Diseño y Análisis de La Convergencia y Estabilidad de Métodos Iterativos para La Resolución de Ecuaciones No Lineales

Revista digital
Matemática, Educación e Internet

https://tecdigital.tec.ac.cr/revistamatematica/
Vol 21, No 2. Marzo − Agosto, 2021 ISSN 1659 -0643
Diseño y análisis de la convergencia y estabilidad de métodos iterativos

para la resolución de ecuaciones no lineales
| Design and analysis of convergence and stability of iterative methods for solving nonlinear equations |
Armando Gabriel Solís Zúñiga Alicia Cordero Barbero

[email protected] [email protected]
Estudiante del Instituto Tecnológico de Costa Rica Universitat Politècnica de València
Costa Rica España
Juan Ramón Torregrosa Sánchez Juan Pablo Soto Quirós

[email protected] [email protected]
Universitat Politècnica de València Instituto Tecnológico de Costa Rica
España Costa Rica
Recibido: 25 noviembre 2019 Aceptado: 30 agosto 2020
Resumen: Una corriente en métodos numéricos es la elaboración de nuevos métodos iterativos para
la resolución de ecuaciones no lineales; se busca que estos métodos sean óptimos en contraste con su
orden de convergencia y el número de evaluaciones funcionales en comparación con métodos usual-
mente conocidos. El presente trabajo muestra el diseño de una nueva familia paramétrica de métodos
iterativos basada en la familia de métodos de Chun que contiene el esquema de Ostrowski como ca-
so particular. Se realiza además un análisis por medio de dinámica compleja para visualizar planos
de parámetros y dinámicos para seleccionar los parámetros que presentan un comportamiento más
estable para el esquema en estudio y así formar un método iterativo más eficiente.
Palabras Clave: métodos iterativos, ecuaciones no lineales, métodos óptimos, dinámica compleja,
análisis de convergencia
Abstract: One stream in numerical analysis is the creation of new iterative methods for the resolution
of non-linear equations; optimal processes are sought in contrast with their order of convergence
and the number of functional evaluations compared to usual known methods. This article shows a
design of a new parametric family of iterative methods based on the Chun’s family of methods which
contains the particular case of the Ostrowski’s scheme. Through an analysis with complex dynamic
it is intended to visualize dynamic planes and parameters’ planes to choose the best parameter who
brings more stable behavior for the scheme under study and make it more efficient.
Keywords: iterative methods, non-linear equations, optimal methods, complex dynamic, analysis of
convergence
Diseño y análisis de la convergencia y estabilidad de métodos iterativos para la resolución de ecuaciones no lineales.
Solís, A.; Cordero, A.; Torregrosa, J.; Soto, J.
Derechos Reservados © 2021 Revista digital Matemática, Educación e Internet (https://tecdigital.tec.ac.cr/revistamatematica/)
2 Revista digital Matemática, Educación e Internet (https://tecdigital.tec.ac.cr/revistamatematica/). Vol 21, No 2. Marzo − Agosto, 2021
1. Introducción
La resolución de ecuaciones es un aspecto fundamental en el área de matemática. Tal como explica

Kung y Traub (1974) en [11], algunas de las aplicaciones de ecuaciones matemáticas son: “estima-
ción de la distancia en redes de sensores inalámbricos, desarrollo de osciladores caóticos en circuitos
computacionales, entre otros”. Es por ello la importancia de hallar una solución a una ecuación. Un
caso aplicado es encontrar la solución a la ecuación ax − cosh (x) = 0, donde a es una constante. Esta
ecuación se utiliza en el análisis e implementación de matrices de puertas programables (FPGA por
sus siglas en inglés) en computación como se puede apreciar en [13].
Habitualmente, se introduce este concepto con ecuaciones lineales, en las cuales se usan algoritmos
sencillos para despejar su incógnita involucrada; sin embargo, existen ecuaciones en las que no se
puede determinar sus raíces por métodos algebraicos, es decir, no se pueden obtener sus soluciones de
manera exacta. A raíz de esto, ha surgido la necesidad de crear métodos alternativos para la resolución
de dichas ecuaciones, tales como los métodos iterativos.
Diversos investigadores han propuesto varios métodos. Estos métodos generan una sucesión de nú-
meros reales que converge a una solución de la ecuación, si es que ésta existe. Sin embargo, algunos
de estos métodos no son del todo eficientes. Por ejemplo: la velocidad de convergencia no es rápida,
ya que implica el cálculo adicional de derivadas. Otro problema presentado para ciertos métodos es
si la función posee ceros múltiples, como la función f(x) = x3 donde posee una solución, el cero, con
multiplicidad 3; lo cual genera que el esquema iterativo se indefina y la sucesión no converja a la
solución. Dados estos problemas, surge el interés de investigar sobre la creación de nuevos métodos,
perfeccionando las técnicas de algún procedimiento específico para dar mayores eficiencias al método
de solución.
Como se menciona en Chapra y Canale (2017) [3]: “un modelo matemático se define, de manera
general, como una formulación o una ecuación que expresa las características esenciales de un sistema
físico o de un proceso en términos matemáticos”. Por ejemplo, en secundaria se realiza el estudio de
ecuaciones lineales de la forma ax + b = 0, donde a y b son números reales con a ≠ 0, y cuya solución
es x = −b 2
a . Otro ejemplo son las ecuaciones cuadráticas ax + bx + c = 0, donde a, b y c son números
√
−b± b2 −4ac
reales con a ≠ 0 y cuya solución es: x = 2a .
Sin embargo, no todas las ecuaciones tienen una forma explícita de solución. Por ejemplo, para la
ecuación ex − x − 2 = 0 no existe una forma algebraica para encontrar la solución exacta; pero al
graficar la función f(x) = ex − x − 2 se puede observar que ésta interseca al eje X en dos puntos (ver
Figura 1), lo que significa que la ecuación sí tiene, al menos, una solución en los reales.
1.5
0.5
-0.5
-1
-3 -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5
Figura 1: Gráfica de la función f(x) = ex − x − 2
En este escrito se hace mención de métodos iterativos que aproximan, bajo determinadas condiciones,
una solución α ∈ ℝ de la ecuación no lineal f(x) = 0 donde f : I ⊂ ℝ → ℝ está definida en un intervalo
Métodos iterativos para ecuaciones no lineales 3
abierto I. Existen muchos métodos iterativos como el método de Newton, el esquema de Halley, el
método de Chebyshev y otros más. El método de Newton es probablemente el más conocido y el que
más se utiliza para resolver la ecuación f(x) = 0. Su algoritmo es el siguiente:
f(xk )
xk+1 = xk − , k = 0, 1, ... (1)
f0(xk )
con f0(xk ) ≠ 0 para todo k > 0 y x0 algún valor inicial dado.
Sin embargo, existen otros métodos más eficientes para la resolución de ecuaciones no lineales. Basado
en el esquema de una familia de métodos de Chun, se propone una familia de métodos parametrizada
y, por medio de sistemas dinámicos, se estudia la estabilidad de los mismos.
Finalmente se realizan pruebas numéricas para comparar los métodos propuestos con algunos esque-
mas que se utilizan generalmente para la resolución de ecuaciones no lineales.
2. Métodos iterativos para ecuaciones no lineales
Para poder establecer una clasificación de cómo un esquema para resolución de ecuaciones no lineales
es, o no, estable, se deben tener algunos conceptos claros.
En primera instancia, los conceptos de métodos iterativos: no solo el orden de convergencia de un

método es relevante, si no también conceptos como eficiencia e índice de eficiencia. Se mencionará
también la conjetura de un método óptimo para establecer una relación entre el orden de convergencia
y número de evaluaciones funcionales por iteración.
2.1. Conceptos básicos
Definición 1 (Multiplicidad de la raíz de una función)

Sea f : I ⊂ ℝ → ℝ y α un cero de f; o sea f(α) = 0. El valor α se le llama cero de multiplicidad
k de f si existe un número real c; c ≠ 0 tal que:
|f(x)|
lı́m = c.
x→α |x − α| k
Si k = 1, entonces α recibe el nombre de raíz simple.
Traub en [14] puntualiza las Definiciones 2-7:
Definición 2 (Convergencia)
Sea α ∈ ℝ, xn ∈ ℝ, n = 0, 1, 2, ... entonces, se dice que la sucesión {xn } converge a α si
lı́m |xn − α| = 0.
n→∞
Definición 3 (Orden de convergencia)

Si, además de cumplir las condiciones de convergencia, existen: una constante 0 < c ≤ 1, un
natural n0 ≥ 0 y un entero p ≥ 1 tales que, para todo n > n0 :
|xn+1 − α| ≤ c|xn − α| p ,
o bien:
|xn+1 − α|
lı́m =c;
n→∞ |xn − α| p
entonces, se dice que la sucesión {xn } converge a α con al menos orden p.
Si p = 2 o 3, entonces se dice que es de orden cuadrático o cúbico, respectivamente. Por ejemplo, dado
el método de Newton presentado en (1), se dice que es de orden cuadrático para algún vecindario de
|xk+1 − α|
α, es decir, que existen una constante c tal que lı́m = c.
k→∞ |xk − α| 2
Definición 4 (Orden de convergencia por medio de la ecuación del error)

Si en = xn − α denota el error en la n-ésima iteración, la relación:
p p+1
en+1 = cen + O(en ), c ∈ ℝ
se conoce como ecuación del error. Al valor p obtenido se le conoce como el orden del método.
Esta definición es equivalente a la Definición 3.
Definición 5
Se le llama método multipaso a aquel que tiene la siguiente estructura:
(1)
yn = G1 (xn ),
(2)
yn = G2 (xn ),
.. .. ..
. . .
(1) (2)
xn+1 = G(xn , yn , yn , ...)
donde G1 , G2 , G3 , · · · , G son operadores.
El primero en introducir este concepto fue Traub en [14] con su método multipaso:
f(xk )
yk = xk − ,
f0(xk ) (2)
f(yk )
xk+1 = yk − 0 .
f (xk )
Más adelante en la Subsección 2.3, se profundizará la importancia de los métodos multipasos para el
trabajo.
Definición 6 (Evaluaciones funcionales)

Al número de veces en el que la función f y sus derivadas están siendo evaluadas por cada
iteración se le llama número de evaluaciones funcionales y se denota por d.
2.1 Conceptos básicos 5
Por ejemplo en el esquema de Newton presentado en (1) posee dos evaluaciones funcionales: f(xk ) y
f0(xk ); por lo que d = 2.
En el esquema de Traub presentado en (2) posee tres evaluaciones funcionales: f(xk ), f0(xk ) y f(yk );
por lo que d = 3.
Definición 7 (Eficiencia de un método)

Sea M un método iterativo. Entonces la eficiencia de M se define como:
p
I= ,
d
donde p es el orden de convergencia y d es el número de evaluaciones funcionales por iteración.
Ostrowski en [12] precisa la siguiente definición:
Definición 8 (Índice de eficiencia de un método)

Sea M un método iterativo. Entonces el índice de eficiencia de M se define como:
EI = p1/d ,
donde p es el orden de convergencia y d es el número de evaluaciones funcionales por iteración.
2.1.1. Conjetura de Kung y Traub
Kung y Traub en [11] establecen la siguiente conjetura: “El orden de convergencia de cualquier método
multipaso no puede ser mayor a 2d−1 (llamado orden óptimo), donde d es el número de evaluaciones
funcionales por iteración”.
Bajo esta conjetura, se estudiarán métodos los cuales cumplan que su orden de convergencia p sea
igual a 2d−1 ; mientras se cumpla esta condición se dirá que el método es óptimo.
2.1.2. Orden de convergencia computacional y orden de convergencia computacional apro-

ximado
Cuando se prueban nuevos métodos, ya sea para verificar el orden de convergencia o para estimar
qué tanto difiere del orden teórico en la implementación práctica, se puede calcular el orden de con-
vergencia computacional (COC), definido por Weerakoon y Fernando en [15] como:
ln |(xk+1 − α)/(xk − α)|

p≈ , k = 1, 2, ...
ln |(xk − α)/(xk−1 − α)|
donde xk+1 , xk y xk−1 son las últimas tres aproximaciones sucesivas de α obtenidas en el proceso
iterativo. Dado que el valor de α es desconocido en la práctica, se utiliza el orden de convergencia
computacional aproximado (ACOC) definido por Cordero y Torregrosa en [6] como:
ln |(xk+1 − xk )/(xk − xk−1 )|

p ≈ ACOC = ρ = , k = 2, 3, ...
ln |(xk − xk−1 )/(xk−1 − xk−2 )|
2.2. Herramientas dinámicas
Las herramientas dinámicas son conceptos que se utilizarán para el estudio del análisis de estabilidad
de un método ya que así se crearán mapeos en ℂ para visualizar el comportamiento de un método para
converger a una solución en comparación con métodos más conocidos como Newton de la ecuación
(1), el cual es bastante estable.
Blanchard en [2] establece las Definiciones 9-17:
Definición 9 (Punto fijo)

Dado un operador G : ℂ̂ → ℂ̂; ℂ̂ = ℂ ∪ {±∞} definido sobre la esfera de Riemann, un punto
fijo ẑ es aquel que se mantiene invariante al operador G, o sea:
G(ẑ) = ẑ
Por ejemplo, para una ecuación cualquiera f(z) = 0, z0 una de sus soluciones y G un operador para
aproximar las soluciones de f; es claro que G(z0 ) = z0 . Por lo tanto se puede concluir que todas las
raíces de una ecuación serán, eventualmente, puntos fijos del operador G.
Sin embargo, al resolver la ecuación G(z) = z podrían aparecer puntos fijos que no correspondan a
ninguna raíz de la función f. Estos puntos se llaman puntos fijos extraños. Los puntos fijos extraños
no son deseables desde el punto de vista numérico, ya que si se toma como estimación inicial un valor
que esté cerca de alguno de estos, existe la posibilidad de que el método numérico converja a él, es
decir, a un punto que no es una solución.
Definición 10 (Órbita de un punto)

Dada una función racional R : ℂ̂ → ℂ̂ definida sobre la esfera de Riemann, la órbita de un punto
z0 es la sucesión de puntos:
{z0 , R(z0 ), R2 (z0 ), ..., Rn (z0 ), ...}
del plano complejo generada por el método iterativo.
Definición 11 (Punto k − periódico)

Dada una función racional R : ℂ̂ → ℂ̂ definida sobre la esfera de Riemann, Un punto ẑ es
k-periódico si se cumple que:
Rk (ẑ) = ẑ y Rp (ẑ) ≠ ẑ para p = 1, 2, ..., k − 1.
Definición 12 (Estabilidad de puntos fijos)

Los puntos fijos se pueden clasificar según el comportamiento del operador derivada sobre ellos,
así, un punto fijo z∗ de R puede ser:
Atractor, si |R0(z∗ )| < 1
Superatractor, si |R0(z∗ )| = 0
Repulsor, si |R0(z∗ )| > 1
Parabólico o indiferente, si |R0(z∗ )| = 1
2.2 Herramientas dinámicas 7
Definición 13 (Estabilidad de puntos periódicos)

La estabilidad de los puntos k − periódicos se puede determina calculando cada |R0(z∗i )|, con
i = 1, · · · , k. Luego, se dice que la órbita periódica de periodo k es atractora si se cumple que:
|R0(z∗0 )R0(z∗1 ) · · · R0(z∗k )| < 1.
Análogamente, si la expresión es igual a cero se le llama superatractora, si es mayor que uno se

le llama repulsora y si es igual a uno se le llama indiferente.
Definición 14 (Cuenca de atracción)

La cuenca de atracción de un atractor z es el conjunto de preimágenes de cualquier orden:
A(z) = {z0 ∈ ℂ̂ : Rn (z0 ) → z, n → ∞}.
La cuenca de atracción es el conjunto de todas las órbitas posibles de un atractor, por tanto indica la
región de convergencia de un método iterativo.
Definición 15 (Conjunto de Fatou y de Julia)

Al conjunto de todas las cuencas de atracción se llama conjunto de Fatou, F.
A la frontera entre las componentes conexas de las cuencas de atracción, se le llama con-
junto de Julia, J.
Estos conjuntos son complementarios, o sea: F ∪ J = ℂ̂.
Definición 16 (Cuenca de atracción inmediata)

La cuenca de atracción inmediata de un punto fijo z∗ es la componente conexa de A(z∗ ) que
contiene a z∗ .
Definición 17 (Punto crítico)

Un punto crítico de un operador R es un punto z∗ para el que la derivada de R en un punto fijo
se anula, o sea:
R0(z∗ ) = 0.
Eventualmente los puntos fijos que sean superatractores van a ser críticos, sin embargo podrían
existir puntos que no sean fijos pero sí cumplan la anterior igualdad; a dichos puntos se le llaman
puntos críticos libres.
Teorema 1 (Teorema de Fatou-Julia)

La cuenca de atracción inmediata de un punto k − periódico contiene, al menos, un crítico.
García en [8] explica que: “a la hora de realizar el análisis dinámico de un nuevo método es necesario
aplicarlo sobre un problema concreto, es decir, sobre una ecuación no lineal específica; por eso, una
manera natural de abordar el estudio dinámico de un método iterativo en cuestión es aplicándolo
sobre polinomios de bajo grado”.
En este caso se hará el estudio sobre un polinomio de grado dos genérico, ya que es la función no
lineal más sencilla.
Artidiello en [1] y García en [8] aseveran que, en la práctica, cuando se modela el método sobre ecua-
ciones no lineales sencillas, si el estudio dinámico sobre el método iterativo en el polinomio cuadrático
se comporta de forma inestable o necesita muchas condiciones para que converja, entonces sobre fun-
ciones no lineales más complicadas también; por lo que, dependerá del comportamiento del método
sobre dicho polinomio para definir cómo es el método y sacar conclusiones sobre su desempeño en
general. Si bien es cierto, no se puede generalizar partiendo del estudio sobre funciones cuadráticas,
en la práctica se puede verificar con las pruebas numéricas pues los resultados aplicados en funciones
no lineales más complejas coinciden con la teoría estudiada en polinomios de grado dos.
Con estos conceptos se generará el estudio de estabilidad de los métodos a proponer.
2.3. Métodos multipasos
En esta sección se hará referencia de cómo se generaron algunos métodos multipasos, algunas gene-
ralizaciones que realizaron diversos autores y deducciones para construir un nuevo método; mismas
que se utilizarán para realizar la propuesta de nuevos esquemas iterativos.
Traub en [14] introduce la idea de métodos multipasos, propone un método multipaso utilizando el
esquema de Newton sin cambiar de paso la derivada, con el fin de realizar una menor cantidad de
evaluaciones funcionales para aumentar el orden de convergencia del método.
Método de Traub de orden 3 en [14]:

f(xk )
yk = xk − ,
f0(xk )
f(yk )
xk+1 = yk − 0 .
f (xk )
Como se mencionó antes, en este caso d = 3; luego 2d−1 = 4; siguiendo la conjetura de Kung y Traub
en [11], este método no es óptimo ya que es de orden 3 y podría buscar un método de orden 4 con
la misma cantidad de evaluaciones funcionales. A partir de dicha conjetura, Jarratt en [9] propone el
siguiente método:
2 f(xk )
yk = xk − ,
3 f0(xk )
(3)
1 3f0(yk ) + f0(xk ) f(xk )

xk+1 = xk − .
2 3f0(yk ) − f0(xk ) f0(xk )
Este método es óptimo ya que el número de evaluaciones funcionales es 3 y su orden de convergencia
p es 4, cumpliendo así la conjetura de Kung y Traub ya que p = 2d−1 .
Artidiello en [1], llama función peso a aquella función que, bajo ciertas condiciones iniciales, el orden
de convergencia puede aumentar gracias a multiplicar esta función. Chun en [5] propone el esquema
k)
presentado en (4) con una función peso H(tk ) donde tk = f(y f(x )
.
k
f(xk )
yk = xk − ,
f0(xk ) (4)
f(yk )
xk+1 = yk − H(tk ) 0 .
f (xk )
Particularmente si la función H cumple ciertas condiciones, entonces el método es de orden 4, hacien-
do el método óptimo ya que utiliza únicamente tres evaluaciones funcionales.
El siguiente teorema es un caso particular al Teorema 3.3.1 demostrado por Artidiello en [1].
2.3 Métodos multipasos 9
Teorema 2
Sea f : I ⊂ ℝ → ℝ una función suficientemente diferenciable en cada punto del intervalo abierto
I tal que α ∈ I es una raíz simple de la ecuación no lineal f(x) = 0. Sea H : ℝ → ℝ cualquier
función suficientemente diferenciable tal que H(0) = 1, H0(0) = 2 y |H00(0)| < ∞. Entonces, si la
estimación inicial x0 está suficientemente cerca de la solución α, la sucesión {xk }k≥0 obtenida
usando la expresión con función peso de Chun presentada en (4) converge a α y el orden de
convergencia local es al menos 4 y su ecuación del error es:
H00(0) 3

ek+1 = 5− C2 − C2 C3 e4k + O(e5k ),
2
1 f(j) (α)
donde Cj = , j = 2, 3, ... y ek = xk − α, ∀k ∈ ℕ.
j! f0(α)
La prueba de este teorema (elaboración propia) puede ser encontrada en la sección Anexos en
la subsección A.1.
Algunos métodos iterativos de esta forma son:
El método de Chun en [4]:

f(xk )
yk = xk − ,
f0(xk ) (5)
f(xk ) + 2f(yk ) f(yk )
xk+1 = yk − .
f(xk ) f0(xk )
El método de Ostrowski en [14], que es un caso particular para β = −2 de la familia de King en [10]:
f(xk )
yk = xk − ,
f0(xk ) (6)
f(xk ) + (2 + β)f(yk ) f(yk )
xk+1 = yk − ; β ∈ ℝ.
f(xk ) + βf(yk ) f0(xk )
El método de Kung y Traub en [11]:
f(xk )
yk = xk − ,
f0(xk )
(7)
f(xk )2 f(yk )
xk+1 = yk − 2
.
(f(xk ) − f(yk )) f0(xk )
Método de Zhao et al. en [16]:
f(xk )
yk = xk − ,
f0(xk )
1 + 2tk + t2k f(yk ) (8)
f(yk )
xk+1 = yk − 2
; tk = .
1 − 4tk f (xk )
0 f(xk )
Todos los métodos anteriores tienen la estructura de la familia de Chun presentado en (4), ya que
k)
poseen una función peso de la forma H(tk ) con tk = f(y
f(x )
.
k
En el caso del esquema de Chun presentado en (5), la función peso es:

f(yk )
H(tk ) = 1 + 2tk ; tk = .
f(xk )
En el caso del esquema de King presentado en (6), la función peso es:

1 + (2 + β)tk f(yk )
H(tk ) = ; tk = .
1 + βtk f(xk )
En el caso del esquema de Kung y Traub presentado en (7), la función peso es:
1 f(yk )
H(tk ) = 2
; tk = .
(1 − tk ) f(xk )
En el caso del esquema de Zhao presentado en (8), la función peso es:
1 + 2tk + t2k f(yk )

H(tk ) = ; tk = .
1− 4t2k f(xk )
Basado en los esquemas anteriores, para generar un método iterativo con la estructura de la familia
de Chun de (4), se debe tener el mismo esquema pero con una función peso que cumpla las condi-
ciones del teorema 2. Para ello el método a proponer sigue la estructura anterior con funciones peso
racionales pero el denominador posee una función cuadrática:
Familia de métodos MA1:

f(xk )
yk = xk − ,
f0(xk )
1 f(yk ) f(yk ) (9)
xk+1 = yk − 2 f0 (x )
; tk = ,
1 − 2tk + γtk k f(xk )
donde γ es un parámetro real. Esta es una familia de métodos ya que γ varía.
En general, ya existen escritos a cerca del estudio dinámico de la familia de Chun con función peso
αt + β
H(t) = ; (con α, β, γ y δ son parámetros reales), es decir, donde su numerador y su denomina-
γt + δ
dor sean lineales como el estudio generado en [1] por Artidiello.
Se propone realizar el estudio de la dinámica de una familia de métodos con una función peso racional
con alguna de sus partes cuadrática. Es importante aclarar que si se escogiera que tanto el numerador
como el denominador sean cuadráticas, habrían más parámetros a considerar, por lo que el estudio
dinámico se extiende.
α
Se presenta la siguiente función peso: H(t) = , con α, β, γ parámetros reales. Sin embargo,
1 + βt + γt2
otro detalle a considerar es que se debe cumplir ciertas condiciones sobre H descritas en el teorema 2
para que el método sea óptimo; específicamente que: H(0) = 1, H0(0) = 2 y |H00(0)| < ∞. Entonces:
H(0) = 1 ⇒ α = 1
H0(0) = 2 ⇒ β = −2
1
Luego, la función peso propuesta queda de la forma: H(t) = .
1 − 2t + γt2
En la sección 3 del escrito se realiza el estudio de estabilidad del método MA1 para determinar cuáles
valores de γ hacen que el método sea más eficiente.
Cabe destacar que este método es nuevo y no ha sido encontrado en literaturas anteriores.
2.3.1. Clases de conjugación
Artidiello en [1] explica que: Las clases de conjugación permiten simplificar los cálculos, trabajando
simultáneamente con todos los polinomios cuadráticos.”
Análisis de Estabilidad de MA1 11
Definición 18 (Clases de conjugación)

Sean f y g dos funciones analíticas en la esfera de Riemann. Una conjugación analítica entre f y
g es un difeomorfismo h en la esfera de Riemann tal que h ◦ f ◦ h−1 = g.
2.3.2. Teorema del escalado y transformación afín
Las clases conjugadas y el Teorema del escalado, si se cumple para el método en estudio, permite
generalizar el estudio dinámico sobre la función no lineal a la que se le hace el estudio, en este caso,
a un polinomio cuadrático cualquiera; lo anterior quiere decir que gracias a este aspecto se puede
garantizar que el estudio dinámico realizado contempla cualquier polinomio de grado dos.
Teorema 3 (Teorema del Escalado para la familia de Chun)

Sea f(z) una función analítica en la esfera de Riemann y T (z) = αz + β una aplicación afín
con α ≠ 0. Si g(z) = λf ◦ T (z), entonces (T ◦ Gg,γ ◦ T −1 )(z) = Gf,γ (z), es decir, Gf,γ es
f(z)
f(z) f z− f0 (z)
analíticamente conjugada a Gg,γ mediante T . Donde Gf,γ = z − f0 (z)
− H(tf (z), γ) f0 (z)
y

g(z)
g z− g0 (z)
Gg,γ = z − gg(z)
0 (z) − H(gf (z), γ) son los operadores correspondientes a la familia de mé-
g0 (z)
todos de Chun (4) sobre f y g respectivamente, con H(tf (z), γ) y H(tg (z), γ) funciones sufi-
cientemente diferenciables tales que ambas funciones

cumplen que H(0, γ)

= 1, H0(0, γ) = 2,
f(z) g(z)
f z− f0 (z) g z− g0 (z)
|H00(0, γ)| < ∞ y γ es un parámetro; con tf (z) = f(z) y tg (z) = g(z)
.
la subsección A.2.
Definición 19
Sean R1 y R2 funciones racionales en la esfera de Riemann. Se dice que R1 y R2 son conjugadas
si existe una transformación de Möbius en la esfera de Riemann tal que: M ◦ R1 ◦ M−1 = R2
Luego del cálculo de conceptos teóricos de herramientas dinámicas como: puntos fijos, puntos críticos,
puntos periódicos y cuencas de atracción para el método MA1 descrito en (9); el teorema del escalado
ayudará a realizar mapeos de planos dinámicos y zonas de estabilidad que se puedan interpretar
mejor.
3. Análisis de Estabilidad de MA1
Para comparar el método MA1 presentado en (9) con algunos métodos conocidos, se realizará un
estudio de estabilidad sobre el plano complejo para ecuaciones no lineales específicas y así visualizar
qué tan eficiente es el método.
Se analizará el método sobre un polinomio genérico de grado dos p(z) = (z − a)(z − b) con la función
1
peso H(t) = , con γ ∈ ℝ un parámetro.
1 − 2t + γt2
p(z)
y(z) = z −
p0(z)
p(y(z))
Of(z) = y(z) − H(t)
p0(z)
ab − z2 (a − z)2 (b − z)2
= + (10)
a + b − 2z

