1601 IQ4101 02 Sistemas Algebraicos S. Lineales

DEPARTAMENTO DE INGENIERA
QUMICA Y BIOTECNOLOGA
FACULTAD DE CIENCIAS
FSICAS Y MATEMTICAS
UNIVERSIDAD DE CHILE
IQ4101 - Mtodos Matemticos para Ingeniera de Procesos
Captulo 2: Solucin de sistemas algebraicos

Primera parte: Sistemas Lineales
J. Cristian Salgado - jsalgado@ing.uchile.cl

Departamento de Ingeniera Qumica y Biotecnologa
Universidad de Chile
Semestre Otoo 2016
Sistemas de ecuaciones lineales algebraicas

Mtodos directos e indirectos
Existencia y unicidad de la solucin
Inversin de matrices, descomposiciones y matrices sparce
Aplicaciones en rea de procesos
Propsito del captulo
Al trmino de este captulo el alumno
Comprende las caractersticas de sistemas de ecuaciones y su relacin con la ingeniera

de procesos.
Comprende, aplica y analiza algoritmos para la solucin de sistemas de ecuaciones

lineales.
Comprende, aplica y analiza algoritmos para la solucin de sistemas de ecuaciones no

lineales.
Aplica los algoritmos de solucin de sistemas algebraicos a problemas en el rea de

ingeniera de procesos
J. Cristian Salgado - http://www.cec.uchile.cl/ jsalgado
IQ4101 - Captulo 2: Sistemas Lineales


Escalares, reales y complejos
Vectores
Matrices


Vectores
Matrices
Sistemas de ecuaciones lineales

La tarea ms bsica en lgebra lineal y en clculo cientfico es resolver un sistema de
ecuaciones lineales. En general un sistema de M ecuaciones lineales simultaneas para N
incgnitas x1 ,x2 , ,xN es expresado de la siguiente manera:
a11 x1 + a11 x2 + + a1N xN = b1

a21 x1 + a21 x2 + + a2N xN = b2
..
.
aM1 x1 + aM1 x2 + + aMN xN = bM
(1)
donde aij es el coeficiente constante (suponemos real), xj es la incgnita j, bi es la constante del

lado derecho (suponemos real).


Vectores
Matrices

La tarea ms bsica en lgebra lineal y en clculo cientfico es resolver un sistema de
ecuaciones lineales. En general un sistema de M ecuaciones lineales simultaneas para N
incgnitas x1 ,x2 , ,xN es expresado de la siguiente manera:
a11 x1 + a11 x2 + + a1N xN = b1

a21 x1 + a21 x2 + + a2N xN = b2
..
.
aM1 x1 + aM1 x2 + + aMN xN = bM
(1)
donde aij es el coeficiente constante (suponemos real), xj es la incgnita j, bi es la constante del

lado derecho (suponemos real).
Notar bien que
Si N = M entonces hay tantas ecuaciones como incgnitas y existe una buena chance de
obtener un nico conjunto de soluciones xi i = 1,..,N . N.B. que cuando N 6= M el problema es
an ms interesante.


Vectores
Matrices
Ejemplo de un sistema de ecuaciones lineales para N = M
x1 + x2 + x3 = 4
2x1 + x2 + 3x3 = 7
3x1 + x2 + 6x3 = 2
(2)


Vectores
Matrices
Ejemplo de un sistema de ecuaciones lineales para N = M
x1 + x2 + x3 = 4
2x1 + x2 + 3x3 = 7
3x1 + x2 + 6x3 = 2
Cmo obtendra la solucin de este sistema?
(2)


Vectores
Matrices
Qu tipos de problemas se pueden expresar como un sistema de ecuaciones lineales?
Balances de masa.


Vectores
Matrices
Balances de masa.
Linealizaciones en torno a puntos de operacin.


Vectores
Matrices
Balances de masa.
Linealizaciones en torno a puntos de operacin.
Metabolic flux analysis (MFA).


Vectores
Matrices

Notacin matricial
N.B. que es comn escribir estos sistemas utilizando notacin matricial/vectorial:
Ax = b
donde
A=
a11
a21
a12
a22
a13
a23
.
.
.
.
.
.
.
.
.
..
aN1
aN2
aN3
a1N
a2N
.
.
.
aNN
(3)

x1
x2

b1

b2
, x = .. y b = ..
.
xN
bN
Note que el nmero de filas es igual al nmero de ecuaciones y que el nmero de columnas
equivale al nmero de incgnitas. Volviendo al ejemplo anterior:
Cdigo 1: Ejemplo de cdigo Scilab/Matlab
-->
-->
-->
x
A = [1 1 1; 2 1 3; 3 1 6];
b = [4;7;2];
x = A\b
% Operador: Backslash or left matrix divide
=
19.
- 7.
- 8.


Vectores
Matrices

Consideraciones importantes
Notar bien que:
Puede ser tentador pensar que basta con saber el comando anterior para resolver un
sistema lineal de ecuaciones.


Vectores
Matrices

Notar bien que:
Se deben entender los fundamentos de la solucin de este tipo de problemas de manera de

resolver problemas ms complicados. e.g. sistemas de EDOs, EDPs, NLES, etc.


Vectores
Matrices

Notar bien que:

Note que esta herramienta falla para ciertos tipos de sistemas de ecuaciones.


Vectores
Matrices

Notar bien que:

Note que esta herramienta falla para ciertos tipos de sistemas de ecuaciones.
Para identificarlos y proponer otros mtodos de solucin se requiere dominar algunos

fundamentos de algebra lineal.


Vectores
Matrices
Revisin de operaciones escalares, vectoriales

y matriciales


Vectores
Matrices
Escalares son todos aquellos nmeros que representan un slo valor ya sea
real : 3,1.4,5/7,
complejo : 1 + 2i,1/2i
i=
p
1
El conjunto de todos los reales es denotado como
El conjunto de todos los complejos es C. As por ejemplo, z C se puede escribir como
z = a + ib
donde a,b
(4)
(5)
(6)


Vectores
Matrices
El complejo conjugado z = z de z = a + ib es
z = z = a ib
zz =
a2 + b2 0
(8)
Re
Notacin polar
|z| = a + ib = |z|(cos + i sin)
Im
El modulo no negativo de z, |z| se define como,
|z| =
(7)
(9)
Identidad de Euler
ei = (cos + i sin)
(10)


Vectores
Matrices
Notacin vectorial
Vector tridimensional
Un vector tridimensional v

v1
v = v2
v3
(11)
es real si v1 ,v2 ,v3 ; que es equivalente a v 3 . Note que este vector se puede visualizar
fcilmente en 3D utilizando vectores unitarios (en este caso una base ortonormal):


Vectores
Matrices
Notacin vectorial
Vector tridimensional
Un vector tridimensional v

v1
v = v2
v3
(11)
es real si v1 ,v2 ,v3 ; que es equivalente a v 3 . Note que este vector se puede visualizar
fcilmente en 3D utilizando vectores unitarios (en este caso una base ortonormal):

1
e[1] = 0
0

0
e[2] = 1
0

0
e[3] = 0
1
(12)
luego, v 3 se puede escribir como:
v = v1 e[1] + v2 e[2] + v3 e[3] =
3
X
vi e[i]
(13)
i=1


Vectores
Matrices
Notacin vectorial
Vector N -dimensional
Obviamente, la notacin anterior puede ser extendida a vectores de cualquier dimensin, e.g.
sea v N un vector columna real N -dimensional:
v1
v
v = 2
:
vN
vi , i = 1,..,N
(14)
Expresando v sobre una base de vectores unitarios:
v = v1 e[1] + v2 e[2] + + vN e[N] =
N
X
vi e[i]
i=1
(15)


Vectores
Matrices
Notacin vectorial
Vector N -dimensional
Obviamente, la notacin anterior puede ser extendida a vectores de cualquier dimensin, e.g.
sea v N un vector columna real N -dimensional:
v1
v
v = 2
:
vN
vi , i = 1,..,N
(14)
Expresando v sobre una base de vectores unitarios:
v = v1 e[1] + v2 e[2] + + vN e[N] =
N
X
vi e[i]
(15)
i=1
donde los componentes de e[i] corresponden a los deltas de Kroenecker jk ,
i1

e[i] = i2
:
iN
ik =
1. si i = k
0. si i 6= k
(16)


Vectores
Matrices
Operaciones vectoriales
Suma, multiplicacin
Suma, v,w N
v1
w1
v1 + w 1
v2 w2 v2 + w2

v+w =
..
.. + .. =
vN
wN
vN + w N
(17)
Multiplicacin, v N ,c ,

cv1
v1
v2 cv2

cv = c
.. = ..
vN
cvN
(18)
Vector nulo, 0

0
.
0 = ..
0
(19)


Vectores
Matrices
Producto punto
Producto punto (interno, escalar), v,w N
v w = v1 w1 + v2 w2 + + vN wN =
N
X
vk wk = |v||w|cos()
(20)
k=1
N.B. que cuando dos vectores son paralelos el producto punto es mximo y equivale al producto
de sus longitudes; cuando los vectores son perpendiculares el producto punto es 0
(ortogonalidad es la extensin de la perpendicularidad de 3 en N ).


