RACES DE UNA

FUNCIN
Csar Guerra
PUCP

Interpolacin Inversa
Dados el conjunto de datos {xi , yi=fi(x)}/ i={1,n} se busca el

valor de x* para un valor dado de y*.

No siempre es posible intercambiar los roles de x e y en la

tabla de entrada. Esto es posible slo en casos en que f(x) sea

suave y montonamente creciente o decreciente.

Buscar el valor de x tal que f(x)=c es equivalente a encontrar la

raz de la funcin f(x) - c, pues buscamos resolver

f ( x) c 0

En algunos casos particulares la interpolacin inversa nos da

una solucin aceptable. Sin embargo, en general su uso es

limitado.

Una primera aproximacin

Sea la ecuacin

y ( x) sin( x) x 2 2 x 0
Primera aproximacin

Hacer un grfico

Casos que un grfico puede revelar

El mtodo de Biseccin
Sea la ecuacin f(x)=0 y supongamos que posee una raz en el intervalo [a,b].
Supongamos que en particular se cumple que: f(a)<0 y f(b)>0
Luego, evaluamos f(xm) en el punto medio xm=(a+b)/2
Si f(xm0) < 0, el cero se encuentra en [xm,b] y este se toma como nuevo intervalo.
Si f(xm) > 0, el cero se encuentra en [a,xm] y este se toma como nuevo intervalo.
Se repite iterativamente este procedimiento para cada nuevo intervalo, hasta

que este sea suficientemente pequeo.

Diagrama de flujo: Biseccin

fmid f ( x2 )
f f ( x1 )

f * fmid 0

no
rt x2
dx x1 x2

no

f 0

dx 0.5dx
xmid rt dx
fmid f ( xmid )

si

rt x1
dx x2 x1

fmid 0
si

no

rt xmid

dx acc
fmid 0

no

si
R

Convergencia del mtodo

Si despus de n iteraciones la raz se encuentra en un intervalo de
tamao en, despus del siguiente paso el tamao ser

en 1 en / 2
El nmero de pasos necesarios para llegar a un intervalo de tamao
e est dado por

n log(e0 / e)
El error que se puede lograr se puede tomar como:

M ( x1 x2 ) / 2

Mtodos de la Secante y de Falsa

Posicin

Usados para funciones suaves cerca de la raz. Estos mtodos convergen

ms rpido que el mtodo de biseccon.

En ambos casos se asume que la funcin es aproximadamente lineal en la

regin de inters.

Las sucesivas aproximaciones de la raz se calculan usando polinomios de

interpolacin de grado uno.

El mtodo de la secante retiene la ltima estimacin de la raz.

El mtodo de falsa posicin retiene las estimaciones que mantienen

encerrada a la raz

Frmulas de aproximacin a la raz

Sean los puntos ( x1 , y1 ) y ( x2 , y2 )
Interpolacin Lineal

x x2
x x1
y1
y2
x2 x1
x2 x1

Interpolacin Lineal Inversa

y y2
y y1
x1
x2
y2 y1
y2 y1

Resolviendo cualquiera de los dos ecuaciones:

x1 x2
x x1
y1
y1 y2
x2 x1
x x2
y2
y1 y2

Ilustracin de los algoritmos

Mtodo de la secante

Mtodo de falsa posicin

Diagrama de flujo: Falsa posicin

fl f ( x1 )
fh f ( x2 )

fl * fh 0

R
xl x2
xh x1
fl fh

no
no

fl 0

si

xl x1
xh x2

dx xh xl

rt xl dx * fl /( fl fh)
f func(rt )
del xh rt
xh rt
fh f

f 0

del xl rt
xl rt
fl f

dx xh xl

| del | acc
f 0

Observacin
Una funcin para la cual la interpolacin lineal converge muy lentamente.

En este caso a ambos mtodos

les tomara muchos pasos llegar
a la raz.
El algoritmo de biseccin se
comporta mejor.

Mtodo de Van WijngaardenDekker

Brent

Combina la convergencia superlineal de la interpolacin con la seguridad

del algoritmo de biseccin.

