Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ecuaciones Algebraicas Lineales
Ecuaciones Algebraicas Lineales
A =
a11
a12
a13
....
a 21
a 31
a 22
a 32
a 23
a 33
....
....
.....
a n1
an2
a n3
....
a1 m
a2m
a3m
a nm
Un elemento, aij, se identifica por dos sub ndices, el primero de los cuales denota la
fila y el segundo la columna.
dimensin n:
b1
b
b = 2
M
b3
Si en cambio n = 1, se tiene una matriz fila: c = [c1
la matriz es cuadrada (de orden n). Por ejemplo:
4
1 2 3
1 4 9 16
A=
1 8 27 64
1 16 81 256
d1
0
D=
0
c2
0
d2
0
0
0
d3
K c m ] . Si n = m se dice que
d 4
0
0
0
0
In =
0
0 0 0
1 0 0
0 1 0
0 0 1
( )
2 + i 3 2i
0
1
5
1 i
1+ i
2i
H=
3 + 2i 1 + i
3
2 3i
i
2
+
3
i
4
(donde *
i = 1
es una matriz Hermitiana. Si todos los elementos de una matriz Hermitiana son reales,
es decir a ij = a ji , se tiene una matriz simtrica.
2-1
Una matriz cuadrada en la que la mayor parte de los elementos son ceros y los
elementos con valor significativo estn agrupados alrededor de la diagonal principal se
denomina matriz banda. Por ejemplo:
1 1
1 2 1
B=
1 2 1
1 2 1
1 1
l 11
l 21
L = l 31
l n1
L 0
L 0
L l nm
L
l 22
l 32
0
l 33
l n2
l n3
u11
0
U= 0
u12
u13
u 22
u 23
u 33
L u1n
L u 2n
L u 3n
L u nm
Para las matrices
columna y para las matrices filas se usan minsculas, mientras que para las matrices
rectangulares (incluyendo las matrices cuadradas) se usan maysculas. En todos los
casos, los elementos de una matriz se indican en minsculas.
A11, A12, etc. son submatrices de la matriz A. Las submatrices pueden tratarse como
elementos comunes de una matriz, excepto que deben operarse segn las reglas del
lgebra matricial.
Igualdad. Dos matrices, A, B, del mismo orden, son iguales si cada elemento de una es
igual al correspondiente elemento de la otra. A = B implica a ij = bij para todo i, j.
Suma (resta). La suma (o diferencia) de dos matrices A, B del mismo orden es una
tercera matriz del mismo orden, cuyos elementos se obtienen sumando (restando)
algebraicamente los correspondientes elementos de las dos matrices originales:
AB=C
a ij bij = cij
(A + B ) + C = A + (B + C )
H. Scaletti - Mtodos Numricos: lgebra Lineal
A+B=B+A
2-2
aij
A
=B
= bij
A = B a ij = bij
Multiplicacin de dos matrices. Dos matrices, A (m x p) y B (p x n) pueden ser
multiplicadas en el orden A B slo si son conformables para el producto, es decir, si el
nmero de columnas de A es igual al nmero de filas de B. El producto C (m x n) es
una matriz cuyos elementos se obtienen de:
cij =
ik
bkj
i = 1, m
j = 1, n
k =1
A= 4
10
3
6
3
2
4
B = 2
3
c11 = 5 1 + 3 2 + 1 3 = 14
4
2
C = AB
14 39
C = 22 48
28 70
c 21 = 4 1 + 6 2 + 2 3 = 22
K
c32 = 10 5 + 3 4 + 4 2 = 70
A (B C) = ( A B) C
A (B + C) = AB + AC
AB BA
1 4
A = 2 5
3 6
1 2 3
A T =
4 5 6
productos A SA si S es simtrica.
Cuando se transpone un producto matricial la secuencia de los factores debe invertirse:
2-3
(AB K C)T
= CT K B T A T
det A = A =
1i a 2 j a 3 k
K a nr
n!
Donde cada trmino de la suma incluye un solo elemento de cada fila y de cada
columna. Si en estos productos se considera a los elementos ordenados por filas 1, 2, ..
n, los ndices de las columnas en cada trmino de la suma pueden ser obtenidos como
permutacin del orden normal.
a
det
c
a
b
= det
0
d
bc = ad bc
d
a
b
1 1 0
A = 1 2 1
0 1 1
1
1
0 0
(1)1 + ( 1)2 + (1)1 = 0
0
1
1 0
4 1
1 2 3
1 4 9 16 1
A=
=
1 8 27 64 1
1 16 81 256 1
0
1
3
7
0
0
1
6
0 1
0 0
0 0
1 0
2
2
0
0
3 4
6 12
6 24
0 24
2-4
(A )
1 1
A 1 A = AA 1 = I n
Obviamente I n
=A
elementos son inversas de los elementos de la matriz original. La inversa de una matriz
triangular (inferior o superior) es otra matriz triangular del mismo tipo.
La inversin de matrices permite efectuar la operacin equivalente a la divisin del
lgebra comn.
