Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capitulo 2 Sistemas de Ecuaciones Lineales PDF
Capitulo 2 Sistemas de Ecuaciones Lineales PDF
xi
GHO SEL - MA33A 4
MN para Sist. de Ecs. Lineales:
1) Motivación 1: Interpolación Polinomial
yi = p ( xi ) ∀i = 1,..., (n + 1)
n
yi = p ( xi ) = ∑ ak xi k
k =0
1 x1 x 21 x n1 a0 y1
1 x2 x 22 x n2 a1 y2
1 x3 x 23 x n3 a2 y3
1 x n1 x 2n1 x nn1 an y n1
GHO SEL - MA33A 5
MN para Sist. de Ecs. Lineales:
1) Motivación 2: Mínimos Cuadrados
yk = β 0 + β1 xk
Nube de puntos Dados n puntos (xi , yi )
con tendencia Encontrar la recta que mejor
lineal los “representa”:
+
yi + + + ++ ++ + +
+ + +
+ + + ++ + + + + n
+ + + ++
+ + + ++ + + + + min ∑ [ yk − ( β 0 + β1 xk )]
2
++ ++ + + + β 0 , β1
k =1
xi
GHO SEL - MA33A 6
MN para Sist. de Ecs. Lineales:
1) Motivación 2: Mínimos Cuadrados
b b b b b
a x 0 dx a x 1 dx a x 2 dx a x n dx a0
a x 0 fxdx
b b b 3 b b
a x dx a x dx
1 2
x dx a x n1
dx a1 a x 1 fxdx
a
b b b b an b
GHO a x dx a x dx a x dx SEL -MA33A
n n1
a
n2
x dx 2n
a x n fxdx 8
MN para Sist. de Ecs. Lineales:
1) Motivación 2: Mínimos Cuadrados
Sea f ( x) = sin(π x) . Determinemos p3 ( x)
polinomio de grado 3 según MC:
2
1 1/2 1/3 1/4 a0 2/ sin(pi*x) v/s -1/20+103/25x-103/25x
1
1/2 1/3 1/4 1/5 a1 1/
1/3 1/4 1/5 1/6 a2 2 − 4/
0.8 3
GHO 0
SEL - MA33A 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 91
x
MN para Sist. de Ecs. Lineales:
1) Motivación 2: Mínimos Cuadrados
Ejemplo 1:
f ( x) = sin( x)
5,6
f ( x) = sin( x) p ( x) = ∑ ak xi k
0.4
x +1
0.3 7
0.2 p ( x) = ∑ ak xi k
0.1
k =0
9
0
p ( x) = ∑ ak xi k
y=x/(x 2+1)
-0.1
7th degree
k =0
9th degree
-0.2
-0.3
-0.4
-0.5
-5 -4 -3 -2 -1 0 1 2 3 4 5
GHO SEL - MA33A 11
MN para Sist. de Ecs. Lineales:
1) Motivación 3: Programación Lineal
n
z
cT x = ∑ ck xk
minn c t x k =1
x∈\
Ax ≤ b
x≥0 Región Factible
x2
Ax ≤ b
x≥0 Vértices
x1
δx −1 δb
≤ A A (2)
x b
GHO SEL - MA33A 14
MN para Sist. de Ecs. Lineales:
2) Defs. y Resultados Básicos 3
Veamos un ejemplo.
GHO SEL - MA33A 18
MN para Sist. de Ecs. Lineales:
3) Método de Gauss 3
Estrategias de Pivoteo
En la iteración k de la primera etapa del
método de Gauss es posible que el pivote
akii (elementos de la diagonal de la ecuación
i) se anule. En este caso se permuta la
ecuación i con la ecuación m de mayor
pivote en módulo (pivoteo . parcial):
..
| a mi | ≥ | a ji | para todo j = i+1,…,n
k k
∑ 4i + n
Parte 2
i=1
O(n2)
GHO SEL - MA33A 21
MN para Sist. de Ecs. Lineales:
4) Análisis de Error del M. de Gauss:
Es posible hacer un análisis de propagación
de errores, que se obtienen al realizar las
operaciones aritméticas de la primera y
segunda etapa del método de Gauss o
Gauss – Jordan
Se demuestra que esta propagación de
errores disminuye si se utiliza alguna técnica
de pivoteo (parcial o completo)
GHO SEL - MA33A 22
MN para Sist. de Ecs. Lineales:
5) Matriz Inversa y Determinante 1:
Matriz inversa A: Se aplica el método de
Gauss – Jordan al SEL aumentado con las
columnas de la matriz identidad
a 11 a 12 a 1n ¦ 1 0 0
a 21 a 22 a 2n ¦ 0 1 0
¦
a n1 a n2 a nn ¦ 0 0 1
GHO SEL - MA33A 23
MN para Sist. de Ecs. Lineales:
5) Matriz Inversa y Determinante 2:
… …
… 1
… un-1n-1
…
…
mn1 mn2 … mnn-1 1 0 0 … 0 unn
L A = LU U
GHO SEL - MA33A 28
MN para Sist. de Ecs. Lineales:
6) Factorización de Matrices 2: Crout
Una matriz A cuadrada es tridiagonal si sus
coeficientes no nulos se ubican en las
diagonales principal y secundarias
a 11 a 12 0 0 0
a 21 a 22 a 23 0 0
0 a 32 a 33 a 34 0
A
0 0 a 43 a 44 0
0 0 0 a nn−1 a nn
GHO SEL - MA33A 29
MN para Sist. de Ecs. Lineales:
6) Factorización de Matrices 3: Crout
Una matriz A cuadrada tridiagonal puede ser
factorizada según A=LU donde:
l 11 0 0 0 0 1 u 12 0 0
l 21 l 22 0 0 0
0 1 u 23 0
0 l 32 l 33 0 0
0 0 1 0
0 0 l 43 l 44 0
u n−1n
0 0 0 1
0 0 0 l nn−1 l nn
U
GHO
L SEL - MA33A 30
MN para Sist. de Ecs. Lineales:
6) Factorización de Matrices 4: Crout
Método de Crout para matrices tridiagonales:
Paso 1: l 11 a 11
a 12
u 12
l 11
Paso 2: Para i=2,…,n-1 l ii−1 a ii−1
l ii a ii − l ii−1 u i−1i
a ii1
u ii1
l ii
Paso 3: l nn−1 a nn−1
l nn a nn − l nn−1 u n−1n
GHO SEL - MA33A 31
MN para Sist. de Ecs. Lineales:
6) Fact. de Matrices 5: Cholesky
Una matriz cuadrada A es definida positiva
si y solo si: xtAx > 0 para todo x ∈ ℜn
Teorema: Si A es definida positiva:
a) det(A) ≠ 0
b) akk > 0 para todo k=1,…,n
c) 1max akj ≤ max akk
≤k , j ≤n 1≤ k ≤ n
…
principal k
ak1 … akk
GHO SEL - MA33A 33
MN para Sist. de Ecs. Lineales:
6) Fact. de Matrices 7: Cholesky
Teorema: A es definida positiva si y solo si
puede factorizarse como A = LLT donde L es
una matriz triangular inferior con lii > 0 para
todo i=1,…,n.
