Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Departamento de Matemáticas
Métodos Numéricos
Profs: Juan Carlos Egaña y Jorge Rojo
Ax = b; (1)
donde A = (aij )n n es la matriz de coe…cientes, x = (x1 ; x2 ; :::; xn )T es
el vector de las incógnitas y b = (b1 ; b2 ; :::; bn )T es el vector del lado
derecho.
1
Ejemplo:
Consideremos el sistema de 2 2:
3x + y = 9
2x + 3y = 13
3 1
La matriz de coe…cientes es A = , el vector del lado derecho es
2 3
9 x
b= y el vector de incógnitas es x = .
13 y
Sin embargo, el valor del método de Cramer es sólo teórico, puesto que desde
el punto de vista numérico es muy poco e…ciente. En efecto, este método,
para calcular cada componente del vector de incógnita necesita el cálculo de
dos determinantes de n n. Considerando que un determinante de orden
n requiere de n! n 1 operaciones en el computador, el costo total de este
método es de (n + 1) n! 1 operaciones. Luego, si tenemos un computador
que haga unas 106 operaciones por segundo, se tiene que el sistema lineal
de orden "n" se resolverá en
n tiempo computacional
5 3; 6 milisegundos
10 6 minutos 39 segundos
20 32; 4 millones de años
Ante esta di…cultad, cuando el orden del sistema lineal es muy grande, existen
otras alternativas de métodos directos más e…cientes tales como el Método
de Gauss-Jordan o Eliminación Gaussiana, Descomposición LU, etc. Sin
embargo, en algunos casos también son poco e…cientes. Por tanto, una alter-
nativa son los Métodos Indirectos o Iterativos, los cuales pueden calcular la
solución en un número de pasos que no depende del orden del sistema.
2
1.2 Métodos iterativos
De…nición: Una norma de una matriz An n de n n es una función, que
denotamos por kAk, tal que cumple con las siguientes condiciones:
(2i) k Ak = j j kAk ; 8 2 R, 8 A
5 9
Ejemplo: Considremos la siguiente matriz de 2 2: A = ,
2 1
entonces
kAk1 = max f5 + 9; 2 + 1g = 17
16i6n
" # 21 " # 12
X
2 X
2 X
2
kAk2 = a2ij = a2i1 + a2i2
i=1 j=1 i=1
1 1 p
= [(a211 + a212 ) + (a221 + a222 )] 2 = [(25 + 81) + (4 + 1)] 2 = 111
3
1.3 Método de Jacobi
Consideremos el sistema lineal:
9
a11 x1 + a12 x2 + + a12 xn = b1 >
>
>
=
a21 x1 + a22 x2 + + a2n xn = b2
.. ;
. >
>
>
an1 x1 + an2 x2 + + ann xn = bn ;
donde 2 3
a11 a12 a12
6 a21 a22 a2n 7
6 7
A=6 .. .. .. .. 7 es la matriz de coe…cientes,
4 . . . . 5
an1 an2 ann
2 3 2 3
b1 x1
6 b2 7 6 x2 7
6 7 6 7
b=6 .. 7 es el vector del lado derecho y x = 6 .. 7 es el vector de
4 . 5 4 . 5
bn xn
las incógnitas.
4
para obtener la sucesión x(k) . En otras palabras, para k = 0; 1; 2; :::;
hacer
(k+1) b1 Pn a
ij (k)
x1 = xj
a11 j=1 a11
j6=1
(k+1) b2 P n a2j (k)
x2 = xj
a22 j=1 a22
j6=2
..
.
..
.
(k+1) bn Pn a
nj (k)
xn = xj
ann a
j=1 nn
j6=n
(k+1) bi X
n
aij (k)
xi = xj ; i = 1; 2; :::; n (2)
aii j=1
aii
j6=i
9
10x1 x2 + 2x3 = 6 >
>
=
x1 + 11x2 x3 + 3x4 = 25
(3)
2x1 x2 + 10x3 x4 = 11 >
>
;
3x2 x3 + 8x4 = 15
Podemos veri…car que este sistema tiene la única solución x = (1; 2; 1; 1)T ,
la cual llamaremos solución exacta. Por tanto, para veri…car la efectividad del
método de Jacobi, partiremos con un vector inicial (en adelante le llamaremos
"chute inicial") x(0) = (0; 0; 0; 0)T . En efecto, despejando las incognitas
xi ; i = 1; 2; 3; 4, transformamos el sistema inicial a la forma:
5
3 1 1
x1 = + x2 x3
5 10 5
25 1 1 3
x2 = + x1 + x3 x4
11 11 11 11
11 1 1 1
x3 = x1 + x2 x4
10 5 10 10
15 3 1
x4 = x2 + x3
8 8 8
O en forma matricial x = T x + c, donde
2 1 1
3 2 3
3
0 10 5
0 5
6 1 0 1 3 7 6 25 7
T =6 4
11
1 1
11
1
11 7 y c = 6
5 4
11
11
7
5
5 10
0 10 10
3 1 15
0 8 8
0 8
6
k 0 1 2 3 10
(k)
x1 0:0 0:6000 1:0473 0:9326 1:0001
(k)
x2 0:0 2:2727 1:7159 2:0530 1:9998
(k)
x3 0:0 1:1000 0:8052 1:0493 0:9998
(k)
x4 0:0 1:8750 0:8852 1:1305 0:9998
Notemos que podemos generar una sucesión in…nita de vectores x(k) , los
cuales se "acercan" a la solución exacta. Entre más grande es el valor de
k, mejor es la aproximación. Sin embargo, podemos veri…car con el ejemplo
anterior que en 10 iteraciones podemos conseguir una aproximación de la
solución exacta bastante buena. Los métodos iterativos, y en particular el
método de Jacobi, no se detienen mientras no se tenga un control sobre ello.
Entonces, como criterio de parada, podemos usar el hecho que si la sucesión
de vectores x(k) converge a la solución exacta, implica (indirectamente) que
el vector x(k) queda cada vez más cerca del siguiente vector x(k+1) cuando k
tiende a in…nito (k ! 1), es decir, la distancia (norma) entre los vectores
x(k) y x(k+1) es cada vez más pequeña. Luego, como criterio de parada,
podemos usar la relación:
x(k+1) x(k) 1
< T OL;
kx(k+1) k1
donde T OL es un número real arbitrario "muy pequeño" (tanto como se
desee la precisión de la aproximación). En el ejemplo anterior, si queremos
una aproximación de tres cifras decimales, podemos escoger T OL = 10 3 ,
entonces
7
2 3
a11 a12 a1n
6 a21 a22 a2n 7
6 7
A=6 .. .. .. .. 7=
4 . . . . 5
an1 an2 ann
2 3 2 3 2 3
a11 0 0 0 0 0 a12 a1n
6 0 a22 0 7 6 .. .. 7 6 .. .. .. 7
6 7 6 a21 . . 7 6 . . . 7
=6 .. .. . . . .. 7 6 .. .. .. .. 7 6 .. .. .. 7
4 . . . 5 4 . . . . 5 4 . . . an 1;n
5
0 0 an an1 an;n 1 0 0 0
| {z } | {z } | {z }
D L U
(4)
(D L U ) x = b;
entonces, distribuyendo y despejando, tenemos
Dx = (L + U ) x + b:
1
Ahora, si suponemos que la matriz D existe, es decir, si aii 6= 0; 8i=
1; 2; :::; n, entonces
1
x=D (L + U ) x + D 1 b
1
Si T = D (L + U ) y c = D 1 b, la ecuación matricial anterior queda:
x = Tx + c
8
1.4 Método de Gauss-Seidel
Este método es una variación del método de Jacobi con el …n de acelerar su
convergencia a la solución exacta. La idea es utilizar los valores actualizados
en cada reemplazo. Esto es, para cada k = 0; 1; 2; :::
(k+1) bi X
i 1
aij (k+1) Xn
aij (k)
xi = x x (5)
aii j=1
aii j j=i+1
aii j
x(k+1) x(k) 1
< T OL;
kx(k+1) k1
9
10x1 x2 + 2x3 = 6 >
>
=
x1 + 11x2 x3 + 3x4 = 25
2x1 x2 + 10x3 x4 = 11 >
>
;
3x2 x3 + 8x4 = 15
Usando las fórmulas de (5) del método de Gauss-Seidel para calcular las
componentes del vector x(k) , tenemos
9
(k+1) 3 1 (k) 1 (k)
x1 = + x x
5 10 2 5 3
k 0 1 2 3 4 5
(k)
x1 0:0 0:6000 1:030 1:0065 1:0009 1:0001
(k)
x2 0:0 2:3272 2:037 2:0036 2:0003 2:0000
(k)
x3 0:0 0:9873 1:014 1:0025 1:0003 1:0000
(k)
x4 0:0 0:8789 0:9844 0:9983 0:9999 1:0000
Claramente, si T OL = 4 10 4 , tenemos
(D L U ) x = b;
10
distribuyendo
Dx Lx Ux = b
(D L) x = U x + b (6)
o, lo que es mismo,
1 1
x = (D L) U x + (D L) b
1 1
Ahora, si denotamos TG S = (D L) U y cG S = (D L) b, la
ecuación anyterior queda
x = TG Sx + cG S
x(k+1) = TG Sx
(k)
+ cG S:
Si bien los ejemplos dados anteriormente muestran que los métodos de Jacobi
y Gauss-Seidel convergen a la única solución x = (1; 2; 1; 1)T del sistema lin-
eal (3), no signi…ca que estos métodos iterativos sean siempre convergente.
11
Por tanto, es necesario determinar criterios que nos aseguren apriori con-
vergencia de tal manera de generar una sucesión que asegure se "acerque"
in…nitamente a la solución exacta. De lo contrario, será un trabajo en vano.
De…nición: Una matriz A = (aij )n n se dice estrictamente diagonal
dominante si sus entradas cumplen cada una de las siguientes condiciones:
X
n
jaii j > jaij j ; i = 1; 2; :::; n (7)
j=1
j6=i
0 1
3 0 1
A=@ 1 2 0 A;
1 1 3
se veri…can:
P
n=3
ja11 j = 3 > jaij j = ja12 j + ja13 j = j0j + j 1j = 1
j=1
j6=1
P
3
ja22 j = 2 > ja2j j = ja21 j + ja23 j = j 1j + j0j = 1
j=1
j6=2
P
3
ja33 j = 3 > ja3j j = ja31 j + ja32 j = j1j + j 1j = 2
j=1
j6=3
Entonces la matriz A es estrictamente diagonal dominante (E.D.D).
12
P
3
jb11 j = 1 < jaij j = ja12 j + ja13 j = j0 + 3j = 3
j=1
j6=1
Por tanto, como falla una de las condiciones dadas por (7), podemos decir
que la matriz B no es E.D.D.
Ax = b:
2 3
Ejemplo: La matriz A = tiene dos autovalores: 1 = 4 y
0 4
2 = 2. Entonces el radio espectral de A es igual a 4. En efecto,
Ejemplos:
13
1. Dado el sistema
9
3x1 x3 = 1 =
x1 + 2x2 = 0
;
x1 x2 + 3x3 = 1
Los métodos de0Jacobi1y G-S son convergentes para cualquier chute
(0)
x1
B C
inicial x(0) = @ x(0)
2 A. En efecto, la matriz de coe…ciente es A =
(0)
x
0 13
3 0 1
@ 1 2 0 A y vimos en un ejemplo anterior que esta matriz es
1 1 3
E.D.D, entonces por el teorema anterior los métodos de Jacobo y G-S
son convergentes para cualquier chute inicial.
P
3
ja22 j = 1 = jaij j = 1 + 0 = 1,
j=1
j6=2
14
Teorema: Dado el sitema de ecuaciones lineales
Ax = b (8)
y sea el esquema iterativo
si y solo si
el radio espectral de la matriz de coe…cientes es menor que uno, es decir,
(T ) < 1:
Recordemos que:
1
TG S = (D L) U
Primero calculamos la matriz D L y su inversa:
15
0 1
1
0 1 0 0 C
3 0 0 B 3
B 1 C
D L=@ 1 1 0 A ; (D L) 1
=B
B 1 0 C
C:
@ 3
3 1 2 2 1 1 A
3 2 2
Entonces
1
TG S = (D L) U
0 1
1
B 0 0 C 0 1
B 3 C 0 0 1
1
= B
B 1 0 CC
@ 0 0 0 A
@ 3
2 1 1 A 0 0 0
3 2 2
0 1
1
B 0 0 3 C
B 1 C
= B
B 0 0
C
@ 3 C
2 A
0 0
3
Para conocer el radio espectral (TG S ) es necesario conocer los autovalores
de TG S , esto es, calcular las raíces del polinomio característico p ( ) dado
por:
16
p ( ) = jTG S Ij
1
0
3
1
= 0
3
2
0 0
3
1
3 1 0 1
= 2 +
0 3 0 0
3
2
=
3
2 2 3
=
3
2 2
= =0
3
Entonces tenemos que los autovalores de la matriz TG S son:
2
1 = 0; 2 = 0; 3 =
3
Esto implica que el radio espectral de TG S es:
2
(TG S) = 0; 6
3
Por tanto, dado que (TG S ) < 1, el método de Gauss-Seidel converge para
cualquier chute inicial x(0) .
