Beruflich Dokumente
Kultur Dokumente
8
Facultad de Ingeniera de Minas, Geologa y Civil
Departamento acadmico de ingeniera de minas y civil
METODOS
NUMERICOS
Ingeniera Civil
1
Capitulo VI
Sistema de Ecuaciones
Algebraicas Lineales
Mtodos Iterativos
2
ING. CRISTIAN CASTRO
P.
Introduccin
TABLA No. 1: Comparacin de las caractersticas de diversos mtodos alternativos para encontrar soluciones de ecuaciones algebraicas
lineales simultneas
MTODO
ESTABILIDAD
PRECISIN
RANGO DE
APLICACIN
GRFICO
---
Pobre
Limitado
---
---
Limitado
---
---
General
Moderada
Regla de Cramer
Eliminacin de Gauss
(con pivoteo paracial)
Descomposicin LU
Gauss_Seidel
---
Puede no converger si
no es diagonalmente
dominante
EXCELENTE
General
Apropiado solo para
sistemas
diagonalmente
dominantes
COMPLEJIDAD DE
LA PROGRAMACIN
Moderada
COMENTARIOS
Puede tomar ms
tiempo que el mtodo
numrico
Escesiva complejidad
de clculo para ms
de tres ecuaciones
Mtodo de eliminacin
preferido; permite el
clculo de la matriz
inversa
FCIL
3
Aplicaciones
( R 1)
Bx
(R)
C , R 0,1,2,.....
Donde:
(R)
x , x ,......, x
R
1
R
2
R
n
10
lim x mj x j , 1 j n
a 21 a 22
a
31 a32
a13
a 23
a33
x1 b1
x 2 b2
x b
3 3
1
2
3
De 1 tenemos que:
a 23
b2 a 21
x3
x1
x2
a 22 a 22
a 22
b3 a 31
a 32
x3
x1
x2
a 33 a 33
a 33
a11
a11 a11
(5)
12
0
x1
a 21
x2
x a 22
3 a 31
a
33
x
a12
a11
0
a 32
a 33
Bx
a13
a11
a 23
a 22
b1
x1 a11
b2
x2
x a 22
3 b3
a
33
(6)
13
14
Convergencia
a12
1
a11
Esto es, el elemento diagonal debe ser mayor que el elemento fuera
de la diagonal para cada regln de ecuaciones. La generalizacin del
criterio anterior para un sistema de n ecuaciones es:
n
aii ai , j
j 1
15
Convergencia
Divergencia Seidel
70
Divergencia Jacobi
X1
X2
0.00
0.00
26.00
-11.00
39.00
20.78
1.44
36.67
-17.33
-9.23
36.91
-32.19
64.04
34.12
-14.32
67.27
-53.50
-28.50
59.68
-76.39
60
50
40
30
20
X2
Divergencia Seidel
X1
X2
0.00
0.00
26.00
0.00
26.00
20.78
1.44
20.78
1.44
-9.23
36.91
-9.23
36.91
34.12
-14.32
34.12
-14.32
-28.50
59.68
-28.50
59.68
61.95
-47.21
61.95
-47.21
-68.70
107.19
-68.70
107.19
120.01
-115.83 120.01
-115.83 -152.57
10
0
-20
-10
-10
10
20
30
40
50
60
70
-20
-30
-40
X1
Divergencia Jacobi
80
u : 11x1 13 x2 286
v : 11x1 9 x2 99
60
40
20
0
X2
-60
-40
-20
-20
20
40
60
80
-40
-60
-80
-100
X1
16
Convergencia
Convergencia Seidel
14
12
10
X2
v : 11x1 9 x2 99
16
u : 11x1 13 x2 286
8
6
4
Convergencia Seidel
X1
X2
0.00
0.00
9.00
0.00
9.00
14.38
20.77
14.38
20.77
4.43
12.62
4.43
12.62
11.32
18.26
11.32
18.26
6.55
14.36
6.55
14.36
9.85
17.06
9.85
17.06
7.56
15.19
7.56
15.19
9.15
16.48
9.15
16.48
8.05
15.59
8.05
15.59
8.81
Convergencia Jacobi
X1
X2
0.00
0.00
