SisLinMI EjR PDF

Asignatura Cálculo Numérico Página 1 de 4
UNIVERSIDAD DE OVIEDO Tema Sistemas Lineales

Materia Met.Iterativos: convergencia J y GS
DEPARTAMENTO DE MATEMÁTICAS Fecha Diciembre 2000
Autor César Menéndez Fernández
Ejercicio 1.- Se desea resolver por un método iterativo el sistema lineal Ax  b del que se
conocen las siguientes características sobre sus coeficientes:
n
aii    aij , i  1, n con   1 0    aii , i  1, n
b 
j 1 
j i
donde las constantes ,  y  son conocidas.
(a) Demostrar que el método de Jacobi es convergente.
(b) Obtener, dependiendo de ,  y , el número de iteraciones necesarias para obtener

 0
un error menor que  partiendo de x  0.
(c) Realizar 3 iteraciones exactas del método de Jacobi para resolver el sistema
 4 1 0   x1   9 4 
     7 
 1 4 1  x2    4 
 0 1 4   x   5 
  3   4 
Acotar el error cometido utilizando la  1 y compararlo con el error real

sabiendo que x=(0.5, -0.25, 0.25).
(d) ¿Qué se puede decir en el sistema anterior sobre la convergencia del método de
Gauss-Seidel?.
Apartado (a) Convergencia del método
Dado un método iterativo de la forma x k 1  Kx  k   c , se ha demostrado que el método

converge cuando se cumple alguna de las siguientes condiciones:
 x   : lim x   x =A -1  b .
0 k
n 
 lim K n  0
n 
 ||K||<1 para alguna norma matricial

 (K) <1
Los valores de K y c del método de Jacobi, estan dados por K  D -1  L  U  y c  D -1b , esto es,
SLMI_Ej01r.doc
 0  a12  a13   a1n

 b1 a11 
 a11 a11
 b 
a11
  a12 2 0  a23
  a2 a22 
n
 2 a22 
 a2 a22
  
K    a13 3  a32
0  a3n  y c   b3 a3 
 a3 a33

3
a3 3
  
     
  a1   bn an 
 n an  an2  an3
0   n
 n ann ann
n
y por tanto K  max  aij
 1  1 , lo que demuestra que el método es convergente.
 1 i  n j 1 aii 
j i
Apartado (b) Número de iteraciones
Dado un método iterativo para el que K  1 , se tiene la siguiente acotación del error cometido
k
k  K
xx  x1  x 0
1 K
Como x   0 , entonces x1  Kx  0  c  c y x    x

0
 c . Por tanto
0 1
max bi 
c  max bi
 1 i  n

 1 i  n aii
min a i
i

1i  n
k
k  K
Para garantizar que x  x   se debe verificar que c   , esto es
1 K
 1 
k k 
K   log  1 
c      k  1 
1 K 1  1     1  k 1 log 
Apartado (c) Aplicación
 4 1 0   x1   9 4  0 1
4 0  9 16 
     7 
Dado el sistema  1 4 1  x2    4  se tiene que K   1 4 0 1  y c   7 
4  16 
 0 1 4   x   5  0  5 
  3   4   0  16 
1
4
El cálculo de las sucesivas iteraciones viene dado por

 k 1 k 
 x1  0 1
4 0  x1   9 16 
   1  x   
 x2    14 0 4  2    7 16 
x  0 0   5 
 3   x3   16 
1
4
Tomando x   0 se van obteniendo

0
SLMI_Ej01r.doc
1
 x1  0 1
4 0   0   9 16   9 16 
  1 1   0    7    7 
 x2    4 0 4     16   16 
x  0 0   0   16   5 16 
    
 3 
1 5
4
 2
 x1  0 1
4 0   9 16   9 16   29 64 
   1   7    7    14 
 x2    14 0 4   16   16   64 
x  0 0   16   16   13 64 
    
 3 
1 5 5
4
 3
 x1   0 1 4 0   29 64   9 16   65 128 
  1 1   14   7   35 
 x2    4 0 4   64    16    128 
x   0 1 0   13   5   33 
 3  4   64   16   128 
El error real será por tanto
 1 2   65 128   3 4096 
     2  1
x  x
3
  1 4    35 128    4096  
3
4096  2
4096  3
4096   0.0020
1
 1   33  3  512
 4   128  1  4096  1
k
k  K
Para acotar el error se utiliza la relación x  x  x 1  x  0 donde
1 K
K 1 K 
 max  0  1
4 0, 1
4 0 1
4 ,0 1
4  0   12
x   x
0
 c     2116
1 9 7 5
16 16 16
y la cota vendrá dada por

 12  21  21  0.0820
3
xx  3
  16 
1   12  256
cuyo valor es muy superior al error real obtenido.
Puesto que se conoce la solución exacta, también se podría haber utilizado la expresión
x  x
k
 K
k
x  x
0
 x  x
3
1
  12  x 1   12 
3 3
 1
2  1
4  1
4  1
16  0.0625
Apartado (d) Método de Gauss-Seidel
De las condiciones iniciales se observa que la matriz es de diagonal estrictamente dominante, por
lo que el método de Gauss-Seidel también será convergente. Es más, puesto que la matriz es
tridiagonal, podemos comprobar que   K J     K GS  .
2
0 1
4 0  1  0 
   
KJ   14 4   P  K J     8     2    KJ  
3
8
0 1 1 1 1
8
0   
 3  8 
1
 0
1
4
SLMI_Ej01r.doc
1
 4 0 0 0 1 0 0 1
4 0  1   2  0
      
  1 4 0   0 0 1    0 4   P  K GS     8    3  18
3 2
K GS 1
16
1 1
 0 1 4   0 0 0   0 1    K   1
     16  
1
64 GS 8
SLMI_Ej01r.doc
Materia Convergencia GS con matrices DD
Ejercicio 1.- Demostrar que el método de Gauss-Seidel es convergente cuando la matriz del
sistema es de diagonal dominante y hay al menos una fila con diagonal estrictamente dominante.
Apartado (a) Convergencia del método
Se va a demostrar por inducción, suponiendo que la fila con diagonal estrictamente dominante es
la primera, a partir de la expresión de la matriz de iteración B =D-1  L  U 
N=2
 a11 a12   a11  a12


A 1 2
con 
 a2 a2   a2  a2
2 1
 a11 0 0  a12 
 D  L
1
   a1
1
 1 22 1 
B
 0  a12
a11  B
 a12 


 max  a12
a11
, a12 a12
a11 a22 
 a1a2 a22   a11 a22 
a12 a12 a12

puesto que a11
 1 , también a11 a22
 1 y por tanto B 
 1 y el método es convergente.
N=3
 a11  a12  a13
 a11 a12 a13  
  
A   a12 a22 a23  con  a22  a12  a23
 a31 a32 a33   3
  a3  a3  a3
1 2
 11 0 0 0  a12  a13 
 a1   a11 a11 
 0   B   0
 
