ECN Apuntes

ELEMENTOS DE CALCULO RICO

NUME
Ri ardo G. Dur
an, Silvia B. Lassalle y Julio D. Rossi
Indi e General
Captulo 1. Punto otante y redondeo 1

1. Punto otante 1
2. Redondeo 3
3. Ejer i ios 11
Captulo 2. Normas y ondi ionamiento de una matriz 15
1. Ejer i ios 29
Captulo 3. Resolu ion de sistemas lineales 35
1. Metodos dire tos 35
2. Metodos iterativos 40
3. Ejer i ios 60
Captulo 4. Resolu ion de e ua iones no lineales 65
1. Metodo de bise ion 65
2. Metodo regula falsi 68
3. Metodo de Newton-Raphson 69
4. Metodo de punto jo 76
5. Metodo de la se ante 79
6. Ejer i ios 83
Captulo 5. Interpola ion 87
1. Interpola ion de Lagrange 87
2. Error de interpola ion 90
3. Forma de Newton 92
4. Polinomios de T heby hev - Minimiza ion del Error 95
5. Interpola ion de Hermite 102
6. Interpola ion por polinomios a trozos 104
7. Ejer i ios 107
Captulo 6. Polinomios ortogonales y aproxima ion por uadrados mnimos 111
1. Preliminares 112
2. Solu ion de los Problemas de Aproxima ion 118
3. Ejer i ios 127
Captulo 7. Integra ion numeri a 131
1. Formulas de Newton-Côtes 132
2. Estima ion del error 139
3. Formulas de uadratura ompuestas 145
3
4 INDICE GENERAL
4. Cuadratura Gaussiana 150

5. Convergen ia de los metodos de uadratura 158
6. Ejer i ios 161
Captulo 8. Resolu ion de e ua iones diferen iales ordinarias 165
1. Metodos de un paso 167
2. Analisis del error y Convergen ia 176
3. Metodos multipaso lineales 182
4. Ejer i ios 191
CAPTULO 1
Punto otante y redondeo
El objeto de este aptulo es analizar la representa ion de los numeros en una omputadora y la
propaga ion de los errores de redondeo al realizar al ulos.
Como la antidad de informa ion que puede guardarse en una omputadora es nita, la maquina
trabajara solo on un onjunto nito de numeros. A estos los llamaremos numeros de maquina.
En onse uen ia, toda vez que de nuestros datos o al ulos surja un numero que no pertene e a
este onjunto nito, este debera ser reemplazado por una aproxima ion (el numero de maquina
mas er ano). Este reemplazo da lugar a lo que llamamos errores de redondeo.
Al realizar al ulos estos errores de redondeo se propagan y esto puede llevar a resultados
totalmente in orre tos omo veremos en algunos ejemplos simples.
En las apli a iones del al ulo numeri o es pra ti amente imposible determinar exa tamente la
magnitud de los errores de redondeo. Lo que si puede ha erse, y es de fundamental importan ia,
es identi ar las posibles ausas de que los errores se propaguen mas de lo admisible. Esto
permite mejorar los algoritmos o determinar que metodo es mas onveniente para resolver un
problema. Un laro ejemplo de esto, que veremos mas adelante, apare e uando se utiliza el
metodo de elimina ion de Gauss para resolver un sistema de e ua iones lineales. En este aso,
el analisis de la propaga ion de errores permite determinar la forma mas e iente de apli ar el
metodo.
Por otra parte, es fundamental distinguir uando la propaga ion ex esiva de errores se debe a
que el algoritmo utilizado es \malo" o inestable o a que el problema en s mismo esta \mal
ondi ionado". En el primer aso se puede (se debe!) tratar de mejorar el metodo de resolu ion
mientras que en el segundo aso el problema es mas esen ial. Los ejemplos que presentaremos
ilustraran estos dos asos.
1. Punto otante
En lo que sigue supondremos que los numeros de maquina son los que apare en en la pantalla.
Esto no es exa to pues en realidad la omputadora opera internamente on los numeros desar-
rollados en base 2 y no en base 10. Este abuso de lenguaje es solo para mayor laridad (el le tor
podra observar que todo nuestro analisis puede repetirse trabajando en base 2).
Observemos primero que un numero real ualquiera, x 2 IR, x > 0, puede es ribirse omo
2 1. PUNTO FLOTANTE Y REDONDEO
1
x = 0; a1 a2 : : : ak : : : 10l = r 10l ;
10 r < 1 (es de ir; a1 6= 0)
Pero en una omputadora no se pueden poner innitos dgitos. Por lo tanto, se trabaja solo
on numeros de desarrollo nito y de una longitud dada. De la misma forma, el exponente l
(es de ir el orden del numero) estara limitado a ierto rango. En onse uen ia los numeros de
maquina seran de la forma
x = 0; a1 a2 : : : am 10l = q 10l M1 l M2 ; ; a1 6= 0
mas los orrespondientes negativos y el ero. Los numeros m, M1 y M2 dependen de la maquina.
Esta representa ion de los numeros es la que se llama de punto otante.
Los numeros de maquina forman un onjunto nito de numeros ra ionales. La antidad de
numeros de maquina que hay entre 1=10 y 1 es,
#fx = 1=10 x < 1g = 9 10m 1 :
En general, la antidad que hay entre 10l y 10l+1 es tambien 9 10m 1 . Esto nos di e que
los numeros lde malquina no estan uniformemente distribuidos. S lo esta el sub onjunto que
esta entre 10 y 10 +1 para ada l. En parti ular, los numeros mas grandes estan mas separa-
dos. Resulta util para la omprension ha er un dibujo de los numeros de maquina en la re ta
numeri a (Ejer i io). Al analizar la propaga ion de errores de redondeo se a larara por que esta
distribu ion de los numeros es mas razonable que una uniforme.
Sea x 2 IR. Para simpli ar nota ion supondremos x > 0 ( laramente todas las onsidera iones
que haremos se apli an analogamente a los numeros negativos). Hay dos posibilidades: que x
este o no en el rango de los numeros de maquina. Si al ha er al ulos apare e un numero en
la segunda situa ion, por ser muy grande o muy hi o, la omputadora nos dara un mensaje
indi andolo.
Supongamos enton es que x esta en el rango de la maquina, o sea,
x = 0; a1 a2 : : : am : : : 10l M1 l M2 ; a1 6= 0
Este x esta entre dos numeros de maquina,
x0 x x00
Supongamos, para simpli ar, que am 6= 9 (anali e el le tor el aso ontrario). Enton es tenemos
x0 = 0; a1 a2 : : : am 10l
y
x00 = 0; a1 a2 : : : (am + 1)10l
2. REDONDEO 3
2. Redondeo
Hay dos formas de aproximar a x. Una es por trun amiento: se elige siempre x0 es de ir el
mayor de los numeros de00 maquina que son menores que x. La otra forma es tomar el mas
proximo a x entre x y x . A esta forma de aproximar se la ono e por redondeo y es la que
0
usan habitualmente las omputadoras.
Veamos que error ometemos al aproximar un numero por redondeo. Usaremos la nota ion
x = x redondeado
El error absoluto sera
jx x j 12 101m 10l
Mientras que el error relativo se puede a otar de la forma siguiente
jx x j 1 10l m
jxj 2 0; a1 a2 : : : am : : : 10l
y omo
0; a1 a2 : : : am : : : 101
se tiene que
jx xj 5 10 m
jxj
Es de ir que el error relativo es del orden de 10 m si nuestra maquina trabaja on m dgitos.
Es importante observar que, si bien el error absoluto que introdu e el redondeo depende de la
magnitud del numero, el relativo, que es el mas signi ativo, es independiente de esta, esta on-
trolado en terminos de la antidad de dgitos on la que trabaja nuestra omputadora (Ejer i io:
meditar que tiene que ver esto on la distribu ion no uniforme de los numeros de maquina).
Si tenemos
x = 0; a1 a2 : : : am 10l ; a1 6= 0
de imos que ono emos a x on m dgitos signi ativos, lo que equivale, segun vimos, a ono erlo
on un error relativo del orden de 10 m . Observar la importan ia de la ondi ion a1 6= 0: de lo
ontrario los dgitos dejan de ser signi ativos.
Observemos que
x = x(1 + Æ)
on
jÆj " = 5 10 m
Este " es el error de redondeo unitario, es de ir, que el error que se omete al aproximar x por
x es xÆ on jÆj ", de esta forma el error jx x j sera menor o igual que "jxj.
Este valor, ", depende de la maquina y se lo llama el " de la maquina. Re ordemos que, segun lo
omentado antes, el verdadero " de maquina no es exa tamente este debido a que la omputadora
trabaja en base 2. Pero desde el punto de vista pra ti o solo interesa el orden de " (y este s es
orre to!).
Ejer i io: al ular el " exa to suponiendo que la maquina trabaja en base 2 on k dgitos.
Otra forma de interpretar el signi ado del " de la maquina es la siguiente: " nos di e ual es el
menor numero tal que, en la maquina,
1 + " 6= 1
O sea, si se le suma a 1 algo menor que ", \desapare e" debido al redondeo. En efe to, segun la
maquina tendremos
1 + 4 10 m = 1; 0 : : : 04 = 0; 10 : : : 00 10 = 1
en ambio,
1 + " = 1; 0 : : : 06 = 0; 10 : : : 01 10 6= 1
Si sumamos exa tamente " el resultado dependera de omo redondee la maquina en el aso en
que x equidista de dos numeros de maquina, es de ir, uando la ifra m + 1 es justo 5.
Mas en general, el orden del menor numero que sumado a un x da, en la maquina, un resultado
distinto de x es "jxj.
Es fundamental observar que " no es el menor numero que se puede representar en la maquina
(y esta muy lejos de este!). Este ultimo depende de M1 y no de m.
Veamos ahora algunos de los problemas que surgen debido al redondeo.
Empe emos por sumar dos numeros. Como vimos, si sumamos dos numeros de ordenes muy
distintos, el mas hi o puede \desapare er". Por ejemplo, si m = 5 y
2. REDONDEO 5
x = 78473000; y = 24
tenemos
x = 0; 78473 108 ; y = 0; 24 102
es de ir que x e y son numeros de maquina. Enton es,
x + y = 78473024
y por lo tanto,
(x + y) = 0:78473 108 = x = x

En parti ular, esto nos di e que si tenemos que sumar varios numeros x1; x2 ; : : : ; xN onviene
ha erlo de menor a mayor (>Por que?).
En el ejemplo anterior el problema no es muy importante ya que no se pierden dgitos signi a-
tivos, es de ir, el orden del error relativo no se agranda (se esta perdiendo la informa ion de un
numero que es despre iable respe to del otro sumando).
El problema es mu ho mas serio uando deben restarse dos numeros pare idos. En este aso,
debido a lo que se ono e omo \ an ela ion atastro a", pueden perderse dgitos signi ativos
o, en otras palabras, agrandarse mu ho el error relativo.
Consideremos omo antes m = 5 y tomemos
x = 0; 372154876; y = 0; 372023264
enton es,
x = 0; 37215; y = 0; 37202
y por lo tanto,
x y = 0; 000131612
mientras que
x y = 0; 00013 = 0; 13 10 3
Observemos que su edio: x e y estaban representados on 5 dgitos signi ativos pero al restarlos
quedaron solo 2 del resultado. En onse uen ia5 el error relativo re io de manera tal2 que si bien
el error relativo en x e y era del orden de 10 el del resultado es del orden de 10 .
Como on lusion observamos que hay que tratar de evitar restar numeros \ asi iguales". Por
ejemplo, supongamos que queremos al ular
p
y= x2 + 1
1
para valores de x peque~nos. Si lo ha emos dire tamente, estamos en la situa ion anterior. En
ambio podemos pro eder de la siguiente manera:
p2 p 2
1= ( x + 1 1)( x2 + 1 + 1)
p 2x
p
y= x2 + 1 p2 =
( x + 1 + 1) ( x + 1 + 1)
y utilizar la ultima expresion para al ular y. Si los al ulos fueran exa tos ambas formulas
daran el mismo resultado pero, debido al redondeo, dan resultados distintos. Por ejemplo,
trabajando on 5 dgitos, si x = 0; 0312 obtenemos on la primera formula y = 0; 0004 (un
solo dgito signi ativo si bien ono amos x exa tamente). Mientras que on la segunda, y =
0; 00048662 (que tiene uatro dgitos signi ativos orre tos).
El mismo problema surge al al ular y = x senx para x peque~no. En este aso se puede usar
el desarrollo de Taylor,
3 5 7
y=x senx = x3! x5! + x7! : : :
y al ular y sumando los primeros terminos de la serie.
Otro aso en el que la an ela ion de dgitos signi ativos puede presentarse es en la resolu ion
de una e ua ion uadrati a
ax2 + bx + = 0
si utilizamos la formula habitual
p p2
b + b2 4a b b 4a
x1 = y x2 =
2a 2a
Consideremos por ejemplo,
x2 105 x + 1 = 0
Los primeros dgitos exa tos de las ra es son
x1 = 99999:99999
y
x2 = 0:000010000000001
2. REDONDEO 7
Usando la formula para x2 tenemos
105 p1010 4
x2 =
2
Si trabajamos on o ho dgitos el 4 desapare e y x2 resulta igual a ero. Otra vez hemos restado
dos numeros pare idos!
Esto se puede solu ionar al ulando primero x1 y luego obtener x2 usando que x2 = ax 1 .
En general, la forma orre ta de en ontrar las ra es en el aso en que a sea despre iable respe to
de b, es al ulando primero
p
x1 =
sign(b) b2 4a
b
2a
y luego la otra raiz omo hi imos en el ejemplo. De esta forma se evita la perdida de dgitos
signi ativos.
Un problema fundamental del al ulo numeri o es la resolu ion de sistemas de e ua iones lineales.
Veamos omo los errores de redondeo pueden afe tar la solu ion aun en problemas de dos
e ua iones on dos in ognitas. Tratemos de resolver el siguiente sistema utilizando el metodo
de elimina ion de Gauss,

" 1 x = 1
1 1 y 2
Pongamos, a modo de ejemplo, " = 10 6 y supongamos que la maquina trabaja on in o dgitos.
Multipli ando la primera la por 1" = 106 y restandosela a la segunda obtenemos

10 6 1 6 x = 1 6
0 1 10 y 2 10
pero, on el redondeo a in o ifras nos queda

10 6 1 6 x = 1 6
0 10 y 10
(perdimos la informa ion de la segunda e ua ion!).
Mientras que el resultado exa to es

10 6 1 x = 1
0 999999 y 999998
Hasta aqui el error no pare e grave. Pero veamos: si utilizamos 0la matriz obtenida on la maquina
y despejamos de la segunda e ua ion obtenemos la solu ion y = 1 y luego, reemplazando en la
primera, x0 = 0.
Pero la solu ion verdadera es
1 2 10 6 1 = y0
y=
1 10 6
x=
1 6= 0 = x0
1 10 6
Observemos que x x0 = x = 1 101 6 es aproximadamente 1. Ademas el error relativo es 1
( atastro o!).
Anali emos que su edio. Al ha er las restas 1 1" , 2 1" se introdu e un peque~no error en
la matriz triangulada que se propaga a la solu ion. Este error, al perder la sexta ifra, no es
signi ativo respe to de y pero al reemplazar en la primera e ua ion queda,
"x0 = 1 y0 ; y enton es x = 1" (1 y0)
Esto impli a que el error y y se ampli a por un fa tor 1" dando lugar a un error grande en x.
Veamos ahora que pasa si ha emos el mismo pro eso de elimina ion de Gauss pero inter am-
biando las las de lugar. Queda

1 6 1 x = 2
10 1 y 1
Operando (la 2 - " la 1), obtenemos

1 1 6 x = 2 6

0 1 10 y 1 2 10
y on el redondeo a in o ifras nos queda

1 1 x = 2
0 1 y 1
que tiene omo solu ion y = 1, x = 1.
0 0
>Que paso? El inter ambio de las permitio obtener un resultado orre to evitando la propa-
ga ion atastro a del error que se daba en el otro aso. Veremos mas adelante que esto es algo
general: onviene elegir omo \pivote" (elemento por el que se divide) para la elimina ion de
Gauss el que tenga mayor valor absoluto.
En este ejemplo, la primera forma de resolver era un algoritmo \malo" o inestable en el sentido
de que ampli aba los errores llevando a resultados absolutamente erroneos. Sin embargo, esto
2. REDONDEO 9
se solu iono inter ambiando el orden de las las, o sea, modi ando el algoritmo. Esto muestra
que el error en el primer aso se deba a la forma de resolver y no a algo inherente al problema
en s mismo.
Hay asos de naturaleza esen ialmente diferente en los uales el problema que se quiere resolver
esta \mal ondi ionado". Esto signi a que peque~nos ambios en los datos impli an grandes
ambios en la solu ion. Esto ha e que los errores de redondeo puedan ampli arse mu ho
independientemente del metodo que usemos para resolverlo.
Veamos un ejemplo de esto. Supongamos que nuestra maquina trabaja on 3 dgitos y trun a.
Resolvamos el sistema

0:780 0:563 x = 0:217
0:913 0:659 y 0:254
La solu ion exa ta es x = 1, y = 1.
Teniendo en uenta lo visto antes, inter ambiamos las antes de ha er la elimina ion de Gauss.
Obtenemos

0:913 0:659 x = 0:254
0 0:001 y 0:001
y en onse uen ia y = 1 y x = 0:443 que no tiene nada que ver on la solu ion exa ta. En
0 0
parti ular, el error es mayor que la solu ion misma!
Lo que su ede en este ejemplo es que la matriz esta \mal ondi ionada" (mas adelante pre isare-
mos lo que esto signi a) y habra problemas independientemente del algoritmo que utili emos.
Otro ejemplo de problema \mal ondi ionado" es el siguiente. Las ra es de
(x 2)2 = 10 6
son
x1 = 2 + 10 3 x2 = 2 10 3
en ambio, las ra es de
(x 2)2 = 0
son x1 = x2 = 2.
Este ejemplo trivial muestra que un peque~no ambio en un oe iente de la e ua ion polinomial
puede dar lugar a un ambio de otro orden en las3 ra es. En este aso, un ambio de 10 6 en el
termino independiente origina un ambio de 10 en las ra es.
Un ejemplo mas interesante es el estudiado por Wilkinson en 1963. Se trata de al ular las
ra es de
p(x) = (x 1)(x 2) : : : (x 19)(x 20) = x20 210x19 + : : : :

Wilkinson demostro que al ambiar el oe iente 210 por 210 2 23 las ra es 16 y 17 se
transforman en el par omplejo
16:73 : : : + i2:812 : : : 16:73 : : : i2:812 : : :
Para nalizar, veamos otro ejemplo de algoritmo inestable. El problema onsiste en al ular
Z 1
En = xn ex 1 dx n = 1; 2; : : :
0
Integrando por partes se obtiene
Z 1 Z 1
En = xn ex 1 dx = xn ex 1 j1 nxn 1 ex 1 dx
0
0 0
es de ir
En = 1 nEn 1
y es fa il ver que
E1 = 1=e
on lo que tenemos denida la su esion En en forma re ursiva.
Usando esta rela ion re ursiva para al ular on una maquina que trabaje on seis dgitos se
obtiene,
E1 0:367879
E2 0:264242
E3 0:207274
...
E9 0:0684800
uando en realidad
E9 0:0916
on lo que el resultado omputa ional es pesimo.
En este aso lo que su ede es que el error de En 1 se ampli a multipli andose por n. Enton es
en nueve pasos se multipli a por 9!, obteniendose un error de
9! error ini ial = 9! 4:412 10 7 0:1601
que resulta mayor que el verdadero E9 .
3. EJERCICIOS 11
Como on lusion el algoritmo es malo. Pero observemos que no lo es el problema en s mismo.
Como alternativas podemos al ular En por integra ion numeri a o bien ha er el siguiente tru o.
Observemos que
En 1 =
1 En
n
y omo Z 1 1 !0
En xn dx =
0 n+1
podemos empezar de E20 0 e ir ha ia atras usando En 1 = 1 . Este algoritmo es estable
En
n
(el error en ada paso se multipli a por algo menor que uno).
Como on lusion, los ejemplos analizados en esta se ion muestran la diferen ia entre el aso
en el ual la ampli a ion de los errores de redondeo se debe a que el problema esta \mal
ondi ionado" o \mal planteado" y el aso en el que di ha ampli a ion se debe al uso de un
\algoritmo inestable". Es fundamental distinguir entre ambos asos y, por otra parte, en ontrar
las ausas de la propaga ion indebida de errores on el objeto de mejorar los algoritmos.
3. Ejer i ios
(1) Utilizando el metodo de redondeo:
(a) Hallar el numero de maquina mas proximo a 125:6 y a= 126 si trabaja on
Base 10 y mantisa de 2 dgitos.
Base 2 y mantisa de 8 dgitos.
(b) Veri ar para x = 125:6, la ono ida ota para el error relativo
j x fl(x) j
x
si = 1=2 1 ddonde es la base y d la longitud de la mantisa.
( ) >Cual es, en ada aso, el valor que da la maquina omo resultado de las opera iones
126 + 125:6 y 126 125:6? >Cual es el error relativo de estos resultados?
(2) Utilizando el metodo de trun amiento:
(a) Reha er el Ejer i io 1, on el orrespondiente, es de ir: = d+1, donde y d
son omo antes.
(b) Demostrar que, en este aso, es el menor numero de maquina tal que 1 + 6= 1.
>Cuanto da + ?
(3) Mostrar que fl(x) tiene (para ambos metodos) una es ritura de la forma
fl(x) = x(1 + Æx )
donde jÆx j : (Usar la ota para el error relativo).
(4) Perdida de dgitos signi ativos:
(a) Si x; y 0 demostrar que
x + y fl(fl(x) + fl(y ))

2 + 2 :
x+y

Observar que en la expresion 2 + 2 el valor de 2 es despre iable dado que es

peque~no.
(b) Si x e y no poseen el mismo signo, >puede repetir la misma uenta? (Sugeren ia:
re ordar el error relativo de 126 125:6 en el ejer i io 1, item ( ), utilizando la
omputadora binaria on mantisa de 8 dgitos.)
(5) Un ejemplo que muestra que algunas de las reglas de la aritmeti a no son validas para
opera iones de punto otante.
(a) Intentar anti ipar el resultado de los siguientes al ulos:
(i) (1 + 2 ) + 2
(ii) 1 + ( 2 + 2 )

(iii) (1 + 2 ) + 2 1 (iv) 1 + ( 2 + 2 ) 1
(b) Efe tuar estos al ulos usando Matlab y omprobar las predi iones he has.
(6) Hallar la raz menor en modulo de la e ua ion
x2 40x + 0:25 = 0;
utilizando aritmeti a de 4 dgitos y omparar on el resultado obtenido utilizando arit-
meti a exa ta. Cal ular el error relativo y asegurarse de omprender de donde viene la
perdida de dgitos signi ativos. >Se le o urre omo al ular on mayor pre ision di ha
raz? >Cual es el error relativo on el nuevo metodo?
(7) Hallar una forma de al ular sin perdida de dgitos signi ativos las siguientes anti-
dades, para x 0: n n
(a) ( +px)
(b) 2 x
( ) os x 1
\
(d) sen( + x) sen()
(8) Se pretende al ular las sumas SN = PNk=1 ak on N 2 IN. Llamemos S N al valor
al ulado que se logra de ha er fl(SN 1 + aN ).
(a) SN = k1 . Mostrar que S N se esta iona a partir de algun N su ientemente
XN
k=1
grande. Dedu ir que a partir de enton es SN 6= S N .
k+100
(b) Idem (a) para la suma SN = 2 k + 1 . En ontrar, ha iendo un programa
XN
k=1
en Matlab, el valor de N para el ual S N se esta iona.
(9) El desarrollo de Taylor de la fun ion e propor iona una forma muy inestable de al-12
x
ular este valor uando x es negativo. Ha er un programa en Matlab que estime e
evaluando el desarrollo de Taylor hasta grado n de la fun ion ex en x = 12, para
n = 1; : : : ; 100. Comparar on el valor exa to: 0:000006144212353328210 : : : >Cuales
son las prin ipales fuentes de error? Realizar otra estima ion= de e 12 on algun
otro metodo que evite los problemas del metodo anterior (Sugeren ia: Considerar
e x = 1=ex ).
(10) Cal ular en Matlab los valores: sen(=2 + 210j ) = on 1 j 18. >Cuanto debera
dar? >Que esta pasando?
(11) Aproxima ion de la derivada de una fun ion.
3. EJERCICIOS 13
(a) Llamamos derivada dis reta de f en x = 1 al valor

f (1 + h) f (1)
dh f (1) = :
h
Utilizando el desarrollo de Taylor, demostrar que
jf 0(1) dhf (1)j jf 00(1)j h2 + o(h) (h ! 0)
siempre que f sea su ientemente derivable.
(b) Considerar la fun ion f (x) = x2 . Ha er un programa en Matlab que al ule
los valores
17 8
de dh1f (1) para aproximar f (1), dandole a h los valores 10 ; 10 17:9 ;
0 18
10 ; : : : ; 10 y graque los resultados obtenidos. De idir si estos se ontradi en
:
on el resultado deltem anterior. Ha er un analisis de los al ulos efe tuados para
al ular dhf (1), teniendo en uenta que la maquina utiliza aritmeti a de punto
otante.
( ) Repetir eltem anterior, dandole otros valores a h, de modo que el resultado resulte
mas onable.
(12) Las fun iones de Bessel Jn se pueden denir del siguiente modo:
Jn (x) =
1 os(x sen n)d:
Z
0
y veri an que jJn (x)j 1. Se sabe ademas que Jn+1(x) = 2n=xJn (x) Jn 1 (x).
Con los valores estimados J0(1) 0:7651976865, J1 (1) 0:4400505857 y la re urren ia
dada, ha er un programa en Matlab para al ular J2 (1), J3 (1), : : : ; J10 (1). De idir si
la ondi ion jJn(x)j 1 deja de satisfa erse. >Que esta su ediendo?
(13) Dada la fun ion : IR ! IR denida por
1
(x) = k(k 1+ x) ;
X
k=1
onsideramos las siguiente dos maneras de estimar numeri amente el valor de (x) para
un x jo:
sumar los primeros n terminos de la serie (x),
teniendo en uenta que (1) = 1, denir
1 1
(x) = (x) (1) = ( k(k + x) k(k + 1) ) = k(k +11)(xk + x) ;
1 1
X X
k=1 k=1
luego expresar (x) = 1+ (x) y, de este modo, estimar (x) omo 1 mas la suma
de los primeros n terminos de la serie (x).
Prede ir ual de las dos maneras onverge mas rapidamente. Luego, ha er un
programa que al ule y graque el resultado obtenido on los dos metodos propuestos
para al ular (0), on n = 1; : : : ; 100. Comparar on el resultado exa to, que es 62 .
(14) Algoritmo para al ular .
Comenzar
p ini ializando las variables a; b; ; d y e del siguiente modo: a = 0, b = 1,
= 1= 2, d = 1=4, e = 1. Luego, iterar n ve es en el orden dado las siguientes
formulas:
b+ p
a = b; b = ; = a; d = d e(b a)2 ; e = 2e:
2
Finalmente, el valor de puede estimarse omo f = b2=d, o omo g = (b + )2 =(4d).

Ha er un programa que al ule los valores de estimados por f y g uando n =
1; 2; : : : ; 10. >Que estima ion onverge mas rapido? >Cuan pre isos son sus resultados?
El valor de orre to hasta 36 dgitos es
= 3:14159265358979323846264338327950288
CAPTULO 2
Normas y ondi ionamiento de una matriz
Consideramos el sistema de n e ua iones on n in ognitas

Ax = b
on A 2 IRnn, x 2 IRn y b 2 IRn y nos preguntamos uanto afe tara a la solu ion un error
en el dato b. Para poder dar una respuesta debemos de idirn primero omo medir el error. Es
de ir, ne esitamos dar alguna forma de medir ve tores de IR . Una forma posible es utilizar la
longitud o norma eu ldea del ve tor, o sea,
q
kxk2 = x21 + + x2n
Pero esta no es la uni a medida razonable y en mu hos asos es onveniente trabajar on otras.
Por ejemplo, podemos de ir que un ve tor es \ hi o" si lo son todas sus omponentes y tomar
enton es omo medida de x la siguiente, llamada \norma innito",
kxk1 = 1max jx j
in i
Otra ele ion natural es la \norma uno",
kxk1 = jx1j + + jxnj

o mas en general la \norma p",
1
kxkp = (jx1 jp + + jxnjp) p
on 1 p < 1.
Todas estas formas de medir resultan equivalentes en el sentido de que, si x es \ hi o" en una
de las normas enton es lo es en ualquier otra, puesto que una norma es mayor que la otra salvo
una onstante que depende solo de n. Por ejemplo, utilizando la desigualdad de S hwartz se
obtiene
kxk1 pnkxk2
y por otra parte, es fa il ver que,
16 2. NORMAS Y CONDICIONAMIENTO
kxk2 kxk1
Tambien se veri a fa ilmente que
kxk1 kxk1 nkxk1

Mas en general, de imos que una norma en IRn es una manera de asignar a ada x un numero kxk
de tal forma que se veriquen las siguientes propiedades, analogas a las que umple la longitud
usual,
1) kxk 0 8x 2 IRn
2) kxk = 0 si y solo si x = 0.
3) kxk = jjkxk 8 2 IR, 8x 2 IRn
4) kx + yk kxk + kyk 8x 2 IRn, 8y 2 IRn (desigualdad triangular)
Una vez que sabemos omo medir ve tores podemos hablar tambien de la distan ia entre dos
ve tores x e y la ual esta dada por kx yk. En parti ular, esto permite hablar de onvergen ia
de su esiones: xn ! x si kx xnk ! 0.
Tanto para medir el error omo para analizar la onvergen ia de una su esion elegiremos la
norma que nos resulte mas onveniente en ada aso. Esto esta justi ado por el he ho de
que todas las normas son equivalentes: onvergen ia en una de ellas impli a onvergen ia en
ualquier otra. Mas aun, se tiene el siguiente resultado.
Teorema 2.1. Dadas dos normas en IRn, k k y k k0 , existen onstantes C1 y C2 que dependen
solo de n y de las normas onsideradas (en parti ular, son independientes de x) tales que
C1 kxk kxk0 C2 kxk 8x 2 IRn
Demostra ion. Basta ver que una norma ualquiera k k es equivalente a laPnorma eu ldea usual,
k k2. Sea fei g la base anoni a de IR y denamos la onstante C = ( i=1 kei k2 )1=2 , la ual
n n
depende solo de n y de k k. Utilizando las propiedades de la norma y la desigualdad de S hwartz
obtenemos
n
X n
X n
X n
X
kxk = k xi ei k jxi jkei k ( jxi j2)1=2 ( kei k2 )1=2 = C kxk2 (2.1)
i=1 i=1 i=1 i=1
Queremos ver ahora que existe una onstante K tal que
kxk2 K kxk 8x 2 IRn (2.2)

2. NORMAS Y CONDICIONAMIENTO 17
Supongamos que una tal K no existe y veamos que se llega a una ontradi ion. En efe to, si
(2.2) no se umple para ningun K tenemos, en parti ular, que dado m 2 IN, existe ym 2 IRn tal
que
kym k2 mkym k
y llamando xm = ym=kym k2 obtenemos kxm k2 = 1 y
kxm k m1 (2.3)
pero, toda su esion a otada en la norma eu ldea tiene una subsu esion onvergente. Enton es
existe una subsu esion de (xm ), (xm ) tal que
0
kx0m xk2 ! 0
para ierto x 2 IRn. Pero enton es por (2.1), tambien vale que
kx0m xk ! 0
Por otra parte, por (2.3) tenemos que kx0m k ! 0 y en onse uen ia, por uni idad del lmite,
resulta x = 0. Pero observemos nalmente que, por la desigualdad triangular,

kx0m k2 kxk2 kx0m xk2

y enton es se llega a la ontradi ion 1 = kx0m k2 ! kxk2 = 0, nalizando la demostra ion.
Ahora s, estamos en ondi iones de abordar el problema de omo afe ta el error en los datos a
la solu ion de un sistema lineal uya matriz A es inversible. Si se reemplaza el dato b por b +b,
la solu ion x del sistema sera modi ada de tal forma que tendremos
A(x + x) = (b + b)
o equivalentemente,
Ax = b
y nos preguntamos que rela ion hay entre
kxk y kbk
kxk kbk
Veamos primero el siguiente ejemplo simple,

4:1 2:8 x1 = 4:1
9:7 6:6 x2 9:7
La solu ion es

1
x= 0
Observemos que
kbk1 = 13:8 kxk1 = 1

Si modi amos b poniendo
b0 = b + b = 4:11
9:70
enton es la solu ion es
0 :
x = x + x = 0:97
0 34
y se obtiene en onse uen ia
kbk1 = 0:01 kxk1 = 1:63

on lo que el error relativo se ampli o mu ho, en efe to,
kbk1 = 0:7246 10 3
kbk1
mientras que
kxk1 = 1:63
kxk1
Nuestro objetivo es tratar de entender a que se debe este omportamiento y poder prede ir,
dada una matriz A, ual sera el fa tor de ampli a ion del error relativo o, al menos, dar una
ota de este en terminos de A.
Anali emos primero el aso de una matriz diagonal.

1 0 x1 = b1
0 2 x2 b2
La solu ion es (si 1; 2 6= 0)
b b
x1 = 1 x2 = 2
1 2
Por ejemplo, si

A = 1000 0
0 1001
enton es,
b1
x1 = x2 = 100b2
1000
Si ponemos b0 = b + b on

b = 0b2 b= b1
0
enton es,
b1
x1 = x2 = 100b2
1000
obteniendose
105 kkbbkk22 = kkxxkk22

es de ir que el error relativo se multipli o por 105 .
Si en ambio elegimos

b = 0b1 b = b0
2
tenemos enton es,
1 b1
x1 = 1000 x2 = 100b2
y en onse uen ia,
1 kbk2 = kxk2
105 kbk2 kxk2
o sea que en este aso el error relativo se redujo en un fa tor 105 . En general, para una matriz
diagonal

A= 1 0
0 2
on j1j > j2 j, el error relativo puede multipli arse por
j1 j
j2 j
en el peor de los asos y por
j2 j
j1 j
en el mejor de los asos.
En general, el error tendra omponentes en ualquier dire ion por lo que es de esperar que si
j1 j es grande los errores relativos se ampliquen.
j2 j
El mismo analisis puede ha erse en IRn. Si A es una matriz diagonal
0 1
1 0
A= A
0 N
el error relativo se puede ampli ar, a lo sumo, por un fa tor
jmaxj
jminj
siendo max y min los de maximo y mnimo valor absoluto entre los j (observemos que min 6= 0
pues estamos suponiendo que A es inversible). Este o iente se llama numero de ondi ion o de
ondi ionamiento de A en la norma k k2 y lo denotaremos Cond2(A).
Ahora veamos omo denir el numero de ondi ion para una matriz A arbitraria. Comen emos
por el aso en que A sea simetri a, es de ir aij = aji. En este aso A se puede diagonalizar,
es de ir, existe una base de autove tores fv1 ; : : : ; vng. Ademas, por ser A simetri a podemos
onsiderar que la base es ortonormal. Enton es, si Ax = b , A(x + x) = b + b y
n
X n
X
x= i vi x = i vi
i=1 i=1
tenemos, n n
X X
kxk22 = 2i kxk22 = i2
i=1 i=1
y ademas, si llamamos i al autovalor orrespondiente a vi,
n
X n
X
b= i i vi b = i i vi
i=1 i=1
y en onse uen ia,
n
X n
X
kbk22 = 2i 2i kbk22 = i2 2i
i=1 i=1
Enton es, si max y min son los autovalores de maximo y mnimo valor absoluto respe tivamente,
obtenemos
Pn 2
kxk22 = P 2
i=1 i 1=jmin j kbk2
2
kxk22 n 2 1=jmax j2 kbk22
i=1 i
o sea
kxk2 jmaxj kbk2
kxk2 jminj kbk2
es de ir que el numero Cond2(A) = jjmax j
minj es una ota para el fa tor de ampli a ion del error
relativo. Mas aun, esta ota es la mejor posible pues la desigualdad se onvierte en una igualdad
para ierta ele ion de b y b (b en la dire ion orrespondiente al maximo autovalor y b en
la orrespondiente al mnimo).
Para generalizar el numero de ondi ion a ualquier matriz observemos que, en el aso de una
simetri a, la dire ion orrespondiente al autovalor de maximo valor absoluto nos da la dire ion
de \maxima expansion", es de ir, si miramos el o iente entre la longitud de Ax y la de x
kAxk2
kxk2
este sera maximo entre todos los x uando x esta en la dire ion orrespondiente a max. En
efe to, si es ribimos x en la base de autove tores fv1 ; : : : ; vng
n
X
x= i vi
i=1
enton es,
n
X
Ax = i i vi
i=1
y de a a resulta que
kAxk2 jmaxjkxk2
y tomando x = vj on j = max se ve que se veri a la igualdad.
Analogamente, la dire ion de \mnima expansion" orresponde a la aso iada a min, la ual
orresponde tambien a la de \maxima expansion" de la inversa de A.
El analisis realizado para matri es simetri as nos muestra que el fa tor de ampli a ion del error
relativo esta rela ionado on los maximos fa tores de expansionnnde A y de su inversa. Teniendo
en uenta esto, denimos para una matriz arbitraria A 2 IR y una norma de ve tores k k
ualquiera, la norma matri ial aso iada omo
kAk = 0=6 max kAxk

x2IR kxk
n
Es de ir, la norma de A nos da lo maximo que \agranda" el multipli ar por A medido en la

norma de ve tores dada. Es fa il ver que
kAk = kmax
xk=1
kAxk
y en parti ular, esto muestra que el maximo existe, o sea que la norma esta bien denida (kAxk
es una fun ion ontinua de x y por lo tanto, al anza su maximo en el onjunto de ve tores de
norma igual a uno pues este es errado y a otado).
De la deni ion se desprende la siguiente desigualdad que usaremos fre uentemente,
kAxk kAkkxk 8x 2 IRn

valiendo la igualdad para algun x. Tambien es fa il ver que
kAB k kAkkB k 8A 2 IRnn ; 8B 2 IRnn (2.4)

Por otra parte puede veri arse que kAk es la menor entre todas las onstantes C para las uales
vale la desigualdad
kAxk C kxk 8x 2 IRn

siendo esta otra forma usual de denir la norma matri ial.
Como ejemplo tenemos que, por lo visto antes, si A es simetri a enton es
kAk2 = jmaxj
donde el subndi e 2 nos indi a ual es la norma de ve tores orrespondiente.
Analogamente tenemos que para A inversible y simetri a
kA 1 k2 = j 1 j
min
y por lo tanto,
kAk2 kA 1 k2 = jjmaxjj
min
En general introdu imos enton es la siguiente
Defini io n 2.2. Sea A 2 IRnn una matriz inversible y sea k k una norma en IRn denimos el
numero de ondi ion de A omo
Cond(A) = kAkkA 1 k
Es laro que Cond(A) depende de la norma de ve tores elegida.

Es fa il ver que valen las siguientes propiedades,
Cond(A) = Cond(A 1 )
y
Cond(A) 1 8A 2 IRnn
En efe to, la primera es obvia mientras que, para ver la segunda, utilizamos la propiedad (2.4)
y obtenemos
1 = kI k = kAA 1 k kAkkA 1 k = Cond(A)

Podemos ahora probar el siguiente resultado fundamental
Teorema 2.3. Si A 2 IRnn es inversible, b; b 2 IRn, Ax = b y A(x +x) = b +b enton es,
kxk Cond(A) kbk (2.5)

kxk kbk
valiendo la igualdad para alguna ele ion de b y b.
Ademas,
1 kbk kxk (2.6)

Cond(A) kbk kxk
y nuevamente, vale la igualdad para iertos b y b.
Demostra ion. Se tiene que
A(x) = b
y enton es,
kxk kA 1 kkbk = kA 1 kkbk kbk kA 1 kkbk kAk
kxk kxk kbk kxk kbk
donde para la ultima desigualdad hemos usado que kbk = kAxk kAkkxk. Por lo tanto (2.5)
vale.
Observemos ademas que si elegimos b tal que kxk = kA 1 bk = kA 1 kkbk, x tal que
kAxk = kAkkxk (lo que siempre se puede por la deni ion de la norma matri ial) y b = Ax
resulta la igualdad en (2.5).
Ahora, para ver la desigualdad (2.6) observemos que esta puede es ribirse omo
kbk Cond(A) kxk
kbk kxk
la ual, teniendo
1
en uenta que Cond(A) = Cond(A 1), es exa tamente la desigualdad (2.5)
apli ada a A on lo que el teorema esta demostrado.
Veamos ahora que el numero de ondi ion tambien tiene que ver on la propaga ion del error
que se ometa en los oe ientes del sistema. Como veremos mas adelante, el teorema siguiente
es tambien de suma importan ia en el analisis del error de redondeo en la elimina ion de Gauss.
Teorema 2.4. Si A 2 IRnn es inversible, E 2 IRnn, b 2 IRn , Ax = b y (A + E )(x + x) = b
enton es, llamando x~ = x + x tenemos
kxk Cond(A) kE k (2.7)

kx~k kAk
y si
Cond(A)
kE k Æ < 1
kAk
enton es,
kxk 1 Cond(A) kE k (2.8)

kxk 1 Æ kAk
Demostra ion. Tenemos
Ax = b Ax~ = b E x~
y enton es,
E x~ = Ax
por lo que on luimos que
kxk kA 1 kkE kkx~k Cond(A) kkEAkk kx~k

lo que prueba (2.7).
Ahora observemos que

kx~k = kx + xk kxk + kxk = 1 + kxk
kxk kxk kxk kxk
lo ual, junto on la desigualdad anterior impli a que
kxk Cond(A) kE k 1 + kxk Cond(A) kE k + Æ kxk
kxk kAk kxk kAk kxk
lo que on luye la demostra ion de (2.8).
Veamos ahora omo al ular algunas normas matri iales. Dada A 2 IRnn se llama radio
espe tral de A a
(A) = jmax j
siendo max el de maximo valor absoluto entre todos los autovalores de A, in luyendo los om-
plejos.
Ya vimos que si A es simetri a enton es,
kAk2 = (A)
En general, para A 2 IRnn arbitraria se tiene
q
kAk2 = (AT A)
donde AT es la matriz traspuesta de A. En efe to, omo AT A es simetri a, existe una base
ortonormal de autove tores fvj g. Llamando j a los autovalores orrespondientes tenemos
AT Avj = j vj j = 1; : : : ; n
Pn
y si x = i=1 i vi enton es, por la ortonormalidad
P
de los vj resulta kxk22 = Pni=1 2j y en
onse uen ia, teniendo en uenta que AT Ax = ni=1 j j vj , se tiene que para todo x 2 IRn
Pn 2
kAxk22 = xT AT Ax = i=1 j j
Pn (AT A)
kxk22 kxk22 i=1 j
2
es de ir que
q
kAk2 (AT A)
y tomando x = vj on j = max se ve que vale la igualdad.
El al ulo de la norma 2 de una matriz involu ra el al ulo de autovalores, el ual es un problema
ompli ado. Sin embargo, otras normas son mu ho mas fa iles de al ular. Por ejemplo, se tiene
que
n
X
kAk1 = 1max
in
jaij j
j =1
Para ver esto observemos primero que, para todo x 2 IRn vale
N
X N
X
kAxk1 = 1max
in
j aij xj j kxk1 max
1in j =1 jaij j
j =1
y enton es,
n
X
kAk1 1max
in
jaij j
j =1
Para ver que vale la otra desigualdad, sea k tal que Pnj=1 jakj j es maxima y tomemos
0 1
sg(ak1 )
x=B
B sg(ak2 ) C
C
A
sg(akn )
donde sg(a) = 1 si a 0 y sg(a) = 1 si a < 0. Enton es,
n
X
(Ax)k = jakj j
j =1
y en parti ular, kAxk1 Pnj=1 jakj j y omo kxk1 = 1 obtenemos
n
kAxk1 X
kxk1 j=1 jakj j
y on luimos que
n
X
kAk1 1max
in
jaij j
j =1
De manera similar puede verse, aunque no lo haremos aqu, que

n
X
kAk1 = 1max
j n
jaij j
i=1
Hemos visto que el numero Cond(A) nos da una medida de uan mala es una matriz en uanto
a la propaga ion de los errores relativos. Si este numero es grande se di e que la matriz esta
\mal ondi ionada".
Si A es una matriz singular y, para ierto b, el sistema Ax =n b tiene alguna solu ion, enton es
tendra innitas y estas formaran una variedad lineal de IR . Es de ir que sin ambiar nada
b se pueden obtener solu iones tan distantes omo se quiera. En otras palabras, en este aso
tendramos b = 0 mientras que x sera arbitrariamente grande.
En onse uen ia, es natural esperar que el numero Cond(A) nos de una medida de uan er a
esta A de ser singular. Esto es efe tivamente as y lo formalizaremos en el proximo teorema.
Pero antes veamos algunos ejemplos. Sea " 0 enton es la matriz

A= 1 1+"
1 " 1
esta er a de la matriz singular

B= 1 1
1 1
y en este aso

A 1=" 2 1 1 "
1+" 1
enton es,
kAk1 = 2 + " kA 1 k1 = (2 + ")" 2

y en onse uen ia,
" 2 4

Cond1(A) =
2 + > 2
" "
Es importante re al ar que esta \distan ia a las matri es singulares" debe entenderse en forma
relativa al tama~no de A. En este ejemplo tenemos no solo que kA B k1 es hi a sino que lo es
en rela ion on kAk1. En efe to,
kA B k1 = " < "
kAk1 2+" 2
En parti ular, estar \ er a" de ser singular no tiene nada que ver on el tama~no del determinante.
Para a larar esto veamos algunos asos simples. Por ejemplo, si " 0, la matriz

A= " 0
0 "
tiene determinante muy peque~no pero es una matriz buensima en uanto a la propaga ion de
errores relativos pues Cond(A) = 1.
En ambio,

A= 0 11 0
"
tiene determinante grande pero, en las normas 2, 1 o 1, Cond(A) = 1="
Damos ahora el resultado que rela iona el numero de ondi ion de una matriz on su distan ia
relativa a las matri es singulares.
Teorema 2.5. Dadas A 2 IRnn inversible y una norma de ve tores ualquiera se tiene
1 = inf kA B k
Cond(A) B singular kAk
Demostra ion. Sea B 2 IRnn una matriz singular y tomemos x 6= 0 tal que Bx = 0. Enton es,
kxk = kA 1 (A B )xk kA 1 kkA B kkxk

y en onse uen ia,
1 kA 1 kkA Bk
lo ual muestra que
1 kAkAkB k 8B 2 IRnn singular (2.9)
Cond(A)
Enton es, para on luir el teorema, falta ver
1
que hay1una B singular para la ual vale la igualdad
en (2.9). Para esto, sean y tal que kA yk = kA kkyk y x tal que Ax = y. Como y puede
tomarse on norma arbitraria, lo elegimos de tal forma que kyk = 1=kA 1 k y en onse uen ia
kxk = 1.
Sea ahora z un ve tor tal que
zT x = 1 (2.10)
1. EJERCICIOS 29
y
zT u 1 8u 2 IRn tal que kuk = 1 (2.11)
La existen ia de un tal z es la parte mas te ni a de la demostra ion y omitiremos la es ritura
formal. Sin embargo, observemos que es intuitivamente laro si analizamos el signi ado ge-
ometri o: los u que veri an la e ua ion zT u = 1 forman un hiperplano (es de ir, una variedad
lineal de dimension n 1). Por lo tanto, que haya un z veri ando (2.10) y (2.11) signi a que
hay un hiperplano que pasa por x y que deja a la bola unitaria B1 = fu 2 IRn : kuk 1g de un
lado. La existen ia de tal hiperplano es lara si se tiene en uenta que, para toda norma, B1 es
un onjunto onvexo y que x esta en el borde de este. Observemos tambien que, en el aso de
la norma k k2 , se tiene que z = x.
Denamos ahora B = A yzT y veamos que esta matriz es singular y umple on la igualdad
que queramos. En efe to,
Bx = Ax yz T x = y y = 0
y por lo tanto, B es singular.
Por otra parte, kA B k = kyzT k, pero por (2.11) tenemos que jzT uj 1 para todo u tal que
kuk = 1 puesto que, si zT u < 0 enton es, jzT uj = zT u = zT ( u) 1 ya que k uk = 1.
Enton es,
kyzT uk = kykjzT uj kA1 1 k 8u 2 IRn tal que kuk = 1

y por lo tanto,
kA B k kA1 1k
lo que on luye la demostra ion.
1. Ejer i ios

(1) Cal ular la norma 2 de la matriz A = 4 5 :3 0
(2) Se quiere estimar la norma 2 de una matriz A 2 IR33 omo el maximo del valor
3
kAxk2 =kxk2 entre varios ve tores x 2 IR no nulos generados al azar. Ha er un progra-
ma que pida el ingreso de una matriz A y luego
genere los primeros 100 terminos de la siguiente su esion:
n
s1 = 0; sk+1 = max sk ;
kAxk k2 o
kxk k2
donde los xk 2 IR3 son ve tores no nulos generados al azar uyas oordenadas
esten el intervalo [ 1; 1℄.
graque la su esion al ulada, junto on el valor exa to de la norma de la matriz.