(a−z)(−b+z)(2(a+b−2z)2 +(a−z)(−b+z)γ)
(a + b − 2z)3 1+ (a+b−2z)4
p(y(z))
con t = .
p(z)
Dicho resultado es el operador de la función p que depende de a y de b.
Ahora se realizará el conjugado del operador anterior con la Transformación de Möbius, sobre el
operador para simplificarlo ya que manda las soluciones del polinomio a y b a 0 e ∞ para que el
resultado ya no dependa de a ni de b.
z−a
M(z) =
z−b
z4 (1 + z)2 + γ

−1
Op(z) = M(Of(M (z))) =
1 + z(2 + z + zγ)
Gracias a la Definición 18 a cerca de las clases de conjugación, el Teorema 3 del escalado y la Definición
19, se puede asegurar que Op y Of son analíticamente conjugados por lo que su dinámica asociada
es equivalente, permitiendo así realizar el estudio en casos más sencillos. Se calcularán los valores de
γ para los que Op se pueda simplificar.
Igualando el numerador del operador Op a cero se obtiene:

√ √
sn1 (γ) = −1 − −γ sn2 (γ) = −1 + −γ
Luego igualando el denominador del operador Op a cero se obtiene:

1 1
sd1 (γ) = − √ sd2 (γ) = − √
−1 + −γ 1 + −γ
Se iguala cada término sni (γ) con cada término sdi (γ); con i ∈ {1, 2}, para saber en qué valores de
γ dichos términos son iguales y el operador Op se pueda simplificar. Haciendo todas las igualdades
posibles se obtiene que Op se puede simplificar si γ = 0, γ = ±2i, γ = −1 o si γ = −2. Estos valores de
γ son los que se utilizarán para la variación del número de puntos fijos extraños y para las pruebas
numéricas.
3.1. Puntos fijos
Como se ha mencionado anteriormente, los puntos fijos del operador Op(z) son los puntos tales que
Op(z) = z; eventualmente lo cumplen z = 0 y z = ∞, pues son las raíces del polinomio p(z) luego de
la transformación de Möbius.
Para verificar, se resuelve la expresión Op(z) = z y una de sus raíces es 0. Para corroborar que ∞ es un
punto fijo se calcula el operador inverso de la siguiente manera:
z4 1 + 2z + z2 + γ

−1 1
z = 1
= ,
Op z
1 + 2z + z2 (1 + γ)
y evaluando en z = 0 su imagen es 0 por lo que ∞ también es fijo.
Sin embargo, al resolver la ecuación Op(z) = z, aparecen otras 5 soluciones las cuales son puntos fijos
extraños:
3.1 Puntos fijos 13
1. pf0 (γ) = 1
1 √ p √
2. pf1 (γ) = −3 − 1 − 4γ − −6 − 4γ + 6 1 − 4γ
4
1 √ p √
3. pf2 (γ) = −3 − 1 − 4γ + −6 − 4γ + 6 1 − 4γ
4
1 √ p √
4. pf3 (γ) = −3 + 1 − 4γ − −6 − 4γ − 6 1 − 4γ
4
1 √ p √
5. pf4 (γ) = −3 + 1 − 4γ + −6 − 4γ − 6 1 − 4γ
4
Como se puede observar, los puntos fijos extraños dependen de γ, por lo que su estabilidad, así como
los puntos críticos, también. Se analizará la variación de números de puntos fijos extraños, la estabi-
lidad y puntos críticos independientes para valores del parámetro γ específicos.
z4 (1 + z)2 + γ

Lema 1 El número de puntos fijos extraños del operador Op(z) = es 5 excepto
1 + z(2 + z + zγ)
en el siguiente caso: si γ = 0 entonces hay 3 puntos fijos extraños.
La prueba de este lema (elaboración propia) puede ser encontrada en la sección Anexos en la
subsección A.5.
Existen otros valores de γ que hacen que el operador Op se simplifique pero mantiene la misma
cantidad de puntos fijos extraños:
z4 ±2i + (1 + z)2

Si γ = ±2i, entonces el operador es Op(z) = y al resolver Op(z) = z se
1 + z(2 + (1 ± 2i)z)
obtienen los siguientes puntos fijos extraños:
z = 1,
1 √ √ 1 √ √
q q
z= −3 − 1 ∓ 8i − (−6 ∓ 8i) + 6 1 ∓ 8i , z= −3 + 1 ∓ 8i − (−6 ∓ 8i) − 6 1 ∓ 8i ,
4 4
1 √ √ 1 √ √
q q
z= −3 − 1 ∓ 8i + (−6 ∓ 8i) + 6 1 ∓ 8i , z= −3 + 1 ∓ 8i + (−6 ∓ 8i) − 6 1 ∓ 8i .
4 4
z5 (2+z)
Si γ = −1, entonces el operador es Op(z) = 1+2z y al resolver Op(z) = z se obtienen los
siguientes puntos fijos extraños:
z = 1,
√ √ 1 √ √
q
1
q
z= −3 − 5 − −2 + 6 5 , z= −3 − 5 − −2 − 6 5 ,
4 4
1 √ √ 1 √ √
q q
z= −3 − 5 + −2 + 6 5 , z= −3 − 5 + −2 − 6 5 .
4 4
z4 −2 + (1 + z)2

Si γ = −2, entonces el operador es Op(z) = y al resolver Op(z) = z se obtienen
1 − (−2 + z)z
los siguientes puntos fijos extraños:
z = 1,
1 √
z = (−3 − 5), z = −i,
2
1 √ z = i.
z = (−3 + 5),
2
3.2. Estabilidad de los puntos fijos
La importancia al obtener los puntos fijos es poder hacer un estudio de su estabilidad para saber
cuándo son valores atractores, repulsores o indiferentes dependiendo del valor del parámetro γ. Para
calcular la estabilidad de los puntos fijos se procede a evaluar en la derivada del operador, o sea, en
Op0(z).
Teorema 4
Los puntos fijos z = 0 y z = ∞ son superatractores independientemente del valor de γ, y para
z = 1 se obtienen los siguientes resultados:
28

1. Atractor si γ + < 8 en particular superatractor si γ = −8.

3
28

2. Indiferente si γ + = 8

3
28

3. Repulsor si γ + > 8

3
la subsección A.3.
La estabilidad de z = 1 se puede observar en el plano complejo en la Figura 2.
Figura 2: Estabilidad del punto fijo extraño pf0 (γ)
Visualmente, si γ está dentro de la circunferencia del cono, entonces es atractor. Si γ está sobre la
circunferencia, es indiferente y si está fuera de la circunferencia entonces es repulsor.
Teorema 5
Los puntos fijos extraños pf1 (γ) y pf2 (γ) son:
1. Atractores si 0.23822873 < γ < 0.25; en particular superatractor si γ ≈ 0.24621119
2. Indiferentes si γ ≈ 0.23822873, γ ≈ 0.25
3. Repulsores para valores de γ diferentes de los anteriores.
Mientras que los puntos fijos extraños pf3 (γ) y pf4 (γ) son:
1. Atractores si −21 < γ < −12; en particular superatractor si γ ≈ −16.2465
2. Indiferentes si γ ≈ −21, γ ≈ −12
3.3 Puntos críticos 15
No se puede comprobar de forma analítica el teorema ya que al sustituir estos puntos fijos ex-
traños en la funciones de estabilidad, aparecen raíces de polinomios de alto grado. El análisis
numérico de este teorema (elaboración propia) puede ser encontrado en la sección Anexos en
la subsección A.4.
La estabilidad de z = pf1 (γ) y de z = pf2 (γ) se puede visualizar en el plano complejo en la Figura 3a.
La estabilidad de z = pf3 (γ) y de z = pf4 (γ) se puede visualizar en el plano complejo en la Figura 3b.
(b) pf3 (γ) y pf4 (γ)

(a) pf1 (γ) y pf2 (γ)
Figura 3: Estabilidad de los puntos fijos extraños.
Los valores para los que Op0(γ) cambia su comportamiento, es decir, pasa de ser atractor a repulsor, se
han obtenido numéricamente por lo que son valores aproximados. En las figuras anteriores se pueden
apreciar las regiones donde el parámetro varía su estabilidad, si γ está dentro de esas cuencas entonces
el método MA1 será inestable.
3.3. Puntos críticos
Los puntos críticos, como se ha mencionado antes, se obtienen de resolver la ecuación Op0(z) = 0. La
importancia de los puntos críticos del operador es que, además de los puntos fijos que son superatrac-
tores, se pueden obtener puntos que no son ni las raíces ni puntos fijos extraños, a estos se les llaman
puntos críticos libres.
García [8] menciona que estos puntos van a tener interés ya que cada cuenca de atracción tiene al
menos un punto crítico, por lo que los críticos libres podrían estar en una cuenca de atracción de
alguna de las soluciones de la ecuación, o bien estar en la cuenca de algún punto fijo extraño u órbita
periódica atractora.
Los puntos críticos del operador Op(z) son z = 0 y z = ∞ (corresponden a la transformación de

Möbius de las raíces del polinomio) ya que son puntos fijos superatractores y los críticos libres:
√
17γ2 −8γ3
q
8+3γ 1 (8+3γ)2 4+4γ 12+2γ+γ2
1. cr1 (γ) = − 8(1+γ) − √ 2
− 2 8(1+γ)2 − 2(1+γ)
− 2(1+γ)
− λ,
8 1+2γ+γ
√
17γ2 −8γ3
q
8+3γ 1 (8+3γ)2 4+4γ 12+2γ+γ2
2. cr2 (γ) = − 8(1+γ) − √ 2
+ 2 8(1+γ)2 − 2(1+γ)
− 2(1+γ)
− λ,
8 1+2γ+γ
√
17γ2 −8γ3
q
8+3γ 1 (8+3γ)2 4+4γ 12+2γ+γ2
3. cr3 (γ) = − 8(1+γ) + √ 2
− 2 8(1+γ)2 − 2(1+γ)
− 2(1+γ)
+ λ,
8 1+2γ+γ
√
17γ2 −8γ3
q
8+3γ 1 (8+3γ)2 4+4γ 12+2γ+γ2
4. cr4 (γ) = − 8(1+γ) + √ 2
+ 2 8(1+γ)2 − 2(1+γ)
− 2(1+γ)
+ λ,
8 1+2γ+γ
√
!
2
1+2γ+γ2 − 1+γ − +
(
4(8+3γ) (8+3γ)3 (8+3γ) 12+2γ+γ )
8(1+γ)3 (1+γ)2
con λ = √ .
17γ2 −8γ3
1 1
Particularmente cr2 (γ) = y cr4 (γ) = .
cr1 (γ) cr3 (γ)
Lema 2 El número de puntos críticos extraños del operador Op(z) es 4, excepto en los siguientes
casos:
1. Si γ = 0, entonces no hay puntos críticos libres.

