Академический Документы
Профессиональный Документы
Культура Документы
Clculo Numrico
Percy Antonio Ticona Centeno
Universidad Nacional de San Agustn
Departamento Acadmico de Matemticas y Estadstica
Junio de 2009
Arequipa - Per
Introduccin
La matemtica est comprendida de varias partes, cada una de ellas tiene
importancia propia, pero algunas tambin son fundamentales en diferentes
disciplinas.
Muchos problemas de la vida real pueden ser representados por formulaciones matemticas, las cuales son denominadas modelos matemticos.
Usando argumentos matemticos tericos, algunas veces es posible garantizar la existencia de soluciones para esos modelos matemticos, pero encontrar
manualmente esas soluciones puede resultar extremadamente difcil y a veces
imposible.
Estudiar mtodos numricos desde un punto de vista general nos permitir analizar mecanismos de clculo capaces de otorgar soluciones, o aproximaciones a las soluciones, all donde las herramientas tericas fracasaban.
Estos mecanismos numricos de clculo deben caminar de la mano con el
computador, pues en su mayora requieren de muchos pasos y frecuentemente
estn orientados a la resolucin de problemas de grandes dimensiones.
La importancia del estudio de mtodos numricos es indiscutible, pues
gran parte de las investigaciones en ciencias, ingenieras, economa, etc., recurren a tcnicas numricas para la obtencin de resultados.
iii
Captulo 1
Nociones Bsicas Sobre Errores
En este primer captulo an no estudiaremos los mtodos numricos, sino
que veremos algunos conceptos bsicos y sealaremos algunos factores que
intervendrn en la resolucin de problemas mediante el computador.
Existen diversas fases cuando intentamos resolver un problema mediante
mtodos numricos, la siguiente figura esquematiza ese procedimiento.
Puede suceder que los resultados finales obtenidos no sean justamente los
esperados, aunque todas las fases hayan sido ejecutadas correctamente, los
motivos pueden ser varios y los estudiaremos a continuacin.
1.1.
(0)
(1)
digamos x , para luego contruir una sucesin de valores x , x , x(2) , ...
1
1.1.1.
Laboratorio 1.2 Utilice un paquete o lenguaje de programacin en un computador, para corroborar los resultados obtenidos en el Ejemplo 1.3.
1.1.2.
30000
X
ai
i=1
30000
X
i=1
0,000111000010100011110101110000101000111101 2
Laboratorio 1.3 Utilizando algn lenguaje de programacin, haga un programa para ejecutar lo tratado en el ejemplo 1.4.
Por lo general, el error ocurrido depende de la representacin de los
nmeros en la mquina utilizada. La representacin de un nmero depende
de la base elegida o disponible en la mquina en uso, y, del nmero mximo de dgitos usados en su representacin. Cualquier clculo que envuelva
nmeros que no pueden ser representados a travs de un nmero finito de
dgitos, no otorgar como resultado un valor exacto. Cuanto mayor sea el
nmero de dgitos utilizados, mayor ser la precisin obtenida.
Como vimos en el ejemplo 1.4, un nmero puede tener representacin
finita con respecto a una base, pero una representacin infinita en otra base.
La base decimal es la que empleamos generalmente, pero antiguamente fueron
empleadas otras bases, como la base 12 y la base 60. Un computador opera
normalmente en el sistema binario.
Observe lo que pasa cuando un usuario interacta con el computador: Los
datos de entrada son enviados al computador por el usuario en el sistema
decimal, esa informacin es convertida al sistema binario por el computador,
y, todas las operaciones son realizadas en ese sistema. Los resultados finales
sern convertidos para el sistema decimal y, finalmente, sern transmitidos
hacia el usuario. Todo este proceso es una fuente de errores que afecta el
resultado final de los clculos.
1.1.3.
= 2 23 + 2 + 3 = 2 101 + 3 100
= (23)10
Laboratorio 1.4 En algn lenguaje de programacin, haga un programa tal
que, dado un nmero entero binario, retorne su equivalente decimal. E inversamente, dado un entero decimal, otorgue su equivalente binario.
Cmo Convertir un Nmero Fraccionario de Representacin Decimal a Binario?
Consideremos ahora la conversin de un nmero fraccionario de base 10 para
la base 2. Por ejemplo, r = 1,25, s = 0,666..., t = 0,414213562..., etc.
Notemos que r tiene una representacin finita, pero s y t tienen representaciones infinitas. En trminos generales, dado un nmero entre 0 y 1 en
el sistema decimal, cmo obtener su representacin binaria?
Considerando el nmero decimal fraccionario r = 0,125, existen dgitos
binarios
d1 , d2 , ..., dj , ...
tal que (0.d1 d2 ...dj ...)2 ser su representacin binaria en la base 2. As,
(0,125)10 = d1 21 + d2 22 + ... + dj 2j + ...
Multiplicando cada trmino de la expresin (1.1) por 2, tendremos
2 0,125 = d1 + d2 21 + d3 22 + ... + dj 2j+1 + ...
(1.1)
0,000111000010100011110101110000101000111101 2
3. Verifique cuntos dgitos el computador est considerando.
Laboratorio 1.6 (Precisin de una mquina) La precisin de la mquina se define como el menor nmero > 0 en aritmtica de punto flotante,
tal que (1 + ) > 1. Este nmero depende totalmente del sistema de representacin de la mquina: base numrica, total de dgitos en la mantisa,
de la forma cmo son realizadas las operaciones y del compilador utilizado.
Es importante conocer la precisin de la mquina porque en varios algoritmos se requiere ingresar como dato de entrada un valor positivo, prximo de
cero, para que sea usado como criterio de comparacin para la detencin del
algoritmo. El siguiente algoritmo determina dicha precisin:
Paso 1: A 1, S 2
Paso 2: Mientras S > 1, hacer
A
2
S 1+A
t
e
En una computadora, slo una pequea cantidad de nmeros son representados exactamente, por lo general, la representacin ser realizada por
medio de truncamiento o redondeo.
0 dj 9,
d1 6= 0,
e [5; +5]
M = 0,999 10+5
Ahora, en esta misma mquina. consideremos el subconjunto de nmeros
reales caracterizados por:
G = {x R : m |x| M}
Pueden ocurrir varias cosas:
x G Por ejemplo, si x = 235,89 = 0,23589 10+3 . Este nmero posee 5
dgitos en la mantisa. Debido a que t = 3, este nmero no ser considerado de forma exacta en esta mquina. Si la mquina usa truncamiento, entonces el nmero ser representado como 0,235 10+3 . Pero si
la mquina usa redondeo, entonces el nmero ser representado por
0,236 10+3 .
|x| < m Por ejemplo, si x = 0,345107 . Este nmero no puede ser representado en esta mquina porque el exponente e es menor que 5. La
mquina en estas condiciones retorna una advertencia de underflow.
|x| > M Por ejemplo, x = 0,875109 . En este caso, el exponente es mayor
que 5 y la mquina no lo puede representar, advierte la ocurrencia de
overflow.
