Académique Documents
Professionnel Documents
Culture Documents
Tema 3
3. Solucin de Sistemas Ecuaciones Lineales de
3.1.
Introduccin En la prctica de la ingeniera y ciencias es frecuente tener la necesidad de resolver un sistema de ecuaciones lineales. Estos sistemas aparecen en muy diversos problemas, ya sea como la solucin completa de un problema al menos como parte de ella. Dada esta necesidad frecuente, se requiere resolverlos en forma eficiente. En tu curso de Complementos de Matemticas, te dieron las herramientas bsicas, para resolver estos sistemas, as como algunos mtodos de solucin. Podras pensar que con lo que te dieron en esa UEA, es suficiente. Pero no es as. Te dieron las herramientas bsicas, algunos mtodos, pero no te dijeron todos los detalles. Por ejemplo, te mencionaron el hecho de que si un sistema tiene det( A) 0 , entonces tiene solucin nica y que podras hallarla con los mtodos que te ensearon. Resulta que existen sistemas donde a pesar de cumplirse lo anterior, no puedes hallar la solucin.1 En este capitulo veremos un repaso a lo que viste en Complementos de Matemticas y tambin los detalles que no te mencionaron, as como mtodos nuevos de solucin de sistemas de ecuaciones lineales.
3.2.
a 11 x1 a 21 x1 a 1n x1
+ a 12 x 2 + a 22 x 2
+ a13 x 3 + a 23 x 3
+ +
+ a1n x n + a 2n xn
b1
= b2
+ a n2 x2
+ a n3 x3
+ + a1nn x n
= bn
1 2
Al menos con las tcnicas que te ensearon. Si ya dominas los conceptos bsicos, te sugerimos pasar directamente a los mtodos de solucin. Seccin 3.3.
Pgina
3-1
Mtodos Numricos. Curso SAI. 24/7/a 20:56:24 Hugo Pablo Leyva en forma mas compacta AX=B donde A: matriz de coeficientes. X: vector solucin. B: vector de trminos independientes.
3.2.2. Determinantes
El determinante de una matriz es una funcin muy usada en el lgebra de matrices. Para el caso de una matriz de 2x2 se define como
a 11 det( A) = det a 21
a12 = a11 a 22 a 21 a 12 a 22
En el caso de matrices mayores a 2x2 el determinante de 2x2 se denomina cofactor. El determinante esta relacionado con las operaciones elementales de la siguiente maneras: 1. Si se intercambian 2 renglones cambia de signo el determinante. 2. Si multiplicamos por una constante 0 un rengln el determinante se divide entre la misma constante. 3. Si se suma un rengln a otro, multiplicando el primero por una constante 0 , el determinante no es afectado. Para matrices de orden mayor a 2x2, se pueden usar las propiedades anteriores para calcular el determinante.
Consideremos 2 matrices A y B. Para calcular el producto de las mismas, si la matriz A es de orden mxk, la matriz B de kxn, entonces se obtiene una matriz C de mxn, el producto de matrices se define como
k
Para el caso de una matriz A de mxn por un vector B de tamao n, se considera que el vector es una matriz de nx1. Al multiplicarlos se obtiene una matriz C de mx1, es decir, un vector de tamao m. Se tiene
n
ci = a il bl , i=1,...,m
l =1
1 0 0 0
3.2.5. Matiz Inversa
0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1
La matriz inversa A-1 se define como aquella matriz que A A-1 = I. Una matriz es inversible si det( A) 0 .
La diagonal principal es aquella en la cual los ndices de sus elementos son iguales, es decir el numero de rengln y de columna son idnticos.
Pgina
3-3
Mtodos Numricos. Curso SAI. 24/7/a 20:56:24 Hugo Pablo Leyva Se dice que una matriz esta en la forma triangular superior si todos los elementos debajo de la diagonal principal son 0. Los restantes no todos son 0.
a11 0 0 0
a12 a 22 0
a13 a 23 a 33
a 14 a 24 a 34
a 1n a 2n a 35 a nn
3.3.
Mtodos de Solucin Los mtodos de solucin de un sistema de ecuaciones lineales se clasifican en: 1. Mtodo Grfico. 2. Mtodos Directos. 3. Mtodos Iterativos.
3.4.
Mtodo grfico El mtodo grfico consiste en trazar la grfica de cada ecuacin del sistema y hallar el punto de corte, el cual es la solucin. La desventaja de este mtodo es que no es muy preciso, y slo es aplicable cuando tenemos 2 a lo mucho 3 ecuaciones.
3.5.
Mtodos directos
3-4
Mtodos Numricos Curso SAI Tema 3. Solucin de Sistemas de Ecuaciones Lineales. Los mtodos directos son aquellos que determinan la solucin en un numero determinado de pasos. Estos mtodos son los ms usuales y recomendables, por que nos dan la solucin analtica, es decir, la solucin terica del problema. Salvo raros casos todos estos mtodos emplean las operaciones elementales de una matriz, para hallar la solucin. Usando estas operaciones se simplifica el sistema a tal grado que la solucin sea fcil de determinar. Curiosamente existen varios mtodos en esta categora. Consideraremos los siguientes: 1. Eliminacin de Gauss. 2. Eliminacin de Gauss Jordn. 3. Inversin de Matrices. 4. Regla de Cramer. 5. Mtodo de Montante. Exceptuando l ultimo todos estos mtodos son antiguos.5 El de Montante es relativamente nuevo.6 Como veremos mas adelante, este mtodo tiene ventajas sobre los anteriores.
3.6.
Eliminacin de Gauss7 Este mtodo consiste en expresar el sistema como una matriz aumentada de la forma
a11 a 21 a1n
a12 a 22
a13 a 23
a1n a 2n
a n2
a n3
a1nn
b1 b2 bn
La idea del mtodo es llevar el sistema a la forma triangular superior y de all despejar una variable a la vez partiendo de la ultima. l ultimo paso se conoce como sustitucin en reversa. Para lograr llevar el sistema a la forma triangular superior, se emplean las operaciones elementales.
5 6 7
De hecho algunos de aproximadamente hace 2 siglos. Desarrollado en Mxico en 1986 por Joaqun Pardo y Jos Francisco Montante. Las secciones siguientes las puedes omitir, si ya conoces los mtodos. Te sugerimos pasar directamente al Mtodo de Montante. Seccin 3.10
Pgina
3-5
Mtodos Numricos. Curso SAI. 24/7/a 20:56:24 Hugo Pablo Leyva Como ejemplo resolveremos el sistema
10x 1 -x 1 +2x 1
-x 2 +11x 2 -x 2 +3x 2
=6 = 25 = -11 = 15
La matriz aumentada es
1 0 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8
6 25 -1 1 15
A continuacin detallaremos cada uno de los pasos. Para ir simplificando el sistema avanzaremos por la diagonal principal. Los elementos de la diagonal principal los denominaremos pivote. El rengln del pivote lo llamaremos rengln pivote. Primero localicemos en la primera columna el primer elemento que sea 0 y lo llevaremos al primer rengln8. En este caso se tiene
1 0 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8
6 25 -1 1 15
El pivote es 10. Como no es 0, no hacemos nada. En caso de ser necesario habramos intercambiado 2 renglones de la matriz. Despus dividamos el rengln pivote entre el pivote. Obtenemos
1 -1 2 0
-0 .1 11 -1 3
0 .2 -1 10 -1
0 3 -1 8
0 .6 25 -1 1 15
3-6
Mtodos Numricos Curso SAI Tema 3. Solucin de Sistemas de Ecuaciones Lineales. A continuacin pasaremos a hacer 0 los elementos que estn debajo del pivote. Para ello sumaremos mltiplos apropiados del rengln pivote a cada rengln de tal forma que los elementos debajo del pivote sean 0. En este caso tenemos9
. 0.2 0 0.6 1 01 0 1 7.3394 E 2 0.2752 2.349 0 0 9.541 0.7798 10.32 7.714 7.954 0.7798 0 0
Los pasos anteriores se repiten hasta que la matriz este en la forma triangular superior. Llevando el elemento 0 al rengln pivote
De aqu en adelante por simplicidad solo se mostraran hasta 5 cifras significativas en los clculos.
