Tema 4:

Derivación e integración numérica

Autor: Enrique Mérida Casermeiro 1

 El objetivo del tema es dar técnicas numéricas para la de-
rivación y para la integración.
En general, la derivación numérica presenta problemas
de mal condicionamiento debido a la aparición de sustrac-
ciones cancelativas. Sin embargo, la integración no presen-
ta estos problemas estando bien condicionados.

Derivación numérica:
Lo que usualmente se hace es evaluar la función a derivar
en varios puntos, interpolar una función (usualmente polinó-
mica), derivarla y dar el valor obtenido en el punto buscado.
Las fórmulas que proporcionan el mismo valor que el
obtenido por los pasos anteriores se llaman interpolatorias y
obtienen el resultado de forma mucho más eficiente. 2
 Ejemplo:
La fórmula usual para la derivada en un punto es:
f ( x0 + h) − f ( x0 )
f ' ( x0 ) = lim
h →0 h
por lo que una primera aproximación sería:
f ( x0 + h) − f ( x0 )
f ' ( x0 ) ≈ con h pequeño.
h
Como la función se evalúa en 2 puntos, la fórmula se
llama de 2 puntos, sin embargo resulta preferible para la
estimación de la derivada primera la fórmula centrada 2
puntos siguiente:
f ( x0 + h) − f ( x0 − h)
f ' ( x0 ) ≈
2h 3
 Fórmula centrada 2 puntos. Error:
Buscamos una estimación de la derivada primera en x 0
conocidos f(x 0+h) y f(x 0–h).
Aunque no será el método usual para deducir fórmulas,
emplearemos el desarrolla de Taylor en el punto:
f' ' (x 0 ) 2 f' ' ' (ξ1 ) 3
f(x 0 + h) = f(x 0 ) + f' (x 0 )h + h + h (ξ1 ∈ ( x0 , x0 + h))
2! 3!
f' ' (x 0 ) 2 f' ' ' (ξ 2 ) 3
f(x 0 − h) = f(x 0 ) − f' (x 0 )h + h − h (ξ 2 ∈ ( x0 − h, x0 ))
2! 3!

h3
f ( x0 + h) − f ( x0 − h) = f ' ( x0 )2h + ( f ' ' ' (ξ1 ) + f ' ' ' (ξ 2 ) )
3!
Si f’’’ es continua, existe un punto que verifica:
f ' ' ' (ξ1 ) + f ' ' ' (ξ 2 ) = 2 f ' ' ' (ξ ) (ξ ∈ (ξ 2 , ξ1 ) ⊂ (x 0 − h, x 0 + h))
4
 quedando:
h3
f ( x0 + h) − f ( x0 − h) = f ' ( x0 )2h + (2 f ' ' ' (ξ ) )
3!

f(x 0 + h) − f(x 0 − h) h 2
f' (x 0 ) ≈ − (f' ' ' ( ξ ) )
2h 3!
h2
Al término: − 3! (f' ' ' ( ξ ) ) se le llama error de truncamiento
de la fórmula, pues proviene del error cometido al trucar los
términos del desarrollo de Taylor.
El otro error que se comete se llama error de redondeo y
será el error de estimar, con números en flotante la expresión
f(x 0 + h) − f(x 0 − h)
f' (x 0 ) ≈
2h 5
 En la expresión del error de truncamiento podemos obser-
var la potencia de la h, (en esta fórmula es 2) que será el
orden de la fórmula y nos indica que reduciendo el valor de
h (por ejemplo a la mitad) el error de truncamiento se
reduce a una cuarta parte. Es decir, con el cuadrado.

Otra característica importante es el orden de la derivada

que aparece (en este caso es 3), que nos indica que la fór-
mula deriva sin error a polinomios de segundo grado y se
dice que tiene grado de exactitud 2.

6
 Obtención de fórmulas interpolatorias:
Se desea estimar f’(x 0) conocida la función en unos puntos
{x i} mediante una expresión de la forma:
n
f ' ( x0 ) = ∑ f ( xi )
n
f ' ( x0 ) = ∑ f ( xi ) i =1
i =1

f ' ( x0 ) = Af ( x0 ) + Bf ( x0 + h) + Cf ( x0 + 2h)
 − 3
La fórmula interpolatoria obtenida a partir de n+1 puntos
f ( x) = 1 ⇒ 0 = A + B + C  0 = A + B + C 
 1  


A=
2h 
4 
f ( x) = x ⇒ 1 = Bh + 2Ch ⇒ = B + 2C  ⇒  B = 
tendrá un grado de exactitud de al menos n.
f ( x) = x ⇒ 0 = Bh + 4Ch 
2 2 2
h
0 = B + 4C  
  2h 
−1
C= 
 2h 
Fórmula de 3 puntos en x 0, x 0+h y x 0 +2h.
f ( x) = 1 ⇒ 0 = A + B + C 

Buscamos una fórmula del tipo:
f ( x) = x ⇒ 1 = Ax0 + B( x0 + h) + C ( x0 + 2h)
2


f ( x) = x 2 ⇒ 2 x0 = Ax0 + B( x0 + h) 2 + C ( x0 + 2h) 2 

f ' ( x0 ) = Af ( x0 ) + Bf ( x0 + h) + Cf ( x0 + 2h)

a la que imponemos las condiciones de ser exacta hasta los

polinomios de segundo grado:
7
 Los valores A, B, C deben ser independientes de un cambio
de origen, por lo que podemos poner el origen en x 0 o lo que
es lo mismo hacer x 0= 0, quedando la fórmula:
f ' (0) = Af (0) + Bf (h) + Cf (2h)
Por ser exacta hasta el grado 2:
 − 3
 A=
f ( x) = 1 ⇒ 0 = A + B + C  0 = A + B + C  2h 
 1   4 
f ( x) = x ⇒ 1 = Bh + 2Ch ⇒ = B + 2C  ⇒  B = 
2
h   2h 
f ( x) = x ⇒ 0 = Bh + 4Ch 
2 2
0 = B + 4C   −1
C=
 2h 

obtenemos:
− 3 f ( x0 ) + 4 f ( x0 + h) − f ( x0 + 2h)
f ' ( x0 ) =
2h
8
 Para obtener el error de truncamiento, consideramos que
debe ser una fórmula exacta, al menos para grado 2, por lo
que tendrá una expresión de la forma: E = kf ' ' ' ( ξ )
T

Para el cálculo de k tomamos f(x)=x3

f ' (0) = Af (0) + Bf (h) + Cf (2h) + kf ' ' ' ( ξ )
f ' (0) = Af (0) + Bf (h) + Cf (2h) + kf ' ' ' ( ξ )
2
4 1 h
3 x 3 ⇒ 0 = Bh 3 + C3(2h)3 + k (3!) ⇒ 0 = 4 h 3 − 1 8h 3 + 63k ⇒ k = h
2

f ( x) = x 3 ⇒ 0 = Bh + C (2h) + k (3!) ⇒ 0 =
f ( x) = h − 8h 3 + 6k ⇒ k =
2h 2h 3

