Sistema de Ecuaciones Algebraicas Lineales

CATEDRA 0
7
Facultad de Ingeniera de Minas, Geologa y Civil
Departamento acadmico de ingeniera de minas y civil
METODOS
NUMERICOS
Ingeniera Civil
1
ING. CRISTIAN CASTRO P.
1. DEFINICIN Y CLASIFICACIN DE MATRICES

Las matrices son utilizadas por primera vez hacia el ao 1850 por James Joseph
Sylvester. El desarrollo inicial de la teora matricial se debe al matemtico
britnico William Rowan Hamilton en 1853. En 1857 el matemtico Arthur Cayley
introduce la notacin matricial como una forma abreviada de escribir un sistema
de m ecuaciones lineales con n incgnitas.
Las matrices se utilizan en clculo numrico, solucin de sistemas de ecuaciones
lineales, ecuaciones diferenciales y derivadas parciales. Adems de su utilidad
para el estudio de sistemas de ecuaciones lineales, las matrices aparecen de
forma natural en geometra, estadstica, economa, informtica, fsica, etc.
La utilizacin de matrices (arreglos, arrays) constituye actualmente una parte

esencial en los lenguajes de programacin, ya que la mayora de los datos se
introducen en las computadoras como tablas organizadas en filas y columnas :
hojas de clculo, bases de datos, etc.
Se denomina matriz de orden mn a todo conjunto rectangular de elementos aij
dispuestos en m lneas horizontales (filas) y n verticales (columnas):
a11
a
21
A ai1
...
am1
a12
...
...
a22
ai 2
...
...
aij
...
...
...
am 1n 1
am 2
...
...
a1n
a2 n
ain
...
amn
En nomenclatura matricial, a las matrices se les denota con una letra mayscula,
A=[A]=(aij), con i =1, 2, ..., m, j =1, 2, ..., n. Los subndices indican la posicin del
elemento dentro de la matriz, el primero denota la fila (i) y el segundo la columna
(j). El elemento a25, por ejemplo, es el elemento de la fila 2 y columna 5.
Dos matrices son iguales cuando tienen la misma dimensin y los elementos que
ocupan el mismo lugar en ambas son iguales.
Atendiendo a su forma, las matrices se clasifican en:
Matriz fila: Es una matriz que solo tiene una fila, m =1 y por tanto es de orden 1n.
A a11
a12
a13 ... ... a1n
A 8 5 3 0 9 6
Matriz columna: Es una matriz que solo tiene una columna, es decir, n =1 y por
tanto es de orden m 1.
a11
a
21
A ...
am 1,1
am1
1
4

A 5

0
8
Matriz cuadrada: Es aquella que tiene el mismo nmero de filas que de

columnas, es decir m = n. En estos casos se dice que la matriz cuadrada es de
orden n, y no n n.
a11
a
A 21
...
an1
a12
a22
...
an 2
... a1n
... a2 n
... ...
... ann
15
1
6 3
A
1 12
9
8
0 5
4 2
2 10
0 5
Los elementos aij con i = j, o sea aii forman la diagonal principal de la matriz
cuadrada.
Matriz transpuesta: La matriz transpuesta de A (A es una matriz cualquiera), se

representa por At. Esta se obtiene cambiando renglones por columnas. El primer
rengln de A es la primera columna de At , el segundo rengln de A es la segunda
columna de At, etc.
De la definicin se deduce que si A es de orden m x n, entonces At es de orden n
m.
A2 x 3
1 4 6
9
0
8
A3t x 2
1 9
4 0
6 8
Matriz simtrica: Una matriz

cuadrada A es simtrica si A =
At, es decir, si aij = aji i, j.
5
2
5
6
A 4 8
11 6
2 12
2 1 12
1
2 7
4
10
A
1 4 9
7
12 10 7 9
4 11 2
8 6 12
0 9 10
9 14 19
10 17 7
Matriz antisimtrica: Una matriz

cuadrada es antisimtrica si A = At,
es decir, si aij = aji i, j.
Atendiendo a los elementos, se pueden identificar los siguientes tipos de

matrices:
Matriz nula: es aquella que todos sus elementos son 0.
A 0
0 0 0
A
0
0
0
0 0 0
A 0 0 0
0 0 0
Matriz diagonal: Es una matriz cuadrada, en la que todos los elementos no

pertenecientes a la diagonal principal son nulos.
3 0 0
A 0 7 0
0 0 11
Matriz diagonal dominante: Es una matriz cuadrada cuyos elementos en la

diagonal son en valor absoluto mayores a la suma de los valores absolutos de
los dems elementos en su fila, es decir:
n
aii aij
j 1
j i
8 3 4
A 0 7 2
5 2 11
a11 a12 a13 8 3 4

a22 a21 a23 7 3 2 la matriz A es diagonal dominante
a33 a31 a32 11 5 2
Matriz escalar: Es una matriz diagonal

cuyos elementos pertenecientes a la
diagonal principal son iguales.
1
0
A
0
0
1
0
0
0
0
1
0
0
0
0
3
0
A
0
0 0 0
3 0 0
0 3 0
0 0 3
Matriz unidad o identidad: Es una matriz escalar

con los elementos de la diagonal principal
iguales a 1.
Matriz triangular: Es una matriz cuadrada cuyos elementos que estn a un mismo
lado de la diagonal principal son cero. Pueden ser de dos tipos:
1 4 5 6
0 5 2 3
A
0 0 11 5
0 0 0 9
Triangular
inferior:
Si
los
elementos que estn por encima
de la diagonal principal son todos
nulos. Es decir, aij =0 j<i.
Triangular superior: Si los elementos que

estn por debajo de la diagonal principal
son todos nulos. Es decir, aij =0 i<j.
0
0
0
4
3 5 0
A
1 12 16 0
6
8
19
5
2. OPERACIONES CON MATRICES.

