Documentos de Académico
Documentos de Profesional
Documentos de Cultura
METODOS
NUMERICOS
1
1. DEFINICIÓN Y CLASIFICACIÓN DE MATRICES
Las matrices son utilizadas por primera vez hacia el año 1850 por James Joseph
Sylvester. El desarrollo inicial de la teoría matricial se debe al matemático británico
William Rowan Hamilton en 1853. En 1857 el matemático Arthur Cayley introduce
la notación matricial como una forma abreviada de escribir un sistema de m
ecuaciones lineales con n incógnitas.
A = 8 − 5 3 0 9 6
Matriz columna: Es una matriz que solo tiene una columna, es decir, n =1 y por
tanto es de orden m ´1.
a11 −1
a21 4
A = ... A=5
0
am−1,1
am1 8
Matriz cuadrada: Es aquella que tiene el mismo número de filas que de
columnas, es decir m = n. En estos casos se dice que la matriz cuadrada es de
orden n, y no n ´ n.
Los elementos aij con i = j, o sea aii forman la diagonal principal de la matriz
cuadrada.
Matriz transpuesta: La matriz transpuesta de A (A es una matriz cualquiera), se
representa por At. Esta se obtiene cambiando renglones por columnas. El primer
renglón de A es la primera columna de At , el segundo renglón de A es la segunda
columna de At, etc.
De la definición se deduce que si A es de orden m x n, entonces At es de ordenn
´ m.
−1 9
−1 4 6
A2 x3 = A3t x 2 = 4 0
9 0 8 6 8
2 5 − 4 11 2
Matriz simétrica: Una matriz 5 6 − 8 6 12
cuadradaA es simétrica siA =
At, es decir, si aij = aji i, j. A = −4 − 8 0 − 9 10
11
6 − 9 14 19
2 12 10 17 7
1 2 −1 −12
− 2 7 4 −10
Matriz antisimétrica: Una matriz
cuadrada es antisimétrica si A = –At,
A= es decir, si aij = –aji i, j.
1 −4 9 7
12
10 −7 9
Atendiendo a los elementos, se pueden identificar los siguientes tipos de
matrices:
Matriz nula: es aquella que todos sus elementos son 0.
0 0 0
0 0 0
A = 0 A = 0 0 0
A = 0 0 0
0 0 0
Matriz diagonal: Es una matriz cuadrada, en la que todos los elementos no
pertenecientes a la diagonal principal son nulos.
3 0 0
A = 0 − 7 0
0 0 11
Matriz diagonal dominante: Es una matriz cuadrada cuyos elementos en la
diagonal son en valor absoluto mayores a la suma de los valores absolutos de
los demás elementos en su fila, es decir:
n
aii aij
j=1
ji
1 0 0 0
0 1 0 0
Matriz unidad o identidad: Es una matriz escalar
A= con los elementos de la diagonal principal
0 0 1 0 iguales a 1.
0
0 0 1
Matriz triangular: Es una matriz cuadrada cuyos elementos que están a un mismo
lado de la diagonal principal son cero. Pueden ser de dos tipos:
4 0 0 0
Triangular inferior: Si los − 3 − 5 0 0
elementos que están por encima
A=
de la diagonal principal son todos
1 12 −16 0
nulos. Es decir, aij =0 j<i.
−1
5 6 8 9
2. OPERACIONES CON MATRICES.
Trasposición de matrices. Dada una matriz de orden m x n, A= (aij),
se llama matriz traspuesta de A, y se representa por At, a la matriz
que se obtiene cambiando las filas por las columnas (o viceversa)
en la matrizA.
2 9
4 − 5 2 4 7 0
A= A =
t
7 3 9 − 5 3 5
0 5
Propiedades de la trasposición de matrices
1. Dada una matriz A, siempre existe su traspuesta y además es
única.
2. (At)t = A.
Suma y diferencia de matrices. La suma de dos matrices A=(aij),
B=(bij), es otra matriz S=(sij) del mismo orden que los sumandos y
con término genérico sij=aij+bij. Por tanto, para poder sumar dos
matrices estas deben ser del mismo orden o dimensión.
