Solucion de Sistemas de Ecuaciones Lineales. Metodos Directos e Iterativos

Solución de Sistemas de Ecuaciones Lineales.
VIVIANA MARCELA BAYONA CARDENAS
UNIVERSIDAD INDUSTRIAL DE SANTANDER

INGENIERIA DE PETROLEOS
2010
INGENIERIA DE PETROLEOS Pág.1
Solución de Sistemas de Ecuaciones Lineales.
1.1. Consideraciones generales
1.1.1 Introducción
El objetivo de este tema es introducir al lector en la resolución de sistemas lineales de

ecuaciones por métodos gaussianos. Parece conveniente, en primer lugar, establecer la
notación y algunas de las bases de álgebra lineal necesarias para alcanzar el objetivo
planteado. Siguiendo la notación introducida por Householder en 1964, se empleará:
mayúsculas en negrita A, L, U, ∆ , Λ para las matrices,

minúsculas con subíndices aij, lij, uij, δ ij, λ ij para los coeficientes de matrices,
minúsculas en negrita x, y, z, b, c, d para los vectores
letras griegas en minúscula α, β , γ , δ , θ , µ para los escalares.
El espacio vectorial de las matrices reales m x n se denota por Rmxn; un elemento

cualquiera de ese espacio, A ∈Rmxn , es una matriz rectangular de m filas y n columnas
que puede escribirse como:
a11 a12 ...... a1,n-1 a1,n

a21 a22 ...... a2,n-1 a2,n
A= . . . . .
am-1,1 am.1,2 . . am-1,n
am,1 am,2 ...... . am,n
Si m = n entonces A es cuadrada y se dice que tiene orden n. De la misma forma, C mxn es

el espacio vectorial de las matrices de coeficientes complejos.
En cuanto a los vectores, estos se asumen como “vectores columna”, es decir x ∈ Rn es:
x1
x2
x= .
xn-1
xn
donde las componentes xi son números reales. Puesto que por convención se toman los
vectores como columna, objetos del tipo (x1, x2 ... xn-1, xn,) son vectores fila y se
denotan por xT (T indica matriz o vector traspuesto).
Además de las operaciones inherentes al espacio vectorial (suma interna y producto
exterior por reales) conviene resaltar por su importancia el producto escalar de vectores.
Si x e y son dos vectores de Rn, entonces xT.y = x1 y1 +x2 y2+...+xn.yn ∈ R.
El producto escalar de vectores permite definir una métrica: la norma euclídea de x, que
es simplemente :
x = x T .x
Del mismo modo que se ha definido xTy, también se puede definir xyT . Sin embargo, el
significado de este último producto entre vectores es radicalmente distinto. Sean x e y dos
vectores no nulos; la matriz xyT es de Rnxn y se escribe como :
x1.y1 x1y2 ...... x1.yn-1 x1.yn

x2.y1 x2y2 ...... x2.yn-1 x2.yn
A= . . . . .
xn-1.y1 xn-1.y2 ...... x n-1..yn-1 x n-1..yn
xn.y1 xn.y2 ...... x n.yn-1 xn.yn
y todas sus columnas (y filas) definen vectores paralelos, es decir, elementos de un

espacio vectorial de dimensión uno. Por consiguiente, esta matriz es de rango uno. En
realidad, toda matriz de rango uno puede expresarse como el producto de dos vectores
de la forma xyT.
Estas matrices son comunes en métodos numéricos y conviene saber trabajar con ellas.
Por ejemplo, su almacenamiento no se hace guardando todos los coeficientes de la
matriz, lo que implicaría almacenar n2 números reales; sino que se almacena únicamente
las componentes de cada uno de los vectores x e y, es decir 2n números reales.
Para tener una idea del ahorro computacional que esto representa basta suponer que n =
1000: mientras almacenar x e y sólo necesita de 2000 variables reales, xyT requiere un
millón (es decir, 500 veces más memoria).
1.1.2 Planteamiento general
A lo largo de este tema se plantea la resolución de sistemas lineales de ecuaciones del

tipo:
Ax = b (1.1.)
donde A es una matriz de n x n coeficientes reales ai,j con i =1....n, j = 1...n. Por otra parte,
b es el vector de términos independientes, también de coeficientes reales bi ,con i =1....n.
Finalmente, xT=(x1.......xn) es el vector solución del sistema
La existencia y unicidad de soluciones del sistema definido en (1.1.) es por fortuna un

tema ampliamente estudiado en el álgebra lineal. Precisamente, el álgebra lineal
proporciona una serie de condiciones que permiten verificar si Ax=b tiene solución y si
esta es única.
De estas condiciones resultan particularmente significativas:

• Si las filas (columnas) son linealmente independientes, entonces el sistema A.x=b
tiene solución única.
• En este caso existe A-1, matriz inversa de A, tal que AA-1 = A-1A = 1 (1 matriz identidad
de orden n).
• La verificación de la condición de independencia lineal de filas y columnas también
implica que para cualquier x ∈ Rn si Ax = 0 , entonces x = 0.
• Si el sistema tiene solución única entonces se verifica que det(A) = A≠ 0
A pesar de la indudable importancia de todas estas condiciones, en el ámbito de la

resolución numérica de sistemas de ecuaciones deben ser empleadas con sumo cuidado.
De acuerdo a las condiciones enunciadas, el sistema de ecuaciones (1.1.) tiene solución

única si y sólo si det(A) = A≠ 0.
En este caso, existirá la matriz inversa de A, A-1, que permite escribir la solución del
sistema de ecuaciones como :
x = A-1.b (1.2)
Sin embargo, a pesar de tener todo el fundamento analítico necesario, calcular mediante
este procedimiento la solución de (1.1) es el peor método posible desde un punto de vista
numérico. Para darse cuenta de ello, basta observar sólo dos de los problemas que
plantea.
En primer lugar, para determinar la unicidad de la solución, debería realizarse el cálculo
del determinante. Sin embargo, este trabajo puede ser bastante tedioso puesto que el de-
terminante puede variar bruscamente con pequeños escalados de la matriz.
Obsérvese, por ejemplo, que si A es de orden n, entonces det(γ A) = yn.det(A). Para ver
las implicancias que esta igualdad impone bastaría tomar el caso particular de n = 100,
(número de ecuaciones pequeño hoy en día), entonces: det(0.1 A) = 10-100.det(A). Es
decir, dividiendo los coeficientes de A por diez, se reduce el determinante de A en un
factor de 10-100.
En síntesis, se hace muy difícil determinar numéricamente si el determinante de una
matriz es realmente nulo por lo cual el uso del mismo se centra básicamente en estudios
teóricos.
En segundo lugar, el cálculo de la inversa de A (que presenta serios problemas asociados
al almacenamiento de la matriz y a la precisión con la que obtengan los resultados), no se
emplearía ni en el caso escalar (n = 1).
Por ejemplo, para resolver 15x = 3 no se evaluaría primero c = 1/15 para después calcular
x como x = 3c. Lo más lógico sería dividir directamente 3 por 15, x = 3/15, lo que
permitiría ahorrarse una operación y un error de almacenamiento. Esta situación puede
extrapolarse al caso de orden n donde la diferencia en número de operaciones es muy
considerable y además los errores de redondeo pueden dar lugar a inestabilidades
numéricas.
1.1.3. Resolución algebraica: MÉTODO DE CRAMER
En este punto se plantea la resolución analítica de problemas muy pequeños siguiendo un

posible enfoque algebraico clásico, conocido como método de Cramer.
En este procedimiento, la obtención de los valores de cada una de las incógnitas que
conforman el vector x, puede obtenerse a partir de la siguiente expresión:
a11 ... a1, i −1 b1 a1.i +1 ... a1, n

a 21 .... a 2, i −1 b2 a 2, i +1 ... a 2, n
. . . . . . .
. . . . . . .
. . . . . . .
an 1 .... an , i −1 bn an , i +1 ... an , n
xi =
A
Es interesante evaluar, para el procedimiento implícito en la ecuación anterior, el número

de operaciones elementales (sumas, productos y divisiones) necesarias para obtener la
solución del sistema.
En primer lugar hay que evaluar n + 1 determinantes y luego realizar n divisiones. Para el
cálculo de los determinantes, una de las posibles técnicas necesita de n!.n
multiplicaciones y n!-1 sumas. Por consiguiente, el método de Cramer necesita de:
(n + 1) (n! - 1) sumas
(n + 1) n! n productos
n divisiones
Cada operación elemental puede tener un coste computacional distinto (por ejemplo,

muchos ordenadores dividen empleando el método de Newton para ceros de funciones).
A pesar de ello, aquí se les asignará el mismo costo computacional a todas las
operaciones elementales puesto que ello permite realizar las comparaciones pertinentes.
De acuerdo a lo indicado, el número de operaciones elementales con el método de

