INSTITUTO TECNOLOGICO DE MERIDA.

Materia: Mtodos Numricos.

Maestro: Carlos Padrn.

Trabajo: Resumen de las Unidades 9, 10,11.

Alumno: Jorge Carlos Vzquez Snchez.

Carrera: Ing. Bioqumica.

Semestre: 4to.

ndice. Cap. 9 Eliminacin de Gauss 9.1 Solucin de Sistemas de pequeas ecuaciones. 9.2 Eliminacin de Gauss Simple. 9.3 Dificultades en los mtodos de eliminacin. 9.4 Tcnicas para mejorar las Soluciones. 9.5 Sistemas Complejos. 9.6 Sistemas de Ecuaciones no lineales. 9.7 Gauss Jordn Cap. 10 Descomposicin LU y Inversin de Matrices 10.1 Descomposicin LU 10.2 Matriz Inversa. 10.3 Anlisis del Error y Condicin del Sistema. Cap. 11 Mtodos Especiales y el mtodo de Gauss Seidel. 11.1 Matrices Especiales. 11.2 Gauss-Seidel. 11.3 Ecuaciones Algebraicas Lineales con Bibliotecas y paquetes de Software.

Solucin de Pocas Ecuaciones. En esta unidad se describe alguno de los mtodos que son apropiados para resolver pequeos grupos de pocas ecuaciones, en la que no es necesario utilizar una computadora. Estos son los mtodos grficos, la regla de Cramer y a eliminacin de incgnitas. Mtodo Grafico Una solucin grafica de dos ecuaciones se pueden representar en un plano cartesiano con sus coordenadas, una en el eje x1 y otra en el eje x2. Cada una de estas ecuaciones representa una lnea recta. Ejem. f11 Z1 + f12 Z2 = W1 f21 Z1 + f22 Z2 = W2 Ambas ecuaciones se pueden resolver para Z2 Z2 = -( f11 / f12 ) Z1 + W1/ f12 Z2 = -( f21 / f22 ) Z1 + W2/ f22 Ahora las ecuaciones se encuentran en la forma de lnea recta Z2= (pendiente)Z1 + interseccin Ejemplo. Mtodo grafico para 2 ecuaciones 3x1 + 2x2 = 18 -x1 + 2x2 = 2 Sea X1 la abscisa. Resolviendo X2 = (-3/2)x1 + 9 Que al graficarse da una lnea recta con una interseccin en 9 y pendiente -3/2. Resolviendo para x2. X2= (1/2)x1 +1 dando X1= 4 y X2= 3

Para 3 ecuaciones simultaneas, cada ecuacin representa un plano en el sistema de coordenadas tridimensional. El punto en donde se intersecten lo 3 planos representa la solucin. Ms de 3 ecuaciones este sistema no funciona. La eliminacin de incgnitas. A continuacin se mostrara como quedara un sistema de ecuaciones en una combinacin de ellas. l11 P1 + l12 P2 = N1 l21 P12 + l22 P2 = N2 y se resuelve multiplicando una de las ecuaciones por una constante para as poder eliminar una de las incgnitas y poder obtener el valor de la otra, sustituyendo el valor encontrado. Ejem. l11 l21 P1 + l12 l21P2 = N1 l21 1) l21 l11 P12 + l22 l11P2 = N2 l11 2) Restando 1 de la ecuacin 2, se elimina el trmino P1 de la ecuacin para obtener l22 l11P2 - l12 l21P2 = N2 l11 - N1 l21 Que se puede resolver por P2= l11 N2- l21 N1/ l11 l22- l12 l21 3) 0)

La ecuacin 3 se puede sustituir en la ecuacin 0 y se puede resolver por P2 = l22 N1- l12 N2/ l11 l22- l12 l21 4) Ntese que las ecuaciones 3 y 4 se calculan por la regla de Cramer. Ejemplo 3x1 + 2x2 = 18 -x1 + 2x2 = 2 Solucin: usando las ecuaciones 3 y 4 x1 = 2(18)-2(2)/3(2)-2(-1) = 4 x2 = 3(2)-(-1)18/3(2)-2(-1) = 3