La suma de las matrices A y B se denota porA+B.
3 0 9 4 5 1
A = 6 7 8 B = 0 3 − 3
4 6 7 5 6 −
4
(3 +4) (0+ 5) (9 +1) 7 10
A + B = (6 + 0) (7+ 3)
(8 − 3) = 6 5 5
(4+ 5) (6 + 6) (7 −4) 9 10 3
12
Propiedades de la suma de matrices
1. A+ 0 =A(0 es la matriz nula)
2. Propiedad conmutativa: A+ B = B +A
3. Propiedad asociativa:A+ (B + C) = (A+ B) + C
4. Matriz opuesta: Es la matriz que se obtiene cambiando todos los
signos de la matriz A, se denota con –A. La suma de una matriz
con su opuesta es cero,A+ (-A) = 0.
Si k=5 y B=kA,
3 0 9 (53) (50) (59) 15 0 45
A = 6 7 8 B = (5 6) (5 7) (5 8) = 30 35 40
4 6 7 (5 4) (5 6) (5 20 30 35
7)
El producto de la matriz A por el número real k se designa por k·A. Al número real
k se le llama también escalar, y a este producto, producto de escalares por
matrices.
Propiedades del producto de una matriz por un escalar
1. Propiedad distributiva:
k (A + B) = k A + k B
(k + h)A= kA+ hA (k y h son escalares)
2. Propiedad asociativa mixta: k [h A] = (k h)A
3. Elemento unidad: 1·A=A
Propiedades simplificativas
1. A+ C = B + C A= B.
2. kA= k B A= B si k es diferente de 0.
3. kA= hA h = k siAes diferente de 0.
Producto de matrices. Dadas dos matrices A y B, su producto es otra matriz P
cuyos elementos se obtienen multiplicando las filas de A por las columnas de B
elemento a elemento. Es evidente que el número de columnas de A debe coincidir
con el número de filas de B. Es más, si A tiene dimensión m ´ n y B dimensión n ´
r, la matriz P será de orden m´ r.
n
pij = aik bkj i =1,...m
k =1 j = 1,...r
2 4 0 3
A2 x 3 = =
− B3x1 4
8 6 3
9
3
C2 x1 = A2 x3 B3x1 cij = aik bkj i =1,2
k =1 j =1
3
c11 = a1k bk1 = a11b11 + a12b21 + a13b31 3
k =1 2 4 0 4
8 6 − 3
c11 = (23)+ (44)+ (09)= 22 9
3
c21 = a2 k bk1 = a21b11 + a22b21 +a23b31 3
2 4 0 4
k =1
8 6 − 3
c21 = (8 3 )+ (6 4 ) + (− 3 9 ) =
9
21
22
=
C21
21
Propiedades del producto de matrices
1. A·(B·C) = (A·B)·C
2. El producto de matrices en general no es conmutativo.
3 4 6 − 5 42 17 6 − 5 3 4 18 49
0 − 5 6 8 = − 30 − 40 6 8 0 − 5 = 18 −16
0 5 5 6 0 0
0 0 0 0 = 0 0
3.(A·B) -1=B-1A-1
4.(A-1) -1=A
5.(kA) -1=(1/k·A-1)
6.(At) –1=(A-1) t
Observación. Existen matrices matrices que cumplen A·B = I, pero
que B·A I, en tal caso, se dice que A es la inversa de B “por la
izquierda” o que B es la inversa deA“por la derecha”.
Hay varios métodos para calcular la matriz inversa de una matriz dada:
directamente, usando determinantes o por Gauss-Jordan.
Directamente. Este método utiliza la propiedad A·A-1 = I, es decir, si tenemos
2 12 a b 1 0
A = A =
−1 I2 =
4 −10
c d 0 1
2a
2 0 12 0 a 1
2a +12c = 1 2b +12c = 0 0 2 0 12 b 0
=
4a -10c = 0 4b -10d =1 4 0 −10 0 c 0
0
4 0 −10 d 1
Resolviendo el sistema anterior,
a = 0.14706
b = 0.17647 0.14706 0.17647
A = −1
c = 0.05882 0.05882 − 0.02941
d = −0.02941
26
INTRODUCCIÓN
• Rapidez:
Número de operaciones
• Coste espacial:
Memoria de almacenamiento necesaria.
• Facilidad de programación.
• Sensibilidad del algoritmo respecto a errores de
redondeo
• Tipo de problemas a los que es aplicable
27
INTRODUCCIÓN
Pretendemos resolver un sistema de “m” ecuaciones
lineales con “n” incógnitas:
am,1 x + a x + + am,n xn = bm
1 m,2 2
Ax=b
donde A mxn, x n ,b m
28
Clasificación de los
Sistemas de ecuaciones lineales
29
Teorema de Rouché-Frobenius
• El sistema Amnx = b es compatible si y sólo si
rango(A) = rango(A|b)
• Solución xc = xp + núcleo(A)
30
TEOREMA DE EXISTENCIA Y UNICIDAD
PARA SISTEMAS NO HOMOGÉNEOS.
• El sistema Ax=b es compatible si y solo si b R(A), en otras
palabrassi y solo si rango(A) = rango(A,b).
• Si el sistema es compatible y las columnas de A son linealmente
independientes entonces la solución es única.
• Si el sistema es compatible y las columnas de A son linealmente
dependientes entonces tiene infinitas soluciones.
31
TEOREMA DE INVARIANZA DE LA SOLUCIÓN
32
Número de condición de una matriz
• rcond y det
33
Sistemas de ecuaciones lineales
34
Sistemas de ecuaciones lineales
35
Sistemas de ecuaciones lineales
36
Sistemas de ecuaciones lineales
37
Sistemas de ecuaciones lineales
38
Matrices
• Es un arreglo rectangular de números donde no sólo
de valor de éste es importante, sino que también su
posición
• El tamaño de una matriz se describe por la cantidad
de filas y columnas (n x m)
11
a a12 a13
a
A = a 21 22 a23
a a32
a33
31
• Cada fila o columna representa a un vector
39
Propiedades
• Dos matrices del mismo tamaño pueden sumarse o
restarse
A = aij y B = bij
C = A + B = aij + bij = cij
aijbij= cij
m
cij = aik bkj i = 1,2,....n, j = 1,2,....r
k =1
40
Propiedades
• Si una matriz se multiplica por un escalar el
resultado es una nueva matriz con cada elemento
multiplicado por éste
• Una matriz con una sola columna se le denomina
vector columna (n x 1), si es una fila se habla de
vector reglón (m x 1)
• Al multiplicar una vector reglón con un vector
columna se obtiene el producto interior
• Al multiplicar una vector columna con un vector
reglón se obtiene el producto exterior
• La división para matrices no está definida, aún
cuando analizaremos la inversa de una matriz
41
• Ciertas matrices cuadradas tiene propiedades especiales, co
mo por ejemplo:
42
• Matriz triangular inferior (L), los elementos sobre la
diagonal son 0.
• Matriz triangular inferior (U) los elementos debajo de la
diagonal son 0
• 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
renglones.
• Matriz pentadiagonal, son aquellas con elementos distin
tos de 0 en la diagonal y en las posiciones adyacentes.
