Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Presentacion Metodos Numericos Sis Lin y No Lin
Presentacion Metodos Numericos Sis Lin y No Lin
DEFINICIONES DE ERROR
Error verdadero
Error aproximado
Error aproximado
a =
100%
valor aproximado
Et
t =
100%
valor verdadero
a =
a < s
DEFINICIONES DE ERROR
Estos errores pueden ser relacionados con el nmero de
cifras significativas en la aproximacin
Puede tenerse la seguridad de que el resultado es
correcto en al menos n cifras significativas, si
s = (0.5 10 2 n )%
De esta forma se debe especificar el valor del error
esperado
ECUACIONES NO LINEALES
Objetivo: estudiar algunos mtodos numricos para
hallar races reales de una ecuacin no-lineal en una
variable.
Considerando, inicialmente, el problema de encontrar
una raz de una funcin no-lineal con dominio y valores
reales, es decir, resolveremos la ecuacin:
(3.1)
g(x) = 0
con g:[a,b]R
Suponiendo que g es continua, con una sola raz
[a,b], y que sta es simple (f cambia de signo en ese
lugar).
SOLUCIN DE
LINEALES
ECUACIONES
NO
SOLUCIN DE
LINEALES
ECUACIONES
NO
ek +1
ek
=C
(3.4)
Mtodo de Biseccin
Sea g una funcin continua en un intervalo [a,b], y g(a) x
g(b) < 0. Por teorema del valor intermedio para funciones
continuas, existe al menos un (a,b), tal que g() = 0.
Este mtodo consiste en dividir sucesivamente el intervalo
[a,b], por la mitad, hasta que la longitud del subintervalo que
contiene a la raz sea menor que alguna tolerancia
especificada .
Mtodo de Biseccin
Mtodo de Biseccin
Ventajas:
Siempre converge.
til como aproximacin inicial de otros mtodos.
Desventajas:
No tiene en cuenta la magnitud de los valores de la funcin
en las aproximaciones calculadas xn, solo tiene en cuenta
el signo de g(x), lo que hace que una aproximacin
intermedia, mejor que la respuesta final, pase
desapercibida.
Convergencia lenta.
Mtodo linealmente convergente, r = 1, C = 0.5
10
Mtodo de Biseccin
Criterios de paro y estimacin del error:
Repetir el mtodo para obtener una aproximacin ms
exacta de la raz.
Finalizar el clculo cuando el error se encuentre por
debajo de algn nivel prefijado:
xri xri 1
a =
100 % Tol
i
xr
(3.5)
Mtodo de Biseccin
La raz verdadera se halla en algn lugar dentro del
intervalo
(xu xl ) = x
2
(3.7)
x
xri xri 1
=
2
2
(3.8)
Mtodo de Biseccin
Otro beneficio del mtodo es que el nmero de iteraciones
requerido para obtener un cierto error absoluto se puede
calcular a priori, es decir, antes de empezar las
iteraciones.
Antes de empezar las iteraciones, el error absoluto es:
(3.9)
Ea1 = x 0 2
(3.10)
E = x 2
n
ad
(3.11)
13
Mtodo de Biseccin
Resolviendo para n (nmero de iteraciones)
x 0
log x 0 / Ead
n=
= log 2
log(2)
Ead
(3.12)
14
15
xn xn 1
xn +1 = xn g ( xn )
g ( xn ) g ( xn 1 )
(3.13)
16
Punto Fijo
Dada una ecuacin g(x)=0, se puede transformar, en otra
equivalente del tipo x=g(x) para alguna funcin g. En este caso
se tiene que: es raz de g(x)=0 g()=0 =h() es
raz de x=h(x).
Definicin: Un nmero tal que = h() se dice un punto
fijo de la funcin h.
Teorema de punto fijo: Si h es una funcin continua en [a,b],
y h(x)[a,b] x[a,b], entonces h tiene por lo menos un punto
fijo en [a,b]. Si adems, h(x) existe x(a,b), y |h(x)|K<1
x(a,b), K constante, entonces h tiene un nico punto fijo
x[a,b], y la sucesin {xn}n definida mediante la frmula de
iteracin:
xn = h(xn-1), n = 1, 2, 3, . . .
(3.14)
17
Punto Fijo
1
h1(x) = x
0.8
0.6
0.4
h2(x) = e-x
0.2
0
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
-0.2
-0.4
-0.6
g(x) = e-x-x
-0.8
18
Punto Fijo
El comportamiento de los esquemas de punto fijo puede
variar ampliamente desde la divergencia, lenta
convergencia, a la rpida convergencia.