9.00
22.00
27.00
14.38
20.77
-0.85
8.31
4.43
12.62
14.97
21.25
11.32
18.26
4.02
12.29
6.55
14.36
11.60
18.49
9.85
17.06
6.35
14.20
7.56
15.19
9.99
17.17
9.15
16.48
7.47
15.11
8.05
0
0
10
X1
15
20
25
Convergencia Jacobi
25
20
15
X2
10
0
0
10
15
20
25
30
-5
X1
17
Mtodos
Iterativos
Jacobi, Gauss Seidel, Relajacin
18
Mtodo de Jacobi
19
x1 R
R
x2
R
x3
Si
es el vector de aproximacin a la
solucin x despus de R iteraciones, entonces,
tendremos la siguiente aproximacin
x R 1
1
R
R
x1 R 1 a11
R 1 1
R
R
x2
(b2 a 21 x1 a 23 x 3 )
R 1 a 22
x
3 1
R
R
(
b
a
x
a
x
3
31 1
32 2 )
a
33
20
n
1
R1
R
xi bi ai j x j , i 1,2,.....,n
aii
j 1
j i
21
Mtodo de Jacobi
Este mtodo se puede ilustrar usando las siguientes ecuaciones:
(1)
22
Mtodo de Jacobi
El mtodo comienza resolviendo la ec. 1 para x1, x2 y x3 e
introduciendo el ndice k que se utilizara para indicar el nmero de
iteraciones, se obtiene:
(k )
(k )
x1
( k 1)
x2
x3
( k 1)
( k 1)
b1 a12 x 2
a13 x 3
a11
b2 a 21 x1 a 23 x3
a 22
(k )
b3 a31 x1 a32 x 2
a33
(k )
(k )
(k )
(2)
23
Mtodo de Jacobi
Adems se requiere de un vector inicial
xi = (x1 (k), x2 (k), x3 (k))
el cual representa la primera aproximacin de la solucin del
sistema, con lo que se produce x k+1.
Este vector si no se conoce se puede asumir como:
x0 = (0 (0), 0 (0), 0 (0))
Con estos valores y las frmulas de las ecuaciones (2) se van
calculando los nuevos valores de xi
El proceso se continua hasta que | xi+1 xi| ea.
24
Mtodo de Jacobi
x3
para
encontrar
b 2 a 21 x 1 a 23 x 3
x2
a 22
b 3 a 31 x 1 a 32 x 2
a 33
25
Mtodo de Jacobi
Para la primera iteracin el valor de X1, X2 y X3 a sustituir en cada
una se asumir como cero.
Aplicandob(2)
se obtiene:
b2 a21 x1 a23 x3
1 a12 x2 a13 x3
x1
x2
a11
500 2 0 3 0
x1
17
x1 29,41176
x3
a22
200 5 0 2 0
x2
21
x2 9,52381
b3 a31 x1 a32 x2
a33
30 5 0 5 0
22
x3 1,36364
x3
26
Mtodo de Jacobi
b1 a12 x2 a13 x3
a11
x2
x3
b2 a21 x1 a23 x3
a22
b3 a31 x1 a32 x2
a33
30 5 29,41176 5 9,52381
22
x3 10,21263
x3
27
Mtodo de Jacobi
a
ax1
xr
nuevo
xr
xr
anterior
nuevo
30,77285 29,41176
100%
30,77285
ax1 4,423% 5%
100%
ax 2
16,65648 9,52381
100%
16,65648
ax 2 42,822% 5%
ax 3
10,21263 1,36364
100%
10,21263
ax 3 86,648% 5%
28
Mtodo de Jacobi
x1
x2
x3
a x1
a x2
a x3
0,00000
0,00000
0,00000
29,41176
9,52381
1,36364
30,77285
16,65648
10,21263
4,423%
42,822%
86,648%
33,17358
17,82331
12,14303
7,237%
6,547%
15,897%
33,65151
18,57876
12,95384
1,420%
4,066%
6,259%
33,88347
18,76977
13,23415
0,685%
1,018%
2,118%
Se resaltan los datos donde los errores obtenidos son menores que 5%, se
logra un error aproximado porcentual menor en las tres incgnitas hasta
la quinta iteracin.
