Professional Documents
Culture Documents
(3.1)
bn .
(3.2)
T
En la siguiente secci
on estudiaremos algunos metodos directos para resolver sistemas de
ecuaciones lineales, posteriormente abordaremos algunos metodos iterativos .
3.1
Normas matriciales
Para estudiar algunos metodos iterativos que nos permitan resolver sistemas de ecuaciones
3.1.1
Normas vectoriales
97
Sergio Plaza
N2)
N3)
n
P
i=1
|xi |
Pn
4. ||(x1 , x2 , . . . , xn )||p = ( i=1 |xi |p )1/p (norma p ).
p
traza(AAT )
P
n
i,j=1
a2ij
1/2
P
n
i=1
Pn
j=1
a2ij
1/2
(norma de Fr
obenius)
kAxk
kxk
: x R , kxk 6= 0
1
.
||A1 ||
3. Si A M (n n, R) es no singular, entonces
||A1 ||2 =
1
1
,
=
inf{||Ax||2 : ||x||2 = 1}
min
98
Sergio Plaza
4. ||A||2 = ||AT ||2 .
5.
A 0
0 B = max{||A||2 , ||B||2 } .
2
=
=
n
n
n
n
X
X
X
X
max
|a1j |,
|a2j |, . . . ,
|aij |, . . . ,
|anj | .
j=1
j=1
j=1
j=1
i=1
i=1
i=1
1/2
n X
m
X
||A||F =
a2ij
, A M (m n, R)
i=1 j=1
99
Sergio Plaza
max
i,j=1,...,n
|ai,j | .
Afirmamos que esta es una norma matricial (se deja al lector la verificaci
on) y no es subordinada a ninguna norma en M (n n, R) .
En efecto, tomemos las matrices
A=B=
1
0
1
1
1
0
2
1
n ||A||2
1
n
||A||1 6 ||A||2 6
n ||A||1 .
Teorema 3.4 Sea A M (n n, R) , con k A k < 1 , entonces I A es una matriz que tiene
P
inversa, la cual viene dada por (I A)1 =
Ak , donde A0 = I . Adem
as, se tiene que
k=0
1
1
.
(I A)
6
1 kAk
Demostraci
on. Es solo calculo y se deja a cargo del lector.
k
1
inversas, las cuales son dadas por A1 = B
y
B
=
A,
(I
AB)
k=0
k=0 (I AB)
respectivamente,.
Demostraci
on. Directa desde el teorema anterior.
Definici
on 3.2 Sea A M (n n, R) , decimos que C es un valor propio de A si la
matriz A I no es invertible, en otras palabras, es soluci
on de la ecuaci
on polinomial
pA () = det (A I) = 0,
100
Sergio Plaza
Observaci
on. Si = a + ib C , su valor absoluto o norma es dado por | | = a2 + b2 .
Teorema 3.6 Se tiene (A) = inf kAk , donde el nfimo es tomado sobre todas las normas
matriciales definidas sobre el espacio vectorial M (n n, R) .
Observaci
on. Desde la definicion de las norma matriciales || || y || ||1 vemos que calcularlas
para una matriz dada es f
acil. Para lo norma || ||2 el calculo no es tan sencillo, pero tenemos
el siguiente resultado.
Teorema 3.7 Sea A M (n n, R) . Entonces
1/2
,
||A||2 = max || : (AT A)
en otras palabras, ||A||2 es la raz cuadrada del mayor valor propio de la matriz AT A .
Corolario 3.1 Si A M (n n, R) es simetrica, entonces
||A||2 = max{|| : (A)} .
3.2
N
umero de condici
on
Consideremos el sistema Ax = b , donde A es una matriz invertible, por lo tanto tenemos que
on exacta.
xT = A1 b es la soluci
Caso 1: Se perturba A1 para obtener una nueva matriz B , la soluci
on x = A1 b resulta
perturbada y se obtiene un vector xA = Bb que debera ser una solucion aproximada al sistema
original. Una pregunta natural es que ocurre con E(xA ) = kxT xA k ? Tenemos
kxT xA k = kxT Bbk = kxT BAxT k = k(I BA) xT k 6 kI BAk kxT k
de donde obtenemos que
E (xA ) = kxT xA k 6 kI BAk kxT k
101
Sergio Plaza
kxT xA k
6 kI BAk .
kxT k
por lo tanto
E (xA ) 6 kb bA k =
A1
E (bA ) ,
(3.3)
kb bA k
kb bA k
kxT xA k 6
A1
kb bA k =
A1
kAxT k
6
A1
kAk kxT k
kbk
kbk
luego
ER (xT ) =
esto es,
kb bA k
kxT xA k
6
A1
kAk
=
A1
kAk ER (bA ) .
kxT k
kbk
ER (xA ) 6 ||A1 || ||A||ER (bA .
(3.4)
Definici
on 3.4 Sea A M (n n, R) una matriz invertible, el n
umero condici
on de A es
dado por
(3.5)
(A) = kAk
A1
.
Observaci
on. Note que (A) > 1 , pues es evidente que (I) = 1 y que
1 = ||I|| 6 ||A|| ||A1 || = (A).
Ejemplo 49 Considere
A=
1
1
1+
1
102
Sergio Plaza
A1 = 2
1
1
1 +
1
obtenemos que kAk = 2 + ,
A1
= 2 (2 + ) , por lo tanto
(A) =
(2 + )2
4
> .
2
1
1
1
1.00000001
Tenemos
1
1.0 108
1.0 108
1.0 108
1.0 108
Luego, ||A||1 = ||A||2 ||A|| = 2 , ||A1 ||1 = ||A1 || ||A1 ||2 2 108 , luego
1 (A) = (A) 4 108 .
Observaci
on. Si (A) es demasiado grande diremos que A esta mal condicionada.
Ejemplo 51 Consideremos la matriz
A=
1
0
..
.
0
0
1 1
1 1
..
..
..
.
.
.
0
0
0
0
1
1
..
.
1
1
103
Sergio Plaza
k xT xA k
k xT k
k bbA k
k bk
k rk
k bk
(3.6)
1 krk
kek
krk
6
6 (A)
.
(A) k b k
k xT k
k bk
(3.7)
es decir,
Observaci
on. Si tenemos una matriz B escrita en la forma
B = A(I + E)
donde I denota la matriz identidad y E es una matriz de error, entonces se tienen las siguientes
cotas para el error relativo
si ||AE|| < 1 y
||xT xA ||
(A)
||AE||
6
||AE|| ||A||
||xT ||
1 (A) ||A
(3.8)
||E||
||xT xA ||
6
||xT ||
1 ||E||
(3.9)
si ||E|| < 1 .
Observaci
on. Sea A M (n n, R) . Denotemos por max y min q
, respectivamente, el
3
1
3
3
A=
0
3
Tenemos que
Luego
AT =
3
1
10
3
AAT I =
3
8
max
min
104
Sergio Plaza
3.3
2
2
p
max = 2
||A1 ||2 =
1
1
= ,
min
2
2.
Soluci
on de sistemas de ecuaciones lineales: m
etodos
directos
En esta parte estudiaremos metodos directos, es decir, algebraicos, para resolver sistemas de
3.3.1
Conceptos b
asicos
La idea es reducir un sistema de ecuaciones lineales a otro que sea mas sencillo de resolver.
Definici
on 3.5 Sean A, B M (n n, R) . Decimos que dos sistemas de ecuaciones lineales
Ax = b y Bx = d son equivalentes si poseen exactamente las mismas soluciones.
Por lo tanto si podemos reducir un sistema de ecuaciones lineales Ax = b a un sistema
equivalente y mas simple Bx = d , podemos resolver este u
ltimo, y obtenemos de ese modo las
soluciones del sistema original.