Trasposicin de matrices. Dada una matriz de orden m x n, A= (aij),
se llama matriz traspuesta de A, y se representa por At, a la matriz
que se obtiene cambiando las filas por las columnas (o viceversa)
en la matriz A.
2 9
4 5
A
7 3
0 5
2 4 7 0
A
5
3
5
Propiedades de la trasposicin de matrices

1. Dada una matriz A, siempre existe su traspuesta y adems es
nica.
2. (At)t = A.
Suma y diferencia de matrices. La suma de dos matrices A=(aij),

B=(bij), es otra matriz S=(sij) del mismo orden que los sumandos y
con trmino genrico sij=aij+bij. Por tanto, para poder sumar dos
matrices estas deben ser del mismo orden o dimensin.
La suma de las matrices A y B se denota por A+B.
3 0 9
A 6 7 8
4 6 7
3 4
A B 6 0
4 5
4 5 1
B 0 3 3
5 6 4
0 5 9 1 7
7 3 8 3 6
6 6 7 4 9
5 10
10 5
12 3
Propiedades de la suma de matrices

1. A + 0 = A (0 es la matriz nula)
2. Propiedad conmutativa: A + B = B + A
3. Propiedad asociativa: A + (B + C) = (A + B) + C
4. Matriz opuesta: Es la matriz que se obtiene cambiando todos los
signos de la matriz A, se denota con A. La suma de una matriz
con su opuesta es cero, A + (-A) = 0.
La diferencia de matrices A y B se representa por AB, y se define como: AB = A
(B).
Producto de una matriz por un nmero. El producto de una matriz

A= (aij) por un nmero real k es otra matriz B= (bij) de la misma
dimensin que A y tal que cada elemento bij de B se obtiene
multiplicando aij por k, es decir, bij = kaij.
Si k=5 y B=kA,
3 0 9
A 6 7 8
4 6 7
5 3
B 5 6
5 4
5 0 5 9 15
5 7 5 8 30
5 6 5 7 20
45
35 40
30 35
0
El producto de la matriz A por el nmero real k se designa por kA. Al nmero real
k se le llama tambin escalar, y a este producto, producto de escalares por
matrices.
Propiedades del producto de una matriz por un escalar

1. Propiedad distributiva:
k (A + B) = k A + k B
(k + h)A = k A + h A (k y h son escalares)
2. Propiedad asociativa mixta: k [h A] = (k h) A
3. Elemento unidad: 1A = A
Propiedades simplificativas
1. A + C = B + C A = B.
2. k A = k B A = B si k es diferente de 0.
3. k A = h A h = k si A es diferente de 0.
Producto de matrices. Dadas dos matrices A y B, su producto es otra matriz P

cuyos elementos se obtienen multiplicando las filas de A por las columnas de B
elemento a elemento. Es evidente que el nmero de columnas de A debe coincidir
con el nmero de filas de B. Es ms, si A tiene dimensin m n y B dimensin n
r, la matriz P ser de orden m r.
n
i 1,...m
k 1
j 1,...r
pij aik bkj
A2 x 3
2 4 0
8 6 3
B3x1 4
9
i 1,2
k 1
j 1
C2 x1 A2 x 3 B3 x1 cij aik bkj

3
c11 a1k bk1 a11b11 a12b21 a13b31

k 1
c11 2 3 4 4 0 9 22
2 4 0
8 6 3
3
4

9
2 4 0
8 6 3
3
4

9
c21 a2 k bk1 a21b11 a22b21 a23b31

k 1
c21 8 3 6 4 3 9 21
22
C21
21
Propiedades del producto de matrices

1. A(BC) = (AB)C
2. El producto de matrices en general no es conmutativo.
17 6 5 3 4 18 49
3 4 6 5 42
0 5 6 8 30 40 6 8 0 5 18 16

3. Si A es una matriz cuadrada de orden n se tiene AIn = InA = A

(In es la matriz identidad de orden n).
4. Dada una matriz cuadrada A de orden n, no siempre existe otra
matriz B tal que AB = BA = In. Si existe dicha matriz B, se dice
que es la matriz inversa de A y se representa por A1 .
5. El producto de matrices es distributivo respecto de la suma de
matrices, es decir: A(B + C) = AB + AC
Consecuencias de las propiedades

1. Si AB= 0 no implica que A=0 B=0.
0 5 5 6 0 0
0 0 0 0 0 0
2. Si AB=AC no implica que B = C.
7 0 0 0 7 0 0 0 0 0
0 0 1 0 0 0 9 4 0 0

3. En general (A+B)2 A2 + B2 +2AB,ya que AB BA.
4. En general (A+B)(AB) A2B2, ya que AB BA.
Matrices inversibles. Una matriz cuadrada que posee inversa se dice

que es inversible o regular; en caso contrario recibe el nombre de
singular.
Propiedades de la inversin de matrices
1.La matriz inversa, si existe, es nica.
2.A-1A=AA-1=I
3.(AB) -1=B-1A-1
4.(A-1) -1=A
5.(kA) -1=(1/kA-1)
6.(At) 1=(A-1) t
Observacin. Existen matrices matrices que cumplen AB = I, pero
que BA I, en tal caso, se dice que A es la inversa de B por la
izquierda o que B es la inversa de A por la derecha.
Hay varios mtodos para calcular la matriz inversa de una matriz dada:
directamente, usando determinantes o por Gauss-Jordan.
Directamente. Este mtodo utiliza la propiedad AA-1 = I, es decir, si tenemos
2 12
A
10
a b
A
c d
1
1 0
I2
0
1
2a
Se pueden plantear las ecuaciones correspondientes:
2
2a 12c 1 2b 12c 0 0
4
4a - 10c 0 4b - 10d 1
0 12
0 a 1
2 0
12 b 0
0 10 0 c 0

