DEFINICIONES DE ERROR

Los errores numricos se generan con el uso de

aproximaciones para representar las operaciones y
cantidades matemticas
Estos incluyen:
Errores de redondeo: se producen cuando los nmeros tienen
un limite de cifras significativas que se usan para representar
nmeros exactos
Errores de truncamiento: que resultan de representar
aproximadamente un procedimiento matemtico exacto

DEFINICIONES DE ERROR

Error verdadero

Et = valor verdadero - aproximacin

Un defecto de esta definicin es que no toma en cuenta el orden de magnitud

del valor que se esta probando

Error relativo porcentual

Error aproximado
Error aproximado
a =
100%
valor aproximado

Et
t =
100%
valor verdadero

a =

Aproximacin actual - Aproximacin anterior

100%
Aproximacin actual

Los signos de las ecuaciones pueden ser positivos o negativos

No importa el signo, sino que su valor absoluto sea menor que una tolerancia
prefijada s

a < s

DEFINICIONES DE ERROR
Estos errores pueden ser relacionados con el nmero de
cifras significativas en la aproximacin
Puede tenerse la seguridad de que el resultado es
correcto en al menos n cifras significativas, si

s = (0.5 10 2 n )%
De esta forma se debe especificar el valor del error
esperado

ECUACIONES NO LINEALES
Objetivo: estudiar algunos mtodos numricos para
hallar races reales de una ecuacin no-lineal en una
variable.
Considerando, inicialmente, el problema de encontrar
una raz de una funcin no-lineal con dominio y valores
reales, es decir, resolveremos la ecuacin:
(3.1)
g(x) = 0
con g:[a,b]R
Suponiendo que g es continua, con una sola raz
[a,b], y que sta es simple (f cambia de signo en ese
lugar).

Carlos A. lvarez H. I.C. M.Sc.

SOLUCIN DE
LINEALES

ECUACIONES

NO

Un sistema de ecuaciones lineales tiene solucin nica

si la matriz de coeficientes es no singular.
La existencia y unicidad de soluciones de ecuaciones
no-lineales es mucho ms complicado, difcil de
determinar y con una mayor variedad de
comportamientos.
Para un sistema de ecuaciones lineales existen tres
posibilidades: nica, infinitas o ninguna solucin.
Una ecuacin no-lineal puede tener cualquier nmero
de posibles soluciones.

Carlos A. lvarez H. I.C. M.Sc.

SOLUCIN DE
LINEALES

ECUACIONES

NO

Una ecuacin no-lineal puede tener mltiples races, donde

tanto la funcin como su derivada son iguales a cero.
(3.2)
g(x) = 0
g(x) = 0
En 1D, esta propiedad significa que la curva tiene una
tangente horizontal en el eje x.
Si g(x) = 0 y g(x) 0 , entonces se dice que se tiene una raz
simple.
El mismo concepto de condicionamiento visto en el captulo
anterior puede aplicarse.
5

Carlos A. lvarez H. I.C. M.Sc.

Tazas de convergencia y mtodos iterativos

Muchas ecuaciones no-lineales no pueden resolverse an con
un nmero muy grande de iteraciones.
El costo total de resolver un problema no-lineal depende del
costo por iteracin y del nmero de iteraciones requeridas
para la convergencia.
Para comparar la efectividad de los mtodos iterativos se
necesita caracterizar su taza de convergencia.
error en la iteracin k:
(3.3)
ek = xk x*
xk: es la solucin aproximada en la iteracin k y x* es la
solucin verdadera.

Tazas de convergencia y mtodos iterativos

Un mtodo se dice que converge con taza de
convergencia r si:
lim

ek +1
ek

=C

(3.4)

Para alguna constante C 0

Si r = 1 y C < 1, la taza de convergencia es lineal.
Si r > 1, la taza de convergencia es sper lineal.
Si r = 2, la taza de convergencia es cuadrtica.

Mtodo de Biseccin
Sea g una funcin continua en un intervalo [a,b], y g(a) x
g(b) < 0. Por teorema del valor intermedio para funciones
continuas, existe al menos un (a,b), tal que g() = 0.
Este mtodo consiste en dividir sucesivamente el intervalo
[a,b], por la mitad, hasta que la longitud del subintervalo que
contiene a la raz sea menor que alguna tolerancia
especificada .

Mtodo de Biseccin

Mtodo de Biseccin
Ventajas:
Siempre converge.
til como aproximacin inicial de otros mtodos.
Desventajas:
No tiene en cuenta la magnitud de los valores de la funcin
en las aproximaciones calculadas xn, solo tiene en cuenta
el signo de g(x), lo que hace que una aproximacin
intermedia, mejor que la respuesta final, pase
desapercibida.
Convergencia lenta.
Mtodo linealmente convergente, r = 1, C = 0.5

10

Mtodo de Biseccin
Criterios de paro y estimacin del error:
Repetir el mtodo para obtener una aproximacin ms
exacta de la raz.
Finalizar el clculo cuando el error se encuentre por
debajo de algn nivel prefijado:
xri xri 1
a =
100 % Tol
i
xr

(3.5)

i : iteracin actual, i 1, iteracin anterior.

