Bairstow

Captulo 3.
SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES 1

__________________________________________________________________________________
CAPTULO
3.
SOLUCIN
ECUACIONES
NUMRICA
DE
SISTEMAS
DE
INTRODUCCIN
Un sistema de n-ecuaciones (con coeficientes reales) en las n-incgnitas x1, x 2 ,..., x n es un
conjunto de n ecuaciones de la forma
f1 ( x1, x2 ,..., xn )
f 2 ( x1, x2 ,..., xn )
f ( x , x ,..., x )
n
n 1 2
(3.1)
M
=
donde
fi :
Di
X = ( x1, x 2 ,..., x n )
R, Di Rn
fi ( X ) = y
Si para cada i = 12
, ,...,n , la funcin fi es de la forma
fi ( x1, x 2 ,..., xn ) = ai 1x1 + ai 2 x 2 +...+ ai n xn b i
con ai 1, a i 2 ,..., a i n y bi constantes reales, el sistema se dice lineal (con coeficientes reales); en
cualquier otro caso el sistema se dice no-lineal.
Si C = ( c1, c 2 ,...,c n ) R n es tal que fi ( c1, c 2 ,..., c n ) = 0 para cada i = 12
, ,...,n , entonces se dice que
C es una solucin real del sistema (3.1).
El objetivo de este captulo es estudiar algunos mtodos numricos para encontrar una solucin
real de un sistema del tipo (3.1).
3.1 SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES LINEALES

Un sistema de n-ecuaciones lineales (con coeficientes reales) en las n-incgnitas x1, x 2 ,..., x n
puede escribirse en la forma
a11x1 + a12 x 2 +...+a1n xn
a x + a x +...+a x
21 1
22 2
2n n
an1x1 + an 2 x 2 +...+ ann xn
= b1
= b2
M
, ,...,n (3.2)
con ai j , bi R , i, j = 12
= bn
El sistema (3.2) puede escribirse en la forma matricial equivalente AX = b con
Captulo 3. SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES 2

__________________________________________________________________________________
b1
x1
a11 a12 L a1n

x
L
a
a
a
22
2n
2 y b = b2
=
X
A = 21
,
M
M
M
M
M

bn
xn
an1 an 2 L ann
La matriz A es llamada matriz de coeficientes del sistema, el vector columna X el vector de

incgnitas y el vector b el vector de trminos independientes.
Nota: Consideraremos nicamente sistemas de ecuaciones lineales AX = b con A R n n que
tengan solucin nica para cada vector b R n , es decir, con A invertible.
Los mtodos numricos que estudiaremos para la solucin de un sistema de ecuaciones lineales
se clasifican en dos tipos: directos e iterativos.
Los mtodos directos nos proporcionan una solucin del sistema en un nmero finito de pasos.
Si usamos aritmtica finita para los clculos, obtendremos por lo general una solucin aproximada,
debido nicamente a los errores de redondeo, puesto que no hay errores de truncamiento o de
frmula. Los mtodos directos ms usados tienen como base la eliminacin de Gauss.
En los mtodos iterativos se parte de una aproximacin inicial a la solucin del sistema dado y se
genera, a partir de dicha aproximacin, una sucesin de vectores que si converge lo hace a la
solucin del sistema. Al igual que en el captulo 2, tendremos frmulas para calcular los trminos
de la sucesin, as que en general no se espera calcular el lmite de la sucesin, por lo que
debemos tomar algn trmino de la sucesin como una solucin aproximada del sistema. Esta
vez, adems de los errores de redondeo si se usa aritmtica finita, habr errores de truncamiento o
de frmula. Los mtodos iterativos ms simples y conocidos estn basados en iteraciones de
Punto Fijo.
3.2 MTODOS DIRECTOS

CASO 1: La matriz A (de coeficientes del sistema AX = b ) es triangular (superior o inferior)
con todas sus componentes sobre la diagonal principal no-nulas.
Supongamos que el sistema es de la forma
a11x1 + a12 x 2 +
...
+ a1 ix i +
...
+ a1,n 1xn 1 + a1 n xn = b1
a22 x 2 +
...
+ a 2 i xi +
...
+ a 2,n 1xn 1 + a2 n xn = b 2
ai i xi +
...
+ ai,n 1xn 1 + ai n x n = bi
M
M
an 1,n 1xn 1 + an 1,n xn = bn 1
an n xn = bn
Como an n 0 , entonces podemos despejar xn de la ltima ecuacin y obtenemos

__________________________________________________________________________________
xn =
bn
an n
Conocido x n , usamos la penltima ecuacin para obtener

b n 1 a n 1, n xn
x n 1 =
a n 1, n 1
Conocidos x n y xn1 , obtenemos (de la antepenltima ecuacin)

xn 2 =
bn 2 an 2, n 1xn 1 + an 2, n xn
an 2, n 2
En general, conocidos xn , xn 1,..., xi +1 , obtenemos

n
bi
i k xk
k = i +1
xi =
, i = n 1,n 2,...,1
ai i
El mtodo anterior para determinar la solucin del sistema se denomina sustitucin reversiva,
regresiva o hacia atrs.
Si la matriz de coeficientes del sistema es triangular inferior, para resolver el sistema podemos
proceder de manera similar al caso anterior, pero empezando por despejar x1 de la primera
ecuacin. El procedimiento en este caso se denomina sustitucin progresiva o hacia adelante.
~
Algoritmo 3.1 (Sustitucin regresiva) Para encontrar una solucin aproximada X de un sistema
triangular superior AX = b con A = a i j
invertible.
( )nn
, ,...,n, j = i,..., n ; los trminos

Entrada: El orden n del sistema; los coeficientes ai j , i = 12
independientes b i, i = 12
, ,...,n .
~
Salida: Una solucin aproximada X = ( x1, x 2,..., xn ) .
Paso 1: Tomar x n =
bn
.
an n
Paso 2: Para i = n 1, n 2,...,1 , tomar

n
bi
xi =
i k xk
k =i + 1
ai i
~
Paso 3: Salida: "Una solucin aproximada del sistema es X = ( x1, x 2 ,..., xn ) ".
Terminar.

__________________________________________________________________________________
CASO 2: La matriz A (de coeficientes del sistema AX = b ) es tal que no se requieren

intercambios de filas para culminar con xito la eliminacin Gaussiana.
Digamos que el sistema AX = b tiene la forma
E1 :a11x1 + L + a1j x j + L
E2 : a21 x1 + L + a2 j x j + L
M
E j :a j 1 x1 + L + a j j x j + L
M
Ei : a i 1x1 + L + a i j x j + L
En :an 1x1 + L + an j x j + L
+ a1 n x n = b1
+ a 2 n xn = b 2
M
+ aj nxn = b j
M
+ ai nxn = bi
M
+ an n xn = bn
El proceso de eliminacin Gaussiana (simple) consiste en lo siguiente:

i) Eliminamos el coeficiente de x1 en cada una de las ecuaciones E2 ,E3 ,...,En para obtener un
1
1
sistema equivalente A ( ) X = b ( ) , realizando las operaciones elementales
a
Ei i 1 E1 Ei(1) , i = 2,3,..., n
a11
ii) Eliminamos el coeficiente de x 2 en cada una de las ecuaciones E3(1) ,E(41) ,...,En(1) , para obtener
( 2)
( 2)
un sistema equivalente A X = b , realizando las operaciones elementales
(1)
E( 1) ai 2 E(1) E( 2 ) , i = 3,4,..., n
i
i
a( 1) 2
22
( 1)
(debe ocurrir que a2 2 0 ).
iii) En general, eliminados los coeficientes de x1, x 2 ,..., x j1 , eliminamos el coeficiente de x j en
j 1
j 1
j 1
cada una de las ecuaciones E(j+1 ) ,E(j+ 2 ) ,..., En( ) , para obtener un sistema equivalente
( j)
( j)
A X = b , realizando las operaciones elementales
( j 1)
E( j 1) ai j E( j 1) E( j ) , i = j + 1,..., n
i
i
( j 1) j
aj j
j1
(debe ocurrir que a(j j ) 0 ).
Los nmeros

__________________________________________________________________________________
mi j =
j 1
ai( j )
,
j 1
a( )
j = 1,...,n 1, i = j + 1,...,n
jj
se llaman multiplicadores (si j = 1 ,
0
a(i 1) ai 1
).
0
a( ) a11
11
El sistema (reducido) resultante tendr la forma

a11x1 + a12 x 2 +
(1) x +
a22
2
...
+ a1 jx j +
...
+ a1,n 1xn 1 + a1n x n = b1
...
1
+ a(2 )jx j +
...
1
1
1
+ a2( ,n) 1xn 1 + a2( n) xn = b 2( )
( j1)
aj j x j
...
( j1)
a j,n 1xn 1
( j1)
aj n xn
( j1)
= bj
M
n 2)
n2)
n2
(
(
an 1, n 1xn 1 + an 1, n xn = bn( 1 )
n 1
n 1
a(n n ) xn = bn( )
el cual se resuelve por el mtodo de sustitucin regresiva, para obtener la solucin del sistema
original.
CASO 3: La matriz A (de coeficientes del sistema AX = b ) es tal que se requieren
intercambios de filas para culminar con xito el proceso de eliminacin Gaussiana.
Procedemos exactamente como en el caso 2, solo que cuando encontremos a(j jj1) = 0 para algn
( j1)
( 0)
j = 12
, ,..., n 1 (recuerde que si j = 1, a j j = a11 a11 ), continuamos de la siguiente manera:
( j1)
(si j = 1, A ( j1) = A ( 0) A ) desde la fila ( j + 1 )-sima

hasta la n-sima, el primer elemento distinto de cero (Por qu debe existir tal elemento?). Si
j1
a( ) 0 es tal elemento, entonces se efecta la operacin elemental
Se busca en la j-sima columna de A
kj
j 1
j 1
E(j ) E(k ) : intercambio de las ecuaciones j-sima y k-sima
y se continua con el proceso de eliminacin Gaussiana.

Una vez que se ha hecho la eliminacin Gaussiana completa, se realiza la sustitucin regresiva
para obtener la solucin nica del sistema dado.
Los procedimientos descritos anteriormente quedan incluidos en el siguiente algoritmo, en el cual
incluso la matriz A puede ser no invertible (singular) .
Algoritmo 3.2 (Eliminacin Gaussiana con sustitucin regresiva) Para obtener una solucin
~
aproximada X de un sistema de la forma

__________________________________________________________________________________
E1: a11x1 + ...
E2 : a 21x1 + ...
M
En : an 1x1 + ...
+ a1n x n = b1
+ a2 n xn = b 2
M
+ an n xn = bn
Entrada: El orden n del sistema; las componentes ai j , i = 12

, ,...,n , j = 12
, ,..., n + 1 de la matriz
, ,...,n .
aumentada ( A M b) con ai, n +1 = b i, i = 12
~
Salida: Una solucin aproximada X = ( x1, x 2 ,..., xn ) del sistema dado o un mensaje.
Paso 1: Para j = 12
, ,...,n 1 , seguir los pasos 2-4 (Proceso de eliminacin):
Paso 2: Hallar el menor entero k tal que j k n y ak j 0 ( ak j es el contenido en la
posicin de memoria ( k, j) en ese momento).
Si no existe tal k, entonces A no es invertible, por tanto, salida: "El sistema no

tiene solucin nica". Terminar.
Paso 3: Si existe tal k y k j , hacer
Ej Ek (intercambio de las filas j-sima y k-sima)
Paso 4: Para i = j + 1,..., n , seguir los pasos 5 y 6:

Paso 5: Tomar m i j =
ai j
aj j
Paso 6: Efectuar Ei mi jE j Ei .
(Hasta aqu llega la eliminacin Gaussiana)
Paso 7: Si an n = 0 , entonces, salida: "El sistema no tiene solucin nica". Terminar.
Paso 8: Tomar x n =
an, n + 1
an n
(Aqu empieza la sustitucin regresiva).
Paso 9: Para i = n 1,...,1 tomar

n
ai, n + 1
xi =
i k xk
k =i + 1
ai i
~
Paso 10: Salida: "Una solucin aproximada del sistema es X = ( x1, x 2,..., xn ) ".
Terminar.

__________________________________________________________________________________
Hay sistemas de ecuaciones lineales, como vimos en el captulo 1, que son sensibles a pequeos
cambios en los datos; de tales sistemas decimos que estn mal condicionados.
En la prctica, por lo general, cuando se requiere resolver un sistema AX = b , asociado con un
problema, los datos (coeficientes y trminos independientes) no se conocen de manera exacta,
debido por ejemplo a errores de medicin, es decir, se dispone realmente de un sistema
perturbado. Por otra parte, aunque los datos se conozcan de manera exacta, stos al ser entrados
al computador sern transformados (por el compilador) en nmeros de mquina, lo que sabemos
introduce errores de redondeo. En cualquier caso, interesa saber si tales errores pueden afectar
de manera significativa la solucin del problema. Una manera de estudiar estos comportamientos
es a travs del nmero de condicin de la matriz de coeficientes del sistema.
3.3 SISTEMAS MAL CONDICONADOS Y NMERO DE CONDICIN DE UNA MATRIZ

Para llegar a la idea del nmero de condicin de una matriz empecemos considerando el siguiente
ejemplo que muestra dos sistemas de ecuaciones lineales mal condicionados.
Ejemplo 3.1 Consideremos los siguientes sistemas de ecuaciones lineales
x +y= 2
10.05 x + 10 y = 21
(3.3)
4.1x + 2.8 y = 4.1
9.7 x + 6.6 y = 9.7
(3.4)
20
En el captulo 1, vimos que la solucin exacta del sistema (3.3) es X 1 =
y si cambiamos el
18
coeficiente 10.05 por 10.1 (un cambio relativo de aproximadamente .5%), la solucin exacta del
sistema perturbado
x +y= 2
10
.
1
x + 10 y = 21
(3.3')
10
~
es X 1 = , que muestra un cambio relativo del 50% en el valor de x y de aproximadamente el
8
56% en el valor de y.
10
.
Anlogamente, el sistema (3.4) tiene solucin exacta X 2 = y si cambiamos el trmino
0.0
independiente 4.1 por 4.11 (un cambio relativo aproximado de .2% en el trmino independiente), la
solucin exacta del sistema perturbado
4.1x + 2.8 y = 4.11
9.7 x + 6.6 y = 9.7
(3.4')

__________________________________________________________________________________
.34
~
es X 2 =
, que muestra un cambio relativo aproximado de 66% en el valor de x.
.97
Se observa entonces que un cambio "pequeo" en uno de los datos (coeficientes y trminos
independientes) ha producido un cambio "grande" en la solucin, es decir, la solucin del sistema
perturbado es "muy diferente" de la solucin del sistema original.
Los anteriores son ejemplos de problemas mal condicionados.
Un problema se dice bien condicionado si "pequeos" cambios en los datos introducen,
correspondientemente, un cambio "pequeo" en la solucin. El buen o mal condicionamiento de un
problema es inherente al problema y no depende del algoritmo empleado para resolverlo.
El mal condicionamiento en el sistema (3.3) puede visualizarse grficamente, al graficar las dos
rectas: L1: x + y = 2 y L 2 : 10.05 x + 10 y = 21 . Como las pendientes de estas dos rectas son casi
iguales, es difcil ver exactamente dnde se cortan, esta dificultad visual, digamos que se mide
cuantitativamente en los resultados numricos obtenidos.
Observe que si A es la matriz de coeficientes del sistema (3.3), entonces det A = .05 y se puede
pensar que el mal condicionamiento est relacionado con el tamao del determinante de la matriz
de coeficientes, pero recuerde que si una ecuacin de un sistema se multiplica por un escalar, el
determinante de la matriz de coeficientes queda multiplicado por ese escalar mientras los dos
sistemas siguen teniendo exactamente las mismas soluciones, es decir, son equivalentes.
El objetivo siguiente es desarrollar una teora que permita estudiar el condicionamiento de un
sistema lineal AX = b .
Empezamos con la siguiente definicin:
~
Definicin 3.1 Si X es la solucin exacta de un sistema lineal AX = b , A invertible, b 0 , y X es
~
una solucin aproximada de dicho sistema, entonces llamamos vector error de X con respecto a
X al vector E definido por
~
E= X X
~
y vector error residual correspondiente a la solucin aproximada X , al vector R definido por
~
R = AX b
Observe que E usualmente no se conoce (pues X no se conoce), mientras que R siempre puede
conocerse.
~
~
Como R = AX b , entonces R mide hasta dnde la solucin aproximada X satisface el sistema
~
~
~
AX = b . Observe que X es tal que AX = R + b , es decir, X es solucin de una perturbacin del
sistema AX = b .
~
Ntese que R = 0 implica X = X , es decir, R = 0 implica E = 0 . Ser que
tambin "pequea", donde
. es alguna norma vectorial?
Empecemos recordando qu es una norma vectorial y qu es una norma matricial.
"pequea" implica

__________________________________________________________________________________
Definicin 3.2 Una norma vectorial en R n es una funcin
Rn R
. :
X X
tal que para todo X, Y R n y todo R :

i) X 0,
ii)
X = 0 si y slo si X = 0
X =
iii) X + Y X + Y .
x1

Ejemplo 3.2 Las siguientes son algunas normas vectoriales en R . Si X = M R n , entonces
x
n
n
1) La norma euclidiana ( o norma 2) definida por

1
n 2 2
xi
=
i= 1
2) La norma suma ( o norma 1) definida por

n
=
1
i =1
3) La norma del mximo (o norma ) definida por

X
= Max
1in
xi
Estas normas en R n , inducen las siguientes nociones de distancia entre dos vectores X, Y R n :
1
1) d 2 ( X, Y) = X Y
2) d 1( X, Y) = X Y
=
1
3) d ( X, Y) = X Y
n
2
2
= ( xi y i ) (distancia asociada con la norma euclidiana).
i =1
x y
i
(distancia asociada con la norma suma)
i= 1
= Max
1in
xi yi
Definicin 3.3 Una norma matricial en
(distancia asociada con la norma del mximo).
R nn es una funcin:

__________________________________________________________________________________
. :
Rn n R
tal que para todo A,B R n n y todo R :

i)
A 0,
ii)
A =
A = 0 si y slo si A = 0
A
iii)
A+B A + B
iv)
AB A
B .
Aunque hay diversas formas de construir normas matriciales, aqu solamente consideraremos las
normas matriciales que sern obtenidas a partir de las normas vectoriales dadas en el ejemplo 3.2
segn se indica en el siguiente teorema, teorema cuya demostracin puede ser consultada en
Kincaid 1972, pginas 163 y 164.
Teorema 3.1 Sea . cualquier norma vectorial en R n . Entonces la funcin . de R n n en R ,
definida por
A = Max
X 0
AX
X
, A R n n
(3.5)
es una norma matricial en R n n .

La norma matricial dada por (3.5) se dir la norma matricial inducida por la correspondiente
norma vectorial . .
Note que (3.5) implica que
AX A
(3.6)
para cada X R n y cada A R n n , pues si X R n , X 0 , entonces

AX
X
Max
X 0
AX
= A
Para X = 0 claramente se satisface (3.6).

Ntese, adems, que
A = Max
X 0
AX
X
= Max A
X 0
X
X
Las normas matriciales inducidas por las normas vectoriales
= Max
Z =1
2,
AZ
son:

__________________________________________________________________________________
1)
= Max
X
AX
=1
, difcil de calcular con la informacin que se conoce hasta aqu, pues
calcular esta norma es resolver un problema de mximo en varias variables.

