Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CAPTULO
3.
SOLUCIN
ECUACIONES
NUMRICA
DE
SISTEMAS
DE
INTRODUCCIN
Un sistema de n-ecuaciones (con coeficientes reales) en las n-incgnitas x1, x 2 ,..., x n es un
conjunto de n ecuaciones de la forma
f1 ( x1, x2 ,..., xn )
f 2 ( x1, x2 ,..., xn )
f ( x , x ,..., x )
n
n 1 2
(3.1)
M
=
donde
fi :
Di
X = ( x1, x 2 ,..., x n )
R, Di Rn
fi ( X ) = y
Si para cada i = 12
, ,...,n , la funcin fi es de la forma
fi ( x1, x 2 ,..., xn ) = ai 1x1 + ai 2 x 2 +...+ ai n xn b i
con ai 1, a i 2 ,..., a i n y bi constantes reales, el sistema se dice lineal (con coeficientes reales); en
cualquier otro caso el sistema se dice no-lineal.
Si C = ( c1, c 2 ,...,c n ) R n es tal que fi ( c1, c 2 ,..., c n ) = 0 para cada i = 12
, ,...,n , entonces se dice que
C es una solucin real del sistema (3.1).
El objetivo de este captulo es estudiar algunos mtodos numricos para encontrar una solucin
real de un sistema del tipo (3.1).
= b1
= b2
M
, ,...,n (3.2)
con ai j , bi R , i, j = 12
= bn
b1
x1
a11 a12 L a1n
x
L
a
a
a
22
2n
2 y b = b2
=
X
A = 21
,
M
M
M
M
M
bn
xn
an1 an 2 L ann
a11x1 + a12 x 2 +
...
+ a1 ix i +
...
+ a1,n 1xn 1 + a1 n xn = b1
a22 x 2 +
...
+ a 2 i xi +
...
+ a 2,n 1xn 1 + a2 n xn = b 2
ai i xi +
...
+ ai,n 1xn 1 + ai n x n = bi
M
M
an 1,n 1xn 1 + an 1,n xn = bn 1
an n xn = bn
xn =
bn
an n
x n 1 =
a n 1, n 1
bn 2 an 2, n 1xn 1 + an 2, n xn
an 2, n 2
bi
i k xk
k = i +1
xi =
, i = n 1,n 2,...,1
ai i
El mtodo anterior para determinar la solucin del sistema se denomina sustitucin reversiva,
regresiva o hacia atrs.
Si la matriz de coeficientes del sistema es triangular inferior, para resolver el sistema podemos
proceder de manera similar al caso anterior, pero empezando por despejar x1 de la primera
ecuacin. El procedimiento en este caso se denomina sustitucin progresiva o hacia adelante.
~
Algoritmo 3.1 (Sustitucin regresiva) Para encontrar una solucin aproximada X de un sistema
triangular superior AX = b con A = a i j
invertible.
( )nn
independientes b i, i = 12
, ,...,n .
~
Salida: Una solucin aproximada X = ( x1, x 2,..., xn ) .
Paso 1: Tomar x n =
bn
.
an n
bi
xi =
i k xk
k =i + 1
ai i
~
Paso 3: Salida: "Una solucin aproximada del sistema es X = ( x1, x 2 ,..., xn ) ".
Terminar.
E2 : a21 x1 + L + a2 j x j + L
M
E j :a j 1 x1 + L + a j j x j + L
M
Ei : a i 1x1 + L + a i j x j + L
En :an 1x1 + L + an j x j + L
+ a1 n x n = b1
+ a 2 n xn = b 2
M
+ aj nxn = b j
M
+ ai nxn = bi
M
+ an n xn = bn
a
Ei i 1 E1 Ei(1) , i = 2,3,..., n
a11
ii) Eliminamos el coeficiente de x 2 en cada una de las ecuaciones E3(1) ,E(41) ,...,En(1) , para obtener
( 2)
( 2)
un sistema equivalente A X = b , realizando las operaciones elementales
(1)
E( 1) ai 2 E(1) E( 2 ) , i = 3,4,..., n
i
i
a( 1) 2
22
( 1)
(debe ocurrir que a2 2 0 ).
iii) En general, eliminados los coeficientes de x1, x 2 ,..., x j1 , eliminamos el coeficiente de x j en
j 1
j 1
j 1
cada una de las ecuaciones E(j+1 ) ,E(j+ 2 ) ,..., En( ) , para obtener un sistema equivalente
( j)
( j)
A X = b , realizando las operaciones elementales
( j 1)
E( j 1) ai j E( j 1) E( j ) , i = j + 1,..., n
i
i
( j 1) j
aj j
j1
(debe ocurrir que a(j j ) 0 ).
Los nmeros
mi j =
j 1
ai( j )
,
j 1
a( )
j = 1,...,n 1, i = j + 1,...,n
jj
0
a(i 1) ai 1
).
0
a( ) a11
11
(1) x +
a22
2
...
+ a1 jx j +
...
...
1
+ a(2 )jx j +
...
1
1
1
+ a2( ,n) 1xn 1 + a2( n) xn = b 2( )
( j1)
aj j x j
...
( j1)
a j,n 1xn 1
( j1)
aj n xn
( j1)
= bj
M
n 2)
n2)
n2
(
(
an 1, n 1xn 1 + an 1, n xn = bn( 1 )
n 1
n 1
a(n n ) xn = bn( )
el cual se resuelve por el mtodo de sustitucin regresiva, para obtener la solucin del sistema
original.
CASO 3: La matriz A (de coeficientes del sistema AX = b ) es tal que se requieren
intercambios de filas para culminar con xito el proceso de eliminacin Gaussiana.
Procedemos exactamente como en el caso 2, solo que cuando encontremos a(j jj1) = 0 para algn
( j1)
( 0)
j = 12
, ,..., n 1 (recuerde que si j = 1, a j j = a11 a11 ), continuamos de la siguiente manera:
( j1)
kj
j 1
j 1
E(j ) E(k ) : intercambio de las ecuaciones j-sima y k-sima
Algoritmo 3.2 (Eliminacin Gaussiana con sustitucin regresiva) Para obtener una solucin
~
aproximada X de un sistema de la forma
E2 : a 21x1 + ...
M
En : an 1x1 + ...
+ a1n x n = b1
+ a2 n xn = b 2
M
+ an n xn = bn
~
Salida: Una solucin aproximada X = ( x1, x 2 ,..., xn ) del sistema dado o un mensaje.
Paso 1: Para j = 12
, ,...,n 1 , seguir los pasos 2-4 (Proceso de eliminacin):
Paso 2: Hallar el menor entero k tal que j k n y ak j 0 ( ak j es el contenido en la
posicin de memoria ( k, j) en ese momento).
ai j
aj j
Paso 6: Efectuar Ei mi jE j Ei .
(Hasta aqu llega la eliminacin Gaussiana)
Paso 7: Si an n = 0 , entonces, salida: "El sistema no tiene solucin nica". Terminar.
Paso 8: Tomar x n =
an, n + 1
an n
ai, n + 1
xi =
i k xk
k =i + 1
ai i
~
Paso 10: Salida: "Una solucin aproximada del sistema es X = ( x1, x 2,..., xn ) ".
Terminar.
Hay sistemas de ecuaciones lineales, como vimos en el captulo 1, que son sensibles a pequeos
cambios en los datos; de tales sistemas decimos que estn mal condicionados.
En la prctica, por lo general, cuando se requiere resolver un sistema AX = b , asociado con un
problema, los datos (coeficientes y trminos independientes) no se conocen de manera exacta,
debido por ejemplo a errores de medicin, es decir, se dispone realmente de un sistema
perturbado. Por otra parte, aunque los datos se conozcan de manera exacta, stos al ser entrados
al computador sern transformados (por el compilador) en nmeros de mquina, lo que sabemos
introduce errores de redondeo. En cualquier caso, interesa saber si tales errores pueden afectar
de manera significativa la solucin del problema. Una manera de estudiar estos comportamientos
es a travs del nmero de condicin de la matriz de coeficientes del sistema.
10.05 x + 10 y = 21
(3.3)
(3.4)
20
En el captulo 1, vimos que la solucin exacta del sistema (3.3) es X 1 =
y si cambiamos el
18
coeficiente 10.05 por 10.1 (un cambio relativo de aproximadamente .5%), la solucin exacta del
sistema perturbado
x +y= 2
10
.
1
x + 10 y = 21
(3.3')
10
~
es X 1 = , que muestra un cambio relativo del 50% en el valor de x y de aproximadamente el
8
56% en el valor de y.
10
.
Anlogamente, el sistema (3.4) tiene solucin exacta X 2 = y si cambiamos el trmino
0.0
independiente 4.1 por 4.11 (un cambio relativo aproximado de .2% en el trmino independiente), la
solucin exacta del sistema perturbado
(3.4')
.34
~
es X 2 =
, que muestra un cambio relativo aproximado de 66% en el valor de x.
.97
Se observa entonces que un cambio "pequeo" en uno de los datos (coeficientes y trminos
independientes) ha producido un cambio "grande" en la solucin, es decir, la solucin del sistema
perturbado es "muy diferente" de la solucin del sistema original.
Los anteriores son ejemplos de problemas mal condicionados.
Un problema se dice bien condicionado si "pequeos" cambios en los datos introducen,
correspondientemente, un cambio "pequeo" en la solucin. El buen o mal condicionamiento de un
problema es inherente al problema y no depende del algoritmo empleado para resolverlo.
El mal condicionamiento en el sistema (3.3) puede visualizarse grficamente, al graficar las dos
rectas: L1: x + y = 2 y L 2 : 10.05 x + 10 y = 21 . Como las pendientes de estas dos rectas son casi
iguales, es difcil ver exactamente dnde se cortan, esta dificultad visual, digamos que se mide
cuantitativamente en los resultados numricos obtenidos.
Observe que si A es la matriz de coeficientes del sistema (3.3), entonces det A = .05 y se puede
pensar que el mal condicionamiento est relacionado con el tamao del determinante de la matriz
de coeficientes, pero recuerde que si una ecuacin de un sistema se multiplica por un escalar, el
determinante de la matriz de coeficientes queda multiplicado por ese escalar mientras los dos
sistemas siguen teniendo exactamente las mismas soluciones, es decir, son equivalentes.
El objetivo siguiente es desarrollar una teora que permita estudiar el condicionamiento de un
sistema lineal AX = b .
Empezamos con la siguiente definicin:
~
Definicin 3.1 Si X es la solucin exacta de un sistema lineal AX = b , A invertible, b 0 , y X es
~
una solucin aproximada de dicho sistema, entonces llamamos vector error de X con respecto a
X al vector E definido por
~
E= X X
~
y vector error residual correspondiente a la solucin aproximada X , al vector R definido por
~
R = AX b
Observe que E usualmente no se conoce (pues X no se conoce), mientras que R siempre puede
conocerse.
~
~
Como R = AX b , entonces R mide hasta dnde la solucin aproximada X satisface el sistema
~
~
~
AX = b . Observe que X es tal que AX = R + b , es decir, X es solucin de una perturbacin del
sistema AX = b .
~
Ntese que R = 0 implica X = X , es decir, R = 0 implica E = 0 . Ser que
"pequea" implica
Rn R
. :
X X
X = 0 si y slo si X = 0
X =
iii) X + Y X + Y .
x1
Ejemplo 3.2 Las siguientes son algunas normas vectoriales en R . Si X = M R n , entonces
x
n
n
n 2 2
xi
=
i= 1
=
1
i =1
= Max
1in
xi
Estas normas en R n , inducen las siguientes nociones de distancia entre dos vectores X, Y R n :
1
1) d 2 ( X, Y) = X Y
2) d 1( X, Y) = X Y
=
1
3) d ( X, Y) = X Y
n
2
2
= ( xi y i ) (distancia asociada con la norma euclidiana).
i =1
x y
i
i= 1
= Max
1in
xi yi
R nn es una funcin:
. :
Rn n R
A 0,
ii)
A =
A = 0 si y slo si A = 0
A
iii)
A+B A + B
iv)
AB A
B .
Aunque hay diversas formas de construir normas matriciales, aqu solamente consideraremos las
normas matriciales que sern obtenidas a partir de las normas vectoriales dadas en el ejemplo 3.2
segn se indica en el siguiente teorema, teorema cuya demostracin puede ser consultada en
Kincaid 1972, pginas 163 y 164.
Teorema 3.1 Sea . cualquier norma vectorial en R n . Entonces la funcin . de R n n en R ,
definida por
A = Max
X 0
AX
X
, A R n n
(3.5)
(3.6)
Max
X 0
AX
= A
AX
X
= Max A
X 0
X
X
= Max
Z =1
2,
AZ
son:
1)
= Max
X
AX
=1
= Max
X
AX
=1
3)
= Max
X
AX
=1
= Max
1
1j n
ai j
i =1
= Max
1 i n
ai j
j =1
( A ) = Max
/ es valor propio de A
R , entonces
= + i = 2 + 2 .
