DESCOMPOSICIN LU

Su nombre se deriva de las palabras inglesas "Lower" y "Upper", que en espaol se traducen como "Inferior" y
"Superior". Estudiando el proceso que se sigue en la descomposicin LU es posible comprender el por qu de
este nombre, analizando cmo una matriz original se descompone en dos matrices triangulares, una superior
y otra inferior.
La descomposicin LU involucra solo operaciones sobre los coeficientes de la matriz [A], proporcionando un
medio eficiente para calcular la matriz inversa o resolver sistemas de lgebra lineal.
Primeramente se debe obtener la matriz [L] y la matriz [U].
[L] es una matriz diagonal inferior con nmeros 1 sobre la diagonal. [U] es una matriz diagonal superior en la
que sobre la diagonal no necesariamente tiene que haber nmeros 1.
El primer paso es descomponer o transformar [A] en [L] y [U], es decir obtener la matriz triangular inferior [L] y
la matriz triangular superior [U].

PASOS PARA ENCONTRAR LA MATRIZ TRIANGULAR
SUPERIOR (MATRIZ [U])
1. Hacer cero todos los valores abajo del pivote sin convertir este en 1.
2. Para lograr lo anterior se requiere obtener un factor el cual es necesario para convertir a cero
los valores abajo del pivote.
3. Dicho factor es igual al nmero que se desea convertir en cero entre el nmero pivote.
4. Este factor multiplicado por -1 se multiplica luego por el pivote y a ese resultado se le suma el valor que
se encuentra en la posicin a cambiar (el valor en la posicin que se convertir en cero). Esto es:
- factor * pivote + posicin a cambiar

PASOS PARA ENCONTRAR LA MATRIZ TRIANGULAR
INFERIOR (MATRIZ [L])
Para encontrar la matriz triangular inferior se busca hacer ceros los valores de arriba de cada pivote, as como
tambin convertir en 1 cada pivote. Se utiliza el mismo concepto de "factor" explicado anteriormente y se
ubican todos los "factores" debajo de la diagonal segn corresponda en cada uno.
Esquemticamente se busca lo siguiente:

Originalmente se tena:

Debido a que [A] = [L][U], al encontrar [L] y [U] a partir de [A] no se altera en nada la ecuacin y se tiene lo
siguiente:


Por lo tanto, si Ax = b, entonces LUx = b, de manera que Ax = LUx = b.
PASOS PARA RESOLVER UN SISTEMA DE ECUACIONES POR EL MTODO DE DESCOMPOSICIN LU
1. Obtener la matriz triangular inferior L y la matriz triangular superior U.
2. Resolver Ly = b (para encontrar y).
3. El resultado del paso anterior se guarda en una matriz nueva de nombre "y".
4. Realizar Ux = y (para encontrar x).
5. El resultado del paso anterior se almacena en una matriz nueva llamada "x", la cual brinda
los valores correspondientes a las incgnitas de la ecuacin.
EJEMPLO 1 DE DESCOMPOSICIN LU
PROBLEMA: Encontrar los valores de x1, x2 y x3 para el siguiente sistema de ecuaciones:

NOTA: Recurdese que si la matriz es 2x2 se har 1 iteracin; si es 3x3, 2 iteraciones; si es 4x4, 3
iteraciones; y as sucesivamente.
SOLUCIN:

4 - 2 - 1

9
[A] = 5 1 - 1

[B] = 7

1 2 - 4

12
ITERACIN 1
factor 1 = (a21 / a11) = 5 / 4 = 1.25
factor 2 = (a31 / a11) = 1 / 4 = 0.25
Encontrando [U]
fila 2 = - (factor 1) * (fila 1) + (fila 2)
fila 3 = - (factor 2) * (fila 1) + (fila 3)
a11 = a11
a12 = a12
a13 = a13
a21 = - (1.25) * (4) + (5) = 0
a22 = - (1.25) * (- 2) + (1) = 3.5
a23 = - (1.25) + (- 1) + (- 1) = 0.25
a31 = - (0.25) * (4) + (1) = 0
a32 = - (0.25) * (- 2) + (2) = 2.5
a33 = - (0.25) * (- 1) + (- 1) = - 0.75

4 - 2 - 1
[U] = 0 3.5 0.25

0 2.5 - 0.75
Encontrando [L]

1 0 0
[L] = 1.25 0 0

0.25 0 0
ITERACIN 2
factor 3 = (u32 / u22) = 2.5 / 3.5 = 0.7142857143
Encontrando [U]
fila 3 = - (factor 3) * (fila 2) + (fila 3)
a31 = - (2.5 / 3.5) * (0) + (0) = 0
a32 = - (2.5 / 3.5) * (3.5) + (2.5) = 0
a33 = - (2.5 / 3.5) * (0.25) + (- 0.75) = - 0.9285714286

4 - 2 - 1
[U] = 0 3.5 0.25

0 0 - 0.9285714286
Encontrando [L]

1 0 0
[L] = 1.25 1 0

0.25 0.7142857143 1
Ahora ya se tiene la matriz [U] y la matriz [L]. El siguiente paso es resolver
Ly = b para encontrar la matriz y. En pocas palabras es como que se pidiera resolver el siguiente sistema de
ecuaciones, encontrando los valores de y1, y2 y y3:

Al resolver el sistema anterior, se obtienen los siguientes valores para y1, y2 y y3:

El ltimo paso es resolver Ux = y para encontrar la matriz x. En otras palabras es como que se pidiera resolver
el siguiente sistema de ecuaciones, encontrando los valores de x1, x2 y x3:

La solucin del sistema es:

Este es finalmente el valor de x1, x2 y x3; es decir, la respuesta del ejercicio utilizando la descomposicin LU.



MTODO DE GAUSS-SEIDEL
El mtodo de Gauss-Seidel es un mtodo iterativo y por lo mismo resulta ser bastante eficiente. Se comienza
planteando el sistema de ecuaciones con el que se va a trabajar:

De la ecuacin 1 despejar x1, de la ecuacin 2 despejar x2, , de la ecuacin n despejar xn. Esto da el
siguiente conjunto de ecuaciones:

Este ltimo conjunto de ecuaciones son las que forman las frmulas iterativas con las que se va a estar
trabajando. Para comenzar el proceso iterativo, se le da el valor de cero a las variables x2,, xn; esto dar un
primer valor para x1. Ms precisamente, se tiene que:

Enseguida, se sustituye este valor de x1 en la ecuacin 2, y las variables x3,, xn siguen teniendo el valor de
cero. Esto da el siguiente valor para x2:

Estos ltimos valores de x1 y x2, se sustituyen en la ecuacin 3, mientras que x4,, xn siguen teniendo el
valor de cero; y as sucesivamente hasta llegar a la ltima ecuacin. Todo este paso arrojar una lista de
primeros valores para las incgnitas, la cual conforma el primer paso en el proceso iterativo. Para una mejor
comprensin esto se simbolizar de esta forma:

Se vuelve a repetir el proceso, pero ahora sustituyendo estos ltimos datos en vez de ceros como al inicio. Se
obtendr una segunda lista de valores para cada una de las incgnitas, lo cual se simbolizar as:

En este momento se pueden calcular los errores aproximados relativos, respecto a cada una de las
incgnitas. La lista de errores se presenta a continuacin:

El proceso se vuelve a repetir hasta que:

donde se debe prefijar convenientemente.

EJEMPLO 1 DEL MTODO DE GAUSS-SEIDEL
PROBLEMA: Usar el mtodo de Gauss-Seidel para aproximar la solucin del sistema:

hasta que
SOLUCIN:
Primero se despejan las incgnitas x1, x2 y x3 de las ecuaciones 1, 2 y 3 respectivamente. Se tiene:

Estas ltimas son el juego de frmulas iterativas que se estar utilizando.
Se comienza el proceso iterativo sustituyendo los valores de x2 = x3 = 0 en la primera ecuacin, para calcular
el valor de x1:

Ahora se sustituye y x3 = 0 en la segunda ecuacin para obtener x2:

Ahora se sustituye y en la tercera ecuacin para obtener x3:

As se tiene la primera aproximacin a la solucin del sistema:




Mtodo de Krylov
Las matrices de orden nxn no singulares poseen un polinomio caractersco ; las races de este
polinomio son llamados valores caractersticos (eigenvalores) y cada valor caracterstico tiene asociado
un vector caracterstico (eigenvector).
Iniciando con la determinacion del polinomio caracterstico. El polinomio caracterstico de la matriz A se
obtiene por medio de la expresin:
|A I | = 0 (1)
El resultado de este determinante es un polinomio en funcin de de grado igual al orden de la matriz A, en
este caso, de orden n. Este polinomio caracterstico posee n races, o valores caractersticos ; por lo cual,
la matriz A de orden n posee n valores caractersticos.
El polinomio caracterstico es de la forma:
a0n + a1n1 + a2n2 + ... + an1 + an= 0 (2)
El mtodo de Krylov se fundamenta en la aplicacin del Teorema de Cayley-Hamilton, mismo que
establece que toda matriz A verifica su ecuacin caracterstica:
F (A) = 0 (3)
Es decir, si sustituimos a la matriz A en el polinomio, el resultado debera ser cero. Sin embargo,
operativamente es necesario hacer algunos comentarios. De inicio, la matriz A es de orden n, por lo cual la
sustitucin arrojar un sistema de n ecuaciones lineales; en consecuencia, el coeficiente a0 deber ser
diferente de cero. Resulta conveniente hacer que este coeficiente sea la unidad, por lo cual se divide el
polinomio entero por a0, resultando:
n + b1 n1 + b2 n2 + ... + bn1 + bn= 0 (4)
Donde los coeficientes bi se obtienen como bi = ai/a0. Aplicando el teorema de Cayley-Hamilton en el
polinomio anterior:
F (A) = An + b1An1 + b2An2 + ... + bn1A + bnI = 0 (5)
El polinomio 5 representa un sistema de ecuaciones lineales cuyas incgnitas son los coeficientes bi .
La solucin de este sistema nos proporciona los coeficientes bi que sustituidos en el polinomio 4 nos
proporciona el polinomio caracterstico de A.
Una forma sencilla de realizar este procedimiento es simplificar la elevacin de la matriz A a las
potencias necesarias. Esto se logra multiplicando la matriz A por un vector y compatible diferente de
cero. Debe recordarse que la multiplicacin de una matriz por un vector compatibles arroja un vector.
Este vector y puede ser libremente elegido, proponindose que su conformacin permita realizar de
mejor forma las operaciones. Una buena eleccin es elegir al vector con la forma:
y = | 1 |
| 0 |
| 0 |
|... |
| 0 |
Ubicando al elemento 1 en una posicion estrategica de acuerdo con los coeficientes de A de tal forma que se
minimicen las operaciones.
Atendiendo a la anterior recomendacin, el sistema que de la forma:
An y + b1 An1 y + b2An2 y + ... + bn1Ay + bnyI = 0 (6)
Finalmente, el sistema de ecuaciones puede ser resuelto por el mtodo de preferencia.



Obtencin de Eigenvalores y Eigenvectores
Valor propio
Se dice que el nmero , real o complejo, es un valor propio A si existe un vector no nulo u, real o complejo tal
que
Au = u, es decir (A I )u = 0
Vector propio
El vector u se denomina vector propio de A asociado al valor propio .
Polinomio caracterstico
En general, el polinomio que resulta de desarrollar |A I|, cuyos ceros son precisamente los valores propios de
A, se denomina polinomio caracterstico.



Radio espectral
Se denomina radio espectral de una matriz A al valor (A) = max1in|i|
Valores propios de una matriz cualquiera
Si es complejo, entonces u es complejo.
Los valores propios de B = C1
AC son los mismos de A. Si x es el vector propio asociado a , entonces Cx es un vector propio de B asociado a .
Valores propios de matrices simtricas
Si D es la matriz diagonal cuyos elementos diagonales son los valores propios de A, entonces existe una matriz
ortogonal Q tal que D = Q^1 AQ = Q^t AQ.
Asimismo, existen n vectores propios de A que forman un conjunto ortonormal, y coinciden con las columnas de
la matriz ortogonal Q.
Todos los valores propios de A son reales.
A es denida positiva si y slo si todos los valores propios de A son positivos.
Ejemplo
Considrese la matriz

que representa un operador lineal R R. Si se desea computar todos los valores propios de A, se
podra empezar determinando el polinomio caracterstico:


y porque p(x) = - (x - 2)(x - 1)(x + 1) se ve que los valores propios de A son 2, 1 y -1. El teorema
de Cayley-Hamilton establece que cada matriz cuadrada satisface su propio polinomio
caracterstico. Es decir

Efectivamente, para el caso del valor propio 2, se puede comprobar que

de donde (1, 1, -1) es un vector propio asociado a 2.





Mtodo de diferencias finitas
El Mtodo de Diferencias Finitas es un mtodo de carcter general que permite la
resolucin aproximada de ecuaciones diferenciales en derivadas parciales
definidas en recintos finitos. Es de una gran sencillez conceptual y constituye un
procedimiento muy adecuado para la resolucin de una ecuacin bidimensional
como la que hemos planteado.
El primer paso para la aplicacin del mtodo consiste en discretizar el
recinto del plano en el que se quiere resolver la ecuacin con una malla, por
conveniencia cuadrada. Los puntos de la malla estn separados una
distancia h en ambas direcciones x e y.
Podemos desarrollar T(x,y) en serie de Taylor alrededor de un punto:




Sumando miembro a miembro, agrupando, despreciando los trminos o(h
3
) y
despejando el trmino de la derivada segunda resulta:


De forma similar se obtiene la expresin equivalente:

Pero de la ecuacin de Laplace:

por lo tanto:


Mtodo de mnimos cuadrados
El mtodo de mnimos cuadrados sirve para interpolar valores,
dicho en otras palabras, se usa para buscar valores desconocidos
usando como referencia otras muestras del mismo evento.
El mtodo consiste en acercar una lnea o una curva, segn se
escoja, lo ms posible a los puntos determinados por la
coordenadas [x, f(x)], que normalmente corresponden a
muestras de algn experimento.
Cabe aclarar que este mtodo, aunque es sencillo de implantar
no es del todo preciso, pero si proporciona una interpolacin
aceptable.
Como se coment previamente se puede usar una recta o una
curva como base para calcular nuevos valores.
A continuacin se muestra el diagrama de flujo de datos del mtodos de
mnimos cuadrados: