Cal - Num - Sistemas de Ecucaciones Lineales - Pres4 PDF

Tema: Sistemas de ecuaciones lineales
A) Condicionamiento del problema.

e Resolucin de sistemas linealess
Clculo umrico
B) Mtodos iterados: Jacobi, Gauss-Seidel y Relajacin
C) Mtodos directos: Factorizacin LU y Factorizacin QR
D) Sistemas superdeterminados.
Tema 2:
Problema Encontrar una solucin del sistema, de manera aproximada:
1 2 x1 1 x1 2 x2 = 1
=
3 1 x2 4 3 x1 + x2 = 4
Resolucin de sistemas de ecuaciones lineales Ax=b.
Un sistema de m ecuaciones lineales con n incgnitas
consiste en una coleccin de ecuaciones del tipo A x = b,
Tema 2: Resolucin de sistemas lineales para una matriz rectangular A de m filas y n columnas y un
vector b de trminos independientes de m componentes.
Clculo umrico
a11 L a1n b1
x1
M M M
M M =
M M
xn
a L a b
m1 mn m
Teorema de Rouch-Frobenius: un sistema de ec. lineales A x=b
es compatible (i.e. tiene solucin) si y slo si rg(A)=rg(A|b), en
cuyo caso es determinado (i.e. tiene solucin nica) si y slo si
rg(A)=rg(A|b)=n.
A continuacin estudiaremos cmo resolver numricamente sistemas

compatibles de rango mximo (i.e. rg(A)=rg(A|b)=n).
Resolucin de sistemas de ecuaciones lineales Ax=b. ESQUEMA:
A) Condicionamiento del problema:
Estabilidad de la solucin por errores

Tema 2: Resolucin de sistemas lineales
Clculo umrico
Normas matriciales: || ||1, || ||2, || ||
Nmero de condicin: (A)=||A||||A-1||

B) Mtodos iterados:
Jacobi
Gauss-Seidel
Relajacin o SOR
C) Mtodos directos:
Factorizacin LU: Doolittle, Crout, Cholesky
Factorizacin QR
D) Sistemas superdeterminados: seudosolucin

Resolucin de sistemas de ecuaciones lineales Ax=b.

Clculo umrico
Sera deseable que las soluciones de los sistemas siguientes

fueran parecidas
1.01 0.99 x 2 x 1
= =
0.99 1.01 y 2 y 1
1.01 0.99 x 2.02 x 2

= =
0.99 1.01 y 1.98 y 0
1.01 0.99 x 1.98 x 0

= =
0.99 1.01 y 2.02 y 2
El problema est mal condicionado, ya que pequeos errores en

los datos de entrada tienen un reflejo notorio en las soluciones
que se ofrecen como salida.
Resolucin de sistemas de ecuaciones lineales Ax=b

Clculo umrico
Asimismo, sera deseable que fueran diferentes los vectores b y

c de los sistemas Ax=b y Ax=c de soluciones x(1) y x(2),
3.02 1.05 2.53 1 0.88
(1)
( 2)

A = 4.33 0.56 1.78 x = 2 x = 2.34
0.83 0.54 1
1 2.66
1 .47
1.61 1.6047

A x (1) = 7.23 A x( 2) = 7.2348
3.38 3.3716

El problema est mal condicionado, en tanto en cuanto

pequeos errores en los datos de entrada tienen un reflejo
notorio en las soluciones que se ofrecen como salida.
ormas matriciales y nmero de condicin

Clculo umrico
El nmero de condicin del sistema es (A)=||A||||A-1||, para

alguna norma matricial. Siempre es mayor o igual que 1.
El sistema estar tanto mejor condicionado cuanto
ms prximo a 1 sea su nmero de condicin.
Las normas matriciales que nosotros utilizaremos sern estas tres:

n
orma 1 columna: || A ||1 = max
1 j n
| a
i =1
ij |
orma 2, eucldea espectral: || A ||2 = maxT | | = ( AT A)

