An02 PDF

Sisteme de ecuaii liniare
13
1. Sisteme de ecuaii liniare

Reamintim c un sistem de n ecuaii algebrice liniare cu n necunoscute este
de forma:
a11x1 + a12 x2 + K + a1n xn = b1
a21x1 + a22 x2 + K + a2n xn = b2

(1)
....................
an1 x1 + an 2 x2 + K + ann xn = bn
Dac notm cu A matricea coeficienilor, cu x vectorul coloan format cu
necunoscutele sistemului i cu b coloana termenilor liberi, sistemul (1) se scrie
sub form matriceal :
Ax=b,
(2)
unde:
a11 a12 K a1n
x1
b1

a21 a22 L a2n
x2
b
A=
x= ,
b= 2
,
M
M
M
M
M
n1 an 2 K ann
xn
bn
Metodele numerice de rezolvare a sistemelor algebrice de ecuaii liniare
sunt de dou tipuri: metode directe i metode indirecte (sau iterative).
Metodele directe constau n transformarea sistemului (1) ntrun sistem
triunghiular echivalent, care se rezolv uor. Cele mai cunoscute metode directe
sunt: metoda Gauss, metoda Cholesky (utilizat pentru sistemele n care matricea A
este simetric i pozitiv definit) i metoda Householder.
Metodele directe permit determinarea soluiei exacte a sistemului n cazul
ideal, cnd nu avem erori de rotunjire. Numrul operaiilor aritmetice efectuate este
de ordinul n3. Pentru sisteme cu un numr de ecuaii mai mare de 100, metodele
directe devin inutilizabile datorit acumulrii erorilor de rotunjire care altereaz
soluia.
Metodele indirecte (sau iterative) constau n construcia unui ir {x(k)} de
vectori ndimensionali, care converge la soluia exact a sistemului. Se alege ca
14
Bazele Analizei Numerice
soluie aproximativ a sistemului un termen x(s) al irului, al crui ordin depinde

de precizia impus.
O iteraie presupune efectuarea unui numr de operaii aritmetice de
ordinul n2. Metodele iterative sunt utilizate la rezolvarea sistemelor mari de
ecuaii. Cele mai cunoscute metode iterative sunt: Jacobi, GaussSeidel, metodele
de relaxare.
1.1. Metoda Gauss. Factorizarea LU

Fie
0
0

M
M
0

i e = 1
mr =
r
mr +1,r
0

M
M
0
mn , r

(elementul 1 din er se afl pe linia r).

O matrice de forma Mr = In mrer T, unde erT= (0, ... , 1, ... ,0) , se numete
matrice Frobenius. O astfel de matrice are urmtoarea structur:
0
0 L 0
1
0
1
0 L
Mr =
0 L mr +1,r 1 L 0
0 L m
0
L
1
nr
De exemplu, dac n = 4 i r = 2 , avem:

1 0 0 0 0 0 0 0
1 0 0 0 0

0 1 0 0 0 0 0 0
0 1 0 0 0
(0 1 0 0) =
=
M2 =
0 0 1 0 0 m32 0 0
0 0 1 0 m32

0 0 0 1 0 m
0 0 0 1 m
42 0 0
42
0
0 0
1
1
0 0
0
=
0 m32 1 0
0 m
0
1
42
15
Propoziia 1. Orice matrice Frobenius Mr este inversabil i inversa sa este:

Mr1 = In + mr erT.
Demonstraie.
(In mr erT)( In + mr erT)= In mr erT + mr erT mr (erT mr ) erT.
Deoarece erT mr = 0 , rezult:
Mr (In + mr erT) = In, i deci Mr1 = In + mr erT.
Teorema 1. Fie A o matrice ptrat de ordinul n care satisface condiia:

a11 K a1r
M 0 pentru orice r = 1, n 1 .
(*)
det M
a
r1 K arr
Atunci exist o matrice inferior triunghiular MM n(R) astfel nct matricea
= MA este superior triunghiular.
Demonstraie. Deoarece a110 , putem considera matricea Frobenius
0 K
0
1
a
21 1 0 K 0
a
.
M 1 = 11
M
M
a
n1 0 K
1
a
11
Dac notm A1 = A i A2 =M1A1 , atunci avem

a ( 2 ) a ( 2) K a ( 2)
11
12
1n
( 2)
0
a22
K a2( 2n)
A2 =
,
M
M
M
0
( 2)
an( 22) K ann
unde, notnd cu
j = 1, n ;
aij( 2)
aij(1) = aij,
= aij(1)
ai(11) a1(1j)
(1)
a11
pentru i, j = 1, n ,
,
avem:
pentru orice i, j = 2, n .
Observm c
( 2)
a22
= a22
Dac notm
a21a12
a11
1
a11
a11 a12
0.
a21 a22
a1( 2j ) = a1(1j)
pentru
16
0
1
1
0
( 2)
a32
0 ( 2)
a22
M2 =
M
M
an( 22)
( 2)
a22
0 K 0
0 K 0
1 K 0
,
M
M
0 K 1
atunci
a (3)
11
0
A3 = M 2 A2 = 0
M
0
unde
aij(3)
= aij( 2)
(3)
a12
(3)
a22
0
M
0
pentru i=1, 2, j = 1, n i
(3)
K a1(n3)
a13
(3)
K a2(3n)
a23
(3)
K a3(3n) ,
a33
M
M
(3)
0 K ann
ai(3j )
ai( 2j )
ai(22) a2( 2j)

( 2)
a22
Un calcul simplu ne arat c

(3)
a33
a11 a12
=
a
a22
(1) ( 2) 21
a11
a22
a31 a32
1
a13
a23 0 .
a33
(r )
n general, arr
0 i se poate considera matricea Frobenius:
0
0 L 0
1
O
0
1
0 L
(r )
ar +1,r
Mr = 0 L
1 L 0 .
(r )
arr
(r )
0 L anr
0 L 1
(r )
arr
Dac notm cu Ar+1=MrAr , atunci
, i, j = 3, n .
a(r +1) a(r +1)

11
12
(r +1)
0
a22
M
M
0
Ar +1 = 0
0
0
M
M
0
0
unde
ai(rj +1)
= ai( rj ) ,
17
K a1(rr +1)
K a2(rr+1)
M
a1(nr +1)
K
a2(rn+1)
M
K ar(rr+1)
K
ar(rn+1) ,
K
0
ar(r++11, r)+1 K ar(r++1,1n)
.
M
M
M
K
0
an(r, +r1+)1 K an(rn+1)
( r + 1)
pentru i=1,r , j = 1, n , ai j
= ai( rj )
ai( rr ) ar( rj)

ar( rr)
i, j = r + 1, n .
n final se obine matricea superior triunghiular
a ( n) a ( n) K a ( n)
11
12
1n
0 a ( n) K a ( n)
22
2n .
U = An = M n1...M 2 M1 A =
.M
M
M
0
( n)
0 K ann
Notm cu M=Mn1 Mn2 ... M2 M1 i demonstraia teoremei este complet.

Exemplu.
1 0 0
M1 = 1 1 0 ,
4
0 1
5
5 2 1
A2 = 0 8 1 ,
18 9
0
5 5
0 0
2 1
1 0 0
1
5
M 2 = 0 1 0 , U = A3 = 0 8 1 , M = M 2 M 1 = 1 1 0 .
9
9
9
0
1
1
0
4
20
20 20
Considerm sistemul
5 x1 + 2 x2 + x3 = 12
5 x1 6 x2 + 2 x3 = 1 ,
4x + 2x + x = 3
1
2
3
2 1
5
A1 = A = 5 6 2 ,
4
2 1
18
a crui soluie este x1=1, x2=2, x3=3. Sub form matriceal sistemul se scrie:
12

Ax=b , unde b = 1 . Acest sistem este echivalent cu urmtorul sistem:
3

(M2M1A)x=(M2M1)b . Efectund calculele obinem
5 x1 + 2 x2 + x3 = 12
8 x2 + x3 = 13 .
9
27
x3 =
4
4
Numrul operaiilor pentru determinarea matricei U i a vectorului Mb
a (r )
Pentru o linie fixat i se calculeaz ir , apoi se fac nmulirile cu
(r )
arr
arj( r ) , r + 1 j n , i se adun
aij( r ) , r + 1 j n . La fel i cu
bi( r +1) . Sunt
2(nr)+3 operaii elementare pentru fiecare linie i, r + 1 i n , i pentru fiecare

(n r )[2(n r ) + 3] operaii. n total vor fi
etap
r
vor fi
[2(n r )2 + 3(n r )] = 3 n3 + 2 n 2 6 n
n
operaii elementare. Dac adugm i
r =1
cele n2 operaii pentru rezolvarea sistemului triunghiular, rezult c numrul de

2
3
7
operaii pentru rezolvarea sistemului Ax=b este n3 + n 2 n .
3
2
6
n continuare notm cu Lr = M r1 . Din Propoziia 1 rezult c Lr este de
forma:
K
0
0
1 K
M
M
M O
0
1
0
K
ar( r+)1,r
Lr = 0
0 .
L
(r )
arr
M
M
M
(r )
0 K anr
0 K 1
(r )
arr
Dac notm cu L=L1L2...Ln1, atunci L este o matrice inferior triunghiular de

tipul urmtor
19
0
1
1
l
L = 21
M
M
l
n1 l n 2
0 K 0
.0 K 0
.
M
M
l n3 K 1
Deoarece A = M 11M 21...M n11U , rezult c:

A=LU
(3)
Aadar, orice matrice ptratic ce ndeplinete condiia (*) din Teorema 1 admite o
descompunere unic de forma (3), unde L este inferior triunghiular avnd
elementele de pe diagonala principal egale cu 1 i U este superior triunghiular.
Descompunerea (3) este cunoscut sub numele de factorizarea LU.
Algoritmul pentru factorizarea LU
{ Determinarea matricelor U i L cu pstrarea matricei A }
Pentru i:=1,n execut
Pentru j:=1,n execut
uij:=aij ;
dac i=j atunci l i i:=1 altfel l i j:=0 ;
sfrit pentru j ;
sfrit pentru i ;
Pentru r:=1,n1 execut
Pentru i:=r+1,n execut
Pentru j:=r+1,n execut
uir u rj
;
uij := uij
u rr
sfrit pentru j ;
u
lir := ir ;
urr
sfrit pentru i ;
sfrit pentru r ;
Pentru j:=1,i1 execut
uij:=0 ;
sfrit pentru j ;
sfrit pentru i .
Algoritmul se afl programat n MATLAB i poate fi apelat cu secvena:
[L,U ] = lu ( A) { se afieaz cele dou matrice }
n exemplul precedent avem:
20
1
L1 = 1
4
1
A = LU = 1
4
0 0
1 0 0
1 0 , L2 = 0 1 0 ,
9
0
1
0 1
20
0 0 5 2 1 5 2 1
1 0 0 8 1 = 5 6 2
9
9
4 2 1
1 0 0
20
4
Observaia 1. Dac pivotul este
foarte mic
, adic
(r )
arr
<< 1 ,
atunci
mpririle la acest pivot produc erori de rotunjire foarte mari, care altereaz
soluia. n acest caz se recomand schimbarea pivotului. Se poate alege un nou
pivot
{a
= max { a
r = a ir( r ) = max
sau
r = a (jrr )
(r )
ij
(r )
kl
; r jn
; r k, l n
}
}
Aceasta presupune schimbarea ntre ele a dou linii i eventual i a dou coloane.
Algoritmul Gauss pentru rezolvarea sistemelor de ecuaii liniare
Pentru r:=1,n1 execut
gsete pivotul conform cu () ;
schimb linia i cu linia pivotului i coloana j cu coloana
pivotului dac este cazul ;
sfrit pentru j
sfrit pentru i
a b
bi = bi ir i
arr
air arj
; ;
aij = aij
arr
sfrit pentru j ;
sfrit pentru i ;
sfrit pentru r ;
b
xn := n ;
ann
21
Pentru i:=n1,1,1 execut

s:=0 ;
Pentru j:=i+1,n execut
s:=s+aijxj ;
sfrit pentru j ;
(b s )
xi := i
;
aii
sfrit pentru i .
1.2. Matrice simetrice pozitiv definite

Reamintim c o matrice simetric se numete pozitiv definit, dac forma
ptratic asociat este pozitiv definit. Mai precis, dac A este o matrice simetric,
atunci A se numete pozitiv definit dac
(x)=xTAx > 0 ,
pentru orice x0 , unde x = (x1 , x 2 ,..., x n )T .
Din Algebra Liniar, se tie c o matrice simetric A, este pozitiv definit dac i
numai dac r >0 pentru orice r = 1, n , unde
a11 K a1r
M .
r = det M
a
r1 K arr
n practic aceste condiii sunt greu de verificat pentru matrice de dimensiuni mari.
De aceea, n continuare vom prezenta unele condiii necesare, respectiv i
suficiente, pentru ca o matrice simetric s fie pozitiv definit.
Propoziia 1. Dac A este o matrice simetric pozitiv definit, atunci:
pentru orice i = 1, n ,
(a)
aii > 0
(b)
aiiajj>aij2
Demonstraie.
pentru orice i, j = 1, n .
a11x1 + ... + a1n xn
(x ) = x Ax = (x1 ,..., xn )
M
= (a11x1 + a12 x2 + ... + a1n xn )x1 +
a x + ... + a x
nn n
n1 1
T
+ (a21x1 + a22 x2 + ... + a2n xn )x2 + ... + (an1x1 + an 2 x2 + ... + ann xn )xn
innd seama c aij = aji , n continuare avem
22
(x ) =
n n
aij xi x j =
a11 x12 + 2a12 x1 x2 +...+ 2a1n x1 xn +
i =1 j =1
+ a22 x22 +....+ 2a2n x2 xn +

M
2
+ann xn
0

M
n particular, pentru x = ei = 1 avem (ei) = aii . Cum este pozitiv definit i

M

0
ei 0 , rezult c aii = (ei) > 0 , adic (a).
Pentru un numr real oarecare avem
(ei+ej)=aii2+2aij+ajj > 0 .
(1)
Pentru ca inegalitatea (1) s fie adevrat pentru orice R, trebuie ca
= 4 aij2 aii a jj < 0 .
Aadar am demonstrat c aij2 < aii a jj pentru orice i, j = 1, n , adic (b).

Observaia 2. Condiiile care apar n Propoziia 1 sunt doar necesare nu i
suficiente.
Exemplu.
3 2 2
Matricea A = 2 3 2 satisface condiiile din Propoziia 1, dar nu este

2 2 3
pozitiv definit.
ntradevr,
(x ) = 3 x12 + x22 + x32 + 4(x1 x2 x1 x3 + x2 x3 ) .
1

Dac x = 1 , atunci (x)=912=3<0, deci nu este pozitiv definit.
1

Definiia 1. Spunem c matricea A este tare diagonal dominant dac elementele

sale satisfac inegalitile:
n
aii > aij , i = 1, n .

j =1
j i
(d)
23
Dac inegalitile (d) devin egaliti pentru anumii indici, dar nu pentru toi,
matricea se numete slab diagonal dominant.
Teorema 1. Fie A o matrice simetric cu urmtoarele proprieti:
(i)
A este tare diagonal dominant,
(ii)
aii > 0 pentru i = 1, n .
Atunci A este pozitiv definit.
Demonstraie.
Din condiia (i) rezult c dac x0 , atunci:
n
n n
n n
n n
i =1
i =1 j =1
j i
i =1 j =1
j i
i =1 j =1
j i
(x ) = aii xi2 + aij xi x j > aij xi2 aij xi x j =
n n
= aij xi xi x j
i =1 j =1
j i
Deoarece aij=aji avem i inegalitatea:
n n
(x ) > aij x j x j xi .
i =1 j =1
j i
Adunnd cele dou inegaliti rezult

n
2 ( x ) > aij xi x j
i =1 j =1
j i
0.
Aadar, (x) > 0 pentru orice x0 , deci este pozitiv definit.

