Beruflich Dokumente
Kultur Dokumente
Universidad de Crdoba
Montera 2011
Contenido
1 Ecuaciones No Lineales
Ecuaciones No Lineales
Existencia de races
Teorema del Valor Intermedio.
Sea f : [a, b] R una funcin continua en el intervalo [a, b] y
supongamos que f (a) < f (b). Entonces, para cada valor intermedio z
tal que f (a) < z < f (b), existe (a, b) tal que f () = z.
Observaciones.
k
1
1 La cota del error (b a) en el mtodo de biseccin se
2
reduce a la mitad en cada paso.
2 El mtodo puede ser demasiado lento, pero al menos es un
mtodo en el que la convergencia est garantizada.
3 El mtodo es slo aplicable al caso escalar (de una sola
ecuacin), y no se generaliza al caso de sistemas de ecuaciones.
| xk+1 | C| xk |p k N,
El mtodo de Newton
Raphson.
Se basa en usar una recta tan-
gente a la grfica de f para
aproximar esta grfica, cerca del
punto donde la funcin se anula.
Supongamos que tenemos la X1
X2 X3
Y=0
aproximacin xk a la raz X0
f (xk )
xk+1 := xk , k = 0, 1, 2, . . .
f 0 (xk )
Teorema
Sea f C 2 ([a, b]) con una raz (a, b) y sean m1 y M2 tales que
m1 mn f 0 (x) ax f 00 (x) M2 .
y m
x[a,b] x[a,b]
M2
| xk+1 | | xk |2 .
2m1
Por lo tanto, si x0 se escoge suficientemente cercano a , se tiene la
convergencia
lm xk = ,
k
con orden p = 2.
Teorema
Sea f C 2 ([a, b]) y sean m1 y M2 tales que
m1 mn |f 0 (x)| y ax |f 00 (x)| M2 .
m
x[a,b] x[a,b]
M2
| xk+1 | |xk+1 xk |2 , k = 0, 1, 2, . . .
2m1
Observaciones.
1 De acuerdo al Teorema 1, si el mtodo de NewtonRaphson
converge, lo hace cuadrticamente (es decir, con orden p = 2).
2 La convergencia est asegurada por el Teorema 1, bajo la
hiptesis de que x0 est suficientemente cerca de la solucin
:
2m1
| x0 | < .
M2
Sin embargo, no hay una forma prctica de verificar esto.
3 El Teorema 2, nos provee de una estimacin a posteriori del
error, siempre que se conozcan las cotas m1 y M2 . Si se itera
hasta que r
2m1
|xk+1 xk | ,
M2
entonces del teorema se obtiene
| xk+1 | .
Universidad de Cordoba () Curso de Mtodos Numricos Octubre 2012 13 / 86
Ecuaciones No Lineales
Criterio de detencin.
Si el mtodo de NewtonRaphson converge, cuando
|xk+1 xk | ,
M2
con suficientemente pequeo como para que 1, entonces se
2m1
tiene que
| xk | | xk+1 | + |xk+1 xk |
M2
|xk+1 xk |2 + |xk+1 xk | |xk+1 xk | .
2m1
Como adems | xk+1 | | xk | , es razonable estimar
| xk+1 | |xk+1 xk | .
Criterio de detencin(2)
En consecuencia, si se desea calcular la raz con error menor que
mediante este mtodo, puede usarse como criterio de detencin
confiable
|xk+1 xk | .
Ejemplo
Clculo de 2.
Biseccin NewtonRaphson
1 1.50000000000000 2.00000000000000
Resolucin de la 2 1.25000000000000 1.50000000000000
ecuacin 3 1.37500000000000 1.41666666666667
4 1.43750000000000 1.41421568627451
x2 2 = 0 5 1.40625000000000 1.41421356237469
6 1.42187500000000
con error menor que 7 1.41406250000000
105 . .. ..
. .