Algunos lenguajes de computador permiten que las variables sean declaradas en doble precisin. En este caso, tal variable ser representada en el
sistema de aritmtica de punto flotante de la mquina, pero con aproximadamente el doble de dgitos disponibles en la mantisa. Debemos resaltar que
en estas condiciones, el tiempo de ejecucin y requerimientos de memoria
aumentan considerablemente.
La adicin en aritmtica de punto flotante requiere el alineamiento de
los puntos decimales de los dos nmeros. Para eso, la mantisa de menor
exponente debe ser desplazada para la derecha.
10
10,053
238,15
2,71828
0,000007
718235,82
Para el primer caso, con truncamiento nos resulta 0,314 10, mientras que
con redondeo 0,314 10. Para el segundo caso, con trucamiento obtenemos
0,100 102 y con redondeo 0,100 102 . Y as sucesivamente:
0,238 103
0,271 10
underflow
overflow
0,238 103
0,272 10
underflow
overflow
11
Todo esto nos da una idea de los posibles errores que pueden suceder, ya
sea por desconocimiento nuestro o por la limitacin del computador, en el
proceso de la resolucin numrica de problemas. Debemos advertir que an
es posible realizar un anlisis ms completo del manejo de errores, pero eso
lo veremos en otra ocasin.
1.2.
(1.2)
6,1
6,2
x = 5,8 y x = 5,9
11,3
10,9
Entonces, usando la norma eucldea, la magnitud del error estara dada ahora
por
q
kx xk = (6,1 6,2)2 + (5,8 5,9)2 + (11,3 (10,9))2 = 0,4243
12
10
=1
10
Con esto, digamos que en este caso se midi el error con ms justicia.
ER20 =
Ejercicio 1.1 Convierta los siguientes nmeros decimales para su forma binaria: 26, 1278 y 0,1217.
Ejercicio 1.2 Convierta los siguientes nmeros binarios para su forma decimal: (101101)2 , (0,111111101)2 y (0,1101)2 .
Laboratorio 1.7 El siguiente algoritmo calcula de una forma aproximada
la raz n-sima de un nmero no negativo a.
Ingresan: a, n y > 0, donde es la precisin deseada ( = 109 )
x=a
Mientras |xn a| > (controlando la magnitud del error absoluto)
x = x (xn a) / (nxn1 ) , x 6=
0
n
Retorna x (una aproximacin para a)
En algn lenguaje de programacin, haga un programa para ejecutar este algoritmo. Modifique el programa para que retorne tambin el nmero de pasos
(iteraciones). Cmo utilizara el error relativo para controlar el algoritmo?
13
Laboratorio 1.8 (Clculo de ex ) En algn lenguaje de programacin, haga un programa para calcular ex mediante la serie de Taylor con n trminos.
El valor de x y el nmero de trminos de la serie, n, deben ser dados en la
entrada de su programa. Para valores negativos de x, el programa debe calcular ex de dos formas: En una de ellas el valor de x es usado directamente en
la serie de Taylor y, en la otra forma, el valor usado en la serie ser y = x,
y en seguida, se calcula el valor de ex por medio de e1x .
1. Experimente su programa con varios valores de x (x prximo de cero y
distante de cero) y, para cada valor de x, experimente el clculo de la
serie con varios valores de n. Analice los resultados obtenidos.
2. (Dificultades con el clculo del factorial) El clculo de k! necesario en
la serie de Taylor puede ser hecho de modo a evitar la ocurrencia de
overflow. Para esto es necesario analizar cuidadosamente el k-simo
k
trmino, xk! . Intente combinar el clculo del numerador con el del denominador y realizar divisiones intermedias. Estudie una manera de
realizar esta operacin de modo que k! no se sobrecargue.
3. Con la modificacin del segundo tem, la serie de Taylor puede ser
calculada con los trminos que se desee. Cul sera el criterio para
detener su programa e interrumpir el clculo de la serie?
Captulo 2
Ceros reales de funciones reales
En esta seccin vamos a resolver la ecuacin representada por
f (x) = 0
(2.1)
2.1.
Ejemplo 2.1 Para el aislamiento de una raz de f (x) = x 5ex , procedemos a graficar utilizando MatLab. Observamos que en el intervalo [0; 4]
se encuentra una raz. La figura 2.1 muestra esta situacin.
Otra alternativa para el aislamiento de una raz consiste en analizar el
cambio de signo de los valores de la funcin, tal como explica el siguiente
ejemplo.
14
15
Ejemplo 2.2 Considere nuevamente la funcin f (x) = x 5ex . Determine un intervalo donde se encuentre por lo menos una raz.
Solucin: Tenemos que Df = R+
0 (los reales positivos y el cero), construimos
una tabla de valores con el signo de f (x) para determinados valores de x:
x
0 1 2 3
f (x) + +
Analizando la tabla, vemos que f admite por lo menos una raz en el intervalo
[1; 2]. Para ver si esa raz es nica en ese intervalo, podemos analizar el signo
de la derivada de f :
1
f 0 (x) = + 5ex > 0,
2 x
x > 0
Vemos que f es estrictamente creciente en R+ . Por lo tanto, podemos concluir que f admite una nica raz en Df y sta se encuentra en el intervalo
[1; 2].
Ejercicio 2.1 Sea f : R 7 R una funcin continua en R. Si sabemos que
una raz de f est en [a; b]. Qu podra usted decir sobre si:
1. f (a) f (b) < 0
2. f (a) f (b) > 0
16
3. f (a) f (b) 0
4. f (a) f (b) 0
Laboratorio 2.1 Usando un computador y un programa adecuado, grafique
las siguientes funciones y determine aquellos intervalos que incluyan alguna
raz:
1. f (x) = 1000 sin(x3 + 1)/ log(5 + x2 ), x [2; 1]
2. g(x) = ln (x2 + 1) 200 (x + 10)3 + 9x2 + 5, x R
3. h(x) = 0,00037x11 (x )2 + x2 + 5x 100, x R
2.2.