ET =
h 2
f '''( ξ )
2h 2h
( x0 − 2h < ξ < x0 )
3
3
Luego el error de truncamiento queda:
h2
ET = f '''( ξ ) ( x0 < ξ < x0 + 2h)
3
Se trata de una fórmula de 3 puntos con orden 2 y grado de
exactitud 2, con mayor error que la de 2 puntos vista ante-
riormente, pero que sirve para estimar la derivada lateral.
9
 En efecto, si queremos estimar la derivada por la derecha
la tomamos con un h positivo y con un h negativo para la
derivada por la izquierda, en cuyo caso:
x0 − 2h < ξ < x0
en la expresión del error de truncamiento.
Ejemplo: Estimar numéricamente f’(1.57) para
y=f(x)=ln(x)sen(1-x). (h=0.01). Acotar el error cometido.
f (1.57 + 0.01) − f (1.57 − 0.01) - 0.25067976546067 - (-0.23621097066519)
f ' (1.57) ≈ = = -0.72343973977361
2(0.01) 0.02

Existen dos tipos de errores el de truncamiento y el de

redondeo.
Redondeo: (Error cometido al evaluar la fórmula)
Los valores de f(1.58) y f(1.56) tienen el error absoluto de
representación en flotante es decir menor de 0.5(10) −14
−14
Así una cota del error absoluto del numerador es 10 y el
error de la expresión: E ≤ 10−14 = 0.5(10) −12
R 10
0.02
El error de truncamiento vale:
h2 1
ET = − f' ' ' ( ξ ) ⇒ f' (x) = sen(1 − x) − ln( x) cos(1 − x)
6 x
1 2
f ' ' ( x) = − 2 sin(1 - x) - cos(1 - x) − ln(x)sen(1- x) ⇒
x x
2 3 3
f' ' ' (x) = 3 sin(1 - x) + 2 cos(1 - x) - sin(1 - x) + ln(x)cos(1- x)
x x x
0.01
f' ' ' ( ξ ) ≈ 2.1567 < 2.2 ⇒ ET < 2.2 ≈ 0.003667
6
luego es mucho más importante que el de redondeo.
NOTA: El error de redondeo puede ser mucho más
importante que el de truncamiento al tomar un h menor por
ejemplo para h=0.000001 resulta:
ER ≤ 0.5 10-7 E T ≤ 0.3667 10-12 11
 Derivadas de orden superior:
El método anterior puede usarse para deducir fórmulas
para derivadas de orden superior (e integrales como vere-
mos más adelante).
Fórmula centrada 3 puntos para la derivada
segunda: Queremos obtener una expresión para f’’(x )
conocidos f(x -h), f(x ) y f(x +h).
f ' ' ( x0 ) = Af ( x0 − h) + Bf ( x0 ) + Cf ( x0 + h)
Haciendo x0 = 0 ⇒ f ' ' ( x0 ) = Af (−h) + Bf (0) + Cf (h)
 1 
 A =
 f ( x) = 1 ⇒ 0 = A + B + C   h2 
   − 2 
Para :  f ( x) = x ⇒ 0 = − Ah + Ch  ⇒  B = 2 
 f ( x) = x 2 ⇒ 2 = Ah 2 + Ch 2   h 
  C = 1 
 h 2 
12
 Resultando la fórmula:
f ( x0 − h) − 2 f ( x0 ) + f ( x0 + h)
f ' ' ( x0 ) = 2
+ ET
h
Para el error de truncamiento suponemos este de la forma:
ET = kf ' ' ' ( ξ ) ya que hemos impuesto la condición de
exactitud hasta el grado f ''(x ) = 0
f2,
( x −luego
0 h) − 2 f ( x ) + la
2
0 f ( x +derivada
0
T
h)
+E
del error tendrá
h
al menos un grado más. E = kf
T ' ' '0( x )
(− h) − 2(0) + h
3 3 3
+ k33!⇒ k = 0
Probando con la función f(x)=x
f ' ' (0) = 0 = 2
h obtenemos el valor de k:
(− h) 3 − 2(0) 3 + h 3
f ' ' (0) = 0 = 2
+ k 3!⇒ k = 0
h
Cuando ocurre esto es debido a que el grado de exactitud
es al menos 3 (el error de truncamiento es cero para polino-
mios de tercer grado) y debemos probar con el grado
siguiente. 13
 Ponemos entonces ET = kf 4 ) ( ξ ) y calculamos k
mediante la función
4
y = f(x) = x
que produce:

(−h) − 2(0) + h
4 4 4
−h 2
f ' ' (0) = 0 = 2
+ k 4!⇒ k =
h 12

quedando la fórmula:
f ( x0 − h) − 2 f ( x0 ) + f ( x0 + h) h 2 4)
f ' ' ( x0 ) = 2
− f (ξ)
h 12
que es de orden 2 y grado de exactitud 3.

14
Ejemplo:
a) Deducir una fórmula para la derivada segun-
da en x=a, conocidos los valores de la función y de
la primera derivada en los puntos a-h, a y a+h.
b) Estimar el valor de y’’’(0.272) conocidos:
y(0.271)=1.7345; y(0.272)=1.7354; y(0.273)=1.7355
y’(0.271)=0.88; y’(0.272)=0.93; y’(0.273)=1.02
a) Buscaremos una fórmula del tipo:
f ' ' ' (a ) = Af (a − h) + Bf ' (a − h) + Cf (a ) + Df ' (a ) + Ef (a + h) + Ff ' (a + h)

Haciendo a=0:
f ' ' ' (0) = Af (−h) + Bf ' (−h) + Cf (0) + Df ' (0) + Ef (h) + Ff ' (h)
15
Forzando a que sea exacta hasta el grado 5:
f ( x) = 1   0= A +C +E
 
f ( x) = x   0 = -Ah + B + D + Eh + F
f ( x) = x 2   0 = Ah 2 − 2 Bh + Eh 2 + 2 Fh
3
⇒
f ( x) = x  6 = − Ah 3 + 3Bh 2 + Eh 3 + 3Fh 2
f ( x) = x 4  0 = Ah 4 − 4 Bh 3 + Eh 4 + 4 Fh 3
5 
f ( x) = x  0 = − Ah 5 + 5 Bh 4 + Eh 5 + 5 Fh 4
 − 15 
 A = 3 
= Ah + Ch + Eh   2 h
0 − 3 
0 
 = − Ah + B + D + Eh + F   B = 2h 2 
 
0 = Ah − 2 B + Eh + 2 F   C = 0 
6  ⇒  D = − 12  ⇒
 h2 = − Ah + 3B + Eh + 3F  
h2 
0 = Ah − 4 B + Eh + 4 F   E = 15 
   3 
0 = − Ah + 5 B + Eh + 5F   2 h 
F = − 3  16
 2h 2 
 15( f (a + h) − f (a − h)) − 3[ f ' (a − h) + f ' (a + h) + 8 f ' (a )]
f ' ' ' (a) = 3
+
2h 2h 2
15 3
f ' ' ' (0.272) = 3
(1 .7355 − 1 .7345 ) − 2
(0.88 + 1.02 + 8(0.93) ) ≈ −6509999.99
2(0.001) 2(0.001)

