1. Obiectul analizei numerice: Consideratii generale.

Conditionarea problemei, numar

de conditie. Exemplu.

Obiectul analizei numerice este studiul metodelor numerice dezvoltate pentru rezolvarea
efectiva a unei probleme stiintifice sau matematice, rezultand o solutie aproximativa. Analiza
unei metode numerice consta din :
a) constructie;
b) convergenta metodei+analiza erorii
c) conditionarea problemei si stabilitatea metodei
d) comparatia diverselor metode
a) Constructia: se bazeaza pe algoritmi
- formularea teoretica
- programarea algoritmului ( Fortran, C, C++)
b) Metoda iterativa
(xn)n≥0 xn→α
Eroarea: - eroarea formulelor metodei A priori
- eroarea solutiei calculate; verificarea A posteriori
c) conditionarea problemei este sensibilitatea solutiei (exacte) la mici schimbari in datele
problemei.
O problema poate fi
- bine conditionata (cand solutia nu e sensibila la mici schimbari
- rau conditionata
Problema bine conditionata = stabila [bine pusa]
Problema rau conditionata = instabila [rau pusa]
Metoda (algoritmul) este stabil sau instabil pentru problema analizata.
Conditionarea problemei: F(x,y)=0; F = functie, x = necunoscuta, y = data (datele) de
care depinde solutia x
ex: F = funtie reala de o singura variabila x; y = vector de coeficienti ce indeplinesc
functia
1) p(x)=anxn + an-1xn-1 + …… + a1x + a0 p(x)=0 rezulta x=?
y = {a0, a1, ……, an}
2) ecuatia diferentiala pentru care se considera problema valorii initiale
𝑑𝑥
= −𝑥
{ 𝑑𝑡
𝑥(0) = 𝑥0 → 𝑦
Problema 1) e bine conditionata daca solutia “x” depinde continuu de data “y”. Aceasta
inseamna ca schimbari mici in “y” conduc la schimbari mici in “x”.
yn → y => xn → x ; xn = x(yn)
Numar de conditie:
𝛿 - delta
y→𝑦
̃ = y + 𝛿y ; 𝛿 y – perturbare in data =>
x→𝑥
̃ = x + 𝛿x ; 𝛿 y – perturbare in solutie.
F(𝑥
̃, 𝑦̃)=0
𝛿𝑦 = 𝑦̃ − 𝑦
{
𝛿𝑥 = 𝑥̃ − 𝑥
1
 Definitie :
‖𝛿𝑥‖
‖𝑥‖ 𝑝𝑒𝑟𝑡𝑢𝑟𝑏𝑎𝑟𝑒𝑎 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎 𝑖𝑛 𝑠𝑜𝑙𝑢𝑡𝑖𝑒….(𝑥)
𝐾(𝑥) = 𝑠𝑢𝑝 ‖𝛿𝑦‖ =
𝛿𝑦≠0 𝑝𝑒𝑟𝑡𝑢𝑟𝑏𝑎𝑟𝑒𝑎 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎 𝑖𝑛 𝑑𝑎𝑡𝑎…..(𝑦)
‖𝑦‖
Daca K(x) = “mic” => problema e bine conditionata
ex: K ≤ 10; y = 0,7 → y = 0,8; |δy| ≤ 1; K ~ 1
Daca K(x) = “mare” => problema e rau conditionata
ex: K >> 10

ex1: Matricea Hilbert – ordinul 6

1 1 1 1 1
1 2 3 4 5 6
1 1 1 1 1 1
2 3 4 5 6 7
1 1 1 1 1 1
−1
3
1
4
1
5
1
6
1
7
1
8
1 Y = H6 ; Problema X.Y = 𝐼 => X=𝐻6
4 5 6 7 8 9
1 1 1 1 1 1
5 6 7 8 9 10
1 1 1 1 1 1
[6 7 8 9 10 11]
h1,3 = 0,3333333 |…..3….
𝑌̃ = matricea Y simpla precizie → 7 cifre zecimale
𝑌̃ −1 = inversul lui 𝑌̃ ; simpla precizie
𝑌 −1 = inversare exacta (analitic)
|𝛿𝑥|
(𝑌 −1 )1,6 = - 2772,0 |𝑥|
~ 2.10-2
|𝛿𝑦|
(𝑌̃ −1 )1,6 = - 2714,626 |𝑦|
~ 6.10-8
=> K ≥ 3,47.105
δy ~ 10-7 ; δx ~ 60 !
ex 2: Polinomul lui Wilkinson – polinom “perfid”
f(z) = 0
f(z) = (z-1)(z-2)…….(z-20) = z20 – 210 z19 + ……
𝑓̃(z) = f(z) – 2-23 . z19
- 210 |→ - 210 – 2-23 1,2 x 10-7
- 210 |→ - 210.000000119
𝑓̃(z) = 0
5 perechi de radacini complexe!
ex: z = 19502 ± 1,940 i ; 10 valori (1,10)

2
 2. Obiectul analizei numerice: Stabilitatea algoritmilor. Concluzii privind
conditionarea problemei si stabilitatea algoritmilor.

F(x,y) = 0 (1)
Algoritm: Fn (xn,yn) = 0 (2)…….Kn (xn)
n → ∞ ; yn → y ; Fn (x,y) → F(x,y) => xn → x

Daca numerele de conditie Kn(xn) au acelasi ordin de marime cu K(x) => stabil.
1) trebuie facut distinctie intre conditionarea problemei si stabilitatea algoritmului
2) o problema bine conditionata poate fi rezolvata precis prin orice metoda stabila pentru
problema stabilita. O problema rau conditionata, daca nu are solutie, poate fi
rezolvata numai utilizand precizie multipla (mai mare ca simpla precizie).
3) o metoda instabila utilizata pentru o problema bine conditionata, poate da in primii
pasi rezultate bune, dar da inevitabil rezultate rele dupa un anumit nr de pasi pe
masura ce erorile propagate vor “acoperi” solutia reala. Ex: functia Bessel

3. Reprezentarea numerelor in calculator. Intregi. Reali, reprezentarea in virgula

flotanta. Modele de reprezentare (stiintific, calculator binar).
1) Model de reprezentare (notare stiintifica)
x = 0.0
σ - sigma
x = σ . mantisa . βe
mantisa = 0.a1a2…..ap (a1xβ-1 + a2xβ-2 + …); aj - 0,1,……,(β-1)
σ = +1 sau -1 (semnul) ; e – exponent emin ≤ e ≤ emax
β ≤ mantisa < 1;
-1 β = 2 (8, 16, 10)
2) Reprezentare in calculator binar
β=2
x = 0.0
x = (-1)S x semnificand x 2E
S = 0 (x>0) sau 1 (x<0) - semnul
semnificand = b0.b1b2……bp-1 bj = 0 ; 1; 1 ≤ semnif ≤ 2

fractie
b0 – bit conducator (leading bit); fractia (trailing bits)
semnificand = b0.f
Reprezentarea standard este cu b0=1 si se mai zice normalizata. Semnif = 1.f.
Acest bit nu se mai stocheaza.
E – exponentul reprezentarii; Emin ≤ E ≤ Emax
Observatie:
x = (1)S x 0.b0b1…….bp-1x2E+1

mantisa
e = E+1
Numarul de cifre din mantisa, respectiv din semnif se zice precizia reprezentarii.