Una vez que tenemos un intervalo que contenga la raz, el siguiente paso
es construir un mecanismo que nos otorgue aproximaciones razonables a la
solucin exacta. En esta seccin veremos algunos mtodos numricos clsicos
los cuales nos otorgarn aproximaciones a una raz de f . En su mayora,
estos mtodos son iterativos, es decir, que inician con una estimativa de la
solucin inicial y utilizan sta para encontrar la siguiente, y as por delante,
hasta obtener una aproximacin a la solucin.
Cuando se use un mtodo iterativo, debemos considerar un criterio para
detener el algoritmo respectivo. En los mtodos que buscan una raz, stos
se repetirn hasta que xk sea prxima a la raz exacta con precisin > 0,
esto ocurrir si:
1. |xk | < , o
2. |f xk | <
ba<
17
Figura 2.2: f () = 0
El orden de grandeza de los nmeros con que trabajamos puede darnos
poca informacin, tal como mostraba el ejemplo 1.10, es aconsejable en estos
casos utilizar el error relativo. Por ejemplo, podemos considerar xk prximo
de una raz, si
|f (xk )|
<
L
donde L = |f (x) |, para algn x escogido en una vecindad de la raz .
Otro aspecto que debemos tener en cuenta es el mximo nmero de iteraciones permitidas por el algoritmo. Esto ayuda a evitar que el programa
en computador trabaje indefinidamente, sobre todo en el caso cuando el
algoritmo no converge.
Antes de todo, debemos hacer una aclaracin con respecto a mtodo y
algoritmo. Entendemos por mtodo a un procedimiento con las justificaciones
matemticas necesarias para resolver un determinado problema. Mientras
que por algoritmo, entendemos como el resumen del mtodo, una especie de
receta.
Existen varios mtodos numricos para obtener un cero real de una funcin real, algunos simplemente requieren que la funcin sea continua, mientras que otros requieren que la funcin sea diferenciable. En lo que resta de
este captulo analizaremos cada uno de los mtodos ms populares que existen hoy en da. En nuestro caso, analizar comprender la construccin del
mtodo, estudiar las propiedades de convergencia y la rapidez del mismo.
18
Para estudiar la convergencia debemos dar las hiptesis para que el mtodo garantice una solucin. Por otro lado, para analizar la rapidez del mtodo,
es necesario tener en consideracin dos criterios:
El nmero de iteraciones: Dada la precisin deseada , determinar el nmero de iteraciones, k, para que el algoritmo respectivo se detenga.
La rapidez: Una vez garantizada la convergencia. Determinar cul es la tasa
o rapidez (velocidad) de convergencia con que trabaja el algoritmo
Lo ms deseable es obtener el nmero de iteraciones que un algoritmo
requiere para resolver el problema, al menos una cantidad aproximada de
ste, pero no siempre es posible tal hazaa. A veces es posible obtener slo la
tasa de convergencia del algoritmo, esto tambin dar informacin sobre el
desempeo del mismo, lo cual permitir realizar comparaciones para decidir
por el algoritmo ms eficiente para un determinado problema. Los detalles
relacionados a estos conceptos sern explicados a medida que vayamos avanzando.
2.2.1.
Mtodo de Biseccin
Sea f una funcin continua en el intervalo [a; b] tal que f (a)f (b) < 0. El
objetivo de este mtodo es reducir la amplitud de este intervalo que contiene
la raz hasta alcanzarse una precisin requerida, (b a) < , usando para eso
una sucesiva divisin de [a; b] a la mitad.
19
a+b
2
e ir al paso 4.
ak +bk
,
2
b1 a1 =
b2 a2
b3 a3
bk ak
(2.2)
20
Entonces,
(b0 a0 )
=0
k
k
2k
y {bk }kN son convergentes:
lm (bk ak ) = lm
lm bk lm ak = 0 = s r = 0
= f ( lm ak )f ( lm bk ) = f (r) f (s) = f () f ()
k
= (f ())2
de donde concluimos que f () = 0. Por tanto, lmk ck = es un cero de
f , como habamos asumido que en el intervalo haba una nica raz, tenemos
que = .
Estimacin del Nmero de Iteraciones
Dada una precisin > 0 y un intervalo inicial [a; b], es posible saber,
a priori, cuntas iteraciones sern efectuadas por el mtodo de la biseccin
(algoritmo 2.1) hasta que se cumpla b a < .
Vimos en (2.2) que para k = 1, 2, ...
bk ak =
b0 a0
bk1 ak1
=
2
2k
(2.3)
21
b0 a0
(2.4)
= log2 102 + 1 = 7
Luego, el algoritmo debera detenerse con k = 7 iteraciones.
Conclusin 2.1 (sobre el mtodo de biseccin) Si f : R 7 R es continua en el intervalo [a; b] y f (a) f (b) < 0:
El mtodo de biseccin genera una sucesin que converge a la raz de
f (x) = 0, esto se consigue mediante las reducciones sucesivas del intervalo de bsqueda hasta una precisin deseada.
Cada iteracin no requiere clculos complicados.
22
No se requieren derivadas.
Las hiptesis no son rigurosas.
Converge razonablemente rpido (comparado a otros mtodos se le considera lento).
Laboratorio 2.2 En algn lenguaje de programacin de su preferencia, implemente el algoritmo de la biseccin, resuelva las siguientes ecuaciones:
1. ln (x2 + 1) = 200 (x + 10)3 9x2 5, en R
2. 1000 sin(x3 + 1)/ log(5 + x2 ) = 0, en [2; 1]
3. 0,00037x11 (x )2 + x2 = 5x + 100, en R
2.2.2.
Sea f : R 7 R continua en [a; b] tal que f (a) f (b) < 0. Suponga que el
intervalo [a; b] contiene una nica raz de la ecuacin f (x) = 0. Podemos
esperar conseguir una raz aproximada usando las informaciones sobre los
valores de f disponibles a cada iteracin.
Por ejemplo, en la figura 2.4 se aprecia que al ser |f (a)| pequeo en comparacin a |f (b)|, podemos sospechar que la raz se encuentra ms cercana
al punto a que al punto b. Luego, en cada iteracin, en vez de tomar ck como
el punto medio, como lo haca el mtodo de biseccin, podemos tomarlo de
la siguiente manera:
a |f (b)| + b |f (a)|
ck =
|f (b)| + |f (a)|
que en realidad es una media aritmtica ponderada entre a y b, con pesos
|f (b)| y |f (a)|. Despus de unos clculos, tenemos:
ck =
af (b) bf (a)
f (b) f (a)
23
24
2.2.3.
10
,
x+2
x2
2
x 6= 2
10
x
2,
25
x 6= 0
26
k = 0, 1, 2, ...
