0 calificaciones0% encontró este documento útil (0 votos)
9 vistas1 página
Este documento describe métodos iterativos para resolver sistemas de ecuaciones lineales. Presenta el método de Jacobi, el cual utiliza una relación de recurrencia general para aproximar la solución de un sistema de tamaño n x n. También describe el método de Gauss-Seidel y el método de sobre-relajación ordenada (SOR). Finalmente, compara estos métodos al resolver un sistema de ejemplo y analizar el error medio, número de iteraciones y operaciones de cada método.
Este documento describe métodos iterativos para resolver sistemas de ecuaciones lineales. Presenta el método de Jacobi, el cual utiliza una relación de recurrencia general para aproximar la solución de un sistema de tamaño n x n. También describe el método de Gauss-Seidel y el método de sobre-relajación ordenada (SOR). Finalmente, compara estos métodos al resolver un sistema de ejemplo y analizar el error medio, número de iteraciones y operaciones de cada método.
Este documento describe métodos iterativos para resolver sistemas de ecuaciones lineales. Presenta el método de Jacobi, el cual utiliza una relación de recurrencia general para aproximar la solución de un sistema de tamaño n x n. También describe el método de Gauss-Seidel y el método de sobre-relajación ordenada (SOR). Finalmente, compara estos métodos al resolver un sistema de ejemplo y analizar el error medio, número de iteraciones y operaciones de cada método.
directos ya que, el número de operaciones necesarias al utilizar
Resumen métodos directos para resolver sistemas de ecuaciones lineales La matriz de un sistema de ecuaciones lineales y es del orden de n3. 3/5 En este trabajo se estudiarán métodos iterativos y estocásticos para resolver 25/11 sistemas de ecuaciones lineales de modo que una aproximación a su solución −10/11 se determine en el menor tiempo posible. Método iterativo de K. Sabelfeld b= 15/8 2/3 En general, llamamos al problema que consiste en encontrar la solución (po- −5/7 siblemente múltiple) x ∈ Km si existe, de la siguiente ecuación algebraica En esta sección se estudiará un análogo estocástico a los presentados con anterioridad. Sea H la matriz cuadrada 4/3 Ax = b de dimensión n, tal que A = I − H. Entonces el sistema de el vector solución. Resolviendo el sistema de ecuaciones en un sistema lineal. La matriz A ∈ Mn,m(K) se llama ”matriz de coeficien- Matlab se obtiene que la solución exacta es: ecuaciones lineales Ax = b, puede ser escrito como tes del sistema”, y b ∈ Km, vector de coeficientes independientes ambos datos del problema; el vector x ∈ Km es desconocido. K denota el campo x = Hx + b, −1,5631 R ó C. Consideremos sistemas lineales con el mismo número de ecuaciones 4,0222 en donde x = (x1, . . . , xn)T , b = (b1, . . . , bn)T ∈ Rn y −2,5183 e incógnitas: n = m. H = (hi,j ), donde T representa la operación transpuesta. x= 4,3733 1,3336 Método de Jacobi Se presenta el siguiente resultado que nos dice, cuando 0,5930 la matriz A = I − H es invertible. 2,8390 La relación general de recurrencia para un sistema de tamaño n × n es: Corolario Se resolverá el sistema con cada uno de los métodos mencio- nados anteriormente y se analizaran los resultados (k+1) 1 X (k) xi = bi − aij xj ; i = 1, . . . , n La serie de Neumann ∞ Método Jacobi Gauss-Seidel SOR K. Sabelfeld aii X j6=i Hk Error medio 5,5397e−07 1,5260e−07 3.5495e−06 1.3394826 Se presenta ahora un resultado para garantizar la convergencia k=0 No. de iteraciones 83 20 20 30 del método de Jacobi converge si ρ(H) < 1 y diverge si ρ(H) > 1, en donde No. de operaciones 4067 980 980 120 ρ(H) es el radio espectral de la matriz H Teorema Observemos que la aproximación no es buena. La solución del sistema Ax = b, se puede determinar Sea A una matriz simétrica y definida positiva. El método por x = A−1b. Si A = I − H entonces A−1 se puede Concluimos que dicha situación ocurre ya que las obser- iterativo de Jacobi para un sistema de ecuaciones con matriz escribir como una serie de Neumann, suponiendo que tal serie vaciones de las matrices G(0), G(1), ...., G(M ) tienden de coeficientes A es convergente si y sólo si la matriz es finita, es decir ∞ a repetirse incluso para valores pequeños de M . Además 2D − A X se consideró a un sistema de ecuaciones de dimensión 50 A−1 = (I − H)−1 = Hk es una