Tesis JoseAntonioPrieto ESA ES PDF

Tesis de Licenciatura
Tutor: Giovanni Caldern

Mrida, Febrero 2008
Jos Antonio Prieto Paredes
MTODOS ITERATIVOS
PARA RESOLVER ECUACIONES
NO LINEALES
Departamento de Matemticas
Facultad de Ciencias, Universidad de Los Andes
MTODOS ITERATIVOS PARA RESOLVER ECUACIONES NO
LINEALES
1
Requisito Especial de Grado, presentado por:
JOS ANTONIO PRIETO PAREDES
en la modalidad de Seminario-Monografa para optar al ttulo de:
Licenciado en Matemticas
Tutor: Dr. Giovanni Caldern
2
1
Este trabajo fue parcialmente nanciado por Consejo de Desarrollo Cientco Humanstico y Tec-
nolgico, CDCHT-ULA, bajo el proyecto: C-1526-05-07-F
2
Universidad de Los Andes, Departamento de Matemticas, Grupo Ciencias de la Computacin,
Edicio Terico de la Facultad de Ciencias, La Hechicera, Mrida 5101, Mrida - Venezuela.
DEDICATORIA
En este da lleno de felicidad y regocijo agradezco:
A Dios Todopoderoso, que ilumin el camino, por darme sabidura, salud e ilumi-
nacin, el don de la existencia y al ver nalizado una de mis metas trazadas en el largo
camino de formacin intelectual, recojo el fruto de aos de lucha, esfuerzo y dedicacin,
por eso doy gracias a:
Mis Padres Omaira y Antonio, a quines le debo mi ser, me guiaron por el camino
del amor y respeto, mi triunfo les pertenece, los amo muchos.
Mis hermanos Elio y Josena, que mi triunfo le sirva de estmulo y ejemplo para
lograr sus propias metas. Que Dios los bendiga.
Mi abuela Rita smbolo de compresin, amor y amistad.
Mi abuelo Elio, Catalina y ta Bernarda, aunque no estn conmigo, pero siempre
los sent junto a mi y se que me estn mirando de lo ms alto del cielo bendicindome.
Mis tos en especial a Baudelio y Omaira, por su apoyo incondicional, su amista,
compresin. Gracias por ser especiales conmigo, los quiero.
RESUMEN
En muchas reas de las Matemticas y la Ingeniera existen problemas donde es
necesario encontrar los valores de x que satisfacen el sistema de ecuaciones no lineales
f (x) = 0, con f : R
n
R
n
, x el vector incognita en el espacio R
n
y cada componente,
f
i
, de f es una funcin de R
n
en R. Este tipo de problema, representa en la actualidad,
uno de los temas bsicos dentro del Anlisis Numrico. Un caso particular del mismo, el
cual representar el problema base de este trabajo, esta dado para el caso en que n = 1
(f(x) = 0, con f una funcin real de variable real). En los ltimos aos, numerosos au-
tores han introducido en la literatura una variedad de mtodos numricos, especialmente
para el caso de ceros simples y f una funcin real de variable real.
La eciencia de estos nuevos mtodos ha sido justicada slo mediante su orden
de convergencia o, en algunos casos, sobre la base de resultados numricos (nmero
de iteraciones) de unos pocos ejemplos. Este tipo de anlisis puede llegar a sesgar la
conclusin nal sobre la superioridad o no de un mtodo especico. La comparacin
de dos o ms mtodos debera tener en cuenta, entre otras, las siguientes propiedades:
orden de convergencia, costo computacional (nmero de evaluaciones de f, f
, f
,. . . y
tiempo de CPU usado), constante asinttica del error, dependencia de la convergencia en
cuanto a la eleccin de las primeras aproximaciones. Por tal motivo, existe la necesidad de
denir un proceso para clasicar de forma ms precisa los mtodos iterativos. Para este
n, se presentan tres frmulas que denen distintas clasicaciones tomando en cuenta
todas o algunas de la propiedades antes mencionadas. Estas frmulas son aplicadas para
clasicar los mtodos iterativos propuestos en las referencias [1-10].
En este trabajo se expondrn los nuevos mtodos iterativos propuestos en las refe-
rencias [1-10]. Se presenta en la mayora de los mtodos, su construccin y su anlisis de
convergencia. Para nalizar la eciencia de los nuevos mtodos se realizar en la experi-
mentacin numrica, donde se introduce e implementa tres estrategias para clasicar los
mtodos iterativos, a partir de los resultados las conclusiones del trabajo.
AGRADECIMIENTO
Quiero expresar mi profundo agradecimiento:
Al Padre Celestial quien me dio tiempo y constancia para terminar mi trabajo.
Al tutor Dr. Giovanni Caldern, quien me brindo su orientacin y ha demostrado inters
y deseo de colaborar haciendo las correcciones necesarias con el n de mejorar el con-
tenido en el escrito del Trabajo Especial de Grado, para optar al ttulo de Licenciatura
en Matemticas. Ha sido clave de mi xito.
Al Dr. Glauco Lpez, quien contribuy con su amplia experiencia, me dio sugerencias
especicadas una vez revisado el material de este trabajo.
A los profesores de la Facultad de Ciencias, Universidad de Los Andes, por su conocimien-
tos impartidos.
A la ilustre Universidad de Los Andes, por cobijarme, permitiendome lograr la meta
propuesta.
ndice general
Introduccin iii
1. Preliminares 1
1.1. Orden de aproximacin O(h
n
) . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Teora de punto jo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3. Mtodos clsicos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4. Criterios de parada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5. Mtodo de descomposicin de Adomian . . . . . . . . . . . . . . . . . . 10
2. Mtodos iterativos para resolver ecuaciones no lineales 13
2.1. Mtodo iterativo de Abbs . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2. Mtodo iterativo de BSC . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3. Mtodo iterativo de NU . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.4. Mtodo iterativo de Chun . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.5. Mtodos de NRF y RFN . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.6. Mtodos de RFNM y BM . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.7. Mtodo iterativo de KMS . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.8. Mtodo iterativo de MH . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.9. Mtodo iterativo de KouLi . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.10. Mtodos iterativos de ChunYoon1 y ChunYoon2 . . . . . . . . . . . . . 40
3. Clasicacin de los mtodos y experimentacin numrica 45
3.1. Primera frmula de clasicacin . . . . . . . . . . . . . . . . . . . . . . . 47
3.2. Segunda frmula de clasicacin . . . . . . . . . . . . . . . . . . . . . . 48
3.3. Tercera frmula de clasicacin . . . . . . . . . . . . . . . . . . . . . . . 50
A. Comandos usados en Maple 55
ii NDICE GENERAL
B. Base de funciones 59
Bibliografa 62
Introduccin
En muchas reas de las Matemticas y la Ingeniera existen problemas donde es
necesario encontrar los valores de x que satisfacen el sistema de ecuaciones no lineales
f (x) = 0, con f : R
n
R
n
, x el vector incognita en el espacio R
n
y cada componente,
f
i
, de f es una funcin de R
n
en R. Este tipo de problema, representa en la actualidad,
uno de los temas bsicos dentro del Anlisis Numrico. Un caso particular del mismo, el
cual representar el problema base de este trabajo, esta dado para el caso en que n = 1
(f(x) = 0, con f una funcin real de variable real).
Los casos en que f es un polinomio de grado uno o dos fueron tratados con xito
en el antiguo Egipto y Babilonia aproximadamente a principio del siglo IV, en donde,
emplearon mtodos algebraicos para resolver tales ecuaciones. El caso donde f es un
polinomio de grado tres fue resuelto en el ao 1545 mediante mtodos algebraicos por
el matemtico italiano Georolamo Cardano
3
quin lo public en su libro Ars magna.
Ahora, si f es una funcin polinmica de grado cuatro, este tipo de ecuacin fue resuelta
por mtodos algebraicos en el ao 1545 por el matemtico italiano Lodovico Ferrari
4
y
lo public Georolamo Cardano en su libro Ars magna. Para las ecuaciones polinmicas
de grado superior a cuatro, muchos matemticos destacados trataron de hallar mtodos
algebraicos para encontrar los ceros de los polinomios, pero fue en el ao 1824 cuando
3
Georolamo Cardano naci en Pavia, Italia, el 24 de septiembre de 1501 y muri en Roma el 21 de
septiembre de 1576. Cardano era mdico de profesin, pero su celebridad es alcanzada por sus trabajos
en las matemticas (lgebra),. llegando a ser el principal miembro de la escuela de Bolonia, que se
dedicaba principalmente al estudio del lgebra. Es conocido por la resolucin algebraica de polinomios
de tercer grado. Sin embargo, a lo largo de la historia, se conoci que Cardado plagi, copi y public
como propio el mtodo de resolucin de ecuaciones de tercer grado de Niccol Fontana(ms conocido
como Tartaglia). Cardano hizo importantes contribuciones al lgebra, Probabilidad, Hidrodinmica,
Mecnica y Geologa y public dos enciclopedias de Ciencias Naturales. Adems, fue un jugador y
apostador empedernido (especialmente en los dados y ajedrez).
4
Lodovico Ferrari naci en Bolonia, Italia, el 2 de febrero de 1522 y muri en la misma ciudad
envenenado por su hermana el 5 de octubre de 1565. Lleg a ser uno de los mayores representantes de
la escuela de Bolonia (discpulo de Cardano). Uno de sus mayores aportes esta dado por la resolucin
algebraica de la ecuacin general de cuarto orden.
iv Introduccin
el matemtico noruego Niels Henrik Abel
5
logr demostrar que no hay ninguna frmula
para hallar los ceros de todos los polinomios generales de grados superior a cuatro en
trminos de sus coecientes. Debido a esto, surgi la necesidad de encontrar soluciones
aproximadas tanto de las ecuaciones polinmicas de grado superior a cuatro como de
funciones no lineales ms generales; es decir, denir mtodos numricos que resuelvan
este problema. Estos mtodos consisten en hallar, mediante un proceso iterativo, un
valor aproximado de x que satisfaga bajo ciertos criterios de error la ecuacin no lineal
f(x) = 0, tantos para el caso en que x representa una raz (cero) simple como para races
multiples.
A lo largo de la historia han surgido numerosos mtodos iterativos para resolver el
problema; entre los ms populares y por lo cual se les suele llamar clsicos, se pueden citar
a: Biseccin, Regula Falsi, Newton-Raphson, Secante y Mller, entre otros, ver referencia
[11-14]. Si bien, el uso de estos se ha vuelto tradicin, en los ltimos aos numerosos
autores han introducido en la literatura especializada una variedad de mtodos numricos
que mejoran, en cierta forma, la precisin de los mtodos clsicos. No obstante, en el
mayor de los casos, la eciencia de estos nuevos mtodos ha sido justicada slo mediante
su orden de convergencia o, peor an, sobre la base de resultados numricos (nmero de
iteraciones) de algunos ejemplos. Este tipo de anlisis puede llegar a sesgar la conclusin
nal sobre la superioridad de un mtodo especco.
En general, en la comparacin de dos o ms mtodos se debera tener en cuenta, entre
otras, las siguientes propiedades: orden de convergencia, costo computacional (nmero
de evaluaciones de f, f
,f
, ... y tiempo de CPU usado), constante asinttica del error,

dependencia de la convergencia en cuanto a la eleccin de las primeras aproximaciones.
Por tal motivo, existe la necesidad de hacer una clasicacin ms precisa de los nuevos
mtodos iterativos introducidos en las referencias literarias recientes.
Con los antecedentes dados, el objetivo principal de este trabajo radica en llevar a
cabo una clasicacin ms precisa y ecunime de los nuevos mtodos iterativos, en la
cual se tome en cuenta las propiedades antes mencionadas. Para este n, resulta adems
necesario la construccin de las pruebas tericas del orden de convergencia de aquellos
mtodos iterativos que no la presentan en su referencia (por ejemplo, ver [5]). Para
llevar a cabo la clasicacin de los mtodos, se trabaja sobre una base de funciones no
lineales lo ms general posible. Por otro lado, debido al gran volumen de referencias,
resulta imposible cubrirlas todas en este trabajo. Por lo cual, se han seleccionado 10
artculos para ser analizados (ver referencias [1-10]) a lo largo del trabajo. Sin embargo,
5
Niels Henrik Abel naci en Find, Noruega, el 5 de agosto de 1802 y muri en Froland, Noruega,
el 6 de abril de 1829. Fue un clebre matemtico; se dedico tambin a las funciones analticas, mbito en
el que desarroll un mtodo general para la construccin de funciones peridicas recproca de la integral
elptica.
v
una estrategia similar a la planteada en este trabajo puede seguirse para el resto de las
referencias existentes.
Las implementaciones numricas de los mtodos que surgen de [1-10] es llevada a
cabo en MATLAB. No obstante, por considerarlo irrelevante, los cdigos no son dados
explcitamente en el trabajo. Por otro lado, en muchos de los mtodos el anlisis del
orden de convergencia involucra un volumen de clculo algebraico considerable, para tal
n se acude a MAPLE como manipulador simblico.
El resto del trabajo queda dividido de la siguiente manera: en el Captulo 1 se de-
sarrollan los preliminares tericos necesarios para abordar adecuadamente el estudio de
la convergencia de los mtodos iterativos que se han introducido en [1-10]. Se denen
algunos mtodos numricos clsicos que son usados en la denicin de los nuevos mto-
dos iterativos. En el Captulo 2 se expondrn los mtodos iterativos propuestos en las
referencias [1-10]. Se presenta la construccin de cada mtodo y se estudia, en la may-
ora de los mtodos, el anlisis de convergencia. En el ltimo captulo se introduce e
implementa tres estrategias para clasicar los mtodos iterativos. Se presentan los resul-
tados numricos y las conclusiones generales del trabajo. En el Apndice A se muestra
los comandos usados en MAPLE. En el Apndice B se expone la base de funciones no
lineales usada en la experimentacin numrica. Por ltimo, la Bibliografa presenta las
referencias literarias usadas.
Captulo 1
Preliminares
En este captulo se expondrn los preliminares matemticos necesarios para abordar
adecuadamente el estudio de la convergencia de los mtodos iterativos introducido en
[1-10]. Estos nuevos mtodo, en general, estn dados para aproximar el cero simple de
la ecuacin no lineal f(x) = 0, con f es una funcin real de variable real. As pues, el
objetivo principal de este captulo es el desarrollo tanto de las herramientas matemti-
cas como de algunos mtodos numricos clsicos que posteriormente sern usados para
denir los nuevos mtodos iterativos.
Se advierte, que los tpicos que se desarrollarn en el presente captulo no sern
tratados de forma detallada por completo, pues el objetivo es solamente dejar asentado
un material de repaso, cuyo conocimiento es importante para entender el resto de la tesis.
Muchos de estos temas se tratan de modo ms profundo en algunos textos de Anlisis
Numricos, ver por ejemplo, las referencias [11-17], entre otros.
1.1. Orden de aproximacin O(h
n
)
Denicin 1.1 Se dice que f(h) es de orden g(h) cuando h 0 y h = 0, se denotar
por f(h) = O(g(h)), si existen nmeros reales M > 0 y k > 0 tales que,
|f(h)| M|g(h)|, siempre que |h| < k.
Ejemplo: Consideremos las funciones f(x) = x
3
+2x
2
y g(x) = x
2
. Puesto que, x
3
< x
2
para |x| 1, se obtiene, |x
3
+ 2x
2
| < 3|x
2
|. Por lo tanto, f(x) = O(g(x)).
Denicin 1.2 Sean p y f funciones, se dice que p(h) aproxima a f(h) con un orden
de aproximacin O(h
n
), lo que se denota por f(h) = p(h) +O(h
n
), si existe un nmero
2 Preliminares
real M > 0 y un nmero natural n tales que,
|f(h) p(h)|
|h
n
|
M, para h sucientemente pequeo.
Al considerar el caso en que p(x) es la n-sima aproximacin por polinomio de Taylor
a f(x) alrededor de x
0
, es decir
f(x) =
n
k=0
f
(k)
(x
0
)
k!
(x x
0
)
k
+
f
(n+1)
(c)
(n + 1)!
(x x
0
)
n+1
,
para algn c entre x y x
0
. Cuando x x
0
0, por la denicin 1.1 se tiene que
O((x x
0
)
n+1
) =
f
(n+1)
(c)
(n + 1)!
(x x
0
)
n+1
,
as f(x) = p(x) + O((x x
0
)
n+1
), es decir, p(x) se aproxima a f(x) con un orden de
aproximacin O((x x
0
)
n+1
). Luego, el Teorema de Taylor se puede enunciar de la
siguiente forma.
Teorema 1.1 (Teorema de Taylor.) Si f C
n+1
[a, b] y x
0
[a, b], entonces para
cada x [a, b],
f(x
0
+ h) =
n
k=0
f
(k)
(x
0
)
k!
h
k
+ O(h
n+1
), donde h = x x
0
.
1.2. Teora de punto jo
Denicin 1.3 Sea g una funcin y un nmero real tal que = g(), se dice que
es un punto jo de g.
Geomtricamente signica: los puntos jos de una funcin g son los puntos de inter-
seccin de la curva y = g(x) con la recta y = x.
Los problemas de bsqueda de races y los de punto jo son clases equivalentes en el
siguiente sentido: Dada una funcin g tal que g(x) = x f(x), si es un cero de f se
tiene que este es un punto jo de g. De manera anloga, si la funcin g tiene un punto
jo en , entonces la funcin denida por f(x) = x g(x) tiene una raz en .
El siguiente teorema establece condiciones para la existencia y unicidad de un punto
jo.
Teorema 1.2 Sean a, b R tal que a < b. Si g : [a, b] [a, b] es una funcin continua
en [a, b], entonces:
Teora de punto jo 3
1. g tiene un punto jo.
2. Supongamos adems, que g es derivable en (a, b) y que |g
(x)| < 1 para todo

x (a, b), entonces g tiene un nico punto jo.
Demostracin: Ver referencia [12], Captulo 2, Seccin 2.1, pg. 48.
Proposicin 1.1 Sea g : [a, b] R una funcin continua en [a, b]. Si {x
n
}
n=0
es una
sucesin en [a, b] que converge a [a, b], entonces es un punto jo de g.
Demostracin: Como lm
n
x
n
= , se tiene que lm
n
x
n+1
= . A su vez, como
se tiene que, g es continua en [a, b] y por la relacin x
n+1
= g(x
n
), se obtiene
g() = g( lm
n
x
n
) = lm
n
g(x
n
) = lm
n
x
n+1
= .
Por lo tanto, es el punto jo de g.
Para aproximar el punto jo de una funcin g, se escoge una aproximacin inicial x
0
y se genera la sucesin {x
n
}
n=0
dado por x
n+1
= g(x
n
) para cada n 0. Esta tcnica
recibe el nombre de iteracin de punto jo.
El prximo teorema establece condiciones para la existencia de un punto jo y para
la convergencia del proceso de iteracin de punto jo.
Teorema 1.3 (Teorema de punto jo) Sea (0, 1). Si g : [a, b] [a, b] es una
funcin continua en [a, b] y derivable en (a, b) tal que |g
(x)| , para todo x (a, b).

