ANÁLISIS DEL RENDIMIENTO DE LAS FACTORIZACIONES QR Y CHOLESKY UTILIZANDO ESTRUCTURAS DE DATOS INDEXADAS Y LISTAS ENLAZADAS

Visualizações: 49

Autores/as

DOI:

https://doi.org/10.56579/rei.v8i4.3124

Palabras clave:

Factorización QR, Factorización de Cholesky, Listas Enlazadas, Matrices Dispersas

Resumen

Numerosos problemas reales en las áreas de la física, la química y las ingenierías involucran sistemas lineales dispersos de gran tamaño, compuestos por miles de ecuaciones. En algunos casos, estos sistemas admiten una única solución que puede obtenerse mediante métodos directos. Entre ellos, destacan los que utilizan la descomposición de la matriz de coeficientes, como las factorizaciones QR y de Cholesky. Estos métodos tienen como objetivo obtener una solución muy cercana a la exacta en un número limitado de pasos. Este trabajo consiste en el estudio y la implementación de los métodos de factorización QR y de Cholesky utilizando estructuras de datos indexadas y listas enlazadas. Los resultados computacionales indican que la estructura de listas enlazadas presentó un rendimiento inferior con la factorización QR, mientras que el resultado se invirtió con el método de Cholesky. Sin embargo, en ambos métodos, el uso de listas enlazadas produjo un menor consumo de memoria, demostrando ser una alternativa eficiente y eficaz para el almacenamiento de datos.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Débora Rezende Jalles, Universidad Federal Fluminense

Magíster en Modelado Computacional en Ciencia y Tecnología por la Universidad Federal Fluminense. Santo Antônio de Pádua, Río de Janeiro, Brasil, 2025. Profesora de Matemáticas y Ciencias Físicas de la Secretaría Municipal de Educación de Itaperuna, Río de Janeiro, Brasil.

Ricardo Silveira Sousa, Universidad Federal Fluminense

Doctor en Ciencia de la Computación y Matemática Computacional por la Universidad de São Paulo (USP). Profesor e investigador permanente del Programa de Posgrado en Modelado Computacional en Ciencia y Tecnología de la Universidad Federal Fluminense.

Thiago Jordem Pereira, Universidad Federal Fluminense

Doctor en Modelado Computacional por la Universidad del Estado de Río de Janeiro (UERJ). Tiene experiencia en el área de Matemáticas, con énfasis en Matemática Aplicada y Computacional, trabajando principalmente en los siguientes temas: análisis numérico y estocástico, cuantificación de incertidumbres, flujo de fluidos en medios porosos y modelado del crecimiento tumoral. Profesor e investigador permanente del Programa de Posgrado en Modelado Computacional en Ciencia y Tecnología de la Universidad Federal Fluminense.

Wagner Rambaldi Telles, Universidad Federal Fluminense

Doctor en Modelado Computacional por la Universidad del Estado de Río de Janeiro (UERJ). Profesor colaborador del Doctorado Profesional en Modelado y Tecnología para el Medio Ambiente Aplicados a los Recursos Hídricos (AmbHidro), ofrecido por el Instituto Federal Fluminense (IFFluminense). Tiene experiencia en el área de Matemáticas, con énfasis en Matemática Aplicada y Computación Científica, actuando principalmente en las áreas de análisis numérico, problemas inversos y optimización, con aplicación al modelado de recursos hídricos. Profesor e investigador permanente del Programa de Posgrado en Modelado Computacional en Ciencia y Tecnología de la Universidad Federal Fluminense.

Citas

ARENALES, S.; DAREZZO, A. Cálculo numérico: aprendizagem com apoio de software. 2. ed. São Paulo: Cengage Learning, 2015.

BOLDRINI, J. L.; COSTA, S. I. R.; FIGUEIREDO, V. L.; WETZLER, H. G. Álgebra linear. 3. ed. São Paulo: Harper & Row do Brasil, 1980.

COLLA, E. C. Aplicação de técnicas de fatoração de matrizes esparsas para inferência em redes bayesianas. 2007. Dissertação (Mestrado em Ciências da Computação) – Instituto de Matemática e Estatística, Universidade de São Paulo, São Paulo, 2007.

COSTA, E. C. Estudo de fluxo de potência com aplicação de métodos diretos na resolução de sistemas de equações lineares. 2008. Dissertação (Mestrado Profissional) – Instituto de Matemática, Estatística e Computação Científica, Universidade Estadual de Campinas, Campinas, 2008.

CUNHA, M. C. C. Métodos numéricos. 2. ed. Campinas: Editora da Unicamp, 2000.

DAVIS, T. A.; HU, Y. The University of Florida Sparse Matrix Collection. ACM Transactions on Mathematical Software, New York, v. 38, n. 1, art. 1, p. 1-25, 2011. DOI: https://doi.org/10.1145/2049662.2049663.

JALLES, D. R. Métodos de decomposição para sistemas lineares com estrutura de dados de listas encadeadas. 2025. Dissertação (Mestrado em Modelagem Computacional em Ciência e Tecnologia) – Universidade Federal Fluminense, Volta Redonda, 2025.

PESCADOR, A.; POSSAMAI, J. P.; POSSAMAI, C. R. Aplicação de álgebra linear na engenharia. In: CONGRESSO BRASILEIRO DE EDUCAÇÃO EM ENGENHARIA, 39., 2011, Blumenau. Anais [...]. Blumenau: FURB, 2011. p. 1-9. Disponível em: https://admin.abenge.org.br/cobenge/legado/arquivos/8/sessoestec/art2127.pdf. Acesso em: 14 jul. 2026.

RUGGIERO, M. G.; LOPES, V. L. R. Cálculo numérico: aspectos teóricos e computacionais. 2. ed. São Paulo: Pearson, 2000.

SILVA, L. H. Métodos iterativos para sistemas lineares: pré-condicionadores, estruturas de dados e outras técnicas. 2021. Dissertação (Mestrado em Modelagem Computacional em Ciência e Tecnologia) – Universidade Federal Fluminense, Volta Redonda, 2021.

SUITESPARSE MATRIX COLLECTION. SuiteSparse Matrix Collection: formerly the University of Florida Sparse Matrix Collection. [S. l.], [s. d.]. Disponível em: https://sparse.tamu.edu/. Acesso em: 10 set. 2025.

TREFETHEN, L. N.; BAU, D. Numerical linear algebra. Philadelphia: Society for Industrial and Applied Mathematics, 1997.

ZIVIANI, N. Projeto de algoritmos com implementações em Pascal e C. 4. ed. São Paulo: Pioneira, 1999.

Publicado

2026-07-21

Cómo citar

Jalles, D. R., Sousa, R. S., Pereira, T. J., & Telles, W. R. (2026). ANÁLISIS DEL RENDIMIENTO DE LAS FACTORIZACIONES QR Y CHOLESKY UTILIZANDO ESTRUCTURAS DE DATOS INDEXADAS Y LISTAS ENLAZADAS. Revista De Estudios Interdisciplinarios, 8(4), 01–21. https://doi.org/10.56579/rei.v8i4.3124

Métrica