Re ordar que tanto la norma de un ve tor omo de una matriz se al ulan en Matlab
on el omando norm. Tener en uenta que los ve tores generados al azar ( omando
rand) tienen oordenadas en el intervalo [0; 1℄. Chequear, ademas, que estos ve tores
generados0resulten no1nulos.
3 0 0
(3) Sea A = 0 534 435 A. Cal ular ond2 (A) y ond1(A).
0 4 4
(4) Probar que si A 2 IRnn es una matriz inversible y k k es una norma matri ial, la
ondi ion de A veri a la desigualdad:
1 inf kA B k : B es singular
ond(A) kAk
Nota: Mas aun, vale la igualdad, pero la otra desigualdad es un po o mas ompli-
ada de probar. De di ha igualdad se puede on luir que ond(A) mide la distan ia
relativa de A a la matriz singular mas proxima.
(5) (a) Mostrar que ond1(A) ! 1 uando " ! 0 para
0
1 1 12 1 0
1 0 1+" 1
(i) A = 1 " " A ; (ii) B = 2 3 4 A :
1 0 0 1 " 0 1
(b) Con luir que la ondi ion de las matri es A y B deltem anterior tienden a innito,
ualquiera sea la norma onsiderada.
(6) Sea A la matriz del ejer i io 3. Se quiere resolver el sistema
3
Ax = b para un valor
de b 6= 0 que se ono e on una pre ision mayor que 10 ; es de ir, se ono e el valor
onjunto de b + b y se sabe que el error relativo kkbbkk2 < 10 3 .
2
(a) Estimar el error relativo de la solu ion hallada x~ = x + x.
(b) En uentre un ejemplo para b y b 6= 0 de modo que kkxxkk22 sea exa tamente
ond2 (A) kkbbkk22 .
(7) Sea x la solu ion exa ta al sistema Ax = b y x~ la solu ion obtenida numeri amente. Se
llama \ve tor residual" a r := b Ax~. Si e = x x~ se tiene Ae = r. Mostrar que:
1 krk kek ond(A) krk :
ond(A) kbk kxk kbk
Con luir que para una matriz mal ondi ionada los metodos numeri os no aseguran
buena aproxima ion.
1 2
(8) Para ada n 2 IN, se denen An = 2 4 + 12 , bn = (1; 2 n12 ) y se quiere resolver
n
el sistema Anx = bn. Utilizando ierto metodo numeri o se obtiene omo resultado el
ve tor (1; 0).
(a) Cal ular el ve tor residual produ ido por esta solu ion tentativa. >Puede de irse
que para n grande la solu ion es razonablemente onable?
(b) Resolver Anx = bn en forma exa ta, al ular ond1(An ) y veri ar la ota de error
del ejer i io 7.
1. EJERCICIOS 31
(9) Sea Dn la matriz diagonal de n n on elementos diagonales iguales a 1/10. Cal ular
el determinante de Dn y ver que det(Dn ) ! 0 si n ! 1. >Dn esta mal ondi ionada?
(10) (a) Es ribir un programa en Matlab que resuelva un sistema Ax = b, A 2 IRnn
usando elimina ion gaussiana sin pivoteo.
(b) Adaptar el programa del tem anterior para que al ule la matriz A 1 .
(11) Para ada n 2 IN, se quiere al ular la solu ion del sistema lineal:
10 n x + 2y = 8
x+y = 2
utilizando elimina ion gaussiana sin pivoteo, on aritmeti a de punto otante de 3
dgitos y sistema de redondeo.
(a) Para n = 2 y n = 3, analizar si el resultado diere signi ativamente de la solu ion
real.
(b) Para n = 3, repetir el metodo de elimina ion gaussiana eligiendo el pivote mas
onveniente.
0
2 4 1 0 1
B 4 10 1 1C
(12) Obtener la des omposi ion LU de la matriz B 6 10 7 1 A de las siguientes dos
C
0 2 1 2
maneras:
(a) mediante el algoritmo de elimina ion gaussiana,
(b) despejando los oe ientes de L y U en forma ordenada.
(13) Sea A 2 IRnn una matriz que admite des omposi ion LU .
(a) Estimar uantas opera iones se ne esitan para al ular esta des omposi ion de A,
despejando los oe ientes de L y U .
(b) Se quiere al ular el determinante de A. Para n 2, mostrar que si esto se ha e
mediante el desarrollo su esivo por alguna la o olumna, enton es se requieren
mas de n! opera iones. Estimar uantas opera iones se ne esitan para al ularlo
si se utiliza la des omposi ion LU .
(14) Demostrar que si todos los menores prin ipales de una matriz A 2 IRnn son no singu-
lares, enton es esta admite des omposi ion LU .
(15) Probar que la matriz no singular:0
0 0 11
1 0 0 A
0 1 0
no tiene una des omposi ion LU , mientras que la matriz singular A I s la tiene. Dar
la matriz de permuta iones P tal que P A tenga una fa toriza ion LU .
(16) Considerar el algoritmonnde elimina ion gaussiana sin pivoteo apli ado a un sistema
Ax = b donde A 2 IR es una matriz tridiagonal. Demostrar que si A es ademas
estri tamente diagonal dominante, enton es durante la eje u ion del algoritmo no se
en uentra ningun pivote nulo. (Ayuda: demostrar que si A es estri tamente diagonal
dominante, enton es luego de ha er ada etapa de la elimina ion la matriz resultante
tambien lo nes.)
(17) Sea A 2 IR n una matriz tridiagonal tal que en el pro eso de elimina ion gaussiana
no se en uentra ningun pivote nulo. Demostrar que A admite des omposi ion LU on
L y U tambien tridiagonales.
(18) Adaptar el programa del ejer i io 10 para que resuelva un sistema de e ua iones Ax = b,
donde A 2 IR es una matriz tridiagonal. Utilizar el omando ops de Matlab para
n n
ono er la antidad de opera iones efe tuadas y omparar on las que se requieren al
resolver el mismo sistema utilizando los omandos inv y n, que no estan espe ialmente
pensados para matri es tridiagonales.
1. EJERCICIOS 33
(19) La n-esima matriz de Hilbert Hn 2 IRnn; se dene de la siguiente manera

(Hn)i;j = i + j1 1 :
Estas matri es son un ejemplo de matri es mal ondi ionadas y por tal motivo se las
utiliza habitualmente para testear rutinas
2
numeri as.
(a) Demostrar que ond1(Hn) n .
(b) Utilizar su programa del ejer i io 10 para al ular la inversa1de la matriz de Hilbert
H9 . Veri ar su resultado al ulando los produ tos H9 H9 y H9 1 H9 . Comparar
on el resultado obtenido mediante el omando inv. 2
Nota: En realidad, ond1 (Hn) es mu ho mayor que n . Estas matri es pueden
obtenerse en Matlab mediante el omando hilb(n) y su ondi ion innito puede al u-
larse on el omando ond.
(20) Considerar el sistema0de e ua iones lineales Ax = b, on 1
1 2 3 4 5 6 7 8 9 10
B 2 1 0 0 0 0 0 0 0 0C
B C
B 3 0 1 0 0 0 0 0 0 0C
B C
B 4 0 0 1 0 0 0 0 0 0C
B C
B 5 0 0 0 1 0 0 0 0 0 C
A=B B 6 0 0 0 0 1 0 0 0 0C C:
B
B 7 0 0 0 0 0 1 0 0
B 0C C
C
B 8 0 0 0 0 0 0 1 0 0 C
B
9 0 0 0 0 0 0 0 1 0C A
10 0 0 0 0 0 0 0 0 1
Utilizando el omando lu de Matlab, veri ar que la elimina ion gaussiana puede rear
elementos no nulos en lugares donde ini ialmente haba eros (es de ir, se produ e una
matriz densa a pesar de partir de una matriz rala). En mu has apli a iones, uno debe
resolver un sistema de e ua iones lineales del orden de 104 4 104 donde hay a lo sumo
5 elementos no nulos por la. Es de ir, hay a lo sumo 5 10 elementos no nulos en la
matriz, ifra bastante inferior a la antidad total de elementos. Cal ular que antidad
de bytes (2 bytes por elemento) o upara una matriz densa de esas dimensiones. Este
tipo de situa ion motiva el estudio de metodos de resolu ion de sistemas on matri es
ralas que no involu ren un llenado ex esivo.
(21) Utilizar el Teorema de Cholesky para demostrar que las siguientes propiedades de una
matriz son equivalentes:
A es simetri a y denida positiva
hay un onjunto de ve tores linealmente independientes x1; x2 ; ; xn de IRn, tales
que aij = (xi)t xj0.
4 2 21
(22) Considerar la matriz 2 5 5 A :
2 5 11
Mostrar que es denida positiva y al ular su des omposi ion de Cholesky.
(23) Estimar uantas opera iones se requieren para hallar la des omposi ion de Cholesky de
una matriz simetri a y denida positiva A 2 IRnn.
CAPTULO 3
Resolu ion de sistemas lineales
El objetivo de este aptulo es estudiar diferentes formas de resolver un sistema lineal de n

e ua iones on n in ognitas. Para dar solu ion a este problema se pueden emplear dos grandes
sub lases de metodos; los dire tos y los iterados. Dentro de los metodos de al ulo dire to se en-
uentran el de triangula ion de Gauss, el de des omposi ion LU y el metodo de Cholesky. Entre
los metodos iterativos mas usuales en ontramos el de Ja obi, Gauss-Seidel y el de relaja ion.
1. Metodos dire tos
1.1. Triangula ion de Gauss y des omposi ion LU. El pro eso de triangula ion de
Gauss puede verse omo el resultado que se obtiene de multipli ar por matri es de la siguiente
forma,
Primer paso: Multipli ar por
0 1
1 0 0
B m21 1 0C
L1 = B
B .. ... ... C
C
. A
mN 1 0 1
on
ai1
mi1 =
a11
Enton es L1A tendra la forma
0 1
a11 a12 a1N
B 0 a122 a12N C
L1 A = B
B ... ... ... C
C
A
0 a1N 2 1
aNN
Segundo paso: Multipli ar por

36 3. RESOLUCIO N DE SISTEMAS LINEALES
0 1
1 0 0
B 0 1 0 C
B C
B 0 m32 0 C
L2 = B C
B .. . .
. . .. C
. A
0 mN 2 1
y nos queda
0 1
a11 a12 a1N
B 0 a222 a22N C
L2 L1 A = B
B ... ... ... C
C
A
0 0 2
aNN
As su esivamente hasta llegar a una matriz triangular superior

0 1
u11 u12 u1N
B 0 u22 u2N C
LN 1 LN 2 L2 L1 A = U =B
B .. ... ... C
C:
. A
0 0 uNN
Es fa il ver que la inversa de L1 viene dada por
0 1
1 0 0
1
B m 21 1 0 C
(L1) = B B
.
. . . .
.
. .C
C
. A
mN 1 0 1
y, en general, Lj 1 es omo Lj pero ambiando los signos de los mji.
Enton es podemos es ribir A omo sigue,
A = L1 1 L2 1 LN1 1 U;
ademas, observemos que la matriz L = L1 1 L2 1 LN1 1 es de la forma
0 1
1 0 0
B m21 1 0 C
L = L1 1 L2 1 LN1 1 = B
B .
. . . .
.
C
. . .CA
mN 1 mN 2 1
As hemos demostrado el siguiente teorema,

1. ME TODOS DIRECTOS 37
Teorema 3.1. Si no ha e falta inter ambiar las en la elimina ion de Gauss se obtiene
A = LU
donde U es triangular superior y L es triangular inferior on 1 en la diagonal.
Ademas tenemos el siguiente orolario.

Corolario 3.2.
det(A) = det(U ):
En el aso general, si ha e falta ambiar las, se tiene

P A = LU
on P una matriz de permuta iones.
1.2. Des omposi ion de Cholesky. En el aso en que A 2 IRN N es denida positiva y
simetri a una des omposi ion L U ( on U = LT ) puede obtenerse mas e ientemente mediante
el metodo de Cholesky.
Defini io n 3.3. A 2 IRN N se di e denida positiva si
hx; Axi > 0 8x 6= 0

Observemos que si A = LLT on L una matriz inversible, enton es
(1) A es simetri a.
(2) A es denida positiva pues hx; Axi = kLT xk22 > 0; 8x 6= 0:
En onse uen ia, para que A pueda es ribirse omo LLT on L inversible es ne esario que A sea
simetri a y denida positiva.
Ahora,3para
3
lograr una des omposi i
on de la forma LLT , anali emos primero el aso simple,
A 2 IR . Planteamos A = LL y nos queda
T
0 10 1
l11 0 0 l11 l21 l31
A= l21 l22 0 A 0 l22 l32 A
l31 l32 l33 0 0 l33
Enton es, despejando los oe ientes, se obtiene
2
a11 = l11
p
l11 = a11
a
a12 = l11 l21 l21 = 12
l11
et .
Ahora veamos algunas propiedades que nos seran muy utiles. En el aso general en que A 2
IRN N sea simetri a (i.e. A = AT ) y denida positiva se tienen las siguientes propiedades,
(1) aii > 0 para ualquier i = 1; : : : ; N , pues
0 < hei ; Aei i = aii
(2) Los menores prin ipales sj son positivos (este es un resultado ono ido de A lgebra
Lineal).
Ahora observamos que lo que hi imos en 3 3 se puede ha er en N N , es de ir,
A = LLT
si y solo si
k
X
aik = lij lkj :
j =1
Es de ir,
k 1
X
aik = lij lkj + lik lkk :
j =1
Enton es, despejando,

aik
Pk 1 lij lkj
j =1
lik = i > k:
lkk
Ademas
k
X k 1
X
akk = l2
kj = 2 + l2
lkj kk
j =1 j =1
y enton es
v0 1
u
u k 1
X
lkk = 2A
u
t akk lkj
j =1
Obtenemos, de esta manera, una forma re ursiva para el al ulo de los elementos lij .
1. ME TODOS DIRECTOS 39
Para k = 1; 2; : : : ; N ha emos 8
>
> l11 ! l21 lN 1
>
>
> l22 ! l32 lN 2
<
... ...
>
>
>
>
>
:
lN 1N 1 ! lNN 1
lNN
Para que el algoritmo de Cholesky este bien denido ne esitamos ver que el argumento de la
raz uadrada involu rada en el al ulo de lkk sea positivo; es de ir,
k 1
X
akk 2 > 0:
lkj
j =1
Veamos que esto es una onse uen ia de ser A denida positiva. Lo ha emos por indu ion.
El a11 es positivo, enton es existe l11 positivo tal que l112 = a11 . Supongamos que llegamos hasta
el paso k, es de ir
l11 ; l22 ; : : : ; lk 1k 1
son todos numeros reales positivos y supongamos que
k 1
X
akk 2 0:
lkj
j =1
Enton es
v0 1
u
u k 1
X
lkk = 2 A = 0 o es un numero en C:
u
t akk lkj
j =1
Pero si llamamos Ak al menor prin ipal de A y Lk al menor prin ipal de L, las matri es que se
obtienen son de tama~no k k
0 1 0 1
a11 a1k l11 l1k
Ak = B

... . . . ... C
A y Lk = B

... . . . ... C
A
ak1 akk lk1 lkk
y resulta fa il ver que
Ak = Lk LTk :
Enton es
0 < det(Ak ) = (det(Lk ))2 = l112 lk2 2
1k 1 lkk ;
omo los primeros fa tores son positivos el ultimo, lkk2 debe tambien ser positivo, absurdo.
Para terminar, hagamos las siguientes observa iones, el algoritmo de Cholesky es mas onve-
niente que el de Gauss (L U ) porque,
(1) El numero de opera iones es O(N 3 =6) (en lugar de O(N 3=3)).
(2) Es estable, sin ne esidad de \pivoteo". Los lij no re en respe to de A pues
k
X
akk = 2
lkj
j =1
impli a que
jlkj j pakk
2. Metodos iterativos
Estos metodos onvienen en general para matri es ralas (i.e. on mu hos eros). Este tipo de
matri es apare en, por ejemplo, uando se dis retizan e ua iones diferen iales.
Como antes el objetivo es resolver
Ax = b
on A una matriz inversible.
Los metodos iterativos generan una su esion
x0 ! x1 ! x2 !
donde xk+1 se al ula a partir de xk .
2.1. Metodo de Ja obi. Empe emos on un ejemplo para ver omo fun iona el metodo
de Ja obi,
4x1 + x2 = 5
x1 + 4x2 = 5
La solu ion es

1
x= 1
y llamaremos
b= 5 5
El metodo de Ja obi al ula xk+1 a partir de xk de la siguiente forma
2. ME TODOS ITERATIVOS 41

4xk1+1 = 5 xk2
4xk2+1 = 5 xk1
Es de ir 1
xk+1 = 01 04 xk + :
b
4 4
Enton es si empezamos on x0 = (0; 0), tenemos
0 1 0 5 1 0 15 1
0 4 16
x0 = A ! x1 = A ! x2 = A !
0 5 15
4 16
Convergen ia y estima ion del error
En forma matri ial la itera ion de Ja obi se es ribe omo

xk+1 = Bxk + :
Por otro lado la solu ion exa ta, x, umple que
x = Bx + ;
enton es el error e = x x veri a
k k
ek+1 = Bek
y enton es, iterando esta ultima igualdad,
ek = B k e0 :
En nuestro ejemplo observamos que
kB k1 = 14
y enton es
kB k k1 kB kk1 ( 41 )k ! 0 k ! 1:
De esto on luimos que k
ke k1 14 ke0 k1 ! 0
k
es de ir la itera ion onverge ualquiera sea el dato ini ial x0 .

Por supuesto, esto no es ierto en general. La onvergen ia depende de omo sea la matriz B .
Si kB k < 1 para alguna norma aso iada a una norma de ve tores enton es el metodo onvergera
ualquiera sea la ondi ion ini ial y si no no.
En el aso general, A 2 IRN N supongamos aii 6= 0; 8i (si A es inversible esto se puede obtener
reordenando). Despejamos xi de la i esima e ua ion, para i = 1; : : : ; N tenemos

bi
Pi 1 k PN k
j =1 aij xj j =i+1 aij xj
xki +1 =
aii
Resulta natural utilizar las omponentes ya al uladas xk1+1; : : : ; xki +11 para al ular la nueva
aproxima ion xki +1, resultando el metodo de Gauss-Seidel.
2.2. Metodo de Gauss-Seidel. Para i = 1; : : : ; N ;

bi
Pi 1 k+1 PN k
j =1 aij xj j =i+1 aij xj
xki +1 =
aii
Es ritura matri ial de la itera ion Es ribimos

A=D+L+U
0 1 0
a11 0 0 01 00 a1N
1
A=B
... C
A +B

... . . . ... C B .
A + .. ... ... C
A
0 aNN aN 1 0 0 0
Enton es
Ax = b
si y solo si
Dx =(L + U )x + b
Tanto el metodo de Ja obi omo el de Gauss-Seidel pueden es ribirse en la forma
xk+1 = Bxk + :
(1) Ja obi
xk+1 = D 1 (L + U )xk + D 1 b
(2) Gauss-Seidel
xk+1 = (D + L) 1 Uxk + (D + L) 1 b
Si es ribimos ek = xk x y usamos que la solu ion exa ta x umple
x = D 1 (L + U )x + D 1 b
y
x = (D + L) 1 Ux + (D + L) 1 b
respe tivamente, tenemos
ek+1 = D 1 (L + U )ek = BJ ek
ek+1 = (D + L) 1 Uek = BGS ek
En general, si la itera ion esta dada por una matriz B , o sea,
ek+1 = Bek
tenemos
ek = B k e0
Enton es si queremos que ek ! 0 para todo dato ini ial, es ne esario que B k ! 0. El siguiente
objetivo es dar una ara teriza ion de las matri es on esta propiedad.
En el ejemplo dedujimos que B k ! 0 del he ho de que kB k < 1. Sin embargo kB k1 podra ser
grande y B k ! 0. Por ejemplo 1
B= 0 1 2 1000
2
1
Observemos que kB k1 = 1000:5. Sin embargo B ! 0. En efe to B = 2 0 1 .
k 1 2000

1 a
En general las matri es de la forma C = 0 1 veri an que C = 0 1
k 1 ka
Enton es
1
B =( ) 0
k k 1 k 2000
2 1
y se tiene que (B )ij ! 0, 8i; j y esto impli a que B ! 0.
k k
Vale desta ar que para que B k ! 0 basta que exista alguna norma tal que kB k < 1.
El segundo ejemplo trata el aso en que A es simetri a. En este aso se puede diagonalizar, es
de ir, existe S tal que 0 1
1 0
SAS 1 = B
... C
A
0 N
on i los autovalores de A. En este aso 0 1
k1 0
Ak = S 1 B
... C
AS
0 N
k
y se tiene que
Ak ! 0
si y solo si
max
i
ji j = (A) < 1
Esto es ierto en general, pero si A no es diagonalizable es mas dif il de probar.
En el aso en que A es simetri a se tiene
(A) = kAk2
enton es, si (A) < 1 se tiene que kAk2 < 1 y enton es Ak ! 0.
En general vale que,
(A) kAk para ualquier norma
y aunque (A) no es una norma, se tiene

Teorema 3.4.
(A) = inf kAk
kk
O sea 8" > 0 existe una norma tal que
(A) kAk (A) + ":
Demostra ion. Primero veamos que
(A) kAk:
Observamos que kAk en IR es igual a kAk en C (ejer i io).
Sea x tal que
Ax = maxx x 6= 0
enton es
jmaxjkxk = kAxk kAkkxk
y as
jmaxj = (A) kAk
Ahora veamos que dado " > 0 existe una norma on
kAk (A) + ":
Queremos denir kxk, para x 2 IRN . Re ordemos la forma de Jordan de una matriz. En alguna
base fvi g, una matriz B se transforma en
0 1
J1 0
B

... C A
0 Jr
donde los Ji son los "bloques de Jordan",
0
i 1 0 1
B 0 i 0 C
Ji = BB ... C C
A
0 0 i
Esta es la forma normal usual. Sin embargo, puede obtenerse una nueva base en la ual la
transforma ion lineal toma la forma analoga pero on los
0 1
i " 0
B 0 i 0 C
J~i = B
B ... C C
A
0 0 i
donde " es positivo y arbitrario. Esto se logra re-es alando la base. Miremos, por ejemplo, el
bloque 1, 0 1
1 1 0
B 0 1 0 C
J1 = BB ... C
C
A
0 0 1
en la base v1; : : : ; vm . Si T es la transforma ion lineal aso iada a B tenemos
T v1 = 1 v1
T v2 = v1 + 1 v2
T v3 = v2 + 1 v3
...
T vm = vm 1 + 1 vm
Ahora denamos v~1 = v1, v~2 = "v2 , v~3 = "2 v3,. .. , v~m = "m 1 vm . Tenemos enton es
T v~1 = 1 v~1
T v~2 = "v~1 + 1 v~2
T v~3 = "v~2 + 1 v~3
...
T v~m = "v~m 1 + 1 v~m
Por lo tanto en la base v~1 ; : : : ; v~m queda el bloque
0 1
1 " 0
B 0 1 0 C
~J1 = BB ... C
C
A
0 0 1
He ho esto, denamos la norma de la siguiente manera, dado x lo es ribimos en la base v~i,
X
x = i v~i
y denimos
kxk = max jij
es de ir la norma k k1 en esa base.
Enton es, es fa il ver que,
kAk = (A) + "
P
pues kAk es el maximo de j jaij j si kAk es la norma aso iada a kxk.
Corolario 3.5.
B k ! 0 si y solo si (B ) < 1:
Demostra ion. Veamos primero la vuelta. Si (B ) < 1 por el teorema anterior existe una norma
tal que kB k < 1, enton es
kB k k kB kk ! 0:
Ahora para la ida, supongamos que (B ) 1, enton es existe z 2 CN , z 6= 0, tal que
Bz = maxz
y enton es
B k z = kmax z
Esto impli a que
kB k zk = (B )k kzk
no tiende a ero.
Tomando parte real e imaginaria se ve que hay algun x 2 IRN tal que B k x no tiende a ero.
Ahora veamos otra forma de probar estos resultados.

Teorema 3.6.
B k ! 0 si y solo si (B ) < 1
Demostra ion. B es semejante a una matriz triangular (forma de Jordan), o sea, existe una
matriz C tal que
CBC 1 = J
on J la forma de Jordan de B .
Ahora dado " > 0 multipli amos por la matriz diagonal
0 1
" 1 0 0
B 0 " 2 0 C
D=B
B
. .
C
. C
A
0 0 " N
y su inversa para obtener
0 1 0 1 0 1
" 1 0 0 " 0 0 " 0
B 0 " 2 0 C B 0 "2 0 C B 01 2 0 C
DJD 1 = B . .
C B
CJ B . . C=B
C B
... C
B
. A . A
C
A
0 0 " N 0 0 "N 0 0 k
En general la matriz J = (ij ) tiene oe ientes no nulos solo en la diagonal y en los lugares
(i; i + 1). Y al multipli ar por D y D 1 quedan " y 0 en lugar de 1 y 0 en la forma de Jordan.
En on lusion, queda 0 1
1 " 0
B 0 2 0 C
DCBC 1D 1 = B
B ... C
C =A
A
0 0 k
Para simpli ar llamemos S = DC y nos queda
SBS 1 = A
Ahora observamos que kAk1 = (B ) + " pues kAk1 = maxj P jaij j:
Pero, B k = S 1Ak S . Enton es,
kB k k1 kS 1 k1kAk k1kS k1
= Cond(S )kAk k1
Cond(S )kAkk1
Cond(S )((B ) + ")k ! 0
si " es tal que (B ) + " < 1.
Observemos que Cond(S ) "N1 1 :
Corolario 3.7.
kB k k1=k ! (B )
Demostra ion. Basta probarlo para la norma k k1 pues todas las normas son equivalentes. Ya
vimos que 8",
kB k k1 Cond(S )((B ) + ")k "NC 1 ((B ) + ")k
Por otro lado se ve fa il que
(B )k (B k ) kB k k1
Enton es
C
(B )k kB k k1 1 ((B ) + ") :
k
"N
Luego,
C
(B ) kB k k11=k ( N 1 )1=k ((B ) + ") ! ((B ) + ")
"
O sea, 8" existe k a partir del ual
(B ) kB k k11=k ((B ) + 2")
es de ir
kB k k11=k ! (B )
Ahora observemos lo siguiente, para B simetri a ya sabamos que kB k k = (B )k . En general esto
no es ierto pero, para k grande vale que kB k k (B )k . Esto da una manera de omparar dos
metodos iterativos (por ejemplo Ja obi y Gauss-Seidel). Supongamos que el metodo i (i = 1; 2)

tiene la matriz de itera ion Bi . Si
(B1 ) < (B2 )
enton es
kB1 k < kB2 k
k k
para k grande. O sea el metodo 1 es mejor asintoti amente (aunque para un numero dado de
itera iones podra ser mejor el 2).
2.3. Analisis de los metodos de Ja obi y Gauss-Seidel.
n 3.8. Una matriz A 2 IRN N es estri tamente diagonal dominante si
Defini io
X
jaii j > jaij j 8i
j 6=i
Si A es estri tamente diagonal dominante enton es tanto Ja obi omo Gauss-Seidel onvergen.
Teorema 3.9. Si A es estri tamente diagonal dominante el metodo de Ja obi onverge.
Demostra ion. Re ordemos que

A=D+L+U BJ = D 1 (L + U )
En este aso es fa il ver que
kBJ k1 < 1
En efe to, BJ = (bij ) on aij
bij = para i 6= j y bii = 0
aii
enton es X jaij j < 1
kBJ k1 = max
i ja j
j 6=i ii
pues A es estri tamente diagonal dominante.
Teorema 3.10. Si A es estri tamente diagonal dominante el metodo de Gauss-Seidel onverge.
Demostra ion. Como antes re ordemos que
A =D+L+U BGS = (L + D) 1 U:
Hay que ver que (B ) < 1. Sea un autovalor de B y x un autove tor on kxk1 = 1. Enton es
tenemos,
(L + D) 1 Ux = x
y esto es equivalente a
Ux = (L + D)x
XN Xi
aij xj = aij xj :
j =i+1 j =1
O bien,
i
X N
X
aii xi = aij xj aij xj
j =1 j =i+1
Sea i tal que kxk1 = jxij jxj j, enton es
i 1
X N
X
jjjaii j jj jaij j + jaij j:
j =1 j =i+1
De esta forma obtuvimos PN
j =i+1 jaij j
jj <1
jaii j Pij=11 jaij j
pues A es estri tamente diagonal dominante.
2.4. Matri es simetri as denidas positivas. Un aso importante es el de A simetri a

y denida positiva. En este aso veremos,
(1) Ja obi no es ne esariamente onvergente.
(2) Gauss-Seidel es onvergente.
Empe emos on un ejemplo. Sea a tal que 0 < a < 1 y tomemos
0
1 a a1
A= a 1 a A
a a 1
Esta matriz A es simetri a y denida positiva. Para ver que es denida positiva hay que ver
que los menores prin ipales son positivos.
A1 = (1)

A2 = a1 a1 det(A) = 1 a2 > 0
y ademas
det(A) = 1 + 2a3 3a2 = (a 1)2 (a + 12 ) > 0 si a > 12
Anali emos el metodo de Ja obi en este aso,
0 1
0 a a
BJ = D 1 (L + U ) = a 0 a A:
a a 0
Cal ulemos los autovalores de B , el polinomio ara tersti o es
0 1
a a
p() = det a a A = 3 + 2a3 3a2 :
a a
Observemos que p(a) = 20 enton es 1 = a y omo p0(a) = 0, 1 = a es una raiz doble de p.

Dividiendo p por ( a) se obtiene que la ter er raiz es 3 = 2a. Enton es si
1 > a 12
se tiene que
(B ) = 2a 1
y on esto no se puede asegurar que el metodo de Ja obi onverja para ualquier dato ini ial.
n: A
Con lusio simetri a denida positiva no impli a que el metodo de Ja obi sea ne esaria-
mente onvergente.
n
Observa io 3.11. Tomando 0 1 1 1
1 2 2
B C
B 1 C
A= B
B 2 1 12 C
C
A
1 1 1
2 2
tenemos que (BJ ) = 1, on lo ual Ja obi no onverge. Enton es la ondi ion estri ta es
ne esaria en el teorema que muestra la onvergen ia para A estri tamente diagonal dominante.
Observa io n 3.12.
A = D + L + LT
Puede demostrarse que si D (L + LT ) es denida positiva, enton es
(BJ ) < 1
si y solo si A es denida positiva . En parti ular, si
A = D + L + LT y A~ = D (L + LT )
son denidas positivas, se tiene que
(BJ ) < 1
o sea Ja obi onverge para A y para A~ (la matriz B~J = BJ , solo ambia de signo). Para una
demostra ion de este he ho ver Isaa son-Keller (pag 72).
Ejemplo 3.13. Para la matriz 0
1 a a1
A= a 1 a A
a a 1
1
on 2 a < 1 se tiene 0
1 a a1
A~ = a 1 a A:
a a 1
Y resulta que A~ no es denida positiva.
Ahora anali emos que pasa on el metodo de

0
Gauss-Seidel
1
en este mismo ejemplo.
1 a a
A= a 1 a A
a a 1
y enton es 0
1 0 01 0
0 a a1
L+D = a 1 0 A y U = 0 0 a A:
a a 1 0 0 0
Cal ulando obtenemos 0 1
1 0 0
(L + D ) 1 = 2 a 1 0 A :
a a a 1
Enton es B = BGS = (L + D) U0es 1
1
0 a a
B= 0 a2 a2 a A :
0 a a 2a2 a3
2 3
Veamos los autovalores de B , 0 1
a a
I B= 0 a2 a a2 A:
0 a2 + a3 2a2 + a3
Tenemos 1 = 0. Para simpli ar, ahora onsideremos el aso parti ular a = 21 , para este valor
de a se obtiene 0
0 112 121 1
B= 0 4 4 A:
1
0 8 8 3
Y enton es, 0
0 4 41 0
4 4 1
8B = 0 2 2 A y I 8B = 0 2 2 A :
0 1 3 0 1 3
Con lo ual,
det(I 8B ) = (( 2)( 3) + 2):
Las ra es de ( 2)( 3) + 2 son
p p
2 =
5 + 7 3 =
5 7
2 2
Como estos son los autovalores de 8B los autovalores
p de B son p
1 = 0 2 =
5 + 7 2 = 5 7:
16 16
Observemos que p p
j2 j = j3 j = 16 = 42 < 1:
32
Enton es el metodo de Gauss-Seidel onverge.

Mas adelante veremos que si A es simetri a y denida positiva enton es Gauss-Seidel onverge.
En parti ular este ejemplo nos da un aso donde el metodo de Gauss-Seidel onverge pero Ja obi
no, o sea (BGS ) < 1 y (BJ ) 1.
Ahora veremos un ejemplo \al reves", es de ir donde Ja obi onverge pero Gauss-Seidel no.
Ejemplo 3.14. (Collatz 1942, ver Varga, pag 74). Sea
0
1 2 21
A = 1 1 1 A:
2 2 1
Para el metodo de Ja obi nos queda 0
0 2 2 1
BJ = 1 0 1A
2 2 0
0 1
2 2
I BJ = 1 1 A
2 2
enton es
p() = 3
y los autovalores resultan ser
1 = 2 = 3 = 0
Enton es BJ es nilpotente, (BJ ) = 0 y el metodo onverge en tres pasos.
e3 = BJ3 e0 = 0
Ahora anali emos
0
el me1
todo de Gauss-Seidel
0
para este
1
ejemplo. 0 1
1 0 0 0 2 2 1 0 0
L +D = 1 1 0 A; U = 0 0 1 A y (L + D) 1 = 1 1 0 A
2 2 1 0 0 0 0 2 1
En onse uen ia, 0 1
0 2 2
BGS = (L + D) 1 U = 0 2 3A
0 0 2
y 0
2 2 1
I BGS = 0 2 3 A
0 0 2
Los autovalores resultan ser
1 = 0 2 = 2 3 = 2
enton es (BGS ) = 2 y el metodo de Gauss-Seidel no onverge.
Con luimos que en este ejemplo el metodo de Ja obi onverge en tres pasos pero Gauss-Seidel
no onverge (existen datos ini iales para los uales no onverge).
Modi ando trivialmente este ejemplo puede obtenerse un ejemplo en que ambos metodos on-
vergen y se tiene (BJ ) < (BGS ) < 1. Sea
0
5 2 21
A= 1 5 1 A
2 2 5
que es estri tamente diagonal dominante y enton es Ja obi y Gauss-Seidel ambos onvergen.
Veamos un ejemplo mas.
Ejemplo 3.15. Este es un ejemplo para el ual ninguno de los dos metodos onverge.
0
2 1 11
A= 2 2 2 A:
1 1 2
Apli ando Ja obi resulta 0 1
0 12 12
BJ = 11 01 1 A
2 2 0
0 1 1 1
2 2
I BJ = 11
1
1 A
2 2
on lo ual,
p() = 3 +
5
4
y los autovalores de BJ resultan
p p
1 = 0 2 = i
5 3 = i
5:
2 2
Enton es, p
(BJ ) =
5 >1
2
y en onse uen ia Ja obi no onverge.
Para Gauss-Seidel se tiene 0 1
1 0 0
0 1 2
2 0 0 B
B C
C
L+D = 2 2 0 A; (L + D) 1 = B
B
1
2
1 0
2 C
C y
1 1 2 A
1 1 1
2 4 2
0 1
0 2 2
(L + D) 1U = 14 0 2 6 A
0 2 4
3 5 2 1
de donde p() = + 4 4 y al ulando las ra es de p() obtenemos on aproxima ion los
autovalores 1 = 0; 2 = 0:1514 y 3 = 1:6514 y por tanto
(BGS ) = j3 j > 1
y enton es el metodo de Gauss-Seidel no onverge.
Ejemplo 3.16. Caso IR2 En este aso es fa il analizar el metodo de Ja obi y el de Gauss-Seidel.

A= a a a11 a 12
21 22
enton es a12
1
BJ = D (L + U ) =
0 a 11
a21
a22 0
y a12
1 0
BGS = (D + L) U = 0 a12aa1121 :
a11 a22
Enton es, s
(BJ ) =
ja12a21 j
ja11a22 j
ja a j
(BGS ) = 12 21 :
ja11 a22 j
Es de ir,
(BGS ) = (BJ )2 :
Como on lusion en IR2 Ja obi onverge si y solo si Gauss-Seidel onverge. Y si onvergen (o
sea < 1) es mejor asintoti amente Gauss-Seidel, pues en este aso (BGS ) < (BJ ).
Por ejemplo, si A es estri tamente diagonal dominante, enton es onvergen los dos metodos. Y
esto en IR2 es de ir ja12 j < ja11 j y ja21 j < ja22 j.
Si A es simetri a y denida positiva enton es onvergen ambos metodos en IR2, pues
a11 > 0 a12 = a21 det A = a11 a22 a212 > 0
enton es
a11 a22 > a212
a212
a11 a22
= (BGS ) = (BJ )2 < 1:
El ejemplo anterior se generaliza para el metodo de Gauss-Seidel en IRN pero no para el metodo
de Ja obi.
Veamos ahora el ultimo ejemplo de esta serie.
Ejemplo 3.17. Sea A 2 IR3 una matriz tridiagonal enton es,

(BGS ) = (BJ )2
0
a11 a12 0
1 0
0 a12
a11 0 1
Si ponemos A = a21 a22 a23 A enton es BJ = D 1(L + U ) = aa2122 0 a23 A

a22
0 a32 a33 0 a32 0
y
a33
det(I BJ ) = 3 aa1211 aa2122 + aa2223aa3332 :

Y enton es s
a12 a21 a23 a 32
(BJ ) = + :
a11 a22 a22 a33
Para el metodo de Gauss-Seidel se tiene
0 1 0 1
a11 0 0 0 a12 0
L+D = a21 a22 0 A y U = 0 0 a23 A:
0 a32 a33 0 0 0
Enton es
0 0 a12
a11 0 1
B C
B a23 C
BGS = (L + D) 1 U = B
B 0
a12 a21
a11 a22
C
a22 C
A
0 a12 a21 a32
a11 a22 a33
a23 a32
a22 a33

a a a a
det(I BGS ) = 3 2 12 21 + 23 32 :
a11 a22 a22 a33
Y los autovalores resultan ser
a12 a21 a23 a32
1 = 2 = 0 3 = + :
a11 a22 a22 a33
Enton es,
a12 a21 a23 a32
(BGS ) =
+
a11 a22 a22 a33
= (BJ )2
Los autovalores de Ja obi son los autovalores de BJ = D 1(L + U ) y resultan ser las ra es
de
det(I + D 1(L + U )) = det(D 11 (D + L + U ))
= det(D )det(D + L + U )
1
y omo por hipotesis det(D ) 6= 0 (asumimos aii 6= 0), son las ra es de
det(D + L + U ):
Analogamente, los autovalores de BGS = (L + D) 1U son las ra es de

det(I + (L + D) 1 U ) = det((L + D) 11((L + D) + U ))
= det((L + D) )det((L + D) + U )
y omo det((L + D) 1 ) 6= 0, son las ra es de
det((L + D) + U ):
Lema 3.18. Sea A 2 IRN N tridiagonal enton es, para todo 6= 0 se tiene que
det(D + L + U ) = det(D + L + 1U )
Demostra ion. Basta ver que las matri es A = D + L + U y D + L + 1U son semejantes.
Pongamos 0
d1 a1 0 0 1
B b2 d2 a2 0 C
A=
B
B
B 0 b3 d3 ... ... C
C
C
B
... ... aN 1
C
A
0 : : : bN 1 dN
y onsideremos
0 1
1 0 0
B 0 0 C
C =B
B .. ... ... C
C
. A
0 N 1
Enton es,
0
d1 1 a1 01 0 1
B b2 d2 a2 0 C
CAC 1 = B
B
B
0 b3 d3 ... ... C
C
C = D + L + 1U
B
... ... 1 aN 1
C
A
0 ::: bN 1 dN
Teorema 3.19. Sea A 2 IRN N una matriz tridiagonal y sean los autovalores no nulos de
BGS , los autovalores no nulos de BJ , enton es y se rela ionan de la siguiente manera
= 2 :
En parti ular,
(BGS ) = (BJ )2 :
Demostra ion. Los son autovalores de BGS y por lo anterior veri an que
det((L + D) + U ) = 0
pero (L + D) + U es tridiagonal y por el lema anterior
det(D + L + 1 U ) = 0
Si 6= 0 sea tal que 2 = 1 . Enton es,
0 = N det(D + L + U )
y omo los autovalores de BJ no nulos son las ra es de det(D + L + U ) = 0 resulta que
=
Pero omo 2 1 se tiene que
2 = :
Ahora observemos que en lo anterior, dado 6= 0 autovalor de BGS en ontramos autovalor de

BJ on 2 = , pero en realidad es un si y solo si. Es de ir, dado autovalor de BJ , = 2
resulta ser un autovalor de BGS ,
det(D + L + U ) = 0
si y solo si
det(2 D + (L + U )) = 0
si y solo si (por el lema previo)
det(2D + L + 1 U ) = 0
y tomando = se tiene
det(2(D + L) + U )) = 0:
Enton es 2 es autovalor de BGS .
Convergen ia del metodo de Gauss-Seidel para A 2 IRN N simetri a
ComoNlos autovalores de A 2 IRN N pueden ser omplejos, trabajaremos dire tamente on
A2C . N
Re ordemos algunas deni iones

Defini io n 3.20. Si A 2 CN N se dene A = AT o sea A es la matriz que en el lugar i; j
tiene al elemento aij = aji:
n
Defini io 3.21. A 2 CN N es Hermitiana si
A = A:
Observemos que si A 2 IRN N , A = AT y Hermitiana signi a simetri a.