 D  L    a11a22
1  a12 a12 a12 a13 a12
 aa22
3
1
a22 a11a22 a11a22 2 
 a12 a32  a22 a13  a32 1    a12 a12 a32  a22 a13  a13 a12 a32  a22 a13 2 
 a1a 2 a3  0 
3
 aa22 a3
 123 a 2 3
a
2 3 a3 
3
 a11 a22 a33 a11 a22 a33 2 a33 
Calculando los máximos por filas

 a12  a13 a12  a13
a11
 a11
 a11
1
a12 a12
 a13 a12
 aa22 
3
a12 a12
 a13 a12
 a23
 a12  a12  a13  a23

a12  a23
1
 
a11a22 a11a22 2 a11 a22 a11 a22 a22 a22
 a11
 a22 a22
 a12 a12 a32  a22 a31  a13 a12 a32  a22 a31 3
a32 a12  a13 a12 a32  a22 a13 a23 a32 a32 a12  a23 a13 a32 a31
a11 a22 a33
 a11 a22 a33
 aa22 a33
 a11 a22 a33
 a22 a33
 a33 a22
 a33
 a33
 a33
1
2
se llega a que B 
N=4
SLMI_Ej02r.doc
 a11  a12  a13  a14

a 1
1 a 2
1 a 3
1 a 
4
1 
   a22  a12  a23  a24

1 2 3 4
a a a a 
A 2 2 2 2
con 
a 1 2 3 
4
 a31  a32  a34
 a3
3
a a a
 3 3 3

3
a
1
a 2
a 3 4
a   4
4 4 4 4
 a4  a14  a42  a43
 1
a11
0 0 0
 
  a12 1
0 0
 
1 2
a22
 D  L  
1 a 1 a2
a12 a32  a22 a13  a32 1

0
 a11a22 a33 a22 a33 a33 
 a2 a3 a4  a2 a33a42  a22 a13a43  a22 a33a14 a32 a43  a33a42  a43 
 1 
1 2 3 1
 a11a22 a33 a44 a22 a33 a44 a33a44 a44 
0  a12  a13  a14 

 a11 a11 a11 
0 a12 a12 a13 a12
 aa22
3
a14 a12 a24
 a2 
 a11 a22 a11 a22 a11 a22 
 B
2 2
4 
 a12  a13 a23 a32  a1 3
4 4 2
0 a11
13 a11
13  a22 a33 a11
1  aa22 aa33  aa33 
 
2 3 3
0 a12 a13 a34 a43


3
a14 4 a24 4
14 14  aa22  42 1 1  2  2  3
 a11 a11 2 a1 a2 a3 a4 
4
a12 a32 a13 a32 a43 a42 a12 a32 a43 a12 a42 a13 a43 a14
donde 13  a22 a33
 a33
,  42  a33 a44
 a44
y 14  a22 a33 a44
 a22 a44
 a33 a44
 a44
Comenzamos calculando
 a13 2
a12 a13 a32 a12
13  a33
 aa33 a22
 a33
 a33 a22
3
 a42 a43 a32 a42 a43 a32

 4
2 a44
 a4 a33
 a44
 a44 a33
4
14  a14
a44
 aa44
4
2
a12
a22
 aa44
4
3
 a13
a33
 aa33
3
2
a12
a22  a14
a44
 a42
a44
a12
a22
 a43
a44
13
Y usamos el resultado para obtener los máximos por filas

 a12  a13  a14 a12  a13  a14
a11
 a11
 a11
 a11
1
a12 a12 a13 a12 3

a14 a12 4
a12 a12  a13  a14 a23 a24 a12  a23  a24
a11a22
 a11a22
 aa22  a11 a22
 aa22  a22 a11
 a22
 a22
 a22
1
2 2
 a12  a13 3
a32  a14 4
a32 4 a12  a13  a14 a23 a32 a24 a32 a34
a11
13  a11
13  aa22 a33
 a11
13  aa22 a33
 aa33  13 a11
 a22 a33
 a22 a33
 a33

2 2 3
a23 a32 a24 a32 a34 a13 a32 a12  a23  a24 a34 a13  a32  a34
 13  a22 a33
 a22 a33
 a33
 a33
 a33 a22
 a33
 a33
1
SLMI_Ej02r.doc
a12 a13 3
a14 4 4
a43 a12  a13  a14 a23  a24 a34 a43
a11
14  a11
14  aa22  42  a11
14  aa22  42  aa33 4  14 a11
  42 a22
 a33 a44

2 2 3 a4
 14   24
a23  a24
a22
 a34 a43
a33 a44
 a14
a44
 a42
a44
a12
a22
 a43
a44  a13
a33
 a32
a33
a12
a22 
 a42
a44
 a43
a44
a32
a33  a23  a24
a22
 a34 a43
a33 a44

 a14
 a42 a12  a23  a24
 a43  a13
 a32 a12  a23  a24
 a34  a14
 a42
 a43 a13  a32  a34

a14  a42  a43
1
 
a44 a44 a22 a44
 a33 a33 a22 a33
 a44 a44 a44 a33 a44
se llega a que B 
Falta demostrar la inducción (supuesto n verificar para n+1)
SLMI_Ej02r.doc
Materia Ejemplo 3x3 Jacobi y Gauss Seidel
DEPARTAMENTO DE MATEMÁTICAS Fecha Febrero 2002
 2 4 4 
 
Ejercicio 1.- Dado el sistema lineal  1 1 1   X  b
 4 4 2
 
(a) Calcular las matriz de iteración de Jacobi y su radio espectral. ¿Cuántas iteraciones
son necesarias para obtener un error menor que 0.001 utilizando la norma 1 o infinito?
(b) Calcular las matriz de iteración de Gauss y su radio espectral. ¿Cuántas iteraciones
son necesarias para obtener un error menor que 0.001 utilizando la norma 1 o infinito?
(c) Seleccionar justificadamente el método iterativo más adecuado. Obtener el vector c del
método iterativo seleccionado de forma que la solución sea el vector (1,1,1)T.
(d) Definir el condicionamiento de un sistema lineal y su interpretación.
Apartado (a) Método de Jacobi
A partir de la descomposición A  D  L  U , donde

 2 0 0   0 0 0  0 4 4 
     
D   0 1 0 , L  1 0 0 y U  0 0 1
 0 0 2  4 4 0 0 0 0
     
se obtiene la matriz de iteración de Jacobi como
 0 2 2 
 
K J  D  L  U    1 0 1
1
 2 2 0 
 
El polinomio característico se obtiene haciendo
PJ  x   K J  xI  x3
Por tanto tiene un valor propio nulo único de multiplicidad tres y su radio espectral en menor que
1, lo que implica que el método de Jacobi es convergente.
Calculando las normas de la matriz de iteración,
KJ 1
 max  0  1  2 , 2  0  2 , 2  1  0   4
KJ 
 max  0  2  2 , 1  0  1 , 2  2  0   4
Puesto que ambas son mayores que la unidad, no es posible aplicar la relación
n
 n K
xx  x1  x  0  
1 K
SLMI_Ej03r.doc
Sin embargo, aplicando el teorema de Cayley-Hamilton, se llega a que PJ  K J    K J   0 .

