Unidad 02

Curso: Métodos Numéricos
UNIDAD 2: SOLUCIÓN DE SISTEMAS

DE ECUACIONES LINEALES
Dr. Hermes Pantoja Carhuavilca

Table of contents
1 Overview
2 Solución de Sistemas de Ecuaciones Lineales
3 Factorización LU
4 Método de Jacobi
5 Gauss Seidel
6 Valores Propios
Dr. Hermes Pantoja Carhuavilca UNIDAD 2: SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES FIM-UNI 1 / 82
Objetivos
• Resuelve sistemas de ecuaciones lineales utilizando eliminación gaussiana con y sin pivoteo.
• Utiliza las técnicas de factorización LU para una matriz.
• Aplica la factorización en la resolución de un S.E.L
• Resuelve situaciones reales utilizando los métodos directos.
Sistema de Ecuaciones Lineales
Forma
 algebraica:

 a11 x 1 + a12 x2 + . . . + a1n xn = b1

 a21 x1 + a22 x2 + . . . + a2n xn = b2

..


 .

am1 x1 + an2 x2 + . . . + amn xn = bm

Donde x1 , x2 , . . . xn son las variables y aij , bj son constantes.
Forma matricial:
Am×n xn×1 = bm×1

   
x1 b1
 x2   b2 
Donde A = (aij )m×n ; x =  ; b= . 
   
..
 .   .. 
xn bm
Ejemplo
Example
Encontrar el punto de intersección de las rectas x − y = −2; 2x + 3y = 6
Ejemplo
( (
2x + 3y = 2 4x + 6y = 12
2x + 3y = 6 2x + 3y = 6
Teorema de Rouché -Frobenius
Theorem (Rouché Frobenius)

Para el sistema de ecuaciones
 en su forma matricial Ax = b

 Compatible Determinado

 Si rang(A)=rang(A|b)=n
Sistema Compatible


 Compatible Indeterminado
rang(A)=rang(A|b)<n

(
No tiene solución
Sistema Incompatible
Si rang(A)6=rang(A|b)
Método Eliminación Gaussiana
El método consiste de dos etapas:
• Eliminación hacia adelante: El sistema es reducido a una forma triángular superior. Se usa
una secuencia de operaciones elementales.
• Sustitución Regresiva: Resuelve el sistema empezando de la última variable.
Operaciones Elementales
Operaciones Elementales Notación
Intercambio de filas fi ←→ fj
Multiplicación de fila por una constante fi → λfi λ 6= 0
Adicionar multiplo de una fila a otra fi → fi + λfj
Primer paso de la eliminación
Segundo paso de eliminación
Algoritmo Sustitución Regresiva
Ejemplo
Example
Utilizando
 eliminación gaussiana resolver el siguiente sistema de ecuaciones
x − y
 =2
2x − y − z = 3

x +y +z =6

Pivote
• El ordenador utiliza la aritmética de precisión finita.
• Un pequeño error se introduce en cada operación aritmética, se propaga de error
• Cuando el elemento de pivote es muy pequeño, los multiplicadores serán grande.
• Adición de números de magnitud ampliamente differentes puede conducir a la pérdida de
significancia.
• Para reducir el error, intercambios de filas se hacen para maximizar la magnitud del
elemento pivotal
Ejemplo: Sin pivoteo
Ejemplo: Con pivoteo
Procedimientos de Pivoteo
Pivoteo Parcial
Pivoteo Completo
Continuación...
Normas y número de condición
Norma Vectorial
!1/2
n
X
2
|x|2 = xi
i=1
|x|∞ = max |xi |
1≤i≤n
n
X
|x|1 = |xi |
i=1
Continuación...
Example
     
4 0 6
 4   5
 ; w =  0  hallar las
4
  
Dado los siguientes vectores en R : x = 
 ; v = 

−4  5   0 
4 5 0
siguientes normas
|.|1 |.|2 |.|∞

x
v
w
Continuación...
Norma Matricial
Xn
|A|1 = max |ajk |
1≤k≤n j=1
X n
|A|∞ = max |ajk |
1≤j≤mk =1
Example
 
