Professional Documents
Culture Documents
Soluci
on de Funciones No Lineales
3.1.
M
etodo de Bisecciones
x1 + x2
2
(3.1)
Ejemplo 3.1
Encuentre una raz para la siguiente funcion en el intervalo [0, 1]:
f (x) = ex x,
f (x) = ex 1
Soluci
on
El intervalo define los valores iniciales: x1 = 0 y x2 = 1. Obtenemos la abscisa intermedia x = 0.5 y
seleccionamos un intervalo a evaluar; para este ejemplo se seleccion
o el intervalo de la izquierda:
x) < 0?
Es f (x1 )f (
S
No
x2 x
x1 x
x1 0.5
El nuevo intervalo es [0.5, 1]
Tecnolgico de Monterrey
M
etodos Num
ericos
f ()
f ()
f ()
f ()
f ()
f ()
f ()
f ()
f ()
f ()
f ()
f ()
x1
x2
0
1
0.500000
0.106531
0.500000
0.106531
0.500000
0.106531
0.562500
0.007283
0.562500
0.007283
0.562500
0.007283
0.562500
0.007283
0.566407
0.001154
0.566407
0.001154
0.566407
0.001154
0.566897
0.000386
0.500000
0.106531
0.750000
0.277633
0.625000
0.089739
0.562500
0.007283
0.593750
0.041498
0.578125
0.017176
0.570313
0.004965
0.566407
0.001154
0.568361
0.001908
0.567385
0.000379
0.566897
0.000386
0.567142
0.000002
1.000000
0.632121
1.0
0.632121
0.750000
0.277633
0.625000
0.089739
0.625000
0.089739
0.593750
0.041498
0.578125
0.017176
0.570313
0.004965
0.570313
0.004965
0.568361
0.001908
0.567385
0.000379
0.567385
0.000379
0.5
1
x
3.2.
M
etodo de Newton-Raphson
Este metodo es muy sencillo, su formula recursiva se obtiene de la expansion en series de Taylor hasta
terminos de primer orden de la funci
on, dando como resultado lo siguiente:
xi+1 = xi
f (xi )
f (xi )
(3.2)
El problema tambien se puede analizar en forma grafica. Tomando un valor inicial, xi , se obtiene la recta
tangente que pasa por la funcion evaluada en ese punto, f (xi ), La recta tangete no es mas que la recta con
pendiente igual a la de la funci
on, f (xi ), y despejando el valor de la siguiente aproximacion, xi+1 , se obtiene
la f
ormula recursiva de la ecuacion 3.2.
Ejemplo 3.2
Encuentre una raz para la siguiente funcion:
f (x) = ex x,
f (x) = ex 1
Soluci
on
La formula recursiva quedara:
xi+1 = xi
exi xi
,
ex 1
48
x0 = 0
Tecnolgico de Monterrey
M
etodos Num
ericos
xi
0.5
0.566311003
0.567143165
0.567143290
i
1
2
3
4
|a | %
100.0
11.709
0.147
2.204E-7
0.5
1
x
3.3.
M
etodo de Interpolaci
on Lineal Inversa
f(x)
x5 x 4
x3
x2
x
x1
Tecnolgico de Monterrey
M
etodos Num
ericos
Existen lo que se conocen como las condiciones de Fourier, las lcuales son suficientes para garantizar la
convergencia del metodo. Las condiciones son:
f (x1 )f (x2 ) < 0
f (x1 )f (x1 ) > 0
f (x) = 0,
(3.3)
(3.4)
x1 < x < x2
(3.5)
(3.6)
Esta recta corta al eje x en el punto (xi+1 , 0), es decir, x = xi+1 y y = 0, y sustituyendo estos valores en la
ecuacion anterior, obtenemos:
f (xi )
xi xi+1
xi+1
f (xi ) f (x1 )
xi x1
(xi x1 )f (xi )
= xi
f (xi ) f (x1 )
=
(3.7)
(3.8)
3.4.
3.4.1.
Algoritmo de la divisi
on
Si P (x) y F (x) son polinomios en x y F (x) = 0, entonces se pueden encontrar polinomios Q(x) y R(x) tal
que:
P (x) = Q(x)F (x) + R(x)
(3.9)
donde R(x) = 0 o grado(R(x)) < grado(F (x)). Por ejemplo:
(x 1)(x3 1)
(3.10)
Teorema 3.2 (del Residuo) El residuo obtenido al dividir un polinomio P (x) por (x ) es igual a P ().
P (x) = (x )Q(x) + R
(3.11)
P () = R
(3.12)
evaluando en x = , tenemos:
Teorema 3.3 (del Factor) Cualquier ecuaci
on polinomial de la forma:
Pn (x) = xn + a1 xn1 + a2 xn2 + . . . + an1 x + an = 0
(3.13)
Tiene a lo m
as n races distintas de . Si 1 es una raz:
Pn (x) = (x 1 )Pn1 (x) + R/
50
(3.14)
Tecnolgico de Monterrey
M
etodos Num
ericos
Si 2 es una raz:
3.5.
Pn1 (x)
=
..
.
(x 2 )Pn2 (x) + R/
(3.15)
P1 (x)
(x n )
(3.16)
Pn (x)
(x 1 )(x 2 )(x 3 ) . . . (x n )
(3.17)
M
etodo de Birge-Vieta
El metodo es un algoritmo directo para calcular las races de una ecuacion polinomial:
Pn (x) = xn + a1 xn1 + a2 xn2 + . . . + an = 0
(3.18)
(3.19)
El metodo de Birge-Vieta calcula las races mediante el metodo de Newton-Raphson, Pn (xi ) y Pn (xi ) por
ormula
f
ormulas recursivas y resuelve para una raz de la ecuacion polinomial Pn (x) = 0 mediante su f
recursiva (de N R):
Pn (xi )
.
