Temario PDF

CÁLCULO NUMÉRICO
Antonio Vigueras Campuzano
3 de octubre de 2013
Índice general
1. Cálculo Numérico: generalidades 11

1.1. Introducción: métodos de cálculo numérico . . . . . . . . . . . 11
1.2. Esquema general de construcción y aplicación de métodos numéri-
cos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1. Ejemplos que ilustran estos criterios: . . . . . . . . . . 13
1.3. Orden y rapidez de convergencia: notaciones o y O . . . . . . 14
1.3.1. Las notaciones o y O de Landau para funciones . . . . 14
1.3.2. Las notaciones o y O de Landau para sucesiones: órde-
nes de convergencia . . . . . . . . . . . . . . . . . . . . 15
1.3.3. Resolver los ejercicios siguientes: . . . . . . . . . . . . . 15
1.4. Errores en los métodos numéricos . . . . . . . . . . . . . . . . 16
1.5. Algoritmos y diagramas de flujo . . . . . . . . . . . . . . . . . 17
1.6. Problemas y trabajos propuestos . . . . . . . . . . . . . . . . 18
2. Resolución numérica de ecuaciones no lineales 21

2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2. Ecuaciones no lineales con una variable . . . . . . . . . . . . . 23
2.2.1. El método de bisección . . . . . . . . . . . . . . . . . . 23
2.2.2. Teorema del punto fijo: Método de iteración simple . . 24
2.2.3. Métodos iterativos particulares de aproximación de so-
luciones . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.4. Aceleración de la convergencia. El método 42 de Aitken 30
2.3. Ecuaciones polinomiales . . . . . . . . . . . . . . . . . . . . . 31
2.3.1. Acotación de las raı́ces de una ecuación polinómica . . 32
2.3.2. Determinación de cotas superiores de las raı́ces reales
de una ecuación polinómica . . . . . . . . . . . . . . . 32
2.4. Sistemas no lineales. Método de Newton para sistemas . . . . 33
2.4.1. Método de iteración simple en varias variables . . . . . 33
2.4.2. El método de Newton para sistemas . . . . . . . . . . . 34
3
4 ÍNDICE GENERAL
3. Resolución numérica de sistemas lineales 39

3.1. Introducción. Normas vectoriales y matriciales . . . . . . . . . 39
3.1.1. Normas matriciales inducidas . . . . . . . . . . . . . . 40
3.1.2. Número de condición de una matriz . . . . . . . . . . . 41
3.2. Métodos directos de resolución de sistemas lineales . . . . . . 42
3.2.1. Sistemas triangulares . . . . . . . . . . . . . . . . . . . 43
3.2.2. Eliminación gaussiana: el método de Gauss y sus va-
riantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2.3. Otros métodos de factorización . . . . . . . . . . . . . 47
3.3. Métodos iterativos de resolución de sistemas lineales . . . . . . 49
3.3.1. Generalidades: convergencia y construcción de méto-
dos iterativos . . . . . . . . . . . . . . . . . . . . . . . 50
3.3.2. Métodos iterativos particulares: Jacobi, Gauss-Seidel y
relajación . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.4. Introducción al cálculo aproximado de valores y vectores propios 55
4. Interpolación. Derivación e integración numérica 61

4.1. Interpolación . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.1.1. Introducción. diferentes problemas de interpolación. . . 61
4.1.2. Interpolación polinomial de Lagrange. . . . . . . . . . . 62
4.1.3. Diferencias divididas: fórmula de Newton. . . . . . . . 63
4.1.4. Diferencias finitas: fórmula de Newton. . . . . . . . . . 65
4.1.5. Estimación del error de interpolación. . . . . . . . . . . 67
4.1.6. Funciones spline. Splines cúbicos. . . . . . . . . . . . . 69
4.2. Derivación numérica . . . . . . . . . . . . . . . . . . . . . . . 71
4.2.1. Fórmulas de tipo interpolatorio. Expresión del error. . 72
4.2.2. Fórmulas de derivación numérica de orden superior. . . 73
4.2.3. Estabilidad de las fórmulas de derivación numérica. . . 74
4.3. Integración numérica . . . . . . . . . . . . . . . . . . . . . . . 75
4.3.1. Fórmulas de tipo interpolatorio. . . . . . . . . . . . . . 76
4.3.2. Fórmulas de Newton-Côtes simples. . . . . . . . . . . . 77
4.3.3. Fórmulas de cuadratura compuestas. . . . . . . . . . . 78
4.3.4. Estabilidad y convergencia . . . . . . . . . . . . . . . . 79
5. Resolución numérica de problemas de valor inicial 85

5.1. Problemas de valor inicial para ecuaciones diferenciales ordi-
narias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.2. Métodos de un paso generales: definiciones y resultados . . . . 87
5.2.1. Expresión general de los métodos de un paso . . . . . . 89
ÍNDICE GENERAL 5
5.3. Métodos de Taylor . . . . . . . . . . . . . . . . . . . . . . . . 92

5.4. Desarrollo asintótico del error global y aplicaciones . . . . . . 95
5.4.1. Estimación del error global mediante el método de ex-
trapolación al lı́mite de Richardson . . . . . . . . . . . 96
5.4.2. Extrapolación al lı́mite de Richardson . . . . . . . . . . 97
5.5. Métodos Runge-Kutta explı́citos de m etapas: formulación ge-
neral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.5.1. Tablas de Butcher: ejemplos diversos . . . . . . . . . . 99
5.5.2. Convergencia y orden de los métodos RK(m) explı́citos 100
5.6. Formulación general de los métodos lineales multipaso: orden,
consistencia, estabilidad y convergencia. Teoremas de Dahlquist102
5.6.1. Métodos predictor-corrector . . . . . . . . . . . . . . . 104
5.6.2. Orden, consistencia, estabilidad y convergencia de un
método lineal multipaso . . . . . . . . . . . . . . . . . 104
5.7. Fórmulas de Adams . . . . . . . . . . . . . . . . . . . . . . . . 107
5.7.1. Fórmulas de Adams-Bashforth . . . . . . . . . . . . . . 107
5.7.2. Fórmulas de Adams-Moulton . . . . . . . . . . . . . . 110
6. Métodos en diferencias finitas 113

6.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
6.2. Métodos en diferencias finitas para problemas de contorno li-
neales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
6.3. Generalidades sobre ecuaciones en derivadas parciales . . . . . 116
6.4. Ecuaciones elı́pticas: Problemas de valor en la frontera para
ecuaciones de Poisson o Laplace . . . . . . . . . . . . . . . . . 118
6.5. Ecuaciones parabólicas: la ecuación del calor . . . . . . . . . . 120
6.6. Ecuaciones hiperbólicas: la ecuación de ondas . . . . . . . . . 126
7. Bibliografı́a 131
Prólogo
La asignatura Cálculo Numérico se plantea como una introdución al es-

tudio de los métodos numéricos. En el caso de la Universidad Politécnica de
Cartagena, se estudia en el primer cuatrimestre del tercer curso del Grado
en Ingenierı́a en Tecnologı́as Industriales. Se trata de una asignatura de 6
ECTS, cuyo objetivo es que el alumno conozca y sepa aplicar los métodos
numéricos básicos en situaciones concretas propias de su titulación, ası́ como
capacitarle para que pueda preparar y manejar algoritmos y programas de
cálculo para la resolución de problemas prácticos, a la vez que comprenda
las posibilidades y limitaciones de las técnicas numéricas utilizadas.
Como es sabido, las leyes que rigen buena parte de los problemas estu-
diados en esta titulación, como transmisión de calor, dinámica de sistemas
mecánicos, planificación y control de trayectorias de un robot, análisis de cir-
cuitos eléctricos, dinámica de fluidos y medios continuos, deformaciones de
sólidos, propagación de ondas, cálculo de estructuras, etc., se modelizan ma-
temáticamente y a menudo acaban traduciéndose en sistemas de ecuaciones
lineales o no, problemas de valor inicial o de contorno para ecuaciones diferen-
ciales ordinarias o en derivadas parciales, por lo que no cabe duda de que el
conocimiento de estos tópicos, al menos en sus aspectos más básicos y elemen-
tales, resulta imprescindible en la formación del ingeniero. Ahora bien, como
es sabido pocos son los problemas señalados que pueden abordarse únicamen-
te con las herramientas matemáticas vistas hasta este momento, por ello se
hace necesario introducir unos conocimiento mı́nimos de Cálculo Numérico.
En palabras de Henrici, podrı́amos definir el Cálculo Numérico como la teorı́a
de los métodos constructivos en Análisis Matemático. Se hace especial énfa-
sis en la palabra constructivo ya que, propuesto un problema matemático,
además de estudiar la existencia de solución, hay que dar un procedimiento
para calcularla de modo explı́cito. Esta solución se construirá mediante al-
goritmos, entendiendo por tal una especificación no ambigua de operaciones
aritméticas en un orden prefijado. Dos serán los objetivos esenciales de esta
disciplina: 1) Dado un problema matemático, encontrar algoritmos, a veces
llamados métodos numéricos, que bajo ciertas condiciones permitan obtener
7
8 ÍNDICE GENERAL
una solución aproximada del problema propuesto; y 2) Analizar las condi-

ciones bajo las cuales la solución del algoritmo es próxima a la verdadera,
estimando los errores en la solución aproximada. Se trata pues de encontrar
métodos aproximados para resolver todo tipo de problemas matemáticos y
analizar los errores producidos en estas aproximaciones, si bien dada la am-
plitud de la materia ha sido necesario elegir determinados contenidos en
detrimento de otros. En esta elección se han tenido en cuenta, fundamental-
mente, las necesidades de los estudiantes de la titulación, intentando que los
conceptos estudiados en esta asignatura sean de utilidad y sirvan para poder
aprender otros por su cuenta cuando sea preciso. Pero, al mismo tiempo,
se busca ofrecer un curso coherente y estructurado, para que el estudiante
no perciba el estudio de esta signatura como una mera colección de técni-
cas y recetas para resolver problemas, sino que sea también consciente del
significado de los diferentes métodos y conozca sus limitaciones y ámbitos
de aplicación, para que sea capaz de decidir cuando un procedimiento es
adecuado o no lo es. En resumidas cuentas, aunque un ingeniero no es un
matemático, por lo que no tiene obligación de conocer el significado profundo
de la materia, en particular los detalles más técnicos y sutiles, sı́ es un usuario
avanzado, especialmente aquellos que desarrollarán su actividad profesional
en el campo emergente de la I+D+i, tanto en instituciones públicas como en
empresas privadas, por lo que debe ser consciente de las dificultades que en-
cierra la utilización de los métodos numéricos contemplados en el programa
de la asignatura.
Los contenidos a abordar se definen brevemente en el plan de estudios
como: Errores. Algoritmos. Interpolación polinomial. Resolución numérica
de ecuaciones y sistemas no lineales. Resolución numérica de sistemas de
ecuaciones lineales. Derivación e Integración numérica. Métodos numéricos
para las ecuaciones diferenciales y las ecuaciones en derivadas parciales, que
concretaremos en los siguientes (dejando el resto para la segunda):
Conocer las caracterı́sticas y limitaciones de los métodos constructivos,
la evolución de los errores en los cálculos numéricos y el esquema general
de construcción y aplicación de los métodos iterativos.
Conocer y saber aplicar en situaciones concretas los métodos numéricos
fundamentales de resolución aproximada de ecuaciones y sistemas no
lineales.
Conocer y saber aplicar los principales métodos directos e iterativos de
resolución se sistemas lineales.
Conocer el problema de la interpolación, ası́ como los principales méto-
dos de interpolación por polinomios y su aplicación para obtener los
ÍNDICE GENERAL 9
métodos de integración y derivación numérica.
Conocer los conceptos, resultados fundamentales y limitaciones de los

métodos numéricos de un paso y de los métodos lineales multipaso,
para la integración numérica de problemas de valor inicial, para ecua-
ciones diferenciales ordinarias. En particular, conocer y saber aplicar,
en situaciones concretas, los métodos de Euler, Taylor, Runge-Kutta y
Adams.
Conocer y saber aplicar los métodos en diferencias finitas a la resolución

numérica de problemas de contorno para EDO’s y para ecuaciones en
derivadas parciales, en particular para la ecuación del calor, de ondas
y de Laplace.
Capı́tulo 1
Cálculo Numérico:
generalidades
1.1. Introducción: métodos de cálculo numéri-

co
En este tema estudiamos el concepto de Cálculo (o Análisis) Numérico,
el esquema general de construcción y aplicación de métodos numéricos, los
errores inherentes a los mismos ası́ como el diseño de algoritmos y diagramas
de flujo.
Las leyes que rigen buena parte de los problemas estudiados en esta titu-
lación, como transmisión de calor, dinámica de sistemas mecánicos, planifi-
cación y control de trayectorias de un robot, análisis de circuitos eléctricos,
dinámica de fluidos y medios continuos, deformaciones de sólidos, propaga-
cián de ondas, cálculo de estructuras, etc., se modelizan matemáticamente y
a menudo acaban traduciéndose en sistemas de ecuaciones lineales o no, pro-
blemas de valor inicial o de contorno para ecuaciones diferenciales ordinarias
o en derivadas parciales, por lo que no cabe duda de que el conocimiento
de estos tópicos, al menos en sus aspectos más básicos y elementales, resul-
ta imprescindible en la formación del ingeniero. Ahora bien, como es sabido
pocos son los problemas señalados que pueden abordarse únicamente con
las herramientas matemáticas vistas hasta este momento, por ello se hace
necesario introducir unos conocimiento mı́nimos de Cálculo Numérico. En
frase de Henrici, podrı́amos definir el Cálculo (o Análisis) Numérico
como”la teorı́a de los métodos constructivos en Análisis Matemáti-
co”. Se hace especial énfasis en la palabra constructivo ya que, propuesto
un problema matemático, además de estudiar la existencia de solución, hay
que dar un procedimiento para calcularla de modo explı́cito. Esta solución
11
12 Capı́tulo 1. Cálculo Numérico: generalidades
se construirá mediante algoritmos, entendiendo por tal una especificación

no ambigua de operaciones aritméticas en un orden prefijado. La aparición
de los ordenadores y su creciente potencia de cálculo ha potenciado el uso
y desarrollo de métodos numéricos para resolver multitud de problemas y
ha hecho posible abordar problemas tan complejos como el de la predicción
meteorológica. Hasta tal punto ha producido esto un cambio en la situación
que el estudio de los métodos numéricos lleva camino de convertirse en una
de las ramas más importantes de las mátematicas y, desde luego una de las
de más actualidad. Podemos decir que un método numérico de resolución
de un determinado problema es ”un conjunto de reglas que permite la
obtención mediante un número finito de operaciones elementales,
de un resultado que se aproxima de alguna manera a la solución
del problema en cuestión”. Suelen proporcionar soluciones tan próximas
como se quiera (sólo en teorı́a puesto que al realizar los cálculos se come-
ten errores debido a que los ordenadores tienen una precisión limitada) a la
solución exacta, pero en general no se obtiene esta. Este hecho lo pone de
manifiesto Ortega cuando define el Cálculo (o Análisis) Numérico como
”el estudio de los métodos y procedimientos usados para obtener
soluciones aproximadas a problemas matemáticos”.
Por lo dicho antes, dos serán los objetivos esenciales de esta disciplina:
1o ) Dado un problema matemático, encontrar algoritmos, a veces llamados
métodos numéricos, que bajo ciertas condiciones permiten obtener una solu-
ción aproximada del problema propuesto, y 2o ) Analizar las condiciones bajo
las cuales la solución del algoritmo es próxima a la verdadera, estimando
los errores en la solución aproximada. Se trata pues de encontrar métodos
aproximados para resolver todo tipo de problemas matemáticos y analizar
los errores producidos en estas aproximaciones.
1.2. Esquema general de construcción y apli-

cación de métodos numéricos
En la construcción y aplicación de métodos numéricos para resolver un
determinado problema matemático se suelen seguir los siguientes pasos:
1. Sustituir el problema inicial por un algoritmo de cálculo, que contiene

un parámetro n.
2. Probar la convergencia del algoritmo, es decir asegurar que las aproxi-
maciones xn a la solución x son tan próximas como se desee; estimando
1.2. Esquema general de construcción y aplicación de métodos
numéricos 13
la rapidez o velocidad de convergencia.
3. Otro requisito sobre los métodos numéricos es el que sean estables, que
significa, hablando coloquialmente, que pequeñas modificaciones en los
datos no ocasionen fuertes cambios en el resultado final; o de otra forma
si los cálculos no se efectúan con exactitud (debido a los redondeos) no
obstante se tiene convergencia a la solución.
4. Realizar el organigrama y el programa del algoritmo en cuestión en un

adecuado lenguaje de programación.
Criterios habitualmente utilizados para la selección de un algoritmo, en-

tre otros posibles, para obtener la solución aproximada de un determinado
problema son los siguientes:
Elegir aquel método que minimice los errores.
Elegir aquel método que minimice el número de operaciones efectuadas,

directamente relacionado con el costo computacional.
Elegir aquel método que minimice la memoria requerida para almacenar

datos, cada vez menos importante debido a las grandes capacidades
actuales de los medios de cálculo a nuestra disposición.
También podrı́amos adoptar como criterio más adecuado el de selec-
cionar aquel método que produciendo errores dentro de márgenes
admisibles necesite el menor costo computacional.
1.2.1. Ejemplos que ilustran estos criterios:

Comparar el costo computacional de diferentes formas de evaluar un
polinomio: algoritmo de Horner frente a otro.
Comparar la evaluación del determinante de una matriz de orden n

según la fórmula de Vandermonde y por el método de Gauss.
Dar algunos ejemplos de cálculos inestables:

R 1 10 dx
a) Calcular el valor de la integral y10 = 0 x10+x , mediante una fórmula
de reducción que lleva a un algoritmo inestable por crecimiento
exponencial del error.
b) Calcular las raı́ces de la ecuación polinomial (Wilkinson, 1959)
(x−1)(x−2).....(x−19)(x−20) = 0, tras incrementar el coeficiente
de x19 por 10−7 .
1.3. Orden y rapidez de convergencia: nota-

ciones o y O
1.3.1. Las notaciones o y O de Landau para funciones
Sean f y g aplicaciones reales definidas en un entorno del punto x0 , deci-

mos que f es una o minúscula de g cuando x tiende a x0 (y escribimos
f (x) = o(g(x)) cuando x → x0 ) si para x próximo a x0 con x 6= x0 , g no se
anula y lı́mx→x0 f (x)/g(x) = 0, es decir si para todo ε > 0 existe un r > 0,
tal que para todo x verificando 0 <| x − x0 |< r es | f (x) |< ε | g(x) |; la
definición viene a expresar la idea de que f(x) se vuelve despreciable frente a
g(x) caundo x tiende a x0 .
A veces interesa lo que ocurre solamente cuando nos acercamos a x por

la derecha, por ello también decimos que f es una o minúscula de g
cuando x tiende a x0 por la derecha (y escribimos f (x) = o(g(x)) cuando
x → x+ 0 ) si para x próximo a x0 por la derecha con x 6= x0 , g no se anula y
lı́mx→x+0 f (x)/g(x) = 0, es decir si para todo ε > 0 existe un r > 0, tal que
para todo x verificando x0 < x < x0 + r es | f (x) |< ε | g(x) |.
Otra notación habitual para hablar del tamaño relativo de las funciones
en las proximidades de un punto es la siguiente: decimos que f es una O
mayúscula de g cuando x tiende a x0 (y escribimos f (x) = O(g(x))
cuando x → x0 ) si existen constantes K y r positivas tales que para todo x
verificando | x − x0 |< r es | f (x) |≤ K | g(x) |.
Las definiciones anteriores pueden extenderse sin dificultad al caso en que

x0 = ±∞.
En ocasiones lo que interesa es comparar una función f (x) con monomios

g(x) = (x − x0 )m cuando x → x0 , ası́ hablamos de que f (x) = o((x − x0 )m )
cuando x → x0 para expresar que f (x) es un infinitésimo de orden superior a
(x−x0 )m cuando x → x0 , es decir f (x) converge a cero más rápidamente
que lo hace (x − x0 )m cuando x → x0 . En algunas ocasiones f (h) expresa
el error que se comete en un método numérico que depende de un parámetro
de discretización positivo h, en este contexto decimos que f (h) = O(hm )
cuando h → 0+ si existen constantes K y r positivas tales que para todo h
verificando 0 < h < r es | f (h) |≤ Khm , lo que viene a expresar que f (h)
converge a 0+ al menos tan rápido como hm .
1.3. Orden y rapidez de convergencia: notaciones o y O 15
1.3.2. Las notaciones o y O de Landau para sucesiones:

órdenes de convergencia
Dadas dos sucesiones {xn } e {yn }, tal que yn 6= 0 para toda n, se dice que
xn = o(yn ) si lı́mn→∞ xn /yn = 0; asimismo, se dice que xn = O(yn ) si existen
constantes positivas K y r tales que | xn |≤ K | yn | para toda n ≥ r, en caso
de ser yn 6= 0 para toda n, esto significa que | xn /yn | permanece acotada por
K cuando n → ∞. Si ambas sucesiones tienden a cero, en el primer caso se
dice que la sucesión xn converge a cero más rápidamente que lo hace la
yn , y en el segundo que converge al menos tan rápidamente como esta.
Dada una sucesión de números reales {xn } convergente al número real x,
se dice que la convergencia es:
lineal si existe una constante positiva c < 1 y un entero n0 tal que

| xn+1 − x |≤ c | xn − x | para todo n ≥ n0 .
superlineal si existe una sucesión convergente a cero ξn y un entero

n0 tal que | xn+1 − x |≤ ξn | xn − x |p para todo n ≥ n0 .
de orden, al menos, p > 1 si existen dos constantes K (no necesa-

riamente menor que 1) y n0 tal que | xn+1 − x |≤ K | xn − x |p para
todo n ≥ n0 . Si p = 2, la convergencia se dice, al menos, cuadrática; si
p = 3 cúbica, etc.
1.3.3. Resolver los ejercicios siguientes:

1. Probar que es falso que cot x = o(x−1 ) cuando x → 0.
2. Probar que dada la sucesión {xn }, entonces xn = x + o(1) si y sólo si

limn→∞ xn = x
3. Probar también que es falso que ex − 1 = O(x2 ) cuando x → 0.
4. Utilizando el desarrollo de Maclaurin de la función sin x, probar que

3
sin x = x − x6 + O(x5 ) cuando x → 0.
n2 +1
5. Probar que n3
= o( n1 ) cuando n → ∞.
1.4. Errores en los métodos numéricos

La aplicación de métodos numéricos nos lleva a la consideración de los
errores inherentes a los mismos, que son básicamente los que siguen:
Errores en los datos iniciales, por ejemplo si son resultado de una
medida con algún instrumento.
Errores de redondeo, debidos al hecho de que el ordenador maneja
sólo un número finito de cifras significativas o dı́gitos.
Errores de truncatura o discretización, que provienen de sustituir
un problema contı́nuo por otro discreto, por ejemplo una serie por una
suma finita, una derivada por un cociente incremental, o una integral
definida por una suma de un número finito de términos, etc.
En Cálculo Numérico se estudian básicamente los errores de los dos últimos
tipos, sobre todo los de truncatura o discretización como veremos en las
lecciones siguientes.
Obtenida una aproximación x̄ del verdadero valor x de una determinada
magnitud, se llama error absoluto e = x̄ − x, si x̄ > x se dice que la
aproximación es por exceso y si x̄ < x se dice por defecto, en ocasiones
solo interesa el error sin signo o sea el | e |, además si x 6= 0 se define el
error relativo por | e | / | x |, si este último se multiplica por 100 se tiene el
error porcentual. Normalmente, como no es usual conocer los errores con
exactitud, trataremos de obtener cotas de estos errores.
Aunque en los siguientes capı́tulos no analizaremos con detalle los errores
de redondeo y su propagación, conviene que reparemos en algunas obser-
vaciones al respecto. En primer lugar, señalemos que no todo número real
puede representarse de modo exacto en un ordenador digital, de hecho ni
tan siquiera todos los números decimales con un número finito de cifras,
como por ejemplo 0,1, pues en base 2 posee infinitos dı́gitos, de hecho es
0,1 = 0,00011001100110011...(2 . Por ello, al ser almacenado el número 0,1 en
un ordenador digital sufrirá un redondeo, es decir que no sólo lo sufren los
irracionales o los racionales con infinitas cifras decimales.
Para hacernos una idea es suficiente con trabajar en base 10. Como es
sabido todo número real no nulo x puede expresarse de modo único en la
forma x = ±m · 10q con 0,1 ≤ m < 1 y q entero, a m se le denomina mantisa
y a q exponente, para almacenar dicho número en el ordenador, debemos
guardar su signo, la mantisa y el exponente con su signo, pero para guardar
m y q sólo podemos utilizar un número finito de dı́gitos, si por ejemplo q sólo
pudiera tener dos dı́gitos en base 10 el intervalo de los números representables
serı́a el dado por
1.5. Algoritmos y diagramas de flujo 17
10−100 ≤| x |≤ 1099
pero dentro de este intervalo, por las razones antes expuestas, no todos los
números pueden ser representados con exactitud, pues si por ejemplo sólo
pueden ser representados k dı́gitos para almacenar m, dado x cualquiera del
intervalo anterior, quedará representado como
x̄ = ±m̄ · 10q
con m̄ obtenida por redondeo (lo más usual) o corte tras el k-ésimo dı́gito.
El error absoluto | e |=| x̄ − x | está acotado por 12 10−k · 10q (en

redondeo) y por 10−k · 10q (en corte). Y el error relativo en x, supuesto este
no nulo, está acotado por 21 · 10−k+1 (en redondeo) y por 10−k+1 en corte.
La aritmética de k dı́gitos, en punto flotante, tiene propiedades algo
distintas de las habituales, por ejemplo la suma deja de ser asociativa, hay
números no nulos que al ser sumados a otro no alteran la suma, se produce
la pérdida de cifras significativas al hace la diferencia de números próximos,
etc.
1.5. Algoritmos y diagramas de flujo

Podemos decir que un algoritmo es un procedimiento que describe,
sin ambigüedad alguna, una sucesión finita de pasos a realizar en un
orden especı́fico para resolver un determinado problema.
Un organigrama o diagrama de flujo es una representación gráfica

del algoritmo, que nos da los pasos del algoritmo y el flujo de control
entre los diferentes pasos. Los distintos tipos de operaciones se indican
por distintos tipos de cajas, y los flujos de control se indican por lı́neas
dirigidas entre las cajas.
El esquema general de un organigrama está constituido por tres bloques

principales, correspondientes a los tres tipos de operaciones siguientes:
Operaciones de entrada. Son utilizadas para la entrada de datos

desde el exterior a las unidades de almacenamiento.
Operaciones de proceso. Se emplean para la manipulación de los da-

tos anteriormente almacenados, de donde se obtendrán unos resultados
que serán asimismo almacenados.
Operaciones de salida. Son aquellas que comunican al usuario unos

resultados, extraidos de las unidades de almacenamiento.
Un subconjunto de un programa tiene una estructura:
repetitiva, si consta de una secuencia lógica principio, una secuencia
lógica fin, ejecutadas una vez en el conjunto y un subconjunto repetitivo
ejecutado n veces.
alternativa, si consta de de una secuencia lógica principio, una se-

cuencia lógica fin, ejecutadas una vez en el conjunto y dos o más sub-
conjuntos mutuamente excluyentes, de manera que si se realiza uno de
ellos no se realizan los restantes.
compleja,si consta de varias estructuras elementales, alternativas o

repetitivas. Si sólo consta de estructuras repetitivas, se dice repetitivo
complejo; si sólo consta de estructuras alternativas se dice alternativo
complejo y si comprende de ambas se dice complejo mixto.
Cada una de estas operaciones se representan gráficamente por sı́mbolos,
por ejemplo por cı́rculos para iniciar o parar, por rectángulos para cálculo o
proceso diferente de una decisión, por rombos para las decisiones, por trape-
cios para la entrada de datos, se conectan las diversas partes del programa
mediante una lı́nea de flujo, etc.
Realizar los organigramas de los programas siguientes:

Del que calcula las normas k · k1 y k · k2 de un vector de Rn .
Del que ordena de mayor a menor dos números reales dados.
Del que nos da el número de positivos y el de negativos o nulos de un

conjunto de N números reales.
1.6. Problemas y trabajos propuestos

Problemas propuestos:
1. Probar que si f ∈ C(n) (R) se anula en n + 1 puntos distintos x0 < x1 <
. . . < xn entonces existe un ξ ∈ (x0 , xn ) tal que f (n) (ξ) = 0 (Ayuda:
utilizar el teorema de Rolle).
2. Obtener el desarrollo de Taylor para f (x) = ex entorno al punto x = 2;

asimismo, obtenerlo a partir de la serie para f en torno a x = 0.
1.6. Problemas y trabajos propuestos 19
3. El menor valor positivo , tal que 1 + > 1 se denomina el epsilon

de máquina, este depende del hardware y de como el compilador del
lenguaje de programación utilizado almacena la mantisa de un número
en punto flotante. Se pide que determinéis el epsilon de máquina para
el ordenador y lenguaje que utilicéis.
4. Para ilustrar la pérdida de dı́gitos

√ significativos por sustracción de can-
tidades casi iguales, calcular x2 + 1 − 1 y x − senx para valores de x
próximos a cero. Disponer los cálculos de manera que, en ambos casos,
se evite dicha pérdida.
R1
5. Para calcular la integral In = 0 xn ex dx(n ≥ 0) podemos utilizar (in-
tegrando por partes) el algoritmo In+1 = e − (n + 1)In con I0 = e − 1.
Obtener hasta I18 contradice esto el hecho de que limn→∞ In = 0, que
se puede decir de la estabilidad de este algoritmo.
Observación. Para los trabajos propuestos en esta y en sucesivas leccio-

nes, se pide el análisis teórico de los mismos, diversas aplicaciones y el algo-
ritmo o programa computacional necesario para su implementación práctica.
También deben estar bien escritos (preferentemente en latex) y ser presenta-
dos en clase por sus autores.
Trabajos propuestos:
Aritmética del punto flotante y errores de redondeo.