Luego,
|xk+1 | = |0 (ck ) ||xk | M|xk | < |xk |
k = 0, 1, 2, ... (2.5)
|xk | M k |x0 |
de donde lmk |xk | = 0, pues 0 M < 1. Por lo tanto, lmk xk = .
Ejemplo 2.5 Sea la funcin f (x) = x2 + 2x 10 cuya raz es 2,3166.
Dadas las funciones iteracin
1 (x) = 5
y
2 (x) =
10
,
x+2
x2
2
x 6= 2
Observe que
|01 (x) | = | x| = |x| < 1 x h1, 1i
Luego, no existe un intervalo I centrado en tal que |01 (x) | < 1 para todo
x I. El teorema 2.2 no afirma nada con respecto de la convergencia de la
27
D
E D
E
10
0
< 1 x ; 10 2
|2 (x)| =
10
2;
+
(x + 2)2
h; 5,1622i h1,1622; +i
Luego, existe un intervalo I centrado en , tal que |02 (x)| < 1 para todo
x I. En este caso, el teorema asegura la convergencia del MPF tomando
x0 I.
Ejercicio 2.4 Analice el caso para la funcin f (x) = x2 + 2x 10, cuya raz
es 2,3166, cuando se usa como funcin iteracin:
3 (x) =
10
2, x 6= 0
x
28
Laboratorio 2.4 En algn lenguaje de programacin de su preferencia, implemente el MPF y ejecute el programa sobre el problema del ejemplo 2.5.
Observe que el mtodo diverge cuando usamos 1 , pruebe con varios puntos
iniciales e interprete los resultados.
Tasa de Convergencia del Mtodo de Punto Fijo
Cuando vimos el mtodo de la biseccin, notamos que era posible obtener
una cota inferior para el nmero de iteraciones a ser realizadas por el algoritmo. Pero eso no siempre es posible, as, necesitamos de algunos parmetros
que nos indiquen con qu rapidez la sucesin generada por un algoritmo converge a la solucin deseada. Eso nos permitir calificar a un algoritmo como
lento o rpido.
Definicin 2.2 (Tasa o rapidez de convergencia) Sea la sucesin r(k)
generada por algn algoritmo, de modo que lmk r(k) r. Asumamos que
r(k) 6= r para todo k = 0, 1, 2, ..., la tasa de convergencia del algoritmo es el
supremo P de los nmeros no negativos p satisfaciendo:
(k+1)
r
r
lm
p = <
k kr (k) r
k
Si P = 1 y el radio de convergencia < 1, la sucesin se dice que tiene
una tasa de convergencia lineal (por lo menos lineal). Si P 1 y = 0, la
sucesin tiene tasa de convergencia sper lineal. Si P = 2 y < , entonces
diremos que la sucesin tiene una tasa de convergencia cuadrtica.
Una
natural de ver esta situacin es la siguiente: supongamos
manera
que r(k) es una sucesin generada por un algoritmo la cual converge a
la solucin r, donde el algoritmo presenta una tasa de convergencia lineal,
entonces:
(k+1)
r
r r(k) r, k k0
|
| {z }
{z
}
ek+1
ek
nos dice que el error ek+1 cometido en la iteracin k+1 es menor (linealmente)
que el error ek en la iteracin k, cuando k0 es grande.
2
(k+1)
r
r r(k) r , k k0
|
{z
} |
{z
}
ek+1
e2k
29
ck entre xk y ,
k = 0, 1, 2, ...
Luego,
|xk+1 |
= |0 (ck ) |,
|xk |
ck entre xk y ,
k = 0, 1, 2, ...
|xk+1 |
0
lm
= lm | (ck ) | = 0 lm ck = |0 ()| = M < 1
k |xk |
k
k
As, vemos que el mtodo del punto fijo posee una tasa de convergencia
lineal, por este motivo muchas veces se le considera lento. Sin embargo, el
mtodo de biseccin tambin posee esa misma velocidad, tal como lo afirma
el siguiente ejercicio.
Ejercicio 2.5 Muestre que la tasa de convergencia del mtodo de la biseccin
es lineal.
2.2.4.
El Mtodo de Newton-Raphson
30
|xk+1 |
= |0 () | < 1
|xk |
Luego,
0 () = 1 + A0 () f () + A () f 0 () = 0 () = 1 + A () f 0 ()
de donde
0 () = 0 1 + A () f 0 () = 0 A () =
1
,
f 0 ()
f 0 () 6= 0
1
()
Entonces, dada la ecuacin f (x) = 0, la funcin iteracin deseada ser de la
forma:
f (x)
(x) = x 0
(2.6)
,
f 0 (x) 6= 0
f (x)
Observe que
A () =
f0
f 0 (x) 6= 0
f (xk )
,
f 0 (xk )
f 0 (xk ) 6= 0,
k = 0, 1, 2, ...
(2.7)
31
f (x0 )
f 0 (x0 )
f (xk )
,
f 0 (xk )
f 0 (xk ) 6= 0,
k = 0, 1, 2, ...
32
f (xk )
,
f 0 (xk )
f 0 (xk ) 6= 0,
k = 0, 1, 2, ...
convergir para .
Prueba. Observe que el mtodo de newton es en realidad un MPF con
. As, para probar la convergencia debemos
funcin iteracin (x) = x ff0(x)
(x)
(x)f (x)
0
, 0 (x) = f(f
Vemos que (x) = x ff0(x)
0 (x))2 y por hiptesis f () 6= 0. Como
(x)
f 0 es continua en I, es posible obtener un intervalo abierto I1 I, I1 , tal
que f 0 (x) 6= 0 para todo x I1 .
(x)f (x)
0
0
Como 0 (x) = f(f
0 (x))2 , es continua en I1 y () = 0, entonces es
posible obtener otro intervalo abierto I2 I1 , centrado en , tal que |0 (x) | <
1 para todo x I2 .
33
34
Supongamos adems que se satisfacen todas las hiptesis del teorema 2.3.
Observe que
f (xk )
f (xk )
f (xk )
xk+1 = xk 0
= xk+1 = xk 0
= ek+1 = ek 0
f (xk )
f (xk )
f (xk )
donde ek = xk . Usando la serie de Taylor para f en torno al punto xk :
1
f (x) = f (xk ) + f 0 (xk ) (x xk ) + f 00 (ck ) (x xk )2 ,
ck est entre x y ck
2
Para x = , tenemos
1
0 = f (xk ) + f 0 (xk ) ( xk ) + f 00 (ck ) ( xk )2
2
de donde
1
f (xk ) = f 0 (xk ) (xk ) f 00 (ck ) (xk )2
2
0
Dividiendo entre f (xk ), obtenemos
f (xk )
f 00 (ck ) (xk )2
= (xk )
f 0 (xk )
2f 0 (xk )
= ek
f 00 (ck ) e2k
2f 0 (xk )
Luego,
f (xk )
f 00 (ck ) e2k
= ek 0
= ek+1
0
2f (xk )
f (xk )
de donde
f 00 (ck )
ek+1
= 0
e2k
2f (xk )
Despus de unos clculos, vemos que
00 (x) =
(2.9)
0
(f 0 (x))2 (f 0 (x) f 00 (x) + f (x) f 000 (x)) (f (x) f 00 (x)) (f 0 (x))2
(f 0 (x))4
de donde 00 es continua en y
f 00 ()
() = 0
f ()
00
|f 00 (ck ) |
k |2f 0 (xk ) |
lm
1 |f 00 (lmk ck ) | 1 |f 00 () |
1
=
= |00 () | =
0
0
2 |f (lmk xk ) |
2 |f () |
2
Por lo tanto, el mtodo de Newton tiene una tasa de convergencia cuadrtica.
=
2.2.5.
35
Mtodo Secante
f (xk ) f (xk1 )
,
xk xk1
xk xk1
donde xk y xk1 son dos estimativas de la raz exacta . Para este caso, la
funcin iteracin Newton queda establecida como
(xk ) = xk
f (xk )
f (xk )f (xk1 )
xk xk1
= xk
k = 1, 2, 3, ...
(2.10)
Las condiciones para la convergencia del mtodo secante son prcticamente las mismas que las del mtodo de Newton. Si bien la dificultad del
clculo explcito de la derivada fue evitada, lamentablemente el precio que se
paga por esto es la disminucin en la tasa de convergencia, que es sper-lineal.
Una interpretacin grfica puede ser vista en la figura 2.7.
36
= ( xk1 ) ( xk )
xk
k ) f (xk )f (xk1 )
xk xk1
xk1
f (xk )f (xk1 )
xk xk1
f 00 ( k )
= ( xk1 ) ( xk )
2f 0 ( k )
(2.11)
donde k est entre ,xk y xk1 , mientras que k est entre xk y xk1 . Como
f C 2 , existe una vecindad I = [ , + ], con > 0, tal que f 0 y f 00 son
continuas y f 0 (x) 6= 0 para todo x I. Por tanto, existe M > 0 tal que
00
f ( k )
M = max 0
xI 2f ( k )
M | x0 | < 1 y M | x1 | < 1
Definamos ahora t = max {M | x0 | , M | x1 |}, claramente t < 1. As,
por (2.11) tenemos
00
f ( k )
M | x2 | = M ( x1 ) ( x0 )
2f 0 ( k )
= M 2 | x1 | | x0 | t2 t < 1
de donde
| x2 | <
t
= max {| x0 | , | x1 |} <
M
37
f 00 ( k )
= ( xk1 ) ( xk )
2f 0 ( k )
(2.12)
donde k est entre ,xk y xk1 , mientras que k est entre xk y xk1 . Resolviendo (2.12) obtenemos
( xk ) =
1 pn rn
A B
K
(2.13)
f 00 ( k )
((x0 )K)r rp
1+ 5
1 5
donde K = 2f
,
r
=
,
A
=
y B =
0 ( ) , p =
2
2
(x1 )K
k
1
rp
(x1 )K
, la solucin de (2.12) dada por (2.13) se puede comprobar
((x0 )K)p
por sustitucin directa. Por lo tanto,
xk+1
p1 rn
B (r p)
p = K
( xk )
38
00
p1
xk+1
f ( k )
p1
rn
lm
m K
lm B (r p) =
p = l
k ( xk )
k
k
2f 0 ( k )
xk+1
1+ 5
Como se puede observar, lmk (x
1,61803398,
p existe para p =
2
k)
el cual en cierta forma nos recuerda al nmero ureo, 0,61803398..., concluimos entonces que la tasa o rapidez (orden) de convergencia del Mtodo
Secante es aproximadamente 1,618.
Como se puede observar, el Mtodo Secante posee una tasa de convergencia un tanto inferior al Mtodo de Newton, que tiene una tasa cuadrtica.
No obstante, la tasa de convergencia de 1,618 es superior a una lineal, y en
la prctica esa disminucin en la velocidad de convergencia se compensa con
el hecho de no requerir el clculo explcito de la derivada y su evaluacin en
cada iteracin..
Laboratorio 2.6 En algn lenguaje de programacin de su preferencia, implemente el mtodo secante y experimntelo con diversos ejemplares. Compare
en la prctica sus resultados con los mtodos anteriormente estudiados.
Ejercicio 2.6 Experimente y compare los mtodos estudiados en este captulo, hallando una raz de la ecuacin f (x) = 0, donde
f (x) = x x ln (x)
Ejercicio 2.7 Experimente y compare los mtodos estudiados en este captulo, hallando una raz de la ecuacin f (x) = 0, donde
f (x) = ex 4x2
Ejercicio 2.8 Sea
x2
+ x (ln (x) 1)
2
Halle sus puntos crticos (puntos donde f 0 (x) = 0) usando un mtodo iterativo estudiado en este captulo.
f (x) =
39
Ejercicio 2.10 (ciclaje en el mtodo de newton) Las iteraciones del Mtodo de Newton entrarn en un ciclo ilimitado si
xn+1 a = (xn a)
Esto a su vez sucede si f satisface
xa
f (x)
= (x a)
f 0 (x)
p
f (x) = sign(x a) |x a|
1
3
2.
1
11
Ejercicio 2.13 Pruebe que, al ser aplicado el mtodo de Newton en la resolucin de la ecuacin ax+b = 0, donde a 6= 0, ste requiere slo una iteracin,
sin importar qu punto inicial fue tomado.
Ejercicio 2.14 En los casos siguientes, aplicar el mtodo de Newton con la
estimacin inicial propuesta, explicar por qu falla el mtodo.
40
3
2
3. y = x3 + 3x2 x + 1, donde x0 = 1
4. y = 3 x 1, donde x0 = 2
2.3.
41
2.4.
Problemas
42
1. Qu cantidad debe ser inyectada para alcanzar como mximo esta concentracin de seguridad? Cundo se alcanza este mximo?
2. Una cantidad adicional se debe administrar al paciente cuando la concentracin baja a 0,25 mg / ml. Determnese con un error menor de 1
minuto cundo debe ponerse esta segunda inyeccin.
Problema 2.5 El crecimiento de poblaciones grandes puede modelarse en
perodos cortos suponiendo que el crecimiento de la poblacin es una funcin
continua en t mediante una ecuacin diferencial cuya solucin es:
N(t) = N0 et +
v t
e 1
Captulo 3
Resolucin de Sistemas Lineales
Sistemas de ecuaciones lineales aparecen en la resolucin de diversos
problemas de la vida real, frecuentemente, algunos de esos problemas involucran un gran nmero de variables y ecuaciones. Claramente, el mtodo
basado en la sustitucin de variables, empleado para resolver pequeos sistemas de dos o tres variables, resulta obsoleto en estos casos, por lo que
es necesario conocer mtodos numricos especializados para hacer frente a
estas situaciones. Estos mtodos numricos no podran trabajar sin la intervencin de un computador, debido a la cantidad de clculo envuelto en ese
procedimiento. Todo esto sin lugar a dudas torna importante el estudio de
sistemas de ecuaciones lineales desde el punto de vista numrico. Pero la resolucin de sistemas de ecuaciones lineales no slo tiene importancia propia,
sino que constituye tambin una herramienta indispensable en la resolucin
de sistemas de ecuaciones no lineales. Ms an, es la base para la resolucin
de muchos otros problemas que surgen en diferentes reas.
Considere el siguiente sistema de ecuaciones lineales compuesto de dos
ecuaciones y dos variables:
a1,1 x1 + a1,2 x2 = b1
a2,1 x1 + a2,2 x2 = b2
3x1 + 2x2 = 10
x1 x2 = 5
2. Soluciones infinitas
3x1 3x2 = 15
x1 x2 = 5
43
4
x1
=
1
x2
5+t
x1
,
=
t
x2
tR
44
2x1 2x2 = 8
x1 x2 = 5
Grficamente, cada ecuacin representa a una recta, un punto que satisface ambas ecuaciones al mismo tiempo deber estar en la interseccin de
ambas rectas (figura 3.1).
3.1.
Aspectos Tericos
a1,1 x1 + a1,2 x2 +
a2,1 x1 + a2,2 x2 +
..
..
..
.. . .
.
.
.
.
.
a x + a x +
m,1 1
m,2 2
(3.1)
(3.2)
a1,1
a2,1
A = ..
.
am,1
45
a1,2 a1,n
a2,2 a2,n
..
.. ,
...
.
.
am,2 am,n
b1
b2
b = ..
.
bm
x1
x2
x = ..
.
xn
t
Una solucin para el sistema (3.1) es un vector x = x1 xn Rn el
cual satisface simultneamente cada una de las m ecuaciones que conforman
el sistema. En un sistema lineal puede suceder lo siguiente:
1. El sistema lineal tiene nica solucin
2. El sistema lineal posee infinitas soluciones
3. El sistema lineal no posee soluciones
Cuando n = m y A es inversible en (3.2), entonces la solucin es nica,
en consecuencia, dicha solucin puede ser obtenida haciendo x = A1 b. No
obstante, se debe advertir que este procedimiento tiene slo un valor terico,
pues desde el punto de vista computacional es considerado costoso por el
excesivo nmero de operaciones involucradas para calcular la inversa de A.
En contraste, existen mtodos ms apropiados que no requieren el clculo
explcito de A1 , como los que veremos ms adelante.
3.1.1.
n
X
j=1
aj xj
46
3.1.2.
m<n
m=n
rango (A) = m
rango (A) = n
infinitas soluc.
solucin nica
infinitas soluc.
incompatible
47
m>n
rango (A) = n
b Im (A) so lu c i n n ica
b 6 Im (A) in co m p a tib le
infinitas soluc.
incompatible
3.2.
48
3.3.
Mtodo de Cramer
3.4.
49
Mtodo de Gauss
a1,1 x1 + a1,2 x2 +
a2,1 x1 + a2,2 x2 +
..
..
..
..
.
.
.
.
a x + a x +
n,1 1
n,2 2
+ a1,n xn = b1
+ a2,n xn = b2
..
.. ..
. . . ..
.
.
. .
+ an,n xn = bn
(3.5)
.
.
.
.
a0n,n xn = b0n
b0n
a0n,n
b0n1 a0n1,n xn
=
a0n1,n1
3.4.1.
50
3.4.2.
51
El siguiente algoritmo usa el Teorema 3.1 y convierte un sistema de ecuaciones lineales Ax = b en un sistema triangular superior equivalente.
Algoritmo 3.2 Dado el sistema lineal Ax = b de n n. Suponga que el
elemento ak,k 6= 0 al inicio de la etapa k:
Para k = 1, ..., n 1
Para i = k + 1, ..., n
mi,k = ai,k /ak,k
ai,k = 0
Para j = k + 1, ..., n
ai,j = ai,j mi,k ak,j
bi = bi mi,k bk
Definicin 3.1 El nmero
ai,k
mi,k =
,
ak,k
i = 2, ..., n,
k = 1, ..., n 1
1 2 3 0
2
2
2
4
10
4
y
b = b(0) =
A = A(0) =
1 1 2 1
6
1 0 0 2
0
Aplicando el Algoritmo 3.2, para
m2,1 = 2, m3,1 = 1 y m4,1 = 1, de
1 2
3
0 2 2
A(1) =
0 1 5
0 2 3
0
A(2) =
0
0
0
2
0
10
(1)
y
b
=
4
1
2
2
m4,2 = 1 y
2
3
0
2 2 10
0 4 4
0 1 8
b(2)
2
0
=
4
2
0
A(3) =
0
0
2
3
0
2 2 10
y
0 4 4
0
0 7
b(3)
52
2
0
=
4
3
Resta slo aplicar el Algoritmo 3.1 para resolver el sistema triangular superior
A(3) x = b(3) , de donde obtuvimos
6/7
25/7
x=
10/7
3/7
11x1 + 2x2 = 5
1016 x1 + 0,5x2 = 9
7,26691434300103 1016
x=
2,5
5
5
6= b =
Ax =
9
8,51691434300102
Este fenmeno se debe a que el pivote A1,1 = 11, cuando comparado con
A2,1 = 1016 , es muy pequeo. Observe que en estas condiciones, el multiplicador
a2,1
1016
m2,1 =
=
a1,1
11
es muy grande, lo que ocasionar impresiciones en los clculos siguientes,
pues el computador trabaja con precisin finita.
5
53
Pero qu significa mal condicionamiento? Ese concepto es de gran ayuda en la resolucin de sistemas lineales. A continuacin formalizaremos ese
trmino.