{| |: |I A A| = 0}
n
orma fila: || A || = max
1 i n
| a
j =1
ij |

n
Clculo umrico

1 j n
| a
i =1
ij |

{| |: |I A A| = 0}
n

1 i n
| a
j =1
ij |
1.01 0.99 x 2 (A)=||A||||A-1||

=
0.99 1.01 y 2
1
1.01 0.99 25.25 24.75
A =
1
= ( A) = 100
0.99 1.01 24.75 25.25
|| A ||1 =|| A ||2 =|| A || = 2 || A1 ||1 =|| A1 ||2 =|| A1 || = 50


n
Clculo umrico

1 j n
| a
i =1
ij |

{| |: |I A A| = 0}
n

1 i n
| a
j =1
ij |
3.02 1.05 2.53

(A)=||A||||A-1||
A = 4.33 0.56 1.78
0.83 0.54 1 .47

|| A ||1 = 8.18, || A ||2 = 5.353139939, || A || = 6.67
|| A1 ||1 = 944.349181 || A1 ||2 = 802.058621 || A1 || = 1138.6758
1 ( A) = 7724.7763, 2 ( A) = 4293.53204, ( A) = 7594.96759


Resolver el siguiente sistema utilizando aritmtica exacta
Clculo umrico
0.003 59.14 x 59.17 x 10

= =
5.291 6.13 y 46.78 y 1
2 ( A ) 11 . 298
Resolver el mismo sistema utilizando aritmtica de 3 cifras

decimales exactas mediante el mtodo de reduccin por filas
0.003 59.14 x 59.17
=
5.291 6.13 y 46.78
0.003 59.14 x 59.17 x 1

= =
0 104309.396 y 104309.396 y 1
2 ( B ) 0.347 10 8
B) Mtodos iterados: Suponemos que A es regular (|A|0).
Un mtodo iterado consiste en establecer una sucesin de vectores

en la forma
( k +1)
Clculo umrico
(k )
x = K x +c
El mtodo converge para cualquier eleccin inicial x(0) si y slo si

( I K ) invertible y
( K ) = max{| |: es autovalor de K } < 1
Adems, converge a la nica solucin de Ax=b si:

c = ( I K ) A 1 b
De ser ste el caso, cotas para medir el error vienen dadas por:
|| x ( k ) x |||| K ||k || x ( 0 ) x ||
|| K ||
|| x (k )
x || || x ( k ) x ( k 1) ||
1 || K ||
B) Mtodos iterados: Buscamos K tal que x ( k +1) = K x ( k ) + c,
( I K ) invertible y c = ( I K ) A1 b
Por descomposicin, A=M-=L+D+U
Clculo umrico
x ( k +1) = M 1 x ( k ) + M 1b
Jacobi: M = D, = L U
Gauss-Seidel: M = D + L, = U
1 1
Relajacin: M = D + L, = D U

B) Mtodos iterados:
Jacobi: M = D, = L + U
x ( k +1) = D 1 ( L U ) x ( k ) + D 1b
Clculo umrico
Consiste en utilizar la i-sima ecuacin de Ax=b para obtener el

valor de xi(k+1) en funcin de x(k)
1
xi
( k +1)
=
aii
( (k ) (k ) (k ) (k )
ai1 x1 L aii 1 xi 1 aii +1 xi +1 L ain xn + bi )
B) Mtodos iterados:
1 2 x1 1 x1 2 x2 = 1
=
Clculo umrico
3 1 x2 4 3x1 + x2 = 4
Jacobi:
1
xi
( k +1)
=
aii
( (k ) (k ) (k ) (k )
ai1 x1 L aii 1 xi 1 aii +1 xi +1 L ain xn + bi )
x1( k +1) = 2 x2
(k )
1 x1
( k +1)
0 2 x1( k ) 1
( k +1) (k )
( k +1) = ( k ) +
x2 = 3x1 + 4 x2 3 0 x2 4
B) Mtodos iterados:
Tema 2: Resolucin de sistemas lineales Gauss-Seidel: M = D L, = U

Clculo umrico
x ( k +1) = ( D + L) 1 (U ) x ( k ) + ( D + L) 1 b

valor de xi(k+1) en funcin de x(k) y de las componentes ya calculadas
1
xi
( k +1)
=
aii
(
ai1 x1
( k +1)
L aii 1 xi 1
( k +1) (k ) (k )
aii +1 xi +1 L ain xn + bi )
B) Mtodos iterados:
1 2 x1 1 x1 2 x2 = 1
=
Clculo umrico
3 1 x2 4 3x1 + x2 = 4
Gauss-Seidel:
1
xi
( k +1)
=
aii
(
ai1 x1
( k +1)
L aii 1 xi 1
( k +1) (k ) (k )
x1( k +1) = 2 x2
(k )
1 x1
( k +1)
0 2 x1( k ) 1
( k +1) ( k +1)
( k +1) = ( k ) +
x2 = 3x1 + 4 x2 0 6 x2 7
B) Mtodos iterados:
1 1
Relajacin: M= D L, = D +U
Clculo umrico
1 1
( k +1) 1 1 (k ) 1
x = D + L D U x + D + L b


