C.5 El comportamiento de error del método secante
( \newcommand{\kernel}{\mathrm{null}\,}\)
Dejarf(x) tener dos derivadas continuas, y dejarr ser cualquier solución de Ahoraf(x)=0. vamos a obtener un manejo bastante bueno sobre el comportamiento de error del método secante cercar.
Denote por˜εn=xn−r el error (firmado) enxn y porεn=|xn−r| el error (absoluto) enxn. Entonces,xn=r+˜εn, y, por (C.4.1),
\ begin {align*}\ tilde\ varepsilon_ {n+1} & =\ frac {x_ {n-1} f (x_n) - x_n f (x_ {n-1})} {f (x_n) -f (x_ {n-1})} -r\\ & =\ frac {[r+\ tilde\ varepsilon_ {n-1}] f (x_n) - [r+\ tilde\ varepsilon_n] f (x_ {n-1})} {f (x_n) -f (x_ {n-1})} -r\\ & =\ frac {\ tilde\ varepsilon_ {n-1} f (x_n) -\ tilde\ varepsilon_ _n f (x_ {n-1})} {f (x_n) - f (x_ {n-1})}\ final {alinear*}
Por la expansión de Taylor (3.4.32) y el teorema del valor medio (Teorema 2.13.5),
\ begin {align*} f (x_n) & = f (r) + f' (r)\ tilde\ varepsilon_n +\ frac {1} {2} f "(c_1)\ tilde\ varepsilon_n^2\\ & = f' (r)\ tilde\ varepsilon_n +\ frac {1} {2} f" (c_1)\ tilde\ varepsilon_n^2\\ f (x_n) -f (x_ {n-1}) & = f' (c_2) [x_n-x_ {n-1}]\\ & = f' (c_2) [\ tilde\ varepsilon_n-\ tilde\ varepsilon_ {n-1}]\ end {alinear*}
para algunosc1 entrer yxn y algunosc2 entrexn−1 yxn. Entonces, paraxn−1 yxn cercar,c1 yc2 también tienen que estar cercar y
\ begin {align*} f (x_n) &\ approx f' (r)\ tilde\ varepsilon_n +\ frac {1} {2} f "(r)\ tilde\ varepsilon_n^2\\ f (x_ {n-1}) &\ approx f' (r)\ tilde\ varepsilon_ {n-1} +\ frac {1} {2} f" (r)\ tilde\ varepsilon_ {n-1} ^2\\ f (x_n) -f (x_ {n-1}) &\ approx f' (r) [\ tilde\ varepsilon_n-\ tilde\ varepsilon_ {n-1}]\ end {align*}
y
\ begin {alinear*}\ tilde\ varepsilon_ {n+1} & =\ frac {\ tilde\ varepsilon_ {n-1} f (x_n) -\ tilde\ varepsilon_n f (x_ {n-1})} {f (x_n) -f (x_ {n-1})}\\ &\ aprox {\ tilde\ varepsilon_ {n-1} [f' (r)\ tilde\ varepsilon_n +\ frac {1} {2} f "(r)\ tilde\ varepsilon_n^2] -\ tilde\ varepsilon_n [f' (r)\ tilde\ varepsilon_ {n-1} +\ frac {1} {2} f "(r)\ tilde\ varepsilon_ {n-1} ^2]} {f' (r) [\ tilde\ varepsilon_n-\ tilde\ varepsilon_ {n-1}]}\\ & =\ frac {\ frac {1} {2}\ tilde\ varepsilon_ {n-1}\ tilde\ varepsilon_nf" (r) [\ tilde\ varepsilon_n-\ tilde\ varepsilon_ {n-1}]} {f' (r) [\ tilde\ varepsilon_n-\ tilde\ varepsilon_ {n-1}]}\\ & =\ frac {f "(r)} {2f' (r)}\ tilde\ varepsilon_ {n-1}\ tilde\ varepsilon_n\ final {alinear*}
Tomando valores absolutos, tenemos
εn+1≈Kεn−1εnwith K=|f″
Hemos visto que el método de Newton obedece a una fórmula similar — (E3) dice que, cuandox_n está cerca el método der\text{,} Newton obedece\varepsilon_{n+1}\approx K\varepsilon_n^2\text{,} también conK = \left|\frac{f''(r)} {2f'(r)} \right|\text{.} Como veremos ahora, el cambio de\varepsilon_n^2\text{,} in\varepsilon_{n+1}\approx K\varepsilon_n^2\text{,} a\varepsilon_{n-1}\varepsilon_n\text{,} in\varepsilon_{n+1}\approx K\varepsilon_{n-1}\varepsilon_n\text{,} sí tiene un impacto sustancial en el comportamiento de \varepsilon_npara grandesn\text{.}
