Main Beamer

Herramientas Computacionales de Simulación
Dr. Manuel A. Andrade
Universidad Autónoma de Nuevo León

Facultad de Ingeniería Mecánica y Eléctrica
Doctorado en Ingeniería Eléctrica
Agosto – Diciembre 2010

Parte I
Aplicación de Matrices en Ingeniería

Eléctrica
Sesión 1: Eigenvalores, Parte I
Sesión del día
1. Introducción a Sistemas Lineales

¿Dónde se encuentran los sistemas lineales?
Los sistemas lineales son equivalentes a ecuaciones matriciales
2. Eigenvalores y Eigenvectores
Cálculo de los eigenvalores para (2 × 2) y (3 × 3)
Matrices grandes
Eigenvalores complejos
Introducción a Sistemas Lineales
I Los sistemas de ecuaciones lineales aparecen naturalmente en

muchas áreas de la ingeniería, como el análisis estructural,
dinámica y circuitos eléctricos.
I Actualmente, las computadoras nos permiten resolver de forma
rápida y eficiente sistemas de ecuaciones lineales cada vez más
grandes.
I Esto no sólo ha permitido resolver problemas cada vez más
complejos donde los sistemas lineales naturalmente aparecen,
sino que ha hecho que se empleé la teoría de sistemas lineales
para resolver problemas donde normalmente no aparecen tales
como termodinámica, fluidos, análisis de grandes sistemas de
potencia, fluidos y procesos químicos.
I Se ha vuelto una práctica común en muchas áreas, analizar un

problema transformándolo a un conjunto de ecuaciones lineales
y luego resolver estas ecuaciones numéricamente.
El siguiente conjunto de ecuaciones describen las tensiones y

fuerzas que actúan sobre la estructura:
.5T1 + T2 = R1 = f1
.866T1 = −R2 = −.433f1 − .5f2
−.5T1 + .5T3 + T4 = −f1
.866T1 + .866T3 = 0 (1.1)
−T2 − .5T3 + .5T5 + T6 = 0
.866T3 + .866T5 = f 2
−T4 − .5T5 + .5T7 = 0,
donde Ti representa la tensión en el i-ésimo miembro de la

estructura.
Este sistema podría resolverse a mano, sistemáticamente

eliminando variables y sustituyendo. Sin embargo, sería mejor
resolverlas computacionalmente.
La primera clave para resolver sistemas lineales es saber que son

equivalentes a matrices, que contienen números, no variables.
El sistema de ecuaciones,
x1 − 2x2 + 3x3 = 4
2x1 − 5x2 + 12x3 = 15
2x2 − 10x3 = −10,
es equivalente a la ecuación matricial,

    
1 −2 3 x1 4
2 −5 12  x2  =  15  ,
0 2 −10 x3 −10
que es equivalente a la matriz aumentada,

 
1 −2 3 4
 2 −5 12 15  .
0 2 −10 −10
La matriz aumentada para el sistema de ecuaciones ecuaciones de

la estructura descrita por (1.1) está dada por:
 
.5 1 0 0 0 0 0 f1

 .866 0 0 0 0 0 0 −.433f1 − .5f2 


 −.5 0 .5 1 0 0 0 −f1 

 .866 0 .866 0 0 0 0 0  . (1.2)
 

 0 −1 −.5 0 .5 1 0 0 

 0 0 .866 0 .866 0 0 f2 
0 0 0 −1 −.5 0 .5 0
Nótese que muchas de las entradas son 0. Matrices como esta,

llamada dispersa son muy comunes y existen métodos
especialmente diseñados para manejarlas eficientemente.
Eigenvalores y Eigenvectores
I Suponga que A es una matriz cuadrada de (n × n). Se dice que

un vector diferente de cero v es un eigenvector y que un
escalar λ es un eigenvalor si
Av = λ v (1.3)
I Geométricamente esto significa que Av está en la misma

dirección que v, ya que al multiplicar un vector por un escalar
cambia su magnitud, pero no su dirección.
Matlab tiene integrada una rutina para el cálculo de eigenvalores y

eigenvectores:
> A = pascal(4)
> [v e] = eig(A)
El resultado es una matriz v que contiene los eigenvectores como

columnas y una matriz diagonal e que contiene los eigenvalores en
la diagonal. Esto puede checarse de la siguiente forma:
> v1 = v(:,1)
> A*v1
> e(1,1)*v1
Nótese que (1.3) puede reescribirse como:
A v − λ v = 0. (1.4)
Aunque no se puede factorizar v de la parte derecha de la ecuación,

ya que A es matriz y λ un escalar, como I v = v, se puede hacer lo
siguiente:
A v − λ v = A v − λ Iv
= (A − λ I)v (1.5)
=0
Si v es no cero, entonces por el Teorema 1, la matriz (A − λ I) debe

ser singular. Por el mismo teorema, tenemos:
det (A − λ I) = 0 (1.6)
A esto se le conoce como ecuación característica.