4 0 10 d 1
Resolviendo el sistema anterior,
a 0.14706
b 0.17647
0.14706 0.17647
1
A
c 0.05882
0
.
05882
0
.
02941
d 0.02941
Los otros dos mtodos de inversin de matrices se expondrn posteriormente.
Capitulo V
Sistema de Ecuaciones
Algebraicas Lineales
25
INTRODUCCIN
Para la resolucin de los S.E.L. se utilizan dos tipos
de mtodos:
MTODOS DIRECTOS:
Son aquellos que obtienen la solucin exacta tras
un nmero finito de operaciones elementales salvo
errores de redondeo en los clculos.
MTODOS ITERATIVOS:
Van construyendo una sucesin de aproximaciones
a la solucin x hasta obtener una precisin
determinada o hasta completar un nmero
determinado de iteraciones.
26
INTRODUCCIN
Aspectos sobre la eficacia de los distintos algoritmos:
Rapidez:
Nmero de operaciones
Coste espacial:
Memoria de almacenamiento necesaria.
Facilidad de programacin.
Sensibilidad del algoritmo respecto a errores de
redondeo
Tipo de problemas a los que es aplicable
27
INTRODUCCIN
Pretendemos resolver un sistema de m ecuaciones
lineales con n incgnitas:
a1,1 x1 a1,2 x2 a1,n xn b1

a1,1 x1 a1,2 x2 a1,n xn b1
a2,1 ax21,1 x1 a 2,2
x
b

a2 ,2 xx22
a2 ,a
x
b
2,
n
n
2
n n
2

am ,1 x1 am ,2 x2 am ,n xn bm
am,1 x1 am ,2 x2 am,n xn bm
En forma matricial lo expresamos como:
Ax=b
donde A
mxn,
,b
m
28
Clasificacin de los
Sistemas de ecuaciones lineales
29
Teorema de Rouch-Frobenius
El sistema Amnx = b es compatible si y slo si
rango(A) = rango(A|b)
Un sistema compatible es determinado si
rango(A) = n
Un sistema compatible indeterminado tiene
n rango(A) variables libres
Solucin
xc = xp + ncleo(A)
30
TEOREMA DE EXISTENCIA Y UNICIDAD

PARA SISTEMAS NO HOMOGNEOS.
El sistema Ax=b es compatible si y solo si b R(A), en otras
palabrassi y solo si rango(A) = rango(A,b).
Si el sistema es compatible y las columnas de A son linealmente
independientes entonces la solucin es nica.
Si el sistema es compatible y las columnas de A son linealmente
dependientes entonces tiene infinitas soluciones.
TEOREMA DE EXISTENCIA Y UNICIDAD

PARA SISTEMAS HOMOGNEOS.
El sistema Ax=0 tiene solucin no trivial si y solo si
columnas de A son linealmente dependientes.
las
Si m = n, entonces Ax=0 tiene una solucin no trivial si y solo

si A es singular.
31
TEOREMA DE INVARIANZA DE LA SOLUCIN

Las soluciones de un sistema compatible
Ax = b
permanecen invariantes ante las siguientes operaciones:
Al intercambiar dos ecuaciones cualesquiera.
Al multiplicar una ecuacin por un escalar no nulo.
Al sumar a una ecuacin una combinacin lineal no
nula de otras ecuaciones.
32
Nmero de condicin de una matriz

cond mide el mal condicionamiento
cond(eye(n))=1
cond(matsingular) = inf
rcond mide el buen condicionamiento

rcond(eye(n))=1
rcond(matsingular) = 0
rcond
det
33
34
35
36
37
38
Matrices
Es un arreglo rectangular de nmeros donde no slo
de valor de ste es importante, sino que tambin su
posicin
El tamao de una matriz se describe por la cantidad
de filas y columnas (n x m)
a11 a12
A a21 a22
a
31 a32
a13
a23
a33
Cada fila o columna representa a un vector
39
Propiedades
Dos matrices del mismo tamao pueden sumarse o
restarse
A aij y B bij
C A B aij bij cij
La multiplicacin se define como sigue, cuando A
es n x m, y B es m x r. ABBA
aij bij cij

m
cij aik bkj
i 1, 2,....n, j 1, 2,....r
k 1
40
Propiedades
Si una matriz se multiplica por un escalar el
resultado es una nueva matriz con cada elemento
multiplicado por ste
Una matriz con una sola columna se le denomina
vector columna (n x 1), si es una fila se habla de
vector regln (m x 1)
Al multiplicar una vector regln con un vector
columna se obtiene el producto interior
Al multiplicar una vector columna con un vector
regln se obtiene el producto exterior
La divisin para matrices no est definida, an
cuando analizaremos la inversa de una matriz
41
Ciertas matrices cuadradas tiene propiedades

mo por ejemplo:
especiales, co
Matriz diagonal (D): si todos los elementos sobre la

diagonal son distintos de 0
Matriz identidad (I), caso especial en donde la diagonal est
compuesta por unos y l resto por 0. AI = IA
Matriz de transposicin (P), formada al intercambiar 2
reglones o columnas de la matriz identidad. El producto de v
arias matrice de trasposicin es una matriz de permutacin
Matriz transpuesta (AT), es la matriz que se obtiene al
intercambiar los reglones por columnas o viceversa
Traza (tr), cuando la matriz es cuadrada se define una
cantidad denominada Traza. Que es la suma de los elemento
s de la diagonal. tr (A)= tr (AT)
42
Matriz triangular inferior (L), los elementos sobre la

diagonal son 0.
Matriz triangular inferior (U) los elementos debajo de la
diagonal son 0
Matriz tridiagonal, son aquellas con elementos distintos
de 0 en la diagonal y en las posiciones adyacentes
(importantes en ecuaciones diferenciales). Esta matriz
puede comprimirse a una matriz de 3 columnas y n
renglones.
Matriz pentadiagonal, son aquellas con elementos distin
tos de 0 en la diagonal y en las posiciones adyacentes.
Esta matriz puede comprimirse a una matriz de 5
columnas y n renglones
43
Determinante
El determinante de una matriz es un nmero
Para una matriz 2x2 se calcula restando el producto
de los elementos en la diagonal menor a la superior
a11 a12
A
det(A)=a11a22 a12 a21
a21 a22
Para una matriz mayor se aplica la regla de desarrollar
en trminos de los menores respecto a algn regln o
columna. El menor de cada trmino es la matriz de me
nor orden formada al eliminar el regln o columna en
cuestin. Se parte con signo positivo si la suma del
regln o columna es par y negativo en caso contrario,
de ah en adelante se alternan los signos
En el caso de una matriz triangular superior o inferior
su determinante es slo el producto de los elementos
de diagonal
44
Ejercicio
3 0 1 2
4 1 3 2
A
0 2 1 3
1 0 1 4
det( A) 146
4 0 0
det A 6 2 0 40
1 3 5
45
Los determinantes pueden ocuparse tambin

para calcular el polinomio caracterstico de la
matriz, ya que :
p A ( ) A I det( A I )
1 3
A
4
5
3
(1 )
p A ( ) A I det
4
(5
)
(1 )(5 ) 12 2 6 7
46
Matrices
Anm
a11 a12
a
21 a22
a31 a32