El siguiente teorema, cuya demostracin puede ser consultada en Ortega 1990, pginas 21 y 22,
relaciona el radio espectral de una matriz A con A 2 .
Teorema 3.2 Si A R n n , entonces
i)
A TA = A
ii) ( A ) A
, y en consecuencia, si A es simtrica ( A ) = A
20
Para el sistema (3.3), X 1 =
es su solucin exacta y si consideramos como una solucin
18
10
~
aproximada a X 1 =
, que es la solucin exacta del sistema perturbado (3.3'), entonces el
8
~
vector error de X 1 con respecto a X 1 , es
10
~
E1 = X1 X 1 =
10
~
y el vector error residual correspondiente a la solucin aproximada X 1 , es
1 10 2 2 2 0
1
~
R1 = AX 1 b =
=
=
10.05 10 8 21 20.5 21 .5
Entonces
E1
= 10 + 10 = 20 ,
R1
= 0 + .5 = .5
( 10) 2 + 10 2 14.14,
E1
E1
= Max
10 , 10
R1
} = 10,
R1
( .5 )2
= .5
= Max
0 , .5
}=
.5
.34
~
aproximada a X 2 = , que es la solucin exacta del sistema perturbado (3.4'), entonces el
.97
~
vector error de X 2 con respecto a X 2 , es
. .66
.34 10
E2 = =
.97 0 .97
~
y el vector error residual correspondiente a la solucin aproximada X 2 , es
Como
E2
= 163
. ,
R2
= .01;
E2
117
. ,
R2
= .01;
E2
= .97,
R2
= .01
1
A
E
X
A 1
(3.7)
~
~
~
Demostracin: Como R = AX b = AX AX = A X X = AE , y A es invertible, entonces
E = A 1R, b = AX,
E , es decir,
E ,y
E A 1
de donde
R
E A 1
(3.8)
X , es decir,
X ,y
X A 1
de donde
b
A
X A 1
o equivalentemente
1
A 1
A
1
X
b
(3.9)
Combinando (3.8) y (3.9), obtenemos las siguientes cotas para el error relativo,
del error residual relativo,
R
b
E
X
, en trminos
R
b
1
A
E
X
A 1
R
b
(3.10)
si
R
b
R
b
; por lo tanto si
A 1 1 , entonces
A 1
b
E
X
y
,y
~
solucin aproximada, X , buena de una mala observando el error residual relativo
El nmero Cond ( A) = A
R
b
matriz no-singular A, relativo a la norma matricial usada. Aunque el valor de Cond( A ) depende de
la norma matricial usada; sin embargo Cond ( A ) 1 , cualquiera sea la norma matricial inducida,
pues
In = AA 1,
A 1
In A
In = Max In
X 0
X
X
= Max
X 0
X
=1
X
De acuerdo con la relacin (3.7), dada en el teorema 3.3, vemos que si Cond ( A ) 1 , entonces el
error relativo,
E
X
R
b
podremos distinguir una solucin aproximada "buena" de una "mala" observando el error residual
relativo; pero entre ms grande sea Cond( A ) , menor es la informacin que se puede obtener del
error relativo, a partir del error residual relativo.
De lo anterior se espera que A tenga un buen comportamiento, en el sentido de que un error
residual relativo pequeo implique, correspondientemente, una buena solucin aproximada de
AX = b , si Cond ( A) 1 , caso en el cual diremos que A est bien condicionada (el sistema
AX = b
Si
comportamiento, en el sentido que un error residual relativo pequeo puede corresponder a una
solucin aproximada mala, y diremos que A est mal condicionada (el sistema AX = b est mal
condicionado).
A pesar de las definiciones anteriores, no debemos olvidar que lo que realmente nos interesa es
~
poder determinar cuando una solucin aproximada X de un sistema AX = b es "buena", y tratar de
distinguir si el sistema AX = b est bien o mal condicionado.
Para la matriz
1
1
A=
10
.
05
10
1
1 10
.05 10.05 1
= Max
A 1
1 + 1 , 10.05 + 10
1
1 10
.05 10.05 1
1
1105
. = 221
.05
luego
Cond ( A ) = A
A 1
pequeo, puede
condicionada.
10
~
Veamos qu puede decirse, en este caso, de la calidad de la solucin aproximada X 1 = 8
del
sistema
x +y= 2
10.05 x + 10 y = 21
.5
21
Cond ( A ) = 443105
.
21 443105
.
X1
esto es,
5.37...10
~
X1 X 1
X1
443105
.
.5
21
105.5...
.5
, el nmero de condicin es tan
21
grande (4431.05) que hace que la solucin calculada pueda tener un error relativo de hasta
~
105.5..., as que nada puede decirse de la cercana entre X 1 y X 1.
Instrucciones en DERIVE:
NORMA_INF(A): Simplifica en la norma del mximo de la matriz A, A
Existe otro nmero asociado con una matriz, al cual se le denomina tambin nmero de condicin.
A continuacin nos referiremos a tal nmero:
Del teorema 3.2 se sabe que ( A ) A
Cond ( A) = A
( )
A 1 ( A ) A 1
pero como los valores propios de A 1 son los recprocos de los valores propios de A, se tiene que
Cond ( A)
Max
( A )
( A) = { C / es valor propio de A } :
con
( )
A 1 = Max
( )
A 1
El nmero Cond ( A) =
Cond ( A )
Min
( A )
espectro
de
A.
(Recuerde
que
1
)
Min
( A )
Max
( A )
Min
( A )
10.05 10
= 2 11 .05
1100454358
.
4.5435778 10 3
2421999592
.
>> 1
b
b
~
y Cond( A ) , donde X es la solucin exacta de AX = b y X es la solucin exacta del
sistema perturbado ( A + A )X = b + b .
> 0 ).
A <
1
A 1
~
Si X es la solucin exacta del sistema
A
~
perturbado ( A + A) X = b + b , entonces X aproxima a la solucin exacta X del sistema AX = b ,
b 0 , con la siguiente estimacin de error
~
XX
X
Cond ( A)
A
A
1 Cond ( A)
b
b
A
A
(3.11)
La desigualdad (3.11) dice que si la matriz A est bien condicionada, es decir, si Cond ( A) 1 ,
entonces cambios "pequeos" en A y b producen, correspondientemente, cambios "pequeos" en
la solucin del sistema (el sistema AX = b est bien condicionado). Por otro lado, si A est mal
condicionada, entonces cambios "pequeos" en A y b pueden producir "grandes" cambios en la
solucin del sistema (el sistema AX = b est mal condicionado).
Ejercicio 3.1 Estime la cota de error dada en el teorema 3.4 para los sistemas (3.4) y (3.4') del
ejemplo 3.1.
Ejercicio 3.2 a) Calcule Cond ( A) usando .
2
1
,
1.0001 2
4.56 2.18
.
2.79 138
. x2 = 5.5
3.9x1 + 16
i)
6
.
8
x
+
2
.9 x2 = 9.7
1
A
M
b
=
(
) 5.31 6.10 : 47.0
0 10400 : 10500
Instruccin en DERIVE:
PIVOT(A, i, ,j): Usa operaciones elemetales de fila para Simplificar (o aproXimar) en una matriz,
obtenida de la matriz A, que tiene ceros en la columna j y por debajo de la fila i.
~
Qu puede decir de la calidad de la solucin aproximada X
?
~
XX
Para intentar responder esta pregunta encontremos las cotas para el error relativo
A 1 =
A 1
entonces Cond ( A ) = A
1 6.10 58.9
1
1
65.0 = .208
Max { 65.0, 5.34 } =
313
313
1
En este ejemplo
. 47.0
5.31 6.10 101
14444442444444
3
~
AX b =
=
59.261 47.0 106.261
~
(Para evitar la prdida de cifras significativas, se debe calcular el vector error residual, R = AX b ,
en doble precisin).
106
Entonces R
= 106 y
~
XX
R
1
106 1
106
=
=.145...
22.02... = 12.3
= Cond ( A )
b Cond ( A ) 59.2 12.3
X
b
59.2
~
X X
R
y
pero como Cond ( A) 1 , entonces se espera que
sean ms o menos del
b
X
~
XX
R
Teorema 3.5 Si A = a i j
filas, es decir, si
ai i >
ai j
para cada i = 12
, ,..., n
j= 1
j i
( )n n es E.D.D. por
filas, entonces A tiene factorizacin LU , es decir, A = LU , con L triangular inferior con unos en su
diagonal principal y U triangular superior (escalonada).
Observe que la matriz de coeficientes del ejemplo 3.3 anterior, no es E.D.D. por filas.
El teorema 3.5 tambin es vlido para matrices reales, simtricas y definidas positivas (vase
Burden, 1985, pgina 368). Una matriz A R n n , simtrica, se dice definida positiva si satisface
una cualquiera de las siguientes condiciones (las cuales son equivalentes):
i) X T AX > 0 para todo X R n ,
X 0.
a11 L a1k
Ak = M
M
M , k = 12
, ,...,n )
a
k1 L akk
El ejemplo 3.3 anterior, muestra una de las dificultades que pueden surgir al aplicar el mtodo de
j1
eliminacin Gaussiana cuando el pivote a(j j ) es "pequeo" comparado con algunos elementos
j1
a(i t ) para j i, t n .
Para tratar de evitar tales dificultades, se introduce en el mtodo de eliminacin Gaussiana una
estrategia llamada de pivoteo, la cual consiste en seleccionar el pivote de acuerdo con un cierto
criterio. Nosotros usaremos dos estrategias: la estrategia de pivoteo mximo por columna o
pivoteo parcial y la estrategia de pivoteo escalado de fila o escalamiento.
3.4.1 Pivoteo mximo por columna o pivoteo parcial: Esta estrategia difiere de eliminacin
j1
Gaussiana simple, nicamente en la escogencia del pivote a( ) , la cual se hace ahora, as:
jj
Para j = 12
, ,..., n 1 , se determina el menor entero k, j k n , tal que
j 1
ak( j ) 0
j 1
j 1
ak( j ) = Max a (i j )
j i n
es decir, seleccionamos el primer elemento diferente de cero sobre la columna j-sima a partir de
( j1)
( 0)
la j-sima fila y que tenga mayor valor absoluto (para j = 1 , ak j = ak 1 ak 1 ).
Si tal k no existe, el sistema no tiene solucin nica y el proceso se puede terminar.
Si tal k existe y k j , entonces hacemos intercambio de las ecuaciones j-sima y k-sima:
j 1
j 1
E(j ) Ek( )
que es el mismo del ejemplo 3.3, usando aritmtica con redondeo a tres dgitos.
Como para j = 1, se tiene que
Max
a11 ,
a 21
a 21 0
( A M b) = 5.31
: 59.2
5.31 6.10 : 47.0
P12
6.10 : 47.0
.03 58.9 : 59.2
58.9
(
) 5.31 6.10 : 47.0
0
58.9 : 58.9
.03
3
E 21
, m 21 = 5 .65 10
5 .31
x
~ ~
Observe que en este caso X = ~1 es la solucin exacta del sistema dado.
x2
Instruccin en DERIVE:
SWAP(A, i, j): Intercambia las filas (o elementos) i y j de la matriz A (de un vector ).
Nota: En el procedimiento de pivoteo mximo por columna (pivoteo parcial) cada multiplicador mi j
es tal que
mi j =
j 1
a (i j )
j 1
a (j j )
el cual es un sistema equivalente al del ejemplo 3.3 (los coeficientes de la primera ecuacin en el
sistema del ejemplo 3.3, han sido multiplicados por 10 3 ). El pivoteo mximo por columna con
aritmtica de redondeo a tres dgitos, nos lleva a los siguientes resultados:
5.31
3.4.2 Pivoteo escalado de fila: Esta tcnica slo difiere de la eliminacin Gaussiana simple, al
igual que el pivoteo parcial, en la escogencia del pivote.
Esta vez el pivote a( j1) se escoge como se indica a continuacin:
jj
Si = Max
jln
( j1)
ai l
: Factor de escala
Si
j 1
a(k j ) 0 y
= Max
jin
Sk
j 1
ai( j )
Si
Si tal k no existe, entonces el sistema no tiene solucin nica y el proceso se puede terminar.
Si tal k existe y k j , entonces hacemos intercambio de las ecuaciones j-sima y k-sima:
j 1
j 1
E( ) E( )
j
a) S1 = Max
S2 = Max
a11 , a12
a21 , a 22
b) Ahora,
a11
S1
a21
S2
30.0
,y
58900
5.31
6.10
a11
a21
a 21
30.0 5.31 5.31
c) Max
,
,
=
0 , as que k = 2 1 = j y por tanto
= Max
=
S 2
S2
S1
58900 6.0 6.0
intercambiamos las ecuaciones E1 y E 2 y continuamos con la eliminacin Gaussiana:
:
6
.
10
47
.
0
( A M b) = 5.31
E 21
, ( m 21 = 5 .65 )
5.31 6.10 : 47.0
5 .31
0
58900 : 58900
30 .0
~
x2 = 100
. ,
~
~ x1 10.0 es la solucin exacta del sistema.