Entonces, para cualquier x
0
[a, b], la sucesin generada por iteracin de punto jo
x
n
= g(x
n1
), n 1 converge al nico punto jo [a, b].
La proposicin siguiente garantiza condiciones sucientes para que una funcin de
iteracin de punto jo denida en un intervalo cerrado que contenga el punto jo sea
convergente.
Proposicin 1.2 Sea g : [a, b] R una funcin continuamente diferenciable en (a, b)
que contiene al punto jo de g. Si |g
()| < 1, entonces existe un > 0, tal que la

iteracin de punto jo converge a para cualquier aproximacin inicial x
0
[, +]
(a, b).
Demostracin: Si |g
()| < 1 en [a, b], se tiene que, existe un nmero real > 0 tal
que |g
(x)| < 1 para cada x (, +) (a, b). Redeniendo g : [, +] R,

se arma que, g(x) [ , + ] para cada x [ , + ].
4 Preliminares
Sea x [ , + ], aplicando el Teorema del Valor Medio, se tiene que, existe
entre x y tal que,
g
() =
g(x) g()
x
. (1.1)
Como est entre x y , es decir, la distancia al centro del intervalo formado por x y
es menor que su radio, esto signica

x +
2
<
|x |
2
. (1.2)
De (1.2) se tiene que,
| | =
+
x
2

x
2

x +
2
+
|x |
2
,
<
|x |
2
+
|x |
2
= |x | .
(1.3)
De (1.3) se obtiene ( , + ), por hiptesis se tiene que |g
()| < 1. Por ser

un punto jo de g, es decir g() = . De (1.1) resulta
|g(x) | = |g(x) g()| = |g
()||x | < |x | ,
esto signica que g(x) [ , + ]. Por lo tanto, g cumple toda las hiptesis de
teorema de punto jo, entonces la iteracin de punto jo converge a , para cualquier
aproximacin inicial x
0
[ , + ]
Denicin 1.4 Se dice que es una raz de multiplicidad p N\{0} de una funcin
f si existe una funcin h continua en tal que f(x) = (x )
p
h(x) y h() = 0. Las
races de multiplicidad p = 1 se suele llamar races simples o ceros simples.
El siguiente resultado proporciona un mtodo fcil para identicar las races simples
de una funcin.
Proposicin 1.3 f C
1
[a, b], tiene un cero simple en (a, b) si, y slo si, f() = 0
y f
() = 0.
Denicin 1.5 (Orden de convergencia) Supongamos que {x
n
}
n=0
una sucesin que
convergente a y sea e
n
:= x
n
para cada n 0. Si existen dos constante positivas
C > 0 y p > 0 tal que
lm
n
|x
n+1
|
|x
n
|
p
= lm
n
|e
n+1
|
|e
n
|
p
= C.
Teora de punto jo 5
Entonces se dice que una sucesin converge a con orden de convergencia p y el
nmero C se llama constante asinttica del error. Los casos p = 1, 2, 3 merecen una
consideracin especial:
Si p = 1 la convergencia de {x
n
}
n=0
se llama lineal, necesariamente 0 < C < 1.
n
}
n=0
se llama cuadrtica.
n
}
n=0
se llama cbica.
Tambin se puede denir el orden de convergencia de una sucesin {x
n
}
n=0
convergente a si existen constante positivas C > 0 y p > 0 tal que
|x
n+1
| C|x
n
|
p
, para algn C > 0.
Observacin: En general, una sucesin con mayor orden de convergencia se aproxima
a la raz ms rpidamente que una de orden inferior. La constante asinttica inuye en
la rapidez de convergencia, pero no es tan importante como el orden.
Teorema 1.4 Suponga que, p 1 es un nmero natural, g C
p
[a, b] y x
0
[a, b] un
valor inicial de la sucesin x
n+1
= g(x
n
), n 0 convergente a (a, b). Si
g() = , g
() = g
() = = g
(p1)
() = 0, y g
(p)
() = 0,
entonces {x
n
}
n=0
converge a con orden de convergencia igual a p. Adems,
lm
n
e
n+1
e
p
n
=
g
(p)
()
p!
, donde e
n
= x
n
para cada n N.
Demostracin: Por ser g
(p)
continua, se puede aplicar el Teorema de Taylor a g(x
n
)
alrededor de para cada n N, entonces existe un nmero real
n
entre x
n
y tal que,
g(x
n
) = g() + g
() (x
n
) + +
g
(p1)
()
(p 1)!
(x
n
)
p1
+
g
(p)
(
n
)
p!
(x
n
)
p
.
Por lo tanto, como g() = , g
() = g
() = = g
(p1)
() = 0 y g
(p)
() = 0 se tiene
x
n+1
=
g
(p)
(
n
)
p!
(x
n
)
p
, entonces
e
n+1
e
p
n
=
g
(p)
(
n
)
p!
,
donde, e
n
:= x
n
para cada n N.
6 Preliminares
Por otra parte, {x
n
}
n=0
converge a por hiptesis, como
n
est entre x
n
y para
cada n N, se tiene que {
n
}
n=0
converge a . Por lo tanto,
lm
n
x
n+1

(x
n
)
p
= lm
n
e
n+1
e
p
n
=
g
(p)
()
p!
= 0,
lm
n
|e
n+1
|
|e
p
n
|
=
|g
(p)
()|
p!
> 0.
As, por la denicin 1.5 se tiene {x
n
}
n=0
converge a con orden de convergencia igual
a p.
Denicin 1.6 (Eciencia computacional) Sea f(x) = 0 una ecuacin no lineal y
la funcin de iteracin que converge al cero con un orden de convergencia igual a r.
Se dice que el nmero r
1/d
es la eciencia computacional de , con d :=
n
j=0
h
f
(j) ,
en donde
n es el nmero mximo de derivadas de f realizada en , y
h
f
(j) es la cantidad de evaluaciones de f
(j)
realizada en .
Observacin: En general, una sucesin con mayor eciencia computacional es ms
eciente que otra sucesin de menor eciencia computacional.
1.3. Mtodos clsicos
En esta seccin se introducen algunos mtodos iterativos que pueden considerarse
clsicos dentro de la literatura. Estos mtodos sern necesarios para introducir los mto-
dos denidos en las referencias [1-10], pues la mayora de estos mtodos son del tipo
multipaso (multipunto o tambin llamados predictor-corrector) y usan a los mtodos
clsicos como primer paso (predictor). Los mtodos clsicos que se expondrn son: Bi-
seccin, Regula Falsi, Newton-Raphson y Mller.
Mtodo de Biseccin. Sea f : [a, b] R una funcin continua tal que f(a)f(b) < 0,
entonces por el Teorema del Valor Intermedio o Teorema de Bolzano se tiene que existe
una raz [a, b] tal que f() = 0. Supongamos que, es simple y la nica raz de
f en [a, b]. El mtodo de biseccin consiste en conseguir la aproximacin mediante un
proceso de decisin, tomando el punto medio c = (a + b)/2 del intervalo [a, b] y luego
analizar las tres posibilidades que pueden darse:
1. Si f(a)f(c) < 0 entonces hay una raz en [a, c].
2. Si f(c)f(b) < 0 entonces hay una raz en [c, b].
Mtodos clsicos 7
3. Si f(c) = 0 entonces c es la raz.
Si ocurre el caso (1.), o bien el caso (2.), (supongamos, como sucede en la mayora de
las aplicaciones prcticas, que el caso (3.) no se cumple) entonces se ha encontrado un
intervalo de la mitad de longitud que el intervalo original. Para continuar con el proceso,
se renombra el nuevo intervalo como [a, b] y se repite el proceso hasta que el intervalo
sea tan pequeo como se desee o ocurra el tercer caso.
Teorema 1.5 (Convergencia del Mtodo de Biseccin) Supongamos que f
C[a, b] y f(a)f(b) < 0. Sea {c
n
}
n=0
la sucesin de puntos medios de los intervalos
generados por el mtodo de Biseccin. Entonces existe [a, b] tal que f() = 0 y,
adems,
|c
n
|
b a
2
n
, para n = 0, 1, 2, 3, . . .
Mtodo de la Regula Falsi. Sea f : [a, b] R una funcin continua en [a, b] tal que
f(a)f(b) < 0, por el Teorema del Valor Intermedio o Teorema de Bolzano se tiene que
existe una raz [a, b] tal que f() = 0, y supongamos que es simple y la nica
raz de f en [a, b]. El mtodo de la Regula Falsi consiste en conseguir la aproximacin
mediante una recta secante que pasa por los puntos (a, f(a)) y (b, f(b)) que intersecta
al eje OX en el punto (c, 0), donde c ser la aproximacin a la raz de f, luego
c = b f(b)
b a
f(b) f(a)
.
Ahora, se analiza las tres posibilidades que pueden darse:
1. Si f(a)f(c) < 0 entonces hay una raz en [a, c].
2. Si f(c)f(b) < 0 entonces hay una raz en [c, b].
3. Si f(c) = 0 entonces c es la raz.
Si ocurre el caso (1.), o bien el caso (2.), (supongamos, como sucede en la mayora de
las aplicaciones prcticas, que el caso (3.) no se cumple) entonces se ha encontrado un
intervalo de menor longitud que el original, para continuar con el proceso, se renombra
el nuevo intervalo como [a, b] hasta alcanzar la tolerancia prescrita o ocurra el tercer
caso.
Teorema 1.6 (Convergencia del mtodo de Regula Falsi) Sea f una funcin dos
veces continuamente diferenciable en [a, b] con una nica raz en [a, b]. Supongamos
que f(a)f(b) < 0, f
() = 0, y f
no cambia de signo en [a, b]. Si

M =
w
2
max
x[a,b]
(x)
f
(x)
< 1,
8 Preliminares
con w = b o w = a segn el caso, entonces el mtodo de la Regula Falsi converge a
con una convergencia lineal.
Demostracin: Ver referencia [14], Capitulo 2, Seccin 2.1, pg. 31.
Mtodo de Newton-Raphson. Sea, f una funcin dos veces diferenciable. Supon-
gamos que, una raz simple de f(x) = 0 y x
0
es una aproximacin inicial a . El mtodo
de Newton-Raphson, consiste en conseguir la aproximacin usando la recta tangente a
la curva f, que pasa por el punto (x
0
, f(x
0
)). Esta recta intersecta al eje OX en el punto
(x
1
, 0), donde x
1
ser la aproximacin a la raz de f, luego
x
1
= x
0

f(x
0
)
f
(x
0
)
.
Para continuar, se renombra x
0
= x
1
y se repite el proceso tanto como desee.
Teorema 1.7 (Convergencia del Mtodo de Newton-Raphson) Sean f C
2
[a, b]
y [a, b] tal que f() = 0. Si f
() = 0, entonces existe > 0 tal que la sucesin

{x
k
}
k=0
denida por el proceso iterativo,
x
k
= g(x
k1
) = x
k1

f(x
k1
)
f
(x
k1
)
, para k = 1, 2, 3, . . .,
converge a cualesquiera que sea la aproximacin inicial x
0
[ , + ].
Demostracin: Ver la referencia [11], Captulo 2, Seccin 2.1, pg. 69.
Mtodo de Mller. El mtodo de Mller, utiliza tres aproximaciones iniciales, x
0
, x
1
y x
2
a la raz de f(x) = 0, y determina la siguiente aproximacin al considerar la
ecuacin de la parbola que pasa por los puntos (x
0
, f(x
0
)); (x
1
, f(x
1
)) y (x
2
, f(x
2
)).
La interseccin con el eje OX en el punto (x
3
, 0), dene la aproximacin a la raz de f.
Para hallar x
3
, primero se encuentra los coecientes de la ecuacin de la parbola.
y(x) = a
0
(x x
2
)
2
+ a
1
(x x
2
) + a
2
,
dados por:
a
0
=
(x
1
x
2
)[f(x
0
) f(x
2
)] (x
0
x
2
)[f(x
1
) f(x
2
)]
(x
0
x
2
)(x
1
x
2
)(x
0
x
1
)
.
a
1
=
f(x
2
) f(x
1
)
x
2
x
1
+ (x
2
x
1
)a
0
, y a
2
= f(x
2
).
Criterios de parada. 9
Para asegurar la estabilidad del mtodo hay que elegir la raz del polinomio de la siguiente
forma,
x
3
= x
2

2 a
2
a
1
+ sign(a
1
)
_
a
2
1
4 a
0
a
2
.
Para continuar con el proceso, se eligen de las tres aproximaciones iniciales las dos ms
prximo a x
3
, y luego se renombra como x
0
, x
1
y x
2
, se repite el proceso tanto como
desee.
Aunque hace falta realizar muchos clculos adicionales en el mtodo de Mller, ste
slo hace una evaluacin de la funcin f en cada iteracin despus de realizar la primera
iteracin. En cada paso el mtodo realiza el radical
_
a
2
1
4 a
0
a
2
, por tanto, puede
aproximar las races complejas cuando a
2
1
4 a
0
a
2
< 0.
1.4. Criterios de parada.
Resulta comn que un proceso iterativo se detenga ya sea porque alcanz un mximo
nmero de iteraciones o porque logr alcanzar una tolerancia del error (prescrita por el
usuario) entre la solucin aproximada y la solucin exacta del problema. Para este ltimo
propsito existen criterios de parada que dependen tanto de la multiplicidad de la raz
como del orden de convergencia de la funcin de iteracin. Debido a que los mtodos
a ser analizados estn propuestos para ceros simples y sus ordenes de convergencia son
mayores a uno, dos criterios de parada son implementados: para una tolerancia del
error se pide que
|f(x
n
)| o |x
n+1
x
n
|
A continuacin se analizan los criterios.
Criterio 1: |f(x
n
)| . Para analizar este criterio, supongamos que f es diferenciable
en algn intervalo I R que contenga , considere que x
n
I para cada n N. Sea x
n
la n-sima aproximacin a , por el Teorema del Valor Intermedio se tiene
f(x
n
) = f(x
n
) f() = f
(
n
)(x
n
), con
n
int(x
n
, ),
donde int(x
n
, ) representa el interior entre los valores de x
n
y . Por lo tanto,
x
n
=
f(x
n
)
f
(
n
)
. (1.4)
De (1.4) se tiene 3 casos:
1. Si |f
()| 1, entonces |x
n
| |f(x
n
)| .
2. Si |f
()| 1, entonces |x
n
| > .
10 Preliminares
3. Si |f
()| 1, entonces |x
n
| .
Consecuentemente, este criterio de parada no funciona para races multiples, pues si
f
() = 0 entonces se cumple el caso (2.), lo cual producira una parada del proceso
iterativo sin haber alcanzado la tolerancia prescrita. En cambio, para ceros simples, el
criterio funciona si se cumple el caso (1.) o el caso (3.); aunque, para este ltimo se
estara haciendo iteraciones innecesarias.
Criterio 2: |x
n+1
x
n
| . Sea x
n+1
= g(x
n
) y x
n
, aplicando el teorema del valor
intermedio se tiene que existe
n
entre x
n
y tal que
x
n+1
= g(x
n
) g() = g
(
n
)(x
n
) g()(x
n
). (1.5)
De (1.5) resulta,
x
n+1
x
n
= (x
n+1
) (x
n
)
g
()(x
n
) (x
n
) = (x
n
)(g
() 1).
Por lo tanto,
x
n