AB = C B = A 1C
(AB K C)1 = C 1 K B 1 A 1
Una matriz Q se denomina ortogonal si: Q Q T = I n . Particularmente, si Q es una matriz
cuadrada se tiene entonces que Q
cos
R =
sen
= Q T . Por ejemplo:
sen
cos
cos
R 1 =
sen
sen
= R T
cos
.
Refirindose a una matriz con coeficientes complejos, U, se dice que sta es unitaria si
U U* = I
1v1 + 2 v 2 + 3 v 3 + K + 5 v 5 = 0
Alternativamente, puede decirse que los vectores son linealmente dependientes si uno
cualquiera de ellos puede expresarse como combinacin lineal de los otros:
vr =
c v
i
i r
2-5
Las columnas (o filas) de una matriz rectangular A pueden tratarse como vectores. El
nmero de vectores linealmente independientes define el rango de la matriz. Una
matriz cuadrada es no singular si su rango es igual al orden de la matriz, es decir si
todas las columnas son linealmente independientes. Lo contrario implica que una o ms
columnas (filas) pueden obtenerse como combinacin lineal de las otras y la
determinante es cero.
(2.1a)
a n1 x1 + a n 2 x 2 + a n3 x3 + K + a nn x n = bn
o bien: Ax = b
a11
a 21
a
31
L
a n1
a12
a13
a 22
a 32
a 23
a 33
an2
a n3
K a1n x1 b1
K a 2 n x 2 b2
K a 3n x3 = b3
M M
K a nn x n bn
(2.1b)
xj =
a11
a 21
det a 31
a n1
a11
a 21
det a 31
L
a n1
a12
b1
a 22
a 32
K
K
b2
b3
K
K
an2
bn
a12
a1 j
a 22
a 32
K
K
a2 j
a3 j
K
K
an2
a nj
a1n
a 2n
a 3n
a nn
a1n
a 2n
a 3n
a nn
(2.2)
2-6
(2.3)
KK
u n 1,n 1 x n 1 + u nn x n = bn
u nn x n = bn
xn =
bn
u nn
xi =
1
u ii
(2.4a)
bi
u ik x k
k = i +1
(2.4b)
x1 =
b1
l11
1
xi =
lii
(2.5a)
bi
i 1
l ik x k
k =1
(2.5b)
1
2
n (n 1) operaciones
de multiplicacin y suma (casi lo mismo que para multiplicar una matriz triangular por un
vector).
2-7
(2.6)
KK
(1)
a n(11) x1 + a n(12) x 2 + a n(13) x 3 + K + a nn
x n = bn(1)
o en forma compacta: Ax = b.
li1 =
a i(11)
(2.7a)
(1)
a11
(2.7b)
KK
( 2)
a n( 22) x 2 + a n( 23) x3 + K + a nn
x n = bn( 2)
donde
(2.7c)
li 2 =
a i(22)
( 2)
a 22
(2.8)
KK
(n)
a nn
x n = bn( n)
o en notacin matricial: Ux = b.
(1)
( 2)
( 3)
Los elementos a11
, a 22
, a 33
K a n( n1,1n)1 que se usan como divisores en esta reduccin
se llaman pivotes. El proceso tal como ha sido planteado hasta el momento falla si
2-8
aii >
ij
j i
4 x1 2
1 2 3
(1) 1 4 9 16 x 2 10
=
(1) 1 8 27 64 x3 44
4 x1 2
1 2 3
0 2 6 12 x 2 8
=
(3) 0 6 24 60 x 3 42
0
0
(6) 0
1
0
0
2 3
4 x1 2
2 6 12 x 2 8
=
0 6 24 x3 18
0 36 168 x 4 132
2
2
0
0
3 4 x1 2
6 12 x 2 8
=
6 24 x3 18
0 24 x 4 24
finalmente:
24 x 4 = 24
6 x3 + 24 x 4 = 18
2 x 2 + 6 x3 + 12 x 4 = 8
x1 + 2 x 2 + 3 x3 + 4 x 4 = 2
x4 = 1
x3 = 1
x2 = 1
x1 = 1
2-9
1 1 1 x1 1
1 1 2 x 2 = 2
1 2 2 x 1
3
La matriz de coeficientes no es singular y el sistema tiene una solucin nica
anteriormente), se obtiene:
1 1 1 x1 1
0 0 1 x 2 = 1
0 1 1 x 0
3
y siendo a 22 = 0 , no es posible proseguir como habitualmente. La solucin es en este
( 2)
caso obvia: intercambiar las ecuaciones (filas) 2 y 3. En general, si a ii(i ) = 0 , algn otro
(i )
elemento de la misma columna, a ji , debe ser distinto de cero (lo contrario implicara
una dependencia lineal de por lo menos dos de las ecuaciones, es decir la singularidad
de A). Intercambiando las filas j e i puede entonces continuarse la reduccin. Dados los
(i )
3 10 11 1 x1 7
1
1 x 2 9
de donde:
x1
7
=
10
10
3.333 333 333 10 x 2 7 3.333 333 333 10
x2 = 7
x1 = 0
1
1 x1 9
=
11
1 x 2 7
3 10
El intercambio de filas al que se ha hecho referencia se denomina intercambio parcial.