Resultados 15 1.41421508789063
obtenidos por los 16 1.41419982910156
mtodos de 17 1.41420745849609
Biseccin y
NewtonRaphson.
El mtodo de la Secante.
Cuando la derivada de la funcin f es difcil de evaluar, conviene
utilizar el mtodo de la secante en lugar del de NewtonRaphson.
f (xk ) f (xk1 )
.
xk xk1 x
2
y=0
x x1 x0
3
Es decir,
xk xk1
xk+1 := xk f (xk ) ,
f (xk ) f (xk1 )
Teorema
Sea f C 2 ([a, b]) con una raz (a, b) y tal que f 0 (x) 6= 0 x [a, b].
Dado x0 , x1 [a, b], sea {xk }kN la sucesin obtenida por el mtodo
de la secante. Supongamos que xk [a, b] k N. Entonces
| xk+1 | C | xk |p ,
1+ 5
con p = y C > 0.
2
Por lo tanto, si x0 se escoge suficientemente cercano a , se tiene la
convergencia
lm xk = ,
k
1+ 5
con orden p = 1,618...
2
C
omo en el mtodo de NewtonRaphson, la convergencia del mtodo
de Universidad
la secante no ()est siempre
de Cordoba Curso garantizada,
de Mtodos Numricos pero cuando tiene lugar 18es/ 86
Octubre 2012
Ecuaciones No Lineales
f1 (k) f1 (k)
(x ) (x )
x1 xn
(k)
Df (x ) :=
.
.. .
..
.
fn fn (k)
(k)
(x ) (x )
x1 xn
x(k) k
es pequeo, el trmino O k x(k) k2 es mucho
Cuando k
ms pequeo an y puede despreciarse en en el desarrollo de Taylor
anterior:
0 = f (x(k) ) + Df (x(k) ) ( x(k) ) + O k x(k) k2
f (x(k) ) + Df (x(k) ) ( x(k) ).
Dado x(0) Rn ,
para k = 0, 1, 2, . . .
resolver Df (x(k) ) dx(k) = f (x(k) ),
x(k+1) := x(k) + dx(k) ,
hasta que se satisfaga algn criterio de detencin.
Observaciones.
1 Los teoremas de convergencia, y estimacin del error del mtodo
de NewtonRaphson se pueden generalizar al caso de sistemas,
reemplazando el valor absoluto por una norma vectorial. As se
obtiene que
k x(k+1) k Ck x(k) k2 , k = 0, 1, 2, . . .
Localizacin de las
Ejemplo
races:
Resolver el siguiente
sistema de ecuaciones
con error menor que
tol = 105 :
2
y + x2 = 1 1.5
y = x2 1
2
y=x
0.5
Funciones a utilizar: 0
0.5
2
x + y2 1
x2+y2=1
1
f (x, y) =
y x2 1.5
1.5 1 0.5 0 0.5 1 1.5
2x 2y
Df (x, y) =
2x 1
Algoritmo:
Resultados obtenidos:
x y
1.00000000000000 1.00000000000000
0.83333333333333 0.66666666666667
0.78809523809524 0.61904761904762
0.78615406630609 0.61803444782168
0.78615137776208 0.61803398874999
Conociendo a Matlab
1
2
Para ingresar el vector columna w =
3 :
Muchas veces los vectores tiene una ley de formacin. Esto permite
una mayor facilidad para ingresarlos al computador.
r=1:45; y r=1:1:45;
1 2 5
Para ingresar la matriz M = 2 1 6 :
3 0 1
>> A=[1 2 5 5; 2 -1 6 0; 3 0 -1 4; -1 2 4 8; 1 2 3 6]
>> % Se ingresa la matriz A.
>> A(2,3) % Muestra el elemento que esta en
>> % la posicion (2,3).
>> A(:,4) % Muestra la cuarta columna de A.
>> A(2,:) % Muestra la segunda fila de la matri
>> A(1:3,2) % Muestra desde el elemento 1 al 3
>> % de la columna 2 de la matriz A.
>> [m,n]=size(A)% Muestra los numeros de filas (m)
>> % y columnas (n) de la matriz A.
>> x=0:.01:10;
>> y=sin(x);
>> plot(x,y)
>> plot(x,y,r) % Note la diferencia.
>> plot(x,y,*) % Note la diferencia.
>> plot(x,y,*y) % Note la diferencia.
>> z=sin(x).^2;
>> plot(x,y,r,x,z,b) % Asi pueden dibujarse
>> % dos curvas en un mismo
>> % grafico.
>> x=1:.01:10;
>> y=sin(4*x);
>> subplot(2,2,1) % Se divide la pantalla grafica
>> % en dos filas por dos columnas y
>> % se utiliza la primera ventana.
>> plot(x,y)
>> subplot(2,2,2) % Se usa la segunda ventana.
>> plot(x,y,r) % Note la diferencia .
>> subplot(2,2,3) % Se usa la tercera ventana.
>> plot(x,y,*) % Note la diferencia.
>> subplot(2,2,4) % Se usa la cuarta ventana.
>> plot(x,y,*y) % Note la diferencia.
Sistemas de Ecuaciones
Lineales
Expresin matricial
Todo sistema de ecuaciones lineales puede escribirse
matricialmente:
a11 x1 + + a1n xn = b1
.. .. Ax = b,
. .
an1 x1 + + ann xn = bn
donde
a11 a1n b1
.. .. Rnn ..
A := . . y b = . Rn
an1 ann bn
x1
..
son los datos y x = . Rn es el vector de
xn
incgnitas.
Universidad de Cordoba () Curso de Mtodos Numricos Octubre 2012 40 / 86
Ecuaciones No Lineales
Matriz inversa
Ax = b x = A1 b.
entonces
c = AA1 = I = e1
n
Ac1 Acn = A c1 en
Dificultades numricas
Costo operacional
Costo operacional
Costo de almacenamiento
En muchas aplicaciones los sistemas de ecuaciones lineales que
deben resolverse involucran matrices de gran tamao, pero tales
que la mayor parte de sus entradas son nulas.
Estas matrices se denominan dispersas o ralas (en ingls y en
M ATLAB, sparse) y existen tcnicas para almacenarlas que slo
requieren una cantidad de posiciones de memoria
aproximadamente igual al nmero de entradas no nulas de la
matriz.
Los mtodos algebraicos usuales (por ejemplo el de
transformaciones elementales) requieren modificar la matriz
original del sistema y, muchas veces, destruyen el carcter
disperso de la misma.
Para evitar esto, estudiaremos tambin otros procedimientos (
mtodos iterativos) que no modifican la matriz del sistema, por lo
que resultarn ms convenientes desde el punto de vista del
costo de almacenamiento.
Universidad de Cordoba () Curso de Mtodos Numricos Octubre 2012 47 / 86
Ecuaciones No Lineales
l11 x1 = b1 x1 = b1 /l11
l21 x1 + l22 x2 = b2 x2 = (b2 l21 x1 ) /l22
.. ..
. .
ln1 x1 + + lnn xn = bn xn = (bn ln1 x1 lnn1 xn1 ) /ln
x1 = b1 /l11
Para i = 2, .
..,n
Algoritmo: i1
xi = 1 bi
X
lij xj
lii
j=1
n
X i1
X n
X
Costo operacional: 1 + 1 + 2 = 1 + (2i 1) = n2 flop.
i=2 j=1 i=2
Ejercicio:
1 Deducir el siguiente algoritmo (sustitucin regresiva), para
resolver un sistema U x = b con matriz triangular superior U :
xn = bn /unn
Para
i = n 1, . . . , 1
n
1 X
xi = bi uij xj
u ii j=i+1
Recordemos que en el
Para k = 1, . . . , n 1
paso k-simo se parte de
para i = k + 1, . . . , n
la siguiente matriz: (k) (k)
mik = aik /akk
(1) (1) (1) para j = k + 1, . . . , n
a11 a12 a1n
(k+1) (k) (k)
0 a(2) (2) aij = aij mik akj
22 a2n
(k+1) (k) (k)
.. .. .. ..
bi = bi mik bk
. . . . (n)
. xn = b(n) /ann
. (k) (k) Para i = n 1,
. . . , 1
. 0 akk akn
. n
.. .. ..
. 1 (i)
X (i)
. . . . xi = (i) bi aij xj
aii
(k) (k) j=i+1
0 0 ank ann
Para k = 1, . . . , n 1 n1
X X n X n
para i = k + 1, . . . , n 1 + 2 + 2
(k) (k) k=1 i=k+1 j=k+1
mik = aik /akk
n1
para j = k + 1, . . . , n
X
a(k+1) = a(k) m a(k) = (n k) [2(n k) + 3]
ij ij ik kj k=1
b(k+1) = b(k) mik b(k)
i i k 2 3 1 2 7
= n + n n flop
3 2 6
2 3
n Eliminacin Sist. Triang. Total M.E.G. 3n % Elim
10 705 100 805 666 87.58
20 5510 400 5910 5333 93.23
30 18415 900 19315 18000 95.34
40 43420 1600 45020 42666 96.45
50 84525 2500 87025 83333 97.13
100 671550 10000 681550 666666 98.53
200 5353100 40000 5393100 5333333 99.26
300 18044650 90000 18134650 18000000 99.50
400 42746200 160000 42906200 42666666 99.63
500 83457750 250000 83707750 83333333 99.70
600 144179300 360000 144539300 144000000 99.75
700 228910850 490000 229400850 228666666 99.79
800 341652400 640000 342292400 341333333 99.81
900 486403950 810000 487213950 486000000 99.83
1000 667165500 1000000 668165500 666666666 99.85
Factorizacin LU
Ejemplo:
m21 = 2
1 3 2 m31 = 4 1 3 2 m32 = 3 1 3 2
A = 2 8 1 0 2 3 0 2 3
4 6 5 0 6 3 0 0 12
1 3 2 1 0 0 1 0 0
U := 0 2 3 L := m21 1 0 = 2 1 0
0 0 12 m31 m32 1 4 3 1
Notemos que
1 0 0 1 3 2 1 3 2
LU = 2 1 0 0 2 3 = 2 8 1 = A
4 3 1 0 0 12 4 6 5
Factorizacin LU (cont.)
A = LU ,
donde:
U es la matriz triangular superior que resulta de la eliminacin
y
L es la matriz triangular inferior de los multiplicadores mij :
1 0 0
.. ..
m21 1 . .
L= .
.. .. ..
. . 0
mn1 mnn1 1
Si A = LU , entonces
Ly = b,
Ax = b L(U x) = b
U x = y.
(k) (k)
Adems, despus del intercambio, akk aik , i = k, . . . , n. Por
lo tanto, los multiplicadores no pueden pasar de 1 en mdulo:
(k)
aik
|mik | = 1, i = k, . . . , n.
(k)
akk
Matrices de permutacin
Si hay intercambios de filas, las matrices triangulares L y U que
se obtienen por el mtodo de eliminacin gaussiana con
estrategia de pivoteo parcial, ya no factorizan a A, sino que
factorizan a la matriz que se obtiene despus de aplicar a A
todos los intercambios de filas que tuvieron lugar.
Se llama matriz de permutacin a toda matriz que se obtenga
intercambiando filas de I. Por ejemplo, las siguientes son todas
las matrices de permutacin 3 3:
1 0 0 1 0 0 0 1 0 0 1 0 0 0 1 0 0 1
0 1 0 0 0 1 1 0 0 0 0 1 0 1 0 1 0 0
0 0 1 0 1 0 0 0 1 1 0 0 1 0 0 0 1 0
Los intercambios de filas de una matriz se obtienen multiplicando
a izquierda por una matriz de permutacin. Por ejemplo:
0 1 0 1 2 3 4 5 6
0 0 1 4 5 6 = 7 8 9
1 0 0 7 8 9 1 2 3
Universidad de Cordoba () Curso de Mtodos Numricos Octubre 2012 71 / 86
Ecuaciones No Lineales
LU = P A.
