Академический Документы
Профессиональный Документы
Культура Документы
En estos casos son tiles las tcnicas numricas, que mediante una labor de clculo ms
o menos intensa, conducen a soluciones aproximadas que son siempre numrica. El
importante esfuerzo de clculo que implica la mayora de estos mtodos hace que su uso
est ntimamente ligado al empleo de computadores. De hecho, sin el desarrollo que se ha
producido en el campo de la informtica resultara difcilmente imaginable el nivel actual
de utilizacin de las tcnicas numricas en mbitos cada da ms diversos.
Mtodo De Newton-Raphson
El mtodo de Newton-Raphson es un mtodo abierto, en el sentido de que no est
garantizada su convergencia global. La nica manera de alcanzar la convergencia es
seleccionar un valor inicial lo suficientemente cercano a la raz buscada. As, se ha de
comenzar la iteracin con un valor razonablemente cercano al cero (denominado punto de
arranque o valor supuesto). La relativa cercana del punto inicial a la raz depende mucho
de la naturaleza de la propia funcin; si sta presenta mltiples puntos de inflexin o
pendientes grandes en el entorno de la raz, entonces las probabilidades de que el algoritmo
diverja aumentan, lo cual exige seleccionar un valor puesto cercano a la raz. Una vez que
se ha hecho esto, el mtodo linealiza la funcin por la recta tangente en ese valor supuesto.
La abscisa en el origen de dicha recta ser, segn el mtodo, una mejor aproximacin de la
raz que el valor anterior. Se realizarn sucesivas iteraciones hasta que el mtodo haya
convergido lo suficiente.
Sea f: [a, b] -> R funcin derivable definida en el intervalo real [a, b]. Empezamos
con un valor inicial x0 y definimos para cada nmero natural x n + 1 = x n f ( x n ) f (x n
) . {\displaystyle x_{n+1}=x_{n}-{\frac {f(x_{n})}{f'(x_{n})}}.}
Donde f ' denota la derivada de f. Ntese que el mtodo descrito es de aplicacin exclusiva
para funciones de una sola variable con forma analtica o implcita conocible. Existen
variantes del mtodo aplicables a sistemas discretos que permiten estimar las races de la
tendencia, as como algoritmos que extienden el mtodo de Newton a sistemas
multivariables, sistemas de ecuaciones, etctera.
Mtodos De Raphson Modificado
La dificultad del mtodo de Newton Raphson mejorado en el comportamiento de
una funcin con races mltiples obliga a considerar una modificacin del mtodo discutido
por Ralston. Como primero se desean encontrar las races de una funcin f(x). Definimos
una funcin nueva U(x), dada por:
Se observa que la funcin U(x) tiene las mismas races que f(x), entonces U(x) se
vuelve cero en cualquier punto que f(x) es cero.
Suponiendo ahora que f(x) tiene una raz mltiple en x = c de multicidad r. Esto podra
ocurrir, por ejemplo, si f(x) contiene un factor (x-c) . Entonces, podra fcilmente
demostrarse que U(x) tiene una raz en x = c de multicidad r, o una raz simple. Puesto que
el mtodo de Newton Raphson es efectivo para races simples, podemos aplicar el mtodo
de Newton para resolver U(x) en lugar de f(x). De esta manera, la ecuacin recursiva de
este mtodo queda:
Ejemplo:
Evaluar: P(x) = 2x - 3 x + 3x 4 en x = -2
Colocas primero la lnea de los coeficientes, empezando esta lnea con x en la tercera
lnea colocas el valor de z4, y a partir de ah obtienes los valores de la segunda lnea, una
vez que los tengas, efectas la suma y terminas de rellenar la tercera lnea.
Mtodo de Mller
Recurdese que el mtodo de la secante obtiene races estimando una proyeccin de
una lnea recta en el eje de las x a travs de dos valores de la funcin.
El mtodo de Mller toma un punto de vista similar, pero proyecta una parbola a travs de
tres puntos.
El mtodo consiste en obtener los coeficientes de tres puntos de la parbola. Estos
coeficientes pueden ser sustituidos en la frmula cuadrtica para obtener el punto donde la
parbola intercepta el eje x; es decir, la raz estimada .x|x|
(a1+b1i)/(a2+b2i)=(a1+b1i)(a2-b2i)/(a2+b2i)(a2-b2i)
El problema general de la interpolacin se nos presenta cuando nos dan una funcin
de la cual solo conocemos una serie de puntos de la misma:
(xo, yo), (x1, y1),........., (xn, yn)
Y se pide hallar el valor de un punto x (intermedio de x0 y xn) de esta funcin.
El error en la interpolacin lineal resulta de aproximar una curva con una lnea recta.
Estrategias:
Disminuir el tamao del intervalo.
Introducir alguna curvatura en la lnea que conecta los puntos.
Si tres puntos de los datos estn disponibles, esto puede realizarse con un polinomio
de segundo grado (parbola).
Puede utilizarse un procedimiento simple para determinar los valores de los coeficientes.
Sin embargo, su utilidad se reduce a eso: a dar una respuesta formal y razonada, pues no es
eficiente en trminos de clculo (requiere muchas operaciones y tiene limitaciones tcnicas
que despus nombraremos).
Para calcular el polinomio interpolador P(x) asociado a una tabla de datos (xi, fi) con i
= 0, . . . , n podemos plantearnos una simplificacin previa: qu ocurre si construimos
polinomios li(x) de grado n que valgan 1 en el nodo xi y 0 en el resto?
li(xk) = _ik = _ 1 si i = k, 0 si i 6= k.