(3.20)
xi+1 = xi
Pn (xi )
3.5.1.
C
omo se calculan Pn (xi ) y Pn (xi )
El c
alculo se lleva acabo por division sintetica. Si Pn (x) es dividida por un termino lineal estimado (x xi ),
se obtiene lo siguiente:
Pn (x) = (x xi )Pn1 (x) + pn
(3.21)
evaluando en x = xi :
para calcular
Pn (x):
evaluando en x = xi :
Pn (xi ) = pn
(3.22)
Pn (x) = (x xi )Pn1
(x) + Pn1 (x)
(3.23)
(3.24)
evaluando en x = xi :
(3.25)
Pn1 (x) = pn .
(3.26)
Las f
ormulas de recursion para calcular pn (x) y Pn (x) se obtienen de la siguiente manera:
Pn (x)
=
=
=
(x xi )Pn1 (x) + pn
n1
n2
(3.27)
+ p1 x
+ . . . + pn2 x + pn1 ) + pn
(x xi )(x
n
n1
n2
+ p2 x
+ . . . + pn2 x2 + pn1 x
x + p1 x
(3.28)
(3.29)
51
Tecnolgico de Monterrey
M
etodos Num
ericos
= p1 xi
= p2 p1 xi
..
.
= pn1 xi pn2
= pn xi pn1
p1
p2
=
=
..
.
ai + xi
a2 + p1 xi
pk
=
..
.
ak + pk1 xi
pn
an + pn1 xi
(3.30)
F
ormula de recursion para pn .
pk
p1
Pn1 (x)
Pn (xi )
=
=
=
=
ak + pk1 xi , k = 2, . . . , n
a1 + xi
Pn2 (x) + pn
pn
(3.31)
(3.32)
Despejando:
p1
p2
=
=
..
.
p2 xi
p3 xi p2
pk
=
..
.
pk+1 xi pk
pn
pn1
=
=
pn1 xi pn2
pn xi pn1
(3.33)
(3.34)
p2
p3
=
=
..
.
p1 + p1 xi
p2 + p2 xi
pk
=
..
.
pk1 + pk1 xi
pn
pn1 + pn1 xi
(3.35)
3.5.2.
pk = pk1 + pk1 xi ;
k = 2, . . . , n
(3.36)
C
alculo de las races
(3.37)
Tecnolgico de Monterrey
M
etodos Num
ericos
a1
xi
p1
p1 xi
p2
a2
p1 xi
p2
p2 xi
p3
a3
p2 xi
p3
p3 xi
p4
. . . an2
. . . xi pn3
. . . pn2
. . . pn2
. . . pn1
an1
xi pn2
pn1
pn1
pn
an
xi pn1
pn
xi
Pn (xi )
(3.38)
Pn (xi )
on mejoraSi pn = 0, xi es la raz buscada. Si no, xi (se aleja) es diferente de cero, se calcula una estimaci
da xi+1 de la raz por Newton-Raphson:
xi+1 = xi
Este proceso se repite hasta que
Pn (xi )
Pn (xi )
xi+1 = xi
pn
pn
(3.39)
xi+1 xi
xi
(3.40)
y se encuentra una raz, disminuyendo el orden del polinomio y con los nuevos coeficientes Pk , k = 1, . . . , n,
disminuido en 1 del original.
Ejemplo 3.3
(22)
Calcule una raz de P3 (x) x3 11x2 + 32x 22, con x0 = 32 = 0.6875
Soluci
on
11
32
22
0.6875
0.6875
7.0898
17.1258
1 10.3125 24.9102
4.8742
P3 (0.6875)
0.6875
6.6172
1 9.6250 18.2930 P3 (0.6875)
x1 = x0
(3.41)
4.8742
P3 (x0 )
= 0.6875
= 0.9540
P3 (x0 )
18.2930
(3.42)
El c
alculo de los coeficientes pi y pi , as como la aproximaci
on por Newton-Raphson se listan a continuacion:
p
p
x1
p
p
x2
p
p
x3
p
p
x4
=
=
=
=
=
=
=
=
=
=
=
=
10.3125
1.0000
0.9540
10.0460
1.0000
0.9988
10.0012
1.0000
1.0000
10.0000
1.0000
1.0000
24.9102 4.8743
9.6250 18.2930
22.4165 0.6156
9.0921 13.7431
22.0112 0.0162
9.0025 13.0200
22.0000 0.0000
9.0000 13.0000
Es una raz
p
x1
p
p
x2
p
p
x3
p
p
x4
p
p
x5
53
=
=
=
=
=
=
=
=
=
=
=
=
=
=
=
9.3125
1.0000
2.4959
7.5041
1.0000
3.1489
6.8511
1.0000
3.2641
6.7359
1.0000
3.2679
6.7321
1.0000
3.2680
15.5977
8.6250
r1 = 1.0000
r2 = 3.2680
r3 = 6.7321
3.2704
5.0082
0.4264
3.7021
0.0133
3.4718
0.0000
3.4641
Es una raz
Tecnolgico de Monterrey
M
etodos Num
ericos
3.6.
M
etodo de Lin-Bairstow Para Races de Polinomios
Este metodo es un procedimiento iterativo para calcular las races reales o complejas de un polinomio con
coeficientes reales y que solo requiere de manipulaci
on de n
umeros reales.
