Numeric Methods

Universidad de Oviedo
MTODOS NUMRICOS
Escuela Universitaria de Ingeniera Tcnica en Informtica de Oviedo (E.U.I.T.I.O)
Captulo 1: INTRODUCCIN AL CLCULO NUMRICO.

Captulo 1.1. EL OBJETIVO DEL CLCULO NUMRICO.
Dado un problema matemtico, el objetivo del Clculo Numrico es obtener el valor
numrico de la solucin. Este objetivo tiene dos aspectos fundamentales:
a) Encontrar un mtodo factible para determinar la solucin numrica (mtodos
numricos).
b) Analizar tanto el mtodo como la solucin calculada (anlisis numrico).
Captulo 1.1.1. MTODOS NUMRICOS:
El Clculo Numrico, que es esencialmente una rama de las Matemticas, difiere de las
Matemticas tradicionales en poner su nfasis central en las necesidades del Clculo
Numrico.
En particular, un mtodo numrico factible debe tener las siguientes propiedades:
Debe ser eficiente
Debe contener un nmero finito de operaciones
En las matemticas tradicionales es tpico que los mtodos se describan por argumentos
acadmicos o conceptuales que suelen ser poco eficientes desde el punto de vista de la
implementacin.
Un ejemplo puede ser la regla de Cramer para calcular un sistema de ecuaciones
lineales basada en el clculo recursivo de determinantes:
Un sistema de Cramer es un sistema A X
= B de n ecuaciones con n incgnitas y
rango n , es decir, tal que A 0 con la forma:
a11 x1 + a12 x2 + a13 x3 + ... + a1n xn = b1

a21 x1 + a22 x2 + a23 x3 + ... + a2 n xn = b2
a31 x1 + a32 x2 + a33 x3 + ... + a3n xn = b3
...
an1x1 + an 2 x2 + an 3 x3 + ... + ann xn = bn
Alberto Surez Lpez
Pgina 1
MTODOS NUMRICOS
En el cual la solucin del sistema, es decir, los valores de x1 , x 2 , x 3 ,, x n , vienen
dados por la expresin:
x1 =
A11b1 + A21b2 + A31b3 + ... + An1bn

=
A
b1
b2
a12
a22
b3
a32
...
bn an 2
a11 b1
a21 b2
a31 b3
x2 =
x3 =
A12 b1 + A22 b2 + A32 b3 + ... + An 3 bn

=
A
A13 b1 + A23 b2 + A33 b3 + ... + An 3 bn

=
A
...
an1 bn
a13 ... a1n

a23 ... a2 n
a33 ... a3n
an 3 ... ann
A
a13 ... a1n
a23 ... a2 n
a33 ... a3n
an 3 ... ann
A
a11
a21
a12
a22
a31
...
an1
a32
b1 ... a1n
b2 ... a2 n
b3 ... a3n
an 2
bn ... ann
A
...
xn =
A1n b1 + A2 n b2 + A3n b3 + ... + Ann bn

=
A
a11
a21
a31
a12
a22
a32
a13 ... b1
a23 ... b2
a33 ... b3
...
an1
an 2
an 3 ... bn
A
Para un sistema de n ecuaciones hay que resolver n + 1 determinantes. Cada uno de

esos determinantes se calculara por adjuntos de una lnea, lo cual conllevara a realizar, por
cada uno de esos determinantes, n determinantes de dimensin n 1 , as sucesivamente
hasta llegar a determinantes de dimensin la unidad, con lo cual se habrn
realizado (n + 1)! determinantes.
Para ilustrar el ejemplo, el caso de un sistema de 10 ecuaciones con 10 incgnitas
supondra realizar un total de 11! = 39.916.800 determinantes.
As decimos que un mtodo es eficiente en relacin con otro cuando su implementacin
supone un nmero considerablemente menor de operaciones con respecto al otro mtodo.
Alberto Surez Lpez
Pgina 2
MTODOS NUMRICOS
En algunos de los mtodos que estudiaremos (resolucin de ecuaciones no lineales), la
solucin del problema se obtendr como lmite de una sucesin de nmeros reales, es decir,
mediante un proceso infinito; pero en la prctica, al implementar tales mtodos debemos
reemplazar el proceso infinito por uno finito, es decir, con un nmero finito de operaciones. De
esta manera tendremos una solucin aproximada.
Captulo 1.1.1.1. ANLISIS NUMRICO:
Es probable que una de las partes ms importantes en el anlisis numrico sea el
estudio del error entre la solucin calculada aproximada y la verdadera solucin.
Captulo 1.1.1.2. ERROR ABSOLUTO:
Viene dado por la expresin e a
= x x * , siendo x la solucin exacta y x * la solucin
calculada.
Captulo 1.1.1.3. ERROR RELATIVO:
Viene dado por la expresin e r =
Alberto Surez Lpez
ea
.
x
Pgina 3
MTODOS NUMRICOS
Captulo 1.2. FUENTES DE ERROR. ERRORES EN LOS DATOS, ERRORES DE

TRUNCAMIENTO Y ERRORES DE REDONDEO.
La fuente de error principal es, de hecho, el error humano. Esto puede ser como
consecuencia, por ejemplo, de errores de lectura o interpretacin, utilizar mtodos incorrectos o
de una codificacin incorrecta en la implementacin del mtodo.
Las otras fuentes de error son:
Errores en los datos
Errores de truncamiento
Errores de redondeo
Y estn relacionados con tres conceptos claves en el anlisis numrico que son,
respectivamente:
Condicionamiento
Convergencia
Estabilidad
Captulo 1.2.1. ERRORES EN LOS DATOS:
Un problema no est definido exactamente, los datos estn aproximados. Tales errores
afectan, obviamente, a la solucin.
Se dice que un problema est bien condicionado si ligeras modificaciones en los datos
originan cambios pequeos en la solucin; en caso de que se origen o se pueden originar
grandes cambios en la solucin se dice que est mal condicionado.
Es frecuente que los sistemas de ecuaciones estn mal condicionados.
El condicionamiento es algo intrnseco al problema y no lo podremos erradicar
cambiando de mtodo, salvo replanteando el problema.
Captulo 1.2.2. ERRORES DE TRUNCAMIENTO:
Son debidos, fundamentalmente, al mtodo utilizado que al propio problema y se refieren
ms a sus propiedades matemticas.
Se cometen al sustituir un proceso infinito por otro finito con n iteraciones.
Diremos que el mtodo es convergente cuando el error cometido tiende a cero si el
nmero de iteraciones tiende a infinito.
Captulo 1.2.3. ERRORES DE REDONDEO:
Se originan cuando el mtodo se implementa en el ordenador y son debidos a la
representacin interna de los nmeros.
Alberto Surez Lpez
Pgina 4
MTODOS NUMRICOS
Captulo 2: INTERPOLACIN.
Captulo 2.1. INTRODUCCIN.
Supongamos que partimos de una tabla de valores de la funcin seno. Por ejemplo:
x ( )
sen( x )
60
65
70
75
80
0,866025
0,906308
0,939693
0,965926
0,984808
Cmo podramos calcular, por ejemplo, el valor de sen(66 ) ?

Para determinar dicho valor, de una manera aproximada, podramos construir un
polinomio P ( x ) tal que el polinomio coincida con la funcin f ( x ) = sen( x ) en los valores de la
tabla suministrada, tal que:
P (60 ) = 0,866025
P (65) = 0,906308
...
P ( x i ) = sen( x i )
As, sen(66 ) P (66 )
Pero, qu tipo de polinomio verificara est condicin?
Veamos unos ejemplos ms sencillos.
En primer lugar, suministramos una tabla con dos valores:
x0
x1
f (x 0 ) = y 0
f ( x1 ) = y1
Representando grficamente los puntos ( x 0 , y 0 ) y ( x1 , y1 ) vemos como definen una
recta. En este caso el polinomio que buscamos sera de la forma P ( x ) = c 0 + c1 x , esto es, un
polinomio de grado menor o igual a uno.
Alberto Surez Lpez
Pgina 5
MTODOS NUMRICOS
y
(x1 ,y1)
y1
(x0 ,y0)
y0
x1
x0
Ahora, suministraremos una tabla con tres valores:
f (x 0 ) = y 0
x0
f ( x1 ) = y1
f (x 2 ) = y 2
x1
x2
Representando grficamente los puntos ( x 0 , y 0 ) , ( x1 , y1 ) y ( x 2 , y 2 ) vemos como definen

una parbola. En este caso el polinomio que buscamos sera de la
forma P ( x ) = c 0 + c1 x + c 2 x , esto es, un polinomio de grado menor o igual a dos.

2
y
(x1 ,y1)
y1
(x2 ,y2)
y2
(x0 ,y0)
y0
x0
Alberto Surez Lpez
x1
x2
Pgina 6
MTODOS NUMRICOS
Observamos, pues, que para una muestra de n + 1 trminos es necesario un polinomio
de grado menor o igual a n .
Captulo 2.1.1. EL PROBLEMA DE LA INTERPOLACIN:
Sean x0 , x1 , x2 ,..., xn , n + 1 distintos pertenecientes a R y sea f una funcin real
definida en el intervalo I = a, b , con x 0 , x1 , x 2 ,..., x n I . Queremos construir un
polinomio P ( x ) de grado menor o igual a n que interpola a f en los puntos x0 , x1 , x2 ,..., xn , es

decir, que P ( x 0 ) = f ( x 0 ) , P ( x1 ) = f ( x1 ) , P ( x 2 ) = f ( x 2 ) , , P ( x n ) = f ( x n )
( n + 1 condiciones).
Demostraremos que tal polinomio existe y es nico, y lo denominaremos polinomio

interpolante.
En primer lugar demostraremos la unicidad y a continuacin la existencia,
construyndolo.
Captulo 2.1.2. TEOREMA DE EXISTENCIA Y UNICIDAD:
Vamos a verificar en primer lugar que existe, a lo sumo, un polinomio de grado menor o
igual a n que interpola a f en los n + 1 puntos distintos x0 , x1 , x2 ,..., xn :
Suponemos la existencia de dos polinomios P ( x ) y Q( x ) de grado menor o igual a n que
interpolan a f en los n + 1 puntos distintos x0 , x1 , x2 ,..., xn , es decir,
P ( x i ) = f ( x i ) y Q( x i ) = f ( x i ), i [0, n] .
Definimos ahora un polinomio R ( x ) = P ( x ) Q( x ) de grado menor o igual a n . De este

modo tenemos:
R( x 0 ) = P(x 0 ) Q(x 0 ) = f ( x 0 ) f ( x 0 ) = 0
R ( x1 ) = P( x1 ) Q( x1 ) = f ( x1 ) f ( x1 ) = 0
R( x 2 ) = P( x 2 ) Q( x 2 ) = f ( x 2 ) f ( x 2 ) = 0
...
R( x n ) = P( x n ) Q( x n ) = f ( x n ) f (x n ) = 0
Es decir, el polinomio R ( x ) es nulo en los n + 1 puntos x0 , x1 , x2 ,..., xn , o lo que es igual,
tiene n + 1 races. Sin embargo, de acuerdo con el teorema fundamental del lgebra, sabemos
que todo polinomio de grado menor o igual a n tiene n races (reales o imaginarias, iguales o
repetidas). Cmo podemos justificar esta aparente contradiccin? La nica posible solucin
es que R ( x ) sea el polinomio nulo, R ( x ) = 0 . En tal caso, tenemos R ( x ) = P ( x ) Q( x ) = 0 y
por tanto, P ( x ) = Q( x ) y queda demostrada la unicidad del polinomio interpolante.
Probaremos ahora la existencia de dicho polinomio mediante su construccin. Para

llevarla a cabo vamos a aplicar dos mtodos: la Frmula de Lagrange y la Frmula de Newton.
Alberto Surez Lpez
Pgina 7
MTODOS NUMRICOS
Captulo 2.2. POLINOMIO INTERPOLANTE. FRMULAS DE LAGRANGE Y
NEWTON
Captulo 2.2.1. FRMULA DE LAGRANGE:

Si x0 , x1 , x2 ,..., xn son n + 1 puntos distintos, el polinomio Pn ( x ) , de grado menor o igual
[ ]
a n , que verifica Pn ( x i ) = f ( x i ), i 0, n (polinomio de interpolacin) viene dado en la

frmula de Lagrange por la siguiente expresin:
Pn ( x ) = f ( x 0 )l 0. ( x ) + f ( x1 )l1. (x ) + f ( x 2 )l 2. (x ) + ... + f ( x n )l n. ( x ) =
n
i =0
f ( x i )l i. ( x ) ,
siendo l 0 ( x ), l1 ( x ), l 2 ( x ),..., l n ( x ) un polinomio de grado n que se anula en todos los
puntos x, f ( x ) excepto en uno en que su valor es la unidad.
(x x1 )( x x 2 )( x x3 )...(x x n )
l 0 (x ) =
(x 0 x1 )( x 0 x 2 )( x 0 x3 )...(x0 x n )
l 0 (x 0 ) = 1
l 0 ( x1 ) = 0
l 0 (x 2 ) = 0
...
l1 ( x n ) = 0
l1 ( x 0 ) = 0
l (x ) = 1
(x x 0 )( x x 2 )( x x3 )...(x x n ) 1 1
l1 ( x ) =
l (x ) = 0
(x1 x 0 )( x1 x 2 )( x1 x3 )...(x1 x n ) 1 2
...
l1 ( x n ) = 0
l 2 (x 0 ) = 0
(x x 0 )( x x1 )( x x3 )...(x x n )
l 2 (x ) =
(x 2 x 0 )( x 2 x1 )( x 2 x3 )...(x 2 x n )
l 2 ( x1 ) = 0
l 2 (x 2 ) = 1
...
l 2 (x n ) = 0
...
l 2 (x 0 ) = 0
(x x0 )( x x1 )( x x 2 )...(x x n 1 )
l n (x ) =
(x n x 0 )( x n x1 )( x n x 2 )...(x n x n 1 )
l 2 ( x1 ) = 0
l 2 (x 2 ) = 1
...
l 2 (x n ) = 0
l i (x ) =
n
(x x 0 )( x x1 )( x x 2 )...(x xi 1 )( x xi +1 )...(x x n )
x xk
=
(xi x 0 )( xi x1 )( xi x 2 )...(xi xi 1 )( xi xi +1 )...(xi x n ) k =0 xi x k
k i
Alberto Surez Lpez
Pgina 8
MTODOS NUMRICOS
Vamos a verificar que Pn ( x ) es el polinomio de interpolacin:
Pn ( x 0 ) = f ( x 0 )l 0. ( x ) + f ( x1 )l1. ( x ) + f ( x 2 )l 2. ( x ) + ... + f ( x n )l n. ( x ) =
= f (x 0 )1 + f ( x1 )0 + f ( x 2 )0 + ... + f ( x n )0 =
= f (x 0 )
La identidad se verifica sucesivamente para los distintos valores x0 , x1 , x2 ,..., xn .

Ejercicio:
Se dispone de la siguiente tabla de valores:
2
1
0
1
3
23
7
1
1
17
Calcular el polinomio de interpolacin aplicando la frmula de Lagrange.
P4 ( x ) = f ( 2 )l 0. ( x ) + f ( 1)l1. ( x ) + f (0 )l 2. ( x ) + f (1)l 3. ( x ) + f (3)l 4. ( x ) =
(x + 2)( x + 1)( x 1)( x 3) +

x( x + 1)(
x 1)(
x 3)
x( x + 2 )(
x 1)(
x 3)
7
1
10
30
6
x( x + 2 )(
x + 1)(
x 3)
x( x + 1)(
x + 2 )(
x 1)
+ 1
+ 17
12
120
= 23
Un problema que tiene la frmula de Lagrange es que si queremos aadir un nuevo

punto, x n +1 , el polinomio se tiene que volver a escribir desde cero ya que los
polinomios l 0 ( x ), l1 ( x ), l 2 ( x ),..., l n ( x ) y ahora, l n +1 ( x ) se tienen que volver a calcular. Este

problema se solventa con la frmula de Newton.
Captulo 2.2.2. FRMULA DE NEWTON:
La idea bsica es construir el polinomio en pasos sucesivos: primero construiremos el

polinomio P0 ( x ) , de grado menor o igual a cero, que coincide con la funcin en el punto x 0 ;
luego construiremos el polinomio P1 ( x ) , de grado menor o igual a uno, que coincide con la
funcin en los puntos x 0 , x1 , as hasta llegar al polinomio Pn ( x ) , de grado menor o igual
a n que coincide con la funcin en los puntos x0 , x1 , x2 ,..., xn . De este modo, cada polinomio
viene definido a partir del anterior, es decir, viene dado por una relacin de recurrencia.
P0 ( x ) P0 ( x 0 ) = f ( x 0 )
P1 ( x ) P1 ( x 0 ) = f ( x 0 ), P1 ( x1 ) = f ( x1 )
P2 ( x ) P2 ( x 0 ) = f ( x 0 ), P2 ( x1 ) = f ( x1 ), P2 ( x 2 ) = f ( x 2 )
...
Pn ( x ) Pn ( x 0 ) = f (x 0 ), Pn ( x1 ) = f ( x1 ), Pn ( x 2 ) = f ( x 2 ),..., Pn ( x n ) = f ( x n )
Alberto Surez Lpez
Pgina 9
MTODOS NUMRICOS
Vamos a calcular estos polinomios:
P0 ( x ) = f (x 0 ) = c 0
P1 ( x ) = P0 ( x ) + Q1 ( x )
P1 ( x 0 ) = f ( x 0 ) + Q1 ( x 0 )
P1 ( x ) = f (x 0 )
Q1 ( x 0 ) = 0
Q1 ( x ) = c1 ( x x 0 )
P1 ( x1 ) = f ( x 0 ) + Q1 ( x1 ) = f ( x 0 ) + c1 (x x 0 )
P1 ( x1 ) = f ( x1 )
c1 =
P1 ( x ) = c 0 + c1 (x x 0 )
f (x1 ) f (x 0 )
x1 x 0
P2 ( x ) = P1 ( x ) + Q2 ( x )
P2 ( x 0 ) = P1 ( x 0 ) + Q2 ( x 0 ) = f ( x 0 ) + Q2 (x 0 )
P2 ( x 0 ) = f ( x 0 )
P2 ( x1 ) = P1 ( x1 ) + Q2 ( x1 ) = f ( x1 ) + Q2 ( x1 )
P2 ( x1 ) = f ( x1 )
Q2 (x 0 ) = 0
Q2 ( x1 ) = 0
Q2 (x ) = c 2 (x x 0 )(
x x1 )
P2 ( x 2 ) = P2 ( x 2 ) + Q2 ( x 2 ) = c 0 + c1 ( x 2 x 0 ) + c 2 ( x 2 x 0 )(
x 2 x1 )
P2 ( x 2 ) = f ( x 2 )
c2 =
f ( x 2 ) c 0 c1 ( x 2 x 0 )
(x 2 x 0 )( x 2 x1 )
P2 ( x ) = c 0 + c1 ( x x 0 ) + c 2 ( x x 0 )(
x x1 )
As tenemos:
Pn ( x ) = c 0 + c1 ( x x 0 ) + c 2 ( x x 0 )(
x x1 ) + ... + c n ( x x 0 )(
x x1 )(
x x 2 )...( x x n 1 )
De este modo solventamos el inconveniente que tenamos al aadir ms puntos. Por

ejemplo, si aadimos un punto x n +1 :
Pn +1 (x ) = c 0 + c1 ( x x 0 ) + c 2 (x x 0 )(
x x1 ) + ... + c n +1 (x x 0 )(
x x1 )(
x x 2 )...(x x n )
Pero, cmo calculamos los coeficientes c 0 , c1 , c 2 ,..., c n ?