En este caso para resolver un SEL Ax = b
se debe aplicar la sustitución forward -
backward
GHO SEL - MA33A 34
MN para Sist. de Ecs. Lineales:
6) Fact. de Matrices 8: Met. Cholesky
Paso 1: l 11 a 11
Paso 4: l nn
GHO
a nn − ∑ l2nkSEL - MA33A 35
k1
MN para Sist. de Ecs. Lineales:
6) Fact. Matrices 9: Ortogonalización
Factorización QR:
A = QR
Q matriz ortogonal: QtQ = I (Gram-Schmidt)
R = QtA
Factorización SVD:
Anxm = USVt
Unxn , Vmxm matrices ortogonales
Snxm matriz valores singulares (raíz v.p. At*A)
GHO SEL - MA33A 36
MN para Sist. de Ecs. Lineales:
7) Métodos Iterativos para SEL 1:
Métodos Iterativos:
(0) n
x ∈ℜ
(k+1) (k)
x = F(x ) ∀k≥0
N = -[low(A) + up(A)]
-1
B = - diag(A) [low(A) + up(A)]
-1
h = diag(A) b
GHO SEL - MA33A 41
MN para Sist. de Ecs. Lineales:
7) Métodos Iterativos para SEL 6:
Si x(k) = (xi(k)) i = 1,…,n es el vector de la
iteración k del método de Jacobi, entonces
satisface la siguiente fórmula iterativa:
⎛ n ⎞
⎜ − a x ( k −1) + b ⎟
⎜⎜ ∑
j =1
ij j i
⎟⎟
xi (k )
= ⎝ j ≠i ⎠ 1 ≤ i ≤ n, k = 1, 2,3...
aii
GHO SEL - MA33A 42
MN para Sist. de Ecs. Lineales:
7) Métodos Iterativos para SEL 7:
Gauss - Seidel: define M y N según
M = [diag(A) + low(A)] N = - up(A)
-1
B = - [diag(A) + low(A)] [up(A)]
-1
h = [diag(A) + low(A)] b
J y G-S convergen ∀x0 si A es estrictamente
diagonal dominante:
akk > ∑ j =1, j ≠k akj ∀k = 1,..., n
n
⎛ i −1 n ⎞
⎜ −∑ aij x j − ∑ aij x j
( k −1)
(k )
+bi ⎟
xi ( k ) = (1 − ω) xi ( k −1)
+ω ⎝ j =1 j =i +1 ⎠
aii
1 ≤ i ≤ n, k = 1,2,3...
GHO SEL - MA33A 45
MN para Sist. de Ecs. Lineales:
7) Métodos Iterativos para SEL 10:
Para matrices tridiagonales y definidas
positivas, el valor óptimo de ω está dado
por la fórmula:
2
1 1−T
Donde:
−1
TJ = −[ Diag ( A)] ( Low( A) + Up ( A))
−1
TG = −[ Diag ( A) + Low( A)] Up ( A)
GHO SEL - MA33A 46
MN para Sist. de Ecs. Lineales:
7) Métodos Iterativos para SEL 11:
Si A es definida positiva, el método del
gradiente conjugado está dado por:
minn q ( x) = x Ax − x b ⇔ Ax = b
1
2
t t
x∈\
Paso 0: x ∈ \ , g = Ax − b, d = − g
0 n 0 0 0 0
k t k
(g ) d
Paso 1: α = − k t
k
k
(d ) Ad
Paso 2: x = x + α d
k +1 k k k
GHO SEL - MA33A 47
MN para Sist. de Ecs. Lineales:
7) Métodos Iterativos para SEL 12:
Método del gradiente conjugado:
k +1 k +1
Paso 3: g = Ax − b
k +1 t k
( g ) Ad
Paso 4: β =
k
k t k
(d ) Ad
Paso 5: d = − g + β d
k +1 k +1 k k
≤ A A
x b
GHO cond(A)
SEL - MA33A 49
MN para Sist. de Ecs. Lineales:
7) Métodos Iterativos para SEL 14:
Si A es una matriz cuadrada, el polinomio en
λ definido por:
p(λ) = det(A- λI)
es el polinomio característico de A
El polinomio p es de grado n y tiene a lo más
n raíces distintas (complejas). Estas raíces
de p se denominan valores propios de A.
GHO SEL - MA33A 50
MN para Sist. de Ecs. Lineales:
7) Métodos Iterativos para SEL 15:
Definición: El radio espectral de A: ρ(A) se
define como:
ρ(A) = max | λi |
i=1,…,n