Como comprobación se ha interpolado un polinomio a los

datos (interpolación de Hermite), se ha derivado 3 veces el
polinomio obtenido 15
y evaluado3 en x=0.272, obteniendose el
f ' ' ' (0.272) = (1.7355 − 1.7345) − (0.88 + 1.02 + 8(0.93) ) ≈ −6509999.99
mismo valor. 2 ( 0 . 3
001) 2
2 ( 0 . 001)

x=0.271:0.001:0.273; y=[1.7345 1.7354 1.7355];

dy=[0.88 0.93 1.02];
p=hermite(x,y,dy);dp=polyder(p);d2p=polyder(dp);
d3p=polyder(d2p);
valor=polyval(d3p,0.272)
Evidentemente una vez obtenida la fórmula el cálculo es
inferior al sustituir en ella los datos. 17
 Integración numérica:
Son métodos interpolatorios que estiman la integral
definida (cuadratura).
Ser un método interpolatorio significa que equivale (aun-
que mucho más eficientemente) a interpolar un polinomio a
los datos y calcular la integral definida a ese polinomio.
Los métodos numéricos para integración se caracterizan
por ser métodos muy estables, es decir, proporcionan un
buen resultado a pesar de usar métodos muy simples.
Por el contrario, los métodos de derivación numérica son
inestables debido a la existencia de sustracciones cancela-
tivas.
La complejidad de un método se mide por el número de
veces que se evalúa la función f(x).
18
 Fórmulas de 1 punto:
Tratan de estimar la integral de y=f(x) en [a,b] a partir de la
evaluación de la función en un solo punto (f(x0 )), resultando:
b  a+b 
∫
a
f ( x)dx ≈ f ( x0 )(b − a ) + ET ET = 
 2
− x0 (b − a ) f ' ( ξ ),

a<ξ<b /
Que se llama fórmula del rectángulo.
Cuando el punto en el que se evalúa la función es el punto
medio del intervalo se llama fórmula del punto medio y es de
orden y grado de exactitud mayor (debido a la simetría):
b  a+b (b − a ) 3
∫ a
f ( x)dx = f 
 2 
(b − a) + ET , ET =
24
f ' ' ( ξ ), a <ξ<b

Fórmula compuesta:
Consiste en dividir el intervalo [a,b] en n trozos y aplicar
la fórmula simple en cada uno de ellos.
19
Interpretación gráfica de la
fórmula simple: El área bajo
la curva es aproximada por
el área del rectángulo
b  a+b
S=∫ f ( x)dx ≈ f  (b − a )
a
 2 

Interpretación grafica de la
fórmula compuesta: El área
bajo la curva es aproximada
por la suma de las áreas de los
rectángulos.

( )( x − x ( )
n
S = ∫ f ( x)dx = ∑ f
b xi −1 + xi
2 i i −1 ), xi = a + i b−a
n
a 20
i =1
 Ejemplo:
Estimar: 2
∫ sen(ln(1+ x))dx
0

a) Por la fórmula simple de un punto.

b) Por la fórmula compuesta con 4 subintervalos.

2
a) ∫ sen(ln(1 +Estimar
x))dx
2
≈ sen(ln(1 + 1))(2 - 0) ≈ 1.2779
0
a) ∫ sen(ln(1 + x))dx
2 0 0.5 1 1.5 2
b) ∫ 0
sen(ln(1 +b) x))dx
∫
2
= ∫+ x))dx
sen(ln(1
0 0
sen(ln(1
0.5
∫ + x))dx
= sen(ln(1
0
+ ∫+ 1sen(ln(1
+ x))dx ∫ + x))dx
sen(ln(1 + x))dx
0.50.5
1.5
∫ + ∫ sen(ln(1
+ sen(ln(1
1 1 + x))dx + +sen(ln(1
2
∫
1.5
∫ sen(ln(1
x))dx++x))dx ≈ 1.5
+ x))dx ≈
≈ sen(ln(1 + 0.25))(0.5 0) + sen(ln(1
≈ sen(ln(1 + -0.25))(0.5 + 0.75))(1
- 0) + sen(ln(1 0.5) ++sen(ln(1
+ 0.75))(1- -0.5) sen(ln(1 + 1.25))(1.5
+ 1.25))(1.5 - 1)++0.75))(2
- 1) + sen(ln(1 sen(ln(1- 1.5)+≈0.75))(2 - 1.5) ≈
≈ 0.5(0.2213 + 0.5309 + 0.7249 + 0.8477) ≈ 1.1624
≈ 0.5(0.2213 + 0.5309 + 0.7249 + 0.8477) ≈ 1.1624

Los métodos de Matlab para integrales producen:

quad Æ 1.15361697719366
quad8 Æ 1.15361692827773
quadl Æ 1.15361705147980
21
 Fórmula de 2 puntos:
La más importante es la que evalúa la función en los
extremos y se denomina fórmula del trapecio.
b f (a) + f (b) (b-a) 2

∫a
f ( x)dx =
2
− f ''( ξ )
12
b f (a) + f (b) (b-a) 2
∫a
f ( x)dx =
2
− f ''( ξ )
12

22
 Formula del trapecio compuesta:
Consiste en dividir el intervalo [a,b] en n subintervalos de
igual amplitud y aplicamos la fórmula del trapecio en cada
uno de ellos.
b n xi f ( xi −1 ) + f ( xi )
n
 b−a
∫ f ( x)dx = ∑ ∫ f ( x)dx ≈∑ ∆i  ∆i = 
∆ 2 ∆ =  n 
a xif−(1x)dx = n
f (x ) + f (x ) n
b−a
∑ ∫ f ( x)dx ≈∑
b xi
i =1 ∫ i =1
i −1
 i
i i
a
i =1 2
xi −1

i =1 n 
n −1

o la expresión∫ más
f ( x)dx ≈
eficiente: (b − a)
b
f (a ) + 2∑ f ( xi ) + f (b)
i =1
a 2n
f (a) + 3 f ( x1 ) + 3 f ( x2 ) + f (b) 5
 b-a 
n −1 (b − a) − f 4) ( ξ ) 3h
b
∫ f ( x)dx ≈ h = 
f (a ) + 2∑ f ( xi ) + f (b)
a 8 80  3 

b /
∫a
f ( x)dx ≈ i =1
2n
(b − a )

ya que evita evaluar innecesariamente 2 veces la función en

los puntos extremos de los intervalos.
23
 Fórmulas de Newton-Cotes:
Son fórmulas interpolatorias que evalúan la función en
puntos equidistantes entre si y con los extremos [a,b].
Así los puntos donde evaluamos la función son:
(b − a )i
xi = a + {i = 0,1,..., N}
xi = a +{
N } (b − a )i
i = 0,1,..., N
N
2 f ( x1 ) − f ( x2 ) + 2 f ( x3 )
Fórmulas abiertas y cerradas:
b 14h 5  b-a
∫ f ( x)dx = (b − a ) − f ( ξ ) h =
4)

a 3 45  4 

Son cerradas las que evalúan en los extremos a y b y se

llaman cerradas las que solo evalúan en los puntos interiores
(i=1,2,...,N-1).
En general son mejores las cerradas a las abiertas en térmi-
nos de error, pero por otra parte las fórmulas abiertas resul-
tan aplicables a la resolución numérica de ecuaciones
24
diferenciales.
 Formulas cerradas:
La más simple es la del trapecio (M=2 puntos), luego
solo evalúa en los extremos del intervalo [a,b].

Fórmula de Simpson (cerrada M=3 puntos):

 a+b
f (a) + 4 f   + f (b) 5
b
 2  h  b-a 
∫ a
f ( x)dx ≈
6
(b − a ) − f 4) ( ξ )
90
h =
 2 


Evalúa en los extremos del intervalo y en el punto medio.

Fórmula de Simpson 3/8 (cerrada M=4 puntos):
b f (a ) + 3 f (x1 ) + 3 f ( x2 ) + f (b) 3h 5  b-a 
∫ f ( x)dx ≈ (b − a ) − f ( ξ ) h =
4)

a 8 80  3 
/ 25
 Fórmula cerrada 5 puntos:
b 7 f (a ) + 32 f ( x1 ) + 12 f ( x2 ) + 32 f ( x3 ) + f (b) 8h 7  b-a
∫ f ( x)dx = (b − a ) − f ( ξ ) =
6)
 h 
a 90 945  4 

/
Fórmulas abiertas:
La más simple es la de un punto (fórmula del punto medio).
Fórmula abierta de 2 puntos: /
b f ( x1 ) + f ( x2 ) h3  b-a
∫ a
f ( x)dx =
2
(b − a ) − f ' ' ( ξ )
4
h =


3 
Fórmula abierta de 3 puntos: /
b 2 f ( x1 ) − f ( x2 ) + 2 f ( x3 ) 14h 5 4 )  b-a 
∫ a
f ( x)dx =
3
(b − a) +
45
f (ξ) h =
 4 


Nota: En todas las fórmulas x =a+ih

i 26
 Ejemplo: Deducir la fórmula abierta 3 puntos de Newton-
Cotes con su error de truncamiento.
b
∫
a
f ( x)dx = Af ( x1 ) + Bf ( x2 ) + Cf ( x3 ) = Af (a + h) + Bf (a + 2h) + Cf (a + 3h) ⇒

Desplazando el origen al punto a (equivale a hacer a=0,

b=4h): 4 h
∫0
f ( x)dx = Af (h) + Bf (2h) + Cf (3h)

 
 4h
[ ] 
∫
4h
 1dx = x 0 = 4 h = A + B + C 
Para f(x) = 1   0
2 4h 
  4 h x 
Para f(x) = x  ⇒  ∫ xdx =   = 8h 2 = Ah + 2 Bh + 3Ch  ⇒
2 
0
 2 0 
Para f(x) = x 
 4h  x 3

4 h
64 h 3 
∫ x 2 dx =   = = Ah 2 + 4 Bh 2 + 9Ch 2 
 0  3 0 3 
27
  8h 
   A =
4 h = A + B + C 3 
   − 4h  4h 8 f (h) − 4 f (2h) + 8 f (3h)
 8 h = A + 2 B + 3C ⇒
  B =  ∫0
⇒ f ( x ) dx = h⇒
 64h = A + 4 B + 9C   3  3
 3   C = 8h 
 3 

b 8 f (a + h) − 4 f (a + 2h) + 8 f (a + 3h) b − a
∫ a
f ( x)dx = b
∫ f ( x)dx =
a 3 3
2 f (a + h) − f (a + 2h) + 2 f (a + 3h)
(b − a ) + E 4
⇒
T
4h
 x4  2h 3 − (2h) 3 + (3h) 3
Para f(x)E=T x=3 kf⇒ ∫( ξ )f ( x)dx =   = 64h 4 =
4) 4 h
h + k 3!⇒
b 2 f (a + h) − f (a + 2h) + 2 f (a + 3h)
0
 4 0 4 3

∫a f ( x)dx =
5 4h
x  2h − (2h) + 2(3h)
(b − a ) + ET
4 4
b
∫a x dx =  5  = 4h + k 4!⇒ k = 0
4

3
3
0

El error de truncamiento será de la forma:

ET = kf ' ' ' ( ξ )
probando con la función f(x)=x 3 , resulta:
4h
b  x4
 2 h 3
− ( 2 h ) 3
+ 2(3h ) 3

∫ a
x 3 dx =   =
 4 0 3
4h + k 3!⇒ k = 0
28
 Como ha salido k=0 significa que es exacta para el grado 3
y probaremos para el grado de exactitud 4.

Tomamos: ET = kf ( ξ ) 4)
y f ( x) = x 4

4h
b  x 
5
1024 h 5
2 h 4
− ( 2 h ) 4
+ 2(3h ) 4
14 5
∫ x dx =   = 14 = 4h + k 4!⇒ k = h ⇒
4
a
 5  0 E = 455h f ( ξ )
T
5 4)
3 45
f ( x) = x 4
2 f ( x1 ) − f ( x2 ) + 2 f ( x3 ) 14h 5 4)  b-a 
14 5 4 )
b
∫
a
f ( x)dx =
3
(b − a) +
45
f (ξ) h =
 4 


ET = h f (ξ) con h=(b-a)/4

45
La fórmula completa queda:
b 2 f ( x1 ) − f ( x2 ) + 2 f ( x3 ) 14h 5 4 )  b-a 
∫ a
f ( x)dx =
3
(b − a) +
45
f (ξ) h =
 4 

29
 Fórmulas compuestas:
Consisten en dividir el intervalo de integración [a,b] en n
subintervalos y aplicar la fórmula simple en cada uno de ellos.
n
 b − a
f ( x)dx = ∑ ∫
b xi
∫a
i =1
xi −1
f ( x)dx  xi = a + i
 n 

Sin embargo, como el extremo superior de un intervalo
coincide con el inferior del siguiente se agrupan ambos térmi-
nos para mejorar su eficiencia.

Fórmula de Simpson Compuesta:

b  n −1 n −1
h  b − a f 4) ( ξ ) 4
∫ f ( x)dx =  f (a ) + 2∑ f ( xi ) + 4∑ f ( xi + ) − h (b − a )
a
 i =1 i =0 2  6n 2880
b−a
donde h = n 30
Fórmula de Simpson 3/8 compuesta:

(( ) ( )) b−a
i = n −1 n −1
f ( x)dx =  f (a ) + f (b) + 2 ∑ f ( xi ) + 3∑ f xi +
b
h 2 h
∫
a
 i =1 i =0
3
+ f xi +
3  8n

f 4) ( ξ ) 4 b−a
ET = − h (b − a) y donde h=
6480 n
Ejemplo:
Deducir la fórmula compuesta de Simpson a partir de la
fórmula simple.

Partimos de la expresión:
b n xi  b − a
∫ f ( x)dx = ∑ ∫ f ( x)dx  xi = a + i 
a
i =1
xi −1
 n 

31
 h h
f (a) + 4 f (a + ) + f ( x1 ) f ( x1 ) + 4 f ( x1 + ) + f ( x2 )
b
2 b−a 2 b−a
∫a
f ( x)dx =
6 n
+
6 n
+
h
f ( xn −1 ) + 4 f ( xn −1 + ) + f (b)
2 b−a
+ ... + =
6 n
h h h
f (a ) + 4 f (a + ) + f ( x1 ) + f ( x1 ) + 4 f ( x1 + ) + f ( x2 ) + ... + f ( xn −1 ) + 4 f ( xn −1 + ) + f (b)
2 2 2 b−a
= =
6 n

y agrupando términos obtenemos:

n −1 n −1
h
f (a ) + f (b) + 2∑ f ( xi ) + 4∑ f ( xi + )
b 2
∫a
f ( x)dx = i =1
6n
i =0
(b − a )