Cada vez que se encuentra una aproximacin a la raz
cuando se usan bisecciones como:
(x xu )
(3.6)
xr = l
2
11

Mtodo de Biseccin
La raz verdadera se halla en algn lugar dentro del
intervalo

(xu xl ) = x
2

(3.7)

La raz debe situarse en x/2

Debido a que:

x
xri xri 1
=
2
2

(3.8)

La ecuacin (3.5) proporciona un lmite superior exacto

sobre el error real.
Aunque este mtodo es el ms lento, la claridad en el
anlisis del error lo hace muy atractivo para aplicaciones en
ingeniera.
12

Mtodo de Biseccin
Otro beneficio del mtodo es que el nmero de iteraciones
requerido para obtener un cierto error absoluto se puede
calcular a priori, es decir, antes de empezar las
iteraciones.
Antes de empezar las iteraciones, el error absoluto es:

Ea0 = xu0 xl0 = x 0

(3.9)

Despus de la primera iteracin, el error es:

Ea1 = x 0 2

(3.10)

El error absoluto deseado, correspondiente a la ltima

iteracin es,

E = x 2
n
ad

(3.11)
13

Mtodo de Biseccin
Resolviendo para n (nmero de iteraciones)

x 0
log x 0 / Ead

n=
= log 2
log(2)
Ead

(3.12)

14

Regula falsi (falsa posicin)

Consideremos una funcin g continua en un intervalo
[a,b], y tal que g(a) x g(b) < 0.
Este mtodo es similar al mtodo de Biseccin en el
sentido de que se generan subintervalos [an, bn], que
encierran a la raz , pero esta vez xn no es el punto
medio de [an, bn], sino el punto de interseccin de la
recta que pasa por los puntos (an,g(an)), (bn,g(bn)), con el
eje x.

15

Regula falsi (falsa posicin)

xn xn 1
xn +1 = xn g ( xn )
g ( xn ) g ( xn 1 )

(3.13)

16

Punto Fijo
Dada una ecuacin g(x)=0, se puede transformar, en otra
equivalente del tipo x=g(x) para alguna funcin g. En este caso
se tiene que: es raz de g(x)=0 g()=0 =h() es
raz de x=h(x).
Definicin: Un nmero tal que = h() se dice un punto
fijo de la funcin h.
Teorema de punto fijo: Si h es una funcin continua en [a,b],
y h(x)[a,b] x[a,b], entonces h tiene por lo menos un punto
fijo en [a,b]. Si adems, h(x) existe x(a,b), y |h(x)|K<1
x(a,b), K constante, entonces h tiene un nico punto fijo
x[a,b], y la sucesin {xn}n definida mediante la frmula de
iteracin:
xn = h(xn-1), n = 1, 2, 3, . . .
(3.14)
17

Punto Fijo
1

h1(x) = x

0.8

0.6

0.4

h2(x) = e-x
0.2

0
0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

-0.2

-0.4

-0.6

g(x) = e-x-x

-0.8

18

Punto Fijo
El comportamiento de los esquemas de punto fijo puede
variar ampliamente desde la divergencia, lenta
convergencia, a la rpida convergencia.
La va ms simple (aunque no ms general) de
caracterizar el comportamiento de la iteracin de punto
fijo es considerar la derivada de g en la solucin x*.
Si x*=h(x*) y |h(x*)|<1, entonces el esquema es
localmente convergente. Es decir, existe un intervalo
conteniendo x* tal que el correspondiente esquema
iterativo es convergente si comienza dentro del intervalo.

19

Newton - Raphson
De la serie truncada de Taylor
(3.15)
g(x+h) g(x) + g(x)h
Reemplazando la funcin no-lineal f con esta funcin lineal,
cuyo cero es fcilmente determinada para ser h= g(x)/g(x),
asumiendo que g(x)0.
Los de las dos funciones no son idnticos en general,
entonces se repite el proceso. Esto motiva al siguiente
esquema iterativo:
xk +1 = xk

g ( xk )

g ' ( xk )

(3.16)

El mtodo de NR puede interpretarse como la aproximacin

de la funcin cerca de xk por la recta tangente g(xk)
20

Newton - Raphson
8

0
0,4

0,6

0,8

xi+1

xi

1,2

x0= 1,4

1,6

-1

-2

21

Desventajas del mtodo de NR

Lenta convergencia debida a la naturaleza de una
funcin en particular.
Cuando un punto de inflexin, g(x)=0, ocurre en la
vecindad de una raz.
No existe un criterio general de convergencia.
Tener un valor suficientemente cercano a la raz.
Apoyarse de herramientas grficas.
Conocimiento del problema fsico.
Evaluacin de la derivada
22

Mtodo de la Secante
Un problema potencial en el mtodo NR es la evaluacin de
la derivada.
Aproximar la evaluacin de la derivada mediante una
diferencia dividida finita regresiva.
xi +1 = xi g ( xi )

( xi 1 xi )
g ( xi 1 ) g ( xi )

(3.17)

Requiere de dos puntos iniciales de x.