2)
= Max
X
AX
=1
, fcil de calcular, ya que se puede demostrar que

n
3)
= Max
X
AX
=1
= Max
1
1j n
ai j
i =1
, fcil de calcular, ya que como en el caso 2), se puede demostrar, vase
Burden 1985, pginas 453 y 454, que

n
= Max
1 i n
Debido a la facildad del clculo de las normas
ai j
j =1
, las usaremos en lo que sigue.
Una distancia entre las matrices A, B R n n se puede definir como d( A, B) = A B , donde
es cualquier norma matricial.
Definicin 3.4 El radio espectral de una matriz A R n n , ( A) , se define como
( A ) = Max
/ es valor propio de A
Recuerde que si es un nmero complejo, digamos = + i con y en
R , entonces
= + i = 2 + 2 .
El siguiente teorema, cuya demostracin puede ser consultada en Ortega 1990, pginas 21 y 22,
relaciona el radio espectral de una matriz A con A 2 .
Teorema 3.2 Si A R n n , entonces
i)
A TA = A
ii) ( A ) A
, y en consecuencia, si A es simtrica ( A ) = A
para cualquier norma matricial inducida.
Con respecto al ejemplo 3.1, tenemos:

__________________________________________________________________________________
20
Para el sistema (3.3), X 1 =
es su solucin exacta y si consideramos como una solucin
18
10
~
aproximada a X 1 =
, que es la solucin exacta del sistema perturbado (3.3'), entonces el
8
~
vector error de X 1 con respecto a X 1 , es
10
~
E1 = X1 X 1 =
10
~
y el vector error residual correspondiente a la solucin aproximada X 1 , es
1 10 2 2 2 0
1
~
R1 = AX 1 b =
=
=
10.05 10 8 21 20.5 21 .5
Entonces
E1
= 10 + 10 = 20 ,
R1
= 0 + .5 = .5
( 10) 2 + 10 2 14.14,
E1
E1
= Max
10 , 10
R1
} = 10,
R1
( .5 )2
= .5
= Max
0 , .5
}=
.5
as que un vector error residual "pequeo" (relativo al vector de trminos independientes

2
b = , b 1 = 23, b 2 21.095 , b = 21 ) corresponde a un vector error relativamente
21
"grande".
.
10
Para el sistema (3.4), X 2 = es la solucin exacta y si consideramos como una solucin
0.0
.34
~
aproximada a X 2 = , que es la solucin exacta del sistema perturbado (3.4'), entonces el
.97
~
vector error de X 2 con respecto a X 2 , es
. .66
.34 10
E2 = =
.97 0 .97
~
y el vector error residual correspondiente a la solucin aproximada X 2 , es
4.11 4.1 .01

R2 =
=
9.7 9.7 0
Como
E2
= 163
. ,
R2
= .01;
E2
117
. ,
R2
= .01;
E2
= .97,
R2
= .01

__________________________________________________________________________________
entonces, nuevamente, un vector error residual "pequeo" no corresponde a un vector error

"pequeo".
El ejemplo anterior pone de manifiesto que
"pequeo", no necesariamente implica que
tambin sea "pequeo".
Sin embargo, a partir del siguiente teorema podremos probar que,

R
E
"pequeo" implica
tambin "pequeo".
satisfecha cierta condicin,
b
X
Teorema 3.3 Sea A R n n una matriz no-singular y X la solucin exacta del sistema
~
AX = b, b 0 . Si X es una solucin aproximada del sistema AX = b , entonces para cualquier
norma matricial inducida se tiene que
R
b
1
A
E
X
A 1
(3.7)
~
~
~
Demostracin: Como R = AX b = AX AX = A X X = AE , y A es invertible, entonces
E = A 1R, b = AX,
X = A 1b y aplicando la desigualdad (3.6), se obtiene

R A
E , es decir,
E ,y
E A 1
de donde
R
E A 1
(3.8)
Aplicando la misma desigualdad (3.6), se tiene que

b A
X , es decir,
X ,y
X A 1
de donde
b
A
X A 1
o equivalentemente
1
A 1
A
1
X
b
(3.9)
Combinando (3.8) y (3.9), obtenemos las siguientes cotas para el error relativo,
del error residual relativo,
R
b
E
X
, en trminos
R
b
1
A
E
X
A 1
R
b
(3.10)

__________________________________________________________________________________
que era lo que quera demostrarse.

A
De acuerdo con este teorema 3.3, si se satisface la condicin

E
son ms o menos del mismo tamao. As que si
si
R
b
es "grande", tambin lo ser
R
b
; por lo tanto si
A 1 1 , entonces
es "pequeo", tambin lo ser

A
A 1
b
E
X
y
,y
A 1 1 , podremos distinguir una
~
solucin aproximada, X , buena de una mala observando el error residual relativo
El nmero Cond ( A) = A
R
b
se llamar NMERO DE CONDICIN o CONDICIONAL de la
matriz no-singular A, relativo a la norma matricial usada. Aunque el valor de Cond( A ) depende de
la norma matricial usada; sin embargo Cond ( A ) 1 , cualquiera sea la norma matricial inducida,
pues
In = AA 1,
A 1
In A
In = Max In
X 0
X
X
= Max
X 0
X
=1
X
De acuerdo con la relacin (3.7), dada en el teorema 3.3, vemos que si Cond ( A ) 1 , entonces el
error relativo,
E
X
, y el error residual relativo,
R
b
, son ms o menos del mismo tamao y
podremos distinguir una solucin aproximada "buena" de una "mala" observando el error residual
relativo; pero entre ms grande sea Cond( A ) , menor es la informacin que se puede obtener del
error relativo, a partir del error residual relativo.
De lo anterior se espera que A tenga un buen comportamiento, en el sentido de que un error
residual relativo pequeo implique, correspondientemente, una buena solucin aproximada de
AX = b , si Cond ( A) 1 , caso en el cual diremos que A est bien condicionada (el sistema
AX = b
est bien condicionado).
Si
Cond ( A ) >> 1 , es posible que A tenga un mal
comportamiento, en el sentido que un error residual relativo pequeo puede corresponder a una
solucin aproximada mala, y diremos que A est mal condicionada (el sistema AX = b est mal
condicionado).
A pesar de las definiciones anteriores, no debemos olvidar que lo que realmente nos interesa es
~
poder determinar cuando una solucin aproximada X de un sistema AX = b es "buena", y tratar de
distinguir si el sistema AX = b est bien o mal condicionado.
Para la matriz
1
1
A=
10
.
05
10
del ejemplo 3.1, tenemos

A 1 =
1
1 10
.05 10.05 1

__________________________________________________________________________________
= Max
A 1
1 + 1 , 10.05 + 10
} = Max{ 2 , 20.05 } = 20.05
1
1 10
.05 10.05 1
1
1105
. = 221
.05
luego
Cond ( A ) = A
A 1
= ( 20.05)( 221) = 443105

. >> 1
Este nmero de condicin nos dice que un error residual relativo

~
XX
corresponder a un error relativo
pequeo, puede
muy grande, as que A puede considerarse mal
condicionada.
10
~
Veamos qu puede decirse, en este caso, de la calidad de la solucin aproximada X 1 = 8
del
sistema
x +y= 2
10.05 x + 10 y = 21
Para este ejemplo tenemos

R1
b
.5
21
Cond ( A ) = 443105
.
as que la desigualdad (3.7) dada en el teorema 3.3, se convierte en

~
X 1 X1
.5
1
21 443105
.
X1
esto es,
5.37...10
~
X1 X 1
X1
443105
.
.5
21
105.5...
lo que indica que aunque el error residual relativo es pequeo,
.5
, el nmero de condicin es tan
21
grande (4431.05) que hace que la solucin calculada pueda tener un error relativo de hasta
~
105.5..., as que nada puede decirse de la cercana entre X 1 y X 1.
Instrucciones en DERIVE:
NORMA_INF(A): Simplifica en la norma del mximo de la matriz A, A

__________________________________________________________________________________
COND_INF(A): Simplifica en el nmero de condicin relativo a la norma del mximo de la matriz A,

es decir, simplifica en el nmero Cond ( A) = A A 1 .
Existe otro nmero asociado con una matriz, al cual se le denomina tambin nmero de condicin.
A continuacin nos referiremos a tal nmero:
Del teorema 3.2 se sabe que ( A ) A
para toda norma matricial inducida, as que
Cond ( A) = A
( )
A 1 ( A ) A 1
pero como los valores propios de A 1 son los recprocos de los valores propios de A, se tiene que
Cond ( A)
Max
( A )
( A) = { C / es valor propio de A } :
con
( )
A 1 = Max
( )
A 1
El nmero Cond ( A) =
Cond ( A )
Min
( A )
espectro
de
A.
(Recuerde
que
1
)
Min
( A )
Max
( A )
Min
( A )
se denomina nmero de condicin espectral de A . Segn se
acaba de probar Cond( A) Cond ( A) .

1
1
Para la matriz A =
, se tiene que
10.05 10
det( A I) =
10.05 10
= 2 11 .05
as que los valores propios de A son 1 1100454358

.
, 2 4.5435778 10 3 , y por tanto
Cond ( A)
1100454358
.
4.5435778 10 3
2421999592
.
>> 1
Dado un sistema AX = b , si A y b denotan perturbaciones en A y b, respectivamente, el

siguiente teorema, cuya demostracin puede ser consultada en Ortega, 1990, pginas 32 y 33,
~
XX
establece una cota para el error relativo
, en trminos de las perturbaciones relativas
X
A
A
b
b
~
y Cond( A ) , donde X es la solucin exacta de AX = b y X es la solucin exacta del
sistema perturbado ( A + A )X = b + b .

__________________________________________________________________________________
Teorema 3.4 Supngase que A es no-singular y que

A + A es invertible y que 1 Cond ( A )
> 0 ).
A <
1
A 1
(esta hiptesis asegura que
~
Si X es la solucin exacta del sistema
A
~
perturbado ( A + A) X = b + b , entonces X aproxima a la solucin exacta X del sistema AX = b ,
b 0 , con la siguiente estimacin de error
~
XX
X
Cond ( A)
A
A
1 Cond ( A)
b
b
A
A
(3.11)
La desigualdad (3.11) dice que si la matriz A est bien condicionada, es decir, si Cond ( A) 1 ,
entonces cambios "pequeos" en A y b producen, correspondientemente, cambios "pequeos" en
la solucin del sistema (el sistema AX = b est bien condicionado). Por otro lado, si A est mal
condicionada, entonces cambios "pequeos" en A y b pueden producir "grandes" cambios en la
solucin del sistema (el sistema AX = b est mal condicionado).
Ejercicio 3.1 Estime la cota de error dada en el teorema 3.4 para los sistemas (3.4) y (3.4') del
ejemplo 3.1.
Ejercicio 3.2 a) Calcule Cond ( A) usando .
2
1
,
1.0001 2
para las siguientes matrices:
4.56 2.18
.
2.79 138
b) Qu puede decir del condicionamiento de los siguientes sistemas de ecuaciones lineales?

4.56 x1 + 2.18 x2 = 6.74
ii)
. x 2 = 4.17
2.79 x1 + 138
. x2 = 5.5
3.9x1 + 16
i)
6
.
8
x
+
2
.9 x2 = 9.7
1
ESTABILIDAD NUMRICA EN LA ELIMINACIN GAUSSIANA

Volvamos al mtodo de eliminacin Gaussiana (simple) y consideremos el siguiente ejemplo:
Ejemplo 3.3 Resuelva el siguiente sistema de ecuaciones lineales usando eliminacin Gaussiana
con sustitucin regresiva y aritmtica (decimal) con redondeo a tres dgitos:
E1: .03 x1 + 58.9 x2 = 59.2
E2 : 5.31x1 6.10 x2 = 47.0
Usando eliminacin Gaussiana, obtenemos

__________________________________________________________________________________
5 .31
58.9
59.2
:
.03 58.9 : 59.2 E21 .03 , ( m 21 =177) .03

A
M
b
=
(
) 5.31 6.10 : 47.0
0 10400 : 10500
y por sustitucin regresiva

10500
~
= 101
.
x2 =
10400
~x = 59.2 58.9(1.01) = 59.2 59.5 = .3 = 10.0

1
.03
.03
.03
~
~ x1 10.0
luego la solucin calculada es X = ~ =
.
.
x2 101
Instruccin en DERIVE:
PIVOT(A, i, ,j): Usa operaciones elemetales de fila para Simplificar (o aproXimar) en una matriz,
obtenida de la matriz A, que tiene ceros en la columna j y por debajo de la fila i.
~
Qu puede decir de la calidad de la solucin aproximada X
?
~
XX
Para intentar responder esta pregunta encontremos las cotas para el error relativo
dadas por el teorema 3.3.

58.9
.03
Como A =
, entonces usando aritmtica con redondeo a tres dgitos para todos los
5.31 6.10
clculos se obtienen las siguientes aproximaciones:
A 1 =
A 1
entonces Cond ( A ) = A
1 6.10 58.9
313 5.31 .03
= Max { 58.9, 114

. } = 58.9
1
1
65.0 = .208
Max { 65.0, 5.34 } =
313
313
1
= (58.9 )(.208) = 12.3 , que no es muy grande comparado
con uno, as que la matriz A puede considerarse bien condicionada.

(Por ciertas consideraciones tericas sobre el nmero de condicin de una matriz A, las cuales
pueden ser consultadas en Burden, 1985, pginas 481 y 482, cuando se trabaja en aritmtica finita
(decimal) con redondeo a t-dgitos y Cond( A) 10 t se espera un mal comportamiento de A con
respecto a la solucin de AX = b
Cond( A) = 12.3 < 10 3 ).
Ahora,
y A se considera mal condicionada.
En este ejemplo

__________________________________________________________________________________
.03 58.9 10.0 59.2

. 47.0
5.31 6.10 101
14444442444444
3
~
AX b =
Estas operaciones se realizan en doble precisin (6 dgitos)
59.189 59.2 .011

=
=

59.261 47.0 106.261
~
(Para evitar la prdida de cifras significativas, se debe calcular el vector error residual, R = AX b ,
en doble precisin).
Convirtiendo este ltimo resultado a tres dgitos usando redondeo, se obtiene

.011
R=
106
Entonces R
= 106 y
= 59.2 y por tanto
~
XX
R
1
106 1
106
=
=.145...
22.02... = 12.3
= Cond ( A )
b Cond ( A ) 59.2 12.3
X
b
59.2
~
X X
R
y
pero como Cond ( A) 1 , entonces se espera que
sean ms o menos del
b
X
~
XX
R
mismo tamao, y ya que

sea tambin grande.
es grande, se espera que
b
X
R
En situaciones como la observada en este ejemplo, se sugiere hacer un refinamiento iterativo

~ o usar esta solucin calculada como aproximacin inicial en un
sobre la solucin calculada X
mtodo iterativo, con el propsito de tratar de mejorar la solucin aproximada y lograr que el error
residual relativo sea ms pequeo. El mtodo de refinamiento iterativo puede ser consultado en
Kincaid, 1972, pginas 174-176.
x 10
La solucin exacta del sistema en consideracin es X = 1 = . A qu se debe la diferencia
x2 1
entre la solucin exacta y la solucin calculada?

Observe que el error en el clculo de ~
x2 con respecto a x 2 fue de slo .01 (un error relativo de
1%) y este error fue multiplicado por un factor de aproximadamente 2000 al obtener ~
x , debido
1
al orden en que se realiz la eliminacin Gaussiana.

RESUELVA_1(A,b): Simplifica en la solucin exacta X del sistema AX = b . El vector b se entra
como un vector fila.
En el ejemplo anterior la eliminacin Gaussiana condujo a una respuesta defectuosa de un sistema
de ecuaciones lineales bien condicionado. Esto muestra la inestabilidad numrica del algoritmo
de eliminacin Gaussiana (consecuencia de la divisin por un nmero (pivote) pequeo). Hay, sin

__________________________________________________________________________________
embargo, situaciones en las cuales el algoritmo de eliminacin Gaussiana es numricamente

estable. El siguiente teorema cuya demostracin puede consultarse en Burden, 1985, pginas 366
y 367, se refiere a una de tales situaciones:
( )n n es una matriz estrictamente dominante diagonalmente (E.D.D.) por
Teorema 3.5 Si A = a i j
filas, es decir, si
ai i >
ai j
para cada i = 12
, ,..., n
j= 1
j i
entonces A es invertible (no-singular). Adems, se puede realizar eliminacin Gaussiana sin

intercambio de filas en cualquier sistema AX = b para obtener su nica solucin, y los clculos
son estables con respecto al crecimiento de los errores de redondeo.
( )n n es E.D.D. por
Ntese que como consecuencia del teorema anterior se tiene que: Si A = a i j
filas, entonces A tiene factorizacin LU , es decir, A = LU , con L triangular inferior con unos en su
diagonal principal y U triangular superior (escalonada).
Observe que la matriz de coeficientes del ejemplo 3.3 anterior, no es E.D.D. por filas.
El teorema 3.5 tambin es vlido para matrices reales, simtricas y definidas positivas (vase
Burden, 1985, pgina 368). Una matriz A R n n , simtrica, se dice definida positiva si satisface
una cualquiera de las siguientes condiciones (las cuales son equivalentes):
i) X T AX > 0 para todo X R n ,
X 0.
ii) Todos los valores propios de A son positivos.

iii) Todos los pivotes obtenidos en la eliminacin Gaussiana sobre A, sin intercambio de filas, son
positivos.
iv) Todas las submatrices principales de A tienen determinante positivo.
( )nn son las matrices
(Las submatrices principales de la matriz A = a i j
a11 L a1k
Ak = M
M
M , k = 12
, ,...,n )
a
k1 L akk
Ntese nuevamente que: Si A R n n es simtrica y definida positiva, entonces A tiene

factorizacin A = LU , con L triangular inferior con sus componentes sobre la diagonal principal
iguales a uno y U triangular superior (ver ms adelante factorizacin de Choleski).
Observe que la matriz de coeficientes del ejemplo 3.3 anterior, no es simtrica.
3.4 ESTRATEGIAS DE PIVOTEO

__________________________________________________________________________________
El ejemplo 3.3 anterior, muestra una de las dificultades que pueden surgir al aplicar el mtodo de
j1
eliminacin Gaussiana cuando el pivote a(j j ) es "pequeo" comparado con algunos elementos
j1
a(i t ) para j i, t n .
Para tratar de evitar tales dificultades, se introduce en el mtodo de eliminacin Gaussiana una
estrategia llamada de pivoteo, la cual consiste en seleccionar el pivote de acuerdo con un cierto
criterio. Nosotros usaremos dos estrategias: la estrategia de pivoteo mximo por columna o
pivoteo parcial y la estrategia de pivoteo escalado de fila o escalamiento.
3.4.1 Pivoteo mximo por columna o pivoteo parcial: Esta estrategia difiere de eliminacin
j1
Gaussiana simple, nicamente en la escogencia del pivote a( ) , la cual se hace ahora, as:
jj
Para j = 12
, ,..., n 1 , se determina el menor entero k, j k n , tal que
j 1
ak( j ) 0
j 1
j 1
ak( j ) = Max a (i j )
j i n
es decir, seleccionamos el primer elemento diferente de cero sobre la columna j-sima a partir de
( j1)
( 0)
la j-sima fila y que tenga mayor valor absoluto (para j = 1 , ak j = ak 1 ak 1 ).
Si tal k no existe, el sistema no tiene solucin nica y el proceso se puede terminar.
Si tal k existe y k j , entonces hacemos intercambio de las ecuaciones j-sima y k-sima:
j 1
j 1
E(j ) Ek( )
y continuamos con la eliminacin Gaussiana.
Ilustremos esta estrategia para resolver el sistema

E1: .03 x1 + 58.9 x2 = 59.2
E2 : 5.31x1 6.10 x2 = 47.0
que es el mismo del ejemplo 3.3, usando aritmtica con redondeo a tres dgitos.
Como para j = 1, se tiene que
Max
a11 ,
a 21
} = Max { .03, 5.31 } = 5.31 =
a 21 0
entonces k = 2 1 = j , as que intercambiamos E1 y E2 y continuamos con la eliminacin

.03
( A M b) = 5.31
: 59.2
5.31 6.10 : 47.0
P12

6.10 : 47.0
.03 58.9 : 59.2
58.9
(
) 5.31 6.10 : 47.0

0
58.9 : 58.9
.03
3
E 21
, m 21 = 5 .65 10
5 .31

__________________________________________________________________________________
Por sustitucin regresiva, obtenemos

47.0 + 6.10(100
. ) 53.1
58.9
~
= 1.00 , ~
x1 =
=
= 10.0
x2 =
58.9
5.31
5.31
x
~ ~
Observe que en este caso X = ~1 es la solucin exacta del sistema dado.
x2
SWAP(A, i, j): Intercambia las filas (o elementos) i y j de la matriz A (de un vector ).
Nota: En el procedimiento de pivoteo mximo por columna (pivoteo parcial) cada multiplicador mi j
es tal que
mi j =
j 1
a (i j )
j 1
a (j j )
y aunque esta estrategia permite resolver satisfactoriamente muchos sistemas de ecuaciones

lineales, hay casos donde fracasa, como se ilustra en el siguiente ejemplo.
Ejemplo 3.4 Consideremos el sistema
E1: 30.0 x1 + 58900 x2 = 59200
E2 : 5.31x1 6.10 x2 = 47.0
el cual es un sistema equivalente al del ejemplo 3.3 (los coeficientes de la primera ecuacin en el
sistema del ejemplo 3.3, han sido multiplicados por 10 3 ). El pivoteo mximo por columna con
aritmtica de redondeo a tres dgitos, nos lleva a los siguientes resultados:
30.0 58900 : 59200 E21 30 .0 , ( m 21 =.177) 30.0 58900 : 59200

( A M b) = 5.31 6.10 : 47.0 0 10400 : 10500
5.31
y por sustitucin regresiva ~

x2 = 101
. y ~
x1 = 10.0 , que es la misma solucin que se obtiene si
usamos eliminacin Gaussiana simple.
En casos como el de este ejemplo, donde un pivote es mucho ms "pequeo" que alguno de los
coeficientes de la ecuacin que l encabeza, se recomienda la tcnica conocida como pivoteo
escalado de fila o escalamiento, la cual es nuestra segunda estrategia.
3.4.2 Pivoteo escalado de fila: Esta tcnica slo difiere de la eliminacin Gaussiana simple, al
igual que el pivoteo parcial, en la escogencia del pivote.
Esta vez el pivote a( j1) se escoge como se indica a continuacin:
jj
Para j = 1,2,...,n 1 , hacemos lo siguiente:

a) Para i = j,j + 1,...,n , calculamos

__________________________________________________________________________________
Si = Max
jln
( j1)
ai l
: Factor de escala
Si Si = 0 , entonces el sistema no tiene solucin nica y el proceso se puede terminar.

b) Para i = j,j + 1,...,n , calculamos
j 1
a(i j )
Si
c) Encontramos el menor entero k con j k n tal que

j 1
a(k j )
j 1
a(k j ) 0 y
= Max
jin
Sk
j 1
ai( j )
Si
Si tal k no existe, entonces el sistema no tiene solucin nica y el proceso se puede terminar.
Si tal k existe y k j , entonces hacemos intercambio de las ecuaciones j-sima y k-sima:
j 1
j 1
E( ) E( )
j
y continuamos con la eliminacin Gaussiana.