El metodo se basa en la extraccion sucesiva de factores cuadr
aticos Fm (x), m = 1, 2, . . ., del polinomio original
de orden n y de factores subsecuentes de grado n 2m. Cada factor cuadr
atico se determina mediante un
procedimiento de correcci
on diferencial iterativo (metodo de Newton para sistemas de ecuaciones no lineales).
Como las races complejas de un polinomio de coeficientes reales ocurren en pares conjuados, y , los
conjugados complejos se agrupar
an para que todos los productos cuadraticos tengan coficientes reales.
El polinomio de grado par (n = 2k), lo podemos expresar como:
k
Pn (x) =
Fm (x)
(3.43)
m=1
donde
Fm (x) = x2 + rm x + sm ,
m = 1, 2, . . . , k
(3.44)
k
Fm (x)
(3.45)
m=1
3.6.1.
Factores Cuadr
aticos de un Polinomio
Definiendo n como el grado del Polinomio a ser fractorizado en una etapa dada del metodo de Lin-Bairstow.
Esto es, n = N 2k(k = 0, 1, 2, ...) donde k factores cuadr
aticos ya han sido extrados del polinomio original.
atico al azar F (x) = x2 rx + s, donde r y s son constantes
Si Pn (x) lo dividimos por un factor cuadr
arbitrarias, obtenemos:
Pn (x) = F (x)Pn2 (x) + Rx + s
(3.46)
En forma extendida:
xn + a1 xn1 + a2 xn2 + . . . + an1 x + an
= (x2 + rx + s)(xn2 + b1 xn3 + b2 xn4 +
. . . + bn3 x + bn2 ) + Rx + S
(3.47)
Note que los cambios en r o s causaran cambios en los coeficientes bk del polinomio Pn2 (x) del cociente, y
en los coeficientes R y S del residuo. Consideremos a r y s como variables independientes y expresemos
bk , R y S como funciones de estas variables, denotandolas como bk (r, s), R(r, s) y s(r, s), respectivamente.
Los requisitos de que F (x) sea un factor de Pn (x) impone la siguiente restriccion:
R(r, s)
= 0
(3.48)
S(r, s)
= 0
(3.49)
3.6.2.
Suponer que los valores iniciales de las estimaciones (r0 , s0 ) de las races son conocidas para el sistema de
ecuaciones. Si estos valores iniciales los incrementamos con peque
nos cambios, r y s, entonces los cambios
54
Tecnolgico de Monterrey
M
etodos Num
ericos
resultantes de las aproximaciones de primer orden estaran dadas por las diferenciales totales (metodo de
Newton para sistemas de ecuaciones no lineales):
R =
S =
Rr r + Rs s
Sr r + Ss s
(3.50)
(3.51)
donde Rr , Rs , Sr , Ss denotan las derivadas parciales de R y S con respecto a r y s, en los valores actuales de
r y s. Dadas las estimaciones de las races r0 y s0 , podemos calcular R(r0 , s0 ) y S(r0 , s0 ) dividiendo Pn (x)
por (x2 + r0 (x) + s0 ), obteniendo los coeficientes R y S del termino residuo, como:
R
R(r0 , s0 )
= 0
(3.52)
S(r0 , s0 )
= 0
(3.53)
Debemos, por lo tanto, hacer r y s de tal manera que las diferenciales totales R y S satisfagan las
restricciones:
R(r0 , s0 ) + R
= 0
(3.54)
S(r0 , s0 ) + S
= 0
(3.55)
R(r0 , s0 )
S(r0 , s0 )
(3.56)
(3.57)
Al sustituir las ecuaciones 3.56 y 3.57 en las ecuacione 3.50 y 3.51, obtenemos:
Rr r + Rs s
= R(r0 , s0 )
(3.58)
Ss r + Ss s
= S(r0 , s0 )
(3.59)
R(r0 , s0 ) + Rr r + Rs s
S(r0 , s0 ) + Sr r + Ss s
(3.60)
(3.61)
Al sustituir las ecuaciones 3.58 y 3.59 en el lado derecho de las ecuaciones anteriores, podemos notar que se
hace cero, entonces:
R(r0 + r, s0 + s)
S(r0 + r, s0 + s)
= 0
= 0
(3.62)
(3.63)
Esto es, r1 = r0 + r y s1 = s0 + s son aproximaciones de primer orden de los ceros de las funciones R(r, s)
y S(r, s). Y si para alguna iteraci
on k, las condiciones:
|rk1 rk |
|sk1 sk |
|r|
|s|
(3.64)
se cumplen simult
aneamente, se dice que las correcciones diferenciales han convergido y tendremos:
R(rk+1 , sk+1 ) = 0
S(rk+1 , sk+1 ) = 0
55
(3.65)
(3.66)
Tecnolgico de Monterrey
M
etodos Num
ericos
3.6.3.
C
alculo de los Coeficientes R y S del Residuo
Como se not
o anteriormente, la divisi
on de Pn (x) por F (x) = x2 + rx + s d
a como cociente Pn2 (x) y residuo
Rx + S. La derivaci
on de las f
ormulas recursivas para su c
alculo: Dividiendo Pn (x) por F (x), obtenemos:
xn + a1 xn1 + . . . + an1 x + an
=
2
(x
rx + s)(xn2 + b1 xn3 + b2 xn4 + . . . + bn3 x + bn2 ) + Rx + S
+
F (x)
(3.67)
Pn2 (x)
Llevando acabo las multiplicaciones y resolviendo las ecuaciones para los coeficientes de las potencias de x,
encontramos:
a1
b1 + r
(3.68)
a2
b2 + rb1 + s
(3.69)
a3
=
..
