CN Sistemas Lineales II

Sistemas de Ecuaciones
Lineales II
Metodos
Iterativos: Matrices dispersas. Esquema general. Metodos
de Jacobi y de
Gauss-Seidel.
Metodos
de descenso: Metodo
del gradiente conjugado. Precondicionamiento.
Calculo
Numerico
IN1012C/IN1052C/MAT221N
-1-
DMFA Universidad Catolica

de la Santsima Concepcion
Matrices dispersas
Cuando la matriz A del sistema a resolver es dispersa, pero no banda, los metodos
de Gauss o Cholesky) presentan el defecto

(directos) estudiados hasta ahora (eliminacion
denominado llenado (fill-in).
avanza, se van
El llenado consiste en que, a medida que el proceso de eliminacion
creando elementos no nulos en posiciones de L y U en donde la matriz A tiene ceros.
Como consecuencia del llenado se tiene, por una parte, el aumento del numero
de flop y
con ello el aumento del error de redondeo. Por otra parte se tiene el aumento en las
necesidades de memoria para almacenar las matrices L y U , lo que puede llegar a hacer
imposible aplicar estos metodos

cuando A es de gran tamano.
Los metodos
que estudieremos en seguida, llamados iterativos, evitan el llenado y sus
consecuencias, al trabajar resolviendo reiteradamente sistemas con matriz diagonal o
triangular-dispersa.
Calculo
Numerico
-2-

Llenado de matrices dispersas
Calculo
Numerico
-3-

Llenado de matrices dispersas (cont.)

>> load data.0125.mat
>> [L,U]=lu(A);
>> whos
Name
Size
A
L
U
b
10821x10821
10821x10821
10821x10821
10821x1
Bytes
951580
151325524
151325524
129860
Class
sparse
sparse
sparse
sparse
array
array
array
array
Grand total is 25300219 elements using 303732496 bytes
Calculo
Numerico
-4-

Esquema general
Considere el sistema de ecuaciones
Ax = b,
con A
Rnn no singular y b Rn .
Un metodo
iterativo para resolver el sistema construye, a partir de un vector inicial x(0) ,
de vectores x(1) , x(2) , . . . , x(k) , . . . la que, bajo condiciones apropiadas,
una sucesion
resultara convergente a x.
Si suponemos A = N P , donde N debe ser invertible, entonces

Ax = b
Nx = P x + b
Calculo
Numerico
-5-
x = N 1 P x + N 1 b.

Esquema general (cont.)

Se usa la igualdad N x = P x + b para definir un esquema general para construir la
{x(k) }.
sucesion
Algoritmo del esquema general:
Dado el vector inicial x(0) ,
para k
= 1, 2, . . . resolver:
N x(k) = P x(k1) + b,
hasta que se satisfaga un criterio de detencion.
y e(k) := x x(k) (error de x(k) ),

Definiendo M := N 1 P (matriz de iteracion)
para cada k = 1, 2, . . . se tiene
e(k) = M k e(0) ,
Calculo
Numerico
-6-
k = 1, 2, . . .


Convergencia de metodos
iterativos.

Teorema. (Convergencia) La sucesion

x
si, (M ) < 1.
solo
Si la sucesion
Observacion.
x
de Ax = b.
(k)
(k)
x de Ax
converge a la solucion
= b, si y
x
converge, necesariamente lo hace a la solucion
Lema. (Cota para el radio espectral) Sea A una matriz cuadrada. Para cualquier norma
matricial se tiene que
(A) kAk .
suficiente de convergencia) Una condicion
suficiente para que la
Corolario. (Condicion
(k)
x de Ax = b es que
sea convergente a la solucion

sucesion
x
kM k < 1,
del metodo
donde M es la matriz de iteracion

que genera a
Calculo
Numerico
-7-
(k)


Criterio de detencion
del proceso. Cuando el proceso iterativo es convergente, este

