eager to understand
the worlds but had not quite stumbled
upon the method. They imagined a
small, quaint, tidy universe in which the
dominant forces were gods like Anu, Ea,
and Shamash. In that universe humans
played an important if not central role.
We were intimately bound up with the
rest of nature. The treatment of tooth-
ache with second-rate beer was tied to
the deepest cosmological mysteries.
Today we have discovered a powerful
and elegant way to understand the uni-
verse, a method called science; it has
revealed to us a universe so ancient and
so vast that human aairs seem at rst
sight to be of little consequence.
Sagan, C.: Cosmos, Ballantine,
New York, 1992.
Prefacio
Este texto surgio de la necesidad de presentar una vision unicada de los
metodos elementales de integracion numerica de funciones y de algunos de los que
son utiles para las ecuaciones diferenciales ordinarias.
Los parrafos que se colocan entre treboles pueden ser omitidos en las primeras
lecturas puesto que no son esenciales para la continuidad del texto.
Seguimos en terminos generales las ideas planteadas en Linz
(1988). Para este

autor el termino matematica computacional esta asociado con el espectro amplio
de actividades relacionadas con la solucion aproximada de problemas cientcos
expresados en terminos de modelos matematicos, que, en su forma tpica, estan
constituidos por ecuaciones diferenciales e integrales de las que, en general, no se
conoce solucion en forma cerrada. Para resolverlos las ecuaciones son convertidas,
mediante discretizacion, en un conjunto nito de ecuaciones mas simples que puedan
ser resueltas por metodos algebraicos.
Se puede distinguir la metodologa numerica, que estudia metodos para dis-
cretizar los operadores diferenciales e integrales y como resolver los sistemas nitos
resultantes, del analisis numerico que involucra el estudio riguroso de los algoritmos
creados por la metodologa.
La meta primaria del analisis es describir la relacion entre la solucion exacta
de la ecuacion original, y la aproximada obtenida a partir de la version discreta.
El analisis numerico ha resultado muy util para complementar el proceso de
creacion de metodos numericos generado por las aplicaciones ingenieriles. Por ejem-
plo las tecnicas de relajacion o de elementos nitos fueron creadas por ingenieros
basados en la intuicion fsica. El analisis numerico posterior ha resultado crucial
para la consolidacion de estos metodos, la extension de su aplicabilidad, y el estudio
de sus propiedades de convergencia o estabilidad.
En muchos casos a partir de objetivos del Analisis Numerico se han obtenido
nuevos resultados en Analisis Funcional, en cuyos terminos suelen plantearse los
problemas.
Seg un resume Linz (1988): En artculos publicados en revistas como el SIAM
Journal on Numerical Analysis o Numerische Mathematik se encuentran habitual-
mente terminos como espacios de Hilbert, clausura compacta, y convergencia debil.
Estos conceptos le resultan muy utiles al teorico y han facilitado el establecimiento
de una teora abarcativa y coherente de la solucion aproximada de las ecuaciones
de operadores.
Ilustraremos esto con el ejemplo de la ecuacion del operador lineal
Lx = y (0.1)
Las referencias se enumeran en el apendice A, pagina 35

xiii
xiv PREFACIO
donde L: X Y es un operador lineal entre los espacios normados X e Y . El
miembro derecho, y, es un dato y la ecuacion debe ser resuelta para la incognita x.
Suponemos que L tiene una inversa acotada en Y . Un ejemplo muy simple de esto
es la ecuacion
d
dt
x(t) = y(t) = f(t, x(t)) (0.2)
con la condicion inicial
x(t
0
) = x
0
(0.3)
En el proceso de discretizacion la ecuacion (0.1) es reemplazada por una suce-
sion parametrica de problemas
L
n
x
n
= y
n
(0.4)
donde L
n
es un operador en ciertos espacios ndimensionales X
n
e Y
n
. El smbolo
n se denomina parametro de discretizacion y mide el grado en el que el operador
discreto L
n
representa al operador L.
Como L
n
es efectivamente una matriz de nn, es posible, en principio, resolver
(0.4) en forma algebraica y obtener la solucion aproximada x
n
.
El objetivo fundamental del analisis posterior es conocer la relacion entre la
solucion verdadera x y su aproximacion x
n
. En particular, desearemos demostrar
la convergencia. Esto signica que, cuando se incrementa n, la solucion aproximada
debera acercarse mas y mas a la solucion verdadera, en el sentido que
lim
n
|x x
n
| = 0 (0.5)
Usualmente, el primer paso del analisis es denir el error de consistencia
r
n
(x) = Lx L
n
x (0.6)
De (0.1) y (0.4) se obtiene directamente que
L
n
(x x
n
) = y y
n
r
n
(x) (0.7)
y obtenemos una cota para el error de la solucion aproximada
|x x
n
| |L
1
n
||y y
n
| +|r
n
| (0.8)
En la mayora de los casos es relativamente elemental mostrar que
lim
n
|y y
n
| = 0 (0.9)
y que, bajo condiciones bien denidas
lim
n
|r
n
| = 0 (0.10)
Se necesita una condicion adicional, la condicion de estabilidad
lim
n
|L
1
n
| K < (0.11)
Si reemplazamos en la ecuacion (0.8), obtenemos el teorema central del analisis
numerico: estabilidad y consistencia implican convergencia.
Se tiene un gran n umero de problemas no resueltos por causa de las dicultades
tecnicas de las que el problema principal es vericar la condicion de estabilidad
(0.11). Hay otras cuestiones, por ejemplo, cuan dicil es resolver (0.4) o cuan
velozmente converge x
n
a x, pero, normalmente estas son menos complejas que la
estabilidad.
PREFACIO xv
Supongamos ahora que hemos determinado que nuestro metodo numerico es
estable y convergente. Que nos dice esto? Nos expresa que, en alg un sentido
asintotico, el metodo funciona.
A menudo podemos decir mas. En muchos casos el error de aproximacion puede
ser acotado en forma mas explcita como
|x x
n
| n
p
|L
1
n
|(x) (0.12)
donde es un funcional de la solucion desconocida x El exponente p se denomina
orden de convergencia y nos da informacion respecto de cuan exacto es el metodo.
Para un dado nivel de esfuerzo computacional, un metodo con un orden de conver-
gencia mayor tendera a dar mejores resultados que uno con un orden menor.
La cota que nos da la expresion 0.12 tiene una utilidad limitada puesto que
depende de la incognita x. Se puede sortear esa dicultad realizando un analisis
a posteriori que utiliza la solucion calculada x
n
en lugar de la x. A partir de las
ecuaciones 0.1 y 0.4 se puede obtener
|x x
n
| n
p
|L
1
||
n
| (0.13)
donde
n
es el residuo de la solucion calculada
n
(x
n
) = Lx
n
y (0.14)
Es posible obtener cotas buenas para |
n
|, en cambio es mas difcil obtener cotas
realistas para |L
1
| lo que se convierte en el elemento clave del que depende el
analisis a posteriori.
Los problemas basicos de la metodologa numerica no son el establecimiento
del metodo de discretizacion, sino el manejo de los detalles involucrados en la re-
presentacion de dominios, de los propios metodos de discretizacion, de los metodos
de operacion con los sistemas de ecuaciones, de las matrices ralas, y de los metodos
para resolver los sistemas de ecuaciones con dimensiones muy altas. En el desarro-
llo de metodos para resolver estos problemas suele incluirse cuando se trata de
utilizar la metodologa en las aplicaciones una dosis relativamente alta de lo que
puede denominarse pragmatica numerica la que, por tratarse de algo naturalmente
impreciso, siempre puede fallar, pero que no debera ser totalmente ignorada por
causa de ello. Los benecios de la metodologa numerica son tan considerables
que se la utiliza a un en los casos en que no puede justicarsela rigurosamente. La
idea fuerza no es rechazar los puntos de vista pragmaticos sino desarrollar los mas
efectivos.
En el primer captulo se estudian algunos aspectos relevantes del calculo de inte-
grales. Se desarrollan los metodos clasicos, los de extrapolacion y los de Montecarlo.
Debido a que las extensiones a integrales m ultiples son relativamente directas, so-
lamente se trata el problema de vol umenes e hipervol umenes utilizando el metodo
de Montecarlo por la simple razon que, en muchos casos, es el unico aplicable. En
el segundo captulo se introduce el problema de hallar soluciones aproximadas para
problemas de valores iniciales de ecuaciones diferenciales ordinarias. Asimismo se
deducen algunos metodos elementales de los del tipo de un paso. En los apendices
se presentan ejemplos realizados con Matlab y Mathematica, se desarrolla una breve
introduccion a la teora de la integral y se realizan calculos para obtener los polino-
mios de Bernoulli, que resultan necesarios para la interpretacion de los coecientes
en el desarrollo asintotico del error en los metodos trapezoidal y Simpson.
xvi PREFACIO
En el ultimo de los apendices se incluye un Laboratorio de Matematica en el
tema de la cuadratura adaptativa. He elegido este por la simplicidad del algorit-
mo recursivo. Sin embargo, cualquiera de los restantes temas del texto, por su
importancia matematica, su riqueza y su atractivo, merece la elaboracion de un
Laboratorio propio. El objetivo de estos laboratorios es aspirar a la recreacion viva
de conceptos y temas que enriquecen el portafolios del pregraduado en Matematica.
Los libros citados en la seccion de bibliografa y el conjunto de referencias en
ellos citados facilitan al lector interesado el estudio de cualquiera de los temas en
que desee especializarse. Este texto, que se basa en su totalidad en ellos, y que
comparte la seleccion de temas de interes que tratan, no aspira a colocarse en un
plano de igualdad, sino, humildemente, enfatizar algunos aspectos y no otros.
Debo agradecer a los sucesivos grupos de alumnos que han enriquecido el curso
de Calculo Numerico con losas preguntas y soluciones ingeniosas a los problemas
propuestos. Asimismo a mis colegas por la discusion de temas y el desarrollo de
metodos aptos para la ense nanza. En cambio, de los errores que pudiera contener,
me hago unico responsable.
Carlos E. Neuman
Santa Fe, 29 de abril de 1997
Prefacio a la segunda edicion
Esta nueva edicion se desarrolla con varias correcciones y agregados con el n
de adaptar el texto a los cursos de Calculo Numerico I y II en la modalidad a
distancia.
Carlos E. Neuman
Santa Fe, 2 de diciembre de 2001
xvii
xviii PREFACIO A LA SEGUNDA EDICI
ON
Mi padre fue un judo renegado, o un ateo, o un rebelde. Lo
cierto es que siempre le haba encantado, sentado en el ultimo
banco, como un alumno malo, portarse mal en las bodas de la
sinagoga, mirar con sorna al rabino del barrio, meterse con la
rama andaluza chupacirio de la familia y darle vuelta la cara a
los Cohen judos ortodoxos y obtusos de enfrente de casa.
Pero mi padre lea a escondidas el Antiguo Testamento, una tarde
en que me encontro un libro de misa que me haban regalado en
una esta de primera comunion me miro confundido y al n
como esto pueda entenderse, como esto pueda entenderlo yo, se
senta judo.
Mi padre fue un hombre y, por tanto, fue tantas cosas que no
me atrevo a enumerar, porque un hombre ahora lo se con-
tiene tantos hombres como vidas tiene un gato y tanto m as. En
principio, mi padre fue un coleccionista.
Durante a nos me pase tardes enteras examinando una por una
su coleccion de cajas y mu necas musicales. Las mu necas eran las
mas difciles de maniobrar porque no haba que despeinarlas ni
descuidar los accesorios del atuendo. La bailarina amenca llevaba
un par de casta nuelas de madera sevillanas legtimas, aclaraba
mi padre, unas miniaturas que estaban sabiamente encajadas
entre las manos. La joven con manton de Manila sostena un
abanico de encaje y piedras, la bailarina clasica llevaba un tut u
que al n acabo manchado de cafe con leche. Me gustaba ponerlas
a todas en funcionamiento, a la vez, todas girando al son de una
m usica extra na y dislocada.
Pero sobre todo lo que me importaba era desarmar. Me importaba
entender el funcionamiento. Era el acto ritual ?como ritual era
la accion de la anciana de la tienda cuando apareca con una caja
llena de sacapuntas?, ese acto lento, siempre el mismo, el de
levantar con cuidado una tapa de terciopelo, esa operacion que
se daba inequvoca en las cajas que realmente tenan forma de
caja: un peque no joyero, una cigarrera en forma de dado, una
caja clasica dorada y de marl. Y una vez abiertas, lentamente,
como destripadas frente a mis ojos, les daba cuerda a todas a la
vez para que sonase la m usica disonante y nalmente triste, como
la de todas las mu necas girando solitarias, porque lo mejor no
suceda al n sino poco antes, cada vez que abra una nueva caja,
cada vez que expectante, solemne, levantaba la tapa, levantaba
luego el compartimento rojo, despacio, con un dedo, y otra vez la
desilusion.
Buscaba una caja en especial, una caja que tuviera, por debajo de
ese compartimento, un mecanismo distinto al del rodillo. Todas
las cajas que. . .
Lilian Neuman: Levantar Ciudades, Ed. Destino, Barcelona,
1999.
Indice de Tablas
1 Extrapolacion de Richardson (Metodo de Romberg) 12
1 Integracion de Romberg para la funcion mihumps (ver
tabla 1). La integral (con el Mathematica) resulta Q =
0.2985832539549867 50
2 Integracion de Romberg para la funcion mihumps (continuacion,
ver tablas 1 y 1). La integral (con el Mathematica) resulta
Q = 0.2985832539549867 50
1
Indice de Figuras
1 Campo de direcciones de f(x, y) = xy 21
2 El rectangulo S esta contenido en el R 22
3 Primer metodo de Runge 26
4 Segunda formula de Runge 28
5 El metodo de Runge-Kutta 29
1 La funcion mihumps 47
2 Histograma de distribucion de los valores estimados de la
integral del ejemplo C.3.1 52
3 Integracion por Runge-Kutta clasico de x
= tx en [0, 7] 57
1 El polinomio de Bernoulli B
1
(x) 69
2
(x) 70
6
(x) 71
10
(x) 72
40
(x) 73
1 Puntos de evaluacion de quad para la funcion f(x) en [0, 2] 76
3
CAPTULO 1
Integracion
1.1. Introduccion
El objetivo del presente captulo es estudiar metodos numericos para calcular
integrales denidas de la forma
_
b
a
f(x) dx (1.1)
Los metodos mas simples que se originan en la propia denicion de la integral de
Riemann, se establecen como sigue. Se elige una particion regular de paso h en
el intervalo [a, b] de modo de obtener N subintervalos (es decir que Nh = (b a).
Se toma un valor conveniente de la funcion f en cada subintervalo y se calcula la
suma
h
N
i=1
f
i
(1.2)
donde f
i
es el valor elegido de la funcion f en el intervalo [x
i1
, x
i
]. En el caso de
escoger f
i
= f(x
i1
) se obtiene una regla del rectangulo
_
b
a
f(x) dx h
N
i=1
f(x
i1
) (1.3)
si, en cambio, se toma f
i
= f(x
i
) se obtiene otra regla del rectangulo
_
b
a
f(x) dx h
N
i=1
f(x
i
) (1.4)
en realidad la regla del rectangulo es mas precisa si se elige f
i
= f((x
i1
+x
i
)/2),
en este caso se obtiene la regla del rectangulo R(h) (o midpoint)
_
b
a
f(x) dx R(h) = h
N
i=1
f(
x
i1
+x
i
2
) (1.5)
con f
i
= (f(x
i1
) +f(x
i
))/2, en cambio, se obtiene la regla del trapecio T(h)
_
b
a
f(x) dx T(h) = h
N
i=1
f(x
i1
) +f(x
i
)
2
(1.6)
es decir En algunos textos este
metodo se denomina
trapezoidal compuesto,
pero la distincion es
poco relevante
T(h) = h(
f(a)
2
+
N1
i=1
f(x
i
) +
f(b)
2
) (1.7)
1
2 1. INTEGRACI
ON
y, si el n umero N de subintervalos es par, se pueden agrupar los subintervalos de
a dos contiguos y, en cada par utilizar f
2i+1
= (f(x
2i
) + 4f(x
2i+1
) + f(x
2i+2
))/6,
con lo que se obtiene la regla de Simpson S(h)
_
b
a
f(x) dx S(h) =
2h
6
N
2
1
j=0
(f(x
2j
) + 4f(x
2j+1
) +f(x
2j+2
)) (1.8)
es decir La regla de Simpson es
exacta para polinomios
de orden cuatro S(h) =
2h
6
(f(a) + 4f(x
1
) + 2f(x
2
) + + 4f(x
N1
) +f(x
N
)) (1.9)
En todos estos casos se tiene la expresion
_
b
a
f(x) dx A
N
i=0
c
i
f(x
i
) (1.10)
donde El operador .* facilita
la integracion numerica
[Rectangulo]A = 2h y c = (0, 1, 0, 1, 0, 1, . . . , 0, 1, 0)
[Trapezoidal]A = h/2 y c = (1, 2, 2, . . . , 2, 1)
[Simpson] A = 2h/6 y c = (1, 4, 2, 4, . . . , 2, 4, 1)
Observaci on 1.1.1. Las expresiones anteriores sugieren un metodo muy simple
para programar estos metodos elementales en Matlab
De la inspeccion de estos metodos surgen varias ideas interesantes
(1) Se tiene una ntima relacion entre integrales y sumas y las primeras se
aproximan por las segundas.
(2) Es necesario desarrollar metodos para estudiar los errores de aproximacion
de estas reglas de integracion (es simple establecerlas pero no es tan claro
como estimar los respectivos errores)
(3) Se deberan explorar metodos aplicables a particiones que no sean regu-
lares
Para la primera utilizaremos una teora de la integral que permite unicar las
metodologas para tratar con integrales y sumas. Citamos textualmente a Tom
Apostol en la introduccion al captulo 7 (pag. 169) de su texto (Apostol, 1976) La integral de Riemann-
Stieltjes generaliza la in-
tegral de Riemann
. . . se estudia el proceso de integracion con cierto detalle. En rea-
lidad consideramos un concepto mas general que el de Riemann: a
saber, la integral de Riemann-Stieltjes, que involucra dos funciones
f y . El smbolo que utilizamos para designar tales integrales es
b
a
f(x)d(x), o alguno similar, y la integral de Riemann se obtiene
como caso particular cuando (x) = x. Cuando tiene derivada con-
tinua, la denicion es tal que la integral de Stieltjes
b
a
f(x)d(x) se
convierte en la intgral de Riemann
b
a
f(x)
(x) dx. Sin embargo, la

integral de Stieltjes tiene sentido en el caso en que no es diferen-
ciable e incluso cuando no es continua. De hecho, es al tratar con
funciones discontinuas cuando se hace patente la importancia de la
integral de Stieltjes. Eligiendo adecuadamente una funcion disconti-
nua , una suma nita o innita puede expresarse como una integral
de Stieltjes, y la sumacion y la integral de Riemann ordinaria son
casos especiales de este proceso mas general. Los problemas fsicos
que consideran la distribucion de masas que son en parte discretas
1.2. LA INTEGRAL DE RIEMANNSTIELTJES 3
y en parte continuas pueden ser abordados utilizando la integral de
Stieltjes. En la teora matematica de la Probabilidad esta integral es
un instrumento muy util que hace posible la consideracion simultanea
de variables aleatorias continuas y discretas.
En muchos casos se utilizan integrales para calcular sumas que pueden ser
complicadas de obtener por otros metodos, en razon de ello las interrelaciones
entre unas y otras es mucho mayor de lo que puede suponerse en una primera
aproximacion.
En las secciones 1.4 y 1.6 estudiamos herramientas para obtener diversos metodos
de integracion y para estimar los errores de las aproximaciones conseguidas. El es-
quema basico es aproximar la integral por una suma del tipo La integral aproximada
es un promedio pesado
de los valores de la
funcion
N
i=1
w
i
f(x
i
) (1.11)
sobre una particion del intervalo de integracion, y elegir en forma conveniente los
pesos w
i
y los puntos x
i
.
Cuando aceptamos que las particiones no sean regulares surge naturalmente la
idea de renar la particion en los subintervalos donde los errores sean muy grandes
y la idea opuesta de agrupar intervalos donde los errores sean excesivamente pe-
que nos. Esto nos lleva a los denominados metodos adaptativos de integracion que
estudiaremos en la seccion 1.8
1.2. La integral de RiemannStieltjes
1.2.1. Denicion y propiedades.
Definici on 1.2.1. Sea P = x
0
, x
1
, . . . , x
n
una particion del intervalo [a, b] y
sea, para cada k,
k
un punto del intervalo [x
k1
, x
k
]. Una suma de la forma
S(P, f, g) =
n
k=1
f(
k
)g
k
(1.12)
(donde g
k
= g(x
k
) g(x
k1
)) se llama suma de Riemann-Stieltjes de f respecto
de g. Diremos que f es integrable respecto de g en [a, b] si existe un n umero I que
satisface la siguiente propiedad: para cada > 0, existe una particion P
de [a, b]
tal que, para cada particion P mas na que P
y para cada eleccion de los puntos
k
del intervalo [x
k1
, x
k
], k = 1, . . . , n, se tiene
[S(P, f, g) I[ < (1.13)
Observaci on 1.2.1. Si un tal n umero I existe, entonces es unico y se representa
por la expresion
_
b
a
f(x)dg(x) (1.14)
Ejemplo 1.2.1. Si g(x) = x entonces la integral se reduce a una integral de
Riemann
Ejemplo 1.2.2. Si g(x) es de clase C
1
en [a, b] entonces la integral resulta
_
b
a
f(x)g
(x) dx (1.15)
Nota: Este resultado se demuestra en el teorema D.2.5 en la pagina 63
4 1. INTEGRACI
ON
Ejemplo 1.2.3. Si f es continua y g(x) = x| entonces la integral resulta
iZ
a<ib
f(i) (1.16)
y si g(x) = x| entonces
iZ
ai<b
f(i) (1.17)
Nota: Este resultado se demuestra en el teorema D.2.7 en la pagina 65. Notar la
diferencia entre los lmites de suma.
1.2.2. Integracion por partes.
Teorema 1.2.2. [Formula de integracion por partes] Si f es integrable respecto
de g en el intervalo [a, b], en el sentido de Riemann-Stieltjes, entonces g es integrable
respecto de f en el intervalo [a, b], en el sentido de Riemann-Stieltjes, y se tiene
_
b
a
f(x)dg(x) +
_
b
a
g(x)df(x) = f(b)g(b) f(a)g(a) (1.18)
Demostraci on: Ver el teorema D.2.4 en la pagina 62
En el apendice D en pagina 59 se desarrollan aspectos elementales de la teora
de integracion de Riemann-Stieltjes siguiendo el texto de Apostol (1976)
1.3. La formula de suma de Euler
Sea x
0
, x
1
, . . . , x
n
, donde x
0
= a, x
1
= a + h, . . . , x
n
= a + nh = b, una
particion regular del intervalo [a, b]. La suma trapezoidal para la integral
_
b
a
f(x) dx (1.19)
se denota T(h) y resulta ser
T(h) = h
_
1
2
f
0
+f
1
+f
2
+f
3
+. . . +f
n1
+
1
2
f
n
_
(1.20)
o bien
T(h) = h
_
1
2
f
0
+
n1
i=1
f
i
+
1
2
f
n
_
(1.21)
Desearamos demostrar el siguiente teorema
Teorema 1.3.1. Sea T(h) la suma trapezoidal 1.21. Entonces
T(h) =
_
b
a
f(x) dx +
h
2
12
(f
(b) f
(a)) (1.22)
h
4
720
(f
(3)
(b) f
(3)
(a)) (1.23)
+
h
6
30240
(f
(5)
(b) f
(5)
(a)) (1.24)
+. . . +c
2r
h
2r
(f
(2r1)
(b) f
(2r1)
(a)) +O(h
2r+2
) (1.25)
1.3. LA F
ORMULA DE SUMA DE EULER 5

Donde los coecientes c
2r
tienen la funcion generatriz
1 +c
2
h
2
+c
4
h
4
+c
6
h
6
+. . . =
h
2
e
h
+ 1
e
h
1
(1.26)
(para la interpretacion detallada de los coecientes ver el apendice E en la
pagina 67)
1.3.1. El smbolo O. La notacion O grande es util para representar y
calcular en forma exacta con magnitudes aproximadas. En general la notacion
O(f(n)) se usa si f(n) es una funcion denida sobre los n umeros naturales con
el n de representar un n umero x
n
con el signicado de que existe una constante
positiva M tal que el n umero x
n
representado por O(f(n)) satisface la condicion
[x
n
[ M[f(n)[, n n
0
(1.27)
No damos explcitamente en general las constantes M y n
0
, las que suelen ser
distintas en cada aparicion de O
Ejemplo 1.3.1. Sabemos que
n
i=1
i
2
=
1
3
n(n +
1
2
)(n + 1) =
1
3
n
3
+
1
2
n
2
+
1
6
n (1.28)
en consecuencia
n
i=1
i
2
= O(n
3
) (1.29)
n
i=1
i
2
=
1
3
n
3
+O(n
2
) (1.30)
La ecuacion 1.30 es mas fuerte que la ecuacion 1.29 (Justicar la validez de estas
ecuaciones y la relacion entre ambas).
Las siguientes son operaciones validas con la notacion O
f(n) = O(f(n)) (1.31)
cO(f(n)) = O(f(n)), si c es una constante (1.32)
O(f(n)) +O(f(n)) = O(f(n)) (1.33)
O(O(f(n))) = O(f(n)) (1.34)
O(f(n))O(g(n)) = O(f(n)g(n)) (1.35)
O(f(n)g(n)) = f(n)O(g(n)) (1.36)
Nota 1.3.1. La notacion O suele extenderse a la variable real x. Por ejemplo
se escribe
e
x
= 1 +x +
1
2!
x
2
+
1
3!
x
3
+O(x
4
) (1.37)
Una cierta dosis de observacion permite resolver la siguiente paradoja.
Ejercicio 1.3.2. Que esta mal en el siguiente razonamiento? Como n =
O(n), 2n = O(n), . . . , se tiene
1kn
kn =
1kn
O(n) = 0(n
2
) (1.38)
Notar que es facil demostrar que

1kn
kn = O(n
3
).
6 1. INTEGRACI
ON
Ejercicio 1.3.3. Demostrar que si se permite a x tomar valores arbitraria-
mente grandes, entonces, para toda potencia m, e
x
,= O(x
m
)
Este tipo de desarrollos
en potencias de un ope-
rador suele utilizarse en
los cursos elementales de
Calculo para la formula
del polinomio de Tay-
lor en dos variables in-
dependientes
1.3.2. lgebra de operadores. Si D representa el operador d/dx se tiene
f(x +h) = f(x) +hf
(x) +
h
2
2!
f
(x) +
h
3
3!
f
(x) +. . . (1.39)
=
_
1 +hD +
(hD)
2
2!
+
(hD)
3
3!
+. . .
_
f(x) (1.40)
= e
hD
f(x) (1.41)
donde el operador e
hD
debe entenderse denido por la serie, para la que es facil
vericar que es normalmente convergente. En consecuencia
f(x + 2h) = e
hD
f(x +h) = e
2hD
f(x) (1.42)
y as sucesivamente. Utilizamos esta representacion de la traslacion en la siguiente
formula
T(h) = h
_
1
2
f
0
+f
1
+f
2
+. . . +f
n1
+
1
2
f
n
_
(1.43)
= h
_
1
2
+ e
hD
+ e
2hD
+. . . + e
(n1)hD
+
1
2
e
nhD
_
f(x
0
) (1.44)
= h
_
_
1
2
+
n1
j=0
e
jhD
+
1
2
e
nhD
_
_
f(x
0
) (1.45)
luego, por la formula de la suma geometrica,
T(h) = h
_
1
2
+
e
nhD
1
e
hD
1
+
1
2
e
nhD
_
f(x
0
) (1.46)
= h
_
1
e
hD
1
+
1
2
_
_
e
nhD
1
_
f(x
0
) (1.47)
=
h
2
e
hD
+ 1
e
hD
1
_
e
nhD
1
_
f(x
0
) (1.48)
pero
t
2
e
t
+ 1
e
t
1
=
j=0
c
2j
t
2j
(1.49)
para la que, con el Mathematica, se obtiene directamente:
Series[(h/2)(Exp[h]+1)/(Exp[h]-1),{h,0,21}]
2 4 6 8 10
h h h h h
1 + -- - --- + ----- - ------- + -------- -
12 720 30240 1209600 47900160
12 14 16
691 h h 3617 h
------------- + ----------- - ----------------- +
1307674368000 74724249600 10670622842880000
18 20
43867 h 174611 h 22
1.4. M
ETODOS B
ASICOS DE INTEGRACI
ON NUM
ERICA 7
------------------- - --------------------- + O[h]
5109094217170944000 802857662698291200000
Resulta entonces
T(h) =
_
_
1 +
j=1
c
2j
(hD)
2j
_
_
e
nhD
1
D
f(x
0
) (1.50)
=
e
nhD
1
D
f(x
0
) +
j=1
c
2j
h
2j
D
2j1
_
e
nhD
1
_
f(x
0
) (1.51)
=
_
b
a
f(x) dx +
j=1
c
2j
h
2j
_
f
(2j1)
(b) f
(2j1)
(a)
_
(1.52)
lo que justica el enunciado del teorema 1.3.1
1.3.3. La formula de Euler. En el apendice E (pagina 67) demostramos una
formula de suma de Euler que enunciamos a continuacion con modicaciones.
Teorema 1.3.2. Supongamos que f es una funcion suave, de clase C
en el
intervalo [a, b]. Sea n 1, h = (b a)/n, x
j
= a + jh, para j = 0, 1, . . . , n. Sea,
ademas, x = x x|. Entonces se tiene
_
b
a
f(x) dx = h
_
f(a)
2
+f(x
1
) +. . . +f(x
n1
) +
f(a)
2
_
+h
_
b
a
B
1
__
x a
h
__
f
(x) dx (1.53)
La demostracion esta presentada en el apendice.
Se tiene la siguiente formula de integracion por partes (ver 74),
1
m!
_
b
a
B
m
((x a)/h)f
(m)
(x) dx =
1
(m+ 1)!
(B
m+1
(1)f
(m)
(b) B
m+1
(0)f
(m)
(a)
1
(m+ 1)!
_
b
a
B
m+1
((x a)/h)f
(m+1)
(x) dx (1.54)
Utilizandola directamente se puede generalizar la formula 1.53 para obtener por
induccion el teorema 1.3.1 de la pagina 4
1.4. Metodos basicos de integracion numerica
En las secciones 4.3 y 4.4 del texto de Burden y Faires (1996) se deducen y des-
arrollan los metodos basicos simples y compuestos para la determinacion numerica
de la integral
_
b
a
f(x) dx (1.55)
La deduccion de los mismos se basa en la aproximacion de la funcion f en el
intervalo (o, en el caso de los metodos compuestos, en subintervalos de) [a, b]. La
lectura de las secciones citadas es instructiva puesto que suministra una metodologa
alternativa para la obtencion de las expresiones de los distintos metodos respecto
8 1. INTEGRACI
ON
de la que desarrollaremos a continuacion, que se denomina metodo de coecientes
indeterminados
1.4.1. El metodo de coecientes indeterminados. Para deducir los metodos
basicos de integracion numerica mediante este metodo reemplazamos la integral por
una suma nita
_
b
a
f(x) dx
N
i=1
w
i
f(x
i
) (1.56)
donde los N puntos a x
i
b se eligen en forma conveniente (lo que dependera de
la aplicacion particular) y los coecientes w
i
(que son pesos en un sentido general)
se consideran indeterminados al principio y resultan ser las variables que debemos
determinar. Para ello se reemplaza en la expresion una familia conveniente de po-
linomios de grado creciente y se utilizan las ecuaciones resultantes para determinar
los w
i
y, eventualmente, estimar los errores de aproximacion del metodo.
En una seccion posterior (ver 1.6 en la pagina 12) se generalizara este metodo
para el caso en que se utilizan las ecuaciones para determinar tanto los w
i
como los
x
i
. El metodo de coecien-
tes indeterminados es
una alternativa frente a
los metodos basados en
la aproximacion median-
te polinomios
No se pierde generalidad si se considera que el intervalo de integracion es [a, b] =
[1, 1], o bien [a, b] = [h, h] por ello realizaremos las cuentas en alguno de estos
intervalos particulares puesto que as las expresiones suelen simplicarse.
1.4.2. El metodo trapezoidal. Si utilizamos el producto Mathematica para
obtener los coecientes las entradas y salidas podran ser
(* Trapezoidal *)
a0=a;a1=b; (* Defino los puntos *)
p0[x_]:=1; (* Defino los polinomios *)
p1[x_]:=(2x-a-b)/(b-a);
p2[x_]:=((2x-a-b)/(b-a))^2;
s0=A p0[a0] + B p0[a1]//Simplify (* Integraci\on num\erica *)
s1=A p1[a0] + B p1[a1]//Simplify; A + B
i0=Integrate[p0[x],{x,a,b}]//Simplify (* Integro los polinomios *)
i1=Integrate[p1[x],{x,a,b}]//Simplify;
-a + b
Solve[{s0==i0,s1==i1},{A,B}]//Simplify (* Resuelvo el sistema *)
-a + b -a + b
{{A -> ------, B -> ------}}
2 2
Se tiene, ademas, que el error
1
para un paso h = b a se puede escribir
(utilizando la formula de interpolacion lineal o utilizando el error para el polinomio
p
2
(x) del cuaderno de Mathematica precedente) como
1
(f) =
(b a)
3
12
f
(), [a, b] (1.57)

1.4. M
ETODOS B
ASICOS DE INTEGRACI
ON NUM
ERICA 9
(Justicar), analogamente el
n
correspondiente al paso h = (b a)/n resulta
n
(f) =
n
j=1
h
3
12
f
(
j
)
=
h
3
n
12
1
n
n
j=1
f
(
j
) (1.58)
y, por la suavidad de f ( C
[a, b]) se tiene que

[a, b] : f
() =
1
n
n
j=1
f
(
j
) (1.59)
en denitiva
n
(f) =
(b a)h
2
12
f
() [a, b] (1.60)
Si utilizamos la formula del teorema 1.3.1 podemos escribir
n
(f) =
B
2
h
2
2!
(f
(b) f
(a)) +O(h
4
) (1.61)
h
2
12
f
()(b a) +O(h
4
), [a, b] (1.62)
lo que nos da un resultado del mismo orden.
A partir de la expresion 1.58 se puede seguir otra lnea deductiva: tomamos
lmite,
lim
n
n
(f)
h
2
= lim
n
_
_
h
12
n
j=1
f
(
j
)
_
_
(1.63)
=
1
12
lim
n
_
_
n
j=1
f
(
j
)h
_
_
(1.64)
pero, en esta expresion, x
j1

j
x
j
, j = 1, . . . , n con lo que la formula 1.64 es
una suma de Riemann, en consecuencia
lim
n
n
(f)
h
2
= lim
n
_
1
12
_
b
a
f
(x) dx
_
=
1
12
(f
(b) f
(a)) (1.65)
es decir que
n
(f)
n
(f)
h
2
12
(f
(b) f
(a)) (1.66)

n
(f) es una aproximacion al error asintotico lo que podemos establecer en la si-
guiente denicion:
Definici on 1.4.1. Sean
n
(f) y
n
(f), el error exacto y una estimacion del
error respectivamente. Decimos que
n
(f) es una estimacion asintotica del error
n
(f) si
lim
n

n
(f)
n
(f)
= 1 (1.67)
10 1. INTEGRACI
ON
Utilizando
n
(f) es posible dar un metodo trapezoidal corregido T
C
h
(f)
T
C
h
(f) = T
h
(f) +
n
(f) (1.68)
es decir
T
C
h
(f) = h
_
f
0
2
+f
1
+f
2
+. . . +f
n1
+
f
n
2
_
h
2
12
(f
(b) f
(a)) (1.69)
Ejercicio 1.4.1. Estudiar el comportamiento numerico del metodo trapezoidal
corregido T
C
h
(f)
1.4.3. El metodo de Simpson. Utilizamos el producto Mathematica para
determinar los coecientes del metodo de Simpson (ver Apendice B, pagina 37)
Obtenemos
S
_
b a
2
_
=
b a
6
_
f(a) + 4f(
a +b
2
) +f(b)
_
(1.70)
y un error de truncamiento
(b a)
5
2880
f
(4)
(
a +b
2
) (1.71)
lo que equivale a
t
=
_
ba
2
_
5
90
f
(4)
(
a +b
2
) (1.72)
En forma analoga al caso de metodo trapezoidal y utilizando las expresiones
precedentes se tiene que
2
(f) =
4
_
ba
2
_
5
15
f
(4)
()
24
, [a, b] (1.73)
=
_
b a
2
_
5
1
90
f
(4)
(), [a, b] (1.74)
y
n
(f) =
h
5
_
n
2
_
90
2
n
n
2
j=1
f
(4)
(
j
)
=
h
4
(b a)
180
f
(4)
(), [a, b] (1.75)
y la formula asintotica

n
(f) =
h
4
180
(f
(3)
(b) f
(3)
(a)) (1.76)
(Esta ultima tambien se obtiene a partir del desarrollo asintotico de Euler)
1.4.4. Metodos de Newton. En la seccion precedente hemos obtenido la
formula del metodo de Simpson. La misma metodologa se puede utilizar para
cualquier eleccion de los puntos de la particion del intervalo de integracion. Por
ejemplo, si desearamos calcular los que corresponden a una particion regular de
once puntos, nuevamente utilizamos el producto Mathematica para obtener los co-
ecientes (ver apendice B en pagina 37).
Estos metodos llevan el nombre de metodos de Newton, y en algunos textos
tambien el de formulas de Newton-Cotes.
1.5. M
ETODOS DE EXTRAPOLACI
ON 11
1.5. Metodos de extrapolacion
En esta seccion utilizaremos la expresion que calculamos para el error en el
metodo trapezoidal para ejemplicar el uso de los metodos de extrapolacion repe-
tida de Richardson.
Supongamos que b
0
= I(0) es la integral que deseamos calcular y que, para el
paso h se tiene
I(h) = b
0
+b
1
h
2
+b
2
h
4
+b
3
h
6
+. . . (1.77)
(formula que sabemos valida para el mencionado metodo trapezoidal). El error de
truncamiento es
I(h) b
0
=
n1
i=1
b
i
h
2i
+O(h
2n
) (1.78)
de modo que, con 1.77 y
I(
h
2
) = b
0
+b
1
h
2
4
+b
2
h
4
16
+b
3
h
6
64
+. . . (1.79)
se obtiene efectuando 4 por (1.79) (1.77)
4I(
h
2
) I(h) = 3b
0

3
4
b
2
h
4
15
16
b
3
h
6
+. . . (1.80)
y, dividiendo por el coeciente de b
0
I
(1)
(h) = I
(0)
(
h
2
) +
I
(0)
(
h
2
) I
(0)
(h)
3
= b
0

1
4
b
2
h
4
5
16
b
3
h
6
+. . . (1.81)
(ver la seccion C.2 en el apendice, donde se deducen estas expresiones con el Mat-
hematica). El error de truncamiento es
I
(1)
(h) b
0
=
1
4
b
2
h
4
5
16
b
3
h
6
+. . . (1.82)
Si repetimos este calculo (ver C.2) se obtiene
I
(0)
(h) = I(h) (1.83)
I
(1)
(h) = I
(0)
(
h
2
) +
I
(0)
(
h
2
) I
(0)
(h)
2
2
1
(1.84)
I
(2)
(h) = I
(1)
(
h
2
) +
I
(1)
(
h
2
) I
(1)
(h)
2
4
1
(1.85)
.
.
. (1.86)
I
(j+1)
(h) = I
(j)
(
h
2
) +
I
(j)
(
h
2
) I
(j)
(h)
2
2j+2
1
(1.87)
y, en general,
I
(j)
(h) = b
0
+O(h
2j+2
) (1.88)
El esquema resultante es que cada elemento de la segunda columna se obtiene
con los dos inmediatos a su izquierda, cada vez que se calcula una aproximacion
con paso mas no se puede calcular una antidiagonal de la tabla, y, por ultimo, el
criterio de detencion es que dos valores en la misma columna dieran en menos que
un valor de tolerancia preestablecido.
12 1. INTEGRACI
ON
Tabla 1. Extrapolacion de Richardson (Metodo de Romberg)
I
(0)
(h) I
(1)
(h) I
(2)
(h) I
(3)
(h) I
(4)
(h) . . .
I
(0)
(
h
2
) I
(1)
(
h
2
) I
(2)
(
h
2
) I
(3)
(
h
2
) . . .
I
(0)
(
h
4
) I
(1)
(
h
4
) I
(2)
(
h
4
) . . .
I
(0)
(
h
8
) I
(1)
(
h
8
) . . .
I
(0)
(
h
16
) . . .
.
.
.
1.6. Cuadratura de Gau
La expresion aproximada
N
i=1
w
i
f(x
i
) (1.89)
para la integral
_
b
a
f(x) dx es mucho mas util si no se escogen de antemano los
puntos x
i
. El problema de hallar los puntos y los pesos de modo que la expresion
sea exacta para polinomios del mayor grado posible es resoluble y conduce a los
metodos de integracion de Gau.
En el apendice B (pagina 37) incluimos un cuaderno del Mathematica que
calcula los coecientes para un metodo de Gau de tres puntos (se realiza en el
intervalo [1, 1], pero un simple cambio de variables permite extenderlo a cualquier
intervalo [a, b])
Es conveniente, si embargo, atacar el problema de cuadratura en un contexto
un poco mas general.
Sea v una funcion de peso positiva en el intervalo [1, 1], si x
0
, x
1
, . . . , x
m
se
eligen como los ceros del polinomio p
m+1
de grado m+1 en la familia de polinomios
ortogonales asociada a v(x), entonces la formula
_
1
1
f(x)v(x) dx w
0
f
0
+w
1
f
1
+. . . +w
m
f
m
(1.90)
es exacta para todos los polinomios de orden 2m + 2 siempre que los coecientes La inclusion de la fun-
cion peso v facilita con-
siderar distintas familias
de polinomios ortogona-
les
satisfagan
w
i
=
_
1
1
i
(x)v(x) dx (1.91)
donde
i
(x) es el polinomio de grado m (orden m+ 1) tal que
i
(x
j
) =
_
0 j ,= i
1 j = i
j = 0, 1, 2, . . . , m (1.92)
Para vericar esta armacion tomemos un polinomio f de orden 2m + 2, existen
entonces polinomios q y r de orden m+ 1 tales que
f = qp
m+1
+r (1.93)
1.7. M
ETODOS DE MONTECARLO 13
Por lo tanto, debido a la ortogonalidad de la familia p
i
_
1
1
f(x)v(x) dx =
_
1
1
q(x)p
m+1
(x)v(x) dx +
_
1
1
r(x)v(x) dx =
_
1
1
r(x)v(x) dx
(1.94)
Asimismo, dado que x
i
es un cero de p
m+1
, i = 0, 1, . . . , m, se tiene
m
i=0
w
i
f
i
=
m
i=0
w
i
q(x
i
)p
m+1
(x
i
) +
m
i=0
w
i
r(x
i
) =
m
i=0
w
i
r(x
i
) (1.95)
pero, tambien se tiene
_
1
1
r(x)v(x) dx =
m
i=0
w
i
r(x
i
) (1.96)
porque los coecientes w
i
fueron elegidos de modo que la formula sea exacta para
todos los polinomios de grado m o menor (orden m+ 1)
Observaci on 1.6.1. Aplicando la formula 1.90 al caso f(x) = (
i
(x))
2
se tiene
(f
j
= 0 para j ,= i)
_
1
1
(
i
(x))
2
v(x) dx = w
i
(1.97)
por lo que los coecientes w
i
en las formulas de cuadratura de Gau son positivos.
Observaci on 1.6.2. Para obtener los coecientes se toman los x
i
como los
ceros de los polinomios del orden deseado y se utiliza un calculador simbolico como
el Mathematica para obtener los coecientes y para estimar el error de trunca-
miento local. En diversos manuales de formulas matematicas guran los puntos y
coecientes de Gau para distintas familias de polinomios y distintos ordenes.
El analisis del error puede desarrollarse en forma analoga a los casos conside-
rados previamente, por ello dejamos los detalles para el lector interesado.
1.7. Metodos de Montecarlo
En esta seccion consideramos un metodo conceptualmente distinto, respecto de
los anteriormente presentados, para obtener aproximaciones a las integrales
_
b
a
f(x) dx (1.98)
Suponemos que se posee una denicion de la funcion f, por ejemplo en un
m-file de Matlab
function y = mifun(x)
% MIFUN define mi funci\on
[mx,nx]=size(x)
if (mx == 1) & (nx == 1)
y = 2 * x;
else
disp(error);
end % if
o, tambien, si la funcion esta dada por N puntos en un tabla mif de N 2 donde
mix=mif(:,1) y miy=mif(:,2), se la calcula, por ejemplo, mediante y=spline(mix,miy,x)
o bien y=interp1(mix,miy,x) seg un se desee.
14 1. INTEGRACI
ON
Para la funcion f se determinan
Mf = sup
axb
f(x) (1.99)
y
mf = inf
axb
f(x) (1.100)
(en realidad basta que se tomen cotas superior e inferior respectivamente). El
metodo se aplica entonces a la funcion

f(x) = f(x) mf que resulta no negativa y
con su graco contenido en el rectangulo R = [a, b] [0, Mf mf], y consiste en lo
siguiente. Se hallan P puntos al azar en el rectangulo R y se determina el n umero La funcion rand permi-
te obtener puntos al azar
en un dominio
P
f
de los que se encuentran en el area que deseamos aproximar. A continuacion se
calcula la estimacion del area mediante la expresion
(b a)
_
(Mf mf)
P
f
P
+mf
_
(1.101)
En la seccion C.3 incluimos ejemplos de integrales de Montecarlo.
Este metodo no suele ser utilizado para el caso de areas puesto que existen
buenos metodos de cuadratura (como los ya estudiados), sin embargo, el caso de
los vol umenes o hipervol umenes es distinto. Supongamos que se desea conocer el
volumen de la interseccion de 5 cuerpos que se cortan en el espacio Eucldeo tridi-
mensional, y que ademas, se desea distinguir la parte de la interseccion que perte-
nece a un sexto cuerpo de aquella que no esta contenida en el mismo. El intento de
obtener la integral por metodos clasicos o numericos puede ser de una complejidad
excesiva a un para casos de cuerpos denidos por ecuaciones muy simples. El uso
del metodo de Montecarlo permite superar estas dicultades.
1.7.1. Determinacion de un volumen. En esta seccion calcularemos el vo-
lumen del solido que resulta de la interseccion, en el primer octante, de los cilindros
x
2
+z
2
= 1 (1.102)
y
y
2
+ (z
1
2
)
2
= 1 (1.103)
En primer termino atacamos el problema con Matlab, a continuacion desarro-
llamos un cuaderno del Mathematica en el que obtenemos una solucion similar para
vericar.
% MONTEK volumen por m\etodo de Montecarlo
% C.E.Neuman, 11-may-97
rand(seed,sum(100*clock)); % inicializa el generador de n\umeros al azar
scores=[]; % en esta variable se acumulan los resultados
NN=20; % da el numero de cubitos por lado
N=NN^4; % da el numero total de puntos
h=1/NN; % da el paso (dimension del cubito)
for indice=1:10,
X=zeros(N,3);
for i=1:NN, % construcci\on de los puntos al azar
1.7. M
im1=i-1; % en cada cubito
for j=1:NN,
jm1=j-1;
for k=1:NN,
km1=k-1;
ps = rand(NN,3);
ini=im1*NN*NN*NN+jm1*NN*NN+km1*NN+1;
fin=ini-1+NN;
X(ini:fin,:) = [ps(:,1)+i-1 ps(:,2)+j-1 ps(:,3)+k-1]*h;
end % rof
end % rof
disp(i);
end % rof
x=X(:,1);
y=X(:,2); % asignaci\on de coordenadas al azar
z=X(:,3);
%%% la siguiente variable calcula los valores de las funciones
%%% de corte para las variables:
TEST=[y.*y+4*(z-0.5).*(z-0.5) x.*x+z.*z];
%%% en I se seleccionan los \{\i}ndices correspondientes a puntos
%%% contenidos en el volumen que se desea medir (intersecci\on
%%% de los dos cuerpos definidos por las expresiones de TEST)
I=find( (TEST(:,1)<=1) & (TEST(:,2)<=1) );
[mI,nI]=size(I);
scores=[scores; mI/N]; % acumulaci\on del resultado
disp(indice);
end % rof
mime=mean(scores)
mide=std(scores)
scorord=sort(scores);
[m,n]=size(scores);
mimeord=mean(scores(0.1*m:0.9*m))
mideord=std(scores(0.1*m:0.9*m))
figure;
hist(scores);
% Salidas del programa precedente
%mime =
% 0.6352
%mide =
% 3.8221e-004
%mimeord =
% 0.6352
%mideord =
% 4.0451e-004
%scores =
% 0.6349
% 0.6347
% 0.6356
% 0.6356
% 0.6347
% 0.6356
16 1. INTEGRACI
ON
% 0.6350
% 0.6356
% 0.6356
% 0.6352
Esta regularidad se ve conrmada por el siguiente cuaderno del Mathematica
(* M\etodo de Montecarlo para integrales triples
C\alculo num\erico de la integral *)
(* Determino el l\{\i}mite de separaci\on *)
Solve[4(1-x^2)==(1+Sqrt[1-y^2])^2,y]
2 2
{{y -> -Sqrt[-4 + 4 x - 4 Sqrt[1 - x ]]},
2 2
{y -> Sqrt[-4 + 4 x - 4 Sqrt[1 - x ]]},
2 2
{y -> -Sqrt[-4 + 4 x + 4 Sqrt[1 - x ]]},
2 2
{y -> Sqrt[-4 + 4 x + 4 Sqrt[1 - x ]]}}
(* Defino el l\{\i}mite de integraci\on *) f[x_]:=Sqrt[-4+4x
x+4Sqrt[1-x x]]
(* Determino el punto de separaci\on *) Solve[f[x]==1,x]
-Sqrt[3] -Sqrt[3] Sqrt[3]
{{x -> --------}, {x -> --------}, {x -> -------},
2 2 2
Sqrt[3]
{x -> -------}}
2
(* Defino el punto de separaci\on *) c=Sqrt[3]/2 Sqrt[3]
-------
2
(* Defino los extremos de integraci\on *)
geu[x_,y_]:=(1/2)(1+Sqrt[1-y y]) ged[x_,y_]:=(1/2)(1-Sqrt[1-y y])
fcu[x_,y_]:=Sqrt[1-x x]
(* Calculo las integrales en forma num\erica *)
I1=NIntegrate[1,{x,0,c},{y,f[x],1},{z,ged[x,y],geu[x,y]}]
I2=NIntegrate[1,{x,0,c},{y,0,f[x]},{z,ged[x,y],fcu[x,y]}]
I3=NIntegrate[1,{x,c,1},{y,0,f[x]},{z,ged[x,y],fcu[x,y]}] I1+I2+I3
0.244751 0.358503 0.0320788 0.635332 (* valor de la integral
*)
1.8. Metodos adaptativos
En el ultimo apendice (F, pagina 75) se propone un laboratorio de Matematica
orientado a estudiar algoritmos adaptativos para la integracion numerica.
En la seccion C.4, en la pagina 53, se incluye para ilustracion el codigo
de una funcion de Matlab, adaptada de la denominada quad, que implementa un
algoritmo adaptativo recursivo de bajo orden basado en el metodo de Simpson. La
1.9. EJERCICIOS 17
funcion miquad es en realidad un driver que llama a la verdadera funcion recursiva
que se denomina miquadst la que realiza cada paso de la recursion.
1.8.1. Comparacion entre NIntegrate y quad. Calculamos el area bajo
la curva normal, que puede encontrarse en cualquier tabla estadstica, utilizando
las funciones NIntegrate del Mathematica y quad de Matlab. La primera da (los
resultados de medicion de tiempos se expresan en segundos)
(* Calculo con el Mathematica *)
f[x_]:=(1/Sqrt[2Pi]) E^(-x^2/2);//Timing
{0. Second, Null}
NIntegrate[f[x],{x,0,1}]//Timing
{0.11 Second, 0.341345}
N[NIntegrate[f[x],{x,0,1}],15]//Timing
{0.11 Second, 0.341344746068543}
Para la segunda es necesario denir en un m-archivo la funcion que se desea
integrar:
function y=nintquad(x)
% NINTQUAD Densidad normal
%%% C.E.Neuman, 10 de mayo de 1997
y=(1/sqrt(2*pi))*exp(-x.^2/2);
% fin de nintquad
La salida y la medicion del tiempo empleado con Matlab es
Salidas de la integraci\on adaptativa con Matlab t=cputime;
Q=quad1(nintquad,0,1); cputime-t, Q ans =
0.06
Q =
0.34134540613909
t=cputime; Q=quad1(nintquad,0,1,1e-5); cputime-t, Q
ans =
0.11
Q =
0.34134474647804
ans =
0.6
Q =
0.34134474607765
ans =
2.47
Q =
0.34134474606860
Observamos que, en esta medicion, la que, al margen, no es muy precisa,
parece que la primera metodologa es mas eciente que la segunda.
1.9. Ejercicios
Ejercicio 1.9.1. Utilizar el metodo de Romberg para calcular la integral
_
4
0
f(x) dx (1.104)
18 1. INTEGRACI
ON
donde f(x) esta denida por la siguiente tabla:
x 0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
f(x) 4271 2522 499 1795 4358 7187 10279 13633 17247
Son necesarios todos los valores?
Ejercicio 1.9.2. Probar que la formula
_
1
1
f(x) dx
1
9
_
5f
_
_
3
5
_
+ 8f(0) + 5f
_
_
3
5
__
(1.105)
es exacta para polinomios de quinto grado, y aplicarlo al calculo de
_
1
0
sinx
1 +x
dx (1.106)
Ejercicio 1.9.3. (a) Deducir una formula de integracion de Gau de dos
puntos para integrales de la forma
_
1
1
f(x)(1 +x
2
) dx (1.107)
que sea exacta cuando f(x) es un polinomio de grado 3.
(b) Aplicar la formula a f(x) = x
4
. Usar el resultado para obtener una
aproximacion del resto.
Ejercicio 1.9.4. Supongamos que una integral numericamente aproximada se
representa mediante el smbolo I
n
donde n es el n umero de subdivisiones del inter-
valo de integracion. Si se calculan los valores de I
n
para alg un metodo numerico,
analizar en forma emprica la velocidad de convergencia de I
n
a I (el valor de la
integral calculada exactamente) mediante los cocientes
R
n
=
I
2n
I
n
I
4n
I
2n
(1.108)
Dar ejemplos y explicar los resultados.
Ejercicio 1.9.5. [Optativo] Considerar el conjunto S
1
de funciones denidas
en el intervalo [a, b] de la siguiente forma. Sea n > 0, h = (ba)/n, t
j
= a+jh, para
j = 0, 1, . . . , n. Sea f(x) denida por la propiedad de ser lineal en cada subintervalo
[t
j1
, t
j
], para j = 1, . . . , n. Mostrar que este conjunto de funciones f, para todo
n 1, es denso en el conjunto C[a, b] de funciones continuas en el intervalo [a, b].
Ejercicio 1.9.6. Obtener formulas de integracion de Gau para
I =
_
1
0
xf(x) dx
n
j=1
w
j
f(x
j
) (1.109)
con funcion peso w(x) = x
Ejercicio 1.9.7. Considerar la siguiente tabla de integrales aproximadas I
n
obtenidas mediante la regla de Simpson. Predecir el orden de convergencia de la
sucesion de I
n
a la integral I:
1.9. EJERCICIOS 19
n In
2 0.28451779686
4 0.28559254576
8 0.28570248748
16 0.28571317731
32 0.28571418363
64 0.28571427643
Es decir que, si I I
n
c/n
p
, entonces, cuanto vale p? El resultado resulta ser
una forma valida para el error de estos datos? Predecir un valor de c y del error en
I
64
. Que valor de n es necesario alcanzar para que el error en I
n
sea menor que
10
11
?
Ejercicio 1.9.8. Denotamos I
T
n
a la regla trapezoidal para aproximar la inte-
gral
_
b
a
f(x) dx, y, analogamente, I
M
n
para la formula de midpoint. Los respectivos
errores asintoticos en el caso en que f sea sucientemente regular en [a, b], son
I I
T
n
=
h
2
12
[f
(b) f
(a)] +O(h
4
) (1.110)
y
I I
M
n
=
h
2
24
[f
(b) f
(a)] +O(h
4
) (1.111)
Utilizar estos resultados para obtener un nuevo metodo numerico,

I
n
, con orden
de convergencia mayor, combinando I
T
n
y I
M
n
. Cuales son los pesos de la nueva
formula

I
n
?
CAPTULO 2
Ecuaciones diferenciales
2.1. Introduccion
Decimos que la ecuacion diferencial ordinaria
y
= f(x, y) (2.1)
en una funcion incognita y, con f(x, y) funcion continua en un dominio D del
plano, tiene una solucion y(x) en un intervalo x
0
x x
1
, si y(x) es una fucion
diferenciable, (x, y(x)) esta en el dominio D para cada x del intervalo [x
0
, x
1
] y,
ademas, y
(x) = f(x, y(x)) en [x

0
, x
1
].
Desde el punto de vista geometrico podemos considerar que la ecuacion y
=
f(x, y) dene un campo continuo de direcciones sobre D. Y que las funciones
solucion son tangentes a esas direcciones (en cada punto del dominio). El campo de direcciones
permite estimar
gracamente las
trayectorias
T
E
0
y
x
1 2 3
1
2
3
d e
e
f
f
e
e
g
g
i
i
f
f
i
i
d e
e
f
f
e
e
g
g
i
i
f
f
i
i
r r r
r r r
r r
Figura 1. Campo de direcciones de f(x, y) = xy
Ejemplo 2.1.1. Sea la ecuacion diferencial y
= xy, entonces y
/y = x y es
posible integrar ambos miembros obteniendo log y = x
2
/2 + C
, expresion de la
que tomando la exponencial de ambos miembros se deduce la solucion general
y(x) = Ce
x
2
/2
(2.2)
de la ecuacion diferencial. En la gura 1 esquematizamos el campo de direcciones
denido por f(x, y) = xy. (En cada punto (x, y) dibujamos un peque no segmento
en la direccion de la recta por el punto con pendiente xy.)
Una solucion
-aproximada diere
casi uniformemente de
la solucion en menos de
21
22 2. ECUACIONES DIFERENCIALES
Definici on 2.1.1. Sea f(x, y) una funcion continua denida en el dominio D.
Una funcion y(x), denida en el intervalo [x
1
, x
2
], es una solucion (aproximada) de
y
= f(x, y) con error menor que si

(i) (x, y(x)) D, x
1
x x
2
(ii) y(x) es continua en [x
1
, x
2
]
(iii) y(x) tiene derivada continua a trozos en [x
1
, x
2
] que puede no estar de-
nida en un n umero nito de puntos del intervalo [x
1
, x
2
], llamemoslos
1
,
2
, . . .,
n
(iv) [y
(x) f(x, y(x))[ , x

1
x x
2
, x ,=
i
, i = 1, 2, . . . , n.
Una vez denidas las soluciones aproximadas de una ecuacion diferencial de-
seamos demostrar un resultado de existencia de las mismas que, ademas, resulta
constructivo, puesto que nos da un metodo para obtener la aproximacion
Teorema 2.1.1. Sea (x
0
, y
0
) un punto del dominio D (de la denicion 2.1.1)
y supongamos que el rectangulo R = [x x
0
[ a, [y y
0
[ b esta contenido en
D. Sea [f(x, y)[ M, (x, y) R. Entonces, si h = min(a, b/M), puede construirse
una solucion aproximada y(x) de y
= f(x, y) en el intervalo [x x
0
[ h, tal que
y(x
0
) = y
0
, donde el error puede ser un n umero positivo arbitrariamente peque no.
Notar que h es independiente de .
S
R
O
P
Q
h
E '
Mh
c
T
(x
0
, y
0
)
(x
0
+h, y
0
)
5
5
5
5
5
5
5
5
5
5
3
3
3
s
(x
1
, y
1
)
4
4
4
4
2
2
2
Figura 2. El rectangulo S esta contenido en el R
Demostraci on: El rectangulo S = [x x
0
[ h, [y y
0
[ Mh esta contenido
en R por la denicion de h (ver la gura 2). Supongamos dado el del teorema.
Como f(x, y) es continua en S, resulta uniformemente continua en S; es decir que,
dado > 0 (que lo tomamos como el del teorema) existe > 0 tal que si [ xx[
y [ y y[ con ( x, y) S y (x, y) S, entonces
[f( x, y) f(x, y)[ (2.3)
Sea x
1
, . . . , x
n1
un conjunto de puntos tales que: x
0
< x
1
< x
2
< <
x
n1
< x
n
= x
0
+h, y
x
i
x
i1
min(, /M), i = 1, . . . , n (2.4)
2.2. M
ETODOS EN DIFERENCIAS DE UN PASO 23

Construiremos la solucion aproximada en el intervalo x
0
x x
0
+ h; un
proceso similar permite denirla en el intervalo x
0
h x x
0
.
La solucion aproximada sera una poligonal construida de la siguiente manera:
desde (x
0
, y
0
) se dibuja un segmento hacia la derecha con pendiente f(x
0
, y
0
), este
corta la recta x = x
1
en un punto (x
1
, y
1
). Desde (x
1
, y
1
) se dibuja un segmento
hacia la derecha con pendiente f(x
1
, y
1
), que corta la recta x = x
2
en y
2
; etc. El
punto (x
1
, y
1
) debe pertenecer al triangulo OQP de la gura 2 porque el angulo
se toma de modo que tan = M, y [f(x
0
, y
0
)[ M. Por motivos analogos (x
2
, y
2
)
tambien esta en OQP; etc. En consecuencia el proceso puede continuarse hasta
x
n
= x
0
+h, porque la unica razon por la que podra detenerse sera que f(x
k
, y
k
)
no estuviese denida, caso en el que se tendra [y
k
y
0
[ > Mh lo que sera contrario
a la construccion. Podemos denir y(x) por las formulas recursivas
y(x) = y
i1
+ (x x
i1
)f(x
i1
, y(x
i1
)) (2.5)
donde
y
i1
= y(x
i1
), x
i1
x x
i
, i = 1, . . . , n (2.6)
Por su denicion y(x) es admisible, continua, y tiene derivada continua a trozos
y
(x) = f(x
i1
, y(x
i1
), x
i1
< x < x
i
, i = 1, . . . , n (2.7)
que no esta denida solamente en los puntos x
i
, i = 1, . . . , n 1. Ademas, si
x
i1
< x < x
i
[y
(x) f(x, y(x))[ = [f(x

i1
, y
i1
) f(x, y(x))[ (2.8)
Pero, por 2.4 [x x
i1
[ < min(, /M), y, por 2.5
[y y
i1
[ M[x x
i1
[ M