.
=
..
.
b3 + rb2 + sb1
(3.70)
bk + rbk1 + sbk2
(3.71)
=
=
R + rbn2 + sbn3
S + sbn2
(3.72)
(3.73)
ak
an1
an
Introduciendo la formula recursiva:
bk = ak rbk1 sbk2 ,
k = 3, 4, . . . , n
(3.74)
donde
b1
b2
=
=
a1 r
a2 rb1 s
(3.75)
(3.76)
= bn1
(3.77)
= bn + rbn1
(3.78)
Desarrollando las f
ormulas recursivas para bk en n y n 1 tenemos:
bn1
(3.79)
bn
an rbn1 sbn2
(3.80)
= R + rbn2 + sbn3
(3.81)
an
an1
= S + sbn2
= bn1 + rbn2 + sbn3
(3.82)
(3.83)
= bn + rbn1 + sbn2
= bn1 + rbn2 + sbn3 rbn2 sbn3
(3.84)
(3.85)
(3.86)
an
R
S
56
Tecnolgico de Monterrey
M
etodos Num
ericos
= bn1
(3.87)
= bn + rbn1
(3.88)
Note que tanto R como S son funciones R(r, s) y S(r, s) que se requieren en las ecuaciones de correccion
diferencial para Newton. Los terminos restantes Rr , Rs , Sr y Ss se obtienen derivando parcialmente R y S
con respecto a r y s:
Rr
Rs
Sr
Ss
bn1
r
bn1
s
bn1
bn
+r
+ bn1
r
r
bn1
bn
+r
s
s
(3.89)
(3.90)
(3.91)
(3.92)
qk
bk
r
bk
s
(3.93)
(3.94)
= 1
= r b1
= b2 rp2 sp1
..
.
q1
q2
q3
=
=
=
..
.
0
1
b1 rq2 sq1
pk
qk
=
..
.
pn1
pn
qn1
qn
=
=
(3.95)
De esta forma, las derivadas parciales (la matriz Jacobiana) se obtiene con los coeficientes anteriores:
Rr = pn1
Sr = pn + rpn1 + bn1
Rs = qn1
Ss = qn + rqn1
(3.96)
k = 1, . . . , n 1
(3.97)
SRr Sr R
,
Rs Sr Ss Rr
r =
57
SRs Ss R
Rs Sr Ss Rr
(3.99)
Tecnolgico de Monterrey
M
etodos Num
ericos
(3.100)
r =
(3.101)
sk+1 = sk + s
(3.102)
y
r1
s1
=
r0 + r
s0 + s
=
4.547847087
4.715000687
0.1074974628
0.3463398777
Tecnolgico de Monterrey
M
etodos Num
ericos
r2
s2
=
r1 + r
s1 + s
=
4.655344550
4.368660809
Iteraci
on 3
b = [ 5.344655450 5.750126571
.11780719 .57191954 ]
p= [
1 .689310900 1.827513980 5.378534543 ]
q= [
0
1 .689310900
0]
Sistema de ecuaciones en r y s:
1.827513980
.689310900
r
.11780719
=
3.011365514 3.208979742
s
1.120352600
y
r3
s3
=
r2 + r
s2 + s
=
4.551289968
3.921883611
.1040545817
.4467771985
El proceso contin
ua hasta que se cumpla que r y s en valor absoluto sean menores que 0.0001:
Iteraci
on 28
b = [ 5.999530532 7.998356987
.6 107 .00070439 ]
p= [
1 1.999061064 2.999530057 6.000937353 ]
q= [
0
1 1.999061064
0]
Sistema de ecuaciones en r y s:
.6 107
2.999530057
1.999061064
r
=
5.998591117 7.997182751
s
0.0007041499718
y
r28
s28
=
r27 + r
s27 + s
=
4.000352088
3.000528198
.0001173799968
.0001760950852
Iteraci
on 29
b = [ 5.999647912 7.998767752
.2 107 .00052811 ]
p= [
1 1.999295824 2.999647670 6.000703304 ]
q= [
0
1 1.999295824
0]
Sistema de ecuaciones en r y s:
.2 107
2.999647670
1.999295824
r
=
5.998943496 7.997887224
s
0.0005281900070
y
r29
s29
=
r28 + r
s28 + s
=
4.000264080
3.000396145
0.00008800801686
0.0001320530157
La solucion es: x2 4.000264080x + 3.000396145 para un = 0.0001. Los coeficientes del polinomio del
cociente son los bi s: x2 5.999647912x + 7.998767752. Las races de ambos polinomios se pueden encontar
por la f
ormula general para polinomios cuadr
aticos.
