Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Qweqwccx234 PDF
Qweqwccx234 PDF
1 INTRODUCCIÓN
Uno de los problemas más frecuentes encontrados en la computación cientı́fica es el de resolver sistemas
de ecuaciones algebraicas lineales.
Nuestro objetivo es estudiar diferentes formas de resolver un sistema lineal de n ecuaciones con n
incógnitas.
Un sistema de n ecuaciones con n incógnitas es escrito usualmente en la forma
a11 x1 + a12 x2 + . . . + a1n xn = b1
a21 x1 + a22 x2 + . . . + a2n xn = b2
.. .. .. .. ..
. . . . .
an1 x1 + an2 x2 + . . . + ann xn = bn
donde:
xj , j = 1, . . . , n las incognitas
y bi , i = 1, . . . , n las constantes.
Resolver un sistema lineal consiste en calcular los valores de xj con j = 1, . . . , n, y en el caso que
existan tienen que satisfacer las n ecuaciones simultaneamente.
Usando notación matricial, el sistema puede ser representado por
Ax = b
donde
a11 a12 . . . a1n
a21 a22 . . . a2n
A= es la matriz de coeficientes
.. .. .. ..
. . . .
an1 an2 . . . ann
x = (x1 , x2 , . . . , xn )T el vector de incógnitas y b = (b1 , b2 , . . . , bn )T el vector constante.
Un sistema de ecuaciones puede ser clasificado como compatible cuando tiene solución e incompatible
en el caso contrario. Los sistemas compatibles pueden ser clasificados en determinados, cuando tiene
solución única e indeterminados, caso contrario.
Nuestro objetivo aquı́ será, desenvolver métodos numéricos para resolver sistemas lineales de orden n,
que tengan solución única. Observe que, tales sistemas son aquellos cuya matriz de coeficientes es no
singular, es decir det(A) 6= 0. La solución de estos sistemas lineales es dado por el vector x=A−1 b.
Entre tanto calcular explicitamente la matriz A−1 y enseguida efectuar A−1 b, no es práctico, debido
al número de operaciones envueltas es grande.
Los métodos numéricos para la solución de sistemas lineales son divididos en dos grupos:
Métodos Directos: Son aquellos que resuelven un sistema de ecuaciones lineales en un número
finito de pasos y en general usados para resolver sistemas pequeños.
Métodos Iterativos: Son aquellos que creean una sucesión de vectores que convergen a la solución
del sistema y en general usados para resolver sistemas grandes.
2 MÉTODOS DIRECTOS
Un sistema de este tipo es llamado de sistema triangular superior, mientras que, si aij = 0 para
j > i, j = 1, 2, . . . , n se tiene un sistema triangular inferior:
a11 x1 = b1
a x + a x = b2
21 1 22 2
a31 x1 + a32 x2 a33 x2 = b3
.. .. .. ..
. . . .
an1 x1 an2 x2 a13 x3 ··· ann xn = bn
1.
3x1 − 2x2 + x3 − x4 = 8
4x2 − x3 + 2x4 = −3
2x3 + 3x4 = 11
5x4 = 15
2.
3x1 + 4x2 − 5x3 + x4 = −10
x3 − 2x4 = 0
4x3 − 5x4 = 3
2x4 = 2
3.
3x1 + 4x2 − 5x3 + x4 = −10
x3 − 2x4 = −1
4x 3 − 5x4 = 3
2x4 = 2
(iii) Susutitución, una ecuación puede ser reemplazada por la suma de ella misma más el múltiplo
de otra ecuación.
obtenemos un nuevo sistema Āx = b̄. Y los sitemas Ax=b y Āx = b̄ son equivalentes.
obs:Dos sistemas equivalentes o son incompatibles o tienen las mismas soluciones.
(0) (0)
donde aij = aij , bi = bi y a11 6= 0.
Etapa 1
Si a11 6= 0, podemos eliminar la incógnita x1 de las demás ecuaciones. El paso tı́pico es restar de la
i−ésima fila (i = 1, 2, . . . , n), la primera, multiplicada por mi1
(0) (0)
mi1 = ai1 /a11 i = 1, 2, . . . , n
(0)
Los mi1 son los multiplicadores asociados a sus respectivas filas y a11 es denominada pivote.
Al final de la primera etapa tendremos
(1) (1) (1) (1)
a11 a12 . . . a1n b1
(1) (1)
(1) (1) (1)
[A |b ] = 0 a22 . . . a2n b2
.. .. .. .. ..
