Test –Lab 4 - 5 Solución de Ecuaciones Lineales –Métodos iterativos y Valores propios –

Métodos de la Potencia.

1. Sea A una matriz de orden n con vector propio v correspondiente al valor propio 5.
Entonces es v tambien el mismo vector propio de la matriz A2.
 Verdad
 Falso
2. Sea A una matriz de orden n con autovector v correspondiente al autovalor 5.
Entonces 5v es autovector de la matriz A2con autovalor 25.
 Verdad
 Falso

3. La matriz [ 11 11] es diagonalizable.

 Verdad
 Falso
1 1 0 0 1
4. Compruebe si A=
−1 −1 0 0
−2 −2 2 1
1 1 −1 0
[ ]
tiene como autovector a v=
−1
0
0
, si es verdad

coloque el autovalor correspondiente. Si no es autovector coloque “1000”

[]
0

5. [−11 24]
Si A= con los autovectores v1 = [ 11] v =[ 21]
y 2 . ¿Es tambien v1 + v 2 un

autovector? Justifique.
No porque no presenta un autovector asociado a este.

A=[1 2;-1 4]
syms lambda
n=length(A)
SOL=solve(det(A-eye(n)*lambda)==0,lambda)
b=A*[3 2]'
b =
7
5
7/3=2.3333
5/2=2.5

6. [−11 24]
Si A= con los autovectores v1 = [ 11] y v 2= [ 21] . ¿Es tambien v 2−v 1 un

autovector? Justifique.
No porque no presenta un autovector asociado a este.
A=[1 2;-1 4]
b=A*[1 0]'
b =
1
 -1
1/1=1
-1/0=NaN

7. Dada la Matriz A= [ 10 2t ] [ 11]

y el vector v= . Determine t , tal que v sea un autovector

de A.
t=¿ 3.

syms t
A=[1 2;0 t]
b=A*[1 1]'

3/1=t/1
t=3

8.

¿ λ=−1 es un autovalor de A?

Encuentre la dimensión del espacio nulo que alberga este autovalor.

A=[0 1 0;0 0 1;-6 -1 4];

syms lambda
n=length(A);
SOL=solve(det(A-eye(n)*lambda)==0,lambda)

SOL=

Por lo tanto -1 si es un autovalor

Por lo tanto la dimensión del espacio nulo es 1.

 9. Determine el valor propio dominante y su vector propio asociado.
A=[ ¿ ]
Use como vector inicial el vector unitario y obtenga los resultados hasta 3 cifras
significativas exactas en sus resultados.

A=[0 1 0 0;0 0 1 0; 0 0 0 1;-150 245 -113 19]

eig(A)

x0=[0; 0;0;1]

k=0; er=100;

tol=5*10^-3

while er>tol

k=k+1;

x1=A*x0;

[v,p]=max(x1);

u=x1(p) ; % aproximacion a lamda

x1=x1/u;

er=norm(x1-x0)/norm(x1)*100;

x0=x1;

end

%L=1/u+q

x1

XOM=A*x1

COM=10*x1

A =
0 1 0 0
0 0 1 0
0 0 0 1
-150 245 -113 19
ans =
 10.000000000000011
4.999999999999996
2.999999999999999
1.000000000000000
x0 =
0
0
0
1
tol =
0.005000000000000
k =
11
x1 =
0.000996653221087
0.009985627950346
0.099952037339816
1.000000000000000
XOM =
0.009985627950346
0.099952037339816
1.000000000000000
10.002400645272505
COM =
0.009966532210869
0.099856279503460
0.999520373398163
10.000000000000000
Por lo tanto valor propio dominante es 10 y el vector propio asociado a este es x1.

10. Para comenzar nuestro estudio pensemos en un baby-Internet que consiste solo de tres
páginas web y que están conectadas como muestra la figura, es decir, en la página 1 existen
una liga para que se acceda a la página 2, de manera similar en la página 2 existe una liga para
poder acceder a la página 1. Ocurre lo mismo para las páginas 2 y 3. Para las páginas 1 y 3, solo
existe un botón en 3 para ir a 1.