Observe que en este caso X
= ~ =
.
x2 100
3 x1 3 x2 x 3 = 4
x +x
= 3
2
1
, ,3 y
el cual inicializamos con pi = i, i = 12
Max{ 13
, ,1} = 3 , p = ( 2,1,3 )
p = (12
, ,3) , ( AMb) = 3 3 1 : 4 1 2 3 : 2
1
1 1
1
0 :
3
0 :
3
3 3 1 : 4
1
10
10
1
:
3
3
3
1
13
1 2
:
3
3
3
1
1
m21 = , m31 =
3
3
1
1
E 21 , E 31
3
3
3 3 1 : 4
1
T
1
13
, } = 2, p = ( 2,3 ,1)
Max { 12
2
:
3
3
3
10
10
1
1
:
3
3
3
(Observe que la permutacin se hace para las filas 2 y 3 completas, es decir, incluyendo los
multiplicadores)
3
1
3
1
1
m 32 =
2
1
E 32
2
3
2
1
2
1 :
1
3
7
:
:
13
3
11
La eficiencia en el mtodo indicado se debe a que en la misma matriz de trabajo se almacenan los
multiplicadores que van a conformar la matriz L (en el ejemplo son los nmeros que se encuentran
dentro de parntesis), lo que significa un ahorro de memoria, y como los intercambios necesarios
afectan simultneamente a las matrices L y U, se evita tener que volver a la matriz original a
realizar los intercambios ya observados y repetir la eliminacin Gaussiana con pivoteo parcial. De
esta manera, al terminar el proceso de eliminacin podemos leer en la matriz final la parte
estrictamente triangular inferior de L (son los nmeros entre parntesis) y la matriz triangular
superior U (que es la parte triangular superior de la matriz final), y en el vector p final quedan
almacenados los intercambios realizados que se usan para producir la matriz de permutacin P.
Para el ejemplo 3.5,
1 0 0
3 3 1
0 1 0
1
3
1 0 0
7
1 1
0 0
1
3 2
2
(Verifique que PA = LU ) .
Para obtener la solucin del sistema original, usamos sustitucin regresiva en el sistema reducido
4
13
UX =
3
11
2
12
4 4
3
c
y obtenemos
11
40
23
x3 = , x2 =
y x1 =
7
21
21
23 40 11
as que la solucin (exacta) del sistema dado es X = , , .
21 21 7
( j)
AX = e ,
j = 12
, ,...,n
T
donde e( j ) = ( 0,...,0,1,0,...,0 ) R n .
posicin j
de la matriz A 1 .
Como ejercicio, compare el nmero de operaciones para encontrar A 1 usando el mtodo de
Gauss-Jordan, con el nmero de operaciones resolviendo los n-sistemas indicados antes.
Ejercicio 3.3 Calcule la inversa de la matriz A de coeficientes del sistema del ejemplo 3.5, usando
el mtodo de Gauss-Jordan y tambin usando la factorizacin PA = LU .
a 2 x1 + d2 x 2 + c 2 x3
a 3 x2 + d3 x 3 + c 3 x 4
= b1
= b2
= b3
M
an 1xn 2 + dn 1xn 1 + c n 1xn = bn 1
an xn 1 + dn xn
= bn
a2
0
A=
M
c1
d2
0
c2
0
0
a3
d3
c3
an 1 dn 1
L
an
cn 1
dn
la cual se dice una matriz TRIDIAGONAL (caso especial de las llamadas matrices banda).
( )n n
A = ai j
se dice TRIDIAGONAL si
ai j = 0
para
i j >1,
i,j = 1,2,...,n.
Suponiendo que la matriz A de coeficientes del sistema tridiagonal es E.D.D. por filas, podemos
usar eliminacin Gaussiana simple para resolver el sistema (recuerde que la eliminacin
Gaussiana simple es adecuada para resolver sistemas con matriz de coeficientes E.D.D. por filas).
Otra forma de resolver un sistema tridiagonal con matriz de coeficientes A E.D.D. por filas es a
partir de la factorizacin directa A = LU (encontrando directamente las componentes de las
matrices L y U, es decir, sin usar eliminacin Gaussiana), donde L es triangular inferior con todos
sus elementos diagonales iguales a uno y U es triangular superior. Para encontrar tales matrices L
y U, partimos de que ellas deben ser de la forma
1
2
0
L=
M
0
Como
0
1
0
0
L
L
0
0
0
L
O
n 1 1
0
0
1 c1
0 2
0
0
U=
M
0 L
0
c2
3
0
0
L
L
c3 L
O
0 n 1
0
0
0
c n 1
c1
1
c
2 1 + 2
2 1
0
3 2
LU =
M
d1
a2
c1
d2
a3
c2
d3
c3
0
c2
0
0
3c 2 + 3
c3
n 1 n 2
n 1c n 2 + n 1
n n 1
an 1 dn 1
an
c n 1
n c n 1 + n
0
0
=A
c n 1
dn
para i = 2,3,...,n
i = di i ci1
i =
ai
i1
ai
i1
i = di ic i1
.35 x1 + .8 x2 + .4 x 3
.25x 2 + x 3 + .5 x 4
x 3 2x 4
.35
.77
.5
= 2.25
Es claro que el sistema es tridiagonal E.D.D. por filas (ya que .5 > .25, .8 >.75 , 1 >.75, 2 > 1 ) .
A partir del sistema dado se tiene que
d1 = .5, d2 = .8, d3 = 1.0, d4 = 2.0
c1 = .25, c 2 = .4, c 3 = .5
a2 = .35, a 3 = .25, a 4 = 10
.
L = 2
0
0
1
0
0
0
,
0
1 .25 0
0 2 .4
U =
0
0 3
0
0
0
0
.5
.
10
.
= 119
.84
. )(.5 ) = 2.60
4 = 2.0 (119
4 =
Luego
0 0
1 0
.7 1
0 0
L=
0 .4 1 0
0 0 119
.
1
0
0
.5 .25
0 .625 .4
0
U=
0
0
.84
.5
0
0
0 2.60
0
1 0
.
7
1
0
Lc = b
0 .4 1
.
0 0 119
0 c1 .35
0 c 2 .77
=
0 c 3 .5
1 c 4 2.25
0 .625 .4
0 x2 .525
UX = c
=
0
0
.84
.5 x 3 .71
0
0
0 2.60 x 4 1.41
l
l
21 22 0 0 0 l22 l32 l42 = a21 a 22 a32 a 42
l31 l32 l33 0 0 0 l33 l43 a31 a 32 a33 a 43
Como l11l11 = a11 , entonces escogemos l11 = a11 , lo que requiere que a11 > 0 .
a 21
, l11 0 .
l11
l221 + l222 = a22 , escogemos l22 = a 22 l221 . Observe que a22 debe ser mayor o igual que cero.
a 31
.
l11
a32 l31l21
, l22 0 , as que a22 > l221 0 , esto es a22 > 0 .
l22
, a33 0 .
ai 1
.
l11
ai 2 li 1l21
.
l22
li 3 =
ai j
i klj k
k =1
li j =
lj j
, j = 2,...,i 1
l i i = ai i
i 1
2
ik
k= 1
( )n n
real,
ai 1
(primera columna de L).
l11
li j =
Paso 6: Tome li i = ai i
i 1
k =1
li2k
ai j
j 1
l
k= 1
lj j
i kl j k
A = 1
0
2 1
1 2
Es claro que la matriz A es simtrica, ya que A T = A . Para ver si la matriz A es definida positiva,
realicemos eliminacin Gaussiana sobre la matriz A:
A = 1
1 0 E 1 2
21
2 1 2 0
1 2
0
1
3
2
1
2
0
2
E32 3
1 0
1
3
2
0
0
1
3 4
, , resultaron
2 3
positivos, la matriz dada es definida positiva y por lo tanto tiene factorizacin de Choleski.
l11 0
l21 l22
l
31 l32
0 0 l22 l32 = 1
l33 0 0 l33 0
1 0
2 1
2
1
1
1
2
=
=
.
l11
2
2
1
=
2
3
=
2
3
2
6
.
2
1 l31l21 1 ( 0)( 1)
2
2 6
6
=
=
=
=
.
l22
6
3
6
6
2
6
2
= 2 =
9
3
4
2
2 3
=
=
3
3
3
As que
L =
2
2
2
0
0
6
2
6
2 3
3
1
A=
1
1
3
1
1
1 1
2 0
0 2
1
{ }
( k)
Se construye entonces la sucesin de vectores X
y se espera que
{X ( ) }
k
k = 1,2,...
( X = BX + c ) ,
{X ( ) }
k
de
k
dada, si
k N , entonces
k
X X ( ) = 0 significa que, dado > 0 , existe N N = {0,1,2,...} tal que si
k
X X( ) < .
{ }
( k)
Puede probarse que si una sucesin X
de vectores de R n
k
{ }
Digamos que
{X ( ) }
k
{ }
k
X( )
dada.
converge al vector X .
, entonces
k
lim X X ( )
T
= 0 , y si X = ( x1,... xi ,..., xn ) T y X ( k) = x1( k) ,... xi( k ) ,..., xn( k ) , esto ltimo significa
k
( )
que: dado > 0 , existe N N tal que si k N , entonces xi xi < para todo i = 1,2,...,n (ya
(k)
que X X
= Max
1in
k
xi x(i ) ) .
ai j
b
xj + i ,
ai i
ii
j =1
n
xi =
i = 12
, ,..., n
j i
( )n n con
Si B = bi j
ai j
, i j
ai i
bi j =
i,j = 1,2,...,n
0, i = j
bi
, i = 1,2,...,n , entonces el sistema AX = b dado es equivalente al
ai i
(k)
sistema X = BX + c . As que la sucesin X
de vectores, correspondiente a este mtodo, se
y c = ( c1, c 2 ,..., c n )
con ci =
donde,
conocido
X(
k 1)
T
( k 1)
( k 1)
k 1
= x1 ,..., xi
,..., x(n ) ,
se
calcula
la
aproximacin
siguiente
T
k
k
k
k
X ( ) = x1( ) ,..., xi( ) ,..., x n( ) , mediante la frmula
bi
k
x (i ) =
( k 1)
i jx j
j =1
j i
, i = 1,2,...,n
ai i
(3.12)
y un nmero
k
( k)
(k )
R( ) < , siendo R = AX b ,
ii)
k
k1
X( ) X ( ) < ,
k
k 1
X( ) X( )
iii)
k
X( )
<
~
Algoritmo 3.4 (Mtodo de Jacobi) Para encontrar una solucin aproximada X de un sistema
AX = b , con A = ai j
R n n invertible, b 0 , y ai i 0 , i = 1,2,...,n .
n n
( )
Entrada: El orden n del sistema; las componentes (no nulas) ai j, i, j = 1,2,...,n de la matriz A; las
componentes bi , i = 1,...,n del vector de trminos independientes; las componentes
0
x0 i , i = 1,2,...,n de una aproximacin inicial X 0 = X ( ) ; una tolerancia Tol y un nmero
mximo de iteraciones N.
~
T
Salida: Una solucin aproximada X = ( x1, x2 ,...,xn ) o un mensaje.
Paso 1: Tomar k = 1 .
Paso 2: Mientras que k N , seguir los pasos 3-6:
Paso 3: Para i = 1,..., n , tomar
n
bi
xi =
Paso
4:
Si
X X 0 < Tol , entonces:
~
T
X = ( x1,x 2 ,...,xn ) ". Terminar.
i j x0 j
j =1
j i
ai i
salida:
"Una
solucin
aproximada
es
Paso 5: Tomar k = k + 1 .
Paso 6: Para i = 1,...,n , tomar x0 i = xi .
Paso 7: Salida: "Se alcanz el nmero mximo de iteraciones N pero no la tolerancia".
Terminar.
ANALISIS DE CONVERGENCIA
Para entrar en el anlisis de la convergencia del mtodo de Jacobi, empezamos
descomponiendo la matriz A en la forma
A =DLU
donde D es la matriz diagonal cuya diagonal es la diagonal principal de A (es dec ir,
D = diag(a11,a22 ,...,ann ) ) , L es la matriz triangular inferior obtenida de la parte triangular
estrictamente inferior de A, y U es la matriz triangular superior obtenida de la parte triangular
estrictamente superior de A. Entonces
AX = b (D L U) X = b
DX (L + U) X = b
DX = (L + U)X + b
X = D 1 (L + U) X + D 1b
que se usa para efectos tericos, mientras que la frmula (3.12) se usa para los clculos
numricos.
La matriz BJ = D 1 (L + U) se llama matriz de iteracin del mtodo de Jacobi.
Veamos un caso en el cual la sucesin
{ X( ) } ,
k
k
k 1
X ( ) = BX ( ) + c , converge.
Teorema 3.6 Si
k
k 1
X ( ) = BX ( ) + c ,
{ X( ) } ,
k
k = 1,2,...