x
n+1
x
n
g
() 1
.
Luego, si g
() 1, entonces |x
n
| |x
n+1
x
n
|, para este caso podra no ser un buen
criterio para aquellos mtodos que presentan una convergencia lineal, pues g
() = 0. Si
1 < g
() < 0, entonces |x
n
| |x
n+1
x
n
| por lo tanto, el criterio es bueno.
El caso del mtodo de Newton,
x
n+1
= x
n

f(x
n
)
f
(x
n
)
, para cada n 0.
Por lo tanto,
x
n+1
x
n
=
f(x
n
)
f
(x
n
)

f(x
n
)
f
(
n
)
= (x
n
), con
n
int(x
n
, ).
Si |x
n+1
x
n
| , entonces |x
n
| . As este criterio funciona para este mtodo.
1.5. Mtodo de descomposicin de Adomian
En esta seccin se expondrn el mtodo de descomposicin de Adomian, el cual es
usado para introducir algunos mtodos iterativos denidos en las referencias [1-10].
Considrese la ecuacin no linea de la forma f(x) = 0, R un cero simple de
f. Se supone que la ecuacin no lineal puede se transformado de la siguiente manera
Mtodo de descomposicin de Adomian 11
h := c + N(h), donde c es una constante y N es una funcin no lineal. La tcnica
de descomposicin Adomian consiste en calcular la solucin de h mediante una serie
convergente de la forma
h :=
n=0
h
n
, (1.6)
y la funcin no lineal N se descompone como:
N (h) :=
n=0
A
n
, (1.7)
donde los A
n
son funciones llamadas polinomios de Adomian, dependen de h
0
, h
1
,
h
2
, . . . , h
n
y estn dados por:
A
n
:=
1
n!
d
n
d
n
_
N
_

i=0
i
h
i
__
=0
, n = 0, 1, 2, 3, . . .
Los primeros tres polinomios de Adomian son:
A
0
=
1
0!
_
N
_

i=0
i
h
i
__
=0
= N(h
0
).
A
1
=
1
1!
d
d
_
N
_

i=0
i
h
i
__
=0
=
_
N
i=0
i
h
i
__

i=1
i
i1
h
i
__
=0
= h
1
N
(h
0
).
A
2
=
1
2!
d
2
d
2
_
N
_

i=0
i
h
i
__
=0
=
1
2
_
_
N
i=0
i
h
i
__

i=1
i
i1
h
i
_
2
+ N
i=0
i
h
i
__

i=2
i(i 1)
i2
h
i
_
_
_
=0
=
1
2
[h
2
1
N
(h
0
) + 2h
2
N
(h
0
)] =
1
2
h
2
1
N
(h
0
) + h
2
N
(h
0
).
Otros polinomios de Adomian pueden ser generados de manera similar.
Como h = c + N(h), de (1.6) y (1.7) se tiene,
n=0
h
n
= c +
n=0
A
n
.
Por ser la serie h convergente, se tiene la siguiente relacin:
h
0
= c y h
n+1
= A
n
para n 0. (1.8)
12 Preliminares
Para ilustrar la idea del mtodo de Adomian, se construir el mtodo de Newton-
Raphson. Sea I R un intervalo, f : I R una funcin de clase C
3
en I, f(x) = 0
una ecuacin no lineal y una raz de f. Aplicando el Teorema de Taylor a f(x h)
alrededor de x, se tiene
f(x h) = f(x) + f
(x)(x h x) +
f
(x)
2!
(x h x)
2
+ O(h
3
).
Por lo tanto,
f(x h) = f(x) hf
(x) + h
2
f
(x)
2!
+ O(h
3
).
Para un h sucientemente pequeo, se tiene
f(x h) = 0 f(x) hf(x) +
h
2
2
f
(x).
As,
h =
f(x)
f
(x)
+
h
2
2
f
(x)
f
(x)
.
Al tomar h := c + N(h), donde c :=
f(x)
f
(x)
y N(h) :=
h
2
2
f
(x)
f
(x)
.
Para n = 0, de (1.6) se tiene que, h h
0
, de (1.8) se obtiene que, h
0
= c. Como
f(x h) = 0, es decir,
= x h x h
0
= x c = x
f(x)
f
(x)
.
As, se construye el mtodo iterativo de Newton-Raphson para x
0
sucientemente cerca
de , la iteracin viene dada por:
x
n+1
= x
n
+
f(x
n
)
f
(x
n
)
, n 0.
Captulo 2
Mtodos iterativos para resolver
ecuaciones no lineales
Como ya se ha dicho, un problema bsico en Anlisis Numrico, consiste en encontrar
los valores de x que satisfacen la ecuacin no lineal de la forma f(x) = 0. Aunque es
tradicin usar el mtodo de Newton-Raphson o cualquiera de los mtodos dados en el
captulo anterior para resolver el problema, en los recientes aos numerosos autores han
introducido en la literatura una variedad de mtodos numricos para tal n, especial-
mente para el caso de ceros simples y f una funcin real de variable real. Estos mtodos
mejoran, en cierta forma, la precisin de los mtodos clsicos. No obstante, en el mayor
de los casos, la eciencia de estos nuevos mtodos ha sido justicada slo mediante su
orden de convergencia o, peor an, sobre la base de resultados numricos (nmero de
iteraciones) de algunos ejemplos.
En este captulo se expondrn los nuevos mtodos iterativos propuestos en las referen-
cias [1-10]. Se presenta la construccin de cada mtodo y se estudia, en la mayora de
los mtodos, el anlisis de convergencia.
Se advierte que debido al volumen de operaciones algebraicas necesarias en algunas
pruebas, se usar el software MAPLE para facilitar la manipulacin. El Apndice A
muestra las lneas de comandos usadas a lo largo del captulo.
2.1. Mtodo iterativo de Abbs
El mtodo iterativo de Abbs es introducido por Abbasbandy en [1], y el mismo est
basado en el mtodo de descomposicin de Adomian.
Construccin del Mtodo. Sea I R un intervalo, f : I R una funcin de clase
14 Mtodos iterativos para resolver ecuaciones no lineales
C
3
en I y I una solucin de la ecuacin no lineal f(x) = 0. Aplicando el Teorema
de Taylor a f(x h) alrededor de x, se obtiene,
f(x h) = f(x) + f
(x)(x h x) +
f
(x)
2!
(x h x)
2
+ O(h
3
).
f(x h) = 0 f(x) hf(x) +
h
2
2
f
(x).
Tomando c :=
f(x)
f
(x)
y N(h) :=
h
2
2
f
(x)
f
(x)
, resulta que h = c + N(h).
Aplicando el mtodo de descomposicin de Adomian a h (ver seccin preliminar) para
n = 2, se tiene de (1.6) que h h
0
+h
1
+h
2
, de (1.8) se obtiene que h
0
= c, h
1
= A
0
y
h
2
= A
1
, donde
h
0
=
f(x)
f
(x)
, h
1
= N(h
0
) =
h
2
0
2
f
(x)
f
(x)
=
f
2
(x)f
(x)
2[f
(x)]
3
,
h
2
= h
1
N
(h
0
) = h
1
h
0
f
(x)
f
(x)
=
f
3
(x)[f
(x)]
2
2[f
(x)]
5
.
Como f(x h) = 0, se tiene que
= x h x
f(x)
f
(x)

f
2
(x)f
(x)
2[f
(x)]
3

f
3
(x)[f
(x)]
2
2[f
(x)]
5
.
Para x
0
sucientemente cerca de , el mtodo iterativo de Abbs esta dado por:
x
n+1
= x
n

f(x
n
)
f
(x
n
)

f
2
(x
n
)f
(x
n
)
2[f
(x
n
)]
3

f
3
(x
n
)[f
(x
n
)]
2
2[f
(x
n
)]
5
, n 0. (2.1)
Anlisis de convergencia. El mtodo iterativo de Abbs (2.1) requiere de una evalua-
cin de f, f
y f
en cada iteracin. Se debe resaltar, que en general la evaluacin de

derivadas de funciones no lineales resulta ms costosa que la evaluacin de la funcin.
Este mtodo presenta una convergencia cbica, su demostracin esta dado en el siguiente
teorema. Por lo cual, la eciencia computacional del mtodo es: r
1/d
= 3
1/3
1,442.
Teorema 2.1 Sean I R un intervalo, f : I R una funcin de clase C
6
en I y I
tal que f() = 0. Si f
(x) = 0 para cada x I, entonces existe > 0, tal que el mtodo

iterativo de Abbs es converge a con al menos un tercer orden de convergencia, para
cualquier aproximacin inicial x
0
[ , + ] I y satisface la ecuacin error,
e
n+1
=
1
6
f
(3)
()
f
()
e
3
n
+ O(e
4
n
), donde e
n
:= x
n
para cada n N.
Mtodo iterativo de BSC 15
Demostracin: Considere la siguiente funcin de iteracin F : I R dada por,
F(x) := x
f(x)
f
(x)

f
2
(x)f
(x)
2[f
(x)]
3

f
3
(x)[f
(x)]
2
2[f
(x)]
5
.
Como f
(x) = 0 para cada x I y f

(6)
continua en I, se tiene que F
(4)
es continua en
I, entonces se tiene que
F() = , F
() = F
() = 0 y F
(3)
() =
f
(3)
()
f
()
,
es decir, es un punto jo de F y |F
()| < 1. Por la proposicin 1.2, se tiene que,

existe > 0 tal que la iteracin de punto jo de F converge a , para cualquier
x
0
[ , + ] I. Dado que F
(3)
() = 0 slo en caso particulares, cuando
f
(3)
() = 0, por el teorema 1.4 se tiene que el mtodo iterativo de Abbs converge a
con al menos un tercer orden de convergencia.
Por otra parte, considere la sucesin x
n+1
= F(x
n
), para cada n 0, con
x
0
[ , + ]. Como F
(4)
es continua en I, se puede aplicar el Teorema de Taylor
a F(x
n
) alrededor de hasta orden cuatro, se obtiene
F(x
n
) = F() + F
()(x
n
) + F
()(x
n
) +
F
(3)
()
3!
(x
n
)
3
+ O((x
n
)
4
).
Al denir e
n
:= x
n
como el n-simo error para cada n N, se tiene,
x
n+1
=
F
(3)
()
6
e
3
n
+ O(e
4
n
), es decir, e
n+1
=
1
6
f
(3)
()
f
()
e
3
n
+ O(e
4
n
).
lo que termina la prueba.
En el Apndice A, pgina 55, se escriben los comandos MAPLE que se usan para
el anlisis de convergencia del mtodo de Abbs.
2.2. Mtodo iterativo de BSC
El mtodo iterativo de BSC es introducido por Mrio Basto, Viriato Semiao y Fran-
cisco L. Calherios en [2]. El mtodo que se propone es: dado una funcin f dos veces
diferenciable y x
0
sucientemente cerca de la raz , la iteracin viene dada por:
x
n+1
= x
n

f(x
n
)
f
(x
n
)

f
2
(x
n
) f
(x
n
)
2 [f
(x
n
)]
3
2 f(x
n
) f
(x
n
) f
(x
n
)
, n 0. (2.2)
Anlisis de convergencia. El mtodo iterativo de BSC (2.2) requiere de una evaluacin
de f, f
y f
en cada iteracin. Se debe resaltar que, en general, la evaluacin de derivadas

de funciones no lineales resulta ms costosa que la evaluacin de la funcin. Este mtodo
presenta una convergencia cbica, su demostracin esta dado en el siguiente teorema, y
la eciencia computacional del mtodo es: r
1/d
= 3
1/3
1,442.
6
en I y I
(x) = 0 y [f
(x)]
2
= f(x)f
(x) para cada x I, entonces existe

> 0, tal que el mtodo iterativo de BSC converge a con al menos un tercer orden de
convergencia, para cualquier aproximacin inicial x
0
[ , + ] I y satisface la
ecuacin de error,
e
n+1
=
1
6
f
(3)
()
f
()
e
3
n
+ O(e
4
n
), donde e
n
:= x
n
para cada n N.
Demostracin: Considere la funcin de iteracin F : I R dada por,
F(x) := x
f(x)
f
(x)

f
2
(x) f
(x)
2 [f
(x)]
3
2 f(x) f
(x) f
(x)
.
Como f

(6)
continua en I, se tiene que F
(4)
es continua en
I, se tiene
F() = , F
() = F
() = 0 y F
(3)
() =
f
(3)
()
f
()
,

existe > 0 tal que la iteracin de punto jo de F converge a , para cualquier
x
0
[, +] I. Dado que F
(3)
() = 0 slo en caso particulares cuando f
(3)
() = 0,
por el teorema 1.4 se tiene que, el mtodo de BSC converge a con al menos un tercer
orden de convergencia.
n+1
= F(x
n
x
0
[ , + ]. Como F
(4)
a F(x
n
F(x
n
) = F() + F
()(x
n
) + F
()(x
n
) +
F
(3)
()
3!
(x
n
)
3
+ O((x
n
)
4
).
Al denir e
n
:= x
n
x
n+1
=
F
(3)
()
6
e
3
n
+ O(e
4
n
), es decir, e
n+1
=
1
6
f
(3)
()
f
()
e
3
n
+ O(e
4
n
)
lo cual concluye la prueba.
Mtodo iterativo de NU 17
2.3. Mtodo iterativo de NU
El mtodo iterativo de NU es introducido por Nenad Ujevi en [3], consiste en una
familia de mtodo iterativo de dos pasos tipo predictor-correcto y el mismo est basado
en reglas de cuadratura conjuntamente con el mtodo de Newton-Raphson.
Construccin del Mtodo. Sean a, b R tal que a < b, x [a, b) y K
1
: [a, b] R la
funcin por parte dada por:
K
1
(x, t) :=
_
_
t
3a + b
4
, si t [a, x],
t
a + 3b
4
, si t (x, b],
y suponga que, f C
1
[a, b]. Integrando por partes, se tiene
_
b
a
K
1
(x, t)f
(t)dt =
_
x
a
_
t
3a + b
4
_
f
(t)dt +
_
b
x
_
t
a + 3b
4
_
f
(t)dt
=
__
t
3a + b
4
_
f(t)
_
x
a
+
__
t
a + 3b
4
_
f(t)
_
b
x
_
b
a
f(t)dt
=
b a
4
[f(a) + 2f(x) + f(b)]
_
b
a
f(t)dt, (2.3)
de donde resulta que
_
b
a
K
1
(x, t)f
(t)dt
(b a)
2
8
f
. (2.4)
Considere adems la siguiente funcin K
2
: [a, b] R, x [a, b) dada por:
K
2
(x, t) :=
_
_
_
t a, si t [a, x],
t b, si t (x, b].
Integrando por partes, resulta.
_
b
a
K
2
(x, t)f
(t)dt =
_
x
a
(t a)f
(t)dt +
_
b
x
(t b)f
(t)dt
= [(t a)f(t)]
x
a

_
x
a
f(t)dt + [(t b)f(t)]
b
x

_
b
x
f(t)dt.
= (b a)f(x)
_
b
a
f(t)dt. (2.5)
Por otro lado,
_
b
a
K
2
(x, t)dt =
_
x
a
(t a)dt +
_
b
x
(t b)dt =
_
t
2
2
at
_
x
a
+
_
t
2
2
at
_
b
x
=
_
x
2
2
ax
_
_
a
2
2
a
2
_
+
_
b
2
2
b
2
_
_
x
2
2
ax
_
= (b a)
_
x
a + b
2
_
, (2.6)
y
_
b
a
f
(t)dt = f(b) f(a). (2.7)