Un análisis similar se puede hacer para estudiar la convergencia del método
de Jacobi, es decir, determinar el radio espectral de la matriz de iteración
TJ = D 1 (L + U ). En efecto, notemos que
0 1 1
3
0 0
D 1=@ 0 1 0 A
0 0 12
17
Entonces
1
TJ = D (L + U )
0 1
10 1
0 0
3
0 0 1
= @ 0 1 0 A @ 1 0 0 A
0 0 12 3 1 0
0 1
0 0 13
= @ 1 0 0 A
3 1
2 2
0
1
0 3
p ( ) = jTJ Ij = 1 0
3 1
2 2
0 1 1 1
= 1 + 3 1
2 3 2 2
2 1 1 3
= +
3 2 2
3 1 1
=
6 2
3 1 1
= =0
2 6
o equivalentemente
3
p( ) = 6 +3 +1=0
18
(TJ ) = max fj 1 j ; j 2 j ; j 3 jg
= 0:762 89
y así, según el criterio anterior, como el radio espectral es menor que 1, el
método de Jacobi converge para cualquier chute inicial x(0) .
Observación:
(A) 6 kAk ;
1 1 2
kTG S k1 = max ; ;
3 3 3
2
= 0; 6
3
Luego, si aplicamos la desigualdad (10), tenemos
2
(TG S) < kTG S k1 = < 1:
3
Por tanto, con tan sólo calcular la norma kTG S k1 podemos asegurar
que el método de G-S converge, sin necesidad de calcular el radio
espectral (TG S ).
19
2. Haga un análisis similar para la matriz TJ .
Ax = b;
donde
2 3
a11 a12 a12
6 a21 a22 a2n 7
6 7
A=6 .. .. .. .. 7:
4 . . . . 5
an1 an2 ann
De…nimos los números j, con j = 2; 3; :::; n de la siguiente forma:
20
y para j = 2; 3; :::; n
Ejemplo: Si n = 3, entonces
ja12 j + ja13 j
1 = ;
ja11 j
ja21 j + ja23 j
1
2 =
ja22 j
y
ja31 j 1+ ja32 j 2
3 =
ja33 j
Ahora, si n = 4, tenemos
21
Ejemplo:
9
2x1 + x2 + 3x3 = 3 =
x2 + x3 = 1
;
x1 + 3x3 = 3
La matriz de coe…cientes es:
0 1
2 1 3
A= @ 0 1 1 A:
1 0 3
Entonces, para aplicar el criterio de Sassenfeld, primero calculamos j; j=
1; 2; 3
2
Entonces = max 2; 1; = 2 > 1 y, por tanto, el criterio no decide. Sin
3
embargo, podemos intentar intercambios de …las y/o columnas para aplicar
el criterio. Primero, intercambiamos las …las 1 y 3
9
x1 + 3x3 = 3 =
x2 + x3 = 1
;
2x1 + x2 + 3x3 = 3
y la matriz de coe…cientes es:
0 1
1 0 3
e
A= @ 0 1 1 A:
2 1 3
22
ja12 j + ja13 j 0+3
Calculamos 1 = = > 1 no satisface y el criterio no
ja11 j 1
decide. Sin embargo, podemos insistir en otros intercambios. Ahora, inter-
cambiamos la primera columna por la tercera:
0 1
3 0 1
b=@ 1
A 1 0 A:
3 1 2
En este caso, tenemos:
ja21 j + ja23 j
1 1 13 + 0 ja21 j 1 + ja23 j 1
2 = = = = <1
ja22 j 1 ja22 j 3
y
1 1
ja31 j 1 + ja32 j 2 3 3
+1 3 4 1 2
3 = = = = < 1:
ja33 j 2 3 2 3
Luego,
1 2 2
= max ; = <1
3 3 3
Observación:
tenemos
23
Para
0 1
1 0 3
e=@ 0
A 1 1 A
2 1 3
tenemos
y para
0 1
3 0 1
b=@ 1
A 1 0 A:
3 1 2
tenemos
1
TG S = (D L) U
20 1 0 13 1 0 1
2 0 0 0 0 0 0 1 3
= 4@ 0 1 0 A @ 0 0 0 A5 @ 0 0 1 A
0 0 3 1 0 0 0 0 0
0 1 1 0 1
2 0 0 0 1 3
= @ 0 1 0 A @ 0 0 1 A
1 0 3 0 0 0
0 1 3
1
0 2 2
= @ 0 0 1 A
1 1
0 6 2
24
2
kTG S k1 = max 0; ; 2 =2>1
3
2
kTG S k1 = max 2; 1; =2>1
3
1 1
2 1 9 1 1 2 34 2
kTG S k2 = 0 + + +0+0+1+ + = 1:943 > 1
4 4 36 4 9
(TG S) 6 kTG Sk :
25