59
Tecnolgico de Monterrey
M
etodos Num
ericos
Ejemplo 3.5
Obtenga expresiones para R y S en funci
on de r y s para el siguiente polinomio
P4 (x) = x4 + a1 x3 + a2 x2 + a3 x + a4
(3.103)
Soluci
on
Sin seguir el algoritmo
a como resultado
La divisi
on de P4 (x) por x2 + rx + s d
P q = x2 + (a1 r)x + a2 s ra1 + r2
con residuo
donde
(3.104)
(3.105)
(3.106)
(3.107)
Siguiendo el algoritmo
Se calculan los coeficientes del polinomio resultante de la division:
b1
b2
=
=
a1 r
a2 rb1 s
bk
ak rbk1 sbk2 ,
(3.108)
(3.109)
k = 3, . . . , n
a1 r
a2 r (a1 r) s
b=
a 3 s a1 + 2 s r r a 2 + r 2 a 1 r 3
a 4 r a 3 + 2 s r a 1 3 s r 2 + r 2 a 2 r 3 a 1 + r 4 s a2 + s2
(3.110)
(3.111)
(3.112)
bn1
a3 sa1 + 2sr ra2 + r2 a1 r3
bn + rbn1
(3.113)
=
=
=
(3.114)
q1 = 0
qk+1 = pk ,
+ 2r
a
1
2s a2 + 2ra1 3r2
6sr + 2sa1 + 4r3 + 2ra2 3r2 a1 a3
60
k = 1, . . . , (n 1)
a1 + 2r
2s a2 + 2ra1 3r2
(3.115)
(3.116)
Tecnolgico de Monterrey
M
etodos Num
ericos
Rs = qn1
Ss = qn + rqn1
(3.117)
(3.118)
Ejemplo 3.6
Encuentre las races del siguiente polinomio:
P4 (x) = x4 7x3 + 13x2 + 45x 50
(3.119)
Pq = x2 + ( 7 r ) x + 13 s + 7 r + r2
(3.120)
(3.121)
Soluci
on
Sin seguir el algoritmo
El cociente de la divisi
on es:
y el residuo
de donde obtenemos:
R = 45 + 7s + 2sr 13r 7r2 r3
(3.122)
s = 2.042097746
x2 + rx + s = 0
(3.123)
(3.124)
x2 = .9630107907
(3.125)
(3.126)
61
(3.127)
Tecnolgico de Monterrey
M
etodos Num
ericos
3.7.
M
etodo de Newton para Sistemas de Ecuaciones No Lineales
0
0
(3.128)
(3.129)
con una raz aproximada (interseccion) (x0 , y0 ). Dado que se tienen funciones de mas de una variable, el
desarrollo en series de Taylor para este tipo de funciones esta descrita de la siguiente manera:
f (x, y) =
g(x, y) =
1
fxx (x, y)x2 + 2fxy (x, y)xy+
fx (x, y)x + fy (x, y)y +
2
fyy (x, y)y 2
1
gxx (x, y)x2 + 2gxy (x, y)xy+
gx (x, y)x + gy (x, y)y +
2
gyy (x, y)y 2
(3.130)
(3.131)
f
x
fxy =
2f
xy
(3.132)
(3.133)
(3.134)
Una soluci
on al sistema de ecuaciones es suponer valores de x y y tales que f y g cumplan las restricciones:
f (x0 , y0 ) f (x0 , y0 ) =
g(x0 , y0 ) g(x0 , y0 ) =
0
0
(3.135)
(3.136)
f (x0 , y0 ) =
g(x0 , y0 ) =
f (x0 , y0 )
g(x0 , y0 )
(3.137)
(3.138)
Finalmente, podemos sustituir los valores de f y g de la serie de Taylor para obtener las siguientes
expresiones:
fx (x0 , y0 )x + fy (x0 , y0 )y
= f (x0 , y0 )
(3.139)
gx (x0 , y0 )x + gy (x0 , y0 )y
= g(x0 , y0 )
(3.140)
fy (x0 , y0 )
gy (x0 , y0 )
x
y
=
f (x0 , y0 )
g(x0 , y0 )
(3.141)
o
J|x0 ,y0 = f |x0 ,y0
(3.142)
Las ecuaciones anteriores se pueden resolver para encontrar las incognitas x y y, en donde el valor (x0 +
on a la soluci
on del sistema de ecuaciones:
x, y0 + y) es una nueva aproximaci
x1
x0 + x
(3.143)
y1
y0 + y
(3.144)
62
Tecnolgico de Monterrey
M
etodos Num
ericos
La solucion se habr
a encontrado cuando
|x|
|y|
(3.145)
siendo J la matriz de derivadas parciales de las funciones con respecto a cada una de las variables.
La solucion de dicho sistema de ecuaciones formado por 3.139 y 3.140 se puede resolver mediante alg
un
metodo directo (Gauss-Jordan o Montante).
El metodo anterior recibe el nombre de Newton Modificado. La idea b
asica en el metodo de Newton
Modificado para la solucion de ecuaciones no lineales es la obtenci
on de la matriz Jacobiana de las funciones
y evaluarla en la aproximacion de la raz mas reciente. La matriz Jacobiana es una matriz cuyas filas son los
gradientes de cada una de las funciones. El gradiente de una funci
on es un vector donde cada elemento es la
derivada parcial de la funci
on con respecto a cada una de las variables de las cuales la funcion depende:
f1 f1
f1
x
f1
x1
x2
n
f2
f2
f2
f2
x
x1
x2
(3.146)
J= . = .
.
.
.
..
..
. ..
fn
fn
x1
fn
x2
fn
xn
Ejemplo 3.7
Determinar la soluci
on del siguiente sistema de ecuaciones (la figura 3.4 muestra la grafica de ambas funciones) con raz aproximada en (1, 1):
x2 + y 2 4
x2
+ y2 1
9
y 1
8
6
4
-2
-1
-2
-1
0
x 00
y
-2
-4
2
1
2
1
1
2
(a) Isom
etrico
2
(b) En 2D
Figura 3.4: Gr
afica de f (x, y) y de g(x, y).
Soluci
on
El primer paso es encontrar la matriz Jacobiana:
fx = 2x,
gx = 29 x,
fy = 2y,
gy = 2y,
y
63
J=
2x
2
9x
2y
2y
Tecnolgico de Monterrey
M
etodos Num
ericos
La primera iteraci
on es evaluar la matriz Jacobiana en la raz inicial, as como las funciones:
2 2
f (x, y)
2
J|1,1 = 2
=
y f |1,1 =
g(x, y) 1,1
19
2
9
y la soluci
on al sistema de ecuaciones para encontrar x y y es:
x = 1.1875
y = 0.1875
La nueva aproximaci
on a la raz es:
x1
y1
Iteraci
on 1
=
=
x0 + x = 1 + 1.1875 = 2.1875
y0 + y = 1 0.1875 = 0.8125
2.
2.
J|(x0 ,y0 ) =
.2222222 2.
1.187500
=
,
.1875000
Iteraci
on 2
Iteraci
on 4
2.
, f |(x0 ,y0 ) =
.1111111
2.187500
x1
=
y1
.8125000
1.445312
.191840
1.865179
.3223213 .02163447
x2
=
=
y2
.7908655
,
4.375000 1.625000
.4861111 1.625000
J|(x1 ,y1 ) =
Iteraci
on 3
f |(x1 ,y1 ) =
3.730358 1.581731
.104361
, f |(x2 ,y2 ) =
J|(x2 ,y2 ) =
.4144842 1.581731
.012012
1.837328
.02785058
x3
=
=
,
.7905694
y3
.0002961131
3.674656 1.581139
.000774
, f |(x3 ,y3 ) =
.4082951 1.581139
.000086
x4
1.837117
.0002106320
,
=
=
y4
.7905694
.2 1010
J|(x3 ,y3 ) =
Iteraci
on 5
3.674234 1.581139
.1 105
, f |(x4 ,y4 ) =
J|(x4 ,y4 ) =
.1 106
.4082482 1.581139
x5
1.837117
.2755677 106
,
=
=
.7905694
.7905684 108
y5
64
Tecnolgico de Monterrey
M
etodos Num
ericos
Ejemplo 3.8
Determinar la soluci
on del siguiente sistema de ecuaciones con raz aproximada en (0.1, 0.1, 0.1):
2
1
x21 81 x2 + 10
+ sin (x3 ) + 53
0.1
x1
50
, x = x2 , x0 = 0.1
f =
3 x1 + cos (x2 x3 ) + 21
0.1
x3
1
e(x1 x2 ) + 20 x3 + 10
3
0
0.2
0.4
z
0.6
0.8
1
0
0.4
0.2
0.2
y0
x
0.6
0.2
0.4
0.8
0.4
Figura 3.5: Gr
afica de las funciones
Soluci
on
2 x1
3
162 x2 81
5
sin(x2 x3 )x3
x2 ex1 x2
x1 ex1 x2
J=
Iteraci
on 1
cos(x3 )
sin(x2 x3 )x2
20
J|x0
.2
32.40000
.9950042
3.
.0009999833 .0009999833 ,
=
.09900498 .09900498
20.
.3998697
= .08053315 ,
.4215207
Iteraci
on 2
f |x0
.4998697
x1 = .01946685
.5215207
.9997394
19.35363
.8670626
3.
.005294582 .0001976314 ,
=
.01927834 .4950291
20.
J|x1
65
2.269833
= 1.199950
8.462030
.3443896
= .0003395
.03189
f |x1
Tecnolgico de Monterrey
M
etodos Num
ericos
.0001445853
= .01787836 ,
.002036876
Iteraci
on 3
.5000143
x2 = .00158849
.5235576
1.000029
16.45734
.8660460
.0258878
3.
.0004354250 .1321093 105 , f |x2 = .0000433
=
.00004
.001587229
.4996173
20.
.00001420459
.5000001
= .001576063 , x3 = .000012427
.00004137255
.5235990
J|x2
Iteraci
on 4
J|x3
Iteraci
on 5
J|x4
1.000000
16.20201
.8660253
.0002010
3.
.3406936 105 .8085957 1010 , f |x3 =
0
=
.00001
.00001242692
.4999970
20.
.1407714 1010
.5000001
= .00001239571 , x4 = .3129 107
.1901092 106
.5235988
1.000000
16.20001
.8660254
.1 106
3.
.8578334 108 .5126369 1015 , f |x4 =
0
=
7
0
.3129000 10
.5000001
20.
.1767450 1016
.5000001
= .6181096 108 , x5 = .374711 107
.1545275 109
.5235988
66
Tecnolgico de Monterrey
Captulo 4
Introducci
on
El ajuste por Mnimos Cuadrados a una serie de datos (xi , yi ), i = 1, . . . , n, se basa en obtener una curva ya
sea lineal, polinomial o de cualquier otro tipo, que entrega como resultado el mnimo error total entre los
datos proporcionados y la curva ajustada. El ajuste se hace sobre los par
ametros de la curva, pudiendo ser
esta de cualquier tipo.
4.2.