an1 an 2
a1m
a2 m
a3m

anm
Sum:
Cnm Anm Bnm

cij aij bij
A and B must have the same

dimensions
Matrices
Transpose:
Cmn AT nm
cij a ji
If
AT A
( A B)T AT BT
( AB ) B A
T
A is symmetric
47
Matrices
Product:
Cn p Anm Bm p
A and B must have compatible

dimensions
cij aik bkj

k 1
Identity Matrix:
Ann Bnn Bnn Ann
1 0 0
0 1 0
I
IA
AI
0 0 1
48
Matrices
Determinant:
A must be square
a11 a12 a11 a12
a11a22 a21a12
det
a21 a22 a21 a22

a11 a12
det a21 a22
a31 a32
a13
a22
a23 a11
a32
a33
a23
a33
a12
a21 a23
a31
a33
a13
a21 a22
a31
a32
49
Matrices
Inverse:
Ann A
A must be square
nn
1
nn
Ann I
a11 a12
1
a11a22 a21a12
21 a22
a22 a12
a
21 a11
50
Mtodos directos frente a mtodos

iterativos
DIRECTOS
ITERATIVOS
Ax =b
Mx = (MA)x + b
x = A\ b
Mx(k+1) = (MA) x(k) + b
Tamao moderado
Tamao grande
Producen llenado
Conservan los ceros
Error de redondeo
Error de truncamiento
51
Convergencia y nmero de
operaciones
Coste (para matrices densas)
Directos: n3
Iterativos: k.n2
Convergencia
Criterio de parada:
iter < maxiter
(k +1)
(k)
p
tol; p 1,2,...,inf
52
Limitaciones de los Mtodos Directos

Acumulacin del error de redondeo
Coste de la eliminacin: O(n3)
Sensibilidad al error de redondeo

Sistemas mal o bien condicionados
Nmero de condicin
Estrategia de Pivotacin Parcial

Llenado de la matriz.
Matrices dispersas
53
Sensibilidad al error de redondeo

Sistema mal condicionado :
Un pequeo cambio en la matriz causa un gran cambio en
la solucin.
Sistema bien condicionado :

Pequeos cambios en la matriz causan pequeos cambios
en la solucin.
Condicionamiento de una matriz
54
Capitulo V
Mtodos Directos de Solucin
de Ecuaciones Lineales
55
CONTENIDO
Los mtodos numricos nos permitirn:

Solucionar sistemas de ecuaciones algebraicas
lineales
x y 4
x y 2
56
1. INTRODUCCIN
,
1.2.1. Sistemas de ecuaciones

Comentarios: en este tem aplicaremos la teora de matrices y
determinantes para determinar la solucin de un sistema de
ecuaciones lineales. Identificaremos las condiciones para que un
sistema tenga solucin y extenderemos estos criterios a
determinar la solucin de m ecuaciones con n incgnitas.
Definicin: Llamaremos sistema de ecuaciones lineales al
conjunto de ecuaciones con dos o ms incgnitas (variables) de
tal manera que se verifiquen simultneamente para ciertos
criterios asignados a sus incgnitas
57
1. INTRODUCCIN
,
Ejemplo:
1. x y 4
x y 2
CS{
x 3 ; y 1}
2x y z 4
x yz 6
2.
3x y 4
CS{ x 2 ; y 2 ; z 2 }
3. Si el sistema tiene n ecuaciones la solucin tendr n

incgnitas; es decir ( x1 , x 2 , ... , x n )
C.S {x1 , x 2 , x3 , ... , x n }

58
1. INTRODUCCIN
,
1.2.3. SISTEMA DE m ECUACIONES LINEALES CON n

INCOGNITAS
a11 x1
a12 x2
a13 x3
a1 j x j
a1n xn
b1
a 21 x1
a 22 x2
a 23 x3
a 2n xn
b2
a2 j x j

ai1 x1
ai 2 x 2
a i 3 x3
ain xn
bi
a m1 x1 a m 2 x2
a m3 x3
a ij IR mn ; bi IR m
m
i 1 j 1
a mj x j
a mn xn
(1)

bm
i 1,2,..., m j 1,2,..., n
n
aij x j bi
aij x j
aij x j bi ; i 1,2,..., m
j 1
59
1. INTRODUCCIN
,
1.2.4. FORMA MATRICIAL

a11 a12
a
21 a 22

ai1 ai 2

a m1 a m 2
a13
a 23
... a1 j
... a 2 j
ai3 ... aij

a m3 ... a mj
... a1n x1 b1
... a 2n x2 b2

... ain xi bi

... a mn xm bm
( 2)
A aij
IR m n
m n
x x1 j
IR1 n
1 n
b bi1 m1 IR m1
60
CONTENIDO
1.3. EXISTENCIA Y UNICIDAD DE SOLUCIONES

Supongamos que es definida la siguiente matriz llamada
aumentada del sistema ; formada por la matriz de
coeficientes y adjuntando el vector independiente ; as:
a11 a12
a
21 a 22

Aa A b
ai1 ai 2

am1 am 2
a13
a 23
... a1 j
... a 2 j
ai 3
...
aij

a m3 ... a mj
b1
b2

aij bi
bi
... a mn bm
... a1n
... a2n
... ain
61
CONTENIDO
Si el rango de la matriz de coeficientes y de la

matriz aumentada
son iguales entonces el
sistema (1) es consistente; es decir tiene solucin.
En otras palabras caso contrario el sistema es
inconsistente esto es no tiene solucin.
Si el sistema es consistente y ocurrir que r ( A) r ( Aa) n entonces
el sistema tiene solucin nica.
Si el sistema es consistente y ocurre que
el sistema tiene infinitas soluciones
r ( A) r ( Aa) k n
entonces
62
CONTENIDO
Representacin
AX=B
Si r(A) r(Aa)
Inconsistente no
hay solucin
Si r(A) = r(Aa) = k,
Consistente existe
solucin
Si K = n la solucin
es nica
Si k< n;
infinitas
soluciones
63
CONTENIDO
Ejemplo:
4 x 8 y 12
5 x 10 y 20
4 8 1 2
r ( A) 1

A
5
10
0
0
4 8 12 1 2 3
r ( Aa) 2
5 10 20 0 0 5
r ( A) r ( Aa ) , entonces el sistema es inconsistente; es decir

no tiene solucin
Si el sistema fuera homogneo es decir
4x 8 y 0
r ( A) n 2
r ( A) r ( Aa) 1
5 x 10 y 0
en este caso existe un nmero infinito de soluciones.