De (2.5), (2.6) y (2.7) se obtiene,
_
b
a
K
2
(x, t)f
(t)dt
1
b a
_
b
a
K
2
(x, t)dt
_
b
a
f
(t)dt =
(b a)f(x)
_
b
a
f(t)dt
_
x
a + b
2
_
[f(b) f(a)]. (2.8)
Por lo tanto,
_
b
a
K
2
(x, t)f
(t)dt
1
b a
_
b
a
K
2
(x, t)dt
_
b
a
f
(t)dt
_
b
a
_
K
2
(x, t)dt
1
b a
_
b
a
K
2
(x, s)ds
_
f
(t)dt
(b a)
2
4
f
. (2.9)
Denotando los restos por,
R
1
(x) =
_
b
a
K
1
(x, t)f
(t)dt.
R
2
(x) =
_
b
a
_
K
2
(x, t)dt
1
b a
_
b
a
K
2
(x, s)ds
_
f
(t)dt
se tiene, de (2.3) y (2.8) que,
_
b
a
f(t)dt =
b a
4
[f(a) + 2f(x) + f(b)] R
1
(x).
_
b
a
f(t)dt = (b a)f(x)
_
x
a + b
2
_
[f(b) f(a)] R
2
(x).
De (2.4) y (2.9) resulta,
_
b
a
f(t)dt
b a
4
[f(a) + 2f(x) + f(b)].
_
b
a
f(t)dt (b a)f(x)
_
x
a + b
2
_
[f(b) f(a)],
si a est sucientemente cerca a b. As por las dos integrales anteriores se obtiene,
b a
4
[f(a) + 2f(x) + f(b)] (b a)f(x)
_
x
a + b
2
_
[f(b) f(a)].
Si se supone que, f(b) = 0 entonces
b a
4
[f(a) + 2f(x)] (b a)f(x) +
_
x
a + b
2
_
f(a).
Considere la ecuacin siguiente cuando b
b a
4
[f(a) + 2f(x)] = (
b a)f(x) +
_
x
a +
b
2
_
f(a).
b
4
[f(a) + 2f(x) 4f(x) + 2f(a)] = af(x) + (x
a
2
)f(a) +
a
4
[f(a) + 2f(x)].
b
4
[3f(a) 2f(x)] = af(x) + (x a)f(a) +
a
2
f(a) +
a
4
[f(a) + 2f(x)].
b
4
[3f(a) 2f(x)] = (x a)f(a) +
a
4
[3f(a) 2f(x)].
b = a + 4(x a)
f(a)
3f(a) 2f(x)
. (2.10)
De las consideraciones anteriores concluye que

b b, as f(
b) 0. Tomando x como
x = a
f(a)
f
(a)
, con 0 < 1. (2.11)
Si se escoge x
n+1
=

b, x
n
= a y z
n
= x entonces de (2.10) y (2.11) se obtiene el mtodo
iterativo de NU dado por:
_
_
z
n
= x
n

f(x
n
)
f
(x
n
)
,
x
n+1
= x
n
+ 4(z
n
x
n
)
f(x
n
)
3f(x
n
) 2f(z
n
)
, n 0,
(2.12)
para x
0
sucientemente cerca de

b, donde z
n
es el predictor y x
n+1
es el corrector.
Anlisis de convergencia. El mtodo iterativo de NU (2.12) requiere dos evaluaciones
de f y una de f
en cada iteracin. Este mtodo presenta una convergencia lineal si

= 1/2 en (2.12) y es cuadrtica si = 1/2, su demostracin esta dada en los siguientes
teoremas. La eciencia computacional del mtodo es: 2
1/3
1,260.
Teorema 2.3 Sean f C
2
(c, d), b (c, d) tal que f(b) = 0 y (0, 1]. Si f
(a) = 0,
f
(a) = 0 y 3f(a) 2f(x) = 0, donde x = a

f(a)
f
(a)
para cada a (c, d), en-
tonces existe > 0 tal que el mtodo iterativo de NU converge a b, para cualquier
x
0
[b , b + ] (c, d).
Demostracin: Considerese la siguiente funcin de iteracin : (c, d) R, dada por:
(a) :=
_
_
a + 4(x a)
f(a)
3f(a) 2f(x)
, si a = b,
b, si a = b.
Denote por x
a
la primera derivada de x con respecto a a, considrese los siguientes
lmites.
lm
ab
x = lm
ab
_
a
f(a)
f
(a)
_
= b. (2.13)
lm
ab
x
a
= lm
ab
_
1
(f
(a))
2
f(a)f
(a)
[f
(a)]
2
_
= 1 . (2.14)
De (2.13), (2.14) y usando la regla de LHospital se tiene,
lm
ab
f(x)
f(a)
= lm
ab
f
(x) x
a
f
(a)
=
f
(b)(1 )
f
(b)
= 1 . (2.15)
De (2.15) se obtiene,
lm
ab
f(a)
3f(a) 2f(x)
= lm
ab
1
3 2
f(x)
f(a)
=
1
3 2 (1 )
=
1
1 + 2
. (2.16)
Como f
(a) = 0, f
(a) = 0, 3f(a) 2f(x) = 0 para cada a (c, d) y f C

2
(c, d), se
tiene que
es derivable en I \ {b}. Considere la primera derivada de en I \ {b}.
(a) = 1 +
4(x
a
1)f(a)
3f(a) 2f(x)
+ 4(x a)
f
(a)[3f(a) 2f(x)] f(a)[3f
(a) 2f
(x)x
a
]
[3f(a) 2f(x)]
2
.
De (2.13) hasta (2.16) resulta,
lm
ab
(a) = 1
4
1 + 2
4 lm
ab
_
f(a)
3f(a) 2f(x)

[f(a)]
2
f
(a)
3f
(a) 2f
(x)x
a
[3f(a) 2f(x)]
2
_
= 1
4
1 + 2
4
1
1 + 2
+ 4 lm
ab
3 2
f
(x)x
a
f
(a)
_
3 2
f(x)
f(a)
_
2
= 1
4
1 + 2
4
1
1 + 2
+ 4
1
1 + 2
= 1
4
1 + 2
.
Por lo tanto, es derivable en b para cualquier (0, 1]. Notese que,
(b)
1
4
1 + 2
< 1.
Como b es un punto jo de por la proposicin 1.2, se tiene que, existe > 0 tal que
para cualquier x
0
[b , b + ] (c, d) la sucesin x
n+1
= (x
n
), n 0 siempre es
convergente a b.
2
(c, d), b (c, d) tal que f(b) = 0 y (0, 1] \ {
1
2
}. Si
f
(a) = 0, f
(a) = 0 y 3f(a) 2f(x) = 0, donde x = a

f(a)
f
(a)
para cada a (c, d),
entonces el mtodo iterativo de NU tiene una convergencia lineal.
(a) :=
_
_
a + 4(x a)
f(a)
3f(a) 2f(x)
, si a = b,
b, si a = b.
Por el teorema 2.3 se tiene que, existe > 0 tal que el mtodo iterativo de NU converge a
b, para cualquier x
0
[b , b +] (c, d) tambin se tiene que,
(b) = 1
4
1 + 2
= 0
para cualquier (0, 1] \{
1
2
}, por el teorema 1.4 resulta que, el mtodo iterativo de NU
presenta una convergencia lineal.
4
(c, d), b (c, d) tal que f(b) = 0. Si f
(a) = 0, f
(a) = 0
y 3f(a) 2f(x) = 0, donde x = a
1
2
f(a)
f
(a)
para cada a (c, d), entonces el mtodo
iterativo de NU presenta una convergencia cuadrtica.
(a) :=
_
_
a + 4(x a)
f(a)
3f(a) 2f(x)
, si a = b
b, si a = b
Por el teorema 2.3 se tiene que, existe > 0 tal que el mtodo iterativo de NU converge
a b, para cualquier x
0
[b, b+] (c, d) tambin se tiene que,
(b) = 1/(1+2),
como = 1/2 resulta que,
(b) = 0.
Por otra parte, se quiere calcular
(b), para esto, denote por x
a
a la primera derivada
de x con respecto a a y x
a
la segunda derivada de x con respecto a a. Considere las
siguientes funciones h : (c, d)\{b} R y : (c, d)\{b} R dado por:
h(a) := 3f(a) 2f(x) y (a) :=
f(a)
h(a)
respectivamente. Por la tanto para a = b,
(a) = a + 4(x a)(a),
(a) = 1 + 4(x
a
1)(a) + 4(x a)
(a),
(a) = 4x
a
(a) + 8(x
a
1)
(a) + 4(x a)
(a),
donde,
(a) =
g(a)
h
2
(a)
, con, g(a) := f
(a)h(a) f(a)h
(a).
(a) =
p(a)
h
3
(a)
, con, p(a) := g
(a)h(a) 2g(a)h
(a).
Considrese los siguientes lmites
lm
ab
x = lm
ab
_
a
f(a)
f
(a)
_
= b. (2.17)
lm
ab
x
a
= lm
ab
_
1
1
2
_
1
f(a)f
(a)
[f
(a)]
2
__
=
1
2
. (2.18)
lm
ab
x
(a) = lm
ab
1
2
[f
(a)f
(a) + f(a)f
(a)][f
(a)]
2
f(a)f
(a)2f
(a)f
(a)
[f
(a)]
4
=
1
2
f
(b)
f
(b)
. (2.19)
De (2.16) tomando =
1
2
resulta,
lm
ab
(a) = lm
ab
f(a)
h(a)
= lm
ab
f(a)
3f(a) 2f(x)
=
1
2
. (2.20)
De (2.17) se obtiene,
lm
ab
h(a) = lm
ab
[3f(a) 2f(x)] = 0.
De (2.17) y (2.18) se tiene,
lm
ab
h
(a) = lm
ab
[3f
(a) 2f
(x)x
a
] = 2f
(b) = 0.
De (2.17), (2.18) y (2.19),
lm
ab
h
(a) = lm
ab
[3f
(a) 2f
(x)[x
a
]
2
2f
(x)x
a
] =
3
2
f
(b) = 0.
Por lo tanto,
lm
ab
g(a) = lm
ab
[f
(a)h(a) f(a)h
(a)] = 0,
lm
ab
g
(a) = lm
ab
[f
(a)h(a) f(a)h
(a)] = 0,
lm
ab
g
(a) = lm
ab
[f
(3)
(a)h(a) + f
(a)h
(a) f
(a)h
(a) f(a)h
(3)
(a)]
=
1
2
f
(b)f
(b) = 0.
De los lmites anteriores y aplicando 2 veces la regla de LHospital se tiene,
lm
ab
(a) = lm
ab
g(a)
h
2
(a)
= lm
ab
g
(a)
2h(a)h
(a)
= lm
ab
g
(a)
2[h
(a)]
2
+ 2h(a)h
(a)
=
1
16
f
(b)
f
(b)
= 0. (2.21)
De los lmites anteriores resulta,
lm
ab
p(a) = lm
ab
[g
(a)h(a) 2g(a)h
(a)] = 0,
lm
ab
p
(a) = lm
ab
[g
(a)h(a) g
(a)h
(a) 2g(a)h
(a)] = 0,
lm
ab
p
(a) = lm
ab
[g
(3)
(a)h(a) 3g
(a)h
(a) 2g(a)h
(3)
(a)] = 0.
Luego,
lm
ab
(a) = lm
ab
p(a)
h
3
(a)
= lm
ab
p
(a)
3h
2
(a)h
(a)
= lm
ab
p
(a)
6h(a)[h
(a)]
2
3h
2
(a)h
(a)
.
Por lo tanto,
lm
ab
(a) = lm
ab
p
(3)
(a)
6[h
(a)]
3
+ 18h(a)h
(a)h
(a) + 3h
2
(a)h
(3)
(a)
= L, (2.22)
para algn L R, pues 6[h
(a)]
3
+ 18h(a)h
(a)h
(a) + 3h
2
(a)h
(3)
no converge a cero
cuando a b. De (2.17) hasta (2.22) se tiene,
lm
ab
(a) = lm
ab
[4x
a
(a) + 8(x
a
1)
(a) + 4(x a)
(a)] = 0,75
f
(b)
f
(b)
= 0.
Por la tanto,
(b) = 0,75
f
(b)
f
(b)
= 0, por el teorema 1.4 se tiene que el mtodo iterativo
de NU presenta una convergencia cuadrtica.
2.4. Mtodo iterativo de Chun
El mtodo iterativo de Chun es introducido por Changbun Chun en [4], y el mismo
est basado en el mtodo de descomposicin de Adomian, mejorando el orden de precisin
de los mtodos iterativos de Abbs, BSC y NU, entre otros.
Construccin del mtodo. Sea I R un intervalo, f : I R una funcin de clase
C
2
de Taylor a f(x h) alrededor de x, se tiene,
f(x h) = f(x) + f
(x)(x h x) + O(h
2
).
Llamando g(h) = O(h
2
), se tiene que
g(h) = hf
(x) f(x) + f(x h).

Para un h tal que f(x h) 0, se obtiene
h =
g(h)
f
(x)
+
f(x)
f
(x)
y, tomando c :=
f(x)
f
(x)
y N(h) :=
g(h)
f
(x)
se tiene que h = c + N(h).
Mtodo iterativo de Chun 25
Aplicando el mtodo de descomposicin de Adomian a h (ver seccin 1.5 de prelimi-
nares), para n = 2 de (1.6) se tiene que, h h
0
+h
1
+h
2
0
= c,
h
1
= A
1
y h
2
= A
2
, donde,
h
0
=
f(x)
f
(x)
, h
1
= N(h
0
) =
g(h
0
)
f
(x)
=
f
_
x
f(x)
f
(x)
_
f
(x)
,
h
2
= h
1
N
(h
0
) = h
1
g
(h
0
)
f
(x)
=
f
_
x
f(x)
f
(x)
_
f
(x)

f
_
x
f(x)
f
(x)
_
f
_
x
f(x)
f
(x)
_
[f
(x)]
2
.
Como f(x h) = 0, resulta que,
= x h x
f(x)
f
(x)
2
f(z)
f
(x)
+
f(z)f
(z)
[f
(x)]
2
, donde z = x
f(x)
f
(x)
.
Para x
0
sucientemente cerca de , el mtodo iterativo de Chun esta dado por:
_
_
z
n+1
= x
n

f(x
n
)
f
(x
n
)
,
x
n+1
= x
n

f(x
n
)
f
(x
n
)
2
f(z
n+1
)
f
(x
n
)
+
f(z
n+1
)f
(z
n+1
)
[f
(x
n
)]
2
, n 0.
(2.23)
Anlisis de convergencia. El mtodo iterativo de Chun (2.23) requiere dos evalua-
ciones de f y dos de f
en cada iteracin. Este mtodo presenta una convergencia de

orden cuatro, su demostracin esta dado en el siguiente teorema. Adems, la eciencia
computacional del mtodo es: 4
1/4
1,414.
6
en I y
I tal que f() = 0. Si f
(x) = 0 para cada x I, entonces existe > 0, tal que el

mtodo iterativo de Chun converge a con al menos un cuarto orden de convergencia,
para cualquier aproximacin inicial x
0
[, +] I y satisface la ecuacin error,
e
n+1
=
5
8
_
f
()
f
()
_
3
e
4
n
+ O(e
5
n
), donde e
n
:= x
n
para cada n N.
Demostracin: Considerese la siguiente funcin de iteracin F : I R dado por,
F(x) := x
f(x)
f
(x)
2
f(z)
f
(x)
+
f(z)f
(z)
[f
(x)]
2
, donde z = x
f(x)
f
(x)
.
Por ser f

(6)
continua en I, as F
(5)
es continua en I, se
tiene que
F() = , F
() = F
() = F
(3)
() = 0 y F
(4)
() = 15
_
f
()
f
()
_
3
,