valor de xi(k+1) en funcin de x(k) y de las componentes ya calculadas
modificadas por un peso .
( k +1)
xi = (1 ) xi( k )
1
+
aii
(
ai1 x1
( k +1)
L aii 1 xi 1
( k +1) (k ) (k )
B) Mtodos iterados:
1 2 x1 1 x1 2 x2 = 1
=
Clculo umrico
3 1 x2 4 3x1 + x2 = 4
Relajacin, =0.75
( k +1)
xi = (1 ) xi( k )
1
+
aii
(
ai1 x1
( k +1)
L aii 1 xi 1
( k +1) (k ) (k )
( k +1) 1 (k ) 3 (k ) 3 1 3 3
x1 = x1 + x2
4 x1
( k +1)
4 x
( k )

4 2 2 1 + 4
1 (k ) 9 ( k +1) x ( k +1) = 9 25 x ( k ) 75
x2 ( k +1) = x2 x1 + 3 2 2
4 4 16 8 16
B) Mtodos iterados:
1 2 x1 1 x1 2 x2 = 1
=
Clculo umrico
3 1 x2 4 3x1 + x2 = 4
Jacobi
x1( k +1) 0 2 x1( k ) 1

( k +1) =
x 3 0 x ( k ) + 4
2 2
Gauss-Seidel
x1( k +1) 0 2 x1( k ) 1
( k +1) =
x 0 6 x ( k ) + 7
2 2
Relajacin, =0.75
1 3 3
x ( k +1)
4 x
( k )
1 = 2 1 + 4
x ( k +1) 9 25 x ( k ) 75
2 2
16 8 16
B) Mtodos iterados: convergencia de los mtodos.
(k + 1) (k )
En general, para que un mtodo iterado x = K x +c
converja, debe cumplirse que (K) < 1.
Clculo umrico
CASOS PARTICULARES:
Mtodos de Jacobi y Gauss-Seidel:
o Convergen para matrices A diagonal dominantes (i.e. el
valor absoluto de los elementos de la diagonal mayoran
la suma de los valores absolutos de los restantes
elementos de su fila).
Mtodo de Relajacin:
o Diverge para fuera del intervalo (0,2).
o Para A simtrica definida positiva (es decir, AT=A y los
determinantes de las matrices principales son todos positivos),
el mtodo de relajacin converge si y slo si pertenece al
intervalo (0,2).
o Para A diagonal dominante, el mtodo de relajacin converge
si pertenece a (0,1], teniendo incertidumbre en otro caso.
B) Mtodos iterados:
1 2 x1 1 x1 2 x2 = 1
=
3 1 x2 4 3x1 + x2 = 4
Clculo umrico
Jacobi: ( J ) = 6 > 1 El mtodo de Jacobi no converge.
x1( k +1) = 2 x2
(k )
1 x1
( k +1)
0 2 x1( k ) 1
( k +1) (k )
( k +1) = ( k ) +
x2 = 3x1 + 4 x2 3 0 x2 4
G.-S.: (GS ) = 6 > 1 El mtodo de G.-S. no converge.

x1( k +1) = 2 x2
(k )
1 x1
( k +1)
0 2 x1( k ) 1
( k +1) ( k +1)
( k +1) = ( k ) +
x2 = 3x1 + 4 x2 0 6 x2 7
Relaj., =0.75: ( R) = 2.85 > 1 El mtodo de Relaj. no converge.
( k +1) 1 (k ) 3 (k ) 3 1 3 3
x1 = x1 + x2
4 x1
( k +1)
4 x ( k )