17
2. Si γ = 8 , entonces hay 2 puntos críticos libres, ambos de multiplicidad dos.
3. Si γ = −8, entonces hay 3 puntos críticos libres, uno de ellos de multiplicidad dos.
4. Si γ = −4, entonces hay 2 puntos críticos libres.
La prueba de este lema (elaboración propia) puede ser encontrada en la sección Anexos en la
subsección A.5.
Para determinar qué valores de γ hacen que varíe el número de puntos críticos libres, se procede
a resolver todas las ecuaciones posibles: cri (γ) = crj (γ); con i, j ∈ {1, 2, 3, 4} y i ≠ j. Resolviendo
todas las ecuaciones posibles, se obtiene que el operador Op0 se simplifica si γ = 0, γ = 17 8 , γ = −8
o si γ = −4. Algunos de estos valores también serán utilizados para las pruebas numéricas.
3.4. Planos de parámetros
Los planos de parámetros son gráficos de los valores críticos independientes del método que permiten
determinar de manera visual qué valores de γ harán que el método sea estable o inestable.
El plano de parámetros se genera partiendo con un punto crítico independiente como valor inicial para
el operador Op y se aplica el método iterativo MA1 para todos los valores del parámetro definidos en
una malla sobre el plano complejo. Si en un punto, donde γ es un valor específico, el método converge
en menos de 50 iteraciones a alguna de las raíces del polinomio z = 0 o z = ∞ entonces a dicho punto
se le asigna el color rojo; en otro caso entonces al punto se le asigna el color negro.
Particularmente para el método MA1 se obtienen dos planos paramétricos: uno en donde se visualiza
el comportamiento del método con alguno de los puntos críticos cr1 (γ) o cr2 (γ) y otro con alguno de
los puntos críticos cr3 (γ) o cr4 (γ) esto debido a que cr2 (γ) = cr11(γ) y cr4 (γ) = cr31(γ) por lo que solo
hay 2 puntos críticos independientes.
10
5
1
IIm{α}
IIm{α}
0 0
-1
-5
-2
-10
-1 0 1 2 3 4 5 6 7 8 9 -30 -25 -20 -15 -10 -5 0 5
IRe{α} IRe{α}
(a) Plano de parámetros P1 para z = cr1,2 (γ) (b) Plano de parámetros P2 para z = cr3,4 (γ)
Figura 4: Plano de parámetros del método MA1.
Los puntos del plano complejo que aparecen en negro en las Figuras 4a y 4b corresponden a valores
3.5 Planos dinámicos 17
del parámetro γ en donde el método iterativo MA1 no converge a las raíces del polinomio cuadrático,
tomando como estimación inicial alguno de los puntos críticos libres cri (γ) con i ∈ {1, 2, 3, 4}. Significa
entonces que existen, al menos, tres cuencas de convergencia, la del 0, la del ∞ y otra (o más) de algún
punto fijo extraño atractor o alguna órbita periódica atractora.
Las regiones de los círculos negros que se pueden apreciar a la izquierda de la figura 4b correspon-
den con los diagramas de estabilidad de los puntos fijos extraños pfi (γ) con i ∈ {0, 1, 2, 3, 4} que se
pueden apreciar en las Figuras 2-3b, donde dichos puntos son atractores. Las otras regiones en negro
corresponden a diagramas de estabilidad de órbitas periódicas atractoras.
3.5. Planos dinámicos
Los planos dinámicos son otra forma de ampliar la información obtenida con los planos paramétricos.
Con los planos dinámicos se pueden visualizar las cuencas de atracción de puntos fijos o periódicos
del método MA1 con algún valor del parámetro γ en particular.
Para construir un plano dinámico se define un mallado de puntos en el plano complejo, cada uno de
los cuales se toma como estimación inicial del método iterativo, si partiendo desde un punto especí-
fico del mallado el método iterativo converge a algún cero de la función, entonces se le asignará un
determinado color, particularmente de color naranja si converge a z = 0 y color azul si converge a
z = ∞; en caso de que el punto tomado como estimación inicial no converja a ninguna de las raíces de
la función en un máximo de iteraciones establecido, se le asignará el color negro.
Todas las gráficas son del método MA1 sobre un polinomio cuadrático con la Transformación de
Möbius.
En las Figuras 5c-5g se puede observar los planos dinámicos de valores de γ que se encuentran en la
zona de estabilidad. Esto se puede verificar visualmente ya que en los gráficos el método solo converge
a las soluciones, las cuales en este caso luego de aplicar la Transformación de Möbius son 0 e ∞.
En las Figuras 5h-5l se puede observar los planos dinámicos de valores de γ que se encuentran fuera de
la zona de estabilidad. Esto se puede verificar visualmente ya que en los gráficos el método converge
a otros valores además de la solución, dando como resultado zonas negras.
En la Figura 5a se puede observar el plano dinámico del método de Ostrowski presentado en (6)
aplicado a un polinomio cuadrático con la Transformación de Möbius, y en la Figura 5b se puede
observar el plano dinámico del método de Kung y Traub de la ecuación 7, que se obtiene de MA1 si
γ = 1. Estos valores de γ, como es de esperar, están en la zona de estabilidad; es esperable ya que
generan métodos conocidos que se sabe de antemano que son esquemas estables.
En la Figura 5l se pueden observar las cuencas de atracción correspondientes a γ = 4.7+5.4i; este valor
es importante de resaltar ya que en el plano dinámico que se obtiene aparece una órbita periódica de
periodo 3; con este resultado, gracias al Teorema de Sarkovski (ver [7]), se puede probar que existen
órbitas periódicas de cualquier periodo.
3.6. Pruebas numéricas
Las pruebas numéricas que aparecen en el siguiente apartado han sido calculadas utilizando aritmé-
tica de precisión variable, con 7000 dígitos de mantisa y una tolerancia máxima de 10−300 en Matlab
R2015a en una computadora portátil con procesador Intel(R) Core(T M) i5 − 7200U [email protected]
2.70GHz con una memoria RAM de 8GB.
En este apartado se presentarán resultados obtenidos al utilizar el método familia MA1 con algunos
z=2.7722e-07+i9.5046e-07 z=2.2823e-07+i7.5992e-07 z=-0.00033873+i-0.0001428

4 4 4
3 3 3
2 2 2
1 1 1
Im{z}
Im{z}
Im{z}
0 0 0
-1 -1 -1
-2 -2 -2
-3 -3 -3
-4 -4 -4
-4 -3 -2 -1 0 1 2 3 4 -4 -3 -2 -1 0 1 2 3 4 -4 -3 -2 -1 0 1 2 3 4
Re{z} Re{z} Re{z}
(a) γ = 0 (b) γ = 1 (c) γ = −1

z=1.7315e-11+i-2.6225e-11 z=1.0993e-07+i4.5581e-07 z=-2.3266e-11+i2.7455e-10
4 4 4
3 3 3
2 2 2
1 1 1
Im{z}
Im{z}
Im{z}
0 0 0
-1 -1 -1
-2 -2 -2
-3 -3 -3
-4 -4 -4
-4 -3 -2 -1 0 1 2 3 4 -4 -3 -2 -1 0 1 2 3 4 -4 -3 -2 -1 0 1 2 3 4
Re{z} Re{z} Re{z}
(d) γ = −2 (e) γ = −4 (f) γ = 2i

z=1.6337e-05+i1.1445e-05 z=0.78277+i-0.62231 z=-0.20305+i0.52983
4 4 4
3 3 3
2 2 2
1 1 1
Im{z}
Im{z}
Im{z}
0 0 0
-1 -1 -1
-2 -2 -2
-3 -3 -3
-4 -4 -4
-4 -3 -2 -1 0 1 2 3 4 -4 -3 -2 -1 0 1 2 3 4 -4 -3 -2 -1 0 1 2 3 4
Re{z} Re{z} Re{z}
(g) γ = −2i (h) γ = 17 (i) γ = 6

8
z=1+i0 z=2.5837+i-8.2253e-40 z=0.086001+i-1.7377
4 4
4
3 3
3
2 2
2
1 1 1
Im{z}
Im{z}
Im{z}
0 0 0
-1 -1
-1
-2
-2 -2
-3
-3 -3
-4
-4 -4
-4 -3 -2 -1 0 1 2 3 4 -4 -3 -2 -1 0 1 2 3 4 -4 -3 -2 -1 0 1 2 3 4
Re{z} Re{z} Re{z}
(j) γ = −8 (k) γ = −22 (l) γ = 4.7 + 5.4i
Figura 5: Plano dinámico del método MA1 para distintos valores de γ.
3.6 Pruebas numéricas 19
valores γ específicos para estimar ceros de las siguientes funciones:
f1 (x) = sen(x) − x2 + 1, ξ ≈ 1.409624

f2 (x) = (x − 1)3 − 1, ξ=2
f3 (x) = arctan(x), ξ=0
x 2
f4 (x) = sen(x) − , ξ = 0, doble
2
Se comparará el método familia MA1 con otros métodos iterativos conocidos: el esquema de Newton
presentado en (1), el esquema de Jarratt presentado en (3), el esquema de Chun presentado en (5),
el esquema de Ostrowski presentado en (6), el esquema de Kung y Traub presentado en (7) y el
esquema de Zhao presentado en (8).
En las siguientes tablas se mostrarán los resultados obtenidos de funciones anteriormente mencio-
nadas, teniendo en cuenta que el criterio para que el código se detenga es, en todos los métodos,
|xk+1 − xk | + |f(xk+1 )| < 10−300 , así se puede verificar si la sucesión {xk } converge y su límite es la
solución de la ecuación no lineal f(x) = 0.
Para cada una de las funciones se mostrará la estimación inicial utilizada x0 , la raíz ξ la que tiende el
proceso, las estimaciones del error cometido en la última iteración: |xk+1 − xk | y |f(xk+1 )|, el número
de iteraciones que ha necesitado para converger y ρ como el orden de convergencia computacional
aproximado ACOC.
Métodos ξ |xk+1 − xk | f(xk+1 ) iter ρ

f1 Newton 1.409624 1.958 e-546 5.723 e-1092 11 2.0000
x0 = 1 Jarratt 1.409624 4.768 e-555 2.334 e-2218 6 4.0000
Chun 1.409624 1.787 e-782 2.388 e-3127 7 4.0000
Ostrowski 1.409624 4.914 e-554 2.661 e-2214 6 4.0000
Kung y Traub 1.409624 6.482 e-421 1.638 e-1681 6 4.0000
Zhao 1.409624 1.753 e-998 1.42 e-3993 7 4.0000
MA1γ=−1 1.409624 1.987 e-639 2.343 e-2557 6 4.0000
MA1γ=−2 1.409624 7.987 e-376 1.979 e-1501 6 4.0000
MA1γ=−4 1.409624 2.836 e-612 9.249 e-2447 7 4.0000
MA1γ=2i 1.409624 2.311 e-368 2.989 e-1471 6 4.0000
MA1γ=6 1.409624 4.755 e-1087 1.679 e-4345 7 4.0000
MA1γ=−8 1.409624 1.641 e-961 2.403 e-3843 8 4.0000
MA1γ=−22 1.409624 7.424 e-506 3.011 e-2020 7 4.0000
MA1γ=4.7+5.4i 1.409624 2.632 e-1005 1.772 e-4018 7 4.0000
Tabla 1: Resultados obtenidos por los métodos iterativos sobre la función f1
En las Tablas 1 y 2 se puede observar que en general, la mayoría de los métodos convergen a la so-
lución de la ecuación; el número de iteraciones es en general el mismo y el orden de convergencia
computacional aproximado coincide con el orden teórico.
En la Tabla 2 se puede observar que el método MA1 diverge cuando γ = −8 y cuando γ = −22. Este
resultado es esperable ya que en el análisis realizado dichos valores de γ se encuentran fuera de la
zona de estabilidad de MA1.
En la Tabla 3 se puede observar que en general, la mayoría de métodos divergen, esto se debe a que,
como todos son una composición del método de Newton; dicho método tiene problemas en el cálculo
de la derivada cerca del cero de la función arco-tangente. Sin embargo, aquellas funciones que con-
vergen, lo hacen con un número bajo de iteraciones y su ACOC es mayor al teórico.

f2 Newton 2.0000 6.244 e-447 1.17 e-892 11 2.0000
x0 = 2.5 Jarratt 2.0000 1.989 e-490 3.132 e-1959 6 4.0000
Chun 2.0000 7.377 e-310 4.146 e-1236 6 4.0000
Ostrowski 2.0000 1.989 e-490 3.132 e-1959 6 4.0000
Kung y Traub 2.0000 2.146 e-397 1.06 e-1586 6 4.0000
Zhao 2.0000 7.909 e-562 3.912 e-2245 6 4.0000
MA1γ=−1 2.0000 3.391 e-729 1.322 e-2914 6 4.0000
MA1γ=−2 2.0000 5.257 e-477 3.055 e-1905 6 4.0000
MA1γ=−4 2.0000 3.972 e-1112 2.489 e-4445 7 4.0000
MA1γ=2i 2.0000 5.074 e-373 4.191 e-1489 6 4.0000
MA1γ=6 2.0000 8.084 e-1009 8.544 e-4032 7 4.0000
MA1γ=−8 - - - > 1000 -
MA1γ=−22 - - - > 1000 -
MA1γ=4.7+5.4i 2.0000 4.311 e-929 7.891 e-3713 7 4.0000

f3 Newton - - - > 1000 -
x0 = 1.5 Jarratt 0.0000 3.312 e-1312 6.492 e-6559 7 5.0000
Chun - - - > 1000 -
Ostrowski 0.0000 2.429 e-1259 1.878 e-6294 7 5.0000
Kung y Traub 0.0000 5.76 e-677 1.409 e-3382 7 5.0000
Zhao - - - - -
MA1γ=−1 0.0000 5.776 e-304 1.429 e-1517 5 5.0000
MA1γ=−2 - - - > 1000 -
MA1γ=−4 - - - > 1000 -
MA1γ=2i 0.0000 1.608 e-829 2.387 e-4145 9 5.0000
MA1γ=6 0.0000 4.999 e-365 6.936 e-1823 8 5.0000
MA1γ=−8 - - - > 1000 -
MA1γ=−22 - - - > 1000 -
MA1γ=4.7+5.4i - - - > 1000 -
Algo particular es que en la Tabla 4, la gran mayoría de métodos convergen lentamente: esto se sabe ya
que su ACOC es igual a 1, en otros casos el método diverge; esto es esperable ya que la función posee
ceros con multiplicidad lo cual genera problemas para los métodos iterativos usuales. Sin embargo, el
método MA1 cuando γ = −4 realizó un número considerablemente menor de iteraciones a los demás,
con un orden de convergencia mayor.
De repente se puede pensar que dicho método funciona para funciones con multiplicidad; sin embar-
go, luego de realizar pequeñas pruebas con ecuaciones como x2 = 0, el método diverge; una corriente
de trabajo podría someterse al método para γ = −4 para funciones con multiplicidad para determinar
en qué condiciones converge.
Conclusiones 21

f4 Newton 0.0000 5.657 e-301 8.001 e-602 996 1.0000
x0 = 0.5 Jarratt 0.0000 4.938 e-301 6.774 e-603 499 1.0000
Chun 0.0000 7.443 e-301 2.862 e-602 594 1.0000
Ostrowski 0.0000 4.999 e-301 6.942 e-603 499 1.0000
Kung y Traub 0.0000 4.252 e-301 6.687 e-603 540 1.0000
Zhao 0.0000 6.602 e-301 1.082 e-602 484 1.0000
MA1γ=−1 0.0000 7.637 e-301 1.084 e-602 449 1.0000
MA1γ=−2 0.0000 2.253 e-301 5.074 e-604 387 1.0000
MA1γ=−4 0.0000 1.705 e-705 1.234 e-4229 8 3.0000
MA1γ=2i 0.0000 4.609 e-301 7.177 e-603 530 1.0000
MA1γ=6 0.0000 5.879 e-301 2.667 e-602 671 1.0000
MA1γ=−8 - - - > 1000 -
MA1γ=−22 - - - > 1000 -
MA1γ=4.7+5.4i 0.0000 4.187 e-301 1.492 e-602 697 1.0000
4. Conclusiones
En el escrito se realizó un análisis para el diseño de métodos iterativos multipasos para la resolución de
ecuaciones no lineales con el fin de encontrar métodos más eficientes en comparación con esquemas
usualmente utilizados.
El orden de convergencia no es lo único que define cuán eficiente y estable es un método iterativo; la
eficiencia, el índice de eficiencia y el orden de convergencia computacional generan una mejor visión
de la eficacia del método en comparación con otros, pues entre mayor sean estos valores, hay mayor
certeza que el método converja en un menor número de iteraciones y en un menor tiempo de ejecución.
Además un orden de convergencia mayor no significa un mejor método, para esto entra el papel de
sistemas dinámicos. Por ejemplo, si se tiene un método con un orden de convergencia alto, entonces,
garantiza que converja en menos iteraciones que otro método de un orden menor. Sin embargo, cabe
la posibilidad de que este método tenga un radio de convergencia muy pequeño; o sea, que el valor
inicial debe estar muy cercano a la solución de la ecuación para garantizar convergencia, caso contrario
el método diverge o converge a valores que no sean soluciones; en otras palabras, prácticamente se
debe conocer la solución de la ecuación y esto no es útil pues en la práctica la solución no se conoce y
es lo que se busca. Con esto, se concluye la necesidad de planos dinámicos para concluir también si
el método es viable o no.
En contraste con la teoría sobre dinámica compleja, la práctica numérica dio resultados favorables
sobre los métodos en estudio: algunos valores de γ que se obtuvieron de la zona de convergencia (zona
roja) de los planos de parámetros hicieron que el método converja, mientras que algunos valores de
γ de la zona de divergencia (zona negra) hicieron que el método fallara.
Se logró encontrar valores de γ para los que el método MA1 es mejor que los métodos iterativos
conocidos. Particularmente γ = −1 fue un valor bueno en el sentido de que requirió de un menor
número de iteraciones en comparación con otros valores de γ y métodos conocidos.
22 REFERENCIAS
Referencias
[1] S. Artidiello, Diseño, implementación y convergencia de métodos iterativos para resol-

ver ecuaciones y sistemas no lineales utilizando funciones peso. Diss. Ph. D. thesis, Uni-
versitat Politècnica de València, 2014.
[2] P. Blanchard, The Dynamics of Newton’s method. Proceedings of Symposia in Applied

Mathematics 49 (1994) 139-152.
[3] S. C. Chapra, y R. P. Canale, Métodos numéricos para ingenieros. Quinta Edición,

McGraw-Hill, 2017.
[4] C. Chun, Construction of Newton-like iterative methods for solving nonlinear equa-
tions, Numerische Mathematik 104 (2006) 297-315.
[5] C. Chun, Some fourth-roder iterative methods for solving nonlinear equation, Applied
Mathematica and Computation 196 (2008) 454-459.
[6] A. Cordero, J.R. Torregrosa, Variants of Newton’s method using fifth-order quadrature
formulas, Appl. Math. Comput. 190 (2007) 686-698.
[7] R. L. Devaney The Mandelbrot Set, the Farey Tree and the Fibonacci sequence. Am.
Math. Monthly, 106(4) (1999) 289-302.
[8] J. García, Análisis dinámico y numérico de familias de métodos iterativos para la reso-
lución de ecuaciones no lineales y su extensión a espacios de Banach, Departamento de
Matemática Aplicada, Universitat Politècnica de València, 2017.
[9] P. Jarratt, Some fourth order multipoint iterative methods for solving equations, Math.
Comp. 20 (1966) 434-437.
[10] R. F. King, A family of fourth-order methods for nonlinear equations, SIAM Journal
Numerical Analisis 10(5) (1973) 876-879.
[11] H.T. Kung, J.F. Traub, Optimal order of one-point and multipoint iteration, J. Assoc.
Comput. Math. 21 (1974) 643-651.
[12] A.M. Ostrowski, Solution of equations and systems of equations, Academic Press, New
York, 1960.
[13] K. Rajagopal, S. T. Kingni, G. F. Kuiate, V. K. Tamba, y V. Pham, Autonomous Jerk Osci-

llator with Cosine Hyperbolic Nonlinearity: Analysis, FPGA Implementation, and Syn-
chronization, Advances in Mathematical Physics, vol. 2018.
[14] J.F. Traub, Iterative methods for the solution of equations, Prentice-Hall, Englewood
Cliffs, New Jersey, 1964.
[15] S. Weerakoon, T.G.I. Fernando, A variant of Newton’s method with accelerated third-
order convergence, Appl. Math. Letters 13 (2000) 87-93.
[16] L. Zhao, X. Wang, W. Guo, New families of eighth-order methods with high efficiency
index for solving nonlinear equations, Wseas Transactions on Mathematics 11 (2012)
283-293.
Anexos 23
A. Anexos
A continuación se presentan las pruebas de algunos teoremas y lemas descritos en el trabajo. Cabe
destacar que todas las demostraciones son de elaboración propia, sin embargo fueron hechas utili-
zando técnicas desarrolladas por los autores: Artidiello en [1] y García en [8].
A.1. Prueba del Teorema 2
Teorema:
Sea f : I ⊂ ℝ → ℝ una función suficientemente diferenciable en cada punto del intervalo abierto I
tal que α ∈ I es una raíz simple de la ecuación no lineal f(x) = 0. Sea H : ℝ → ℝ cualquier función
suficientemente diferenciable tal que H(0) = 1, H0(0) = 2 y |H00(0)| < ∞. Entonces, si la estimación
inicial x0 está suficientemente cerca de la solución α, la sucesión {xk }k≥0 obtenida usando la expresión
con función peso de Chun presentada en (4) converge a α y el orden de convergencia local es al menos
4 y su ecuación del error es:
H00(0) 3

ek+1 = 5− C2 − C2 C3 e4k + O(e5k ),
2
1 f(j) (α)
donde Cj = , j = 2, 3, ... y ek = xk − α, ∀k ∈ ℕ.
j! f0(α)
Demostración.
Sea α un cero simple de la función f (i.e., f(α) = 0 y f0(α) ≠ 0); y xk = α + ek . Para probar la
convergencia local del método iterativo hacia la solución de f(x) = 0 se utiliza el desarrollo en serie
de Taylor de la función alrededor de la solución:
f(xk ) = f(α + ek ) = *+0 f0(α)e + 1 f00(α)e2 + 1 f000(α)e3 + 1 f(4) (α)e4 + O(e5 )

f(α)

k
2 k 3! k 4! k k
1 f00(α) 2 1 f000(α) 3 1 f(4) (α) 4

= f0(α) ek + e + e + e + O(e5k )
2 f0(α) k 3! f0(α) k 4! f0(α) k
= f0(α) ek + C2 e2k + C3 e3k + C4 e4k + O(e5k )

Procediendo igual para determinar f0 se tiene que:
f0(xk ) = f0(α) 1 + 2C2 ek + 3C3 e2k + 4C4 e3k + O(e4k )

Luego:
e + C e2 + C e3 + C e4 + O(e5 )
f0(α)

f(xk ) k 2 k 3 k 4 k k
=
f0(xk ) 0 1 + 2C2 ek + 3C3 e + 4C4 e3 + O(e4 )
2

f
(α)

k k k
= ek − C2 e2k + 2C22 − 2C3 e3k + −8C32 + C2 4C22 − 3C3 + 10C2 C3 − 3C4 e4 + O(e(11)
5

k)
f(xk )
luego, como yk = xk − f0 (xk )
; entonces por la ecuación (11) y como xk = α + ek se sigue que:
f(xk )
= α + C2 e2k + −2C22 + 2C3 e3k + 4C32 − 7C2 C3 + 3C4 e4k + O(e5k )

yk = xk − 0
f (xk )
24 REFERENCIAS
⇒ f(yk ) = f0(α) C2 e2k − 2 C22 − C3 e3k + 5C32 − 7C2 C3 + 3C4 e4k + O(e5k )

f(yk )
Dado tk = f(xk )
; como f(yk ) tiende a cero más rápido que f(xk ), se puede asegurar que tk → 0 cuando
k → ∞.
Entonces el desarrollo de serie Taylor alrededor de 0 para una función H que depende de tk sería:
1
H(tk ) = H(0) + H0(0)tk + H00(0)t2k
2
luego la ecuación del error es la siguiente:
f(yk )
ek+1 = yk − H(tk ) ·
f0(xk )
= −(−1 + H(0))C2 e2k + (−2 + 4H(0) − H0(0))C22 − 2(−1 + H(0))C3 e3k

H00(0) 3

+ 0
4 − 13H(0) + 7H (0) − C2 + (−7 + 14H(0) − 4H0(0))C2 C3 − 3(−1 + H(0))C4 e4k
2
+O(e5k )
Pero como H(0) = 1 y H0(0) = 2, entonces la ecuación del error se reduce a lo siguiente:
H00(0) 3

ek+1 = 5− C2 − C2 C3 e4k + O(e5k )
2
Y como |H00(0)| < ∞, entonces el método es de, al menos, orden 4 y óptimo ya que tiene d = 3
evaluaciones iterativas y p = 2d−1 = 4.
Teorema:
Sea f(z) una función analítica en la esfera de Riemann y T (z) = αz + β una aplicación afín con α ≠ 0. Si
g(z) = λf◦T (z), entonces (T ◦Gg,γ ◦T −1 )(z) = Gf,γ

(z), es decir, Gf,γ es analíticamente conjugada

a Gg,γ
f(z) g(z)
f z− f0 (z) g z− g0 (z)
mediante T . Donde Gf,γ = z − ff(z)0 (z) − H(tf (z), γ) f0 (z)
y Gg,γ = z − gg(z)
0 (z) − H(gf (z), γ) g0 (z)
son los
operadores correspondientes a la familia de métodos de Chun (4) sobre f y g respectivamente, con
H(tf (z), γ) y H(tg (z), γ) funciones suficientemente diferenciables tales que ambas funciones
cumplen
f(z)
f z− f0 (z)
que H(0, γ) = 1, H0(0, γ) = 2, |H00(0, γ)| < ∞ y γ es un parámetro; con tf (z) = f(z)
y tg (z) =

g(z)
g z− g0 (z)
g(z)
.
Demostración.
Teniendo en cuenta que T (x − y) = T (x) − T (y) + β y g0(z) = αλf0(T (z)) entonces:
g(T −1 (z)) = λf(T (T −1 (z)))

= λf(z)
g0(T −1 (z)) = αλf(T (T −1 (z)))

= αλf(z)
A.3 Prueba del Teorema 4 25

f(z) f(z)
T T −1 (z) − αf0 (z)
= T (T −1 (z)) − T αf 0 (z) + β
f(z)
= z − α 0 −β+ β
αf (z)

f(z)
= z− 0
f (z)

g(T −1 (z))
g T −1 (z) − g0 (T −1 (z))
tg (T −1 (z)) = −1
g(T (z))
f(z)
λf T T −1 (z) − αf0 (z)
=
λf(z)

f(z)
f z− f0 (z)
=
f(z)
= tf (z)
Haciendo uso de los resultados anteriores entonces:
(T ◦ Gg,γ ◦ T −1 ) = T (Gg,γ (T −1 (z)))

g(T −1 (z))
© g(T −1 (z)) g T −1 (z) − g0 (T −1 (z)) ª
= T T −1 (z) − 0 −1 − H(tf (T −1 (z)), γ) ®
g (T (z)) g0(T −1 (z)) ®
« ¬
f(z)
© λf(z) λf z − f0(z) ª
= T T −1 (z) − − H(t f (z), γ) ®
αλf0(z) αλf0(z) ®
« ¬
f(z)

f(z)