. . . . .
(1) (1) (1)
0 an2 . . . ann bn
donde
(1) (0) (1) (0)
a1j = a1j para j = 1, 2, . . . , n b1 = b1
y
(1) (0) (0)
aij = aij − mi1 a1j para i = 2, . . . , n y j = 1, . . . , n
(1) (0) (0)
bi = bi − mi1 b1 para i = 2, . . . , n
Etapa 2
(1)
El objetivo ahora es eliminar la incógnita x2 de la tercera ecuación a la última. Si a22 6= 0, primero
se calculan los multiplicadores
(0) (0)
mi2 = ai2 /a22 para i = 3, . . . , n
Al final tendremos
(2) (2) (2) (2) (2)
a11 a12 a13 . . . a1n b1
0 (2) (2) (2) (2)
a22 a23 . . . a2n b2
(2) (2) (2)
[A(2) |b(2) ] = 0 0 a33 . . . a2n b3
. .. .. .. ..
.. . . . .
(2) (2) (2)
0 0 an3 . . . ann bn
donde
2 MÉTODOS DIRECTOS 5
y
(2) (1) (1) (2) (1) (1)
aij = aij − mi2 a2j para i = 3, . . . , n y j = 2, . . . , n bi = bi − mi2 b2 para i = 3, . . . , n
Siguiendo el raciocı́nio análogo, procedemos hasta la etapa n − 1 y la matriz final de esta etapa
será
(n−1) (n−1) (n−1) (n−1) (n−1)
a a12 a13 . . . a1n b1
11
(n−1) (n−1) (n−1) (n−1)
0 a22 a23 . . . a2n b2
(n−1) (n−1) (n−1)
[A(n−1) |b(n−1) ] = 0 0 a33 . . . a2n b3
.. .. .. .. ..
. . . . .
(n−1) (n−1)
0 0 0 . . . ann bn
Con n − 1 pasos el sistema lineal Ax = b és transformado en un sistema triangular superior equiva-
lente Ux = c el cual se resuelve facilmente por sustitución.
Ejercicio
Aplique eliminación gaussiana para calcular la solución del sistema
2x1 + 3x2 − x3 = 5
4x1 + 4x2 − 3x3 = 3 la solución es(1, 2, 3)T .
2x1 − 3x2 + x3 = −1
2x1 + x2 + x3 + = 1
4x1 + 3x2 + 3x3 + x4 = 8
la solución es(−1, 2, 1, 3)T .
8x 1 + 7x2 + 9x3 + 5x4 = 30
6x1 + 7x2 + 9x3 + 8x4 = 41
2. Errores de redondeo
Pivotes pequeños pueden provocar que el error de redondeo aumente. Cuando resulta un pivote
2 MÉTODOS DIRECTOS 6
próximo al cero, da origen a multiplicadores mayores que la unidad y pueden originar una
ampliación de los errores de redondeo. Por ejemplo
1.133x1 + 5.281x2 = 6.414
24.14x1 − 1.210x2 = 22.93
Cuya solución exacta es (1, 1)t . Resolviendo con cuatro cifras significativas obtenemos x1 =
0.2542 y x2 = 1.16
(i) En el inicio de la etapa k de la fase de eliminación se escoge para pivote el elemento de mayor
(k−1)
módulo entre los coeficientes aik , i = k, k + 1, . . . , n.
(k−1) (k−1)
|ark | = max |aik |
k≤i≤n
Esta estrategia es menos efectiva que un pivoteo completo, pero es la menos costosa y la más usada.
Ejercicio
Reoslver por eliminación gaussiana con pivoteo el ejercicio anterior
+ 2x2 + 3x3 = 8
4x1 + 6x2 + 7x3 = −3
2x1 + x2 + 6x3 = 5
2.3.4 Comentarios
Si se quiere resolver varios sistemas con la misma matriz A, la matriz ampliada será
[A|b1 |b2 | . . .]
Un sistema es mal condicionado cuando pequeños cambios en algunos elementos del problema
causan pequeños cambios en la solución del problema.
Ejercicio
Resuelva el sistema
x1 + 2x2 = 10
1.1x1 + 2x2 = 10.4
La solución del sistema es (4, 3)T . Si modificamos el segundo coeficiente 1.1 por 1.05 obtenemos
como solución (8, 1)T
2 MÉTODOS DIRECTOS 7
Número de condicón
Sea llama número de condición de la matriz A y se escribe k(A) = ||A||||A−1 || donde
n
X
||A|| = max |aij |
1≤i≤n
j=1
Decimos que el sistema Ax=b es mal condicionado si k(A) es grande de lo contrario es bien
condicionado.
Ejercicio
Calcule el número de condición del sistema anterior
2.5 Factorización LU
Sea el sistema lineal Ax = b. El proceso de factorización para resolver este sistema, consiste en
descomponer la matriz A en dos factores o más.
Por ejemplo si pudieramos realizar la factorización de la matriz A como: A= CD el sistema Ax=b
podrá ser escrito como CDx=b. Si denotamos y=Dx, entonces resolver el sistema lineal Ax=b será
equivalente a resolver Cy=b y en seguida Dx=y.
Estas operaciones corresponden a premultiplicar la matriz A(0) por la matriz M(0) , donde
1 0 0
M(0) = −m21 1 0
−m31 0 1
pues
(0) (0) (0) (1) (1) (1)
a11 a12 a13 a11 a12 a13
1 0 0
M (0)
A (0)
= −m21 1 0 a(0) (0) (0)
a22 a23 = 0 (1)
a22
(1)
a23 = A(1)
21
−m31 0 1
(0) (0) (0) (1) (1)
a31 a32 a33 0 a32 a33
Estas operaciones corresponden a premultiplicar la matriz A(1) por la matriz M(1) , donde
1 0 0
M(1) = 0 1 0
0 −m32 1
pues
(1) (1) (1) (2) (2) (2)
1 0 0 a11 a12 a13 a11 a12 a13
M(1) A(1) = 0 1 0 0 a(1) a
(1)
= (2) (2)
0 a22 a23 = A
(2)
22 23
0 −m32 1 (1)
0 a32 a33
(1)
0
(2)
0 a33
La matriz A(2) es la misma obtenida al final de la etapa 2 del método de Gauss. Tenemos entonces
que
A = A(0)
Ax = b ⇔ (LU)x = b
Sea y=Ux. La solución del sistema lineal puede ser obtenida resolviendo los sistemas lieneales
(i) Ly=b
(ii) Ux=y
Ejercicio
Resolver el siguiente sistema lineal usando factorización LU
3x1 + 2x2 + 4x3 = 1
x1 + x2 + 2x3 = 2
4x1 + 3x2 + 2x3 = 3
2.5.5 Resolución del sistema lineal usando factorización LU de A con pivoteo parcial
Sea el sistema lineal Ax=b y sean L y U los factores obtenidos por el proceso de eliminación de Gauss
con estratégia de pivoteo parcial.
L y U son los factores de A0 , donde A0 es la matriz A con las lineas permutadas A0 = PA.
Las mismas permutaciones efectuadas en las lineas de A deben de ser efectuadas sobre el vector b
esto implica permutar las ecuaciones de Ax=b.
Sea b0 = Pb. El sistema A0 x = b0 es equivalente al original y como A0 = LU tendremos:
A0 x = b0 x ⇒ PAx = Pb ⇒ LUx = Pb
(i) Ly=Pb
(ii) Ux=y
Ejercicio
Resolver el siguiente sistema lineal usando factorización LU
3x1 − 4x2 + x3 = 9
x1 + 2x2 + 2x3 = 3
4x1 − 3x3 = −2
3 MÉTODOS ITERATIVOS 11
3 MÉTODOS ITERATIVOS
Un método iterativo con el cual se resuelve el sitema lineal Ax=b comienza con una aproximación
x(0) a la solución x y genera una sucesión de vectores x(0) , x(1) , x(2) , . . . , x(k) tal que
lim x(k) = x
k→∞
Los métodos iterativos traen consigo un proceso que convierte Ax=b en otro equivalente de la forma
x=Cx+g donde C es una matriz n × n y g un vector n × 1.
Después de seleccionar el vector inicial x(0) la sucesión de vectores de la solución se genera calcu-
lando
x(k+1) = Cx(k) + g para k = 1, 2, 3, . . .
3.1 Preliminares
3.1.1 Normas
• Normas matriciales
( n )
X
||A||1 = max |aij | Norma del máximo de las columnas
1≤j≤n
i=1
Xn
||A||∞ = max |aij | Norma del máximo de las filas
1≤i≤n
j=1
1/2
n X
X n
||A||2 = |aij |2 Norma euclidiana
i=1 j=1
• Normas vectoriales
n
X
||x||1 = |xi | Norma de la suma
i=1
||x||∞ = max |xi | Norma del máximo
1≤i≤n
n
!1/2
X
2
||x||2 = |xi | Norma euclidiana
i=1
Ası́, dada una tolerancia T OL, el vector x(k) será escogido como x̄ solución aproximada de la solución
exacta si
dk < T OL
De la misma forma se puede usar el error relativo
dk
dkr =
(k)
max xi
1≤i≤n
Observe que a medida que x(k) se aproxima a la solución, b − Axk se aproxima a cero, entonces otro
criterio de parada puede ser:
||b − Axk || < T OL
Computacionalmente se usa también un número máximo de iteraciones.
3 MÉTODOS ITERATIVOS 12
x̄ = Cx̄ + g
tenemos que
x(k+1) − x̄ = C(x(k+1) − x̄)
donde el error en cada iteración es dado por ek = x(k) − x̄ y usando las propiedades de la norma se
sigue que
||ek || ≤ ||C||||ek−1 ||
≤ ||C||2 ||ek−2 ||
.. ..
. .
≤ ||C||k ||e0 ||
||C|| < 1
Si escribimos A = D − L − U donde
a11 0 ... 0 0 0 ... 0 0 −a12 . . . −a1n
−a21 . . . −a2n
0 a22 . . . 0 0 ... 0 0 0
D= . .. L = .. U =
.. .. .. . . .. .. .. .. ..
..
. . . . . . . . . . .
0 0 . . . ann −an1 −an2 . . . 0 0 0 ... 0
Entonces tenemos que
Ax = b ⇔ (D − L − U)x = b ⇔ Dx = (L + U)x + b
Esto da origen a la forma matricial del método de Jacobi
x(k) = D−1 (L + U ) x(k−1) + D −1
| {z }b para k = 1, 2, 3 . . .
| {z }
C g
3 MÉTODOS ITERATIVOS 14
Observación : Con esta definición es fácil ver que, si la matriz de los coeficientes es dominante
estritcamente diagonal entonces el critério de las filas es satisfecho.
Ejercicio
Analizar la matriz A del sistema lineal anterior
10 2 1
A= 1 5 1
2 3 10
i−1 n
(k) (k) (k−1)
X X
xj = aij xj − aij xj + bi
j=1 j=i+1
El método de Gauss-Seidel consiste en, dado x(0) aproximación inicial obtener x(1) , x(2) ,. . . , x(k)
através de la relación
(k) 1 (k−1) (k−1) (k−1)
x 1 = b1 − a12 x2 − a13 x3 − ... − a1n xn
a11
1
(k) (k) (k−1) (k−1)
b2 − − a23 x3 − ... −
x 2 = a21 x1 a2n xn
a22
(k) 1 (k) (k) (k−1)
x 3 = b2 − a31 x1 − a32 x2 − ... − a2n xn
a
22
.
..
x(k)
1 (k) (k) (k)
= bn − an1 x1 − an2 x2 − ... − ann−1 xn−1
n
ann
3 MÉTODOS ITERATIVOS 15
El esquema iterativo del método de Gauss-Seidel puede ser esrito en forma matricial de la siguiente
manera. Escribimos A = D − L − U donde
0 0 ... 0 a11 0 . . . 0 0 −a12 . . . −a1n
−a21 0 ... 0 0 a22 . . . 0 0 0 . . . −a2n
L= . D = U =
.. . . .. .. .. .. .. .. .. .. ..
..
. . . . . . . . . . .
−an1 −an2 . . . 0 0 0 . . . ann 0 0 ... 0
Ax = b ⇔ (D − L − U)x = b ⇔ (D − L)x = Ux + b
luego
(D − L)x(k) = Ux(k−1) + b
y ası́:
x(k) = (D − L)−1 (U) x(k−1) + (D − L)−1 b
| {z } | {z }
C g
max βi < 1
1≤i≤n
Ejercicio
Analizar la matriz A del sistema lineal anterior
50 1 1
A= 3 4 1
3 3 6
Observaciones finales:
1. Dado um sistema lineal Ax = b puede pasar que el método de Jacobi resulte convergente
mientras que el de Gauss-Seidel resulte divergente y vice-versa.
3. Una permutación conveniente de las filas o columnas de A antes de dividir cada ecuación por el
coeficiente de la diagonal principal puede reducir el valor de ||C|| .
4. La convergencia para los métodos: Jacobi y Gauss-Seidel no depende del vector inicial x(0) .