3
4. Reprezentarea numerelor in calculator. Reali, reprezentarea in virgula flotanta.
Structura logica a formatului. Formate IEEE.
Baza = 2 ; cifrele 0 si 1; (baza 16; cifre 0,1,…..9,A, ….,F) ; F = (15)16
0 1 0 1 0= 0 2 + 1.21 + 0.22 + 1.23 + 0.24 = 2 + 8 = 10
. 0

(24) (23) (22) (21) (20)

- 10,21 → 3 campuri (semn, nr intreg, zecimale)
O valoare pozitiva se reprezinta ca atare in binar; o valoare negativa se reprezinta
inversand toti bitii valorii pozitive si adunand 1.
Formatele sunt locatii de memorie in care se stocheaza data (de tip nr real).
Reprezentarea se codifica printr-o serie de biti.
Formate IEEE (754 – 1985)
Formate
Parametru
simplu dublu cvadruplu
format, lungime in biti 32 64 128
bitul de semn, lungime in biti 1 1 1
semnificand, lungime in biti (zecimalele) 23 52 112
precizie P, lungime in biti 24 53 113
exponent E, lungime in biti 8 11 15
Emax + 127 + 1023 + 16383
Emin - 126 - 1022 - 16383
Deplasare E (BIAS) + 127 + 1023 + 16383
precizie in cifre zecimale 7 15-16 34
±38 ±308
plaja de reprezentare (aprox) 10 10 10±4932

754/85 754/2008
Real (4)……….Format simplu (S_floating)…….Binary 32
Real (8)……….Format dublu (T_floating)…..….Binary 64
Real (16)……...Format cvadruplu (x.type.F)…...Binary 128
Real (n) : n = 4; 8; 16
x = (semn, exponent, semnificand)

x = (-1)S . sig . 2E
sig = b0b1……bp-1 => p cifre

Format simplu (binary 32)

31 30 23 22 0
S EXPONENT SEMNIFICAND :A
1 8 23 biti
Format dublu
63 62 52 51 0
S EXPONENT SEMNIFICAND :A
1 11 52 biti
Format cvadruplu
127 112 111 0
S EXPONENT SEMNIFICAND :A
1 15 112

4
 A – adresa octetului care contine bitul 0
S-a inlocuit standardul 754 – 2008 – formate binare ( baza 2) si zecimale (baza 10).
bit → 0/1

7 6 5 4 3 2 1 0
octet
(byte)
MSB LSB
x = 240.1308 10 = baza
x = 0.2401308 x 103 e = 3 ….exp → modelul de repr in calculator (notare
stiintifica)
x = 2.401308 x 102 E = 2…..exp → analoaga cu repr in calc binar; b=2

Pentru toate 3 formatele: daca numarul reprezentat nu este 0.0, la exponent se adauga o
valoare (deplasare), incat sa rezulte doar exponenti pozitivi.
x ≠ 0.0 Estocat = E + Depl → (bias)
x = 0.0 E = 0 semn = 0.0
Campul exponent pt Emax si Emin:
Format simplu:

27 21 20
1 1 1 1 1 1 1 1 Emax +1 - cel mai mare nr ce se poate stoca

1 1 1 1 1 1 1 0 Emax (=127)

0 0 0 0 0 0 0 0 Emin - 1 - cel mai mic nr ce se poate stoca

0 0 0 0 0 0 0 1 Emin

nu sunt permise
(doar pt valori speciale)

5
 5. Reprezentarea numerelor in calculator. Formatul IEEE: Valori speciale. Plaja de
reprezentare. Functii intrinseci.
sig=0.0
S 0…………..0 sig - zero cu semn (±0)
sig≠0.0
- numar denormalizat
sig=0.0 - infinit cu semn (±∞)
S 1…………..1 sig
sig≠0.0 - NaN – not a number

Zero cu semn – compilatoarele trateaza 0 ca fiind cu semn. Uzual 0.0 este invizibil.
Numere denormalizate – se plaseaza intre cel mai mic numar negativ in valoare
absouta si cel mai mare numar pozitiv.

Plaja de reprezentare pt Real(4):

-1,4x10-45 1,4x10-45

-3,4x1038 -1,18x10-38 0. 1,18x10-38 3,4x1038

numere denormalizate
numere normalizate
Denormalizarea permite o depasire inferioara graduala (calculele se fac in formatul
extins). Aceasta se realizeaza prin inserarea de biti 0 la inceputul numarului pana se atinge
exponentul minim.

valoare adevarata 1.01…………..x2-129

denormalizare 0.101…………x2-128
denormalizare 0.0101…..……x2-127
denormalizare 0.00101………x2-126

Infinit cu semn: semnul = semnul ce s-ar obtine prin trecerea la limita.

±1.
= ±∞
±0.
0 ∞
Not a number: ; 0 x (±∞) ;
; (+∞) + (-∞)
0 ∞
Functii intrinseci:
- DIGITS – returneaza nr de cifre semnificative (ex 20,123 - 5 cifre semnif)
- EXPONENT – returneaza exponentul unui nr reprezentat in calculator
- FRACTION – returneaza semnificandul unui nr (partea fractionala)
- EPSILON – returneaza cel mai mic numar care adunat la un numar x da un alt
numar mai mare decat x ( x + epsilon > x )
6
 - TINY – cel mai mic numar posibil
- HUGE – cel mai mare numar posibil
6. Reprezentarea numerelor in calculator. Masura erorii de rotunjire: ULP; ε – masina;
eroarea de rotunjire a unitatii.
Eroare = (valoare adevarata – valoare aproximativa)
x = val adevarata; fl(x) = valoare aproximativa => Err (fl(x)) = x – fl(x)
Eroare relativa:
𝑒𝑟𝑜𝑎𝑟𝑒 𝑥−𝑓𝑙(𝑥)
Rel (fl(x)) = =
𝑣𝑎𝑙 𝑎𝑑𝑒𝑣𝑎𝑟𝑎𝑡𝑎 𝑥
ULP = unit in the last place
x > 0 : x = b0.b1……bp-1 x 2E
ULP (x) = 0.0……….01 x 2E = 2-p+1 x 2E
- este numarul care are 1 in bitul ultim (bp-1), 0 in rest si acelasi exponent cu x
ULP(x) = 2-p x 2E+1 = 2-p x 2e . e – in model; E in calculator
- ULP(x) este cel mai mic numar care adunat la x produce prin rotunjire un numar
mai mare decat x: x + ULP(x) > x
ε – masina | Err(fl(x)) | ≤ ½ ULP(x); ½ 2-p ≤ | Rel(fl(x)) | ≤ 2-p = ε – masina
EPS → EPSILON (x)
- cel mai mic numar care adunat la 1, produce un numar FP mai mare ca 1
1.0 + EPS > 1.0; EPS = ULP(1.0) = 2 x ε – masina

7. Erori, surse si propagare: Eroare, eroare relativa, cifre semnificative, relatia cu

eroarea relativa.
xT = val adevarata a lui x; xA = val aproximativa a lui x
Eroarea:
Err (xA) = xT – xA ; | Err (xA) | = | xT – xA | ; | xT – xA | ≤ δ
xA - δ xA xA+δ

xT
xA – δ ≤ xT ≤ xA+δ
Eroarea relativa:
𝐸𝑟𝑟(𝑥𝐴 ) 𝑥𝑇 −𝑥𝐴 𝑥𝑇 −𝑥𝐴
Rel (xA) = = =
𝑥𝑇 𝑥𝑇 𝑈𝐿𝑃(𝑥𝐴 )
Cifre semnificative: (in baza “β”)
x = anan-1………a1a0.a-1a-2……. aj = 0, 1, ……(β-1)
x = an x β +………+ a1 x β + a0 + a-1 x β-1 + a-2 x β-2 +…..
n 1

Cifrele semnificative sunt oricare din cifrele 1 pana la (β-1) care intervin in
reprezentarea pozitionala. Cifra 0 e semnificativa daca nu are rolul urmator: - de a fixa pozitia
punctului in baza β; - de a completa cifrele necunoscute sau omise.
x = 2036 semnificative

x = 0.0020360 poate fi sau nu semnificativ (daca 0 e cifra adevarata pt

10-7 e semnificativa si se scrie, daca nu, nu se mai scriesi se omite)
x = a010k + a110k-1 + ….. + am-110k-m+1 + am10k-m + ……
1 2 m cifra m+1

7
 Se zice ca xA aproximeaza pe x corect cu “m” cifre semnificative daca eroarea
absoluta nu intrece ½ din cea de-a “m”- a cifra semnificativa a lui x.
| Err(xA) | ≤ ½ x 10k-m+1 = 5 x 10k-m
8. Erori, surse si propagare: Surse de erori, eroarea de rotunjire, cazul trunchierii,
exemplu pt β=2.

Sursele de erori sunt: modelarea matematica, greseli/scapari, erori in date (fizice), erori
de rotunjire, erori de aproximare matematica.
Eroarea de rotunjire: este sursa majora de erori pt probleme ca de ex sisteme de
ecuatii liniare. Sunt erorile formulelor de aproximare.
1
√1 + 𝑥 ≅ 1 + 2 𝑥 (… … . )
𝑓(𝑥+ℎ)−𝑓(𝑥)
𝑓′(𝑥) ≅ h = ‘mic’; h=10-2….10-4
ℎ
τ=σ (.a1a2…….anan+1…..) x βe β=nr par ; σ=±1
Se considera reprezentarea unui numar in baza β. Notam fl(x) aproximarea in virgula
flotanta a lui x cu ‘n’ cifre in mantisa.
𝛽
𝜎(. 𝑎1 𝑎2 … . . 𝑎𝑛 )𝑥𝛽 𝑒 , 𝑑𝑎𝑐𝑎 0 ≤ 𝑎𝑛+1 < 2 … … . . 𝑟𝑜𝑡𝑢𝑛𝑗𝑖𝑟𝑒 "𝑖𝑛 𝑗𝑜𝑠"
𝑓(𝑥) = { 𝛽
𝜎(. 𝑎1 𝑎2 … . . (𝑎𝑛 + 1)) , 𝑑𝑎𝑐𝑎 𝑎𝑛+1 ≥ 2 … … . . 𝑟𝑜𝑡𝑢𝑛𝑗𝑖𝑟𝑒 "𝑖𝑛 𝑠𝑢𝑠"
Eroarea:
𝑥 = 𝜎(. 𝑎1 𝑎2 … . . 𝑎𝑛 𝑎𝑛+1 … . )𝑥𝛽 𝑒
𝑓𝑙(𝑥) = 𝜎(. 𝑎1 𝑎2 … . . 𝑎𝑛 )𝑥𝛽 𝑒
𝐸𝑟𝑟 = 𝑥 − 𝑓𝑙(𝑥) = 𝜎(. 00 … . .0𝑎𝑛+1 … . . )𝑥𝛽 𝑒
Eroarea absoluta:
1 1
|𝑥 − 𝑓𝑙(𝑥)| ≤ 𝛽 𝑒−𝑛 = 𝑈𝐿𝑃(𝑥) (1)
2 2
Eroarea relativa:
|𝑥−𝑓𝑙(𝑥)| 1
≤ 2 𝛽 −𝑛+1 (2)
|𝑥|
Ex pt β=2:
𝑥 = 𝜎(0. 𝑏0 𝑏1 … . . 𝑏𝑝−1 )𝑥2𝑒
1 1
|𝑥 − 𝑓𝑙(𝑥)| ≤ 2𝑒−𝑝 = 2−𝑝 2𝑒
2 2
|𝑥−𝑓𝑙(𝑥)| 1
≤ 2 2−𝑝+1 = 2−𝑝 = 𝑒𝑝𝑠𝑖𝑙𝑜𝑛 𝑚𝑎𝑠𝑖𝑛𝑎
|𝑥|
Trunchierea:
𝑓𝑙(𝑥) = 𝜎(. 𝑎1 𝑎2 … . . 𝑎𝑛 )𝑥𝛽 𝑒
Marginile erorilor la trunchiere sunt dublu celor de la rotunjire.
|𝑥 − 𝑓𝑙(𝑥)| ≤ 𝛽 𝑒−𝑛 (3)
|𝑥−𝑓𝑙(𝑥)|
≤ 𝛽 −𝑛+1 (4)
|𝑥|
Obs: - rotunjire:
1 𝑥−𝑓𝑙(𝑥) 1
− 2 𝛽 −𝑛+1 ≤ ≤ 2 𝛽 −𝑛+1
𝑥
- trunchiere:
𝑥−𝑓𝑙(𝑥)
0≤ ≤ 𝛽 −𝑛+1
𝑥