2 −1 1
Dada la matriz A =  1 0 1 , hallar |A|1 y |A|∞
3 −1 4
Número de condición de una matriz
El número de condición de una matriz A cuadrada no singular está definida por
cond(A) = k (A) = |A|∞ .|A−1 |∞

Por convención, cond(A) = ∞ , si A es singular.
Una matriz A diremos que está bien condicionada si k (A) está cerca de uno y diremos que está
mal condicionada cuando k (A) sea significativamente mayor que uno
Continuación...
Example
 1 3
− 21
  
2 −1 1 2 2
Dada la matriz A =  1 0 1 , hallar cond(A). Se sabe que A−1 =  − 12 5
2 − 21 
3 −1 4 − 12 − 21 1
2
Factorización LU
Aplicaciones
Se explica otros métodos de solución a los sistemas de ecuaciones lineales a las diferentes
aplicaciones tratadas anteriormente, denominado descomposición LU.
Caso: Refineria
Una refinería produce gasolina con y sin azufre. Cada tonelada de gasolina sin azufre requiere 5
minutos en la planta de mezclado y 4 en la planta de refinación. Por su parte, cada tonelada de
gasolina con azufre requiere 4 minutos en la planta de mezclado y 2 en la planta de refinación. Si
la planta de mezclado tiene 3 horas disponibles al día y la de refinación 2 horas, ¿Cuántas
toneladas de cada gasolina se deben producir para que las plantas se utilicen al máximo cada día
?
Solución:
x1 : Cantidad de toneladas de gasolina con azufre que se necesita producir.
x2 : Cantidad de toneladas de gasolina sin azufre que se necesita producir.
Modelo matemático:
5x + 4y = 180
4x + 2y = 120
Forma matricial: Ax=b
Actividad
1 Descomponer
la matriz
de coeficientes
del sistema de ecuaciones de la siguiente forma:
1 0 u11 u12
A = LU =
l21 1 0 u22
2 ¿Como resolvería el sistema de ecuaciones LU X = b; ?. Sugerencia: Resuelva primero el
sistema LZ = b, halle Z , luego resuelva el sistema UX = Z . Finalmente, se encuentra la
solución X.
Introducción
• En general la factorización de una matriz A consiste en expresar A como el producto de dos
o más matrices cuyas estructuras son mas simples y útiles de algún modo para
fundamentalmente hacer cálculos mas acesibles con ellas.
Factorización LU
A=L×U
L matriz triangular inferior (lower)
U matriz triangular superior (upper)
• La factorización LU de la matriz A está motivada por el muy frecuente problema industrial y

de negocios que consiste en resolver una sucesión de ecuaciones, todas con la misma
matriz de coeficientes:
Ax = b1 Ax = b2 ··· Ax = bp
Desarrollo
• Una vez que se ha factorizado A como L × U con las condiciones indicadas, esta
factorización será de utilidad para resolver de manera mas simple el sistema Ax = b de
acuerdo al siguiente esquema
• Es decir, luego de obtener las matrices L y U, primero se resuelve el sistema triangular

inferior Ly = b obteniendo el vector y , luego se resuelve el sistema triangular superior
Ux = y obteniendo finalmente x.
Actividad:
   
3 −7 −2 2 −9
 −3 5 1 0   5 
Resolver el sistema Ax = b, sabiendo que A =   6 −4
 y b= 
0 −5   7 
−9 5 −5 12 11
además
 la matriz A ya ha sido
  factorizado previamente
 según
1 0 0 0 3 −7 −2 2
 −1 1 0 0    0 −2 −1 2 