Captulo 2.2.3. DIFERENCIAS DIVIDIDAS DE UNA FUNCIN:
Dados n + 1 puntos distintos x0 , x1 , x2 ,..., xn y una funcin
f definida en tales puntos, se

llama diferencia dividida de la funcin f en los puntos x 0 , x1 , x 2 ,..., x n y se
representa f x 0 , x1 , x 2 ,..., x n , al coeficiente de x en el desarrollo del correspondiente

polinomio interpolador.
[ ]
[ ]
[ ]
[ ]
As, f x 0 = c 0 , f x1 = c1 , f x 2 = c 2 ,..., f x n = c n , siendo n el orden de la diferencia

dividida.
Alberto Surez Lpez
Pgina 10
MTODOS NUMRICOS
El valor de una diferencia dividida es independiente del orden en que se escriban sus
argumentos.
El polinomio de Newton, usando diferencias divididas, vendr dado por:
Pn ( x ) = f [x 0 ] + f [x1 ]( x x 0 ) + f [x 2 ](x x 0 )(
x x1 ) + ... +
+ f [x n ](x x 0 )(
x x1 )(
x x 2 )...(x x n 1 )
Verificndose que f x 0 , x1 , x 2 ,..., x n =
f [x1 , x 2 , x 3 ,..., x n ] f [x 0 , x1 , x 2 ,..., x n 1 ]

xn x0
De esta manera, las diferencias divididas de cualquier orden se definen a partir de las de
rdenes precedentes y su clculo se sintetiza en forma de tabla triangular:
x0
x1
x2
x3
f [x 0 ]
f [x 0 , x1 ] =
f [x1 ] f [x 0 ]
x1 x 0
f [x1 , x 2 ] =
f [x 2 ] f [x1 ]
x 2 x1
f [x 2 , x 3 ] =
f [x 3 ] f [x 2 ]
x3 x 2
f [x1 ]
f [x 2 ]
f [x 3 ]
f [x 0 , x1 , x 2 ] =
f [x1 , x 2 ] f [x 0 , x1 ]
x2 x0
f [x 0 , x1 , x 2 , x 3 ] =
f [x1 , x 2 , x 3 ] =
f [x 2 , x 3 ] f [x1 , x 2 ]
x 3 x1
f [x1 , x 2 , x 3 ] f [x 0 , x1 , x 2 ]
x3 x 0
Alberto Surez Lpez
Pgina 11
MTODOS NUMRICOS
Ejercicio:
Se dispone de la siguiente tabla de valores:
2
1
0
1
3
23
7
1
1
17
Calcular el polinomio de interpolacin aplicando la frmula de Newton, empleando

diferencias divididas.
P4 ( x ) = c 0 + c1 ( x x 0 ) + c 2 ( x x 0 )(
x x1 ) + c 3 ( x x 0 )(
x x1 )(
x x2 ) +
+ c 4 ( x x 0 )(
x x1 )(
x x 2 )(
x x3 )
23
f [x 0 , x1 ] = 16
f [x 0 , x1 , x 2 ] = 5
f [x 0 , x1 , x 2 , x 3 ] = 1
f [x1 , x 2 ] = 6
f [x1 , x 2 , x 3 ] = 2
1
f [x 2 , x3 ] = 2
f [x 0 , x1 , x 2 , x 3 , x 4 ] = 0
f [x1 , x 2 , x 3 , x 4 ] = 1
f [x 2 , x 3 , x 4 ] = 2
1 1
f [x 3 , x 4 ] = 8
3
17
P4 ( x ) = c 0 + c1 (x x 0 ) + c 2 ( x x 0 )(
x x1 ) + c 3 ( x x 0 )(
x x1 )(
x x2 ) +
+ c 4 (x x 0 )(
x x1 )(
x x 2 )(
x x3 ) =
= 23 + 16( x + 2) 5( x + 2)(
x + 1) +( x + 2)(
x + 1)x + 0( x + 2)(
x + 1)x( x 1) =
= x 3 2 x 2 + 3x 1
Alberto Surez Lpez
Pgina 12
MTODOS NUMRICOS
Captulo 2.3. ERROR EN LA INTERPOLACIN.
[ ]
R , n + 1 veces derivable en (a, b ) y sea Pn ( x ) el

Sea la funcin f : a, b
polinomio de grado menor o igual a n que interpola a la funcin en los n + 1 puntos distintos,
x 0 , x1 , x 2 ,..., x n [a, b] tales que a = x 0 < x1 < x 2 < ... < x n = b . Si x [a, b] , se verifica que
existe un punto c x tal que el error en x viene dado por la expresin:
()
()
()
e n x = f x Pn x =
=
1
f
(n + 1)!
( n +1)
1
f
(n + 1)!
( n +1)
(c ) (x x 0 )( x x1 )( x x 2 )...(x x n ) =
(c ) (x xi )
n
i =0
P(x)
x0
Si M
( n +1)
Alberto Surez Lpez
= sup f
x( a ,b )
x1
(x ) M , x (a, b ) , entonces en (x )
En este caso tomaremos M
f(x)
( n +1)
n
M
x xi .
(n + 1)! i =0
(x ) .
Pgina 13
MTODOS NUMRICOS
Ejercicio:
Se dispone de los siguientes valores de la funcin logaritmo neperiano:
ln x
9
9 .5
11
2.1972
2.2513
2.3979
a) Aproximar el valor de ln 9.2 utilizando interpolacin lineal. Dar una cota del error
cometido.
Vamos a construir el polinomio de interpolacin lineal aplicando la frmula de
Newton empleando diferencias divididas.
P1 ( x ) = c 0 + c1 ( x x 0 )
La tabla de diferencias divididas ser:
2.1972
9 .5
2.2513
11
2.3979
f [x 0 , x1 ] = 0.1082
f [x1 , x 2 ] = 0.0977
f [x 0 , x1 , x 2 ] = 0.0052
As, el polinomio de interpolacin vendr dado por:
P1 ( x ) = c 0 + c1 ( x x 0 ) = 2.1972 + 0.1082( x 9 )
Evaluando el valor de dicho polinomio en x = 9.2 obtendremos el valor aproximado
de ln 9.2
P1 (9.2 ) = 2.1972 + 0.1082(9.2 9 ) = 2.2188 ln 9.2
A continuacin vamos a evaluar el error cometido en la aproximacin:
()
en x =
n
1 ''
1
f (c ) (9.2 x i ) = f '' (c ) (9.2 9 )(
9 .2 9 .5 ) =
2!
2
i =0
0.06 ''
1
0.03
f (c ) = 0.03 f '' (c ) = 0.03 2 = 2
2
c
c
1 1 1
1
1
1
< <
c (9,9.5) 9.5 < c < 9
< 2 <
2
9 c 9 .5
9
c
9 .5 2
0.03 0.03
en x 2 =
81
9
b) Aproximar el valor de ln 9.2 utilizando interpolacin cuadrtica. Dar una cota del error
=
()
cometido.
Alberto Surez Lpez
Pgina 14
MTODOS NUMRICOS
Captulo 2.3.1. ERROR EN LA INTERPOLACIN LINEAL:
Sea una funcin
f , dos veces derivable en (x 0 , x1 ) , y sea P1 ( x ) el polinomio que
f en esos dos puntos. Sabemos que si x [x 0 , x1 ] ,

1
c ( x 0 , x1 ) e1 x = f x Pn x = f '' (c ) x x 0 x x1 .
2!
interpola a
() ()
()
)(
Vamos a hallar, a partir de esta expresin, una cota para el error (en valor absoluto) en la
interpolacin lineal, vlida para cualquier punto x x 0 , x1 .
(x x )( x x ) =
0
= t=
)(
) (x h x ) (x xh h)h
h = x1 x 0 = x x 0 x x 0 h =
x x0
(0,1) = t (t 1)h 2
h
x0
x1
()
1
e1 x = t (t 1) h 2 f '' (c )
2
g (t ) = t (t 1) = t (1 t ) = t t 2
g ' (t ) = 1 2t
g (t ) = 0
'
1 2t = 0
t=
1
(mximo)
2
1
1
=
2
4
11
e1 x h 2 f '' (c )
24
h2
e1 x f '' (c ) , x [x0 , x1 ]
8
()
()
Alberto Surez Lpez
Pgina 15
MTODOS NUMRICOS
Captulo 2.3.2. ERROR EN LA INTERPOLACIN CUADRTICA:
Sea una funcin f , tres veces derivable en ( x 0 , x 2 ) , y sea P2 ( x ) el polinomio que
interpola a f en los puntos x 0 , x1 , x 2 , tal que x 0 < x1 < x 2 . Sabemos que si x x 0 , x 2 ,
() ()
()
1
c ( x 0 , x 2 ) e1 x = f x Pn x = f
3!
'''
(c )(x x 0 )( x x1 )( x x 2 ) .
Vamos a hallar, a partir de esta expresin, una cota para el error (en valor absoluto) en la
interpolacin cuadrtica, vlida para cualquier punto x x 0 , x1 y supuesto, adems, que las
abscisas de los nodos son equidistantes.
(x x )( x x )( x x ) = h = x x = (x x )( x x h)( x x 2h) =
(x x ) (x x h) (x x 2h)h = t = x x (0,2) = t(t 1)( t 2)h
=
0
2h
h
x0
x1
x2
()
1
e 2 x = t (t 1)(
t 2) h 3 f ''' (c )
3!
t (1 t )(
t 2 ) si t [0,1]
t 3 3t 2 + 2t
=
g (t ) = t (t 1)(
t 2) =
t (t 1)(
t 2 ) si t (1,2] t 3 + 3t 2 2t
3t 2 6t + 2
g ' (t ) =
si t (0,1)
3t + 3t 2 si t (1,2 ) 3t 2 6t + 2 = 0
2
g ' (t ) = 0
t =1
si t [0,1]
si t (1,2]
3
(mximo)
3
g 1+
3
3
3
3
3
3
3
= 1+
1 1+
2 = 1+
1+
1
=
3
3
3
3
3
3
3
= 1
1 3 2 3 2 3
=
=
3 3
3 3
9
max t (t 1)(
t 2) =
t(0 , 2 )
Alberto Surez Lpez
2 3
9
Pgina 16
MTODOS NUMRICOS
()
As, e 2 x =
()
e2 x
h3
9 3
1
t (t 1)(
t 2) h 3 f
3!
f
'''
'''
(c )
(c ) , x [x 0 , x 2 ]
Ejercicio:
[ ]
Acotar el error de interpolacin para la funcin f ( x ) = e en el intervalo 0,1 , cuando se

x
interpola por un polinomio de grado 2 en los nodos 0,
()
h3
1 c
e
3
9 3
9 3 2
c (0,1) 0 < c < 1 e 0 < e c < e1
e2 x
()
e2 x
' ''
(c ) =
1
,1 .
2
1 < ec < e
e
72 3
Captulo 2.3.3. OBSERVACIONES AL RESULTADO REFERENTE AL ERROR EN LA
INTERPOLACIN:
Si se interpola, por ejemplo, la funcin seno, tenemos que f

As, el error vendr dado por:
()
()
()
1
e n x = f x Pn x =
f
(n + 1)!
( n +1)
(c ) (
n
i =0
( n +1)
(x ) 1, x R .
n
1
x xi
x xi
(n + 1)!
i =0
Por otra parte:
x0=a
x1
x2
xn=b
x x 0 x x1 x x 2 ... x x n (b a )(
b a )(
b a )...(b a )
As, se verifica que:
n +1
(
b a)
e n (x )
(n + 1)!
Alberto Surez Lpez
Pgina 17
MTODOS NUMRICOS
Qu ocurre cuando aumentamos los nodos?
n +1
(
b a)
lim
n (n + 1)!
=0
Vemos, pues, que a medida que incrementamos el nmero de nodos el error cometido
en la interpolacin tiende a cero.
Pero en general, no se consigue disminuir el error incrementando el nmero de nodos y
por lo tanto, el grado del polinomio.
Para algunas funciones, la cota del error aumenta a medida que aumenta n . Un elevado
nmero de puntos puede dar lugar a polinomios con muchas oscilaciones que aproximan mal a
la funcin que se interpola, especialmente en los extremos del intervalo.
Por ejemplo:
1
en [ 5,5]
1 + x2
P4 ( x ) en 5,3,0,3,5
La funcin f ( x ) =
Alberto Surez Lpez
Pgina 18
MTODOS NUMRICOS
P10 ( x ) en 5,4,...,0,...,4,5
P20 (x ) en 5,4.5,...,0,...,4.5,5
Para solucionar estos problemas introduciremos el concepto de la interpolacin a trozos.
Alberto Surez Lpez
Pgina 19
MTODOS NUMRICOS
Captulo 2.4. INTERPOLACIN POLINMICA A TROZOS.

Una buena forma de obtener, por interpolacin, una funcin es la interpolacin a trozos o
interpolacin segmentaria que consiste en dividir el intervalo a, b en subintervalos lo
suficientemente pequeos y aproximar la funcin en esos subintervalos mediante polinomios
de grado pequeo.
[ ]
Captulo 2.4.1. INTERPOLACIN LINEAL A TROZOS:

Sea f dos veces derivable en (a, b ) y dados n + 1 puntos a = x 0 < x1 < x 2 < ... < x n = b ,
se aproxima la funcin f en cada intervalo de la forma x i , x i +1 , i = 0,..., n 1 mediante la recta
que une los puntos ( x i , f ( x i )) y ( x i +1 , f ( x i +1 )) .

y
f(x3)
f(x1)
f(x2)
f(x0)
x0
Alberto Surez Lpez
x1
x2
x3
Pgina 20
MTODOS NUMRICOS
Captulo 2.4.1.1. ERROR EN LA INTERPOLACIN LINEAL A TROZOS:
Queremos calcular una cota para el error en la interpolacin lineal a trozos independiente
del punto escogido.
( ) 18(x
1
Si x [x , x ] , e (x ) ( x
8
[
Si x x 0 , x1 , e1 x
1
()
()
x 0 ) f '' (c1 ) , c1 ( x 0 , x1 )
x1 ) f '' (c 2 ) , c1 ( x1 , x 2 )
1
2
e1 x ( x n x n 1 ) f '' (c n ) , c1 ( x n 1 , x n )
8
1
2
As, si x [x 0 , x n ], e1 x = f x P1 x max {x i +1 , x i } M ,
8 0i n 1
( n +1)
(x ) M , x (a, b ) .
siendo f
Si x x n 1 , x n ,
()
()
Si las abscisas de los nodos son equidistantes, entonces, el error cometido en la

interpolacin lineal a trozos vendr dado por:
()
1
e1 x h 2 M
8
Ejercicio:
Sea la funcin f ( x ) = x en el intervalo 1,1 .