Vectores
Matrices
Producto punto
Producto punto (interno, escalar), v,w N
v w = v1 w1 + v2 w2 + + vN wN =
N
X
vk wk = |v||w|cos()
(20)
k=1
N.B. que cuando dos vectores son paralelos el producto punto es mximo y equivale al producto
de sus longitudes; cuando los vectores son perpendiculares el producto punto es 0
(ortogonalidad es la extensin de la perpendicularidad de 3 en N ).
El largo de un vector est dado por:
v
u N
uX
p
|v| = v v = t
v2 0
k
(21)
k=1


Vectores
Matrices
Largo/norma de un vector
El largo de un vector |v| satisface las propiedades ms generales de una norma vectorial.
Norma de un vector v N , es una operacin que asocia una escalar real kvk a todo vector
real v N de tal manera que para todo v,w N y para todo c tenemos
kvk 0
(22)
k0k = 0
(23)
kvk = 0 ssi v = 0
(24)
kcvk = |c|kvk
(25)
kv + wk kvk + kwk
(26)


Vectores
Matrices
Largo/norma de un vector
El largo de un vector |v| satisface las propiedades ms generales de una norma vectorial.
Norma de un vector v N , es una operacin que asocia una escalar real kvk a todo vector
real v N de tal manera que para todo v,w N y para todo c tenemos
kvk 0
(22)
k0k = 0
(23)
kvk = 0 ssi v = 0
(24)
kcvk = |c|kvk
(25)
kv + wk kvk + kwk
(26)
Por supuesto, cada norma genera una mtrica sobre el espacio que puede ser utilizada para
medir cun diferentes son dos vectores:
d(v,w) = kv wk = |v w| =
(v w) (v w)
(27)


Vectores
Matrices
p-norma
La p-norma ||v||p de un vector real v N se define como
||v||p =
N
X
1/p
|vk |
(28)
k=1
N.B. que el largo de un vector equivale a la 2-norma
La normal infinito se define como el lmite de ||v||p cuando p
||v|| lim ||v||p = max |vj |

p
j[1,N]

>> a = [1; 2; 5; 3; 4];
>> norm(a,inf) % norm(a,'inf') en scilab
ans = 5
>> norm(a,inf) == max(abs(a))
ans = 1
>> [norm(a,2) norm(a,2) == sqrt(sum(a.^2))]
ans = 7.4162
1
(29)


Vectores
Matrices
Sistema lineal
Para que un sistema lineal Ax = b,
a11
a21
A=
..
a12
a22
a13
a23
..
.
..
.
..
aN1
aN2
aN3
a1N
a2N
..
,
.
aNN
x1
x2
x=
..
b1
b2
y b=
..
xN
(30)
bN
tenga solucin nica debe haber igual nmero de ecuaciones e incgnitas, luego A ser una
matriz cuadrada de N N filas y columnas. N.B. una matriz BMN tiene M filas y N columnas.


Vectores
Matrices
Operaciones sobre matrices

Multiplicacin por un escalar
Multiplicacin de AMN por un escalar c,
a11
a21
cA = c
..
a12
a22
a13
a23
..
.
..
.
..
aM1
aM2
aM3

a1N
ca11
a2N ca21
..
= ..
ca12
ca22
ca13
ca23
..
.
..
.
..
aMN
caM1
caM2
caM3
ca1N
ca2N
..
caMN


Vectores
Matrices

Multiplicacin por un escalar
Multiplicacin de AMN por un escalar c,
a11
a21
cA = c
..
a12
a22
a13
a23
..
.
..
.
..
aM1
aM2
aM3
(cA)ij = cAij

a1N
ca11
a2N ca21
..
= ..
ca12
ca22
ca13
ca23
..
.
..
.
..
aMN
caM1
caM2
caM3
i = 1,..,M; j = 1,..,N
ca1N
ca2N
..
caMN
(31)


Vectores
Matrices

Suma de matrices
Suma de AMN y BMN ,
a11
a21
A+B =
..
a12
a22
a13
a23
..
.
..
.
..
aM1
aM2
aM3

a1N
b11
a2N b21
..
+ ..
b12
b22
b13
b23
..
.
..
.
..
aMN
bM1
bM2
bM3
b1N
b2N
..
bMN


Vectores
Matrices

Suma de matrices
Suma de AMN y BMN ,
a11
a21
A+B =
..
a12
a22
a13
a23
..
.
..
.
..
aM1
aM2
aM3

a1N
b11
a2N b21
..
+ ..
b12
b22
b13
b23
..
.
..
.
..
aMN
bM1
bM2
bM3
(A + B)ij = Aij + Bij
i = 1,..,M; j = 1,..,N
b1N
b2N
..
bMN
(32)


Vectores
Matrices

Multiplicacin de matrices y vectores
Multiplicacin de una matriz cuadrada ANN y un vector N -dimensional v
a11
a21
Av =
..
a12
a22
a13
a23
..
.
..
.
..
aN1
aN2
aN3

a1N
v1
a2N v2

..
..
.
aNN
vN
(33)


Vectores
Matrices

Multiplicacin de una matriz cuadrada ANN y un vector N -dimensional v
a11
a21
Av =
..
a12
a22
a13
a23
..
.
..
.
..
aN1
aN2
aN3
(Av)i =
N
X
Aij vj

a1N
v1
a2N v2

..
..
.
aNN
vN
i = 1,..,N
j=1
(33)
(34)


Vectores
Matrices

Multiplicacin de una matriz AMN y un vector N -dimensional v
a11
a21
Av =
..
a12
a22
a13
a23
..
.
..
.
..
aM1
aM2
aM3

v1
a1N
v
a2N 2
v3
..
.
.
.
.
aMN
vN
(35)


Vectores
Matrices

Multiplicacin de una matriz AMN y un vector N -dimensional v
a11
a21
Av =
..
a12
a22
a13
a23
..
.
..
.
..
aM1
aM2
aM3
(Av)i =
N
X
Aij vj

v1
a1N
v
a2N 2
v3
..
.
.
.
.
aMN
vN
i = 1,..,M
j=1
N.B. que v N y Av M
(35)
(36)


Vectores
Matrices

Transpuesta de una matriz
La matriz transpuesta AT de la matriz AMN se define como
(AT )ij = Aji

Note que AMN y que ATNM
Cdigo 3: Ejemplo de cdigo Octave
octave:6> A = [1.1 1.2 1.3; 2.1 2.2 2.3; 3.1 3.2 3.3; 4.1 4.2 4.3]
A = 1.1 1.2 1.3
2.1 2.2 2.3
3.1 3.2 3.3
4.1 4.2 4.3
octave:7> A'
ans = 1.1 2.1 3.1 4.1
1.2 2.2 3.2 4.2
1.3 2.3 3.3 4.3
(37)


Vectores
Matrices

Transpuesta de una matriz
Note que la operacin transpuesta tambin puede ser aplicada sobre vectores. En particular
para calcular el producto punto entre dos vectores v,w N
w1
N
X
w2
vN
vk w k
.. = v1 w1 + v2 w2 + + vN wN =

v w = v T w = v1
v2
k=1
wN

>> a=[1; 2; 3]; b=[1; 2; 3]; [a b]
ans =
1
1
2
2
3
3
>> (dot(a,b) == sum(a.*b)) && (dot(a,b) == a'*b)
ans =
1
% N.B && ~= &
(38)

Eliminacin de gauss
Algoritmo intuitivo
Algoritmo de Eliminacin de Gauss
Mtodo de eliminacin de Gauss-Jordan
Pivoteo Parcial: Qu sucede si a11 = 0
Mtodos indirectos
Mtodos directos o de eliminacin

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodos de eliminacin para resolver LES
Considere un sistema lineal Ax = b con A una matriz real de N N y x,v N
Los mtodos de eliminacin convierten el sistema de ecuaciones en uno ms simple de

resolver (Usualmente una matriz triangular superior o una matriz diagonal).
Son mtodos muy simples de implementar y funcionan bien para sistemas que tienen una
nica solucin.
Son costosos para sistemas de ecuaciones de gran envergadura.
En esos casos se utilizan mtodos iterativos.
Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos

Matriz ampliada (Augmented matrix)
Se define la matriz ampliada de un sistema de ecuaciones Ax = b como:
a11
a21
(A,b) =
..
a12
a22
a13
a23
a1N
a2N
..
.
..
.
..
..
.
aN1
aN2
aN3
aNN
b1
b2
..
bN
(39)

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Operaciones elementales por fila (Elementary row operations)

Sea k c i + k una ERO definida por
a11
..
.
a1N
.
.
.
ai1
.
(A,b) = ..
a
k1
.
.
aN1
aiN
.
.
.
akN
.
.
.
aNN
b1
.
.
.
bi
. kci+k
.
.
bk
.
.
.
a11
ai1
.
0
.
(A,b) =
.
(ca + a )
k1
i1
bN
.
.
.
b1
.
.
.
.
.
.
aiN
.
.
.
(caiN + akN )
.
.
.
aN1
a1N
aNN
bi
.
.
(cbi + bk )
.
.
bN
(40)

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Operaciones elementales por fila (Elementary row operations)

Sea k c i + k una ERO definida por
a11
..
.
a1N
.
.
.
ai1
.
(A,b) = ..
a
k1
.
.
aN1
aiN
.
.
.
akN
.
.
.
aNN
b1
.
.
.
bi
. kci+k
.
.
bk
.
.
.
a11
ai1
.
0
.
(A,b) =
.
(ca + a )
k1
i1
bN
.
.
.
b1
.
.
.
.
.
.
aiN
.
.
.
(caiN + akN )
.
.
.
aN1
a1N
bi
.
.
(cbi + bk )
aNN
bN
(40)
La clave para los mtodos de eliminacin son las operaciones elementales de fila.
Mediante las operaciones de fila podemos reescribir un LES.
Las operaciones de fila no modifican el resultado de un LES.
Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos

Algoritmo de eliminacin de Gauss
Sea (A,b) la matriz ampliada de un sistema de ecuaciones lineales y a11 6= 0
a11
a21
(A,b) =
..
a12
a22
a13
a23
a1N
a2N
..
.
..
.
..
..
.
aN1
aN2
aN3
aNN
b1
b2
..
bN
Necesitamos
Un algoritmo que transforme este sistema lineal en una forma triangular superior.
Un algoritmo que resuelva el nuevo sistema obtenido.
(41)

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
El mtodo de eliminacin de Gauss tiene variados usos:
Resolver sistemas de ecuaciones lineales.

Determinar el rango de una matriz.
Determinar la inversa de una matriz
El mtodo comprende 2 etapas:
Eliminacin hacia adelante: lo cual genera una matriz triangular superior (si es que hay solucin).
Sustitucin reversa: etapa donde se resuelve el sistema triangular.