Definiia 2. Fie M={1,2,...,n}. O matrice A se numete reductibil dac exist
dou submulimi S, T M cu proprietile:
(i)
S , T
(ii)
ST=
(iii)
ST=M
(iv)
aij = 0 pentru orice iS i jT .
Matricea A se numete ireductibil dac oricare ar fi submulimile S i T ale lui
M cu proprietile (i)(iii), exist i0S i j0T astfel nct ai0 j0 0 .
Cel mai simplu exemplu de matrice reductibil este matricea diagonal.

Teorema 2. Fie A o matrice simetric avnd urmtoarele proprieti:
(i)
A este slab diagonal dominant,
(ii)
A este ireductibil,
(iii)
aii > 0 pentru orice i = 1, n .
24
Atunci A este pozitiv definit.

Demonstraie. Procednd ca n demonstraia Teoremei 1, rezult:
( x)
1 n n
aij xi x j
2 i =1 j =1
0.
j i
Vom arta c situaia (x)=0 pentru x0 nu poate avea loc. ntradevr, (x) se
anuleaz n urmtoarele cazuri:
1) aij = 0 pentru orice ij . Atunci matricea A are forma diagonal i este
reductibil.
2) xi = x j = 0 pentru orice i i j.
n
n n
i =1
i =1 j =1
j i
i =1
j =1
j i
(x ) = aii 2 + aij xi x j (aii aij ) 2 0 .
Cum exist cel puin un indice i0 astfel nct
j =1
j i0
ai0 j < ai0i0 , rezult
(x) > 0 pentru x0.

3) aij=0 pentru orice pereche de indici
aij0 dac xi = x j 0 .
(i,j)
pentru care
xi x j i
Fie M={1,2, ... , n} i S = i, j M ; xi = x j 0

.
Dac S=M, atunci suntem n cazul 2).
Dac S= , atunci xi x j pentru orice i i j i evident (x) > 0 pentru
x0.
Aadar, putem presupune c SM (incluziune strict). Dac notm cu T=M \
S atunci S i T satisfac condiiile (i)(iv) din Definiia 2, deci A este reductibil.
Exemplu.
Fie
2 1 0 0
1 2 1 0
.
A=
0 1 2 1
0 0 1 2
Matricea A este simetric, slab diagonal dominant, ireductibil i are elementele

de pe diagonala principal strict pozitive. Din Teorema 2 rezult c A este
pozitiv definit.
25
Oservaia 2. Teorema 2 este util la stabilirea faptului c anumite matrice care

apar n rezolvarea numeric a ecuaiilor cu derivate pariale de tip eliptic sunt
pozitiv definite.
1.3. Metoda Cholesky

Fie A o matrice simetric, pozitiv definit i
n n
(x ) = xT Ax = aij xi x j
i =1 j =1
forma ptratic asociat. Deoarece a11 > 0 avem:

2
n a
1j
xj +
(x ) = a11x12 + 2a12 x1x2 +...+ 2a1n x1xn + aij xi x j = a11 x1 +
i =2 j =2
j =2 a11
n n
a1i a1 j
+ aij(1) xi x j , unde aij(1) = aij
, i, j = 2, n
a11
i =2 j =2
n
Dac notm cu
1 (x ) = aij(1) xi x j ,
i =2 j =2
atunci 1 este la rndul su o form ptratic pozitiv definit.

z2

ntradevr, s presupunem prin absurd c exist z = M 0 astfel nct
z
n
1(z) 0.
z1

a1 j
z
z j i z = 2 .
Fie z1 =
.
j= 2 a11

z
n
n continuare avem
n
n a
1j
( z ) = a11 z1 +
z j + 1 (z ) = 0 + 1 (z ) 0 ,
j = 2 a11
ceea ce contrazice faptul c este pozitiv definit.

Aadar, am demonstrat c 1 este pozitiv definit. n particular, rezult c
(1)
a22
> 0 . Mai departe procedm cu 1 aa cum am procedat cu i obinem
26
(1)
1 (x ) = a22
x2 +
j =3
x j + 2 (x )
(1)
a22
a2( 1j)
unde
n
2 (x ) = aij( 2) xi x j
i =3 j = 3
este pozitiv definit. n final (x) se reprezint ca o sum de ptrate. Mai precis
(x) admite urmtoarea scriere:
2
n
aij(i 1)
(i 1)
(x ) = aii xi +
xj ,
(i 1)
i =1
j =i +1 aii
unde
aij(0)
= aij i
aij( p )
= aij( p 1)
a (pip 1) a (pjp 1)
a (ppp 1)
, p = 1, n 1 .
Introducem notaiile:
rii = aii(i 1) , i = 1, n
rij =
aij(i 1)
rii
, i< j
rij = 0,
(1)
j<i
aij( p ) = aij( p 1) rpi rpj , p = 1, n 1, i, j = p + 1, n.

Cu aceste notaii avem
2
(x ) = rij x j = (r11x1 + r12 x2 + ... + r1n xn )2 + (r22 x2 + ... + r2n xn )2 +
i =1 j =i
+ ... + (rnn xn )2
Dac notm cu R urmtoarea matrice superior triunghiular
r11 r12 K r1n
0 r22 K r2 n
R=
,
M
M
M
0
0 K rnn
atunci (x)=(xTRT)(Rx)=xT(RTR)x . Pe de alt parte, (x)=xTAx. Se obine astfel

urmtoarea descompunere a matricei A
(2)
A=RTR
27
unde R este o matrice superior triunghiular.

Descompunerea (2) poart numele de factorizarea Cholesky a matricei A i are loc
pentru matrice simetrice pozitiv definite.
Numrul de operaii pentru determinarea matricei R
Pentru a calcula elementele liniei a ia a matricei R sunt necesare (ni)(2i1)+2i
2 operaii elementare i o extragere de rdcin ptrat. Pentru toate liniile sunt
necesare
n
n 3 n 2 5n
[ (n i)(2i 1) + 2i 2 ] = 3 + 2 6
i =1
operaii elementare plus n extrageri de rdcin ptrat.
Exemplu. S se determine descompunerea Cholesky a matricei
3 2 2
A = 2 3 2
2 2 3
r11 = 3 , r12 =
2
3
, r13 =
(1)
a23
= a23 r12 r13 =
5
5
(1)
2
= a22 r12
= , r22 =
, a22
,
3
3
3
2
, r23 =
3
(1)
a23
r22
2
15
(1)
2
= a33 r13
=
, a33
5
,
3
7
7
( 2)
(1)
2
a33
= a33
r23
= , r33 =
5
5
2
2
3
3
5
2
R= 0
.
3
15
7
0
0
Se verific imediat c A=RTR .

Rezolvarea sistemului Ax=b cu metoda Cholesky, n cazul cnd matricea
A este simetric i pozitiv definit, revine la rezolvarea a dou sisteme
triunghiulare i anume
RT y = b
Rx = y
Algoritmul Cholesky pentru rezolvarea sistemelor de ecuaii liniare
Pentru p:=1,n1 execut
28
rpp: = a pp ;
Pentru k:=p+1,n1 execut
a pk
rpk :=
;
rpp
sfrit pentru k ;
Pentru i:=p+1,n execut
Pentru j:=i,n execut
aij:=aijrpirpj ;
sfrit pentru j ;
sfrit pentru i ;
sfrit pentru p ;
{ Rezolvarea sistemului RTy=b }
b
y1 = 1 ;
r11
s:=0 ;
Pentru j:=1,i execut
s:=s+rijyj ;
sfrit pentru j ;
b s
yi := i
;
rii
sfrit pentru i ;
{ Rezolvarea sistemului Rx=y }
y
xn = n ;
rnn
Pentru i:=n1,1 execut
s:=0 ;
Pentru j:=i+1,n execut
s:=s+rijxj ;
sfrit pentru j ;
y s
xi := i
;
rii
sfrit pentru i .
Algoritmul se afl programat i n MATLAB i se apeleaz cu secvena:
R=chol(A);
x=R\R'\b { pentru afiarea soluiei }
29
1.4. Metoda Householder. Factorizarea QR

O matrice Householder este o matrice de forma H = In 2hhT, unde
h 2 = hi2 + ... + hn2 = 1 . Se observ imediat c o matrice
Householder este simetric i are urmtoarea structur:
0
H =
1 2hi2 2hi hi +1 K 2hi hn
0
M
M
M
2hn hi 2hn hi +1 K 1 2hn2
Mai mult, constatm c H este ortogonal. ntradevr,

H2 = (In 2hhT)(In 2hhT) = In 2hhT 2hhT + 4h(hTh)hT.
T
Cum h h = 1, rezult H2 = In. Aadar, avem H1 = H = HT.
Un calcul simplu ne arat c (hhT)x = (hTx)h , pentru orice x = (x1 , x 2 ,..., x n )T .
n continuare ne punem urmtoarea problem: dat fiind un vector coloan x 0,
se poate determina o matrice Householder H , astfel nct Hx s fie colinear cu
e1 ? ( unde e1T = (1,0,...,0) ).
Cu alte cuvinte, se poate determina un vector coloan h, cu h 2 = 1 i un numr
hT=(0,..., 0, hi, ..., hn) i
real astfel nct Hx=x2hhTx=e1 ?

innd seama de observaia de mai sus, aceasta revine la x2(hTx)h=e1, de unde
rezult x e1=2(hTx)h. Aadar, h trebuie s fie colinear cu xe1. Cum h 2 = 1
rezult
x e1
.
x e1 2
Pe de alt parte, H fiind ortogonal avem
x 2 = Hx 2 = e1 = .
h=
Alegem = sgn(x1) x 2 i facem convenia sgn(x1) = 1 dac x1 = 0.

n continuare avem
(1)
30
x1 + sgn( x1 ) x 2 x1 + x 2 sgn( x1 )
x2
x2
x e1 =
=
i
M
M
xn
xn
x e1 2 = 2 x 2 + 2 x1 x 2 = 2 x 2 x 2 + x1
nlocuind n (1) obinem
x1 + x 2 sgn x1
x2
1
h=
.
M
2 x 2 x 2 + x1
x
n
(2)
Se obine astfel urmtorul algoritm pentru determinarea lui h i deci a matricei H:

H = In u uT
( 2 ( x 2 + x1 ))1
T
u = (( x1 + x 2 )sgn( x1 ), x2 , ..., xn )
= x
(3)
sgn(x1) = 1 dac x1 = 0.
Teorema 1. Pentru orice matrice AM n(R) nesingular exist o matrice
ortogonal H astfel nct matricea R = HA este superior triunghiular.
Demonstraie.
a11
a21
Fie a1 =
, prima coloan a matricei A. Din cele artate mai nainte rezult
M
a
n1
c exist o matrice Householder H1 astfel nct H1a1=e1. Matricea H1 se
determin astfel:
1/ 2
s = a 2j1
j =1
, = (s (s + a11 ))
, u = (( a11 + s )sgn(a11 ), a 21 , ..., a n1 ) ,
sgn( a11 ) = 1 daca a11 = 0 , H 1 = I n uu T .

Dac notm cu A1 = H1A, atunci A1 are urmtoarea form:
sgn(a ) s a (1) K a (1)
11
12
1n
(1)
0
K a2(1n)
a22
A1 =
M
M
M
(1)
0
an(12) K ann
(4)
31
a (1)
22
n continuare considerm vectorul a2(1) = M i determinm o matrice
(1)
an 2
~
ortogonal H 2 Mn1(R) astfel nct
~
H a (1) = e~ ,
unde ~
e1T = (1, 0 , ..., 0) Rn1.
2 2
1 0
Notm cu H 2 =
~ M n(R) i cu A2 = H2A1.
0 H2
a ( 2) a ( 2) a ( 2) K a ( 2)
12
13
1n
11
( 2)
( 2)
0
a22
a23
K a2( 2n)
( 2)
A2 = 0
0
a33
K a3( 2n) , unde
M
M
M
M
( 2)
0
0
an( 23) K ann
n continuare se determin o
~
~
proprietatea c H 2 a 3( 2) = e~1 , unde
Matricea A2 va arta astfel
a1( 2j ) = a1(1j) , j = 1, n .
~
matrice Householder H 3 Mn2(R) cu
~
e~1T = (1, 0, ..., 0) Mn2(R). Vom nota cu
0
I
H 3 = 2 ~ M n(R) i cu A3=H3A2. Matricea A3 va avea toate elementele de
0 H3
sub diagonala principal, din primele trei coloane, zero. Procedeul continu ntr-un
mod evident. n final, obinem o matrice superior triunghiular An1 = Hn1An2 =
=Hn1...H2H1A. Dac notm H=Hn1...H2H1 i cu R=HA, atunci H este
ortogonal i R superior triunghiular.
Corolar. Pentru orice matrice nesingular AM n(R) exist o matrice ortogonal
Q i o matrice superior triunghiular R astfel nct A= QR.
Algoritmul Householder pentru rezolvarea sistemelor de ecuaii liniare

Fie sistemul Ax =b cu AM n(R). Notm cu C=(A|b)=(cij)M n,n+1 (R)
matricea extins.
Pentru i: = 1,n1 execut
s :=
c 2j i
j =i
dac s = 0 atunci A este singular . Stop!

altfel := (s(|cii|+s))1 ; dac cii = 0 atunci sgn(cii): = 1 ;
u := (0, ..., 0, (cii + s)sgn(cii), ci+1,i , ..., cni)T ;
32
sfrit pentru i ;
Hi: = In uuT ; C: = HiC ;
Exemplu. Fie sistemul

5 x1 + 2 x2 + x3 = 12
5 x1 6 x2 + 2 x3 = 1
4 x + 2 x + x = 3
1
2
3
Soluia exact este x1 = 1, x2 = 2, x1 = 3.

