Eliminación gaussiana

[8.1] ¿Cómo estudiar este tema?

[8.2] Resolución automática de sistemas de ecuaciones

[8.3] Eliminación gaussiana ingenua

[8.4] Vector de error y vector residual

[8.5] Eliminación gaussiana con pivotaje parcial escalado

TEMA
 Álgebra y Matemática Discreta

Esquema

TEMA 8 – Esquema 2 © Universidad Internacional de La Rioja (UNIR)

 Álgebra y Matemática Discreta

Ideas clave

8.1. ¿Cómo estudiar este tema?

Para estudiar este tema lee los apartados 1.1-1.3 del capítulo 1 (páginas 3-24) del
libro Técnicas de cálculo para sistemas de ecuaciones, programación lineal y
programación entera de José Luis de la Fuente O'Connor.
Disponible en el aula virtual en virtud del artículo 32.4 de la Ley de Propiedad
Intelectual.

Puedes completar el estudio asistiendo o visualizando la clase presencial y

comprobando si has comprendido los conceptos realizando el test de autoevaluación
del tema.

8.2. Resolución automática de sistemas de ecuaciones

Un sistema de ecuaciones lineales, también llamado sistema lineal, es un

conjunto de ecuaciones de primer grado sobre un conjunto de variables x1, x2,..., xn. El
problema matemático consiste en encontrar los valores desconocidos de las variables
que satisfacen las ecuaciones.

En muchas ocasiones un problema científico o de ingeniería se modela como un

sistema de ecuaciones lineales. En este caso los coeficientes 𝑎 , términos
independientes 𝑏 y variables 𝑥 se representan mediante matrices de la forma 𝑨𝒙 𝒃:

𝑎 ⋯ 𝑎 𝑥 𝑏
⋮ ⋱ ⋮ ⋮ ⋮
𝑎 ⋯ 𝑎 𝑥 𝑏

Habitualmente, en matemáticas cuando se representa un vector o matriz con una letra

se escribe en negrita (por ejemplo: A). Por el contrario, los elementos individuales se
escriben sin negrita (por ejemplo: a11). Las matrices se acostumbran a escribir en
mayúscula (por ejemplo: A) y los vectores en minúscula (por ejemplo: b).

TEMA 8 – Ideas clave 3 © Universidad Internacional de La Rioja (UNIR)

 Álgebra y Matemática Discreta

Actualmente este tipo de sistema de ecuaciones se puede resolver en un ordenador

usando el conocido método de la eliminación gaussiana. En este tema vamos a
estudiar cómo funciona este método, los problemas con los que podemos encontrarnos
y cómo resolverlo.

Existen dos métodos principales para resolver sistemas de ecuaciones lineales en un

ordenador:

Métodos directos. Usan un número fijo de iteraciones que llevan a una solución
aritmética exacta.

Métodos iterativos. Que generan una secuencia de aproximaciones iterativas a la

solución.

Nosotros vamos a ver los métodos directos. Los indirectos son más útiles cuando la
matriz A es dispersa.

Lógicamente, no siempre estos sistemas de ecuaciones tienen solución, o si la tienen,

no siempre tienen solución única, con lo que también aprenderemos cómo se
identifican estos casos.

Es importante observar que la solución al problema 𝑨𝒙 𝒃 se puede reescribir como

𝒙 𝑨 𝒃, donde 𝑨 es la matriz inversa. Esto quiere decir que, aunque calcular la
matriz inversa es otra forma de resolver un sistema de ecuaciones, en la práctica
frecuentemente resulta más sencillo hacerlo mediante eliminación gaussiana.

TEMA 8 – Ideas clave 4 © Universidad Internacional de La Rioja (UNIR)

 Álgebra y Matemática Discreta

8.3. Eliminación gaussiana ingenua

En la primera parte del tema estudiamos la propuesta de Gauss y cómo algoritmizarla

en un algoritmo al llamado «ingenuo» («naive»). La propuesta se llama ingenua
porque el algoritmo no funciona con cualquier sistema de ecuaciones. En la siguiente
sección veremos cómo tratar y arreglar estos problemas.

El algoritmo ingenuo de eliminación gaussiana básicamente tiene dos partes:

1. Eliminación hacía adelante (forward elimination). Aquí se busca crear una

matriz triangular de coeficientes A' que sea equivalente a la matriz original A. Esto
implica que los términos independientes b también cambien b'.