Matemticamente idntico al mtodo de la Regula Falsi, pero
conceptualmente diferente.
No se requiere que g(x) cambie de signo.
La diferencia est en la forma en que uno de los valores
iniciales es reemplazado por la nueva aproximacin.
23

Mtodo de la Secante
8

0
0,4

0,6

0,8

xi+1

xi

1,2

x1= 1.3

x0= 1,4

1,6

-1

-2

24

Mtodo de la Secante
En el mtodo de la Regula Falsi, la ltima aproximacin de
la raz reemplaza cualquiera de los valores dando una
funcin con el mismo signo. Las dos aproximaciones
siempre encierran la raz.
El mtodo Regula Falsi siempre converge, ya que la raz
se encuentra dentro del intervalo.
El mtodo de la Secante reemplaza los valores en una
secuencia estricta.
El nuevo valor xi+1 reemplaza xi.
xi reemplaza al valor xi-1.
Los dos valores pueden caer en un mismo lado de la raz,
ocasionando divergencia.
25

Mtodos numricos
para la resolucin de
Sistemas de
Ecuaciones no
Lineales

Ejemplo
Sistema no lineal

3x1 cos(x2 x3 ) 12 = 0

2
2
x1 81(x2 + 0.1) + sen(x3 ) +1.06 = 0

x1x2
e + 20x3 + (10 / 3) 1 = 0
Newton Raphson multivariado

Notacin
Escalar
g1(x1, x2 ,...,xn ) = 0
g2 (x1, x2 ,...,xn ) = 0
gi : IRnIR

M
(x1,...,xn ) gi (x1,...,xn )
gn (x1, x2 ,...,xn ) = 0

Vectorial

G: IRn IRn
G(x) = 0
x = (x1,...,xn ) (g1(x),...gn (x))

Resolucin iterativa
x(0) estimacin inicial de la solucin
Iteraciones: x(1), x(2), , x(k)
Criterio de convergencia
| x(k+1) x(k) | < tol

Criterio de parada
k > maxiter

Mtodo de Newton
Sistema de ecuaciones

G: IRn IRn
G( x) = 0
x = ( x1,..., xn ) ( g1 ( x),...gn ( x))

Aproximacin por el plano tangente

G( x) G( x(0) ) + DG( x(0) ) ( x x(0) )

Paso de Newton
x (1 ) = x ( 0 ) DG ( x ( 0 ) ) 1 G ( x ( 0 ) )

Mtodo de Newton

x1
x =

x
2

g (x ) = 0

g 1 ( x ) = 2 x 12 + x 22 8 = 0
g

( x ) = x 12 x 22 + x 1 x 2 4 = 0

J a c o b ia n o

J (x )

J (x )

g1 ( x)
x
1

=
g2 (x)
x 1
4 x1

2 x + x
x1

1
2

g1
( x )
x2

g 2
(x)

x2
2 x2

2 x 2

Mtodo de Newton. Ejemplo 2

Sistema
x2 + y2 1 = 0

2
2
1
x y + 2 = 0

Estimacin inicial
Primera
iteracin

(Sol: x =

, y=

x 0 = 1,

y0 = 3

2
2
x1 x0 2x 2y 1 x0 + y0 1

0
0

= 2x0 2y0
2
2
1
y1 y0
x 0 y 0 + 2

Resultados Newton Ejemplo 2

k
0 1

y
3

1 0.62500000000000 1.62500000000000
2 0.51250000000000 1.04326923076923
3 0.50015243902439 0.88108161999291
4 0.50000002323057 0.86615404660332
5 0.50000000000000 0.86602541333757
6 0.50000000000000 0.86602540378444

Mtodo de Newton. Ejemplo 3

Sistema no lineal
3x 1 cos( x 2 x 3 ) 1 2 = 0

2
2
x 1 81( x 2 + 01
. ) + sen( x 3 + 106
. = 0

x1x 2
e
+ 20x 3 + 10 / 3 1 = 0

Jacobiana

DG( x) = 2 x1
x e x1x2
2

x3 sen( x2 x3 )
x2 sen( x2 x3 )

162( x2 + 0.1)
cos(x3 )
x1 x2

x1e
20

Resultados Newton. Ejemplo 3

k
0
1
2
3
4
5
6

x1
0.10000000
0.49986967
0.50001423
0.50000012
0.50000000
0.50000000
0.50000000

x2
0.10000000
0.01946685
0.00160764
1.48294E5
2.08910E8
2.792E11
4.E14

x3
0.10000000
0.52152047
0.52313166
0.52355872
0.52359840
0.52359878
0.52359878

Variantes de Newton
(Ejercicio...)
Actualizacin peridica del
Jacobiano
Aproximacin del Jacobiano por
diferencias divididas
Newton con desplazamiento
unidimensional

Mtodos casi-Newton
Idea de la secante
No usa las
derivadas
parciales
Convergencia
superlineal

Formulacin
matricial

g ( x1 ) g ( x0 )
g '( x1 ) a1 =
x1 x0
x (2)

(1)
g
(
x
)
(1)
=x
a1

DF ( x (1) ) A1
x (2) = x (1) + A11 G ( x (1) )