ELIMINACION GAUSSIANA SIMPLE(CHAPRA) El procedimiento consta de 2 pasos. 1. Se manejan las ecuaciones para eliminar una incgnita de una ecuacin. El resultado de este procedimiento es una sola ecuacin de una incgnita. 2. Por lo tanto esta ecuacin se puede resolver directamente y se sustituye hacia atrs su resultado en las ecuaciones originales para encontrar la siguiente incgnita. ELIMINACION DE GAUSS PARA PROBLEMAS IDEALES SENCILLOS(NAKAMURA) La eliminacin de gauss es el mtodo que se utiliza en forma mas amplia para resolver un conjunto de ecuaciones lineales. Un conjunto de n ecuaciones es la forma. a11 x1 + a12 x2 + a13 x3 + a1n xn =c1 a21 x1 + a22 x2 + a23 x3 + a2n xn =c2 . . . . . .

an1 x1 + an2 x2 + an3 x3 + ann xn =cn donde a11 son coeficientes, x1 son las incognitas y y1 son los terminos conocidos llamados trminos libres o independientes. En este caso el numero de incognitas es igual al numero de ecuaciones, que es la forma mas usual de un conjunto de ecuaciones lineales. Si estos nmeros son distintos, puede existir las soluciones.Cuando al menos uno de los trminos libres de la ecuacin se dice que es homogneo. La eliminacin de gauss solo aplica al caso de conjuntos no homogneos

Ejemplo

Solucin la expresin en arreglo de ecuaciones es

Utilizando el intercambio de renglones ya conocido queda

En el segundo paso para dejar escalonado

Y concluye con la sustitucin hacia atrs Con x1=1 x2=3 x3=2

Algoritmo para resolver la eliminacin gaussiana simple El procedimiento est planeado para resolver n ecuaciones a11 x1 + a12 x2 + a13 x3 + a1n xn =c1 a21 x1 + a22 x2 + a23 x3 + a2n xn =c2 . . . .

an1 x1 + an2 x2 + an3 x3 + ann xn =cn 1.1 Como en el caso anterior se resuelve en 2 pasos: la eliminacin de incgnitas y su solucin mediante sustitucin hacia atrs. Eliminacin hacia delante de incgnitas El primer paso consiste en dividir la primera ecuacin. x1 + a12/a11*x2 + a1n/a11* xn = c1/a11 A este procedimiento se le conoce como normalizacin y tiene como finalidad convertir el primer coeficiente de la ecuacin normalizada en 1. A continuacin se multiplica lo obtenido por el 1er coeficiente de la ecuacin. a21x1 + (a21* a12/a11) x2 +(a21* a1n/a11) xn =a21* c1/a11 Se puede notar que el trmino de la primera ecuacin es ahora idntico al primer trmino de la segunda ecuacin. Por consiguiente, se puede eliminar la primera incgnita de la segunda ecuacin restando la ecuacin anterior en 1.1 para obtener. (a22- a21* a12/a11) x2 + ..+ (a2n- a21* a1n/a11) xn = c2- a21* c1/a11 El proceso se repite hasta que se elimina la primera incgnita de las ecuaciones restantes Ejem. Use la eliminacin gaussiana para resolver. 3x1 - .1x2 - .2x3 = 7.85 .1x1 + 7x2 - .3x3 =-19.3 .3x1 - .2x2 + 10x3 = 71.4 Solucin. x1 - .033 333 3x2 - .066 666 7 x3 = 2.616 67 4) 1) 2) 3)

Multiplicar por .1 y restar .1x1 + 7x2 - .3x3 =-19.3 y se tiene 7.0033 33 x2 - .293 333 x3 = -19.5617 5)

Por lo tanto al multiplicar la ecuacin 4 por .1 y al restarla por la ecuacin 3 se elimina x1. Despus de estas operaciones el conjunto de ecuaciones queda.