3
a) Se desea generar una tabla de valores de f con abscisas equiespaciadas de forma

que la interpolacin lineal a trozos entre dos puntos consecutivos tenga un error
menor que 310
f (x )
1
1+ h
1 + 2h
...
1 + nh
. Determinar el nmero mnimo de puntos.
El error cometido viene dado por:
()
1
e1 x h 2 M
8
Calculamos el valor de M :
f '' (c ) M
f (x ) = x 3
f ' ( x ) = 3 x 2
f '' (c ) 6, c [ 1,1]
Alberto Surez Lpez
''
(x ) = 6x
Pgina 21
MTODOS NUMRICOS
As:
()
()
1
3
e1 x h 2 6 = h 2 3
8
4
h 2 310 4
4
e1 x 310 4
h 2 410 4 0
1 2
h 10 4
4
h 2 410 4
(h + 210 )( h 210 ) 0
2
hmax = 210 2
Por otra parte sabemos que:
h=
b a 1 ( 1) 2
=
=
n
n
n
Y por tanto:
h = 210 2
2
210 2 =
2
n
h=
n
10 2 =
1
n
n = 100
El mnimo nmero de puntos es n + 1 = 101 puntos.

b) Se desea utilizar un nico polinomio interpolante (con nodos equidistantes) en todo
4
el intervalo, manteniendo la cota del error 310 . Determinar el nmero mnimo de

puntos y el polinomio de interpolacin.
Anteriormente hemos probado que con interpolacin lineal es necesario
emplear 101 puntos para que el error cometido sea menor que 310
Vamos a probar ahora con la interpolacin cuadrtica.
f (x )
1
0
1
El error cometido viene dado por:
()
e2 x
9 3
h 3 M
Calculamos el valor de M :
(c ) M
f (x ) = x 3
f ' ( x ) = 3 x 2
f ''' (c ) = 6, c [ 1,1]
f
'''
''
(x ) = 6x
'''
(x ) = 6
As:
( ) 1 M = 1 6
9 3
9 3
e (x ) 310
e1 x
2
3 3
310 4 ?
Con tres nodos equidistantes no se puede asegurar que el error sea menor
que 310
Alberto Surez Lpez
Pgina 22
MTODOS NUMRICOS
Vamos a probar ahora la interpolacin cbica.
f (x )
1
1 3
13
1
Tenemos que calcular un polinomio de grado menor o igual a 3 y en el que se

verifique el valor de la funcin en los nodos anteriores. Deducimos, pues, que el
polinomio de interpolacin coincide con la propia funcin, luego el error es cero.
As, el mnimo nmero de puntos necesarios es cuatro y el polinomio de
interpolacin es P3 ( x ) = x = f ( x ) .
3
Alberto Surez Lpez
Pgina 23
MTODOS NUMRICOS
Captulo 3: AJUSTE DE DATOS Y APROXIMACIN DE FUNCIONES.

El estudio de la teora de aproximacin se puede plantear desde dos puntos de vista. En
un caso, conocida explcitamente una funcin o bien conocidos los valores que alcanza la
funcin en determinados puntos, tratamos de buscar una funcin simple, un polinomio, que
coincida con ella en dichos valores y que nos sirva de punto de partida para aproximar la
funcin en otros puntos. Este caso ya ha sido tratado en el tema anterior (Captulo 2:
Interpolacin).
Otra opcin es la bsqueda de un tipo especfico de funciones, no necesariamente
polinomios, que optimicen la aproximacin a los datos que tenemos de nuestra funcin. Desde
este punto de vista trataremos el tema de la aproximacin de funciones.
Trataremos, en primer lugar, un caso particular de funcin que se utiliza en gran cantidad
de problemas como es la bsqueda de la recta de regresin, es decir, la recta que mejor
aproxime a la funcin en ciertos puntos.
Alberto Surez Lpez
Pgina 24
MTODOS NUMRICOS
Captulo 3.2. AJUSTE Y APROXIMACIN POR MNIMOS CUADRADOS.

Supongamos que tenemos una tabla de puntos de la funcin, que seran dados
obtenidos experimentalmente o valores generados por una cierta funcin, y buscamos la
recta F ( x ) = a + bx que mejor aproxime dichos puntos. Pero, en qu sentido se habla de
aproximacin?
y
f(x4)
f(x2)
f(x3)
f(x1)
x1
x2
x3
x4
Vamos a llamar:
d = [ y1 F ( x1 )] + [ y 2 F (x 2 )] + [ y 3 F ( x 3 )] + ... + [ y n F (x n )] =
2
= ( y1 a bx1 ) + ( y 2 a bx 2 ) + ( y 3 a bx 3 ) + ... + ( y n a bx n ) =
2
n
i =1
( yi
a bx i )
Deseamos minimizar esta distancia d . (aproximacin o ajuste mnimo cuadrtico).

Podemos considerar d como una funcin de a y b :
d = d (a, b ) .
Alberto Surez Lpez
Pgina 25
MTODOS NUMRICOS
Tenemos, pues, que calcular los valores de a y b que hagan mnima la distancia d . Por la
teora de funciones de varias variables, sabemos que d alcanza un mnimo en el
)si:
d
d
(
(a
a ,b )= 0 =
a
b
*
punto P a , b
As:
, b*
d * *
a , b = 2 y1 a * b * x1 2 y 2 a * b * x 2 2 y 3 a * b * x 3 ...
a
2 y n a * b * x n = 0
(
(
d
(a
b
) (
) (
, b * = 2 x1 y1 a * b * x1 2 x 2 y 2 a * b * x 2 2 x 3 y 3 a * b * x 3 ...
2xn yn a * b* xn = 0
(
2( y
) (
) (
)
a b x )= 0
2 x ( y a b x ) 2 x ( y a b x ) 2 x ( y a b x ) ...
2 x ( y a b x ) = 0
(y a b x ) + (y a b x ) + (y a b x ) + ... + (y a b x ) = 0
x ( y a b x ) + x ( y a b x ) + x ( y a b x ) + ... + x ( y a b x ) = 0
2 y1 a * b * x1 2 y 2 a * b * x 2 2 y 3 a * b * x 3 ...
*
y1 + y 2 + y 3 + ... + y n = a n + b ( x1 + x 2 + x 3 + ... + x n )
*
x1 y1 + x 2 y 2 + x 3 y 3 + ... + x n y n = a * ( x1 + x 2 + x 3 + ... + x n ) + b * x12 + x 22 + x 32 + ... + x n2

n
i =1
n
i =1
yi = a * n + b*
x1 yi = a
i =1
n
i =1
xi
xi + b
*
n
i =1
2
i
n
i =1
xi
i =1
n
i =1
xi
2
i
a*
b*
i =1
n
i =1
yi
x1 yi
Se puede demostrar que este sistema de ecuaciones siempre ser compatible y el nico
caso en que tenga infinitas soluciones es cuando los puntos ( x, y ) sean todos iguales.
Alberto Surez Lpez
Pgina 26
MTODOS NUMRICOS
Ejercicio:
Dados los valores {(0,1), (1,3), (3,5), ( 1,0 )}. Determinar la recta que mejor aproxime
dichos valores.
f (x )
1
3
5
0
x
0
1
3
1
4
3 10
a
b
9
18
a=b=
9
7
9
F ( x ) = (1 + x )
7
6
y = 1,2857x + 1,2857
5
4
3
2
1
0
-2
-1
Hemos visto como podemos aproximar una funcin mediante una recta.
Alberto Surez Lpez
Pgina 27
MTODOS NUMRICOS
Vamos ahora a buscar la parbola que mejor aproxime los puntos dados. La expresin
general de dicha parbola es: F ( x ) = a + bx + cx .

2
En este caso tenemos:
d = d (a, b, c ) = [ y1 F ( x1 )] + [ y 2 F ( x 2 )] + [ y 3 F ( x 3 )] + ... + [ y n F ( x n )] =
2
(
+ (y
) + (y
a bx cx ) =
(y a bx cx )
= y1 a bx1 cx12
n
i =1
a bx 2 cx 22
) + (y
2
a bx 3 cx32
+ ... +
2 2
n
2 2
i
Vamos a minimizar esta distancia (ajuste mnimo cuadrtico).
Sabemos que d alcanzar un mnimo en el punto P a , b , c
d * * *
d * * * d * * *
a ,b ,c
a ,b ,c = 0 =
a ,b ,c =
a
b
c
As:
) si:
d * * *
a , b , c = 2 y1 a * b * x1 c * x12 2 y 2 a * b * x 2 c * x 22
a
2 y 3 a * b * x 3 c * x 32 ... 2 y n a * b * x n c * x n2 = 0
(
(
d
(a
b
) (
, b * , c * = 2 x1 y1 a * b * x1 c * x12 2 x 2 y 2 a * b * x 2 c * x 22
2 x 3 y 3 a * b * x 3 c * x 32 ... 2 x n y n a * b * x n c * x n2 = 0
d * * *
a , b , c = 2 x12 y1 a * b * x1 c * x12 2 x 22 y 2 a * b * x 2 c * x 22
c
2 x 32 y 3 a * b * x 3 c * x 32 ... 2 x n2 y n a * b * x n c * x n2 = 0
Alberto Surez Lpez
Pgina 28
MTODOS NUMRICOS
(
2( y
) (
)
a b x c x ) ... 2( y a b x c x ) = 0
2 x ( y a b x c x ) 2 x ( y a b x c x )
2 x ( y a b x c x ) ... 2 x ( y a b x c x ) = 0
2 x ( y a b x c x ) 2 x ( y a b x c x )
2 x ( y a b x c x ) ... 2 x ( y a b x c x ) = 0
(y a b x c x ) + (y a b x c x ) + (y a b x c x ) + ... +
+ (y a b x c x ) = 0
x ( y a b x c x ) + x ( y a b x c x ) + x ( y a b x c x ) + ... +
+ x ( y a b x c x ) = 0
x ( y a b x c x ) + x ( y a b x c x ) + x ( y a b x c x ) + ... +
+ x ( y a b x c x ) = 0
y + y + y + ... + y = a n + b ( x + x + x + ... + x ) + c (x + x + x + ... + x )
x y + x y + x y + ... + x y = a (x + x + x + ... + x ) + b (x + x + x + ... + x ) +
+ c (x + x + x + ... + x )
x y + x y + x y + ... + x y = a (x + x + x + ... + x ) + b (x + x + x + ... + x ) +
+ c (x + x + x + ... + x )
2 y1 a * b * x1 c * x12 2 y 2 a * b * x 2 c * x 22
*
2
1
2
3
i =1
n
i =1
3
1
4
1
2
n
2
1
3
2
3
3
4
2
i =1
x i2 y i = a *
Alberto Surez Lpez
n
i =1
2
2
2
2
2
n
2
n
2
2
2
2
2
n
2
n
2
2
2
3
2
3
2
n
2
1
2
2
2
2
2
3
2
3
2
n
2
1
2
2
2
3
2
1
2
n
2
2
2
3
2
n
3
n
2
n
4
3
2
3
2
1
2
2
2
3
2
n
3
1
3
2
3
3
3
n
4
n
y i = a * n + b *
xi y i = a *
2
3
2
1
2
3
2
1
2
2
2
1
2
3
i =1
2
n
2
1
2
1
n
i =1
xi + c *
xi + b *
n
i =1
x i2 + b *
n
i =1
x i2
x i2 + c *
n
i =1
n
n
i =1
x i3 + c *
x i3
n
i =1
x i4
n
i =1
n
i =1
xi
x i2
n
i =1
n
i =1
n
i =1
xi
x i2
x i3
x i2
a*
x i3 b * =
i =1
c*
n
4
xi
i =1
n
i =1
i =1
n
i =1
n
i =1
Pgina 29
yi
xi y i
x i2 y i
MTODOS NUMRICOS
Ejercicio:
Calcular la parbola que mejor aproxima, en el sentido de los mnimos cuadrados, a la
funcin f ( x ) = 3 x en los puntos 1 , 0 y 8 .
f (x )
1
0
2
1
0
8
3
65
7 65 511 b = 17 b = 0.9167
65 511 4097 c
127
c
0.833
F ( x ) = a + bx + cx 2 = 0.9167 x 0.833x 2
3
2,5
2
y = -0,0833x2 + 0,9167x - 3E-14
1,5
1
0,5
0
-2
-0,5
10
-1
-1,5
Alberto Surez Lpez
Pgina 30
MTODOS NUMRICOS
Vamos a extender el problema del ajuste mnimo cuadrtico al caso ms general de
considerar que la funcin aproximadamente sea de la siguiente manera:
F ( x ) = c1 1 ( x ) + c 2 2 (x ) + c 3 3 ( x ) + ... + c k k ( x )
Es decir, la funcin aproximadamente es una combinacin lineal de las funciones i ( x ) ,

elegidas por quien construye la funcin.
Por ejemplo:
Para k = 2 :
Para k = 3 :
1i ( x ) = 1 2 (x ) = x
F ( x ) =c 1 + c 2 x
recta
1i ( x ) = 1 2 ( x ) = x 3i ( x ) = x 2
parbola
F ( x ) =c 1 + c 2 x + c 3 x 2
As, la funcin a aproximar vendr dada por la expresin:
d (c1 , c 2 , c 3 ,..., c k ) = [ y1 F (x1 )] + [ y 2 F ( x 2 )] + [ y 3 F ( x 3 )] + ... + [ y n F ( x n )] =

2
= [ y1 c1 1 ( x1 ) c 2 2 (x1 ) c 3 3 ( x1 ) ... c k k (x1 )] +

2
+ [ y 2 c1 1 ( x 2 ) c 2 2 ( x 2 ) c 3 3 ( x 2 ) ... c k k ( x 2 )] +
2
+ [ y 3 c1 1 ( x 3 ) c 2 2 ( x 3 ) c 3 3 ( x 3 ) ... c k k ( x 3 )] +
2
+ ... +
+ [ y n c1 1 ( x n ) c 2 2 ( x n ) c 3 3 ( x n ) ... c k k ( x n )] =
2
n
i =1
yi
k
j =1
c j j ( x i )
d alcanzar un mnimo en el punto P c1* , c 2* , c 3* ,..., c k* si y slo si se verifica:

d * * *
d * * *
d * * *
c1 , c 2 , c 3 ,..., c k* = 0 =
c1 , c 2 , c 3 ,..., c k* =
c1 , c 2 , c 3 ,..., c k* = ... =
c 3
c1
c 2
d * * *
c1 , c 2 , c 3 ,..., c k*
c k
Alberto Surez Lpez
Pgina 31
MTODOS NUMRICOS
As:
d * * *
c1 , c 2 , c 3 ,..., c k* = 2[ y1 c1 1 ( x1 ) c 2 2 ( x1 ) c 3 3 ( x1 ) ... c k k ( x1 )]1 ( x1 )
c1
2[ y 2 c1 1 ( x 2 ) c 2 2 ( x 2 ) c 3 3 ( x 2 ) ... c k k ( x 2 )] 1 ( x 2 )
2[ y 3 c1 1 ( x 3 ) c 2 2 ( x 3 ) c 3 3 (x 3 ) ... c k k (x 3 )] 1 ( x 3 )
...
2[ y n c1 1 ( x n ) c 2 2 ( x n ) c 3 3 (x n ) ... c k k ( x n )]1 ( x n ) = 0
d * * *
c1 , c 2 , c 3 ,..., c k* = 2[ y1 c1 1 ( x1 ) c 2 2 ( x1 ) c 3 3 ( x1 ) ... c k k ( x1 )] 2 ( x1 )
c 2
2[ y 2 c1 1 ( x 2 ) c 2 2 ( x 2 ) c 3 3 ( x 2 ) ... c k k ( x 2 )] 2 (x 2 )
2[ y 3 c1 1 ( x 3 ) c 2 2 ( x 3 ) c 3 3 (x 3 ) ... c k k (x 3 )] 2 ( x 3 )
...
2[ y n c1 1 ( x n ) c 2 2 ( x n ) c 3 3 (x n ) ... c k k ( x n )] 2 ( x n ) = 0
d * * *
c1 , c 2 , c 3 ,..., c k* = 2[ y1 c1 1 ( x1 ) c 2 2 ( x1 ) c 3 3 ( x1 ) ... c k k ( x1 )] 3 ( x1 )
c 3
2[ y 2 c1 1 ( x 2 ) c 2 2 (x 2 ) c 3 3 ( x 2 ) ... c k k ( x 2 )] 3 ( x 2 )
2[ y 3 c1 1 ( x 3 ) c 2 2 ( x 3 ) c 3 3 ( x 3 ) ... c k k ( x 3 )] 3 (x 3 )
...
2[ y n c1 1 ( x n ) c 2 2 ( x n ) c 3 3 ( x n ) ... c k k ( x n )] 3 ( x n ) = 0
...
d * * *
c1 , c 2 , c 3 ,..., c k* = 2[ y1 c1 1 ( x1 ) c 2 2 ( x1 ) c 3 3 ( x1 ) ... c k k ( x1 )] k ( x1 )
c k
2[ y 2 c1 1 ( x 2 ) c 2 2 ( x 2 ) c 3 3 ( x 2 ) ... c k k ( x 2 )] k ( x 2 )
2[ y 3 c1 1 ( x 3 ) c 2 2 ( x 3 ) c 3 3 (x 3 ) ... c k k (x 3 )] k ( x 3 )
...
2[ y n c1 1 ( x n ) c 2 2 ( x n ) c 3 3 (x n ) ... c k k ( x n )] k (x n ) = 0
Alberto Surez Lpez
Pgina 32
MTODOS NUMRICOS
[ y1 c1 1 (x1 ) c 2 2 (x1 ) c3 3 (x1 ) + ... + c k k (x1 )]1 (x1 ) +

+ [ y 2 c1 1 ( x 2 ) c 2 2 ( x 2 ) c 3 3 ( x 2 ) ... c k k ( x 2 )]1 ( x 2 ) +
[ y 3 c1 1 (x3 ) c 2 2 (x3 ) c3 3 (x3 ) ... c k k (x3 )]1 (x3 ) +
+ ... +
+ [ y n c1 1 ( x n ) c 2 2 ( x n ) c 3 3 ( x n ) ... c k k ( x n )]1 (x n ) = 0
[ y1 c1 1 (x1 ) c 2 2 (x1 ) c3 3 (x1 ) ... c k k (x1 )] 2 (x1 ) +