3
Utilizando entonces la relación x  x  n   K n x  x  0 se observa que la solución exacta se

obtiene en tres iteraciones.
Apartado (b) Método de Gauss-Seidel
La matriz de iteración de Gauss-Seidel se obtiene como

1
 2 0 0   0 4 4   1 2 0 0  0 4 4   0 2 2 
        
K G   D  L  U   1 1 0   0 0 1    1 2 1 0  0 0 1    0 2 3 
-1
 4 4 2   0 0 0   0 2 1  0 0 0   0 0 2 
     2 

PG  x   K G  xI  x  x  2 
2
Por tanto sus valores propios son 0 y 2, con multiplicidades respectivas de 1 y 2. El radio
espectral de la matriz es 2 y el método de Gauss-Seidel es divergente. No tiene sentido hablar de
número de iteraciones.
Apartado (c) Selección del método
A la vista de los radios espectrales, se selecciona el método de Jacobi, que converge y da la

solución exacta en tres iteraciones. El de Gauss Seidel queda descartado al no ser convergente.
Para obtener el vector c tenemos dos alternativas
1. Obtención de c mediante el cálculo previo del vector b
 2 4 4  1  2  1
      1  
b  A x   1 1 1    1   3   c  D b   3 
 4 4 2  1  10  5
       
2. Obtención directa de c mediante la fórmula del método iterativo
 1 2 2  1  1 
    
x  K J x  c  c   I  K J  x   1 1 1  1   3 
 2 2 1  1  5 
    
Apartado (d) Condicionamiento
Dado un sistema Ax  b se define el condicionamiento de la matriz del sistema, según la norma

p, al valor cond  A, p   A p  A 1 . El condicionamiento de un sistema mide la sensibilidad
p
de la solución del sistema a las variaciones de los coeficientes del sistema o del segundo
miembro. Así, cuando el condicionamiento es “bajo”, pequeñas variaciones de los coeficientes
pueden producir pequeñas modificaciones de la solución. Por el contrario, pequeñas variaciones
de los coeficientes pueden originar cambios muy importantes de la solución cuando el
SLMI_Ej03r.doc
condicionamiento es “alto”. En los sistemas con éste tipo de condicionamiento, el residual,

definido como r  b  Ax no es un buen indicador de la calidad de la raíz.
SLMI_Ej03r.doc
Materia Tridiagonal con Factorización y Jacobi
Fecha Junio 2002
DEPARTAMENTO DE MATEMÁTICAS Autor César Menéndez Fernández
a 1 
 
1 a 1 
 1 a 1 
Ejercicio 1.- Dada la matriz A   
    
 1 a 1
 
 1 a 
(a) Demostrar por inducción que todos los determinantes principales son positivos cuando
a>2, y por tanto, aplicando criterio de Silvester, la matriz es definida positiva.
(b) Dadas las características de la matriz, seleccionar justificadamente el método de
factorización más adecuado. Aplicarlo cuando A   33 .
(c) Obtener la matriz de iteración de Jacobi. Demostrar que el método converge cuando a>2,
¿Cómo sería el método cuando a=7/4 y A   33 ?
Apartado (a) Matriz definida positiva
El menor principal de orden n de la matriz A viene dado por

a 1 1 1
1 a 1 0 a 1
1 a 1 1 a 1
An   aA n 1  1  aA n 1  A n  2
     
1a 1 1 a 1
1 a 1 a
Vamos a demostrar por inducción que A j 1  A j  0a  2
A1  a  a  2
a 1
A2   aA1  1  a 2  1  3 y A 2  A1  a  a  1  1  a  1  1
1 a
a 1
 aA 2  A1  a  a 2  2   4 y A 3  A 2  A 2  a  1  a  1
1 1
A 3  1 a 1  aA 2 
0 a
1 a
a 1
1
1 a 1
A4   aA 3  1 a 1  aA 3  A 2  5 y A 4  A 3  A 3  a  1  A 2  1
1 a 1
1 a
1 a
SLMI_Ej04r.doc
Fecha Junio 2002
y en general
A n  aA n 1  A n  2  2 A n 1  A n  2  A n 1   A n 1  A n  2   A n 1  0
Apartado (b) Selección del método de factorización
Puesto que la matriz es definida positiva, el método de factorización más adecuado es el de

Choleski. Aplicamos este método a una matriz de orden 3.
  l1 2 l11l21 l11l31 
a 1   l1  l1 l2 l3   1 
1 1 1 1
   1 2  2  11 
A  LL   1 a 1    l2 l2
T
 l2 l3    l1 l2  l2    l2 
2 1 2 2 2
l2l3  l2 l3
1 1 2 1

   1 2 3  3   
 1 a   l3 l3 l3  l3 
 l31    l32    l33  
2 2 2
 l11l31 l21l31  l22l31
 
Planteando el sistema y despejando
a   l1 2 l11  a
 1
1  l11l21 l21  1a  
  
0  l1 l3
1 1
l3  0
1
 a 

 a   l2    l2 
1 2 2 2
l2  a  a  L  a
2 1  1
a a 1 
 
  
1  l1l1  l 2l1 1 1
l32   0 a  a 1 1 
 2 3 2 3
a  a1  a  a1 a 
  
a   l1    l 2    l 3  l 3  a  1
2 2 2
 3 3 3 3 a  1a
Apartado (c) Matriz de iteración de Jacobi
Dado un método iterativo de la forma x k 1  Kx  k   c , se ha demostrado que el método

converge cuando se cumple alguna de las siguientes condiciones:
 x   : lim x   x =A -1  b .
0 k
n 
 lim K  0 n
n 
 ||K||<1 para alguna norma matricial

 (K) <1
El valor de la matriz K de iteración del método de Jacobi se expresa como K  D -1  L  U  .
 0 1 a 
 1  
 a 0
1
a 
 1 0 1 
K   y por tanto K   2 a  1 y el método converge para a>2.
a a
    
 1 0 1 
 
a a
 1
a 0 
Cuando a=7/4, se tiene que K   8 7  1 , lo que NO permite asegurar su convergencia, pero
SLMI_Ej04r.doc
Fecha Junio 2002
0 4
7   x 4 7

K   4 7


0 4 7  y PK  x   4 7  x 4 7   x 3  x 32 49 . Por tanto   K   0,  32
49 y
 4 0  4 x
 7 7
 K   32
49  1 , así pues el método es convergente.
SLMI_Ej04r.doc
DEPARTAMENTO DE MATEMÁTICAS Fecha Junio 2007
a a a  0 
   
Ejercicio 1. Dado el sistema lineal  b a a   X   2  b  a  
b b a  ab 
   
(a) ¿Qué relación debe haber entre a y b para que el sistema admita solución única?
(b) Calcular las matrices de iteración de Jacobi y de Gauss Seidel.