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Ejemplo de eliminacin de Gauss

Considere el siguiente sistema de ecuaciones:
3x1 + 18x2 + 9x3 = 18
(42)
2x1 +
3x2 + 3x3 = 117
(43)
4x1 +
x2 + 2x3 = 283
(44)
Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos


3x1 + 18x2 + 9x3 = 18
(42)
2x1 +
3x2 + 3x3 = 117
(43)
4x1 +
x2 + 2x3 = 283
(44)
y su matrix de 3 4 ampliada equivalente:
3
(A,b) = 2
4
18
3
1
9
3
2
|
|
|
18
117
283
(45)
Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos


3x1 + 18x2 + 9x3 = 18
(42)
2x1 +
3x2 + 3x3 = 117
(43)
4x1 +
x2 + 2x3 = 283
(44)
y su matrix de 3 4 ampliada equivalente:
3
(A,b) = 2
4
18
3
1
9
3
2
|
|
|
18
117
283
(45)
Cmo utilizara las operaciones de fila para transformar esta sistema en uno que permita su
solucin con mayor facilidad?
Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos


Matriz ampliada del sistema
3
(A,b) = 2
4
18
3
1
9
3
2
|
|
|
18
117
283
(46)
Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos


3
(A,b) = 2
4
18
3
1
9
3
2
|
|
|
18
117
283
(46)
Primera operacin de fila, 2 2 2/3 1
3
(A,b)(2,1) = 0
4
18
9
1
9
3
2
|
|
|
18
105
283
Note que se usa la notacin (A,b)(2,1) que significa que se ha colocado un 0 en la posicin
(2,1) utilizando la operacin de fila 2 2 21 1
(47)
Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos


3
(A,b) = 2
4
18
3
1
9
3
2
|
|
|
18
117
283
(46)
Primera operacin de fila, 2 2 2/3 1
3
(A,b)(2,1) = 0
4
18
9
1
9
3
2
|
|
|
18
105
283
(47)
Note que se usa la notacin (A,b)(2,1) que significa que se ha colocado un 0 en la posicin
(2,1) utilizando la operacin de fila 2 2 21 1
N.B. que el sistema lineal A(2,1) x = b(2,1) tiene la misma solucin que el sistema original Ax = b

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos

Segunda operacin de fila, 3 3 4/3 1
3
(A,b)(3,1) = 0
0
18
9
23
9
3
10
|
|
|
18
105
259
(48)

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos

3
(A,b)(3,1) = 0
0
18
9
23
|
|
|
9
3
10
18
105
259
(48)
18
105
28/3
(49)
Tercera operacin de fila, 3 3 23/9 2
3
(A,b)(3,2) = 0
0
18
9
0
9
3
7/3
|
|
|
Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos


3
(A,b)(3,1) = 0
0
18
9
23
18
105
259
(48)
18
105
28/3
(49)
|
|
|
9
3
10
Tercera operacin de fila, 3 3 23/9 2
3
(A,b)(3,2) = 0
0
18
9
0
9
3
7/3
|
|
|
N.B. que la triangularizacin del sistema est completa y el sistema de ecuaciones ha sido
transformado a la siguiente forma:
3x1 +
18x2 +
9x3 = 18
(50)
9x2 +
3x3 = 105
(51)
7/3x3 = 28/3
(52)
Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos

Sustitucin inversa
Sistema triangularizado
3x1 +
18x2 +
9x3 = 18
(53)
9x2 +
3x3 = 105
(54)
7/3x3 = 28/3
(55)
Finalmente, el sistema se resuelve obteniendo las incgnitas desde abajo hacia arriba i.e.
resolviendo las ecuaciones del sistema triangularizado secuencialmente (proceso de sustitucin
inversa).
x3 = 4
(56)
x2 = 13
(57)
x1 = 72
(58)

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Eliminacin de Gauss
Ejemplo prctico
Determine la solucin del siguiente sistema de ecuaciones utilizando el algoritmo de Eliminacin

de Gauss, detallando claramente cada paso del algoritmo.
4x1 + 2x2 + 2x3 + 4x4 = 1

x1 + 2x2 +
x3 + 2x4 = 2
4x1 + 3x2 + 3x3 + 2x4 = 3

x1 + 2x2 + 3x3 + 4x4 = 4
Tiempo 15 minutos

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Cmo se podra formalizar el algoritmo de eliminacin de Gauss algoritmo?

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Algoritmo 1 Eliminacin de Gauss

Require: (A,b) matriz ampliada de N N + 1.
Ensure: (A,b)(N, N1) matriz triangular superior.
1: function getUpperTriang(A,b)
. Transforma (A,b) en triangular superior
2:
Inicializar N 2 espacios de memoria para A y N para b
. Usualmente mejora la velocidad de ejecucin
3:
for i 1,2,...,N 1 do
. Iteramos sobre las columnas de derecha a izquierda
4:
if aii = 0 then
5:
STOP: Divisin por cero
. Evitamos divisiones por cero
6:
end if
7:
for j i + 1,i + 2,...,N do
. Iteramos sobre las filas bajo la diagonal
8:
aji /aii
9:
for k = i,i + 1,i + 2,...,N do
. Iteramos en fila j desde columna i hacia la derecha
10:
ajk ajk aik
11:
end for
12:
bj bj bi
13:
end for
14:
end for
15:
return (A,b)(N, N1)
16: end function
. N.B. que el costo computacional (nmero de FLOPS) de este algoritmo es N 3

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Algoritmo de sustitucin inversa
Algoritmo 2 Sustitucin inversa

Require: (A,b)(N, N1) matriz triangular superior.
Ensure: x
1: function getBackwardSubs(A,b)
. Transforma (A,b) en triangular superior
2:
Inicializar N espacios de memoria para los componentes de x
3:
for i N,N 1,...,1 do
. Iteramos sobre las filas desde abajo hacia arriba
4:
suma 0
5:
for j i + 1,i + 2,...,N do
. Iteramos sobre las columnas inferiores
6:
suma suma + aij xj
7:
end for
8:
xi (bi suma)/aii
9:
end for
10:
return x
11: end function
Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos


Una alternativa, al mtodo de Gauss, es continuar el proceso de eliminacin eliminando,
tambin, los componentes de la matriz por sobre la diagonal. De esta manera se obtiene un
sistema diagonalizado:
Dx = b0
(59)
que es equivalente a:
A=
d11

x1
b1
x2 b2
. = .
. .
d22
..
dNN
xN
bN
(60)
el cual se resuelve fcilmente para xj = b0j /djj .

N.B. que este mtodo es muy costoso computacionalmente por lo cual rara vez se utiliza en la
prctica.
Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos

Las operaciones de fila se basan en el clculo del coeficiente , e.g.
2 2 2/3 1
(61)
actualiza la fila 2 substrayndole la fila 1 multiplicada por 21 = a21 /a11 = 2/3. N.B. que si
a11 = 0 entonces 21 .
Esto se soluciona utilizando pivoteo parcial. Los componentes de la primera columna estn
dados por
a11
a21
a
31
a1 = A(:,1) =
.
.
(62)
aN1
buscamos el elemento de mayor magnitud, i.e.
|ai1 | = max |ak1 |

k[1,N]
(63)
Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos

Ya que el orden de las ecuaciones es irrelevante, podemos intercambiar la fila 1 por la fila i y
obtenemos un sistema equivalente.
ai1
a21
..
.
(A,b) =
a11
.
..
ai2
a22
ai3
a23
..
.
..
.
a12
a13
..
.
..
.
aN1
aN2
aN3
aiN
a2N
..
.
a1N
..
.
aNN
bi
b2
..
.
b1
..
.
(64)
bN
N.B. si todos los elementos de la fila son iguales a cero, entonces |ai1 | = 0 y el sistema no tiene
solucin nica

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Algoritmo 3 Eliminacin de Gauss con pivoteo parcial

Require: (A,b) matriz ampliada de N N + 1.
Ensure: (A,b)(N, N1) matriz triangular superior.
1: function getUpperTriangPartialPivoting(A,b)
. Transforma (A,b) en 4up implementando pivoteo parcial
2:
Inicializar N 2 espacios de memoria para A y N para b
3:
for i 1,2,...,N 1 do
. Iteramos sobre las columnas
4:
Select fila j i tq |aji | = maxji {|aii |,|ai+1,i |,...,|aNi |}
5:
if aji = 0 then
6:
STOP: No existe solucin nica
. No existe solucin nica
7:
end if
8:
if j 6= i then
9:
Swap filas i y j de la matrix (A,b)
10:
end if
11:
for j i + 1,i + 2,...,N do
. Iteramos sobre filas j > i
12:
aji /aii
13:
for k = i,i + 1,i + 2,...,N do
. Iteramos en fila j desde columna i hacia la derecha
14:
ajk ajk aik
15:
end for
16:
bj bj bi
17:
end for
18:
end for
19:
return (A,b)(N, N1)
20: end function

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Ejemplo de Eliminacin de Gauss con pivoteo parcial
Resuelva el siguiente sistema de ecuaciones lineales utilizando al algoritmo de GEPP.
1
(A,b) = 2
3
1
1
1
1
3
6
4
7
2
(65)

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Ejemplo de Eliminacin de Gauss con pivoteo parcial
Resuelva el siguiente sistema de ecuaciones lineales utilizando al algoritmo de GEPP.
1
(A,b) = 2
3
1
1
1
1
3
6
4
7
2
Solucin
x1 = 19
x2 = 7
x3 = 8
(66)

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodos indirectos

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodos indirectos
Note muy bien que

Para sistemas de muchas ecuaciones (M >> 1) es difcil alcanzar una precisin igual o
comparable a la precisin del computador.
Los mtodos directos se caracterizan por acumular los errores de redondeo.

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodos indirectos
Note muy bien que

La acumulacin de errores de redondeo puede transformar la matriz A en una matriz

singular.

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodos indirectos
Note muy bien que


singular.
La solucin estimada mediante los algoritmos directos puede diferir mucho de la solucin
real.

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodos indirectos
Note muy bien que


singular.
real.

