Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algebra Lineal
Algebra Lineal
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
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
[ ]
correspondientes de A y B :
] [ ]
La diferencia de dos matrices del mismo tamao se obtiene al restar elementos correspondientes
] [ ]
N
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
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.
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
[ ]
[ ]
AA 1 = A 1 A = I
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 ]
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
nxn
de coeficientes, C es
a11 a A = 21 M a n1
x1 x x = 2 y M xn c1 c2 M cn
c1 c C = 2 M c n
a11 a [A, C] = 21 M a n1
Pg. 3 de 20
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:
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
a11 :
x1 +
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
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
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
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
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
2 1 3
1 3 1
3 1 2 12 3 0
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
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
1 0 0
0 1 0
2214 3014 23 1 7 7 22 44 14 14
1 0 0
Los trminos con
0 1 0
2214 3014 23 1 7 7 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
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
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
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
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
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
a11 a 21 a31
a12 a 22 a32
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
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
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 )
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
l j1 =
ai1
u11
i = 2 hasta N
u 2 j = a 2 j l 21u1 j
j = 2 hasta N
li 2 =
(ai 2 li1u12 )
u 22
i = 3 hasta N
u nj = a nj l nk u kj
k =1
n 1
j = n hasta N
u nn
i = n + 1 hasta N
(LU ) X = L ( UX ) = C
resolviendo sucesivamente los dos sistemas lineales triangulares
LY = C UX = Y
Pg. 14 de 20
Ejemplo 4: resolver
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
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
7/2
= 1 / 7
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
a det(A) = det 11 a 21
Para una matriz de 3x3, el determinante es
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
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
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 =
(a)
(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
x1 = x2 =
x1 = x2 =
x3 =
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 =
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
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