Apliquemos esta estrategia para resolver el sistema del ejemplo 3.4, usando aritmtica con
redondeo a tres dgitos.
Para j = 1:
a) S1 = Max
S2 = Max
a11 , a12
a21 , a 22
} = Max{ 30.0, 58900 } = 58900 0,
} = Max{ 5.31, 6.10 } = 6.10 0
b) Ahora,
a11
S1
a21
S2
30.0
,y
58900
5.31
6.10
a11
a21
a 21
30.0 5.31 5.31
c) Max
,
,
=
0 , as que k = 2 1 = j y por tanto
= Max
=
S 2
S2
S1
58900 6.0 6.0
intercambiamos las ecuaciones E1 y E 2 y continuamos con la eliminacin Gaussiana:
30.0 58900 : 59200

P12
:
6
.
10
47
.
0
( A M b) = 5.31
5.31 6.10 : 47.0
30.0 58900 : 59200

__________________________________________________________________________________
E 21
, ( m 21 = 5 .65 )
5.31 6.10 : 47.0
5 .31

0
58900 : 58900
30 .0
Por sustitucin regresiva
47.0 + 6.10(1.00) 53.1

~
=
= 10.0
x1 =
5.31
5.31
~
x2 = 100
. ,
~
~ x1 10.0 es la solucin exacta del sistema.
Observe que en este caso X
= ~ =
.
x2 100
3.5 FACTORIZACIN TRIANGULAR

Consideremos un sistema AX = b , con A no-singular y b 0 . Con respecto a la matriz A, se sabe
que existen matrices P de permutacin, L triangular inferior con sus componentes sobre la diagonal
principal iguales a uno y U triangular superior (escalonada) tales que PA = LU . Una forma eficiente
computacionalmente de encontrar P, L y U, usando eliminacin Gaussiana, se muestra en el
siguiente ejemplo:
Ejemplo 3.5 Resuelva el siguiente sistema de ecuaciones lineales usando eliminacin Gaussiana
con pivoteo parcial y obtenga una factorizacin PA = LU para la matriz A de coeficientes, asociada
con este mtodo:
x1 + 2x 2 3 x 3 = 2
3 x1 3 x2 x 3 = 4
x +x
= 3
2
1
Empezamos introduciendo un vector p = (p1, p2 , p 3 )
, ,3 y
el cual inicializamos con pi = i, i = 12
donde se almacenarn los intercambios necesarios en el proceso de eliminacin Gaussiana con

pivoteo parcial (el nmero de componentes del vector p coincide con el orden n del sistema a
resolver):
1 2 3 : 2
3 3 1 : 4
T
Max{ 13
, ,1} = 3 , p = ( 2,1,3 )
p = (12
, ,3) , ( AMb) = 3 3 1 : 4 1 2 3 : 2
1
1 1
1
0 :
3
0 :
3
3 3 1 : 4
1
10
10
1
:
3
3
3
1
13
1 2
:
3
3
3
1
1
m21 = , m31 =
3
3
1
1
E 21 , E 31
3
3
(Observe que cada multiplicador mi j es almacenado en la posicin correspondiente (i, j) en la

matriz de trabajo)

__________________________________________________________________________________
3 3 1 : 4
1
T
1
13
, } = 2, p = ( 2,3 ,1)
Max { 12

2
:
3
3
3
10
10
1
1
:
3
3
3
(Observe que la permutacin se hace para las filas 2 y 3 completas, es decir, incluyendo los
multiplicadores)
3
1

3
1
1
m 32 =
2
1
E 32
2
3
2
1

2
1 :
1
3
7
:
:
13
3
11
La eficiencia en el mtodo indicado se debe a que en la misma matriz de trabajo se almacenan los
multiplicadores que van a conformar la matriz L (en el ejemplo son los nmeros que se encuentran
dentro de parntesis), lo que significa un ahorro de memoria, y como los intercambios necesarios
afectan simultneamente a las matrices L y U, se evita tener que volver a la matriz original a
realizar los intercambios ya observados y repetir la eliminacin Gaussiana con pivoteo parcial. De
esta manera, al terminar el proceso de eliminacin podemos leer en la matriz final la parte
estrictamente triangular inferior de L (son los nmeros entre parntesis) y la matriz triangular
superior U (que es la parte triangular superior de la matriz final), y en el vector p final quedan
almacenados los intercambios realizados que se usan para producir la matriz de permutacin P.
Para el ejemplo 3.5,
1 0 0
3 3 1
0 1 0
1
, y como p = (2,3,1) T , entonces 0 0 1 = P

L=
1 0 , U = 0 2
3
3
1 0 0
7
1 1
0 0
1
3 2
2
(Verifique que PA = LU ) .
Para obtener la solucin del sistema original, usamos sustitucin regresiva en el sistema reducido
4
13
UX =
3
11
2
12
4 4
3
c
y obtenemos
11
40
23
x3 = , x2 =
y x1 =
7
21
21

__________________________________________________________________________________
T
23 40 11
as que la solucin (exacta) del sistema dado es X = , , .
21 21 7
Cmo se resuelve el sistema AX = b a partir de la factorizacin PA = LU obtenida?

3.5.1 Algunas aplicaciones de la factorizacin PA = LU : La factorizacin PA = LU es utilizada
eficientemente en aquellos casos donde se trabaja repetdamente con la misma matriz A. Dos de
esos casos se presentan a continuacin.
1) Resolver varios sistemas AX = b con la misma matriz de coeficientes A, ya que en P, L y U est
almacenado todo el proceso de eliminacin Gaussiana. El algoritmo se basa en la siguiente
equivalencia
AX = b PAX = Pb
LUX = Pb
UX = L1Pb
UX = c y c = L1Pb
UX = c y Lc = Pb
Lc = Pb y UX = c
Los pasos a seguir son:
Paso 1. Calcular Pb .
Paso 2. Resolver, para c, Lc = Pb por sustitucin progresiva.
Paso 3. Resolver, para X, UX = c por sustitucin regresiva.
Como ejercicio, resuelva el sistema del ejemplo anterior, usando este algoritmo.
2) Encontrar la matriz inversa A 1 de una matriz invertible A, resolviendo los n-sistemas
( j)
AX = e ,
j = 12
, ,...,n
T
donde e( j ) = ( 0,...,0,1,0,...,0 ) R n .
posicin j
La solucin X del sistema AX = e ( ) ,

j
j = 1,2,...,n , produce la correspondiente columna j-sima
de la matriz A 1 .
Como ejercicio, compare el nmero de operaciones para encontrar A 1 usando el mtodo de
Gauss-Jordan, con el nmero de operaciones resolviendo los n-sistemas indicados antes.
Ejercicio 3.3 Calcule la inversa de la matriz A de coeficientes del sistema del ejemplo 3.5, usando
el mtodo de Gauss-Jordan y tambin usando la factorizacin PA = LU .
3.6 SISTEMAS TRIDIAGONALES

Un caso muy importante de sistemas de ecuaciones lineales, que requiere un tratamiento especial,
es el de los sistemas tridiagonales. Tales sistemas aparecen en diversas aplicaciones, como por
ejemplo al utilizar mtodos de diferencias finitas en la solucin de problemas con valores en la
frontera para ecuaciones diferenciales ordinarias y, como veremos ms adelante, en el problema
de la interpolacin segmentaria cbica.

__________________________________________________________________________________
Un sistema tridiagonal es de la forma

d1x1 + c1x 2
a 2 x1 + d2 x 2 + c 2 x3
a 3 x2 + d3 x 3 + c 3 x 4
= b1
= b2
= b3
M
an 1xn 2 + dn 1xn 1 + c n 1xn = bn 1
an xn 1 + dn xn
= bn
La matriz de coeficientes del sistema es

d1
a2
0
A=
M
c1
d2
0
c2
0
0
a3
d3
c3
an 1 dn 1
L
an
cn 1
dn
la cual se dice una matriz TRIDIAGONAL (caso especial de las llamadas matrices banda).
( )n n
A = ai j
En general, una matriz
se dice TRIDIAGONAL si
ai j = 0
para
i j >1,
i,j = 1,2,...,n.
Suponiendo que la matriz A de coeficientes del sistema tridiagonal es E.D.D. por filas, podemos
usar eliminacin Gaussiana simple para resolver el sistema (recuerde que la eliminacin
Gaussiana simple es adecuada para resolver sistemas con matriz de coeficientes E.D.D. por filas).
Otra forma de resolver un sistema tridiagonal con matriz de coeficientes A E.D.D. por filas es a
partir de la factorizacin directa A = LU (encontrando directamente las componentes de las
matrices L y U, es decir, sin usar eliminacin Gaussiana), donde L es triangular inferior con todos
sus elementos diagonales iguales a uno y U es triangular superior. Para encontrar tales matrices L
y U, partimos de que ellas deben ser de la forma
1
2
0
L=
M
0
Como
0
1
0
0
L
L
0
0
0
L
O
n 1 1
0
0
1 c1
0 2
0
0
U=
M
0 L
0
c2
3
0
0
L
L
c3 L
O
0 n 1
0
0
0
c n 1

__________________________________________________________________________________
c1
1
c
2 1 + 2
2 1
0
3 2
LU =
M
d1
a2
c1
d2
a3
c2
d3
c3
0
c2
0
0
3c 2 + 3
c3
n 1 n 2
n 1c n 2 + n 1
n n 1
an 1 dn 1
an
c n 1
n c n 1 + n
0
0
=A
c n 1
dn
igualando componente a componente las matrices LU y A, se tiene que

1 = d1
i i1 = ai , i = 2,3,...,n
ic i1 + i = di, i = 2,3,...,n
y resolviendo para i y i , obtenemos

1 = d1
para i = 2,3,...,n
i = di i ci1
i =
ai
i1
( i 0 , porque en U todos los elementos diagonales son distintos de cero).

As que un algoritmo para determinar L y U, en el caso que nos ocupa es el siguiente:
Paso 1: Haga 1 = d1 .
Paso 2: Para i = 2,3,...,n , haga
i =
ai
i1
i = di ic i1

__________________________________________________________________________________
Una vez encontradas L y U se resuelve el sistema AX = b , resolviendo para c, Lc = b y luego

resolviendo para X, UX = c .
Ejemplo 3.6 Resolver el siguiente sistema tridiagonal usando aritmtica (decimal) con redondeo a
tres dgitos y la factorizacin A = LU .
.5 x1 + .25 x 2
.35 x1 + .8 x2 + .4 x 3
.25x 2 + x 3 + .5 x 4
x 3 2x 4
.35
.77
.5
= 2.25
Es claro que el sistema es tridiagonal E.D.D. por filas (ya que .5 > .25, .8 >.75 , 1 >.75, 2 > 1 ) .
A partir del sistema dado se tiene que
d1 = .5, d2 = .8, d3 = 1.0, d4 = 2.0
c1 = .25, c 2 = .4, c 3 = .5
a2 = .35, a 3 = .25, a 4 = 10
.
y las matrices L y U son de la forma

1
L = 2
0
0
1
0
0
0
,
0
1 .25 0
0 2 .4
U =
0
0 3
0
0
0
0
.5
Usando el algoritmo ya descrito, se obtiene

1 = .5
.35
= .7
2 =
.5
2 =.8 (.7 )(.25) =.625
.25
= .4
.625
. (.4)(.4) = .84
3 = 10
3 =
.
10
.
= 119
.84
. )(.5 ) = 2.60
4 = 2.0 (119
4 =
Luego
0 0
1 0
.7 1
0 0
L=
0 .4 1 0
0 0 119
.
1
Ahora, resolvemos el sistema
0
0
.5 .25
0 .625 .4
0
U=
0
0
.84
.5
0
0
0 2.60

__________________________________________________________________________________
0
1 0
.
7
1
0
Lc = b
0 .4 1
.
0 0 119
0 c1 .35

0 c 2 .77
=
0 c 3 .5

1 c 4 2.25
por sustitucin progresiva, y se obtiene

c1 = .35, c 2 = .525, c 3 = .71, c 4 = 141
.
Enseguida resolvemos el sitema

0
0 x1 .35
.5 .25
0 .625 .4
0 x2 .525
UX = c
=
0
0
.84
.5 x 3 .71
0
0
0 2.60 x 4 1.41
por sustitucin regresiva, y obtenemos

x 4 = .542, x 3 = 117
. , x2 = 159
. , x1 = .096
~
T
. , 117
. , .542) .
Luego la solucin (aproximada) obtenida para el sistema dado, es X = ( .096, 159

__________________________________________________________________________________
3.7 FACTORIZACON DE CHOLESKI

Se puede probar (vase Kincaid 1972, pgina 133) que si A es una matriz real, simtrica y definida
positiva, entonces A tiene una nica factorizacin de la forma A = LLT en la cual L es una matriz
triangular inferior con sus elementos en la diagonal principal todos positivos (no necesariamente
con unos en su diagonal principal). Esta factorizacin se conoce como factorizacin de Choleski
(recuerde que si A es definida positiva, entonces se puede realizar eliminacin Gaussiana sobre A
sin intercambio de filas y todos los pivotes que resultan son positivos).
Se puede demostrar que si A R n n y tiene factorizacin de Choleski, entonces A es definida
positiva (ejercicio!).
Para ilustrar cmo se obtiene la factorizacin directa de Choleski, es decir, sin usar eliminacin
Gaussiana, supongamos que la matriz A es de orden 4. Entonces
0 0 l11 l21 l31 l41 a11 a 21 a 31 a 41
l11 0
l
l
21 22 0 0 0 l22 l32 l42 = a21 a 22 a32 a 42
l31 l32 l33 0 0 0 l33 l43 a31 a 32 a33 a 43
l41 l42 l43 l44 0 0 0 l44 a41 a 42 a43 a 44

144424443 144424443 1444424444
3
L
A (simtrica)
LT
Como l11l11 = a11 , entonces escogemos l11 = a11 , lo que requiere que a11 > 0 .
l21l11 = a 21 , entonces l21 =
a 21
, l11 0 .
l11
l221 + l222 = a22 , escogemos l22 = a 22 l221 . Observe que a22 debe ser mayor o igual que cero.
l31l11 = a 31 , luego l31 =
a 31
.
l11
l31l21 + l 32l22 = a 32 , luego l32 =
a32 l31l21
, l22 0 , as que a22 > l221 0 , esto es a22 > 0 .
l22
l231 + l232 + l233 = a33 , escogemos l33 = a 33 l231 + l232
, a33 0 .
En general, para encontrar la fila i de L, ( i 3) , asumiendo que ya se conocen las primeras i 1

filas de L, procedemos as:
De li 1l11 = ai 1 , obtenemos li 1 =
li 1l21 + li 2l22 = ai 2 , as que li 2 =
ai 1
.
l11
ai 2 li 1l21
.
l22
li 1l31 + li 2l32 + li 3 l33 = a i 3 , as que

__________________________________________________________________________________
li 3 =
ai 3 (li 1l31 + li 2l32 )

l33
, l33 0 , a33 > l231 + l232 0 , as que a33 > 0 .
(Fila i-sima de L) (Columna j-sima de LT ), j < i:

li 1l j 1 + li 2 lj 2 +...+li j lj j = a i j , entonces para cada i = 3,..., n :
j 1
ai j
i klj k
k =1
li j =
lj j
, j = 2,...,i 1
(Fila i-sima de L)(Columna i-sima de LT ):

l2i 1 + l2i 2 +... +li2i = a i i , escogemos
l i i = ai i
i 1
2
ik
k= 1
( )n n
Algoritmo 3.3 (Factorizacin directa de Choleski) Para factorizar una matriz A = a i j
real,
simtrica y definida positiva en la forma A = LLT , donde L es triangular inferior.

Entrada: La dimensin n de la matriz A, los elementos ai j , 1 i, j n (basta almacenar la parte
triangular inferior de A, por ser A simtrica).
Salida: Los elementos li j, 1 i n, 1 j i de la matriz L.
Paso 1: Tomar l11 = a11 .
Paso 2: Para i = 2,..., n , tomar li 1 =
ai 1
(primera columna de L).
l11
Paso 3: Tomar l22 = a 22 l221 .

Paso 4: Para i = 3,...,n , seguir los pasos 5 y 6:
Paso 5: Para j = 2,...,i 1 , tomar
li j =
Paso 6: Tome li i = ai i
i 1
k =1
li2k
ai j
j 1
l
k= 1
lj j
i kl j k

__________________________________________________________________________________
Paso 7: Salida: "Las componentes li j de la matriz L para i = 1,2,...,n, j = 1,2,...,i ".

Terminar.
Ejemplo 3.7 Diga si la siguiente matriz es simtrica y

factorizacin directa de Choleski:
2
A = 1
0
definida positiva, y si lo es, encuentre la

1 0
2 1
1 2
Es claro que la matriz A es simtrica, ya que A T = A . Para ver si la matriz A es definida positiva,
realicemos eliminacin Gaussiana sobre la matriz A:
A = 1
1 0 E 1 2
21

2 1 2 0
1 2
0
1
3
2
1
2
0
2
E32 3
1 0
1
3
2
0
0
1
3 4
, , resultaron
2 3
positivos, la matriz dada es definida positiva y por lo tanto tiene factorizacin de Choleski.
Como no hubo necesidad de intercambio de filas y todos los pivotes, 2,
l11 0
Sea L = l21 l22

l
31 l32
0 tal que LLT = A , entonces

l33
l11 0
l21 l22
l
31 l32
0 l11 l21 l31 2

0 0 l22 l32 = 1
l33 0 0 l33 0
1 0
2 1
2
1
De acuerdo con el algoritmo 3.3, empezamos calculando l11 .

l211 = 2 , entonces l11 = 2 .
l21l11 = 1, entonces l21 =
1
1
2
=
=
.
l11
2
2
l31l11 = 0 , entonces l31 = 0 .

l221 + l222 = 2 , entonces l22 = 2 l221 = 2
l31l21 + l32l22 = 1 , entonces l32 =
l231 + l232 + l233 = 2 , entonces
1
=
2
3
=
2
3
2
6
.
2
1 l31l21 1 ( 0)( 1)
2
2 6
6
=
=
=
=
.
l22
6
3
6
6
2

__________________________________________________________________________________
l33 = 2 l231 + l232 = 2
6
2
= 2 =
9
3
4
2
2 3
=
=
3
3
3
As que
L =
2
2
2
0
0
6
2
6
2 3
3
es tal que LLT = A .

Ejercicio 3.4 Encuentre, si es posible, la factorizacin directa de Choleski para la siguiente matriz
4
1
A=
1
1
3
1
1
1 1
2 0
0 2
1
3.8 MTODOS ITERATIVOS

Como ya se mencion al comienzo de este captulo, en los mtodos iterativos para resolver
sistemas de ecuaciones lineales, se parte de una aproximacin inicial a la solucin, la cual se va
"mejorando" sucesivamente aplicando cierto algoritmo. Un mtodo iterativo puede ser convergente
o divergente, y aunque el mtodo iterativo converja, en general, slo podemos esperar la obtencin
de una solucin aproximada, por efecto de los errores de truncamiento y/o redondeo. Entre las
ventajas de los mtodos iterativos, comparados con los directos, estn la simplicidad y uniformidad
de las operaciones que se realizan, ya que se usa repetdamente un proceso sencillo; y su relativa
insensibilidad al crecimiento de los errores de redondeo, es decir, usualmente los mtodos
iterativos son estables.
Las matrices asociadas con los sistemas de ecuaciones lineales se clasifican en densas y
esparcidas. Las matrices densas tienen pocos elementos nulos y su orden es relativamente
pequeo ( 100 ) ; para sistemas con matrices densas se recomienda usar mtodos directos. Las
matrices esparcidas tienen pocos elementos no nulos y surgen, por ejemplo, al resolver ecuaciones
diferenciales por mtodos de diferencias finitas; su orden puede ser muy grande. Los mtodos
iterativos son recomendados para resolver sistemas con matrices esparcidas.
Los mtodos iterativos que estudiaremos son generalizaciones del mtodo de iteracin de punto
fijo:
b = 0 , donde A no-singular y b 0 , lo
Dado un sistema AX = b , o equivalentemente, AX
123
F( X )
+ c para alguna matriz B y algn vector c.
transformamos en un sistema equivalente X = BX
123
G( X )
{ }
( k)
Se construye entonces la sucesin de vectores X
a partir de la frmula de iteracin

k

__________________________________________________________________________________
k
k1
X ( ) = BX ( ) + c ,
y se espera que
{X ( ) }
k
k = 1,2,...
"converja" a la nica solucin X del sistema AX = b
( X = BX + c ) ,
donde la convergencia se entiende en el siguiente sentido.

.
Definicin 3.5 Sea
una norma vectorial en R n .
vectores de R n converge al vector

k
lim X X ( ) = 0 .
{X ( ) }
k
Decimos que la sucesin

.
X R n , segn la norma vectorial
de
k
dada, si
Recuerde que lim
k N , entonces
k
X X ( ) = 0 significa que, dado > 0 , existe N N = {0,1,2,...} tal que si
k
X X( ) < .
{ }
( k)
Puede probarse que si una sucesin X
converge al vector X R n segn una norma vectorial
de vectores de R n
k
dada, entonces tambin converge al

(k)
vector X segn cualquier norma vectorial en R , por tal razn diremos simplemente que X
{ }
converge al vector X en lugar de
Digamos que
{X ( ) }
k
{ }
k
X( )
converge al vector X segn la norma
dada.
converge al vector X .
Si usamos la norma vectorial
, entonces
k
lim X X ( )
T
= 0 , y si X = ( x1,... xi ,..., xn ) T y X ( k) = x1( k) ,... xi( k ) ,..., xn( k ) , esto ltimo significa
k
( )
que: dado > 0 , existe N N tal que si k N , entonces xi xi < para todo i = 1,2,...,n (ya
(k)
que X X
= Max
1in
k
xi x(i ) ) .
Un primer mtodo construido siguiendo la idea anterior es el siguiente:
3.8.1 Mtodo iterativo de Jacobi o de desplazamientos simultneos: Dado un sistema lineal de

ecuaciones
a11x1 + a12 x 2 +...+ a1i xi +...+a1n x n = b1
a21x1 + a 22 x2 +...+a 2 i xi +...+ a2 n xn = b2
ai1x1 + ai 2 x 2 +...+ai i xi +...+ ai n xn = bi
an1x1 + an2 x2 +...+an i x i +...+a n n xn = b n

Si ai i 0 para todo i = 12
, ,...,n , entonces despejando xi de la i-sima ecuacin, obtenemos el
sistema equivalente

__________________________________________________________________________________
ai j
b
xj + i ,
ai i
ii
j =1
n
xi =
i = 12
, ,..., n
j i
( )n n con
Si B = bi j
ai j
, i j
ai i
bi j =
i,j = 1,2,...,n
0, i = j
bi
, i = 1,2,...,n , entonces el sistema AX = b dado es equivalente al
ai i
(k)
sistema X = BX + c . As que la sucesin X
de vectores, correspondiente a este mtodo, se
y c = ( c1, c 2 ,..., c n )
con ci =
genera a partir de la frmula de iteracin

k
k 1
X ( ) = BX ( ) + c , k = 1,2,...
donde,
conocido
X(
k 1)
T
( k 1)
( k 1)
k 1
= x1 ,..., xi
,..., x(n ) ,
se
calcula
la
aproximacin
siguiente
T
k
k
k
k
X ( ) = x1( ) ,..., xi( ) ,..., x n( ) , mediante la frmula
bi
k
x (i ) =
( k 1)
i jx j
j =1
j i
, i = 1,2,...,n
ai i
(3.12)
que es llamada frmula (escalar) de iteracin del mtodo de Jacobi.

Escogida alguna norma vectorial (por ejemplo
), alguna tolerancia > 0
y un nmero
mximo de iteraciones N, se termina el proceso iterativo, indicado en la frmula (3.12), cuando se

satisfaga alguno de los siguientes criterios de aproximacin:
i)
k
( k)
(k )
R( ) < , siendo R = AX b ,
ii)
k
k1
X( ) X ( ) < ,
k
k 1
X( ) X( )
iii)
k
X( )
<
o en su defecto, cuando se alcance el nmero mximo de iteraciones N .

__________________________________________________________________________________
~
Algoritmo 3.4 (Mtodo de Jacobi) Para encontrar una solucin aproximada X de un sistema
AX = b , con A = ai j
R n n invertible, b 0 , y ai i 0 , i = 1,2,...,n .
n n
( )
Entrada: El orden n del sistema; las componentes (no nulas) ai j, i, j = 1,2,...,n de la matriz A; las
componentes bi , i = 1,...,n del vector de trminos independientes; las componentes
0
x0 i , i = 1,2,...,n de una aproximacin inicial X 0 = X ( ) ; una tolerancia Tol y un nmero
mximo de iteraciones N.
~
T
Salida: Una solucin aproximada X = ( x1, x2 ,...,xn ) o un mensaje.
Paso 1: Tomar k = 1 .
Paso 2: Mientras que k N , seguir los pasos 3-6:
Paso 3: Para i = 1,..., n , tomar
n
bi
xi =
Paso
4:
Si
X X 0 < Tol , entonces:
~
T
X = ( x1,x 2 ,...,xn ) ". Terminar.
i j x0 j
j =1
j i
ai i
salida:
"Una
solucin
aproximada
es
Paso 5: Tomar k = k + 1 .
Paso 6: Para i = 1,...,n , tomar x0 i = xi .
Paso 7: Salida: "Se alcanz el nmero mximo de iteraciones N pero no la tolerancia".
Terminar.
ANALISIS DE CONVERGENCIA
Para entrar en el anlisis de la convergencia del mtodo de Jacobi, empezamos
descomponiendo la matriz A en la forma
A =DLU
donde D es la matriz diagonal cuya diagonal es la diagonal principal de A (es dec ir,
D = diag(a11,a22 ,...,ann ) ) , L es la matriz triangular inferior obtenida de la parte triangular
estrictamente inferior de A, y U es la matriz triangular superior obtenida de la parte triangular
estrictamente superior de A. Entonces

__________________________________________________________________________________
AX = b (D L U) X = b
DX (L + U) X = b
DX = (L + U)X + b
X = D 1 (L + U) X + D 1b
lo que nos conduce a la frmula vectorial de iteracin del mtodo de Jacobi

k
k 1
X ( ) = D 1 (L + U) X ( ) + D 1b , k = 1,2,...
que se usa para efectos tericos, mientras que la frmula (3.12) se usa para los clculos
numricos.
La matriz BJ = D 1 (L + U) se llama matriz de iteracin del mtodo de Jacobi.
Veamos un caso en el cual la sucesin
{ X( ) } ,
k
generada por el esquema iterativo
k
k 1
X ( ) = BX ( ) + c , converge.
B < 1 para alguna norma matricial inducida, entonces la sucesin
Teorema 3.6 Si
generada por la frmula de iteracin
k
k 1
X ( ) = BX ( ) + c ,
{ X( ) } ,
k
k = 1,2,...
0
converge a la nica solucin X del sistema X = BX + c , cualquiera sea la aproximacin inicial X ( ) ,
y se tienen las siguientes cotas para el error de truncamiento X X ( k ) :
i)
k
X X( ) B
ii)
X X(k)
iii)
k
X X( )
0
X X( ) , k 1
1 B
B
1 B
X ( 1) X ( 0 )
, k 1
k
k 1
X( ) X( ) , k 1
Demostracin: Para demostrar que el sistema X = BX + c tiene slo una solucin, basta probar
que el sistema homogneo X = BX , es decir, (I B)X = 0 , tiene solucin nica X = 0 , ya que si
(I B)X = 0
tiene solucin nica, entonces I B es invertible y entonces (I B) X = c tiene solucin
nica, y como
(I B)X = c
es equivalente a X = BX + c , entonces este ltimo sistema tiene
solucin nica.
Veamos entonces que el sistema X = BX tiene solucin nica X = 0 :
Si X es solucin de X = BX , entonces
0 X = BX B

__________________________________________________________________________________
Si 0 < B < 1 y X 0 , entonces
X < X , lo cual implicara que
X < X , lo cual es un
absurdo. Luego X = 0 .
Si
(k )
B = 0 , entonces B = 0 y se tendra X = c
para todo k = 12
, ,... , y
{X ( ) }
k
converge a c,
k
que es la nica solucin de X = c .

Ahora,
k
k 1
X X( ) = B X X( ) ,
k = 1,2,...
y usando induccin sobre k se tiene que

k
0 X X( ) B
Como
decir,
X X(
k 1)
X X(
k 2 )
... B
0
X X( )
(3.13)
k
X X ( ) 0 cuando k , es
0 cuando k (pues 0 B < 1 ), entonces
{ X( ) }
converge a X .
k
De (3.13), obtenemos
i)
k
X X( )
0
X X( )
De otro lado,
0
1
1
0
1
1
0
X X ( ) = X X ( ) + X ( ) X( ) X X ( ) + X ( ) X ( )
0
1
0
X X( ) + X( ) X( )
(La ltima desigualdad se tiene por la relacin (3.13))

As que
(1
0
1
0
X X( ) X( ) X( )
y como 0 B < 1 , entonces

0
X X( )
1 B
y entonces multiplicando a ambos lados de (3.14) por B

k
X X( )
usando i )
1
0
X( ) X( )
0
X X( )
, obtenemos
B
1 B
de donde se obtiene
ii)
k
X X( )
1 B
1
0
X( ) X( )
1
0
X( ) X( )
(3.14)

__________________________________________________________________________________
Finalmente,
X X(
k 1)
k
k
k 1
k
k
k 1
= X X ( ) + X ( ) X ( ) X X ( ) + X( ) X ( )
X X(
as que
(1
X X(
k 1)
k 1)
k
k 1
+ X ( ) X( )
k
k 1
X( ) X( )
y como 0 B < 1 , entonces

X X(
k 1)
k
k 1
X( ) X( )
1
1 B
(3.15)
y entonces multiplicando a ambos lados de (3.15) por B , obtenemos

k
X X( )
X X(
k 1)
k
k 1
X( ) X( )
1 B
lo que implica
iii)
k
X X( )
B
1 B
k
k 1
X( ) X( )
Compare este teorema con el teorema 2.1, de punto fijo.
Nota: La desigualdad ii)

para
k
X X( )
1 B
1
0
X ( ) X ( ) , en el teorema 3.6 anterior, vlida
B < 1 , nos dice que entre ms "pequea" sea
B , ms "rpida" ser la convergencia del
mtodo iterativo. Las cotas para el error de truncamiento
k
X X( )
, dadas en el teorema 3.6,
( k)
permiten analizar la calidad de una solucin aproximada X .
( )n n , de iteracin del metodo de Jacobi, tiene la
A continuacin probaremos que la matriz BJ = bi j

propiedad
BJ
( )n n , de coeficientes del sistema
< 1 si la matriz A = ai j
filas:
( )n n ,
Recordemos que en la matriz BJ = bi j
ai j
, i j
ai i
bi j =
0 , i= j
i, j = 1,2,...,n
Ahora, si A es E.D.D. por filas, entonces para todo i = 12

, ,..., n , se tiene
AX = b , es E.D.D. por

__________________________________________________________________________________
ai i >
ai j
j =1
j i
luego
n
j =1
j i
ai j
ai i
j=1
ji
ai j
< 1 , i = 12
, ,..., n
ai i
de donde
n
Max
1in
j =1
j i
ai j
ai i
<1
Pero
n
BJ
as que
BJ
= Max
1in
j =1
bi j = Max
1 i n
ai j
a
j=1
j i
(pues b i i = 0 )
ii
< 1.
Aplicando el teorema 3.6 a la situacin anterior, obtenemos el siguiente teorema:

Teorema 3.7 Si la matriz A en un sistema AX = b es E.D.D. por filas, entonces el mtodo iterativo
( 0)
de Jacobi converge a la nica solucin X del sistema AX = b , cualquiera sea X , y se tienen las
( k)
cotas para el error X X
, dadas en el teorema 3.6.
Se dispone, adems, del siguiente resultado cuya demostracin puede consultarse en Burden,
1985, pginas 469 y 470:
0
Teorema 3.8 Para cualquier X ( ) R n , la sucesin
{ X( ) }
k
definida por la frmula de iteracin

k
k
k 1
X ( ) = BX ( ) + c, k = 12
, ,..., c 0 , converge a la nica solucin X del sistema X = BX + c si y
slo si (B) < 1.
Como una aplicacin particular del teorema 3.8 se tiene que: El mtodo iterativo de Jacobi
converge a la nica solucin X del sistema X = BJ X + c si y slo si (B J ) < 1 .
Ejemplo 3.8 Use el mtodo iterativo de Jacobi para resolver el sistema
2x1 x 2 + x3 = 1
x1 + x2 + 3 x3 = 0
3x + 3x + 5x = 4
1
2
3
Lo primero que observamos es que el mtodo de Jacobi es aplicable a este sistema, ya que la
matriz de coeficientes del sistema dado tiene todas sus componentes diagonales no nulas.
Veamos si el mtodo de Jacobi converge o n, en este caso.

__________________________________________________________________________________
Empecemos observando que la matriz A de coeficientes del sistema no es E.D.D. por filas (ya que
2 1 + 1 ), as que para el estudio de la convergencia del mtodo de Jacobi debemos
encontrar la matriz de iteracin B J .
Una forma de obtener BJ es despejando x1, x2 y x3 de la primera, segunda y tercera ecuacin
del sistema, respectivamente, y escribiendo el sistema resultante en forma matricial, lo que nos da
x1
1
1
0

2
2
0 3
x2 = 1
3
3
0
5 5
x 3 144
{
42444
3
BJ
X
Como
BJ
= 4 > 1 ( BJ
Jacobi (a partir de las normas
x1 1

2
x2 + 0
4
5
x3 123
{
c
X
7
> 1) no podemos concluir sobre la convergencia del mtodo de
2
1 ),
as que debemos estudiar el radio espectral (B J ) , de
la matriz de iteracin B J .
Como
det (B J I) =
1
3
1
2
1
2
8
3
3 = 3 + +
5
5
entonces la ecuacin caracterstica de la matriz B J es 3 +
8
3
+ = 0 , cuyas races son
5
5
1 = 1, 2 1.42195 y 3 .421954
y como
(B J ) Max
1 , 142195
.
, .421954
.
>1
} = 142195
entonces el mtodo iterativo de Jacobi no converge (diverge), segn el teorema 3.8.

BJ( A ): Simplifica en la matriz de iteracin, BJ , del mtodo de Jacobi.
CHARPOLY( M, w): Simplifica en el polinomio caracterstico pM ( w ) de la matriz M.
EIGENVALUES( M, w ): Simplifica en los valores propios w 1, w 2 ,..., w n de la matriz M.
En situaciones como la del ejemplo 3.8, se recomienda reordenar las ecuaciones del sistema dado,
de modo que la matriz de coeficientes del sistema reordenado sea lo ms cercana posible a una
matriz E.D.D. por filas (colocando primero las ecuaciones que tienen un coeficiente dominante y
luego las restantes).
En el caso del ejemplo, la reordenacin ms conveniente para el sistema es

__________________________________________________________________________________
2x1 x 2 + x 3 = 1
3 x1 + 3 x2 + 5 x 3 = 4
x + x + 3x = 0
2
3
1
Observe que la matriz de coeficientes de este sistema reordenado tampoco es E.D.D. por filas.
Las frmulas escalares de iteracin para el mtodo de Jacobi son ahora
k 1
k 1
1 + x(2 ) x(3 )
,
2
( k 1)
( k 1)
5 x3
4 3 x1
k
x (2 ) =
,
3
k 1
k 1
x(1 ) x(2 )
k)
(
=
x3
,
3
x1( ) =
k
k = 12
, ,...
cuya forma vectorial es

x( k )
( k 1)
1
1
1 x1
1

0
2
2
2

4
5
k 1
x(2k ) = 1
0 x(2 ) +
,
3
3
1
1
0 ( k 1)
( k ) 3 3
x
0
x 3 14442444
12
3
3
3
123
1
424
3
BJ
c
k
k
1
X( )
X( )
k = 12
, ,...
8
13
> 1 ( BJ 1 =
> 1 ), entonces nada se puede afirmar sobre la convergencia del
3
6
mtodo de Jacobi (a partir de las normas B J , B J 1 ), por tanto debemos encontrar (B J ) . La
Como
BJ
ecuacin caracterstica de B J es
3 +
2
1
+ =0
9
9
cuyas races son

1 .631096 , 2 .315548+.276567i , 3 .315548 .276567i
y como
(B J ) Max
.631096 , .315548 +.276567i , .315548.276567i
Max { .631096, .419595
}=
.631096 < 1

__________________________________________________________________________________
entonces, segn el teorema 3.8, el mtodo iterativo de Jacobi converge a la nica solucin X del
sistema reordenado, cualquiera sea la aproximacin inicial X ( 0 ) .
0
Iterando con el mtodo de Jacobi, tomando como aproximacin inicial X ( ) = (0,0,0) , y usando
T
como criterio de aproximacin
X ( k) X ( k 1)
< .001 , obtenemos
1
T
2
T
.
X ( ) = ( .5, 1.3333, 0 ) , X ( ) = (.16667, 18333
, .27778 ) ,...,
15
T
16
T
.
X ( ) = (.99798, 19990
, .99842) , X ( ) = (.99873, 1.9994, .99901)
16
15
X( ) X( )
Como
k
k 1
X( ) X( )
7.5E 4 < .001
y k = 16
es el primer entero positivo para el cual
< .001 , entonces

T
~
16
.
X ( ) = (.99873, 19994
, .99901) = X X
JACOBI(A, b, X ( 0 ) , N): aproXima las primeras N iteraciones en el mtodo de Jacobi aplicado al
Para el ejemplo, aproXime la expresin
sistema AX = b , con aproximacin inicial X ( 0 ) .
JACOBI( [2 , 1,1] ,[3 , 3 , 5],[1,1,3 ] , [ 1,4 , 0] , [ 0 , 0 ,0 ] , 16 ).
16
Cul es la calidad de la solucin aproximada obtenida X ( ) ?
16
X ( ) X , dadas en el
Como no se pueden aplicar las cotas para el error de truncamiento

teorema 3.6 (ya que no se satisface la condicin
B J < 1 para las normas calculadas

16
X( ) X
BJ
BJ
), entonces vamos a usar las cotas para el error relativo
teorema 3.3:
16
R( )
Cond ( A )
16
X( ) X
Cond ( A)
16
16
En esta desigualdad R( ) = AX ( ) b , con
A = 3
3
1 1
3 5 y
3 9
Si hacemos los clculos indicados, obtenemos
1

b = 4
0

16
R( )
, dadas en el

__________________________________________________________________________________
. ...10 5
5 10 6 < 16
16
X( ) X
.011... < .05 = 5 10 2
Extendiendo de manera natural, los conceptos de cifras significativas y cifras decimales exactas
para vectores, dados en el captulo 1 para escalares, podemos concluir, a partir de la ltima
T
16
desigualdad, que X ( ) = .99873, 19994
.
, .99901 aproxima a la solucin exacta X del sistema
dado con una precisin de por lo menos dos cifras significativas (y no ms de cinco). Se puede
verificar que la solucin exacta del sistema dado es X = (1, 2, 1) .
T
Ejemplo 3.9 Use el mtodo iterativo de Jacobi para resolver el sistema

x 2 + 10x 3
= 11
2x1
3x2
x3 + 8 x 4 = 11
10
x
x
+
2x 3
= 6
1
2
x1 + 11x 2
x 3 + 3 x 4 = 25
Observe que el mtodo de Jacobi es aplicable a este sistema, pero nuevamente como en el
ejemplo anterior, la matriz de coeficientes del sistema dado no es E.D.D. por filas, as que para
estudiar la convergencia del mtodo de Jacobi debemos encontrar la matriz de iteracin BJ .
Se ve fcilmente que la matriz de iteracin del mtodo de Jacobi es, en este caso, la siguiente
matriz
1
5
0
0
2
1
8
0

0
3
3
BJ =
1
0
0
5
2
1 11 1
0
3
3 3
11
BJ =
> 1 ( B J 1 > 1), entonces todava no podemos concluir acerca de la
Como
2
convergencia del mtodo de Jacobi ( apartir de las normas B J , BJ 1 ) . Encontremos
entonces el radio espectral de la matriz de iteracin BJ .
Se puede ver que la ecuacin caracterstica de la matriz BJ es
4
629 2 31
+
+ 240 = 0
18
18
cuyas races son

1 = 5, 2 3.01292, 3 3.11967 y 4 5.10674
por tanto
(B J ) 5.10674 > 1

__________________________________________________________________________________
lo que implica que el mtodo de Jacobi diverge, en este caso.