Teorema 1
Suponga que A es una matriz cuadrada. Los siguientes son todos
equivalentes:
1. La ecuación Ax = b tiene 0 o ∞ soluciones dependiendo de b.
2. det(A) = 0
3. A no tiene inversa.
4. La ecuación Ax = 0 tiene otras soluciones además de x = 0.
5. Las columnas de A son linealmente dependientes como
vectores.
6. Los renglones de A con linealmente dependientes.
Para una matriz de 2 × 2, (A − λ I) se calcula como en el siguiente

ejemplo:

1 4 1 0
(A − λ I) = −λ
3 5 0 1

1 4 λ 0
= − (1.7)
3 5 0 λ

1−λ 4
= .
3 5−λ
El determinante de (A − λ I) es entonces
det(A − λ I) = (1 − λ )(5 − λ ) − 4 · 3
(1.8)
= −7 − 6λ + λ 2 .
La ecuación característica det(A − λ I) = 0 es simplemente la

ecuación cuadrática:
λ 2 − 6λ − 7 = 0. (1.9)
Las raíces de esta ecuación son λ1 = 7 y λ2 = −1. Estos son los
eigenvalores de la matriz A.
Para encontrar los eigenvectores correspondientes regresaremos a la

ecuación (A − λ I)v = 0. Para λ1 = 7, la ecuación para los
eigenvectores (A − λ I)v = 0 es equivalente a la matriz aumentada

−6 4 0
. (1.10)
3 −2 0
Nótese que el primer y segundo renglones de esta matriz son

múltiplos uno del otro. Por lo que esta ecuación tiene infinitas
soluciones, i.e. infinito número de eigenvectores.
Ya que sólo importa la dirección de los eigenvectores, sólo es

necesario encontrar uno de ellos. Ya que el segundo renglón de la
matriz aumentada representa la ecuación
3x − 2y = 0,
tenemos
2
v1 = .
3
Esto se obtiene al notar que (x, y) = (2, 3) es una solución de
3x − 2y = 0.
Para λ2 = −1, (A − λ I)v = 0 es equivalente a la matriz aumentada:

2 4 0
.
3 6 0
Nuevamente el primer y segundo renglones de esta matriz son

múltiplos uno del otro. Por simplicidad se tiene

−2
v2 = .
1
I Para una matriz de (3 × 3) se puede seguir el mismo proceso.

I El det (A − λ I) = 0 debe ser un polinomio cúbico y
esperaríamos que tuviese usualmente 3 raíces, que son los
eigenvalores.

2 4 0
.
3 6 0


−2
v2 = .
1

eigenvalores.

2 4 0
.
3 6 0


−2
v2 = .
1

eigenvalores.
Matrices grandes
1. Para una matriz de n × n este proceso es largo y problemático

para realizarse a mano.
2. Mas aún, este proceso no es recomendado aún para
implementarse en un programa computacional ya que incluye
determinantes y la solución de un polinomio de grado n.
3. Para n ≥ 4 se requieren métodos más ingeniosos.
4. Estos métodos se basan más en el significado geométrico de
los eigenvalores y eigenvectores que en resolver ecuaciones
algebraicas.
Los eigenvalores de algunas matrices son números complejos, aún

cuando la matriz contenga sólo números reales. Cuando esto ocurre,
los eigenvalores complejos aparecerán en pares conjugados, i.e.:
λ1,2 = α ± jβ . (1.11)
Los eigenvectores correspondientes también serán pares conjugados:
w = u ± jv. (1.12)
En aplicaciones, la parte imaginaria del eigenvalor, β , comúnmente

se asocia a la frecuencia de una oscilación. Esto por la fórmula de
Euler
eα+jβ = eα (cos β + j sin β ). (1.13)
Ejercicios
1. Encuentre, a mano, los eigenvalores y eigenvectores de la

siguiente matriz:
2 1
A= .
1 2
2. Encuentre, a mano, los eigenvalores y eigenvectores de la
siguiente matriz:
1 −2
B= .
2 1
3. ¿Puede adivinar cuales son los eigenvalores de la matriz

a −b
C= ?
b a
Sesión 2: Eigenvalores, Parte II
Sesión anterior

Matrices grandes
Sesión 2: Eigenvalores, Parte II
Sesión del día
3. Una Aplicación de Eigenvectores: Modos vibracionales

Ejercicio
4. Métodos Numéricos para Eigenvalores

Método de la potencia
Método de la potencia inversa
Una Aplicación de Eigenvectores: Modos vibracionales
Una aplicación de eigenvalores y eigenvectores se encuentra en el

análisis de problemas de vibración. Un problema no trivial simple es
el movimiento de dos objetos de masas iguales m unidos uno a otro
y fijos a las paredes exteriores por medio de resortes iguales con
constantes de resorte k, como se muestra en la Figura 1.
Figura 1: Sistema de dos masas unidas entre sí y fijas a las paredes por resortes iguales.
Sea x1 el desplazamiento de la primera masa y x2 el desplazamiento

de la segunda, y notese que el desplazamiento de las paredes es
cero. Cada masa experimenta fuerzas de los resortes adyacentes
proporcionales a la extensión o compresión de los resortes.
Despreciando la fricción, la ley de Newton del movimiento, F = ma,
resulta en
mẍ1 = −k(x1 − 0) + k(x2 − x1 ) = −2kx1 + kx2
. (1.14)
mẍ2 = −k(x2 − x1 ) + k(0 − x2 ) = kx1 − 2kx2
Dividiendo ambos lados de (1.14) por m se puede escribir este

sistema de ecuaciones en forma matricial:
x- = −Ax, (1.15)
donde
k k 2 −1
A= mB = m . (1.16)
−1 2
La solución general, para este tipo de ecuación es:

q q
k k
x = c1 v1 sin m λ1 t + φ1 + c2 v2 sin m λ2 t + φ2 , (1.17)
donde λ1,2 son los eigenvalores de B, cuyos eigenvectores asociados

son v1 y v2 . Los eigenvalores y eigenvectores de B se pueden
encontrar usando Matlab:
> B=[2 -1; -1 2]
> [v e] = eig(B)
Esto debe producir una matriz v cuyas columnas son los

eigenvectores de B y una matriz diagonal e cuyas entradas son los
eigenvalores de B.
I En el primer eigenvector, v1 , las entradas son iguales. Esto

representa un modo de oscilación donde las dos masas se
mueven en sincronía una con la otra.
I El segundo eigenvector, v2 , tiene las mismas entradas pero con
signos opuestos. Esto representa un modo en el que las dos
masas oscilan en anti-sincronía.
√
I Note que la frecuencia del movimiento anti-síncrono es 3
veces la del movimiento síncrono.

√

√
La Figura 2 presenta ambos modos de oscilación. En el modo
izquierdo, las masas se mueven juntas. Mientras que en el modo
derecho, se mueven en direcciones opuestas. Nótese que ambos
modos se mueven a diferente velocidad.
Figura 2: Dos modos vibracionales de un sistema oscilatorio simple.

¿Cuál de los dos modos es el más peligroso para una

estructura o máquina?
Es aquel con la menor frecuencia, ya que es el modo que puede
tener mayor desplazamiento. A este modo se le conoce algunas
veces como el modo fundamental.
Nótese que si vi es un eigenvector de B entonces:
Av1 = mk Bvi = mk λi vi .
Se puede concluir que A tiene los mismos eigenvectores que B pero

sus eigenvalores se multiplican por el factor k/m. Así, las dos
frecuencias son q q
k 3k
m y m
Ejercicio
I Repita el análisis para tres masas iguales. La matriz B

correspondiente sería:
 
2 −1 0
−1 2 −1
0 −1 2
Encuentre los eigenvalores y eigenvectores e interprete los tres

diferentes modos a partir de los eigenvectores.
Tarea
1. Encuentre las frecuencias y modos para un sistema con cuatro

masas iguales y resortes iguales. Interprete los modos.
2. Encuentre las frecuencias y los modos para un sistemas con
masas no idénticas y resortes iguales en los siguientes casos.
¿Cómo afecta esto a los modos?
a) Dos masas con m1 = 1 y m2 = 2.
b) Tres masas con m1 = 1, m2 = 2 y m3 = 3.
Métodos Numéricos para Eigenvalores
I Como se mencionó en las secciones anteriores, los eigenvalores

y eigenvectores para una matriz de n × n donde n ≥ 4 se deben
encontrar numéricamente, en lugar de hacerse manualmente.
I Los métodos numéricos que se emplean en la práctica
dependen del significado geométrico de los eigenvalores y
eigenvectores de (1.3).
I La esencia de todos estos métodos se captura en el método de
la Potencia, que se presenta a continuación.
En la ventana de comandos de Matlab introduzca el siguiente

código:
> A = hilb(5)
> x = ones(5,1)
> x = A*x
> el = max(x)
> x = x/el
I Compare el nuevo valor de x con el original.
I Repita las tres últimas líneas.
I Compare el nuevo valor de x con el valor previo y el original.
I Repita los tres últimos comandos una y otra vez hasta que los
valores dejen de cambiar.

código:
> A = hilb(5)
> x = ones(5,1)
> x = A*x
> el = max(x)
> x = x/el

código:
> A = hilb(5)
> x = ones(5,1)
> x = A*x
> el = max(x)
> x = x/el

código:
> A = hilb(5)
> x = ones(5,1)
> x = A*x
> el = max(x)
> x = x/el

código:
> A = hilb(5)
> x = ones(5,1)
> x = A*x
> el = max(x)
> x = x/el
Note que el cambio es menor entre los dos segundos.

código:
> A = hilb(5)
> x = ones(5,1)
> x = A*x
> el = max(x)
> x = x/el

código:
> A = hilb(5)
> x = ones(5,1)
> x = A*x
> el = max(x)
> x = x/el
Habrá completado el llamado Método de la Potencia.
Como ejemplo considérese una matriz de 2 × 2 cuyos eigenvalores

son 2/3 y 2 y cuyos correspondientes eigenvectores son v1 y v2 . Sea
x0 cualquier vector que sea una combinación de v1 y v2 , e.g.,
x0 = v1 + v2
Ahora sea x1 A veces x0 . A partir de (1.3) se tiene que
x1 = Av1 + Av2
(1.18)
= 31 v1 + 2v2 .
Entonces la parte de v1 se estrecha mientras que la de v2 se

agranda.
Repitiendo el proceso k veces, entonces:
x1 = Axk−1
= Ak x0 (1.19)
= 31 v1 + 2k v2 .

xk crece en la dirección de v2 y se estrecha en la dirección de v1 .

Este es el principio del Método de la Potencia, los vectores
multiplicados por A se estrechan en la dirección del eigenvector
cuyo eigenvalor tiene el mayor valor absoluto. También llamado
eigenvalor dominante.
I En aplicaciones como el análisis vibracional, el modo

(eigenvector) con la menor frecuencia (eigenvalor) es el más
peligroso para la máquina o estructura.
I El Método de la Potencia proporciona el mayor eigenvalor, que
es el de frecuencia menos importante.
I Para obtener el eigenvalor de menor frecuencia se utilizará el
Método de la Potencia Inversa
Los siguientes hechos son el corazón del Método de la Potencia
Inversa:
I Si λ es un eigenvalor de A, entonces 1/λ es un eigenvalor de
A−1 .
I Los eigenvectores de A y A−1 son los mismos.
I Si aplicamos el Método de la Potencia a A−1 obtendremos el

eigenvalor de mayor valor absoluto de A−1 , que es exactamente
el recíproco del eigenvalor de menor valor absoluto de A.
I También se obtiene el eigenvector correspondiente, que es un
eigenvector tanto para A como para A−1 .
I Recordemos que en el análisis de modos de vibración, el menor
eigenvalor y su eigenvector corresponde exactamente a la
frecuencia y modo de mayor interés.


Tarea
1. Escriba un programa en Matlab que ejecute el método de la

potencia en la matriz de entrada A. Emplee un ciclo while
para hacer que continue hasta que el valor deje de cambiar
(hasta alguna tol). Agregue un contador en el ciclo para
contar el número de iteraciones. Pruebe su programa en
algunas matrices simétricas aleatorias de varios tamaños
(Consejo: use A = rand(n) y luego A = A*A’). ¿Existe
alguna relación entre el tamaño de la matriz y el número de
iteraciones necesarias o entre el tamaño y el eigenvalor?
2. Escriba un programa que implemente el Método de la Potencia
Inversa, empleando el programa desarrollado en el inciso
anterior como subrutina. Realice entonces el análisis descrito
en este inciso.
Entregue su programas impresos y un breve reporte de las pruebas.
Sesión 3: Eigenvalores, Parte III
Sesión anterior

Ejercicio

Sesión 3: Eigenvalores, Parte III
Sesión del día
5. Método QR
Parte 2: Solución de Ecuaciones Lineales y No Lineales
6. Método de Newton
7. Medición del Error

Método QR
I Los métodos de la potencia y de la Potencia Inversa nos

proporcionan sólo un par eigenvalor-eigenvector.
I Aunque ambos métodos se pueden modificar para proporcionar
más eigenvalores y eigenvectores, existe un método mejor para
obtener todos los eigenvalores llamado método QR.
I El método QR es la base de todo el software moderno para
cálculo de eigenvalores, incluyendo Matlab.
Método QR

Método QR

Método QR
I El metodo QR se basa en el hecho de que cualquier matriz

cuadrada tiene una descomposición QR. I. e., para cualquier A
existen matrices Q y R tal que A = QR, donde Q es ortogonal:
Q−1 = Q0
y R es triangular superior.
I El método QR consiste de los siguientes pasos iterativos:
1. Transforme A en una matriz tridiagonal H.
2. Descomponga H en Q y R.
3. Multiplique Q y R en orden inverso para formar una nueva H.
I La diagonal de H convergerá a los eigenvalores.
Método QR

Q−1 = Q0
Método QR

Q−1 = Q0
Método QR

Q−1 = Q0
Método QR

Q−1 = Q0
Método QR

Q−1 = Q0
Método QR
I Matlab incluye una descomposición QR incorporada, la cual es

llamada con el comando [Q R] = qr(A).
I El siguiente algoritmo implementa el método QR para la
matriz A:
H = hessiana(A)
E = diagonal(H)
cambio = 1
while cambio > 0 do
E0 = E
[Q R] = qr(H)
H = RQ
E = diagonal(H)
cambio = |E−E0 |
end while
Método QR
Tarea
1. Escriba una función que implemente el método QR, que

incluya un criterio de paro basado en un número máximo de
iteraciones. Utilice esta función, con el número máximo de
iteraciones establecido en 1000, en la matriz A = hilb(n) con
n igual a 10, 50, y 200. Emplee la norma para comparar los
resultados de los eigenvalores obtenidos con la función
incorporada de Matlab eig. Entregue una copia impresa de su
función y un reporte breve del experimento.
Resumen de la Parte 1
5. Método QR
Parte II
Solución de Ecuaciones Lineales y No

Lineales
Método de Newton
I En las siguientes sesiones nos enfocaremos en la solución de la

ecuación
f (x) = 0. (2.1)
En muchos problemas de optimización, el paso final es resolver
una ecuación de esta forma donde f es la derivada de una
función, F, que se desea maximizar o minimizar.
I Algunos de los métodos existentes para resolver (2.1) son:
método de bisección, método de la secante y método de
Newton. Todos dependen de un punto inicial cercano (en
algún sentido) a la solución real x∗ .
Método de Newton
I La base del método de Newton es la aproximación de una

función por su linealización en un punto, i. e.
f (x) ≈ f (x0 ) + f 0 (x0 )(x − x0 ). (2.2)
I Ya que deseamos encontrar x tal que f (x) = 0, establezcamos

la parte izquierda (f (x)) de esta aproximación igual a 0 y
despejemos x para obtener:
f (x0 )
x ≈ x0 − . (2.3)
f 0 (x0 )
Método de Newton
I Si iniciamos el método con un estimado inicial x0 , que

esperamos esté cercana a x∗ , entonces podemos definir una
secuencia de puntos x0 , x1 , x2 , x3 , . . . a partir de la fórmula:
f (xi )
xi+1 ≈ xi − , (2.4)
f 0 (xi )
que se deriva de (2.4). Si f (x) es bien comportada cerca de x∗

y x0 está lo suficientemente cerca de x∗ , entonces la secuencia
convergerá a x∗ y lo hará rápidamente.
I El método de Newton converge rápidamente si f 0 (x∗ ) es
diferente de cero y finita y x0 está suficientemente cerca de x∗
para que la aproximación lineal (2.2) sea válida.
Método de Newton
Tarea
1. Suponga que una pelota con coeficiente de elasticidad de 0.9

se deja caer desde una altura de 2 metros en una superficie
dura. Escriba un programa que calcule la distancia recorrida
por la pelota después de n rebotes. Incluya muchos
comentarios en el programa. A prueba y error aproxime que tan
grande debe ser n para que la distancia total deje de cambiar.
Entregue el programa y un breve resumen de los resultados.
2. Para f (x) = x3 − 4, realice 3 iteraciones del método de Newton
con punto inicial x0 = 2. (En papel, pero empleando
calculadora.) Calcule la solución (x∗ = 41/3 ) en una calculadora
y encuentre los errores y porcentajes de error de x0 , x1 , x2 y x3 .
Ponga los resultados en una tabla.
Medición del Error
I Si estamos tratando de resolver numéricamente f (x) = 0,

entonces existen algunas formas de medir el error de nuestra
aproximación. La más directa de éstas es:
Error en el paso n = en = xn − x∗
donde xn es la n-ésima aproximación y x∗ es el valor verdadero.

I Sin embargo, normalmente no sabemos el valor de x∗ , o no
estaríamos tratando de aproximarlo.
I Esto hace imposible conocer el error directamente.
Medición del Error


Medición del Error


Medición del Error
I En lugar de medir que tan cerca está xn de x∗ , es más

conveniente medir que tan cerca está la ecuación de ser
satisfecha, o en otras palabras, que tan cerca f (xn ) está de 0.
I Emplearemos, en muchas situaciones, la cantidad
rn = f (xn ) − 0, llamada el residuo.
I La mayor parte del tiempo, sólo nos interesará el tamaño de
rn , así que emplearemos |rn | = |f (xn )|.
Sesión 4: Solución de Ecuaciones Lineales y No Lineales,
Parte II
Sesión anterior
5. Método QR

Sesión 4: Solución de Ecuaciones Lineales y No Lineales,
Parte II
Sesión del día
8. Método de Bisección
9. Métodos Basados en Aproximaciones por Líneas Secantes

Método de la Secante
Método Regula Falsi
Convergencia
Simulaciones y Experimentos
10. Funciones Vectoriales No Lineales – Método de Newton

Notación vectorial
Aproximación lineal para funciones vectoriales
Método de Newton
Ejercicio
Método de Bisección
Suponga que c = f (a) < 0 y d = f (b) > 0. Si f es continua,

entonces debe ser cero en algún x∗ entre a y b.
I El método de bisección consiste en buscar en la mitad del
trayecto entre a y b el cero de f , i.e. hacer x = (a + b)/2 y
evaluar y = f (x).
I A menos que este punto sea cero, entonces por los signos de c,
d y y podemos decidir que nuevo intervalo subdividir.
I En particular, si c y y tienen el mismo signo, entonces [x, b]
debe ser el nuevo intervalo, pero si c y f tienen diferentes
signos, entonces [a, x] debe ser el nuevo intervalo.
Una ventaja del método de bisección, que no la tiene el método de
Newton, es que siempre sabremos que la solución real x∗ se
encuentra dentro del intervalo [a, b], ya que f (a) y f (b) tienen
signos diferentes. Esto permite saber con seguridad que el error es
siempre menos de la mitad que la longitud del intervalo actual
[a, b]. i.e.
{Error Absoluto} = |x − x∗ | < (b − a)/2, (2.5)
donde x es el punto central entre los a y b actuales.
Figura 3: El método de bisección

Tarea
I Escriba un programa en Matlab que resuelva con el método de

bisección hasta que el error esté limitado a una tolerancia
dada. Use un ciclo while para hacerlo. ¿Cómo debe medirse
el error? Corra su programa en la función f (x) = 2x3 + 3x − 1
con intervalo inicial [0, 1] y una tolerancia de 10−8 . ¿Cuántos
pasos necesita el programa para alcanzar esta tolerancia?
Entregue el programa y un breve resumen de los resultados.
I Realice 3 iteraciones del método de bisección en la función
x3 − 4, con un intervalo inicial [1, 3]. (En papel, pero
empleando calculadora.) Calcule los errores y porcentaje de
errores de x0 , x1 y x2 .
Métodos Basados en Aproximaciones por Líneas Secantes
El método de la secante require dos puntos iniciales x0 y x1 que

estén razonablemente cerca de la solución x∗ . Preferentemente los
signos de y0 = f (x0 ) y y1 = f (x1 ) deben ser diferentes. Una vez que
se determinan x0 y x1 el método procede con la siguiente fórmula:
xi − xi−1
xi+1 = xi − yi (2.6)
yi − yi−1
Ejemplo: Suponga
√ f (x) = x4 − 5 para la cual la solución verdadera
es x∗ = 4 5. La gráfica de la función revelaría que la solución
está alrededor de 1.25. Si hacemos x0 = 1 y x1 = 2 sabemos
que la raíz está entre x0 y x1 . Ahora tenemos que y0 = f (1) − 4
y y1 = f (2) = 11. Podemos calcular x2 de la fórmula (2.6):
2−1 19
x2 = 2 − 11 = ≈ 1.26666 . . . (2.7)
11 − (−4) 15
Empleando x2 = 19/15 en f (x) obtenemos

y2 = f (19/15) ≈ −2.425758 . . .. En el siguiente paso usamos
x1 = 2 y x2 = 19/15 en la fórmula (2.6) para encontrar x3 y
así sucesivamente.
I A continuación se presenta un programa para el método de la
secante. Note que requiere dos condiciones iniciales de entrada
x0 y x1 , pero no requiere como entrada la derivada de f (x).
function x = mysecant(f,x0,x1,n)
format long
format compact
y0 = f(x0);
y1 = f(x1);
for i = 1:n
x = x1 - (x1-x0)*y1/(y1-y0)
y = f(x)
x0 = x1;
y0 = y1;
x1 = x;
y1 = y;
end
Método Regula Falsi
El método Regula Falsi es una combinación del método de la

secante y del método de bisección.
I La idea es emplear líneas secantes para aproximar f (x), pero
escoger cómo actualizar usando el signo de f (xn ).
I Así como en el método de bisección, empezamos con a y b
para los cuales f (a) y f (b) tienen diferentes signos. Entonces
hacemos:
b−a
x = b− f (b). (2.8)
f (b) − f (a)
I Después checamos el signo de f (x). Si es del mismo signo que
f (a) entonces x se convierte en la nueva a. De otra forma,
tenemos que b = x.
Convergencia
I Si empezamos con una buena condición inicial x0 , el método de