SOLUCIN DE SISTEMAS DE ECUACIONES

LINEALES

Solucin de sistemas pequeos

La solucin de un sistema lineal de 2 ecuaciones puede obtenerse
fcilmente de forma grfica
a
b
x2 = 11 x1 + 1
a12
a12

a11x1 + a12x2 = b1
a21x1 + a22x2 = b2
Despejando x2 y graficando

a11
b1
x1 +
x2 =
a12
a12
a21
b2
x1 +
x2 =
a22
a22

soluci
n

a
b
x2 = 21 x1 + 2
a22
a22

Tipos de soluciones
No hay solucin

Ejemplo

Infinidad de soluciones

Ejemplo

Sistema mal condicionado

Ejemplo

x1 + x2 = 1

x1 + x2 = 1

x1 + x2 = 1

x1 + x2 =

x1 + 2x2 = 1

0.501x1 + x2=0.9

Definicin
Un sistema lineal es un sistema de la forma:

E1: a11x1 + a12x2 + a13x3 +...+ a1nxn = b1

E2: a21x1 + a22x2 + a23x3 +...+ a2nxn = b2
.
En: an1x1 + an2x2 + an3x3 +...+ annxn = bn
Donde x1, x2, x3.., xn son las incgnitas.

Introduccin
En notacin matriz vector, un sistema de ecuaciones algebraicas
lineal tiene la forma:
Ax = b
A: Matriz [m x n]
b: Vector [m]
x : Es el vector de incgnitas a ser determinado [n]
Lo siguiente conduce a la pregunta Puede el vector b ser
expresado como una combinacin lineal de las columnas de la
matriz A?
Los coeficientes de esta combinacin lineal estn dados por las
componentes del vector solucin x.
Puede o no tener solucin.
Puede no ser nica.
2

Tipos especiales de matrices cuadradas

Nos centraremos en sistemas cuadrados, es decir A[m,n] donde m=n,
entonces, A[m,m] = A[n,n].

1
0

0
[A]I =
0
M

a11
L 0
a

1 0 0 L 0
12
0 1 0 L 0 [A ]sym = a13

a14

0 0 O 0 0
M

M M 0 1 M
a1n

0 0 L 0 1

0 0

Matriz identidad, aij = 1, i = j

a12

a13

a14

a22

a23

a24

a23
a24

a33
a34

a34
a44

a2 n

a3n

a4 n

L a1n
L a2 n
L a3n

L a4 n
O M

L amn

Matriz simtrica, aij = aji

3

Tipos especiales de matrices cuadradas

[A]diag

a11
0

0
=
0
M

a22

a33

a11
0
a
0 L 0
21
0
0 L 0
[A ]band =
a44 0
M
0
0
0 O 0

L 0 amn
0
0

Matriz diagonal, aij 0, i = j

a12

a22
a32
0

a23
a33
a43

0
a34
O

L
L
L

0
0

0
0

M
0

O
am ,n 1

0
0
0

M
am 1,n

amn

Matriz bandeada

Tipos especiales de matrices cuadradas

[A]U

a11
0

0
=
0
M

a12
a22
0

a13
a23
a33

0
M

0
M

a14 L a1n
a24 L a2 n
a34 L a3n

a44 L a4 n
M O M

0 L amn

Matriz triangular superior

a11
a
21
a31
[A]L =
a41
M

am1

a22
a32
a42
M
am 2

0
a33
a43
M
am 3

0
0
a44
M
am 4

L
L
L
O
L

0
0
0

0
M

amn

Matriz triangular inferior

Singularidad y No Singularidad
Una matriz A[n,n] se dice que es singular si presenta una de las
siguientes propiedades:
A No tiene inversa: No existe una matriz M tal que AM = MA = I.
det(A) = 0
Rango(A) < n: El rango de una matriz es el mximo nmero de
filas o columnas linealmente independientes.
Az = 0, para cualquier vector z 0.
La solubilidad de un sistema de ecuaciones lineales est determinado
si la matriz A es o no singular.
No singular
Una solucin.
No tiene solucin
Singular
Tiene infinitas soluciones
6

Anlisis de Error y Condicin del Sistema

El concepto escalar de magnitud, mdulo o valor absoluto, puede
generalizarse al concepto de norma vectorial o matricial.
Norma: Funcin de valor real que proporciona una medida del
tamao o longitud de las entidades matemticas multicomponentes
tales como vectores y matrices.
Tipos de Normas ms utilizadas:
Euclidiana
Norma-1
Norma infinita

17

Tipos de Normas ms utilizadas

Euclidiana

xe= x2=

x
i =1

2
i

Ae=

a
i =1 j =1

2
i, j

Norma-1

x 1 = xi
i =1

Norma infinita

= max xi
1i n

= max ai , j
i j n

i =1

Norma-2 para una matriz?

La eleccin de cul norma utilizar depende de consideraciones

prcticas como, por ejemplo, de implementacin en un programa.
18

Nmero de condicin de una matriz

Cond (A ) = A A 1
Se puede demostrar que

x
x

Cond ( A )

A
A

El error relativo en la norma de la solucin calculada puede ser tan

grande como el error relativo de la norma de los coeficientes de A
multiplicada por el nmero de condicin.
Ej: Si los coeficientes de A son conocidos con t dgitos de precisin
(errores de redondeo son del orden de 10-t) y Cond(A) = 10c, la solucin x
puede ser vlida slo para tc dgitos (errores de redondeo ~ 10c-t)
19

5
6 4
37

A= 4
8 3 b = 25
34
5 3 9

Nmero de condicin de una matriz

cond [A] = A A1

Este nmero mide la sensibilidad de la solucin de un sistema de

ecuaciones lineales a errores en los datos

Valores cercanos a 1 indican que el sistema est bien condicionado

Valores grandes indican que la matriz es casi singular

Sistemas diagonal dominantes

El elemento diagonal debe ser mayor que el elemento fuera de la

diagonal para cada fila Generalizando para n ecuaciones

aii > aij

j =1
j i

Eliminacin Gaussiana
Eliminacin hacia atrs(back-substitution): Reducir el sistema de
ecuaciones a un sistema triangular superior.

xn = bn / ann
n

bi aij x j

j =i +1

, i = n 1, L ,1
xi =
aii

Operacin de conteo
El tiempo de ejecucin depende de la cantidad de operaciones de
punto flotante (flop) involucradas en el algoritmo.
El tiempo consumido para ejecutar multiplicaciones y divisiones es
casi el mismo y es mayor en sumas y restas.

Desventajas de los mtodos de eliminacin

Divisin entre cero.

Error de redondeo.
Sistemas singulares.
Sistemas mal condicionados.

a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2

a11 a21

a12 a22

a11a22 a12 a21

x2 =

a11
b
x1 + 1
a12
a12

x2 =

a21
b
x1 + 2
a22
a22

a11a22 a12 a21 0

Desventajas del mtodo de eliminacin

de Gauss
4. Sistemas singulares
Son aquellos donde dos o ms ecuaciones son iguales
En el caso donde dos ecuaciones son iguales se pierde un grado de
libertad siendo imposible resolver el problema de n-1 ecuaciones con n
incgnitas
Tales casos podran no ser obvios cuando se trabaja con grandes
conjuntos de ecuaciones
Se hace necesario tener una forma que de manera automtica detecte
la singularidad del sistema
Esto se logra debido al hecho de que el determinante de un sistema
singular es cero
Durante el proceso de eliminacin se chequea si un elemento de la
diagonal es cero, al descubrir uno se puede terminar inmediatamente y
generar una excepcin o mensaje de error

Tcnicas para mejorar las soluciones del

mtodo de eliminacin de Gauss
1. Uso de ms cifras significativas
La solucin ms simple para el mal condicionamiento es usar ms
cifras significativas en los clculos
El uso de la precisin expandida tiene un precio que se eleva en
forma de tiempo de clculo y cantidad de memoria

2. Pivoteo
Ocurren problemas de divisin por cero cuando el coeficiente pivote
es cero
Cuando el coeficiente pivote es cercano a cero se pueden introducir
errores de redondeo, porque su magnitud puede ser muy pequea al
compararla con la de los dems coeficientes
Para evitar esto se utiliza el pivoteo parcial

Tcnicas para mejorar las soluciones del

mtodo de eliminacin de Gauss
Pivoteo parcial

Antes de normalizar cada fila, se determina el mayor coeficiente

pivote disponible en la columna que est por debajo del elemento
pivote

Las filas se intercambian de manera tal que el coeficiente ms

grande sea el pivote

Ventajas del pivoteo parcial

Evita la divisin entre cero

Minimiza el error de redondeo

Tcnicas para mejorar las soluciones del

mtodo de eliminacin de Gauss
Pivoteo parcial

Ejemplo
Problema original

Con pivoteo

0.0003x1 + 3.0000 x2 = 2.0001

1.0000 x1 + 1.0000 x2 = 1.0000

1.0000 x1 + 1.0000 x2 = 1.0000

0.0003x1 + 3.0000 x2 = 2.0001

a11 es cercano a cero

1
(0.0003x1 + 3.0000 x2 ) = 2.0001
0.0003
x1 + 10.0000 x2 = 6667

Restando a la 2da ecuacin

9999 x2 = 6666

Se restan dos
nmeros casi iguales

2
2.0001 3
2
3 = 0.3333886
x2 = ; x1 =
3
0.0003

0.0003
(x1 + x2 ) = 1
1
0.0003x1 + 0.0003x2 = 0.0003

Restando a la 2da ecuacin

2.9997 x2 = 1.9998
2
1
2
3
x2 = ; x1 = = 0.3333334
3
1

Tcnicas para mejorar la solucin

Ms cifras significativas: Precisin doble o extendida.
Pivoteo: Determinar el coeficiente ms grande disponible en la
columna que est por debajo del elemento pivote. Intercambiar
renglones de manera tal que el elemento ms grande sea el pivote.
Evita divisin entre cero.
Minimiza error de redondeo.
Escalamiento:
Minimiza errores de redondeo.
Estandarizacin del valor determinante.
10

Descomposicin LU
El paso de la eliminacin que consume tiempo se puede reformular
de tal manera que involucre slo operaciones sobre los coeficientes
de [A].
Conveniente para situaciones donde se tienen que evaluar varias
veces el vector [b], para un mismo valor de [A].
El mtodo de eliminacin de Gauss se puede implementar como
una descomposicin LU.
LU proporciona un medio eficiente para calcular la matriz inversa.

