SISTEMA DE ECUACIONES LINEALES ALGEBRAICAS

Mtodo de eliminacin Gaussiana. Un sistema de ecuaciones lineales En general, un sistema con m ecuaciones lineales y n incgnitas puede ser escrito en forma ordinaria como: Ax = b OPERACIONES FUNDAMENTALES Las operaciones fundamentales que se le pueden efectuar a las ecuaciones (filas) de un sistema lineal de ecuaciones son las siguientes: a) Intercambio: el orden de las filas puede cambiar. b) Escalado: multiplicacin de una fila por una constante no nula. c) Sustitucin: una fila puede ser reemplazada por la suma de esa fila ms un mltiplo de cualquier otra fila Adems para que un sistema lineal e ecuaciones algebraicas tenga solucin nica debe cumplir las siguientes dos condiciones: 1.- Ser no singular 2.- No ser homognea. Directos Son aquellos que no involucran procesos infinitos y que en consecuencia, seran exactos, si no existieran errores de redondeo. Mtodos de solucin de sistemas de ecuaciones lineales-Gauss. -Gauss Jordan. Iterativos Parten de una aproximacin inicial y que por aplicacin de un determinado algoritmo, conducen a aproximaciones sucesivamente mejores en cado caso.

Mtodos de solucin de sistemas de ecuaciones lineales -Jacobi -Gauss - Seidel Los mtodos numricos para la solucin de Sistemas de Ecuaciones Lineales se dividen en dos categoras generales: 1. Mtodos exactos 2. Mtodos aproximados Se usan comnmente dos mtodos; la eliminacin gaussiana y el mtodo de Gauss-Jordan. Se recomienda utilizar la estrategia de pivoteo en cualquier implementacin que se haga de estos mtodos sobre una computadora. Con la ayuda de esta estrategia, los errores de redondeo disminuyen y se evitan los problemas como divisin entre cero. Aunque en todos los dems sentidos son iguales, la eliminacin gausiana es preferible a Gauss-Jordan, ya que la primera es un 50% ms rpida. Sin embargo, el mtodo de Gauss-Jordan sigue siendo til ya que se puede modificar un poco de manera que se pueda obtener la matriz inversa como beneficio adicional en los clculos. Aunque los mtodos de eliminacin tienen una gran utilidad, el uso de toda la matriz de coeficientes puede ser un factor muy importante cuando se trata de sistemas muy grandes y dispersos. Teorema Fundamental de Equivalencia: Puede aceptarse que las siguientes 3 operaciones sobre una matriz ampliada producen otras correspondientes a un sistema equivalente: 1. Intercambiar dos renglones. ( ya que corresponde a reordenar las ecuaciones del sistema). 2. Multiplicar todos los elementos de un rengln por una misma constante. 3. Sumar a los elementos de un rengln los correspondientes elementos de otro multiplicados por una constante. Mtodo de Eliminacin Gaussiana: El mtodo de Gauss consiste en transformar un sistema de ecuaciones en otro equivalente de forma que ste sea escalonado. La 1 ecuacin siempre se deja igual, (procurando que esta sea la ms sencilla) y a la 2 y 3 ecuacin se debe anular el trmino que lleva la x. O podemos intercambiarlas entre s.

Este algoritmo consiste en dos procesos: a) Eliminacin hacia adelante: Esta fase reduce el conjunto de ecuaciones a un sistema triangular Superior: Paso 1: Consiste en dividir la primera ecuacin por el coeficiente de la primera incgnita aii (coeficiente pivote). A este procedimiento se le conoce como normalizacin. Pas 2: Despus se multiplica la ecuacin normalizada por el primer coeficiente de la segunda ecuacin. Pas 3: Ntese que el primer termina de la primera ecuacin es idntico al primer trmino de la segunda. Por lo tanto, se puede eliminar, la primera incgnita de la segunda ecuacin restando la primera a la segunda. Pas 4: Repetir el paso 2 y 3 hasta eliminar la primera incgnita de todas las ecuaciones restantes. Estos 4 pasos se repiten tomando como pivotes las ecuaciones restantes hasta convertir el sistema en una matriz triangular superior. b) Sustitucin hacia atrs: Ya obtenido el sistema equivalente que es un sistema triangular superior este es ms manejable y se puede resolver despejando primero la Xn y este valor utilizarlo para obtener despejando la segunda incgnita hasta obtener el resultado completo del sistema. Mtodo de Gauss-Jordan. Este mtodo tambin utiliza el teorema fundamental de equivalencia para resolver un sistema de ecuaciones lineales. El mtodo consiste en convertir el sistema expresado como matriz ampliada y trabajar para transformarlo en un la matriz identidad quedando en el vector de trminos independientes el resultado del sistema. Su procedimiento se distingue del mtodo Gaussiano en que cuando se elimina una incgnita, se elimina de todas las ecuaciones restantes, es decir, las que preceden a la ecuacin pivote as como de las que la siguen. Por lo tanto, la eliminacin gaussiana es el mtodo simple por excelencia en la obtencin de soluciones exactas a las ecuaciones lineales simultneas. Una de las principales razones para incluir el mtodo de Gauss-Jordan, es la de proporcionar un mtodo directo para obtener la matriz inversa. Es importante mencionar que este mtodo es muy adecuado para obtener la matriz inversa de una matriz.

Aplicacin del algoritmo de Gauss Jordan A la primera fila de la matriz aumentada (fila pivote) se divide entre el elemento pivote (escalado) despus de esto se obtendr una nueva ecuacin, por lo que se har lo misma en el elemento pivote de la fila 2 y posteriormente en la que le siguen, as eliminado todas las incgnitas del sistema Para la matriz inversa aplicamos las propiedades, donde, el producto de la matriz de coeficiente por su inversa es igual a la matriz unidad. Y el producto de su inversa por el vector de constantes es igual el vector solucin. Ventajas Con este mtodo la solucin se obtiene directamente sin la necesidad de la sustitucin inversa que utiliza el mtodo de Gauss. Con este procedimiento de normalizacin y eliminacin se puede obtener, adems la matriz inversa de la matriz de coeficientes, A-1. Si a la matriz aumentada se le adhiere o aumenta la matriz unidad o identidad y se le aplica el mtodo de Gauss-Jordan. Estrategias de pivoteo. Pivoteo y Complejidad Cuando se aplica una operacin elemental sobre una determinada fila para lograr un 0 en el coeficiente apq, con p = q + 1, q + 2, . . . ,N utilizo el elemento aqq de la matriz, y dicho elemento recibe el nombre de pivote. Los nmeros mpq = apq/aqq se llaman multiplicadores y son los que se multiplican en la fila pivote para restarla de las correspondientes filas. Al estar trabajando con sistemas de cmputos, cuya precisin est fijada de antemano, cada vez que se produce una operacin aritmtica se comete un error, en este caso de redondeo. Es por eso que la eleccin del pivote en cada paso la tomo por algn criterio no trivial de tal forma de tratar que dicho sea el menor posible. Existen varias estrategias una de ellas consiste en la denominada estrategia de pivoteo parcial. La idea de este mtodo consiste en lo siguiente: comparo el tamao de todos los elementos de la columna de la fila q-e sima (a partir del coeficiente que se encuentra en la diagonal) hasta la ltima fila, y me quedo con aquel elemento que tenga mayor valor absoluto. Una vez encontrada la fila que cumpla lo anterior, la llamo fila i-e sima, aplico la operacin de intercambio de filas entre la q-e sima y la i-e sima, de forma tal de lograr multiplicadores mpq menores a uno en valor absoluto. Durante la derivacin del algoritmo de la eliminacin Gaussiana con sustitucin hacia atrs, se encontr que para obtener un cero para el elemento pivote a(k) kk

era necesario un intercambio de filas de la forma (Ek) $ (Ep) donde k + 1 p n era el entero ms pequeo con a(k) pk 6= 0. En la prctica frecuentemente es deseable realizar intercambios de las filas que contienen a los elementos pivote, aun cuando estos no sean cero. Cuando los clculos se realizan usando aritmtica de dgitos finitos, como ser el caso de las soluciones generadas con calculadora u ordenador, un elemento pivote que sea pequeo comparado con los elementos de debajo del en la misma columna puede llevar a un error de redondeo sustancial. Mtodo de descomposicin LU. El mtodo de descomposicin LU para la solucin de sistemas de ecuaciones lineales debe su nombre a que se basa en la descomposicin de la matriz original de coeficientes (A) en el producto de dos matrices (L y U). Esto es: A = LU Donde: L - Matriz triangular inferior U - Matriz triangular superior con todos los elementos de la diagonal principal iguales a 1. De lo anterior, para matrices de 3x3 se escribe:

= Si efectuamos la multiplicacin de L y U, igualando los elementos de ese producto con los de la matriz A correspondientes, se obtiene:

De aqu que los elementos de L y U son, en este caso:

Si el sistema de ecuaciones original se escribe como: Ax=b lo cual resulta lo mismo escribir: LUX=b Definiendo a: UX=Y Podemos escribir: LY=b Resolviendo para Y, encontramos:

El algoritmo de solucin, una vez conocidas L, U y b, consiste en encontrar primeramente los valores de "Y" por sustitucin progresiva sobre "L Y = b". En segundo lugar se resuelve "U x = y " por sustitucin regresiva para encontrar los valores de "x", obteniendo:

La determinacin de los elementos de las matrices L y U se realizan eficientemente aplicando una forma modificada del mtodo de eliminacin de Gauss.

Se observa que el mtodo de descomposicin LU opera slo sobre la matriz de coeficientes, sin modificar el vector de excitacin (en este caso b), por lo que resulta superior al mtodo de eliminacin gausiana. Ejemplo: Resolver el siguiente sistema de ecuaciones, factorizando la matriz en LU:

= Las matrices de factores L y U de A son:

L=

U=

El primer paso es resolver la ecuacin L Y = b por sustitucin progresiva para obtener los elementos del vector auxiliar Y:

= Donde

Mtodo de Gauss-Seidel. Este mtodo es iterativo o de aproximacin y es similar a las tcnicas para obtener races vistas en el tema anterior. Aquellos mtodos consisten en la determinacin de un valor inicial a partir del cual, mediante una tcnica sistemtica se obtiene una mejor aproximacin a la raz. La razn por la cual los mtodos iterativos son tiles en la disminucin de los errores de redondeo en sistemas, se debe a que un mtodo de aproximacin se puede continuar hasta que converga dentro de alguna tolerancia de error previamente especificada. Las tcnicas iterativas se emplean rara vez para resolver problemas de dimensiones pequeas ya que el tiempo requerido para lograr una precisin suficiente excede al de las tcnicas directas. Sin embargo, para sistemas grandes con un gran porcentaje de ceros, sta tcnica es eficiente. Los sistemas de este tipo surgen frecuentemente en la solucin numrica de problemas de valores frontera y de ecuaciones diferenciales parciales. Este mtodo iterativo utiliza la misma transformacin que el mtodo de Jacobi, de hecho es una mejora al mtodo de Jacobi. La mejora consiste en utilizar la incgnita encontrada, en la misma iteracin para calcular la siguiente incgnita. Por ejemplo, en el mtodo de Jacobi se obtiene en el primer clculo xi+1, pero este valor de x no se utiliza sino hasta la siguiente iteracin. En el mtodo de Gauss-Seidel en lugar de eso se utiliza de xi+1 en lugar de xi en forma inmediata para calcular el valor de yi+1 de igual manera procede con las siguientes variables; siempre se utilizan las variables recien calculadas. Entrada el nmero de ecuaciones o incgnitas n; los elementos de axn de la matriz A; los elementos bi, 1 ? i ? n de b; los elementos X0i, 1 ? i ? n de X0 = x0; la tolerancia Es (error sugerido); el nmero mximo de iteraciones, iter. Algoritmo: 1) Se debe despejar da cada ecuacin despejar la variable sobre la diagonal principal. 2) Dar un valor inicial a las incgnitas (X generalmente se establecen ceros). 3) Sustituir los valores iniciales en la primera ecuacin para obtener un nuevo valor para la primera incgnita. 4) Ese nuevo valor es usado para obtener el valor de la siguiente incgnita. Este procedimiento se repite hasta obtener los nuevos valores de todas las incgnitas despejadas. 5) Se evala la aproximacin relativa de todas las incgnitas hasta que la solucin converja bastante cerca de la solucin real, segn la tolerancia establecida para el mtodo.

