Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

LGEBRA LINEAL NUMRICA Matrices y Vectores Una matriz es un arreglo rectangular de nmeros. Cuando el arreglo es cuadrado se llama matriz cuadrada. Las matrices se escriben en forma simblica

a11 A = a 22 a33

a12 a 22 a32

a13 a 23 a33

b11 B = b22 b33

b12 b22 b32

b13 b23 b33

y

Abreviacin de las matrices:

A = a ij

[ ]

B = bij

[ ]

Si una matriz es rectangular con m renglones o filas y n columnas decimos que es una matriz de m x n. Las matrices tienen cuatro operaciones bsicas anlogas a las de los nmeros: suma, resta, multiplicacin y divisin. Dos matrices del mismo tamao pueden sumarse o restarse. La suma de A = a ij

[ ]

y B = bij

[ ]

es la matriz cuyos elementos son la suma de los elementos

correspondientes de A y B :

C = A + B = aij + bij = cij

] [ ]

La diferencia de dos matrices del mismo tamao se obtiene al restar elementos correspondientes

C = A B = aij bij = cij

] [ ]
N

La multiplicacin de A*B = C Donde C = [cij] y

cij = a kj bkj
k =1

Como se puede ver fcilmente, en general el producto B.A no es igual a A.B, por lo tanto no es conmutativa. Divisin: B 1 A = C , B 1 es la inversa de B . La divisin es equivalente a A = BC La divisin es ms restrictiva que las dems operaciones puesto que B-1 solo puede existir si B es una matriz cuadrada. Un vector rengln es un arreglo de columna de nmeros o variables

x1 V= x2 x3
Pg. 1 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

Si un vector columna est formado por n nmeros, se dice que el orden del vector es n. Un vector columna tambin se puede pensar como una matriz de nx1 . Un vector rengln es un arreglo en rengln de nmeros o variables.

V = [x1

x2

x3 ]

Un vector rengln se considera como una matriz de 1xn Tipos especiales de matrices Matriz nula: Todos los elementos de la matriz nula son iguales a cero. Matriz diagonal: es una matriz cuadrada donde todos los elementos son iguales a cero excepto los elementos de la diagonal

a11 A= 0 0

0 a 22 0

0 0 a33

Matriz identidad (I): es una matriz diagonal donde todos los elementos son iguales a cero excepto los elementos de la diagonal, que son iguales a uno.

1 0 0 A= 0 1 0 0 0 1
Matriz simtrica: es una matriz cuadrada donde a ij = a ji para toda i y para toda j.

5 1 2 A= 1 3 7 2 7 8
Matriz triangular superior: matriz cuadrada donde todos los elementos bajo la diagonal principal son cero.

a11 0 A= 0 0 a11 a A = 21 a31 a 41

a12 a 22 0 0

a13 a 23 a33 0

a14 a 24 a34 a 44 0 0 0 a 44

Matriz triangular inferior: todos los elementos arriba de la diagonal principal son cero.

0 a 22 a 32 a 42

0 0 a 33 a 43

Matriz transpuesta: Para una matriz definida por

A = a ij su transpuesta se define como

Pg. 2 de 20

[ ]

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

A = a ji (se intercambia i y j).

Matriz inversa. La inversa de una matriz cuadrada A se escribe como A-1 y satisface

[ ]

AA 1 = A 1 A = I

. Siendo I la matriz identidad.

Vector nulo: Todos sus elementos son iguales a cero. Vectores unitarios: Todos los elementos son iguales a cero excepto uno que vale 1 Vector Transpuesto: Si un vector esta dado por

x1 V= x2 x3
Entonces su transpuesto se escribe como vt y se define como

V t = [x1

x2

x3 ]

El transpuesto un vector columna es un vector rengln.