existe > 0 tal que la iteracin de punto jo de F siempre es converge a , para
cualquier x
0
[, +] I. Dado que F
(4)
() = 0 slo en caso particulares cuando
f
(2)
() = 0, por el teorema 1.4 se tiene que, el mtodo iterativo de Chun converge a
con al menos un cuarto orden de convergencia.
n+1
= F(x
n
x
0
[ , + ]. Como F
(5)
a F(x
n
) alrededor de hasta orden cinco, se obtiene
F(x
n
) = F() + F
()(x
n
) + F
()(x
n
) +
F
(3)
()
3!
(x
n
)
3
+
F
(4)
()
4!
(x
n
)
4
+ O((x
n
)
5
).
Al denir e
n
:= x
n
como el n-simo error para cada n N, se tiene
x
n+1
=
F
(4)
()
4!
e
4
n
+ O(e
5
n
) es decir, e
n+1
=
5
8
_
f
()
f
()
_
3
e
4
n
+ O(e
5
n
).
En el Apndice A, pgina 56, se escriben los comandos que se usan para el anlisis
de convergencia del mtodo de Chun con el software de MAPLE.
2.5. Mtodos de NRF y RFN
Los mtodos de NRF y RFN son introducido por Muhammad Aslam Noor y Faizan
Ahmad en [5]. Los mtodos son derivados usando en conjunto el mtodo de Newton-
Raphson y el mtodo de Regula Falsi.
Mtodo de NRF. Sean a, b R y f C
1
[a, b] tal que f(a)f(b) < 0, por el teorema
del valor intermedio o de Bolzano se tiene que existe (a, b) tal que f() = 0, de
multiplicidad uno (simple). El mtodo de NRF consiste en denir un nuevo intervalo,
en cada paso, mediante la aproximacin obtenida por el mtodo de la Regula Falsi y el
mtodo de Newton-Raphson. El algoritmo es como sigue:
Mtodos de NRF y RFN 27
Algoritmo de NRF.
Entrada: f C
1
[a, b] tal que f(a)f(b) < 0; tolerancia; max nmero mximo de
iteraciones.
Salida: solucin aproximada a f(x) = 0.
1. n = 0.
2. Mientras n max hacer los pasos 3 hasta 6.
3. Calcular x
n+1
=
bf(a) af(b)
f(b) f(a)
.
4. Si |x
n+1
x
n
| < entonces = x
n+1
, detener.
5. Si f(a)f(x
n+1
) < 0 entonces a = a
f(a)
f
(a)
, y b = x
n+1
.
En caso contrario: a = x
n+1
y b = b
f(b)
f
(b)
.
6. n = n + 1, ir al paso 2.
Anlisis de convergencia. El mtodo de NRF requiere dos evaluaciones de f una de f
en cada iteracin. Este mtodo presenta una convergencia cbica, su demostracin esta
dada en el siguiente teorema. La eciencia computacional del mtodo es: 3
1/3
1,442.
Teorema 2.7 Sea f C
2
[a, b], con a y b tal que f(a)f(b) < 0, un cero simple de f
en [a, b] [a
0
, b
0
], y x
0
[a, b] la condicin inicial del mtodo de Newton-Raphson tal
que M| x
0
| < 1, con M := max
x[a,b]
|f
(x)/2f
(x)|. Adems supongamos que f
no
cambia de signo en [a, b], entonces la sucesin de iterados {x
n
} producida por el mtodo
NRF converge al cero simple con un orden tres de convergencia.
Demostracin: El algoritmo produce una sucesin de intervalos [a
n
, b
n
], n = 0, 1, 2, . . .,
con a
0
= a y b
0
= b tales que [a
n
, b
n
] y [a
n+1
, b
n+1
] [a
n
, b
n
] para cada n, cualquiera
sea el signo de la segunda derivada de f. Sin perdida de generalidad se puede suponer
que f
(x) > 0 en [a, b]; en otras palabras, f es convexa. En este caso, el segmento de
recta que une los puntos (a
n
, f(a
n
)) y (b
n
, f(b
n
)) estar siempre por encima de la grca
de f por iteracin, cualquiera sea el signo de la primera derivada. Ahora, si f
() > 0 y
x
0
= b
0
(condicin inicial para el mtodo de Newton), entonces el error para los mtodos
de Regula Falsi y Newton esta dado por:
e
n+1
:= a
n+1
=
f
(
n
)
2f
(
n
)
( a
n
)(b ), con
n
,
n
(a
n
, b) (2.24)
e
n+1
:= b
n+1
=
f
(
n
)
2f
(b
n
)
(b
n
)
2
, con
n
int(, b
n
) (2.25)
para cada n N respectivamente.
Si n = 0, el mtodo de NRF en este caso utiliza al mtodo de Newton para modicar
el extremo derecho del intervalo, b
0
, por b
1
y es sustituido en la ecuacin de (2.24),
si n = 1 b
1
es sustituido por b
2
en la ecuacin (2.24), similar ocurre cuando n ,
obteniendo una sucesin del error para el mtodo NRF dado por:
1
:= a
1
=
f
(
0
)
2f
(
0
)
( a
0
)(b
1
), con
0
,
0
(a
0
, b
0
),
2
:= a
2
=
f
(
1
)
2f
(
1
)
( a
1
)(b
2
), con
1
,
1
(a
1
, b
1
),
.
.
.
n+1
:= a
n+1
=
f
(
n
)
2f
(
n
)
( a
n
)(b
n+1
), con
n
,
n
(a
n
, b
n
). (2.26)
Debido a que el mximo valor de
(
n
)
2f
(
n
)
ocurre en M := max
x[a,b]
(x)
2f
(x)
sobre todo
cuando n , de (2.26) se tiene que,
| a
n+1
| M| a
n
||b
n+1
|. (2.27)
Como el mtodo de Newton converge a para x
0
= b
0
de (2.25)
|b
n+1
| M|b
n
|
2
. (2.28)
De (2.27) y (2.28) resulta que
|a
n+1
| M
2
| a
n
||b
n
|
2
| a
n
||M
0
|
2
n
,
con
0
:= b
0
(error inicial para el mtodo de Newton). Al ser M|
0
| < 1 (condicin
necesaria para la convergencia del mtodo de Newton) resulta que lm
n
|a
n+1
| = 0
y por lo tanto a
n
. Es decir, la sucesin de iterados {a
n
} de mtodo de NRF converge
a la raz simple .
Por otro lado, de (2.27) y (2.28) se obtiene que,
| a
n+1
| M
2
| a
n
||b
n
|
2
= M
2
| a
n
||(b
n
a
n
) + (a
n
)|
2
. (2.29)
Debido a la hiptesis (f
> 0 y f
> 0) se tiene que,

b
n
a
n
2( a
n
), (2.30)
pues el mtodo de Newton converge ms rpido a que el mtodo de Regula Falsi. En
otras palabras, b
n
est ms cerca a que a
n
. De (2.29) y (2.30) se tiene que,
| a
n+1
| M
2
| a
n
||2( a
n
) + (a
n
)|
2
= M
2
| a
n
|
3
.
Mtodos de RFNM y BM 29
A partir de la desigualdad anterior se obtiene un orden de convergencia cbica para el
mtodo de NRF. En el caso en que f
> 0 pero f
() < 0 resulta que a siempre es

constante para el mtodo de Regula Falsi. Por lo tanto, b
n
a
n
2(b
n
) y un anlisis
similar al anterior puede hacerse llegando nuevamente a un orden de convergencia cbi-
co. Para el caso en que f
< 0, se cambia el f por f y se hace un razonamiento anlogo.

Mtodo de RFN. Com las mismas hiptesis del mtodo anterior, el mtodo de RFN
consiste en aproximar la raz de f, en cada paso, usando el mtodo de la Regula Falsi y,
el valor obtenido es usado como condicin inicial para el mtodo de Newton-Raphson.
El algoritmo es el siguiente:
Algoritmo de RFN.
Entrada: f C
1
iteraciones.
1. n = 0.
3. Calcular z
n
=
bf(a) af(b)
f(b) f(a)
y x
n+1
= z
n

f(z
n
)
f
(z
n
)
.
4. Si |x
n+1
x
n
| < entonces = x
n+1
, detener.
5. Si f(a)f(x
n+1
) < 0 entonces b = x
n+1
,
n+1
.
6. Sea n = n + 1, ir al paso 2.
El algoritmo requiere tres evaluaciones de f y una de f
en cada iteracin.
2.6. Mtodos de RFNM y BM
Los mtodos de RFNM y BM son introducidos por Giovanni Caldern en [6], el
primer mtodo es una modicacin de RFN introducido en [5] y el mtodo de BM es
derivado por el autor al combinar el mtodo de Biseccin con Mller.
Mtodo de RFNM. Sean a, b R y f C
1
[a, b] tal que f(a)f(b) < 0, por el teorema
del valor intermedio o de Bolzano se tiene que existe (a, b) un cero simple de
f en [a, b]. El mtodo consiste en denir un nuevo intervalo a partir de las aproxima-
ciones encontrada por los mtodos de Regula Falsi y Newton-Raphson. El algoritmo es
el siguiente:
Algoritmo de RFNM
Entrada: f C
1
iteraciones.
1. n = 0.
3. Calcular z
n
=
bf(a) af(b)
f(b) f(a)
y x
n+1
= z
n

f(z
n
)
f
(z
n
)
4. Si |x
n+1
x
n
| < entonces = x
n+1
, detener.
5. Si f(a)f(x
n+1
) < 0 entonces a = z
n
y b = x
n+1
n+1
y b = z
n
Mtodo de BM. Con la misma hiptesis del mtodo anterior, el mtodo consiste en: los
valores de f en el punto medio del segmento [a, b] y sus extremos a y b son usados para
denir el polinomio de Mller. La raz del polinomio de Mller dene una aproximacin
al cero . Luego, para la siguiente iteracin se dene el intervalo [a, b] como el menor
segmento que contiene a : es decir [a, (a+b)/2] o [(a+b)/2, b]. El algoritmo del mtodo
es el siguiente.
Algoritmo de BM
Entrada: f C[a, b] tal que f(a)f(b) < 0; tolerancia; max nmero mximo de
iteraciones.
1. n = 0.
3. Calcular, c =
a + b
2
; a
0
=
(c b)[f(a) f(b)] (a b)[f(c) f(b)]
(a b)(c b)(a c)
a
1
=
f(b) f(c)
b c
+ (b c)a
0
; a
2
= f(b) y raz= b
2a
2
a
1

_
a
2
1
4a
0
a
2
a
0
, a
1
y a
2
denen los coecientes del polinomio de segundo grado
P(x) = a
0
(x b)
2
+ a
1
(x b) + a
2
(Mller).
4. Si a <raz< b, entonces x
n+1
=raz
En caso contrario: x
n+1
= b
2a
2
a
1
+
_
a
2
1
4a
0
a
2
5. Si |x
n+1
x
n
| < o |f(x
n+1
)| < , entonces =raz, detener.
6. si f(a)f(x
n+1
) < 0, entonces b = raz.
si f(a)f(c) > 0, entonces a = c
En caso contrario: a =raz
si f(b)f(c) > 0, entonces b = c
Anlisis de convergencia. Aunque hace falta realizar muchos clculos adicionales en
el mtodo de BM, slo hace dos evaluaciones de la funcin f en cada iteracin, despus
de realizar la primera iteracin que realiza cuatro evaluaciones. El mtodo presenta una
convergencia cbica, su demostracin esta dado en el siguiente teorema. La eciencia
computacional del mtodo es: 3
1/2
1,732.
Teorema 2.8 Sea f C[a, b] con a y b tales que f(a)f(b) < 0. Si es un cero simple
de f en [a, b], entonces la sucesin {x
n
} producida por el mtodo de BM converge a
con a lo sumo un tercer orden de convergencia.
Demostracin: El mtodo de BM produce una sucesin de intervalos [a
n
, b
n
], para
n = 0, 1, 2, 3, . . ., con a
0
= a y b
0
= b tales que x
n
, [a
n
, b
n
] (x
n
la n-sima iteracin
realizada por el mtodo de BM), f(a
n
)f(b
n
) < 0 y [a
n+1
, b
n+1
] [a
n
, b
n
]. Note que,
b
1
a
1

b
0
a
0
2
,
b
2
a
2

b
1
a
1
2
,
.
.
.
b
n
a
n

b
n1
a
n1
2
,
pues la longitud del intervalo producido por el mtodo de BM es menor o igual que la
longitud del intervalo generado por el mtodo de Biseccin en cada iteracin. Usando
induccin matemtica resulta que,
b
n
a
n

b
0
a
0
2
n
, para cada n N. (2.31)
Como x
n
, [a
n
, b
n
] para cada n N de (2.31) se tiene que,
|x
n
| |b
n
a
n
|
b
0
a
0
2
n
. (2.32)
Al tomar lmite en (2.32) cuando n resulta que, lm
n
|x
n
| = 0, es decir x
n
.
Por otra parte, se quiere ver que {x
n
} converge a con una convergencia cbica.
Para probar esto, sea
P
n+1
(x) = a
0,n+1
(x b
n+1
)
2
+ a
1,n+1
(x b
n+1
) + a
2,n+1
el polinomio que interpola a f en los nodos a
n+1
, b
n+1
y c
n+1
:= (a
n+1
+b
n+1
)/2, donde
a
0,n+1
=
(c
n+1
b
n+1
)[f(a
n+1
) f(b
n+1
)] (a
n+1
b
n+1
)[f(c
n+1
) f(b
n+1
)]
(a
n+1
b
n+1
)(c
n+1
b
n+1
)(a
n+1
c
n+1
)
,
a
1,n+1
=
f(b
n+1
) f(c
n+1
)
b
n+1
c
n+1
+ (b
n+1
c
n+1
)a
0,n+1
y a
2,n+1
= f(b
n+1
)
entonces, el error de interpolacin polinomial es dado por
f() P
n+1
() = ( a
n+1
)( b
n+1
)
_

a
n+1
+ b
n+1
2
_
f
(3)
(
n+1
)
3!
,
con
n+1
(a
n+1
, b
n+1
). Como f() = 0, resulta que
P
n+1
() = [( a
n+1
)
2
( b
n+1
) + ( a
n+1
)( b
n+1
)
2
]
f
(3)
(
n+1
)
12
. (2.33)
Expandiendo P
n+1
() alrededor de x
n+1
, se tiene que, existe
n+1
entre x
n+1
y tal
que
P
n+1
() = P
n+1
(x
n+1
) + ( x
n+1
)P
n+1
(
n+1
).
Como P
n+1
(x
n+1
) = 0 se tiene que,
P
n+1
() = ( x
n+1
)P
n+1
(
n+1
).
Sustituyendo P
n+1
() en (2.33) resulta que,
x
n+1
= [( a
n+1
)
2
( b
n+1
) + ( a
n+1
)( b
n+1
)
2
]
f
(3)
(
n+1
)
12P
n+1
(
n+1
)
. (2.34)
Se quiere ver que, existe M > 0 y m N tal que
f
(3)
(
n+1
)
12P
n+1
(
n+1
)
< M, para cada n m,

para ver esto, suponga que las derivadas de P
n+1
y f tiene el mismo signo (sobre todo
cuando n ), sin perdida de generalidad, se puede suponer que existe m
1
N tal
que f
> 0 en [a
n+1
, b
n+1
] para cada n m
1
, es decir P
n+1
> 0 en [a
n+1
, b
n+1
]. Ahora,
si P
n+1
es creciente, entonces P
n
(a
n
) P
n
(
n
) P
n
(b
n
) para cada n
lm
n
(b
n
c
n
)a
0,n
= lm
n
(b
n
c
n
)
1
a
n
c
n
_
f(a
n
) f(b
n
)
a
n
b
n
f(c
n
) f(b
n
)
c
n
b
n
_
= lm
n
_
f(a
n
) f(b
n
)
a
n
b
n
f(c
n
) f(b
n
)
c
n
b
n
_
= f
() f
() = 0. (2.35)
De (2.35) resulta,
lm
n
P
n
(b
n
) = lm
n
a
1,n
= lm
n
_
f(b
n
) f(c
n
)
b
n
c
n
+ (b
n
c
n
)a
0,n
_
= f
(),
lm
n
P
n
(a
n
) = lm
n
2a
0,n
(a
n
b
n
) + a
1,n
= lm
n
4a
0,n
(b
n
c
n
) + a
1,n
= 0 + f
() = f
().
Por lo tanto, P
n
(
n
) f
(), es decir, dado = f
()/2 existe m
2
N tal que
|P
n
(
n
) f
()| <
f
()
2
, para cada n m
2
,
esto signica que, P
n
(
n
) (f
()/2, 3f
()/2), es decir f
()/2 < P
n
(
n
), luego el
mximo valor de
f
(3)
(
n+1
)
12P
n+1
(
n+1
)
ocurre en M :=
max
x[a,b]
f
(3)
(x)
6|f
()|
Para el caso en que f
< 0 en [a
n+1
, b
n+1
] para cada n m
1
, se cambia f por f y se
hace un razonamiento anlogo.
De (2.32), resulta que,
| x
n+1
| M|( a
n+1
)
2
( b
n+1
) + ( a
n+1
)( b
n+1
)
2
|. (2.36)
En la n-sima iteracin, la raz del polinomio de Mller, x
n
, que est dentro del inter-
valo [a
n
, b
n
] pasa a denir el nodo a
n+1
o b
n+1
segn sea el caso (paso 5 del algoritmo).
Entonces, se puede suponer, sin perdida de generalidad, que el error en la n-sima ite-
racin
n
:= x
n
= a
n+1
(pues en caso contrario, x
n
= b
n+1
, el desarrollo
resulta equivalente) y por lo tanto de (2.36) se tiene que
|
n+1
| 2M|
n
|
2
, (2.37)
siempre y cuando | b
n+1
| | a
n+1
|. A partir de (2.37) se obtiene un orden de
convergencia cbica para el mtodo BM. Sin embargo, si | a
n+1
| | b
n+1
| de
(2.36) se tiene
| x
n
| M|
2
n
( a
n+1
+ a
n+1
b
n+1
) +
n
( a
n+1
+ a
n+1
b
n+1
)
2
|
M[2|
n
|
3
+ 3|
n
|
2
|a
n+1
b
n+1
| +|
n
||a
n+1
b
n+1
|
2
]
2M|
n
|(|
n
| +|a
n+1
b
n+1
|)
2
tomando lmite en la desigualdad anterior se tiene
lm
n
n
|
n
|
3
2M,
por lo tanto en este caso a lo sumo presenta una convergencia cbica. Lo cual termina
la prueba.
2.7. Mtodo iterativo de KMS
El mtodo iterativo de KMS es introducido por Khalida Inayat Noor, Muhammad
Aslam Noor y Shaher Momani en [7], es un mtodo iterativo de dos pasos tipo predictor-
corrector. El mtodo es derivado al combinar el mtodo iterativo de Newton y House-
holder.
C
3
de Taylor a f(x h) alrededor de x, se tiene,
f(x h) = f(x) hf
(x) + h
2
f
(x)
2!
+ O(h
3
).
f(x h) = 0 f(x) hf(x) +
h
2
2
f
(x).
Entonces, h = c + N(h), donde c :=
f(x)
f
(x)
y N(h) :=
h
2
2
f
(x)
f
(x)
.
Aplicando el mtodo de descomposicin de Adomian a h para n = 1 de (1.6) se tiene
que, h h
0
+ h
1
0
= c y h
1
= A
1
, donde,
h
0
= c =
f(x)
f
(x)
, y h
1
= A
0
= N(h
0
) =
h
2
0
2
f
(x)
f
(x)
=
f
2
(x)f
(x)
2[f
(x)]
3
.
Mtodo iterativo de KMS 35
Como f(x h) = 0, se tiene
= x h x
f(x)
f
(x)

f
2
(x)f
(x)
2[f
(x)]
3
,
x
n+1
= x
n

f(x
n
)
f
(x
n
)

f
2
(x
n
)f
(x
n
)
2[f
(x
n
)]
3
, n 0. (2.38)
A partir de (2.38) se dene el mtodo iterativo de Householder para un x
0
sucien-
temente cerca de .
Combinando el mtodo de Newton-Raphson como predictor con la iteracin de
Householder como corrector, se obtiene el mtodo iterativo de KMS, para un x
0
su-
cientemente cerca de la raz de f
_
_
y
n
= x
n

f(x
n
)
f
(x
n
)
,
x
n+1
= y
n

f(y
n
)
f
(y
n
)

f
2
(y
n
)f
(y
n
)
2[f
(y
n
)]
3
, n 0.
(2.39)
Anlisis de convergencia. El mtodo iterativo de KMS (2.39) requiere dos evalua-
ciones de f, dos de f
y una de f
en cada iteracin, esto presenta una grave problema,

debido al evaluar la derivada de una funcin elemental puede ser muy difcil, pues re-
quieren ms operaciones aritmticas para calcularlo que la misma funcin. Este mtodo
presenta una convergencia de sexto orden, su demostracin esta dado en el siguiente
teorema, as la eciencia computacional del mtodo es: 6
1/5
1,431.
9
en I y I
(x) = 0 y f
_
x
f(x)
f
(x)
_
= 0 para cada x I, entonces existe
> 0, tal que el mtodo iterativo de KMS converge a con al menos un sexto orden de
convergencia, para cualquier aproximacin inicial x
0
[ , + ] I y satisface la
ecuacin error,
e
n+1
=
15[f
()]
3
[3[f
()]
2
f
(3)
()f
()]
6![f
()]
5
e
6
n
+ O(e
7
n
),
donde e
n
:= x
n
para cada n N.
Demostracin: Sea F : I R una funcin de iteracin denida por:
F(x) := z(x)
f(z(x))
f
(z(x))

f
2
(z(x))f
(z(x))
2[f
(z(x))]
3
, donde z(x) = x
f(x)
f
(x)
.
Como f
(x) = 0 y f
_
x
f(x)
f
(x)
_
= 0 para cada x I y f
(9)
continua en I, resulta que
F
(7)
es continua en I, usando MAPLE para facilitar la manipulacin algebraica, se tiene
F() = , F
() = F
() = F
(3)
() = F
(4)
() = F
(5)
() = 0 y
F
(6)
() =
15[f
()]
3
[3[f
()]
2
f
(3)
()f
()]
[f
()]
5
,
()| < 1. Por la proposicin 1.2, se tiene que, existe