La va ms simple (aunque no ms general) de
caracterizar el comportamiento de la iteracin de punto
fijo es considerar la derivada de g en la solucin x*.
Si x*=h(x*) y |h(x*)|<1, entonces el esquema es
localmente convergente. Es decir, existe un intervalo
conteniendo x* tal que el correspondiente esquema
iterativo es convergente si comienza dentro del intervalo.
19
Newton - Raphson
De la serie truncada de Taylor
(3.15)
g(x+h) g(x) + g(x)h
Reemplazando la funcin no-lineal f con esta funcin lineal,
cuyo cero es fcilmente determinada para ser h= g(x)/g(x),
asumiendo que g(x)0.
Los de las dos funciones no son idnticos en general,
entonces se repite el proceso. Esto motiva al siguiente
esquema iterativo:
xk +1 = xk
g ( xk )
g ' ( xk )
(3.16)
Newton - Raphson
8
0
0,4
0,6
0,8
xi+1
xi
1,2
x0= 1,4
1,6
-1
-2
21
Mtodo de la Secante
Un problema potencial en el mtodo NR es la evaluacin de
la derivada.
Aproximar la evaluacin de la derivada mediante una
diferencia dividida finita regresiva.
xi +1 = xi g ( xi )
( xi 1 xi )
g ( xi 1 ) g ( xi )
(3.17)
Mtodo de la Secante
8
0
0,4
0,6
0,8
xi+1
xi
1,2
x1= 1.3
x0= 1,4
1,6
-1
-2
24
Mtodo de la Secante
En el mtodo de la Regula Falsi, la ltima aproximacin de
la raz reemplaza cualquiera de los valores dando una
funcin con el mismo signo. Las dos aproximaciones
siempre encierran la raz.
El mtodo Regula Falsi siempre converge, ya que la raz
se encuentra dentro del intervalo.
El mtodo de la Secante reemplaza los valores en una
secuencia estricta.
El nuevo valor xi+1 reemplaza xi.
xi reemplaza al valor xi-1.
Los dos valores pueden caer en un mismo lado de la raz,
ocasionando divergencia.
25
Mtodos numricos
para la resolucin de
Sistemas de
Ecuaciones no
Lineales
Ejemplo
Sistema no lineal
3x1 cos(x2 x3 ) 12 = 0
2
2
x1 81(x2 + 0.1) + sen(x3 ) +1.06 = 0
x1x2
e + 20x3 + (10 / 3) 1 = 0
Newton Raphson multivariado
Notacin
Escalar
g1(x1, x2 ,...,xn ) = 0
g2 (x1, x2 ,...,xn ) = 0
gi : IRnIR
M
(x1,...,xn ) gi (x1,...,xn )
gn (x1, x2 ,...,xn ) = 0
Vectorial
G: IRn IRn
G(x) = 0
x = (x1,...,xn ) (g1(x),...gn (x))
Resolucin iterativa
x(0) estimacin inicial de la solucin
Iteraciones: x(1), x(2), , x(k)
Criterio de convergencia
| x(k+1) x(k) | < tol
Criterio de parada
k > maxiter
Mtodo de Newton
Sistema de ecuaciones
G: IRn IRn
G( x) = 0
x = ( x1,..., xn ) ( g1 ( x),...gn ( x))
Paso de Newton
x (1 ) = x ( 0 ) DG ( x ( 0 ) ) 1 G ( x ( 0 ) )
Mtodo de Newton
x1
x =
x
2
g (x ) = 0
g 1 ( x ) = 2 x 12 + x 22 8 = 0
g
( x ) = x 12 x 22 + x 1 x 2 4 = 0
J a c o b ia n o
J (x )
J (x )
g1 ( x)
x
1
=
g2 (x)
x 1
4 x1
2 x + x
x1
1
2
g1
( x )
x2
g 2
(x)
x2
2 x2
2 x 2
2
2
1
x y + 2 = 0
Estimacin inicial
Primera
iteracin
(Sol: x =
, y=
x 0 = 1,
y0 = 3
2
2
x1 x0 2x 2y 1 x0 + y0 1
0
0
= 2x0 2y0
2
2
1
y1 y0
x 0 y 0 + 2
y
3
1 0.62500000000000 1.62500000000000
2 0.51250000000000 1.04326923076923
3 0.50015243902439 0.88108161999291
4 0.50000002323057 0.86615404660332
5 0.50000000000000 0.86602541333757
6 0.50000000000000 0.86602540378444
2
2
x 1 81( x 2 + 01
. ) + sen( x 3 + 106
. = 0
x1x 2
e
+ 20x 3 + 10 / 3 1 = 0
Jacobiana
DG( x) = 2 x1
x e x1x2
2
x3 sen( x2 x3 )
x2 sen( x2 x3 )
162( x2 + 0.1)
cos(x3 )
x1 x2
x1e
20
x1
0.10000000
0.49986967
0.50001423
0.50000012
0.50000000
0.50000000
0.50000000
x2
0.10000000
0.01946685
0.00160764
1.48294E5
2.08910E8
2.792E11
4.E14
x3
0.10000000
0.52152047
0.52313166
0.52355872
0.52359840
0.52359878
0.52359878
Variantes de Newton
(Ejercicio...)
