UNIVERSIDAD PRIVADA ANTENOR ORREGO

UNIVERSIDAD PRIVADA
ANTENOR ORREGO
FACULTAD DE INGENIERIA
ESCUELA DE INGENIERIA CIVIL

UPAO
CURSO:

MATEMATICAIV

INTEGRANTES:

PIZANSAMANA,MANUEL
VALVERDEPAREDES,MARCO

DOCENTE:

TRUJILLOPER
2017
 UNIVERSIDAD PRIVADA ANTENOR ORREGO

MTODOS NUMRICOS
 UNIVERSIDAD PRIVADA ANTENOR ORREGO

INDICE

SISTEMAS LINEALES DE ECUACIONES

METODOS DIRECTOS

ELIMINACIN DE GAUSS Y FACTORIZACIN LU

REGLA DE CRAMER

ELIMINACIN DE GAUSS

MATRIZ INVERSA

METODOS INTERACTIVOS

METODO DE JACOBI

METODO DE GAUSS-SEIDEL

EJEMPLOS DE APLICACIN

INTRODUCCIN
 UNIVERSIDAD PRIVADA ANTENOR ORREGO

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 o al menos como parte de ella.
Dada esta necesidad frecuente, se requiere resolverlos en forma
eficiente.

Los mtodos numricos que resuelven los sistemas se pueden

clasificar en directos e indirectos.

Los mtodos directos son aquellos que determinan la solucin en un

nmero determinado de pasos.

Los mtodos iterativos son aquellos que obtienen la solucin

aproximndose a ella en un nmero finito, pero no definido de pasos.

La siguiente entrega pretende encontrar la solucin de un sistema de

ecuaciones lineales por los mtodos anteriormente mencionados.

Como los algoritmos de los mtodos ya estn disponibles en la

mayora de los libros de texto sobre la materia, se explicara en la
medida de lo posible, detalles de implementacin(personales)de los
mtodos directos(que son ms difciles de programar).
El lenguaje de programacin idneo para tal fin ser Matlab 6.0

SISTEMAS LINEALES DE ECUACIONES

 UNIVERSIDAD PRIVADA ANTENOR ORREGO

Antes de empezar con los detalles de implementacin de los mtodos

directos resulta conveniente determinar con que sistema o sistemas
vamos a trabajar.

Para los mtodos directos se preferir un sistema cuya matriz de

coeficientes sea simtrica y definida positiva; la razn de tal decisin
radica es que con este tipo de matrices trabaja el mtodo directo de
"Cholesky", a diferencia de Doolittle y Crout.

Puesto que se utilizar un W (factor de relajacin) dado:

W = (raz cuadrada (5) +1) /2 = 1.61803398874989aprox.

No ser necesario tener un sistema tridiagonal para hallar dicho valor.

METODOS DIRECTOS
 UNIVERSIDAD PRIVADA ANTENOR ORREGO

ELIMINACIN DE GAUSS Y FACTORIZACIN LU

Hay varios mtodos que el alumno habr estudiado en cursos

anteriores para la resolucin e sistemas lineales con matrices
densas. La regla de Cramer es un algoritmo poco utilizado
numricamente dado su alto coste computacional. La
eliminacin de Gauss es el algoritmo ms utilizado para
matrices densas generales, aunque su coste limita su
aplicabilidad a sistemas de como mucho miles de incgnitas,
salvo que la matriz de coeficientes tenga alguna estructura
especial que reduzca su coste, como que sea una matriz dispersa
(sparse) en banda. Estudiaremos como caso especial las matrices
tridiagonales por su importancia en las aplicaciones numricas.

REGLA DE CRAMER

La regla de Cramer para resolver sistemas de ecuaciones

algebraicas lineales ya se ha estudiado en cursos anteriores. Para
un sistema A x = b donde A es la matriz de coeficientes de orden
n n, x es el vector (columna) de n incgnitas y b el vector no
homogneo. Si el determinante det (A) 6= 0, A no es singular, y
las n componentes xi del vector solucin x se calculan mediante
xi = det ([A; bi ]) det (A)

ELIMINACIN DE GAUSS
 UNIVERSIDAD PRIVADA ANTENOR ORREGO

En cursos anteriores, para la resolucin de sistemas lineales, el

alumno ha estudiado el algoritmo de eliminacin de Gauss, que
consiste en transformar la matriz de coeficientes del sistema
lineal en una matriz triangular superior realizando
combinaciones lineales adecuadas de las ecuaciones del sistema.
En esta seccin estudiaremos dicho algoritmo desde el punto de
vista numrico.
Sea el sistema lineal A x = b escrito de la forma

MATRIZ INVERSA

En matemticas, en particular en algebra lineal, una matriz

cuadrada de orden n se dice que es ivertible, no singular, no
degenerada o regular si existe otra matriz cuadrada de orfen n,
llamada matriz inversa.

METODOS INTERACTIVOS
 UNIVERSIDAD PRIVADA ANTENOR ORREGO

METODO DE JACOBI

La base del mtodo consiste en construir

una sucesin convergente definida iterativamente. El lmite de
esta sucesin es precisamente la solucin del sistema. A efectos
prcticos si el algoritmo se detiene despus de un nmero finito
de pasos se llega a una aproximacin al valor de x de la solucin
del sistema.

METODO DE GAUSS-SEIDEL

En anlisis numrico el mtodo de Gauss-Seidel es un mtodo

iterativo utilizado para resolver sistemas de ecuaciones lineales.
El mtodo se llama as en honor a los matemticos
alemanes Carl Friedrich Gauss y Philipp Ludwig von Seidel y es
similar al mtodo de Jacobi.