Definici
on 3.6 Sea A M (n n, R) . Llamaremos operaciones elementales por filas sobre A
a cada una de las siguientes operaciones
1. Intercambio de la fila i con la fila j , denotamos esta operaci
on por Fi Fj .
2. Reemplazar la fila i, Fi , por un m
ultiplo no nulo Fi de la fila i , denotamos esta
operaci
on por Fi 7 Fi
3. Reemplazar la fila i , Fi , por la suma de la fila i m
as un m
ultiplo no nulo Fj de la fila
j , i 6= j , denotamos esta operaci
on por Fi 7 Fi + Fj
Definici
on 3.7 Decimos que una matriz A es una matriz elemental si ella se obtiene a partir
de la matriz identidad a traves de una u
nica operaci
on elemental. Una matriz elemental ser
a
denotada por E .
Ejemplo 53
1
2. 0
0
1 0
1.
0 1
0 0
0
1 0
F3 F2
0
0 0
1
0 1
0 0
1
1 0 F2 7 rF2 0
0
0 1
0 0
r 0
0 1
0
1 .
0
105
Sergio Plaza
1
3. 0
0
0 0
1
1 0 F3 7 F3 + rF2 0
0
0 1
0
1
r
0
0
1
Observaci
on.
Si a una matriz A se le aplican una serie de operaciones elementales
E1 , E2 , . . . , Ek denotaremos el resultado por Ek Ek1 E2 E1 A .
Ademas, si Ek Ek1 E2 E1 A = I , se tiene que A posee inversa y Ek Ek1 E2 E1 = A1 .
El teorema siguiente resume las condiciones para que una matriz tenga inversa.
Teorema 3.9 Sea A M (n n, R) entonces son equivalentes
1. A tiene inversa.
2. det (A) 6= 0.
3. Las filas de A forman una base de Rn .
4. Las columnas de A forman una base de Rn .
5. La transformaci
on lineal T : Rn Rn dada por T (x) = Ax , asociada a la matriz A ,
es inyectiva,
6. La transformaci
on T : Rn Rn dada por T (x) = Ax , asociada a la matriz A , es
sobreyectiva
7. El sistema Ax = 0 , donde x Rn posee soluci
on u
nica x = 0 .
8. Para cada b Rn existe un u
nico vector x Rn tal que Ax = b .
9. A es producto de matrices elementales.
10. Todos los valores propios de A son distinto de cero.
3.4
Factorizaci
on de matrices
En esta seccion estudiaremos las condiciones necesarias para que una matriz A M (n n, R)
tenga una factorizacion de la forma LU donde L, U M (nn, R) , con L una matriz triangular
inferior y U una matriz triangular superior.
Observe que si A M (nn, R) tiene una factorizacion de la forma LU como arriba, entonces
el sistema de ecuaciones lineales Ax = b , con x, b Rn , puede resolverse de una manera mas
sencilla, para ello consideramos el cambio de variable U x = z , y resolvemos primero el sistema
Lz = b primero y enseguida resolvemos el sistema U x = z , obteniendo as la soluci
on del
sistema original, es decir,
Lz = b
Ax = b L |{z}
U x = b
Ux = z .
z
106
Sergio Plaza
L=
l11
l21
..
.
ln1
0
l22
..
.
ln2
0
0
..
.
..
.
0
0
..
.
lnn1
lnn
y U =
u11
0
..
.
0
u12
u22
..
.
0
..
.
0
u1n1
u2n1
..
.
u1n
u2n
..
.
unn
(3.10)
De esta descomposici
on tenemos
n
Y
i=1
lii
n
Y
i=1
uii
(3.11)
L = (F1 F2 . . . Fn )
U = (C1 C2 Cn ) ,
donde Fi = (li1 li2 lii 0 0) y Ci = (u1i u2i uii 0 0)T , son las filas de L y
las columnas de U , respectivamente.
Ahora, al desarrollar la multiplicaci
on A = LU ,
a11
a21
..
.
a21
a22
..
.
..
.
a1n
a2n
..
.
an1
an2
ann
F1
F2
..
.
Fn
(C1 C2 Cn ) =
F1 C1
F2 C1
..
.
F1 C2
F2 C2
..
.
..
.
F1 Cn
F2 Cn
..
.
Fn C1
Fn C2
Fn Cn
. . .
(3.12)
de aqu, vemos que si fijamos l11 6= 0 , podemos resolver las ecuaciones anteriores para u1i ,
i = 1, . . . , n . Enseguida, para la segunda fila de A tenemos
a21 =
a22 =
.. ..
. .
a2n =
F2 C1 = l21 u11
F2 C2 = l21 u12 + l22 u22
..
.
(3.13)
como u11 ya lo conocemos desde las ecuaciones (3.12), podemos encontrar el valor l21 , conocido
este valor, fijando un valor no cero para l22 , y dado que conocemos los valores u1i para
i = 2, . . . , n , podemos encontrar los valores de u2i para i = 2, . . . , n . Siguiendo este metodo
vemos que es posible obtener la descomposicion de A en la forma LU . Note que tambien
107
Sergio Plaza
podemos comparar las columnas de A con aquellas obtenidas desde el producto LU y proceder
a resolver las ecuaciones resultantes. El problema es ahora saber bajo que condiciones dada
una matriz A ella puede descomponerse en la forma LU , es decir, siempre y cuando podamos
hacer las elecciones anteriores.
10 3 6
Ejemplo 54 Sea A = 1
8 2 . Encontremos una descomposicion LU para A .
2 4 9
Escribamos
u11 u12 u13
l11 0
0
10 3 6
1
8 2 = l21 l22 0 0 u22 u23
2
l31
l32
l33
u33
l11 u11
l u
11 12
l11 u13
=
=
=
10
3
6
de aqu fijando un valor no cero para l11 , digamos l11 = 2 , obtenemos que u11 = 5 , u12 = 23 ,
y u13 = 3 . Enseguida tenemos las ecuaciones
l21 u11
l21 u12 + l22 u22
= 1
= 8
= 2
como u11 = 5 se tiene que l21 = 15 . Ahora fijamos el valor de l22 = 1 y obtenemos los valores
83
, y u23 = 13
ltima fila de A , nos queda
u22 = 10
5 . Finalmente, para la u
l31 u11
l31 u12 + l32 u22
= 2
= 4
= 2
10 3 6
1
8 2 =
2 4 9
2
1
5
3
5
0
1
34
83
0
0
0
415
3
2
83
10
0
13
.
1604
108
Sergio Plaza
Ejemplo 55 La matriz A =
que det(A) 6= 0 .
0 1
1 1
L=
l11
l21
0
l22
u11
0
u12
u22
u11
0
u12
u22
y U=
0 1
1 1
l11
l21
0
l22
A=
a11
a21
..
.
an1
a21
a22
..
.
an2
..
.
a1n
a2n
..
.
ann
nn
109
Sergio Plaza
A1
(a11 )11 , A2 =
a11
a21
a21
a22
. . . , An = A .
22
, . . . , Ak =
a11
a21
..
.
a21
a22
..
.
..
.
a1k
a2k
..
.
ak1
ak2
akk
,
kk
Teorema 3.10 Si los n menores principales de una matriz A tienen determinante distinto
de cero, entonces A tiene una descomposici
on LU .
Para tener descomposicion de Cholesky, recordemos algunos conceptos y resultados.
Definici
on 3.8 Sea A M (n n, R) . Decimos que A es definida positiva si hAx, xi > 0
para todo x Rn , con x 6= 0 .
Ejemplo 56 La matriz
2 1 0
A = 1 2 1
0 1 2
T
2 1 0
x
hx, Axi = (x, y, z) 1 2 1 y = 2x2 2xy + 2y 2 2yz + 2z 2 .
0 1 2
z
Luego,
hx, Axi
110
Sergio Plaza
Ejemplo 57 La matriz
2 1 0
A = 1 2 1
0 1 2
es definida positiva, pues se tiene que det (A1 ) = 2 > 0 , det (A2 ) = det
y det (A3 ) = det (A) = 4 > 0 . Luego tiene descomposicion de Cholesky.