Newton convergerá a x∗ rápidamente. El método de la secante
es un poco más lento que el mpetodo de Newton y el método
Regula Falsi es ligeramente más lento que este. Ambos son,
sin embargo, mucho más rápidos que el método de bisección.
I Si no tenemos una buena condición o intervalo iniciales, el
método de la secante, así como el método de Newton pueden
fallar. El método Regular Falsi, de la misma forma que el
método de bisección siempre converge ya que mantiene la
solución dentro de un intervalo definido.
Aunque el método de Newton converge más rápido que los

métodos restantes, existen contextos en los que no es conveniente o
es imposible emplearlo.
I Una situación obvia es cuando es difícil calcular una fórmula
para f 0 (x) aún cuando se conozca una fórmula para f (x). Esto
sucede a menudo cuando f (x) no está definida explícitamente,
sino implícitamente.
I Existen otras situaciones, que son comunes en las áreas de
ingeniería e investigación, cuando ni siquiera se conoce una
fórmula para f (x).
I Esto sucede cuando f (x) es el resultado de un experimento o
simulación en lugar de una fórmula. En tales situaciones, el
método de la secante es usualmente la mejor opción.
Aunque el método de Newton converge más rápido que los

métodos restantes, existen contextos en los que no es conveniente o
es imposible emplearlo.
I Una situación obvia es cuando es difícil calcular una fórmula
para f 0 (x) aún cuando se conozca una fórmula para f (x). Esto
sucede a menudo cuando f (x) no está definida explícitamente,
sino implícitamente.
I Existen otras situaciones, que son comunes en las áreas de
ingeniería e investigación, cuando ni siquiera se conoce una
fórmula para f (x).
I Esto sucede cuando f (x) es el resultado de un experimento o
simulación en lugar de una fórmula. En tales situaciones, el
método de la secante es usualmente la mejor opción.
Tarea
I Use el programa mysecant en f (x) = x3 − 4. Compare los

resultados con los de la Tarea anterior. Después modifique el
programa para aceptar una tolerancia usando un ciclo
while. Entregue el programa y un breve reporte de los
resultados.
I Escriba un programa myregfalsi basado en su programa para
implementar el método Regula Falsi. Empléelo en
f (x) = x3 − 4. Compare los resultados con los del inciso
anterior y con los de la Tarea anterior.
Funciones Vectoriales No Lineales – Método de Newton
Ejemplo El sistema LORAN (LOng RAnge Navigation) calcula la

posición de un barco en el agua empleando señales de
transmisores fijos. A partir de las diferencias en tiempo de las
señales entrantes, el bote obtiene diferencias de distancias
desde los transmisores. Esto resulta en dos ecuaciones, cada
una representando hipérbolas definidas por las diferencias de
distancia de dos puntos (lugar). Un ejemplo de tales
ecuaciones son:
x2 y2
− =1
1862 3002 − 1862
(2.9)
(y − 500)2 (x − 300)2
− = 1.
2792 5002 − 2792
I Resolver dos ecuaciones cuadráticas con dos incógnitas,

requeriría resolver una ecuación polinomial de grado 4. Se
puede hacer esto a mano, pero para que un sistema
navegacional funcione bien, los cálculos se deben hacer
automática y numéricamente. Nótese que el Sistema de
Posicionamiento Global (GPS) funciona bajo principios
similares.
Notación vectorial
I Usualmente resolvemos sistemas de ecuaciones en las que el

número de incógnitas es igual al número de ecuaciones. Así,
nos interesa encontrar soluciones a sistemas de la forma:
f1 (x1 , x2 , x3 , . . . , xn ) = 0
f2 (x1 , x2 , x3 , . . . , xn ) = 0
f3 (x1 , x2 , x3 , . . . , xn ) = 0 (2.10)
..
.
fn (x1 , x2 , x3 , . . . , xn ) = 0.
Notación vectorial
I Podemos pensar en (x1 , x2 , x3 , . . . , xn ) como un vector x y en

(f1 , f2 , f3 , . . . , fn ) como una función vectorial f. Con esta
notación, podemos reescribir el sistema de ecuaciones (2.10)
como:
f(x) = 0. (2.11)
i.e. queremos encontrar un vector que haga que la función
vectorial sea igual al vector cero.
I Como en el método de Newton para una variable, necesitamos
iniciar con una condición inicial x0 . En teoría, entre más
variables, más difícil encontrar una buena condición inicial. En
la práctica, esto se puede solucionar empleando el
conocimiento físico sobre los posibles valores de la solución.
Una vez escogida x0 , tenemos
∆x = x1 − x0 (2.12)
Aproximación lineal para funciones vectoriales
I En el caso de una sola variable, el método de Newton se derivó
considerando la aproximación lineal de la función f alrededor
de la condición inicial x0 . Del Cálculo, la aproximación lineal de
f alrededor de x0 , para vectores y funciones vectoriales, es:
f(x) ≈ f(x0 ) + [J f(x0 )] (x − x0 ). (2.13)
I [J f(x0 )] es una matriz Jacobiana de n × n cuyas entradas son
las derivadas parciales de las componentes de f:
 
∂ f1 ∂ f1 ∂ f1 ∂ f1
· · ·
 ∂ x1 x0 ∂ x2 x0 ∂ x3 x0 ∂ xn x 

0
 
 
 ∂ f2 ∂ f2 ∂ f2 ∂ f2 
[J f(x0 )] =  ∂ x1 x0 ∂ x2 x0 ∂ x3 x0 · · · ∂ xn x0  . (2.14)
 
 . .. .. .. 
 . ..
 . . . . . 

 ∂f ∂ fn ∂ fn
· · · ∂∂xfnn
n 
∂ x1
x0 ∂ x2 x0 ∂ x3 x0 x0
Método de Newton
I Deseamos encontrar x que haga que f sea igual al vector cero,

así que debemos escoger x1 tal que
f(x0 ) + [J f(x0 )] (x1 − x0 ) = 0.
I Ya que [J f (x0 )] es una matriz cuadrada, podemos resolver esta

ecuación de la forma
x1 = x0 − [J f(x0 )]−1 f(x0 ),
en el caso de que la inversa exista.

Método de Newton
Sin embargo, en la práctica no se emplea la inversa de la matriz, en

su lugar podemos primero resolver la ecuación
[J f(x0 )] ∆x = −f(x0 ). (2.15)
Ya que [J f (x0 )] es una matriz conocida y −f(x0 ) es un vector

conocido, esta ecuación es simplemente un sistema de ecuaciones
lineales, que se puede resolver eficientemente con precisión. Una
vez que el vector solución ∆x es obtenido, podemos obtener nuestro
estimado mejorado x1 :
x1 = x0 + ∆x.
I Resuelva [J f(x0 )] ∆x = −f(x0 ) para ∆x.

I Haga xi+1 = xi + ∆x.
Ejercicio
I Resolveremos el siguiente conjunto de ecuaciones:
x3 + y = 1
(2.16)
y3 − x = −1.
I Se puede fácilmente ver que (x, y) = (1, 0) es una solución para

este sistema. Graficando ambas ecuaciones se puede ver que
(1, 0) es la única solución (Figura 4).
Ejercicio
Figura 4: Gráfica de las ecuaciones x3 + y = 1 y y3 − x = −1. Existe una y sólo una intersección; en
(x, y) = (1, 0)
Ejercicio
I Podemos poner estas ecuaciones en forma vectorial haciendo

x1 = x, x2 = y y
f1 (x1 , x2 ) = x13 + x2 − 1
(2.17)
f2 (x1 , x2 ) = x22 − x1 + 1,
o, equivalentemente
3
x1 + x2 − 1
f(x) = 3 . (2.18)
x2 − x1 + 1
Ejercicio
I Escriba el siguiente programa script:

format long
f = inline(’[x(1)ˆ3+x(2)-1; x(2)ˆ3-x(1)+1]’);
x = [.5; .5]
x = fsolve(f,x)
I Guarde el programa como mysolve.m y córralo. Puede ver que
el comando interno de Matlab fsolve aproxima la solución,
pero sólo a cerca de 7 decimales. Mientras que esto puede ser
suficientemente aproximado para la mayoría de las
aplicaciones, uno podría esperar una mejor aproximación para
un problema tan simple.
Ejercicio
I Ahora implementaremos el método de Newton para este

problema. Modifique su programa mysolve a:
format long
n = 8
f = inline(’[x(1)ˆ3+x(2)-1; x(2)ˆ3-x(1)+1]’);
J = inline(’[3*x(1)ˆ2, 1; -1, 3x(2)ˆ2]’);
x = [.5; .5]
for i = 1:n
Dx = -J(x)\f(x);
x = x + Dx
f(x)
end
I Guarde el programa como mymultnewton y córralo y veremos
que encuentra la raíz exacta (a la precisión de la máquina) en
sólo 6 iteraciones.
Ejercicio

format long
n = 8
f = inline(’[x(1)ˆ3+x(2)-1; x(2)ˆ3-x(1)+1]’);
J = inline(’[3*x(1)ˆ2, 1; -1, 3x(2)ˆ2]’);
x = [.5; .5]
for i = 1:n
Dx = -J(x)\f(x);
x = x + Dx
f(x)
end
Ejercicio

format long
n = 8
f = inline(’[x(1)ˆ3+x(2)-1; x(2)ˆ3-x(1)+1]’);
J = inline(’[3*x(1)ˆ2, 1; -1, 3x(2)ˆ2]’);
x = [.5; .5]
for i = 1:n
Dx = -J(x)\f(x);
x = x + Dx
f(x)
end
Ejercicio

format long
n = 8
f = inline(’[x(1)ˆ3+x(2)-1; x(2)ˆ3-x(1)+1]’);
J = inline(’[3*x(1)ˆ2, 1; -1, 3x(2)ˆ2]’);
x = [.5; .5]
for i = 1:n
Dx = -J(x)\f(x);
x = x + Dx
f(x)
end
Ejercicio

format long
n = 8
f = inline(’[x(1)ˆ3+x(2)-1; x(2)ˆ3-x(1)+1]’);
J = inline(’[3*x(1)ˆ2, 1; -1, 3x(2)ˆ2]’);
x = [.5; .5]
for i = 1:n
Dx = -J(x)\f(x);
x = x + Dx
f(x)
end
Ejercicio

