Documentos de Académico
Documentos de Profesional
Documentos de Cultura
lineales
Sea A ∈ Rn×n invertible y b ∈ Rn .
Sea A ∈ Rn×n invertible y b ∈ Rn .
Ax = b ⇐⇒ Mx = Nx + b ⇐⇒ x = M −1 Nx + M −1 b
Sea A ∈ Rn×n invertible y b ∈ Rn .
Ax = b ⇐⇒ Mx = Nx + b ⇐⇒ x = M −1 Nx + M −1 b
x (0) x (0)
: dato inicial : dato inicial
(P) ⇐⇒ (P̃)
x (k+1) = G(x (k) ) Mx (k+1) = Nx (k) + b
Sea A ∈ Rn×n invertible y b ∈ Rn .
Ax = b ⇐⇒ Mx = Nx + b ⇐⇒ x = M −1 Nx + M −1 b
x (0) x (0)
: dato inicial : dato inicial
(P) ⇐⇒ (P̃)
x (k+1) = G(x (k) ) Mx (k+1) = Nx (k) + b
Notemos que en cada paso k (k ≥ 0) del algoritmo (P̃) debemos resolver un sistema
lineal de la forma Mx (k+1) = b̃. Por lo tanto, la idea es seleccionar M y N de manera que
el sistema se pueda resolver de manera sencilla (por ejemplo, M diagonal o triangular).
Sea A ∈ Rn×n invertible y b ∈ Rn .
Ax = b ⇐⇒ Mx = Nx + b ⇐⇒ x = M −1 Nx + M −1 b
x (0) x (0)
: dato inicial : dato inicial
(P) ⇐⇒ (P̃)
x (k+1) = G(x (k) ) Mx (k+1) = Nx (k) + b
Notemos que en cada paso k (k ≥ 0) del algoritmo (P̃) debemos resolver un sistema
lineal de la forma Mx (k+1) = b̃. Por lo tanto, la idea es seleccionar M y N de manera que
el sistema se pueda resolver de manera sencilla (por ejemplo, M diagonal o triangular).
k→∞
Si z es solución del sistema Ax = b, ¿bajo qué condiciones x (k) −→ z?
Denotemos por B = M −1 N (matriz de iteración) y por c = M −1 b.
Denotemos por B = M −1 N (matriz de iteración) y por c = M −1 b.
Az = b ⇐⇒ z = G(z) ⇐⇒ z = B · z + c (1)
Denotemos por B = M −1 N (matriz de iteración) y por c = M −1 b.
Az = b ⇐⇒ z = G(z) ⇐⇒ z = B · z + c (1)
Az = b ⇐⇒ z = G(z) ⇐⇒ z = B · z + c (1)
Az = b ⇐⇒ z = G(z) ⇐⇒ z = B · z + c (1)
Az = b ⇐⇒ z = G(z) ⇐⇒ z = B · z + c (1)
Bvi = λi vi =⇒ B k vi = λki vi
k→∞
Caso n = 1: B k −→ 0 ⇐⇒ |B| < 1.
Bvi = λi vi =⇒ B k vi = λki vi
k→∞
x (k) − z = B k (x (0) − z) = λki vi −→ 0 ⇐⇒ |λi | < 1
k→∞
Caso n = 1: B k −→ 0 ⇐⇒ |B| < 1.
Bvi = λi vi =⇒ B k vi = λki vi
k→∞
x (k) − z = B k (x (0) − z) = λki vi −→ 0 ⇐⇒ |λi | < 1
Bvi = λi vi =⇒ B k vi = λki vi
k→∞
x (k) − z = B k (x (0) − z) = λki vi −→ 0 ⇐⇒ |λi | < 1
Teorema
El algoritmo de punto fijo (P) (≡ (P̃)) converge si y solo si ρ(M −1 N) < 1.
k→∞
Caso n = 1: B k −→ 0 ⇐⇒ |B| < 1.
Bvi = λi vi =⇒ B k vi = λki vi
k→∞
x (k) − z = B k (x (0) − z) = λki vi −→ 0 ⇐⇒ |λi | < 1
Teorema
El algoritmo de punto fijo (P) (≡ (P̃)) converge si y solo si ρ(M −1 N) < 1.
Observación
Recordemos que ρ(B) ≤ kBk, para toda norma matricial inducida. Por ende, una
condición suficiente (no necesaria) es que kBk < 1.
Mientras más pequeño ρ(B), más rápida es la convergencia.
Métodos iterativos importantes
Método de Jacobi
M = D, N = −(L + U)
n
(k+1) 1 X (k)
=⇒ Dx (k+1) = b − (L + U)x (k) =⇒ xp = b p − apj xj (p = 1, . . . , n)
app
j=1
j6=p
M = D + L, N = −U
p−1 n
(k+1) 1 X (k)
X (k)
=⇒ (D + L)x (k+1) = b − Ux (k) =⇒ xp = bp − apj xj − apj xj
app
j=1 j=p+1
(p = 1, . . . , n)
M = D + L, N = −U
p−1 n
(k+1) 1 X (k)
X (k)
=⇒ (D + L)x (k+1) = b − Ux (k) =⇒ xp = bp − apj xj − apj xj
app
j=1 j=p+1
(p = 1, . . . , n)
Teorema
Si A es estrictamente diagonal dominante, entonces A es invertible y los métodos de
Jacobi y Gauss - Seidel convergen.
Por otro lado, si λ es el valor propio de B = −D−1 (L + U) tal que |λ| = ρ(B) y v es un vector
propio asociado a λ, con kvk∞ = 1, entonces
Teorema
Sea A ∈ Rn×n simétrica y definida positiva. Entonces
Son matrices que contienen muchos ceros, lo cual conlleva a una rebaja en su
almacenamiento y en el número de operaciones.
2 −1 0 0 0
−1 4 −2 0 0
A= 0 −2 4 −3 0
0 0 −3 6 −2
0 0 0 −2 4
Matrices Sparse (rala)
Son matrices que contienen muchos ceros, lo cual conlleva a una rebaja en su
almacenamiento y en el número de operaciones.
2 −1 0 0 0
−1 4 −2 0 0
A= 0 −2 4 −3 0
0 0 −3 6 −2
0 0 0 −2 4
Teorema
Si A es simétrica, definida positiva y tridiagonal, entonces el valor ω ∗ óptimoa viene dado
por
2
ω∗ = p
1 + 1 − ρ2 (BJ )
donde BJ es la matriz de iteración de Jacobi.
a
Permite obtener un radio espectral mínimo