Aunque este mtodo puede aplicarse a cualquier sistema de

ecuaciones lineales que produzca una matriz (cuadrada,
naturalmente pues para que exista solucin nica, el sistema
debe tener tantas ecuaciones como incgnitas) de coeficientes
con los elementos de su diagonal no-nulos, la convergencia del
mtodo solo se garantiza si la matriz es diagonalmente
dominante o si es simtrica y, a la vez, definida positiva.

EJEMPLOS DE APLICACIN

REGLA DE CRAMER
 UNIVERSIDAD PRIVADA ANTENOR ORREGO

EJERCICIO 1

Aplicar las propiedades de los determinantes para facilitar los clculos.

El determinante de la matriz es (usando las propiedades de los
determinantes).

Puesto que la matriz es regular, tiene una nica solucin. Aplicamos

Cramer para obtenerla:

Nota: Antes de comenzar los clculos podemos dividir la primera

ecuacin por raz de 3. De este modo, efectuamos los clculos sin races
y obtenemos la misma solucin ya que ambos sistemas son
equivalentes.

EJERCICIO 2
 UNIVERSIDAD PRIVADA ANTENOR ORREGO

La matriz coeficientes es:

Puesto que es de dimensin 4, calculamos el determinante por el desarrollo de

Laplace. Lo haremos por la columna 2, ya que tiene muchos ceros.

Puesto que la matriz es regular, tiene una nica solucin. Aplicamos Cramer
para obtenerla (usaremos Laplace por la columna 1, 2, 3 y 4 respectivamente):

ELIMINACIN DE GAUSS
 UNIVERSIDAD PRIVADA ANTENOR ORREGO

EJERCICIO 1

La matriz ampliada del sistema es:

de la misma dimensin que el sistema (2x3).

La lnea vertical separa la matriz de coeficientes del vector de trminos
independientes.

Realizamos operaciones elementales fila para obtener la matriz en

forma escalonada reducida.
Multiplicamos la primera fila por 1/5 y la segunda por 1/3

Sumamos a la segunda fila la primera

Multiplicamos la segunda fila por 5/7

Sumamos a la primera fila la segunda fila multiplicada por -2/5

Esta ltima matriz equivalente ya tiene forma escalonada reducida y nos

permite ver rpidamente los rangos de la matriz de coeficientes y de la
ampliada.

Calculamos los rangos de la matriz coeficientes y de la matriz ampliada

Por el Teorema de Rouch-Frobenius, el sistema es compatible

determinado.
 UNIVERSIDAD PRIVADA ANTENOR ORREGO

La matriz obtenida representa el sistema que son las soluciones del

sistema inicial.

MATRIZ INVERSA

EJERCICIO 1

El sistema es:

La matriz de coeficientes es:

Calculamos su inversa por el mtodo de los adjuntos:

Entonces,

Por tanto, la matriz X de las incgnitas ser:

 UNIVERSIDAD PRIVADA ANTENOR ORREGO

de donde se concluye que:

METODO DE JACOBI

Resolver el sistema de ecuaciones Lineales, por el Mtodo de Jacobi

con solucin inicial.

Solucin:
Separando los elementos diagonales, se tiene:

Arreglamos en forma matricial

UNIVERSIDAD PRIVADA ANTENOR ORREGO
 UNIVERSIDAD PRIVADA ANTENOR ORREGO

Solucin con error menor que 0.05

METODO DE GAUSS-SEIDEL

EJERCICIO

Resolver el siguiente sistema de ecuacin por el mtodo Gauss-Seidel

utilizando un = 0.001.

0.1 X1 + 7.0 X2 - 0.3 X3 = -19.30

3.0 X1 - 0.1 X2 - 0.2 X3 = 7.85
0.3 X1 - 0.2 X2 - 10.0 X3 = 71.40

Solucin:

Primero ordenamos las ecuaciones, de modo que en la diagonal

principal estn los coeficientes mayores para asegurar la convergencia.

3.0 X1 - 0.1 X2 - 0.2 X3 = 7.85

0.1 X1 + 7.0 X2 - 0.3 X3 = -19.30
0.3 X1 - 0.2 X2 - 10.0 X3 = 71.40

Despejamos cada una de las variables sobre la diagonal:

 UNIVERSIDAD PRIVADA ANTENOR ORREGO

Suponemos los valores iniciales X2 = 0 y X3 = 0 y calculamos X1

Este valor junto con el de X3 se puede utilizar para obtener X2

La primera iteracin se completa sustituyendo los valores de X1 y

X2 calculados obteniendo:

En la segunda iteracin, se repite el mismo procedimiento:

Comparando los valores calculados entre la primera y la segunda

iteracin
 UNIVERSIDAD PRIVADA ANTENOR ORREGO

Como podemos observar, no se cumple la condicin

Entonces tomamos los valores calculados en la ltima iteracin y se

toman como supuestos para la siguiente iteracin. Se repite entonces el
proceso:

Comparando de nuevo los valores obtenidos

Como se observa todava no se cumple la condicin

As que hacemos otra iteracin

 UNIVERSIDAD PRIVADA ANTENOR ORREGO

Comparando los valores obtenidos

Dado que se cumple la condicin, el resultado es :

X1 = 3.0
X2 = -2.5
X3 = 7.0

Como se puede comprobar no se tiene un nmero exacto de iteraciones

para encontrar una solucin.
En este ejemplo, se hicieron 3 iteraciones, pero a menudo se necesitan
ms iteraciones.
Se deja de investigacin al alumno alguna forma que haga que este
mtodo converga ms rpidamente