Sin embargo, si reordenamos las ecuaciones del sistema en la forma
10 x1 x2 + 2x 3
x3 + 3 x 4
x1 + 11x 2
2x1 x 2 + 10 x 3
3x2
x 3 + 8 x4
= 25
= 11
= 11
obtenemos un sistema equivalente AX = b donde A s es E.D.D. por filas, as que, segn el

teorema 3.7, el mtodo iterativo de Jacobi converge a la nica solucin del sistema, cualquiera sea
( 0)
k
la aproximacin inicial X , y se tienen cotas para el error de truncamiento X ( ) X .
La forma matricial del mtodo de Jacobi, para el sistema reordenado, es

x ( k)
( k 1)
1
2
x1 6
1 0
0

10
10
( k 1) 10
( k) 1
1
3
25
x2
0
x2
11
11
= 11
+ 11
1
( k) 2
11
k
1
(
)
0
0 x
x 3 10
10
3
10

11
3
1
0 k 1
( k) 0
8
( )
x 14444
84244444
8
3 x 4 123
4
123
1
4
2
4
3
BJ
c
X( k 1)
X( k )
Observe que
BJ
4 1
= < 1 ( BJ
8 2
23
< 1) .
40
Investigue cuntas iteraciones k sern necesarias en el mtodo de Jacobi (usando la norma

. ), para que X ( k ) aproxime a la solucin exacta X del sistema dado, con por lo menos tres
0
cifras significativas, tomando como aproximacin inicial X ( ) = ( 0,0,0,0 ) ? (ejercicio!)
T
Los resultados obtenidos en las iteraciones aplicando el mtodo de Jacobi, empezando con
T
k
k 1
X ( 0 ) = ( 0,0,0,0 ) y usando como criterio de aproximacin X ( ) X ( )
< .001 , son
1
X ( ) = (.60000, 2.2727, 11000
.
, 13750
.
)T
2
T
X ( ) = (1.0473, 2.6023, .99273, 2.3648)
M
8
T
X ( ) = (11040
.
, 2.9958, 1.0210, 2.6262)
~
9
T
X ( ) = (11038
.
, 2.9965, 1.0212, 2.6261) = X X
Slo fueron necesarias k = 9 iteraciones para alcanzar la tolerancia dada. Con cuntas cifras
decimales exactas aproxima X ( 9 ) a X ? (ejercicio)

__________________________________________________________________________________
3.8.2 Mtodo iterativo de Gauss-Seidel o de desplazamientos sucesivos: Una posible mejora

(k )
en el algoritmo de Jacobi puede ser la siguiente: para calcular xi se usan las componentes de
k 1
k
k
k
X ( ) , pero como x ( ) , x( ) ,..., x ( ) ya han sido calculadas y supuestamente son mejores
1
i 1
( k 1)
( k 1)
aproximaciones de las componentes x1, x2 ,..., xi 1 de la solucin exacta que x1 ,..., xi 1
(k )
(asumiendo convergencia), parece ms recomendable calcular xi
usando los valores
k)
k)
k)
(
(
(
x1 , x2 ,..., x i1 calculados recientemente. Esta tcnica se conoce como mtodo iterativo de
Gauss-Seidel o de desplazamientos sucesivos.
T
0
0
( 0) ( 0)
( 0)
Se inicia el proceso iterativo con una aproximacin inicial X ( ) = x1 , x2 ,..., xi ,..., x(n ) . A partir
T
1
1
( 1) (1)
( 1)
de este vector se obtiene la primera aproximacin X ( ) = x1 ,x 2 ,..., xi ,...,xn( ) , mediante las
siguientes frmulas (suponemos que ai i 0 para t odo i = 1,2,...,n ):

n
x1( ) =
b1
0
a1jx (j )
j= 2
x (2 ) =
( 0)
2 j xj
j= 3
a11
1
b2 a 21 x1( )
a 22
y en general, para i = 2,..., n 1 , se calcula
1
xi( ) =
bi
i 1
( 1)
i jx j
j =1
( 0)
i j xj
j =i +1
ai i
y
x (n ) =
bn
n 1
( 1)
n j xj
j =1
an n
El paso genrico es:

Conocida la aproximacin X (
k 1)
T
( k 1)
( k 1)
k 1
= x1 ,..., xi ,..., x n( ) , se obtiene la aproximacin siguiente
T
k
(k)
(k)
k
X ( ) = x1 ,..., xi ,..., xn( ) , usando las frmulas
x1( ) =
k
para i = 2,3,..., n 1 ,
b1
( k 1)
1j x j
j= 2
a11

__________________________________________________________________________________
k
x i( ) =
bi
i 1
k
ai j x(j )
( k 1)
i j xj
j= 1
j = i +1
(3.16)
ai i
y
bn
x (n ) =
n 1
(k)
n j xj
j= 1
an n
que son llamadas frmulas escalares de iteracin del mtodo de Gauss-Seidel.

Se termina el proceso iterativo con alguno de los criterios de aproximacin mencionados
anteriormente.
~
Algoritmo 3.5 (Mtodo de Gauss-Seidel) Para encontrar una solucin aproximada X de un
sistema AX = b , A = ai j n n R n n invertible, b 0 y ai i 0 para todo i = 1,2,...,n .
( )
Entrada: El orden n del sistema; las componentes no nulas ai j , i,j = 1,2,...,n de la matriz A; las
componentes b i , i = 1,2,...,n del vector de trminos independientes; las componentes
0
x0 i , i = 1,2,...,n de una aproximacin inicial X 0 = X ( ) ; una tolerancia Tol, y un nmero
mximo de iteraciones N.
~
T
Salida: Una solucin aproximada X = ( x1, x 2 ,..., x n ) o un mensaje.
Paso 2: Mientras que k N , seguir los pasos 3-8:
n
b1
1j x0 j
j =2
Paso 3: Tomar x1 =
a11
Paso 4: Para i = 2,..., n 1 , tomar

bi
Paso 5: Tomar xn =
n j xj
an n
i j x0 j
j= i +1
ai i
n 1
j =1
ai jx j
j =1
xi =
bn
i 1

__________________________________________________________________________________
Paso 6: Si X X 0 < Tol , entonces salida: "Una solucin aproximada del sistema es
~
T
X = ( x1, x2 ,..., xn ) ". Terminar.
Paso 8: Para i = 1,2,..., n , tomar x0 i = xi .
Paso 9: Salida: "Se alcanz el nmero mximo de iteraciones N pero no la tolerancia". Terminar.
ANLISIS DE CONVERGENCIA
Al igual que en el mtodo de Jacobi, con el propsito de analizar la convergencia del mtodo de
Gauss-Seidel, veamos cul es la frmula vectorial de iteracin del mtodo de Gauss-Seidel
k
k 1
, ,...
X ( ) = BX ( ) + c , k = 12
Multiplicando a ambos lados de la ecuacin (3.16) por ai i y asociando los k-simos trminos
iterados, obtenemos
i
k
ai jx (j ) =
j =1
( a )x(
ij
k 1)
+ bi
(3.17)
j = i+ 1
Si D es la matriz diagonal cuya diagonal es la diagonal de A, L es la matriz triangular inferior

formada por la parte estrictamente inferior de A y U es la matriz triangular superior formada por
la parte estrictamente superior de A, como en el mtodo de Jacobi, entonces al poner a variar i de
1 a n en la ecuacin (3.17), obtenemos el sistema
(D L) X ( k )
= UX ( k 1) + b
o equivalentemente
k 1
X ( k ) = (D L) UX ( ) + (D L ) b, k = 1,2,...
14243
BG
1
siempre que la matriz D L (triangular inferior) sea invertible, o sea si ai i 0 para cada
i = 1,2,..., n .
La frmula anterior se conoce como frmula vectorial de iteracin del mtodo de Gauss-Seidel,
y la matriz BG = (D L ) U se llama matriz de iteracin del mtodo de Gauss-Seidel.
1
Al igual que en el mtodo de Jacobi, se tiene para el mtodo de Gauss-Seidel el siguiente

resultado, el cual puede ser consultado en Kincaid, 1972, pginas 189 y 190.
Teorema 3.9 Si la matriz A de coeficientes de un sistema AX = b es E.D.D. por filas, entonces el
mtodo iterativo de Gauss-Seidel converge a la nica solucin X del sistema AX = b , para
0
cualquier eleccin de X ( ) .

__________________________________________________________________________________
Recurdese que segn el teorema 3.6: Si B G < 1 para alguna norma matricial inducida,
(k)
entonces la sucesin X
, k = 0,1,... , obtenida en el mtodo de Gauss-Seidel, converge a la
{ }
( 0)
nica solucin X del sistema X = BG X + c para cualquier X R n , y se tienen las cotas para el
k
error de truncamiento X X ( ) , dadas en el teorema 3.6.
0
Tambin se tiene, de acuerdo con el teorema 3.8, que: Para cualquier X ( ) R n , la sucesin
k
X ( ) , con
{ }
k
k 1
X ( ) = BG X ( ) + c,
k = 1,2,..., c 0
converge a la nica solucin X del sistema X = BG X + c ( AX = b) si y slo si (B G ) < 1.

Ejemplo 3.10 Apliquemos el mtodo de Gauss-Seidel para resolver el sistema
2 x1 x2 + x 3 = 1
x1 + x2 + 3 x 3 = 0
3 x + 3 x + 5 x = 4
1
2
3
Este sistema es el mismo del ejemplo 3.8.

Como la matriz de coeficientes no es E.D.D. por filas, nada podemos decir todava acerca de la
convergencia del mtodo de Gauss-Seidel, as que debemos encontrar la matriz de iteracin del
mtodo de Gauss-Seidel, BG . Una forma de encontrarla es la siguiente:
Las frmulas escalares de iteracin del mtodo de Gauss-Seidel para el sistema dado, son
k 1
k 1
k
1 + x(2 ) x(3 )
x(1 ) =
,
2
(k)
(k)
( k 1)
k = 12
, ,...
x 2 = x1 3 x 3 ,
k
k
( )
( )
( k ) 4 3 x1 3 x2
,
x3 =
5
k
k
Reemplazando x1( ) en la frmula de iteracin para x (2 ) , obtenemos la siguiente expresin para
k
k 1
k 1
x (2 ) , en trminos de x (2 ) y x (3 ) :
( k 1)
( k 1)
( k ) 1 x 2 5 x3
x2 =
2
k)
(
(k )
Ahora se reemplazan x1 y la ltima expresin obtenida para x 2 , en la frmula de iteracin para
k
x (3 ) , con lo cual se obtiene
k 1
4 + 9 x(3 )
k
x(3 ) =
5
As que, finalmente, se tiene el siguiente esquema de iteracin

__________________________________________________________________________________
k 1
k 1
1 + x(2 ) x3( )
k
x(1 ) =
,
2
( k 1)
( k 1)
5 x3
1 x2
k
x(2 ) =
,
2
k 1
4 + 9 x3( )
k
x(3 ) =
,
5
k = 12
, ,...
el cual escrito en forma vectorial es

x1( k )
1
1

2
2
( k)
1
5

x2 = 0
2
2
0
0
x ( k)
3 14424453
123
BG
k
X( )
x( k 1)
1 1

k 1 12
,
x2( ) +
4
( k 1) 5
x3 123
12
4 4
3
c
X ( k 1)
, ,...
k = 12
que constituye la frmula vectorial de iteracin del mtodo de Gauss-Seidel para el sistema dado.
Otra forma de obtener la matriz de iteracin BG , es a partir de su frmula BG = (D L ) U .
1
2 0 0
2
1
1
Como D L = 1 1 0 , entonces (D L) =
2
3 3 5
0
1
3
5
1
0
2
1
1
BG = (D L ) U = 0
0
0
Como
BG
= 3 > 1 ( BG
0
0 1 1
0 , y como U = 0 0 3 , entonces
0 0
0
5
1
2
5
2
9
5
> 1 ), todava no podemos concluir acerca de la convergencia del
1
9 9
mtodo de Gauss-Seidel; pero como (B G ) = Max 0 ,
,
= > 1 , entonces el mtodo de
2
5 5
Gauss-Seidel diverge (recuerde que si una matriz es triangular superior o inferior, entonces los
valores propios de tal matriz son los nmeros que aparecen en su diagonal principal).
Observe que el nmero cero es siempre un valor propio de la matriz de iteracin B G , as que,
en particular, BG siempre es singular (no invertible).

__________________________________________________________________________________
BG(A): Simplifica en la matriz de iteracin, B G , del mtodo de Gauss-Seidel.

Una reordenacin del sistema dado, de modo que la matriz de coeficientes del sistema resultante,
sea lo ms cercana posible a una matriz E.D.D. por filas, es
2 x1 x2 + x 3 = 1
3 x1 + 3x 2 + 5 x 3 = 4
x + x + 3x = 0
2
3
1
Las frmulas escalares de iteracin del mtodo de Gauss-Seidel para encontrar una aproximacin
de la solucin de este sistema reordenado, son
k 1
k 1
1 + x2( ) x 3( )
,
2
( k)
( k 1)
4 3 x1 5 x3
k
x (2 ) =
,
3
k
k
x1( ) x2( )
k)
(
x3 =
,
3
x1( ) =
k
k = 12
, ,...
Dado que
2 0 0
D L = 3 3 0 ,
1 1 3
2
1
1
(D L ) = 2
0
1
3
1
0 1 1
U = 0 0 5
0 0
0
entonces
1
0
2
1
1
BG = (D L ) U = 0
0
0
Como
BG
> 1 ( BG
1

2
7

6
5
> 1 ), todava no podemos concluir sobre la convergencia del mtodo de
1
5 5
Gauss-Seidel, pero como (BG ) = Max 0,
,
= < 1 , entonces el mtodo de Gauss2
9 9
Seidel converge a la nica solucin del sistema dado, cualquiera sea la aproximacin inicial.
Si usamos el mtodo de Gauss-Seidel con aproximacin inicial X ( 0 ) = ( 0,0,0 )

aproximacin
k
k 1
X( ) X( )
y criterio de
< .001 , se obtienen los siguientes resultados:
1
T
2
T
X ( ) = ( .50000, 18333
.
, .44444 ) , X ( ) = (.63889, 14352
.
, .69136 ) ,...
T
T
~
12
13
X ( ) = (.99858, 1.9988, .99914 ) , X( ) = (.99898, 19996
.
, .99952) = X X

__________________________________________________________________________________
Aqu k = 13 es el menor nmero de iteraciones para el cual se satisface
k
k 1
X( ) X( )
< .001 .
Al igual que en el ejemplo 3.8, nos podemos preguntar por la calidad de la solucin aproximada
13
obtenida X ( ) (ejercicio!).
G_SEIDEL( A ,b , X ( 0) , N ): aproXima las primeras N iteraciones en el mtodo de Gauss-Seidel
( 0)
aplicado al sistema AX = b , tomando como aproximacin inicial X . Para el ejemplo, aproXime la
expresin G_SEIDEL( [2 , 1,1],[3 ,3 , 5] ,[1,1, 3] , [ 1, 4 , 0] , [ 0 ,0 ,0 ] , 13 ).
Ejemplo 3.11 Si aplicamos el mtodo de Gauss-Seidel para resolver el sistema

x 2 + 10 x 3
= 11
2x1
3 x2 x 3 + 8 x 4 = 11
10
x
x2 + 2x 3
= 6
1
x1 + 11x 2 x3 + 3 x4 = 25
(que es el mismo sistema del ejemplo 3.9), encontramos que la matriz de coeficientes de este
sistema no es E.D.D. por filas, as que para estudiar la convergencia del mtodo de Gauss-Seidel
debemos considerar la matriz de iteracin B G .
Se puede ver que
1
0
2
0
0
1
BG = (D L ) U =
5
0 2
0 2
y como
BG
> 1 ( BG
5
1
3
151
6
11
2
8

3
4

3
28
3
> 1 ), entonces por ahora nada podemos afirmar acerca de la
convergencia del mtodo de Gauss-Seidel; pero se puede ver que la ecuacin caracterstica de la
matriz de iteracin BG , es
4
621 3 4343 2
+
=0
18
18
cuyas races son 1,2 = 0 (es decir, = 0 es raz doble), 3 24.7523, 4 9.74768 . Por lo
tanto (B G ) > 1 , lo que implica que el mtodo de Gauss-Seidel diverge.
Si reordenamos el sistema de modo que la matriz de coeficientes del nuevo sistema equivalente
sea lo ms cercana posible a una matriz E.D.D. por filas, obtenemos el sistema

__________________________________________________________________________________
10 x1 x 2 + 2 x3
x1 + 11x2 x 3 + 3x 4
2 x1 x2 + 10 x3
3 x 2 x3 + 8 x4
= 25
= 11
= 11
cuya matriz de coeficientes es E.D.D. por filas. As que el mtodo de Gauss-Seidel converge a la
nica solucin del sistema dado, cualquiera sea la aproximacin inicial y se tienen cotas para el
error de truncamiento X ( k) X , segn el teorema 3.9. Si iteramos con el mtodo de GaussSeidel,
X
(k)
empezando
( k 1)
con
X ( 0 ) = ( 0,0,0,0 )
usando
como
criterio
de
aproximacin
< .001 , se obtienen los siguientes resultados:

T
1
X ( ) = (.60000, 2.3273, .98727, 2.3711)
T
2
.
X ( ) = (10302
, 2.9233, 1.0137, 2.5980)
M
T
~
5)
(
.
.
X = (11038
, 2.9964, 10211
, 2.6263 ) = X X
Si comparamos los resultados de los ejemplos 3.8 y 3.9, obtenidos por el mtodo de Jacobi, con
los obtenidos en los ejemplos 3.10 y 3.11 por el mtodo de Gauss-Seidel, vemos que el mtodo de
Gauss-Seidel es de convergencia ms rpida; esto es lo que generalmente ocurre cuando ambos
mtodos convergen. Anotamos que hay sistemas lineales para los cuales un mtodo converge y el
otro diverge.
3.8.3 Mtodo SOR (Successive Over-Relaxation): Este mtodo fue ideado para acelerar la
convergencia del mtodo de Gauss-Seidel. La idea del mtodo es que para producir un nuevo
(k )
(k )
( k 1)
valor xi se ponderan los valores xi actual, obtenido por Gauss-Seidel, y x i
anterior, como
se indica a continuacin:
Dada
X(
k 1)
una
aproximacin
0
X( )
inicial
k 1
k 1
k 1
k 1
= x1( ) ,x(2 ) ,...,x(i ) ,...,x(n ) ,
calculada
se
calcula
la
( k ) ( k)
( k)
k
k
X ( ) = x1 ,x 2 ,...,x i ,...,x (n ) , de acuerdo con las frmulas siguientes:
T
k 1
b1
a1j x(j )
k
k 1
j= 2
x1( ) = (1 w) x(1 ) + w
a11
para i = 2,...,n 1 :
la
aproximacin
aproximacin
siguiente

__________________________________________________________________________________
bi
k)
k 1)
(
(
xi = (1 w) xi
+ w
i 1
k
a i j x(j )
j= 1
( k 1)
i jx j
j = i +1
ai i
(3.18)
y
n 1
k
bn
a n j x(j )
j =1
x n( k) = (1 w) x(nk 1) + w
an n
donde w es un parmetro, llamado de aceleracin. Ms adelante mostraremos que la variacin de

w debe ser 0 < w < 2 , para que el mtodo pueda converger.
Las frmulas anteriores son llamadas frmulas escalares de iteracin del mtodo SOR.
Para 0 < w < 1 el mtodo se denomina de sub-relajacin y se puede usar para obtener
convergencia en algunos sistemas para los cuales el mtodo de Gauss-Seidel no es convergente.
Para 1 < w < 2 el mtodo se denomina de sobre-relajacin y se puede usar para acelerar la
convergencia en algunos sistemas que son convergentes por el mtodo de Gauss-Seidel.
Observe que si w = 1 , el mtodo se convierte en el mtodo de Gauss-Seidel.
La escogencia del valor ptimo de w se hace de modo que (B w ) sea mnimo, donde B w es la
matriz de iteracin del mtodo SOR.
Se puede obtener, siguiendo la misma idea que se us en el mtodo de Gauss-Seidel, la frmula
vectorial de iteracin del mtodo SOR:
1
1
k
k 1
X ( ) = (D w L) (1 w)D + wU X ( ) + w(D wL) b
14444
4244444
3
Bw
(3.19)
donde D, L y U son matrices tales que A = D L U , como en los mtodos de Jacobi y

