Test Nº1

 Escriba en forma matricial lo siguiente (5p)

2 x  6 y  7  11
5 x  2 z  12
x  2 y  7 z  20

 Encuentre A·X y XT·AT (10p)

2
 3 0 2  4   3
 
A  4 3 1 2 X   
  0
 5 1 1 2   
1
 ¿Que es una matriz triangular superior?(5p)
Resolución de Sistemas de
Ecuaciones lineales
 Contenidos

 Concepto matrices y su uso en la resolución

de sistemas de ecuaciones
 Determinantes
 Método de eliminación de Gaussiana y de
Gauss-Jordan
 Métodos iterativos
 Sistemas de ecuaciones no lineales
 Matrices

 Es un arreglo rectangular de números donde no sólo de valor

de éste es importante, sino que también su posición
 El tamaño de una matriz se describe por la cantidad de filas
y columnas (n x m)
 a11 a12 a13 
A   a21 a22 a23 
a 
 31 32a a33 

 Cada fila o columna representa a un vector

 Propiedades

 Dos matrices del mismo tamaño pueden sumarse o

restarse
A   aij  y B  bij 
C  A  B   aij  bij   cij

 La multiplicación se define como sigue, cuando A

es n x m, y B es m x r. A·BB·A
 aij  bij   cij 
m
cij   aik bkj i  1, 2,....n, j  1, 2,....r
k 1
 Ejercicio

5 1   1 2  6 3
 3 2    3 3    0 1 
     

 2 1 2 1 0  2 3
 1 1 1  *  0 1    1 0 
     
 5 0 3 0 1 5 3
     
 Si una matriz se multiplica por un escalar el resultado es una
nueva matriz con cada elemento multiplicado por éste
 Una matriz con una sola columna se le denomina vector
columna (n x 1), si es una fila se habla de vector reglón (m x
1)
 Al multiplicar una vector reglón con un vector columna se
obtiene el producto interior
 Al multiplicar una vector columna con un vector reglón se
obtiene el producto exterior
 La división para matrices no está definida, aún cuando
analizaremos la inversa de una matriz
 Ciertas matrices cuadradas tiene propiedades
especiales, como por ejemplo:
 Matriz diagonal: si todos los elementos sobre la
diagonal son distintos de 0
 Matriz identidad (I), caso especial en donde la diagonal
está compuesta por unos y l resto por 0. A·I = I·A
 Matriz de transposición (P), formada al intercambiar 2
reglones o columnas de la matriz identidad. El producto
de varias matrice de trasposición es una matriz de
permutación
 Matriz transpuesta (AT), es la matriz que se obtiene al
intercambiar los reglones por columnas o viceversa
 Cuando es matriz es cuadrada se define un cantidad
denominada Traza. Que es la suma de los elementos de
la diagonal. tr (A)= tr (AT)
 Matriz triangular inferior, los elementos sobre la
diagonal son 0, de manera complementaria se define la
matriz triangular superior
 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
reglones
 Determinante
 El determinante de una matriz es un número
 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
 21 22 
a a
 Para una matriz mayor se aplica la regla de desarrollar en
términos de los menores respecto a algún reglón o
columna. El menor de cada término es la matriz de menor
orden formada al eliminar el reglón o columna en cuestión.
Se parte con signo positivo si la suma del reglón o
columna es par y negativo en caso contrario, de ahí en
adelante se alternan los signos
 En el caso de una matriz triangular superior o inferior su
determinante es sólo el producto de los elementos de la
diagonal
 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 
 Los determinantes pueden ocuparse también
para calcular el polinomio característico de la
matriz, ya que :

pA ( )  A   I  det( A   I )

 1 3
A 
 4 5 
 (1   ) 3 
p A ( )  A   I  det  
 4 (5   ) 
 (1   )(5   )  12   2  6  7
 Método de eliminación

 Este método busca cambiar la matriz de

coeficientes de modo que sea triangular superior, se
puede aumentar con un vector al lado derecho
 Una vez logrado esto se procede a realizar
sustitución hacia atrás
 Este tipo de método emplea n(n+1)2
multiplicaciones /divisiones
 Precaución al encontrar 0 en la diagonal
 Ejemplo
 4 2 1  x1  15 
 3 1 4  x 2    8 
    