64
CONTENIDO
Ejemplificacin:
3 x 5 y 14
2x y 5
3 5 1 5/ 3

r ( A) 2
A
2 1 0 13 / 3
3 5 14 1 5 / 3 14 / 3 1 5 / 3 14 / 3
r ( Aa) 2
Aa
2 1 5 0 13 / 3 13 / 3 0 1 1
Entonces el sistema tiene una nica solucin C.S {3,1}
65
1.4 . MTODOS DIRECTOS DE SOLUCIN
1.4.1. Mtodos diagonales

Definicin: Se llama sistemas de ecuaciones diagonales a
los arreglos especiales en forma de una diagonal:
Ejemplo: 3x1
6
3 0 0 x1 6
4 x2
5 x3
20
6
x1 2
5
8
x2 2
4
20
x3 4
5

0 4 0 x2 8
0 0 5 x 20
x1
x2
x3
C .S { 2 , 2 , 4}
66
Observaciones:
1. La matriz de coeficientes es una matriz diagonal.
2. El conjunto solucin es obtenido dividiendo cada
elemento del vector independiente (insumos,
condiciones) por cada respectivo elemento de la
matriz diagonal.
3. Una matriz diagonal en general se representa de la
siguiente forma:
0
0 ...
0
a11
aij si i j
A aij
n n
0 si i j
a 22
0
a33 ...
0

0
0 a nn
0
...
67
4. El sistema de ecuaciones lineales diagonal ser:

a11 0
0 a 22
0
0

0
0
0 x1 b1

0 ... 0 x2 b2
a33 ... 0 x3 b3

0
0 a nn xn bn
0
...
5. Determinado su solucin general

x1
b
b
b
b1
b
; x 2 2 ; x 3 3 ;.... x i i ... x n n
a nn
a ii
a 33
a11
a 22
68
5. Determinado su solucin general:

Seudocdigo
input
n , ( a ij ), ( b i )
for i 1 , 2 , , n do
x i b i / a ii
end
output
(xi )
69
1.4.2. MTODO TRIANGULAR INFERIOR

Definicin: Se llama sistema de ecuaciones triangular
inferior a los sistemas de ecuaciones que al momento de
escribir en forma matricial la matriz de coeficientes es una
matriz triangular inferior
Ejemplo:
2 x1
x1
x2
3 x1
2 x2
4 x3
6
4
15
2 0 0 x1 6

1 1 0 x2 4
3 2 4 x 15
3
70
Solucin:
x1
6
2
x2 4
x1 3
6
2
x2 1
C.S {3,1,2}
6
6
x3 15 3 2 4 x3 2
8
2
Observacin:
1. La matriz de coeficientes es una matriz triangular inferior.
2. El sistema se puede escribir de la siguiente manera
0
a11
a 21 a 22
a
a32
31
ai1 ai 2
a
n1 an 2
0
0
...
...
a33 ...
aii
a n3
0 x1 b1

0 x2 b2
0 x3 b3

xi bi

ann xn bn
71
3. El conjunto solucin del sistema triangular es obtenido

de la siguiente manera.
Primero: suponiendo que aii 0 para todo i
Segundo: el valor de se obtiene a partir de la primera
ecuacin del sistema; es decir:
Tercero: el valor de x1 se obtiene de la segunda ecuacin
sustituyendo el valor de ; es decir: x b1
1
a11
b1

b
a
2
21
b
a11
a22 x2 b2 a21 1 x2
x2 b2 a 21 x1 / a22
a22
a11
72
Cuarto: Los valores de

manera anloga
x3 , x4 , ..., xn
son obtenidos de
x3 b3 a31 x1 a32 x2 / a33
i 1
xi bi aij x j / aii
j 1
Seudocdigo
input n, (aij ), (bi )

for i 1, 2 , 3 , , n do
i 1
xi bi
aij x j / aii
j 1
end
output ( xi )
73
1.4.3. MTODO TRIANGULAR SUPERIOR

Definicin: Se llama sistema de ecuaciones triangular
superior a los sistemas de ecuaciones que al momento de
escribir en forma matricial la matriz de coeficientes es una
matriz triangular superior
5 2 3 x1 5
Ejemplo: 5 x1 2 x2 3x3 5

2 x2
4 x3
24
3x3
0 2 4 x2 24
0 0 3 x 6
3
Solucin
6
x3 2
3
x 2 24 4(2) / 2
x3
x2 8
x1 5 2 x 2 3x3 / 5 x1 27 / 5
C.S {27 / 5,8,1}
74
Observacin:
1. La matriz de coeficientes es una matriz triangular
superior.
2. El sistema se puede escribir de la siguiente manera
a11 a12
0 a 22
0
0

0
0

0
0
... a1i ...

a 23 ... a 2i ..
a33 .... a3i ..
a13
aii
a1n x1 b1

a2n x2 b2
a3n x3 b3

ain xi bi

ann xn bn
75
3. La solucin del sistema triangular superior se obtiene

de la siguiente manera.
Primero: iniciamos determinando el valor de la ltima
variable en este caso a partir de la ltima fila.
bnn
xn
a nn
Segundo: para determinar el subsiguiente valor se realiza

as:
xn 1 bn 1 an 1n xn / a n 1n 1
76
Tercero: Los valores de

manera anloga
xn 2 , xn 3 , ..., x1
son obtenidos de
xi bi aij x j / aii ; i n, n 1, n 2,...,1
j
i
Seudocdigo
input n, (aij ), (bi )
for i n , n 1, n 2 ,,1 do
n
xi bi
aij x j / aii
j i 1
end
output ( xi )
77
1.4.4. MTODO DE GAUSS