Cramer es TC = (n + 1)2 n! - 1. A modo de ejemplo, la tabla siguiente muestra los valores
de Tc para diferentes tamaños del sistema de ecuaciones :
Operaciones elementales del método de Cramer
n TC
5 4319
10 4 x 108
100 10158
Los números presentados en la tabla anterior adquieren un mayor relieve cuando se

asocian al tiempo necesario para efectuarlos.
Si se dispusiera de un superordenador capaz de realizar 100 millones de operaciones en

coma flotante por segundo (100 Mflops), el sistema de n = 100 necesitaría
aproximadamente 3x10142 años para ser resuelto.
Es evidente que el número de operaciones asociado a este método hace prohibitivo su

uso, aún para sistemas pequeños. Si además se tiene en cuenta que el ENIAC (primer
ordenador digital, fabricado en 1940) realizaba sólo 300 operaciones por segundo y tenía
un tiempo medio entre averías de 12 horas, se comprenderá por qué la resolución de
sistemas lineales de ecuaciones está en el origen del desarrollo de los métodos
numéricos.
1.1.4 Resolución numérica: un enfoque global
La estrategia y metodología que se aplica a la resolución numérica de sistemas lineales

de ecuaciones parte de una filosofía distinta a la expuesta anteriormente. La regularidad
de la matriz A no se determina por un cálculo previo de su determinante.
Esta regularidad puede, en algunos problemas, ser evaluada previamente en función de
su origen (por ejemplo cuando proviene de la discretización de ecuaciones diferenciales)
o a partir de propiedades fácilmente computables como la dominancia diagonal.
Por lo general se aplica alguno de los métodos de resolución que se verán seguidamente

sin evaluar previamente el determinante; el cual, en muchas ocasiones (al igual que la
inversa) son un subproducto de los cálculos efectuados.
En realidad los algoritmos eficaces para la resolución de sistemas lineales plantean
procesos con un enfoque radicalmente distinto, fundamentalmente a partir de considerar
que los cálculos se realizan en ordenadores digitales. Por consiguiente, es lógico que los
algoritmos se evalúen en función de su eficacia y siguiendo criterios directamente
relacionados con su implementación en computadoras..
Existen tres criterios fundamentales para analizar esos algoritmos:
• Número de operaciones necesarias, íntimamente ligado al tiempo de CPU. Se tendrán

en cuenta las operaciones elementales entre números en coma flotante (flop): +, - , /,
ó *, todas a un mismo coste computacional aunque no sea exactamente cierto. El
número de operaciones es obviamente un excelente indicador, aunque no debe
tomarse en sentido estricto como una evaluación del tiempo de cálculo. De hecho,
multiplicar el tiempo necesario para una operación por el número de operaciones
siempre infravalora el tiempo necesario del algoritmo. Además del tiempo invertido en
efectuar las operaciones hay una sobrecarga, debido a la gestión de la memoria, al
manejo de los índices enteros, a las instrucciones lógicas en los propios bucles, etc.
Aún así, el número de operaciones es un buen indicador del orden del tiempo de CPU
porque esta sobrecarga es generalmente proporcional al número de operaciones, de
forma que, aunque no se pueda predecir exactamente el tiempo final, se puede saber
cómo varía (linealmente, cuadráticamente, etc.) al modificar, por ejemplo, el orden n
de la matriz.
• Necesidades de almacenamiento, que inciden clara y directamente en las limitaciones

de la memoria de los diversos ordenadores; los diferentes métodos de resolución
requieren almacenar las matrices de distinta forma en el ordenador y esto varía
considerablemente las necesidades de memoria.
• Rango de aplicabilidad: no todos los métodos sirven para cualquier matriz no singular;
además, en función del método y de las propiedades de la matriz, la precisión de los
resultados puede verse afectada dramáticamente. Como se verá más adelante,
pequeños errores de redondeo pueden producir errores en la solución numérica
completamente desproporcionados. No se debe olvidar que debido al enorme número
de operaciones necesarias para la resolución de un sistema de ecuaciones de tamaño
medio a grande, el análisis estándar de propagación de errores de redondeo no es en
absoluto trivial.
Conviene resaltar que cada uno de estos criterios puede ser determinante para rechazar
un algoritmo. Por ejemplo, para un tipo de ordenador dado, métodos que impliquen
exceder la memoria disponible son inutilizables por muy rápidos y precisos que resulten.
Por lo tanto, el desarrollo de los algoritmos que se plantean a continuación debe tener
presentes estos tres criterios en forma simultánea.
Desde un punto de vista general las matrices más usuales en las ciencias aplicadas y en
ingeniería pueden englobarse en dos grandes categorías:
• Matrices llenas, pero no muy grandes. Por llenas se entiende que poseen pocos
elementos nulos y por no muy grandes que el número de ecuaciones es de unos
pocos miles a lo sumo. Estas matrices aparecen en problemas estadísticos,
matemáticos, físicos e ingenieriles.
• Matrices vacías (esparzas) y muy grandes. En oposición al caso anterior, vacías indica
que hay pocos elementos no nulos y además están situados con una cierta
regularidad. En la mayoría de estos casos el número de ecuaciones supera los miles y
puede llegar en ocasiones a los millones. Estas matrices son comunes en la resolución
de ecuaciones diferenciales de problemas de ingeniería.
Parece lógico que los métodos para resolver sistemas lineales de ecuaciones se adecuen
a las categorías de matrices anteriormente expuestas. En general los métodos directos se
aplican al primer tipo de matrices, mientras que los métodos iterativos se emplean con el
segundo grupo. Es importante observar que no existen reglas absolutas y que todavía en
la actualidad existe cierta controversia sobre los métodos óptimos a aplicar en cada caso.
En particular, la distinción establecida entre matrices llenas y vacías depende en gran

medida del ordenador disponible (fundamentalmente de la memoria). De hecho, los
límites han ido evolucionando a lo largo de los años a medida que también evolucionaban
los ordenadores (cada vez más rápidos y con más memoria, o al menos más barata). A
pesar de ello, casi nadie recomendaría métodos iterativos para matrices llenas con pocas
ecuaciones; en cambio, algunos autores trabajan con métodos directos altamente
sofisticados y particularizados al entorno informático disponible para resolver sistemas
con varios millones de ecuaciones.
Observación: En todo lo que sigue se supone que A y b son de coeficientes reales. Si los
elementos de A o b son complejos, aparte de las generalizaciones de los métodos que
aquí se estudian o de los algoritmos específicos para este caso, se puede replantear el
problema como un sistema lineal, con matriz y término independiente reales, de 2n
ecuaciones e incógnitas. Para ello se escriben la matriz y los vectores de la siguiente
manera:
A=C+iD
b=e+id
x=y+iz
donde C y D son matrices reales nxn, y c, d, y, z son de Rn. El sistema lineal de

ecuaciones original se escribe ahora como:
C -D y = c
D C z d
que, resuelto, da el resultado deseado.
1.2. MÉTODOS DIRECTOS
1.2.1 Introducción
Los métodos directos de resolución de sistemas lineales de ecuaciones son aquellos que
permiten obtener la solución después de un número finito de operaciones aritméticas.
Este número de operaciones es, obviamente, función del tamaño de la matriz.
Si los ordenadores pudieran almacenar y operar con todas las cifras de los números
reales, es decir, si emplearan una aritmética exacta, con los métodos directos se
obtendría la solución exacta del sistema en un número finito de pasos.
Puesto que los ordenadores tienen una precisión finita, los errores de redondeo se
propagan y la solución numérica obtenida siempre difiere de la solución exacta.
La cota del error, para una matriz y término independiente dados, se asocia por lo general
al número de operaciones de cada método. Se pretende, por lo tanto, obtener métodos
con el mínimo número de operaciones posible.
Otra particularidad de los métodos directos es que siempre conducen, después de ciertas
operaciones, a la resolución de uno o varios sistemas con solución inmediata. Es decir,
sistemas donde la matriz es diagonal o triangular. Los métodos para sistemas de
resolución inmediata son, de hecho, métodos directos.
Una clasificación habitual de estos procedimientos de resolución es aquella que considera
que los mismos pertenecen a una de las dos categorías siguientes: métodos de
eliminación y métodos de descomposición.
En el cuadro siguiente se presenta un esquema con la clasificación de los procedimientos
de cálculo más característicos.

Clasificación de los métodos directos
 Matriz Diagonal, A = D
• Sistemas con solución inmediata  Matriz Triangular Superior, A = U
 Matriz Triangular Inferior, A = L
• Métodos de Eliminación  Método de Gauss

 Método de Gauss-Jordan
 Método de Doolittle, A = LU
 Método de Crout, A = LU
• Métodos de Descomposición  Método de Cholesky, A = L.LT
 Descomposición generalizada, A=L.D.LT
 Método de Thomas (A Tridiagonal)
• Métodos de ortogonalización
1.2.2 Sistemas con solución inmediata
1.2.2.1. Matriz Diagonal
En este caso la matriz A se escribe como:
d11 0 ... ... 0

0 d22 ... ... 0
A=D= ... ...  ... ...
... ... ...  ...
0 ... ... ... dnn
y la solución se obtiene directamente
bi
xi = i = 1..... n
d ii
Existe solución si todos los términos de la diagonal son no nulos. Además, si se desea
evaluar el determinante de A sólo es necesario calcular el producto de todos los términos
de la misma.
Por último, el número de operaciones necesario es de n divisiones, es decir TD = n

operaciones elementales.
1.2.2.2. Matriz Triangular Superior
u11 u12 ... ... u1n

0 u22 ... ... u2n
A=U= ... ...  ... ...
... ... ... un-1,n-1 un-1,n
0 ... ... ... un,n
En este caso la solución de la última ecuación es trivial xn = bn/unn. Una vez conocido xn,
la penúltima ecuación (la n - 1) sólo tiene una incógnita que se deduce de forma sencilla.
Conocidos ahora xn y xn-1 se pasa a la ecuación anterior (la n - 2) y se resuelve para su
única incógnita, Xn-2 .
Retrocediendo progresivamente se obtiene el algoritmo de sustitución hacia atrás que se
escribe de la siguiente forma:
x n = b n / u nn
 n 
b −
 i ∑ ij j 
u .x
j=i +1
xi =   i = n −1, n − 2,...... 1
u ii
De nuevo la solución existe si todos los términos de la diagonal de U son no nulos. En

forma similar a lo indicado para matrices diagonales, el determinante se evalúa
multiplicando los términos ubicados en la diagonal.
El número de operaciones es ahora:
1 + 2 +.... + (n - 1) = n(n –1)/2 sumas

1 + 2 +.... + (n - 1) = n(n – 1)/2 productos
n divisiones
por consiguiente T∆ = n2 operaciones elementales.

1.2.2.3. Matriz Triangular Inferior
l11 0 ... ... 0

l21 l22 ... ... 0
A=L= ... ...  ... ...
... ... ... ln-1,n-1 0
ln1 ... ... ln, n-1 ln,n
Se aplica un algoritmo similar al anterior que se denomina de sustitución hacia adelante:

x1 = b1 / u11
 i −1 
 b − l .x 
 i ∑ ij j 
j=1
xi =   i = 2,......... n
lii
La existencia de solución, el determinante y el número de operaciones se evalúan

exactamente como en el caso anterior.
1.2.3 Métodos de eliminación
1.2.3.1. Método de Gauss
En el método de eliminación de Gauss el problema original, Ax = b, se transforma

mediante permutaciones adecuadas y combinaciones lineales de cada una de las
ecuaciones en un sistema de la forma Ux = c donde U es una matriz triangular superior.
Este nuevo sistema equivalente al original es de resolución inmediata, sólo es necesario
aplicar el algoritmo de sustitución hacia atrás presentado anteriormente
.
Durante la transformación del sistema original al equivalente con matriz triangular, las
operaciones (que sólo dependen de la matriz A) se realizan sobre la matriz y al mismo
tiempo sobre el término independiente. Esto constituye una de las grandes ventajas y a la
vez inconvenientes de los métodos de eliminación.
Si se dispone de una serie de términos independientes, bj j = 1, - - -, m, conocidos de
antemano, se efectúan sobre todos ellos, y al mismo tiempo, las operaciones necesarias
para reducir el sistema y obtener una serie de vectores cj j= 1, . . . ,m. Por consiguiente,

se calculan todos los términos independientes a la vez. Posteriormente se resuelve un
sistema con matriz triangular U para cada uno de los cj.
Si, por el contrario, no se conocen todos los términos independientes al iniciar los
cálculos, es necesario recordar todas las transformaciones necesarias para obtener c1
partiendo de b1; seguidamente se repiten todas estas operaciones sobre los demás
términos independientes hasta obtener todos los cj deseados. Hoy en día, en la mayoría
de los problemas con matrices de tamaño pequeño o medio, esta propiedad de los
métodos de eliminación es la determinante para su elección frente a los métodos de
descomposición.
Otro punto importante que conviene valorar en el método de Gauss es su importante valor
pedagógico. Muchos autores denominan de manera genérica métodos gaussianos al
conjunto de métodos de eliminación y descomposición, puesto que la mayoría derivan del
trabajo original de Gauss escrito en 1823 (que como otros métodos fundamentales del
cálculo numérico fue desarrollado mucho antes de la aparición del primer ordenador). Su
implementación en un ordenador sigue siendo la más simple, y con pocas modificaciones,
como ya se verá, se obtiene el método más general que existe para la resolución de
sistemas lineales de ecuaciones.
El algoritmo que se presenta a continuación parte de la ecuación Ax=b que se escribirá
como:
a11(0) a12(0) a13(0) .... a1n(0) x1 b1(0)
a21(0) a22(0) a23(0) .... a2n(0) x2 b2(0)
a31(0) a32(0) a33(0) .... a3n(0) x3 = b3(0)
      
an1(0) an2(0) an3(0) .... ann(0) xn bn(0)
donde el superíndice (0) indica coeficiente de la matriz o del término independiente

originales. Si a11(0) ≠ 0, se sustrae de todas la ecuaciones, a partir de la segunda fila, la
primera ecuación multiplicada por mi1=ai1(0)/a11(0) con i = 2,. .., n. Esto induce el primer
sistema equivalente derivado del original donde la primera columna tiene todos los
coeficientes nulos exceptuando el primer coeficiente, y el resto de los coeficientes de la
matriz y del término independiente se han visto modificados a partir de la segunda fila:
a11(0) a12(0) a13(0) .... a1n(0) x1 b1(0)

0 a22(1) a23(1) .... a2n(1) x2 b2(1)
0 a32(1) a33(1) .... a3n(1) x3 = b3(1)
0      
0 an2(1) an3(1) .... ann(1) xn bn(1)
con
a i(,01) (0)
a i(1, j) = a i(,0j) − mi,1.a1(,0j) = a i(,0j) − a1, j
a1(,01)
i = 2,..... n

 j = 2...... n
a i(,01) (0)
bi(1) = bi(0) − mi,1.b1(0) = bi(0) − b1
a1(,01)
Ahora, si a22(1) (que ya no coincide con el coeficiente que originalmente se encontraba en

su posición, a22(0)) es distinto de cero, se sustrae de todas la ecuaciones siguientes la
segunda ecuación multiplicada por mi2 = ai2(1)/a22(1) con i = 3,....,n. Después de realizadas
estas operaciones sobre el sistema anterior se obtiene el segundo sistema equivalente al
original :
a11(0) a12(0) a13(0)  a1n(0) x1 b1(0)