3x1-

.1x2

-.2x3 = 7.85

6) 7) 8)

7.0033 33 x2 - .293 333 x3 = -19.5617 -.190x2 + 10.020 x3 = 70.615

Para terminar la eliminacin hacia adelante x2 debe desaparecer de la ecuacin. Para llevarlo acabo normalice la ecuacin 7 dividindola por 7.0033. X2 - .041884 8x3 = -2.793 20 9)

Despus multiplique la ecuacin por -.190 y rstese el resultado de la ecuacin 8. Con esto se elimina x2 de la tercera ecuacin y reduce el sistema a la forma triangular superior, dad por 3x1.1x2 -.2x3 = 7.85 10) 11)

7.0033 33 x2 - .293 333 x3 = -19.5617 + 10.020 x3 = 70.08463

Ahora se puede resolver por sustitucin hacia atrs X3 = 7.000 03 12)

Este resultado se puede sustituir en la ecuacin 10 para dar. 7.0033 33 x2 - .293 333(7.000 03) = -19.5617 Que se puede expresar para resolver quedando X2 = -2.500 00 13)

Finalmente las ecuaciones 12 y 13 se pueden sustituir en la ecuacin 6 para dar 3x1.1(-2.500 00) -.2(7.000 03) = 7.85

Que se puede resolver quedando X1 = 3. 000 00 Desventajas de los mtodos de eliminacin. Divisin entre cero. La razn por la que se le ha llamado simple al mtodo anterior es por las 2 partes de eliminacin y sustitucin ocurra una divisin entre cero. Errores de redondeo.

Esto se debe al uso de las cifras significativas es decir a los decimales usados al decidir cundo hay que redondear. Ejemplo Efecto de los errores de redondeo en la eliminacin gaussiana. Resolver el ejemplo anterior utilizando 3 cifras significativas 3x1 - .1x2 - .2x3 = 7.85 7x2 - .3x3 =-19.6 9.99x3 = 70.1 Comparando utilizando 6 cifras significativas y utilizando la sustitucin hacia atrs para resolver se obtiene. X1 = 3.17 X2 = -2.51 X3 = 7.02

Sistemas mal condicionados. Los sistemas mal condicionados son el lo que un pequeo cambio en sus coeficientes provoca un gran cambio en la solucin. Ejemplo x2 + 2 x2 = 10 1.1x1 + 2x2 = 10.4 1) 2)

Despus resulvase nuevamente, con el coeficiente de x1 de la segunda ecuacin modificado levemente a 1.05. Resolviendo con las ecuaciones de Cramer X1 = 2(10) 2(10.4)/1(2) 2(1.1) = 4 X2= 1(10.4) 1.1 (10)/ 1(2) 2(1.05) = 3 Sin embargo, con el cambio de coeficiente de a21 de 1.1 a 1.05 el resultado cambia drsticamente.

X1 = 2(10) 2(10.4)/1(2) 2(1.05) = 8 X2= 1(10.4) 1.05 (10)/ 1(2) 2(1.05) = 1

Efecto del escalonamiento en el determinante. Ejem. 1 Evalu el determinante de los sistemas siguientes. a) 3x1 + 2x2 = 18 -x1 + 2x2 = 2 b) x2 + 2 x2 = 10 1.1x1 + 2x2 = 10.4 1) 2) 3) 4)

Reptase b) multiplicando las ecuaciones por 10. Solucin. a) El determinante de las ecuaciones 1 y 2 que es un sistema bien conocido, es: D = 3(2) -2(-1) = 8 b) El determinante de las ecuaciones 3 y 4 es: 1(2)-2(1.1) = -.2 c) Los resultados de a y b parecen corroborar el argumento de que los sistemas mal condicionados tienen determinantes cercanos a cero. Ejemplo 2 Escalamiento. a) En el sistema bien condicionado, el escalonamiento genera x1 + .667 x2 = 6 -5x1 + x2 = 1 Cuyo determinante es: 1(1) -.667(-.5) = 1.333 b) En el sistema mal condicionado, el escalamiento genera: .5x1 + x2 = 5 .55x1 + x2 = 5.2

Cuyo determinante es: .5(1) -1(.55) = -.05

c) En el ltimo caso, el escalamiento modifica el sistema de la misma forma que b). por lo tanto, e determinante tambin es .05, y el escalamiento no afecta

TECNICAS DE MEJORAMIENTO EN LAS SOLUCIONES. Uso de ms cifras significativas. Unas de las formas de mejorar los errores es utilizando mas decimales en los clculos y si lo vas en resolver en una computadora tratar de poner el mayor numero de ellos. Pivoteo. Una de las formas ya conocidas es utilizar un nmero mayor que los dems como pivote principal y as de esta forma eliminar los errores por redondeo. Ejemplo Pivoteo parcial Usar la eliminacin gaussiana para resolver .000 3x1 + 3.000 0x2 = 2.000 1 1.0 0x1 + 1.000 0x2 = 1. 000 0x2 = 1. 000 0

Ntese que en esta forma el primer elemento pivotal a11 = .000 3, es muy cercano a cero. Despus reptanse los clculos con pivoteo parcial pero invirtiendo el orden de las ecuaciones. La solucin exacta es x1 = 1/3 y x2 = 2/3 Solucin: normalizando la ecuacin se obtiene: X1 + 10 000x2 = 6 667 La cual se puede usar para eliminar x1 de la segunda ecuacin: 9 999x2 = - 6 666

Que se puede resolver para X2 = 2/3 Este resultado se puede sustituir en la primera ecuacin y evaluar x1 Efectos del escalamiento en el pivoteo y el redondeo. Enunciado del problema a) Resulvase el siguiente conjunto de ecuaciones usando la eliminacin gaussiana y la estrategia del pivoteo: 2x1 + 100 000x2 = 100 000 x1 + x2 = 2

b) Reptase la solucin anterior despus de escalar las ecuaciones de tal forma que el coeficiente mximo en cada rengln sea 1. En ambos casos, retngase solo 3 cifras significativas. Ntese que las respuestas correctas son x1 = 1. 000 02 y x2 = .000 08 o, con tres cifras significativas, x1 = x2 = 1.00. Solucin: a) Sin escalar, se aplica la eliminacin hacia adelante y se obtiene: 2x1 + 100 000x2 = 100 000 -50 000x2 = -50 000 Que se puede resolver por sustitucin hacia atrs, para obtener: X1 = 1. 00 X2 = 0

Aunque x2 es correcta, x1 tiene un 100% de error debido al redondeo. b) El escalamiento transformas las ecuaciones originales en : .000 02x1 + x2 = 1 x1 + x2 = 2 Por lo tanto se debe aplicar el pivoteo a los renglones y colocar el valor mayor sobre la diagonal. x1 + x2 = 2 .000 02x1 + x2 = 1 La eliminacin hacia adelante genera:

x1 + x2 = 2 x1 = 1 Que se puede resolver para x1 = x2 = 1 de esta forma el escalamiento produce una respuesta correcta SISTEMAS COMPLEJOS En algunos problemas es posible obtener un sistema de ecuaciones complejas (C ) (Z) = W Donde (C ) = A + I(B) (Z) = X + I(Y) (W) = U + I(V) donde I = raz de -1

Una forma de resolver este problema es utilizando los algoritmos ya descrito anteriormente, peor que solo es posible utilizar con ciertos programas especiales que utilicen variables complejas.

SISTEMA DE ECUACIONES NO LINEALES f1(x1, x2,.., xn) = 0 f2(x1, x2,.., xn) = 0 . . fn(x1, x2,.., xn) = 0 La solucin de este sistema consiste en un conjunto de valores de x que hacen todas las ecuaciones igual a cero. o utilizar la versin multidimensional de newton raphson.

GAUSS JORDAN Este mtodo es una variacin de la eliminacin de gauss y su principal diferencia es que al eliminar una incgnita en este nuevo mtodo se elimina en todas las ecuaciones. Ejem. 3x1 - .1x2 - .2x3 = 7.85 .1x1 + 7x2 - .3x3 = -19.3 .3x1- .2x2 + 10x3 = 71.4 Solucin: en primer lugar, se expresan los coeficientes y el vector de trminos independientes como una matriz aumentada:

3 -.1 -.2 7.85 .1 7 -.3 -19.3 .3 -.2 10 71.4 Es seguida se normaliza el primer rengln dividiendo por el pivote 3 para obtener:

1 -.033 333 3 .1 7 .3 -.2

-.066 666 7 -.3 10

2. 616 67 -19.3 71.4

El termino x1 se puede elimina del segundo rengln restando .1 veces el primer rengln. De una manera similar, restando .3 veces el primero del tercer rengln se elimina el trmino con x1 del tercer rengln:

1 0 0

-.033 333 3 7. 003 33 -.190 000

-.066 666 7 -.293 333 10.020 0

2. 616 67 -19.561 70.615 0

En seguida se normaliza el segundo rengln dividindolo entre 7.003 33:

1 -.033 333 3 -.066 666 7 2.616 67 0 1 -.041 884 8 - 2.793 20 0 -.190 000 10.020 0 70.615 0

Reduciendo los trminos en x2 de la primera y la tercera ecuacin se obtiene:

1 0 0

0 1 0

-.068 062 9 2.523 56 -.041 884 8 - 2.793 20 10.012 0 70.084 3

El tercer rengln se normaliza dividindolo entre 10.012 0:

1 0 0

0 1 0

-.068 062 9 2.523 56 -.041 884 8 - 2.793 20 1 7. 000 03

Finalmente, los trminos con x3 se pueden reducir de la primera y segunda ecuacin para obtener: 1 0 0 0 1 0 0 0 1 3.000 00 2.500 01 7.000 03

FACTORIZACION LU Para factorizar la matriz A de n x n = (aij) en el producto de la matriz triangular inferior L = (lij) = y en la matriz triangular superior U = (uij); es decir, A = LU, donde la diagonal principal de L o U consta de unos: ENTRADA la dimensin n; los elementos aij, 1 diagonal u11 =.=unm = 1 de U. SALIDA la dimensin n; los elementos aij, , 1 ,i j, n, 1 i n de U. i, j n de A, la diagonal l11 ==lnn=1 de L o la

i, j

n, , 1

i, n de L y los elementos uij,

Paso 1 : seleccione l11 y u11 satisfaciendo l11 u11 = a11

Si l11 u11 = 0 entonces SALIDA ( factorizacin imposible); PARAR. Paso 2 para j = 2 , , tome uij = aij/l11; (primer rengln de U) ljl = ajl/u11; (primera columna de L) Paso 3 para i=2 ., n-1 haga los paso 4 y 5. Paso 4 seleccione ljl y uij satisfaciendo ljl uij = satisfaciendo aii = Si ljlujl = 0 entonces SALIDA (factorizacin imposible) PARAR. Paso 5 j= i + 1,.n Tome uij =

Una vez terminada la factorizacin matricial, la solucin de un sistema lineal de la forma Ax = Lux = b se obtiene haciendo que y = Ux y luego determinando y en Ly = b. Como L es triangular superior tenemos y1 = b1/l11 y para toda i= 2,3,.,n yi = 1/lii =

Una vez que se tiene y, resolvemos el sistemas triangular Ux = y para x por medio de la sustitucin hacia atrs.

Ejemplo. La matriz [ ]

Es una matriz de permutacin de 3 x 3. Para cualquier ,matriz A de 3x 3, al multiplicar el lado izquierdo por P se intercambian los renglones segundo y tercero.

PA = [

][

]= [

De manera anloga, al multiplicar A del lado derecho por P se intercambian las columnas segunda y tercera

DESCOMPOSICION LU(Burden) Los mtodos de descomposicin LU separan el tiempo usado en las eliminaciones para la mtriz (A) de las manipulaciones en el lado derecho (B) Una vez que A se ha descompuesto los multiples vectores del lado derecho B se pueden evaluar de manera eficiente Estrategia de 2 pasos 1. Paso de descomposicin LU (A) se factoriza o se descompone en las matrices triangulares inferiores (L) y superior(U). 2. Paso de sustitucin(L) y(U) se usan para determinar iuna solucin X para un lado derecho B. Este paso, a su vez, se divide en 2,. Primero la ecuacin(L)(D)=B se usa para generar un intermedio D mediante la sustitucin hacia adelante.