 1 1 3  x3   13 
    
 4 2 1 15 
A / b   3 1 4 8  3R1  4 R2
1 1 3 13  1R1  4 R3 2 R2  10 R3


 4 2 1 15 
 0 10 19 77 
 
0 0 72 216 


 x1   2 
 x 2    2 
   
 x3   3 
   
 Método de eliminación
Gaussiana
 Dado que el anterior método puede dar valores muy
grandes para las multiplicaciones a través de este
nuevo método se hace 1 el coeficiente principal en
la ecuación que contiene ese término
 Se mantiene la precaución de evitar los 0 en la
diagonal para lo cual se recurre a pivoteo si es
necesario
 Se debe tener cuidado con el efecto de redondeo
 Ejemplo
 4 2 1  x1  15 
 3 1 4  x 2    8 
    
 1 1 3  x3   13 
    
 4 2 1 15 
A / b   3 1 4 8 
1 1 3 13 

 4 2 1 15 
3/ 4 R1  R2  0 2.5 4.75 19.25 
 
1/ 4 R1  R3  0 0.5 2.75 9.25 
 

 4 2 1 15 
 0 2.5 4.75 19.25 
 
(0.5/  2.5)R2  R3 0 0 1.80 5.40 

 Algoritmo
%Procesamiento secuencial, sin pivoteo%
for j=1 to (n-1)
fo i=(j+1) to n
for k=j to (n+1)
a[i,k]=a[i,k]-a[i,j]/a[j,j]*a[j,k]
end for k
end for i
end for j

%Procesamiento en paralelo%
for i=1 to (n-1) %cuenta etapas=columnas%
for k= i to (n+1)
a[i,k]=a[i,k]-a[i,j]/a[j,j]*a[j,k]
end for k
end for i
 De acuerdo a lo anterior la matriz A puede ser
descompuesta en el L·U
 4 2 1
A   3 1 4 
 1 1 3 

 1 0 0  4 2 1 
 0.75 1 0 · 0 2.5 4.75 
 
 0.25 0.20 1   0 1.80 
  0
L U

 Donde L es triangular inferior y U es triangular superior

 El determinante de dos matrices es el producto de cada uno
de los determinantes. Luego por ser U triangular el
determinantes es el producto de los elementos de la
diagonal
det( L *U )  det( L)*det(U )  det(U )
 Resumiendo podemos observar que:
 Por este método se resuelve el sistema de ecuaciones
 Calcula el determinante de una matriz de manera bastante
eficiente
 Puede proporcionar la descomposición LU de la matriz
de coeficientes
 Cuando exista intercambio de reglones el determinante se
calculará de la siguiente forma ( considere m como el nº
de recambios)
det( A)  (1)m * u11 *.....* unn
 Método de Gauss-Jordan

 Se busca hacer 0 al mismo tiempo por arriba de la

diagonal y por abajo, creando ceros
 Por lo general los elementos de la diagonal se hacen
1 al mismo tiempo que se ejecuta la reducción, así
la matriz de coeficientes se transforma en la matriz
de identidad
 Una vez logrado lo anterior en la columna del lado
derecho se obtiene el vector solución
 Para preservar exactitud aritmética se emplea el
pivoteo
 0 2 0 1 0 
 2 2 3 2 2 
Ejemplo  
 4 3 0 1 7 
1 0.16667 1 0.83335 1   
0 1.6667 5 3.6667 4   6 1 6 5 6 

0 3.6667 4 4.3334 11

0 2 0 1 0 
  Intercambiar reglones 1 y 4, dividir
1.5 1.2000
por 6 el primer reglón y reducir la
1 0 1.4000 
0 primera columna
 1 2.9999 2.2000 2.4000 
0 0 15 12.400 19.800   Intercambiar reglones 2 y 3, dividir

0 5.9998 3.4000
 entre –3.6667 el segundo reglón y
0 4.8000 
reducir la segunda columna
1 0 0.8182 0.6364 0.5 
0 1 1.0909 1.1818 3   El tercer reglón se divide entre

0 0 6.8182 5.6364 9 
6.8182 y los demás elementos de la
  tercera columna se hacen 0
0 0 2.1818 3.3636 6 
1 0 0 0 0.49999   Ahora el cuarto reglón se divide
0 1 0 0 1.0001 
entre 1.5599 y se crean los 0 por
 arriba de la diagonal en la cuarta
0 0 1 0 0.33326 
  columna
0 0 0 1 1.9999 
 Ejercicio

 Resuelva por el método de Gauss-Jordan el

siguiente sistema de ecuaciones
2 4 1 2  x1  10 
4 0 2 1  x 2  7
     
1 3 2 0  x3   3 
    
3 2 0 5  x 4   2 
 Escalación: Con frecuencia es necesario
escalar los reglones de la matriz de
coeficientes antes de realizar un pivoteo, el
efecto que se consigue es ajustar estos
coeficientes en un mismo orden de magnitud.
Disminuyendo el error por redondeo
 Lo normal es dividir cada reglón entre la
magnitud del mayor término
 Otros métodos de descomposición LU
 Método de reducción de Crout:(Matriz U con 1
en la diagonal a diferencia de método gaussiano,
L)
l 0 0 0   1 u12 u13 u14  a a a13 a14 
 11    11 12 
l l 0 0  0 1 u23 u24  a a a23 a24 
 21 22     21 22 
l l l 0  0 0 1 u34  a a a33 a34 
 31 32 33    31 32 
l  1  a a44 
 41 42 43 44   0 0
l l l 0  41 a42 a43

Determinar como se calcula cada coeficiente

 Este método es popular en programación ya que
permite economizar en el almacenamiento de la
información
 No hay necesidad de almacenar los 0
 Es posible condensar las matrices L U en el espacio
de A
 Para resolver sistemas de ecuaciones es necesario
sólo transformar la matriz de coeficientes en su
equivalente LU
 La matriz L da el registro de las operaciones
necesarias para que los coeficientes de la matriz A
se transformen en la matriz triangular superior U
 Estas condiciones se aplican al vector b, generando
b’
 Si b’ se aumenta a A y se sustituye hacia atrás se
encuentra la solución del sistema
i 1
bi   lik b 'k
b1
b '1  b 'i  k 1

l11 lii
 Ejemplo
 3 1 2  3 0 0  1 1/ 3 2 / 3 
     
A  1 2 3   L=  1 7 / 3 0  U   0 1 1 
 2 2 1  2 4 / 3 1 0 1 
     0

12
3
12   4
  11-1*4   
b   11  b'=  3 
2 7/3  2
  2  2*4  (4 / 3*3)  
1

 1 1/ 3 2 / 3 4   x1   3 
   
 0 1 1 3    x2   1
0  
 0 1 2   x   2 
 3
 Algoritmo
 Para transformar una matriz A de nxn en L*U

for i=1 to n
L[i,1]=a[i,1] L[i,j]=a[i,j]-sum
End For i End for i
for j=1 to n U[j,j]=1
U[1,j]=a[1,j]/L[1,1] for i=j+1 to n
End for j sum=0.0
for j=2 to n for k=1 to j-1
for i=j to n sum=sum+L[j,k]*U[k,i]
sum=0.0 End for k
for k=1 to j-1 U`j,i]=(a[j,j]-sum)/L[j,j]
sum=sum+L[i,k]*U[k,j] End for i
End for k End for j
 Método de Cholesky:similar al método
gaussiano
A  U TU
 Patologías en sistemas lineales

 Determinar a priori si el sistema de ecuaciones planteados

tendrá solución
 Errores por redondeo
 División de ceros
 No hay solución única para el sistema, cantidad de
incógnitas mayor a la cantidad de ecuaciones que las
vinculan
 Redundancia de ecuaciones
 Si los sistemas n x n no tiene solución única entonces su
matriz de coeficientes se denomina singular. En caso
contrario se define una matriz no singular
 Una solución para determinar si existe redundancia o hay
inconsistencia es determinar el RANGO de la matriz.
 Si el valor es menor al número de ecuaciones, no existe
una solución única.
 Si el valor es n hay una solución única

 El rango se determina triangularizando por eliminación

gaussiana y verificando si no aparecen 0 en la diagonal
 Verificar dependencia de lineal determinando si existen una
combinación de coeficientes escalares que al ser evaluados
con los coeficientes den 0
 La matriz es singular
 Un sistema de ecuaciones
con estos coeficientes no
tiene una solución única
 La eliminación gaussiana no
puede evitar un 0 en la
diagonal
 El rango de la matriz es
menor que n
 Los reglones o columnas
forman vectores linealmente
dependientes
 La matriz no es singular
 Un sistema de ecuaciones
con estos coeficientes tiene
una solución única
 La eliminación gaussiana
procede sin un 0 en la
diagonal
 El rango de la matriz es igual
an
 Los reglones o columnas
forman vectores linealmente
dependientes
 Inversión de matrices

 La división de matrices no está definida, la inversa

proporciona un resultado equivalente
 Si el producto entre 2 matrices cuadradas es la
matriz identidad se dice que las matrices son
inversas entre sí. AB=I, si B=A-1
 No todas las matrices cuadradas tienen inversa
 El método de eliminación gaussiana se prefiere por
ejemplo al de Gauss-Jordan
 Ejemplo
1 1 2 
A   3 0 1 
1 0 2 