Detencion
se debe

detener para un x(k+1) tal que e(k+1) = x x(k+1) tol, donde tol indica
un nivel de tolerancia prefijado para el error.
Lema. Para kM k < 1, se tiene que

x x(k+1)

kM k
(k+1)

x(k) .
x
1 kM k
usual consiste en detener el proceso cuando

Un criterio de detencion

(k+1)

x(k) tol.
x
Sin embargo, este criterio resulta muchas veces inadecuado!
kM k
1, usualmente,
En efecto, si
1 kM k

kM k
(k+1)

x(k) > tol.
x
1 kM k
Calculo
Numerico
-8-

(cont.)
Al graficar
Observacion.
10
kM k
,
F (M ) :=
1 kM k
se puede ver que:
1
2
1
kM k >
2
kM k
Luego, si kM k
=
=
F (M ) 1,
F (M ) > 1.
> 12 , puede ser incorrecto
se tiene
detener el proceso cuando solo

(k+1)

x(k) tol.
x
Calculo
Numerico
-9-
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9

(cont.)
implica calcular kM k, lo que en general es difcil. El siguiente
El criterio de detencion
lema indica una manera de estimar kM k.
Lema. Para k = 1, 2, . . . se tiene:

(k+1)

(k)
x
x

mk :=
x(k) x(k1) kM k .
Demostracion.
(k+1)

(k+1)
(k)

(k)
x

x
x
x x x

mk =
x(k) x(k1) = x(k) x x(k1) x
(k)
(k+1)

(k1)
(k)
M e e

e
e
kM yk

= kM k .
=
max
= (k)
e(k) e(k1)
yRn : y6=0 kyk
e e(k1)
puede utilizarse mk como una estimacion

de kM k.
En el criterio de detencion
En tal caso, el proceso iterativo se detendra cuando:
mk
1 mk
Calculo
Numerico

(k+1)
(k)
x tol.
x
- 10 -

de una matriz
Descomposicion
Se considera resolver un sistema Ax = b con aii 6= 0, para i = 1, . . . , n.
t

(0)
(0)
arbitrario y escribamos la matriz A en la forma
Sea x(0) = x1 , . . . , xn
A = D E F,
= diag(A), E es la matriz triangular inferior de A y F es la matriz

triangular superior de A:
..
.
F
A=
..
.
E
donde D
Notemos que tanto D como D E son matrices inversibles, ya que aii 6= 0 para
i = 1, . . . , n.
Calculo
Numerico
- 11 -


Metodo
de Jacobi
El metodo
de Jacobi corresponde al esquema iterativo general con
N := D
P := E + F .

para k
Algoritmo de Jacobi:
= 1, 2, . . . resolver:
Dx(k) = (E + F )x(k1) + b,
k , el vector x(k) puede obtenerse por componentes como sigue:

En la iteracion
Para i
(k)
xi
Calculo
Numerico
= 1, . . . , n :
n
X
1
(k1)
aij xj
=
bi
.
aii
j=1
j6=i
- 12 -


Metodo
de Jacobi (cont.)
del metodo
La matriz de iteracion
de Jacobi verifica:
0
aa12
11
..
a21
.
0
a22
.
..
..
M = D 1 (E + F ) = ..
.
.
.
..
..
.
n1
aann
Para la norma infinito de M se tiene que
kM k
aa1n
11
..
.
..
.
..
an1 n
0
an1 n1
n1
anann
0
n
1 X
= max
|aij | .
1in
|a
|
ii j=1
j6=i
Cuando A es de diagonal dominante estricta, es decir, cuando se tiene que

|aii | >
entonces kM k
n
X
j=1
j6=i
|aij |, i = 1, . . . , n,
< 1 y el metodo
de Jacobi resulta convergente.
Calculo
Numerico
- 13 -


Metodo
de Gauss-Seidel
El metodo
de Gauss-Seidel corresponde al esquema iterativo general con
N := D E
es entonces M
La matriz de iteracion
P := F .
= (D E)1 F .
Algoritmo de Gauss-Seidel:
para k
= 1, 2, . . . , resolver:
(D E)x(k) = F x(k1) + b,
k , el vector x(k) puede obtenerse por componentes como sigue:

En la iteracion
= 1, . . . , n :
i1
n
X
X
1
(k)
(k1)
(k)
bi
aij xj
aij xj
.
xi =
aii
j=1
j=i+1
Para i
(k)
Notemos que esto corresponde a aprovechar en el paso k , los valores xj
Calculo
Numerico
- 14 -
ya calculados.


Convergencia de los metodos
de Jacobi y de Gauss-Seidel
Teorema. Si A es de diagonal dominante estricta, entonces los metodos

de Jacobi y de
Gauss-Seidel convergen.
Para una matriz arbitraria A, la convergencia de uno de estos metodos

Observacion.
no
implica la convergencia del otro.
Teorema. Si A es simetrica
y definida positiva, el metodo
de Gauss-Seidel es
convergente.
Aunque A sea simetrica

Observacion.
y definida positiva, el metodo
de Jacobi puede ser
divergente.
Calculo
Numerico
- 15 -


(cont.)
Ejemplo. Para s R, considere la matriz simetrica
1 s s
A=
s 1 s ,
s s 1
cuyos valores propios son:
1 s (con multiplicidad 2) y 1 + 2s.
La matriz A es definida positiva cuando s

para s
(0.5, 0.5).
(0, 1) y es de diagonal dominante estricta
Se resolvio el sistema Ax = b para un par de valores de s, usando los metodos

de
Jacobi y de Gauss-Seidel, con b = (1, 1, 1)t y x(0) = (0.5, 0.5, 0.5)t .
Para s = 0.3, Jacobi itera 37 veces y Gauss-Seidel 12 veces (en ambos casos se
visto en clase, con una tolerancia de 108 ).
implemento el criterio de detencion
x
Ambos metodos
entregan como solucion
= (0.6250, 0.6250, 0.6250)t , que es la
exacta.
solucion
Calculo
Numerico
- 16 -


(cont.)
Para s = 0.8, en las mismas condiciones anteriores, Gauss-Seidel converge en la
53 a
iteracion
(0.384 615 391 735, 0.384 615 381 035, 0.384 615 381 784)t
exacta
que difiere de la solucion
x = (0.384 615 384 615, 0.384 615 384 615, 0.384 615 384 615)t
en menos de tol
= 108 en cada componente.
En cambio, al cabo de 100 iteraciones Jacobi entrega

1019 (1.862 199 431 313, 1.862 199 431 313, 1.862 199 431 313)t ,
con la solucion
del sistema.
vector que no tiene ninguna relacion
Se nota claramente que, en este caso, el metodo

de Jacobi diverge.
Calculo
Numerico
- 17 -

asociado a un sistema
Problema de minimizacion
eficientes para resolver un sistema de ecuaciones

Algunos de los metodos
iterativos mas
equivalente.
lineales se basan en resolver un problema de minimizacion
Si A Rnn es simetrica
y definida positiva, b Rn y hx, yi := xt y denota el
cuadratica
producto escalar usual en Rn , entonces la funcion
J:
Rn R
x 7
alcanza un unico
mnimo en el vector x
Calculo
Numerico
1
2
hAx, xi hb, xi
del sistema Ax = b.
Rn solucion
- 18 -

asociado a un sistema (cont.)

Problema de minimizacion
En efecto,

1
t
Ax + A x b = Ax b,
J(x) =
2
si A es simetrica
.
si
Entonces J tiene un punto crtico en x si y solo
J(x) = 0
Ax = b.
Ademas,
HJ(x) :=
J
(x)
xi xj
= aij = A
y, por lo tanto, si A es definida positiva, el punto crtico de J es un mnimo.
Calculo
Numerico
- 19 -


Metodos
de descenso
En los metodos
de descenso se parte de un punto x(0) Rn , y, en cada paso
k = 0, 1, 2, . . . se determina un nuevo punto x(k+1) Rn tal que

(k)
(k+1)
del siguiente modo:
<J x
J x
p(k) de descenso de J ,
1. se escoge una direccion
p(k) ,
2. se considera la recta Lk que pasa por el punto x(k) con direccion
3. se escoge el punto x(k+1)
Lk donde J alcanza su mnimo sobre Lk .

Lk
Lk+1
x(k+1)
p(k+1)
x
(k+2)
(k)
x(k)
Calculo
Numerico
- 20 -


Metodos
de descenso (cont.)

Como Lk = x
(k)
+ p
(k)
: R , entonces
J(x(k) + p(k) )

(k) (k) 2
1
1
(k)
(k)
(k)
(k)
(k)
+ Ax b, p
b, x
+ 2 Ap , p
= 2 Ax , x
Por lo tanto,

dJ (k)
x + p(k) = 0
d
donde r (k)
= b Ax(k) es el residuo de x(k) .
= k :=
(k)
Ap
,p
(k)
(k)
,p
(k)
Luego
x(k+1) = x(k) + k p(k) .
Calculo
Numerico
- 21 -

Metodo
del maximo
descenso
de
Los distintos metodos
de descenso se distinguen por la manera de escoger la direccion
descenso p(k) .
mas
simple es escoger la direccion
de maximo
La eleccion
descenso de J :
p(k) = J(x(k) ) = b Ax(k) = r (k) .

conduce al metodo
del maximo
descenso o del gradiente.
Esta eleccion
r (0) = b Ax(0) ,
= 0, 1, 2, . . .
(k) (k)
r ,r
k =
(k) (k) ,
Ar , r
para k
Algoritmo:
x(k+1) = x(k) + k r (k) ,

r (k+1) = b Ax(k+1) = r (k) k Ar (k) ,
Calculo
Numerico
- 22 -


Un criterio usual en los metodos

de descenso es detener el proceso cuando
kr (k) k
tol.
kbk
(k)

(k)

Sin embargo, eso no garantiza que el error satisfaga e
= xx
tol !!
Calculo
Numerico
- 23 -

Convergencia del metodo

del maximo
descenso
Teorema. (Convergencia) Sean A Rnn simetrica

y definida positiva y b Rn .
(k)
(0)
n
Para cualquier x
R , la sucesion
x
generada por el metodo
del maximo
del sistema Ax = b.
descenso converge a la solucion
los errores e(k)
Ademas,
= x x(k) satisfacen
ke
donde
(k+1)
1 (k)
ke k2 ,
k2
+1
= cond2 (A).
del error en cada paso es

El factor de reduccion
Observacion.
2
1
=1
< 1,
+1
+1
lo que asegura la convergencia.

Sin embargo, si la matriz es mal condicionada,
2
1
1 = 1
+1
y el metodo
converge muy lentamente.
Calculo
Numerico
- 24 -

Direcciones conjugadas
de la direccion
de descenso p(k) que genera un metodo
eficiente se
Una eleccion
mas
basa en ortogonalizar el residuo r (k) respecto a todas las direcciones de descenso
anteriores p(j) , j = 1, . . . , k 1, en el producto interior
hx, yiA := hAx, yi ,
x, y Rn .
Las direcciones obtenidas de esta manera satisfacen
(k) (j)
Ap , p
=0
j 6= k
y por ello se dice que son direcciones conjugadas o A-ortogonales.
Este procedimiento conduce a otro metodo

que se denomina el metodo
del gradiente
conjugado.
Calculo
Numerico
- 25 -


Metodo
del gradiente conjugado
r (0) = b Ax(0) ,
p(0) = r (0) ,
= 0, 1, 2, . . .
(k) (k)
r ,p
,
k =
(k)
(k)
Ap , p
para k
Algoritmo:
x(k+1) = x(k) + k p(k) ,

r (k+1) = r (k) k Ap(k) ,
(k+1) (k+1)
r
,r
k+1 =
(k) (k) ,
r ,r
p(k+1) = r (k+1) + k+1 p(k) ,
Calculo
Numerico
- 26 -


del gradiente conjugado
Teorema. (Convergencia) Sean A Rnn simetrica

y definida positiva y b Rn .
(k)
(0)
n
Para cualquier x
R , la sucesion
x
generada por el metodo
del gradiente
del sistema Ax = b en a lo mas
n pasos.
conjugado converge a la solucion
los errores e(k)
Ademas,
= x x(k) satisfacen
1 (k)
(k+1)
ke k2 ,
donde = cond2 (A).
ke
k2
+1
Debido a los errores de redondeo, en las condiciones del teorema anterior,

Observacion.
de n pasos del metodo.
igual pueden ser necesarios mas
Calculo
Numerico
- 27 -


del gradiente conjugado (cont.)
del error en cada paso es
El factor de reduccion
2
1
=1
< 1.
+1
+1
velozmente que el del maximo
Si > 1, este metodo

converge mas
descenso, pues
2
2
.
<
+1
+1
= 100, entonces
1
del error por paso)

Maximo
descenso:
0.98 (2 % de reduccion
+1
1
del error por paso).
Gradiente conjugado:
0.82 (18 % de reduccion
+1
Por ejemplo, si
aun
Sin embargo, si la matriz es muy mal condicionada, el metodo
converge lentamente.
Calculo
Numerico
- 28 -

Precondicionamiento
Si la matriz es mal condicionada, una estrategia usual para resolver un sistema Ax = b,
1
se basa en encontrar una matriz P tal que P
A sea bien condicionada, para luego
resolver el sistema equivalente
A x = P 1 b.
Sin embargo, si se quiere utilizar un metodo

como el del gradiente conjugado, debe
1
notarse que aunque A sea simetrica

y definida positiva, en general P
A no lo es!
t
En el caso en que P es simetrica

y definida positiva, P = HH , con H invertible
1
(Cholesky). En tal caso, P
= H t H 1 y
Ax = b
con
= H 1 AH t ,
A
x
= H tx
x =
A
b,
y
b = H 1 b.
= H 1 AH t tambien
lo es, por
Si A es simetrica
y definida positiva, la matriz A
x =
lo que pueden aplicarse metodos

como el del gradiente conjugado a A
b. Ademas,

1
1

max P A
max P A
1

.
=
P A = (A) = cond2 (A) =
1
1
min P A
min P A
Calculo
Numerico
- 29 -


Metodo
del gradiente conjugado precondicionado
r (0) = b Ax(0) ,
resolver P z (0)
= r (0) ,
p(0) = z (0) ,
= 0, 1, 2, . . .
(k) (k)
z ,p
k =
(k) (k) ,
Ap , p
para k
Algoritmo:
x(k+1) = x(k) + k p(k) ,

r (k+1) = r (k) k Ap(k) ,
= r (k+1) ,
(k+1) (k+1)
z
,r
,
=
(k)
(k)
z ,r
resolver P z
k+1
(k+1)
p(k+1) = z (k+1) + k+1 p(k) ,
Calculo
Numerico
- 30 -

Precondicionadores
Para que el metodo

del gradiente conjugado precondicionado sea eficiente, debe
escogerse un precondicionador P tal que
1.
P simetrica
y definida positiva, de manera que P = HH (Cholesky);
2.
P A, de manera que P 1 A I , y as
1
= max P A 1 cond2 (A) ;

cond2 (A)
min P 1 A
3. resolver los sistemas P z
= r sea poco costoso.
Ejemplo. Precondicionador de Jacobi. Consiste en tomar como P , la diagonal de A:

P = diag (A) = diag (a11 , . . . , ann ) .
Este precondicionador es efectivo cuando A es simetrica

y definida positiva y con
elementos diagonales muy distintos.
resolver sistemas P z
Ademas
Calculo
Numerico
= r con P diagonal es muy poco costoso.

- 31 -

incompleta de Cholesky
Descomposicion
Ejemplo. Precondicionador de Cholesky incompleto. Consiste en utilizar P = HH t ,
donde H = (hij ) se obtiene aplicando a A el algoritmo del metodo

de Cholesky, pero
para las entradas hij tales que aij 6= 0. Para las restantes se toma hij = 0.
solo
incompleta de Cholesky.
Algoritmo de la descomposicion
= 1, . . . , n
v
u
j1
u
X
hjj = tajj
h2jk
Para j
k=1
para i
Calculo
Numerico
= j + 1, . . . , n
= 0, entonces hij = 0,
!
j1
X
1
si no, hij =
aij
hik hjk
hjj
si aij
k=1
- 32 -

incompleta de Cholesky (cont.)

Descomposicion
Si hjj 6= 0, j = 1, . . . , n, entonces H resulta no singular y P = HH t puede usarse
como precondicionante.
de Cholesky sera completa y, en tal

Si A no tuviera entradas nulas, la descomposicion
t
caso, P = HH = A.
Para matrices dispersas, esto no es cierto, pero usualmente P
A.
de
Resolver los sistemas P z = r es poco costoso pues ya se dispone de la factorizacion
t
Cholesky P = HH y basta resolver dos sistemas triangulares.
H es igualmente dispersa que A.
Ademas
Calculo
Numerico
- 33 -

de costos computacionales
Comparacion
Se considera como ejemplo un sistema con A Rnn y b Rn provenientes de un
de un problema de EDPs que modela la deformacion
programa M ATLAB para la resolucion
de una fuerza (como se vera en el laboratorio

de una membrana bajo la accion
correspondiente).
Se utiliza una tolerancia tol = 106 .
Se resuelve el sistema Ax = b mediante el comando M ATLAB pcg (metodo

del
gradiente conjugado precondicionado):
1. sin precondicionador,
2. con precondicionador P obtenido mediante el comando M ATLAB
cholinc (Cholesky
droptol = 102 .
incompleto con llenado parcial), con el parametro
Tabla I: Numero
de iteraciones para cada metodo
n
MGC
MGCP
Calculo
Numerico
145
632
2629
10821
44071
32
66
125
261
500
10
16
35
65
- 34 -

de costos operacionales
Comparacion
Tiempo de Clculo vs. Tamao del Sistema
10
A\b
CG
PCG
2
Tiempo de CPU (s)
10
10
10
-1
10
-2
10
10
10
10
10
Nmero de incgnitas
Calculo
Numerico
- 35 -

de costos de almacenamiento
Comparacion
Costo de Almacenamiento vs. Tamao del Sistema
10
A\b
CG
PCG
8
Memoria utilizada (bytes)
10
10
10
10
10
2
10
10
10
10
Nmero de incgnitas
Calculo
Numerico
- 36 -


CN Sistemas Lineales II

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

CN Sistemas Lineales II

Transféré par

Droits d'auteur :

Formats disponibles

Sistemas de Ecuaciones

DMFA Universidad Catolica

de Gauss o Cholesky) presentan el defecto

imposible aplicar estos metodos

DMFA Universidad Catolica

Llenado de matrices dispersas

DMFA Universidad Catolica

Llenado de matrices dispersas (cont.)

Grand total is 25300219 elements using 303732496 bytes

DMFA Universidad Catolica

Si suponemos A = N P , donde N debe ser invertible, entonces

DMFA Universidad Catolica

Esquema general (cont.)

hasta que se satisfaga un criterio de detencion.

y e(k) := x x(k) (error de x(k) ),

DMFA Universidad Catolica

Teorema. (Convergencia) La sucesion

sea convergente a la solucion

donde M es la matriz de iteracion

DMFA Universidad Catolica

del proceso. Cuando el proceso iterativo es convergente, este

Lema. Para kM k < 1, se tiene que

usual consiste en detener el proceso cuando

DMFA Universidad Catolica

se puede ver que:

> 12 , puede ser incorrecto

DMFA Universidad Catolica

Lema. Para k = 1, 2, . . . se tiene:

puede utilizarse mk como una estimacion

DMFA Universidad Catolica

= diag(A), E es la matriz triangular inferior de A y F es la matriz

DMFA Universidad Catolica

Dado el vector inicial x(0) ,

hasta que se satisfaga un criterio de detencion.

k , el vector x(k) puede obtenerse por componentes como sigue:

DMFA Universidad Catolica

Para la norma infinito de M se tiene que

Cuando A es de diagonal dominante estricta, es decir, cuando se tiene que

DMFA Universidad Catolica

Dado el vector inicial x(0) ,

hasta que se satisfaga un criterio de detencion.

k , el vector x(k) puede obtenerse por componentes como sigue:

Notemos que esto corresponde a aprovechar en el paso k , los valores xj

DMFA Universidad Catolica

Teorema. Si A es de diagonal dominante estricta, entonces los metodos

Para una matriz arbitraria A, la convergencia de uno de estos metodos

Aunque A sea simetrica

DMFA Universidad Catolica

Ejemplo. Para s R, considere la matriz simetrica

1 s (con multiplicidad 2) y 1 + 2s.

La matriz A es definida positiva cuando s

(0, 1) y es de diagonal dominante estricta

Se resolvio el sistema Ax = b para un par de valores de s, usando los metodos

= (0.6250, 0.6250, 0.6250)t , que es la

DMFA Universidad Catolica

= 108 en cada componente.

En cambio, al cabo de 100 iteraciones Jacobi entrega

Se nota claramente que, en este caso, el metodo

DMFA Universidad Catolica

eficientes para resolver un sistema de ecuaciones

producto escalar usual en Rn , entonces la funcion

DMFA Universidad Catolica

asociado a un sistema (cont.)

y, por lo tanto, si A es definida positiva, el punto crtico de J es un mnimo.