11

Revisin de descomposicin LU

Ax = b Ax b = 0
u11 u12
0 u
22

0
0

u13 x1 d1

u23 x2 = d 2
u33 x3 d 3

1 0

L = l21 1
l31 l 32

0
1

Ux d = 0

L(Ux d ) = Ax b
LU = A
Ld = b
12

Revisin de descomposicin LU
La anterior es una estrategia de dos pasos:
Descomposicin LU: A se factoriza o descompone en matrices
triangulares inferior, L, y superior, U.
Sustitucin: L y U se usan para determinar una solucin x para un
lado derecho b. Este a su vez se divide en dos.
Ld = b, se usa para generar un vector intermedio d por
sustitucin hacia delante
El resultado es sustituido en Ux d = 0, que se resuelve por
sustitucin hacia atrs para x.

13

Revisin de descomposicin LU

Ax=b
Descomposici
n

U L
Ld=b

Hacia
adelante

d
Ux=d
x

Sustitucin
Hacia
atrs
14

Algoritmo de descomposicin LU
Factores generados durante la fase de eliminacin se guardan en la
parte inferior de la matriz.
El algoritmo mantiene el pivoteo al usar un vector de orden cero (0).
Las ecuaciones no estn escaladas.
La diagonal se monitorea durante la fase de pivoteo para detectar
ocurrencias cercanas a cero (0) con el fin de advertir sistemas
singulares.

15

Complejidad de resolver sistemas lineales

La eliminacin gaussiana para realizar la descomposicin LU
presenta un costo computacional del orden de n3/3 flop.
Se puede resolver un sistema lineal explcitamente invirtiendo la
matriz, entonces la solucin es dada por: x = A-1b.
Calcular A-1 es tan costoso como resolver el sistema mismo.
La inversin explcita es 3 veces ms costosa como la
descomposicin LU.
Produce prdida de precisin en la respuesta.

16

Matrices Especiales
Matriz Banda: Matriz cuadrada en la que todos sus elementos son
cero, con excepcin de una banda centrada sobre la diagonal
principal.
Estos sistemas ocurren tpicamente en la solucin de sistemas de
ecuaciones diferenciales.
Dimensiones de un sistema de banda: ancho de banda (BW, Band
Width) y el ancho de banda media (HBW, Half Band Width).
BW = 2 x HBW + 1
Por lo general, un sistema banda es aquel para el cual:
aij = 0 , si |i-j| > HBW

20

Sistemas Tridiagonales
f1
e
2

g1
f2
e3

g2
f3
e4

g3
O O
O O
O

O
O
en 1

g n2
f n 1
en

x1 r1
x r
2 2
x3 r3

M = M
M M

M M

g n 1 xn 1 rn 1

f n xn rn

Evita guardar grandes nmeros de ceros que no se utilizan en la

matriz cuadrada de A. Requiere menos memoria de cmputo.
21

Descomposicin LU e Inversin de
matrices
Descomposicin LU
El principal atractivo de este mtodo es que el paso de eliminacin,
que consume tiempo, se puede reformular de tal manera que
involucre slo operaciones sobre los elementos de la matriz de
coeficientes, A
De esta forma, es muy adecuado para aquellas situaciones donde
se debe evaluar muchos vectores {B}
El mtodo de eliminacin de Gauss puede implementarse como una
descomposicin LU
La descomposicin LU proporciona un medio eficaz para calcular la
matriz inversa, la cual a su vez permite evaluar la condicin de un
sistema

Descomposicin LU

Partiendo de un sistema de
ecuaciones lineales de la forma,

[A]{X } = {B}
Este se puede ordenar como,

[A]{X } {B} = 0
El primer paso de la eliminacin de
Gauss resulta en un sistema con una
matriz tringular superior

u11 u12
0 u
22

0
0

u13 x1 d1

u23 x2 = d 2
u33 x3 d 3

Que puede ser expresada como,

[U ]{X } = {D}

[U ]{X } {D} = 0

Ahora, suponga que existe una matriz

triangular inferior con nmeros 1 sobre
la diagonal

1 0
[L] = l21 1
l31 l32

0
0
1

que tiene la siguiente propiedad

[L]([U ]{X } {D}) = [A]{X } {B}

si esta propiedad se cumple, de las
reglas de multiplicacin de matrices se
obtiene,

[L][U ] = [A]
[L]{D} = {B}

Descomposicin LU
Estrategia para resolver el sistema
1. Paso de descomposicin LU: la matriz [A], se factoriza o
descompone en matrices triangulares inferior [L] y superior [U]
2. Paso de sustitucin: [L] y [U] se usan par determinar una solucin
{X} para un vector {B}. Este paso consta de dos subpasos:
Se determina el vector intermedio {D} resolviendo [L]{D}={B} por
sustitucin hacia delante, debido a que [L] es una matriz triangular
inferior
Se determina {X} resolviendo [U]{X}={D} por sustitucin hacia atrs

Descomposicin LU
Descomposicin LU con base en la eliminacin de Gauss

Partiendo de una matriz de coeficientes, se llega a una matriz triangular

superior
a11
a
21
a31

a12
a22
a32

a13
a23
a33

a11
[U ] = 0
0

a12
a22 '
0

a13
a23 '
a33 ' '

Para llegar a esta matriz [U]

se multiplic la fila 1 por el factor f21 = a21/a11 y

restando el resultado a la fila 2 se elimin a21
se multiplic la fila 1 por el factor f31 = a31/a11 y
restando el resultado a la fila 3 se elimin a31
se multiplic la fila 2 por el factor f32 = a32/a22 y
restando el resultado a la fila 3 se elimin a32