Capı́tulo 2
Resolución numérica de
ecuaciones y sistemas no
lineales
2.1. Introducción
Ruffini y Abel demostraron que, en general, no se puede resolver la ecua-
ción algebraica de orden n con n > 4 por radicales. Aunque hay cierto tipos
de ecuaciones de grado superior al cuarto, como por ejemplo las binomias
xn + a = 0 que se resuelven de esta forma. Pero esta imposibilidad no ocasio-
na inconvenientes mayores, pues se dispone de diversos métodos que permiten
calcular (según veremos a lo largo de este tema) los valores numéricos de las
raı́ces con tanta aproximación como se desee.
El proceso a seguir para resolver una ecuación dada f (x) = 0 (algebraica o
no) suele ser el siguiente, se comienza determinando un intervalo donde estén
todas las raices, es lo que se llama acotación de las raı́ces. Seguidamente,
se subdivide este intervalo en otros tales que cada uno contenga solamente
una raı́z, es lo que se denomina separación de raı́ces. Finalmente, se reduce
la amplitud de dichos intervalos hasta que sus extremos constituyan valores
aproximados aceptables, por exceso o defecto, de la raı́z contenida en su
interior, en esto consite la aproximación de raı́ces.
Algunos resultados prácticos sobre acotación de raı́ces de ecuaciones po-
linómicas se verán más adelante; ahora recordamos algunos resultados de
cálculo infinitesimal por su interés en la separación de raı́ces, comenzando
por el teorema de Bolzano.
Teorema 1 Sea f : [a, b] → R continua y tal que f (a)f (b) < 0 (es decir que
toma valores opuestos en los extremos del intervalo) entonces existe r ∈ (a, b)
21
22 Capı́tulo 2. Resolución numérica de ecuaciones no lineales
tal que f (r) = 0.

Observación.- El teorema asegura que, en las condiciones anteriores,
existe un r en el que f (x) se anula, pero no que este r sea único, puede o no
serlo, aunque se pueden dar condiciones adicionales para precisar la unicidad,
como en la siguiente proposición.
Proposición 1 Si además de las condiciones del torema 1 anterior se su-
pone que f es derivable en el intervalo abierto (a, b) con f 0 (x) > 0 ∀x ∈ (a, b)
(o f 0 (x) < 0 ∀x ∈ (a, b)), entonces la raı́z r ∈ (a, b) de la ecuación f (x) = 0
cuya existencia se garantiza en el teorema 1 es única.
Demostración. En efecto, si es f 0 (x) > 0 ∀x ∈ (a, b) entonces f es
estrictamente creciente en (a, b) por tanto no puede tener raı́ces distintas,
para el otro caso f es estrictamente decreciente y la demostración es análoga.
Un resultado sencillo que nos permite en muchos casos acotar el error
absoluto que se comete al tomar el valor aproximado α de una raı́z r viene
dado por la proposición siguiente.
Proposición 2 Sea r una raı́z de la ecuación f (x) = 0, α un valor aproxi-
mado de la misma, tal que r, α ∈ [a, b]. Si f es derivable en [a, b] y | f 0 (x) |≥
m1 > 0 ∀x ∈ [a, b], entonces
| f (α) |
| α − r |≤
m1
.
Demostración. Por el teorema del valor medio se tiene f (α) − f (r) =
(α − r)f 0 (c) con c intermedio entre α y r, luego | f (α) − f (r) |=| f (α) |=
=| α − r || f 0 (c) |≥| α − r | m1 , de donde se sigue que | α − r |≤ |fm(α)|
1
.
Ejercicios. Se pide resolver los siguientes:

1. Acotar las raı́ces reales de la ecuación x3 − x − 1 = 0.
2. Escribir los desarrollos de Taylor y Maclaurin para funciones reales de
una o varias variables reales.
Además, en los apartados siguientes de este tema estudiaremos los méto-

dos básicos de resolución de ecuaciones no lineales (bisección, Lagrange, se-
cante, Newton-Raphson, etc.), algunos resultados para el caso particular de
las ecuaciones polinomiales, un método de aceleración de la convergencia
y una introducción a la resolución numérica de sistemas de ecuaciones no
lineales.
2.2. Ecuaciones no lineales con una variable 23
2.2. Ecuaciones no lineales con una variable

2.2.1. El método de bisección
Es quizás el método más sencillo de aproximación de la ecuación f (x) =
0, pero en general, bastante lento; aunque puede utilizarse como punto de
partida para otro tipo de métodos.
Pasemos a exponerlo brevemente, en primer lugar sea una ecuación f (x) =
0, con f continua en [a, b] y tal que f (a)f (b) < 0, es decir f posee una raı́z
en [a, b], que en lo sucesivo supondremos única. Para buscar dicha raı́z, di-
vidimos el intervalo [a, b] en dos partes iguales por su punto medio a+b 2
; si
a+b a+b
f ( 2 ) = 0 entonces r = 2 es la raı́z buscada, en otro caso tomamos aquella
de las dos mitades [a, a+b
2
] o [ a+b
2
, b] en que la función toma signos opuestos
en los extremos, el nuevo segmento que designamos por [a1 , b1 ] lo volvemos
a dividir en dos partes iguales por su punto medio y reiteramos el mismo ra-
zonamiento anterior; ası́ en una cierta etapa se obtiene la raı́z o una sucesión
de intervalos encajados
[a, b] ⊃ [a1 , b1 ] ⊃ [a2 , b2 ] ⊃ · · · ⊃ [an , bn ] ⊃ · · ·
tales que f (an )f (bn ) < 0(n = 1, 2, ...) y bn − an = b−a

2n
. Puesto que los
extremos inferiores de dichos intervalos {an } forman una sucesión creciente
y acotada superiormente por b y los extremos superiores de los mismos {bn }
forman una sucesión decreciente y acotada inferiormente por a, existen los
lı́mites
limn→∞ an = α ≤ b
limn→∞ bn = β ≥ a
como además limn→∞ (an − bn ) = α − β = 0 se sigue que α = β ∈ [a, b],

siendo este lı́mite común la raı́z buscada, pues al ser f (an )f (bn ) < 0 por la
continuidad de f se deduce que limn→∞ f (an )f (bn ) = f (α)2 ≤ 0, por tanto
f (α) = 0 y α = r es la raı́z buscada de f (x) = 0 en el intervalo [a, b].
Cota de error absoluto de la enésima aproximación. Si como valor

de la raı́z buscada r tomamos la aproximación enésima por defecto an , se
tiene la siguienta acotación del error 0 ≤ r − an ≤ 21n (b − a); si se toma la
aproximación por exceso bn se tiene la acotación 0 ≤ bn − r ≤ 21n (b − a), en
tanto que si se toma como aproximación de la raı́z r buscada el punto medio
del enésimo intervalo xn = an +b2
n
, entonces tenemos la siguiente acotación
b−a
para el error | r − xn |≤ 2n+1 , es por tanto una mejor aproximación pero no
precisamos su posición relativa a r.
Ejercicio. Probar que la ecuación x3 − x − 1 = 0 posee una única raı́z en

[1, 2] y aproximarla por el método de bisección con error menor que 5 · 10−6 .
2.2.2. Teorema del punto fijo: Método de iteración sim-

ple
Dada una ecuación f (x) = 0 con f continua y una única raı́z s en el
intervalo cerrado [a, b], se quiere aproximar dicha raı́z, para lo cual se pasa de
alguna manera a una ecuación equivalente de la forma x = g(x) (es decir con
las mismas raı́ces, en este caso con la misma única raı́z s en dicho intervalo);
entonces f (s) = 0 si y sólo si s = g(s) o sea s es raı́z de f si y sólo si s es
un punto fijo de la aplicación g. Para aproximar esta raı́z se parte de algún
punto x0 ∈ [a, b] se genera la sucesión {xn } en la forma xn+1 = g(xn ), el
problema que se plantea es saber elegir un método, es decir una función g de
modo que la sucesión {xn } converja a la raı́z buscada s. El siguiente teorema
de punto fijo nos da condiciones suficientes para la existencia y unicidad de
dicha raı́z, ası́ como un método que genera una sucesión convergente a dicha
raı́z.
Teorema 2 Si g es una función real definida en el intervalo [a, b], que cum-
ple las dos condiciones siguientes:
∀x ∈ [a, b] es g(x) ∈ [a, b] (1)
Existe un número real k verificando 0 ≤ k < 1 tal que ∀x, y ∈ [a, b] es

| g(x) − g(y) |≤ k | x − y | (2)
Entonces existe una única raı́z s de la ecuación x = g(x) en [a, b], que se
obtiene como lı́mite de una sucesión {xn } donde x0 es un punto arbitrario
de [a, b] y xn+1 = g(xn ) para n ≥ 0
Demostración. En realidad este teorema, aunque se puede probar di-

rectamente, es caso particular del teorema de la aplicación contractiva
(cuya demostración no haremos) que afirma que si E es un espacio métrico
completo (es decir un espacio métrico en el que toda sucesión de Cauchy en
E es convergente), g : E → E una aplicación tal que existe un número real
k verificando 0 ≤ k < 1 y que ∀x, y ∈ E es d(g(x), g(y)) ≤ kd(x, y) (una tal
aplicación se denomina una contracción de E), entonces existe una única raı́z
s de la ecuación x = g(x) en E, que se obtiene como lı́mite de una sucesión
{xn }, donde x0 es un punto cualquiera de E y xn+1 = g(xn ) para n ≥ 0.
Ya que si g verifica las condiciones (1) y (2) anteriores es una contracción

en [a, b] y puesto que este intervalo es un cerrado en R es por tanto un espacio
métrico completo con la d(x, y) =| x − y | y en virtud del teorema citado se
sigue la tesis.
Observaciones:
1. Cuando una función verifica la condición (2) del teorema anterior con
k cualquiera (k ≥ 0) se dice que es lipschitziana en [a, b] o que verifica
una condición de Lipschitz.
2. Si g es derivable con derivada continua y cumple la condición:
| g 0 (x) |≤ k < 1 ∀x ∈ [a, b] (20 )
entonces, por el teorema del valor medio, g verifica la condición (2) del
teorema anterior.
3. El teorema anterior con la condición (2) o la (20 ) sigue siendo válido si
se sustituye el intervalo [a, b] por cualquier otro intervalo cerrado de R
no necesariamente acotado, I, pues este constituirı́a un espacio métri-
co completo, ya que todo subconjunto cerrado de un espacio métrico
completo es el mismo un espacio métrico completo.
4. Los errores en el paso enésimo vienen dados por
k kn
| xn − s |≤ | xn − xn−1 |≤ | x1 − x0 |
1−k 1−k
5. El teorema anterior (o sus varaiantes apuntadas) nos dan resultados
de convergencia global pues la aseguran para todo punto inicial x0 en
el intervalo dado, pero sus condiciones son muy restrictivas, por ello
estamos interesados en resultados de convergencia local como el que
sigue.
Teorema 3 Sea g de clase C(1) en algún intervalo que contenga a un punto
fijo s de g. Si | g 0 (s) |< 1, existe ε > 0 tal que ∀x0 ∈ [s − ε, s + ε] se tiene
que la sucesión {xn }∞ 0 con xn+1 = g(xn )(n ≥ 0) converge a s.
Demostración. Si | g 0 (s) |< 1 por continuidad ∃k < 1 tal que | g 0 (x) |≤

k, en un entorno [s − ε, s + ε]. Entonces, en dicho entorno se cumple la
condición (2) del teorema 2 anterior. Para ver que también se cumple la
condición (1), basta con tener en cuenta que si | x − s |≤ ε se sigue que
| g(x)−s |=| g(x)−g(s) |≤ k | x−s |< ε lo cual implica que g(x) ∈ [s−ε, s+ε]
como querı́amos demostrar.
Orden de convergencia de un método.

Además de la convergencia de un método dado, se quiere saber si la
sucesión definida por las iteraciones xn+1 = g(xn ) converge rápidamente a la
raı́z buscada s; es decir como disminuye el error en = xn − s de una iteración
a la siguiente, lo que nos conducirá a la siguiente definición de orden de un
método iterativo.
Definición 1 Se dice que el método xn+1 = g(xn ) es convergente de
orden p, con p ≥ 1, si limn→∞ |e|en+1
n|
|
p = k > 0 (siendo 0 < k < 1 si p = 1).
Para estudiar el orden de un método, definido por la aplicación g, si esta

es suficientemente regular, se recurre al desarrollo de Taylor, de modo que si
g ∈ C(k+1) (I) en un intervalo I que contiene a s se tendrá:
en+1 = xn+1 − s = g(xn ) − g(s) =
(k) (k+1) (ξ )
g (s)en + 12 g 00 (s)e2n + ... + g k!(s) ekn + g (k+1)!
0 n
ek+1
n
Por tanto limn→∞ |e|en+1n|

|
=| g 0 (s) | , luego si 0 <| g 0 (s) |< 1 se dice que
el método tiene convergencia lineal o de primer orden. Si g 0 (s) = 0, se
deduce que limn→∞ |e|en+1
n|
2
|
= 21 | g 00 (s) | , luego si g 00 (s) 6= 0 se dice que la
convergencia es cuadrática o de segundo orden. Y, en general, si se
verifican las condiciones g 0 (s) = g 00 (s) = ... = g (r−1) (s) = 0 y g r (s) 6= 0 el
método será de orden r. Para otros métodos cuyo error no se comporta de
esta forma el orden de convergencia puede no ser entero.
2.2.3. Métodos iterativos particulares de aproximación

de soluciones
En cada uno de los métodos que se exponen a continuación, se parte de
una ecuación f (x) = 0, con f real continua en [a, b] y tal que f (a)f (b) < 0,
es decir f posee una raı́z s en [a, b], que supondremos única.
Método de aproximaciones sucesivas.

Aunque los métodos definidos por el teorema 2 anterior son todos métodos
de aproximaciones sucesivas, se suele conocer como tal al método que consiste
en pasar de la ecuación f (x) = 0 a la ecuación equivalente x = x − f (x) =
g(x). Ahora bien si f y f 0 son continuas también lo serán g y g 0 , y para tener
convergencia, al menos, local del método iterativo
x0 dado
xn+1 = xn − f (xn )
es preciso, de acuerdo con el teorema 3, que si s es la raı́z buscada se tenga

| g 0 (s) |=| 1 − f 0 (s) |< 1 o equivalentemente 0 < f 0 (s) < 2. Puesto que esta
condición es muy restrictiva, a veces suele introducirse una función real no
nula α(x) de la manera siguiente
f (xn )
xn+1 = xn − α(xn )
0
En particular si α(xn ) = α es constante se tiene que g 0 (s) = 1 − f α(s) con
0
lo cual basta con elegir α para que | 1 − f α(s) |< 1; además, de acuerdo
0
con el apartado anterior si g 0 (s) = 1 − f α(s) 6= 0 el método correspondiente
tendrá convergencia lineal o de orden uno.
Método de Lagrange.
El método de Lagrange, también conocido como método de las partes
proporcionales o regula falsi, consiste básicamente en reemplazar la gráfica
de f restringida al intervalo [a, b] por la recta pasando por los puntos extremos
A(a, f (a)) y B(b, f (b)), es decir se sustituye la función f por un polinomio
de grado uno p(x) y se resuelve la ecuación p(x) = 0; el punto de intersección
de la recta AB con el eje de las x está dado por
b−a af (b)−bf (a)
x1 = a − f (a) f (b)−f (a)
= f (b)−f (a)
Seguidamente se calcula f (x1 ) y se determina en cual de los dos intervalos

[a, x1 ] o [x1 , b] está la raı́z buscada s, suponiendo que s ∈ [a, x1 ], entonces
se puede volver a aplicarar el mismo procedimiento cambiando b por x1 ,
obteniéndose
−a af (x1 )−x1 f (a)
x2 = a − f (a) f (xx11)−f (a)
= f (x1 )−f (a)
En general, si esto es posible en cada paso, se tendrá el siguiente algoritmo
x0 = b
xn+1 = g(xn )
con g definida por la expresión

x−a af (x)−xf (a)
g(x) = a − f (a) f (x)−f (a)
= f (x)−f (a)
Con objeto de dar condiciones suficientes de convergencia local, suponga-

mos que f (x) es derivable, entonces para el algoritmo obtenido será g 0 (s) =
f (a)+(s−a)f 0 (s)
f (a)
y si f es de clase C(2) en un intervalo que contenga al [a, s]
00 (c)
entonces desarrollando por Taylor se tiene f (a) = f 0 (s)(a − s) + f 2
(a − s)2
con a < c < s (pues f (s) = 0), luego una condición suficiente para que haya
convergencia local, en general de primer orden o lineal es que se verifique
00 2
| g 0 (s) |=| f (c)(a−s)
2f (a)
|< 1.
Ejercicio. En el supuesto anterior, el punto inicial es el extremo b, pero

podrı́a darse el caso de que el punto inicial fuera el extremo a, obtener los
algoritmos correspondientes para todos los casos posibles partiendo de fun-
ciones f de clase C(2) verificando condiciones analı́ticas para que sus gráficas
en el intervalo [a, b] tengan las formas que se indican a continuación.
Método de Newton-Raphson.
Si f (x) = 0 posee una raı́z en el punto s del intervalo [a, b], la idea de este
método consiste en reemplazar la curva f (x) por la recta tangente a la misma
en uno de sus puntos extremos. En el caso de la figura, se tiene interés en
tomar la tangente en b, cuya ecuación está dada por y − f (b) = f 0 (b)(x − b)
y su intersección con el eje OX está dada por
f (b)
x1 = b − f 0 (b)
que representa un valor aproximado de s. Si ahora volvemos a trazar la

tangente por el punto de abscisa x1 y cortamos con el eje OX se obtiene la
segunda aproximación de la raı́z en la forma
f (x1 )
x2 = x 1 − f 0 (x1 )
Reiterando este modo de proceder, obtenida la aproximación n-sima se ob-

tiene la (n+1)-sima mediante el algoritmo siguiente
f (xn )
x0 = b , xn+1 = xn − (n ≥ 0)
f 0 (xn )
o también
x0 = b , xn+1 = g(xn ) (n ≥ 0)
con
f (x)
g(x) = x −
f 0 (x)
El método estará bien definido para xn próximo a s con la condición f 0 (s) 6= 0;
es decir s es un cero simple de f , pues si f 0 (s) 6= 0, siendo f 0 continua y xn
suficientemente próximo a s se tendrá f 0 (xn ) 6= 0.
Otra forma de deducir este método es la siguiente; dada la ecuación
f (x) = 0 pasemos a la ecuación equivalente
f (x)
x=x− α(x)
= g(x)
con α(x) 6= 0; ahora si dichas funciones son derivables, se tendrá

f 0 (x)α(x)−α0 (x)f (x)
g 0 (x) = 1 − α(x)2
0
y si s es una raı́z de de f (x) = 0 obtendremos g 0 (s) = 1 − fα(s)
(s)
, por tanto
0
siempre que α(x) verfique α(s) = f (s) la convergencia del método xn+1 =
g(xn ) será cuadrática, por lo que basta con tomar α(x) = f 0 (x), si f 0 (x), no
se anula para que el método
f (xn )
xn+1 = xn − f 0 (xn )
(n ≥ 0)
tenga convergencia, al menos, cuadrática.

Seguidamente, damos sendos resultados relativos a la convergencia local
y global del método.
Teorema 4 (Teorema de convergencia local) Sea f 00 continua y f 0 no

nula en algún intervalo abierto que contenga la raı́z s de f (x) = 0. Entonces,
existe ε > 0 tal que el método de Newton es convergente para todo x0 tal
que | x0 − s |≤ ε. Si además f 000 es continua la convergencia es, al menos,
cuadrática.
Teorema 5 (Teorema de convergencia global-1) Sea f ∈ C(2) ([a, b])

verificando:
1. f (a) · f (b) < 0
2. ∀x ∈ [a, b] es f 0 (x) 6= 0 (monotonı́a estricta)
3. ∀x ∈ [a, b] es f 00 (x) ≥ 0 (o ∀x ∈ [a, b] es f 00 (x) ≤ 0, concavidad en el

mismo sentido)
Entonces, existe una única raı́z s de f (x) = 0 en [a, b] y la sucesión {xn }∞ 0 ,

definida por el algoritmo del método de Newton converge, hacia s para todo
x0 ∈ [a, b] tal que f (x0 )·f 00 (x0 ) ≥ 0. Si además f ∈ C(3) ([a, b]) la convergencia
es, al menos, cuadrática.
Teorema 6 (Teorema de convergencia global-2) Sea f ∈ C(2) ([a, b])

verificando:
1. f (a) · f (b) < 0
2. ∀x ∈ [a, b] es f 0 (x) 6= 0 (monotonı́a estricta)

3. ∀x ∈ [a, b] es f 00 (x) ≥ 0 (o ∀x ∈ [a, b] es f 00 (x) ≤ 0, concavidad en el

mismo sentido)
f (a) f (b)
4. máx | f 0 (a)
|, | f 0 (b)
|≤b−a
Entonces, existe una única raı́z s de f (x) = 0 en [a, b] y la sucesión {xn }∞
0 ,
definida por el algoritmo del método de Newton converge, hacia s para todo
x0 ∈ [a, b]. Si además f ∈ C(3) ([a, b]) la convergencia es, al menos, cuadráti-
ca.
2.2.4. Aceleración de la convergencia. El método 42

de Aitken
Para el método de aproximaciones sucesivas y el de Lagrange, ası́ como
para cualquier otro método de orden uno, los errores de las aproximaciones
sucesivas de la raı́z buscada verifican
en+1 = (A + εn )en con A = g 0 (s), 0 <| A |< 1 y limn→∞ εn = 0
Si se supone que εn = 0, entonces se tiene
xn+1 − s = A(xn − s)
xn+2 − s = A(xn+1 − s)
por tanto, restando a la segunda la primera, deducimos xn+2 − xn+1 =
A(xn+1 − xn ), de donde resulta
xn+2 −xn+1
A= xn+1 −xn
luego de la primera de las ecuaciones anteriores se deduce

1 1
s= 1−A
(xn+1 − Axn ) = xn + 1−A
(xn+1 − xn )
y sustituyendo A por su valor, finalmente, se obtiene
(xn+1 −xn )2
s = xn − xn+2 −2xn+1 +xn
Es decir bajo la hipótesis de que el método sea de orden uno y con εn = 0, se

obtiene la solución exacta con sólo tres iteraciones sucesivas. Ahora bien, en
el caso de un método de primer orden para el que εn 6= 0, pero sea pequeño en
comparación con A en el entorno del lı́mite, se puede preveer que la sucesión
{x0n } definida por
(xn+1 − xn )2 (4xn )2
x0n = xn − = xn −
xn+2 − 2xn+1 + xn 42 x n
sea una mejor aproximación de s que xn , y eso es precisamente lo que afirma
el teorema siguiente, que damos sin demostración.
2.3. Ecuaciones polinomiales 31
Teorema 7 Si {xn } es una sucesión que converge hacia s, con convergencia

de orden uno, entonces la sucesión {x0n } definida anteriormente converge a
s más rápidamente, es decir que
0
limn→∞ xxnn −s
−s
=0
Se conoce como método de aceleración de la convergencia 42 de Aitken.
Ejercicio. Aproximar la única raı́z de la ecuación f (x) = x3 −x−1 = 0 en

el intervalo [1, 2] con error menor que 5 · 10−6 por los métodos de bipartición,
Lagrange, Lagrange acelerado y Newton.
2.3. Ecuaciones polinomiales

Los métodos anteriormente expuestos son aplicables a la resolución de
ecuaciones polinómicas p(x) = 0, siendo
p(x) = a0 xn + a1 xn−1 + · · · + an−1 x + an = 0 con ai ∈ R y a0 6= 0
pero hay diversas peculiaridades relativas a la evaluación de polinomios y

sus derivadas, ası́ como a la acotación de sus raı́ces, que por su eficiencia
pasamos a relatar. En particular, para evaluar un polinomio es útil escribirlo
en la forma anidada
p(x) = an + x(an−1 + x(an−2 + · · · + x(a0 ) . . . )) con ai ∈ R y a0 6= 0
Ahora bien, el algoritmo
p0 (x) = a0
pk (x) = ak + xpk−1 (x) (k = 1, 2, . . . , n)
nos da
pk (x) = ak + ak−1 x + · · · + a0 xk (k = 1, 2, . . . , n)
resultando, en particular, que pn (x) = p(x); se conoce como algoritmo de

Horner, para evaluar un polinomio de grado n se requieren por este método
un total de 2n operaciones (n sumas y n multiplicaciones), en tanto que por el
método ordinario serı́an necesarias 3n−1 operaciones (2n−1 multiplicaciones
y n sumas).
2.3.1. Acotación de las raı́ces de una ecuación polinómi-

ca
En general, dada una ecuación f (x) = 0, se dice que el número real L
es una cota superior de sus raı́ces reales si para toda raı́z real r de dicha
ecuación se verifica que r ≤ L. Análogamente se dice que el número real
l es una cota inferior de sus raı́ces si verifica que l ≤ r. Y se dice que
se han acotado sus raı́ces reales si se ha determinado un intervalo [l, L]
que las contiene a todas. Si se admite la posibilidad de raı́ces complejas, se
dirá que se han acotado si existe M ≥ 0 tal que | r |≤ M para toda raı́z r
de f (x) = 0. Veamos algunos resultados sencillos de acotación de raı́ces de
ecuaciones polinómicas.
Teorema 8 Sea la ecuación polinómica p(x) = a0 xn +a1 xn−1 +· · ·+an−1 x+
an = 0 con a0 6= 0, entonces si λ = máx{| aa0i || 1 ≤ i ≤ n}, toda raı́z de
p(x) = 0 verifica que | r |≤ λ + 1. Es decir todas las raı́ces de la ecuación
están contenidas en el cı́rculo de radio λ + 1.
Demostración. Si r es una raı́z de dicha ecuación, entonces se tiene
a0 r + a1 rn−1 + · · · + an−1 r + an = 0 de donde se deduce que
n
n
| r |n =| a1 n−1
a0
r + ··· + an−1
a0
r + an
a0
|≤ λ(| r |n−1 + · · · + | r | +1) = λ |r| −1
|r|−1
Si siendo r raı́z fuese | r |> λ + 1 se tendrı́a que | r | −1 > λ o equivalen-

n
1
temente |r|−1 < λ1 y entonces cumplirı́a | r |n < λ |r| λ−1 =| r |n −1 lo cual es
absurdo, por tanto para toda raı́z r se debe verificar que | r |≤ λ + 1, como
querı́amos demostrar.
Ejercicio. Acotar las raı́ces de la ecuación f (x) = x3 − x − 1 = 0.
2.3.2. Determinación de cotas superiores de las raı́ces

reales de una ecuación polinómica
Veamos brevemente tres métodos para obtener una cota superior L de las
raı́ces reales de una ecuación polinómica. Puesto que las ecuaciones f (x) = 0
y f (−t) = 0 tienen raı́ces opuestas, si L0 es una cota superior de las raı́ces
de f (−t) = 0 entonces l = −L0 es una cota inferior de las raı́ces reales
de f (x) = 0, en consecuencia si sabemos hallar una cota superior también
sabemos obtener una cota inferior.
1. (Laguerre-Thibault) Si L ≥ 0 y en la división de p(x) por x − L
son no negativos todos los coeficientes del cociente y también el resto,
entonces L es una cota superior de las raı́ces reales de p(x).
2.4. Sistemas no lineales. Método de Newton para sistemas 33
Demostración. En efecto, p(x) = p(L)+(x−L)(b0 xn−1 +· · ·+bn−2 x+

bn−1 ) y si p(L) ≥ 0 y bi ≥ 0 (i = 0, 1, . . . , n − 1), entonces para todo
x > L ≥ 0 real resulta ser p(x) > 0 y x no puede ser raı́z, de donde se
sigue el resultado.
2. Newton Si p(L) ≥ 0, p0 (L) ≥ 0, . . . , p(n) (L) ≥ 0 entonces L es una cota

superior de las raı́ces reales de p(x) = 0.
p00 (L)
Demostración. Puesto que p(x) = p(L) + p0 (L)(x − L) + 2!
(x −
p( n)(L)
L)2 + · · · + n!
− L)n , entonces para todo x > L ≥ 0 real resulta
(x
p(x) > 0, luego L es una cota superior de las raı́ces reales.
3. Método de agrupación de términos. Supongamos la ecuación or-

denada y con el primer coeficiente a0 positivo (si fuera necesario mul-
tiplicamos por -1), seguidamente agrupemos los términos de la misma
de manera que cada grupo empiece por un término con coeficiente po-
sitivo y no presente más que una variación de signo, supongamos que
para un cierto ξ0 > 0 el primero de dichos grupos es positivo, entonces
también lo es para todo x > ξ0 , si designamos por L al mayor de los
valores ξi que corresponden a cada grupo, entonces todos los grupos
son positivos para x ≥ L, o sea no hay raı́ces reales mayores que L, y
por tanto L es una cota superior de sus raı́ces reales.
Ejercicio. Dada la ecuación p(x) = x7 −2x6 +x5 −x4 +2x3 −3x2 +7x−1 =
0, se pide acotar sus raı́ces y obtener (utilizando alguno de los métodos
anteriores) cotas superiores e inferiores de sus raı́ces reales.
2.4. Sistemas no lineales. Método de Newton

para sistemas
Vamos a restringirnos a sistemas de dos ecuaciones con dos incógnitas,
aunque para el caso general de n ecuaciones con n incónitas estos métdos se
generalizan sin dificultad alguna.
2.4.1. Método de iteración simple en varias variables

Para fijar ideas sea un sistema de dos ecuaciones con dos incógnitas
f1 (x1 , x2 ) = 0
f2 (x1 , x2 ) = 0
lo escribimos en forma equivalente como

x1 = g1 (x1 , x2 )
x2 = g2 (x1 , x2 )
con lo cual el problema se traduce en buscar un punto fijo de la transforma-
ción y = g(x) definida por
y1 = g1 (x1 , x2 )
y2 = g2 (x1 , x2 )
Teorema 9 Sea I un cerrado de R2 tal que

i) g(x) ∈ I, ∀x ∈ I
ii) kg(x) − g(y)k ≤ L k x − y k, ∀x, y ∈ I con 0 ≤ L < 1

(0) (0) (m) (m)
Entonces, para todo x(0) = (x1 , x2 ) ∈ I, la sucesión {x(m) }∞ ∞
0 = {(x1 , x2 )}0
definida por x(m+1) = g(x(m) ) o también
(m+1) (m) (m)
x1 = g1 (x1 , x2 )
(m+1) (m) (m)
x2 = g2 (x1 , x2 )
converge a la única solución s = (s1 , s2 )) del sistema de ecuaciones
x1 = g1 (x1 , x2 )
x2 = g2 (x1 , x2 )
Lm
Además, para todo m ≥ 1 se tiene kx(m) − sk ≤ 1−L
k x(1) − x(0) k .
Demostración. Es una consecuencia del teorema de la aplicación con-

tractiva de un espacio métrico completo.
2.4.2. El método de Newton para sistemas

Dado el sistema
f1 (x1 , x2 ) = 0
f2 (x1 , x2 ) = 0
con f (x1 , x2 ) = (f1 (x1 , x2 ), f2 (x1 , x2 )) de clase C(2) en un entorno de la raı́z
buscada s = (s1 , s2 ) y con jacobiano inversible en s, pasamos al sistema
equivalente
x1 = g1 (x1 , x2 )
x2 = g2 (x1 , x2 )
donde ahora es g(x) = x − Jf−1 (x)f (x). El método definido por esta g se
denomina método de Newton para sistemas, es localmente convergente
con convergencia de segundo orden y viene dado por el algoritmo
x(m+1) = x(m) − Jf−1 (x(m) )f (x(m) )
La aplicación de este método requiere que Jf (x(m) ) sea inversible para

todo m y en la práctica se suele presentar en la forma
Jf (x(m) )(x(m+1) − x(m) ) = −f (x(m) )
y llamando δ (m) = x(m+1) − x(m) , el método consiste en
Hallar δ (m) verificando Jf (x(m) )δ (m) = −f (x(m) )

y obtener x(m+1) = x(m) + δ (m)
Ejercicio. Haced un par de iteraciones por el método de Newton para apro-

ximar la raı́z del sistema
x3 − 3xy 2 + 1 = 0
3x2 y − y 3 = 0
1
partiendo
√
del punto inicial (x0 , y0 ) = (1, 1) (la solución exacta es s1 = 2
y
3 ∼
s2 = 2 = 0,866025).