4 2 2 1 + 4
1 (k ) 9 ( k +1) x ( k +1) = 9 25 ( k ) 75
x2 ( k +1) = x2 x1 + 3 2 x2
4 4 16 8 16
B) Mtodos iterados: Si A es diagonal dominante
3 1 x1 4 3x1 + x2 = 4
=
Clculo umrico
1 2 x2 1 x1 2 x2 = 1
Jacobi ( J ) 0.40824829 < 1

x1( k +1) = 13 x2
(k )
+ 4
x1( k +1) 0 13 x1( k ) 43
( k +1)
3 ( k +1) = 1

+
(k ) 1
x2 = 1
x1
(k )
+ 1
x2
2
0 x2 2
2 2
Gauss-Seidel (GS ) = 0.16666 < 1

x1( k +1) = 13 x2
(k )
+ 4
x1( k +1) 0 13 x1( k ) 43
( k +1)
3 ( k +1) =
1 ( k ) + 7
1 ( k +1) 1
x 2 = 2
x1 + 2 x2 0 6 x2 6
Relajacin, =0.75 (0,1] ( R) = 0.25 < 1

C) Mtodos directos: Factorizacin LU: Doolittle, Crout, Cholesky
Tema 2: Resolucin de sistemas lineales Se trata de descomponer la matriz de coeficientes A en la forma A=LU
para ciertas matrices triangulares inferior y superior. Las matrices
Clculo umrico
L y U son nicas, prefijadas una de sus diagonales.
Esto ser posible si y slo si los determinantes de las matrices

principales son todos no nulos.
Si la matriz A es regular, entonces siempre existe una
reordenacin de filas y columnas que facilitan esta condicin.
Si la matriz A es diagonal dominante, entonces los determinantes
de las matrices principales son todos no nulos
En estas condiciones, resolver el sistema Ax=b se reduce a resolver

dos sistemas triangulares: primero, Ly=b, de solucin c; despus,
Ux=c, cuya solucin es la solucin del sistema original.
Gran inconveniente: puede empeorar el condicionamiento del

sistema original.
Si los determinantes de las matrices principales son todos no
Tema 2: Resolucin de sistemas lineales nulos.
Clculo umrico
Dependiendo de cmo se tomen L y U podemos distinguir:
Factorizacin de Doolittle: L con diagonal de unos.
Factorizacin de Crout: U con diagonal de unos.
Factorizacin de Cholesky: U=LT

Aqu, adicionalmente A ha de ser simtrica y definida positiva. Es
decir, A=AT y los determinantes de las matrices principales son
todos positivos.

Clculo umrico
60 30 20 0 1 0 0 u11 u12 u13

A = 30 20 15 b = 10 L = l21 1 0 U = 0 u22 u23
20 15 12 10 l 1 0 u33
31 l32 0
60 30 20
60 30
1 = 60 0, 2 = = 300 0, 3 = 30 20 15 = 100 0
30 20
20 15 12
u11 u12 u13 60 30 20

LU = l21u11 l21u12 + u22 l21u13 + u23 = 30 20 15 = A
l u l31u13 + l32u23 + u33 20 15 12
31 11 l31u12 + l32u22
1 1
u11 = 60, u12 = 30, u13 = 20 l21 = , l31 =
u 22 = 5, u23 = 5 2 3
1 l32 = 1
u33 =
3

1 0 0
Clculo umrico
60 30 20 0 60 30 20

1 0 U = 0 5 5
1
A = 30 20 15 b = 10 L =
2 1
20 15 12 10 1 0 0

1 1 3
3
1 0 0
x 0
1
Ly = b 1 0 y = 10 c = (0,10,0)T
2
1 z 10
1 1
3

60 30 20
x 0

Ux = c 0 5 5 y = 10 x = (1,2,0)T

1 z 0
0 0
3

Clculo umrico
60 30 20 0 l11 0 0 1 u12 u13

A = 30 20 15 b = 10 L = l21 l22 0 U = 0 1 u23
20 15 12 10 l l33 0 0 1
31 l32
60 30 20
60 30
1 = 60 0, 2 = = 300 0, 3 = 30 20 15 = 100 0
30 20
20 15 12
l11 l11u12 l11u13 60 30 20

LU = l21 l21u12 + l22 l21u13 + l22u23 = 30 20 15 = A
l l31u13 + l32u23 + l33 20 15 12
31 l31u12 + l32
1 1 l11 = 60, l21 = 30, l31 = 20
u12 = , u13 =
2 3 l22 = 5, l32 = 5
u 23 = 1 1
l33 =
3

60 0 0 1 1
Clculo umrico
60 30 20 0 1
2 3
A = 30 20 15 b = 10 L = 30 5 0 U = 0 1 1
20 15 12 10
1 0 0 1

20 5
3
60 0 0
x 0

Ly = b 30 5 0 y = 10 c = (0,2,0)T

1 z 10
20 5
3
1 1
1
2 3 x 0

Ux = c 0 1 1 y = 2 x = (1,2,0)T

z 0
0 0 1

Factorizacin de Cholesky: LT=U.

