Tema 4 Álgebra Lineal Numérica
Transcripción
Tema 4 Álgebra Lineal Numérica
Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Tema 4 Álgebra Lineal Numérica Angel Mora Bonilla, Emilio Muñoz Velasco Departamento de Matemática Aplicada Universidad de Málaga Escuela Politécnica Superior Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios ¿Qué es un Sistema Lineal? Conocimientos previos Definiciones. Propiedades Normas Librerı́as de Scilab ¿Qué es un Sistema Lineal? Un sistema lineal de m ecuaciones con n incógnitas puede ser expresado de la forma: a1,1 x1 + a1,2 x2 + . . . + a1,n xn = b1 a2,1 x1 + a2,2 x2 + . . . + a2,n xn = b2 ... am,1 x1 + am,2 x2 + . . . + am,n xn = bm o bien, en forma matricial A~x = ~b, donde A es una matriz m × n y ~b es un vector columna con m componentes. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios ¿Qué es un Sistema Lineal? Conocimientos previos Definiciones. Propiedades Normas Librerı́as de Scilab ¿Introducir matriz en SCILAB? El sistema 2x1 + 4x2 + 3x3 = 3 1x1 + 3x2 − 2x3 = −1 −1x1 − 3x2 + 0x3 = 2 se introduce y resuelve en SCILAB de la siguiente forma: --> A=[2 4 3; 1 3 -2; -1 -3 0] --> b=[3; -1; 2] --> x=A\b Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios ¿Qué es un Sistema Lineal? Conocimientos previos Definiciones. Propiedades Normas Librerı́as de Scilab Conocimientos previos-I Sistema Compatible Determinado (SCD): Solución única. Sistema Compatible Indeterminado (SCI): Infinitas soluciones. Sistema Incompatible (SI): No existe solución. Determinante de una matriz cuadrada y su cálculo. --> det(A) Rango de una matriz. Significado y cálculo. Matriz traspuesta. --> A’ Matriz inversa. --> inv(A) Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios ¿Qué es un Sistema Lineal? Conocimientos previos Definiciones. Propiedades Normas Librerı́as de Scilab Conocimientos previos-II Si A es una matriz cuadrada: Matriz inversible: (∃A−1 , |A| = 6 0) Matriz singular: (6 ∃A−1 , |A| = 0) Matriz diagonal: i 6= j ⇒ ai,j = 0 Matriz triangular superior: i > j ⇒ ai,j = 0. Matriz triangular inferior: i < j ⇒ ai,j = 0. Matriz simétrica: A = A0 . Autovalores y autovectores. Significado y cálculo. --> [P,D]=spec(A) Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios ¿Qué es un Sistema Lineal? Conocimientos previos Definiciones. Propiedades Normas Librerı́as de Scilab Propiedades El producto de una matriz por su traspuesta siempre es una matriz simétrica. Los autovalores de una matriz simétrica siempre son reales. Los autovalores de A’A siempre son no negativos. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios ¿Qué es un Sistema Lineal? Conocimientos previos Definiciones. Propiedades Normas Librerı́as de Scilab Norma vectorial: Ejemplos Las usuales son: k~xkk = q k |x1 |k + |x2 |k + . . . + |xn |k de las que destacan: Norma 1: k~xk1 = |x1 | + |x2 | + . . . + |xn | ⇒ k(−1, 3, −4)k1 = 8. p Norma 2: k~xk2 = √|x1 |2 + |x2 |2 + . . . + |xn |2 ⇒ k(−1, 3, −4)k2 = 1 + 9 + 16. Norma ∞: k~xk∞ = máx{|x1 |, |x2 |, . . . , |xn |} ⇒ k(−1, 3, −4)k∞ = 4. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios ¿Qué es un Sistema Lineal? Conocimientos previos Definiciones. Propiedades Normas Librerı́as de Scilab Radio espectral Se define el Radio espectral de una matriz A como el módulo del autovalor con mayor módulo. Esto es: ρ(A) = máx |λi | i Ejemplo: Dada la matriz A = 2 1 −1 3 resulta: --> rad=max(abs(spec(A))) Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios ¿Qué es un Sistema Lineal? Conocimientos previos Definiciones. Propiedades Normas Librerı́as de Scilab Normas matriciales usuales Norma 1: kAk1 = máxj --> norm(A,1) P i |ai,j | P Norma ∞: kAk∞ = máxi j |ai,j | --> norm(A,’inf’) p Norma 2: kAk2 = ρ(A0 A) --> norm(A,2) --> norm(A) En general, toda norma verifica ρ(B) ≤ kBk. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios ¿Qué es un Sistema Lineal? Conocimientos previos Definiciones. Propiedades Normas Librerı́as de Scilab Normas matriciales: Ejemplo Ejemplo: Para la matriz A = −2 3 0 0 −1 1 resulta: kAk1 = máx{2, 4, 1} = 4, kAk∞ = máx{5, 2} = 5 4 −6 0 Para la norma 2: A0 A = −6 10 −1 ⇒ |A − λI | = 0 ⇒ 0 −1 1 4−λ −6 0 −6 10 − λ −1 = −λ3 + 15λ2 − 17λ = 0 0 −1 1−λ ⇒ λ1 = 0, λ2 ≈ 1,235, λ3 ≈ 13,765 luego √ kAk2 ≈ 13,765 ≈ 3,7101. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios ¿Qué es un Sistema Lineal? Conocimientos previos Definiciones. Propiedades Normas Librerı́as de Scilab Sistemas Sobredeterminados y Vector Residuo A los sistemas que no tienen solución (incompatibles) se les llama también sistemas sobredeterminados. Vector residuo: Se llama ası́ al vector ~r = A~x − ~b. --> r=A*x-b Si ~x es la solución del sistema, el residuo es el vector cero, pero no será ası́ debido a los errores que siempre estarán presentes en los cálculos. Llamamos solución de un sistema sobredeterminado al vector x̃ que minimize la norma 2 del vector residuo. Es decir, no existe solución y llamaremos ası́ a la “menos mala”. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios ¿Qué es un Sistema Lineal? Conocimientos previos Definiciones. Propiedades Normas Librerı́as de Scilab Librerı́a para Scilab de S.E.L. prac1.sci En este fichero se encuentra la librerı́a de rutinas para la práctica primera. Pasos para cargar la librerı́a: File - Change Directory. Cambiarse al directorio en el que está la práctica File - Execute (seleccionar el fichero prac1.sci) Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Métodos de Gauss y de Gauss-Jordan Otras opciones Método de Factorización QR Métodos de Gauss y de Gauss-Jordan Rutinas implementadas Los métodos de Gauss implementados en Scilab son los siguientes: Gauss, gauss.sci; Métodos Gaussianos. Gauss Jordan, gaussjor.sci; Para resolver un sistema Ax = B por Gauss en Scilab, hay introducir previamente las matrices A y B, a continuación hay que ejecutar las siguientes órdenes: --> x=gauss(A,B) --> residuo=A*x-B --> norm(residuo) Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Métodos de Gauss y de Gauss-Jordan Otras opciones Método de Factorización QR Otras opciones Hay otras formas de resolver un sistema de ecuaciones. Comparar los resultados. --> x1=inv(A)*B --> x2=A\B Conviene siempre comprobar el rango de A y de la ampliada para ver que tipo de sistema estamos resolviendo. --> rank(A), rank([A B]) --> det(A) Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Métodos de Gauss y de Gauss-Jordan Otras opciones Método de Factorización QR Ejemplo --> A=[1 2 3; 3 4 5; 3 4 5] --> b=[1 2 3]’ Si estudiamos rangos de A y de la matriz ampliada: --> rank(A) ans = 2. --> rrank([A b]) ans = 3. El sistema por tanto es incompatible. Al intentar Gauss da error. --> x=gauss(A,b) Probar las opciones: --> inv (A) ∗ B --> A\B Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Métodos de Gauss y de Gauss-Jordan Otras opciones Método de Factorización QR Método de Factorización QR Dada una matriz A, la descompondremos en A = QR siendo Q una matriz ortogonal (Q 0 = Q −1 ) y R una matriz triangular superior. Para resolver A~x = ~b consideramos A~x = QR~x = ~b ⇒ Q0 QR~x = R~x = Q0~b. Ası́: 1 2 Descomponemos la matriz A en el producto QR [Q,R]=qr(A) Resuelvo R~x = Q 0~b. ~x = R \ Q 0 ∗ ~b Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Métodos de Gauss y de Gauss-Jordan Otras opciones Método de Factorización QR Método QR: Ejemplo 1 Para resolver el sistema A~x = ~b por el método QR, haremos: 1 Introducimos la matriz A, el vector ~ b y descomponemos: --> A=[4 4 5;2 1 3; 5 6 4]; --> b=[2 3 4]’;[Q,R]=qr(A) −0,5963 Q = −0,2981 −0,7454 2 −0,1988 −0,8447 0,4969 −0,7778 0,4444 , 0,4444 R= −6,7082 0 0 −7,1554 1,3416 0 Calculo ~x mediante: --> R \ (Q 0 ∗ b) 6 Obtenemos ~x = −3 . −2 Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica −6,8573 −1,5404 −0,7778 Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Métodos de Gauss y de Gauss-Jordan Otras opciones Método de Factorización QR Método QR: Ejemplo 2-(a) Hallar una recta que pase por los puntos: (2,3), (-1,2), (-2,2), (0,2) y (3,4). La ecuación de la recta es y = mx + b por lo que debemos encontrar m y b tales que se verifique: 3=2m+b; 2=-m+b; 2=-2m+b, 2=b; 4=3m+b, que no pueden verificarse simultáneamente (sistema sobredeterminado). La mejor solución (recta de regresión por mı́nimos cuadrados), se obtiene de forma eficiente por el método QR: 2 −1 A = −2 0 3 1 1 1 1 1 Angel Mora Bonilla, Emilio Muñoz Velasco 3 2 ~ , b = 2 2 4 ⇒ Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Métodos de Gauss y de Gauss-Jordan Otras opciones Método de Factorización QR Método QR: Ejemplo 2-(b) Q= −0,4714 0,2357 0,4714 0 −0,7071 −0,3558 −0,5083 −0,5592 −0,4575 −0,3050 0,2170 −0,7079 0,6410 −0,1967 0,0467 −0,1729 −0,4298 −0,1414 0,8663 −0,1222 −0,5777 −0,0126 0,1851 −0,0392 0,6244 , R = −4,2426 0 0 0 0 −0,4714 −2,1858 0 0 0 −2,8284 −5,3374 −4,2426x − 0,4714y = −2,8284 0,3953 ~b 0 = Q 0~b = ⇒ ~x = 0,3104 ⇒ −2,1858y = −5,3374 2,4419 −0,4174 0,4910 luego la recta es: y=0.3953x+2.4419 Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Generalidades Método de Jacobi Condiciones de convergencia Errores Métodos iterativos. Los métodos directos resultan, en general, inservibles para n > 50 incógnitas porque propagan los errores. Otro problema es que los métodos directos necesitan almacenar la matriz A en memoria. Los grandes sistemas de ecuaciones que surgen en la práctica, tienen la matriz A esparcida (muchos coeficientes igual a cero) y aunque existen métodos directos especiales, usualmente se resuelven por métodos iterativos. Los métodos iterativos tienen la ventaja de no propagar el error. La estimación de la solución obtenida ~x (k) , puede considerarse como vector inicial (sin errores) para la iteración siguiente k + 1. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Generalidades Método de Jacobi Condiciones de convergencia Errores Convergencia y otros problemas asociados Los métodos iterativos obtienen una estimación de la solución del sistema ~x (m+1) en función de las anteriores, en este caso sólo será una función lineal de la anterior: ~x(m+1) = B~x(m) + C donde B es la matriz del método y C es un vector. Los problemas asociados con los métodos iterativos son: Convergencia Para que sea útil debe ser convergente y el lı́mite ser la solución del sistema. Velocidad de convergencia: Interesa que converja lo más rápido posible. Vector inicial: ¿Cómo se elige?. Condición de parada: ¿Cuándo paramos de iterar? Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Generalidades Método de Jacobi Condiciones de convergencia Errores Criterio de Convergencia Un método iterativo de la forma: ~x(m+1) = B~x(m) + C, converge, si y sólo si, ρ(B) < 1. Tiene convergencia global, no depende del vector de inicio. Una medida de la velocidad de convergencia nos la da el valor de ρ(B). Interesa que sea lo más próximo a cero posible. La solución del sistema (~x∗ ), debe ser punto fijo del método iterativo ~x∗ = B~x∗ + C. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Generalidades Método de Jacobi Condiciones de convergencia Errores Forma matricial del método de Jacobi Consideremos la descomposición A = D + L + R donde: D= Matriz diagonal con la misma diagonal que A. L= Matriz con todos los términos nulos, excepto los que están por debajo de la diagonal en los que coincide con A. R= Matriz con todos los términos nulos, excepto los que se encuentran por encima de la diagonal en los que coincide con A. Dado el sistema A~x = ~b ⇒ (D + L + R)~x = ~b ⇒ D~x = −(L + R)~x + ~b ⇒ ~x = −D−1 (L + R)~x + D−1~b El método de Jacobi queda: ~x(m+1) = BJ~x(m) + CJ con BJ = −D−1 (L + R), CJ = D−1~b Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Generalidades Método de Jacobi Condiciones de convergencia Errores Ejemplo Hallar el vector residuo y sus normas tras dar 3 iteraciones por el (0) 0 al sistema: A~ método x = ~b: de Jacobi , ~x = (2,3, 0) , 5 3 −1 2 A = −2 3 −1 , ~b = 4 1 3 −5 −5 Tras 3 iteraciones por Jacobi, --> [x3,res,rad,BJ,CJ]=jacobi(A,b,3,[2;3;0]): −0,0160 1,3519 ~x (3) = 1,7333 → res ~ = −0,5361 ⇒ 1,7680 1,3439 ~ 1 = 3,2319 kresk ~ ∞ = 1,3519 kresk ~ 2 = 1,9802 kresk Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Generalidades Método de Jacobi Condiciones de convergencia Errores Condiciones de convergencia La condición necesaria y suficiente de convergencia de un método, es que el radio espectral de la matriz del método sea menor que 1: ρ(B) < 1. Como para cualquier norma, ρ(B) < ||B||, si ||B|| < 1 el método converge. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Generalidades Método de Jacobi Condiciones de convergencia Errores Errores en los métodos iterativos El error cometido en un método iterativo tras m iteraciones puede acotarse mediante: k~x(m) − ~x∗ k∞ = k∆~x(m) k∞ ≤ kBkm x(1) − ~x(0) k∞ ∞ k~ 1 − kBk∞ donde B (kBk∞ < 1) es la matriz del método iterativo. De la fórmula anterior, podemos calcular el número de iteraciones n necesario para obtener una solución con un error determinado E : m≥ E · (1 − kBk ) 1 ∞ · log (1) (0) ~ k~x − x k∞ log kBk∞ ) Estas fórmulas pueden dar problemas en el caso de que kBk∞ sea próxima a 1. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Generalidades Método de Jacobi Condiciones de convergencia Errores Errores en los métodos iterativos: Ejemplo Acotar el error cometido 5 Jacobi al sistema −2 1 al dar 3 iteraciones el métodode por 3 −1 2 0 6 −1 ~x = 4 , ~x (0) = 1 . 3 −5 −5 0 --> [x3,res,rad,BJ,CJ]=jacobi(A,b,3,[0;1;0]) --> n=norm(BJ) --> ans=0.8 --> x1=jacobi(A,b,1,[0;1;0]) --> n1=norm(x1-[0;1;0]) Resultados y calculamos el error: k∆~x(3) k∞ ≤ n3 n1 1−n = 4,096 ¿Cuántas iteraciones serán necesarias para obtener un error menor que 10−7 ? Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Cálculo de autovalores Scilab calcula los autovalores de una matriz A con la orden spec(A), si queremos además la matriz diagonal V y la matriz de paso X , escribiremos [X,V]=spec(A). Un método iterativo para el cálculo de autovalores se basa en la descomposición QR de la matriz A. 1 2 A0 = A Repetir: [Q, R] = qr(Ai ) Ai+1 = RQ En Scilab el algoritmo está implementado en el archivo francis.sci, ejecutarlo y luego introducir francis(A,n), siendo A la matriz de partida y n el número de iteraciones. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Ejercicio 1 Dado el sistema Ax=b, siendo: 16 0 −1 0 −5 2 1 4 2 7 −2 0 3 0 −1 4 0 3 16 1 0 0 −1 4 4 2 0 20 4 0 0 4 , A= 5 11 1 0 4 −1 −1 −1 −1 −1 −1 −1 6 12 0 4 0 1 1 1 2 7 15 4 0 2 1 0 0 0 1 4 b= 1 3 −2 2 5 6 3 0 (a) Iterar por el método de Jacobi (30 iteraciones, inicio el origen). Estudiar previamente su convergencia y calcular las normas 1, 2, ∞ del vector residuo. (c) Acotar el error cometido. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Ejercicio 2 Dado el sistema Ax=b, siendo: 1 −3 2 1 0 0 3 10 −1 2 A = 1 10 30 −1 1 , 2 4 0 10 2 2 11 1 0 10 b= 1 1 2 1 1 (a) Estudiar la compatibilidad del sistema. (b) Resolverlos por métodos directos e iterativos estudiados. (c) Estudiar la convergencia de los métodos iterativos. (d) Dar las iteraciones necesarias para obtener la solución con error menor que 10−6 . Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Ejercicio 3 Dado el sistema Ax = b, con 4 −1 −1 4 A= −2 0 0 −2 −2 0 4 0 0 −2 ;b = 0 4 −1 −1 4 −4 Estudiar la convergencia de Jacobi y calcular el error cometido si das 100 iteraciones. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Ejercicio 5 Dado el sistema Ax = b con: 8,9988745 A = 3,1871123 8,4364121 2,3214327 4,42111111 −8,62046793 6,6423 10,9983091 −1,222222 ; b = −6,8773192 . 16,9512661 42,62861406 (a) Resolver por los métodos QR, y Jacobi (100 iteraciones), estudiando previamente la convergencia. (b) Calcular los residuos y comparar. (c) Acotar el error cometido en cada uno. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Ejercicio 6 La ley de Kirchoff para el voltaje aplicado a un circuito produce el siguiente sistema de ecuaciones: (R1 + R3 + R4 )I1 + R3 I2 + R4 I3 = E1 R3 I1 + (R2 + R3 + R5 )I2 − R5 I3 = E2 R4 I1 − R5 I2 + (R4 + R5 + R6 )I3 = 0 Calcular las intensidades de corriente I1 , I2 , I3 cuando R1 = 1, R2 = 1, R3 = 2, R4 = 1, R5 = 2, R6 = 4 y E1 = 23, E2 = 29. Calcular también para E1 = 12, E2 = 21,5. Resolver por los distintos métodos estudiados, calcular errores y comparar resultados. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Ejercicio 7 Dado el sistema Ax = b con A = (aij ) = 1/(i + j − 1); b = (bi ) = i 2 − 3, (i, j = 1 . . . ..n). (a) Resolver por un método directo y por un método iterativo con n = 8. (b) Comparar resultados analizando el vector residuo, y su norma. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica Introducción Métodos directos: Descomposición Métodos iterativos Cálculo de autovalores Ejercicios Ejercicio 9 Calcular, si es posible, los autovalores de la matrices de los ejercicios anteriores con la orden directa y con el algoritmo francis. Angel Mora Bonilla, Emilio Muñoz Velasco Tema 4 Álgebra Lineal Numérica