🔢 mathematics

A new iterative three-point method for solving systems of nonlinear equations

Este artículo presenta un nuevo método iterativo de tres puntos de sexto orden para resolver sistemas de ecuaciones no lineales, derivado mediante la adaptación de un método escalar y validado a través de análisis teóricos, experimentos numéricos y comparaciones de eficiencia con técnicas existentes.

Autores originales: Carlos E. Cadenas R., Yorman J. Mendoza N

Publicado 2026-01-23

📖 4 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Carlos E. Cadenas R., Yorman J. Mendoza N

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando encontrar el centro exacto de un laberinto masivo y retorcido. No puedes ver todo el laberinto a la vez, así que tienes que dar pasos, observar tu entorno y ajustar tu trayectoria hasta que finalmente des en el blanco. En el mundo de las matemáticas, este "laberinto" es un sistema de ecuaciones no lineales, y el "blanco" es la solución donde todo se equilibra perfectamente.

Este artículo presenta una nueva forma, súper rápida, de navegar ese laberinto. Aquí está el desglose de lo que hicieron los autores, utilizando analogías sencillas.

1. El Problema: El Caminante Lento

Normalmente, los matemáticos utilizan un método estándar llamado Método de Newton para resolver estos acertijos. Piensa en el método de Newton como un excursionista muy inteligente. Cada vez que da un paso, observa el suelo, calcula la pendiente y da un paso grande y seguro hacia el centro. Funciona bien, pero puede ser lento si el laberinto es enorme o muy retorcido.

2. La Solución: El Velocista de "Tres Pasos"

Los autores crearon un nuevo método que actúa como un velocista de tres pasos. En lugar de solo mirar una vez y dar un paso, este nuevo método realiza tres "miradas" distintas al problema antes de realizar su movimiento final.

Paso 1 (El Explorador): Echa un vistazo rápido a donde se encuentra y hace una suposición aproximada.
Paso 2 (El Refinador): Contrasta esa suposición con un segundo punto para tener una mejor idea del terreno.
Paso 3 (El Sprint): Utilizando toda esa información recopilada, realiza un salto masivo y altamente preciso hacia la solución.

Los autores tomaron un método que ya era famoso por resolver acertijos simples de una sola variable (como encontrar la raíz de una ecuación) y lo "tradujeron" para que pudiera manejar sistemas complejos de múltiples variables (como resolver toda una red de ecuaciones a la vez).

3. La Magia: Velocidad y Precisión

La parte más emocionante de este artículo es la velocidad.

En matemáticas, el "orden de convergencia" es como una clasificación de velocidad. Un método estándar podría ser un corredor "cuadrático" (clasificación de velocidad de 2).
Este nuevo método es un corredor de sexto orden.

La Analogía: Imagina que estás intentando adivinar un número entre 1 y 100.

Un método cuadrático podría reducir las posibilidades restantes a la mitad, luego a la mitad otra vez, luego a la mitad de nuevo. Llega allí, pero le toma varias rondas.
Este método de sexto orden es como tener una brújula mágica que no solo reduce la distancia a la mitad, sino que reduce la distancia restante a casi nada en un solo paso. Si estás desviado solo un poco, el siguiente paso te deja desviado una cantidad microscópica. Converge a la respuesta increíblemente rápido.

4. Probando que Funciona (La Prueba de Manejo)

Los autores no solo afirmaron que era rápido; lo sometieron a una prueba de choque.

Prueba 1: Resolvieron un acertijo simple de dos ecuaciones. El nuevo método encontró la respuesta en solo 4 pasos.
Prueba 2: Resolvieron un problema mucho más difícil que involucraba un "valor de frontera" (piensa en esto como un problema complejo de diseño de puentes). Nuevamente, encontró la respuesta en 4 pasos.

En ambos casos, las matemáticas demostraron que el método, en efecto, se movía a una velocidad de "sexto orden", tal como la teoría lo predijo.

5. El Problema: El Costo de la Velocidad

Aquí está la compensación. Para obtener esta velocidad increíble, el método tiene que hacer más trabajo por paso.

El Método de Newton es como un coche que tiene un gran rendimiento de combustible pero es lento.
Este Nuevo Método es como un coche de Fórmula 1: va increíblemente rápido, pero consume mucho combustible (potencia de cómputo).

Los autores calcularon el "costo de combustible" (eficiencia computacional). Compararon su nuevo coche con otros dos coches de alto rendimiento (uno de 5º orden y otro de 6º orden).

El Resultado: Su nuevo coche es el más eficiente en cuanto a combustible solo si la carrera es muy larga (específicamente, si el sistema tiene 21 o más ecuaciones). Para acertijos más pequeños (menos de 21 ecuaciones), el combustible extra que consume por paso lo hace ligeramente menos eficiente que la competencia. Pero para sistemas masivos y complejos, es el claro ganador.

Resumen

El artículo presenta una nueva herramienta matemática que resuelve sistemas complejos de ecuaciones realizando tres "miradas" inteligentes antes de moverse. Es increíblemente rápido (convergencia de sexto orden), pero requiere un mayor esfuerzo por paso. Los autores demostraron matemáticamente y con pruebas computacionales que, para problemas grandes y complejos, este esfuerzo adicional vale la pena, convirtiéndolo en la forma más eficiente de encontrar la solución.