Clculo umrico
60 30 20 0 l11 0 0 l11 l21 l31

A = 30 20 15 b = 10 L = l21 l22 0 U = 0 l22 l32
20 15 12 10 l l33 0 0 l
31 l32 33
60 30 20
60 30
AT = A, 1 = 60 > 0, 2 = = 300 > 0, 3 = 30 20 15 = 100 > 0
30 20
20 15 12
l112 l11l21 l11l31 60 30 20

LU = l21l11 l212 + l222 l21l31 + l22l32 = 30 20 15 = A
l l l312 + l322 + l332 20 15 12
31 11 l31l21 + l32l22
1 1
l11 = 60 , l21 = 15 , l31 = 60 l22 = 5 , l32 = 5 l33 = 3
3 3
Factorizacin de Cholesky: LT=U.

0
Clculo umrico
60 30 20 0 60 0
T
A = 30 20 15 b = 10 L =U = 15 5 0
20 15 12 10 60 3
5
3 3
60 0 0
x 0

Ly = b 15 5 0 y = 10 c = (0,2 5 ,0)T
z 10
60 3
5
3 3
60
60 15
3 x 0

Ux = c 0 5 5 y = 2 5 x = (1,2,0)T
z 0
3
0 0
3
C) Mtodos directos: Factorizacin QR: Gram Schmidt, Householder
Se trata de descomponer la matriz de coeficientes A en la forma A=QR

para R triangular superior y Q unitaria (QTQ=I).
Clculo umrico
En estas condiciones, resolver el sistema Ax=b se reduce a resolver el

sistema triangular Rx=QTb.
Aunque esta factorizacin es ms costosa que la LU, presenta la

ventaja de que preserva el condicionamiento del sistema original.
Gram Schmidt:
Consiste en encontrar una base ortonormal de las columnas de A.
La columna k+1 de Q se genera como una combinacin lineal de la
columna k+1 de A y las primeras k columnas ya construidas de Q,
tal que los coeficientes de la combinacin lineal favorezcan que
dicho vector sea ortogonal a los anteriormente construidos.
1 1 1 x 0 1
1
Ax = b 2 0 1 y = 4 Q= 2
Clculo umrico
2 3
7 1 z 7 - 2

1 1
1
2 = 3 q = 2
(1)
- 2 3
- 2
Gram Schmidt:
1 1 1 x 0 1 5 2
11
Ax = b 2 0 1 y = 4 Q = 210 10
Clculo umrico
15
3
y ( 2) 2 7 1 z 7 - -
2 10 11
q ( 2) = ( 2)
y
- 1 1 2
1 1
y = 0 + 2 , y q 1 = 5,q = 10
( 2) ( 2) (1) ( 2)
7 3 - 2 15
11
Gram Schmidt:
1 1 1 x 0 5 5 2 2 14

11
Ax = b 2 0 1 y = 4 QQ= = 1010 1010 5
Clculo umrico
1515 2
y ( 3) 2 7 1 z 7 - 10
- 10 11
11
q ( 3) = ( 3)
y
- 1 1 2
1 - 14
1 2 1 = 1
y ( 3) y ( 3) q ,q
(1) ( 2) 3 ( 3)
19
= 1 + 2 + 10 , ,q = 5
1 3 - 2 15 11 2 = 15
- 2
15
Gram Schmidt:
1 1 1 x 0 5 2 14
1
Ax = b 2 0 1 y = 4 Q = 10 10 5
Clculo umrico
2 15
7 1 z 7 - 10 11 2
45 75 5 x 110
T T 1 1
Ax = b Q Ax = Q b 0 75 19 y = 37
15 15
0 0 17 z 34

x = (1,1,2)T
Gram Schmidt:
Householder:
Consiste en realizar una sucesin de simetras para llevar las
Clculo umrico
columnas de A a una forma triangular superior.
2 < v, x >
x a H v (x) = x v
< v, v >
Para llevar x en y basta realizar Hx-y, siempre que ||x||=||y||.