Alternativamente, puede pensarse en un intercambio completo, en que se selecciona el
siguiente pivote como el elemento de mximo valor absoluto entre todos los elementos
de la sub matriz por reducirse. Se intercambian entonces filas (ecuaciones) y columnas
(incgnitas) para continuar el proceso como se ha descrito.
2 - 10
En tal caso, la
4 1
1 2 3
1 4 9 16 1
1 8 27 64 = 1
1 16 81 256 1
0
1
3
7
0
0
1
6
0 1
0 0
0 0
1 0
2
2
0
0
3 4
6 12
6 24
0 24
la matriz A:
Como l ki = a ki
(i )
a11
a 21
a
31
L
a n1
a12
a13
a 22
a 32
a 23
a33
a n2
a n3
K a1n
u11 u12
K a2n
l 21 u 22
K a 3n
l 31 l32
K a nn
l n1 l n 2
u13
u 23
u 33
l n3
K u1n
K u 2n
K u 3n
K u nn
4
1 2 3
1 4 9 16
1 8 27 64
1 16 81 256
1
1
2
2
3
7
3 4
6 12
6 24
6 24
En los casos en los que se efectan intercambios de filas y/o columnas es siempre
posible (si A no es singular) obtener factores triangulares L y U tales que LU = A,
2 - 11
u k j = ak j
k 1
kp
j = k , k + 1, n
upj
(2.9a)
p =1
l ik =
1
u kk
ai k
k 1
l
p =1
ip
u pk
i = k + 1, n
(2.9b)
d ii = u ii
rij =
u ij
d ii
j >i
(2.10)
4 x1 2
1 2 3
1 4 9 16 x 2 10
1 8 27 64 x = 44
3
1 16 81 256 x 190
4
4 x1 2
1 2 3
0 2 6 12 x 2 8
0 6 24 60 x = 42
3
0 14 78 252 x 188
2 - 12
0
0
0 3 8 x1 6
2 6 12 x 2 8
=
0 6 24 x3 18
0 36 168 x 4 132
Ntese que se utiliz la segunda ecuacin para reducir no solamente las ecuaciones 3 y
4, sino tambin la ecuacin 1. Anlogamente:
0
0
0
2
0
0
0
4 x1 3
0 12 x 2 10
=
6 24 x3 18
0 24 x 4 24
0
0
0
2
0
0
0 0 x1 1
0 0 x 2 2
= de donde se obtiene fcilmente la solucin.
6 0 x 3 6
0 24 x 4 24
El mtodo de Gauss- Jordan es ms simple de programar, pero requiere casi 1.5 veces
el nmero de operaciones del mtodo de Gauss tradicional.
Finalmente, para concluir esta seccin, debe mencionarse que el mtodo de Gauss es
aplicable tambin a sistemas de ecuaciones con coeficientes complejos. Por ejemplo:
2 1 i 0 x1 4 2i
1 + i 2 1 + i x 2 = 8 + 4i
0 1 i
3 x3 11 2i
2 1 i 0 x1 4 2i
0 1 1 + i x 2 = 5 + 3i
0 1 i
3 x3 11 2i
2 1 i 0 x1 4 2i
0 1 1 + i x 2 = 5 + 3i
0 0
1 x3 3
de donde:
x3 = 3
x 2 = (5 + 3i ) 3(1 + i ) = 2
x1 =
1
2
-1
Sin
embargo, la solucin puede ser obtenida con mucho menos operaciones y en general
con mucha ms precisin utilizando la descomposicin A = LU. La solucin de los dos
2
-1
AX = In, donde X = A-1. El siguiente ejemplo utiliza una variante del mtodo de Gauss
con este objeto:
1 1 1
A = 2 1 3
3 1 4
1 1 1
2 1 3
3 1 4
1 0 0
0 1 0
0 0 1
1 1 1
0 1 1
0 2 1
1 0 0
2 1 0
3 0 1
1 0 2
0 1 1
0 0 1
1 1 0
2 1 0
1 2 1
1 0 0
0 1 0
0 0 1
1 3 2
1 1 = A 1
1
1 2 1
-1
-1
-1
La matriz A
-1
-1
intercambiando
1
1 1 1 1 0 0 1 1
2 1 3 = 2 1 0 0 1 1
3 1 4 3 2 1 0 0 1
A = LU
La inversa de una matriz triangular es otra matriz del mismo tipo, fcil de determinar.
