Caso de Estudio, Calculo Numerico Interpolacion, Aproximacion, Metodos de Newton y Lagrange
Caso de Estudio, Calculo Numerico Interpolacion, Aproximacion, Metodos de Newton y Lagrange
Caso de Estudio, Calculo Numerico Interpolacion, Aproximacion, Metodos de Newton y Lagrange
FACULTAD DE INGENIERA
CICLO BSICO
DEPARTAMENTO DE MATEMTICA APLICADA
TAREA N2
ELABORADO POR:
JAVIER HERNNDEZ
CARACAS, ENERO DE 2011
P Pr re eg gu un nt ta a 1 1
Se cre el siguiente pseudocdigo para iterar con el mtodo de Newton:
El sistema de ecuaciones que se desea resolver es:
Antes de empezar a mostrar los resultados tngase en cuenta que el termino K = F1+F2
es un trmino para representar el valor que tiene el sistema total en cada iteracin y que lo que se
busca es que K = 0
Segn los resultados aportados, vemos una convergencia a una de las posibles races,
probamos una segunda iteracin en valores distintos.
>> Format long
>> Nueva(1,1,0.00001,10)
Iteracin vector iterado diferencia
0 1 1
1.000000000000000 0.406719085060758 0.154217298070050 0.593280914939242 0.845782701929950
valor de K = F1+F2
304
2.000000000000000 0.210068540769246 1.561325228674321 0.196650544291512 1.407107930604271
valor de K = F1+F2
64.492437893450870
3.000000000000000 0.140616676705017 1.300066481012470 0.069451864064228 0.261258747661852
valor de K = F1+F2
20.395141878941043
4.000000000000000 0.134239275726534 1.304135797241891 0.006377400978483 0.004069316229422
valor de K = F1+F2
1.292974812926204
5.000000000000000 0.134197054710092 1.304283323242979 0.000042221016442 0.000147526001087
valor de K = F1+F2
0.006989355449651
6.000000000000000 0.134197052397750 1.304283325542098 0.000000002312342 0.000000002299120
valor de K = F1+F2
4.536092514939583e-007
El mtodo de Newton converge
Ahora vemos la existencia de una segunda raz, en el caso de este pseudocdigo se puede
pensar que hay dos posible escenarios:
1) El sistema reporte ms de dos soluciones a causa de un error del pseudocdigo
2) El pseudocdigo esta correcto y el sistema tiene solo dos soluciones
Solo interesa encontrar una de las soluciones del sistema, por lo que no nos
preocuparemos en buscar defectos en el pseudocdigo, adems las soluciones dadas en ambos
casos estn muy bien aproximadas, procedemos suponiendo que estamos en el segundo escenario
y tomaremos en cuenta solo la primera aproximacin encontrada para realizar observaciones.
>> Format long
>> Nueva(-5,10,0.00001,10)
iteracin vector iterado diferencia
0 -5 10
1.000000000000000 -2.661939128634387 6.635962317726049 2.338060871365613 3.364037682273951
valor de K = F1+F2
4021
2.000000000000000 -1.516996847371835 4.800120281460820 1.144942281262552 1.835842036265230
valor de K = F1+F2
1.003060586551961e+003
3.000000000000000 -0.985751105720689 3.830660148685215 0.531245741651146 0.969460132775605
valor de K = F1+F2
2.451330997092649e+002
4.000000000000000 -0.782557491282785 3.417170078606483 0.203193614437904 0.413490070078733
valor de K = F1+F2
54.274495069087472
5.000000000000000 -0.740076923639172 3.324855805431246 0.042480567643613 0.092314273175237
valor de K = F1+F2
8.174430262645423
6.000000000000000 -0.738029811073719 3.320262901780752 0.002047112565452 0.004592903650494
valor de K = F1+F2
0.364630643240808
7.000000000000000 -0.738025020690953 3.320251990262088 0.000004790382767 0.000010911518664
valor de K = F1+F2
8.558865531895776e-004
El mtodo de Newton converge
O Ob bs se er rv va ac ci io on ne es s: :
Teniendo en cuenta K = F1+F2, se puede pensar en una tolerancia mxima que detenga el
cdigo cuando K 0, pero la aproximacin a la solucin que aporta no es muy buena, pues para
aportar un resultado aceptable es posible que requiera una tolerancia muy pequea y teniendo en
cuenta los errores por aproximacin, el resultado podra ser poco confiable.
