INTRODUCCIÓN

El objetivo del Análisis Numérico es proporcionar métodos convenientes para obtener soluciones
útiles (resultados numéricos) de ciertos problemas matemáticos. En ciertos casos, puede ocurrir
que, aunque el problema tenga solución y ésta sea única, no exista un método analítico que nos la
permita calcular (por ejemplo, en el cálculo de ciertas integrales). En otros casos, sí existen métodos
analíticos que nos conducen a la solución exacta, pero éstos pueden requerir un gran número de
operaciones o no ser admisibles para su implementación en un ordenador; por ejemplo, según se
ha visto en la resolución de sistemas lineales, la regla de Cramer conducía a la solución exacta, pero
en la práctica, esto no será cierto para sistemas con una cierta dimensión, por el elevado número
de operaciones que requiere. En los casos anteriormente planteados, se buscan soluciones que, sin
coincidir plenamente con la solución exacta del problema se aproximen a ella tanto como sea
posible. En definitiva, el Análisis Numérico es una parte de las Matemáticas que estudia los métodos
constructivos para la resolución de problemas matemáticos de una forma aproximada. El conjunto
de reglas que definen el método numérico recibe el nombre de algoritmo. El fin de todo algoritmo
es llegar a un programa, que implementado en un ordenador, proporcione la solución del problema
planteado. Interesará, obviamente, elegir algoritmos que produzcan resultados lo más precisos
posibles.
MATRIZ ORTOGONAL
Una matriz ortogonal es una matriz cuadrada cuya matriz inversa coincide con su matriz traspuesta.
El conjunto de matrices ortogonales constituyen una representación lineal del grupo ortogonal.
Geométricamente las matrices ortogonales representan transformaciones isométricas en espacios
vectoriales reales1 (o más exactamente espacios de Hilbert reales) llamadas justamente,
transformaciones ortogonales. Estas transformaciones son isomorfismos internos del espacio
vectorial en cuestión. En el caso real dichas transformaciones pueden ser rotaciones, reflexiones
especulares o inversiones y son usadas extensivamente en computación gráfica. Por sus
propiedades, también son usadas para el estudio de ciertos fibrados y en física se las usa en el
estudio del movimiento de cuerpos rígidos y en la formulación de ciertas teorías de campos.

TEOREMA
A n × n: A es ortogonal ssi AT · A = I.

Observe que el teorema anterior se deduce de que para dos vectores x y y en Rn , x • y = x ′ · y:

Con lo anterior se deduce que cuando se hace AT·v se calcula un vector donde cada componente es
el producto punto de la columna correspondiente de A con el vector v. Con lo anterior se deduce
que cuando se calcula AT · A la matriz resultante tiene en la posición (i, j) justo ai • aj es decir, el
producto punto de la columna i de A con la columna j de A. De esta forma: AT · A = I si y solo si se
tiene que las columnas de A son ortogonales y que tienen norma 1. Con la observación anterior
presente podemos hacer el ejemplo 1 más fácilmente.

Ejemplo 1 Indique si el conjunto formado por los siguientes vectores es ortogonal

Y calculamos AT · A:

que sean cero los elementos que están fuera de la diagonal principal indica que el conjunto es
ortogonal.
Ejemplo 2 Determina los valores de x, y y z para que el conjunto de vectores

sea ortogonal. Formamos la matriz A cuyas columnas son los vectores:

Y calculamos AT · A:

Por tanto, para que el conjunto se ortogonal debe cumplirse que:

de donde, los ´unicos valores que hacen ortogonal al conjunto son x = −31/5, y = 1/15 y z = −14/5

Ejemplo 3 Determine el vector de coordenadas de v =< 2, 2, −4 > respecto a la base ortonormal

Recordemos que el vector de coordenadas de un vector respecto a una base son los coeficientes de
la combinación lineal de la base que da tal vector. Si la base es orto normal entonces los coeficientes
de la combinación lineal son los coeficientes de Fourier, es decir los productos punto del vector con
cada uno de los elementos de la base. Verifiquemos primero que el conjunto es orto normal. Para
ello, formamos la matriz A cuyas columnas son los vectores de B:
y calculamos AT · A:

Por tanto, dando la matriz diagonal el conjunto es ortogonal; dando la identidad el conjunto es orto
normal. Para calcular los productos punto del elemento de B con v recurrimos al producto:

Por tanto, c1 = v • u1 = −2/3, c2 = v • u2 = −4/3, y c3 = v • u3 = 14/3 y el vector de coordenadas de

v respecto a la base B es < −2/3, −4/3, 14/3 >.

Teorema

Sea A una matriz n × n, y u y v dos vectores en Rn. Entonces

DEMOSTRACIÓN
Teorema Sea A una matriz n × n. Son equivalentes las siguientes afirmaciones:

(1) A es ortogonal.