La matriz triangular
inferior que tiene la
propiedad requerida
para la descomposicin
LU es
1
[L] = f 21
f 31

0
1
f 32

0
0
1

Sea el sistema:
-6x1 + x2
4x1 + 3x2
5x1 - 3x2

Ejemplo
+ x3 = -37
+ x3 = -25
+ x3 = -34

La descomposicin LU nos da

6 1 1
A = 4
3 1
5 3 1

0
0
1
L = .6667
1
0
.8333 .5909 1
0
0 z1 37
1
Ly = .6667
1
0 z 2 = 25
.8333 .5909 1 z3 34

37
b = 25
34

1
1
6
U = 0 3.6667 1.6667
0
0
2.8182
z1 = -37
-.6667z1 + z2 = -25
-.8333z1 - .5909z2 + z3 = -34

1
1 x1 37 2.8182x3 = -94.180
6
Ux = 0 3.6667 1.6667 x2 = 49.667 3.6667x1 + 1.6667x2 = -49.667
0
0
2.8182 x3 94.180 -6x1 + x2 + x3 = -37
X1 = 0.87097
X2 = 1.64516
X3 = -33.41935

Matrices
Es un arreglo rectangular de nmeros donde no slo de
valor de ste es importante, sino que tambin su
posicin
El tamao de una matriz se describe por la cantidad de
filas y columnas (n x m)

a11 a12
A = a21 a22
a
31 a32

a13
a23
a33

Cada fila o columna representa a un vector

Propiedades
Dos matrices del mismo tamao pueden
sumarse o restarse
A = aij y B = bij
C = A + B = aij + bij = cij

La multiplicacin se define como sigue, cuando

A es n x m, y B es m x r. ABBA
aij bij = cij
m

cij = aik bkj

k =1

i = 1, 2,....n, j = 1, 2,....r

Ejercicio
5 1 1 2 6 3
3 2 + 3 3 = 0 1

2 3
2 1 2 1 0
1 1 1 * 0 1 = 1 0

5 3
5 0 3 0 1

 Si una matriz se multiplica por un escalar el resultado es

una nueva matriz con cada elemento multiplicado por
ste
Una matriz con una sola columna se le denomina vector
columna (n x 1), si es una fila se habla de vector regln
(m x 1)
Al multiplicar una vector regln con un vector columna
se obtiene el producto interior
Al multiplicar una vector columna con un vector regln
se obtiene el producto exterior
La divisin para matrices no est definida, an cuando
analizaremos la inversa de una matriz

 Ciertas matrices cuadradas tiene propiedades especiales, como

por ejemplo:
Matriz diagonal: si todos los elementos sobre la diagonal
son distintos de 0
Matriz identidad (I), caso especial en donde la diagonal est
compuesta por unos y l resto por 0. AI = IA
Matriz de transposicin (P), formada al intercambiar 2
reglones o columnas de la matriz identidad. El producto de
varias matrice de trasposicin es una matriz de permutacin
Matriz transpuesta (AT), es la matriz que se obtiene al
intercambiar los reglones por columnas o viceversa
Cuando es matriz es cuadrada se define un cantidad
denominada Traza. Que es la suma de los elementos de la
diagonal. tr (A)= tr (AT)

 Matriz triangular inferior, los elementos sobre la

diagonal son 0, de manera complementaria se
define la matriz triangular superior
Matriz tridiagonal, son aquellas con elementos
distintos de 0 en la diagonal y en las posiciones
adyacentes (importantes en ecuaciones
diferenciales). Esta matriz puede comprimirse a
una matriz de 3 columnas y n reglones

Determinante
El determinante de una matriz es un nmero
Para una matriz 2x2 se calcula restando el producto de los
elementos en la diagonal menor a la superior
a11 a12
A=
det(A)=a11a22 a12 a21
a
a
21 22

Para una matriz mayor se aplica la regla de desarrollar en

trminos de los menores respecto a algn regln o columna. El
menor de cada trmino es la matriz de menor orden formada al
eliminar el regln o columna en cuestin. Se parte con signo
positivo si la suma del regln o columna es par y negativo en
caso contrario, de ah en adelante se alternan los signos
En el caso de una matriz triangular superior o inferior su
determinante es slo el producto de los elementos de la
diagonal

Ejercicio
0 1 2
1 3 2

2 1 3

0 1 4
det( A) = 146
3
4
A=
0

4 0 0
det A = 6 2 0 = 40

1 3 5

 Los determinantes pueden ocuparse

tambin para calcular el polinomio
caracterstico de la matriz, ya que :
p A ( ) = A I = det( A I )

1 3
A=

4
5

3
(1 )
p A ( ) = A I = det
(5 )
4
= (1 )(5 ) 12 = 2 6 7

Mtodo de eliminacin
Este mtodo busca cambiar la matriz de
coeficientes de modo que sea triangular
superior, se puede aumentar con un vector al
lado derecho
Una vez logrado esto se procede a realizar
sustitucin hacia atrs
Este tipo de mtodo emplea n(n+1)2
multiplicaciones /divisiones
Precaucin al encontrar 0 en la diagonal