Resumen Técnico: Un Nuevo Método Iterativo de Tres Puntos para Sistemas de Ecuaciones No Lineales

Planteamiento del Problema
El artículo aborda la construcción y el análisis de métodos iterativos de punto fijo para resolver sistemas de ecuaciones no lineales de la forma $F(x) = 0$ , donde $F: D \subseteq \mathbb{R}^n \to \mathbb{R}^n$ . Si bien el método de Newton es una técnica estándar de un solo punto con convergencia cuadrática, los autores señalan que las aplicaciones en ciencia, ingeniería y finanzas a menudo requieren resolver sistemas grandes donde la velocidad computacional es crítica. Esta necesidad ha impulsado el desarrollo de métodos multipunto para mejorar el orden de convergencia y la eficiencia computacional más allá de las limitaciones de los métodos de un solo punto.

Metodología
Los autores proponen un nuevo método iterativo de tres puntos para sistemas vectoriales, extendiendo un método específico de resolución de ecuaciones no lineales escalares construido por Parhi y Gupta [10] al caso vectorial ( $\mathbb{R}^n$ ).

Esquema Iterativo: El método propuesto, denotado como $\phi^{(6)}_1$ , sigue un proceso de tres pasos para cada iteración $k$ :
- Paso 1 (Tipo Newton): $y^{(k)} = x^{(k)} - F'(x^{(k)})^{-1}F(x^{(k)})$
- Paso 2 (Promedio Ponderado): $z^{(k)} = x^{(k)} - 2[F'(x^{(k)}) + F'(y^{(k)})]^{-1}F(x^{(k)})$
- Paso 3 (Corrección Final): $x^{(k+1)} = z^{(k)} - [3F'(y^{(k)}) - F'(x^{(k)})]^{-1}[F'(x^{(k)}) + F'(y^{(k)})]F'(x^{(k)})^{-1}F(z^{(k)})$
Análisis de Convergencia: El orden teórico de convergencia se establece utilizando expansiones de series de Taylor para funciones en $\mathbb{R}^n$ alrededor de la solución $\alpha$ . Los autores derivan la ecuación de error $e_{k+1} = C e_k^6 + O(e_k^7)$ , demostrando que el método alcanza un orden de convergencia sexto. Esta derivación se realizó manualmente sin asistencia de software simbólico, ya que los autores señalan que herramientas como Maple y Mathematica tienen dificultades con las multiplicaciones de matrices no conmutativas inherentes a la expansión de Taylor para funciones vectoriales.
Eficiencia Computacional: La eficiencia se evalúa utilizando el índice de eficiencia de Ostrowski ( $E = p^{1/C}$ ), donde $p$ es el orden de convergencia y $C$ es el costo computacional. El modelo de costo tiene en cuenta:
- Evaluaciones de la función $F$ y su derivada $F'$ .
- Inversiones de matrices (resueltas mediante descomposición LU y resolución de sistemas triangulares).
- Multiplicaciones de matriz-vector y escalar-vector.
- La relación de divisiones respecto a multiplicaciones ( $l$ ).

Resultos Clave

Verificación Numérica: El método fue probado en dos problemas utilizando MATLAB R2019a con 20 dígitos significativos:
1. Un sistema de dos ecuaciones algebraicas no lineales.
2. Un problema de valor en la frontera discretizado en un sistema de seis ecuaciones no lineales.
  En ambos casos, se calculó el orden de convergencia computacional ( $p$ ) utilizando la razón de errores sucesivos. Los resultados confirmaron la convergencia de orden sexto teórica (observándose $p \approx 5.995$ y $5.75$).
Comparación de Eficiencia: El método propuesto ( $\phi^{(6)}_1$ ) se comparó con otros dos métodos de tres puntos:
- Un método de quinto orden ( $\phi^{(5)}_1$ ) de Cordero et al. [16].
- Un método de sexto orden ( $\phi^{(6)}_2$ ) de Cordero et al. [13].
Hallazgos:
- Vs. Método de Quinto Orden: El método de sexto orden propuesto es más eficiente computacionalmente que el método de quinto orden cuando el tamaño del sistema $n \geq 21$ . Esto se debe a que el mayor orden de convergencia compensa el mayor costo computacional para sistemas grandes.
- Vs. Método de Sexto Orden: Al compararse con el otro método de sexto orden ( $\phi^{(6)}_2$ ), el método propuesto es menos eficiente para todo $n \geq 2$ . El análisis revela que el método propuesto requiere tres inversiones de matrices por iteración, mientras que el método competidor de sexto orden requiere menos operaciones. Los autores afirman explícitamente que el número de inversiones de matrices impacta negativamente la eficiencia.

Significancia y Reivindicaciones
El artículo afirma haber extendido con éxito un método escalar de tres puntos al caso vectorial, logrando un orden de convergencia tanto teórico como computacional de seis. La contribución principal es la rigurosa prueba analítica de este orden de convergencia y el subsiguiente análisis de eficiencia.

Los autores mantienen un tono modesto respecto a la superioridad del método. Reconocen que, si bien el método es altamente efectivo para sistemas grandes ( $n \geq 21$ ) en comparación con métodos de menor orden, no es la opción más eficiente entre los métodos de sexto orden debido al alto costo de las múltiples inversiones de matrices. El artículo concluye que reducir el número de inversiones de la matriz Jacobiana y las evaluaciones funcionales es una dirección futura necesaria para mejorar la eficiencia y simplificar el análisis de convergencia teórica para las extensiones vectoriales.