Actualizacin peridica del
Jacobiano
Aproximacin del Jacobiano por
diferencias divididas
Newton con desplazamiento
unidimensional
Mtodos casi-Newton
Idea de la secante
No usa las
derivadas
parciales
Convergencia
superlineal
Formulacin
matricial
g ( x1 ) g ( x0 )
g '( x1 ) a1 =
x1 x0
x (2)
(1)
g
(
x
)
(1)
=x
a1
DF ( x (1) ) A1
x (2) = x (1) + A11 G ( x (1) )
a11x1 + a12x2 = b1
a21x1 + a22x2 = b2
Despejando x2 y graficando
a11
b1
x1 +
x2 =
a12
a12
a21
b2
x1 +
x2 =
a22
a22
soluci
n
a
b
x2 = 21 x1 + 2
a22
a22
Tipos de soluciones
No hay solucin
Ejemplo
Infinidad de soluciones
Ejemplo
Ejemplo
x1 + x2 = 1
x1 + x2 = 1
x1 + x2 = 1
x1 + x2 =
x1 + 2x2 = 1
0.501x1 + x2=0.9
Definicin
Un sistema lineal es un sistema de la forma:
Introduccin
En notacin matriz vector, un sistema de ecuaciones algebraicas
lineal tiene la forma:
Ax = b
A: Matriz [m x n]
b: Vector [m]
x : Es el vector de incgnitas a ser determinado [n]
Lo siguiente conduce a la pregunta Puede el vector b ser
expresado como una combinacin lineal de las columnas de la
matriz A?
Los coeficientes de esta combinacin lineal estn dados por las
componentes del vector solucin x.
Puede o no tener solucin.
Puede no ser nica.
2
1
0
0
[A]I =
0
M
a11
L 0
a
1 0 0 L 0
12
0 1 0 L 0 [A ]sym = a13
a14
0 0 O 0 0
M
M M 0 1 M
a1n
0 0 L 0 1
0 0
a12
a13
a14
a22
a23
a24
a23
a24
a33
a34
a34
a44
a2 n
a3n
a4 n
L a1n
L a2 n
L a3n
L a4 n
O M
L amn
[A]diag
a11
0
0
=
0
M
a22
a33
a11
0
a
0 L 0
21
0
0 L 0
[A ]band =
a44 0
M
0
0
0 O 0
L 0 amn
0
0
a12
a22
a32
0
a23
a33
a43
0
a34
O
L
L
L
0
0
0
0
M
0
O
am ,n 1
0
0
0
M
am 1,n
amn
Matriz bandeada
[A]U
a11
0
0
=
0
M
a12
a22
0
a13
a23
a33
0
M
0
M
a14 L a1n
a24 L a2 n
a34 L a3n
a44 L a4 n
M O M
0 L amn
a11
a
21
a31
[A]L =
a41
M
am1
a22
a32
a42
M
am 2
0
a33
a43
M
am 3
0
0
a44
M
am 4
L
L
L
O
L
0
0
0
0
M
amn
Singularidad y No Singularidad
Una matriz A[n,n] se dice que es singular si presenta una de las
siguientes propiedades:
A No tiene inversa: No existe una matriz M tal que AM = MA = I.
det(A) = 0
Rango(A) < n: El rango de una matriz es el mximo nmero de
filas o columnas linealmente independientes.
Az = 0, para cualquier vector z 0.
