Propiedades intensivas y propiedades extensivas

Propiedad intensiva, (eta) Las propiedades intensivas son aquellas que no dependen de la cantidad de sustancia presente, por este motivo no son propiedades aditivas. Ejemplos de propiedades intensivas son la temperatura, la velocidad, el volumen especfico (volumen ocupado por la unidad de masa). Observe que una propiedad intensiva puede ser una magnitud escalar o una magnitud vectorial. Propiedad extensiva, (eta) Cuando la propiedad intensiva se multiplica por la cantidad de sustancia (masa) se tiene una propiedad que s depende de la cantidad de sustancia presente y se llama propiedad extensiva, como ocurre con la masa, con la cantidad de movimiento y con el momento de la cantidad de movimiento. Relacin entre propiedades intensivas y extensivas Si se denota por la propiedad extensiva y por la propiedad intensiva asociada se puede establecer la relacin que define cualquier propiedad intensiva como la cantidad de propiedad extensiva por unidad de masa, as: =d/dm d=dm = dVol

La propiedad intensiva podr ser una funcin continua en el espacio y dar as origen a la cantidad extensiva en una determinada regin. La propiedad extensiva si es acumulable con la acumulacin de sustancia.. La naturaleza escalar/vectorial la comparten los dos tipos de propiedades.

Mtodo de Jacobi
En anlisis numrico el mtodo de Jacobi es un mtodo iterativo, usado para resolver sistemas de ecuaciones lineales del tipo . El algoritmo toma su nombre del matemtico alemnCarl

Gustav Jakob Jacobi. El mtodo de Jacobi consiste en usar frmulas como iteracin de punto fijo.

La sucesin se construye descomponiendo la matriz del sistema

en la forma siguiente:

donde , es una matriz diagonal. , es una matriz triangular inferior. , es una matriz triangular superior. Partiendo de , podemos reescribir dicha ecuacin como:

Luego,

Si aii 0 para cada i. Por la regla iterativa, la definicin del Mtodo de Jacobi puede ser expresado de la forma:

donde

es el contador de iteracin, Finalmente tenemos:

Cabe destacar que al calcular xi(k+1) se necesitan todos los elementos en x(k), excepto el que tenga el mismo i. Por eso, al contrario que en el mtodo Gauss-Seidel, no se puede sobreescribirxi(k) con xi(k+1), ya que su valor ser necesario para el resto de los clculos. Esta es la diferencia ms significativa entre los mtodos de Jacobi y Gauss-Seidel. La cantidad mnima de almacenamiento es de dos vectores de dimensin n, y ser necesario realizar un copiado explcito.
ndice
[ocultar]

1 Convergencia 2 Algoritmo 3 Ejemplo 4 Vase tambin 5 Enlaces externos

Convergencia[editar editar fuente]

El mtodo de Jacobi siempre converge si la matriz A es estrictamente diagonal dominante y puede converger incluso si esta condicin no se satisface. Para verificar la convergencia del mtodo se calcula el radio espectral ():

es la condicin necesaria y suficiente para la convergencia, siendo R = L + U . No es necesario que los elementos de la diagonal en la matriz sean mayores (en magnitud) que los otros elementos (la matriz es diagonalmente dominante), pero en el caso de serlo, la matriz converge.

Algoritmo[editar editar fuente]

El mtodo de Jacobi se puede escribir en forma de algoritmo de la siguiente manera:

Algoritmo Mtodo de Jacobi

funcin Jacobi ( // para para

es una aproximacin inicial a la solucin// hasta convergencia hacer hasta hacer

para si

hasta entonces

hacer

fin para

fin para comprobar si se alcanza convergencia fin para

Ejemplo[editar editar fuente]

Un sistema linear de la forma por

con una estimacin inicial

est dado

Usamos la ecuacin para estimar conveniente donde que valores conocidos. y donde y . vea

, descrita anteriormente,

. Primero, reescribimos la ecuacin de una manera mas ,

son las partes inferior y superior de

. de los

determinamos

como

C es encontrada como

con T y C calculadas, estimaremos como :

siguientes iteraciones.

este proceso se repetir hasta que converja (i.e., hasta que 25 iteraciones es: es menor). la solucin despus de

Mtodo de Gauss-Seidel
En anlisis numrico el mtodo de Gauss-Seidel es un mtodo iterativo utilizado para resolver sistemas de ecuaciones lineales. El mtodo se llama as en honor a los matemticos alemanesCarl Friedrich Gauss y Philipp Ludwig von Seidel y es similar al mtodo de Jacobi. Aunque este mtodo puede aplicarse a cualquier sistema de ecuaciones lineales que produzca una matriz (cuadrada, naturalmente pues para que exista solucin nica, el sistema debe tener tantas ecuaciones como incgnitas) de coeficientes con los elementos de su diagonal no-nulos, la convergencia del mtodo solo se garantiza si la matriz es diagonalmente dominante o si es simtrica y, a la vez, definida positiva.
ndice
[ocultar]