Para realizar la interpolacin inversa se usa un polinomio cuadrtico, cuyo

valor en y = 0 da una estimacin de la siguiente raz.
Si se tienen 3 puntos: (a, f (a )), (b, f (b)), (c, f (c)),
El polinomio de interpolacin inversa correspondiente es

( y f (a))( y f (b))c
( y f (b))( y f (c ))a
( y f (c ))( y f (a ))b

( f (c) f (a ))( f (c) f (b)) ( f ( a) f (b))( f (a ) f (c )) ( f (b) f (c))( f (b) f (a ))

Mtodo de Van WijngaardenDekker

Brent
Haciendo y = 0, obtenemos la estimacin de la raz:

x b P/Q
donde en trminos de:

R f (b) / f (c) S f (b) / f (a) T f (a) / f (c)

se han definido:

P S (T ( R T )(c b) (1 R )(b a ))
Q (T 1)( R 1)( S 1)
En la prctica b es la mejor nueva estimacin de la raz y la razn
P/Q es una pequea correccin.

Interpolacin .NE. Interpolacin

Inversa
Interpolacin cuadrtica
Interpolacin cuadrtica inversa
1

0.5

0.5

1
1

3
x

Notas sobre el algoritmo de Brent

El algoritmo de Brent mantiene siempre a la raz acotada entre dos

estimaciones anteriores.

Cuando la correccin P/Q no cae dentro de los lmites que acotan la

raz, o cuando los lmites no estn acercndose suficientemente rpido,
el algoritmo realiza un paso del algoritmo de biseccin.

Este algoritmo se recomienda para determinar las races de un funcin

unidimensional usando slo evaluaciones de la funcin.

El mtodo de Newton-Rhapson
Sea la ecuacin

f ( x) 0
Cerca de la raz realizamos una expansin de Taylor alrededor de
un valor estimado xm

f ( x) f ( xm ) ( x xm )

df
dx

x xm

Una mejor estimacin puede ser obtenida teniendo en cuenta que

si xm+1 es la raz entonces

df
f ( xm 1 ) f ( xm ) ( xm 1 xm )
dx

0
x xm

El mtodo de Newton-Rhapson
De la ltima ecuacin se deduce:

xm 1 xm

f ( xm )
df
dx x x
m

El procedimiento se repite hasta que el segundo trmino sea menor que un

pequeo valor predeterminado.
El mtodo de Newton converge ms rpido que cualquiera de los mtodos
anteriores. Cerca de la raz, el nmero de cifras significativas es con muy
buena aproximacin el doble en cada paso.
A partir de la serie de Taylor:

( x xi ) 2
f ( x) f ( xi ) ( x xi ) f ( xi )
f ( xi ) L
2!

Convergencia del mtodo de

Newton
Considerando dos trminos e igualamos la funcin a cero:
xi 1 xi f ( xi ) / f ( xi )
Si x es la raz

Obteniendo:

i x xi

i 1 i f ( xi ) / f ( xi )
De la serie de Taylor, se tiene a segundo orden

f ( xi ) i f ( xi ) i2 f ( xi ) / 2
Reemplazando en la ecuacin anterior se ve que la convergencia es
cuadrtica con el error:

i2 f ( xi )
i 1
2 f ( xi )

Ilustracin del mtodo de NewtonRhapson

Mtodo de Newton-Rhapson
Multidimensional
Consideremos la solucin simultnea de N ecuaciones no lineales
en N variables:
fi ( x1 , x2 ,K , xN ) 0

i 1, 2,K , N
x ( x1 , x2 ,K , xN )

Expandiendo en serie de Taylor alrededor de

fi
x j O( x 2 )
j 1 x j
N

fi ( x x ) fi ( x )

y usando notacin vectorial tenemos

f ( x x ) f ( x ) J ( x ) x O( x 2 )

donde se definio el Jacobiano J con componentes

J ij

f i
x j

Mtodo de Newton-Rhapson
Multidimensional
Despreciando trminos de segundo orden y mayores y haciendo
f ( x x) 0

obtenemos un conjunto de ecuaciones lineales para los desplazamientos x que mueven cada funcin cerca de cero:
J ( x ) x = - f ( x )

Esta ecuacin se puede resolver matricialmente e iterar hasta la

convergencia

x(i+1) = x(i) - J -1 ( x ) f ( x (i) )

Bsqueda en dos dimensiones