 1 1 2 1 0 0   1 0 0 0 2 / 5 1/ 5 
3 0 1 0 1 0  0 1 0 1 0 1 

1 0 2 0 0 1   0 0 1 0 1/ 5 3/ 5 


 3 0 1 0 0.4 0.2 
 (0.333) 1 1.667 1 0 1 
  Eliminación gaussiana
 (0.333) (0) 1.667 0 0.2 0.6 
 
 La inversa de la matriz constituye una forma
para resolver el sistema de ecuaciones:
Ax  b
LUx  b
( L1L)Ux  L1b
Ux  b ', b '  L1b
 Norma
 Es una forma de expresar magnitud de un vector o matriz y
debe contener 4 propiedades.
 Siempre ser un valor mayor o igual a cero (matriz 0)

 La norma debe multiplicarse por k si la matriz se

multiplica por un escalar
 La norma de la suma de 2 matrices no debe exceder la
suma de las normas
 La norma del producto de 2 matrices no debe exceder el
producto de las normas
 La norma euclidiana es una de las más conocidas y satisface
las 4 condiciones para un vector se calcula por medio
1/ 2
 n 2
x e  x    xi 
2
n
 i 1 
 La norma de Frobenius se define para una matriz de m x n
como
1/ 2
 m n 2
A f
   aij 
 i 1 j 1 

 El producto de normas se denomina número de condición, y

es un medida cuantitativa del grado de mal
condicionamiento de la matriz de coeficientes
 Métodos Iterativos

 Son de preferencia cuando la matriz de coeficientes es

poco densa
 Pueden ser más económicos en cuanto a requisitos de
espacio de memoria
 Los métodos que se aplicarán para resolver sistemas de
ecuaciones lineales serán de Jacobi y el de Gauss-Seidel
 Para ambos es requisito que exista un sistema
diagonalmente dominante. Es decir cada elemento de la
diagonal de la matriz de coeficientes es mayor en
magnitud que la suma de las magnitudes de los otros
coeficientes en ese reglón
 Jacobi

 Este método es exactamente el mismo que el método de

iteración de punto fijo para una simple ecuación
x( n 1)  G( x( n) )  b ' Ax( n)

 Cada variable se deja en función de las otras

n a
bi
xi    xj
ij

aii j 1 aii

 Se establecen las siguientes relaciones:

Sistema de ecuaciones lineales

a11x1  a12x 2  a13x 3   a1nxn  b1 


a 21x1  a 22x 2  a 23x 3   a 2nxn  b2 

a 31x1  a 32x 2  a 33x 3   a 3nxn  b3 
      

an1xn  an2x 2  an3x 3   annxn  bn 
 Ecuación de punto fijo

x1  (b1  a12 x 2  a13 x 3   a1nxn )/a 11 


x 2  (b2  a21x1  a23 x 3   a2nxn )/a 22 

x 3  (b3  a31x1  a32 x 2   a3nxn )/a 33 
     

xn  (bn  an1x1  an2 x 2   an,n 1xn 1 )/a nn 

 Iteración de Jacobi

x (k+1)
1  (b1  a12x (k)
2  a13x (k)
3   a x ) / a11 
(k)
1n n

x (k+1)
2  (b2  21 1
a x (k)
 a x
23 3
(k)
  a 2nxn ) / a 22 
(k)


x (k+1)
3  (b3  a x (k)
31 1  a 32x (k)
2   a 3nxn ) / a 33 
(k)


     

x (k+1)
n  (bn  a x (k)
n1 1  an2x (k)
2   an,n1xn1 ) / ann 
(k)
  0 0 0
L   2 0 0 
1 2 0 

 6 2 1  x1   11 
Ax  b   2 7 2   5  6 0 0
x 2
   
 1 2 5  x3   1 D   0 7 0 
     0 0 5 

0 2 1 
U   0 0 2 
Sea A=L+D+U
x ( n 1)  - D -1 ( L  U ) x ( n )  D -1b 0 0 0 


 1.8333 
b '  D -1b   0.7143 
 0.2000 
 
 0 0.3333 0.1667 
B  D -1 ( L  U )   0.2857 0 0.2857 
 0.2000 0.4000 0 

for i=1 to n
Algoritmo
b[i]=b[i]/a[i,i]
new_x[i]=old_x[i]
a[i,j]=a[i,j]/a[i,i];j=1....n an i <>j
end for i
repeat
for i=1 to n
Se supone reordenamiento del
old_x[i]=new_x[i]
sistema Ax=b, con matriz A
new_x[i]=b[i]
end for i
diagonalmente dominante
for i=1 to n
for j=1 to n
If (j<>i) then
new_x[i]=new_x[i]-a[i,j]*old_x[j]
end for j
end for i
Until que new_x y old_x convergan uno hacia el otro
 Gauss-Seidel