a) Un proceso de eliminacin hacia delante.
1. Eliminamos el primer trmino de la segunda
a 21
ecuacin; multiplicando a la primera ecuacin por a11 y
restndolo del primer trmino de la segunda ecuacin
para eliminar el primer trmino de la segunda ecuacin;
luego se multiplica a la primera ecuacin por aa31 y se
11
resta del primer trmino de la tercera ecuacin y as
sucesivamente para las restantes ecuaciones i 3se elimina
restando la primera ecuacin multiplicada por ai1 ,
a11
quedando el sistema as:
78
a11x1 a12x2
a13x3
a'22x2
a'i2 x2
a1i xi
a'23x3 a'2i xi

a'i3x3 a'ii xi
a1n xn b1
a'2n xn b'2
a'inxn

b'i

a'm2 x2 a'm3x3 a'mixi a'mnxn b'm
En donde:
ai1
a1 j
a ij aij
a11
'
79
(3)
2. Eliminamos del segundo trmino de las ecuaciones del

sistema (1) donde la tercera ecuacin hasta la ltima i 2se
realiza anlogamente que en la primera parte es decir:
restamos la segunda ecuacin del sistema multiplicada
a 'i 2
por
y as continuamos eliminando los terceros
'
a 22
trminos de las ecuaciones restantes, finalmente se llega a
una triangulacin total; as:
a11 x1
a12 x 2
a13 x3
a1i xi
a1n x n
b1
a ' 22 x 2
a ' 23 x3
a ' 2i xi
a '2n xn
b '2
a i 1ii xi
a i 1in x n
b i 1i
a n 1mn x n
b n 1 m
80

Observacin:
1. A los trminos principales de cada ecuacin se le
llama pivote.
2. Se puede normalizar cada ecuacin, y para ello
slo se divide por el coeficiente principal,
fenmeno que no se usa en la eliminacin
Gaussiana la razn es por el aumento del tiempo
computacional.
81
b)Un proceso de sustitucin hacia atrs.

Este proceso consiste en usar la solucin de un sistema
triangular superior explicado anteriormente.
Debemos destacar que esta metodologa de eliminacin
Gaussiana se puede trabajar slo con los elementos de la
matriz aumentada es decir:
a11 a12
a 21 a 22
a
a32
31
a
i1 ai 2
a
n1 a n 2
a13
a 23
b1
b2
b3

ain bi

a nn bn
... a1i ... a1n

... a2i .. a 2n
a33 .... a3i .. a3n
a n3
aii
82
Seudocdigo
input n, (a ij ), (bi )
for k 1,2,3,4,...n 1 do
for i k 1, k 2,..., n do
t a ik / a kk
a ik 0
for j k 1, k 2,..., n do
a ij a ij t a kj
bi bi t bk
end
Una vez realizada la

eliminacin
Gaussiana,
utilizamos el algoritmo del
sistema triangular superior
para
solucionar
completamente el sistema
de ecuaciones
end
end
output (a ij , b j )
83
Ejemplos:
Resolver el siguiente sistema usando eliminacin Gaussiana.
2 x1 x2 3 x3 1
x1 3 x2 2 x3 12
3 x1 x2 3 x3 0
Primera fase: Triangulacin de la matriz aumentada.

a. Determinando la matriz aumentada
2 1 3
1 3 2
3 1 3
12
0
84
b. Realizando operaciones elementales de matrices segn el

mtodo.
2
1
3 1 2 1
3 1

0 7 / 2 1 / 2 23 / 2 0 7 / 2 1 / 2 23 / 2
0 1 / 2 3 / 2 3 / 2 0 0 11 / 7 22 / 7
Segunda fase: Determinacin de los valores de las variables

22
x3 7 2
11
7
x3 2
23 7
2
2 2
x2
x2 3
7
2
x1 1 (2)(3) 3 / 2 x1 1
85
Ahora comprobaremos los resultados usando MATLAB para hacer

las operaciones elementales por fila
>> A=[2 1 -3;-1 3 2;3 1 -3]
>> b=[-1 12 0]
>> A=[A b']
>> format rat
>> A(2,:)=A(2,:)+A(1,:)/2
>> A(3,:)=A(3,:)-3*A(1,:)/2
>> A(3,:)=A(3,:)+A(2,:)/7
>> sts(A,b,3)
X=1.000000000000; 3.000000000000;2.000000000000
86
2. Resolver el siguiente sistema usando eliminacin Gaussiana.

3 x1 2 x2 3 x3 2
x1 3 x2 2 x3 1
5 x1 2 x2 4 x3 13
Primera fase: Triangulacin de la matriz aumentada

a. Determinando la matriz aumentada
b. Realizando operaciones elementales de matrices segn el mtodo.
Segunda fase: Determinacin de los valores de las variables
Ahora comprobaremos los resultados usando MATLAB.
A=[3 2 -3;1 3 -2;5 -2 4] % ingresamos la matriz de coeficientes
b=[-2 1 13] % ingresamos el vector de trminos independientes
87
1.4.5. MTODOS DE FACTORIZACIN

DESCOMPOSICIN LU APLICACIONES
Anteriormente ya se ha escrito que un sistema de n ecuaciones con
n incgnitas se puede escribir de la siguiente manera
a11
a
21

ai1

a n1
O simplemente
a12
a13
... a1 j
a 22
a 23
... a 2 j
ai 2
ai 3
...
aij
an2
a n 3 ... a nj
... a1n x1 b1
... a 2 n x 2 b2

... ain xi bi

... a nn x n bn
Ax b
88
Supongamos que la matriz se puede escribir como el producto de LU ,

donde
L : es una matriz triangular inferior de orden nxn
l11
l 21
l
31
L
li1
l
n1
...
l 22
...
l32
l33 ...
li 2
lii
l n3
ln2
0
0
lij

l nn
nxn
lij lij , i j
tal que
lij 0 , i j
89
LU
U : es una matriz triangular superior de orden nxn
u11 u12
0 u 22
0
0
0
0