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodos indirectos
Note muy bien que


singular.
real.
Los mtodos indirectos son una buena solucin para lidiar con este tipo de problemas
Son una alternativa para problemas de gran envergadura.

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodos indirectos
Note muy bien que


singular.
real.
Los mtodos indirectos son una buena solucin para lidiar con este tipo de problemas
Son una alternativa para problemas de gran envergadura.
Se suelen utilizar para refinar soluciones obtenidas mediante otros mtodos.

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodo de Jacobi
Regla de iteracin
Sea un sistema lineal,
Ax = b
(67)
note que la matriz A se puede reescribir como:
A = (A D) + D
(68)
donde D, es una matriz diagonal cuyos elementos corresponden a los elementos de la diagonal
principal de A, i.e.
aii si i = j
dij =
(69)
0 en otro caso

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodo de Jacobi
Regla de iteracin
Ax = b
(67)
A = (A D) + D
(68)
aii si i = j
dij =
(69)
0 en otro caso
Combinando ambas ecuaciones obtenemos:
Dx = b (A D)x
(70)
(71)
x=D
bD
(A D)x

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodo de Jacobi
Regla de iteracin
Ax = b
(67)
A = (A D) + D
(68)
aii si i = j
dij =
(69)
0 en otro caso
Combinando ambas ecuaciones obtenemos:
Dx = b (A D)x
(70)
(71)
x=D
bD
(A D)x
y la regla de iteracin de Jacobi:
x[k+1] = D1 b (D1 A I)x[k]

(72)

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodo de Jacobi
Criterios de detencin
x[k+1] = D1 b (D1 A I) x[k]
(73)
Note que el mtodo de Jacobi requiere una estimacin inicial x[0] del vector de soluciones.
La convergencia del mtodo de Jacobi depende de las caractersticas de la matriz A y del
valor de x[0] .
Las iteraciones del algoritmo de Jacobi continan hasta que se obtiene la convergencia.

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodo de Jacobi
x[k+1] = D1 b (D1 A I) x[k]
(73)
valor de x[0] .
Note que tericamente se desea que:
lim kAx[k] bk = 0
(74)

Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos
Mtodo de Jacobi
x[k+1] = D1 b (D1 A I) x[k]
(73)
valor de x[0] .
lim kAx[k] bk = 0
(74)
kx[k+1] x[k] k
< etol
kx[k] k
(75)
pero en la prctica es comn utilizar:
Eliminacin de gauss
Algoritmo intuitivo
Mtodos indirectos

Mtodo de Jacobi
x[k+1] = D1 b (D1 A I) x[k]
(73)
valor de x[0] .
lim kAx[k] bk = 0
(74)
kx[k+1] x[k] k
< etol
kx[k] k
(75)
pero en la prctica es comn utilizar:
Adems es usual exigir que la mxima diferencia entre sucesivas estimaciones este acotada, i.e.
(
max
i
[k+1]
|xi
[k]
|xi |
[k]
xi |
)
<
etol
10
(76)

Ax = b es una transformacin lineal

Espacios vectoriales y conjuntos base
Teoremas de unicidad y existencia
Determinante, norma, condicionamiento, y rango


Existencia y unicidad
El algoritmo de Gauss con pivoteo parcial es capaz de resolver un sistema de ecuaciones

lineales hallando su solucin o fallando cuando no existe solucin nica.
Cuando un sistema de ecuaciones lineales posee una solucin real se dice que la solucin
existe.
Cuando esta solucin es nica se habla de unicidad de la solucin.
El anlisis de estas propiedades es fundamental ya que la solucin de sistemas de

ecuaciones lineales es una piedra fundamental en los algoritmos para resolver sistemas de
ecuaciones no lineales, EDOs y EDPs.


Conjuntos de ecuaciones singulares y no singulares

Recuerde que
Si N = M entonces hay tantas ecuaciones (M) como incgnitas (N ) y existe una buena chance
de obtener un nico conjunto de soluciones xi i = 1,..,N . N.B. que cuando N 6= M el problema
es an ms interesante.
Si una de las filas de la matriz A es linealmente dependiente de las otras (row degeneracy)
entonces puede no existir solucin o existir ms de una. En este caso A es llamada matriz
singular



Recuerde que
singular
Qu sucede si existe una dependencia lineal aproximada entre filas de la matriz A?, Qu
efecto pueden tener los errores de redondeo?, Es posible detectar este tipo de error?



Recuerde que
singular
Suponga que la matriz es no singular pero N es muy grande. Siempre se encuentra el

vector x correcto?, Qu efecto pueden tener los errores de redondeo en este caso?,
Cmo lo detectara?.



Recuerde que
singular
Suponga que la matriz es no singular pero N es muy grande. Siempre se encuentra el

vector x correcto?, Qu efecto pueden tener los errores de redondeo en este caso?,
Cmo lo detectara?.
Note que gran parte de la sofisticacin de los algoritmos para resolver problemas de
algebra lineal est invertida en tratar con estos problemas.



N es un espacio vectorial ya que posee las siguientes propiedades:
Cerrado en la adicin
Si v,w N , entonces el vector v + w N
Cerrado en la multiplicacin por un escalar real

Si v N y c , entonces el vector cv N
Otras propiedades
Sea A es una matriz real de N N , x y b N . El producto
a11
a21
Ax =
..
a12
a22
..
.
..
aN1
aN2

a1N
x1
a11 x1 + a12 x2 + + a1N xN
a2N x2 a21 x1 + a22 x2 + + a2N xN

..
..
.. =
aNN
xN
aN1 x1 + aN2 x2 + + aNN xN
est en N tambin.
Por lo tanto, la matriz A mapea cualquier vector x N en otro vector b = Ax N .
(77)



Adems, dado v,w N , c , tenemos que se cumplen las siguientes propiedades lineales:
A(v + w) = Av + Aw
A(cv) = cAv
N
(78)
N
Luego, se dice que A es una transformacin lineal que mapea en si mismo, i.e. A : N
N.B. que las propiedades de existencia y unicidad de Ax = b se pueden interpretar como:
La solucin existe si hay algn vector x N tal que es mapeado por A en b N .
La solucin es nica si no existe otro vector y 6= x tal que es mapeado en b por A.




Considere un conjunto de P vectores b[1] ,b[2] ,...,b[P] N . Dicho conjunto se dice
linealmente independiente si no existe un conjunto de escalares c1 ,c2 ,...,cP distintos de cero, tal
que,
c1 b[1] + c2 b[2] + ... + cP b[P] = 0
(79)
i.e. ningn miembro del conjunto puede expresarse como la combinacin lineal de los otros.
Note que para vectores en N esto es solo posible si P N .
Si P = N se dice que el conjunto de vectores linealmente independientes es un conjunto base de

N y cualquier vector v N puede ser expresado como la combinacin lineal de estos
vectores.
Pregunta
Dado un conjunto de vectores generadores w[i] de N , linealmente independientes,
ortogonales y normales (ortonormales), Cmo obtendra el conjunto de escalares c1 ,c2 ,...,cN
para representar un vector cualquiera v N ?.


A partir de la expresin original:
v = c1 w[1] + c2 w[2] + ... + cN w[N]
(80)
se pueden escribir N ecuaciones lineales a travs del producto punto entre v y cada w[k] .
w[1] v = c1 (w[1] w[1] ) + c2 (w[1] w[2] ) + + cN (w[1] w[N] )
[2]
[2]
v = c1 (w
[1]
[2]
) + c2 (w
[2]
[2]
) + + cN (w
[N]
(81)
(82)
.
.
.
(83)
w[N] v = c1 (w[N] w[1] ) + c2 (w[N] w[2] ) + + cN (w[N] w[N] )
(84)
las cuales son equivalentes a:

(w[1] w[1] )
(w[2] w[1] )
.
.
(w[1] w[2] )
(w[2] w[2] )
.
.
.
..
(w[N] w[1] )
(w[N] w[2] )
[1]
(w[1] w[N] )
w v
c1
[2]
[N]
(w w ) c2 w[2] v

. = .
.
.
.. .
.
(w[N] w[N] )
cN
w[N] v
(85)


N.B. que si el conjunto generador es ortogonal y normal entonces:
w[i] w[j] = |w[i] |2 ij =
|w[i] |2 = 1 si i = j
si i 6= j
(86)
Luego, el sistema anterior se simplifica a:
|w[1] |2
[1]
w v
c1
c2 w[2] v

. = .
..
..
|w[2] |2
..
|w[N] |2
cN
(87)
w[N] v
y los coeficientes cj se obtienen fcilmente mediante:
cj =
w[j] v
|w[j] |2
= w[j] v
j = 1,2,...,N
(88)


Subespacios y span de un conjunto de vectores
Dado un conjunto de P vectores b[1] ,b[2] ,...,b[P] N con P N . Se define el span de ese
conjunto como el conjunto de todos los vectores v N que pueden ser escritos como
combinacin lineal de los miembros de ese conjunto.
span{b[1] ,b[2] ,...,b[P] } {v N |v = c1 b[1] + c2 b[2] + + cP b[P] }
El span de un conjunto de vectores tiene las propiedades de
Cerrado en la adicin.
Cerrado en la multiplicacin con un escalar.
Propiedades que lo definen como un espacio vectorial.
Luego span es un subespacio de N
(89)


El espacio nulo y la existencia/unicidad de las soluciones
Nos interesa determinar las propiedades de existencia y unicidad de un sistema lineal de

ecuaciones Ax = b, donde x,b N y A es una matriz de N N .
Note que si considera A como una transformacin lineal, el problema de resolver Ax = b puede
ser visto como encontrar x N que es mapeado por A en un determinado b N .
Existencia: Dados A y b, Cundo existe x N tq Ax = b?
Unicidad: Dados A y b y si existe x N , En qu condiciones x es nico?



La respuesta a estas preguntas depende de las caractersticas del espacio nulo o kernel de A,
denotado como KA .
Definicin
kernel o espacio nulo de una matriz A corresponde al subespacio de todos los vectores w N
que son mapeados por A en el vector nulo 0.


