UNIVERSIDAD FERMIN TORO

REA: TECNOLOGA
ESTUDIOS A DISTANCIA
ASIGNATURA: ANLISIS NUMRICO









Unidad III








Realizado por:
Alexander Hernndez
C.I. 10565198
ELIMINACIN GAUSSIANA

Este mtodo se aplica para resolver sistemas lineales de la forma:


El mtodo de eliminacin Gaussiana (simple), consiste en escalonar la matriz
aumentada del sistema:


para obtener un sistema equivalente :


donde la notacin se usa simplemente para denotar que el elemento
cambi. Se despejan las incgnitas comenzando con la ltima ecuacin y hacia
arriba. Por esta razn, muchas veces se dice que el mtodo de
eliminacin Gaussiana consiste en la eliminacin hacia adelante y sustitucin
hacia atrs.
Ejemplo:
1. Resolver el siguiente sistema de ecuaciones:


usando el mtodo de eliminacin Gaussiana (simple).
Solucin . Escalonamos la matriz aumentada del sistema:
ij
a'
ij
a


Y dividiendo el segundo rengln entre 3 , tenemos la matriz equivalente:


Por lo tanto, el sistema equivale a:


De la ltima ecuacin tenemos ; sustitumos este valor en la
ecuacin de arriba para obtener ; sustitumos estos valores en la
ecuacin de arriba para obtener .
Por lo tanto, la solucin del sistema es:








10
3
= x
18
2
= x
7
1
= x

Descomposicin LU

En el lgebra lineal, la factorizacin o descomposicin LU (del ingls Lower-
Upper) es una forma de factorizacin de una matriz como el producto de
una matriz triangular inferior y una superior. Debido a la inestabilidad de este
mtodo, deben tenerse en cuenta algunos casos especiales, por ejemplo, si uno o
varios elemento de la diagonal principal de la matriz a factorizar es cero, es
necesario premultiplicar la matriz por una o varias matrices elementales de
permutacin. Mtodo llamadofactorizacin o con pivote.
Esta descomposicin se usa en el anlisis numrico para resolver sistemas de
ecuaciones (ms eficientemente) o encontrar las matrices inversas.

Factorizacin QR
En lgebra lineal, la descomposicin o factorizacin QR de una matriz es una
descomposicin de la misma como producto de una matriz ortogonal por una
triangular superior.
La descomposicin QR es la base del algoritmo QR utilizado para el clculo de los
vectores y valores propios de una matriz.
Definicin
La descomposicin QR de una matriz cuadrada real A es

Donde Q es una matriz ortogonal (es decir se satisface QTQ = I) y R es una matriz
triangular superior.

Clculo de la descomposicin QR
Una transformacin de Householder o reflexin de Householder es una
transformacin que refleja el espacio con respecto a un plano determinado. Esta
propiedad se puede utilizar para realizar la transformacin QR de una matriz si
tenemos en cuenta que es posible elegir la matriz de Householder de manera que
un vector elegido quede con una nica componente no nula tras ser transformado
(es decir, premultiplicando por la matriz de Householder). Grficamente, esto
significa que es posible reflejar el vector elegido respecto de un plano de forma
que el reflejo quede sobre uno de los ejes de la base cartesiana.
La manera de elegir el plano de reflexin y formar la matiz de Householder
asociada es el siguiente:
Sea un vector columna arbitrario m-dimensional tal que || || = ||, donde es
un escalar;
Entonces, siendo el vector (1,0,...,0)T, y |||| la norma eucldea, se define:



donde v es un vector unitario perpendicular al plano de reflexin elegido. Q es una
matriz de Householder asociada a dicho plano. Se verifica entonces:

Esta propiedad se puede usar para transformar gradualmente los vectores
columna de una matriz A de dimensiones m por n en una matriz triangular
superior. En primer lugar se multiplica A con la matriz de Householder Q1 que
obtenemos al elegir como vector la primera columna de la matriz. Esto
proporciona una matriz QA con ceros en la primera columna (excepto el elemento
de la primera fila).

el procedimiento se puede repetir para A (que se obtiene de A eliminando la
primera fila y columna), obteniendo as una matriz de Householder Q2. Hay que
tener en cuenta que Q2 es menor que Q1. Para conseguir que esta matriz opere
con Q1A en lugar de A es necesario expandirla hacia arriba a la izquierda,
completando con la matriz identidad (es decir poner unos en los elementos de la
diagonal y ceros en los restantes) obteniendo as la siguiente matriz

Tras repetir el proceso t veces, donde t = min(m 1,n), se obtiene

donde R es una matriz triangular superior. De forma que tomando

A = QR es una descomposicin QR de la matriz A.


Algoritmo QR ((Francis, Kublanovskaya - 1960)
El algoritmo QR es un algoritmo de valor propio: es decir, un procedimiento para
calcular los valores y vectores propios de una matriz.
La idea bsica es realizar en cada iteracin una descomposicin QR de la matriz,
es decir escribirla como producto de una matriz ortogonal Q y una matriz
triangular superior R, luego multiplicar dichas matrices en orden inverso y
continuar iterando.
El algoritmo es el siguiente:
Se toma = y a partir de la factorizacion QR de , se
construye
De esta forma se tiene la sucesin de matrices todas semejantes a :
. . .

Si la matriz es simtrica, tambin lo son todas las y, por tanto
, ,
esto es, la sucesin converge a la matriz diagonal de autovalores.
Puede notarse sto con mayor claridad a travs del siguiente pseudocdigo:
1. i= 0
2.
3. Repetir
Factor 4.
5.
6. i= i +1
7. Hasta la convergencia


Mtodo de Gauss-Seidel
Este mtodo se basa en la aproximacin iterativa propuesta por Seidel en
1874 (Academia de Ciencias de Munich). Para la aplicacin al problema del flujo
de potencia, las ecuaciones de nodo y condiciones de contorno se combinan, para
el nodo k:

De donde se puede expresar la tensin Vk como:

La ecuacin anterior es el corazn del algoritmo iterativo. La iteracin
comienza con una estimacin de las magnitudes y ngulos de todas las barras del
sistema, y se van recalculando las tensiones utilizando los mejores valores
disponibles. Esto es, para calcular la tensin Vk se utilizan los V1...k-1 ya
actualizados, y los Vk...n del paso anterior. El mtodo tiene una convergencia
extremadamente lenta pero segura (excepto para problemas mal condicionados, o
sin convergencia posible.
El mtodo de Gauss-Seidel es un refinamiento del mtodo de Jacobi que
generalmente (pero no siempre) converge ms rpido. El ltimo valor de cada
variable es sustituido en cada paso en el proceso iterativo. El mtodo de Gauss-
Seidel, es un mtodo iterativo y por lo mismo, resulta ser un mtodo bastante
eficiente. A continuacin se presenta un sistema de ecuaciones:

De la ecuacin 1 se despeja , de la ecuacin 2 despeja , , de la
ecuacin n se despeja . Resolviendo lo anterior se obtiene el siguiente
conjunto de ecuaciones:

Este ltimo conjunto de ecuaciones son las que forman las frmulas
iterativas. Para comenzar el proceso iterativo, le se le asigna el valor de cero a las
variables ; esto dar un primer valor para . Ms precisamente, se
tiene que:

A continuacin, se sustituye este valor de
2
x en la ecuacin 2, y las variables
n
x x ,...,
3
siguen teniendo el valor de cero. Esto nos da el siguiente valor para
2
x :
1
x
2
x
n
x
n
x x , ,
2

1
x



Estos ltimos valores de

y
2
x , se sustituyen en la ecuacin 3, mientras
que
n
x x ,...,
4
siguen teniendo el valor de cero; y as sucesivamente hasta llegar a la
ltima ecuacin. Todo este paso, darn una lista de primeros valores para las
incgnitas, la cual conforma el primer paso en el proceso iterativo. Digamos que
se tiene:

Se repite el proceso, pero ahora sustituyendo estos ltimos datos en vez
de ceros como al inicio, se obtendr una segunda lista de valores para cada una
de las incgnitas. Por lo tanto ahora se tiene:

En este momento, se puede calcular los errores aproximados relativos,
respecto a cada una de las incgnitas. As, se tiene la lista de errores como sigue:

1
x
El proceso se vuelve a repetir hasta que:


donde
s
e es una cota suficiente prefijada.
Criterio de Convergencia para el mtodo de Gauss-Seidel
El mtodo de Gauss-Seidel surgio como una modificacin del mtodo de
Jacobi que acelera la convergencia de ste.
El mtodo de Gauss-Seidel recorta sustancialmente el nmero de
iteraciones a realizar para obtener una cierta precisin en la solucin.
Evidentemente los criterios de convergencia son similares a los de Jacobi.
Este criterio no solo se aplica a las ecuaciones lineales que se resuelven
con el mtodo de Gauss-Seidel sino tambin para el mtodo iterativo del punto fijo
y el mtodo de jacobi. Por tanto, al aplicar este criterio sobre las ecuaciones de
Gauss-Seidel y evaluando con respecto a cada una de las incgnitas, obtenemos
la expresin siguiente:


El valor absoluto de las pendientes en la ecuacin, deben ser menor que la
unidad para asegurar la convergencia.


Es decir, el elemento diagonal debe ser mayor que el elemento fuera de la
diagonal para cada regln de ecuaciones. La generalizacin del criterio anterior
para un sistema de n ecuaciones es:

El mtodo de Gauss-Seidel est basado en el concepto de punto fijo, es
decir ( xi = gi (x), i = 1.. n), para resolver sistemas de ecuaciones lineales.
1
22
21
<
a
a
1
11
12
<
a
a
21 22
a a >
12 11
a a >

=
=
>
n
i j
j
j i ii
a a
1
,
Para garantizar la convergencia se debe de cumplir que el sistema tenga
una diagonal dominante, es decir que se cumpla la desigualdad siguiente, si se
cambi el orden de las ecuaciones esta puede divergir.


Gauss seidel con relajacin

El mtodo de Gauss-Seidel con relajacin, es bsicamente igual al mtodo
Gauss-Seidel simple, con la diferencia de que esta diseado para mejorar la
convergencia por medio de un promedio ponderado de los resultados de la
aproximacin anterior y actual, el cual esta dado por la siguiente relacin:
anterior
i
nuevo
i
nuevo
i
x x x + = ) 1 (

Donde es un factor ponderado comprendido entre 0 y 2.
Si =1 el resultado no es modificado, por lo tanto la ecuacin se transforma
en la ecuacin para resolver por el mtodo Gauss-Siedel de manera convencional.
Para valores de < 1 el mtodo es conocido como sub-relajacin, es
utilizado para hacer que un sistema no convergente converja o apresure la
convergencia al amortiguar las oscilaciones.
Para valores de > 1 al mtodo se le llama sobre-relajacin, el cual se
utiliza para que la convergencia se mueve en la direccin correcta hacia la
solucin verdadera, pero con una velocidad demasiado lenta. Por lo tanto se
pretende que con la ponderacin mejore la aproximacin al llevarla ms cerca de
la verdadera.
La eleccin de un valor de adecuado es de forma emprica, por lo
general este mtodo no se utiliza para la solucin de un solo sistema de
ecuaciones. Es ms usual cuando un sistema en estudio se debe resolver de
manera repetitiva, una buena seleccin de es de vital importancia para el xito
del mtodo.

=
=
>
n
i j
i
ij
a
ii
a
1
Ejemplo
Emplee el mtodo de Gauss-Seidel con relajacin para resolver (=0.90 y
ca = 5%):
-5 X1 + 12 X3 = 80
4 X1 1 X2 1 X3 = - 2
6 X1 + 8 X2 = 45
Si es necesario reordene las ecuaciones para que el sistema converja:
Si lo pasamos al formato de una matriz y su vector de resultados,
obtenemos lo siguiente:
Verificando el criterio de convergencia mediante la siguiente ecuacin:

=
=
>
n
i j
j
j i i i
a a
1
, ,

Resolviendo esta ecuacin para un sistema de 3 x 3 obtenemos lo
siguiente:
32 31 33
23 21 22
13 12 11
a a a
a a a
a a a
+ >
+ >
+ >

Convergencia: Esto quiere decir que el elemento diagonal debe ser mayor
al elemento fuera de la diagonal para cada fila. Por tanto reorganizamos el
sistema de la siguiente forma

(
(
(

(
(
(

45
2
80
8 6
1 1 4
12 5
3
2
1
x
x
x
(
(
(

(
(
(

80
45
2
12 5
8 6
1 1 4
3
2
1
x
x
x
5 12
6 8
1 1 4
>
>
+ >


Por lo tanto se puede asegurar la convergencia con este arreglo.
Las siguientes frmulas las utilizamos para encontrar X1, X2 y X3 en cada
una de las iteraciones.
11
3 13 2 12 1
1
a
x a x a b
x

=

22
3 23 1 21 2
2
a
x a x a b
x

=

33
2 32 1 31 3
3
a
x a x a b
x

=

anterior
i
nuevo
i
nuevo
i
x x x + = ) 1 (

Para calcular el primer valor de X1, se asumirn X2 y X3 con valores cero.
Entonces para X1,
( ) ( )
( ) ( )
50000 , 0
4
0 1 0 1 2
4
1 1 2
1
1
3 2
1
11
3 13 2 12 1
1
=

=

=

=
x
x
x x
x
a
x a x a b
x

para calcular el valor de X2, se utilizar solamente el valor encontrado de
X1, dado que a23 es cero.

( )
( )
00000 , 6
8
) 50000 , 0 ( 6 45
8
6 45
2
2
1
2
22
3 23 1 21 2
2
=

=

=

=
x
x
x
x
a
x a x a b
x

para calcular el valor de X3, se utilizar solamente el valor encontrado de
X1, dado que a32 es cero.
( )
( )
45833 , 6
12
) 50000 , 0 ( 5 80
12
5 80
3
3
1
3
33
2 32 1 31 3
3
=

=

=

=
x
x
x
x
a
x a x a b
x


Entonces en la primera iteracin
Para la segunda iteracin, en el clculo de X1 el valor de X2 y X3 sern los
calculados en la primera iteracin, seguidamente se le aplicar la ponderacin con
el factor . Entonces para X1,
( ) ( )
( ) ( )
61458 , 2
4
45833 , 6 1 0000 , 6 1 2
4
1 1 2
1
1
3 2
1
11
3 13 2 12 1
1
=

=

=

=
x
x
x x
x
a
x a x a b
x

aplicando la ponderacin
45833 , 6
00000 , 6
50000 , 0
3
2
1
=
=
=
x
x
x
30313 , 2
) 50000 , 0 ( ) 9 , 0 1 ( 61458 , 2 9 , 0
) 1 (
1
1
1 1 1
=
+ =
+ =
nuevo
nuevo
anterior nuevo nuevo
x
x
x x x

para X2 se utiliza solamente el valor de X1 de la segunda iteracin, dado
que a23 es cero.
( )
( )
89766 , 3
8
) 30313 , 2 ( 6 45
8
6 45
2
2
1
2
22
3 23 1 21 2
2
=

=

=

=
x
x
x
x
a
x a x a b
x

aplicando la ponderacin
10789 , 4
) 00000 , 6 ( ) 9 , 0 1 ( 89766 , 3 9 , 0
) 1 (
1
1
2 2 2
=
+ =
+ =
nuevo
nuevo
anterior nuevo nuevo
x
x
x x x

para X3 se utiliza solamente el valor de X1 calculado en la segunda
iteracin, dado que a32 es cero.
( )
( )
62630 , 7
12
) 30313 , 2 ( 5 80
12
5 80
3
3
1
3
33
2 32 1 31 3
3
=

=

=

=
x
x
x
x
a
x a x a b
x

aplicando la ponderacin
50951 , 7
) 45833 , 6 ( ) 9 , 0 1 ( 62630 , 7 9 , 0
) 1 (
3
3
3 3 3
=
+ =
+ =
nuevo
nuevo
anterior nuevo nuevo
x
x
x x x

Entonces en la segunda iteracin
50951 , 7
10789 , 4
30313 , 2
3
2
1
=
=
=
x
x
x



Jacobi
En anlisis numrico el mtodo de Jacobi es un mtodo iterativo, usado para
resolver sistemas de ecuaciones lineales del tipo . El algoritmo toma su
nombre del matemtico alemn Carl Gustav Jakob Jacobi. El mtodo de Jacobi
consiste en usar frmulas como iteracin de punto fijo.

La sucesin se construye descomponiendo la matriz del sistema en la forma
siguiente:

donde
, es una matriz diagonal.
, es una matriz triangular inferior.
, es una matriz triangular superior.
Partiendo de , podemos reescribir dicha ecuacin como:

Luego,

Si a
ii
0 para cada i. Por la regla iterativa, la definicin del Mtodo de
Jacobi puede ser expresado de la forma:

donde es el contador de iteracin, Finalmente tenemos:

Cabe destacar que al calcular x
i
(k+1)
se necesitan todos los elementos
en x
(k)
, excepto el que tenga el mismo i. Por eso, al contrario que en
el mtodo Gauss-Seidel, no se puede sobreescribir x
i
(k)
con x
i
(k+1)
, ya
que su valor ser necesario para el resto de los clculos. Esta es la
diferencia ms significativa entre los mtodos de Jacobi y Gauss-
Seidel. La cantidad mnima de almacenamiento es de dos vectores de
dimensin n, y ser necesario realizar un copiado explcito.