Se puede observa que los resultados obtenidos son prcticamente iguales a los obtenidos con los mtodos directos y con el mtodo de Jacobi, con la ventaja de un nmero menor de iteraciones. Mtodo de Krylov. Obtencin de Eligen valores y Eligen vectores. El siguiente paso es diagonalizar la matriz de movimiento , para lo cual existen varios mtodos de los cuales emplearemos el de Jacobi. Para la obtencin de los eigenvalores de la matriz de movimiento se parte de la ecuacin que las contiene explcitamente y que est dada por:

Que para la partcula

queda expresada como:

cuya solucin general es del tipo:

Donde se sabe que la raz cuadrada del eigenvalor representa la frecuencia temporal o caracterstica con que vibrar la partcula ``i''. Debido a que en la cadena la partcula ``i'' interacciona con sus segundos vecinos; esta frecuencia de la partcula ``i'' es la frecuencia de algunos de los modos normales de vibracin de la cadena, ya que de la ecuacin (I-6) se puede ver que a cada eigenvalor de la matriz le corresponde un eigenvector ; por lo tanto la interpretacin fsica que se les da a la raz cuadrada de los eigenvalores de la matriz de movimiento es que representan a las frecuencias caractersticas de la cadena y los eigenvectores Mtodo de Jacobi. Es el mtodo iterativo para resolver sistemas de ecuaciones lineales ms simple y se aplica solo a sistemas cuadrados, es decir a sistemas con tantas incgnitas como ecuaciones. El mtodo de Jacobi consiste en usar frmulas como iteracin de punto fijo. los modos normales de vibracin.

1. Primero se determina la ecuacin de recurrencia. Para ello se ordenan las ecuaciones y las incgnitas. De la ecuacin i se despeja la incgnita i. En notacin matricial se escribirse como: X= c + Bxi Donde x es el vector de incgnitas. 2. Se toma una aproximacin para las soluciones y a esta se le designa por Xo 3. Se itera en el ciclo que cambia la aproximacin Xi+1= c + Bxi Uno de los principales problemas de los mtodos iterativos es la garanta de que el mtodo va a converger, es decir, va a producir una sucesin de aproximaciones cada vez efectivamente mas prximas a la solucin. En el caso del mtodo de Jacobi no existe una condicin exacta para la convergencia. Lo mejor es una condicin que garantiza la convergencia, pero en caso de no cumplirse puede o no haberla es la siguiente: Si la matriz de coeficientes original del sistema de ecuaciones es diagonalmente dominante, el mtodo de Jacobi seguro converge. Cuando una diagonal es dominante: es cuando la suma en valor absoluto debe ser mayor al elemento principal, donde deber suficiente, pero no necesaria. Mtodo de diferencias finitas. El Mtodo de Diferencias Finitas es un mtodo de carcter general que permite la resolucin aproximada de ecuaciones diferenciales en derivadas parciales definidas en recintos finitos. Es de una gran sencillez conceptual y constituye un procedimiento muy adecuado para la resolucin de una ecuacin bidimensional como la que hemos planteado. El primer paso para la aplicacin del mtodo consiste en discretizar el recinto del plano en el que se quiere resolver la ecuacin con una malla, por conveniencia cuadrada. Los puntos de la malla estn separados una distancia h en ambas direcciones x e y. Podemos desarrollar T(x,y) en serie de Taylor alrededor de un punto:

(11)

(12)

Sumando miembro a miembro, agrupando, despreciando los trminos o(h3) y despejando el trmino de la derivada segunda resulta:

(13)

De forma similar se obtiene la expresin equivalente:

(14) Pero de la ecuacin de Laplace:

(15)

Por lo tanto:

Lo que significa que el valor de la temperatura en un punto se puede escribir como la media de las temperaturas de los 4 puntos vecinos. Otro aspecto importante es que las diferencias finitas aproximan cocientes diferenciales a medida que h se acerca a cero. As que se pueden usar diferencias finitas para aproximar derivadas. Esta tcnica se emplea a menudo en anlisis numrico, especialmente en ecuaciones diferenciales numricas ordinarias, ecuaciones en diferencias y ecuacin en derivadas parciales. Los mtodos resultantes reciben el nombre de mtodos de diferencias finitas.