+ [ y 2 c1 1 ( x 2 ) c 2 2 ( x 2 ) c 3 3 ( x 2 ) ... c k k ( x 2 )] 2 ( x 2 ) +
+ [ y 3 c1 1 ( x 3 ) c 2 2 ( x 3 ) c 3 3 ( x 3 ) ... c k k ( x 3 )] 2 ( x 3 ) +
+ ... +
+ [ y n c1 1 ( x n ) c 2 2 ( x n ) c 3 3 ( x n ) ... c k k ( x n )] 2 ( x n ) = 0
[ y1 c1 1 (x1 ) c 2 2 (x1 ) c 3 3 (x1 ) ... c k k (x1 )] 3 (x1 ) +

+ [ y 2 c1 1 (x 2 ) c 2 2 ( x 2 ) c 3 3 (x 2 ) ... c k k ( x 2 )] 3 (x 2 ) +
+ [ y 3 c1 1 (x 3 ) c 2 2 (x 3 ) c 3 3 (x 3 ) ... c k k ( x 3 )] 3 ( x 3 ) +
+ ... +
+ [ y n c1 1 (x n ) c 2 2 ( x n ) c 3 3 ( x n ) ... c k k ( x n )] 3 ( x n ) = 0
[ y1 c1 1 (x1 ) c 2 2 (x1 ) c3 3 (x1 ) ... c k k (x1 )] k (x1 ) +

+ [ y 2 c1 1 ( x 2 ) c 2 2 ( x 2 ) c 3 3 ( x 2 ) ... c k k ( x 2 )] k ( x 2 ) +
+ [ y 3 c1 1 ( x 3 ) c 2 2 ( x 3 ) c 3 3 ( x 3 ) ... c k k ( x 3 )] k ( x 3 ) +
+ ... +
+ [ y n c1 1 ( x n ) c 2 2 ( x n ) c 3 3 ( x n ) ... c k k ( x n )] k ( x n ) = 0
Alberto Surez Lpez
Pgina 33
MTODOS NUMRICOS
n
i =i
n
i =i
n
i =i
[ y i c1 1 (xi ) c 2 2 (xi ) c3 3 (xi ) + ... + c k k (xi )]1 (xi ) = 0

[ y i c1 1 (xi ) c 2 2 (xi ) c3 3 (xi ) + ... + c k k (xi )] 2 (xi ) = 0
[ y i c1 1 (xi ) c 2 2 (xi ) c3 3 (xi ) + ... + c k k (xi )] 3 (xi ) = 0
...
n
i =i
n
i =1
n
i =1
n
i =1
[ y i c1 1 (xi ) c 2 2 (xi ) c3 3 (xi ) + ... + c k k (xi )] k (xi ) = 0
y i 1 ( xi ) =
y i 2 ( xi ) =
y i 3 ( xi ) =
(c (x )
i =1
n
i =1
+ c 2 1 (xi ) 2 ( xi )+c3 1 ( xi ) 3 ( xi ) + ... + c k 1 ( xi ) k ( xi )
(c (x ) (x ) + c (x )
1
+ c3 2 ( xi ) 3 (xi ) + ... + c k 2 ( xi ) k ( xi )
(c (x ) (x ) + c (x ) (x ) + c (x )
n
i =1
(c
+ ... + c k 3 (xi ) k ( xi )
...
n
i =1
n
i =1
n
i =1
n
i =1
y i k ( xi ) =
n
i =1
y i 1 ( x i ) = c1
n
i =1
y i 2 ( x i ) = c1
y i 3 ( x i ) = c1
n
i =1
n
i =1
(xi )1 (xi ) + c 2 k (xi ) 2 (xi ) + c3 k (xi ) 3 (xi ) + ... + c k k (xi )2 )
1 (x i )2 + c 2
n
i =1
1 (x i ) 2 (x i ) + c 3
2 (x i ) 1 (x i ) + c 2
3 (x i ) 1 (x i ) + c 2
n
i =1
n
i =1
n
i =1
2 (x i )2 + c 3
1 (x i ) 3 (x i ) + ... + c k
n
i =1
n
i =1
2 (x i ) 3 (x i ) + ... + c k
3 ( x i ) 2 (x i ) + c 3
n
i =1
3 (x i )2 + ... + c k
1 (x i ) k (x i )
n
i =1
n
i =1
2 (x i ) k (x i )
3 (x i ) k (x i )
...
n
i =1
y i k ( x i ) = c1
Alberto Surez Lpez
n
i =1
k ( x i ) 1 (x i ) + c 2
n
i =1
k ( x i ) 2 (x i ) + c 3
n
i =1
k (x i ) 3 (x i ) + ... + c k
Pgina 34
n
i =1
k (x i )2
MTODOS NUMRICOS
n
i =1
n
i =1
n
i =1
n
i =1
y i 1 ( x i )
n
y i 2 ( x i )
y i 3 ( x i )
i =1
n
i =1
...
y i k ( x i )
i =1
i =1
1 ( x i )2
i =1
2 (x i )1 (x i )
3 (x i ) 1 (x i )
...
k (x i ) 1 (x i )
n
i =1
n
i =1
1 (x i ) 2 (x i )
n
i =1
2 (x i )2
n
i =1
n
i =1
3 (x i ) 2 (x i )
k (x i ) 2 (x i )
1 (x i ) 3 (x i ) ...
2 (x i ) 3 (x i ) ...
n
i =1
n
i =1
3 (xi )
...
n
i =1
n
i =1
n
i =1
k (x i ) 3 (x i ) ...
1 (x i ) k ( x i )
c1
2 (x i ) k (x i ) c
2
3 (x i ) k (x i )
n
i =1
k (xi )
Para simplificar esta ecuacin matricial podemos definir una matriz B tal que su
expresin venga dada por:
1 ( x1 ) 1 ( x 2 ) 1 ( x 3 ) ... 1 ( x n )
2 ( x1 ) 2 ( x 2 ) 2 ( x 3 ) ... 2 ( x n )
B = 3 ( x1 ) 3 ( x 2 ) 3 ( x 3 ) ... 3 (x n )
...
k ( x1 ) k ( x 2 ) k (x 3 )
k (x n )
y1
y2
De este modo se cumple que A = B B y b = B y 3

t
...
yn
Y la ecuacin matricial anterior vendr dada por:
y1
c1
y2
c2
t
B y 3 = B B c 3
...
yn
Alberto Surez Lpez
...
ck
Pgina 35
c3
...
ck
MTODOS NUMRICOS
Ejercicio:
Plantear y resolver el problema de ajuste mnimo cuadrtico de una coleccin de puntos
del plano {( x1 , y1 ), ( x 2 , y 2 ), ( x 3 , y 3 ),..., ( x n , y n )} mediante una funcin del
tipo F ( x ) = a + bx .
2
k = 2:
n
i =1
n
i =1
1 (x ) = 1
2 (x ) = x 2
i =1
i =1
2 (x i ) 1 (x i )
n
n
n
1 ( x i )2
x i2
i =1
n
i =1
x i2
x i4
1 (x i ) 2 (x i )
n
i =1
2 ( x i )2
n
a
=
i =1
i =1
=
b
i =1
n
i =1
y i 1 ( x i )
y i 2 ( x i )
yi
y i x i2
Aplicar el apartado anterior para determinar la funcin F ( x ) = a + bx de ajuste mnimo

2
cuadrtico de la coleccin de puntos {( 1,1), (0,4 ), (1,5), (2,3), (3,0 )} .
f (x )
1
4
5
3
0
1
0
1
2
3
Se trata de calcular los valores de a y b tales que d (a, b ) =
i =1
(y
a b x i2
sea
mnima.
15
15 99
a
b
13
18
As, F ( x ) = 3.76 0.38 x
Alberto Surez Lpez
a 3.76
b 0.38
2
Pgina 36
MTODOS NUMRICOS
Captulo 3.2.1. AJUSTE DE MNIMOS CUADRADOS CON LINEALIZACIN DE LOS DATOS:
Ejercicio:
Aproximar una funcin que pasa por los puntos (1,0.5) , (2,1.7 ) , (3,3.4 ) , (4,5.7 ) y
(5,8.4) mediante una funcin del tipo F (x ) = ax b , utilizando el mtodo de ajuste de mnimos
cuadrados con linealizacin de los datos.
y
0 .5
1 .7
3 .4
5 .7
8 .4
x
1
2
3
4
5
y = a x b
ln y = ln a x b
ln y = ln a + ln x b
ln y = ln a + b ln x
c1
c2
z = z ( x ) = c1 + c 2 t
t = ln x
0
0.6931
1.0986
1.3863
1.6094
n
n
i =1
z = ln y
0.6931
0.5306
1.2238
1.7405
2.1282
ti
i =1
n
i =1
ti
t i2
c
1 =
c2
4.7874
4.7874 6.1993
i =1
n
i =1
c1
c2
zi
z i t i
4.9300
7.5502
c1 = 0.6912
a = e 0.6912 = 0.5010
c 2 = 1.7517 = b
y = F ( x ) = 0.5010 x 1.7517
Alberto Surez Lpez
Pgina 37
MTODOS NUMRICOS
Captulo 4: INTEGRACIN NUMRICA. MTODOS DE COTES Y

MTODOS DE GAUSS.
El problema a resolver sera calcular, de manera aproximada, integrales definidas de la
forma I =
b
a
f ( x )dx , suponiendo f ( x ) continua en todo el intervalo [a, b] .
[ ]
Si conocemos una funcin F ( x ) , continua en a, b , que sea primitiva de f ,
F ( x ) = f (x ) , el problema estara resuelto, aplicando la regla de Barrow:

'
I=
b
a
f ( x )dx = F (b ) F (a ) .
Sin embargo, existen funciones, como por ejemplo f ( x ) = e , que carecen de funcin
primitiva (definida con funciones elementales), y por tanto, la regla de Barrow no puede
aplicarse.
x2
En conclusin, el problema de evaluar numricamente una integral definida se nos

presenta cuando no podemos aplicar directamente la regla de Barrow o cuando slo
conocemos un conjunto de puntos de f , pero no la expresin analtica de la funcin.
Alberto Surez Lpez
Pgina 38
MTODOS NUMRICOS
Captulo 4.2. FRMULAS DE TIPO INTERPOLATORIO.

Las frmulas de integracin numrica, tambin llamadas de cuadratura, son del tipo
siguiente:
[1]
b
a
f ( x )dx A0 f ( x 0 ) + A1 f ( x1 ) + A2 f (x 2 ) + ... + An f ( x n ) =
[ ]
n
k =0
Ak f ( x k ) ,
con x 0 , x1 , x 2 ,..., x n a, b , n + 1 puntos y A0 , A1 , A2 ,..., An IR coeficientes denominados

pesos.
Una frmula de cuadratura [1] se dice que es de tipo interpolatorio si y solamente si, por
definicin, dicha frmula se ha obtenido mediante la integral del polinomio Pn ( x ) que interpola a
[ ]
[ f (x 0 )l 0 (x ) + f (x1 )l1 (x ) + f (x 2 )l 2 (x ) + ... + f (x n )l n (x )]dx =
a
los n + 1 puntos x 0 , x1 , x 2 ,..., x n a, b :

b
a
f ( x )dx
b
a
Pn ( x )dx =
= f (x 0 ) l 0 ( x )dx + f ( x1 ) l1 ( x )dx + f ( x 2 ) l 2 ( x )dx + ... + f ( x n ) l n ( x )dx

b
Una frmula [1] es de tipo interpolatorio si y slo si Ak =
b
a
l k ( x )dx, k = 0...n .
[ ]
Tomando por nodos los extremos del intervalo a, b , supongamos que deseamos
calcular vamos a calcular la integral
cuadratura
b
a
b
a
f ( x )dx mediante la frmula de
f ( x )dx (b a ) f (a ) + (b a ) f (b ) . Pero est frmula es de tipo
interpolatorio? En principio no podemos afirmar esta hiptesis. Entontes, cmo podemos

tomar los pesos para que la frmula sea de tipo interpolatorio?
Vamos a ver cmo calculando el polinomio que interpola a f en x = a y x = b e
integrando dicho polinomio llegaremos a la expresin:
b
a
f ( x )dx
ba
ba
f (a ) +
f (b ) .
2
2
Demostracin:
a) Calculamos el polinomio de interpolacin, Pn ( x ) .
De acuerdo con la frmula de Lagrange, el polinomio que interpola a f en
los n + 1 puntos distintos x 0 , x1 , x 2 ,..., x n viene dado por la expresin:
n
i =0
f ( x i )l i. ( x )
Siendo l 0 ( x ), l1 ( x ), l 2 ( x ),..., l n ( x ) un polinomio de grado n que se anula en todos los
puntos x, f ( x ) excepto en uno en que su valor es la unidad,
l i (x ) =
n
x xk
=
k i
Alberto Surez Lpez
Pgina 39
MTODOS NUMRICOS
As, obtenemos:
l 0 (x ) =
xb
xa
y l1 ( x ) =
ab
ba
Y el polinomio de interpolacin vendr dado por:
P2 ( x ) = f (a )l 0. ( x ) + f (b )l1. (x ) = f (a )
b) Integramos
b
a
f ( x )dx
b
a
Pn ( x )dx
xb
xa
+ f (b )
ab
ba
xb
xa
+ f (b )
dx =
ab
ba
b x b
b x a
f (a ) b
f (b )
= f (a )
dx + f (b )
dx =
(x b )dx +
a a b
a ba
ab a
ba
b
f ( x )dx
Pn ( x )dx =
f (a ) x 2
=
b x
ab 2
f (b ) x 2
+
a x
ba 2
f (a ) b
a
b2
ab
ab 2
2
2
Alberto Surez Lpez
f (a )
b
a
(x a )dx =
=
a
f (b ) b 2
a2
+
ab
a2
ba 2
2
Pgina 40
MTODOS NUMRICOS
f (a ) b 2
a2
b2
ab
2
ab 2
f (a ) b 2
f (b ) b 2
a2
a2
b2
+ ab +
ab
+ a2 =
2
2
ab 2
ba 2
f (b ) b 2
a2
ab
a2
2
ba 2
f (a )
f (b ) b 2
b2 a2
a2

+ ab +
ab +
=
2
2
2
ab
ba 2
=
f (a )
f (b ) a 2 + b 2
a2 + b2
ab
+
ab =
2
2
ab
ba
f (a )
f (a ) a 2 + b 2
f (b ) a 2 + b 2
f (b )
ab
ab =
+
2
2
ab
ab
ba
ba
f (a ) f (b )
f (a ) f (b ) a 2 + b 2
f (a ) f (b )
a2 + b2
ab
ab
=
=
==
2
2
ab ba
ab ba
ab ba
=
f (a ) f (b )
f (a ) f (b )
a2 + b2
a2 + b2
ab
ab
=
2
2
ab ba
ab ba
b a ) f (b )(
a b)
b a ) + f (b )(
b a)
f (a )(
f (a )(
a2 + b2
a2 + b2
ab
ab
=
=
(a b )(b a )
(a b )(b a )
2
2
f (a ) + f (b )
f (a ) f (b ) 2ab a 2 b 2
a2 + b2
ab
=
=
=
2
2
ab
ab
f (a ) + f (b ) a 2 2ab + b 2
f (a ) + f (b ) (a b )
ab
( 1) =
( 1) = [ f (a ) + f (b )]
( 1) =
2
2
2
ab
ab
ba ba
ba
f (a ) +
f (b )
= [ f (a ) + f (b )]
=
2
2
2
2
Sin embargo, el probar si una frmula es o no de tipo interpolatorio se hace ms fcil

introduciendo el concepto de grado de precisin.
Captulo 4.2.1. GRADO DE PRECISIN:
Una frmula de cuadratura tiene grado de precisin al menos n si y slo si es exacta
para f ( x ) = 1 , f ( x ) = x , f ( x ) = x , , f ( x ) = x , y por tanto, para todo polinomio de grado

menor o igual a n .
2
Definicin:
Una frmula de cuadratura tiene grado de precisin exactamente n si y slo si es exacta
para f ( x ) = 1 , f ( x ) = x , f ( x ) = x , , f ( x ) = x , pero no lo es para f ( x ) = x

2
Alberto Surez Lpez
n +1
Pgina 41
MTODOS NUMRICOS
Teorema:
Se verifica que una frmula de cuadratura, con n + 1 nodos, es de tipo interpolatorio si y
solamente si dicha frmula es exacta para todo polinomio de grado menor o igual a n tiene
grado de precisin al menos n .
Por tanto, demostrar que
b
a
f ( x )dx
tiene grado de precisin al menos 1 .
ba
ba
f (a ) +
f (b ) equivale a demostrar que
2
2
Demostracin:
b
para f ( x ) = 1 :
a
b
a
b
a
f ( x )dx =
f ( x )dx =
f ( x )dx =
b
a
dx = [x ]a = b a
b
ba
ba
ba ba
f (a ) +
f (b ) =
+
=ba
2
2
2
2
b
a
x2
dx =
2
=
a
b2 a2
2
ba
ba
ba
ba
f ( x )dx =
f (a ) +
f (b ) =
a +
b =
para f ( x ) = x :
a
2
2
2
2
(
b a )(a + b ) b 2 a 2
=
=
2
2
b
Alberto Surez Lpez
Pgina 42
MTODOS NUMRICOS
Captulo 4.3. FRMULAS DE CUADRATURA DE NEWTON COTES. CERRADAS Y