El kernel de A al menos contiene el vector nulo 0 tq A0 = 0.

Si el kernel de A solo contiene el vector nulo se dice que est vaco y Ax = b tiene solucin
nica x N para cualquier b N .
Si existe w 6= 0 tal que Aw = 0 entonces el sistema no tiene solucin nica.


Teorema de unicidad
Teorema de unicidad de la solucin para Ax = b

Sea x N una solucin del sistema lineal Ax = b, donde b N y A es una matriz de N N . Si
el kernel de A contiene slo el vector nulo; KA = 0, entonces la solucin es nica.


Teorema de existencia
Teorema de existencia de la solucin para Ax = b

Sea A una matriz de N N con un kernel KA y rango RA , y sea b N . Entonces,
1. La dimensin de KA satisface el teorema de la dimensin.
dim(KA ) + dim(RA ) = N
(90)
2. Si KA contiene slo el vector nulo, dim(KA ) = 0 y as dim(RA ) = N . Por lo tanto el rango

llena completamente a N as que todo b N est en el rango, b RA , y para todo
b N , el sistema Ax = b tiene solucin.
N.B. que un sistema de ecuaciones lineales cuya matriz tiene un kernel no vaco puede no
tener solucin o mltiples soluciones.
Rango RA y N |v N ,Av = y


Determinante
Determinar las caractersticas del kernel de una matriz A de N N puede ser muy difcil para
N > 1. Luego, definimos el determinante de una matriz A como:
det(A) = |A| =
c 6= 0 si KA = 0
0
si w KA , w 6= 0
Si el det(A) 6= 0 se dice que A es no singular y el sistema de ecuaciones Ax = b tiene

solucin nica para todo b N .
Si el det(A) = 0 se dice que A es singular y el sistema no tiene solucin nica.
>> A = [1 1 1; 2 1 3; 3 1 6]; %Matriz del ejemplo anterior
>> det(A) % determinante de A
ans = -1
>> null(A) % kernel@scilab. Obtiene base ortonormal para el kernel de A
ans = Empty matrix: 3-by-0
(91)



>> A = [1 1 1; 2 2 2; -1 0 -1]; %Matriz con dos filas l.d.
>> det(A)
% determinante de A
ans = 0
>> kernel(A) % Obtiene una base ortonormal para el kernel de A
ans =
-0.7071
-0.0000
0.7071


Norma y rango de una matriz
Definicin
Se define la norma de una matriz como:
kAk = max
v6=0
kAvk
= max kAvk
kvk
kvk=1
(92)
Se define el rango de una matriz como el nmero de filas (o columnas) linealmente

independientes
Sea una matriz A de N N no singular, luego el rango de A ser N y se dice de rango completo.
Note que para esta matriz det(A) 6= 0


Condicionamiento de Ax = b
Ejemplo 1
Resuelva los siguientes sistemas:
A=
1
1/2
1/2
1/3
b1 =
3/2
1
b2 =
3/2
5/6
(93)


Ejemplo 1
A=
1
1/2
1/2
1/3
b1 =
3/2
1
b2 =
3/2
5/6

>> A = [1 1/2; 1/2 1/3]; b1=[3/2 1]'; b2=[3/2 5/6]';
>> [A\b1 A\b2]
ans =
0.0000
1.0000
3.0000
1.0000
Notar bien que

Pequeos cambios en el vector b produjeron grandes cambios en el vector x
(94)


Ejemplo 2
A1 =
1
1.1
2
2
A2 =
1
1.05
2
2
b=
10
10.4
(95)


Ejemplo 2
A1 =
1
1.1
2
2
A2 =
1
1.05
2
2
b=
10
10.4

>> A1 = [1 2; 1.1 2]; A2 = [1 2; 1.05 2]; b = [10 10.4]';
>> [A1\b A2\b]
ans =
4.0000
8.0000
3.0000
1.0000
Notar bien que

Pequeos cambios en la matriz A produjeron grandes cambios en el vector x
(96)


Sea A matriz no singular y el sistema
Ax = b
(97)
Un cambio en b de b unidades, la nueva solucin es
x + x
(98)
A(x + x) = b + b
(99)
x = A1 b
(100)
Note que:
y
Condicionamiento de una matriz

Mide cuan sensible es la solucin frente a cambios en el lado derecho.
Matrices bien condicionadas: pequeos b resulta en pequeo x
Matrices mal condicionadas: pequeos b resulta en gran x
Note que el condicionamiento de un sistema Ax = b es propiedad de la matriz A y no del

mtodo utilizado para resolverlo


Cotas de error
Suponiendo A no singular y x = A1 b
Cota de error absoluto para kxk
kxk kA1 kkbk
(101)


Cotas de error
kxk kA1 kkbk
kA1 k pequeo significa que kxk es pequeo cuando kbk es pequeo
(101)


Cotas de error
kxk kA1 kkbk

kA1 k grande significa que kxk es grande cuando kbk es pequeo
(101)


Cotas de error
kxk kA1 kkbk
(101)

Cota de error relativo para kxk/kxk
kbk
kxk
kAkkA1 k
kxk
kbk
(102)


Cotas de error
kxk kA1 kkbk
(101)

kbk
kxk
kAkkA1 k
kxk
kbk
Si kAkkA1 k es pequeo
kxk
kbk
es pequeo cuando
es pequeo.
kxk
kbk
(102)


Cotas de error
kxk kA1 kkbk
(101)

kbk
kxk
kAkkA1 k
kxk
kbk
kxk
kbk
es pequeo cuando
es pequeo.
kxk
kbk
kxk
kbk
Si kAkkA1 k es grande
puede ser grande cuando
es pequeo.
kxk
kbk
Si kAkkA1 k es pequeo
(102)


Definicin
El nmero de condicin de la matriz A se define como:
(A) = kAkkA1 k
Si A es una matriz bien condicionada entonces (A) ser cercano a 1.
Si A es una matriz mal condicionada entonces (A) ser grande.
(103)


Ejemplo
A=
1
1/2
1/2
1/3
b1 =
3/2
1
b2 =
3/2
5/6
(104)


Ejemplo
A=
1
1/2
1/2
1/3
b1 =
3/2
1
b2 =
3/2
5/6

>> A = [1 1/2; 1/2 1/3]
>> cond(A) % condicionamiento de A
ans = 19.2815
>>
>> [A\b1 A\b2]
ans =
0.0000
1.0000
3.0000
1.0000
(105)

La matriz inversa
Descomposicin LU
Descomposicin de Cholesky
Matrices Sparce
Matriz de banda
Inversin de matrices y descomposiciones

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Otras tareas comunes en algebra lineal

Note bien que
Existen muchas tareas interesantes en el campo del algebra lineal adems de la solucin de
sistemas de ecuaciones lineales.
Suponga una matriz A de N N
Solucin de ms de un sistema de ecuaciones Axj = bj , donde la matriz A permanece

constante.

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda

Note bien que

constante.
Clculo de la matriz inversa A1 , i.e. AA1 = A1 A = I.

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda

Note bien que

constante.
Clculo del determinante de la matriz.

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda

Note bien que

constante.
Descomposicin de valor singular de A: M < N (sistema subdeterminado) o bien existen

filas l.i. en la matriz A. Note que en este caso puede no existir solucin o bien existir ms
de una.

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda

Note bien que

constante.
Descomposicin de valor singular de A: M < N (sistema subdeterminado) o bien existen

filas l.i. en la matriz A. Note que en este caso puede no existir solucin o bien existir ms
de una.
Si M > N , tenemos un sistema sobredeterminado. En estos casos se busca la mejor
solucin en el sentido de los mnimos cuadrados.
min {(Ax b)2 }

x
(106)

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Inversin de matrices
Sea una matriz real A de N N con det(A) 6= 0, luego para todo b N existe un nico vector
x N tq Ax = b. Se define la transformacin lineal inversa A1 tq si
Ax = b
1
(107)
Ax = A
INN x = A
x=A
= A
(108)
donde Iv = v
(110)
Por qu?
N.B. que si A es singular, entonces det(A) = 0 y dim(KA ) > 0, luego A1 no existe.
(109)

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda

>> A = [1 1 1; 2 1 3; 3 1 6]; %Matriz del ejemplo anterior
ans = -1
>> inv(A) %Matriz inversa de A
ans =
-3.0000
5.0000
-2.0000
3.0000
-3.0000
1.0000
1.0000
-2.0000
1.0000
>>
>> A = [1 1 1; 2 2 2; -1 0 -1]; %Matriz con dos filas l.d.
ans = 0
>> A^(-1) %Matriz inversa de A
Warning: Matrix is singular to working precision.
ans =
Inf
Inf
Inf
Inf
Inf
Inf
Inf
Inf
Inf

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda

>>
>>
>>
x
A = [1 1 1; 2 1 3; 3 1 6];
b = [4; 7; 2]
x = inv(A)*b
% solucion utilizando la inversa de A
=
19.0000
-7.0000
-8.000
>> x = A\b
% Solucion utilizando operador \ "MLDIVIDE"
x =
19.0000
-7.0000
-8.000

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Cmo calcular A1 ?
Note que,
A1 A = AA1 = I
1
Luego, si se escribe A
A e
a[1]
|
e
a[2]
|
e[k]
en trminos de sus columnas a

|
|
e
a[N] = Ae
a[1]
|
|
|
Ae
a[2]
|
(111)
,

|
|
Ae
a[N] = e[1]
|
|
|
e[2]
|
|
e[N]
|
(112)
las columnas de A1 se pueden obtener resolviendo los N sistemas de ecuaciones lineales
Ae
a[k] = e[k]
k = 1,2,...,N
(113)
Pregunta
Dado este esquema, Cunto ms costoso es obtener A1 que utilizar GEPP para resolver
Ax = b directamente ( N 3 )?

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Descomposicin LU
Se desea resolver M sistemas lineales que tienen la misma matriz A,
Ax[k] = b[k]
k = 1,2,...,M
(114)
Suponga que A se puede descomponer en el producto de una matriz triangular inferior L y una
matriz triangular superior U tq
Ax[k] = LUx[k] = b[k]
k = 1,2,...,M
(115)
Note que en este caso, x[k] , se obtiene resolviendo dos problemas de sustitucin (forward y
backward):
Lc[k] = b[k]
Ux
[k]
=c
[k]
(116)
(117)
La descomposicin LU se obtiene con GEPP manteniendo en memoria los 0 s y una matriz P

que indica las permutaciones de filas (pivoteo parcial)

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Considere una matriz A de N N (N.B. que en este caso no se adiciona el vector b)

a12
a22
a32
a13
a23
a33
.
.
.
.
.
.
..
aN1
aN2
aN3
11
a21
a31
A=
.
.
a1N
a2N
a3N
.
.
(118)
aNN
Una vez aplicado GE (suponiendo que no se requiera pivoteo parcial) obtenemos la siguiente
matriz:
a12
(2,1)
a22
32
a13
(2,1)
a23
(3,2)
a33
.
.
.
.
.
.
..
N1
N2
N3
a11
21
N,N1
A
= 31
.
.
a1N
(2,1)
a2N
(3,1)
a3N
.
.
(119)
(N,N1)
aNN
N.B. que hemos almacenado los lambda donde originalmente se almacenaba un cero.
Recuerde que
ij =
aij
ajj
(120)

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
A partir de la matriz anterior extraemos las matrices L y U .
1
21
31
L=
.
.
1
32
..
.
..
.
..
N1
N2
N3
U=
a11
a12
(2,1)
a22
a13
(2,1)
a23
(3,2)
a33
..
..
.
(2,1)
a2N
(3,1)
a3N
(N,N1)
aNN
Pregunta
Se verifica que A = LU ?
a1N
(121)

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Ejemplo de descomposicin LU
Considere el siguiente sistema:
1
2
3
1
1
1

1
x1
4
3 x2 = 7
6
x3
2
Obtenga una descomposicin LU.

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Ejemplo de descomposicin LU
Considere el siguiente sistema:
1
2
3
1
1
1

1
x1
4
3 x2 = 7
6
x3
2
Obtenga una descomposicin LU.
1
L = 2
3
0
1
2
0
0
1
1
U = 0
0
1
1
0
1
1
1

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Descomposicin LU y GEPP
Note que GE sin pivoteo parcial es muy poco robusto.

LU tambin puede ser obtenido mediante GEPP. Sin embargo se requiere almacenar una
matriz de permutaciones P.
El objetivo es obtener matrices P, L y U tales que:
PA = LU
(122)
Donde P es una matriz de permutaciones similar a una matriz identidad, e.g.
1
P = 0
0
0
0
1
0
1
0
(123)
Pregunta
Qu efecto tendra esta matriz en un vector v o una matriz A?, e.g.

v1
v = v2
v3
a11
y A = a21
a31
a12
a22
a32
a13
a23
a33

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Descomposicin LU y GEPP
Funciones disponibles en matlab/scilab/octave
Matlab, scilab y octave tienen disponible una funcin para efectuar una descomposicin LU tal
que PA = LU .
Cdigo 12: Descomposicin LU en Scilab/Matlab/Octave
octave:4> [L, U, P] = lu ([1 1 1; 2 1 3; 3 1 6])
L = 1.00000
0.33333
0.66667
0.00000
1.00000
0.50000
0.00000
0.00000
1.00000
U = 3.00000
0.00000
0.00000
1.00000
0.66667
0.00000
6.00000
-1.00000
-0.50000
P = 0
1
0
0
0
1
% Mismo comando en matlab,

% scilab y octave
1
0
0
Pregunta
Qu gana con disponer de una descomposicin PA = LU ?

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Definicin
Si A es una matriz simtrica, definida positiva entonces se puede obtener su descomposicin de
Cholesky tal que
A = LLT
(124)
donde L es una matriz triangular inferior.
Note que:
A simtrica significa que A = AT
A definida positiva significa que vT Av > 0 v N ,v 6= 0
Las matrices definidas positivas son especialmente importantes en optimizacin numrica.
En estadstica todas las matrices de covarianza son definidas positivas.
Las matrices derivadas de mnimos cuadrados son definidas positivas.

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Nocin del algoritmo
Sea A, una matriz simtrica y definida positiva, luego es posible escribir A = LLT
a
a21
a22
a32
a31
a32
a33
.
.
.
.
.
.
..
aN1
aN2
aN3
11
a21
a31
A=
.
.
aN1 L11
aN2 L21
aN3
= L31
.
.
. .
L22
L32
L33
.
.
.
.
.
.
..
aNN
LN1
LN2
LN3
L
11

L21
L22
L31
L32
L33
LNN
..
LN1
LN2
LN3
.
.
(125)
LNN
Note que
a11 = L11 L11
a21 = L11 L21
a22 = L21 L21 + L22 L22
L11 =
a11
a12
L21 =
L11
L22 = a22 L221
Este proceso se puede continuar hasta determinar todos los coeficientes Lij .
(126)
(127)
(128)

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Algoritmo de descomposicin de Cholesky
Algoritmo 4 Algoritmo de descomposicin de Cholesky

Require: A matriz simtrica y definida positiva de N N .
Ensure: L matriz triangular inferior tal que A = LLT .
1: function getCholesky(A)
2:
Inicializar N 2 /2 espacios de memoria para L
3:
for j 1,2,...,N do
j1
X
L2jk
4:
Ljj ajj
5:
for i j + 1,j + 2,...,N do
k=1
6:
. Obtiene descomposicin de Cholesky de A

. Iteramos sobre cada columna de L
. Iteramos sobre los elementos bajo la diagonal
j1
X
1
Lik Ljk
Lij
aji
Ljj
k=1
7:
end for
8:
end for
9: end function

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Funciones disponibles en matlab/scilab/octave
Matlab, scilab y octave tienen disponible una funcin para efectuar la descomposicin de
Cholesky LLT tal que A = LLT .
Cdigo 13: Descomposicin de cholesky en Scilab/Matlab/Octave
octave:8> L = chol ([2 1 1; 1 4 2; 1 2 6])
L = 1.41421
0.00000
0.00000
0.70711
1.87083
0.00000
% Mismo comando en matlab,

% scilab y octave
0.70711
0.80178
2.20389
octave:8> e = L'*L-A
e = 4.4409e-16
2.2204e-16
2.2204e-16
0.0000e+00
2.2204e-16
0.0000e+00
2.2204e-16
0.0000e+00
-8.8818e-16
% Note que chol devuelve una matriz

% triangular superior

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Matrices sparce y de banda

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Matrices sparce
Definicin
Una matriz A se dice sparce si la mayor parte de sus elementos aij son iguales a cero.
e.g. . Usualmente las matrices estequiomtric son matrices sparce (e.g. 13.8% de elementos
distintos de cero)
0
No es eficiente utilizar mtodos generales para

resolver LES basados en estas matrices.
10
15
20
25
30
0
10
15
20
25
30

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Matrices sparce
Definicin
distintos de cero)
0

No desperdiciar memoria almacenando ceros.
10
15
20
25
30
0
10
15
20
25
30

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Matrices sparce
Definicin
distintos de cero)
0

Las matrices sparce pueden ser almacenadas

eficientemente en memoria guardando slo las
posiciones y los valores de los elementos distintos de
cero. Cmo lo hara?
10
15
20
25
30
0
10
15
20
25
30

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Matrices sparce
Definicin
distintos de cero)
0

Las matrices sparce pueden ser almacenadas

eficientemente en memoria guardando slo las
posiciones y los valores de los elementos distintos de
cero. Cmo lo hara?
La identificacin de patrones de distribucin de los

elementos distintos de cero permiten optimizar los
algoritmos de resolucin.
10
15
20
25
30
0
10
15
20
25
30

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Tipos de matrices sparce

List of buzz words
Mtodos directos para resolver sistemas de ecuaciones sparce dependen crticamente del
patrn de sparcity de la matriz.
Band diagonal
Block triangular
Block tridiagonal
Singly bordered
band-diagonal
Singly bordered
block diagonal
Doubly bordered
block diagonal
Singly bordered
block triangular
Bordered
band-triangular
Doubly bordered
band-diagonal

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Matrices de banda
Banded matrix
Definicin
Una matriz S se dice de tipo banda con ancho de banda M, si todos los elementos distintos de
cero estn localizados en torno a la diagonal a una distancia de a lo ms M elementos de sta.
e.g. Matriz de banda con ancho de banda M = 2
d11

SM=2 =
d22
d33
d44
d55
d66
d77
d88
(129)
Pregunta
Cmo ser el esfuerzo relativo de un proceso de eliminacin gaussiana sobre una matriz de
banda comparado con una matriz completa?, Qu efecto tendr en un algoritmo numrico para
resolver EDPs, e.g. diferencias finitas?

La matriz inversa
Descomposicin LU
Matrices Sparce
Matriz de banda
Comandos tiles para trabajar con matrices sparce
spalloc : Reserva espacio en memoria para una matriz sparce.
sparce : convierte una matriz completa en su representacin sparce.
full : Convierte una matriz sparce en una completa.
\,mldivide : El comando para resolver LES est preparado para trabajar con matrices
sparce.

MFA
Balances de masa en un sistema de reactores
Simulacin de un sistema fluidodinmico
Aplicaciones en el rea de procesos

MFA
Metabolic Fluxes Analysis (MFA)

Principales caractersticas
El anlisis de flujos metablicos es una herramienta matemtica que permite analizar el

estado de los flujos metablicos intracelulares en rgimen estacionario.
Es de gran utilidad para comparar flujos intracelulares en diferentes condiciones de cultivo
o etapas de crecimiento.