(2) A preserva los productos punto:

(3) A preserva norma:

Demostración

(1) implica (2)

Si A es ortogonal, AT A = I. Así

(A u) • (A v) = (A u) T · A v = u TAT · A v = u T · (AT · A)v = u T · I · v = u T · v = u

(2) implica (3)

Se tiene

||A v||2 = (A v) • (A v)

= v • v = ||

tomando raíz cuadrada se tiene la igualdad de (3).

(3) implica

PROPIEDADES

 De la definición, es inmediato que si una matriz es ortogonal, la matriz es no singular o invertible

y su transpuesta coincide con su inversa
 El determinante de una matriz ortogonal A es +1 ó -1. En efecto, de las propiedades del
determinante tenemos det (A. At) = det A det At = det A det A = (det A) ² = det I = 1, por tanto,
det A = +-1
 El conjunto de matrices n x n ortogonales, junto con la operación de producto de matrices es
un grupo llamado grupo ortogonal O(n). Supongamos que A y B son matrices ortogonales y
sea C igual al producto de A por B. Usando las propiedades del producto de matrices, tenemos

y así, el producto de matrices ortogonales es una matriz ortogonal.

 En teoría de grupos, al grupo de matrices ortogonales n por n con coeficientes en el cuerpo K se

denomina grupo ortogonal de dimensión n y se representa con O (n, K). En particular
el subgrupo formado por las matrices ortogonales de determinante +1, se llama grupo especial
ortogonal y se le representa con SO(n,K). Entre las matrices ortogonales se encuentran las
matrices de rotación y las de permutación. Cuando el cuerpo es el de los reales K=R entonces
se escribe simplemente O(n) := O(n,K) y SO(n) SO(n,K).
SENSIBILIDAD EN SISTEMAS LINEALES

Actualmente los modelos matemáticos que se están utilizando para investigar fenómenos físicos
son cada vez más realistas. Las nuevas características de los modelos utilizan a menudo parámetros
cuyos valores no pueden ser conocidos exactamente. A raíz de esto hay una necesidad de realizar
análisis de sensibilidad paramétrica de los modelos representados por sistemas algebraicos
diferenciales. Las áreas de uso incluyen optimización, valoración del parámetro, simplificación del
modelo, control óptimo, sensibilidad de proceso, análisis de la incertidumbre, y diseño experimental
para una amplia gama de los problemas científicos y de ingeniería.

1.CÁLCULO DE LA SENSIBILIDAD PARA SISTEMAS DE ECUACIONES ALGEBRAICOS

DIFERENCIALES POR EL MÉTODO ADJUNTO
La resolución de problemas modelados con sistemas DAE es un tema de importancia al cual se
dedican esfuerzos considerables desde hace 30 años (Brenan 1996 y Kees 1999). Muchos problemas
de ingeniería y ciencia se modelan en forma natural con sistemas DAE, donde en general las
ecuaciones son del tipo:

Compuesta por una combinación de ecuaciones diferenciales y algebraicas, donde, Nx, x, x, ∈ Rᵑ son
las variables de estado, y Np p∈ Rᵑ es un vector de parámetros. El problema del cálculo de la
sensibilidad de parámetros para un sistema DAE se plantea de la siguiente forma: dado un sistema
DAE del tipo (1) dependiente de parámetros Np p∈ Rᵑ,
encontrar dx/dp en el tiempo T para j:1,..,Np .
La solución de este problema requiere la solución simultánea del sistema DAE original con los Np
sistemas de sensibilidad, obtenidos por diferenciación del DAE original con respecto a cada
parámetro (Cao 2003). Para sistemas grandes esto puede parecer mucho trabajo, pero puede ser
realizado eficientemente si Np es relativamente pequeño, explotando el hecho de que los sistemas
de la sensibilidad son lineales, y todos comparten las mismas matrices Jacobianas del sistema
original. No obstante, algunos problemas requieren el estudio de las sensibilidades con respecto a
una gran cantidad de parámetros. Para estos problemas, particularmente si el número de las
variables del estado Nx es también grande, la estimación previa de la sensibilidad es intratable. En
Cao (2003) se demostró que estos problemas se pueden manejar más eficientemente por el método
adjunto (Errico 1997). En este sentido el interés es calcular la sensibilidad dG/dp de una función
objetivo G (x,p ) definida como:

O en su defecto la sensibilidad dg/dp de una función g (x,T, p) definida solamente en el tiempo T .

Por ejemplo, en el modelado matemático de reactores nucleares, un caso común de análisis es el
estudio de sensibilidad de la velocidad del líquido refrigerante Ui, perturbando la potencia térmica
demandada Q. Para ello, se puede plantear la siguiente función objetivo:

donde u es la media de la velocidad del líquido. A continuación de

describe la aplicación del método adjunto en el cálculo de la sensibilidad.