Pgina
3-7
. 0.2 0 0.6 1 01 0 1 7.3394 E 2 0.2752 2.349 0 0 9.541 0.7798 10.32 7.714 7.954 0.7798 0 0
El pivote es 9.541. Dividiendo entre el elemento pivote
. 0.2 0 0.6 1 01 0 1 7.3394 E 2 0.2752 2.349 0 0 . . 1 81731E 2 1082 7.714 7.954 0.7798 0 0
Haciendo 0 elementos abajo del elemento pivote
3-8
Mtodos Numricos Curso SAI Tema 3. Solucin de Sistemas de Ecuaciones Lineales. Haciendo 0 elementos abajo del elemento pivote
x 3 8173E 2 x 4 = 1082 . .
x3=-1. Sustituyendo en la ecuacin de arriba
3.7.
Eliminacin de Gauss Jordn Jordn propuso una modificacin al procedimiento anterior. En vez de llevar el sistema a la forma triangular superior y de all usar la sustitucin en reversa, l pens que seria ms fcil continuar el procedimiento de eliminacin de elementos, es decir, l propuso eliminar los elementos tanto arriba como abajo del pivote hasta llegar a la matriz identidad. De esta manera la solucin del sistema se puede leer directamente de la ultima columna de la matriz aumentada.
Pgina
3-9
1 0 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8
6 25 -1 1 15
1 0 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8
6 25 -1 1 15
1 -1 2 0
-0 .1 11 -1 3
0 .2 -1 10 -1
0 3 -1 8
0 .6 25 -1 1 15
3-10
1 0 0 0
0 01927 2.7523E 2 0.8349 . 1 7.3394 E 2 0.2752 2.349 0 9.541 0.7798 10.32 0 7.714 7.954 0.7798
1 0 0 0
0 01927 2.7523E 2 0.8349 . 1 7.3394 E 2 0.2752 2.349 0 9.541 0.7798 10.32 0 7.714 7.954 0.7798
1 0 0 0
0 01927 2.7523E 2 0.8349 . 1 7.3394 E 2 0.2752 2.349 0 1 . 8.1731E 2 1082 0 7.714 7.954 0.7798
1 0 0 0
0 1 0 0
Pgina
3-11
1 0 0 0
0 1 0 0
1 0 0 0
0 1 0 0
1 0 0 0
Por simple inspeccin la solucin es:
0 1 0 0
0 0 1 0
0 1 0 2 0 1 1 1
3.8.
Inversin de matrices Este mtodo es ms terico. Consiste en expresar el sistema como una ecuacin matricial de la forma AX=B y despejar el vector X. Dado que no esta definida la divisin de matrices se usa la matriz inversa A-1. Multiplicando por la matiz inversa ambos lados se tiene A-1 AX=A-1 B de donde IX=A-1 B y finalmente X=A-1 B. El problema se reduce a hallar la matriz inversa para multiplicarla por el vector B y as hallar X. Para hallar la matriz inversa se puede utilizar el siguiente procedimiento. 1. Se coloca la matriz A junto a una matriz identidad I del mismo tamao, es decir, |A|I|. 2. Se aplica la eliminacin de Gauss Jordn a la matriz A, las operaciones que se le hagan a la matriz A, tambin se le aplican a I . 3. La matriz A se convierte en I. Se puede demostrar que matriz I se convierte en A-1 .
3-12
Comenzamos en el primer rengln, primera columna. Buscamos el elemento que no sea 0. En este caso obtenemos
10 1 2 0 1 11 1 3 2 1 10 1 0 3 1 8 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1
Pasamos al segundo rengln, segunda columna. Llevando el elemento 0 al rengln pivote tenemos
Pgina
3-13
1 0 0 0
0 3 1 8
0 1 0 0
0 0 1 0
0 0 0 1
1 0 0 0
0 01927 27523E 2 01009 91743E 3 0 . . . . 1 73394E 2 02752 91743E 3 91743E 2 0 . . . . 0 9541 73394E 2 1 . . . . 07798 01927 0 7174 . . . . 07798 27523E 2 02752 0
0 0 0 1
1 0 0 0
0 01927 27523E 2 01009 91743E 3 0 . . . . 1 73394E 2 02752 91743E 3 91743E 2 0 . . . . 0 9541 73394E 2 1 . . . . 07798 01927 0 7174 . . . . 07798 27523E 2 02752 0
0 0 0 1
3-14
. 0 1 8173E 2 2.0192E 2
60852E 3 37863E 2 . .
La matriz inversa es
9.3306E 3 2.069E 2 60852E 3 . . 01051 9.3306E 3 01025 45977E 3 37863E 2 . . . 1 A = 2.069E 2 45977E 3 01057 11494E 2 . . . 01406 . . . . 60852E 3 37863E 2 11494E 2
Multiplicando la inversa por el vector B, la solucin es
Pgina
3-15
1 2 X = 1 1
Regla de Cramer10 A diferencia de los mtodos anteriores en los que se determina todas las x's a la vez, la Regla de Cramer las calcula una por una. La expresin general del mtodo es
det( Ai ) det( A )
3.9.
xi =
, i = 1,..., n
donde xi : Componente i del vector X. A: matriz de coeficientes Ai : matriz obtenida al sustituir la columna i por el vector B. Para calcular los determinantes necesarios se puede usar las propiedades del determinante, junto con el mtodo de eliminacin de Gauss o Gauss Jordn.11 1. Una variable llamada DET se inicializa a 1. 2. Cada vez que se intercambien renglones en los mtodos de Gauss o Gauss-Jordan, esta variable DET se cambia de signo. 3. Cuando se divida el rengln pivote entre el pivote, la variable DET se multiplica por el pivote. 4. Al eliminar elementos a la variable DET no la modificamos.
10
Tambin conocido como mtodo determinantes, por los estudiantes de Secundaria y Prepa. mejor aun por el mtodo de Montante, como lo veremos mas adelante.
11
3-16
10 1 2 0 1 11 1 3 det( A) = 2 1 10 1 0 3 1 8
6 det( A1 ) = 25 11 15 1 11 3 2 1 1 0 3 1 8
1 10
10 det( A2 ) = 1 2 0
6 25 15
2 1 1
0 3 1 8
11 10
10 det( A3 ) = 1 2 0
1 11 1 3
6 25 11 15
0 3 1 8
10 det( A 4 ) = 1 2 0
1 11 3
2 1 1
6 25 11 15
1 10
1 0 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8
DET vale 1. Buscando el primer pivote que no sea 0 y llevndolo al rengln pivote
Pgina
3-17
1 0 -1 2 0
-1 11 -1 3
2 -1 10 -1
0 3 -1 8
Como no intercambiamos renglones DET vale 1. El pivote es 10. Dividiendo entre el pivote el rengln pivote
1 -1 2 0
-0 .1 11 -1 3
0 .2 -1 10 -1
0 3 -1 8
DET se multiplica por 10, por lo cual vale 10. Eliminando los elemento arriba y abajo del rengln pivote
DET no se altera. Avancemos por la diagonal principal al segundo rengln. Buscando el primer elemento no 0 y llevndolo a la diagonal principal tenemos
DET se multiplica por 10.90 y vale 109. Eliminando los elemento arriba y abajo del pivote 3-18
1 0 0 0
1 0 0 0
1 0 0 0
DET se multiplica por 9.541, se obtiene 1039.9218. Haciendo 0 elementos arriba y abajo del elemento pivote
1 0 0 0
0 1 0 0
1 0 0 0
0 1 0 0
Pgina
3-19
1 0 0 0
0 1 0 0
Multiplicando DET por 7.1111 se obtiene 7395. Haciendo 0 elementos arriba y abajo del elemento pivote
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0 1
x1 = x2 = x3 = x4 =
= = = =
7395 7395
=1 = 1 =2 =1
3.10.
Mtodo de Montante Este mtodo es reciente. Curiosamente este mtodo no emplea las operaciones elementales de una matriz, para reducir el sistema a uno ms simple. Lo explicaremos mejor con el ejemplo.
3-20
Usamos una variable denominada PIVOTEANT, la cual se inicializa a 1. Al igual que en los mtodos anteriores iremos avanzando por la diagonal principal. Cada elemento de la diagonal principal que consideremos, como en los mtodos anteriores ser nuestro pivote. En cada iteracin, no tocaremos ni el rengln ni la columna que correspondan con la diagonal principal. En la primera iteracin no tocaremos ni el primer rengln, ni la primera columna. Cada elemento restante lo modificaremos de la siguiente manera. Consideraremos que cada elemento es una esquina de un rectngulo, la otra es el pivote. Localicemos los otros 2 elemento tales que sean esquinas del rectngulo mencionado. Este rectngulo es una matriz de 2x2. El elemento a modificar se cambia por el cofactor de la matriz del rectngulo dividido entre PIVOTEANT. El cofactor se calcula multiplicando el pivote por el elemento a modificar menos el producto de las otras 2 esquinas del rectngulo..12 Por ejemplo para el primer elemento a modificar el rectngulo es
= 109
Modificando
10 -1 2 0
-1 109 -1 3
2 -1 10 -1
0 3 -1 8
-1 1 15 6 25
12
Este cofactor lo puedes calcular as: all*aij-ail*alj. Donde all es el pivote. aij es el elemento a modificar. ail alj son las esquinas del rectngulo.
Pgina
3-21
= 8
Modificando
1 0 -1 2 0
-1 109 -1 3
2 -8 10 -1
0 3 -1 8
-1 1 15 6 25
= 30
Modificando
10 -1 2 0
Para el cuarto elemento
-1 109 -1 3
2 -8 10 -1
0 30 -1 8
25 -1 1 15 6
3-22
= 256
Modificando
1 0 -1 2 0
Para el siguiente elemento tenemos
-1 109 -1 3
2 -8 10 -1
0 30 -1 8
256 -1 1 15 6
= 8
Modificando
10 -1 2 0
Para el siguiente elemento tenemos
-1 109 -8 3
2 -8 10 -1
0 30 -1 8
6 256 - 11 15
Pgina
3-23
10 2 det 2 10 PIVOTEANT
= 96
Modificando
10 -1 2 0
Para el siguiente elemento tenemos
-1 109 -8 3
2 -8 96 -1
0 30 -1 8
256 - 11 15 6
10 0 det 2 1 PIVOTEANT
= 10
Modificando
10 -1 2 0
Para el siguiente elemento tenemos
-1 109 -8 3
2 -8 96 -1
0 30 - 10 8
6 256 - 11 15
3-24
10 6 det 2 11 PIVOTEANT
= 122
Modificando
10 -1 2 0
Para el siguiente elemento tenemos
-1 109 -8 3
2 -8 96 -1
0 30 - 10 8
256 - 122 15 6
= 30
Modificando
10 -1 2 0
Para el siguiente elemento tenemos
-1 109 -8 30
2 -8 96 -1
0 30 - 10 8
6 256 - 122 15
Pgina
3-25
10 2 det 0 1 PIVOTEANT
= 10
Modificando
10 -1 2 0
Para el siguiente elemento tenemos
-1 109 -8 30
2 -8 96 - 10
0 30 - 10 8
6 256
- 122 15
10 0 det 0 8 PIVOTEANT
= 80
Modificando
10 -1 2 0
Para el siguiente elemento tenemos
-1 109 -8 30
2 -8 96 - 10
0 30 - 10 80
6 256 - 122 15
3-26
10 6 det 0 15 PIVOTEANT
= 150
13
Pgina
3-27
10 0
1 109
14
3-28
Mtodos Numricos Curso SAI Tema 3. Solucin de Sistemas de Ecuaciones Lineales. para el siguiente elemento
109 8
256 122
Pgina
3-29
3-30
Mtodos Numricos Curso SAI Tema 3. Solucin de Sistemas de Ecuaciones Lineales. La matriz completa es
Pgina
3-31
Mtodos Numricos. Curso SAI. 24/7/a 20:56:24 Hugo Pablo Leyva Para el siguiente elemento a modificar
3-32
8 256 / 109 = [1040 x(256) (8) x(1125)] / 109 = 2360 1040 1125
Para el siguiente elemento a modificar
Pgina
3-33
1040 1125 / 109 = [1040 x(867) (85) x(1125)] / 109 = 7395 85 867
La matriz completa es
3-34
Mtodos Numricos Curso SAI Tema 3. Solucin de Sistemas de Ecuaciones Lineales. Haciendo 0 elementos arriba y abajo del pivote
45 1085 / 1040 = [7395 x(1085) (45) x(7395)] / 1040 = 7395 7395 7395 280 2360 / 1040 = [7395 x(2360) (280) x(7395)] / 1040 = 14790 7395 7395 85 1125 / 1040 = [7395 x(1125) (85) x(7395)] / 1040 = 7395 7395 7395
La matriz completa es
Pgina
3-35
1 0 0 0
Por simple inspeccin la solucin es:
0 1 0 0
0 0 1 0
0 1 0 2 0 1 1 1
x1=1 x2=2 x3=-1 x4=1 Con este mtodo adems de obtener el determinante es posible invertir una matriz. Se puede demostrar que si ponemos la matriz A junto a una matriz identidad I, es decir, |A|I|, y se le aplica el mtodo de Montante a la matriz A repitiendo las operaciones en la matriz I, la matriz A se vuelve I y la matriz I se transforma en A-1 .
1 10
Haciendo cofactores
2 0 1 0 0 0 10 1 1 109 8 30 1 10 0 0 2 8 96 10 2 0 10 0 0 0 0 10 0 30 10 80
Haciendo 0 elementos arriba y abajo del pivote
3-36
2 0 1 0 0 0 10 1 0 109 8 30 1 10 0 0 0 8 96 10 2 0 10 0 0 0 0 10 0 30 10 80
Haciendo cofactores
Pgina
3-37
0 0 45 777 69 153 45 7395 0 7395 0 280 69 758 34 280 0 0 7395 85 153 34 782 85 0 0 7395 45 280 85 1040 0
Haciendo 0 elementos arriba y abajo del pivote
0 0 0 777 69 153 45 7395 0 7395 0 0 69 758 34 280 0 0 7395 0 153 34 782 85 0 0 7395 45 280 85 1040 0
El determinante es 7395. Dividiendo la matriz entre 7395
1 0 0 0
0 0 0 1 0 0 0 1 0 0 0 1
. 9.3306E 3 2.069E 2 6.0852E 3 01051 9.3306E 3 01025 . 4.5977E 3 37863E 2 . 1 A = 2.069E 2 4.5977E 3 01057 . 11494E 2 . . . 01406 . 6.0852E 3 37863E 2 11494E 2
La cual coincide con la obtenida por el mtodo de Gauss-Jordan.
3.11.