Para el error de truncamiento de la compuesta partimos del

error de la simple:
h 5
 b − a  (b − a ) 5
ET = − f ( ξ ) = h =
4)
 = − f 4)
(ξ)
90  2  2880 32
 Sumando los errores de truncamiento de cada subintervalo:
( x1 − a) 5 ( x2 − x1 ) 5 (b − xn −1 )5
EComp
T = − f ( ξ1 )
4)
− f ( ξ1 )
4)
− ... − f ( ξ n -1 )
4)
=
2880 2880 2880

nh 5
h 4
b−a
=E Comp
T = − f 4) ( ξ ) = − f 4) ( ξ ) (b − a ) h=
2880 2880 n

NOTA:
En la expresión de las fórmulas simples aparece un h que
tiene distinto significado que en las compuestas.
En las simples h es la distancia entre los puntos en los que
evaluamos la función (igualmente espaciados).
En la compuesta h es la amplitud de cada subintervalo,
pudiendo la función ser evaluada varias veces en el mismo.
33
 Orden de las fórmulas de Newton Cotes:
Las fórmulas simples y las compuestas tienen el mismo
grado de exactitud.
La fórmula compuesta tiene un orden menos que la simple.
Para la fórmula simple de Simpson:
a+b
f (a ) + 4 f   + f (b) 5
b
 2  h  b-a 
∫a
f ( x)dx ≈
6
(b − a ) − f 4 ) ( ξ )
90


h =
2


tiene orden 5 y grado de exactitud 3. Se interpreta como que
si el intervalo de integración se reduce por un factor de k, el
error de truncamiento se reduce en k 5.
Mientras que para la compuesta: h 4 (b − a ) 4 )
ET = − f (ξ)
que tiene orden 4 y se interpreta como 2880
que si subdividimos por k el valor de h (habrá nk intervalos),
4
el error se dividirá por k . 34
 Ejemplo:
Estimar I mediante los métodos compuestos del trapecio y
de Simpson con
I =I 4+ I subíntervalos:
+I +I =∫
sen( x) + 2 cos( x) π
dx + ∫
π
sen( x) + 2π
sen(
cos( x)
dx + x ) + 2 cos( x )
I =∫
4 2

dx
1 2 3 4 π
1 + cos ( x) 0 2
1 + cos ( x)
4
2

1 + cos ( x)
2
3π
sen( x) + 2 cos( x) sen( x) + 2 cos( x)π
0
+∫ π
4
dx + ∫ dx ≈
3π
1 + cos ( x) 2 1 + cos ( x)
2
4
2

π π π π 3π
Descompongo≈ en2
44 πsubíntervalos:
f (0) + f ( )
4

− 0 + 4
f ( )+ f ( )
2 2 4
f ( )+ f ( )
2  π − π  + 2
2
4  3π − π  +
4 2
     
π π
3π
f ( ) + f (π ) sen( x) + 2 cos( x) sen( x) + 2 cos( x)
I = I1 + I 2 + I 3 + I = ∫ + 4
4 2 dx + ∫ 2π dx +
4  π − 3π  = 1 + 1.4142 π + 1.4142 + 1 π + 1 + (−0.4714
2 )π +
0  1 + cos ( x) 1 + cos ( x)
4  2 24 2 4 2 4
- 0.4714 + (-1) π
+ = 0.9481 + 0.9481 + 0.2076 - 0.5778 = 1.5259 4
2 4
3π
sen( x) + 2 cos(f (x0))+ 4 f (π ) + fπ(π )sen( x )f+
( )2
π
f ( )x
+ 4cos(
3π
+)
π
+∫ π
4
2 ≈
dx 8+ ∫3π4  π − 0  + 4 2 8 dx 2  π≈− π  + Por
f( )
el trapecio:
2 1 + cos ( x) 6
4
 4 1 + cos ( x 6) 2 4
π 5π 3π 3π 7π
f ( )+4f ( )+ f ( ) f ( ) + 4 f ( ) + f (π )
π 2 8π 4 π3π π  4 8π  3π3π 
f ( 0) + f ( ) + f 6( ) + f ( 4)− 2  + f2 ( ) + f (π − 4)  =
≈ 4  π −1 +01.4142
+ 4 2  π 4714
π 1.4142 + 1 π 1+ (−0.−
π
)π+
2 4  3π −
π
+
2  4= 2 4 + 22 4 +  2 2 4 4 + 2  4 2
- 0.4714 + (-1) π
3π + = 0.9481 + 0.9481 + 0.2076 - 0.5778 = 1.5259
f ( ) + f (π ) 2 4
4  3π  1 + 1.4142 π 1.4142 + 1 π 1 + (−0.4714) π
+ π −  = + + +
2  4  2 4 2 4 2 4
- 0.4714 + (-1) π
+ = 0.9481 + 0.9481 + 0.2076 - 0.5778 = 1.5259 35
2 4
Por Simpson:
π π π 3π π
f ( 0) + 4 f ( ) + f ( ) f ( )+4f ( )+ f ( )
≈ 8 4  π − 0  + 4 8 2  π − π  +
6 4  6 2 4
π 5π 3π 3π 7π
f ( )+4f ( )+ f ( ) f ( ) + 4 f ( ) + f (π )
+ 2 8 4  3π − π  + 4 8  3π 
π −  =
6  4 2 2  4 
1 + 4(1.2033) + 1.4142 π 1.4142 + 4(1.4735) + 1 π 1 + 4(0.1383) + (−0.4714) π
= + + +
6 4 6 4 6 4
- 0.4714 + 4(-0.7904) + (-1) π
+ = 0.9461 + 1.0875 + 0.1416 - 0.6065 = 1.5687
6 4
Las rutinas básicas de MATLAB proporcionan:
quad Æ 1.57079618714983
quad8 Æ 1.57079633890127
quadl Æ 1.57079646173390
Si hacemos 25 subintervalos con Simpson obtenemos:
1.57079615366634
36
 Fórmulas de cuadratura gaussianas:
En las fórmulas de Newton-Cotes los puntos en los que
evaluamos la función están igualmente espaciados, sin em-
bargo, esta elección no es la que proporciona mayor grado de
exactitud.
La mejor elección de los puntos son los ceros de determi-
nados polinomios ortogonales en el intervalo de integración.
Las fórmulas que se obtienen con esta elección de los
puntos se llaman fórmulas gaussianas o superseguras.
Funciones ortogonales:
Un conjunto de funciones: {θ i ( x)} es ortogonal en un
intervalo I=[a,b] respecto de una función peso w(x), si y solo
si para cualesquiera 2 funciones i, j se verifica:
b
θ i , θ j = ∫ w( x)θ i (x)θ j ( x)dx = 0, (i ≠ j, w(x) ≥ 0) 37
a
 Familias de polinomios ortogonales:
Polinomios de Legendre:
Son ortogonales en [-1,1] sin función peso (es decir con
w(x)=1). Dan lugar a las fórmulas de Gauss-Legendre.
Polinomios de Laguerre:
Dan lugar a las fórmulas de Gauss-Laguerre y son orto-
gonales para I = [0, ∞), w(x) = e -x

Polinomios de Hermite:
Dan lugar a las fórmulas de Gauss-Hermite. Ortogonales
en: -x 2
I = (−∞, ∞), w(x) = e
Polinomios de Tshebysheff:
Dan lugar a las fórmulas de Gauss-Tshebysheff.
1
I = (−1, 1), w(x) =
1− x2 38
 Fórmulas de integración gaussianas:
Si llamamos ri a las raíces del polinomio ortogonal de
grado n correspondiente, tenemos:
Fórmulas de Gauss-Legendre:
f ( x)dx = ∑ Ai f (ri )
b
∫a
i
Fórmulas de Gauss-Laguerre:
∞
∫ e − x f ( x)dx = ∑ Ai f (ri )
0
i

Fórmulas de Gauss-Hermite:
∞
∫ e − x2
f ( x)dx = ∑ Ai f (ri )
−∞
i

39
 TEOREMA:
Dado un intervalo real y una función peso, existe un
único conjunto de n puntos, tales que, al formar con ellos
una fórmula de cuadratura de tipo interpolatoria, dicha
fórmula resulta exacta hasta el grado 2n-1.
Además los puntos pertenecen al intervalo.

