Sunteți pe pagina 1din 28

Mtodos Numricos

INVESTIGACIN DE UNIDAD 2 SOLUCIN DE ECUACIONES NO LINEALES DE UNA VARIABLE

INTRODUCCIN
Uno de los problemas que se presenta con frecuencia en ingeniera es encontrar las races de ecuaciones de la forma f(x)=0, donde f(x) es una funcin real de una variable x f(x) = 4x5 + x3 8x + 2 o una funcin trascendente f(x) = ex sen x + ln 3x +x3 Existen distintos algoritmos para encontrar las races o ceros de f(x) = 0, pero ninguno es general; es decir, no hay un algoritmo que funciona con todas las ecuaciones. Estos mtodos se basan frmulas que requieren nicamente de un solo valor de inicio x o que empiecen con un par de ellos, pero que no necesariamente encierran a la raz. Como tales, algunas veces divergen o se alejan de la raz verdadera a medida que cree el nmero de interacciones. Sin embargo, cuando los mtodos abiertos convergen, por lo general lo hacen mucho ms rpido que los mtodos que usan intervalos.

2.1 Bsqueda de valores iniciales. Tabulacin y graficacin.


El uso de cualquier algoritmo numrico para encontrar las races f(x)=0, requiere uno o ms valores iniciales; adems en mtodos como el de biseccin y el de la regla falsa, los dos valores iniciales requeridos deben de estar a los lados de la raz buscada y sus valores funcionales correspondientes tienen que ser de signos opuestos. A continuacin se dan algunos lineamientos generales para obtener valores aproximados a las races de f(x)=0. 1. Por lo general, la ecuacin cuyas races se buscan tiene algn significado fsico; entonces a partir de consideraciones fsicas pueden estimarse valores aproximados a las races. Este razonamiento es particular para cada ecuacin. A continuacin se presenta un ejemplo para ilustrar esta idea. Ejemplo Determine el valor inicial en la solucin de una ecuacin de estado. Solucin El clculo del volumen molar de un gas dado, a cierta presin y temperatura tambin dadas, es un problema comn en ingeniera qumica. Para realizar dicho clculo se emplea alguna de las ecuaciones de estado conocidas. Una de ella es la ecuacin de Beattie-Bridgeman Donde los parmetros quedan determinados al fijar el gas de que se trata, su temperatura T y su presin P. En las condiciones expuestas, el problema se reduce a encontrar el o los valores de V que satisfagan la ecuacin anterior, en otros trminos, a determinar las races de polinomio en V ( ) Que resulta de multiplicar por la ecuacin de P y pasar todos sus trminos a un solo miembro. La solucin de la ecuacin anterior tiene como primer problema encontrar cuando menos un valor inicial cercano al volumen buscado V. Este valor , se obtiene a partir de la ley de los gases ideales; as Que generalmente es una primera aproximacin razonable.

Como puede observarse, el razonamiento es sencillo y se basa en el sentido comn y las leyes bsicas del fenmeno involucrado. 2. Otra manera de conseguir informacin sobre la funcin, que permita determinar buenos valores iniciales, consiste en obtener su grfica aproximada mediante un anlisis de f(x), a la manera clsica del clculo diferencial e integral, o bien como se ha venido sugiriendo, con algn

software comercial y, en el mejor de los casos, empleando ambos. A continuacin se presentan los pasos del anlisis de la funcin f(x) y de la construccin de su grfica clsica. a) Determinar el dominio de definicin de la funcin b) Determinar un subintervalo de (a), que puede ser (a) mismo. Es un intervalo donde se presupone que es de inters analizar la funcin. Evalese la funcin en los siguientes puntos de ese subintervalo: puntos extremos y aquellos donde sea fcil de clculo de f(x). En los siguientes pasos todo estar referido a este subintervalo. c) Encontrar los puntos singulares de la funcin (puntos en los cuales es infinita o no est definida). d) La primera y la segunda derivadas dan informacin muy til sobre la forma de la funcin, an ms til que informacin de valores computados; por ejemplo, dan los intervalos de crecimiento y decrecimiento de la funcin. Por esto, obtngase la primera derivada y evalese en puntos apropiados, en particular en puntos cercanos a aquellos donde la funcin ya esa evaluada y en los que es fcil esta evaluacin. e) Encontrar los puntos mximo y mnimo, as como los valores de la funcin en esos puntos. f) Los dominios de concavidad y convexidad de la curva y los puntos de inflexin es informacin cualitativa y cuantitativa, que se obtiene a partir de la segunda derivada y es imprescindible para este anlisis. g) Obtener las asntotas de la funcin. stas, en caso de existir, indican cierta regularidad en los compartimientos de la grfica de y=f(x) al tender x o y hacia infinito. h) Descomponer la funcin en sus partes ms sencillas que se sumen o se multipliquen. Graficar cada parte y construir la grfica de la funcin original, combinando las grficas de las partes y la informacin conseguida en los pasos anteriores. Como se menciona en la parte anterior, hacer una grfica es un mtodo simple para obtener una aproximacin a la raz de la ecuacin f(x)=0 se observa donde cruza est en el eje x. Este punto, que representa el valor de x para la cual f(x)=0, proporciona una aproximacin inicial de la raz. Las tcnicas graficas tienen un valor prctico limitado, ya que no son precisas. Sin embargo, los mtodos grficos se pueden usar para obtener aproximaciones de la raz. Estas aproximaciones se pueden emplear como valores iniciales para los mtodos numricos. Las interpretaciones grficas, adems de proporcionar aproximaciones iniciales de la raz, son herramientas importantes en la compresin de las propiedades de las funciones, previendo las fallas de los mtodos numricos. Ejemplo, utilizando el mtodo de la grfica. Use la aproximacin grafica para determinar el coeficiente de razonamiento c necesario para que un paracaidista de masa=68.1 kg tenga una velocidad de despues de una cada libre de t= 10s. Nota: La aceleracin de la gravedad es de Solucin

