Trabajo metodos numericos!

549 views

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
549
On SlideShare
0
From Embeds
0
Number of Embeds
1
Actions
Shares
0
Downloads
6
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Trabajo metodos numericos!

  1. 1. Método de Bairstow Definición En análisis numérico, el método de Bairstow es un algoritmo eficiente de búsqueda de las raíces de un polinomio real de grado arbitrario. Es un método iterativo, basado en el método de Müller y de Newton Raphson. Dado un polinomio se encuentran dos factores, un polinomio cuadrático y El procedimiento general para el método de Bairstow es: Dado y y 1.-Utilizando el método de Newton Raphson calculamos y , tal que, el residuo de sea igual a cero. 2.-Se determinan la raíces , utilizando la formula general. 3.-Se calcula 4.-Hacemos 5.-Si el grado del polinomio es mayor que tres regresamos al paso 2; en caso contrario, terminamos. La principal diferencia de este método, respecto a otros, es que permite calcular todas las raíces de un polinomio (reales e imaginarias). Para calcular la división de polinomios, hacemos uso de la división sintética. Así dado Al dividir entre , tenemos como resultado el siguiente polinomio con un residuo , el residuo será cero solo si lo son. Los términos b, los calculamos utilizamos división sintética, la cual puede resolverse utilizando la siguiente relación de recurrencia
  2. 2. Método de Steffensen Definición El método de Steffensen es un algoritmo para obtener los ceros de una función. Este se puede considerar como una combinación del método de punto fijo y del método de Aitken. Como el método de Aitken esencialmente acelera la convergencia de otro método, se puede definir este método como el método de punto fijo acelerado. El método de Steffensen presenta una convergencia rápida y no requiere, como en el caso del método de Newton, la evaluación de derivada alguna. Presenta además, la ventaja adicional de que el proceso de iteración sólo necesita un punto inicial. Otra ventaja del método de Steffensen es que -al igual que el de Newton- tiene convergencia cuadrática. Es decir, ambos métodos permiten encontrar las raíces de una función f "rápidamente" - en este caso rápidamente significa que en cada iteración, el número de dígitos correctos en la respuesta se duplica. Pero la fórmula para el método de Newton requiere la evaluación de la derivada de la función, el método de Steffensen no, por lo que este último puede ser programado para una función genérica, mientras que la función cumpla la restricción mencionada anteriormente. El precio de la convergencia rápida es una doble evaluación de la función: tanto como deben ser calculadas, lo que podría llevar un tiempo considerable dependiendo de la función f. Por comparación, el método de la secante sólo necesita una evaluación de la función por cada paso, así que con dos evaluaciones de la función del método de la secante se pueden hacer dos pasos, y esos dos pasos aumentan el número de dígitos correctos en un factor de 1,6. En un solo paso de tiempo el método de Steffensen (o de Newton) aumenta los dígitos correctos en un factor de 2, lo que es sólo un poco mejor. Al igual que el método de Newton y otros métodos cuadráticamente convergentes, la debilidad fundamental en el método de Steffensen es la elección del valor inicial . Si el valor de no está "lo suficientemente cerca" de la solución, el método puede fallar y la secuencia de valores o bien puede oscilar entre dos valores, o bien diverger hacia infinito (ambas alternativas pueden suceder). Se calcula el siguiente punto de iteración a partir de la expresión:
  3. 3. De acuerdo a esta definición del método, se realizo el respectivo código en SCILAB. Método de Graeffe para function y=rodriguez(x) y=(x-(%e.^-x)); endfunction error =1e-3; xn=input("Digite primer valor de x ") while(abs(rodriguez(xn))>error) xni=xn-(((rodriguez(xn))^2)/ (rodriguez(xn+(rodriguez(xn)))-rodriguez(xn))) xn=xni disp(xn) end X=0:0.1:2 Y=rodriguez(X) plot (X,Y) xgrid Después de hacer las respectivas iteraciones el programa me arrojo el siguiente valor: 0.5671415, que corresponde a la raíz de dicha ecuación.
  4. 4. Método de Graeffe Definición En muchos campos de las matemáticas es necesario hallar las raíces de un polinomio, por ejemplo, para calcular la integral de una función racional, en la transformada de Laplace, etc. Solamente existen fórmulas si el polinomio tiene un grado igual o inferior a cuatro. Excepto para los polinomios de primer y segundo grado, las fórmulas son complicadas, por lo que se emplean procesos de aproximación numérica. Entre los numerosos métodos que existen, el más conocido es quizá el método de Newton. Sin embargo, describiremos un método, realmente ingenioso, que nos proporciona gran exactitud en las raíces de un polinomio. Sea el polinomio Se tiene que los factores de un polinomio (x + f1)(x + f2 )...(x + fn ) Y la relación entre factores y los números delante de las x (¿como se llamaban?) a0 = f1 + f2 + f3 + ... + fn Suma de factores a1 = ( f1 f2 ) + ( f1 f3 )...Suma de factores multiplicado de 2 en 2 a2 = ( f1 f2 f3 ) + ( f1 f2 f4 )...Suma de factores multiplicados de 3 en 3 Así hasta la multiplicación de todos los factores = an Según este método, eleva al cuadrado el polinomio cuantas más veces mejores. Esto seria el a elevar al cuadrado las mismas veces los factores (ya que se multiplican) Si se supone que los factores no son iguales, a mesura que los va elevando sus diferencias aumentan significativamente. Como, suponiendo que los factores son diferentes, f1 > f2 > f3... . Se tiene que si elevan la función a un número muy grande, esta diferencia es tan grande que f1 + f2 = f1 (aprox). Contando esto, la relación factores y "a_k" se simplifica muchísimo, y puede calcularse fácilmente, aunque da un resultado aproximado. De otro lado se hace el polinomio más simple dividiendo todos los coeficientes por el primer término de modo que a0 es siempre 1. Suponga que sus raíces reales y distintas son r1,−r2 ,−r3 ,...,−rn .Al elevar al cuadrado el polinomio y agrupar los términos se obtiene un polinomio de grado 2n Cuyas raíces serán Se ha construido así una nueva ecuación cuyas raíces son numéricamente iguales a los cuadrados de las raíces de la ecuación original. Repitiendo el proceso, se pueden obtener ecuaciones cuyas raíces sean numéricamente iguales a las potencias cuarta, octava, decimosexta, etc. de las raíces de la ecuación original. El efecto de este proceso de elevar al cuadrado es el de producir ecuaciones cuyas raíces están cada vez más separadas. Por ejemplo, si dos raíces de la ecuación original están entre sí como 5 : 4 sus potencias 128 están en la razón 5128 : 4128, o sea, 2.54 1012: 1, lo que es muy deseable ya que las ecuaciones cuyas raíces están muy separadas se pueden resolver rápidamente con exactitud considerable. Supóngase ahora, que reiterando el proceso de elevación al cuadrado se llega a un polinomio
  5. 5. De acuerdo a esta definición del método, se realizo el respectivo código en MATLAB. Método de Graeffe para function p = evalm(p) format bank; n = length(p); for i=n-1 : -2 : 1 p(i) = (-1)*p(i); end end ----------------------------------------------------------- function T = Graeffe(p,m) format bank; r = length(p); for i=1 : 1 : m p = conv(p,evalm(p)); n = lenght(p); for j=1 : 1 : (n+1)/2 q(j) = p(2*j - 1); end p = q; aux = p(1); for k=1 : 1 : length(p) p(k) = p(k)/-aux; end end for i = 2 : 1 : r T(i-1) = power(-p(i)/p(i-1),1/(2*m)); end end
  6. 6. .

×