Householder:
Clculo umrico

1 1 1 x 0

Ax = b 2 0 1 y = 4
2 7 1 z 7

1 3 - 2

2 = 3, y (1) (1) (1) (1)
= 0 , v = x y = 2
- 2 0 - 2

2 < v, x >
x a H v ( x) = x v
< v, v >

Householder:
Clculo umrico

1 1 1 x 0
- 2

Ax = b 2 0 1 y = 4 v (1) = 2
2 7 1 z 7 - 2

1 3 - 1 - 5 - 1 - 1/3 0 22/3

H v (1) 2 = 0 H v (1) 0 = 4 H v (1) 1 = 1/3 H v (1) 4 = - 10/3
- 2 0 7 3 1 5/3 - 7 1/3

2 < v, x >
x a H v ( x) = x v
< v, v >

Householder:
Clculo umrico
9 15 1 x 22
1 1
H v (1) Ax = H v (1) b 0 12 1 y = 10
3 3
0 9 5 z 1

12 15 - 3
= 15 y ( 2 ) = , v ( 2 ) = x ( 2 ) y ( 2 ) =
9 0 9
2 < v, x >
x a H v ( x) = x v
< v, v >

Householder:
Clculo umrico
9 15 1 x 22 - 3
1 1 v ( 2) =
H v (1) Ax = H v (1) b 0 12 1 y = 10 9
3 3
0 9 5 z 1

12 15 1 19/5 - 10 - 37/5
H v ( 2 ) = H v ( 2 ) = H v ( 2 ) =
9 0 5 - 17/5 1 - 34/5
2 < v, x >
x a H v ( x) = x v
< v, v >

Householder:
Clculo umrico
45 75 5 x 110
1 1
H v ( 2 ) H v (1) Ax = H v ( 2 ) H v (1) b 0 75 19 y = 37
15 z 15 34
0 0 17
1

x = - 1 Q T = H v ( 2 ) H v (1)
2

D) Sistemas superdeterminados:
Consisten en sistemas incompatibles, con ms ecuaciones que

incgnitas. Se trata de encontrar aquellos vectores x que
Clculo umrico
aproximen mejor a la solucin, en tanto en cuanto hacen que el

mdulo del vector diferencia Ax-b sea mnimo. Se habla de
soluciones en mnimos cuadrados. De entre ellas, la que menor
mdulo tiene recibe el nombre de seudosolucin.
Una manera de determinar las soluciones en mnimos

cuadrados es mediante el uso de las ecuaciones normales,
ATAx=ATb.
Otra forma es utilizar una factorizacin QR de A, de manera

que las soluciones en mnimos cuadrados provienen de la
solucin del sistema triangular superior que determinan las
ecuaciones no nulas de Rx=QTb. La norma del error viene dada
por la norma del vector de trminos independientes que
corresponde a las ecuaciones nulas desechadas.
1 1 1
Tema 2: Resolucin de sistemas lineales x1
1 1 = 2
Clculo umrico
2 2 x2 1

Ecuaciones normales:
1 1 1
1 1 2 x1 1 1 2 6 6 x1 1
1 1 = 2 =
1 1 2 2 2 x2 1 1 2 1 6 6 x2 1

t
Soluciones en mnimos cuadrados: 1 t
210
= Ax b =
6
6
1
t
2
x = Seudosolucin: f (t ) = 1 = 2t 2 t + 1 f ' (t ) = 4t 1
12
1 t 3 36 3
12 6
1 1 1 6 6
x 1
1
Tema 2: Resolucin de sistemas lineales x1
1 1 = 2 0 0 =
1
2 6 1
Clculo umrico
2 2 x2 1 x2 6
0 0 2+ 6
1 2 6 1 210
= =
Householder:
6 2+ 6 6
1 6 1 - 6

- 1 = 6 y
(1)
= 0 , v (1) = x (1) y (1) = -1

2 0 2

t
Soluciones en mnimos cuadrados: 1 t
210
= Ax b =
6
6
1
t
2
x = 12 Seudosolucin: f (t ) = 1 = 2t 2 t + 1 f ' (t ) = 4t 1
1 t 3 36 3
12 6

Cal - Num - Sistemas de Ecucaciones Lineales - Pres4 PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Cal - Num - Sistemas de Ecucaciones Lineales - Pres4 PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Tema: Sistemas de ecuaciones lineales

A) Condicionamiento del problema.