2 1
1 2
=3>0
Ahora, para encontrar la descomposicion de Cholesky para esta matriz procedemos como
sigue.
l11
2 1 0
1 2 1 = l21
l31
0 1 2
l11
0
0 0
0
l33
0
l22
l32
l21
l22
0
l31
l32
l33
2
= 2 , es decir, l11 = 2 ; 1 = l11 l21 , de donde l21 = 22 ; 0 = l11 l31 , de
Luego, l11
2
2
= 2 , de donde l22 = 52 ; l21 l31 + l22 l32 = 1 , de donde l32 = 25 ;
+ l22
donde l31 = 0 ; l21
2
2
2
l31
+ l32
+ l33
= 2 , de donde l33 =
2 2
5
Por lo tanto
2
2 1 0
2
1 2 1 =
2
0 1 2
0
3.5
2 22
0
5
0
0
5
2
25
2 2
5
25
.
2 2
5
M
etodo de eliminaci
on gaussiana
a11
a21
..
.
an1
a21
a22
..
.
an2
..
.
a1n
a2n
..
.
ann
b1
b2
..
.
bn
a1n
a2n
..
.
ann
b1
b2
..
.
bn
x1
x2
..
.
xn
A b =
a11
a21
..
.
an1
a12
a22
..
.
an2
..
.
F1
F2
.
..
Fn
esto es, consideramos la matriz aumentada del sistema. En la notacion anterior, los smbolos
Fi denotan las filas de la nueva matriz.
111
Sergio Plaza
aj1
, j = 2, 3, ..., n .
a11
(3.14)
M (1) =
1
m21
..
.
mn1
0
1
.. . .
.
.
0
0
0
..
.
1
(3.15)
(3.16)
(2)
De manera an
aloga podemos construir la matriz M (2) , en la cual si a22 6= 0 los elementos situados bajo de la diagonal en la segunda columna con los elementos negativos de los
multiplicadores
(2)
mj2 =
aj2
(2)
a22
j = 3, 4, . . . , n
(3.17)
As obtenemos
A(3) x = M (2) A(2) x = M (2) M (1) Ax = M (2) M (1) b = b(3)
(3.18)
En general, con A(k) x = b(k) ya formada, multiplicamos por la kesima matriz de transformacion gaussiana
M (k)
para obtener
1
0
=
.
.
.
0
1
..
1
0
..
0
..
.
mk+1 k
..
.
..
.
0 mn k
..
0
0
..
.
.
0
0
1
112
Sergio Plaza
A(k+1) x = M (k) A(k) x = M (k) M (1) Ax = M (k) b(k) = b(k+1) = M (k) M (1) b
(3.19)
Este proceso termina con la formacion de un sistema A(n) x = b(n) , donde A(n) es una matriz
triangular superior
(1)
(1)
(1)
a11 a12
a1n
(2)
(2)
a22 . . .
a2n
..
.
(n)
..
.
A =
.
.
(n1)
..
..
..
an1 n
.
(n)
ann
dada por
A(n) = M (n1) M (n2) M (n3) M (1) A.
(3.20)
L(k) = M (k)
1
1 0
0 1
..
.
..
.
..
.
..
.
0
..
.
1
0
..
..
.
0
mk+1 k
..
.
mn k
.
..
0
0
0
..
.
..
. .
..
. 0
0
1
113
Sergio Plaza
U =
(1)
a11
0
..
.
0
(1)
a12
(2)
a22
..
.
..
.
..
.
0
(1)
a1n
..
.
(n1)
an1 n
(n)
ann
L=
m21
..
.
mn1
1
..
.
..
.
..
mn n1
0
..
.
.
0
1
= 4
= 1
= 3
= 4
=
4
= 7
= 13
= 13
2
1
1 1 1 2
A=
3 1 1 2 = 3
4
1 3
1 2
3 1
{z
|
0
0
1
0
1 1
0
3
0
0
0 1 1 5 = LU.
0 0
3
13
0
0 0
0 13
1
}|
{z
}
U
Esta factorizacion nos permite resolver facilmente todo sistema que posee como matriz asociada la matriz A . As, por ejemplo, para resolver el sistema
1
0
2
1
Ax = LU x =
3
4
1 3
0
0
1
0
1
0
0
0
0 0
0
1
x
1
0
3
y
1 1 5
0
3
13 z
w
0
0 13
8
7
=
14
7
1
0
2
1
LU x = Ly =
3
4
1 3
0
0
1
0
0
y1
y2
0
0 y3
1
y4
8
7
=
14 .
7
114
Sergio Plaza
Este sistema se resuelve para y mediante un simple proceso de susbtitucion hacia adelante,
con lo cual obtenemos
8
y1
y2 9
y=
y3 = 26
y4
26
1
0
Ux =
0
0
1
0
3
x
y
1 1 5
0
3
13 z
w
0
0 13
8
9
=
26
26
3.6
x
3
y 1
x=
z = 0
2
w
Eliminaci
on gaussiana con pivoteo
Ux =
Lz =
z
Pb
115
Sergio Plaza
a11
a21
..
.
an1
a12
a22
..
.
an2
..
.
a1n
a2n
..
.
ann
x1
x2
..
.
xn
b1
b2
..
.
bn
(3.21)
1 6 i 6 n.
(3.22)
Elecci
on de la fila pivote. Elegimos como fila povote la fila para la cual se tiene que
|ai0 1 |
si0
(3.23)
es el mayor.
Intercambiamos en A la fila 1 con la fila i0 , esto es, realizamos la operaci
on elemental
F1 Fi0 . Esto nos produce la primera permutaci
on. Procedemos ahora a producir ceros
bajo la primera columna de la matriz permutada, tal como se hizo en la eliminaci
on gaussiana.
Denotamos el ndice que hemos elegido por p1 , este se convierte en la primera componente de
la permutaci
on.
M
as especificamente, comenzamos por fijar
p = (p1 p2 . . . pn ) = (1 2 . . . n)
(3.24)
como la permutaci
on antes de comenzar el pivoteo. As la primera permutaci
on que hemos
hecho es
1
i0
2 . . . i0
2 ... 1
... n
... n
116
Sergio Plaza
|apj j |
,
spj
26j6n
(3.25)
k6i6n
(3.26)
y buscamos el mayor de ellos. Si j es el ndice del primer cuociente mas grande, intercambiamos
on p y las filas Fpk con la fila Fpj en la matriz que tenemos en
pk con pj en la permutaci
esta etapa de la eliminacion gaussianapivoteo. Enseguida producimos ceros en la columna pk
bajo el elemento apk k , para ellos restamos
api k
Fpk
apk k
de la fila Fpi , k + 1 6 i 6 n , y continuamos el proceso hasta obtener una matriz triangular
superior.
Veamos con un ejemplo especfico como podemos ir guardando toda la informaci
on del proceso
que vamos realizando en cada etapa del proceso de eliminacion gaussianapivoteo
Ejemplo 59 Resolver el sistema de ecuaciones lineales
2
1
3
3 6
x
1
=
6 8
y
1
z
2 1
1
Soluci
on. Primero calculemos la escala de las filas. Tenemos
s1
s2
s3
permutaci
on inicial p = (1 2 3) . Denotemos por s el vector de la escala de las filas, es decir,
s = (6 8 3) .
Eleccion de la primera fila pivote:
117
Sergio Plaza
|a11 |
s1
|a21 |
s2
|a31 |
s3
1
2
=
6
3
1
8
=
=
=
1,
luego j = 3 . Antes de proceder a intercambiar la fila F1 con la fila F3 guardamos la informacion en la forma siguiente
3 6 1
6 8 1
2 1 1
2
1
3
6
8
3
1
2
3
3
1
2
2 1 1
6 8 1
3 6 1
3
8
6
3
2
1
en la parte (A|b) de la matriz arriba procedemos a hacer eliminacion gaussiana. Los multiplicadores son m21 = 31 y m31 = 23 , obtenemos as
16
3
23
3
2
3
13
3
20
3
1
3
3 3
8 2
6 1
Agregamos la informaci
on de los multiplicadores a esta estructura como sigue
3 3
16
3
23
3
2
3
8 2
1
3
13
3
20
3
1
3
6 1
2
3
Ahora determinamos la nueva fila pivote. Recuerde que la primera fila de esta nueva matriz
permanece inalterada, y solo debemos trabajar con las filas restantes. Para determinar la nueva
fila pivote, calculamos
118
Sergio Plaza
como
13
18
>
2
3
|ap2 2 |
sp2
|ap3 2 |
sp3
16
3
8
13
3
16
2
=
24
3
13
18
13
3
20
3
1
3
6 1
2
3
16
3
23
3
2
3
8 2
1
3
3 3
16
16
El multiplicador es m32 = 133 = 13
. Agregando la informaci
on del nuevo multiplicador y
3
aplicando eliminaci
on gaussiana, nos queda
3 3
13
3
20
3
1
3
6 1
2
3
7
13
94
117
8 2
1
3
16
13
La matriz L es
0
|
13
20
y = 3
3
3
94
7
z
0
117
{z 13 }
U
y la matriz de permutaci
on P es
L= 3
1
3
0
1
16
13
0 0
P = 1 0
0 1
1
0
0
119
Sergio Plaza
Ahora es f
acil verificar que P A = LU .
Ejemplo 60 Consideremos la matriz
0 1 1
1 1 2
1 0 3
2 1 3
0
1
A=
1
1
puesto que a11 = 0 la matriz no posee una factorizacion LU . Pero si realizamos el intercambio
de filas F1 F2 , seguido de F3 7 (F3 F1 ) y de F4 7 (F4 F1 ) obtenemos
1 1 2
0 1 1
.
0 1 1
1 0 1
1
0
0
0
1
0
U =
0
0
1 1 2
1 0 1
.
0 1 1
0 0 2
La matriz de permutaci
on asociada al cambio de filas F1 F2 seguida del intercambio de
filas F2 F4 es
0
0
P =
0
1
1
0
0
0
0
0
1
0
0
1
.
0
0
La eliminaci
on gaussiana en P A se puede realizar sin intercambio de filas usando las operaon LU
ciones F2 7 (F2 F1 ) , F3 7 (F3 F1 ) y (F4 + F3 ) 7 F4 , esto produce la factorizaci
de P A
1
1
PA =
1
0
1
2
1
0
1
1
0
1
1
2
1
3
=
3 1
0
2
0
1
0
0
0
0
1
1
1
0
0
0
0 0
0
1
1 1 2
1 0 1
= LU.
0 1 1
0 0 2
0
1
T
A= P L U =
1
1
0
0
0
1
1
0
1
0
1
1
0
0
0 0
0
0
1
1
0
0
1
0
1
0
2
1
.
1
2
120
Sergio Plaza
3.7
Matrices especiales
En esta seccion nos ocuparemos de clases de matrices en las cuales podemos realizar la eliminacion gaussiana sin intercambio de filas.
Decimos que una matriz A M (n n, R) es diagonal dominante si
|aii | >
n
X
j = 1
j 6= i
|aij |
para todo i = 1, 2, . . . , n .
Ejemplo 61 Consideremos las matrices
7 2
A= 3 5
0 5
0
1
6
6
4 3
B = 4 2 0 .
3 0
1
6n
121
Sergio Plaza
Corolario 3.4 Sea A M (n n, R) una matriz simetrica a la cual puede aplicarse la eliminaci
on gaussiana sin intercambio de filas. Entonces, A puede factorizarse en LDLT , donde
L es una matriz triangular inferior con unos en su diagonal y donde D es una matriz diagonal
(1)
(n)
con a11 , . . . , ann en su diagonal.
Ejemplo 62 La matriz
4
1
1
A = 1 4.25 2.75
1 2.75 3.5
4 0
1
0
0
A = 0.25
1
0 0 4
0 0
0.25 0.75 1
1
0
0 0
0
1
0.25 0.25
1
0.75
0
1
2
0 0
2
A = 0.5 2 0 0
0.5 1.5 1
0
0.5 0.5
2
1.5 .
0
1
Definici
on 3.10 Una matriz A M (n n, R) es llamada matriz banda si existen enteros
p y q con 1 < p, q < n , tales que aij = 0 siempre que i + p 6 j o j + q 6 i . El ancho de la
banda de este tipo de matrices esta dado por w = p + q 1 .
1 2
Ejemplo 63 La matriz A = 2 1
0 1
ancho de banda 3.
0
2 es una matriz de banda con p = q = 2 y con
1
Definici
on 3.11 Una matriz A M (n n, R) se denomina tridiagonal si es una matriz de
banda con p = q = 2 .
Observaci
on. Los algoritmos de factorizaci
on pueden simplificarse considerablemente en el
caso de las matrices de banda.
Para ilustrar lo anterior, supongamos que podemos factorizar una matriz tridiagonal A en
las matrices triangulares L y U . Ya que A tiene solo 3n2 elementos distintos de cero, habra
apenas 3n 2 condiciones aplicables para determinar los elementos de L y U , naturalmente
a condici
on de que tambien se obtengan los elementos cero de A . Supongamos que podemos
encontrar las matrices de la forma
0
0
l11 0
1 u12 0
..
..
. . ..
. . ..
l
0 1
. .
. .
.
.
21 l22
.
.
.
.
.
.
.
.
..
.. .. 0
..
..
..
..
L= 0
y U = ..
.
..
.. ..
..
..
.
.. ..
.
.
.
. un1 n
.
. .
.
0
0
0
ln n1 lnn
0 0
1
122
Sergio Plaza
3.8
Soluci
on de sistemas de ecuaciones lineales: m
etodos
iterativos
(3.27)
Observaci
on. Si el metodo iterativo x(k+1) = Gx(k) + c es convergente y tiene por lmite a
x Rn , entonces
x = lim x(k+1) = G
k
lim x(k)
+ c = Gx + c,
de donde x = (I G)1 c .
Regresemos al problema inicial de resolver el sistema de ecuaciones lineales
Ax = b,
donde A = (aij ) M (n n, R) , b = (b1 , b2 , . . . , bn )T Rn y x = (x1 , x2 , . . . , xn )T Rn
es la inc
ognita.
123
Sergio Plaza
(3.30)
donde x(0) Rn es arbitrario. Sobre la convergencia del metodo propuesto, tenemos el siguiente
corolario.
Corolario 3.5 La f
ormula de iteraci
on x(k+1) = I Q1 A x(k) + Q1 b define una sucesi
on
que converge a la soluci
on de Ax = b , para cualquier condici
on inicial x(0) Rn si y s
olo
si I Q1 A < 1 . Adem
as, si existe una norma k| || en M (n n, R) , en la cual se
tiene ||I Q1 A|| < 1 , entonces el metodo iterativo converge cualesquiera que sea la condici
on
inicial x(0) Rn dada.
Observaci
on La f
ormula de iteraci
on
x(k+1) = I Q1 A x(k) + Q1 b
(k)
x x
6
I Q1 A
x(k1) x
,
luego si
I Q1 A
< 1 , se tiene de inmediato que limk
x(k) x
= 0 para cualquier
x(0) Rn dado.
Observaci
on. La condici
on
I Q1 A
< 1 implica que las matrices Q1 A y A tienen
inversas.
Teorema 3.19 Si
I Q1 A
< 1 para alguna norma matricial subordinada en M (n
n, R) , entonces el metodo iterativo x(k+1) = I Q1 A x(k) + Q1 b es convergente
a
una
(0)
n
I Q1 A
<
soluci
on de Ax = b , para cualquier vector
inicial
x
R
.
Adem
a
s,
si
=
1 , podemos usar el criterio de parada
x(k) x(k1)
< y se tiene que
, es decir,
(k)
x x
6
k
(k)
(1)
x x(k1)
6 6
x x(0)
.
1
1
(k)
x x
6
k
(1)
x x(0)
.
1
(3.31)
124
Sergio Plaza
(I Q1 A)k
(1)
x x(0)
.
1
1 (I Q A)
(3.32)
Observaci
on. Desde la definicion de radio espectral de una matriz, se tiene que (A) < 1
implica que existe una norma matricial || || en M (nn, R) , tal que ||A|| < 1 . Por otra parte, si
||A|| < 1 para alguna norma matricial en M (nn, R) entonces se tiene que (A) < 1 . Notemos
que si existe una norma matricial || || en M (n n, R) , tal que ||A|| > 1 no necesariamente se
tiene que (A) > 1 .
Observaci
on. Si M1 y M2 son dos metodos iterativos convergentes para resolver un sistema
de ecuaciones lineales Ax = b , digamos M1 : x(k+1) = G1 x(k) + c1 y M2 : x(k+1) =
G2 x(k) + c2 . Si (G1 )) 6 (G2 ) , entonces M1 converge mas rapido que M2 a la soluci
on de la
ecuacion. Adem
as, si existe una norma || || en M (n n, R) tal que ||G1 || 6 ||G2 || , entonces
M1 converge mas r
apido que M2 a la soluci
on de la ecuaci
on.
3.9
M
etodo de Richardson
Para este metodo tomamos QR = I , luego el metodo iterativo x(k+1) = I Q1 A x(k) +
Q1 b se transforma en
x(k+1) = (I A) x(k) + b,
| {z }
(3.33)
TR
el cual converge si y s
olo si (TR ) = (I A) < 1 .
Si existe una norma matricial k k para la cual se tiene que kTR k = ||I A|| < 1 , entonces
el metodo iterativo de Richardson es convergente.
1
2
1
3
1
3
1
2
1
2
1
3
y =
11
18
11
18
11
18
Soluci
on. Tenemos
1
TR = I A = 0
0
0 0
1 0
0 1
1
2
1
3
1
2
1
3
1
3
1
= 3
21
1
1
2
21
31
21
31
125
Sergio Plaza
Llamando x(j) = (xj yj zj )T , nos queda
x(k+1) = TR x(k) + b = 31
21
se tiene ||TR || =
3.10
5
6
21
31
21
13
x
k
yk +
zk
11
18
11
18
11
18
M
etodo de Jacobi
a11
..
QJ = diag (A) = .
0
..
.
0
..
.
ann
donde los elementos fuera de la diagonal en QJ son todos iguales a 0. Notemos que det(QJ ) =
a11 a22 ann , luego det(QJ ) 6= 0 si y solo si aii 6= 0 para todo i = 1, . . . , n , es decir, QJ
tiene inversa si y s
olo si aii 6= 0 para todo i = 1, . . . , n .
Como antes, colocando esta matriz QJ = diag(A) en la f
ormula iterativa definida por
x(k+1) = I diag(A)1 A x(k) + diag(A)1 b ,
|
{z
}
(3.34)
TJ
n
X
I diag(A)1 A
= max
16i6n
j=1 ,j6=i
n
P
j=1 , j6=i
n
X
j=1 , j6=i
|aij | ,
|aij |
.
|aii |
1 6 i 6 n,
aij
aii < 1 , por lo tanto tenemos el siguiente teorema.
Teorema 3.20 Si A es una matriz diagonal dominante, entonces el metodo iterativo de Jacobi es convergente para cualquiera que sea la condici
on inicial x(0) elegida.
126
Sergio Plaza
3.11
M
etodo de GaussSeidel
QG-S =
a11
a21
..
.
0
a22
..
.
..
.
0
0
..
.
an1
an2
ann
Se tiene que det(QG-S ) = a11 a22 ann . Luego, det(QG-S ) 6= 0 si y solo si aii 6= 0 ( i =
1, . . . , n ). Usando la matriz QG-S , obtenemos el metodo iterativo
1
x(k+1) = I Q1
A x(k) + QG-S
b.
G-S
{z
}
|
(3.35)
TG-S
4
2
1
2 1
x
5
5 2 y = 4
2 6
z
7
Explicitaremos los metodos iterativos de Jacobi y GaussSeidel para este sistema. Estudiaremos la convergencia de ellos sin iterar. Finalmente, sabiendo que la soluci
on exacta del
sistema es (xT , yT , zT ) = (1, 0, 1) y usando el punto de partida (1, 1, 1) nos podemos preguntar Cual de ellos converge m
as r
apido?, para las comparaciones usaremos la norma k k en
M (n n, R) .
Primero que nada tenemos que los metodos iterativos de Jacobi y GaussSeidel convergen,
pues la matriz asociada al sistema es diagonal dominante.
Explicitaremos el metodo de Jacobi. En este caso tenemos
4
QJ = 0
0
por lo tanto
0 0
5 0
0 6
127
Sergio Plaza
1
4
0
Q1
J =
0
0
4
0 2
1
1
6
2
5
2
1
5
0
0
1
6
luego
1
4
0
Q1
J A=
0
1
5
1
1
2 = 52
1
6
6
1
4
2
5
1
2
1
1
3
de donde
0
1
T J I QJ A =
52
61
por lo tanto
21
0
13
1
14
4
0
25 y Q1
J b =
0
0
0
1
5
0
5
0 4 =
1
7
6
5
4
4
5
7
6
2yk zk + 5
xk+1 =
2xk 2zk + 4
yk+1 =
zk+1 = xk 2yk + 7
6
2
2
1
1
3 4 1
Como ||TJ || = max{| 21 | + | 1
4 |, | 5 | + | 5 |, | 6 | + | 3 |} = max{ 4 , 5 , 2 } = {0.75, 0.8, 0.5} =
0.8 < 1 , el metodo de Jacobi converge para cualquier condicion inicial x(0) Rn dada. Ahora
explicitemos el metodo de GaussSeidel. En este caso,
QG-S
0
0
6
4 0
= 2 5
1 2
as obtenemos que
1
QG-S
A=
1
4
1
10
1
120
0
1
luego I QG-S A =
0
0
21
2
10
2
120
por lo tanto
0
2
10
8
120
0
4
0 2
20
1
120
41
3
10
17
120
xk+1
yk+1
zk+1
=
Q1
G-S
1
4
1
10
1
120
1
2 1
5 2 = 0
2 6
0
b=
Q1
G-S
5
4
3
10
103
120
2yk zk + 5
4
2yk 3zk + 3
10
0
2
10
8
120
1
2
8
10
2
120
1
4
3
10
103
120
, por lo tanto
0
0
20
120
128
Sergio Plaza
1
2
3
2
17
3 5
19
Como ||TG-S || = max{| 1
4 | + | 4 |, | 10 | + | 10 |, | 120 | + | 120 } = max{ 4 , 10 , 120 } = 0.75 < 1 .
(0)
Luego, el metodo de GaussSeidel converge para cualquier condici
on inicial x Rn dada.
Notemos que como ||TG-S || < ||TJ || , vemos que el metodo de GaussSeidel converge mas
r
apido que el metodo de Jacobi.
Ejercicio. Realizar las iteraciones en ambos caso, Jacobi y Gauss-Seidel para este ejemplo.
3.12
M
etodo SOR (successive overrelaxation)
(3.36)
TSOR
A=
a1
c2
0
..
.
0
0
b1
a2
c3
..
.
0
b2
a3
..
.
0
0
0
0
b3
..
.
cn1
0
..