Ejemplo
4 2 1 x1 15
3 1 4 x 2 = 8

1 1 3 x3 13

4 2 1 15
+ 4 R2
A / b = 3 1 4 8 3R1
1
1 3 13 1R1 + 4 R3

15
4 2 1
0 10 19

77

0 0
72 216

x1 2
x 2 = 2

x3 3

2 R2 10 R3

Mtodo de eliminacin
Gaussiana
Dado que el anterior mtodo puede dar valores
muy grandes para las multiplicaciones a travs
de este nuevo mtodo se hace 1 el coeficiente
principal en la ecuacin que contiene ese
trmino
Se mantiene la precaucin de evitar los 0 en la
diagonal para lo cual se recurre a pivoteo si es
necesario
Se debe tener cuidado con el efecto de
redondeo

Ejemplo
4 2 1 x1 15
3 1 4 x 2 = 8

1 1 3 x3 13

4 2 1 15
A / b = 3 1 4 8
1
1 3 13

3/ 4 R1
1/ 4 R1

(0.5/ 2.5)R2

+
+

R2
R3

+ R3

1
15
4 2
0 2.5 4.75 19.25

0 0.5 2.75 9.25

1
15
4 2
0 2.5 4.75 19.25

0 0
1.80 5.40

Mtodo de Gauss-Jordan
Se busca hacer 0 al mismo tiempo por arriba de
la diagonal y por abajo, creando ceros
Por lo general los elementos de la diagonal se
hacen 1 al mismo tiempo que se ejecuta la
reduccin, as la matriz de coeficientes se
transforma en la matriz de identidad
Una vez logrado lo anterior en la columna del
lado derecho se obtiene el vector solucin
Para preservar exactitud aritmtica se emplea el
pivoteo

1
0

0
1
0

0
1
0

0
1
0

0.16667 1 0.83335

Ejemplo

1
1.6667
5
3.6667
4
3.6667 4
4.3334 11

2
0
1
0
0
1.5
1.2000 1.4000
1 2.9999 2.2000 2.4000
0
15
12.400 19.800

0 5.9998 3.4000 4.8000

0 0.8182 0.6364 0.5
1 1.0909 1.1818 3
0 6.8182 5.6364 9

0 2.1818 3.3636 6
0 0 0 0.49999
1 0 0 1.0001
0 1 0 0.33326

0 0 1 1.9999

0 2 0 1 0
2 2 3 2 2

4 3 0 1 7

6 1 6 5 6

Intercambiar reglones 1 y 4,
dividir por 6 el primer regln y
reducir la primera columna
Intercambiar reglones 2 y 3,
dividir entre 3.6667 el segundo
regln y reducir la segunda
columna
El tercer regln se divide entre
6.8182 y los dems elementos
de la tercera columna se hacen
0
Ahora el cuarto regln se divide
entre 1.5599 y se crean los 0
por arriba de la diagonal en la

Ejercicio
Resuelva por el mtodo de Gauss-Jordan
el siguiente sistema de ecuaciones
2
4

4 1 2 x1 10
7
0 2 1
x
2
=
3 2 0 x3 3

2 0 5 x 4 2

 Escalacin: Con frecuencia es necesario

escalar los reglones de la matriz de
coeficientes antes de realizar un pivoteo,
el efecto que se consigue es ajustar estos
coeficientes en un mismo orden de
magnitud. Disminuyendo el error por
redondeo
Lo normal es dividir cada regln entre la
magnitud del mayor trmino

Patologas en sistemas lineales

Determinar a priori si el sistema de ecuaciones
planteados tendr solucin
Errores por redondeo
Divisin de ceros
No hay solucin nica para el sistema, cantidad de
incgnitas mayor a la cantidad de ecuaciones que las
vinculan
Redundancia de ecuaciones
Si los sistemas n x n no tiene solucin nica entonces su
matriz de coeficientes se denomina singular. En caso
contrario se define una matriz no singular

 Una solucin para determinar si existe redundancia o

hay inconsistencia es determinar el RANGO de la
matriz.
Si el valor es menor al nmero de ecuaciones, no
existe una solucin nica.
Si el valor es n hay una solucin nica
El rango se determina triangularizando por eliminacin
gaussiana y verificando si no aparecen 0 en la diagonal
Verificar dependencia de lineal determinando si existen
una combinacin de coeficientes escalares que al ser
evaluados con los coeficientes den 0

 La matriz es singular
Un sistema de ecuaciones
con estos coeficientes no
tiene una solucin nica
La eliminacin gaussiana
no puede evitar un 0 en la
diagonal
El rango de la matriz es
menor que n
Los reglones o columnas
forman vectores
linealmente dependientes

La matriz no es singular
Un sistema de ecuaciones
con estos coeficientes
tiene una solucin nica
La eliminacin gaussiana
procede sin un 0 en la
diagonal
El rango de la matriz es
igual a n
Los reglones o columnas
forman vectores
linealmente dependientes

Inversin de matrices
La divisin de matrices no est definida, la
inversa proporciona un resultado equivalente
Si el producto entre 2 matrices cuadradas es la
matriz identidad se dice que las matrices son
inversas entre s. AB=I, si B=A-1
No todas las matrices cuadradas tienen inversa
El mtodo de eliminacin gaussiana se prefiere
por ejemplo al de Gauss-Jordan