lineales Wilmer Ramirez Representación Matricial Un sistema de ecuaciones lineales de la forma:
Se representa matricialmente: Descomposición LU Se tiene un sistema de ecuaciones de la forma:
Suponga que este sistema lo podemos expresar como un sistema triangular
superior:
Y una inferior: Tal que:
Factorización LU Si se satisface la ecuación anterior se tendrá:
Entonces:
Ecuaciones para solucionar el sistema
Ejemplo de aplicación Supongamos un sistema de ecuaciones 3x3:
Utilizando eliminación de Gauss:
Primer renglón se multiplica por y se resta al segundo para eliminar
Primer renglón se multiplica por y se resta al tercero para eliminar
Segundo renglón modificado por y se resta al tercero para eliminar
Ejemplo de aplicación Supongamos un sistema de ecuaciones 3x3:
Utilizando eliminación de Gauss:
Primer renglón se multiplica por y se resta al segundo para eliminar
Primer renglón se multiplica por y se resta al tercero para eliminar
Segundo renglón modificado por y se resta al tercero para eliminar
Ejemplo de aplicación Supongamos un sistema de ecuaciones 3x3:
Utilizando eliminación de Gauss:
Primer renglón se multiplica por y se resta al segundo para eliminar
Primer renglón se multiplica por y se resta al tercero para eliminar
Segundo renglón modificado por y se resta al tercero para eliminar
Ejemplo de aplicación Supongamos un sistema de ecuaciones 3x3:
Utilizando eliminación de Gauss:
Primer renglón se multiplica por y se resta al segundo para eliminar
Primer renglón se multiplica por y se resta al tercero para eliminar
Segundo renglón modificado por y se resta al tercero para eliminar
Las modificaciones hechas a la matriz [A] deberían verse reflejadas en {B}, pero por ahora se guardaran sus modificaciones en los ceros de la nueva matriz.
Note que: Ejemplo Ejercicio de solución Aplique factorización LU para resolver el sistema Descomposición de Cholesky Este algoritmo es especialmente aplicado a matrices simétricas. Se fundamenta en que una matriz A admite una descomposición LU tal que por tanto:
Para esta descomposición, se debe generar una matriz L (triangular inferior) de tal forma que:
Valores inferiores Valores de la diagonal
Ejemplo: Gauss Seidel Método iterativo más común para solucionar sistemas de ecuaciones de la forma:
Siendo A una matriz cuadrada.
Suponga un sistema de ecuaciones 3x3 tal como:
Gauss Seidel Escribiendo el sistemas de forma algebraica y despejando x1, x2 y x3 de las ecuaciones 1, 2 y 3 respectivamente. Gauss Seidel El proceso comienza suponiendo valores iniciales para x1, x2 y x3. La forma más fácil es suponer 0 para cada una de ellas. Se calculan y se reemplazan valores:
x3 se reemplaza en x1 de la siguiente iteración, junto con x2. Generalización del método de Gauss-Seidel
k: Número de la iteración que se está calculando. (k=0 valores iniciales)
Note que para el método de Gauss Seidel los valores que se calculan se van inmediatamente sustituyendo en las siguientes ecuaciones, por tanto, el método debe ser ejecutado en orden. Método de Gauss-Seidel y Método de Jacobi La diferencia entre el método de Jacobi y el de Gauss-Seidel radica en el reemplazo de variables. Jacobi reemplaza todas las variables hasta la siguiente iteración, mientras que Gauss-Seidel lo hace consecuentemente.
Formulación general de Jacobi:
Ejercicio Solucione utilizando Gauss-Seidel y Gauss-Jacobi Gauss-Seidel:
Gauss-Jacobi: Ejemplo para la solución matricial Para el sistema Ax=b tal que:
Las matrices serian:
Trabajo de clase Realice una función en Matlab a la que se le entregue un sistema de ecuaciones nxn de forma matricial (Matriz A y matriz b de Ax=b) y un umbral para el error, y este programa entregue como salida la solución por medio de Gauss-Seidel y Jacobi.
