Professional Documents
Culture Documents
Autor: Wilmer len Una vez analizado la unidad III sobre los mtodos de eliminacin en los sistemas lineales podemos aportar el siguiente anlisis.
Mtodo de Gauss-Jordan
Es un mtodo aplicable nicamente a los sistemas lineales de ecuaciones, consiste en que a partir de la matriz aumentada del sistema de ecuaciones (Matriz de coeficiente y de trminos independiente), se encuentra otra matriz equivalente a la matriz aumentada mediante operaciones elementales de filas y/o columnas, hasta conseguir ecuaciones de una sola incognitas cuyo valor ser igual al coeficiente situado en la misma fila de la matriz. La nueva matriz encontrada puede ser una matriz identidad o una matriz escalonada reducida por filas. La ventaja del mtodo de Gauss-Jordan es que al momento de solucionar un sistema de llegada por remonte, el nmero de operaciones es menor, motivo por el cual, el mtodo de Gauss - Jordn es un mtodo computacionalmente bueno cuando tenemos que resolver varios sistemas con la misma matriz A y resolverlos simultneamente, utilizando el algoritmo de Gauss-Jordn.
Descomposicin LU
En este mtodo consiste en la descomposicin de la matriz original de coeficiente (A) en el producto de dos matrices (L y U)
Esto es:
Donde: L - Matriz triangular inferior U - Matriz triangular superior con todos los elementos de la diagonal principal iguales a 1.
= Si efectuamos la multiplicacin de L y U, igualando los elementos de ese producto con los de la matriz A correspondientes, se obtiene:
Si el sistema de ecuaciones original se escribe como: Ax=b lo cual resulta lo mismo escribir: LUX=b
El algoritmo de solucin, una vez conocidas L, U y b, consiste en encontrar primeramente los valores de "Y" por sustitucin progresiva sobre "L Y = b". En segundo lugar se resuelve "U x = y " por sustitucin regresiva para encontrar los valores de "x", obteniendo:
La utilizacin del algoritmo de la Descomposicin LU tiene sus diferencias en cuanto a los valores iniciales de la diagonal que tomen las matrices L y U, es decir si los valores de la diagonal de la matriz L tiene nmeros 1, formalmente esto se refiere a la Descomposicin de Doolitle. Pero si los valores de la diagonal de la matriz U tiene nmeros 1, formalmente esto se refiere a la Descomposicin de Crout
Factorizacin De Cholesky
La factorizacin de Cholesky es una manera de resolver sistemas de ecuaciones matriciales, tenemos la matriz de coeficientes de un sistema de ecuaciones, llamada A. Una condicin necesaria y suficiente para que una matriz A admita factorizacin de Cholesky es que sea simtrica y definida positiva. Si cumple podemos tratar de factorizarla la forma A = L*L T, cuando la tenemos factorizada ya podemos resolver el sistema de ecuaciones.
Ejemplo
Sea el sistema de ecuaciones lineales A x = b, donde A es simtrica y definida positiva, entonces el mtodo de Cholesky para la resolucin del sistema A x = b est basado en la descomposicin de la matriz A como sigue:
donde L es una matriz triangular inferior de orden n, es decir, L tiene la siguiente forma:
Descompuesta de esta forma la matriz A, la resolucin del sistema A x = b queda dada por la resolucin de dos sistemas triangulares. En efecto,
Si hacemos,
entonces :
Una vez que se resuelve (1.9), procedemos a resolver el sistema (1.8), que es un sistema triangular superior
De (1.6) se obtienen las siguientes ecuaciones para el clculo de los elementos de la matriz L ( ):
Se mencion anteriormente que para la aplicacin de este mtodo la matriz A debe ser simtrica y definida positiva. A continuacin se enuncian ciertos teoremas al respecto.
Observacin: Es necesario verificar que ningn elemento de la diagonal principal sea cero.
Factorizacin de QR, Householder El mtodo de factorizacin de QR se define descomposicin de una matriz por el producto de una matriz ortogonal por una triangular superior. La descomposicin QR es la base del algoritmo QR utilizado para el clculo de los vectores y valores propios de una matriz.
tal que
Mtodo De Gauss Seidel Utiliza valores iniciales y despus itera para obtener estimaciones refinadas de la solucin; es particularmente adecuado para un gran nmero de ecuaciones, lo cual en cierto modo lo hace un mtodo ms comnmente usado. La frmula utilizada para hallar los xi viene dada por el despeje de cada una de las xi en cada una de las ecuaciones y se les da un valor inicial a cada xi de cero. Observamos que en el mtodo de Gauss-Seidel los valores actualizados de xi sustituyen de inmediato a los valores anteriores, mientras que en el mtodo de Jacobi todas las componentes nuevas del vector se calculan antes de llevar a cabo la sustitucin. Por contra, en el mtodo de Gauss-Seidel los clculos deben llevarse a cabo por orden, ya que el nuevo valor xi depende de los valores actualizados de x1, x2, ..., x i-1. La desventaja del mtodo de Gauss-Seidel es que no siempre converge a la solucin exacta o algunas veces los hace de manera muy lenta. nicamente es confiable para aquellos sistemas dominantes diagonalmente.
Mtodo de Jacobi El Mtodo de Jacobi transforma una matriz simtrica en una matriz diagonal al eliminar de forma simtrica los elementos que estn fuera de la diagonal. Desafortunadamente, el mtodo requiere un nmero infinito de operaciones, ya que la eliminacin de cada elemento no cero a menudo crea un nuevo valor no cero en el elemento cero anterior. Si A es diagonalmente dominante, entonces la sucesin que resulta de la iteracin de Jacobi converge a la solucin de Ax = b para cualquier vector inicial Xo. Partimos de una aproximacin inicial Xo para las soluciones Xi al sistema de ecuaciones y sustituimos estos valores en la ecuacin: Que es la expresin que nos proporciona las nuevas componentes del vector x(k) en funcin de vector anterior x(k-1) en la iteracin de Jacobi, en su respectivo algoritmo; donde el a el mtodo de Jacobi ms que usar el ltimo valor disponible de , con base en un conjunto de las x anteriores (). De esta forma, como se generan nuevos valores, no se usan en forma inmediata sino que se retienen para la siguiente iteracin.