.
an1
cn
0
0
0
0
bn1
an
es llamada tridiagonal.
Teorema 3.24 Si A es simetirca, positiva definida y tridiagonal, entonces, en caso se tiene
(TG-S ) = (TJ )2 , donde TJ = D1 (CL + CU ) es la matriz de iteraci
on en el metodo de Jacobi
on en el metodo de GaussSeidel. Adem
as, la
y TG-S = (D CL )1 CU es la matriz de iteraci
elecci
on
optima de en el metodo SOR es
opt =
1+
2
2
p
p
=
1 (TJ )2
1 + 1 (TG-S )
(3.37)
(3.38)
129
Sergio Plaza
3.13
Sea
..
.
a1n
..
.
ann
0
a21
..
.
0
0
..
.
..
.
an1
a11
..
A= .
an1
podemos escribir A en la forma
A =
a11 a1n
..
..
..
.
.
.
an1 ann
0
a11 0
0 a22
0
.
..
.
.
..
..
..
.
0
0 ann
|
{z
0
0
..
.
0 a12
0
0
0
} |
ann1
{z
CL
0
0
0
..
.
{z
a1n
..
.
an1n
0
CU
(3.39)
CJ
1
x(k+1) = D1 (CL + CU ) x(k) + |D{z
}b
|
{z
}
Tj
CJ
M
etodo de GaussSeidel. Este se puede escribir como
(D CL )x(k+1) = CU x(k) + b
(3.40)
CG-S
130
Sergio Plaza
Richardson
Q=I
G=I A
x(k+1) = (I A)x(k) + b
Jacobi
Q=D
G = D1 (CL + CU )
Q = D CL
G = (D CL )1 CU
(D CL )x(k+1) = CU x(k) + b
SOR
Q = 1 (D CL )
G = (D CL )1 (CU + (1 )D)
3.14
1
,
0 < < 2.
Ejemplos resueltos
1
3
1
4
7
x1
4
12
1
x2
0.45
5
0.58
. Obtenga
0.45
una cota para el error relativo de la solucion del sistema con respecto a la solucion del
.
sistema Ax = b
=
(a) Para realizar los calculos con decimales, se considera el vector b
0.33 0.25
0.25 0.20
131
Sergio Plaza
Soluci
on. Tenemos el sistema de ecuaciones lineales
7
x
1
4
12
=
1
x2
0.45
5
1
3
1
4
=
a) El vector b
0.58
0.45
7
12
es una perturbaci
on del vector b =
. Sean xT la
0.45
. Se tiene
solucion exacta del sistema Ax = b y xA la soluci
on exacta del sistema Ax = b
on a xT . Para simplificar los c
alculos trabajaremos con la
entonces que xA es una aproximaci
es una perturbaci
norma subordinada || || . Como b
on de b , tenemos la f
ormula
ER (xA ) =
||b b||
||xT xA ||
6 ||A|| ||A1 ||
.
||xT ||
||b||
Ahora,
Recordemos que si A =
=
bb
3.33333333 103
0
a11
a21
, entonces
a12
a22
1
3
1
4
1
4
1
5
1
5
1
240
41
1
=
det(A)
1
240
14
1
3
a22
a21
a12
a11
. Luego,
= 240
41
1
5
41
1
3
48 60
60 80
De esto, tenemos
1 1 1 1
+ , +
3 4 4 5
7 9
,
12 20
||A||
max
||A1 ||
7
, 0.45
12
= max
7
12
7
12
||b||
max
||b||
||b b||
132
Sergio Plaza
ER (xA ) 6
7
3.3333333 103
= 0.4666666662 ,
140
7
12
12
0.33 0.25
0.25 0.20
AE = A A =
0.33 0.25
0.25 0.20
1
3
1
4
1
4
1
5
3.33333333 103
0
0
0
6
,
||xT ||
||A||
1 k(A) ||AE||
||A||
para ello debemos verificar que
||AE|| <
1
.
||A1 ||
1
= 7.14285714 103 ,
140
y podemos aplicar la f
ormula anterior. Reemplazando nos queda
||xT xA ||
||xT ||
81.66666667
3.3333333 103
3
0.5833333333
1 81.66666667 3.3333333310
0.5833333333
81.66666667
5.7142857 103
1 81.66666667 5.7142857 103
0.466666667
= 0.8749999945
0.5333333349
133
Sergio Plaza
2 1 1
A = 1 1
1 se tiene que
1 1
3
1
1
0
= 1 5/2 1/2
0 1/2 1/2
2 0.99 0.98
A = 1
1
0.99
1 1.02
2.99
Soluci
on.
(a) Tenemos que
1 1
1
1
1
3
2
A = 1
1
2 1
1 1
2 1 1
1 > 0 , A3 = A = 1 1
1 y det(A3 ) = 2 > 0 . Por lo tanto A es positiva
1 1
3
definida, y consecuentemente tiene descomposicion de Cholesky.
Para obtener la descompsici
on de Cholesky de A escribamos
2 1 1
11
1 1
1 = 21
1 1
3
31
0
22
32
0
11
0 0
0
33
21
22
0
31
32
33
21 31 + 22 32 = 1 , de donde 32 = 22 ;
31 = 22 ; 221 + 222 = 1 , de donde 22 = 22 ;
finalmente 231 + 232 + 233 = 3 , de donde 33 = 2 . Por lo tanto,
2
2 1 1
1 1
1 = 22
1 1
3
22
2
2
2
2
0
2
0 0
2
0
22
22
2
2
2
2
134
Sergio Plaza
El sistema Ly = b
2
2
2
22
0
1
0 = 1
2
2
2
2
de donde z =
1
2
, y=
5
2
2 22
2
0
2
0
0
, x = 2.
x
2 y =
2
z
2
22
2
2
3 2
2
2
2
= b , respectivamente,
(b) Sean xT y xA las soluciones exactas de los sistemas Ax = b y Ax
1
es decir, xT = A b . Entonces
||xA xT ||
.
6 ||I A1 A||
||xA ||
ER (xA ) =
luego,
1
=
1
5
2
1
2
0
1
2
1
2
2 0.99 0.98
A = 1
1
0.99
1 1.02
2.99
Ademas, como
1 0.01 0.01
A1 A = 0 1.0
0
0 0.01 1.0
1 0
I= 0 1
0 0
0
0
1
135
Sergio Plaza
se tiene que
0 0.01 0.01
I A1 A = 0
0
0
0 0.01
0
2.
||E||
||xT xA ||
6
||xT ||
1 ||E||
si ||E|| < 1 .
ER (xA ) =
si ||AE|| <
1
||A1 ||
k(A)
||AE||
||xT xA ||
6
||xT ||
||A||
1 k(A) ||AE||
||A||
0
E= 0
0
0.01 0.01
0
0
0.01
0
2
A = 1
1
1
=
1 1
1
1
1
3
1
5
2
1
2
0
1
2
1
2
luego
||A|| = 5
luego ||A1 || = 4 ,
136
Sergio Plaza
0 0.01 0.01
AE = 0 0.005 0.01
0 0.005
0
1
1
luego, ||AE|| = 0.02 y ||A1 || = 4 , de aqu se tiene que ||A1
|| = 4 = 0.25 y
1
es claro entonces que se satisface la condicion ||AE|| < ||A1
|| . Reemplazando los
valores obtenidos, nos queda
||xT xA ||
||xT ||
6
=
20 0.004
20
0.02
0.02 5 = 1 20 0.004
1 20 5
0.08
0.08
=
= 0.08695652...