Ajuste Lineal
(4.1)
que corresponden a la diferencia entre el valor conocido yi y el valor aproximado f (xi ) (cuyos coeficientes
todava no conocemos) y posteriormente definimos una funci
on Q(a0 , a1 )
Q(a0 , a1 ) =
n
i=1
e2i =
n
(yi a0 a1 xi )2
(4.2)
i=1
que corresponde a la suma de dichas diferencias, ei , al cuadrado. Para poder obtener los par
ametros a0
y a1 que minimicen la ecuaci
on 4.2, tenemos que derivar parcialmente con respecto a cada uno de estos
par
ametros:
Q
= 2
(yi a0 a1 xi )
(4.3)
a0
Q
= 2
[(yi a0 a1 xi )xi ]
(4.4)
a1
Las sumatorias son desde i = 1 hasta n, a menos que se indique lo contrario. Si las ecuaciones 4.3 y 4.4 las
igualamos a cero y expandemos las sumatorias, las ecuaciones resultantes son:
0 =
yi
a0
a1 xi
(4.5)
67
Tecnolgico de Monterrey
M
etodos Num
ericos
yi xi
a0 xi
a1 x2i
(4.6)
y simplificando
a0 = a0 1 = a0 n, las ecuaciones forman un sistema de ecuaciones lineales con dos
inc
ognitas (a0 y a1 ):
xi =
yi
(4.7)
a0 n + a 1
a0
xi yi
(4.8)
xi + a1
x2i =
y en forma matricial:
n
xi
a0
y
x2i
= i
a1
xi
xi yi
(4.9)
Estas ecuaciones reciben el nombre de ecuaciones normales. Se pueden resolver simultaneamente (por GaussJordan, Montante, etc.) y as encontrar los valores de a0 y a1 :
n xi yi xi yi
yi a1 xi
= y a1 x
a1 =
,
a0 =
(4.10)
n x2i ( xi )2
n
donde y y x son los promedios de y y de x, respectivamente:
yi
xi
y x=
y=
n
n
Ejemplo 4.1
Ajustar una lnea recta a los pares de datos que se proporcionan a continuacion:
x
y
1
2
3
4
5
6
7
0.5 2.5 2.0 4.0 3.5 6.0 5.5
Soluci
on
Calculamos las siguientes cantidades:
2
xi = 140
n=7
xi yi = 119.5
24
xi = 28
yi = 24
x = 28
7 = 4 y = 7 = 3.428571429
y utilizando las ecuaciones 4.10, obtenemos
a1 =
7(119.5)28(24)
7(140)(28)2
para as tener el ajuste por mnimos cuadrados (la figura 4.1 muestra los puntos y la lnea resultante del
ajuste):
y = 0.0714 + 0.8393x
4.3.
Ajuste Polinomial
En la secci
on anterior se estudio el ajuste de una lnea recta a una serie de datos (puntos). Esa lnea recta
es un polinomio en x de grado 1. El metodo se puede generalizar para polinomios de grado m. El polinomio
es de la forma:
y = pm (x) = a0 + a1 x + a2 x2 + + am xm
(4.11)
68
Tecnolgico de Monterrey
M
etodos Num
ericos
7
6
5
4
3
2
1
00
n
n
2
(yi a0 a1 xi a2 x2i am xm
i )
(4.12)
Dado que los valores que andamos buscando son los coeficientes ai s que hagan mnima la suma de errores,
tendremos que derivar parcialmente Q(a0 , . . . , am ) con respecto a cada uno de ellos:
Q
a0
Q
a1
Q
a2
..
.
Q
am
= 2
(yi pm (xi ))
(4.13)
= 2
(yi pm (xi ))xi
(4.14)
= 2
(yi pm (xi ))x2i
(4.15)
..
.
= 2
(yi pm (xi ))xm
i
(4.16)
(4.17)
Al expander las sumatorias en las ecuaciones anteriores, se pueden obtener las ecuaciones normales:
a0 n + a1
=
yi
(4.18)
xi + a2
x2i + + am
xm
i
xi + a1
x2i + a2
x3i + + am
xm+1
a0
=
xi yi
(4.19)
i
x2i + a1
x3i + a2
x4i + + am
xm+2
a0
=
x2i yi
(4.20)
i
a0
y en forma matricial
xm
i + a1
n
x2i
xi
..
. m
xi
+ a2
xm+1
i
x2i
xi3
xi
..
.m+1
xi
..
.
2
xi3
xi4
xi
..
.m+2
xi
+ + am
xm+2
i
xm
i
xm+1
i
xm+2
i
..
..
.
. 2m
xi
69
a0
a1
a2
..
.
am
x2m
i
..
.
xm
i yi
yi
x2i yi
xi yi
..
.m
xi yi
(4.21)
(4.22)
Tecnolgico de Monterrey
M
etodos Num
ericos
0.0000 0.1000
0.2000 0.3000 0.4000 0.5000
0.2995 0.0867 0.0590 0.1131 0.1946 0.3730
x
y
0.6000 0.7000
0.5910 0.6622
Soluci
on
Las cantidades requeridas para obtener las ecuaciones normales son:
n = 11
xi = 5.5
yi = 4.7624
2
yi xi = 3.39047
yi xi = 2.759837
yi x3i = 2.3483975
2
3
4
xi = 3.85
xi = 3.025
xi = 2.5333
5
6
xi = 2.20825
xi = 1.987405
Las ecuaciones normales en forma matricial:
11
5.5
3.85
3.025
5.5
3.85
3.025
2.5333
a0
4.624
a1 3.39047
a2 = 2.759837
a3
2.3483975
0.257249647
2.230132024
a=
6.671147840
3.796872452
4.4.
En la secci
on anterior se vio el ajuste polinomial que es un caso especial del ajuste de cualquier combinaci
on
lineal de funciones si tomamos encuenta las siguientes relaciones:
pm (x) = fm (x) = a0 g0 (x) + a1 g1 (x) + a2 g2 (x) + + am gm (x)
(4.23)
donde
g0 (x) = 1,
g1 (x) = x,
g2 (x) = x2 ,
70
...,
gm (x) = xm
(4.24)
Tecnolgico de Monterrey
M
etodos Num
ericos
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
Figura 4.2: Datos y polinomio evaluado en el rango de los datos (los datos son los peque
nos crculos y la
lnea continua es el polinomio ajustado)
El criterio sera el mismo que en las secciones anteriores, es decir, minimizar la suma de los errores al
cuadrado:
Q =
=
n
i
n
(4.25)
2
(yi fm (xi )) g0 (xi )
(4.26)
Q
a1
2
(yi fm (xi )) g1 (xi )
(4.27)
2
(yi fm (xi )) g2 (xi )
(4.28)
..
.
2
(yi fm (xi )) gm (xi )
(4.29)
Q
=
a2
..
.
Q
=
am
En forma matricial, tendramos:
2
g0
g0 g1
..
.
g 0 gm
g1 g2 0
g1
..
.
g1 gm
gm g0
gm g1
..
..
.
. 2
gm
a0
a1
..
.
am
yi g0
yi g1
=
..
.
yi gm
(4.30)
Al resolver el sistema de ecuaciones anterior, obtenemos como resultado los valores de los coeficientes que
generan la menor suma de errores al cuadrado de las funciones gi (x), i = 0, . . . , m.
71
Tecnolgico de Monterrey
M
etodos Num
ericos
Ejemplo 4.3
Ajuste de 2 funciones: Se tienen los siguiente datos:
x
y
.121
.542
.604
.995
1.196 1.370
.8588 .4911 .6433 .5214 .0531 .4930
g0 (x) = e(1/2x ) ,
con
g1 (x) = x sin(2x)
Soluci
on
Los valores necesarios para obtener
2
g02 (xi ) =
g1 (xi ) =
yi g0 (xi ) =
2.074977077
.7402096705
y en formal matricial:
3.189083112 2.074977077
2.074977077 2.325997736
a0
a1
=
.2064919344
.7402096705
a1 = .6208086020
0.2
0.4
0.6
0.8
1.2
1.4
-0.2
-0.4
-0.6
72
Tecnolgico de Monterrey
M
etodos Num
ericos
Ejemplo 4.4
Ajuste de 3 funciones: La figura 4.3 muestra los puntos dados en el ejemplo anterior y la funci
on ajustada
evaluada en el rango de [0, 1.4]. Los par
ametros obtenidos son los mejores que ajustan la combinacion lineal
de las funciones g0 (x) y g1 (x). Sin embargo, el ajuste es muy pobre ya que la funcion ajustada pasa muy
lejos de los puntos dados. Esto nos lleva a hacer un nuevo ajuste donde incluiremos una tercera funci
on:
g2 (x) = x
y ahora nuestra funcion de ajuste es:
f2 (x) = a0 g0 (x) + a1 g1 (x) + a2 g2 (x)
Soluci
on
Los valores que ahora necesitamos para ajustar esta nueva funci
on son:
2
2
g0 = 3.189083112
g0 g1 = 2.074977077
g1 = 2.325997736
2
g0 g2 = 2.818825661
g1 g2 = 3.216771563
g2 = 4.970562
yi g0 = .2064919344
yi g1 = .7402096705
yi g2 = .3306900
y en forma matricial
a0
.2064919344
3.189083112 2.074977077 2.818825661
2.074977077 2.325997736 3.216771563 a1 = .7402096705
2.818825661 3.216771563
4.970562
a2
.3306900
Al resolver el sistema de ecuaciones anterior, obtenemos:
.3910317617
a = 2.556099354
1.365931529
on f2 (x). Como podemos ver, la
La figura 4.4 muestra los puntos dados, la funcion f1 (x) y la nueva funci
funci
on f2 (x) hace un mejor ajuste a los puntos dados ya que pasa m
as cerca a ellos que la funci
on f1 (x) y
esto se puede comprobar con el valor de la suma de los errores al cuadrado Q3 = 0.55062 que es menor que
Q2 = 1.52079.
0.8
0.6
0.4
0.2
00
0.2
0.4
0.6
0.8
1.2
1.4
-0.2
-0.4
-0.6
73
Tecnolgico de Monterrey
M
etodos Num
ericos
Ejemplo 4.5
Ajuste de 4 funciones: El agregar una tercera funci
on en el ajuste del ejemplo anterior mejor
o la aproximacion a los puntos pero a
un permanece una diferencia considerable entre los puntos y la funci
on ajustada.
Para este ejemplo, ajustaremos una cuarta funcion que en este caso sera simplemente una constante:
g3 (x) = 1
y la funci
on a ajustar es
f3 (x) = a0 ex
/2
+ a1 x sin(2 x) + a2 x + a3
Soluci
on
Como se puede notar, solo hay necesidad de calcular la cuarta fila de la nueva matriz de coeficientes, ya que
las funciones de ajuste son las mismas que en el ejemplo anterior (lo que esta en negritas es lo nuevo que se
calcul
o):
.7402096705
2.81883 3.21677 4.97056 4.82800 a2
.3306900
a3
4.17925 3.33196 4.82800
6
.20649
.74021
=
.33069
.25090
13.0253
1.15064
a=
6.07876 ,
14.5612
x2/2
1.15064x sin(2 x) 6.07876x + 14.5612
f3 (x) = 13.0253e
La figura 4.5 muestra los puntos y la funci
on f3 (x). Tambien podemos notar la mejora en el ajuste al evaluar
la suma de los errores al cuadrado Q = 0.01056.
1.5
0.5
00
0.2
0.4
0.6
0.8
1.2
1.4
-0.5
74
Tecnolgico de Monterrey
M
etodos Num
ericos
4.4.1.
Ejercicios
1. Mediante el metodo de ajuste de funciones por Mnimos Cuadrados para los siguientes puntos:
x
0.100
0.153
0.574
0.618
1.007
1.364
1.526
1.663
1.914
1.942
y
0.918170
0.799154
0.559960
0.666777
0.474477
0.488981
0.674749
0.621156
0.130210
0.0532890
75
Tecnolgico de Monterrey