Si z 2 CN y A es Hermitiana enton es
z Az 2 IR:
En general para A ualquiera z Az = z A z. Veamos esto,
X
z Az = zi aij zj
ij
y enton es X
z Az = zi aij zj = z A z
ij
Teorema 3.22. Sea A 2 CN N Hermitiana y denida positiva (o sea z Az > 0 8z 6= 0),
enton es el metodo de Gauss-Seidel es onvergente.
Demostra ion.
A = L + D + L
on 0
0 0 0 1
B a21 0 0 C
L=B B .. ... C C
. A
aN 1 0
Hay que ver que (BGS ) < 1 donde BGS = (L + D) L. 1
Observemos que BGS puede es ribirse omo
BGS = I (L + D) 1 A
Sea 2 C un autovalor de BGS y z 2 CN , z 6= 0, un autove tor orrespondiente a , es de ir
(I (L + D) 1A)z = z
o bien
(L + D)z Az = (L + D)z
Az = (1 )(L + D)z
Como Az 6= 0 se dedu e que 6= 1. Multipli ando por z se obtiene
1 = z (L + D)z
1 z Az
tomando onjugado y re ordando que z Az 2 IR y que D es real se tiene
1 = z (L + D) z = z (L + D)z :
1 z Az z Az
Y sumando estas dos igualdades se obtiene
2Re( 1 1 ) = 1 + zzDz

>1
Az
pues zAz > 0 y z Dz > 0 (aii > 0 si A es denida positiva).

Enton es si = + i , tenemos
1 = 1 1 + i = 1 + i :
1 1 i 1 + i (1 )2 + ( )2
Y de esta forma 1 )= 1
Re(
1 (1 )2 + ( )2
y por lo anterior
1 1
(1 )2 + ( )2 > 2
es de ir
2(1 ) > 1 2 + 2 + 2
1 > 2 + 2 :
Hemos onseguido ver que
jj < 1:
Se puede probar que si A 2 C es Hermitiana y on aii > 0 enton es el metodo de Gauss-
N N
Seidel onverge si y solo si A es denida positiva .
2.5. Metodo SOR. La idea del metodo SOR (su essive over relaxation / sobre relaja ion
su esiva) es tomar un \promedio" entre el xki y el xik+1 de Gauss-Seidel (promedio entre omillas
pues los pesos no son ne esariamente menores o iguales que 1).
Dado ! un parametro se dene 0 1
i 1
xk+1 = (1 !)xk + ! bi
X
aij xk+1
XN
aij xk A
1
i i j j aii
j =1 j =i+1
En forma matri ial es ribimos omo antes A = L + D + U queda
(D + !L)xk+1 = ((1 !)D !U )xk + !b
enton es
xk+1 = B! xk + (D + !L) 1 !b
on
B! = (D + !L) 1 ((1 !)D !U )
Observemos que B1 = BGS .
En prin ipio, ! es arbitrario. Sin embargo el siguiente teorema nos di e que es ne esario que
j! 1j < 1 para que haya onvergen ia (o sea para que (B! ) < 1). Si ! 2 IR enton es ha e
falta que 0 < ! < 2.
Teorema 3.23. (Kahan) Sea A 2 CN N , on aii 6= 0, enton es
(B! ) j1 !j
Demostra ion.Si L es triangular inferior on eros en la diagonal enton es det(D 1 ) = det((D +

!L) 1 ).En onse uen ia,
det(B! ) = det((D + !L) 1)det((1 !)D !U )
= det(D 1 )det((1 !)1D !U )
= det((1 !)I !D U )
= det((1 !)I ) = (1 !)N
Pero omo det(B! ) = Qi i se tiene que
(B! ) j1 !j
Si ! 2 IR, una ondi ion ne esaria para que el metodo onverja es que 0 < ! < 2. Esta ondi ion
es tambien su iente si A es simetri a denida positiva.
El problema onsiste en en ontrar el parametro optimo (o er ano al optimo) para a elerar la
onvergen ia. Para iertas lases de matri es esto puede ha erse (ver libro Varga, Ortega o
Smith).
3. Ejer i ios
(1) Es ribir un programa que implemente el metodo de Ja obi y otro el de Gauss-Seidel
on las siguientes ondi iones:
que in luya una restri ion al numero de itera iones
que nali e si el metodo se esta iona
(2) De idir para ada uno de los siguientes sistemas, si los metodos de Ja obi y de Gauss-
Seidel son onvergentes (sugeren ia: utilizar los omandos tril, diag y eig de Matlab).
En aso armativo usarlos para resolver el sistema. Si ambos metodos onvergen,
determinar ual onverge mas rapido. >Es la matriz del sistema diagonal dominante?
>y simetri a y denida positiva? 0 10 1 0 1
0
3 1 1 10
x1
1 0
5 1 5 7 6 5 x 1 23
B 7 10 8 7 CC B x2 C B 32 C
B C B C
(a) 2 6 1 A x2 A = 9 A ; (b) B 6 8 10 9 A x3 A = 33 A
1 1 4 x3 6 5 7 9 10 x4 31
(3) Dar ejemplos donde onverja el metodo de Ja obi y no lo haga el de Gauss-Seidel y
vi eversa.
2 1
(4) Considerar el sistema Ax = b para A = 3 6 y b = (8; 21). Mostrar que el metodo
de Ja obi onverge; ha er un programa que lo modele y a la vez graque en el plano la
su esion de aproxima iones obtenidas empezando en ada uno de lo siguientes valores
ini iales
(a) x0 = (1; 4) (b) x0 = (1; 0) ( ) x0 = (5; 2)

(5) Considerar el sistema xx + yy == 00 : Estudiar autovalores y autove tores de la matriz
de itera ion aso iada al metodo de Gauss-Seidel, de idir si el metodo es onvergente o
3. EJERCICIOS 61
no y, sin ha er al ulos, prede ir el omportamiento de las su esiones que se obtienen

on los siguientes valores ini iales.
(a) x0 = (2; 0) (b) x0 = ( 0:03; 0:03) ( ) x0 = (0; 1)
De idir si en este aso el metodo de Ja obi resulta onvergente.
(6) (a) Mostrar que toda matriz A 2 IRnn on det(A) > 1 tiene un autovalor , real o
omplejo, on jj > 1.
(b) De idir
0 si el m etodo de Ja obi onverge o no para un sistema dado por la matriz
1 1 2 1
A= 4 1 3 A:
5 6 1
(7) Sean A; B 2 IR33 las0matri es 1 0
a 0 0 b 01
A = a A; B = b 0 b A:
0 a 0 b 0
p
(a) Probar que limn!1 B n = 0 si y solo si jbj < 2=2.
(b) Dar ondi iones ne esarias y su ientes sobre a; 2 IR para la onvergen ia de los
metodos de Ja obi y de Gauss-Seidel apli ados a la resolu ion de Ax = v.
(8) (a) Probar que si A tiene una base de autove tores vi, on autovalores i, la matriz
B = I + sA; s 2 IR
tiene los mismos autove tores, on autovalores i(= 1 + si.
(b) Sabiendo que los autovalores de la matriz A 2 IR n 1)(n 1)
0
2 1 0 0 1
B 1 2 1 0 0 C
B C
A=B
B C
C
B
B C
C
0 1 2 1 A
0 0 1 2
son j = 4sen 2jn , j = 1; : : : ; n 1, de idir si el metodo de Ja obi apli ado a
Ax = b es onvergente o no.
( ) De idir si el metodo de Gauss-Seidel resulta onvergente. En aso armativo, >que
metodo onverge mas rapido?
Comentario: Este problema es interesante por sus apli a iones, pues
orresponde a la dis retiza ion de la e ua ion de Poisson en una di-
mension espa ial:
8
d2 u
>
<
dx2
= f (x); x 2 [0; 1℄;
>
:
u(0) = u(1) = 0:
(9) Sea BJ la matriz aso iada al metodo de Ja obi de un sistema dado. Estimar
(a) uantas multipli a iones y divisiones se requieren para al ular BJ .
(b) uantas multipli a iones y divisiones se requieren para para realizar una itera ion
on el metodo de Ja obi.
( ) si (BJ ) < 1,m uantas itera iones se ne esitan para redu ir el error del metodo en
mas de 10 (en fun ion de (BJ )).
(d) uantas multipli a iones y divisiones se requieren para al ular la solu ion del
sistema por el metodo de elimina ion gaussiana.
(e) uantas itera iones del metodo de Ja obi podran realizarse antes de igualar la
antidad de opera iones ne esarias al usar el metodo de elimina ion gaussiana.
(10) Sean BJ y BGS las matri es aso iadas al metodo de Ja obi y de Gauss-Seidel respe -
tivamente del sistema Ax = b.
(a) Mostrar que si A(i; k) = 0 enton es, el elemento BJ (i; k) = 0. Notar que si A es
una matriz rala ( on mu hos eros) enton es BJ tambien lo es. Luego, en ada
itera ion se requieren po as multipli a iones.
(b) Mostrar que = 0 siempre es un autovalor de BGS . >De que autove tor?
(11) Dada una matriz 0 1
a11 a12 a13
A = a21 a22 a23 A
a31 a32 a33
y un ve tor b 2 IR3 , se quiere resolver el sistema de e ua iones Ax = b; para lo ual
se onsidera el siguiente metodo iterativo, que es un aso parti ular de los metodos
llamados Ja obi por bloques :
0 1 1 0 1 1
a11 a12 0 0 0 a13 1 0
a11 a12 0
xk+1 = a21 a22 0 A 0 0 a23 A xk + a21 a22 0 A b;
0 0 a33 a31 a32 0 0 0 a33
Este metodo resulta onvergente para los siguientes datos:
0
8 2 31 0
20 1
A = 3 9 4 A y b = 62 A :
3 1 7 0
Ha er un programa que al ule la su esion de aproxima iones generada 4
on valor ini ial
el ve tor nulo y que se detenga uando kxk+1 xk k1 10 (es de ir, uando la
itera ion \senestabiliza").
(12) Sea A 2 IR n. Probar que = 1 es autovalor de la matriz de Ja obi (o Gauss-Seidel)
de A si y solo si A es no inversible.
(13) Para resolver el sistema Ax = b, se utiliza un metodo iterativo uya matriz de itera ion
J es diagonalizable y satisfa e (J ) < 1. Sea ek el ve tor error en el k-esimo paso.
(a) Demostrar que kek k1 = O((J )k ).
(b) Probar que si ek 6= 0 para todo k 2 IN y (J ) 6= 0, la su esion (kek k1)k2IN tiende
a 0 linealmente.
(14) Utilizar la itera ion de Gauss-Seidel para resolver el sistema Anx = bn para

1
An = 2 4 + 1
2 y bn = (1; 2
1 ):
n2 n2
>Como es la onvergen ia? >Tiene esto que ver on el mal ondi ionamiento de A? Dar
un ejemplo de una matriz mal ondi ionada para la ual la onvergen ia sea rapida.
(15) Ha er un programa que pida el ingreso de una matriz A y un ve tor b y luego
al ule las matri es de itera ion de los metodos de Ja obi y Gauss-Seidel.
3. EJERCICIOS 63
al ule el menor de los radios espe trales de las dos matri es anteriores y, si este
valor resulta menor a 1, enton es reali e las primeras 10 itera iones del metodo
orrespondiente (o de ualquiera de los dos metodos en aso de que los radios
espe trales resulten oin identes), on
valor ini ial
el ve tor nulo.
(16) Considerar el sistema Ax = b para A = 646 61 y b = (1; 2).
(a) Demostrar que el metodo de Ja obi onverge para todo dato ini ial. Veri ar, sin
embargo, que la matriz no es diagonal dominante.
(b) Sea J la matriz de itera ion. Hallar las normas 1, 1 y 2 de J . Hallar una norma
k k en la ual kJ k sea < 1.
CAPTULO 4
Resolu ion de e ua iones no lineales
En mu hos problemas, apare e en forma natural, la ne esidad de al ular el valor de x donde

una fun ion f se anula, es de ir, una raz de f . En general, on las herramientas analti as que
se usan para estudiar y gra ar fun iones suaves (derivables) solo podemos analizar si hay un
intervalo [a; b℄ donde el gra o de f ruza el eje x.
En este aptulo, veremos distintos metodos que nos permitiran aproximar el valor de una raz,
este valor suele hallarse por aproxima iones su esivas y por ende los metodos a utilizar son
iterativos. En mu has o asiones, solo tiene sentido en ontrar una solu ion aproximada. A ve es,
el al ulo exa to no es posible ya sea porque se trata de una raz irra ional (f (x) = x2 2) o
porque la fun ion viene dada por oe ientes uyos valores se ono en solo en forma aproximada.
Lo importante al utilizar metodos que estimen el valor deseado es, omo venimos mar ando en
estas notas, poder ontrolar el error que se omete al utilizar un valor aproximado en lugar del
exa to.
El problema se plantea de la siguiente manera: Dada f : IR ! IR (o bien f : [a; b℄ ! IR) se
quiere en ontrar r tal que
f (r) = 0:
El al ulo aproximado de ra es puede dividirse en dos etapas. En la primera, se separan las
ra es. Es de ir, se bus a un subintervalo de [a; b℄ que ontenga una y solo una raz de f . Para
asegurar la existen ia de al menos una raz en el intervalo propuesto se utiliza el teorema de
Bolzano. Para asegurar que no hay mas de una raz se usa el teorema de Rolle, es de ir, se
veri a que la derivada primera no ambie de signo en di ho intervalo. En la segunda etapa, se
apli a un metodo para aproximar la raz aislada.
Antes de des ribir el primer metodo de estas notas, el de bise ion, re ordamos el teorema de
Bolzano.
Teorema 4.1. Bolzano Sea f : [a; b℄ ! IR ontinua en [a; b℄. Si f (a)f (b) < 0 (o sea f (a) y
f (b) tienen distinto signo) enton es existe alguna raz de f en el intervalo [a; b℄.
1. Metodo de bise ion
Este metodo, que se apoya en la idea geometri a del teorema de Bolzano, permite onstruir una
su esion (xn)n2IN que onverge a la solu ion de f (x) = 0 de la siguiente manera.
66 4. RESOLUCIO N DE ECUACIONES NO LINEALES
Supongamos que f (a)f (b) < 0. Cal ulemos = a+2 b . Supongamos, por ejemplo, que f (a) > 0 y
f (b) < 0, enton es
(1) Si f ( ) = 0 listo.
(2) Si f ( ) < 0, habra una raz en [a; ℄.
(3) Si f ( ) > 0, habra una raz en [ ; b℄.
Ahora se elige el subintervalo, uya longitud es la mitad de [a; b℄ y que ontiene a la raz. Este
pro eso se sigue su esivamente.
As se genera una su esion x1 = a+2 b 2 [a1 ; b1 ℄, x2 2 [a2 ; b2 ℄, x3 2 [a3 ; b3 ℄ .. .donde ada intervalo
[an; bn ℄ mide la mitad del anterior,
b a
b1 a1 =
2
b a b a
b2 a 2 = 1 1 =
... 2 4
bn an = = b 2n a
Ademas,
a a1 a2 : : : b
b b1 b2 : : : a
Enton es an y bn son su esiones monotonas y a otadas y en onse uen ia onvergen, es de ir,
existen los lmites
lim
a
n!1 n
y limb :
n!1 n
Y omo
jbn anj b 2n a ! 0
se tiene que
lim
a
n!1 n
= nlim
!1 bn = r:
En ada paso se veri a f (an)f (bn) 0 y tomando lmite (usando que f es ontinua) resulta
f (r)2 0:
Enton es r es la raz bus ada pues umple, f (r) = 0:
1. ME TODO DE BISECCIO N 67
Por otra parte el error se puede a otar de la siguiente forma. Tenemos que
an 1 + bn 1
xn =
2
enton es
jr xnj 21 (bn 1 an 1) = b 2n a :
Resumiendo, hemos demostrado,
Teorema 4.2. Si f : [a; b℄ ! IR es ontinua y f (a)f (b) < 0 enton es, el metodo de bise ion
genera una su esion xn tal que,
(1) xn ! r on f (r) = 0,
(2) jr xnj b 2n a .
Una de las ventajas que tiene el metodo de bise ion es que onverge para ualquier f ontinua,
es de ir no ha e falta derivabilidad omo en otros metodos que veremos mas adelante.
p
Ejemplo 4.3. Cal ulemos 2.
Tomemos f (x) = x2 2 y [a; b℄ = [1; 3℄. Se tiene f (1) = 1 < 0 < f (3) = 7 y on un gra o de
f podemos asegurar que no hay otra raz positiva. La sue sion que produ e el metodo es:
x1 = 2 f (x1 ) = 2 [a1; b1 ℄ = [1; 2℄

x2 = 1:5 f (x2 ) = 0:25 [a2; b2 ℄ = [1; 1:5℄
x3 = 1:25 f (x3 ) = 0:4375 [a3; b3 ℄ = [1:25; 1:5℄
x4 = 1:375 f (x4 ) = 0:109375 [a4; b4 ℄ = [1:375; 1:5℄
x5 = 1:4375 f (x5 ) = 0:06640625 [a5; b5 ℄ = [1:375; 1:4375℄
x6 = 1:40625 f (x6 ) = 0:022 : : : [a6; b6 ℄ = [1:40625; 1:4375℄
x7 = 1:421875 f (x7 ) = 0:02 : : : [a7; b7 ℄ = [1:40625; 1:421875℄
x8 = 1:4140625 :::
Para x8, vemos que la aproxima ion lograda tiene 4 ifras exa tas. Fue ne esario ha er o ho
pasos para obtener uatro ifras exa tas (p2 = 1:4142 : : :).
Del analisis he ho en general sabamos que,
p
j 2 x8j b 28 a = 228 = 128
1:
Enton es el error relativo es
p
j 2p x8j 1p 0:005 : : : 5 :
2 128 2 1000
La desventaja del metodo de bise ion es que onverge muy lentamente, por ejemplo en om-
para ion on el metodo de Newton-Raphson que veremos mas adelante.
En ada paso la ota del error, (b a)=2n , se redu e a la mitad,
jen+1 j b 2n a :
En onse uen ia se redu e 101 en tres o uatro pasos (se gana una ifra en tres o uatro pasos).
2. Metodo regula falsi
Este metodo llamado \regula falsi" o de falsa posi ion puede verse tanto omo una variante del
metodo de bise ion omo del metodo Newton-Raphson, que veremos en la proxima se ion.
Supongamos, nuevamente, que tenemos una fun ion f : [a; b℄ ! IR ontinua que veri a
f (a)f (b) < 0 (enton es existe una raz, r, en [a; b℄, por el teorema de Bolzano) y supongamos
que la raz es uni a en ese intervalo.
Denimos x1 omo la interse ion de la re ta se ante L on el eje x (en lugar de tomar el
promedio b 2 a , omo se ha e on el metodo de bise ion).
La re ta L, que une los puntos (a; f (a)) on (b; f (b)) tiene e ua ion:
f (b) f (a)
y f (a) = (x a):
b a
Como x1 es el valor de x que umple y = 0, se tiene,
f (a) af (b) bf (a)
x1 = a ( b a) =
f (b) f (a) f (b) f (a)
Si f (x1) 6= 0 enton es f (a)f (x1) < 0 o bien f (b)f (x1) < 0. Supongamos f (b)f (x1) < 0, deni-
mos x2 on el mismo pro edimiento anterior on el intervalo [x1 ; b℄ = I1, y as su esivamente.
Observemos que puede su eder que jIn j no tienda a ero, pero sin embargo xn ! r para toda f
ontinua.
3. ME TODO DE NEWTON-RAPHSON 69
Método de Regula Falsi: tres iteraciones
Solución exacta
| |
x x
a 1 2 b
f(x)
Figura 4.1.
3. Metodo de Newton-Raphson
La idea del metodo es \ir por la tangente" omo se des ribe a ontinua ion.
Se empieza on x0. Se traza la tangente en x0 y se dene x1 omo la interse ion de la tangente
on el eje x. Luego se traza la tangente por x1 y se toma x2 la interse ion de la tangente on
el eje x, y as su esivamente. Esto genera una su esion xn omo muestra la Figura 4.2.
Observemos que ha e falta que f sea derivable. Ademas, puede o urrir que la su esion que
produ e este metodo no sea onvergente. Esto ultimo se puede ver gra amente on el ejemplo
que muestra la Figura 4.3.
Sin embargo veremos que el metodo onverge muy rapidamente si x0 esta \su ientemente er a"
de una raz, bajo ondi iones bastante generales sobre la fun ion f .
Des rip ion analti a de metodo de Newton-Raphson.
Sea f : [a; b℄ ! IR derivable, x0 2 [a; b℄, se toma x1 tal que
f (x0 ) + (x1 x0 )f 0 (x0 ) = 0

Y en general, se toma xn+1 tal que
f (xn ) + (xn+1 xn )f 0 (xn ) = 0

Método de Newton−Raphson
x x x0
f(x) 2 1
Figura 4.2.
f(x)
x1 x0 x2
Figura 4.3.
o sea,
f (xn)
xn+1 = xn
f 0 (xn )
Observemos que para que esto tenga sentido, hay que suponer f 0(xn) 6= 0, esto es obvio
gra amente omo muestra la gura 4.3.
Ahora anali emos la onvergen ia del metodo. Sea r una raz simple de f , es de ir, f (r) = 0,
f 0 (r) 6= 0 y supongamos que f 00 es a otada.
Debemos estimar el error que se omete al usar xn en lugar de la solu ion exa ta (y des ono ida)
r. Esto es, estudiamos la expresion en = xn r y vemos si en ! 0.
Recta tangente a f en x
0
f(x)
x
x0
Figura 4.4.
Para analizar la onvergen ia del error miramos la su esion re ursiva

f (xn ) f (xn )
en+1 = xn+1 r = xn r = en
f 0 (xn ) f 0(xn )
enton es
en f 0(xn ) f (xn )
en+1 = (4.1)
f 0 (xn )
Observemos que si f 0(r) 6= 0 enton es f 0(xn) 6= 0 para xn er ano a r (esto lo justi aremos on
mas pre ision despues).
Usando el desarrollo de Taylor de orden 2 entrado en la raz r se tiene,
0 = f (r) = f (xn) (xn r)f 0(xn) + 12 (xn r)2 f 00( )

donde es un valor intermedio entre xn y r. Enton es
1
en f 0(xn ) f (xn) = f 00 ( )e2n
2
Reemplazando en la igualdad 4.1 queda
en+1 =
1 f 00() e2 (4.2)
2 f 0(xn) n
Con todo esto podemos demostrar el siguiente teorema.
Teorema 4.4. (de onvergen ia) Si r es un ero simple de f (i.e. f 0(r ) 6= 0) y sea I =
[r ; r + ℄ un intervalo tal que jf 0(x)j Æ > 0 y jf 00(x)j M en I . Enton es,
Existe " > 0 tal que I" = [r "; r + "℄ I y se tiene que jen j ! 0 y
jen+1 j 21 MÆ jenj2 ; (4.3)
siempre que x0 2 I" .
Demostra ion. Como las otas para f 0 y f 00 siguen siendo iertas para ualquier subintervalo de
I , podemos elegir " > 0 tal que
1 M " = < 1:
2Æ
Enton es, si x0 2 I" tenemos que je0 j = jx0 rj < " y usando (4.2) obtenemos
je1 j = jx1 rj je0 j:

En parti ular, x1 2 I". Analogamente,
je2 j = jx2 rj je1 j 2 je0 j

y x2 2 I". Continuando de esta manera, obtenemos una su esion (xn)n2IN I" tal que
jen j nje0 j:
Como 0 < < 1 se tiene que jen j ! 0 si n ! 1. Finalmente, la desigualdad (4.3) se obtiene de
(4.2).
Corolario 4.5. Si f 0 es ontinua y f 00 es a otada en [a; b℄ y r 2 [a; b℄ es una raz simple de
f , enton es existe un " > 0 tal que si x0 2 I" = [r "; r + "℄ [a; b℄, el metodo de Newton
empezando en x0 onverge a r.
Demostra ion.Como f 0(r0) 6= 0 y f 0 es ontinua, existen > 0 y Æ > 0 tales que I =

[r ; r + ℄ [a; b℄ y jf (x)j > Æ para todo x 2 I . Ahora estamos en las ondi iones del
teorema 4.4.
Observa io n 4.6. Un aso parti ular del orolario 4.5 es una fun ion C 2 ([a; b℄) que tiene a
r 2 [a; b℄ omo raz simple.
Ahora, queremos estudiar la rapidez on la que una su esion generada por un metodo, onverge
a la solu ion exa ta. Para eso ne esitamos la siguiente
Defini io n 4.7. En general podemos denir que un metodo es de orden p si existe una onstante
C > 0 tal que
lim jjeen+1jpj = C
n!1
y
n
lim
!1 j
jen+1j = 0
en jp "
n
Observemos primero que uanto mas grande sea p mejor. Ahora, veamos que signi a esto
geometri amente. Para valores grandes de n, es de ir, asintoti amente, se puede onsiderar que
el omportamiento de las su esiones jen+1 j y jen jp son equivalentes, lo que se expresa omo
jen+1 j C jenjp:
Por otra parte, si se obtiene una desigualdad de la forma
jen+1j C jenjp
podemos asegurar que el orden de onvergen ia es por lo menos p.
La onvergen ia para el metodo de Newton-Raphson es uadrati a, es de ir, p = 2. Si bien, on
la desigualdad (4.3) podemos asegurar que existe C > 0 tal que
jen+1 j C jenj2
de la igualdad (4.2) se dedu e que el metodo, en general, onverge uadrati amente. Esto es, en
ada paso el error se redu e uadrati amente (o sea es menor o igual que el uadrado del error
del paso anterior).
Esta es la gran ventaja del metodo de Newton. El numero de ifras orre tas se dupli a (esen-
ialmente) en un paso.
Este resultado de onvergen ia es \lo al", o sea, el teorema garantiza la onvergen ia si se
empieza \su ientemente er a" de r. En la pra ti a es un tema dif il determinar lo que es
\su ientemente er a". Mu has ve es, se ombinan unos pasos del metodo de bise ion para
en ontrar un intervalo en el que se aplique el Teorema 4.4. Sin embargo, el metodo de Newton
fun iona en forma ex elente (in luso en N variables) y es de los mas usados.
Ejemplo 4.8. Cal ulemos, apli ando el metodo de Newton una aproxima ion de p2. Compare-
mos el resultado on el que se obtuvo al apli ar el metodo de bise ion. Como antes la fun ion
es f (x) = x2 2 y elegimos x0 = 3. Tenemos
f (xn ) x2n 2 = xn + 1
xn+1 = xn = xn (4.4)
f 0(xn ) 2xn 2 xn
Y apli ando esto obtenemos
x0 = 3 x3 = 1:41499843 : : :
x1 = 1:833 : : : x4 = 1:41421378 : : :
x2 = 1:4621212 : : : x5 = 1:414213562 : : :
Observemos que
p
2 = 1:414213562 : : :
Es de ir, on in o pasos del metodo tenemos mas de diez ifras exa tas, mientras que on
bise ion en o ho pasos tenamos uatro ifras exa tas.
Comentario. Ha ia el a~no 2000 a.C. los Babilonios usaban el siguiente metodo para \ al ular"
el numero pp si p 2 IN. Si a > pp se tiene que ap < pp. Luego pp es un numero entre ap y a.
Enton es, onsideraban el promedio 12 (a + ap ) omo primera aproxima ion, as su esivamente.
Esto oin ide on el metodo de Newton, de 1669 d.C., apli ado a la fun ion x2 p. Comparar
on (4.4).
Ejemplo 4.9. Como segundo ejemplo veamos que su ede on f (x) = x3 , r = 0. Es laro que la
uni a raz es r = 0. Lo que se pretende on este ejemplo es mostrar alguna de las di ultades a
tener en uenta uando se apli a el metodo de Newton. La su esion que produ e este metodo
es:
x3n
xn+1 = xn
3x2n = 23 xn
Enton es
jen+1 j = 23 jen j
En este aso, observamos que la onvergen ia es lineal y no0 es uadrati a. Lo que su ede es que
no se veri a la hipotesis de que r sea una raz simple (f (r) = 0 en este aso).
Ejemplo 4.10. Este es un ejemplo donde el metodo de Newton-Raphson no onverge. En este
aso, la hipotesis que no se umple es la derivabilidad de f . Consideremos la fun ion
8
<
px x0
f (x) = p x
:
x < 0;
on r = 0.
Un al ulo sen illo permite ver que f no es derivable en la raz. En ualquier otro valor se tiene
8 1 1
< 2x 2 x>0
f 0(x) =
: 1 ( x) 1
2 2 x < 0:
Es de ir,
1 jxj
f 0(x) =
1
2:
2
La sue ion que produ e el metodo se es ribe omo
1
xn2
xn+1 = xn = xn 2xn = xn :
1 xn 12
2
Ahora, salvo que omen emos en la raz ( on lo ual no ne esitaramos de un metodo para
hallarla) se tiene que xn es positivo o negativo.
Supongamos que xn > 0, enton es xn+1 = xn < 0 y xn+2 = xn+1 > 0:
Si seguimos el pro eso que genera xn desde un x0 ini ial vemos que la su esion es:
x0 ! x0 ! x0 ! x0 ! :::
Con luimos que, en este ejemplo, el metodo de Newton no onverge para ningun x0 por mas
er a de r = 0 que este.
Ahora veamos un teorema de onvergen ia global para el metodo de Newton que se apli a a
fun iones onvexas. Una fun ion se di e onvexa en (a; b) si la re ta tangente al gra o de f
esta por debajo de este para todo los x en el intervalo. Si la fun ion es dos ve es derivable esto
orresponde on la ondi ion f > 0. En este aso, f puede tener un valor mnimo. Digamos, si
00
existe, que lo al anza en x .
Teorema 4.11. Sea f dos ve es derivable en [a; b℄ tal que f 00 > 0 (f es onvexa), enton es el
metodo de Newton-Raphson onverge para todo x0 6= x . Es de ir, en este aso no ha e falta
pedir que x0 este er a de r.
Demostra ion. Sin perdida de generalidad podemos suponer que f es \monotona" (si estamos
a la dere ha de x, la itera ion de Newton nun a ira a la izquierda, ver gura 4.2).
Si x0 > r enton es r < x1 < x0 y en general
x0 > x1 > x2 > : : : > xn > : : : > r

y enton es la su esion xn onverge pues es monotona. Veamos que onverge a una raz de f .
Supongamos que xn ! , luego tomando lmite en la expresion xn+1 = xn ff0((xxnn)) y usando
que f 0 es ontinua queda
f ()
=
f 0()
de donde f () = 0 y = r pues supusimos f monotona.
Si bien este teorema es bastante laro geometri amente para fun iones denidas en IR, su interes
radi a en su extension a IRN .
4. Metodo de punto jo
El metodo de Newton puede verse omo un aso parti ular del metodo de punto jo.
La idea es reemplazar la e ua ion f (x) = 0 por otra de la forma x = g(x) de manera que la
solu ion de esta sea la solu ion del problema original.
Esto puede ha erse de diversas maneras, por ejemplo, si
f (x) = x3
13x + 18
podemos tomar g(x) omo ualquiera de las siguientes fun iones
x3 + 18 13x 18 :
g1 (x) =
13 ; g2 (x) = (13x 18) 13 ; g3 (x) =
x2
Una vez en ontrada g una fun ion ontinua, el problema se reduje a en ontrar puntos jos de
g, es de ir, r tales que
r = g(r):
Se dene una su esion por itera ion, se elige un x0 y despues se toma
4. ME TODO DE PUNTO FIJO 77
xn+1 = g(xn ): (4.5)

Observemos que si la su esion generada por (4.5) xn onverge, enton es lo ha e a un punto jo
de g. En efe to, tomando lmite y usando que g es ontinua se tiene que si xn ! r enton es
r = g(r):
Teorema 4.12. Sea I = [a; b℄ si g (I ) I enton es g tiene al menos un punto jo en I .
Demostra ion. Como g(I ) I se tiene que a g(a) b y a g(b) b, si a = g(a) o b = g(b)
listo. Si no, g(a) a > 0 y g(b) b < 0. Enton es la fun ion F (x) = g(x) x umple, F (a) > 0
y F (b) < 0 y omo F es ontinua existe un r en I tal que 0 = F (r) = g(r) r.
Teorema 4.13. Si g es ademas derivable y jg 0 (x)j < 1 8x 2 I y g(I ) I enton es g tiene
un uni o punto jo.
Demostra ion. Si hay dos puntos jos, r1 , r2 on r1 6= r2 , tenemos

jr1 r2 j = jg(r1 ) g(r2 )j = jg0 ()(r1 r2 )j jr1 r2j < jr1 r2 j
una ontradi ion.
Bajo estas mismas hipotesis, la su esion generada iterativamente onverge y se puede dar una
ota del error en terminos de .
Teorema 4.14. Sea g tal que jg 0 (x)j < 1 8x 2 I y g(I ) I enton es la su esion xn denida
por
xn+1 = g(xn )
onverge al uni o punto jo de g y ademas,
(1) jxn rj n njx0 rj

(2) jenj 1 jx1 x0j. O sea, se tiene una a ota ion en terminos de jx1 x0 j que es
ono ido.
Demostra ion. Por el teorema anterior sabemos que existe un uni o punto jo de g que llamamos
r. La hipotesis sobre la derivada de g impli a que jg(x) g(y)j jx yj, o sea g es Lips hitz
on onstante . Enton es
jxn+1 rj = jg(xn ) g(r)j jxn rj
y de aqu, omo < 1 se tiene que
jxn rj njx0 rj ! 0:
En parti ular demostramos que xn ! r.

Por otra parte, inter alando x1 y usando desigualdad triangular,
jx0 rj jx0 x1 j + jx1 rj jx0 x1j + jx0 rj:
Enton es
(1 )jx0 rj jx1 x0 j
y omo
jxn rj njx0 rj
se obtine la estima ion 2).
La gura 4.5 muestra 0gra amente omo se genera una su esion por el metodo de punto jo.
En di ho gra o 0 < f (x) < 1.
y=x
f(x)
x1 x x x
3 4 2 x
0
Figura 4.5.
Para apli ar el teorema 4.14 hay que garantizar que g(I ) I (o sea primero hay que en ontrar
un tal I ).
Si r es un punto jo de g on jg0 (r)j < 1 este intervalo I existe, resultado que probamos en el
siguiente teorema.
5. ME TODO DE LA SECANTE 79
Teorema 4.15. g 0 ontinua en (a; b), r 2 (a; b) un punto jo de g . Si jg0 (r)j < 1, enton es
existe " > 0 tal que la itera ion es onvergente siempre que x0 2 I" = (r "; r + ").
Demostra ion. Como jg0 (r)j < 1, existe una onstante K < 1 y un " > 0 tales que jg0 (x)j < K ,
8x 2 I" = (r "; r + ") (por la ontinuidad de g ). Enton es, 8x 2 I",
0
jg(x) rj = jg(x) g(r)j K jx rj K" < "
o sea, g(I" ) I", y podemos apli ar el teorema anterior en I".
5. Metodo de la se ante
En este metodo tenemos que xn+1 es fun ion de xn y de xn 1. La idea es la misma que en
el metodo \regula falsi", trazar la se ante, pero este metodo es diferente pues se usan las dos
ultimas aproxima iones xn 1 y xn en lugar de en errar la raz omo en \regula falsi". Para
empezar hay que dar dos valores x0 y x1.
La e ua ion de la se ante que une los puntos (xn 1 ; f (xn 1)) y (xn ; f (xn)) es
f (xn ) f (xn 1)
y = f (xn) + (x xn )
xn xn 1
enton es se dene xn+1 omo la interse ion de esta re ta on el eje x, as, xn+1 veri a
f (xn ) f (xn 1 )
0 = f (xn) + (xn+1 xn )
xn xn 1
es de ir,
xn xn 1
xn+1 = xn f (xn) :
f (xn ) f (xn 1)
Observemos que esta formula es analoga a la de Newton reemplazando f 0 por un o iente

in remental.
La0 ventaja es que no hay que al ular la derivada de f (esto es de gran ayuda en un aso en que
f sea dif il de al ular).
La desventaja es, segun veremos, que la onvergen ia de la su esion es mas lenta que la que
produ e el metodo de Newton.
Observemos que la itera ion del metodo de la se ante tambien puede es ribirse omo
f (xn)xn 1 f (xn 1)xn

xn+1 = :
f (xn) f (xn 1)
Anali emos el orden de onvergen ia de este metodo, segun la deni ion 4.7. Tenemos
f (r) = 0 y en = r xn :
Luego,
f (xn)xn 1 f (xn 1 )xn
en+1 = r xn+1 =r f (xn) f (xn 1)
= en f1f(x(xn) ) fe(nxf (xn) 1)

n n 1
= en 1(f (xn) f (fx(r))) fe(nx(f (r)) f (xn 1))

n n 1
en en 1 f (xxnn) fr (r) + en en 1 f (rx) n f 1(xnr 1 )

= f (xn ) f (xn 1 )
:
Es de ir,
f (xn 1 ) f (r) f (r) f (xn )
en+1 = en en 1 xn 1 r xn r
: (4.6)
f xn ( ) f(xn 1 )
Denamos ahora las diferen ias.
Primera diferen ia :
f (b) f (a)
f [a; b℄ = = f 0():
b a
Segunda diferen ia :
f ( ) f (b) f (b) f (a)
f [a; b; ℄ = b b a :
a
Enton es el error del metodo de la se ante veri a,
f [x ; r; xn ℄
en+1 = en en 1 n 1 :
f [xn 1 ; xn ℄
5. ME TODO DE LA SECANTE 81
Lema 4.16.
1
f [a; b; ℄ = f 00():
2
Demostra ion.
f (x) = f (a) + f [a; b℄(x a) + f [a; b; ℄(x a)(x b) + Resto:
Despre iamos el resto y nos quedamos on el polinomio de grado 2:

f (a) + f [a; b℄(x a) + f [a; b; ℄(x a)(x b)
Se vera mas adelante que este polinomio es el polinomio interpolador de grado dos.
Sea
g(x) = f (x) f (a) + f [a; b℄(x a) + f [a; b; ℄(x a)(x b) (4.7)
g umple que g(a) = 0; g(b) = 0 y g( ) = 0.
Enton es g0 se anula en por lo menos dos puntos y de ah que existe on g00 () = 0. Ahora,
derivando dos ve es la expresion (4.7) y evaluando en se obtiene
0 = g00 () = f 00() 2f [a; b; ℄;

es de ir,
1
f [a; b; ℄ = f 00():
2
Apli ando el lema 4.16 a nuestra expresion de en+1 dada en (4.6) queda
en+1 =
1 f 00(n) en en 1
2 f 0(n)
y de a a se puede dedu ir la onvergen ia lo al.
Teorema 4.17. Si f 0 (r ) 6= 0, jf 00 j K en un entorno de r y x0 , x1 estan su ientemente er a
de r, es de ir existe " > 0 tal que si x0 ; x1 2 I" = (r "; r + "), enton es
en ! 0:
Demostra ion. Existe " > 0 tal que jf 0j > Æ en I", enton es si x0 ; x1 2 I" tenemos que
je2 j 2KÆ je1 jje0 j 2KÆ "2

y si ahora pedimos (quizas a hi ando el ") que
K
2Æ " = < 1
nos queda que
je2 j " < "
y enton es x2 2 I". Ahora bien
je3 j 2KÆ je2 jje1 j 2KÆ "2 2 "
je4 j 2KÆ je3 jje2 j 2KÆ "2 " 3 ":

Y podemos on luir por indu ion que
jenj n 1" ! 0:
Veamos el orden de onvergen ia del metodo de la se ante, tenamos
jen+1j = j 12 ff 0((n)) jjen jjen 1 j = n jenjjen 1 j;

00
n
y ademas, si llamamos 1 al lmite de n tenemos

n ! 1 =
1 f 00 (r)

2 f 0(r) :

Supongamos que f 00(r) 6= 0, de esta forma 1 6= 0.