M
= (2.9)
En consecuencia, por 2.3
[f(x
i1
, y
i1
) f(x, y(x))[ (2.10)
y
[y
(x) f(x, y(x))[ , x ,= x

i
, i = 1, 2, . . . , n 1 (2.11)
Resulta as que y(x) satisface todas las condiciones de la denicion previa y la
construccion requerida por el teorema ha sido completada.(ver apendice H)
Este metodo de construir una solucion aproximada se conoce como metodo de
Euler. Es innecesario mejorar el valor del h del teorema porque, en general, se
puede demostrar que y(x) esta denida en un intervalo mayor que [x x
0
[ h.
2.2. Metodos en diferencias de un paso
2.2.1. Metodos de Euler y retroEuler. El metodo de Euler para la reso-
lucion aproximada de la ecuacion diferencial
_
y
= f(x, y)
y(x
0
) = y
0
(2.12)
se puede formular as: Metodo de Euler
y
n+1
= y
n
+hf(x
n
, y
n
), n 0 (2.13)
donde h es de ahora en adelante el paso del metodo en estudio.
En cada paso se cambia de miembro de la familia de soluciones de la ecuacion
diferencial, de manera que la precision del metodo debera depender de la estabi-
lidad de las ecuaciones. Si las ecuaciones son estables, los errores en los primeros
pasos tendran peque no efecto posterior. Denimos provisoriamente la nocion de
estabilidad de un metodo numerico en funcion de su comportamiento para resolver
la ecuacion diferencial y
= y con un n umero complejo. La region de estabilidad

absoluta es entonces el subconjunto de puntos h del plano complejo con h 0 para
los que una perturbacion en un unico valor y
n
produce una sucesion de cambios en
los siguientes valores que no crecen de paso a paso. Estabilidad del metodo
de Euler
Ejemplo 2.2.1. Para el metodo de Euler se tiene
y
n+1
= y
n
+hy
n
= (1 +h)y
n
(2.14)
de modo que este metodo es absolutamente estable en la region [1 +h[ 1 que es
el crculo unitario del plano complejo centrado en el punto (1, 0).
Ejemplo 2.2.2. El metodo de Euler aplicado a la ecuacion del ejemplo 2.1.1
resulta ser
y
n+1
= y
n
hx
n
y
n
= (1 hx
n
)y
n
(2.15)
El metodo de Euler puede obtenerse tambien del siguiente razonamiento. Se
reemplaza la derivada y
en la ecuacion
y
(x) = f(x, y) (2.16)

por un cociente de incrementos en (x
n
, y
n
) para obtener
y
n+1
y
n
h
= f(x
n
, y
n
) (2.17)
resultando el metodo al despejar la ecuacion para y
n+1
. Si, en cambio, se utiliza el
mismo cociente, pero en (x
n+1
, y
n+1
), se obtiene
y
n+1
y
n
h
= f(x
n+1
, y
n+1
) (2.18)
lo que conduce al metodo denominado retroEuler (backward Euler) Metodo de retroEuler
y
n+1
= y
n
+hf(x
n+1
, y
n+1
) (2.19)
que tiene la caracterstica especial de ser implcito y requiere la solucion de una
ecuacion en cada paso.
Ejemplo 2.2.3. Para el metodo retroEuler se tiene
y
n+1
= y
n
+hy
n+1
(2.20)
es decir que luego de despejar y
n+1
y
n+1
=
1
1 h
y
n
(2.21)
de modo que este metodo es absolutamente estable en la region [1/(1 h)[ 1
valida en el semiplano de partes reales no positivas del plano complejo.
Estabilidad del metodo
retroEuler
2.2. M

Ejemplo 2.2.4. El metodo retroEuler aplicado a la ecuacion del ejemplo 2.1.1
resulta ser
y
n+1
= y
n
hx
n+1
y
n+1
(2.22)
es decir
y
n+1
=
1
(1 +hx
n+1
)
y
n
(2.23)
2.2.2. Metodos de RungeKutta. Nuestro siguiente objetivo es generalizar
el metodo de Euler utilizando los desarrollos en polinomios de Taylor pero limitando
lo mas posible el calculo de derivadas de las funciones involucradas. Recordemos
que en este metodo se puede escribir
y
h
(x) = y(x) +hD(x) +O(h
2
) (2.24)
y que para el paso mitad
y
h/2
(x) = y(x) + (h/2)D(x) +O(h
2
) (2.25)
(porque?) y que aplicando la extrapolacion (de Richardson) para eliminar D(x)
y(x) = 2y
h/2
(x) y
h
(x) +O(h
2
) (2.26)
Apliquemosla a un paso de longitud h, se tiene
y
h
(x
n
+h) = y
n
+hf(x
n
, y
n
) (2.27)
y para medio paso
y
h/2
(x
n
+ (h/2)) = y
n
+ (h/2)f(x
n
, y
n
) (2.28)
en consecuencia
y
h/2
(x
n
+h) = y
n
+ (h/2)f(x
n
, y
n
)
+(h/2)f(x
n
+ (h/2), y
n
+ (h/2)f(x
n
, y
n
)) (2.29)
luego, aplicando la extrapolacion,
y(x
n+1
) = 2y
n
+hf(x
n
, y
n
) +hf(x
n
+ (h/2), y
n
+ (h/2)f(x
n
, y
n
))
y
n
hf(x
n
, y
n
) +O(h
2
) (2.30)
y simplicando
y
n+1
= y
n
+hf(x
n
+ (h/2), y
n
+ (h/2)f(x
n
, y
n
)) (2.31)
En denitiva, podemos escribir
y
n+1
= y
n
+h(x
n
, y
n
, h; f) (2.32)
con Primera formula de
Runge
(x, y, h; f) = f(x + (h/2), y + (h/2)f(x, y)) (2.33)
En que consiste esta primera formula de Runge en forma graca?
En la gura 3 representamos el efecto de aplicar la primera formula de Runge
en el paso de x
n
a x
n+1
.
Notemos que para el metodo de Euler se puede denir en forma analoga (x, y, h; f) =
f(x, y).
Ejercicio 2.2.5. Es posible expresar en esta notacion el metodo de retroEu-
ler?
T
E
0
y
x
x
n
x
n+1
Runge 1
0
Euler r
r
u
n
(x
n+1
) r
Figura 3. Primer metodo de Runge
Para estudiar la estabilidad aplicamos la formula a la ecuacion y
= y. Se
tiene y
n+1
= y
n
+h(y
n
+(h/2)y
n
) = y
n
(1 +h +
1
2
h
2
2
) razon por la cual debe
tenerse que [1 +h +
1
2
h
2
2
[ 1. Estabilidad de la
primera formula de
Runge
Este primer metodo de Runge es generalizacion del de Euler. Aunque existen
otras posibles generalizaciones, por ejemplo utilizando series de potencias, el pro-
blema es que hay que derivar la funcion f. La idea de Runge fue dar formulas que
se originan en tomar combinaciones de valores de f(x, y) en puntos adecuadamente
elegidos para obtener, sin derivaciones, expresiones cuyos desarrollos coincidan en
sus primeros terminos con la serie de potencias desarrollada en el entorno del punto.
Esas formulas fueron mejoradas por Heun y por Kutta.
Llamaremos metodo de Runge-Kutta (RK) a
y
n+1
= y
n
+h(x
n
, y
n
, h; f), n 0 (RK) (2.34)
y en lo que sigue determinaremos diversas elecciones para . Es natural esperar
que (x, y(x), h; f) y
(x) = f(x, y(x)) si h es peque no. El error de truncamiento

local es en este metodo
n+1
(y) = y(x
n+1
) y(x
n
) h(x
n
, y(x
n
), h; f), n 0 (2.35)
Ilustremos la deduccion de distintas en el caso de segundo orden de aproxima-
cion. La propuesta es
(x, y, h; f) =
1
f(x, y) +
2
f(x +h, y +hf(x, y)) (2.36)
donde deben determinarse las constantes
1
,
2
, , y . Para ello desarrollemos el
error de truncamiento local en este metodo
n+1
(y) = Y (x
n+1
) Y (x
n
) h(x
n
, Y (x
n
), h; f), n 0 (2.37)
en potencias de h
n+1
(y) = hY
n
+
h
2
2
Y
n
+
h
3
6
Y
n
+O(h
4
) h(x
n
, Y
n
, h; f) (2.38)
2.2. M

donde (la notacion f
x
signica f/x y analogamente para las derivadas parciales
de orden superior)
y
= f (2.39)
y
= f
x
+f
y
y
= f
x
+f
y
f (2.40)
y
= f
xx
+f
xy
f + (f
yx
+f
yy
f)f +f
y
(f
x
+f
y
f) (2.41)
= f
xx
+ 2f
xy
f +f
yy
f
2
+f
y
f
x
+f
2
y
f (2.42)
y
(x, y, h; f) =
1
f(x, y) +
2
(f(x, y) +h(f
x
+ff
y
)
+h
2
(
1
2
2
f
xx
+f
xy
f +
1
2
2
f
yy
f
2
)) +O(h
3
) (2.43)
Sustituyendo y agrupando terminos en potencias de h se obtiene
n+1
= h(1
1

2
)f +h
2
((
1
2

2
)f
x
+ (
1
2

2
)ff
y
)
+h
3
((
1
6

1
2
2
)f
xx
+ (
1
3

2
)ff
xy
+ (
1
6

1
2
2
)f
2
f
yy
+
1
6
f
y
f
x
+
1
6
f
2
y
f) +O(h
3
) (2.44)
todo evaluado en (x
n
, Y
n
). Deseamos que
n+1
(y) converja a cero tan rapido como
se pueda. Aceptando f arbitrarias no podremos, en general, anular el coeciente
de h
3
(porque?). Anulando los de h y h
2
obtenemos
n+1
(y) = O(h
3
),
1
+
2
= 1,
2
=
1
2
,
2
=
1
2
(2.45)
cuya solucion general es
2
arbitrario (2.46)
1
= 1
2
(2.47)
= =
1
2
2
(2.48)
Consideremos algunos casos particulares
(a)
2
= 1, lo que implica
1
= 0, = =
1
2
(x, y, h; f) = f(x +
h
2
, y +
h
2
f(x, y)) (2.49)
(b)
2
=
1
2
, lo que implica
1
=
1
2
, = = 1
(x, y, h; f) =
1
2
f(x, y) +
1
2
f(x +h, y +hf(x, y)) (2.50)
Notemos que si denimos
k
1
= hf(x, y) (2.51)
k
2
= hf(x +h, y +k
1
) (2.52)
se tiene Segunda formula de
Runge
h =
1
2
(k
1
+k
2
) (2.53)
Runge noto que este metodo puede mejorarse deniendo
k
3
= hf(x +h, y +k
2
) (2.54)
T
E
0
y
x
x
n
x
n+1
d
d
Runge 2
a
Euler
r
r
u
n
(x
n+1
) r
Figura 4. Segunda formula de Runge
y tomando
h =
1
2
(k
1
+k
3
) (2.55)
que es la segunda formula de Runge (ver gura 4).
(c) (primer orden)
1
= 1, lo que implica
2
= 0, se obtiene en consecuencia
(x, y, h; f) = f(x, y) (Euler) (2.56)
Las formulas de mayor orden involucran un algebra mas complicada, para ello
se suele proponer
h(x, y, h; f) =
p
i=1
i
k
i
(2.57)
con
k
1
= hf(x, y) (2.58)
k
2
= hf(x +
2
h, y +
21
k
1
) (2.59)
.
.
.
k
i
= hf(x +
i
h, y +
i1
j=1
ij
k
j
) i = 1, . . . , p (2.60)
Los coecientes se pueden escoger de modo que los primeros terminos en el error
de truncamiento local sean nulos. En consecuencia, por un procedimiento analogo
al realizado en el caso de segundo orden se obtienen diversos metodos de orden
superior de los que el mas utilizado es el llamado Metodo de Runge-Kutta Metodo clasico de
Runge-Kutta
y
n+1
= y
n
+
1
6
(k
1
+ 2k
2
+ 2k
3
+k
4
) (2.61)
2.2. M

con
k
1
= hf(x
n
, y
n
) (2.62)
k
2
= hf(x
n
+
h
2
, y
n
+
k
1
2
) (2.63)
k
3
= hf(x
n
+
h
2
, y
n
+
k
2
2
) (2.64)
k
4
= hf(x
n
+h, y
n
+k
3
) (2.65)
T
E
0
y
x
x
n
x
n+1
RK
Euler
r
r
u
n
(x
n+1
)
r
Figura 5. El metodo de Runge-Kutta
Se puede demostrar que esta es una formula de cuarto orden:
n+1
= O(h
5
). El metodo clasico de
Runge-Kutta generaliza
el metodo de Simpson Observaci on 2.2.1. El metodo RK clasico es una generalizacion de la regla
de Simpson en el caso que f no sea independiente de y
_
xn+1
xn
f(x)dx
h
6
(f(x
n
) + 4f(x
n
+
h
2
+f(x
n+1
)) (2.66)
Ejemplo 2.2.6. Apliquemos el metodo clasico de RK a la ecuacion de prueba
y
= y
k
1
= hy
n
(2.67)
k
2
= h(y
n
+
1
2
hy
n
) (2.68)
= hy
n
+
1
2
h
2
2
y
n
(2.69)
k
3
= h(y
n
+
1
2
(hy
n
+
1
2
h
2
2
y
n
)) (2.70)
= hy
n
+
1
2
h
2
2
y
n
+
1
4
h
3
3
y
n
(2.71)
k
4
= h(y
n
+hy
n
+
1
2
h
2
2
y
n
+ 1
1
4
h
3
3
y
n
) (2.72)
= hy
n
+h
2
2
y
n
+
1
2
h
3
3
y
n
+
1
4
h
4
4
y
n
) (2.73)
de manera que
y
n
+
1
6
(k
1
+ 2k
2
+ 2k
3
+k
4
) = y
n
+
1
6
(6hy
n
+ 3h
2
2
y
n
+h
3
3
y
n
+
1
4
h
4
4
y
n
) (2.74)
lo que permite escribir en denitiva
y
n+1
= y
n
(1 +h +
1
2
h
2
2
+
1
6
h
3
3
+
1
24
h
4
4
) (2.75)
vemos as que se aproxima a e
h
hasta el cuarto orden.
Ejercicio 2.2.7. [Optativo] Con la expresion 2.75 se puede dibujar la region
de estabilidad absoluta.
Para estudiar la convergencia del esquema general RK
y
n+1
= y
n
+h(x
n
, y
n
, h; f), n 0 (2.76)
recordemos que el error local es
n+1
(Y ) = Y (x
n+1
) Y (x
n
) h(x
n
, Y (x
n
), h; f), n 0 (2.77)
conviene denir
n+1
(Y ) por la expresion
n+1
(y) = h
n+1
(Y ) (2.78)
y con esta se tiene
Y (x
n+1
) = Y (x
n
) +h(x
n
, Y (x
n
), h; f) +h
n+1
(Y ), n 0 (2.79)
con lo que resulta
n+1
(Y ) =
Y (x
n+1
) Y (x
n
)
h
(x
n
, Y (x
n
), h; f) (2.80)
de modo que debe tenerse
n+1
(Y ) 0 cuando h 0, equivalentemente debe
requerirse que (x, Y (x), h; f) Y
(x) = f(x, Y (x)) cuando h 0.

Deniendo
(h) = max
x
0
xb
<y<
[f(x, y) (x, y, h; f)[ (2.81)
se tiene que lim
h0
(h) = 0 se denomina condicion de consistencia para el metodo
2.76 y es suciente para asegurar la convergencia si se tienen ciertas hipotesis para
, a saber: continua y
[(x, y, h; f) (x, y, h; f)[ L[y y[, x
0
x b, < y, y < (2.82)
(funcion de Lipschitz en la variable y)
Teorema 2.2.2. Supongamos que el metodo 2.76 dado por
y
n+1
= y
n
+h(x
n
, y
n
, h; f) (2.83)
satisface la condicion [(x, y, h; f) (x, y, h; f)[ L[y y[ con x
0
x b <
y, y < , L constante. Entonces la solucion aproximada y
n
del problema de
valores iniciales y
= f(x, y), y(x

0
) = y
0
satisface
max
x0xnb
[Y (x
n
) y
n
[ e
(bx0)L
[Y
0
y
0
[ +
e
(bx0)L
1
L
(h) (2.84)
2.2. M

donde (h) = max
x0xnb
[
n+1
(Y )[. Si se satisface la condicion de consistencia
(h) = max
x
0
xb
<y<
[f(x, y) (x, y, h; f)[ 0 para h 0 (2.85)
entonces la solucion numerica y
n
converge a Y (x)
Demostraci on: Restamos (2.79)(2.76)
Y (x
n+1
) y
n+1
= Y (x
n
) y
n
+h((x
n
, Y (x
n
), h; f)
(x
n
, y
n
, h; f)) +h
n+1
(Y ) (2.86)
Luego
[Y (x
n+1
) y
n+1
[ [Y (x
n
) y
n
[ +h[(x
n
, Y (x
n
), h; f) (x
n
, y
n
, h; f)[
+h[
n+1
(Y )[
[Y (x
n
) y
n
[(1 +hL) +h(h), x
0
x
n
b (2.87)
Recursivamente se tiene
[Y (x
n+1
) y
n+1
[ (1 +hL)
n
[Y (x
0
) y
0
[ + (1 + (1 +hL)
+. . . + (1 +hL)
n1
)h(h)
(1 +hL)
n
[Y (x
0
) y
0
[ +
(1 +hL)
n
1
L
(h) (2.88)
pero (1+hL)
n
e
nhL
= e
(xnx0)L
e
(bx0)L
pues e
x
= 1+x+
x
2
2
e
con 0 x
y x > 1 (1 +x)
m
e
mx
.
Luego
[Y (x
n
) y
n
[ e
(bx0)L
[Y (x
0
) y
0
[ +
e
(bx0)L
1
L
(h), x
0
x
n
b (2.89)
En muchos casos se puede demostrar que (h) 0 cuando h 0 por calculo
directo obteniendose as la convergencia buscada. Veamos que basta saber que
lim
h0
(h) = 0,
h
n+1
(Y ) = Y (x
n+1
) Y (x
n
) h(x
n
, Y (x
n
), h; f)
= hY
(n) +
1
2
h
2
Y
(
n
) h(x
n
, Y (x
n
), h; f),
con x
n
<
n
< x
n+1
(2.90)
resulta as
h[
n+1
(Y )[ h(h) +
h
2
2
[[Y
[[
(2.91)
obteniendose en denitiva
(h) (h) +
1
2
h[[Y
[[
(2.92)
lo que completa la demostracion.
Corolario 2.2.3. Si el metodo RK dado por y
n+1
= y
n
+h(x
n
, y
n
, h; f) tiene
un error de truncamiento
n+1
(y) = O(h
m+1
) entonces la velocidad de convergencia
de y
n
a y(x) es O(h
m
).
Teorema 2.2.4. Si (x, y, h; f) es continua en (x, y, h) en x
0
x b, 0 h
h
0
, para todo y y es Lipschitz en y, entonces la convergencia es equivalente a tener
(x, Y (x), 0; f) = f(x, Y (x))
o, equivalentemente
(x, y, 0; f) = f(x, y)
Ejercicio 2.2.8. Demostrar el teorema 2.2.4
La velocidad de convergencia de y
h
(x) a Y (x) es O(h
4
) en el metodo clasico
RK pues
n+1
(y) = O(h
5
). Se puede demostrar, en consecuencia, que
Y (x) y
h
(x) = D(x)h
4
+O(h
5
) (2.93)
donde D(x) satisface un problema analogo de valores iniciales. Asimismo, como
Y (x) y
2h
(x) = 16D(x)h
4
+O(h
5
) (2.94)
se deduce que
Y (x) = y
h
(x) +
1
15
(y
h
(x) y
2h
(x)) +O(h
5
) (2.95)
donde el termino y
h
(x) y
2h
(x) permite estimar el error.
En general vale el siguiente
Teorema 2.2.5. Si el error de truncamiento
n+1
(Y ) = h(x, Y (x), h; f) (Y (x +h) Y (x)) (2.96)
se puede expresar
n+1
(Y ) = h
r+1
(x, Y ) +O(h
r+2
) (2.97)
y tiene derivadas segundas continuas, entonces el error satisface
e
n
= h
r
D(x
n
) +O(h
r+1
) (2.98)
donde D(x) es solucion de
D
(x) =
f
y
(x, Y (x))D(x) +(x, Y (x)) (2.99)
Demostraci on: Por el orden del metodo buscamos para e
n
una expresion de la
forma del enunciado. Si reemplazamos la expresion e
n
= h
r
n
en
e
n+1
= e
n
+h((x
n
, y
n
, h; f) (x
n
, Y (x
n
), h; f)) +
n+1
(Y ) (2.100)
obtenemos
n+1
=
n
+h
1r
((x
n
, Y (x
n
) +h
r
n
, h; f) (x
n
, Y (x
n
), h; f))
+h(x
n
, Y (x
n
)) +O(h
2
) (2.101)
Por la suavidad supuesta para podemos escribir
(x
n
, Y (x
n
) +h
r
n
, h; f) = (x
n
, Y (x
n
), h; f) +
y
(x
n
, Y (x
n
), h; f)h
r
n
+
1
2
yy
(x
n
, Y (x
n
), h; f)h
2r
2
n
(2.102)
2.3. EJERCICIOS 33
en razon de la convergencia este ultimo sumando se puede escribir en la forma k
1
h
2r
con [[k
1
[[ acotada. El segundo sumando se puede reescribir as
y
(x
n
, Y (x
n
), h; f)h
r
n
=
y
(x
n
, Y (x
n
), 0; f)h
r
n
+
yh
(x
n
, Y (x
n
), ; f)h
r+1
n
(2.103)
cuyo ultimo sumando se puede escribir en la forma k
2
h
r+1
con [[k
2
[[ acotada.
En denitiva
n+1
=
n
+h(f
y
(x
n
, Y (x
n
))
n
+h(x
n
, Y (x
n
) +hk
2
+h
r
k
1
) (2.104)
que es un metodo numerico para
D
(x) = f
y
(x, Y (x))D(x) +(x, Y (x)) (2.105)
D(0) +e
0
h
r
(2.106)
lo que permite completar la demostracion del teorema.
2.3. Ejercicios
Ejercicio 2.3.1. Dada y
= 1 + x
2
y
2
, con y(0) = 0, calcular y(0.5) mediante
el metodo de Euler con extrapolacion de repetida de Richardson. Usar aritmetica
de redondeo de cinco decimales.
Ejercicio 2.3.2. Aplicando el metodo de Euler, se obtuvieron los resultados:
1.22726 (con paso h = 0.05), 1.22595 (h = 0.1), 1.22345 (h = 0.2). Calcule un
mejor valor por extrapolacion.
Ejercicio 2.3.3. Utilizar el metodo de Euler con longitud de paso h sobre el
problema test
y
= y, y(0) = 1 (2.107)
(a) Determinar una expresion explcita para y
n
(b) Para que valores de h la sucesion y
n
0
es acotada?
(c) Calcular el lim
h0
(y(x, h) e
x
)/h
Ejercicio 2.3.4. Determinar el desarrollo de Taylor para la solucion de la
ecuacion y
= y
2
, con y(0) = 1, en el entorno de x = 0. Usar esta aproximacion
para calcular y(0.2) e y(1.2) con cuatro decimales. Comparar con la solucion exacta
y explicar porque el segundo caso (x = 1.2) no es exitoso.
Ejercicio 2.3.5. La funcion y(x) se dene mediante el problema
y
= x
2
y
2
, y(0) = 1 (2.108)
Calcular y(0.2) utilizando los siguientes metodos:
(a) Euler-Richardson: h = 0.1 y h = 0.2;
(b) Metodo Runge-Kutta: h = 0.1;
(c) Desarrollo en serie de Taylor hasta el cuarto termino;
(d) Metodo del trapecio: h = 0.2.
Ejercicio 2.3.6. [Optativo]Se desea realizar una tabla de la funcion
y(x) =
_