ABIERTAS.
Son frmulas de cuadratura de tipo interpolatorio, eligiendo a los puntos de interpolacin
equidistantes en el intervalo de integracin. Pueden ser de dos tipos: cerradas y abiertas.
En las cerradas, los lmites de integracin han de ser puntos de interpolacin.
a=x0
x1
x2
x3
b=xn
En las abiertas, los extremos no deben ser puntos de interpolacin.

a
x0
x1
x2
x3
Captulo 4.3.1. FRMULAS DE NEWTON COTES CERRADAS:

Veremos los dos casos ms sencillos: la frmula de los trapecios (con dos nodos) y la
frmula de Simpson (con tres nodos).
Captulo 4.3.1.1. FRMULA DE LOS TRAPECIOS:
La frmula de los trapecios viene dada por la expresin:
b
a
f ( x )dx A0 f (a ) + A1 f (b )
y
P1(x)
f(b)
f(x)
f(a)
Alberto Surez Lpez
Pgina 43
MTODOS NUMRICOS
Tenemos que calcular los pesos A0 y A1 . Para hacer esto podemos escoger entre dos
procedimientos:
a) Calcular el polinomio de interpolacin e integrar.
f (a )
f [a, b] =
f (b )
b
b
a
P1 ( x )dx =
b
a
f (a ) +
f (b ) f (a )
ba
f (b ) f (a )
( x a ) dx =
ba
f (b ) f (a )
= f (a ) dx +
a
ba
b
= f (a )(
b a) +
b
a
f (a )dx +
b
a
f (b ) f (a )
(x a )dx =
ba
f (b ) f (a ) x 2
(x a )dx = f (a )( b a ) +
ax
a
ba
2
b
f (b ) f (a ) b 2
a2
ab
a2
2
2
ba
=
a
f (b ) f (a ) b 2
f (b ) f (a ) b 2 2ab + a 2
a2
= f (a )(
ab +
b a) +
= f (a )(
b a) +
=
ba
2
2
ba
2
f (b ) f (a ) (b a )
ba
b a ) + [ f (b ) f (a )]
= f (a )(
=
ba
2
2
ba
ba
=
[2 f (a ) + f (b ) f (a )] =
[ f (a ) + f (b )]
2
2
b a) +
= f (a )(
Alberto Surez Lpez
Pgina 44
MTODOS NUMRICOS
b) Aplicar la definicin de grado de precisin.
A este mtodo para calcular los pesos tambin se le denomina mtodo de los
coeficientes indeterminados.
Precisin, al menos, 1.
La frmula es exacta para f ( x ) = 1 y f ( x ) = x .
Veamos:
para f ( x ) = 1
para f ( x ) = x
b
a
dx = (b a ) = A0 + A1
b
a
xdx =
b2 a2
= A0 a + A1 b
2
Tenemos un sistema de dos ecuaciones con dos incgnitas, A0 y A1 .
A0 + A1 = b a
b2 a2
a A0 + b A1 =
2
Resolviendo el sistema se obtiene que A0 =
ba
= A1 .
2
As, la expresin de la frmula de los trapecios vendr dada por:

b
a
b
a
ba
ba
f (a ) +
f (b )
2
2
ba
f ( x )dx
[ f (a ) + f (b )]
2
f ( x )dx
Alberto Surez Lpez
Pgina 45
MTODOS NUMRICOS
Captulo 4.3.1.2. FRMULA DE SIMPSON:
La frmula de Simpson viene dada por la expresin:
b
a
a+b
+ A2 f (b )
2
f ( x )dx A0 f (a ) + A1 f
y
f((a+b)/2)
f(x)
f(b)
P2(x)
f(a)
2h
a
(a+b)/2
Al igual que en la frmula de los trapecios, podemos calcular los pesos de dos formas
distintas:
b
a
f ( x )dx
(x x 0 )( x x 2 )
(x x 0 )( x x1 )
(x x1 )( x x 2 )
f (x0 ) +
f ( x1 ) +
f ( x ) dx =
x
(x 0 x1 )( x 0 x 2 )
(x1 x 0 )( x1 x 2 )
(x 2 x 0 )( x 2 x1 ) 2
x ( x x )(
x ( x x )(
0 x x2 )
1 x x2 )
=
f ( x 0 )dx +
f ( x1 )dx +
x ( x x )(
x ( x x )(
0
1 x0 x2 )
1
0 x1 x 2 )
x ( x x )(
0 x x1 )
+
f ( x 2 )dx =
x ( x x )(
2
0 x 2 x1 )
x
x
f (x 0 )
f (x1 )
=
( x x1 )(
x x 2 )dx +
( x x 0 )(
x x 2 )dx +
(x 0 x1 )( x 0 x 2 ) x
(x1 x 0 )( x1 x 2 ) x
x
f (x 2 )
(x x 0 )( x x1 )dx =
+
(x 2 x0 )( x 2 x1 ) x
f (x0 ) x
f (x ) x
f (x 2 ) x
(x x 0 )( x x1 )dx =
=
( x x1 )(
x x 2 )dx 21 ( x x 0 )(
x x 2 )dx +
2
2
x
x
x
x2
0
2h
Alberto Surez Lpez
2h
Pgina 46
MTODOS NUMRICOS
f (x0 )
2h 2
x2
x0
Cambio de variable :
f (x0 )
2h 2
f (x0 )
=
2h 2
=
=
h
h
h
h
f ( x1 )
h2
x x1 = t
(x x1 )( x x 2 )dx
x2
x0
(x x 0 )( x x 2 )dx +
f (x 2 )
2h 2
x2
x0
(x x 0 )( x x1 )dx =
dx = dt
f ( x1 ) h
f (x 2 ) h
(
)(
)
(h + t )tdt =
h
+
t
dt
+
h 2 h
2h 2 h
f (x ) h
f (x 2 ) h
t 2 ht dt 21 t 2 h 2 dt +
ht + t 2 dt =
2
h
h
h
2h
t (t h )dt
f (x0 ) t 3
t2
=
h
2
2h 2 3
f ( x1 ) t 3
2
h 2t
3
h
f (x 2 ) t 2 t 3
+
h +
2
3
2h 2
=
h
f ( x 0 ) 2 3 f ( x1 ) 4 3 f ( x 2 ) 2 3
1
4
1
h +
h +
h = f ( x 0 ) h + f ( x1 ) h 3 + f ( x 2 ) h =
2
2
2
3
3
3
2h 3
h 3
2h 3
h
ba
a+b
= [ f (x 0 ) + 4 f ( x1 ) + f ( x 2 )] =
f (a ) + 4 f
+ f (b )
3
6
2

Precisin, al menos, 2.
La frmula es exacta para f ( x ) = 1 , f ( x ) = x y f ( x ) = x .

Veamos:
2
para f ( x ) = 1
b
a
dx = (b a ) = A0 + A1 + A2
b2 a2
a+b
= A0 a + A1
+ A2 b
a
2
2
2
b
b3 a3
a+b
2
2
xdx =
= A0 a + A1
+ A2 b 2
para f ( x ) = x
a
2
2
Tenemos un sistema de tres ecuaciones con tres incgnitas, A0 , A1 y A2 .
para f ( x ) = x
xdx =
A0 + A1 + A2 = b a
a A0 +
a+b
b2 a2
A1 + b A2 =
2
2
a+b
a A0 +
2
2
A1 + b 2 A2 =
b3 a3
2
Resolviendo el sistema se obtiene que A0
Alberto Surez Lpez
ba
2
ba
, A1 = (b a ) y A2 =
.
6
3
6
Pgina 47
MTODOS NUMRICOS
As, la expresin de la frmula de Simpson vendr dada por:
b
a
b
a
ba
2
a+b
ba
f (a ) + (b a ) f
+
f (b )
6
3
2
6
ba
a+b
f ( x )dx
f (a ) + 4 f
+ f (b )
6
2
f ( x )dx
Sabemos que, en la frmula de los trapecios, el grado de precisin es al menos 1 y en la

frmula de Simpson, al menos 2. Cmo podemos saber si dichos grados de precisin son
exactamente esos?
Para la frmula de los trapecios, es exacta para f ( x ) = x ?
2
P1(x)
f(b)
f(x)
f(a)
a
b
a
x3
x dx =
3
b3 a3
=
3
ba
ba 3
[ f (a ) + f (b )] =
a + b3
2
2
b3 a3 b a 3
a + b3
3
2
No se cumple la igualdad, luego la frmula no es exacta para f ( x ) = x , y por tanto, el

grado de precisin es exactamente 1.
2
Alberto Surez Lpez
Pgina 48
MTODOS NUMRICOS
Para la frmula de los trapecios, es exacta para f ( x ) = x ?
3
f((a+b)/2)
f(x)
f(b)
P2(x)
f(a)
2h
a
b
a
x4
x dx =
4
(a+b)/2
b4 a4
4
ba
a+b
ba 4
a+b
+ f (b ) =
f (a ) + 4 f
a +4
6
2
2
2
b4 a4 b a 4
a+b
=
a +4
4
2
2
+ b4
+ b4
S. Ambas expresiones son exactamente iguales y por tanto podemos afirmar que el
grado de precisin es, al menos, 3.
Es exacta para f ( x ) = x ?
4
b
a
x5
x dx =
5
b5 a5
5
ba
a+b
ba 5
a+b
+ f (b ) =
f (a ) + 4 f
a +4
6
2
2
2
b5 a5 b a 5
a+b
a +4
5
2
2
+ b5
+ b5
No se cumple la igualdad, luego la frmula no es exacta para f ( x ) = x , y por tanto, el

grado de precisin es exactamente 1.
2
Alberto Surez Lpez
Pgina 49
MTODOS NUMRICOS
Grficamente:
y
f((a+b)/2)
f(x)
f(b)
f(a)
2h
a
2
0
(x
+ 2 x + 1 dx =
(a+b)/2
x4
x2
+2
+x
4
2
= 4 + 4 + 2 = 10
0
2
[1 + 44 + 13] = 1 30 = 10
6
30
Captulo 4.3.1.3. ERROR EN LA FRMULA DE LOS TRAPECIOS:

Dada la frmula de los trapecios:
b
a
f ( x )dx
ba
[ f (a ) + f (b )] = T
2
El error cometido vendr dado por:
ET =
=
b
a
b
a
f ( x )dx
b
a
P1 ( x )dx =
[ f (x ) P1 (x )]dx =
a
b
1 ''
1
f (c x )(
x a )(
x b )dx =
2!
2!
Alberto Surez Lpez
b
a
b
a
e1 (x )dx =
f '' (c x )(
x a )(
x b )dx
Pgina 50
MTODOS NUMRICOS
Definicin: Segundo teorema del valor medio del clculo integral:
Sea f una funcin continua en el intervalo cerrado a, b y sea g una funcin integrable,
[ ]
b
f ( x ) g ( x )dx = f (c ) g (x )dx .
a
a
tal que g no cambia de signo en a, b . Si f y g verifican estas hiptesis, entonces existe un

punto c (a, b ) tal que
Hiptesis:
f continua en a, b
[ ]
g integrable en [a, b]
signo de g constante en a, b
[ ]
Tesis:
c (a, b )
ET =
2!
b
a
b
a
f ( x ) g ( x )dx = f (c ) g ( x )dx
b
1 ''
f (c )
2!
f '' (c x )(
x a )(
x b )dx =
Cambio de variable :
b
a
(x a )( x b )dx =
xa=t
dx = dt
h
1
1
= f '' (c ) t (t h )dt = f '' (c )
0
2!
2!
h
0
t3
t2
1 ''
t + ht dt = f (c )
+ h
2!
3
2
2
=
0
h3 h3
1 ''
1 '' h 3
1
3
= f (c )
= f (c ) = f '' (c )(
b a)
2!
3
2
2!
6
12
1
3
E T = f '' (c )(
b a)
12
Consideracin:
El error ser cero si y slo si f (c ) = 0 , esto implica que f ( x ) sea un polinomio de grado
menor o igual a uno. Es decir, la frmula tiene un grado de precisin exactamente uno, tal
como ya haba sido demostrado anteriormente.
''
Captulo 4.3.1.4. ERROR EN LA FRMULA DE SIMPSON:

Dada la frmula de Simpson:
b
a
f ( x )dx
ba
a+b
f (a ) + 4 f
+ f (b ) = S
6
2
[ ]
Se demuestra que si f tiene derivada cuarta y es continua en a, b , entonces existe un
punto c (a, b ) tal que:
ES =
ES =
b
a
f (x )dx
1
f
9032
Alberto Surez Lpez
(4 )
b
a
P2 ( x )dx =
1
f
9032
(4 )
(c )( b a )5
(c )( b a )5
Pgina 51
MTODOS NUMRICOS
Captulo 4.3.2. FRMULAS DE NEWTON COTES ABIERTAS:
Estudiaremos las frmulas de Newton Cotes abiertas con un solo nodo (frmula del
punto medio) y con dos nodos.
Captulo 4.3.2.1. FRMULA DE NEWTON COTES ABIERTA CON UN SOLO NODO O FRMULA
DEL PUNTO MEDIO:
Con un nico nodo, la frmula vendr dada por la expresin:

b
a
f ( x )dx A0 f ( x 0 ) = A0 f
a+b
2
b
y
f(b)
f(x)
P0(x)
f(a)
x0
Tenemos que calcular el pesos A0 . Para hacer esto podemos escoger entre dos
procedimientos:
P0 ( x ) =
b
a
a+b
2
P0 ( x )dx =
b
a
a+b
a+b
dx =
2
2
b
a
dx =
a+b b a+b
[x ]a =
(b a )
2
2

La frmula, al ser de tipo interpolatorio, tiene un grado de precisin al menos 0 , es
decir, es exacta para f ( x ) = 1 :
b
a
b
a
f ( x )dx =
b
a
a+b
a+b
a+b
b
[x ]a = (b a )
dx =
2
2
2
a+b
a+b
f ( x )dx A0 f
= A0
2
2
Alberto Surez Lpez
A0 = b a
Pgina 52
MTODOS NUMRICOS
As, obtenemos:
b
a
f ( x )dx (b a ) f
a+b
2
Vamos ahora a calcular cual es el orden de precisin de dicha frmula. Sabemos que
tiene un grado de precisin al menos 0 , esto es, es exacta para f ( x ) = 1 , pero, es exacta
para f ( x ) = x ?
b
a
b
a
f ( x )dx =
x2
xdx =
2
b2 a2
2
a + b b2 a2
(b a )
=
2
2
a+b
a+b
= (b a )
f ( x )dx (b a ) f
2
2
a
S, la frmula tambin es exacta para f ( x ) = x , luego su grado de precisin es, al
menos, 2 . Y ahora, es exacta para f ( x ) = x ?

2
b
a
b
a
f ( x )dx =
b
a
x3
x dx =
3
f ( x )dx (b a ) f
b3 a3
3
(a + b )
a+b
= (b a )
2
4
2
(
a + b)
(b a )
b3 a3
3
No, luego el grado de precisin de la frmula es exactamente, 2 .
Alberto Surez Lpez
Pgina 53
MTODOS NUMRICOS
Captulo 4.3.2.2. FRMULA DE NEWTON COTES ABIERTA CON DOS NODOS:
Ejercicio:
Deducir la frmula de Newton Cotes abierta con dos nodos en el intervalo a, b . Cul
es el orden de precisin de dicha frmula?
[ ]
Aplicarla al clculo aproximado de la integral I =
1
0
cos(x )dx y calcular, exactamente, el
error cometido.
Con dos nodos, la frmula buscada vendr dada por la expresin:
b
a
f ( x )dx A0 f (x 0 ) + A1 f ( x1 )
h
h=
x0
x0
ba
3
b a 3a + b a 2a + b
=
=
3
3
3
b a 3a + 2b 2a 2b + a
x1 = a + 2h = a + 2
=
=
3
3
3
x0 = a + h = a +
y
f(x0)
f(x1)
P1(x)
f(b)
f(a)
f(x)
Alberto Surez Lpez
x0
x1
Pgina 54
MTODOS NUMRICOS
Tenemos que calcular los pesos A0 y A1 . Para hacer esto podemos escoger entre dos
procedimientos:
f ( x1 ) f ( x 0 )
( x x 0 )
x1 x 0
P1 ( x ) = f ( x 0 ) +
b
a
P1 ( x )dx =
f (x 0 ) +
b
a
= f (x 0 ) dx +
b
f ( x1 ) f ( x 0 )
( x x 0 ) dx =
x1 x 0
f ( x1 ) f ( x 0 )
x1 x 0
b
a
f ( x 0 )dx +
(x x 0 )dx = f (x 0 )3h +
a
b
f ( x1 ) f ( x 0 ) ( x x 0 )
= f (x 0 )3h +
h
2
= f ( x 0 )3h +
b
a
f (x1 ) f ( x 0 )
( x x 0 )dx =
x1 x 0
f ( x1 ) f (x 0 )
x1 x 0
b
a
(x x 0 )dx =
f ( x1 ) f ( x 0 ) 4h 2 h 2
=
h
2
2
3h
3h
3h
= f (x 0 )3h + [ f ( x1 ) f ( x 0 )] = 3h f ( x 0 ) + f ( x1 ) f ( x 0 ) =
2
2
2
3h
3h
3h
ba
2a + b
2b + a
= f ( x 0 ) + f ( x1 ) = [ f ( x 0 ) + f ( x1 )] =
f
+ f
2
2
2
2
3
3
La frmula, al ser de tipo interpolatorio, tiene un grado de precisin al menos 1 , es
decir, es exacta para f ( x ) = 1 y f ( x ) = x :
Para f ( x ) = 1 :
b
a
b
a
f ( x )dx =
b
a
dx = [x ]a = (b a )
b
f ( x )dx A0 f
Para f ( x ) = x :
b
a
b
a
f ( x )dx =
b
a
A0 + A1 = b a
2a + b
2b + a
+ A1 f
= A0 + A1
2
2
x2
xdx =
2
f ( x )dx A0 f
=
a
b2 a2
2
2a + b
2b + a
2a + b
2b + a
+ A1 f
= A0
+ A1
2
2
2
2
2a + b
2b + a b 2 a 2
A0
+ A1
=
2
2
2
Tenemos un sistema de dos ecuaciones con dos incgnitas, A0 y A1 .
A0 + A1 = b a
A0
2a + b
2b + a b 2 a 2
+ A1
=
2
2
2
Resolviendo el sistema se obtiene que A0 =
Alberto Surez Lpez
ba
= A1
2
Pgina 55
MTODOS NUMRICOS
As, obtenemos:
b
a
f ( x )dx
ba
2a + b
2b + a
+ f
f
2
3
3
Vamos ahora a calcular cual es el orden de precisin de dicha frmula. Sabemos que
tiene un grado de precisin al menos 1 , esto es, es exacta para f ( x ) = 1 y f ( x ) = x , pero, es
exacta para f ( x ) = x ?
2
b
a
b
a
f ( x )dx =
b
a
x3
x dx =
3
b3 a3
3
a+b
a+b
= (b a )
2
2
f ( x )dx (b a ) f
(b a ) a + b = b
a2
2
S, la frmula tambin es exacta para f ( x ) = x , luego su grado de precisin es, al
menos, 2 . Y ahora, es exacta para f ( x ) = x ?