29
Mtodo de Jacobi
2 *(18,76977) 3 *(13,23415)
= 498,77703
+ 21 *(18,76977) 2 *(13,23415) = 198,27957
5 *(18,76977) + 22 *(13,23415) = 27,88513
500 - 498,77703
100% 0,03%
500
ErrorEC2
200 - 198,27957
100% 0,10%
200
ErrorEC3
30 - 27,88513
100% 0,88%
30
30
Solucin:
x1
0 x1
x2
4x2
x2
0 x3
x3
4 x3
0x4
0x4
x4
1
1
1
0 x1
0x2
x3
4x4
x2 1
4 4
0
0 x1 1 / 4
1 x 1 x 3 x 1 0 1 / 4
x2
x
x
1
/
4
0
1
/
4
0
1
/
4
2
4 4
4 2
1 x2 x4 x3 0 1 / 4
0 1 / 4 x 3 1 / 4
x3
4 4
4 x 4 0
0 1/ 4
0 x 4 1 / 4
1 x
x4 3
4 4
x
B
x
C
x1
31
x 0,0,0,0
0
Mtodo de Jacobi
Para determinar x(1) reemplazamos x(0) en el sistema dado
ie
32
x12
x31
x14
x2 1
x1
4 4
0 0 1
x2
4 4 4
1 0 0
x3
4 4 4
1 0
x4
4 4
4
1
T
1 1 1 1
(1)
4
x , , ,
1
4 4 4 4
4
1
4
33
Determinando x(2)
1
1 1 5
x13 1
1 x 22 0
4
4 4 16
1
1 6
6
1 1
2
3
x 2 1 4 1 x 2
T
5
5
5
5
4
44
16
( 2)
4 4
,
,
,
x
1
1 1
1 6
6
16 16 16 16
x 33
x 32 1 1
4
4 4
44
16
1 1
1 5
5
x 43
x 42 1
4 4
46
16
x12
34
x1R
x 2R
R
3
x 4R
0.0000
0.0000
0.0000
0.0000
0.2500
0.2500
0.2500
0.2500
0.3125
0.3750
0.3750
0.3125
0.3438
0.4219
0.3555
0.4414
0.3604
0.4492
0.3223
0.4524
0.3631
0.4537
0.3634
0.4542
0.3635
0.4544
10
0.3636
0.4545
0.4545
0.3636
35
Mtodo Gauss-Seidel
36
x iR 1
x1R 1 a11
R 1 1
x2
(b2 a 21 x1R 1 a 23 x 3R )
x R 1 a 22
3 1
R 1
R 1
(
)
b
a
x
a
x
3
31
1
32
2
a
33
n
i 1
1
R
R 1
a
x
a
x
i j
i ij
, 1 i n
a ii
j i 1
j 1
I
j i
37
Mtodo de Gauss-Seidel
Mtodo de Gauss-Seidel
x2
(k 1)
(k 1)
b2 a21 x1
a22
b a x a13 x3
1 12 2
a11
a23 x3
(k )
(k )
x3
(k 1)
(k )
(k 1)
b3 a31 x1
a32 x2
(k 1)
a33
Mtodo de Gauss-Seidel
Ejemplo: Resolver el siguiente sistema de tres ecuaciones por el
Mtodo de Gauss Seidel, para un a = 5% :
17 X1 2 X2 3 X3= 500
-5 X1 + 21 X2 2 X3= 200
-5 X1 5 X2+ 22 X3= 30
b 1 a 12 x 2 a 13 x 3
x1
a 11
x3
x2
para
encontrar
b 2 a 21 x 1 a 23 x 3
a 22
b 3 a 31 x 1 a 32 x 2
a 33
40
Mtodo
de
Gauss-Seidel
El valor de x se calcula con los valores asumidos de x y x que en principio
1
b1 a12 x2 a13 x3
x1
a11
500 2 0 3 0
x1
17
x1 29,41176
x3
x2
b2 a21x1 a23x3
a22
200 5 29,41176 2 0
x2
21
x2 16,52661
b3 a31x1 a32 x2
a33
30 5 29,41176 5 16,52661
x3
22
x3 11,80418
41
Mtodo de Gauss-Seidel
b1 a 12 x 2 a 13 x 3
a 11
b 2 a 21 x 1 a 23 x 3
a 22
42
Mtodo de Gauss-Seidel
x3
b3 a31 x1 a32 x2
a33
30 5 33,43916 5 18,60972
22
x3 13,19293
x3
xr
nuevo
xr
xr
nuevo
anterior
100 %
43
Mtodo de Gauss-Seidel
Una vez aplicado el clculo de error se determina que los valores son
superiores a la premisa inicial (a = 5%), determinndose que se
deben continuar las iteraciones hasta que se cumpla el criterio.