(c) Determinar la convergencia de los métodos de Jacobi y Gauss-Seidel cuando se toma
a 1
2 y b  1 . Obtener asimismo su radio espectral.
(d) En caso de converger el método de Jacobi con a  1

2 y b  1 , ¿cuántas iteraciones
son necesarias para obtener un error menor que 0.001 utilizando la norma 1? ¿ y la
infinito?
a y b  1 , ¿cuántas
1
(e) En caso de converger el método de Gauss-Seidel con 2
iteraciones son necesarias para obtener un error menor que 0.001 utilizando la norma
1? ¿ y la infinito?
Apartado (a) Relación entre a y b
Para que la solución sea única, el sistema debe ser regular, esto es, A  0
a a a a 0 0
a  0
A  b a a  b a  b a  b  a a  b  0  
2
a  b
b b a b 0 a b
Apartado (b) Matrices de iteración de Jacobi y Gauss-Seidel

a 0 0  0 0 0  0 a a 
     
D   0 a 0  , L   b 0 0  y U   0 0 a 
0 0 a  b b 0  0 0 0 
    
 
 0 1 1
 
K J =D  L  U     1
-1 b
0
 a 
 
  b 
b
0 
 a a 
SLMI_Ej05r.doc
De forma análoga, la matriz de iteración de Gauss-Seidel viene dada por

1
 a 0 0   0 a a   1 a 0 0   0 a a 
      
K G =  D  L  U   b a 0   0 0 a    b a2 0   0 0 a 
-1
1
a
b b a 0 0 0   b  b  a  a3 b 1  0 0 
   a2 a  0
0 1 1 
 b  a  
KG   0 b
a a 
 0 b b  a  2 b b  2 a  2 
 a a 
Apartado (c) Convergencia de Jacobi y Gauss-Seidel con a  1

2 y b  1
Sustituyendo por los valores dados, se tiene

 
 0 1 1 
   0 1 1
 
K J =D  L  U     
b
-1
0 1   2 0 1
 a 
 b  2 2 0 
b  
   0  a  1
 a a  2
b 1
0 1 1   0 1 1 
 b  a    
KG   0 b
a a    0 2 3 
0 b b  a  b b  2 a    0 6 8 
 a2 a2 
a  12  
b 1
Comenzamos comprobando si las normas más sencillas de las matrices de iteración son
inferiores a uno. Empezamos con la norma 1:
K J 1   0  2  2 , 1  0  2 , 1  1  0   max 4,3, 2  4
K G 1   0  0  0 , 1  2  6 , 1  3  8   max 0,9,12  12
Como se puede ver la norma 1 es mayor que la unidad en ambos casos. Probamos con la norma
infinito
KJ 
  0  1  1 , 2  0  1 , 2  2  0   max 2,3, 4  4
KG 
  0  1  1 , 0  2  3 , 0  6  8   max 2,5,14  14
Puesto que ninguna permite asegurar la convergencia, necesitamos calcular el radio espectral,
para lo cual comenzamos obteniendo el polinomio característico:
SLMI_Ej05r.doc
 
PJ  x   K J  xI  x 3  6 x  2
  J   3 4  3 2, 12  3

4  3 2 i
3
 3

4 3 2 
 2 
 0.3275,0.1637  i 2.4659
 
PG  x   K G  xI  x3  10 x 2  2 x   J  0,5  3 3  0,0.1962, 10.1962
Se puede observar que en ambos casos el radio espectral es mayor que uno, y por tanto los
métodos no convergen.
Apartado (d) Número de iteraciones de Jacobi
El método de Jacobi es divergente. No tiene sentido hablar de número de iteraciones.
Apartado (e) Número de iteraciones de Gauss-Seidel
El método de Gauss-Seidel es divergente. No tiene sentido hablar de número de iteraciones.
SLMI_Ej05r.doc
Materia Ejemplo 2x2 Comparación Iterativos
Ejercicio 1.- Dado el sistema lineal Ax=b,

3 1  x   2
    
 1 3  y   2
(a) Seleccionar el método iterativo más adecuado
(b) Calcular el número de iteraciones para lograr un error (respecto a  

) menor que 10-5,
partiendo del vector nulo.
Apartado (a) Caracterización de A:
La matriz del sistema es simétrica y definida positiva. Esto se puede ver mediante su polinomio
característico:
PA (  )  A  I  2  6  8; ( A)  { 2,4}
o bien considerando que es de diagonal dominante. Puesto que la matriz es simétrica, definida
positiva y de diagonal dominante, todos los métodos iterativos estudiados van a converger.
Consideremos cada uno de ellos:
JACOBI
0 1

K J  D 1 ( L  U )   ;  ( K J )  {1 3 , 1 3}; K J 
3 1
0   3
 13
GAUSS-SEIDEL
0 1

K G  ( D  L) 1 U   ;  ( K G )  {0, 1 9}; K G 
3 1
 3
0 1
9 
Nota: este cálculo es innecesario, pues al ser la matriz tridiagonal y definida positiva, sabemos
que  K J    ( K G )
2
S.O.R.
 1   
D (1   )  3 
KS  ( 1
 L) ( D  U )  ( D  L) ((1   ) D  U )    (1   )
1

   1    
2
 3 9
SLMI_Ej06r_.doc
Puesto que la matriz es tridiagonal y definida positiva, se tiene que el valor óptimo del parámetro
2
de relajación viene dado por op   18  12 2 , y el radio espectral por
1 1   K j
2
 
min  K s   op  1. O bien, se calculan los valores propios de la matriz y se busca el valor para el
cual el radio espectral es mínimo.
x2 x 2  x 2  36x  36
(K S )  {1  x   }
18 18
Sustiyuyendo este valor, se llega a
 17  12 2 6  4 2  0,02943 0,34314
KS    
198  140 2 51  36 2  0,01010 0,08831 
(K S )  {17  12 2,17  12 2 }  { 0,02944,0,02944}; K S 1
 0,372583
El método más adecuado será pues el de relajación para el valor dado de  o, en su defecto, el de
Gauss-Seidel. Realizamos elgunas iteraciones con los tres métodos.
Iteración Jacobi Gauss-Seidel S.O.R. óptimo
0 (0; 0) (0; 0) (0; 0)
1 (0,666667; -0,666667) (0,666667; -0,888889) (0,686292; -0,92179)
2 (0,888889; -0,888889) (0,962963; -0,987654) (0,982397; -0,996262)
3 (0,962963; -0,962963) (0,995885; -0,998628) (0,999235; -0,999848)
4 (0,987654; -0,987654) (0,999543; -0,999848) (0,99997; -0,999994)
5 (0,995885; -0,995885) (0,999949; -0,999983) (0,999999; -1.00000)
6 (0,998628; -0,998628) (0,999994; -0,999998)
7 (0,999543; -0,999543)
8 (0,999848; -0,999848)
9 (0,999949; -0,999949)
10 (0,999983; -0,999983)
11 (0,999994; -0,999994)
Apartado (b) Número de Iteraciones:
El número máximo de iteraciones necesarias para que el error sea menor que un  dado se
calcula como:
1  K 
L
K
n
x1  x 0
x  xn  x1  x 0    n 
1 K LK
SLMI_Ej06r_.doc
 1  13 10 5 1  13 10 5
L 2
L 8
de donde, nJ  3
 10,4, nG  9
 10,7 y
L 13  L 13 
 1  0,3725105
L
0,9217
nG   12,05 .
L(0,3725)
SLMI_Ej06r_.doc
Materia Iterativo 3x3 parametros J y GS
 a b b   x1   a  b 
     