0 a22(1) a23(1)  a2n(1) x2 b2(1)
0 0 a33(2)  a3n(2) x3 = b3(2)
0      
0 0 an3(2)  ann(2) xn bn(2)
donde la segunda columna a partir de la tercera fila sólo contiene términos nulos y los
nuevos coeficientes de la matriz y término independiente se obtienen con las siguientes
ecuaciones:
a i(1, 2) (1)
a i(,2j) = a i(1, j) − mi, 2 .a (21,)j = a i(1, j) − a 2, j
a (21,)2
i = 3,..... n

 j = 3...... n
a i(1, 2) (1)
bi( 2) = bi(1) − mi, 2 .b (21) = bi(1) − b2
a (21,)2
Cada paso conduce a un nuevo sistema equivalente al original con la particularidad de

que la k-ésima matriz es triangular superior si sólo se miran las primeras k ecuaciones y k
incógnitas.
En general, se escribe como :

a11(0) a12(0)  a1,K(0) a1,K+1(0)  a1n(0) x1 b1(0)
0 a22(1)  a2,K(1) a2,K+1(1)  a2n(1) x2 b2(1)
        
0 0  aK,K(K-1) aK,K+1(K-1)  aKn(K-1) xK bK(K-1)
0 0  0 aK+1,K+1(K)  aK+1,n(K) xK+1 = bK+1(K)
        
0 0  0 an,K+1(K)  an,n(K) xn bn(K)
que se ha obtenido a partir de las siguientes ecuaciones
a i(,kk−1) ( k −1)
a i(,kj) = a i(,kj−1) − mi, k .a (kk, j−1) = a i(,kj−1) − a k, j
a (kk, k−1)
i = k + 1,..... n

 j = k + 1...... n
a i(,kk−1) ( k −1)
bi( k ) = bi( k −1) − mi, k .b(kk −1) = bi( k −1) − bk
a (kk, k−1)
Obsérvese que al pasar del (k-1)-ésimo al k-ésimo sistema es necesario realizar las
siguientes operaciones:
(n - k)(n - k + 1) sumas
(n - k)(n - k + 1) productos
n-k divisiones
Finalmente, al deducir el (n - 1)-ésimo sistema se obtiene una matriz triangular superior:
a11(0) a12(0)   a1n(0) x1 b1(0)

0 a22(1)   a2n(1) x2 b2(1)
      
0 0  an-1,n-1(n-2) an-1,n(n-2) xn-1 bn-1(n-2)
0 0   an,n(n-1) xn bn(n-1)
A cada uno de los términos que aparecen en la diagonal de la matriz anterior se le

denomina pivote. Conviene resaltar que los pivotes no coinciden con los términos
originales de la diagonal de A ; es decir, aK,K(K-1) ≠ aK,K(0) para k=1,......,n.
Para desarrollar todos los pasos necesarios para obtener el sistema anterior, es necesario
suponer que todos los pivotes son no nulos. Es decir, ai,i(i-1) ≠ 0, i = 1,...,n.
A continuación se presenta el algoritmo que permite obtener la matriz y el término
independiente del sistema anterior.
a i(,kk−1) ( k −1)
a i(,kj) = a i(,kj−1) − mi, k .a (kk, j−1) = a i(,kj−1) − a k, j
a (kk, k−1)
k = 1,....., n − 1

i = k + 1,..... n

 j = k + 1...... n
(k ) ( k −1) ( k −1) ( k −1)
a i(,kk−1) ( k −1)
b i = bi − mi, k .b k = bi − bk
a (kk, k−1)
donde los términos de superíndice (0) son iguales a los originales del sistema de
ecuaciones. El sistema triangular obtenido es de resolución inmediata (Véase el apartado
1.2..2.2). El número de operaciones necesarias para realizar esta primera fase de
eliminación ha sido de :
n −1
n ( n 2 −1)
∑(n − k )( n − k +1) = 3
sumas
k =1
n −1
n ( n 2 −1)
∑(n − k )( n − k +1) = 3
productos
k =1
n −1
n (n −1)
∑(n − k ) = 2
divisiones
k =1
Si se tienen en cuenta las operaciones correspondientes a la segunda fase de sustitución

hacia atrás, el número total de operaciones elementales necesarias para el método de
Gauss es:
4n 3 + 9n 2 − 7 n
TG =
6
La tabla siguiente muestra el número de operaciones elementales para distintos tamaños

del sistema de ecuaciones. Obviamente, se ha obtenido una importante reducción al
disponer ahora de un método que crece con n3 en vez de (n! n2) correspondiente al
método de Cramer.

Operaciones elementales del método de Gauss sin pivotamiento
n TG
5 115
10 805
100 681 550
1000 6.68 x 108
1.2.3.2. Técnicas de Pivoteo
Como ya se ha comentado, se ha supuesto a lo largo de todo este análisis que los pivotes
eran distintos de cero. Si durante el proceso de eliminación se obtiene un pivote nulo, por
ejemplo el ak,k(k-1), se debe buscar en la parte inferior de la columna k-ésima un coeficiente
no nulo, es decir de entre los ai,k(k-1) i=k+1,..., n se toma uno que sea distinto de cero. Se
sustituye entonces la fila k (y su término independiente) por la fila i (y su término
independiente) que se haya escogido. Si dicho coeficiente no nulo no existiera, la matriz
sería singular.
Esta permutación de filas no sólo tiene interés cuando el pivote es exactamente cero. Es
obvio que valores pequeños del pivote pueden producir grandes errores de redondeo, ya
que siempre se divide por el valor del pivote.
Por consiguiente, para reducir los errores de redondeo conviene escoger el pivote máximo
en valor absoluto. Para ello, hay dos técnicas posibles:
1. En el k-ésimo sistema se toma como pivote el coeficiente mayor en valor absoluto de

la columna k situado por debajo de la fila k inclusive. Para ello es necesario permutar
las filas k y la correspondiente al pivote escogido en la matriz y su término
independiente. Esta técnica se denomina método de Gauss con pivotamiento parcial
2. En el k-ésimo sistema, se toma como pivote el coeficiente mayor en valor absoluto de

la submatriz de orden n -k definida por los coeficientes que quedan por debajo de la
fila k y a la derecha de la columna k. Para ello, se permuta la fila k (y el término
independiente asociado) y la columna k con las correspondientes al coeficiente que
cumple la condición citada. Al final del proceso deben ponerse en el orden inicial las
componentes del vector solución, puesto que su posición ha sido modificada al realizar
las permutaciones de columnas. Esta técnica es el método de Gauss con pivotamiento
total.
Estas dos últimas estrategias producen métodos numéricamente estables. El método de

Gauss sin pivotamiento no es necesariamente estable. El estudio detallado de la
estabilidad y propagación de errores de redondeo del método de Gauss no es trivial.
Observación: Si la matriz A es simétrica, las matrices llenas de orden n - k sobre las que
se aplica sucesivamente el algoritmo sólo permanecen simétricas si no se realiza ninguna
permutación de filas o columnas. La misma observación es válida si la matriz A tiene una
estructura que permite el almacenamiento en banda o en perfil.
Formalización del algoritmo de Gauss para su programación en un computador.
En lo que sigue se utilizará como herramienta para el desarrollo básico de los algoritmos
su escritura en un metalenguaje que permita poner en evidencia las estructuras que
componen el programa y la organización de sus secuencias. Tal metodología es una de
las tantas que pueden utilizarse (diagramas de llaves, diagramas de flujo.. etc) y como tal
debe servir para facilitar la construcción de un programa armónico, con una estructura
sencilla de interpretar y revisar, en el lenguaje que se elija o se disponga.
El algoritmo de Gauss es de muy sencilla implementación a partir de las expresiones

detalladas en el punto 1.2.3.1. Como puede verificarse rápidamente, el siguiente
desarrollo se ajusta a las expresiones indicadas allí y posee la suficiente generalidad
como para su escritura final en un lenguaje de programación cualquiera.
Repetir k=1,... n-1

Repetir i=k+1,... n
m = aik/akk
Repetir j=k+1,..., n
aij = aij – m. akj
Fin j
bi = bi – m.bk
Fin i
Fin k
xn = bn/ann
Repetir i=n-1,.... 1
s=0
Repetir j=i+1,... n
s = s + aij.xj
Fin j
xi = (bi-s)/aii
Fin i
Podrá reconocerse en su seguimiento, una primer parte a partir de la cual se obtiene la
triangulación de la matriz coeficientes y una segunda en la cual se realiza la sustitución
hacia atrás.
1.2.3.4. Matrices Simétricas. Adaptación del Método de Gauss.
Ejemplo 1.2. : Resolver el siguiente sistema de ecuaciones por eliminación de Gauss.