0
converge a la nica solucin X del sistema X = BX + c , cualquiera sea la aproximacin inicial X ( ) ,
y se tienen las siguientes cotas para el error de truncamiento X X ( k ) :
i)
k
X X( ) B
ii)
X X(k)
iii)
k
X X( )
0
X X( ) , k 1
1 B
B
1 B
X ( 1) X ( 0 )
, k 1
k
k 1
X( ) X( ) , k 1
Demostracin: Para demostrar que el sistema X = BX + c tiene slo una solucin, basta probar
que el sistema homogneo X = BX , es decir, (I B)X = 0 , tiene solucin nica X = 0 , ya que si
(I B)X = 0
nica, y como
(I B)X = c
solucin nica.
Veamos entonces que el sistema X = BX tiene solucin nica X = 0 :
Si X es solucin de X = BX , entonces
0 X = BX B
X < X , lo cual es un
absurdo. Luego X = 0 .
Si
(k )
B = 0 , entonces B = 0 y se tendra X = c
para todo k = 12
, ,... , y
{X ( ) }
k
converge a c,
k
k
k 1
X X( ) = B X X( ) ,
k = 1,2,...
Como
decir,
X X(
k 1)
X X(
k 2 )
... B
0
X X( )
(3.13)
k
X X ( ) 0 cuando k , es
{ X( ) }
converge a X .
k
De (3.13), obtenemos
i)
k
X X( )
0
X X( )
De otro lado,
0
1
1
0
1
1
0
X X ( ) = X X ( ) + X ( ) X( ) X X ( ) + X ( ) X ( )
0
1
0
X X( ) + X( ) X( )
(1
0
1
0
X X( ) X( ) X( )
1 B
usando i )
1
0
X( ) X( )
0
X X( )
, obtenemos
B
1 B
de donde se obtiene
ii)
k
X X( )
1 B
1
0
X( ) X( )
1
0
X( ) X( )
(3.14)
Finalmente,
X X(
k 1)
k
k
k 1
k
k
k 1
= X X ( ) + X ( ) X ( ) X X ( ) + X( ) X ( )
X X(
as que
(1
X X(
k 1)
k 1)
k
k 1
+ X ( ) X( )
k
k 1
X( ) X( )
k 1)
k
k 1
X( ) X( )
1
1 B
(3.15)
X X(
k 1)
k
k 1
X( ) X( )
1 B
lo que implica
iii)
k
X X( )
B
1 B
k
k 1
X( ) X( )
k
X X( )
1 B
1
0
X ( ) X ( ) , en el teorema 3.6 anterior, vlida
k
X X( )
( k)
permiten analizar la calidad de una solucin aproximada X .
BJ
< 1 si la matriz A = ai j
filas:
( )n n ,
ai j
, i j
ai i
bi j =
0 , i= j
i, j = 1,2,...,n
AX = b , es E.D.D. por
ai i >
ai j
j =1
j i
luego
n
j =1
j i
ai j
ai i
j=1
ji
ai j
< 1 , i = 12
, ,..., n
ai i
de donde
n
Max
1in
j =1
j i
ai j
ai i
<1
Pero
n
BJ
as que
BJ
= Max
1in
j =1
bi j = Max
1 i n
ai j
a
j=1
j i
(pues b i i = 0 )
ii
< 1.
Se dispone, adems, del siguiente resultado cuya demostracin puede consultarse en Burden,
1985, pginas 469 y 470:
0
Teorema 3.8 Para cualquier X ( ) R n , la sucesin
{ X( ) }
k
k
k 1
X ( ) = BX ( ) + c, k = 12
, ,..., c 0 , converge a la nica solucin X del sistema X = BX + c si y
Como una aplicacin particular del teorema 3.8 se tiene que: El mtodo iterativo de Jacobi
converge a la nica solucin X del sistema X = BJ X + c si y slo si (B J ) < 1 .
Ejemplo 3.8 Use el mtodo iterativo de Jacobi para resolver el sistema
2x1 x 2 + x3 = 1
x1 + x2 + 3 x3 = 0
3x + 3x + 5x = 4
1
2
3
Lo primero que observamos es que el mtodo de Jacobi es aplicable a este sistema, ya que la
matriz de coeficientes del sistema dado tiene todas sus componentes diagonales no nulas.
Veamos si el mtodo de Jacobi converge o n, en este caso.
Empecemos observando que la matriz A de coeficientes del sistema no es E.D.D. por filas (ya que
2 1 + 1 ), as que para el estudio de la convergencia del mtodo de Jacobi debemos
encontrar la matriz de iteracin B J .
Una forma de obtener BJ es despejando x1, x2 y x3 de la primera, segunda y tercera ecuacin
del sistema, respectivamente, y escribiendo el sistema resultante en forma matricial, lo que nos da
x1
1
1
0
2
2
0 3
x2 = 1
3
3
0
5 5
x 3 144
{
42444
3
BJ
X
Como
BJ
= 4 > 1 ( BJ
x1 1
2
x2 + 0
4
5
x3 123
{
c
X
7
> 1) no podemos concluir sobre la convergencia del mtodo de
2
1 ),
la matriz de iteracin B J .
Como
det (B J I) =
1
3
1
2
1
2
8
3
3 = 3 + +
5
5
8
3
+ = 0 , cuyas races son
5
5
1 = 1, 2 1.42195 y 3 .421954
y como
(B J ) Max
1 , 142195
.
, .421954
.
>1
} = 142195
2x1 x 2 + x 3 = 1
3 x1 + 3 x2 + 5 x 3 = 4
x + x + 3x = 0
2
3
1
Observe que la matriz de coeficientes de este sistema reordenado tampoco es E.D.D. por filas.
Las frmulas escalares de iteracin para el mtodo de Jacobi son ahora
k 1
k 1
1 + x(2 ) x(3 )
,
2
( k 1)
( k 1)
5 x3
4 3 x1
k
x (2 ) =
,
3
k 1
k 1
x(1 ) x(2 )
k)
(
=
x3
,
3
x1( ) =
k
k = 12
, ,...
0
2
2
2
4
5
k 1
x(2k ) = 1
0 x(2 ) +
,
3
3
1
1
0 ( k 1)
( k ) 3 3
x
0
x 3 14442444
12
3
3
3
123
1
424
3
BJ
c
k
k
1
X( )
X( )
k = 12
, ,...
8
13
> 1 ( BJ 1 =
> 1 ), entonces nada se puede afirmar sobre la convergencia del
3
6
mtodo de Jacobi (a partir de las normas B J , B J 1 ), por tanto debemos encontrar (B J ) . La
Como
BJ
ecuacin caracterstica de B J es
3 +
2
1
+ =0
9
9
y como
(B J ) Max
}=
.631096 < 1
entonces, segn el teorema 3.8, el mtodo iterativo de Jacobi converge a la nica solucin X del
sistema reordenado, cualquiera sea la aproximacin inicial X ( 0 ) .
0
Iterando con el mtodo de Jacobi, tomando como aproximacin inicial X ( ) = (0,0,0) , y usando
T
X ( k) X ( k 1)
1
T
2
T
.
X ( ) = ( .5, 1.3333, 0 ) , X ( ) = (.16667, 18333
, .27778 ) ,...,
15
T
16
T
.
X ( ) = (.99798, 19990
, .99842) , X ( ) = (.99873, 1.9994, .99901)
16
15
X( ) X( )
Como
k
k 1
X( ) X( )
y k = 16
Instruccin en DERIVE:
JACOBI(A, b, X ( 0 ) , N): aproXima las primeras N iteraciones en el mtodo de Jacobi aplicado al
Para el ejemplo, aproXime la expresin
sistema AX = b , con aproximacin inicial X ( 0 ) .
16
Cul es la calidad de la solucin aproximada obtenida X ( ) ?
16
X ( ) X , dadas en el
BJ
BJ
teorema 3.3:
16
R( )
Cond ( A )
16
X( ) X
Cond ( A)
16
16
En esta desigualdad R( ) = AX ( ) b , con
A = 3
3
1 1
3 5 y
3 9
1
b = 4
0
16
R( )
, dadas en el
. ...10 5
5 10 6 < 16
16
X( ) X
Extendiendo de manera natural, los conceptos de cifras significativas y cifras decimales exactas
para vectores, dados en el captulo 1 para escalares, podemos concluir, a partir de la ltima
T
16
desigualdad, que X ( ) = .99873, 19994
.
, .99901 aproxima a la solucin exacta X del sistema
dado con una precisin de por lo menos dos cifras significativas (y no ms de cinco). Se puede
verificar que la solucin exacta del sistema dado es X = (1, 2, 1) .
T
3x2
x3 + 8 x 4 = 11
10
x
x
+
2x 3
= 6
1
2
x1 + 11x 2
x 3 + 3 x 4 = 25
Observe que el mtodo de Jacobi es aplicable a este sistema, pero nuevamente como en el
ejemplo anterior, la matriz de coeficientes del sistema dado no es E.D.D. por filas, as que para
estudiar la convergencia del mtodo de Jacobi debemos encontrar la matriz de iteracin BJ .
Se ve fcilmente que la matriz de iteracin del mtodo de Jacobi es, en este caso, la siguiente
matriz
1
5
0
0
2
1
8
0
0
3
3
BJ =
1
0
0
5
2
1 11 1
0
3
3 3
11
BJ =
> 1 ( B J 1 > 1), entonces todava no podemos concluir acerca de la
Como
2
convergencia del mtodo de Jacobi ( apartir de las normas B J , BJ 1 ) . Encontremos
entonces el radio espectral de la matriz de iteracin BJ .
Se puede ver que la ecuacin caracterstica de la matriz BJ es
4
629 2 31
+
+ 240 = 0
18
18
por tanto
(B J ) 5.10674 > 1
x3 + 3 x 4
x1 + 11x 2
2x1 x 2 + 10 x 3
3x2
x 3 + 8 x4
= 25
= 11
= 11
10
10
( k 1) 10
( k) 1
1
3
25
x2
0
x2
11
11
= 11
+ 11
1
( k) 2
11
k
1
(
)
0
0 x
x 3 10
10
3
10
11
3
1
0 k 1
( k) 0
8
( )
x 14444
84244444
8
3 x 4 123
4
123
1
4
2
4
3
BJ
c
X( k 1)
X( k )
Observe que
BJ
4 1
= < 1 ( BJ
8 2
23
< 1) .
40
Los resultados obtenidos en las iteraciones aplicando el mtodo de Jacobi, empezando con
T
k
k 1
X ( 0 ) = ( 0,0,0,0 ) y usando como criterio de aproximacin X ( ) X ( )
< .001 , son
1
X ( ) = (.60000, 2.2727, 11000
.
, 13750
.
)T
2
T
X ( ) = (1.0473, 2.6023, .99273, 2.3648)
M
8
T
X ( ) = (11040
.
, 2.9958, 1.0210, 2.6262)
~
9
T
X ( ) = (11038
.
, 2.9965, 1.0212, 2.6261) = X X
Slo fueron necesarias k = 9 iteraciones para alcanzar la tolerancia dada. Con cuntas cifras
decimales exactas aproxima X ( 9 ) a X ? (ejercicio)
i 1
( k 1)
( k 1)
aproximaciones de las componentes x1, x2 ,..., xi 1 de la solucin exacta que x1 ,..., xi 1
(k )
(asumiendo convergencia), parece ms recomendable calcular xi
usando los valores
k)
k)
k)
(
(
(
x1 , x2 ,..., x i1 calculados recientemente. Esta tcnica se conoce como mtodo iterativo de
Gauss-Seidel o de desplazamientos sucesivos.
T
0
0
( 0) ( 0)
( 0)
Se inicia el proceso iterativo con una aproximacin inicial X ( ) = x1 , x2 ,..., xi ,..., x(n ) . A partir
T
1
1
( 1) (1)
( 1)
de este vector se obtiene la primera aproximacin X ( ) = x1 ,x 2 ,..., xi ,...,xn( ) , mediante las
x1( ) =
b1
0
a1jx (j )
j= 2
x (2 ) =
( 0)
2 j xj
j= 3
a11
1
b2 a 21 x1( )
a 22
1
xi( ) =
bi
i 1
( 1)
i jx j
j =1
( 0)
i j xj
j =i +1
ai i
y
x (n ) =
bn
n 1
( 1)
n j xj
j =1
an n
k 1)
T
( k 1)
( k 1)
k 1
= x1 ,..., xi ,..., x n( ) , se obtiene la aproximacin siguiente
T
k
(k)
(k)
k
X ( ) = x1 ,..., xi ,..., xn( ) , usando las frmulas
x1( ) =
k
para i = 2,3,..., n 1 ,
b1
( k 1)
1j x j
j= 2
a11
k
x i( ) =
bi
i 1
k
ai j x(j )
( k 1)
i j xj
j= 1
j = i +1
(3.16)
ai i
y
bn
x (n ) =
n 1
(k)
n j xj
j= 1
an n
~
Algoritmo 3.5 (Mtodo de Gauss-Seidel) Para encontrar una solucin aproximada X de un
sistema AX = b , A = ai j n n R n n invertible, b 0 y ai i 0 para todo i = 1,2,...,n .
( )
Entrada: El orden n del sistema; las componentes no nulas ai j , i,j = 1,2,...,n de la matriz A; las
componentes b i , i = 1,2,...,n del vector de trminos independientes; las componentes
0
x0 i , i = 1,2,...,n de una aproximacin inicial X 0 = X ( ) ; una tolerancia Tol, y un nmero
mximo de iteraciones N.
~
T
Salida: Una solucin aproximada X = ( x1, x 2 ,..., x n ) o un mensaje.
Paso 1: Tomar k = 1 .
Paso 2: Mientras que k N , seguir los pasos 3-8:
n
b1
1j x0 j
j =2
Paso 3: Tomar x1 =
a11
Paso 5: Tomar xn =
n j xj
an n
i j x0 j
j= i +1
ai i
n 1
j =1
ai jx j
j =1
xi =
bn
i 1
Paso 6: Si X X 0 < Tol , entonces salida: "Una solucin aproximada del sistema es
~
T
X = ( x1, x2 ,..., xn ) ". Terminar.
Paso 7: Tomar k = k + 1 .
Paso 8: Para i = 1,2,..., n , tomar x0 i = xi .
Paso 9: Salida: "Se alcanz el nmero mximo de iteraciones N pero no la tolerancia". Terminar.
ANLISIS DE CONVERGENCIA
Al igual que en el mtodo de Jacobi, con el propsito de analizar la convergencia del mtodo de
Gauss-Seidel, veamos cul es la frmula vectorial de iteracin del mtodo de Gauss-Seidel
k
k 1
, ,...
X ( ) = BX ( ) + c , k = 12
Multiplicando a ambos lados de la ecuacin (3.16) por ai i y asociando los k-simos trminos
iterados, obtenemos
i
k
ai jx (j ) =
j =1
( a )x(
ij
k 1)
+ bi
(3.17)
j = i+ 1
(D L) X ( k )
= UX ( k 1) + b
o equivalentemente
k 1
X ( k ) = (D L) UX ( ) + (D L ) b, k = 1,2,...
14243
BG
1
siempre que la matriz D L (triangular inferior) sea invertible, o sea si ai i 0 para cada
i = 1,2,..., n .
La frmula anterior se conoce como frmula vectorial de iteracin del mtodo de Gauss-Seidel,
y la matriz BG = (D L ) U se llama matriz de iteracin del mtodo de Gauss-Seidel.
1
Recurdese que segn el teorema 3.6: Si B G < 1 para alguna norma matricial inducida,
(k)
entonces la sucesin X
, k = 0,1,... , obtenida en el mtodo de Gauss-Seidel, converge a la
{ }
( 0)
nica solucin X del sistema X = BG X + c para cualquier X R n , y se tienen las cotas para el
k
error de truncamiento X X ( ) , dadas en el teorema 3.6.
0
Tambin se tiene, de acuerdo con el teorema 3.8, que: Para cualquier X ( ) R n , la sucesin
k
X ( ) , con
{ }
k
k 1
X ( ) = BG X ( ) + c,
k = 1,2,..., c 0
x1 + x2 + 3 x 3 = 0
3 x + 3 x + 5 x = 4
1
2
3
(k)
(k)
( k 1)
k = 12
, ,...
x 2 = x1 3 x 3 ,
k
k
( )
( )
( k ) 4 3 x1 3 x2
,
x3 =
5
k
k
Reemplazando x1( ) en la frmula de iteracin para x (2 ) , obtenemos la siguiente expresin para
k
k 1
k 1
x (2 ) , en trminos de x (2 ) y x (3 ) :
( k 1)
( k 1)
( k ) 1 x 2 5 x3
x2 =
2
k)
(
(k )
Ahora se reemplazan x1 y la ltima expresin obtenida para x 2 , en la frmula de iteracin para
k
x (3 ) , con lo cual se obtiene
k 1
4 + 9 x(3 )
k
x(3 ) =
5
As que, finalmente, se tiene el siguiente esquema de iteracin
k 1
k 1
1 + x(2 ) x3( )
k
x(1 ) =
,
2
( k 1)
( k 1)
5 x3
1 x2
k
x(2 ) =
,
2
k 1
4 + 9 x3( )
k
x(3 ) =
,
5
k = 12
, ,...
2
2
( k)
1
5
x2 = 0
2
2
0
0
x ( k)
3 14424453
123
BG
k
X( )
x( k 1)
1 1
k 1 12
,
x2( ) +
4
( k 1) 5
x3 123
12
4 4
3
c
X ( k 1)
, ,...
k = 12
que constituye la frmula vectorial de iteracin del mtodo de Gauss-Seidel para el sistema dado.
Otra forma de obtener la matriz de iteracin BG , es a partir de su frmula BG = (D L ) U .
1
2 0 0
2
1
1
Como D L = 1 1 0 , entonces (D L) =
2
3 3 5
0
1
3
5
1
0
2
1
1
BG = (D L ) U = 0
0
0
Como
BG
= 3 > 1 ( BG
0
0 1 1
0 , y como U = 0 0 3 , entonces
0 0
0
5
1
2
5
2
9
5
1
9 9
mtodo de Gauss-Seidel; pero como (B G ) = Max 0 ,
,
= > 1 , entonces el mtodo de
2
5 5
Gauss-Seidel diverge (recuerde que si una matriz es triangular superior o inferior, entonces los
valores propios de tal matriz son los nmeros que aparecen en su diagonal principal).
Observe que el nmero cero es siempre un valor propio de la matriz de iteracin B G , as que,
en particular, BG siempre es singular (no invertible).
Instruccin en DERIVE:
3 x1 + 3x 2 + 5 x 3 = 4
x + x + 3x = 0
2
3
1
Las frmulas escalares de iteracin del mtodo de Gauss-Seidel para encontrar una aproximacin
de la solucin de este sistema reordenado, son
k 1
k 1
1 + x2( ) x 3( )
,
2
( k)
( k 1)
4 3 x1 5 x3
k
x (2 ) =
,
3
k
k
x1( ) x2( )
k)
(
x3 =
,
3
x1( ) =
k
k = 12
, ,...
Dado que
2 0 0
D L = 3 3 0 ,
1 1 3
2
1
1
(D L ) = 2
0
1
3
1
0 1 1
U = 0 0 5
0 0
0
entonces
1
0
2
1
1
BG = (D L ) U = 0
0
0
Como
BG
> 1 ( BG
1
2
7
6
5
1
5 5
Gauss-Seidel, pero como (BG ) = Max 0,
,
= < 1 , entonces el mtodo de Gauss2
9 9
Seidel converge a la nica solucin del sistema dado, cualquiera sea la aproximacin inicial.
k
k 1
X( ) X( )
y criterio de
1
T
2
T
X ( ) = ( .50000, 18333
.
, .44444 ) , X ( ) = (.63889, 14352
.
, .69136 ) ,...
T
T
~
12
13
X ( ) = (.99858, 1.9988, .99914 ) , X( ) = (.99898, 19996
.
, .99952) = X X
k
k 1
X( ) X( )
< .001 .
Al igual que en el ejemplo 3.8, nos podemos preguntar por la calidad de la solucin aproximada
13
obtenida X ( ) (ejercicio!).
Instruccin en DERIVE:
G_SEIDEL( A ,b , X ( 0) , N ): aproXima las primeras N iteraciones en el mtodo de Gauss-Seidel
( 0)
aplicado al sistema AX = b , tomando como aproximacin inicial X . Para el ejemplo, aproXime la
expresin G_SEIDEL( [2 , 1,1],[3 ,3 , 5] ,[1,1, 3] , [ 1, 4 , 0] , [ 0 ,0 ,0 ] , 13 ).
3 x2 x 3 + 8 x 4 = 11
10
x
x2 + 2x 3
= 6
1
x1 + 11x 2 x3 + 3 x4 = 25
(que es el mismo sistema del ejemplo 3.9), encontramos que la matriz de coeficientes de este
sistema no es E.D.D. por filas, as que para estudiar la convergencia del mtodo de Gauss-Seidel
debemos considerar la matriz de iteracin B G .
Se puede ver que
1
0
2
0
0
1
BG = (D L ) U =
5
0 2
0 2
y como
BG
> 1 ( BG
5
1
3
151
6
11
2
8
3
4
3
28
3
convergencia del mtodo de Gauss-Seidel; pero se puede ver que la ecuacin caracterstica de la
matriz de iteracin BG , es
4
621 3 4343 2
+
=0
18
18
cuyas races son 1,2 = 0 (es decir, = 0 es raz doble), 3 24.7523, 4 9.74768 . Por lo
tanto (B G ) > 1 , lo que implica que el mtodo de Gauss-Seidel diverge.
Si reordenamos el sistema de modo que la matriz de coeficientes del nuevo sistema equivalente
sea lo ms cercana posible a una matriz E.D.D. por filas, obtenemos el sistema
10 x1 x 2 + 2 x3
x1 + 11x2 x 3 + 3x 4
2 x1 x2 + 10 x3
3 x 2 x3 + 8 x4
= 25
= 11
= 11
cuya matriz de coeficientes es E.D.D. por filas. As que el mtodo de Gauss-Seidel converge a la
nica solucin del sistema dado, cualquiera sea la aproximacin inicial y se tienen cotas para el
error de truncamiento X ( k) X , segn el teorema 3.9. Si iteramos con el mtodo de GaussSeidel,
X
(k)
empezando
( k 1)
con
X ( 0 ) = ( 0,0,0,0 )
usando
como
criterio
de
aproximacin
T
2
.
X ( ) = (10302
, 2.9233, 1.0137, 2.5980)
M
T
~
5)
(
.
.
X = (11038
, 2.9964, 10211
, 2.6263 ) = X X
Si comparamos los resultados de los ejemplos 3.8 y 3.9, obtenidos por el mtodo de Jacobi, con
los obtenidos en los ejemplos 3.10 y 3.11 por el mtodo de Gauss-Seidel, vemos que el mtodo de
Gauss-Seidel es de convergencia ms rpida; esto es lo que generalmente ocurre cuando ambos
mtodos convergen. Anotamos que hay sistemas lineales para los cuales un mtodo converge y el
otro diverge.
3.8.3 Mtodo SOR (Successive Over-Relaxation): Este mtodo fue ideado para acelerar la
convergencia del mtodo de Gauss-Seidel. La idea del mtodo es que para producir un nuevo
(k )
(k )
( k 1)
valor xi se ponderan los valores xi actual, obtenido por Gauss-Seidel, y x i
anterior, como
se indica a continuacin:
Dada
X(
k 1)
una
aproximacin
0
X( )
inicial
k 1
k 1
k 1
k 1
= x1( ) ,x(2 ) ,...,x(i ) ,...,x(n ) ,
calculada
se
calcula
la
( k ) ( k)
( k)
k
k
X ( ) = x1 ,x 2 ,...,x i ,...,x (n ) , de acuerdo con las frmulas siguientes:
T
k 1
b1
a1j x(j )
k
k 1
j= 2
x1( ) = (1 w) x(1 ) + w
a11
para i = 2,...,n 1 :
la
aproximacin
aproximacin
siguiente
bi
k)
k 1)
(
(
xi = (1 w) xi
+ w
i 1
k
a i j x(j )
j= 1
( k 1)
i jx j
j = i +1
ai i
(3.18)
y
n 1
k
bn
a n j x(j )
j =1
x n( k) = (1 w) x(nk 1) + w
an n
1
1
k
k 1
X ( ) = (D w L) (1 w)D + wU X ( ) + w(D wL) b
14444
4244444
3
Bw
(3.19)
En efecto:
det(B w ) = det
Pero
det (D wL)
1
] = det(D1 wL) = detD
as que
det(B w ) =
1
(1 w )n detD = (1 w ) n
detD
De otro lado, como det(B w ) = 1 2 ... n donde 1, 2 ,..., n son los valores propios de la matriz
B w , entonces
[(B w )]
= 1 w
y por tanto (B w ) w 1 .
Como consecuencia del resultado anterior, si
w 1 1 , es decir, si w 2 o w 0 , entonces
(B w ) 1 y entonces el mtodo SOR diverge, segn el teorema 3.8. Luego slo si 0 < w < 2
En el siguiente teorema, cuya prueba puede consultarse en Ortega, 1990, pgina 123, se
establecen condiciones suficientes para la convergencia del mtodo SOR:
Teorema 3.10 Si A es una matriz real, simtrica y definida positiva, entonces el mtodo SOR
converge a la nica solucin X del sistema AX = b para cualquier eleccin de la aproximacin
( 0)
inicial X R n y cualquier valor de w con 0 < w < 2 .
Tambin se tiene, como en los mtodos de Jacobi y Gauss-Seidel, que:
< 1 para alguna norma matricial inducida, entonces el mtodo SOR converge a la nica
( 0)
solucin X del sistema X = B w X + c , c 0, cualquiera sea la aproximacin inicial X R n , y se
Si
Bw
k
tienen las cotas para el error de truncamiento X X ( ) , dadas en el teorema 3.6.
0
Para cualquier X ( ) R n , el mtodo SOR converge a la nica solucin X del sistema
X = B w X + c , c 0 si y slo si (B w ) < 1 .
~
Algoritmo 3.6 (Mtodo SOR) Para encontrar una solucin aproximada X de un sistema AX = b
con A invertible, b 0 y ai i 0 para todo i = 1,2,...,n , dado un valor del parmetro w con
0<w <2:
Entrada: El orden n del sistema; las componentes no nulas ai j , i, j = 1,2,...,n de la matriz A; las
componentes b i , i = 1,2,..., n del vector de trminos independientes b; las componentes
0
x0 i , i = 1,2,..., n de una aproximacin inicial X 0 = X ( ) ; un valor del parmetro w; una
tolerancia Tol, y un nmero mximo de iteraciones N.
~
T
Salida: Una solucin aproximada X = ( x1,..., xn ) o un mensaje.
Paso 1: Tomar k = 1 .
Paso 2: Mientras k N , seguir los pasos 3-8:
n
b1
a1 j x0 j
j= 2
Paso 3: Tomar x1 = (1 w ) x0 1 + w
a11
bi
x i = (1 w ) x0 i + w
i 1
ai jx j
j =1
i j x0 j
j = i +1
ai i
n 1
bn
an j x j
j =1
Paso 5: Tomar xn = (1 w) x0 n + w
an n
Paso
6:
Si
X X 0 < Tol ,
entonces
salida:
"Una
solucin
aproximada es
~
T
X = ( x1, x2 ,..., xn ) ". Terminar.
Paso 7: Tomar k = k + 1 .
Paso 8: Para i = 1,2,..., n , tomar x0 i = xi .
Paso 9: Salida: "Se alcanz el nmero mximo de iteraciones N pero no la tolerancia". Terminar.
=1
4 x1 + 3 x 2
3
x
+
4
x
x
1
2
3 =1
x2 + 4 x 3 = 1
siguientes resultados para distintos valores de w, siendo las frmulas escalares de iteracin del
mtodo SOR, en este caso, las siguientes:
( k 1)
x1( k ) = (1 w) x(1k 1) + w 1 3 x 2
1 3 x ( k) + x ( k 1)
(k)
( k 1)
1
3
,
+
x
1
w
x
w
(
)
2
2
(k)
(k)
( k 1) + w 1 + x 2
x 3 = (1 w) x 3
4
k = 12
, ,...,
0<w<2
Como el mtodo de Gauss-Seidel converge, en este caso, podemos pensar en utilizar el mtodo
SOR para acelerar la convergencia del mtodo de Gauss-Seidel; as que tomaremos valores de w
con 1 w < 2 .
. (Gauss-Seidel):
Para w = 10
1
X ( ) = .25000, 6.2500 10 2 , .26563
M
13
.
X ( ) = 11546
10 3 , .33237, .33309
Para w = 12
. :
1
X ( ) = .30000, 3.0000 10 2 , .30900
M
9
X ( ) = 3.5372 10 4 , .33310, .33329
. :
Para w = 125
1
.
10 2 , .31860
X ( ) = .31250, 19531
8
X ( ) = 6.4330 10 5 , .33331, .33333
Para w = 13
. :
1
X ( ) = .32500, 8.1250 10 3 , .32764
.
10 3 , .33427, .33335
X ( 6 ) = 12411
Para w = 14
. :
1
.
10 2 , .34388
X ( ) = .35000, 17500
Observando los resultados anteriores, se puede concluir que, para este ejemplo, el valor ptimo del
parmetro w debe estar cerca de 1.3, y para este valor de w la convergencia del mtodo SOR es
ms rpida.
Instrucciones en DERIVE:
BW(A,w): Simplifica en la matriz de iteracin, B w , del mtodo SOR.
( 0)
SOR(A,b,w, X ,N): aproXima las primeras N iteraciones en el mtodo SOR aplicado al sistema
( 0)
AX = b , para el valor dado de w y tomando aproximacin inicial X . Para el ejemplo, aproXime
. ,[ 0 ,0 ,0 ], 6 ).
la expresin SOR( [4 , 3 , 0] ,[ 3 , 4 , 1] ,[ 0 , 1, 4] ,[1,1,1],13
Ejemplo 3.13 Si aplicamos el mtodo SOR para resolver el sistema de ecuaciones lineales
= 6
10 x1 x 2 + 2x 3
x + 11x
x
+
3
x
=
25
1
2
3
4
= 11
2 x1 x 2 + 10 x3
3 x2 x 3 + 8 x 4 = 11
0
con X ( ) = ( 0,0,0,0 ) y criterio de apr oximacin
T
k
k 1
X( ) X( )
resultados:
. :
Para w = 15
1
T
X ( ) = (.90000, 3.5318, 13902
.
, 4.3098)
2
X ( ) = (13968
.
, 3.4072, .86286, 19859
.
)T
M
T
13 )
(
X
= (11041
.
, 2.9965, 1.0210, 2.6260) X
. :
Para w = 18
M
42 )
T
(
X
= (11040
.
, 2.9967, 10207
.
, 2.6262) X
Analice la convergencia del mtodo SOR en cada uno de los casos anteriores.
3.9 SOLUCIN NUMRICA DE SISTEMAS NO-LINEALES
Consideremos un sistema no-lineal
f1 ( x1, x2 ,..., xn )
f2 ( x1, x 2 ,..., xn )
f ( x , x ,..., x )
n
n 1 2
= 0
= 0
M
= 0
Di
X = ( x1,..., xn )
R, D i R n
fi ( X) = y
y alguna fi es no-lineal.
f1
f2
Si hacemos F y X = ( x1, x 2 ,..., x n ) , el sistema anterior puede ser escrito en la forma vectorial
M
f
n
F ( X) = 0 con F: D R n,
D Rn .
El problema de hallar las soluciones reales de un sistema no-lineal es mucho ms difcil que el
problema de hallar las races reales de una sola ecuacin no-lineal (en una variable), y mucho ms
que el problema de resolver un sistema lineal de ecuaciones.
Aunque estudiaremos ciertos mtodos que convergen a una solucin, no existe un criterio general
para saber cuntas soluciones tiene un sistema no-lineal dado, e incluso es posible que el sistema
no tenga solucin, como ocurre con el siguiente sistema
xy = 1
y=0
Un posible mtodo (directo) para resolver sistemas no-lineales de ecuaciones puede ser el de
reduccin de variables.
Por ejemplo, para el sistema
xy = 0
E2 :
FIGURA 3.1
Una manera de resolver el sistema, en este caso, es la siguiente:
Despejando x de la ecuacin E1 , obtenemos E1 : x = 1 y 2 , y sustituyendo en la ecuacin E2 ,
obtenemos E2 : 1 y 2 y = 0 . Si resolvemos la ecuacin E2 para y, obtenemos y = 0 , y = 1 o
En general, este mtodo no es fcil de aplicar, pues la eliminacin de variables puede ser muy
difcil incluso imposible de realizar.
Estudiaremos los mtodos iterativos de Punto Fijo y Newton-Raphson para aproximar soluciones
reales de sistemas no-lineales.
3.9.1 Iteracin de Punto Fijo para sistemas no-lineales: Dado un sistema no-lineal de necuaciones con n-incgnitas, F ( X) = 0 ( F: D R n , D R n ), el mtodo de Punto Fijo para
resolver este sistema consiste en transformar dicho sistema en otro equivalente (por lo menos en
forma local) del tipo X = G ( X ) para alguna funcin G: D R n , D D .
Por ejemplo, si tenemos un sistema de dos ecuaciones con dos incgnitas
f1 ( x, y) = 0
f 2 ( x, y) = 0
f
F( X ) = 0 con F 1
f2
g
X = G( X) con G 1
g2
y = g2 ( x, y)
(despejando, por ejemplo, si es posible, x de f1( x, y ) = 0 e y de f2 ( x, y ) = 0 ).
La iteracin vectorial de punto fijo correspondiente
k
k 1
X( ) = G X( ) ,
k = 1,2,...
se convierte en
x( k ) = g x( k 1) , y ( k 1) ,
1
( k)
( k 1) , y ( k 1) ,
y = g2 x
k = 12
, ,....
x ( k) = g x ( k 1) , y ( k 1) ,
1
(k)
( k ) ( k 1) ,
y = g2 x , y
k = 12
, ,....
k
que usa el valor ya calculado x ( ) , y que no es otra cosa que el mtodo de Gauss-Seidel para
sistemas no-lineales.
El siguiente teorema general, cuya demostracin puede ser consultada en Ortega, 1990, pgina
(k)
153, da condiciones suficientes (no necesarias) para la convergencia de la sucesin X
{ }
{ ( x , x ,...., x ) R
1
, ,..., n .
constantes reales ai , b i , i = 12
a i xi bi, i = 1,2,..., n
Supongamos que G: R R
n
derivadas parciales
gj ( X)
xi
, i = 12
, ,...,n , son continuas en
D.
Si, adems, existe una constante M, con 0 M < 1 , tal que para cada i = 1,2,...,n
g j (X )
xi
M
, siempre que X D ,
n
{ }
( k)
entonces G tiene un nico punto fijo P D y la sucesin X
k
k1
X ( ) = G X ( ) , k = 1,2,...
( 0)
converge al punto fijo P , cualquiera sea la escogencia de X D , y se tiene la siguiente cota de
error
Mk
1
0
k
X( ) P
X( ) X( )
1 M
2
xy + x 10 y + 8 = 0
(f (x, y) = x 10 x + y + 8)
(f ( x, y) = xy + x 10 y + 8)
2
x2 + y2 + 8
x =
10
xy 2 + x + 8
y
=
10
x2 + y 2 + 8
g1 ( x, y) =
10
xy 2 + x + 8
g2 ( x, y ) =
10
R2 .
g1 ( X)
y
2y g 2 ( X) 2xy
son continuas en todo R 2 .
,
=
10
y
10
FIGURA 3.2
Ahora,
0 x, y 15
. 0 x 2 , y 2 2.25
0 x 2 + y 2 4.5
0
Tambin,
0 x, y 15
. 0 xy 2 + x (15
. )(2.25) + 1.5 = 4.875
0
Luego si D =
x2 + y 2 + 8 4.5 + 8 12.5
=
= 125
. 15
.
10
10
10
{(x, y) R
xy 2 + x + 8 4.875 + 8 12.875
=
= 12875
.
15
.
10
10
10
0 x, y 15
. , entonces G(D) D , as que G satisface las hiptesis
Ahora, si X D ,
g1( X )
x
g1( X )
y
x
15
.
= .3
5
5
y
.3
5
g2 ( X )
x
g2 ( X )
2xy
4.5
= .45
10
10
y2 + 1
3.25
= .325
10
10
M
= .45 , es decir, escogiendo M = .90 tendremos que 0 M < 1 , y
2
para cada X D ,
g j ( X)
M
y
2
gj (X )
y
M
,
2
j = 12
,
( 0)
En consecuencia, G tiene un nico punto fijo P D y cualquiera sea X D , la sucesin
k
X ( ) , con X ( k ) = G X ( k 1) , k = 1,2,... converge a P.
{ }
k 1
k
y( ) =
+8
x( k ) = g x( k 1) , y ( k 1)
1
10
x( k 1) y ( k 1)
( 0)
empezando con X = (.5,.5 )
+ x ( k 1) + 8
y ( k) = g x ( k 1) , y ( k 1)
2
10
y criterio de aproximacin
k
k 1
X( ) X( )
0
1
2
3
4
5
6
7
k
x( )
k
y( )
.5
.5
.85
.8625
.3625
.946641
.948232
.096641
.979527
.979781
.032886
.991944
.996799
.991984
.996805
.012417
.998723
.998724
.999490
.999490
TABLA 3.1
Luego P (.999490, .999490) .
k
k 1
X( ) X( )
4.855 10 3
1924
.
10 3
7.67 10 4
Instruccin en DERIVE:
x = g1( x, y)
, tomando como aproximacin inicial el
de Punto Fijo aplicado al sistema no-lineal
y = g2 ( x, y)
punto
Para
el
ejemplo,
aproXime
la
expresin
( x0 , y 0 ) .
x2 + y 2 + 8 xy 2 + x + 8
FIXED_POINT(
,
, [ x, y] , [ 0.5 , 0.5] , 7 ).
10
10
Usando la cota de error dada por el teorema 3.11 con M = .90 , obtenemos
7
X( ) P
( .9 )7
1.9
.
(.3625) 173
( 7)
con respecto a P, pues como el lector puede verificar
la cual no indica la precisin real de X
7)
(
5.1 10 4 .
fcilmente, P = (11
, ) y realmente X P
k 1
k
y( ) =
+8
10
x( k ) y ( k 1)
+ x ( k) + 8
10
0
con X ( ) = (.5, .5 ) y criterio de aproximacin
x( k ) = g x( k 1) , y ( k 1)
1
y ( k ) = g x( k ) , y ( k 1)
2
k
k 1
X ( ) X( )
0
1
2
3
4
5
6
k
y( )
( k) X ( k 1)
.5
.5
.85
.954379
.90625
.973820
.985916
.992089
.031537
.995627
.997556
.998639
.999240
9.711 10 3
3.012 10 3
.999576
.999763
9.37 10 4
.40625
.104379
TABLA 3.2
Observe que
6
X( ) P
4.24 10
tres cifras decimales exactas. Como ejercicio haga un anlisis similar para encontrar una
aproximacin de la otra solucin del sistema dado.