Gauss-Seidel.
Dada la dificultad de obtener el w ptimo, a menudo se trabaja experimentando con distintos
valores de w.
La variacin del parmetro w, con 0 < w < 2 , se debe al siguiente resultado:
, ,..., n , entonces (B w ) w 1 .
Si aii 0 para cada i = 12
En efecto:

__________________________________________________________________________________
{ (D wL) [(1 w)D + wU] }

= det[ (D wL ) ]det[(1 w)D + wU]
det(B w ) = det
Pero
det (D wL)
1
] = det(D1 wL) = detD
det (1 w )D + wU = det (1 w )D = (1 w ) detD

n
as que
det(B w ) =
1
(1 w )n detD = (1 w ) n
detD
De otro lado, como det(B w ) = 1 2 ... n donde 1, 2 ,..., n son los valores propios de la matriz
B w , entonces
[(B w )]
1 2 ... n = 1 2 ... n = det (Bw ) = (1 w)
= 1 w
y por tanto (B w ) w 1 .
Como consecuencia del resultado anterior, si
w 1 1 , es decir, si w 2 o w 0 , entonces
(B w ) 1 y entonces el mtodo SOR diverge, segn el teorema 3.8. Luego slo si 0 < w < 2
( w 1 < 1 ), es posible que (B w ) < 1 y as el mtodo SOR posiblemente sea convergente.
En el siguiente teorema, cuya prueba puede consultarse en Ortega, 1990, pgina 123, se
establecen condiciones suficientes para la convergencia del mtodo SOR:
Teorema 3.10 Si A es una matriz real, simtrica y definida positiva, entonces el mtodo SOR
converge a la nica solucin X del sistema AX = b para cualquier eleccin de la aproximacin
( 0)
inicial X R n y cualquier valor de w con 0 < w < 2 .
Tambin se tiene, como en los mtodos de Jacobi y Gauss-Seidel, que:
< 1 para alguna norma matricial inducida, entonces el mtodo SOR converge a la nica
( 0)
solucin X del sistema X = B w X + c , c 0, cualquiera sea la aproximacin inicial X R n , y se
Si
Bw
k
tienen las cotas para el error de truncamiento X X ( ) , dadas en el teorema 3.6.
0
Para cualquier X ( ) R n , el mtodo SOR converge a la nica solucin X del sistema
X = B w X + c , c 0 si y slo si (B w ) < 1 .
~
Algoritmo 3.6 (Mtodo SOR) Para encontrar una solucin aproximada X de un sistema AX = b
con A invertible, b 0 y ai i 0 para todo i = 1,2,...,n , dado un valor del parmetro w con
0<w <2:

__________________________________________________________________________________
Entrada: El orden n del sistema; las componentes no nulas ai j , i, j = 1,2,...,n de la matriz A; las
componentes b i , i = 1,2,..., n del vector de trminos independientes b; las componentes
0
x0 i , i = 1,2,..., n de una aproximacin inicial X 0 = X ( ) ; un valor del parmetro w; una
tolerancia Tol, y un nmero mximo de iteraciones N.
~
T
Salida: Una solucin aproximada X = ( x1,..., xn ) o un mensaje.
Paso 2: Mientras k N , seguir los pasos 3-8:
n
b1
a1 j x0 j
j= 2
Paso 3: Tomar x1 = (1 w ) x0 1 + w
a11
Paso 4: Para i = 2,..., n 1 , tomar
bi
x i = (1 w ) x0 i + w
i 1
ai jx j
j =1
i j x0 j
j = i +1
ai i
n 1
bn
an j x j
j =1
Paso 5: Tomar xn = (1 w) x0 n + w
an n
Paso
6:
Si
X X 0 < Tol ,
entonces
salida:
"Una
solucin
aproximada es
~
T
X = ( x1, x2 ,..., xn ) ". Terminar.
Paso 8: Para i = 1,2,..., n , tomar x0 i = xi .
Paso 9: Salida: "Se alcanz el nmero mximo de iteraciones N pero no la tolerancia". Terminar.
Ejemplo 3.12 Consideremos el siguiente sistema de ecuaciones lineales

__________________________________________________________________________________
=1
4 x1 + 3 x 2
3
x
+
4
x
x
1
2
3 =1
x2 + 4 x 3 = 1
Como la matriz de coeficientes de este sistema es simtrica y definida positiva (verifquelo!),

entonces el mtodo SOR converge a la nica solucin del sistema dado, cualquiera sea la
aproximacin inicial y cualquiera sea w con 0 < w < 2 , segn el teorema 3.10.
(k)
( k 1)
T
< .001 , se obtienen los
Si usamos X ( 0 ) = 0,0,0
y criterio de aproximacin X X
siguientes resultados para distintos valores de w, siendo las frmulas escalares de iteracin del
mtodo SOR, en este caso, las siguientes:
( k 1)
x1( k ) = (1 w) x(1k 1) + w 1 3 x 2
1 3 x ( k) + x ( k 1)
(k)
( k 1)
1
3
,
+
x
1
w
x
w
(
)
2
2
(k)
(k)
( k 1) + w 1 + x 2
x 3 = (1 w) x 3
4
k = 12
, ,...,
0<w<2
Como el mtodo de Gauss-Seidel converge, en este caso, podemos pensar en utilizar el mtodo
SOR para acelerar la convergencia del mtodo de Gauss-Seidel; as que tomaremos valores de w
con 1 w < 2 .
. (Gauss-Seidel):
Para w = 10
1
X ( ) = .25000, 6.2500 10 2 , .26563
M
13
.
X ( ) = 11546
10 3 , .33237, .33309
Para w = 12
. :
1
X ( ) = .30000, 3.0000 10 2 , .30900
M
9
X ( ) = 3.5372 10 4 , .33310, .33329
. :
Para w = 125
1
.
10 2 , .31860
X ( ) = .31250, 19531
8
X ( ) = 6.4330 10 5 , .33331, .33333
Para w = 13
. :

__________________________________________________________________________________
1
X ( ) = .32500, 8.1250 10 3 , .32764
.
10 3 , .33427, .33335
X ( 6 ) = 12411
Para w = 14
. :
1
.
10 2 , .34388
X ( ) = .35000, 17500
X ( 8 ) = 9.7704 10 4 , .33286, .33315
Observando los resultados anteriores, se puede concluir que, para este ejemplo, el valor ptimo del
parmetro w debe estar cerca de 1.3, y para este valor de w la convergencia del mtodo SOR es
ms rpida.
BW(A,w): Simplifica en la matriz de iteracin, B w , del mtodo SOR.
( 0)
SOR(A,b,w, X ,N): aproXima las primeras N iteraciones en el mtodo SOR aplicado al sistema
( 0)
AX = b , para el valor dado de w y tomando aproximacin inicial X . Para el ejemplo, aproXime
. ,[ 0 ,0 ,0 ], 6 ).
la expresin SOR( [4 , 3 , 0] ,[ 3 , 4 , 1] ,[ 0 , 1, 4] ,[1,1,1],13
Ejemplo 3.13 Si aplicamos el mtodo SOR para resolver el sistema de ecuaciones lineales
= 6
10 x1 x 2 + 2x 3
x + 11x
x
+
3
x
=
25
1
2
3
4
= 11
2 x1 x 2 + 10 x3
3 x2 x 3 + 8 x 4 = 11
0
con X ( ) = ( 0,0,0,0 ) y criterio de apr oximacin
T
k
k 1
X( ) X( )
< .001 , se obtienen los siguientes
resultados:
. :
Para w = 15
1
T
X ( ) = (.90000, 3.5318, 13902
.
, 4.3098)
2
X ( ) = (13968
.
, 3.4072, .86286, 19859
.
)T
M
T
13 )
(
X
= (11041
.
, 2.9965, 1.0210, 2.6260) X
. :
Para w = 18

__________________________________________________________________________________
1
T
X ( ) = (10800
.
, 4.2676, 16006
.
, 5.7158 )
T
2
X ( ) = (15604
.
, 3.4762, .63554, .39176 )
M
42 )
T
(
X
= (11040
.
, 2.9967, 10207
.
, 2.6262) X
Analice la convergencia del mtodo SOR en cada uno de los casos anteriores.
3.9 SOLUCIN NUMRICA DE SISTEMAS NO-LINEALES
Consideremos un sistema no-lineal
f1 ( x1, x2 ,..., xn )
f2 ( x1, x 2 ,..., xn )
f ( x , x ,..., x )
n
n 1 2
= 0
= 0
M
= 0
donde para cada i = 1,2,...,n ,

fi :
Di
X = ( x1,..., xn )
R, D i R n
fi ( X) = y
y alguna fi es no-lineal.
f1

f2
Si hacemos F y X = ( x1, x 2 ,..., x n ) , el sistema anterior puede ser escrito en la forma vectorial
M

f
n
F ( X) = 0 con F: D R n,
D Rn .
El problema de hallar las soluciones reales de un sistema no-lineal es mucho ms difcil que el
problema de hallar las races reales de una sola ecuacin no-lineal (en una variable), y mucho ms
que el problema de resolver un sistema lineal de ecuaciones.
Aunque estudiaremos ciertos mtodos que convergen a una solucin, no existe un criterio general
para saber cuntas soluciones tiene un sistema no-lineal dado, e incluso es posible que el sistema
no tenga solucin, como ocurre con el siguiente sistema
xy = 1
y=0
Un posible mtodo (directo) para resolver sistemas no-lineales de ecuaciones puede ser el de
reduccin de variables.
Por ejemplo, para el sistema

__________________________________________________________________________________
2
2
E1: x + y = 1
xy = 0
E2 :
es claro que sus soluciones son (10

, ) , ( 0,1) , ( 10
, ) y ( 0,1) ; que son los puntos de interseccin, en
el plano xy , de la circunferencia unitaria x 2 + y 2 = 1 con los ejes coordenados x = 0 y y = 0 . Ver
la FIGURA 3.1.
FIGURA 3.1
Una manera de resolver el sistema, en este caso, es la siguiente:
Despejando x de la ecuacin E1 , obtenemos E1 : x = 1 y 2 , y sustituyendo en la ecuacin E2 ,
obtenemos E2 : 1 y 2 y = 0 . Si resolvemos la ecuacin E2 para y, obtenemos y = 0 , y = 1 o
y = 1 . Sustituyendo en la ecuacin E1 , los valores de y obtenidos, tenemos que: si y = 0 ,

entonces x = 1 o x = 1 , lo que produce las soluciones (1,0) y ( 1,0) ; y si y = 1 o y = 1 ,
entonces x = 0 , lo que produce las soluciones ( 0,1) y ( 0,1) .
En general, este mtodo no es fcil de aplicar, pues la eliminacin de variables puede ser muy
difcil incluso imposible de realizar.
Estudiaremos los mtodos iterativos de Punto Fijo y Newton-Raphson para aproximar soluciones
reales de sistemas no-lineales.
3.9.1 Iteracin de Punto Fijo para sistemas no-lineales: Dado un sistema no-lineal de necuaciones con n-incgnitas, F ( X) = 0 ( F: D R n , D R n ), el mtodo de Punto Fijo para
resolver este sistema consiste en transformar dicho sistema en otro equivalente (por lo menos en
forma local) del tipo X = G ( X ) para alguna funcin G: D R n , D D .
Por ejemplo, si tenemos un sistema de dos ecuaciones con dos incgnitas

__________________________________________________________________________________
f1 ( x, y) = 0
f 2 ( x, y) = 0
f
F( X ) = 0 con F 1
f2
lo escribimos en la forma equivalente

x = g1( x, y )
g
X = G( X) con G 1
g2
y = g2 ( x, y)
(despejando, por ejemplo, si es posible, x de f1( x, y ) = 0 e y de f2 ( x, y ) = 0 ).
La iteracin vectorial de punto fijo correspondiente
k
k 1
X( ) = G X( ) ,
k = 1,2,...
se convierte en
x( k ) = g x( k 1) , y ( k 1) ,
1
( k)
( k 1) , y ( k 1) ,
y = g2 x
k = 12
, ,....
que no es otra cosa que la iteracin de Jacobi para sistemas no-lineales.

Otra forma de iteracin vectorial de punto fijo es
x ( k) = g x ( k 1) , y ( k 1) ,
1
(k)
( k ) ( k 1) ,
y = g2 x , y
k = 12
, ,....
k
que usa el valor ya calculado x ( ) , y que no es otra cosa que el mtodo de Gauss-Seidel para
sistemas no-lineales.
El siguiente teorema general, cuya demostracin puede ser consultada en Ortega, 1990, pgina
(k)
153, da condiciones suficientes (no necesarias) para la convergencia de la sucesin X
{ }
generada por la frmula de iteracin de Punto Fijo

k
k1
X ( ) = G X ( ) , k = 1,2,...
Teorema 3.11 Sea D =
{ ( x , x ,...., x ) R
1
, ,..., n .
constantes reales ai , b i , i = 12
a i xi bi, i = 1,2,..., n
Supongamos que G: R R
n
para alguna coleccin de

g1

con G M , es tal que
g
n
, ,...,n , g j y sus primeras

G(D) D , es decir, para todo X D , G( X) D ; y que para cada j = 12

__________________________________________________________________________________
derivadas parciales
gj ( X)
xi
, i = 12
, ,...,n , son continuas en
D . Entonces G tiene un punto fijo en
D.
Si, adems, existe una constante M, con 0 M < 1 , tal que para cada i = 1,2,...,n
g j (X )
xi
M
, siempre que X D ,
n
{ }
( k)
entonces G tiene un nico punto fijo P D y la sucesin X
definida por la iteracin

k
k
k1
X ( ) = G X ( ) , k = 1,2,...
( 0)
converge al punto fijo P , cualquiera sea la escogencia de X D , y se tiene la siguiente cota de
error
Mk
1
0
k
X( ) P
X( ) X( )
1 M
Ejemplo 3.14 Consideremos el siguiente sistema no-lineal

x2 10 x + y 2 + 8 = 0
2
xy + x 10 y + 8 = 0
(f (x, y) = x 10 x + y + 8)
(f ( x, y) = xy + x 10 y + 8)
2
Las grficas de x 2 10 x + y 2 + 8 = 0 y xy 2 + x 10 y + 8 = 0 , en un mismo plano coordenado, se

muestran en la FIGURA 3.2.
Observando la FIGURA 3.2 vemos que el sistema dado tiene nicamente dos soluciones reales.
Para encontrar estas soluciones por el mtodo de Punto Fijo, empezamos por transformar el
sistema dado en otro equivalente de la forma X = G( X ) . Uno de esos sistemas es
x2 + y2 + 8
x =
10
xy 2 + x + 8
y
=
10
x2 + y 2 + 8
g1 ( x, y) =
10
xy 2 + x + 8
g2 ( x, y ) =
10
(Para obtener el sistema equivalente se despejaron las variables x e y de las ecuaciones

f1( x, y ) = 0 y f2 ( x, y ) = 0 , respectivamente, de aquellas posiciones donde llas eran dominantes, de
acuerdo con la solucin buscada).
g1
Observe que G es tal que: g1 y g 2 son continuas en todo R 2 , porque son polinmicas.
g2
g1( X)
x
2x g2 ( X ) y 2 + 1 son continuas en todo

,
=
10
10
x
R2 .

__________________________________________________________________________________
g1 ( X)
y
2y g 2 ( X) 2xy
son continuas en todo R 2 .
,
=
10
y
10
FIGURA 3.2
Ahora,
0 x, y 15
. 0 x 2 , y 2 2.25
0 x 2 + y 2 4.5
0
Tambin,
0 x, y 15
. 0 xy 2 + x (15
. )(2.25) + 1.5 = 4.875
0
Luego si D =
x2 + y 2 + 8 4.5 + 8 12.5
=
= 125
. 15
.
10
10
10
{(x, y) R
del teorema 3.11 en
xy 2 + x + 8 4.875 + 8 12.875
=
= 12875
.
15
.
10
10
10
0 x, y 15
. , entonces G(D) D , as que G satisface las hiptesis
D , y por lo tanto G tiene por lo menos un punto fijo en D .
Ahora, si X D ,
g1( X )
x
g1( X )
y
x
15
.
= .3
5
5
y
.3
5

__________________________________________________________________________________
g2 ( X )
x
g2 ( X )
2xy
4.5
= .45
10
10
Escogiendo M de modo que
y2 + 1
3.25
= .325
10
10
M
= .45 , es decir, escogiendo M = .90 tendremos que 0 M < 1 , y
2
para cada X D ,
g j ( X)
M
y
2
gj (X )
y
M
,
2
j = 12
,
( 0)
En consecuencia, G tiene un nico punto fijo P D y cualquiera sea X D , la sucesin
k
X ( ) , con X ( k ) = G X ( k 1) , k = 1,2,... converge a P.
{ }
Si al sistema dado le aplicamos la iteracin funcional de Punto Fijo

x( ) ) + ( y ( ) )
(
(
)
x =
k 1
k 1
k
y( ) =
+8
x( k ) = g x( k 1) , y ( k 1)
1
10
x( k 1) y ( k 1)
( 0)
empezando con X = (.5,.5 )
+ x ( k 1) + 8
y ( k) = g x ( k 1) , y ( k 1)
2
10
y criterio de aproximacin
k
k 1
X( ) X( )
< .001 , obtenemos los
resultados que se muestran en la TABLA 3.1 siguiente.

k
0
1
2
3
4
5
6
7
k
x( )
k
y( )
.5
.5
.85
.8625
.3625
.946641
.948232
.096641
.979527
.979781
.032886
.991944
.996799
.991984
.996805
.012417
.998723
.998724
.999490
.999490
TABLA 3.1
Luego P (.999490, .999490) .
k
k 1
X( ) X( )
4.855 10 3
1924
.
10 3
7.67 10 4

__________________________________________________________________________________
FIXED_POINT( g1 ( x, y) , g2 ( x, y ) ,[ x, y ],[ x 0 , y 0 ] ,N ): aproXima las primeras N iteraciones en el mtodo
x = g1( x, y)
, tomando como aproximacin inicial el
de Punto Fijo aplicado al sistema no-lineal
y = g2 ( x, y)
punto
Para
el
ejemplo,
aproXime
la
expresin
( x0 , y 0 ) .
x2 + y 2 + 8 xy 2 + x + 8
FIXED_POINT(
,
, [ x, y] , [ 0.5 , 0.5] , 7 ).
10
10
Usando la cota de error dada por el teorema 3.11 con M = .90 , obtenemos
7
X( ) P
( .9 )7
1.9
.
(.3625) 173
( 7)
con respecto a P, pues como el lector puede verificar
la cual no indica la precisin real de X
7)
(
5.1 10 4 .
fcilmente, P = (11
, ) y realmente X P
Si usamos las frmulas de iteracin del mtodo de Gauss-Seidel

x( ) ) + ( y ( ) )
(
(
)
x =
k 1
k 1
k
y( ) =
+8
10
x( k ) y ( k 1)
+ x ( k) + 8
10
0
con X ( ) = (.5, .5 ) y criterio de aproximacin
x( k ) = g x( k 1) , y ( k 1)
1
y ( k ) = g x( k ) , y ( k 1)
2
k
k 1
X ( ) X( )
< .001 , se obtienen los resultados de
la TABLA 3.2 siguiente.

k
x( )
0
1
2
3
4
5
6
k
y( )
( k) X ( k 1)
.5
.5
.85
.954379
.90625
.973820
.985916
.992089
.031537
.995627
.997556
.998639
.999240
9.711 10 3
3.012 10 3
.999576
.999763
9.37 10 4
.40625
.104379
TABLA 3.2
Observe que
6
X( ) P
4.24 10
, lo que asegura una precisin en la aproximacin de P de
tres cifras decimales exactas. Como ejercicio haga un anlisis similar para encontrar una
aproximacin de la otra solucin del sistema dado.