Es inmediato que con esto se resuelve el problema original, tomando la suma de esa n + 1
polinomios de grado n (con coeficientes adecuados):
Es posible encontrar tales li(x)? Si damos el polinomio facto izado para que tenga en cada
nodo xj (con j 6= i) una raz, el candidato es:
(x x0)(x x1) . . . (x xi1)(x xi+1) . . . (x xn) = n Yj=0 j6=I (x xj).
Esta base, que es adecuada para algunas manipulaciones inmediatas de polinomios como
nombrbamos en la seccin anterior (derivacin e integracin por ejemplo), no es, sin
embargo, la ms adecuada para construir en principio el polinomio interpolador.
Vimos que resultaba til incluir los propios nodos del problema en los polinomios a
construir, de modo que en este pargrafo adoptamos una solucin intermedia:
Expresaremos el polinomio P(x) que interpola a las abscisas x0, x1, . . . , xn, como una
combinacin lineal del siguiente conjunto de polinomios { 0(x), 1(x), . . . , n(x)} siendo:
0(x) = 1,
1(x) = (x x0),
2(x) = (x x0)(x x1),
3(x) = (x x0)(x x1)(x x2),
n(x) = (x x0)(x x1)(x x2) (x xn1)
Este conjunto es otra base del espacio de <n[x] por tener n + 1 elementos linealmente
independientes (obsrvese que con este mtodo cada problema requiere una base distinta,
en funcin de los nodos xi que nos dan, y que el clculo de cada sirve para el siguiente.)
REGRESIN MNIMO-CUADRTICA
Consiste en explicar una de las variables en funcin de la otra a travs de un
determinado tipo de funcin (lineal, parablica, exponencial, etc.), de forma que la funcin
de regresin se obtiene ajustando las observaciones a la funcin elegida, mediante el
mtodo de Mnimos-Cuadrados (M.C.O.).
Elegido el tipo de funcin de regresin concreta se obtendr minimizando la
expresin:
(yj - (xi ) ) 2. nij en el caso de la regresin de Y/X
(xi - (yj ) ) 2. nij en el caso de la regresin de X/Y
Puede probarse que es equivalente ajustar por mnimos cuadrados la totalidad de las
observaciones (toda la nube de puntos) que realizar el ajuste de los puntos obtenidos por la
regresin de la media; de forma que la regresin mnimo-cuadrtica viene ser, en cierto
modo, la consecucin de una expresin analtica operativa para la regresin en sentido
estricto.
Coeficientesderegresin.
Se llama coeficiente de regresin a la pendiente de la recta de regresin:
en la regresin Y/X : b = Sxy / Sx2
en la regresin X/Y b' = Sxy / Sy2
El signo de ambos coincidir con el de la covarianza, indicndonos la tendencia (directa o
inversa a la covariacin).Es interesante hacer notar que b.b'= r2
Que ser una cantidad mayor o igual que cero.De forma que cuanto ms baja sea
mejor ser el grado de ajuste. Si la varianza residual vale cero el ajuste ser perfecto (ya
que no existir ningn error ).
Del hecho de que yi=y*i+ei ,y de que las variables y* e estn correlacionadas se tiene que:
Regresin parablica.
Desarrollaremos someramente la regresin Y/X y debe quedar claro que la regresin
X/Y resultara anloga.
Supongamos para simplificar que los datos no estn agrupados por frecuencias.
En tal caso, obtener la funcin parablica y* = a 0+a1x+a2 x2 se llevar a cabo
determinado los valores de los tres parmetros a0,a1,a2 que minimicen :
(a0,a1,a2)=(yi- (a0+a1x+a2 x2)) 2
Igualando a cero las tres derivadas parciales se obtendr las ecuaciones normales,
que convenientemente manipuladas acaban siendo:
Sistema de ecuaciones del que se pueden despejar los valores de los coeficientes de
regresin.
APLICACIONES.
En el subcampo matemtico del anlisis numrico, un spline es una curva
diferenciable definida en porciones mediante polinomios.
En los problemas de interpolacin, se utiliza a menudo la interpolacin mediante
splines porque da lugar a resultados similares requiriendo solamente el uso de polinomios
de bajo grado, evitando as las oscilaciones, indeseables en la mayora de las aplicaciones,
encontradas al interpolar mediante polinomios de grado elevado.
Para el ajuste de curvas, los splines se utilizan para aproximar formas complicadas.
La simplicidad de la representacin y la facilidad de cmputo de los splines los hacen
populares para la representacin de curvas en informtica, particularmente en el terreno de
los grficos por ordenado.
Que las partes de la funcin a trozos P(x) pasen por ese punto. Es decir, que las dos
Pn(x) que rodean al f(x) que queremos aproximar, sean igual a f(x) en cada uno de
estos puntos.
Que las partes de la funcin a trozos P(x) pasen por ese punto. Es decir, que las dos
Pn(x) que rodean al f(x) que queremos aproximar, sean igual a f(x) en cada uno de
estos puntos.
Splines cbicos sujetos: La derivada primera de P debe tener el mismo valor que las
derivada primera de la funcin para el primer y ltimopunto sobre el que est definido el
conjunto de Splines, esto son, los puntos m y n en el intervalo [m,n].
Mtodos Numricos
Diego Armando Ramrez Pineda
3190-15-1009
23/04/2017