1. Utilizar el método de bisección para encontrar una solución aproxima-

da, con error menor que 10−2 en [4, 4,5], de la ecuación x = tan x.
2. Probar que la ecuación x − cosx = 0 tiene una única raı́z. Considerar el

esquema iterativo: tomar x0 arbitrario y calcular xk+1 = cos(xk ) (k =
0, 1, 2, . . . ), probar su convergencia.
3. Utilizando el métdo iterativo del punto fijo, encontrar una raı́z próxima
a x0 = 0 de la ecuación 2x − 5x + 2 = 0, trabajar con cuatro decimales
redondeados e iterar hasta que | xi − xi−1 |< 0,00005.
4. Realizar dos iteraciones con el método de Lagrange para aproximar la

raı́z de 2x3 + x − 2 = 0 en el intervalo [0, 1], utilizando cuatro decimales
redondeados en cada iteración.
5. Sean m ∈ R y | ε |< 1, probar que la ecuación x = m − εsenx tiene

una única solución en el intervalo [m − π, m + π] y proponer un método
iterativo para aproximarla.
6. Aplicar el método de bisección a la funcióm f (x) = x3 − 17 para deter-
minar la raı́z cúbica de 17 con error menor que 10−2 , iniciar los cálculos
en el intervalo [2, 3]. Asimismo, aproximarla utilizando un método ite-
rativo adecuado y el método de Newton.
7. Para la ecuación 3x + senx − ex = 0, utilizando el método de Newton,
aproximar la raı́z próxima a x0 = 0, redondeando los cálculos a cinco
cifras significativas e iterando hasta que | xi − xi−1 |< 0,001.
8. Acotar las raı́ces reales de la ecuación x4 + 2x3 − 7x2 + 3 = 0, y de-
terminar su número. Calcular con error menor que 5 · 10−6 , mediante
el método de Newton, una de sus raćes positivas (justificando todos
los extremos del teorema que garantice la convergencia del método).
Comprobar el orden de convergencia del método de Newton en este
caso.
9. Probar que la ecuación f (x) = ex − 3x2 = 0 posee tres raı́ces reales
distintas, aproximar la mayor de ellas utilizando el método de New-
ton, la menor mediante el método de Lagrange y la intermedia por
un método convergente ideado por vosotros, realizando cuatro pasos y
estimando el error correspondiente a la cuarta iteración; justficar los
procedimientos utilizados.
10. Sea f (x) una función de clase C(3) con una única raı́z simple en el
intervalo [c, d]; determinar unas funciones a(x) y b(x) de modo que el
método:
xn+1 = xn + a(xn )f (xn ) + b(xn )f (xn )2 (n = 0, 1, 2, . . . )
sea al menos de tercer orden.
11. Dada la expresión
f (x) f (x) 2
g(x) = x − + h(x)( )
f 0 (x) f 0 (x)
Se pide elegir h(x) para que la iteración definida por g(x) converja
cúbicamente a√una solución de f (x) = 0. Aplicar dicha iteración para
aproximar la 10, partiendo del extremo de [3, 4] para el que se puede
asegurar la convergencia del método de Newton; realizar tres iteracio-
nes.
12. Realizar al menos una iteración con el método de Newton para sistemas,
a fin de aproximar la raı́z del sistema
x − x2 − y 2 = 0
y − x2 + y 2 = 0
próxima a x0 = 0,8, y0 = 0,4.
13. Con el método de Newton para sistemas, realizar dos iteraciones a fin
de aproximar la raı́z del sistema
x2 − 10x + y 2 + 8 = 0
xy 2 + x − 10y + 8 = 0
partiendo del punto (0, 0).
Variantes del método de Newton-Raphson. Método de la secante.
Sucesiones de Sturm y aplicación a la separación de raı́ces reales, caso

de las ecuaciones polinómicas.
Métodos numéricos especiales para ecuaciones polinómicas: método de

Bairstow.
Ecuaciones en diferencias y método de Bernoulli para el cálculo de la

raı́z dominante de un polinomio.
Variantes del método de Newton para sistemas no lineales.

Capı́tulo 3
sistemas lineales. Problemas de
valores propios
3.1. Introducción. Normas vectoriales y ma-

triciales
Los métodos de resolución de sistemas lineales Ax = b los podemos cla-
sificar en directos (que persiguen obtener la solución exacta en un número
finito de pasos, como por ejemplo los métodos de Kramer, Gauss, LU, Cho-
lesky, etc.) e iterativos (en los que se parte de unos valores aproximados
iniciales y a partir de ellos se van obteniendo valores cada vez más aproxi-
mados de la solución x = A−1 b, ejemplos de tales métodos son los de Jacobi,
Gauss-Siedel, relajación, etc.).
Para unos y otros se define la estabilidad numérica como la sensibi-
lidad del método utilizado respecto a pequeñas perturbaciones o errores en
los datos. Seguidamente damos las definiciones de normas vectoriales y ma-
triciales que nos permitirán dar resultados sobre convergencia y acotación de
errores en unos y otros.
Definición 2 Sea V un espacio vectorial real o complejo, una norma sobre
V es una aplicación k · k: V → R verificando las propiedades siguientes:
1. ∀x ∈ V es k x k≥ 0 y k x k= 0 ⇔ x = 0
2. ∀x ∈ V y ∀α ∈ K es k αx k=| α |k x k (K es el cuerpo de los números
reales o complejos).
3. ∀x, y ∈ V es k x + y k ≤k x k + k y k
39
40 Capı́tulo 3. Resolución numérica de sistemas lineales
1
Ejemplos de normas en Rn y Cn son k x kp = ( ni=1 | xi |p ) p para 1 ≤
P
p < ∞ y k x k∞ = máx1≤i≤n | xi | (denominada norma del supremo); casos
especialmente
Pn interesantes son los P relativos a p = 1 y p = 2 dados por
1
k x k1 = ( i=1 | xi |) y k x k2 = ( ni=1 | xi |2 ) 2 = xt x, aquı́ x denota la
matriz columna con las mismas componentes que el vector x, en tanto que xt
es su matriz traspuesta es decir la matriz fila con las mismas componentes que
x (esta es la norma euclı́dea). Se puede probar que en los espacios vectoriales
de dimensión finita sobre el cuerpo K, de los números reales o complejos,
todas las normas son equivalentes, en el sentido de que definen los mismos
abiertos con la distancia asociada a la norma definida por d(x, y) =k x − y k.
Definición 3 Sobre el espacio vectorial de las matrices cuadradas de orden
n reales o complejas Mn (K), una norma se dice que es una norma matri-
cial si además de las tres propiedades anteriores verifica la siguiente:
∀A, B ∈ Mn (K) es k AB k ≤k A k k B k
Definición 4 Una norma vectorial k · kV sobre Kn y una norma matricial
k · kM sobre Mn (K) se dicen compatibles si se verifica la siguiente propie-
dad:
∀A ∈ Mn (K) y ∀x ∈ Kn es k Ax kV ≤k A kM k x kV
El teorema siguiente , que enunciamos pero cuya demostración no hare-
mos, nos dice como construir una norma matricial compatible con una norma
vectorial dada.
Teorema 10 Si k · kV es una norma vectorial sobre Kn y ∀A ∈ Mn (K)
definimos k A k= máxkxkV =1 k Ax kV , entonces k · k es una norma matricial
compatible con k · kV . Se denomina norma inducida o subordinada por
k · kV .
3.1.1. Normas matriciales inducidas

Las normas matriciales inducidas por k · k1 , k · k2 y k · k∞ que indicamos
por los mismos sı́mbolos resultan ser:
k A k1 = máxj ni=1 | aij | (o sea es el máximo de las normas subuno
P
de los vectores columna de la matriz dada).
1 t
k A k2 = ρ(A∗ A) 2 (se llama norma espectral, donde A∗ = A es la
denominada matriz asociada de A que es la traspuesta de su matriz
conjugada, si A fuese real su asociada serı́a simplemente su traspuesta).
Conviene recordar que el radio espectral de una matriz M , ρ(M ) =
máx1≤i≤n {| λi | tal que λi es valor propio de A}.
3.1. Introducción. Normas vectoriales y matriciales 41
k A k∞ = máxi nj=1 | aij | (o sea es el máximo de las normas subuno

P
de los vectores fila de la matriz dada).
3.1.2. Número de condición de una matriz

Definición 5 Con respecto a la resolución de sistemas lineales Ax = b, si
la matriz A es inversible, se denomina número de condición (o con-
dicionamiento) de dicha matriz respecto a una norma matricial dada al
número
k(A) = kAkkA−1 k
Cuando A no es inversible se define k(A) = ∞. Es fácil probar que siempre
se cumple k(A) ≥ 1, cuando es k(A) = 1 se dice que A está perfectamente
condicionada.
Análisis de errores.
Sea Ax = b un sistema lineal, si se perturba la matriz de términos inde-
pendientes del sistema con 4b, la nueva solución será x + 4x, verificándose
A(x + 4x) = b + 4b
Entonces, se tendrá A4x = 4b o también 4x = A−1 4b y tomando cualquier
norma vectorial y su norma matricial inducida resultará
k4xk ≤ kA−1 kk4bk
lo que nos da una acotación del error absoluto 4x. Si se desea obtener una
acotación del error relativo en x debido a la perturbación de los términos
independientes 4b, basta con escribir
k4xk ≤ kA−1 kk4bk = kA−1 kkAxk k4bk
kbk
≤ kA−1 kkAkkxk k4bk
kbk
resultando
k4xk
kxk
≤ kAkkA−1 k k4bk
kbk
= k(A) k4bk
kbk
es decir que el error relativo en x es menor o igual que k(A) veces el error
relativo en b.
Si el número de condición es grande se dice que la matriz está mal con-
dicionada y la solución puede ser muy sensible con respecto a pequeños
cambios en los términos independientes, en caso contrario se dice bien con-
dicionada.
En general si se perturban tanto la matriz de coeficientes como los térmi-
nos independientes con 4A y 4b resulta una solución x + 4x que cumple
(A + 4A)(x + 4x) = b + 4b
y se puede probar el siguiente teorema.
Teorema 11 Si k4Ak < kA1−1 k entonces, usando normas vectoriales y ma-
triciales compatibles, se verifica
k4xk k(A)kIk k4Ak k4bk
kxk
≤ k4Ak ( kAk + kbk
)
1−k(A) kAk
Que nos da una acotación del error relativo de la solución en estas condicio-
nes.
Ejercicios. Se pide resolver los siguientes:

 
−1 2 0
Calcular las normas k · k1 y k · k∞ de la matriz  0 −2 −2 .
3 5 4
Para una matriz ortogonal A, obtener k A k2 .
Sea f la función de la forma f (x) = Ax12 + Bx13 , verificando que

f (0,1) = 6,06 ∗ 10−13 y f (0,9) = 0,03577. Determinar A y B, y evaluar
la sensibilidad de estos parámetros respecto de pequeños cambios en
los valores de f .
3.2. Métodos directos de resolución de siste-

mas lineales
Teorema 12 En general, dado un sistema Ax = b de m ecuaciones li-
neales con n incógnitas, si a la matriz ampliada (A, b)m×(n+1) le efectuamos
operaciones elementales de filas (lo cual equivale a multiplicar por matrices
regulares de orden m a izquierda), se obtiene una nueva matriz ampliada
(A, b)m×(n+1) ; entonces x0 es solución del sistema Ax = b si y sólo si es
solución del sistema Ax = b.
Demostración. En efecto, puesto que (A, b) = Mp · · · M1 (A, b) =

(M A, M b), siendo M = Mp · · · M1 una matriz regular por ser producto
de un número finito de matrices regulares, se sigue que x0 es solución de
Ax = b ⇔ Ax0 = b ⇔ M Ax0 = M b ⇔ Ax0 = b ⇔ x0 es solución de Ax = b.
Este método de resolución de sistemas de ecuaciones lineales se conoce como
método de eliminación.
3.2. Métodos directos de resolución de sistemas lineales 43
Observación. Dado que todo sistema de ecuaciones lineales con coefi-

cientes complejos es equivalente a un sistema de doble número de ecuaciones
e incógnitas con coeficientes reales, consideraremos en lo que sigue tan sólo
sistemas lineales con coeficientes reales.
Seguidamente veamos como resolver fácilmente sistemas triangulares y
luego como llevar un sistema lineal dado a forma triangular.
3.2.1. Sistemas triangulares

Consideremos un sistema compatible determinado de la forma
    
a11 a12 . . . a1n x1 b1
 0 a22 . . . a2n   x2   b2 
..   ..  =  .. 
    
 .. .. . .
 . . . .  .   . 
0 0 . . . ann xn bn
Es evidente que de la última ecuación resulta xn = bn /ann , este valor se

puede sustituir en la penúltima ecuación y de ahı́ despejar xn−1 y reiterando
el proceso se obtiene fácilmente la solución. El cálculo de cualquier incógnita
viene dado por el algorimto
Pn xn = bn /ann
xi = (bi − j=i+1 aij xj )/aii (i = n − 1, . . . 2, 1)
este cálculo es fácil y rápido de realizar con ordenador. El costo compu-

tacional de esta resolución se puede ver que asciende a n2 operaciones (entre
sumas, productos y divisiones).
3.2.2. Eliminación gaussiana: el método de Gauss y sus

variantes
El método de Gauss.
Sea un sistema Ax = b compatible determinado, es decir tal que | A |6= 0,
el método de Gauss consiste en llevar el sistema a forma triangular superior,
produciendo ceros en la matriz de coeficientes por debajo de la diagonal,
realizando siempre operaciones elementales de filas. Recordemos que hay tres
operaciones elementales de filas, a saber intercambiar dos filas entre sı́ (por
ejemplo la fila i por la fila j), multiplicar una fila por un escalar no nulo
(por ejemplo multiplicar todos los elementos de la fila i por el número α,
siendo α 6= 0) y añadir a una fila otra diferente multiplicada por un número
cualquiera (por ejemplo sumar a la fila i la j multiplicada por un escalar α).
Fácilmente se prueba que cada una de estas operaciones equivale a multiplicar

por una matriz elemental a izquierda, ası́ la primera equivale a multiplicar
por la matriz de permutación Pij obtenida al intercambiar las filas i y j
de la matriz identidad, la segunda equivale a multiplicar a izquierda por la
matriz diagonal Pi (α) con unos en la diagonal, salvo el elemento aii = α 6= 0
y la tercera equivale a multiplicar a izquierda por la matriz Pij (α) cuyos
elementos elementos de la diagonal son iguales a 1 y los restantes nulos , salvo
el aij = α, además es obvio que estas matrices son regulares o inversibles,
luego su producto también lo es.
Para comenzar a describir el método, llamemos A(1) = A y b(1) = b; ası́,
partiendo de A(1) x = b(1) realizamos las operaciones elementales de filas para
ir obteniendo los sistemas equivalentes: A(1) x = b(1) , . . . , A(k) x = b(k) (k =
1, 2, . . . , n), donde A(k) tiene nulos los elementos por debajo de la diagonal
en las k − 1 primeras columnas, de esta forma obtendremos en n − 1 pasos
un sistema A(n) x = b(n) donde A(n) es una matriz triangular superior, que se
resolverı́a por el algortimo indicado en la sección anterior.
Veamos con más precisión el primer paso a realizar para pasar del sistema
A(1) x = b(1) al A(2) x = b(2) , se pueden dar dos casos:
(1)
(1) ai1
1. Si a11 6= 0 a la fila i le sumamos la primera multiplicada por − (1) y
a11
esto para cada i = 2, 3, . . . , n.
(1)
2. Si a11 = 0, se busca la primera fila cuyo elemento de la primera columna
sea distinto de cero y se intercambia con la primera fila mediante una
permutación de filas, ası́ estarı́ammos en el caso anterior y se procederı́a
como se ha descrito en el apartado 1 anterior.
Asimismo, el paso general del sistema A(k) x = b(k) al A(k+1) x = b(k+1) se

puede expresar como sigue:
(k)
1. Si akk = 0 se permuta esta fila con la primera fila posterior cuyo ele-
mento de la columna k sea no nulo, se obtiene ası́ una matriz equivalente
e(k) = Pkt A(k) siendo tk = mı́n{t ≥ k | a(k) 6= 0},

A k tk
(k) (k)
también hacemos b = Pktk b
e
seguidamente, a las filas posteriores a la k le sumamos la fila k multipli-

(k)
aik
cada por − (k) y esto para cada i = k + 1, . . . , n, todo lo cual equivale
akk
a hacer
A(k+1) = M (k) A
e(k) y b(k+1) = M (k)eb(k)
siendo  
1 0 ... 0 0 ... 0
 0 1 ... 0 0 ... 0 
 .. .. . . .. .. .. .. 

 . . . . . . .


M (k) = 0 0 ... 1 0 ... 0
 

0 0 . . . mk+1,k 1 ... 0
 
 
 .. .. .. .. .. . . .. 
 . . . . . . . 
0 0 . . . mn,k 0 ... 1
la denominada matriz de Frobenius, con unos en la diagonal, con ele-
mentos significativos en la columna k bajo la diagonal definidos por
(k)
aik
mik = − (k) (i = k + 1, . . . , n) y siendo nulos los restantes elementos.
akk
El efecto de multiplicar por esta matriz es el de sacar ceros por debajo
de la diagonal en la columna k.
(k)
2. Si akk 6= 0 entonces t = k y Pktk = I no siendo necesario el intercambio
de filas y quedando A e(k) = A(k) y eb(k) = b(k) .
(k)
El elemento akk se llama pivote, y el hecho de figurar en el denominador
puede acarrear errores de truncaminento grandes al tratar la ecuación por
ordenador, por ello hace falta un método más estable de elegir dicho pivote en
cada paso del método, las estrategias de elección de pivote más usuales
son las siguientes:
a) Pivote parcial. Esta estrategia consiste en elegir la fila tk a intercambiar

(k) (k)
con la k de manera que | atk k |= máx{| atk | |t ≥ k}, es decir consiste
en elegir para intercambiar con la fila k no la primera fila posterior a la
k con elemento de la columna k no nulo, sino la que tiene dicho elemen-
to con módulo máximo, aún ası́ puede ocurrir que, en algún caso, este
método también de errores apreciables, por ello puede ser necesario usar
la siguiente estrategia.
(k)
b) Pivote total. En este caso, se elige como pivote el elemento | atk sk |=
(k)
máx{| ats | |k ≤ t, s ≤ n}, el problema en este caso es que pueden
cambiarse las columnas y, por tanto, las incógnitas y esto ha de tenerse
encuenta.
Nota informativa. El método de Gauss puede llevarse a acabo de modo

estable sin intercambio de filas para matrices estrictamente diagonal domi-
nantes y para matrices simétricas definidas positivas.
Observación. Si dado el sistema Ax = b con | A |6= 0, puede aplicarse

el método de Gauss sin permutaciones de filas, entonces se tiene que A(n) =
M (n−1) · M (n−2) · · · M (1) · A, pero la inversa de cada matriz de Frobenius es
otra del mismo tipo con los elementos de la columna k por debajo de la
diagonal opuestos de los de la matriz de partida, si despejamos la matriz
A en la fórmula anterior, se tendrá A = M (1)−1 · · · M (n−1)−1 · A(n) = LU ,
siendo L = M (1)−1 · · · M (n−1)−1 una matriz triangular inferior con unos en la
diagonal y U = A(n) una matriz triangular superior con elementos diagonales
no nulos, pues | A |=| U |. En definitiva A se ha factorizado en la forma
A = LU , donde L es una matriz triangular inferior y U triangular superior.
En todo caso si | A |6= 0 hay una reordenación de las filas de A tal que la
nueva matriz es factotizable de esta forma.
Algoritmo y costo computacional del método de Gauss. Dar el

algoritmo para resolver un sistema triangular superior, ası́ como del método
de Gauss para llevar a forma triangular un sistema compatible determinado
(en el caso de no ser necesarias permutaciones de filas). Asimismo, probar
que para resolver completamente dicho sistema por el método de Gauss son
necesarias (2n3 + 3n2 − 5n)/6 sumas, un número igual de multiplicaciones y
(n2 + n)/2 divisiones.
Ejercicio. Supongamos que el determinante se calcula directamente con

su definición, como suma de todos los productos posibles de n elementos de
manera que haya uno de cada fila y columna afectados del signo positivo
o negativo según que las permutaciones de los ı́ndices de fila y columna
correspondientes sean de la misma o distinta paridad, y que resolvemos un
sistema de n ecuaciones lineales con n incógnitas por el método de Kramer
y por el método de Gauss, si en cada operación elemental es necesario un
tiempo de 1,5 · 10−6 segundos, estimar el tiempo necesario para resolver un
sistema de n = 5, 10, 20 ecuaciones por el método de Kramer y por el método
de Gauss.
Método de Gauss-Jornan.
Consiste en llevar la matriz a forma diagonal, en vez de eliminar xk sola-

mente de las filas i con i > k, se elimina de todas las filas i 6= k, con lo cual
la matriz del sistema queda diagonal despejándose fácilmente las variables.
A su vez, puede aplicarse con estrategia de pivote parcial o total. El costo
computacional se incrementa con respecto al método de Gauss.
3.2.3. Otros métodos de factorización

Factorización LU
Si dado un sistema lineal Ax = b con | A |6= 0, se conoce una descom-
posición de A en la forma A = LU con L triangular inferior y U triangular
superior, la resolución de dicho sistema se reduce a la resolución de dos siste-
mas triangulares, pues llamando y = U x, bastarı́a resolver primero el sistema
Ly = b y a continuación el U x = y, con el costo de 2n2 operaciones. El pro-
blema serı́a saber si dicha factorización existe y cómo calcularla. Veamos a
continuación respuestas a estas cuestiones.
Teorema 13 Sea A ∈ Mn (R) tal que todos los determinantes de las sub-
matrices Ak = (aij )1≤i,j≤k (k = 1, 2, . . . , n) son distintos de cero. Entonces,
A es descomponible como producto de una matriz L, triangular inferior con
lii = 1 para todo i = 1, 2, . . . , n, por U triangular superior. Siendo única la
descomposición en las anteriores condiciones.
Demostración. Puede hacerse por inducción pero la omitimos.
Cálculo directo de la factorización. En las hipótesis del teorema

anterior la factorización LU de la matriz A es posible, calculándose los lij sin
utilizar el método de Gauss, pues de A = LU resulta
h
X
aij = lip upj siendo h = mı́n{i, j}
p=1
o sea
akj = lk1 u1j + lk2 u2j + · · · + lkk ukj (para j ≥ k) (i)

aik = li1 u1k + li2 u2k + · · · + lik ukk (para i ≥ k) (i’)
y hemos tomado lkk = 1 para todo k. Una vez descompuesta A hay que
resolver los dos sistemas triangulares
Ly = b ∧ U x = y (ii)
el primero de los cuales se resuelve mediante:
bk = lk1 y1 + lk2 y2 + · · · + lkk yk (k = 1, 2, . . . , n) (iii)
relación análoga a la (i). En conseceuncia el algoritmo:
Para cada k = 1, 2, . . . , n, hacer:
• Para j = k, k + 1, . . . , n calcular:
k−1
X
ukj = akj − lkp upj
p=1
Pk−1
• y k = bk − p=1 lkp yp
• Para i = k + 1, k + 2, . . . , n calcular:
k−1
X
lik = (aik − lip upk )/ukk
p=1
este algortimo realiza la factorización a la vez que calcula y = L−1 b, luego

habrı́a que resolver el sistema triangular U x = y, en conjunto se conoce como
método de Doolitle-Banachiewicz, si se tomasen unos en la diagonal de
L, tendrı́amos el método de Crout.
Factorización de Cholesky
Teorema 14 Para matrices A reales son equivalentes:
i) A es simétrica y definida positiva
ii) Existe L triangular inerior real, con elementos diagonales positivos, tal
que A = LLt .
Demostración. Se hace por inducción pero la omitimos.
Cálculo directo de la factorización de Cholesky. En las hipótesis

del teorema anterior es A = LLt , por tanto será
n
X h
X
t
aij = lik lkj = lik ljk siendo h = mı́n{i, j}
k=1 k=1
ahora para i = j resulta

j j−1
X X
2 2 2
ajj = ljk = ljk + ljj
k=1 k=1
de donde se deduce que

3.3. Métodos iterativos de resolución de sistemas lineales 49
v
u
u j−1
X
2
ljj = ajj −
t ljk
k=1
en tanto que para i = j + 1, j + 2, . . . , n se tendrá

j j−1
X X
aij = lik ljk = lik ljk + lij ljj
k=1 k=1
de la que se obtienen los

j−1
X
lij = (aij − lik ljk )/ljj
k=1
Una vez hallada la matriz L mediante el algoritmo descrito, se resolverı́an

los dos sistemas triangulares Ly = b y Lt x = y, con un costo computacional
total para n grande del orden de n3 /3.
Ejercicios.
1. Resolver, según el 
método de Doolitle,
 el sistema Ax = (1, 1, −1)t sien-
1 1 2
do la matriz A =  −1 0 1 .
2 1 −1
2. Resolver aplicando elmétodo de Cholesky,

 el sistema Ax = (1, 1, 0)t
1 −1 1
siendo la matriz A =  −1 5 1 .
1 1 3
3.3. Métodos iterativos de resolución de sis-

temas lineales
Definición 6 Una sucesión de matrices cuadradas, de orden n, {A(k) }∞ 1
tiene por lı́mite la matriz A del mismo orden si lı́mk→∞ k A(k) − A k= 0 para
alguna norma matricial. Y se dice que una matriz A es casinilpotente si
lı́mm→∞ Am = 0.
Nos será útil el siguiente teorema, cuya demostración omitiremos.
Teorema 15 Una matriz A, de orden n, es casinilpotente ⇔ ρ(A) < 1.

3.3.1. Generalidades: convergencia y construcción de

métodos iterativos
En los métodos iterativos de resolución de sistemas lineales, se parte de
una aproximación inicial de la solución x(0) del sistema Ax = b y se generan
las aproximaciones sucesivas {x(k) }∞
0 en la forma
x(k+1) = Ex(k) + F (k = 0, 1, 2, . . . ) (1)
donde E ∈ Mn (R) se denomina matriz de iteración y F ∈ Mn×1 (R).