2. Sustitución hacía atrás (backward substitution). Después el algoritmo

aprovecha que la matriz está triangulada para despejar el valor de las incógnitas.

8.4. Vector de error y vector residual

En esta sección estudiaremos situaciones en las que la eliminación gaussiana ingenua

no obtiene correctamente los valores de las incógnitas. Esta situación se produce
cuando el elemento pivote |akk| es pequeño con respecto a |aik|. En este caso se produce
un error de redondeo en la operación aij = aij - (aik/akk) akj.

Después mediremos el error que se está produciendo en las incógnitas y el error que se
produce al sustituir las incógnitas calculadas en la ecuación. Si x representa la solución
real y 𝒙 la solución computada, llamamos vector error a 𝒆 𝒙 𝒙 y llamamos vector
residual a 𝒓 𝑨𝒙 𝒃. Una importante relación entre estos dos vectores es que:

𝑨𝒆 𝒓

Finalmente intentaremos entender a qué se deben estas imprecisiones en el cálculo.

Esta comprensión es la que nos llevará a proponer una solución en la siguiente sección.

TEMA 8 – Ideas clave 5 © Universidad Internacional de La Rioja (UNIR)

 Álgebra y Matemática Discreta

8.5. Eliminación gaussiana con pivotaje parcial escalado

El error identificado en la sección anterior se produce cuando el elemento pivote |akk|

es muy pequeño, por ejemplo, en el siguiente sistema de ecuaciones el elemento pivote
𝑎 0 es una mala elección que daría lugar a este problema al dividir entre cero:

0𝑥 𝑥 1
𝑥 𝑥 2

La eliminación gaussiana con pivotaje parcial selecciona la fila pivote con vistas a
evitar este problema. Otros autores proponen utilizar una propuesta más refinada
llamada pivotaje completo donde no solo se intercambian filas sino que también se
intercambian columnas.

En esta sección estudiamos una propuesta intermedia llamada eliminación

gaussiana con pivotaje parcial escalado. Esta propuesta usa un factor de escalado
para identificar el número más grande de cada fila. De esta forma se eligen números
cuyo factor de escalado minimiza los errores de redondeo en el cálculo de los sistemas
de ecuaciones equivalentes.

TEMA 8 – Ideas clave 6 © Universidad Internacional de La Rioja (UNIR)

 Álgebra y Matemática Discreta

Lo + recomendado

No dejes de leer…

Factorización LU de matrices dispersas en multiprocesadores

Esta tesis de Rafael Asenjo Plaza aborda el problema de las técnicas para factorizar
matrices dispersas en sistemas multiprocesador. Puedes leer la sección 1 donde se
introducen las matrices dispersas, la forma en que se representan y los algoritmos
estándar para su factorización.

Accede al documento desde el aula virtual o a través de la siguiente dirección web:

http://riuma.uma.es/xmlui/handle/10630/2513

No dejes de ver…

Sistema de ecuaciones lineales en MATLAB

Este vídeo demuestra cómo podemos usar MatLab para resolver sistemas de
ecuaciones.

Accede al vídeo desde el aula virtual o a través de la siguiente dirección web:

https://www.youtube.com/watch?v=iiuUqZacAbA

TEMA 8 – Lo + recomendado 7 © Universidad Internacional de La Rioja (UNIR)

 Álgebra y Matemática Discreta

La eliminación gaussiana

Este vídeo desarrolla un ejemplo de

eliminación gaussiana.

Accede al vídeo desde el aula virtual o a través de la siguiente dirección web:

http://www.youtube.com/watch?v=j4skKKJ_4bw

TEMA 8 – Lo + recomendado 8 © Universidad Internacional de La Rioja (UNIR)

 Álgebra y Matemática Discreta

+ Información

A fondo

Handbook of Discrete and Combinatorial Mathematics

Rosen, K. H. (1999). Handbook of Discrete and Combinatorial Mathematics. EEUU:

CRC Press Inc.