1.1 Sensibilidad para G (x, p)

Para hallar una expresión de dG/dp se define una función objetivo aumentado I (x, p)

Donde λ es un multiplicador de Lagrange, * denota la matriz traspuesta, y F (x, x, p, t) = 0 según (1).

Derivando ambos miembros con respecto a p, se obtiene que la sensibilidad respecto de G (x, p) es:

Luego se desarrolla el término λ (t)* Fx Xp para obtener una expresión con respecto a Xp:

Reemplazando la ecuación (5) en (4), y reagrupando los términos se obtiene que:

Donde:

Es la ecuación adjunta, y λ es la incógnita o variable adjunta del sistema (7). En vez de trabajar con
el sistema (7), en este trabajo se va a utilizar la notación de sistema adjunto aumentado:

Luego, la sensibilidad para G (x,p) queda representada por:

A partir de (9) se observa que para calcular la sensibilidad por el sistema adjunto, el sistema (8) debe
ser resuelto hacia atrás hasta el tiempo t = 0. Las condiciones iniciales en el tiempo t T = para calcular
dicha sensibilidad surgen de la resolución del sistema:

Para calcular el término integral de la ecuación (9) se utiliza una variable de

cuadratura β y la ecuación, la cual se incorpora a la resolución del sistema
adjunto (8):

Obteniendo de esta forma para t = 0:

Con lo cual la expresión de la sensibilidad resulta:

1.2 sensibilidad para g (x, t, p)

Para el cálculo de la sensibilidad dg/ dp, se aplica dg /dp= d/dT dG /dp = a la ecuación (9), con lo
cual se obtiene que:

Donde la variable adjunta λ (t, T) depende de los parámetros t y T, y donde λ t (t, T) es dλ (t, T) /dT.
A partir de (14) se obtiene que el sistema adjunto es:
Y se resuelve de manera similar que el sistema (8). Las condiciones iniciales en el tiempo t= T se
obtienen de resolver el sistema:

Nuevamente para calcular la integral de la ecuación (14), se utiliza una variable de

cuadratura β y la ecuación , la cual se incorpora a la resolución del sistema adjunto (15):

Por último la expresión de la ecuación de sensibilidad está dada por:

2) RESULTADOS NUMÉRICOS

Para la solución numérica de los sistemas (8) y (15) (problemas de condiciones iniciales) actualmente
se dispone de una variedad de métodos numéricos que pueden clasificarse en tres categorías:
métodos de un paso, multipaso y de extrapolación. La eficiencia de cada tipo de aproximación
depende del problema particular. En este trabajo se resuelven los sistemas (8) y (15)
transformándolos en sistemas puramente algebraicos mediante aproximaciones numéricas (Boroni
2005). Para ello se define una transformación reemplazando λ y λ & por funciones que representan
estimadores multipaso de las variables adjuntas y sus derivadas, es decir:

Específicamente en este trabajo se emplea un estimador implícito para las variables adjuntas y un
estimador multipaso lineal clásico (Jackson 1980) en las derivadas, es decir:
Para analizar la aplicación del método adjunto en el cálculo de la sensibilidad se realizaron una serie
de experimentos, donde se examinaron los resultados y errores numéricos. Para dicho estudio se
definieron dos sistemas de prueba: un sistema de ecuaciones diferenciales lineales con solución
explícita analítica y un sistema oscilatorio conservativo no lineal. Para simplificar la presentación de
los resultados se considera únicamente el cálculo de la sensibilidad de la función objetivo ( , ) Gxp .

2.1 Sistema lineal

Se plantea el ejemplo de una ecuación diferencial lineal de primer orden dado por:

El cual posee un único parámetro p, y donde la solución explícita es:

El objetivo de trabajar con este sistema lineal es obtener medidas del error asociados a los términos
en el cálculo numérico de la sensibilidad dG dp definida en (9).
Para el cálculo de la sensibilidad dG/ dp se define la siguiente función
objetivo:

Utilizando (9) y (23) se obtiene que la solución de la ecuación de sensibilidad es:

La evolución temporal de la sensibilidad dG /dp puede verse en la figura 1, la cual tiene forma de
campana sesgada a izquierda con un valor máximo
 En la figura 2 se
observa el error absoluto entre el cálculo
numérico de

y la solución explícita. En la misma se puede ver

que el cálculo del término integral es el que
genera mayor error, con un máximo aproximado
a 1.0 x 10-4, el cual se estabiliza para un tiempo t
≥ 3. En cuanto al error vinculado al término λ (t)t=0, el valor máximo es inferior a 1.5x10−5 y se da

cuando t ≈ 0.28; luego de alcanzar este valor el error disminuye de manera asintótica a 0. Por último,
los resultados del error son bajos comparados con el paso de tiempo dt =1.0 10−3 utilizado para el
cálculo numérico de la sensibilidad. En la figura 3 se muestra el error absoluto entre la solución
explícita y numérica de la sensibilidad dG/ dp.