Definición 7 Un método como el descrito se dice convergente para el
sistema Ax = b si ∀x(0) ∈ Rn : lı́mk→∞ x(k) = x = A−1 b.
Desde luego si el método es convergente la solución ha de verificar la
relación
x = Ex + F (2)
o lo que es equivalente
F = (I − E)A−1 b (3)
aunque puede no verificarse el recı́proco, por ello se introduce la siguiente
definición.
Definición 8 Un método (1) se dice consistente con el sistema Ax = b
si se verifica la condición (2) o equivalentemente (3).
Conviene en este punto recordar el siguiente resultado técnico.
Teorema 16 Para toda norma matricial k · k y toda matriz A ∈ Mn (R) se
verfica que ρ(A) ≤k A k. Además, se tiene que
ρ(A) = ı́nf{k A k : k · k es una norma matricial}.
Con ayuda del cual puede probarse el toerema fundamental sobre con-
vergencia de métodos iterativos de resolución aproximada de sistemas linea-
les, que nos limitamos a enunciar.
Teorema 17 El método (1) es convergente con respecto al sistema Ax = b
si y sólo si se verifican simultáneamente las dos condiciones siguientes:
1. El método es consistente con el sistema. Y
2. ρ(E) < 1.
Construcción de métodos iterativos

Sea el sistema Ax = b con A inversible cuya solución es x = A−1 b,
descomponiendo A en la forma: A = M − N con M inversible, entonces
Ax = b ⇔ (M − N )x = M x − N x = b ⇔
⇔ M x = N x + b ⇔ x = M −1 N x + M −1 b
expresión que sugiere el método
x(k+1) = M −1 N x(k) + M −1 b (4)
los métodos ası́ construidos son consistentes por tanto, según el teorema fun-
damental, serán convergentes si y sólo si ρ(M −1 N ) < 1. Además, el teorema
siguiente asegura que todo método iterativo convergente puede construirse
de esa manera.
Teorema 18 Todo método (1) convergente es de la forma (4) con A =

M − N y M inversible.
Cota de error en los métodos iterativos

Sea x(k+1) = Ex(k) + F un método iterativo convergente para Ax = b,
entonces x(m−1) − x = x(m−1) − x(m) + x(m) − x, lo cual implica
k x(m−1) − x k≤k x(m−1) − x(m) k + k x(m) − x k (A)
como además
x(m) − x = Ex(m−1) + F − (Ex + F ) = E(x(m−1) − x)
resulta que
k x(m) − x k≤k E kk x(m−1) − x k (B)
de la que también se deduce que
k x(m) − x k≤k E km k x(0) − x k
que puede servirnos para estimar a priori el número de iteraciones necesrias

para una precisión deseada.
Ahora, combinando (A) y (B) es fácil obtener
(1− k E k) k x(m−1) − x k≤k x(m) − x(m−1) k (C)

y como el método es convergente, tomando una norma matricial tal que

k E k< 1 y una vectorial compatible con ella, de las desigualdades (B) y (C)
se deduce
kEk k E km
k x(m) − x k≤ k x(m) − x(m−1) k≤ k x(1) − x(0) k
1− k E k 1− k E k
que puede utilizarse para estimar el error y como test de parada del programa
correspondiente.
3.3.2. Métodos iterativos particulares: Jacobi, Gauss-

Seidel y relajación
La expresión (4) anterior puede escribirse también en la forma
M x(k+1) = N x(k) + b (5)
donde A = M − N y M inversible. Ası́ pues, dado el sistema Ax = b,

descompongamos la matriz A = D − L − U con
 
a11 0 0 ... 0

 0 a22 0 ... 0 

D=
 0 0 a33 ... 0 

 .. .. .. .. .. 
 . . . . . 
0 0 0 ... ann
 
0 0 0 ... 0

 −a21 0 0 ... 0 
L=
 −a31 −a32 0 ... 0 
 .. .. .. . . .. 
 . . . . . 
−an1 −an2 −an3 ... 0
 
0 −a12 −a13 . . . −a1n

 0 0 −a23 . . . −a2n 

U =
 0 0 0 . . . −a3n 

 .. .. .. .. .. 
 . . . . . 
0 0 0 ... 0
Método de Jacobi.
En estas condiciones, el método de Jacobi consiste en hacer
M =D y N =L+U
como M debe ser inversible es necesario que todo aii 6= 0 para i = 1, 2, . . . , n,

con lo que puede expresarse en la forma
Dx(k+1) = (L + U )x(k) + b
y en componentes resulta
n
X
(k+1) (k)
xi = (− aij xj + bi )/aii
j=1
j6=i
se dice que es un método de aproximaciones simultáneas, pues para hallar

(k+1) (k)
un xi hace falta conocer todos los xi , los cuales se utilizan simultánea-
mente. Este método será convergnete si y sólo si ρ(D−1 (L + U )) < 1.
Método de Gauss-Seidel.
El método de Gauss-Seidel consiste en tomar
M =D−L y N =U
con lo cual puede expresarse en forma vectorial como
(D − L)x(k+1) = U x(k) + b
y en componentes se expresa en la forma
i−1
X n
X
(k+1) (k+1) (k)
xi = (− aij xj − aij xj + bi )/aii
j=1 j=i+1
se dice que es un método de aproximaciones sucesivas, pues e van usando

las aproximaciones obtenidas en la pasada que se está realizando a partir
del momento en que se calculan. Este método será convergnete si y sólo
si ρ((D − L)−1 U ) < 1, se espera que sea más rápidamente convergente y
ası́ ocurre en muchos casos, pero este comportamiento no es general. Veamos
dos resultados sobre convergencia.
Teorema 19 Si La matriz de coeficientes del sistema Ax = b es estricta-

mente diagonal dominante los métodos de Jacobi y Gauss-Seidel son conver-
gentes, siendo los radios espectrales de las matrices de iteración correspon-
dientes menores o iguales a c con
n
X | aij |
c = máx { }<1
1≤i≤n
j=1
| aii |
j6=i
Teorema 20 Para matrices tridiagonales, los radios espectrales de las ma-

trices de iteración de Jacobi (EJ ) y Gaus-Seidel (EG ) verifican la relación
ρ(EG ) = ρ(EJ )2
y por tanto ambos son simultáneamente convergentes o divergentes, y cuando

ambos convergen el de Gauss-Seidel es asintóticamente más rápido que el de
Jacobi.
Observación. Recordemos que una matriz se dice estrictamente dia-

gonal dominante si para cada fila i se verifica que
n
X
| aii |> | aij |
j=1
j6=i
Asimismo, una matriz se dice tridiagonal si aij = 0 para todo i, j tal que
| i − j |> 1, es decir los elementos que no están en la diagonal principal o en
una paralela por encima o por debajo son nulos.
Método de relajación.
Los métodos del tipo de Gauss-Seidel se conocen con el nombre de méto-
dos de relajación. Si en la descomposición de la matriz A = D − L − U , para
ω 6= 0 escribimos D = ω1 D − 1−ω ω
D, entonces nos quedará A = ω1 D − L −
1−ω
ω
D − U y tomando
1 1−ω
M= D−L y N = D+U
ω ω
obtenemos el método de relajación, que se expresa en forma vectorial
como
1 1−ω
( D − L)x(k+1) = ( D + U )x(k) + b
ω ω
3.4. Introducción al cálculo aproximado de valores y vectores
propios 55
y en componentes por la fórmula

i−1 n
1 (k+1)
X (k+1) 1−ω (k)
X (k)
aii xi + aij xj = aii xi − aij xj + bi
ω j=1
ω j=i+1
Para cada valor de ω obtenemos un método distinto, en particular para ω = 1

se obtiene el método de Gauss-seidel. Puede probarse que una condición
necesaria de convergencia es que 0 < ω < 2. También puede probarse el
siguiente.
Teorema 21 Si A es estrictamente diagonal dominante y 0 < ω ≤ 1 el
método de relajación es convergente.
3.4. Introducción al cálculo aproximado de

valores y vectores propios
Otro problema importante en la práctica es el de determinar los valores y
vectores propios de una matriz cuadrada A, de orden n. Recordemos que los
valores propios de una matriz A son las raı́ces λi de la ecuación algebraica
| A − λI |= 0, donde I es la matriz identidad de orden n, en tanto que
un vector ui no nulo es un vector propio correspondiente al valor propio λi
si Aui = λi ui . En general, el cálculo de los valores propios de A requerirı́a
primero determinar el polinomio caracterı́stico para luego intentar aproximar
sus raı́ces, lo cual es a menudo imposible. Pero, en muchos problemas, sólo
interesa el valor propio dominante es decir el de módulo máximo de la matriz
A, supuesto existente. Veremos, en primer lugar un método de localización de
valores propios de una matriz A y luego se esbozará el método de potencias
de cálculo aproximado de un valor propio dominante y un vector propio
asociado. Ahora, se podrı́a reducir la matriz a otra de orden n − 1 y se
volverı́a a aplicar el método en un proceso llamado de deflación.
Teorema 22 (Teorema de Gerschgorin) Sea A una matriz cuadrada
de orden n y sean
n
X n
X
ri = | aij | y cj = | aij |
j=1 i=1
j6=i i6=j
entonces se tiene:
a) Todo valor propio de A está en la unión de los discos Ri , (i = 1, 2, . . . , n)
con Ri = {z | | z − aii |≤ ri }
b) Todo valor propio de A está en la unión de los discos Cj , (j = 1, 2, . . . , n)

con Cj = {z | | z − ajj |≤ cj }
Método de potencias. Dada una matriz real de orden n, diagonalizable
con un valor propio dominante, es decir verificando | λ1 |>| λ2 |≥ · · · ≥| λn |,
entonces λ1 es real y por tanto puede tomarse un vector propio correspon-
diente u1 de componentes reales. Además, si x(0) es un vector arbitrario y
definimos x(m+1) = Ax(m) , la dirección de x(m) tiende, en general, a ser la
de u1 para m → ∞, sucesión que conviene normalizar para evitar fuertes
cambios de un paso al siguiente. Por otro lado, si dividimos las componentes
(m+1)
xk
k-ésimas de x(m+1) y x(m) la sucesión {αm }∞
m=1 , definida por αm+1 = (m) ,
xk
converge al valor propio dominante λ1 .

1. Dadas las matrices
 
2 1 0
2 −1
A= yB= 1 2 0 
−1 2
0 0 3
Calcular:
a) Las normas k · k1 , k · k2 y k · k∞ de las matrices A y B.
b) El radio espectral de dichas matrices.
2. Dada la matriz  
1 0 1
A= 2 2 1 
−1 0 0
hallar sus valores propios, su radio espectral y k A k2 .

1 2
3. Determinar el número de condición de la matriz A = con
3 7
respecto a las normas matriciales k · k1 , k · k2 y k · k∞ .
4. Resolver, utilizando los métodos de Gauss y Gauss-Jordan, el sistema
lineal
2x + 4y + z = 4
2x + 6y − z = 10
x + 5y + 2z = 2
5. Averiguar si es posible la factorización A = LU y calcularla en caso

afirmativo, siendo la matriz
 
1 0 1
A= 0 1 0 
−1 0 1
6. Aplicando el método de Crout, resolver el sistema

2x + 3y − z = 4
x − y + 3z = −4
y−z = 2
7. Hallar si es posible la factorización de Cholesky de la matriz

 
13 11 11
A =  11 13 11 
11 11 13
8. Utilizando el método de Cholesky, resolver el sistema

x−y+z = 1
−x + 5y + z = 1
x + y + 3z = 0
9. Dado el sistema
9x − 2y = 5
−2x + 4y − z = 1
−y + z = −5/6
Partiendo de (0, 0, 0), obtener un valor aproximado de su solución apli-
cando seis veces el método de Jacobi, trabajando con cuatro cifras
decimales redondeadas. Hacer lo mismo pero utilizando el método de
Gauss-Seidel.
10. Aplicar el método de Gauss-Seidel obtener la solución exacta del siste-
ma
x + 6y + 2z = 15
x + y − 6z = −3
6x + y + z = 9
realizando los cálculos con tres cifras decimales redondeadas (la solución
exacta se obtiene tras cinco iteraciones).
11. Probar que el sistema

x−y = 1
x − 1,01y = 0
está mal condicionado, resolviéndolo y comparándolo con la solución
del sistema
x−y = 1
x − 0,99y = 0
Hallar el número de condición para el sistema inicial.
12. Dado el sistema
ax + by = p
cx + dy = q
probar que una condición necesaria y suficiente para que los métodos
de Jacobi y Gauss-Seidel sean convergentes es que | bc |<| ad |.
13. Hacer dos iteraciones, partiendo de (1, 1, 1) por el método de relajación,
tomando ω = 1/2 para aproximar la solución del sistema
10x − y − z = 13
x + 10y + z = 36
−x − y + 10z = 35
Averiguar si el método es convergente en este caso.
14. Sea Ax = b un sistema lineal de orden n, con A real no singular,
y sean x(k+1) = Bx(k) + c y x(k+1) = Cx(k) + d dos métodos ite-
rativos consistentes con el sistema dado. Sea entonces y (k) la suce-
sión de valores dada por el algoritmo y (2k+1) = By (k) + c, y (2k+2) =
Cy (k) + d (con y (0) arbitrario, k = 1, 2, . . . , n). Probar que si llamamos
x(k) = y (2k) , k ≥ 0, las x(k) constituyen una sucesión de vectores que
proporciona un nuevo método iterativo x(k+1) = Gx(k) +e. Indicar quie-
nes son G y e, y probar que este nuevo método iterativo es consistente
con el sistema dado.
15. Dado el istema lineal
4x + 3y = 24
3x + 4y − z = 30
−y + 4z = −24
realizar cuatro iteraciones por el método de Jacobi y por el de relajación

(con ω = 1,25), partiendo en ambos casos de (1, 1, 1). Acotar el error
de la cuarta iteración obtenida por el método de Jacobi.
16. Realizar tres iteraciones por los métodos de Jacobi y Gauss-Seidel,

comenzando por (0, 0, 0), para aproximar la solución del sistema
7x − 2y + 3z = 0
−x + 5y − 2z = 11
x + y − 3z = 6
Justificar la convergencia de dichos métodos y acotar el error de la

tercera aproximación en ambos.
17. Para el sistema lineal Ax = b, se forma la sucesión dada por
x(k+1) = x(k) − θ(Ax(k) − b), con x(0) ∈ Rn y θ ∈ R
Se pide
Expresar esta sucesión en la forma x(k+1) = Ex(k) + F , dando

expresiones explı́citas de E y F .
Dar una condición necesaria y suficiente para que dicho método
sea convergente.
Se propone en este tema realizar alguno de los siguientes trabajos:
Métodos directos por bloques.
Métodos iterativos para sistemas tridiagonales.
Métodos iterativos por bloques.
Método del gradiente conjugado.
Métodos tipo gradiente para la resolución de sistemas no lineales.

Capı́tulo 4
Interpolación polinomial.
Derivación e integración
numérica
4.1. Interpolación
4.1.1. Introducción. diferentes problemas de interpo-
lación.
El problema de la interpolación consiste en calcular el valor de una función
en un punto, cuando o bien no se conoce la expresión explı́cita de la misma,
o bien no es fácil se evaluar dicha función en ese punto. Para resolverlo, se
construye una función fácil de evaluar y que coincida con la función objeto
del problema en los datos que conocemos sobre esta.
En todo problema de interpolación hay que concretar dos cuestiones bási-
cas: 1o ) los datos que se desea que sean comunes a la función dada y a la que
la va a interpolar, y 2o ) el tipo de función que se va a utilizar como función
de interpolación.
Los tipos más usuales de problemas de interpolación son los que se des-
criben a continuación.
1. Interpolación polinomial de Lagrange. El problema de la inter-

polación polinomial de Lagrange consiste en dados los valores de una
función f , fi = f (xi ) (i = 0, 1, 2, . . . , n), en n + 1 puntos distintos
{xi }n0 del intervalo [a, b], determinar, si existe, un polinomio p(x) de
grado menor o igual a n tal que p(xi ) = fi (i = 0, 1, 2, . . . , n).
2. Interpolación de Taylor. En este problema se suponen conocidos los
61
62 Capı́tulo 4. Interpolación. Derivación e integración numérica
valores de la función f y sus derivadas sucesivas hasta el orden n en el

punto x0 y se trata de hallar un polinomio p(x) de grado menor o igual
que n tal que p(k) (x0 ) = f (k) (x0 ) (k = 0, 1, 2, . . . , n).
3. Interpolación de Hermite. Ahora se suponen conocidos los valo-

res de la función f y su derivada f 0 en los puntos x0 , x1 , . . . , xn , que
abreviamos por fi y fi0 (para i = 1, 2, . . . , n) y se trata de hallar un
polinomio p(x), de grado menor o igual a 2n + 1 tal que p(xi ) = fi y
p0 (xi ) = fi0 (para i = 1, 2, . . . , n).
4. Interpolación trigonométrica. En este caso se conocen los valores

de f en los 2n+1 puntos distintos x0 , x1 , . . . , x2n del intervalo [−π, π) y
se trata de hallar un polinomio trigonométrico de grado n de la forma
n
X
pn (x) = a0 + (ak coskx + bk senkx)
k=1
tal que pn (xi ) = fi (para i = 0, 1, 2, . . . , 2n).
Aunque la existencia y unicidad de solución de cada uno de los proble-

mas planteados se puede resolver de un modo similar, nos vamos a referir
solamente al primero de ellos en los párrafos que siguen.
4.1.2. Interpolación polinomial de Lagrange.

En primer lugar veamos el siguiente teorema que garantiza la existencia
y unicidad de solución del problema de interpolación de Lagrange planteado
anteriormente.
Teorema 23 Existe un único polinomio de grado a lo más n tal que p(xi ) =

fi para i = 0, 1, . . . , n.
Demostración. Veamos en primer lugar la unicidad de solución. Su-

poner que p(x) y q(x) son dos polinomios de grado a lo más n, verificando
dichas condiciones, entonces el polinomio diferencia r(x) = p(x) − q(x) es
también un polinomio de grado a lo más n y además verifica que r(xi ) =
p(xi ) − q(xi ) = fi − fi = 0 para i = 0, 1, . . . , n, luego r(x) posee n + 1 raı́ces
distintas lo cual implica que r(x) = 0, ya que por el teorema fundamental
del álgebra todo polinomio no nulo de grado n tiene exactamente n raı́ces,
contando cada una tantas veces como indique su multiplicidad, luego posee
a lo más n raı́ces distintas, en consecuencia debe de ser r(x) = 0 y por tanto
p(x) = q(x) como querı́amos demostrar.
4.1. Interpolación 63
Probaremos la existencia de modo constructivo. Para ello consideremos

los polinomios de base de Lagrange de grado n, lk (x) para k = 0, 1, . . . , n
definidos por
Qn
i=0 (x − xi )
i6=k (x − x0 ) · · · (x − xk−1 )(x − xk+1 ) · · · (x − xn )
lk (x) = n
Q =
i=0 (xk − xi ) (xk − x0 ) · · · (xk − xk−1 )(xk − xk+1 ) · · · (xk − xn )
i6=k
entonces se verifica que lk (xi ) = 0 para todo i 6= k y lk (xk ) = 1. Luego el

polinomio de interpolación buscado, p(x), se obtiene como combinación lineal
de los polinomios de base de Lagrange lk (x) en la forma
n
X
p(x) = f0 l0 (x) + f1 l1 (x) + · · · + fn ln (x) = fk lk (x)
k=0
que se conoce como fórmula de Lagrange para dicho polinomio.

Para el caso n = 1 se tiene la interpolación lineal, que consiste en hacer
pasar una poligonal por los puntos dados. Por otro lado, la fórmula anterior
se simplifica si los puntos de interpolación, también llamados nodos están
igualmente separados.
El principal inconveniente de la fórmula de Lagrange estriba en que al
añadir nuevos puntos de interpolación no nos sirven los cáculos anteriores,
siendo necesario rehacer todos los cálculos comenzando por los nuevos polino-
mios de base de Lagrange, que serán de un grado superior; por ello será con-
veniente disponer de otra fórmula para determinar el polinomio de interpo-
lación pk (x) que permita una más fácil transición de pk (x) a pk+1 (x), lo que
se aborda en el párrafo siguiente.
4.1.3. Diferencias divididas: fórmula de Newton.

Con objeto de obtener una fórmula que cumpla el objetivo marcado al
final del párrafo anterior, veamos lo que ocurre al pasar del polinomio pk−1
que interpola a f en los nodos x0 , x1 , . . . , xk−1 al pk que la interpola en los
puntos x0 , x1 , . . . , xk−1 , xk , el polinomio diferencia qk (x) = pk (x) − pk−1 (x)
es un polinomio de grado menor o igual que k, que se anula para los puntos
x0 , x1 , . . . , xk−1 , ya que en dichos puntos se tiene pk (xi ) = pk−1 (xi ) = f (xi )
para i = 0, 1, . . . , k − 1, luego debe ser de la forma
k−1
Y
qk (x) = Ak (x − x0 )(x − x1 ) · · · (x − xk−1 ) = Ak (x − xi )
i=0
con Ak constante. Por tanto resulta que

k−1
Y
pk (x) = pk−1 (x) + qk (x) = pk−1 (x) + Ak (x − xi )
i=0

pk (x) − pk−1 (x)
Ak = Qk−1
i=0 (x − xi )
y dándole a x el valor xk , como pk (xk ) = fk resulta para k ≥ 1 que
fk − pk−1 (xk )
Ak = Qk−1
i=0 (xk − xi )
dado que p0 (x) = f (x0 ), podemos definir A0 = f (x0 ) y con la fórmula anterior
se pueden calcular sin dificultad los coeficientes A0 , A1 , . . . , An ; al coeficiente
Ak se le llama diferencia dividida de f en los puntos x0 , x1 , . . . , xk y se
representa por
Ak = f [x0 , x1 , . . . , xk ]
con ayuda de estos coeficientes el polinomio de interpolación de f en los
nodos x0 , x1 , . . . , xn puede escribirse en la forma
pn (x) = A0 +A1 (x−x0 )+A2 (x−x0 )(x−x1 )+· · ·+An (x−x0 )(x−x1 ) · · · (x−xn−1 )
o también
n
X i−1
Y
pn (x) = f [x0 , x1 , . . . , xi ] (x − xj )
i=0 j=0
que se denomina fórmula de Newton en diferencias divididas. Como

se ve en la fórmula para pasar de pk−1 a pk es suficiente con añadir un
término a la primera. Por otro lado, para obtener dicha fórmula se requiere
el cálculo previo de las diferencias divididas de todos los órdenes de f en los
puntos x0 , x1 , . . . , xn ; lo que se ve facilitado por medio de las dos proposiciones
siguientes cuya demostración no haremos, pero que puede verse en el libro
de M. Gasca: Cálculo Numérico, editado por la UNED.
Proposición 3 Para k ≥ 1 se verifica que
k
X f (xi )
f [x0 , x1 , . . . , xk ] =
i=0
(xi − x0 ) · · · (xi − xi−1 )(xi − xi+1 ) · · · (xi − xk )
por tanto es una función simétrica de sus argumentos, es decir que
f [x0 , x1 , . . . , xk ] = f [xj0 , xj1 , . . . , xjk ]
para toda permutación (j0 , j1 , . . . , jk ) de (0, 1, . . . , k).
Proposición 4 Para k ≥ 1 se verifica que
f [x0 , . . . , xk−1 ] − f [x1 , . . . , xk ] f [x1 , . . . , xk ] − f [x0 , . . . , xk−1 ]

f [x0 , x1 , . . . , xk−1 , xk ] = =
x 0 − xk xk − x0
.
4.1.4. Diferencias finitas: fórmula de Newton.

Definición 9 Sea una función f definida sobre una sucesión de puntos
igualmente espaciados xj = x0 + jh, j ∈ Z y h > 0, se llama diferencia
progresiva de f en xk a
4f (xk ) = f (xk + h) − f (xk ) = f (xk+1 ) − f (xk )
para simplificar denotemos fj = f (xj ), con lo cual se tiene
4fk = fk+1 − fk
Las diferencias progresivas de orden superior se definen por inducción en la

forma
4n+1 fk = 4(4n fk ) = 4n fk+1 − 4n fk , ∀n ≥ 1
además se conviene que 40 fk = fk , a 4n fk se le llama la diferencia pro-
gresiva de orden n de f en xk .
Análogamente se definen las diferencias regresivas.
Definición 10 En las condiciones anteriores, se llama diferencia regre-

siva de f en xk a
∇fk = fk − fk−1
y se definen las diferencias regresivas de orden superior en la forma
∇n+1 fk = ∇(∇n fk ) = ∇n fk − ∇n fk−1 , ∀n ≥ 1
además, se conviene que ∇0 fk = fk , a ∇n fk se le llama la diferencia re-

gresiva de orden n de f en xk .
La relación entre ambas diferencias está dada por

∇fk = 4fk−1
luego
∇n fk = 4n fk−n
La siguiente proposición nos proporciona la relación entre las diferencias pro-
gresivas y las diferencias divididas en el caso de puntos igualmente espaciados.
Proposición 5 Para todo n ≥ 0 se verifica
4n fk = n!hn f [xk , xk+1 , . . . , xk+n ]
Demostración. Se hará por inducción, para n = 0 es evidente pues

40 fk = fk = f (xk ) = f [xk ]
supongamos que dicha propiedad es cierta para n = 0, 1, . . . , r; y veamos que
también lo es para n = r + 1; en efecto: 4r+1 fk = 4(4r fk ) = 4r fk+1 −
4r fk = r!hr f [xk+1 , xk+2 , . . . , xk+r+1 ]−r!hr f [xk , xk+1 , . . . , xk+r ] = r!hr (xk+r+1 −
xk )f [xk , xk+1 . . . , xk+r , xk+r+1 ], luego la propiedad es cierta para todo n ∈ N.
Análogamente, para diferencias regresivas se tiene
∀n ≥ 0 : ∇n fk = n!hn f [xk−n , xk−n+1 , . . . , xk−1 , xk ]
Formulas de Newton progresiva y regresiva

Según vimos, la fórmula de Newton para el polinomio de interpolación de
f en n + 1 puntos distintos x0 , x1 , . . . , xn , se podı́a escribir en la forma
n
X i−1
Y
p(x) = f [x0 , x1 , . . . , xi ] (x − xj )
i=0 j=0
Ahora bien, si los puntos están igualmente espaciados, o sea xj = x0 + jh,

en virtud de la proposición 3 anterior se tiene
4i f0
f [x0 , . . . , xi ] =
i!hi
con lo que el polinomio de interpolación puede escribirse en la forma
n i−1
X 4i f 0 Y
p(x) = (x − xj )
i=0
i!hi j=0
y haciendo el cambio de variable x = x0 + th nos queda

n i−1
X 4i f 0 Y
p(x) = p(x0 + th) = (t − j)
i=0
i! j=0
por lo que si definimos el número combinatorio generalizado

t t(t − 1) · · · (t − i + 1)
=
i i!
nos queda
n
X t
p(x) = p(x0 + th) = 4i f 0
i
i=0
conocida como fórmula de Newton progresiva.

Análogamente, si escribimos el polinomio p(x) que interpola a f en los
puntos xn , xn−1 , . . . , x0 en la forma de Newton
n
X i−1
Y
p(x) = f [xn , xn−1 , . . . , xn−i ] (x − xn−j )
i=0 j=0
y para puntos igualmente separados, haciendo el cambio x = xn +th, podemos

escribir el polinomio de interpolación en la forma
n n
X t+i−1 i
X
i −t
p(x) = p(xn + th) = ∇ fn = (−1) ∇ i fn
i i
i=0 i=0
que se conoce como fórmula de Newton regresiva.
4.1.5. Estimación del error de interpolación.

Dada una función real f , definida en el intervalo [a, b], sea pn (x) el polino-
mio de interpolación de f en los puntos distintos x0 , x1 , . . . , xn del intervalo
[a, b] (que si no hay lugar a confusión denotamos simplemente como p(x));
entonces, dado cualquier otro punto x ∈ [a, b] se define el error de interpo-
lación como E(x) = f (x) − p(x). En los teoremas siguientes se dan sendas
expresiones del error que nos permitirán en muchos casos su acotación.
Teorema 24 Si f es una función definida en los puntos x0 , x1 , . . . , xn , x

todos distintos, y pn (x) es el polinomio de grado menor o igual que n que
interpola a f en los puntos x0 , x1 , . . . , xn , el error de interpolación se puede

escribir en la forma
n
Y
E(x) = f (x) − pn (x) = f [x0 , x1 , . . . , xn , x] (x − xi )
i=0
Demostración. Como hemos visto para la diferencia dividida se tiene

fk − pk−1 (xk )
f [x0 , x1 , . . . , xk ] = Qk−1 (k ≥ 1)
i=0 (xk − xi )
Entonces, tomando k = n + 1 y llamando xn+1 = x se tendrá

n
Y
f (x) − pn (x) = f [x0 , x1 , . . . , xn , x] (x − xi )
i=0
como querı́amos demostrar.
La fórmula del teorema anterior para el error de interpolación no deja de

ser una expresión puramente formal, con objeto de dar otra, que sirva para el
cometido de acotar errores, es necesario dar condiciones de regularidad sobre
la funación f , lo que se contempla en el teorema siguiente.
Teorema 25 Si f ∈ C(n) ([a, b]) y x0 , x1 , . . . , xn son n + 1 puntos distintos

de [a, b], entonces existe un punto ξ ∈ (a, b) tal que
f (n) (ξ)
f [x0 , x1 , . . . , xn ] =
n!
Demostración. La función error de interpolación E(x) = f (x) − pn (x)

es de clase C(n) ([a, b]) por ser diferencia de dos funciones que lo son, y se
anula en los puntos x0 , x1 , . . . , xn ; entonces, aplicando el teorema de Rolle,
resulta que E 0 (x) se anulará en, al menos, n puntos distintos intermedios
entre aquellos, siendo E 0 (x) ∈ C(n−1) ([a, b]), aplicando nuevamente el teorema
de Rolle E 00 (x) se anulará en n − 1 puntos distintos intermedios entre los
anteriores, ası́ se llega a que E (n−1) (x) es de clase C(1) ([a, b]) y se anula
en dos puntos en (a, b), luego E (n) (x) se anula en un punto ξ ∈ (a, b), es
(n)
decir E (n) (ξ) = f (n) (ξ) − pn (ξ) = 0, ahora bien la derivada enésima de
un polinomio es el coeficeinte de su término de mayor grado multiplicado
por n!, por tanto pn (x) = f [x0 .x1 , . . . , xn ]n!, pues el coeficiente de xn en la
fórmula de Newton del polinomio de interpolación es la diferencia dividida
(n)
f [x0 .x1 , . . . , xn ], de todo lo cual se deduce que f [x0 .x1 , . . . , xn ] = f n!(ξ) .
Corolario 1 Si f ∈ C(n+1) ([a, b]), x0 , x1 , . . . , xn , x son n + 2 puntos distin-

tos en [a, b] y pn (x) es el polinomio de interpolación de f en x0 , x1 , . . . , xn ,
entonces
n
f (n+1) (ξ) Y
E(x) = f (x) − pn (x) = (x − xi )
(n + 1)! i=0
con ξ intermedio entre x0 , x1 , . . . , xn , x.
Expresión muy útil para acotar el error de interpolación como se pone de

manifiesto en el corolario siguiente.
Corolario 2 Si llamamos M = máxa≤t≤b | f (n+1) (t) | se tendrá la siguiente

acotación:
n
M Y
| E(x) |≤ máx | (t − xi ) | , ∀x ∈ [a, b]
(n + 1)! a≤t≤b i=0
4.1.6. Funciones spline. Splines cúbicos.