1 0.08
0.92
esto es,
||xT xA ||
6 0.08695652...
||xT ||
Problema 3.3 Sean
1
0
A=
0
0
1 1 1
1 1 1
0
1 1
0
0
1
5.00
1.02
b=
1.04
1.10
1 1 1 1
x
0 1 1 1 y
0 0
1 1 z
0 0
0
1
w
5
1
=
1
1
137
Sergio Plaza
(b) Tenemos ||b|| = ||b|| = 5 . Por otra parte,
r = b AxA
5.00
1.02
1.04
1.10
5.00
1.02
1.04
1.10
1
0
0
0
5
1
1
1
1 1 1
12
4
1 1 1
0
1 1 2
0
0
1
1
0
0.02
=
0.04
0.10
de donde
1 1 1 1
a11
0 1 1 1 a21
0 0
1 1 a31
a41
0 0
0
1
A1
a12
a22
a32
a42
1
0
=
0
0
a13
a23
a33
a43
1
1
0
0
2
1
1
0
a14
a24
=
a34
a44
1
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
4
2
1
1
es decir,
1
0.10
||xT xA ||
0.10
6
6 32
32
5
||xT ||
5
0.625 103 6
||xT xA ||
6 0.64 .
||xT ||
Problema 3.4 Encuentre una descomposicion del tipo LU para la matriz A siguiente
4
3
A=
2
1
3
4
3
2
2
3
4
3
1
2
3
4
138
Sergio Plaza
Soluci
on. La descomposicion de Doolittle de A es dada por
4 3
1 0 0 0
3 1 0 0
4
0 7
A = LU = 1 6
2 7 1 0
0 0
1
5
5
1
4
7
6
0 0
3
2
5
4
12
7
10
7
5
3
2 3 8
1
4
0
1 10
y b=
A=
16 4 2
1
0
7 1
5
1
1
1
1
2 3 8
4
0
1
A=
16 4 2
0
7 1
10
y b=
1
5
de donde
2 3 8
4
0
1
A=
16 4 2
0
7 1
1
10
1
5
8
1
10
2
s=
16 y P = 3
7
4
1
1
,
1
1
1
1
.
1
1
139
Sergio Plaza
Luego
m1 = max
2 4 16
,
, , 0 = 1 = m31
8 10 16
por lo tanto debemos intercambiar la fila 1 con la fila 3. Realizando este intercambio de filas y
la eliminaci
on gaussiana, nos queda
16 4 2
4
0
1
2 3 8
0
7 1
de donde
1
F2 41 F1
1
F3 81 F1
1
1
10
1
5
1
1/4
L1 =
1/8 ,
0
1
16
4
2
1
0
1
3/2 41/4 3/4
0 7/2 33/4
7/8
7/8
0
7
1
5
1
16
3
10
2
s1 =
8 , P1 = 1
4
7
Para la elecci
on del segundo pivote tenemos
m2 = max
1 7 7
,
,
10 16 7
= 1 = m42
16
4
2
1
1
F3 1
2 F2
0
7
1
5
1
0 7/2 33/4
7/8
7/8
F4 1
0
1
3/2 41/4 3/4
7 F2
16
0
0
0
1
4
2
1
7
1
5
1
11/8
0 31/4
27/8
0 19/14 227/28 25/28
luego,
1
0
1
L11 =
1/8 , L2 = 1/2
1/4
1/7
3
16
4
7
, P2 = , S2 =
1
8
2
10
Para la elecci
on del tercer pivote tenemos que
m3 = max
31 19
,
32 140
31
= m33
32
y obtenemos
16
0
0
0
4
2
1
7
1
5
1
0 31/4
27/8
11/8
38
0 19/14 227/28 25/8
F3
F4 217
16
0
0
0
4
7
0
0
1
2
1
1
5
1
31/4
27/8
11/8
0
4395/434 283/434
140
Sergio Plaza
luego,
L3 =
1
38/217
Por lo tanto
1
0
0
0
1
0
P A = LU =
1/8 1/2
1
1/4 1/7 38/217
16
0
0 0
0 0
0
1
4
7
0
0
2
1
1
5
31/4
27/8
0
4395/434
(3.41)
donde
0
0
P =
1
0
0
0
0
1
1
0
0
0
0
1
.
0
0
Por lo tanto
16 4 2
0
7 1
PA =
2 3 8
4
0
1
1
5
1
10
w=
301
959
283
, z=
, y=
, x = 331/8790
4395
1465
4395
(3.42)
Ahora, como
16 4 2
1
0
7 1
5
B = PA =
2 3 8
1
4
0
1 10
tenemos que la matriz B es diagonal dominante, por lo tanto el metodo de Jacobi converge.
Por otra parte, la matriz de Jacobi es dada por
141
Sergio Plaza
=
=
I Q1 B
1/16 0
0
0
1/7
0
I4
0
0 1/8
0
0
0
0
1/4 1/8
0
0
1/7
1/4 3/8
0
2/5
0
1/10
0
1/10
1/16
5/7
1/8
16 4 2
1
0
7 1
5
2 3 8
1
4
0
1 10
1/7 5/7
= 4 + 17 2 219 + 33 (3.43)
det(J I4 ) = det
1/4 3/8
1/8
1120
4480
2240
2/5
0
1/10
(3.44)
Por lo tanto, se tiene que el radio espectral es = 0.4244686967 < 1 y el metodo de Jacobi
es convergente.
Realizando las iteraciones, obtenemos la siguinete tabla
n
0
1
2
3
4
xn
yn
zn
wn
0.037658125
0.0376540625
0.0376595407368
0.0376559047154
0.2182
0.218188571428
0.21820265625
0.218202776148
0.205445
0.20545734375
0.20545622991
0.205460190988
-0.064375
-0.064392640625
-0.064392640625
-0.0643905607143
E
0.000041875
0.00001725
0.000014084822
0.3961078E-5
142
Sergio Plaza
rn = An x
bn .
Tenemos
rn
1
2
1
2
2
4 + n12
1
0
1
2 n12
1
2 n12
0
1
n2
1
2
2
4 + n12
x
y
1
2 n12
1
2x + 4 + 2 y
n
1
.
n2
2 4y + 4y +
1
1
y = 2 2 ,
n2
n
1
1
on es
es decir, 2 y = 2 , de donde y = 1 , por lo tanto x = 3 . Note que la soluci
n
n
exactamente la misma para cada n N , es decir, la soluci
on no depende de n N .
Por lo tanto la soluci
on dada no es razonablemente confiable, pues no se aproxima en
nada a la soluci
on exacta xT = (3, 1) del sistema An x = bn .
2. Ya calculamos la soluci
on exacta xn de An x = bn , la cual es xn = (3, 1) = xT para
todo n N .
143
Sergio Plaza
ER (
x) =
||(2, 1)||
||(3, 1)||
max{|2|, | 1|}
max{|3|, | 1|}
2
.
3
Ahora, det(An ) = 4 +
1
1
4 = 2 . Luego
n2
n
A1
n
1
1
n2
n2
1
n2
4+
2
4+
1
n2
1
2
4n2 + 1
2n
1
2n2
n
2
2
2
2
2
2
y ||A1
n || = max{|14n + 1| + | 2n | + |n |} = max{6n + 1, 3n } = 6n + 1 . Por lo
tanto
k (An )
1
=
6 + 2 (6n2 + 1)
n
= 36n2 + 6 + 6 +
= 36n2 + 12 +
1
n2
,
n
n2
144
Sergio Plaza
lo cual significa que la matriz An esta muy mal condicionada para valores grandes de n (es
numericamente no invertible para n grande), lo cual explica la mala aproximaci
on x de xn para
n grande.
3.15
Ejercicios Propuestos
k>0
, c R
a11
A = a21
a31
a12
a22
a32
a13
a23
a33
a11 a12 0
0
0 a13
a11 a12 0
x(k+1) = a21 a22 0 0
0 a23 x(k) + a21 a22 0 b
a31 a32 0
0
0 a33
0
0 a33
(a) Pruebe que el metodo propuesto resulta convergente cuando se aplica a las matriz A y
al vector b siguientes
8
2 3
20
A = 3 9
y
b = 62 .