Seleccin de un mtodo directo Si todos los mtodos anteriores nos llevan a la solucin correcta del problema, la pregunta obvia es cul es mejor ? Para contestar esto debemos de considerar, que si bien, todos estos mtodos nos dan la solucin, cada uno requiere un numero distinto de operaciones. En pocas palabras, el mejor mtodo ser el que realice menos operaciones, ya que ser ms rpido.
3-38
Mtodos Numricos Curso SAI Tema 3. Solucin de Sistemas de Ecuaciones Lineales. Puede demostrarse que el mtodo de Gauss requiere aproximadamente 50 % menos operaciones que el de Gauss Jordn, por eso este mtodo es superior a Gauss Jordn. El mtodo de Inversin de Matrices adems de tener que invertir la matriz con el mtodo de Gauss Jordn, realiza un producto matricial, por lo ocupa ms tiempo. Entonces Gauss Jordn es mejor que Inversin de Matrices. La regla de Cramer implica calcular n+1 determinantes. Calcular cada determinante, requiere tanto tiempo como resolver el sistema por otro mtodo, por esto es el ms tardado de todos.15 El mtodo de Montante, puede demostrarse que tiene ventajas sobre el mtodo de Gauss, de hecho el error de redondeo es menor, por esto, Montante es mejor que Gauss. Adems, este mtodo da el determinante directamente y puede calcular la matriz inversa. Tambin, se puede demostrar que como se vio en el ejemplo, si los coeficientes son enteros, todos los clculos son con enteros, por lo cual el redondeo es menor.16 Con estos argumentos, podramos pensar en solo usar Montante Gauss, pero existen casos donde son ms convenientes los otros mtodos. En algunas aplicaciones adems de resolver el sistema se requiere la matriz inversa. Podramos resolver por Inversin de Matrices, pero ya comentamos que es ms tardado. En vez de eso podramos usar Gauss Jordn. Si colocamos las matrices de la siguiente manera |A|B|I|, y aplicamos el mtodo de Gauss Jordn, obtenemos |I|X|A|.17 Simultneamente calculamos la inversa y la solucin.18 El mtodo de Gauss no puede calcular la matriz inversa. Principalmente en el rea de simulacin, se requiere resolver un sistema lineal varias veces, modificando tan solo los trminos independientes. En estos casos, es mejor que los mtodos anteriores invertir la matriz A y aplicar inversin de matrices en cada sistema. Por ejemplo, en tu curso de Energas Mecnica y Elctrica la ultima unidad es sobre circuitos elctricos. Las ecuaciones que representan un circuito elctrico forman un sistema lineal de la forma Ri=E, donde R es la matriz de resistencias, i es el vector de corrientes y E es el vector de voltajes. Si analizas el comportamiento del circuito, es ms sencillo variar los voltajes, que las resistencias.19 Si inviertes la matriz de resistencias, en cada simulacin, solo multiplicas la matriz invertida por cada vector de voltajes para hallar la solucin. En algunos casos se requiere despejar una sola variable algunas variables. En estos casos es mejor la regla de Cramer, pero por lo regular, esta regla slo es til para sistemas de 2 hasta 3 ecuaciones. Para sistemas ms grandes los dems mtodos son mejores.
3.12.
Mtodos iterativos Si bien los mtodos directos dan la solucin terica, no siempre se pueden aplicar. Para ver la razn consideremos las fuentes de error. El error inherente, de momento lo podemos despreciar. El error de truncamiento es 0.20 El error de redondeo esencialmente depende del numero de
15
Casual y misteriosamente este el mtodo que mejor recuerdas de la Secundaria Prepa. De hecho los quebrados solo aparecen en la ultima etapa. Por qu ? Sera mejor usar el mtodo de Montante, ya que puede hacer lo mismo, con menos redondeo. Por qu ? Por qu ?
16 17 18
19 20
Pgina
3-39
Mtodos Numricos. Curso SAI. 24/7/a 20:56:24 Hugo Pablo Leyva clculos. Mientras mayor sea l numero de ecuaciones, se requieren ms operaciones y por lo tanto existira ms error de redondeo. En pocas palabras, si l numero de ecuaciones es grande el error de redondeo puede crecer tanto, que puede invalidar la solucin.21 En la practica no es raro usar cientos a un miles de ecuaciones. Por esta razn, se crearon los mtodos iterativos. Estos son esencialmente inmunes al redondeo. Los mtodos iterativos son aquellos que obtienen la solucin aproximndose a ella en un numero finito, pero no definido de pasos. Estos mtodos son propiamente mtodos numricos, los cuales como ya vimos obtienen la solucin mediante una sucesin que se aproxima a la solucin del problema. En este caso los mtodos iterativos obtienen una sucesin de vectores que se aproxima a la solucin del sistema. Como ya mencionamos anteriormente en las unidades pasadas, los mtodos numricos requieren de un criterio de convergencia para determinar cuando parar. El criterio de convergencia basado en el error relativo, como ya se coment es muy til. El problema que se tiene, para implementar en este caso, es l tener que realizar una divisin de vectores, la cual no esta definida. Por esa razn el criterio de convergencia que se utiliza es
cck =
donde || || es una norma vectorial.
||X k -X k -1 || ||X k ||
k: ndice de la iteracin, no la confundas con una potencia, solo es l numero de iteracin. Xk : Vector de la iteracin k Xk-1 : Vector de la iteracin k-1 La norma vectorial, puede definirse de varias formas, solo se requiere que cumpla: 1. ||X|| 0 2. ||X||=0 si y solo si X=0 3. ||cX||=|c| ||X||, c es un escalar. La ms usual es la que ya conoces de tus cursos de Fsica o de Complementos de Matemticas
||X||2 =
n i =1
xi 2
Esta se denomina norma euclidiana. Pero existen otras normas que cumplen las propiedades anteriores. Una de ellas es la norma absoluta
21
Como regla de dedo los mtodos directos solo deben de aplicarse si se tienen hasta 50 ecuaciones.
3-40
||X||1 = i =1 | x i |
n
||X|| = max | x i |
1 i n
La pregunta a hacer es cul es mas conveniente ? Todas son tiles para calcular el criterio de convergencia, pero, no todas son fciles de calcular. La ms pesada de calcular es casual y misteriosamente la euclidiana, la que tu ya conocas. La absoluta es ms fcil de calcular, ya que solo hay que sumar las componentes en valor absoluto. La natural es todava ms fcil, solo hay que hallar la componente ms grande en valor absoluto y su valor ser la norma. En pocas palabras, la norma a usar depende de como vayas a realizar los clculos. Si los haces a mano a lo mucho con una calculadora,22 mejor usa la natural. Si usas una computadora usa la que quieras.23 Utilizaremos la natural por simplicidad. Por lo tanto el criterio de convergencia ser
cck =
y por seguridad adems
||X k -X k -1 || ||X k ||
a 11 x1 a 21 x1 a 1n x1
+ a 12 x 2 + a 22 x 2
+ a 13 x 3 + a 23 x 3
+ +
+ a 1n x n + a 2n xn
b1
= b2
+ a n2 x2
+ a n3 x3
+ + a 1nn x n
= bn
22 23
Pgina
3-41
x1 = x2 = xn =
en forma mas compacta
xi =
bi
j = 1, j i aij x j
n
a ii
i = 1, , n
A partir de estas ecuaciones se deducen los mtodos iterativos. Consideraremos 2 1. Mtodo de Gauss Jacobi. 2. Mtodo de Gauss Seidel.
3.13.