En lo que a precisin se refiere, observamos que Newton es de convergencia
relativamente rpida si los valores iniciales estn cercanos al valor real y aporta muy buenas
aproximaciones, en el caso del sistema evaluado vemos que Newton aporta una aproximacin
muy buena al valor real
Siendo los valores obtenidos en el primer intento
En una prueba realizada con
Lo que nos indica:
Buscamos una solucin para un x distinto de xi, para ello tenemos:
Tenemos sustituyendo a) en b):
Ahora, teniendo en cuenta que buscamos solucin para el caso en el que x no es un nodo
(xi) , podemos decir:
Esto es posible ya que:
Que es igual a decir:
Ahora supngase el caso siguiente:
El polinomio que lo interpola no es otro que:
Con lo que podemos decir:
Teniendo en cuenta que la forma del polinomio de Lagrange:
Se observa que:
Y necesariamente:
Sustituimos d) y e) en f):
Se puede ver que, mientras la sumatoria va ejecutndose, la productoria tendr un valor
comn para todos los elementos generados por la misma, por lo que podemos dividirlas dejando
la funcin como:
Siendo esta la demostracin de la forma de Lagrange para
, es decir, un que no es
nodo.
P Pr re eg gu un nt ta a 3 3
Se pide hallar una aproximacin a la funcin con una cantidad de
nodos suficientes para cumplir con la condicin de
.
Utilizamos el siguiente script:
En el script, se establece una tolerancia, que ser el numero de iteraciones
mximas que se van a realizar y se establece un criterio de parada, en el que el que la
variable , al ser menor que , detendr el programa.
Ahora, sabemos que la funcin del error para la interpolacin es:
De dicha funcin sabemos que el termino
Y conociendo la conducta de la funcin coseno, sabemos que al derivarla ser
, luego
De esta manera la funcin:
Nos queda:
Al ejecutar el programa, el sistema dar valores a hasta que se cumpla la
condicin:
Ahora se muestra la salida de Mathlab
No se muestra toda, pues es innecesario, solo nos interesan los valores en los que
se cumple la condicin de parada y tenemos como resultado que con 27 nodos, tenemos
el valor mnimo de nodos en el que
, siendo el
para 27 nodos
P Pr re eg gu un nt ta a 4 4
Primero tenemos un polinomio de grado 5, para nodos aleatorios:
Ahora para nodos Equiespaciados
x =
-5
-3
-1
1
3
5
y =
0.0385
0.1000
0.5000
0.5000
0.1000
0.0385
Newton_coef(x,y)
d =
0.0308 0.0423 -0.0154 0.0019 0
0.2000 -0.0500 0 0.0019 0
0 -0.0500 0.0154 0 0
-0.2000 0.0423 0 0 0
-0.0308 0 0 0 0
a =
0.0385 0.0308 0.0423 -0.0154 0.0019 0
Para el polinomio de grado 10, tenemos para el caso aleatorio:
En el caso equiespaciado:
x =
-5
-4
-3
-2
-1
0
1
2
3
4
5
y =
0.0385
0.0588
0.1000
0.2000
0.5000
1.0000
0.5000
0.2000
0.1000
0.0588
0.0385
>> Newton_coef(x,y)
d =
0.0204 0.0104 0.0063 0.0043 -0.0020 -0.0011 0.0011 -0.0004 0.0001 -0.0000
0.0412 0.0294 0.0235 -0.0059 -0.0088 0.0065 -0.0024 0.0006 -0.0001 0
0.1000 0.1000 0.0000 -0.0500 0.0300 -0.0100 0.0024 -0.0004 0 0
0.3000 0.1000 -0.2000 0.1000 -0.0300 0.0065 -0.0011 0 0 0
0.5000 -0.5000 0.2000 -0.0500 0.0088 -0.0011 0 0 0 0
-0.5000 0.1000 -0.0000 -0.0059 0.0020 0 0 0 0 0
-0.3000 0.1000 -0.0235 0.0043 0 0 0 0 0 0
-0.1000 0.0294 -0.0063 0 0 0 0 0 0 0
-0.0412 0.0104 0 0 0 0 0 0 0 0
-0.0204 0 0 0 0 0 0 0 0 0
a =
0.0385 0.0204 0.0104 0.0063 0.0043 -0.0020 -0.0011 0.0011 -0.0004
0.0001 -0.0000
Ahora para el polinomio de grado 15 en el caso aleatorios:
Ahora para el caso de los Equiespaciados tenemos:
x =
-5.0000
-4.3333
-3.6667
-3.0000
-2.3333
-1.6667
-1.0000
-0.3333
0.3333
1.0000
1.6667
2.3333
3.0000
3.6667
4.3333
5.0000
y =
0.0385
0.0506
0.0692
0.1000
0.1552
0.2647
0.5000
0.9000
0.9000
0.5000
0.2647
0.1552
0.1000
0.0692
0.0506
0.0385
>> Newton_coef(x,y)
d =
0.0182 0.0074 0.0031 0.0014 0.0007 0.0002 -0.0004 -0.0002 0.0003 -0.0002 0.0001 -0.0000 0.0000 -0.0000 0
0.0280 0.0136 0.0069 0.0037 0.0015 -0.0015 -0.0014 0.0017 -0.0008 0.0003 -0.0001 0.0000 -0.0000 -0.0000 0
0.0462 0.0275 0.0169 0.0087 -0.0047 -0.0079 0.0076 -0.0033 0.0009 -0.0001 0 0.0000 -0.0000 0 0
0.0828 0.0612 0.0402 -0.0068 -0.0361 0.0275 -0.0099 0.0018 -0.0000 -0.0001 0.0001 -0.0000 0 0 0
0.1643 0.1415 0.0219 -0.1273 0.0739 -0.0185 0.0000 0.0018 -0.0009 0.0003 -0.0001 0 0 0 0
0.3529 0.1853 -0.3176 0.1191 -0.0000 -0.0185 0.0099 -0.0033 0.0008 -0.0002 0 0 0 0 0
0.6000 -0.4500 0 0.1191 -0.0739 0.0275 -0.0076 0.0017 -0.0003 0 0 0 0 0 0
0 -0.4500 0.3176 -0.1273 0.0361 -0.0079 0.0014 -0.0002 0 0 0 0 0 0 0
-0.6000 0.1853 -0.0219 -0.0068 0.0047 -0.0015 0.0004 0 0 0 0 0 0 0 0
-0.3529 0.1415 -0.0402 0.0087 -0.0015 0.0002 0 0 0 0 0 0 0 0 0
-0.1643 0.0612 -0.0169 0.0037 -0.0007 0 0 0 0 0 0 0 0 0 0
-0.0828 0.0275 -0.0069 0.0014 0 0 0 0 0 0 0 0 0 0 0
-0.0462 0.0136 -0.0031 0 0 0 0 0 0 0 0 0 0 0 0
-0.0280 0.0074 0 0 0 0 0 0 0 0 0 0 0 0 0
-0.0182 0 0 0 0 0 0 0 0 0 0 0 0 0 0
a =
Columns 1 through 15
0.0385 0.0182 0.0074 0.0031 0.0014 0.0007 0.0002 -0.0004 -0.0002
0.0003 -0.0002 0.0001 -0.0000 0.0000 -0.0000
Primeramente queremos saber que tan precisa es la interpolacin para un caso de
nodos aleatorios y para un caso de nodos equiespaciados, como hiptesis tenemos:
-Debido a la gran cantidad de decimales con los que se trabaja en los casos
aleatorios, es posible que se pierda un gran porcentaje de precisin.
-En el caso aleatorio, por el hecho de ser aleatorios, puede que se tomen nodos
muy cercanos a la cancelacin catastrfica, que al ser operado, irremediablemente ser
tomado por el sistema como un cero.
-Los nodos equiespaciados contienen una cantidad definida de decimales, hay
algunos casos con decimales peridicos, pero no se tendr un caso de cancelacin
catastrfica, a menos que se divida un intervalo muy pequeo entre una cantidad de
nodos muy grande, siendo los nodos equiespaciados el mtodo ms preciso para
interpolar.
Ahora procedamos con la demostracin, partimos de la definicin del error
cometido en la interpolacin:
Calculamos los valores de y de
para un
Las tablas que se presentaran tendrn el siguiente orden:
Ahora tenemos que
y para es:
Entonces para nodos aleatorios:
Para los equiespaciados tenemos:
Los clculos anteriores demuestran que los nodos equiespaciados son, en general,
ms precisos, cuando se tienen pocos nodos, pero como se pensaba, el hecho de dividir
un intervalo pequeo entre una cantidad de nodos muy grande, tendera a ocasionar
Underflow al acercase al cero del polinomio y llevar a una perdida muy grande de
precisin.
En el grafico siguiente podemos ver el polinomio