8
 9. Erori, surse si propagare – Propagarea erorilor: Eroarea propagata. Inmultire.
Impartire. Evaluarea functiilor.
Propagarea erorilor: x,y x*y , unde * e operatia aritmetica: “+”, “-“, “x”, “:”
Notam operatia “*” in calcul ∗̂
xT = x ; yT=y ; xT = xA + 𝛿 ; yT = yA + 𝛿
xT * yT → xA ∗̂ yA
eroarea: xT * yT – xA ∗̂ yA = (xT * yT – xA * yA) + (xA * yA – xA ∗̂ yA)
eroare propagata eroare de calcul
Eroarea de calcul e in mod obisnuit eroare de rotunjire sau de trunchiere.
Inmultire: xT . yT – xA . yA ; Rel (xA . yA) ≈ Rel (xA) + Rel (yA)
Impartire: Rel (xA/yA) ≈ Rel (xA) – Rel (yA)
Evaluarea functiilor:
f(x) f(xT) → f(xA)
𝑓(𝑥𝑇 )−𝑓(𝑥𝐴 ) 𝑓 ′ (𝑐)(𝑥𝑇 −𝑥𝐴 ) 𝑓 ′ (𝑐)𝑥𝑇 (𝑥𝑇 −𝑥𝐴 )
= = = 𝑘 𝑅𝑒𝑙 (𝑥𝐴 )
𝑓(𝑥𝑇 ) 𝑓(𝑥𝑇 ) 𝑓(𝑥𝑇 ) 𝑥𝑇
𝑓 ′ (𝑐)𝑥𝑇 𝑓 ′ (𝑥𝐴 )𝑥𝐴
𝑘= ≈ ; Rel (f(xA)) ≈ k Rel (xA)
𝑓(𝑥𝑇 ) 𝑓(𝑥𝐴 )
k = mare => |Rel (f(xA))| >> Rel (xA) Caz rau
k = mic => |Rel (f(xA))| ≈ Rel (xA)
10. Erori, surse si propagare – Propagarea erorilor: Pierdere de semnificatie. Adunare
si scadere. Propagarea erorilor intr-o suma. Sumarea.
La scaderea a 2 numere de valori apropiate eroarea este inerenta calculului cu numere
FP si consta in faptul ca rezultatul are mai putine cifre semnificative decat operanzii. Cifrele “s-
au pierdut”. In unele cazuri, reformularea problemei permite rezolvarea acestei erori.
Adunarea si scaderea:
(xT + yT) – (xA + yA) = (xT – xA) + (yT – yA) ; Err (xA + yA) = Err (xA) ± Err (yA)
|Rel (xA ± yA)| >> Rel (xA) ; Rel (yA)
Propagarea erorilor:
Sn = x1 + x2 +……+ xn xi → fl(xi) - in calculator
̂
Sn → 𝑆𝑛 = suma calculata in calculator
S2 = x1+x2 → 𝑆̂2 =(x1+x2)(1+ε2) ε - epsilon
S3 = S2+x3 → 𝑆̂3 =(𝑆̂2 +x3)(1+ε3)=(x1+x2+ε2(x1+x2)+x3)(1+ε3)= x1+x2+x3+ε2(x1+x2)
= x1+x2+x3+ε2(x1+x2)+ ε3(x1+x2+x3)+ ε2ε3(x1+x2)
ε ~ 10-8 ; ε2ε3 ~ 10-16 => ultimul termen se neglijeaza
Sn - 𝑆̂𝑛 = - x1 (ε2+ε3+…..+εn)
= - x2 (ε2+ε3+…..+εn)
= - x3 (ε3+……...+εn)
…….
= - xn εn
Sumarea: una din cele mai importante operatii. S=∑𝑛𝑖=1 𝑥𝑖 ; P=∑𝑛𝑖=1 𝑥𝑖 𝑦𝑖 ;p(x)= ∑𝑛𝑖=0 𝑎𝑖 𝑥𝑖𝑖

9
 11. Ecuatii neliniare: Metoda si analiza metodei. Ordin de convergenta. Convergenta
liniara.
Ecuatii nelniare de forma: f(x)=0; si x=g(x). O radacina se va nota cu α ; f(α)=0.
Metoda: radacinile se vor gasi printr-un proces iterativ: se construieste un sir x0, x1, …,xn
convergent spre radacina cautata α (xn → α). Termenii acestui sir reprezinta aproximatii ale
radacinii. Metoda cere una sau mai multe aproximatii initiale ale radacinii, presupuse cunoscute.
Ele se gasesc prin metode algebrice, stabilind de ex intervale ce contin radacinile, prin
inspectarea graficului functiei. Analiza trebuie sa dea raspuns la urmat probleme: daca procesul
iterativ este convergent; daca iteratia converge, care este rapiditatea convergentei.
Fie (xn)n≥0 , xn → α. Exista c>0, p>0, oricare ar fi n, a.i. |α – xn+1| ≤ c |α –xn|p. Se zice ca
sirul converge spre α cu ordinul p iar const c = rata convergentei. Caz particular: p=1 conv
liniara, p=2 patratica; p=3 cubica.
Exista 0<c<1 a.i. oricare ar fi n>0, |α – xn+1| ≤ c |α –xn|. Se zice ca e convergenta liniara.
|α – x1| ≤ c |α –x0|
|α – x2| ≤ c |α –x1|
.
|α – xn| ≤ c |α –xn-1|
|α – xn| ≤ cn |α –x0| → 0

12. Radacinile unei ecuatii f(x)=0: Metoda bisectiei. Metoda secantei. Observatii
asupra metodei secantei.
Metoda bisectiei consta in injumatatirea unui interval. Presupunem functia f(x) continua
pe intervalul [a,b]. Exista o singura radacina α pe intervaul [a,b], a.i. f(α)=0.
y

a x1 x3 x2
α b
x

(b-a)/2 (b-a)/2

(b-a)/22 (b-a)/22

(b-a)/23 (b-a)/23
x1, x2, ……., xn → α
f(a).f(b) < 0 pentru a exista solutia α, iar f(α)=0.
α – xn ≤ ε ; ε = 10-6
𝑏−𝑎
|α – xn | ≤ → 0 , sau xn → α , daca n → ∞
2𝑛
Avantaj – eroarea descreste monoton cu fiecare pas. Dezavantaj – convergenta este
inceata.

10
 Metoda secantei: Functia f(x) este continua si exista functiile f’ si f” continue pe o
vecinatate a lui α.
f ’ (α) ≠ 0 ; x0 si x1 sunt aproximatiile initiale suficient de apropiate de α.
1+√5
Sirul xn → α convergent, cu ordinul de convergenta 𝑝 = = 1,618
2
𝑥𝑛 −𝑥𝑛−1
𝑥𝑛+1 = 𝑥𝑛 − 𝑓(𝑥𝑛 ) 𝑓(𝑥
𝑛 )−𝑓(𝑥𝑛−1 )

Avantaje – metoda cere numai o evaluare a lui f(x) la un pas si anume f(xn), intrucat
f(xn-1) este calculat la pasul anterior. Convergenta este mult mai rapida.
Dezavantaj – metoda nu converge daca x0 si x1 nu sunt suficient de apropiati de α.

13. Radacinile unei ecuatii f(x)=0 – Metoda Newton: Metoda, convergenta, estimarea
erorii, comparatie cu metoda secantei.

Functia f este continua; f’ si f” continue pe o vecinatate a lui α ; f ’ (α) ≠ 0. Cunoastem o

aproximatie initiala x0 suficient de aproape de α.
Se duce o tangenta la graficul functiei in x0 , intersectia tangentei cu axa x fiind luata ca
aproximatie urmatoare x1 a radacinii. Tangenta este defapt derivata.

𝑓(𝑥 )
𝑥𝑛+1 = 𝑥𝑛 − 𝑓′ (𝑥𝑛 )
𝑛
Sirul xn → α convergent, cu ordinul de convergenta p=2.
Pentru n “mare” (xn apropiat de α), α - xn ≈ xn+1 - xn . Asadar: |α – xn| ≤ ε se inlocuieste
cu |xn+1 – xn| ≤ ε
Metoda Newton face mai multe calcule pe un pas: se evalueaza f(x) si f ’(x). Metoda
secantei evalueaza numai f(x). Metoda Newton cere mai putine iteratii, ordinul fiind p=2. Trei
pasi ai metodei secantei sunt egali cu 2 pasi ai metodei Newton. Aceasta metoda prezinta
avantajul simplitatii in aplicare.
11
 14. Radacini multiple ale ecuatiei f(x)=0: Definitii, probleme, Metoda Newton, Metoda
Newton modificata, determinarea ordinului de multiplicitate.
α = radacina multipla cu ordin de multiplicitate = r
f(x) = (x- α)r h(x); h(α)≠0
f(α) = f ’(α) = ….= f(r-1) (α) = 0 ; f r(α)≠0
Probleme: - metodele care pt o radacina simpla au ordin de convergenta p>1, duc la
p=1 pt radacini multiple.
- incertitudinea radacinii e mai mare decat pt una simpla. Se elimina doar
analitic, cautand radacina, ca radacina simpla in derivata lui f(x).
Metoda Newton modificata se realizeaza a.i. p=2, punand in formula:
𝑓(𝑥 )
𝑥𝑛+1 = 𝑥𝑛 − 𝑟 𝑓′ (𝑥𝑛 ) , dar incertitudinea nu se elimina in acest fel.
𝑛
1
Rata convergentei este 𝜆 = 1 − 𝑟
15. Radacinile unui polinom: Calculul valorii polinomului, reducerea gradului, metoda
Newton pt polinoame. Algoritmi – strategii.
p(x) = a0 + a1x + a2x2 + ……+ anxn ; an ≠0
n; {a0, a1, …, an} sunt elemente definitorii ale polinomului, sunt date de intrare.
Calculul valorilor:
a) forma data: se calculeaza p(x) = a0 + a1x + a2(x)x + ……+ an (xn-1)x
b) forma imbricata:
p(x) = a0 + a1x + a2x2 + a3x3= a0 + x(a1 + a2x + a3x2)= a0 + x(a1 + x(a2 + a3x))
p(x) = a0 + x(a1 + x(………..+ x(an-1 + anx))….)
bn
bn-1
b1
b0
bn = a n
bn-1 = an-1 + xan = an-1 +xbn
.
bk = ak + xbk+1
.
b0 = a0 + xb1 = p(x) ; k=n-1, n-2, …., 0

Reducerea gradului:
p(x) = (x-a)q(x) + p(a) a – radacina; p(a)=0
p(x) = (x-a) q(x) câtul
n-1
bn = a n
bk = ak + ξ.bk+1 ; k = n-1, n-2, …, 0
=> b0 = p(ξ)
Definim polinomul q(x) = b1 + b2x + ….+ bnxn-1 . Observam ca bk = bk (ξ), deci
q(x) = q(x; ξ).
q(x; ξ) este catul impartirii polinomului p(x) la (x-ξ)
Oricare ar fi x; ξ p(x) = (x- ξ) q(x;ξ) + p(ξ) prin derivare =>
p’(x) = q(x;ξ) + (x-ξ) q’x (x;ξ)
x = ξ p’(ξ)=q(ξ; ξ)

12
 Metoda Newton:
𝑝(𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 − ; n ≥0; x0 = determinat
𝑝′ (𝑥𝑛 )
Aplicam derivatele - calculam valoarea lui p si p’
- calculam suplimentar p’
p si p’ sunt calculate in forma imbricata pt precizie.
𝑝(𝑥𝑛 )
𝑥𝑛+1 = 𝑥𝑛 − 𝑞(𝑥
𝑛 ; 𝑥𝑛 )
Strategii:
1) reducerea gradului => radacina numarul 1; se cauta radacinile lui q(x)
2) iteratie in polinomul original

16. Radacinile unui polinom: Radacini complexe: Metoda Laguerre. Stabilitatea

radacinilor. Exemple.
E o metoda eficienta pentru calcularea radacinilor reale sau complexe ale unui
polinom. Radacinile complexe se pot calcula si cu metoda Newton, declarandu-se de tip
complex atat coeficientii ak cat si variabila z + valoarea polinomului. Dezavantajul e ca pt
radacini complexe trebuie oferite aproximatii complete.
𝑛∙𝑝(𝑧𝑖 ) 2
𝑧𝑖+1 = 𝑧𝑖 − ; 𝐻(𝑧) = (𝑛 − 1)[(𝑛 − 1) ∙ 𝑝′ (𝑧) − 𝑛 ∙ 𝑝(𝑧) ∙ 𝑝" (𝑧)]
𝑝′ (𝑧𝑖 )±√𝐻(𝑧𝑖 )
Semnul dinaintea radicalului se ia a.i. numitorul sa fie cel mai mare, deci semnul lui 𝑝′ (𝑧𝑖 )
Ordinul este = 3 pentru radacina simpla, si 1 pt multipla.
Utilizatorul nu trebuie sa ofere aproximatii initiale, ele sunt calculate de catre program.
Stabilitatea radacinilor:
p(x) = a0 + a1x + a2x2 + ……+ anxn
q(x) = b0 + b1x + ….+ bnxn
Se construieste polinomul perturbat: 𝑝̃(𝑥) = 𝑝(𝑥) + 𝜀 ∙ 𝑞(𝑥) ultimul termen = perturbatie
zi = radacina lui p(x)=zi(0), deci ε=0; zi (ε)= radacina lui 𝑝̃(𝑥)
𝑞(𝑧 )
𝑧𝑖 (𝜀) − 𝑧𝑖 = −𝜀 𝑝′ (𝑧𝑖 ) + 𝑂(𝜀 2 ); 𝑂(𝛿) → 0 ;
𝑖
|𝑞(𝑧 )|
|𝑧𝑖 (𝜀) − 𝑧𝑖 | ≈ |𝜀| |𝑝′ (𝑧𝑖 )| ; se neglijeaza 𝑂(𝜀 2 )
𝑖
|𝑧𝑖 (𝜀)−𝑧𝑖 | |𝑞(𝑧𝑖 )|
≤ |𝑝′ (𝑧 )| => |𝑧𝑖 (𝜀) − 𝑧𝑖 | ≤ 𝑘|𝜀| ; k - nr de conditie; |𝜀|- perturbatia
|𝜀| 𝑖
perturb in radacina
k = mic rezulta radacina stabila; k = mare - instabila
Exemplu:
p(x)=(x-1)(x-2)….(x-7)=x7 – 28x6 + ….
q(x) = x6 ; ε= - 0,002
𝑝̃(𝑥)=x7 – 28,002x6 + …..
Vom avea 5 radacini reale si 2 complexe: 5,459±0,540i

13
17. Sisteme de ecuatii neliniare: Definitii, norme ale unui vector si ale unei matrici.
Calculul normei euclidiene.
Avem necunoscuta :
𝑥1
𝑥2 𝑓1 (𝑥1 , 𝑥2 , … . , 𝑥𝑛 ) = 0
. 𝑓1 (𝐱) = 0
𝑓2 (𝑥1 , 𝑥2 , … . , 𝑥𝑛 ) = 0
x=(x1,x2,…,xn) ; 𝐱 = . { → { …….
…………
. 𝑓𝑛 (𝐱) = 0
𝑓𝑛 (𝑥1 , 𝑥2 , … . , 𝑥𝑛 ) = 0
[𝑥𝑛 ]
𝑓1 (𝑥1 , 𝑥2 , … . , 𝑥𝑛 ) 𝑓1 (𝐱)
𝑓2 (𝑥1 , 𝑥2 , … . , 𝑥𝑛 )
. .
𝐟(𝐱) = =
. .
. .
[𝑓𝑛 (𝑥1 , 𝑥2 , … . , 𝑥𝑛 )] [𝑓𝑛 (𝐱)]
0 𝛼1
Daca α=solutie a sistemului => f(α)=0 ; 𝟎 = [ . ] ; 𝛂 = [ . ]
0 𝛼𝑛
𝑥1 (0) 𝑥1 (𝑘)
𝑥2 (0) 𝑥2 (𝑘)
𝐱 (𝟎) = . ; 𝐱 (𝒌) = . ; 𝐱 (𝒏) → 𝐱 (𝒌)
. .
. .
(0)
[𝑥𝑛 ] [𝑥𝑛 (𝑘) ]
𝑔1 (𝑥1 , 𝑥2 , … . , 𝑥𝑛 )
𝑔2 (𝑥1 , 𝑥2 , … . , 𝑥𝑛 )
.
𝐱 = 𝐠(𝐱); 𝐠(𝐱) =
.
.
[𝑔𝑛 (𝑥1 , 𝑥2 , … . , 𝑥𝑛 )]
∝1 = 𝑔1 (𝑥1 , 𝑥2 , … . , 𝑥𝑛 )
𝛂 = 𝐠(𝐱) → {
…………
∝𝑛 = 𝑔𝑛 (𝑥1 , 𝑥2 , … . , 𝑥𝑛 )
Norma unui vector:
𝜗 = spatiu vectorial : Rn ; Cn
𝑥 ∈ 𝜗 => 𝑥 este vector
𝑥1
𝑥2
.
𝑛
𝐗∈𝐑 ; 𝐗= . 𝑥𝑖 ∈ 𝐑

.
[𝑥𝑛 ]
Norma e o aplicatie notata ‖∙‖: 𝜗 → 𝐑 +
𝐱 → ‖𝐱‖ ∈ 𝐑; ‖𝐱‖ ≥ 0

14
 Axiomele normei:
1) ‖𝐱‖ ≥ 0 𝑠𝑖 ‖𝐱‖ = 0 ↔ 𝐱 = 0
2) ‖λ ∙ 𝐱‖ = |λ| ∙ ‖𝐱‖ , oricare ar fi λ (lambda) scalar
3) ‖𝐱 + 𝐲‖ ≤ ‖𝐱‖ + ‖𝐲‖
Exemple:
‖𝐱‖1 = ∑𝑛𝑖=1|𝑥𝑖 | - norma 1
‖𝐱‖2 = (∑𝑛𝑖=1|𝑥𝑖 |2 )1/2 - norma 2 (euclidiana)
‖𝐱‖𝑝 = (∑𝑛𝑖=1|𝑥𝑖 |𝑝 )1/𝑝 - norma p
daca p→∞ ‖𝐱‖∞ = max|𝑥𝑖 | norma ∞
𝑖=1,𝑛
Consideram matricea patratica A - nxn
4) ‖𝐀 ∙ 𝐁‖ ≤ ‖𝐀‖ ∙ ‖𝐁‖
5) ‖𝐀 ∙ 𝐱‖ ≤ ‖𝐀‖ ∙ ‖𝐱‖

