Captulo 4

M
etodos num
ericos

En los captulos precedentes hemos tratado los aspectos m

as b
asicos del C
alculo Diferencial e Integral en una variable real, cuya fundamentaci
on rigurosa y desarrollo posterior
corresponde al An
alisis Matem
atico. Mucho antes de esa fundamentaci
on ya estaba claro que
las soluciones de muchos problemas interesantes (por su importancia en las ciencias e ingeniera o por su interes en las matematicas, al margen de su aplicaci
on) no pueden resolverse
mediante las funciones elementales y lo que conocemos sobre ellas. Por ejemplo, una ecuaci
on
polin
omica de grado mayor o igual a cinco puede no ser resoluble mediante radicales. Por
tanto es conveniente desarrollar metodos que permitan resolver estas ecuaciones y muchos
otros problemas de c
alculo diferencial,
algebra, geometra, fsica y qumica, mediante una
aproximaci
on que pueda ser tan precisa (te
oricamente) como sea necesario. En la pr
actica, el
grado de aproximaci
on a la soluci
on real depender
a de la eficiencia del algoritmo utilizado y
de la potencia de la m
aquina que empleemos.
En este captulo estudiamos dos de esos metodos cl
asicos: el metodo de Newton, que sirve
para resolver aproximadamente ecuaciones arbitrarias (nosotros nos restringiremos a las de
una inc
ognita real), y las f
ormulas de cuadratura, que nos dan el valor aproximado de una
integral aunque el integrando no tenga primitiva conocida.
Con la aparici
on de los ordenadores (computadoras) el estudio de esos metodos y de la
mejora y generalizaci
on de los mismos, o la creaci
on de otros nuevos, tom
o un impulso tan
grande como para dar lugar a una nueva rama de las matem
aticas, el An
alisis Numerico.
En cualquier curso inicial de dicha materia se dedica una parte al tratamiento te
orico del
error, que tiene que ser riguroso para justificar que un metodo funciona adecuadamente. No
vamos a prestar demasiada atenci
on a este aspecto, aparte de esta introducci
on. Son varios
los tipos de error relevantes en un problema de c
alculo numerico, entre ellos los siguientes:
errores en los datos iniciales,
errores de redondeo en los c
alculos,
errores de discretizaci
on y de precisi
on (la m
aquina no maneja el n
umero real, sino una
aproximaci
on al mismo, de forma que un aspecto crucial es el estudio de la representaci
on
de los n
umeros que se nos presentan como una expresi
on decimal en distintas formas,
85

CAPITULO 4. METODOS
NUMERICOS

86

pero en el ordenador ocupan un lugar fsico en la memoria cuyo tama

no se cuantifica
en bits),
errores debidos a la construccion del modelo matem
atico (a veces por simplificaciones
convenientes, como la del movimiento del pendulo simple tomando por sen , a veces
porque se aplican modelos obtenidos numericamente de los fen
omenos a estudiar).

En general, por error se entiende la diferencia entre el valor real de un dato o del resultado,
llamemosle a (en definitiva un n
umero) y el valor que se maneja u obtiene en la implementaci
on
del metodo, pongamos a
. Hay que distinguir entre el error absoluto, que es |a a
|, y el error
|a a
|
relativo, el cociente
. A veces el error relativo se define tambien en funci
on del rango
|a|
de valores que maneje la m
aquina, por ejemplo desde 10 999 (algo menor en valor absoluto
sera tomado como 0) hasta 10999 .
Un metodo numerico se lleva a la pr
actica implementando un algoritmo, que ejecuta
varias rutinas a partir de unos datos iniciales para producir el resultado. Las rutinas pueden
ser repetitivas, realiz
andose varias veces (iteraciones), en cuyo caso se trata de un metodo
iterativo. Dos aspectos b
asicos a estudiar en estos metodos para evaluar su eficiencia son la
convergencia (si efectivamente conducen a la obtenci
on de un resultado v
alido y con que
rapidez llegan a el p. ej. cu
antas iteraciones precisan) y la estabilidad (es deseable que los
posibles peque
nos errores en los datos iniciales o en los c
alculos no incidan demasiado en el
resultado).
Veamos un ejemplo de inestabilidad computacional por propagaci
on del error: supongamos
que queremos calcular
Z 1 10
x
I=
dx
0 a+x
Z 1
xn
y observamos que, si yn =
dx, entonces
0 a+x
Z 1 n 1
Z 1
x
(x + a a)
1
yn =
dx =
xn 1 dx a yn 1 =
a yn 1 .
a
+
x
n
0
0
1+a
, lo tomaremos como dato
a
inicial y aplicaremos un metodo iterativo, que nos da como valores intermedios (en cada
1
1
1
iteracion sucesiva) y1 = 1 a y0 , y2 =
a y1 , y3 =
a y2 , . . . , hasta y10 =
a y9 .
2
3
10
Si en la obtenci
on de y0 cometemos un error ", de forma que obtenemos y0 = y0 + ",
entonces seguiramos con
Nosotros queremos hallar y10 . Por tanto, dado que y0 = log

y1 = 1

a y0 = 1

a y0

a " = y1

a" ,

as que y1 y1 = a ", y de ah y2 y2 = a2 ", y3 y3 = a3 ". . . hasta y10 y10 = a10 ". Si

por ejemplo a = 2, aunque consigamos un error muy peque
no en la evaluaci
on inicial resulta
10
que el metodo usado lo multiplica por 2 .

 NUMERICA

4.1. RESOLUCION
DE ECUACIONES: METODO
DE NEWTON

4.1.

87

Resoluci
on num
erica de ecuaciones: m
etodo de Newton

Si se trata de resolver una ecuaci

on con una u
nica inc
ognita real, x, normalmente podremos
sustituirla por otra equivalente y de la forma
f (x) = 0 .
El metodo m
as utilizado para resolver numericamente una ecuaci
on as es el de Newton.
Es un metodo iterativo que precisa que f sea derivable: en cada aplicaci
on se parte de un
valor inicial x0 , y se define una sucesi
on de puntos (xn ) de acuerdo con la siguiente f
ormula
de recurrencia:
f (xn )
xn+1 = xn
.
f 0 (xn )
En las condiciones adecuadas, la sucesi
on (xn ) converge a una soluci
on s. Cuando el metodo
se implementa en un ordenador, obviamente el programa no calcula los infinitos terminos de
la sucesi
on, sino que se detiene cuando se satisface el criterio de parada, una condici
on que
permite asegurar que el u
ltimo valor hallado es una aproximaci
on suficientemente buena de
una solucion s.
Si queremos visualizar c
omo act
ua el metodo, conviene notar que la expresi
on anterior
equivale a
f (xn )
f 0 (xn ) =
xn xn+1
(nunca ser
a xn+1 = xn , pues si as fuera sera porque f (xn ) = 0 y entonces ya habramos
parado). Por tanto, el valor xn+1 es el de corte con el eje x de la recta tangente a la gr
afica
y = f (x) en el punto de abscisa xn .
y = f (x)

y=0

s
xn+2

xn+1

xn

En el dibujo se muestra una situaci

on en la que la convergencia es muy r
apida. Se ha
indicado tambien xn+2 , y con la escala usada ya no podramos distinguir xn+3 de s.

CAPITULO 4. METODOS
NUMERICOS

88

Para explicar por que funciona el metodo seguiremos una argumentaci

on que se puede
aplicar a otros de la misma clase, los llamados metodos de punto fijo: si g es la funci
on dada
por
f (x)
g(x) = x
f 0 (x)
entonces
f (s) = 0 () g(s) = s .
Es decir, s es soluci
on de la ecuaci
on f (x) = 0 si y s
olo si s es un punto fijo de la funci
on g,
y el metodo construye la sucesi
on dada por xn+1 = g(xn ).
Vamos a suponer que f est
a definida en un intervalo I, en el cu
al existen f 0 y f 00 y son
(2
continuas (se dice que f es una funci
on de clase C (I)). Tambien supondremos que f 0 no se
anula, para que el dominio de g sea todo el intervalo. Entonces g es derivable, con
f 0 (x)

g 0 (x) = 1

f (x)f 00 (x)

f 0 (x)

f (x)f 00 (x)
f 0 (x)

La funci
on g 0 es continua al serlo f, f 0 y f 00 . Supongamos que f (s) = 0 y que s es un punto
interior de I. Resulta que g 0 (s) = 0. Por continuidad, g 0 (x) ! 0 cuando x ! s. Entonces,
si elegimos L 2 (0, 1) podemos asegurar que en los valores muy pr
oximos a s se cumplira
0
|g | L. Dicho con m
as precisi
on, existe > 0 tal que todos los valores x de (s
,s + )
cumplen que |g 0 (x)| L.
Comprobaremos que, si el punto inicial x0 es tan pr
oximo a s como hemos dicho, efectivamente la sucesi
on definida por el metodo converge a s. La clave es el teorema del valor medio,
por el que dados x, y 2 (s
, s + ) podemos escribir
g(x)

g(y) = g 0 (c) (x

para cierto c entre x e y (y por tanto c 2 (s

|g(x)

y)

, s + )), y as

g(y)| = |g 0 (c)| |x

y| L |x

y| .

(1)

Si en particular y = s, como g(s) = s resulta que

|g(x)

s| L |x

s| ,

(2)

y de ah
|g(x)

s| L |x

s| = L |x

s| L |x

g(x) + g(x)

g(x)| + L |g(x)

s| ,

por lo que
(1

L) |g(x)

s| L |x

g(x)| .

(3)

Si aplicamos reiteradamente (2), tenemos que

|xn

s| = |g(xn
2

L |xn
n

L |x0

1)
2

s| L |xn
2

s| = L |g(xn

s| ,

s| = L |g(xn

3)

s|

2)

s|

 NUMERICA

4.1. RESOLUCION
DE ECUACIONES: METODO
DE NEWTON
y como Ln

! 0 vemos que |xn

! 0, es decir

s|

n!1

89

n!1

xn

! s,

n!1

y hemos comprobado que el metodo de Newton converge localmente si f es de clase C (2 .

Adem
as, usando (3) vemos que
(1

L) |xn

s| = (1

L) |g(xn

s| L |xn

1)

es decir
|xn

s|

L
1

|xn

g(xn

xn

1 )|

= L |xn

xn

1| .

1| ,

(4)

Si queremos aproximarnos tanto como |xn s| < ", como criterio de parada podemos tomar
1 L
|xn xn 1 | <
". En la pr
actica, como puede ser difcil conocer el valor de L que podemos
L
considerar, el criterio suele ser simplemente |xn xn 1 | < ", con " razonablemente peque
no.
Si partimos de (4) y aplicamos reiteradamente (1), podemos estimar cu
antas iteraciones
necesitaremos para obtener una buena aproximaci
on en funci
on del valor de |x1 x0 |:
(1

L) |xn

s| L |xn
2

L |xn
n

L |x1

xn
1

xn
x0 | ,

y entonces
|xn

1|

s|

= L |g(xn
2|

1)

= L |g(xn

Ln
|x1
1 L

g(xn
2)

2 )|

g(xn

3 )|

x0 | .

Observaciones. Por todo lo anterior, la convergencia es tanto m

as r
apida cuanto menor sea
L. Pero entonces el valor de ser
a tambien m
as peque
no, de manera que el valor inicial x0
habra de estar m
as pr
oximo a la soluci
on s. Y se supone que no conocemos el valor de s!
C
omo podemos asegurar que elegimos x0 de forma adecuada?
Para empezar, tendremos que elegir x0 en un intervalo donde hay una soluci
on s. Podemos
usar el teorema de Bolzano: si f es continua en [a, b] y f (a)f (b) < 0, seguro que existe al
menos una soluci
on s en (a, b). Adem
as, si f 0 tiene signo constante podemos asegurar que f
es inyectiva (es creciente o decreciente), y la soluci
on es u
nica. Un an
alisis detallado que no
vamos a mostrar permite asegurar que, si tambien f 00 tiene signo constante, una elecci
on de
x0 en el lado correcto de [a, b] har
a que xn converja a s:
Proposici
on. Sea f 2 C (2 ([a, b]) una funci
on tal que
(i) f (a)f (b) < 0,
(ii) f 0 no se anula en [a, b],
(iii) f 00 no cambia de signo en [a, b].
Entonces existe un u
nico s 2 [a, b] tal que f (s) = 0 y, para todo valor inicial x0 2 [a, b] tal
que f (x0 )f 00 (x0 ) 0, la sucesi
on definida por el metodo de Newton converge a s.

CAPITULO 4. METODOS
NUMERICOS

90

Observemos que, como f 0 no se anula en [a, b] y es continua, por el teorema de Bolzano tiene
signo constante. Podramos haber supuesto tambien que f 00 > 0 (de lo contrario consideramos
f , pues igual da resolver f (x) = 0 que f (x) = 0), y la condici
on sobre x0 sera simplemente
f (x0 ) 0.
Nota. En el ejemplo del dibujo la funci
on f cumple estas condiciones (f 00 > 0 significa que
0
f es creciente, y la gr
afica es convexa), y comenzar con x0 donde est
a xn garantiza que el
metodo funciona, con una sucesi
on decreciente que converge a s. Si comenz
aramos con un x0
tal que f (x0 ) < s, est
a claro gr
aficamente que sera x1 > s, pero podra pasar que x1 > b y
perdieramos las condiciones para continuar. Para evitar este problema, se ve f
acilmente que,
si a
nadimos en la proposici
on la condici
on
|f (a)|
b
|f 0 (a)|

|f (b)|
b
|f 0 (b)|

a,

entonces el metodo funciona para cualquier x0 2 [a, b], independientemente de los signos de
f 00 y f (x0 ).

Ejemplo. Se trata de hallar una aproximaci

on de la raz c
ubica de 16 mediante el metodo
de Newton, aplic
andolo a
f (x) = x3

16 .

Como 23 = 8 y 33 = 27, resulta que f (2) < 0 y f (3) > 0, y tomaremos como intervalo
[a, b] = [2, 3]. Adem
as
f 0 (x) = 3x2

f 00 (x) = 6x ,

luego f 0 y f 00 son positivas en dicho intervalo, y tomaremos x0 tal que f (x0 ) > 0. Podemos
comenzar con x0 = 3.
En cada iteraci
on tenemos que aplicar la funci
on
g(x) = x

f (x)
2x
16
=
+ 2,
f 0 (x)
3
3x

as que la sucesi
on que define el metodo es la dada por
x0 = 3,
En particular x1 = 2 +

16
27

70
27 ,

xn+1 =

2xn
16
+ 2 .
3
3xn

y como
g 0 (x) =

2
1
3

16
x3

es facil ver que en [2, 3] se cumple que |g 0 (x)| 2/3, y sabemos que se cumplir
an las desigualdades vistas antes con L = 2/3. Eso nos asegura que
|xn

p
3

16|

2
3

n
2
3

|x1

x0 | = 3

2
3

11
11
=
27
9

2
3

 NUMERICA

4.1. RESOLUCION
DE ECUACIONES: METODO
DE NEWTON

La velocidad de convergencia a
tenemos que

p
3

91

16 es sin embargo mucho mayor: con 10 decimales exactos

x1 2,5925925925
x2 2,5218644494
x3 2,5198437211
x4 2,5198420997

x5 2,5198420997 . . .

p
p
p
3
3
De hecho 3 16 2,519842099789746329, de forma que |x3
16| < 10 5 y |x4
16| <
10
10
10 . Si como criterio de parada establecemos que sea |xn+1 xn | < 10 , el programa
se detiene tras calcular las aproximaciones se
naladas y nos da x4 como aproximaci
on de la
solucion. Si pedimos m
as precisi
on en los resultados obtendramos x5 distinto de x4 , siendo
p
3
|x5
16| < 10 20 .
Velocidad de convergencia. Se dice que un metodo iterativo dado por xn+1 = g(xn ) tiene
orden de convergencia p (p 1) si existe y es no nulo el lmite
lm

