You are on page 1of 3

Resumen Primer Certamen

Gustavo Sazo S.
An
alisis Numerico (MAT270)
Departamento de Electr
onica, Universidad Tecnica Federico Santa Mara
2014

1.
1.1.

Teora del error

1.3.

Sean x Rn datos, y Rm resultados y f =


(f1 , . . . , fm ). Para determinar si un problema est
a bien
condicionado, es necesario obtener primero los factores
de condicionamiento, de la siguiente manera:

Representaci
on en punto flotante
normalizado

Cij =

x = 0 . a1 a2 . . . at 10b
Donde,
t: Cantidad de dgitos que tienes la mantisa
d: Cantidad de dgitos que tiene el exponente
b: Exponente

2.
2.1.

at+1 < 5
at+1 5

Ecuaciones no lineales

Se aplica a ecuaciones f (x) = 0, x [a, b] usando bisecciones de intervalos.


a+b
1) Primera biseccion: Punto medio de [a, b], p1 =
2

|rd(x) x|
|x|

2) Verificar signo de f (a)f (p1 ) y f (b)f (p1 ), se retiene


el negativo.

Teorema

3) En el caso de que f (b) f (p1 ) sea negativo, se opera


entre [p1 , b] y se busca el punto medio del intervalo.

1) |rd(x) x| 0. 5 10bt
2)

Ecuaciones y sistemas no lineales

M
etodo de la bisecci
on

Error Absoluto = |rd(x) x|


Error Relativo =

xi fj
(x)
yj xi

Se dice que un problema es bien condicionado si |Cij | es


peque
no. Se espera que |Cij | < 1.

Estimaci
on del error
Redondear a t dgitos significativos

0 . a1 . . . at . . . 10b
rd(x) =
(0 . a1 . . . at . . . + 10t ) 10b

Buen condicionamiento

|rd(x) x|
5 10t
|x|

4) Volver al paso 2, con el nuevo intervalo y proceder.


M
etodo regula falsi

N
umero de precisi
on de la m
aquina

Se inspira en el metodo de la biseccion, pero considera la


forma de la funcion f al considerar sus secantes. Es m
as
rapido que el metodo de la biseccion.

B
EP S =
B t
2
Donde B es la base del sistema.

M
etodo de Newton

1.2.

Aritm
etica flotante

Sea y = f (x) una funcion diferenciable en el intervalo


]a, b[.

1) rd(x) x = x rd(x) = x( + 1)


2) || EP S
Nota: Las propiedades distributiva y asociativa no son
v
alidas en la aritmetica flotante
1

Algoritmo de Newton, con fi derivable


(
1
~x(n+1) = ~x(n) JF~ (~x(n) ) F (~x(n) )
~x(0) Rn Dato inicial

3.
Figura 1: Metodo de Newton

Sea el sistema lineal A X = b, donde


A: matriz de n n de gran tama
no, invertible. b: vector
columna de n datos. X: vector columna incognita.

Donde,
xn+1 : corte con el eje x de la recta tangente a f por
P (xn , f (xn ).
xn+1 = xn

3.1.

Algoritmo de sustitucion ascendente, con i =


2, . . . , n

M
etodo de Bailey

2) A matriz sim
etrica
Sea L una matriz invertible, triangular superior

Se puede considerar que corresponde al metodo de Newton con un factor de perturbaci


on.

A = L LT

f (xn )
f 0 (xn )
= xn
f (xn ) f 00 (xn )
1
2(f 0 (xn ))2

AT = (L LT )T = L LT = A
Sea el sistema A X = b, la solucion se obtiene de la
siguiente manera:

El metodo de Bailey triplica los dgitos significativos.

I) AX = b
II) (L LT )X = b
III) L(LT X) = b

LY = b
IV)
LT X = Y

Punto fijo

2.2.

M
etodos directos

1) A matriz triangular superior

n
X
1
bn
xi =
bi
aij xj
xn =
ann
aii
j=i+1

f (xn )
f 0 (xn )

El requisito es que f 0 (xn ) 6= 0. Newton duplica los dgitos


significativos.

xn+1

Sistemas Lineales

Sistemas no lineales

Sistema con mismo n


umero de ecuaciones y variables que
~
se puede escribir vectorialmente como F~ (~x) = ~0. Sea H
una matriz invertible, entonces:

3.2.

~ x) F~ (~x) = 0
F~ (~x) = ~0 H(~
~ x) F~ (~x) = ~x
~x + H(~

M
etodo de Cholesky para matrices
sim
etricas

A matriz simetrica definida positiva Existe L triangular inferior invertible, de modo que A = L LT

~ x) = ~x
G(~

F
ormulas para L

1) Si ~x = ~s es la soluci
on y ||JG
s)|| < 1, donde
~ (~


gi
JG
~ =
xj

L=

L11
L21
..
.

0
L22

...
...

0
0

Ln1 Ln2 . . . Lnn

L11 = a11

ai1

P rimera columna Li1 =

L
11

R esima
A = L LT
q columna
Pr1

Lrr = arr j=1 L2rj

Pr1
1

Lkr =
akr j=1 Lrj Lkj
Lrr

entonces la convergencia es local.


2) Si JG
s) = ~0, la convergencia es al menos cuadratica
~ (~
M
etodo de Newton en Rn
Es localmente y al menos cuadr
aticamente convergente
si det(JF~ (~s)) 6= 0 para el caso F~ (~x) = ~0 donde ~x = ~s es
soluci
on.
2

3.3.

M
etodo LU o de Gauss

Primer pivote: a11 6= 0


ai1
Factores de eliminaci
on: mi1 =
a11
Sea A(2) = M (1) A

1
0 0
m21 1 0

M (1) = m31 0 1

..
.. ..

.
. .
mn1
En general se logra, para

a11
a12
0 a22 (2)

.
..
..
.

0
A(r) = 0

0
0

..
..
.
.
0
0

El metodo consiste en encontrar una matriz P de


permutacion (de filas) y factorizar P A = LU .

i = 2, . . . , n

...
...
...
..
.

0
0
0
..
.

...

El metodo permite descomponer un sistema matricial en dos sistemas triangulares:

AX = b P AX = P b

LU X = P b

LZ = P b

UX = Z

r < n:

M
etodo LU por pivote total
...
...

..

...
...

a1n
(2)
a2n
..
.

...
...

arrn
(r)
ar+1,n

...
(r)
arr
(r)
ar+1,r
..
.
(r)
. . . an,r

...
...

..
.
...

(r)

Se busca el pivote en la submatriz.


Se intercambian filas y columnas para ubicar el pivote
en la posicion correcta, eso provocara un cambio en los
multiplicadores y en las incognitas.

Consiste en encontrar dos matrices de permutaci


on
(P y Q) y factorizar P AQ = LU . Esto se usa para
descomponer el sistema original en sistemas triangulares:

ann

AX = b P AX = P b

(r)

r-esimo pivote: arr 6= 0

P AQQ1 X = P b
(r)

Factores de eliminaci
on: mir =

M (r)

...
..
.

air

(r)

arr

...

...
..
.

mr+1,r
..
.
mn,r

M (n1) . . . M (2) M (1) A = A(n) = U


A = (M

(1) 1

(M

(2) 1

. . . (M

LU Q1 X = P b

LZ = P b
UY = Z

1
Q X=Y

LZ = P b
UY = Z

X = QY

i = r + 1, . . . , n

... 0
..
.

... 0

..
.

.
..
. ..
1

(T riangular superior)

(n1) 1

U = LU

con

L=

3.4.

1
m21
..
.

0
1
..
.

...
...
..
.

0
0
..
.

mn1

mn2

...

M
etodos num
ericamente estables

M
etodo LU por pivote parcial
Se busca el pivote en la columna, el n
umero mas grande
en valor absoluto.
Se intercambian filas para ubicar el pivote en la posicion
correcta, eso provocar
a un cambio en los multiplicadores.
3

You might also like