Las funciones spline están definidas a trozos por varios polinomios, de
manera que se unen entre sı́ mediante ciertas condiciones de continuidad, este
tipo de funciones suele dar mejor resultado a la hora de aproximar la forma
de una función dada que tomar polinomios de grado alto, que suele producir
grandes oscilaciones. Veamos a continuación la definición precisa de spline.
Definición 11 Sea a = t1 < t2 < . . . < tn = b una partición del intervalo

[a, b] se llama spline de grado m ∈ N con nudos en t1 < t2 < . . . < tn a
una función s(x) definida en [a, b] verificando
1. La restricción de s(x) a cada [ti , ti+1 ] , i = 1, 2, . . . , n − 1 es un polino-

mio de grado no mayor que m.
2. s(x) y sus derivadas de órdenes sucesivas hasta m − 1 inclusive son

continuas en [a, b].
Ejemplos de funciones spline son las poligonales, definidas por funciones

lineales en cada subintervalo y contı́nuas en [a, b], que constituyen splines de
grado 1. Las funciones spline de grado impar tienen buenas propiedades de
suavidad en sus gráficas, siendo las menos oscilantes en cierto sentido; ahora
bien, dado que las poligonales ya son discontinuas en su derivada primera,
estamos interesados en la interpolación por splines cúbicos, muy utilizados
en la práctica.
Splines cúbicos
Para interpolar f sobre los puntos a = t1 < t2 < . . . < tn = b mediante
un spline cúbico, sean fi = f (ti ), hi = ti+1 − ti y Si (x) la restricción de
S(x) al subintervalo [ti , ti+1 ]. Como Si (x) es un polinomio de grado tres, su
derivada segunda Si00 es una función lineal; entonces, denotando por zi , zi+1
a los valores, desconocidos de momento, de Si00 en [ti , ti+1 ] respectivamente,
se tendrá:
x − ti ti+1 − x
s00i (x) = zi+1 + zi
hi hi
e integrando dos veces se obtiene
zi+1 zi
si (x) = (x − ti )3 + (ti+1 − x)3 + Ei x + Fi
6hi 6hi
Ahora el término lineal de coeficientes constantes Ei x + Fi puede escribirse
en la forma Ei x+Fi = Ci (x−ti )+Di (ti+1 −x) y de las condiciones Si (ti ) = fi
y Si+1 (ti+1 ) = fi+1 , se deducen los valores de Ci y Di , quedando el spline en
la forma
zi+1 zi yi+1 zi+1 hi yi zi hi
si (x) = (x−ti )3 + (ti+1 −x)3 +( − )(x−ti )+( − )(ti+1 −x)
6hi 6hi hi 6 hi 6
expresión que garantiza la continuidad del spline S y que este coincide con
f en los nudos t1 < t2 < . . . < tn ; para que s0 sea contı́nua en [t1 , tn ] debe
0
verificarse que Si−1 (ti ) = Si0 (ti ) para i = 2, . . . , n − 1. Entonces, derivando la
expresión del spline Si (x), ası́ como la de Si−1 (x) y evaluando para x = ti ,
se tiene que las zi han de verificar el sistema
6 6
hi−1 zi−1 + 2(hi−1 + hi )zi + hi zi+1 = (fi+1 − fi ) − (fi − fi−1 ) (*)
hi hi−1
para i = 2, . . . , n−1, ası́ pues los valores z1 , z2 , . . . , zn deben verificar las n−2
condiciones anteriores. Por otro lado, la continuidad de S 00 (x) está asegurada
00
pues se tiene, por construcción, que Si−1 (ti ) = zi = S 00 (ti ). Luego si se fijan
arbitrariamente z1 y z2 en (*) resulta un sistema de n − 2 ecuaciones lineales
con n − 2 incógnitas, que denotando por
6 6
bi = (fi+1 − fi ) − (fi − fi−1 )
hi hi−1
se puede escribir como el sistema tridiagonal que sigue
2(h1 + h2 )z2 + h2 z3 = b2 − h1 z1
h2 z2 + 2(h2 + h3 )z3 + h3 z4 = b3
..
.
hn−2 zn−2 + 2(hn−2 + hn−1 )zn−1 = bn−1 − zn
4.2. Derivación numérica 71
si hacemos z1 = zn = 0 se obtiene el denominado Spline natural.
4.2. Derivación numérica

En muchas ocasiones es necesario disponer del valor de la derivada de
una función f en un punto c, o bien de su integral en un intervalo [a, b], pero
no nos es posible calcularlas por disponer tan sólo de una tabla de valores
de la función en cuestión o bien por ser su expresión analı́tica inmanejable.
Entonces, lo más usual es aproximar una u otra por una combinación lineal
de los valores de f en los puntos xi , i = 0, 1, . . . , n, en los que f está definida,
es decir
X n
0
f (c) ' ai f (xi ) (2.1)
i=0
al tomar este valor como aproximación de la derivada se comete un error que

denotamos por R(f ), que está definido por medio de la fórmula
n
X
0
f (c) = ai f (xi ) + R(f )
i=0
Nuestro objetivo en este punto será el estudio de fórmulas de este tipo y de

su error correspondiente. Diremos que la fórmula (2.1) es exacta para la
función φ si R(φ) = 0, y se dirá exacta de orden r si R(xi ) = 0 para i =
0, 1, . . . , r y R(xr+1 ) 6= 0 (si se verifican las primeras diremos que es de orden
al menos r). Asimismo, se dirá que es de tipo interpolatorio si se ha obte-
nido derivando el polinomio de interpolación
Pn de f ; es decir si f es derivable
en un punto c ∈ [a, b] y es p(x) = i=0 fi li (x) el polinomio de interpolación
de f , en los puntos xi , (i = 0, 1, . . . , n) de dicho intervalo, expresado en la
forma de Lagrange, entonces se tendrá
n
X
f 0 (c) ' p0 (c) = fi li0 (c) (2.2)
i=0
Puesto que el error de interpolación se define por la igualdad
f (x) = p(x) + E(x)
si f es derivable en c, E(x) también lo será, por ser diferencia de dos funciones

derivables en dicho punto, siendo R(f ) = E 0 (c).
El siguiente teorema, cuya demostración es sencilla, relaciona la exactitud
de una fórmula como la (2.1) con el hecho de ser de tipo interpolatorio.
Teorema 26 La fórmula (2.1) es exacta para todo polinomio de grado me-

nor o igual que n si y sólo si es de tipo interpolatorio (o sea si ai = li0 (c) para i =
0, 1, . . . , n, siendo li (x) los polinomios de base de Lagrange).
4.2.1. Fórmulas de tipo interpolatorio. Expresión del

error.
Veamos algunas de las fórmulas más usuales de derivación numérica de
tipo interpolatorio, cuando tan sólo se conoce la función en uno, dos, tres o
cuatro puntos, ası́ como las expresiones de los errores correspondientes:
1. Si sólo se conoce el valor de f en un punto x0 , f (x0 ), entonces f 0 (c) ' 0.
2. Si se conocen f (x0 ) y f (x1 ) entonces el polinomio de interpolación es
la recta dada por p(x) = f (x0 ) + f [x0 , x1 ](x − x0 ) y resulta la fórmula
f (x1 ) − f (x0 )
f 0 (c) ' f [x0 , x1 ] = (2.3)
x1 − x0
ahora, si se toman x0 = c y x1 = c + h, la (2.3) se escribe en la forma
f (c + h) − f (c)
f 0 (c) ' (2.4)
h
Y si f es de clase C(2) en el intervalo [c, c + h](o [c + h, c]) el error puede
expresarse en la forma
h
R(f ) = − f 00 (ξ) (2.4*)
2
con ξ intermedio entre c y c + h, para probarlo basta con utilizar el
desarrollo de Taylor.
En cambio, si se toman puntos simétricos con respecto a c, o sea x0 =
c − h y x1 = c + h la fórmula (2.3) queda en la forma
f (c + h) − f (c − h)
f 0 (c) ' (2.5)
2h
en cuyo caso, suponiendo que f es de clase C(3) en el intervalo [c −
h, c + h], se obtiene para el error, utilizando el desarrollo de Taylor, la
expresión
h2
R(f ) = − f 000 (ξ) (2.5*)
6
con ξ ∈ [c − h, c + h].
4.2. Derivación numérica 73
3. Fórmulas con tres puntos: x0 , x1 , x2 . En este caso el polinomio de in-

terpolación puede escribirse como
p(x) = f (x0 ) + f [x0 , x1 ](x − x0 ) + f [x0 , x1 , x2 ](x − x0 )(x − x1 )
entonces se obtiene
f 0 (c) ' f [x0 , x1 ] + f [x0 , x1 , x2 ](2c − x0 − x1 ) (2.6)
en particular, tomando x0 = c, x1 = c + h, x2 = c + 2h se tiene
−f (c + 2h) + 4f (c + h) − 3f (c)
f 0 (c) ' (2.7)
2h
en tanto que si f es de clase C(3) en un intervalo que contenga a los
puntos c, c + h, c + 2h, se obtiene para el error, utilizando el desarrollo
de Taylor, la expresión
h2 000
R(f ) = f (ξ) (2.7*)
3
con ξ intermedio entre c y c + 2h.
4. Fórmulas con cuatro puntos. En este caso lo más usual es tomar x0 =
c − 2h, x1 = c − h, x2 = c + h y x3 = c + 2h; obteniéndose la expresión
−f (c + 2h) + 8f (c + h) − 8f (c − h) + f (c − 2h)
f 0 (c) ' (2.8)
12h
y si f es de clase C(5) en un intervalo que contenga a los puntos, el
error correspondiente puede escribirse en la forma
h4 (4)
R(f ) = f (ξ) (2.8*)
30
con ξ intermedio a los nodos de interpolación.
4.2.2. Fórmulas de derivación numérica de orden su-

perior.
Estas fórmulas se obtienen sin dificultad, por el mismo procedimiento,
derivando k veces el polinomio de interpolación para hallar un valor apro-
ximado de f (k) (c), si bien en este caso el número de puntos a utilizar de-
be ser mayor que el orden de derivación, pues en otro caso se obtendrı́a
f (k) (c) ' p(k) (c) = 0.
En el caso particular de que k = 2, utilizando tres puntos x0 , x1 , x2 ,

obtendremos la aproximación
f 00 (c) ' 2f [x0 , x1 , x2 ] (2.9)
y usando puntos simétricos respecto al central x0 = c−h, x1 = c y x2 = c+h,

resulta
f (c + h) − 2f (c) + f (c − h)
f 00 (c) ' (2.10)
h2
además si f es de clase C(4) en algún intervalo que contenga a c − h y c + h,
se puede probar fácilmente por el desarrrollo de Taylor que el error corres-
pondiente adopta la forma
h2 (4)
R(f ) = − f (ξ) (2.10*)
12
con ξ intermedio entre c − h y c + h.
4.2.3. Estabilidad de las fórmulas de derivación numéri-

ca.
La estabilidad de un método numérico mide como este responde frente a
errores de redondeo o en los datos. Veamos la definición con más precisión
para el caso que nos ocupa.
Definición 12 Se dirá que una fórmula de derivación numérica en n + 1

puntos, que escribimos ahora en la forma
n
X
0
f (c) ' ani f (xi )
i=0
es estable si ∀(ε0 , ε1 , . . . , εn ) existe una constante M tal que

n
X
| ani f (xi ) |≤ M máx | εk |
k
i=0
A este respecto conviene recordar el siguiente teorema, cuya demostración

omitimos.
Teorema 27 Las fórmulas de derivación numérica son inestables.

4.3. Integración numérica 75
4.3. Integración numérica

En muchas ocasiones es necesario disponer del valor de la integral de una
función f en un intervalo [a, b], pero no nos es posible calcularla por disponer
tan sólo de una tabla de valores de la función en cuestión o bien por ser su
expresión analı́tica inmanejable. Entonces, lo más usual es aproximarla por
una combinación lineal de los valores de f en los puntos xi , i = 0, 1, . . . , n,
en los que f es conocida, es decir
Z b Xn
f (x)dx ' ai f (xi ) (3.1)
a i=0
al tomar este valor como aproximación de la integral se comete un error que

denotamos por R(f ), que está definido por medio de la fórmula
Z b Xn
f (x)dx = ai f (xi ) + R(f )
a i=0
Nuestro objetivo en este punto será el estudio de fórmulas de integración

(o cuadratura) numérica de este tipo y de los errores correspondientes. Di-
remos que la fórmula (3.1) es exacta para la función φ si R(φ) = 0, y
se dirá exacta de orden, al menos, r si R(xi ) = 0 para i = 0, 1, . . . , r y
de orden exactamente r si además es R(xr+1 ) 6= 0. Asimismo, se dirá que
es de tipo interpolatorio si se ha obtenido integrando el polinomio de
interpolación de f ; es decir si f es integrable en el intervalo [a, b] y es
p(x) = ni=0 fi li (x) el polinomio de interpolación de f , en los puntos xi , (i =
P
0, 1, . . . , n) de dicho intervalo, expresado en la forma de Lagrange, entonces
se tendrá
Z b Z b Xn Z b
f (x)dx ' p(x)dx = ( li (x)dx)f (xi ) + R(f ) (3.2)
a a i=0 a
Puesto que el error de interpolación se define por la igualdad

f (x) = p(x) + E(x)
si f es integrable en [a, b], E(x) también lo será, por ser diferencia de dos
Rb
funciones integrables en dicho intervalo, siendo R(f ) = a E(x)dx.
El siguiente teorema, cuya demostración es sencilla, relaciona la exactitud
de la fórmula (3.1) con el hecho de ser de tipo interpolatorio.
Teorema 28 La fórmula (3.1) es exacta para todo polinomio de grado me-
Rb
nor o igual que n si y sólo si es de tipo interpolatorio (o sea si ai = a li (x)dx para i =
0, 1, . . . , n, siendo li (x) los polinomios de base de Lagrange).
4.3.1. Fórmulas de tipo interpolatorio.

Veamos algunas de las fórmulas más usuales de integración numérica de
tipo interpolatorio, cuando tan sólo se conoce la función en uno o dos puntos,
ası́ como las expresiones de los errores correspondientes (algunas de las cuales
serán demostradas como ejercicio):
1. Cuando sólo se conce el valor de f en un punto x0 de intervalo [a, b] se

puede aproximar la integral en la forma:
Z b
f (x)dx ' f (x0 )(b − a) (3.3)
a
en tanto que el error correspondiente puede escribirse como

Z b
R(f ) = f [x0 , x](x − x0 )dx (3.3*)
a
En particular, si x0 = a se tiene la fórmula del rectángulo

Z b
f (x)dx ' f (a)(b − a) (3.4)
a
y si f ∈ C(1) ([a, b]) su error viene dado por
(b − a)2
R(f ) = f 0 (ξ) (3.4*)
2
con ξ ∈ [a, b].

a+b
En tanto que si x0 = 2
se tiene la fórmula del punto medio
Z b
a+b
f (x)dx ' f ( )(b − a) (3.5)
a 2
que si f ∈ C(2) ([a, b]) admite un error dado por la expresión
f 00 (ξ)
R(f ) = (b − a)3 (3.5*)
24
2. Cuando se conoce el valor de f en dos puntos x0 y x1 , se tiene para el

polinomio de interpolación de f en dichos puntos la expresión
p(x) = f (x0 ) + f [x0 , x1 ](x − x0 )
e integrando resulta
Z b
(b − x0 )2 − (a − x0 )2
p(x)dx = f (x0 )(b − a) + f [x0 , x1 ][ ]
a 2
en particular tomando x0 = a y x1 = b se obtiene la fórmula de cua-
dratura numérica
Z b
1
f (x)dx ' (b − a)[f (a) + f (b)] (3.6)
a 2
conocida como fórmula del trapecio; ahora si f ∈ C(2) ([a, b]) su error
viene dado por
(b − a)3
R(f ) = −f 00 (ξ) (3.6*)
12
con ξ ∈ [a, b].
4.3.2. Fórmulas de Newton-Côtes simples.

Se denomina ası́ a las fórmulas de cuadratura numérica de tipo interpola-
torio en que los puntos de interpolación están igualmente espaciados
y resultan de la división en partes iguales del intervalo de integración [a, b],
si es h = b−a
n
entonces xi = x0 + ih siendo x0 = a. Si se utilizan los puntos
extremos se dicen cerradas y en otro caso abiertas. Veamos seguidamente
las fórmulas cerradas con tres, cuatro o cinco puntos:
1. Con tres puntos igualmente espaciados: a, a+b 2
y b, se calcula el polino-
mio de interpolación que pasa por ellos, se integra en [a, b] y se obtiene
la conocida fórmula de Simpson (una de las más usadas en la prácti-
ca por su simplicidad y precisión):
b
b−a
Z
a+b
f (x)dx ' [f (a) + 4f ( ) + f (b)] (3.7)
a 6 2
que si f ∈ C(4) ([a, b]) nos permite obtener la siguiente expresión del
error
(b − a)5 h5
R(f ) = −f (4) (ξ) = −f (4) (ξ) (3.7*)
2880 90
en la que h = b−a
2
y ξ es un punto intermedio entre a y b. De la expresión
del error se deduce que es exacta para todo polinomio de grado menor
o igual a 3.
2. Con cuatro puntos igualmente espaciados a, 2a+b
3
, a+2b
3
y b se obtiene
b
b−a
Z
2a + b a + 2b
f (x)dx ' [f (a) + 3f ( ) + 3f ( ) + f (b)] (3.8)
a 8 3 3
pudiendo expresarse su error, si f ∈ C(4) ([a, b]), en la forma
3h5
R(f ) = −f (4) (ξ) (3.8*)
80
b−a
siendo ahora h = 3
.
3. Con cinco puntos x0 = a, x1 = a + h, x2 = a + 2h, x3 = a + 3h, x4 =
a + 4h = b (donde h = b−a
4
) se obtiene la fórmula de cuadatura
b
b−a
Z
f (x)dx ' (7f0 + 32f1 + 12f2 + 32f3 + 7f4 ) (3.9)
a 90
en tanto que el error puede escribirse como
8h7
R(f ) = −f (6) (ξ) (3.9*)
945
La mayor precisión del método de Simpson con 2+1 puntos con respecto
a sus rivales, con 1+1 o 3+1 puntos, es general; de hecho, se puede demostrar
el teorema siguiente, que admitiremos sin demostración.
Teorema 29 En las fórmulas de Newton-Côtes cerradas con n par (n + 1
nodos), el error es un infinitésimo del orden de hn+3 . por contra, para n par
el error es del orden de hn+2 (De aquı́ la ventaja de utilizar fórmulas como
la de Simpson, con n par).
4.3.3. Fórmulas de cuadratura compuestas.

Son las que se obtienen al dividir el intervalo de integración [a, b] en n
subintervalos iguales y a cada uno de estos aplicarles una fórmula sencilla,
por ejemplo la fórmula del trapecio o la regla de Simpson, estas fórmulas
tienen buenas propiedades de estabilidad y convergencia. Veamos a modo de
ejemplo las fórmulas compuestas del trapecio y de Simpson.
1. Fórmula del trapecio compuesta. Dividimos el intervalo de partida

[a, b] en n subintervalos de la misma amplitud, haciendo h = b−an
, x0 =
a, xj = x0 + jh y aplicamos a cada subintervalo la fórmula del trapecio
simple, entonces se obtiene
Z b n−1 Z xj+1 n−1
X X h
f (x)dx = f (x)dx ' [f (xj ) + f (xj+1 )]
a j=0 xj j=0
2
de donde se obtiene
Z b n−1
h X
f (x)dx ' [f0 + 2 fj + fn ] (3.10)
a 2 j=1
en la que fj = f (xj ); ahora si f ∈ C(2) ([a, b]) el error puede escribirse,

tras sumar los errores cometidos en cada subintervalo, en la forma
(b − a)3 (b − a) 2
R(f ) = −f 00 (ξ) 2
= −f 00 (ξ) h (3.10*)
12n 12
2. Fórmula de Simpson compuesta. De la misma manera que antes

dividamos el intervalo de partida en n subintervalos de la misma lon-
gitud, suponiendo que f es conocida en todos los extremos xj de los
subintervalos y en los puntos medios de los mismos que indicamos por
xj+ 1 = xj + h2 , aplicando a cada subintervalo la regla de Simpson simple
2
se obtiene la fórmula compuesta correspondiente
Z b n−1 n−1
h X X
f (x)dx ' [f0 + 2 fj + 4 fj+ 1 + fn ] (3.11)
a 6 j=1 j=0
2
y el error correspondiente,si f ∈ C(4) ([a, b]), viene dado por
(b − a)h4 (b − a)5
R(f ) = −f (4) (ξ) = −f (4) (ξ) (3.11*)
2880 2880n4
con ξ intermedio entre a y b.
4.3.4. Estabilidad y convergencia

Como se ha dicho anteriormente, la estabilidad de un método numérico
mide su sensibilidad frente a errores de cálculo o en los datos. Para el caso
de las fórmulas de cuadratura se da la siguiente.
Definición 13 Se dirá que una fórmula de integración numérica en n + 1

puntos, que escribimos ahora en la forma
Z b n
X
f (x)dx ' ani f (xi )
a i=0
es estable si ∀(ε0 , ε1 , . . . , εn ) existe una constante M independiente de n tal

que:
X n
| ani f (xi ) |≤ M máx | εk |
k
i=0
También se introduce el concepto de convergencia como sigue.

Definición 14 Una fórmula de integración numérica en n + 1 puntos
Z b Xn
f (x)dx ' ani f (xi )
a i=0
se dirá convergente sobre un conjunto V cualquiera que sea f ∈ V se tiene

Xn Z b
n
limn→∞ | ai f (xi ) |= f (x)dx
i=0 a
Notas. Damos seguidamente algunos resultados sobre estabilidad y conver-

gencia.
Las fórmulas de Newton-Côtes simples son inestables (luego no son
recomendables para valores grandes de n).
Una condición necesaria y suficiente para que un método de cuadratura

de tipo interpolatorio sea convergente sobre C([a, b]) es que sea estable.
Las fórmulas del trapecio y Simpson compuestas son estables y con-

vergentes; en general, las fórmulas compuestas de Newton-Côtes, de
grado de exactitud r en n + 1 puntos, tales que los coeficientes de la
correspondiente fórmula simple son positivos es estable.

1. Hallar el polinomio de interpolación de Lagrange que pasa por los pun-
tos: (0, −2), (1, 6), (3, 40).
2. Utilizando el polinomio de interpolación de Lagrange, estimar el valor

de f (4), sabiendo que f (−1) = 2, f (0) = 0, f (3) = 4 y f (7) = 7.
3. Mediante la fórmula de Newton en diferencias divididas, obtener el

polinomio de interpolación que se ajusta a la tabla
x: 0 1 2
f (x) : 1 2 3
4. Obtener, mediante la fórmula de Newton progresiva, el polinomio que

interpola a la función de la que se conocen los siguientes datos:
x: 0 1 2 3 4
f (x) : 0 1 8 27 64
5. Calcular, mediante la fórmula de Newton regresiva, el polinomio inter-

polador que pasa por los puntos: (−1, 1), (0, 1), (1, 1) y (2, −5).
6. Dada la tabla
x: 0,125 0,250 0,375 0,500
f (x) : 0,792 0,773 0,744 0,704
Obtener el polinomio de interpolación mediante la fórmula de

Newton progresiva.
Obtener el polinomio de interpolación mediante la fórmula de
Newton regresiva.
Razonar la posible igualdad de ambos.
7. De la tabla de logaritmos decimales se obtienen los siguientes valores

aproximados para log10 (x): log10 (1,5) = 0,17609, log10 (2) = 0,30103,
log10 (3) = 0,47712, log10 (3,5) = 0,54407. Mediante el polinomio de
interpolación aproximar el log10 (2,5) y acotar el error cometido.
8. Utilizando la fórmula de Newton progresiva, hallar el polinomio de

grado menor o igual que 5, que pasa por los puntos de la tabla
x: −3 −1 1 3 5 7
f (x) : 14 4 2 8 22 44
√
9. Calcular una aproximación de 2 y dar una cota del error cometido
utilizando el polinomio de interpolación de la función f (x) = 2x en los
puntos −2, −1, 0, 1.
10. Dada la tabla de valores

x: 0 1 2 3 4
f (x) : 0 1 4 7 8
Se pide el spline cúbico que pasa por esos puntos y una estimación de
f (1,5) y de f 0 (2).
11. Usar una fórmula de Newton progresiva para hallar el polinomio de
interpolación que aproxime a una función f (x) tal que f (0) = 0 y
f (n) = 12 + 22 + · · · + n2 , ∀n ∈ N.
12. Probar que si f (x) = (x − x0 )(x − x1 ) · · · (x − xn ), entonces para todo
x es f [x0 , x1 , . . . , xn , x] = 1 (Ayuda: Usar la relación existente entre la
diferencia dividida y una adecuada derivada de f ).
13. El valor de e0,2 se estima por interpolación a partir de los valores e0 =
1, e0,1 ' 1,1052 y e0,3 ' 1,3499. Hallar dicho valor interpolado y acotar
el error cometido.
14. Hallar a1 y a2 para que las fórmulas de derivación e integración numéri-
cas:
Z 1
0 1 1 1
f ( ) ' a1 f (0) + a2 f ( ) y f (x)dx ' a1 f (0) + a2 f ( )
2 2 0 2
sean exactas para las funciones 1 y x.
15. Obtener una fórmula de derivación numérica de tipo interpolatorio para
el cálculo aproximado de f 0 (a), siendo conocidos los valores de f en los
puntos a, a + h4 , a + h2 y a + h. Utilizar dicha fórmula par aproximar la
derivada de f (x) = cos(hx2 ) con x = a = 1 y h = 0,1.
16. Calcular a1 , a2 y a3 para que la fórmula
Z 1
f (x)dx ' a1 f (−1) + a2 f (1) + a3 f (α)
−1
sea exacta del mayor grado posible, siendo α un número dado tal que
−1 < α < 1. Utilizar dicha fórmula para estimar el valor de la integral
Z 1r
5x + 13
dx
−1 2
con α = −0,1. Comparar el valor obtenido con el verdadero valor de
dicha integral.
17. Supuestos conocidos los valores de f en los puntos c − 2h, c − h, c +

h, c + 2h; hallar una fórmula para aproximar la derivada f 000 (c) y dar
una expresión del error si f es de clase C(5) en un intervalo que contenga
a dichos puntos.
18. Calcular los
R 1 coeficientes y nodos para que la fórmula de integración
numérica −1 f (x)dx ' A0 f (x0 ) + A1 f (x1 ) tenga el máximo orden de
exactitud. Aplicarla para calcular aproximadamente la integral
Z 1
(1 + x2 )senxdx
−1
Rx
19. Aplicar la regla de Simpson compuesta a la integral 1 1t dt, para obtener
una aproximación de ln2, determinando el número de subintervalos a
considerar para que el error cometido en esa aproximación sea menor
que 10−3 .
20. Utilizar
R 3,4 x la regla del trapecio compuesta para aproximar la integral
1,8
e dx, eligiendo el paso h para que el error cometido sea menor
que 5 · 10−3 . Con el mismo paso anterior, integrarla por la regla de
Simpson compuesta y estimar el error correspondiente.
R2
21. Obtener el valor aproximado de la integral 1 (lnx)2 dx utilizando las
fórmulas compuestas del punto medio, trapecio y Simpson, dividiendo
el intervalo en ocho subintervalos y estimando el error en cada caso.
Se propone en este tema realizar alguno de los siguientes trabajos:
Diferencias divididas con argumentos repetidos y errores en los métodos

interpolatorios.
Interpolación de Hermite y aplicaciones.
Interpolación por polinomios trigonométricos y transformada rápida de
Fourier.
Estabilidad y convergencia en los problemas de derivación e integración
numérica.
Fórmulas de cuadratura gaussianas.
Método de Romberg para derivación e integración numérica.
Capı́tulo 5
problemas de valor inicial para
ecuaciones diferenciales
ordinarias: Métodos
Runge-Kutta y multipaso
lineales
5.1. Problemas de valor inicial para ecuacio-

nes diferenciales ordinarias
Se denomina problema de valor inicial, abreviadamente PVI, para la ecua-
ción diferencial ordinaria y 0 (t) = f (t, y(t)) al problema de hallar una solución
de la misma verificando una condición inicial dada y(a) = η. Es decir, se tra-
ta de obtener una función y(t), definida en algún intervalo I conteniendo al
punto a, verificando las condiciones
0
y (t) = f (t, y(t)), ∀t ∈ I
PV I
y(a) = η
En primer lugar, enunciamos el siguiente teorema que garantiza la exis-

tencia y unicidad de solución del problema de valor inicial planteado ante-
riormente, en el caso escalar.
Teorema 30 Sea f : D = [a, b] × R → R, con a y b reales finitos, una
función continua verificando una condición de Lipschitz, con respecto a y en
85
86 Capı́tulo 5. Resolución numérica de problemas de valor inicial
D, de la forma: existe L constante tal que cualesquiera que sean t, y, ye con

(t, y), (t, ye) ∈ D es
|f (t, y) − f (t, ye)| ≤ L | y − ye |
entonces, si η es cualquier número real dado, existe una única solución y(t)
del PVI que se denota por y(t; a, η), que es de clase C (1) con respecto a
t ∈ [a, b] y continua con respecto a η.
Observación: Damos aquı́ una condición suficiente para que f (t, y) ve-
rifique una condición de Lipschitz.
Si f (t, y) y ∂f∂y
(t,y)
son contı́nuas para todo (t, y) ∈ D, siendo D convexo
(lo es en las hipótesis del teorema anterior), por el teorema del valor medio
se tiene
∂f (t, yb)
f (t, y) − f (t, ye) = (y − ye)
∂y
con y ≤ yb ≤ ye o bien ye ≤ yb ≤ y. Entonces, si existe L = sup(t,y)∈D | ∂f∂y
(t,y)
|,
f (t, y) verificará la condición de Lipschitz anterior.
Para el caso vectorial tenemos análogamente el siguiente teorema
Teorema 31 Sea f : D = [a, b] × Rs → Rs , con a y b finitos, una fun-

ción continua verificando la siguiente condición de Lipschitz con respecto a
y en D: existe L constante de manera que cualesquiera que sean t, y, ye con
(t, y), (t, ye) ∈ D es
k f (t, y) − f (t, ye) k≤ L k y − ye k
entonces, si η es cualquier vector dado de Rs , existe una única solución vecto-

rial y(t) del PVI que se denota por y(t; a, η), que es de clase C (1) con respecto
a t ∈ [a, b] y continua con respecto a η ∈ Rs . Si se sustituye la condición ini-
cial y(a) = η por y(t0 ) = y0 , tambión existe una única solución y(t; t0 , y0 )
que depende continuamente de los datos (t0 , y0 ). Si además de las condicines
anteriores f ∈ C (p) en D, entonces la solución y(t; t0 , y0 ) es de clase C (p+1)
respecto a t en [a, b] y de clase C (p) con respecto a y0 en Rs .
Observaciones:
Aquı́ k · k es una norma cualquiera en Rs (se indicará indistintamente

por | · | si no hay lugar a confusión).
Como antes, si f (t, y) y ∂f (t, y)/∂y (Jacobiana de f respecto a y) son

continuas y existe L = sup(t,y)∈D k ∂f (t, y)/∂y k, la función f (t, y)
verificará la condición de Lipschitz anterior.
5.2. Métodos de un paso generales: definiciones y resultados 87
El problema de valor inicial vectorial se escribe desarrollado en la forma:

y10 = f1 (t, y1 , y2 , ..., ys ), y1 (a) = η1
y20 = f2 (t, y1 , y2 , ..., ys ), y2 (a) = η2
...............
ys0 = fs (t, y1 , y2 , ..., ys ), ys (a) = ηs
En lo sucesivo indicaremos por CL = {f : D = [a, b] × Rs → Rs | f es

continua y verifica una condición de Lipschitz del tipo anterior} y por
C (p) = {f : D = [a, b] × Rs → Rs | tal que f admite todas las derivadas
parciales hasta el orden p y son continuas en D}.
Ecuaciones de orden superior al primero

