Documente Academic
Documente Profesional
Documente Cultură
Análisis Numérico
Docente: Ing. Daniela Medina
Introducción
En la unidad dos hemos usado métodos numéricos para determinar el valor de x que satisface a una
ecuación, f(x)=0. Ahora, determinaremos los valores de un conjunto de incógnitas que satisfacen un sistema
de ecuaciones. Por lo tanto, el objetivo de esta Unidad es introducir al estudiante en los conceptos básicos
del cálculo matricial. Al final de la Unidad, el estudiante será capaz de hacer operaciones básicas sobre las
matrices (inversión, determinante, descomposición LU) y de resolver sistemas de ecuaciones lineales por
métodos directos e iterativos, sabiendo seleccionar la herramienta adecuada en el momento adecuado. El
estudiante será igualmente capaz de diagnosticar la calidad de la solución obtenida.
Como es bien sabido, el cálculo matricial está ligado a numerosos problemas de ingeniería y sirve de
herramienta en la solución de muchos otros métodos numéricos. Por ejemplo, en el planteamiento de las
ecuaciones de conservación de la masa y de conservación de la energía, se escriben relaciones lineales, que
permiten obtener la cantidad de materia que circula en cada una de las corrientes de una planta. En la
solución de ciertos problemas de fenómenos de transporte, la transformación de ecuaciones diferenciales o
en derivadas parciales se obtiene a través de una escritura lineal en donde aparecen matrices banda. El
carácter tan general de los sistemas lineales hace necesaria su presentación.
La solución de los sistemas lineales se muestra haciendo énfasis sobre la selección del tipo de método en
función del tipo de matriz.
1
Unidad II: Sistema de Ecuaciones Lineales
Una matriz consiste en un arreglo rectangular de elementos representado por un solo símbolo. Tal como se observa
más abajo [A] es la notación corta para la matriz y a ij designa un elemento individual fila; y uno vertical, columna. El
primer subíndice i siempre designa el número del renglón en el cual está el elemento. El segundo subíndice j designa
la columna. La matriz podrá ser representada por las formas siguientes:
Análisis Numérico 2
Unidad II: Sistema de Ecuaciones Lineales
T
La matriz transpuesta, A , de una matriz nxm es una matriz de orden mxn en donde todas las filas han sido
intercambiadas entre sí.
Una matriz de dimensión nx1 se llama vector columna. La transpuesta del vector columna es una matriz de
dimensión 1xn, llamada también vector fila. Ciertas formas de matrices tienen un nombre especial asociado.
Por ejemplo una matriz simétrica, S, es una matriz cuadrada que es igual a su matriz transpuesta tal que a ij =
aji. Una matriz triangular superior, U, contiene elementos no nulos por encima de (e inclusive en) la diagonal
mientras que la matriz triangular inferior, L, los tiene por debajo de la misma.
Análisis Numérico 3
Unidad II: Sistema de Ecuaciones Lineales
Se suele dar el nombre de triangular superior o inferior unitaria a una matriz triangular cuya diagonal está
conformada exclusivamente por 1.
Se llama traza de una matriz a la suma de los valores pertenecientes a su diagonal. El rango de una matriz es la
dimensión del espacio imagen de la matriz, es decir, el espacio de los vectores v tal que Ax=v. Este espacio ha de estar
constituido a partir de una base vectorial, o sea un conjunto de vectores linealmente independiente.
-1
Se llama inverso de una matriz denotada A tal que su producto por la matriz A sea igual a la matriz identidad. Vale
señalar que para una matriz de orden nxm, la matriz inversa puede ser definida de dos formas distintas, haciendo el
-1 -1 -1
producto con una matriz inversa izquierda A o con una matriz inversa derecha A D tal como: A IA = I (mxn) y
-1
(nxm) (mxm), AA D=I (nxm) y (mxn) => (nxn).
En el caso de matrices cuadradas, la matriz inversa izquierda y la matriz inversa derecha son iguales, por lo tanto se
tiene la relación: A-1A=AA-1=I.
La matriz inversa existe, si y solo sí, el determinante de A es distinto de cero. Se le da el nombre de matriz singular a
una matriz cuyo determinante es nulo. El determinante, det(A), de una matriz cuadrada es el número
correspondiente a la suma de los productos obtenidos realizando todas las
permutaciones posibles entre los coeficientes de una línea (o una columna) y
los demás coeficientes cuyo número de línea y de columna sea distinto.
Análisis Numérico 4
Unidad II: Sistema de Ecuaciones Lineales
Donde Sij es el cofactor definido como el determinante de la submatriz de orden (n-1)x(n-1) en el cual se
i+j
eliminaron la fila i y la columna j, multiplicado por el coeficiente (-1) .
Una propiedad importante del determinante, propiedad que permite en muchos casos calcular el valor real
del determinante por vía indirecta: AB = C => det (A) det(B) = det(C).
El determinante de una matriz se caracteriza por unas propiedades relevantes, entre las cuales se citan:
Los autovalores son los valores solución del polinomio del grado n tal como el determinante de la diferencia
(A-λI) sea nulo. Los autovalores pueden ser complejos. Una matriz definida positiva tiene autovalores
exclusivamente reales. Esta formulación proviene de una relación más amplia en donde se definan los
autovectores como (A- λI)v=0, en donde es el conjunto de los autovalores y v los autovectores.
Análisis Numérico 5
Unidad II: Sistema de Ecuaciones Lineales
Un sistema lineal es un conjunto de n ecuaciones, todas lineales que relacionan n incógnitas. Se representa
de la forma siguiente:
Este conjunto de n incógnitas puede ser escrito fácilmente en forma
matricial, obteniéndose el producto de una matriz cuadrada de
dimensión nxn por un vector columna de dimensión n, siendo este
producto igual a otro vector columna de dimensión n.
En otras palabras, el determinante de la matriz A debe ser distinto de cero. La cantidad de cálculos necesarios
para la obtención del inverso de una matriz hace poco eficiente el método. Se prefiere utilizar dos métodos
genéricos distintos que se caracterizan por enfoques fundamentalmente diferentes: métodos directivos e
iterativos.
Los métodos directos se basan en unos algoritmos de sustitución sistemática que permiten modificar la
forma de la matriz a través de una secuencia conocida de cálculos. Por otra parte, los métodos iterativos son
métodos cuya cantidad de cálculos es a priori desconocida.
Análisis Numérico 6
Unidad II: Sistema de Ecuaciones Lineales
El método de Gauss es el método más eficiente de solución de un sistema lineal. Las operaciones sucesivas
tienen como objeto reemplazar por elementos nulos todas las posiciones por debajo de la diagonal, razón
por la cual el método de Gauss también es llamado método de triangularización. La fórmula de sustitución se
aplica tanto a los elementos de la matriz como el vector columna, cualquier sea el índice superior a 1.
Análisis Numérico 7
Unidad II: Sistema de Ecuaciones Lineales
Análisis Numérico 8
Unidad II: Sistema de Ecuaciones Lineales
Métodos Directos
Solución:
Análisis Numérico 9
Unidad II: Sistema de Ecuaciones Lineales
El método de Gauss-Jordan para la solución de sistemas lineales es en realidad una modificación del método
de Gauss original. Su única diferencia reside en el hecho que en vez de realizar las sustituciones solamente en
la línea por debajo del pivote, las realiza sobre todas las líneas, excepto la del pivote.
La solución del sistema lineal puede ser fácilmente reconstruida a partir de la siguiente fórmula:
Análisis Numérico 10
Unidad II: Sistema de Ecuaciones Lineales
Análisis Numérico 11
Unidad II: Sistema de Ecuaciones Lineales
Métodos Directos
Análisis Numérico 12
Unidad II: Sistema de Ecuaciones Lineales
Errores de Redondeo
Debido a que las computadoras manejan sólo un número limitado de cifras significativas, pueden ocurrir los
errores de redondeo y se deben considerar al evaluar los resultados. Si se usan más cifras significativas, el
error en los resultados se puede reducir bastante. Si se usan fracciones en lugar de decimales (y en
consecuencia evitando los errores de redondeo), los resultados serán exactos.
El problema de los errores de redondeo puede ser particularmente importante cuando se trata de resolver
un gran número de ecuaciones. Esto se debe al hecho de que cada resultado depende del anterior. Por
consiguiente, el error en los primeros pasos tiende a propagarse.
Análisis Numérico 13
Unidad II: Sistema de Ecuaciones Lineales
Las siguientes técnicas se pueden incorporar al algoritmo de eliminación de Gauss, para evitar algunas de las
desventajas previamente analizadas.
El remedio más simple para el mal condicionamiento es usar más cifras significativas en los cálculos. Si las
computadoras tienen la capacidad para ser expandidas con el fin de mantener niveles más grandes de cifras,
esta característica resolverá enormemente el problema.
Pivoteo
Ocurren problemas obvios cuando el elemento pivote es cero, ya que el paso de normalización origina una
división entre cero. Pueden también surgir problemas cuando el elemento pivote es cercano a cero, debido a
que si la magnitud del elemento pivote es pequeña comparada con los otros elementos, entonces se pueden
introducir errores de redondeo. Por lo tanto, antes de normalizar cada renglón, es ventajozo determinar el
coeficiente más grande disponible en la columna que está por debajo del elemento pivote.
Escalamiento
El escalamiento tiene utilidad en la minimización de los errores de redondeo para aquellos casos en los que
algunas de las ecuaciones de un sistema tienen coeficientes más grandes que otros.
Análisis Numérico 14
Unidad II: Sistema de Ecuaciones Lineales
Análisis Numérico 15
Unidad II: Sistema de Ecuaciones Lineales
Métodos Iterativos
Los métodos iterativos se basan en hacer una sustitución de una de las variables (distinta para cada ecuación)
y expresar esta variable en función de las otras. El problema se transforma por ende en un proceso iterativo
ya que se requiere tener un primer estimado de lo que podría ser la solución. Con este primer vector solución
se puede calcular un nuevo vector modificado de la solución. Al repetir estas operaciones numerosas veces,
se obtiene, en la medida que el proceso sea convergente, una aproximación cada vez mejor de la solución,
deteniéndose el proceso iterativo cuando la solución es suficientemente estable entre dos operaciones
consecutivas. El primer estimado que suele usarse para hallar el vector solución es:
Análisis Numérico 16
Unidad II: Sistema de Ecuaciones Lineales
De todos los métodos iterativos, el método de Jacobi es el más sencillo de aplicar y comprender. Sin embargo,
no es un proceso muy eficiente en cuanto a la obtención del resultado. La ecuación (1) puede ser modificada
y reescrita de la forma:
Esta última forma indica que el vector x puede ser obtenido a partir de un estimado inicial del mismo vector
x. Esta forma, conocida como forma implícita permite tener en forma iterativa una aproximación cada vez
mejor del vector x, se le suele indicar el orden de la iteración como superíndice. La expresión anterior se
(k+1) -1 (k)
transforma entonces en x = D (b-(L+U)x ). Siendo la matriz D una matriz diagonal, su inverso se obtiene
simplemente reemplazando el término de la diagonal por su propio inverso (1 / a ii). En cuanto a la operación
de cálculo propiamente dicho, su expresión es:
Análisis Numérico 17
Unidad II: Sistema de Ecuaciones Lineales
Métodos Iterativos
Solución:
Análisis Numérico 18
Unidad II: Sistema de Ecuaciones Lineales
El método de Gauss-Seidel es una simple modificación del método original de Jacobi. Se diferencia sólo por el
k+1
hecho de que cuando se quiere calcular el elemento xj del vector x se conocen a este nivel del cálculo
k+1 k+1
todas las estimaciones recientes de xj (con j < i). Si el proceso es convergente estos valores de xj son
k
más cercanos a los xj anteriores, razón por la cual el proceso de convergencia debe ser mejor. La escritura
matricial correspondiente al método de Gauss-Seidel es:
Análisis Numérico 19
Unidad II: Sistema de Ecuaciones Lineales
Métodos Iterativos
Solución:
Análisis Numérico 20
Unidad II: Sistema de Ecuaciones Lineales
Bibliografía
Chapra, S. y R. Canale, Numerical Methods for Engineers. 2nd Ed. McGraw-Hill PublishingCompany,
New York, 1988.
Ledanois, Jean-Marie y otros, Métodos Numéricos Aplicados en Ingeniería. 1ra Ed. McGraw-Hill
Publishing Company, Caracas, 2000.
Nakamura, Shoichiro, Métodos Numéricos Aplicados con Software. 1ra Ed. Prentice Hall, México, 1992.
Análisis Numérico 21