Esta matriz puede comprimirse a una matriz de 5
columnas y n renglones
43
Determinante
• El determinante de una matriz es un número
• 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 − a12a21
a
21 a22
• Para una matriz mayor se aplica la regla de desarrollar
en términos de los menores respecto a algún reglón o
columna. El menor de cada término es la matriz de me
nor orden formada al eliminar el reglón o columna en
cuestión. Se parte con signo positivo si la suma del
reglón o columna es par y negativo en caso contrario,
de ahí en adelante se alternan los signos
• En el caso de una matriz triangular superior o inferior
su determinante es sólo el producto de los elementos
de diagonal
44
Ejercicio
3 0 −1 2
4 1 3 −2
A=
0 2 −1 3
1
0 1 4
det( A) = −146
4 0 0
det A = 6 −2 0 = −40
1 −3 5
45
• Los determinantes pueden ocuparse también
para calcular el polinomio característico de la
matriz, ya que :
pA ( ) = A − I = det(A − I )
1 3
A=
4 5
(1 − ) 3
pA () = A − I = det
4 (5 − )
= (1− )(5 − ) −12 = 2 − 6 − 7
46
Matrices
Sum:
a11 a12 a1m
Cnm = Anm + Bnm
a a22
21 a2 m
a32 cij = aij + bij
Anm = a31 a3m
A and B must have the same
dimensions
an1 an2
anm
Matrices
Transpose:
47
Matrices
Product:
A and B must have compatible
Cn p = Anm Bm p dimensions
m
cij = aik bkj
k =1 Ann Bnn Bnn Ann
1 0 0
Identity Matrix:
0 1 0
I = IA = AI = A
0 0 1
48
Matrices
Determinant: A must be square
49
Matrices
Inverse: A must besquare
50
Métodos directos frente a métodos
iterativos
DIRECTOS ITERATIVOS
• Ax =b • Mx = (M−A)x + b
51
Convergencia y número de
operaciones
• Coste (para matrices densas)
Directos: n3 Iterativos: k.n2
• Convergencia
• Criterio de parada:
x (k +1 ) − x (k ) p
tol; p = 1,2,...,inf
52
Limitaciones de los MétodosDirectos
• Llenado de la matriz.
• Matrices dispersas
53
Sensibilidad al error de redondeo
54
Capitulo V
Métodos Directos de Solución
de Ecuaciones Lineales
55
.
CONTENIDO
x+y=4
x−y=2
56
1. INTRODUCCIÓN
,
Ejemplo:
1. x + y = 4
x−y= 2 CS{ x = 3; y = 1}
2x + y + −z = 4
x+y+z= 6
2. 3x − y = 4 CS{ x = 2 ; y = 2 ; z = 2 }
+ + + + (1)
ai1x1 + ai2 x2 + ai3 x3 aij x j ain xn = bi
59
1. INTRODUCCIÓN
,
60
CONTENIDO
,
61
CONTENIDO
,
62
CONTENIDO
,
•Representación
AX=B
Si k< n;
Si K = n la solución infinitas
es única soluciones
63
CONTENIDO
,
•Ejemplo:
4x + 8 y = 12
5x +10y = 20
4 8 1 2 4 8 12 1 2 3
A= r( A) = 1 A= r( Aa) = 2
5
5 10 0 0 10 20 0 0 5
64
CONTENIDO
,
•Ejemplificación:
3x + 5y = 14 3 5 1
A=
5/3
r(A) = 2
2 − 1 0 − 13 / 3
2x − y = 5
65
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
Observaciones:
1. La matriz de coeficientes es una matriz diagonal.
2. El conjunto solución es obtenido dividiendo cada
elemento del vector independiente (insumos,
condiciones) por cada respectivo elemento de la
matriz diagonal.
3. Una matriz diagonal en general se representa de la
siguiente forma: a11 0 0 ... 0
0 a22 0 ... 0
( )
A = aij
aij si i = j
=
nn 0 si i j
A = 0
0 a33 ... 0
0 ann
0
0 0
67
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
68
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
69
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
70
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
Solución: 6
x1 = x1 = 3
2
6
x2 = 4 − x2 = 1 C.S = {3,1,2}
2
6
x3 = 15 − 3 − − 24 − x 3 = 2
6
Observación: 2 8
1. La matriz de coeficientes es una matriz triangular inferior.
2. El sistema se puede escribir de la siguiente manera
a11 0 0 ... 0
x1 b1
a21 a22 0 ... 0 x2 b2
a a32 a33 ... 0 x3 b3
31 =
ai1 ai2 aii xi bi
an1 a n2 an3 ann xn bn
71
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
b1
2
b − a 21 a
b1
a22 x2 = b2 − a 21 x2 =
11 x
( )
2 = b2− a21 x1 /a22
a11 a22
72
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
i −1
xi = bi − aij x j / aii
j=1
73
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
74
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
Observación:
1. La matriz de coeficientes es una matriz triangular
superior.
2. El sistema se puede escribir de la siguiente manera
a11 a12 a13 ... a1i ... a1n x1 b1
0 a22 a23 ... a2i .. a2n x2 b2
0 0 a33 .... a3i .. a3n x3 b3
=
0 0 aii ain xi bi
0 0 0 ann xn bn
75
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
76
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
77
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
78
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
' (3)
a'i2x2 + a' i3x3 + + a 'ii xi + + a' inxn = b i
En donde:
a
a' ij = aij −
i1
a1j
a11
79
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
a n −1mn xn = b n −1m
80
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
Observación:
1. A los términos principales de cada ecuación se le
llama pivote.
2. Se puede normalizar cada ecuación, y para ello
sólo se divide por el coeficiente principal,
fenómeno que no se usa en la eliminación
Gaussiana la razón es por el aumento del tiempo
computacional.
81
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
Seudocódigo
input n, (aij ), (bi )
for k = 1,2,3,4,...n − 1do
Una vez realizada la
for i = k + 1, k + 2,..., n do
t aik / a kk
eliminación Gaussiana,
aik 0 utilizamos el algoritmo del
for j = k + 1, k + 2,...,n do sistema triangular superior
aij aij − t akj para solucionar
bi bi − t bk completamente el sistema
end de ecuaciones
end
end
output (aij , b j )
83
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
Ejemplos:
Resolver el siguiente sistema usando eliminación Gaussiana.
2 x1 + x2 − 3x3 = −1
− x1 + 3x2 + 2x3 =12
3x1 + x2 − 3x3 = 0
84
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
x1 = (− 1 + (2)(3) − 3)/ 2 x1 = 1
85
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
86
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
87
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
89
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
LU
U : es una matriz triangular superior de orden nxn
90
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
91
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
a21 = l21.u11 , a22 = l21 u12 + u22 , a23 = l21u13 + u23 , a24 = l21u14 + u24
a31 = l31.u11 , a32 = l31 u12 + l32u22 , a33 = l31u13 + l23u23 + u33 , a34 = l31u14 + l32u24 + u32
a41 = l41.u11 , a42 = l41 u12 + l42u22 , a43 =l41u13 + l42u23 + l43u33 , a44 =l41u14 + l42u24 + l43u32 +
u44
n min(i, j)
aij = lis .usj = lis .usj
s =1 s =1
93
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
Es decir: 2
a24 = lis u sj a24 = l 21u12 + l22u24 = l 21u14 + u 24
s=1
4
a44 = lis usj a44 = l41u14 + l42u24 + l43u34 + u44
s =1
Observación:
1. lis = 0 Para s i lis = 1,i =s
2. usj = 0 Para s j
3. El primer renglón “fila” de U es igual al de A ; es
decir:
a11 = u11 ; a12 = u12 ; a13 = u13 ; a14 = u14
u1 j = a1 j ; j = 1,2,3,4
94
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
95
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
Seudocódigo
Input n,(aij)
For k = 1,2,…,
k −1
for j = k+1,k+2,…n l kk u kk = a kk − l ksu sk
s=1
k −1
u kj a kj − l ks u sj / l kk
end s=1
for i= k+1,k+2,…n
k −1
lik
aik − l is u sk / u kk
end s=1
end
Output (lij), (uij)
96
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
Continuando
L21 = a21/a11, u22 = a22 – (a21/a11) a12, u23 = a23 – (a21/a11)a13
97
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
a31
a 32 − a 12
a31 a11
L31 = L32 =
a11 a 21
a 22 − a 12
a11
a31
a 32 − a 12
a 31
a11 a21
33 = a 33 − a13 − a 23 − a 13
a 21 a − a21 a a11
22 a 12
11
98
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
Seudocódigo
Input n,(aij)
For k=1,2,…,
l kk 1
k −1
for j =k+1,k+2,…n
u kj a kj − l ks u sj
s=1
end
for i= k+1,k+2,…n
k −1
lik a − l u / u
ik is sk kk
end s=1
end
output (lij), (uij)
99
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
104
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
105