__________________________________________________________________________________
3.9.2 Mtodo de Newton-Raphson para sistemas no-lineales: Consideremos un sistema nolineal de dos ecuaciones con dos incgnitas
f1 ( x, y) = 0
f2 ( x, y) = 0
y sea
= ( 1, 2 ) una raz de F ( X) = 0
f
F( x, y ) = 0 con F 1
f2
con X = ( x, y) .
k
k
k
Supongamos que conocemos una aproximacin X ( ) = x ( ) , y ( )
aproximacin
X(
siguiente
k +1)
k +1
k +1
= x( ) , y ( ) ,
mediante
el
de
mtodo
Para generar la
de
Newton-Raphson,
procedemos como se indica a continuacin:

Si las funciones f1( x, y ) y f2 ( x, y) y todas sus derivadas parciales de orden menor o igual que dos
( k)
k +1
k +1
son continuas en una vecindad de X , entonces para x( ) , y ( )
) (
) (
) (
) en esa vecindad se tiene
) (
) ( )
f
f
1
, ) + 2( x( ) x( ) )( y( ) y ( ) )
+ ( x( ) x( ) )
(
(, )
x y
2
x
f
+( y ( ) y ( ) )
( , )
y
k+ 1
k+ 1
k
k
k+ 1
k f1
k
k
k +1
k f1
k
k
f1 x ( ) , y ( ) = f1 x ( ) , y ( ) + x ( ) x( )
x( ) , y( ) + y( ) y( )
x( ) , y ( )
x
y
k +1
k +1
k +1
1
2
k +1
1
2
(k )
( k +1)
k
k +1
con entre x y x
, y entre y ( ) y y ( ) .
Si suponemos que f1 x (k +1) , y ( k +1) 0 y que el residuo
) 21 (x(
R2 f1, x ( k+ 1) , y (k + 1) =
k+ 1)
k +1
k
+ y( ) y( )
obtenemos
)(
2
2 f1
( k +1) x ( k) y ( k +1) y ( k ) f1
x( k )
,
+
2
x
(
)
x y
x2
2 f1
y
( , ) 0
)(
) (
) (
) (
) (
) (
) (
) (
f1 ( k ) ( k)
f1 ( k) ( k )
0 f1 x( k ) , y ( k ) + x( k +1) x ( k)
x ,y
+ y ( k +1) y ( k )
x ,y
x
y
Al trabajar, de manera similar, con f2 ( x, y ) obtenemos
k
k
k +1
k f2
k
k
k +1
k f2
k
k
0 f2 x( ) , y( ) + x( ) x( )
x( ) , y( ) + y( ) y( )
x( ) , y ( )
x
y
(3.20)
(3.21)

__________________________________________________________________________________
Si las cuasi-igualdades (3.20) y (3.21) las manejamos como igualdades y las escribimos en forma
matricial, obtenemos el siguiente sistema de dos ecuaciones lineales en las dos incgnitas
x ( k+ 1) , y ( k+ 1) :
(
(
)
)
(
(
)
)
f1 ( k ) (k )
f1 ( k ) ( k )
x ,y
x ,y
f2 ( k ) ( k )
f2 ( k ) ( k )
x ,y
x ,y
y
144444424444443
k
J X ( )
( )
(k ) ( k )
f1 x , y
x( k +1) x ( k)
1
k
k
+
y( ) y( )
f x ( k) , y ( k )
2
144244
3

1
4
4
2
44
3
k +1)
k)
(
(
X
X
k
F X ( )
k
La matriz J X ( ) , en la ecuacin anterior, se denomina matriz Jacobiana del sistema.
x( k +1)
Despejando ( k+ 1)
y
( )
, siempre que J X ( k ) exista, obtenemos
( ) ( )
1
x( k +1) x( k )
k+ 1 = k J X ( k) F X ( k)
y ( ) y ( )
o sea
X(
( ) ( )
1
k +1)
k
k
k
= X ( ) J X ( ) F X( ) , k = 0,1,...
la cual es la frmula vectorial de iteracin del mtodo de Newton-Raphson para el sistema nolineal F( X) = 0 (compare esta frmula con la frmula de iteracion del mtodo de Newton-Raphson
obtenida en el captulo 2).
( )
Para implementar este mtodo no es necesario, ni conveniente calcular J X (k ) ; se recomienda
el siguiente algoritmo:
0
Dada una aproximacin inicial X ( ) , una tolerancia > 0 , y un nmero mximo de iteraciones N;
para k = 0,1,...,N , hacemos:
(
Paso 1: Definimos Z
k +1)
= X(
Paso 2: Resolvemos, para Z (
k +1)
k +1)
k
X( )
, el sistema lineal
( )
( )
k
k +1
k
J X ( ) Z( ) = F X ( )
Paso 3: calculamos X
Paso 4: Si
Z(
k+ 1)
( k +1)
= X(
=Z
k +1)
( k +1)
+X
( k)
k
X ( ) < para alguna norma vectorial
. , entonces X (
k +1)
es una
aproximacin de una solucin del sistema F( X) = 0 . De lo contrario se vuelve a iterar.

Ejemplo 3.15 Si usamos el mtodo de Newton-Raphson para resolver el siguiente sistema de
ecuaciones no-lineales

__________________________________________________________________________________
x2 10 x + y 2 + 8 = 0
2
xy + x 10 y + 8 = 0
que es el mismo del ejemplo 3.14, obtenemos los resultados que aparecen en las TABLAS 3.3 y
(k)
( k 1)
< .001 .
3.4, donde se us como criterio de aproximacin X X
(k )
k
y( )
k
k 1
X( ) X( )
0
1
2
3
4
.5
.5
.937685
.939169
.439169
.998694
.998388
.061009
.999999
.999999
1611
.
10 3
100000
.
100000
.
TABLA 3.3
10
. 10 6
NEWTONS( f1 ( x, y) , f2 ( x, y ) , [ x, y] , [ x 0 , y 0 ] , N ): aproXima las primeras N iteraciones del mtodo de
f1( x, y ) = 0
Newton-Raphson aplicado al sistema no-lineal
, tomando como aproximacin inicial el
f2 ( x, y ) = 0
Para
el
ejemplo,
aproXime
la
expresin
punto
( x0 , y 0 ) .
NEWTONS( x 2 10 x + y 2 + 8 , xy 2 + x 10y + 8 , [ x, y] , [ 0.5 , 0.5] , 4 ).
( 4)
.
, 100000
.
) X = (11, ) .
De acuerdo con los resultados de la TABLA 3.3, se tiene que X = (100000
k
0
1
2
3
k
x( )
k
y( )
2.0
3.0
2.19444
3.02778
.19444
2.19345
2.19344
3.02048
3.02047
7.3 10 3
2.0 10 5
k
k 1
X( ) X( )
TABLA 3.4
De acuerdo con los resultados que aparecen en la TABLA 3.4, se
3
X ( ) = ( 2.19344,3.02047 ) es una aproximacin de la otra solucin del sistema dado.
tiene
que
1
Veamos como se calcula la primera iteracin X ( ) = ( 2.19444, 3.02778) , que aparece en la TABLA
3.4, usando el mtodo de Newton-Raphson:

Primero que todo, sean f1( x, y ) = x 2 10 x + y 2 + 8 , f2 ( x, y ) = xy 2 + x 10 y + 8 . Entonces
f1
( x, y ) = 2 x 10 ,
x
f1
( x, y) = 2 y
y

__________________________________________________________________________________
f2
( x, y ) = y 2 + 1,
x
f2
( x, y) = 2 xy 10
y
Es claro que las funciones f1( x, y ) , f2 ( x, y ) y sus derivadas parciales de orden menor o igual que
dos son continuas en todo R 2 , por ser polinmicas.
x( 1)
1
Para calcular la primera iteracin X ( ) = ( 1) , siguiendo los pasos en el algoritmo anterior,
y
procedemos as:
( 1)
( 1)
( 0)
( k = 0 ), y resolvemos el sistema lineal
Definimos Z = X X
( )
( )
0
1
0
J X ( ) Z ( ) = F X ( )
En este sistema
(
)
( ) ( )
f X ( 0)
1
0)
(
FX
=
0
f2 X ( )
siendo
( )
( )
0
0
f1 X ( ) = f1( 2.0, 3.0) = 1.0 , f2 X ( ) = f2 ( 2.0, 3.0) = 2
y
f1
( 2.0,3.0)
0
x
J X( ) =
f2
( 2.0,3.0)
( )
Luego el sistema a resolver es
f1
( 2.0,3.0) 6 6
y
=
f2
2.0,3.0) 10 2
(
y
1
6 6 z1( ) 1
(1) =
10 2 z 2 2
La solucin nica de este sistema es

z( 1)
1 = 1 2 6 1 = 1 7
z( 1) 72 10 6 2 36 1
2
Entonces
1 7 2
1 79 2.19444
1
1
0
X( ) = Z( ) + X( ) =
+ =
36 1 3 36 109 3.02778
2
3
Procediendo de manera similar se obtienen X ( ) y X ( ) .
Ejemplo 3.15 Consideremos el sistema no-lineal

__________________________________________________________________________________
x 2 + y 2 x = 0
2
x y 2 y = 0
Las
grficas
de
las
ecuaciones
x2 + y2 x = 0
x2 y 2 y = 0
f2 ( x, y ) = x2 y 2 y ), se muestran en la FIGURA 3.3 siguiente.
( f1( x, y ) = x 2 + y 2 x ,
FIGURA 3.3
Por simple inspeccin sobre el sistema dado, u observando la FIGURA 3.3, se ve que ( 0,0) es una
solucin del sistema, y que el sistema dado solamente tiene dos soluciones reales.
Si usamos el mtodo de Newton-Raphson para encontrar la solucin no nula del sistema dado, con
k
k 1
X ( ) X( )
< 10 3 , se obtiene como solucin aproximada
criterio de aproximacin
X ( 4 ) = (.771845, .419643)
tomando
como
aproximacin
inicial
X ( 0 ) = (10
. , .5 ) ; si tomamos
0
4
. , 10
. ) , se obtiene la solucin aproximada X ( ) = (.771845, .419644 ) ,
aproximacin inicial X ( ) = (10
si tomamos aproximacin
X ( 5 ) = (.771845, .419643) .
inicial
0
X ( ) = (.5, .5 ) ,
obtenemos
la
solucin
aproximada
Como una aplicacin del mtodo de Newton-Raphson para sistemas no-lineales, tenemos el
mtodo de Bairstow para encontrar ceros complejos de funciones polinmicas, mtodo al cual
nos referiremos a continuacin.
3.10 CEROS COMPLEJOS DE POLINOMIOS: MTODO DE BAIRSTOW

__________________________________________________________________________________
Para hallar una raz compleja de una ecuacin polinmica con coeficientes reales puede utilizarse
el mtodo de Newton-Raphson con una aproximacin inicial compleja y aritmtica compleja. Otra
forma de enfocar el problema de las races complejas de una ecuacin polinmica con coeficientes
reales se basa en el hecho de que si z = a + bi es un cero complejo de multiplicidad m de un
polinomio p( x) , entonces su conjugado z = a bi es tambin un cero de multiplicidad m de p( x) y
(x
2ax + a 2 + b 2
es un factor de p( x) .
Es decir, las races complejas de ecuaciones
polinmicas con coeficientes reales se producen en pares conjugados y por sto, se debe buscar
un factor cuadrtico, ms que lineal, del polinomio. Esta es la base del mtodo de Bairstow, el
cual nos permitir encontrar races reales o complejas de una ecuacin polinmica con coeficientes
reales, realizando nicamente aritmtica real. A continuacin describimos este mtodo:
Dado un polinomio con coeficientes reales
p( x) = a 0 + a1x + a2 x2 +... +an xn , a n 0, n 2
(3.22)
El algoritmo de la divisin de Euclides nos permite expresarlo en la forma
p( x) = x2 ux v q( x) + r ( x u) + s
donde u y v son constantes reales, q( x) es un polinomio de grado n 2

reales,
(3.23)
con coeficientes
q( x) = b0 + b1x +... +bn 2 xn 2
(3.24)
y r ( x u) + s es un residuo lineal con coeficientes reales r y s.

Las expresiones x 2 ux v y r ( x u) + s han sido escritas as para simplificar los clculos
posteriores.
El objetivo es encontrar u y v tales que x 2 ux v sea un factor cuadrtico de p( x) .
Al sustituir (3.24) en (3.23), se obtiene
p( x) = x 2 ux v q( x) + r ( x u) + s
)(
= x 2 ux v b0 + b1x + b2 x2 +...+bn 3 xn 3 + b n 2 xn 2 + r ( x u) + s
= ( vb0 ru + s) + ( ub 0 vb1 + r ) x + ( b0 ub1 vb 2 ) x 2 +...
+(b n 4 ubn 3 vb n 2 )x n 2 + (b n 3 ubn 2 ) xn 1 + bn 2 xn
Igualando (3.22) y (3.25), obtenemos
(3.25)

__________________________________________________________________________________
an = bn 2
an 1 = bn 3 ubn 2
an 2 = b n 4 ub n 3 v bn 2
an 3 = bn 5 ubn 4 vbn 3
M
a3 = b1 ub 2 vb 3
a 2 = b0 ub1 v b2
a1 = r ub 0 vb1
a0 = s u r v b0
igualdades que pueden escribirse en la forma

bn 2 = a n
b
n 3 = an 1 + ubn 2
bn 4 = an 2 + ub n 3 + v bn 2
bn 5 = an 3 + ubn 4 + vbn 3
b
=
a 3 + ub 2 + v b3
1
b 0 = a 2 + ub1 + vb 2
r = a + ub + v b
1
0
1
s = a 0 + ur + vb 0
(3.26)
Para que x 2 u x v sea un factor de p( x) , como queremos, es necesario que r = 0 y s = 0 , pero

r y s son funciones no-lineales de u y v (observe que b 0 y b1 son funciones de u y v).
Debemos entonces resolver el sistema no-lineal
r ( u, v) = 0
s(u, v) = 0
(f1( u, v )
(f2 (u, v )
=0
(3.27)
=0
para las incgnitas u y v.

Usando el mtodo de Newton-Raphson para sistemas no-lineales, si
r
J= u
su
rv
sv
donde ru , rv , s u , s v son las derivadas parciales de r y s con respecto a u y v, respectivamente,

entonces en la k-sima iteracin (para determinar u y v), tenemos

__________________________________________________________________________________
1
u( k +1)
(k)
= u J X ( k )
v (k + 1)
v(k )
12
4 4
3
123
X( k +1)
X ( k)
( )
( )
( )
r X ( k)
k)
(
s X
1424
3
F X( k )
(3.28)
Aparentemente no se dispone de las derivadas parciales de r y s, por no conocerse una relacin

explcita para r y s; sin embargo, si usamos la relacin de recurrencia para a j, b j , u, v, r y s
dada en (3.26) y derivamos parcialmente con respecto a u, obtenemos
( bn 2 ) u = 0 , pues
b n 2 = an con an constante, y
(bn 3 ) u = bn 2
(bn 4 ) u = bn 3 + u(bn 3 )u
(bn 5 ) u = bn 4 + u(bn 4 )u + v(bn 3 )u
(b 0 )u = b1 + u(b1 )u + v(b 2 ) u
ru = b0 + u(b 0 ) u + v(b1 )u
s u = r + uru + v(b 0 )u
(3.29)
Si definimos c k = (bk 2 ) u , k = n 1,n 2,...,2 , c1 = ru y c 0 = su , las relaciones en (3.29) pueden

escribirse como sigue
c n 1 = bn 2
c n 2 = bn 3 + u cn 1
c n 3 = b n 4 + u c n 2 + v c n 1
c = b + uc + v c
2
1
3
4
c1 = bo + uc 2 + v c 3
c 0 = r + uc 1 + v c 2
de modo que
( ) r (X( ) )
( ) s (X( ) )
r X(k)
u
k)
(
J X
=
s u X ( k)
( )
se convierte en
(3.30)

__________________________________________________________________________________
( )
( )
k
r v X ( )
k
s v X( )
c (k)
1
k
J X( ) =
c0( k )
( )
( )
( )
donde c1 y c 0 son los valores de c1 y c 0 , obtenidos en las ecuaciones (3.30) en la iteracin
k
k-sima.
Para
obtener
expresiones
( ) y s (X ( ) ) , derivamos
k
rv X ( )
para
parcialmente
las
mismas
relaciones en (3.26) pero con respecto a v, con lo cual obtenemos

(bn 4 ) v = bn 2
(bn 5 ) v = u(bn 4 ) v + bn 3 = bn 3 + u( bn 4 ) v
(bn 6 ) v = u(bn 5 ) v + bn 4 + v(bn 4 ) v = b n 4 + u(bn 5 ) v + v(b n 4 ) v
( b0 ) v = u(b1 ) v + b2 + v(b 2 ) v = b2 + u( b1 ) v + v(b 2 ) v
rv = u(b 0 ) v + b1 + v(b1 ) v = b1 + u(b 0 ) v + v(b1 ) v
s v = urv + b 0 + v(b 0 ) v = b0 + ur v + v(b 0 ) v
(3.31)
Si definimos dk = (bk 3 ) v , k = n 1,n 2,...,3 , d2 = rv y d1 = s v , entonces las ecuaciones (3.31) se

convierten en
dn 1 = bn 2
d
n 2 = b n 3 + udn 1
dn 3 = bn 4 + udn 2 + vdn 1
d = b + ud + vd
2
4
5
3
d2 = b1 + ud3 + vd4
d1 = b0 + ud2 + vd3
de modo que
c (k)
k
J X ( ) = 1 ( k )
c0
( )
d2 ( k )
d (k)
1
(3.32)
Si observamos las ecuaciones (3.30) y (3.32), vemos que ellas producen los mismos valores para
k
k = n 1, n 2,..., 1 , es decir, d = c , k = n 1, n 2,..., 1 ; por tanto (3.32) es redundante, y J X ( )
k
puede calcularse como
( )

__________________________________________________________________________________
c ( k)
k
J X ( ) = 1( k)
c
0
( )
c 2( )
k
c1( )
k
Resumimos la discusin precedente en el siguiente algoritmo:
Algoritmo 3.7 (Mtodo de Bairstow) Para encontrar un factor cuadrtico x 2 ux v de un

polinomio con coeficientes reales
p( x) = a 0 + a1x + a 2 x 2 +...+ an x n , an 0, n 2
Entrada: El grado n del polinomio p( x) ; los coeficientes a0 ,a1,...,a n del polinomio p( x) ; unas
aproximaciones iniciales u 0 , v 0 de u y v, respectivamente; una tolerancia Tol, y un
nmero mximo de iteraciones N.
Salida: Un factor cuadrtico aproximado x 2 ux v del polinomio p( x) o un mensaje.
Paso 1: Hacer
bn = an
cn = 0
(observe que se cambi la notacin de subndices)
cn 1 = a n
Paso 2: Tomar i = 1 .
Paso 3: Mientras que i N seguir los pasos 4-10:
Paso 4: Hacer b n1 = a n 1 + u0 bn .
Paso 5: Para k = n 2,n 3,...,0 , hacer
bk = ak + u 0 bk +1 + v 0 bk + 2
ck = bk +1 + u0 ck +1 + v 0 c k+ 2
(con este cambio de subndices b1 = r y b0 = s )

c
Paso 6: Hacer J = c 0 c 2 c 21 (aqu J es igual a det 1
c0
c2
).
c1
Paso 7: Hacer
c 1b1 c 2 b0
J
c 1b0 c 0 b1
v1 = v0 +
J
u1 = u 0 +
(Se est usando la regla de Cramer para resolver el sistema)

__________________________________________________________________________________
Paso 8: Si
b1 = r < Tol y
b 0 = s < Tol , entonces : salida: "Un factor cuadrtico
aproximado del polinomio dado, y los correspondientes valores de r y s son:

x 2 u1x v1; r = b1, s = b0 ". Terminar.
Paso 9: Tomar i = i + 1 .
Paso 10: Hacer u 0 = u1
v0 = v1
Paso 11: Salida: "Se alcanz el nmero mximo de iteraciones N pero no la tolerancia".
Terminar.
Ejemplo 3.16 Encontrar todas las races de la ecuacin x 4 4 x 3 + 7x 2 5 x 2 = 0 , usando el
mtodo de Bairstow.
Solucin: Con un programa diseado siguiendo el algoritmo 3.7 anterior, se obtienen los
siguientes resultados:
Para las aproximaciones iniciales u 0 = 3 y v 0 = 4 , y una tolerancia Tol = 10 10 , se obtiene en la
sptima iteracin que u = 2.2756822037 y v = 3.6273650847 y los valores de r y s
.
10 15 .
correspondientes son r = 5.7853028 10 16 y s = 11423154
Las races del factor cuadrtico aproximado x 2 ux v obtenido, son complejas conjugadas con
parte real 11378411018
.
y parte imaginaria 15273122509
.
, y si usamos Deflacin se obtiene el
polinomio reducido de grado dos
q( x) = x 2 17243177963
.
x .5513644073
cuyas races son x1 = 2.0000000000 y x2 = .2756822037 .