Representacin en forma matricial de sistemas de ecuaciones algebraicas lineales Las matrices proporcionan una notacin concisa en la representacin de ecuaciones de ecuaciones simultneas lineales. El sistema lineal

a11 x1 + a12 x2 + L + a1n xn = c1 a 21 x1 + a 22 x2 + L + a 2 n xn = c2 a n1 x1 + a n 2 x2 + L + ann xn = cn

se puede expresar como AX = C , donde A es una matriz cuadrada

nxn

de coeficientes, C es

un vector rengln 1xn de constantes, y X un vector rengln 1xn de incgnitas.

a11 a A = 21 M a n1

a12 L a1n a 22 L a 2 n M M a n 2 L a nn a12 L a n1 a 22 L a n 2 M M a n 2 L a nn

x1 x x = 2 y M xn c1 c2 M cn

c1 c C = 2 M c n

Algunas veces es til aumentar A con C, para obtener la matriz aumentada

a11 a [A, C] = 21 M a n1

Pg. 3 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

donde se usa la lnea punteada para separar los coeficientes de las incgnitas de los valores del lado derecho de las ecuaciones. Expresar de esta manera la ecuacin tiene utilidad, ya que varias de las tcnicas en la solucin de sistemas lineales hacen operaciones idnticas a una fila de coeficientes y a la constante correspondiente del lado derecho. SOLUCIN DE SISTEMAS LINEALES: Los sistemas lineales de ecuaciones se presentan en muchos problemas de ingeniera y de ciencia, as como en las aplicaciones de las matemticas a las ciencias sociales y al estudio cuantitativo de problemas de comercio y economa. Dentro de las tcnicas para resolver sistemas lineales, se distinguen dos grandes familias de mtodos:

Mtodos directos: se obtiene la solucin mediante un nmero finito de operaciones, sujeta solamente a errores de redondeo.

Mtodos iterativos: se construye mediante una relacin de recurrencia una sucesin infinita, que a partir de una estimacin y bajo ciertas condiciones converge a la solucin buscada.

MTODOS DIRECTOS Eliminacin de Gauss para problemas ideales sencillos La eliminacin de Gauss es el mtodo que se utiliza en forma ms amplia para resolver un conjunto de ecuaciones lineales. Un conjunto de n ecuaciones con n incgnitas es de la forma:

a11 x1 + a12 x2 + L + a1n xn = c1 a21 x1 + a22 x2 + L + a2 n xn = c2 an1 x1 + an 2 x2 + L + ann xn = cn

donde los a ij son coeficientes, los

xi son la incgnitas y los ci son los trminos conocidos

llamados libres o independientes. En este caso, el nmero de incgnitas es igual al nmero de ecuaciones, que es la forma ms usual de un conjunto de ecuaciones lineales. La eliminacin de Gauss se aplica slo al caso de los conjuntos no homogneos de ecuaciones. Consideraremos un problema ideal en el que el conjunto de ecuaciones tiene una solucin nica y no aparece ninguna dificultad en el proceso de solucin. La eliminacin de Gauss consiste en:

Pg. 4 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

a) la eliminacin hacia adelante b) la sustitucin hacia atrs. a) Eliminacin hacia adelante La primera fase reduce el conjunto de ecuaciones a un sistema triangular superior. El paso inicial consiste en dividir la primera ecuacin por el coeficiente de la primera incgnita

a11 :

x1 +

a c a12 x 2 + L + 1n x n = 1 (Ecuacin normalizada) a11 a11 a11

En seguida se multiplica la ecuacin normalizada por el primer coeficiente de la segunda ecuacin, a 21 :

a1n a12 c1 a 21 x1 + x n = a 21 a x2 + L + a 21 a a 21 a 11 11 11
y se le resta a la segunda ecuacin para eliminar el primer trmino de la segunda;

a1n c1 a12 a 22 a 21 a x2 + L + a 22 a 21 a x n = c 2 a 21 a 11 11 11
o,

x2 + L + a2 n xn = c a 22 2

en donde el apstrofe indica que los elementos han cambiado sus valores originales. El proceso se repite hasta que se elimina la primera incgnita de las ecuaciones restantes. Por ejemplo, la ecuacin normalizada se multiplica por a 31 y el resultado se resta de la tercera ecuacin para obtener

n x n = c3 x2 + L + a3 a 32
Repitiendo el procedimiento para el resto de las ecuaciones da como resultado el siguiente sistema modificado:

a11 x1 + a12 x2 + L + a1n xn = c1 (1) x2 + L + a2 n xn = c2 (2) a22 x 2 + L + a3 n x n = c3 (3) a32 M 2 x2 + L + ann xn = cn (4) an
A la ecuacin (1) se le llama ecuacin pivotal y a

a11 se le llama pivote.

a 22 . Multiplicando
Pg. 5 de 20

Se repite el proceso para eliminar la segunda incgnita de las ecuaciones (2) hasta la (4). Se usa como ecuacin pivotal la (2) normalizndola y dividindola por el pivote