(como se advertirá, aij = aji)
+2 -2 +1 +1 0 X1 +1
-2 +4 -4 +1 +1 X2 +2
+1 -4 +6 -4 1 X3 +2
+1 +1 -4 +4 -2 X4 = +2
0 +1 +1 -2 +2 X5 +1
Siguiendo el desarrollo clásico del procedimiento de Gauss, resulta:
Paso 1
m21 = -2/2 = -1 m31 = +1/2 m41 = +1/2
a21=-2 – (-1).2 =0 a31=+1 – 0.5*2 =0 a41=+1 – 0.5*2 =0
a22 = +4 – (-1).(-2)= +2 a32 = -4 – 0.5.(-2)= -3 a42 = +1 – 0.5.(-2)= +2
a23 = -4 – (-1).(+1)= -3 a33 = +6 – 0.5.(+1)= +5.5 a43 = -4 – 0.5.(+1)= -4.5
a24 = +1 – (-1).(+1)= +2 a34 = -4 – 0.5.(+1)= -4.5 a44 = +4 – 0.5.(+1)= +3.5
a25 = +1 – (-1).(0)= +1 a35 = +1 – 0.5.(0)= +1 a45 = -2 – 0.5.(0)= -2
b2 = +2 – (-1).(+1) = +3 b3 = +2 – 0.5.(+1) = +1.5 b4 = +2 – 0.5.(+1) = +1.5
+2 -2 +1 +1 0 +1
0 +2 -3 +2 +1 +3
0 -3 +5.5 -4.5 +1 +1.5
0 +2 -4.5 +3.5 -2 +1.5
0 +1 +1 -2 +2 +1
• Notar que la submatriz punteada en rojo sigue siendo simétrica por lo cual, los
coeficientes sombreados en amarillo en la tabla de procedimiento podrían no haberse
calculado, y asumido directamente los términos simétricos determinados con
anterioridad. Este punto constituye la diferencia fundamental que permite optimizar (y
de hecho, reducir) las operaciones necesarias para llegar a triangularizar la matriz de
coeficientes.
Paso 2
m32 = -3/2 = -1.5 m42 = +2/2 = +1 m52 = +1/2
a32=-3 – (-1.5).2 =0 a42= +2 – 1.2 =0 a52= +1 – 0.5.2 =0
a33= +5.5 – (-1.5).(-3) = +1 a43= a34 = -1.5 a53= a35 = +2.5
a34 = -4.5– (-1.5).(+2)= -1.5 a44 =+3.5– 1.(+2)= +1.5 a54 = a45 = -3
a35 = +1– (-1.5).(+1)= +2.5 a45 = -2– 1.(+1)= -3 a55 = +2– 0.5.(+1)= +1.5
b3 = +1.5 – (-1.5).(+3) = +6 b4 = +1.5 – 1.(+3) = -1.5 b5 = +1 – 0.5.(+3) = -0.5
+2 -2 +1 +1 0 +1
0 +2 -3 +2 +1 +3
0 0 +1 -1.5 +2.5 +6
0 0 -1.5 +1.5 -3 -1.5
0 0 +2.5 -3 +1.5 -0.5
Paso 3
m43 = -1.5/1 = -1.5 m53 = +2.5/1 = +2.5
a43=-1.5 – (-1.5).(1) =0 a53=+2.5 – (2.5).(1) =0
a44= +1.5 – (-1.5).(-1.5) = -0.75 a54= a45 = +0.75
a45 = -3– (-1.5).(+2.5)= +0.75 a55 = +1.5– (2.5).(+2.5)= -4.75
b4 = -1.5 – (-1.5).(+6) = +7.5 b5 = -0.5 – (2.5).(+6) = -15.5
+2 -2 +1 +1 0 +1
0 +2 -3 +2 +1 +3
0 0 +1 -1.5 +2.5 +6
0 0 0 -0.75 +0.75 +7.5
0 0 0 +0.75 -4.75 -15.5
Paso 4
m54 = 0.75/(-0.75) = -1
a54=+0.75 – (-1).(-0.75) =0
a55= -4.75 – (-1).(+0.75) = -4
b5 = -15.5 – (-1).(7.5) = -8
+2 -2 +1 +1 0 +1
0 +2 -3 +2 +1 +3
0 0 +1 -1.5 +2.5 +6
0 0 0 -0.75 +0.75 +7.5
0 0 0 0 -4 -8
Paso 5: Sustitución hacia atrás.
x5 = b5/a55 = +2
x4 = (+7.5 –(0.75*2))/(-0.75) = -8
x3 = (+6 – ( -1.5*(-8) + 2.5*2))/(+1) = -11
x2 = (+3 – (-3*(-11) +2*(-8) +1*2))/2 = -8
x1 = (+1 – (-2*(-8) +1*(-11) +1*(-8)+0*2))/2 = +2
De lo observado en los puntos anteriores puede concluirse en que es posible prescindir

de operar sobre aquellos términos ubicados por debajo de la diagonal principal porque:
• o bien son coeficientes que se hacen cero (los pivotes sucesivos)
• o bien el resultado a obtener ya se ha calculado previamente y se encuentra
almacenado en el coeficiente simétrico por sobre la diagonal.
Las conclusiones obtenidas del ejemplo anterior pueden generalizarse mediante el
siguiente algoritmo para matrices simétricas:
Repetir k=1,... n-1

Repetir i=k+1,... n
m = aki/akk
Repetir j=i,... n
Fin j
bi = bi – m.bk
Fin i
Fin k
xn = bn/ann
s=0
Repetir j=i+1,... n
s = s + aij.xj
Fin j
xi = (bi-s)/aii
Fin i
En donde se han destacado en color rojo las secuencias modificadas respecto del
algoritmo de Gauss estándar. Se hace notar que en ningún momento se opera sobre
coeficientes ubicados por debajo de la diagonal, situación que hace plantear si es
realmente necesario almacenar inicialmente esos coeficientes.
Cantidad de Operaciones necesarias
Como se indicó anteriormente, para pasar del (k-1)esimo al K-esimo sistema es preciso
realizar:
(n - k)(n - k + 1) sumas
(n - k)(n - k + 1) productos
n-k divisiones
sin embargo, para este caso particular, puede advertirse que, en función de las
condiciones de simetría al operar sobre cada una de las n-k últimas ecuaciones,
solamente en la primera (la k+1), se realizan (n-k+1) operaciones, en el resto , se continúa
con la siguiente secuencia:
fila nº sumas (productos)

k+1 (n-k+1)
k+2 (n-k+1) –1
k+3 (n-k+1)-2
k+4 (n-k+1)-3
 
n (n-k+1) – (n-k-1)
lo cual, implica que al pasar del (k-1) esimo sistema al K-esimo , al utilizar las propiedades
de simetría de la matriz transformada se realizan:
0+1+2+.......+ (n-k-1) = (n-k)(n-k-1)/2
sumas y productos menos que aquellos que se generarían de no considerar tal

propiedad, es decir que el número de operaciones resultantes para este paso sería de:
(n-k).(n-k+1) - (n-k)(n-k-1)/2 sumas y productos

Si ahora se considera que k= 1,....,(n-1). la cantidad de operaciones realizadas en este
caso, resultaría:
n −1
(n − k )
∑ 2
( n − k + 3) sumas
k =1
n −1
(n − k )
∑ 2
n − k + 3) productos
k =1
n −1
n( n −1)
∑(n − k ) = 2
divisiones
k =1
En la figura siguiente se expone una comparación entre el número de operaciones a

realizar al utilizar el método de Gauss estándar y aquel resultante de considerar las
propiedades de simetría de la matriz. Como resulta del mismo, ya para sistemas de
reducido número de ecuaciones (n>100), la cantidad de operaciones resultantes al
considerar la simetría de la matriz de coeficientes es aproximadamente al mitad de
aquella que resultaría de utilizar el método de Gauss estándar.
Comparación Gauss vs Gauss Simetrico
60
% Reducción de operaciones
50
40
30
20
10
0
0 20 40 60 80 100 120 140 160 180 200
nº de ecuaciones
1.2.3.5. Matrices simétricas y bandeadas. Adaptación del método de Gauss.
Un caso de interés particular son las matrices denominadas “bandeadas”. Como se verá
más adelante, tales matrices son muy comunes en problemas de ingeniería en los cuales
se realiza el planteo numérico de las ecuaciones diferenciales de gobierno de un
problema físico determinado.
Tales matrices se caracterizan por tener un número muy importante de elementos nulos
en relación al número total de coeficientes de la matriz (n 2) y porque además, esos
elementos no nulos se ubican a lo ancho de una “banda” paralela a la diagonal de la
matriz.
Se denomina precisamente “ancho de banda” al número de columnas distribuidas en
forma simétrica a la diagonal, por fuera de la cual, los coeficientes de la matriz son nulos.
Ejemplo: Matriz “banda” de 8 x 8. Ancho de banda=5
a11 a12 a13 0 0 0 0 0
a21 a22 a23 a24 0 0 0 0
a31 a32 a33 a34 a35 0 0 0
0 a42 a43 a44 a45 a46 0 0

0 0 a53 a54 a55 a56 a57 0
0 0 0 a64 a65 a66 a67 a68
0 0 0 0 a75 a76 a77 a78
0 0 0 0 0 a86 a87 a88
donde, generalmente, aij = aji
Si bien sistemas de ecuaciones con matrices de coeficientes de este tipo, denominadas
habitualmente esparzas o vacías, resultan a menudo resueltos mediante técnicas
iterativas, resulta de interés encarar su solución directa mediante una adaptación del
algoritmo enunciado para matrices simétricas, en el punto 1.2.3.4.
Esa adecuación surge de advertir que, para cada columna, los elementos ubicados por
debajo de la banda ya son nulos, por lo cual, las operaciones de eliminación pueden
limitarse al ancho de banda. Esto es, para obtener la matriz triangular superior:
Repetir k=1,... n-1

si k+b>n
fin =n
sino
fin =k+b
Fin_si
Repetir i=k+1,... fin

m = aki/akk
Repetir j=i,... fin
Fin j
bi = bi – m.bk
Fin i
Fin k
en donde “b” es el semiancho de banda. En el algoritmo anterior se agregó una estructura

alternativa a fin de determinar correctamente la finalización de cada uno de los lazos
repetitivos.
Debe notarse que, de la forma en que se ha organizado el procedimiento, la matriz

triangular superior obtenida mantiene los elementos no nulos dentro de la “banda” por lo
cual, la rutina de sustitución hacia atrás puede re-escribirse como:
xn = bn/ann
si i+b>n
fin =n
Sino
fin =i+b
Fin_si
s=0
Repetir j=i+1,... fin
s = s + aij.xj
Fin j
xi = (bi-s)/aii
Fin i
Numero de operaciones
El número de operaciones necesarias para la solución de un sistema determinado

dependerá, además del orden de la matriz, de la magnitud del ancho de banda. En el
gráfico siguiente se muestra la relación existente entre el ancho de banda, expresado
como porcentaje del orden de la matriz y la relación entre el número de operaciones
contempladas en el algoritmo anterior y el procedimiento de Gauss estándar.
Gauss Banda Simétrico vs Gauss Estándar

En la misma se representaron las
18
relaciones mencionadas para distintos
16
valores del orden del sistema de
14
ecuaciones, observándose que, cuando
12
Nº Op. GSB/GE [%]
n>200, la eficiencia del algoritmo se

10
hace aproximadamente constante para
8
una cierta relación entre el ancho de
6
banda y el orden de la matriz (b/n).
4
Es importante notar que en sistemas
2
provenientes de la solución numérica
0
0 5 10 15 20 25 30 35 40
de ecuaciones diferenciales en
b/n [%] problemas de ingeniería, es frecuente
n=1000 n=100 n=200 encontrar relaciones b/n del orden del
10 a 20 %, rango en donde la
eficiencia del algoritmo GBS permite realizar entre 20 y 50 veces menos operaciones que
Gauss estándar.
1.2.3.6. Método de Gauss-Jordan
A continuación se presenta una variante del método de Gauss que conviene considerar.
En este procedimiento, además de sustraer la fila k multiplicada por mik = aik(k-1)/akk(k-1) a
las filas posteriores, también se sustrae a las anteriores. Es práctica común también en
este caso dividir la fila k por el término diagonal a fin de que este quede unitario.

El procedimiento general se ilustra con el siguiente ejemplo:
1 -1 1 X1 -4
5 -4 3 X2 = -12
2 1 1 X3 11
Paso 1
m21= a21/a11 =5 m31 = a31/a11 = +2
a21 = 5- 5.1 = 0 a31 = 2- 2.(1) = 0
a22 = -4 – 5.(-1) = +1 a32 = 1 – 2.(-1) = +3
a23 = 3 – 5.1 = -2 a33 = 1 – 2 (1) = -1
b2= -12 –5..(-4) = 8 b3= 11 –2..(-4) = 19
1 -1 1 X1 -4
0 1 -2 X2 = 8
0 3 -1 X3 19
Paso 2
m12= a12/a22 =-1 m32 = a32/a22 = +3
a11 = 1- (-1).0 = 1
a12 = -1- (-1).1 = 0 a32 = 3 – 3.(1) = 0
a13 = 1 – (-1).(-2) = -1 a33 = -1 – 3 (-2) = 5
b1= -4 –(-1).(8) = 4 b3= 19 –3..(8) = -5
1 0 -1 X1 4
0 1 -2 X2 = 8
0 0 5 X3 -5
Paso 3:
Dividir la 3era ecuación por a33
1 0 -1 X1 4
0 1 -2 X2 = 8
0 0 1 X3 -1
m13= a13/a33 =-1 m23 = a23/a33 = -2

a11 = 1- (-1).0 = 1
a12 = -0- (-1).0 = 0 a23 = -2 – (-2).(1) = 0
a13 = -1 – (-1).(1) = 0

b1= 4 –(-1).(-1) = 3 b2= 8 –(-2).(-1) = 6
1 0 0 X1 3
0 1 0 X2 = 6
0 0 1 X3 -1
Algoritmo de Gauss-Jordan
Repetir k=1,... n
PIV = akk
Repetir j=k,... n
ak,j = akj / PIV
Fin j
bk = bk/PIV
Repetir i=1,... n
Si i≠ k
m = aik
Fin j
bi = bi – m.bk
Fin Si
Fin i
Fin k
El número de operaciones de este procedimiento es T GJ = n3 + 1/2 n2 – 5/2 n +1, lo cual

significa un 50 % más de operaciones que el método de Gauss estándar cuando n→∞
(n>25).

1.2.3.7. Técnicas de Pivoteo
Supongamos el siguiente sistema de ecuaciones en donde cada número se representa en

base decimal, con coma flotante y cuatro dígitos para la mantisa, el cual se resolverá en
base al método de eliminación estándar de Gauss:
0.10 3.01 -4.88 X1 -7.70

4.63 -1.06 -2.27 X2 = -6.36
-3.39 9.81 -4.78 X3 3.95
Paso 1
m21= a21/a11 =46.3 m31 = a31/a11 = -33.9
a21 = 4.63- 46.3x0.1 = 0 a31 = -3.39-(-33.9x0.1) = 0
a22=-1.06-3.01x46.3 = -1.06-139.4=-140.5 a32 = 9.81-(-33.9x3.01) = 111.8
a23 =-2.27-(-4.88x46.3)=-2.27+225.9=223.6 a33 = -4.78-(-33.9x(-4.88)) = -170.2
b2= -6.36-(-7.7x46.3)=-6.36+356.5=350.1 b3= 3.95-(-33.9x(-7.7)) = -257.1
0.10 3.01 -4.88 X1 -7.70

0 -140.5 223.6 X2 = +350.1
0 111.8 -170.2 X3 -257.1
Paso 2
m32= a32/a22 = -0.7957
a32 = 111.8-(m32x(-140.5))= 0
a33 = -170.2-(m32x(223.6))= -170.2+177.9=7.7
b3= -257.1-(m32x350.1)=-257.1+278.6=21.5
0.10 3.01 -4.88 X1 -7.70