0
e
u
2
(u +x)
du (2.109)
para varios valores de x. Se procede de la siguiente manera: y(x) se calcula para
x = 1 usando alg un metodo para integracion numerica; se calcula y(1) = 0.6051.
Mostrar que y satisface la ecuacion diferencial
dy
dx
+ 2xy =
1
x
+
(2.110)
Se resuelve la ecuacion diferencial numericamente con el valor inicial y(1) = 0.6051,
y as se pueden calcular mas valores de la tabla. Determinar y(x) para x = 1.2 y
x = 1.4 mediante el metodo de Runge-Kutta y estimar el error en y(1.4).
AP
ENDICE A
Bibliografa y referencias
A.1. Textos basicos
(1) Atkinson, K.E.: An Introduction to Numerical Analysis, 2
nd
edition, J.
Wiley & Sons., New York, 1989.
(2) Burden, R.L. y Faires, J.D.: Analisis Numerico, 2
da
edicion, Grupo
Editorial Iberoamerica, Mexico, 1993.
(3) Dahlquist, G., and Bjrck, A.: Numerical Methods, Prentice-Hall, E.
Clis, NJ, 1974.
A.2. Bibliografa complementaria
(1) Aguilera, N.E.: Introduccion a la computacion en Matematica usando
Mathematica, Red Olmpica, OMA, Buenos Aires, 1994.
(2) Apostol, T.M.: Analisis Matematico, 2
da
edicion, Reverte, Barcelona,
1976.
(3) Braun, M.: Dierential Equations and Their Applications. An Intro-
duction to Applied Mathematics, 4
th
edition, Springer, N.York, 1993.
(4) Davis, Ph.J. y Rabinowitz, Ph.: Methods of Numerical Integration,
2
nd
edition, Academic Press, N.York, 1984.
(5) Gear, C.W.: Numerical Initial Value Problems in Ordinary Dierential
Equations, Prentice-Hall, E. Clis, 1971
(6) Golub, G.H. (Editor): Studies in Numerical Analysis, MAA Studies in
Mathematics 24, Washington, 1984.
(7) Graham, R.L., Knuth, D.E., and Patashnik, O.: Concrete Mathe-
matics, Addison-Wesley, Reading, MA, 1989.
(8) Hurewicz, W.: Lectures on Ordinary Dierential Equations, The M.I.T.
Press, Cambridge, MA, 1958.
(9) Knuth, D.E.: The Art of Computer Programming
Vol.1: Fundamental Algorithms
Vol.2: Seminumerical algorithms
Vol.3: Sorting and searching ,
Addison-Wesley, Reading, 1973.
Version espa nola: V.1, Reverte, Barcelona, 1980.
(10) Linz, P.: A Critique of Numerical Analysis, Bulletin American Mathe-
matical Society, 19(2), 407416, 1988
(11) Maeder, R.: Programming in Mathematica, 2
nd
edition, Addison-Wesley,
1991.
(12) Marshall, G.: Solucion Numerica de Ecuaciones Diferenciales, Tomos
1 y 2, Reverte, Buenos Aires, 1985 y 1986
35
36 A. BIBLIOGRAF
IA Y REFERENCIAS
(13) Press, W.H., Teukolsky, S.A., Vetterlin, W.T., y Flannery,
B.P.: Numerical Recipes in C. The Art of Scientic Computing, 2
nd
edi-
tion, Cambridge University Press, Cambridge, 1992.
(14) Rice, J.R.: Numerical Methods, Software, and Analysis, 2
nd
edition,
Academic Press, Boston, 1993.
(15) Stoer, J. y Bulirsch, R.: Introduction to Numerical Analysis, Sprin-
ger, N.York, 1980.
(16) Strang, G.: Introduction to Applied Mathematics, Wellesley-Cambridge,
Wellesley, 1986
(17) Wolfram Research: Guide to Standard Mathematica Packages, Ver-
sion 2.2, Technical Report, Wolfram Research, 1993.
(18) Wolfram Research: MathLink Reference Guide, Version 2.2, Technical
Report, Wolfram Research, 1993.
(19) Wolfram, S.: The Mathematica Book, 3
rd
edition, Wolfram Media-
Cambridge, Cambridge, UK, 1996.
AP
ENDICE B
Coecientes indeterminados con el Mathematica
B.1. El metodo de Simpson
(* Simpson *)
a0=a;(* Defino los puntos *)
a1=a/2+b/2;
a2=b;(*a=-1;b=1;*)
p1[x_]:=(2x-a-b)/(b-a);
p2[x_]:=((2x-a-b)/(b-a))^2;
p3[x_]:=((2x-a-b)/(b-a))^3;
p4[x_]:=((2x-a-b)/(b-a))^4;
(* Integraci\on num\erica *) s0=A p0[a0] + B p0[a1] + C p0[a2]
//Simplify s1=A p1[a0] + B p1[a1] + C p1[a2] //Simplify; s2=A
p2[a0] + B p2[a1] + C p2[a2] //Simplify; A + B + C
(* Integro los polinomios *)
i0=Integrate[p0[x],{x,a,b}]//Simplify
-a + b
(* Resuelvo el sistema *)
Solve[{s0==i0,s1==i1,s2==i2},{A,B,C}]//Simplify
2 (-a + b) -a + b -a + b
{{B -> ----------, A -> ------, C -> ------}}
3 6 6
(* Verifico que vale para polinomios de tercer grado *)
(s3=A p3[a0] + B p3[a1] + C p3[a2])/.%15 //Simplify
{0} i3=Integrate[p3[x],{x,a,b}]//Simplify 0 (* Resulta as\{\i}
que la siguiente
ecuaci\on ( s3 == i3 ) vale trivialmente *)
(* Calculo del error con el polinomio de cuarto grado *)
(s4=A p4[a0] + B p4[a1] + C p4[a2])/.%15 //Simplify
-a + b
{------}
3
-a + b
------
5
e4=(%20 - %19)//Simplify
2 (a - b)
37
38 B. COEFICIENTES INDETERMINADOS CON EL Mathematica
{---------}
15
(* Calculo del polinomio de Taylor *)
Series[ f[x], {x, (a+b)/2, 4}]
a + b -(a + b) 2
f[-----] (-------- + x)
a + b a + b -(a + b) 2 2
f[-----] + f[-----] (-------- + x) + -------------------------- +
2 2 2 2
(3) a + b -(a + b) 3 (4) a + b -(a + b) 4
f [-----] (-------- + x) f [-----] (-------- + x)
2 2 2 2
--------------------------- + --------------------------- +
6 24
-(a + b) 5
O[-------- + x]
2
(* Resulta asi que el error de truncamiento es
5 (4) a + b
( b - a ) f [-----]
2
------------------------
2880 *)
B.2. El metodo de Newton
(* Newton de once puntos *)
a0=a; (* Defino los puntos *)
a1=9a/10+b/10;
a2=8a/10+2b/10;
a3=7a/10+3b/10;
a4=6a/10+4b/10;
a5=5a/10+5b/10;
a6=4a/10+6b/10;
a7=3a/10+7b/10;
a8=2a/10+8b/10;
a9=a/10+9b/10;
a10=b;
p1[x_]:=(2x-a-b)/(b-a);
p2[x_]:=((2x-a-b)/(b-a))^2;
p3[x_]:=((2x-a-b)/(b-a))^3;
p4[x_]:=((2x-a-b)/(b-a))^4;
p5[x_]:=((2x-a-b)/(b-a))^5;
p6[x_]:=((2x-a-b)/(b-a))^6;
p7[x_]:=((2x-a-b)/(b-a))^7;
p8[x_]:=((2x-a-b)/(b-a))^8;
p9[x_]:=((2x-a-b)/(b-a))^9;
p10[x_]:=((2x-a-b)/(b-a))^10;
p11[x_]:=((2x-a-b)/(b-a))^11;
p12[x_]:=((2x-a-b)/(b-a))^12;
B.2. EL M
ETODO DE NEWTON 39
(* Integraci\on num\erica *) s0=A0 p0[a0] + A1 p0[a1] + A2
p0[a2] + A3 p0[a3]+
A4 p0[a4] + A5 p0[a5] + A6 p0[a6] + A7 p0[a7]+
A8 p0[a8] + A9 p0[a9] + A10 p0[a10]//Simplify;
s1=A0 p1[a0] + A1 p1[a1] + A2 p1[a2] + A3 p1[a3]+
A4 p1[a4] + A5 p1[a5] + A6 p1[a6] + A7 p1[a7]+
s2=A0 p2[a0] + A1 p2[a1] + A2 p2[a2] + A3 p2[a3]+
A4 p2[a4] + A5 p2[a5] + A6 p2[a6] + A7 p2[a7]+
s3=A0 p3[a0] + A1 p3[a1] + A2 p3[a2] + A3 p3[a3]+
A4 p3[a4] + A5 p3[a5] + A6 p3[a6] + A7 p3[a7]+
s4=A0 p4[a0] + A1 p4[a1] + A2 p4[a2] + A3 p4[a3]+
A4 p4[a4] + A5 p4[a5] + A6 p4[a6] + A7 p4[a7]+
s5=A0 p5[a0] + A1 p5[a1] + A2 p5[a2] + A3 p5[a3]+
A4 p5[a4] + A5 p5[a5] + A6 p5[a6] + A7 p5[a7]+
s6=A0 p6[a0] + A1 p6[a1] + A2 p6[a2] + A3 p6[a3]+
A4 p6[a4] + A5 p6[a5] + A6 p6[a6] + A7 p6[a7]+
s7=A0 p7[a0] + A1 p7[a1] + A2 p7[a2] + A3 p7[a3]+
A4 p7[a4] + A5 p7[a5] + A6 p7[a6] + A7 p7[a7]+
s8=A0 p8[a0] + A1 p8[a1] + A2 p8[a2] + A3 p8[a3]+
A4 p8[a4] + A5 p8[a5] + A6 p8[a6] + A7 p8[a7]+
s9=A0 p9[a0] + A1 p9[a1] + A2 p9[a2] + A3 p9[a3]+
A4 p9[a4] + A5 p9[a5] + A6 p9[a6] + A7 p9[a7]+
s10=A0 p10[a0] + A1 p10[a1] + A2 p10[a2] + A3 p10[a3]+
A4 p10[a4] + A5 p10[a5] + A6 p10[a6] + A7 p10[a7]+
(* Integro los polinomios *)
-a + b
(* Resuelvo el sistema *)
Solve[{s0==i0,s1==i1,s2==i2
,s3==i3,s4==i4
,s5==i5,s6==i6
,s7==i7,s8==i8
,s9==i9,s10==i10}
,{A0,A1,A2,A3,A4,A5,A6,A7,A8,A9,A10}]//Simplify
17807 (-a + b) -16067 (a - b)
{{A5 -> --------------, A0 -> --------------,
24948 598752
-26575 (a - b) 16175 (a - b)
A1 -> --------------, A2 -> -------------,
149688 199584
-5675 (a - b) 4825 (a - b)
A3 -> -------------, A4 -> ------------,
12474 11088
4825 (a - b) -5675 (a - b)
A6 -> ------------, A7 -> -------------,
11088 12474
16175 (a - b) -26575 (a - b)
A8 -> -------------, A9 -> --------------,
199584 149688
-16067 (a - b)
A10 -> --------------}}
598752
(* Verifico que los pesos suman uno *)
598752/24948
24
598752/149688
4
598752/199584
3
598752/12474
48
598752/11088
54
2 16067 + 2 26575 4 - 2 16175 3 + 2 5675 48 - 2 4825 54 + 17807 24
598752
B.3. El metodo de cuadratura de Gau de tres puntos
(* Gauss de tres puntos *)
a=-1; (* Se trabaja en el [-1,1] *)
b=1;
p0[x_]:=1; (* Definici\on de los polinomios *)
p1[x_]:=(2x-a-b)/(b-a); p2[x_]:=((2x-a-b)/(b-a))^2;
p3[x_]:=((2x-a-b)/(b-a))^3; p4[x_]:=((2x-a-b)/(b-a))^4;
p5[x_]:=((2x-a-b)/(b-a))^5; p6[x_]:=((2x-a-b)/(b-a))^6;
p7[x_]:=((2x-a-b)/(b-a))^7;
(* Las expresiones de Gauss *)
s0=A p0[X] + B p0[Y] + C p0[Z] //Simplify
s1=A p1[X] + B p1[Y] + C p1[Z] //Simplify;
A + B + C
(* Las integrales *)
B.4. LOS COEFICIENTES DE LA CUADRATURA DE GAUSS DE CINCO PUNTOS 41
2
(* El sistema de ecuaciones no lineal *)
Solve[{s0==i0,
s1==i1,
s2==i2,
s3==i3,
s4==i4,
s5==i5},{A,B,C,X,Y,Z}]//Simplify
5 5 8 3 3
{{A -> -, B -> -, C -> -, Z -> 0, Y -> -Sqrt[-], X -> Sqrt[-]},
9 9 9 5 5
5 5 8 3 3
{A -> -, B -> -, C -> -, Z -> 0, Y -> Sqrt[-], X -> -Sqrt[-]},
9 9 9 5 5
5 8 5 3 3
{A -> -, B -> -, C -> -, Z -> -Sqrt[-], Y -> 0, X -> Sqrt[-]},
9 9 9 5 5
5 8 5 3 3
{A -> -, B -> -, C -> -, Z -> Sqrt[-], Y -> 0, X -> -Sqrt[-]},
9 9 9 5 5
8 5 5 3 3
{A -> -, B -> -, C -> -, Z -> -Sqrt[-], Y -> Sqrt[-], X -> 0},
9 9 9 5 5
8 5 5 3 3
{A -> -, B -> -, C -> -, Z -> Sqrt[-], Y -> -Sqrt[-], X -> 0}}
9 9 9 5 5
%//N (* La versi\on num\erica *)
{{A -> 0.555556, B -> 0.555556, C -> 0.888889, Z -> 0, Y -> -0.774597,
X -> 0.774597}, {A -> 0.555556, B -> 0.555556, C -> 0.888889, Z -> 0,
Y -> 0.774597, X -> -0.774597},
{A -> 0.555556, B -> 0.888889, C -> 0.555556, Z -> -0.774597, Y -> 0,
X -> 0.774597}, {A -> 0.555556, B -> 0.888889, C -> 0.555556, Z -> 0.774597,
Y -> 0, X -> -0.774597}, {A -> 0.888889, B -> 0.555556, C -> 0.555556,
Z -> -0.774597, Y -> 0.774597, X -> 0},
{A -> 0.888889, B -> 0.555556, C -> 0.555556, Z -> 0.774597, Y -> -0.774597,
X -> 0}}
B.4. Los coecientes de la cuadratura de Gau de cinco puntos
(* Cuadratura de Gauss de cinco puntos *)
(* Determino las coordenadas de los puntos *)
Roots[LegendreP[5,x]==0,x]
N[%,30]
(* Defino las variables que representan los puntos *)
a0=x/.x->%%[[5]][[2]]
a1=x/.x->%%%[[3]][[2]]
a2=x/.x->%%%%[[1]][[2]]
a3=x/.x->%%%%%[[2]][[2]]
a4=x/.x->%%%%%%[[4]][[2]]
10 10
Sqrt[5 - 2 Sqrt[--]] -Sqrt[5 - 2 Sqrt[--]]
7 7
x == 0 || x == -------------------- || x == --------------------- ||
3 3
10 10
Sqrt[5 + 2 Sqrt[--]] -Sqrt[5 + 2 Sqrt[--]]
7 7
x == -------------------- || x == ---------------------
3 3
x == 0 ||
x == 0.5384693101056830910363144207 ||
x == -0.5384693101056830910363144207 ||
x == 0.906179845938663992797626878299 ||
x == -0.906179845938663992797626878299
-0.906179845938663992797626878299
-0.5384693101056830910363144207
0
0.5384693101056830910363144207
0.906179845938663992797626878299
(* Fijo los extremos del intervalo *)
a=-1;
b=1;
(* Defino los polinomios *)
p0[x_]:=1;
p1[x_]:=(2x-a-b)/(b-a);
p2[x_]:=((2x-a-b)/(b-a))^2;
p3[x_]:=((2x-a-b)/(b-a))^3;
p4[x_]:=((2x-a-b)/(b-a))^4;
p5[x_]:=((2x-a-b)/(b-a))^5;
p6[x_]:=((2x-a-b)/(b-a))^6;
p7[x_]:=((2x-a-b)/(b-a))^7;
p8[x_]:=((2x-a-b)/(b-a))^8;
p9[x_]:=((2x-a-b)/(b-a))^9;
p10[x_]:=((2x-a-b)/(b-a))^10;
p11[x_]:=((2x-a-b)/(b-a))^11;
p12[x_]:=((2x-a-b)/(b-a))^12;
(* Defino las expresiones para los pesos A0,A1,A2,A3,A4 *)
s0=A0 p0[a0]+A1 p0[a1]+A2 p0[a2]+A3 p0[a3]+A4 p0[a4]//Simplify
s1=A0 p1[a0]+A1 p1[a1]+A2 p1[a2]+A3 p1[a3]+A4 p1[a4]//Simplify
s2=A0 p2[a0]+A1 p2[a1]+A2 p2[a2]+A3 p2[a3]+A4 p2[a4]//Simplify;
s10=A0 p10[a0]+A1 p10[a1]+A2 p10[a2]+
A3 p10[a3]+A4 p10[a4]//Simplify;
s11=A0 p11[a0]+A1 p11[a1]+A2 p11[a2]+
A0 + A1 + A2 + A3 + A4
-0.906179845938663992797626878299 A0
- 0.5384693101056830910363144207 A1
+ 0.5384693101056830910363144207 A3
+ 0.906179845938663992797626878299 A4
(* Calculo las integrales *)
2
(* Resoluci\on del sistema de ecuaciones *) Solve[{s0==i0
,s1==i1
,s2==i2
,s3==i3
,s4==i4},{A0,A1,A2,A3,A4}]//Simplify
{{A2 -> 0.56888888888888888888888889
, A0 -> 0.236926885056189087514264041
, A1 -> 0.478628670499366468041291515
, A3 -> 0.478628670499366468041291515
, A4 -> 0.2369268850561890875142640407}}
(* Calculo de los residuos para los siguientes polinomios *)
s5 - i5 /. %56
-16
{-2.22045 10 }
s6 - i6 /. %56
-16
{4.16334 10 }
s7 - i7 /. %56
-16
{-1.66533 10 }
s8 - i8 /. %56
-16
{3.46945 10 }
s9 - i9 /. %56
-16
{-1.38778 10 }
s10 - i10 /. %56
{-0.00293181}
s11 - i11 /. %56
-16
{-1.249 10 }
s12=A0 p12[a0]+A1 p12[a1]+A2 p12[a2]+
s12 - i12 /. %56
{0.145853}
En algunos casos se trabaja con mayor precision
(* Cuadratura de Gauss de cinco puntos (operaciones exactas) *)
(* Determino las coordenadas de los puntos *)
Roots[LegendreP[5,x]==0,x]
N[%,50]
(* Defino las variables que representan los puntos *)
a0=x/.x->%%%[[5]][[2]]
a1=x/.x->%%%%[[3]][[2]]
a2=x/.x->%%%%%[[1]][[2]]
a3=x/.x->%%%%%%[[2]][[2]]
a4=x/.x->%%%%%%%[[4]][[2]]
10 10
Sqrt[5 - 2 Sqrt[--]] -Sqrt[5 - 2 Sqrt[--]]
7 7
x == 0 || x == -------------------- || x == --------------------- ||
3 3
10 10
Sqrt[5 + 2 Sqrt[--]] -Sqrt[5 + 2 Sqrt[--]]
7 7
x == -------------------- || x == ---------------------
3 3
x == 0 ||
x == 0.53846931010568309103631442070020880496728660690556 ||
x == -0.53846931010568309103631442070020880496728660690556 ||
x == 0.90617984593866399279762687829939296512565191076253 ||
x == -0.90617984593866399279762687829939296512565191076253
10
-Sqrt[5 + 2 Sqrt[--]]
7
---------------------
3
10
-Sqrt[5 - 2 Sqrt[--]]
7
---------------------
3
0
10
Sqrt[5 - 2 Sqrt[--]]
7
--------------------
3
10
Sqrt[5 + 2 Sqrt[--]]
7
--------------------
3
.
.
.
(* Resoluci\on del sistema de ecuaciones *) Solve[{s0==i0
,s1==i1
,s2==i2
,s3==i3
,s4==i4},{A0,A1,A2,A3,A4}]//Simplify;
N[%,50]
{{A2 -> 0.56888888888888888888888888888888888888888888888889,
A0 -> 0.23692688505618908751426404071991736264326000221241,
A1 -> 0.47862867049936646804129151483563819291229555334314,
A3 -> 0.4786286704993664680412915148356381929122955533431,
A4 -> 0.23692688505618908751426404071991736264326000221241}}
s5 - i5 /. %61;
N[%,35]
-43
{0. 10 }
s6 - i6 /. %61;
N[%,35]
-42
{0. 10 }
s7 - i7 /. %61;
N[%,35]
-43
{0. 10 }
s8 - i8 /. %61;
N[%,35]
-43
{0. 10 }
s9 - i9 /. %61;
N[%,35]
-43
{0. 10 }
s10 - i10 /. %61;
N[%,35]
{-0.00293181245562197943150324102705055}
s11 - i11 /. %61;
N[%,35]
-43
{0. 10 }
s12 - i12 /. %61;
N[%,35]
{0.14585257971501357744743988130231516}
s13 - i13 /. %61;
N[%,35]
-44
{0. 10 }
s14 - i14 /. %61;
N[%,35]
{-0.01386690413313408190371321302706202}
AP
ENDICE C
Cuadernos del Mathematica y archivos script de
Matlab
C.1. La funcion mihumps
(*MIHUMPS*)
f[x_]:= 0.01/((x-0.3)^2+.01) + 0.01/((x-0.9)^2+.04) - 0.06
Plot[f[x],{x,0,1},PlotRange->{{0,1},{0,1}}
,GridLines->Automatic
,AspectRatio->1
,PlotStyle->RGBColor[1.000,0.000,0.000]
,Frame->True]
-Graphics-
La gura representada por el Plot precedente es la 1, la que en el cuaderno
queda insertada a continuacion.
0.2 0.4 0.6 0.8 1
0.2
0.4
0.6
0.8
1
Figura 1. La funcion mihumps
47
48 C. CUADERNOS DEL Mathematica Y ARCHIVOS SCRIPT DE MATLAB
Integrate[f[x],x]
-0.06 x + 0.05 ArcTan[5. (-0.9 + x)] + 0.1 ArcTan[10. (-0.3 + x)]
N[Integrate[f[x],{x,0,1}],30]
0.2985832539549867
f[x]//TeXForm
-0.06 + {{0.01}\over {0.04 + {{\left( -0.9 + x \right) }^2}}} +
{{0.01}\over {0.01 + {{\left( -0.3 + x \right) }^2}}}
%3//TeXForm
-0.06\,x + 0.05\,\arctan (5.\,\left( -0.9 + x \right) ) +
0.1\,\arctan (10.\,\left( -0.3 + x \right) )
Las funciones f(x) mihumps y su integral F(x) =
_
x
0
f(s) ds son
f(x) = 0.06 +
0.01
0.04 + (0.9 +x)
2
+
0.01
0.01 + (0.3 +x)
2
(C.1)
y
F(x) = 0.06 x + 0.05 arctan(5. (0.9 +x)) + 0.1 arctan(10. (0.3 +x)) (C.2)
C.2. Extrapolacion repetida de Richardson
En el siguiente cuaderno del Mathematica calculamos los errores de trunca-
miento de los distintos pasos de extrapolacion.
Extrapolaci\on repetida de Richardson
Table[2^(2j)-1,{j,9}]
{3, 15, 63, 255, 1023, 4095, 16383, 65535, 262143}
I0[h_]=b0+b1 h^2+b2 h^4+b3 h^6+b4 h^8+b5 h^10+b6 h^12+
b7 h^14+b8 h^16
2 4 6 8 10
b0 + b1 h + b2 h + b3 h + b4 h + b5 h +
12 14 16
b6 h + b7 h + b8 h
I1[h_]=I0[h/2]+(I0[h/2]-I0[h])/3//Simplify;
Collect[%,h]
4 6 8 10
b2 h 5 b3 h 21 b4 h 85 b5 h
b0 - ----- - ------- - -------- - --------- -
4 16 64 256
12 14 16
341 b6 h 1365 b7 h 5461 b8 h
---------- - ----------- - -----------
1024 4096 16384
Collect[%,h]
6 8 10 12
b3 h 21 b4 h 357 b5 h 5797 b6 h
b0 + ----- + -------- + ---------- + ----------- +
64 1024 16384 262144
C.2. EXTRAPOLACI
ON REPETIDA DE RICHARDSON 49
14 16
93093 b7 h 1490853 b8 h
------------ + --------------
4194304 67108864
Collect[%,h]
8 10 12
b4 h 85 b5 h 5797 b6 h
b0 - ----- - --------- - ----------- -
4096 262144 16777216
14 16
376805 b7 h 24208613 b8 h
------------- - ---------------
1073741824 68719476736
Collect[%,h]
10 12 14
b5 h 341 b6 h 93093 b7 h
b0 + ------- + ---------- + ------------ +
1048576 268435456 68719476736
16
24208613 b8 h
---------------
17592186044416
Collect[%,h]
12 14 16
b6 h 1365 b7 h 1490853 b8 h
b0 - ---------- - ------------- - ----------------
1073741824 1099511627776 1125899906842624
% MIRICHAR aplica la extrapolaci\on repetida de Richardson
% al m\etodo trapezoidal (Integraci\on de Romberg)
% C.E.Neuman, 6-5-97
% inicializaci\on
i=1;
a=0;
b=1;
h=(b-a)/10;
% lazo
while 1
x=a:h:b; % partici\on
l=length(x);
pesos=[1 2*ones(1,l-2) 1]; % pesos de Trapezoidal
II(i,1)=(h/2)*sum(pesos.*mihumps(x)); % m\etodo Trapezoidal
%%%
%%% En este algoritmo se recalcula la funci\on de nuevo, se
%%% puede mejorar aprovechando las evaluaciones previas.
%%%
del(i)=2^(2*i)-1; % divisor para la extrapolaci\on
for j=(i-1):(-1):1, % l\{\i}nea de extrapolaciones
k=i-j+1;
II(j,k)=II(j+1,k-1)+(II(j+1,k-1)-II(j,k-1))/del(k-1) ;
end % rof
if i > 7, % terminaci\on ( se puede sustituir por una
% que compare los valores obtenidos de I )
break;
end % fi
h=h/2;
i=i+1;
end % elihw
%%% fin de mirichar.m
La salida de mirichar (valores de II) se consigna en las tablas 1 y 2.
Tabla 1. Integracion de Romberg para la funcion mihumps
(ver tabla 1). La integral (con el Mathematica) resulta Q =
0.2985832539549867
0.29851740902665 0.29819609270927 0.29860841977863 0.29858290374753
0.29827642178861 0.29858264933679 0.29858330243552 0.29858325318208
0.29850609244975 0.29858326161685 0.29858325395166 0.29858325395498
0.29856396932507 0.29858325443074 0.29858325395493 0.29858325395499
0.29857843315432 0.29858325398467 0.29858325395499 0.29858325395499
0.29858204877708 0.29858325395684 0.29858325395499 0
0.29858295266190 0.29858325395510 0 0
0.29858317863180 0 0 0
Tabla 2. Integracion de Romberg para la funcion mihumps (conti-
nuacion, ver tablas 1 y 1). La integral (con el Mathematica) resulta
Q = 0.2985832539549867
0.29858325455241 0.29858325395743 0.29858325395498 0.29858325395499
0.29858325395801 0.29858325395498 0.29858325395499 0
0.29858325395499 0.29858325395499 0 0
0.29858325395499 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
C.3. Metodos de Montecarlo
En lo que sigue veremos dos ejemplos en el cuadrado unitario [0, 1]x[0, 1].
Ejemplo C.3.1. Calculamos mediante el metodo de Montecarlo el area bajo
la funcion f(x) = 0.5 en el cuadrado unitario. Realizamos mil veces el calculo del
area estimada mediante diez mil puntos seleccionados al azar.
C.3. M
% AZAR3.M script de prueba para m\etodo de Montecarlo
% C.E.N., 05-may-97
rand(seed,sum(100*clock)); %inicializa los n\umeros aleatorios
scores=[];
for j=1:1000,
% pru=rand(1,1)
NN=10000;%0*pru;
puntos=rand(NN,2);
I=find(puntos(:,2) < 0.5); % determina los puntos bajo la curva
[m,n]=size(I);
scores=[scores; m/NN];
end
mime=mean(scores) % calcula la media aritm\etica
mide=std(scores) % calcula la desviaci\on t\{\i}pica
[m,n]=size(scores);
mimeord=mean(scores(0.1*m:0.9*m)) % media podada 20%
mideord=std(scores(0.1*m:0.9*m)) % desv\{\i}o podado 20%
figure;
hist(scores); % histograma de los valores
save azar3;
% Resultados de la corrida de 1000
% azar3
%mime =
% 0.4997
%mide =
% 0.0050
%mimeord =
% 0.4999
%mideord =
% 0.0050
% axis([0.475 0.525 0 300])
% grid
Vemos que el resultado utilizando los estimadores robustos es de 0.5000.005,
intervalo de conanza que contiene el valor exacto.
En la gura 2 dibujamos el histograma que representa la distribucion de pun-
tajes obtenidos por la rutina de Montecarlo.
Ejemplo C.3.2. Calulamos la integral de la funcion humps mediante el metodo
de Montecarlo
rand(seed,sum(100*clock))
scores=[];
for j=1:1000,
% pru=rand(1,1)
NN=10000;%0*pru;
puntos=rand(NN,2);
I=find( puntos(:,2) < 0.01*humps(puntos(:,1)) );
[m,n]=size(I);
0.48 0.485 0.49 0.495 0.5 0.505 0.51 0.515 0.52 0.525
0
50
100
150
200
250
Figura 2. Histograma de distribucion de los valores estimados de
la integral del ejemplo C.3.1
scores=[scores; m/NN];
disp(j);
end
mime=mean(scores)
mide=std(scores)
[m,n]=size(scores);
mimeord=mean(scores(0.1*m:0.9*m))
mideord=std(scores(0.1*m:0.9*m))
figure;
hist(scores);
save azar4;
% Resultados de la corrida de 100
% azar4
%mime =
% 2.9845e-001
%mide =
% 1.3248e-002
%mimeord =
% 2.9938e-001
%mideord =
% 1.3119e-002
C.4. INTEGRACI
ON DE SIMPSON ADAPTATIVA 53
% Resultados de quad
% format short e
% quad(humps,0,1,1e-5,1)/100
%ans =
% 2.9858e-001
%
%
C.4. Integracion de Simpson adaptativa
function [Q,cnt] = miquad(funfcn,a,b,tol)
%MIQUAD Numerical evaluation of an integral, low order method.
% Q = MIQUAD(F,A,B) approximates the integral of F(X) from A to B
% to within a relative error of 1e-3. F is a string
% containing the name of the function. Function F must return a
% vector of output values if given a vector of input values.
% Q = MIQUAD(F,A,B,TOL) integrates to a relative error of TOL.
%
% MIQUAD uses an adaptive recursive Simpsons rule.
%
% See also QUAD, QUAD8.
% Basada en QUAD.M
% C.B. Moler, 3-22-87.
% Copyright (c) 1984-94 by The MathWorks, Inc.
% C.E. Neuman, 4-29-97
% [Q,cnt] = miquad(F,a,b,tol) also returns a
% function evaluation count.
if nargin < 4, tol = 1.e-3; end
c = (a + b)/2;
% Top level initialization
x = [a b c a:(b-a)/10:b];
% set up function call
args = (x);
y = eval([funfcn,args]);
fa = y(1);
fb = y(2);
fc = y(3);
lev = 1;
% Adaptive, recursive Simpsons quadrature
if any(imag(y))
Q0 = 1e30;
else
Q0 = inf;
end
[Q,cnt] = eval([miquadst(funfcn,a,b,tol,lev,fa,fc,fb,Q0)]);
cnt = cnt + 3;
%fin de la funci\on miquad
function [Q,cnt] = miquadst(FunFcn,a,b,tol,lev,fa,fc,fb,Q0)
%MIQUADST Recursive function used by MIQUAD.
% [Q,cnt] = miquadst(F,a,b,tol,lev,fa,fc,fb,Q0) tries to
% approximate the integral of f(x) from a to b to within a
% relative error of tol. F is a string containing the name
% of f. The remaining arguments are generated by quad or
% by the recursion. lev is the recursion level.
% fa = f(a). fc = f((a+b)/2). fb = f(b).
% Q0 is an approximate value of the integral.
% See also QUAD and QUAD8.
% Basada en QUADSTP.M
% C.B. Moler, 3-22-87.
% Copyright (c) 1984-94 by The MathWorks, Inc.
% C.E. Neuman, 4-29-97.
LEVMAX = 11;
if lev > LEVMAX
disp(Limite de orden de recursion alcanzado en miquad.)
disp(Probable singularidad.)
Q = Q0;
cnt = 0;
c = (a + b)/2;
else
% Evaluate function at midpoints of left
% and right half intervals.
h = b - a;
c = (a + b)/2;
x = [a+h/4, b-h/4];
f = eval([FunFcn,(x)]);
cnt = 2;
% Simpsons rule for half intervals.
Q1 = h*(fa + 4*f(1) + fc)/12;
Q2 = h*(fc + 4*f(2) + fb)/12;
Q = Q1 + Q2;
% Recursively refine approximations.
if abs(Q - Q0) > tol*abs(Q)
ts2=tol/2;
lm1=lev+1;
[Q1,cnt1]=eval([miquadst(FunFcn,a,c,ts2,lm1,fa,f(1),fc,Q1)]);
[Q2,cnt2]=eval([miquadst(FunFcn,c,b,ts2,lm1,fc,f(2),fb,Q2)]);
Q = Q1 + Q2;
cnt = cnt + cnt1 + cnt2;
end
end
% fin de la funci\on miquadst
function [y]=mifun(x)
% MIFUN es una funci\on de prueba para MIQUAD
% debe ser una funci\on vectorizada
% C.E. Neuman, 29-4-97
C.5. EL M
ETODO CL
ASICO DE RUNGE-KUTTA 55
y=x.^(1/2);
% fin de la funci\on mifun
C.5. El metodo clasico de Runge-Kutta
En esta seccion incluimos el codigo Matlab que implementa el metodo clasico
de Runge-Kutta. Se trata de los programas mirk.m, mieq.m, donde se dene la
funcion para integrar, y milo.m que es el driver del metodo.
function [xn,xdn]=mirk(t,x,h)
%
% MIRK
%
% MIRK Es la implementacion de un Runge-Kutta
% de cuatro pasos para avanzar de t a t+h
% inputs t:tiempo
% x:estado
% outputs xn:nuevo estado
% xdn:nueva derivada del estado
% La rutina mieq calcula el vector xdot
% de derivadas de los estados.
%%% C.E.Neuman, 10-11-1992
%%% Revisado: 5-5-1997
%%% Ultima revisi\on: 7-5-1997
tv = t; xv = x;
xdot=mieq(tv,xv);
c1 = h*xdot;
tn = tv + h/2; xn = xv + c1/2;
xdot=mieq(tn,xn);
c2 = h*xdot;
xn = xv + c2/2;
xdot=mieq(tn,xn);
c3 = h*xdot;
tn = tv + h; xn = xv + c3;
xdot=mieq(tn,xn);
c4 = h*xdot;
xn = xv + (c1 + 2*c2 + 2*c3 + c4)/6;
xdn=mieq(tn,xn);
return
%%% fin de mieq.m
function xdot=mieq(t,x)
%
% MIEQ
%
% MIEQ es la funcion que permite determinar la
% derivada de los estados
%
%%% C.E.Neuman, 10-11-1992
%%% Revisado: 5-5-1997
xdot=-t*x;
% xdot = mihumps(x);
return
%%% fin de mieq.m
% MILO
%
% MILO
%
% Este es el loop central de administracion de MIRK
% y su driver para la integraci\on.
% En MIRK.M se program\o un paso de Runge-Kutta cl\asico.
% En MIEQ.M se debe incluir la funci\on que se desea integrar.
% Con modificaciones puede utilizarse en una rutina de
% paso variable.
%%% C.E.Neuman, 10-11-1992
%%% Revisado: 5-5-1997
%%% Tiempos inicial y final y cantidad de pasos de integraci\on
a = 0; %comienzo de integraci\on
b = 7; %fin de la integraci\on
numpaso = 300; %n\umero de pasos
%%% Condici\on inicial
x0 = 1;
%%% Paso de integraci\on
h = (b - a)/numpaso;
%%% Definici\on de tini y tmax
tini = a;
tmax = a + numpaso * h;
if tmax ~= b,
disp(error en el paso);
end % fi
%%% Lista de salida (inicializaci\on)
xdn0 = mieq(tini,x0);
xout = [tini; x0; xdn0];
%%% Lazo principal
xn = x0;
for tt=tini:h:(tmax-h),
[xn,xdn] = mirk(tt,xn,h); %llamada a R-K
xout = [ xout [tt+h; xn; xdn] ];
end % rof
plot(xout(1,:),xout(2:3,:),r)
En la gura 3 representamos la salida de las rutinas precedentes cuando se
integra la ecuacion
x
= tx (C.3)
C.5. EL M
ETODO CL
ASICO DE RUNGE-KUTTA 57
0 1 2 3 4 5 6 7
0.8
0.6
0.4
0.2
0
0.2
0.4
0.6
0.8
1
Integracion de dx/dt=tx
t
x
x(t)=exp(t
2
/2)
Figura 3. Integracion por Runge-Kutta clasico de x
= tx en
[0, 7]
AP
ENDICE D
La integral de RiemannStieltjes
Comencemos estudiando las propiedades de las funciones de variacion acotada.
D.1. Funciones de variacion acotada
Teorema D.1.1. [Apostol (1976), pag. 153] Sea f una funcion creciente de-
nida en [a, b] y sean x
0
, x
1
, . . . , x
n
n + 1 puntos tales que
a = x
0
< x
1
< x
2
< . . . < x
n
= b (D.1)
Tenemos entonces la desigualdad
n1
k=1
[f(x
k
+) f(x
k
)] f(b) f(a) (D.2)
Demostraci on: Sea
k
(x
k
, x
k+1
). Se tiene entonces que f(x
k
+) f(x
k
)
f(
k
) f(
k1
) por la monotona de la funcion f. Resulta as
n1
k=1
[f(x
k
+) f(x
k
)]
n1
k=1
[f(
k
) f(
k1
)] (D.3)
= f(
n1
) f(
0
) f(b) f(a) (D.4)
lo que completa la demostracion.
Teorema D.1.2. [Apostol (1976), pag. 153] Si f es monotona en [a, b], entonces
el conjunto de discontinuidades de f es numerable
Una funcion monotona
tiene, a lo sumo,
numerables saltos
Ejercicio D.1.1. Demostrar el teorema D.1.2.
Definici on D.1.1. Sea f denida en [a, b]. Sea P = x
0
, x
1
, . . . , x
n
una
particion de [a, b]. Escribiremos, para k = 1, 2, . . . , n, f
k
= f(x
k
) f(x
k1
). Si
existe un n umero positivo M tal que
n
k=1
[f
k
[ =
n
k=1
[f(x
k
) f(x
k1
)[ M (D.5)
para toda particion P de [a, b], entonces diremos que f es de variacion acotada.
Teorema D.1.3. [Apostol (1976), pag. 154] Si f es monotona en [a, b], entonces
f es de variacion acotada en [a, b].
Teorema D.1.4. [Apostol (1976), pag. 155] Si f es de clase C
1
en [a, b],
entonces f es de variacion acotada en [a, b].
Una funcion de clase C
1
es de variacion acotada
Ejercicio D.1.2. Demostrar los teoremas D.1.3 y D.1.4.
59
60 D. LA INTEGRAL DE RIEMANNSTIELTJES
Teorema D.1.5. [Apostol (1976), pag. 155] Si f es de variacion acotada en
[a, b], es decir que