La solubilidad de un sistema de ecuaciones lineales est determinado
si la matriz A es o no singular.
No singular
Una solucin.
No tiene solucin
Singular
Tiene infinitas soluciones
6
17
xe= x2=
x
i =1
2
i
Ae=
a
i =1 j =1
2
i, j
Norma-1
x 1 = xi
i =1
Norma infinita
= max xi
1i n
= max ai , j
i j n
i =1
Cond (A ) = A A 1
Se puede demostrar que
x
x
Cond ( A )
A
A
5
6 4
37
A= 4
8 3 b = 25
34
5 3 9
Eliminacin Gaussiana
Eliminacin hacia atrs(back-substitution): Reducir el sistema de
ecuaciones a un sistema triangular superior.
xn = bn / ann
n
bi aij x j
j =i +1
, i = n 1, L ,1
xi =
aii
Operacin de conteo
El tiempo de ejecucin depende de la cantidad de operaciones de
punto flotante (flop) involucradas en el algoritmo.
El tiempo consumido para ejecutar multiplicaciones y divisiones es
casi el mismo y es mayor en sumas y restas.
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2
a11 a21
a12 a22
x2 =
a11
b
x1 + 1
a12
a12
x2 =
a21
b
x1 + 2
a22
a22
2. Pivoteo
Ocurren problemas de divisin por cero cuando el coeficiente pivote
es cero
Cuando el coeficiente pivote es cercano a cero se pueden introducir
errores de redondeo, porque su magnitud puede ser muy pequea al
compararla con la de los dems coeficientes
Para evitar esto se utiliza el pivoteo parcial
Ejemplo
Problema original
Con pivoteo
9999 x2 = 6666
Se restan dos
nmeros casi iguales
2
2.0001 3
2
3 = 0.3333886
x2 = ; x1 =
3
0.0003
0.0003
(x1 + x2 ) = 1
1
0.0003x1 + 0.0003x2 = 0.0003
Descomposicin LU
El paso de la eliminacin que consume tiempo se puede reformular
de tal manera que involucre slo operaciones sobre los coeficientes
de [A].
Conveniente para situaciones donde se tienen que evaluar varias
veces el vector [b], para un mismo valor de [A].
El mtodo de eliminacin de Gauss se puede implementar como
una descomposicin LU.
LU proporciona un medio eficiente para calcular la matriz inversa.
11
Revisin de descomposicin LU
Ax = b Ax b = 0
u11 u12
0 u
22
0
0
u13 x1 d1
u23 x2 = d 2
u33 x3 d 3
1 0
L = l21 1
l31 l 32
0
1
Ux d = 0
L(Ux d ) = Ax b
LU = A
Ld = b
12
Revisin de descomposicin LU
La anterior es una estrategia de dos pasos:
Descomposicin LU: A se factoriza o descompone en matrices
triangulares inferior, L, y superior, U.
Sustitucin: L y U se usan para determinar una solucin x para un
lado derecho b. Este a su vez se divide en dos.
Ld = b, se usa para generar un vector intermedio d por
sustitucin hacia delante
El resultado es sustituido en Ux d = 0, que se resuelve por
sustitucin hacia atrs para x.
13
Revisin de descomposicin LU
Ax=b
Descomposici
n
U L
Ld=b
Hacia
adelante
d
Ux=d
x
Sustitucin
Hacia
atrs
14
Algoritmo de descomposicin LU
Factores generados durante la fase de eliminacin se guardan en la
parte inferior de la matriz.
El algoritmo mantiene el pivoteo al usar un vector de orden cero (0).
Las ecuaciones no estn escaladas.
La diagonal se monitorea durante la fase de pivoteo para detectar
ocurrencias cercanas a cero (0) con el fin de advertir sistemas
singulares.
15
16
Matrices Especiales
Matriz Banda: Matriz cuadrada en la que todos sus elementos son
cero, con excepcin de una banda centrada sobre la diagonal
principal.
Estos sistemas ocurren tpicamente en la solucin de sistemas de
ecuaciones diferenciales.
Dimensiones de un sistema de banda: ancho de banda (BW, Band
Width) y el ancho de banda media (HBW, Half Band Width).
