Вы находитесь на странице: 1из 50

Clase

1. Resolucin de sistemas de ecuaciones lineales:

preliminares
2. Mtodo directo y exacto: Gauss
3. Mtodo directo y exacto (II): descomposicin LU
4. Mtodos indirectos: Jacobi, Gauss-Seidel

Sistemas lineales
PRELIMINARES

Matriz
de coeficientes

Vector de incgnitas

Sistema de ecuaciones lineales

Recordatorio de lgebra lineal

La primera opcin que uno se plantea es


No es eficiente (demasiadas operaciones)
Si el determinante de A es prximo a cero, el error de redondeo
puede ser muy grande, y esto es dificil de estimar numricamente
(
)
Se requieren mtodos numricos alternativos:

La primera opcin que uno se plantea es


No es eficiente (demasiadas operaciones)
Si el determinante de A es prximo a cero, el error de redondeo
puede ser muy grande.
Se requieren mtodos numricos alternativos:
mtodos directos (son exactos (no tienen asociado error de
truncamiento), y son usados cuando la mayora de los coeficientes de A
son distintos de cero y las matrices no son demasiado grandes). Suelen
ser algoritmos complicados de implementar

La primera opcin que uno se plantea es


No es eficiente (demasiadas operaciones)
Si el determinante de A es prximo a cero, el error de redondeo
puede ser muy grande.
Se requieren mtodos numricos alternativos:
mtodos directos (son exactos (no tienen asociado error de
truncamiento), y son usados cuando la mayora de los coeficientes de A
son distintos de cero y las matrices no son demasiado grandes). Suelen
ser algoritmos complicados de implementar
mtodos indirectos o iterativos (tienen asociado un error de
truncamiento y se usan preferiblemente para matrices grandes
(n>>1000) cuando los coeficientes de A son la mayora nulos
matrices sparse-). Algoritmos sencillos de implementar que requiere
aproximacin inicial y que en general no tiene porqu converger
(requieren anlisis de convergencia previo).

Ejemplos
Mtodos directos
mtodo de eliminacin de Gauss (llevar A a triangular)
mtodo de descomposicin LU (A=LU, donde L triangular
U triangular superior)

mtodo de Cholesky

(LU para matrices simtricas)

Mtodos iterativos
mtodo de Jacobi
mtodo de Gauss-Seidel
mtodo SOR

inferior y

METODOS DIRECTOS

mtodo de eliminacin de Gauss

LA IDEA
o Primero, mediante operaciones elementales por filas, se
transforma la matriz ampliada en una matriz triangular superior
(equivalente a la matriz de partida) (PASO DE ELIMINACION)
o Segundo, se resuelve dicho sistema obteniendo las incgnitas,
empezando por la n-esima la ltima- y acabando con la
primera (PASO DE SUSTITUCION).

(ALGEBRA LINEAL)

REPETIMOS ESTE PROCESO N-1 VECES HASTA LLEGAR A

Finalmente, por sustitucin regresiva resolvemos el sistema.

ELIMINACIN DE GAUSS: ALGORITMO COMPLETO


Paso de eliminacin

Paso de sustitucin (cambio de notacin au)

mtodo de descomposicin LU

LA IDEA
o Primero, a partir de la matriz A se calcula aquella matriz
triangular inferior L y aquella matriz triangular superior U (con
1s en la diagonal) tal que A=LU (PASO DE DESCOMPOSICION)
o As, el sistema Ax=b pasa a ser LUx=b. Primero hacemos el
cambio Ux=y, que introducimos y el sistema resulta Ly=b.
Como L es triangular, fcilmente calculamos y. Finalmente,
introducimos este resultado en Ux=y, y como U es triangular,
fcilmente calculamos x. (PASO DE SUSTITUCION).

PASO DE DESCOMPOSICION : L, U \ A=LU

PASO DE SUSTITUCION : Ly=b (cambio de notacin yx)

PASO DE SUSTITUCION : Ux=y (cambio de notacin yb)

Comentarios prctica (MTODOS DIRECTOS)

-Cuidado con la informacin de entrada en las subrutinas!!


- Subrutina LU: algoritmo se resuelve secuenciamente!!
-Clculo de determinantes con LU: trivial !!!!!

det(A)=det(LU)=det(L)det(U)

Matrices estrictamente diagonal dominantes: propiedad suficiente


para Gauss sin pivote y para LU (aunque no necesarias)

METODOS INDIRECTOS

GENERALIDADES
-Qu son los mtodos indirectos/iterativos?
Esquemas numricos para resolver sistemas de ecuaciones lineales,
basados en la aplicacin de un algoritmo a partir de una solucin
inicial, que se repite iterativamente hasta que un criterio de parada
(convergencia) detiene el algoritmo (nmero de pasos desconocido a
priori).

- Para qu se usan los mtodos indirectos/iterativos?


Eficientes para sistemas grandes con matrices con un elevado nmero
de ceros (matrices sparse), que aparecen en problemas de fsica e
ingeniera, asociados a la resolucin de ecuaciones diferenciales en
derivadas parciales.

- Convergencia y problemas mal condicionados


Estos mtodos no siempre convergen, y adems, en ocasiones
pequeas variaciones pueden introducir grandes errores (problema
de mal condicionamiento).

GENERALIDADES- esquema general


Sea el problema Ax=b
En la iteracin k-sima, el esquema numrico
es
x(k) = T x(k-1) + c
Donde x es el vector solucin, T una matriz
nxn y c un vector, que dependen todos ellos
de A y b

GENERALIDADES- esquema general


-Si el esquema converge, el orden de convergencia es
LINEAL (se necesitarn bastantes pasos para llegar a
convergencia)

- Por eso, se aplican estos mtodos cuando las matrices


tienen muchos ceros (cada paso tiene poco coste
computacional)

GENERALIDADES- esquema general


-criterio de parada: nocin de distancia entre vectores?

norma vectorial

y matricial

GENERALIDADES- esquema general


Distancia entre vectores

Criterio de parada

MTODO DE JACOBI

MTODO DE JACOBI
Planteamos el siguiente esquema iterativo ! (si alguno de
los elementos diagonales es nulo, reordenamos la matriz)

MTODO DE JACOBI

MTODO DE JACOBI: criterio de parada


Suponiendo que la sucesin de x(k) es
convergente (ms tarde veremos cundo
sucede esto), el algoritmo parar cuando la
solucin vare poco, por ejemplo:

MTODO DE GAUSS-SEIDEL
Partiendo del mtodo de Jacobi

MTODO DE GAUSS-SEIDEL

jacobi

MTODO DE GAUSS-SEIDEL

MTODO DE GAUSS-SEIDEL
En notacin matricial, requiere calcular inversas, luego es
preferible un algoritmo que resuelva, en cada iteracin,
secuencialmente cada elemento del vector solucin:

Donde i=1,2,,n.

MTODO DE GAUSS-SEIDEL: criterio de


parada

Suponiendo que la sucesin de x(k) es


convergente (ms tarde veremos cundo
sucede esto), el algoritmo parar cuando la
solucin vare poco, por ejemplo:

COMPARACION EJEMPLO

COMPARACION EJEMPLO: USANDO JACOBI


USANDO JACOBI

COMPARACION EJEMPLO: USANDO GAUSS-SEIDEL


USANDO JACOBI

COMPARACION EJEMPLO
USANDO JACOBI

USANDO GAUSS-SEIDEL

ES SIEMPRE GS MS RPIDO QUE JACOBI??

COMPARACION EJEMPLO
USANDO JACOBI

USANDO GAUSS-SEIDEL

ES SIEMPRE GS MS RPIDO QUE JACOBI??

NO SIEMPRE ! ES NECESARIO REALIZAR UN


ESTUDIO DE CONVERGENCIA PREVIO

CONVERGENCIA
Los mtodos anteriores pueden converger/divergir
independientemente (cada uno puede converger o divergir
para el mismo problema).

CONDICION SUFICIENTE DE CONVERGENCIA

CONVERGENCIA: radio espectral


Cmo crece el error de truncamiento absoluto del esquema?

CONVERGENCIA

CONVERGENCIA

Ojo
Calcular el radio espectral puede ser costoso, pero cualquier norma
natural de una matriz es cota superior de su radio espectral
basta con calcular una norma natural (la ms sencilla de calcular es l
infinito) y verificar que es menor que 1 para que el mtodo sea
convergente.