0
0
u13
u 23
u33
... u1 j ... u1n
... u 2 j .. u 2 n
.... u3 j .. u3n
uij
uij
uin
u nn
nxn
uij uij , i j
tal que
uij 0 , i j
90
U : es una matriz triangular superior de orden nxn

u11 u12
0 u 22
0
0
0
0

0
0
u13
u 23
u33
... u1 j ... u1n
... u 2 j .. u 2 n
.... u3 j .. u3n
uij
uij
uin
u nn
nxn
uij uij , i j
tal que
uij 0 , i j
Cuando es posible factorizar A=LU se dice que tiene una

descomposicin LU , pero esto no ocurre de una nica forma.
91
Cuando lii 1, i 1,2,3,..., n La matriz se transforma en una matriz

triangular inferior unitaria; en este caso se le llama FACTORIZACIN
DE DOOLITTLE.
La otra manera seria transformando a en una matriz triangular
superior unitaria es decir: uii 1, i 1,2,3,..., n se le conoce con el nombre
de FACTORIZACIN DE CROUT.
Cuando U =Lt de modo que lii es igual a uii para se le llama
descomposicin de CHOLESKY. Esta descomposicin de Cholesky
requiere de varias propiedades especiales, la matriz A debe ser
real, simtrica y definida positiva
92

Por ejemplo para una matriz 4x4 se tiene.
a11 a12
a
21 a22
a31 a32
a41 a42
a13
a23
a33
a43
0
a14 1
a24 l21 1
a34 l31 l32

a44 l41 l42
0
0
1
l43
0 u11 u12
0 0 u22
.
0 0
0

1 0
0
u13 u14
u23 u24
u33 u34
0 u44
a11 u11 , a12 u12 , a13 u13 , a14 u14
a21 l21. u11 , a 22 l21 u12 u 22 , a23 l21u13 u 23 , a24 l 21u14 u 24

a31 l31. u11 , a32 l31 u12 l32 u 22 , a33 l31u13 l 23u 23 u33 , a34 l31u14 l32 u 24 u32
a41 l41.u11 , a42 l41 u12 l42u22 , a43 l41u13 l42u23 l43u33 , a44 l41u14 l42u24 l43u32 u44
aij
min(i , j )
s 1
s 1
lis .u sj lis .u sj
93

Es decir:
a 24
lis u sj
s 1
4
a 44
lis u sj
s 1
a 24 l 21u12 l 22 u 24 l 21u14 u 24
a 44 l 41u14 l 42 u 24 l 43u34 u 44
Observacin:
1. lis 0 Para s i lis 1, i s
2. u sj 0 Para s j
3. El primer rengln fila de U es igual al de A ; es
decir:
a11 u11 ; a12 u12 ; a13 u13 ; a14 u14
u1 j a1 j ; j 1,2,3,4
94

4.Multiplicamos la segunda fila, la tercera fila y la
cuarta fila de L por la primera columna de U
a21 l 21u11 ; a31 l31u11 ; a 41 l 41u11
l 21
a 21
u11
; l31
a31
u11
; l 41
a 41
u11
5. Multiplicando la segunda fila de L, por la segunda,
tercera y cuarta columna de U y la igualamos con los

elementos de A , se tiene:
a 22 l 21u12 u 22
u 22 ; u 23
; a23 l 21u13 u 23
; a 24 l21u14 u 24
; u 24
u 22 a 22 l 21u12
; u 23 a 23 l 21u13
; u 24 a 24 l 21u14
95

Seudocdigo
Input n,(aij)
For k = 1,2,,
for j = k+1,k+2,n
k 1
l kk u kk a kk l ks u sk
s 1
k 1
u kj a kj l ks u sj / l kk
s 1
end
for i= k+1,k+2,n
end
k 1
l ik a ik l is u sk
s 1
/ u kk
end
Output (lij), (uij)
96

1.4.6. MTODO DE FACTORIZACIN DE DOOLITTLE
Consideremos una matriz de tres por tres:
a11
A a 21
a 31
a12
a 22
a 32
a13
a 23
a 33
L11 = L22 = L33 = 1, luego desarrolla el sistema de ecuaciones as:

u11 = a11, u12 = a12 , u13 = a13
Continuando
L21 = a21/a11, u22 = a22 (a21/a11) a12, u23 = a23 (a21/a11)a13
97

Del otro grupo de ecuaciones tenemos
L31
33
a 31
a11
a 31
a12
a 32
a11
L32
a
a 22 21 a12
a11
a
a 32 31 a12
a

a 31
11
a13
a 33
a 23
a 21
a a 21 a
22 a 12
11
a 21
a13

a11
98

Seudocdigo
Input n,(aij)
For k=1,2,,
l kk 1
for j =k+1,k+2,n
end
for i= k+1,k+2,n
end
end
output (lij), (uij)
k 1
u kj a kj l ks u sj
s 1
k 1
l ik a ik l is u sk
s 1
/ u kk
99

4 9 2
2 4 6
1 1 3
Ejemplo:
Solucin:
L 11 L
22
x1 5

x2 3
x 4
3
L 33 1
u 11 4 ; u 12 9 ; u 13 2
L
21
L 31
21
22
23
33
2
L
4
1
;
4
L 32
21
1
2
1
4
2
4
9
( 9)
1
4
( 9)
2
5
4
1
2
2 .5
2
6
4
2
( 9) 4
4
4
2 6
4
1
1
3 ( 2 )
4
4
9
1
u
2
2
1
4
2
4
( 9)
( 9)
22
23
1
2
1
2
6 2 3
2 . 5 5 10 u
2
4
33
10
100

De esta manera tenemos
0 0
1
0.5
1 0 ;
0.25 2.5 1
4 9 2
0 0.5 5
0 0 10
Para resolver el sistema dado se sigue los siguientes pasos:

Primero: Resolvemos Lc = b
En donde
b. Es el vector independiente original
c. Es un vector columna cualquiera
101

Es decir 1
0
.
5
0
0.25 2.5 1
0
1
C1 5

C2 3
C 4
3
C1 = 5; C2 = 3 - 0.5 (5) C2 = 0.5

C3 = 4 0.25 (5) (2.5) (0.5) = 4 -1.25 1.25 C3 = 1.5
Segundo: Resolver Ux = c
x3
1.5
x3 = -0.15
10
0.5 5 (0.15)
x2
2.5
0.5
x2 = 2.5
2
4 9
0 0.5 5
0 0 10
x1
x1 5

x 2 0.5
x 1.5
3
(5 9 (2.5) 2 (0.15))
x1 = 6.95
102

Generalizacin
i 1
u ij a ij Lik u kj ; j i, i 1,.....n
k 1
1
Lij
u jj
j 1
a ij Lik u kj , i j 1,....n
k 1
Lii 1, i 1,2,...n
103