Comente su código totalmente.
Primera persona en terminar y exponer su código tendrá una bonificación de +0.2
para el primer examen. (No se admite ningun copy-paste de internet). Método del Gradiente El método del gradiente es un método de descenso para solucionar ecuaciones de tipo Ax=b tal que A es una matriz definida positiva.
Una matriz es definida positiva si:
Definición de función cuadŕatica: Se refiere a toda función definida de la forma:
Método del Gradiente Recordemos que el gradiente de una función se define como:
El gradiente tiene la característica que para cualquier punto de prueba x, el vector
de campo apunta al máximo crecimiento de f. Método del Gradiente Si se tiene la función cuadrática de la forma:
si derivamos esta función obtenemos:
Si A es simétrica entonces: Método del Gradiente si igualamos:
Se obtiene el sistema original y además se puede concluir que la solución es un
punto crítico de f. a) Si A es definida positiva, la solución del sistema es un mínimo de f. b) Si A es definida negativa, la solución es un máximo de f. c) Si A es singular, existen múltiples soluciones. d) Si A no es definida, ni singular, el método fallará. Método del Gradiente El error exacto para el método del gradiente para una iteración podría definirse como:
Siendo la solución al sistema de ecuaciones.
El residuo también puede indicar que tan lejos se está de la respuesta:
El residuo indica la dirección a la respuesta
Método del Gradiente Por lo tanto, el residuo podemos definirlo como:
El método de gradiente se generaliza como:
Siendo: Método del Gradiente Criterios de parada para el método del gradiente: Ejemplo Utilizando el método de Gradiente, determine la solución del sistema Ax=b tal que: Criterio de Sylvester function [] = Sylvester(M) if all (MenoresPrincipales>0) A=size(M); disp('La Matriz es Definida Positiva') MenoresPrincipales=(1:1:A); elseif all (MenoresPrincipales>=0) B=A(1:1); disp('La Matriz es Semidefinida Positiva') for k=(1:B); elseif all (MenoresPrincipales<0) M(1:k,1:k) disp('La Matriz es Definida Negativa') C=det(ans); elseif all (MenoresPrincipales<=0) MenoresPrincipales(1,k)=C; disp('La Matriz es Semidefinida Negativa') end else MenoresPrincipales disp('La Matriz es Indefinida') end end Método del Gradiente Conjugado Para comprender el método del Gradiente Conjugado, revisemos cómo obtenemos el factor de descenso en el método del gradiente.
El método del gradiente encuentra una solución en el mínimo de una función
cuadŕatica para un sistema con matriz simétrica definida positiva. Entonces:
Por tanto: Expresamos esta derivada como:
Solucionando:
Despejando el factor de descenso:
Residuo
Dirección de descenso
Para el método del gradiente, la dirección de descenso y el residuo son
equivalentes, por tanto se hace la igualación en la fórmula final.
¿Y si no necesariamente el residuo fuera la dirección más adecuada de
descenso? Método del Gradiente Conjugado Elijamos una dirección de descenso diferente:
¿Cómo determinamos la dirección de descenso?
Método del Gradiente Método del Gradiente Conjugado Método del Gradiente Conjugado Sea al vector que une x1 y x0, suponiendo que podemos llegar a la solución en la segunda iteración, siendo la solución.
Para encontrar el vector, haremos uso de la siguiente proposición:
Preposición: Los vectores y son conjugados respecto a la matriz A.
Gracias a esta proposición se puede afirmar que:
Podemos expresar linealmente (d0 en la 1ra iteración es equivalente a r0):
Tenemos dos incógnitas, pero en vista de que no necesitamos el vector completo
sino simplemente su dirección, podremos reducir las incógnitas a una sola de la siguiente forma: Usando la preposición 5 podemos calcular Pasos para solucionar por gradiente conjugado
