Você está na página 1de 16

Universidad Fermn Toro. Vice rectorado acadmico. Escuela de Ing. En mantenimiento mecnico.

Mtodos de eliminacin.

Daniel Nez del Prado Gonzlez.

Mtodo de eliminacin de Gauss. El mtodo de eliminacin de Gauss propone resolver un sistema de ecuaciones intercambindolo por otro equivalente pero escalonado. Entonces se procede a la eliminacin progresiva de variables hasta obtener un sistema de una ecuacin con una variable.

Cuando esta es resuelta, se pasa a sustituir de manera regresiva para obtener el valor de las dems incgnitas.

Se simplificar el sistema si multiplicamos por -4 ambos lados de la primera ecuacin y sumando esta a la segunda. Entonces:

sumadolas resulta

La nueva ecuacin se puede sustituir por cualquiera de las dos. Ahora tenemos:

Luego, la primera se multiplica por -3 y se le suma a la tercera, obteniendo:

Acto seguido, la segunda ecuacin se divide entre -3. Ahora se multiplica por 5 y se le suma a la tercera:

En este momento ya tenemos el valor de x3, ahora simplemente se procede a hacer la sustitucin hacia atrs, y automticamente se van obteniendo los valores de las otras incgnitas. Se obtendr:

Se ha visto que al multiplicar o dividir los lados de una ecuacin por un nmero diferente de cero se obtiene una ecuacin nueva y vlida. Por otra parte, si se suma un mltiplo de una ecuacin a otra ecuacin del mismo sistema, el resultado es otra ecuacin vlida. Por ltimo, si se intercambian dos ecuaciones de un sistema, lo que se obtiene es un sistema equivalente. Estas tres operaciones, cuando se aplican a los renglones de una matriz aumentada, que representa un sistema de ecuaciones, recibe el nombre de operaciones elementales de rengln.

Eliminacin de Gauss Jordan. Es un mtodo especial de eliminacin de sistemas de ecuaciones, derivado del mtodo de Gauss. Este sistema intercambia el sistema original por otro equivalente, en el cual se pueden ver los resultados inmediatamente. Sea AX = B un sistema de ecuaciones m n.

1 En el sistema de ecuaciones AX = B se crea unarreglo que contiene la matriz de coecientes del sistema y las constantes que aparecen al lado derecho de la igualdad, es decir, se considera la matriz aumentada (AjB) asociada al sistema. 2 Se transforman los coecientes en forma triangular, una columna a la vez, principiando por la primera columna. El proceso de transformar una columna en la forma deseada recibe a veces el nombre de pivoteo. a En cualquier transformacin de columna primero se crea el elemento que es igual a 1, llamado 1 principal. b Se crea un cero en la parte inferior de la columna usando el 1 principal. A continuacin presentamos que sucede para un sistema 2 2 con una nica solucin: a11x1 + a12x2 = b1 a21x1 + a22x2 = b2 Sistema original. 1x1 + 0x2 = c1 0x1 + 1x2 = c2 Sistema transformado. x1 = c1; x2 = c2 Conjunto solucin. Descomposicin L U. Este sistema consiste en derivar una matriz A en dos matrices triangulares una de orden inferior y otra de orden superior. Este sistema implica operaciones sobre los coeficientes de la matriz A, lo que genera un medio muy eficaz para calcular la

matriz inversa o los sistemas de ecuaciones lineales. Para aplicar este mtodo se procede a: Hacer cero todos los valores abajo del pivote sin convertir este en 1. Para lograr lo anterior se requiere obtener un factor el cual es necesario para convertir a cero los valores abajo del pivote. Dicho factor es igual al nmero que se desea convertir en cero entre el nmero pivote. Este factor multiplicado por -1 se multiplica luego por el pivote y a ese resultado se le suma el valor que se encuentra en la posicin a cambiar (el valor en la posicin que se convertir en cero). Esto es: - factor * pivote + posicin a cambiar

= 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

El segundo paso es resolver la ecuacin U X = Y para encontrar los elementos de X, por sustitucin regresiva:

= De donde se obtiene:

Factorizacin de Cholesky. Este mtodo usado para resolver sistemas de ecuaciones matriciales consiste en descomponer una matriz A, simtrica y definida como positiva, en una matriz triangular inferior y la transpuesta de la matriz triangular inferior. Se deriva este mtodo de la descomposicin L U y se aplica de la siguiente manera:

a11 = l112

a21 = l21l11 a22=l212 + l222 a32=l31l21+l32l22 l32=(a32-l31l21)/l22, etc.

Factorizacin de QR. Este tipo de factorizacin consiste en descomponer una matriz en el producto de una matriz ortogonal de la misma por su triangular superior. Se basa en el algoritmo QR que se usa para calcular vectores y valores propios de matrices. Esta es la manera en la que se aplica:

Se busca la matriz ortogonal Por lo que calculamos sigue:

tal que mediante Gram-Schmidt como

Por lo tanto, tenemos

Solucin de sistemas lineales utilizando mtodos iterativos. Estos son mtodos que resuelven sistemas de ecuaciones lineales y matriciales no de manera directa si no por aproximaciones, comenzando en una aproximacin inicial. Estos contrastan con los mtodos directos, los cuales consisten en resolver el problema de una sola vez. Su desventaja es que no se pueden aplicar de forma directa, pero su ventaja es que se pueden aplicar a sistemas de orden superior a mil. Estos mtodos son: El mtodo de Jacobi; El mtodo de Gauss Seidel y otros. Mtodo de Gauss Seidel. Se trata de un sistema de resolucin se ecuaciones iterativo, por lo cual se considera es muy eficiente. Para que este sistema se pueda aplicar a un sistema de ecuaciones lineales producidos por una matriz debe ser cuadrada, diagonalmente dominante y definida positiva.