3.5.
Ay = b + b
Observe que el sistema (3.7) tambin tiene nica solucin, digamos que sta
sea y. Denotemos
x = y x, en consecuencia, y = x +
x. Es natural
esperar que cuando b sea pequeo, entonces
x tambin lo sea.
Para cuantificar el tamao de vectores, usaremos la norma vectorial eucldea6 kk. As, la medida de b relativa a b es kbk / kbk, mientras que la
medida de
x relativa a x es dada por k
xk / k
xk. Por lo tanto, en trminos ms precisos, esperamos que cuando kbk / kbk sea pequeo, entonces
k
xk / k
xk tambin lo sea.
As, como y es solucin del sistema (3.7), entonces
A
y = b + b = A (
x +
x) = b +b = A (
x) = b =
x = A1 (b)
,
Considerando la norma matricial inducida por la vectorial, kAk = maxx6=0 kAxk
kxk
tenemos
x = A1 (b) = k
(3.8)
xk = A1 (b) A1 kbk
b = A
x = kbk = kA
xk kAk k
xk =
Por (3.8) y (3.9) tenemos
Si x Rn , kxk =
k
xk
kbk
A1 kAk
k
xk
kbk
p
x21 + ... + x2n .
1
kAk
k
xk
kbk
(3.9)
54
Observe que, si kbk / kbk es pequeo y kA1 k kAk es un nmero razonablemente pequeo, entonces k
xk / k
xk debera ser tambin pequeo. Sin
embargo, si kA1 k kAk es extremadamente grande, a pesar que kbk / kbk
sea pequeo, no hay garanta que k
xk / k
xk tambin lo sea. En otras pa1
labras, si kA k kAk es grande, podemos advertir que el sistema Ax = b
puede ser susceptible a grandes alteraciones en la solucin si b es ligeramente
perturbado. Esto es crucial, pues el mtodo de Gauss altera el vector b en
cada iteracin.
Como se puede apreciar, el papel del nmero kA1 k kAk juega un rol
importante en la determinacin de la estabilidad del sistema de ecuaciones
lineales. A continuacin lo formalizamos.
Definicin 3.2 (Nmero de condicin) Dada la matriz A Rnn inversible. El nmero de condicin de A, denotado por cond (A), es
Si cond (A) es grande, diremos que la matriz es mal condicionada, caso contrario, ella ser bien condicionada.
I = A1 A
=
1 = kIk = A1 A A1 kAk = cond (A)
3.6.
55
3 2
1 1
5
(1) (1) 0 1
0
3
6
b
A
=
0 3 5 7
7
0 2
4
0
15
Note que A(1) b(1) representa la situacin del sistema en la primera iteracin. Ahora, para el inicio de la segunda iteracin
1. Escoger el pivote: maxj=2,3,4 |a1j,2 | = |a13,2 | = 3, entonces el pivote es 3
2. Cambiamos las lneas 2 y 3, de donde
3 2
(1) (1) 0 3
b
=
A
0 1
0 2
obtenemos
1 1
5 7
0
3
4
0
5
7
6
15
1
1
=
3
3
2
2
=
3
3
56
La estrategia con pivoteamiento parcial no elimina del todo la acumulacin de errores de redondeo, existe otra estrategia denominada estrategia
con pivoteamiento completo. En contraste al pivoteamiento parcial, que busca
el mejor pivote en una porcin de cada columna en cada iteracin, la estrategia de pivoteamiento completo analiza toda matriz. A pesar que en teora esto
elimina definitivamente las imprecisiones numricas que puedan ocurrir, su
uso no es cmun en la prctica pues requiere mucho esfuerzo computacional,
es decir, requiere muchas operaciones elementales (comparaciones) para su
ejecucin.
Problema 3.1 Investigue la estrategia de pivoteamiento completo.
3.7.
Descomposicin LU
1
0 0
2,1 1 0
L = ..
..
..
.
.
.
. .
.
n,1
n,2 1
U = ..
..
..
...
.
.
.
0
0 un,n
Ux = y
(3.10)
57
y
Ly = b0
(3.11)
Ux = y
Observe que los mismos factores L y U fueron usandos para resolver los
sistemas (3.10) y (3.11), los cuales son fciles de resolver usando el algoritmo
3.1 para sistemas triangulares superiores.
3.7.1.
0
0
a
a
a
A0 =
2,1
2,2
2,3
=A
a03,1 a03,2 a03,3
j = 1, 2, 3
i = 2, 3,
A1 =
0
0
j = 1, 2, 3
a12,2 a12,3
1
1
a3,2 a3,3
1
0 0
M 0 = m2,1 1 0
m3,1 0 1
58
j = 1, 2, 3
a22,j = a12,j
j = 2, 3
A2 =
0
0
Observe que
j = 1, 2, 3
a22,2 a22,3
2
0 a3,3
A2 = M 1 A1
donde
1
0
0
1
0
M1 = 0
0 m3,2 1
U = M 1 A1 = M 1 M 0 A0 = M 1 M 0 A0 = M 1 M 0 A
Es decir,
y como
1 1 1
1
U = M0
U
M
A = M 1M 0
0 1 1 1
M
M
1
1
1
0
0
1
0 0
1
0
= m2,1 1 0 0
m3,1 0 1
0 m3,2 1
1 0 0
1 0 0
1
0 0
1 0
= m2,1 1 0 0 1 0 = m2,1
m3,1 0 1
m3,1 m3,2 1
0 m3,2 1
1
0 0
1 0
L = m2,1
m3,1 m3,2 1
de modo que A = LU .
59
Luego,
1 2 3
A = 2 5 1
1 2 1
m2,1 = 2,
m3,2 = 4,
10
b = 20
6
m3,1 = 1,
1 2 3
A1 = 0 1 7
0 4 4
1 2 3
A2 = 0 1 7
0 0 32
Por lo tanto,
1 2 3
1
0 0
1 0 0
1 2 3
1 0 A2 = 2 1 0 0 1 7 = LU
A = 2 5 1 = m2,1
1 2 1
1 4 1
0 0 32
m3,1 m3,2 1
Puesto que Ax = b lo podemos expresar como (LU ) x = b, usando el algoritmo 3.1 y el ejercicio 3.3 para resolver sistemas triangulares, calculamos
consecutivamente:
10
Ly = b = y = 0
16
y
3/2
Ux = y = x = 7/2
1/2
3.8.
60
Descomposicin de Cholesky
3.8.1.
A = ..
..
..
...
.
.
