2 SISTEMAS DE ECUACIONES LINEALES

2.1 Introduccin

La Soluciones de sistemas lineales es una herramienta matemtica muy importante en

la ingeniera. Normalmente los problemas no-lineales son resueltos usando herramientas
lineales.
En la ingeniera la Solucin de sistemas lineales se aplica en:

a) Aproxima variables de ecuaciones diferenciales o integrales continas a travs de

sistemas discretos y finitos;
b) Linealiza variables locales de sistemas de ecuaciones no lineales;
c) Ajuste de curvas por regresin.

2.2 Representacin de un sistema lineal

Un sistema lineal es un conjunto de n ecuaciones lineales de forma:

a11 x1 a12 x 2 a13 x 3 ............a1n x n b1

a x a x a x ............a x b


21 1 22 2 23 3 2n n 2

..................................................................
..................................................................

a n1 x1 a n 2 x 2 a n 3 x 3 ............a nn x n bn

Este sistema puede ser representado a travs de una representacin matricial de la

forma:

x=b

Donde:
A matriz de coeficientes de orden n n
x vector de incgnitas de orden n 1
b vector independiente de orden n 1

Los tipos de Soluciones do sistema dependen de la matriz A:

A es no-singular solucin nica

1
 inf initas soluciones
A es singular
sistema incompatble
2.3 Mtodos de Soluciones

2.3.1 Mtodos Directos Proporciona la Soluciones "exactas" despus de un nmero

finito de operaciones. Soluciones aseguradas para coeficientes de la matriz A no singulares.

Re gla de Cramer
Inversin de la Matriz A

Mtodos Directos
E liminacin de Gauss

Fatorazacin LU

2.3.2 Mtodos Iterativos Proceso de aproximacin iterativa de la Soluciones. La

convergencia es asegurada sobre ciertas condiciones.

Jacobi

Estacionarios Gauss Seidel
Sobrerelaj acin

Mtodos Iterativos Gradiente Conjugado
Gradiente Biconjugado
No Estacionarios
GradienteBiconjugadoEstabilizado
etc.

2.3.3 Elimina variables de Gauss

Composta de dos etapas bsicas:
1. Eliminacin directa de variables

2
2. Substitucin inversa

Ax=b A x = b

Eliminacin directa de variables (triangulaciones)

U x = b
U x = b

Nmeros de operaciones necesarias para obtener soluciones, considerando a matriz A llena.

x
a) Solucin por inversin

x= A 1 b

1. Obtencin de la matriz inversa utilizando un algoritmo eficiente de matriz llena

n 3 operaciones (producto)

2. Obtencin de x por el producto de 1 con b

n 2 operaciones (producto)

b) Solucin por Eliminacin de Gauss

1. Reduccin triangular
Ux=b

U
b n3
x = ~ 3
operaciones producidas
0

2. Substitucin Inversa.

2
operaciones producidas
2

3
Ejemplo Numrico

3 2 4 x1 1
1 1 2
x 2
2 =
4 3 2 x 3 3
0

Etapa 1
pivote a11 3

Multiplicadores
21 1
3
31 4
3

3 2 4 1
x1
x
0 13 2. 3 2 = 5
1 22 x 3 53
0 3 3 3
1

Etapa 2

Pivote a 22 1
3
1
Multiplicador 23 3 1
1
3
3 2 4 x1 1
0 1 2 x 5
3 3 2 = 3
0 0 8 x 3 0

Substitucin Inversa

4
. 8 x 3 0 x3 0
1 x 2 2 x3 5 x2 5
3 3 3
3x1 2 x 2 4 x 3 1 x1 3

2.3.6 Estrategia del Pivoteo

(a) Evitar pivotes nulos

(b) Evitar pivotes prximos de cero (multiplicadores elevados, amplificacin del error de
redondeo).

Ejemplo:

Usando aritmtica de 3 dgitos

0,0002 x1 2 x 2 5

2 x1 2 x 2 6

0.2 x10 3 0.2 x101 x1 0.5 x10 1

= 1
0,2 x10
1
2.2 x101 x 2 0.6 x10

pivote 0.2 x 10 3
0.2 x10 1
multiplicadores 3
1x10 4 0.1x10 5
0.2 x10

0.2 x10 3 0.2 x101 x1 0.5 x101

=
0 0.2 x10 5 x 2 0.5 x10 5

a 22 0.2 x101 0.1x10 5 0.2 x101 0.2 x10 5
b2 0.6 x10 0.5 x10 x 0.1x10 0.5 x10 5
1 1 5

0
x No satisface el sistema
2.5

Con pivoteo
0.2 x101 0.2 x101 x1 0.6 x101
3 =
0.5 x101
0.2 x10 0.2 x101 x 2

5
 0.2 x10 3
pivote 0.2 x10 1 mult. = 0.1x10 3
0.2 x101

0.2 x101 0.2 x101 x1 = 0.6 x101

x 0.5 x101
0 0.2 x101 2

0.2 x101 0.2 x101 x 0.1x10 3 0.2 x101 x 2 2,5

Solucin del sistema
0.5 x101 0.1x10 3 x0.6 x101 0.5 x101 x1 0,5

Resumiendo: Pivoteo parcial consiste en elegir como pivote en la etapa (k) de la

Eliminacin de Gauss o mayor elemento (en valor absoluto) de la columna pivotal. Las
filas conteniendo esos elementos deben ser intercambiadas.

OBS: Sea x* la solucin calculada de Ax=b y x es la solucin exacta (terica). Como los
elementos de x no son nmeros representados en una aritmtica de ponto flotante, debe
haber diferencia con relacin a x* . Normalmente se utiliza los siguientes criterios de
media para as siguientes medidas para representa esta diferencia.

Error: e = x - x*
Residuo: r = || b A x * || (dependiente de escala, si se multiplica A y b
por una constante , el residuo tambin es
multiplicado por )

b Ax *
Residuo relativo: A x*

De la teora de matrices sabemos que, siendo A no singular y si una medida anterior es nula,
la otra tambin lo ser, ms no necesariamente iguales.

2.3.7 Factorizacin LU

Ax = b A = LU
L triangular inferior
U triangular superior

Vamos a observar el ejemplo introductorio

6
 Pivote 3
3 2 4
0
1 1 2 mult. 21 1
3
4 3 2
31 4
3

3 2 4
1

0 1 2 pivote 1 mult. 32 1
13 223 3
0 3 3

3 2 4
2 0 1 2
3 3
0 0 8

Observe que a matriz 1 pode ser obtenida de 0 pr-multiplicado-a por una matriz
conveniente, no caso:

1 0 0

1 0 0
1 3 1 0
1 21 1 0 4
31 0 1 3 0 1
=

De la misma forma a matriz 2 es obtenida pre-multiplicando- por:

7
 1 0 0 1 0 0
2 0 1 0 0 1 0
0 32 1 0 1 0

Asi ,
2 2 1 0
2 es una matriz triangular sup erior .
0 11 21 0
1 1
1 0 0 1 0 0 a11
( 2)
a1(n2 )

0 21 0 0 0 ( 2)
1 1 a22
31 0 1 0 32 1 0 (2)
ann

1 0 0 1 0 0 a11
( 2)
a1(n2 )

0 21 0 0 0 ( 2)
1 1 a22
3 0 1 0 32 1 0 ( 2)
ann

1 0 0 a11
( 2)
a1(n2 )

0 21 0 (2)
1 a22
31 32 0 0 ( 2)
ann

0 L U

8
 La matriz L es una matriz triangular inferior, pues es resultante del producto de
matrices triangulares inferiores elementales.

A descomposicin LU no es nica..

Sea D una matriz diagonal no-singular cualquiera, entonces:

L= LD es triangular inferior
U = D 1 U es triangular superior
A = LU = L DD 1 U = L U

De modo que L U tambin s una descomposicin LU. Isto sugere a possibilidade

de se normalizar as descomposiciones LU.

Sea la transformacin A= LDU

Donde: L es triangular inferior unitario (diagonal)

D es diagonal
U triangular superior unitaria (diagonal)

Se puede mostrar que la descomposicin LDU de una matriz A es nica, si sus submatrices
principales guas 1 , 2 ,......., n 1 son todas n-singulares.

a11 a12 ............. a1 n 1 a 1n

a a 22 ............ a 2 n 1 a 2n
21
........ ....................... ........ ......
a n 11 a n 12 .............. a n 1 n 1 a n 1 n

a n 1 an 2 ............ an n 1 a n n

esto garantiza pivotes no nulos.

= L1 D1 U 1 L2 D 2 U 2
L1 D1 U 1 L2 D 2 U 2

9
 L11 existe
U 21 existe
D11 existe
L1 Triang . inf erior unitrio
U 2 Triang .Superior unitrio
D11 L11 L1 D1 U 1 U 21 D11 L11 D 2 U 2 U 21
U 1 U 21 D11 L11 L2 D 2 triang. sup erior unitrio

Producto de 2 matrices triang. sup. unitario resulta una matriz triang sup. unitario. Esto
fuerza a que el segundo miembro de la ecuacin sea diagonal, ya que es triangular inferior
Identidad.

U 1 U 21 I U1 U 2 de la misma forma se puede llegar L1 L2 e D1 D 2 .

Diferentes descomposiciones LU:

LD U L U donde: U es triangular superior unitario Descomposicin de

Crout
L DU LU donde: L es triangular superior unitario Descomposicin de
Doolittle

Si A fuera simtrica:
T
LDL
1 1
se D 0 D 2
D 2

A LD 2 D 2U L L Decomposicin de Cholesky
1 1 t

Algoritmo para Descomposicin de Crout

A LU U triangular superior con diagonal unitaria

mim i , j
a i j k 1 li k u k j i, j 1,.....n

10
Como u 11 1 :
a i1 l i1 u11 l i1 , i 1,....., n
o sea la primera columna de la matriz A es igual a primera columna da matriz L.