A= 2 −5 1 0  ×  0

0 −1 1 
−3 8 3 1 0 0 0 −1
| {z } | {z }
L U
Formas diferentes de factorización
Forma de Doolittle
    
a11 a12 a13 1 0 0 u11 u12 u13
 a21 a22 a23  =  l21 1 0  0 u22 u23 
a31 a32 a33 l31 l32 1 0 0 u33
Algoritmo para hallar LU
Forma de Doolitle
• El algoritmo consiste en reducir A a su forma escalonada U empleando solo reemplazos de
filas que suman un múltiplo de una fila a otra situada debajo de la primera. Esto se traduce
en la existencia de matrices elementales triangulares inferiores unitarias E1 , · · · , Ep tales
que:
(Ep × · · · × E1 ) × A = U
• Es decir,
A = (Ep × · · · × E1 )−1 × U = L × U
• En consecuencia
L = (Ep × · · · × E1 )−1
• Dado que los productos e inversos de matrices triangulares inferiores unitarios son también
triangulares inferiores unitarios, entonces queda claro que L es triangular inferior unitaria.
Algoritmo para hallar LU
Forma de Doolitle
• Observando las expresiones:
(Ep × · · · × E1 ) × A = U y (Ep × · · · × E1 ) × L = I
• Se concluye que las operaciones por fila resumidas en (Ep × · · · × E1 ) reducen la matriz A a
U y también reducen L a I, esto ultimo es la clave para construir L
• Finalmente el algoritmo se reduce a
Ejemplo
• Encuentre
 la factorización LU utilizando
 Doolitle para la matriz
2 4 −1 5 −2
 −4 −5 3 −8 1 
A= 2 −5 −4

1 8 
−6 0 7 −3 1
• Reducimos A a su forma escalonada, se muestra el proceso:
   
2 4 −1 5 −2 2 4 −1 5 −2
 -4 −5

3 −8
  0
1   3 1 2 −3 
∼

8   0 -9 −3 −4 10 
 
 2 −5 −4 1
-6 0 7 −3 1 0 12 4 12 −5
2 4 −1 5 −2
  
2 4 −1 5 −2

 0 3 1 2 −3   0 3 1 2 −3 
∼ ∼ 
 0 0 0 2 1   0 0 0 2 1 
0 0 0 4 7 0 0 0 0 5
Algoritmo para hallar L y U
 
2 4 −1 5 −2
• Luego tomamos U =  0 3
 1 2 −3  
 0 0 0 2 1 
0 0 0 0 5
• En tanto para L consideramos las columnas marcadas en el procesopara hallar U haciendo

1 0 0 0
 −2 1 0 0 
que la diagonal tenga como entrada el valor 1, obteniendo asi: L = 
 1 −3 1 0 

−3 4 2 1
• Ejercicio verifique que L × U = A
Actividad:
   
1 −3 −2 2 3
 −1 5 0 2   −13 
Resolver el sistema Ax = b, sabiendo que A = 
 2 −8 −3 −1  y b =  16 
  
−3 10 8 −2 −13
Conociendo además de antemano la factorización LU de la matriz A (forma de Crout); siendo las
matrices
 L y U las siguientes  
1 0 0 0 1 −3 −2 2
 −1 2 0 0  1 −1 2 
× 0

A=  2 −2 −1

0   0 0 1 1 
−3 1 3 −1 0 0 0 1
| {z } | {z }
L U
Método de Crout
Forma de Crout
    
a11 a12 a13 l11 0 0 1 u12 u13
 a21 a22 a23  =  l21 l22 0  0 1 u23 
a31 a32 a33 l31 l32 l33 0 0 1
Algoritmo de Crout
• El algoritmo consiste en reducir A a su forma escalonada triangular inferior L empleando solo
reemplazos de columnas que suman un múltiplo de una columna a otra situada a
continuación de la primera. Esto se traduce en la existencia de matrices elementales
triangulares superiores unitarias E1 , · · · , Ep tales que:
A × (E1 × E2 × · · · × Ep ) = L
• Es decir,
A = L × (E1 × E2 × · · · × Ep )−1 = L × U
• En consecuencia
U = (E1 × E2 × · · · × Ep )−1
• Dado que los productos e inversos de matrices triangulares superiores unitarios son también
triangulares superiores unitarios, entonces queda claro que U es triangular superior unitaria.
Ejemplo (Método de Crout)
• Encuentre la factorización LU mediante el método de CROUT para la matríz
 
3 9 6 9
 4 10 10 8 
A=  5 16 12 35 

3 11 5 20
Ejemplo (Método de Crout)
• Reducimos la matríz A a su forma escalonada tringular inferior (realizando operaciones
elementales por columnas), se muestra el proceso:
   
3 9 6 9 3 0 0 0
 4 10 10 8 
  4 -2 2 -4 

 5 16 12 35  ∼  5
 
1 2 20 
3 11 5 20 3 2 −1 11
   
3 0 0 0 3 0 0 0
 4 −2 0 0   4 −2 0 0 
∼ ∼ 
 5 1 3 18   5 1 3 0 
3 2 1 7 3 2 1 1
Algoritmo para hallar L y U
• Luego tomamosa la matríz obtenida  en el proceso anterior como la matríz triangular
3 0 0 0
 4 −2 0 0 
INFERIOR L =   5

1 3 0 
3 2 1 1
• En tanto para la matriz triangular SUPERIOR U consideramos las filas marcadas en el
proceso para hallar Lhaciendo que la diagonal
 finalmente tenga como entrada el valor 1,
1 3 2 3
 0 1 −1 2 
obteniendo asi: U =   0 0

1 6 
0 0 0 1
• Ejercicio verifique que L × U = A
Descomposición de Cholesky
Sea A una matriz simétrica y definida positiva, existe una única matriz triangular inferior L con
l11 > 0 tal que A = L × LT
    
a11 a12 a13 l11 0 0 l11 l21 l31
 a21 a22 a23  =  l21 l22 0   0 l22 l32 
a31 a32 a33 l31 l32 l33 0 0 l33
Método de Jacobi
• El método de Jacobi se utiliza para hallar la solución aproximada de sistemas con matriz de
coeficientes cuadrada.
• En general los pasos a seguir son:
(1) Escribir la ecuación matricial Ax = b en la forma x = Tx + c siendo x el vector de incógnitas.
(2) Tomar una aproximación inicial x (0) .
(3) Aplicar el proceso iterativo x (k +1) = Tx (k ) + c
Ejemplo
Partiendo de x (0) = 1; y (0) = 2 aplicamos las iteraciones del método de Jacobi para hallar la
solución del sistema
5x + 2y = 1
x − 4y = 0
• Escribimos el sistema dado en la forma
x = 0x − 0, 4y + 0, 2
y = 0, 25x + 0y + 0
• O en forma matricial

x 0,00 −0,40 x 0,20
= +
y 0,25 0,00 y 0,00
• Entonces el proceso iterativo es
(k +1) (k )
x 0, 00 −0, 40 x 0, 20
= +
y (k +1) 0, 25 0, 00 y (k ) 0, 00
Método de Gauss Seidel
Este método es muy semejante al de Jacobi, mientras que en el método de Jacobi se utiliza el
valor de las incógnitas para determinar una nueva aproximación, en el de Gauss-Seidel se va a
utilizando los valores de las incógnitas recién calculadas en la misma iteración y no en la siguiente
iteración.
Forma Matricial
Sea el sistema Ax = b, donde
 
a11 a12 ... a1n
 a21 a22 ... a2n 
A=
 
.. .. .. .. 
 . . . . 
an1 an2 ... ann
trabajamos sobre la siguiente partición de A:

 
a11 0 . . . 0 
0 0 ... 0

..
 0 a22 . . . −a21 0 ... 0
 
.   
D= . ,L =  

. .
 .. .. .. .. 
 .. .. .. 0

  . . . . 
0 . . . 0 ann −an1 −an2 ... 0
..
 
 0 −a12 . −a1n 
 0 0 ... −a2n 
U= .. .. ..

 .. 
 . . . . 
0 0 ... 0
De tal forma que:
A=D−L−U
x (k +1) = D −1 (L + U)x (k ) + D −1 b
Tj = D −1 (L + U), Matriz de Iteración de Jacobi
c = D −1 b
Forma Matricial
A=D−L−U
x (k +1) = (D − L)−1 U x (k ) + (D − L)−1 b

Tgs = (D − L)−1 U, Matriz de Iteración de Gauss Seidel
c = (D − L)−1 b
Definiciones
Matriz estrictamente diagonalmente dominante

Una Matriz A es estrictamente diagonalmente dominante por filas si para cada fila i = 1, . . . , n
X
|aii | > |aij |
j6=i
Ejemplo
Determinar si la siguiente matriz es estrictamente diagonalmente dominante
 
−8 2 1
 5 7 1 
−3 4 7
Convergencia
Theorem
Si A es una matriz estrictamente diagonalmente dominante, entonces la iteración de Guass
Seidel converge para cualquier valor inicial
Theorem
La sucesión x (k +1) = Tx (k ) + c, para k ≥ 0 converge a la solución única x = Tx + c si y sólo si
ρ(T ) < 1.
Definición:
Radio espectral de T: ρ(T ) = Max{|λ|}, λ es valor propio de T
Ejemplo
Ejemplo

3x1 + x2 = 7
Dado el sistema de ecuaciones
2x1 + 5x2 = 9
1 Determine la Matriz de Iteración de Gauss Seidel

2 Determine si la Matriz de coeficientes es estrictamente diagonalmente dominante
3 Halle el radio espectral de la matriz de iteración de Gauss Seidel
4 Determine si el método iterativo de Gauss Seidel es convergente
(0) (0)
5 Realice 02 iteraciones utilizando el método de Gauss Seide, considere x1 = 1; x2 =1
Solución
(1)

3 0 0 0 0 −1 3 0
D= ; L= ; U= →D−L=
0 5 −2 0 0 0 2 5
5
0 −5

−1 0
(D − L) = 15
−2 3 → Tgs = (D − L)−1 U = 15
2
15 15 0 15
(2)
3 1 |3| > |1|
A= → Dado que se cumple :
2 5 |5| > |2|
La Matriz A es estrictamente diagonalmente dominante.
Continuación
(3)
Hallando el radio espectral (ρ(Tgs )) de la matriz de iteración Tgs
0 −5

15 1 0
|Tgs − λI| = 2 − λ =0
0 15 0 1
2 2 2
λ1 = 0, λ2 = → ρ(Tgs ) = Max{|0|, | |} =
15 15 15
2
(4) Dado que el radio espectral ρ(Tgs ) = 15 < 1 entonces el Método de Gauss - Seidel es
convergente.
Nota: El método también es convergente por ser la matriz de coeficientes estrictamente
diagonalmente dominante.
(5)
Iteración 1: ! !
(1) −5
(0)
x1 0 15 x1
(1) = 2 (0) +c
x2 0 15 x2

−1 7
Donde, el vector columna c está dado por c = (D − L) b, siendo b = , tenemos
9
7
c= 3
13
15 !
(1)
0 −5
7
x1 15 1 3 2
(1) = 2 + 13 =
x2 0 15 1 15
1
Ahora usted, puede realizar una iteración más.!!!
Definiciones y propiedades
• A matriz cuadrada n × n
• v vector dimensión n
• λ escalar
Objetivo: Buscar escalares λ y vectores no nulos v tales que

Av = λv ⇒
λ valor propio de A
v vector propio asociado a λ
Definición
p(λ) = det(A − λI)
los valores propios de A son las raíces del polinomio característico
λ valor propio ⇔ p(λ) = 0

Cálculo de vectores propios
Para cada valor propio λ resolvemos
(A − λI)v = 0
que debe ser un sistema compatible indeterminado.
Diagonalización
Sea A una matriz n × n. Si A tiene n valores propios distintos λ1 , . . . , λn y v1 , . . . , vn son vectores
propios asociados, entonces
D = V −1 AV
• D es matriz diagonal
 
λ1 0 ··· 0

 0 λ2 ··· 0 

 .. .. .. .. 
 . . . . 
0 0 ··· λn
• V = (v1 |v2 | . . . |vn ) tiene en columnas los vectores propios.
Ejemplo
Ejemplo
Dada la matriz  
3 −1 0
A =  −1 2 −1 
0 −1 3
Calcule:
1 Valores Propios
2 Vectores Propios
3 Diagonaliza la matriz A
Solución
1 Valores Propios
• Polinomio característico

3−λ −1 0

p(λ) = |A − λI| = −1 2−λ −1

0 −1 3−λ
p(λ) = (3 − λ)2 (2 − λ) − (3 − λ) − (3 − λ)
= (3 − λ)[(3 − λ)(2 − λ) − 2]

= (3 − λ) λ2 − 5λ + 4
| {z }
factorizamos
√ 5+3
2 5± 25 − 16 =4
λ − 5λ + 4 = 0 ⇒ λ = = 2
5−3
2 2
=1
p(λ) = (λ − 1)(3 − λ)(λ − 4)
Continuación...
(1) Valores propios. Soluciones de p(λ) = 0.
λ1 = 1, λ2 = 3, λ3 = 4
• El espectro de A es
σ(A) = {1, 3, 4}
• El radio espectral de A es
ρ(A) = 4
Continuación..
(2) Cálculo de vectores propios
• Vectores propios asociados a λ = 1.
(A − I)v = 0
    
2 −1 0 x 0
 −1 1 −1   y  =  0 
0 −1 2 z 0
 
 2x − y = 0  x =t
−x + y − z = 0 ⇒ y = 2t t ∈ R
−y + 2z = 0 z=t
 
vectores propios asociados a λ = 1

 
1
v = tv1 , con v1 =  2 
1
Continuación
(c) Diagonalización
• Base de vectores propios.
B = (v1 , v2 , v3 )
• Matriz de cambio  
1 1 1
V= 2 0 −1 
1 −1 1
• Diagonalización
D = V−1 AV
   
1/6 1/3 1/6 1 2 1
1
V−1 =  1/2 0 −1/2  = 3 0 −3 
6
1/3 −1/3 1/3 2 −2 2
 
1 0 0
V−1 AV =  0 3 0 
0 0 4
Ejemplo
Consideremos la matriz  
−5 12 0
A =  −4 9 0 
−2 4 1
Determinar los valores propios de la matriz A.
Solución:
Hallando el polinomio caraterístico asociado a la matriz A.
Su polinomio característico es p(λ) = |A − λ.I| = (1 − λ)(λ2 − 4λ + 3)
λ = 1 de multiplicidad 2
λ = 3 de multiplicidad 1
Teorema (Teorema de Gershgorin)
Sea A una matriz cuadrada de orden n, y denotemos por Ri el circulo en el plano complejo con
centro en aij y radio  
X n 
 Xn 

|aij | es decir Rl = z ∈ C/ |z − aii | ≤ |aij | donde C se usa para denotar el plano
j=1

 j=1


j6=i j6=i
complejo. Los valores propios de A están contenido dentro de

n
[
R= Ri
i=1
y la unión de cualquiera k de estos círculos que no intersecten a los (n − k ) restantes, deben

contener precisamente k (contando multiplicidades) valores propios.
Ejemplo
Para la matriz  
5 −2 0
 −2 3 −1 
0 −1 1
Localice todos sus valores propios:
Solución:
Los circulos Zi (i = 1, 2, 3), con radio ri
Z1 = {z ∈ C |z − 5| ≤ | − 2| + |0|}
Z2 = {z ∈ C |z − 3| ≤ | − 2| + | − 1|}
Z3 = {z ∈ C |z − 1| ≤ |0| + |1|}
Por lo tanto los valores propios están localizados en:
0≤z≤7
Continuación...
Circulos de Gersgorin
Valor Propio Dominante
Sea A una matriz m × m. Un valor propio (característico) dominante de A es un valor propio λ,

cuya magnitud es mayor que todos los otros valores propios de A. Si existe, un vector propio
asociado a λ se llama vector propio dominante
Ejemplo

1 3
Dada la matriz A = , halle el valor propio dominante y el vector propio dominante
2 2
Continuación...
No toda matriz tiene un valor propio dominante. Por ejemplo, la matriz

1 0
0 −1
Similarmente la matriz  
2 0 0
0 2 0
0 0 1
Aproximación de valores propios
Método de la Potencia
Dada una matriz A de dimensión n × n, el objetivo es calcular el valor propio dominante y un
vector propio asociado. Suponderemos que la matriz A tiene valores propios distintos
|λ1 | > |λ2 | ≥ . . . ≥ |λn |
con vectores propios asociados v1 , v2 , . . . , vn . También suponemos que tenemos un vector inicial
x (0) que se puede escribir
x (0) = α1 v1 + . . . + αn vn con α1 6= 0
Método
Método de la Potencia
 (k+1)
 y = Ax(k)
ck +1 = componente dominante de y(k+1)
= ck1+1 y(k+1) (Normalizado de y(k+1) )
 (k+1)
x
Si las hipótesis son ciertas, entonces se cumple:

• La sucesión de escalares ck tiende al valor propio dominante λ1
c1 , c2 , . . . , ck . . . −→ λ1 cuando k → ∞
• La sucesión de vectores x (k ) tiende a un vector propio normalizado asociado a λ1
x (1) , x (2) , . . . , x (k ) , . . . −→ v1 cuando k → ∞
Algoritmo en detalle
Dada A de n × n y un vector no nulo x(0)

(0)
Encontrar p (1 ≤ p ≤ n) tal que |xp | = ||x(0) ||∞
(0)
x(0) = x(0) /xp .
Para k = 0, 1, 2, . . .
Tomar y(k+1) = Ax(k)
(k +1)
Tomar ck +1 = yp
(k +1)
Encontrar p 1 ≤ p ≤ n) tal que |yp | = ||y(k+1) ||∞
(k+1) (k+1) k +1
Tomar x =y /yp
Ejemplo
Complete seis iteraciones del método de la Potencia para aproximar el vector propio de

2 −12
1 −5

1
Empezamos con una aproximación inicial no nula :
1
Entonces obtenemos las siguientes aproximaciones.
Iteración
1
(0) 2 −12 1 −10 (1) (1) 1
Ax = = = c x = −10
1 −5
1 −4 0, 4
1
→ x(1) = , c (1) = −10
0, 4
Continuación
.
Iteración2
(1) 2 −12 1 −2, 8 (2) (2) 1
Ax = = = c x = −2, 8
1 −5 0, 4 −1 0, 3571

1
→ x(2) = , c (2) = −2, 8
0, 3571

2 −12 1 −2, 2857 1
Iteración 3 Ax(2) = = = c (3) x(3) = −2, 2857
1 −5 0, 3571 −0, 7857 0, 3438
(3) 1 (3)
→x = , c = −2, 2857
0, 3438
Ejemplo
Ejemplo
Aproxime el valor propio dominante y un vector propio asociado de la matriz
 
3 −1 0
A =  −1 2 −1 
0 −1 3
 
1
Inicia las iteraciones con x (0) =  1 
1
Ejercicio
Planteamiento del problema: Con el método de potencias determine el valor propio mayor en
valor absoluto.
Ejemplo:
3, 556x1 − 1, 778x2 = λx!

−1, 778x1 + 3, 556x2 − 1, 778x3 = λx2
−1, 778x2 + 3, 556x3 = λx3
Después, suponiendo que las x del lado izquierdo de la ecuación son iguales a 1
3, 5556(1) − 1, 778(1) = 1, 778

−1, 778(1) + 3, 556(1) − 1, 778(1) = 0
−1, 778(1) + 3, 556(1) = 1, 778
Continuación...
Luego, el lado
  derecho se normaliza
 con 1, 778 para hacer que el elemento mayor sea igual a:
 1, 778   1 
0 = 1, 778 0
1, 778 1
   
Así, la primera estimación del valor propio es 1, 778. Esta iteración se expresa en forma matricial
como:
      