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

la ecuacin normalizada por

y restando el resultado a la ecuacin (3) se elimina la segunda a32

incgnita. Repitiendo el proceso con las ecuaciones restantes se obtiene:

x2 + a13 x3 + L + a1n xn = c1 a11 x1 + a12 x2 + a23 x3 + L + a a22 2 n xn = c2 x3 + L + a3 n xn = c3 a33 M 3 x3 + L + a an nn x n = c n

en donde el apstrofe doble indica que los coeficientes se han modificado dos veces. El procedimiento se puede continuar usando las ecuaciones restantes como pivotales. La operacin final de esta secuencia es la de usar la ( n 1) sima ecuacin para eliminar el trmino xn1 de la n-sima ecuacin. En ese momento el sistema se transforma en un sistema triangular superior.

x2 + a13 x3 + L + a1n xn = c1 a11 x1 + a12 x2 + a23 x3 + L + a 2 n xn = c2 a22 x3 + L + a3 n xn = c3 a33 O =M

( n 1) ( n 1) a nn xn = cn

b) Sustitucin hacia atrs El procedimiento de sustitucin hacia atrs comienza con la ltima ecuacin. Se obtiene la solucin de x n en la ltima ecuacin:

c xn = n n 1 a nn
Este resultado se puede sustituir en la ( n 1) sima ecuacin y resolverse sta para x
n-1.

n 1

El

procedimiento se repite evaluando las x restantes. Con esto se completa la eliminacin de Gauss. A continuacin daremos un pequeo ejemplo de cmo se resuelve un sistema de ecuaciones mediante el mtodo de Gauss. Ejemplo 1: Resuelva las siguientes ecuaciones lineales en forma de arreglo:

Pg. 6 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

2 x1 + x2 3x3 = 1 x1 + 3x2 + 2 x3 = 12 3x1 + x2 3x3 = 0

Solucin: La expresin en arreglo de las ecuaciones es:

2 1 3

1 3 1

3 1 2 3 12 0

Para comenzar la eliminacin hacia adelante, se divide por 2 la primera ecuacin para normalizarla y la multiplicamos por -1,y restamos de la segunda. Luego eliminamos x1 de la tercera ecuacin. El arreglo queda como

2 0 0

1
7 2 1 2

3
1 3 2 2

1
23 3 2

Continuamos con la eliminacin hacia adelante normalizamos el segundo rengln dividiendo por
7 2

y restamos el segundo rengln multiplicado por 1/2 del tercer rengln:

2 0 0

1
7 2

3 1
1 2 7 23 22 2 7 11

Esto concluye la eliminacin hacia adelante. La sustitucin hacia atrs comienza con el ltimo rengln. Interpretamos el ltimo rengln como:

11 22 x3 = 7 7
Anlogamente
7 2

x3 = 2

x 2 + 1 2 x3 = 23 2

7 21 x2 = x2 = 3 2 2
y

2 x1 + x 2 3 x 3 = 1

x1 = 1

Eliminacin de Gauss-Jordan

Pg. 7 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

Es una variante de la eliminacin de Gauss. La principal diferencia consiste en que el mtodo de Gauss-Jordan cuando se elimina una incgnita no solo se elimina de las ecuaciones siguientes sino de todas las otras ecuaciones. De esta forma, el paso de eliminacin genera una matriz identidad en vez de una matriz triangular. Por consiguiente, no es necesario emplear la sustitucin hacia atrs para obtener la solucin. Para preservar exactitud aritmtica suele usarse el pivoteo. Ejemplo 2: Resolvemos ahora el mismo problema del ejemplo 1 mediante el mtodo de Gauss-Jordan.

2 x1 + x 2 3x3 = 1 x1 + 3 x 2 + 3x3 = 12 3x1 + x 2 3x3 = 0

Solucin: Se expresan los coeficientes y el vector de trminos independientes como una matriz aumentada

2 1 3

1 3 1

3 1 2 12 3 0

Se normaliza el primer rengln dividindolo por el pivote 2 para obtener

1 1 3
El trmino

3 1

3 2 12 2 12 3 0

x1

se puede eliminar del segundo rengln restando -1 veces el primero del segundo

rengln. De manera similar, restando 3 veces el primero del tercer rengln se elimina el trmino con

x1 del tercer rengln.

1 0 0
1 7 2 2

12

3 2 12 23 1 2 2 3 3 2 2

Se normaliza el segundo rengln dividindolo entre 7/2. Reduciendo los trminos en primer y tercer rengln

x2 del

Pg. 8 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

1 0 0

0 1 0

2214 3014 23 1 7 7 22 44 14 14

El tercer rengln se normaliza dividindolo entre 22/14

1 0 0
Los trminos con

0 1 0

2214 3014 23 1 7 7 1 2

x3 se pueden reducir de la primera y segunda ecuacin para obtener:

1 0 0 1 0 1 0 3 0 0 1 2

Estrategia de pivoteo La eliminacin de Gauss se aplica a un problema ideal sencillo con coeficientes no nulos. Sin embargo, el mtodo no funciona si el primer coeficiente del primer rengln es igual a cero o si un coeficiente de la diagonal se anula en el proceso de solucin, ya que se usan como denominadores en la eliminacin hacia adelante. El problema se presenta tambin cuando el coeficiente es muy cercano a cero, pues un elemento pivote que es pequeo comparado con los elementos de debajo de l en la misma columna puede llevar a un error de redondeo sustancial. Se ha desarrollado una estrategia del pivoteo para evitar parcialmente este problema. Existen diferentes estrategias para la eleccin del pivote, segn que la reordenacin afecte slo a las filas (pivoteo parcial) o tanto a las filas como a las columnas (pivoteo total). Las ecuaciones no se afectan, matemticamente por cambios en el orden secuencial, pero el cambio de orden hace posible el clculo cuando el coeficiente de la diagonal sea nulo. An cuando todos los coeficientes de la diagonal fueran nulos, los cambios de orden aumentan la exactitud de los clculos. Si a pesar del pivoteo, es inevitable un elemento nulo en la diagonal, esto indica que el problema es de los que no tienen solucin nica. Si as ocurre, detenemos el esfuerzo del clculo. Ejemplo 3: Resolver

Pg. 9 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

10 x 2 + x3 = 2 x1 + 3x 2 x3 = 6 2 x1 + 4 x 2 + x3 = 5
Solucin: La expresin en arreglo de las ecuaciones es:

0 1 2

10 1 3 1 4 1

2 6 5

No se puede eliminar el primer nmero de los renglones segundo y tercero debido a que el primer nmero del primer rengln es igual a cero. En nuestro primer pivoteo, se intercambia el primer y el ltimo rengln. Algunos podran intercambiar el primer y segundo, en vez de esto, se lleva el tercer rengln a la parte de arriba debido a que el primer nmero del tercer rengln tiene el mayor mdulo (valor absoluto) de la primera columna. El hecho de llevar el nmero ms grande de la columna a la posicin diagonal tiene la ventaja de reducir el error de redondeo. Despus de este pivoteo, el arreglo queda como:

2 1 0

4 3 10

1 1 1

5 6 2

A continuacin, eliminamos el primer nmero del segundo rengln restando a este el primero multiplicado por 1/2 2 0 0 4 1 5

1 -3/2 7/2 10 1 2

El primer nmero del tercer rengln ya es igual a cero, por lo que procedemos a eliminar el segundo nmero, 10, del tercer rengln. Sin embargo, este nmero es mayor que el segundo nmero del segundo rengln (coeficiente de la diagonal). En general, como ya se ha mencionado, no es recomendable eliminar el nmero mayor en magnitud que el trmino de la diagonal. Por lo tanto, intercambiamos el orden de los renglones 2 y 3: 2 4 1 5 2

0 10 1 0

1 -3/2 7/2

Despus eliminamos el segundo nmero del tercer rengln, con lo que el arreglo anterior se

Pg. 10 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

transforma en 2 4 1 1 5 2 33/5

0 10 0

0 -16/5

Los datos 2, 10 y -16/5 se llaman coeficientes de la diagonal o pivotes. Las sustituciones hacia atrs dan como resultado x 3 = -2.0625 x 2 = ( 2 x 3 ) / 10 = 0.4062 x 1 = ( 5- 4 x 2 x 3 ) = 2.7187 Las eliminaciones de Gauss Jordan tambin producen

1 0 0
Problemas Sin Solucin nica

0 1 0

0 0 1

2.71875 0.4062 2.0625

No siempre es posible resolver un conjunto de ecuaciones lineales en forma numrica. Para ecuaciones simultneas, cada ecuacin representa un plano en el sistema de coordenadas tridimensional. El punto donde se intersecten los planos representa la solucin. Ms all de tres ecuaciones los mtodos grficos no funcionan, pero resultan tiles para visualizar propiedades de la solucin. Los siguientes conjuntos de ecuaciones lineales son tres ejemplos sencillos, pero importantes. a) - x + y =1 - 2x + 2y =2

La

segunda

ecuacin

es

el

doble

de

la

primera,

por

lo

que matemticamente

son idnticas. Cualquier punto

(x,y) que satisfaga una de las ecuaciones, tambin

es solucin de la otra. Por lo tanto, el nmero de soluciones es infinito. En otras palabras no existe una solucin nica. Si una ecuacin es mltiplo de otra, o se puede obtener sumando o restando otras ecuaciones, se dice que esa ecuacin es linealmente dependiente de las otras.

Pg. 11 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

b) - x + y = 1 -x +y=0

las dos ecuaciones son rectas paralelas que no se intersecan por lo que no existe solucin. (Sistema inconsistente).

c) - x + y =1 x + 2y = -2 2x - y = 0

Un caso como el de c) no puede ocurrir si el nmero de ecuaciones es igual al nmero de incgnitas. Las condiciones necesarias para la existencia de una solucin nica son las siguientes: El nmero de ecuaciones debe ser igual al nmero de incgnitas. Cada ecuacin es linealmente independiente; o en forma equivalente, ninguna ecuacin se puede eliminar sumando o restando otras ecuaciones.

Inversin de una matriz Si una matriz es cuadrada, entonces existe otra matriz, A 1 llamada la matriz inversa de A , para el cual

AA 1 = A 1 A = I
La inversa se puede usar para resolver un conjunto de ecuaciones simultneas, si se toma

X = A 1 C
Se puede calcular la inversa de una matriz aplicando la eliminacin de Gauss- Jordan, la matriz de coeficientes se aumenta con una matriz identidad .

a11 a 21 a31

a12 a 22 a32

a13 a 23 a33

1 0 0 0 1 0 0 0 1

Entonces seguimos la eliminacin de Gauss-Jordan exactamente en la misma forma que al resolver un conjunto de ecuaciones lineales. Cuando la mitad izquierda de la matriz aumentada

Pg. 12 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

se reduce a una matriz identidad, la mitad derecha se convierte en A-1. DESCOMPOSICIN LU El esquema de descomposicin LU es una transformacin de una matriz A como producto de dos matrices, A = LU donde L es una matriz triangular inferior y U es una matriz triangular superior. Cuando uno debe resolver varios conjuntos de ecuaciones lineales en los que todas las matrices de coeficientes son iguales pero los trminos no homogneos (lado derecho) son distintos, la solucin de las ecuaciones utilizando la descomposicin LU tiende a ser ms eficiente que la eliminacin de Gauss. La descomposicin LU para una matriz de 3x3 se ilustra de la manera siguiente:

a11 a 21 a31

a12 a 22 a32

a13 l11 0 a 23 = l 21 l 22 a33 l31 l32

0 u11 u12 0 0 u 22 l33 0 0

u13 u 23 u 33

Los 9 elementos conocidos de A se pueden usar para determinar parcialmente 6 elementos desconocidos de L y el mismo nmero de los de U. Sin embargo, si el procedimiento nos debe llevar a una solucin nica, se necesitan 3 condiciones adicionales para los elementos de L y de U. El mtodo a usar en este ejemplo consiste en requerir arbitrariamente que

l11 = l 22 = l 33 = 1 , ste se conoce como el mtodo de Doolittle. a11 a 21 a31 a12 a 22 a32 a13 1 0 a 23 = l 21 1 a33 l31 l 32

0 u11 u12 0 0 u 22 1 0 0

u13 u 23 u 33

Para evaluar u ij y l ij en la ecuacin sin pivoteo, primero multiplicamos el primer rengln de L por cada columna de U y comparamos el resultado con el primer rengln de A. Tenemos entonces que el primer rengln de U es idntico al de A:

u1 j = a1 j

j = 1, 2, 3

Multiplicamos el segundo y tercer rengln de L por la primera columna de U y lo comparamos con el lado izquierdo para obtener

a 21 = l 21u11 l 21 = a 21 a31 = l 31u11 l 31 = a31

u11 u11

Multiplicamos el segundo rengln de L por la segunda y tercera columnas de U y las comparamos con el lado izquierdo para obtener

Pg. 13 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

a 22 = l 21u12 + u 22 u 22 = a 22 l 21u12
a 23 = l 21u13 + u 23 u 23 = a 23 l 21u13
Multiplicamos el tercer rengln de L por la segunda columna de U y tenemos

a32 = l31u12 + l32 u 22 l32 =

(a32 l31u12 )

u 22

Finalmente, u 33 se obtiene multiplicando el ltimo rengln de L por la ltima columna de U y lo igualamos a 33 como sigue

a33 = l31u13 + l32 u 23 + u 33 u 33 = a33 l 31u13 l32 u 23

El esquema general de la descomposicin LU para una matriz de orden N es el siguiente: El primer rengln de U, u ij para j = 1 hasta N, se obtiene por medio de u1,j = a1,j j = 1 hasta N

La primera columna de L, l j1 para i = 2 hasta N, se obtiene por medio de

l j1 =

ai1

u11

i = 2 hasta N

El segundo rengln de U se obtiene como

u 2 j = a 2 j l 21u1 j

j = 2 hasta N

La segunda columna de L se obtiene mediante

li 2 =

(ai 2 li1u12 )

u 22

i = 3 hasta N

El n-simo rengln de U se obtiene de

u nj = a nj l nk u kj
k =1

n 1

j = n hasta N

La n-sima columna de L se obtiene de

n 1 ain l ik u kn k =1 lin =

u nn

i = n + 1 hasta N

Una vez obtenida la descomposicin se resuelve el sistema lineal

(LU ) X = L ( UX ) = C
resolviendo sucesivamente los dos sistemas lineales triangulares

LY = C UX = Y
Pg. 14 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

Ejemplo 4: resolver

2 x1 + x2 3x3 = 1 x1 + 3x2 + 2 x3 = 12 3 x1 + x2 3x3 = 0

Solucin:

2 1 3 1 0 1 3 2 = l 21 1 l31 l32 3 1 3
Procedemos

0 u11 u12 0 0 u 22 1 0 0

u13 u 23 u 33

u1 j = a1 j

j = 1, 2, 3 u11 = 2, u12 = 1, u13 = 3

1 = l 21u11 l 21 = 1

3 = l 21u12 + u 22 u 22 = 3 + 1 / 2 = 7 / 2
2 = l 21u13 + u 23 u 23 = 2 3 / 2 = 1 / 2

3 = l31u11 l 31 = 3

1 = l31u12 + l32 u 22 l32 = (1 3 / 2)

7/2

= 1 / 7

3 = l31u13 + l 32 u 23 + u 33 u 33 = 3 l31u13 l32 u 23 = 11 / 7

Resolvemos LY=C

0 0 y1 1 1 1 / 2 1 0 y 2 = 12 0 y3 3 / 2 1 / 7 1
y1 = 1 1 / 2 y1 + y 2 = 12 y 2 = 23 / 2

3 / 2 y1 1 / 7 y 2 + y 3 = 0 y 3 = 22 / 7
Ahora resolvemos por sustitucin hacia atrs, UX=Y

3 x1 1 2 1 0 7 / 2 1 / 2 x = 23 / 2 2 0 0 11 / 7 x 22 / 7 3
x3 = 2

7 / 2 x 2 + 1 / 2 x3 = 23 / 2 x 2 = 3 2 x1 + x 2 3x3 = 1 x1 = 1
Determinantes El determinante es un nmero importante asociado con toda matriz cuadrada. De hecho, un

Pg. 15 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

conjunto no homogneo de ecuaciones lineales no tiene una solucin nica, a menos que el determinante de la matriz de coeficientes sea distinto de cero. Por otro lado, un conjunto homogneo de ecuaciones lineales tiene ms de una solucin cuando el determinante es igual a cero. Hay muchas ocasiones en las que es necesario evaluar el determinante de una matriz. El determinante de una matriz A se denota por el det (A) y se define como

det(A) = ()ai1 a j 2 a k 3 ,K, a rN

donde la suma se hace sobre todas las permutaciones de los primeros subndices de a, y ( ) toma el signo ms si la permutacin es par y menos si la permutacin es impar. Para una matriz de 2x2, el determinante de A se calcula como

a det(A) = det 11 a 21
Para una matriz de 3x3, el determinante es

a12 = a11 a 22 a12 a 21 a 22

a11 det( A) = det a 21 a31

a12 a 22 a32

a13 a 23 = a11 a 22 a33 + a12 a 23 a31 + a13 a 21 a13 a11 a32 a 23 a 21 a12 a33 a31 a 22 a13 a33

La regla para calcular el determinante de una matriz de 3x3 se conoce como la regla del espagueti. Esta regla no se pude extender a una matriz de orden mayor o igual que 4x4. Una forma prctica de calcular el determinante es utilizar el proceso de eliminacin hacia delante en la eliminacin de Gauss o, en forma alternativa, la descomposicin LU descripta anteriormente. Primero haremos notar dos importantes reglas de los

determinantes: Regla 1: det (BC) = det (B) det (C) Lo que significa que el determinante de un producto de matrices es el producto de los determinantes de todas las matrices. Regla 2: det (M) = el producto de todos los elementos de la diagonal de M, si M es una matriz triangular superior o inferior. Si no se utiliza el pivoteo, el clculo del determinante mediante la descomposicin LU es directo. Segn la regla 1, el determinante se puede escribir como det (A) = det( LU) = det (L) det(U) = det(U) donde det (L) = 1 porque L es una matriz triangular inferior y todos los elementos de la diagonal valen 1. El det (U) es el producto de todos los elementos de la diagonal de U, que es

Pg. 16 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

igual a det (A). Tambin se puede calcular el determinante de una matriz durante el proceso de eliminacin de Gauss. Esto se debe a que cuando se termina la eliminacin hacia adelante, la matriz original se ha transformado en la matriz U de la descomposicin LU. Por lo tanto, el determinante se puede calcular tomando el producto de todos los trminos de la diagonal y multiplicando despus por 1 o -1, segn sea par o impar el nmero de operaciones de pivoteo realizadas, respectivamente.

Problemas mal Condicionados En sentido matemtico, los sistemas bien condicionados son aquellos en los que un cambio en uno o ms coeficientes provoca un cambio similar en la solucin. Los sistemas mal

condicionados son aquellos en donde cambios pequeos en los coeficientes provocan cambios significativos en la solucin. Una interpretacin diferente del mal condicionamiento es que un rango amplio de respuestas puede satisfacer aproximadamente al sistema. Ya que los errores de redondeo pueden inducir cambios pequeos en los coeficientes, estos cambios artificiales pueden generar errores grandes en la solucin de sistemas mal condicionados. La inversa tambin suministra una manera de discernir cuando los sistemas estn mal condicionados. La matriz A de un problema mal condicionado tiene las siguientes caractersticas: Un ligero cambio de coeficientes (o elementos de la matriz) provoca

cambios significativos en la solucin. Los elementos de la diagonal de la matriz de coeficientes tienden a ser menores que los elementos que no pertenecen a la diagonal. El det ( A) det(A-1) difiere en forma significativa de 1. El resultado de (A-1)-1 es muy distinto de A. AA-1 difiere en grado sumo de la matriz identidad. A-1 (A-1)-1 difiere ms de la matriz identidad que lo que difiere AA-1.

MTODOS ITERATIVOS Los mtodos de eliminacin directa analizados se pueden usar para resolver aproximadamente de 25 a 50 ecuaciones lineales simultneas. Esta cantidad a veces se puede aumentar si el sistema est bien condicionado, si se emplea la estrategia pivotal o si la matriz es dispersa. Sin embargo, debido a los errores de redondeo, los mtodos de eliminacin algunas veces son inadecuados para sistemas muy grandes. En este tipo de problemas se pueden usar los

Pg. 17 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

mtodos iterativos o de aproximacin con alguna ventaja. La razn por la cual los mtodos iterativos son tiles en la disminucin de los errores de redondeo en sistemas, se debe a que un mtodo de aproximacin se puede continuar hasta que converja dentro de alguna tolerancia de error previamente especificada. De esta forma, el redondeo no es un problema, ya que se controla el nivel de error aceptable.

Mtodo de Gauss - Seidel Supngase que se ha dado un conjunto de n ecuaciones:

AX = C
si los elementos de la diagonal son diferentes de cero, la primera ecuacin se puede resolver para x1 , la segunda para x 2 , etctera, lo que lleva a:

x1 = x2 = x3 = M = xn =

c1 a12 x 2 a13 x3 L a1n x n a11

(a)

c 2 a 21 x1 a 23 x3 L a 2 n x n (b) a 22 c3 a31 x1 a32 x 2 L a3n x n (c) a 22 c n a n1 x1 a n 2 x 2 L a n ,n 1 x n 1 a nn M

(d)

Ahora, se puede empezar el proceso de solucin usando un valor inicial para las x. La solucin trivial puede servir de valor inicial, esto es, todas las x valen cero. Estos ceros sustituyen en la ecuacin (a), que se usan para calcular un nuevo valor de x1 = c1 a11 . Luego, se sustituye el nuevo valor de x1 , con x3 , K , x n aun en cero, en la ecuacin (b) con lo cual se calcula un nuevo valor de x 2 . Este proceso se repite en cada una de las ecuaciones hasta llegar a la ecuacin (d) la cual calcula un nuevo valor de x n . En seguida se regresa a la primera ecuacin y se repite todo el proceso hasta que la solucin converja. La convergencia se puede verificar usando el criterio

i =

xij 1 xij 100% para toda i en donde j y j-1 denotan la iteracin actual y la anterior. xij

Pg. 18 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

Veamos un esquema grfico de la diferencia entre el mtodo de Gauss Seidel y el de Jacobi, en la solucin de ecuaciones algebraicas lineales simultneas Primera iteracin

x1 = x2 =

c1 a12 x 2 a13 x3 L a1n x n a11 c 2 a 21 x1 a 23 x3 L a 2 n x n a 22

x1 = x2 =

c1 a12 x 2 a13 x3 L a1n x n a11 c 2 a 21 x1 a 23 x3 L a 2 n x n a 22

x3 =

c3 a31 x1 a32 x 2 L a3n x n a 22

Segunda iteracin

x3 =

c3 a31 x1 a32 x 2 L a3n x n a 22 c1 a12 x 2 a13 x3 L a1n x n a11 c 2 a 21 x1 a 23 x3 L a 2 n x n a 22 c3 a31 x1 a32 x 2 L a3n x n a 22

x1 = x2 = x3 =

c1 a12 x 2 a13 x3 L a1n x n a11 c 2 a 21 x1 a 23 x3 L a 2 n x n a 22 c3 a31 x1 a32 x 2 L a3n x n a 22

x1 = x2 = x3 =

Criterio de convergencia Jacobi y Gauss-Seidel son similares al mtodo de iteracin de punto fijo. Recurdese que la iteracin de punto fijo tiene dos problemas fundamentales: a) algunas veces no converge b) cuando lo hace, es a menudo, muy lento. Estos mtodos tambin pueden tener estas fallas. Una condicin de convergencia es que los coeficientes sobre la diagonal de cada una de las ecuaciones sean mayor que la suma de los otros coeficientes en la ecuacin. Una expresin cuantitativa de este criterio es:

a i ,i > a ij
En donde la sumatoria vara desde j = 1 hasta n, excluyendo j = i . Esta ecuacin es un criterio de convergencia suficiente pero no necesario. A los sistemas donde se cumple la ecuacin se les conoce como diagonalmente dominante. Hay algunos casos del sistema AX = C en que la matriz de coeficientes no tiene dominancia diagonal pero ambos mtodos convergen. Puede demostrarse que, si la matriz de coeficientes, A, es simtrica y definida positiva, entonces el mtodo de Gauss Seidel converge desde cualquier vector inicial. Cuando ambos mtodos convergen, el mtodo de Gauss Seidel

Pg. 19 de 20

Facultad de Ingeniera UNJu APUNTES Ao 2008 CALCULO NUMERICO- PROGRAMACIN APLICADA

converge ms rpido. BIBLIOGRAFA Chapra Steven C., Canale Raymond P.; MTODOS NUMRICOS PARA

INGENIEROS. Con aplicaciones en computadoras personales, 1996, McGraw Hill/Interamericana de Mxico. Burden Richard L., Faires J.Douglas; ANLISIS NUMRICO, 1996, Grupo Editorial Iberoamrica. Gerald Wheatley; ANLISIS NUMRICO CON APLICACIONES, 2000. Nakamura Shoichiro, MTODOS NUMRICOS CON SOFTWARE, 1992, Pearson Educacin.

Pg. 20 de 20