Wt CAPITULO 11 Matrices especiales y el método de Gauss-Seidel Ciertas matrices tienen una estructura particular que puede aprovecharse para desarro- lar esquemas de solucién eficientes. La primera parte de este capitulo se dedica a dos de estos sistemas: matrices bandeadas y simétricas. Se describen métodos de elimina- ign eficiente para amb. La segunda parte de este capitulo presenta una alternativa a los métodos de elimi- naciGn, es decir, métodos iterativos. El enfoque se da con el método de Gauss-Seidel, el cual emplea valores iniciales y después itera para obtener mejores aproximaciones & la solucién. El método de Gauss-Seidel es particularmente adecuado cuando se tiene gran rnimero de ecuaciones. En estos casos, los métodos de eliminacién pueden estar sujetos a crrores de redondeo, Debio a que el error en el método de Gauss-Seidel es determi- nado porel nimero de iteraciones, el error de redondeo no es un tema que preocupe a este método. Aungue, existen ciertos ejemplos donde la técnica de Gauss-Seidel no conver- gerd al resultado correcto, Fistas y algunas otras ventajas y desventajas que se tienen entre los métodos de eliminacién e iterativos se analizarén en las paginas siguientes. MATRICES ESPECIALES Como se mencioné en el cuadro PT3.1, una matric bandeada es una matrizcuadrada en Ja que todos sus elementos son cera, con excepcisn de una banda centrada sobre Ia dia- gonal principal. Los sistemas bandeados se encuentran con frecuencia en la préctica cientifica y de aingenierfa, Por ejemplo, tales sistemas aparecen en la solucidn de ecua- ciones dierenciales, Ademis, otros méiodos numeéricos como el dels razadoresctbicos (seccién 18.5) involucran la solucién de sistemas bandeados. ‘Las dimensiones de un sistema bandeado se cuanifica mediante dos pardmetos: el ancho de banda (BW, por sus iniciales en inglés) y el ancho de media banda HBW (figura 11.1). Bstos dos valores se relacionan mediante BW - 2HBW + 1. En general, un sistema bandeado es aque para el cual a, = Oi li -jl > HBW. ‘Aunque la eliminacién de Gauss o I descomposicién LU convencional se emplean para resolver sistemas de ecuaciones bandeados. resultan ser ineficientes, debido a que Si el pivoteo no es necesario, ninguno de Ios elementos fuera de la banda cambiard su valor original igual a cero. Asi, ser necesario wtlizar tiempo y espacio en almacen- ‘miento y en el manejo de estos ceros intiles. Si se sabe de antemano que el pivoteo no tes necesario, se pueden desarrllaralgoritmos muy eficientes en los que no intervengan Jos ceros fuera de Ia banda, Como en muchos problemas con sistemas bandeados, no se requiere el pivoteo; los algeritmos alternos, que se describirén a continuacida, son los métodos seleccionads para tal fin,306 MATRICES ESPECIALES Y EL METODO DE GAUSS-SEIDEL 2) Descompesicign FoR k= 2,0 a. £0 bo ¢) Sustitucisn hacia atrés DoroR k='n- 4, 1-1 (all FIGURA 11.2 Seudecsdigo par implementa el algorimo Haws 1 0 FIGURA 11.1 Povématioe uilkza designan el anche mansions de un sistema bandeads BWW y HEY 11.1.1 Sistemas tridiagonales Un sistema tridiagonal (es decir, uno con general como: in ancho de banda 3) se expresa en forma how a) fa eh & b ah & a] fa au) ‘Observe que se ha cambiado la notacién para los coelicientes; en lugar de a y b usamos ef. gy r Bsto se hace para evitar guardar un gran niimero de ceros que no se utilizan cen la matriz.cuadrada de las a. Esta modificacién es ventajosa para ahorrar espacio, ya que el algoritmo resultante requiete menos memoria de cémputo, En la figura 11.2 se muestra el seudocédigo de un método eficiente, Hamado algo- ritmo de Thomas, pata resolver la ecuacidn (11.1). Como una descomposicién LU con- vencional, el algoritmo consiste de wes pasos: descomposicién, sustitucién hacia adelante y sustituciGn hacia atrds. Asi, las ventajas de la descomposicién LU, tales como Incvaluacién de vectores mlltiples del lado derecho y el cdlculo de Ia matriz inversa, se cobtienen mediante una apropiada aplicacién de este algoritmo,11.1_ MATRICES ESPECIALES. 