2
b
a
b
a
f ( x )dx =
f ( x )dx
b
a
x3
x dx =
3
b3 a3
3
ba
2a + b
2b + a
+ f
f
2
3
3
b a 2a + b
2
3
2b + a
3
b a 2a + b
2
3
2b + a
3
b3 a3
3
No, luego el grado de precisin de la frmula es exactamente, 1 .

As, aplicamos el resultado anterior para calcular el valor aproximado de la integral
I=
1
0
cos(x )dx :
I=
1
0
cos(x )dx
1 0
2
cos
cos
2
3
3
1 1 1
=
=0
2 2 2
Calculamos el error cometido:
I=
1
0
cos(x )dx
Luego, error = 0 .
Alberto Surez Lpez
sen(x )
=
0
[sen(x )]0 =
1
[sen( ) sen(0 )] =
0 = 0
Pgina 56
MTODOS NUMRICOS
Teorema:
El orden de precisin de una frmula de Newton Cotes (cerrada o abierta) simple
con n + 1 nodos es igual a:
n si n es impar
n si
n es par
Por ejemplo:
Frmula de los trapecios
Frmula de Simpson
Regla del punto medio
Abierta con dos nodos
Alberto Surez Lpez
precisin = 1
precisin = 3
precisin = 1
precisin = 1
Pgina 57
MTODOS NUMRICOS
Captulo 4.4. FRMULAS DE CUADRATURA COMPUESTAS. REGLA DE LOS

TRAPECIOS Y REGLA DE SIMPSON.
[ ]
Se obtienen dividiendo el intervalo a, b en n subintervalos y aplicando a cada uno de

ellos una frmula de cuadratura sencilla.
Captulo 4.4.1. FRMULA DE LOS TRAPECIOS COMPUESTA:
Dado el intervalo a, b y n 1 , sea h =
a=x0
x1
x2
ba
ba
y definimos x i = a +
i, i = 0...n .
n
n
x3
b=xn
En el intervalo x i , x i +1 se reemplaza la funcin integrando f .

y
f(x)
f(x3)
f(x1)
f(x2)
f(x0)
x0
x1
x2
x3
As, el valor de la integral en dicho subintervalo vendr dado por:

xi + 1
xi
h
f ( x )dx [ f ( x i ) + f ( x i +1 )]
2
Alberto Surez Lpez
Pgina 58
MTODOS NUMRICOS
Extendiendo este resultado a todos los subintervalos en los que hemos dividido el
intervalo inicial a, b , obtenemos:
[ ]
b
a
f ( x )dx =
n 1
i =0
xi + 1
xi
f (x )dx
n 1
i =0
h
[ f ( x i ) + f ( x i +1 )]dx =
2
h
= [ f ( x 0 ) + f ( x1 ) + f ( x1 ) + f ( x 2 ) + f ( x 2 ) + ... + f (x n 1 ) + f ( x n )] =
2
n 1
ba
=
f (a ) + 2 f (x i ) + f (b )
2n
i =1
b
a
f ( x )dx
n 1
ba
f (a ) + 2 f ( x i ) + f (b )
2n
i =1
Captulo 4.4.1.1. ERROR EN LA FRMULA DE LOS TRAPECIOS COMPUESTA:

y
f(x1)
f(x2)
f(x)
f(x0)
x0
x1
x2
[ ]
El error en la frmula simple para un intervalo a, b vena dado por la expresin:
ET =
1 ''
3
f (c )(
b a)
12
El error cometido en la frmula simple es la suma de los errores cometidos en cada uno
de los intervalos x i , x i +1 en los que se ha dividido el intervalo inicial a, b .
As:
E nT =
1 ''
1
1
3
3
3
f (c1 )(x1 x0 ) f '' (c 2 )( x 2 x1 ) f '' (c3 )( x3 x 2 ) ...
12 c1( x0 , x1 )
12 c2 ( x1 , x2 )
12 c3( x2 , x3 )
1
3
f '' (c n ) ( x n x n 1 ) =
12 cn ( xn 1 , xn )
Alberto Surez Lpez
Pgina 59
MTODOS NUMRICOS
3
n 1
n 1
1
= (xi +1 xi ) f '' (ci +1 ) =
12
ci +1( xi , xi +1 )
i =0
1
h f '' (ci +1 )
12 ci +1( xi , xi +1 )
i =0
[ ]
= max {f ( x )}y m = min {f ( x )}, suponiendo f '' continua en [a, b] .
x[a ,b ]
x[a ,b ]
''
Tenemos que acotar f en el intervalo a, b . Es decir, tenemos que

calcular M
''
''
De este modo se verifica:
nm
n 1
f '' (ci +1 ) nM
i =0
Dividiendo entre n :
n 1
i =0
f '' (ci +1 )
n
Aplicando el teorema del valor medio:
[ ]
Si f (x) es continua en a, b , la funcin alcanza en ese intervalo todos los valores

comprendidos entre f (a ) y f (b) .
f (a) < K < f (b)

c [a, b]
f (c ) = K
y
f(b)
K
f(a)
Hiptesis:
f es continua en a, b
[ ]
K ( f (a ), f (b ))
Tesis:
c (a, b ) f (c ) = K
As:
c [a, b]
n 1
f '' (c ) =
Alberto Surez Lpez
i =0
f '' (ci +1 )
n
Pgina 60
MTODOS NUMRICOS
Y por tanto:
3
1
1
1 ba
E = h f '' (ci +1 ) = h 3 n f '' (c ) =
12 ci +1( xi , xi +1 )
12
12
n
c( a ,b )
i =0
1
3
E nT =
(b a ) f '' (c )
2
c( a ,b )
12n
n 1
T
n
n f '' (c )
c( a ,b )
Captulo 4.4.2. FRMULA DE SIMPSON COMPUESTA:
[ ]
Dado el intervalo a, b y n 1 , sea h =
a=x0
x1
x2
x i = a + 2hi, i = 0...n
ba
y definimos:
.
z i = a + (2i 1)h, i = 1...n
2n
x3
b=xn
El procedimiento a seguir sera anlogo al visto en la frmula compuesta de los

trapecios:
En el intervalo x i , x i +1 se reemplaza la funcin integrando f .

y
f(x3)
f(x)
P(x)
f(x1)
f(x2)
f(x0)
x0
z1
x1
z2
x2
z3
x3
La frmula simple de Simpson vena dada por la expresin:

b
a
f ( x )dx
ba
a+b
f (a ) + 4 f
+ f (b )
6
2
Alberto Surez Lpez
Pgina 61
MTODOS NUMRICOS
As, el valor de la integral en el subintervalo x i , x i +1 vendr dado por:

xi + 1
xi
h
f ( x )dx [ f ( x1 ) + 4 f ( z i +1 ) + f (x i +1 )]
3
Extendiendo este resultado a todos los subintervalos en los que hemos dividido el
intervalo inicial a, b , obtenemos:
[ ]
b
a
f ( x )dx =
n 1
i =0
xi + 1
xi
f (x )dx
n 1
i =0
h
[ f ( x i ) + 4 f ( z i +1 ) + f (x i +1 )] =
3
h
= [ f ( x 0 ) + 4 f (z1 ) + f ( x1 ) + f ( x1 ) + 4 f ( z 2 ) + f ( x 2 ) + ... + f (x n 1 ) + 4 f ( z n ) + f ( x n )] =
3n
n 1
n
h
= n f ( x 0 ) + 2 f ( x i ) + 4 f ( z i ) + f ( x n ) =
3
i =1
i =1
=
b
a
n 1
ba
f (x 0 ) + 2 f ( x i ) +
6n
i =1
f ( x )dx
f (z i ) + f (x n )
i =1
n 1
ba
f ( x 0 ) + 2 f ( x i ) +
6n
i =1
n
i =1
f (z i ) + f (x n )
Captulo 4.4.2.1. ERROR EN LA FRMULA DE SIMPSON COMPUESTA:
El error en la frmula simple para un intervalo a, b vena dado por la expresin:
ES =
1
f
9032
(4 )
(c )( b a )5
El error cometido en la frmula simple es la suma de los errores cometidos en cada uno
de los intervalos x i , x i +1 en los que se ha dividido el intervalo inicial a, b .
[ ]
As:
E nS =
+
=
1
1
1
5
5
5
f (4 ) (c1 )( x1 x0 ) +
f (4 ) (c 2 )( x 2 x1 ) +
f (4 ) (c3 )(x3 x 2 ) + ... +
9032 c1( x0 , x1 )
9032 c2 ( x1 , x2 )
9032 c3( x2 , x3 )
1
5
f (4 ) (c3 )( x n x n 1 ) =
9032 cn ( xn 1 , xn )
n 1
i =0
n 1
i =0
1
5
f (4 ) (ci +1 )(xi +1 xi ) =
9032 ci +1( xi , xi +1 )
n 1
i =0
1
5
f (4 ) (ci +1 )(2h ) =
9032 ci +1( xi , xi +1 )
1 (4 )
f (ci +1 )h 5
90 ci +1( xi , xi +1 )
Tenemos que acotar f
(4 )
{ (x )}y m = min
{f
[ ]
calcular M = max f
x[a ,b ]
[ ]
(x )}, suponiendo f (4 ) continua en [a, b] .
en el intervalo a, b . Es decir, tenemos que
(4 )
x a ,b
(4 )
De este modo se verifica:
nm
n 1
i =0
f (4 ) (ci +1 ) nM
Alberto Surez Lpez
Pgina 62
MTODOS NUMRICOS
Dividiendo entre n :
n 1
i =0
f (4 ) (ci +1 )
n

n 1
c [a, b]
f (4 ) (c ) =
i =0
f (4 ) (ci +1 )
n
As:
E =
S
n
n 1
i =0
1 (4 )
f (ci +1 )h 5 =
90 ci +1( xi , xi +1 )
n 1
i =0
1
n f (4 ) (c )h 5 =
90 c(a ,b )
n 1
i =0
1
ba
n f (4 ) (c )
90 c(a ,b )
2n
(b a ) = n 1 1 f (4 ) (c )(b a )5
1
=
n f (4 ) (c )
4
c( a ,b )
c( a ,b )
32n 5
i = 0 90
i = 0 9032n
n 1
1
5
E nS =
f (4 ) (c )(b a )
4
c( a ,b )
i = 0 9032n
n 1
Alberto Surez Lpez
Pgina 63
MTODOS NUMRICOS
Captulo 5: RESOLUCIN NUMRICA DE ECUACIONES NO

LINEALES.
El objetivo buscado es calcular los valores de x que satisfacen la identidad F ( x ) = 0 .
Grficamente, se trata de calcular las races de una funcin:
y
f(x)
x=
Diremos que x = es una raz de F si F ( ) = 0 .

Si F es un polinomio:
b
a
de primer grado: ax + b = 0 x =
de segundo grado: ax + bx + c = 0 x =
2
b b 2 4ac
2a
Existen mtodos directos para polinomios de grado tres o cuatro, pero a partir de grado
cinco no existen mtodos directos generales, aunque puede darse algn caso particular.
Por otra parte, si F no es polinmica, por ejemplo: F ( x ) = e sen( x ) , debemos
recurrir a mtodos iterativos; esto es, calcular una sucesin numrica que sea convergente
hacia una de las races de la funcin:
x
{xn }, {xn }

F ( ) = 0
Captulo 5.1.1. MTODOS DE SEPARACIN DE RACES. GRFICOS Y TERICOS:

Diremos que una raz de la ecuacin F ( x ) = 0 est separada en el intervalo I si es la
nica solucin que existe en dicho intervalo.
Alberto Surez Lpez
Pgina 64
MTODOS NUMRICOS
Captulo 5.1.1.1. MTODOS GRFICOS:
Mediante la grfica de la funcin F podemos, en ocasiones, solucionar el problema de la
separacin de races.
En ocasiones es til representar F = g 1 + g 2
y
g1(x)
g2(x)
x=
As, la abscisa correspondiente al punto de interseccin corresponde a una raz de F .

Por ejemplo:
F ( x ) = e x sen( x )
Alberto Surez Lpez
Pgina 65
MTODOS NUMRICOS
Captulo 5.1.1.2. MTODOS TERICOS:
Se basan en la aplicacin de los teoremas de Bolzano y Rolle.
Captulo 5.1.1.2.1. TEOREMA DE BOLZANO:
[ ]
Si una funcin es continua en un intervalo cerrado a, b y toma valores de distinto signo

en a y en b, existe al menos un punto x0 interior al intervalo en el cual f ( x0 ) = 0 .
y
f(a)
f(b)
Hiptesis:
f (a ) f (b ) < 0
[ ]
Tesis:
c (a, b ) f (c ) = 0
Alberto Surez Lpez
Pgina 66
MTODOS NUMRICOS
Captulo 5.1.1.2.2. TEOREMA DE ROLLE:
Si una funcin f (x ) es continua en el intervalo cerrado a, b y derivable en el intervalo
abierto (a, b ) , verificando adems que f ( a ) = f (b) , entonces existe al menos un
punto c a, b en el que se verifica que f ' (c ) = 0
f (x) es constante
y
f(a)
f(b)
a
o
o
f ( x) = K
f ' ( x) = 0
se verifica en todos los puntos del intervalo

f (x) no es constante
y
f(a)
a
f(b)
c
f(a)
a
Alberto Surez Lpez
f(b)
c
Pgina 67
MTODOS NUMRICOS
Teorema:
'
Un primer resultado afirma que entre dos races consecutivas de F existe, a lo sumo,
una raz de F .
y
x=
x=
x=c
x=
x=
Otro mtodo consiste en aplicar conjuntamente los teoremas de Bolzano y Rolle para
demostrar la unicidad de una raz en un intervalo a, b .
[ ]
Hiptesis:
F continua en a, b
[ ]
F derivable en (a, b )
F (a )F (b ) < 0
F ' (x ) 0, x (a, b )
Tesis:
! (a, b ) F ( ) = 0
Alberto Surez Lpez
Pgina 68
MTODOS NUMRICOS
Captulo 5.2. MTODOS ITERATIVOS DE OBTENCIN DE SOLUCIONES.

Una de las tcnicas que puede usarse en la resolucin aproximada de la
ecuacin F ( x ) = 0 consiste en localizar en un intervalo a, b = a 0 , b0 la raz que se desea
[ ] [
aproximar y a continuacin iramos formando sistemticamente intervalos contenidos cada uno

en el anterior: a 0 , b0 a1 , b1 a 2 , b2 a 3 , b3 ... a n , bn , y conteniendo a su vez a
] [
] [
] [
la raz, de forma que la longitud de estos intervalos tienda a cero.

Captulo 5.2.1. MTODO DE BISECCIN:
Supongamos que la funcin F es continua en a 0 ,b0 , tal que F (a 0 )F (b0 ) < 0 ; en estas
condiciones podemos afirmar que la ecuacin F ( x ) = 0 tiene al menos una raz en (a 0 ,b0 ) . Se
a 0 + b0
. Si F (M ) = 0 ,
2
paramos; en caso contrario, F (M ) tiene o bien el signo de F (a 0 ) o bien el signo de F (b0 ) , y
calcula F (M ) , siendo M el punto medio del intervalo, es decir, M =
] [
uno de los dos intervalos a 0 , M o M ,b0 tiene la propiedad de que en sus extremos la
funcin F tiene valores de signos opuestos. Llamemos a1 ,b1 a este intervalo, que tiene de
longitud la mitad del anterior. Repetimos el proceso.
Por ejemplo:
y
y=F(x)
a=a0
x1=a1=a2
x2=b2
Alberto Surez Lpez
b=b0=b1
Pgina 69
MTODOS NUMRICOS
[a0 , b0 ] = [a, b]
[a1 , b1 ] = [x1 , b0 ] =
a 0 + b0
, b0
2
[a 2 , b2 ] = [a1 , x2 ] =
a1 ,
a1 + b1
2
La longitud de los intervalos:
ba
2
ba
b2 a 2 = 2
2
ba
b3 a3 = 3
2
...
b1 a1 =
bn a n =
ba
2n
Entonces:
ba
2n
ba
bn < n
2
an <
Si denotamos por {x n } a la sucesin de puntos medios, empezando por x1 , se verifica
que {x n } converge a una raz de la ecuacin.
Sabemos que x n = a n o x n = bn . As tenemos la siguiente cota del error:
xn <
ba
2n
Dicho esto, si se pretende calcular la raz con un error menor que , cuntas
iteraciones debemos realizar?
ba
<
2n
b a < 2 n
Como la funcin logaritmo es estrictamente creciente, podemos tomar logaritmos a

ambos lados de la inecuacin y esta no se ver afectada.
log(b a ) < log 2 n
Alberto Surez Lpez
Pgina 70
MTODOS NUMRICOS
Aplicando propiedades de logaritmos:
log(b a ) < log + log 2 n

log(b a ) < log + log
log(b a ) log < nlog 2
log
ba
< nlog 2
nlog 2 > log
log
n>
ba
ba
log 2
An as, la convergencia con este mtodo suele ser muy lenta, aunque siempre
converger a una raz real.
Pero si la funcin no es continua corremos el riesgo de construir una sucesin no
convergente.
Alberto Surez Lpez
Pgina 71
MTODOS NUMRICOS
Captulo 5.3. CONVERGENCIA DEL MTODO DE ITERACIN DE PUNTO FIJO:

ESTUDIO DEL ERROR.
Este mtodo permite adquirir una raz de la ecuacin F ( x ) = 0 . En este mtodo se
deduce la ecuacin x = f ( x ) , de manera que cualquier solucin de esta ecuacin, es decir,
cualquier punto fijo de f , es una raz de la ecuacin de partida F ( x ) = 0 . Es decir:

Si
= f ( ) entonces F ( ) = 0 .
Por ejemplo:
F (x ) = x 2 x 1 = 0
f1 (x ) = x 2 1
f 2 (x ) = x + 1
x +1
x
x2 x 1
f 4 (x ) = x
, m 0
m
f 3 (x ) =
A cada una de estas funciones f i se le llama funcin de iteracin asociada a F .

Grficamente:
y
y=f(x)
y=x
x=
x=
As, x = y x =
Alberto Surez Lpez
son puntos fijos de la funcin f
, y por tanto, races de F .
Pgina 72
MTODOS NUMRICOS
Captulo 5.3.1. ITERACIN DEL PUNTO FIJO:
La iteracin del punto fijo consiste en elegir un punto x 0 domf y construir la
sucesin {x n } definida recursivamente por la ecuacin siguiente:
{xn }
x n +1 = f ( x n )
n 0
As, los puntos que componen la sucesin sern:
x0
x1 = f ( x 0 )
x 2 = f ( x1 )
x3 = f ( x 2 )
...
x n = f ( x n 1 )
Para que este algoritmo resuelva el problema planteado hemos de comprobar que se
verifiquen las siguientes condiciones:
Los puntos de la sucesin {x n } debern pertenecer al dominio de la funcin f .
x n domf , n 0
La sucesin deber converger hacia un valor real.
El lmite de dicha sucesin ser un punto fijo de la funcin f .
{xn }
IR
= f ( )
Por ejemplo:
Supongamos que la funcin elegida sea f ( x ) =
x 1 :
x0 = 2 domf
x1 = f (x 0 ) = f (2 ) = 2 1 = 1 = 1 domf
x 2 = f (x1 ) = f (1) = 1 1 = 0 = 0 domf
x3 = f ( x 2 ) = f (0 ) = 0 1 = 1 = i domf
Vemos como, a partir del punto x3 , no se verifica la primera condicin.

Para garantizar esta primera condicin supongamos que f ( x ) est encerrada en un
[ ]
intervalo I = a, b y que la imagen que cada uno de los puntos del intervalo I a travs de la
[ ]
funcin f est a su vez contenido en I = a, b . Es decir:
f : [a, b]
[a, b ]
x [a, b ], f (x ) [a, b ]
Alberto Surez Lpez
Pgina 73
MTODOS NUMRICOS
Grficamente:
y
y=x
y=f(x)
x=
x=a
[a, b] [a, b] = (x, y )
x=b
x [a, b ]
y [a, b]
Demostracin:
Por induccin se demuestra que x n a, b , n .
x0 [a, b ]
x1 = f ( x0 ) [a, b]
x n = f (x n 1 ) [a, b]
[ ]
x 2 = f ( x1 ) [a, b ]
x3 = f ( x 2 ) [a, b ]
...
Captulo 5.3.2. TEOREMA DE EXISTENCIA DEL PUNTO FIJO:
[ ]
[ ]
[ ]
f : [a, b ]
[a, b] [a, b] f ( ) =
[ ] f ( ) = . Es decir:
Sea f : a, b
a, b continua en a, b , entonces a, b
Demostracin:
Aplicamos el Teorema de Bolzano a la funcin g ( x ) = x f ( x ) en a, b :
[ ]
Hiptesis:
g continua en a, b
Al ser diferencia de funciones continuas.
g (a ) g (b ) < 0
[ ]
g (a ) = a f (a ) 0
g (b ) = b f (a ) 0
Tesis:
[a, b ] g ( ) = 0
Alberto Surez Lpez
Pgina 74
MTODOS NUMRICOS
As:
g ( ) = 0 = f ( )
Sin embargo las hiptesis anteriores no garantizan la unicidad del punto fijo.
Por ejemplo:
y=x
y=f(x)
x=a
x=x1
x=x2
x=x3
[ ] f (x1 ) f (x2 ) >
Existen puntos x1 , x 2 a, b
d ( f ( x1 ), f ( x 2 )) > d (x1 , x 2 ) .
x=x4
x=b
x1 x 2 , es decir,
Para evitar que suceda esto incorporamos la definicin de funcin contractiva.

Captulo 5.3.3. FUNCIN CONTRACTIVA:
[ ]
Se dice que f es contractiva en a, b si y slo si, por definicin:
L [0,1) f ( x1 ) f ( x 2 ) L x1 x 2 , x1 , x 2 [a, b].
Se verifica tambin que la contractividad implica la continuidad de la funcin.

Para estudiar si una funcin es contractiva utilizaremos el siguiente resultado:
Alberto Surez Lpez
Pgina 75
MTODOS NUMRICOS
[ ]
Sea f continua en a, b y derivable en (a, b ) , entonces son equivalentes las dos

condiciones siguientes:
f es contractiva en a, b con constante de contractividad L .
'
[ ]
(x ) L < 1, x (a, b ) , es decir,
f ' es una funcin acotada en (a, b ) .
[ ]
[ ]
decir, ! [a, b ] f ( ) = .
[ ]
Si f : a, b
a, b y es contractiva, entonces existe un nico punto fijo en a, b , es
La existencia ya esta probada. Probemos ahora la unicidad del punto fijo:

Captulo 5.3.4. TEOREMA DE UNICIDAD DEL PUNTO FIJO:
Demostraremos la unicidad del punto fijo por reduccin al absurdo: supondremos la
existencia de un segundo punto fijo y llegaremos a una contradiccin:
f ( ) =
, entonces:
f ( ) =
= f ( ) f ( ) L <
[ ]
Sean , a, b y
<
Ejemplo:
Sea f ( x ) = e
[ ] [ ]
en a, b = 0,1 . Es f una funcin de iteracin?
Para que f sea una funcin de iteracin debe verificarse que:
f : [0,1]
[0,1]
Primero comprobamos que las imgenes de los extremos de los intervalos a travs
de f pertenecen al intervalo.
f (0 ) = e 0 = 1 [0,1]
f (1) = e 1 =
1
[0,1]
e
A continuacin comprobamos que el resto de puntos del intervalo verifica la

hiptesis, para lo cual, estudiaremos la monotona de la funcin.
f ' ( x ) = e x
f ' ( x ) < 0, x domf
f ' es decreciente en [0,1]
max{ f ( x )} = 1
x[0 ,1]
f
:
[
0
,
1
]
,1 [0,1]
1
e
min { f ( x )} =
x[0 ,1]
e
f es contractiva en [0,1]
L [0,1) f ' (x ) L, x (0,1)

f ' (x ) = e x = e x = e x
Alberto Surez Lpez
Pgina 76
MTODOS NUMRICOS
lim e x = 1
x 0
/L [0,1) e x L, x (0,1)
[ ]
f ( x ) = e x < e 0.1 < 1, x (0.1,1)
En 0,1 no hemos encontrado la constante de contractividad. Probemos en 0.1,1 :

'
Luego, f es contractiva en 0.1,1 con constante de contractividad L = e
0.1
Captulo 5.3.5. CONVERGENCIA DEL MTODO DE ITERACIN DEL PUNTO FIJO. ESTUDIO DEL
ERROR:
Distinguiremos entre convergencia global y convergencia local.
[ ]
En la convergencia global se darn condiciones para f en a, b , bajo las cuales el
[ ]
algoritmo del punto fijo converge para x 0 a, b .

En la convergencia local se darn condiciones ms dbiles bajo las cuales el algoritmo
converge siempre que el punto inicial est suficientemente cerca de la solucin.
Captulo 5.3.5.1. TEOREMA DE CONVERGENCIA GLOBAL Y ESTIMACIN DEL ERROR:
[ ]
[ ]
[ ]
Sea f : a, b
a, b , contractiva con constante de contractividad L y sea x0 a, b ;
entonces se verifica que la sucesin {x n } definida por x n +1 = f ( x n ), n 0 es convergente y
[ ]
converge al nico punto fijo x = de f en a, b .

Hiptesis:
f : [a, b]
[a, b ]
f ' ( x ) L < 1, x (a, b )
Tesis:
! [a, b] = f ( ) y {x n }

Adems, se tiene la siguiente estimacin para el error:
xn
Ln
Ln
x1 x0
b a
1 L
1 L
Vemos como, cuando L es prxima a cero el error se aproxima a cero y cuando L es

prxima a uno, el error tiende a infinito.
Ln
L0
1
=
= =1
L 0 1 L
1 0 1
n
L
L1
L
lim
=
= =
L 1 1 L
11 0
lim
Alberto Surez Lpez
Pgina 77
MTODOS NUMRICOS
Captulo 5.3.5.2. TEOREMA DE CONVERGENCIA GLOBAL:
'
[ ]
'
que (a, b ) f ( ) = y adems f ( ) < 1 . Entonces,
sucesin {x n } definida por x n +1 = f ( x n ) converge a x = .
Sea f : a, b
IR , derivable con f continua en (a, b ) y supongamos
> 0 x0 [ , + ] la
Hiptesis:
f : [a, b]
IR
f ' continua en (a, b )

(a, b ) f ( ) =
f ' ( ) < 1
Tesis:
! [a, b] = f ( ) y {x n }

Grficamente:
con 1 < f
'
(x ) < 0 :
y=x
y=f(x)
x=a
x=x0 x=x2
x=
x=x1
x=b
Vemos como se forma una tela de araa en la que los puntos x n convergen hacia .
Alberto Surez Lpez
Pgina 78
MTODOS NUMRICOS
con 0 < f
'
(x ) < 1 :
y=x
y=f(x)
x=a
x=x0
x=x1
x=x2
x=
x=b
Vemos como se forma una escalera en la que los puntos x n convergen hacia .
Para f
'
(x ) > 1, x0 la sucesin no es convergente.
Alberto Surez Lpez
Pgina 79
MTODOS NUMRICOS
Captulo 5.4. ORDEN DE CONVERGENCIA.

Sea {x n } una sucesin de nmeros reales que converge a un cierto valor , es decir,
{x n }

lim {x n } = , y sea en = x n , n 0 . Si existen constantes
en +1
= q , se dice que la sucesin {x n } converge a con
p
n e
n
orden de convergencia p , siendo q la constante asinttica del error.
reales p > 0 y q 0 tal que lim
Es decir, para n suficientemente grande,
en +1
q en +1 = qenp
p
en
Se mide la disminucin del error entre una iteracin y la iteracin siguiente.

Si p = 1 , se dice que la convergencia es lineal.
Si p = 2 , se dice que la convergencia es cuadrtica.
Captulo 5.4.1. CONVERGENCIA LINEAL:

En el mtodo de iteracin del punto fijo, la convergencia es, al menos, lineal; es decir, al
menos de orden 1 .
Demostracin:
en +1 = x n +1 = f ( x n ) f ( )
en +1 = f (x n ) f ( ) = f ' (c n )(
x n ) = en f ' (c n )
Despejando f (c n ) :
'
en +1 = en f ' (c n )
f ' (c n ) =
en +1
en
Tomando lmites a ambos lados de la expresin:
en +1
= lim f ' (c n ) = f '
n e
n
n
lim
Alberto Surez Lpez
lim c n = f ' ( ) ( 1,1)
Pgina 80
MTODOS NUMRICOS
Captulo 5.5. CONVERGENCIA CUADRTICA Y MTODO DE NEWTON.

En el caso particular de que f (c n ) = 0 se demuestra que el orden de convergencia es,
'
al menos, cuadrtica (al menos de orden 2 ).

Demostracin:
en +1 = x n +1 = f ( x n ) f ( )
Aplicando la frmula de Taylor en un entorno de :
en +1 = f (x n ) f ( ) =
Despejando
f '' (c n )
f '' (c n ) 2
2
( x n ) =
en
2
2
f '' (c n )
:
2
f '' (c n ) 2
en
2
f '' (c n ) en +1
= 2
2
en
en +1 =
Tomando lmites a ambos lados de la expresin:
lim
en +1
en
= lim
f '' (c n ) 1
1
= lim f '' (c n ) = f ''
2
2 n
2
1
lim c n = f '' ( )
n
2
Corolario:
El orden de convergencia nos lo indica el orden de la primera derivada que no se anula
en el punto fijo.
f ( ) =
f ' ( ) 0
Convergencia lineal
f ' ( ) = 0
Convergencia cuadrtica
f ( ) =
f ( ) 0
''
Alberto Surez Lpez
Pgina 81
MTODOS NUMRICOS
Captulo 5.5.1. MTODO DE NEWTON:
y
x=
x=x0
x=x1
y=F(x)
Vamos a construir una sucesin {x n } tal que {x n }

.
Elegimos un punto inicial x 0 .
Cada punto xi +1 , i = 1...n se obtiene como la interseccin de la recta tangente a la

funcin F en el punto xi con el eje OX.
Calculamos la recta tangente a la funcin F en xi :
y y 0 = m( x x0 )
y F ( xi ) = F ' (xi )(
x xi )
Alberto Surez Lpez
Pgina 82
MTODOS NUMRICOS
Y hallamos la interseccin de dicha recta con el eje OX:
x xi )
y F ( xi ) = F ' ( xi )(
y=0
F ( xi ) = F ' ( xi )(
x xi )
F ( xi ) = xF ' ( xi ) xi F ' ( xi )
xi F ' ( xi ) F ( xi ) = xF ' ( xi )
x i F ' ( x i ) F ( x i )
x=
F ' ( xi )
x=
x i F ' ( x i ) F ( x i )
'
F ' ( xi )
F ( xi )
x = xi
F ( xi )
F ' ( xi )
As, la funcin de iteracin para el mtodo de Newton vendr dada por:
f (x ) = x
F (x )
F ' (x )
Alberto Surez Lpez
Pgina 83
MTODOS NUMRICOS
Apndice A: FRMULAS Y MTODOS.

Apndice A.1. INTERPOLACIN.
Frmula de Lagrange:
n
i =0
f ( x i )l i. ( x ) ,
con:
l i (x ) =
n
x xk
=
k i
Frmula de Newton:
Pn ( x ) = c 0 + c1 ( x x 0 ) + c 2 ( x x 0 )(
x x1 ) + ... + c n ( x x 0 )(
x x1 )(
x x 2 )...( x x n 1 )
f [x0 , x1 , x 2 ,..., x n ] =
f [x1 , x 2 , x3 ,..., x n ] f [x0 , x1 , x 2 ,..., x n 1 ]

x n x0
Error en la interpolacin:
()
en x
n
M
x x i con M = sup f
(n + 1)! i =0
x( a , b )
( n +1)
(x )
Error en la interpolacin lineal:
()
e1 x
h 2 ''
f (c ) , x [x0 , x1 ]
8
Error en la interpolacin cuadrtica:
()
e2 x
h3
9 3
'''
(c ) , x [x 0 , x 2 ]
Error en la interpolacin lineal a trozos:
()
1
e1 x h 2 M
8
Errror en la interpolacin cbica a trozos:
()
e2 x
9 3
h 3 M
Alberto Surez Lpez
Pgina 84
MTODOS NUMRICOS
Apndice A.2. AJUSTE DE DATOS Y APROXIMACIN DE FUNCIONES.

