Está en la página 1de 42

Sistemas de ecuaciones

lineales
Wilmer Ramirez
Representación Matricial
Un sistema de ecuaciones lineales de la forma:

Se representa matricialmente:
Descomposición LU
Se tiene un sistema de ecuaciones de la forma:

Suponga que este sistema lo podemos expresar como un sistema triangular


superior:

Y una inferior: Tal que:


Factorización LU
Si se satisface la ecuación anterior se tendrá:

Entonces:

Ecuaciones para solucionar el sistema


Ejemplo de aplicación
Supongamos un sistema de ecuaciones 3x3:

Utilizando eliminación de Gauss:

Primer renglón se multiplica por y se resta al segundo para eliminar

Primer renglón se multiplica por y se resta al tercero para eliminar

Segundo renglón modificado por y se resta al tercero para eliminar


Ejemplo de aplicación
Supongamos un sistema de ecuaciones 3x3:

Utilizando eliminación de Gauss:

Primer renglón se multiplica por y se resta al segundo para eliminar

Primer renglón se multiplica por y se resta al tercero para eliminar

Segundo renglón modificado por y se resta al tercero para eliminar


Ejemplo de aplicación
Supongamos un sistema de ecuaciones 3x3:

Utilizando eliminación de Gauss:

Primer renglón se multiplica por y se resta al segundo para eliminar

Primer renglón se multiplica por y se resta al tercero para eliminar

Segundo renglón modificado por y se resta al tercero para eliminar


Ejemplo de aplicación
Supongamos un sistema de ecuaciones 3x3:

Utilizando eliminación de Gauss:

Primer renglón se multiplica por y se resta al segundo para eliminar

Primer renglón se multiplica por y se resta al tercero para eliminar

Segundo renglón modificado por y se resta al tercero para eliminar


Las modificaciones hechas a la matriz [A] deberían verse reflejadas en {B}, pero
por ahora se guardaran sus modificaciones en los ceros de la nueva matriz.

Note que:
Ejemplo
Ejercicio de solución
Aplique factorización LU para resolver el sistema
Descomposición de Cholesky
Este algoritmo es especialmente aplicado a matrices simétricas. Se fundamenta
en que una matriz A admite una descomposición LU tal que por tanto:

Para esta descomposición, se debe generar una matriz L (triangular inferior) de tal
forma que:

Valores inferiores Valores de la diagonal


Ejemplo:
Gauss Seidel
Método iterativo más común para solucionar sistemas de ecuaciones de la forma:

Siendo A una matriz cuadrada.

Suponga un sistema de ecuaciones 3x3 tal como:


Gauss Seidel
Escribiendo el sistemas de forma algebraica y despejando x1, x2 y x3 de las
ecuaciones 1, 2 y 3 respectivamente.
Gauss Seidel
El proceso comienza suponiendo valores iniciales para x1, x2 y x3. La forma más
fácil es suponer 0 para cada una de ellas. Se calculan y se reemplazan valores:

x3 se reemplaza en x1 de la
siguiente iteración, junto con x2.
Generalización del método de Gauss-Seidel

k: Número de la iteración que se está calculando. (k=0 valores iniciales)

Note que para el método de Gauss Seidel los valores que se calculan se van
inmediatamente sustituyendo en las siguientes ecuaciones, por tanto, el método
debe ser ejecutado en orden.
Método de Gauss-Seidel y Método de Jacobi
La diferencia entre el método de Jacobi y el de Gauss-Seidel radica en el
reemplazo de variables. Jacobi reemplaza todas las variables hasta la siguiente
iteración, mientras que Gauss-Seidel lo hace consecuentemente.

Formulación general de Jacobi:


Ejercicio
Solucione utilizando Gauss-Seidel y Gauss-Jacobi
Gauss-Seidel:

Gauss-Jacobi:
Ejemplo para la solución matricial
Para el sistema Ax=b tal que:

Las matrices serian:


Trabajo de clase
Realice una función en Matlab a la que se le entregue un sistema de ecuaciones
nxn de forma matricial (Matriz A y matriz b de Ax=b) y un umbral para el error, y
este programa entregue como salida la solución por medio de Gauss-Seidel y
Jacobi.