> 0 tal que la iteracin de punto jo de F converge a , para cualquier x
0
[, +
] I. Dado que F
(6)
() = 0 slo en caso particulares cuando 15[f
()]
3
[3[f
()]
2
f
(3)
()f
()] = 0, por el teorema 1.4 se tiene que, el mtodo iterativo de KMS converge
a con al menos un sexto orden de convergencia.
n+1
= F(x
n
x
0
[ , + ]. Como F
(7)
a F(x
n
) alrededor de hasta orden siete, se obtiene
F(x
n
) = F() +F
()(x
n
) +F
()(x
n
) +
F
(3)
()
3!
(x
n
)
3
+
F
(4)
()
4!
(x
n
)
4
+
F
(5)
()
5!
(x
n
)
5
+
F
(6)
()
6!
(x
n
)
6
+ O((x
n
)
7
).
Al denir e
n
:= x
n
x
n+1
=
F
(6)
()
6!
e
6
n
+ O(e
7
n
),
es decir,
e
n+1
=
15[f
()]
3
[3[f
()]
2
f
(3)
()f
()]
6![f
()]
5
e
6
n
+ O(e
7
n
)
lo cual termina la prueba.
2.8. Mtodo iterativo de MH
El mtodo iterativo de MH es introducido por Muhammad Aslam Noor, Khalida Ina-
yat Noor y Mahmood Hassan en [8], es un mtodo iterativo de dos pasos tipo predictor-
corrector. El mtodo es derivado por una modicacin de la iteracin de Householder en
combinacin con el mtodo de Newton-Raphson.
Mtodo iterativo de MH 37
C
2
en I. Considere el mtodo iterativo de Householder (2.38)
x
n+1
= x
n

f(x
n
)
f
(x
n
)

f
2
(x
n
)f
(x
n
)
2[f
(x
n
)]
3
.
Al reemplazar la segunda derivada de la iteracin anterior por diferencias nita, es decir,
f
(x
n
) =
f
(y
n
) f
(x
n
)
y
n
x
n
,
se tiene que,
x
n+1
= x
n

f(x
n
)
f
(x
n
)

f
2
(x
n
)
2[f
(x
n
)]
3
f
(y
n
) f
(x
n
)
y
n
x
n
.
Al combinar el mtodo de Newton-Raphson con la iteracin anterior, se obtiene el
mtodo iterativo de MH. Para x
0
sucientemente cerca de la raz de f.
_
_
y
n
= x
n

f(x
n
)
f
(x
n
)
, n 0
x
n+1
= x
n

_
3f
(x
n
) f
(y
n
)
2f
(x
n
)
_
f(x
n
)
f
(x
n
)
(2.40)
Anlisis de convergencia. El mtodo iterativo de MH (2.40) requiere una evaluacin
de f y dos evaluaciones de f
en cada iteracin, esto presenta una grave problema, debido

al evaluar la derivada de una funcin elemental puede ser muy difcil, pues requieren ms
operaciones aritmticas para calcularlo que la misma funcin. Este mtodo presenta
una convergencia cbica, su demostracin esta dado en el siguiente teorema, luego la
eciencia computacional del mtodo es: 3
1/3
1,442.
5
en I y
(x) = 0 para cada x I, entonces existe > 0, tal que

el mtodo iterativo de MH converge a con al menos un tercer orden de convergencia,
0
e
n+1
=
1
12
6[f
()]
2
+ f
(3)
()f
()
[f
()]
2
e
3
n
+ O(e
4
n
), donde e
n
:= x
n
para cada n N.
Demostracin: Sea F : I R la funcin de iteracin denida por:
F(x) = x
_
3f
(x) f
(z)
2f
(x)
_
f(x)
f
(x)
, donde z = x
f(x)
f
(x)
.
Como f

(5)
continua en I, resulta que F
(4)
es continua en I,
entonces
F() = , F
() = F
() = 0 y F
(3)
() =
1
2
6[f
()]
2
+ f
(3)
()f
()
[f
()]
2
.
es decir , es un punto jo de F y |F
()| < 1. Por la proposicin 1.2, se obtiene

que, existe > 0 tal que la iteracin de punto jo de F converge a , para cualquier
x
0
[, +] I. Dado que F
(3)
() = 0 slo en caso particulares cuando 6[f
()]
2
+
f
(3)
()f
() = 0, por el teorema 1.4 se tiene que, el mtodo iterativo de MH converge a

con al menos un tercer orden de convergencia.
n+1
= F(x
n
x
0
[ , + ]. Como F
(4)
a F(x
n
F(x
n
) = F() + F
()(x
n
) + F
()(x
n
) +
F
(3)
()
3!
(x
n
)
3
+ O((x
n
)
4
).
Al denir e
n
:= x
n
x
n+1
=
F
(3)
()
3!
e
3
n
+ O(e
4
n
),
es decir,
e
n+1
=
1
12
6[f
()]
2
+ f
(3)
()f
()
[f
()]
2
e
3
n
+ O(e
4
n
)
2.9. Mtodo iterativo de KouLi
El mtodo de KouLi es introducido por Kou Jisheng, Li Yittian and Wang Xiuhua en
[9], es un mtodo iterativo de dos paso tipo predictor-corrector. El mtodo es derivado
por una modicacin de la iteracin de Homeier.
Construccin del mtodo. Se considera el mtodo iterativo denido en [18] para
encontrar una solucin aproximada a las races simple de ecuaciones no lineales de la
forma f(x) = 0, para x
0
sucientemente cerca de la raz de f, el mtodo iterativo viene
dado por
_
_
z
n
= x
n

f(x
n
)
f
(x
n
)
,
x
n+1
= x
n

f(x
n
)
2
_
1
f
(x
n
)
+
1
f
(z
n
)
_
, n 0.
(2.41)
Mtodo iterativo de KouLi 39
Al reescribir la iteracin (2.41) se tiene,
x
n+1
= x
n

f(x
n
)
2
_
_
_
_
1
f
(x
n
)
+
1
2
_
f
(z
n
) + f
(x
n
)
2
_
f
(x
n
)
_
_
_
_
, (2.42)
Reemplazando la media aritmtica
f
(z
n
) + f
(x
n
)
2
con el valor del punto medio
f
_
x
n
+ z
n
2
_
en (2.42) se obtiene el mtodo iterativo de KouLi dado por:
_
_
y
n
= x
n

1
2
f(x
n
)
f
(x
n
)
,
x
n+1
= x
n

f(x
n
)
2
_
1
f
(x
n
)
+
1
2f
(y
n
) f
(x
n
)
_
, n 0.
(2.43)
para un x
0
sucientemente cerca de la raz de f.
Anlisis de convergencia. El mtodo iterativo de KouLi (2.43) requiere una evaluacin
de f y dos evaluaciones de f
en cada iteracin, esto presenta una grave problema, debido

al evaluar la derivada de una funcin elemental puede ser muy difcil, pues requieren ms
operaciones aritmticas para calcularlo que la misma funcin. Este mtodo presenta una
convergencia cbica, su demostracin esta dado en el siguiente teorema. Adems la
eciencia computacional del mtodo es: 3
1/3
1,442.
5
en I y
(x) = 0 para cada x I, entonces existe > 0, tal que el

mtodo iterativo de KouLi converge a con al menos un tercer orden de convergencia,
0
e
n+1
=
1
4
c
3
e
3
n
+ O(e
4
n
), donde e
n
= x
n
para cada n N y c
3
=
1
3!
f
(3)
()
f
()
.
Demostracin: Sea F : I R la funcin de iteracin denida por
F(x) = x
f(x)
2
_
1
f
(x)
+
1
2f
(y) f
(x)
_
, donde y = x
1
2
f(x)
f
(x)
Como f

(5)
continua en I, resulta que F
(4)
es continua en I,
entonces se tiene
F() = , F
() = F
() = 0 y F
(3)
() =
1
4
f
(3)
()
f
()
.
es decir , es un punto jo de F y |F
()| < 1. Por la proposicin 1.2, se obtiene

que, existe > 0 tal que la iteracin de punto jo de F converge a , para cualquier
x
0
[, +] I. Dado que F
(3)
() = 0 slo en caso particulares cuando f
(3)
() = 0,
por el teorema 1.4 resulta que, el mtodo iterativo de KouLi converge a con al menos
un tercer orden de convergencia.
n+1
= F(x
n
x
0
[ , + ]. Como F
(4)
a F(x
n
F(x
n
) = F() + F
()(x
n
) + F
()(x
n
) +
F
(3)
()
3!
(x
n
)
3
+ O((x
n
)
4
).
Al denir e
n
:= x
n
x
n+1
=
F
(3)
()
3!
e
3
n
+ O(e
4
n
),
es decir,
e
n+1
=
1
3!
1
4
f
(3)
()
f
()
e
3
n
+ O(e
4
n
).
2.10. Mtodos iterativos de ChunYoon1 y ChunYoon2
El mtodo iterativo de ChunYoon1 y ChunYoon2 es introducido por Chang Chun and
Yoon Mee Ham en [10], los mtodos iterativos son de dos paso tipo predictor-corrector.
Estos mtodos son derivados por una modicacin de la iteracin de KouLi propuesto
en [9].
Construccin del mtodo y anlisis de convergencia. Sea f : I R, con I R
una funcin de clase C
2
en I, considere el mtodo iterativo de KouLi de tercer orden de
convergencia propuesto en [9], lo cual viene dado por:
z
n
= x
n

1
2
f(x
n
)
f
(x
n
)
, (2.44)
x
n+1
= x
n

f(x
n
)
2
_
1
f
(x
n
)
+
1
2f
(z
n
) f
(x
n
)
_
, n 0 (2.45)
con x
0
un valor inicial lo sucientemente cerca de la raz de f. Desarrollando la expansin
de Taylor de f(z
n
) alrededor de x
n
, se tiene
f(z
n
) = f(x
n
) + f
(x
n
)(z
n
x
n
) +
f
(x
n
)
2
(z
n
x
n
)
2
. (2.46)
Mtodos iterativos de ChunYoon1 y ChunYoon2 41
Calculando f
(z
n
) de (2.46) y combinando con (2.44) se obtiene,
f
(z
n
) = f
(x
n
) + f
(x
n
)(z
n
x
n
) = f
(x
n
)
f(x
n
)f
(x
n
)
2f
(x
n
)
. (2.47)
Sustituyendo (2.47) en (2.45) resulta,
x
n+1
= x
n

f(x
n
)
2
_
_
1
f
(x
n
)
+
1
2
_
f
(x
n
)
f(x
n
)f
(x
n
)
2f
(x
n
)
_
f
(x
n
)
_
_
= x
n

f(x
n
)
2
_
1
f
(x
n
)
+
f
(x
n
)
[f
(x
n
)]
2
f(x
n
)f
(x
n
)
_
.
Por lo tanto,
x
n+1
= x
n

1
2
f(x
n
)
f
(x
n
)
_
2[f
(x
n
)]
2
f(x
n
)f
(x
n
)
[f
(x
n
)]
2
f(x
n
)f
(x
n
)
_
. (2.48)
Considrese,
y
n
= x
n

f(x
n
)f
(x
n
)
[f
(x
n
)]
2
f(x
n
)f
(x
n
)
, (2.49)
donde y son nmeros reales arbitrario. Cuando = 1 y = 0, de (2.49) se deduce
la iteracin de Newton Raphson.
Para aproximar f
(x
n
) de la iteracin (2.48) se considera la expansin de Taylor de
f(y
n
) alrededor de x
n
y combinando (2.49) se obtiene,
f(y
n
) = f(x
n
) + f
(x
n
)(y
n
x
n
) +
1
2
f
(x
n
)(y
n
x
n
)
2
= f(x
n
)
f(x
n
)[f
(x
n
)]
2
[f
(x
n
)]
2
f(x
n
)f
(x
n
)
+
1
2
2
f
2
(x
n
)[f
(x
n
)]
2
f
(x
n
)
([f
(x
n
)]
2
f(x
n
)f
(x
n
))
2
.
Al denir L
n
:= [f
(x
n
)]
2
f(x
n
), se sustituye en la ecuacin anterior y se despeja
f
(x
n
), por lo tanto
f
(x
n
) =
2[f(y
n
) f(x
n
)]L
2
n
(x
n
)
2
f
2
(x
n
)[f
(x
n
)]
2
+
2L
n
(x
n
)
f(x
n
)
= 2
_
[f(y
n
) f(x
n
)]L
2
n
(x
n
) + f(x
n
)[f
(x
n
)]
2
2
f
2
(x
n
)[f
(x
n
)]
2
_
. (2.50)
Sustituyendo (2.50) en (2.48) se tiene,
x
n+1
= x
n

1
2
f(x
n
)
f
(x
n
)
2[f
(x
n
)]
2
2f(x
n
)
_
[f(y
n
) f(x
n
)]L
2
n
(x
n
) + f(x
n
)[f
(x
n
)]
2
2
f
2
(x
n
)[f
(x
n
)]
2
_
[f
(x
n
)]
2
2f(x
n
)
_
[f(y
n
) f(x
n
)]L
2
n
(x
n
) + f(x
n
)[f
(x
n
)]
2
2
f
2
(x
n
)[f
(x
n
)]
2
_
= x
n

f(x
n
)
f
(x
n
)
2
f(x
n
)[f
(x
n
)]
4
[f(y
n
) f(x
n
)]L
2
n
(x
n
) f(x
n
)[f
(x
n
)]
2
L
n
(x
n
)
2
f(x
n
)[f
(x
n
)]
4
2[f(y
n
) f(x
n
)]L
2
n
(x
n
) 2f(x
n
)[f
(x
n
)]
2
L
n
(x
n
)
= x
n

f(x
n
)
f
(x
n
)
[f(y
n
) f(x
n
)]L
2
n
(x
n
) + f(x
n
)[f
(x
n
)]
2
([f
(x
n
)]
2
+ L
n
(x
n
))
2[f(y
n
) f(x
n
)]L
2
n
(x
n
) + f(x
n
)[f
(x
n
)]
2
([f
(x
n
)]
2
+ 2L
n
(x
n
))
Por lo tanto, se obtiene una familia de mtodos con dos parmetros libre de segunda
derivada y requiere dos evaluaciones de la funcin y una de la primera derivada por
iteracin. Para x
0
sucientemente cerca del cero de f la iteracin viene dada por,
x
n+1
= x
n

f(x
n
)
f
(x
n
)
R
n
L
2
n
(x
n
) + f(x
n
)[f
(x
n
)]
2
[(1 )[f
(x
n
)]
2
f(x
n
)]
2R
n
L
2
n
(x
n
) + f(x
n
)[f
(x
n
)]
2
[(2 )[f
(x
n
)]
2
2f(x
n
)]
, (2.51)
donde , R, L
n
= [f
(x
n
) f(x
n
)]
2
, R
n
= f(y
n
) f(x
n
) y y
n
es denido en (2.49).
Para la familia (2.51) se tiene el siguiente resultado de convergencia.
Teorema 2.12 Sean I R un intervalo, f : I R y I un cero simple de f. Si x
0
esta sucientemente cerca de y = 1 entonces el orden de convergencia de la familia
(2.51) es cuarto y satisface la ecuacin error
e
n+1
=
_
c
3
2
()
c
3
c
2
c
3
_
e
4
n
+ O(e
5
n
),
donde e
n
:= x
n
, c
k
:=
f
(k)
()
k!f
()
y R.
Demostracin: Ver referencia [10].
Si = 1 en (2.51) se obtiene una familia de mtodos de cuarto orden de convergencia,
para x
0
sucientemente cerca del cero de f la iteracin viene dada por,
x
n+1
= x
n

f(x
n
)
f
(x
n
)
M
n
L
2
n
(x
n
) f
2
(x
n
)[f
(x
n
)]
2
2M
n
L
2
n
(x
n
) + f(x
n
)[f
(x
n
)]
2
([f
(x
n
)]
2
2f(x
n
))
, (2.52)
Mtodos iterativos de ChunYoon1 y ChunYoon2 43
donde R, L
n
= [f
(x
n
) f(x
n
)]
2
, M
n
= f(y
n
) f(x
n
) y y
n
es denido por
y
n
= x
n

f(x
n
)f
(x
n
)
[f
(x
n
)]
2
f(x
n
)f
(x
n
)
.
Si = 1 en (2.52) se tiene el mtodo de ChunYoon 1 de cuarto orden de conver-
gencia, para x
0
sucientemente cerca del cero de f. La iteracin viene dada por,
x
n+1
= x
n

f(x
n
)
f
(x
n
)
[f(y
n
) f(x
n
)]L
2
n
(x
n
) f
2
(x
n
)[f
(x
n
)]
2
2[f(y
n
) f(x
n
)]L
2
n
(x
n
) + f(x
n
)[f
(x
n
)]
2
([f
(x
n
)]
2
2f(x
n
))
,
donde L
n
= [f
(x
n
) f(x
n
)]
2
y y
n
es denido por
y
n
= x
n

f(x
n
)f
(x
n
)
[f
(x
n
)]
2
f(x
n
)f
(x
n
)
.
Si = 100 en (2.52) se tiene el mtodo de ChunYoon 2 de cuarto orden de
convergencia, para x
0
sucientemente cerca del cero de f. La iteracin viene dada por,
x
n+1
= x
n

f(x
n
)
f
(x
n
)
[f(y
n
) f(x
n
)]L
2
n
(x
n
) + 100f
2
(x
n
)[f
(x
n
)]
2
2[f(y
n
) f(x
n
)]L
2
n
(x
n
) + f(x
n
)[f
(x
n
)]
2
([f
(x
n
)]
2
+ 200f(x
n
))
,
donde L
n
= [f
(x
n
) + 100f(x
n
)]
2
y y
n
es denido por
y
n
= x
n

f(x
n
)f
(x
n
)
[f
(x
n
)]
2
+ 100f(x
n
)f
(x
n
)
.
El mtodo de ChunYoon1 y ChunYoon2 requiere dos evaluaciones de f y una evaluacin
de f
en cada iteracin respectivamente. Esto presenta una grave problema, debido a

que el clculo de la derivada de una funcin elemental puede ser muy costoso, pues
requieren ms operaciones aritmticas para calcularlo que la de la funcin. Como el
mtodo presenta un cuarto orden de convergencia y requiere de tres evaluaciones de
funciones en la funcin de iteracin. Adems, la eciencia computacional para ambos
mtodos es: 4
1/3
1,58740.
Captulo 3
Clasicacin de los mtodos y
experimentacin numrica
Como ya se ha dicho, es comn que se clasique o se concluya sobre la superioridad o
no de un mtodo, slo por su orden de convergencia (ver Cuadro 3.1) o por el nmero de
iteraciones que realiza el mtodo sobre un determinado nmero de ejemplos. Este tipo
de anlisis puede llegar a sesgar la conclusin sobre la superioridad o no de un mtodo
especco. Por ejemplo, para la funcin 43 (ver Apndice B) los resultados obtenidos
para alcanzar una tolerancia de error de 10
15
son mostrados en el Cuadro 3.1, donde
los mtodos de BM y BSC tienen el mismo orden de convergencia y el mismo nmero de
iteraciones realizadas, pero con un nmero de evaluaciones de funciones (por iteracin)
distinta: 2 evaluaciones de f para el mtodo BM y 3 evaluaciones (f, f
, f
) para el
mtodo BSC. Este hecho repercutir en un mayor tiempo de clculo en BSC, por lo cual,
en la prctica, resulta ms eciente el mtodo BM que el mtodo BSC. Por tal motivo,
algunos autores realizan la clasicacin de los mtodos iterativos por su eciencia com-
putacional (Denicin 1.6) en donde se involucra el orden de convergencia y el nmero
de evaluaciones de funciones (f, f
o f
) por iteracin. La clasicacin de los mtodos a

partir de la eciencia computacional es dada en el Cuadro 3.2, resultando en los primeros
lugares los mtodos que realizan menos evaluaciones de funciones y perdiendo posiciones
aquellos que ms evaluaciones realizan; ver, por ejemplo, los mtodos BM y KMS en los
Cuadros 3.1 y 3.2. Sin embargo, la eciencia computacional no toma en cuenta que tipo
de funcin se esta evaluando; esto es, si es f o alguna de sus derivadas. Por ejemplo, en
el Cuadro 3.2, se le da la misma eciencia computacional al mtodo NRF y al mtodo
MH, el primero con dos evaluaciones de f y una de f
, mientras el segundo tiene una

evaluacin de f y dos evaluaciones de f
. No obstante, en la prctica, la evaluacin de

derivadas de funciones no lineales resulta ms costosa que la evaluacin de la funcin.
En otras palabras, el mtodo NRF resultar, en el mayor de los casos, ms apropiado
46 Clasicacin de los mtodos y experimentacin numrica
Mtodos Orden Nmero de iteraciones Nf Nf
Nf
KMS 6 2 2 2 1
ChunYon 1 4 5 2 1 0
ChunYon 2 4 31 2 1 0
Chun 4 3 2 2 0
BM 3 6 2 0 0
NRF 3 5 2 1 0
KouLi 3 3 1 2 0
MH 3 3 1 2 0
Abbs 3 36 1 1 1
BSC 3 6 1 1 1
RFN 3 3 2 1 0
RFNM 3 3 2 1 0
Newton 2 5 1 1 0
NU 2 5 2 1 0
Cuadro 3.1: Clasicacin por orden de convergencia. Los trmino Nf, Nf
y Nf
, representan el nmero de
evaluaciones de f, f
y f
respectivamente (por iteracin). El nmero de iteraciones es calculado usando la

funcin 43 (ver Apndice B). Para efecto de la comparacin, la condicin inicial de los mtodos que parten de
un punto, x
0
, se toma en el extremo izquierdo del intervalo [a, b].
que el mtodo MH.
Del anlisis anterior, se concluye que la comparacin de dos o ms mtodos debera
tener en cuenta, entre otras, las siguientes propiedades: orden de convergencia, costo
computacional (nmero de evaluaciones de f, f
, f
,. . . y tiempo de CPU usado), cons-

tante asinttica del error, dependencia de la convergencia en cuanto a la eleccin de las
primeras aproximaciones. Por tal motivo, existe la necesidad de denir un proceso para
clasicar en forma ms precisa los mtodos iterativos, tanto los mtodos introducidos en
este trabajo como los que da a da aparecen en las referencias literarias especializadas.
Para este n, se presentan tres frmulas que denen distintas clasicaciones tomando
en cuenta todas o algunas de la propiedades antes mencionadas. Estas frmulas son
aplicadas para denir una clasicacin de los mtodos iterativos propuestos en las re-
ferencias [1-10]. Para esto, se trabaja sobre una base de funciones no lineales, lo ms
general posible (ver Apndice B).
Debido a que la mayora de los mtodos iterativos que se desean clasicar en este
captulo son del tipo multipaso y, en general, utilizan al mtodo de Newton-Raphson
como mtodo predictor (primer paso), es conveniente iniciar estos mtodos dentro del
radio de convergencia de Newton (ver Proposicin 1.2). De esta manera queda claro que
la no convergencia de alguno de los mtodos no es debida al mtodo de Newton. Por
otro lado, algunos de los mtodos a estudiar (BM, NRF, RFN y RFNM) se inician sobre
un intervalo [a, b], donde se pide que f(a)f(b) < 0. Debido a esto, existe la necesidad de
Primera frmula de clasicacin 47
Mtodos Eciencia computacional (r
1/d
)
BM 1.732
ChunYon 1 1.587
ChunYon 2 1.587
RFN 1.442
RFNM 1.442
NRF 1.442
KouLi 1.442
MH 1.442
Abbs 1.442
BSC 1.442
KMS 1.431
Chun 1.414
Newton 1.414
NU 1.260
Cuadro 3.2: Clasicacin por eciencia computacional, donde r es el orden de convergencia y d es el nmero
de evaluaciones de funciones.
seleccionar un intervalo que este contenido en el radio de convergencia de Newton.
A continuacin se denen y se analizan las tres frmulas:
3.1. Primera frmula de clasicacin
Como ya se ha comentado, una forma de clasicar los mtodos iterativos es por su
eciencia computacional (r
1/d
, donde r es el orden de convergencia y d es el nmero de
evaluaciones de f, f
, f
, . . .). Sin embargo, debido a que la evaluacin de las derivadas

de funciones no lineales resulta ms costosa que la evaluacin de la funcin, se introduce
una frmula, la cual llamaremos medida de eciencia, que adems de la eciencia
computacional, r
1/d
, toma en cuenta el nmero de evaluaciones de f, f
, f
, . . ., y tiempo
de CPU usado. Para un mtodo iterativo i la medida de eciencia
i
esta dada por
i
:= r
1/d
i
i
+
1
i
, (3.1)
donde
r
i
es el orden de convergencia del mtodo i. En caso que no se posea informacin
sobre el orden, se puede calcular una aproximacin. Si {x
n
} es la sucesin generada
por el mtodo i convergente a , el orden de convergencia puede estimarse a partir
de
r
i

ln|(x
n+1
)/(x
n
)|
ln|(x
n1
)/(x
n
)|
.
d
i
:=
n
j=0
h
i
f
(j)
, con n el nmero mximo de derivadas de la funcin f (en el caso
de esta tesis, n = 2) y, h
i
f
(j)
es la cantidad de evaluaciones de f
(j)
realizada en el
mtodo i.
i
:=
n
j=0
T
F
(j)
T
t
h
i
f
(j)
, en donde
F es la suma de todas las funciones de la base.
T
F
(j) es el tiempo usado para evaluar F
(j)
en un vector. En el caso del trabajo,
se realizo con un vector de 100000 nodos contenido en el dominio de F. Para
la base de funciones dada en el Apndice B estos tiempos (segundos) quedan
dados por:
T
F
= 44,7485, T
F
= 50,3311 y T
F
= 58,2339.
T
t
representa el tiempo total usado para evaluar F, F
, F
,. . . Por la tanto,
T
t
:=
n
j=0
T
F
(j) =
2
j=0
T
F
(j) = 153,3135.
T
F
(j)
T
t
es el costo para evaluar f
(j)
. De esta manera
T
F
T
t
= 0,2919,
T
F
T
t
= 0,3283 y
T
F
T
t
= 0,3798.
En el Cuadro 3.3 se presentan la clasicacin de los mtodos iterativos generada por
(3.1). A partir de esto se puede concluir, que el mtodo de Newton ocupa el segundo
lugar, debido a que realiza una evaluacin de la funcin y una de derivada por iteracin,
obtenindose un cambio considerable en comparacin con el Cuadro 3.2 (clasicacin de
los mtodos por eciencia computacional) que se encuentra en el dcimo tercero. Se debe
resaltar, que los dems mtodos del Cuadro 3.3 excepto el mtodo BM, que se mantiene
en el mismo lugar del Cuadro 3.2, tienen algunas variaciones en sus posiciones.
3.2. Segunda frmula de clasicacin
Una propiedad importante que no es tomada en cuenta por la frmula (3.1) es la
sensibilidad del mtodo a la condicin inicial (estabilidad). En otras palabras, a tomar el
punto inicial, x
0
, el mtodo puede resultar convergente o divergente. En este ltimo caso
Segunda frmula de clasicacin 49
Mtodos r r
1/d
r
1/d
+ 1/
BM 3 1.732 3.445
Newton 2 1.414 3.027
ChunYoon2 4 1.587 2.684
ChunYoon1 4 1.587 2.684
RFNM 3 1.442 2.539
RFN 3 1.442 2.539
NRF 3 1.442 2.539
KouLi 3 1.442 2.497
MH 3 1.442 2.497
BSC 3 1.442 2.442
Abbs 3 1.442 2.442
NU 2 1.260 2.356
Chun 4 1.414 2.220
KMS 6 1.431 2.048
Cuadro 3.3: Clasicacin de los mtodos iterativos generada por la frmula 3.1.
es necesario redenir a x
0
ms proximo a la raz para poder lograr la convergencia.
Por tal motivo, se introduce un peso a la frmula 3.1, quedando denida la medida de
eciencia,
i
, del modo siguiente:
i
:=
_
r
1/d
i
i
+
1
i
_
Nejem p m
i
Nejem p
, (3.2)
donde
Nejem es la cantidad de funciones en la base de datos,
p es el nmero total de nodos que sern usados como condicin inicial. Estos nodos
dependen de cada funcin de la base y deben pertenecer al radio de convergencia
de Newton,
m
i
:=
Nejem
j=1
v
i
j
, en donde v
i
j
es el nmero de veces que diverge el mtodo i para el
ejemplo j, durante las p ejecuciones.
Observacin: Para efectos de la clasicacin, un mtodo iterativo sera considerado
convergente, si satisface la tolerancia prescrita del error y converge a una raz simple .
El mtodo iterativo sera considerado divergente si ocurre uno de los siguientes casos:
1. Si es divergente de forma natural.
2. Si es convergente a un nmero que no es raz.
3. Si excede el nmero de iteraciones mxima.
En el Cuadro 3.4 se presentan la clasicacin de los mtodos iterativos generada por
(3.2). A partir de esto se puede concluir, que el mtodo de ChunYon 1 y 2 intercambiaron
sus posiciones que son dados en la tabla anterior, ya que el mtodo ChunYon 2 presentan
divergencia en algunas funciones de la base. Se debe resaltar, que los dems mtodos
mantuvieron sus posiciones debido a que son convergentes.
Mtodos r r
1/d
r
1/d
+ 1/ (r
1/d
+ 1/)M
BM 3 1.732 3.445 3.445
Newton 2 1.414 3.027 3.027
ChunYoon1 4 1.587 2.684 2.684
ChunYoon2 4 1.587 2.684 2.626
RFNM 3 1.442 2.539 2.539
RFN 3 1.442 2.539 2.539
NRF 3 1.442 2.539 2.539
KouLi 3 1.442 2.497 2.497
MH 3 1.442 2.497 2.497
BSC 3 1.442 2.442 2.442
Abbs 3 1.442 2.442 2.442
NU 2 1.260 2.356 2.356
Chun 4 1.414 2.220 2.220
KMS 6 1.431 2.048 2.048
Cuadro 3.4: Clasicacin de los mtodos iterativos generada por la frmula 3.2. Donde M es la expresin que
multiplica a (r
1/d
+ 1/) dado en (3.2).
3.3. Tercera frmula de clasicacin
En lugar de ver la cantidad de veces que un mtodo diverge para condiciones iniciales
dentro de cierto radio alrededor de la raz , podemos preguntarnos, cuntas iteraciones
adicionales son necesarias para lograr la convergencia a medida que se dene la condicin
inicial ms lejos de la raz . En otras palabras, cmo es la velocidad de convergencia
de un mtodo cuando la condicin inicial est lejos de la raz a ser aproximada. Para
medir esta propiedad se le suma un peso, entre (0, 1], a la medida de eciencia (3.1). La
misma queda dada por
i
:= r
1/d
i
i
+
1
i
, (3.3)
Tercera frmula de clasicacin 51
donde
i
:=
n
i
max{n
j
}
m
j=1
, con n
i
:=
Nejem
k=1
n
ik
y n
ik
:=
p+1
j=1
m
k
ij
p + 1
,
con
m es la cantidad de mtodos que se desean clasicar.
Nejem es la cantidad de funciones en la base de datos.
n
ik
es la cantidad de iteraciones promedio del mtodo i en el ejemplo k.
Cada intervalo de la base se divide en p partes iguales. Por lo tanto, para cada
ejemplo al mtodo se le aplican p + 1 corrida.
m
k
ij
es la cantidad de iteraciones que realiza el mtodo i en el ejemplo k en la
corrida j.
En el caso que el mtodo sea divergente, se penaliza con el nmero mximo de
iteraciones de los mtodos convergente en esa corrida.
Para ilustrar la idea del clculo de , considrese 4 mtodos que se desean clasicar
en la base de dos funciones (Nejem = 2), cada intervalo de la base se divide en tres
partes iguales (p = 3) o cuatro corridas por ejemplo y, un nmero mximo de iteraciones
de 1000. Supongamos que, al ejecutar el ejemplo 1 (k = 1) se obtienen los resultados
dados en el Cuadro 3.5.
Mtodos Corrida 1 Corrida 2 Corrida 3 Corrida 4
1 10 50 16 8
2 div 15 18 6
3 3 1001 20 div
4 9 7 11 5
Cuadro 3.5: Nmero de iteraciones realizada en el ejemplo 1 (k = 1) sin penalizacin. El trmino div signica
que el mtodo es divergente.
Como el mtodo 3 en la corrida 2 excede el nmero de iteraciones mximas, se tiene
que es divergente. Al penalizar todos los mtodos que son divergente, por el nmero m-
ximo de iteraciones de los mtodos convergentes en esa corrida, se obtienen los resultados
dados en el Cuadro 3.6.
Mtodos Corrida 1 Corrida 2 Corrida 3 Corrida 4
1 10 50 16 8
2 10 15 18 6
3 3 50 20 8
4 9 7 11 5
Cuadro 3.6: Nmero de iteraciones realizada en el ejemplo 1 (k = 1) con penalizacin.
Por lo tanto,
n
11
=
10 + 50 + 16 + 8
4
=
84
4
, n
31
=
3 + 50 + 20 + 8
4
=
81
4
,
n
21
=
10 + 15 + 18 + 6
4
=
49
4
, n
41
=
9 + 7 + 11 + 5
4
=
32
4
.
Para la siguiente funcin (k = 2) se realiza un anlisis similar. Se tiene
n
1
= n
11
+ n
12
=
84
4
+ n
12
n
1
= n
21
+ n
22
=
81
4
+ n
22
n
3
= n
31
+ n
32
=
49
4
+ n
32
n
1
= n
41
+ n
42
=
32
4
+ n
42
Por lo tanto,
1
=
n
1
max {n
i
}
4
i=1
,
2
=
n
2
max {n
i
}
4
i=1
,
3
=
n
3
max {n
i
}
4
i=1
,
4
=
n
4
max {n
i
}
4
i=1
.
Observacin: Para efecto de la comparacin, la condicin inicial de los mtodos que
parten de un punto, x
0
, se toma en uno de los extremos del intervalo [a, b]. Al dividir el
intervalo [a, b] en p partes iguales, sus respectivos nodos que dividen el intervalo es dado
en el siguiente conjunto L := {y
1
= a, y
2
, . . . , y
p
= b}. La eleccin de la condicin inicial
x
0
y el nuevo intervalo [a, b] esta dado en el siguiente algoritmo:
1. sea k = 1
2. mientras k p hacer los Pasos 3 hasta 6
3. x
0
= y
k
4. Si f(x
0
)f(y
p
) < 0 entonces a = x
0
y b = y
p
En caso contrario a = y
1
y b = x
0
Tercera frmula de clasicacin 53
5. k = k + 1
6. Ejecutar los mtodos para calcular .
En el Cuadro 3.7 se presenta la clasicacin de los mtodos iterativos generada
por la frmula (3.3). A partir de esto se puede concluir, que los mtodos de Newton y
NRF descendieron considerablemente de posicin segn la comparacin anterior. Esto es
debido a que el mtodo de Newton necesita una buena aproximacin inicial para lograr
la convergencia cuadrtica (ver, Proposicin 1.2). Por otro lado, los mtodos Abbs y
KMS remontaron posiciones debido a que su orden de convergencia depende en menor
parte de la condicin inicial.
Mtodos r r
1/d
r
1/d
+ 1/ r
1/d
+ 1/ I
prom
BM 3 1.732 3.445 2.750
ChunYoon1 4 1.587 2.684 2.162
ChunYoon2 4 1.587 2.684 2.105
Newton 2 1.414 3.027 2.073
RFNM 3 1.442 2.539 2.069
RFN 3 1.442 2.539 2.013
KouLi 3 1.442 2.497 1.969
Abbs 3 1.442 2.442 1.838
MH 3 1.442 2.497 1.793
BSC 3 1.442 2.442 1.704
Chun 4 1.414 2.220 1.635
KMS 6 1.431 2.048 1.617
NRF 3 1.442 2.539 1.539
NU 2 1.260 2.356 1.446
Cuadro 3.7: Clasicacin de los mtodos iterativos generada por la frmula 3.3.
Ap endice A
Comandos usados en Maple
Nota:
Para denir una funcin, por ejemplo f(x) = x
2
, se utiliza el siguiente comando.
> f:=unapply(x^2,x);
Si se quiere denir una funcin compuesta para f y g funciones, se utiliza el
siguiente comando.
> f:=unapply((f@g)(x),x);
Para calcular la derivada n-sima de f(g(x)) se utiliza el siguiente comando.
> (D@@n)(f@g)(x);
Para calcular la derivada n-sima de f y luego evaluarla en g(x) se utiliza el
siguiente comando.
> (((D@@n)(f))@g)(x);
A continuacin se presenta las lneas de cdigo MAPLE usada en los clculos.
Mtodo de Abbs, la funcin de iteracin viene dada por.
F(x) := x
f(x)
f
(x)