‖𝐀‖∞ = max ∑𝑛𝑗=1|𝑎𝑖𝑗 | norma ∞ (liniilor)

𝑖
‖𝐀‖1 = max ∑𝑛𝑖=1|𝑎𝑖𝑗 | - norma 1 (coloanelor)
𝑗
‖𝐀‖2 = [𝜌(𝐀∗ ∙ 𝐀)]1/2 - norma 2 (euclidiana) 𝜌 − 𝑟𝑜

18. Sisteme de ecuatii neliniare: Metoda punctului fix. Convergenta. Conv de ordinul
2. Procedura explicita de punct fix. Iterarea cu matricea constanta A.

Ecuatii de forma: 𝐱 = 𝐠(𝐱)

Metoda consta in construirea sirului:
𝐱 (𝟎) = [𝑥1 (0) , 𝑥2 (0) , … … . . , 𝑥𝑛 (0) ]; - aproximatia initiala data
𝐱 (𝑛+1) = 𝐠(𝐱 (𝑛) ) ; n ≥ 0 (n) = indicele iteratei
Convergenta procesului iterativ e asigurata de conditiile:
1) 𝐠 este contractanta :
‖𝐠(𝐱) − 𝐠(𝐲)‖ ≤ 𝜆 ∙ ‖𝐱 − 𝐲‖; 𝜆 < 1
distanta imaginilor distanta intre x si y
(𝟎)
2) 𝐱 – suficient de aproape de radacina α
Convergenta de ordin 2:
Presupunem G(α) = 0
𝜕𝑔𝑖
(𝛼) = 0
{𝜕𝑥𝑗
𝑖, 𝑗 = 1, 𝑛
Se demonstreaza in plus ca daca exista derivate de ordin 2, marginite pe 𝜌
𝜕 2 𝑔𝑖
max | | ≤ 𝑀1 ; atunci:
𝑖,𝑗 𝜕𝑥𝑗 𝜕𝑥𝑘
‖𝐠(𝐱) − 𝛂‖ ≤ 𝑀 ∙ ‖𝐱 − 𝛂‖2 => p=2

15
 Procedura explicita de punct fix:
Consideram sistemul de forma f(x)=0 si vrem sa-l transformam intr-un sistem de
forma: 𝐱 = 𝐠(𝐱)
Fie matricea A=A(x) n x n ; arbitrara dar nesingulara.
Definim: g(x) = x – A(x).f(x) ; A fiind nesingulara x = g(x) ↔ f(x)=0
Iterare cu matrice constanta A:
A(x)=A ; g(x)=x–A.f(x). Se verifica imediat ca jacobianul lui g este dat de:
G(x)=I–A.F(x) , unde I este matricea unitate, iar F(x) – jacobianul lui f
𝝏𝒇𝒋
𝐅(𝐱) = [ ]
𝝏𝒙𝒌
Iteratia va converge daca elementele matricii G(x) sunt suficient de mici si x(0)
suficient de aproape de α.
Cerem G(α)=0 rezulta A.F(α)=I, sau A=[F(α)]-1
Cum α nu este cunoscut, luam α=x(0) , rezulta A=[F(x(0))]-1
Iteratia va fi definita de : x(n+1) = x(n) – A.f(x(n))
Procedura se zice iterare cu matricea constanta A.

19. Sisteme de ecuatii neliniare: Metoda punctului fix: Schema practica de iterare.
Metoda Newton. Convergenta. Schema practica de iterare. Metode cvasi-Newton.

Schema practica (pt punct fix):

Metoda punctului fix se aplica pentru ecuatii de forma: 𝐱 = 𝐠(𝐱). Metoda consta in
construirea sirului:
𝐱 (𝟎) = [𝑥1 (0) , 𝑥2 (0) , … … . . , 𝑥𝑛 (0) ]; - aproximatia initiala data
𝐱 (𝑛+1) = 𝐠(𝐱 (𝑛) ) ; n ≥ 0 (n) = indicele iteratei
𝐱 (𝑛) → 𝜶 ; 𝐱 (0) 𝒆𝒔𝒕𝒆 𝒂𝒑𝒓𝒐𝒂𝒑𝒆 𝒅𝒆 𝜶
−1
𝐱 (𝑛+1) = 𝐱 (𝑛) − [𝐅(𝐱 (0) )] ∙ 𝐟(𝐱 (𝑛) )
Se evita inversarea matricii prin inmultire cu 𝐅(𝐱 (0) )
−1
⏟(𝑛+1) − 𝐱 (𝑛) = −[𝐅(𝐱 (0) )]
𝐱 ∙ 𝐟(𝐱 (𝑛) ) | ∙ 𝐅(𝐱 (0) )
𝛿∙ 𝐱 (𝒏+𝟏)
(0)
𝐅(𝐱 ) ∙ 𝛿𝐱 (𝑛+1)
= −𝐟(𝐱 (𝑛) )
{ - schema practica de iterare
𝐱(𝑛+1) = 𝐱(𝑛) + 𝛿𝐱 (𝑛+1)

iteratie curenta (noua) iteratie anterioara (veche) corectie

Metoda Newton:
Este metoda punctului fix cu actualizarea matricii A la fiecare pas.
𝜶 ≈ 𝐱 (𝑛)
−1
formula de iterare: 𝐱 (𝑛+1) = 𝐱 (𝑛) − [𝐅(𝐱 (𝑛) )] ∙ 𝐟(𝐱 (𝑛) )
Se demonstreaza ca rezulta ordin de convergenta p=2.
p=1 implica 𝜶 ≈ 𝐱 (0)
1<p<2…….matricea A actualizata dupa 3-4 pasi
p=2 ……. matricea A actualizata la fiecare pas