n!1

|xn+1 s|
.
| xn s | p

Como parece sugerir lo visto en el ejemplo se prueba que, en las condiciones de la proposicion
dada, si adem
as f es de clase C (3 (es decir, existe f 000 y es continua) la convergencia del metodo
de Newton es de orden 2. Se dice que es un metodo de convergencia cuadr
atica. Adem
as no
hay problemas de estabilidad, por lo que el metodo de Newton es muy eficaz en la resolucion
numerica de ecuaciones. De hecho, los metodos m
as usados siguen bas
andose en el metodo de
Newton.
El m
etodo de la secante. El metodo de Newton no puede aplicarse si no es sencillo evaluar la
derivada f 0 , lo que sucede por ejemplo si no disponemos de una expresi
on exacta de f , sino de
una aproximaci
on a partir de datos obtenidos tambien numericamente o experimentalmente.
Se puede aplicar entonces el metodo de la secante, que resulta de aproximar en cada paso
f 0 (xn )

f (xn )
xn

f (xn
xn 1

1)

Es decir, el metodo de la secante consiste en tomar como aproximaciones los valores de la

sucesion
xn xn 1
xn+1 = xn f (xn )
.
f (xn ) f (xn 1 )
p

Si f es de clase C (3 el metodo tiene orden de convergencia 1+2 5 ( 1,618), por lo que es

igualmente muy u
til en los casos rese
nados.
En el dibujo siguiente se ilustra el metodo de la secante. Compar
andolo con el anterior,
se aprecia que el nuevo punto xn+1 est
a m
as pr
oximo a la soluci
on en el caso del metodo de
Newton que en el caso de la secante.

CAPITULO 4. METODOS
NUMERICOS

92

y = f (x)

y=0

s
xn+1

4.2.

xn

xn

Integraci
on num
erica

Veremos en esta secci

on las f
ormulas m
as sencillas y cl
asicas (las f
ormulas de cuadratura
de Newton-Cotes) para calcular la integral de una funci
on de forma aproximada. En cada caso
indicaremos c
omo podemos estimar el error que cometemos al tomar los valores obtenidos en
lugar del verdadero valor de la integral.
Como se ver
a, dichas f
ormulas consisten en integrar el polinomio que, en los puntos de
referencia o nodos, toma los mismos valores que la funci
on dada.
La obtenci
on de dicho polinomio es el ejemplo m
as simple de un problema de interpolaci
on: dada una funci
on que debemos considerar, se trata de hallar otra m
as sencilla, dentro
de cierta clase bien estudiada (en este caso polinomios) que tome los mismos valores que la
dada en un cierto conjunto de puntos (si se quiere mejor aproximaci
on, se puede imponer que
tambien tomen los mismos valores las derivadas, las derivadas segundas, etc.)

4.2.1.

Polinomios de interpolaci
on

El problema de Lagrange de interpolaci

on consiste en hallar, dada una funci
on f y un
conjunto de nodos en su dominio, x0 , x1 , . . . , xn , un polinomio P tal que P (xj ) = f (xj ) para
cada j = 0, 1, . . . , n.
No es difcil ver que, si imponemos que P tenga grado n, la soluci
on del problema existe
y es u
nica:
Si existe es u
nica porque, si P y Q tienen grado n y P (xj ) = Q(xj ) en los n + 1 nodos
xj deducimos que el polinomio P Q, de grado n, tiene al menos n + 1 races reales, con
lo que debe ser P Q = 0 y P = Q.
Expresaremos un polinomio que es soluci
on del problema (por tanto es la soluci
on):

 NUMERICA

4.2. INTEGRACION

93

Para cada j = 0, 1, . . . , n definimos

`j (x) =

n
Y
x
x
j
k=0

xk
,
xk

k6=j

un polinomio de grado n. Es directo que `j (xj ) = 1 y que `j (xk ) = 0 si k 6= j. Entonces, el

polinomio
n
X
P (x) =
f (xj ) `j (x)
j=0

(que tiene grado n porque es combinaci

on lineal de los anteriores) cumple en efecto que
P (xj ) = f (xj ) para cada j, y resuelve el problema planteado.
Los polinomios `j anteriores se llaman polinomios de interpolaci
on de Lagrange.
No obstante, para obtener el polinomio de interpolaci
on en un caso concreto, aplicar la
f
ormula anterior no suele ser lo m
as conveniente:
Ejemplo. Queremos hallar el polinomio p de grado 3 tal que
p( 1) = 0,

p(0) = 2,

p(1) =

La expresi
on anterior nos dice (tomando x0 =
p(x) = 2 `1 (x)

{a

b+c

1)(x

2)

y p(2) = 2 .

1, x1 = 0, x2 = 1 y x3 = 2) que

`2 (x) + 2 `3 (x) ,

(x + 1)x(x 2)
(x + 1)x(x 1)
y `3 (x) =
.
2
2
6
M
as directamente, podemos plantear que el polinomio p(x) = a + bx + cx2 + dx3 toma los
valores dados, lo que equivale a decir que se satisface el sistema de ecuaciones lineales
con `1 (x) =

(x + 1)(x

, `2 (x) =

d = 0, a = 2, a + b + c + d =

con solucion {a = 2, b =

7
, c=
3

1, a + 2b + 4c + 8c = 2} ,

5
11
, d = }, y por tanto
2
6

p(x) = 2

7
x
3

5 2 11 3
x +
x .
2
6

Mejor todava: podemos buscar la soluci

on escribiendola en la forma
p(x) = a + b(x + 1) + c (x + 1) x + d (x + 1) x (x
h
i
= a + (x + 1) + x + (x 1) ,

1)

lo que dice sucesivamente que a = p( 1) = 0, = p(0) = 2, 2 (2 + ) = p(1) =

= 5/2, y finalmente 3 (2 5 + 2 ) = p(2) = 2, luego = 11/6.

1, luego

La idea del final se puede aplicar en general, y da lugar a la obtenci

on del polinomio de
interpolacion mediante el m
etodo de las diferencias divididas de Newton, que no vamos
a detallar. Es mucho m
as r
apido computacionalmente que la expresi
on de Lagrange, y ademas
permite estimar el error |P (x) f (x)| en los puntos x distintos de los nodos.

CAPITULO 4. METODOS
NUMERICOS

94

4.2.2.

F
ormulas de cuadratura

En una f
ormula de cuadratura se aproxima el valor de
Z

f (x) dx

n
X

f (x) dx mediante
a

j f (xj )

j=0

para ciertos nodos xj (a x0 < x1 < < xn 1 < xn b). Se dice que la f
ormula es de tipo
interpolatorio si es exacta para grado n, lo que quiere decir que
Z b
n
X
p(x) dx =
j p(xj ) para toda polinomio p(x) de grado n.
a

j=0

Proposici
on. Una f
ormula de cuadratura como la anterior es de tipo interpolatorio si y s
olo
Rb
si j = a `j (x) dx , donde `j es el polinomio de Lagrange correspondiente a xj para los nodos
x0 , . . . , x n .
En efecto: por un lado, si es de tipo interpolatorio tendremos, por ser `j polinomio de
grado n,
Z b
n
X
`j (x) dx =
k `j (xk ) = j ,
a

k=0

pues como vimos `j (xj ) = 1 y `j (xk ) = 0 si k 6= j.

Recprocamente, supongamos que la igualdad se cumple para cada j. Si p es un polinomio

de grado n entonces p coincide con su polinomio de interpolaci
on en los nodos dados, que
P
es j p(xj )`j (x), y
Z

p(x) dx =
a

n
X
j=0

p(xj )

`j (x) dx =
a

n
X

p(xj ) .

j=0

Conclusi
on: la f
ormula de cuadratura es de tipo interpolatorio si, y s
olo si, para cada funcion
Rb
f definida en [a, b] aproxima la integral a f (x) dx por la integral del polinomio que interpola
a f en los nodos dados:
Z b
Z b
Z bX
n
n
X
f (x) dx
P (x) dx =
f (xj )`j (x) dx =
j f (xj ) .
a

a j=0

j=0

El error cometido en la aproximaci

on es entonces
Z b
Z b
Z b
f (x) dx
P (x) dx =
f (x)
a

P (x) dx .

Para estudiarlo, conviene tomar la expresi

on de P (x) que se obtiene por el metodo de las
diferencias divididas antes mencionado.
F
ormulas de Newton-Cotes. Son las que resultan si tomamos como nodos
x 0 = a < x1 < < xn

< xn = b

(prescindiendo tal vez de los extremos) de tal manera que son equidistantes, es decir xj =
b a
x0 + j h, con h =
.
n

 NUMERICA

4.2. INTEGRACION

95

Si interpolamos en x0 , x1 , . . . , xn
Si interpolamos en x1 , . . . , xn

1 , xn

se dicen f
ormulas cerradas.

se dicen f
ormulas abiertas.

Notemos que las f

ormulas cerradas ser
an exactas al menos para grado n, y las abiertas lo
ser
an al menos para grado n 2. En lo que sigue detallamos las f
ormulas para los casos mas
sencillos (los que usan menos nodos):

a+b
.
2
Como es exacta en los polinomios de grado 0, o sea las constantes, debe ser la dada por

Formula abierta con un nodo: el u

nico punto de interpolaci
on es el punto medio

b
a

f (x) dx (b

a) f

a+b
2

(f
ormula del punto medio).
Si f es de clase C (2 , el error cometido es igual a

f 00 (c)
(b
24

a)3 para alg

un c 2 (a, b).

En particular, se sigue que la f

ormula es exacta para grado 1 (lo que se puede comprobar
directamente).
F
ormula cerrada con dos nodos: tenemos que interpolar en los nodos a y b. Ser
a exacta
para grado 1, y el valor aproximado que proporciona es la integral de la secante en a y b:

La f
ormula es entonces
Z

b
a

f (x) dx

a
2

f (a) + f (b)

(f
ormula del trapecio).

El error cometido, si f es de clase C (2 , es igual a

F
ormula abierta con dos nodos: se interpola en a +
a + 2b
. La f
ormula ser
a de la forma
3
Z b
2a + b
f (x) dx 1 f
+
3
a

f 00 (c)
(b
12
b

a
3

2f

a)3 para alg

un c 2 (a, b).

y a+2

a + 2b
.
3

a
3

, o sea en

2a + b
y
3

CAPITULO 4. METODOS
NUMERICOS

96
Por simetra se debe cumplir que

y como es exacta para grado 1 tambien lo ser

a
b a
para las constantes, por lo que f
acilmente 1 = 2 =
, es decir
2
Z

b
a

f (x) dx

b
2

2,

2a + b
+f
3

a + 2b
.
3

Ahora se integra la secante en los dos puntos dados, y el error suele ser menor que en el
f 00 (c)
caso anterior: si f es de clase C (2 , es igual a
(b a)3 para alg
un c 2 (a, b).
36
a+b
F
ormula cerrada con tres nodos: interpolamos en a, b y el punto medio
, as que ser
a
2
Z b
a+b
f (x) dx 1 f (a) + 2 f
+ 3 f (b) ,
2
a
de forma exacta para grado 2. Integrando 1, x a y (x a)2 se plantea un sistema que nos
b a
2
da rapidamente los valores de j : 1 = 3 =
y 2 = (b a), y la f
ormula es
6
3
Z

b
a

f (x) dx

b
6

f (a) + 4 f

a+b
+ f (b)
2

(f
ormula de Simpson).

f (4) (c)
(b
2880
En particular, resulta que la f
ormula es exacta para grado 3.
Para f de clase C (4 el error de la aproximaci
on es

a)5 para alg

un c 2 (a, b).

F
ormulas de cuadratura compuestas. Si integramos una funci
on en un intervalo grande
(en relaci
on al tama
no de los valores de f ) para aumentar la precisi
on en la aproximacion
lo mejor no es aumentar el n
umero de nodos (porque se complican mucho los c
alculos), sino
dividir el intervalo en otros m
as cortos y aplicar en cada uno de ellos una f
ormula de cuadratura
con pocos nodos.
En particular, si dividimos el intervalo en n subintervalos iguales, en cada uno de ellos
aplicamos la f
ormula de Simpson y sumamos las n aproximaciones, obtenemos la f
ormula
de Simpson compuesta. Se demuestra que el error es entonces, para funciones de clase C (4 ,
expresable como
(b a) h4 (4)
f (c) ,
2880
b a
donde c 2 (a, b) y h =
es la longitud de cada subintervalo.
n