f
2
(x)f
(x)
2[f
(x)]
3

f
3
(x)[f
(x)]
2
2[f
(x)]
5
.
Los siguientes comandos se utiliza para calcular F(), F
(), F
() y F
(3)
().
> F:=unapply(x-f(x)/D(f)(x)-((f(x))^(2)*(D@@2)(f)(x))/(2*(D(f)(x))^(3)-
56 Comandos usados en Maple
((f(x))^(3)*((D@@2)(f)(x))^(2))/(2*(D(f)(x))^(5)),x);
F := x > x
f(x)
(D(f))(x)

1
2
f(x)
2
((D
(2)
)(f))(x)
(D(f))(x)
3

1
2
f(x)
3
((D
(2)
)(f))(x)
2
(D(f))(x)
5
> algsubs(f(\alpha)=0,F(\alpha));
> algsubs(f(\alpha)=0,D(F)(\alpha));
0
> algsubs(f(\alpha)=0,D(D(F))(\alpha));
0
> algsubs(f(\alpha)=0,(D@@3)(F)(\alpha));
((D
(3)
)(f))()
D(f)()
Mtodo de Chun, la funcin de iteracin viene dada por.
F(x) := x
f(x)
f
(x)
2
f(z)
f
(x)
+
f(z)f
(z)
[f
(x)]
2
, donde z = x
f(x)
f
(x)
.
Los siguientes comandos se utiliza para calcular F(), F
(), F
() y F
(3)
().
> z:=unapply(x-f(x)/D(f)(x),x)
z := x > x
f(x)
(D(f))(x)
> F:=unapply(x-f(x)/D(f)(x)-2*(f@z)(x)/D(f)(x)+((f@z)(x)*((D(f))@z)(x))/
(D(f)(x))^2,x);
F := x > x
f(x)
(D(f))(x)
2
f
_
x
f(x)
(D(f))(x)
_
(D(f))(x)
+
f
_
x
f(x)
(D(f))(x)
_
f
_
x
f(x)
(D(f))(x)
_
(D(f))(x)
2
57
> algsubs(f(\alpha)=0,F(\alpha));
> algsubs(f(\alpha)=0,D(F)(\alpha));
0
> algsubs(f(\alpha)=0,D(D(F))(\alpha));
0
0
15((D
(2)
)(f))()
3
(D(f))()
3
Ap endice B
Base de funciones
A continuacin se da una lista de funciones que se aplicaran a cada mtodo iterativo
estudiado en este trabajo, con una tolerancia de error de 10
15
. Para los mtodos que
se inician de un punto x
0
se toma en unos de los extremos del intervalos [a, b].
funcin intervalo
f
1
(x) = x
3
2x
2
5 [2.2313,13.0000]
f
2
(x) = x cos(x) [0.0001,2.4846]
f
3
(x) =
1
x
1 [0.5001,1.4999]
f
4
(x) = e
1x
1 [10.0000,1.6931]
f
5
(x) = e
x
2
+7x30
1 [2.9470,3.3410]
f
6
(x) = 1/x sin(x) + 1 [0.9978,0.3112]
f
7
(x) = x 2 e
x
[0.5671,14.0000]
f
8
(x) = x
2
(1 x)
5
[10.5000,1.5331]
f
9
(x) = e
x
3x
2
[0.5975,2.2091]
f
10
(x) = x
3
+ 4x
2
+ 8x + 8 [13.0000,0.7300]
f
11
(x) = sin
2
(x) x
2
+ 1 [13.0000,1.0929]
f
12
(x) = x
2
e
x
3x + 2 [12.0000,2.0480]
f
13
(x) = (x 1)
3
1 [1.7369,13.0000]
60 Base de funciones
f
14
(x) = xe
x
2
sin
2
(x) + 3 cos(x) + 5 [1.8248,0.9004]
f
15
(x) = sin(x)e
x
+ ln(x
2
+ 1) [2.2630,0.4516]
f
16
(x) = x
3
10 [1.5875,13.0000]
f
17
(x) = x
6
36x
5
+ 450x
4
2400x
3
+ 5400x
2
4320x + 720 [10.0000,0.3667]
f
18
(x) = x + sin(x) 2 [0.8581,1.7299]
f
19
(x) = x
3
+ 4x
2
10 [0.8647,13.0000]
f
20
(x) = sin(x) 0,5x [0.5431,0.5431]
f
21
(x) = (x 1)
2
1 [11.0000,0.4226]
f
22
(x) = (x 1)
2
2 [12.0000,0.1835]
f
23
(x) = 10xe
x
2
1 [0.2964,0.3723]
f
24
(x) = x
10
1 [0.9281,11.2000]
f
25
(x) = sin(x) [0.7853,0.7853]
f
26
(x) = x
2
4 [1.1548,13.0000]
f
27
(x) = e
x
1 cos(x) [0.8001,0.3408]
f
28
(x) = x
3
e
x
[0.0001,11.4000]
f
29
(x) = sin(1/x) x [0.6724,3.2003]
f
30
(x) = e
sin(x)
x 1 [1.4865,3.3161]
f
31
(x) = 1 11x
11
[ 0.7517,10.9000]
f
32
(x) = xe
x
0,1 [1.6379,4.5537]
f
33
(x) = 2xe
5
+ 1 2e
5x
[6.9876,0.2775]
f
34
(x) = 2xe
10
+ 1 2e
10x
[3.4989,0.1386]
f
35
(x) = 2xe
20
+ 1 2e
20x
[1.7494,0.0693]
f
36
(x) = (1 + (1 5)
4
)x (1 5x)
4
[10.4000,0.4422]
f
37
(x) = (1 + (1 10)
4
)x (1 10x)
4
[0.8788,11.5000]
f
38
(x) = (1 + (1 20)
4
)x (1 20x)
4
[0.8747,11.5000]
61
f
39
(x) = x
2
+ sin(x/5) 1/4 [0.1944,11.9000]
f
40
(x) = (5x 1)/(4x) [0.1000,0.3000]
f
41
(x) = x 3 ln(x) [0.7039,2.2556]
f
42
(x) = e
x
4(x
2
) [0.4682,2.5287]
f
43
(x) = e
x
+ cos(x) [0.3573,2.4226]
f
44
(x) = 1000000e
x
+ 435000/x(e
x
1) 1564000 [0.6501,6.0770]
Referencias
[1] S. Abbasbandy, Improving Newton-Raphson method for nonlinear equations by
modied Adomian descomposition method, App. Math. Comput. 145 (2003) 887
893.
[2] Mrio Basto, Viriato Semiao and Francisco L. Calherios, A new iterative method
to compute nonlinear equations, App. Math. Comput. 173 (2006) 468 483.
[3] Nenad Ujevi, A method for solving nonlinear equtions, App. Math. Comput. 174
(2006) 1416 1426.
[4] Changbum Chun,A new iterative method for solving nonlinear equations, App.
Math. Comput. 178 (2006) 415 422.
[5] Muhammad Aslam Noor and Faizan Ahmad, Numerical comparison of iterative
methods for solving nonlinear equations, App. Math. Comput. 180 (2006) 167172.
[6] Giovanni Caldern, Predictor-corrector type methods to solving nonlinear equa-
tions, Sometido a revisin en Div. Mat. 2007.
[7] Khalida Inayat Noor, Muhammad Aslam Noor and Shaher Momani, Modied
Householder iterative method for nonlinear equations, App. Math. Comput. 190
(2007) 1534 1539.
[8] Muhammad Aslam Noor, Khalida Inayat Noor and Mahmood-ul-Hassan, Third-
oder iterative methods free from second derivative for nonlinear equations, App.
Math. Comput. 190 (2007) 1551 1556.
[9] Kou Jisheng, Li Yittian and Wang Xiuhua, Third-orden modication of Newtons
method, Appp. Math. Comput. 205 (2007) 1 5.
[10] Chang Chun and Yoon Mee Ham, A one-parameter for-oder family of iterative
methods for nonlinear equations, App. Math. Comput. 184 (2007) 610 614.
64 Referencias
[11] Richard L. Burden y J. Douglas Faires, Anlisis Numrico, Septima edicin, Inter-
nacional Tomson Editores, Mxico, 2002.
[12] John H. Mathews y Kurtis D. Fink, Mtodos Numricos con MATLAB, Tercera
edicion, Prentice Hall, Madrid, 2000.
[13] J.F. Traub, Iterative Methods for Solution of Equations, Pentice-Hall, Englewood
Clis, NJ, 1964.
[14] Trevisan M. C., Notas de Anlisis Numrico, Notas mimeograadas, ULA, 2001.
[15] A.M. Ostrowski, Solutions of Equations and System of Equations, Academic Press,
New York, 1960.
[16] Atkinson Kendall E. An introduction numerical analysis, John Wiley, New York,
1978.
[17] Eugene Isaacson and Herbert Bishop Keller, Analysis of numerical methods, John
Wiley, New York, 1966.
[18] H.H.H. Homeier, On Newton-type methods with cubic convergence, J. Appp. Math.
Comput. 176 (2005) 425 432

Tesis JoseAntonioPrieto ESA ES PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis JoseAntonioPrieto ESA ES PDF

Cargado por

Copyright:

Formatos disponibles

Tesis de Licenciatura

Tutor: Giovanni Caldern

, ... y tiempo de CPU usado), constante asinttica del error,

(x)| < 1 para todo

(x)| , para todo x (a, b).

()| < 1, entonces existe un > 0, tal que la

(x)| < 1 para cada x (, +) (a, b). Redeniendo g : [, +] R,

()| < 1. Por ser

no cambia de signo en [a, b]. Si

() = 0, entonces existe > 0 tal que la sucesin

en cada iteracin. Se debe resaltar, que en general la evaluacin de

(x) = 0 para cada x I, entonces existe > 0, tal que el mtodo

(x) = 0 para cada x I y f

()| < 1. Por la proposicin 1.2, se tiene que,

en cada iteracin. Se debe resaltar que, en general, la evaluacin de derivadas

(x) para cada x I, entonces existe

(x) = 0 para cada x I y f

()| < 1. Por la proposicin 1.2, se tiene que,

(t)dt = f(b) f(a). (2.7)

en cada iteracin. Este mtodo presenta una convergencia lineal si

(a) = 0 y 3f(a) 2f(x) = 0, donde x = a

(a) = 0, 3f(a) 2f(x) = 0 para cada a (c, d) y f C

es derivable en I \ {b}. Considere la primera derivada de en I \ {b}.

(a)[3f(a) 2f(x)] f(a)[3f

(a) = 0 y 3f(a) 2f(x) = 0, donde x = a

(b), para esto, denote por x

(x) f(x) + f(x h).

en cada iteracin. Este mtodo presenta una convergencia de

(x) = 0 para cada x I, entonces existe > 0, tal que el

(x) = 0 para cada x I y f

()| < 1. Por la proposicin 1.2, se tiene que,

(x)|. Adems supongamos que f

> 0) se tiene que,

() < 0 resulta que a siempre es

< 0, se cambia el f por f y se hace un razonamiento anlogo.

< M, para cada n m,

(), es decir, dado = f

en cada iteracin, esto presenta una grave problema,

()| < 1. Por la proposicin 1.2, se tiene que, existe

en cada iteracin, esto presenta una grave problema, debido

(x) = 0 para cada x I, entonces existe > 0, tal que

(x) = 0 para cada x I y f

()| < 1. Por la proposicin 1.2, se obtiene

() = 0, por el teorema 1.4 se tiene que, el mtodo iterativo de MH converge a

en cada iteracin, esto presenta una grave problema, debido

(x) = 0 para cada x I, entonces existe > 0, tal que el

(x) = 0 para cada x I y f

()| < 1. Por la proposicin 1.2, se obtiene

en cada iteracin respectivamente. Esto presenta una grave problema, debido a

) por iteracin. La clasicacin de los mtodos a

, mientras el segundo tiene una

. No obstante, en la prctica, la evaluacin de

respectivamente (por iteracin). El nmero de iteraciones es calculado usando la

,. . . y tiempo de CPU usado), cons-

, . . .). Sin embargo, debido a que la evaluacin de las derivadas

También podría gustarte