Iteracin
0
x1
x2
x3
a x1
a x2
a x3
0,00000
29,41176 16,52661
11,80418
1,445%
11,194%
10,526%
1,320%
1,257%
Se resaltan los datos donde los errores obtenidos son menores que
5%, se logra un error aproximado porcentual menor en las tres
incgnitas en la tercera iteracin
44
Mtodo
de
Gauss-Seidel
Si sustituimos estos valores en las ecuaciones originales para verificar los
resultados se obtiene:
17 *(33,92931) 2 *(18,85869) 3 *(13,36091) = 498,99813
-5 *(33,92931) + 21*(18,85869) 2 *(13,36091) = 199,66404
-5 *(33,92931) 5 *(18,85869) +22 *(13,36091) = 30,00000
500 - 498,99813
100% 0,20%
500
ErrorEC2
200 - 199,66404
100% 0,17%
200
ErrorEC3
30 - 30
100% 0,00%
30
Los resultados obtenidos son una aproximacin muy buena de los valores
verdaderos.
45
R 1
1
R
R
R
R 1
b1 a12 x a13 x 3 a14 x 4
x1
R 1 a11
x2 1
R 1
R
12
R 1
b2 a 21 x1
a 23 x 3 x 4
a
x
22
3
x R 1 1
4
b3 a 31 x1R 1 a 32 x 3R 1
a 33
46
1
1
x 12
x 31
x 14
1
b4 a 41 x1R 1 a 42 x 2R 1 a 43 x 3R 1
a 44
1
(1 (0) 0)
x11
4
1
(1 1(1 / 4) 1(0))
x 12
4
1
(1 1(1 / 4) 1(5 / 16)) x 31
4
1
(1 0 0 25 / 14) x 14
4
4
5
1 5 25 89
1
16
x , , ,
25
4 12 64 256
64
89
256
47
Observacin:
La sucesin de vectores x (1) , x ( 2) , x (3) ,...., x ( R ) ,.... converge o se
aleja del vector solucin x x , x , x ,....., x
T
x4 2
2x1 x2 x3 x4 3
49
x1 3 x 2 5 x 3 2 x 4 10
x1 8 x 3 4 x 4 15
x2
9
9
9
9
x 3 2 x1 2 x 2 x 3 x 4 3
x4
x2
2
50
x1K
x2K
x3K
x4K
| x K 1 x K |
631.1
170.2
1108.0 168.71
17.62
159.0
1439.05
51
2
2
2 2
x1 8 x 3 4 x 4 15
x2
9
9
9
9
x1 3x 2 2 x 4 10
x3
5
5
5
5
x4
x2
2
x1
x1K x1
x 2K x 2
Caso contrario se
alejan
x nK x n
52
53
| a
j 1
j j
ij
1 i n
y
| a ii |
a
i 1
i j
ij
1 j n
54
Mtodos de Relajacin
55
Mtodo de SOR
MTODO DE RELAJACIN DE SOR
Este mtodo es muy similar al mtodo de Jacobi y Gauss-Seidel se
diferencia por usar una escala para reducir el error de aproximacin,
es una metodologa mas reciente, para determinar X(k) lo realiza con
el modelo:
Mtodo de SOR
Cuando 1<w se le llama mtodo de sobrerrelajacin, generalmente
se le conoce como el metodo de SOR acrnimo del ingles
Successive Over Relaxation (Sobre relajacin sucesiva) se utilizan
para resolver sistemas lineales que aparecen en la resolucin de
ciertas ecuaciones en derivadas parciales.
