Documente Academic
Documente Profesional
Documente Cultură
Ax
Ax
cond(A) = max
min
x 0 x x 0 x
Factor de condiionare cond(A) mare nseamn A aproape singular.
Factorul de condiionare cond(A) are urmtoarele proprieti
cond(A) 1
1in
1i n
, Ax = y
y
A x = b ,
a crui soluie o notm cu x . Atunci
A x = b - b + b
A x = b - b + Ax*
A(x*- x ) = b- b
x*- x = A-1(b- b )
Atunci
Ax *
||x*- x || = || A-1(b- b )|| || A-1|| || (b- b )|| =|| A-1|| || (b- b )||
b
-1
|| A ||
b b
b
||A|| ||x*||,
de unde
b b
x x *
cond(A)
.
x*
b
problem ru condiionat
Exemplu
Considerm sistemul Ax = b, unde
A=
888.445
887.112
887.112
885.781
i
b= 1
0
Considerm urmtoarele comenzi MAPLE:
> with(linalg):
> A:=matrix(2,2,[888.445,887.112,887.112,885.781]);
888.445
A :=
887.112
887.112
885.781
> A1:=matrix(2,2,[888445/1000,887112/1000,887112/1000,
885781/1000]);
177689
200
A1 :=
110889
125
110889
125
885781
1000
> cond(A1);
3152602660249
> b:=vector([1,0]);
b := [ 1, 0 ]
> Digits:=6;
Digits := 6
> linsolve(A,b);
[ -499.248 , 500.000 ]
> Digits:=15;
Digits := 15
> linsolve(A,b);
[ 0.887555222890557 10 9, -0.888888888888889 10 9 ]
> Digits:=10;
Digits := 10
> linsolve(A,b);
[ 0.2496249066 10 7, -0.2500000000 10 7 ]
> linsolve(A1,b);
[ 885781000, -887112000 ]
885781000
x2
-887112000
Revenim la sistemul
Ax = b, cu A nesingular
notm cu x* soluia exact i cu x soluia aproximativ. Vectorul
r = b - A x
se numete reziduu. Avem
||x*- x || = 0 ||r|| = 0,
dar ||x*- x || i ||r|| nu sunt mici simultan. Avem
r = b - A x = Ax* - A x = A(x*- x )
A-1r = x* - x
1
||r|| =
|| A ||
= cond(A)
|| x* ||
|| x* ||
||r|| cond(A)
||r|| =
|| A |||| x* ||
|| Ax* ||
= cond(A)
|| x* ||
||r||.
|| b ||
de unde rezult
x * x
r
cond(A)
x*
b
Ca urmare factor de condiionare mic (problem bine condiionat) i reziduu mic
implic variaii relative mici ale soluiei.
Exemplu
Considerm sistemul Ax = b, unde
A=
1.001
i
b = 2.001
2
Evident soluia corect a sistemului este
x1
x2
2
=
se observ c
b - Ay =
0.001
0
Deci y aparent verific sistemul, dei este diferit de x. Aceasta se datoreaz valorii
factorului de condiionare al lui A pe care-l putem determina folosind urmtoarele
comenzi MAPLE:
> with(linalg):
> A:=matrix(2,2,[1,1.001,1,1]);
1
A :=
1
1.001
> cond(A);
4004.001000
Artm n continuare c dac reziduu este mare atunci variaia relativ a
coeficienilor matricei de intrare A este mare. S presupunem c x este soluia
sistemului (A+E) x = b. Atunci
(A+E) x = b
E x = b -A x
E x = r
de unde
||r|| = ||E x || ||E|| || x ||,
i ca urmare
|| r ||
|| E ||
.
|| A |||| x || || A ||
n consecin dac a reziduu este mare atunci variaia relativ a coeficienilor
matricei de intrare A este mare. Deci dac algoritmul de rezolvare a sistemului este
stabil atunci reziduul relativ este mic indiferent dac problema este bine
condiionat sau nu.
Nxk+1 = P xk + b, k 0.
Notm ek = x* xk eroarea absolut cu care xk aproximeaz x*, soluia exact a
sistemului Ax = b.
Teorem. Fie sistemul liniar Ax = b cu AMn,n(R) nesingular i fie A = NP o desfacere a matricei A (N Mn,n(R) matrice nesingukar). irul (xk)k definit
prin
Nxk+1 = P xk + b, k 0, x0 dat
orice e0, sau echivalent lim G k =0. Este cunoscut c lim G k =0 dac i numai
k
0 0
a2,2 0 0
..
0
0 0 an,n
0
L =
0 0
a2,1 0
0 0
..
an,1 an,2 an,3 an,n-1 0
N = D, P = - (L+R)
1
0
a11
N-1 =
-1
N P=
0 0
0 0 0
a 22
..
0
0 0
0 0
1
a nn
0 0
a 22
..
0
1
0
a11
0 0
:......................................................
a nn
9
a i, j
, i j.
a i,i
suficient ca min( G 1 , G
)<1.
Calculm G 1 :
G 1 = max{
g i, j ,1 jn}
i =1
n
= max{
i =1
i j
a i, j
, 1 jn}
a i ,i
Calculm G :
n
= max{ g i, j ,1 in}
j=1
n
= max{
a i, j
j=1
j i
a i ,i
,1 in}.
Dac G 1 < 1 sau G <1, atunci (G) <1. Dar condiia G <1 este echivalent cu
n
a i, j
a
j=1
j i
i ,i
10
caz n care spunem c A este diagonal dominant. Deci dac ai,i 0 pentru orice i
= 1,2,, n, i dac A este diagonal dominant atunci irul obinut prin metoda
Jacobi converge la soluia exact a sistemului Ax = b. Dac ek = x*- xk este eroarea
absolut cu care xk aproximeaz x*, soluia exact a sistemului Ax = b, atunci ek =
Gke0 pentru orice k 0. n consecin, pentru orice norme compatibile
ek G k e0 G k e0 G
e0
x ik +1 = gi, jx kj +
j=1
n
n
a i,j k
bi
b
b
xj + i .
= gi, jx kj - i =
a i,i j=1
a i,i j=1 a i,i
a i,i
ji
ji
x ik +1 =
n
1
(bi - a i, jx kj ), i =1,2,,n, k0.
a i,i
j=1
ji
11
N = L + D, P = -R.
irul (xk)k construit prin metoda Gauss-Seidel este definit prin
Nxk+1 = P xk + b, k 0, x0 dat
a1,1
0 0
a2,1 a2,2 0
:..................................................
x1k +1
x k2 +1
= Pxk + b
x kn +1
Deci
1
1 n
1 n
((Pxk)1 + b1) =
( P1, jx kj + b1) =
( P1, jx kj + b1) =
a1,1
a1,1 j=1
a1,1 j=2
x1k +1 =
n
1 n
1
( a1,jx kj + b1) =
(b1 - a1,jx kj )
a1,1 j=2
a1,1
j= 2
x ik +1 =
=
n
i1
1
( Pi, jx kj + bi - a i,jx kj +1 )
a i,i j=i +1
j=1
n
i1
1
( a i, jx kj + bi - a i,jx kj +1 )
a i,i j=i +1
j=1
n
i1
1
( bi - a i, jx kj - a i, jx kj +1 )
a i,i
j=i +1
j=1
12
pentru k0,
x1k +1 =
n
1
(b1 - a1, jx kj )
a1,1
j= 2
x ik +1 =
n
i1
1
( bi - a i,jx kj - a i,jx kj +1 ), i =2,3,,n
a i,i
j=i +1
j=1
Ca i n cazul metodei Jacobi dac ai,i 0 pentru orice i = 1,2,, n, i dac A este
diagonal dominant atunci irul obinut prin metoda Gauss-Seidel converge la
soluia exact a sistemului Ax=b. De asemenea dac A este o matrice simetric i
are elementele de pe diagonala principal pozitive, atunci metoda Gauss-Seidel
converge dac i numai dac matricea A este pozitiv definit.
13