B) Mtodos iterados: Jacobi, Gauss-Seidel y Relajacin

C) Mtodos directos: Factorizacin LU y Factorizacin QR

Problema Encontrar una solucin del sistema, de manera aproximada:

A continuacin estudiaremos cmo resolver numricamente sistemas

Estabilidad de la solucin por errores

Normas matriciales: || ||1, || ||2, || ||

Nmero de condicin: (A)=||A||||A-1||

D) Sistemas superdeterminados: seudosolucin

Estabilidad de la solucin por errores

Sera deseable que las soluciones de los sistemas siguientes

1.01 0.99 x 2.02 x 2

1.01 0.99 x 1.98 x 0

El problema est mal condicionado, ya que pequeos errores en

Estabilidad de la solucin por errores

Asimismo, sera deseable que fueran diferentes los vectores b y

El problema est mal condicionado, en tanto en cuanto

ormas matriciales y nmero de condicin

El nmero de condicin del sistema es (A)=||A||||A-1||, para

Las normas matriciales que nosotros utilizaremos sern estas tres:

orma 2, eucldea espectral: || A ||2 = maxT | | = ( AT A)

ormas matriciales y nmero de condicin

orma 1 columna: || A ||1 = max

orma 2, eucldea espectral: || A ||2 = maxT | | = ( AT A)

orma fila: || A || = max

1.01 0.99 x 2 (A)=||A||||A-1||

|| A ||1 =|| A ||2 =|| A || = 2 || A1 ||1 =|| A1 ||2 =|| A1 || = 50

ormas matriciales y nmero de condicin

orma 1 columna: || A ||1 = max

orma 2, eucldea espectral: || A ||2 = maxT | | = ( AT A)

orma fila: || A || = max

3.02 1.05 2.53

|| A1 ||1 = 944.349181 || A1 ||2 = 802.058621 || A1 || = 1138.6758

1 ( A) = 7724.7763, 2 ( A) = 4293.53204, ( A) = 7594.96759

Tema 2: Resolucin de sistemas lineales

0.003 59.14 x 59.17 x 10

Resolver el mismo sistema utilizando aritmtica de 3 cifras

0.003 59.14 x 59.17 x 1

Un mtodo iterado consiste en establecer una sucesin de vectores

El mtodo converge para cualquier eleccin inicial x(0) si y slo si

Adems, converge a la nica solucin de Ax=b si:

Consiste en utilizar la i-sima ecuacin de Ax=b para obtener el

Tema 2: Resolucin de sistemas lineales Gauss-Seidel: M = D L,  = U

Consiste en utilizar la i-sima ecuacin de Ax=b para obtener el

Consiste en utilizar la i-sima ecuacin de Ax=b para obtener el

x1( k +1) 0 2 x1( k ) 1

Jacobi: ( J ) = 6 > 1 El mtodo de Jacobi no converge.

G.-S.: (GS ) = 6 > 1 El mtodo de G.-S. no converge.

Relaj., =0.75: ( R) = 2.85 > 1 El mtodo de Relaj. no converge.

Jacobi ( J ) 0.40824829 < 1

Gauss-Seidel (GS ) = 0.16666 < 1

Relajacin, =0.75 (0,1] ( R) = 0.25 < 1

L y U son nicas, prefijadas una de sus diagonales.

Esto ser posible si y slo si los determinantes de las matrices

En estas condiciones, resolver el sistema Ax=b se reduce a resolver

Gran inconveniente: puede empeorar el condicionamiento del

Dependiendo de cmo se tomen L y U podemos distinguir:

Factorizacin de Doolittle: L con diagonal de unos.

Factorizacin de Crout: U con diagonal de unos.

Factorizacin de Cholesky: U=LT

Factorizacin de Doolittle: L con diagonal de unos.

60 30 20 0 1 0 0 u11 u12 u13

ormas matriciales y nmero de condicin

orma 2, eucldea espectral: || A ||2 = maxT | | = ( AT A)

ormas matriciales y nmero de condicin

orma 1 columna: || A ||1 = max

orma 2, eucldea espectral: || A ||2 = maxT | | = ( AT A)

orma fila: || A || = max

ormas matriciales y nmero de condicin

orma 1 columna: || A ||1 = max

orma 2, eucldea espectral: || A ||2 = maxT | | = ( AT A)

orma fila: || A || = max

Tema 2: Resolucin de sistemas lineales Gauss-Seidel: M = D L, = U