Para una matriz triangular inferior, L, cada columna de la matriz inversa L-1 puede ser
obtenida por sustitucin directa o reduccin: LY = In.
y ij = 0
H. Scaletti - Mtodos Numricos: lgebra Lineal
i< j
(2.11a)
2 - 14
y ij =
i 1
ij l ik y kj
k= j
1
l ii
i j
(2.11b)
En forma anloga, la inversa, U-1, de una matriz triangular superior, U, es tambin una
matriz triangular superior. Cada fila i, puede determinarse mediante UZ = In:
1
u jj
z ij =
ij
j 1
ik u kj
k =i
z ij = 0
i j
(2.12a)
i> j
(2.12b)
0 0
1
L = 2 1 0
1 2 1
2
1 1
= 0 1 1
0 0 1
1 3 2
=U L = 1
1 1
1 2 1
a (jk1) = a kj(1) .
En otras palabras, la sub matriz que debe an reducirse en un paso dado es tambin
simtrica.
a (jki )
l ji a ik( i )
a (jki )
a ki(i )
a ii(i )
a (jii )
a ii( i )
a ij(i )
(2.13a)
a ik( i )
(2.13b)
0 x1 0
5 4 1
4 6 4 1 x 2 1
1 4 6 4 x = 0
3
0
x 0
1
4
5
4
En las sucesivas etapas del proceso de eliminacin, las sub matrices que quedan por
reducir siguen siendo simtricas:
2 - 15
5 4
0 145
0 16
5
0 1
0 x1 0
1 x 2 1
=
4 x3 0
5 x 4 0
1
165
29
5
5 4 1
16
14
0 5 5
0 0
15
7
0 0 20
7
0 x1 0
1 x 2 1
=
207 x 3 87
65
145
14 x 4
5 4 1
16
14
0 5 5
0 0
15
7
0 0
0
0 x1 0
1 x 2 1
= 8 de donde
20
7 x3
7
5
76
x
6 4
x1
8
x
2 1 13
=
x 3 5 12
x 4
7
(i )
( i +1)
(i )
lugar de a ki ) y restringir los clculos de: a kj
en lugar de
O( 1
i j n.
a ii(i )
(i )
(utilizando a ik en
1 2 4 7 11 M
3 5 8 12 M
6 9 13 M
10 14 M
15 M
1
n (n + 1)
2
M
M
M
M
M
M
aii( k ) > 0
a ij( k )
a ii( k ) a (jjk )
i 1, k n
k i, j n
(2.14)
k <in
2 - 16
i 1
2
2
rii = a ii rpi
p =1
rij =
1
rii
(2.15a)
i 1
p =1
j = i + 1, i + 2,L
(2.15b)
r22 = a 22 r122
1
2
= 1.6733
1
2
= 1.4639
1
2
= 0.9129
es decir:
2.2360
0
R=
0
1.7888
0.4472
1.6733
0
1.9123
1.4639
0.5976
1.9518
0.9129
0
0
0.5976
y=
0
.
7808
1.2781
y finalmente:
8
1 13
x=
5 12
7
Puede anotarse que R est relacionada con las L y U de Gauss mediante RT= LD;
u11
u 22
u nn .
2 - 17
Matrices Banda.
Los sistemas de ecuaciones en que los coeficientes forman matrices banda son
frecuentes. Tales sistemas se resuelven eficientemente por el mtodo de Gauss y otros
similares, ya que stos conservan la estructura de banda de las matrices: A = LU:
1
0
1
2
0
1
0
0
1
0
2
1
1
2
Ntese que A 1 = U 1L
A 1
4
= 3
0 1
0 1
0 = 0
1 0
2 0
0
1
0
0
0
0
1
0
1
1
0
1
0 1
0 0
0 0
0 0
1 0
1
1
0
1
0
0
0
0
1
0
1
1
0
0
4
4
3
3
2
2
3
2
3
2
2
2
1
1
1 8 15
2 9 16
3 10 17
A=
4 11 18
5
12
19
6 13 ( 20)
7 (14) ( 21)
Las posiciones tales como 14, 20 y 21 no se usan, pero se requieren para tener un
nmero fijo de coeficientes en cada codiagonal, lo que facilita la programacin. Siendo
el ancho de la semibanda, m, mucho menor que el nmero de ecuaciones, n, las
posiciones de memoria perdidas son despreciables. Este esquema de almacenamiento
(y su variante por filas) es apropiado cuando el ancho de banda es aproximadamente
constante.
Otra posibilidad es:
1 2 4
13
3 5 7
6 8 10 14
A=
9 11 15
12 16 18
17 19
20
2 - 18
ancho de semibanda), mucho menos que las n posiciones para la matriz completa o las
1
2n
(n + 1)
para una matriz simtrica de alta densidad. Por otro lado, la reduccin de la
l ij = 0
2 nm
) operaciones, ya que:
j i< j+m
excepto para
6n
( )
a1
b1
b1
a2
b2
b2
a3
b3
O
bn 2
a n1
bn 1
x1 c1
x2 c2
x c
3 = 3
M M
bn 1 x n1 c n 1
a n x n c n
(2.16)
b1
b1
a2
b2
b2
a3
b3
O
bn 2
a n 1
bn 1
1
q1
=
bn 1
a n
1
q2
1
O
O
q n 2
1
q n1
r1
b1
r2
b2
r3
b3
r4
O bn 1
rn
2 - 19
r1 = a1
q i = bi / a i
i = 1,2 ,L n 1
(2.17a)
ri +1 = ai +1 q i bi
y, considerando L y = c:
y1 = c1
y i +1 = ci +1 qi y i
i = 1,2 ,L n 1
(2.17b)
x n = y n / rn
xi = ( y i bi xi +1 ) / ri
i = n 1,L 2 , 1
0.780
A =
0.913
0.563
0.659
0.217
b=
0.254
2 - 20
-0.087)
Qu tan
r1 = b A x1 = (10-6 0)T
T
Por otro lado si se afirma que la solucin es x2 = (0.999 -1.001) se obtiene el residuo.