Aplicm metoda Householder.
2 1 12
2 1
5
12
5
A = 5 6 2 ; b = 1 , C = 5 6 2 1 ;
4 2 1 3
3
4 2 1
Iteraia I
5

a1 = 5 ; c11 = 5 ; s = 66 = 8.124038405 ;
4

13.124038405
1
-3
= 9.379086466 10
=
;u =
5
;
8.124038405 13.124038405
0.615457455 0.615457455 0.492365964
H1 = 0.615457455 0.765522838 0.187581729

0.492365964
0.187581729 0.849934617
8.12403840 3.44656174 1.35400640
0
A1 = H1 A =
5.44888848 1.10316995 ;
0
1.55911078 1.71746403
5.292934112
b1 = H1b = 7.588267109 ; C = H1 C = [A1 b1 ]

8.270613687
Iteraia a IIa
5.448888481
2
2
; s = c22
+ c32
= 5.667557862 ;
a2(1) =
1
.
559110785
c22=5.448888481 ; ; =0.015872234 ; u = 11.116446343 ;

1.559110785
33
0
0
1
H 2 = 0 0.961417354 0.275093933 ;
0 0.275093933 0.961417354
- 8.124038405 3.446561747 1.354006401
0
5.667557862 0.588142797 ;
A2 = H 2 A1 =
0
0
1.954675092
5.292934112
b2 = H 2b1 = 9.570687333 ; C = H 2 C = [A2 b2 ] ;

5.864025277
0.615457455 0.615457455 0.492365964
H = H 2 H1 = 0.727158367 0.684384346 0.053467527 ;

0.30406057
0.390935018 0.868744486
8.124038405 3.446561747 1.354006401
R= H A=
0
5.667557862 0.588142797 ;
0
0
1.954675092
Soluia sistemului iniial este x=R1Hb , unde:

0.123091491 0.074854538 0.062742657
1
R =
0
0.176442839 0.053089941 .
0
0
0.511593975
Se obine soluia
x1=1
; x2= 2 ; x3= 3.000000001 .
1.5. Norme de matrice

Cele mai utilizate norme vectoriale pe Rn sunt:
1)
x = max { x1 , x2 ,..., xn }
1/ p
n
p
2)
x p = xi
i =1
unde xT = (x1, x2, ..., xn)Rn.
, 1 p <
Definiia 1. Se numete norm de matrice orice aplicaie

A A M : M n(R)R+
cu proprietile:
34
(i)
(ii)
A M = 0 dac i numai dac A = 0 ,

A M = A M , ; R, AM n(R) ,
A+ B M A M + B M ,
AB M A M B M , A, BM n(R).
(iv)
Un exemplu de norm de matrice este norma euclidian de matrice, care se
definete astfel
(iii)
1/ 2
n n
A E = aij2
.
(1)
1
1
i
=
j
=
Proprietile (i) i (ii) sunt evidente. Pentru a demonstra proprietile (iii) i (iv) se
folosete inegalitatea CauchyBuniakovskiSchwarz pe Rn. Pentru exemplificare
demonstrm (iv). Fie C = AB. Atunci
2
cij2
n
n 2 n 2
bkj
= aik bkj aik
k =1
k =1 k =1
n continuare avem
n n
n n
n n
2
2
2
2
bkj2 = A E B E ,
AB E = cij2 aik
i =1 j =1
i =1 k =1
j =1 k =1
de unde rezult AB E A E B E .
Definiia 2. O norm de matrice
vectorial
p dac
Observaia 1.
ntradevr,
Ax p A M
M se numete compatibil cu norma

x p pentru orice x.
Ax 2 A E x 2 , () x.
n
n n
n
2
2
2
Ax 2 = (ai1x1 + ... + ain xn )2 aij2 x 2j = A E x 2 .
i =1
i =1 j =1 j =1
Observaia 2. Dac este o valoare proprie a matricei A, atunci A M

pentru orice norm de matrice compatibil cu o norm vectorial.
ntradevr, fie v un vector propriu al matricei A care corespunde valorii

proprii . Atunci avem
v = v = Av A M v ,
deci
35
AM.
Dup cum se tie, ntre mulimea M n(R) a matricelor ptratice cu

elemente din R i mulimea L(Rn) a aplicaiilor liniare i continue, U : RnRn ,
exist o coresponden bijectiv. Mai precis, dac A este matricea asociat
transformrii liniare U, atunci U(eiT) = (a1i, a2i, ..., ani),
unde eiT = (0, ..., 1, ..., 0)Rn i U(xT) = (Ax)T. Pe de alt parte, spaiul L(Rn) este
un spaiu normat n raport cu norma operatorial:
U
= sup
unde cu
{ U (x ) ;
xT = 1
(2)
am notat o norm oarecare pe Rn.
Se tie de asemenea c:
U
( ) c xT
= inf c > 0 ; U x T
, () x T R n
(3)
Definiia 3. Se numete norma matricei A subordonat normei vectoriale

urmtorul numr:
Ax
A = sup { Ax ; x = 1 } = sup
(4)
x0 x
Ca i n cazul normei operatoriale, avem

A = inf { c > 0 ; Ax c x , () x } .
(5)
Ax A x , x R n , deci norma
Din relaia (5) rezult n particular c
matriceal definit de (4) este compatibil cu norma vectorial creia i este
subordonat.
Este evident c aplicaia A A definit de (4) satisface proprietile (i)(iii)
din definiia 1. De asemenea avem
ABx A Bx A B x ,
de unde rezult A B A B .
Aadar, formula (4) definete ntradevr o norm de matrice.
Definiia 4. Dac 1, ..., n sunt valorile proprii ale matricei A , atunci se noteaz
cu (A)= max i i (A) se numete raza spectral a matricei A (n aceast
1i n
definiie i pot fi reale sau complexe)

Teorema 1. Pentru AM n(R) avem:
n
(1)
A = max aij ,
1i n j =1
36
A 1= max aij ,
(2)
1 j n i =1
((
A 2= A A ,
A p am notat norma matricei A subordonat normei vectoriale x p .
(3)
unde cu
))
1
2
Demonstraie.
n
aij x j 1max
aij x j x 1max
aij
1i n j =1
i n j =1
i n j =1
Ax = max
n
Rezult
A max aij . Rmne s artm c exist ~

x cu ~
x = 1
1i n j =1
astfel nct
A~
x = max aij . Pentru aceasta, fie k astfel nct s avem
akj
j =1
1i n j =1
n
= max aij
i fie ~
x j = akj
a
kj
(6)
1i j =1
dac
akj = 0
dac
akj 0
x = 1 i
Evident c ~
.
n
A~
x = akj = max aij . Aadar, am demonstrat
j =1
1i n j =1
(1). n continuare avem

n
i =1
i =1
Ax 1= ai1x1 + ... + ain xn ( ai1 x1 + ... + ain xn )

n
max aij
1 j n
i =1
de unde rezult
( x1 + ... + xn ) = max aij
1 j n i =1
A 1 max aij .
1 j n i =1
x
1
37
Pe de alt parte dac eTj=(0,...,1,...,0) , atunci
unde rezult
A 1 aij , pentru orice
e j = 1 i
1
j = 1, n . Aadar,
i =1
Ae j = aij , de
1
i =1
A 1 max
aij
1 j n i = 1
i cu aceasta afirmaia (2) este dovedit.

Fie B=ATA i fie
{
}
2
Evident 1 = sup{( Ax )T Ax ; x 2 = 1 }= A 2 , deci
1 = sup xT Bx ; x 2 = 1
Deoarece mulimea S = x ; x 2 = 1
proprietile: 1=vTBv i v 2 = 1 .
(7)
A 2 = 1
este compact, rezult c exist v cu
Vom arta n continuare c Bv=1v , deci c v este un vector propriu pentru B i

corespunde valorii proprii 1.
T
z z
B
i deci
ntr-adevr, pentru orice z0 avem:
z z 1
2 2
2
z T Bz 1 z 2 = 1z T z
(8)
Pe de alt parte este evident c relaia (8) este verificat i pentru z=0. Deci relaia
(8) are loc pentru orice z. De asemenea avem:
(9)
vTBv=1vTv
Dac notm cu C=B1In , atunci avem:
(8')
zTCz0 , () z i
(9')
vTCv=0
Fie z=v+ty , unde tR este oarecare i y este un vector oarecare. Din (8') i din
faptul c C este simetric rezult
vTCv+2tyT(Cv)+t2yTCy0 .
innd seama de (9') avem
(10)
t 2 y T Cy + 2ty T (Cv ) 0 .
T
Pentru ca (10) s fie adevrat pentru orice tR trebuie ca y Cv = 0. Cum y a
fost arbitrar rezult 0=Cv=(B1In)v=Bv1v.
2
Aadar, avem Bv=1v, deci 1 este valoare proprie pentru B i n plus 1 = A 2 .

Pe de alt parte, fie o alt valoare proprie a matricei B i fie u0, u 2 = 1 ,
astfel nct Bu=u. n continuare avem
2
1 = A 2 Au
2
2
= u T Bu = u T u = .
Aadar, 1 este cea mai mare valoare proprie a matricei B, deci am demonstrat i
afirmaia (3).
38
n particular dac presupunem c matricea A este simetric, rezult c

B=A2. Fie 1, 2, ..., n valorile proprii ale matricei A, care n acest caz sunt
reale. Se tie c 12 , 22 , ..., 2n sunt valorile proprii ale matricei A2. S
presupunem c 12 = max 2j .
1 j n
A 2 = 1 . Dac, n plus, A este pozitiv definit, atunci

pentru orice i. S presupunem c: 1 2 ... n . Din cele de mai sus
Din Teorema 1 rezult c
i>0
A 2 = 1 , unde 1 este cea mai mare valoare proprie a matricei simetrice

i pozitiv definite A.
rezult
1.6. Perturbarea sistemelor liniare.

Numrul de condiionare al unei matrice
Considerm urmtorul sistem de ecuaii liniare
10 x1 + 7 x2 + 8 x3 + 7 x4 = 32
7 x + 5 x + 6 x + 5 x = 23
1
2
3
4
(1)
+
+
+
x
x
x
x
8
6
10
9
2
3
4 = 33
1
7 x1 + 5 x2 + 9 x3 + 10 x4 = 31
a crui soluie exact este x1=x2=x3=x4=1.
S considerm acum sistemul (1') n care am modificat puin termenii liberi
10 x1 + 7 x2 + 8 x3 + 7 x4 = 32.1
7 x + 5 x + 6 x + 5 x = 22.9
1
2
3
4
.
(1')
8 x1 + 6 x2 + 10 x3 + 9 x4 = 33.1
7 x1 + 5 x2 + 9 x3 + 10 x4 = 30.9
Soluia sistemului (1') este x1= 9.2 ; x2= 12.6 ; x3= 4.5 ; x4= 1.1 . Aadar, o
eroare mic, de ordinul 0.1, a termenilor liberi, produce o eroare mare, de ordinul
10, a soluiei sistemului.
Fie acum sistemul (1") n care modificm puin coeficienii sistemului
10 x1 + 7 x2 + 8.1x3 + 7.2 x4 = 32
7.08 x + 5.04 x + 6 x + 5 x = 23
1
2
3
4
.
(1")
+
+
+
x
x
x
x
8
5
.
98
9
.
89
9
2
3
4 = 33
1
6.99 x1 + 4.99 x2 + 9 x3 + 9.98 x4 = 31
Soluia sistemului (1") este: x1= 81 ; x2= 137 ; x3= 34 ; x4= 22 .
S analizm acum efectul perturbrii membrului drept asupra soluiei unui sistem
liniar Ax=b, n care matricea A este nesingular.
39
Notm cu b perturbarea membrului drept i cu x perturbarea care rezult

pentru soluie. Avem: A(x+ x )=b + b , de unde rezult A x = b i deci
x =A1 b . Pentru orice norm de matrice compatibil avem:
x A1 b
(2)
Pe de alt parte b = Ax A x , de unde rezult:
A
1
x
b
(3)
Din relaiile (2) i (3) obinem
A A1
b
b
Numrul de condiionare al unei matrice se definete astfel

cond ( A) = A A 1
(4)
Aadar, ntre eroarea relativ a membrului drept i eroarea relativ a soluiei

sistemului avem urmtoarea inegalitate
x
b
cond ( A)
.
(5)
b
x
Observm c dac numrul de condiionare al matricei coeficienilor sistemului
este mare, atunci la erori relativ mici ale termenilor liberi, pot apare erori relativ
mari pentru soluia sistemului. n cazul exemplului (1) avem
10 6
10 7 8 8
25 41
68 17 10
7 5 6 5
1 41
, A =
A=
10 17
5 3
8 6 10 9
7 5 9 10
6
10 3
2
i cond2(A) 2984. (Sa folosit norma de matrice

2 ). Dup cum se vede,
numrul de condiionare este destul de mare, ceea ce explic instabilitatea soluiei
sistemului.
Numrul de condiionare are urmtoarele proprieti:
(i)
cond(In)1
(ii)
cond(A)=cond(A1)
(iii)
cond(A)=cond(A) pentru orice 0
1
, unde 12...n>0 sunt valorile proprii ale matricei
(iv)
cond 2 ( A) =
n
B=ATA
40
(v)
Dac A este simetric, atunci cond 2 ( A) =
max i
min i
, unde 1, ..., n sunt
valorile proprii ale matricei A

(vi)
Dac A este ortogonal, atunci cond(A)=1 .
Pentru a evalua eroarea soluiei sistemului la o perturbare a coeficienilor
sistemului, avem nevoie de urmtoarele dou leme.
Lema 1. Dac AM n(R) i A < 1 , atunci:
(i)
A+In i AIn sunt nesingulare, i
1
1
( A I n )1
.
(ii)
A +1
1 A
Demonstraie.
Prezentm demonstraia pentru A+In .
Presupunem prin absurd c A+In este singular. Atunci exist x 0,
x = 1 astfel nct (A+In)x = 0. n continuare avem x = Ax, deci x A x .
Rezult A 1 ceea ce contrazice ipoteza

Pentru a demonstra (ii) observm c
A < 1.
1 = I n = (I n + A)(I n + A)1 I n + A (I n + A)1 (1 + A ) (I n + A)1
de unde rezult
1
( A + I n )1 .
A +1
Pe de alt parte avem
In=(In+A)1+A(In+A)1 ,
de unde rezult
(I n + A)1
= I n A(I n + A)1 1 + A (I n + A)1
i mai departe
(I n + A)1
1
.
1 A
Lema 2 (a perturbrii). Fie A, BM n(R) cu proprietile:
(i)
A 1
(ii)
A 1 ( B A ) k < 1 .
Atunci B este nesingular i
B 1
1 k
Demonstraie.
Din Lema 1 rezult c In+A1(BA)=A1B este nesingular.
41
Cum det(A1B) = det(A1)detB, va rezulta detB 0, deci B este nesingular.

Tot din Lema 1 rezult
1
1
1
.
B 1 A = I n + A 1 (B A)
1 A 1 (B A) 1 k
Mai departe avem
B 1 = B 1 A A1 B 1 A A1
1 k
Teorema 1. Dac perturbm matricea coeficienilor sistemului Ax = b cu A i

A1A < 1 , atunci ntre eroarea relativ a soluiei i eroarea relativ a matricei
coeficienilor are loc inegalitatea

x
cond( A)
1 cond( A)
Demonstraie.
Din egalitile Ax=b i (A+A)(x+x)=b rezult Ax+Ax+Ax=0. n continuare
avem x = (A+A)1A x i mai departe
x
( A + A)1 A
(6)
x
Dac alegem n Lema 2 = A 1
i B=A+A, atunci
A 1 (B A) = A1A < 1
i va rezulta
B
= ( A + A )
A1
1 A1A
A1
1 A1 A
(7)
Din (6) i (7) obinem
x
x
A 1 A
1 A
A 1 A
1 A
A
A
innd seama de definiia numrului de condiionare, ultima inegalitate devine

x
A
cond( A)
.
A A
x
1 cond( A)
A
42
Observaia 1. Dac presupunem n plus c perturbm i membrul drept al

sistemului cu b atunci rezult
x
x
A
b
.
+
A A
b
1 cond ( A)
A
cond ( A)
Observaia 2. Rezolvarea sistemului Ax=b, cu metoda Gauss revine la rezolvarea

a dou sisteme triunghiulare Uy=b i Lx=y. Rezolvarea fiecrui sistem necesit n2
operaii. Dac unul din aceste sisteme este ru condiionat (ceea ce se poate
ntmpla chiar dac sistemul iniial Ax=b este bine condiionat) metoda Gauss
conduce la erori mari.
Cu totul altfel stau lucrurile n cazul metodei Householder. Deoarece cond(Q) = 1

i cond(QR) = cond(R), rezult c sistemul Qy = b este bine condiionat i deci
c sistemul Ax = b are aceeai condiionare ca sistemul Rx = y. Aadar, algoritmul
Householder are proprieti de stabilitate mai bune dect algoritmul Gauss.
Observaia 3. Pentru evaluarea numrului de condiionare cond(A), este suficient
s cunoatem un majorant pentru

Calculul lui
(LU )1
A1 .
este mai uor dect calculul lui
A1
, deoarece
inversarea matricelor triunghiulare este uoar. S presupunem c