Este problema se puede resolver determinando la raz de la ecuacin, utilizaremos los parmetros t=10, g=9.8, v=40 y m=68.1: ( ) ( ) (
( )

Varios valores de c pueden ser sustituidos en el lado derecho de esta ecuacin para calcular C 4 8 12 16 20 f(c) 34.115 17.653 6.067 -2.269 -8.401

Estos puntos se muestran en la grfica siguiente. La curva resultante cruza el eje c entre 12 y 16. Un vistazo a la grfica proporciona una estimacin de la raz de 14.75. La validez de la estimacin visual se puede verificar sustituyendo su valor en la ecuacin ( )
( )

para obtener ) (
( ( ))

El cual es cercano a cero. Tambin puede revisarse por sustitucin en la ecuacin junto con el valor de los parmetros de este ejemplo para dar ( ) (
( )

Que es muy cercano a la velocidad de cada deseada de 40 m/s. F(c) 40 30 20 10 Raz

Esta grafica representa las races de la ecuacin.

4 8 12

20

2.2 Mtodos cerrados y sus interpretaciones geomtricas (biseccin y regla falsa)


METODO DE LA BISECCION
El mtodo de la biseccin es muy similar al de posicin falsa, aunque algo ms simple. Como en el mtodo de posicin falsa, tambin se requieren dos valores iniciales a ambos lados de la raz y que sus valores funcionales correspondientes sean de signos opuestos. En este caso el valor de XM se obtiene como el punto medio entre XI Y XD

XM = (XI + XD)/2
Dependiendo de la funcin que se tenga en particular, el mtodo de biseccin puede converger ligeramente ms rpido o ms lentamente que el mtodo de posicin falsa. Su gran ventaja sobre el mtodo de posicin falsa es que proporciona el tamao exacto del intervalo en cada iteracin (en ausencia de errores de redondeo). Para aclarar esto, ntese que en este mtodo despus de cada iteracin el tamao del intervalo se reduce a la mitad; despus de n interaciones, el intervalo original se habr reducido 2 veces. Por lo anterior, si el intervalo original es de tamao a y el criterio de convergencia aplicado al valor absoluto de la diferencia de dos XM consecutivas es , entonces se requerirn n iteraciones, donde n, se calcula con la igualdad de la expresin:

< ,

2n
De donde:

Por esto se dice que se puede saber de antemano cuntas iteraciones se requieren.

Ejemplo 2.6:
Utilice el mtodo de biseccin para obtener una raz real del polinomio:

SOLUCION: Con los valores iniciales obtenidos en el ejemplo 2.5:

Si = 10-3, el nmero de iteraciones n ser:

O bien: n =7 PRIMERA ITERACION:

Como f (XM) < 0 (distinto signo de f (XD)), se remplaza el valor de XI con el de XM, con lo cual queda un nuevo intervalo (1,1.5). Entonces:

SEGUNDA ITERACION:

Como ahora f (XM) < 0 (igual signo que (f (XD)), se remplaza el valor de XD con el valor de la nueva; de esta manera queda como intervalo (1.25, 1.5). La tabla 2.4 muestra los clculos, llevados a cabo trece veces, con el fin de hacer ciertas observaciones. El criterio |Xi+1 - Xi| se satisface en diez iteraciones; es decir, tres ms de las previstas en la ecuacin 2.15, debido principalmente a los errores de redondeo involucrados en el mtodo. Ntese que si se hubiese aplicado sobre | f (XM) |, se habra requerido 13 iteraciones en lugar de 10. En general se necesitarn ms iteraciones para satisfacer un valor de sobre | f (XM) | que cuando se aplica a | Xi+1 - Xi |.

Tabla 2.4 resultados del ejemplo 2.6.