Comente su código totalmente.

Primera persona en terminar y exponer su código tendrá una bonificación de +0.2


para el primer examen. (No se admite ningun copy-paste de internet).
Método del Gradiente
El método del gradiente es un método de descenso para solucionar ecuaciones
de tipo Ax=b tal que A es una matriz definida positiva.

Una matriz es definida positiva si:

Definición de función cuadŕatica: Se refiere a toda función definida de la forma:


Método del Gradiente
Recordemos que el gradiente de una función se define como:

El gradiente tiene la característica que para cualquier punto de prueba x, el vector


de campo apunta al máximo crecimiento de f.
Método del Gradiente
Si se tiene la función cuadrática de la forma:

si derivamos esta función obtenemos:

Si A es simétrica entonces:
Método del Gradiente
si igualamos:

Se obtiene el sistema original y además se puede concluir que la solución es un


punto crítico de f.
a) Si A es definida positiva, la solución del sistema es un mínimo de f.
b) Si A es definida negativa, la solución es un máximo de f.
c) Si A es singular, existen múltiples soluciones.
d) Si A no es definida, ni singular, el método fallará.
Método del Gradiente
El error exacto para el método del gradiente para una iteración podría definirse
como:

Siendo la solución al sistema de ecuaciones.

El residuo también puede indicar que tan lejos se está de la respuesta:

El residuo indica la dirección a la respuesta


Método del Gradiente
Por lo tanto, el residuo podemos definirlo como:

El método de gradiente se generaliza como:

Siendo:
Método del Gradiente
Criterios de parada para el método del gradiente:
Ejemplo
Utilizando el método de Gradiente, determine la solución del sistema Ax=b tal
que:
Criterio de Sylvester
function [] = Sylvester(M) if all (MenoresPrincipales>0)
A=size(M); disp('La Matriz es Definida Positiva')
MenoresPrincipales=(1:1:A); elseif all (MenoresPrincipales>=0)
B=A(1:1); disp('La Matriz es Semidefinida Positiva')
for k=(1:B); elseif all (MenoresPrincipales<0)
M(1:k,1:k) disp('La Matriz es Definida Negativa')
C=det(ans); elseif all (MenoresPrincipales<=0)
MenoresPrincipales(1,k)=C; disp('La Matriz es Semidefinida Negativa')
end else
MenoresPrincipales disp('La Matriz es Indefinida')
end
end
Método del Gradiente Conjugado
Para comprender el método del Gradiente Conjugado, revisemos cómo
obtenemos el factor de descenso en el método del gradiente.

El método del gradiente encuentra una solución en el mínimo de una función


cuadŕatica para un sistema con matriz simétrica definida positiva. Entonces:

Por tanto:
Expresamos esta derivada como:

Solucionando:

Despejando el factor de descenso:


Residuo

Dirección de descenso

Para el método del gradiente, la dirección de descenso y el residuo son


equivalentes, por tanto se hace la igualación en la fórmula final.

¿Y si no necesariamente el residuo fuera la dirección más adecuada de


descenso?
Método del Gradiente Conjugado
Elijamos una dirección de descenso diferente:

¿Cómo determinamos la dirección de descenso?


Método del Gradiente Método del Gradiente Conjugado
Método del Gradiente Conjugado
Sea al vector que une x1 y x0, suponiendo que podemos llegar a la solución
en la segunda iteración, siendo la solución.

Para encontrar el vector, haremos uso de la siguiente proposición:

Preposición: Los vectores y son conjugados respecto a la matriz A.

Gracias a esta proposición se puede afirmar que:


Podemos expresar linealmente (d0 en la 1ra iteración es equivalente a r0):

Tenemos dos incógnitas, pero en vista de que no necesitamos el vector completo


sino simplemente su dirección, podremos reducir las incógnitas a una sola de la
siguiente forma:
Usando la preposición 5 podemos calcular
Pasos para solucionar por gradiente conjugado

Primera iteración idéntica


al método del gradiente
Generalización:

También podría gustarte