Bus amos p tal que
lim jen+1 j = C 6= 0:
n!1 je jpn
Tenemos
6. EJERCICIOS 83
jen+1 j = je j1 pje j = jenj :

n 1
jen jp n n n
jen 1 jp
Si = 1 p y p = 1, o sea
p p2 = p = 1;
enton es p es solu ion de
p2 p 1 = 0;
y omo p > 0,
p
p=
1 + 5
2 = 1:618 : : :
Con esta ele ion de p tenemos que
yn =
jen+1 j
jen jp
umple la itera ion de punto jo (salvo que n es variable pero onverge a 1),
1
yn+1 = n yn p :
Enton es, yn onverge al punto jo de la e ua ion x = 1x p1 (esto

1
es ierto porque p > 1 y se
ve dire tamente es ribiendo la itera ion). El punto jo es x = 1. Enton es nos queda que
p
1
jen+1 j 1 f 00(r) p ;
jenjp 2 f 0(r)
para n grande.
Ahora veamos una idea intuitiva de la demostra ion dire tamente.
Si suponemos jen+1 j 2 jen jp tenemos jen+1 j jen jp 2jen 1 jp2 y de la rela ion entre en+1 ; en
y en 1 se tiene jen 1 jp jen 1 jpjen 1 j. O sea, p p 1 te. Luego p > 0 tiene que ser
1+ p5 jen 1 j
2
solu ion de p p 1 = 0 y enton es p = 2 = 1:618 : : :.
6. Ejer i ios
(1) Usar el metodo de bise ion para hallar una raz positiva de la e ua ion tras endente:
2x = tan(x)
>Cuantos pasos hay que ha er para garantizar que el error sea menor que 10 5 ?
(2) Ha er un programa en Matlab que eje ute los primeros 20 3pasos de los metodos de
bise ion y Regula-Falsi para hallar una raz de la e ua ion 2x + x 2 = 0 omenzando
on el intervalo [0; 1℄.
(3) Ha er un programa en Matlabp3que eje ute los primeros 20 pasos de los metodos de
bise ion y N-R, para al ular 2 omenzando on valores ini iales apropiados.
(4) Demostrar que la e ua ion
f (x) = ex + 5senx 2=0
tiene una uni a raz en el intervalo (0; 32 ). En ontrar las otas ne esarias de jf 0j y jf 00j
para determinar un valor ini ial de modo que el metodo N-R onverja a la raz. Apli ar
el metodo para hallar una aproxima ion de esta. >Cual es el orden de onvergen ia?
(5) Considerar la fun ion f (x) = 1 +xjxj . Determinar para que valores de x0 la itera ion
N-R es onvergente, para uales es divergente, y uando se obtienen i los periodi os.
(6) Se quiere resolver la e ua ion f (x) = 0, donde f (x) = ex 2. Cal ular los 10 primeros
terminos de las su esiones generadas por los metodos N-R y de la se ante, omenzando
on los valores ini iales x1 = 3 para el primer metodo e y1 = 3; y2 = 2:3 para el segundo.
Gra ar simultaneamente las dos su esiones obtenidas.
(7) Sea f una fun ion C 1 y sea (xn )n2IN la su esio0 n que se obtiene de apli ar el metodo
N-R a f . Supongamos que xn onverge a r y f (r) 6= 0, mostrar que r es raz de f .
(8) Sea f una fun ion suave, y a tal que0 f (00a) = 0, y f 0(a) 6= 0.
(a) Suponiendo que en (a; b℄, f; f ; f son positivas, probar que la itera ion de N-R
generada a partir de x0 2 (a; b) onverge de re ientemente ha ia a.
(b) Con las mismas hipotesis, si x1 2 (a; x0 ), probar que la su esion generada por el
metodo de la se ante a partir de x0; x1 onverge de re ientemente ha ia a.
(9) Sea f (x) = x . Se desea utilizar el metodo N-R para resolver la e ua ion f (x) = 0,
omenzando on x0 > 0. Analizar1el omportamiento del metodo en los asos
(a) 1 (b) = 3 ( ) = 12
(10) (a) Sea f (x) = (x r1 )(x r2) : : : (x rd) donde r1 < r2 < < rd. Probar que si
x0 > rd la su esion de N-R onverge a rd .
(b) Para un polinomio P 2 IR[x℄, P (x) = adxd + + a0; ad 6= 0, tal que sus d ra es
son reales y distintas, se propone el siguiente metodo que aproxima los valores de
todas sus ra es:
(i) Se omienza on un valor x0 mayor que M = maxf1; Pdi=01 jjaadijj g (Dato: M
es una ota para el modulo de todas las ra es del polinomio).
(ii) Se genera a partir de x0 la su esion de N-R, que, segun el tem anterior,
onverge a la raz mas grande de P , llamemosla rd ; obteniendose de este
modo un valor aproximado r~d.
(iii) Se divide P por x r~d y se despre ia el resto, dado que rd r~d. Se redene
ahora P omo el resultado de esta division y se omienza nuevamente desde
el primer tem, para hallar las otras ra es.
Apli ar este metodo para aproximar todas las ra es del polinomio P (x) = 2x3
4x + 1.
(11) Re ordar que una raz multiple de un polinomio f es una raz simple del polinomio
f= g d(f; f 0), donde g d indi a el maximo omun divisor. Ha er un programa en Matlab
6. EJERCICIOS 85
que aplique el metodo N-R a f (x) y a f (x)= g d(f; f 0) para hallar la raz multiple de
f (x) = (x 1)(x 2)2 :
Demostrar que, a pesar que la fun ion f no esta en las hipotesis del metodo N-R,
este onverge (aunque 0no tan velozmente omo uando la raz multiple se halla omo
solu ion de f= g d(f; f )).
(12) Para f una fun ion C 2 que tiene una raz de orden 2 en x0 :
(a) Demostrar que el metodo N-R onverge solo linealmente a x0 .
(b) >Cual es el orden de onvergen ia de la siguiente modi a ion?
f (x )
xn+1 = xn 2 0 n
f (xn )
(13) Sea f (x) = 4x3 3x + 1 = 0. La e ua ion f (x) = 0 tiene una raz doble. Aproximarla
al ulando las 10 primeras itera iones de los metodos N-R y N-R on la modi a ion
del ejer i io anterior, omenzando on los valores ini iales x1 = y1 = 25. Gra ar
simultaneamente las dos su esiones obtenidas.
(14) Se quiere apli ar el metodo N-R para dar una tabla de valores de la fun ion y(x) denida
impl itamente por la e ua ion G(x; y) = 0 en un intervalo [a; b℄.
El metodo onsiste en omenzar la tabla en un par de valores x0 ; y0 que veri an
x0 = a y G(x0 ; y0 ) = 0 y pro eder por in rementos en x hasta llegar al valor xN = b.
En ada paso se obtiene el valor de yn+1 apli ando el metodo N-R a la fun ion
G(xn+1; y) donde y es la variable y xn+1 permane e jo; on valor ini ial el valor de
yn obtenido en el paso anterior. Dado que la fun ion y(x) se supone ontinua, esta
ele ion del valor ini ial se supone apropiada.
(a) Apli ar el metodo para la e ua ion G(x; y) = x2 + y2 1 = 0, omenzando en
x0 = 0; y0 = 1 para valores de x en [0; 1℄. Gra ar junto on la solu ion que se
obtiene de despejar analti amente y omparar. Utilizar distintos valores para el
in remento y para la antidad de itera iones del metodo N-R en ada paso.
(b) Apli ar el metodo para G(x; y) = 3x7 + 2y5 x3 + y3 3: Comenzar la tabla en
x0 = 0; y0 = 1 y pro eder por in rementos en x de 0:2 hasta llegar a x50 = 10:
(15) Dada F : IRn ! IRn el metodo N-R generalizado onsiste en realizar la itera ion
ve torial
xk+1 = xk (DF jxk ) 1 :F (xk );
donde (DF jxk ) 1 es la inversa de la matriz diferen ial de F evaluada en xk .
Usar la version generalizada a varias variables del metodo N-R para para resolver
el sistema de e ua iones
2x 3y = 0; x2 y2 3 = 0
omenzando on valores ini iales (x0; y0 ) = (2; 1).
(16) Resolver os(x) = 2x, x > 0 omenzando1 on x0 = 0:5 y utilizando:
(a) La itera ion de punto jo xn+1 = 2 os(xn)
(b) El metodo N-R.
Gra ar, usando Matlab, las0 su esiones obtenidas y omparar.
(17) Sea g una fun ion tal que g0 es ontinua en [s; b℄, donde s es un punto jo de g. Si
ademas, se veri a que 0 g (x) K < 1 para todo x 2 [s; b℄, mostrar que la itera ion,
omenzando on x0 2 [s; b℄, onverge de re ientemente a s.
(18) Sea f : IR>0 ! IR denida omo f (x) = 8xx 1 ex :

(a) Dibujar la gra a de f y determinar el numero de ra es de la e ua ion f (x) = 0;
lo alizando ada raz entre dos enteros onse utivos.
(b) Para ada una de las siguientes fun iones:
1
f1 (x) = (1 + xex ); f2 (x) = ln
8x 1
8 x
onsideramos el siguiente metodo iterativo: dado x0 = 1 sea
xn+1 = fi (xn ); n 2 IN; (i = 1; 2):
Estudiar si estas su esiones onvergen ha ia alguna de las ra es de f = 0:
( ) Utilizando Matlab, estimar las ra es on estos dos metodos.
(19) Sea f (x) = x3 x 1. Se onsideran las dos siguientes itera iones de metodo de punto
jo.
p
g(x) = x3 1; h(x) = 3 x + 1:
(a) Determinar uales de estas fun iones son apropiadas para la itera ion.
(b) Para las que s lo sean:
Determinar un intervalo ini ial I en el ual el metodo onverja.
Dar un valor ini ial x0 2 I y la antidad de itera iones ne esarias para
aproximar la raz de f on error menor que 10 5 omenzando on el x0
dado.
(20) Dada la fun ion f (x) = x + 1=x 2, f : IR>0 ! IR, se onstruye el siguiente algoritmo
para aproximar la raz r = 1:
xn+1 = 2 1=xn
(a) Veri ar que si x0 > 1 enton es la su esion fxng es monotona de re iente y a otada
inferiormente por 1. Con luir que xn ! 1, aunque esta itera ion no esta en las
hipotesis del teorema del punto jo. >Que hipotesis no se umple?
(b) Dar un algoritmo para aproximar la raz de f que onverja uadrati amente.
(21) Sea f una fun ion C 1 en las ondi iones del metodo N-R. Sea g(x) = x ff0((xx)) . Mostrar
que el metodo N-R es un metodo de punto jo.
CAPTULO 5
Interpola ion
El objetivo de este aptulo es estudiar omo puede aproximarse una fun ion por polinomios.
Una forma de ha er esto es onstruir los polinomios de manera que oin idan on la fun ion
dada en algunos puntos predeterminados, lo que re ibe el nombre de interpola ion polinomial.
Analizaremos distintos metodos para resolver este problema y estudiaremos el error que se
omete al reemplazar una fun ion por un polinomio interpolante.
Hay diversos motivos para estudiar este problema. Por un lado, el polinomio interpolante puede
utilizarse para re onstruir una fun ion f a partir de una tabla de valores. Por otra parte, es
una herramienta fundamental para integra ion y diferen ia ion numeri a, omo veremos mas
adelante.
1. Interpola ion de Lagrange
En lo que sigue, si n 2 IN0 , llamaremos Pn al onjunto de polinomios de grado menor o igual

que n, in luyendo el polinomio nulo.
Supongamos que se sabe que la tabla de valores
(xj ): x0 x1 x2 .. . xn
(yj ): y0 y1 y2 : : : yn
orresponde on datos de una fun ion ontinua que se des ono e. Queremos poder modelizar
di ha fun ion por medio de un polinomio. Es de ir, queremos en ontrar un polinomio tal que
p(xj ) = yj ; 8j = 0; 1; : : : ; n: (5.1)
Nuestro primer paso sera dar un resultado basi o que estable e que esto es posible. Mostraremos
una forma on reta de hallar un polinomio p que verique (5.1) y ademas veremos que si el
polinomio es de grado menor o igual que n, este es uni o. Vamos a basar nuestra demostra ion
en la Base de Lagrange que es una base de polinomios que onstruimos a ontinua ion.
Base de Lagrange: Para ada punto xj ; j = 0; : : : ; n; bus amos un polinomio de grado n que
se anule en todos los xi salvo xj donde queremos que valga 1. Por ejemplo, `0 sera un polinomio
en Pn tal que se anula en x1; : : : ; xn y `0(x0 ) = 1.
88 5. INTERPOLACIO N
Como x1; : : : ; xn son ra es de `0, `0(x) = Qni=1 (x xi); donde es una onstante que se elige
de modo que `0 (x0) = 1. Imponiendo esta ondi ion obtenemos
n
Y
(x xi )
`0 (x) = i=1
Yn :
(x0 xi )
i=1
De manera analoga, para ada j = 1; : : : ; n;, el polinomio `j 2 Pn tal que

`j (xi ) = Æij = 1 i=j
0 i 6= j
estara dado por
Y
(x xi )
i6=j
`j (x) = Y (5.2)
(xj xi )
i6=j
Los polinomios f`0 ; `1 ; : : : ; `n g se ono en omo la base de Lagrange. Vale desta ar que estos
polinomios solo dependen de los datos fx0 ; x1 ; : : : ; xng.
Teorema 5.1. Dados x0 ,. . . ,xn y valores y0 ; : : : ; yn existe un uni o polinomio pn 2 Pn tal que
pn (xj ) = yj ; 8j = 0; : : : ; n:
Demostra ion. Usando la base de Lagrange denimos

n
X
pn (x) = yj `j (x): (5.3)
j =0
obteniendo un polinomio pn 2 Pn que veri a (5.1). Veamos que es uni o. Supongamos que hay
dos polinomios pn, qn 2 Pn que interpolan la tabla de pares (xi ; yi), esto es
(pn qn)(xj ) = 0 8j = 0; : : : ; n:
Enton es pn qn es un polinomio de grado menor o igual que n on n + 1 ra es distintas; es
de ir, pn qn es el polinomio nulo.
1. INTERPOLACIO N DE LAGRANGE 89
n
Observa io 5.2. (1) La es ritura (5.3) se ono e omo la forma de Lagrange del poli-
nomio interpolador.
(2) El polinomio pn puede tener grado estri tamente menor que n. Por ejemplo, si se
onsidera la tabla de 5 valores
(xj ): -4 -2 0 1 3
(yj ): 9 5 1 -1 -5
El polinomio de grado menor o igual que 4 que interpola la tabla es p4 (x) = 2x + 1.
Gra ias a la uni idad, omo se trata de un polinomio de grado 1, es su iente mostrar
que en ada xj , p4 toma el valor yj ; esto es inmediato.
(3) Si los datos orresponden on una fun ion f que es un polinomio de grado menor o
igual que n, es de ir, f 2 Pn y los valores yj = f (xj ); enton es f = pn (la interpola ion
es exa ta para polinomios).
(4) El polinomio que interpola en n + 1 puntos distintos es uni o en Pn. Si se permite
mayor grado hay innitos. Por ejemplo, si q es un polinomio ualquiera, el polinomio
p(x) = ( 2x + 1) + q(x)(x + 4)(x + 2)x(x 1)(x 3);
tambien interpola la tabla dada arriba.
Otra forma de demostrar la existen ia (y de en ontrar el polinomio) es por el metodo de los
oe ientes indeterminados. El polinomio sera de la forma
pn (x) = a0 + a1 x + + an xn
y se bus an a0 ; : : : ; an tales que
pn (xj ) = yj :
Al evaluar, queda formado un sistema (n + 1) (n + 1)
0 10 1 0 1
1 x0 x20 xn0 a0 y0
B 1 x1 x21 xn1 CB a1 C B y1 C
B ..
B
.
. . . ... CB
CB
A
... C
C
A
=B
B ..
.
C
C
A
1 xn x2n xn n an yn
La matriz de la izquierda se llama matriz de Van der Monde y omo solo depende de los datos
fx0 ; : : : ; xn g suele notarse por V (x0 ; : : : ; xn ).
Para ver que existe una solu ion (a0 ; : : : ; an ) y que es uni a hay que ver que la matriz V (x0 ; : : : ; xn )
es inversible. Esto equivale a ver que el nu leo es nulo. Ahora, si (a0 ; : : : ; an ) 2 Nu(V (x0; : : : ; xn))
tendramos
a0 + a1 xj + a2 x2j + : : : + an xnj = 0 8j = 0; : : : ; n:
Enton es a0 = : : : = an = 0 (pues un polinomio de grado n no nulo no puede tener n + 1 ra es
distintas).
2
Ejemplo 5.3. Anali emos que su ede si interpolamos la fun ion f (x) = x 3 en el intervalo
[ 1; 1℄ por un polinomio onsiderando puntos equiespa iados.
En este aso, sin en ontrar expl itamente el polinomio, si tenemos en uenta la paridad de la
fun ion, podemos pensar que un polinomio de grado par sera una buena ele ion. La Figura 5.1
muestra el gra o de f junto on el polinomio interpolante p que se obtiene al onsiderar 11
puntos equiespa iados. Si onsideramos la diferen ia maxima entre f y el polinomio p evaluados
en una malla su ientemente na (puntos equiespa iados on distan ia h = 0:01), el error que
se obtiene es grande omo puede observarse en el gra o; el error numeri o = 1.4886. ..
1.2
0.8
0.6
0.4
0.2
−0.2
−0.4
−0.6
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
2
Figura 5.1. Interpola ion de f (x) = x3 en [ 1; 1℄, (11 puntos equiespa iados)
2. Error de interpola ion
Cuando los datos obtenidos orresponden on datos de una fun ion f denida en [a; b℄ y x0,
x1 ,. .. , xn 2 [a; b℄ son n + 1 puntos distintos, el polinomio interpolador a en ontrar sera un
polinomio pn 2 Pn que oin ida on f en di hos puntos, es de ir pn veri a que
pn(xj ) = f (xj ) 8j = 0; : : : ; n:
La ventaja de obtener un polinomio que interpola a una fun ion f de la ual solo se ono en
sus valores en los puntos fx0 ; : : : ; xng es que, el polinomio, arroja una formula que permite
sustituir la fun ion f y ha er evalua iones en puntos diferentes a los ono idos. Para que este
2. ERROR DE INTERPOLACIO N 91
reemplazo tenga alguna validez numeri a es importante ono er una estima ion del error que
se omete. Para esto sera ne esario suponer que la fun ion f veri a algunas ondi iones de
suavidad. Llamemos a este error:
En (x) = f (x) pn (x); x 2 [a; b℄:
Con el siguiente teorema, damos el primer paso para poder estimar el error ometido; es de ir,
damos una expresion para En(x).
Dados los puntos x0; : : : ; xn, utilizaremos la nota ion Wn+1 para designar al polinomio moni o
de grado n + 1 que se anula en esos puntos. Es de ir,
Wn+1 (x) = (x x0 ) (x xn )
Teorema 5.4. Sean f 2 C n+1 [a; b℄ y pn 2 Pn el polinomio interpolador de f en x0 ; : : : ; xn
puntos del intervalo [a; b℄. Para ada x 2 [a; b℄, existe 2 [a; b℄, = (x), tal que
f (n+1) ( )
En (x) = f (x) pn(x) =
(n + 1)! Wn+1(x):
Demostra ion. Notar que En(xj ) = 0 y Wn+1(xj ) = 0 para todo j . Por lo tanto, podemos
suponer x 6= xj . Fijado x denimos la siguiente fun ion de t,
F (t) = f (t) pn (t) Wn+1 (t)

donde se elige de modo que F (x) = 0. O sea, = f W(xn) +1pn(x()x) , que esta bien denida pues
Wn+1 (x) 6= 0. Observemos que para todo j ,
F (xj ) = f (xj ) pn (xj ) Wn+1 (xj ) = 0:
Enton es F se anula en los n +2 puntos x0 ; : : : ; xn ; x. En onse uen ia, por el teorema de Rolle,
F 0 tiene al menos n + 1 eros, F 00 al menos n eros y as siguiendo se tiene que existe un punto
2 (a; b) tal que F (n+1) ( ) = 0: Como
F (n+1) (t) = f (n+1) (t) (n + 1)!
Se obtiene,
f (n+1) ( )
(n + 1)! = f (Wx)n+1p(nx()x)
Ejemplo 5.5. Anali emos que su ede si se quiere interpolar la fun ion f (x) = os(x)3 en el
intervalo [ 3; 3℄ por un polinomio.
Si se eligen 10 puntos equiespa iados se obtiene un polinomio omo muestra la Figura 5.2.
Si onsideramos el error numeri o, que es el que se obtiene omo diferen ia maxima entre f
y el polinomio evaluados en una malla su ientemente na (puntos equiespa iados on paso
h = 0:01) se tiene un error de 0.4303. ..Tan solo al onsiderar 25 puntos equiespa iados (tomados
a intervalos de longitud 0.25) se obtiene un error numeri o menor que 10 6 . En este aso, en
una gura omo la anterior, los gra os del polinomio y la fun ion se onfunden.
4
−1
−2
−3
−4
−5
−6
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
Figura 5.2. Interpola ion de f (x) = os(x)

3 en [ 3; 3℄, (10 puntos equiespa iados)
3. Forma de Newton
La forma de Newton es onveniente para al ular el polinomio, en Pn , que interpola a una

fun ion f en x0 ; : : : ; xn 1 ; xn una vez ono ido el polinomio interpolador de f en x0 ; : : : ; xn 1 .
La forma de Newton del polinomio interpolador puede verse omo una generaliza ion del poli-
nomio de Taylor aso iado a una fun ion. En esta onstru ion apare en las diferen ias divididas
que presentamos a ontinua ion.
Primera diferen ia dividida
f (x1 ) f (x0 )
f [x0 ; x1 ℄ = :
x1 x0
Segunda diferen ia dividida
f [x1 ; x2 ℄ f [x0 ; x1 ℄
f [x0 ; x1 ; x2 ℄ = :
x2 x0
As su esivamente se dene la diferen ia de orden k aso iada a los puntos x0 ; : : : ; xk ,
3. FORMA DE NEWTON 93
f [x1 ; : : : ; xk ℄ f [x0 ; : : : ; xk 1 ℄
f [x0 ; : : : ; xk ℄ = :
xk x0
La onstru ion de la forma de Newton se basa en la siguiente idea. Una vez obtenido pk 2 Pk
que interpola a f en x0; : : : ; xk es ribimos pk+1 2 Pk+1 omo
pk+1 (x) = pk (x) + ak+1 (x x0 ) (x xk ):

Observemos que omo el termino agregado no modi a el valor de pk en x0 ; : : : ; xk , pk+1 tambien
interpola a f en esos puntos independientemente del valor de ak+1. Por otra parte, podemos
elegir
f (xk+1 ) pk (xk+1 )
ak+1 =
(xk+1 x0 ) (xk+1 xk )
de modo que pk+1(xk+1) = f (xk+1):
Iterando este pro edimiento desde k = 1 hasta k = n 1 se obtiene la forma de Newton
pn (x) = a0 + a1 (x x0 ) + a2 (x x0 )(x x1 ) + : : : + an (x x0 ) (x xn 1 )
En lo que sigue veremos que los aj resultan ser las diferen ias divididas y por lo tanto esta
expresion es analoga al polinomio de Taylor.
Por ejemplo si n = 1,
p1 (x) = a0 + a1 (x x0 )
y omo
p1 (x0 ) = f (x0 ) p1 (x1 ) = f (x1 )

tenemos
a0 = f (x0 ) a1 = f [x0 ; x1 ℄:
Si n = 2,
p2 (x) = a0 + a1 (x x0 ) + a2 (x x0 )(x x1 ):
Como en el aso n = 1, de las igualdades p1(x0 ) = f (x0) y p1(x1) = f (x1) queda
a0 = f (x0 ) a1 = f [x0 ; x1 ℄:
Veamos ahora que
a2 = f [x0 ; x1 ; x2 ℄:
Sabemos ya que el polinomio p1(x) que interpola a f en x0; x1 se es ribe omo
p1 (x) = f (x0 ) + f [x0 ; x1 ℄(x x0 ):

Analogamente, si q1 (x) 2 P1 interpola a f en x1; x2 tenemos,
q1 (x) = f (x1 ) + f [x1 ; x2 ℄(x x1 ):

Enton es, el polinomio
r(x) =
(x
x0 )q1 (x) (x x2 )p1 (x)
x2 x0
tiene grado menor o igual que 2 y veri a r(xj ) = f (xj ) para j = 0; 1; 2. Por lo tanto, oin ide
on p2.
En onse uen ia, igualando los oe ientes de x2 de r y p2 se obtiene
f [x1 ; x2 ℄ f [x0 ; x1 ℄
a2 = = f [x0; x1; x2 ℄:
x2 x0
El mismo argumento puede apli arse para demostrar el siguiente teorema.
Teorema 5.6. El polinomio pn 2 Pn , que interpola a f en los puntos x0 ; : : : ; xn esta dado por
pn (x) = f (x0 ) + f [x0 ; x1 ℄(x x0 ) + + f [x0 ; : : : ; xn ℄(x x0 ) : : : (x xn 1 ) (5.4)
No solo los oe ientes del polinomio interpolador pueden expresarse en terminos de las difer-
en ias divididas, sino tambien el error omo lo muestra el siguiente teorema.
Teorema 5.7. Si pn 2 Pn interpola a f en los puntos x0 ; : : : ; xn , se tiene la siguiente expresion
del error
En (x) = f (x) pn (x) = f [x0 ; : : : ; xn ; x℄Wn+1 (x):
Demostra ion. Agregamos xn+1 a la su esion fx0 ; : : : ; xng y onsideramos pn y pn+1 omo en
(5.4), enton es se tiene
4. POLINOMIOS DE TCHEBYCHEV - MINIMIZACIO N DEL ERROR 95
pn+1 (x) = f (x0) + f [x0; x1 ℄(x x0) + + f [x0; : : : ; xn+1 ℄(x x0 ) (x xn )

= pn(x) + f [x0; : : : ; xn+1℄Wn+1 (x):
Por lo tanto
f (xn+1) = pn+1 (xn+1 ) = pn (xn+1 ) + f [x0 ; : : : ; xn+1 ℄Wn+1 (xn+1 ):
De aqu se dedu e que el error satisfa e
En (xn+1 ) = f (xn+1 ) pn (xn+1 ) = f [x0 ; : : : ; xn+1 ℄Wn+1 (xn+1 ):

Como tomamos xn+1 ualquier punto distinto de x0; : : : ; xn se tiene para todo x,
En (x) = f (x) pn (x) = f [x0 ; : : : ; xn ; x℄Wn+1 (x):
Corolario 5.8. Dados x0 ; : : : ; xn puntos distintos, existe intermedio, es de ir entre x0 ; : : : ; xn

tal que
f (n) ( )
f [x0 ; : : : ; xn ℄ = :
n!
Demostra ion. Evaluando en x = xn la expresion del error En 1 = f pn 1, dada por el teorema
anterior tenemos,
En 1 (xn ) = f [x0 ; : : : ; xn ℄(xn x0 ) (xn xn 1 )
lo que junto on la formula del error dada en el Teorema 5.4 on luye la demostra ion.
4. Polinomios de T heby hev - Minimiza ion del Error
Una pregunta natural es omo elegir los puntos de interpola i

( +1)
on para optimizar la aproxima ion.
El Teorema 5.4 nos di e que el error depende de f n en algun punto del intervalo y de los
puntos xj a traves del polinomio Wn+1(x) = (x x0 )(x x1) (x xn). Como se pretende
obtener una buena aproxima ion sin tener informa ion sobre la fun ion f , la idea es elegir los
puntos de manera tal que kWn+1()k1 sea mnima. Este problema, que en prin ipio pare e om-
pli ado, fue resuelto por T heby hev en el siglo XIX introdu iendo una su esion de polinomios,
que hoy llevan su nombre.
Para simpli ar la presenta ion resolveremos el problema para fun iones denidas en el intervalo
[ 1; 1℄. Mas adelante veremos que se puede trasladar la onstru ion a ualquier intervalo [a; b℄
mediante un ambio de variables.
Los polinomios de T heby hev se denen para k = 0; 1; 2; : : : por
Tk (x) = os(k os 1 x)
donde os 1 es la inversa de os : [0; ℄ ! [ 1; 1℄.
En prin ipio no es evidente que Tk sea un polinomio. Pero esto puede verse utilizando identidades
trigonometri as. En efe to,
T0 (x) = 1; T1 (x) = x
y omo os( + ) + os( ) = 2 os os , si ponemos x = os resulta
Tk+1 (x) = os((k + 1)) = 2 os os(k) os((k 1));

es de ir,
Tk+1 (x) = 2xTk (x) Tk 1 (x): (5.5)

Algunos ejemplos que siguen a T0 y T1 uyos gra os se muestran en la Figura 5.3 son
T2 (x) = 2x2 1; T4 (x) = 8x4 8x2 +3 1;
T3 (x) = 4x3 3x; T5 (x) = 16x5 20x + 5x
n=3 n=4
1 1
0.5 0.5
0 0
−0.5 −0.5
−1 −1
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1
n=5 n=6
1 1
0.5 0.5
0 0
−0.5 −0.5
−1 −1
−1 −0.5 0 0.5 1 −1 −0.5 0 0.5 1
Figura 5.3. Polinomios de T heby hev

Los polinomios de T heby hev tienen las siguientes propiedades.

Proposi io n 5.9. Sea Tk el polinomio de T heby hev de grado k .
(1) El oe iente prin ipal de Tk es 2k 1 , para todo k 2 IN.

(2) Las ra es del polinomio Tk se en uentran en el intervalo [ 1; 1℄ y son de la forma

xi = os
(2i + 1)
2k
para i = 0; 1; : : : ; k 1: En parti ular, son todas distintas.
(3) kTk k1 = 1. Ademas, Tk al anza los valores 1 y -1 en k + 1 puntos, es de ir,
i
kTk k1 = jTk (yi)j = 1 para yi = os(
k
)
on i = 0; : : : ; k:
Demostra ion. La primer arma ion puede verse de la rela ion de re urren ia (5.5).
Como Tk (x) = os(k os 1 x), Tk (x) = 0 si y solo si el argumento es multiplo impar de 2 . Es
de ir, para i 2 ZZ ,
k os 1 (x) = (2i + 1) 2
x = os( (2ik+1) 2 )
ambas arma iones de (2) quedan probadas. Es de ir, las ra es pertene en al intervalo [ 1; 1℄
y variando los valores de i = 0; 1; : : : ; k 1 se obtienen todas.
Para probar (3), basta notar que jTk (x)j 1 por ser imagen de la fun ion oseno. Ademas, sobre
los puntos yi = os( ik ), Tk toma alternativamente los valores 1; 1 y por lo tanto la norma es
exa tamente 1.
Ahora s, estamos en ondi iones de enun iar y probar el resultado que anti ipamos. Es de ir,
entre todas las posibles ele iones de n + 1 puntos en [ 1; 1℄, los eros de Tn+1 son los puntos
de interpola ion que hay que elegir para minimizar la expresion k(x x0) : : : (x xn)k1 que
apare e en la formula del error.
Teorema 5.10. Entre todos los polinomios moni os de grado n + 1,
1
Wn+1 (x) = n Tn+1 (x)
2
minimiza la norma k k1 en [ 1; 1℄. O sea, si P 2 Pn+1 y es moni o enton es,
kWn+1k1 kP k1:
Como el oe iente prin ipal de Tn+1 es 2n se tiene que Wn+1 es moni o.
Demostra ion.
Supongamos que existe un polinomio P 2 Pn+1 , moni o tal que
kP k1 < kWn+1k1:
Por la proposi ion anterior, jWn+1(x)j al anza su maximo (que es 21n ) en los n + 2 puntos
yi = os( ni+1 ), i = 0; : : : ; n + 1. Esto es, si restringimos Wn+1 a [yi ; yi+1 ℄, Wn+1 al anza la
norma innito en ada uno de estos subintervalos. Enton es, en ada subintervalo se mantiene
la rela ion
kP kL1 [yi;yi+1℄ < 21n = kWn+1 kL1[yi;yi+1℄: (5.6)

Por otra parte, Wn+1(yi) = Wn+1(yi+1 ). Supongamos, por ejemplo, que Wn+1(yi) > 0 (en el
aso ontrario se pro ede de manera analoga). Enton es, de la desigualdad (5.6) se sigue que
P (yi ) < Wn+1 (yi ) y que P (yi+1 ) > Wn+1 (yi+1 ).
Luego, el polinomio Q(x) = P (x) Wn+1(x) tiene al menos un ero en el intervalo (yi; yi+1) y
omo hay n +2 valores de yi, resulta que Q tiene al menos n +1 eros. Pero tanto P omo Wn+1
son polinomios de grado n + 1 y ambos son moni os de donde se dedu e que Q tiene grado a
lo sumo n. Esto es una ontradi ion pues a abamos de ver que Q tiene n + 1 ra es distintas.
Luego, un tal P no puede existir.
n
Observa io 5.11. Puede demostrarse, aunque no lo haremos aqu, que la desigualdad del
teorema es estri ta, o sea, kWn+1 k1 < kP k1 si P 6= Wn+1 es un polinomio moni o P 2 Pn+1.
Es de ir el minimizante es uni o.
2
Ejemplo 5.12. Se quiere aproximar la fun ion f (x) = x 3 en el intervalo [ 1; 1℄ por un polinomio
que la interpola en 11 puntos.
0.8
0.6
0.4
0.2
0
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1
2
Figura 5.4. Interpola i
on de f (x) = x3 en los eros de 11
T
Si se eligen los nodos omo los eros de T11 se obtiene un polinomio omo muestra la Figura 5.4
( omparar on Figura 5.1). En este aso el error numeri o ometido es menor que 0.1408,
( omparar on Ejemplo 5.3).
Veamos ahora omo se apli a el Teorema 5.7 para a otar el error uando se usan las ra es de
Tn+1 omo puntos de interpola ion.
Teorema 5.13. Sea f 2 C n+1 [ 1; 1℄. Si pn 2 Pn es el polinomio que interpola a f en las ra es
de Tn+1 enton es,
(n+1)
kf pnk1 k2fn(n + k1)!1 :
Demostra ion. Basta observar que Wn+1 = 21n Tn+1 para obtener
f (n+1) ( ) f (n+1) ( )
f (x) pn (x) = Wn+1 (x) = n
(n + 1)! 2 (n + 1)! Tn+1(x);
donde 2 [ 1; 1℄. Enton es, el resultado se sigue del he ho de que jTn+1 (x)j 1.
Ejemplo 5.14. Sea f : [ 1; 1℄ ! IR dada por f (x) = e3x . Queremos omparar las otas del
error que se produ e al estimar el valor de f (0:8) al usar el polinomio interpolador de grado 4
onstruido on puntos equiespa iados y on los eros del polinomio T5 .
Comen emos observando que f (5) (x) = 243e3x y por lo tanto

kf (5) k1 243e3 4880:79 :
5! 5! 5!
Si interpolamos f en in o puntos equiespa iados tenemos que
W5 (x) = (x + 1)(x + 0:5)x(x 0:5)(x 1);
enton es jW5(0:8)j = 0:11232 y usando la formula del error obtenemos
j(f p4)(0:8)j 48805!:79 0:11232 4:57:

Cuando en realidad
jE4 (0:8)j = 0:4591 : : :

Notar que en este aso, se sobre estima el error en un fa tor de 10.
Ahora, interpolamos usando los eros de T4. La ota que se obtiene de la formula de error es
jE4 (0:8)j 4880 :79
5!24 = 2:54;
mientras que E4 (0:8) = f (0:8) p4 (0:8) = 0:2544:
Observemos que tanto el error omo su estima ion se redu en aproximadamente la mitad que
en el aso de puntos equiespa iados.
Observa io n 5.15. Una trasla ion lineal del intervalo [a; b℄ al intervalo [ 1; 1℄ nos permite dar
los polinomios de T heby hev orrespondientes al intervalo [a; b℄.
En efe to, es fa il ver que el ambio de variables t = 2(bx aa) 1 es la transforma ion men-
ionada. Por lo tanto

Tek (x) = Tk (t) = Tk 2(x a)
1 = os k os 1 2(x a)
1
b a b a
es un polinomio de grado k que tiene propiedades analogas a Tk pero ahora en el intervalo [a; b℄.
En parti ular se tiene:
(1) La rela ion de re urren ia:

Tek+1 (x) = 2
2(x a) 1 Tek (x) Tek 1(x)
b a
(2) El oe iente prin ipal de Tek (x) es 2k 1( b 2 a )k .
(3) Los eros de Tek (x) son de la forma

xj =
b a
os (2 j + 1)
+ b+a
2 2k 2 8j = 0; : : : ; k 1:
(4) Interpolando en los eros de Ten+1
b a n+1 e b a n+1

Wn+1 (x) = n
1 Tn+1 (x)
1
y kWn+1 k1 = 2n 2
2 2
obteniendose, para x 2 [a; b℄, la ota del error
f (n+1) k1 b a n+1

k
jf (x) pn(x)j (n + 1)!2n 2 :
Antes de pro eder on algunos omentarios nales estudiemos el analogo al Ejemplo 5.5 on-
siderando omo nodos los eros del orrespondiente polinomio de T heby hev.
Ejemplo 5.16. Se quiere aproximar la fun ion f (x) = os(x)3 en el intervalo [ 3; 3℄ por un
polinomio que la interpola en los eros de T10 .
Al elegirse omo nodos los eros de T10 se obtiene un polinomio omo muestra la Figura 5.53
( omparar on Figura 5.2). En este aso el error numeri o ometido es menor que 4 10 .
Comparar on Ejemplo 5.5 en el que se interpola la misma fun ion en 10 puntos equiespa iados.
0.8
0.6
0.4
0.2
−0.2
−0.4
−0.6
−0.8
−1
−3 −2 −1 0 1 2 3
Figura 5.5. Interpola ion de f (x) = os(t)3 en [ 3; 3℄, (en los eros de T10)
Comentarios:
(1) A partir de la formula del error dada en el Teorema 5.4 puede demostrarse que si f
es una fun ion entera, es de ir, admite desarrollo de Taylor onvergente en todo IR,
enton es
kf pnkL1 [a;b℄ ! 0 (n ! 1):
ualesquiera sean los puntos de interpola ion.
(2) No podemos asegurar onvergen ia uniforme, es de ir, en norma innito, si se ambia
la hipotesis f entera por f 2 C 1(IR). Por ejemplo, si se eligen puntos equidistribuidos
en el intervalo [ 1; 1℄ se sabe que el error no tiende a ero para la fun ion de Runge
f (x) =
1
1 + 25x2
(3) El omportamiento de la interpola ion en los puntos de T heby hev es mu ho mejor.
Por ejemplo, puede demostrarse que si la fun ion f es derivable
kf pnk1 ! 0 (n ! 1):
(4) La interpola ion en los puntos de T heby hev no onverge para ualquier fun ion on-
tinua. O sea, puede verse que existe f ontinua tal que kf pnk1 6! 0. Mas aun puede
demostrarse el siguiente
Teorema. (Faber) Dados puntos
x00
x10 x11
x20 x21 x22
x30 x31 x32 x33
...
arbitrarios en [a; bn℄, existen f ontinua tal que kf pnk1 6! 0, donde pn es el polinomio
interpolador en x0 ; : : : ; xn.
5. Interpola ion de Hermite
En algunos asos interesa tambien onsiderar junto on los valores de una fun ion f datos
rela ionados on sus derivadas. Por ejemplo, puede bus arse un polinomio p que interpola a f
en determinados puntos y que ademas p0 oin ida on f 0 en algunos de esos puntos. Mas en
general, se tiene el siguiente teorema que fue probado por Hermite.
Teorema 5.17. Dada una fun ion f , puntos x0 ; : : : ; xk y m0 ; : : : ; mk 2 IN0 tales que m0 + : : : +
mk = n + 1, existe un uni o polinomio p 2 Pn que satisfa e
8
>
> p(x0 ) = f (x0 ); p0 (x0 ) = f 0 (x0 ); : : : p(m0 1) (x0 ) = f (m0 1) (x0 );
>
< p(x1 ) = f (x1 ); p0 (x1 ) = f 0 (x1 ); : : : p(m1 1) (x1 ) = f (m1 1) (x1 );
>
.. .. ..
>
> . . .
:
p(xk ) = f (xk ); p0 (xk ) = f 0 (xk ); : : : p(mk 1) (xk ) = f (mk 1) (xk ):
No haremos una demostra ion de este teorema pero para dar una idea mostramos la onstru ion
del polinomio interpolador en un aso parti ular; donde ademas puede verse omo se generaliza
la deni ion de diferen ias divididas para valores de xi no todos distintos.
Se bus a un polinomio p 2 P3 que umpla

(i) p(x0) = f (x0); (iii) p(x1 ) = f (x1);
(ii) p0(x0 ) = f 0(x0 ); (iv) p0(x1 ) = f 0(x1 ):
Como f1; x x0; (x x0 )2 ; (x x0)2 (x x1 )g forman una base de P3 por ser todos de distinto
grado, ualquier polinomio en P3 se puede es ribir de la forma
p(x) = a0 + a1 (x x0 ) + a2 (x x0 )2 + a3 (x x0 )2 (x x1 ):
Las ondi iones (i); (ii) se satisfa en si y solo si a0 = f (x0) y a1 = f 0(x0 ). Ahora hay que
determinar a2 y a3 para que se umplan las dos ondi iones restantes. Para simpli ar la
nota ion ponemos h = (x1 x0), enton es se tiene
5. INTERPOLACIO N DE HERMITE 103
p(x1 ) = a0 + ha1 + h2 a2 = f (x0 ) + f 0(x0 )h + a2 h2

Para que se satisfaga la ondi ion (iii) debe ser

f (x1 ) f (x0 ) f 0 (x0 )h f (x1 ) f (x0 ) 1:
a2 = = f 0 (x0 )
h2 h h
Observemos que limx1 !x0 f [x0; x1 ℄ = f 0(x0) por lo que resulta natural generalizar la primer
diferen ia dividida poniendo
f [x0 ; x0 ℄ = f 0(x0 ):
De esta manera se obtiene, de la deni ion de segunda diferen ia dividida,

f [x0 ; x1 ℄ f [x0 ; x0 ℄ f (x1 ) f (x0 ) 1
f [x0 ; x0 ; x1 ℄ = = f 0 (x0 )
x1 x0 h h
y por lo tanto, a2 = f [x0; x0 ; x1 ℄:
Por ultimo, queremos que p0(x1 ) = f 0(x1 ): Enton es, debemos elegir a3 para que se umpla
f 0 (x1 ) = a1 + 2a2 h + a3 h2 = f 0(x0 ) + 2f [x0 ; x0 ; x1 ℄h + a3 h2

de donde,
a3 = h12 f 0(x1 ) f 0(x0 ) 2f [x0 ; x0 ; x1℄h
= h12 (f [x1; x1 ℄ f [x0; x0 ℄ 2f [x0; x0 ; x1 ℄h)
= h12 (f [x1; x1 ℄ f [x0; x1 ℄ + f [x0 ; x1 ℄ f [x0 ; x0 ℄ 2f [x0; x0 ; x1 ℄h)
= h1 (f [x0; x1 ; x1 ℄ + f [x0; x0 ; x1℄ 2f [x0; x0 ; x1 ℄)
= f [x0; x1 ; xx11℄ f [x0 ; x0 ; x1 ℄
x0
:
O sea
a3 = f [x0 ; x0 ; x1 ; x1 ℄:
En onse uen ia, hemos demostrado que el uni o polinomio en P3 que satisfa e las ondi iones
pedidas es
p3 (x) = f [x0 ℄ + f [x0 ; x0 ℄(x x0 ) + f [x0 ; x0 ; x1 ℄(x x0 )2 + f [x0 ; x0 ; x1 ; x1 ℄(x x0 )2 (x x1 ):
Esto generaliza la forma de Newton para xi no todos distintos.
6. Interpola ion por polinomios a trozos
En mu hos asos para lograr una mejor aproxima ion es onveniente utilizar fun iones polinomi-
ales a trozos omo interpolantes. De esta manera se parte el intervalo de manera tal que en ada
subintervalo se elige un polinomio distinto que interpola los datos. Por ejemplo, al interpolar
on polinomios de grado uno a trozos, quedan poligonales.
Aproximación por poligonales
f(x)
p
2
p1
p6
p p5
3
p4
| | | | | | |
x0 x1 x2 x3 x4 x5 x6
Figura 5.2
Partimos el intervalo [a; b℄ en subintervalos [xj ; xj+1 ℄, a = x0 < x1 < x2 : : : < xn = b. Dada
f : [a; b℄ ! IR denimos la fun ion interpolante qn (x) tal que
qn j[xj ;xj+1 ℄ 2 P1 :
Consideremos el aso de puntos equiespa iados o sea, xj = a + jh on h = b na . Para ualquier

f 2 C 2 [a; b℄ y ualquier x 2 [xj ; xj +1 ℄, usando el Teorema 5.4 tenemos
f 00(j )
f (x) qn (x) =
2 (x xj )(x xj +1 ):
Enton es
6. INTERPOLACIO N POR POLINOMIOS A TROZOS 105
2 2
kf qnk1 kf 2k1 h4 = kf 8k1 (b n2a) ! 0
00 00
uando n ! 1:
Ejemplo 5.18. Sea f : [ 1; 1℄ ! IR, la fun ion de Runge f (x) =
1 : Puede verse que
1 + 25x2
kf 00k1 = 50. En onse uen ia, aproximando por poligonales obtenemos
f 00 k1 2 2 25

k
kf qnk1 8 n = n2 :
Luego, en este aso, interpolando por poligonales obtenemos una aproxima ion mu ho mejor
que la que se obtiene interpolando on un polinomio, si se utilizan los mismos puntos.
Splines ubi os.
En mu hos problemas interesa aproximar por fun iones derivables. Esto no puede lograrse
aproximando por poligonales y por lo tanto es ne esario aumentar el grado de los aproximantes.
Un metodo lasi o es el orrespondiente a grado tres, splines ubi os. Vamos a ver que, de esta
manera, puede obtenerse un aproximante C 2.
Dada f 2 C [a; b℄ y a = x0 < x1 < x2 : : : < xn = b bus amos S tal que S; S 0 y S 00 sean ontinuas
en [a; b℄ y ademas se verique
S (xj ) = f (xj ) para 0 j n y S j[xj ;xj+1℄ 2 P3 :
Por ejemplo si n = 3, omo Sj 2 P3 tenemos 4 3 = 12 oe ientes a determinar. Veamos

uantas ondi iones se tienen que satisfa er. Tenemos que veri ar,
S0 (x0 ) = f (x0 ); S1 (x1 ) = f (x1 ); S2 (x2 ) = f (x2 );

S0 (x1 ) = S1 (x1 ); S1 (x2 ) = S1 (x2 ); S2 (x3 ) = f (x3 ):
es de ir, seis ondi iones. Si ademas queremos S 0 y S 00 ontinuas en x1 , x2 tenemos uatro

ondi iones mas. O sea, en total diez ondi iones para do e in ognitas. Una uenta analoga
puede ha erse en el aso general para ver que la antidad de oe ientes a determinar supera en
dos al numero de ondi iones.
Luego, si hay solu ion habra innitas pues tenemos dos oe ientes para jar arbitrariamente.
Lo natural enton es es jar S 0 (x0) y S 0(xn ) o bien S 00(x0 ) y S 00(xn). Elegiremos esta ultima
op ion por ser mas simple.
Teorema 5.19. Dada f 2 C [a; b℄ y a = x0 < x1 < x2 : : : < xn = b, existe un uni a S 2 C 2[a; b℄
tal que
8
< S (xj ) = f (xj ) 0jn
:
S j[xj ;xj+1℄ 2 P3
on S 00 (a) = S 00 (b) = 0:
Demostra ion. Para j = 0; : : : ; n 1 usaremos la nota ion

Sj = S j[xj ;xj+1 ℄ y hj = xj+1 xj :
La fun ion S bus ada debe umplir que S 00 es una poligonal. Por lo tanto, si S 00(xj ) = yj , Sj00 se
es ribe omo
x x x xj
Sj00 (x) = yj j +1 + yj +1 0 j n 1:
hj hj
Veremos que es posible en ontrar valores yj de tal forma que se umplan las ondi iones requeri-
das para S . Integrando dos ve es obtenemos, para x 2 [xj ; xj+1℄, on 0 j n 1
yj 3 yj +1 3
Sj (x) =
6hj (xj+1 x) + 6hj (x xj ) + j (x xj ) + dj (xj+1 x) (5.7)
donde j , dj son onstantes a determinar que provienen de la integra ion.
Observemos que para ualquier ele ion de yj , j y dj , S 00 resulta ontinua por ser poligonal.
Por lo tanto resta ver que esas onstantes pueden elegirse de manera que se veriquen las otras
ondi iones requeridas sobre S y S 0.
Para que S sea ontinua e interpole a f tenemos que elegir j , dj tal que
Sj (xj ) = f (xj ) y Sj (xj +1 ) = f (xj +1 ); 0jn 1
de lo que, reemplazando en (5.7), obtenemos
f (xj +1) yj +1hj f (xj ) yj hj
j = y dj =
h j 6 hj 6
y por lo tanto, para ada 0 j n 1
y y
Sj (x) = j (xj +1 x)3 + j +1 (x xj )3 +
6h j 6h j

+ f (xhjj+1) yj +1hj
6 (x xj ) +
f (xj )
hj
yj hj
6 (xj+1 x):
7. EJERCICIOS 107
Derivando, y utilizando la nota ion fj = f (xj+1) f (xj ), obtenemos

Sj0 (x) =
yj
( y
xj +1 x)2 + j +1 (x xj )2 + j
f hj (y
2h j 2h j hj 6 j+1 yj )
y tenemos que elegir yj para que se umpla la ondi ion que falta, es de ir, que S 0 sea ontinua,
o sea
Sj0 (xj ) = Sj0 1(xj ) 1jn 1
de lo que resulta que las n + 1 in ognitas yj deben ser solu ion del siguiente sistema de n 1
e ua iones,
hj 1 yj 1 + 2(hj + hj 1 )yj + hj yj +1 = bj
on

bj = 6
fj fj 1
hj hj 1
Como tenemos dos in ognitas mas que e ua iones, podemos dar valores arbitrarios a y0, yn y,
pasando los terminos orrespondientes al lado dere ho, obtenemos el sistema tridiagonal,
0 10 1 0 1
1 h1 0 0 y1 b1 h0 y0
B h1 2 h2 0 CB y2 C B b2 C
B
B

... ... ... ... ... CB
CB
A
...
C
C
A
=B
B

C
C
A
0 n 1 yn 1 bn 1 hn 1 yn
donde i = 2(hi + hi 1).
Ahora, omo A es diagonal estri tamente dominante, enton es es inversible. Por lo tanto existe
solu ion uni a una vez elegidos y0, yn.
Por ejemplo podemos elegir y0 = yn = 0 para que se satisfagan las ondi iones S 00(x0 ) = 0 y
S (xn ) = 0, lo que on luye la demostra ion.
00
Observemos que en general S 0(xj ) 6= f 0(xj ) y S 00 (xj ) 6= f 00(xj ).