 Cada variable se deja en función de las otras

 Luego se procede a mejorar cada valor de x con las
sucesivas aproximaciones, converge más rápido que
Jacobi
 La ecuación que representa este método corresponde a:
( L  D) x  Ux  b

x ( n 1)  ( L  D) 1Ux ( n )  ( L  D) 1 b
 Algoritmo
for i= 1 to n
b[i]=b[i]/a[i,i]
a[i,j]=a[i,j]/a[i,i]; j=1.....n and i<>j
end for i

Se supone reordenamiento del

While not Do
for i=1 to n
sistema Ax=b, con matriz A
x[i]=b[i];
diagonalmente dominante
for j=1 to n
if (j<>i) then
x[i]=x[i]-a[i,j]*x[j]
end for j
end for i
end While
 Métodos directos frente a
iterativos
DIRECTOS ITERATIVOS
 Ax =b  Mx = (MA)x + b
 x = A-1 b  Mx(k+1) = (MA) x(k) + b
 Tamaño moderado  Tamaño grande
 Producen llenado  Conservan los ceros
 Error de redondeo  Error de truncamiento
 Sistemas de ecuaciones no
lineales
Los sistemas de ecuaciones no lineales son más difíciles de resolver
que uno lineal
El método de Newton puede aplicarse a este tipo de sistemas, para
lo cual se definen las siguientes formas:
f ( x, y )  0
g ( x, y )  0

Por otro lado sea x = r e y = s valores iniciales dados para iniciar el

análisis, y ambas funciones se desarrollan con una serie de Taylor
con respecto a (xi,yi) en términos de (r-xi),(s-yi)
f (r , s )  0  f ( xi , yi )  f ' x ( xi , yi )(r  xi )  f ' y ( xi , yi )( s  yi )  .....
g (r , s )  0  g ( xi , yi )  g ' x ( xi , yi )(r  xi )  g ' y ( xi , yi )( s  yi )  .....

 0   f ( xi , yi )   f 'x ( xi , yi ) f ' y ( xi , yi )   r  xi  Truncamiento

 0    g(x , y )    g ' (x , y ) g ' y ( xi , yi )   s  yi 
   i i   x i i Serie de Taylor

 f 'x ( xi , yi ) f ' y ( xi , yi )   xi   f ( xi , yi )  Sistema de ecuaciones se

 g ' (x , y )  
g ' y ( xi , yi )   yi   g(x , y )  resuelve por eliminación
 x i i  i i 
gaussiana

 xi 1   xi   xi  Se obtiene estimación mejorada de r y s,

 y    y    y  repetir el proceso hasta que f y g estén
 i 1   i   i  cercanas a 0
 Ejemplo

 Resuelva el siguiente sistema de ecuaciones

no lineales f  2 x g  e
x x
x

f y  2 y g y  1
f ( x, y )  4  x  y  0
2 2

g ( x, y )  1  e x  y  0
 2 3.4  x   0.1100 
 2.7183 1.0  y     0.0183 
    
xo  1
yo  1.7 x  0.0043  x1  1.0043
y  0.0298  y1  1.7298

Repetir hasta tolerancia fijada

 Funciones de Matlab

 Transpuesta= a’
 Determinante= det (a)
 Inversión= inv(a) ó a^-1
 Método de Gauss-Jordan = rref(a)
 Resolución de ecuaciones= solve(a) o solve
(‘función 1’,’función 2’...)
 Polinomio característico = Poly(a)
 Descomposición LU, [l,u]= lu(a)
 Ejercicio
 Resuelva mediante Matlab lo siguiente:
 Transpuesta, inversa, determinante y polinomio
característico  3 2 8 2 
 1 3 2 6 
 
 5 1 3 9 
 
 2 3 8 1 
 Resolver el siguiente sistema de ecuaciones
1 3 4 2   x1   1 
3
 2 4 1   x2   7 

4 2 1 3   x3   33 
    
2 1 4 3   x4   21 
 Resolver el sistema y luego verificar el error al
dividir cada uno de los reglones por su
correspondiente valor de b y resolver
nuevamente
 4 2 1 0 0 1 10   x1  12
 2 0
 4 3 1 1 1   x2  1
 1 2 1 2 1 2 1   x3  52
  
 0 0 0 0 2 1 0   x4   1
 5 3 2 1 1 1 3   x5  45
  
 4.5 3.5 2.9 5.6 4 5.5 3.2   x6  3000
 6 10 9 1  
 8 5 10  x7  0.56
 Resuelva el siguiente sistemas de ecuaciones
no lineales y grafique

xyz  x 2  y 2  1.34
xy  z 2  0.09
e x  e y  z  0.41