 b a b    x2    0 
b b a  x   a  b
   3  
(a) Calcular la matriz de iteración del método de Jacobi y determinar su polinomio
característico, determinando a partir de él los valores propios. ¿Qué relación debe
existir entre los coeficientes a y b para que el método iterativo de Jacobi sea
convergente?.
(b) Tomando a=3, b=1, calcular las matrices de iteración de Jacobi y Gauss Seidel. ¿Cuál
de los dos métodos converge más rápido? Determinar una cota del número de
iteraciones necesarias en cada método para que, partiendo del vector nulo, se asegure
que el error es menor que una milésima medido con la  
.
(c) Tomando a=3, b=2, calcular las matrices de iteración de Jacobi y Gauss Seidel. ¿cuál
de los dos métodos converge más rápido?. Determinar una cota del número de
iteraciones necesarias en cada método para que, partiendo del vector nulo, se asegure
que el error es menor que una milésima medido con la  
.
Apartado (a) Matriz de Jacobi
La matriz de iteración del método de Jacobi viene dada por

 0 b b 
 a a
1 
KJ  D (L  U )   b 0 b  .
 a a
 b 
 b 0 
 a a 
 a  a .
2 3
Calculando su polinomio característico se tiene PJ  x   K j  xI   x 3  3 b x2 b
Aplicando rufini, se tiene
-1 0  a
3b
2
 a
2 b
3
 b  2b 
2 3
b b
a a a a
2b 
-1 2 0
b
a a
SLMI_Ej07r_.doc
b
a
b
a  a
2 b
2
-1  2b 0
a
 2b 2b
a a
-1 0
Los valores propios son b doble y  2 b simple., y el radio espectral  es por tanto  2 b .
a a a
Para que el método sea convergente es necesario que   1 , y por tanto es preciso que 2 b  a .
Apartado (b) Caso a=3, b=1

 0 1 1 
 3 3
K J  D (L  U )    1
1
0 1  ,
 3 3
  1 1 0 
 3 3 
3
   
cuyo polinomio característico es PJ x   K j  xI   x 3  1 x  2 1 . Aplicando rufini, se
3
3
tiene
-1 0 1
3  3
2 1
3
1 1 2 1 
3
1
3 3 9 3
-1 1 2 0
3 9
1 1 2
3 3 9
-1 2 0
3
2 2
3 3
-1 0
Los valores propios son 1 doble y  2 simple., y el radio espectral  es por tanto 2 .
3 3 3
Repitiendo el proceso para Gauss-Seidel, se tiene que
SLMI_Ej07r_.doc
1
3 0 0  0 1 1  13 0 0   0 1 1 0 1
3
1
3
1      1    2 
K G  ( D  L) U   1 3 0   0 0 1   9
1
3 0   0 0 1   0 1
9 9
1 1 3 0 0 0   2 1 1 0 0 0  0 5 
     27 3   27 
2
9 27
El polinomio característico viene dado por PJ x   K G  xI   x 3  8  27x  13  x ., cuyas

2
3
 
3
1 1
raices son 0 y   4  i 11 . Calculando el radio espectral se obtiene el valor .
3 3 3
El método que converge más rápido es aquel con menor radio espectral, lo que conduce al
método de Gauss-Seidel. Para calcular el númeo de iteraciones de cada método, utilizamos la
acotación vista en la teoría:
1  K 
L
K
n
x  x0
1
xx n
 x x n
1 0
1 K LK
Para poder aplicar la fórmula es necesario calcular la primera iteración del método. En ambos
casos se tiene que x n 1  K  x n   c Puesto que x(0) es el vector nulo, se tiene que x(1) = c.
Calculemos pues los valores de c y la norma para ambos métodos:
 2 
 3 
Jacobi: c J  D b   0   cJ
1

2 , y como KJ 
2 se tiene que
  3 3
 2 
 3
L
1  3 10
2 3
2
nJ  3
 18.7  19
L2 3 
 2 
 3 
G.-Seidel: cG  ( D  L) 1 b   2   cG  22 , y como K G  20 se tiene que
 9   27  27
 22 
 27 
L
1  27 10
20 3
22
nJ  27
 26.8  27
L20 27 
Si se realizan los cálculos, se observa que las cotas anteriores son muy groseras, pues la
convergencia pedida se alcanza con Jacobi en siete iteraciones, y en seis con Gauss.Seidel.
SLMI_Ej07r_.doc
Apartado (c) Caso a=3, b=2

 0 2 2 
 3 3
K J  D 1 ( L  U )    2 0 2  , cuyo polinomio característico
 3 3
  2 2 0 
 3 3 
es PJ  x   K j  xI   x  4 x 
3 16 . Aplicando rufini, se tiene
3 27
-1 0 4  16
3 27
2 2 4 16
3 3 9 27
-1 2 8 0
3 9
2 2 8
3 3 9
-1 4 0
3
4 4
3 3
-1 0
Los valores propios son 2 doble y  4 simple., y el radio espectral  es por tanto 4 . Al ser
3 3 3
superior a uno, el método no convergerá a la solución del sistema,
Repitiendo el proceso para Gauss-Seidel, se tiene que
1
 3 0 0  0 2 2   1 3 0 0  0  2 2  0 2
3
2

3
1      2     
K G  ( D  L) U   2 3 0   0 0 2  =  9
1
3 0   0 0 2    0
4
9
2
9 
 2 2 3  0 0 0   2 2 1  0 0 0  0 16 
     27 3    27 
4
9 27
El polinomio característico viene dado por PJ  x   K G  xI   x 3  28 x2  8 x ., cuyas

27 27
 
3
1 8
raices son 0 y   14  2i 5 . Calculando el radio espectral se obtiene el valor .
3 27
Para calcular el número de iteraciones de cada método, utilizamos la acotación vista en la teoría:
1  K 
L
K
n
x1  x 0
xx n
 x x n
1 0
1 K LK
SLMI_Ej07r_.doc
Para poder aplicar la fórmula es necesario calcular la primera iteración del método. En ambos
casos se tiene que x n 1  K  x n   c Puesto que x(0) es el vector nulo, se tiene que x(1) = c.
Calculemos pues los valores de c y la norma para ambos métodos:
1 
 3
Jacobi: cJ  D b   0   cJ
1