Para determinar la forma matricial del mtodo de SOR rescribimos
la relacin anterior de la siguiente manera:
57
Mtodo de SOR
Ejemplo
58
Mtodo de SOR
Cuadro en 7 iteraciones
k
6.312500
2.6223145
3.133027
2.9570512
3.0037211
2.9963276
3.00004
3.5195313
3.9585266
4.0102646
4.0074838
4.0029250
4.0009262
4.00026
-6.6501465 -4.6004238
-5.0966863
-4.9734897
-5.0057135
-4.998282
-5.0004
59
xi
(k )
xi
( k 1)
( xi
(k )
xi
( k 1)
xi
nuevo
xi
nuevo
(1 ) xi
anterior
02
60
b1 a12 x2 a13 x3
(k 1)
x1
a11
(k )
x2
(k 1)
(k 1)
b2 a21 x1
a22
a23 x3
(k )
x3
(k 1)
(k )
(k 1)
b3 a31 x1
a32 x2
(k 1)
a33
+ 12 X3
1 X2 1 X3
+ 8 X2
= 45
= 80
=-2
2
6
x3 45
8
63
ai ,i ai , j
j 1
j i
4 1 1 x1 2
x 45
6
8
2
5
12 x3 80
4 1 1
8 6
12 5
65
b1 a12 x2 a13 x3
a11
2 1 0 1 0
4
x1 0,50000
x1
x2
b2 a21 x1 a23 x3
a22
45 6 (0,50000)
8
x2 6,00000
x2
x3
b3 a31 x1 a32 x2
a33
80 5 (0,50000)
12
x3 6,45833
x3
66
Segunda iteracin:
x1
b1 a12 x2 a13 x3
a11
2 1 6,0000 1 6,45833
x1
4
x1 2,61458
x2
b2 a21 x1 a23 x3
a22
45 6 ( 2,30313)
x2
8
x2 3,89766
x3
b3 a31 x1 a32 x2
a33
80 5 (2,30313)
12
x3 7,62630
x3
nuevo
x1
nuevo
nuevo
2,30313
x1
x1
x1
nuevo
(1 ) x1
anterior
x2
nuevo
x2
nuevo
4,10789
x3
nuevo
x3
nuevo
7,50951
67
a x2
a x3
7,50951
121,71%
46,06%
14,00%
3,85719
7,64879
3,81%
6,50%
1,82%
3,84289
7,65673
0,67%
0,37%
0,10%
Iteracin
x1
x2
x3
0,00000
0,00000
0,00000
-0,50000
6,00000
6,45833
2,30313
4,10789
2,39423
2,37827
Se resaltan los datos donde los errores obtenidos son menores que
5%, se logra un error aproximado porcentual menor en las tres
incgnitas en la cuarta iteracin
68
1 *(3,84289)
1 *(7,65673)
= -1,98655
6 *(2,37827)
+ 8 *(3,84289)
+ 0 *(7,65673)
= 45,01271
-5 *(2,37827)
+ 0 *(3,84289)
+ 12 *(7,65673)
= 79,98941
- 2 - (-1,98655)
100% 0,67%
-2
45 - 45,01271
100% 0,03%
45
80 - 79,98941
100% 0,01%
80
ErrorEC1
ErrorEC2
ErrorEC3
69
Comparacin de Mtodos
70
2 1
x1 124
1 2 1 x 4
1 2 x3 14
71
b1 a12 x2 a13x3
a11
Jacobi
x2
a
Iteracin
X1
b2 a21x1 a23x3
a22
xr
nuevo
x2
xr
xr
x3
b3 a31x1 a32x2
a33
anterior
nuevo
x3
100 %
a x1
a x2
a x3
0,00000
0,00000
0,00000
62,00000
2,00000
7,00000
63,00000
36,50000
8,00000
1,587%
94,521%
12,500%
80,25000
37,50000
25,25000
21,495%
2,667%
68,317%
80,75000
54,75000
25,75000
0,619%
31,507%
1,942%
89,37500
55,25000
34,37500
9,650%
0,905%
25,091%
89,62500
63,87500
34,62500
0,279%
13,503%
0,722%
93,93750
64,12500
38,93750
4,591%
0,390%
11,075%
94,06250
68,43750
39,06250
0,133%
6,301%
0,320%
96,21875
68,56250
41,21875
2,241%
0,182%
5,231%
10
96,28125
70,71875
41,28125
0,065%
3,049%
0,151%
72
b1 a12 x2 a13x3
a11
x2
Iteracin
x1
xr
b2 a21x1 a23x3
a22
nuevo
x2
xr
xr
x3
b3 a31x1 a32x2
a33
anterior
nuevo
x3
100 %
a x1
a x2
a x3
0,00000
62,00000
33,00000
23,50000
78,50000
53,00000
33,50000
21,019%
37,736%
29,851%
88,50000
63,00000
38,50000
11,299%
15,873%
12,987%
93,50000
68,00000
41,00000