Las aplicaciones habituales de los mtodos de diferencias finitas son en los campos de la computacin y reas de la ingeniera como ingeniera trmica o mecnica de fluidos Mtodo de mnimos cuadrados. Es una tcnica de anlisis numrico encuadrada dentro de la optimizacin matemtica, en la que, dados un conjunto de pares (o ternas, etc), se intenta encontrar la funcin que mejor se aproxime a los datos (un "mejor ajuste"), de acuerdo con el criterio de mnimo error cuadrtico. En su forma ms simple, intenta minimizar la suma de cuadrados de las diferencias ordenadas (llamadas residuos) entre los puntos generados por la funcin y los correspondientes en los datos. Especficamente, se llama mnimos cuadrados promedio (LMS) cuando el nmero de datos medidos es 1 y se usa el mtodo de descenso por gradiente para minimizar el residuo cuadrado. Se puede demostrar que LMS minimiza el residuo cuadrado esperado, con el mnimo de operaciones (por iteracin), pero requiere un gran nmero de iteraciones para converger. Desde un punto de vista estadstico, un requisito implcito para que funcione el mtodo de mnimos cuadrados es que los errores de cada medida estn distribuidos de forma aleatoria. El teorema de Gauss-Mrkov prueba que los estimadores mnimos cuadrticos carecen de sesgo y que el muestreo de datos no tiene que ajustarse, por ejemplo, a una distribucin normal. Tambin es importante que los datos recogidos estn bien escogidos, para que permitan visibilidad en las variables que han de ser resueltas (para dar ms peso a un dato en particular, vase mnimos cuadrados ponderados). La tcnica de mnimos cuadrados se usa comnmente en el ajuste de curvas. Muchos otros problemas de optimizacin pueden expresarse tambin en forma de mnimos cuadrados, minimizando la energa o maximizando la entropa. El mtodo de mnimos cuadrados para el clculo de la ecuacin de una recta a travs de los datos de inters da la lnea de mejor ajuste, para llegar a la ecuacin de tendencia por mnimos cuadrados se resuelven dos ecuaciones simultneamente. El procedimiento ms objetivo para ajustar una recta a un conjunto de datos presentados en un diagrama de dispersin se conoce como "el mtodo de los mnimos cuadrados". La recta resultante presenta dos caractersticas importantes: 1. Es nula la suma de las desviaciones verticales de los puntos a partir de la recta de ajuste (Y - Y) = 0.

2. Es mnima la suma de los cuadrados de dichas desviaciones. Ninguna otra recta dara Una suma menor de las desviaciones elevadas al cuadrado (Y - Y) 0 (Mnima). El procedimiento consiste entonces en minimizar los residuos al cuadrado Ci

Re emplazando

nos queda

La obtencin de los valores de a y b que minimizan esta funcin es un problema que se puede resolver recurriendo a la derivacin parcial de la funcin en trminos de a y b: llamemos G a la funcin que se va a minimizar:

Tomemos las derivadas parciales de G respecto de a y b que son las incgnitas y las igualamos a cero; de esta forma se obtienen dos ecuaciones llamadas ecuaciones normales del modelo que pueden ser resueltas por cualquier mtodo ya sea igualacin o matrices para obtener los valores de a y b.

Derivamos parcialmente la ecuacin respecto de a

Primera ecuacin normal Derivamos parcialmente la ecuacin respecto de b

Segunda ecuacin normal Los valores de a y b se obtienen resolviendo el sistema de ecuaciones resultante.