3.9.2 Mtodo de Newton-Raphson para sistemas no-lineales: Consideremos un sistema nolineal de dos ecuaciones con dos incgnitas
f1 ( x, y) = 0
f2 ( x, y) = 0
y sea
= ( 1, 2 ) una raz de F ( X) = 0
f
F( x, y ) = 0 con F 1
f2
con X = ( x, y) .
k
k
k
Supongamos que conocemos una aproximacin X ( ) = x ( ) , y ( )
aproximacin
X(
siguiente
k +1)
k +1
k +1
= x( ) , y ( ) ,
mediante
el
de
mtodo
Para generar la
de
Newton-Raphson,
( k)
k +1
k +1
son continuas en una vecindad de X , entonces para x( ) , y ( )
) (
) (
) (
) (
) ( )
f
f
1
, ) + 2( x( ) x( ) )( y( ) y ( ) )
+ ( x( ) x( ) )
(
(, )
x y
2
x
f
+( y ( ) y ( ) )
( , )
y
k+ 1
k+ 1
k
k
k+ 1
k f1
k
k
k +1
k f1
k
k
f1 x ( ) , y ( ) = f1 x ( ) , y ( ) + x ( ) x( )
x( ) , y( ) + y( ) y( )
x( ) , y ( )
x
y
k +1
k +1
k +1
1
2
k +1
1
2
(k )
( k +1)
k
k +1
con entre x y x
, y entre y ( ) y y ( ) .
) 21 (x(
R2 f1, x ( k+ 1) , y (k + 1) =
k+ 1)
k +1
k
+ y( ) y( )
obtenemos
)(
2
2 f1
( k +1) x ( k) y ( k +1) y ( k ) f1
x( k )
,
+
2
x
(
)
x y
x2
2 f1
y
( , ) 0
)(
) (
) (
) (
) (
) (
) (
) (
f1 ( k ) ( k)
f1 ( k) ( k )
0 f1 x( k ) , y ( k ) + x( k +1) x ( k)
x ,y
+ y ( k +1) y ( k )
x ,y
x
y
Al trabajar, de manera similar, con f2 ( x, y ) obtenemos
k
k
k +1
k f2
k
k
k +1
k f2
k
k
0 f2 x( ) , y( ) + x( ) x( )
x( ) , y( ) + y( ) y( )
x( ) , y ( )
x
y
(3.20)
(3.21)
Si las cuasi-igualdades (3.20) y (3.21) las manejamos como igualdades y las escribimos en forma
matricial, obtenemos el siguiente sistema de dos ecuaciones lineales en las dos incgnitas
x ( k+ 1) , y ( k+ 1) :
(
(
)
)
(
(
)
)
f1 ( k ) (k )
f1 ( k ) ( k )
x ,y
x ,y
f2 ( k ) ( k )
f2 ( k ) ( k )
x ,y
x ,y
y
144444424444443
k
J X ( )
( )
(k ) ( k )
f1 x , y
x( k +1) x ( k)
1
k
k
+
y( ) y( )
f x ( k) , y ( k )
2
144244
3
1
4
4
2
44
3
k +1)
k)
(
(
X
X
k
F X ( )
k
La matriz J X ( ) , en la ecuacin anterior, se denomina matriz Jacobiana del sistema.
x( k +1)
Despejando ( k+ 1)
y
( )
( ) ( )
1
x( k +1) x( k )
k+ 1 = k J X ( k) F X ( k)
y ( ) y ( )
o sea
X(
( ) ( )
1
k +1)
k
k
k
= X ( ) J X ( ) F X( ) , k = 0,1,...
la cual es la frmula vectorial de iteracin del mtodo de Newton-Raphson para el sistema nolineal F( X) = 0 (compare esta frmula con la frmula de iteracion del mtodo de Newton-Raphson
obtenida en el captulo 2).
( )
el siguiente algoritmo:
0
Dada una aproximacin inicial X ( ) , una tolerancia > 0 , y un nmero mximo de iteraciones N;
para k = 0,1,...,N , hacemos:
(
Paso 1: Definimos Z
k +1)
= X(
k +1)
k +1)
k
X( )
, el sistema lineal
( )
( )
k
k +1
k
J X ( ) Z( ) = F X ( )
Paso 3: calculamos X
Paso 4: Si
Z(
k+ 1)
( k +1)
= X(
=Z
k +1)
( k +1)
+X
( k)
k
X ( ) < para alguna norma vectorial
. , entonces X (
k +1)
es una
x2 10 x + y 2 + 8 = 0
2
xy + x 10 y + 8 = 0
que es el mismo del ejemplo 3.14, obtenemos los resultados que aparecen en las TABLAS 3.3 y
(k)
( k 1)
< .001 .
3.4, donde se us como criterio de aproximacin X X
(k )
k
y( )
k
k 1
X( ) X( )
0
1
2
3
4
.5
.5
.937685
.939169
.439169
.998694
.998388
.061009
.999999
.999999
1611
.
10 3
100000
.
100000
.
TABLA 3.3
10
. 10 6
Instruccin en DERIVE:
f1( x, y ) = 0
Newton-Raphson aplicado al sistema no-lineal
, tomando como aproximacin inicial el
f2 ( x, y ) = 0
Para
el
ejemplo,
aproXime
la
expresin
punto
( x0 , y 0 ) .
( 4)
.
, 100000
.
) X = (11, ) .
De acuerdo con los resultados de la TABLA 3.3, se tiene que X = (100000
k
0
1
2
3
k
x( )
k
y( )
2.0
3.0
2.19444
3.02778
.19444
2.19345
2.19344
3.02048
3.02047
7.3 10 3
2.0 10 5
k
k 1
X( ) X( )
TABLA 3.4
De acuerdo con los resultados que aparecen en la TABLA 3.4, se
3
X ( ) = ( 2.19344,3.02047 ) es una aproximacin de la otra solucin del sistema dado.
tiene
que
1
Veamos como se calcula la primera iteracin X ( ) = ( 2.19444, 3.02778) , que aparece en la TABLA
f1
( x, y) = 2 y
y
f2
( x, y ) = y 2 + 1,
x
f2
( x, y) = 2 xy 10
y
Es claro que las funciones f1( x, y ) , f2 ( x, y ) y sus derivadas parciales de orden menor o igual que
dos son continuas en todo R 2 , por ser polinmicas.
x( 1)
1
Para calcular la primera iteracin X ( ) = ( 1) , siguiendo los pasos en el algoritmo anterior,
y
procedemos as:
( 1)
( 1)
( 0)
( k = 0 ), y resolvemos el sistema lineal
Definimos Z = X X
( )
( )
0
1
0
J X ( ) Z ( ) = F X ( )
En este sistema
(
)
( ) ( )
f X ( 0)
1
0)
(
FX
=
0
f2 X ( )
siendo
( )
( )
0
0
f1 X ( ) = f1( 2.0, 3.0) = 1.0 , f2 X ( ) = f2 ( 2.0, 3.0) = 2
y
f1
( 2.0,3.0)
0
x
J X( ) =
f2
( 2.0,3.0)
( )
f1
( 2.0,3.0) 6 6
y
=
f2
2.0,3.0) 10 2
(
y
1
6 6 z1( ) 1
(1) =
10 2 z 2 2
36 1 3 36 109 3.02778
2
3
Procediendo de manera similar se obtienen X ( ) y X ( ) .
x 2 + y 2 x = 0
2
x y 2 y = 0
Las
grficas
de
las
ecuaciones
x2 + y2 x = 0
x2 y 2 y = 0
( f1( x, y ) = x 2 + y 2 x ,
FIGURA 3.3
Por simple inspeccin sobre el sistema dado, u observando la FIGURA 3.3, se ve que ( 0,0) es una
solucin del sistema, y que el sistema dado solamente tiene dos soluciones reales.
Si usamos el mtodo de Newton-Raphson para encontrar la solucin no nula del sistema dado, con
k
k 1
X ( ) X( )
< 10 3 , se obtiene como solucin aproximada
criterio de aproximacin
X ( 4 ) = (.771845, .419643)
tomando
como
aproximacin
inicial
X ( 0 ) = (10
. , .5 ) ; si tomamos
0
4
. , 10
. ) , se obtiene la solucin aproximada X ( ) = (.771845, .419644 ) ,
aproximacin inicial X ( ) = (10
si tomamos aproximacin
X ( 5 ) = (.771845, .419643) .
inicial
0
X ( ) = (.5, .5 ) ,
obtenemos
la
solucin
aproximada
Como una aplicacin del mtodo de Newton-Raphson para sistemas no-lineales, tenemos el
mtodo de Bairstow para encontrar ceros complejos de funciones polinmicas, mtodo al cual
nos referiremos a continuacin.
Para hallar una raz compleja de una ecuacin polinmica con coeficientes reales puede utilizarse
el mtodo de Newton-Raphson con una aproximacin inicial compleja y aritmtica compleja. Otra
forma de enfocar el problema de las races complejas de una ecuacin polinmica con coeficientes
reales se basa en el hecho de que si z = a + bi es un cero complejo de multiplicidad m de un
polinomio p( x) , entonces su conjugado z = a bi es tambin un cero de multiplicidad m de p( x) y
(x
2ax + a 2 + b 2
es un factor de p( x) .
polinmicas con coeficientes reales se producen en pares conjugados y por sto, se debe buscar
un factor cuadrtico, ms que lineal, del polinomio. Esta es la base del mtodo de Bairstow, el
cual nos permitir encontrar races reales o complejas de una ecuacin polinmica con coeficientes
reales, realizando nicamente aritmtica real. A continuacin describimos este mtodo:
Dado un polinomio con coeficientes reales
p( x) = a 0 + a1x + a2 x2 +... +an xn , a n 0, n 2
(3.22)
p( x) = x2 ux v q( x) + r ( x u) + s
(3.23)
con coeficientes
(3.24)
p( x) = x 2 ux v q( x) + r ( x u) + s
)(
= x 2 ux v b0 + b1x + b2 x2 +...+bn 3 xn 3 + b n 2 xn 2 + r ( x u) + s
(3.25)
an = bn 2
an 1 = bn 3 ubn 2
an 2 = b n 4 ub n 3 v bn 2
an 3 = bn 5 ubn 4 vbn 3
M
a3 = b1 ub 2 vb 3
a 2 = b0 ub1 v b2
a1 = r ub 0 vb1
a0 = s u r v b0
bn 5 = an 3 + ubn 4 + vbn 3
b
=
a 3 + ub 2 + v b3
1
b 0 = a 2 + ub1 + vb 2
r = a + ub + v b
1
0
1
s = a 0 + ur + vb 0
(3.26)
s(u, v) = 0
(f1( u, v )
(f2 (u, v )
=0
(3.27)
=0
rv
sv
1
u( k +1)
(k)
= u J X ( k )
v (k + 1)
v(k )
12
4 4
3
123
X( k +1)
X ( k)
( )
( )
( )
r X ( k)
k)
(
s X
1424
3
F X( k )
(3.28)
( bn 2 ) u = 0 , pues
b n 2 = an con an constante, y
(bn 3 ) u = bn 2
(bn 4 ) u = bn 3 + u(bn 3 )u
(b 0 )u = b1 + u(b1 )u + v(b 2 ) u
ru = b0 + u(b 0 ) u + v(b1 )u
s u = r + uru + v(b 0 )u
(3.29)
c n 1 = bn 2
c n 2 = bn 3 + u cn 1
c n 3 = b n 4 + u c n 2 + v c n 1
c = b + uc + v c
2
1
3
4
c1 = bo + uc 2 + v c 3
c 0 = r + uc 1 + v c 2
de modo que
( ) r (X( ) )
( ) s (X( ) )
r X(k)
u
k)
(
J X
=
s u X ( k)
( )
se convierte en
(3.30)
( )
( )
k
r v X ( )
k
s v X( )
c (k)
1
k
J X( ) =
c0( k )
( )
( )
( )
donde c1 y c 0 son los valores de c1 y c 0 , obtenidos en las ecuaciones (3.30) en la iteracin
k
k-sima.