 1 , y como KJ 
 4  1 no se puede aplicar la
  3 3
 -1 
 3
fórmula.
SLMI_Ej07r_.doc
Materia Iterativo tria. parametros J y GS
Ejercicio 1.- Dado el sistema triangular
 a11 a12 a13 a1 

n
 n
 0 a2 a2  a2
2 3
 0 0 a 33 a3  X  b
n
 
   
 0 0 0 n
an
(a) Demostrar que los métodos de Jacobi y Gauss-Seidel obtienen la solución exacta en a
lo sumo n pasos para cualquier de orden n. ¿Qué condiciones debe cumplir el sistema
para que el método de relajación converja para cualquier valor del parámetro de
relajación ?.
(b) Calcular el número de pasos requeridos por Jacobi y Gauss-Seidel para aproximar la
solución del siguiente sistema con un error menor que 10-3, partiendo del vector nulo.
 6 1 1 3   1 
   
 0 2 3 2  x   5 
0 0 1 6  4 
   
0 0 0 4  2 
(c) ¿Qué método de factorización sería el más adecuado para este tipo de sistemas?.
Apartado (a) Demostración de convergencia
Dada una matriz regular cualquiera, con términos no nulos en la diagonal, los métodos iterativos
estudiados la descomponen como
A  D  L  U siendo:
a ii i  j a ij i  j  a ij i  j
 i   i   i 
j j j
D L U
0 i  j  0 i j  0 i j
Y transforman el sistema inicial en un sistema de punto fijo
Ax  b   D  L  U  x  b  x  Kx  c
Al ser la matriz del sistema triangular superior, se tiene que L=0, por tanto la matriz y el vector
de iteración se reducen en ambos casos a:
SLMI_Ej08r_.doc
JACOBI GAUSS-SEIDEL
 K  D 1  L  U   D 1U  K   D  L 1 U  D 1U

 
 c   D  L  b  D b
1 1
 cD b
1
Los sucesivos términos de los métodos iterativos de resolución de sistemas vienen definidos por
 x0

 xn 1  Kxn  c n  0
Generando la sucesión de vectores
x1  Kx0  c
x2  Kx1  c  K  Kx0  c   c  K 2 x0   K  I  c
x3  Kx2  c  K  K 2 x0   K  I  c   c  K 3 x0   K 2  K  I  c

x4  Kx3  c  K K 2 x0   K 2  K  I  c   c  K 4 x0   K 3  K 2  K  I  c

xn  Kxn 1  c    K n x0   K n 1  K n  2   K 3  K 2  K  I  c
xn 1  Kxn  c    K n 1 x0   K n  K n 1  K n  2   K 3  K 2  K  I  c

En ambos métodos se tiene que:
 1
1 0 0 0 
 a1   0 a12 a13  a1n 
 0 1 0  0  
 a23   a2n 
2
 a2 0 0
K  D U 
1
0 0 1
3 0 0 0 0  a3n  
 a3  
      
 0 0 0 
 0 0 0 1
n
 0
 an 
 0 a1 1 a1 1 a1 1 
2 3 n
 a1 a1 a1 
 
a 2 2  a 2 2 
3 n
0 0
 a2 a2 

a 3 3 
n
0 0 0
a3 
 
   
0 0 
 0 0
Teniendo en cuenta el teorema de Cayley-Hamilton por el que toda matriz verifica su
ecuación característica:
SLMI_Ej08r_.doc
K    I  0      0  K n  0
n
Sustituyendo en las relaciones anteriores:

 n 
xn = K n x0   K n 1  K n  2   K 3  K 2  K  I  c    K i  c
 i 0 
 n 
xn 1 = K n 1 x0   K n  K n 1  K n  2   K 3  K 2  K  I  c    K i  c  xn
 i 0 
Queda así demostrado que en a lo sumo n pasos se obtiene la solución exacta.
En el método de relajación se tiene:
 K   D   L 1 1    D  U   1    I   D 1U

c   D   L  b  D 1b
1
Así pues   K   1    . El método será convergente si K   1 , por tanto 0    2 .
Apartado (b) Número de iteraciones
Del apartado anterior, ya que la matriz del sistema es triangular superior, se tiene que en ambos
métodos:
xn 1  Kxn  c  D 1Uxn  D 1b
luego conseguirán aproximar la solución del sistema con un error menor de 10-3 en el mismo
número de pasos. Comenzamos calculando las matrices del método:
6 0 0 0  16 0 0 0   0 1 1 3 
     
0 2 0 0 0 12 0 0  0 0 3 2 
D  D 1   y U 
0 0 1 0 0 0 1 0 0 0 0 6 
     
0 0 0 4  0 0 0 14  0 0 0 0 
0 1
6
1
6
1
 2  1 6 
  5 
0 0 3 1
K  D U 
1
,c  D b   
1
2 2
0 0 0 6  4 
   1 
0 0 0 0  2
Pero las normas sencillas habituales K 1
 K 
 6  , son mayores que uno, y por tanto no es
posible realizar la acotación del número de iteraciones. El calcular la otra norma habitual
K 2
   KK T   1735 
284  1 tampoco permitiría utilizar la cota. Por tanto no podemos acotar el
número de iteraciones, si bien sabemos que la aplicación del teorema de Cayley-Hamilton nos
indica que la solución exacta se alcanza en 4 iteraciones. Realizando las iteraciones partiendo del
vector nulo
SLMI_Ej08r_.doc
0 1
6
1
6
1
  0   1 6   1 6 
2
      
0 0 3 1  0   5 2   5 2 
x1  Kx0  c    
2
0 0 0 6   0   4   4 
      
0 0 0 0   0   1 2   1 2 
0 1
6
1
6
1
  1 6   1 6   7 6 
2
      
0 0 3 1  5 2   5 2   4 
x2  Kx1  c    
2
0 0 0 6   4   4   1 
      
0 0 0 0   1 2   1 2   1 2 
0 1
6
1
6
1
  7 6   1 6   512 
2
      
0 0 3 1  4   5 2   1 2 
x3  Kx2  c    
2
0 0 0 6   1   4   1 
      
0 0 0 0   1 2   1 2   1 2 
0 1
6
1
6
1
  512   1 6   1 3 
2
      
0 0 3 1   1 2   5 2   1 2 
x4  Kx3  c    
2
0 0 0 6   1   4   1 
      
0 0 0 0   1 2   1 2   1 2 
Y como cabía esperar
 0 1 6 1
  1 3   1 6   1 3 
6
1
2
      
0 0 3 1  1 2   5 2   1 2 
x5  Kx4  c      x4
2
0 0 0 6   1   4   1 
      
0 0 0 0   1 2   1 2   1 2 
Las diferencias entre las sucesivas iteraciones nos muestran
 1 6   43   19 12   34 
5   13   9   
 2   2  2  0
x1  x1  x0  , x2  x2  x1  , x3  x3  x2  , x4  x4  x3   
 4   3   0  0
 1       
 2  0   0  0
que era necesario hacer cuatro iteraciones para que el error, con cualesquiera de las tres normas
habituales, fuera inferior a la milésima.
Apartado (c) Selección del método de factorización
El método de factorización más adecuado para este tipo de sistemas es el de Doolitle:

A  x  b  L  U  x  b donde L es triangular inferior de diagonal unidad y U es triangular
superior, obviamente en nuestro caso la factorización ya está hecha, siendo L la matriz identidad
y U la matriz A del sistema.
SLMI_Ej08r_.doc
Materia Trid+DP3x3: Inversa e iterativos J y SOR
 3 1 0   x   1 
     
1 3 1  y   2 
 0 1 3   z   7 
     
 
(a) Obtener el condicionamiento del sistema utilizando (El cálculo de la inversa se debe
realizar utilizando el método de Gauss-Jordan)
(b) Obtener la matriz de iteración del método de Jacobi y analizar su convergencia. Realizar
dos iteraciones partiendo del vector nulo. A la vista de los resultados, ¿cuál será el
comportamiento del método de Gauss-Seidel?.
(c) Calcular, utilizando el método de Jacobi, el número de iteraciones para lograr un error
(respecto a  1 ) menor que 10-5, partiendo del vector nulo.
(d) ¿Existe algún valor para el cual el método de relajación es convergente?. En caso
afirmativo, obtener el valor óptimo y calcular el radio espectral correspondiente.
a) Inversa y condicionamiento del sistema
La matriz del sistema es tridiagonal, simétrica y de diagonal estrictamente dominante, y por

tanto, definida positiva. Esto también se puede ver mediante su polinomio característico:
3 x 1 0
PA  x   A  xI  1 3 x 1 = 3  x   2 3  x  = 3  x   x2  6 x  7  
3
0 1 3 x
   A   1.5858,3.0000, 4.4142
Por tanto todos los métodos iterativos estudiados van a converger.
Comenzamos calculando la inversa mediante Gauss-Jordan
 3 1 0 1 0 0  F1  13 F1 
   
 1 3 1 0 1 0    F2  F2  3 F1 
1
0 1 3 0 0 1 F  F  0 F 
   3 3 3 1 
1 1
3 0 1 3 0 0   F1  F1  18 F2 
   
 0 8
3 1 1 3 1 0    F2  F2  
3
8

0 1 3 0 0 1   F3  F3  83 F2 

SLMI_Ej09r_.doc
1 0 1
8
3
8
1
8 0   F1  F1  211 F3 
   
 0 1 3
8
1
8
3
8 0    F3  F3  17 F3 
0 0

21
8
1
8
3
8 1   F3  21 F3 
8
 1 0 0 8 21 1
7
1 21  8 21 3
21
1
21
  1  3 
  0 1 0 1 7 3
7
1
7  A   3 21 9
21 21 
 0 0 1 1 21 1 8  1 3 
 21   21 21 
8
7 21
Puesto que
n
A   max  aij  max 4,5, 4  5 A1  max  4 7 , 5 7 , 4 7  5 7
i 
j 1
se tiene que
  A,    A  A1 
 5 5 7  25 7
b) Matrices de Jacobi y convergencia

 3 0 0 0 0 0 0 1 0
     
D  0 3 0 , L  1 0 0 y U  0 0 1
0 0 3 0 1 0 0 0 0
     
se obtiene la matriz de iteración de Jacobi y el vector independiente
 0 1 3 0   1 3 
   
K J =D-1  L  U    1 3 0 1 3  cJ =D-1 b   2 3 
 0 1 0   7 
 3  3
Al ser la matriz de diagonal estrictamente dominante, tanto el método de Jacobi como el de
Gauss-Seidel son convergentes. Esto se comprueba fácilmente observando que
KJ 
 max  1 3 , 2 3 , 1 3  2 3  1 .
Realizamos las iteraciones pedidas
SLMI_Ej09r_.doc
0 1
3 0   0   1 3   1 3 
1  0  1   0    2    2 
x  K J x  cJ   1 3 0 3    3   3
0 1 0   0   3   7 3 
     

7
3
0 1
3 0   1 3   1 3   5 9 
 2 1  1   2    2    14 
x  K J x  cJ   1 3 0 3  3   3   9
0 1 0   7 3   7 3   23 9 
    
 3

 0.9998 
13  
x   1.9998 
 2.9998 
 
Al ser la matriz tridiagonal y definida positiva (ver los autovalores calculados), sabemos que
 KG    K J    K J 
2
 1 , por lo que confirmamos de nuevo que Gauss-Seidel también
2

es convergente.
c) Método de relajación
Al ser la matriz definida positiva, el método converge para    0, 2  . Puesto que también es
tridiagonal, se tiene que el valor óptimo del parámetro de relajación viene dado por
2
optimo 
1 1  K J 
2
Lo que exige calcular el radio espectral de la matriz de Jacobi

x 1
3 0
PK J  x   K J  xI  x =   x   2 1 3 1 3   x    x  x 2  2 9  
3
1 1
3 3
0 1
3 x
   K J   0,  2
3    K   J
2
3  0.4714
2
optimo   1.0627 , y el radio será optimo  optimo  1  0.0627
1 1  29
d) Numero de iteraciones
El número máximo de iteraciones necesarias para que el error sea menor que un  dado se
calcula como:
ln
1  K 
n K
n
1  0
x  x 0
1
xx  x x  n
1 K ln K
Obtenemos los valores necesarios
SLMI_Ej09r_.doc
KJ 1
 max  1 3 , 2 3 , 1 3  2 3
x   x
0
 c1  2 3  7 3  10 3
1 1
3
1
ln
1  2 3 105
10 ln106
n 3
  34.0732
ln 2 3 ln 2 3
Se necesitan al menos 35 iteraciones
SLMI_Ej09r_.doc
Asignatura Cálculo Página 1
UNIVERSIDAD DE OVIEDO Numérico de 3
Sistemas Lineales (Iterativos

Tema
3x3 J y GS)
DEPARTAMENTO DE MATEMÁTICAS
 2 4 4 
 
Ejercicio 1.- Dado el sistema lineal  1 1 1   X  b
 4 4 2
 
(a) Calcular las matriz de iteración de Jacobi y su radio espectral. ¿Cuántas
iteraciones son necesarias para obtener un error menor que 0.001 utilizando
la norma 1 o infinito?
(b) Calcular las matriz de iteración de Gauss y su radio espectral. ¿Cuántas

iteraciones son necesarias para obtener un error menor que 0.001 utilizando
la norma 1 o infinito?
(c) Seleccionar justificadamente el método iterativo más adecuado. Obtener el

vector c del método iterativo seleccionado de forma que la solución sea el
vector (1,1,1)T.
(d) Definir el condicionamiento de un sistema lineal y su interpretación.
Apartado (a) Método de Jacobi