>> L*U
Comando:
[L,U,P]=lu(A)
ans = 7 8 0
L es una matriz 1 2 3
triangular inferior 4 5 6
U es una matriz
triangular superior >> P*A
P es una matriz de
permutacin ans = 7 8 0
L*U = P*A. 1 2 3
4 5 6
Matrices tridiagonales
muy fcilmente:
b1 c1 0 0 1 0 0 1 1 0 0
.. .. .. .. .. ..
a
2 b2 c2 . . 2
1 . . 0
2 2 . .
.. .. .. .. .. .. .. .
.. .. ..
0 . . . 0 =0 . . . . .. . . . 0
.. . .
.. .. .. .. .. .. ..
cn1 .. 0 ..
. . . . . . . . n1 n1
0 0 an bn 0 0 n 1 0 0 n
11 = b1 = 1 = b1
11 = c1 = 1 = c1
2 1 = a2 = 2 = a2 /1
2 1 + 12 = b2 = 2 = b2 2 1
1n1 = cn1 = n1 = cn1
n n1 = an = n = an /n1
n n1 + 1n = bn = n = bn n n1
Universidad de Cordoba () Curso de Mtodos Numricos Octubre 2012 78 / 86
Ecuaciones No Lineales
1 = b1
Para i = 2, . . . , n
i1 = ci1
i = ai /i1
i = bi i i1
Costo operacional:
n
X
3 = 3(n 1) flop
i=2
y1 = d1
1 0 0 y1 d1
.. ..
Para i = 2, . . . , n
2 1 . . y2 d2
.. .. .. .. . . yi = di i yi1
0 . . . . .. = ..
..
.. .. ..
. . . . 0 yn1 dn1 Costo operacional:
0 0 n 1 yn dn
n
X
2 = 2(n1) flop
Universidad de Cordoba () Curso de Mtodos Numricos i=2 Octubre 2012 80 / 86
Ecuaciones No Lineales
1 1 0 0 x1 y1
.. .. .. ..
0
. . . .
x 2 y2
.. .. .. .. .. ..
. . . . =
0 . .
..
..
. n1 n1 xn1 yn1
.
0 0 n xn yn
xn = yn /n
Para
i = n 1, . . . , 1
xi = (yi i xi+1 ) /i
Costo operacional:
n1
X
1+ 3 = 1 + 3(n 1) flop
i=1
xt Ax > 0 x Rn : x 6= 0.
Mtodo de Cholesky
Mtodo de Cholesky
Para j = 1,
v. . . , n
u
u j1
X
ljj = tajj 2
ljk
k=1
para i = j + 1, . . . , n
j1
!
1
X
lij = aij lik ljk
ljj
k=1
Mtodo de Cholesky
El costo operacional es:
!
Xn Xj1 n
X j1
X
2+ 1+ 2
j=1 k=1 i=j+1 k=1
13 n3 flop,
+ n races cuadradas.
Para resolver un sistema de ecuaciones Ax = b con matriz
simtrica y definida positiva por el mtodo de Cholesky, una vez
calculada L, se tiene:
t Ly = b,
Ax = b L(L x) = b
Lt x = y.
Para resolver los sistemas Ly = b y Lt x = y, se utiliza el
algoritmo que ya conocemos para matrices triangulares, cuyo
costo operacional es de 2n2 .
Por lo tanto el costo operacional total del mtodo de Cholesky es
de de13 n
Universidad
3 . Vale decir, aproximadamente la mitad que el del
Cordoba () Curso de Mtodos Numricos Octubre 2012 86 / 86