REGLA FALSA
Aunque el mtodo de biseccin es una tcnica perfectamente vlida para determinar races su enfoque es relativamente ineficiente. La falsa posicin es una alternativa basada en una visualizacin grfica. Un efecto del mtodo de biseccin es que al dividir el intervalo de X a Xu en mitades iguales no se toma en consideracin la magnitud de f(X) y f(Xu). Por ejemplo si f(X) es mucho ms cercana a cero que f(Xu) es lgico que la raz se encuentra mucho ms cerca de X que de Xu. El hecho de que se reemplace la curva por una lnea recta dada una posicin falsa de la raz; de aqu el mtodo de falsa posicin, o en latn, regula falsi. Tambin se le conoce como el mtodo de interpolacin lineal. Usando tringulos semejantes la interseccin de la lnea recta con el eje de las x puede ser estimado como: F(X) = f(Xu) Xr-X Xr-Xu

El cual puede resolverse por: Xr=Xu f(Xu)(X-Xu) / f(X)-f(Xu) Ejemplo 5.6 Falsa posicin Enunciado del problema. Use el mtodo de la falsa posicin para determinar la raz de la ecuacin analizada. Solucin. Como el ejempl 5.3 iniciar el clculo con los valores iniciales de X=12 y Xu=16 Primera interaccin: X=12 f(X)= 6.0699 X=16 f(Xu)= -2.2688 Xr=16- -2.2688(12-16)/6.0669-(-2.2688)=14.9113 La cual tiene un error relativo verdadero de 0.89 por ciento Segunda interaccin: F(X) f(Xr) = -1.5426 Por lo tanto la raz se encuentra en el primer subintervalo y X, es ahora el lmite superior para la siguiente interaccin, Xu = 14.9113: X=12 f(X)= 6.0699

Xu=14.9113 f(Xu)= -0.2543

Xr=14.9113 -2.2688(12-16) / 6.0669-(-0.2543)= 14.7942 El cual tiene errores relativos verdaderos y aproximados de 0.09 y 0.79%.Se pueden realizar interacciones adicionales para refinar la estimacin de las races. Puede tener una opcin ms completa sobre la eficiencia relativa de los mtodos de biseccin y de la regla falsa al observar la figura 5.14 que muestra graficas de error relativo porcentual verdadero ejemplo 5.6. Obsrvese como el error decrece mucho ms rpidamente para e mtodo de la falsa posicin que para el de la biseccin ya que el primero es un esquema ms eficiente para la localizacin de races. DESVENTEAJA DEL METODO DE FALSA POCISION Aunque el mtodo de la falsa posicin pareciera ser siempre la mejor opcin de los que usan intervalos, hay casos donde funciona deficientemente. En efecto, como en el ejempl siguiente, hay ciertos casos donde el mtodo de biseccin da mejores resultados. Aun que un mtodo como el de la falsa posicin por lo general es superior al de la biseccin, hay algunos caso que violan las conclusiones generales. Por lo tanto adems de usar la ecuacin los resultados se pueden verificar sustituyendo la raz estimada en la ecuacin original y determinando si el resultado se acerca a cero. Estas pruebas se deben incorporar en todos los programas que localicen races. ALGORITMO PARA EL METODO DE FALSA POSICION Se puede desarrollar un algoritmo para la falsa posicin a partir del algoritmo del mtodo de biseccin. La nica modificacin es la de sustituir la ecuacin, adems la prueba de cero sugerida en la ltima seccin tambin se debe incorporar en el cdigo. Una versin alternativa para minimizar la evaluacin de la funcin puede ser tambin modelada para este caso, se necesita de modificaciones adicionales para evaluar y guardar la funcin que requiere evaluarse por interaccin.

2.3 Mtodos abiertos y sus interpretaciones geomtricas as como sus criterios de convergencia (Newton-Rapshon, secante)
Los mtodos abiertos emplean una frmula que predice la raz. Tal formula puede ser desarrollada para una simple iteracin de punto fijo (o tambin llamada iteracin de un punto o sustitucin sucesiva) al arreglar la ecuacin f(x) = 0 de tal modo que x quede al lado izquierdo de la ecuacin. X = g(x) (6.1) Esta transformacin se puede llevar a cabo mediante operaciones algebraicas o simplemente agregando x a cada lado de la ecuacin original. Por ejemplo: X2 2x + 3 = 0 Se puede reordenar para obtener:

Mientras que sen x = 0 puede transformarse en la forma de la ecuacin (6.1) sumando x a ambos lados para obtener: X = sen x + x La utilidad de la ecuacin (6.1) es que proporciona una frmula para predecir un nuevo valor de x en funcin del valor anterior de x. De esta manera, dado un valor de inicio a la raz xi, la ecuacin (6.1) se puede usar para obtener una nueva aproximacin xi+1, expresada para la frmula iterativa xi+1 = g(xi) (6.2) Como con otras frmulas iterativas de este libro, el error aproximado de esta ecuacin se puede calcular usando el estimador de error.
| |

EJEMPLO 6.1 ITERACION SIMPLE DE PUNTO FIJO. Use iteracin simple para de punto fijo para localizar la raz de f(X) = e-x x. SOLUCION: La funcin se puede separar directamente y expresarse de la forma (6.2) como xi+1 = e-x Empezando con un valor inicial de x0 = 0, se puede aplicar esta ecuacin iterativa y calcular.