MFA

Planteamiento de los balances de masa
A partir del siguiente conjunto de reacciones metablicas:
CH4 ,O2
2CH4 + 3O2
CO + 1/2O2
J1
J2
2CO + 4H2 O
CO2
CO,CO2 ,H2 O
(130)
se puede escribir el siguiente conjunto de ecuaciones diferenciales
dCH4
dt
dO2
dt
dCO
dt
dCO2
dt
dH2 O
dt
= qCH4 2J1
(131)
= qO2 3J1 1/2J2
(132)
= qCO + 2J1 J2
(133)
= qCO2 + J2
(134)
= qH2 O + 4J1
(135)

MFA

Estado pseudoestacionario
El sistema de EDOs se puede expresar matricialmente como:
dY
= SJ r
dt
(136)

MFA

dY
= SJ r
dt
(136)
Aplicando hiptesis de estado pseudoestacionario
dY
= 0 = SJ r
dt
(137)

MFA

dY
= SJ r
dt
(136)
dY
= 0 = SJ r
dt
(137)
SJ = r
(138)
Luego,

MFA

dY
= SJ r
dt
(136)
dY
= 0 = SJ r
dt
(137)
SJ = r
(138)
Luego,
Note muy bien que

Hemos convertido un modelo definido por un conjunto de ecuaciones diferenciales en un modelo
basado en un sistema lineal de ecuaciones.

MFA

dY
= SJ r
dt
(136)
dY
= 0 = SJ r
dt
(137)
SJ = r
(138)
Luego,
Note muy bien que

Hemos convertido un modelo definido por un conjunto de ecuaciones diferenciales en un modelo
basado en un sistema lineal de ecuaciones.
Pregunta
Cul es el trade-off en este caso?, Existe prdida de informacin?

MFA

Modelo metablico en estado estacionario
El modelo metablico del sistema en estado estacionario es:
SJ = r
(139)
con S matriz estequiomtrica, J vector de flujos y r vector de flujos medidos, dados por:
2
3
S= 2
0
4
0
0.5
1
1
0
qCH4
qO2
r = qCO
q
CO2
qH2 O
J=

J1
J2
Note que en el vector r las cantidades positivas indican produccin y las negativas
consumo.
Las columnas de la matriz S corresponden a las reacciones y las filas a las especies.
(140)

MFA

Modelo metablico en estado estacionario
El modelo metablico del sistema en estado estacionario es:
SJ = r
(139)
con S matriz estequiomtrica, J vector de flujos y r vector de flujos medidos, dados por:
2
3
S= 2
0
4
0
0.5
1
1
0
qCH4
qO2
r = qCO
q
CO2
qH2 O
J=

J1
J2
Note que en el vector r las cantidades positivas indican produccin y las negativas
consumo.
Las columnas de la matriz S corresponden a las reacciones y las filas a las especies.
Pregunta
Qu tipo de problema es este?, Cmo se resuelve?
(140)

MFA

Mnimos cuadrados
Como en este caso el sistema lineal tiene mayor nmero de ecuaciones que de incgnitas se
dice que est sobredeterminado. En este caso se suele utilizar el mtodo de Mnimos
cuadrados.
ST SJ = ST r
T
(141)
1 T
J = (S S)
S r
(142)

MFA
Ejemplo de MFA
Sistema metablico
Considere algunas reacciones del metabolismo de Clostridium acetobutylicum

EMP
Glucose
2 ADP
Pathway
2 NAD+
Pyruvate
2 ATP
Fd
NADH
CoA
2 NAD+
CO2
NAD
FdH2
ATP
ADP
CoA
Acetate
Pi
Acetyl-CoA
NAD(P)H
H2
HYDA
NAD(P)+
Acetaldehyde
CoA
THL
NAD(P)H
NAD(P)
CoA
Acetoacetyl - CoA
Acetoacetate
CoAT
AADC
BHBD
Ethanol
NADH
Butanol
NAD+
Acetone
+ CO2
NAD(P)+
CRO
NAD(P)H
ATP
BK
BDH1
H2O
Butyrate
CoA
Pi
BCD
ADP
NADH
NAD(P)H NAD(P)+
NAD+
PTB
Butyryl-CoA
AAD
CoA
BDH2

MFA
Ejemplo de MFA
Sistema metablico: ecuaciones qumicas
Estas se pueden representar por el siguiente conjunto de ecuaciones qumicas:

GLCPYR
1. Glucosa + 2ADP + 2NADH 2Piruvato + 2ATP + 2NAD+

PYRAcCoa
2. Piruvato + CoA AcetilCoA + CO2

AcCoAHOAC
3. AcetilCoA + Pi + ADP Acetato + CoA + ATP

AcCoAACEDH
4. AcetilCoA + NAD(P)H Acetaldehdo + NAD(P)+ + CoA

ACEDHETOH
5. Acetaldehdo + NAD(P)H Etanol + NAD(P)+

ACEDHETOH
6. 2AcetilCoA AcetoacetilCoA + CoA

ACTACCoABUTCoA
7. AcetoacetilCoA + 2NADH ButirilCoA + 2NAD+ + H2 O

BUTCoABUTY
8. ButirilCoA + Pi + ADP Butirato + CoA + ATP

BUTYACACT
9. AcetoacetilCoA + Butirato Acetoacetato + ButirilCoA

ACACTACTN
10. Acetoacetato Acetona + CO2

BUTCoABUTAL
11. ButirilCoA + 2NAD(P)H Butanol + 2NAD(P)+ + CoA

FdH2 H2
12. FdH2 Fd + H2

MFA
Ejemplo de MFA

GLCPYR

PYRAcCoa

AcCoAHOAC

AcCoAACEDH

ACEDHETOH

ACEDHETOH

ACTACCoABUTCoA

BUTCoABUTY

BUTYACACT

ACACTACTN

BUTCoABUTAL

FdH2 H2
12. FdH2 Fd + H2
metabolitos para el sistema (ignorando los cofactores): Glucosa, Piruvato, Acetil-CoA, Acetato, CO2 , Acetaldehdo,
Etanol, Acetoacetil-CoA, Butiril-CoA, Butirato, Acetoacetato, Acetona, Butanol, FdH2 , Fd, H2 .

Las tasas especficas (por clula) de consumo de glucosa y produccin de metabolitos externos (r) para ambas
etapas se puede medir experimentalmente.

MFA
Ejemplo de MFA

GLCPYR

PYRAcCoa

AcCoAHOAC

AcCoAACEDH

ACEDHETOH

ACEDHETOH

ACTACCoABUTCoA

BUTCoABUTY

BUTYACACT

ACACTACTN

BUTCoABUTAL

FdH2 H2
12. FdH2 Fd + H2
metabolitos para el sistema (ignorando los cofactores): Glucosa, Piruvato, Acetil-CoA, Acetato, CO2 , Acetaldehdo,
Etanol, Acetoacetil-CoA, Butiril-CoA, Butirato, Acetoacetato, Acetona, Butanol, FdH2 , Fd, H2 .

Las tasas especficas (por clula) de consumo de glucosa y produccin de metabolitos externos (r) para ambas
etapas se puede medir experimentalmente.
Pregunta
De qu tamao sera la matriz S? y el vector r?

MFA
Ejemplo de MFA
Matriz estequiomtrica
Segn el listado de ecuaciones anterior la matriz estequiomtrica (16 12) est dada por:
GLC
PYR
AcCoA
HOAC
CO2
ACEDH
ETOH
ACTACCoa
BUTCoA
BUTY
ACACT
ACTN
BUTAL
FdH2
Fd
H2
J1
J2
J3
J4
J5
J6
J7
J8
J9
J10
J11
J12
-1
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
1
0
0
0
0
0
0
0
0
0
0
0
-2
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
1
-1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
1
0
0
0
0
0
0
0
0
0
0
0
0
-1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
1
1

MFA
Ejemplo MFA
Vector de flujos medidos
El rango de S esta dado por:

rank(S) = 12
(143)
Lo que indica que las columnas de S son linealmente independientes. Para resolver el sistema
tenemos que conocer el vector con las tasas especficas para cada metabolito, sustrato y
producto del sistema. Suponga que se conoce la siguiente informacin:
Especie
Tasa Especfica (m mol/hr)
Glucosa
Acetato
CO2
Etanol
Butirato
Acetona
Butanol
H2
Fase I
-1.0
0.5
2.0
0.0
0.75
0.0
0.0
1.5
Fase II
-1.0
0
2.3
0.1
0.0
0.3
0.65
1.0

MFA
Ejemplo MFA
Vector de flujos medidos
El rango de S esta dado por:

rank(S) = 12
(143)
Lo que indica que las columnas de S son linealmente independientes. Para resolver el sistema
tenemos que conocer el vector con las tasas especficas para cada metabolito, sustrato y
producto del sistema. Suponga que se conoce la siguiente informacin:
Especie
Tasa Especfica (m mol/hr)
Glucosa
Acetato
CO2
Etanol
Butirato
Acetona
Butanol
H2
Fase I
-1.0
0.5
2.0
0.0
0.75
0.0
0.0
1.5
Fase II
-1.0
0
2.3
0.1
0.0
0.3
0.65
1.0
Pregunta
Cmo obtendra el vector de flujos del sistema?

MFA
Ejemplo MFA
Solucin de mnimos cuadrados
La solucin se puede obtener mediante mnimos cuadrados:
J = (ST S)1 ST r
(144)
o bien utilizando eliminacin de Gauss con pivoteo parcial sobre la matriz ampliada:
[ST S | ST r]
(145)
Mediante mnimos cuadrados se obtiene la siguiente solucin:

Cdigo 14: Solucin de J = (ST S)1 ST r en Scilab/Matlab/Octave
>> S=load(S.csv); r=load(r.csv)
>> J = (inv(S'*S)*S'*r) '
J = 1.0000 2.0000 0.5000
-0.0000 0.5000
0.0000
0.0000
0.7500
0.7500
0.7500
0.0000
0.0000 -

MFA
Ejemplo MFA
Matriz de sensibilidad
Note que la matriz
(ST S)1 ST
(146)
Contiene informacin acerca de la sensibilidad del sistema frente a errores experimentales
0.5
0.5
1
9
10
Calculated Flux 1112
1 2
3 4
5 6
9
7 8
10 11
12 13
14 15
Measured Rate
16

MFA

Sistema
ki
Considere un sistema de reactores donde en cada uno de ellos se produce la reaccin A

B
Reactor
1
2
3
4
Vi [L]
1000
1500
100
500
ki [h1 ]
0.1
0.2
0.4
0.3
Considere los siguientes supuestos:

Las condiciones de temperatura son tales que el valor de la constante de equilibrio ki es distinta en cada reactor.
El volumen de cada reactor Vi es distinto.
El sistema est en estado estacionario.
Las reacciones ocurren en fase lquida.
No hay cambio en el volumen o densidad del lquido.
La velocidad de desaparicin del componente A en cada reactor est dado por Ri = Vi ki CAi [mol/h].