Recta de regresin:
n
i =1
n
yi = a * n + b*
x1 yi = a
i =1
n
i =1
xi
xi + b
*
i =1
2
i
i =1
i =1
n
xi
i =1
i =1
xi
xi2
b*
i =1
n
i =1
yi
x1 yi
Polinomio de ajuste de grado menor o igual a dos:

n
i =1
n
i =1
n
i =1
y i = a * n + b *
xi y i = a *
n
i =1
x i2 y i = a *
n
i =1
n
i =1
xi + c *
xi + b *
n
i =1
x i2 + b *
n
i =1
x i2
x i2 + c *
n
i =1
n
n
i =1
x i3 + c *
n
i =1
x i3
i =1
n
x i4
i =1
i =1
n
xi
i =1
n
x i2
i =1
xi
x i2
x i3
x i2
a*
x i3 b * =
i =1
c*
n
4
xi
i =1
n
i =1
i =1
n
i =1
n
i =1
yi
xi y i
x i2 y i
Funcin de ajuste. Expresin general:

n
i =1
n
i =1
n
i =1
n
i =1
y i 1 ( x i )
n
y i 2 ( x i )
y i 3 ( x i )
...
y i k ( x i )
i =1
n
i =1
n
i =1
i =1
1 ( x i )2
n
i =1
2 (x i )1 (x i )
3 (x i ) 1 (x i )
...
k (x i ) 1 (x i )
n
i =1
n
i =1
1 (x i ) 2 (x i )
n
i =1
2 (x i )2
n
i =1
n
i =1
3 (x i ) 2 (x i )
k (x i ) 2 (x i )
1 (x i ) 3 (x i ) ...
2 (x i ) 3 (x i ) ...
n
i =1
n
i =1
3 (xi )
...
n
i =1
n
i =1
n
i =1
k (x i ) 3 (x i ) ...
1 (x i ) k ( x i )
c1
2 (x i ) k (x i ) c
2
3 (x i ) k (x i )
n
i =1
k (xi )
1 ( x1 ) 1 ( x 2 ) 1 ( x 3 ) ... 1 ( x n )
2 ( x1 ) 2 ( x 2 ) 2 ( x 3 ) ... 2 ( x n )
B = 3 ( x1 ) 3 ( x 2 ) 3 ( x 3 ) ... 3 (x n )
...
k ( x1 ) k ( x 2 ) k (x 3 )
y1
y2
A = B B y b = B y 3
...
t
yn
Alberto Surez Lpez
y1
k (x n )
c1
y2
c2
t
B y 3 = B B c 3
...
yn
...
ck
Pgina 85
c3
...
ck
MTODOS NUMRICOS
Apndice A.3. INTEGRACIN NUMRICA. MTODOS DE COTES Y MTODOS DE

GAUSS.
Frmula de los trapecios:
b
a
f ( x )dx
ba
[ f (a ) + f (b )]
2
Frmula de Simpson:
b
a
f ( x )dx
ba
a+b
+ f (b )
f (a ) + 4 f
6
2
Error en la frmula de los trapecios:
ET =
1 ''
3
f (c )(
b a)
12
Error en la frmula de Simpson:
ES =
1
f
9032
(4 )
(c )( b a )5
Formula de Newton Cotes abierta con un solo nodo o frmula del punto medio:
b
a
f ( x )dx (b a ) f
a+b
2
Frmula de Newton Cotes abierta con dos nodos:

b
a
f ( x )dx
ba
2a + b
2b + a
f
+ f
2
3
3
Frmula de los trapecios compuesta:

b
a
f ( x )dx
n 1
ba
f (a ) + 2 f ( x i ) + f (b )
2n
i =1
Error en la frmula de los trapecios:
E nT =
1
3
(b a ) f '' (c )
2
12n
c( a ,b )
Frmula de Simpson compuesta:

b
a
f ( x )dx
n 1
ba
f ( x 0 ) + 2 f ( x i ) +
6n
i =1
n
i =1
f (z i ) + f (x n )
Error en la frmula de Simpson:
E nS =
n 1
i =0
1
5
f (4 ) (c )(b a )
4
9032n c(a ,b )
Alberto Surez Lpez
Pgina 86
MTODOS NUMRICOS
Apndice A.4. RESOLUCIN NUMRICA DE ECUACIONES NO LINEALES.

Teorema de Bolzano:
Hiptesis:
f (a ) f (b ) < 0
Tesis:
[ ]
c (a, b ) f (c ) = 0
Teorema de Rolle:
Hiptesis:
[ ]
f es derivable en (a, b )
f (a) = f (b)
Tesis:
c (a, b ) f ' (c ) = 0
Error en el mtodo de biseccin:
xn <
ba
2n
Clculo del nmero de iteraciones necesarias en el mtodo de biseccin para cometer
un error x n < :
log
n>
ba
log 2
Iteracin del punto fijo:
{xn }
x n +1 = f ( x n )
n 0
x n domf , n 0
{xn }
IR
= f ( )
Teorema de existencia del punto fijo:
f : [a, b ]
[a, b]
[a, b] f ( ) =
Funcin contractiva:
f ' ( x ) L < 1, x (a, b )
Alberto Surez Lpez
Pgina 87
MTODOS NUMRICOS
Teorema de convergencia global:
Hiptesis:
f : [a, b]
[a, b ]
f ' ( x ) L < 1, x (a, b )
Tesis:
! [a, b] = f ( ) y {x n }

Teorema de convergencia local:

Hiptesis:
f : [a, b]
IR
f ' continua en (a, b )

(a, b ) f ( ) =
f ' ( ) < 1
Tesis:
! [a, b] = f ( ) y {x n }

Error en el mtodo de iteracin del punto fijo:
xn
Ln
Ln
x1 x0
b a
1 L
1 L
Mtodo de Newton:
{xn }
x n +1 = f (x n )
n 0
Alberto Surez Lpez
con f ( x ) = x
F (x )
F ' (x )
Pgina 88
MTODOS NUMRICOS
Apndice B: PRCTICAS.
Apndice B.1. INTRODUCCIN A LA PROGRAMACIN CON MATLAB.
pr001.m:
pr002.m:
!
" # $ %&
" %
'
(#
'
pr003.m:
)
'*
+
"
'*
,"
."
pr004.m:
/
0 "1
2
0 "3
0 #4
5
Alberto Surez Lpez
Pgina 89
MTODOS NUMRICOS
pr005.m:
6
!
" # ." $ 41&
" #
5" $
5
5(#
f001.m:
11" 7
8
9 :
" 7.7(#;
%
Alberto Surez Lpez
* )
Pgina 90
MTODOS NUMRICOS
Apndice B.2. INTERPOLACIN.

lagrange.m:
! <&
) =>
:
7# #
"
? 71 1 7" "
7
@
8
5
1
1
1" 1
"#
"#
" # 1$A#A43
7." #
7.11
8" 7 " 1B
........
1$C#A43B
.......
11." #
" #.11
)
<)
.14$"$A3-7
"1
"%
)
=
>
:
:
:
<) )
<
6:
<) )
/
'
)* =
'."
6
<
9 '
''
D "
"
E "
5 "
"
DF 5
:
8
5
,, 8
" .#
#
G
6
,, H
" .$
8H
,,
8H
" .4A
7(#.4-7 A
Alberto Surez Lpez
7.#
8 H
Pgina 91
MTODOS NUMRICOS
E
=5
G
E
717" 7#
75
= D .= 5
7.71 B7." B B7.7D." B7.7D " B B7.7
< D 7 .................................................
7D.71 B7D." B B7D.7D." B7D.7D " B B7D.7
E
E
= 5 ;= D .= 5
<D
<D
E
6<
>-<
Alberto Surez Lpez
Pgina 92
MTODOS NUMRICOS
newton.m:
'
=>
:
? 71 1 7" " 7# #
7
8
5
1
1
1" 1
"#
"#
" # 1$A#A43
8" 7 .14$"$A3-7 " 1
)
"
@
I'
"%
)
=
>
:
:
:
I'
)* =
E
/ 6
8
6
)
"
/ "
>
5#
"
. 5
."
!
717"
/ 5
7
9
!
7" 7#
7 &. !
7171 7 ."&
7 & KKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKK
7 . 71
"5
." ./ 5
." ;=
5
." .=
>
)
7
8 7
1
"B7.71
#B7.71 B7.7"
B7.71 B7.7" B7.7# B B7.7 ."
/
$B7.71 B7.7" B7.7#
7
7
L
1
5"
H "
D " 5
."
:
Alberto Surez Lpez
G
Pgina 93
MTODOS NUMRICOS
8
5
,, 8
" .#
#
G
6
,, H
" .$
8H
,,
8H
" .4A
7(#.4-7 A
7.#
8 H
=D
=D
H
G
H
H
8
5
J !
" " "&
,,
#
J
7 7 7(#
/ " 5#
717" 7#
7D
7
7
M
6
#
Alberto Surez Lpez
Pgina 94
MTODOS NUMRICOS
Apndice B.3. APROXIMACIN POR MNIMOS CUADRADOS.

ajuste.m:
5
:
8
5
,, 5
= >N
M7
"
? 7" "
#-7
$-7($
7# #
7$ $
-7(
@
!
." 13&!
." 1#&#
.113$$$$$$$$$$$$
1C"AAAAAAAAAAA4
.11111111111111"
5
M7
.13$$$-7(#
1C"AA-7
)
"%
)
=
>
N
:
:
)
:
5
/
*
5
)* =
O
N "
/ *
)" 7
" )# 7
J
M7
" -)" 7
n
i =1
n
i =1
n
i =1
i =1
1 (xi )2
n
i =1
2 (xi )1 (xi )
3 (xi )1 ( xi )
...
m (xi )1 (xi )
n
i =1
n
i =1
5
7(# )$ 7
5
# -)# 7
7
1 (xi ) 2 ( xi )
n
i =1
2 (xi )
7($
$ -)$ 7
-)
7
9
n
i =1
n
i =1
3 (xi )2 (xi )
m (xi ) 2 (xi )
N "
7(
1 (xi )3 (xi ) ...

2 (xi )3 (xi ) ...
n
i =1
n
i =1
3 (xi )2
...
m (xi )3 (xi ) ...
" # $
n
i =1
n
i =1
n
i =1
1 (xi ) m (xi )
2 (xi ) m (xi )
3 (xi ) m (xi )
n
i =1
9 *
m (xi )
c1
c2
c3 =
...
ck
i =1
n
i =1
n
i =1
n
i =1
9 JB
= P
Alberto Surez Lpez
Pgina 95
yi 1 ( xi )
yi 2 ( xi )
yi 3 ( xi )
...
yi m ( xi )
MTODOS NUMRICOS
8
1 ( x1 ) 1 (x2 ) 1 (x3 ) ... 1 ( xn )

2 ( x1 ) 2 (x2 ) 2 (x3 ) ... 2 ( xn )
F = 3 ( x1 ) 3 ( x2 ) 3 ( x3 ) ... 3 ( xn )
...
k ( x1 ) k ( x2 ) k ( x3 )
k ( xn )
1 x1
1 x2
= 1 x3
...
2
1
2
2
2
3
x
x
x
... x1m
... x2m
... x3m
xn2
xnm
n ( m +1)
xn
J
JB
= P
MB
MB
= MB
>
6
N ""
Q
R
P :
"
N "
P 6
" N "
6
M6
J*
M:
N "
N "
M
)
=
)" 7
" )# 7
D " N "
M D
=
) =
R
7(# )$ 7
D
7($
=
N "
)
,,
N "N "
6P
N ""
=
9
6J
7(
= ( D."
7 7( D."
:
5
M D = ( D."
<
J M-M
<
P M->
JG
JSP
<
N ""
:
=
!
" # $&
$
#
"
Alberto Surez Lpez
Pgina 96
MTODOS NUMRICOS
Apndice B.4. INTEGRACIN NUMRICA.

trapecio.m:
N
7
)
8
5
,,
1A
&
" A"1
3"C$34%4A4"U#4$
"A
3"C$34%
)
"%
)
)
9 :
G
) 9
)
)
7
+
7
9
:
:
)
0.....*.....,
....V...........V....
71
7"
*
. ;
N
8
! &
N "
:
.....V.....V.....V.....V..............V......
71 7" 7# 7$
7
!
717"& !
7" 7#& !
7# 7$&
!
7 ." 7 &
/
! & N
: 7
B
*
1 ."
)
7 " ."
!
7 7 "&
1
D " N."
7
*-D
7
)
*-
Alberto Surez Lpez
;
# *-
Pgina 97
MTODOS NUMRICOS
simpson.m:
N
7
)
8
5
,,
1A
&
" A"1
3"3$%%U%CAA$A#%
"A
3"3$%%U
)
"%
)
)
9 :
G
) 9
)
N
+
7
9
*
)
7
:
)
0.....#*....,
0..*..,
....V.....V.....V....
71 6" 7"
*
. ;#-N
8
! &
/
!
: 7
#BB
*
:
&
#N "
N
1
N
!
7 7 "&
."
#B. " B
*
"
!
7 7 "&
"
."
)
7 " ."
6 "
" 1
#
# 1
"
D " N
7
*- #-D."
" "
7
>
D " N."
7
*-#-D
# #
7
)
*-
Alberto Surez Lpez
%- " #- # ;
$
Pgina 98

Numeric Methods

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Numeric Methods

Hochgeladen von

Copyright:

Verfügbare Formate

Universidad de Oviedo

Captulo 1: INTRODUCCIN AL CLCULO NUMRICO.

= B de n ecuaciones con n incgnitas y

rango n , es decir, tal que A 0 con la forma:

a11 x1 + a12 x2 + a13 x3 + ... + a1n xn = b1

Alberto Surez Lpez

A11b1 + A21b2 + A31b3 + ... + An1bn

A12 b1 + A22 b2 + A32 b3 + ... + An 3 bn

A13 b1 + A23 b2 + A33 b3 + ... + An 3 bn

a13 ... a1n

A1n b1 + A2 n b2 + A3n b3 + ... + Ann bn

Para un sistema de n ecuaciones hay que resolver n + 1 determinantes. Cada uno de

= x x * , siendo x la solucin exacta y x * la solucin

Alberto Surez Lpez

Captulo 1.2. FUENTES DE ERROR. ERRORES EN LOS DATOS, ERRORES DE

Alberto Surez Lpez

Cmo podramos calcular, por ejemplo, el valor de sen(66 ) ?

Representando grficamente los puntos ( x 0 , y 0 ) y ( x1 , y1 ) vemos como definen una

Alberto Surez Lpez

Ahora, suministraremos una tabla con tres valores:

Representando grficamente los puntos ( x 0 , y 0 ) , ( x1 , y1 ) y ( x 2 , y 2 ) vemos como definen

forma P ( x ) = c 0 + c1 x + c 2 x , esto es, un polinomio de grado menor o igual a dos.

definida en el intervalo I = a, b , con x 0 , x1 , x 2 ,..., x n I . Queremos construir un

polinomio P ( x ) de grado menor o igual a n que interpola a f en los puntos x0 , x1 , x2 ,..., xn , es

Demostraremos que tal polinomio existe y es nico, y lo denominaremos polinomio

Definimos ahora un polinomio R ( x ) = P ( x ) Q( x ) de grado menor o igual a n . De este

Es decir, el polinomio R ( x ) es nulo en los n + 1 puntos x0 , x1 , x2 ,..., xn , o lo que es igual,

Probaremos ahora la existencia de dicho polinomio mediante su construccin. Para

Alberto Surez Lpez

Captulo 2.2. POLINOMIO INTERPOLANTE. FRMULAS DE LAGRANGE Y

Captulo 2.2.1. FRMULA DE LAGRANGE:

a n , que verifica Pn ( x i ) = f ( x i ), i 0, n (polinomio de interpolacin) viene dado en la

siendo l 0 ( x ), l1 ( x ), l 2 ( x ),..., l n ( x ) un polinomio de grado n que se anula en todos los

puntos x, f ( x ) excepto en uno en que su valor es la unidad.

Alberto Surez Lpez

La identidad se verifica sucesivamente para los distintos valores x0 , x1 , x2 ,..., xn .

Calcular el polinomio de interpolacin aplicando la frmula de Lagrange.

P4 ( x ) = f ( 2 )l 0. ( x ) + f ( 1)l1. ( x ) + f (0 )l 2. ( x ) + f (1)l 3. ( x ) + f (3)l 4. ( x ) =

(x + 2)( x + 1)( x 1)( x 3) +

Un problema que tiene la frmula de Lagrange es que si queremos aadir un nuevo

polinomios l 0 ( x ), l1 ( x ), l 2 ( x ),..., l n ( x ) y ahora, l n +1 ( x ) se tienen que volver a calcular. Este

La idea bsica es construir el polinomio en pasos sucesivos: primero construiremos el

funcin en los puntos x 0 , x1 , as hasta llegar al polinomio Pn ( x ) , de grado menor o igual

Alberto Surez Lpez

De este modo solventamos el inconveniente que tenamos al aadir ms puntos. Por

Pero, cmo calculamos los coeficientes c 0 , c1 , c 2 ,..., c n ?

f definida en tales puntos, se

representa f x 0 , x1 , x 2 ,..., x n , al coeficiente de x en el desarrollo del correspondiente

As, f x 0 = c 0 , f x1 = c1 , f x 2 = c 2 ,..., f x n = c n , siendo n el orden de la diferencia

Alberto Surez Lpez

Verificndose que f x 0 , x1 , x 2 ,..., x n =

f [x1 , x 2 , x 3 ,..., x n ] f [x 0 , x1 , x 2 ,..., x n 1 ]

Alberto Surez Lpez

Calcular el polinomio de interpolacin aplicando la frmula de Newton, empleando

Alberto Surez Lpez

Captulo 2.3. ERROR EN LA INTERPOLACIN.

R , n + 1 veces derivable en (a, b ) y sea Pn ( x ) el

existe un punto c x tal que el error en x viene dado por la expresin:

Alberto Surez Lpez

En este caso tomaremos M

La tabla de diferencias divididas ser:

As, el polinomio de interpolacin vendr dado por:

Alberto Surez Lpez