Generalmente se emplean polinomios ortogonales de grado

creciente para la obtención de los puntos en los que evalua-
mos la función (raíces). P ( x) = a + bx + cx 2 + dx 3
Ejemplo: Obtener el polinomio ortogonal de tercer grado
para I=[-1, 1] y w(x)=1. (Legendre).
Deberá ser ortogonal con todos los de grado menor:
P( x),1 = 0; P ( x), x = 0; P( x), x 2 = 0; 40
 Normalizamos el polinomio dando al coeficiente de mayor
grado el valor 1: P( x) = a + bx + cx 2 + x 3
e imponemos las condiciones para obtener a, b y c.
 1 (a + bx + cx 2 + x 3 )1dx = 0 
 P( x),1 = 0   ∫−1 
   1 
 P( x), x = 0  ⇒  ∫ (a + bx + cx + x ) xdx = 0  ⇒
2 3
−1
 P( x), x = 0  1 (a + bx + cx 2 + x 3 ) x 2 dx = 0
2
 ∫−1 
 
 2 
 2 a + 0b + c + 0 = 0   a=0 
3  x1 = 0 
 2 2 
  − 3  
 0 a + b + 0 c + = 0  ⇒ b =  ⇒ P ( x ) = x 3
− 0. 6 x ⇒ x
 2 = 0.77459666 924148 
 3 5   5   x = -0.77459666924148
2 2
 a + 0b + c + 0 = 0  c = 0   3 
 3 5 

Estas son las raíces del polinomio de Legendre de tercer

grado y será donde debemos evaluar la función. 41
 Ejemplo: (continuación del anterior)
Obtener la fórmula de integración de Gauss-Legendre de 3
puntos.
Ya hemos obtenido las raíces del polinomio de Legendre,
ahora debemos hallar los coeficientes imponiendo la
exactitud hasta el grado
1 8 5
5 (doble 5
del número de puntos
∫ f(x)dx = 9 f(0) + 9 f( 0.6 ) + 9 f(- 0.6 )
menos 1) 1
-1

∫ f(x)dx = Af(0) + Bf( 0.6 ) + Cf(- 0.6 )

1
Exacta para grado 0 ⇒ ∫ 1dx = 2 = A + B + C
−1

-1Exacta para grado 1 ⇒ ∫ 1

xdx = 0 = 0.6B − 0.6C ⇒ B = C
−1

2 5 8
Exacta para grado 2 1⇒ ∫ x 2 dx =
1

Exacta para grado 0 ⇒ ∫ 1dx = 2 = A + B + C

= 0.6B + 0.6C ⇒ B = C = , A =
−1 3 9 9
−1
1
Exacta para grado 1 ⇒ ∫ xdx = 0 = 0.6B − 0.6C ⇒ B = C
−1

2 1 5 8
Exacta para grado 2 ⇒ ∫ x dx = = 0.6B + 0.6C ⇒ B = C = , A =
2
−1 3 9 9
1 8 5 5
∫-1 f(x)dx = 9 f(0) + 9 f( 0.6 ) + 9 f(- 0.6 ) 42
Fórmulas de Gauss-Legendre:
Raíces (ri ) Pesos (A i )
Existen tablas con los valores 2 Puntos
de las raíces y los coeficientes. ± 0.577350269189626 1
3 Puntos

f ( x)dx = ∑ Ai f (ri )
1
∫
0 0.88888 88888 88889
± 0.77459 66692 41483 0.55555 55555 55556
−1 4 Puntos
i ± 0.33998 10435 84856 0.65214 51548 62546
± 0.86113 63115 94053 0.34785 48451 37454
5 Puntos
0 0.56888 88888 88889
Si usamos n puntos tendrá ± 0.53846 93101 05683 0.47862 86704 99366
± 0.90617 98459 38664 0.23692 68850 56189
grado de exactitud 2n-1. 6 Puntos
± 0.23861 91860 83197 0.46791 39345 72691
± 0.66120 93864 66265 0.36076 15730 48139
± 0.93246 95142 03152 0.17132 44923 79170

f ( x)dx = 0.3478548451[ f (0.8611363116) + f (−0.8611363116)] +

1
∫
−1
/
+ 0.6521451549[f(0.3399810436) + f(-0.3399810436)] 43
Fórmulas de Gauss-Legendre (continuación)
Raíces (ri ) Pesos (A i )
10 Puntos
± 0.14887 43389 81631 0.29552 42247 14753
± 0.43339 53941 29247 0.26926 67193 09996
± 0.67940 95682 99024 0.21908 63625 15982
± 0.86506 33666 88985 0.14945 13491 50581
± 0.97390 65285 17172 0.06667 13443 08688
15 Puntos
0 0.20257 82419 25561
± 0.20119 40939 97435 0.19843 14853 27111
± 0.39415 13470 77563 0.18616 1000115562
± 0.57097 21726 08539 0.16626 92058 16994
± 0.72441 77313 60170 0.13957 06779 26154 /
± 0.84820 65834 10427 0.10715 92204 67172
± 0.93727 33924 00706 0.07036 60474 88108
± 0.98799 25180 20485 0.03075 32419 96117
44
Fórmulas de Gauss-Laguerre:
Raíces (ri ) Pesos (A i )
∞
2 Puntos
0.58578 64376 27 0.85355 33905 93 ∫ e − x f ( x)dx = ∑ Ai f (ri )
0
i
3.41421 35623 73 0.14644 66094 07
3 Puntos
0.41577 45567 83 0.71109 30099 29
2.29428 03602 79 0.27851 77335 69 Las cifras entre paréntesis
6.28994 50829 37 .(1) 10389 25650 16 indican el número de ceros
4 Puntos
entre la primera cifra signi-
0.32254 76896 19 0.60315 41043 42
1.74576 11011 58 0.35741 86924 38 ficativa y el punto decimal.
4.53662 02969 21 .(1) 38887 90851 50
9.39507 09123 01 .(3) 53929 47055 61
5 Puntos
0.26356 03197 18 0.52175 56105 83
1.41340 30591 07 0.39866 68110 83
3.59642 57710 41 .(1) 75942 44968 17
7.08581 00058 59 .(2) 36117 58679 92
12.64080 08442 76 .(4) 23369 97238 58 45
Fórmulas de Gauss-Laguerre (continuación)
Raíces (ri ) Pesos (A i ) Raíces (ri ) Pesos (A i )
6 Puntos 15 Puntos
0.22284 66041 79 0.45896 46739 50 0.09330 78120 17 0.21823 48859 40
1.18893 21016 73 0.41700 08307 72 0.49269 17403 02 0.34221 01779 23
2.99273 63260 59 0.11337 33820 74 1.21 559 54120 71 0.26302 75779 42
5.77514 35691 05 .(1) 10399 19745 31 2.26994 95262 04 0.12642 58181 06
9.83746 74183 83 .(3) 26101 72028 15 3.66762 27217 51 .(1) 40206 86492 10
15. 98287 39806 02 .(6) 89854 79064 30 5.42533 66274 14 .(2) 85638 77803 61
10 Puntos 7.56591 62266 13 .(2) 12124 36147 21
0.13779 34705 40 0.30844 11157 65 10.12022 85680 19 .(3) 11167 43923 44
0.72945 45495 03 0.40111 99291 55
13.13028 24821 76 .(5) 64599 26762 02
1.80834 29017 40 0.21806 82876 12
16.65440 77083 30 .(6) 22263 16907 10
3.40143 36978 55 .(1) 62087 45609 87
20.77647 88994 49 .(8) 42274 30384 98
5.55249 61400 64 .(2) 95015 1697518
25.62389 42267 29 .(10) 39218 97267 04
8.33015 27467 64 .(3) 75300 83885 88
31.40751 91697 54 .(12) 14565 15264 07
11.84378 58379 00 .(4) 28259 23349 60
38.53068 33064 86 .(15) 14830 2705111
16.27925 78313 78 .(6) 42493 13984 96
48.02608 55726 86 .(19)16005 94906 21
21.99658 58119 81 .(8) 18395 64823 98
29.92069 70122 74 .(12) 99118 27219 61
46
Fórmulas de Gauss-Hermite: ∞
∫ e -x 2
f(x)dx = ∑ Ai f (ri )
-∞
i