MFA

Sistema
ki
Considere un sistema de reactores donde en cada uno de ellos se produce la reaccin A

B
Reactor
1
2
3
4
Vi [L]
1000
1500
100
500
ki [h1 ]
0.1
0.2
0.4
0.3
Considere los siguientes supuestos:

Las condiciones de temperatura son tales que el valor de la constante de equilibrio ki es distinta en cada reactor.
El volumen de cada reactor Vi es distinto.
El sistema est en estado estacionario.
Las reacciones ocurren en fase lquida.
No hay cambio en el volumen o densidad del lquido.
La velocidad de desaparicin del componente A en cada reactor est dado por Ri = Vi ki CAi [mol/h].
Pregunta
Plantee un modelo para el sistema de reactores

MFA

Modelo de estado estacionario
El modelo se construye utilizando la ecuacin de balance de masa general en estado

estacionario:
Entrada = Salida + Desaparicin
(147)

MFA

El modelo se construye utilizando la ecuacin de balance de masa general en estado

estacionario:
Entrada = Salida + Desaparicin
(147)
El balance aplicado a cada reactor genera el siguiente modelo en estado estacionario
1000 CA0 = 1000 CA1 + V1 k1 CA1
(148)
1000 CA1 + 100 CA3 = 1100 CA2 + V2 k2 CA2
(149)
1100 CA2 + 100 CA4 = 1200 CA3 + V3 k3 CA3
(150)
1100 CA3 = 1100 CA4 + V4 k4 CA4
(151)

MFA

Reordenando y reemplazando los valores de CA0 , Vi y ki se obtiene el siguiente sistema

matricial:
1100
1000
0
0
0
1400
1100
0
0
100
1240
1100
1000
0
CA1
0 CA2 0
=
0
100
CA3
0
CA4
1250
(152)
El rango, determinante y condicionamiento de la matriz de coeficientes es:

rango(A) = 4
(153)
det(A) = 2.0663 10+12

cond(A) = 4.9024
Estos parmetros sugieren que no debera existir problemas en utilizar un mtodo directo.
(154)
(155)

MFA

Utilizando el algoritmo de eliminacin de Gauss se obtiene el siguiente vector solucin:

0.9091
CA1
C 0.6969
CA = A2 =
0.6654
CA3
0.5856
CA4
(156)
Comprobando la solucin obtenemos:
kACA bk = 1.1804 1013

La mayor diferencia se encuentra para b4 = 0, con max {abs(ACA b)} = 1.1369 1013
i=1..4
Pregunta
Le parecen razonables estos resultados?
(157)

MFA

Sistema
Considere el caso de un fluido newtoniano siguiendo un flujo en rgimen laminar producido por
diferencia de presin entre dos placas paralelas infinitas separadas por una distancia constante
B.
Note que la placa inferior se encuentra estacionaria y la superior se mueve a una velocidad
constante Vup .
El gradiente de presin es constante e igual a P/x.
Suponga que el perfil de velocidades es de la forma:
v(r,t) = vx (y) ex
(158)

MFA

Modelo analtico
Note que en este caso, la ecuacin de continuidad para un fluido incompresible se satisface
automticamente:
v = 0
(159)
y que la ecuacin de Navier-Stokes se reduce a:
Dv
v
=
+ v v = P + 2 v
Dt
t
d 2 vx
P
0=
+ 2
x
dy
(160)
(161)

MFA

Modelo analtico
automticamente:
v = 0
(159)
Dv
v
=
+ v v = P + 2 v
Dt
t
d 2 vx
P
0=
+ 2
x
dy
(160)
(161)
Luego el modelo del sistema es la siguiente ecuacin diferencial
d 2 vx
P
+ 2 = 0
x
dy
con vx (y = 0) = 0,
vx (y = B) = Vup
(162)

MFA

Modelo analtico
automticamente:
v = 0
(159)
Dv
v
=
+ v v = P + 2 v
Dt
t
d 2 vx
P
0=
+ 2
x
dy
(160)
(161)
Luego el modelo del sistema es la siguiente ecuacin diferencial
d 2 vx
P
+ 2 = 0
x
dy
con vx (y = 0) = 0,
vx (y = B) = Vup
(162)
La solucin analtica a esta ecuacin se conoce y es igual a:
vx (y) = Vup
y
1 P 2
+
(y By)
B 2 x
(163)

MFA

Modelo de diferencias finitas
Suponga que discretiza el dominio del eje y mediante N puntos yi y transformamos la ecuacin
diferencial en una ecuacin por diferencias

MFA

Aproximando la segunda derivada por diferencias centrales:
d2 vx
vx (y + y) 2vx (y) + vx (y y)
=
dy2
(y)2
(164)

MFA

Aproximando la segunda derivada por diferencias centrales:
d2 vx
vx (y + y) 2vx (y) + vx (y y)
=
dy2
(y)2
(164)
As, en el punto j de la grilla, la ecuacin diferencial se transforma en:
vx (yj+1 ) 2vx (yj ) + vx (yj1 )

P
+
=0
x
(y)2
(165)

MFA

Modelo lineal
Sea, v tal que vi = vx (yi ), la ecuacin de diferencias se puede escribir como:
vj+1 + 2vj vj1 =
(y)2 P
x
(166)
Lo que se puede expresar como un sistema de ecuaciones lineales:
2
1
donde =
1
2
1
v1
+ v0
v2
v
3
. =
.
.
.
.
1
vN1
2
vN
+ vN+1
1
2
..
..
..
2
1
(y)2 P
B
, v0 = vx (y = 0) = 0, vN+1 = vx (y = B) = Vup y y =
x
N +1
Note bien que

La tcnica de diferencias finitas permiti convertir un modelo diferencial en un sistema de
ecuaciones lineales para los valores de velocidad en cada punto de la grilla.
(167)

MFA
Experimento analtico 1
B = 1;
= 0.005;
P
= 1;
x
Vup = 10
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
25
20
15
10
vx
10

MFA
Experimento analtico 2
B = 1;
P
= 1;
x
= 0.005;
Vup = 10
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
15
vx
20
25
30
35

MFA
Experimento analtico y numrico

B = 1;
= 0.005;
P
= 1;
x
Vup = 10;
N = 10
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
10
15
vx
20
25
30
35

MFA
Preguntas
http://www.phdcomics.com

1601 IQ4101 02 Sistemas Algebraicos S. Lineales

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

1601 IQ4101 02 Sistemas Algebraicos S. Lineales

Încărcat de

Drepturi de autor:

Formate disponibile

DEPARTAMENTO DE INGENIERA

IQ4101 - Mtodos Matemticos para Ingeniera de Procesos

Captulo 2: Solucin de sistemas algebraicos

J. Cristian Salgado - jsalgado@ing.uchile.cl

Sistemas de ecuaciones lineales algebraicas

Propsito del captulo

Al trmino de este captulo el alumno

Comprende las caractersticas de sistemas de ecuaciones y su relacin con la ingeniera

Comprende, aplica y analiza algoritmos para la solucin de sistemas de ecuaciones

Comprende, aplica y analiza algoritmos para la solucin de sistemas de ecuaciones no

Aplica los algoritmos de solucin de sistemas algebraicos a problemas en el rea de

J. Cristian Salgado - http://www.cec.uchile.cl/ jsalgado

IQ4101 - Captulo 2: Sistemas Lineales

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales algebraicas

J. Cristian Salgado - http://www.cec.uchile.cl/ jsalgado

IQ4101 - Captulo 2: Sistemas Lineales

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales

a11 x1 + a11 x2 + + a1N xN = b1

aM1 x1 + aM1 x2 + + aMN xN = bM

donde aij es el coeficiente constante (suponemos real), xj es la incgnita j, bi es la constante del

J. Cristian Salgado - http://www.cec.uchile.cl/ jsalgado

IQ4101 - Captulo 2: Sistemas Lineales

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales

a11 x1 + a11 x2 + + a1N xN = b1

aM1 x1 + aM1 x2 + + aMN xN = bM

donde aij es el coeficiente constante (suponemos real), xj es la incgnita j, bi es la constante del

IQ4101 - Captulo 2: Sistemas Lineales

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales

Ejemplo de un sistema de ecuaciones lineales para N = M

J. Cristian Salgado - http://www.cec.uchile.cl/ jsalgado

IQ4101 - Captulo 2: Sistemas Lineales

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales

Ejemplo de un sistema de ecuaciones lineales para N = M

J. Cristian Salgado - http://www.cec.uchile.cl/ jsalgado

IQ4101 - Captulo 2: Sistemas Lineales

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales

Qu tipos de problemas se pueden expresar como un sistema de ecuaciones lineales?

J. Cristian Salgado - http://www.cec.uchile.cl/ jsalgado

IQ4101 - Captulo 2: Sistemas Lineales

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales

Qu tipos de problemas se pueden expresar como un sistema de ecuaciones lineales?

Linealizaciones en torno a puntos de operacin.

J. Cristian Salgado - http://www.cec.uchile.cl/ jsalgado

IQ4101 - Captulo 2: Sistemas Lineales

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales algebraicas

Sistemas de ecuaciones lineales

Qu tipos de problemas se pueden expresar como un sistema de ecuaciones lineales?

Linealizaciones en torno a puntos de operacin.