307 EJEMPLO 11.1 Solucién tridiagonal con el algoritmo de Thomas Planteamiento del probleme, Resuelva el siguiente sistema tridiagonal con el algo- ritmo de Thomas 2.04 -1 qT 408 1 204-1 7,|_} os -1 204 -1 {Iz,[7} 08 1 204]/7, 200.8 Solucion Primero, la descomposicién se realiza asi 172.04 = -0.49 {f,= 2.04 = (-0.49)(-1) = 1.550 ey =-1/1 550 =-0.685 fy=204~ (-0.645)(-1) = 1.395 11.395 =-0.717 fe= 2.04 —(O.TITVCN) = 1.323 Asi, la matriz se transforma en 204-1 049 1550-1 0.645 1395-1 “On? 1.323 yy Ia descomposicién LU es 1 204-1 0491 1550-1 064s 1 1395-1 OT 1 1.323 [al [211] Se puede verificar que ésta sea correcta al multiplicar [L]|U] para obtener (A) La sustitucién hacia adelante se realiza de la siguiente manera 1.=0.8 - (-0.49)40.8 = 208 r= 0.8 - (-0.645)20.8 = 14.221 r= 200.8 — (-0.717)14.221 = 210.996 De esta forma, el vector del lado derecho se modifica a308 MATRICES ESPECIALES Y EL METODO DE GAUSS-SEIDEL 408 208 14221 210.996| cl cual, entonces, se utiliza de manera conjunta con la matriz [U], para realizar la sus- titucién hacia atras y obtener la solucién T= 210.996/1,323 = 159.480 T, = (14.221 ~ (-1)159.48)/1.395 = 124.538 [20.800 ~ (-1)124.538)/1.550 = 93.778 T, = 140.800 ~ (-1)93.778]/2,040 = 65,970 EJEMPLO 11.2 11.1.2 Descompesicién de Cholesky Recuerde del cuadro PT3.1, que una mateiz simétrica es aquella donde a, = a, para toda iy, Bn otras palabras, [A] =[A]”. Tales sistemas se presentan coménmente en problemas de contexto matemitico y de ingenierfa, Estas matrices ofrecen ventajas computaciona- les, ya que nicamente se necesita la mitad de espacio de almacenamiento y, en la ma- yyorfa de los casos, s6lo se requiere la mitad del tiempo de céleulo para su solucién. ‘Uno de los métodos mas populares usa la descomposicién de Cholesky. Este algo- ritmo se basa en el hecho de que una matriz simétrica se descompone asi lal= (un a2) Es decir, los factores triangulares resultantes son la transpuesta uno de otro, Los términos de 1a ecuacién (11.2) se desarrollan al multiplicar e igualar entre sf ambos Indos (véase el problema 11.4 al final del capitulo). El resultado se expresa en forma simple mediante relaciones de recurrencia, Para el renglén k-ésimo, kel 13) aa) Descomposicién de Cholesky Planjeamiento del probleme. Aplique la descomposicién de Cholesky a la matriz simétrica11.1_MATRICES ESPECIALES 309 DoFOR k DOFOR i DOFOR j= 2, & = 2 END 09 6 1s 35 fa]=[1s 55° 225 58 225 979 Solucién Para el primer renglén (k = 1), no se toma en cuenta la ecuaci6n (11.3) y se emplea la ecuacién (11.4) para caloular Para el segundo renglén (k= 2), con la ecuacién (11.3) se obtiene 15 2489: 1237 Ih y con la ecuacin (1.4) resulta hy = yay 1, = y/55— (6.1237)? = 4.1833 Para el tercer renglén (k= 3), la ecuacién (11,3) con i= I da como resultado ay 55 Ty 24495 yon (@=2) =Iuly _ 228~6.1287(22.54) ly 4.1833, 20916 en Ta ecuacién (11.4) se obtiene By 4/979 = (22.458) = (20.916) = 6.1106 Van De esta forma, la descomposicién de Cholesky queda como 2.4495 [r]=]6.1237 4.1833, 22.454 20.916 6.1106 Se verifica la validez de esta descomposicién al sustituirla junto con su transpucsta en la ecuacién (11.2) y ver que del producto resulta la matriz original [A]. Esto se deja ‘como ejercicio para el lector. En la figura 11.3 se presenta el seudocédigo para el algoritmo de la descompo- sicién de Cholesky. Debe observar que el algoritmo de la figura 11.3 da un error de eje- ‘cucién sien Ia evaluacisn de a,, se obtiene la raiz.cuadrada de un nmero negativo. Sin310 MATRICES ESPECIALES Y EL METODO DE GAUSS-SEIDEL 11.2 embargo, cuando Ia matriz es definida positiva.’ esto nunca ocurriré. Debido a que muchas de las matrices simétricas que se usan en ingenierfa son de hecho definidas positivas, el algoritmo de Cholesky tiene una amplia aplicacisn, Otro beneficio al traba- jar con matrices simétricas definidas positivas es que no se requiere el pivoteo para evitar la divisién entre cero. Asi, es posible implementar el algoritmo de la figura 11.3 sin Ia complicacién del pivoteo, GAUSS-SEIDEL Los métodos iterativos constituyen una alternativa a los métodos de eliminacién descri- tos hasta ahora, para aproxi que se desarrollaron en el capitulo 6 para obtener las raices de una sola ecuacién. Aque- os métodos consistfan en suponer un valor y luego usar un método sistemético para ‘obtener una aproximacisn mejorada de la rafz, Como esta parte del libro trata con un problema similar (obtener los valores que simulténcamente satisfagan un conjunto de ‘ecuaciones). Entonces se esperarfa que tales métodos aproximados fuesen tiles en este contexto, El método de Gauss-Seidel es el método iterativo mas comtinmente usado. Supon- ‘ga que se da un sistema de n ecuaciones: 1 la solucién, Tales métodos son similares a las wéenicas IAI{X} = (B) SSaponga que se limita aun conjunto de eouaciones de 3 3, Silos elementos dela dis gonal no son todos cer, la primera ecuacion se puede resolver para x, la segunda para zy laerceta para, para oblener yy as (ans) (uLsb) (11.0) Ahora, se puede empezar el proceso de solucién al escoger valotes iniciales para las x. Una forma simple para obtener los valores inieiales es suponer que todos son cero. Estos ceros se sustituyen en la ecuacién (11.5a), la cual se utiliza para calcular un nuevo valor x, = b/a,,, Después, se sustituye este nuevo valor de x, junto con el valor previo cero de x, en la ecuacién (11.56) y se calcula el nuevo valor de x,. Este proceso se repite con la ecuacién (1.Se) para calcular un nuevo valor de x,. Después se regresa a la pri- mera ecuacisn y se repite todo el procedimiento hasta que la solucién converja suficien- "na mais defini positva es aguella para la cul el producto (XV(A](X} es mayor que cero, para toto vector (X} ditto de eroEJEMPLO 11.3 11.2 GAUSS-SEIDEL au temente cerca a los valores verdaderos. La convergencia se verifica usando el criterio [recuerde la ecuacisn (3.5)] le [ES hio0n e, ao para todas Iasi, donde jy j— 1 son las iteraciones actuales y previas, respectivamente. Método de Gauss Seidel Plantecmiento del problema. Use el método de Gauss-Seidel para obtener la solucién del sistema usado en el ejemplo 11. 3x -O.1m,-0.2%= 7.85 0.14 4745-0945 =-19.3 03x,-0.2n + 10x,= 714 Recuerde que la verdadera solucién es, Sys Solucion Primero, despeje la incSgnita sobre la diagonal para cada una de las ecua- 78540.1x, 40.2%, E13. > eu3ay 19.3-0.1x, 40.3%, x, = a 32) 7 e133) Suponiendo que x,y x, son cero, se utiliza la ecuacién (E11.3.1) para caleular 7854040 3 Este valor, junto con e! valor de x, =0, se sustituye en Ia ecuacién (BI1.3.2) para calcular x 2.616667 _-19.3-0.112.616667) +0 7 LLaprimeraiteraci6n termina al sustituir los valores calculades para x,y x;en a ecuacién, (E1133) para dar 2.794524 T1.4~0.3(2.616667)+0.2(-2.794524) 10 7.005610 En la segunda iteracién, se repite el mismo proceso para calcular312 MATRICES ESPECIALES Y EL METODO DE GAUSS-SEIDEL 7.85 + 0.1(-2.194524) + 0.2(7.005610) z =2990857 |e | =031% oagsv0ss7 0.5(7.005619) __, so9495 015% 4- 1021-24962: = T14~030.890857)+022459625) _so6mnp, a coooine ° 10 EL método es, por lo tanto, convergente hacia la verdadcra solucién, Es posible aplicar iteraciones adicionales