Page 1 Pa g
e2
 Determine la página que más conectividad tiene y su frecuencia. 3

A=[0 1/2 1/2;1 0 1/2;0 1/2 0]

eig(A)

%[T,J]=jordan(A)

x0=[1 1 1 ]'

k=0; er=100;

u=1;
B=[k u x0' x0']

tol=5e-3

format

for i=1:14

k=k+1;
x1=A*x0;

x2=x1;

[v,p]=max(x1);

u=x1(p); % aproximacion a lamda

x1=x1/u;

er=norm(x1-x0)/norm(x1)*100;

x0=x1;

B=[B;k u x2' x0'];

end

B;
fprintf('%8.0f %8.3f %8.3f %8.3f %8.3f %8.3f %8.3f %8.3f\n',B')
x1

A*x1
0 0.000 1.000 1.000 1.000 1.000 1.000 1.000
1 1.500 1.000 1.500 0.500 0.667 1.000 0.333
2 0.833 0.667 0.833 0.500 0.800 1.000 0.600
3 1.100 0.800 1.100 0.500 0.727 1.000 0.455
4 0.955 0.727 0.955 0.500 0.762 1.000 0.524
5 1.024 0.762 1.024 0.500 0.744 1.000 0.488
6 0.988 0.744 0.988 0.500 0.753 1.000 0.506
7 1.006 0.753 1.006 0.500 0.749 1.000 0.497
8 0.997 0.749 0.997 0.500 0.751 1.000 0.501
9 1.001 0.751 1.001 0.500 0.750 1.000 0.499
10 0.999 0.750 0.999 0.500 0.750 1.000 0.500
11 1.000 0.750 1.000 0.500 0.750 1.000 0.500
12 1.000 0.750 1.000 0.500 0.750 1.000 0.500
13 1.000 0.750 1.000 0.500 0.750 1.000 0.500
14 1.000 0.750 1.000 0.500 0.750 1.000 0.500
La pagina con mayor conectividad seria la pagina 2 y su frecuencia es 15/10.

11. Analice la convergencia y los valores que permiten obtener algoritmos iterativos de
Jacobi y Gauss Seidel.

Analizando la convergencia en (a) para ambos algoritmos.

JACOBI

syms x
A=[x 0 1; 0 x 1; 1 0 x];

Análisis de la convergencia

Ax= b ==> x=Tx+c

D=diag(diag(A));
L=D-tril(A);
U=D-triu(A);
format rat
Tj=D\(L+U);
E=eig(Tj) % espectro de T
E

0<=1/x<1
Para todo 1<x
GAUSS SEIDEL

syms x
A=[x 0 1; 0 x 1; 1 0 x];

Análisis de la convergencia

Ax= b ==> x^(k)=Tx^(k-1)+c

D=diag(diag(A));
L=D-tril(A);
U=D-triu(A);
format rat
Tg=(D-L)\(U);
E=eig(Tg) % espectro de T
E

0<=1/(x^2)<1
Para todo 1<x

Analizando la convergencia en (b) para ambos algoritmos.

JACOBI

syms y
A=[-10 2; y 5];

Análisis de la convergencia

Ax= b ==> x=Tx+c

D=diag(diag(A));
L=D-tril(A);
U=D-triu(A);
format rat
Tj=D\(L+U);
E=eig(Tj) % espectro de T
E

0<=((-y)^0.5)/5<1
Para todo -25<x<=0
GAUSS SEIDEL

syms y
A=[-10 2; y 5];

Análisis de la convergencia

Ax= b ==> x^(k)=Tx^(k-1)+c

D=diag(diag(A));
L=D-tril(A);
U=D-triu(A);
format rat
Tg=(D-L)\(U);
E=eig(Tg) % espectro de T
E

0<=y/25<1
Para todo 0<=y<25

12. Demuestre que el método de Gauss Seidel es más rápido que el método de Jacobi

usando el radio espectral.

A=[2 -2 0;-2 3 -1; 0 -1 4];

Análisis de la convergencia

Ax= b ==> x=Tx+c

D=diag(diag(A));
L=D-tril(A);
U=D-triu(A);
format rat
Tj=D\(L+U);
E=eig(Tj) % espectro de T
E
format
rho_j=max(abs(E))
E =
-1170/1351
1170/1351
-1/463372946379939200
rho_j = 0.8660

A=[2 -2 0;-2 3 -1; 0 -1 4];

Análisis de la convergencia

Ax= b ==> x^(k)=Tx^(k-1)+c

D=diag(diag(A));
L=D-tril(A);
U=D-triu(A);
format rat
Tg=(D-L)\(U);
E=eig(Tg) % espectro de T
E
format
rho_g=max(abs(E))
E =
0
3/4
-1/72057594037927936
rho_g = 0.7500
como se ve 0<=rho_g<rho_j<1, los dos metodos convergeran pero como rho_g esta
mas cerca al cero entonces el metodo de GAUSS SEIDEL convergera más rapido que el
método de JACOBI.