Mtodo de Gauss Jacobi Este mtodo parte directamente de las ecuaciones anteriores. En este mtodo comenzamos con un vector inicial X0. Con este vector calculamos otro vector X1 , verificamos el criterio de convergencia. Si se cumple bien, sino realizamos otra iteracin con el vector X1, obtenemos un vector X2, nuevamente verificamos la convergencia, si se cumple bien, sino repetiremos el procedimiento hasta lograr la convergencia concluir que no la hay. Las ecuaciones generales del mtodo son:
x k +1i =
bi
j =1, j i aij x k j
n
aii
i = 1, , n k = 0, , Maxiter
3.13.1. Ejemplo del mtodo de Gauss Jacobi
Resolvamos nuestro sistema de ejemplo. Los criterios de convergencia a emplear son
3-42
cc k =
||X k -X k -1 || ||X k ||
5x10 9
k > 100
Despejemos una variable de cada ecuacin
x1
k +1 k +1 k +1 k +1
= = =
6 + x2 k 2 x3 k 10 25 + x1k + x3 k 3 x4 k 11 11 2 x1k + x2 k + x4 k 10
k
x2 x3 x4
2 = 153 x8
+ x3 k
bi aii
, i=1,...,n.
x11 = x2 1 = x 31 = x4 1 =
sustituyendo valores
15 3 x2 0 + x 30 8
x11 = x2 = x 31 =
1
= 1.047272727272727 = -0.805227272727273
= 1.71590909090909
cc1 =
||X1 -X 0 || ||X1 ||
X1 X0
Pgina
3-43
0.6 1.047272727272727 1.71590909090909 2.27272727272727 -0.805227272727273 -1.1 1.875 0.885227272727273 0.4472727272727 -0.5568181818182 0.2947727272727 -0.9897727272727
3-44
x1 2 = x2 2 = x32 =
2 x4 =
sustituyendo valores
2 x12 = 6+1.7159090909090910(-0.805227272727273) = 0.932636363636364
x2 = 25+1.047272727272727+(-0.805227272727273)3(0.885227272727273) = 2.05330578512397 11
2
cc2 =
X2 X1
0.932636363636364 1.047272727272727 2.05330578512397 1.71590909090909 -1.04934090909091 -0.805227272727273 1.13088068181818 0.885227272727273 - 0.1146363636364 0.3373966942149 - 0.2441136363636 0.2456534090909
max 1 j n
Pgina
3-45
0.3373966942149 2.05330578512397
= 0.164318776413765
Dado que no se cumple el criterio de convergencia continuamos. Los clculos se resumen en la tabla 1 Tabla 1 Clculos del Mtodo de Gauss-Jacobi k
0 1 2 3 23 1.00000000083666 1.99999999858887 -0.999999998910076 0.999999998452989 2.606E-9
x1
0.6 1.047272727272727 0.932636363636364 1.01519876033058
x2
2.27272727272727 1.71590909090909 2.05330578512397 1.95369576446281
x3
-1.1 -0.805227272727273 -1.04934090909091 -0.968108626033058
x4
1.875 0.885227272727273 1.13088068181818 0.973842716942149
cck
5.768E-1 1.643E-1 8.038E-2
3.14.
Mtodo de Gauss Seidel Este mtodo se deduce del anterior. En la primera iteracin cuando ya calculamos x1, al calcular x2 tenemos 2 valores para x1. El de iteracin anterior y el de la actual. Podemos pensar intuitivamente que el de la iteracin actual esta ms cerca de la solucin, por eso mejor usar este valor para calcular x2. Para x3 hacemos una argumentacin similar. Ser mejor usar los valores de x1 y x2 de la iteracin actual que los de la iteracin anterior, ya que intuitivamente estn mas cerca de la solucin. Para las dems variables se puede hacer lo mismo. El mtodo de Gauss Seidel consiste en usar los valores tan pronto se van calculando. Intuitivamente la convergencia debe de ser ms rpida. Las ecuaciones de Gauss Seidel son
3-46
x k +1i =
bi
j =1 aij x k j j =i +1 aij x k +1 j
i 1 n
aii
i = 1, , n k = 1, , Maxiter
3.14.1. Ejemplo del mtodo de Gauss Seidel
Repitamos el ejemplo otra vez. Las ecuaciones de Gauss-Seidel en este caso son
x1
k +1 k +1 k +1 k +1
= = =
x2 x3 x4
En la iteracin 1 se tiene
= 153 x2 8
+ x3 k + 1
x11 = x21 = x 31 =
1 x4 =
sustituyendo valores
x 31 = x4 =
1
= -0.946297520661157
= 1.09799896694215
cc1 =
||X1 -X 0 || ||X1 ||
Pgina
3-47
X1 X0
0.6 1.047272727272727 1.75657024793388 2.27272727272727 -0.946297520661157 -1.1 1.875 1.09799896694215 0.4472727272727 -0.5161570247934 0.1537024793388 -0.7770010330579
3-48
x1 2 = x2 2 = x3 2 =
2 x4 =
sustituyendo valores
cc2 =
X2 X1
0.96491652892562 1.047272727272727 1.97496564613073 1.75657024793388 -0.985686844477836 -0.946297520661157 1.01117702714125 1.09799896694215 - 0.08235619834711 0.2183953981969 - 0.03938932381668 - 0.0868219398009
Pgina
3-49
Dado que no se cumple el criterio de convergencia continuamos. Los clculos se resumen en la tabla 2 Tabla 2 Clculos del Mtodo de Gauss-Seidel k
0 1 2 3 10 1.00000000007848 2.00000000009999 -1.00000000003814 0.999999999957737 3.90E-10
x1
0.6 1.047272727272727 0.96491652892562 0.99463393350864
x2
2.27272727272727 1.75657024793388 1.97496564613073 1.99776509160064
x3
-1.1 -0.946297520661157 -0.985686844477836 -0.998032574827539
x4
1.875 1.09799896694215 1.01117702714125 1.00108401879632
cck
4.423E-1 1.105E-1 1.487E-2
Podemos ver que la convergencia es ms rpida y de hecho salvo raros caos as es, es decir, generalmente Gauss Seidel converge ms rpido que Gauss Jacobi.
3.15.
Condicin de Convergencia Si bien en los ltimos ejemplos ambos mtodos convergieron, en algunos casos no ser as. Para determinar si los mtodos convergern, antes de realizar las iteraciones, debemos de verificar una condicin que nos determine esto. Esta condicin se denomina Condicin de Convergencia. Existe una condicin que es rigurosa pero es tan difcil de verificar como resolver el sistema por un mtodo directo. Por esta razn vamos a dar una condicin de convergencia que si bien no es rigurosa es ms simple de aplicar. Esta condicin es suficiente paro no necesaria, es decir, si se cumple habr convergencia , si no se cumple podra haber convergencia. La condicin dice. Si los valores absolutos de los elementos de la diagonal principal en cada columna son mayores a la suma de los valores absolutos de los elementos
3-50
Mtodos Numricos Curso SAI Tema 3. Solucin de Sistemas de Ecuaciones Lineales. restantes en cada columna, entonces se dice que la matriz es diagonalmente dominante. Si la matriz es diagonalmente dominante, entonces la convergencia esta asegurada para cualquier vector inicial, tanto para el mtodo de Gauss Jacobi como para el mtodo de Gauss Seidel.. Para la primera aproximacin lo mejor en general es usar la teora para determinarla. Por ejemplo si la solucin representa un conjunto de probabilidades, podemos suponer que xi=0.5, i=1,...n. Si no tenemos teora podemos usar las aproximaciones propuestas arriba, ya que son simples y cualquier aproximacin es valida.24 Si en un sistema dado no se cumpliera esta condicin, podemos intentar reacomodar las ecuaciones de tal forma que se cumpla. Por ejemplo
-x 1 + 2x 1 10x 1
+ 11x 2 -x 2 + 3x 2 -x 2
-x 3 + 10x 3 -x 3 + 2x 3
+ 3x 4 -x 4 + 8x 4
= 25 = -11 = 15 =6
10x 1 -x 1 +2x 1
-x 2 +11x 2 -x 2 +3x 2
=6 = 25 = -11 = 15
24
Pgina
3-51
Mtodos Numricos. Curso SAI. 24/7/a 20:56:24 Hugo Pablo Leyva Existen casos donde por ms que lo intentemos la condicin de convergencia no se cumplir. Aqu debemos de intentar que al menos se cumpla de la forma ms cercana posible, es decir, en el mayor numero de columnas. Por ejemplo
7 x1 4 x1 12 x1
es mejor
+8 x 2 +5x 2 +2 x 2
+9.1x 3 +6 x 3 +3 x 3
= 24.1 = 15 =6
12 x1 4 x1 7 x1
+2 x 2 +5x 2 +8 x 2
+3 x 3 +6 x 3 +9.1x 3
=6 = 15 = 24.1
3.16.