0 -140.5 223.6 X2 = +350.1
0 0 7.7 X3 +21.5
X3=+2.792 (Er=2%)
X2= +(350.1 –223.6x2.792)/(-140.5) =+(350.1 –624.3)/(-140.5) = +1.952 (Er=4%)
X1 = (-7.70 – 3.01x1.952-(-4.88x2.792))/0.10 = (-7.7-5.876+13.62)/0.1 =0.44 (Er=9%)
Los errores indicados resultan excesivos para un sistema de ecuaciones de muy reducido
tamaño como el considerado. Debe notarse, que esos errores crecen en la medida que
algún término diagonal resulte de un orden de magnitud notoriamente diferente al del
resto de los coeficientes de la matriz. En efecto, si se rehace el problema anterior pero
considerando a a11 = 0.01, resulta:
0.01 3.01 -4.88 X1 -7.70

4.63 -1.06 -2.27 X2 = -6.36
-3.39 9.81 -4.78 X3 3.95
Paso 1
m21= a21/a11 =463 m31 = a31/a11 = -339
a21 = 4.63- 463x0.01 = 0 a31 = -3.39-(-339x0.01) = 0
a22=-1.06-3.01x463 = -1.06-1394=-1395 a32 = 9.81-(-339x3.01) = 1030
a23 =-2.27-(-4.88x463)=-2.27+2259=2257 a33 = -4.78-(-339x(-4.88)) = -1659
b2= -6.36-(-7.7x463)=-6.36+3565=3559 b3= 3.95-(-339x(-7.7)) = -2606
0.01 3.01 -4.88 X1 -7.70

0 -1395 2257 X2 = 3559
0 1030 -1659 X3 -2606
Paso 2
m32= a32/a22 = -0.7384
a32 = 1030-(m32x(-1395))= 0
a33 = -1659-(m32x(2257))= -1659+1667=8
b3= -2606-(m32x3559)=-2606+2628=22
0.01 3.01 -4.88 X1 -7.70

0 -1395 2257 X2 = 3559
0 0 8 X3 22
X3=+2.75 (Er=1%)
X2= +(3559 –2257x2.75)/(-1395) =+(3559 –6207)/(-1395) = +1.898 (Er=2%)
X1 = (-7.70 – 3.01x1.898-(-4.88x2.75))/0.01 = (-7.7-5.713+13.42)/0.01 =0.7 (Er=78%)
Como resultaba de esperar, los errores relativos resultaron elevados, principalmente en el

resultado obtenido para X1.
Por otra parte, como ya se ha comentado, se ha supuesto a lo largo de todo este análisis

que los pivotes eran distintos de cero. Si durante el proceso de eliminación se obtiene un
pivote nulo, por ejemplo el ak,k(k-1) se debe buscar en la parte inferior de la columna k-
ésima un coeficiente no nulo, es decir de entre los al ai,k(k-1) i=k+1,..., n se toma uno que
sea distinto de cero. Se sustituye entonces la fila k (y su término independiente) por la fila
i (y su término independiente) que se haya escogido. Si dicho coeficiente no nulo no
existiera, la matriz sería singular.
Esta permutación de filas no sólo tiene interés cuando el pivote es exactamente cero. Es
obvio que valores pequeños del pivote pueden producir grandes errores de redondeo, ya
que siempre se divide por el valor del pivote.
Por consiguiente, para reducir los errores de redondeo conviene escoger el pivote máximo
en valor absoluto. Para ello, hay dos técnicas posibles:
3. En el k-ésimo sistema se toma como pivote el coeficiente mayor en valor absoluto de

la columna k situado por debajo de la fila k inclusive. Para ello es necesario permutar
las filas k y la correspondiente al pivote escogido en la matriz y su término
independiente. Esta técnica se denomina método de Gauss con pivotamiento parcial
4. En el k-ésimo sistema, se toma como pivote el coeficiente mayor en valor absoluto de

la submatriz de orden n -k definida por los coeficientes que quedan por debajo de la
fila k y a la derecha de la columna k. Para ello, se permuta la fila k (y el término
independiente asociado) y la columna k con las correspondientes al coeficiente que
cumple la condición citada. Al final del proceso deben ponerse en el orden inicial las
componentes del vector solución, puesto que su posición ha sido modificada al realizar
las permutaciones de columnas. Esta técnica es el método de Gauss con pivotamiento
total.
Estas dos últimas estrategias producen métodos numéricamente estables. El método de

Gauss sin pivotamiento no es necesariamente estable. El estudio detallado de la
estabilidad y propagación de errores de redondeo del método de Gauss no es trivial.
En base a los procedimientos comentados, se propone resolver el primer ejemplo
utilizando una técnica de pivoteo parcial.
0.10 3.01 -4.88 X1 -7.70

4.63 -1.06 -2.27 X2 = -6.36
-3.39 9.81 -4.78 X3 3.95
Paso 1 (k=1): Se selecciona como pivote al coeficiente de mayor valor absoluto en la

columna 1, intercambiándose las filas correspondientes:

4.63 -1.06 -2.27 X1 -6.36
0.10 3.01 -4.88 X2 = -7.70
-3.39 9.81 -4.78 X3 3.95
Paso2
m21= a21/a11 =0.0216 m31 = a31/a11 = -0.7322
a21 = 0.10 – 0.0216x4.63 = 0 a31=-3.39 – m31x4.63 = 0
a22=3.01-(-1.06x0.0216)=3.01+0.0229=3.033 a32=9.81-(-1.06xm31)= 9.034
a23=-4.88-(-2.27x0.0216)=-4.88+0.04903=-4.831 a33=-4.78-(-2.27xm31)= -6.442
b2= -7.70-(-6.36x0.0216)=-7.70+0.1374=-7.563 b3= 3.95-(-6.36xm31)= -0.707
4.63 -1.06 -2.27 X1 -6.36

0 3.033 -4.831 X2 = -7.563
0 9.034 -6.442 X3 -0.707
Paso 3 : Se selecciona como pivote al coeficiente de mayor valor absoluto en la columna

2 , en el rango a22..an2, intercambiándose las filas correspondientes:
4.63 -1.06 -2.27 X1 -6.36

0 9.034 -6.442 X2 = -0.707
0 3.033 -4.831 X3 -7.563
m32= a32/a22 = 0.3357

a32 = 3.033-(0.3357x9.034)=0
a33 = -4.831-(0.3357x(-6.442))= -2.668
b3= -7.563-(0.3357x(-0.707))= -7.326
4.63 -1.06 -2.27 X1 -6.36

0 9.034 -6.442 X2 = -0.707
0 0 -2.668 X3 -7.326
X1 = 0. 4030 , X2 = 1.88 , X3 = 2.746
En todos los casos, los errores obtenidos respecto de la solución exacta resultan
inferiores al 0.1 %.
1.2.4. Métodos de Descomposición LU

Se ha estudiado con anterioridad aquellos procedimientos de eliminación consistentes en
la aplicación directa del algoritmo de Gauss.
Estos procedimientos, bastante eficientes en el manejo de problemas en donde el o los
términos independientes son tratados en forma simultanea con la matriz de coeficientes,
presuponen –aunque parezca obvio aclararlo- la “existencia” o conocimiento de cada uno
de los vectores que conforman esos términos independientes para los cuales se realiza el
cálculo.
Existen algunos problemas en ingeniería, tales como aquellos vinculados a procesos de
evolución en el tiempo, en los cuales los sucesivos términos independientes a plantear,
dependen de los encontrados en pasos anteriores, es decir, que su conocimiento no es
simultáneo ni se dispone al inicio del proceso.
En razón de ello, si se utilizara la técnica de Gauss tal como se la desarrolló
anteriormente, conduciría a un enorme costo computacional, toda vez que habría que
proceder a realizar los mismos pasos de eliminación sobre la matriz de coeficientes para
cada nuevo vector “instantáneo” de términos independientes.
En este sentido, no parece muy razonable repetir una y otra vez los mismos cálculos
sobre la matriz de coeficientes, siempre sobre los mismos números para obtener la misma
matriz triangular superior, solo con el objeto de realizar los mismos pasos sobre el vector
de términos independientes. Para ello bastaría con “recordar” las operaciones que se
realizan en el proceso de eliminación para, de esta forma, repetirlas en cada paso sobre
cada nuevo término independiente.
De esta forma, el mayor costo estaría en el paso inicial en donde se construye una
especie de “tabla de memoria” en la cual se asienten las operaciones realizadas, para
después, en cada paso de solución repetir las operaciones anotadas en la “tabla” sobre
cada nuevo término independiente.
Este último paso resultará así mucho más económico que rehacer todas las cuentas en
forma innecesaria sobre la matriz, ya que se realiza únicamente sobre los términos del
nuevo vector independiente
1.2.4.1.- Descomposición LU- Método de Doolittle
El problema a resolver, consiste en encontrar el vector de incógnitas X que satisface la

expresión:
A.x – b = 0 (1)
En la siguiente presentación se supondrá que la matriz A es de 3x3 aunque el desarrollo

es del todo general y puede extenderse a cualquier orden del problema.