r2 = b A x2 = (1.343x10-3 1.572x10-3)T
T
= ( x1p + x 2p + K )1 / p
1 p
(2.18a)
x
x
= ( x12 + x 22 + K)1 / 2
(norma Euclidiana)
(2.18b)
= mx x i
(2.18c)
x 0
ax = a
(2.19)
x+y x + y
Estas propiedades son familiares en relacin a la norma Euclidiana o longitud de un
vector.
La norma de una matriz cuadrada, A , puede ser definida en forma consistente con la
definicin de norma de un vector:
La norma
= mx
Ax
x
mx ,
1/ 2
es
(x 0 )
(2.20a)
donde
mx
= mx
i
a ij
(2.20b)
j =1
AB A
(2.21)
2 - 21
A + A la solucin resulta x + x :
( A + A ) (x + x) = b
(2.22)
de donde:
x = A 1 A (x + x)
tomando normas:
x A 1
x + x
x + x :
y dividiendo entre
(A )
x + x
donde K (A ) = A
(2.23)
A 1
(2.24)
min
A 1
1 / 2
= mn , donde
K 2 (A ) = mx / mn
1/ 2
(2.25)
A (x + x) = b + b
(2.26)
de donde:
x = A 1b
x A 1
b
A
se obtiene:
x
x
K (A )
b
b
(2.27)
x 2 K (A) x
(2.28)
2 - 22
s t log 10 [K ( A )]
(2.29)
0.659 0.563
0.913 0.780
adems: A 1 = 10 6
A 1
de donde
K (A ) = A
A 1
1.441969
A T A =
1.040807
1.0040807
0.751250
-13
cuyos valores caractersticos son mx = 2.1932, mn = 4.56 x 10
de donde K 2 (A ) = mx / mn
1/ 2
= 2.2 x 106
l ki = a ki(i ) / aii(i )
(2.30)
(i )
l ki = ( a ki / a ii )(1 + 1 )
( i +1)
a kj
( i +1)
bk
(i )
(i )
= ( a kj l ki a ij (1 + 2 ))(1 + 3 )
(i )
(2.31)
(i )
= (b k l ki b i (1 + 4 ))(1 + 5 )
2 - 23
(i )
(i )
l ki = ( a ki + e ki( i ) ) / a ii
( i +1)
(i )
(i )
= a kj l ki a ij + ekj(i )
a kj
( i +1)
(i )
(2.32)
(i )
= b k l ki b i + e k(i )
bk
e ki(i ) a ki
( i +1)
(i )
ekj(i ) 3 .mx a kj , a kj
(2.33)
( i +1)
(i )
c k(i ) 3 .mx b k , b k
(1)
precedentes para escribir a kj en funcin de los l ki , a ij . (es decir los elementos de las
matrices L y U). Se obtiene as:
r
a kj +
e kj(i ) =
i =1
(i )
ki a ij
(2.34a)
i =1
donde r = min (k-1,j), s = min (k, j). Por otro lado, teniendo en cuenta que
b k = bk , se
(1)
obtiene:
bk +
k 1
c k(i ) =
i =1
(i )
ki b i
(2.34b)
i =1
L = (l ki )
U = ( a ij )
y = (bi(i ) )
A + A = L U
b + b = L y
Los elementos de A son sumatorias de los
(i )
de los c k . Las expresiones (4) dan una medida de estas perturbaciones. Obsrvese
que las expresiones (2.23) y (2.27) son aplicables tambin en este caso, y un valor de
columnas.
Finalmente, debe mencionarse que en el proceso de sustitucin inversa, para obtener x
resolviendo U x = y , los errores acumulados son despreciables en trminos relativos a
los que resultan de la reduccin.
2 - 24
gn =
(1)
mx a ij( k )
i , j ,k
(2.35)
mx a ij(1)
i, j
teniendo que:
mx aij = 1 i=1,2,3,...n
1 j n
x = x ( 0 ) + x ( 0 )
y entonces:
A x (0) = r (0)
donde: r ( 0 ) = b Ax ( 0)
Al determinar . x ( 0) . se obtienen los factores triangulares aproximados L y U tales que
( )
2 - 25
L z=r
U x = z
( )
r (i ) = b A x (i )
L z (i ) = r ( i )
(2.36)
U x (i ) = z (i )
x ( k +1) = x ( k ) + x ( k )
Pero nada se ganara si las operaciones se hicieran siempre con el mismo nmero de
cifras significativas empleadas en los cmputos originales. Si los aij bi xi estn dados
con t dgitos, el cmputo de los residuos:
n
ri( k ) = bi
a x
ij
(k )
j
j =1
debe hacerse con 2 t dgitos (para minimizar errores de cancelacin). Sin embargo, el
almacenamiento de los resultados puede hacerse en precisin simple, es decir, con t
dgitos.