7. Ejer i ios
(1) Para ada uno de los onjuntos de datos dados en las siguientes tablas al ular el
polinomio p(x) interpolador de grado menor o igual que 3, en la forma de Lagrange.
Veri ar utilizando el omando polyt de Matlab. Gra ar el polinomio interpolador,
usando el omando polyval.
x -1 0 2 3 x -1 0 1 2
y -1 3 11 27 y -3 1 1 3
(2) Repetir el problema anterior, usando el metodo de oe ientes indeterminados.
(3) (a) Construir las tablas de diferen ias divididas para los datos del Ejer i io 1, y em-
plearlas para onstruir los polinomios interpoladores.
(b) Agregar a las tablas de datos del Ejer i io 1 el punto x = 4; y = 1. Aumentar las
tablas de diferen ias divididas y al ular los polinomios interpoladores.
(4) Considerar la fun ion f (x) = 1 + 125x2 en el intervalo [-1,1℄. Gra ar f junto on los
polinomios que resultan de interpolar a f en los n + 1 puntos equiespa iados x0 =
1; : : : ; xi = x0 + 2ni ; : : : ; xn = 1; para n = 5; 10; 15.
(5) Repetir el Ejer i io 4 para la fun ion f1 : [ 1; 1℄ ! IR, f1(x) = jxj y para la fun ion
f2 : [ 1; 1℄ ! IR, f2 (x) = sen(x).
(6) Sea f : [0; 5℄ ! IR, f (x) = 2x. Sea Pn un polinomio de grado n que interpola a f
en n + 1 puntos distintos ualesquiera de di ho intervalo. Demostrar que para todo
x 2 [0; 5℄;
n+1
jPn (x) f (x)j (32n:+5 1)!
(7) Sea f una fun ion C 1 tal que para todo k 2 IN y para todo x 2 [a; b℄ se tiene:
jf (k)(x)j C k k!
Mostrar que, si 0 < C < b 1 a y Pn en un polinomio de grado n que interpola a f en
n+1 puntos distintos, enton es Pn onverge a f uniformemente, es de ir, kf Pn k1 ! 0
uando n tiende a 1.
(8) Sea f : [ 1; 1℄ ! IR, f (x) = a +1 x . Sean (xn)n0 una su esion arbitraria de puntos en
[ 1; 1℄ y Pn(x) el polinomio que interpola a f (x) en x0; x1 ; : : : ; xn. Demostrar que si
a > 3 enton es Pn onverge a f uniformemente.
(9) (a) Dado el intervalo [a; b℄, sea m el punto medio entre a y b y sea h (b a)=2. Sea
p = m h y q = m + h. Demostrar que para todo x en [a; b℄,
2
j(x p)(x q)j (b 4 a) :
(b) Sean x0 = a; : : : ; xi = x0 + b na ; : : : ; xn = b, n + 1 puntos equiespa iados en el
intervalo [a; b℄. Demostrar que para todo x en [a; b℄,
n+1
j(x x0) : : : (x xn)j (b 2na+1) :
(10) Sea f : [ ; ℄ ! IR, f (x) = sen(x). Sea Pn un polinomio de grado n que interpola a
f en n + 1 puntos equiespa iados en di ho intervalo.
(a) Demostrar que para todo x 2 [ ; ℄
n+1
jPn (x) f (x)j (n+ 1)!
(b) Con luir que Pn onverge uniformemente a f.
(11) Sea f : [0; 1℄ ! IR, f (x) = sen(x) + e . Sea Pn el polinomio de grado n que interpola
x
a f en n + 1 puntos equiespa iados.
(a) Usando el ejer i io 9, a otar el error kf Pnk1.
7. EJERCICIOS 109
(b) Sea Cn la ota hallada en (a). Para n = 1; 3; 5 gra ar simultaneamente f , f + Cn,

f Cn y Pn .
(12) Cal ular el grado mnimo n que debe tener un polinomio Pn que interpola en los2 eros
de Tn+1 a la fun ion f (x) = e2x, x 2 [ 1; 1℄, para que el error kf Pnk1 10 .
(13) Repetir el ejer i io anterior para f (x) = e , x 2 [0; 4℄.
x
(14) Para n = 5; 10; 15; gra ar simultaneamente el polinomio Wn+1(x) = Qni=0 (x xi),
donde xi = 1 + 2i=n; i = 0; : : : ; n y el polinomio de T heby hev Tn+1.
(15) Repetir los Ejer i ios 4 y 5 usando los polinomios que interpolan a la fun ion f en los
eros del polinomio de T heby hev de grado n + 1, para n = 5; 10; 15.
(16) Utilizar el metodo de oe ientes indeterminados para hallar un polinomio p de grado
2 que satisfaga:
p(1) = 0; p0 (1) = 7; p(2) = 10
(17) (a) Sea f (x) = os(x), hallar un polinomio de grado menor o igual que 3 que verique
p( 1) = f ( 1); p(0) = f (0); p(1) = f (1); p0 (1) = f 0(1):
(b) Hallar un polinomio de grado menor o igual que 4 que verique las ondi iones del
item anterior, mas la ondi ion
p00 (1) = f 00 (1):
(18) Sea f : [ 1; 1℄ ! IR la fun ion f (x) = e2x 1 y sean x0 < x1 < : : : < xn los eros
del polinomio de T heby hev, Tn+1 . Se interpola a f on un polinomio P de grado
n + 1 de modo que P (x0 ) = f (x0); P (x1 ) = f (x1); : : : ; P (xn ) = f (xn) y ademas
P 0 (xn ) = f 0 (xn ). Probar que si n 6 enton es, el error ometido en la interpola ion
sobre el intervalo [ 1; 1℄ es menor que 10 3 .
(19) Para ilustrar que pasa uando se desea interpolar no solo una fun ion sino tambien sus
derivadas, onsideramos0 el problema de0 hallar p de grado a lo sumo 3 que verique:
(a) p(0) = 1; p (0) = 1; p (1) = 2; p(2) = 1;
(b) p( 1) = 1; p00( 1) = 1; p00(1) = 2; p(2) = 1;
( ) p( 1) = 1; p ( 1) = 6; p (1) = 2; p(2) = 1:
Usando el metodo de oe ientes indeterminados, demostrar que el problema (a)
tiene solu ion uni a, el problema (b) no tiene solu ion, y el problema ( ) tiene innitas
solu iones.
(20) Analizar para que valores de x0; x1; x2 , y 0 ; 1 ; 2 existe un polinomio de grado 2
que satisfa e:
p(x0 ) = 0 ; p(x1 ) = 1 ; p0 (x2 ) = 2 :
(21) Sea f 2 C 2[a; b℄, y sean x0 = a; x1 = a + h; : : : ; xn = b, donde h = (b a)=n. Considerar
la poligonal l(x) que interpola a f en los puntos xi, i = 0 : : : n. Probar que
(a)
2
jf (x) l(x)j h2 xmax 2[a;b℄
jf 00(x)j
(b)
jf 0(x) l0 (x)j h xmax 2[a;b℄
jf 00(x)j
(22) (a) Determinar valores de , y en IR para que S sea una fun ion spline ubi a,
siendo: 3 x;
S (x) = xx+ 0x1
3 + x2 5x + 1; 1 x 2:
(b) Con los valores de x , y 2 obtenidos en el tem anterior, de idir si S interpola a
la fun ion f (x) = 2 +0:5x 0:5x 1; 0 x 2 respe to de la parti ion f0; 1; 2g.
( ) Gra ar simultaneamente f y S en el intervalo [0; 2℄.
(23) Sea f omo en el Ejer i io 4. Utilizando Matlab, gra ar la fun ion f junto on
una spline ubi a que la interpola en la red f 1; 0:75; : : : ; 0:75; 1g, tomando omo
ondi iones de borde las derivadas 3de f2 .
(24) En ontrar una fun ion del tipo 2ax +bx + x+d que interpole la siguiente tabla de datos:
x -1 0 1 2
y 1 1 0.5 4
(25) Utilizando Matlab, en ontrar y gra ar una fun ion del tipo ea4 x4+a3 x3++a0 que in-
terpole a la fun ion f (x) = 1=x en 5 nodos equiespa iados en el intervalo [1; 10℄.
CAPTULO 6
Polinomios ortogonales y aproxima ion por uadrados mnimos
En el aptulo anterior hemos dis utido omo aproximar una fun ion por polinomios que in-
terpolan a la fun ion misma y/o a sus derivadas en algunos puntos. Hasta ahora, los metodos
analizados nos permiten onstruir polinomios de grado n a partir de n + 1 datos. Cierto es que,
en un problema a modelizar, uantos mas datos se ono en es de esperar que se pueda lograr
mayor pre ision. Pero, omo vimos, mu has ve es polinomios de alto grado produ en efe tos no
deseados omo por ejemplo grandes os ila iones. En este aptulo onsideraremos otra forma de
aproximar fun iones ono ida omo el metodo de uadrados mnimos. Este metodo nos permi-
tira, uando se trate de aproximar por polinomios, ontemplar una tabla de valores sin sujetar
el grado del polinomio a la antidad de datos. Tambien sera posible onsiderar fun iones mas
generales que ajusten de manera natural los valores predeterminados.
En general, en esta lase de problemas uno sabe a priori a que tipo de fun ion orresponden
los datos. Una situa ion fre uente es la de aproximar una tabla de mas de dos valores por una
re ta ( omo muestra la Figura 6.1). Es de ir, se tienen valores (xi; yi), i = 0; : : : ; n y se quiere
en ontrar una re ta que ajuste estos datos lo mejor posible. Si es ribimos la e ua ion de la re ta
omo y = mx + b nuestro problema onsiste en en ontrar valores de m y b que hagan que el
error jyi (mxi + b)j sea lo mas hi o posible para todo i. Por ejemplo, una manera de lograr
esto sera pedir que m y b minimi en
max jyi (mxi + b)j

0in
o tambien podramos pedir que minimi en
n
X n
X
jyi (mxi + b)j o jyi (mxi + b)j2 :
i=0 i=0
De todas estas op iones es usual onsiderar la ultima, llamada \aproxima ion por uadrados
mnimos", debido a que es la mas simple ya que el problema se redu e a resolver e ua iones
lineales.
En este aptulo estudiaremos distintos metodos para resolver este y otros problemas. Como
en general los valores de yi orresponden a datos de una fun ion f , podemos plantear estos
problemas en el ontexto de aproxima ion de fun iones. Dada una fun ion f onsideramos:
112 6. POLINOMIOS ORTOGONALES Y APROXIMACIO N POR CUADRADOS MINIMOS
Figura 6.1. Aproxima i

on de 10 valores por una re ta
Problema A. Dados w0 ; : : : ; wn onstantes positivas (pesos), m < n y valores (xi ; f (xi )), on
i = 0; : : : ; n se trata de hallar p 2 Pm que minimi e
n
X
wi (p(xi ) f (xi ))2 :
i=0
Problema B. Dada w(x) una fun ion positiva en [a; b℄, dada f y m 2 IN se trata de hallar
p 2 Pm que minimi e
Z b
w(x)(f (x) p(x))2 dx:
a
1. Preliminares
Nos dedi aremos espe ialmente al estudio de aproxima iones por polinomios. Comenzamos esta
se ion presentando un resultado lasi o de Weierstrass que muestra que toda fun ion ontinua
puede aproximarse uniformemente por polinomios, en todo intervalo errado y a otado.
Teorema 6.1. (Weierstrass) Sea f 2 C [a; b℄. Para todo " > 0 existe un polinomio p tal que
kf pk1 < "
Demostra ion. Damos la demostra ion para el intervalo [0; 1℄, el aso general se obtiene fa ilmente
mediante un ambio de variables.
1. PRELIMINARES 113
Denimos los polinomios de Bernstein,

n
X n k
Bn f (x) = f xk (1 x)n k
k=0
k n
y vamos a demostrar que Bnf onverge uniformemente a f en el intervalo [0; 1℄. Para eso
ne esitaremos al ular Bnhj para hj (x) = xj , j = 0; 1; 2.
Usando la formula del binomio de Newton, se tiene:
n
X n
Bn h0 (x) = xk (1 x)n k = (x + 1 x)n = 1:
k=0
k
n n
X n k k X n 1 k
Bn h1 (x) = x (1 x) = n k x (1 x)n k
k=0
k n k=1
k 1

X n 1
n
=x xk 1 (1 x)n k = x(x + 1 x)n 1 = x:
k=1
k 1
n 2 n
X n k X n 1 k k
Bn h2 (x) = x (1 x) =
k n k x (1 x)n k
k=0
k n k=0
k 1 n
n
X n 1 n 1k 1 1 k
= k 1 n n 1 + n x (1 x)n k
k=0
n
n 1 2X n 2 k 2 x
= n x k 2
x (1 x)n k +
n
k=2
= n n 1 x2(x + 1 x)n 2 + nx = x2 + x(1 n x) :
Dado y 2 IR onsideremos la fun ion gy (x) = (x y)2 . Desarrollando (x y)2 = x2 2xy + y2
y usando que Bn es lineal (o sea, Bn(f1 + f2) = Bnf1 + Bnf2 y Bn(kf ) = kBnf ) se obtiene
x(1 x)
Bn gy (x) = gy (x) + : (6.1)
n
Por otra parte, omo toda fun ion ontinua en un intervalo errado es uniformemente ontinua,
dado " > 0, existe Æ > 0 tal que,
jf (x) f (y)j " si jx yj < Æ:

Ademas, para los x; y tales que jx yj Æ se tiene
jf (x) f (y)j 2kf k1 2kfÆ2k1 (x y)2 :

Luego, para todo x; y, podemos asegurar que,
jf (x) f (y)j " + 2kfÆ2k1 (x y)2

es de ir,
"
2kf k1 (x y)2 f (x) f (y) " +
2kf k1 (x y)2 :
Æ2 Æ2
Ahora, si f1 f2, de la deni ion de Bn puede verse que Bnf1 Bnf2; esto es Bn preserva el
orden. En onse uen ia, apli ando Bn en la desigualdad anterior, teniendo en uenta (6.1), y
re ordando que Bn es lineal y que Bn1 = 1 se obtiene (tener presente que hasta aqu estamos
onsiderando y omo una onstante),
jBnf (x) f (y)j " + 2kfÆ2k1 (x y)2 + 2kfÆ2k1 x(1 n x)

y por lo tanto, evaluando ambos lados de la desigualdad en y, resulta
jBnf (y) f (y)j " + 2kfÆ2k1 y(1 n y)

y por lo tanto
jBn f (y) f (y)j 2"
para n su ientemente grande independientemente de y, es de ir que Bnf onverge uniforme-
mente a f en el [0; 1℄.
Los Problemas A y B se enmar an dentro de la teora de espa ios on produ to interno. El
produ to interno no solo permite denir distan ia entre ve tores, omo vimos que se puede
ha er mediante la no ion de norma; sino que, ademas, permite introdu ir el on epto de angulo
entre ve tores y por tanto tiene sentido hablar de ortogonalidad.
Defini io n 6.2. Sea V un IR espa io ve torial. Un produ to interno (o produ to es alar) sobre
V es una fun ion h:; :i : V V ! IR que asigna a ada par de ve tores un numero real de manera
tal que, para todo x; y; z 2 V y todo 2 IR se satisfa en las propiedades:
(i) hx + y; zi = hx; zi + hy; zi;

(ii) hx; yi = hx; yi;
(iii) hx; yi = hy; xi;
(iv) hx; xi > 0 si x 6= 0:
1. PRELIMINARES 115
Ejemplos 6.3. (1) El produ to interno usual en IRn, para x = (x1 ; : : : ; xn ); y = (y1 ; : : : ; yn),
esta dado por
Xn
hx; yi = xj yj :
j =1
Es fa il ver (queda omo ejer i io) que se satisfa en todas las ondi iones de la deni-
ion.
(2) Otros produ tos internos para IRn similares al usual son los dados por pesos wj > 0
para j = 1; : : : ; n:
n
X
hx; yiw = wj xj yj :
j =1
Ahora, si denimos la matriz Dw 2 IR nn omo:
0 1
w1 0 ::: 0
0 B w2 : : :
C 0
Dw = B
. C
. . . ...
..
B C
A
0 0 : : : wn
el produ to interno on pesos (wj )nj=1 puede darse a traves del produ to interno usual
h: ; : i y la matriz Dw ,
n
X
hx; yiw = wj xj yj = hx; Dw yi:
j =1
(3) Si V = C [0; 1℄ es el espa io de fun iones ontinuas y f; g 2 V ,

Z 1
hf; gi = f (x)g(x) dx;
0
dene un produ to interno. Las ondi iones (i)-(iii) se satisfa en gra ias a la linealidad
del produ to y de la integral. Para asegurar que vale2la ondi ion (iv) basta ver que la
integral de una fun ion no negativa y ontinua, g = f , solo puede ser nula si la fun ion
lo es. En efe to, supongamos que existe un x0 2 [0; 1℄ para el ual g(x0 ) = Æ > 0.
Ahora, por ontinuidad, existe un subintervalo [a; b℄ tal que, para todo x 2 [a; b℄ es
g(x) > 2Æ y por ser g no negativa se tiene
Z 1 Z b
Æ
g(x) dx g(x) dx >
0 a 2 (b a) > 0;
lo que es una ontradi ion.
(4) Otros produ tos internos para espa ios de fun iones son los dados por una fun ion de
peso w, on w(x) > 0 para todo x 2 (a; b):
Z b
hf; gi = f (x)g(x)w(x) dx:
a
En los espa ios ve toriales on produ to interno se tiene la norma indu ida por di ho produ to:
kxk = hx; xi 12 ; para todo x 2 V:
No es inmediato ver que on esta deni ion se obtiene efe tivamente una norma. Esto es posible
gra ias a la siguiente desigualdad.
Proposi io n 6.4. (Desigualdad de Cau hy - S hwarz) Si h:; :i es un produ to interno sobre
un espa io ve torial V , enton es
jhx; yij hx; xi 12 hy; yi 12
para todo x; y 2 V:
Demostra ion. Sean x; y 2 V dos ve tores jos. Si hy; yi = 0, no hay nada que probar.
Supongamos enton es que hy; yi 6= 0.
Para ada t 2 IR onsideramos x ty, enton es
0 hx ty; x tyi
= hx; xi thx; yi thy; xi + t2 hy; yi
= hx; xi 2thx;2 yi + t2hy; yi
= 2bt + at = p(t):
De esta manera se obtiene una fun ion uadrati a donde a = hy; yi; b = hx; yi y = hx; xi.
Como p(t) 0 para todo t 2 IR, esta uadrati a tiene a lo sumo una raz real y por lo tanto
4b2 4a 0. Luego,
0 b2 a = hx; yi2 hx; xihy; yi

de donde se sigue el resultado.
Corolario 6.5. Si h:; :i es un produ to interno sobre un espa io ve torial V , enton es
kxk = hx; xi 12
dene una norma sobre V .
Demostra ion. La uni a di ultad esta en probar la desigualdad triangular, para eso notemos
que dados x; y 2 V se tiene,
kx + yk2 = hx + y; x + yi
= kxk2 + 2hx; yi + kyk2 :
Usando la desigualdad de Cau hy - S hwarz vale, hx; yi jhx; yij kxkkyk. Luego,
kx + yk2 kxk2 + 2kxkkyk + kyk2
= (kxk + kyk)2
1. PRELIMINARES 117
La desigualdad triangular se obtiene al tomar raz uadrada.

La norma aso iada al produ to es alar usual en IR2 o IR3 denido en el Ejemplo 6.3 (1) orre-
sponde a la norma kxk2 y da la longitud del ve tor x. Re ordemos ademas que este produ to
es alar puede es ribirse, para x e y no nulos, en terminos de las longitudes de ambos ve tores y
de , el angulo entre estos, a saber,
hx; yi = kxkkyk os :
En parti ular, x e y son ortogonales si y solo si hx; yi = 0:
La gran ventaja de trabajar en espa ios on produ to interno es que se puede generalizar esta
no ion de ortogonalidad.
Notar que la desigualdad de Cau hy - S hwartz da, para todo x; y 6= 0
jhx; yij 1:
kxkkyk
Esto permite denir el angulo entre dos ve tores x; y no nulos mediante la fun ion oseno. Es
de ir 2 [0; ℄ sera el angulo entre x e y si veri a
os() = khxx;kkyyik :
Luego resulta natural la siguiente deni ion.
Defini io n 6.6. Si V es un espa io on produ to interno h:; :i, se di e que x e y son ortogonales
si hx; yi = 0. En este aso suele notarse x ? y.
Defini io n 6.7. Dos onjuntos A; B V se di en ortogonales (A ? B ) si x ? y para todo
x 2 A e y 2 B.
El siguiente teorema rela iona los problemas de aproxima ion que queremos estudiar on la
no ion de ortogonalidad.
Teorema 6.8. Dados S un subespa io de un espa io V on produ to interno, x 2 V e y 2 S ,
son equivalentes:
(1) kx yk = minfkx skg

s2S
(2) hx y; si = 0; 8s 2 S:
Ademas, un elemento y 2 S que verique alguna de las propiedades anteriores es uni o.
Demostra ion. Veamos primero que (1) impli a (2). Sabemos que y 2 S minimiza la distan ia
de x a S . Como S es un subespa io, se tiene que y + s 2 S para todo s 2 S , y por lo tanto,
kx yk2 kx (y + s)k2 = k(x y) s)k2 = kx yk2 2hx y; si + ksk2 :
As,
2hx y; si ksk2
para todo s 2 S . Si ahora onsideramos t 2 IR y s 2 S se tiene que ts 2 S y de la desigualdad
anterior obtenemos
2hx y; tsi k2tsk22
2thx y; si t ksk
para todo t 2 IR y para todo s 2 S . Para los t > 0 tenemos 2hx y; si tksk2 y ha iendo t ! 0
queda 2hx y; si 0. Los t < 0 dan la otra desigualdad, 0 2hx y; si; de donde
hx y; si = 0 para todo s 2 S:
Para ver que (2) impli a (1), supongamos que y 2 S es tal que x y ? s para todo s 2 S . Como
S es un subespa io x y ? y s para todo s 2 S . Luego,
kx sk2 = k(x y) + (y s)k2
= kx yk22 + ky sk2
kx yk :
Tomando raz uadrada se obtiene que kx yk = min
s2S
fkx skg:
Nos queda mostrar que no puede haber mas de un elemento que umpla las ondi iones (1) o
(2). Para esto, veamos que si y; ye 2 S veri an (2) enton es, y = ye. En efe to, para ada s 2 S
jo se tiene
hx y; si = 0; y hx ye; si = 0;
luego, restando miembro a miembro, queda
hye y; si = 0;
en parti ular, tomado s = ye y 2 S obtenemos kye yk = 0 de donde ye = y.
Veremos mas adelante que uando S es de dimension nita siempre existe y en las ondi iones
del teorema anterior. Este y se llama proye ion ortogonal de x sobre S .
2. Solu ion de los Problemas de Aproxima ion
Ahora s, estamos en ondi iones de des ribir los metodos para hallar las solu iones de los
problemas A y B planteados. En lo que sigue de este aptulo trabajaremos sobre espa ios on
un produ to interno.
El primer problema se puede reformular de la siguiente manera: Se onsidera en IRn el produ to
es alar dado por los pesos w0 ; : : : ; wn , es de ir,
n
X
hx; yi = xi yi wi :
i=1
2. SOLUCIO N DE LOS PROBLEMAS DE APROXIMACIO N 119
Para los datos (xi ; f (xi)), se quiere en ontrar un polinomio p 2 Pm on n > m +1 que minimi e
la distan ia entre los ve tores (f (x1); : : : ; f (xn)) y (p(x1 ); : : : ; p(xn)) en la norma aso iada al
produ to es alar.
Si p(x) = amxm + : : : + a1 x + a0 enton es
0 1 0 10 1
p(x1 ) 1 x1 xm1 a0
Bp(x2 ) C B 1 x2 xm C B a1 C
B
B

C = B ..
... C B
A .
... . . . ...2 C
C B .. C
B
A . A
C
(6.2)
p(xn ) 1 xn xmn am
Ahora, llamando b = (f (x1 ); : : : ; f (xn)) el problema se redu e a en ontrar un ve tor a =
(a0 ; : : : ; am ) 2 IRm+1 que minimi e
kAa bk;
donde A 2 IR n(m+1) es la matriz de (6.2).
En forma generi a el problema puede plantearse de la siguiente manera:
Dada A 2 IRnm y b 2 IRn se quiere hallar x tal que
kAx bk
sea lo menor posible.
Considerando el subespa io S :
S = fy 2 IRn; y = Ax; para algun x 2 IRmg

el problema se transforma en hallar y 2 S tal que
ky bk ks bk para todo s 2 S
y luego x tal que Ax = y.
En el aso del produ to interno usual, es de ir hx; yi = Pnj=1 xj yj , la solu ion de este problema
puede obtenerse resolviendo las llamadas e ua iones normales que pueden obtenerseT fa ilmente
a partir del Teorema 6.8 omo veremos en el teorema que sigue. Re ordemos que A denota la
matriz traspuesta de A.
Lema 6.9. Sea A 2 IRnm , x 2 IRn , y 2 IRm . Si h : ; : i indi a el produ to interno usual (tanto
en IRn omo en IRm ) enton es,
hAT y; xi = hy; Axi
Demostra ion.
0 1 !
n
X Xm m
X n
X
hAT y; xi = ajiyj A xi = yj aji xi = hy; Axi
i=1 j =1 j =1 i=1
Teorema 6.10. Sea A 2 IRnm y b 2 IRn . Si h : ; : i indi a el produ to interno usual (tanto en
IRn omo en IRm ) enton es, son equivalentes
(1) x0 2 IRm minimiza kAx bkT
(2) x0 es solu ion del sistema A Ax = AT b:
Ademas, si los ve tores olumnas de la matriz A son linealmente independientes, existe x0 solu-
ion del sistema AT Ax = AT b y es uni o.
Demostra ion. Considerando el subespa io S = fy 2 IRn; y = Ax; para x 2 IRmg, por el

Teorema 6.8 y 2 S es tal que kb yk = min s2S
fkb skg si y solo si hb y; si = 0 para todo
s 2 S: Como y 2 S existe x0 2 IR tal que y = Ax0 y s = Ax, on x variando en IRm , luego la
m
ondi ion hb y; si = 0 para todo s 2 S podemos rees ribirla
hb Ax0; Axi = 0 8 x 2 IRm;
o equivalentemente, por el Lema 6.9,
0 = hAT (b Ax0 ); xi = hAT b AT Ax0 ); xi 8 x 2 IRm ;
lo que o urre si y solo si AT Ax0 = AT b.
Para mostrar la existen ia y uni idad de un elemento x0 que umpla on el enun iado, llamemos
Aj 2 IRn a los ve tores olumna de la matriz A, para j = 1; : : : ; m:
Si x =P(x1 ; x2; : : : ; xm ) el ve tor Ax puede es ribirse en terminos de las olumnas de A por
Ax = m j =1 Aj xj . Luego, si las olumnas de A son linealmente independientes resulta Ax = 0
si Ty solo si x = 0. Veamos que esto impli a que AT A es una matriz inversible. En efe to, si
A Ax = 0 enton es hA Ax; xi = 0, y por el Lema 6.9 tenemos que hAx; Axi = 0. Es de ir
T
kAxk2 = 0, on lo ual Ax = 0 y por tanto x = 0:
Como la uni a solu ion del sistema AT AxT = 0 es Tla trivial, se dedu e que AT A es inversible y
hay una uni a solu ion para el sistema A Ax = A b.
6.11.
n P
Observa io Si el produ to interno no es el usual sino que viene dado por pesos wj , o
sea, hx; yiw = nj=1 wj xj yj , enton es x0 2 IRm minimiza kAx bkw si y solo si x0 es solu ion
del sistema AT Dw Ax = AT Dw b.
La demostra ion es analoga a la del teorema anterior onsiderando la es ritura hx; yiw = hx; Dw yi
(ver Ejemplo 6.3 (b)).
Notemos que si el problema original

Ax = b
tiene una solu ion exa ta x, este x tambien es solu ion de
AT Ax = AT b
Este sistema de m m puede resolverse por el metodo de elimina ion de Gauss o bien por
metodos iterativos.
Ejemplo 6.12. Veamos un ejemplo sen illo, omo presentamos a traves de la Figura 6.1. Se
quiere trazar una re ta (p(x) = a0 + a1 x) que aproxime los puntos
(aj ): 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
(yj ): 0.35 0.5 0.45 0.55 0.6 0.1 0.9 0.75 0.8 0.8
Siguiendo (6.2) el sistema a resolver es:
0 1 0 1
1 0:1 0:35
B 1 0:2 C B 0:5 C
B C B C
B 1 0:3 C 0 1 B 0:45 C
B C B C
B 1 0:4 C
C B a0 C B 0:55 C
B C
B
B 1 0:5 C B C B 0:6 C
B CB C=B C
B 1 0:6 C B
C a1 A B 0:1 C
C B C
B
B 1 0:7 C B 0:9 C
B C B C
B 1 0:8 C B 0:75 C
B C B C
1 0:9 A 0:8 A
1 1 0:8
Que, despues de multipli ar por la transpuesta de A, queda

10 5:5 a0 = 5:8
5:5 3:85 a1 3:6
La solu ion es
a1 = 0:497
a0 = 0:3067
Es de ir la re ta que mejor aproxima, en el sentido de minimizar P(f (xi) p(xi ))2 , a f en los
puntos dados es
p(x) = 0:497x + 0:3067

Esta forma de resolver no puede apli arse, en general, para resolver el problema B. Para abordar
esta lase de problemas ne esitamos desarrollar mas teora rela ionada on el produ to interno
y la idea de ortogonaliza ion. Es de ir, vamos a dar una des rip ion de la solu ion a traves de
la proye ion ortogonal sobre un subespa io.
Defini io n 6.13. Un sub onjunto A de un espa io ve torial V se di e ortonormal si A para
todo f 6= g en A se tiene que f ? g y ademas hf; f i = 1 para ualquier f 2 A.
Si se onsidera en el espa io V una base ortonormal B = fv1 ; : : : ; vng ada elemento x 2 V

admite una uni a es ritura de la forma
Xn
x = xi vi :
i=1
La ventaja de trabajar on una base ortonormal es que podemos des ribir fa ilmente los es alares
xi en terminos de x y de la base. En efe to, tenemos
n
X n
X
hx; vk i = h xi vi ; vk i = xi hvi ; vk i = xk :
i=1 i=1
Luego,
n
X
x= hx; vi ivi :
i=1
Ahora, dado un subespa io S de dimension nita de V , una base ortonormal de S puede en-
ontrarse a partir de una base dada de S mediante el pro eso de ortonormaliza ion de Gram-
S hmidt que damos en el siguiente teorema.
Teorema 6.14. Dada una base de S ,
BS = fr1 ; r2 ; : : : ; rm g;
se onsideran
u1 = r1 ; v1 = u1 =ku1 k:
y, para k = 2; : : : ; m,
k 1
X
uk = rk hrk ; vi ivi ; y vk = uk =kuk k:
i=1
Enton es, el onjunto fu1 ; : : : ; um g es ortogonal y el onjunto fv1 ; : : : ; vm g es una base ortonor-
mal del subespa io S .
Demostra ion. Se ha e por indu ion.

Con el siguiente teorema demostramos la existen ia de la proye ion ortogonal sobre S un
subespa io de V , uando S tienen dimension nita.
Teorema 6.15. Dado x 2 V y un subespa io S V de dimension nita, existe un uni o y 2 S
que satisfa e
hx y; si = 0; 8s 2 S: (6.3)
Demostra ion. Sea fv1 ; : : : ; vm g una base ortonormal de S (que sabemos que existe gra ias al
Teorema 6.14). Veamos que el elemento y 2 S bus ado es
m
X
y= hx; viivi : (6.4)
i=1
En efe to, es laro que y 2 S ya que es una ombina ion lineal de elementos de la base y. Por
otra parte, para veri ar (6.3) es su iente ver que se umple para s = vj , j = 1; : : : ; m. Pero
m
X
hx y; vj i = hx; vj i h hx; vi ivi ; vj i = hx; vj i hx; vj i = 0
i=1
donde en el ultimo paso hemos usado la ortonormalidad de la base. La uni idad la probamos
en el Teorema 6.8
El teorema anterior nos permite denir una apli a ion
P :V !S
que a ada elemento x 2 V le asigna P x 2 S de tal forma que
hx P x; si = 0; 8s 2 S
generalizando a espa ios on produ to interno la no ion de proye ion ortogonal ono ida en
IRn. Teniendo en uenta el Teorema 6.8, P x nos da la mejor aproxima ion a x por elementos
del subespa io S en la norma aso iada al produ to interno.
Estos resultados nos permiten en ontrar la mejor approxima ion a una fun ion ontinua por
polinomios de un grado dado, en la norma aso iada a un produ to interno. Para esto basta
onsiderar el espa io V = C [a; b℄ y el subespa io S = Pn.
Apli ando el pro eso2 de ortogonaliza i on dado en el Teorema 6.14 a la base anoni a de Pn,
es de ir B = f1; x; x ; : : : ; x g, en un produ to interno dado, obtenemos los polinomios ortogo-
n
nales qk aso iados a di ho produ to y los orrespondientes polinomios ortonormales pk . Estos
polinomios estan dados por,
q0 (x) = 1; p0 (x) = 1=kq0 k:

y, deniendo hk (x) = , para k = 1; : : : ; n,
xk
k 1
X
qk (x) = hk (x) hhk ; piipi(x); y pk (x) = qk (x)=kqk k:
i=1
Observemos que, omo este pro edimiento puede ha erse para ualquier n 2 IN lo que se obtiene
es una su esion de polinomios ortogonales q0; q1 ; : : : ; qn; : : : uyas propiedades basi as resumimos
en el siguiente teorema.
Teorema 6.16. Dado el espa io V = C [a; b℄ on un produ to interno, los polinomios ortogonales
q0 ; q1 ; : : : ; qn ; : : : obtenidos mediante el pro eso de Gram-S hmidt apli ado a la base anoni a
dada por las poten ias satisfa en las siguientes propiedades. Para todo k 2 IN0 ,
(1) qk es un polinomio moni o de grado k.

(2) fq0 ; q1; : : : ; qk g es una base ortogonal de Pk .
(3) qk es ortogonal a todo polinomio de grado menor que k.
Las on lusiones del teorema son validas si se onsidera la base anoni a de Pk : B = f1; x; x2 ; : : : ; xk g.
El orden en que se toman los elementos es importante. La demostra ion se sigue de todo lo an-
terior y por tanto la omitimos.
En lo que sigue onsideramos jado el produ to interno y usamos la nota ion pk para indi ar la
su esion de polinomios ortonormales aso iados a di ho produ to, es de ir pk = qk =kqk k. Una vez
obtenidos estos polinomios podemos en ontrar la mejor aproxima ion a una fun ion ontinua
utilizando la teora general que hemos visto. En efe to, tenemos
Teorema 6.17. Si f 2 C [a; b℄ enton es el polinomio pn 2 Pn que satisfa e
kf pnk kf pk; 8p 2 Pn;
esta dado por pn = P f , donde P : C [a; b℄ ! Pn es la proye ion ortogonal, o sea,
n
X
pn = hf; piipi ;
i=0
Demostra ion. Se sigue del Teorema 6.4.

Observemos que esto resuelve simultaneamente los problemas A y B. Para resolver ualquiera
de los dos hay que, primero generar los polinomios ortonormales pj y luego al ular hf; pii. En
el aso ontinuo (problema B) apli amos la teora trabajando en el espa io de dimension innita
C [a; b℄ mientras que en el aso dis reto (problema A) trabajamos en el espa io de dimension nita
IRn+1 identi ando a los valores de una fun ion ontinua f on el ve tor (f (x0 ); : : : ; f (xn)). De
esta forma se tiene un pro edimiento alternativo al dado en el Teorema 6.10 para el problema
dis reto. En algunos asos el metodo basado en el uso de los polinomios ortogonales resulta
mejor respe to de la propaga ion de errores de redondeo.
El teorema de Weierstrass nos permite demostrar que el error entre la f y su mejor aproxi-
ma ion en la norma aso iada al produ to interno tiende a ero uando el grado del polinomio
aproximante tiende a innito. Este es el objetivo del siguiente teorema.
Teorema 6.18. Si el produ to interno en C [a; b℄ esta dado por
Z b
hf; gi = f (x)g(x)w(x)dx
a
donde w es una fun ion positiva e integrable en (a; b) enton es,
pn ! f uando n ! 1.
Demostra ion. Por el teorema de Weierstrass, dado " > 0 existe un polinomio p 2 Pn (n depende
de ") tal que
max jf (x)
axb
p(x)j = kf pk1 < ":
Enton es R
kf pnk2 kf pk2 = ab w(x)(f (x) p(x))2 dx
R R
kf pk21 ab w(x) dx "2 ab w(x) dx:
Por lo tanto,
lim kf
n!1
pnk = 0:
Corolario 6.19. (Igualdad de Parseval) Para un produ to interno omo el del teorema
anterior se tiene,
X 1
kf k2 = hf; pj i2
j =0
Demostra ion. Re ordemos que pn = Pni=0 hf; piipi; y por lo tanto
n
X
kpnk2 = hf; pj i2 :
j =0
Enton es, de la ortogonalidad entre f p n y pn se obtiene
n
X
kf k2 = kf pnk2 + kpnk2 = kf pnk2 + hf; pj i2
j =0
pero por el teorema sabemos que el primer sumando del termino de la dere ha tiende a ero
uando n tiende a innito on lo que on luye la demostra ion.
Terminamos el aptulo dando una forma mas e iente de en ontrar los polinomios ortogonales
aso iados a un produ to interno. En efe to, el siguiente teorema muestra que ada polinomio qn
se es ribe en fun ion de los dos anteriores y por lo tanto la su esion de polinomios ortogonales
moni os puede obtenerse por re urren ia.
Teorema 6.20. Si un produ to interno en C [a; b℄ satisfa e hxf; gi = hf; xgi enton es los poli-
nomios ortogonales moni os qn satisfa en la rela ion de re urren ia
qn (x) = (x an )qn 1 (x) bn qn 2 (x) ; 8n 2 (6.5)
donde an y bn estan dados por
an =
hxqn 1; qn 1i y bn =
hqn 1; qn 1i :
hqn 1; qn 1i hqn 2; qn 2i
Demostra ion. Sea n 2. Como ero es raz del polinomio qn(x) qn(0) podemos es ribir
qn (x) qn(0) = xrn 1
donde rn 1 es un polinomio de grado menor o igual que n 1. Ademas, omo qn es moni o,
rn 1 tambien lo es. Tenemos enton es,
qn (x) = xrn 1 (x) + qn(0) = xqn 1 (x) + x(rn 1 (x) qn 1 (x)) + qn (0): (6.6)
Pero omo rn 1 y qn 1 son moni os su diferen ia resulta un polinomio de grado menor o igual
que n 2 y por lo tanto, omo q0; : : : ; qn 1 forman una base de Pn 1, existen oe ientes j
tales que
nX1
x(rn 1 (x) qn 1 (x)) + qn (0) = j qj (x)
j =0
y reemplazando en (6.6) obtenemos
nX1
qn(x) = xqn 1 (x) + j qj (x): (6.7)
j =0
Ahora, para i < n 2, tenemos
nX2
0 = hqn; qii = h(x + n 1)qn 1 + hj qj ; qii = hxqn 1; qii + i hqi; qii
j =0
donde en el ultimo paso hemos usado la ortogonalidad de los qj . Pero, omo xqi es un polinomio
de grado menor que n 1, resulta
hxqn 1; qii = hqn 1; xqii = 0
y en onse uen ia i = 0 para todo i < n 2. Por lo tanto, deniendo an = n 1 y bn = n 2,
(6.5) se obtiene de (6.7).
Finalmente, usando (6.5) y la ortogonalidad de los qj tenemos,
0 = hqn; qn 1 i = hxqn 1; qn 1i anhqn 1; qn 1i
de donde se obtiene la expresion para an. Analogamente,
0 = hqn; qn 2i = hxqn 1; qn 2i bnhqn 2; qn 2i
3. EJERCICIOS 127
y por lo tanto,
bn =
hxqn 1 ; qn 2i :
hqn 2 ; qn 2i
Para terminar la demostra ion falta ver que
hxqn 1; qn 2i = hqn 1; qn 1i;
pero omo
hxqn 1; qn 2i = hqn 1; xqn 2i;
basta ver que
hqn 1; xqn 2 qn 1i = 0
lo que resulta del he ho de que xqn 2 qn 1 es un polinomio de grado menor que n 1 porque
tanto xqn 2 omo qn 1 son moni os de grado n 1.
n
Observa io 6.21. Los produ tos internos aso iados a los problemas A y B satisfa en trivial-
mente la hipotesis del teorema.
3. Ejer i ios
(1) (a) En ontrar el polinomio de grado 1 que aproxima en el sentido de uadrados
mnimos la siguiente tabla de datos:
x 0 1 2 3 4 5 6 7 8 9
y -.1 1.1 1.9 3.2 3.8 5 6 7.3 8.1 8.9
y el polinomio de grado 2 que aproxima en el mismo sentido la siguiente tabla de
datos:
x -1 0 1 3 6
y 6.1 2.8 2.2 6 26.9
(b) En ada aso, omparar gra amente, usando Matlab, on el polinomio interpo-
lador.
(2) Considerar la fun ion f (x) = 1 + 125x2 en el intervalo [-1,1℄.
Para n = 5; 10; 15; gra ar simultaneamente f junto on
los polinomios que aproximan a f en el sentido de uadrados mnimos en n + 1
puntos equiespa iados y tienen grado 25 n y 45 n,
el polinomio que resulta de interpolar a f en los puntos anteriores.
(3) Probar que si se tienen n + 1 puntos distintos, el polinomio de uadrados mnimos de
grado n oin ide on el polinomio interpolador.
Con luir que para iertas apli a iones puede ser una mala idea aumentar el grado
del polinomio de uadrados mnimos, hasta ha erlo er ano al grado del polinomio
interpolador. 0 1
a b
(4) Sea A la matriz en IR32 dada por A = d A : Mostrar que
e f
(a) det(AT A) = (ad b )2 + (af be)2 + ( f ed)2 .

(b) Los rangos de las matri es AT A y A oin iden.
( ) El polinomio de grado 1 que aproxima en el sentido de uadrados mnimos una
tabla de 3 datos es uni o.
(5) Aproximar la siguiente tabla de datos en el sentido de uadrados mnimos
x -1 0 2 3
y 0.3 -0.2 7.3 23.3
on fun iones del tipo: (a) y = a2x + b3x , (b) y = a2x + b3x + :
(6) Considerar erf : IR ! IR la fun ion dadaZpor
erf(x) = p2 e t2 dt:
x
0
(a) Gra ar la fun ion on el omando erf de Matlab en el intervalo [ 5; 5℄ y veri ar
numeri amente que x!1 lim erf(x) = 1.
(b) Ajustar la fun ion erf en el sentido de uadrados mnimos on polinomios de grado
1, 2, 5 y 10; onsiderando 15 puntos equiespa iados en el intervalo [ 1; 1℄. Gra ar
erf junto on estos polinomios en el intervalo [ 5; 5℄. Observar que la aproxima ion
es mala fuera del intervalo [ 1; 1℄.
( ) Utilizando los mismos puntos, hallar la aproxima ion de uadrados mnimos que
utiliza el siguiente modelo:
t2 t2 t2
erf(t) 1 + 2 e t2 + 3 1e + t + 4 (1e+ t)2 + 5 (1e+ t)3 :
Comparar el error obtenido al aproximar por la fun ion hallada on el del item
anterior.
(7) Aproximar los datos de la tabla siguiente
x -1 0 1 2
y 8.1 3 1.1 0.5
on un modelo de la forma: f (x) a ebx ; en el sentido de uadrados mnimos para

la fun ion ln(f (x)).
(8) Aproximar los datos de la tabla siguiente
x -1 0 1 2
y - 1.1 - 0.4 - 0.9 - 2.7
on un modelo de la forma: f (x) eax2 +bx+ , en el sentido de uadrados mnimos

para la fun ion ln(f (x)).
3. EJERCICIOS 129
(9) De idir uales de las siguientes apli a iones < ; >: X X ! IR, son produ tos internos,
siendo X = fpolinomios de grado menor o igual a 1 denidos en[0; 1℄g.
(a) < f; g >= f (0) + 2g(0)
(b) < f; g >= (f (0) + g(0))Z 21
( ) < f; g >= f (0)g(0) + f 0(t)g0 (t)dt
0
(d) < f; g >= f (0)g(0) + f (1)g(1)
(10) Sea < f; g > ualquiera de los siguientes produ tos es alares:
n
X Z b
(a) < f; g >= f (xj )g(xj )wj ; (b) < f; g >= f (x)g(x)w(x)dx
0 a
Probar que S = f1; x; x2 ; : : : ; xng no puede ser un onjunto ortogonal para n 2.