1 Descripcin 2 Convergencia 3 Explicacin 4 Algoritmo 5 Vase tambin 6 Enlaces externos

Descripcin[editar editar fuente]

Es un mtodo iterativo, lo que significa que se parte de una aproximacin inicial y se repite el proceso hasta llegar a una solucin con un margen de error tan pequeo como se quiera. Buscamos la solucin a un sistema de ecuaciones lineales, en notacin matricial:

donde:

El mtodo de iteracin Gauss-Seidel se computa, para la iteracin

donde

definimos

y , donde los coeficientes de la matriz N se definen como , si . con la condicin de . Entonces podemos escribir la frmula de si

Considerando el sistema que iteracin del mtodo

(*) La diferencia entre este mtodo y el de Jacobi es que, en este ltimo, las mejoras a las aproximaciones no se utilizan hasta completar las iteraciones.

Convergencia[editar editar fuente]

Teorema: Suponga una matriz singular que cumple la condicin de es una matriz no

. Entonces el mtodo de Gauss-Seidel converge a una solucin del sistema de ecuaciones, y la convergencia es por lo menos tan rpida como la convergencia del mtodo de Jacobi.
Para ver los casos en que converge el mtodo primero mostraremos que se puede escribir de la siguiente forma:

(**) (el trmino es la aproximacin obtenida despus de la k-

sima iteracin) este modo de escribir la iteracin es la forma general de un mtodo iterativo estacionario. Primeramente debemos demostrar que el problema lineal que queremos resolver se puede representar en la

forma (**), por este motivo debemos tratar de escribir la matriz A como la suma de una matriz triangular inferior, una diagonal y una triangular superior A=(L+D+U), D=diag( ). Haciendo los despejes

necesarios escribimos el mtodo de esta forma

por lo tanto M=-(L+D)-1 U y c=(L+D)-1b Ahora podemos ver que la relacin entre los errores, el cul se puede calcular al substraer x=Bx+c de (**)

Supongamos ahora que

, i= 1, ..., n, son los valores , i=

propios que corresponden a los vectores propios 1,..., n, los cuales son linealmente independientes, entonces podemos escribir el error inicial

(***) Por lo tanto la iteracin converge si y slo si | i|<1, i= 1, ..., n. De este hecho se desprende el siguiente teorema:

Teorema: Una condicin suficiente y necesaria para que un mtodo iterativo estacionario converja para una aproximacin arbitraria es que

donde (M) es el radio espectral de M.

Explicacin[editar editar fuente]

Se elige una aproximacin inicial para .

Se calculan las matrices M y el vector c con las frmulas mencionadas. El proceso se repite hasta que sea lo suficientemente cercano a ,

donde k representa el nmero de pasos en la iteracin.Se tiene que despejar de la ecuacion una de variable distinta y determinante.Si al sumar los coeficientes de las variables divididos entre si da 1 y -1 es ms probable que el despeje funcione. Y se debe de despejar en cada ecuacion una variable distinta, una forma de encontrar que variable despejar es despejando la variable que tenga el mayor coeficiente. Ejemplos:

3x-y+z=1

x-5y+z=8

x-y+4z=11

Despejes:

x=(1+y-z)/3 y=(8-x-z)/-5 z=(11-x+y)/4

Despues se necesita iniciar con las iteraciones,el valor inicial no es importante lo importante es usar las iteraciones necesarias, para darte cuenta cuantas iteraciones son necesarias necesitas observar cuando los decimales se estabilicen en dos decimales pero se tiene que tener en cuenta

que se tiene que seguir con las iteraciones aunque una de las variables sea estable si las dmas no han llegado al valor buscado. Se sustituye los valores en los despejes, usando para cada despeje el nuevo valor encontrado.

0 0

1 0.333 -1.600 2.750

2 -1.117 -0.983 2.267

3 -0.750 -1.370 2.783

4 -1.051 -1.193 2.595

... ...

...

...

10 -0.982 -1.259 2.679

11 -0.979 -1.261 2.681

12 -0.980 -1.260 2.680

13 -0.980 -1.260 2.680

-0.980 -1.260 2.680

Estos son los resultados estimados para las variables y podemos observar que los decimales se estabilizaron en dos decimales.

Algoritmo[editar editar fuente]

El mtodo de Gauss-Seidel se puede escribir en forma de algoritmo de la siguiente manera:

Algoritmo Mtodo de Gauss-Seidel

funcin Gauss-Seidel ( //

es una aproximacin inicial a la

solucin// para para hasta convergencia hacer hasta hacer

para si

hasta entonces

hacer

fin para

fin para comprobar si se alcanza convergencia fin para