para mejorar los resultados. Sin embargo, en un problema rea, no se podria saber a priori el resultado correcto, En consecuencia, Ia ecuacién (11.6) nos dda un medio para estimar el error. Por ejemplo, para x, 2990557 2.616667) go 19 5% 2.990557 Para x; y 4, los errores estimados son le,,| = 11.8% y lé,,| = 0.076%. Observe que, como cuando se determinaron las raices de una sola ecuaci6n, Iss formulaciones como la ecuacisn (11.6) usualmente ofrecen una valoracién conservativa de la convergencia. Asi, cuando éstas se satisfacen, aseguran que el resultado se conozca con, al menos, la tolerancia especificada por &, ‘Conforme un nuevo valor de x se calcula con el método de Gauss-Seidel, éste se usa inmediatamente en la siguiente ecuacién para determinar el otto valor de x. De esta forma, sila solucién es convergente, se empleara la mejor aproximacisn disponible, Un meétodo alternativo, llamado iteracién de Jacobi, emplea una téctica algo diferente. Mas que usar inmediatamente el tltimo valor disponible de x, esta técnica usa la ecuacién (11.5) para calcular un conjunto de nuevas x con base en un conjunto de x anteriores. De esta forma, conforme se generan nuevos valores, no se usan en forma inmediata sino que se retienen para la siguiente iteracién, La diferencia entre el método de Gauss-Seidel y la iteracién dle Jacobi se muestra en Ia figura 11.4, Aungue hay ciertos casos donde es iil el método de Jacobi, la utilizacion de Gauss-Seidel da la mejor aproximacién y usualmente lo hace el método preferido, 11.2.1 Criterio de convergencia para el métode de Gauss-Seidel ‘Observe que el método de Gauss-Seidel es similar en esencia ala técnica de iteracién de punto fijo que se usé en la seccién 6.1 para obtener las rafces de una sola ecuacién. Re- ccuerde que Iaiteracién de punto fijo presenta dos problemas fundamentales: I. en algunas ‘ocasiones no es convergente, y 2. cuando converge, con frecuencia lo hace en forma muy lenta. El método de Gauss-Seidel puede también presentar estas desventajas.11.2 GAUSS-SEIDEL 313 Primera iteracién 2 fe) 9128 ~ 9126) /ay, | A= le) 9128 A101 /a, ya fea an ~ 006) Ham | b= fea m1 ~ ot) Hore rym lesan aapal /on | f= lesan ara fon, lea ap) o504) /ass | a= fee 22K) ~ 305) ne roe les anri= aml /oy | 25 = lo —asy~ art Zon o » FIGURA 11.4 lushacién gidica de le die cone foe me 1a resclver sistemas de ecuac ones algebra © o| GouseSeide yb evalve de as Ineales El eriterio de convergencia se puede desarrolla al recordar dela seecién 6.5.1 que las condiciones suficientes para la convergencia de dos ecuaciones no lincales, u(x, »)y 1G y), Som oul feel ey (LT) fax” ax y au) [ae Yer 11% Pe aim Este criterio se aplica también a las ecuaciones lineales que se resuelven con el mé- todo de Gauss-Seidel, Por ejemplo, en el caso de dos ecuaciones simultineas, el algorit- mo de Gauss-Seidel [ecuacién (11.5)] se expresa como u(x.) ==L— “2 x, tsa) y v(x) =~ Sty, cng) Las deriva paciales de estas ecuaciones se evaidan com respect a cada una de las ncgnitas as Mag & 3 yaaa14 MATRICES ESPECIALES Y EL METODO DE GAUSS-SEIDEL au __ ay a aque se sustcuyen en la ecuacién (11.7) para dar aul ey (usa) (1.90) En otras palabras, el valor absoluto de las pendientes en Ia ecuacién (11.8) debe ser ‘menor que la unidad para asegurar la convergencia, lo cual se muestra grficamente en la figura 11.5. La ecuacién (11.9) tambign se reformula asf lass] > la! Esto es, el elemento diagonal debe ser mayor que el elemento fuera de la diagonal para cada renglén. La generalizacién de lo anterior para n ecuaciones es directa y se expresa como Lh (440) FIGURA 11.5 Representacién o} de lo convergencia y bce by divergencia del métoda de GoussSe del. Observe que kis mismas furciones son dibsjadas en ambos casos fu: Lx; + 13x = 286; ¥. 