Para ver eln comportamiento grande, ahora iteramos (E7). Las fórmulas se verán más simples si multiplicamos (E7) porK y escribimos\delta_n=K\varepsilon_n\text{.} Entonces (E7) se convierte\delta_{n+1}\approx\delta_{n-1}\delta_n (y hemos eliminadoK). Las primeras iteraciones son
\ begin {alignat*} {2}\ delta_2& & &\ approx\ delta_0\ delta_1\\ delta_3&\ approx\ delta_1\ delta_2 & &\ approx\ delta_0\ delta_1^2\\ delta_4&\ approx\ delta_2\ delta_3 &\ approx\ delta_0^2\ delta_1^3\\\ delta_5&\ approx\ delta_3\ delta_4 & &\ approx\ delta_0^3\ delta_ 1^5\\ delta_6&\ approx\ delta_4\ delta_5 & &\ approx\ delta_0^5\ delta_1^8\\ delta_7&\ approx\ delta_5\ delta_6 & &\ approx\ delta_0^8\ delta_1^ {13}\ end {alignat*}
Observe que cada\delta_n es de la forma\delta_0^{\alpha_n}\delta_1^{\beta_n}\text{.} Sustituir\delta_n=\delta_0^{\alpha_n}\delta_1^{\beta_n} en\delta_{n+1}\approx\delta_{n-1}\delta_n da
\delta_0^{\alpha_{n+1}}\delta_1^{\beta_{n+1}} \approx \delta_0^{\alpha_{n-1}}\delta_1^{\beta_{n-1}} \delta_0^{\alpha_n}\delta_1^{\beta_n} \nonumber
y tenemos
\alpha_{n+1}=\alpha_{n-1}+\alpha_{n} \qquad \beta_{n+1}=\beta_{n-1}+\beta_{n} \tag{E8} \nonumber
La regla de recursión en (E8) es famosa 1. La secuencia de Fibonacci 2 (que es0\text{,}1\text{,}1\text{,}2\text{,}3\text{,}5\text{,}8\text{,}13\text{,}\cdots), se define por
\ begin {align*} F_0& =0\\ F_1& =1\\ F_n& =F_ {n-1} +F_ {n-2}\ qquad\ text {for} n>1\ end {align*}
Entonces, paran\ge 2\text{,}\alpha_n = F_{n-1} y\beta_n=F_n y
\delta_n \approx \delta_0^{\alpha_n}\delta_1^{\beta_n} = \delta_0^{F_{n-1}}\delta_1^{F_n} \nonumber
Una de las propiedades conocidas de la secuencia de Fibonacci es que, paran\text{,}
F_n\approx\frac{\varphi^n}{\sqrt{5}}\qquad\text{where } \varphi=\frac{1+\sqrt{5}}{2} \approx 1.61803 \nonumber
Esta\varphi es la proporción áurea 3. Entonces, para grandesn\text{,}
\ begin {alinear*} K\ varepsilon_n & =\ delta_n\ approx\ delta_0^ {F_ {n-1}}\ delta_1^ {f_n}\ approx\ delta_0^ {\ frac {\ varphi^ {n-1}} {\ sqrt {5}}\ delta_1^ {\ frac {\ varphi^ {\ varphi^ {\ varphi^ {\ sqrt {5}}\ delta_1^ {\ frac {\ ^n} {\ sqrt {5}}} =\ delta_0^ {\ frac {1} {\ sqrt {5}\ varphi}\ veces\ varphi^n}\ delta_1^ {\ frac {1} {\ sqrt {5}}\ veces\ varphi^n}\\ & = d^ {\ varphi^n}\ qquad\ text { donde}\ quad d=\ delta_0^ {\ frac {1} {\ sqrt {5}\,\ varphi}}\ delta_1^ {\ frac {1} {\ sqrt {5}}}\\ &\ aprox d^ {1.6^n}\ end {align*}
Suponiendo que0\lt \delta_0=K\varepsilon_0\lt 1 y0\lt \delta_1=K\varepsilon_1\lt 1\text{,} vamos a tener0\lt d\lt 1\text{.}
A modo de contraste, para el método de Newton, para grandesn\text{,}
\ begin {reunir*} K\ varepsilon_n\ aprox d^ {2^n}\ qquad\ text {donde}\ quad d= (K\ varepsilon_1) ^ {1/2}\ end {reunir*}
Como2^n crece bastante más rápido que1.6^n (por ejemplo, cuando n=5,2^n=32 y cuándo1.6^n=10.5\text{,}n=10\text{,}2^n=1024 y1.6^n=110) el método de Newton se casa en la raíz bastante más rápido que el método secante, asumiendo que comienzas razonablemente cerca de la raíz.