Clase. 1. Resolución de sistemas de ecuaciones lineales: preliminares

Transcripción

1

2 Clase 1. Resolución de sistemas de ecuaciones lineales: preliminares 2. Método directo y exacto: Gauss 3. Método directo y exacto (II): descomposición LU 4. Métodos indirectos: Jacobi, Gauss-Seidel 2

3 Sistemas lineales PRELIMINARES

4 Matriz de coeficientes Vector de incógnitas Sistema de ecuaciones lineales

5 Recordatorio de álgebra lineal

6 La primera opción que uno se plantea es No es eficiente (demasiadas operaciones) Si el determinante de A es próximo a cero, el error de redondeo puede ser muy grande, y esto es dificil de estimar numéricamente ( ) Se requieren métodos numéricos alternativos:

7 La primera opción que uno se plantea es No es eficiente (demasiadas operaciones) Si el determinante de A es próximo a cero, el error de redondeo puede ser muy grande. Se requieren métodos numéricos alternativos: métodos directos (son exactos (no tienen asociado error de truncamiento), y son usados cuando la mayoría de los coeficientes de A son distintos de cero y las matrices no son demasiado grandes). Suelen ser algoritmos complicados de implementar

8 La primera opción que uno se plantea es No es eficiente (demasiadas operaciones) Si el determinante de A es próximo a cero, el error de redondeo puede ser muy grande. Se requieren métodos numéricos alternativos: métodos directos (son exactos (no tienen asociado error de truncamiento), y son usados cuando la mayoría de los coeficientes de A son distintos de cero y las matrices no son demasiado grandes). Suelen ser algoritmos complicados de implementar métodos indirectos o iterativos (tienen asociado un error de truncamiento y se usan preferiblemente para matrices grandes (n>>1000) cuando los coeficientes de A son la mayoría nulos matrices sparse-). Algoritmos sencillos de implementar que requiere aproximación inicial y que en general no tiene porqué converger (requieren análisis de convergencia previo).

9 Ejemplos Métodos directos método de eliminación de Gauss (llevar A a triangular) método de descomposición LU (A=LU, donde L triangular inferior y U triangular superior) método de Cholesky (LU para matrices simétricas) Métodos iterativos método de Jacobi método de Gauss-Seidel método SOR

10 METODOS DIRECTOS

11

12 método de eliminación de Gauss

13 LA IDEA o Primero, mediante operaciones elementales por filas, se transforma la matriz ampliada en una matriz triangular superior (equivalente a la matriz de partida) (PASO DE ELIMINACION) o Segundo, se resuelve dicho sistema obteniendo las incógnitas, empezando por la n-esima la última- y acabando con la primera (PASO DE SUSTITUCION).

14 (ALGEBRA LINEAL)

15

16 REPETIMOS ESTE PROCESO N-1 VECES HASTA LLEGAR A

17 Finalmente, por sustitución regresiva resolvemos el sistema.

18 ELIMINACIÓN DE GAUSS: ALGORITMO COMPLETO Paso de eliminación Paso de sustitución (cambio de notación a u)

19 método de descomposición LU

20 LA IDEA o Primero, a partir de la matriz A se calcula aquella matriz triangular inferior L y aquella matriz triangular superior U (con 1 s en la diagonal) tal que A=LU (PASO DE DESCOMPOSICION) o Así, el sistema Ax=b pasa a ser LUx=b. Primero hacemos el cambio Ux=y, que introducimos y el sistema resulta Ly=b. Como L es triangular, fácilmente calculamos y. Finalmente, introducimos este resultado en Ux=y, y como U es triangular, fácilmente calculamos x. (PASO DE SUSTITUCION).

21 PASO DE DESCOMPOSICION : L, U \ A=LU

22 PASO DE SUSTITUCION : Ly=b (cambio de notación y x)

23 PASO DE SUSTITUCION : Ux=y (cambio de notación y b)

24 Comentarios práctica (MÉTODOS DIRECTOS) -Cuidado con la información de entrada en las subrutinas!! - Subrutina LU: algoritmo se resuelve secuenciamente!! -Cálculo de determinantes con LU: trivial!!!!! det(a)=det(lu)=det(l)det(u)

25 Matrices estrictamente diagonal dominantes: propiedad suficiente para Gauss sin pivote y para LU (aunque no necesarias)

26 METODOS INDIRECTOS

27 GENERALIDADES - Qué son los métodos indirectos/iterativos? Esquemas numéricos para resolver sistemas de ecuaciones lineales, basados en la aplicación de un algoritmo a partir de una solución inicial, que se repite iterativamente hasta que un criterio de parada (convergencia) detiene el algoritmo (número de pasos desconocido a priori). - Para qué se usan los métodos indirectos/iterativos? Eficientes para sistemas grandes con matrices con un elevado número de ceros (matrices sparse), que aparecen en problemas de física e ingeniería, asociados a la resolución de ecuaciones diferenciales en derivadas parciales. - Convergencia y problemas mal condicionados Estos métodos no siempre convergen, y además, en ocasiones pequeñas variaciones pueden introducir grandes errores (problema de mal condicionamiento).

28 GENERALIDADES- esquema general Sea el problema Ax=b En la iteración k-ésima, el esquema numérico es x (k) = T x (k-1) + c Donde x es el vector solución, T una matriz nxn y c un vector, que dependen todos ellos de A y b

29 GENERALIDADES- esquema general -Si el esquema converge, el orden de convergencia es LINEAL (se necesitarán bastantes pasos para llegar a convergencia) - Por eso, se aplican estos métodos cuando las matrices tienen muchos ceros (cada paso tiene poco coste computacional)

30 GENERALIDADES- esquema general -criterio de parada: noción de distancia entre vectores? norma vectorial y matricial

31

32 GENERALIDADES- esquema general Distancia entre vectores Criterio de parada

33 MÉTODO DE JACOBI

34 MÉTODO DE JACOBI Planteamos el siguiente esquema iterativo! (si alguno de los elementos diagonales es nulo, reordenamos la matriz)

35 MÉTODO DE JACOBI

36 MÉTODO DE JACOBI: criterio de parada Suponiendo que la sucesión de x (k) es convergente (más tarde veremos cuándo sucede esto), el algoritmo parará cuando la solución varíe poco, por ejemplo:

37 MÉTODO DE GAUSS-SEIDEL Partiendo del método de Jacobi

38 MÉTODO DE GAUSS-SEIDEL jacobi

39 MÉTODO DE GAUSS-SEIDEL

40 MÉTODO DE GAUSS-SEIDEL En notación matricial, requiere calcular inversas, luego es preferible un algoritmo que resuelva, en cada iteración, secuencialmente cada elemento del vector solución: Donde i=1,2,,n.

41 MÉTODO DE GAUSS-SEIDEL: criterio de parada Suponiendo que la sucesión de x (k) es convergente (más tarde veremos cuándo sucede esto), el algoritmo parará cuando la solución varíe poco, por ejemplo:

42 COMPARACION EJEMPLO

43 COMPARACION EJEMPLO: USANDO JACOBI USANDO JACOBI

44 COMPARACION EJEMPLO: USANDO GAUSS-SEIDEL USANDO JACOBI

45 COMPARACION EJEMPLO USANDO JACOBI USANDO GAUSS-SEIDEL ES SIEMPRE GS MÁS RÁPIDO QUE JACOBI??

46 COMPARACION EJEMPLO USANDO JACOBI USANDO GAUSS-SEIDEL ES SIEMPRE GS MÁS RÁPIDO QUE JACOBI?? NO SIEMPRE! ES NECESARIO REALIZAR UN ESTUDIO DE CONVERGENCIA PREVIO

47 CONVERGENCIA Los métodos anteriores pueden converger/divergir independientemente (cada uno puede converger o divergir para el mismo problema). CONDICION SUFICIENTE DE CONVERGENCIA

48 CONVERGENCIA: radio espectral Cómo crece el error de truncamiento absoluto del esquema?

49 CONVERGENCIA

50 CONVERGENCIA Ojo Calcular el radio espectral puede ser costoso, pero cualquier norma natural de una matriz es cota superior de su radio espectral basta con calcular una norma natural (la más sencilla de calcular es l infinito) y verificar que es menor que 1 para que el método sea convergente.