Raíces (ri ) Pesos (A i )

2 Puntos
± 0.70710 67811 86547 52440 0.88622 69254 52758 01365
3 Puntos
0 1.18163 59006 03677 3515
± 1.22474 48713 91589 0491 0.29540 89751 50919 33788
4 Puntos
± 0.52464 76232 75290 31788 0.80491 40900 05512 83651
± 1.65068 01238 85784 5559 .(1) 81312 83544 72451 77143
5 Puntos
0 0.94530 87204 82941 88123
± 0.95857 24646 13818 50711 0.39361 93231 5224115983
± 2.02018 28704 56085 6329 .(1) 19953 24205 90459 13208
6 Puntos
± 0.43607 74119 27616 50868 0.72462 95952 24392 52409
± 1.33584 90740 13696 9497 0.15706 73203 22856 64392
± 2.35060 49736 74492 2228 .(2) 45300 09905 50884 56409 47
Fórmulas de Gauss-Hermite (continuación)
Raíces (ri ) Pesos (A i )
10 Puntos
± 0.34290 13272 23704 60879 0.61086 26337 35325 79878
± 1.03661 08297 89513 6542 0.24013 86110 82314 68642
± 1.75668 36492 99881 7735 .(1) 33874 39445 54810 63136
± 2.53273 16742 32789 7964 .(2) 13436 45746 78123 26922
± 3.43615 91188 37737 6033 .(5) 76404 32855 23262 06292
12 Puntos
± 0.31424 03762 54359 11128 0.57013 52362 62479 57835
± 0.94778 83912 40163 74370 0.26049 23102 6416112923
± 1.59768 26351 52604 7967 .(1) 52607 98561 58839 29992
± 2.27950 70805 01059 9002 .(2) 39053 90584 62906 18600
± 3.02063 70251 20889 7717 .(4) 85736 87043 58785 86546
± 3.88972 48978 69781 9193 .(6) 26585 51684 35630 16060

48
 Integral definida (por fórmulas gaussianas):
Cuando el intervalo es [a,b] se emplean las fórmulas de
Gauss-Legendre. Bien adaptando la función al intervalo o
mediante el cambio de variable: a+b b−a
x= + t
2 2
que produce:
b 1  a+b b−a b−a b−a  a+b b−a 
∫a
f ( x)dx = ∫ f 
−1
 2
+ t
2  2
dt ≈
2 i
∑ Ai f 
 2
+
2
ri 

Ejemplo: 5
Estimar mediante una fórmula 3 puntos: ∫2
Ln(1 + cos 2 ( x))dx

∫
2
5
Ln(1 + cos 2 ( x))dx ≈
5 − 2 8
2  9
f (3.5 + 1 . 5( 0 )) +
5
9
(
f (3 .5 + 1 .5( 0. 6 )) + f (3 .5 + 1 . 5( − 0 .6 )))
 =
3
= [8 f (0) + 5( f (4.66189500386223) + f (2.33810499613777) )] =
2(9)
1
= [8 (0.69314718055995) + 5(0.00254423619516 + 0.39333480048990)] = 1.25409543
49 798414
6
 Integrales impropias (por fórmulas gaussianas):
La fórmula de integración de Gauss-Laguerre:
∞
∫ e − x f ( x)dx = ∑ Ai f (ri )
0
i
puede ser usada para calcular las integrales impropias:
∫
a
∞ ∞ ∞
[ ]
f ( x)dx = {t = x − a} = ∫ f (a + t )dt = ∫ e −t et f (a + t ) dt =∑ Ai e ri f (a + ri )
0 0
i

∫
−∞
a

0
∞ ∞

0
[ ]
f ( x)dx = {t = −( x − a )} = ∫ f (a − t )dt = ∫ e −t et f (a − t ) dt =∑ Ai e ri f (a − ri )
i

También se usa la fórmula de Gauss-Hermite:

∞
∫ e − x2
f ( x)dx = ∑ Ai e ri f (ri )
−∞
i

NOTA: Existen también fórmulas para integrar en [a,b] si

x=a y/o x=b son asíntotas verticales.
50
 Ejemplo: x2
Estimar mediante una fórmula 3 puntos: ∞ 1 −
∫ 1
2π
e 2
dx

Usaremos la fórmula de Gauss-Laguerre:

∞ 1 −
x2
∞  e t
−
(1+ t ) 2 
∫ e 2
dx = {t = x − 1} = ∫ −t
e  e 2
 dt = ∑ Ai F (ri )
1
2π 0
 2π  i

t (1+ t ) 2
donde e −
, r i son las raíces del polinomio de
F (t ) = e 2
2π Laguerre y A i son los coeficientes de
la fórmula.
Consultando las tablas de integración de Gauss-Laguerre
vemos que para 3 puntos las raíces son: 0.415774556783,
2.294280360279 y 6.289945082937 con pesos respectivos:
0.711093009929, 0.278517733569 y 0.0103892565016 51
 x2
∞1 −2
∫1 2π e dx ≈ 0.711093009929F(0.41577455678300) + 0.27851773356900F(2.294280360279) +
+ 0.0103892565016F(6.289945082937) ≈ 0.711093009929(0.22193454692817) +
+ 0.278517733569(0.01740844720548) + 0.0103892565016(0.00000000062041) ≈ 0.16266466624945

NOTAS:
- Existe una expresión que nos da el error de las fórmulas
gaussianas con n puntos: f 2n) b
[ ]
∫
2
ET = Pn ( x ) dx
(2n)! a

Siendo P(x) es el polinomio ortogonal correspondiente.