Xi

Ea(%)

Ef(%)

0 0 100.0 1 1.000000 100.0 76.3 2 0.367879 171.8 335.1 3 0.692201 46.9 22.1 4 0.500473 38.3 11.8 5 0.606244 17.4 6.89 6 0.545396 11.2 3.83 7 0.579612 5.90 2.20 8 0.560115 3.48 1.24 9 0.571143 1.93 0.705 10 0.564879 1.11 0.399 De esta manera cada iteracin acerca cada vez ms al valor estimado con el valor verdadero de la raz, o sea 0.56714329. CONVERGENCIA Obsrvese que el error relativo porcentual verdadero en cada iteracin del ejemplo 6.1 es casi proporcional (por un factor entre 0.5 a 0.6) a error de la iteracin anterior. Esta propiedad, conocida como convergencia lineal, es caracterstica de la iteracin de punto fijo. Adems de la verdad de convergencia, se debe enfatizar en este momento la posibilidad de convergencia. Los conceptos de convergencia y de divergencia se pueden ilustrar grficamente. Un planteamiento grafico alterno es de separar la ecuacin en dos partes como en f1 (x) = f2 (x) Entonces las dos ecuaciones y1 = f2 (x) (6.3) y y2 = f2 (x) (6.4) Se pueden graficar por separado. Los valores de x correspondientes a las intersecciones de estas funciones representan las races de f(X)=0.

EJEMPLO 6.2 Separe la ecuacin e-x x = 0 en dos partes y determine su raz en forma grfica. SOLUCION: reformule la ecuacin como y1 = x y y2 = e-x. Al calcularse se obtienen los siguientes valores: x Y1 Y2 0.0 0.0 1.000 0.2 0.2 0.819 0.4 0.4 0.670 0.6 0.6 0.549 0.8 0.8 0.449 1.0 1.0 0.368 Estos puntos se grafican en la figura 6.2b. La interseccin de las dos curvas indica una raz estimada de aproximadamente x = 0.57, que corresponde al punto donde la curva cruza al eje x en la figura 6.2a. FIGURA 6.2 Dos alternativas de mtodos grficos para determinar la raz de f(x) = e-x x . a) Raz de un punto donde cruza al eje de las x; b) raz en la interseccin de las funciones componentes. El mtodo de las dos curvas se puede usar ahora para a ilustrar la convergencia y divergencia de la iteracin de punto fijo. En primer lugar, la ecuacin (6.1) se puede representar como un par de ecuaciones y1 = x y y2 = g(x). Estas dos ecuaciones se pueden graficar por separado. Como en el caso de las ecuaciones (6.3) y (6.4), las races de f(x) = 0 corresponden al valor de la abscisa en la interseccin de las curvas. En la figura 6.3 se grafica la funcin y1 = x y cuatro formas diferentes de la funcin y2 = g(x). En el primer caso (vase figura 6.3a), el valor inicial x0 se usa para determinar el punto correspondiente sobre la curva y2[ ( )] El punto (x1 y x1) se encuentra movindose horizontalmente a la izquierda hasta que intersecta la curva y1. Estos movimientos son equivalentes a la primera iteracin en el mtodo de punto fijo: ( ) para obtener una

De esta manera tanto en la ecuacin tanto como en la grfica se usa un valor inicial estimacin de x1. La siguiente iteracin consiste en moverse al punto * iteracin es equivalente a la ecuacin : ( )
(
)

+ y despus a (x2,x2) esta

Convergencia de la iteracin de un punto fijo.

Al analizar la figura 6.3, se debe notar que la iteracin de punto fijo converge si, en la regin de inters, |g(x)|<1. En otras palabras, la convergencia ocurre si la magnitud de la pendiente g(X) es menor que la pendiente de la lnea f(X)=X. Esta observacin se puede demostrar tericamente. Recurdese que la ecuacin iterativa es:

Xi + 1 = g (xi)
Supngase que la solucin verdadera es: Xr = g (xr) Restando estas dos ecuaciones se obtienen: Xr- Xi + 1 = g (xr) -g (xi) En el clculo existe un principio llamado teorema de la derivada del valor medio (recurdese la seccin 4.1.1), la cual establece que si una funcin g(x) y su primera derivada son continuas sobre un intervalo a x b, entonces existe al menos un valor de x= dentro el intervalo para el que:

En el lado derecho de esta ecuacin es la pendiente de la lnea que une a g(a) y a g (b). De esta manera, el teorema del valor medio establece que hay al menos un punto entre a y b que tiene una pendiente, denotada por , que es para lela a la lnea que une g(a)con g(b) (recurdese la fig. 4.3). Ahora, si se hace a= Xi y b=Xr, el lado derecho de la ecuacin (B6.1.1) se puede expresar como:

Donde se encuentra en alguna parte entre xi y xr. Este resultado se puede sustituir en la ecuacin (b6.1.1.) para obtener:

Si el error verdadero para la iteracin i se define como

Entonces la ecuacin (B6.1.3) se convierte en:

Por consiente, si |g(x)|<1, entonces los errores disminuyen con cada interaccin. Para |g(x)|>1, los errores crecen. Obsrvese tambin que si la derivada es positiva, los errores sern positivos y, por lo tanto, la solucin interactiva ser montona (vase fig. 6.3 a y 6.3c). Si la derivada es negativa, entonces los errores oscilaran (vase fig. 6.3b y 6.3d). Un corolario de este anlisis demuestra que cuando el mtodo converge, el error es casi proporcional y menor que el error del paso anterior. Por esta razn la iteracin de punto fijo se dice que es linealmente convergente. La solucin en la fig. 6.3 a es convergente, ya que la estimacin de x se acerca ms a la raz con cada iteracin. Lo mismo se cumple para la fig. 6.3 b. sin embargo, este no es el caso para las fig. 6.3c y 6.3d, en donde las iteraciones divergen de la raz. Obsrvese que la convergencia parece ocurrir nicamente cuando el valor de la pendiente de y2= g(x) es menor al valor de la pendiente de y1=x; esto es, cuando |g(x)|<1. En el cuadro 6.1 se presenta un desarrollo terico de este resultado. Algoritmo para la iteracin de punto fijo. Implementar en la computadora el algoritmo de la iteracin de punto fijo es en extremo simple. Consiste en un ciclo que calcula en forma iterativa nuevas aproximaciones hasta que satisface el criterio de paro. En la fig. 6.4 se presenta el seudocdigo para el algoritmo. Se puede programar de manera similar otros mtodos abiertos, la modificaciones mayor es la de cambiar la formula iterativa que se utiliza para calcular la nueva raz.

MTODO DE NEWTON-RAPHSON Tal vez, dentro de las frmulas para localizar races, la frmula de newton raphson (vase fig. 6.5) sea la ms ampliamente usada. Si el valor inicial de la raz es xi, entonces se puede extender una tangente desde el punto [xi,f(xi)]. El punto donde esta tangente cruza al eje x representa una aproximacin mejorada de la raz. El mtodo de newton raphson se puede obtener sobre la base de una interpretacin geomtrica (un mtodo alterno basado en la serie de Taylor, descrita en el cuadro 6.2). Como en la fig. 6.5, la primera derivada en x es equivalente a la pendiente:

(6.5)

Que se puede ordenar para obtener

(6.6)

La cual es conocida como frmula de Newton-Raphson

EJEMPLO (6.3) Mtodo de Newton-Raphson Enunciado del problema. Use el mtodo de Newton-Raphson para calcular la raz de f(x) e-x x empleando un valor inicial de x0= 0.

Solucin. La primera derivada de la funcin se puede evaluar como

Que se puede sustituir, junto con la funcin original en la ecuacin (6.6) para dar

Empezando con el valor inicial x0 = 0, se puede aplicar la ecuacin iterativa para calcular

De esta manera, el planteamiento converge rpidamente a la raz verdadera. Obsrvese que el error relativo porcentual verdadero en cada iteracin, disminuye mucho ms rpido que si se hiciera como con la iteracin simple de punto fijo (comprese con el ejemplo 6.1)

Criterio de paro y estimacin de errores


Como con los otros mtodos de localizacin de races, la ecuacin (3.5) se puede usar como un criterio de paro. Adems, el desarrollo del mtodo con base en la serie de Taylor (cuadro 6.2) proporciona un conocimiento terico relacionado con la velocidad de convergencia expresado como: De otra forma, el error debe ser casi proporcional al cuadro anterior. En otras palabras, el nmero de cifras significativas.

Cuadro 6.2 Derivacin y anlisis del error del mtodo de Newton-Raphson


Adems de la derivacin geomtrica (ecuaciones (6.5) y (6.6), el mtodo de Newton-Raphson se puede desarrollar tambin a partir de la expansin en serie de Taylor. Esta derivacin alternativa es muy til en el sentido de que provee cierto conocimiento en la velocidad de convergencia del mtodo.

Recurdese del captulo 4 que la expansin en serie de Taylor se puede representar como

En donde se encuentra en alguna parte del intervalo de xi hasta xi +1.Truncando la serie de Taylor despus del primer trmino derivado, se obtiene una versin aproximada:

En la interseccin con el eje x, f (xi+1) debe ser igual a cero, o

Que se puede resolver para

Que es idntica a la ecuacin (6.6). De esta forma, se ha derivado la frmula de Newton-Raphson usando la serie de Taylor. Adems de este desarrollo, la serie de Taylor se puede usar para estimar el error de la frmula. Esto se puede lograr al utilizar todos los trminos de la serie de Taylor para obtener el resultado exacto. Para esta situacin xi+1=xr, Donde x es el valor verdadero de la raz. Sustituyendo este valor junto con f(xr)=0 en la ecuacin (B6.2.1) se obtiene

La ecuacin (B6.2.2) se puede restar de la ecuacin (B6.2.3) para obtener

Ahora, notando que el error es igual a la diferencia entre xi+1 y el valor verdadero xr como en

Y la ecuacin (B6.2.4) se puede expresar como

Si se supone que hay convergencia, entonces xi y (B62.5) se puede reordenar para obtener

se deberan aproximar a la raz xr la ecuacin

De acuerdo con la ecuacin (B6.2.6), el error es casi proporcional al cuadrado del error anterior. Esto significa que el nmero de cifras decimales correctos se duplica aproximadamente en cada iteracin. A este comportamiento se le llama convergencia cuadrtica. El ejemplo 6.4 ilustra esta propiedad. Aproximadamente se duplica en cada iteracin. Este comportamiento se examina en el siguiente ejemplo.

