Professional Documents
Culture Documents
A.x = b
Donde A va a ser para nosotros una matriz cuadrada {n * n} que se corresponde con los coeficientes del problema, y se puede representar de la siguiente forma:
x1 x2 x3 .... x n
y b es el vector solucin o de los trminos independientes y se escribe:
b1 b2 b3 .... b n
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
Mtodos para resolver sistemas de ecuaciones lineales: Los mtodos de solucin de sistemas de ecuaciones lineales se dividen en dos grupos: o Mtodos exactos o directos: que son algoritmos que permiten obtener la solucin del sistema a base de un nmero finito de operaciones aritmticas. Entre estos mtodos podemos mencionar la regla de Cramer para hallar la solucin del sistema por medio de determinantes, el mtodo de sustitucin, el mtodo de Gauss (de exclusiones) o el de Gauss Jordan y las tcnicas de factorizacin L V ; L Lt (Cholesky). Tambin existe un mtodo llamado de Crout o LU que lo veremos en este mismo apunte. o Mtodos aproximados o iterativos: Un mtodo iterativo es un mtodo que progresivamente va calculando aproximaciones a la solucin de un problema. En Matemticas, en un mtodo iterativo se repite un mismo proceso de mejora sobre una solucin aproximada, es decir, se espera que lo obtenido sea una solucin mas aproximada que la inicial. El proceso se repite sobre esta nueva solucin hasta que el resultado mas reciente satisfaga ciertos requisitos. A diferencia de los mtodos directos, en los cuales se debe terminar el proceso para tener la respuesta, en los mtodos iterativos se puede suspender el proceso al trmino de una iteracin y se obtiene una aproximacin a la solucin. La idea sera entonces realizar estas aproximaciones sucesivas, reduciendo el error entre el vector solucin obtenido en cada iteracin y lo que debera ser la solucin real del sistema. Algunos mtodos iterativos que podemos mencionar son: Jacobi, Gauss Seidel y Relajacin. Los mtodos iterativos precisan entonces de una combinacin de valores iniciales (o vector arrancador) para poder comenzar a aplicar el mtodo. Este vector se representa como:
(0)
x1 x2 = x3 .... x n
Los mtodos directos de resolucin de Sistemas de Ecuaciones Lineales nos permiten llegar a la solucin exacta en un nmero finito de pasos. Lo que hacen estos mtodos es transformar el Sistema de Ecuaciones en otro equivalente ms fcil de resolver.
A x = b Cx = d
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
En cambio, los mtodos iterativos, como ser el de Jacobi; Gauss-Seidel y el de Relajacin, son mtodos que nos permiten llegar a la solucin en forma de una sucesin de aproximaciones a la solucin, dado un vector solucin inicial.
(0)
= dato
{x}
1
k n =0
lim x
k
(k )
= x (converge)
Dado el sistema:
A x = b
El problema a resolver es determinar x tal que A x = b . La idea comn de todos los mtodos iterativos es descomponer a la matriz A , donde:
A= RS
2
1
donde R se define de manera tal que sea invertible y con inverso R calculable, esto ocurre si la matriz R es diagonal o triangular. Reemplazando 2 en 1:
fcilmente
[R S ] x = b
RxS x = b Rx = S x+b
3
1
Premultiplicando 3 por R :
R R x = R S x + R b I
1 1 1
donde
1 1
R S = R R A = I R A Entonces:
Por 2
x = I R A x + R b
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
( b +1)
= M x
(b)
+c
que partiendo de un vector inicial se obtiene una sucesin de vectores que pueden converger a la solucin del sistema A x = b El mtodo iterativo ser convergente si: lim x
(b)
=x
La frmula 5 es una tcnica de punto fijo, con la cual es posible establecer el paralelismo: Races Sistemas de ecuaciones
f (x ) = 0 x = g (x )
x ( n +1) = g x n
RR
A x b = 0
h( x ) = 0
Rn Rn
x = M x+c
( )
k
( n +1)
= M x
(n)
+c
x ( 0) {x}0
(0)
{}
= M x
(k )
+c
es convergente si y slo si el radio espectral de la matriz M es menor que la unidad. En este caso, la sucesin x
{}
k n =0
Radio espectral: Es el mayor autovalor en valor absoluto. Demostracin Para que el esquema iterativo x
( k +1)
= M x
(k )
(k )
=x
(k )
( k +1)
=x
( k +1)
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
y como x
( k +1)
= M x
(k )
+c
2 3
x = M x+c
= M x
(k )
+ c M x + c
( k +1)
(k ) (k ) = M x x + c c = M x x
(k )
Entonces: e
( k +1)
= M e
(k )
e e
(1)
= M e
(0)
( 2)
= M e
(1)
= M e
2
( 0)
= M e
k
(0)
Convergencia: lim x
k (k )
=x
lim x
k
(k )
x=0
lim e
k
(k )
=0
Dado 4 y 5: lim e
k (k )
= lim M e
k k
(0)
=0
k
Si lim M e
k k
(0)
= 0 con e
(0)
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
Definicin:
Matriz Diagonalmente Dominante: Una matriz se dice matriz diagonalmente dominante, si en cada una de las filas del sistema a resolver, el valor absoluto del elemento de la diagonal principal es mayor que la suma de los valores absolutos de los elementos restantes de la misma fila. A veces la matriz de un sistema de ecuaciones no es diagonalmente dominante pero puede suceder que reordenando las ecuaciones y las incgnitas, en el nuevo sistema generado se obtenga que la matriz de los coeficientes sea diagonalmente dominante. Se debe cumplir entonces que:
aii aij
j =1 j i
(0)
, tanto el
mtodo de Jacobi como el de Gauss-Seidel dan sucesiones {x ( k ) }k =0 que convergen a la solucin nica de A x = b
Mtodo de Jacobi:
Supongamos un sistema de ecuaciones como el que se propone a continuacin:
a11 x1 +
a12 x2 + ... +
a1n xn = b1
aii 0 , i = 1: n
Supongamos que tenemos una solucin inicial x (0) , la cual no necesariamente debe ser la solucin del sistema. La idea del mtodo de Jacobi, es encontrar una nueva solucin a partir de la solucin inicial que se tena. Para ello, lo que se hace es despejar cada incgnita del sistema, a partir de la ecuacin correspondiente (para la i-sima incgnita corresponde la i-sima ecuacin). De esta manera se obtiene una nueva solucin x (1) , de la forma:
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
x1(1) =
(1) x2 =
a x b1 a12 x2 a13 x3 .... 1n n a11 a11 a11 a11 a x b2 a21 x2 a23 x3 .... 2 n n a22 a22 a22 a22 bn ann1 x2 an 3 x3 a x .... n 1 n 1 ann ann ann ann
(1) xn =
Una vez que se obtiene la nueva solucin x (1) se repite el paso anterior y se obtiene una nueva solucin x (2) . Este proceso se repite hasta que la solucin actual converja a la solucin del sistema, cosa que se garantiza si el sistema es diagonalmente dominante (condicin suficiente pero no necesaria para garantizar la convergencia) En resumen, para hallar una solucin x ( k ) (solucin actual) se obtendr a partir de la solucin x ( k 1) (solucin anterior) mediante la siguiente frmula:
(k ) i
n 1 ( k 1) = bi aij x j aii j =1 J i
i = 1: n k = 1: n
donde
a 11 a 21 A = a n1
a 12 a 22 an2
a 1n a 2n a 3n a nn
a11 0 0 a 22 D= 0 0
0 0 0 ann
La forma de la matriz D se elige de manera que su inverso exista y sea fcil de calcular.
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
Reemplazando 2 en 1:
[D (D A)] x = b D x (D A) x = b D x = (D A) x + b
Premultiplicando por D :
D Dx = D
1 1
a11 0 0 a 22 D= 0 0
0 0 0 ann
[D A] x + D
1
D DD A I
0 1 / a11 0 1 / a 22 1 D = 0 0
1
1
0 0 0 1 / ann
= Ts x
(k )
+c
1 2 3
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
Suponiendo los coeficientes a11 0 , a 22 0 y a33 0 Despejando x1 de 1: x1 = 1 [b1 (a12 x 2 + a13 x3)] a11 Despejando x 2 de 2: x 2 = 1 [b 2 (a 21 x1 + a 23 x3)] a 22 Despejando x3 de 3: x3 = 1 [b3 (a 31 x1 + a 32 x 2 )] a 33
x1( k ) = 1 x2( k ) = 1 x 3( k ) = 1
b 2 ( a 21 x1( k ) + a 23 x 3( k 1) ) a 22 b3 ( a 31 x1( k ) + a 32 x 2 ( k 1) ) a 33
xi( k )
i = 1: n k = 1: n
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
Desarrollo matricial del mtodo de Gauss-Seidel Sea el sistema de ecuaciones A x = b 1 Se descompone la matriz A de los coeficientes en
A = (D E ) F
2
0 0 a n 1; 2 a n; 2
0 0 0 a n;n 1
0 0 0 0
0 a1; 2 0 0 F = 0 0 0 0
a1;n 1 a1;n 1
0 0
Matriz Diagonal
Reemplazando 2 en 1:
[(D E ) F ] x = b (D E ) x F x = b (D E ) x = F x + b
Premultiplicando por (D E ) :
1
1
(D E ) (D E ) x = (D E )
I
F x + (D E ) b
1
Despejando F de 2:
F = (D E ) A
Reemplazando 5 en 4:
x = (D E ) (D E ) A x + (D E ) b
1 1
F
x = (D E ) (D E ) (D E ) A x + (D E ) b
1 1 1
x = I (D E ) A x + (D E ) b
1 1
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
= Ts x
(k )
+c 0 0 + 0 ann
0 a 21 a n1 0 0 an2
E
a11 0 0 a 22 DE = 0 0
D
0 0 a n;n 1
0 0 0
Entonces
(D E ) es una matriz
Aclaracin sobre la convergencia: En los mtodos de Jacobi y Gauss Seidel, si el sistema a resolver es diagonalmente dominante, podemos decir que es una condicin suficiente para garantizar la convergencia y aplicamos los mtodos. Sin embargo, puede ocurrir que dicha condicin no se cumpla y el mtodo resulte convergente igual (es decir que la condicin es suficiente pero no necesaria). En este caso, nos conviene no aplicar estos mtodos porque no sabemos efectivamente si tendr convergencia o no.
Criterios de Paro para Jacobi y Gauss - Seidel: En todos los mtodos iterativos
como hemos venido viendo en los temas anteriores se debe establecer algn criterio de paro vlido que nos permita saber hasta cuando voy a tener que seguir realizando iteraciones y decidir cuando parar el mtodo. En los dos mtodos que hemos visto, podemos afirmar que las iteraciones terminarn al converger la solucin actual a la solucin del sistema; pero el problema que surge aqu es que no conocemos la solucin del sistema, por lo tanto no hay manera de saber de antemano si la solucin actual ha convergido a la solucin real o no. Ante este problema, se tiene que adoptar algn criterio de paro. Podemos definir al menos dos criterios de paro vlidos a saber: a) Por el error absoluto: El criterio de paro por el error absoluto, indica que se debe parar el mtodo cuando
xi = 1: n
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
b) Por el error relativo: El criterio de paro por el error absoluto, indica que se debe parar el mtodo cuando
xi( k ) xi( k 1) x
(k ) i
<
xi = 1: n
Donde el valor de es un valor de tolerancia muy pequeo (Por ejemplo = 10 4 ) definido de antemano por la persona que va a aplicar el mtodo. Vale destacar que los dos criterios de paro definidos apuntan a cosas diferentes, el primero se fija en que la distancia" entre la solucin actual y la anterior no sobrepase cierta cota (cota que viene dada por ); esta condicin se fija en que las soluciones no varen mucho, suponiendo que una baja variacin entre soluciones indicar un acercamiento a la solucin real. El segundo criterio de paro toma el mismo supuesto que el primero, pero considerando la distancia relativa entre las soluciones.
A.x b = 0
Entonces, sea el Sistema A x = b (en este caso un ejemplo de 3*3)
a1n xn = b1 + a 2 n xn = b 2 ann xn = b3
1 2 3
y hacemos que ci =
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
II
(0)
= (x1 ( 0 ) ; x 2 ( 0 ) ; xn ( 0 ) )
nos queda:
c1 x1 ( 0 ) + b1 j xj ( 0) = R1 ( 0 )
j =2
n
c2 x2
(0)
+ b 2 j xj
j =1 j2 n 1 j =1
( 0)
= R2
(0)
Los Ri
( 0)
(0)
= R1 ( 0 ) ; R 2 ( 0 ) ;; Rn ( 0 )
cn xn ( 0 ) + bnj xj ( 0 ) = Rn ( 0 )
Si la componente del vector de los residuos mayor en valor absoluto en la Rk ( 0 ) ( Rk ( 0 ) > Ri ( 0 ) con i = 1, k 1, k + 1, n ),vamos a incrementar xk ( 0 ) , de manera tal que
Rk (1) = 0 .
0 = Rk (1) = ck ( xk ( 0 ) + xk ( 0 ) ) + bxj xj ( 0 ) = 0
j =1 jk
xk : incremento
(0)
= ck xk ( 0 ) + bxj xj ( 0 ) xk ( 0 ) = 0
j =1 jk
Rk ( 0 ) xk ( 0 ) = 0
Rk ( 0 ) = xk ( 0 )
Rk ( 0)
Por la ecuacin anterior el incremento de la variable xk ( 0 ) , que es xk ( 0 ) , es igual al residuo Rk ( 0 ) . Entonces el nuevo vector x
x
(1)
(1)
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
Ahora con este nuevo vector de la solucin aproximada x podemos calcular el vector de los residuos R .