Los vectores x (1) y x ( 2 ) permiten tambin estimar el nmero de condicionamiento:
(1)
1 x
(A )
n x ( 2 )
(2.37)
donde n es el orden del sistema y es el mximo error relativo de redondeo (al operar
en precisin simple). Si x (1) no es mucho menor que x (1) , o lo que es lo mismo,
si (A ) n no es mucho menor que 1, el proceso iterativo no es adecuado. En tal caso,
la nica alternativa sera operar con mayor precisin en toda la solucin.
Considrese, por ejemplo, el sistema de ecuaciones:
7
3
7
11
2
3 x1 0.
2 x2 = 1
6 x3 0.
7
3
7
11
2
3 1.00
2 = 1.40
6 0.60
5.00
1.00
1.83 1.00
7.00
1.20
3.00
2.20
0.17
y = (0.00
1.00
1.83)
x (1) = (35.3
20.6
10.8)
2 - 26
ij
0.100 )
0.100
Y entonces:
(redondeado a 3 cifras significativas). Este resultado es mejor que x (1) (en este caso el
resultado es exacto, aunque debera decirse que por accidente).
Puede verificarse fcilmente que la matriz A del ejemplo anterior es bien condicionada.
Por otro lado, considrese nuevamente el sistema:
0.780
0.913
0.563 x1 0.217
=
0.659 x2 0.254
0.780
0.913
0.780 000
1.00 000
0.563 000
3 10 6
se pierden cifras significativas en el elemento a22 de esta ltima matriz al restar dos
nmeros que solo difieren en la ltima cifra almacenada). De aqu resultan:
r (1) = 0.139 10 6
0.692 10 6
(1)
antes obtenida.
que la
2 - 27
xi( k +1) =
1
aii
b
i
aij x (jk )
j i
(2.38)
orden habitual, al determinar xr( k +1) ya se han previamente obtenido las nuevas
aproximaciones x1( k +1) , x2( k +1) L xr( k1+1) . Sin embargo, en el mtodo de Jacobi no se hace
uso de estas nuevas aproximaciones hasta la iteracin siguiente, difiriendo en esto del
mtodo de Gauss - Seidel:
xi( k +1) =
1
aii
b
i
i 1
j =1
aij x (jk )
j = i +1
(2.39)
1
1
1
5
0
1
1
0
5
1
0 x1 1
1 x2 2.75
=
1 x3 1
5 x4 2.75
La solucin exacta es
x = (0.25
0.50
0.25
0.50 )
k
0
1
2
3
4
5
6
7
8
9
10
11
12
x1( k )
x2( k )
x3( k )
x4( k )
0
0.2
0.27
0.242
0.2532
0.24872
0.250512
0.249795
0.250082
0.249967
0.250013
0.249995
0.250002
0
0.55
0.48
0.508
0.4968
0.50128
0.499488
0.500205
0.499918
0.500033
0.499987
0.500005
0.499998
0
-0.2
-0.27
-0.242
-0.2532
-0.24872
-0.250512
-0.249795
-0.250082
-0.249967
-0.250013
-0.249995
-0.250002
0
-0.55
-0.48
-0.508
-0.4968
-0.50128
-0.499488
-0.500205
-0.499918
-0.500033
-0.499987
-0.500005
-0.499998
2 - 28
x1( k )
x2( k )
x3( k )
x4( k )
0.249999
0.250000
0.250000
0.500001
0.500000
0.500000
-0.249999
-0.250000
-0.250000
-0.500001
-0.500000
-0.500000
k
13
14
15
k
0
1
2
3
4
5
6
7
8
9
x1( k )
x2( k )
x3( k )
x4( k )
0
0.2
0.286
0.255760
0.250922
0.250147
0.250024
0.250004
0.250001
0.250000
0
0.59
0.5144
0.502304
0.500369
0.500059
0.500009
0.500002
0.500000
0.500000
0
-0.16
-0.2356
-0.247696
-0.249631
-0.249941
-0.249991
-0.249998
-0.250000
-0.250000
0
-0.464
-0.49424
-0.499078
-0.499853
-0.499976
-0.499996
-0.499999
-0.500000
-0.500000
ri( k ) =
1
aii
b
i
i 1
j =1
(2.40a)
ij
j =i
x (jk )
(2.40b)
k
0
1
2
3
4
5
6
x1( k )
x2( k )
x3( k )
x4( k )
0
0.210000
0.295197
0.251172
0.250096
0.249998
0.250000
0
0.621600
0.507233
0.500414
0.500005
0.500000
0.500000
0
-0.165900
-0.240892
-0.249680
-0.249990
-0.250000
-0.250000
0
-0.481803
-0.497478
-0.499972
-0.499998
-0.500000
-0.500000
2 - 29
2.7.2 Convergencia