- Generalmente el resultado de una fórmula se compara con
el producido por otra. Así la anterior puede compararse con
otra de mayor número de [Link]én pueden compo-
nerse (Legendre) o usarse las reglas:
∞ ∞
{Laguerre ↔ Legendre + Laguerre}
b
∫
a
f ( x)dx = ∫ f ( x)dx + ∫ f ( x)dx
a b
∞ ∞
{Hermite ↔ Laguerre + Laguerre}
0
∫
−∞
f ( x)dx = ∫
−∞
f ( x)dx + ∫ f ( x)dx
0
∞ −a ∞
{Hermite ↔ Laguerre + Legendre + Laguerre}
a
∫
−∞
f ( x)dx = ∫
−∞
f ( x)dx + ∫ f ( x)dx + ∫ f ( x)dx
−a a 52
 Extrapolación de Richardson (o Romberg):
Consiguen obtener mayor precisión a partir de fórmulas de
bajo orden y no solo sirven para derivación e integración.
En general se llama de Richardson excepto para la integra-
ción que se llama Romberg.
Consisten en evaluar la fórmula para diferentes h y extrapo-
lar su valor para h=0. Aunque en la práctica se evalúa para
determinado valor de h y posteriormente con h/2, h/4, h/8,...
Si tenemos una fórmula de orden n: ET = Kh n
y la evaluamos para h y h/2 podemos obtener una fórmula de
mayor orden si el valor obtenido para h/2 lo multiplica-mos
por 2 n y restamos la expresión obtenida para h:
Ejemplo:
Estimar por Simpson compuesto (orden 4) con 2 y 4
intervalos y realizar la extrapolación de Romberg a la
integral: 3
∫
I = Ln(1 + x 2 )dx
2 53
 2.5 3 f (2) + 4 f (2.25) + f (2.5) f (2.5) + 4 f (2.75) + f (3)
I = ∫ Ln(1 + x 2 )dx + ∫ Ln(1 + x 2 )dx = 0.5 + 0.5 + Kh 4 =
2 2.5 6 6
1.60943791243410 + 4(1.80212225626360) + 2(1.98100146886658) + 4(2.14739220358834) + 2.30258509299405
= 0.5 + Kh 4 =
6
= 1.97267364854742 + Kh 4

2.25 2.5 2.75 3

I =∫ Ln(1 + x 2 )dx + ∫ Ln(1 + x 2 )dx + ∫ Ln(1 + x 2 )dx + ∫ Ln(1 + x 2 )dx =
2 2.25 2.5 2.75
4
f (2) + 2( f (2.25) + f (2.5) + f (2.75)) + 4( f (2.125) + f (2.375) + f (2.625) + f (2.875)) h
= 0.25 + K   =
6 2
4
(1 +Kx2 )h
dx+ ∫ Ln(1 + x 2 )dx + ∫ Ln(1 + x 2 )dx + ∫ Ln(1 + x 2 )dx =
2.25 2.5 2.75 3
I = ∫ Ln+
= 1.97267357273474 2   2.25 2.5 2.75

 2 
f (2) + 2( f (2.25) + f (2.5) + f (2.75)) + 4( f (2.125) + f (2.375) + f (2.625) + f (2.875))
4
h
= 0.25 + K   =
6 2
Multiplico la segunda h
= 1.97267357273474 + K  
estimación por 16 y resto la primera:
4

2
15I = 16(1.97267357273474) − 1.97267364854742 ⇒ I = 1.97267356768056
15 I = 16(1.97267357273474) − 1.97267364854742 ⇒ I = 1.97267356768056

obteniendo una expresión de I con al menos un orden mayor.

Sin embargo, en las fórmulas recomendadas (Simpson
para integración, centrada 2 puntos para la derivada primera
y centrada 3 puntos para la derivada segunda), el orden se
incrementa en 2.
NOTA: La rutina quadl nos da I=1.97267356332467 54
 Ejemplo 1:
Dada la función y=sen(x) calcular y’(1) por la fórmula cen-
trada de 2 puntos, para h=0.001, 0.0005 y 0.00025. Realizar
posteriormente la extrapolación de Richardson.
f ( a + h) − f ( a − h) h 2
f ' (a) = − f ' ' ' (ξ ) =
2h 6
f ( a + h) − f ( a − h) h 2
= − f ' ' ' (a ) + K1h 4 f 5) (a ) + K 2 h 6 f 7 ) (a ) + ...
2h 6
sen(2(1.001)) - sen(2(0.999))
Para h = 0.001 I1 = f' (1) = = 0.54030221581769
0.002
sen(2(1.0005)) - sen(2(0.9995))
Para h = 0.0005 I 2 = f' (1) = = 0.54030228335555
0.001
sen(2(1.0025)) - sen(2(0.99975))
Para h = 0.00025 I 3 = f' (1) = = 0.54030230024016
0.0005

55
 Teniendo en cuenta que la fórmula es de orden 2, el valor
obtenido para h/2 tiene 4 veces menos error que la obtenida
para h:

f ' (1) = I1 + Kh 2 + K 2 h 4 + ... 
 
2 4
 3 f ' (1) = 4 I − I + K ' 4
h + K h + ...
' 6

h h   4 ( 2 ª ) − (1ª )  

2 1 2 3
f ' (1) = I 2 + K   + K 2   + ... ⇒  ⇒   h 
4
 h 
6

2 2   4 (3 ª ) − 2 ª  3 f ' (1 ) = 4 I 3 − I 2 + K '

2   + K '
3   + ..
2 4   2 2
h h
f ' (1) = I 3 + K   + K 2   + ...
4 4 

4 I 2 − I1 1 ' 4
f ' (1) = + ( K 2 h + K 3' h 6 + ...) = I1,1 + Ch 4 + C2 h 6 + ...
3 3
4 6 4 6
4I3 − I 2 1 '  h  'h h h
f ' (1) = + ( K 2   + K 3   + ...) = I1, 2 + C   + C2   + ...
3 3 2 2 2 2
Tenemos expresiones que nos dan el valor con orden 4, y
podríamos comprobar que también tienen grado de exac-
titud 4. 56
 4(0.54030228335555) − 0.54030221581769
I1,1 = = 0.54030230586818
3
4(0.54030230024016) − 0.54030228335555
I1, 2 = = 0.54030230586836
3

Repitiendo el proceso y considerando que la nueva fórmula

tiene orden 4:
16 I 2,1 − I1,1 1
15 f ' (1) = 16 I 2,1 − I1,1 + C ' h + ... ⇒ f ' (1) =
6
+ (Ch 6 + ...)
15 15
16(0.54030230586836) - 0.54030230586818
I 2,1 = = 0.54030230586837
15

El valor exacto de y’(1)=cos(1)=0.54030230586814 al que

vemos se va aproximando.

57
 Notas sobre integración:
- La integración numérica puede dar valores y sin embargo la
función no ser integrable.
- Esto es especialmente importante para las ingrales impro-
pias que puedan diverger.
- Por ello se debe evaluar de diferente forma o analizar de
forma teórica su convergencia.
- Los métodos de MATLAB usan una integración adaptativa
que busca determinada precisión en la integral. Obtienen la
medida del error mediante una doble estimación con fórmulas
de error de truncamiento conocido y subdividen más las re-
giones más conflictivas (donde la función cambia más rápi-
damente).

58