BW = 2 x HBW + 1
Por lo general, un sistema banda es aquel para el cual:
aij = 0 , si |i-j| > HBW
20
Sistemas Tridiagonales
f1
e
2
g1
f2
e3
g2
f3
e4
g3
O O
O O
O
O
O
en 1
g n2
f n 1
en
x1 r1
x r
2 2
x3 r3
M = M
M M
M M
g n 1 xn 1 rn 1
f n xn rn
Descomposicin LU e Inversin de
matrices
Descomposicin LU
El principal atractivo de este mtodo es que el paso de eliminacin,
que consume tiempo, se puede reformular de tal manera que
involucre slo operaciones sobre los elementos de la matriz de
coeficientes, A
De esta forma, es muy adecuado para aquellas situaciones donde
se debe evaluar muchos vectores {B}
El mtodo de eliminacin de Gauss puede implementarse como una
descomposicin LU
La descomposicin LU proporciona un medio eficaz para calcular la
matriz inversa, la cual a su vez permite evaluar la condicin de un
sistema
Descomposicin LU
Partiendo de un sistema de
ecuaciones lineales de la forma,
[A]{X } = {B}
Este se puede ordenar como,
[A]{X } {B} = 0
El primer paso de la eliminacin de
Gauss resulta en un sistema con una
matriz tringular superior
u11 u12
0 u
22
0
0
u13 x1 d1
u23 x2 = d 2
u33 x3 d 3
[U ]{X } = {D}
[U ]{X } {D} = 0
1 0
[L] = l21 1
l31 l32
0
0
1
[L][U ] = [A]
[L]{D} = {B}
Descomposicin LU
Estrategia para resolver el sistema
1. Paso de descomposicin LU: la matriz [A], se factoriza o
descompone en matrices triangulares inferior [L] y superior [U]
2. Paso de sustitucin: [L] y [U] se usan par determinar una solucin
{X} para un vector {B}. Este paso consta de dos subpasos:
Se determina el vector intermedio {D} resolviendo [L]{D}={B} por
sustitucin hacia delante, debido a que [L] es una matriz triangular
inferior
Se determina {X} resolviendo [U]{X}={D} por sustitucin hacia atrs
Descomposicin LU
Descomposicin LU con base en la eliminacin de Gauss
a12
a22
a32
a13
a23
a33
a11
[U ] = 0
0
a12
a22 '
0
a13
a23 '
a33 ' '
La matriz triangular
inferior que tiene la
propiedad requerida
para la descomposicin
LU es
1
[L] = f 21
f 31
0
1
f 32
0
0
1
Sea el sistema:
-6x1 + x2
4x1 + 3x2
5x1 - 3x2
Ejemplo
+ x3 = -37
+ x3 = -25
+ x3 = -34
La descomposicin LU nos da
6 1 1
A = 4
3 1
5 3 1
0
0
1
L = .6667
1
0
.8333 .5909 1
0
0 z1 37
1
Ly = .6667
1
0 z 2 = 25
.8333 .5909 1 z3 34
37
b = 25
34
1
1
6
U = 0 3.6667 1.6667
0
0
2.8182
z1 = -37
-.6667z1 + z2 = -25
-.8333z1 - .5909z2 + z3 = -34
1
1 x1 37 2.8182x3 = -94.180
6
Ux = 0 3.6667 1.6667 x2 = 49.667 3.6667x1 + 1.6667x2 = -49.667
0
0
2.8182 x3 94.180 -6x1 + x2 + x3 = -37
X1 = 0.87097
X2 = 1.64516
X3 = -33.41935
Matrices
Es un arreglo rectangular de nmeros donde no slo de
valor de ste es importante, sino que tambin su
posicin
El tamao de una matriz se describe por la cantidad de
filas y columnas (n x m)
a11 a12
A = a21 a22
a
31 a32
a13
a23
a33
Propiedades
Dos matrices del mismo tamao pueden
sumarse o restarse
A = aij y B = bij
C = A + B = aij + bij = cij
i = 1, 2,....n, j = 1, 2,....r
Ejercicio
5 1 1 2 6 3
3 2 + 3 3 = 0 1
2 3
2 1 2 1 0
1 1 1 * 0 1 = 1 0
5 3
5 0 3 0 1
Determinante
El determinante de una matriz es un nmero
Para una matriz 2x2 se calcula restando el producto de los
elementos en la diagonal menor a la superior
a11 a12
A=
det(A)=a11a22 a12 a21
a
a
21 22
Ejercicio
0 1 2
1 3 2
2 1 3
0 1 4
det( A) = 146
3
4
A=
0