(11) Polinomios de Laguerre. Utilizando el metodo de Gram-S hmidt, al ular los
primeros uatro polinomios moni os ortogonales on respe to al produ to es alar:
Z 1
< f; g >= e x f (x)g(x)dx:
0
(12) Polinomios de Hermite. Repetir el ejer i io anterior on el produ to es alar
Z 1
2
< f; g >= e x f (x)g(x)dx:
1
(13) Considerar
Z 1
< f; g >= f 0(x)g0 (x) dx
1
(a) Probar que < ; > es un produ to interno en Sm, el espa io generado por fx; x2 ; x3 ; ; xm g.
(b) Hallar una base ortonormal para S3.
( ) Hallar la4mejor aproxima ion en el sentido de uadrados mnimos sobre S3 para
f (x) = x y para g(x) = 1.
(14) Sea S el subespa io de las fun iones derivables denidas en el intervalo [ ; ℄ generado
por f1; os(x); sen(x)g y onsiderar

< f; g >= f 0( )g0 ( ) + f 0 (0)g0 (0) + f ( )g( ):
2 2 2 2
(a) Probar que < ; > es un produ to interno en S .
(b) Hallar una base ortonormal para S .
( ) Hallar la mejor aproxima ion en el sentido de uadrados mnimos sobre S para
f (x) = sen(2x), g(x) = os(2x) y h(x) = 32 sen(2x) 5 os(2x).
(15) (a) Probar que el onjunto de fun iones: f1; sen(kx); os(mx); k; m 2 INg es ortog-
onal on el produ to es alar
Z 2
< f; g >= f (x)g(x)dx:
0
y al ular las normas de ada una de estas fun iones.
(b) Veri ar la ortogonalidad y al ular la norma de los polinomios de T heby hev,

on el produ to es alar
Z 1
f (x)g(x)
< f; g >= p dx:
1 1 x2
(Sugeren ia: usar el ambio de variables u = ar sin(x)).
(16) Hallar los primeros 5 terminos de la expansion en serie de T heby hev para la fun ion
f (x) = jxj. Gra ar en el intervalo [ 1; 1℄.
(17) Sea Tj el polinomio de T heby hev de grado j ; (j 2 IN). Considerar las rela iones de
ortogonalidad dis retas para estos polinomios: 8
X m < 0 i 6= j
Ti (xk )Tj (xk ) = m=2 i = j 6= 0
k=1
:
m i=j=0
donde fxk ; k = 1; : : : ; mg es el onjunto de eros de Tm .
Para una fun ion f : [ 1; 1℄ ! IR se denen m oe ientes j , j = 1; : : : ; m segun
j =
2X m
f (xk )Tj 1 (xk ):
m
k=1
" m #
X
Probar que el polinomio k Tk 1(x) 0:5 1 interpola a f en las ra es de Tm.
k=1
(Sugeren ia: usar Ejer i io 3).
Notar que esta formula propor iona una manera mas dire ta de en ontrar el poli-
nomio interpolador en los eros de Tm .
CAPTULO 7
Integra ion numeri a
En este aptulo estudiamos metodos para aproximar el valor de una integralR bdenida en un
intervalo [a; b℄. En los ursos elementales de Cal ulo se aprende que el valor a f (x)dx puede
obtenerse a partir de una primitiva de f mediante la regla de Barrow. Sin embargo, en mu hos
asos no es posible en ontrar una primitiva expresable en terminos de fun iones ono idas.
Un ejemplo es el de la integral Rab e x2 dx que juega un2 papel muy importante en la teora de
probabilidades. Puede demostrarse que la fun ion e x no tiene primitiva expresable mediante
omposi iones y opera iones algebrai as de las fun iones ono idas. Mas alla de este ejemplo
lasi o, esta situa ion se da en una gran variedad de fun iones.
En onse uen ia sera ne esario re urrir a las llamadas reglas de integra ion numeri a o de
uadratura. La idea basi a para onstruir estas reglas es reemplazar la fun ion por un polinomio
puesto que:
(1) Es fa il integrar polinomios.
(2) Toda fun ion ontinua puede aproximarse por polinomios.
Enton es, dada una fun ion f 2 C [a; b℄ aproximamos el valor Rab f (x)dx por Rab p(x)dx donde p
es algun polinomio que esta er a de f .
A ontinua ion des ribimos el pro edimiento mas usual para onstruir reglas de integra ion, el
ual onsiste en elegir el polinomio aproximante omo uno que interpole a f . Para esto se eligen
en primer lugar n + 1 puntos x0 ; : : : ; xn 2 [a; b℄. Sabemos que existe un uni o pn 2 Pn tal que
pn (xj ) = f (xj ) para j = 0; : : : ; n y denimos enton es la regla de integra ion numeri a Q(f ) por
Z b
Q(f ) = pn (x) dx:
a
Si es ribimos pn en la forma de Lagrange (ver (5.3)), o sea,
n
X
pn (x) = f (xj )`j (x);
i=0
donde `j (xj ) = 1 y `j (xi) = 0 para i 6= j , tenemos
Z b Z bX
n n
X Z b n
X
pn (x) dx = f (xj )`j (x) dx = f (xj ) `j (x) dx = Aj f (xj ):
a a j =0 j =0 a j =0
132 7. INTEGRACIO N NUME RICA
Luego, obtenemos las formulas de uadratura usuales Q para aproximar una integral bus ada,
de la forma:
Z b n
X
f (x)dx Q(f ) = Aj f (xj ) (7.1)
a j =0
donde los puntos xj son llamados los nodos y los Aj los pesos de la integra ion numeri a
(j = 0; : : : ; n).
Los pesos Aj = Rab `j (x) dx dependen solo de los nodos xj , una vez al ulados se usan para
aproximar la integral de ualquier fun ion f .
Notemos que si f es un polinomio de grado n enton es, omo la interpola ion en n + 1 puntos,
es exa ta, la formula que obtuvimos para aproximar la integral sera exa ta sobre los polinomios
de grado menor o igual que n. En otro aso, habra que estudiar el error que se omete al utilizar
este tipo de aproxima iones. Es de ir, estudiaremos para ada formula de uadratura el error
que viene dado por:
Z b Z b Z b
R (f ) = f (x) dx pn(x) dx = (f pn)(x) dx:
a a a
Hay, esen ialmente, dos maneras de determinar una formula de uadratura omo en (7.1).
Los nodos fx0 ; x1 ; : : : ; xn g estan prejados. En este aso, se trata de hallar los pesos
fA0 ; A1 ; : : : ; An g. Cuando los nodos se toman equiespa iados, las reglas que se obtienen
se ono en omo las Formulas de Newton-Côtes.
Se bus an a la vez los nodos fx0 ; x1; : : : ; xng y los pesos fA0 ; A1 ; : : : ; Ang. Este metodo
se ono e omo Formulas de uadratura gaussiana.
1. Formulas de Newton-Côtes
Si queremos aproximar la integral una fun ion ontinua f : [a; b℄ ! IR por la integral de un
polinomio interpolador de grado n, probablemente la ele ion mas natural para los nodos xj es
tomarlos equiespa iados en el intervalo [a; b℄. para esto onsideramos h = (b a)=n y xj = a + jh
on j = 0; : : : ; n. Una formula de aproxima ion basada en estos puntos se ono e omo \formula
de Newton-Côtes errada" y si los puntos son tomados omo xj = a + jh on j = 1; : : : ; n 1
se llama \formula de Newton-Côtes abierta" (no in luye a los extremos del intervalo). Estas
formulas seran exa tas uando el polinomio interpolador oin ida on la fun ion f , esto es, para
todo polinomio en Pn .
1. FO RMULAS DE NEWTON-CO^ TES 133
1.1. Formulas simples de Newton-Côtes. Veamos primero las formulas de uadratura

si se onsidera el intervalo [a; b℄ onsiderando nodos equiespa iados. Comen emos interpolando
por una re ta o por una fun ion uadrari a.
Regla de Trape ios: es la que se obtiene si se reemplaza en el intervalo [a; b℄ la integral de
la fun ion f por la de la re ta que une los puntos (a; f (a)) on (b; f (b)). De ah el nombre de
trape ios (ver Figura 7.1). Como los nodos de interpola ion son los extremos del intervalo, esta
formula tambien suele llamarse de trape ios errada.
7
0
−1 −0.9 −0.8 −0.7 −0.6 −0.5 −0.4 −0.3 −0.2 −0.1 0
Regla de los Trape ios simple errada

Figura 7.1.
La re ta esta dada por p(x) = f (a) + f (b) f (a) (x a), integrado p obtenemos
b a
2 b
= f (a)x + f (bb) af (a) (x 2 a) a
Z b
p(x) dx
a
= f (a)(b a) + f (b) 2 f (a) (b a);
es de ir:
T (f ) = (b 2 a) (f (a) + f (b)):
Z b
f (x)dx (7.2)
a
Ejemplo 7.1. Consideremos la fun ion f (x) = x3 4x + 4 en el intervalo [ 1; 0℄. >Cual es el

valor aproximado de la integral en este intervalo que da la regla de trape ios?
Segun vimos, se tiene

0
4x + 4 dx 0 2( 1) (f ( 1) + f (0)) = 12 (7 + 4) = 112 :
Z
x3
1
En este aso, es sen illo al ular el valor exa to de R 01 x3 4x + 4 dx = 234 on lo ual se puede
al ular exa tamente el error que se omete, R(f ) = 14 = 0:25.
Mas adelante nos dedi aremos al estudio del error. Veamos ahora una peque~na modi a ion a
la regla de trape ios.
Regla de Trape ios abierta: en este aso, en lugar de onsiderar omo nodos los extremos del
intervalo [a; b℄ vamos a usar dos puntos interiores equiespa iados fx1 ; x2 g. Luego, sustitumos
la fun ion f por la re ta que la interpola en esos nodos (ver Figura 7.2). Para esto partimos
al intervalo [a; b℄ en ter ios, es de ir en subintervalos de longitud h = b 3 a . De esta manera
onsideramos fx1 ; x2 g los extremos del intervalo medio, es de ir xj = a + jh para j = 1; 2. El
polinomio de grado 1 que interpola a f en esos nodos es
f (x ) f (x1 )
p(x) = f (x1 ) + 2 (x x1 ):
x2 x1
Integrando p en [a; b℄ y re ordando que h = b 3 a (esto es: b a = 3h; x2 x1 = h; b x1 = 2h;
y a x1 = h) tenemos
7
(x1, f(x1))
6
(x2, f(x2))
0
−1 −0.9 −0.8 −0.7 −0.6 −0.5 −0.4 −0.3 −0.2 −0.1 0
Figura 7.2. Regla de Trape ios simple abierta
2 b
= f (x1)x + f (xx2) fx(x1) (x 2x1 ) a
Z b
p(x) dx
a 2 1
f (x1 ) f (x2 ) h (2h)2 ( h)2 i
= f (x1)3h + h 2
f (x1 ) f (x2 ) 3h2
= 3hf (x1 ) + 2
f (x ) + f (x )h
= 3h 1 2
2
Luego, para h = b 3 a ,
32h (f (x1) + f (x2)):

Z b
f (x)dx (7.3)
a
Ejemplo 7.2. Consideremos nuevamente la fun ion f (x) = x3 4x + 4 en el intervalo [ 1; 0℄.

Queremos al ular la aproxima ion que da la formula de Trape ios abierta.
La regla de trape ios abierta tienen por nodos fx1 = 2 = 1 on h = 13 . El valor

3 ; x2 3g
aproximado de la integral de f en [ 1; 0℄ es
0
4x +4 dx 12 (f ( 23 )+ f ( 31 )) = 12 278 + 83 +4 271 + 43 +4 = 12 533 = 5:8333 : : :
Z
x3
1
Usando el valor exa to, ya al ulado, de R 01 x3 4x + 4 dx = 234 podemos asegurar que el error
ometido es, R(f ) = 0:08333 : : :
Regla de Simpson: es la que se obtiene si se reemplaza en el intervalo [a; b℄ la integral de la
fun ion f por la de una fun ion uadrati a que interpola a f . Como para dar un uni o polinomio
de grado 2 que interpole a f se ne esitan tres nodos, se onsideran los extremos del intervalo y
su punto medio, es de ir, fa; a+2 b ; bg (ver Figura 7.3). Como a y b forman parte de los nodos,
esta formula tambien suele llamarse de Simpson errada.
7 (a, f(a))
(b, f(b))
4
(a+h, f(a+h))
0
−1 −0.5 0 0.5 1 1.5 2
Figura 7.3. Regla de Simpson

Para simpli ar los al ulos, queremos hallar la formula que le orresponde a una fun ion on-
tinua uando se onsidera el intervalo [ 1; 1℄ y derivar de esta la formula general. Para esto
ne esitaremos el siguiente lema.
n
X
Lema 7.3. Si Q0 (f ) = Aj f (tj ) es una formula de uadratura para aproximar la integral
j =0
R1
1 f (x) dx enton es, para
xj =
(b a)
tj +
(a + b) ; 8j = 0; : : : ; n;
2 2
se tiene una formula de uadratura para el intervalo [a; b℄:
Z b
f (x) dx Q(f ) =
n
X (b a)
Aj f (xj ): (7.4)
a j =0
2
Demostra ion.Consideremos el ambio de variables x = t + , on = (b a)=2 y = (a + b)=2
que transforma el intervalo [ 1; 1℄ en [a; b℄. As,
Z b Z 1
f (x) dx = f (t + ) dt:
a 1
Apli ando la formula Q0 a la fun ion g(t) = f (t + ) para el intervalo [ 1; 1℄ tenemos,
Z b Z 1
f (x) dx = f (t + ) dt Q0 (g) (7.5)
a 1
on,
n
X n
X
Q0 (g) = Aj g(tj ) = Aj f (tj + ):
j =0 j =0
Si llamamos xj = tj + , para j = 0; : : : ; n, tenemos que

xj =
(b a) tj + (a + b) 8j = 0; : : : ; n:
2 2
Luego, podemos re-es ribir la aproxima ion en [a; b℄ dada en (7.5) omo en la formula (7.4).
Ahora s, pro edemos a dar la formula de Simpson, que aproxima a R 11 f (x) dx, usando el
polinomio interpolador p en los nodos equiespa iados f 1; 0; 1g. Si p(x) = a0 + a1 x + a2x2 ,
Z 1 a 2 6a0 + 2a2 :
p(x) dx = 2 a0 + 2 =

1 3 6
Por otro lado, sabemos que p(x) = a0 + a1x + a2 x2 veri a el sistema:

0
1 1 1 1 0 a0 1 0 f ( 1) 1
1 0 0 A a1 A = f (0) A
1 1 1 a2 f (1)
Por lo tanto, a0 = f (0); a1 = f (1) 2f ( 1) y a2 = f ( 1) 2f2 (0) + f (1) .

Luego, Z 1 Z 1
f (x) dx
2
p(x) dx = [f ( 1) + 4f (0) + f (1)℄:
1 1 6
Ahora, por el Lema 7.3, se tiene para un intervalo [a; b℄ la formula de Simpson simple errada:
S (f ) =
(b a) f (a) + 4f ((a + b)=2) + f (b):
6
Si es ribimos la formula en terminos de la distan ia entre un nodo y otro, h = b 2 a , se tiene:
h
S (f ) = f (a) + 4f (a + h) + f (b) : (7.6)
3
Ejemplo 7.4. Para la fun ion f (x) = x3 4x +4 onsideremos ahora el intervalo [ 1; 2℄. >Cual
es el valor que se obtiene al aproximar la integral de f en este intervalo si se emplea la formula
de Simpson errada?
Para este intervalo tenemos, b a = 3, luego h = 32 y a + h = a+2 b = 12 , enton es la fomula (7.6)

nos da 1 1 1 17
S (f ) = f ( 1) + 4f ( ) + f (2) = 7 + 4 + 4℄ = :
39
2 2 2 8 4
En este aso el
a l ulo es exa to puesto que al al ular la integral de f en [ 1; 2℄ obtenemos por
resultado 394 .
Regla de Simpson abierta: es la que se obtiene al reemplazar f por un polinomio de grado
2 que la interpola en nodos equiespa iados en el interior del intervalo [a; b℄. Para esto partimos
al intervalo [a; b℄ en uartos, es de ir en subintervalos de longitud h = b 4 a . De esta manera
onsideramos fx1 ; x2 ; x3g los extremos de los intervalos medios, es de ir xj = a + jh para
j = 1; 2; 3; (ver Figura 7.4). Como a y b no forman parte de los nodos, esta formula re ibe el
nombre de Simpson abierta.
Si pro edemos omo antes, podemos hallar el polinomio de grado 2 que interpola a una fun ion
en el intervalo [ 1; 1℄ y luego por el Lema 7.3 extendemos la formula a ualquier intervalo [a; b℄.
En este aso, el polinomio p(x) = a0 + a1x + a2 x2 interpola a f en los nodos f 12 ; 0; 12 g. y
resultan a0 = f (0); a1 = f ( 12 ) f ( 12 ); y a2 = 2f ( 12 ) 4f (0) + 2f ( 12 ).
(a+h, f(a+h))
5
3
(a+2h, f(a+2h))
(a+3h, f(a+3h))
0
−1 −0.5 0 0.5 1 1.5 2
Figura 7.4. Regla de Simpson abierta
Luego, R 11 p(x) dx = 32 3a0 + a2 = 23 2f ( 12 ) f (0) + 2f ( 12 ). Al pasar a un intervalo [a; b℄

por medio del Lema 7.3 y es ribiendo la formula en terminos del paso h = b 4 a obtenemos,
43h 2f (a + h) f (a + 2h) + 2f (a + 3h) :

Z b

f (x) dx
a
Ejemplo 7.5. Consideremos nuevamente la fun ion f (x) = x3 4x + 4 en el intervalo [ 1; 2℄.

Queremos hallar una aproxima ion de la integral de f en di ho intervalo por medio de la regla
de Simpson abierta.
Como h = b 4 a = 43 , enton es a + h = 1 ; a + 2h = 1 ; a + 3h = 5 , as tenemos

4 2 4
2
4x + 4 dx 12f ( 14 ) 1 ) + 2f ( 5 ) = 2 319 17 + 2 61 = 624 = 39 ;
Z
x3 f(
1 2 4 64 8 64 64 4
que vuelve a ser un al ulo exa to.
Es laro que la formula de Simpson es exa ta para polinomios de P2 y que la formula de
Trape ios lo es para polinomios de P1. En general, una regla omo la dada en (7.1), onstruida
interpolando en n + 1 puntos, es exa ta para polinomios de Pn, sin embargo, veremos que para
iertas ele iones de puntos la regla resulta exa ta tambien para polinomios de Pk para algun
k > n. Por otra parte, veremos luego que el grado de polinomios para el ual una regla es exa ta
se rela iona on el error ometido al usar di ha regla. Esto motiva la siguiente deni ion.
2. ESTIMACIO N DEL ERROR 139
n
X
n
Defini io 7.6. De imos que una formula de uadratura Q(f ) = Aj f (xj ) tiene grado de
j =0
Z b
exa titud k, si p(x) dx = Q(p) para todo polinomio p 2 Pk y no para Pk+1.
a
Z b n
X
n 7.7.
Observa io Toda formula de uadratura f (x) dx Q(f ) = Aj f (xj ) es lineal.
a j =0
Es de ir, Q(f + g) = Q(f ) + Q(g) para todo 2 IR, f y g fun iones.
En virtud de este resultado, podemos redu ir el estudio del grado de exa titud al omportamiento
de la formula sobre una base del espa io de polinomios. Esto queda expresado en la siguiente
observa ion.
Observa io n 7.8. Una formula de uadratura Q tiene grado de exa titud k si y solo si es exa ta
para la base de Pk , B = f1; x; x2 ; : : : ; xk g y no lo es para el polinomio xk+1. Esto es, la igualdad
Z b n
X
xm dx = Aj xm
j
a j =0
debe veri arse para todo m = 0; : : : ; k y no para m = k + 1.
Ademas, gra ias al Lema 7.3, una formula de uadratura tiene grado de exa titud k independi-
entemente del intervalo [a; b℄ para el ual esta al ulada.
Ejemplo 7.9. Se quiere al ular el grado de exa titud de la formula de Simpson errada.
Es laro que las formulas de Simpson, tanto abiertas omo erradas, son exa tas para polinomios
de P2. Luego, por Observa ion 7.8, basta ver que su ede on x3; x4 ; : : :, y esto puede ha erse,
sin perder generalidad, en el intervalo [ 1; 1℄. Tenemos
Z 1
2
x3 dx = 0 = [( 1)3 + 4(0)3 + (1)3 ℄;
Z 11
6
2 2 1
x4 dx = 6= = [( 1)4 + 4(0)4 + (1)4 ℄:
1 5 3 3
Luego, la formula de Simpson errada tiene grado de exa titud k = 3. Lo mismo su edera para
la formula abierta.
2. Estima ion del error

Z b
En lo que sigue notaremos por I (f ) = f (x) dx. Una vez obtenida una regla de uadratura
a
Q(f ) surge la pregunta de que se puede de ir sobre el error ometido R(f ) = I (f ) Q(f ).
La forma mas usual de aproximar integrales es mediante las llamadas reglas de integra ion
ompuestas que veremos mas adelante, las uales se basan en partir el intervalo [a; b℄ en intervalos
hi os y apli ar en ada uno de ellos alguna de las reglas onstrudas mediante interpola ion.
Por esta razon nos interesa saber omo es el error en terminos de la longitud del intervalo donde
se apli a la regla. El siguiente teorema nos da un resultado general que nos di e que el error
depende del grado de exa titud de la regla.
Teorema 7.10. Dada una regla de uadratura Q(f ) en el intervalo [a; b℄ tal que
i) Q(f ) es lineal,
ii) Q(f ) tiene grado de exa titud k,
iii) jQ(f )j M (b a)kf k1 , para alguna onstante M .
Enton es, si f 2 C k+1[a; b℄, se tiene
k+2
jR(f )j = jI (f ) Q(f )j (1 + M(k)(+b 1)!a) kf k+1k1
Demostra ion. Observemos que, omo f 2 C k+1[a; b℄, existe un polinomio pk 2 Pk tal que
k+1
kf pk k1 (b(k +a)1)! kf k+1k1 :
En efe to, podemos tomar por ejemplo el polinomio dado por el desarrollo de Taylor de f en
ualquier punto del intervalo.
Enton es, omo la regla tiene exa titud k, tenemos que I (pk ) = Q(pk ). Luego, usando la
linealidad de Q(f ),
R(f ) = I (f ) Q(f ) = I (f pk ) Q(f pk ):
Por lo tanto, usando la hipotesis iii) y que jI (f pk )j (b a)kf pk k1, obtenemos
k+2
jR(f )j jI (f pk )j + jQ(f pk )j (1 + M(k)(+b 1)!a) kf k+1k1;
on luyendo la demostra ion.
n
Observa io 7.11. Si la regla esta dada omo en (7.1) on Aj > 0 para todo j = 0; : : : ; n, y
tiene grado de exa titud al menos 0, enton es la hipotesis iii) delPnteorema se umple on M = 1.
En efe to, omo la regla es exa ta para onstantes se tiene que j=0 Aj = Q(1) = I (1) = (b a)
y por lo tanto,
Xn n
X
jQ(f )j = j Aj f (xj )j Aj jf (xj )j (b a)kf k1 :
j =0 j =0
Consideremos la regla del trape io en el intervalo [a; b℄. Como esta tiene grado de exa titud 1
el Teorema 7.10 y la Observa ion 7.11 nos di en que
jI (f ) T (f )j (b a)3 kf (3) k1:
Tomando por ejemplo la fun ion f (x) = (x a)2 y al ulando I (f ) y T (f ) observamos que
I (f ) T (f ) =
(b a)3 ;
6
lo que muestra que el orden obtenido en terminos de la longitud del intervalo no puede mejorarse.
Lo que s se puede es, analizando ada regla en parti ular, obtener una expresion mas pre isa del
error mejorando en parti ular la onstante que apare e en la estima ion de este. Esto es lo que
haremos a ontinua ion para algunas de las reglas lasi as. Para esto ne esitamos la siguiente
version del teorema del valor medio para integrales, la ual es un po o mas general que la que
se ve en los ursos elementales de Cal ulo.
Teorema 7.12. (Valor Medio Integral Generalizado). Si g : [a; b℄ ! IR, : [a; b℄ ! [ ; d℄,
y h : [ ; d℄ ! IR son tales que g es ontinua y no ambia de signo, h es ontinua y h( (x))g(x)
es una fun ion integrable, enton es existe 2 ( ; d) tal que
Z b Z b
h( (x))g(x) dx = h() g(x) dx:
a a
Demostra ion. Supongamos que g(x) 0 (el aso g(x) 0 se ha e de manera analoga). Sean
m y M el mnimo y maximo de h respe tivamente. Enton es, m h( (x)) M y por lo tanto
mg(x) h( (x))g(x) Mg(x) para todo x 2 [a; b℄. Integrando obtenemos,
Z b Z b Z b
m g(x)dx h( (x))g(x)dx M g(x)dx
a a a
y omo Rab g(x)dx > 0 (suponiendo que g no es identi amente ero) resulta,
Rb
h( (x))g(x)dx
m a Rb M
a g ( x ) dx
y por lo tanto, omo h es ontinua, por el teorema de Bolzano sabemos que existe 2 ( ; d) tal
que Rb
h( (x))g(x)dx
h() = a R b
a g (x)dx
El otro ingrediente para obtener las formulas del error para las reglas de uadratura es la
expresion para el error de interpola ion estudiada en el aptulo anterior. El Teorema 5.4 nos
di e que, para ualquier fun ion f 2 C n+1[a; b℄, si pn 2 Pn es su polinomio interpolador se tiene
f (n+1) ( )
En (x) = f (x) pn (x) =
(n + 1)! Wn+1(x) on 2 (a; b) que depende de x:
Luego, si Q es una formula de uadratura omo en (7.1) podemos expresar el error de integra ion
omo Z b
R(f ) = I (f ) Q(f ) = (f pn )(x) dx:
a
Es de ir Z b (n+1)
R(f ) =
f ()
(n + 1)! Wn+1(x) dx:
a
Teorema 7.13Z . (Error para la Regla de Trape ios) Si f 2 C 2[a; b℄, el error que se produ e
b
al aproximar f (x)dx usando la regla de Trape ios esta dado por
a
(b a)3 00
R(f ) = f ();
para algun 2 (a; b): (7.7)
12
Demostra ion. Para al ular el error de la regla de los trape ios re ordemos que los nodos son
fa; bg, y por tanto W2 (x) = (x a)(x b), que no ambia de signo en [a; b℄, enton es usando el
Teorema 7.12,
= I (f ) Q(f ) = f 2!() W2 (x) dx

00 Z b
R(f )
a
f 00 () b
Z
= 2 (x a)(x b) dx
a
= f 12() (b a)3 :
00
Notar que hay una forma dire ta de al ular Rab (x a)(x b) dx que es al ularla por partes.
Si derivamos (x b) e integramos (x a), tenemos
(x a)2 b (x a)2 (x a)3 b (b a)3 :

Z b Z b
(x a)(x b) dx = (x b)
2
a 2 dx =
6
a
= 6
a a
R1
Ejemplo 7.14. Estimar el error ometido al aproximar 02 x4 x2 + 2x + 3 dx por la formula
de trape ios errada. >Cual es el valor de di ha aproxima ion? >Que analisis se puede ha er si
se onsidera la misma fun ion en el intervalo [ 1; 1℄?
h 00 3
Si h = b a tenemos h = 12 , f (x) = x4 x2 +2x +3 y f 00(x) = 12x2 2. Como R(f ) = 12 f ()
para algun 2 (0; 12 ), a otamos jf 00(x)j para todo x 2 [0; 21 ℄. Esto es, jf 00(x)j 2, puesto que
al anza su valor maximo en el extremo izquierdo del intervalo.
h3 00
Luego, jR(f )j = 12 jf ()j 18 121 2 = 0:020833 : : :
El valor de la aproxima ion esta dado por T (f ) = 14 (f (0) + f ( 12 )) = 14 (3 + 6116 ) = 3:81250
A ve es, al estimar el error perdemos informa ion. Por ejemplo, si queremos estimar el00 error
ometido al onsiderar x 2 [ 1; 1℄, no logramos un resultado muy no. Por un lado jf (x)j =
j12x2 2j 10, pues al anza su valor maximo en los extremos del intervalo y h = b a = 2, as,
h3 00
jR(f )j = 12 jf ()j 128 10 = 203 = 6:666 : : :
Aunque R 11 x4 x2 + 2x + 3 dx = 8615 = 5:7333 : : : y el valor que arroja la formula es T (f ) =
2
2 (f ( 1) + f (1)) = 6 y el error real es 0:2666 : : :
Analizar el error para la regla de Simpson es un po o mas dif il pues el polinomio W3(x) =
(x a)(x a+2 b )(x b) ambia de signo en [a; b℄ y por lo tanto no se puede apli ar dire tamente
un argumento analogo al usado para la regla de Trape ios. Hay varias formas de obtener la
formula del error para la regla de Simpson. Daremos aqu la que onsideramos mas elemental
pues utiliza solo herramientas de los ursos basi os de Cal ulo.
Teorema 7.15. (Error para la Regla de Simpson) Si f 2 C 4 [a; b℄, el error que se produ e
Z b
al aproximar f (x)dx usando la regla de Simpson esta dado por
a
R(f ) =
1 b a 5 f (4)(); para algun 2 (a; b): (7.8)
90 2
Demostra ion. Consideremos el intervalo [ h; h℄. Denamos
Z x
F (x) = f (x)dx
0
y, para t 2 [ h; h℄,

1
e(t) = F (t) F ( t) t f ( t) + f (0) + f (t)
1 4
3 3 3
de tal forma que
R(f ) = I (f ) S (f ) = e(h):
Nuestro objetivo es enton es en ontrar una expresion para e(h). Derivando obtenemos,
2 2
e0 (t) = f (t) + f ( t)
4 f (0) + t f 0( t) t f 0(t);
3 3 3 3 3
1
e00 (t) = f 0 (t)
1 t t
3 f ( t) 3 f ( t) 3 f (h);
0 00 00
3
y
t
e(3) (t) = [f (3) ( t) f (3) (t)℄:
3
Enton es, por el teorema del valor medio, existe 1 = 1(t) tal que
2
e(3) (t) = t2 f (4) (1 )
3
Observemos que e(0) = 0 y que de las expresiones obtenidas resulta que tambien e0(0) = e00(0) =
0. Por lo tanto, integrando entre 0 y h y usando el Teorema 7.12, obtenemos
e (h) =
00
Z h
(3)
e (t)dt =
2 Z h
2 Z h
2
t f (1 )dt = f (2 ) t2 dt = f (4) (2 )h3
2 (4) (4)
0 3 0 3 0 9
para algun 2 = 2(h). Analogamente, existe un 3 = 3(h) tal que,
e0 (h) =
Z h
e00 (t)dt =
2 f (4) (3 )h4
0 36
e integrando una vez mas, obtenemos que existe un 2 [ h; h℄ tal que
h5 (4)
e(h) = f ():
90
Ahora, en ualquier intervalo [a; b℄, mediante un ambio de variable, se obtiene
R(f ) =
1 b a 5
(4)
90 2 f ()
para algun punto intermedio 2 (a; b); omo queramos demostrar.
Z 1
Ejemplo 7.16. Aproximar e x2 dx mediante la regla de Simpson errada y estimar el error
0
que se omete al efe tuar di ho al ulo.
Tenemos h = 12 , f (x) = e x2 , as

Z 1
2
e x dx
1 (f (0) + 4f ( 1 ) + f (1)) = 1 (1 + e 14 + e 1 ) = 0:74951 : : :
0 6 2 6
5
Para estimar el error onsideramos f iv (x) = 4(4x4 12x2 + 3)e x2 . Como R(f ) = 90h f (iv) ()
para algun 2 (0; 1), a otamos jf 00(x)j para todo x 2 [0; 1℄.
Por una parte tenemos que en [0; 1℄, e x2 1 y por otra parte puede verse4que j4x24 12x2 + 3j
al anza su valor maximo en el extremo superior del intervalo. Luego, j4x 12x + 3j 5 en
[0; 1℄ y por lo tanto
jR(f )j 901 12 20 = 0:006944 : : :
5
3. FO RMULAS DE CUADRATURA COMPUESTAS 145
3. Formulas de uadratura ompuestas
Si queremos aumentar la pre ision al aproximar Rab f (x) dx, podemos aumentar el numero de
nodos. Esto es, onsiderar n + 1 nodos y el polinomio de Pn que interpola a f en esos nodos,
on n 2 IN grande. Esto no siempre es ondu ente. Como vimos en el Captulo 5, aumentar
el grado del polinomio interpolador puede produ ir errores grandes en la aproxima ion, los que
podran trasladarse al al ulo de la integral. Otra posibilidad es partir el intervalo [a; b℄ en
peque~nos subintervalos y en ada uno de estos apli ar una aproxima ion del tipo Trape ios o
Simpson. Este metodo que vamos a desarrollar en esta se ion es el mas usual y se ono e omo
\ uadratura ompuesta".
La idea general es omo sigue. Partimos el intervalo [a; b℄ en subintervalos eligiendo puntos xj
on a = x0 < x1 < : : : < xn = b. Sabemos que
Z b nX1 Z xj +1
I (f ) = f (x) dx = f (x) dx:
a j =0 xj
Ahora si para ada Z xj +1

Ij (f ) = f (x) dx
xj
tenemos una formula de uadratura Qj (f ) y onsideramos el error respe tivo,
Rj (f ) = Ij (f ) Qj (f )
obtenemos
nX1 nX1
R(f ) = Rj (f ) = (Ij (f ) Qj (f ))
j =0 j =0
Z b nX1
= f (x) dx Qj (f )
a j =0
Esto es, la formula de uadratura sera

Z b nX1 nX1
f (x) dx Qj (f ) on error R(f ) = Rj (f ): (7.9)
a j =0 j =0
Usando el Teorema 7.10 podemos obtener un resultado general de estima ion del error.
Teorema 7.17. Sea Q(f ) una regla de uadratura omo en (7.9) donde ada Qj (f ) es lineal,
tiene grado de exa titud k y satisfa e en el intervalo [xj ; xj +1 ℄ que jQj (f )j M (xj +1 xj )kf k1 ,
para alguna onstante M .
Enton es, si f 2 C k+1[a; b℄ y h = maxj (xj+1 xj ) se tiene que

jR(f )j = jI (f ) Q(f )j (1 +(kM+)(1)!
b a) k+1 k+1
h kf k1 :
Demostra ion. Por el Teorema 7.10 sabemos que

k+2
jRj (f )j (1 + M )((kx+j+11)! xj ) kf k+1k1 :
En onse uen ia, a otando (xj+1 xj )k+1 por hk+1 se tiene
nX1
(1 + M ) nX1
jR(f )j jRj (f )j (k + 1)! (xj+1 xj )k+2kf k+1k1
j =0 j =0
(1(k ++M ) nX1(x k+1 k+1

1)! j=0 j+1 xj )h kf k1 ;
pero Pjn=01(xj+1 xj ) = b a, lo que on luye la demostra ion.
El teorema anterior puede apli arse a las reglas ompuestas usuales (tales omo Trape ios y
Simpson) para obtener una estima ion del error en terminos de h = maxj (xj+1 xj ). Sin
embargo, un analisis mas detallado permite dar una expresion mas pre isa del error en esos
asos parti ulares. Para esto vamos a ne esitar el siguiente lema.
Lema 7.18. Sea g 2 C [a; b℄ y sean fa0 ; : : : ; ak g onstantes on el mismo signo y ft0 ; : : : ; tk g 2
[a; b℄, enton es se tiene
k
X k
X
aj g(tj ) = g() aj
j =0 j =0
para algun 2 [a; b℄.
Demostra ion. Sea m = min g(x) y M = max g(x) en [a; b℄. Podemos suponer que aj 0 para
todo j = 1; : : : ; k, luego
para ada j : m g(tj ) M
(aj 0) m aj aj g(tj ) M aj
k
X k
X k
X
(sumando) m aj g(tj )aj M aj
j =0 j =0 j =0
Ahora, denimos la fun ion G : [a; b℄ ! IR,

k
X
G(x) = g(x) aj ;
j =0
omo PG es un multiplo de g, resulta ontinua en [a; b℄. Ademas, el valor maximo de G en [a; b℄
es M kj=0 aj y el valor mnimo es m Pkj=0 aj . Enton es, por el teorema del valor medio, existe
2 [a; b℄ tal que
X k
G() = aj g(tj );
j =0
es de ir k k
X X
g() aj = aj g(tj );
j =0 j =0
omo queramos demostrar.
Consideremos el aso de nodos equiespa iados. Esto nos permitira aprove har las formulas ya
al uladas (Trape ios y Simpson) dado que la distan ia entre dos nodos, que tambien llamaremos
`paso h' no vara.
Regla de Trape ios ompuesta: para la formula errada se tiene que tanto a omo b son
nodos, luego tomamos los nodos xj = a + jh para j = 0; : : : ; n 1 on h = (b a)=n.
La formula (7.2) nos da para ada integral
Z xj +1
f (x) dx Tj (f ) = h2 (f (xj ) + f (xj+1));
xj
Luego,
nX1
h
T (f ) = (f (xj ) + f (xj+1))
j =0
2
= h2 [2f (x0) + f (x1) + f (x1) + f (x32) + : : : + f (xn 1) + f (xn)℄
nX1
h4
= 2 f (x0) + j=1 2f (xj ) + f (xn)
5
Enton es la uadratura ompuesta usando la regla de Trape ios errada viene dada por
2 3
nX1
h4
T (f ) =
2 f (x0) + j=1 2f (xj ) + f (xn) (7.10)
5
f 00 (j )
3
Como para ada subintervalo se omete un error (ver (7.7)) Rj (f ) = 12 h se tiene
nX1
f 00 (j ) 3 h3 nX1 00
R(f ) = h =
j =0
12 12 j=0 f (j ):
Ahora, gra ias al Lema 7.18 ( on aj = 1 para todo j ) y teniendo en uenta que h = (b a)=n
si y solo si n = (b a)=h, tenemos que existe 2 (a; b) tal que
h3 h3 b a 00 h2
R(f ) = nf 00() = f ( ) =
12 (b a)f (): (7.11)
00
12 12 h
Ejemplo 7.19. Determinar el numero n de subintervalos ne esario para Zque1 el error ometido
on la regla de Trape ios ompuesta de una aproxima ion de la integral e x2 dx on error
4. 0
menor que 10
Para hallar el numero de subintervalos a onsiderar usamos la 2expresion del2 error (7.11). Debe-
mos a otar jf 00(x)j para x 2 [0; 1℄ siendo f 00(x) = (4x2 2)e x , Como e x 1 y j4x2 2j 2
en este intervalo, se tiene:
2 2
jR(f )j = h12 (b a)jf 00()j h12 2 = 61 n1
2
Si tomamos n > 40:8248 : : : podemos asegurar que jR(f )j < 10 4 . Es de ir, basta tomar n = 41.
Regla de Simpson ompuesta: se trata de obtener una formula del tipo (7.9) uando se usa
la formula de Simpson en ada parti ion del intervalo [a; b℄.
La formula (7.6) nos da para ada integral
Sj (f ) = h3 (f (xj ) + 4f ( xj +2xj+1 ) + f (xj+1)):

Z xj +1
f (x) dx
xj
Como interpolamos f por un polinomio de grado 2, en puntos equiespa iados, en ada integral
intervienen los nodos fxj ; xj +2xj+1 ; xj+1g. As, el paso h entre dos nodos de ada integral es la
longitud media del intervalo [xj ; xj+1℄. Es de ir, h = 21 b na = b2na . Luego,
nX1
h x +x
S (f ) = (f (xj ) + 4f ( j j +1 ) + f (xj +1))
j =0
3 2
formula que podemos expresar omo
2 3
nX1 nX1
h4 xj + xj +1
S (f ) = f (a) +2 f (xj ) +4 f( ) + f (b)5 (7.12)
3 j =0 j =0
2
Para analizar el error ometido al usar esta formula, re ordemos que en ada subintervalo el
error esta dado por
h5 (iv)
Rj (f ) =
90 f (j ):
nX1
h5 (iv) h5 nX1 (iv)
R (f ) = f (j ) = f (j ):
j =0
90 90 j =0
Por el Lema 7.18 ( on aj = 1 para todo j ) y teniendo en uenta que h = b2na si y solo si n = b2ha ,
tenemos que existe 2 (a; b) tal que
h5 h5 b a (iv) h4
R(f ) = nf (iv) () = a)f (iv) ():
90 90 2h f () = 180 (b (7.13)
Ejemplo 7.20. Determinar el numero n de subintervalos ne esario para Zque1 el error ometido
on la regla de Simpson ompuesta de una aproxima ion de la integral e x2 dx on error
4 . Comparar on el ejemplo 7.19 0
menor que 10
El error viene dado por la formula (7.13). Ne esitamos a otar f (iv) (x) en el intervalo2 [0; 1℄.
Usamos la ota hallada en el Ejemplo 7.16. Esto es, jf (iv) (x)j = j4(4x4 12x2 + 3)e x j 20:
Enton es, on h = b2na = 21n se tiene
h4 (iv)
jf ()j 91 21n :
4
jR(f )j = 180
Si tomamos n > 2:886 : : : podemos asegurar que jR(f )j < 10 4 . Es de ir, basta tomar n = 3,
mientras que para la regla de Trape ios ompuesta podamos asegurar el mismo error partiendo
en 41 subintervalos de igual longitud.
Finalizaremos esta se ion on una apli a ion de los metodos hasta ahora estudiados al al ulo
aproximado de integrales multiples.
Observa io n 7.21. Es posible apli ar en forma iterada las reglas de integra ion que a abamos
de desarrollar para aproximar integrales multiples de fun iones ontinuas, para las uales el
teorema de Fubini puede apli arse.
Por ejemplo, si D IR2 es una region que podemos des ribir por medio de fun iones reales,
podemos es ribir (si la region es de Tipo 1)
ZZ Z b Z (x)
f (x; y) dxdy = f (x; y) dydx;
D a (x)
y al ular las integrales iteradas por los pro edimientos anteriores.
Ejemplo
Z
7.22. Para f
1
: IR2 ! IR una fun ion ontinua y D = [0; 1℄ [0; 1℄, se dene la fun ion
F (x) = f (x; y) dy y luego
0
Se aproximanZlos valores F (0); F ( 12 ); F (1) on la regla de Simpson.
1
Se aproxima F (x) dx usando otra vez la misma regla.
0
El valor de F (0) es el valor de la integral R01 g(y) dy on g(y) = f (0; y), luego apli ando la regla
de Simpson simple errada tenemos h i
F (0) 16 f (0; 0) + 4f (0; 12 ) + f (0; 1)
Analogamente se obtiene los otros dos valores:
h i
F ( 12 ) 61 f ( 12 ; 0) + 4f ( 12 ; 12 ) + f ( 12 ; 1)
h i
F (1) 16 f (1; 0) + 4f (1; 12 ) + f (1; 1)
Ahora,
Z 1 h i
F (x) dx 16 F (0) + 4F ( 12 ) + F (1) ;
0
donde ada valor F (0); F ( 12 ) y F (1) se reemplazan por los valores aproximados ya al ulados.
En la forma expl ita de esta regla apare en los 9 nodos:
(0; 0); ( 12 ; 0); (1; 0); (0; 12 ); ( 12 ; 12 ); (1; 12 ); (0; 1); ( 21 ; 1); (1; 1)
n o
para los uales se debe al ular el valor de f (x; y).
4. Cuadratura Gaussiana
Segun vimos en las se iones anteriores, la pre ision de una regla de uadratura depende de
su grado de exa titud. En onse uen ia resulta natural plantearse el problema de omo elegir
los puntos para optimizar el grado de exa titud. Es de ir, jada la antidad de puntos, n + 1,
queremos en ontrar fx0 ; x1 ; : : : ; xn g de tal forma que la regla onstruda interpolando en esos
puntos tenga el mayor grado de exa titud posible. Este problema fue estudiado y resuelto por
Gauss por lo que una regla de este tipo se ono e omo uadratura gaussiana.
Observemos que si onsideramos una regla de la forma
Z b Xn
f (x)w(x)dx Q(f ) = Aj f (xj )
a j =0
donde podamos elegir tanto los pesos fA0 ; A1 ; : : : ; An g omo los nodos fx0 ; x1 ; : : : ; xng, ten-
dremos 2n + 2 variables a determinar. Pare e enton es natural pedir que la regla sea exa ta
4. CUADRATURA GAUSSIANA 151
hasta el grado 2n + 1, pues de esta manera la antidad de ondi iones es igual al numero de
in ognitas. Es de ir, nos quedan las siguientes e ua iones
Z b n
X
xk w(x) dx = Aj xkj 0 k 2n + 1
a j =0
Esto es un sistema no lineal de 2n + 2 e ua iones on 2n + 2 in ognitas. Gauss demostro que

este sistema tiene solu ion uni a uando w = 1 y el intervalo es [ 1; 1℄. El Lema 7.3 nos
permite independizarnos del intervalo mientras que la teora de espa ios on produ to interno y
polinomios ortogonales vistos en el Captulo 6 nos permitira resolver el problema para un peso
arbitrario w, (w(x) > 0). En efe to, los puntos de interpola ion estaran dados por los eros de
polinomios ortogonales.
Re ordemos que los eros del polinomio de T heby hev de grado n son todos distintos, para
ada n jo, y estan en el intervalo [ 1; 1℄. El Teorema que sigue nos da un resultado analogo
para ualquier familia de polinomios ortogonales.
Consideremos sobre C [a; b℄ el produ to interno
Z b
hf; gi = f (x)g(x)w(x) dx;
a
y llamemos fqj g a los polinomios ortogonales y moni os on respe to a este produ to interno.
Respe tivamente, notemos fpj g los polinomios ortonormales.
Teorema 7.23. Las ra es de pn son distintas entre s y pertene en al intervalo (a; b).
Demostra ion. Sea n 1 jo. Veamos primero pn tiene al menos una raz real. Si no fuera as,
pn tiene signo onstante, en parti ular, tiene signo onstante en el intervalo (a; b). Supongamos
que pn(x) > 0 en (a; b). Como pn y q0 (q0 = 1) son ortogonales tenemos
Z b
0 = hpn; 1i = pn(x)w(x) dx > 0
a
esta ontradi ion muestra que pn no solamente tiene una raz real sino que tiene al menos un
ero en (a; b).
El segundo paso sera ver que las ra es de pn son simples. Supongamos que pn tiene algun ero
multiple y veamos que esto no es posible. Si x0 2 IR es una raz multiple, enton es pn es divisible
por (x x0)2 , y enton es q(x) = (xpn(xx0))2 es un polinomio de grado n 2. Luego, q es una
ombina ion lineal de fp0 ; p1 ; : : : ; pn 2g y resulta ser ortogonal a pn, por onsiguiente,
p (x)
Z b
0 = hpn; qi = pn(x) n 2 w(x) dx
(x x0 )
Za b 2
= (xpn(xx)0 )2 w(x) dx > 0;
a
que resulta, nuevamente, una ontradi ion. En onse uen ia todos lo eros de pn son simples.
Finalmente, resta ver que todas las ra es de pn pertene en al intervalo (a; b).
Supongamos que x0; : : : ; xk son los eros de pn que estan en (a; b) y supongamos que k < n 1,
es de ir que pn tiene eros que no pertene en a (a; b). Como las ra es x0; : : : ; xk son simples el
polinomio r dado por
r(x) = pn(x)=(x x0 )(x x1 ) : : : (x xk ):

tiene grado n (k +1), on lo ual es ortogonal a pn y tiene signo onstante en (a; b). Supongamos
que r(x) > 0.
Z b
0 = hpn; (x x0 ) : : : (x xk )i = pn(x)(x x0 ) : : : (x xk )w(x) dx
Za b
= r(x)(x x0 )2 : : : (x xk )2 (x)w(x) dx > 0;
a
Esta ontradi ion proviene de suponer que el grado de r es no nulo, luego k = n 1 y todos lo
eros de pn estan en (a; b).
Ahora probemos el teorema basi o de las uadraturas de Gauss.