16
 Schema practica:
𝐅(𝐱 (𝑛) ) ∙ 𝛿𝐱 (𝑛+1) = −𝐟(𝐱 (𝑛) )
{
𝐱(𝑛+1) = 𝐱(𝑛) + 𝛿𝐱 (𝑛+1)
Iteratia se opreste prin testul: ‖𝛿𝐱 (𝑛+1) ‖ ≤ 𝑒𝑝𝑠, unde toleranta eps este aleasa
dinainte. Obisnuit se adauga s testul [numar de iteratii ≤ NLIM], unde NLIM este numarul limita
precis de iteratii.
Calculul numeric al derivatelor partiale:
𝜕𝑓𝑗 𝑓𝑖 (𝑥1 ,…..,𝑥𝑘−1 ,𝑥𝑘 +ℎ,𝑥𝑘+1 ,…..𝑥𝑛 )−𝑓𝑖 (𝑥1 ,…..,𝑥𝑘−1 ,𝑥𝑘 ,𝑥𝑘+1 ,…..𝑥𝑛 )
=
𝜕𝑥𝑘 ℎ
h = “mic”, insa nu se ia excesiv de mic pentru a nu duce la erori de rotunjire mari.
Pentru a mentine convergenta patratica (p=2), h trebuie sa indeplineasca conditia:
|ℎ| ≤ 𝐶 ∙ |𝑓𝑖 |, unde C este o constanta pozitiva
Daca jacobianul 𝐅(𝐱 (𝑛) ) este inlocuit cu o aproximatie a acestuia, 𝐅(𝐱 (𝑛) ) → 𝐁,
metodele se numesc Newton nemodificate sau cvasi-newton.

20. Sisteme de ecuatii liniare: Consideratii generale, eliminarea Gauss, pivotare in

eliminarea Gauss.

Metodele sistemelor de ecuatii liniare de forma:

𝑎11 𝑎12 … 𝑎1𝑛 𝑥1 𝑏1
𝑎21 𝑎22 … 𝑎2𝑛 𝑥2 𝑏2
[… … … … ] ∙ [ … ] = [ ], adica A.X=b
…
𝑎𝑛1 𝑎𝑛2 … 𝑎𝑛𝑛 𝑥𝑛 𝑏𝑛
se bazeaza pe metode directe (procedee de eliminare) sau indirecte (iterative).
Eliminarea Gauss:
In prima etapa numita triangularizare (substitutie inainte) se elimina succesiv in n-
1 pasi necunoscutele xi , i=1,2…n-1, ceea ce duce la eliminarea elementelor situate sub
diagonala principala a matricei A. Ca rezultat este matricea superior triunghiulara.
𝑎𝑖1
Se inmulteste fiecare termen din prima linie cu 𝑚𝑖1 = , scazandu-se din termenii
𝑎11
liniilor urmatoare aceasta valoare. Va rezulta:
𝑎11 𝑎12 … 𝑎1𝑛
𝑥1 𝑏1
(1) (1) (1)
0 𝑎22 … 𝑥2
𝑎2𝑛 𝑏2
… … … … ∙ […] = … ,
(1) (1)
[ 0 𝑎𝑛2 … 𝑎𝑛𝑛 ] 𝑥𝑛 (1)
[𝑏𝑛 ]
(1) 𝑎 (1) 𝑎
𝑎𝑖𝑗 = 𝑎𝑖𝑗 − 𝑖1 𝑎1𝑗 ; 𝑏𝑖 = 𝑏𝑖 − 𝑖1 𝑏1
𝑎11 𝑎11

(𝑘)
𝑎𝑖𝑘
Tot la fel mai departe urmatoarele linii cu 𝑚𝑖𝑘 = (𝑘) ; i=(k+1),….,n. Va rezulta:
𝑎𝑘𝑘

𝑎11 𝑎12 𝑎13 … 𝑎1𝑛 𝑏1

(1) (1) (1)
𝑥1
(1)
0 𝑎22 𝑎23 … 𝑎2𝑛 𝑥2 𝑏2
0 0
(2)
𝑎33 … 𝑎3𝑛
(2)
∙ 𝑥3 = 𝑏3
(2)

… … … … … … …
(𝑛−1) [𝑥𝑛 ] (𝑛−1)
[ 0 0 … … 𝑎𝑛𝑛 ] [𝑏𝑛 ]
17
 (𝑘)
Este important ca 𝑎𝑘𝑘 ≠ 0 , adica elementul diagonala sa fie diferit de 0. Daca
(𝑘)
totusi se intampla 𝑎𝑘𝑘 = 0, se va permuta aceasta linie cu linia urmatoare, se va face o
pivotare. Matricea A va fi defapt A’ cu liniile permutate.

In final A.X=b devine U.X=g

(𝑛−1)
𝑏𝑛
𝑥𝑛 = (𝑛−1) ;
𝑎𝑛𝑛
(𝑛−2) (𝑛−2)
𝑏𝑛−1 −𝑎𝑛−1,𝑛 ∙𝑥𝑛
𝑥𝑛−1 = (𝑛−2)
𝑎𝑛−1,𝑛−1
sau mai poate deveni si L.X=h (substitutie inainte);
L = matrice triunghiulara inferioara (deasupra e zero, pe diagonala e 1); iar U = matrice
triunghiulara superioara (dedesubt e zero)
Operatiile sunt inmultire si impartire, urmate de adunare si scadere.
𝑛3 𝑛
1) A → U − 𝑜𝑝𝑒𝑟𝑎𝑡𝑖𝑖
3 3
𝑛2 𝑛
2) b → g − 𝑜𝑝𝑒𝑟𝑎𝑡𝑖𝑖
2 2
𝑛2 𝑛
3) Ux=g + 𝑜𝑝𝑒𝑟𝑎𝑡𝑖𝑖
2 2
𝑛3 𝑛
total = + 𝑛2 − 𝑜𝑝𝑒𝑟𝑎𝑡𝑖𝑖
3 3
n = “mare” rezulta numarul de operatii Gauss = n3 / 3

Proces Numar operatii ex n=10

Gauss 1 3 430
𝑛
3
inversarea unei matrici 4 3 1330
𝑛
3
inversarea a 2 matrici n3 1000
rezolvarea sistemului cu (n+1)! 40.000.000
regula Cramen

Factorizarea LU e o modificare a metodei eliminarii, prin care matricea A este

transformata intr-un produs de 2 matrici L si U.

18