Está en la página 1de 5

1

UNIVERSIDAD DE LA SERENA Análisis Numérico, 23051


FACULTAD DE CIENCIAS Prof. Hernán Mardones González
DEPARTAMENTO DE MATEMÁTICAS 21 de Agosto de 2018
Duración: 90 minutos

Pauta Evaluación Parcial 2


1. (20 puntos) Resuelva el sistema lineal de ecuaciones

0,7290x1 + 0,8100x2 + 0,9000x3 = 0,6867


1,000x1 + 1,000x2 + 1,000x3 = 0,8338
1,331x1 + 1,210x2 + 1,100x3 = 1,000

usando 4 cifras significativas, cuya solución exacta es x ≈ (0,2245, 0,2814, 0,3279)> .


a) A partir del método de eliminación gaussiana.
b) Mediante el método de eliminación gaussiana con estrategia de pivoteo parcial.
c) Obtenga el error de aproximación de ambos métodos. ¿Qué concluye al respecto?
Indicación: Trabaje con la matriz ampliada (A | b), no interesa conocer las matrices
de factorización.
Solución
Al escribir el sistema de ecuaciones lineales en la forma

Ax = b,

trabajamos con la matriz ampliada (A | b) del sistema.

a) Procediendo según el método de eliminación gaussiana con 4 cifras significativas1


tenemos
 
0,7290 0,8100 0,9000 0,6867
 1,000 1,000 1,000 0,8338 
1,331 1,210 1,100 1,000
 
0,7290 0,8100 0,9000 0,6867
∼m21 = 1,000 y m31 = 1,331  0 −0,1110 −0,2350 −0,1084 
0,7290 0,7290
0 −0,2690 −0,5430 −0,2540
 
0,7290 0,8100 0,9000 0,6867
∼m32 = −0,2690  0 −0,1110 −0,2350 −0,1084  .
−0,1110
0 0 0,02640 0,008700
Por ello, se obtiene la solución aproximada

x ≈ (0,2251, 0,2790, 0,3295)> .

(7 puntos)
1
Al trabajar con 4 cifras significativas tenemos, por ejemplo,
1,000
1,000 − · 0,8100 ≈ 1,000 − 1,372 · 0,8100 ≈ 1,000 − 1,111 ≈ −0,1110.
0,7290
2

b) Usando el método de eliminación gaussiana con estrategia de pivoteo parcial y 4


cifras significativas tenemos
 
0,7290 0,8100 0,9000 0,6867
 1,000 1,000 1,000 0,8338 
1,331 1,210 1,100 1,000
 
1,331 1,210 1,100 1,000
∼f1 ↔f3  1,000 1,000 1,000 0,8338 
0,7290 0,8100 0,9000 0,6867
 
1,331 1,210 1,100 1,000
∼m21 = 1,000 y m31 = 0,7290  0 0,09090 0,1736 0,08250 
1,331 1,331
0 0,1473 0,2975 0,1390
 
1,331 1,210 1,100 1,000
∼f2 ↔f3  0 0,1473 0,2975 0,1390 
0 0,09090 0,1736 0,08250
 
1,331 1,210 1,100 1,000
∼m32 = 0,09090  0 0,1473 0,2975 0,1390  .
0,1473
0 0 −0,01000 −0,003280

Por tanto, obtenemos la aproximación

x ≈ (0,2246, 0,2812, 0,3280)> .

(7 puntos)
c) Por lo anterior, el error obtenido al usar el método de eliminación gaussiana es

> >
(0,2245, 0,2814, 0,3279) − (0,2251, 0,2790, 0,3295) = 0,0024.

Por su parte, el error del método de eliminación gaussiana con estrategia de pivoteo
parcial resulta

> >
(0,2245, 0,2814, 0,3279) − (0,2246, 0,2812, 0,3280) = 0,0002.


La estrategia de pivoteo parcial modifica la fila que contiene al pivote para evitar
divisiones por números cercanos a cero. Por ello, se obtiene una reducción en el error
de redondeo resultante al trabajar con un número limitado de cifras significativas.
En particular, la estrategia de pivoteo parcial disminuye el error obtenido en cada
componente en comparación a no utilizar tal estrategia.
(6 puntos)

2. (20 puntos) Interesa estudiar el sistema de ecuaciones Ax = b, con matriz de Hilbert


   
1 12 13 1
1 1 1 1
A = 2 3 4 y b = 2.
1 1 1 1
3 4 5 3

a) Estime el número de condición de A.


b) Factorice A = LL> y obtenga x ∈ R3 usando el método de Cholesky.
3

c) Considere las perturbaciones


   
10−4 0 0 10−1
δA =  0 10−5 10−6  y δb =  0  .
   

10−6 10−7 0 10−4

Estime el error relativo de la solución del sistema (A + δA) (x + δx) = b + δb con


respecto a x.

Indicación: No se pide calcular x + δx.


Solución

a) Encontramos la matriz A−1 usando, por ejemplo, operaciones elementales por filas
a la matriz ampliada (A | Id ) ∼ (Id | A−1 ). A partir de ello, obtenemos
 
9 −36 30
A−1 =  −36 192 −180  .
30 −180 180

Ası́ calculamos
 
1 1
Cond (A) = kAk∞ · A−1 ∞ =

1+ + · (36 + 192 + 180) = 748.
2 3

Es decir, se trata de un sistema mal condicionado porque Cond (A)  1.


(6 puntos)
b) Aplicando el algoritmo visto en clases tenemos la factorización A = L> · L, con L
la matriz triangular inferior dada por

1 0 0
 
1 1
L =  2 √12 0 .
1 √1 √1
3 12 180

(2 puntos)
El método de Cholesky nos entrega la solución del sistema Ax = b dada por

x = (1, 0, 0)> .

(6 puntos)
kδAk
c) Como Cond (A) · kAk
< 1, estimamos

10−4 10−1
   
kδxk Cond (A) kδAk kδbk 748
≤ kδAk
· + = 10−4
+ ≈ 78,02.
kxk 1 − Cond (A) · kAk kbk 1 − 748 · 11/6
11/6 1
kAk

El error relativo de la solución del sistema perturbado x + δx con respecto a la


solución del sistema original x es a lo más de 78,02. Esto no garantiza que δx sea
un valor pequeño, a pesar de tener perturbaciones δA y δb de orden a lo más 10−4 .
Debido a que el sistema es mal condicionado es esperable que x + δx sea muy
diferente de x, incluso cuando las perturbaciones de A y b son menores.
(6 puntos)
4

3. (20 puntos) Considere el sistema lineal de ecuaciones


    
2 −1 0 x1 1
 −1 2 −1   x2  =  1  ,
    

0 −1 2 x3 1

cuya solución exacta es x = (3/2, 2, 3/2)> .

a) Dados los métodos iterativos basados en la descomposición A = N − P , calcule sus


matrices de iteración. ¿Qué método resulta apropiado? Justifique en detalle.
(k) (0) >
(k) exacta−3a través de x → x, comenzado en x = (1, 1, 1)
b) Estime la solución
hasta obtener e ≤ 10 .

Solución

a) La matriz de iteración M del método de Jacobi es


 1     1

2
0 0 0 1 0 0 2
0
M = N −1 · P =  0 21 0  ·  1 0 1  =  12 0 12  .
0 0 12 0 1 0 0 12 0
n o
1 1
Por ello, el espectro de M es el conjunto σ (M ) = − 2 , 0, 2 . Ası́ el método de Jacobi
√ √

converge porque el radio espectral de su matriz de iteración ρ (M ) es menor que 1.


En el caso del método de Gauss-Seidel
 1     1

2
0 0 0 1 0 0 2
0
M = N −1 · P =  41 21 0  ·  0 0 1  =  0 1
4
1
2
.
1 1 1 1 1
8 4 2
0 0 0 0 8 4

Como ρ (M ) ≤ kM k∞ = 12 , tenemos que el método de Gauss-Seidel también es conver-


gente.
Por lo tanto, ambos métodos son apropiados para la aproximación de la solución.
(10 puntos)

b) Elegimos el método de Gauss-Seidel debido a tener mayor tasa de convergencia.


Recordemos que el método de Gauss-Seidel construye recursivamente la sucesión x(k) a
partir de x(0) mediante
x(k+1) = M · x(k) + N −1 · b.

Por lo tanto, obtenemos las estimaciones dadas en el Cuadro 1. Para la estimación

x(10) ≈ (1,499, 1,999, 1,500)>



se obtiene el error solicitado e(10) ∞ ≤ 0,001.
(10 puntos)
5

(k) (k) (k) (k)


k x1 x2 x3 e

0 1 1 1 1
1 1 1,5 1,25 0,5
2 1,25 1,75 1,375 0,25
3 1,375 1,875 1,4375 0,125
4 1,4375 1,9375 1,46875 0,0625
5 1,46875 1,96875 1,484375 0,03125
6 1,484375 1,984375 1,4921875 0,015625
7 1,4921875 1,9921875 1,49609375 0,0078125
8 1,49609375 1,99609375 1,498046875 0,00390625
9 1,498046875 1,998046875 1,4990234375 0,001953125
10 1,4990234375 1,9990234375 1,49951171875 0,0009765625

Cuadro 1: Método de Gauss-Seidel.