Mtodos Directos para resolver Sistemas de Ecuaciones Lineales grandes

Una tcnica iterativa para resolver un sistema lineal Ax = B donde An n ; xn 1 y Bn 1 ,

comienza con una aproximacin inicial x(0) a la solucin exacta x; generando una sucesin
de vectores:
1
x(k) k=0 ! x:
La mayora de estas tcnicas involucran un proceso que convierte al sistema Ax = B en un
sistema equivalente de la forma:
x = Cx + E
donde Cn n ; xn 1 y En 1 : Seleccionando previamente un vector inicial x(0) , la sucesin de
vectores de soluciones aproximadas se genera calculando
x(k) = Cx(k

1)

+E para cada iteracin k = 1; 2; :::

OBS:
Como criterio de parada para detener las iteraciones podemos mencionar
x(k+1) x(k)
<"
kx(k) k

B
B
escogiendo un valor de precisin " > 0 pequeo. Adems recordemos que si x(k) = B
@
es un vector entonces

x(k)

v
u n
uX (k)
=t
xi

(k)

x1
(k)
x2
:
(k)
xn

1
C
C
C
A

i=1

OBS:
Las siguientes armaciones son equivalentes y nos permitirn decidir si nuestro sistema
converge a su solucin exacta x :
1. A es una matriz convergente.
2. lim A(n) = 0 donde A(n)
n!1

3.

(A) < 1 donde

v
uX
n
u n X
t
=

(n)

aij

j=1 i=1

(A) = max j i j con

i=1;::n

radio espectral de la matriz A:

4. lim A(n) x = 0 para todo x:
n!1

valores propios y

(A) conocido como el

Tcnicas Iterativas
Basandonos en el hecho que toda matriz An
donde:
0
0
0
B a21 0
B
B a31 a32
L =B
B :
B
@ :
an1 an2
matriz triangular inferior.

B
B
B
U =B
B
B
@

0
0
0
:
:
0

se puede descomponer como An

1
0
::: 0
0
0
::: 0
0 C
C
0
::: 0
0 C
C
:
::: :
: C
C
::: 0
0 A
an3 ::: ann 1 0

a12 a13
0
a23
0
0
:
0

:::
:::
:::
:::
:::
:::

a1n
a2n
a3n
:
0
0

1
1
1

a1n
a2n
a3n
:
an 1n
0

matriz triangular superior.

B
B
B
D =B
B
B
@

a11
0
0
:
:
0

0
0 :::
a22 0 :::
0
: :::
: :::
:
0
0

:
an
0

1n 1

n=

Ln

n +Dn n +Un n

1
C
C
C
C
C
C
A

0
0
:
:
0
ann

1
C
C
C
C
C
C
A

matriz diagonal. Entonces nuestro sistema Ax = B lo podemos expresar como:

(*)

(L + D + U) x = B

OBS:
Apartir de la descomposicin (*) se pueden obtener variados mtodos iterativos, pero nosotros
nos dedicaremos al propuesto por Jacobi.
Mtodo iterativo de Jacobi para sistemas de ecuaciones lineales
Desde (*) tenemos que:
(L + D + U) x = B
((L + U) +D) x = B
(L + U) x + Dx = B
Dx = B

(L + U) x

y como D es invertible (det(D) 6= 0) entonces

D 1 Dx = D 1 (B (L + U) x)
x = D 1 B D 1 (L + U) x
x = D 1 (L + U) x + D 1 B
2

y sabemos que L + U = A

D
x = D 1 (A D) x + D 1 B
x = D 1 Ax + D 1 Dx + D 1 B
x = (I D 1 A) x + D 1 B

por lo tanto tenemos que:

x(k) = CJ x(k 1) +E
x(0) = x0 dado
es el sistema iterativo de Jacobi con matriz convergente CJ = (I D 1 A) ( (CJ ) < 1) y
matriz E = D 1 B:
0 1
2x1 x2 + x3
= 1
0
0
@
0 A:
Ejemplo 1: Consideremos el sistema lineal 3x1 + 3x2 + 9x3 = 0
con x =
3x1 + 3x2 + 5x3 = 4
0
Entonces
0
1
0
1
2
1 1
1
3 9 A;B =@ 0 A
A =@ 3
3
3 5
4

buscamos la descomposicin (*) de A:

0
1
0
1
0
1
0 0 0
2 0 0
0
1 1
0 9 A:
L =@ 3 0 0 A;D =@ 0 3 0 A y U =@ 0
3 3 0
0 0 5
0
0 0
0
1 0
1 0
1 0
1
0 0 0
2 0 0
0
1 1
2
1 1
0 9 A = @ 3 3 9 A. Adems
A = L + D + U = @ 3 0 0 A+@ 0 3 0 A +@ 0
0 0 5
0
0 0
3 3 5
13 3 0
0 1
0 0
2
1
@
0 13 0 A y luego la matriz de iteracin de Jacobi ser: CJ = I D 1 A =
D =
1
0 0 1
5
0
0 1 1
1
1
0
2
2
2
@ 1
0
3 A y E = D 1B = @ 0 A
4
3
3
0
5
5
5

Comenzando las iteraciones tenemos:

x(1) = CJ x(0) + E
0
1
0
2
0
x(1) = @ 1
(2)

0
1

0
1

0
1

0
1

0
1

0
1

0
1

0
1

0
1

3
5

3
5

= @

x(4) = @
x(5) = @
x

(7)

(8)

(9)

3
5
1
2

x(3) = @

(6)

3
5

= @

= @
= @

= @

x(10) = @

3
5

3
5

3
5

3
5

3
5

3
5

3
5

3
5

0
3
5
1
2

0
3
5
1
2

0
3
5
1
2

0
3
5
1
2

0
3
5
1
2

0
3
5
1
2

0
3
5
1
2

0
3
5
1
2

1 0 1 1 0 1 1
0
2
2
3 A@ 0 A + @ 0 A = @ 0 A
4
4
0
0
5
10 1 1 0 1 1 0 5 9 1
1
1
2

10

3 A@
0
10
1
2

3 A@
0
10
1
2

3 A@
0
10
1
2

3 A@
0
10
1
2

3 A@
0
10
1
2

3 A@
0
10
1
2

3 A@
0
10
1
2

3 A@
0
10
1
2

3 A@
0

0 A+@

4
5
9
10
19
10
11
10

4
5

1
2

0 A=@

10
19
10
11
10

12 A
5
62
4
5
25
1 0 1 1 0 147 1
2
2
50
12 A
A
+ @ 0 A = @ 136
5
25
4
62
86
25
1 0 51 1 0 25247 1
147
50
2
50
136 A
A
+ @ 0 A = @ 369
25
50
4
86
1457
25
1 0 51 1 0 250888 1
247
50
2
125
369 A
@ 0 A = @ 1568 A
+
50
125
4
1457
1024
250
1 0 51 1 0 1252717 1
888
125
2
250
1568 A
@ 0 A = @ 2184 A
+
125
125
4
1024
7868
125
1 0 51 1 0 625
1
19 413
2717
250
2
1250
2184 A
623 A
+ @ 0 A = @ 331250
125
7868
4
4451
625
1 0 5 1 1 0 250
1
19 413
14 282
1250
2
625
33 623 A
676 A
+ @ 0 A = @ 23625
1250
4
4451
82 054
250
5
3125
0
0
1
1
1
1
203 559
14 282
625
2
6250
23 676 A
752 A
+ @ 0 A = @ 174
625
3125
4
82 054
116 374
3125
5
3125

A+@

0 A=@

1
1
Luego la solucin exacta es x = A 1 B = @ 2 A ; lo cual nos podra decir que nuestra
1
(0)
condicin inicial x no es buena.
0
1
1
Comenzando las iteraciones con una nueva condicin inicial x(0) = @ 1:5 A podemos ver
0
algo similar a lo anterior:
4

x(1) = CJ x(0) + E
0
1
0
2
0
x(1) = @ 1

3
5
1
2

0
1

0
1

3
5

3
5

x(2) = @
(3)

3
5

= @

3
5

0
3
5
1
2

1
2

3
0
1
2

3
0
1
2

3
0

10

1 0 1 1 0
1
1
0:25
2
A @ 1:5 A + @ 0 A = @
1 A
4
0
0:7
10
1 0 5 1 1 0
1
0:25
0:65
2
A@
1 A + @ 0 A = @ 1: 85 A
4
0:7
1: 25
10
1 0 51 1 0
1
0:65
0:2
2
A @ 1: 85 A + @ 0 A = @ 3: 1 A
4
1: 25
0:08
5

entonces la verdad es que (CJ ) = 1: 422 0 > 1 por lo tanto no existe convergencia del
mtodo a la solucin exacta x:
0 1
2x1 1x2 + 0x3 = 2
0
0
@
0 A (y
Ejemplo 2: Consideremos el sistema lineal 1x1 + 6x2 2x3 = 4 con x =
4x
3x2 + 8x3 = 5
0
0 31 1 0 1
1
0:62
50
1
19 A
@
@
0:76 A)
solucin exacta x = A B =
=
25
3
0:03
100
Entonces
0
1
0
1
2
1
0
2
6
2 A;B =@ 4 A
A =@ 1
4
3
8
5

buscamos la descomposicin (*) de A:

0
1
0
1
0
1
0
0 0
2 0 0
0
1
0
0 0 A;D =@ 0 6 0 A y U =@ 0
0
2 A:
L =@ 1
4
3 0
0 0 8
0
0
0
0
1 0
1 0
1 0
1
0
0 0
2 0 0
0
1
0
2
1 0
0 0 A+@ 0 6 0 A+@ 0
0
2 A=@ 1 6
2 A.
A = L + D + U =@ 1
31 0
0 0 8
0
0
0
4
3 8
0 1 4
0 0
2
Adems D 1 = @ 0 16 0 A y luego la matriz de iteracin de Jacobi ser: CJ = I D 1 A =
0 0 18

0
@

0
1
6
1
2

1
2

0
3
8

0
1
3

A, spectral radius:

x(1) = CJ x(0) + E
0
0 12 0
(1)
x
= @ 61 0 13
3
1
0
0 2 81
0 2 0
x(2) = @ 61 0 13
1
3
0
0 2 81
0 2 0
(3)
1
@
0 13
x
=
6
1
3
0
2
8
0
1
0 2 0
(4)
1
@
0 13
x
=
6
1
3
0
2
8
0
0 12 0
(5)
x
= @ 61 0 13
1
3
0
2
8
0
0 12 0
(6)
x
= @ 61 0 13
1
3
0
0 2 81
0 2 0
x(7) = @ 61 0 13
1
3
0
0 2 81
0 2 0
x(8) = @ 61 0 13
1
3
0
0 2 81
0 2 0
(9)
1
@
0 13
x
=
6
1
3
0
2
8
0
1
0 2 0
(10)
1
@
0 13
x
=
6
1
3
0
2
8
0
0 12 0
(11)
x
= @ 61 0 13
1
3
0
2
8
0
0 12 0
(12)
x
= @ 61 0 13
1
3
0
0 2 81
0 2 0
x(13) = @ 61 0 13
1
3
0
2
8

0:468 57 y E = D 1 B = @

1
5
8

2
3

A.

1 0
1
1 0
1
0
1
A@ 0 A + @ 2 A = @ 2 A
3
3
5
5
0
10
1 08
1 08 2 1
1
1
3
A@ 2 A + @ 2 A = @ 5 A
10

10
A@
10
A@
10
A@
10
A@
10
A@
10
A@
10
A@
10
A@
10
A@
10
A@
10
A@

8
1
1 0
1 0 118 1
1
16
5 A
2 A
@
@ 59 A
+
=
8
3
72
1
5
11
8
1 0 8 1 0 19285 1
11
1
16
144
59 A
2 A
@
@ 439 A
+
=
72
3
576
11
5
5
192
8
192
1 0
1 0 713 1
85
1
144
1152
439 A
@ 2 A = @ 1337 A
+
576
3
1728
5
5
203
192
8
4608
1 0
1 0 2119 1
713
1
1152
3456
1337 A
@ 2 A = @ 10 439 A
+
1728
3
13 824
203
5
13
4608
8
512
0
0
1
1
1
17 209
2119
1
3456
27 648
10 439 A
31 535 A
+ @ 23 A = @ 41
13 824
472
13
5
3899
512
592
1 0 8 1 0 110
1
17 209
51 409
1
27 648
82 944
31 535 A
27 967 A
+ @ 23 A = @ 36
41 472
864
3899
5
3167
110 592
592
1 0 8 1 0 110
1
51 409
45 761
1
82 944
73 728
27 967 A
756 869 A
+ @ 23 A = @ 995
36 864
328
3167
5
81 227
110 592
208
1 0 8 1 0 2654
1
45 761
1233 787
1
73 728
1990 656
756 869 A
887 A
+ @ 23 A = @ 6050
995 328
7962 624
81 227
5
78 313
2654 208
208
1 0 8 1 0 2654
1
1233 787
9874 361
1
1990 656
15 925 248
6050 887 A
157 883 A
+ @ 23 A = @ 18
7962 624
23 887 872
78 313
5
1919 867
2654 208
8
63 700 992
1 0
1 0 29 617 861 1
9874 361
1
15 925 248
47 775 744
18 157 883 A
@ 2 A = @ 145 230 839 A
+
23 887 872
3
191 102 976
1919 867
5
211 835
63 700 992
8
7077 888
1
0
1
0
1
29 617 861
236 975 113
1
47 775 744
382 205 952
145 230 839 A
722 129 A
+ @ 23 A = @ 435
191 102 976
573 308 928
211 835
5
45 936 587
7077 888
8
1528 823 808
5
8
2
3

5
8

kx(13) x(12) k
y como
= 1: 567 9 10
(13)
0
0 236 975 113kx 1k
0:620 02
382 205 952
@ 435 722 129 A = : @
0:760 01
573 308 928
45 936 587
3: 004 7 10
1528 823 808

< 10
1

= " entonces podemos armar con x(13) =

A que estamos cerca de la solucin exacta x.