4
3 1 7
0
1
3/26 1/39 0
8 2 0
Indicaci
on: Use que 3 9 0 = 1/26 4/39
0 .
0
0
1/7
0 0 7
145
Sergio Plaza
0
1. A = 0
1
3
2. A = 0
0
0 1
1 0
1 1
0 0
2 0
0 1
2 1 2
1
2 1
3. A =
2 1 2
0
2 0
1
2
1
1
Problema 3.6 Sean A, B M(nn, R) , matrices invertibles. Pruebe que (AB) 6 (A)(B) ,
donde el n
umero de condici
on es calculado usando cualquier norma subordinada en M(nn, R) .
Problema 3.7 Sean A, B M(3 3, R) las matrices
a
A= c
0
c
a
c
0
c ,
a
0 b
B= b 0
0 b
2/2 .
0
b
0
3x + y + z
x + 3y z
3x + y 5z
= 5
= 3
= 1
146
Sergio Plaza
1 1
A= 1 2
2 1
1
2
1
1
b= 2
3
Proponga un metodo iterativo convergente para resolver Ax = b . La demostracion de convergencia debe hacerse sin iterar. Resuelva la ecuacion utilizando el metodo iterativo propuesto.
Use como critero de parada ||(xn+1 , yn+1 , zn+1 ) (xn , yn , zn )||2 6 103 .
Problema 3.10 Considere el sistema de ecuaciones lineales
3x 2y + z = 1
x 23 y + 2z = 2
x + 2y z = 0
2. Describir el proceso de eliminacion gaussiana sin pivoteo para resolver un sistema con
matriz tridiagonal.
3. Suponiendo que tenemos una matriz tridiagonal no singular. Explicitar los algoritmos
iterativos de Richardson, Jacobi, y GaussSeidel.
4. Ilustre todo lo anterior con el sistema
1
x
3 1 0
1 3 1 y = 4
10
z
0 1 3
Problema 3.12 Considere los siguientes sistemas
3 2 1
1 2
2
3
1 2 1
0 1
0 2
2 3
de ecuaciones lineales
x
1
y = 2
z
0
0
x
8
1 y = 7
1
z
5
(3.45)
(3.46)
147
Sergio Plaza
3
1
3
1 1
x
5
3 1 y = 3
1 5
z
1
(3.47)
105
2
1
1
x
y
1
0
a11
0
..
an1 1
an 1
a12
a22
0
..
.
...
an1 2
an 2
..
...
...
..
.
0 an2 n2
. . . an1 n2
...
an n2
a1n1
a2n1
..
.
a1 n
a2 n
..
.
an2 n1
an1 n1
an n1
an2 n
an1 n
an n
x1
x2
..
.
xn
b1
b2
..
.
bn
a) Dise
ne un algoritmo basado en el metodo de eliminaci
on gaussiana que permita resolver
dicho sistema adaptado a la estructura particular de este, sin hacer ceros donde ya existen.
b) Realice un conteo de las operaciones (multiplicaci
on, divisi
on, suma y resta) involucrados
solo en la triangulaci
on del sistema en el algoritmo de la parte a).
148
Sergio Plaza
a1
b2
A=
.
.
.
0
0
0
c2
a3
b4
0
0
c3
a4
0
0
0
c4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
..
.
..
.
..
..
..
..
.
..
.
..
.
..
.
0
0
0
f3
0
f4
bn1
fn2
an1
bn
cn1
an
y h Rn un vector columna.
Dise
ne un algoritmo en pseudo lenguaje basado en el metodo de eliminaci
on gaussiana, sin
eleccion de pivote, que utilice el mnimo n
umero de localizaciones de memoria, realice el mnimo
n
umero de operaciones (es decir, que obve los elementos nulos de la matriz A (sin hacer ceros
donde ya existen)) para resolver el sistema Ax = h .
Problema 3.16 Resuelva mediante el metodo de eliminaci
on gaussiana con aritmetica exacta
el sistema
5x1
x1
x2
+ 5x2
x2
x3
+ 5x3
=
=
=
4
2
1
0.9x + y + 17
0.9y 13
3x + y + z
3x + y 5z
x + 3y z
= 5
= 1
= 1
149
Sergio Plaza
1
1
1
2
3
1
x
1
= 2 .
y
1
2
6
3
z
1
1
1
3
6
1. Resuelva el sistema por el metodo de eliminaci
on de Gauss (sin elecci
on de pivote) redondeando cada operaci
on a 4 dgitos en la mantisa.
2. Resuelva el sistema por el metodo de Jacobi redondeando cada operaci
on a 4 dgitos en
la mantisa, y con una presicion de 103 , comenzando con x0 = y0 = z0 = 0 .
3. En este caso particular Cual de los dos metodos es m
as conveniente? Justifique.
Problema 3.20 Resuelva el sistema Ax = b , donde
3 2
3
1
6 2 6
0
A=
9 4
10
3
12 4 13 5
1
2
b=
3
4
A=
0.0001 1
1
1
1. Trabajando con aritmetica decimal de tres dgitos y redondeo Es posible encontrar una
descomposici
on LU para A ?
2. Considere ahora aritmetica decimal de cinco dgitos y redondeo. Encuentre una descomposicion LU para A , y compare los n
umeros de condici
on de A y de LU Cual es
su conclusi
on?
3. Ahora considere la matriz
A=
1
1
0.0001 1
10 3
1 8
2 4
x
6
25
2 y = 9
z
9
50
150
Sergio Plaza
4 1 1
A = 1 4
1
1 1
4
0
A= 0
2
1 0
2 1
3 1
no tiene descomposicion LU .
b) Realice pivoteo en la matriz A y demuestre que la matriz resultante tiene descomposicion
LU .
Problema 3.25 Considere la matriz
2 1
A= 0 3
1 2
0
2
4
0 < x < L,
(3.48)
151
Sergio Plaza
T (L) = TL .
(3.49)
f (x + h) f (x)
,
h
f (x h) 2f (x) + f (x + h)
.
h2
(3.50)
que matricialmente
2
1
1 2
1
0
.
..
.
.
.
0
= h2 f (x1 ) + T0 ,
2
= h f (xj ),
(3.51)
j = 2, . . . , N 1;
(3.52)
= h f (xN ) + TL ,
0
0
T1
1
0
T2
..
..
..
..
.
.
.
.
..
T
N 1
. 2 1
TN
0 1 2
= h2
f (x1 )
f (x2 )
..
.
f (xN 1 )
f (xN )
(3.53)
T0
0
..
.
0
TL
(3.54)
L = 1,
TL = 37,
f (x) = 37
2
2
sin( 2 x),
(3.55)
se pide resolver numericamente el sistema 3.54, usando los metodos iterativos de Jacobi, GaussSeidel y SOR. Para el metodo SOR tome distintos valores del parametro de aceleracion
(1, 2) . Calcule ademas el parametro de aceleracion optimo .
Para ello, siga los siguientes pasos:
1. Compruebe que la matriz A es definida positiva.
152
Sergio Plaza
2. Implemente cada uno de los 3 metodos antes mencionados y haga un estudio comparativo
de estos para distintos valores de N . Por ejemplo, N = 50, 100, 200, 1000. Especifique
el criterio de parada utilizado y el n
umero de iteraciones para cada uno de los metodos y
para los distintos valores de N . Presente sus resultados en una tabla.
3. Finalmente, determine la soluci
on analtica del problema 3.48-3.49, con los par
ametros
dados por 3.55 y grafique el error absoluto en la soluci
on, para cada uno de los metodos
y para los distintos valores de N . A partir de estos graficos, comente cual de los tres
metodos aproxima mejor a la soluci
on .
Problema 3.27 Demuestre que la matriz no singular
0 0
A=
1 0
0 1
1
0
0
2a
A=
0
2 3
a
3
2 3
a
0
2 5
0
5 a