[f
k
[ M para toda particion de [a, b], entonces f esta
acotada en [a, b].
Demostraci on: Sea x (a, b) y la particion P = a, x, b. Se tiene
[f(x) f(a)[ +[f(b) f(x)[ M (D.6)
con lo cual
[f(x) f(a)[ M (D.7)
y, en consecuencia,
[f(x)[ [f(a)[ +M (D.8)
Cuando x = a vale D.8 trivialmente y cuando x = b
[f(b)[ [f(a)[ +M (D.9)
por la hipotesis. De modo que [f(a)[ +M es cota de [f(x)[ en todo el intervalo.
Definici on D.1.2. Sea f una funcion de variacion acotada en [a, b] y sea P =
x
0
, x
1
, . . . , x
n
una particion de [a, b]. El n umero
V (a, b) = sup
n
k=1
[f
k
[ : P es particion de [a,b] (D.10)
se llama variacion total de f en el intervalo [a, b].
Teorema D.1.6. Sea f una funcion de variacion acotada en [a, b]. Sea V
denida en [a, b] por V (a) = 0 y, para a < x b, V (x) = V (a, x), la variacion total
de f entre a y x. Entonces
(i) V es una funcion creciente en [a, b]
(ii) W = V f es una funcion creciente en [a, b]
Demostraci on: Sean x < y en [a, b]. Entonces V (a, y) = V (a, x) +V (x, y), lo que
implica que V (y) V (x) = V (x, y) 0 lo que prueba (i).
Asimismo
W(y) W(x) = V (y) V (x) (f(y) f(x)) = V (x, y) (f(y) f(x)) 0 (D.11)
lo que prueba (ii).
Teorema D.1.7. Sea f denida sobre [a, b]. Entonces f es de variacion acotada
en [a, b] sii f puede expresarse como diferencia de dos funciones crecientes.
Una funcion es de varia-
cion acotada sii es dife-
rencia de dos funciones
crecientes
Demostraci on: Si f es de variacion acotada en [a, b], podemos escribir f = V W,
donde V es la funcion del teorema D.1.6 y W = V f. Las dos son funciones
crecientes. La otra implicacion se obtiene de la monotona de las dos funciones.
D.2. LA INTEGRAL 61
D.2. La integral
Definici on D.2.1. Sea P = x
0
, x
1
, . . . , x
n
una particion del intervalo [a, b]
y sea, para cada k,
k
un punto del intervalo [x
k1
, x
k
]. Una suma de la forma
S(P, f, g) =
n
k=1
f(
k
)g
k
(D.12)
(donde g
k
= g(x
k
) g(x
k1
)) se llama suma de Riemann-Stieltjes de f respecto
de g. Diremos que f es integrable respecto de g en [a, b] si existe un n umero I que
satisface la siguiente propiedad: para cada > 0, existe una particion P
de [a, b]
tal que, para cada particion P mas na que P
y para cada eleccion de los puntos
k
del intervalo [x
k1
, x
k
], k = 1, . . . , n, se tiene
[S(P, f, g) I[ < (D.13)
Observaci on D.2.1. Si un tal n umero I existe, entonces es unico y se repre-
senta por la expresion
_
b
a
f(x)dg(x) (D.14)
Ejemplo D.2.1. Si g(x) = x entonces la integral se reduce a una integral de
Riemann
Ejemplo D.2.2. Si g(x) es de clase C
1
en [a, b] entonces la integral resulta
_
b
a
f(x)g
(x)dx (D.15)
Ejemplo D.2.3. Si f es continua y g(x) = x| entonces la integral resulta
iZ
ai<b
f(i) (D.16)
Teorema D.2.2. Si f
1
y f
2
son integrables en el sentido de Riemann-Stieltjes
respecto de g en el intervalo [a, b], entonces, para todo par de constantes c
1
y c
2
,
se tiene que c
1
f
1
+c
2
f
2
resulta es integrable respecto de g en el mismo intervalo y
vale
_
b
a
(c
1
f
1
+c
2
f
2
)dg = c
1
_
b
a
f
1
dg +c
2
_
b
a
f
2
dg (D.17)
Demostraci on: Sea f = c
1
f
1
+c
2
f
2
. Para una particion P del intervalo vale
S(P, f, g) =
n
k=1
f(
k
)g
k
= c
1
n
k=1
f
1
(
k
)g
k
+c
2
n
k=1
f
2
(
k
)g
k
(D.18)
es decir
S(P, f, g) = c
1
S(P, f
1
, g) +c2S(P, f
2
, g) (D.19)
Sea > 0 dado, elegimos una particion P
(1)
tal que para toda particion P mas na

que ella se tenga
[S(P, f
1
, g)
_
b
a
f
1
dg[ < (D.20)
y elegimos otra particion P
(2)
tal que para toda particion P mas na que ella se

tenga
[S(P, f
2
, g)
_
b
a
f
2
dg[ < (D.21)
Unimos las particiones para obtener
P
= P
(1)
P
(2)
(D.22)
de modo que, para cada particion P mas na que P
se obtiene
[S(P, f, g) c
1
_
b
a
f
1
dg c
2
_
b
a
f
2
dg[ [c
1
[ +[c
2
[ (D.23)
lo que (con una reeleccion del ) prueba el teorema.
Teorema D.2.3. Si f es integrable respecto de g
1
en el sentido de Riemann-
Stieltjes en el intervalo [a, b], y tambien es integrable respecto de g
2
entonces, para
todo par de constantes c
1
y c
2
, se tiene que f tambien es integrable respecto de
c
1
g
1
+c
2
g
2
en el mismo intervalo y vale
_
b
a
fd(c
1
g
1
+c
2
g
2
) = c
1
_
b
a
fdg
1
+c
2
_
b
a
fdg
2
(D.24)
Ejercicio D.2.4. Demostrar el teorema D.2.3 en forma analoga al D.2.2. De-
mostrar ademas la aditividad respecto del intervalo de integracion de la integral de
Riemann-Stieltjes
D.2.1. Integracion por partes.
Teorema D.2.4. [Formula de integracion por partes] Si f es integrable respecto
de g, en el sentido de Riemann-Stieltjes, en el intervalo [a, b] entonces g es integrable
respecto de f en el sentido de Riemann-Stieltjes en el intervalo [a, b], y se tiene
_
b
a
f(x)dg(x) +
_
b
a
g(x)df(x) = f(b)g(b) f(a)g(a) (D.25)
Demostraci on: Fijamos un n umero > 0, por la existencia de la primera integral
existe una particion P
del intervalo [a, b] tal que para toda particion

P mas na
que P
tenemos
[S(

P, f, g)
_
b
a
f(x)dg(x)[ < (D.26)
Para una particion P mas na que P
planteamos una suma de Riemann-Stieltjes

cualquiera para la integral
_
b
a
g(x)df(x):
S(P, g, f) =
n
k=1
g(
k
)f
k
=
n
k=1
g(
k
)f(x
k
)
n
k=1
g(
k
)f(x
k1
) (D.27)
como se tiene ademas que
f(b)g(b) f(a)g(a) =
n
k=1
f(x
k
)g(
k
)
n
k=1
f(x
k1
)g(
k1
) (D.28)
D.2. LA INTEGRAL 63
es posible restar las expresiones D.27 y D.28 para obtener
f(b)g(b) f(a)g(a) S(P, g, f)
=
n
k=1
f(x
k
)[g(x
k
) g(
k
)]
n
k=1
f(x
k1
)[g(x
k
) g(
k1
)] (D.29)
Si

P es una particion formada por los puntos x
k
y los
k
, entonces es mas na
que la particion P y, por ello, que la P
entonces si llamamos S(

P, f, g) al segundo
miembro de la ecuacion D.29 se tiene que la desigualdad D.26 es valida y se tiene
[f(b)g(b) f(a)g(a) S(P, g, f)
_
b
a
g(x)df(x)[ < (D.30)
para toda particion P mas na que P
entonces
_
b
a
g(x)dg(x) existe y vale
f(b)g(b) f(a)g(a)
_
b
a
f(x)dg(x)
D.2.2. Propiedades de la integral.
Teorema D.2.5. Sea f una funcion integrable en el sentido de Riemann-
Stieltjes respecto de una funcion g de clase C
1
en el intervalo [a, b], entonces existe
la integral de Riemann del segundo miembro y vale
_
b
a
f(x)dg(x) =
_
b
a
f(x)g
(x)dx (D.31)
Demostraci on: Sea la suma de Riemann
S(P, fg
) =
n
k=1
f(
k
)g
(
k
)x
k
(D.32)
y (para la misma particion) la suma de Riemann-Stieltjes
S(P, f, g) =
n
k=1
f(
k
)g
k
n
k=1
f(
k
)g
(
k
)x
k
(D.33)
donde aplicamos el teorema del valor intermedio y
k
(x
k1
, x
k
), restando se
obtiene
S(P, f, g) S(P, fg
) =
n
k=1
f(
k
)[g
(
k
) g
(
k
)]x
k
(D.34)
Utilizando la hipotesis para el integrador g se puede probar que
[S(P, f, g) S(P, fg
)[ <

2
(D.35)
para cada particion P mas na que una dada P
. Por la hipotesis de integrabilidad

de f respecto de g se tiene que, para toda particion P mas na que una dada

P
,
vale
[S(P, f, g)
_
b
a
f(x)dg(x)[ <

2
(D.36)
Entonces cuando P es mas na que la union P
se tiene que
[S(P, fg
)
_
b
a
f(x)dg(x)[ < (D.37)
lo que demuestra el teorema.
D.2.2.1. Cambio de variables en la integral de Riemann-Stieltjes. Si la funcion
h es un cambio de variables biyectivo de clase C
entre el intervalo [a, b] y el

intervalo [c, d] entonces vale la siguiente formula de cambio de variables (que damos
sin demostracion)
_
h(d)
h(c)
f(t)dg(t) =
_
b
a
f(h(x))dg(h(x)) (D.38)
D.2.2.2. Integral de funciones escalonadas.
Teorema D.2.6. Denimos g en el intervalo [1, 1] como sigue
g(x) =
_
_
_
c
1
si 1 x < 0
c
2
si x = 0
c
3
si 0 < x 1
(D.39)
(donde c
1
, c
2
, y c
3
son arbitrarios. Sea f una funcion denida en [1, 1] de modo
que por lo menos una de las funciones f y g sea continua a la izquierda del origen
y por lo menos una de las dos lo sea a la derecha de 0. Entonces f es integrable en
el sentido de Riemann-Stieltjes en el intervalo [1, 1] y la integral vale
_
1
1
f(x)dg(x) = f(0)(g(0+) g(0)) (D.40)
Demostraci on: Sea P una particion que contiene al origen, entonces si x
k
= 0
S(P, f, g) = f(
k1
)(g(0) g(0)) +f(
k
)(g(0+) g(0)) (D.41)
donde
k1
0
k
. Sumando y restando f(0)g(0) se puede escribir
S(P, f, g) f(0)(g(0+) g(0))
= (f(
k1
) f(0))(g(0) g(0))
+(f(
k
) f(0))(g(0+) g(0)) (D.42)
por lo tanto se tiene
[S(P, f, g) f(0)(g(0+) g(0))[
[f(
k1
) f(0)[[g(0) g(0)[
+[f(
k
) f(0)[[g(0+) g(0)[ (D.43)
Si f es continua en el origen, para cada > 0 existe un > 0 tal que, si |P| < ,
entonces
[f(
k1
) f(0)[ < (D.44)
y
[f(
k
) f(0)[ < (D.45)
de modo que se tiene la desigualdad
[S(P, f, g) f(0)(g(0+) g(0))[ [g(0) g(0)[ +[g(0+) g(0)[ (D.46)
En los otros casos la desigualdad sigue siendo valida
(1) f discontinua a izquierda y derecha del origen: entonces g debe ser conti-
nua y vale S(P, f, g) f(0)(g(0+) g(0)) = 0
(2) f es discontinua a la derecha y continua a la izquierda: en este caso debe
valer g(0+) g(0) = 0 y vale
[S(P, f, g) f(0)(g(0+) g(0))[ [g(0) g(0)[ (D.47)
D.4. PERO, HAY FUNCIONES INTEGRABLES? 65
(3) f es continua a la derecha y discontinua a la izquierda: en este caso debe
valer g(0) g(0) = 0 y vale
[S(P, f, g) f(0)(g(0+) g(0))[ [g(0+) g(0)[ (D.48)
En todos los casos vale la acotacion por lo que el teorema queda demostrado.
Este ultimo resultado permite demostrar que las integrales respecto de funcio-
nes escalonadas se reducen a sumas.
Teorema D.2.7. Sea g una funcion escalonada denida en el intervalo [a, b]
con salto g
k
en el punto x
k
de una particion x
1
, x
2
, . . . , x
n
del intervalo. Sea
f denida en [a, b] con la propiedad que f y g no sean las dos discontinuas a la
izquierda o a la derecha en cada punto x
k
. Entonces existe la integral de f respecto
de g y vale
_
b
a
f(x)dg(x) =
n
k=1
f(x
k
)g
k
(D.49)
Demostraci on: Basta descomponer el intervalo [a, b] en subintervalos y aplicar el
teorema D.2.6.
D.3. Formula de la suma de Euler
Teorema D.3.1. Supongamos que f es de clase C
en [a, b]. Si a y b son

enteros se tiene
b
n=a
f(n) =
_
b
a
f(x)dx +
_
b
a
_
x x|
1
2
_
f
(x)dx +
f(a) +f(b)
2
(D.50)
Demostraci on: Por el teorema D.2.4 se tiene que
_
b
a
f(x)d
_
x x|
1
2
_
+
_
b
a
_
x x|
1
2
_
df(x) (D.51)
= f(b)
_
b b|
1
2
_
f(a)
_
a a|
1
2
_
(D.52)
es decir
_
b
a
f(x) d
_
x x|
1
2
_
+
_
b
a
_
x x|
1
2
_
df(x) =
f(a) f(b)
2
(D.53)
por ultimo
_
b
a
f(x)d
_
x x|
1
2
_
=
_
b
a
f(x) dx
b
n=a+1
f(n) (D.54)
lo que, al combinarla con la anterior, completa la demostracion.
D.4. Pero, Hay funciones integrables?
Se puede demostrar que si f es continua y g es de variacion acotada en el
intervalo [a, b] entonces f es integrable en el sentido de Riemann-Stieltjes respecto
del integrador g. La demostracion es muy simple y se basa en la denicion de las
denominadas sumas superior e inferior de Riemann-Stieltjes y en ver que, cuando
se rena la particion, ambas sumas se aproximan tanto como se desee.
D.5. Ejercicios
Ejercicio D.5.1. Una funcion f, denida en [a, b], verica una condicion uni-
forme de Lipschitz de orden > 0 en [a, b] si existe una constante M > 0 tal que
[f(x) f(y)[ < M[x y[
para todo x e y de [a, b]

(a) Si f es una tal funcion, probar que > 1 implica que f es constante en
[a, b], mientras que = 1 implica que f es de variacion acotada en [a, b]
(b) Dar un ejemplo de una funcion f que satisfaga una condicion uniforme de
Lipschitz de orden < 1 en [a, b] tal que f no sea de variacion acotada
en [a, b]
(c) Dar un ejemplo de una funcion f que sea de variacion acotada y que, sin
embargo, no satisfaga ninguna condicion uniforme de Lipschitz en [a, b].
Ejercicio D.5.2. Probar que una funcion polinomica f es de variacion acotada
en todo intervalo cerrado y acotado [a, b]. Describir un metodo que permita calcular
la variacion total de f en [a, b] conociendo los ceros de la derivada f
.
Ejercicio D.5.3. La siguiente denicion de la integral de Riemann-Stieltjes
es bastante usual en textos matematicos: Se dice que f es integrable respecto de g
si existe un n umero real A con la siguiente propiedad: para cada > 0 existe un
> 0 tal que para cada particion P de [a, b] con norma |P| < y cada eleccion de
k
en [x
k1
, x
k
], tenemos [S(P, f, g) A[ <
(a) Demostrar que si
_
b
a
fdg existe seg un esta denicion entonces tambien
existe de acuerdo con la denicion D.2.1 (pagina 61) y ambas son iguales.
(b) Sean f(x) = g(x) = 0 para 1 x < 0, f(x) = g(x) = 1 para 0 < x 1,
f(0) = 0, y g(0) = 1. Demostrar que
_
b
a
fdg existe de acuerdo a la
denicion D.2.1 pero no existe seg un la denicion de este ejercicio.
AP
ENDICE E
Polinomios y n umeros de Bernoulli
Los polinomios de Bernoulli, B
n
(x), resultan de la serie generadora
te
xt
e
t
1
=
k=0
B
k
(x)
t
k
k!
(E.1)
y los n umeros de Bernoulli, B
n
, de
t
e
t
1
=
k=0
B
k
t
k
k!
(E.2)
(es decir, de hacer x = 0 en la anterior, razon por la cual B
n
(0) = B
n
). A
continuacion desarrollamos un cuaderno del Mathematica con algunos ejemplos de
estos n umeros y polinomios.
E.1. Polinomios de Bernoulli con el Mathematica
(* N\umeros y polinomios de Bernoulli *)
(* Calculamos la serie generadora de los polinomios
la correspondiente serie para los n\umeros se
obtiene, simplemente, fijando x = 0 en la primera *)
Series[t Exp[t x]/(Exp[t]-1),{t,0,4}]
2 2 3
1 1 x x 2 x x x 3
1 + (-(-) + x) t + (-- - - + --) t + (-- - -- + --) t +
2 12 2 2 12 4 6
2 3 4
1 x x x 4 5
(-(---) + -- - -- + --) t + O[t]
720 24 12 24
Series[t Exp[t x]/(Exp[t]-1),{t,0,12}];
CoefficientList[%,t]
2 2 3 2 3 4
1 1 x x x x x 1 x x x
{1, -(-) + x, -- - - + --, -- - -- + --, -(---) + -- - -- + --,
2 12 2 2 12 4 6 720 24 12 24
3 4 5 2 4 5 6
-x x x x 1 x x x x
--- + -- - -- + ---, ----- - ---- + --- - --- + ---,
720 72 48 120 30240 1440 288 240 720
3 5 6 7
x x x x x
67
68 E. POLINOMIOS Y N
UMEROS DE BERNOULLI
----- - ---- + ---- - ---- + ----,
30240 4320 1440 1440 5040
2 4 6 7 8
1 x x x x x
-(-------) + ----- - ----- + ---- - ----- + -----,
1209600 60480 17280 8640 10080 40320
3 5 7 8 9
-x x x x x x
------- + ------ - ----- + ----- - ----- + ------,
1209600 181440 86400 60480 80640 362880
2 4 6 8 9 10
1 x x x x x x
-------- - ------- + ------ - ------ + ------ - ------ + -------,
47900160 2419200 725760 518400 483840 725760 3628800
3 5 7 9 10 11
x x x x x x x
-------- - ------- + ------- - ------- + ------- - ------- + --------,
47900160 7257600 3628800 3628800 4354560 7257600 39916800
2 4 6 8 10
691 x x x x x
-(-------------) + -------- - -------- + -------- - -------- + -------- -
1307674368000 95800320 29030400 21772800 29030400 43545600
11 12
x x
-------- + ---------}
79833600 479001600
c=2;cm1=c-1;
BernoulliB[cm1]
BernoulliB[cm1,x]
cm1! %3[[c]]//Simplify
D[%,x]/cm1
Integrate[%%,{x,0,1}]
Plot[%%%,{x,0,1}]
1
-(-)
2
1
-(-) + x
2
1
-(-) + x
2
1
0
-Graphics- (*berno1.wmf*)
En la gura 1 y siguientes representamos algunos de los polinomios de Bernoulli.
c=3;cm1=c-1;
BernoulliB[cm1]
BernoulliB[cm1,x]==cm1! %3[[c]]//Simplify
E.1. POLINOMIOS DE BERNOULLI CON EL Mathematica 69
0.2 0.4 0.6 0.8 1
-0.4
-0.2
0.2
0.4
Figura 1. El polinomio de Bernoulli B
1
(x)
D[%,x]/cm1 //Simplify
Plot[%%%,{x,0,1}]
1
-
6
True
1 2
- - x + x
6
1
-(-) + x
2
0
c=7;cm1=c-1;
BernoulliB[cm1]
Plot[%%%,{x,0,1}]
1
--
42
True
UMEROS DE BERNOULLI
0.2 0.4 0.6 0.8 1
-0.05
0.05
0.1
0.15
2
(x)
2 4
1 x 5 x 5 6
-- - -- + ---- - 3 x + x
42 2 2
3 4
-x 5 x 5 x 5
-- + ---- - ---- + x
6 3 2
0
c=11;cm1=c-1;
BernoulliB[cm1]
Plot[%%%,{x,0,1}]
5
--
66
True
2 8
5 3 x 4 6 15 x 9 10
-- - ---- + 5 x - 7 x + ----- - 5 x + x
66 2 2
2 4 6 7 8
E.1. POLINOMIOS DE BERNOULLI CON EL Mathematica 71
0.2 0.4 0.6 0.8 1
-0.02
-0.01
0.01
0.02
6
(x)
x (-3 + 20 x - 42 x + 60 x - 45 x + 10 x )
----------------------------------------------
10
0
(* Resulta que las integrales de los coeficientes son nulas,
(todas, salvo la primera) porque vale la siguiente integral: *)
Integrate[t Exp[t x]/(Exp[t]-1),x]
t x
E
-------
t
-1 + E
Integrate[t Exp[t x]/(Exp[t]-1),{x,0,1}]//Simplify
1
(* Calculamos ahora el coeficiente de t^40 en el desarrollo en serie *)
n=40;
n! Coefficient[Series[t Exp[t x]/(Exp[t]-1),{t,0,n}],t^n]//Simplify
%==BernoulliB[40,x]
Plot[%%%,{x,0,1}]
4
261082718496449122051 2 26315271553053477373 x
-(---------------------) + 380899208799402670 x - ----------------------- +
13530 21
UMEROS DE BERNOULLI
0.2 0.4 0.6 0.8 1
-0.06
-0.04
-0.02
0.02
0.04
0.06
10
(x)
8 10
6 2325031004857511379 x 10708663585311718520 x
1649024253633120910 x - ---------------------- + ------------------------ -
2 21
12 16
457533651717217348 x 14 38092256087030385 x
---------------------- + 33081876872548920 x - --------------------- +
3 7
22
18 20 43628525827900 x
702064548199300 x - 72937940132694 x + ------------------ -
7
28 30
24 26 29696275036 x 192650120 x
445756964055 x + 27074751480 x - --------------- + ------------- -
21 3
32 36
5126979 x 34 9139 x 38 39 40
----------- + 91390 x - -------- + 130 x - 20 x + x
2 3
True
0
E.2. N
UMEROS DE BERNOULLI 73
0.2 0.4 0.6 0.8 1
-210
16
-110
16
110
16
210
16
40
(x)
(* Observamos que los valores son muy grandes por eso calculamos el
valor del polinomio y luego los partimos por el
correspondiente factorial *)
BernoulliB[40,0.5]
%/40!
16
1.92966 10
-32
2.36502 10
E.2. N umeros de Bernoulli
Para demostrar que los n umeros de Bernoulli con ndice impar 3 son nulos
observemos que
t
e
t
1
B
1
t =
t
e
t
1
+
t
2
=
t
2
e
t
+ 1
e
t
1
(E.3)
pero esta ultima es una funcion par puesto que
t
2
e
t
+ 1
e
t
1
=
t
2
e
t
+ 1
e
t
1
(E.4)
con lo cual todos los coecientes de ndice impar de su desarrollo deben anularse.
UMEROS DE BERNOULLI
Ejercicio E.2.1. Multiplicar ambos miembros de E.2 por e
t
1, e igualar
coecientes para obtener
n
k=0
_
n
k
_
B
k
= B
n
+
1n
(E.5)
Ejercicio E.2.2. Demostrar que
B
m
(x) =
n
k=0
_
m
k
_
B
k
x
mk
(E.6)
En algunos textos la expresion E.6 se toma como denicion de los polinomios
de Bernoulli. Cuando m = 1, se tiene B
1
(x) = B
0
x + B
1
= x
1
2
. Si m > 1 se
tiene B
m
(1) = B
m
= B
m
(0) (ver el ejercicio E.2.1). Resulta, en consecuencia que
B
m
(x x|) no tiene saltos en las coordenadas enteras.
E.3. Integracion por partes
Teorema E.3.1. Vale la identidad
B
m
(x) = mB
m1
(x) (E.7)
Demostraci on: Por la expresion E.6 se tiene
B
m
(x) =
n
k=0
_
m
k
_
(mk)B
k
x
mk1
(E.8)
= m
n
k=0
_
m1
k
_
B
k
x
m1k
= mB
m1
(x) (E.9)
Por ultimo se tiene la siguiente formula de integracion por partes,
1
m!
_
1
0
B
m
(x)f
(m)
(x)dx =
1
(m+ 1)!
(B
m+1
(1)f
(m)
(1) B
m+1
(0)f
(m)
(0)
1
(m+ 1)!
_
1
0
B
m+1
(x)f
(m+1)
(x)dx (E.10)
Este ultimo resultado, convenientemente extendido, lo utilizamos para demos-
trar la formula de Euler para el error del metodo trapezoidal.
AP
ENDICE F
Laboratorio de Matematica: Integracion
Adaptativa
F.1. Objetivos
Las metas del laboratorio
de Cuadratura Adaptativa son

Introducir el concepto de metodo adaptativo para la resolucion numerica
de distintos problemas de Matematica, y, en particular, para el caso de la
integracion de funciones
Comparar la eciencia de distintos metodos de integracion numerica
Estudiar los errores de aproximacion asociados a distintos metodos de
integracion numerica
F.2. Antes del laboratorio
La idea basica de un metodo adaptativo es renar los calculos solamente en los
dominios en los que es necesario y realizar el mnimo de cuentas en los restantes
para lograr a la postre una distribucion uniforme de los errores de aproximacion
function y=mifun(x)
% MIFUN funci\on para probar la adaptatividad de QUAD.
% Tiene que ser una funci\on vectorizada.
% C.E. Neuman, 30 de mayo de 1997
I=find(x < 0.5);
J=find(x >= 0.5);
y=zeros(size(x));
% mayores o iguales que 1/2
y(I)=-2.5e8*((x(I)-0.5).*x(I)).^5;
% menores que 1/2
y(J)=720*(x(J)-0.5);
% fin de la funci\on mifun
f(x) =
_
_
_
5
2
10
8
_
x(x
1
2
)
_
5
si x <
1
2
720(x
1
2
) si x
1
2
(F.1)
Hay posibles
singularidades en el
entorno de 0 y de 0.5
Secretara de Ciencia y Tecnica de la UNL, subsidio 1042-1042-34-182 y 94-16-4-20. Proyectos Uso
del producto Mathematica en la ense nanza de la Matematica y Problemas teoricos y numericos
asociados a la obtencion de soluciones de ecuaciones elpticas y parabolicas
75
76 F. LABORATORIO DE MATEM
ATICA: INTEGRACI
ON ADAPTATIVA
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
50
100
150
200
250
300
350
400
Figura 1. Puntos de evaluacion de quad para la funcion f(x) en
[0, 2]
Notese en la gura 1 que en el entorno de 0 y de 0.5 se acumulan los puntos
y se alcanza en nivel de posible singularidad en el algoritmo quad. Asimismo, en
el intervalo donde la funcion es un polinomio de orden 4 el metodo de Simpson es
exacto y la distribucion de puntos es uniforme y mucho menos densa.
Ejercicio F.2.1. Dada una funcion f denida en un intervalo [a, b] dar un
metodo adaptativo de interpolacion de f mediante polinomios a trozos de orden 2
(splines lineales).
Ejercicio F.2.2. Dada una funcion f denida en un intervalo [a, b] dar un
metodo adaptativo de interpolacion de f mediante polinomios a trozos de orden 4
(splines c ubicos)
F.3. Laboratorio
Ejercicio F.3.1. Desarrollar un algoritmo y correspondiente programa en
Matlab que implemente un metodo de integracion numerica adaptativa de una
funcion dada en un intervalo cerrado y acotado del eje real.
Ejercicio F.3.2. Realizar experimentos numericos destinados a determinar las
caractersticas del comportamiento del programa desarrollado en F.3.1 para distin-
tos integrandos y distintos dominios de integracion. Comparar con otros metodos
de integracion numerica.
F.5. REFERENCIAS 77
F.4. Aplicaciones y desarrollos avanzados
Ejercicio F.4.1. Analizar en detalle las funciones quad y quad8 de Matlab
y, a partir de ellas, y del programa desarrollado en F.3.1, generar un integrador
automatico mas robusto.
F.5. Referencias
nd
edition, J.
da
edicion, Grupo
AP
ENDICE G
Laboratorio de Matematica: Solucion adaptativa
de ODEs
G.1. Objetivos
Las metas del laboratorio
de Solucion adaptativa de ODEs son

Desarrollar el concepto de metodo adaptativo introducido en otro labo-
ratorio de este texto para la resolucion numerica de distintos problemas
de Matematica, y, en particular, para el caso de la solucion de ecuaciones
diferenciales
comparar la eciencia de distintos metodos de solucion numerica de ODEs
estudiar los errores de aproximacion asociados a distintos metodos de
solucion numerica de ODEs.
G.2. Antes del laboratorio
La idea basica de un metodo adaptativo es renar los calculos solamente en los
dominios en los que es necesario y realizar el mnimo de cuentas en los restantes
para lograr a la postre una distribucion uniforme de los errores de aproximacion.
Analizar en detalle los resultados del laboratorio de integracion adaptativa.
G.3. Laboratorio
Ejercicio G.3.1. Desarrollar un algoritmo y correspondiente programa en
Matlab que implemente un metodo de integracion numerica adaptativa de una
ecuacion diferencial dada en un intervalo del eje real.
Ejercicio G.3.2. Realizar experimentos numericos destinados a determinar
las caractersticas del comportamiento del programa desarrollado en G.3.1 para
distintas funciones de carga f(x, y) y distintos dominios de solucion. Comparar con
otros metodos de solucion numerica de ODEs.
G.4. Aplicaciones y desarrollos avanzados
Ejercicio G.4.1. Analizar en detalle las funciones ode23 y ode45 de Matlab
y, a partir de ellas, y del programa desarrollado en G.3.1, generar un integrador
automatico mas robusto.
Secretara de Ciencia y Tecnica de la UNL, subsidio 1042-1042-34-182 y 94-16-4-20. Proyectos Uso
del producto Mathematica en la ense nanza de la Matematica y Problemas teoricos y numericos
asociados a la obtencion de soluciones de ecuaciones elpticas y parabolicas y sus continuaciones
79
80 G. LABORATORIO DE MATEM
ATICA: SOLUCI
ON ADAPTATIVA DE ODES
G.5. Referencias
nd
edition, J.
da
edicion, Grupo
AP
ENDICE H
Existencia y unicidad de soluciones de ODEs
Dado el PVI
_
y
= f(x, y) x I,
y(x
0
) = y
0
x
0
I.
(H.1)
y las iteraciones de Picard
y
n+1
= y
0
+
_
x
x0
f(s, y
n
(s))ds (H.2)
denimos el rectangulo R : [x x
0
[ a, [y y
0
[ b y
M = max
(x,y)R
[f(x, y)[ (H.3)
L = max
(x,y)R
f(x, y)
y
(H.4)
D = max
(x,y)R
f(x, y)
x
+f(x, y)
f(x, y)
y
(H.5)
Lema H.0.1. Si = min(a, b/M) entonces [y
n
(x) y
0
[ M(x x
0
) para
x
0
x x
0
+
Demostraci on: Por induccion en n. Si n = 0 se toma y
0
(x) = y
0
. Veamos ahora
que si vale para n = k entonces se puede demostrar el caso n = k+1: [y
k
(x)y
0
[
M(x x
0
) implica que [y
k+1
(x) y
0
[ = [
_
x
x0
f(s, y
k
(s))ds[
_
x
x0
[f(s, y
k
(s))[ds
M(x x
0
) si x
0
x x
0
+ lo que demuestra el lema por induccion.
Se tiene que (y
n
(x)) converge sii y
0
(x) + (y
1
(x) y
0
(x)) + (y
2
(x) y
1
(x)) +
. . . +(y
n
(x) y
n1
(x)) +. . . converge como serie. En consecuencia bastara ver que
la serie es absolutamente convergente:
n=1
[y
n
(x) y
n1
(x)[ < (H.6)
Observaci on H.0.2. La serie es absolutamente convergente
Demostraci on:
[y
n
(x) y
n1
(x)[ = [
_
x
x0
(f(s, y
n1
(s)) f(s, y
n2
(s)))ds[ (H.7)
_
x
x0
[f(s, y
n1
(s)) f(s, y
n2
(s))[ds (H.8)
=
_
x
x0
f(s, (s))
y
[y
n1
(s) y
n2
(s)[ds (H.9)
81
82 H. EXISTENCIA Y UNICIDAD DE SOLUCIONES DE ODES
con (s) int(y
n1
(s), y
n2
(s)) de modo que (s, (s)) R, s [x
0
, x
0
+]
L
_
x
x0
[y
n1
(s) y
n2
(s)[ds, x
0
x x
0
+ (H.10)
En particular
[y
2
(x) y
1
(x)[ L
_
x
x0
[y
1
(s) y
0
[ds (H.11)
L
_
x
x0
M(s y
0
)ds = LM
(x x
0
)
2
2!
(H.12)
[y
3
(x) y
2
(x)[ L
_
x
x0
[y
2
(s) y
1
(s)[ds (H.13)
ML
2
_
x
x0
(s x
0
)
2
2
ds = ML
2
(x x
0
)
3
3!
(H.14)
y por induccion
[y
n
(x) y
n1
(x)[
ML
n1
(x x
0
)
n
n!
, x
0
x x
0
+ (H.15)
Resulta as que, para x
0
x x
0
+
j=1
[y
j
(x) y
j1
(x)[ M(x x
0
) +ML
(x x
0
)
2
2!
+ML
2
(x x
0
)
3
3!
+. . . (H.16)
M +ML
2
2!
+ML
2
3
3!
+. . . (H.17)
=
M
L
(L +
(L)
2
2
+
(L)
3
3
+. . .) =
M
L
(e
L
1)(H.18)
Luego y
n
(x) converge para cada x en x
0
x x
0
+
Un argumento similar muestra que y
n
(x) converge para cada x en x
0

x x
0
El lmite de (y
n
(x)) se denotara y(x)
Observaci on H.0.3. La funcion y(x) satisface la ecuacion integral
y(x) = y
0
+
_
x
x0
f(s, y(s))ds (H.19)
y se tiene que y(x) es continua
Como
y
n+1
(x) = y
0
+
_
x
x0
f(s, y
n
(s))ds (H.20)
tomamos lmite:
y(x) = y
0
+ lim
n
_
x
x0
f(s, y
n
(s))ds (H.21)
y tenemos que calcular este lmite. Notemos que y(x) pertenece a R para x
0
x
x
0
+ porque es el lmite de funciones con gracos en R.
H. EXISTENCIA Y UNICIDAD DE SOLUCIONES DE ODES 83
H.0.1. Calculo del lmite.
[
_
x
x0
f(s, y(s))ds
_
x
x0
f(s, y
n
(s))ds[ (H.22)
_
x
x0
[f(s, y(s)) f(s, y
n
(s))[ds (H.23)
L
_
x
x0
[y(s) y
n
(s)[ds (H.24)
pero y(s) y
n
(s) =
j=n+1
(y
j
(s) y
j1
(s)) y entonces
[y(s) y
n
(s)[ M
j=n+1
L
j1
(s x
0
)
j
j!
(H.25)
M
j=n+1
L
j1
j
j!
(H.26)
=
M
L
j=n+1
(L)
j
j!
M
L
(e
L
1) (H.27)
de modo que la integral es
(H.24) M
j=n+1
(L)
j
j!
_
x
x0
ds (H.28)
M
j=n+1
(L)
j
j!
0 (n ) (H.29)
Resulta as que
lim
n
_
t
t0
f(s, y
n
(s))ds =
_
t
t0
f(s, y(s))ds (H.30)
H.0.2. Continuidad de y(x). Escribimos
y(x+h)y(x) = (y(x+h)y
N
(x+h))+(y
N
(x+h)y
N
(x))+(y
N
(x)y(x)) (H.31)
Sea N tal que
M
L
j=N+1
(L)
j
j!
<

3
(H.32)
de modo que si h es sucientemente peque no, h < , se tiene
[y(x +h) y
N
(x +h)[ <

3
(H.33)
y
[y(x) y
N
(x)[ <

3
(H.34)
y, por la continuidad de y
N
(integral repetida)
> 0: [y
N
(x +h) y
N
(x)[ <

3
si [h[ < (H.35)
entonces
[y(x+h)y(x)[ [y(x+h)y
N
(x+h)[+[y
N
(x+h)y
N
(x)[+[y
N
(x)y(x)[ si [h[ <
(H.36)
84 H. EXISTENCIA Y UNICIDAD DE SOLUCIONES DE ODES
Hemos demostrado as que el problema de valores iniciales tiene una solucion
continua en x
0
x x
0
+
Teorema H.0.4. La solucion es unica
Demostraci on: Supongamos que ademas de y(x) se tiene que z(x) tambien es
solucion:
y(x) = y
0
+
_
x
x0
f(s, y(s))ds (H.37)
z(x) = y
0
+
_
x
x0
f(s, z(s))ds (H.38)
entonces
[y(x) z(x)[ = [
_
x
x0
(f(s, y(s)) f(s, z(s)))ds[ (H.39)
_
x
x0
[f(s, y(s)) f(s, z(s))[ds (H.40)
L
_
x
x0
[y(s) z(s)[ds (H.41)
lo que prueba el teorema una vez demostrado el siguiente lema
Lema H.0.5. Sea w(x) una funcion no negativa con
w(x)
_
x
x0
w(s)ds (H.42)
Entonces w(x) es identicamente cero.
Demostraci on: Sea U(x) =
_
x
x0
w(s)ds entonces
dU
dx
= w(x)
_
x
x0
w(s)ds = LU(x) (H.43)
lo que implica
e
L(xx0)
U(x) U(x
0
) (x x
0
) (H.44)
o bien
U(x) = 0 (H.45)
de modo que
0 w(x) L
_
x
x0
w(s)ds = LU(x) = 0 (H.46)
o tambien
w(x) = 0 (H.47)
H.1. REFERENCIAS 85
H.0.3. Errores en el metodo de Euler. El metodo de Euler tiene la ex-
presion y
k+1
= y
k
+ hf(x
k
, y
k
). Si desarrollamos en serie de Taylor: Y (x
k+1
=
Y (x
k
) +hf(x
k
, Y (x
k
)) +
h
2
2
(
f
x
+f
f
y
)(
k
, Y (
k
)) con
k
int(x
k
, x
k+1
)
Si restamos: Y
k+1
y
k+1
= Y
k
y
k
+ h(f(x
k
, Y
k
) f(x
k
, y
k
)) +
h
2
2
(f
x
+
ff
y
)(
k
, Y (
k
)) y se tiene
[Y
k+1
y
k+1
[ [Y
k
y
k
[ +h[f
y
(x
k
,
k
)[[Y
k
y
k
[ +
h
2
2
[(f
x
+ff
y
)(
k
, Y (
k
))[ (H.48)
[Y
k
y
k
[ +hL[Y
k
y
k
[ +
Dh
2
2
(H.49)
y si llamamos E
k
= [Y
k
y
k
[ al error (k > 0) se tiene
E
k+1
= (1 +hL)E
k
+
Dh
2
2
(H.50)
Se prueba que
E
k
(1 +hL)
k
E
0
+
Dh
2
2
((1 +hL)
k
1)
hL
(H.51)
y como (1 +hL) e
hL
se tiene tambien que
E
k
e
khL
E
0
+
Dh
2L
(e
khL
1) (H.52)
como kh <
E
k
e
L
E
0
+
D
2L
(e
L
1)h (H.53)
H.1. Referencias
nd
edition, J.
da
edicion, Grupo
H.1. REFERENCIAS 87
Terminado de imprimir por CEN el 30 de noviembre de dos mil
uno en la ciudad de Santa Fe, Rep ublica Argentina.

Análisis Numerico

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Análisis Numerico

Enviado por

Direitos autorais:

Formatos disponíveis

Este documento es de distribucin gratuita

(1988). Para este

Las referencias se enumeran en el apendice A, pagina 35

(x) dx. Sin embargo, la

y para cada eleccion de los puntos

ORMULA DE SUMA DE EULER 5

(), [a, b] (1.57)

[a, b]) se tiene que

(x) = f(x, y(x)) en [x

= f(x, y) con error menor que si

(x) f(x, y(x))[ , x

ETODOS EN DIFERENCIAS DE UN PASO 23

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

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

= y con un n umero complejo. La region de estabilidad

(x) = f(x, y) (2.16)

ETODOS EN DIFERENCIAS DE UN PASO 25

(x) = f(x, y(x)) si h es peque no. El error de truncamiento

ETODOS EN DIFERENCIAS DE UN PASO 27

ETODOS EN DIFERENCIAS DE UN PASO 29

(x) = f(x, Y (x)) cuando h 0.

= f(x, y), y(x

ETODOS EN DIFERENCIAS DE UN PASO 31

y para cada eleccion de los puntos

tal que para toda particion P mas na

tal que para toda particion P mas na que ella se

del intervalo [a, b] tal que para toda particion

planteamos una suma de Riemann-Stieltjes

. Por la hipotesis de integrabilidad

entre el intervalo [a, b] y el

en [a, b]. Si a y b son

para todo x e y de [a, b]

de Cuadratura Adaptativa son

de Solucion adaptativa de ODEs son

Você também pode gostar