.
an,1 an,2 an,n
g1,1 0
a1,1 a1,2 a1,n
a2,1 a2,2 a2,n g2,1 g2,2
..
..
..
.. = ..
...
.
.
.
. .
gn,1 gn,2
an,1 an,2 an,n
matricial:
...
gn,n
La columna 1:
g1,1 0
a1,1
0
a2,1 g2,1 g2,2
0
.. = ..
..
..
.
..
. .
.
.
an,1
gn,1 gn,2 gn,n
luego
g1,1 =
a1,1
gj,1 =
0
0
..
.
aj,1
g1,1
g1,1
0
..
.
0
g1,1 g1,1
g2,1 g1,1
..
.
gn,1 g1,1
para j = 2, ..., n
a1,2
g1,1 0
0
a2,2
g2,1 g2,2
0
a3,2
= ..
..
..
.
..
.. .
.
.
.
gn,1 gn,2 gn,n
an,2
de donde
g1,2
g2,2
0
..
.
0
g1,1 g1,2
2
2
g2,1
+ g2,2
g3,1 g2,1 + g3,2 g2,2
..
.
Como
gj,1 g2,1 + gj,2 g2,2 = aj,2
a1,2
g1,1
q
2
a2,2 g2,1
j = 3, ..., n
j = 3, ..., n
haciendo
tenemos
de donde
ak,1
ak,2
..
.
ak,k
ak+1,k
.
..
an,k
g1,1 0
0
g2,1 g2,2
0
= ..
..
..
...
.
.
.
gk,1
gk,2
..
.
gk,k
0
.
..
0
2
2
2
ak,k = gk,1
+ gk,2
+ + gk,k
gk,k =
Y como
ak,k
k1
X
i=1
2
gk,j
!1/2
j = k + 1, ..., n
61
62
Pk1
aj,k i=1 gj,i gk,i
j = k + 1, ..., n
gj,k =
gk,k
Algoritmo 3.3 Sea A una matriz simtrica y definida positiva.
Para k = 1, ..., n
suma = 0;
Para j = 1, ... (k 1)
2
suma = suma + gk,j
r = ak,k suma ..............(*)
gk,k = r
Para i = k + 1, ..., n
suma = 0
Para j = 1, ..., k 1
suma = suma + gi,j gk,j
gi,k = (ai,k suma) /gk,k
Por lo general, ver si una matriz simtrica es definida positiva usando la
definicin es una tarea prcticamente imposible. Sin embargo, podemos usar
el algoritmo de Cholesky para verificar si A es definida positiva. Si en (*) se
tiene que r 0, entonces la descomposicin no es posible y A no es definida
positiva. Caso contrario, el algoritmo otorga la matriz triangular inferior G
tal que A = GGt .
La descomposicin de Cholesky requiere alrededor de n3 /6 operaciones
de multiplicacin para la descomposicin. Este nmero es aproximadamente
la mitad del nmero de operaciones necesarias para la realizacin de la eliminacin en la descomposicin LU, pues requera n3 /3.
Al igual que la descomposicin LU, una vez conocido A = GGt , es posible
resolver el sistema lineal asociado: Ax = b, del siguiente modo: como
Ax = b GGt x = 0
entonces
1. Resolver Gy = b
2. Resolver Gt x = y
63
Laboratorio 3.2 En algn lenguaje de programacin de su preferencia, implemente el algoritmo de Cholesky, de modo que: cuando la matriz A sea
definida positiva, devuelva la matriz triangular inferior G. Caso contrario,
debera emitir un mensaje anunciando que A no es definida positiva.
Ejercicio 3.8 Usando el algoritmo de Cholesky, verifique que la matriz
27 12 10 24
12 9 16 29
10 16 42 70
24 29 70 137
es realmente definida positiva.
Ejercicio 3.9 Una duda comn es, podra ser definida positiva una matriz
la cual tiene algunas componentes negativas? Verifique si la matriz
27 12 10 24
12 9 16 11
10 16 42 2
24 11 2 137
Ejercicio 3.10 Una matriz simtrica A Rnn se llama semidefinida positiva, si xt Ax 0, para todo x Rn . Probar que, para cualquier matriz
B Rmn , la matriz C = B t B es semidefinida positiva.
Solucin: Observe que C Rmm es simtrica, pues
t
t
C t = BtB = Bt Bt = BtB = C
64
1 0
0 1
es inversible pero no es definida positiva (en realidad es definida negativa).
3.9.
Mtodos Iterativos
(3.12)
(3.13)
65
1
(b1 a1,2 x2 a1,3 x3 ... a1,n xn )
a1,1
1
(b2 a2,1 x2 a2,3 x3 ... a2,n xn )
a2,2
..
.
1
=
(bn an,1 x1 an,2 x2 ... an,n1 xn1 )
an,n
x2 =
xn
1,1
1,1
1,1
x1
b2
a
a
a
a2,1
0
a2,3
a2,n
x2 a2,2
2,2
2,2
2,2
.. = . + .
..
..
..
...
. .. ..
.
.
.
bn
xn
an,1
an,2
an,3
0
an,n an,n an,n
an,n
Es decir, la funcin iteracin quedara establecido por
x1
x2
..
.
xn
x = (x) = Dx + d
donde
aa1,2
1,1
aa1,3
1,1
aa1,n
1,1
a2,1
0
aa2,3
aa2,n
a2,2
2,2
2,2
D=
..
..
..
..
...
.
.
.
.
n,1
n,2
n,3
aan,n
aan,n
0
aan,n
d=
b1
a1,1
b2
a2,2
..
.
bn
an,n
(3.14)
El mtodo de Gauss-Jacobi consiste en lo siguiente: dado x0 , una aproximacin inicial a la solucin del sistema lineal Ax = b, obtener x1 , x2 , ..., xk , ...por
medio de la relacin recursiva
xk+1 = Dxk + d
66
1
b1 a1,2 xk2 a1,3 xk3 ... a1,n xkn
a1,1
1
=
b2 a2,1 xk2 a2,3 xk3 ... a2,n xkn
a2,2
..
.
1
=
bn an,1 xk1 an,2 xk2 ... an,n1 xkn1
an,n
xk+1
=
1
xk+1
2
xk+1
n
(3.15)
3.10.
67
B N
A =
xB
x =
xN
As, Ax = b es equivalente a
xB
B N
= b BxB + NxN = b xB = B 1 b B 1 NxN
xN
xB
B b B 1 NxN
x =
=
xN
xN
As por ejemplo, haciendo xN = 0 Rnm , tendramos:
1
B b
x =
0
68