En esta seccin se analiza la convergencia de los mtodos de relajacin. Un paso tpico
en la solucin de A x = b puede escribirse como:
x ( k +1) = G x ( k ) + f
(2.41)
A = D (Ti + I + Ts )
(2.42)
1 2
=
2 0
0 0
2 12
0 1
+
0 0
0 0
+
1 0
12
x ( k +1) = (Ti + Ts ) x ( k ) + D 1b
(2.43a)
es decir: G = (Ti + Ts )
(2.43b)
x ( k +1) = Ti x ( k +1) Ts x ( k ) + D 1b
y por lo tanto: G = (I + Ti )
(2.44a)
Ts
(2.44b)
G = (I + Ti )
[ (1 )I Ts ]
(2.45)
Por otro lado, dado, que la solucin exacta, x , debe cumplir la ecuacin (2.41), se tiene
que:
x =G x+f
(2.46)
(x
( k +1)
x = G x(k ) x
( k +1)
x = G x ( k ) x = G 2 x ( k 1) x = L = G k +1 x ( 0) x
(2.47a)
de donde:
(x
(2.47b)
(x
( 0)
x = 1 1 + 2 2 + 3 3 + L + n n
(x
(k )
x = G k x ( 0) x = 1 k1 1 + 2 k2 2 + 3 k3 3 + L + n kn n (2.47c)
Lim x (k ) x = 0
k
(2.48a)
2 - 30
(G ) = mx i 1
(2.48b)
g ij = a ij a ii si i j
(2.49a)
g ii = 0
y utilizando el teorema de Gerschgorin (vase el captulo relativo a la evaluacin de
valores y vectores caractersticos):
(G ) = mx i mx
i
o bien
ij
mx
j
ji
(2.49b)
a jj >
aij
aii >
i =1
i j
ij
(2.49c)
j =1
j i
(2.50a)
donde:
n
ri >
j =i +1
aij
aii
si >
i 1
j =1
aij
aii
(2.50b)
y finalmente se concluye que las condiciones para la convergencia son las mismas que
para el mtodo de Jacobi (aunque en general el mtodo de Gauss -Seidel converge ms
rpidamente).
Un anlisis similar del mtodo de sobre relajacin permite establecer la condicin
adicional: 0 < 2
2.7.3 Mtodos de Mxima Gradiente y de Gradiente Conjugada
En la primera parte de esta seccin se consideran mtodos para la solucin de sistemas
de ecuaciones A x = b con matriz A simtrica y definida positiva, es decir, v T A v > 0
para todo vector v no nulo.
Considrese la funcin:
f (x) = 12 xT A x xT b
(2.51)
2 - 31
f ( x) f ( x ) =
=
1
2
) (
1
2
(x x )T A (x x )
xT A x xT b
1
2
1
2
xT A x x T b
(x x )T A (x x ) 0
(2.52)
d
f (x ( 0) + z )
d
=0
f (x ( 0) + z ) = 12 (x (0) + z )T A (x ( 0) + z ) (x ( 0) + z )T b
(2.53a)
= 12 2 z T A z z T r ( 0) + f (x (0) )
de donde:
d
f (x ( 0) + z )
d
= z T r (0)
=0
(2.53b)
sea un mnimo.
T
T
d
f ( x ( 0 ) + r ( 0) ) = r ( 0 ) A r ( 0 ) r ( 0 ) r ( 0 ) = 0
d
de donde:
T
0 =
r ( 0) r ( 0)
T
r (0) A r ( 0)
( 0) T
A r ( 0) = 0 )
Finalmente:
x (1) = x ( 0) + 0 r ( 0)
El proceso puede repetirse en sucesivos ciclos:
r (k ) = b A x(k )
(2.54a)
k =
r (k ) r (k )
T
(2.54b)
r (k ) A r (k )
x ( k +1) = x ( k ) + k r ( k )
(2.54c)
2 - 32
x = x ( 0 ) + x
x
puede
n vectores linealmente
En particular, si se consideran vectores s 0 , s 1 , s 2 L s n 2 , s n 1 , que
expresarse
independientes.
como
combinacin
lineal
de
s Ti A s j = ci ij
puede escribirse:
x (1) = x (0 ) + 0 s 0
x ( 2) = x (1) + 1 s1
LL
x ( k +1) = x ( k ) + k s k
LL
x = x ( n ) = x ( n 1) + n 1 s n 1
alternativamente:
x=x
(0)
n 1
sk
(2.55)
k =0
Suponiendo que los vectores s k son conocidos, los coeficientes k pueden obtenerse
utilizando las relaciones de ortogonalidad ya mencionadas. Dado que:
n 1
r (i ) = b A x (i ) = A x x (i ) =
A sk
(2.56)
si j < i
(2.57)
k =i
s Tj r (i ) =
n 1
s Tj A s k = 0
k =i
= j s Tj A s j
si j i
j =
s Tj r ( j )
s Tj A s j
(2.58a)
r ( j) r ( j)
j = T
s j As j
(2.58b)
2 - 33
La expresin alternativa j = (s j r
T
( 0)
de errores de redondeo.