format long
n = 8
f = inline(’[x(1)ˆ3+x(2)-1; x(2)ˆ3-x(1)+1]’);
J = inline(’[3*x(1)ˆ2, 1; -1, 3x(2)ˆ2]’);
x = [.5; .5]
for i = 1:n
Dx = -J(x)\f(x);
x = x + Dx
f(x)
end
Ejercicio

format long
n = 8
f = inline(’[x(1)ˆ3+x(2)-1; x(2)ˆ3-x(1)+1]’);
J = inline(’[3*x(1)ˆ2, 1; -1, 3x(2)ˆ2]’);
x = [.5; .5]
for i = 1:n
Dx = -J(x)\f(x);
x = x + Dx
f(x)
end
Ejercicio

format long
n = 8
f = inline(’[x(1)ˆ3+x(2)-1; x(2)ˆ3-x(1)+1]’);
J = inline(’[3*x(1)ˆ2, 1; -1, 3x(2)ˆ2]’);
x = [.5; .5]
for i = 1:n
Dx = -J(x)\f(x);
x = x + Dx
f(x)
end
Tarea
Adapte el programa mymultnewton para encontrar una solución al

par de ecuaciones en el ejemplo LORAN. ¡Estas ecuaciones tienen
en realidad 4 diferentes soluciones! Vea cuantas puede encontrar
intentando con diferentes condiciones iniciales. Piense en al menos
una forma en la que el sistema de navegación pueda determinar
cuál es la correcta.
Resumen de la Parte 2
8. Método de Bisección
9. Métodos Basados en Aproximaciones por Líneas Secantes
10. Funciones Vectoriales No Lineales – Método de Newton

Main Beamer

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Main Beamer

Diunggah oleh

Hak Cipta:

Format Tersedia

Herramientas Computacionales de Simulación

Dr. Manuel A. Andrade

Universidad Autónoma de Nuevo León

Agosto – Diciembre 2010

Aplicación de Matrices en Ingeniería

1. Introducción a Sistemas Lineales

I Los sistemas de ecuaciones lineales aparecen naturalmente en

I Se ha vuelto una práctica común en muchas áreas, analizar un

El siguiente conjunto de ecuaciones describen las tensiones y

donde Ti representa la tensión en el i-ésimo miembro de la

Este sistema podría resolverse a mano, sistemáticamente

La primera clave para resolver sistemas lineales es saber que son

es equivalente a la ecuación matricial,

que es equivalente a la matriz aumentada,

La matriz aumentada para el sistema de ecuaciones ecuaciones de

Nótese que muchas de las entradas son 0. Matrices como esta,

I Suponga que A es una matriz cuadrada de (n × n). Se dice que

I Geométricamente esto significa que Av está en la misma

Matlab tiene integrada una rutina para el cálculo de eigenvalores y

El resultado es una matriz v que contiene los eigenvectores como

Nótese que (1.3) puede reescribirse como:

Aunque no se puede factorizar v de la parte derecha de la ecuación,

Si v es no cero, entonces por el Teorema 1, la matriz (A − λ I) debe

A esto se le conoce como ecuación característica.

Para una matriz de 2 × 2, (A − λ I) se calcula como en el siguiente

La ecuación característica det(A − λ I) = 0 es simplemente la

Para encontrar los eigenvectores correspondientes regresaremos a la

Nótese que el primer y segundo renglones de esta matriz son

Ya que sólo importa la dirección de los eigenvectores, sólo es

Para λ2 = −1, (A − λ I)v = 0 es equivalente a la matriz aumentada:

Nuevamente el primer y segundo renglones de esta matriz son

I Para una matriz de (3 × 3) se puede seguir el mismo proceso.

Para λ2 = −1, (A − λ I)v = 0 es equivalente a la matriz aumentada:

Nuevamente el primer y segundo renglones de esta matriz son

I Para una matriz de (3 × 3) se puede seguir el mismo proceso.

Para λ2 = −1, (A − λ I)v = 0 es equivalente a la matriz aumentada:

Nuevamente el primer y segundo renglones de esta matriz son

I Para una matriz de (3 × 3) se puede seguir el mismo proceso.

1. Para una matriz de n × n este proceso es largo y problemático

Los eigenvalores de algunas matrices son números complejos, aún

Los eigenvectores correspondientes también serán pares conjugados:

En aplicaciones, la parte imaginaria del eigenvalor, β , comúnmente

1. Encuentre, a mano, los eigenvalores y eigenvectores de la

1. Introducción a Sistemas Lineales

3. Una Aplicación de Eigenvectores: Modos vibracionales

4. Métodos Numéricos para Eigenvalores

Una aplicación de eigenvalores y eigenvectores se encuentra en el

Sea x1 el desplazamiento de la primera masa y x2 el desplazamiento

Dividiendo ambos lados de (1.14) por m se puede escribir este

La solución general, para este tipo de ecuación es:

donde λ1,2 son los eigenvalores de B, cuyos eigenvectores asociados

Esto debe producir una matriz v cuyas columnas son los

I En el primer eigenvector, v1 , las entradas son iguales. Esto

I En el primer eigenvector, v1 , las entradas son iguales. Esto

I En el primer eigenvector, v1 , las entradas son iguales. Esto

Figura 2: Dos modos vibracionales de un sistema oscilatorio simple.

¿Cuál de los dos modos es el más peligroso para una

Nótese que si vi es un eigenvector de B entonces:

Se puede concluir que A tiene los mismos eigenvectores que B pero

I Repita el análisis para tres masas iguales. La matriz B

Encuentre los eigenvalores y eigenvectores e interprete los tres

1. Encuentre las frecuencias y modos para un sistema con cuatro

I Como se mencionó en las secciones anteriores, los eigenvalores