3, 556 −1, 778 0 1 1, 778 1
 −1, 778 3, 556 −1, 778   1  =  0  = 1, 778  0 
0 −1, 778 3, 556 1 1, 778 1
Continuación...
La siguiente iteración consiste en multiplical A por [1 0 1]T para dar:
      
3, 556 −1, 778 0 1 3, 556 1
 −1, 778 3, 556 −1, 778   0  =  −3, 556  = 3, 556  −1 
0 −1, 778 3, 556 1 3, 556 1
Por lo tanto, el valor propio estimado en la segunda iteración es 3, 556. Luego el proceso puede
repetirse
Tercera
 iteración:      
3, 556 −1, 778 0 1 5, 334 −0, 75
 −1, 778 3, 556 −1, 778   −1  =  −7, 112  = −7, 112  1 
0 −1, 778 3, 556 1 5, 334 −0, 75
Continuación...
Cuarta iteración:
      
3, 556 −1, 778 0 −0, 75 −4, 445 −0, 714
 −1, 778 3, 556 −1, 778   1  =  6, 223  = 6, 223  1 
0 −1, 778 3, 556 −0, 75 −4, 445 −0, 714
Quinta
 iteración:      
3, 556 −1, 778 0 −0, 714 −4, 317 −0, 708
 −1, 778 3, 556 −1, 778   1  =  6, 095  = 6, 095  1 
0 −1, 778 3, 556 −0, 714 −4, 317 −0, 708
Al cabo de 5 iteraciones, el valor propio aproximado es 6, 070
Videos
Algunos videos interesantes sobre valores y vectores propios
• Un ejemplo del método de la potencia utilizando una calculadora por Faruk’s Academy
Conclusiones
Bibliografía
Richard L. Burden and J. Douglas Faires

Análisis numérico7a ed.
Steven C. Chapra and Raymond P. Canale
Métodos numéricos para ingenieros, 5a ed.
Eduardo Raffo Lecca
Métodos numéricos para estudiantes de Ciencias e Ingeniería con MATLAB , 2da ed.
Dr. Hermes Pantoja Carhuavilca
Curso: Métodos Numéricos

UNIDAD 2: SOLUCIÓN DE SISTEMAS
DE ECUACIONES LINEALES

Unidad 02

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Unidad 02

Cargado por

Copyright:

Formatos disponibles

Curso: Métodos Numéricos

UNIDAD 2: SOLUCIÓN DE SISTEMAS

Dr. Hermes Pantoja Carhuavilca

2 Solución de Sistemas de Ecuaciones Lineales

Am×n xn×1 = bm×1

Theorem (Rouché Frobenius)

|.|1 |.|2 |.|∞

cond(A) = k (A) = |A|∞ .|A−1 |∞

• La factorización LU de la matriz A está motivada por el muy frecuente problema industrial y

• Es decir, luego de obtener las matrices L y U, primero se resuelve el sistema triangular

trabajamos sobre la siguiente partición de A:

x (k +1) = (D − L)−1 U x (k ) + (D − L)−1 b

Matriz estrictamente diagonalmente dominante

1 Determine la Matriz de Iteración de Gauss Seidel

Ahora usted, puede realizar una iteración más.!!!

λ valor propio ⇔ p(λ) = 0

vectores propios asociados a λ = 1

complejo. Los valores propios de A están contenido dentro de

y la unión de cualquiera k de estos círculos que no intersecten a los (n − k ) restantes, deben

Por lo tanto los valores propios están localizados en:

Sea A una matriz m × m. Un valor propio (característico) dominante de A es un valor propio λ,

|λ1 | > |λ2 | ≥ . . . ≥ |λn |

Si las hipótesis son ciertas, entonces se cumple:

• La sucesión de vectores x (k ) tiende a un vector propio normalizado asociado a λ1

x (1) , x (2) , . . . , x (k ) , . . . −→ v1 cuando k → ∞

Dada A de n × n y un vector no nulo x(0)

3, 556x1 − 1, 778x2 = λx!

3, 5556(1) − 1, 778(1) = 1, 778

Richard L. Burden and J. Douglas Faires

Curso: Métodos Numéricos

También podría gustarte