Dado que los s 0 , s 1 , s 2 L s n 2 , s n 1 son n vectores linealmente independientes en un
espacio n -dimensional, el error siempre puede ser expresado como una combinacin
lineal de estos vectores , es decir el proceso debera llegar a la solucin exacta (salvo
errores de redondeo) en n pasos.
El vector s k +1 se obtiene eliminando de r ( k +1) la componente segn A s k :
s k +1 = r ( k +1) k s k
(2.59)
donde:
k =
s Tk A r ( k +1)
(2.60)
s Tk A s k
s Tk +1 A s k = s Tk A r ( k +1) k s k = s Tk A r ( k +1)
s Tk A r (+1)
s Tk A s k
(s
T
k
A sk = 0
s Tk +1 A s j = r ( k ) A s j
y
As j =
1
r ( j 1) r ( j )
j
s Tk +1 A s j =
1 ( k ) T ( j 1) 1 ( k ) T ( j )
r
r =0
r
r
j
qk = A sk
k =
( k )T
r (k )
s Tk q k
x ( k +1) = x ( k ) + k s k
(2.61)
r ( k +1) = r ( k ) k q k
T
k =
r ( k +1) q k
s Tk q k
r ( k +1) r ( k +1)
T
r (k ) r (k )
2 - 34
s k +1 = r ( k +1) k s k
Como ejemplo, considrese la solucin del sistema de ecuaciones Ax = b definido por:
A = 1
0
1
2
1
1
2
0
b = 0
4
r ( 0) = s 0 = b A x (0)
(0
q0 = A s0
(0
4)
8)
0 = (r ( 0 ) r ( 0 ) ) (s T0 q 0 )
x (1) = x ( 0 ) + 0 s 0
(0
2)
r (1) = r (0 ) 0 q 0
(0
0)
1)
0 = (r (1) q 0 ) (s T0 q 0 )
/2
/4
(0
q1 = A s1
(2
T
0)
/3
x ( 2 ) = x (1) + 1 s 1
(0
r ( 2 ) = r (1) 1 q 1
(4 3
s1 = r (1) 0 s 0
8 3)
43
0)
1 = (r ( 2 ) q 1 ) (s1T q 1 )
s 2 = r ( 2 ) 1 s 1
(4 3
89
q2 = A s2
( 16 9
/9
2 = (r ( 2 ) r ( 2 ) ) (s T2 q 2 )
x ( 3) = x ( 2 ) + 2 s 2
(1
4 9)
0)
/4
3)
q k = AT sk
k =
( k )T
r (k )
q Tk q k
x ( k +1) = x ( k ) + k q k
H. Scaletti - Mtodos Numricos: lgebra Lineal
(2.62)
2 - 35
r ( k +1) = r ( k ) k A q k
T
k =
r ( k +1) r ( k +1)
T
r (k ) r (k )
s k +1 = r ( k +1) k s k
T
magnitud del residuo r = b A x (o minimizar r = r r ) con respecto a las x . Dado
que:
f = r T r = bT b 2xT A T b + xT A T A x
(2.63)
y por lo tanto:
f
= 2 AT b + 2 AT A x = 0
x
el mtodo de mnimos cuadrados puede formularse como la solucin del sistema de
ecuaciones normales:
(A A ) x = A b
T
Si A = ( a1
a2
(2.64)
resolver el sistema O
ecuaciones normales.
6n
) operaciones.
2 mn
(n + 3)
operaciones.
Para
0
0
0
1
0
1
0
1
1
0
0
1
2
0
x
1
1 3
x2 =
0 1
x3
1 2
1
1
2 - 36
1
3
1
1
1
1 x1 1
1 x2 = 1
3 x3 6
de donde:
x = ( 1.25
3)
1.75
(2.65)
A T ( b Ax ) = 0
R T QT ( b Q R x ) = 0
y dado que Q Q = I se obtiene:
T
R T QT b R x = 0
La matriz R no es singular y por tanto:
R x = QT b
(2.66)
0
0
A=
1
0
1
0
1
0
1
1
0
0
0.5774
0
0
0
1
= QR =
0
0.5774
0
1
1
0.5774
0.2041
0.6124
0
0.4082
0.6124
0.2041
0.3536
0.3536
1.7321
0.7071
0
0
0
0.3536
0.3536
0.5774
1.6330
0
0.5774
0.8165
1.4142
de donde:
1.7321
Rx= 0
0
y finalmente: x = ( 1.25
0.5774
1.6330
0
1.75
0.5774 x1
0.5774
T
0.8165 x 2 = Q b = 0.4082
4.2426
1.4142 x3
3)
2 - 37