 2 0 0   0 0 0  0 4 4 
     
D   0 1 0 , L   1 0 0 y U   0 0 1
 0 0 2  4 4 0  0 0 0
     
 0 2 2 
 
K J =D  L  U    1 0 1
-1
 2 2 0 
 
PJ  x   K J  xI  x 3
Por tanto tiene un valor propio nulo único de multiplicidad tres y su radio espectral en
menor que 1, lo que implica que el método de Jacobi es convergente.
Calculando las normas de la matriz de iteración,
KJ 1
 max  0  1  2 , 2  0  2 , 2  1  0   4
KJ 
 max  0  2  2 , 1  0  1 , 2  2  0   4
Puesto que ambas son mayores que la unidad, no es posible aplicar la relación
SLMI_Ej10r.doc

Tema
3x3 J y GS)
n
 n K
xx  x 1  x  0  
1 K
Sin embargo, aplicando el teorema de Cayley-Hamilton, se llega a que
PJ  K J    K J   0 . Utilizando entonces la relación x  x  n   K n x  x  0 se
3
observa que la solución exacta se obtiene en tres iteraciones.
Apartado (b) Método de Gauss-Seidel
La matriz de iteración de Gauss-Seidel se obtiene como

1
 2 0 0   0 4 4   1 2 0 0  0 4 4   0 2 2 
        
K G =  D  L  U   1 1 0   0 0 1    1 2 1 0  0 0 1    0 2 3 
-1
 4 4 2   0 0 0   0 2 1  0 0 0   0 0 2 
     2 

PG  x   K G  xI  x  x  2 
2
Por tanto sus valores propios son 0 y 2, con multiplicidades respectivas de 1 y 2. El

radio espectral de la matriz es 2 y el método de Gauss-Seidel es divergente. No tiene
sentido hablar de número de iteraciones.
Apartado (c) Selección del método
A la vista de los radios espectrales, se selecciona el método de Jacobi, que converge y

da la solución exacta en tres iteraciones. El de Gauss Seidel queda descartado al no ser
convergente.
Para obtener el vector c tenemos dos alternativas
1. Obtención de c mediante el cálculo previo del vector b
 2 4 4   1  2  1
      1  
b  A x   1 1 1    1   3   c  D b   3 
 4 4 2   1  10   5
       
2. Obtención directa de c mediante la fórmula del método iterativo
 1 2 2  1  1 
    
x  K J x  c  c =  I  K J  x   1 1 1 1   3 
 2 2 1   1  5 
    
Apartado (d) Condicionamiento
Dado un sistema Ax  b se define el condicionamiento de la matriz del sistema, segu´n

la norma p, al valor cond  A, p   A p  A 1 . El condicionamiento de un sistema
p
mide la sensibilidad de la solución del sistema a las variaciones de los coeficientes del
SLMI_Ej10r.doc

Tema
3x3 J y GS)
sistema o del segundo miembro. Así, cuando el condicionamiento es “bajo”, pequeñas

variaciones de los coeficientes pueden producir pequeñas modificaciones de la solución.
Por el contrario, pequeñas variaciones de los coeficientes pueden originar cambios muy
importantes de la solución cuando el condicionamiento es “alto”. En los sistemas con
éste tipo de condicionamiento, el residual, definido como r  b  Ax no es un buen
indicador de la calidad de la raíz.
SLMI_Ej10r.doc

SisLinMI EjR PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

SisLinMI EjR PDF

Caricato da

Copyright:

Formati disponibili

Asignatura Cálculo Numérico Página 1 de 4

UNIVERSIDAD DE OVIEDO Tema Sistemas Lineales

donde las constantes ,  y  son conocidas.

(a) Demostrar que el método de Jacobi es convergente.

(b) Obtener, dependiendo de ,  y , el número de iteraciones necesarias para obtener

Acotar el error cometido utilizando la  1 y compararlo con el error real

Apartado (a) Convergencia del método

Dado un método iterativo de la forma x k 1  Kx  k   c , se ha demostrado que el método

 ||K||<1 para alguna norma matricial

 0  a12  a13   a1n

Apartado (b) Número de iteraciones

Como x   0 , entonces x1  Kx  0  c  c y x    x

Apartado (c) Aplicación

El cálculo de las sucesivas iteraciones viene dado por

Tomando x   0 se van obteniendo

y la cota vendrá dada por

Apartado (d) Método de Gauss-Seidel

Apartado (a) Convergencia del método

 a11 a12   a11  a12

a12 a12 a12

Calculando los máximos por filas

 a11  a12  a13  a14

a12 a32  a22 a13  a32 1

 a11a22 a33 a44 a22 a33 a44 a33a44 a44 

0  a12  a13  a14 

0 a12 a13 a34 a43

 a42 a43 a32 a42 a43 a32

Y usamos el resultado para obtener los máximos por filas

a12 a12 a13 a12 3

Falta demostrar la inducción (supuesto n verificar para n+1)

Apartado (a) Método de Jacobi

A partir de la descomposición A  D  L  U , donde

Sin embargo, aplicando el teorema de Cayley-Hamilton, se llega a que PJ  K J    K J   0 .

Utilizando entonces la relación x  x  n   K n x  x  0 se observa que la solución exacta se

Apartado (b) Método de Gauss-Seidel

La matriz de iteración de Gauss-Seidel se obtiene como

El polinomio característico se obtiene haciendo

Apartado (c) Selección del método

A la vista de los radios espectrales, se selecciona el método de Jacobi, que converge y da la

Apartado (d) Condicionamiento

Dado un sistema Ax  b se define el condicionamiento de la matriz del sistema, según la norma

condicionamiento es “alto”. En los sistemas con éste tipo de condicionamiento, el residual,

DEPARTAMENTO DE MATEMÁTICAS Autor César Menéndez Fernández

Apartado (a) Matriz definida positiva

El menor principal de orden n de la matriz A viene dado por

DEPARTAMENTO DE MATEMÁTICAS Autor César Menéndez Fernández

Puesto que la matriz es definida positiva, el método de factorización más adecuado es el de

Apartado (c) Matriz de iteración de Jacobi

Dado un método iterativo de la forma x k 1  Kx  k   c , se ha demostrado que el método

 ||K||<1 para alguna norma matricial

DEPARTAMENTO DE MATEMÁTICAS Autor César Menéndez Fernández

(b) Calcular las matrices de iteración de Jacobi y de Gauss Seidel.

(d) En caso de converger el método de Jacobi con a  1

Apartado (a) Relación entre a y b

Apartado (b) Matrices de iteración de Jacobi y Gauss-Seidel

A partir de la descomposición A  D  L  U , donde

De forma análoga, la matriz de iteración de Gauss-Seidel viene dada por

Apartado (c) Convergencia de Jacobi y Gauss-Seidel con a  1

Sustituyendo por los valores dados, se tiene

Apartado (d) Número de iteraciones de Jacobi

El método de Jacobi es divergente. No tiene sentido hablar de número de iteraciones.

Apartado (e) Número de iteraciones de Gauss-Seidel

El método de Gauss-Seidel es divergente. No tiene sentido hablar de número de iteraciones.