Sistemas de Ecuaciones

Lineales I
Preliminares: Expresi on matricial. Dicultades num ericas.
521230 - 1 - DIM Universidad de Concepci on
Expresi on matricial
Todo sistema de ecuaciones lineales puede escribirse matricialmente:
_

_
a
11
x
1
+ + a
1n
x
n
= b
1
.
.
.
.
.
.
a
n1
x
1
+ + a
nn
x
n
= b
n
Ax = b,
donde
A :=
_
_
_
_
_
a
11
a
1n
.
.
.
.
.
.
a
n1
a
nn
_
_
_
_
_
R
nn
y b =
_
_
_
_
_
b
1
.
.
.
b
n
_
_
_
_
_
R
n
son los datos y x =
_
_
_
_
_
x
1
.
.
.
x
n
_
_
_
_
_
R
n
es el vector de inc ognitas.
521230 - 2 - DIM Universidad de Concepci on
Matriz inversa
El sistema de ecuaciones lineales Ax = b tiene soluci on unica si y s olo si A
es una matriz no singular.
Recordemos que una matriz A R
nn
es no singular si y s olo si se cumple
cualquiera de estas condiciones:
1. A es invertible: A
1
R
nn
: AA
1
= A
1
A = I;
2. det(A) = 0;
3. todas las las (y columnas) de A son l.i.: rango(A) = n.
4. 0 no es valor propio de A: 0 / (A).
Si A es no singular, entonces
Ax = b x = A
1
b.
Sin embargo, en general, no es conveniente calcular la matriz inversa A
1
para resolver un sistema de ecuaciones, pues hacerlo as resulta mucho m as
costoso computacionalmente.
521230 - 3 - DIM Universidad de Concepci on
Matriz inversa (cont.)
Por el contrario, una manera natural de calcular la inversa de una matriz
A R
nn
consiste en resolver n sistemas de ecuaciones lineales. Si
llamamos c
1
, . . . , c
n
a las columnas de A
1
:
A
1
=
_

_
c
1

c
n
_

_
, c
1
, . . . , c
n
R
n
,
entonces
_

_
Ac
1

Ac
n
_

_
= A
_

_
c
1

c
n
_

_
= AA
1
= I =
_

_
e
1

e
n
_

_
,
donde las columnas e
1
, . . . , e
n
de I son los vectores de la base can onica de
R
n
. Por lo tanto, A
1
puede calcularse columna por columna resolviendo:
Ac
i
= e
i
, i = 1, . . . , n.
521230 - 4 - DIM Universidad de Concepci on
Dicultades num ericas
Los siguientes aspectos deben tenerse en cuenta al dise nar un algoritmo para
resolver un sistema de ecuaciones lineales:
Costo operacional. El tiempo de c alculo del computador necesario para
resolver el sistema debe ser lo menor posible.
Una medida standard del costo operacional es la cantidad de operaciones
aritm eticas (+, , , /) que requiere un algoritmo.

Este usualmente se
expresa en op (oating point operations).
Costo de almacenamiento. La cantidad de posiciones de memoria que
requiere el computador para ejecutar un algoritmo (representaci on de los
datos, variables auxiliares, etc.) tambi en debe ser la menor posible.
Precisi on de los resultados. Los algoritmos deben ser estables, en el sentido
de amplicar lo menos posible los errores de los datos y los de redondeo.
521230 - 5 - DIM Universidad de Concepci on
Costo operacional
Los sistemas que aparecen en muchas aplicaciones son de gran tama no. Un
sistema de 1000 1000 hoy se considera de tama no moderado y en algunas
aplicaciones deben resolverse sistemas de ecuaciones con cientos de miles de
inc ognitas.
Hay m etodos que en teora permiten resolver cualquier sistema de ecuaciones
lineales, pero que en la pr actica requieren tiempos de c alculo prohibitivos.
Mal ejemplo: Regla de Cramer. Este procedimiento permite calcular
explcitamente la soluci on de un sistema Ax = b mediante:
x
i
=
det(A
i
)
det(A)
, i = 1, . . . , n,
donde A
i
es la matriz que se obtiene a partir de A reemplaz ando en esta su
columna i- esima por el segundo miembro b.
Si los determinantes se calculan mediante la f ormula recursiva usual de
desarrollo por la (o por columna), el costo operacional de la Regla de Cramer
es de aproximadamente (n + 1)! op.
521230 - 6 - DIM Universidad de Concepci on
Costo operacional (cont.)
Buen ejemplo: M etodo de Eliminaci on Gaussiana. Este procedimiento se
basa en el m etodo algebraico de transformaciones elementales. Su costo
operacional veremos que es de aproximadamente
2
3
n
3
op.
Comparaci on:
En un computador de 1Gop (10
9
op) por segundo:
n 10 15 20 100 1000 2000
Regla de Cramer
op 4 10
7
2 10
13
5 10
19
10
160

tiempo 0.04s 5.5 horas 1500 a nos
Eliminaci on Gaussiana
op 666 2250 5333 7 10
5
7 10
8
5 10
9
tiempo 0. s 0. s 0. s 0s 0.73s 4.88s
521230 - 7 - DIM Universidad de Concepci on
Costo de almacenamiento
En muchas aplicaciones los sistemas de ecuaciones lineales que deben
resolverse involucran matrices de gran tama no, pero tales que la mayor parte
de sus entradas son nulas.
Estas matrices se denominan dispersas o ralas (en ingl es y en MATLAB,
sparse) y existen t ecnicas para almacenarlas que s olo requieren una cantidad
de posiciones de memoria aproximadamente igual al n umero de entradas no
nulas de la matriz.
Los m etodos algebraicos usuales (por ejemplo el de transformaciones
elementales) requieren modicar la matriz original del sistema y, muchas
veces, destruyen el car acter disperso de la misma.
Para evitar esto, estudiaremos tambi en otros procedimientos (m etodos
iterativos) que no modican la matriz del sistema, por lo que resultar an m as
convenientes desde el punto de vista del costo de almacenamiento.
Estos m etodos no se basan en calcular la soluci on exacta del sistema, sino en
construir iterativamente aproximaciones cada vez mejores de la misma.
521230 - 8 - DIM Universidad de Concepci on
Precisi on de los resultados
La resoluci on de un sistema de ecuaciones lineales en el computador involucra
la propagaci on de errores en los datos y errores de redondeo. Por ello:
1. Hay que disponer de alguna t ecnica que permita predecir cuando la
resoluci on de un sistema de ecuaciones puede propagar dr asticamente
estos errores.
2. Hay que dise nar m etodos num ericos estables, que reduzcan la propagaci on
de los errores de redondeo tanto como sea posible.
3. Hay que dise nar t ecnicas computacionales que nos permitan, despu es de
calcular la soluci on de un sistema de ecuaciones, estimar a posteriori la
precisi on de la soluci on calculada. Es decir, testear si el error con el que se
la calcul o est a por debajo de una tolerancia aceptable.
521230 - 9 - DIM Universidad de Concepci on