Adems de eso:

a ij l11 u1 j

a1 j
u1 j j 1,.......n
l11
As determinamos 1 fila de U.

Suponga que las primeras (p 1) columnas de L y las primeras (p 1) filas de U han sido
calculadas como u kk 1 .
p 1
a ip l ip l ik u kp (i p, p 1,..............n)
k 1

Por tanto la p esima columna de L es dada por:

l ip a ip k 1 l ik U kp
p 1
i p, p 1,.....n

De la misma forma
a p1 l pp u pj k 1 l pu u kj
p 1
j p 1,....n
donde
u pj
1
l pp
a pj k 1 l pj u kj
p 1
j p 1,..n
Observe que no hay necesidad de calcular para j = p, pues, u pp 1 .

OBS: Se puede observar que, trmino a ij ha sido utilizado para calcular li j ui j , y no se

utiliza para los elementos nulos de L y U.
Algoritmo para Reduccin de Crout: para p = 1, 2,.....,n:

1. a i p l i p a i p k 1 l i k u k p ,
p i
i p,....., n
1
2. a p j u p j l pp a p j
p 1
l
k 1 p k
Uk j , j p 1,......n

- Los elementos l pp son pivotes en la reduccin de Gauss y son 0, si las sub-matrices

principales guas de A son no singulares.
- Los productos internos deben ser acumulados en precisin doble.

Def. Matriz de Permutacin

11
 Matriz cuadrada de orden n obtenida de la matriz identidad de orden n por la
permutacin de sus filas.
La pr-multiplicacin de una matriz A por una matriz de permutacin P resulta en una
matriz A, obtenida de A con la misma secuencia de permutaciones de filas , realizadas en la
matriz P.

Sea el sistema lineal A x b y sean los factores LU obtenidos por reduccin de

Crout con pivoteo parcial. Por lo tanto, LU son factores de A.

Donde:
A= PA

Las mismas permutaciones deben ser efectuadas sobre b .

b' Pb

Algoritmo reduo de Crout com permutao de linhas.

Para p=1, 2,.........n

p 1
1. a ip l ip a ip k 1 l ik U kp i p, ......., n
2. Hallar p tal que l p , p lip i p,......n

3. a pj a p j j 1,2,......n
p 1
4. a pj u pj l pp a p1 k 1 l pk u kj j k 1,.....n
1

OBS: O algoritmo de Crout con pivoteo parcial pode ser considerado un algoritmo estable.

Descomposicin de Cholesky

Considerando:
A Simtrica y definida positiva
Se tiene

A LLt

Teorema: Se A simtrica definida positiva entonces existe una nica matriz L con
elementos diagonales positivos tal que A LLt .

12
OBS 1: A matriz A positiva definida se x
T
Ax 0 para cualquier vector x diferente de
cero.

Algoritmo
Para k = 1, 2, ....n
1. Para i 1, 2, .........K 1
1 i 1
aK i lK i a K i li j l K
li i j
j 1
K 1
2. a KK l KK a KK l k2 j
j 1

3
OBS: A descomposicin de Cholesky requiere n multiplicaciones, esto es, la mitad de
6
las exigidas por la reduccin de Crout. Los productos internos deben ser acumulados con
doble precisin, para tener precisin en la solucin.
El algoritmo de Cholesky es incondicionalmente estable. Como A es positiva definida, no
existe necesidad de pivoteo pues en este caso siempre es diagonal dominante.

2.3.8 Soluciones de Sistemas Lineales

A partir de las descomposiciones de Crout y Cholesky vistas anteriormente, se puede
resolver los sistemas lineales a travs de Sustituciones.

Sea o sistema Lineal:

Ax b

2.3.8.1 Descomposicin LU

PA LU

LU x P b

Sustitucin Directa
L y Pb b '

Actualizacin por filas

, i 1
y i b i l ij y j / l ii
i 1, 2, .........n
j 1

Sustitucin Inversa
Ux y

Actualizacin por filas

13
 n
x i y i u ij x j i n 1,.......,1
j i 1

Sustituicin Directa

Actualizacin por columnas:

l11 y1 b11
l l22 y
21 2 b2


ln1 lnn yn bn

Columna 1
b1
b1'
l11
b2, b2, l21b1,
', ' ,
b3 b3 l31b1 .

', , ,
b bn ln1b1
n

Columna 2
' b'2
b2
l22
b3 b3 l32b'2

b'n bn ln 2b'2

Columna n
b' n
b' n
l nn
No final y b ' , observe que as atualizaes foram feitas por colunas.

Algoritmo para actualizacin por columnas

14
Para j 1.......n 1
b' j b' j / l jj
Para k j 1, n
b' K b' K b' j l kj
Continue
Continue
b' n b ' n
l nn
y b'
Las Sustituciones directa e inversa requieren 2 multiplicaciones.

2.3.8.2 Descomposicin de Cholesky

En este caso no hay necesidad de utilizar permutaciones, pues la matriz de coeficientes

es definida positiva.
LLT
LLT x b

Sustituciones directa LY b

Obtener Inversa LT x y

15