(LU )1 = i A LU < k
unde 0<k<1. Atunci din Lema 2 rezult
A1
.
1 k
ntradevr, s alegem n Lema 2 matricea LU n loc de A i matricea A n loc
de B. Avem
k
A1 ( A LU ) A1 A LU = k < 1 .
Atunci rezult
A1
1 k
i deci cond ( A)
A
1 k
43
1.7. Metode iterative de rezolvare a

sistemelor de ecuaii liniare
Metodele directe de rezolvare numeric a sistemelor de ecuaii liniare se
utilizeaz pentru sisteme care au matricea coeficienilor dens (aproape toi
coeficienii sunt nenuli) i cu un numr de ecuaii moderat (pn la 100 de ecuaii).
Pentru sisteme mari de ecuaii de ordinul 103 105 i care au matricea
coeficienilor rar (cu multe elemente nule), se utilizeaz metode iterative de
rezolvare numeric.
S presupunem c sistemul
Ax = b
(1)
se poate pune sub forma echivalent
x = Bx + c
(2)
Forma echivalent (2) ne sugereaz urmtorul proces iterativ:
x (m+1) = Bx (m ) + c, m 0 ,
(3)
unde x(0) este un vector arbitrar.
Dac notm cu x* soluia exact a sistemului, atunci avem
(4)
x*=Bx*+c
Fie e(m) = x*x(m) vectorul eroare.
Din (3) i (4) rezult e ( m+1) = Be ( m) , mN* i mai departe
e ( m ) = B m e ( 0)
(5)
Teorema 1. Dac B < 1 , atunci irul ( x (m ) ) este convergent i lim x (m ) = x .

m
Demonstraie.
Este suficient s artm c lim e (m ) = 0 .

m
Din (5) avem
Deoarece
lim B
e (m ) B m e (0 ) B
m
= 0 , rezult
e (0 )
lim e (m ) = 0 .
Teorema 2. Condiia necesar i suficient ca irul ( x (m ) ) definit de (3) s fie

convergent este ca ( B ) < 1 , unde cu (B ) sa notat raza spectral a matricei B.
44
Demonstraie.
lim B m = 0 dac i numai dac
Este suficient s artm c
( B ) < 1 . Din
Algebra liniar se tie c matricea B se poate aduce la forma canonic Jordan, deci
c exist o matrice nesingular C astfel nct
J p (1 )
0
L
1
1
,
M
M
C B C = J =
J p2 ( 2 )
J pr ( r )
0
unde
1 0 L 0
1
M
J p ( ) =
M
O 1
este o celul Jordan, 1, ... , r sunt valorile proprii ale matricei B i

p1, ... , pr sunt ordinele de multiplicitate ale acestor valori proprii. Deoarece
C 1 B m C = J m , rezult c
lim B m = 0 dac i numai dac
lim J m = 0 . Pe
de alt parte, J = D + N, unde

0
1
0
1
D=
O
0
0
r
este o matrice diagonal de ordinul n, iar N este o matrice nilpotent de ordinul
n, adic Nn = 0 .
m
k m k k
n continuare avem J m = C m
D
N . Deoarece Nk=0 pentru kn, vom
k =0
avea
n
k m k k
J m = Cm
D
N .
k =0
D = max 1 = ( B ) < 1 . Din (6) rezult:

1i r
Observm c
Jm
n mk
m(m 1)...(m k + 1) mk
k
k
D N <
N ( ( B ) )m k
k!
k =0
k =0 k!
n
(6)
Cum
45
lim m k ( ( B)) mk = 0 ,
rezult c
lim J m = 0 ,
deci c
lim J m = 0 .
lim B m = 0 i c (B ) 1 . Atunci exist
Reciproc, s presupunem c
un vector propriu x 0 i o valoare proprie , cu 1 , astfel nct Bx=x i

deci Bmx = m x.
Cum (m x) nu converge la 0, rezult c Bm nu converge la 0, ceea
ce contrazice ipoteza fcut.

Una din cele mai cunoscute metode iterative este metoda Jacobi.
S presupunem c matricea sistemului Ax=b are proprietatea aii 0, i = 1, n .
Dac notm cu D = diag ( a11 , ..., a nn ) i cu E=DA, atunci obinem sistemul
echivalent (DE)x=b i mai departe
x=D -1 E x + D 1b
(7)
1
1
, rezult c
, ...,
Cum D -1 = diag
a
a
11
nn
D 1 E = max
aij
1i n j =1 a ii
j i
Observm c dac matricea A este tare diagonal dominant, atunci D 1 E < 1 i

n virtutea Teoremei 1, irul
x (m +1) = D 1 E x (m ) + D 1b, m 0
este convergent pentru orice aproximaie iniial
const n urmtoarele:
Sistemul Ax = b se pune sub forma echivalent (7).
Scris pe componente, sistemul (7) arat astfel
n
1
bi aij x j , i = 1,n .
xi =
aii
j =1
j i
Se obine irul recurent
{ x (m ) }
(7)
unde
n
1
bi aij x (jm ) , i = 1,n .
xi(m+1) =
aii
(8)
x . Aadar, metoda Jacobi
(0)
j =1
j i
(8)
46
Dac matricea A este tare diagonal dominant, irul ( x (m ) ) converge la

soluia exact a sistemului.
Exemplu. Fie sistemul
5 1 1 1 x1 4

1 10 1 1 x 2 12
1 1 5 1 x = 8
3
1 1 1 10 x 34
4
Soluia exact este x1 = 1, x2 = 2, x3 = 3,
5 0 0 0
0 1 1
0 10 0 0
1 0 1
, E=
D=
0 0 5 0
1 1 0
0 0 0 10
1 1 1
x4 = 4.
1
0 0,2 0,2 0,2
1
0,1 0 0,1 0,1
-1
, D E =
,
1
0,2 0,2 0 0,2
0,1 0,1 0,1 0

0
0,8
1,2
-1
, D -1 E = 0.6 < 1 .
D b=
1,6
3,4
Obinem urmtorul proces iterativ:

x (m+1 ) = 0.2 x (m) + 0.2 x (m) + 0.2 x (m) 0.8
2
3
4
1
(m)
(m)
x (m+1 ) = 0.1x (m)
+ 0.1x3 + 0.1x 4 1.2
2
1
(m+1 )
= 0.2 x1(m) + 0.2 x 2(m) + 0.2 x 4(m) + 1.6
x3
x 4(m+1 ) = 0.1x1(m) + 0.1x 2(m) + 0.1x3(m)

+ 3 .4
Dac alegem aproximaia iniial
x10 = x 20 = x30 = x 40 = 0 atunci dup 5
iteraii obinem
x1(5) = 0,948; x 2(5) = 1,969; x3(5) = 2,948; x 4(5) = 3,969

O alt metod iterativ cunoscut este metoda GaussSeidel
corespunde urmtoarei spargeri a matricei coeficienilor:
A = (D+L ) + U unde D = diag (a11, ..., ann ),
a
L = 21
...
a
n1
0
0
...
an2
...
...
...
...
0
0 a12
0
0 0
, iar U =
...
... ...
0 0
0
... a1n
... a 2n
.
... ...
... 0
i care
47
Sistemul (1) devine (D+L) x = Ux +b

iterativ:
(D+L) x(m+1) = Ux(m) +b .
Pe componente obinem
i-1
1
xi(m+1) =
bi aij x (jm+1)
aii
j =1
i mai departe obinem urmtorul proces

(9)
n
(m )
aij x j , i = 1,n .
j =i +1
(10)
( m+1)
, este imediat
Din algoritmul (10) se observ c fiecare nou component, x j
utilizat la calculul urmtoarei componente.
Se poate arta c procesul iterativ GaussSeidel este convergent dac
matricea A este tare diagonal dominant.
n cazul exemplului precedent obinem
(m+1)
(m )
0
0 0 x1
5
0 1 1 1 x1 4
(m+1)
(m )
1 10 0 0 x 2
0 0 1 1 x2
12
1 1 5 0 (m+1) = 0 0 0 1 (m ) + 8
x3
x3

1 1 1 10 (m+1) 0 0 0 0 (m ) 34
x4
x4

(m+1 )
x1
x (m+1 )
2
x (m+1 )
3
x (m+1 )
4
sau
Pentru x1(0)
x1(5)
1 (m)
(m)
(m)
= x 2 + x3 + x 4 4
5
1 ( m+1)
m
m
( )
( )
= x1
+ x3 + x 4 + 12
10
.
1 ( m+1)
m+1)
m)
(
(
= x1
+ x2
+ x4 + 8
5
1 ( m+1)
1
1
m+
m+
( ) + x ( ) + 34
= x1
+ x2
10
= x 2(0) = x3(0) = x 4(0) = 0,

= 0.995 ;
x 2(5)
dup 5 iteraii obinem
= 1.998 ;
x3(5)
= 2.998 ;
x 4(5)
= 3.999
1.8. Metode de relaxare. Principiile de baz

Metodele de relaxare sunt metode iterative i sunt utilizate pentru
rezolvarea numeric a sistemelor liniare care au matricea coeficienilor simetric i
pozitiv definit.
Fie sistemul liniar
Ax b = 0
(1)
48
v1

v2
unde matricea A este simetric i pozitiv definit. Dac v = este un vector de
M

v
n
prob oarecare, atunci notm cu
r= Av b .
(2)
Vectorul r se numete vectorul rezidual.
Scopul oricrei metode de relaxare este ca prin schimbarea sistematic a
vectorului v, vectorul rezidual corespunztor r s se micoreze, eventual s se
anuleze.
n cele ce urmeaz, pentru orice doi vectori
u1
v1

u2
v
u = i v = 2
M
M

u
v
n
n
vom nota produsul lor scalar cu
u,v = v T u = u1v1 + u 2 v 2 + ... + u n v n
(3)
Asociem sistemului (1) funcia ptratic
n
1 n n
1
F (v) = aij vi v j bi vi = Av,v b,v
(4)
2 i =1 j =1
2
i =1
Deoarece A este pozitiv definit, rezult Q(v)>0 pentru orice v0, unde
Q(v) = Av,v . Observm de asemenea c pentru orice i = 1,n avem
F n
= aij v j bi ,
vi j=1
deci vectorul rezidual
r = gradF .
(5)
Teorema 1. Problema determinrii soluiei sistemului (1) este echivalent cu

problema determinrii punctului de minim al funciei ptratice (4).
Demonstraie.
Fie v0 soluia sistemului (1). Atunci r0=Av0b=0. Cum
F
(v0 ) = 0 . Aadar, v=v0 este punct critic pentru F. Pe
r0=gradF(v0), rezult
vi
de alt parte,
n n
d 2 F(v0 ) = aij dvi dv j > 0 .

i=1 j =1
Rezult c v=v0 este un punct de minim global pentru F.
49
Reciproc, dac v=v0 este punct de minim pentru F atunci

F
(v0 ) = 0 , i = 1,n .
vi
Rezult
0
aij v j bi = 0, i=1,n , deci v=v0 este soluie pentru (1).
j =1
n continuare prezentm principiul de baz al metodei relaxrii. Fie v un

vector de prob oarecare, p o direcie dat i D = { v = v + tp; t R } , dreapta
care trece prin v i este paralel cu p. Ne propunem s determinm v 0 D
astfel nct F (v 0 ) = min{F (v ); v D} . innd seama de (4), rezult
F (v ) =
=
1
A(v + tp) ,v + tp b,v + tp =
2
1
t
t2
t
Av,v b,v + Av,p +
Ap,p + Ap,v t b,p =
2
2
2
2
= F (v ) +
t2
t2
Ap,p + t Av,p t b,p = F (v) +
Ap,p + t Av b,p =
2
2
= F (v ) +
t2
Ap,p + t r,p .
2
Folosim notaia
t2
Ap,p + t r,p
(6)
2
Determinm pe t astfel nct f (t ) = F (v ) s fie minim. Pentru aceasta trebuie
s avem f (t ) = 0 , de unde rezult t Ap,p + r,p = 0 . Aadar, obinem:
f (t ) = F (v ) = F (v + tp ) = F (v) +
t min =
r,p
(7)
Ap,p
f (t ) = Ap,p > 0 , rezult c vectorul v 0

minim pentru F( v ) .
n continuare avem
Cum
= v + t min p
este un punct de
1 r,p
f (t min ) = F (v0 ) = F (v)
2 Ap,p
de unde rezult
2
1 r,p
0 .
F = F(v0 ) F(v) =
2 Ap,p
r,p 0 . Rezult c direcia
Pentru ca F<0, trebuie ca
astfel nct p s nu fie perpendicular pe r.
p se alege
50
Observaia 1. Dac r0 = Av 0 b este vectorul rezidual corespunztor vectorului

v 0 = v + t min p , atunci r0 ,p = 0 .
ntradevr,
r0 ,p = Av-b,p + t min Ap,p = r,p
r,p
Ap,p
Ap,p = 0 .
Pentru interpretarea geometric a principiului relaxrii s considerm cazul

particular n = 2.
Ecuaiile F(v) = constant, reprezint ecuaiile unor elipse concentrice, al
cror centru comun, coincide cu punctul de minim al funciei F. ntradevr,
ecuaia F(v) = c revine la
(8)
a11v12 + 2a12 v1v 2 + a 22 v 22 2b1v1 2b2 v 2 = 2c .
Deoarece A este pozitiv definit, rezult c
a12
a
>0 ,
= 11
a12 a 22
deci (8) reprezint o elips.
Fie v0 un vector de prob oarecare i c0=F(v0). Ecuaia F(v)=c0
reprezint o elips i v=v0 aparine acestei elipse. Deoarece r0=gradF(v0), rezult
c r0 este perpendicular pe tangenta n v=v0 la elips. Direcia p1 o alegem
astfel nct s nu fie perpendicular pe r0. Fie v1=v0+tminp1 i fie c1=F(v1).
Punctul v=v1 aparine elipsei F(v)=c1 i de asemenea aparine dreptei ce
trece prin v0 i are direcia p1.
Fie r1=Av1b. Din Observaia 1,
r0
v0
rezult c r1 este perpendicular
v1
pe direcia p1. Pe de alt parte
r1=gradF(v1) este perpendicular
pe tangenta n v=v1 la elipsa
p1
F(v)=c1. Rezult c v=v1, este
r1
punctul de tangen la elipsa
F(v)=c1 al dreptei care trece prin v0 i are direcia p1.
1.9. Metoda relaxrii simple

Este o metod specific calculelor de mn, avnd mai ales o semnificaie
istoric.
Fie v un vector de prob oarecare i fie
corespunztor.
r=Av b vectorul rezidual
51
Dac max ri = r j , atunci alegem p=ej unde e Tj = (0,...,1,...,0) . Rezult

1i n
r, p
t min =
Ap,p
v = v + t min p = v
Pe componente avem:
vi
rj
vi =
vj
a jj
rj
a jj
rj
a jj
ej
(1)
daca
i j
daca
i= j
De asemenea vom avea r = Av b = r
(2)
rj
a jj
Ae j i mai departe
rj
r1 = r1
a1 j
a jj
.................
r j = 0
...................
rj
rn = rn
a nj
a jj
(3)
F = F (v) F (v ) =
2
1 rj
<0,
2 a jj
ceea ce asigur convergena metodei. Dei convergena este asigurat, experienele

numerice arat c aceasta este foarte lent. Convergena este mbuntit dac
matricea A este tare diagonal dominant.
Exemplu.
x1
0.2 x1
0.2 x
1
Dac alegem v
+ 0.2 x 2
x2
+ 0.2 x 2
(1)
+ 0.2 x3
+ 0.2 x3
x3
0

= 0 , atunci
0

+ 0.6
+ 0.5
+ 0,4
=0
=0
=0
52
0.6

1
(
)
= 0.5 i max(r1(1) , r2(1) , r3(1) ) = r1(1) = 0.6 .
r
0.4

Aadar
1
r1(1)
r1(1)

(2)
(2)
(1)
(1)
e1 i r = r
Ae1 .
p1 = e1 = 0 , v = v
a11
a11
0

Pe componente avem
v ( 2)
1
( 2)
v 2
( 2)
v3
r (2)
1
(2)
r2
(2)
r3
= 0.6
=0
=0
=0
= 0.62 ,
= 0.52
r2( 2) = max r1(2) , r2(2) , r3(2) = 0.62 .
Rezult
0
(2)

(3)
(2) r2
e2
p 2 = e2 = 1 , v = v
a 22
0

v (3)
1
(3)
v 2
(3)
v3
(3)
r3
r (3)
1
(3)
r2
(3)
r3
= 0 .6
= 0.62 ,
=0
(3)
i r
(3)
= max r1 , r2
(3)
, r3
(3)
=r
(2)
r2(2)
a 22
Ae2 ;
= 0.124
=0
= 0.644
) = 0.644 .
n continuare
0
r (3)

p3 = e3 = 0 , v (4) = v (3) 3 e3
a33
1

v ( 4)
1
( 4)
v 2
( 4)
v3
= 0.6
= 0.62
= 0.644
r (4)
1
(4)
r2
(4)
r
3
(3)
r
i r (4) = r (3) 3 Ae3 .
a33
= 0.2528
= 0.1288 , etc.
=0
53
1.10. Metoda deplasrilor succesive (Gauss - Seidel)

n metoda deplasrilor succesive, direcia de relaxare urmeaz ciclic
direciile e1, e2, ... , en, indiferent de reziduurile respective, dup care ciclul se reia.
Pentru simplificare s presupunem c avem sistemul
a11 x1 + a12 x 2 + a13 x3 b1 = 0
a 21 x1 + a 22 x 2 + a 23 x3 b2 = 0
a x + a x +a x b
= 0
32 2 33 3
3
31 1
(0)
Fie v
1

vectorul de prob iniial i fie p = e1 = 0 . Conform formulei (1) din 9
0

(0)
( 0 ) r1
rezult v = v
e1 , iar pe componente
a11
(0)
(0)
(0)
(0)
v1 = v1 a a11v1 + a12 v2 + a13v3 b1
11
(0)
v
v
=
2
2

(0)
v3 = v3
n continuare alegem direcia de relaxare

0

p = e2 = 1
0

i obinem vectorul v de componente

v1 = v1
1
(0)
(a v + a v + a23v3 b2 ) .
v2 = v2
a22 21 1 22 2
(0)
v3 = v3
n sfrit, pentru direcia de relaxare
0

p = e3 = 0 ,

1
)
.
54
obinem vectorul v de componente
v = v
1 1
.
v2 = v2
1
v3 = v3( 0 )
(a31v1 + a32v2 + a33v3 b3 )
a33
Dup ncheierea acestui ciclu, vectorul gsit va fi notat cu v(1) i va avea

componentele:
(1)
a12 ( 0 ) a13 ( 0 ) b1
v
v
+
v1 = v1 =
a11 2
a11 3
a11
a21 ( 1 ) a23 ( 0 ) b2
( 1 )
(1)
v
v
+
v2 = v2 =
a22 1
a22 3
a22
(1)
a
b
(1 ) a
(1 )
v3 = v3 = 31 v1 32 v2 + 3
a33
a33
a33
Efectund calculele obinem:
a v (1) + a v (0) + a v (0) = b
1
13 3
12 2
11 1
( 0)
(1)
(1)
a 21v1 + a 22 v 2 + a 23 v3 = b2 .
(1)
(1)
(1)
a31v1 + a32 v 2 + a33 v3 = b3
n general, pentru un sistem de n ecuaii, dup (m+1) cicluri se obine vectorul
v ( m+1) care verific ecuaiile:

a v(m+1 ) + a v(m) + a v(m) + ... + a v(m) = b
12 2
13 3
1n n
1
11 1
a v(m+1 ) + a v(m+1 ) + a v(m) + ... + a v(m) = b
21 1
22 2
23 3
2n n
2
..........................................................................
(m+1 )
+ an 2v2(m+1 )+an3v3(m+1 ) + ... + ann vn(m+1 ) = bn
an1v1
(2)
Observaia 1. Formulele (1) coincid cu formulele (10) din 7.

Dac notm cu
0 0... 0
0
a11 0 L 0
0 0... 0
a 21
0 a22 L 0
T
,
E = a31 a32 0... 0 , F = E i D =
M
M
M
0
...
0 L ann
...
a n1 a n 2 ... 0
atunci matricea A admite descompunerea A=E+D+F

verific relaia matricial
(D+E)v(m+1) + Fv(m) = b ,
de unde rezult
v(m+1)= (D+E) 1Fv(m)+(D+E) 1b .
n sfrit, notnd
M= (D+E) 1F i C=(D+E) 1b
obinem procesul iterativ
v(m+1)=Mv(m)+C .
55
i irul de vectori v (m)

(3)
(4)
(5)
(6)
Exemplu. S se gseasc soluia aproximativ obinut dup 5 iteraii cu metoda

deplasrilor succesive, lund vectorul iniial (0, 0, 0), pentru sistemul Ax = b,
unde:
1
2 1 0 0

1
1 3 1 0
A=
,
b= .
0 1 3 1
1

1
0 0 1 2

Rezolvare
18 0 0 0
0 -1 0 0
1 6 12 0 0
0 0 -1 0
-1
F=
( D+E ) =
0 0 0 -1
36 2 4 12 0
1 2 6 18
0 0 0 0
0 18 0 0
1 0 6 12 0
1
M = ( D + E ) F =
36 0 2 4 12
0 1 2 6
4
1
det ( M I ) = 2 2 + .
9
36
Valorile proprii ale matricei M sunt 1 = 0.369 ; 2 = 0.077 ;

( M ) = 0.369 < 1 , deci procesul este convergent.
Pe componente algoritmul conduce la:
3 = 0 ; 4 = 0 .
56
Iteraia I
1
(1)
( 0)
( 0)
x1 = a (b a12 x2 a1 3x 3
11
x (1) = 1 (b a x ( 1) a x (0)
21 1
23 3
2
a22
1
x3(1) =
(b a 31x (11) a 32x (21)
a33
(1)
1
(b a 41x (11) a 42x (21)
x4 =
a
44
a1 4x (40) )
0.5
(1) 0.5
rezult x =
0.5
a 34x (40) )
0.75
a 24x (40) )
a 43x (31) )
Iteraia a II a
1
( 2)
( 1)
( 1)
( 1)
x1 = a (b a12 x2 a1 3x 3 a1 4x 4 )
11
0.75
x ( 2) = 1 (b a x ( 2) a x ( 1) a x ( 1) )
21
23
24
2
1
3
4
a22
( 2) 0.75
rezult x =
1
0.83333
x3( 2) =
(b a 31x (1 2) a 32x (22) a 34x (41) )
0.91667
a33
( 2)
1
( 2)
( 2)
( 2)
(
)
=
x
b
a
x
a
x
a
x
4
41 1
42 2
43 3
a44
Iteraia a III a
1
(3)
( 2)
x1 = a (b a12 x2
11
x (3) = 1 (b a x ( 3)
21 1
2
a22
1
x3(3) =
(b a 31x (13)
a33
(3)
1
(b a 41x (13)
x4 =
a
44
Iteraia a IV a
1
( 4)
( 3)
x1 = a (b a12 x2
11
x ( 4) = 1 (b a x ( 4)
21 1
2
a22
1
x3( 4) =
(b a 31x (1 4)
a33
( 4)
1
(b a 41x (1 4)
x4 =
a
44
Iteraia a V a
a1 3x (32) a1 4x (42) )
0.875
(3) 0.90278
rezult x =
0.93981
a 32x (23) a 34x (42) )
0.96991
a 23x (32) a 24x (42) )
a 42x (23) a 43x (33) )

a1 3x (33) a1 4x (43) )
0.95139
( 4) 0.96373
rezult x =
0.97788
a 32x (24) a 34x (43) )
0.98894
a 23x (33) a 24x (43) )
a 42x (24) a 43x (34) )
1
( 5)
( 4)
x1 = a (b a12 x2
11
1
(
5
)
x =
(b a 21x (15)
2
a22
1
x3(5) =
(b a 31x (15)
a33
(5)
1
(b a 41x (15)
x4 =
a
44
57
a1 3x (34) a1 4x (44) )
0.98187
(5) 0.98658
rezult x =
.
( 5)
( 4)
0.99184
a 32x 2 a 34x 4 )
0.99592
a 23x (34) a 24x (44) )
a 42x (25) a 43x (35) )
Teorema 1. Dac matricea A este simetric i pozitiv definit, procesul iterativ

Gauss Seidel este convergent.
Demonstraia rezult din analiza descreterii funciei ptratice F prin trecerea de
la o iteraie la alta. O alt demonstraie se bazeaz pe faptul c se poate arta c
dac A este simetric i pozitiv definit, atunci ( M ) < 1 i conform Teoremei 2
din 7, procesul iterativ este convergent.
1.11. Metoda suprarelaxrii

Pentru sisteme mari de ecuaii, procesul iterativ Gauss Seidel converge
lent, deoarece raza spectral (M ) este n vecintatea lui 1.
Metoda suprarelaxrii este o generalizare a metodei Gauss Seidel, care
const n introducerea unui parametru n vederea accelerrii convergenei. Ca i
n metoda Gauss Seidel, direcia de relaxare urmeaz ciclic direciile e1, e2 , ..., en
dar se nlocuiete tmin cu t=tmin. Exemplificm metoda pe cazul particular al
unui sistem de trei ecuaii. Fie v(0) vectorul de prob iniial. Dup un ciclu n care
direcia de relaxare urmeaz succesiv direciile e1, e2 , e3 obinem vectorul v(1)
de componente:
(1)
(0)
a11v1( 0 ) + a12 v2( 0 ) + a13v3( 0 ) b1
v1 = v1
a11
( 1 )
(0)
(1)
a21v1( 1 ) + a22 v2( 0 ) + a23v3( 0 ) b2
v2 = v2
a22
(1)
(0)
a31v1( 1 ) + a32 v2( 1 ) + a33v3( 0 ) b3
v3 = v3
a33
(
(
(
)
)
Dac = 1, obinem din nou formulele (1) din 10. Dup efectuarea calculelor
rezult:
58
-1a v( 1 ) + ( 1 1 )a v( 0 ) + a v( 0 ) + a v( 0 ) = b
11 1
11 1
12 2
13 3
1
(1 )
(0)
(0)
1
-1 ( 1 )
(2)
a21v1 + a22 v2 + ( 1 )a22 v2 + a23v3 = b2
(1)
(1 )
(0)
1
-1 ( 1 )
a31v1 + a32v2 +a33 v3 + ( 1 )a33v3 = b3
Dac introducem notaiile

0 0
0
0
0
a11
E = a 21 0 0 , D = 0 a 22
0 i F=ET ,
a
0
0 a33
31 a32 0
relaiile (2) capt forma matricial

(3)
(E+ 1D)v(1) + [F+(1 1)D]v(0) = b .
n general, pentru un sistem de n ecuaii, irul de vectori v(m) satisface relaia:
(E+ 1D) v(m+1) + [F+(1 1)D] v(m) = b .
(4)
n continuare avem
v(m+1)= (E+ 1D) 1 [F+(1 1)D] v(m)+ (E+ 1D) 1b .
Notm cu
M () = ( E + 1 D) 1 F + (1 1 ) D
.
(5)
1
C () = E + 1 D b
Obinem astfel procesul iterativ

(6)
v(m+1) =M( )v(m) + C() .
Pentru = 1 obinem algoritmul Gauss Seidel (vezi (4), (5), (6) din
10).
Parametrul optim, opt, va fi acela pentru care raza spectral a matricei
M() va fi minim. Evident, pentru acest parametru se obine cea mai rapid
convergen.
Se poate demonstra urmtoarea teorem.
Teorema 1. Dac matricea A este simetric i pozitiv definit, metoda
suprarelaxrii este convergent pentru orice 0 < < 2.
n particular, rezult c metoda Gauss Seidel este convergent dac A
este simetric i pozitiv definit, deoarece corespunde cazului particular = 1.
Determinarea parametrului optim, opt, este posibil n cazul matricelor
bloc tridiagonale.
Definiia 1. O matrice A se numete bloc tridiagonal, dac are urmtoarea
structur:
59
0 L
0
D1 F1 0
0
E1 D2 F2 0 L
0 E
0
2 D3 F3 L
,
A =
O
M
M
L Em 2 Dm1 Fm1
0
0
L
0
Em1 Dm
unde Di sunt matrice ptratice de diferite ordine, Ek i Fk sunt, n general,

matrice dreptunghiulare. Fk are acelai numr de linii ca matricea Dk i acelai
numr de coloane ca matricea Dk+1. Ek are acelai numr de linii cu Dk+1 i
acelai numr de coloane cu Dk. n afara matricelor care intr n band, toate
elementele sunt nule. Dac, n plus, matricele Di sunt diagonale, A se numete
diagonal bloc tridiagonal.
Prezentm de asemenea fr demonstraie urmtoarea teorem.
Teorema 2. Fie A o matrice simetric, pozitiv definit i diagonal tridiagonal.
2
, unde
Atunci parametrul optim de relaxare este dat de relaia opt =
2
1 + 1 1
1 este cea mai mare valoare proprie a matricei D 1(E+F) .

Exemplu. Fie sistemul Ax = b din exemplul din paragraful precedent, care are
matricea diagonal bloc tridiagonal
0
2 1 0 0
0 1 0
1 3 1 0
1 0 1 0
, E+F =
A=
,
0 1 0 1
0 1 3 1
0 0 1 2
0 1 0
0
1
0 0
0
2
2 0 0 0
1 0 1 0
0 3 0 0
3
, D 1 ( E + F ) = 3
D=
.
1
1
0 0 3 0
0
0
0 0 0 2
3
3
0 0 1 0
2
Ecuaia caracteristic este
60
1
2
1
1
0
3
3
=0,
1
1
0
3
3
1
0
0
care este echivalent cu

2 1 0 0
1 3 1 0
= 36 4 + 16 2 + 1 = 0 .
0 1 3 1
0 0 1 2
Rezult
i =
4 7
18
1 =0.60763 .
Parametrul optim de relaxare opt =
2
1+
1 12
=1.11469 .
=M( )x + C() , unde

Procedeul iterativ x
0.55734
0
0
0.11469
0.55734
0.0924 0.37156
0
0.04261
0.57865
, C ( ) =
,
M ( ) =
0.01583
0.58657
0.03433 0.02337 0.37156
0.00882482 0.01913 0.01303 0.0924

0.88426
conduce la urmtoarele valori ale vectorului soluiilor pentru primele cinci iteraii:
0.55734
0.81593
0.92431
0.99166
(1) 0.57865
( 2) 0.82631
(3) 0.96946
( 4) 0.99595
, x =
, x =
, x =
,
x =
0.58657
0.93988
0.98803
0.99825
0.88426
0.97976
0.99565
0.99953
(m+1)
(m)
0.9987
(5) 0.99933
.
x =
0.99978
0.99993
61
1.12. Metoda gradienilor conjugai

Fie sistemul Ax=b, unde A este simetric i pozitiv definit.
Definiia 1. Spunem c direciile p i q sunt direcii conjugate n raport cu
matricea A dac Ap,q = p,Aq = 0 .
Fie v(0) un vector de prob i r(0)=Av(0) b vectorul rezidual

corespunztor. n metoda gradienilor conjugai pentru rezolvarea sistemului
Ax=b, prima direcie de relaxare se alege p(1) = r(0) . n continuare avem:
t min =
unde
r ( 0 ) ,p (1)
Ap (1) ,p (1)
r (0) ,r (0)
Ap (1) ,p (1)
(1)
v(1) = v(0) + q1p(1) ,
q1 = t min =
(2)
r (0) ,p (1)
(3)
Ap (1) ,p (1)
Valoarea minim a funciei F=F(v),

prin v(0) i are direcia p(1)= r(0) este v(1).
cnd v parcurge dreapta ce trece
Fie
r(1)=gradF(v(1))=Av(1) b.
Din Observaia 1 din 8 rezult c
r (1) ,p (1) = r (1) ,r (0) = 0 .
(4)
Urmtoarea direcie de relaxare p(2) se alege de forma p(2)= r(1)+c1p(1) i n plus

s fie conjugat direciei p(1) n raport cu A.
Aadar, avem:
0 = Ap (2) ,p (1) = p (2) ,Ap (1) = r (1) ,Ap (1) + c1 Ap (1) ,p (1)
de unde rezult
c1 =
r (1) ,Ap (1)

Ap (1) ,p (1)
Avem de asemenea
(5)
62
(2)
=v
(1)
+ t min p
(2)
=v
(1)
r (1) ,p (2)
Ap
(2)
,p
(2)
p (2) .
(6)
n general, pentru orice k2 obinem

r ( k 1) ,Ap ( k 1)
ck-1 =
Ap ( k 1) ,p ( k 1)
(7)
p ( k ) = r ( k 1) + ck 1 p ( k 1) ,
r ( k 1) ,p ( k )
qk =
Ap ( k ) ,p ( k)
(8)
(9)
vk = v ( k 1) + qk p ( k ) .
(10)
Metoda gradienilor conjugai este definit de formulele (7) (10).
n continuare prezentm unele simplificri i proprieti suplimentare.
Deoarece r(k 1) este ortogonal pe direcia p(k 1) rezult
r ( k 1) , p ( k ) = r ( k 1) , r ( k 1) + c k 1 p ( k 1) = r ( k 1) , r ( k 1)
i deci
qk =
r ( k 1) ,r ( k 1)
Ap ( k ) ,p ( k )
>0.
(9)
Pe de alt parte, din (10) avem

r ( k ) = Av ( k ) b = Av ( k 1) + qk Ap ( k ) b = r ( k 1) + qk Ap ( k ) .
Obinem deci urmtoarea relaia de recuren
(11)
r ( k ) = r ( k 1) + qk Ap ( k ) .
Observm c
r ( k ) ,r ( k 1) = 0 .
(12)
ntr adevr, din (11) rezult

r ( k ) , r ( k 1) = r ( k 1) , r ( k 1) + q k r ( k 1) , Ap ( k )
(13)
Pe de alt parte, innd seama de (8), de (9) i de faptul c

A conjugate, rezult
qk r
(k 1 )
,Ap
(k)
= r
( k 1)
,r
r ( k 1) , Ap ( k )
( k 1)
Ap
(k )
.
Din (13) i (14) rezult acum (12) .
, r
( k 1)
+ c k 1 p
( k 1)
p(k) i p(k 1) sunt

= r ( k 1) , r (k 1 )
63
Deoarece Ap(k) oricum trebuie calculat, rezult c vectorul rezidual r(k) se

va calcula din relaia de recuren (11) i nu prin nlocuirea direct a lui v(k) n
expresia Av=b.
n continuare vom stabili o alt formul pentru coeficientul ck 1.
Din (11) i (12) rezult
r ( k 1) ,Ap ( k 1) = r (k 1) ,
1
qk 1
(r
( k 1)
r ( k 2) =
1
qk 1
r ( k 1) ,r ( k 1) .
innd seama de (7) i de (9) obinem

ck 1 =
r (k 1 ) ,Ap(k 1 )
Ap(k 1 ) ,p(k 1 )
r (k 1 ) ,r (k 1 )
r (k 2 ) ,r (k 2 )
Algoritm pentru rezolvarea sistemelor de ecuaii liniare cu metoda gradienilor

conjugai
Calculeaz
r ( 0 ) = Av( 0 ) b ; p ( 1 ) = r ( 0 ) ;
q1 =
r ( 0 ) ,r ( 0 )
Ap
(1) (1)
,p
; v( 1 ) = v( 0 ) + q1 p( 1 ) ; r ( 1 ) = r ( 0 ) + q1 Ap( 1 ) ;
Pentru k:=2,n calculeaz

ck 1 =
qk =
r (k 1 ) ,r (k 1 )
r
(k 2 ) (k 2 )
,r
r (k 1 ) ,r (k 1 )
(k) (k)
Ap ,p
; p(k) = r (k 1 ) + ck 1 p(k 1 ) ;
; v(k) = v(k 1 ) + qk p(k) ; r (k) = r (k 1 ) + qk Ap(k) ;
sfrit pentru k .
n Mathcad algoritmul de mai sus este aplicat unui exempu.
64
Metoda gradientilor conjugati

Folosind metoda gradientilor conjugati sa se gaseasca solutia sistemului de ecuatii liniare Ax=b
1 1
1 2
2 1
6
b
Vectorul de proba
0
0
0
Algoritmul metodei gradientilor conjugati
GrCon( A , b , x, n )
< 0>
r
A .x b
< 0>
r
< 0> . < 0>

r
r
.
A p .p
x x q .p
< 1>
r
< 0>
r
q .A .p
for k 2 .. n
c
<k
r
<k
r
p
q
1>
. r< k
1>
2>
. r< k
2>
<k
r
<k
r
1>
1>
c .p
. r< k
1>
A .p .p
x x q .p
< k>
r
<k
r
1>
q .A .p
Apelarea programului si afisarea rezultatelor
1
GrCon( A , b , x, n ) =
1
1
1
65
Teorema 1. n metoda gradienilor conjugai direciile de relaxare p(k),

(k=1,2,...) sunt conjugate dou cte dou n raport cu matricea A, iar vectorii
reziduali r(k), (k=0,1,...) sunt ortogonali doi cte doi.
Demonstraie.
Demonstraia se face prin inducie relativ la k . Pentru k=1 avem r (1) , r (0) = 0
din (4), iar pentru prima afirmaie nu avem ce arta. Ipoteza de inducie este:
r (i ) , r ( j ) = 0
pentru ij , 0i,
p (i ) , Ap ( j ) = 0
pentru ij ,
jk ,
(15)
1ijk .
(16)
Va trebui s artm c
r (k +1 ) ,r (j) = 0 ,
pentru j = 0 ,k
p ( k +1) , Ap ( j ) = 0 , pentru
(17)
j = 1,k .
(18)
Fie j=k, atunci

p ( k +1) , Ap ( k ) = Ap (k +1 ) ,p (k) = 0
deoarece pk i pk+1 sunt A conjugate.

Fie 1j<k , atunci
p(k+1 ),Ap(j) = -r +ck p ,Ap
(k)
deoarece
(k)
(j)
= r (k),Ap(j)
p(k),Ap(j) = 0 conform ipotezei (16).
Pe de alt parte,
Ap(j) =
i din (15) rezult
1 (j) (j-1 )
r -r
qj
r (k) ,Ap(j) = 0 .
Aadar am demonstrat (18).

Pentru j=k, (17) este adevrat din (12).
Fie 0j<k. Din (11) i (15) rezult:
r (k +1 ) ,r (j) = r (k)+q k+1 Ap (k+1 ) ,r (j) = q k +1 Ap ( k +1) , r ( j ) =
= q k +1 Ap (k+1 ) ,-p (j) + c j 1 p (j 1 )
innd seama de (18) i de faptul c A este simetric, rezult

cu aceasta teorema este demonstrat.
r (k +1 ) ,r (j) = 0 i
Din Teorema 1 rezult c vectorii reziduali r(k) sunt ortogonali doi cte
doi i deci sunt liniar independeni (dac sunt nenuli). Aadar, nu pot exista (n+1)
vectori reziduali nenuli. Rezult c n metoda gradienilor conjugai soluia exact
66
se gsete n cel mult n pai. Teoretic ar trebui ca vectorul rezidual r(n) s fie zero
i deci v=v(n) s fie soluia exact a sistemului.
n practic acest lucru nu se ntmpl, deoarece n determinarea vectorilor
r(k) intervin erori de calcul, care fac ca acetia s nu formeze un sistem ortogonal.
Deoarece n general r(n)0, continum s calculm r(k), k>n pn obinem un
vector rezidual nul sau foarte mic r (k) <<1 . Aceast atitudine se justific
prin faptul c metoda gradienilor conjugai este o metod de relaxare prin care
valoarea funciei ptratice F=F(v) se micoreaz la fiecare pas.
Metoda gradienilor conjugai se dovedete foarte util pentru sistemele n
care matricea A are multe zerouri i fiecare ecuaie are o anumit regularitate
intern.
Astfel de sisteme apar n procesul de discretizare a problemei la limit a
ecuaiilor cu derivate pariale de tip eliptic.
1.13. Metoda celor mai mici ptrate

n procesul de prelucrare i ajustare a datelor, apar sisteme de ecuaii
liniare supradimensionate sau subdimensionate. Abordm pentru nceput problema
sistemelor supradimensionate. Fie sistemul
a11 x1 +...+ a1n xn = b1
(1)
, m>n .
..........................
a x +...+ a x = b
mn n
m
m1 1
Evident, un asemenea sistem poate s nu aib soluie. Fie
r = Ax b = (r1, r2 , ..., rm )T
vectorul rezidual , unde
ri = ai1 x1 +...+ ain xn bi , i = 1, m .
(2)
Considerm funcia ptratic
f(x) = f(x1,...,xn ) = r,r = r12 + r22 +...+ rm2
(3)
Definiia 1. Se numete soluie n sensul celor mai mici ptrate a sistemului (1),
acel vector x* , pentru care funcia (2) are valoarea minim.
Dac:
min f(x) = f(x* ) = 0 , atunci ri(x*)=0, pentru orice i = 1, m . Rezult c
xR n
sistemul (1) este compatibil i x=x* este soluia exact a sa.
67
n general, sistemul (1) nu este compatibil i
min f(x) = f(x* ) > 0 , iar
xR
x=x*
este un substitut pentru soluia sistemului i anume soluia n sensul celor mai
mici ptrate.
Funcia f se poate pune sub forma
f(x)= r,r = Ax-b,Ax-b = Ax,Ax 2 Ax,b + b,b
i mai departe
f(x)= AT Ax,x 2 AT b,x + b,b
(4)
Teorema 1. Dac rangA = n, atunci sistemul (1) admite o singur soluie n

sensul celor mai mici ptrate i aceasta este soluia (unic) a sistemului.
AT Ax=AT b
(5)
(Sistemul (5) se numete sistemul normal al lui Gauss).
Demonstraie.
Punctele de extrem ale funciei ptratice f dat de (4), se caut printre
punctele sale critice, iar acestea, se afl rezolvnd sistemul:
grad f = 0
Cum grad f=ATAx ATb, obinem sistemul ATAx=ATb. Pe de alt parte se tie c:
rang A=rang AT =rang AT A =rang AAT .
Matricea B=ATA este o matrice ptratic de ordinul n i rangB=n,
conform celor de mai sus. Rezult c sistemul (5) admite o soluie unic, x=x*,
care este punct critic pentru f.
Matricea B este evident simetric i semipozitiv definit. Mai mult, n
ipoteza noastr, matricea B este pozitiv definit. ntr adevr, dac presupunem c
Bx,x = 0 , atunci rezult Ax,Ax = 0 i deci Ax=0. Cum rang A=n<m
rezult x=0.
Pe de alt parte avem
( )
( )
d 2 f(x) = bij dxi dx j > 0 ,

i =1 j =1
de unde rezult c x=x

demonstrat.
este punct de minim pentru f i cu aceasta teorema este
Aadar, n ipoteza rangA=n, soluia sistemului (1), n sensul celor mai

mici ptrate, este unic i se afl rezolvnd sistemul (5). Acest sistem este simetric
pozitiv definit. Rezolvarea sa se poate face prin metoda Cholesky sau una din
metodele de relaxare.
Observaia 1. Teoretic, soluia sistemului (5) este x*=(ATA) 1ATb. Matricea
P=(ATA) 1AT se numete pseudoinversa matricei (dreptunghiu lare) A.
68
Se observ c dac A este ptratic, atunci P=A 1(AT) 1AT=A 1, deci

noiunea de matrice pseudoinvers generalizeaz noiunea de matrice invers
(pentru matrice dreptunghiulare).
Rezolvarea practic a sistemului (5) ridic probleme din cauza faptului c numrul
de condiionare al matricei B=ATA este mare. Fie 1 2 ... n > 0 valorile
proprii ale matricei B. Atunci:
cond(B) = 1 .
(6)
n
Cum
Bx,x
Bx,x
min Bei ,ei = minbii ,
1 = sup
max Bei ,ei = maxbii i n = inf
x0 x,x
i
i
i
i
x0 x,x
rezult
cond( B)
maxbii
.
minbii
(7)
Exemplul 1. (Dreapta de regresie)

S presupunem c vrem s gsim o dreapt y=mx+n care s treac prin punctele:
M1(0,0) ; M2(2,1) ; M3(5,3) ; M4(8,5) ; M6(10,6)
Se obine astfel sistemul
0 m+n=0
2 m+n=1
.
(8)
5 m+n=3
8 m+n=5
10 m+n=6
Evident, sistemul (8) este supradimensionat i incompatibil. Avem:
0 1
0

2 1
1
193 25
117
; AT b =
.
A = 5 1 ; b = 3 ; B = AT A =

25 5
15
8 1
5

10 1
6
Ecuaiile normale ale lui Gauss sunt
193m + 25n = 117
.
25m + 5n = 15
21
3
,n =
, iar valorile proprii sunt 1 = 196.268 i
34
34
2 = 1.732 . Rezult cond( B ) 113 . Dac folosim estimarea (7) obinem
Soluia exact este
m=
69
maxbii 193
=
= 38,6 .
minbii
5
21
3
x . Aceast dreapt nu trece
34
34
prin punctele Mi, dar este acea dreapt din plan care trece cel mai aproape de
aceste puncte.
S presupunem c vrem s determinm dreapta de regresie corespunztoare
punctelor M i ( xi ,yi ) , i = 1,n .
Matricele
1 1
n(n + 1)(2n + 1) n(n + 1)
2 1
T
6
2
i
B
=
A
A
=
A=
n(n + 1)
M M
n 1
conduc la
max bii (n + 1)(2n + 1) n 2
=
>
.
min bii
6
3
Pentru n=100, cond(B)>13333, deci sistemul normal al lui Gauss este prost
condiionat.
Dreapta de regresie n acest caz este:
y=
Sistemele subdimensionate apar n probleme legate de ajustarea datelor. S

presupunem c msurnd n cantiti x1, x2, ... , xn, gsim valorile l1, l2, ... , ln. Pe
de alt parte, necunoscutele x1, x2, ... , xn satisfac anumite ecuaii i anume
a11 x1 + ... + a1n xn = b1
(9)
, m<n .
........................
a x + ... + a x = b
mn n
m
m1 1
Datorit lipsei de acuratee a msurtorilor se pune condiia ca suma
ptratelor coreciilor
2
(li xi ) s fie minim. Se obine astfel o problem de
i =1
extrem cu legturi.
Exemplul 2.
S presupunem c msurnd unghiurile x1, x2, x3 ale unui triunghi gsim
valorile l1, l2, l3. Evident avem legtura
x1+ x2+ x3 = 180 .
Impunem condiia ca abaterile datorate impreciziei msurtorilor s fie ct mai
mici, deci ca expresia
(x1 l1 )2 + (x2 l2 )2 + (x3 l3 )2
s fie minim.
70
Revenind la cazul general, se pune problema s determinm n necunoscute x1, x2,

... , xn care satisfac legturile (9) i care minimizeaz funcia:
f(x1,...,xn ) = (x1 l1 )2 + ... + (xn ln )2 .
Considerm funcia auxiliar
( x1 ,..., xn , 1 ,..., m ) = ( x1 l1 ) 2 + ... + ( xn ln ) 2
21 (a11x1 + ... + a1n xn b1 )... 2m (am1x1 + ... + amn xn bm )
Punctele critice ale funciei sunt date de sistemul
x1 l1 (a111 + ... + am1m ) = 0
............................................
xn ln (a1n 1 + ... + amn m ) = 0
.
(10)
a11 x1 + ................. + a1n xn b1 = 0

................................................
am1x1 + ................. + amn xn bm = 0

Dac notm cu l = (l1 ,..., ln )T i cu = (1 ,..., m )T , atunci sistemul (10) se
scrie sub forma matricial
x = AT + l
Ax = b
nlocuind (10) n (10) obinem sistemul
AAT = b Al .
(10)
(10)
(11)
Dac rang A = m , atunci rang ( AA ) = m i sistemul (11) are soluie unic. Mai
mult, matricea AAT este ptratic, simetric i pozitiv definit, deci rezolvarea
sistemului (11) se poate face cu metoda Cholesky sau una din metodele de relaxare.
Rezolvnd sistemul (11) gsim multiplicatorii lui Lagrange 1 ,..., m , iar din
relaia x = AT + l determinm punctul de minim condiionat al funciei f.
(Cum d 2 = 2(dx12 + ... + dxn2 ) > 0 rezult c avem ntr adevr un punct de
minim).
Exerciii
71
Folosind metoda Gauss s se rezolve urmtoarele sisteme de ecuaii liniare:

=2
6 x1 + x2 x3 + x4
x + 7x + 2x x
= 1
1
2
3
4
1.
x1 + 2 x2 + 8 x3 + x4 = 12
x1 x2 + x3 + 9 x4
= 5
1.0 0.1667 0.1667 0.1667
1.0
0.3171 0.1707
~ 0
R. Matricea triunghiular A =
,
0
0
1.0
0.2150
0
0
0
1.0
0 .333
~ 0 .1951
.
vectorul termenilor liberi transformat b =
1 .7850
1 .0
1

1
Soluia sistemului x =
2

1

4 x1 + x2 x3 + x4
x + 8x + x + x
1
2
3
4
2.
x1 + x2 + 6 x3 + x4
x1 + x2 + x3 + 7 x4
=1
=7
= 10
= 12
1.0 0.2500 0.2500
1 .0
0.1613
~ 0
0
0
1 .0
0
0
0
0.2500
~ 0.8710
1.7789
2 .0
Soluia sistemului x = (1 1 2 2).
0.2500
0.0968
,
0.1105
1.0
72
3.
5 x1 + x2 + x3 + x4
x + 8x + 2 x + x
1
2
3
4
x
x
6
x
x
+
+
3
4
1 2
x1 + x2 + x3 + x4
= 14
= 127
= 15
= 10
1.0 0.2000 0.2000 0.2000
1 .0
0.2308
0.1026
~ 0
,
0
0
1 .0
0.1558
0
0
0
1.0
2.8000
~ 3.1026
.
2.3766
4 .0
Soluia sistemului x = (1 2 3 4).
S se rezolve urmtoarele sisteme de ecuaii liniare folosind metoda

Cholesky:
=9
10 x1 + x2 x3 x4
x + 9x + x x
= 6
1
2
3
4
4.
x1 + x2 + 11x3 + x4 = 8
x1 x2 + x3 + 8 x4 = 7
0
0
0
3.1623
2.9833
0
0
T 0.3162
R.
.
Soluia
sistemului
R =
0
0.3162 0.3687 0.32809
0.3162 0.3017 0.3082 2.7774
2.846
2.3129
T
R y=b este y =
, iar cea a sistemului Rx=y , i deci soluia
2.9726
2.7774
1

1
sistemului iniial este x = .
1

1

73
5.
8 x1 x2 x3 + x4
x + 6 x + x 2 x
1
2
3
4
x
x
7
x
x
+
+
+
3
4
1 2
x1 2 x2 + x3 + 9 x4
=7
=6
= 8
= 11
R.
0
0
0
2.82843
2.42384
0
0
T 0.35355
.
R =
0.361
2.59705
0
0.35355
0.35355 0.77357 0.54071 2.82564
2.47487
2.83641
T
Soluia sistemului R y=b este y =
iar cea a sistemului Rx=y , i
3.13776
2.82564
1

1
deci soluia sistemului iniial este x = .
1

1

6.
6 x1 + x2 2 x3 x4
x + 5x + x x
1
2
3
4
+
+
2
x
x
11
x
1
2
3 x4
x1 x2 x3 + 4 x4
= 19
= 15
=8
= 10
R.
0
0
0
2.44949
2.19848
0
0
T 0.40825
.
R =
3.15682
0
0.8165 0.60648
0.40825 0.37905 0.34954 1.88878
7.75672
5.3825
T
Soluia sistemului R y=b este y =
, iar cea a sistemului Rx=y , i
3.50636
1.88878
deci soluia sistemului iniial este x= (3 2 1 1).
74
7.
R.
Folosind metoda Householder, s se rezolve sistemele:

=2
4 x1 + 3x2 2 x3 + x4
5 x + 6 x + 7 x 8 x = 14
1
2
3
4
9
x
8
x
7
x
6
x
2
3
4 = 30
1
x1 + x2 x3 x4
=0
det(A)= 1112; descompunerea A=QR este dat de
0.3607 0.3882 0.7877 0.3143
0.4508 0.7068 0.5445 0.0257

,
Q=
0.8115 0.5787 0.0784 0.02
0.0902 0.1217 0.2774 0.9487
11.0905 2.6148 8.0249 8.0249
10.1569 0.0016 1.9155

0
.
R =
0
0
6.2130 5.83368
0
0
0
1.58889
29.9354
8.2430
Soluia sistemului Qy=b este y =
,
11.5498
1.5888
iar cea sistemului Rx=y este x=(1 1 1 1).

x1 + 2 x2 3 x3 4 x4 = 16
5 x 6 x + 7 x 8 x
=2
1
2
3
4
.
8.
9 x1 + 8 x2 + 7 x3 + 6 x4 = 6
4 x1 3 x2 + 2 x3 x4 = 2
R.
det(A)= 2808; descompunerea A=QR este dat

0.09017 0.17005 0.78843 0.58424
0.45083 0.71359 0.2494 0.47469

,
Q=
0.8115 0.55307 0.18504 0.03651
0.36067 0.39494 0.53098 0.65727
0.541
11.09054 2.88534 9.2872
10.23107 2.42367
8.7419
0
R =
0
0
4.3444 2.79972
0
0
0
5.69631
75
6.49202
5.40201
Soluia sistemului Qy=b este y =
,
9.94384
11.39263
1

2
iar cea sistemului Rx=y este x = .
1

2

4 x1 + 3x2 + 2 x3 + x4 = 2
x + 2 x + 3x + 4 x
= 2
1
2
3
4
9.
.
9 x1 8 x2 + 6 x3 7 x4 = 30
x1 x2 + x3 x4
=4
R.
det(A)= 80 ; descompunerea A=QR este dat de

0.0697
0.40202 0.82257 0.3961
0.1005 0.39663 0.90448 0.12039

,
Q=
0.90453 0.4028 0.05925 0.12673
0.1005 0.06173 0.14663 0.98213
9.94987 5.92972 6.63325
6.5451 0.3565
0
R=
0
0
2.42341
0
0
0
Soluia sistemului Qy=b este
28.14106
11.47901
,
y=
0.23702
0.50691
iar cea sistemului Rx=y este
1

1
x = .
1

1

5.62821
5.29041
.
2.66043
0.50691
76
1 1
1 2
1 1 3
2
10. Pentru matricea A =
, s se calculeze:
2
1 1 1
1 1 1 1
a)
det(A) , A1, det(A1);
b)
A 1,
A 2,
A;
A1 ,
1
A1 ,
2
A1
cond1(A) , cond2(A) , cond(A) .

0 0.3333 1
0.6667
0
0.6667 1
1 0.3333
R.
a)
det(A)=6, A =
,
1
0 .5
1
1.5
0
0 .5
0
0.5
det(A1)=0.1667;
A 1 = 6, A 2 = 5.7446, A = 7 ;
b)
A1 = 3, A1 = 2.848, A1 = 4 .
1
2
c)
cond1(A)=18, cond2(A)=12.7511, cond(A)=28 .
c)
11. S se calculeze:
a)
det(A) , A1, det(A1);
b)
A 1,
A 2,
A;
A1 ,
1
A1 ,
2
A1
c)
cond1(A) , cond2(A) , cond (A)

5
4 1
pentru matricea A = 3 2 2 .
6
1
3
R.
a)
det(A)=8, A
1
1
1
= 2.625 2.25 2.875 , det(A1)=0.125 ;

1.125 1.25 1.375
A 1 = 6, A 2 = 5.7446, A = 7 ;
b)
A1 = 3, A1 = 2.848, A1 = 4 .
1
2
c)
cond1(A)=68.25, cond2(A)=48.28525, cond (A)=77.5 .
Folosind metoda Iacobi s se gseasc soluia aproximativ pentru
urmtoarele sisteme de ecuaii liniare :
12.
5 x1 x2 x3
x1 + 6 x2 + x3
x x + 7 x
3
1 2
77
=5
= 4
=9
R. Sistemul se poate pune sub

0
5 0 0
0 6 0 , E = DA = 1
1
0 0 7
forma x = Bx+c, unde B = D1 (DA), iar D =

1 1
0 1 ,
1 0
0
0.2
0.2
0.16667 , c = D1 b =
B = 0.16667
0
0.14286 0.14286
0.66667 , B 2 =0.41997,
1.28571
(B)= 0.29277. Soluia la fiecare iteraie, pornind cu x
( 0)
0

= 0 , este:
0

1.12381
( 2)
x = 0.66667 , x = 1.04762 ,
1.28571
1.04762
0.98939
(3)
( 4)
x = 1.02857 , x = 0.99592 .
0.97551
0199592
(1)
1

Soluia exact fiind x* = 1
1

aproximativ x(4) , este
13.
, eroarea care se face dac se reine ca soluie
x* x ( 4) = 0.01208 .
6 x1 + x2 x3 + x4
x + 7x + x x
1
2
3
4
x
2
x
8
x
x
+
+
+
2
3
4
1
x1 + x2 + x3 + 9 x4
=2
= 4
=6
8
(s se scrie soluia obinut dup patru
iteraii).
R. Se poate pune sistemul sub forma x = Bx+c, unde B = D1 E , iar
6 0 0 0
0 1 1 2
0 1 1
0 7 0 0
1
D=
, E = DA =
,
0 0 8 0
1 2 0 1
0 0 0 9
1
1 1 0
78
0.16667 0.16667 0.33333

0
0.14286 0.14286
0
0.14286
B=
0.125
0.25
0.125
0
0.11111 0.11111 0.11111
0.33333
0.57143
1
c=D b =
, B 2 =0.5989, (B)= 0.27926. Soluia pentru primele
0.75
0.88889
0
0.33333

(0) 0
(1) 0.57143
4 iteraii, pornind cu x = , este: x =
,
0
0.75

0
0.88889

0.84987
0.95117
0.9886
(2) 0.85317
(3) 0.96542
( 4) 0.98884
, x =
, x =
.
x =
0.9623
0.97528
0.99689
0.94577
0.99544
0.99567
1

1
Soluia exact fiind x* = , eroarea care se face dac se reine ca soluie
1

1

aproximativ x(4) , este
14.
x* x ( 4) = 0.01682 .
4 x1 x2 x3 + x4 = 3
x + 7 x + x x = 14
1
2
3
4
+
+
x
x
6
x
x
3
4 = 21
1 2
x1 x2 x3 + 9 x4 = 38
R. Se poate pune sistemul sub forma x=Bx+c, unde B=D1E , iar
4 0 0 0
0 1 1 1
0 7 0 0
1 0 1 1
D=
, E = DA =
,
0 0 6 0
1 1 0 1
0 0 0 9
1 1 1 0
79
0.25
0
0.25
0.25
0.14286 0.14286
0
0.14286
B=
,
0.16667 0.16667
0.16667
0
0.11111 0.11111 0.11111
0.75
2
1
c=D b =
, B 2 =0.60753, (B)= 0.22758. Pentru primele 4 iteraii,
3.5
4.22222
0
0.75

2
(0) 0
(1)
pornind cu x = , soluia este: x =
,
0
3 .5

0
4.22222

1.06944
1.00711
0.99663
( 2) 1.99603
(3) 1.98545
( 4) 1.99883
, x =
, x =
.
x =
3.00463
2.99239
2.99784
3.97222
3.99133
3.99844
1

2
Soluia exact fiind x* =
, eroarea care se face dac se reine ca soluie
3

4

aproximativ x(4) , este x* x ( 4) = 0.00417 .

S se rezolve cu metoda GaussSeidel urmtoarele sisteme:
5 x1 2 x2 2 x3 = 3
15.
x1 + 6 x2 x3 = 2
x 3 x + 4 x = 8
2
3
1
5 2 2
R. Se observ c matricea coeficienilor sistemului A = 1

6 1 este tare
1 3
4
diagonal dominant i atunci algoritmul GaussSeidel este convergent.

Sistemul se poate pune sub forma x(m+1)=(D+L)1(Ux(m)+b), m0, unde:
0 0
5 0 0
0 2 2
0
L = 1
0 1 , D = 0 6 0 .
0 0 , U = 0
0 0 4
0
1 3 0
0
0
Atunci
80
( D + L)
0
0
0.2
= 0.03333 0.16667
0 ,
0.075
0.125 0.25
0 .4
0 .4
0
(D+L) U = 0 0.06667 0.23333 ,

0
0.15
0.275
0.6
(D+L) b = 0.23333
2.025
16.
(1)
. Se obin pornind cu x
( 0)
0

= 0 , vectorii:
0

0.6
0.30333
0.73531
( 2)
(3)
= 0.23333 , x = 0.72139 , x = 0.89203 ,
2.025
2.61687
2.85285
0.89795
( 4)
x = 0.95847 .
2.94334
6 x1 x2 2 x3 + x4
2x + 6x x x
1
2
3
4
x
3
x
8
x
2
x4
+
+
2
3
1
x1 + x2 + x3 + 4 x4
=2
=8
=2
= 1
R. Se observ c matricea coeficienilor sistemului

1
6 1 2
6 1 1
2
A=
1 3
8 2
1
1
4
este tare diagonal dominant i algoritmul GaussSeidel este convergent.

Sistemul se poate pune sub forma x(m+1) = (D+L)1(Ux(m)+b) , m0, unde:
0 0 0
1
0
0 1 2
0 0 0
2
0 0 1 1
, U =
,
L=
1 3 0 0
0 0
0 2
1
0 0
1 1 0
0 0
81
0
D=
0
0
6
0
0
0
0
8
0
0
0
0
0
0
0.16667
0.16667
0
0
1 0.05556
Atunci ( D + L) =
0
0.0625
0.125
0
0.02778 0.05729 0.03125 0.25
0.33333 0.16667
0 0.16667
0.22222
0 0.05556 0.05556
1
(D+L) U =
,
0.1875
0
0
0.0625
0 0.02778 0.11285 0.03299
0.33333
1.22222
1
(D+L) b =
.
0.75
0.82639
0
0.5
0.95573
(0) 0
(1)
( 2) 1.02778
Alegnd x = , obinem: x =
, x =
,
0
0.9375
0.96973
0
0.85938
0.98831
0.99259
0.99803
0.99971
(3) 0.99937
( 4) 1.00048
(5) 1.00006
, x =
, x =
.
x =
0.99592
0.99918
0.99984
0.99697
0.99942
0.9999
=7
10 x1 x2 x3 + x4
x + 11x x x
= 10
1
2
3
4
17.
x1 x2 + 12 x3 + x4 = 22
x1 + x2 + x3 + 13x4
= 24
R. Se observ c matricea coeficienilor sistemului
10 1 1 1
1 11 1 1
A=
1
1 1 12
1 1 1 13
este tare diagonal dominant i algoritmul GaussSeidel este convergent.
82
Sistemul se poate pune sub forma

0 0 0
1 0 0
L=
1 1 0
1 1 1
x(m+1)=(D+L)1(Ux(m)+b) , m0, unde:

0
0 1 1 1
0
0 0 1 1
, U =
,
0
0 0 0
1
0 0 0
0
0
10 0 0 0
0 11 0 0
D=
0 0 12 0
0 0 0 13
Atunci
0 .1
0
0
0
0.09091
0
0
1 0.00909
,
( D + L) =
0.00758
0.00758
0.08333
0
0.00758 0.00758 0.00641 0.07692
0.1
0 .1
0.1
0
0.1
0 0.00909 0.08182
1
(D+L) U =
,
0 0.00758
0.01515 0.08333
0 0.00758 0.01515 0.00641
0 .7
0.97273
1
(D+L) b =
1.81061
1.96445
0
0 .7
(0) 0
(1) 0.97273
Alegnd x = , obinem: x =
,
0
1.81061
0
1.96445
0.98023
0.99793
0.99993
( 2) 1.01219
(3) 1.00001
( 4) 1.00001
, x =
, x =
,
x =
1.99437
1.99958
1.99998
1.99711
1.99999
1.99999
1

( 5 ) 1
x = .
2

2

83
Folosind metoda relaxrii simple s se scrie soluia aproximativ pentru

urmtoarele sisteme:
=3
8 x1 x2 + x3
18.
x1 + 6 x2 x3 = 14
x x + 9x
= 28
3
1 2
8 1 1
R. Matricea sistemului este A = 1 6 1 .

1 1 9
0
3
(1)
(1)
Lund vectorul de prob x = 0 se obine r = 14 , deci prima direcie
0
28

0
0
(1)
( 2)
0
de relaxare este p = e3 = 0 . Rezult x =
.
1
3.11111

Analog :
0
6.11111
0
( 2)
(3)
r = 10.88889 , p = e2 = 1 , x = 1.81481 ;
0
3.11111
0
7.92593
1
0.99074
(3)
(3)
0
r (3) =
, p = e1 = 0 , x = 1.81481 ;
1.81481
0
3.11111
( 2)
( 4)
0
0.99074
( 4)
( 4)
= 0.99074 , p = e2 = 1 , x = 1.91994 .
0.824070
0
3.11111
. a. m. d.
10 x1 + x2 x3 x4
x + 9x x + x
1
2
3
4
19.
+
+
x
x
11
x
3 x4
1 2
x1 + x2 + x3 + 8 x4
=9
= 24
= 30
= 32
1 1 1
10
1 9 1 1
R. Matricea sistemului este A =
.
1 1 11 1
1 1 1 8
84
0

(1) 0
Alegnd x =
0

0

(1) 24
se obine r =
.
30
32
0

5
( 2) 0
( 2) 20
, x = r =
.
0
34
4
0
0

0
(1)
Deci p = e4 =
0

1

Mai departe obinem :
0
8.09091
0
(3)
(3) 16.90909
( 2)
; r =
p = e3 = , x =
,
1
3.090901
0
0
4
3.09091
1
0.99697
0
( 4) 1.87879
(5) 1.87879
( 4)
; p = e1 = , x =
;
x =
3.09091
0
3.09091
4
0
4
0
0.99697
1
(6) 1.98956
( 5)
, p = e1 =
x =
0
3.09091
0
4
20.
4 x1 2 x2 + x3
2 x1 + 6 x2 x3
x x + 5x
3
1 2
0

1
(3)
p = e2 = ,
0

0

0
(5) 0.99697
r =
0.88182
0.21515
=9
=5
=6
1
4 2
R. Matricea A = 2
6 1 este simetric, tare diagonal dominant:
1 1 5
4 > 2 + 1 , 6 > 2 + 1 , 5 > 1 + 1 , 1=4 , 2=20 , 3=94 , deci pozitv

definit i se poate aplica metoda. Lund vectorul de prob
85
0
9
1
2.25

(1)
(1)
( 2)
x = 0 se obin: r = 5 , p = e1 = 0 , x = 0 ;
0
6
0
0

0
0
2.25
3.16667
( 2)
( 2)
(3)
(3)
r = 9.5 , este p = e2 = 1 , x = 1.58333 ; r =
0
3.75
0
0
5.33333
(1)
, p
(3)
0
2.25
2.1
1

( 4)
(3)
( 4)
= e3 = 0 , x = 1.5833 ; r = 1.06667 , p = e1 = 0 ,
1
1.06667
0
0

2.775
( 4)
x = 1.58333 .
1.06667
S se scrie soluia aproximativ pentru urmtoarele sisteme de ecuaii

liniare obinut cu metoda suprarelaxrii:
=3
2 x1 x2
21.
x1 + 3 x2 x3 = 5
x2 + 4 x3 = 5
R. Matricea coeficienilor sistemului este bloc tridiagonal, simetric i pozitiv

definit, deci metoda suprarelaxrii este convergent. Sistemul se poate pune sub
forma:
1
m0, unde: M = E + D
2
0 0 0
1
C = E + b , E = 1 0 0 , D = 0
0
0 1 0
x(m+1)=Mx(m)+C,
2
1+
1 12
F + 1 D ,

0 0
3 0 , F=ET ,
0 4
fiind cea mai mare valoare proprie a matricei D1(E+F),
1=0.5 , =1.0718 i considernd vectorul iniial x(0)=b, rezult
86
(1)
1.28719
1.64605
1.03385
( 2)
(3)
= 0.10088 , x = 0.85027 , x = 0.98314 ,
0.95373
1.04344
1.0014
1.00661
( 4)
x = 0.99835 .
1.00034
= 13
14 x1 + x2
x
+ 5 x2 x3
= 3
1
22.
x2
+ 14 x3 2 x4 = 15
2 x3 + 5 x4 = 7
R. Matricea coeficienilor sistemului este bloc tridiagonal, simetric i pozitiv
definit, deci metoda suprarelaxrii este convergent. Sistemul se poate pune sub
forma
(m+1)
=Mx +C,
C = E +
(m)
2
1+
1 12
m0,
unde
0
0 0
0
1 0
b , E =
0 1 0
0 0 2
, 1
M
0
0
0
1
1
= E + D F + 1 D
,

14 0 0 0
0 5 0 0
, D=
, F=ET ,
0 0 14 0
0 0 0 5
fiind cea mai mare valoare proprie a matricei D1(E+F),
1=0.2735 , =1.01943 i considernd vectorul iniial
x(0) = b, rezult:
0.91242
1.20542
0.98111
(1) 3.79769
( 2) 0.79542
(3) 0.99288
, x =
, x =
,
x =
0.05784
0.96444
0.99882
1.26758
1.0093
1.0003
0.99985
0.99999
( 4) 0.99987
(5) 0.99999
, x =
.
x =
0.99997
1
1.00001
S se gseasc soluia aproximativ obinut cu metoda GaussSeidel pentru

sistemele de ecuaii liniare urmtoare:
87
= 13
14 x1 + x2
x
+ 5 x2 x3
= 3
1
23.
x2
+ 14 x3 2 x4 = 15
2 x3 + 5 x4 = 7
S se precizeze numrul de iteraii necesare pentru ca eroarea s se micoreze de
10 ori.
R. Matricea A fiind simetric i pozitiv definit procedeul iterativ
GaussSeidel este convergent. Sistemul se poate pune sub forma
x(m+1)=Mx(m)+C , m0,
unde
0 0
0 0
0 0
1 0
1
1
M = (D+E) F , C = (D+E) b , E =
, F = ET,
0 1
0 0
0 0 2 0
0 0 0
5 0 0
.
0 14 0
0 0 5
0
0
0 0.07143
0.92857
0 .2
0
0 0.01429
0.78571
Deci M =
, C =
.
0 0.00102
0.01429 0.14286
1.12755
0
0.94898
0.0004
0.000571 0.05714
Dac se pornete cu v(0) = b obin vectorii:

1.14286
1.20204
0.99353
(1) 3.82857
( 2) 0.90939
(3) 0.98992
, v =
, v =
,
v =
0.3449
0.95609
0.99677
1.26204
1.01756
1.00129
14
0
D=
0
0.99928
0.99994
( 4) 0.99921
(5) 0.99994
, v =
.
v =
0.99976
0.99998
1.0001
1.00001
Raza
spectral
este
(M)=0.0748,
rata
de
convergen
este
R(M)= lg((M))=1.12609 i numrul de iteraii dup care eroarea scade de 10 ori
1
=0.88803, adic la fiecare iteraie eroarea scade de 10 ori.
este K
R(M )
88
=5
5 x1 + x2 x3
= 10
24.
x1 + 8 x2 + x3
x + x + 15 x = 15
3
1 2
S se precizeze numrul de iteraii necesare pentru ca eroarea s se micoreze de
10 ori.
R. Matricea A fiind simetric i pozitiv definit procedeul iterativ
GaussSeidel este convergent. Sistemul se poate pune sub forma
x(m+1)=Mx(m)+C , m0,
unde
0 0 0
5 0 0
1
1
T
M = (D+E) F , C = (D+E) b , E = 1 0 0 , F = E , D = 0 8 0
1 1 0
0 0 15
.
0.2
0.2
1
0
M = 0
0.12 , C = 0.9 .
Deci
0.02
1.0067
0 0.01467 0.02133
Dac se pornete cu v(0) = b obin vectorii:

2
1.376
1.05954
1.04563
(1)
( 2)
(3)
( 4)
v = - 0.7 , v = 0.7444 , v = 0.78984 , v = 0.79364 ,
1.18
1.04211
1.01798
1.0168
1.04463
( 5)
v = 0.79386 .
1.01672
Raza
spectral
este
(M)=0.06262,
rata
de
convergen
este
R(M)= lg((M))=1.20326 i numrul de iteraii dup care eroarea scade de 10 ori
1
=0.83108, adic la fiecare iteraie eroarea scade de 10 ori.
este K
R(M )
S se scrie soluia aproximativ
sistemelor de ecuaii liniare:
x3
6 x1 + x2
+ 8 x2 + x3
25.
x1
x + x
+ 10 x3
2
1
obinut cu metoda gradienilor conjugai aplicat

=6
= 8 .
= 12
89
R. Matricea coeficienilor sistemului este simetric i pozitiv definit i deci se

0

(0)
poate aplica metoda. Lund x = 0 ca vector de prob, se obin rezultatele.
0

Iteraia I.
6

r =Ax0 b= 8 , prima direcie de relaxare, p(1)= r(0) ,
12

(0)
0.60797
= 0.10133 , x =x + q1p = 0.81063 .

q1 =
(1) (1)
Ap , p
1.21595
r (0) , p (1)
(1)
(0)
(1)
Iteraia a II-a .
r
(1)
=r
( 0)
+ q1 Ap
(1)
1.94684
r (1) , r (1)
= 0.90698 , c1 =
= 0.02911
r ( 0) , r ( 0)
1.57807
2.12151
r (1) , p ( 2)
= 0.17916 ,
p = r +c1p = 1.13987 , q2 =
Ap ( 2) , p ( 2)
1.22874
(2)
(1)
(1)
0.98807
x =x + q2p = 1.01485 .
0.9958
(2)
(1)
(2)
Iteraia a III-a.
r
( 2)
=r
(1)
+ q2 Ap
( 2)
0.09062
r ( 2 ) , r ( 2)
= 0.12656 , c2 =
= 3.62608 10 3
(1) (1)
r ,r
0.03906
0.09832
r ( 2) , p (3)
= 0.12133 ,
p = r +c2p = 0.12243 , q3 =
Ap (3) , p (3)
0.03461
1

(3)
(2)
(3)
x =x + q3p = 1 .
1

(3)
(2)
(2)
90
26. S se determine traseul optim pentru o conduct de gaze naturale care s treac
prin "apropierea" localitilor Li , i=1,...,10 , care raportate la un sistem cartezian
de referin au coordonatele urmtoare:
L1(1,2), L2(2,2), L3(5,3), L4(7,4), L5(10,2), L6(11,3), L7(15,4), L8(16,5), L9(18,1),
L10(20,4).
R. Lund traseul dup o dreapt, se obine sistemul:
a+b =2
2a + b = 2
5a + b = 3
7a + b = 4
10a + b = 2
11a + b = 3
15a + b = 4
16a + b = 5
18a + b = 1
20a + b = 4
care este supradimensionat. Se formeaz sistemul normal al lui Gauss Bu=c, unde
1505 105
340
, c =
B=ATA, c=ATb , adic: B =

, a crui soluie este
105 10
30
u1=0.06211 , u2=2.34783 . Raportat la acel sistem de coordonate traseul conductei
trebuie s urmeze dreapta y = 0.06211x+2.34783 .

An02 PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

An02 PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Sisteme de ecuaii liniare

1. Sisteme de ecuaii liniare

a21x1 + a22 x2 + K + a2n xn = b2

Bazele Analizei Numerice

soluie aproximativ a sistemului un termen x(s) al irului, al crui ordin depinde

1.1. Metoda Gauss. Factorizarea LU

(elementul 1 din er se afl pe linia r).

De exemplu, dac n = 4 i r = 2 , avem:

Sisteme de ecuaii liniare

Propoziia 1. Orice matrice Frobenius Mr este inversabil i inversa sa este:

Teorema 1. Fie A o matrice ptrat de ordinul n care satisface condiia:

Dac notm A1 = A i A2 =M1A1 , atunci avem

Bazele Analizei Numerice

ai(22) a2( 2j)

Un calcul simplu ne arat c

Dac notm cu Ar+1=MrAr , atunci

Sisteme de ecuaii liniare

a(r +1) a(r +1)

ai( rr ) ar( rj)

Notm cu M=Mn1 Mn2 ... M2 M1 i demonstraia teoremei este complet.

Bazele Analizei Numerice

Numrul operaiilor pentru determinarea matricei U i a vectorului Mb

bi( r +1) . Sunt

2(nr)+3 operaii elementare pentru fiecare linie i, r + 1 i n , i pentru fiecare

operaii elementare. Dac adugm i

cele n2 operaii pentru rezolvarea sistemului triunghiular, rezult c numrul de

Dac notm cu L=L1L2...Ln1, atunci L este o matrice inferior triunghiular de

Sisteme de ecuaii liniare

Deoarece A = M 11M 21...M n11U , rezult c:

Bazele Analizei Numerice

Observaia 1. Dac pivotul este

Sisteme de ecuaii liniare

Pentru i:=n1,1,1 execut

1.2. Matrice simetrice pozitiv definite

a11x1 + ... + a1n xn

Bazele Analizei Numerice

a11 x12 + 2a12 x1 x2 +...+ 2a1n x1 xn +

+ a22 x22 +....+ 2a2n x2 xn +

Aadar am demonstrat c aij2 < aii a jj pentru orice i, j = 1, n , adic (b).

Matricea A = 2 3 2 satisface condiiile din Propoziia 1, dar nu este

Definiia 1. Spunem c matricea A este tare diagonal dominant dac elementele

aii > aij , i = 1, n .

Sisteme de ecuaii liniare

(x ) = aii xi2 + aij xi x j > aij xi2 aij xi x j =

Deoarece aij=aji avem i inegalitatea:

Adunnd cele dou inegaliti rezult

Aadar, (x) > 0 pentru orice x0 , deci este pozitiv definit.

Cel mai simplu exemplu de matrice reductibil este matricea diagonal.

Bazele Analizei Numerice

Atunci A este pozitiv definit.

(x ) = aii 2 + aij xi x j (aii aij ) 2 0 .

Cum exist cel puin un indice i0 astfel nct

ai0 j < ai0i0 , rezult

(x) > 0 pentru x0.

Fie M={1,2, ... , n} i S = i, j M ; xi = x j 0

Matricea A este simetric, slab diagonal dominant, ireductibil i are elementele

Sisteme de ecuaii liniare

Oservaia 2. Teorema 2 este util la stabilirea faptului c anumite matrice care

1.3. Metoda Cholesky

forma ptratic asociat. Deoarece a11 > 0 avem:

atunci 1 este la rndul su o form ptratic pozitiv definit.

ceea ce contrazice faptul c este pozitiv definit.

Bazele Analizei Numerice