11x) 92 = 99). Asi, ol orden en ol cual se implementan los ecuaciones (se represeria por la dieccién de fo prmera flecna desde al origen| deveimina si el eélevlo ® » * * ’11.2 GAUSS-SEIDEL aus Es decir, el cocficiente diagonal en cada una de las ecuaciones debe ser mayor que la suma del valor absoluto de los otzos coeticientes de la ecuacién, Este citerio es sulicien- te pero no necesario para la convergencia, Bs decir, el método puede funcionar aunque no se satisfaga la ecuacicn (11.10), la convergencia se garantiza cuando la condicién se satisface. A los sistemas que cumplen con la ecuaciéa (11.10) se les conoce como dia- -gonalmente dominantes. Por fortuna, en la ingenier‘a, muchos problemas de importan- cia préctica satisfacen este requerimiento. 11.2.2 Mejoramiento de la convergencia usando relajacién La relajacién representa una ligera modificacién al método de Gauss-Seidel y ésta per- mite mejorar la convergencia, Después de que se calcula cada nuevo valor de x por medio de Ia ecuacisn (11.5), ese valor se modifica mediante un promedio ponderado de los resultados de las iteraciones anterior y actual: ee day aa donde A es un factor ponderado que tiene un valor entre 0 y 2. SiA= 1, (1A) es igual a0 y el resultado no se modifica. Sin embargo, sia A se le asigna un valor entre 0 y 1, el resultado es un promedio ponderado de los resultados actuales y anteriores. Est tipo de modifiacisn se conove como subrelaiacién. Se emplea cominmente para hacer que un sistema no convergente, converja 0 apresure Ia conver gencia al amortiguar sus oscilaciones. Para valores 4-de 142, se le da una ponderacién extra al valor actual. Bn este caso, hay una suposici6n implicita de que el nuevo valor se mueve en la direccién correcta hacia la solucién verdadera, pero con una velocidad demasiado lenta. Por lo tanto, se pretende que la ponderacién adicional de 2 mejore la aproximacién al llevarla més cer ca dela verdadera, De aqui que este tipo de modificacién, al cua sc le llama sobrerre lajacién, permite acelerar la convergencia de un sistema que ya es convergente. Bl méiodo también se conove como sobrerrelajacin simultdnea 0 sucesiva, 0 SOR, La cleccisn de un valor adecuado de 2 es especificado por ol problema y se deter rina en forma empirica, Para la solucién de un solo sistema de ecuaciones, con frecuen- cia es innecesaria, No obstane, si el sistema bajo estudio se va a resolver de manera repetida la efciencia que se introduce por una prudente eleccién de A puede ser impor- tante en extsemo, Buenos ejemplos de lo anterior son los sistemas muy grandes de ccuaciones dferenciales parciales, que frecuentemente se presentan cuando se modelan variaciones continvas de variables (Fecuerde el sistema distribuido que se mostré en la figura PT3.12) Se retomaré el tema en la parte ocho 11.2.3 Algoritmo par id En [a figura 11.6 se muestra un algoritmo para el método de Gauss-Seidel con relajacisn. Observe que este algoritmo no garantiza la convergencia si las ecuaciones no se intro- ducen en una forma diagonalmente dominante. El seudocédigo tiene dos caracteristicas que vale la pena mencionar. La primera es ue existe un conjunto inicial de ciclos anidados para dividir cada ecuacién por su ele- rent diagonal. Esto reduce el nimero total de operaciones en el algoritmo. En la segun- da, observe que la verificacin del error se designa por una variable llamada centinela (sentinel), Si en cualquiera de las ecuaciones se tiene un error aproximado mayor que | métede de Gauss-316 MATRICES ESPECIALES Y EL METODO DE GAUSS-SEIDEL SUBROUTINE Gseid (2,b,, x, Imax, es, lambda) DoFoR i = 1.0 unny = a) DOFOR J = I. 24) = & of dunny b, = b/dunny END bo DoFOR i= 1, sun = BorOR F= 1, 9 IF je} THEN sum = END 90 END 00 iter! boFoR eentinela~1 DoFoR Y= I,m DOFOR J = 1.0 IF jay THEN su END Bo x, = Jambde*sum +(1.~lambda)*old F centinela - 1 AND x, # 0, THEW ea = ABS((x, ~ oldt}/x,)#100. IF e@ > es THEN centinela = 0 IF END 90 iter = iter + 1 IF centinela = 1 OR (iter > fmax) EXIT END 00 END Gseia FIGURA 11.6 Seudocbdiga para el métode de Gauss-Seidel con relajacién el eriterio de paro (¢,), entonces se permite continuar con las iteraciones, El uso de la variable centinela ayuda a evitar célculos innecesarios de estimaci6n de error una vez que las ecuaciones excedan el erterio, 11.2.4 Contextos del problema en el método de Gauss-Seidel Ademis de evitar el problema de redondeo, la técnica de Gauss-Seidel tiene muchas otras ventajas que la hacen particularmente atractiva en el contexto de ciertos problemas de ingenier‘a. Por ejemplo, cuando la matriz. en cuestiGn es muy grande y esparcida (es decir, cuando la mayorfa de los elementos son cero), los métodos de eliminacién desper- dician grandes cantidades de memoria de cémputo al guardar ceros.11.3 _ECUACIONES ALGEBRAICAS LINEALES CON BIBLOTECAS Y PAQUETES 317 EJEMPLO 11.4 Alinicio de este capitalo se vio cémo esta desventaja se puede evita sila matriz de coeficientes es handeada Para sistemas que no tienen Ia forma de banda, generalmente no existe una forma simple para evtar los grandes requerimientos de memoria cuando se ulilizan los métodos de eliminacién, Como todas las computadoras tienen una cant dad de memoria finite, esta inefiiencia llega a poner una limitacgn al tamaio de los sistemas, para los cuales los métodos de climinacidn resullan prcticos ‘Aungue un algoritmo general como el de la figura 11.6 es propenso a la misma restricciin, la estructura de las ecuaciones de Gauss-Seidel fecuacién (11.5) permite ae se desarrollo programas concisos para sistemas espectficos. Como sélo se necesi- ta incluir cosficientes que no sean cero en la ecuacisn (11.5), es posible lograr grandes ahorros en la memoria de la computadora, Aunque esto implica més inversin en el desarrollo de software, ls venajas a largo plazo son sustanciales cuando se tiene gran- des sistemas, en los cuales se ejecutan muchas simulaciones. Tanto sistemas de variables tocalizadas como distrbuidas pueden dar como resultado matrices grandes y muy ¢s- paroidas donde el metodo de Gauss-Seidel tiene wilidad, ECUACIONES ALGEBRAICAS LINEALES CON BIBLIOTECAS Y PAQUETES DE SOFTWARE Las bibliotecas y paquetes de software tienen grandes capacidades para resolver sistemas de ecuaciones algebraicas lincales. Antes de describir dichas herramientas, se debe rmencionar que los procedimientos descritos en el capitulo 7 para resolver sistemas de ecuaciones no lineales pueden aplicarse a sistemas lineales. Sin embargo, en esta seccién enfocaremos nuestra atenci6a hacia procedimientos que estan expresamente diseiados para ecuaciones Lineales. 11.3.1 Excel EExisten dos formas para resolver ecuacionesalgebraicas lineales con Excel: 1. por medio de la herramienta Solver 0 2. usando la inversiGn de matrices y las funciones de mul- ciplicacin, Recuerde que una forma para determina la solucisn de ecuaciones algebraicas Ii reales es (X) = (ar (B) nia) Excel tiene funciones predeterminadas para inversisn y multiplicacién de matrices que sirve para implementar esta férmula, Uso de Excel para resolver sistemas lineales Planieamienio del problema, Recuerde que en el capitulo 10 se presents la matriz, de Hilbert, EI siguiente sistema se basa en esta matriz, Observe que esté escalado, como se realiz6 antes en el ejemplo 10.3, de tal forma que el coeficiente maximo en cada renglén es la unidad, 1-1/2 1/3] [x] [1.833333 12/3 1/2) 4x, )=42.166667 13/4 ist |x| | 23s