matriz definida positiva, k=0 cuya matriz y vector solución asociados son generados aleatoriamente apartir de la distribución normal estándar, de donde A0 = I. donde D es la matriz diagonal formada con los elemen- modo que se satisfagan las hipótesis del método de Sabesfeld: tos de la diagonal principal de la matriz A. ρ(A) = 0,688. Por lo tanto, si H tiene radio espectral menor que uno, la solución de x = Hx + b se puede calcular mediante el En este caso, se considerá a M = 10, ya que el radio Método de Gauss-Seidel método de iteración de Richardson simple. espectral de H 11 − H 10 es del orden de 10−6. Además se x(m+1) = Hx(m) + b; x(0) = b; m = 0, 1, 2, . . . consideró a l = 10; es decir, el 20 % de las columnas de la La relación de recurrencia general para un sistema n × n es la Muestreo de columnas sin reemplazo. matriz A serán muestreadas en cada repeteción. siguiente: 1 i−1 n A continuación, se presentará una versión estocástica del citado (k+1) (k+1) (k) X X xi = bi − aij xj − aij xj ; método de Richardso. Para esto, sea G un estimador insesgado aii j=1 j=i+1 para la matriz H que se define como una matriz aleatoria i = 1, . . . , n tal que E[G] = H, y sea G(0), G(1), . . . , G(M −1) una muestra aleatoria del estimador aleatorio G. El procedimiento A continuación se presenta un teorema importante para iterativo se define por la convergencia del método de Gauss-Seidel. ξ (m+1) = G(m)ξ (m) + b, m = 0, 1, . . . , M − 1 Figura: ξ (m+1) = G(m)ξ (m) + b que E[ξ M ] = xM . En donde M Teorema es el número de términos considerados en la serie de Neumann. Construiremos la matriz G por columnas: fijemos un entero El método iterativo de Gauss-Seidel es convergente para En la Figura se obser va la evolución del error absoluto medio arbitrario l menor que n, y elija un conjunto aleatorio J de l todo sistema de ecuaciones cuya matriz de coeficientes es de Aξ̄ con respecto a b; en donde ξ̄ es el promedio de las apro- enteros elegidos uniformemente de 1 a n sin reemplazo, es decir, simétrica y definida positiva. ximaciones generadas por el método de Sabelfeld, de manera elegimos j1 entero uniformemente entre 1, 2, . . . , n entonces más precisa, el promedio de j2 entre el resto de n − 1 enteros, etc., el último es jl y Método SOR definimos las entradas de G por n |Aξ̄ − b| l Hik para k ∈ J La idea de los métodos de relajación consiste, en cada iteración, Gik = 0 en otro caso aplicar la relación de recurrencia, Conclusiones para i = 1, 2, . . . , n (k+1) (k) (k) xi = xi + ωri , i = 1, . . . , n, Según los resultados obtenidos, con respecto al vector inicial, Para matrices estrictamente diagonales, se tiene el siguiente Además para cualesquiera i, k tenemos tolerancia, aproximación y el número de operaciones, el método resultado. E[Gik ] = Gik P {k ∈ J } = Hik . de Gauss-Seidel y el método SOR son mejores que el método Notemos que para el cálculo de componentes del vector ξ (m+1) de Jacobi. Sin embargo, hace falta analizar el caso en que el Proposición necesitamos solo l componentes del vector ξ (m) y para calcular- orden de la matriz sea muy grande para decir que método es los solo necesitamos l componentes de ξ (m−1), etc. En conse- más eficiente. Para 0 < ω ≤ 1, el método de relajación es conver- cuencia, necesitamos l2 operaciones en cada etapa. Para hallar gente para matrices de diagonal estrictamente dominantes un valor de x(M ) necesitamos del orden de M l2 operaciones. Referencias Teorema Resultados y discusiones DAVID S. WATKINS, Fundamentals of (Ostrowski-Reich) Para un sistema de ecuaciones con Matrix Computations, New York, 2002. matriz simétrica y definida positiva, el método iterativo de Sea relajación SOR converge si y sólo si el parámetro de relajación 1 1/10 −1/5 0 1/5 −1/8 3/8 cumple que 0 < ω < 2. 1/10 1 1/10 −3/8 1/10 −1/5 1/10 K. SABELFELD, ”Stochastic algorithms in −1/5 1/10 1 1/8 1/12 0 1/12 linear algebra-beyond the Markov chains and von Número de operaciones A= 0 −3/8 1/8 1 −1/8 1/10 −1/5 Neumann-Ulam schemeı̈n Numerical Methods 1/5 1/10 1/12 −1/8 1 0 0 −1/8 −1/5 0 1/10 0 1 −2/5 and Applications, New York, NY, USA:Springer, Los métodos antes descritos tienen un costo del orden de n2× 3/8 1/10 1/12 −1/5 0 −2/5 1 pp. 14-28, 2011. no. de iteraciones. Si el número de iteraciones es pequeño com- parado con n, los métodos iterativos son preferibles a los