Teorema 7.24. La formula
Z b n
X
p(x)w(x) dx = Aj p(xj );
a j =0
vale para ualquier polinomio de grado menor o igual a 2n + 1 si y solo si los puntos fxj g son
los eros de pn+1 (x).
Demostra ion. Sea p(x) 2 P2n+1 y supongamos que los puntos xj estan dados por
pn+1 (xj ) = 0 0 j n:
Por el algoritmo de division para polinomios se puede es ribir
p(x) = pn+1 (x)S (x) + R(x)
on S (x) y R(x) en Pn(x).
Por la deni ion de los pesos Aj , omo el grado de R es a lo sumo n, tenemos
I (R) = Qn (R):
Enton es Z b
I (p) = p(x)w(x) dx
a
Z b Z b
= pn+1 (x)S (x)w(x) dx + R(x)w(x) dx
a a
= hpn+1; S i + I (R)
= 0 + Qn(R)
n
X
= Aj R(xj )
j =0
n
X
= Aj p(xj ) = Qn (p):
j =0
Ahora supongamos que fxj g es un onjunto de puntos distintos y que se veri a

Z b n
X
p(x)w(x) dx = Aj p(xj )
a j =0
para todo p 2 P2n+1 . Dado r un polinomio de grado menor o igual que n y W (x) = Qnj=0(x xj )
el produ to r(x)W (x) esta en P2n+1. Luego, por hipotesis I (rW ) = Qn(rW ). En onse uen ia
Z b n
X
hr; W i = r(x)W (x)w(x) dx = Aj r(xj )W (xj ) = 0;
a j =0
pues W (x) se anula en los xj . Enton es W (x) es un polinomio moni o de grado (n+1) que resulta
ortogonal a ualquier polinomio de grado menor o igual que n, en onse uen ia W (x) = qn+1(x)
y por lo tanto los xj son los eros de pn+1.
n
Observa io 7.25. El resultado anterior es optimo. Es de ir, no es posible en ontrar n + 1
puntos de manera que, para un peso w > 0, una regla de uadratura de la forma
Z b Xn
f (x)w(x) dx = Aj f (xj );
a j =0
sea exa ta para polinomios de grado 2n + 2.
Z b
Qn
En efe to, el polinomio p(x) = j =0 (x xj )2 veri a que p(x)w(x) dx > 0 mientras que
Pn a
j =0 Aj p(xj ) = 0
Pn
Corolario 7.26. Sea Qn (f ) = j =0 Aj f (xj ) una formula de uadratura gaussiana, enton es
Aj > 0 para todo j = 0; : : : ; n.
Demostra ion. Consideremos los polinomios de la base de Lagrange. Cada `k , k = 0; : : : ; n

veri a que (`k )2 2 P2n y enton es I (`2k ) = Qn(`2k ). Como `k (xj ) = Ækj ,
Z b X n
0< `2k (x)w(x) dx = Aj (`k (xj ))2 = Ak :
a j =0
Ejemplo 7.27. La formula de uadratura gaussiana para peso w(x) = 1 e intervalo [ 1; 1℄

orresponde a los polinomios ortogonales de Legendre. Se quiere,
(1) Hallar la formula de tres puntos. Z 3

(2) Usar las formulas de Gauss-Legendre de tres puntos para estimar ln(x) dx:
1
Para resolver la primer parte, los nodos son las ra es del polinomio ortogonal de grado 3. Para
el peso w(x) = 1, la familia de polinomios ortogonales es f1; x; 12 (3x2 q1); 12 x(5x2 3)g. qLos
eros de p3 oin iden on los de q3(x) = 12 x(5x2 3) siendo x0 = 35 ; x1 = 0; x2 = 35 .
Los oe ientes fA0 ; A1 ; A2 g pueden en ontrase por el metodo de oe ientes indeterminados,
teniendo en uenta la exa titud de la formula. Esto es, (n = 2)
Z 1
xm dx = A0 xm
0 + A1 x1 + A2 x2 ;
m m para m = 0; 1; 2; 3; 4; 5:
1
Como se ono en los nodos, al quedar determinado un sistema lineal de 3 e ua iones on 3

in ognitas, solo se usaran las igualdades de arriba para m = 0; 1; 2; las orrespondientes a
m = 3; 4; 5; ne esariamente van a satisfa erse gra ias al Teorema 7.24.
Queda enton es por resolver el sistema
0
1 1 q1 1 0 A0 1 0 2 1
q
5 A A1 A = 02 A ;
B 3 0 3 C
5
3 0 3 A2 3
5 5
de donde resultan A0 = A2 = 59 y A1 = 89 y
q q
Q(f ) = 59 f ( 3 ) + 8 f (0) + 5 f ( 3 ):
5 9 9 5
Z 3
Si queremos usar la formula anterior para estimar ln(x) dx, primero tenemos que trasladar
1
la formula al intervalo [1; 3℄, esto es segun el Lema 7.3. Con a = 1; b = 3 queda
Z 3 X 2 (3 1) X 2
f (x) dx Q(f ) = Aj f (yj ) = Aj f (yj );
1 j =0
2 j =0
siendo yj = xj + 2; para j = 0; 1; 2: Luego,
Z 3 q q
ln(x) dx 5 ln 2 3 + 8 ln(2) + 5 ln 2 + 3
1 9 5 9 9 5
5 0:12572880 + 8 0:69314718 + 5 1:05292619
19:27093916 9 9
Error en la integra ion de Gauss

Una ota del error ometido al aproximar una integral mediante una regla gaussiana se puede
obtener mediante el Teorema 7.10. Se puede, sin embargo, dar una expresion mas pre isa para
el error utilizando estima iones de error de interpola ion de Hermite. Para esto usaremos la
siguiente nota ion.
Sea Qn(f ) la regla de Gauss que usa los n + 1 puntos, x0; : : : ; xn, dados por los eros de qn+1,
el polinomio ortogonal moni o de grado n + 1 aso iado al peso w en un intervalo [a; b℄.
Teorema 7.28. Si f 2 C 2n+2 [a; b℄ se tiene,
f 2n+2 ()
Z b
I (f ) Qn (f ) = qn2 +1 (x)w(x)dx; para algun 2 (a; b):
(2n + 2)! a
Demostra ion. Sea p 2 P2n+1 el polinomio tal que p(xj ) = f (xj ); y p 0(xj ) = f 0(xj ) para
j = 1; : : : ; n; que existe por el Teorema 5.17.
Utilizando un argumento analogo al que usamos para en ontrar la expresion del error en la
interpola ion de Lagrange (ver Teorema 5.4) puede demostrarse que
f 2n+2 ( ) 2
f (x) p(x) =
(2n + 2)! qn+1(x);
para algun punto intermedio = (x). Por otra parte, omo Qn tiene grado de exa titud 2n +1,
I (p) = Qn (p);
ademas, omo p oin ide on f en los nodos de integra ion,
Qn (p) = Qn (f ):
Por lo tanto, para el error de integra ion tenemos,
Z b 2n+2
I (f ) Qn (f ) = I (f ) Qn (p) = I (f p) =
f () 2
(2n + 2)! qn+1(x)w(x)dx
a
y usando el Teorema 7.12,

f 2n+2()
Z b
I (f ) Qn (f ) = qn2 +1 (x)w(x)dx:
(2n + 2)! a
En el aso en que w(x) = 1 se puede obtener una expresion expl ita en terminos de n del la
integral que apare e en el error. Re ordemos que en este aso, y si trabajamos en [ 1; 1℄, los
polinomios ortogonales son los de Legendre. El siguiente lema da otra forma de generar estos
polinomios la ual resulta util para nuestros al ulos.
Lema 7.29. F ormula de Rodrgues El polinomio moni o de Legendre de grado k, lk , esta
dado por
k! dk 2
lk (x) =
(2k)! dxk (x 1) :
k
Demostra ion. Es laro que lk as denido resulta ser un polinomio moni o de grado k. Falta
ver enton es que lk es ortogonal a todo polinomio de grado menor que k.
Si q 2 Pk 1, integrando por partes k ve es obtenemos
Z 1 k Z 1
d 2
( x 1) k q ( x )dx = ( 1) k (x 2 1)k dk q(x) dx = 0
1 dxk 1 dxk
pues los terminos integrados se anulan porque (x2 1)k y todas sus derivadas hasta el orden
k 1 valen ero en los extremos del intervalo.
Lema 7.30. Si lk es el polinomio moni o de Legendre de grado k, enton es

Z 1
lk2 (x) dx =
22k+1(k!)4
1 ((2k)!)2 (2k + 1)!
Demostra ion. Por la formula dada en el lema anterior tenemos que al ular
Z 1 k k
d 2 k d (x2 1)k dx:
( x 1)
1 dxk dxk
Pero integrando por partes k ve es obtenemos que
Z 1 k k Z 1 Z 1
d 2 k d (x2 1)k dx = ( 1)k (2k )! 2 1)k dx = (2k)! (1
( x 1) ( x x2 )k dx:
1 dxk dxk 1 1
Ha iendo el ambio de variables x = seny resulta
Z 1 Z
(1 x ) dx = 2 os2k+1 ydy:
2 k
1 2
Integrando por partes ( onsiderando os y = sen0y) tenemos que
Z Z Z Z
2

os ydy = os y sen ydy = 2k os y sen ydy = 2 2k os2k
2k +1 2 2 k 0 2 2 k 1 2 1 y(1 os2 y)dy
2 2 2 2
y por lo tanto,
Z
2
os2k+1 ydy = 2k Z 2 os2k 1 ydy:

2 2k + 1 2
Iterando este pro edimiento obtenemos
Z
2
os2k+1 ydy = (2k k!)2 Z 2 os ydy = 22k+1(k!)2

2 (2k + 1)! 2 (2k + 1)!
Teorema 7.31. (Error para Cuadratura Gauss/Legendre) Si f
Z b
2 C n+2[a; b℄ y se aproxima
f (x)dx usando la regla de uadratura gaussiana tomando omo nodos los eros del polinomio
a
de grado n + 1 de la familia de Legendre, el error que se produ e esta dado por
R(f ) = f 2n+2 ()

((n + 1)!)4 (b a)2n+3 ; para algun 2 (a; b): (7.14)
((2n + 2)!)3 (2n + 3)
Demostra ion. Poniendo k = n + 1 obtenemos la formula del error en el intervalo [ 1; 1℄,
I (f ) Qn (f ) = f 2n+2 ()
22n+3 ((n + 1)!)4
((2n + 2)!)3 (2n + 3)
y ha iendo un ambio de variables resulta que la formula en un intervalo [a; b℄ es
I (f ) Qn (f ) = f 2n+2 ()
((n + 1)!)4 (b a)2n+3
((2n + 2)!)3 (2n + 3)
n 7.32.
Observa io Las formulas orrespondientes a las reglas de uno y dos puntos resultan ser:
Para n = 0 (regla del punto medio) se tiene
1
I (f ) Q0 (f ) = f 00 () (b a)3 :
24
Para n = 1 queda,
1 (b a)5 :
I (f ) Q1 (f ) = f iv ()
4320
Notar que las onstantes obtenidas para n = 0 y n = 1 son menores que las que se obtienen en los
Teoremas 7.13 y 7.15, que orresponden a reglas del mismo grado de exa titud, respe tivamente.
5. Convergen ia de los metodos de uadratura
Si bien la forma mas usual de obtener una buena aproxima ion de una integral onsiste en usar
alguna regla ompuesta on un numero de nodos su iente, otra posibilidad es aumentar la
pre ision onstruyendo reglas basadas en interpola ion de Lagrange en un numero re iente de
puntos. Por lo tanto es natural preguntarse si este pro edimiento onverge Ra bla integral uando el
numero de nodos tiende a innito. Esto es, si Qn(f ) es la aproxima ion de a f (x)w(x) dx que se
ha e a traves de un polinomio que interpola a f en n+1 nodos, >vale que Qn(f ) ! Rab f (x)w(x) dx
uando n ! 1? En esta se ion veremos una ondi ion para que esto su eda. Esta ondi ion
se satisfa e en parti ular para las reglas gaussianas.
Una formula de uadratura
Z b n
X
f (x)w(x)dx Q(f ) = Aj f (xj )
a j =0
tendra pesos Aj dependiendo de los nodos fx0 ; x1 ; : : : ; xng y de la fun ion w.
Cuando aproximamos f por el polinomio interpolador de Lagrange y usamos la base de Lagrange
para tal n, se tendra que Aj = Rab `j (x)w(x) dx para j = 0; : : : ; n.
Para estudiar la onvergen ia uando se in rementa el numero de nodos usaremos nota ion mas
espe a. Es de ir, tanto la base de Lagrange omo la uadratura, los nodos y pesos de la misma
se indi aran on el n orrespondiente. El siguiente teorema da una ondi ion que asegura la
onvergen ia.
Teorema 7.33. Dada f 2 C [a; b℄ y dado n 2 IN notamos por
Z b n
X
I (f ) = f (x)w(x) dx; y denimos Qn (f ) = A(jn) f (x(jn) )
a j =0
donde los A(jn) estan dados por
Z b
A(jn) = `(jn) (x)w(x) dx:
a
Si existe una onstante K tal que
n
X
jA(jn) j K 8n
j =0
enton es
limQ
n!1 n
(f ) = I (f )
5. CONVERGENCIA DE LOS ME TODOS DE CUADRATURA 159
Demostra ion. Por el teorema de Weierstrass, dado " > 0 existe un polinomio qN 2 PN (N
depende de ") tal que
max jf (x)
axb
qN (x)j = kf qN k1 ":
Observemos que omo Qn es exa ta para polinomios de grado menor o igual que n, enton es se
tiene que Qn(qN ) = I (qN ) para todo n > N . Tenemos que,
jI (f ) Qn(f )j = jI (f ) I (qN ) + Qn(qN ) Qn(f )j
jI (f ) I (qN )j + jQn(qN ) Qn(f )j:
Ahora bien, si llamamos = Rab w(x) dx, se tiene
Z b

jI (f ) I (qN )j =
w (x)(f (x) qN (x)) dx
a
Z b
kf qN k1 w(x) dx ";
a
y ademas,

jQn(qN ) Qn(f )j = Pnj=0 A(jn) (qN (x(jn) ) f (x(jn)))
kf qN k1 Pnj=0 jA(jn) j K":
Con todo esto, hemos probado que dado " > 0 existe N tal que si n > N ,
jI (f ) Qn(f )j ( + K )":
Tambien vale la impli a ion re pro a, que enun iamos en el siguiente teorema, de la ual omiti-
mos una demostra ion.
Teorema 7.34. Con las nota iones anteriores, si lim Qn (f ) = I (f ), para toda f 2 C [a; b℄,
n!1
enton es existe una onstante K tal que
n
X
jA(jn) j K 8n:
j =0
Corolario 7.35. Si los pesos A(jn) son todos positivos tenemos enton es
Z b
Qn (f ) ! f (x)w(x) dx;
a
para toda fun ion ontinua f .
Demostra ion. Como la aproxima i

Rb
on por uadraturas Qn es exa ta para polinomios de Pn, en
parti ular se tiene que Qn(1) = a w(x) dx, para todo n 2 IN.
Como w(x) > 0 y los pesos son todos positivos tenemos que,
Z b n
X n
X
0 < I (1) = w(x) dx = Qn (1) = A(jn) = jA(jn) j:
a j =0 j =0
La onstante K que satisfa e la hipotesis del teorema anterior es

Z b n
X
K= w(x) dx = jA(jn) j;
a j =0
y tenemos que estas aproxima iones de la integral onvergen a la misma.
Como onse uen ia de los resultados obtenidos resulta la onvergen ia de las reglas gaussianas
que enun iamos en el siguiente teorema.
Teorema 7.36. Si
n
X
Qn (f ) = A(jn) f (x(jn) )
j =0
es la regla gaussiana orrespondiente a un peso w(x) > 0 enton es
Z b
limQ
n!1 n
(f ) = f (x)w(x) dx;
a
para toda f 2 C [a; b℄.
Demostra ion. Es onse uen ia inmediata de los Corolarios 7.26 y 7.35.
Para terminar esta se ion queremos omentar que las hipotesis del Teorema 7.33 no se apli an
al aso de puntos equiespa iados (o sea a las formulas de Newton-Côtes). En efe to, se sabe
que en este aso los pesos A(jn) ambian de signo y, mas aun, uando n re e no estan a otados.
Por lo tanto existen fun iones ontinuas para las uales este pro edimiento para aproximar la
integral no onverge.
6. EJERCICIOS 161
6. Ejer i ios
(1) Usar las formulas erradas de Newton-Côtes de dos y tres puntos (reglas de trape ios
y de Simpson, respe tivamente) para al ular las integrales:
Z 1 Z 0:2 Z :3
1 dx
x4 dx ln(x) dx
0 0:1 0 1+x
Cal ular, ademas, en forma exa ta ada una de las integrales anteriores y veri ar la
ota del error.
(2) Interpolando las fun iones de base de Lagrange, hallar una formula de uadratura por
interpola ion de la forma
Z 2h
f (x) dx A0 f (0) + A1 f (h):
0
(3) Usar el metodo de oe ientes indeterminados para dar una formula de uadratura por
interpola ion:
Z 3h
f (x) dx A0 f (0) + A1 f (h) + A2 f (3h):
0
(4) Construir la formula abierta de Newton-Côtes para al ular R 11 f (x) dx on nodos
1=2; 0; 1=2, y la formula errada de Newton-Côtes on nodos en los puntos 1; 1=3; 1=3; 1.
(5) Considerar la fun ion denida en [ h; h℄ (h > 0):

f (x) = x; 0; si h x 0
si 0 < x h:
Hallar el error de la regla de trape ios apli ada a f (x). >El orden es igual al obtenido
para una fun ion su ientemente suave?
(6) La formula de uadratura
a+b
Z b

f (x) dx f ( ) b a
a 2
es ono ida omo Regla de los Re tangulos. Para f 2 C 1[a; b℄ a otar el error que se
omete al utilizarla. 2
(7) Para f una fun ion C probar que el00 error ometido al usar la formula de uadratura
del Ejer i io 2 no ex ede el valor kf 2k1 h3 .
(8) (a) Hallar una formula de uadratura del tipo:
Z 1
f (x) dx Af ( 2) + Bf (0) + Cf (2):
1
(b) Para f 2 C 3[ 2; 2℄ probar que el error ometido no ex ede el valor 127 kf (3) k1 :
(9) Es ribir un programa que utili e las reglas de trape ios, de Simpson, de trape ios
ompuesta y de Simpson ompuesta para al ular aproxima iones de la integral de una
fun ion f (x)Zen1 un intervalo [a; b℄.
(10) Se sabe que 1 +1 x2 dx = 4 :
0
(a) Para n = 1; : : : ; 100, utilizar las reglas de trape ios y Simpson ompuestas para
aproximar numeri amente la integral y dar un valor er ano a .
(b) Gra ar las su esiones obtenidas junto on el valor de que arroja Matlab y el
valor que se obtiene al apli ar la rutina quad de Matlab.
(11) (a) Cal ular exa tamente la integral
Z 2
I= [1 os(32x)℄ dx:
0
(b) Aproximar el valor de I usando el programa del Ejer i io 9 on los metodos de los
trape ios, Simpson, trape ios ompuesta y Simpson ompuesta para n = 2; 4; 8 y
16.
( ) Cal ular el valor Z 1
de I que produ e la rutina quad.
(12) Se quiere al ular e x2 dx utilizando la regla de trape ios ompuesta, partiendo el
1
intervalo [ 1; 1℄ en n subintervalos.
Pn Hallar n de modo que el error sea menor que 10 3 .
(13) La expresion Qn(f ) = j=0 Aj f (xj ) dene una formula de uadratura.
(a) Probar que Qn es lineal en f (el onjunto de fun iones).
(b) Supongamos que Qn(f ) Rab f (x)w(x) dx y que es exa ta para las fun iones
1; x; : : : ; xk . Mostrar que la formula tiene grado Rde1 pre ision por lo menos k.
(14) Determinar el grado de pre ision de las formulas para 1 f (x) dx:
(a) 43 f ( 0:5) 23 f (0) + 43 f (0:5):
(b) 41 f ( 1) + 34 f ( 13 ) + 34 f ( 31 ) + 14 f (1):
(15) Hallar reglas de uadratura de grado de pre ision maximo para aproximar R 33 f (x) dx,
de las siguientes formas:
(a) A[f (x0 ) + f (x1)℄ (repitiendo el oe iente).
(b) Af (x0 ) + Bf (x0 + 4):
y determinar uales son di hos grados.
(16) Cal ular R 11 f (x)x2 dx mediante una regla de uadratura de la forma
Z 1
f (x)x2 dx A0 f (x0 ) + A1 f (x1 )
1
que sea exa ta para polinomios de grado menor o igual que 3.
(17) (a) Hallar una regla de uadratura del siguiente tipo
Z 1
p
f (x) jxjdx A0 f (x0 ) + A1 f (x1 ):
1
que tenga grado de pre ision maximo. >Cual es di ho grado?
(b) Hallar una regla de uadratura del siguiente tipo
Z 4 r
x 2
f (x)
0 2 dx A0 f (x0) + A1 f (x1):
que tenga grado de pre ision maximo. >Cual es di ho grado?
(18) Sea w una fun ion de peso. Se onsidera la regla de uadratura de 1 punto:
Z b
f (x)w(x) dx A0 f (s):
a
6. EJERCICIOS 163
(a) Probar
Rb
que, ualquiera sea w, la formula tiene grado de pre ision maximo si s =
a xw ( x ) dx .
Rb
a w(x) dx
(b) Probar que si w(x) 1, esta regla oin ide on la2 regla de los re tangulos.
( ) Considerar el intervalo [ 1; 1℄ y w1(x) = (x 1) . A otar el error que produ e el
uso de esta regla para fun iones C .
(19) Hallar los pesos y los nodos de las formulas de Gauss-Legendre2 de 1dos y3 tres3 puntos.
(Los polinomios de Legendre moni os de grado dos y tres son x 3 y x 5 x).
(20) Usar las formulas de Gauss-Legendre de tres puntos para estimar:
Z 1 Z 3 Z 2
2
(a) sen(3x) dx; (b) ln(x) dx; ( ) ex dx:
1 1 1
(21) Probar que una formula de uadratura
Z b Xn
f (x)w(x) dx Qn (f ) = Aj f (xj )
a j =0
no puede tener grado de pre ision mayor que 2n +1, independientemente de la ele ion
de los oe ientes (Aj ) y de los nodos (xj ). Z b
Sugeren ia: Hallar un polinomio p 2 P2n+2 para el ual Qn(p) 6= p(x)w(x) dx.
a
(22) Para f : IRZZ2 ! IR una fun ion ontinua, se quiere dar una formula de uadratura que
aproxime f (x; y) dx dy on D IR2 usando el Teorema de Fubini.
D
(a) Repetir el pro edimiento he ho en el Ejemplo 7.22 y dar la formula orrespondiente
para D el triangulo de verti es Z(0x; 0); (0; 1); (1; 0).
Sugeren ia: onsiderar F (x) = f (x; y) dy.
0
(b) Probar que si D es el tria2ngulo2 de verti es (0; 0); (0; 1); (1; 0) la formula anterior
es exa ta para f (x; y) = x + y .
CAPTULO 8
Resolu ion de e ua iones diferen iales ordinarias
En este aptulo abordaremos el problema de resolver e ua iones diferen iales on valores ini-
iales. Es de ir, desarrollaremos metodos numeri os para aproximar una fun ion ono iendo
una e ua ion que involu ra sus derivadas.
Se llama orden de una e ua ion al maximo orden de derivada que apare e en ella. En su forma
mas general una e ua ion diferen ial de orden n, puede es ribirse omo
F (t; x(t); x0 (t); x00 (t); : : : ; x(n) (t)) = 0;
donde t 2 IR, F : IRn+2 ! IR es una fun ion ono ida y x es la fun ion que se desea en ontrar.
Vamos a suponer que la derivada de mayor orden puede despejarse de tal forma que la e ua ion
se es ribe omo
x(n) (t) = f (t; x(t); x0 (t); x00 (t); : : : ; x(n 1) (t)); (8.1)
para t 2 IR y f : IRn+1 ! IR una fun ion dada.
Algunos ejemplos de e ua iones diferen iales son:
Ejemplos 8.1.
(1) Para una onstante dada, la e ua ion

x0 (t) = x(t):
es una e ua ion lineal de primer orden. Su solu ion general es
x(t) = Cet
on C una onstante arbitraria, es de ir, hay innitas solu iones. Esto es lo que pasa
en general y por lo tanto, para poder determinar una solu ion es ne esario tener mas
datos. En este ejemplo se ve fa ilmente que si se ono e el valor ini ial x(0) = x0
enton es la solu ion es
x(t) = x0 et :
Esto es algo general: dada una e ua ion diferen ial para determinar una solu ion es
ne esario ono er iertos datos ini iales.
(2) Veamos un ejemplo elemental de e ua ion que surge de un problema fsi o. Supongamos
que se tiene una part ula de masa m que se mueve en una dire ion debido a la a ion
de un resorte y se quiere ono er la posi ion x(t) de la masa en el instante t. La ley de
166 8. RESOLUCIO N DE ECUACIONES DIFERENCIALES ORDINARIAS
Hooke di e que la fuerza F (t) que ejer e el resorte en el instante t es propor ional a su
estiramiento o ompresion, es de ir,
F (t) = kx(t)
donde k es la onstante de rigidez del resorte. Por otra parte, la ley de Newton nos
di e que
F (t) = ma(t)
siendo a(t) la a elera ion en el instante t. En onse uen ia, omo a(t) = x00(t), obtene-
mos la e ua ion
mx00 (t) + kx(t) = 0:
Esta es una e ua ion lineal de segundo orden que, p omo tiene oe ientes onstantes,
puede resolverse analti amente. Si llamamos ! = k=m, la solu ion general de esta
e ua ion es
x(t) = C1 os(!t) + C2 sen(!t)
p
donde C1 y C2 son onstantes arbitrarias. Introdu iendo A = C12 + C22 y ' 2 [0; 2)
tal que2 os ' = C1=A y sen ' = C2 =A (notar que tal ' existe porque (C1 =A)2 +
(C2 =A) = 1), la solu ion general puede es ribirse omo
A os(' !t)
donde A representa la amplitud, ! la fre uen ia y ' la fase.
Para poder determinar la posi ion en el instante t ne esitamos ono er iertas ondi-
iones ini iales.0 Lo mas natural es ono er la posi ion y la velo idad ini iales, es de ir
x(0) = x0 y x (0) = v0 . Veamos que on estos datos podemos en ontrar A y ' de tal
forma que la solu ion queda unvo amente determinada.
p En efe to, es fa il ver que de
las ondi iones ini iales se dedu e que A = x20 + (v0 =!)2 y ' 2 [0; 2) es el uni o
angulo que satisfa e os ' = x0 =A y sen ' = v0=!A.
(3) Veamos ahora un ejemplo de e ua ion no lineal. Para esto onsideremos otro ejemplo
de los ursos basi os de fsi a que es el problema del pendulo. En este aso se quiere
determinar el angulo (t) que un pendulo on masa m forma respe to de la verti al en el
instante t. Despre iando el rozamiento on el aire podemos suponer que la uni a fuerza
que a tua es la de la gravedad, es de ir, una fuerza en dire ion verti al ha ia abajo y
de magnitud mg. La proye ion F de esta fuerza en la dire ion del movimiento (o sea
tangen ial al ar o de ir unferen ia que des ribe el pendulo) resulta enton es,
F (t) = mg sen (t):
Teniendo en uenta que la longitud re orrida en un tiempo t es L((t) (0)), donde
L es la longitud del pendulo, resulta que la a elera ion en la dire ion tangen ial al
movimiento es L00(t). Por lo tanto, apli ando nuevamente la ley de Newton obtenemos
L00 (t) = g sen (t)
o sea, una e ua ion no lineal de segundo orden. Tambien en este aso hay una uni a
solu ion si se ono en la posi ion y la velo idad ini ial, o sea, (0) y L0(0). Esto es
onse uen ia del teorema de existen ia y uni idad que enun iaremos mas adelante.
1. ME TODOS DE UN PASO 167
Como vimos en los ejemplos una e ua ion diferen ial puede tener mu has solu iones y para
obtener una solu ion uni a ha e falta ono er iertos datos que pueden ser valores de la fun ion
y de algunas de sus derivadas en un valor ini ial t0. Mas pre isamente, puede demostrarse
que para la e ua ion de orden n (8.1) se tiene una solu ion uni a dados los datos ini iales
x(t0 ); x0 (t0 ); : : : ; x(n 1) (t0 ), bajo hipotesis ade uadas sobre la fun ion f .
En lo que sigue, vamos a estudiar metodos numeri os para e ua iones de grado 1. La razon por
la que ha emos esto es que las e ua iones de grado n pueden redu irse a sistemas de e ua iones
de orden 1 y los metodos que presentaremos pueden extenderse a sistemas.
La e ua ion de orden 1 que orresponde on la es ritura 8.1 tienen la forma

x0 (t) = f (t; x(t)); (8.2)
x(t0 ) = a:
Se trata de una e ua ion diferen ial de primer orden porque la derivada de mayor orden que
apare e es la derivada primera.
Por ejemplo, podemos onsiderar e ua iones omo las siguientes:
(i) x0 0 = 1; (iii) x00 = x;2
(ii) x = t; (iv) x = x :
Primero enun iamos un teorema de existen ia y uni idad de solu ion, uya demostra ion no
damos.
Teorema 8.2. Si f (t; x) es ontinua y Lips hitz en x, es de ir
jf (t; x) f (t; y)j Ljx yj
Enton es para ualquier valor a 2 IR existe una uni a fun ion derivable x(t) que veri a
0
x (t) = f (t; x(t))
x(t0 ) = a:
Los metodos numeri os para aproximar la solu ion de una e ua ion diferen ial ordinaria se
dividen en dos grandes lases: metodos de un paso y metodos multipaso.
1. Metodos de un paso
Nuestro estudio de aproxima iones numeri as para e ua iones ordinarias empieza on los metodos
ono idos omo metodos de un solo paso.
Dado el problema (8.2) bus amos una aproxima ion de x(t) en un ierto intervalo [t0; T ℄. Para
esto bus aremos una forma de generar n valores x1 ; : : : ; xn que aproximen x(t1); : : : ; x(tn ) on
t0 < t1 < t2 < < tn = T . Despues se puede interpolar en esos valores para obtener una
aproxima ion de x(t). A ve es solo interesa ono er el valor de x(T ) y en este aso los pasos
intermedios x1; : : : ; xn 1 pueden verse omo pasos auxiliares para al ular xn x(T ).
El metodo general de un paso tiene la forma
xi+1 = xi + h(ti ; xi ; h): (8.3)

La fun ion se ono e omo la fun ion de in remento y nos di e omo al ular la aproxima ion
xi+1 de x(ti + h) a partir de xi ; ti y de h. Una ventaja de estos metodos es que se puede ambiar
fa ilmente el paso h. Es de ir al ulamos una aproxima ion en un tiempo posterior (ti+1 ) a
partir de una aproxima ion en el tiempo ti.
1.1. Metodo de Euler. Dada la e ua ion diferen ial
x0 (t) = f (t; x(t));
x(t0 ) = x0
vemos que de ono er el valor de x en un punto t ono emos tambien el valor de la pendiente
de la re ta0 tangente en el punto (t; x(t)). Como x(t0 ) = x0 es ono ido sabemos exa tamente el
valor de x (t0 ) = f (t0; x0 ).
Esto sugiere que el valor de x(t + h) sera aproximadamente x1 = x0 + hf (t0 ; x0) si el valor de h
es peque~no.
Si trabajamos en el intervalo [t0 ; T ℄ y queremos dar una aproxima ion de x(T ), elegimos n 2 IN y
puntos equiespa iados t1; : : : ; tn on paso h = (T t0)=n, de manera que ti = t0 +ih; i = 0; : : : ; n.
Ahora, dada una aproxima ion xi de x(ti) denimos una aproxima ion de x(ti+1 ) = x(ti + h)
omo
xi+1 = xi + hf (ti ; xi ) (8.4)

ver Figura 8.1. La es ritura (8.4) se orresponde on (8.3) para (t; x; h) = f (t; x).
Ejemplo 8.3. Apli ar el metodo de Euler para dar una aproxima ion del valor de e usando la
e ua ion diferen ial 0
x (t) = x(t);
x(0) = 1:
Sabemos que la solu ion exa ta de la e ua ion es x(t) = et , puesto que x(0) = 1. 1Queremos
aproximar el valor de x(T ) siendo T = 1. Fijamos n 2 IN y onsideramos paso h = n . El valor
bus ado es xn x(1). Apli ando el metodo de Euler para f (t; x) = x se obtiene la su esi
on de
re urren ias
xi+1 = xi + hxi
= (1 + h)xi :
2.8
t
x=e
Interpolación polinomial, h=0.25
2.6 x ,…,x con h=0.25
1 4
Interpolación polinomial, h=0.125
x ,…,x con, h=0.125
1 8
2.4
2.2
1.8
1.6
1.4
1.2
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Figura 8.1. Metodo de Euler, x0 = x; x(0) = 1; on pasos h = 0:25 y h = 0:125.

Si ahora reemplazamos xi por (1 + h)xi 1 en la igualdad anterior tenemos xi+1 = (1 + h)2 xi 1 .
Siguiendo este razonamiento +1
i 1 pasos mas queda xi+1 = (1 + h) x0 . Finalmente, usando el
i
1
dato x0 = 1 y h = n obtenemos la su esion
1 + n1 ;
n
xn =
de la que sabemos que nlim

1 + 1 n = e.
!1 n
La Tabla 8.1 muestra los valores que se obtienen si se usa el metodo ed Euler on paso h = 0:25
y paso h = 0:125. Estos datos pueden apre iarse en la Figura 8.1.
t et h = 0:25 h = 0:125
0.125 1.1331 1.125000
0.250 1.2840 1.250000 1.265625
0.375 1.4549 1.423828
0.500 1.6487 1.562500 1.601807
0.625 1.8682 1.802032
0.750 2.1170 1.953125 2.027207
0.875 2.3989 2.280697
1.000 2.7183 2.441406 2.565784
Tabla 8.1. Metodo de Euler, x0 = x; x(0) = 1; on paso h = 0:25 y h = 0:125
1.2. Metodos de Taylor. El metodo de Euler dado en (8.4) onsiste en aproximar la

fun ion x(t) por su polinomio de Taylor de grado uno. En efe to,
h2
x(t + h) = x(t) + x0 (t)h + x00 ( ) ;
2
donde esta entre t y t + h. Si h es peque~no se puede despre iar el termino x00 () h22 obteniendo
x(t + h) x(t) + x0 (t)h = x(t) + hf (t; x(t)): (8.5)
El metodo de Euler (8.4) en el paso i + 1 se basa en utilizar (8.5) desarrollado en t = ti
reemplazando el valor des ono ido x(ti) por su aproxima ion xi.
Este metodo se puede generalizar utilizando desarrollos de mayor orden dando lugar a los lla-
mados metodos de Taylor de orden k. Re ordemos que para valores de h peque~nos se tiene
1 1
x(t + h) = x(t) + hx0 (t) + h2 x00 (t) + + hk x(k) (t) +
1
k+1 (k+1)
2 k! (k + 1)! h x () (8.6)
donde esta entre t y t + h.
Como antes trabajamos en el intervalo [t0 ; T ℄ y queremos dar una aproxima ion de x(T ). Elegi-
mos n 2 IN y t1 ; : : : ; tn puntos equiespa iados, ti = t0 + ih; i = 0; : : : ; n, on h = (T t0)=n.
Si ono ieramos las derivadas de x hasta orden k en los valores ti podramos usar esos datos
para implementar un me0todo que aproxime x(ti + h) a partir de una aproxima ion de x(ti ).
La e ua ion diferen ial00 x (t) = f (t;0x(t)) nos propor iona las derivadas de orden superior. Por
ejemplo para hallar x derivamos x y obtenemos
x00 (t) = ft (t; x(t)) + fx(t; x(t))x0 (t);
es de ir,
x00 (t) = ft (t; x) + fx (t; x(t))f (t; x(t)):
Con la segunda derivada de x podemos ha er el desarrollo de orden 2. Suponemos hallados los
valores de xj que aproximan x(tj ) para j = 1; : : : ; i, enton es para ti+1 = ti + h se tiene
1
x(ti + h) x(ti ) + hf (ti ; x(ti )) + h2 [ft (ti ; x(ti )) + fx (ti ; x(ti ))f (ti ; x(ti ))℄:
2
De a uerdo on esta formula, el metodo de aproxima ion es
1
xi+1 = xi + hf (ti ; xi ) + h2 [ft (ti ; xi ) + fx (ti ; xi )f (ti ; xi )℄: (8.7)
2
La formula de itera ion (8.7) se ono e on el nombre de Metodo de Taylor de orden 2 y
orresponde a la expresion (8.3) si onsideramos (t; x; h) = f (t; x)+ h2 [ft (t; x)+ fx(t; x)f (t; x)℄:
El metodo de orden 3 se onsigue000 derivando x00. En lo que sigue es ribimos simplemente x en
lugar de x(t). La formula para x queda en terminos de f y sus derivadas,
x000 (t) = ftt (t; x) + 2ftx (t; x)f (t; x) + fxx(t; x)f 2 (t; x)
+ft(t; x)fx (t; x) + ft2(t; x)f (t; x):
Continuando de esta manera se pueden al ular las derivadas de x hasta orden k en terminos
de f y sus derivadas. Esto nos da una manera de al ular metodos de aproxima ion de un paso
(solo usamos ti; xi y h para al ular la siguiente aproxima ion xi+1 ).
Para formalizar este pro edimiento introdu imos dos nota iones. Llamamos Dj f a la derivada
total de f respe to de t, es de ir
d(j )
Dj f (t; x) = f (t; x(t)):
dt
Por ejemplo, si j = 0, D0f (t; x) = f (t; x) y para j = 1, D1f (t; x) = ft(t; x) + fx(t; x)f (t; x).
Ahora, ponemos
k j
X h 1
Tk (t; x; h) = Dj f (t; x): (8.8)
j =1
j!
As, de (8.6) obtenemos la aproxima ion

x(t + h) x(t) + hTk (t; x; h)
de donde se tiene la siguiente formula de re urren ia,

xi+1 = xi + hTk (ti ; xi ; h):
Estos metodos se ono en omo metodos de Taylor de orden k. Su mayor problema es que
requieren en ontrar y evaluar derivadas su esivas de f (t; x).
Ejemplo 8.4. Apli ar el metodo de Euler y Taylor de orden 2 para el problema
0 +2 x;
x (t) = tt+1
x(0) = 1:
Cono emos la solu ion exa ta que orresponde a la fun ion x(t) = (t +1)et . En efe to, x(0) = 1
y x0(t) = (t +2)et = (t +2) (xt (t1)) . Esto nos va a permitir omparar las aproxima iones obtenidas
on los valores reales de x(t) omo muestra la Figura 8.2
Empezamos es ribiendo la itera ion que se obtiene usando el metodo de Euler.
8
< x0 = 1;
ti + 2
: xi+1 = xi + h x:
ti + 1 i
t x = (t + 1)et
Euler Taylor 2
0.000 1.000000 1.000000 1.000000
0.250 1.605032 1.500000 1.593750
0.500 2.473082 2.175000 2.440430
0.750 3.704750 3.081250 3.635223
1.000 5.436564 4.291741 5.306777
Tabla 8.2. Metodos de Euler y Taylor orden 2, x0 = tt+2
+1 x; x(0) = 1; paso h = 0:25.
Para el metodo de Taylor de orden 2 ne esitamos ono er x00 en terminos de (t; x). Al derivar
x , se obtiene
0
x00 =
1 x + t + 2 x0 = t2 + 4t + 3 x:
(t + 1)2 t + 1 (t + 1)2
Enton es, la itera ion del metodo de orden 2 es
8
< x0 = 1
t +2 h2 h t2i + 4ti + 3 i
xi+1 = xi + h i xi +
:
ti + 1 2 (ti + 1)2 xi :
Para dar una tabla de valores, en ambos asos, onsideramos h = 0:25 on lo ual t =
(0; 0:25; 0:5; 0:75; 1)
Gra amente se tiene
5.5
t
x=(t+1)e
Interpolación polinomial, M. de Euler
5 x0,…,x4: M. de Euler
Interpolación polinomial, M. de Taylor 2
x ,…,x : M. de Taylor 2
0 4
4.5
3.5
2.5
1.5
1
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Figura 8.2. Metodos de Euler y Taylor orden 2, x0 = tt+2

+1 x; x(0) = 1; paso h = 0:25.
1.3. Metodos de Runge-Kutta. Los metodos de un paso mas usados son los que se
ono en omo de Runge-Kutta. La idea es obtener aproxima iones que resulten del mismo
orden que las que se obtienen on los metodos de Taylor, pero sin tener que al ular derivadas
de f .
Veamos omo se dedu en los metodos de Runge-Kutta de orden 2. Re ordemos, ver (8.6), que
el metodo de Taylor de orden 2 se basa en la igualdad
x(t + h) = x(t) + hT2 (t; x(t); h) + O(h3 ):
Ahora bus amos 2(t; x; h) que no involu re al ulo de derivadas de f y que umpla
x(t + h) = x(t) + h2 (t; x(t); h) + O(h3 ):
Para esto es su iente que se umpla
T2 (t; x(t); h) 2 (t; x(t); h) = O(h2 ): (8.9)
Bus amos 2 de la siguiente forma
2(t; x; h) = A1f (t; x) + A2f (t + h; x + hf (t; x)) (8.10)
donde A1; A2 ; son valores a determinar.
Observemos que es natural que 0a un in remento h en la variable t le orresponda un in remento
hx en la variable x, siendo x = f (t; x).
0
Usando el desarrollo de Taylor para fun iones de dos variables obtenemos

f (t + h; x + hf (t; x)) = f (t; x) + ft (t; x)h + fx (t; x)hf (t; x) + O(h2 ):
Reemplazando en (8.10) tenemos
2 (t; x; h) = (A1 + A2 )f (t; x) + A2h[ft (t; x) + fx(t; x)f (t; x)℄ + O(h2 ):
Como T2(t; x; h) = f (t; x) + 12 h[ft(t; x) + fx(t; x)f (t; x) obtenemos (8.9) si pedimos
A1 + A2 = 1;
1
A2 = :
2
Despejando, se tiene
A2 = ;
1 A1 = 1
1:
2 2
Es de ir, hay innitas solu iones dependiendo de y por ende, innitos metodos posibles de la
forma
xi+1 = xi + h2 (ti ; xi ; h)
para 2(t; x; h) = (1 21 )f (t; x) + 21 f (t + h; x + hf (t; x)).
Eligiendo = 1=2 se tiene A1 = 0; A2 = 1, lo que da a lugar a la formula de re urren ia que se
ono e omo Metodo de Euler modi ado,
h h h
xi+1 = xi + f (ti + ; xi + f (ti; xi )) : (8.11)
2 2 2
Otra ele ion posible es = 1. En este aso A1 = A2 = 12 y se obtiene la itera ion que se ono e
omo Metodo de Heun,
h
xi+1 = xi + [f (ti ; xi ) + f (ti+1 ; xi + hf (ti ; xi ))℄ : (8.12)
2
En forma analoga a lo he ho para orden 2, se pueden onsiderar mas terminos en el desarrollo
de Taylor y dedu ir metodos de Runge-Kutta de mayor orden. Espe amente, un metodo de
Runge-Kutta de orden k tiene la forma
xi+1 = xi + hk (ti ; xi ; h)
donde k veri a las siguientes dos ondi iones
Tk (t; x(t); h) k (t; x(t); h) = O(hk ) (8.13)
siendo Tk el operador denido en (8.8) y, ademas, es de la forma
k (ti; xi; h) = A1f (1; 1 ) + + AN f (N ; N ): (8.14)

on (i; i) valores proximos a (ti; xi). Para determinar el metodo que usamos es ne esario
espe i ar los Ai y los puntos (i; i ).
Se demuestra que puede obtenerse (8.13) onsiderando en (8.14) N = k si k = 1; 2; 3; 4; N = k +1
si k = 5; 6 y N = k + 2 si k 7.
A modo de ejemplo presentamos un metodo de Runge-Kutta de orden 4, que es uno de los mas
usados.
h
xi+1 = xi +
6 [K1 + 2K2 + 2K3 + K4 ℄ ; (8.15)
Donde,
K1 = f (ti; xi ); K3 = f (ti + h2 ; xi + h2 K2 );
K2 = f (ti + h2 ; xi + h2 K1 ); K4 = f (ti + h; xi + hK3 ):
Ejemplo 8.5. Apli ar el metodo

p de Euler Modi ado y el metodo de Runge-Kutta de orden 4
dado en (8.15) para aproximar 2 omo solu ion del problema

x0 (t) = 21x ;
x(1) = 1:
onsiderando el intervalo [1; 2℄.
En ualquier aso, la fun ion a onsiderar es f (t; x) = 21x . Para el metodo de Euler Modi ado
la su esion de re urren ias orrespondiente a (8.10) es
p
t x= t
Runge-Kutta 2 Runge-Kutta 4
1.000 1.000000 1.000000 1.000000
1.250 1.118034 1.058824 1.119073
1.500 1.224745 1.114734 1.226467
1.750 1.322876 1.168117 1.325074
2.000 1.414214 1.219278 1.416760
Tabla 8.3. Metodos de Runge-Kutta, x0 = 21x ; x(1) = 1; paso h = 0:25.
xi+1 = xi +
h 1 = xi + h xi :
2 2xi + h2 21xi 4x2i + h
Para el metodo de orden 4 vamos a es ribir K1 ; K2 ; K3 y K4 sin desarrollar ompletamente las
expresiones.
1 K1 = K3 =
1
2x ; 1 2x +1hK2 ;
K2 = K4 =
2x + hK1 ; 2x + hK3 :
En la Tabla8.3 damos los valores obtenidos on ambos metodos para un paso h = 0:25. El ga o
orrespondiente se tiene en la Figura 8.3.
1.5
1/2
x=t
M. de Euler Modificado
x0,…,x4: Runge−Kutta orden 2
Runge−Kutta orden 4
1.4 x ,…,x : Runge−Kutta orden 4
0 4
1.3
1.2
1.1
0.9
1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2
Figura 8.3. Metodos de Runge-Kutta, x0 = 21x ; x(1) = 1; paso h = 0:25.

2. Analisis del error y Convergen ia
El objetivo de esta se ion es analizar ual es el error que se omete al utilizar los metodos
numeri os para aproximar la solu ion de una e ua ion de la forma (8.2). Para esto introdu imos
dos on eptos el error de trun amiento lo al y el error global. El primero orresponde al error
que se ometera al aproximar el valor de x(t + h) si se ono iera el valor exa to de x(t), mientras
que el segundo orresponde al error que se a umula al apli ar n pasos de un metodo, es de ir
x(tn ) xn .
2.1. Error de trun amiento lo al. Re ordemos que un metodo general de un paso esta
dado por xi+1 = xi + h(ti ; xi; h). Para estos metodos damos las siguientes deni iones
n 8.6. Llamaremos i al error de trun amiento lo al que se omete en el paso i-esimo.
Defini io
Este error esta dado por la expresion:
x(ti + h) = x(ti ) + h(ti ; x(ti ); h) + hi : (8.16)

Es de ir,
x(ti + h) x(ti )
i = (ti ; x(ti ); h) = (ti; x(ti ); h):
h
Para simpli ar la nota ion, uando esto no preste a onfusion, llamaremos al error de trun-
amiento lo al en un t generi o, es de ir
x(t + h) = x(t) + h(t; x(t); h) + h:

n 8.7. Diremos que el metodo es de orden k si el error de trun amiento lo al satisfa e
Defini io
= O(hk ):
Observemos que si usamos el desarrollo de Taylor de orden 1 obtenemos el error de trun amiento
lo al del metodo de Euler. Sabemos que
h2
x(t + h) = x(t) + hx0 (t) + x00 ( ) para algun 2 (t; t + h):
2
Por otra parte la expresion (8.16) es de la forma
x(t + h) = x(t) + hf (t; x(t)) + h;
de donde se sigue que
= h2 x00 (): (8.17)

En general se tiene:
2. ANA LISIS DEL ERROR Y CONVERGENCIA 177
n
Proposi io 8.8. El error de trun amiento lo al del metodo de Taylor de orden k esta dado
por
k
= (k h+ 1)! x(k+1)(); para algun 2 (t; t + h): (8.18)
En onse uen ia, este metodo es efe tivamente un metodo de orden k de a uerdo on la Deni-
ion 8.7.
Demostra ion. Se sigue de la Deni ion 8.6 y de la formula del resto para el desarrollo de Taylor
dada en (8.6).
Como los metodos de Runge-Kutta se obtienen onsiderando su ientes evalua iones de la fun-
ion f que dene la e ua ion diferen ial (8.2) y el desarrollo de Taylor de orden k tenemos:
Proposi io n 8.9. El error de trun amiento lo al de un metodo de de Runge-Kutta de orden k
veri a
= O(hk ):
Demostra ion. Se sigue de la igualdad (8.13), es de ir, Tk (t; x(t); h) k (t; x(t); h) = O(hk ) y
del error de trun amiento lo al de los metodos de Taylor.
2.2. Error global. Si x(t) es la solu ion de la e ua ion

0
x (t) = f (t; x(t))
x(t0 ) = x0 :
estudiaremos, para T > t0, omo estimar el error que se omete al aproximar el valor de x(T )
utilizando metodos de un paso. En parti ular, veremos omo depende este error del paso h.
Elegimos n 2 IN y t1; : : : ; tn puntos equiespa iados, ti = t0 + ih; i = 1; : : : ; n, on h = (T t0)=n
de manera tal que tn = T .
Teorema 8.10. Para n 2 IN y h = (T t0 )=n onsideremos el metodo de un paso dado por
xi+1 = xi + h(ti ; xi ; h);
on una fun ion Lips hitz en la segunda variable, o sea j(t; x; h) (t; y; h)j K jx yj
donde K es una onstante independiente de t y h.
Sea max = max fjijg donde i es el error de trun amiento lo al del metodo en el paso i.
1in
Enton es, se tiene
jx(T ) xnj max
K
(eK (T t0 ) 1):
Demostra ion.Sea ei = x(ti) xi, el error global que se omete hasta el paso i.
Consideramos la e ua ion del metodo y la deni ion de i (8.16),
xi+1 = xi + h(ti ; xi; h)

x(ti+1 ) = x(ti ) + h(ti ; x(ti ); h) + hi
luego,
ei+1 = x(ti+1 ) xi+1 = ei + h((ti ; x(ti ); h) (ti; xi; h)) + hi:

Usando que es Lips hitz se obtiene
jei+1 j jei j + hj(ti ; x(ti ); h) (ti; xi ; h)j + hji j
jei j + hK jx(ti ) xi j + hji j
(1 + Kh)jei j + hjij:
Como i max, llamando A = 1 + Kh en todos los pasos tenemos
jei+1 j Ajei j + hmax:

Usando esta a ota ion para i = 0 y teniendo en uenta que e0 = 0 tenemos
je1 j hmax;
je2 j Aje1 j + hmax Ahmax + hmax = (1 + A)hmax;
je3 j Aje2 j + hmax A(1 + A)hmax + hmax
= (A + A2)hmax + hmax
= (1 + A + A2 )hmax
Iterando el pro edimiento, podemos ver que
nX1
2 1
jen j (1 + A + A + + A )hmax = hmax Aj :
n
j =0
Ahora, usando la formula para suma de poten ias tenemos
jenj hmax AA 11 ;
n
es de ir
jen j hmax (1 + Kh ) 1 = max (1 + Kh)n 1:
n
Kh K
Como para > 0 se tiene
(1 + )n en
enton es,
jenj max
K
(
enKh 1) = max (eK (T t0 ) 1);
K
n
Observa io 8.11. (1) El teorema anterior requiere de la existen ia de una onstante de
Lips hitz K para . De existir una onstante as, ualquier otra mayor tambien sirve
para a otar el error utilizando el teorema.
(2) En uanto a la hipotesis sobre (debe ser Lips hitz) esto puede extraerse de una
ondi ion Lips hitz sobre f .
Ejemplo 8.12. Se utiliza el metodo de Taylor de orden 2 on un paso h < 1 para aproximar la
solu ion del siguiente problema:

x0 (t) = sen(x(t)) + os(x(t));
x(2) = 1
Hallar h para que el error ometido en t = 2:5 sea menor que 10 4 y dar un valor de n tal que
el termino n-esimo de la itera ion que da el metodo verique que jxn x(2:5)j < 10 4 .
Para estimar el error global ne esitamos dar una onstante Lips hitz para la fun ion de in re-
mento y estimar el error de trun amiento lo al .
Para ono er al ulamos x00 . Como x0 = sen(x) + os(x) se tiene que
x00 = x0 os(x) x0 sen(x) = os2 (x) sen2 (x) = os(2x):

Luego, (t; x; h) = sen(x) + os(x) + h2 os(2x). Busquemos una onstante de Lips hitz para .
Usamos que es derivable respe to de su segunda variable y ponemos z un valor intermedio
entre x e y, as se tiene
j(t; x; h) (t; y; h)j = j sen(x) + os(x) + h2 os(2x) [sen(y) + os(y) + h2 os(2y)℄j

= j os(z) sen(z) 2 h2 sen(z)j jx yj
[j os(z)j + j sen(z)j + hj sen(z)j℄jx yj
[2 + h℄jx yj:
Ahora, para en ontrar una onstante independiente de t y h tenemos en uenta el dato del
enun iado h < 1. Es de ir, obtenemos
j(t; x; h) (t; y; h)j 3jx yj;
on lo ual elegimos K = 3.
El paso siguiente es estimar . Para esto ne esitamos al ular x000, lo ha emos usando la expresion
de x , es de ir,
00
x000 = 2x0 sen(2x) = 2[sen(x) + os(x)℄sen(x):

2 2
j j = h3! jx000 ()j = j2 h6 [sen(x()) + os(x())℄sen(x())j 23 h2:
De donde max 32 h2 : Finalmente, siendo T = 2:5 y t0 = 2 tenemos
jenj max (eK (T t0 ) 1)

2 h2 (e3(0:5) 1) 2 h2 4 < h2 :
K 33 9
Como bus amos h < 1 tal que el error ometido sea menor que 10 4 basta on tomar h = 10 2 .
Notar que ualquier h mas peque~no tambien sirve.
Para dar el valor de n tal que jxn x(2:5)j < 10 4 re ordemos que (T t0)=n2 = h. Luego,
n = 0:5=h = 50 sirve y ualquier n > 50 tambien, ya si n > 50 enton es h < 10 .
Del Teorema 8.10 se dedu e que los metodos a un paso son onvergentes si hlim !0
= 0: Esto
se llama la ondi ion de onsisten ia para el metodo. En metodos de un paso onsisten ia y
onvergen ia son on eptos equivalentes.
Proposi io n 8.13. Si asumimos que es ontinua, se tiene que la onsisten ia equivale a la
igualdad x0 (ti ) = (ti ; x(ti ); 0): Como x es solu ion de la e ua ion diferen ial se tiene x0 (t) =
f (t; x(t)); y por tanto un metodo de un paso es onsistente si y solo si
(t; x; 0) = f (t; x): (8.19)

n
Observa io 8.14. Los metodos de Euler, los de Taylor y de Rungge-Kutta son onvergentes.
Demostra ion. Para los metodos de Taylor se tiene
1 1
x(ti + h) x(ti ) + hx0 (ti ) + h2 x00 (ti ) + + hk x(k) (ti );
2 k!
y por tanto
(t; x; h) = x0(t) + 21 hx00 (t) + + k1! hk 1 x(k)(t):
Al evaluar en h = 0 tenemos, (t; x; 0) = x0(t) = f (t; x).
En uanto a los metodos de Runge-Kutta, solo veri aremos los dados por las formulas (8.11) y
(8.12). El metodo de orden 4 dado por (8.15) queda omo ejer i io.
Para Runge-Kutta de orden 2 tenemos:
Metodo de Euler modi ado: xi+1 = xi + hf (ti + h2 ; xi + h2 f (ti; xi ));

Metodo de Heun: xi+1 = xi + h2 [f (ti; xi) + f (ti+1; xi + hf (ti; xi ))℄ :
Luego (t; x; h) = f (t + h2 ; x + h2 f (t; x)); y (t; x; h) = 12 f (t; x) + f (t; x + hf (t; x)) respe tiva-
mente. En ambos asos resulta
(t; x; 0) = f (t; x):
Apli a ion a sistemas de e ua iones: Observemos que si en lugar de una e ua ion tenemos
un sistema de e ua iones dado por
8
>
> x01 (t) = F1 (t; x1 (t); x2 (t); : : : ; xn (t));
>
< x02 (t) = F2 (t; x1 (t); x2 (t); : : : ; xn (t));
>
>
... ... ...
>
: 0
xn (t) = Fn (t; x1 (t); x2 (t); : : : ; xn (t));
on valores ini iales x1 (t0) = a1; : : : ; xn(tt0 ) = an, podemos pensar el problema en forma matri-
ial llamando X (t) = (x1 (t); : : : ; xn(t)) , y F la matriz que tiene en la la i-esima la fun ion
Fi (t; X (t)). Esto nos permite es ribir el sistema omo

X 0 (t) = F (t; X (t));
X (t0 ) = (a1 ; : : : ; an )t :
De esta manera, se pueden usar los metodos ya estudiados. Por ejemplo usando el metodo de
Euler queda
Xi+1 = Xi + hF (ti ; Xi );
donde Xi es un ve tor de n- oordenadas, i = 1; : : : ; n. En general, los metodos a un paso tienen
la forma
Xi+1 = Xi + h(ti ; Xi ; h):
Ejemplo 8.15. Se quiere dar la su e ion de re urren ias orrespondientes al metodo de Euler
para el sistema de e ua iones
8
< x0 (t) = 3y(t) 2t os(x(t));
y0 (t) = x2(t) ty(t);
:
x(0) = 1; y(0) = 2:
Notar que F1 (t; x; y) = 3y 2t os(x) y F2 (t; x; y) = x2 ty. Para estas fun iones el metodo
viene dado por

xi+1 = xi +h F1 (t; xi ; yi ) = xi +h 3yi 2ti os ( x i )
yi+1 yi F2 (t; xi ; yi ) yi x2 ti yi
i
de modo que empezando on x0 = 1; y0 = 2 el par de itera iones del metodo de Euler viene
dado por

xi+1 = xi + h(3yi 2ti os(xi ));
yi+1 = yi + h(x2i ti yi ):
3. Metodos multipaso lineales
Hasta ahora para aproximar las solu iones de x0 = f (t; x) nos basamos en el punto inmediato
anterior para al ular el siguiente, es de ir, empezando en x0 las itera iones de un paso son de
la forma
xn+1 = xn + h(tn ; xn ; h);
donde h es la distan ia entre dos tiempos onse utivos, es de ir, para puntos equiespa iados.
La losofa de los metodos multipaso es usar la informa ion obtenida hasta el momento (varias
aproxima iones anteriores a la que se quiere al ular). Es de ir, se quiere aproximar x en el paso
(n + 1)-esimo, x(tn+1), utilizando algunos de los valores ya al ulados omo xn; xn 1; xn 2 ; : : :
Si se onsidera un registro de k datos anteriores el metodo tiene la forma:
k 1
X k
X
k xn+k = j xn+j + h j f (tn+j ; xn+j ) (8.20)
j =0 j =0
Un metodo omo en (8.20) se ono e omo metodo multipaso de k pasos.

Por ejemplo, si aproximamos la derivada por
x(t + h) x(t h)
x0 (t)
2h
3. ME TODOS MULTIPASO LINEALES 183
onsiderando puntos equiespa iados nos queda

xn+1 xn 1
x0 (tn )
y omo 2h
x0 (tn ) = f (tn; x(tn )) f (tn; xn )

podemos poner
xn+1 xn 1
2h = f (tn; xn )
es de ir
xn+1 = xn 1 + 2hf (tn ; xn ):

E ste, resulta ser un metodo multipaso de dos pasos puesto que para al ular xn+1 se usan xn y
xn 1 .
Los metodos de integra ion tambien nos propor ionan ejemplos de metodos multipaso. Por
ejemplo, partimos del al ulo de la integral
Z tn+2
x(tn+2 ) x(tn ) = x0 (s) ds;
tn
y aproximamos el valor de la integral por la regla de Simpson, obteniendo

h 0
x(tn+2 ) x(tn ) (x (tn) + 4x0 (tn+1) + x0(tn+2)):
3
Como estamos resolviendo la e ua ion x0(t) = f (t; x(t)) podemos proponer el siguiente metodo
h
xn+2 xn =
3 (f (tn; xn) + 4f (tn+1; xn+1 ) + f (tn+2; xn+2))
que es un metodo multipaso de dos pasos.
En adelante, pondremos fn por f (tn; xn). Con esta nota ion, los metodos multipaso de k pasos
admiten la es ritura
k
X k
X
j xn+j = h j fn+j ; (8.21)
j =0 j =0
donde h es la distan ia entre dos nodos, j y j son oe ientes ono idos y k 6= 0.

Si k 6= 0, el termino k fn+k apare e en la suma de la dere ha on lo ual el valor a estimar
xn+k apare e involu rado en la e ua ion en la evalua ion de f . Por este motivo se di e que el
metodo es impl ito.
Cuando k = 0 el valor a en ontrar xn+k se puede despejar de datos ya ono idos y el metodo
se di e expl ito.
Con los ejemplos vistos hasta ahora tenemos que,
h
xn+2 xn = (fn + 4fn+1 + fn+2) (8.22)
3
es un metodo impl ito, que se ono e omo el metodo de Milne, mientras que el que resulta de
aproximar la derivada
xn+2 = xn + 2hfn+1
es un metodo de dos pasos expl ito.
Si usamos una formula del tipo
Z tn+k
x0 (s) ds h[A0 x0 (tn ) + + Ak x0 (tn+k )℄
tn+k 1
para aproximar integrales obtenemos un metodo de la forma,
xn+k xn+k 1 = h[A0 fn + + Ak fn+k ℄

Si es expl ito se ono e omo metodo de Adams-Bashforth y si es impl ito omo metodo de
Adams-Moulton (ver ejer i ios).
A menudo se usan estos metodos de a pares y se usa la diferen ia entre las aproxima iones
halladas por los dos metodos, xi x~i para estimar el error lo al. Este pro edimiento se ono e
omo \predi tor- orre tor".
Para omenzar a apli ar los metodos multipaso se ne esitan los primeros k valores que usual-
mente se al ulan on metodos a un paso.
Z tn+3
Ejemplo 8.16. Se quiere dar un metodo de multipaso que provenga de aproximar x0 (t) dt;
tn+1
on una formula de uadratura que utili e los nodos ftn ; tn+1 ; tn+2 g.
La formula de uadratura sera

Ax0 (tn ) + Bx0(tn+1 ) + Cx0 (tn+2 ):
Para fa ilitar el al ulo de los oe ientes A; B; C , trasladamos linealmente la situa ion a un
intervalo ono ido y bus amos la regla de uadratura en di ho intervalo.
Los valores de t onsiderados son ftn; tn+1 ; tn+2; tn+3g que ademas son equiespa iados, enton es
podemos onsiderar en su lugar lo nodos f 1; 0; 1; 2g. El problema se redu e a resolver el sistema
de e ua iones
A~ + B~ + C~ = 2
8
<
A~ + + C~ = 2 ;
: ~A + + C~ = 38
on A;~ B;
~ C~ los oe ientes orrespondientes a la uadratura en [0; 2℄, exa ta para f1; t; t2 g.
Puede verse que f 31 ; 23 ; 73 g son los valores bus ados, es de ir
Z 2
1
g(s) ds g( 1)
2 g(0) + 7 g(1):
0 3 3 3
Ahora,
Z tn+3 Z 2
x0 (t) dt = x0 (as + b)a ds;
tn+1 0
donde a; b orresponden al orrimiento t = as + b:

s=0 ! t = tn+1 = tn + h ) a = h
s=2 ! t = tn+3 = tn + 3h b = tn + h :
Es de ir, Z tn+3
1
x0 (t) dt h[ x0 (tn )
2 x0(tn+1) + 7 x0(tn+2 )℄:
tn+1 3 3 3
Ahora, omo x0(tn ) = f (tn; x(tn)) se aproxima por fn = f (tn; xn ) y ademas
x(tn+3 ) x(tn+1 ) h[ x0 (tn )

1 2 x0(tn+1) + 7 x0(tn+2 )℄;
3 3 3
proponemos el metodo
xtn+3 xtn+1 = h[ fn
1 2 fn+1 + 7 fn+2℄;
3 3 3
que es un metodo de multipaso expl ito de 3 pasos.
3.1. Convergen ia de los metodos multipaso. Empe emos por el error de trun amiento
para un metodo de k pasos
k
X k
X
j xn+j = h j fn+j
j =0 j =0
Si x(t) es la solu ion de x0 = f (t; x) el error de trun amiento lo al esta dado por
k
X k
X
j x(t + jh) h j x0 (t + jh) = h
j =0 j =0
Si x(t) es su ientemente regular, podemos expresar h en la forma
h = C0 x(t) + C1 hx0(t) + C2h2 x00 (t) + + Cq hq x(q) (t) +

Para ver esto, es ribimos
x(t + jh) = x(t) + x0(t)jh + x002(t) (jh)2 +

= x0(t) + x00(t)jh + x0002(t) (jh)2 +
x0 (t + jh)
Reemplazando en la expresion de e igualando poten ias de h tenemos
C0= 0 + + k ;
C1 = 1 + 22 + 33 + + kk 0 1 2 k ;
en general para ualquier q 1 los valores a onsiderar tienen la forma
Cq =
1 (1 + 2q 2 + 3q 3 + + kq k ) 1 (1 + 2q 1 2 + + kq 1 k ) (8.23)
q! (q 1)!
Defini io n 8.17. Un metodo de multipaso se di e de orden p, si los valores Cq , q 1 denidos

por (8.23) veri an C0 = C1 = = Cp = 0 y Cp+1 6= 0.
n
Proposi io 8.18. Para un metodo de multipaso de orden p el error satisfa e
h = Cp+1 hp+1 x(p+1) (t) + O(hp+2 ):

Para ver la onvergen ia, omo antes, jamos T y ponemos n y h tales que T = (n + k)h. (Notar
que estamos onsiderando el intervalo [0; T ℄.) Queremos
lim xn+k = x(T ):
h!0
Veremos que ondi iones debemos imponer al metodo para que esto o urra.
Primero pongamos el problema x0(t) = 0, x(0) = 1 (solu ion x 1). El metodo apli ado a este
problema se redu e a
Xk
j xn+j = 0:
j =0
Para ualquier metodo multipaso debemos tener ( omo k esta jo y h ! 0) que los k pasos del
metodo sean onvergentes, es de ir, xn+k ! x(T ), .. ., xn ! x(T ). Enton es podemos es ribir
xn+j = x(T ) + 'j (h) on 'j (h) ! 0 uando h ! 0.
Usando esto se obtiene
Xk k
X
j x(T ) + j 'j (h) = 0:
j =0 j =0
k
X
Como la segunda suma tiende a ero on h tenemos que, x(T ) j = 0:
j =0
Es de ir
C0 = 0:
Para que el metodo onverja, tambien debe ser C1 = 0. Para ver esto onsideremos el problema
x0 (t) = 1, x(0) = 0 que tiene omo solu ion x(t) = t. El metodo para este problema se redu e a
k
X k
X
j xn+j = h j
j =0 j =0
Es fa il veri ar que la su esion dada por
xl = lhM
es solu ion de este esquema donde
Pk
M = Pkj=0 j
j =0 jj
Si los valores ini iales se eligen de la forma xl = lhM el metodo va a produ ir la solu ion
xl = lhM y en parti ular
xn+k = (n + k)hM
Como suponemos que el metodo es onvergente se tiene que lo valores ini iales satisfa en xi !
x(0) = 0 uando h ! 0, y ademas xn+k ! x(T ), pero
xn+k = (n + k)hM = TM ! T
Enton es on luimos que
M =1
lo que nos da
C1 = 0:
Esto se denomina onsisten ia del metodo multipaso.
k
X k
X
Un metodo de multipaso de k pasos, j xn+j = h j fn+j , tiene aso iados dos polinomios
j =0 j =0
k
X k
X
p(z ) = j z j y q(z) = j z j : (8.24)
j =0 j =0
Con esta nota ion podemos enun iar el siguiente resultado.

Proposi io n 8.19. Si p y q son los polinmios denidos en (8.24),la onsisten ia de un metodo
de multipaso de k pasos esta dado por las ondi iones:
p(1) = 0; p0 (1) = q(1):
Para los metodos de un paso, la onsisten ia impli aba la onvergen ia, para los metodos mul-
tipaso se requiere una ondi ion adi ional la ondi ion de la raz.
Veamos esto. Ahora onsideremos el problema x0(t) = 0, x(t) = 0, uya solu ion es x(t) 0.
En este aso el metodo se redu e a
Xk
j xn+j = 0:
j =0
Esto des ribe una e ua ion en diferen ias que admite omo solu ion a la su esion
xm = hrim
donde ri es ualquiera de las ra es del polinomio p(z) dado en (8.24).
Si asumimos que el metodo es onvergente se tiene que

xn+k ! x(T ) = 0 h ! 0:
Ademas
xn+k = h(ri )n+k :
Para veri ar que xn+k ! 0, omo n = T=h ! 1 uando h ! 0 se debe tener que
jrij 1:
Enton es la onvergen ia impli a que todo ero de p(z) debe satisfa er
jrij 1:
Ademas, si ri es una raz multiple de p(z) podemos poner
xj = hj q (ri )j
on q m 1 (m es la multipli idad de la raz). Tenemos
xn+k = h(n + k)q rin+k

y omo h(n + k) = T para que xn+k ! 0 se debe tener
jrij < 1:
Las ondi iones que a abamos de analizar para la onvergen ia de un metodo de multipaso se
pueden resumen en la siguiente
Condi io n 8.20. (de la raz)
(1) jrij 1 si ri es un ero simple de p(r).

(2) jrij < 1 si ri es un ero multiple de p(r).
Ahora podemos enun iar el teorema
Teorema 8.21. Un metodo multipaso es onvergente si y solo si el metodo es onsistente y
satisfa e la ondi ion de la raz.
Ejemplo 8.22. Se quiere estudiar la onvergen ia de
(a) el metodo hallado en el Ejemplo 8.16.
(b) el metodo de Milne dado por la e ua ion (8.22).
El primer metodo a analizar es
xtn+3
7
xtn+1 = h[ fn+2
2 fn+1 + 1 fn℄;
3 3 3
Para estudiar la onsisten ia y la ondi ion de la raz es ribimos los polinomios p y q.

p(z ) = z 3 z y q(z ) = z 2
7 2z + 1:
3 3 3
La onsisten ia se veri a puesto que p(1) = 0 y p0(1) = 3z2 1jz=1 = 2 = q(1). Para la
ondi ion de la raz, vemos que las ra es de p son f 1; 0; 1g, todas distintas y de modulo menor
o igual a 1. Luego, el metodo es onvergente.
Para el metodo de Milne tenemos
1 4 1
p(z ) = z 2 1 y q(z ) = z 2 + z + :
3 3 3
La onsisten ia se veri a puesto que p(1) = 0 y p0(1) = 2zjz=1 = 2 = 36 = q(1). Para la
ondi ion de la raz, notar que las ra es de p son f 1; 1g sin multipli idad y de modulo menor
o igual a 1. Luego, el metodo es onvergente.
Para nalizar analizaremos el orden de onvergen ia de un metodo.
Ejemplo 8.23. Se quiere determinar el orden de onvergen ia de
(a) el metodo hallado en el Ejemplo 8.16.

(b) el metodo de Milne dado por la e ua ion (8.22).
Las onstantes Cq on q 1 dependen de j y j , j = 0; : : : ; k.
Para el tem (a), k = 3, (0 ; 1 ; 2 ; 3 ) = (0; 1; 0; 1) y (0 ; 1 ; 2 ; 3 ) = ( 13 ; 32 ; 73 ; 0).
Como 0 = 2 = 0 y 3 = 0 omitimos es ribirlos. Cal ulamos los oe ientes Cq :
C0 = 1 + 3 = 0;
C1 = 1 + 33 (0 + 1 + 2 ) = 1 + 3 ( 63 ) = 0;
C2 = 12 (1 + 32 3 ) (1 + 22 ) = 12 ( 1 + 9) 123 = 0:
C3 = 16 (1 + 33 3 ) 12 (1 + 22 2 ) = 16 ( 1 + 27) 12 ( 23 + 283 ) = 0;
C4 = 241 (1 + 34 3 ) 16 (1 + 23 2 ) = 241 ( 1 + 81) 61 ( 23 + 563 ) = 103 3 6= 0:
Luego, el metodo tiene orden de onvergen ia p = 3.
Para el metodo de Milne, k = 2, (0 ; 1 ; 2 ) = ( 1; 0; 1) y (0 ; 1 ; 2 ) = ( 13 ; 43 ; 13 ).
C0 = 0 + 2 = 0;
C1 = 22 (0 + 1 + 2 ) = 2 ( 63 ) = 0;
C2 = 21 (22 2 ) (1 + 22 ) = 12 (22 ) ( 43 + 23 ) = 0;
2
C3 = 61 (23 2 ) 12 (1 + 22 2 ) = 61 (23 ) 12 ( 34 + 23 ) = 0;
3
C4 = 241 (24 2 ) 16 (1 + 23 2 ) = 241 (24 ) 16 ( 43 + 23 ) = 0;
C5 = 1201 (25 2 ) 1 (1 + 24 2 ) = 1 (25 ) 1 ( 4 + 24 ) = 4 5 = 1 6= 0:
24 120 24 3 3 15 18 90
4. EJERCICIOS 191
El metodo resulta on orden de onvergen ia p = 4.
4. Ejer i ios
0
(1) Utilizar el metodo de Euler para resolver xx(0)= =2x1: en [0; 1℄;
empleando pasos h = 0:1, h = 0:05 y h = 0:01. Gra ar las tres solu iones numeri as
obtenidas junto on la solu ion exa ta.
(2) Ha er el mapa de urvas integrales en la region [0; 10℄ [0; 10℄ de la e ua ion diferen ial
x0 (t) = (x(t) 5):( os2 (t) 0:5);
gra ando simultaneamente, para k = 0; 1; : : : ; 10, la solu ion que se obtiene utilizando
el metodo de Euler on paso h = 0:01 y on ondi ion ini ial
x(0) = k:
0
(3) Considerar el problema xx(0)= =xx0 .
(a) Probar que el metodo de Euler on paso h genera la su esion:
xi = (1 + h)i x0 i = 0; 1; : : :
(b) Mostrar que si < 0, la solu ion exa ta tiende a ero a medida que x re e.
( ) Para < 0, determinar para que valores de h o urre que xi ! 0 uando i ! 1.
(4) Se onsidera el problema
0
x (t) = x(t) + t2 + 3 en [0; 2℄
x(0) = 2
(a) Demostrar que la solu ion es una fun ion onvexa.
(b) Utilizar los metodos de Euler expl ito e impl ito, on paso h = 0:05 para obtener
dos aproxima iones de la solu ion y gra arlas. De idir en que region del gra o
debera situarse la solu ion analti a del problema.
( ) Gra ar la solu ion que se logra al utilizar el omando ode45 de Matlab.
(5) Se onsidera la siguiente e ua ion diferen ial:
0
x (t) = 2x(t) 5sen(t)
x(0) = 1
uya solu ion exa ta es la fun ion x(t) = 2sen(t) + os(t). Gra ar simultaneamente
en el intervalo [0; 4℄ la solu ion exa ta y las que se obtienen on los metodos de Euler
y Taylor de orden 2, ambos on paso h = 0:05.
(6) Es riba un programa que resuelva la e ua ion diferen ial del Ejer i io 5 por algun
metodo de Runge-Kutta de orden 2 y de orden 4. Agregar estas solu iones al gra o
realizado en di ho ejer i io.
(7) Veri ar que la fun ion error, erf, puede ser denida omo la solu ion de la e ua ion
diferen ial (
x0 (t) = p2 e t2 :
x(0) = 0
Utilizar un metodo de Runge-Kutta de orden 2 para hallar erf(ti) on ti = 0; 0:05; 0:1;

0:15; : : : ; 1. Comparar on los valores obtenidos dire tamente on el omando erf de
Matlab.
(8) Considerar la e ua ion
x0 = x2 ; x(0) = 0:5
(a) Cal ular el tiempo T en que la solu ion analti a explota.
(b) Cal ular y gra ar en el intervalo [0; T 0:1℄ la aproxima ion a la solu ion de la
e ua ion utilizando el metodo de Euler adaptativo de parametro on un tal
que 1el tiempo en que explota la solu ion numeri a T diste de T en menos que
10 .
( ) Agregar al gra o anterior las aproxima iones obtenidas en el mismo intervalo on
el metodo de Euler usual on paso h = 0:05 y on el omando ode45.
(9) Probar que el metodo de Runge-Kutta de orden 4 dado en el Ejemplo ?? es onsistente.
(10) Hallar el error lo al para los metodos de Euler expl ito e impl ito.
(11) Se quiere estimar, apli ando el metodo de Euler, el valor de e omo x(1) donde x(t) es
solu ion de x0 =3 x; x(0) = 1. Hallar un paso h de modo que el error ometido resulte
menor que 10 . Realizar el mismo trabajo para el metodo de Taylor de orden 2.
(12) Considerar el problema x0 = 2tx, x(0) = 1, on t 0.
(a) Determinar una ota, en terminos de h, para el error ometido si se usa el metodo
de Euler para al ular x(1).
(b) >Como debera tomar h si se desea que el error ometido sea menor que 10 2 ?
( ) Cal ular la solu ion en t = 1 usando el valor de h obtenido en el item previo, y
veri ar las estima iones previstas omparando on la solu ion exa ta.
(13) Repetir los items (a) y (b) del ejer i io anterior para el problema:
0
x (t) = t sen2 (x(t))
x(0) = 1
(14) La traye toria de una part ula que se se mueve en el plano esta dada por las ur-
va (x1 (t); x2 (t)), donde las fun iones x1; x2 son la solu ion del siguiente sistema de
e ua iones diferen iales:
x01 (t) = x2 (t)
x02 (t) = x1 (t) x2 (t) :
Resolver este sistema en el intervalo [0; 20℄ on el metodo de Euler utilizando paso
h = 0:05 y gra ar la traye toria de la part ula, sabiendo que en tiempo t = 0 se
en ontraba en el punto (1; 1). Realizar nuevamente el gra o utilizando la solu ion
obtenida on el omando ode45.
(15) Probar que una e ua ion de orden n se puede es ribir omo un sistema de n e ua iones
de primer orden. Mostrar que un problema de valores ini iales para la primera se
transforma en un problema de valores ini iales para el sistema.
(16) Considerar el siguiente problema:
x00 3x0 + 2x = 0; on x(0) = 1; x0 (0) = 0:
Resolver la e ua ion analti amente y aproximar el valor x(1) on un metodo de Runge-
Kutta de orden 2 para distintos valores de h.
(17) Analizar la onvergen ia de los siguientes metodos y al ular su orden.
4. EJERCICIOS 193
Adams-Bashforth.
h
xn+3 xn+2 = (23fn+2 16fn+1 + 5fn ):
12
Adams-Moulton.
h
xn+3 xn+2 = (5fn+3 + 8fn+2 fn+1 ):
12
(18) Considerar el metodo de 2 pasos
xn+2 + axn+1 + axn = h(2 fn+2 + 1 fn+1 + 0 fn):
Determinar a; 2 ; 1 ; 0 de modo que el metodo resultante tenga orden 4.
(19) De idir si existe algun valor de a 2 IR para el ual el siguiente metodo multipaso sea
onvergente:
xn+3 3xn+2 + (3 a2 )xn+1 + (a2 1)xn = h[5fn+2 + ( a2 5)fn ℄:
p
(20) Mis elanea. Considerar la e ua ion x0 = jxj.
(a) Para el valor ini ial x(0) = 0, seguir las itera iones del metodo de Euler, on paso
h = 0:1 hasta llegar al valor de x(10):
(b) Gra ar la solu ion que se obtiene
6
al apli ar el metodo de Euler, si el valor de x(0)
es dado on un error de 10 , es de ir x(0) = 0:000001:
Nota: La gran propaga ion del error en el dato ini ial se debe a que esta e ua ion
tiene innitas solu iones si x(0) 8= 0. En parti ular, ualquiera sea > 0
< 0 t
x(t) = (t )2
:
4 t>
es solu ion de la misma.

ECN Apuntes

Enviado por

Dados do documento

Título original

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

ECN Apuntes

Enviado por

Direitos autorais:

Formatos disponíveis



ELEMENTOS DE CALCULO  RICO

Captulo 1. Punto otante y redondeo 1

4. Cuadratura Gaussiana 150

(x + y) = 0:78473 108 = x = x

Usando la formula para x2 tenemos

p(x) = (x 1)(x 2) : : : (x 19)(x 20) = x20 210x19 + : : : :

Observar que en la expresion 2 + 2 el valor de 2 es despre iable dado que  es

(a) Llamamos derivada dis reta de f en x = 1 al valor

Finalmente, el valor de  puede estimarse omo f = b2=d, o omo g = (b + )2 =(4d).

Consideramos el sistema de n e ua iones on n in ognitas

kxk1 = jx1j + + jxnj

kxk1  kxk1  nkxk1

kxk2  K kxk 8x 2 IRn (2.2)

kbk1 = 13:8 kxk1 = 1

kbk1 = 0:01 kxk1 = 1:63

105 kkbbkk22 = kkxxkk22

kAk = 0=6 max kAxk

Es de ir, la norma de A nos da lo maximo que \agranda" el multipli ar por A medido en la

kAxk  kAkkxk 8x 2 IRn

kAB k  kAkkB k 8A 2 IRnn ; 8B 2 IRnn (2.4)

kAxk  C kxk 8x 2 IRn

Es laro que Cond(A) depende de la norma de ve tores elegida.

1 = kI k = kAA 1 k  kAkkA 1 k = Cond(A)

kxk  Cond(A) kbk (2.5)

1 kbk  kxk (2.6)

Demostra ion. Se tiene que

kxk  Cond(A) kE k (2.7)

kxk  1 Cond(A) kE k (2.8)

kxk  kA 1 kkE kkx~k  Cond(A) kkEAkk kx~k

Ahora observemos que

De manera similar puede verse, aunque no lo haremos aqu, que

kAk1 = 2 + " kA 1 k1 = (2 + ")" 2

kxk = kA 1 (A B )xk  kA 1 kkA B kkxk

kyzT uk = kykjzT uj  kA1 1 k 8u 2 IRn tal que kuk = 1

 gra que la su esion al ulada, junto on el valor exa to de la norma de la matriz.

(19) La n-esima matriz de Hilbert Hn 2 IRnn; se de ne de la siguiente manera

El objetivo de este aptulo es estudiar diferentes formas de resolver un sistema lineal de n

1. Metodos dire tos

Segundo paso: Multipli ar por

As su esivamente hasta llegar a una matriz triangular superior

As hemos demostrado el siguiente teorema,

Ademas tenemos el siguiente orolario.

En el aso general, si ha e falta ambiar las, se tiene

hx; Axi > 0 8x 6= 0

En forma matri ial la itera ion de Ja obi se es ribe omo

es de ir la itera ion onverge ualquiera sea el dato ini ial x0 .

Es ritura matri ial de la itera ion Es ribimos

y aunque (A) no es una norma, se tiene

Demostra ion. Primero veamos que

Ahora veamos otra forma de probar estos resultados.

metodos iterativos (por ejemplo Ja obi y Gauss-Seidel). Supongamos que el metodo i (i = 1; 2)

Demostra ion. Re ordemos que

2.4. Matri es simetri as de nidas positivas. Un aso importante es el de A simetri a

Observemos que p(a) = 20 enton es 1 = a y omo p0(a) = 0, 1 = a es una raiz doble de p.

Ahora anali emos que pasa on el metodo de

Enton es el metodo de Gauss-Seidel onverge.

Ejemplo 3.17. Sea A 2 IR3 una matriz tridiagonal enton es,

Si ponemos A =  a21 a22 a23 A enton es BJ = D 1(L + U ) =  aa2122 0 a23 A

det(I BJ ) = 3  aa1211 aa2122 + aa2223aa3332 :

Analogamente, los autovalores  de BGS = (L + D) 1U son las ra es de

Ahora observemos que en lo anterior, dado  6= 0 autovalor de BGS en ontramos  autovalor de

Re ordemos algunas de ni iones

ELEMENTOS DE CALCULO RICO

Captulo 1. Punto otante y redondeo 1

Usando la formula para x2 tenemos

Observar que en la expresion 2 + 2 el valor de 2 es despre iable dado que es

Finalmente, el valor de puede estimarse omo f = b2=d, o omo g = (b + )2 =(4d).

Consideramos el sistema de n e ua iones on n in ognitas

kxk1 kxk1 nkxk1

kxk2 K kxk 8x 2 IRn (2.2)

Es de ir, la norma de A nos da lo maximo que \agranda" el multipli ar por A medido en la

kAxk kAkkxk 8x 2 IRn

kAB k kAkkB k 8A 2 IRnn ; 8B 2 IRnn (2.4)

kAxk C kxk 8x 2 IRn

1 = kI k = kAA 1 k kAkkA 1 k = Cond(A)

kxk Cond(A) kbk (2.5)

1 kbk kxk (2.6)

Demostra ion. Se tiene que

kxk Cond(A) kE k (2.7)

kxk 1 Cond(A) kE k (2.8)

kxk kA 1 kkE kkx~k Cond(A) kkEAkk kx~k

De manera similar puede verse, aunque no lo haremos aqu, que

kxk = kA 1 (A B )xk kA 1 kkA B kkxk

kyzT uk = kykjzT uj kA1 1 k 8u 2 IRn tal que kuk = 1

graque la su esion al ulada, junto on el valor exa to de la norma de la matriz.

(19) La n-esima matriz de Hilbert Hn 2 IRnn; se dene de la siguiente manera

El objetivo de este aptulo es estudiar diferentes formas de resolver un sistema lineal de n

1. Metodos dire tos

As su esivamente hasta llegar a una matriz triangular superior

As hemos demostrado el siguiente teorema,

Ademas tenemos el siguiente orolario.

En forma matri ial la itera ion de Ja obi se es ribe omo

es de ir la itera ion onverge ualquiera sea el dato ini ial x0 .

Es ritura matri ial de la itera ion Es ribimos

y aunque (A) no es una norma, se tiene

Demostra ion. Primero veamos que

metodos iterativos (por ejemplo Ja obi y Gauss-Seidel). Supongamos que el metodo i (i = 1; 2)

Demostra ion. Re ordemos que

2.4. Matri es simetri as denidas positivas. Un aso importante es el de A simetri a

Observemos que p(a) = 20 enton es 1 = a y omo p0(a) = 0, 1 = a es una raiz doble de p.

Ahora anali emos que pasa on el metodo de

Enton es el metodo de Gauss-Seidel onverge.

Si ponemos A = a21 a22 a23 A enton es BJ = D 1(L + U ) = aa2122 0 a23 A

det(I BJ ) = 3 aa1211 aa2122 + aa2223aa3332 :

Analogamente, los autovalores de BGS = (L + D) 1U son las ra es de

Ahora observemos que en lo anterior, dado 6= 0 autovalor de BGS en ontramos autovalor de

Re ordemos algunas deni iones

Observemos que si A 2 IRN N , A = AT y Hermitiana signi a simetri a.

pues zAz > 0 y z Dz > 0 (aii > 0 si A es denida positiva).

Demostra ion.Si L es triangular inferior on eros en la diagonal enton es det(D 1 ) = det((D +

no y, sin ha er al ulos, prede ir el omportamiento de las su esiones que se obtienen

1. Metodo de bise ion

2. Metodo regula falsi

Para analizar la onvergen ia del error miramos la su esion re ursiva

0 = f (r) = f (xn) (xn r)f 0(xn) + 12 (xn r)2 f 00( )

je1 j = jx1 rj je0 j:

je2 j = jx2 rj je1 j 2 je0 j

Demostra ion.Como f 0(r0) 6= 0 y f 0 es ontinua, existen > 0 y Æ > 0 tales que I =

Demostra ion. Si hay dos puntos jos, r1 , r2 on r1 6= r2 , tenemos

(1) jxn rj n njx0 rj

Observemos que esta formula es analoga a la de Newton reemplazando f 0 por un o iente

0 = g00 () = f 00() 2f [a; b; ℄;

je2 j 2KÆ je1 jje0 j 2KÆ "2

je3 j 2KÆ je2 jje1 j 2KÆ "2 2 "

je4 j 2KÆ je3 jje2 j 2KÆ "2 " 3 ":

Veamos el orden de onvergen ia del metodo de la se ante, tenamos

jen+1j = j 12 ff 0((n)) jjen jjen 1 j = n jenjjen 1 j;

jen+1 j = je j1 pje j = jenj :

Enton es, yn onverge al punto jo de la e ua ion x = 1x p1 (esto

(18) Sea f : IR>0 ! IR denida omo f (x) = 8xx 1 ex :

De manera analoga, para ada j = 1; : : : ; n;, el polinomio `j 2 Pn tal que

Demostra ion. Usando la base de Lagrange denimos

2. Error de interpola ion

Figura 5.2. Interpola ion de f (x) = os(x)

De aqu se dedu e que el error satisfa e

Corolario 5.8. Dados x0 ; : : : ; xn puntos distintos, existe intermedio, es de ir entre x0 ; : : : ; xn

4. Polinomios de T heby hev - Minimiza ion del Error

Una pregunta natural es omo elegir los puntos de interpola i

y omo os( + ) + os( ) = 2 os os , si ponemos x = os resulta

Tk+1 (x) = os((k + 1)) = 2 os os(k) os((k 1));

j(f p4)(0:8)j 48805!:79 0:11232 4:57:

5. Interpola ion de Hermite