DESCOMPOSICION LU(NAKAMURA) El esquema de descomposicin LU es una transformacin de una matriz A como producto de 2 matrices A= LU Donde L es una matriz triangular inferior y U es una matriz triangular superior. Cuando uno debe resolver varios conjuntos de ecuaciones lineales en los que todas las matrices de coeficientes son iguales pero los trminos no homogneos la descomposicin LU tiende a se mas eficiente que la de GAUSS Ejemplo A= [ Solucin U11 = 2, U12= 1 , U13= -3..U23=2]

L21=-.5 , L31=1.5.L32=(1-(1.5)(1)/3.5=-.1428 U22= 3-(-.5)(1)=3.5..U33= -3-(1.5)(-3)-(-.142857)(-.5)=1.57 Entonces L=[ ] U=[ ]

MATRIZ INVERSA(BURDEN) Se dice que una matriz de A n x n es no singular. Si existe una matriz de A-1 de n x n con AA-1 = A-1 = I. La matriz A-1 se llama inversa de A. Una matriz que no tiene inversa se le da el nombre de singular

Ejemplo Sean A= [ ] y B=[ ]

Entonces AB = [

]. [

]=[

] = I3,

De modo semejante, BA= I3, por tanto A y B son no singulares con B = A-1 y A = B-1 ANALISIS DE ERROR Y CONDICION DEL SISTEMA.(CHAPRA) Estn disponibles 3 mtodos para este propsito. 1. Escalar la matriz de coeficientes (A), de manera que ele elemento mas grande en cada renglosn sea 1. Se invierte la matriz escalada, y si existen elementos A-1 que sean varios ordenes de magnitudes mayores que uno, es posible que el sistema este mal condicionado. 2. Multiplicar la inversa por la matriz de coeficientes original y estimar si el resultado es lo suficiente cercano a la matriz identidad. Si no es asi, esto indica que el sistema esta mal condicionado. MATRICES ESPECIALES.(BURDEN)

Matrices Bandeadas y Simetricas. Una matriz bandeada es un matiz cuadrado en la que todos sus elementos son cero, con excepcin de una banda centrada sobre la diagonal principal. Sistemas tridiagonales. Un sistema tridiagonal es decir uno con ancho de banda 3 se expresa en general ( )( )

METODOS ESPECIALES Y EL METODO DE GAUSS SEIDEL(chapra) TIPOS ESPECIALES DE MATRICES. Se dice que la matriz A de n x n es estrictamente diagonal dominante cuando aii > es aplicable a toda i= 1,2,..n. Ejemplo Consideramos las matrices A=[ ] y B= [ ]

La matriz no simtrica A es estrictamente diagonal dominante porque 7>2 + 0, 5>3 + -1 y -6 >0 + 5. La matriz simtrica B no es estrictamente diagonal dominante ya que por ejemplo, en el tercer rengln el valor absoluto del elemento diagonal es 6<4 + -3 =7.

Definidas positivas Definicin: Una matriz A es definida positiva si es simtrica y si xt Ax > 0 para todo vector columna n dimensional x 0. Ejemplo la matriz A=[ ]

Es definida positiva; suponiendo que x sea un vector columna de 3 dimensiones, entonces

xt Ax = [

][

][

=[

][

=2x21 -2x1x2 + 2x22 -2x2x3 + 2x32

GAUSS SEIDEL. El mtodo de Gauss Seidel es el mtodo iterativo mas comnmente usado. Suponga que se da un sistema de n ecuaciones: (A)(X)=(B) Suponga que se limita a un conjunto de ecuaciones de 3x3. Si los elementos de la diagonal no son todos cero, la primera ecuacin se puede resolver para x1, la segunda para x2 y a tercera para x3

Ejemplo

Solucion X1 = 7.85 + .1x2 + .2x3/3 x2= -19.3-.1x1 + .3x3/7 x3= 71.4-.3x1+.2x2/10

X1=2.616667 x2= -2.7945 y x3= 7.0061 Suponiendo que x1 y x2 son cero Y en la segunda iteracin se repite el mismo proceso

ECUACIONES ALGEBRAICAS LINEALES CON BIBLIOTECAS Y PAQUETES DE SOFTWARE Las bibliotecas y paquetes de software tienen grandes capacidades para resolver sistemas de ecuaciones algebraicas lineales. Ejem : EXCEL [ ] =[ ]

Resolviendo con Excel

1 2 3 4 5 6 7 1 1 1 9 -36 30 0.5 0.66667 0.75 -18 96 -90 0.3333 0.5 0.6 10 -60 60 1.83333 2.1666 2.35 0.99999 1 0.99999

BIBLIOGRAFIA

Anlisis numrico: Richard L. Burden Mtodos Numricos: Chapra & Canale Mtodos Numricos aplicados con software: schoiro nakamura