La importancia de las matemáticas discretas se ha

incrementado dramáticamente en los últimos años, pero hasta
ahora, ha sido difícil —si no imposible— de encontrar un libro
de referencia única que cubre eficazmente el tema. Para llenar
ese vacío, este libro presenta una amplia colección de material
de referencia preparado para todas las áreas importantes de la
matemática discreta, incluyendo los esenciales para sus
aplicaciones en procesamiento de matrices.

Accede a una parte del libro desde el aula virtual o a través de la siguiente dirección web:
http://books.google.es/books?id=yJIMx9nXB6kC&printsec=frontcover&hl=es

Bibliografía

O´Donnel, J. & Hall, C. (2006). Discrete Mathematics Using a Computer. Londres:

Springer.

Levitin A. (2011). Introduction to the Design and Analysis of Algorithms, 3rd Edition.
Addison-Wesley.

Lovász, L. and K. Vesztergombi (1999). Discrete Mathematics. Connecticut: Lecture

Notes, Yale University.

Winskel G. (2012). Discrete Mathematics II: Set Theory for Computer Science.
Recuperado el día 6 de agosto de 2013 en: http://www.cl.cam.ac.uk/~gw104/DiscMath2012.pdf

TEMA 8 – + Información 9 © Universidad Internacional de La Rioja (UNIR)

 Álgebra y Matemática Discreta

Test

1. Un sistema de ecuación con e ecuaciones e i incógnitas donde e>i:

A. Es un error.
B. Tiene una única solución.
C. Suele tener muchas soluciones.
D. No suele tener solución.

2. La ecuación pivote es:

A. La ecuación que se modifica.
B. La ecuación que se deja constante.
C. La ecuación con coeficientes más pequeños.
D. La ecuación con coeficientes más grandes.

3. Dada la matriz A, es posible calcular la matriz inversa 𝐴 usando la eliminación

gaussiana:
A. No, pero dada 𝐴 podemos resolver el sistema de ecuaciones 𝐴𝑥 𝑏.
B. Sí, pero dada 𝐴 no podemos resolver el sistema de ecuaciones 𝐴𝑥 𝑏.
C. Sí siempre que exista 𝐴 , pero no podemos resolver el sistema de ecuaciones
𝐴𝑥 𝑏.
D. Sí siempre que exista 𝐴 , y además podemos resolver el sistema de
ecuaciones 𝐴𝑥 𝑏.

4. Cómo se relacionan el vector de error e y el vector residual r:

A. No existe relación matemática.
B. 𝐴𝑒 𝑟
C. 𝐴𝑟 𝑒
D. 𝐴𝑟 𝑒

5. Añadir 𝜀 a un coeficiente que vale cero se usa para:

A. Resolver el problema que produce la eliminación gaussiana ingenua.
B. Demostrar el problema que produce la eliminación gaussiana ingenua.
C. Calcular el vector de error.
D. Evitar problemas de redondeo.

TEMA 8 – Test 10 © Universidad Internacional de La Rioja (UNIR)

 Álgebra y Matemática Discreta

6. El vector de escalado se calcula usando:

A. El mayor elemento de la fila.
B. El mayor elemento de la fila en valor absoluto.
C. El menor elemento de la fila.
D. El menor elemento de la fila en valor absoluto.

7. En la eliminación gaussiana por pivotado parcial se elige la ecuación pivote:

A. No es necesario seguir ningún criterio.
B. Se elige una ecuación pivote cuyo elemento pivote no sea cero.
C. Usando el vector de índices.
D. Usando el vector de escalados.

8. El vector de escalados se calcula:

A. Antes que el vector de índices.
B. Después que el vector de índices.
C. Después de conocer las incógnitas.
D. Después de la sustitución hacía atrás.

9. La eliminación gaussiana por pivotado calcula el vector de escalado en:

A. La eliminación hacía adelante.
B. En la sustitución hacía atrás.
C. Lo puede hacer en la eliminación hacía adelante o en la sustitución hacía atrás.
D. Después de haber calculado las incógnitas.

10. La eliminación gaussiana por pivotado parcial actualiza el vector b durante:

A. La eliminación hacía adelante.
B. En la sustitución hacía atrás.
C. Lo puede hacer en la eliminación hacía adelante o en la sustitución hacía atrás.
D. Después de haber calculado las incógnitas.

TEMA 8 – Test 11 © Universidad Internacional de La Rioja (UNIR)