1. Fijar el criterio de convergencia. 2. Verificar la condicin de convergencia. 3. Si es necesario, reacomodar las ecuaciones. 4. Despejar una variable de cada ecuacin. 5. Proponer una primera aproximacin. 6. Aplicar el mtodo hasta que se cumpla el criterio de convergencia. Estos mtodos tambin se aplican si la matriz del sistema es dispersa rala, esto es, que tenga muchos elementos iguales a 0. En algunos casos al, plantear un problema se obtienen un sistema directamente en forma iterativa. En este caso con mayor razn, tambin convienen.
3.17.
Pivoteo parcial Si bien los mtodos iterativos se pueden usar cuando tenemos muchas ecuaciones para disminuir el efecto del error de redondeo, es posible modificar los mtodos directos para que tengan menos error de redondeo. Una tcnica para lograr esto se conoce como pivoteo parcial, y es aplicable a todos los mtodos directos. En los mtodos directos el principal problema que nos introduce error de redondeo es en la divisin entre el pivote. Si bien un pivote no es 0, puede estar muy cerca de l. Una forma de
25
Verifcalo.
3-52
Mtodos Numricos Curso SAI Tema 3. Solucin de Sistemas de Ecuaciones Lineales. minimizar este efecto es buscar el elemento ms grande en valor absoluto y usar este como pivote. l pivoteo parcial consiste en buscar el elemento mas grande en valor absoluto y llevarlo al rengln pivote. En los mtodos clsicos, solo se pide que el pivote no sea 0. Este cambio puede implementarse en todos los mtodos. Por ejemplo consideremos el sistema.
1E 8x1 x1
+ x2 +4 x 2
= 0.1234 =0
Lo resolveremos con el mtodo de eliminacin de Gauss suponiendo que usamos una calculadora que solo usa 8 cifras significativas.26 La matriz aumentada es:
1E 8 +1 0.1234 1 +4 0
Llevando el elemento 0 al rengln pivote
1E 8 +1 0.1234 1 +4 0
Dividiendo entre el elemento pivote
1 +1E 8 1.234 E 7 1 + 4 0
Haciendo 0 elementos abajo del elemento pivote
26
Pgina
3-53
x1 = 4 x 2
Tenemos que la solucin es absurda. Qu paso ? A qu se debe el problema ? El problema lo caus el coeficiente 1E-8 de la primera ecuacin, l cual si bien no es 0, esta muy cercano al, dado que solo estamos manejando 8 cifras significativas en los clculos. Resolveremos nuevamente el sistema usando pivoteo parcial. Nuevamente la matriz aumentada es
1E 8 +1 0.1234 1 +4 0
Llevando el mximo elemento en valor absoluto al rengln pivote
+4 0 1 1E 8 +1 0.1234
3-54
4 0 +1 1E 8 +1 0.1234
Haciendo 0 elementos abajo del elemento pivote
0 +1 4 0 +1 0.1234
Llevando el mximo elemento al rengln pivote
0 +1 4 0 +1 0.1234
Dividiendo entre el elemento pivote
0 +1 4 0 +1 0.1234
Haciendo 0 elementos abajo del elemento pivote
0 +1 4 0 +1 0.1234
Ahora apliquemos la sustitucin en reversa. Del ultimo rengln tenemos x2=0.1234. Sustituyendo en la primera ecuacin
x1 4 x 2 = 0 x1 = 4 x 2 x1 = 4 (0.1234 ) = 0.4936
Por lo cual la solucin correcta es x1=0.4936, x2=0.1234.
Pgina
3-55
Mtodos Numricos. Curso SAI. 24/7/a 20:56:24 Hugo Pablo Leyva El pivoteo parcial vale la pena y no es muy costoso. Podras preguntarte si existe un pivoteo total. Si existe y consiste no solo en buscar en los renglones el elemento ms grande en valor absoluto, sino tambin en las columnas. El problema es que si intercambiamos de lugar 2 columnas, tambin cambiamos de lugar sus variables. Esto complica la programacin del mtodo. Se discute aun si vale la pena la complejidad introducida contra el error de redondeo que se evita. Por esto solo es recomendable l pivoteo parcial
3.18.
Sistemas lineales inestables Como hemos mencionado anteriormente existen casos problemticos en todos los mtodos numricos. Para un sistema lineal el problema se denomina Sistemas Lineales Inestables. Un sistema lineal es inestable si cambios pequeos en los coeficientes, producen cambios grandes en la solucin. Por ejemplo consideremos el sistema
x1 4 x1 7 x1
Su solucin es
+2 x 2 +5x 2 +8 x 2
+3x 3 +6 x 3 +9.1x 3
=6 = 15 = 24.1
1 X = 1 1
Si cambiamos el 9.1 por 9.05 la solucin es
2 X = 1 2
La solucin cambio mucho con tan solo un cambio de 0.05 . Para ver cuanto cambio la solucin podemos usar el error porcentual. En este caso es
ep =
1 2 1 1 1 2 1 1 1
x100(%)
3-56
ep =
1 2 1 1 1 1
x100(%)
e p = 2 x100(%) = 200% 1
Usamos la norma natural por simplicidad. Claramente este sistema es inestable. Si bien un sistema lineal solo lo resolvemos una vez usualmente, qu problemas nos puede ocasionar el que sea inestable ? Si bien voluntariamente no modificamos los coeficientes, si lo hacemos al resolver el sistema. Recordemos que siempre tendremos presente el error de redondeo, por lo cual los coeficientes se ven afectados. En un sistema lineal inestable, el error de redondeo puede modificar los coeficientes de tal forma que lleguemos a una solucin falsa.27 Entonces cmo podemos detectar esto ? Una forma sera resolver el sistema 2 veces cambiando ligeramente algn coeficiente del sistema y viendo si no cambia mucho la solucin. Pero esto puede tomar mucho tiempo de maquina. Es mejor usar algn otro criterio. Existe un criterio riguroso pero algo laborioso, ya que requiere calcular la matriz inversa. En vez de eso podemos implementar otro mediante la definicin del numero de condicin:
nc =
det ( A)
i =1
ai
donde det(A): determinante de la matriz ||ai||2: norma euclidiana del rengln i de la matriz A.28 Si nc <0.01 el sistema es probablemente inestable. Este criterio es ms dbil que el criterio riguroso por eso decimos probablemente, pero mientras menor sea el sistema es ms inestable. Si la matriz A del sistema es de un sistema inestable se dice que esta mal condicionada o que es singular. Si el sistema es estable la matriz es no singular o se dice que esta bien condicionada. Por ejemplo para la matriz del ejemplo anterior
1 +2 + 3 A = 4 +5 +6 7 +8 +9.1
27 28
Pgina
3-57
a
i =1
i 2
12 + 2 2 + 32 4 2 + 52 + 6 2 7 2 + 8 2 + 9.12 = +459.43789569429300 nc =
-0.3 +459.43789569429300
Por lo cual es inestable. Conviene implementar en los mtodos directos l calculo de este valor. Si un sistema es inestable tenemos que tomar algunas precauciones. 1. Usar el mtodo que menos tenga error de redondeo 2. Usar la mayor cantidad posible de cifras significativas en los clculos. 3. Resolver el sistema usando quebrados. Para la primera precaucin podemos usar Montante con pivoteo parcial. Para la segunda precisin doble. Para la ultima es posible programar la computadora para usar quebrados pero en general se requerira mas tiempo de maquina.
3.19.
Resumen Existen principalmente 2 formas de resolver un sistema lineal: Mtodos directos y mtodos iterativos. Los directos se usan cuando hay pocas ecuaciones. Los iterativos cuando son muchas, la matriz es rala o el sistema se tiene ya en forma iterativa. De los mtodos directos el mejor es el de Montante. En algunos casos puede convenir mas los otros mtodos. Conviene usar l pivoteo parcial con estos mtodos. De los mtodos iterativos el mejor es Gauss Seidel. Conviene checar la condicin de convergencia. Existen sistemas inestables, para los cuales un cambio ligero en algn coeficiente modifica mucho la solucin. La inestabilidad de un sistema lineal podemos detectarla calculando l numero de condicin.
3-58
Mtodos Numricos Curso SAI Tema 3. Solucin de Sistemas de Ecuaciones Lineales. Lo mejor en estos casos es el mtodo de Montante con pivoteo parcial y precisin doble. Con respecto a la programacin, los ms simples de programar son los iterativos.
3.20.
Ejemplos prcticos Los siguientes problemas muestran algunas aplicaciones de los sistemas de ecuaciones lineales y el uso de los mtodos de solucin.
3.20.1. Determinar que tan seguro es que Firulaiz llegue a casa a cenar
Tu mascota Firulaiz esta perdido en un laberinto, como el que se muestra en la figura 1. Firulaiz debe salir del laberinto para llegar a casa y le des de cenar. Como puedes observar el laberinto es cuadrado y tiene varios corredores. Solamente las intersecciones numeradas conectan un corredor con otro. Los rectngulos representan, los accesos disponibles en cada interseccin. Si Firulaiz comienza el recorrido en la interseccin i, y si hace el recorrido al azar de un corredor a otro cul es la probabilidad de que Firulaiz salga por el frente del laberinto ?
Figura 1 Solo existen 9 intersecciones interiores, como se puede observar. pi representa la probabilidad de que si Firulaiz inicia el recorrido en la interseccin i, salga tarde temprano por el frente del laberinto. Si suponemos que en cada interseccin Firulaiz tiene la misma probabilidad de elegir por donde irse, y que llegando a cualquier salida (en las intersecciones 7, 8 y 9) su recorrido concluye, la teora de probabilidades nos otorga las siguientes 9 ecuaciones para las probabilidades:
1 1 p1 = 4 (0 + 0 + p 2 + p 4 ) p 2 = 4 (0 + p1 + p 3 + p5 ) 1 1 p 3 = 4 (0 + p 2 + 0 + p 6 ) p 4 = 4 ( p1 + 0 + p5 + p 7 )
Pgina
3-59
1 1 p 7 = 4 ( p 4 + 0 + p8 + 1) p8 = 4 ( p5 + p 7 + p 9 + 1) 1 p 9 = 4 ( p 6 + p8 + 0 + 1)
Dado que las ecuaciones ya estn en forma iterativa conviene resolver el sistema por el mtodo de Gauss Seidel. Las ecuaciones de Gauss Seidel son:
k +1
p1 p2
k +1
= 1 ( p2 + p4 ) 4
k +1
= 1 ( p1 4
k +1
+ p3 + p5 )
k +1
p3 p4 p5
k +1 k +1
= 1 ( p2 4
k +1
+ p6 )
k k
= 1 ( p1 4
k +1
+ p5 + p7 )
k +1
= 1 ( p2 4
k +1
+ p4
k +1
+ p 6 + p8 )
k +1
p6
= 1 ( p3 4
+ p5
+ p9 )
p7 p8
k +1
k +1
= 1 ( p4 4
k +1
k +1
+ p8 + 1)
k +1
= 1 ( p5 4
k +1
+ p7
k +1
+ p 9 + 1)
k +1
p9
Los criterios de convergencia son:
= 1 ( p6 4
+ p8
+ 1)
cc k =
X k X k 1 X
k
5 x10 5
k > 100
una probabilidad por lo regular basta conocerla con 4 cifras significativas. Para la primera aproximacin podemos tomar en cuenta el hecho de que las probabilidades estn en el intervalo [0,1]. Tomaremos como valores iniciales todas las probabilidades iguales a 0.5. La tabla 3 resume los clculos. Tabla 3 Clculos del Mtodo de Gauss-Seidel k p1
0 1 .500000 .250000
p2
.500000 .312500
p3
.500000 .203125
p4
.500000 .312500
p5
.500000 .406250
p6
.500000 .277334
p7
.500000 .453125
p8
.500000 .589844
p9
.500000 .466797
cck
.50331
3-60
2 3 14
.156250 .111328
.191406 .139160
.117188 .091797
.253906 .225098
.328125 .289063
.228027 .207214
.460938 .447266
.563965 .546082
.447998 .438324
.21472 9.5E-2
.071448
.098233 3
.071438
.187519
.250019
.187510
.428581
.526795
.428576
3.6E-5
Como podemos observar la convergencia es satisfactoria. Redondeando a 4 cifras la Tabla 4 muestra los resultados Tabla 4 Resultados del Mtodo de Gauss-Seidel p1
.07145
p2
.09823
p3
.07144
p4
.1875
p5
.2500
p6
.1875
p7
.4286
p8
.5268
p9
.4286
Como es razonable es ms probable que Firulaiz logre salir si empieza en la interseccin 5, dado que tiene mas opciones de adonde ir. El valor de 0.25 nos indica que Firulaiz lograra salir 1 de cada 4 veces que lo intente. En este caso fue muy til el mtodo iterativo, ya que se pudo aplicar directamente. Si al plantear el problema las ecuaciones se obtienen ya en forma iterativa, es conveniente usar un mtodo iterativo. Adems en este caso el sistema de ecuaciones es ralo, es decir, muchos elementos son 0, lo cual simplifica la aplicacin del mtodo iterativo. Tambin tuvimos la ventaja de poder proponer una primera aproximacin razonable usando la teora del problema. Es ms seguro que Firulaiz llegue a cenar si empieza en la interseccin 5. Si no conviene conseguirnos otra mascota.29
29 30 31
al menos cenar solos. Un estudiante de CBI de la UAM. Presumiblemente de Mtodos Numricos. Aquellita, la que quiere invitar a salir, ligar. Lo que ocurra primero.
Pgina
3-61
Figura 2 Designemos cada probabilidad como pi. La i representa el segmento en el cual empieza a dudar. La teora de probabilidades nos afirma que p0=1 y p5=0. Adems nos proporciona el siguiente sistema de ecuaciones lineales para las dems probabilidades.
2 p4
+p 4
=0 =0 =0 = -1
Como el sistema es ralo, podra ser ventajoso usar un mtodo iterativo. Si verificamos la condicin de convergencia esta no se cumple.