EJEMPLO 6.4 Anlisis de error en el mtodo Newton-Raphson


Enunciado del problema. Como se dedujo en el cuadro 6.2, el mtodo de Newton-Raphson es convergente en forma cuadrtica. Esto es, el error es aproximadamente proporcional al cuadrado del error anterior dado por

Examnese esta frmula y vea si es aplicable a los resultados del ejemplo 6.3

Solucin. La primera derivada de

Que se puede evaluar en xr =0.56714329 como f`(0.56714329. estos resultados se pueden sustituir en la ecuacin (E6.4.1) que da

Del ejemplo 6.3, el error inicial fue Et,0=0.56714329, el cual puede sustituirse en la ecuacin de error que predice

El cual es cercano al error verdadero de 0.06714329. Para la siguiente iteracin

La que tambin se compara en forma favorable con el error verdadero de 0.0008323. Para la tercera iteracin

Que es exactamente el error obtenido en el ejemplo 6.3. La estimacin del error mejora de esta manera, ya que est ms cercano a la raz, x y e se aproximan mejor mediante xr (recurdese la suposicin manejada al ir de la ecuacin (B6.2.5) a la ecuacin (B6.2.6), en el cuadro 6.2). Finalmente:

As, este ejemplo ilustra que el error en el mtodo de Newton-Raphson es en este caso, de hecho, casi proporcional (por un factor de 0.18095) al cuadrado del error en la iteracin anterior.

Desventajas del mtodo de Newton-Raphson


Aunque el mtodo de Newton-Raphson en general es muy eficiente, hay situaciones que se comporta en forma deficiente. Un caso especial races mltiples- se analiza al final del captulo. Sin embargo, aun cuando se trate de races simples, se encuentran dificultades, como en el siguiente ejemplo.

EJEMPLO 6.5 Ejemplo de una funcin que converge lentamente con el mtodo de Newton-Raphson Enunciado del problema. Determine la raz positiva de f(X)=x10-1 usando el mtodo de NewtonRaphson con un valor inicial de x = 0.5.

Solucin. La frmula del mtodo de Newton-Raphson es en este caso

Que se puede usar para calcular:

De esta forma, despus de la primera prediccin deficiente, la tcnica es convergente sobre la raz verdadera de 1, pero con una velocidad muy lenta.

Adems de la convergencia lenta, debido a la naturaleza de la funcin, se pueden originar otras dificultades, como se ilustra en la figura 6.6. Por ejemplo, la figura 6.6 a demuestra el caso donde un punto de inflexin ( esto es, f(x)=0) ocurre en la vecindad de una raz. Obsrvese que las iteraciones que empiezan con _____ divergen progresivamente de la raz. En la figura 6.6b, se ilustra la tendencia del mtodo de Newton-Raphson a oscilar alrededor de un punto mnimo o mximo local. Tales oscilaciones pueden persistir, o, como en la figura 6.6b, se alcanza una pendiente cercana a cero, despus de lo cual la solucin se aleja del rea de inters. En la figura 6.6c., ilustra cmo un valor inicial que es cercano a una raz pude saltar lejos a una posicin con varias races. Esta tendencia a alejarse del rea de inters se debe a que se encuentran pendientes cercanas a cero. Obviamente, una pendiente cero [f(x)=0) es un verdadero desastre, ya que causa una divisin entre cero en la frmula de NewtonRaphson (vase ecuacin 6.6). En forma grfica (ver la figura 6.6d), esto significa que la solucin se dispara horizontalmente y jams toca al eje x. Entonces, no hay un criterio general de convergencia de Newton-Raphson. Su convergencia depende de la naturaleza de la funcin y de la aproximacin del valor inicial. La nica solucin en estos casos es tener un valor inicial que sea suficientemente cercano a la raz. Y ara algunas funciones el valor inicial no trabaja!. Buenos valores inciales, es comn predecirlos con el conocimiento fsico del problema o mediante el uso de herramientas tales como las grficas que proporcionan mayor claridad en el comportamiento de la solucin. Ante la falta de un criterio general de convergencia lenta o a la divergencia. La siguiente seccin est enfocada hacia estos temas. Algoritmo de Newton- Raphson El algoritmo del mtodo de Newton-raphson se obtiene al sustituirla ecuacin (6.6) con la formula predictiva [vase ecuacin (6.2)] en la figura 6.4. Obsrvese, sin embargo, que el programa tambin

debe modificarse para calcular la primera derivada. Esto se puede llevar a cabo simplemente incluyendo una funcin definida por el usuario. Adems, de acuerdo con las discusiones anteriores sobre los problemas potenciales del mtodo de Newton-Raphson, el programa se podra mejorar al incorporar algunas consideraciones adicionales: 1. Si es posible, se debe incluir una rutina de graficacin dentro del programa. 2. Al final de los clculos, la raz final cuadrada debera siempre ser sustituida en la funcin original para calcular en qu casos el resultado se acerca a cero. Esta prueba protege contra aquellos casos en los que se observa convergencia lenta u oscilatoria, la cual puede llevar a valores pequeos de

, mientras que la solucin puede estar an muy lejos de una raz.

3. el programa debera siempre incluir un lmite mximo sobre el nmero permitido de iteraciones para estar prevenidos contra las oscilaciones y la convergencia lenta, o en caso contrario las soluciones divergentes persistirn en forma interminable. 4. El programa debera alertar al usuario y tomar en cuenta la posibilidad de que ( ) pueda ser cero en cualquier momento durante el clculo.

MTODO DE LA SECANTE
Un problema potencial en la implementacin del mtodo de Newton-Raphson es el de la evolucin de la derivada. Aunque esto no es un inconveniente para los polinomios y para muchas otras funciones, existen algunas funciones cuyas derivadas pueden ser en extremo difciles de evaluar. En estos casos, la derivada se puede aproximar mediante una diferencia dividida finita regresiva, como en (fig. 6.7). ( ) ( ) ( )

Esta aproximacin se puede sustituir en la ecuacin (6.6) obteniendo la siguiente ecuacin iterativa: ( )( ) ( ) ( ) La ecuacin (6.7) es la frmula para el mtodo de la secante. Observe que el planteamiento requiere de dos puntos iniciales de x. sin embargo, debido a que no se requiere que ( ) cambie de signo entre estos valores, este mtodo no es clasificado como aquellos que usan intervalos. Ejemplo 6.6 El mtodo de la secante Enunciado del problema. sese el mtodo de la secante para calcular la raz de Comience con los valores iniciales de =0 y . Solucin. Recuerde que la raz es 0.56714329 Primera iteracin: ( )=1.00000 =0

( )

( ( Segunda iteracin:

( )=-0.63212 ) )

( )=-0.63212 ( )=-0.07081 (Observe ambas estimaciones se encuentran del mismo lado de la raz) = Tercera iteracin: ( )=-0.07081 ( )=0.00518 (Observe ambas estimaciones se encuentran del mismo lado de la raz) =
( ( ) ) ( ( ) )

DIFERENCIA ENTRE LOS MTODOS DE LA SECANTE Y DE LA FALSA POSICIN Observe la similitud entre los mtodos de la secante y de la falsa posicin. Por ejemplo, las ecuaciones (6.7) y (5.7) son idnticas en todos sus trminos. Ambos usan dos estimaciones iniciales para calcular una aproximacin de la pendiente de la funcin que se usa para proyectar hacia el eje x una nueva aproximacin a la raz. Sin embargo, existe una diferencia crtica entre ambos mtodos. Tal diferencia estriba en la forma en que uno de los valores iniciales es reemplazado por la nueva aproximacin. Recurdese que en el mtodo de la falsa posicin, la ltima aproximacin de la raz reemplaza cualquiera de los valores dando una funcin con el mismo signo como ( ). En consecuencia, las dos aproximaciones siempre encierran a la raz. Por lo tanto, para todos los casos prcticos, el mtodo siempre converge, ya que la raz se encuentra dentro del intervalo. En contraste, el mtodo de la secante reemplaza los valores en una secuencia estricta, con el nuevo valor se reemplaza a y reemplaza a . Como resultado de esto, los dos valores pueden caer en un mismo lado de la raz. En algunos casos esto puede provocar divergencia. Ejemplo 6.7 comparacin de la convergencia en los mtodos de la secante y la falsa posicin. Enunciado del problema. Use los mtodos de la secante y de la falsa posicin para calcular la raz de ( ) .comience los clculos con los valores iniciales y =5.0.

Solucin. En el mtodo de la falsa posicin, con el uso de la ecuacin (5.7) y los criterios del intervalo para el reemplazo de las estimaciones, se tiene las siguientes iteraciones:

Iteracin 1 2 3

0.5 0.5 0.5

5.0 1.8546 1.2163

1.8546 1.2163 1.0585

Como se puede ver (vase figuras 6.8 y 6.8 c), las aproximaciones estn convergiendo a la raz real y que es igual a 1. En el mtodo de la secante, usando la ecuacin (6.7) y el criterio secuencial para reemplazar las aproximaciones, se obtiene: Iteracin 1 0.5 5.0 1.8546 2 5.0 1.8546 -0.10438 Como se muestra en la figura 6.8d, el comportamiento del mtodo es divergente. Aunque el mtodo de la secante sea divergente, cuando converge lo hace ms rpido que el mtodo de la falsa posicin, Por ejemplo, en la figura 6.9 se muestra la superioridad del mtodo de la secante. La inferioridad del mtodo de la falsa posicin se debe a que un extremo permanece fijo, para mantener a la raz dentro del intervalo. Esta propiedad, que es una ventaja porque previene la divergencia, es una desventaja en relacin con la velocidad de convergencia; esto hace que la diferencia finita calcula una aproximacin menos exacta de la derivada. ALGORITMO PARA EL METODO DE LA SECANTE Como con los otros mtodos abiertos, se obtiene el algoritmo del mtodo de la secante simplemente modificando la figura 6.4. De tal forma que s epoda introducir dos calores iniciales, y usando ecuaciones (6.7) se calcula la raz. Adems, las opciones sugeridas en la seccin 6.2.3 para el mtodo de NewtonRaphson se puede aplicar al programa de la secante para obtener tales ventajas. METODO DE LA SECANTE MODIFICADO En lugar de usar dos valores arbitrarios para estimar la derivada, un enfoque alterno involucra una perturbacin fraccionaria de la variable independiente para estimar ( ), ( ) ( ) ( )

Donde es una pequea perturbacin fraccionaria. Esta aproximacion puede sustituirse en la ecuacion (6.6) que da la siguiente ecuacion iterativa: ( ) ( ) ( ) El miembro de la izquierda es el error en la (i+1)-esima iteracin y, por tanto, se expresa como de modo que

( )

( )

( )

Donde puede observarse que si despus de las primeras iteraciones tiene un valor pequeo ( | | < 1), entonces sern valores ms pequeos que | |, de modo que si g ( ) , la | | magnitud del primer trmino de la ecuacin 2.11 generalmente domina las de los dems trminos y es proporcional a ( ) = 0 y g ( ) g( ) = 0 y g( ) 0, ; en cambio si g ( ) = 0 y g ( ) es proporcional a , etc. 0 etc. Una vez determinado el orden n entre mas grande sea n y la 0. La magnitud del segundo trmino de la es proporcional a . Si g ( ) = g ecuacin 2.11 predomina sobre la de los trminos restantes y

Se dice entonces que en caso de convergencia, el proceso 2.5 tiene orden uno si g ( ) = 0, orden dos si 0 , orden tres si g ( ) = g ( ) = 0 y g ( ) se tiene que y el error convergencia por tanto mas rpida. ser ms pequeo que

Obsrvese que en los ejemplos resueltos g ( ) 0, y el orden ha sido uno. Como al iniciar el proceso solo se cuenta con y algunas formas g(x), puede obtenerse g(x) para cada forma y las que satisfagan la condicin | g ( )| < 1 prometeran convergencia. Dicha convergencia ser ms rpida para aquellas donde | g ( )| sea mas cercano a cero y mas lenta entre mas prximo este dicho valor a 1. As pues, para la ecuacin 2.3 , las formas 2.4 y el valor inicial =2 se obtiene respectivamente a) g' (x) = 4x y |g (2) | = 4

b) g (x)

y |g (2) | = 0.1336

c) g (x)

y |g (2) | = 1.111

d) g' (x) = 4x e) g' (x) =


( )( ( ) ( ) )

y |g (2) | = 8 y |g (2) | = 0.08163

Las formas de los incisos (b) y (e) quedan con posibilidad de convergencia, y la (e) como la mejor opcin porque su valor est ms cercano a cero. Se deja al lector encontrar una raz real de la ecuacin 2.3 con el mtodo de punto fijo, con la forma (e) y detener la iteracin una vez que | ( )| , en caso de convergencia, o desde un principio si observa divergencia en las primeras iteraciones.

2.4 Aplicaciones de la solucin de ecuaciones no lineales


Los sistemas no lineales representan sistemas cuyo comportamiento no es expresable como la suma de los comportamientos de sus descriptores. Ms formalmente, un sistema fsico, matemtico o de otro tipo es no lineal cuando las ecuaciones de movimiento, evolucin o comportamiento que regulan su comportamiento son no lineales. En particular, el comportamiento de sistemas no lineales no est sujeto al principio de superposicin, como lo es un sistema lineal. La linealidad de un sistema permite a los investigadores hacer ciertas suposiciones matemticas y aproximaciones, permitiendo un clculo ms sencillo de los resultados. Ya que los sistemas no lineales no son iguales a la suma de sus partes, usualmente son difciles (o imposibles) de modelar, y sus comportamientos con respecto a una variable dada (por ejemplo, el tiempo) es extremadamente difcil de predecir. Algunos sistemas no lineales tienen soluciones exactas o integrables, mientras que otros tienen comportamiento catico, por lo tanto no se pueden reducir a una forma simple ni se pueden resolver. Un ejemplo de comportamiento catico son las olas gigantes. Aunque algunos sistemas no lineales y ecuaciones de inters general han sido extensamente estudiados, la vasta mayora son pobremente comprendidos.

2.5 Uso de herramientas computacionales


Para hacer estos tipos de problemas se utilizan los siguientes programas: 1. 2. 3. 4. Excel Matlab Maple Graph 5. Ecuacans 2.0 6. Derive 7. Grapher

CONCLUSIONES
Las ecuaciones no lineales son de inters en fsica y matemticas debido a que la mayora de los problemas fsicos son implcitamente no lineales en su naturaleza. Ejemplos fsicos de sistemas lineales son relativamente raros. Las ecuaciones no lineales son difciles de resolver y dan origen a interesantes fenmenos como la teora del caos.

BIBLIOGRAFA
Nieves, Antonio. Mtodos Numricos aplicados a la ingeniera, CECSA. Chapra, Steve. Mtodos Numricos para ingenieros. Mc Graw Hill.