EL METODO DE NEWTON- RAPHSON MODIFICADO

La dificultad del mtodo de Newton Raphson 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:

derivando la funcin auxiliar U(x), dada por ( 3-11),queda:

Ya que este mtodo est significantemente relacionado con el mtodo de Newton-Raphson, cuando la
derivada tiende a cero, tiene problema con la convergencia.
Cuando se tiene existencia de races mltiples, tanto el mtodo de Newton-Raphson como el de la secante
convergen linealmente.
El mtodo de Newton-Raphson modificado el cual se describe a continuacin consiste en aplicar el mtodo
de Newton-Raphson univariable dos veces (para el caso de un sistema de n ecuaciones no lineales con n
incgnitas, se aplicara n veces), una para cada variable.
Cada vez que se hace esto, se considera las otras variables fijas.
Considrese de nuevo el sistema
F1(x,y)=0
F2(x,y)=0
Tomando los valores iniciales x0,y0, se calcula a partir del mtodo de Newton-Raphson univariable un
nuevo valor x1 de la forma siguiente:
Este mtodo converge a menudo si x0,y0 est muy cerca de x negada y ynegada, y requiere la evaluacin
de solo 2n funciones por paso (cuatro para el caso de dos ecuaciones que se est manejando). Hay que
observar que se han empleado desplazamientos sucesivos, pero los desplazamientos simultneos tambin
son aplicables.
En la aplicacin de este mtodo se pudo tomar f2 para evaluar x1 y f1, a fin de evaluar y1, as:
Esto puede producir convergencia en alguno de los arreglos y divergencia en el otro.es posible saber de
antemano si la primera o la segunda forma convergirn para el caso de sistemas de dos ecuaciones, pero
cuando 3 <= n las posibilidades son varias (n!) y es imposible conocer cul de estos arreglos tiene viabilidad
de convergencia, por lo cual la eleccin se convierte en un proceso aleatorio. Esta aleatoriedad es la mayor
desventaja de este mtodo.

En general, para un sistema de n ecuaciones con n incgnitas: x1,x2,xn, el algoritmo toma la forma:

DESARROLLO EJEMPLOS

-tomaremos esta funcin:

F(X)= 3.5X^2+6.8X-8

Mtodo matemtico:

Primero se calculan las derivadas de la funcin original

para la raz uno : X1=0.825621165

X=1

Para la raz dos:

 MTODO DE NEWTON RAPHSON
El mtodo de Newton es un mtodo numrico que se utiliza para encontrar ceros de una funcin. Sea F
un campo vectorial de clase 1( ). Un punto x ser un cero de F si:
F(x) = 0
El mtodo de Newton para este problema es el siguiente:

Etapa 0: Seleccionar un punto incial x 0 Rn

k=0
Etapa 1: Calcular F( )
Si ( 0
1
Si no, calcular F(x k ), [F(x k ] y seguir a etapa 2
Etapa 2: Calcular
1
x k+1 = x k [F(x k )] . F(x k )
k = k + 1 y volver a la etapa 1.

Este mtodo se puede aplicar a la bsqueda de los ceros del gradiente de una funcin f
R, suficientemente regular. Es decir, se buscan los puntos estacionarios de f

Mtodo de optimizacin de newton:

Etapa 0: Seleccionar un punto inicial x 0 Rn

K=0
Etapa 1: Calcular F(x k )
Si F(x k 0 STOP
1
Si no, calcular 2 F(x k ), [2 F(x k )] y seguir a etapa 2.
Etapa 2: Calcular:
1
x k+1 = x k [2 F(x k )] . F(x k )
k = k + 1 y volver a la etapa 1

Ejemplo: En la tabla siguiente se aplica el mtodo de Newton al problema de optimizacin bi-dimensional a

partir de x0 = (0.00, 3.00)
() = ( + ) + ( + . )
Observaciones:

La direccin del Mtodo de Newton:

1
= [2 ( )] f( )

es una direccin de descenso si y slo si: 2 ( ) es definida positiva, es decir:

(f( )) > 0 2 f( ) es definida positiva.

El mtodo de Newton en cada iteracin, considera una aproximacin cuadrtica de la funcin objetivo, y
define el nuevo punto de la sucesin minimizante como el ptimo de la aproximacin cuadrtica de la
funcin objetivo. Cerca de un ptimo local de f, la aproximacin exacta.

El punto inicial 0 no puede ser arbitrario, ya que para que el mtodo converja, la direccin debe ser de
descenso. Esta corresponde a la principal desventaja del mtodo: su convergencia local. Sin embargo, su
rapidez de convergencia es su mayor ventaja, posee convergencia de velocidad cuadrtica, es decir:

2
+ < 1

) El principal problema del Mtodo de Newton es que la matriz 2 ( ) debe ser definida positiva. Si se
parte de un punto 0 suficientemente cercano a un mnimo local, esto se verifica. En general se desconoce
toda informacin acerca de la solucin ptima del problema, y por lo tanto no se tiene un buen criterio
para escoger 0 .

Esto sugiere, que un buen mtodo de minimizacin es una combinacin del Mtodo del Gradiente y del
Mtodo de Newton: Inicialmente se aplica el Mtodo del Gradiente que tiene convergencia global de
velocidad lineal y luego se aplica el Mtodo del Newton que tiene convergencia local de velocidad
cuadrtica.