1.4.7. MTODO DE CHOLESKY
Matriz Positiva:
Diremos que una matriz simtrica A, es positiva si solo si los
determinantes de las sub matrices de A son positivos.
a11 0 ,
a11
a 21
a12
a 22
a11
, a 21
a 31
a12
a 22
a 32
a13
a 21
a 33
a11
a 21
0 , ..... ,
a i1
a n1
a12
a 21
a1 j
a2 j
a1n
a 2n
ai 2
a ij
a in
an2
a nj
a nn
104

Supongamos que tenemos el sistema en la forma LU toma la
forma de LLT, en donde L es una matriz triangular inferior i.e.
L11
L21
L
31

L
i1

Ln1
L22
L32
L33
Li 2
Li 3
Lii
Ln 2
Ln 3 Lni
0
0
Lnn
Observacin: Los clculos se reducen pues estimaremos n

(n+1)/2 elementos, los Lij 0 en lugar de de n2 elementos de
una factorizacin nominal:
105
Ejemplo: Resolver el sistema siguiente

4 1 2 x1 1
1 2 0 x 2
2
2 0 5 x 3 4
La matriz de coeficiente es simtrica y positiva, luego

aplicamos Cholesky. Supongamos su descomposicin sea:
L11
L
21
L31
0
L22
L32
0
0
L33
L11
0
L21
L22
0
L31 4 1 2
L32 1 2 0
L33 2 0 5
106
2
a11 4 L11 2 se toma el valor positivo de todas las raices
L11
1
L11 L21 0 L21
2
L11 L31 2 L31 1
L221 L222 2 L22 2 0.25 1.32287
1
L21 L31 L22 L32 0 L32 1.32287 0.37796
2
L231 L232 L233 5 L31 5 1 0.14286 L33 1.963396
107
1. Resolver el sistema LC=b

0
0
2
0 1.32287
0 0.37796 1.96396
c1 1
c 2
2
c 3 4
c1
4
c 2 1.32287
c1 1 / 2 ,
1.32289 c 2 2 c 2
1
.
32289
2
c 2 1.32287
c 3 2.0367
108
2. Resolver el sistema LTx = C

12
1
0 1.32287 0.37796
0
0
1
.
96396
x1 1 2

x 2 1.32287
x 2.0367
2.0367
x 3 1.037
1.96396
0.59259
1.32287 0.37796 (1.037)

x2
1.29629 x 1.29629
1.32287
1.037
0.5 0.5 (1.29629) 2.0367
x1
0.5959
2
x3
109

Generalizacin para un sistema de n ecuaciones
L11 a11
a i1
Li1
, i 2,3,...., n
L11
1
2
Lii a11 l in ; i 2
k 1
i 1
1
i j 1, j 2,...., n 1
Lij
a ij l ik l jk
L11
k 1
j 2,3,....., n
i 1
Lij 0
i j
110
Muchas Gracias
111

Sistema de Ecuaciones Algebraicas Lineales

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Sistema de Ecuaciones Algebraicas Lineales

Transféré par

Droits d'auteur :

Formats disponibles

CATEDRA 0

ING. CRISTIAN CASTRO P.

1. DEFINICIN Y CLASIFICACIN DE MATRICES

La utilizacin de matrices (arreglos, arrays) constituye actualmente una parte

a13 ... ... a1n

Matriz cuadrada: Es aquella que tiene el mismo nmero de filas que de

Matriz transpuesta: La matriz transpuesta de A (A es una matriz cualquiera), se

Matriz simtrica: Una matriz

Matriz antisimtrica: Una matriz

Atendiendo a los elementos, se pueden identificar los siguientes tipos de

Matriz diagonal: Es una matriz cuadrada, en la que todos los elementos no

Matriz diagonal dominante: Es una matriz cuadrada cuyos elementos en la

a11 a12 a13 8 3 4

Matriz escalar: Es una matriz diagonal

Matriz unidad o identidad: Es una matriz escalar

Triangular superior: Si los elementos que

2. OPERACIONES CON MATRICES.

Propiedades de la trasposicin de matrices

Suma y diferencia de matrices. La suma de dos matrices A=(aij),

Propiedades de la suma de matrices

Producto de una matriz por un nmero. El producto de una matriz

Propiedades del producto de una matriz por un escalar

Producto de matrices. Dadas dos matrices A y B, su producto es otra matriz P

pij aik bkj

C2 x1 A2 x 3 B3 x1 cij aik bkj

c11 a1k bk1 a11b11 a12b21 a13b31

c21 a2 k bk1 a21b11 a22b21 a23b31

Propiedades del producto de matrices

3. Si A es una matriz cuadrada de orden n se tiene AIn = InA = A

Consecuencias de las propiedades

2. Si AB=AC no implica que B = C.

Matrices inversibles. Una matriz cuadrada que posee inversa se dice

Se pueden plantear las ecuaciones correspondientes:

Resolviendo el sistema anterior,

ING. CRISTIAN CASTRO P.

a1,1 x1 a1,2 x2 a1,n xn b1

TEOREMA DE EXISTENCIA Y UNICIDAD

TEOREMA DE EXISTENCIA Y UNICIDAD

Si m = n, entonces Ax=0 tiene una solucin no trivial si y solo

TEOREMA DE INVARIANZA DE LA SOLUCIN

Nmero de condicin de una matriz

rcond mide el buen condicionamiento

Sistemas de ecuaciones lineales

Sistemas de ecuaciones lineales

Sistemas de ecuaciones lineales

Sistemas de ecuaciones lineales

Sistemas de ecuaciones lineales

Cada fila o columna representa a un vector

aij bij cij

cij aik bkj

Ciertas matrices cuadradas tiene propiedades

Matriz diagonal (D): si todos los elementos sobre la

Matriz triangular inferior (L), los elementos sobre la

Los determinantes pueden ocuparse tambin

Cnm Anm Bnm

A and B must have the same

A and B must have compatible

cij aik bkj

Ann Bnn Bnn Ann

a11 a12 a11 a12

a21 a22 a21 a22

Mtodos directos frente a mtodos

Mx(k+1) = (MA) x(k) + b