5,348%
7,353%
6,098%
96,00000
70,50000
42,25000
2,604%
3,546%
2,959%
73
b1 a12 x 2 a13 x3
a11
xi
nuevo
xi
nuevo
x2
b2 a 21 x1 a 23 x3
a 22
(1 ) xi
anterior
x3
xr
nuevo
= 1,20
Iteracin
x1
x2
x3
xr
xr
a x1
b3 a31 x1 a32 x 2
a33
anterior
100 %
nuevo
a x2
a x3
0,00000
0,00000
0,00000
62,00000
33,00000
23,50000
81,80000
58,98000
39,08800
24,205%
44,049%
39,879%
93,42800
70,11360
42,65056
12,446%
15,879%
8,353%
97,78256
72,63715
43,45218
4,453%
3,474%
1,845%
74
Valores aproximados
Errores verdaderos
Iteraciones
Jacobi
Seidel
C/Relaj
Jacobi
Seidel
C/Relaj
X1
98,5
10
96,281
96,000
97,783
2,25%
2,54%
0,73%
X2
73,0
70,719
70,500
72,637
3,13%
3,42%
0,50%
X3
43,5
41,281
42,250
43,452
5,10%
2,87%
0,11%
76
77
Algoritmos
78
Algoritmos
En la prctica, normalmente utilizamos computadoras
para realizar las iteraciones, es por esta razn que
necesitamos implementar algoritmos para encontrar
soluciones de sistemas n x n mediante los mtodos
anteriormente descritos.
79
Algoritmo Jacobi
For k=1,2,
For i=1,2,, n
xi=0
For j=1,2,,i-1,i+1,,n
End xi xi aij X kj 1
End xi (bi xi ) / aii
End
xk x
1
(k)
xi
a ii
( k 1)
b i - ai , j x j
j i
84
Algoritmo Gauss-Seidel
For k=1,2,
For i=1,2,, n
sum=0
For j=1,2,,i-1,
k
sum
sum
a
X
ij
j
End
For j=i+1,,n
End
sum sum aij X kj 1
End
End
i 1
n
k
k 1
bi aij x j aij x j
j 1
j i 1
xik
aii
85
k
sum
sum
a
X
ij
j
End
For j=i+1,,n
Endsum sum a X k 1
ij
j
End
k
End xi (bi sum) / aii
k
k 1
k 1
xi xi ( xik xi )
x
k
i
i 1
bi aij x aij x
aii
j 1
j i 1
k
j
k 1
j
1 X i
86
Desplazamiento
simultneo
Primera iteracin
Segunda iteracin
Gauss-Seidel
Iterativo de Jacobi
87
Sntesis
Los mtodos iterativos son ptimos para grandes sistemas y
son mejor aprovechados cuando se tienen matrices esparcidas.
Estos mtodos iterativos estn basados en el concepto de punto
fijo, es decir ( xi = gi (x), i = 1.. n), para resolver sistemas de
ecuaciones lineales.
Para garantizar la convergencia se debe de cumplir que el
sistema tenga una diagonal dominante, es decir que se cumpla
la desigualdad siguiente, si se cambio el orden de las
ecuaciones esta puede divergir
n
a ii a ij
i 1
j i
88
Sntesis
Para mejorar la convergencia, se usan tcnicas como:
Utilizacin de los clculos previos asumiendo que una mejor
aproximacin que el vector de condiciones iniciales. (Gauss-Siedel )
Un factor de ponderacin para reducir el error residual ( Relajacin )
La seleccin de un vector de condiciones iniciales apropiado ayuda a
reducir el nmero de iteraciones.
La seleccin de es de carcter prctico y de su eleccin se pueden
lograr tambin que el nmero total de iteraciones se reduzcan.
La finalizacin del clculo de iteraciones se logra cuando todos los
elementos de vector de residual estn debajo de la tolerancia requerida.
El mtodo de Jacobi presenta mas oscilaciones que los mtodos de
89
Gauss-Siedel y relajacin.
Mtodos de Gradiente
90
91
Propiedades
1.
2.
3.
4.
Observemos que la propiedad 1 se refiere al orden de los
elementos, 2, y 3 indican que se pueden invertir.
92
x
x+ tv
93
(*)
94
95
(**)
96
97
En donde
99
100
101
Es decir tenemos:
input x(0), A, b, M
output 0, x(0)
for k=0,1,2,, M-1 do
.
output k+1, x(k+1)
end
102
104
105
106
107
Convergencia
108
CONVERGENCIA
,
CONVERGENCIA
LONGITUD DE UN VECTOR
Supongamos x un vector en R2, su longitud denotado
por |x| es definido como un nmero positivo o cero.
109
CONVERGENCIA
Ejemplo: sea
determinar su norma
CONVERGENCIA
,
,
111
CONVERGENCIA
,
,
ESPACIO VECTORIAL Cn
El espacio vectorial Cn, esta compuesto de todos
los vectores en donde los
Si al vector complejo x es multiplicado por
tambin complejo el
resultado es otro vector complejo.
En consecuencia Cn, es un espacio vectorial sobre el cambo de
escalares C. En consecuencia en este espacio Cn. El producto
interno se define
112
CONVERGENCIA
.
NORMA DE VECTORES
Una norma en Rn es una funcin de || || de Rn en R que verifica las
propiedades
113
CONVERGENCIA
La norma Euclidiana se define:
Podemos observar que,
114
CONVERGENCIA
115
CONVERGENCIA
Mximo valor absoluto
CONVERGENCIA
La norma llamado generalmente norma infinito
Ejemplo:
Dado el vector
determinar sus normas Euclidiana e Infinito
117
CONVERGENCIA
DISTANCIA EN ENTRE VECTORES
, la
118
CONVERGENCIA
Ejemplo: Dado el sistema:
3.3330x1+ 1.5920x2 10.333x3 =15.913
2.2220x1+ 16.710x2 +9.6120x3 =28.544
1.5611x1+ 5.1791x2 +1.6852x3 =8.4254
Consideremos la solucin inicial,
,
usamos eliminacin de Gauss con Pivoteo parcial
usando aritmtica de cinco cifras con redondeo,
obtenemos la siguiente solucin:
119
CONVERGENCIA
Las dos medidas de la exactitud de aproximacin de
a x son:
120
CONVERGENCIA
Observamos que las componentes y son buenas
aproximaciones a x2 y a x3, y la primera componente es
una aproximacin muy pobre en trminos de distancias
de ambas normas.
Pues el trmino de distancia en Rn , es utilizada para
definir el limite de una sucesin de vectores.
Diremos que una sucesin de vectores
a x con respecto a la norma ||*|| si dado
existe un entero
tal que:
converge
cualquier
121
CONVERGENCIA
Ejemplo. Dada
la sucesin definida:
Tenemos que,
122
CONVERGENCIA
son menores que lo que nos afirma esto es que la
sucesin
converge a
con respecto a la norma .
Los siguientes trminos son equivalentes:
La sucesin de vectores
, converge a x con respecto a
alguna norma.
La sucesin de vectores
, converge a x con respecto a
todas las normas.
El
, la componente i-sima de x, para cada
i =1,2,..,n sucesin
de vectores, converge a x con
respecto a alguna norma.
123
CONVERGENCIA
NORMAS MATRICIALES
Una norma matricial en el espacio de matricial nxn es una
funcin de variable real
que verifica las siguientes
condiciones para todas las matrices A y B de dimensin
nxn y todos los nmeros reales
124
CONVERGENCIA
NORMA MATRICIAL MXIMO O SUBORDINADA
Es la norma
, vectorial en Rn, la cual se le define sobre
el conjunto de todas las matrices de orden nxn as
125
CONVERGENCIA
Cuando n=2 su interpretacin grfica es:
3
1
Ax
1
x
-1
x1
-2
-1
x1
-1
-1
-3
126
CONVERGENCIA
Norma de una matriz
1
x
2
AX
-1
1
x
1
x1
-2
-1
-1
x1
-1
-2
127
CONVERGENCIA
Ejemplo: dada la matriz
Determinar
Solucin
128
Muchas Gracias
129