4 0 0
det A = 6 2 0 = 40
1 3 5
1 3
A=
4
5
3
(1 )
p A ( ) = A I = det
(5 )
4
= (1 )(5 ) 12 = 2 6 7
Mtodo de eliminacin
Este mtodo busca cambiar la matriz de
coeficientes de modo que sea triangular
superior, se puede aumentar con un vector al
lado derecho
Una vez logrado esto se procede a realizar
sustitucin hacia atrs
Este tipo de mtodo emplea n(n+1)2
multiplicaciones /divisiones
Precaucin al encontrar 0 en la diagonal
Ejemplo
4 2 1 x1 15
3 1 4 x 2 = 8
1 1 3 x3 13
4 2 1 15
+ 4 R2
A / b = 3 1 4 8 3R1
1
1 3 13 1R1 + 4 R3
15
4 2 1
0 10 19
77
0 0
72 216
x1 2
x 2 = 2
x3 3
2 R2 10 R3
Mtodo de eliminacin
Gaussiana
Dado que el anterior mtodo puede dar valores
muy grandes para las multiplicaciones a travs
de este nuevo mtodo se hace 1 el coeficiente
principal en la ecuacin que contiene ese
trmino
Se mantiene la precaucin de evitar los 0 en la
diagonal para lo cual se recurre a pivoteo si es
necesario
Se debe tener cuidado con el efecto de
redondeo
Ejemplo
4 2 1 x1 15
3 1 4 x 2 = 8
1 1 3 x3 13
4 2 1 15
A / b = 3 1 4 8
1
1 3 13
3/ 4 R1
1/ 4 R1
(0.5/ 2.5)R2
+
+
R2
R3
+ R3
1
15
4 2
0 2.5 4.75 19.25
1
15
4 2
0 2.5 4.75 19.25
0 0
1.80 5.40
Mtodo de Gauss-Jordan
Se busca hacer 0 al mismo tiempo por arriba de
la diagonal y por abajo, creando ceros
Por lo general los elementos de la diagonal se
hacen 1 al mismo tiempo que se ejecuta la
reduccin, as la matriz de coeficientes se
transforma en la matriz de identidad
Una vez logrado lo anterior en la columna del
lado derecho se obtiene el vector solucin
Para preservar exactitud aritmtica se emplea el
pivoteo
1
0
0
1
0
0
1
0
0
1
0
0.16667 1 0.83335
Ejemplo
1
1.6667
5
3.6667
4
3.6667 4
4.3334 11
2
0
1
0
0
1.5
1.2000 1.4000
1 2.9999 2.2000 2.4000
0
15
12.400 19.800
0 2.1818 3.3636 6
0 0 0 0.49999
1 0 0 1.0001
0 1 0 0.33326
0 0 1 1.9999
0 2 0 1 0
2 2 3 2 2
4 3 0 1 7
6 1 6 5 6
Intercambiar reglones 1 y 4,
dividir por 6 el primer regln y
reducir la primera columna
Intercambiar reglones 2 y 3,
dividir entre 3.6667 el segundo
regln y reducir la segunda
columna
El tercer regln se divide entre
6.8182 y los dems elementos
de la tercera columna se hacen
0
Ahora el cuarto regln se divide
entre 1.5599 y se crean los 0
por arriba de la diagonal en la
Ejercicio
Resuelva por el mtodo de Gauss-Jordan
el siguiente sistema de ecuaciones
2
4
4 1 2 x1 10
7
0 2 1
x
2
=
3 2 0 x3 3
2 0 5 x 4 2
La matriz es singular
Un sistema de ecuaciones
con estos coeficientes no
tiene una solucin nica
La eliminacin gaussiana
no puede evitar un 0 en la
diagonal
El rango de la matriz es
menor que n
Los reglones o columnas
forman vectores
linealmente dependientes
La matriz no es singular
Un sistema de ecuaciones
con estos coeficientes
tiene una solucin nica
La eliminacin gaussiana
procede sin un 0 en la
diagonal
El rango de la matriz es
igual a n
Los reglones o columnas
forman vectores
linealmente dependientes
Inversin de matrices
La divisin de matrices no est definida, la
inversa proporciona un resultado equivalente
Si el producto entre 2 matrices cuadradas es la
matriz identidad se dice que las matrices son
inversas entre s. AB=I, si B=A-1
No todas las matrices cuadradas tienen inversa
El mtodo de eliminacin gaussiana se prefiere
por ejemplo al de Gauss-Jordan