Ahora se presenta un ejemplo de cmo se aplica este mtodo:

hasta que SOLUCIN: Primero se despejan las incgnitas x1, x2 y x3 de las ecuaciones 1, 2 y 3 respectivamente. Se tiene:

Estas ltimas son el juego de frmulas iterativas que se estar utilizando. Se comienza el proceso iterativo sustituyendo los valores de x2 = x3 = 0 en la primera ecuacin, para calcular el valor de x1: Ahora se sustituye obtener x2: Ahora se sustituye para obtener x3: y x3 = 0 en la segunda ecuacin para

en la tercera ecuacin

As se tiene la primera aproximacin a la solucin del sistema:

Puesto que todava no se puede calcular ningn error aproximado, se repite el proceso pero ahora con los ltimos datos obtenidos para las incgnitas: Sustituyendo y en la ecuacin 1 se obtiene Sustituyendo y en la ecuacin 2 se obtiene finalmente,

sustituyendo y en la ecuacin 3 se obtiene . Es as como se tiene la segunda lista de valores de aproximacin a la solucin del sistema:

Ahora se pueden calcular los errores absolutos para cada una de las incgnitas:

Puesto que no se ha logrado el objetivo, se debe repetir el mismo proceso con los ltimos valores obtenidos de cada una de las incgnitas. Ntese que aunque el error aproximado ya cumple con ser menor al 1%, esto se debe cumplir para los tres errores aproximados. Por lo tanto se repite el mismo proceso. Omitiendo los pasos intermedios, se obtiene:

En este caso se tienen los siguientes errores aproximados:

Se puede observar que ahora se ha cumplido el objetivo para cada uno de los errores aproximados. Por lo tanto, se concluye que la solucin aproximada es:

Importante observacin respecto al mtodo de Gauss-Seidel: Es lgico preguntarse si siempre el mtodo de Gauss-Seidel converge a la solucin del sistema de ecuaciones y tambin es lgico esperar que la respuesta es NO.

Un resultado de Anlisis numrico da una condicin suficiente para la convergencia del mtodo. Teorema: El mtodo de Gauss-Seidel converge a la solucin del sistema si se cumple la condicin de que la matriz de coeficientes del sistema sea una matriz diagonalmente dominante, es decir, si se cumple la siguiente condicin: La condicin de ser una matriz diagonalmente dominante simplemente significa que los elementos de la diagonal son mayores (en valor absoluto) que la suma de los valores absolutos de los dems elementos del mismo rengln. Ntese que en el ejemplo anterior, la matriz s es diagonalmente dominante y por lo tanto, el mtodo de Gauss-Seidel s converge a la solucin del sistema. Sin embargo, la condicin de la matriz diagonalmente dominante, solamente es una condicin suficiente pero no necesaria, es decir, existen sistemas de ecuaciones que no cumplen con la condicin y que s convergen a la solucin y tambin existen sistemas de ecuaciones que no cumplen con la condicin y que no convergen a la solucin. Finalmente, obsrvese que aunque un sistema no cumpla con la condicin de ser diagonalmente dominante, es posible a veces, lograr que s se cumpla con esta condicin mediante un intercambio de renglones. Mtodo de Jacobi. El mtodo Jacobi es el mtodo iterativo para resolver sistemas de ecuaciones lineales mas simple y se aplica solo a sistemas cuadrados, es decir a sistemas con tantas incgnitas como ecuaciones. Convergencia y convergencia en Jacobi 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 coecientes original del sistema de ecuaciones es diagonalmente dominante, el mtodo de Jacobi seguro converge. Orden conveniente para Jacobi En ciertas ocasiones al aplicar Jacobi la matriz no es diagonalmente dominante y por tanto no existir garanta de convergencia. Sin embargo, en algunos casos ser posible reordenar las incgnitas en otra manera de forma que la nueva matriz de coecientes sea diagonalmente dominante. Esto se puede detectar revisando todos los posibles ordenamientos de las incgnitas y ver como es la matriz resultante. Claro que esto conlleva un bueno nmero de pruebas pues el nmero posible de ordenamientos en n variables es (n 1)! pero cuando n es reducido es sencillo. Un ejemplo de este mtodo es el siguiente: Un sistema linear de la forma esta dado por con una estimacin inicial

Usamos la ecuacin , descrita anteriormente, para estimar . Primero, reescribimos la ecuacin de una manera mas conveniente , donde y

vea que donde y son las partes inferior y superior de . de los valores conocidos.

determinamos

como

C es encontrada como

con T y C calculadas, estimaremos

como

siguientes iteraciones.

este proceso se repetir hasta que converja (i.e., hasta que es menor). la solucin despus de 25 iteraciones es: