TALLER 3
1.A. 1
Para la matriz a
Al utilizar la funcin de jacobi para k=3, notamos que el sistema esta convergiendo a
x=
2.01250
0.95703
1.03906
Y al revisar los distintos valores de Pk (Iteracin k para las matrices P1, P2, P3), vemos que empieza
con valores cercanos a 2, 1 y 1. Esto ocurre debido a que tomamos los valores mayores para
despejar a X, Y y Z. Al observar el error,
err = 2.5403
err = 0.45286
err = 0.17445
Notamos que con cada iteracin se reduce el error, por tanto, nos da un indicio de que los valores
convergen a puntos solucin.
1.A.2
Tenemos la matriz
Notemos que esta matriz despeja a X, Y, y Z respectivamente de cada fila, y para la fila uno se
estableci un valor pequeo, esto tambin ocurre en Y. Por tanto, no converger. Al observar en
Matlab, tenemos en la tercera iteracin:
x=
-65.1875
224.0000
7.6562
Observando los errores para cada iteracin, vemos que el error err crece a medida que aumentan
las iteraciones, o de otra manera, se puede decir que la matriz no est bien condicionada.
err = 11.437
err = 49.429
err = 233.83
NO CONVERGE!
1.A.3
Tenemos la siguiente matriz:
Para este caso la matriz no esta bien condicionada ( no tiene la diagonal fuerte para X y Y), Matlab
arroja los siguientes valores para la tercera iteracin (P3):
x=
214.167
-220.833
11.889
err = 15.268
err = 73.056
err = 309.37
Hay un error grandsimo en la tercera iteracin y con seguridad aumentar, por tanto NO
CONVERGE.
1.A.4
Para este caso la matriz,
Se encuentra bien condicionada y las diagonales estn fuertemente adecuadas (poseen el valor
ms grande para X, Y, y Z en cada fila respectivamente.) y podramos pensar que converger a
algn valor. Matlab arroja los siguientes valores en la tercera iteracin:
x=
2.99167
1.95667
0.94722
err = 3.6378
err = 1.0524
err = 0.30968
Cmo el valor de err est disminuyendo con cada iteracin y los valores para X, Y & Z tienen la
pretensin de acercarse a un valor especfico, se puede decir que s converge!
X = 3, Y =2, Z= 1
1.B.1
X=
2.00449
0.99753
1.00174
err = 2.4144
err = 0.14640
err = 0.040429
Para tres iteraciones podemos observar que hay una mayor convergencia, adems de que los
errores son menores (comparndolos con los errores obtenidos en Jacobi).
conv =
2
1
1
Los valores son cercanos a la solucin. Por tanto, converge.
1.B.2
Tenemos:
err = 18.481
err = 371.85
err = 7697.0
X=
1401.7
7068.0
-1415.8
No hay una convergencia, pues los errores crecen con cada iteracin. Adems, usando A\B
tenemos conv = A\B.
conv =
2
1
1
1.B3
err =
46.7514
err =
922.5354
err =
1.7759e+04
X=
-3928.52777777778
15934.0833333333
-3964.85648148148
Podemos ver que el error est creciendo de una manera muy grande y no se acerca a la
solucin del sistema (A\B = 3;2;1)
NO CONVERGE.
1.B.4.
Para este caso la matriz,
Se encuentra bien condicionada y las diagonales estn fuertemente adecuadas (poseen el valor
ms grande para X, Y, y Z en cada fila respectivamente.) y podramos pensar que converger a
algn valor. Matlab arroja los siguientes valores en la tercera iteracin:
err =
4.0878
err =
0.4082
err =
0.0592
X=
3.0011
2.0031
0.9999
Nos acercamos ms a los posibles valores de la solucin del sistema, por tanto, S CONVERGE.
2. 1. A ) para la parte A utilizamos la funcin Seno con distintas aproximaciones a la
serie de Taylor, A simple vista podemos observar que las funciones son iguales , pero al
observar con detenimiento y realizar un zoom, vemos que los valores para Y5 difieren de
las dems. Sin embargo, para Y7 y Y9 no fue posible notar diferencias con respecto a Y.
Y5 y7 y9
0.000195681858770058 0.000002730839642973 0.000000024892279016
0.000041242433809985 0.000000367724919959 0.000000002143157984
0.000005526604965000 0.000000027680749026 0.000000000090678909
0.000000324358017001 0.000000000721348037 0.000000000001049993
0.000000002538272009 0.000000000001409983 0.000000000000000999
0.000000000000000000 0.000000000000000000 0.000000000000000000
0.000000002538272009 0.000000000001409983 0.000000000000000999
0.000000324358017001 0.000000000721348037 0.000000000001049993
0.000005526604965000 0.000000027680749026 0.000000000090678909
0.000041242433809985 0.000000367724919959 0.000000002143157984
0.000195681858770058 0.000002730839642973 0.000000024892279016
2.2 A
Para este punto se utiliz la funcin coseno evaluada para Y4, Y6, y Y8 en la serie de
Taylor.
Ac
A simple vista no se notan cambios.
Figura 2.2.1 Funcin Y4 se ve diferente de Y6,Y8, y Y.
Si realizamos un zoom an mayor, observamos las diferencias entre y6 y (Y y Y8), sin
embargo, No se puede diferenciar con zoom los valores para Y8 que difieren con Y, pues el
error es muy pequeo.
Y y4 y6 y8
0.54030231 0.54166667 0.54027778 0.54030258
0.69670671 0.69706667 0.69670258 0.69670674
0.82533561 0.8254 0.8253352 0.82533562
0.92106099 0.92106667 0.92106098 0.92106099
0.98006658 0.98006667 0.98006658 0.98006658
1 1 1 1
0.98006658 0.98006667 0.98006658 0.98006658
0.92106099 0.92106667 0.92106098 0.92106099
0.82533561 0.8254 0.8253352 0.82533562
0.69670671 0.69706667 0.69670258 0.69670674
0.54030231 0.54166667 0.54027778 0.54030258
Podemos ver que los errores entre ellos son muy pequeos, pero que a medida que
aumentan los valores para Yk es mejor la precisin.