© f z − f0 (z) ª
= T T −1 (z) − 0 − T H(tf (z), γ) ®+β
αf (z) αf0(z) ®
« ¬
f(z) f z − ff(z)
0 (z)
= z− 0 −
αH(tf (z), γ) −
+
β β
f (z) αf0(z)

= Gf,γ
Por lo tanto, (T ◦Gg,γ ◦T −1 )(z) = Gf,γ (z), es decir, Gf,γ y Gg,γ son analíticamente conjugadas mediante
T (z).
Teorema:
Los puntos fijos z = 0 y z = ∞ son superatractores independientemente del valor de γ, y para z = 1

se obtienen los siguientes resultados:
28

1. Atractor si γ + < 8 en particular superatractor si γ = −8.

3
28

2. Indiferente si γ + = 8

3
28

3. Repulsor si γ + > 8

3
26 REFERENCIAS
Demostración.
Evaluando en 0 se obtiene como imagen 0, por
! lo que 0 es superatractor. Para el caso del ∞ se deriva
0
1
la inversa del operador Op, o sea en y se evalúa en z = 0; el resultado es 0, por lo que el ∞
Op( z1 )
es superatractor.
Ahora se evaluará en Op0(z) el punto fijo extraños pf0 = 1 para poder clasificar la estabilidad del
mismo.
2γ + 16
Op0(1) =
4+γ
2γ + 16

Entonces si se tiene
< 1 implica que |2γ + 16| < |4 + γ|, como γ ∈ ℂ, entonces dados a, b ∈ ℝ
4+γ
arbitrarios tales que γ = a + bi, entonces:
p|2a + 16 + 2bi| |4 + a + bi|

< p
⇔ (2a + 16)2 + (2b)2 < (4 + a)2 + b2
⇔ 3a + 56a + 240 + 3b2
2 < 0
2
28

⇔ a+ + b2 < 64
3
28

Por lo tanto < 1, si y solo si γ + < 8

Op0(1)
3
A.4. Análisis numérico del Teorema 5
Teorema:
Los puntos fijos extraños pf1 (γ) y pf2 (γ) son:
1. Atractores si 0.23822873 < γ < 0.25; en particular superatractor si γ ≈ 0.24621119

2. Indiferentes si γ ≈ 0.23822873, γ ≈ 0.25
Mientras que los puntos fijos extraños pf3 (γ) y pf4 (γ) son:
1. Atractores si −21 < γ < −12; en particular superatractor si γ ≈ −16.2465

2. Indiferentes si γ ≈ −21, γ ≈ −12
Análisis numérico:
Para comprobar la estabilidad de los puntos fijos extraños que dependen de γ se hará de forma numé-
rica usando diagramas de estabilidad, que son representaciones tridimencionales en donde el punto
es atractor, indiferente o repulsor; esto debido a que no se puede comprobar de forma analítica ya que
al sustituir estos puntos fijos extraños en la funciones de estabilidad, aparecen raíces de polinomios
de alto grado.
Al realizar Op0(pf1 )−Op0(pf2 ) se obtiene como resultado 0. Quiere decir que la estabilidad de pf1 (γ) y
pf2 (γ) es la misma, por lo que se procede a analizar solamente una de ellas. Análogamente se procede
a realizar con pf3 (γ) y pf4 (γ) pues Op0(pf3 ) − Op0(pf4 ) = 0
A.5 Prueba del Lema 1 27
A.5. Prueba del Lema 1
Si γ = 0, entonces el operador es Op(z) = z4 , cumpliendo el test de Cayley, y los puntos fijos son la
solución de z4 = z, o √
sea, las soluciones de z(z − 1)(1 + z + z2 ) = 0; por lo tanto hay tres puntos fijos
extraños: z = 1, z = − −1 y z = (−1)2/3 . Además, el método que se obtiene es el método de Ostrowski.
3
A.6. Prueba del Lema 2
1. Si γ = 0, entonces el operador es Op0(z) = 4z3 y los puntos críticos son la solución de 4z3 = 0,
o sea, las solución es z = 0 con multiplicidad tres, y como el cero es una raíz, no hay puntos
críticos libres.
2
17 2z3 (20+23z+20z2 )
2. Si γ = 8 , entonces el operador es Op0(z) = y los puntos críticos son las raíces
2
(8+16z+25z2 )
1
√
de Op0(z) = 0. Las soluciones son z = 0 con multiplicidad tres y z = 40 −23 ± 3i 119 , ambas
con multiplicidad dos.
4(−1+z)2 z3 (7+22z+7z2 )
3. Si γ = −8, entonces el operador es Op0(z) = − 2 y los puntos críticos son las
(1+2z−7z2 )
raíces de Op0(z) = 0. Las
soluciones son z = 0 con multiplicidad tres, z = 1 con multiplicidad
√
dos y z = 71 −11 ± 6 2 .
4z3 (3+8z+3z2 )
4. Si γ = −4, entonces el operador es Op0(z) = − y los puntos críticos son las raíces de
(1+3z)2 √
Op0(z) = 0. Las soluciones son z = 0 con multiplicidad tres y z = 31 −4 ± 7 .

Diseño y Análisis de La Convergencia y Estabilidad de Métodos Iterativos para La Resolución de Ecuaciones No Lineales

Cargado por

Copyright:

Formatos disponibles

Diseño y Análisis de La Convergencia y Estabilidad de Métodos Iterativos para La Resolución de Ecuaciones No Lineales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diseño y Análisis de La Convergencia y Estabilidad de Métodos Iterativos para La Resolución de Ecuaciones No Lineales

Cargado por

Copyright:

Formatos disponibles

Revista digital

Matemática, Educación e Internet

Diseño y análisis de la convergencia y estabilidad de métodos iterativos

Armando Gabriel Solís Zúñiga Alicia Cordero Barbero

Juan Ramón Torregrosa Sánchez Juan Pablo Soto Quirós

Recibido: 25 noviembre 2019 Aceptado: 30 agosto 2020

La resolución de ecuaciones es un aspecto fundamental en el área de matemática. Tal como explica

Figura 1: Gráfica de la función f(x) = ex − x − 2

con f0(xk ) ≠ 0 para todo k > 0 y x0 algún valor inicial dado.

2. Métodos iterativos para ecuaciones no lineales

En primera instancia, los conceptos de métodos iterativos: no solo el orden de convergencia de un

2.1. Conceptos básicos

Definición 1 (Multiplicidad de la raíz de una función)

Si k = 1, entonces α recibe el nombre de raíz simple.

Traub en [14] puntualiza las Definiciones 2-7:

Definición 3 (Orden de convergencia)

entonces, se dice que la sucesión {xn } converge a α con al menos orden p.

Definición 4 (Orden de convergencia por medio de la ecuación del error)

donde G1 , G2 , G3 , · · · , G son operadores.

Definición 6 (Evaluaciones funcionales)

Definición 7 (Eficiencia de un método)

Ostrowski en [12] precisa la siguiente definición:

Definición 8 (Índice de eficiencia de un método)

donde p es el orden de convergencia y d es el número de evaluaciones funcionales por iteración.

2.1.1. Conjetura de Kung y Traub

2.1.2. Orden de convergencia computacional y orden de convergencia computacional apro-

ln |(xk+1 − α)/(xk − α)|

ln |(xk+1 − xk )/(xk − xk−1 )|

2.2. Herramientas dinámicas

Blanchard en [2] establece las Definiciones 9-17:

Definición 9 (Punto fijo)

Definición 10 (Órbita de un punto)

{z0 , R(z0 ), R2 (z0 ), ..., Rn (z0 ), ...}

del plano complejo generada por el método iterativo.

Definición 11 (Punto k − periódico)

Rk (ẑ) = ẑ y Rp (ẑ) ≠ ẑ para p = 1, 2, ..., k − 1.

Definición 12 (Estabilidad de puntos fijos)

Atractor, si |R0(z∗ )| < 1

Repulsor, si |R0(z∗ )| > 1

Parabólico o indiferente, si |R0(z∗ )| = 1

Definición 13 (Estabilidad de puntos periódicos)

|R0(z∗0 )R0(z∗1 ) · · · R0(z∗k )| < 1.

Análogamente, si la expresión es igual a cero se le llama superatractora, si es mayor que uno se

Definición 14 (Cuenca de atracción)

A(z) = {z0 ∈ ℂ̂ : Rn (z0 ) → z, n → ∞}.

Definición 15 (Conjunto de Fatou y de Julia)

Estos conjuntos son complementarios, o sea: F ∪ J = ℂ̂.

Definición 16 (Cuenca de atracción inmediata)

Definición 17 (Punto crítico)

Teorema 1 (Teorema de Fatou-Julia)

Con estos conceptos se generará el estudio de estabilidad de los métodos a proponer.

2.3. Métodos multipasos

Método de Traub de orden 3 en [14]:

Algunos métodos iterativos de esta forma son:

El método de Chun en [4]:

En el caso del esquema de Chun presentado en (5), la función peso es:

En el caso del esquema de King presentado en (6), la función peso es:

En el caso del esquema de Zhao presentado en (8), la función peso es:

1 + 2tk + t2k f(yk )

f(xk ) = f(α + ek ) = *+0 f0(α)e + 1 f00(α)e2 + 1 f000(α)e3 + 1 f(4) (α)e4 + O(e5 )

(T ◦ Gg,γ ◦ T −1 ) = T (Gg,γ (T −1 (z)))