Para
obtener
expresiones
( ) y s (X ( ) ) , derivamos
k
rv X ( )
para
parcialmente
las
mismas
(bn 5 ) v = u(bn 4 ) v + bn 3 = bn 3 + u( bn 4 ) v
(3.31)
dn 1 = bn 2
d
n 2 = b n 3 + udn 1
dn 3 = bn 4 + udn 2 + vdn 1
d = b + ud + vd
2
4
5
3
d2 = b1 + ud3 + vd4
d1 = b0 + ud2 + vd3
de modo que
c (k)
k
J X ( ) = 1 ( k )
c0
( )
d2 ( k )
d (k)
1
(3.32)
Si observamos las ecuaciones (3.30) y (3.32), vemos que ellas producen los mismos valores para
k
k = n 1, n 2,..., 1 , es decir, d = c , k = n 1, n 2,..., 1 ; por tanto (3.32) es redundante, y J X ( )
k
( )
c ( k)
k
J X ( ) = 1( k)
c
0
( )
c 2( )
k
c1( )
k
p( x) = a 0 + a1x + a 2 x 2 +...+ an x n , an 0, n 2
Entrada: El grado n del polinomio p( x) ; los coeficientes a0 ,a1,...,a n del polinomio p( x) ; unas
aproximaciones iniciales u 0 , v 0 de u y v, respectivamente; una tolerancia Tol, y un
nmero mximo de iteraciones N.
Salida: Un factor cuadrtico aproximado x 2 ux v del polinomio p( x) o un mensaje.
Paso 1: Hacer
bn = an
cn = 0
cn 1 = a n
Paso 2: Tomar i = 1 .
Paso 3: Mientras que i N seguir los pasos 4-10:
Paso 4: Hacer b n1 = a n 1 + u0 bn .
Paso 5: Para k = n 2,n 3,...,0 , hacer
bk = ak + u 0 bk +1 + v 0 bk + 2
ck = bk +1 + u0 ck +1 + v 0 c k+ 2
c2
).
c1
Paso 7: Hacer
c 1b1 c 2 b0
J
c 1b0 c 0 b1
v1 = v0 +
J
u1 = u 0 +
Paso 8: Si
b1 = r < Tol y
Las races del factor cuadrtico aproximado x 2 ux v obtenido, son complejas conjugadas con
parte real 11378411018
.
y parte imaginaria 15273122509
.
, y si usamos Deflacin se obtiene el
polinomio reducido de grado dos
q( x) = x 2 17243177963
.
x .5513644073
4
3
2
v 0 . Para este ejemplo, aproXime la expresin BAIRSTOW( x 4 x + 7 x 5 x 2 , x , 3 , 4 , 7 ).
Solucin: Si aplicamos el mtodo de Bairstow con Deflacin para hallar todas las races de la
ecuacin polinmica dada, se obtienen los resultados que aparecen a continuacin, usando como
tolerancia Tol = 10 10 :
Para los valores iniciales u 0 = 2 y v 0 = 3 , se obtiene en la octava iteracin u = 4.0000000000 ,
v = 3.0000000000
y
los
valores
de
r
y
s
correspondientes
son
11
11
r = 18927082
.
10
y s = 3.6550318 10 . Las dos races del factor cuadrtico aproximado
obtenido son 3.00000000000, 1.0000000000 y el polinomio reducido q5 ( x) , de grado cinco, es
q5 ( x) = x 5 24 x 4 + 223 x 3 996 x 2 + 2116 x 1680 .
r = 8.6330942 10 13
sptima
iteracin
u = 9.0000000000 ,
v = 20.0000000000 ,
y
s = 8.3950624 10 12 . Las races del factor cuadrtico correspondiente son 5.00000000000 y
4.0000000000, y el polinomio reducido de grado uno es q1 ( x) = x 7 , que nos lleva a obtener
como ltima raz aproximada de la ecuacin polinmica original el valor 7.0 .
Las races exactas de la ecuacin polinmica dada, son 1, 2, 3, 4, 5, 6 y 7.
TALLER 3.
1. Use el mtodo de eliminacin Gaussiana simple (sin pivoteo) con sustitucin regresiva y
aritmtica exacta para resolver, si es posible, los sistemas lineales AX = b siguientes, y
encuentre matrices P de permutacin, L triangular inferior con sus elementos diagonales iguales
a 1 y U escalonada (triangular superior) tales que PA = LU .
x1 x2 + 3 x3 = 2
a) 3 x1 3 x 2 + x3 = 1
x +x
= 3
1
2
1
x1 2 x 2 + x 3
2x x 2 x 3 + x 4
b) 1
x1 + x 2
1
x1 x 2 + x 3 + x 4
2
=4
=5
=2
=5
1
4 x1 +
1
a) x1 +
3
1
2 x1 +
1
1
x2 + x3 = 9
5
6
1
1
x2 + x3 = 8
4
5
x 2 + 2x 3 = 8
1
1
1
1
x1 + 2 x 2 + 3 x3 + 4 x4 = 6
1 x + 1 x + 1 x + 1 x = 1
2 1 3 2 4 3 5 4 7
b)
1 x + 1 x + 1 x + 1 x = 1
3 1 4 2 5 3 6 4 8
1
1
1
1
1
x1 + x 2 + x 3 + x 4 =
4
5
6
7
9
3. Resuelva los siguientes sistemas AX = b por Eliminacin Gaussiana sin pivoteo. Chequee si A
tiene factorizacin LU con L triangular inferior con sus elementos diagonales iguales a 1 y U
escalonada (triangular superior).
1 1 1
a) A = 1 2 2 ,
2 1 1
1
b = 0
1
3
b) A =
2
3 2 1
1
4 3 2
1
,
b
=
1
3 4 3
1
2 3 4
1)
2)
3)
4)
(
(
(
(
A = 1 1 1 , b = 1 , b = 4 , b = 1 , b = 0
1 1 3
0
5
3
0
b) Resuelva los sistemas lineales usando eliminacin Gaussiana para obtener matrices P, L y U
tales que PA = LU , y luego siguiendo los pasos siguientes:
( i)
Paso1: Calcular Pb , i = 1,2,3,4 .
i
i
i
Paso 2: Resolver, para c ( ) , Lc ( ) = Pb( ) , i = 1,2,3,4 , por sustitucin progresiva.
Paso 3: Resolver, para X ( i ) , UX ( i) = c (i) , i = 1,2,3,4 , por sustitucin regresiva.
c) Resuelva los sistemas lineales aplicando el mtodo de Gauss-Jordan a la matriz aumentada
de a).
d) Resuelva los sistemas lineales encontrando la inversa de la matriz A y calculando los
1 ( i )
productos A b , i = 1,2,3,4 .
e) Cul mtodo de los anteriores parece ser ms fcil? Cul mtodo de los anteriores requiere
ms operaciones?
5. Encontrar X
a) X = 3,4,0,
b) X = ( 2,1,3,4 )
c) X = senk, cosk,2k
definida en R n por
n
=
1
xi
i =1
9. a) Encuentre
n X
n X
1 2
A=
4 3
1 0 0
A = 1 0 1
1 1 2
b) Calcule el radio espectral ( A ) para cada una de las matrices dadas en a).
= ( A) .
11. Calcule Cond ( A ) y Cond ( A) para cada una de las matrices dadas en el ejercicio 9.a).
12. Sea A R n n . Demuestre que Cond ( A) = Cond ( A) para cualquier escalar R, 0 .
=
1 101
. x2 2.01
=
1 1011
.
x 2 2.01
~
y calcule su solucin exacta X .
~
XX
c) Calcule
y comprela con la cota de error obtenida a partir del teorema 3.4. Es la
X
errores residuales, cul es la mejor aproximacin de la solucin del sistema. Verifique que la
solucin exacta del sistema es X = (1,1) .
T
15. El sistema
+y=0
x
x + .999999 y = 1
.
y=1
x + 1000001
1
1
A=
,
1
100001
.
Muestre
que
1
1
B=
1
1
.
00001
Muestre,
sin
embargo,
que
Cond 2 ( A ) = Cond 2 (B) . Concluya que Cond ( .) no es un buen nmero de condicin para
( )nn
( n)
17. La matriz de Hilbert H = hi j
definida por hi j =
1
, 1 i, j n es un importante
i+ j1
1
120 1200 2700 1680
4
H( )
=
240 2700 6480 4200
[ ]
( )
( 4)
y calcule Cond H
.
usando aritmtica con redondeo a tres dgitos y compare el error real en la aproximacin
( 4)
calculada con la cota de error dada en el teorema 3.3. Es la matriz H mal condicionada?
2x1 + 3 x2 + 3 x 3 = 1
x1 + 2x 2 x 3 = 0
6 x + 2 x + 2x = 2
1
2
3
19. a) Muestre todos los pasos intermedios, sto es, los multiplicadores, los factores de escala Si ,
y el vector de intercambios p, al aplicar el pivoteo escalado de fila sobre la matriz siguiente:
1 2 3
A = 3 5 1
2 4 2
20. Resuelva cada uno de los siguientes sistemas de ecuaciones lineales, usando aritmtica de
computador en precisin simple y eliminacin Gaussiana con: i) sin pivoteo, ii) pivoteo parcial,
iii) pivoteo escalado de fila.
.2641x1 + .1735 x2 +.8642x 3 = .7521
1
2
3
x1 +
1
b) x1 +
2
1
3 x1 +
1
x2 +
2
1
x2 +
3
1
x2 +
4
x1 +
1 x +
2 1
1
c) x1 +
3
1
4 x1 +
1 x +
4 1
1
1
1
1
x2 + x 3 + x 4 + x 5
2
3
4
5
1
1
1
1
x2 + x 3 + x 4 + x 5
3
4
5
6
1
1
1
1
x2 + x3 + x4 + x5
4
5
6
7
1
1
1
1
x2 + x3 + x4 + x5
5
6
7
8
1
1
1
1
x2 + x3 + x4 + x5
5
6
7
9
1
x3 = 2
3
1
x3 = 1
4
1
x3 = 0
5
=1
=1
=1
=1
=1
, de la matriz de
b)
1 3
2 1 0
d) 1 4 2
0 2 2
2 1 0
c) 0 3 2
1 2 4
1 2 1
A n = 0 1 2
L
0
L 0
1 2
a) Encuentre una frmula general para A n = LU , con L triangular inferior con sus elementos
diagonales iguales a uno y U triangular superior.
b) Use la factorizacin obtenida en a) para resolver el sistema A n X = bn
donde
bn = (1,1,...,1) , para n = 3, 4, 5, 6 .
T
23. Pruebe que si A = LLT con L R n n no singular, entonces A es simtrica y definida positiva.
24. Usando el mtodo de Choleski, encuentre la factorizacin A = LLT para las siguientes matrices:
2.25
a) A = 3.0
4.5
3.0
4.5
5.0 10.0
10.0
34.0
15 3
15 18
18
24
18
4
b) A =
15 18 18 3
3
4 3
1
2 3
25. Considere la matriz A =
. Verifique que la matriz A no es estrictamente dominante
1 4
diagonalmente (por filas), pero que los mtodos iterativos de Jacobi y Gauss-Seidel, para
resolver cualquier sistema AX = b , convergen.
A = 1 1 0
1 2 3
x + 2y + z = 4
x + y + 2z = 4
T
T
valores (121212
. , . , . ) y (.8,.8,.8 ) .
k
k 1
X( ) X( )
< 10 3 .
28. Para cada uno de los siguientes sistemas de ecuaciones, explique si los mtodos iterativos de
Jacobi y Gauss-Seidel convergen o no. En los casos donde haya convergencia calcule las
(k)
( k 1)
< 10 3 .
iteraciones hasta que X X
=1
2x1 + x2
=3
a) x1 + 6 x2
2 x2 + x3 = 1
2x1 + x2 x 3 = 1
= 1
d) x1 + x2
x x + 2x = 2
1
2
3
2 x1 + x 2 3x 3 = 1
b) x1 + 3 x2 + 2x 3 = 12
3 x + x 3x = 0
1
2
3
x1 + 2x 2 + 3 x3 = 0
c) 4 x1 x2 + x3 = 6
2x + 3 x x = 2
2
3
1
+ x4 =
x1 + 2x 2
=
3 x1 x 2 + 4 x 3
e)
x3 + 3x4 =
x1
2x1 + x2 x 3
=
0
2
1
1
29. Para cada uno de los sistemas del ejercicio 28, si la matriz de coeficientes no es estrictamente
dominante diagonalmente (por filas), reordnelo de modo que el nuevo sistema equivalente
tenga matriz de coeficientes lo ms cercana posible a ser estrictamente dominante
diagonalmente (por filas) y estudie la convergencia o divergencia de los mtodos iterativos de
Jacobi y Gauss-Seidel para estos sistemas reordenados. En los casos donde haya
(k)
( k 1)
< 10 3 .
convergencia calcule las iteraciones hasta que X X
30. Para cada uno de los sistemas reordenados del ejercicio 30, use el mtodo SOR con w = 12
. ,
w = .8 .
31. Resuelva los siguientes sistemas de ecuaciones no-lineales usando el mtodo de Punto Fijo y
el mtodo de Newton-Raphson. En los casos donde haya convergencia del mtodo, calcule
(k)
( k 1)
< 10 3 . En cada caso haga una grfica que ilustre
las iteraciones hasta que X X
2
2
4 x y = 0
c)
4 xy 2 x = 1
x2 y 2 = 4
b) x
e + xy = 1
a) Haga una grfica que ilustre cuntas races reales tiene la ecuacin p( x) = 0 .
b) Aplique el algoritmo 3.7 (mtodo de Bairstow) con punto inicial
Tol = 10 3 .
( u0 ,v 0 ) = (3,1)