13. Dado el sistema, compruebe la convergencia usando jacobi y Gauss Seidel.

Crear en Matlab a partir de sub-matrices.
A=[10 0 1 0 0 0 0 0;0 10 0 0 0 0 -1 0;0 0 10 0 0 -2 0 0;2 0 0 10 0 0 0
0;0 0 1 0 10 0 0 0;0 0 0 -3 0 10 0 0;0 3 0 0 0 0 10 0;0 0 0 0 1 0 0 10];

Análisis de la convergencia

Ax= b ==> x^(k)=Tx^(k-1)+c

D=diag(diag(A));
L=D-tril(A);
U=D-triu(A);
format rat
Tg=(D-L)\(U);
E=eig(Tg) % espectro de T
E
format
rho_g=max(abs(E))
E =
0
0
0
0
317/9151
-317/9151
0
-3/100
rho_g = 0.0346
A=[10 0 1 0 0 0 0 0;0 10 0 0 0 0 -1 0;0 0 10 0 0 -2 0 0;2 0 0 10 0 0 0
0;0 0 1 0 10 0 0 0;0 0 0 -3 0 10 0 0;0 3 0 0 0 0 10 0;0 0 0 0 1 0 0 10];

Análisis de la convergencia

Ax= b ==> x=Tx+c

D=diag(diag(A));
L=D-tril(A);
U=D-triu(A);
format rat
Tj=D\(L+U);
E=eig(Tj) % espectro de T
E
format
rho_j=max(abs(E))
E =
0 + 0i
0 + 0i
-523/2810 + 0i
 0 + 523/2810i
0 - 523/2810i
523/2810 + 0i
0 + 234/1351i
0 - 234/1351i

rho_j = 0.1861
A=[10 0 1 0 0 0 0 0;0 10 0 0 0 0 -1 0;0 0 10 0 0 -2 0 0;2 0 0 10 0 0 0
0;0 0 1 0 10 0 0 0;0 0 0 -3 0 10 0 0;0 3 0 0 0 0 10 0;0 0 0 0 1 0 0 10];
b=[13 13 18 42 53 48 76 85]';

Proceso iterativo jacobbi

x=Tx+c
D=diag(diag(A));
L=D-tril(A);
U=D-triu(A);
format rat
Tj=D\(L+U); % inv(D)*(L+U)
cj=D\b
x =
1.0000
2.0000
3.0000
4.0000
5.0000
6.0000
7.0000
8.0000

format
k=1;
tol=5*10^-3;
x0=[0 0 0 0 0 0 0 0]';H=[0 x0'];
delta=100; % error relativo porcentual
while delta>tol
x=Tj*x0+cj;
H=[H; k x'];
delta=norm(x-x0)/norm(x)*100;
k=k+1;
x0=x;
end
H
0 1.000 1.000 1.000 1.000 1.000 1.000 1.000 1.000
1 1.200 1.400 2.000 4.000 5.200 5.100 7.300 8.400
2 1.100 2.030 2.820 3.960 5.100 6.000 7.180 7.980
3 1.018 2.018 3.000 3.980 5.018 5.988 6.991 7.990
4 1.000 1.999 2.998 3.996 5.000 5.994 6.995 7.998
5 1.000 1.999 2.999 4.000 5.000 5.999 7.000 8.000
6 1.000 2.000 3.000 4.000 5.000 6.000 7.000 8.000
7 1.000 2.000 3.000 4.000 5.000 6.000 7.000 8.000

Proceso iterativo gauss

A=[10 0 1 0 0 0 0 0;0 10 0 0 0 0 -1 0;0 0 10 0 0 -2 0 0;2 0 0 10 0 0 0 0;0 0 1 0 10 0
0 0;0 0 0 -3 0 10 0 0;0 3 0 0 0 0 10 0;0 0 0 0 1 0 0 10];
b=[13 13 18 42 53 48 76 85]';
x=A\b
D=diag(diag(A));
L=D-tril(A);
U=D-triu(A);
Tg=(D-L)\U;
cg=(D-L)\b;
format
k=1;
tol=5*10^-3;
x0=[0 0 0 0 0 0 0 0]';
H=[0 x0'];
delta=100; % error relativo porcentual
while delta>tol
x=Tg*x0+cg;
H=[H; k x'];
delta=norm(x-x0)/norm(x)*100;
k=k+1;
x0=x;
end
H;
fprintf('%8.0f %8.3f %8.3f %8.3f %8.3f %8.3f %8.3f %8.3f %8.3f\n',H')
0 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000
1 1.300 1.300 1.800 3.940 5.120 5.982 7.210 7.988
2 1.120 2.021 2.996 3.976 5.000 5.993 6.994 8.000
3 1.000 1.999 2.999 4.000 5.000 6.000 7.000 8.000
4 1.000 2.000 3.000 4.000 5.000 6.000 7.000 8.000
5 1.000 2.000 3.000 4.000 5.000 6.000 7.000 8.000

Se puede observar que mediante el radio espectral ambas iteraciones

convergen rápidamente ya que son menor a 0.5, mediante la iteración de
gauss se puede ver claramente que converge más rápido a la solución
comparado a la iteración de jacobi con 3 c.s.e, esto ya se había
previsto mediante el cálculo del radio espectral lo cual queda en
evidencia.
La Profesora