(1)
(1)
(1)
n c1 x1 (1) + b1 j xj (1) = R1 (1) j =2 n (1) (1) (1) c 2 x 2 + b 2 j xj = R 2 j =1 j 2 n (1) (1) (1) c k 1 x k 1 + bk 1 j xj = Rk 1 j =1 j k 1 n (1) (1) (1) c k +1 x k +1 + bk +1 j xj = Rk +1 j =1 j k +1 n 1 cn xn (1) + bnj xj (1) = Rn (1) = R1 (1) j =1
Desarrollando 4:
R1 (1) = R1 ( 0 ) + b1k xk ( 0)
= Rk 1
= Rk +1
Rn (1) = Rn ( 0 )
) +b (x ) +b (x ) + b (x )
( 0)
k 1; k k
10 11 12 13
(0)
(0)
k +1; k
( 0)
nk
(0)
14
Seleccionamos de estos residuos el mayor en valor absoluto de los Ri (1) ( i = 1,2, k 1, k + 1, n ), por ejemplo el R 3 (1) e incrementamos la variable xm (1) en xm (1) = Rm (1) quedando el vector de la solucin aproximado como:
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
( 2)
1. Para el mtodo de relajacin la convergencia est garantizada si los aii = 1 (debo llevar los coeficientes de la diagonal principal a -1) 2. Igualo las ecuaciones a cero y llamo Ri a cada una de las ecuaciones. (donde Ri est asociado a la variable xi). Ri:Residuos. 3. Calculo los Ri (Residuos) 4. Tomo el mayor Ri en valor absoluto y se lo sumo (con signo) a la variable que corresponda y vuelvo al paso 3 con los nuevos valores obtenidos para mis variables.
Mtodo exacto de Crout (o L*U): El mtodo de Crout es un mtodo exacto para la resolucin de sistemas de ecuaciones lineales.
Conceptos Previos:
Se dice que una matriz cuadrada es triangular si tiene todos sus elementos de la parte superior o inferior respecto de la diagonal principal iguales a cero. Una matriz es diagonal si es simultneamente triangular superior e inferior. La suma y el producto de 2 matrices triangulares de la misma estructura da como resultado una nueva matriz con la mismo estructura que las 2 originales. La inversa de una matriz triangular da otra matriz de la misma estructura. El determinante de una matriz triangular es igual al producto de los elementos de la diagonal principal.
Para que la matriz cuadrada A admita la anterior factorizacin se tiene que aplicar el siguiente teorema.
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
Teorema
1 = a11 0
2 =
Puede expresarse como un producto de dos matrices triangulares (una de estructura triangular inferior L y la otra de estructura triangular superior U ). Esta factorizacin ser nica si se han fijado de antemano los elementos diagonales de una de las matrices triangulares (por ejemplo lo hacemos igual a la unidad).
Ejemplo
a11 a12 a13 l11 0 0 u11 u12 u13 a 21 a 22 a 23 = l 21 l 22 0 0 u 22 u 23 a 31 a 32 a 33 l 31 l 32 l 33 0 0 u 33 Pero este sistema posee 9 ecuaciones con 12 incgnitas (l11, l21, l22, l31, l32, l33, u11, u12, u13, u22, u23, u33). Como las incgnitas son ms que las ecuaciones, el sistema no tiene solucin nica. Entonces planteamos:
A = L U 1
En este caso tenemos un sistema con 9 ecuaciones y 9 incgnitas; como el nmero de ecuaciones es igual al nmero de incgnitas la solucin es nica.
Ctedras de Modelos Numricos, Anlisis Numrico y Clculo Avanzado U.T.N. Facultad Regional La Plata
l11 = a11 l 21 = a 21 l 31 = a31 l11 u12 = a12 l 21 u12 + l 21 = a 22 l 31 u12 + l 32 = a32 l11 u13 = a13 l 21 u13 + l 22 u 23 = a 23 l 31 u13 + l 32 u 32 + l 33 = a33
Tambin podramos haber planteado esto:
(1era fila de L por 1era columna de U ) (2da fila de L por 1era columna de U ) (3era fila de L por 1era columna de U ) (1era fila de L por 2da columna de U ) (2da fila de L por 2da columna de U ) (3era fila de L por 2da columna de U ) (1era fila de L por 3era columna de U ) (2da fila de L por 3era columna de U ) (3era fila de L por 3era columna de U )
A = L1 U
A x = b
A = L U
L U x = b
Si hacemos que
y =U x
II
donde tenemos que resolver: 1- Primero el sistema III que es un sistema triangular inferior con solucin directa descendente. 2- Usando como vector de los trminos independientes al vector obtenido en III, resolvemos el sistema triangular superior de IV con solucin directa ascendente.