BAIRSTOW( p( x) , x, u 0 , v 0 , N ): aproXima las primeras N iteraciones en el mtodo de Bairstow
aplicado al polinomio p( x) para obtener valores aproximados uN y vN de los coeficientes u y v de
un factor cuadrtico x 2 ux v del polinomio p( x ) , tomando como aproximaciones iniciales u 0 y
4
3
2
v 0 . Para este ejemplo, aproXime la expresin BAIRSTOW( x 4 x + 7 x 5 x 2 , x , 3 , 4 , 7 ).
Ejemplo 3.17 Encontrar todas las races de la ecuacin

p( x) = x7 28 x6 + 322 x5 1960 x4 + 6769 x 3 13132 x2 + 13068 x 5040 = 0
usando el mtodo de Bairstow.

__________________________________________________________________________________
Solucin: Si aplicamos el mtodo de Bairstow con Deflacin para hallar todas las races de la
ecuacin polinmica dada, se obtienen los resultados que aparecen a continuacin, usando como
tolerancia Tol = 10 10 :
Para los valores iniciales u 0 = 2 y v 0 = 3 , se obtiene en la octava iteracin u = 4.0000000000 ,
v = 3.0000000000
y
los
valores
de
r
y
s
correspondientes
son
11
11
r = 18927082
.
10
y s = 3.6550318 10 . Las dos races del factor cuadrtico aproximado
obtenido son 3.00000000000, 1.0000000000 y el polinomio reducido q5 ( x) , de grado cinco, es
q5 ( x) = x 5 24 x 4 + 223 x 3 996 x 2 + 2116 x 1680 .
Si aplicamos Deflacin, es decir, aplicamos el mtodo de Bairstow al polinomio reducido q5 ( x) , se

obtiene para los valores iniciales u 0 = 3 y v 0 = 5 , en la dcima iteracin los valores de
.
10 13 y s = 9.1660013 10 13 . Las
u = 8.00000000000 , v = 12.0000000000 , r = 14388490
races del factor cuadrtico aproximado correspondiente son 6.0000000000 y 2.00000000000, y el
3
2
polinomio reducido, de grado tres, es q3 ( x) = x 16 x + 83 x 140 .
Al aplicar nuevamente Deflacin, para los valores iniciales u 0 = 8 y v 0 = 30 , se obtiene en la
r = 8.6330942 10 13
sptima
iteracin
u = 9.0000000000 ,
v = 20.0000000000 ,
y
s = 8.3950624 10 12 . Las races del factor cuadrtico correspondiente son 5.00000000000 y
4.0000000000, y el polinomio reducido de grado uno es q1 ( x) = x 7 , que nos lleva a obtener
como ltima raz aproximada de la ecuacin polinmica original el valor 7.0 .
Las races exactas de la ecuacin polinmica dada, son 1, 2, 3, 4, 5, 6 y 7.
TALLER 3.
1. Use el mtodo de eliminacin Gaussiana simple (sin pivoteo) con sustitucin regresiva y
aritmtica exacta para resolver, si es posible, los sistemas lineales AX = b siguientes, y
encuentre matrices P de permutacin, L triangular inferior con sus elementos diagonales iguales
a 1 y U escalonada (triangular superior) tales que PA = LU .
x1 x2 + 3 x3 = 2
a) 3 x1 3 x 2 + x3 = 1
x +x
= 3
1
2
1
x1 2 x 2 + x 3
2x x 2 x 3 + x 4
b) 1
x1 + x 2
1
x1 x 2 + x 3 + x 4
2
=4
=5
=2
=5
2. Use el algoritmo 3.2 y aritmtica de precisin sencilla en un computador para resolver, si es

posible, los siguientes sistemas de ecuaciones

__________________________________________________________________________________
1
4 x1 +
1
a) x1 +
3
1
2 x1 +
1
1
x2 + x3 = 9
5
6
1
1
x2 + x3 = 8
4
5
x 2 + 2x 3 = 8
1
1
1
1
x1 + 2 x 2 + 3 x3 + 4 x4 = 6
1 x + 1 x + 1 x + 1 x = 1
2 1 3 2 4 3 5 4 7
b)
1 x + 1 x + 1 x + 1 x = 1
3 1 4 2 5 3 6 4 8
1
1
1
1
1
x1 + x 2 + x 3 + x 4 =
4
5
6
7
9
3. Resuelva los siguientes sistemas AX = b por Eliminacin Gaussiana sin pivoteo. Chequee si A
tiene factorizacin LU con L triangular inferior con sus elementos diagonales iguales a 1 y U
escalonada (triangular superior).
1 1 1
a) A = 1 2 2 ,
2 1 1
1

b = 0
1

3
b) A =
2
3 2 1
1

4 3 2
1
,
b
=
1
3 4 3

1
2 3 4
4. Dados los cuatro sistemas de ecuaciones lineales AX = b( 1) , AX = b( 2) , AX = b( 3) y AX = b( 4) ,

donde
2 3 1
2
6
0
1

1)
2)
3)
4)
(
(
(
(
A = 1 1 1 , b = 1 , b = 4 , b = 1 , b = 0
1 1 3
0
5
3
0
a) Resuelva los sistemas lineales aplicando eliminacin Gaussiana a la matriz aumentada

1
2
3
4
A M b( ) b ( ) b ( ) b ( ) , y luego haciendo sustitucin regresiva.
b) Resuelva los sistemas lineales usando eliminacin Gaussiana para obtener matrices P, L y U
tales que PA = LU , y luego siguiendo los pasos siguientes:
( i)
Paso1: Calcular Pb , i = 1,2,3,4 .
i
i
i
Paso 2: Resolver, para c ( ) , Lc ( ) = Pb( ) , i = 1,2,3,4 , por sustitucin progresiva.
Paso 3: Resolver, para X ( i ) , UX ( i) = c (i) , i = 1,2,3,4 , por sustitucin regresiva.
c) Resuelva los sistemas lineales aplicando el mtodo de Gauss-Jordan a la matriz aumentada
de a).
d) Resuelva los sistemas lineales encontrando la inversa de la matriz A y calculando los
1 ( i )
productos A b , i = 1,2,3,4 .
e) Cul mtodo de los anteriores parece ser ms fcil? Cul mtodo de los anteriores requiere
ms operaciones?

__________________________________________________________________________________
5. Encontrar X
a) X = 3,4,0,
para cada uno de los siguientes vectores:
b) X = ( 2,1,3,4 )
c) X = senk, cosk,2k
, para un entero positivo fijo k.
6. a) Verificar que la funcin
definida en R n por
n
=
1
xi
i =1
es una norma vectorial.

b) Encontrar X
para cada uno de los vectores dados en el ejercicio 5.
7. Demuestre que para todo X R n ,

X
y que las igualdades pueden ocurrir, an para vectores no nulos.

n
8. Demuestre que para todo X R ,
9. a) Encuentre
n X
n X
para cada una de las siguientes matrices
1 2
A=
4 3
1 0 0
A = 1 0 1
1 1 2
b) Calcule el radio espectral ( A ) para cada una de las matrices dadas en a).
10. Demuestre que si A es simtrica, entonces A
= ( A) .
11. Calcule Cond ( A ) y Cond ( A) para cada una de las matrices dadas en el ejercicio 9.a).
12. Sea A R n n . Demuestre que Cond ( A) = Cond ( A) para cualquier escalar R, 0 .

__________________________________________________________________________________
13. a) Considere el sistema lineal AX = b dado por

1 1 x1 2
=
1 101
. x2 2.01
y calcule su solucin exacta X .

b) Considere ahora el sistema perturbado ( A + A )X = b dado por
1 x1 2
1
=
1 1011
.
x 2 2.01
~
y calcule su solucin exacta X .
~
XX
c) Calcule
y comprela con la cota de error obtenida a partir del teorema 3.4. Es la
X
matriz A mal condicionada?
14. Considere el sistema

.780 x1 + .563 x 2 = .217
.913 x1 + .659 x2 = .254

~
Calcule el vector error residual R = AX b , para las dos soluciones aproximadas
~
T
~
X 1 = (.341,.087 ) y X 2 = (.999,1001
.
) T y concluya, a partir nicamente del tamao de estos
errores residuales, cul es la mejor aproximacin de la solucin del sistema. Verifique que la
solucin exacta del sistema es X = (1,1) .
T
15. El sistema
+y=0
x
x + .999999 y = 1
tiene solucin exacta x = 10 6 , y = 10 6 . Encuentre la solucin exacta del sistema

+y=0
x
.
y=1
x + 1000001
Comente ampliamente los resultados.
16. Considere las matrices

__________________________________________________________________________________
1
1
A=
,
1
100001
.
Muestre
que
1
1
B=
1
1
.
00001
Cond ( A) 1 y Cond (B) 4 10 5 .
Muestre,
sin
embargo,
que
Cond 2 ( A ) = Cond 2 (B) . Concluya que Cond ( .) no es un buen nmero de condicin para
matrices no simtricas. Es A mal condicionada o bien condicionada?
( )nn
( n)
17. La matriz de Hilbert H = hi j
definida por hi j =
1
, 1 i, j n es un importante
i+ j1
ejemplo en el lgebra lineal numrica.

( 4)
a) Encuentre la matriz H , demuestre que
120
240
140
16
1
120 1200 2700 1680
4
H( )
=
240 2700 6480 4200
140 1680 4200 2800
[ ]
( )
( 4)
y calcule Cond H
.
b) Resuelva el sistema lineal

x1 1

0
4 ) x2
(
H =
0
x
3
x4 1
usando aritmtica con redondeo a tres dgitos y compare el error real en la aproximacin
( 4)
calculada con la cota de error dada en el teorema 3.3. Es la matriz H mal condicionada?
18. Considere el sistema lineal

2
1
2x1 + 3 x2 + 3 x 3 = 1
x1 + 2x 2 x 3 = 0
6 x + 2 x + 2x = 2
1
2
3
y verifique que su solucin es x1 = 2.6, x 2 = 3.8, x3 = 5.0 .

a) Usando aritmtica de punto flotante decimal con redondeo a cuatro dgitos, resuelva el
sistema anterior por el mtodo de eliminacin Gaussiana sin pivoteo.
b) Repita la parte a), usando pivoteo parcial y pivoteo escalado de fila.
c) Cul de las tres soluciones calculadas en a) y b) es la mejor? Explique.

__________________________________________________________________________________
19. a) Muestre todos los pasos intermedios, sto es, los multiplicadores, los factores de escala Si ,
y el vector de intercambios p, al aplicar el pivoteo escalado de fila sobre la matriz siguiente:
1 2 3
A = 3 5 1
2 4 2
b) Use la informacin de la parte a) para encontrar matrices P, L y U, correspondientes al

mtodo de pivoteo escalado de fila, tales que PA = LU .
c) Use la factorizacin PA = LU , para calcular det A .
20. Resuelva cada uno de los siguientes sistemas de ecuaciones lineales, usando aritmtica de
computador en precisin simple y eliminacin Gaussiana con: i) sin pivoteo, ii) pivoteo parcial,
iii) pivoteo escalado de fila.
.2641x1 + .1735 x2 +.8642x 3 = .7521
a) .8641x1 .4243 x2 +.0711x 3 = .2501

.9411x +.0175 x +.1463x = .6310
1
2
3
x1 +
1
b) x1 +
2
1
3 x1 +
1
x2 +
2
1
x2 +
3
1
x2 +
4
x1 +
1 x +
2 1
1
c) x1 +
3
1
4 x1 +
1 x +
4 1
1
1
1
1
x2 + x 3 + x 4 + x 5
2
3
4
5
1
1
1
1
x2 + x 3 + x 4 + x 5
3
4
5
6
1
1
1
1
x2 + x3 + x4 + x5
4
5
6
7
1
1
1
1
x2 + x3 + x4 + x5
5
6
7
8
1
1
1
1
x2 + x3 + x4 + x5
5
6
7
9
1
x3 = 2
3
1
x3 = 1
4
1
x3 = 0
5
=1
=1
=1
=1
=1
En cada caso estime el nmero de condicin, relativo a la norma
, de la matriz de
coeficientes y concluya sobre el bien o mal condicionamiento de esta matriz, y si es posible,

sobre la bondad de la solucin calculada.
21. Determine cules de las siguientes matrices son

i) simtricas,
ii) singulares,
iii) estrictamente dominantes diagonalmente (E.D.D.) por filas,

__________________________________________________________________________________
iv) definidas positivas.

1
2 1
2
a)
b)
1 3
2 1 0
d) 1 4 2
0 2 2
2 1 0
c) 0 3 2
1 2 4
22. Defina la matriz tridiagonal de orden n

2 1 0
1 2 1
A n = 0 1 2
L
0
L 0
1 2
a) Encuentre una frmula general para A n = LU , con L triangular inferior con sus elementos
diagonales iguales a uno y U triangular superior.
b) Use la factorizacin obtenida en a) para resolver el sistema A n X = bn
donde
bn = (1,1,...,1) , para n = 3, 4, 5, 6 .
T
c) Con base en la respuesta obtenida en a), muestre que la matriz A n es invertible.
23. Pruebe que si A = LLT con L R n n no singular, entonces A es simtrica y definida positiva.
24. Usando el mtodo de Choleski, encuentre la factorizacin A = LLT para las siguientes matrices:
2.25
a) A = 3.0
4.5
3.0
4.5
5.0 10.0
10.0
34.0
15 3
15 18
18
24
18
4
b) A =
15 18 18 3
3
4 3
1
2 3
25. Considere la matriz A =
. Verifique que la matriz A no es estrictamente dominante
1 4
diagonalmente (por filas), pero que los mtodos iterativos de Jacobi y Gauss-Seidel, para
resolver cualquier sistema AX = b , convergen.
26. Demuestre que para la matriz

1 0 1
A = 1 1 0
1 2 3
las iteraciones de Jacobi convergen y las de Gauss-Seidel divergen.

__________________________________________________________________________________
27. Considere el sistema

2x + y + z = 4
x + 2y + z = 4
x + y + 2z = 4
a) Muestre que la matriz de coeficientes del sistema no es estrictamente dominante

diagonalmente (por filas).
0
b) Partiendo de X ( ) = (.8, .8, .8) , muestre que las iteraciones de Jacobi oscilan entre los
T
T
T
valores (121212
. , . , . ) y (.8,.8,.8 ) .
c) Muestre que las iteraciones de Gauss-Seidel convergen a la solucin X = (1,1,1) ,

T
calculando iteraciones hasta que
k
k 1
X( ) X( )
< 10 3 .
28. Para cada uno de los siguientes sistemas de ecuaciones, explique si los mtodos iterativos de
Jacobi y Gauss-Seidel convergen o no. En los casos donde haya convergencia calcule las
(k)
( k 1)
< 10 3 .
iteraciones hasta que X X
=1
2x1 + x2
=3
a) x1 + 6 x2
2 x2 + x3 = 1
2x1 + x2 x 3 = 1
= 1
d) x1 + x2
x x + 2x = 2
1
2
3
2 x1 + x 2 3x 3 = 1
b) x1 + 3 x2 + 2x 3 = 12
3 x + x 3x = 0
1
2
3
x1 + 2x 2 + 3 x3 = 0
c) 4 x1 x2 + x3 = 6
2x + 3 x x = 2
2
3
1
+ x4 =
x1 + 2x 2
=
3 x1 x 2 + 4 x 3
e)
x3 + 3x4 =
x1
2x1 + x2 x 3
=
0
2
1
1
29. Para cada uno de los sistemas del ejercicio 28, si la matriz de coeficientes no es estrictamente
dominante diagonalmente (por filas), reordnelo de modo que el nuevo sistema equivalente
tenga matriz de coeficientes lo ms cercana posible a ser estrictamente dominante
diagonalmente (por filas) y estudie la convergencia o divergencia de los mtodos iterativos de
Jacobi y Gauss-Seidel para estos sistemas reordenados. En los casos donde haya
(k)
( k 1)
< 10 3 .
convergencia calcule las iteraciones hasta que X X
30. Para cada uno de los sistemas reordenados del ejercicio 30, use el mtodo SOR con w = 12
. ,
w = .8 .

__________________________________________________________________________________
31. Resuelva los siguientes sistemas de ecuaciones no-lineales usando el mtodo de Punto Fijo y
el mtodo de Newton-Raphson. En los casos donde haya convergencia del mtodo, calcule
(k)
( k 1)
< 10 3 . En cada caso haga una grfica que ilustre
las iteraciones hasta que X X
cuntas soluciones reales tiene el sistema.

x2 + y 2 = 4
a) 3
x y = 0
2
2
4 x y = 0
c)
4 xy 2 x = 1
x2 y 2 = 4
b) x
e + xy = 1
32. Use el mtodo de Newton-Raphson para aproximar un punto crtico de la funcin

f( x, y ) = x 4 + xy + (1 + y )
33. Considere el polinomio

p( x) = 3 x5 7 x 4 5 x 3 + x 2 8 x + 2
a) Haga una grfica que ilustre cuntas races reales tiene la ecuacin p( x) = 0 .
b) Aplique el algoritmo 3.7 (mtodo de Bairstow) con punto inicial
Tol = 10 3 .
( u0 ,v 0 ) = (3,1)
Una vez que haya encontrado un factor cuadrtico x 2 ux v , use Deflacin

para encontrar todas las races de la ecuacin p( x) = 0 .

Bairstow

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Bairstow

Cargado por

Copyright:

Formatos disponibles

Captulo 3.

SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES 1

3.1 SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES LINEALES

an1x1 + an 2 x 2 +...+ ann xn

El sistema (3.2) puede escribirse en la forma matricial equivalente AX = b con

Captulo 3. SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES 2

La matriz A es llamada matriz de coeficientes del sistema, el vector columna X el vector de

3.2 MTODOS DIRECTOS

Como an n 0 , entonces podemos despejar xn de la ltima ecuacin y obtenemos

Captulo 3. SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES 3

Conocido x n , usamos la penltima ecuacin para obtener

Conocidos x n y xn1 , obtenemos (de la antepenltima ecuacin)

En general, conocidos xn , xn 1,..., xi +1 , obtenemos

, ,...,n, j = i,..., n ; los trminos

Paso 2: Para i = n 1, n 2,...,1 , tomar

Captulo 3. SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES 4

CASO 2: La matriz A (de coeficientes del sistema AX = b ) es tal que no se requieren

El proceso de eliminacin Gaussiana (simple) consiste en lo siguiente:

Captulo 3. SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES 5

se llaman multiplicadores (si j = 1 ,

El sistema (reducido) resultante tendr la forma

+ a1,n 1xn 1 + a1n x n = b1

(si j = 1, A ( j1) = A ( 0) A ) desde la fila ( j + 1 )-sima

Se busca en la j-sima columna de A

y se continua con el proceso de eliminacin Gaussiana.

Captulo 3. SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES 6

E1: a11x1 + ...

Entrada: El orden n del sistema; las componentes ai j , i = 12

Si no existe tal k, entonces A no es invertible, por tanto, salida: "El sistema no

Paso 4: Para i = j + 1,..., n , seguir los pasos 5 y 6:

(Aqu empieza la sustitucin regresiva).

Paso 9: Para i = n 1,...,1 tomar

Captulo 3. SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES 7

3.3 SISTEMAS MAL CONDICONADOS Y NMERO DE CONDICIN DE UNA MATRIZ

4.1x + 2.8 y = 4.1

9.7 x + 6.6 y = 9.7

4.1x + 2.8 y = 4.11

9.7 x + 6.6 y = 9.7

Captulo 3. SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES 8

tambin "pequea", donde

. es alguna norma vectorial?

Empecemos recordando qu es una norma vectorial y qu es una norma matricial.

Captulo 3. SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES 9

Definicin 3.2 Una norma vectorial en R n es una funcin

tal que para todo X, Y R n y todo R :

1) La norma euclidiana ( o norma 2) definida por

2) La norma suma ( o norma 1) definida por

3) La norma del mximo (o norma ) definida por

(distancia asociada con la norma suma)

Definicin 3.3 Una norma matricial en

(distancia asociada con la norma del mximo).

Captulo 3. SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES 10

tal que para todo A,B R n n y todo R :

es una norma matricial en R n n .

para cada X R n y cada A R n n , pues si X R n , X 0 , entonces

Para X = 0 claramente se satisface (3.6).

Las normas matriciales inducidas por las normas vectoriales

Captulo 3. SOLUCIN NUMRICA DE SISTEMAS DE ECUACIONES 11

, difcil de calcular con la informacin que se conoce hasta aqu, pues

calcular esta norma es resolver un problema de mximo en varias variables.

, fcil de calcular, ya que se puede demostrar que

, fcil de calcular, ya que como en el caso 2), se puede demostrar, vase

Burden 1985, pginas 453 y 454, que

Debido a la facildad del clculo de las normas