2 p1 p1
+ p2 2 p 2 p2 + p3 2 p 3 p3 + p4 2 p 4
= 1 =0 =0 =0
3-62
p1 = p2 = p3 =
p4 =
p1 p2 p3
k +1
p = 1+ 2 2
k +1
= =
p1k +1 + p3 k 2 p 2 k +1 + p 4 k 2
k +1
p4
k +1
p3 k +1 2
cc k =
X k X k 1 X
k
5 x10 5
k > 100
Como en el problema anterior de Firulaiz, haremos todas las probabilidades iguales a 0.5. La tabla 5 resume los clculos Tabla 5 Clculos del Mtodo de Gauss-Seidel k p1 p2 p3 p4 cck
Pgina
3-63
0 1 2 3 19
.800056506621331
.600073968127617
.400059841472284
.200029920736142
4.88029466944E-05
Como podemos observar la convergencia es satisfactoria. Redondeando a 4 cifras la Tabla 6 muestra los resultados
3-64
p2
.6001
P3
.4001
p4
.2001
Como es razonable es ms probable que el estudiante llegue a su destino si empieza en el segmento 1, dado que esta mas cerca de su meta. El valor de 0.8 nos indica que el estudiante llega a clases 8 de cada 10 veces que lo intenta. En este caso fue muy til el mtodo iterativo, ya que muchos elementos son 0, lo cual simplifica la aplicacin del mtodo iterativo. Tambin tuvimos la ventaja de poder proponer una primera aproximacin razonable usando la teora del problema. Podemos especular que mientras ms cerca de la entrada empiece a dudar ser ms seguro que asista a clase. Desafortunadamente la solucin de este problema, no soluciona el problema del estudiante. Tan solo nos dice que tan seguro es que llegue a clase. No que le pasara cuando llegue.32
i1 i1
+i 2 i 2
=0 =0 =0 = 36 = 34 21i 6 = 12 10i 5
40i1
0.4i 2
0.4i 2
21i 4
Estudiaremos su comportamiento variando los voltajes. Dado que el sistema lo vamos a resolver varias veces modificando solamente el vector de trminos independientes, el mtodo mas apropiado ser el de inversin de matrices. La inversa del sistema es
32 33
Pgina
3-65
1..0386E 4 1 4613E 5 1.1345E 5 1.4613E 5 2. 12302 E 45 .4613E 1.7622 E 4 1.4613E 5 4 9..5823E 5 1 4613E 2.8008E 4 1.4613E 5
2 .4515E 4 1.4613E 5 1.1445E 4 1.4613E 5 1.3070 E 4 1.4613E 5 4 .6914 E 4 1.4613E 5 5.8359 E 4 1.4613E 5 7 .4704 E 4 1.4613E 5
9366 1.4613E 5 3.066 oE 4 1.4613E 5 2 .1294 E 4 1.4613E 5 1.8424 E 4 1.4613E 5 9 .7049 E 4 1.4613E 5 2 .7790 E 4 1.4613E 5
2781 1.4613E 5 2550 1.4613E 5 230.8 1.4613E 5 1613 1.4613E 5 936.6 1.4613E 5 1167 1.4613E 5
230.8 1.4613E 5 2521 1.4613E 5 2752 1.4613E 5 391.6 1.4613E 5 2129 1.4613E 5 622 .4 1.4613E 5
1167 1.4613E 5 545 1.4613E 5 622 .4 1.4613E 5 2234 1.4613E 5 2779 1.4613E 5 3401 1.4613E 5
0 -0.640187664147964 0 1.37819280191934 0 0.738005137771379 v= ,i = 42 0.75434363396732 40 0.623849167952022 12 -0.114155969819357 0 -0.51152303306431 0 1.15879737281142 0 0.647274339747108 v= ,i = 36 0.717883796585859 34 0.440913576225558 15 -0.206360763521549
3-66
0 -0.592576371999831 0 1.22233520878868 0 0.629758836788852 v= ,i = 39 0.705143382690063 34 0.51719182609862 12 -0.112567010690232 0 -0.533909427961028 0 1.18723714085897 0 0.653327712897941 v= ,i = 36 0.674701334534063 35 0.512535806324906 12 -0.140791906573035
Realizando simulaciones como estas podremos hallar los voltajes ptimos para alguna aplicacin. Con de fin de detectar posibles problemas de mal condicionamiento, tambin se calcul l numero de condicin. El determinante de la matriz es de -146133.4. El producto de la norma euclidianas de los renglones es 339134.495592233. Por lo anterior su valor para todos los casos anteriores es de 0.430901019799847. Dado el valor obtenido no hubo problemas de mal condicionamiento. Su calculo se facilito, ya que al emplear el mtodo de Montante para invertir la matriz, tambin se obtuvo el determinante del sistema. En este caso resulto muy til el mtodo de Inversin de Matrices, ya que l numero de clculos fue menor que con el de cualquier otro mtodo.
y = a 0 + a1 x + a 2 x 2 + a 3 x 3 + a 4 x 4 + a 5 x 5
Para hallar los coeficientes sustituimos cada punto en la ecuacin del polinomio. Obtenemos el sistema lineal
34
Por qu ?
Pgina
3-67
a0 a0 a0 a0 a0 a0
+ a1 +2 a 1 a1 +3a 1 2 a 1 + .5a 1
= 7 =2 = 7 = 121 = 34 = 4
3-68
ep =
3.76 -3.68968036308336 2.98666666666667 2.96322678769445 -6.13333333333333 -6.22123287947914 -3.06666666666667 -3.0373668179514 2.89333333333333 2.9109132425625 8.E -02 7.41400302569464E -02 3.76 2.98666666666667 -6.13333333333333 -3.06666666666667 2.89333333333333 8.E-02
.087899 2 .986667
x100(%) =
x100(%) = 2.943%
Un cambio de 0.01 produjo un cambio de aproximadamente 3 %. Dependiendo de la aplicacin de la solucin este error puede ser indeseable. Siempre conviene verificar la posibilidad de inestabilidad en un sistema de ecuaciones lineales y en caso de presentarse tomar todas las precauciones posibles.
Pgina
3-69
3.21.
ndice
3.
3.1. 3.2.
Mtodos de Solucin ...................................................................................................... 3-4 Mtodo grfico ............................................................................................................... 3-4 Mtodos directos ............................................................................................................ 3-4 Eliminacin de Gauss .................................................................................................... 3-5
Ejemplo del Mtodo de Eliminacin de Gauss...................................................................... 3-5 Ejemplo del mtodo de Eliminacin de Gauss-Jordan .......................................................... 3-9 Ejemplo del Mtodo de Inversin de Matrices.................................................................... 3-13 Ejemplo de la Regla de Cramer ........................................................................................... 3-16
Eliminacin de Gauss Jordn ....................................................................................... 3-9 Inversin de matrices .................................................................................................. 3-12 Regla de Cramer .......................................................................................................... 3-16 Mtodo de Montante ................................................................................................ 3-20
Ejemplo del Mtodo de Montante ....................................................................................... 3-20 Inversin de una matriz con el Mtodo de Montante .......................................................... 3-36
Seleccin de un mtodo directo ............................................................................... 3-38 Mtodos iterativos .................................................................................................... 3-39 Mtodo de Gauss Jacobi .......................................................................................... 3-42
Ejemplo del mtodo de Gauss Jacobi .................................................................................. 3-42
3.14.
3.14.1.
Condicin de Convergencia..................................................................................... 3-50 Pasos para aplicar un mtodo iterativo.................................................................. 3-52 Pivoteo parcial .......................................................................................................... 3-52 Sistemas lineales inestables...................................................................................... 3-56 Resumen.................................................................................................................... 3-58 Ejemplos prcticos ................................................................................................... 3-59
Determinar que tan seguro es que Firulaiz llegue a casa a cenar ........................................ 3-59
3-70
Mtodos Numricos Curso SAI Tema 3. Solucin de Sistemas de Ecuaciones Lineales. 3.20.2. 3.20.3. 3.20.4. Determinar que tan seguro es que un estudiante llegue a clase ........................................... 3-61 Simulacin de un circuito elctrico ..................................................................................... 3-65 Determinacin de la ecuacin de un polinomio .................................................................. 3-67
3.21.
Pgina
3-71