Clase Sistemas Ecuaciones Lineales 2016

Universidad Politcnica de MadridEscuela Tcnica Superior de Ingenieros Industriales
Matemticas de la EspecialidadIngeniera Elctrica
Sistemas de ecuaciones lineales

Mtodos directos de solucin
Jos Luis de la Fuente OConnor

jldelafuente@etsii.upm.es
joseluis.delafuente@upm.es
Clase_sistemas_ecuaciones_lineales_2016.pdf
1/140
ndice

El problema y consideraciones tericas
Mtodos directos: Eliminacin de Gauss

Pivotacin
Algoritmo
Nmero de operaciones
Mtodo de Gauss-Jordan
Condicionamiento de sistemas de ecuaciones lineales
Errores en la eliminacin de Gauss
Matlab y los sistemas de ecuaciones lineales
Factorizacin LU
Solucin de sistemas modificados
Refinamiento iterativo
Sistemas con matrices especiales

2/140
El problema y sus aspectos tericos

Se trata de obtener la solucin de un sistema de ecuaciones del tipo

a11x1 C a12x2 C C a1nxn D b1
:::
:::
:::
:::
am1x1 C am2x2 C C amnxn D bm:
Hay que obtener los valores de las variables x1; : : : ; xn que hacen que se
cumplan simultneamente todas las igualdades.
A los nmeros aij se les denomina coeficientes del sistema y a los bi trminos
independientes.
3/140
Si se introducen las matrices

2
3
a11 a12 a1n
6
7
6 a21 a22 a2n 7
A D 6 ::
:::
::: 7 ;
4 :
5
am1 am2 amn
2 3
x1
6 7
6x 7
x D 6 ::2 7
4:5
xn
b1
6 7
6b 7
y b D 6 ::2 7 ;
4 : 5
xm
el sistema se puede representar de forma ms compacta por

Ax D b:
En general se supondr que la matriz de coeficientes A 2 Rmn y los vectores

x 2 Rn y b 2 Rm .
4/140
Casos posibles de sistemas lineales, una vez ms
m = n de ecuaciones lineales:
Casos posibles de sistemas
m=n
m=n
m=n
rango(A) = m = n
rango(A) = m = n
m=n
rango(A) < n < m

rango(A) < n < m
rango(A) < m = n
rango(A) = m = n
rango(A) < m = n
1a
1b
1a
m>n
1b
m>n
m>n
rango(A) = n < m
rango(A) = n < m
m>n
m>n
m>n
rango(A) = n < m
rango(A) < n < m
2a
2b
2a
2b
m<n
m<n
rango(A) = m < n
m<n
rango(A) = m < n
rango(A) = m < n
3a
3a
m<n
m<n
rango(A) < m < n
rango(A) < m < n
m<n
rango(A) < m < n
3b
3b
5/101
5/140
Recordemos algunos resultados de la teora de lgebra lineal.

Teorema Compatibilidad de un sistema de ecuaciones lineales La ecuacin
Ax D b admite solucin si y slo si
rango.Ajb/ D rango.A/:
Corolario Si A mn tiene rango m, Ax D b siempre tiene solucin.
Teorema Si x 0 es una solucin de Ax D b, el conjunto de soluciones de
la ecuacin est dado por x 0 C ker.A/.
Corolario Una solucin de Ax D b es nica si y slo si ker.A/ D ;.
6/140
Teorema La ecuacin Ax D 0, A mn, n > m, siempre tiene una solucin

no trivial.
Teorema Si A es una matriz cuadrada de orden n, las siguientes condiciones

son equivalentes:
1. rango.A/ D n.
2. ker.A/ D ;.
3. Los vectores columna de A son linealmente independientes.

4. Los vectores fila de A son linealmente independientes.
5. Existe una matriz de orden n, A 1, tal que A 1A D AA
DI
7/140
Analicemos geomtricamente el problema de resolver un sistema de dos

ecuaciones lineales con dos incgnitas:
a11x1 C a12x2 D b1
a21x1 C a22x2 D b2:

Cada una de las ecuaciones que componen el sistema representa una recta
en el espacio eucldeo de dimensin dos.
x2
a11 x 1 + a12 x 2 = b1
a21 x 1 + a22 x 2 = b2
x1
El proceso de obtener la solucin del sistema tiene como objeto determinar

las coordenadas del punto donde se cortan.
8/140
Fig 9.2
Copyright The McGraw-Hill Companies, Inc. Permission required for reproduction or display.
En la siguiente figura se pueden ver sistemas donde existen dificultades para

encontrar ese punto de interseccin, al menos visualmente.
Generalizando a Rn, la resolucin de un sistema de ecuaciones lineales se puede

interpretar como la bsqueda de las coordenadas del(os) punto(s) de
interseccin de los hiperplanos asociados a cada una de las ecuaciones.
9/140
Geomtricamente, en el subespacio Im.A/.

Si se escribe el sistema de dos ecuaciones con dos incgnitas de la forma

a11
a
b
x1 C 12 x2 D 1 ;
a21
a22
b2
el problema es el de descomponer linealmente el vector b en los dos vectores
columna de la matriz de coeficientes.

b1
b2
a11
a21

a12
a22
En Rn, el problema es el de la bsqueda de la descomposicin lineal de un

vector segn los n vectores de la base de Im.A/: los vectores columna de A.
10/140
Objective: Find the temperature of an integrated circuit (IC)

Ejemplo Hay que modelizar el sistema de refrigeracin de una tarjeta
package mounted on a heat spreader. The system of equations is
electrnica para poder usar un reloj de impulsos con la mayor frecuencia de
obtained from a thermal resistive network model.
oscilacin posible.
Simplificadamente,
y matemtico deModel:
la figura en el
Physicaladoptamos
Model: el modelo fsico Mathematical
que se esquematiza un tiristor o un transistor montado en una placa disipadora
de calor.
aire
Q1
Qc
Tw
R2
Q3
Tp
Q2
R3
a
Q4
R4
a
Q5
R5
a
temperatura exterior Ta
11/140
Si el sistema necesita Qc watios de potencia, suponiendo un modelo resistivo

del flujo de aire entre los nudos del sistema, aplicando los principios de
conservacin de la energa, se obtienen las ecuaciones que siguen.
1
.Tc
R1
1
.Tp
Q2 D
R2
1
Q3 D
.Tc
R3
Q1 D
Tp /
Tw /
1
.Tp
R4
1
Q2 D
.Tw
R5
Q4 D
Ta /
Qc D Q1 C Q3
Ta /
Q1 D Q2 C Q4
Ta /
Se conoce Qc , al igual que Ta . Las resistencias se pueden conocer sabiendo el

material de las placas y sus propiedades.
Las incgnitas son entonces Q1, Q2, Q3, Q4, Tc , Tp y Tw .

12/140
Como hay siete ecuaciones, reagrupando las ecuaciones para aislar las incgnitas
se llega al siguiente sistema:
R1 Q1 Tc C T9
R2 Q2 Tp C Tw
R3 Q3 Tc
R4 Q4 Tp
R 5 Q2 T w
Q1 C Q3
Q1 Q2 Q4
0
0
Ta
Ta
Ta
Qc
0:
En forma matricial, el sistema tiene la siguiente expresin:

2
32 3 2 3
R1
0
0
0
0
R
0
0
2
6
6 0 0 R3 0
6 0 0 0 R4
6 0 R 0 0
5
4
1
0
1
0
1
1
0
1
D
D
D
D
D
D
D
1
0
1
0
0
0
0
1
1
0
1
0
0
0
Q1
0
17 6Q2 7
07 6Q3 7
07 6Q4 7
76 7
15 4 Tc 5
0
Tp
0
Tw
0
6 0 7
6 Ta 7
6 Ta 7
6 T7
4 a5
Qc
0
Los flujos de calor se obtendrn resolviendo este sistema.

13/140
En Matlab, si R1 D 100, R2 D 200, R3 D 50, R4 D 100, R5 D 300,

Ta D 50 y Qc D 25, en su zona de trabajo habra que hacer esto:
A=[100 0 0 0 -1 1 0; 0 200 0 0 0 -1 1; 0 0 50 0 -1 0 0;...
0 0 0 100 0 -1 0; 0 300 0 0 0 0 -1; 1 0 1 0 0 0 0;1 -1 0 -1 0 0 0]
A =
100
0
0
0
0
1
1
0
200
0
0
300
0
-1
0
0
50
0
0
1
0
0
0
0
100
0
0
-1
-1
0
-1
0
0
0
0
1
-1
0
-1
0
0
0
0
1
0
0
-1
0
0
b=[0;0;-50;-50;-50;25;0]
b =
0
0
-50
-50
-50
25
0
>> x=A\b
x =
1.0e+003 *
0.00535714285714
0.00089285714286
0.01964285714286
0.00446428571429
1.03214285714286
0.49642857142857
0.31785714285714
14/140
ndice

El problema; consideraciones tericas
Factorizacin LU

15/140

Los mtodos directos resuelven el problema en etapas, siendo el nmero de

stas fijo y funcin de la dimensin del problema.
El ms clsico es el debido a Carl Friedrich Gauss, Alemania, 1777-1855, quien

lo aplic por primera vez en 1809 con motivo de unos estudios sobre rbitas de
ciertos cuerpos celestes.
Supondremos que la matriz cuadrada A es de rango completo regular, por lo

tanto invertible, y que si eventualmente no lo es el procedimiento deber
detectarlo.
16/140
La mecnica del mtodo consiste en aplicar al sistema
n

9
a11x1 C a12x2 C C a1nxn D b1 >
>
>
=
:::
:::
:::
::: > Ax D b
>
>
an1x1 C an2x2 C C annxn D bn ;
1 transformaciones lineales que lo conviertan en otro ms fcil de resolver.
Concretamente, en un sistema triangular superior de la forma

b10
b20
9
=
u11x1 C u12x2 C C u1nxn D

u22x2 C C u2nxn D
:::
:::
;
0
unnxn D bn;
U x D b0:
17/140
Un sistema triangular superior, siempre y cuando se satisfaga que

ui i 0;
i D 1; : : : ; n;
es fcilmente resoluble de manera recurrente mediante las frmulas

!
n
X
1
0
xk D
uki xi ;
k D 1; : : : ; n:
b
ukk k
i DkC1
Este proceso se conoce como sustitucin inversa.
18/140
En cada una de esas n
1 etapas hay que llevar a cabo:
1. Una multiplicacin de una de las ecuaciones del sistema por un nmero

distinto de cero.
2. Una sustitucin de una ecuacin del sistema (o varias) por la que resulta de
sumarle otra multiplicada por un factor.
3. Una posible permutacin del orden en que aparecen en el sistema las
ecuaciones del mismo.
19/140
Ejemplo Se desea resolver el sistema

2x1 C x2
C 4x4 D
4x1
2x2 C 3x3
7x4 D
4x1 C x2
2x3 C 8x4 D
3x2
12x3
x4 D
2
9
2
2:
Escrito en forma matricial, Ax D b, los distintos componentes son

2 3
3
2 3
2
2
x1
2 1
0 4
7
6 7
6 7
6
3 77
6x27
6 4 2
6 97
AD6
7; b D 6 7 y x D 6 7:
2 85
4x35
4 4 1
4 25
x4
0 3 12 1
2
20/140
Reconfiguremos inicialmente la matriz A, aadindole a su derecha la columna

b es decir,
del trmino independiente b, y llamemos a la nueva matriz A;
2
3
2 1
0 4 2
6
7
4
2
3
7
9
6
7
b D Ajb D 6
A
7:
2 8 25
4 4 1
0 3 12 1 2
Apliquemos ahora la mecnica del mtodo en 3 etapas.
Etapa 1

Comprobemos el valor del coeficiente aO 11 denominado pivote.

Si es distinto de cero, pivotando sobre l, hagamos cero los coeficientes de la
primera columna por debajo de ese aO 11.
21/140
Para ello, calculamos para cada fila 2; : : : ; n los factores o multiplicadores

ri D
i D 2; : : : ; n:
A continuacin, restamos de las filas i D 2; : : : ; n, la primera multiplicada por

ri . El resultado es que todos los coeficientes debajo de la diagonal principal de
la columna 1 se anularn.

b debajo de la primera fila se vern afectados

Los dems coeficientes de A
como indica esta expresin:
aO ij
aO i1
;
aO 11
aO ij
ri aO 1j ;
i D 2; : : : ; nI j D 2; : : : ; n C 1:
En el ejemplo, los multiplicadores son

r2 D aO 21=aO 11 D
r3 D aO 31=aO 11 D
r4 D aO 41=aO 11 D
4=2 D
4=2 D
0=2 D
2
2
0:
22/140
b que cambian de valor son:

Los coeficientes de la matriz A
en la 2a fila:
en la 3a fila:
en la 4a fila:
aO 21
aO 22
aO 23
aO 24
aO 25
aO 31
aO 32
aO 33
aO 34
aO 35
aO 41
aO 42
aO 43
aO 44
aO 45
0
aO 22
aO 23
aO 24
aO 25
0
aO 32
aO 33
aO 34
aO 35
0
aO 42
aO 43
aO 44
aO 45
r2 aO 12
r2 aO 13
r2 aO 14
r2 aO 15
D
D
D
D
2
3
7
9
r3 aO 12
r3 aO 13
r3 aO 14
r3 aO 15
D
D
D
D
r3 aO 12
r4 aO 13
r4 aO 14
r4 aO 15
D
D
D
D
C
C
C
C
21
20
24
22
D
D
D
D
0
3
1
5I
1
2
8
2
21
20
24
22
D
D
D
D
1
2
0
2I
3
12
1
2
01
00
04
02
D
D
D
D
3
12
1
2:
23/140
b 1 , resultado de transformar A,
b es:
La nueva matriz A
2
3
2
0
b1 D 6
A
40
0
1
0
1
3
0
3
2
12
4
1
0
1
2
57
:
25
2
Obsrvese que se hubiese obtenido exactamente el mismo resultado de haber

b por la denominada transformacin de Gauss que define la
premultiplicado A
matriz triangular inferior unitaria
2
3
1 0 0 0
6
7
6 2 1 0 07
L1 D 6
7;
4 2 0 1 05
0 0 0 1
denominada matriz de transformacin de Gauss.
En efecto,
1
6 2
L1b
AD4
2
0
0
1
0
0
0
0
1
0
32
0
07 6
05 4
1
2
4
4
0
1
2
1
3
0
3
2
12
4
7
8
1
3 2
2
2
97 6 0
D
25 4 0
2
0
1
0
1
3
0
3
2
12
4
1
0
1
3
2
57
.
25
2
24/140
La matriz L1 tambin se puede escribir de la forma L1 D I
Su inversa es
3
0
6 27
7
D6
4 25
0
2
L1 1
2 3
1
607
7
y e1 D 6
405 :
0
1 0
6
6 2 1
D6
4 2 0
0 0
0
0
1
0
e T1 , donde
0
7
07
7:
05
1
La nica diferencia con L1 es el signo de los coeficientes de la primera columna

debajo de la diagonal principal.

b 1 D L1 A.
b
En resumen, A
25/140
Etapa 2

Hagamos cero los coeficientes debajo de la diagonal principal de la 2a columna

b 1.
de A
1
es cero, lo que nos
Al tratar de hacerlo, vemos que el coeficiente pivote aO 22
impide proceder como en la etapa anterior.
1
Comprobemos si algn coeficiente de la columna 2 por debajo de aO 22
no es 0:

Si no hay ninguno, esta columna es combinacin lineal de la primera y por

tanto la matriz es singular.
Si hay varios, escojamos el de mayor valor absoluto e intercambiemos la fila

de ese coeficiente con la segunda.
26/140
En el ejemplo, el coeficiente de mayor valor absoluto debajo de la diagonal

principal en la segunda columna, 3, se encuentra en la fila 4. Intercambiamos
esa fila 4 con la 2. Se obtendr
3
2
2 1
0 4 2
7
6
60 3 12 1 27
0
b
A1 D 6
7:
2 0 25
40 1
0 0
3 1 5
Esto mismo se obtiene premultiplicando

2
1
6
60
P1 D 6
40
0
b 1 por la permutacin
A
3
0 0 0
7
0 0 17
7:
0 1 05
1 0 0
27/140
b 0 , es:
Recapitulemos: la matriz con la que vamos a operar a continuacin, A
1
b 0 D P 1 L1 A:
b
A
1
Apliquemos a continuacin a la columna 2 la misma idea que a la columna 1 y

hagamos cero sus coeficientes 3 a n.
Los nuevos multiplicadores saldrn de la expresin

0
1
aO i2
ri D 10 ;
aO 22
i D 3; 4:
b 0 por debajo de la segunda

Los nuevos valores de los coeficientes de la matriz A
1
fila se obtendrn aplicando la expresin
0
aO ij1
aO ij1
1
ri aO 2j
;
i D 3; 4I j D 3; : : : ; 5:
28/140
Los valores de los multiplicadores para el ejemplo son

0
1
1
r3 D aO 32
=aO 22
D 1=3 y
1
1
r4 D aO 42
=aO 22
D
Los nuevos coeficientes de la matriz

10
aO 32
0
en la 3a fila:
0
1
10
aO 33
aO 33
10
10
aO 34
aO 34
10
10
aO 35
aO 35
en la 4a fila:
1
aO 42
10
aO 43
10
aO 44
10
aO 45
0
10
aO 43
10
aO 44
10
aO 45
0:
b 0 resultante:
A
1
0
1
r3 aO 23
D
10
D
r3 aO 24
10
D
r3 aO 25
0
1
r4 aO 23
D
0
1
r4 aO 24
D
0
1
r4 aO 25
D
2 C
0 C
2
1
3
1
3
1
3
12 D
1 D
2 D
2
1=3
8=3I
3
1
5
0 12 D
01 D
02 D
3
1
5:
Al ser r4 D 0, los clculos para adaptar la cuarta fila podran haberse evitado.
29/140
La nueva matriz resultado de estas transformaciones es

2
3
2 1
0
4
2
6
7
1
27
60 3 12
b
A2 D 6
7;
2 1=3 8=35
40 0
5
0 0
3
1
matriz que se expresa a partir de la inicial como
2
1
6
60
donde L2 D 6
40
0
0
1
1=3
0
0
0
1
0
b 2 D L2 P 1 L1 A;
b
A
3
0
7
07
7:
05
1
30/140
Etapa 3

Para conseguir transformar el sistema original en uno triangular superior slo

2
resta anular el coeficiente aO 43
.
2
es distinto de cero, luego procedemos
El coeficiente de la diagonal principal aO 33
a calcular el multiplicador r4:
2
2
r4 D aO 43
=aO 33
D 3=2:
b 2 por debajo de la tercera

Los nuevos valores de los coeficientes de la matriz A
fila se obtendrn aplicando la expresin
aO ij2
aO ij2
2
ri aO 3j
;
i D 4I j D 4; 5:
31/140
En concreto, en la cuarta fila:

2
aO 43
2
aO 44
2
aO 45
0
2
aO 44
2
aO 45
2
r4 aO 34
D
2
r4 aO 35
D
1
5 C
3
2
3
2
31 D 1=2
38 D
1:
La nueva matriz resultado de estas transformaciones es

2
3
2 1
0
4
2
6
7
0
3
12
1
2
6
7
b3 D 6
A
7:
2 1=3 8=35
40 0
0 0
0 1=2
1
32/140
b una serie
A este resultado se ha llegado despus de aplicar a la matriz inicial A
de transformaciones; concretamente:
donde
b 3 D L3 L2 P 1 L1 A;
b
A
2
1
6
60
L3 D 6
40
0
0
1
0
0
0
0
1
3=2
0
7
07
7:
05
1
En conclusin, la matriz original que defina el sistema, A, se puede transformar

b
en la triangular superior U aplicndole las mismas transformaciones que a A.
Es decir,
U D L3L2P 1L1A:
33/140
Como a b tambin se le han efectuado las mismas transformaciones llegndose

a b0, resolver el sistema de ecuaciones original es equivalente a resolver
U x D b0
En el ejemplo,
2
2
6
60
6
40
0
1
3
0
0
0
12
2
0
32 3 2
3
4
x1
2
76 7 6
7
17 6x27 6
27
76 7 D 6
7:
1=35 4x35 4 8=35
1=2
x4
1
34/140
La solucin se lleva a cabo mediante sustitucin inversa:

x4 D
2;
sustituyendo en la tercera ecuacin,

x3 D
8=3
. 2/.1=3/
D
2
1;
y, a su vez, hacindolo en la segunda,

x2 D

. 1/. 2/
. 12/. 1/
3
D 4:
Por ltimo, sustituyendo los valores de las variables ya calculados en la primera

ecuacin se obtiene
2 4. 2/ 1.4/
x1 D
D 3:
2
35/140
La solucin de nuestro ejemplo es pues

2 3 2
x1
6 7 6
6x27 6
6 7D6
4x35 4
x4
3
7
47
7:
15
2
36/140
Pivotacin

Veamos qu ocurre si resolvemos con el procedimiento estudiado

4
10 1
x1
1
D
;
1 1
x2
2
en una mquina con tres dgitos significativos que efecte redondeos.

Aplicando la mecnica apuntada, como 10 4 no es cero, en la primera etapa se

obtendra una nueva matriz A 1 y un nuevo vector b1; son:

4
10
1
1
A1 D
y
b
D
:
1
0 1 104
2 104
37/140
El nmero 1 104 D 9999, la mquina lo redondeara a 104; de la misma

forma procedera con 2 104. La solucin del sistema sera
104
x2 D
D 1
104
1 x2
x1 D
D 0;
10 4
muy distinta de la real 0;99989999; 1;00010001T .
La eleccin del pivote, y su uso, adems de que el multiplicador no salga de un

posible ai i D 0, tambin tiene por objeto que ese multiplicador no tenga una
magnitud mucho mayor que 1 con el fin de aumentar la estabilidad numrica del
procedimiento,

Es por esto por lo que se escoge el coeficiente pivote de mayor magnitud de

entre los de debajo de la diagonal principal.
38/140
Para el caso de este ltimo ejemplo, en la primera etapa, en lugar de operar

sobre la matriz anterior, como el valor absoluto del coeficiente a21 es mayor que
el del a11, se intercambiara la fila 1 con la 2, obtenindose

1
1
2
0
A0 D
y
b
D
:
10 4 1
1
Continuando con el procedimiento normal, despus de la primera etapa, se

llegar a

1
1
2
A 01 D
y b01 D
:
4
0 1 10
1 2 10 4
Por redondeos internos, la mquina representara

1
1
2
A 01 D
y b01 D
:
0 1
1
39/140
La solucin de este sistema de ecuaciones sera

x1
1
D
:
x2
1
Solucin mucho mejor que la anterior, pues la real es
0,9998
x2 D
D 0,99989999
0,9999
x1 D 1,00010001:
La diferencia entre las dos formas de proceder anteriores es importante. En la

primera, al usar el multiplicador 104, el efecto de restar 104 veces la ecuacin
superior de la ecuacin inferior fue atenuar, o dominar, la ecuacin final.
Aunque al principio del proceso haba dos ecuaciones, o fuentes de informacin
independientes, actuando de la primera manera, despus de la primera
eliminacin, quedan en esencia dos copias de la ecuacin superior pues la
inferior, a efectos prcticos, ha desaparecido. La solucin obtenida con esa
primera forma de actuar, como es lgico, no satisface la ecuacin inferior.
A este efecto se le conoce como dominancia.
40/140
El proceso descrito de intercambiar filas se denomina pivotacin parcial.
Su por qu radica en la aritmtica de precisin finita con la que trabajan todos

los ordenadores y en el hecho de que los factores o multiplicadores antes
introducidos son inversamente proporcionales al coeficiente pivote: si ste es
demasiado pequeo puede amplificar los errores de redondeo a lo largo del
proceso de solucin y favorecer la dominancia que se ha descrito.
41/140
Partial Pivoting
Una segunda estrategia de pivotacin es la pivotacin total. Consiste en buscar

en una etapa i no slo el coeficiente de mayor valor absoluto
en la columna
Full Pivoting
correspondiente,
en bytodo
que
porthetratar
de la matriz: el
To avoidsino
division
zero, lo
swap
thequeda
row having
zero pivot
with onejaof the
rows below it.
mKaxi kn; ij
n kj j.
Rows completed in
forward elimination.
0
Rows completed in
forward elimination.
Row with zero pivot

0 element
Rows to search for a

more favorable pivot
*
element.
Row with zero pivot eleme
Rows to search for a

more favorable pivot
element.
Columns to search for a more

favorable pivot element.
To minimize the eect of roundo, always choose the row that
La pivotacin
es lapivot
estrategia
parai.e.,minimizar
putstotal
the largest
element onptima
the diagonal,
nd ip sucherrores.
En la prctica, la pivotacin parcial produce buenos resultados y excelentes

prestaciones numricas por lo que rara vez se usa la total.
that |aip,i| = max(|ak,i |) for k = i, . . . , n
42/140
Algoritmo
Resolucin de Ax D b
Transformacin de la Matriz Aumentada Ajb
for i D 1 to n 1
Determinar ndice p 2 fi; i C 1; : : : ; ng tal que ja.p; i /j D mKaxi j n ja.j; i /j.
Intercambiar filas p e i .
for j D i C 1 to n
D a.j; i /=a.i; i /
for k D i C 1 to n C 1
a.j; k/
a.j; k/ a.i; k/
end
end
end
Sustitucin Inversa.
for j D n to01
1

n
X
@b.j /
x.j /
a.j; k/ x.k/A a.j; j /
end
kDj C1
43/140
En cdigo de Matlab, para cualquier sistema.
function [x]=Gauss(A,b)
% Solucin de Ax=b mediante eliminacin de Gauss
n=size(A,1); x=zeros(n,1);
for i=1:n-1
% Transformacin matriz A en n-1 etapas
[p maxk]=max(abs(A(i:n,i)));
maxk=maxk+i-1;
if i~=maxk
A([i maxk],:)=A([maxk i],:);
b([i maxk]) =b([maxk i]);
end
j=i+1:n;
A(j,i)=A(j,i)/A(i,i);
A(j,j)=A(j,j)-A(j,i)*A(i,j);
b(j)=b(j)-b(i)*A(j,i);
end
for i=n:-1:1
% Sustitucin inversa
x(i)=(b(i)-A(i,i+1:n)*x(i+1:n))/A(i,i);
end
end
44/140
Desde el punto de vista de la codificacin del algoritmo, conviene mejorar:

Que no es realmente necesario intercambiar las filas una vez elegido el

coeficiente pivote de cada etapa; basta con tener constancia en cada
momento dnde estn las filas que se intercambian.
Que tal como est estructurado el programa slo se podra resolver un

sistema el definido por el b dado y no, como es lo ms habitual, distintos
sistemas con la misma matriz A y diversos trminos independientes.
45/140
Lo primero se puede paliar mediante la introduccin de vector ndice, IPIV, de

dimensin el nmero de ecuaciones, inicializado a la posicin inicial en el
sistema de cada una de las ecuaciones; es decir,
2 3
1
627
6 7
IPIV D 63 7 :
4 ::: 5
n
Cuando haya que intercambiar dos filas en un etapa, no se har intercambiando

fsicamente los coeficientes de esas dos filas, sino las correspondientes de IPIV.
Si en una primera etapa hay se utilizar como pivote el de la cuarta fila,

2 3
4
627
6 7
637
IPIV D 61 7 :
6:7
4 :: 5
n
46/140
Si al final de un proceso de resolucin de un sistema de cinco ecuaciones con

cinco incgnitas, el vector puntero resultase
2 3
4
627
6 7
IPIV D 657 ;
415
3
la matriz A 0 que se obtendra no resultara ser estrictamente triangular superior.

Tendra la forma que sigue.
Para obtener Ax D b habra que aplicar esas mismas manipulaciones de filas a

b, o tenerlo en cuenta.
47/140
Para evitar el segundo inconveniente, habra que guardar adecuadamente la

informacin que definen los multiplicadores asociados a cada fila de cada etapa.

Los i 1 multiplicadores se pueden guardar en los lugares vacos o mejor

dicho, que se hacen cero que provocan las transformaciones que definen:
en la etapa i , debajo de la diagonal principal en la columna i .
En el ejemplo, con esta idea, al final del proceso:

2
6
6
AD6
4
Los multiplicadores eran
Ojo, verifiquemos:
2
2
2
0
1
3
1=3
0
0
12
2
3=2
3
4
7
17
7:
1=35
1=2
2, 2, 1=3 y 3=2.
>> I=eye(4); L1=I; L2=I; L3=I;
>> L1(2:3,1)=[-2 2]; L2(3,2)=1/3; L3(4,3)=3/2; P=I([1 4 3 2],:);
>> U=[2 1 0 4;0 -3 -12 -1;0 0 2 1/3; 0 0 0 1/2];
>> L=L1*P*L2*L3; L*U, A
ans =
2
1
0
4
-4
-2
3
-7
4
1
-2
8
0
-3
-12
-1
A =
2
1
0
4
-4
-2
3
-7
4
1
-2
8
0
-3
-12
-1
48/140
Nmero de operaciones del mtodo

Dos de los factores ms importantes que influyen en las prestaciones de un

algoritmo son:

Su estabilidad numrica ante los diversos errores.
La cantidad de tiempo necesaria para completar los clculos que conlleva.
Ambos factores dependen del nmero de operaciones aritmticas necesarias para

la aplicacin del algoritmo.
Los tiempos necesarios para realizar en un ordenador la multiplicacin y la

divisin de dos nmeros son aproximadamente iguales y considerablemente
mayores, en trminos relativos, que los requeridos para realizar la suma o
diferencia, que tambin son muy semejantes entre s.
49/140
La eliminacin de Gauss para resolver un sistema de ecuaciones lineales, en la

primera etapa, realiza las operaciones que se representan simblicamente en el
esquema que sigue.

::

::

:: ::

0 2
:: ! :: ::

0 2

0 2

2 2
:: ::
2 2
2 2

2
::
2
2
El smbolo 2 designa los coeficientes de la matriz que se ven afectados en esa

etapa y que, en principio, son distintos de cero.
50/140
Si en la etapa i se est transformando una matriz n n, las operaciones que en

ella se realizan son:
n
.n
divisiones para el clculo de los multiplicadores;

i C 1/ multiplicaciones y restas para modificar los coeficientes
de la matriz por debajo de la fila i que no estn en la
propia columna i.
i /.n
En cada etapa se efectan,

.n
i / C .n
i /.n
i C 1/ D .n
i /.n
i C 2/
multiplicaciones y divisiones y
.n
i /.n
i C 1/
sumas y restas.
51/140
En n
1 etapas de que consta el proceso, se harn

n 1
X
.n
i /.n
i D1
i C 2/ D .n C 2n/
n 1
X
i D1
D .n2 C 2n/.n
1/
.n
1/n.2n
C
6
2n3 C 3n2 5n
D
6
2.n C 1/
n 1
X
iD1
2.n C 1/
iC
.n
n 1
X
i2
i D1
1/n
2
1/
n 1
X
.n
i D1
i /.n
i C 1/ D .n C n/
n 1
X
iD1
D .n2 C n/.n
C
D
.n
n3
1
1/
1/n.2n
6
.2n C 1/
n 1
X
i D1
.2n C 1/
iC
.n
n 1
X
i2
i D1
1/n
2
1/
n
3
sumas y restas.
52/140
El comportamiento de estos valores para n grande tiende a

1 3
n.
3
El proceso de sustitucin inversa requiere .n i / multiplicaciones y .n

sumas, para cada trmino del sumatorio, y una resta y una divisin.

1/
El nmero total de operaciones de todo el proceso es

1C
n 1
X
..n
i D1
n2 C n
i / C 1/ D
2
n 1
X
i D1
..n
1/ C 1/ D
n2
n
2
sumas y restas.
53/140
Contando la totalidad de la transformacin de la matriz del sistema y la

sustitucin inversa, la eliminacin de Gauss requiere
2n3 C 3n2
6
5n
n2 C n
n3 C 2n2
C
D
2
3
n3
n
3
n2
n
2
2n3 C 3n2
D
6
5n
sumas y restas.

Para valores de n, estas expresiones tienden a

1 3
n O.n3=3/
3
lo que refleja la importante magnitud del nmero de operaciones.
54/140
Aunque la cantidad n3=3 puede parecer muy grande, recordemos las frmulas de
Cramer para la solucin de sistemas:
2
3
a11 a1i 1 b1 a1iC1 a1n
6
7
det.B i /
6a21 a2i 1 b2 a2i C1 a2n 7
; donde B i D 6 ::
xi D
:::
:::
:::
::: 7 :
4 :
5
det.A/
an1 ani 1 bn ani C1 ann

Mediante estas frmulas se requieren:

8
sumas,
< .n C 1/
.n C 2/
multiplicaciones y
:
n
divisiones.
Para diez ecuaciones con diez incgnitas se requerirn:

8
740 operaciones utilizando eliminacin de Gauss.
<
500.000.000 operaciones, aproximadamente, aplicando
:
las frmulas de Cramer.
55/140
Mtodo de Gauss-Jordan

Es una extensin natural de la eliminacin de Gauss por si se desea obtener la

matriz inversa. Consiste en eliminar de cada columna de la matriz de
coeficientes del sistema no slo los coeficientes no nulos que estn debajo de la
diagonal sino tambin los de arriba.
Se debe conjuntamente a Gauss y Wilhelm Jordan, Alemania, 1842-1899.
Una etapa i de la eliminacin de Gauss estaba caracterizada por la matriz

Li D I
donde
0
::
:
6
7
6
7
6 i
i 7
i D 6ai C1 i =ai i 7
6
7
::
4
5
:
i
ani
=aii i
fila i C 1
i e Ti ;
2 3
0
6 ::: 7
6 7
6 7
y e i D 617
6:7
4 :: 5
0
fila i :
56/140
En la etapa i de este mtodo, la matriz de transformacin de Gauss-Jordan es

la dada por
T i D I i e Ti ;
2
3
2 3
i
i
donde
a1i =ai i
0
6 :::
7
6 ::: 7
6
7
6 7
6
7
6 7
i
i D 6 1=ai i 7
y e i D 617
fila i
fila i :
6 ::
7
6 :: 7
4 :
5
4:5
i
=aii i
ani
0
Si se tiene en cuenta que A 0 D A y A n D I, se tendr que

1 T 2T 1A
Tn
D I;
por lo que el mtodo obtiene directamente la matriz inversa:

A
D Tn
1 T 2T 1:
Las multiplicaciones y divisiones, y sumas y restas, son O.n3=2/ .

57/140
Condicionamiento de sistemas

En un sentido general se dice que un problema o un algoritmo est bien

condicionado si pequeas perturbaciones en los parmetros que lo definen
producen pequeos cambios en los resultados.
Consideremos el ejemplo de una carga sujeta a una superficie firme mediante un

cable o una barra de hierro.

Aumentando la carga en pequeas cantidades, el cable sufre unos pequeos

estiramientos proporcionales a los incrementos de esa carga.
Alcanzado el umbral de la zona de fluencia del material del cable,

incrementos muy pequeos de la carga suponen, proporcionalmente, grandes
estiramientos del cable.
Antes de este umbral, el problema estiramiento/carga se puede decir que

est bien condicionado; en la zona de fluencia el problema est mal
condicionado.
58/140
El condicionamiento de un sistema de ecuaciones lineales Ax D b lo

caracterizar la sensibilidad del vector solucin x a pequeos cambios, tanto en
el trmino de la derecha b, como en los coeficientes que definen la matriz A.
Como sabemos, el ordenador o mquina que resuelve Ax D b, al no trabajar

ms que con una precisin determinada, resolver una aproximacin
.A C A/x D b C b:

Si el algoritmo utilizado es estable y el sistema tambin, el resultado

obtenido debe ser muy parecido al real.
Si el sistema est mal condicionado, sin embargo, o el algoritmo no es

numricamente estable, la solucin puede diferir sustancialmente de la real.
59/140
Ejemplo Consideremos los dos sistemas de ecuaciones lineales

3
8 5 x1
Ax D b !
D
4 10 x2
14
y

0;66
3;34
xO 1
4
b xO D bO !
A
D
:
1;99 10;01 xO 2
12
La solucin de ambos es el vector 1; 1T .

Si introducimos una perturbacin b D 0,04; 0,06T en el trmino

independiente del primer sistema, su solucin pasar a ser 0,993; 0,9968T .
60/140
El cambio relativo en la norma eucldea del vector b es

kbk2
D
kbk2
0;042 C 0;062
q
32 C 142
0,0050:
Por lo que respecta al vector solucin, ese cambio relativo en la norma eucldea
es
q
.1 0;993/2 C .1 0;9968/2
kxk2
q
D
0;0054:
kxk2
2
2
1 C1
Como se puede ver, un pequeo cambio en el vector b induce un cambio

pequeo en el vector solucin.
61/140
Introduciendo el mismo cambio, bO D 0,04; 0,06T , en el vector en el

O su solucin pasa a ser 6; 0T .
trmino independiente del segundo sistema, b,
Es decir, un cambio relativo en la norma eucldea de bO igual a
q
0;042 C 0;062
q
42 C 122
D 0,0057;
produce un cambio en el vector solucin igual a:

q
52 C 12
2
1 C1
D 3,6055:
Evidentemente, el segundo sistema es mucho ms sensible a cambios en el

trmino independiente que el primero.
62/140
x2
x2
x1
x1
La figura representa a la izquierda el primer sistema; el segundo a la derecha.

Como se puede apreciar, las dos rectas que representan las ecuaciones del
primer sistema se cortan ntidamente en el punto 1; 1T .
En el caso del segundo sistema, aun usando una resolucin grfica mayor,
apenas se diferencian las dos rectas y mucho menos dnde se cortan.
63/140
Estudiemos cmo cuantificar la sensibilidad de Ax D b a pequeas

modificaciones tanto en el trmino independiente como en los coeficientes de la
matriz de coeficientes.
Analicemos en primer lugar el caso de una modificacin b del trmino

independiente.
Veamos cmo se relaciona la solucin de

A.x C x/ D b C b
con la de
Ax D b:
Designemos por k k cualquier norma vectorial y su norma matricial consistente

correspondiente.
64/140
De las igualdades
A.x C x/ D b C b
y Ax D b;
se obtiene, restando y despejando x, que

x D A 1b:

De la definicin de norma matricial consistente con una norma vectorial se tiene

que
kxk kA 1k kbk
(1)
y que kbk kAk kxk o, lo que es lo mismo, que
1
kAk

:
kxk
kbk
(2)
65/140
Combinando (1) y (2) se deduce que el error relativo, kxk=kxk, de la solucin

del sistema Ax D b al modificar el trmino independiente de b a b C b es
kxk
kbk
kAk kA 1k
:
kxk
kbk
Definicin Sea k k una norma matricial consistente con una norma vectorial. Asociado a esa norma, el nmero de condicin de una matriz
invertible A, .A/, es:
.A/ D kAk kA 1k:
66/140
Si los datos de un sistema Ax D b son exactos con la precisin de la mquina,

el error relativo de la solucin cumple que
jjx xjj
.A/:
jjxjj
El concepto de nmero de condicin de una matriz se generaliza a cualquier

matriz A (no necesariamente cuadrada) de rango completo mediante la
expresin
.A/ D kAk kA k;
donde A es la matriz pseudoinversa de la matriz A.
El nmero de condicin de una matriz A es un indicador del error de

amplificacin que produce en un vector x el someterlo a la transformacin que
define dicha matriz A.
67/140
Concretamente, si la esfera unidad se somete a esa transformacin, el nmero

de condicin 2, asociado a la norma eucldea, ser igual al cociente de las
longitudes de los semiejes mayor y menor del hiperelipsoide resultante de esa
transformacin.
Ax
68/140
Estudiemos ahora la sensibilidad de un sistema de ecuaciones a pequeas

perturbaciones en los coeficientes de la matriz.
Comparemos la solucin de
Ax D b
y .A C A/.x C x/ D b:
De la segunda igualdad, como Ax D b, haciendo x D

resulta, despreciando el producto A x, que
A 1A.x C x/
kxk kA 1k kAk kxk:
69/140
Expresin que tambin se puede escribir como

kxk
kAk
kA 1k kAk
:
kxk
kAk
As pues, el error relativo que resulta de perturbar ligeramente los coeficientes

de la matriz del sistema Ax D b est tambin acotado en trminos del nmero
de condicin de la matriz A.
El nmero de condicin de una matriz expresa lo cerca que

esa matriz est de la singularidad
70/140
Teorema Para toda matriz A de rango completo:

1. Su nmero de condicin .A/ 1.
2. .A/ D .A /.
3. .A/ D .A/ para todo escalar 0.
n .A/
, donde n y 1 son, respectivamente, los valores singulares mayor y
1 .A/
menor de la matriz A.
mKax ji .A/j
, si A es simtrica.
5. 2 .A/ D i
mKn ji .A/j
4. 2 .A/ D
6. 2 .A T A/ D 22 .A/.
7. Su nmero 2 .A/ D 1 si la matriz es la identidad o se trata de una matriz ortogonal.

8. Su nmero de condicin 2 .A/ es invariante frente a transformaciones ortogonales.
71/140
Las matrices con nmeros de condicin pequeos prximos a la unidad, se

dicen bien condicionadas; las que tienen nmeros de condicin altos, mal
condicionadas.
Los distintos nmeros de condicin de una matriz A 2 Rnn asociados con las
normas matriciales ms habituales cumplen que:
2.A/=n 1.A/ n 2.A/I
1.A/=n 2.A/ n 1.A/I
1.A/=n2 1.A/ n2 1.A/:
72/140
Volvamos al ejemplo que utilizbamos para concretar estos conceptos. La

matriz

8 5
AD
;
4 10
cuya inversa es

0;10 0;05
;
0;04 0;08
tiene un nmero de condicin 1.A/ D kAk1 kA 1k1 D 15 0,14 D 2,1.

0,66
3,34
bD
A
;
1,99 10,01
El de
cuya inversa es
b
A

250,25
D
49,75
83,5
;
16,5
b D kAk
b 1 kA
b 1 k1 D 13,35 300 D 4.005: tres rdenes de magnitud
es 1.A/
superior.
73/140
Un error que se comete con frecuencia es asimilar el concepto de nmero de

condicin de una matriz con el de su determinante y que, en ese sentido, a
mayor determinante, mayor nmero de condicin; nada ms lejos de la realidad.
Ejemplo 1 Sea A una matriz diagonal de orden 100 definida por

a11 D 1I
ai i D 0,1 2 i 100:
De esta matriz, kAk2 D 1 y kA 1k2 D 10.

El nmero de condicin 2.A/ D 10. Por el contrario, su determinante es

det.A/ D 1 .0; 1/99 D 10 99.
74/140
Ejemplo 2 Sea A una matriz bidiagonal de la forma

3
2
1 2
6 1 2
6
1
6
Su inversa es
6
6
4
6
6
6
4
2
1
7
7
2
7
::: ::: 7 :
7
1 25
1
4 . 2/n
2
. 2/n
::
1
:
::
:::
:
1
1
2
7
7
7:
5
Sus diversas normas son kAk1 D kAk1 D 3 y kA 1k1 D kA 1k1 D

D 1 C 2 C 4 C C 2n 1 D 2n 1.
Sus nmeros de condicin, 1.A/ D 1.A/ 3 2n. Su determinante, 1.
75/140
Clculo del nmero de condicin

Calcular directamente el nmero de condicin de una matriz es una tarea

numrica muy costosa: O.n3/.
No obstante, como .A/ es un buen diagnstico de las implicaciones que el uso

de esa matriz puede comportar en un proceso numrico, se puede realizar una
estimacin de su orden de magnitud.

Existen diversos buenos algoritmos para estimar el nmero de condicin de

una matriz en O.n2/ operaciones.
En Matlab lo estiman condest y rcond; lo calcula exactamente cond.
Siempre que se usa el operador n, Matlab usa rcond para comprobar la

condicin de la matriz afectada.
76/140

Conviene disponer de otros indicadores, adems del nmero de condicin de la

matriz A, para conocer la fuente de los posibles errores en la solucin de un
sistema de ecuaciones lineales mediante la eliminacin de Gauss.
Definicin Sea x a una solucin aproximada del sistema lineal Ax D b.
El vector residuo es r D b Ax a . El error hacia atrs de esa solucin es la
norma del vector residuo, kb Ax a k, y el error hacia delante kx x a k.
77/140
Si se tiene el sistema
x1 C x2 D 2
1;0001x1 C x2 D 2;0001
cuya solucin es 1; 1T , y queremos calcular los errores hacia atras y hacia

delante de la solucin aproximada 1; 3;0001, se tendr que,

Error hacia atrs:

b

2
Ax D
2;0001

2
D
2;0001

1
1
1
1;0001 1 3;00001

:
2;0001
0;0001
D
2
0;0001
Si utilizamos la norma infinito, por ejemplo, este error es 0;0001.

Error hacia delante

x

1
xa D
1
1
D
3;0001
2
:
2;0001
Con el mismo tipo de norma, este error es 2;0001.

78/140
which is 2.0001.
Figure 2.2 helps to clarify how there can be a small backward error and large forward
error at the same time. Even though the approximate root (1, 3.0001) is relatively far
from the exact root (1, 1), it nearly lies on both lines. This is possible because the two lines
are almost parallel. If the lines are far from parallel, the forward and backward errors will
be closer in magnitude.
La figura aclara cmo puede haber un error pequeo hacia atrs y uno grande
hacia delante al mismo tiempo.
y
1
2
1
Figure 2.2 The geometry behind Example 2.11. System (2.17) is represented by
the lines x2 = 2 x1 and x2 = 2.0001 1.0001x1 , which intersect at (1,1). The point
( 1, 3.0001) nearly misses lying on both lines and being a solution. The differences
between the lines is exaggerated in the gurethey are actually much closer.
El punto 1; 3;0001 est relativamente lejos de la solucin, pero cerca de

ambas rectas, pues
casi son paralelas.
Denote the residual by r = b Ax . The relative backward error of system Ax = b
a
is dened to be
||r||
,
El nmero de condicin 1.A/ D 40:004;0001.
||b||
and the relative forward error is
||x xa ||
.
||x||
79/140
El error relativo hacia atrs del sistema Ax D b es

El error relativo hacia delante,
kx
xak
.
kxk
krk
.
kbk
El factor de magnificacin o amplificacin del error para Ax D b es la razn de

los dos:
kx x a k
error relativo hacia delante
kx k
factor de magnificacin del error D
D kr k :
error realtivo hacia atrs
kbk
Para el sistema anterior, con normas infinito, el error relativo hacia atrs es
0;0001
0;00005 D 0;005 %
2;0001
y el error relativo hacia adelante
2;0001
D 2;0001 200 %:
1
80/140
El factor de magnificacin del error es

kx x a k1
kx k1
kr k1
kbk1
D 2;0001=.0;0001=2;0001/ D 40004;0001:
El nmero de condicin de una matriz cuadrada es el factor de magnificacin

del error mximo posible para resolver Ax D b sobre todos los posibles b.
81/140
ndice

Eliminacin de Gauss
Factorizacin LU

82/140

Para resolver un sistema Ax D b con Matlab slo hay que hacer

x D Anb
Con el ejemplo que estamos manejando:

>> A=[2 1 0 4;-4 -2 3 -7;4 1 -2 8;0 -3 -12 -1];
>> b=[2;-9;2;2];
>> A\b
ans =
3.0000
4.0000
-1.0000
-2.0000
83/140
Utilizando el script Gauss que hemos presentado:

>> Gauss(A,b)
ans =
3.0000
4.0000
-1.0000
-2.0000
Utilizando otra utilidad de Matlab muy interesante:

>> linsolve(A,b)
ans =
3.0000
4.0000
-1.0000
-2.0000
84/140
ndice

Eliminacin de Gauss
Factorizacin LU

85/140
Factorizacin LU

El clculo de A D LU se conoce como factorizacin o descomposicin LU .

Si se tiene esta factorizacin, resolver Ax D b se convierte en dar solucin

a LU x D b a travs de dos sistemas de ecuaciones triangulares:
Ux D y
y Ly D b:
Esto es muy til cuando se requiere resolver sistemas de ecuaciones en los

que la matriz A es siempre la misma y slo cambia es el trmino
independiente.
86/140
La factorizacin LU y la eliminacin de Gauss

Una forma indirecta de conseguir esta factorizacin LU es la propia eliminacin

de Gauss.
En efecto, mediante unas permutaciones y unas transformaciones definidas por

matrices elementales triangulares inferiores el mtodo consegua:
Ln 1 P n
1 L1 P 1 A
D U:
De este proceso, haciendo

P D Pn 1 P1
y
L D P.Ln 1P n 1 L2P 2L1P 1/ 1;
se puede comprobar que se obtiene la factorizacin
PA D LU :
87/140
Existencia y unicidad de la factorizacin LU

Teorema Sea A una matriz cuadrada regular de orden n. Existe una matriz
de permutacin P y dos matrices, una triangular inferior y otra triangular
superior, L y U , respectivamente, tales que
PA D LU :
La matriz L tiene todos los coeficientes de la diagonal principal igual a 1.
Lema La matriz A admite una factorizacin LU si y slo si se cumple que

det.A k / 0; k D 1; : : : ; n:
Teorema Si una matriz regular A de orden n admite una factorizacin
A D LU , donde L es una matriz triangular inferior de coeficientes diagonales
1 y U una triangular superior, esa factorizacin es nica.
88/140
Mtodos numricos directos para la obtencin de

factorizaciones LU
Mtodo de Crout. Versin LU 1

Se debe al matemtico Prescott Durand Crout, EE.UU., 1907-1984.
Supongamos que se desea obtener la factorizacin en la forma LU 1, donde U 1

designa una matriz triangular superior en la que todos los coeficientes de la
diagonal principal son 1.
89/140
Si la matriz A es de orden 3 y se quiere factorizarla de la forma

# "
#"
#
"
a11 a12 a13
a21 a22 a23
a31 a32 a33
l11 0 0
l21 l22 0
l31 l32 l33
1 u12 u13
0 1 u23 ;
0 0
1
usando las reglas de multiplicacin de matrices se obtendr:

1a col. de L:
l11 D a11
l21 D a21
l31 D a31 I
2a fila de U :
l11 u12 D a12

l11 u13 D a13
2a col. de L:
l21 u12 C l22 D a22

l31 u12 C l32 D a32
2a fila de U :
l21 u13 C l22 u23 D a23
3a col. de L:
! u1j D a1j = l11 ; j D 2; 3I

! li 2 D a i 2
li1 u12 ; i D 2; 3I
! u2j D .a2j
l31 u13 C l32 u23 C l33 D a33
l21 u1j /= l22 ; j D 3I
! li 3 D a i 3
i 1
X
j D1
lij uj i ; i D 3:
90/140
En general, las frmulas de recurrencia que se pueden deducir de este proceso,

denominado factorizacin LU de Crout, son:
li1 D ai1;
u1j D a1j = l11;
k 1
X
li k D aik
lip upk ;
0
ukj D @akj
pD1
k 1
X
pD1
i D 1; 2; : : : ; n;
j > 1;
lkp upj A
i k;

lkk ;
j > k:
91/140
Plasmadas en el algoritmo de Crout para factorizar una matriz regular A nn en

la forma LU 1 resulta el de la tabla.
Factorizacin A D LU por algoritmo de Crout

for k D 1 to n
for i D k to n
l.i; k/
a.i; k/
k
X1
l.i; p/u.p; k/
pD1
end
for i D k C 1 0
to n
u.k; i /
end
end
@a.k; i /
k
X1
pD1
l.k; p/u.p; i /A
l.k; k/
92/140
La versin Matlab de este algoritmo es la que sigue.

function [L U]=LUCrout(a)
% Factorizacin LU por Crout
n=size(a,1); L=zeros(n); U=eye(n);
for k=1:n
for i=k:n
L(i,k)=a(i,k)-L(i,1:k-1)*U(1:k-1,k);
end
for i=k+1:n
U(k,i)=(a(k,i)-L(k,1:k-1)*U(1:k-1,i))/L(k,k);
end
end
end
93/140
Ahora bien, como apuntbamos en la eliminacin de Gauss, se puede aprovechar

la estructura de la matriz A para guardar en ella las nuevas matrices L y U . El
mismo algoritmo quedara as.
function [L U]=Crout_1(A)
% Factorizacin LU por Crout
n=size(A,1);
for k=1:n
i=k:n;
A(i,k)=A(i,k)-A(i,1:k-1)*A(1:k-1,k);
i=k+1:n; A(k,i)=(A(k,i)-A(k,1:k-1)*A(1:k-1,i))/A(k,k);
end
L=tril(A,0); U=triu(A,1)+eye(n,n);
end
94/140
Factorizar
da como resultado
3
2
10 10 20
420 25 405
30 50 61
2
32
3
10
1 1 2
LU D 420 5 5 4 1 05 :
30 20 1
1
As:
>> A=[10 10 20;20 25 40;30 50 61];
>> [L,U]=Crout_1(A)
L =
10
0
0
20
5
0
30
20
1
U =
1
1
2
0
1
0
0
0
1
>>
95/140
Ejemplo Se desea factorizar la matriz

2
3
0,001 2,000 3,000
A D 4-1,000 3,712 4,6235
-2,000 1,072 5,643
en una mquina u ordenador con cuatro dgitos significativos.
96/140
Las operaciones que se realizan en la mquina son:

l11 D 0,001I
l21 D -1,000I
l31 D -2,000I

2,000
D 2000I
u12 D f l
0,001

3,000
D 3000I
u13 D f l
0,001
l22 D f l 3,712 C .1,000/.2000/ D 2004I

l32 D f l 1,072 C .2,000/.2000/ D 4001I

4,623 C .1,000/.3000/
u23 D f l
D 1,500 y
2004
l33 D f l5,643 C (2,000)(3,000) (4,001)(1,500) D 5,642:
Obsrvese que el clculo de l33 conlleva la prdida de tres dgitos por redondeo:
el valor que debera obtenerse es 5,922.
97/140
Pivotacin

El ejemplo pone de manifiesto que, aunque se sepa que una matriz no es

singular y que su factorizacin LU existe tericamente, los errores de redondeo
que se pueden producir al trabajar en una mquina pueden dar al traste con el
resultado.
Es aconsejable realizar pivotacin. Al final de un proceso con pivotacin se

obtendra
PA D LU
es decir, no la factorizacin LU de la matriz original sino de PA.
98/140
Factorizacin A D LU por Crout con pivotacin parcial

for k D 1 to n
for i D k to n
l.i; k/
a.i; k/
k
X1
l.i; p/u.p; k/
pD1
end
Determinar ndice p 2 fk; k C 1; : : : ; ng tal que ja.p; i /j D mKaxi j n ja.j; i /j.
Intercambiar filas p y k.
for i D k C 1 0
to n
1

k
X1
@a.k; i /
u.k; i /
l.k; p/u.p; i /A l.k; k/
pD1
end
end
function [L U p]=CroutP(a)
% Factorizacin LU por Crout con pivotacin
n=size(a,1); p=1:n;
for k=1:n
i=k:n; a(i,k)=a(i,k)-a(i,1:k-1)*a(1:k-1,k);
[r,m]=max(abs(a(k:n,k))); m=m+k-1;
if a(m,k)==0, continue, end
if k~=m, a([k m],:)=a([m k],:); p([k m])=p([m k]); end
i=k+1:n; a(k,i)=(a(k,i)-a(k,1:k-1)*a(1:k-1,i))/a(k,k);
end
L=tril(a,0); U=triu(a,1)+eye(n,n);
end
99/140
Si se factoriza la matriz
2
3
10 10 20
420 25 405 ;
30 50 61
al final de este proceso, el vector IPVT./, que indica las pivotaciones realizadas,
es 3, 2, 1T .
>> A=[10 10 20;20 25 40;30 50 61];
>> [L U p]=CroutP(A)
L =
30.0000
0
0
20.0000
-8.3333
0
10.0000
-6.6667
0.2000
U =
1.0000
1.6667
2.0333
0
1.0000
0.0800
p =
3
2
1
100/140
La matriz PA realmente factorizada es

2
3 2
32
3
30 50 61
30
1 1;6667 2;0333
420 25 405 D 420 8;3333
54
1 0;08005 :
10 10 20
10 6;6667 0; 2
1
El algoritmo de Crout requiere O.n3=3/ multiplicaciones/divisiones y

sumas/restas para la factorizacin de la matriz.
101/140
Mtodo de Crout. Versin L1U

Si se quiere conseguir la factorizacin L1U de una matriz 3 3,

"
# "
#"
#
a11 a12 a13
a21 a22 a23
a31 a32 a33
1 0 0
l21 1 0
l31 l32 1
u11 u12 u13

0 u22 u23 ;
0
0 u33
operando:
1a fila de U :
u11 D a11
u12 D a12
u13 D a13 I
1a col. de L:
l21 u11 D a21

l31 u11 D a31
2a fila de U :
l21 u12 C u22 D a22

l21 u13 C u32 D a23
2a col. de L:
l31 u12 C l32 u22 D a32
3a fila de U :
! li1 D ai1 =u11 ; i D 2; 3I

! u2j D a2j
! li 2 D .ai 2
l31 u13 C l32 u23 C u33 D a33
l21 u1j ; j D 2; 3I
li1 u12 /=u22 ; i D 3I
! u3j D a3j
j 1
X
i D1
l3i uij ; j D 3:
102/140
Las frmulas de recurrencia que se pueden deducir de este proceso son:

u1j D a1j ;
li1 D ai1=u11;
k 1
X
ukj D akj
lkp upj ;
0
li k D @aik
pD1
k 1
X
pD1
j D 1; 2; : : : ; n;
j > 1;
1
lip upk A
j k;

ukk ;
i > k:
103/140
El algoritmo de Crout para factorizar una matriz regular A nn en la forma L1U
es el que sigue.
Factorizacin A D L1 U por Crout sin pivotacin

for k D 1 to n
for j D k to n
u.k; j /
a.k; j /
k 1
X
l.k; p/u.p; j /
pD1
end
for i D k C 10to n
l.i; k/
end
end
@a.i; k/
k 1
X
pD1
l.i; p/u.p; k/A
u.k; k/
104/140
function [L,U]=Croutl1u(a)
% Factorizacin L1U por Crout
n=size(a,1);
for k=1:n-1
i=k+1:n;
a(i,k)=a(i,k)/a(k,k);
a(i,i)=a(i,i)-a(i,k)*a(k,i);
end
L=tril(a,-1)+eye(n,n); U=triu(a);
Su implementacin en Matlab:
El resultado con la matriz precedente es:

>> [L U]=Croutl1u(A)
L =
1
0
0
2
1
0
3
4
1
U =
10
10
20
0
5
0
0
0
1
>> L*U
ans =
10
10
20
20
25
40
30
50
61
105/140
La versin del algoritmo con pivotacin en Matlab es esta.
function [L U p]=CroutP1(a)
% Factorizacin L1U por Crout con pivotacin; muy compacto
n=size(a,1); p=1:n;
for k=1:n-1
[r,m]=max(abs(a(k:n,k)));
m=m+k-1;
if a(m,k)==0, continue, end
if k~=m, a([k m],:)=a([m k],:); p([k m])=p([m k]); end
i=k+1:n; a(i,k)=a(i,k)/a(k,k);
j=k+1:n; a(i,j)=a(i,j)-a(i,k)*a(k,j);
end
L=tril(a,-1)+eye(n,n); U=triu(a);
end
106/140
El resultado con este script para el ltimo ejemplo:

>> [L U p]=CroutP1(A)
L =
1.0000
0
0.6667
1.0000
0.3333
0.8000
U =
30.0000
50.0000
0
-8.3333
0
0
p =
3
2
1
>> L(p,:)*U
ans =
10
10
20
20
25
40
30
50
61
0
0
1.0000
61.0000
-0.6667
0.2000
107/140
Con los recursos de Matlab:

>> [L U P]=lu(A)
L =
1.0000
0
0.6667
1.0000
0.3333
0.8000
U =
30.0000
50.0000
0
-8.3333
0
0
P =
0
0
1
0
1
0
1
0
0
>> P*L*U
ans =
10
10
20
20
25
40
30
50
61
0
0
1.0000
61.0000
-0.6667
0.2000
108/140
Obtencin de la matriz inversa a partir de la

factorizacin LU

Si se designa por X la matriz inversa de A 2 Rnn, los n vectores columna de

X son los vectores solucin de los sistemas Ax i D e i , i D 1; : : : ; n.
Si suponemos que tenemos la factorizacin PA D LU , donde P es una matriz

de permutacin, para obtener la inversa de A hay que resolver los 2n sistemas
siguientes:
Ly i D Pe i ; U x i D y i ; i D 1; : : : ; n:
Es decir 2n sistemas de ecuaciones lineales con matrices triangulares en los que
slo cambian los trminos independientes.
109/140
Matlab y la factorizacin LU

Para resolver Ax D b con Matlab, usando la factorizacin LU de A, se

utiliza [L U P]=lu(A) y luego se obtiene la solucin del sistema haciendo
x=U\(L\(P*b))
110/140
Apliquemos esta idea a uno de los ejemplos que manejamos:
>> A=[2 1 0 4;0 -3 -12 -1;0 -1 -2 0;0 0 3 1];

>> b=[2;2;-2;-5];
>> [L U P]=lu(A)
L =
1.0000
0
0
0
0
1.0000
0
0
0
0
1.0000
0
0
0.3333
0.6667
1.0000
U =
2.0000
1.0000
0
4.0000
0
-3.0000 -12.0000
-1.0000
0
0
3.0000
1.0000
0
0
0
-0.3333
P =
1
0
0
0
0
1
0
0
0
0
0
1
0
0
1
0
>> x=U\(L\(P*b))
x =
3.0000
4.0000
-1.0000
-2.0000
111/140
Otra cuestin a tener muy en cuenta:

% Ensayo tiempos LU: Tiemp_LU.m
A=rand(200,200);
tic
for i=1:1000
b=rand(200,1);
x=A\b;
end
toc
Elapsed time is 0.828548 seconds
tic
[L U P] = lu(A);
for i=1:1000
b=rand(200,1);
x=U\(L\(P*b));
end
toc
Elapsed time is 0.089372 seconds
Copiar y pegar en el escritorio de Matlab. Por qu ocurre lo que sale?

112/140
ndice

Eliminacin de Gauss
Factorizacin LU

113/140

Si en Ax D b se modifica el vector b pero no A, no es necesario rehacer la

factorizacin LU para resolver el nuevo sistema.
Si se modifica ligeramente la matriz A, por ejemplo el coeficiente (j; k), con lo

que A D A ej e Tk , puede que no sea necesario tampoco recalcular la
factorizacin en su totalidad.

La frmula de Sherman-Morrison-Woodbury proporciona la inversa de una

matriz en trminos de los vectores de una modificacin a la misma de rango
uno del tipo uvT :
1
A uvT
D
1 T
1
1
1
T
A C A u 1 v A u v A 1:
114/140
Para resolver el nuevo sistema .A uvT /x D b, usando la frmula, se

obtendra
1
T
b
x D A uv
1
D A 1b C A 1u 1 vT A 1u vT A 1b;
operacin que podra hacerse por partes:
1. Resolviendo Az D u, obteniendo z.
2. Resolviendo Ay D b, obteniendo y.
3. Calculando x D y C ..vT y/=.1
vT z//z.
Como A ya est factorizada, este procedimiento requiere solo sustituciones

inversas y productos interiores; es decir O.n2/ operaciones frente a las O.n3=3/
de la factorizacin.
115/140
Ejemplo Consideremos la matriz

2
3
2
3 2
2 4 2
1 0 0
2 4
A D 4 4 9 35 D 4 2 1 05 40 1
2 3 7
1 1 1
0 0
3
2
15
4
a la que se le efecta una modificacin consistente en cambiar el coeficiente

(3,2) de -3 a -1.

En este caso
3
0
u D 4 05
2
con lo que la matriz resultante es A
2 3
0
y v D 415 ;
0
uvT .
116/140
Con la factorizacin LU de A, se resuelve Az D u y Ay D b, dando

2
3
2 3
3=2
1
z D 4 1=25 y y D 4 25 :
1=2
2
Por ltimo,
3
2
3 2 3
1
3=2
7
vT y
2
4 1=25 D 4 45 :
z D 4 25 C
xDyC
T
1 v z
1 1=2
2
1=2
0
117/140
ndice

Eliminacin de Gauss
Factorizacin LU

118/140

Formulado en la dcada de 1960 por James Hardy Wilkinson, del National

Physical Laboratory, Reino Unido, 1919-1986.
Supongamos que se tiene una solucin aproximada, x 0, del sistema de

ecuaciones lineales Ax D b, y sea y una correccin o mejora de la misma tal
que la solucin exacta, x, cumple que
x D x 0 C y:
Sustituyendo esta expresin en Ax D b se tiene que
Ay D b
Ax 0 D r 0;
donde r 0 es el vector de residuos.

119/140
Si este vector no cumple satisfactoriamente unos requisitos de precisin, se

puede resolver el sistema Ay D r 0 y hacer
x 1 D x 0 C y;
lo que har que la solucin se aproxime un poco ms a x que x 0.
Si es necesario, se calcula un nuevo vector de residuos, r 1 D b Ax 1 y se

continua el proceso hasta que la solucin se aproxime tanto como se quiera a la
esperada.
El vector de residuos debe calcularse con ms precisin que la usada para

calcular la solucin inicial.
120/140
Este script de Matlab lleva a cabo el proceso a mano.
% Script_Ref.m - Script de Refinamiento Iterativo

n=6;
format short
A=hilb(n);
b=A*ones(n,1);
pause
x=A\b
% Matriz de Hilbert (muy mal condicionada)

% Elegimos trmino independiente para sol. x=1.
% Solucin, evidentemente, =1
B=A;
% En B est A perturbada un poquito
B(6,1)=B(6,1)+1.e-06;
pause
x1=B\b
% Veamos la nueva solucin; difiere bastante
pause
xex=ones(n,1);
norm(xex-x1,2)
norm(xex-x,2)
pause
% Calculemos cunto
% Como magnitud calculemos la norma 2 de la desviaci.
res=b-A*x1;
x1=x1+B\res
norm(xex-x1,2)
pause
% Hagamos una iteracin del Refinamiento iterativo
res=b-A*x1;
format long
x1=x1+B\res
norm(xex-x1,2)
pause
% Hagamos otra iteracin del Refinamiento iterativo
res=b-A*x1;
x1=x1+B\res
norm(xex-x1,2)
% Hagamos otra iteracin del Refinamiento iterativo
121/140
ndice

Eliminacin de Gauss
Factorizacin LU

122/140

Matrices simtricas
Factorizacin LDLT
Lema Si todas las submatrices principales de una matriz A 2 Rnn son
regulares, existen dos matrices triangulares inferiores unitarias nicas, L y
M , y otra diagonal tambin nica, D D diag.d1; : : : ; dn/, tales que A D
LDM T .
Teorema Si A admite una factorizacin LDM T y es simtrica, L D M .
123/140
Para derivar unas frmulas de recurrencia, a partir de un ejemplo simblico de

orden 3,
2
3 2
32
32
3
a11 a12 a13
1 0 0
d11
1 l21 l31
4a21 a22 a235 D 4l21 1 05 4
5 40 1 l325 ;
d22
a31 a32 a33
l31 l32 1
d33
0 0 1
operando de acuerdo con las reglas de multiplicacin matricial se obtiene que
a11
a21
a31
a22
a32
a33
D
D
D
D
D
D
d11
l21d11
l31d11
2
l21
d11 C d22
l31l21d11 C l32d22
2
2
l31
d11 C l32
d22 C d33:
124/140
Generalizando se obtiene el algoritmo de la tabla.

Factorizacin A D LDLT sin pivotacin
for k D 1 to n
k 1
X
d.k/
a.k; k/
a2 .k; p/d.p/
pD1
if d.k/ D 0 then stop

for i D k C 1 0
to n
a.i; k/
end
end
@a.i; k/
k 1
X
pD1
a.i; p/a.k; p/d.p/A
d.k/
Requiere O.n3=6/ multiplicaciones y divisiones y sumas y restas.
Si no se efectan pivotaciones, el procedimiento numrico puede fallar por la

posible presencia de coeficientes pivote muy pequeos, o por la acumulacin de
errores de redondeo o de cancelacin importantes.
125/140
Factorizacin de Cholesky

Esta descomposicin fue formulada por Andr Louis Cholesky, Francia,

1875-1918, comandante del ejrcito en la poca, durante la ocupacin
internacional de Creta en 1906-09.
Una matriz es definida positiva si para todo x 0 se cumple que

x T Ax > 0:

Todos sus valores propios son positivos.
Las matrices simtricas definidas positivas admiten una descomposicin de

Cholesky, de la forma
A D GT G;
donde G es una matriz triangular superior.
126/140
Las matrices simtricas definidas positivas se presentan habitualmente en:

Problemas relacionados con el anlisis de sistemas elctricos de generacin y

transporte de energa.
Ajuste de funciones por mnimos cuadrados.
Anlisis de estructuras mecnicas.
En muchos procedimientos de optimizacin lineal y no lineal.
En general, en todas aquellas aplicaciones donde al modelizar un sistema, la

expresin x T Ax mide la energa presente, o disponible, o cualquier otra
magnitud fsica que slo admite cantidades positivas en un entorno determinado.
127/140
Lema Las submatrices principales de una matriz definida positiva son definidas positivas.
Teorema Si A es una matriz definida positiva de orden n, tiene una descomposicin de la forma LDM T , siendo todos los coeficientes de la matriz
diagonal D positivos.
Teorema Si A es una matriz simtrica definida positiva de orden n, existe

una nica matriz triangular superior, G , con todos sus coeficientes diagonales
positivos, tal que A D G T G .
128/140
Procedamos a simular el algoritmo con la descomposicin simblica de una

matriz 3 3.
Si se desea obtener la factorizacin

2
3 2
32
3
a11 a12 a13
g11 0 0
g11 g12 g13
4a12 a22 a235 D 4g12 g22 0 5 4 0 g22 g235 ;
a13 a23 a33
g13 g23 g33
0 0 g33
operando de acuerdo con las reglas de multiplicacin matricial se obtiene que:

a11
a12
a13
a22
a23
a33
D
D
D
D
D
D
2
g11
g11g12
g11g13
2
2
g12
C g22
g12g13 C g22g23
2
2
2
g13
C g23
C g33
:
129/140
Generalizando este proceso se obtiene el algoritmo que describe la tabla.

Factorizacin de Cholesky A D G T G
for i D 1 to ns
g.i; i/
a.i; i/
i 1
X
g 2 .k; i/
kD1
for j D i C 1 to n
g.i; j /
a.i; j /
i 1
X
kD1
end
end
g.k; i/g.k; j /
!
g.i; i/
El algoritmo requiere O.n3=6/ operaciones de multiplicacin+divisin y de

suma+resta.
130/140
Este algoritmo en Matlab sera como sigue.

function G=Chols_1(A)
% Factorizacin de Cholesky
n=size(A,1);
for i=1:n, j=i+1:n;
A(i,i)=sqrt(A(i,i));
A(i,j)=A(i,j)/A(i,i);
A(j,j)=A(j,j)-A(i,j)*A(i,j);
end
G=triu(A);
La factorizacin de
2
5 1
6
6 1 2
6
4 2 0
0 0
2
0
4
1
3
0
7
07
7!
15
3
>> A=[5 1 -2 0;1 2 0 0;-2 0 4 1;0

>> G=Chols_1(A)
G =
2.2361
0.4472
-0.8944
0
1.3416
0.2981
0
0
1.7638
0
0
0
>> G=chol(A)
G =
2.2361
0.4472
-0.8944
0
1.3416
0.2981
0
0
1.7638
0
0
0
0 1 3];
0
0
0.5669
1.6366
0
0
0.5669
1.6366
131/140
Matlab y la factorizacin de Cholesky

Para resolver un sistema lineal de ecuaciones Ax D b con Matlab utilizando

la factorizacin de Cholesky hay que utilizar la funcin G=chol(A).
La solucin del sistema correspondiente se puede obtener, teniendo en cuenta

que se realiza A D G T G , haciendo
x=G\(G\b)
132/140
Para utilizar esta operacin con un ejemplo de los que estamos manejando,
habra que hacer algo parecido a lo que sigue.
>> A=[5 1 -2 0;1 2 0 0;-2 0 4 1;0 0 1 3];
>> b=[1;5;14;15];
>> G=chol(A)
G =
2.2361
0.4472
-0.8944
0
0
1.3416
0.2981
0
0
0
1.7638
0.5669
0
0
0
1.6366
>> x=G\(G\b)
x =
1.0000
2.0000
3.0000
4.0000
133/140
Matrices simtricas semidefinidas positivas

Una matriz A se dice semidefinida positiva, si para todo x 0, x T Ax 0.

Teorema Si A 2 Rnn es simtrica semidefinida positiva:
jaij j .ai i C ajj /=2
p
ai i ajj .i j /
jaij j
mKax jaij j D mKax ai i
i;j
ai i D 0 ) aij D aj i D 0; j D 1; : : : ; n:
Si el algoritmo de Cholesky se aplica a una matriz semidefinida positiva, y en un

paso akk es cero, entonces aj k D 0; j D k; : : : n, por lo que no habra que
hacer nada ms en la columna k.

En la prctica, los errores de redondeo internos impiden los ceros exactos

por lo que se recurre a la pivotacin.
134/140
Pivotacin

Para mantener la simetra, las pivotaciones han de ser simtricas: si se

intercambian dos filas, tambin hay que intercambiar las columnas simtricas:
A
PAP T .
La pivotacin en Cholesky se lleva adelante as:

En cada etapa k del proceso se determina el coeficiente de mayor valor de
la diagonal principal, mKaxkj n ajj :

Si no es cero, se intercambian las filas/columnas p y k, siempre y cuando

k p;
si es cero, el resto de la matriz a factorizar sera nula y no se hara nada

ms.
135/140
Este es el algoritmo de Cholesky con pivotacin para matrices semidefinidas

positivas.
Factorizacin de Cholesky A D G T G con pivotacin
for i D 1 to n
Determinar ndice p 2 fi; i C 1; ng tal que ja.p; p/j D mKaxi j n fja.j; j /jg
if a.p; p/ > 0
Intercambiar
sfilas/columnas p y i .
g.i; i/
a.i; i/
i 1
X
g 2 .k; i/
kD1
for j D i C 1 to n
g.i; j /
a.i; j /
i 1
X
kD1
end
end
end
g.k; i/g.k; j /
!
g.i; i/
136/140
Matrices simtricas indefinidas

Una matriz A se dice indefinida si para algn vector x 0 la forma cuadrtica

x T Ax es positiva y para otros negativa.
Para factorizar este tipo de matrices se recurre a descomposiciones de

pivotacin diagonal en bloques de la forma
PAP T D LBLT
donde la matriz L es triangular inferior unitaria y la matriz B es tridiagonal, o
diagonal en bloques, con bloques de dimensin 1 1 2 2, bidiagonal en este
caso.
Casi todos los cdigos modernos utilizan alguna variedad de matriz bidiagonal
B en bloques, aunque todava se usan mucho rutinas que implementan algn
mtodo en el que esa matriz es tridiagonal (T ).
137/140
Los mtodos ms conocidos se citan a continuacin.

Mtodo
Parlett y Reid
Aasen
Bunch y Parlett
Estrategia
Operaciones
PAP T D LT LT
O.n3=3/
PAP T D LT LT
O.n3=6/
PAP T D LBLT O.n3 =6/ C O .n3 =6/ compara.
Bunch y Kaufman PAP T D LBLT O.n3=6/ C .n2
1/ compara.
El del Bunch y Kaufman (1977), en alguna de sus variantes, es el ms utilizado

y el que emplean los cdigos profesionales para factorizar matrices simtricas.
138/140
function [L D P rho] = diagpiv(A)

%DIAGPIV Diagonal pivoting factorization with pivoting of a symetric A.
%
P*A*P=L*D*L; L is triangular and D a block diagonal D 1x1 or 2x2.
%
Rho is the growth factor. This routine does not exploit symmetry.
%
Bunch and Kaufman (1977), Some stable methods for calculating inertia
%
and solving symmetric linear systems, Math. Comp. 31(137):163-179.
if norm(triu(A,1)-tril(A,-1),1), error(Matrix must be symmetric.), end
n = max(size(A)); k = 1; D = eye(n); L = eye(n); pp = 1:n;
normA = norm(A(:),inf); rho = normA; alpha = (1 + sqrt(17))/8;
while k < n
[lambda r] = max(abs(A(k+1:n,k)));
r = r(1) + k;
if lambda > 0
swap = 0;
if abs(A(k,k)) >= alpha*lambda
s = 1;
else
temp = A(k:n,r); temp(r-k+1) = 0; sigma = norm(temp, inf);
if alpha*lambda^2 <= abs(A(k,k))*sigma
s = 1;
elseif abs(A(r,r))>=alpha*sigma
swap = 1; m1 = k;
m2 = r; s = 1;
else
swap = 1; m1 = k+1; m2 = r; s = 2;
end
end
if swap
A([m1 m2],:) = A([m2 m1],:); L([m1 m2],:) = L([m2 m1],:);
A(:,[m1 m2]) = A(:,[m2 m1]); L(:,[m1 m2]) = L(:,[m2 m1]);
pp([m1 m2]) = pp([m2 m1]);
end
if s == 1
% s = 1
D(k,k) = A(k,k);
A(k+1:n,k) = A(k+1:n,k)/A(k,k); L(k+1:n,k) = A(k+1:n,k);
i = k+1:n; A(i,i) = A(i,i) - A(i,k)*A(k,i);
else
% s = 2
E = A(k:k+1,k:k+1); D(k:k+1,k:k+1) = E;
C = A(k+2:n,k:k+1); temp = C/E;
L(k+2:n,k:k+1) = temp;
A(k+2:n,k+2:n) = A(k+2:n,k+2:n) - temp*C;
end
if k+s <= n
rho = max(rho,max(max(abs(A(k+s:n,k+s:n)))));
end
else
% Nothing to do, lambda=0
s = 1; D(k,k) = A(k,k);
end
k = k + s;
if k == n, D(n,n) = A(n,n); break, end
end
if nargout >= 3, P = eye(n); P = P(pp,:); end
rho = rho/normA;
139/140
Con una matriz de Hankel Hermann Hankel, Alemania, 1839-1873 el

programa funciona as:
>> A = gallery(ris,6)
A =
0.0909
0.1111
0.1429
0.1111
0.1429
0.2000
0.1429
0.2000
0.3333
0.2000
0.3333
1.0000
0.3333
1.0000
-1.0000
1.0000
-1.0000
-0.3333
>> cond(A)
ans =
2.2185
>> [L D P rho]=diagpiv(A)
L =
1.0000
0
0
0
1.0000
0
-0.1760
0.2160
1.0000
-0.3143
0.1714
-1.1905
-0.1048
0.3429
0.2646
-0.9778
0.2000
-0.6173
D =
0.0909
1.0000
0
1.0000
-0.1111
0
0
0
-0.9216
0
0
0
0
0
0
0
0
0
P =
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
1
0
1
0
0
0
rho =
1.9264
0.2000
0.3333
1.0000
-1.0000
-0.3333
-0.2000
0.3333
1.0000
-1.0000
-0.3333
-0.2000
-0.1429
1.0000
-1.0000
-0.3333
-0.2000
-0.1429
-0.1111
0
0
0
1.0000
-0.6667
0.6222
0
0
0
0
1.0000
0
0
0
0
0
0
1.0000
0
0
0
1.7415
0
0
0
0
0
0
-0.8256
1.9264
0
0
0
0
1.9264
0.1284
>> eig(A)
ans =
-1.5708
-1.5705
-1.4438
0.7080
1.5622
1.5708
0
1
0
0
0
0
140/140

Clase Sistemas Ecuaciones Lineales 2016

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Clase Sistemas Ecuaciones Lineales 2016

Transféré par

Droits d'auteur :

Formats disponibles

Universidad Politcnica de MadridEscuela Tcnica Superior de Ingenieros Industriales

Matemticas de la EspecialidadIngeniera Elctrica

Sistemas de ecuaciones lineales

Jos Luis de la Fuente OConnor

El problema y consideraciones tericas

Mtodos directos: Eliminacin de Gauss

Condicionamiento de sistemas de ecuaciones lineales

Errores en la eliminacin de Gauss

Matlab y los sistemas de ecuaciones lineales

Solucin de sistemas modificados

Sistemas con matrices especiales

El problema y sus aspectos tericos

Se trata de obtener la solucin de un sistema de ecuaciones del tipo

Si se introducen las matrices

el sistema se puede representar de forma ms compacta por

En general se supondr que la matriz de coeficientes A 2 Rmn y los vectores

 Casos posibles de sistemas lineales, una vez ms

rango(A) < n < m

rango(A) < n < m

rango(A) < m < n

rango(A) < m < n

rango(A) < m < n

Recordemos algunos resultados de la teora de lgebra lineal.

Teorema La ecuacin Ax D 0, A mn, n > m, siempre tiene una solucin

Teorema Si A es una matriz cuadrada de orden n, las siguientes condiciones

3. Los vectores columna de A son linealmente independientes.

Analicemos geomtricamente el problema de resolver un sistema de dos

El proceso de obtener la solucin del sistema tiene como objeto determinar

En la siguiente figura se pueden ver sistemas donde existen dificultades para

Generalizando a Rn, la resolucin de un sistema de ecuaciones lineales se puede

Geomtricamente, en el subespacio Im.A/.

Si se escribe el sistema de dos ecuaciones con dos incgnitas de la forma

En Rn, el problema es el de la bsqueda de la descomposicin lineal de un

Objective: Find the temperature of an integrated circuit (IC)

Si el sistema necesita Qc watios de potencia, suponiendo un modelo resistivo

Se conoce Qc , al igual que Ta . Las resistencias se pueden conocer sabiendo el

Las incgnitas son entonces Q1, Q2, Q3, Q4, Tc , Tp y Tw .

En forma matricial, el sistema tiene la siguiente expresin:

Los flujos de calor se obtendrn resolviendo este sistema.

En Matlab, si R1 D 100, R2 D 200, R3 D 50, R4 D 100, R5 D 300,

El problema; consideraciones tericas

Mtodos directos: Eliminacin de Gauss

Condicionamiento de sistemas de ecuaciones lineales

Errores en la eliminacin de Gauss

Matlab y los sistemas de ecuaciones lineales

Solucin de sistemas modificados

Sistemas con matrices especiales

Mtodos directos: Eliminacin de Gauss

Los mtodos directos resuelven el problema en etapas, siendo el nmero de

El ms clsico es el debido a Carl Friedrich Gauss, Alemania, 1777-1855, quien

Supondremos que la matriz cuadrada A es de rango completo regular, por lo

La mecnica del mtodo consiste en aplicar al sistema

1 transformaciones lineales que lo conviertan en otro ms fcil de resolver.

Concretamente, en un sistema triangular superior de la forma

u11x1 C u12x2 C C u1nxn D

Un sistema triangular superior, siempre y cuando se satisfaga que

es fcilmente resoluble de manera recurrente mediante las frmulas

Este proceso se conoce como sustitucin inversa.

En cada una de esas n

1 etapas hay que llevar a cabo:

1. Una multiplicacin de una de las ecuaciones del sistema por un nmero

Ejemplo Se desea resolver el sistema

Escrito en forma matricial, Ax D b, los distintos componentes son

Reconfiguremos inicialmente la matriz A, aadindole a su derecha la columna

Casos posibles de sistemas lineales, una vez ms