En la práctica suelen aparecer problemas de valor inicial para ecuaciones
diferenciales ordinarias de orden s > 1, que escritas en la forma normal o
explı́cita se expresan como sigue
y (s) = f (t, y, y 0 , y 00 , ..., y (s−1) ), y (k) (a) = ηk (k = 0, 1, 2, ..., s − 1)
Entonces, definiendo las funciones vectoriales
     
y1 ≡ y y2 η1
 y2 ≡ 0
y    y3   η2 
y =  .. .. ..  F (t, y) =  η = 
    
.. .. 
 . . .   .   . 
ys ≡ y (s−1) f (t, y1 , y2 , ..., ys ) ηs
El problema del valor inicial dado será equivalente al PVI para el sistema
de primer orden
y 0 = F (t, y), y(a) = η
Dado que, en general, nos referiremos a métodos numéricos para problemas
de valor inicial expresados en esta forma, conviene recordar este modo simple
de pasar de una ecuación de orden superior al primero a un sistema de primer
orden equivalente.
5.2. Métodos de un paso generales: definicio-

nes y resultados
Cuando se estudia la resolución numérica de un problema de valor inicial
es habitual suponer que está matemáticamente bien planteado, es decir, que
tiene solución única y que esta depende continuamente de los datos inicia-
les. Con las hipótesis antes señaladas esto está garantizado. Aunque no es
suficiente para asegurar una buena resolución numérica; en efecto, si conside-
ramos dos soluciones que salen en el instante t = 0 de y0 e yb0 respectivamente,
se puede probar que
∀t ∈ [a, b] :| y(t, t0 , y0 ) − y(t, t0 , yb0 |≤ eλt | y0 − yb0 |
entonces, si el factor eλt se hace grande, una resolución numérica puede no

tener sentido con medios de cálculo limitados, ya que los posibles errores de
redondeo propagados podrı́an ser amplificados por el factor eλt . De manera
que, en lo que sigue, consideraremos la resolución numérica de PVI numéri-
camente bien planteados en el sentido de que eλt no sea demasiado grande,
donde esta terminologı́a heurı́stica depende de la precisión del ordenador o
medio de cálculo utilizado. En la resolución numérica de un PVI de la forma
0
y (t) = f (t, y(t)), t ∈ [a, b]
y(a) = η
donde f es, indistintamente, escalar o vectorial, se suele considerar un con-

junto de puntos en [a,b] de la forma
a = t0 < t1 < t2 < .... < tN = b
que llamamos red en [a, b], y a los hj = tj+1 − tj , pasos de la red. En general,
por simplicidad en el planteamiento, tomaremos todos los pasos hj = h fijos,
aunque se podrı́an tomar variables siempre que el mayor de ellos tendiera a
cero. Llamaremos método de un paso a todo algoritmo en el que a partir
de los datos tn , yn (aproximacion de la solucion en el punto tn de la red) y el
paso h, podemos calcular un valor yn+1 que aproxima a la solución del PVI
en el punto tn + h.
Algunos de los métodos más antiguos de aproximación numérica de las
soluciones de una ecuación diferencial están motivados por sencillas conside-
raciones geométricas basadas sobre el campo de direcciones (o pendientes)
definidas por el miembro de la derecha de la ecuación diferencial; entre es-
tos están los métodos de Euler y de Euler modificado. Otros más precisos y
sofisticados están basados en los desarrollos en serie de Taylor y los veremos
en un párrafo posterior.
El método de Euler fue propuesto por dicho autor en 1768, en los
primeros dı́as del cálculo. Consiste básicamente en seguir la pendiente del
punto (tn , yn ) sobre un intervalo de longitud h, ası́ la aproximación en el
punto tn + h está dada por
yn+1 = yn + hf (tn , yn ), (n = 0, 1, ..., N − 1)

y cuyo significado geométrico es bastante sencillo, consiste en dar como apro-
ximación de la solución en el punto tn+1 = tn +h, la que darı́a la recta tangente
en el punto (tn , yn ) a la curva integral del PVI: y 0 (t) = f (t, y(t)), y(tn ) = yn ,
evaluada en el punto tn+1 = tn + h.
5.2.1. Expresión general de los métodos de un paso

Según hemos dicho antes, un método de un paso es un algoritmo que
relaciona la aproximación yn+1 a y(tn+1 ; tn , yn ) con (tn , yn ) y la longitud del
paso h, se suele expresar como sigue
y0 = η
(5.1)
yn+1 = yn + hΦ(tn , yn ; h)(n = 0, 1, ..., N − 1)
donde φ es una función que depende de la ecuación diferencial considerada y
se llama función incremento del método, puede pensarse como el incremen-
to aproximado por unidad de paso. Para el denominado método de Euler
explı́cito o progresivo, descrito antes es φ(t, y; h) = f (t, y) y para el méto-
do de Euler implı́cito o regresivo, dado por el algoritmo
yn+1 = yn + hf (tn+1 , yn+1 )
la función incremento φ habrı́a que definirla implı́citamente por medio de la
ecuación funcional
φ(t, y; h) = f (t + h, y + hφ(t, y; h))
En general, si la función incremento se puede expresar explı́citamenteéto-
do se llama implı́cito. Sin pérdida de generalidad, tomaremos redes unifor-
mes, con paso fijo h = tj+1 − tj = b−a
N
> 0 (en otro caso basta con hacer que
h = máx hn −→ 0). Dada la ecuación diferencial y 0 (t) = f (t, y(t)), supondre-
mos, como siempre, que f es continua en D y lipschitziana con respecto a y
en D o dicho brevemente que f ∈ CL .
Definición 15 Llamaremos error local en el punto (t̃, ỹ) con paso h al
que se cometerı́a partiendo de ese punto con paso h, dividido por h, es decir
1
[y(t̂ + h; t̂, ŷ) − ŷ] − Φ((t̂, ŷ; h)
e(t̂, ŷ; h) =
h
o sea es la diferencia entre el incremento exacto y aproximado por unidad de
paso.
Se dirá que este error es de orden p, si para toda ecuación diferencial

con f de clase C (p) , continua y lipschitziana con respecto a y en D, se tiene
| e(t̂, ŷ; h) |= O(hp ), (h → O+ )
El concepto de estabilidad se introduce para controlar el comportamien-

to global del método frente a perturbaciones locales, que pueden interpretarse
como errores locales de truncatura o de redondeo. Para simplificar la presen-
tación, en lo sucesivo, y mientras no se diga lo contrario, supondremos que
el método se aplica con paso fijo h = T /N , donde N es un entero positivo.
Definición 16 Sea el esquema numérico original

y0 = η
(5.2)
yn+1 = yn + hΦ(tn , yn ; h)(n = 0, 1, ..., N − 1)
y el esquema perturbado

ŷ0 = y0 + ω0
(5.3)
ŷn+1 = ŷn + hΦ(tn , ŷn ; h) + ωn+1 (n = 0, 1, ..., N − 1)
donde ωi son perturbaciones arbitrarias. Diremos que el método (5.1) es es-

table, si para todo PVI las soluciones de (5.2) y (5.3) verifican
N
X
máx | ŷn − yn |≤ k1 | ωj |
0≤n≤N
j=0
donde k1 depende sólo del PVI considerado, pero no depende de h ni de las

perturbaciones.
Con objeto de averiguar si un método (5.1) tiene esta propiedad, exigible
a todo método numérico, enunciamos a continuación un teorema que nos
da condiciones suficientes para la estabilidad de un método numérico de un
paso.
Teorema 32 Condición suficiente de estabilidad.- Si la función in-
cremento del método numérico Φ(t, y; h) verifica una condición de Lipschitz
respecto a y de la forma: existe λ constante tal que ∀y, ŷ ∈ Rs , t ∈ [a, b]
y h ∈ [0, h0 ) es | Φ(t, y; h) − Φ(t, ŷ; h) |≤ λ | y − ŷ |; entonces, el método
numérico de un paso (5.1) es estable.
Desde luego a todo método numérico le vamos a requerir que sea con-
vergente, es decir que las aproximaciones que genere converjan a la solución
buscada, lo que definimos a continuación con más precisión.
Definición 17 El método (5.1) se dice convergente si para todo PVI con

f ∈ CL se verifica que
lı́m máx | yn − y(tn ) |= 0 (siendo N h = T )

h→0+ 0≤n≤N
C (p) , se
T
Y se dice convergente de orden p si para todo PVI con f ∈ CL
verifica que
máx | yn − y(tn ) |= O(hp ) (h → O+ )
0≤n≤N
Nos será útil introducir un nuevo concepto, a saber la consistencia, que nos
mide cómo las soluciones exactas verifican la ecuación del método numérico.
Definición 18 El método (5.1) se dice consistente si para todo PVI con

f ∈ CL se verifica que
1
lı́m+ máx | [y(tn+1 ) − y(tn )] − Φ(tn , y(tn ); h) |= 0 (siendo N h = T )
h→0 0≤n≤N −1 h
0
para toda solución y(t) de la ecuación diferencial
T (p)y = f (t, y). Y consistente
de orden p si para todo PVI con f ∈ CL C , se verifica que
1
máx | [y(tn+1 ) − y(tn )] − Φ(tn , y(tn ); h) |= O(hp ) (h → O+ )
0≤n≤N −1 h
Ahora estamos en condiciones de enunciar el teorema fundamental que sigue,
que nos da una condición necesaria y suficiente de convergencia.
Teorema 33 Teorema fundamental.- Un método numérico de un paso

(5.1), con función incremento verificando la condición de Lipschitz del teo-
rema anterior, es convergente (respectivamente convergente de orden p) si y
sólo sı́ es consistente (respectivamente consistente de orden p).
Veamos seguidamente el enunciado de dos teoremas que nos dan condi-

ciones suficientes de consistencia.
Teorema 34 Si el error local de un método (5.1) es de orden p, el método

es consistente de orden p, y por el anterior convergente del mismo orden.
Teorema 35 Si la función incremento de un método (5.1), Φ, es continua

respecto a todos sus argumentos en su dominio de definición, y verifica la
condición de Lipschitz del teorema 3. El método (5.1) es consistente (y por
lo tanto convergente) si y sólo si para todo PVI con f ∈ CL se tiene que
Φ(t, y, 0) = f (t, y), ∀(t, y) ∈ [a, b] × Rs

Los conceptos de convergencia, estabilidad y consistencia se generalizan

sin dificultad a redes no uniformes. Siendo los teoremas anteriores igualmente
válidos en esta situación más general.
Finalmente, para el estudio del orden de un método numérico de un pa-
so, nos será muy útil el teorema siguiente, que se prueba desarrollando en
potencias de h, mediante desarrollos de Taylor, los errores locales, con paso
h, a partir de los puntos (tn , y(tn )) de la solución exacta.
Teorema 36 Sea f : [a, b]×Rs → Rs de clase C (p) y suponer que las funcio-
p
nes Φ(t, y; h), ∂Φ
∂h
(t, y; h), ... , ∂∂hΦp (t, y; h) son continuas en [a, b]×Rs ×[0, h∗ ],
siendo Φ(t, y; h) lipschitziana con respecto a y en dicho dominio. Entonces,
una condición necesaria y suficiente para que el método numérico de fun-
ción incremento Φ(t, y; h) sea de orden, al menos, p es que se verifiquen las
condiciones siguientes:
Φ(t, y; 0) = f (t, y)
∂Φ
∂h
(t, y; 0) = 12 f (1) (t, y)
...
∂ p−1 Φ
∂hp−1
(t, y; 0) = p1 f (p−1) (t, y)
y se dice de orden, exactamente, p si además es

∂pΦ 1
∂hp
(t, y; 0) 6= p+1
f (p) (t, y)
donde las derivadas sucesivas de f a lo largo de las soluciones del sistema

diferencial vienen dadas por
f (0) (t, y) = f (t, y)

(0) (0)
f (1) (t, y) = ft (t, y) + fy (t, y)f (t, y)
...
(k) (k−1) (k−1)
f (t, y) = ft (t, y) + fy (t, y)f (t, y)
5.3. Métodos de Taylor

El método más sencillo de un paso es el método de Euler, que a su vez es
fácilmente programable, pero tiene el inconveniente de que al ser los errores
globales (EG) del orden de h, para conseguir que sean pequeños hay que
tomar pasos pequeños, con lo que el costo computacional se hace mayor, a la
vez que los errores de redondeo aumentan. Interesa pues, buscar métodos que
den EG pequeños con un costo computacional razonable. Entonces, se hace
necesario considerar métodos de orden p > 1. Una posibilidad es la siguiente:
5.3. Métodos de Taylor 93
Métodos de Taylor
T (p)de orden p. Si la función que define la ecuación
diferencial es f ∈ CL C ; entonces, la solución exacta del PVI
0
y (t) = f (t, y(t)), ∀t ∈ [a, b]
PV I
y(tn ) = yn
admite el siguiente desarrollo de Taylor si tn , tn + h ∈ [a, b]:
0 h2 00 hp (p) hp+1 (p+1)

y(tn +h; tn , yn ) = yn +hy (tn )+ y (tn )+· · ·+ y (tn )+ y (t̂n ) =
2! p! (p + 1)!
h2 (1) hp hp+1 (p)

yn + hf (tn , yn ) + f (tn , yn ) + · · · + f (p−1) (tn , yn ) + f (t̂n , ŷn )
2! p! (p + 1)!
donde
y 0 (tn ) = f (tn , yn )
00 (1)
y (tn ) = f (tn , yn ) = (ft + fy f )(tn , yn )
000 (1) (1)
y (tn ) = f (2) (tn , yn ) = (ft + fy f )(tn , yn )
...
(k+1) (k) (k−1) (k−1)
y (tn ) = f (tn , yn ) = (ft + fy f )(tn , yn )
Por tanto, si prescindimos del resto en la expresión del desarrollo de Taylor
anterior, obtenemos el método numérico de un paso
h2 (1) hp
yn+1 = yn +hΦ(tn , yn ; h) = yn +hf (tn , yn )+ f (tn , yn )+· · ·+ f (p−1) (tn , yn )
2! p!
que verifica
1
| [y(tn + h; tn , yn ) − yn ] − Φ(tn , yn ; h) |= O(hp ), (h −→ 0+ )
h
es decir el error local es de orden p, se denomina método de Taylor de
orden p. Para el caso p = 1 se reduce al método de Euler. Desde luego, la
función incremento para el método de Taylor de orden p está dada por:
h (1) hp−1 (p−1)

Φ(t, y; h) = f (t, y) + f (t, y) + · · · + f (t, y)
2! p!
Es fácil ver que si las funciones f (k) (t, y) verifican en su dominio [a, b] × Rs ,
condiciones de Lipschitz con respecto a y, con constates de Lipschitz respec-
tivas L0 , L1 ,...;Lp−1 ; entonces, Φ(t, y; h) tambión la verifica con constante de
Lipschitz:
1 1
L = LO + L1 + · · · + Lp−1
2 p!
en virtud de los teoremas anteriores se concluye que se trata de un método

convergente de orden p. Ası́ pues, si la función que describe la ecuación
diferencial f , es una función suficientemente derivable, en principio, dispone-
mos de un procedimiento sencillo para obtener métodos numéricos de integra-
ción de un paso de orden elevado. Aunque este método puede presentar los
siguientes inconvenientes: 1) Que f(t,y) no admita las derivadas necesarias
para aplicarlo. 2) Que aún existiendo las derivadas sucesivas, la compleji-
dad de su cálculo sea extraordinariamente grande y esto complique o haga
imposible su obtención efectiva.
Ejercicio. Aplicar el método de Taylor de tercer orden para integrar

numéricamente el PVI: y 0 = y, y(0) = 1, tomando h = 0,1 en el intervalo
[0, 1].
Hemos de realizar el algoritmo
y0 = 1
(5.4)
yn+1 = yn + hΦ(tn , yn ; h)(n = 0, 1, ..., N − 1)
donde para orden tres, la función incremento se reduce a

h (1) h2
Φ(tn , yn ; h) = f (tn , yn ) + f (tn , yn ) + f (2) (tn , yn )
2! 3!
y puesto que en este caso se tiene que
f (t, y) = f (1) (t, y) = f (2) (t, y) = y
la función incremento viene dada por

h h2 h h2
Φ(tn , yn ; h) = yn + yn + yn = (1 + + )yn
2 3! 2 3!
y el método se reduce a realizar el algoritmo
y0 = 1
h2 h3 (5.5)
yn+1 = (1 + h + 2
+ 3!
)yn (n = 0, 1, ..., 9)
ahora sustituyendo cada uno en el siguiente y teniendo en cuenta que y0 = 0,

resulta
h2 h3 n+1
yn+1 = (1 + h + + ) (n = 0, 1, ..., 9)
2 3!
Reteniendo 6 cifras decimales redondeadas se obtiene la siguiente tabla, en
cuya primera columna se representan los nodos ti = i ∗ 0,1, en la segunda
los valores aproximados yi , proporcionados por el método de Taylor de tercer
orden, y en la tercera los valores de la solución exacta y(ti ) = eti
5.4. Desarrollo asintótico del error global y aplicaciones 95
0,0 1,000000 1,000000

0,1 1,105167 1,105171
0,2 1,221393 1,221403
0,3 1,349843 1,349859
0,4 1,491802 1,491825
0,5 1,648690 1,648721
0,6 1,822077 1,822119
0,7 2,013698 2,013753
0,8 2,225472 2,225541
0,9 2,459518 2,459603
1,0 2,718177 2,718282
Que aún coincidiendo en x = 1 sólo tres cifras decimales de la solución

aproximada obtenida y de la exacta mejora notablemente al de Euler que,
integrando con el mismo paso, sólo da correcta la parte entera.
5.4. Desarrollo asintótico del error global y

aplicaciones
Para el estudio de desarrollos asintóticos del error en los métodos gene-
rales de un paso, haremos las siguientes hipótesis sobre el PVI a integrar y
el método de integración:
1. Que f ∈ C (p) (Ω), siendo Ω el η-entorno de la solución Ω = {(t, y)|t ∈

[a, b] e |y − y(t)| ≤ η}.
2. Que el método numérico de integración tiene orden p ≥ 1 y su función

incremento Φ(t, y; h) ∈ C (q) (Ω × [0, h∗ ]) y p + 1 ≤ q.
Entonces podemos enunciar el siguiente teroema.
Teorema 37 Si el PVI y el método numérico verifican las hipétesis 1 y 2

anteriores, el error global en todo punto t = tn de la red admite un desarrollo
asintótico de la forma:
y(t) − yh (t) = dp (t)hp + · · · + dq (t)hq + E(t, h)hq+1
donde las funciones di (t) depende de t pero no de h y E(t, h) está acotada

en conjuntos compactos.
5.4.1. Estimación del error global mediante el método

de extrapolación al lı́mite de Richardson
Sea yh (t) el valor de la solución numérica en el punto t, calculado con
paso h, donde t = tn = nh. De acuerdo con el teorema anterior, si el método
es de orden p, se tiene:
y(t) − yh (t) = dp (t)hp + O(hp+1 )
siendo dp (t) independiente del paso h, repitiendo la integración con paso h/2
se tendrá:
y(t) − yh/2 (t) = dp (t)(h/2)p + O(hp+1 )
y restando a la primera la segunda, resulta
1 p
yh/2 (t) − yh (t) = (1 − )h dp (t) + O(hp+1 ) = (2p − 1)(h/2)p dp (t) + O(hp+1 )
2p
luego
yh/2 (t) − yh (t)
= (h/2)p dp (t) + O(hp+1 )
2p − 1
por tanto
yh/2 (t) − yh (t)
E=
2p − 1
es una estimación asintóticamente correcta del error de la solución de
orden p con paso h/2 y se llama de Richardson.
En realidad, seguún el teorema anterior, el error global está dado por un
desarrollo de la forma
y(t) − yh (t) = dp (t)hp + dp+1 (t)hp+1 + . . .
donde las di (t) son independientes del paso h; por tanto, se tendrá
y(t) − yh/2 (t) = dp (t)(h/2)p + dp+1 (t)(h/2)p+1 + . . .
ahora, multiplicando esta segunda por 2p y restándole la primera se obtiene

1
(2p − 1)y(t) − 2p yh/2 (t) + yh (t) = −( )p dp+1 (t)hp+1 + . . .
2
por tanto
2p yh/2 (t) − yh (t) 1

y(t) − p
= −( p )dp+1 (t)hp+1 + . . .
2 −1 2(2 − 1
5.4. Desarrollo asintótico del error global y aplicaciones 97
luego
2p yh/2 (t) − yh (t) yh (t) − 2p yh/2 (t)
= = yh/2 (t) + E
2p − 1 1 − 2p
es una aproximación de y(t) de orden superior a las previas (concretamente
de orden mayor o igual que p + 1), que podemos llamar aproximación
mejorada de Richardson. Este procedimeinto se puede reiterar y obtener
aproximaciones de orden superior, siendo aplicable a otros problemas cuyo
desarrolo del error es similar al expuesto, lo vemos abreviadamente en lo que
sigue.
5.4.2. Extrapolación al lı́mite de Richardson

En muchas situaciones en Análisis Numérico queremos evaluar un número
I0 , pero sólo somos capaces de obtener una aproximación I(h), donde h es un
parámetro de discretización positiva (longitud de paso) y donde I(h) → I0
cuando h → 0; supongamos además que I(h) tiene un desarrollo asintótico
de la forma
XN
I(h) = Ik hk + O(hN +1 )(h → 0)
k=0
donde los coeficientes Ik son independientes de h, que escribiremos de la
forma
N
∼
X
I(h) = Ik hk
k=0
supongamos que calculamos I(h0 ) e I(h0 /2), entonces

I(h0 ) = I0 + I1 h0 + I2 h20 + · · · = I0 + O(h0 )
I(h0 /2) = I0 + I1 h0 /2 + I2 (h0 /2)2 + · · · = I0 + O(h0 /2)
combinando ambas
1
2I(h0 /2) − I(h0 ) = I0 − I2 h20 + · · · = I0 + O(h20 )
2
Luego, 2I(h0 /2) − I(h0 ), es una mejor aproximación de I0 , que I(h0 ) o
I(h0 /2), Si combinamos I(h0 ), I(h0 /2), I(h0 /4), podemos obtener una apro-
ximación de I0 con un error O(h30 ). No es necesario usar la sucesión h0 , h0 /2, h0 /4,
es suficiente con tomar h0 > h1 > h2 > . . . En general, podemos encontrar
una combinación lineal con la propiedad
S
X
I(h) = csS I(hs ) = I0 + O(hS+1
0 )(h → 0)
s=0
5.5. Métodos Runge-Kutta explı́citos de m

etapas: formulación general
Se llama método RK explı́cito de m etapas (abreviadamente RK(m))
para la resolución numérica del problema de valor inicial
0
y (t) = f (t, y(t)), ∀t ∈ I
PV I
y(t0 ) = y0
a un algoritmo en el que a partir de la aproximación a la solución (tn , yn ) se
obtiene la (tn+1 , yn+1 ) mediante
tn+1 = tn + h P
(5.6)
yn+1 = yn + h mj=1 bi Ki
donde


 K1 = f (tn , yn )
 2 = f (tn + c2 h, yn + ha21 K1 )
K


K3 = f (tn + c3 h, yn + h(a31 K1 + a32 K2 ))
..........................................




km = f (tn + cm h, yn + h(am1 K1 + am2 K2 + am,m−1 Km−1 ))

ci , aij , bj , son constantes reales caracterı́sticas del método. Siguiendo las

notaciones de Butcher es habitual especificar un método RK(m) por sus
coeficientes escritos en forma de tabla como sigue
0
c2 a21
c3 a31 a32
.. .. .. ...
. . .
cm am1 am2 . . . am,m−1
b1 b2 ... bm−1 bm
o abreviadamente
c A
bt
donde A es una matriz real de orden m × m con ceros en la diagonal y por
encima de esta, b y c son matrices reales de órdenes m × 1, cuyos elementos
aparecen en la tabla anterior, en tanto que bt es la traspuesta de la matriz
columna b. En la forma usual de un método explı́cito, se escribirá
yn+1 = yn + hΦ(tn , yn ; h)
5.5. Métodos Runge-Kutta explı́citos de m etapas: formulación
general 99
con Φ(tn , yn ; h) = m
P Pj−1
j=1 bj Kj y Kj = f (tn + cj h, yn + h s=1 ajs Ks los defi-
nidos anteriormente, por tanto
m
X m
X
Φ(t, y; 0) = bj f (t, y) = f (t, y) bj
j=1 j=1
Pm
luego, en las condiciones del teorema 6 será consistente si y sólo si j=1 bj =
1, condición que supondremos siempre.
5.5.1. Tablas de Butcher: ejemplos diversos

1. El método debido a Runge (1895) está dado por la tabla
0
1/2 1/2
0 1
que se corresponde con el algortimo

 K1 = f (tn , yn )
K2 = f (tn + 21 h, yn + 12 hK1 )
yn+1 = yn + hf (tn + 21 h, yn + 12 hf (tn , yn ))

y se trata de un método Runge-Kutta explı́cito de dos etapas y orden

dos.
2. El método debido a Kutta (1905) está dado por la tabla
0
1/2 1/2
1/2 0 1/2
1 0 0 1
1/6 1/3 1/3 1/6
y se corresponde con el algoritmo


 K1 = f (tn , yn )
 K2 = f (tn + 12 h, yn + 12 hK1 )


K3 = f (tn + 12 h, yn + 12 hK2 )
K2 = f (tn + h, yn + hK3 )




yn+1 = yn + 61 h[K1 + 2(K2 + K3 ) + K4 ]

que es un método RK explı́cito de cuatro etapas y orden cuatro, es

de los más conocidos y utilizados, le denominamos el método Runge-
Kutta “clásico” de cuarto orden.
Observación.- Respecto a la aplicación del método RK(m) a sistemas

diferenciales no autónomos, notemos que dado el PVI no autónomo
0
y (t) = f (t, y(t)), ∀t ∈ I
y(t0 ) = y0 ∈ Rs
si se introducen los vectores de Rs+1 : ȳ(t) = (t, y(t))t , ȳ0 = (t0 , y0 )t y f¯(ȳ) =
(1, f (t, y(t)))t el problema de valor inicial no autónomo anterior es equivalente
al problema autónomo
ȳ (t) = f¯(ȳ(t)), ∀t ∈ I
0
ȳ(t0 ) = ȳ0
Por tanto, si aplicamos el método RK(m) (5.6) a este, interesa que la solución
ȳn+1 (t) en tn+1 sea de la forma (tn+1 , yn+1 ), donde tn+1 = tn + h e yn+1 sean
los obtenidos anteriormente; y puede probarse, pero no lo haremos, que esto
ocurre para toda ecuación diferencial sı́ y sólo si los coeficientes del método
verifican las relaciones m
X
bj = 1
j=1
i−1
X
aij = ci (i = 1, 2, . . . , m)
j=1
Por ello, en lo sucesivo consideraremos únicamente métodos RK(m)

verificando estas igualdades, la primera de las cuales es la condición de
consistencia y las segundas son denominadas condiciones de simplifica-
ción (y expresan el hecho de que para cada fila i, el ci correspondiente debe
ser igual a la suma de los aij de esa misma fila, lo que se traducirá en la
simplificación de las condiciones de orden).
5.5.2. Convergencia y orden de los métodos RK(m)

explı́citos
Consideraremos la clase PVI autónomos de la forma
0
y (t) = f (y(t))
y(t0 ) = y0
donde f verifica la condición de Lipschitz con respecto a y, con constante de
Lipschitz λ y supongamos un método RK(m) dado por
m
X
yn+1 = yn + h bi K i
j=1
5.5. Métodos Runge-Kutta explı́citos de m etapas: formulación
general 101
donde
i−1
X
Ki = f (yn + h aij Kj ) (i = 1, 2, . . . , m)
j=1
Para aplicar el teorema de estabilidad es necesario asegurar que la función

incremento satisface la condición de Lipschitz con respecto a y. Para ello, se
puede probar por inducción el siguiente teorema (cuya demostración detalla-
da puede verse en Calvo y otros).
Teorema 38 Si f verifica la condición de Lipschitz con respecto a y, con

constante λ para todo h ∈ (0, h0 ), entonces φ(y, h) también laPverfica con
constante λ̄ = β1 λ(1 + h0 λa)m−1 , donde a = máx | aij | y β1 = m
j=1 | βj |.
Conclusión.- Por el teorema fundamental de convergencia, todo método

RK(m) explı́cito es convergente si y sólo si es consistente (y convergente de
orden q si y sólo si es consistente de orden q. Que es consistente es inmediato
pues φ(t, y; 0) = f (t, y) luego todos estos métodos son convergentes.
Orden de los métodos Runge-Kutta explı́citos. Barreras de Butcher

El estudio del orden es algo complicado y recurre, en general, digamos
que para un número de etapas mayor o igual que 4, a la teorı́a de árboles.
Seguidamente, damos sin demostración algunos resultados relativos al orden
máximo alcanzable por un método Runge-Kutta explı́cito de m etapas.
Teorema 39 Todo método RK explı́cito de m etapas tiene orden menor o

igual que m. Además, en la tabla que sigue se muestran algunos resultados
relativos al orden máximo alcanzable por un método Runge-Kutta explı́cito
de m etapas (barreras de Butcher):
Número de etapas = m 1 2 3 4 5 6 7 8 9 10 11 . . .
Máximo orden alcanzable 1 2 3 4 4 5 6 6 7 7 8 . . .
Condiciones de orden.- Se pueden obtener, ya sea por desarrollo en serie

de Taylor de los errores o por aplicación del teorema 7 sobre el orden, las
siguientes condiciones de orden 2 para los métodos Runge-Kutta
explı́citos de 2 etapas:
b1 + b2 = 1
(5.7)
b2 c2 = 12
de donde se obtiene la familia uniparamétrica de métodos RK explı́citos de
2 etapas y orden 2
1 1
b2 = 2c2
; b1 = 1 − 2c2
(c2 = a21 , constante no nula) (5.8)
Y las condiciones de orden 3 para los métodos Runge-Kutta explı́ci-

tos de 3 etapas resultan ser:
1) b1 + b2 + b3 = 1
2) b2 c2 + b3 c3 = 1/2 (5.9)
3) b2 c22 + b3 c23 = 1/3 y 4) b3 a32 c2 = 1/6
Ası́, el método es de orden 1 si se verifica la primera, pero no la segunda, de

orden 2 si se verifican primera y segunda pero no alguna de las restantes y
de orden 3 (máximo alcanzable) si se verifican todas.
5.6. Formulación general de los métodos li-

neales multipaso: orden, consistencia, es-
tabilidad y convergencia. Teoremas de
Dahlquist
Seguidamente estudiaremos los métodos lineales multipaso (MLM) para
la resolución numérica del PVI:
0
y (t) = f (t, y(t)), ∀t ∈ I
(5.10)
y(t0 ) = y0
En los métodos multipaso la integración avanza paso a paso utilizando infor-

mación de la solución en varios pasos previos, concretamente los valores de la
solución y/o la derivada en varios puntos consecutivos de la red; ası́, suponga-
mos calculadas las aproximaciones yj , yj0 = fj = f (tj , yj ) (j = 0, 1, . . . , n − 1)
a la solución y su derivada en los puntos tj de una red en el intervalo
[a, b]. Un método de k pasos es un algoritmo que permite determinar
yn ' y(tn ) en función de yn−j , fn−j (j = 1, . . . , k). Con objeto de simpli-
ficar supondremos que la red es uniforme con paso fijo h, de manera que
tj = a + jh (j = 0, 1, . . . , N ) (siendo N h = T = b − a); y nos restringiremos
a los métodos lineales multipaso con coeficientes constantes, en los que el
algoritmo que define yn es lineal (se dice lineal porque los valores de yj , yj0
aparecen linealmente), y adopta la forma
Pk Pk
j=0 αk−j yn−j = h j=0 βk−j fn−j (5.11)
donde αj , βj son coeficientes constantes independientes del paso h, siendo

αk 6= 0 y | α0 | + | β0 |6= 0. Si βk = 0, la fórmula se dice explı́cita, y en caso
consistencia, estabilidad y convergencia. Teoremas de Dahlquist 103
contrario, es decir si βk 6= 0 se dice implı́cita. La fórmula anterior también

puede escribirse desarrollada como sigue
αk yn + αk−1 yn−1 + · · · + α0 yn−k = h(βk fn + βk−1 fn−1 + · · · + β0 fn−k )

(5.12)
Del problema de valor inicial sólo se conoce el valor de la solución en el
punto inicial, por tanto un método de k pasos (k > 1) no puede ser aplicado
directamente y es necesario dar otro algoritmo (por ejemplo, basado en un
método de un paso) para calcular yj , yj0 = fj , aproximaciones de la solución
y su derivada en tj (j = 1, . . . , k − 1), dicho algoritmo se llama de iniciación
o arranque y estará implı́cito en todo método de k pasos. Si el método es
explı́cito, el cálculo desde (5.11) o (5.12) es inmediato a partir de los valores
en los k puntos anteriores. Pero si el método fuera implı́cito se tendrı́a
αk yn + αk−1 yn−1 + · · · + α0 yn−k = h(βk fn + βk−1 fn−1 + · · · + β0 fn−k )

Pk Pk
yn = [hβk f (tn , yn ) − s=1 αk−s yn−s + h s=1 βk−s f (tn−s , yn−s )]/αk
luego yn será solución de la ecuación (generalmente no lineal) en y
y = g(y) = h αβkk f (tn , y) + Fn (5.13)
donde Fn es una función constante que depende de términos conocidos de los

pasos anteriores y está dada por la expresión
Fn = [− ks=1 αk−s yn−s + h ks=1 βk−s f (tn−s , yn−s )]/αk

P P
Puesto que f es lipschitziana respecto a y, con constante de Lipschitz L > 0,

será
βk
| g(y) − g(ȳ) |≤ h | | L | y − ȳ |
αk
por tanto si h es tal que
βk αk 1
h| | L < 1 ⇔ h <| |
αk βk L
entonces la función g(y) es contractiva y la ecuación (5.13) tiene solución
única, que se obtiene como el lı́mite de la sucesión dada por el algoritmo
0
yn (valor inicial)
ynk+1 = g(ynk ) = h αβkk f (tn , ynk ) + Fn
en ocasiones si se parte de un valor inicial adecuado es suficiente con una

única iteración, a veces se toma como valor inicial el proporcionado por un
método explı́cito, si el valor de h anterior fuera muy pequeño se podrı́a optar
por otro método iterativo, por ejemplo el método de Newton, se introducen
en este contexto los denominados método predictor-corrector.
5.6.1. Métodos predictor-corrector

Son pares de métodos lineales multipaso, uno explı́cito y otro implı́cito,
normalmente del mismo orden, donde la fórmula explı́cita es utilizada para
predecir la siguiente aproximación y la implı́cita para corregirla. Suponer que
utilizamos un método de k pasos, de orden k, explı́cito con coeficientes αk , βk ,
para el predictor, y un método implı́cito de k − 1 pasos para el corrector
con coeficientes αk∗ , βk∗ entonces, si yn (0) es la aproximación predicha, uno
procede como sigue (en el supuesto de que αk = αk∗ = 1):
 0 Pk Pk
 yn = − Ps=1 αk−s yn−s + h s=1 βk−s fn−s P
y = − ks=1 αk−s ∗ ∗
yn−s + h[βk−s f (tn , yn0 ) + k−1 ∗
s=1 βk−s fn−s ]
(5.14)
 n
fn = f (tn , yn )
Esto requiere dos evaluaciones de f por paso y es frecuentemente referido
como un PECE method (Predecir, Evaluar, Corregir, Evaluar). Uno puede,
naturalmente corregir una vez más y luego salir o reevaluar f, y ası́ sucesi-
vamente. Ası́ pues, hay métodos P(EC)2, P(EC)2E, los más económicos son
los del tipo PECE.
5.6.2. Orden, consistencia, estabilidad y convergencia

de un método lineal multipaso
Denotando por E el operador desplazamiento, cuyas potencias actúan
sobre sucesiones en la forma: E j (zn ) = zn+j , e introduciendo los polinomios
caracterı́sticos del método
ρ(λ) = kj=0 αj λj = α0 + α1 λ + α2 λ2 + · · · + αk λk
P
(5.15)
σ(λ) = kj=0 βj λj = β0 + β1 λ + β2 λ2 + · · · + βk λk
P
y los operadores polinomiales

ρ(E) = kj=0 αj E j y σ(E) = kj=0 βj E j
P P
(5.16)
Las ecuaciones del método (5.10) pueden escribirse en la forma abreviada:
ρ(E)yn−k = hσ(E)fn−k (n = k, . . . , N ) (5.17)
y se habla del método (ρ, σ).
consistencia, estabilidad y convergencia. Teoremas de Dahlquist 105
Definición 19 Si y(t) es la solución exacta del problema de valor inicial,

se define el error de discretización local en tn de un método lineal mul-
tipaso, y se pone EDL(tn ), mediante la fórmula
Pk Pk
j=0 αk−j y(tn−j ) = h j=0 βk−j y 0 (tn−j ) + αk EDL(tn ) (5.18)
es decir, es el defecto de la solución exacta respecto a la ecuación del método.

En relación con el EDL, para funciones y(t) suficientemente derivables en
[a, b], se introduce un operador diferencial lineal L = L[y(t);h], que llama-
remos operador error local por la expresión
L[y(t); h] = [ kj=0 αk−j y(t − jh) − hβk−j y 0 (t − jh)]

P
(5.19)
Por tanto, se tiene que EDL(tn ) = L[y(tn ); h]/αk . Además, el operador lineal
y el método lineal multipaso (ρ, σ), se dicen de orden p si este es el máximo
entero positivo tal que
L[y(t); h] = O(hp+1 ) (cuando h −→ 0+ ) ∀y(t) ∈ C p+1 ([a, b])
o equivalentemente
1
L[y(t); h] = O(hp ) (cuando h −→ 0+ ) ∀y(t) ∈ C p+1 ([a, b])
h
El siguiente teorema da las condiciones de orden de un método lineal multi-
paso.
Teorema 40 Un método lineal multipaso (ρ, σ) es de orden p sı́ y sólo si

k k k
X X 1 X 2
c0 = αj = 0, c1 = (jαj − βj ) = 0, c2 = (j αj − 2jβj ) = 0
j=0 j=0
2! j=0
k
1 X p
. . . , cp = (j αj − pj p−1 βj ) = 0 y cp+1 6= 0
p! j=0
La cp+1 es denominada constante de error. Además, si c0 = c1 = · · · = cp = 0,

el método tiene orden al menos p.
Definición 20 Un método se dice consistente si para todo f ∈ CL y toda

solución y(t) de la ecuación diferencial y 0 (t) = f (t, y(t)), se verifica
lı́mh→0+ máxk≤n≤N | kj=0 [ h1 αk−j y(tn−j ) − βk−j f (tn−j , y(tn−j )]

P
(5.20)
Además, se verifica el siguiente teorema.
Teorema 41 Un MLM es consistente si y sólo si su orden es ≥ 1, es

decir si y sólo si c0 = c1 = 0 ⇔ ρ(1) = 0 y ρ0 (1) = σ(1).
La definición de estabilidad es análoga a la dada para métodos de un paso y

se caracteriza por el teorema siguiente, también conocido como condición
de Dahlquist de estabilidad.
Teorema 42 Un método lineal multipaso es estable si y sólo si toda raı́z λ

de la ecuación ρ(λ) = 0 verifica que | λ |< 1 o si | λ |= 1 dicha raı́z es simple
(condición de las raı́ces).
Definición 21 Un método se dice convergente si para todo f ∈ CL y toda

solución y(t) de la ecuación diferencial y 0 (t) = f (t, y(t)), se verifica
lı́mh→0+ máxk≤n≤N =[ T ] | yn − y(tn ) |= 0 (5.21)

h
siempre que los valores de inicialización ηn satisfagan
lı́m | y(tn ) − ηn |= 0 (n = 0, 1, . . . , k − 1)
h→0+
Se llaman errores de discretización global a las cantidades dn = yn −y(tn )

y el método se dice de orden p si
máx | dn |= O(hp )
k≤n≤N =[ Th ]
para todo PVI con f ∈ C (p) .

Ahora estamos en condiciones de enunciar los dos teoremas fundamentales
que siguen.
Teorema 43 (Teorema de convergencia) Un método lineal multipaso

es convergente si y sólo si es consistente y estable.
Teorema 44 (Primera barrera de Dahlquist) El orden máximo al-

canzable por un método lineal de k pasos que sea consistente y estable (i.e.
convergente) es k + 1 si k es impar y k + 2 si k es par. Además, si βk ≤ 0
(en particular si es explı́cito) el orden máximo alcanzable es k.
Nota: Los métodos de orden k + 2 son llamados optimales, aunque en

la práctica tampoco funcionan bien, por tanto el mejor orden que se puede
alcanzar por un método útil de k pasos es k + 1.
5.7. Fórmulas de Adams 107
5.7. Fórmulas de Adams

Para introducir las fórmulas de Adams, que son de los métodos lineales
multipaso más utilizados, será útil recordar la fórmula de Newton en dife-
rencias regresivas del polinomio de interpolación: sean tν−j = tν − jh (j =
0, 1, . . . , q), q +1 puntos distintos igualmente espaciados, donde tν es el punto
de referencia, h es una constante positiva y fj = f (tj ) son los valores que
toma una función f en esos puntos. Para expresar el polinomio de interpola-
ción de f en diferencias regresivas, conviene introducir la variable τ = t−t h
ν
, lo
que equivale a tomar tν como origen y h como unidad de longitud, entonces
el polinomio de interpolación π(t), de grado a lo más q, que interpola a f en
dichos puntos, según vimos, puede escribirse mediante la fórmula de Newton
regresiva como sigue:

Pq j −τ
π(t) = i=0 (−1) 5j f ν (5.22)
j
siendo el número combinatorio
(−1)j τ (τ + 1) . . . (τ + k − 1)

−τ (−τ )(−τ − 1) . . . (−τ − k + 1)
= =
j j! j!
5.7.1. Fórmulas de Adams-Bashforth

En primer lugar, introducimos la familia de métodos lineales multipaso
de Adams-Bashforth, que como veremos son métodos lineales explı́citos de k
pasos y orden k. Para ello, supongamos conocidos
0
yn−j , yn−j = f (tn−j , yn−j ) (j = 1, 2, . . . , k)
aproximaciones de la solución y su derivada en k puntos consecutivos de la

red anteriores a tn = a+nh, puesto que la solución y(t) del PVI (5.10) verifica
la ecuación integral
R tn
y(tn ) = y(tn−1 ) + tn−1
y 0 (t)dt (5.23)
podemos sustituir y(tn−1 ) por yn−1 y la función subintegral por su polinomio

de interpolación π(t) en los k valores previos {tn−1 , tn−2 , . . . , tn−k }, que de
acuerdo con (5.22), está dado por

Pk−1 j −τ 0
π(t) = j=0 (−1) 5j yn−1
j
con τ = t−thn−1 ; por tanto, aproximando la integral de y 0 (t) por la de su

polinomio de interpolación, tendremos
Z tn Z tn Z 1
0
Pk−1 j −τ 0
y (t)dt ' π(t)dt = h j=0 (−1) 5j yn−1 dτ =
tn−1 tn−1 0 j
k−1 Z 1
X
j 0 j −τ
=h γj 5 yn−1 con γj = (−1) dτ
0 j
j=0
valores constantes, caracterı́sticos del método.

Luego, tras las aproximaciones anteriores, el cálculo de yn , yn0 se realiza
por las fórmulas
yn = yn−1 + h k−1 j 0
P
j=0 γj 5 yn−1 (5.24)
yn0 = f (tn , yn )
que se conocen como fórmulas de Adams-Bashforth de k pasos, abrevia-
damente A-B de k pasos o simplemente AB(k). Expresando el segundo
0
miembro de (5.24) en función de los valores {yn−j | j = 1, 2, . . . , k}, resulta
la siguiente expresión de las fórmulas de Adams-Bashforth:
yn = yn−1 + h k−1 0
P
j=0 βk,j yn−1−j (5.25)
yn0 = f (tn , yn )
donde los coeficientes βk,j (j = 0, 1, . . . , k − 1) están dados por la fórmula

j j j+1 k−1
βk,j = (−1) γj + γj+1 + · · · + γk−1 (5.26)
j j j
Según se desprende de (5.25), las fórmulas AB(k) son lineales y explı́citas y su
aplicación sólo necesita una evaluación de función por paso; fueron obtenidas
por Adams y Bashforth en 1883.
Función generatriz de los coeficientes del método. Veamos como

obtener de forma sencilla los coeficientes del método γm , en vez de realizando
las integrales anteriores, que son sencillas para los primeros valores, pero
cuyo cálculo
P∞ se m hace más largo y tedioso para valores grandes de m. Sea
G(t) = 0 γm t la función real analı́tica que tiene γm como coeficientes
de su desarrollo de MacLaurin. Entonces, teniendo en cuenta la expresión
anterior de estos coeficientes, resulta

P∞ R 1 −τ R 1 ∞ −τ
G(t) = m=0 (−1)m tm 0 dτ = 0 m=0 (−1)m tm
P
dτ =
m m
R1
= 0 (1 − t)−τ dτ = − (1−t)ln(1−t)
t
(5.27)
De esta deducimos que
ln(1 − t) 1
− G(t) =
t 1−t
y de los desarrollos en serie de MacLaurin
1
= 1 + t + t2 + . . .
1−t
ln(1 − t) t t2
− = 1 + + + ...
t 2 3
obtenemos la identidad formal entre las series de polinomios anteriores
t t2 t3
(1 + + + + . . . )(γ0 + γ1 t + γ2 t2 + γ3 t3 + . . . ) = (1 + t + t2 + t3 + . . . )
2 3 4
y comparando los coeficientes de las potencias respectivas de t en ambos
miembros resulta
γm−1 γm−2 γ0
γm + + + ··· + = 1 (m = 0, 1, 2, . . . ) (5.28)
2 3 m+1
de la que, fácilmente, obtenemos para los primeros valores de m:
m 0 1 2 3 4 5 6 ...
γm 1 1/2 5/12 3/8 251/720 95/288 19087/60480 . . .
en consecuencia, los coeficientes (5.26) resultan ser
k βk,0 βk,1 βk,2 βk,3 βk,4 βk,5

1 1
2 3/2 −1/2
3 23/12 −16/12 5/12
4 55/24 −59/24 37/24 −9/24
5 1901/720 −2774/720 2616/720 −1724/720 251/720
6 4277/1440 −7923/1440 9982/1440 −7298/1440 2887/1440 −475/1440
Error de discretización local. Recordemos que de acuerdo con (5.18),

se llama ası́ al defecto de la solución y(t) respecto a la ecuación en diferencias
del método. Notemos que, en este caso, se puede interpretar como la dife-
rencia y(tn ) − yn , supuesto que yn ha sido calculado a partir de los valores
exactos de la solución, es decir yn−j = y(tn−j ) (j = 1, 2, . . . , k), por tanto
serı́a el error cometido en un paso del algoritmo suponiendo que se partiese
de valores exactos. Seguidamente, obtenemos una expresión del mismo supo-

niendo que y(t) es suficientemente diferenciable. Llamando π(t) al polinomio
de interpolación de y 0 (t) en los k puntos {tn−j | j = 1, 2, . . . , k}, se tiene (por
definición de estos métodos):
Z tn
EDL(tn ) = (y 0 (t) − π(t))dt
tn−1
Y utilizando la fórmula del error de interpolación de Lagrange de y 0 (t), se

deduce que para algún ξ 0 ∈ [tn−k , tn ] se tiene
EDL(tn ) = hk+1 γk y (k+1) (ξ 0 )

Por tanto, salvo errores de redondeo, la integración numérica con A-B
de orden k permitirı́a obtener valores exactos para todo PVI cuya solución
y(t) fuera un polinomio de grado ≤ k. El error introducido en un paso del
algoritmo es O(hk+1 ).
5.7.2. Fórmulas de Adams-Moulton

De un modo similar al desarrollado en el párrafo anterior, se introduce
la familia de métodos lineales implı́citos de k pasos y orden k + 1, conocidas
como fórmulas de Adams-Moulton. Pero, ahora, vamos a sustituir la función
subintegral de (5.23) por su polinomio de interpolación π ∗ (t) en los k + 1
puntos {tn−j | j = 0, 1, 2, . . . , k}, que está dado por la fórmula

∗
Pk −τ
π (t) = j=0 (−1) j
5j yn0
j
siendo ahora τ = t−t h
n
. por tanto, aproximando la integral de y 0 (t) por la de
su polinomio de interpolación, tendremos ahora
Z tn Z tn Z 0
0 ∗
Pk −τ
y (t)dt ' π (t)dt = h j=0 (−1)
j
5j yn0 dτ =
tn−1 tn−1 −1 j
k Z 0
X −τ
=h γj∗ 5 j
yn0 siendo γj∗ j
= (−1) dτ
−1 j
j=0
valores constantes, caracterı́sticos del método. Tras las aproximaciones ante-

riores se obtiene la fórmula
yn = yn−1 + h kj=0 γj∗ 5j yn0

P
(5.29)
yn0 = f (tn , yn )
que se conoce como fórmula de Adams-Moulton de k pasos, abreviadamen-

te A-B de k pasos o simplemente AM(k). Igual que antes, se puede expresar
0
el segundo miembro de (5.29) en función de los valores {yn−j | j = 1, 2, . . . , k},
obteniéndose
yn = yn−1 + h kj=0 βk,j∗ 0
P
yn−j
(5.30)
yn0 = f (tn , yn )
∗
donde los coeficientes βk,j (j = 0, 1, . . . , k) están dados ahora por la fórmula

∗ j j+1 k
βk,j = (−1)j
γj∗ + ∗
γj+1 + ··· + γk∗ (5.31)
j j j
Puesto que se trata de un método implı́cito, se puede proceder como se

indicó en la fórmula (5.13) al comienzo del párrafo 6. Asimismo, pueden
obtenerse los coeficientes γj∗ mediante una función generatriz de modo similar
al visto para el caso de los métodos AB(k). Si la solución buscada y(t) es
suficientemente diferenciable, puede obtenerse para el error de discretización
local la expresión
∗
EDL(tn ) = hk+2 γk+1 y (k+2) (ξ)
para algún ξ ∈ [tn−k , tn ]. Por tanto, se puede decir que la fórmula A-M de k
pasos integrarı́a exactamente PVI cuya solución y(t) fuera un polinomio de
grado ≤ k + 1.
Capı́tulo 6
Métodos en diferencias finitas

para la resolución numérica de
problemas de contorno para
ecuaciones diferenciales
ordinarias y en derivadas
parciales
6.1. Introducción
Hasta ahora hemos estudiado la solución numérica de PVI, pero hay otro
tipo de problemas cuya solución interesa en la práctica, como por ejemplo,
hallar la solución de
00
y (t) = f (t, y(t), y 0 (t)), ∀t ∈ [a, b]
PC (6.1)
y(a) = α, y(b) = β
que es un problema de valor en la frontera (o de contorno) en dos puntos.

Tales problemas son, en general, más difı́ciles de resolver que los problemas
de valor inicial. Consideremos un ejemplo sencillo
00
y (t) = −y(t)t ∈ [0, π/2]
y(0) = 3, y(π/2) = 7
su solución general serı́a y(t) = Asent + Bcost, e imponiendo las condiciones

y(0) = 3 e y(π/2) = 7, tenemos A = 7 y B = 3, luego la solución serı́a
113
114 Capı́tulo 6. Métodos en diferencias finitas
y(t) = 7sent + 3cost. Pero, este modo de resolución no es, en general, viable
como puede verse con unos sencillos ejemplos.
Antes de considerar los métodos numéricos utilizados para resolver este
tipo de problemas, veamos algunos resultados relativos a la existencia y uni-
cidad de soluciones en este tipo de problemas; resultados poco generales y
complicados de establecer.
Teorema 45 Sea el problema de contorno

00
y (t) = f (t, y(t), y 0 (t)), ∀t ∈ [a, b]
PC
y(a) = α, y(b) = β
donde f : D = [a, b] × R2 → R, con a y b reales finitos, es tal que f (t, y, y 0 ),

∂f (t,y,y 0 ) 0)
∂y
y ∂f (t,y,y
∂y 0
son continuas en D. Entonces, si se verifican las condi-
ciones:
∂f (t,y,y 0 )
1. ∂y
> 0 ∀(t, y, y 0 ) ∈ D
∂f (t,y,y 0 )
2. ∃µ | | ∂y 0
|≤ µ, ∀(t, y, y 0 ) ∈ D
el problema tiene una única solución.
Observación: Cuando puede f ser expresada en la forma f (t, y, y 0 ) =

p(t)y 0 +q(t)y +r(t) , la ecuación diferencial se dice lineal y el teorema anterior
se simplifica en el siguiente.
Corolario 3 Dado el problema de contorno

00
y (t) = p(t)y 0 + q(t)y + r(t), ∀t ∈ [a, b]
PC (6.2)
y(a) = α, y(b) = β
verificando las condiciones
1. p(t), q(t) y r(t) son contiunas en [a, b].
2. q(t) > 0, ∀t ∈ [a, b]
el problema tiene solución única.
Ejercicio.- Probar que el problema de contorno:

00
y + e−ty + seny 0 = 0, ∀t ∈ [1, 2]
y(1) = y(2) = 0
Tiene solución única (basta aplicar el teorema anterior).

6.2. Métodos en diferencias finitas para problemas de contorno
lineales 115
6.2. Métodos en diferencias finitas para pro-

blemas de contorno lineales
Los métodos numéricos más utilizados en la práctica para el cálculo de
soluciones aproximadas de este problema son los métodos de tiro y de dife-
rencias finitas, pasamos a describir este último. La idea básica de este tipo
de métodos consiste en la aproximación de las derivadas en las ecuaciones
diferenciales por cocientes en diferencias, adecuadamente elegidos para man-
tener un cierto orden del error de truncamiento. Este tipo de métodos es
preferido con relación a los anteriores debido a los problemas de inestabili-
dad, si bien requieren un poco más de computación para una aproximación
deseada. Veamos el caso de un problema de contorno lineal.
Sea el problema de contorno lineal (6.2) escrito en la forma:
−y 00 (t) + p(t)y 0 + q(t)y + r(t) = 0, ∀t ∈ [a, b]

PC
y(a) = α, y(b) = β
para su resolución numérica, elegimos una malla de puntos equidistantes
tj = a + jh, j = 0, 1, 2, . . . , n + 1, con un tamaño de paso h dado por
b−a
h = n+1 , en los puntos interiores de la malla {tj , j = 1, 2, . . . , n} podemos
utilizar las siguientes aproximaciones de las derivadas:
(
y 00 (tj ) ∼
y(t )−2y(t )+y(tj−1 )
= j+1 h2j
(6.3)
y 0 (tj ) ∼
y(t )−y(t )
= j+1 2h j−1
con errores de truncamiento de la forma O(h2 ), obtenidos en el tema anterior,

suponiendo que f es suficientemente diferenciable, para obtener el sistema de
ecuaciones, asociado al problema de contorno (6.2) dado, tomemos y0 =
α, yn+1 = β y llamemos y1 , y2 , . . . , yn a las aproximaciones buscadas de la
solución en los puntos interiores {tj , j = 1, 2, . . . , n}, al sustituir (6.3) en la
ecuación se obtienen las ecuaciones en diferencias:
−yj−1 + 2yj − yj+1 yj+1 − yj−1
2
+ p(tj ) + q(tj )yj + r(tj ) = 0, (j = 1, 2, . . . , n)
h 2h
tras multiplicar por h2 y ordenar dichas ecuaciones, resulta que y1 , y2 ,. . . , yn
deben verificar el sistema lineal:
h h
−(1+ p(tj ))yj−1 +(2+h2 q(tj ))yj −(1− p(tj ))yj+1 = −h2 r(tj ), (j = 1, 2, . . . , n)
2 2
(6.4)
que puede expresarse en la forma abreviada
Ay = b
siendo A, b e y las matrices siguientes:
 
2 + h2 q(t1 ) −1 + h2 p(t1 ) 0 ... 0

 −1 − h2 p(t2 ) 2 + h2 q(t2 ) −1 + h2 p(t2 ) ... 0 

h 2
A=
 0 −1 − 2 p(t3 ) 2 + h q(t3 ) ... 0 

 .. .. .. .. .. 
 . . . . . 
0 ... 0 −1 − h2 p(tn−1 ) 2 + h2 q(tn−1 )
   
−h2 r(t1 ) + (1 + h2 p(t1 ))y0 y1

 −h2 r(t2 ) 


 y2 

b= .. ..
 y=
   
. . 
−h2 r(tn−1 )
   
   yn−1 
−h r(tn ) + (1 − h2 p(tn ))yn+1
2
yn
Y para el que se tiene el siguiente resultado.
Teorema 46 Supongamos que p(t), q(t), r(t) son continuas en [a, b]. Enton-
ces, si q(t) ≥ 0 sobre [a, b], el sistema lineal anterior tiene una única solución,
siempre que h < 2/L, siendo L = máxt∈[a,b] | p(t) |.
Observaciones:
1. Si la solución del problema de contorno lineal es de clase C (4) ([a, b]),

entonces, el error de la aproximación en diferencias finitas es del orden
de O(h2 ). Puede mejorarse por el método de extrapolación al lı́mite de
Richardson considerando una reducción en el tamaño del paso, pues el
error se puede expresar mediante un desarrollo de potencias pares de h
con coeficientes independientes del paso h (ver Keller (1968)).
2. Para el caso no lineal, el método es similar, si bien hay que resolver un

sistema de n ecuaciones no lineales, para lo cual podemos utilizar el
método de Newton para sistemas no lineales que requiere que el valor
inicial esté suficientemente próximo a la raı́z buscada y que la matriz
Jacobiana correspondiente sea inversible.
6.3. Generalidades sobre ecuaciones en deri-

vadas parciales
Vamos a considerar tan sólo ecuaciones en derivadas parciales lineales de
segundo orden, a las que pertenecen las denominadas ecuaciones de la Fı́sica
6.3. Generalidades sobre ecuaciones en derivadas parciales 117
Matemática. Si el número de variables independientes es dos, denominándolas

por x e y, su forma general es
∂ 2u ∂ 2u ∂ 2u ∂u ∂u
a(x, y) +b(x, y) +c(x, y) +d(x, y) +e(x, y) +f (x, y)u = g(x, y)
∂x2 ∂x∂y ∂y 2 ∂x ∂y
(6.5)
donde u es una función a determinar sobre algún dominio Ω, verifican-
do la ecuación (6.5) y algunas condiciones especı́ficas sobre la frontera. Si
g(x, y) = 0 la ecuación se dice homogénea y en caso contrario completa o no
homogénea. Atendiendo a los términos conteniendo las derivadas de mayor
orden, la ecuación (6.5) se dice que en el punto (x, y) es del tipo:
1. Hiperbólico si b2 − 4ac > 0
2. Parabólico si b2 − 4ac = 0
3. Elı́ptico si b2 − 4ac < 0
Si a(x, y), b(x, y) y c(x, y) son constantes en la región Ω, el tipo también lo es.
Ejemplos paradigmáticos de cada una de ellas son las ecuaciones siguientes:
1. utt = c2 uxx es la ecuación de ondas unidimensional (hiperbólica)
2. ut = kuxx es la ecuación del calor unidimensional (parabólica)
3. uxx + uyy = 0 es la ecuación de Laplace bidimensional (elı́ptica)
Para la resolución numérica de las ecuaciones anteriores utilizaremos los

denominados métodos en diferencias finitas, en los que las derivadas de una
función se sustituyen por cocientes de diferencias; además, se considerará una
malla de puntos (xi , yj ) para el caso elı́ptico y (xi , tj ) para los casos hiperbóli-
co o parabólico, definidos por

xi = x0 + ih, h constante positiva
yj = y0 + jk, (o tj = t0 + jk) k constante positiva
Los valores de cualquier función en dichos puntos se denotarán por hij =

h(xi , yj ) (o bien hij = h(xi , tj )) y las aproximaciones o discretizaciones por
diferencias finitas más frecuentes de las derivadas de u en tales puntos, puede
probarse, como ejercicio, que con hipótesis adecuadas de diferenciabilidad
serán:
Aproximaciones Errores de truncatura

ux (xi , tj ) ∼
u −u
= i+1,jh i,j O(h)
ut (xi , tj ) ∼
u −u
= i,j+1h i,j O(k)
ux (xi , tj ) ∼
u −u
= i,j h i−1,j O(h)
ut (xi , tj ) ∼
u −u
= i,j h i,j−1 O(k)
ux (xi , tj ) ∼
u −u
= i+1,j2h i−1,j O(h2 )
ut (xi , tj ) ∼
u −u
= i,j+12k i,j−1 O(k 2 )
uxx (xi , tj ) ∼
u −2u +ui−1,j
= i+1,j hi,j 2 O(h2 )
uyy (xi , yj ) ∼
u −2u +ui,j−1
= i,j+1 ki,j 2 O(k 2 )
∼
uyy (xi , yj ) =
ui+1,j+1 +ui−1,j−1 −ui+1,j−1 −ui−1,j+1
O(h2 + k 2 )
4hk
Ejercicio.- Con condiciones adecuadas de diferenciabilidad sobre la fun-

ción u, obtener las expresiones explı́citas de los errores de truncatura de la
tabla anterior.
6.4. Ecuaciones elı́pticas: Problemas de valor

en la frontera para ecuaciones de Poisson
o Laplace
Una ecuación de Poisson con condiciones de contorno tipo Dirichlet es
una ecuación del tipo
∂ 2u ∂ 2u
+ =f (6.6)
∂x2 ∂y 2
con las condiciones de contorno
u(x, y) = g(x, y), ∀(x, y) ∈ Γ = ∂Ω (f rontera de Ω) (6.7)
Representa problemas independientes del tiempo. Un caso particular intere-

sante del anterior es aquel en el que f ≡ 0, se denomina ecuación de Laplace,
ası́ el problema:
∂2u ∂2u
∂x2
+ ∂y2 = 0
(6.8)
u(x, y) = g(x, y), ∀(x, y) ∈ Γ
Representarı́a, por ejemplo una distribución de temperatura en Ω en estado
estacionario. A veces nos dan la variación normal de u en la frontera Γ de Ω,
tenemos entonces una condición de contorno de tipo Newmann
∂u
= g, en Γ
∂n
6.4. Ecuaciones elı́pticas: Problemas de valor en la frontera para
ecuaciones de Poisson o Laplace 119
o bien, una condición mixta
∂u
α + βu = g en Γ
∂n
Consideremos el problema de Poisson bidimensional (6.6) en el rectángulo

Ω = [0, a] × [0, b], dividamos el intervalo [0, a] en n + 1 subintervalos iguales
a
de longitud h = n+1 y el [0, b], en m + 1 subintervalos iguales de longitud
b
k = m+1 , con ello se forma una malla bidimensional, cuyos nodos (xi , yj ) son
xi = ih e yj = jk; llamaremos H = (h, k) y |H| = máx h, k (norma de la
partición). Sean los conjuntos discretos
ΩH {(xi , yj )|1 ≤ i ≤ n, 1 ≤ j ≤ m}
(6.9)
ΓH = {(x0 , y0 ), . . . , (xn+1 , y0 ), (x0 , ym+1 ), . . . , (xn , ym+1 )}
constituido el primero por los nm puntos de la malla interiores a Ω y el

segundo por los 2(n + m) + 4 puntos de la malla pertenecientes a la frontera
Γ de Ω. Entonces, si u es de clase C (4) en un entorno de Ω, tras sustituir uxx
y uyy en cada uno de los nm puntos interiores (xi , yj ) por sus aproximaciones
de segundo orden, se obtienen las ecuaciones
ui+1,j −2ui,j +ui−1,j u −2ui,j +ui,j−1
h2
+ i,j+1 k2
= fi,j
(6.10)
(1 ≤ i ≤ n, 1 ≤ j ≤ m)
que constituyen un sistema lineal de nm ecuaciones y nm + 2(n + m) incógni-

tas, pues por la forma de discretizar no figuran los valores de u en los vértices
del rectángulo, ahora bien por las condiciones de contorno
ui,j = gi,j en ΓH (6.11)
son conocidos los valores de u en los 2(n+m) puntos de la frontera que apare-
cen en las mismas, por tanto (6.10) se reduce a un sistema de nm ecuaciones
lineales de coeficientes constantes con el mismo número de incógnitas ui,j
que serán las aproximaciones de la solución buscada en los puntos interiores
de la malla. Para la resolución de este sistema si el número de ecuaciones
es alto, que es lo normal, se suelen utilizar métodos iterativos tipo Jacobi,
Gauss-Seidel o relajación.
En relación a este problema, podemos enunciar los dos resultados siguien-
tes.
Proposición 6 El problema discreto planteado tiene solución única.

Proposición 7 El error de truncatura local del problema puede escribirse

como sigue
h2 ∂ 4 u(xi + θi h, yj ) k 2 ∂ 4 u(xi , yj θj k)
τ (u) = −[ + ] (6.12)
12 ∂x4 12 ∂y 4
y si las derivadas cuartas anteriores de la solución u están acotadas por µ1
y µ2 respectivamente en ΩH se tiene
1 2
| τ (u) |≤ [h µ1 + k 2 µ2 ] (6.13)
12
Y si la norma de la partición tiende a cero se tiene la convergencia, es decir
ui,j −→ u(xi , yj ).
6.5. Ecuaciones parabólicas: la ecuación del

calor
Consideraremos en este apartado diversos esquemas explı́citos e implı́citos
para la resolución numérica de la ecuación parabólica unidimensional, escrita
en forma canónica como ut = uxx sujeta a condiciones de contorno e iniciales
que garantizan la existencia y unicidad de soluciones del problema, dicha
ecuación se suele utilizar para modelizar la distribución de temperaturas
u(xi , tj ) en los puntos xi de una varilla finita en cada instante tj .
Método explı́cito en diferencias finitas. Sin pérdida de generalidad,

consideraremos el problema de difusión del calor en una varilla de longitud
unidad con k = 1, dado por la ecuación
ut = uxx , 0 < x < 1, t ∈ R+ (6.14)
con las condiciones de frontera
u(0, t) = u(1, t) = 0, t ∈ R+ (6.15)
y la condición inicial
u(x, 0) = f (x), 0 < x < 1 (6.16)
Elijamos dos tamaños de paso constantes h, k, de modo que 1/h = n, sea

un número entero y k sea un número real positivo arbitrario. Ası́, tendremos
definidos los nodos espaciales xi = ih (i = 0, 1, . . . , n) y los tiempos discretos
tj = jk (j = 0, 1, . . . , m). De modo que la solución numérica vendrá dada por
6.5. Ecuaciones parabólicas: la ecuación del calor 121
un conjunto de valores uij , que serán las aproximaciones de la solución exacta

en los puntos: (xi , tj ), es decir uij es una aproximación a la temperatura del
punto de la varilla de abscisa xi en el tiempo tj . En condiciones adecuadas
la fórmula de Taylor nos permite escribir el desarrollo
k2
u(xi , tj +k) = u(xi , tj )+kut (xi , tj )+ utt (xi , tj +θj k) con 0 < θj < 1 (6.17)
2
por tanto se tiene
u(xi , tj + k) − u(xi , tj ) k
ut (xi , tj ) = − utt (xi , tj +θj k) con 0 < θj < 1 (6.18)
k 2
estando dada la aproximación de la derivada temporal en diferencias progre-
sivas por
u(xi , tj + k) − u(xi , tj )
ut (xi , tj ) ∼
= (6.19)
k
Análogamente, los desarrollos de Taylor respecto a la variable x proporcionan
la fórmula
u(x +k,t )−2u(xi ,tj )+u(xi−1 ,tj ) h2
uxx (xi , tj ) = i j h2
− u (x
12 xxxx i
+ ξi h, tj )
(6.20)
siendo − 1 < ξi < 1
de donde deducimos la siguiente aproximación en diferencias centrales para

las derivadas espaciales
u(xi + k, tj ) − 2u(xi , tj ) + u(xi−1 , tj )

uxx (xi , tj ) ∼
= (6.21)
h2
Utilizando la aproximaciones de las derivadas (6.19) y (6.21), y representan-
do por uij , el valor aproximado de u(xi , tj ), nos quedan las ecuaciones en
diferencias
ui,j+1 − ui,j ui+1,j − 2ui,j + ui−1,j
= (6.22)
k h2
En tanto que, el error de truncamiento local viene dado por la fórmula
k h2
τij = utt (xi , tj + θj k) − uxxxx (xi + ξi h, tj ) (6.23)
2 12
De la ecuación aproximada (6.22) puede deducirse el algoritmo
ui,j+1 = ui,j (1 − h2k2 ) + hk2 (ui+1,j − ui−1,j )

(6.24)
(i = 1, . . . , n − 1; j = 0, 1, . . . , m)
Puesto que u(x, 0) = f (x) en 0 < x < 1, se puede iniciar el cálculo en

(6.24) computando ui1 , ui2 , . . . , ui,m−1 . Concretamente, de la condición inicial
u(x, 0) = f (x) en 0 < x < 1, resultan los valores
ui,o = f (xi ), i = 1, 2, . . . , n − 1
Por otro lado, de las condiciones de frontera u(0, t) = u(1, t) = 0, ∀t ∈ R+

resultan
u0j = unj = 0, j = 1, 2, . . . , m
Utilizando (6.24) se calculan los ui,j , procediéndose ası́ m veces hasta el
instante de tiempo t = tm deseado.
El algoritmo (6.24) se puede escribir en forma matricial como sigue
Uj = AUj−1 , j = 1, 2, . . . , m (6.25)
donde  
1 − 2r r ... 0 0

 r 1 − 2r ... 0 0 

A=
 .
.. .
.. .. .. .. 
 . . . 

 0 0 ... 1 − 2r r 
0 0 ... r 1 − 2r
   
u1,j f (x1 )
.. ..
. .
   
   
Uj = 
 .
..



U0 =  .
..


   

 .
..



 .
..


un−1,j f (xn−1 )
El término r = hk2 se conoce como número o constante de Courant. El
esquema en diferencias considerado se dice que es un método explı́cito en
diferencias progresivas. Si la solución exacta u(x, t) posee derivadas parciales
continuas de cuarto orden, el método es de orden O(k + h2 ). El método se
puede recordar por la denominada “molécula computacional” que indica
que los nuevos valores ui,j+1 , se calculan explı́citamente en términos de los
previos ui−1,j , ui,j , ui+1,j , como se aprecia en la figura siguiente.
Estudio de la estabilidad del método. El método que nos ocupa, se

puede escribir en la forma matricial dada en (6.25), donde A es una matriz
cuadrada de orden (n − 1), entonces, se puede deducir fácilmente que
Uj = Aj U0 , j = 1, 2, . . . (6.26)
Ahora bien, del conocimiento de la solución explı́cita de este problema, que

puede ser obtenida por separación de variables, o del hecho fı́sico de que la
temperatura en la barra tenderá a cero conforme t → ∞ , exigimos a la
solución numérica que verifique la condición
lı́m Aj U0 = 0, ∀U0
j→∞
lo cual ocurrirá sı́ y sólo si ρ(A) < 1 . Y puesto que la matriz de iteración
A = I − rB, siendo I la matriz identidad de orden n − 1 y B la matriz
 
2 −1 . . . 0 0
 −1 2 . . . 0 0 
 
 .. .. .. .. .. 
B= . . . . . 
 
 0 0 . . . 2 −1 
0 0 . . . −1 2
todo valor propio de A es de la forma λi = 1−2rµi , siendo µi un valor propio
de B. Partiendo de esto, puede probarse que una condición necesaria para
la estabilidad de este algoritmo es que se verifique
k 1 1
r= 2
≤ ⇐⇒ k ≤ h2 (6.27)
h 2 2
Esta restricción hace que el método progrese lentamente. Por ejemplo, si
h = 0, 01 el máximo valor permitido de k es 5×10−5 . Si deseamos calcular una
solución para 0 ≤ t ≤ 10, entonces el número de pasos en el tiempo será 2 ×
105 y el número de puntos de la malla debe ser superior a 20 millones, de
modo que la elegancia y sencillez del método van acompañados de una cierta
ineficacia, que se remedia en parte en los métodos implı́citos que veremos
más adelante. Ejemplos ilustrativos se pueden ver en Tveito and Whinter.
También se verifica el siguiente teorema de convergencia (Iserles, 1998)
1
Teorema 47 Si 0 < r ≤ 2
el método es convergente.
Método implı́cito para la ecuación del calor. Utilizando diferencias

regresivas para aproximar la derivada temporal de u, por Taylor se obtiene
u(xi , tj ) − u(xi , tj−1 ) k
ut (xi , tj ) = + utt (xi , tj +θj k) con −1 < θj < 0 (6.28)
k 2
y para la derivada segunda espacial la fórmula (6.20), con lo cual resultan
las ecuaciones en diferencias
ui,j −ui,j−1 u −2u +u
− i+1,j hi,j 2
i−1,j
=0
k (6.29)
con i = 1, 2, . . . , n − 1 y j = 1, 2, . . . , m − 1
estando ahora el error de truncamiento local dado por la expresión

k h2
τij = utt (xi , tj + θj k) − uxxxx (xi + ξi h, tj ) (6.30)
2 12
k
Definiendo nuevamente la constante de Courant r = h2
, las ecuaciones (6.29)
se expresan como sigue
(1 + 2r)ui,j − rui+1,j − rui−1,j = ui,j−1
(6.31)
(i = 1, 2, . . . , n − 1; j = 1, 2, . . . , m − 1)
y puesto que ui,0 = f (xi ) para i = 1, 2, . . . , n − 1, y un,j = u0,j = 0 para
j = 1, 2, . . . , m − 1, en forma matricial se tiene
AUj = Uj−1 ⇔ Uj = A−1 Uj−1 con j = 1, 2, . . . , m − 1 (6.32)
siendo
 

1 + 2r −r ... 0 0
 f (x1 )
..
−r 1 + 2r ... 0 0 .
   
   
A= .. .. .. .. ..  .. 
 , U0 = 
 
. . . . .  . 

..
 
 0 0 ... 1 + 2r −r  
 .


0 0 ... −r 1 + 2r f (xn−1 )
La matriz A es estrictamente diagonal dominante, tridiagonal simétrica y
definida positiva, por lo cual puede utilizarse algún método especı́fico para
resolver sistemas lineales de este tipo (por ejemplo el método directo de
Cholesky o los iterativos de Jacobi o Gauss-Seidel). Además, los autovalores
de A son todos positivos y mayores que 1, por tanto existe A−1 y sus valores
propios son todos positivos pero menores que 1, pues son los inversos de los
de A, ahora un error e0 en los datos iniciales se propaga al paso m en la forma
(A−1 )m e0 y el método resulta estable independientemente de la elección de
r; por ello, a este tipo de métodos se le denomina incondicionalmente
estables. Su orden es del tipo O(k + h2 ) suponiendo u de clase C (4) en un
cierto dominio.
Para obtener un error de truncatura del tipo O(k 2 + h2 ) se utiliza el
método de Crank-Nicolson que pasamos a describir y consiste en promediar
las diferencias progresiva y regresiva.
Método de Crank-Nicolson para la ecuación del calor. Es un méto-

do de orden O(h2 + k 2 ) incondicionalmente estable; que se obtiene prome-
diando la diferencia progresiva en el j-ésimo paso en t
u(xi , tj+1 ) − u(xi , tj ) u(xi+1 , tj ) − 2u(xi , tj ) + u(xi−1 , tj )
− =0
k h2
cuyo error local de truncamiento es

1
τp = kutt (xi , tj + θj k) + O(h2 ) (0 < θj < 1)
2
y la diferencia regresiva en el (j+1)-ésimo paso en t
u(xi , tj+1 ) − u(xi , tj ) u(xi+1 , tj+1 ) − 2u(xi , tj+1 ) + u(xi−1 , tj+1
− =0
k h2
cuyo error local de truncamiento es
1
τp = − kutt (xi , tj+1 + j k) + O(h2 ) (−1 < ξj < 0)
2
Como 0 < θj < 1 y −1 < j < 0, el esquema se construye suponiendo que
tj + θj k ∼
= tj+1 + ξj k resultando
u(xi ,tj+1 )−u(xi ,tj ) u(xi+1 ,tj )−2u(xi ,tj )+u(xi−1 ,tj ) u(xi+1 ,tj+1 )−2u(xi ,tj+1 )+u(xi−1 ,tj+1
k
− 12 [ h2
+ h2
] =0
que en forma matricial, se expresa como
AUj+1 = BUj , j = 0, 1, 2, . . . , m − 1
siendo  
1 + r − 2r ... 0 0

 − 2r 1 + r ... 0 0 

A=
 .. .. .. .. .. 
. . . . . 
1 + r − 2r
 
 0 0 ... 
0 0 ... − 2r 1 + r
y  
r
1−r 2
... 0 0
r

 2
1 − r ... 0 0 

B=
 .. .. .. .. .. 
. . . . . 
r
 
 0 0 ... 1 − r 2

r
0 0 ... 2
1 − r
A es tridiagonal, simétrica y definida positiva, ∃A−1 , y pueden emplearse
los métodos especiales para este tipo de matrices. La denominada “molécula
computacional” del método se ilustra en la figura siguiente.
Observaciones: Los esquemas anteriores pueden aplicarse sin dificultad

a las ecuaciones parabólicas generales. Ası́, dada la ecuación
ut = a(x, t)uxx + b(x, t)ux + c(x, t)u + d(x, t)

con la condición inicial
u(x, 0) = f (x), (0 < x < 1)
y las condiciones en la frontera
u(0, t) = g1 (t), u(1, t) = g2 (t) (t ∈ R+ )
Además, suponemos que verifican las condiciones de compatibilidad
f (0) = g1 (0), f (1) = g2 (0)
Utilizando las siguientes aproximaciones en diferencias

ui,j+1 − ui,j
ut (xi , tj ) ∼
=
h
ui+1,j − ui−1,j
ux (xi , tj ) ∼
=
h
ui+1,j − 2ui,j + ui−1,j
uxx (xi , tj ) ∼
=
h2
con la notación
k k
aij = a(xi , tj ), bij = b(xi , tj ), cij = c(xi , tj ), dij = d(xi , tj ), r = 2
, s=
h 2h
El esquema explı́cito resulta ser
ui,j+1 = (raij −sbij )ui−1,j +(1+kcij −2raij )uij +(raij +sbij )ui+1,j +kdij (6.33)
y se tiene el siguiente resultado de estabilidad.
Proposición 8 Si d = 0 y a, b, c son continuas con 0 < A ≤ a(x, t) ≤ B,

2
| b(x, t) |≤ C, −D ≤ c(x, t) ≤ 0, Ch ≤ 2A y k ≤ Dh2h+2B entonces el método
(6.33) es estable.
6.6. Ecuaciones hiperbólicas: la ecuación de

ondas
Estudiemos la integración numérica de la ecuación hiperbólica unidimen-
sional, dada por
utt = uxx (0 < x < 1, t ∈ R+ ) (6.34)
6.6. Ecuaciones hiperbólicas: la ecuación de ondas 127
con las condiciones de frontera
u(0, t) = u(1, t) = 0 (t ∈ R+ ) (6.35)
y las condiciones iniciales
u(x, 0) = f (x), ut (x, 0) = g(x) (0 < x < 1) (6.36)
Tomemos dos tamaños de paso constantes h, k, de modo que 1/h = n sea

un número entero y k sea un número real positivo arbitrario. Ası́, tendremos
definidos los nodos espaciales
xi = ih, i = 0, 1, . . . , n
y los tiempos discretos

tj = jk, j = 1, 2, . . .
Y la solución numérica vendrá dada por un conjunto de valores uij , que
serán las aproximaciones de la solución exacta en los puntos: (xi , tj ), ahora
La fórmula de Taylor nos permite escribir (si la función u(x, t) es de clase
C (4) en su dominio)
ui,j+1 −2ui,j +ui,j−1 2
utt (xi , tj ) = k2
− utttt (xi , tj + θj k) k12 (−1 < θj < 1)
ui+1,j −2ui,j +ui−1,j 2 (6.37)
uxx (xi , tj ) = h2
− uxxxx (xi + ξi h, tj ) h12 (−1 < ξi < 1)
y sustituyendo en (6.34) las derivadas temporal y espacial por los primeros

términos de estas aproximaciones, queda
ui+1,j − 2ui,j + ui−1,j ui,j+1 − 2ui,j + ui,j−1
= (6.38)
h2 k2
En tanto que el error de truncamiento está dado por la expresión
1 2
τij = [k utttt (xi , tj + θj k) − h2 uxxxx (xi + ξi h, tj )] (6.39)
12
Llamando r = k/h, el esquema (6.38) queda como sigue
ui,j+1 = 2(1−r2 )ui,j +r2 (ui+1,j +ui−1,j )−ui,j−1 , (i = 1, 2, . . . , n−1, j = 1, 2, . . . )

(6.40)
Y teniendo en cuenta las condiciones de frontera dadas en (6.35) y las con-
diciones iniciales dadas en (6.36), el método se puede expresar en la forma
matricial
Uj+1 = AUj − Uj−1 (6.41)
siendo
 

2(1 − r2 ) r2 ... 0 0
 u1j
..
r2 2(1 − r2 ) ... 0 0 .
   
   
A= .. .. .. .. ..  .. 
 , Uj = 
 
. . . . .  . 

2(1 − r2 ) r2 ..
 
 0 0 ...  
 .


0 0 ... r2 2(1 − r2 ) un−1,j
Para calcular Uj+1 se requiere Uj y Uj−1 , por tanto para iniciar el proceso
(6.41) para calcular U2 , es necesario, además del valor de U0 dado por las
condiciones iniciales, calcular U1 ; aproximando ut (x, 0) con el error de orden
O(k 2 ), similar al error de truncatura (6.39), lo que puede hacerse de la forma
u(xi , t1 ) − u(xi , 0) k k2
= ut (xi , 0) + utt (xi , 0) + uttt (xi , θk) (0 < θ < 1)
k 2 6
Suponiendo que la ecuación de onda es válida en t = 0, y que está definida
f 00 (x), se tiene
utt (xi , 0) = uxx (xi , 0) = f 00 (xi ), (i = 0, 1, 2, . . . , n)
Además, si f ∈ C (4) ([0, 1]), se verifica
f (xi+1 ) − 2f (xi ) + f (xi−1 ) h2 (iv)

f 00 (xi ) = − f (xi + θi h), (−1 < θi < 1)
h2 12
y se tiene la aproximación
u(xi , t1 ) − u(xi , 0) k
= g(xi ) + 2 (f (xi+1 ) − 2f (xi ) + f (xi−1 )) + O(k 2 + kh2 )
k 2h
es decir
r2
u(xi , t1 ) = u(xi , 0) + kg(xi ) + [f (xi+1 ) − 2f (xi ) + f (xi−1 )] + O(k 3 + k 2 h2 )
2
Luego, para representar los valores aproximados ui1 (i = 1, 2, . . . , n − 1), se
puede utilizar la ecuación en diferencias siguiente
r2
ui1 = (1 − r2 )f (xi ) + [f (xi+1 ) + f (xi−1 )] + kg(xi ) (6.42)
2
Estabilidad del método. Por separación de variables discretas, se puede
deducir que el método es estable si r ≤ 1 (o equivalentemente si k ≤ h).
6.6. Ecuaciones hiperbólicas: la ecuación de ondas 129
Puede construirse un método incondicionalmente estable como vemos a con-

tinuación.
Método implı́cito. Para obtener este método, basta con considerar las
aproximaciones por diferencias finitas siguientes
utt ∼
u −2u +u
= i,j+1 ki,j 2
i,j−1
(6.43)
uxx ∼
u −2u +ui−1,j+1 ui+1,j−1 −2ui,j−1 +ui−1,j−1
= 21 [ i+1,j+1 i,j+1
h2
+ h2
]
que conducen al esquema incondicionalmente estable
ui−1,j+1 −2(1+r2 )ui,j+1 +ui+1,j+1 = −ui−1,j−1 −ui+1,j−1 −4r2 uij +2(1+r2 )ui,j−1
(6.44)
h
siendo ahora r = k , y cuya molécula computacional figura a continuación.
Capı́tulo 7
Bibliografı́a
Se exponen seguidamente las referencias bibliográficas que hemos utiliza-

do para preparar la asignatura, el alumno las puede consultar para ampliar y
completar algunas secciones, o como referencia para la realización de algunos
de los trabajos que se puedan proponer.
1. A. Aubanell, A. Benseny y A. Delshams: Útiles básicos de Cálculo

Numérico. Labor.
2. M. Calvo, J. I. Montijano y L. Rández: Curso de Análisis Numérico

(Métodos de Runge- Kutta para la resolución numérica de ecuaciones
diferenciales ordinarias) y Curso de Análisis Numérico (Métodos linea-
les multipaso para la resolución numérica de ecuaciones diferenciales
ordinarias). Servicio de Publicaciones de la Universidad de Zaragoza.
3. C. Conde Lázaro y G. Winter: Métodos y algoritmos básicos del Álgebra

Numérica. Reverté. Barcelona, 1990.
4. J. R. Dormand: Numerical Methods for Differential Equations. CRC

Press.
5. J. D. Faires y R. L. Burden: Métodos Numéricos (tercera edición).

Thompson. Madrid, 2004.
6. F. Garcı́a Merayo y A. Nevot Luna: Análisis Numérico (más de 300

ejercicios resueltos y comentados). Paraninfo. Madrid.
7. M. Gasca: Cálculo Numérico I. UNED. Madrid, 1986.
8. W. Gautschi: Numerical Analysis (An Introduction). Birkhauser. Bos-

ton, 1997.
131
132 Capı́tulo 7. Bibliografı́a
9. D. Greenspan y V. Casulli: Numerical Analysis for Mathematics, Scien-

ce and Engineering. Addison-Wesley, 1988.
10. D. Kincaid y W. Cheney: Análisis Numérico. Adisson-Wesley Iberoa-

mericana. Delaware (E.E.U.U.), 1994.
11. J. D. Lambert: Computational Methods in Ordinary Differential Equa-

tions. John Wiley and Sons, 1998.
12. R. Théodor: Initiation a l’ Analyse Numérique. Masson, Paris 1982.
13. A. Tveito y R.Winther: Introduction to Partial Differential Equations

(A computational Approach). Springer, 1998.

Temario PDF

Cargado por

Copyright:

Formatos disponibles

Temario PDF

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Temario PDF

Cargado por

Copyright:

Formatos disponibles

CÁLCULO NUMÉRICO

Antonio Vigueras Campuzano

1. Cálculo Numérico: generalidades 11

2. Resolución numérica de ecuaciones no lineales 21

3. Resolución numérica de sistemas lineales 39

4. Interpolación. Derivación e integración numérica 61

5. Resolución numérica de problemas de valor inicial 85

5.3. Métodos de Taylor . . . . . . . . . . . . . . . . . . . . . . . . 92

6. Métodos en diferencias finitas 113

La asignatura Cálculo Numérico se plantea como una introdución al es-

una solución aproximada del problema propuesto; y 2) Analizar las condi-

métodos de integración y derivación numérica.

Conocer los conceptos, resultados fundamentales y limitaciones de los

Conocer y saber aplicar los métodos en diferencias finitas a la resolución

1.1. Introducción: métodos de cálculo numéri-

se construirá mediante algoritmos, entendiendo por tal una especificación

1.2. Esquema general de construcción y apli-

1. Sustituir el problema inicial por un algoritmo de cálculo, que contiene

la rapidez o velocidad de convergencia.

4. Realizar el organigrama y el programa del algoritmo en cuestión en un

Criterios habitualmente utilizados para la selección de un algoritmo, en-

Elegir aquel método que minimice el número de operaciones efectuadas,

Elegir aquel método que minimice la memoria requerida para almacenar

1.2.1. Ejemplos que ilustran estos criterios:

Comparar la evaluación del determinante de una matriz de orden n

Dar algunos ejemplos de cálculos inestables:

1.3. Orden y rapidez de convergencia: nota-

1.3.1. Las notaciones o y O de Landau para funciones

Sean f y g aplicaciones reales definidas en un entorno del punto x0 , deci-

A veces interesa lo que ocurre solamente cuando nos acercamos a x por

Las definiciones anteriores pueden extenderse sin dificultad al caso en que

En ocasiones lo que interesa es comparar una función f (x) con monomios

1.3.2. Las notaciones o y O de Landau para sucesiones:

lineal si existe una constante positiva c < 1 y un entero n0 tal que

superlineal si existe una sucesión convergente a cero ξn y un entero

de orden, al menos, p > 1 si existen dos constantes K (no necesa-

1.3.3. Resolver los ejercicios siguientes:

2. Probar que dada la sucesión {xn }, entonces xn = x + o(1) si y sólo si

3. Probar también que es falso que ex − 1 = O(x2 ) cuando x → 0.

4. Utilizando el desarrollo de Maclaurin de la función sin x, probar que

1.4. Errores en los métodos numéricos

El error absoluto | e |=| x̄ − x | está acotado por 12 10−k · 10q (en

1.5. Algoritmos y diagramas de flujo

Un organigrama o diagrama de flujo es una representación gráfica

El esquema general de un organigrama está constituido por tres bloques

Operaciones de entrada. Son utilizadas para la entrada de datos

Operaciones de proceso. Se emplean para la manipulación de los da-

Operaciones de salida. Son aquellas que comunican al usuario unos

alternativa, si consta de de una secuencia lógica principio, una se-

compleja,si consta de varias estructuras elementales, alternativas o

Realizar los organigramas de los programas siguientes:

Del que ordena de mayor a menor dos números reales dados.

Del que nos da el número de positivos y el de negativos o nulos de un

1.6. Problemas y trabajos propuestos

2. Obtener el desarrollo de Taylor para f (x) = ex entorno al punto x = 2;

3. El menor valor positivo , tal que 1 +  > 1 se denomina el epsilon

4. Para ilustrar la pérdida de dı́gitos

Observación. Para los trabajos propuestos en esta y en sucesivas leccio-

3. El menor valor positivo , tal que 1 + > 1 se denomina el epsilon