Supongamos que la ecuación (1) se puede expresar como un sistema triangular superior,
esto es:
u11 u12 u13 x1 d1

0 u22 u23 x2 = d2 (3)
0 0 u33 x3 d3
Podrá reconocerse fácilmente que la expresión anterior coincide con el estado final de la
etapa de eliminación seguida en el algoritmo de Gauss, la cual, puede resumirse en:
U.x – d = 0 (4)
Ahora bien, supóngase por un momento la existencia de una matriz triangular inferior con
coeficientes iguales a 1 sobre su diagonal, esto es:
1 0 0
L= l21 1 0 (5)
l31 l32 1
la cual, supóngase también, tiene la propiedad que al premultiplicarla por la ecuación (4)
su resultado es (1), es decir:
L. [U.x – d] = A.x – b (6)
en la cual, resulta evidente que:
L.U = A (7)
L.d = b (8)
de resultar así, el procedimiento de cálculo puede ordenarse en base a la siguiente

estrategia:
a) Fase de descomposición LU: Consiste en factoriza o descomponer A en el

producto de una matriz triangular inferior, L, por una superior, U.
b) Fase de sustitución: en la cual se obtiene el vector solución. Para ello esta

fase se compone de las siguientes dos etapas:
b.1. de la ecuación (8) se obtiene d por sustitución hacia adelante.
b.2. de la ecuación (4) se obtiene x por sustitución hacia atrás.
Todo lo citado es factible de realizar a partir de la existencia de matrices U y L con las

propiedades señaladas. Una forma de arribar a determinar sus coeficientes es mediante
el mismo procedimiento de eliminación de Gauss ya conocido.
Esta posibilidad resulta inmediata a partir de la propia forma de la matriz U, que, como se
indicara con anterioridad, puede escribirse a U de la siguiente forma:
a11 a12 a13

U= 0 a’22 a’23 (9)
0 0 a”33
donde los coeficientes señalados con apóstrofes y comillas corresponden a los obtenidos
en el primer y segundo paso respectivamente del proceso de eliminación de Gauss.
Aunque nada de lo dicho lo sugiere, los coeficientes de la Matriz L se obtienen como
“subproducto” del proceso de generación de U. En el ejemplo siguiente se pondrá este
punto en evidencia aunque la metodología seguida es de carácter absolutamente general
y puede ampliarse a un sistema de cualquier número de ecuaciones.
Supongamos el siguiente sistema de 3 ecuaciones con 3 incógnitas:
a11 a12 a13 x1 b1

a21 a22 a23 x2 = b2
A.x = b →
a31 a32 a33 x3 b3
Paso 1
m21= a21/a11 m31 = a31/a11 a11 a12 a13
a’21= a21 – m21*a11 = 0 a’31= a31 – m31*a11 = 0 → 0 a’22 a’23
a’22= a22 – m21*a12 a’32= a32 – m31*a12 0 a’32 a’33
a’23= a23 – m21*a13 a’33= a33 – m31*a13
Paso 2
m’32= a’32/a’22 a11 a12 a13
a”32= a’32 – m’32*a’22 = 0 → 0 a’22 a’23
a”33= a’33 – m’32*a’23 0 0 a”33
Evidentemente, para no modificar el sistema de ecuaciones original, las mismas

transformaciones realizadas sobre la matriz de coeficientes debería realizarse sobre el
vector de términos independientes.

Sin embargo, supongamos que existe la posibilidad de armar una “tabla de memoria” en
la cual se registren todas las operaciones a realizar sobre los coeficientes del término
independiente. De esta forma, no sería necesario ir operando sobre el vector b en forma
simultánea con las transformaciones sobre A, sino que las mismas podrían ser ejecutadas
con posterioridad. Un posible formato para confeccionar esa “tabla de memoria” se
representa a continuación:
m’21
m’31 m”32
En la misma se almacenan todos los “pivote” de cada una de las transformaciones de fila
realizadas. Un punto fácilmente verificable es el hecho que, la matriz siguiente formada a
partir de la “tabla de memoria”,
1 0 0
L= m’21 1 0
m’31 m”32 1
al premultiplicar a la matriz U dada por (9), genera como resultado la matriz A original, es
decir:
L.U = A
que es la base del procedimiento de descomposición comentado anteriormente.

Una vez obtenidas las matrices indicadas, se procede a resolver los siguientes sistema de
resolución directa:
• L.d = b mediante sustitución hacia adelante
• U.x = d por sustitución hacia atrás
El ejemplo siguiente ilustra el procedimiento completo sobre un sistema de 3x3, aunque la

metodología es enteramente aplicable a sistemas de cualquier orden:
3 -1 -2 x1 +7
1 7 -3 x2 = -19
A.x = b →
3 -2 10 x3 +4

a) Fase de Descomposición
Paso 1
m21= 1/3 = 0.333 m31 = 3/3 = 1 3 -1 -2
a’21= 1 – 0.333*3 = 0 a’31= 3 – 1*3 = 0 → 0 7.33 -2.33
a’22= 7 – 0.333*(-1) = +7.333 a’32= -2 – 1*(-1)= -1 0 -1 12
a’23= -3 – 0.333*(-2)= -2.333 a’33= 10 – 1*(-2)= 12
Paso 2
m’32= -1/7.33 = -0.136 3 -1 -2
a”32= -1 +0.136*7.33 = 0 → 0 7.33 -2.33
a”33= 12 + 0.136*(-2.33) 0 0 11.68
1 0 0 3 -1 -2
L= 0.333 1 0 ; U= 0 7.33 -2.33
1 -0.136 1 0 0 11.68
Puede verificarse que L.U = A, excepto pequeñas diferencias producto de errores de

redondeo.
b) Fase de Sustitución
Como se indicó, el proceso de sustitución comprende dos etapas de resolución inmediata:
a) L.d = b , sustitución hacia adelante
d1 = b1/L11 = +7
d2 = (b2-L21*d1)/L22 = (-19-0.333*7)/1 = -21.33
d3 = (b3-L31*d1-L32*d2)/L33 = (+4-1*7 +0.136*(-21.33))/1 =-5.90
b) U.x = d , sustitución hacia atrás
x3 = d3/U33 = -0.51
x2 = (d2-U23*x3)/U22 = -3.07
x1 = (d1-U12*x2-U13*x3)/U11 = +0.97

El procedimiento detallado puede especificarse en forma de pseudo-código a fin de
facilitar su implementación en un computador:
Descomposición LU
Repetir k=1,... n-1
Repetir i=k+1,... n
aik = aik/akk
aij = aij – aik. akj
Fin j
Fin i
Fin k
Sustitución hacia adelante
d1 = b1
Repetir i=2,.... n
s=0
Repetir j=1,... i-1
s = s + aij.dj
Fin j
di = bi-s
Fin i
Sustitución hacia atrás

xn = dn/ann
s=0
Repetir j=i+1,... n
s = s + aij.xj
Fin j
xi = (di-s)/aii
Fin i
Si el algoritmo detallado se implementa para la matriz A del problema anterior, se observa

que, luego de finalizada la etapa de descomposición, los coeficientes de la matriz A
resultan:
3 -1 -2
0.333 7.33 -2.33

1 -0.136 11.68
Como se advierte, en el mismo arreglo se almacenaron los coeficientes de la matriz U

(triángulo superior) y de la matriz L (triángulo inferior). En este último caso, el
almacenamiento de la diagonal es un asunto trivial toda vez que todos los coeficientes
ubicados sobre la misma resultan iguales a 1.
Se ha optimizado así el manejo de memoria, limitando el área de trabajo a aquella
necesaria solamente para el almacenamiento de la matriz de coeficientes (A).
Una segunda optimización puede realizarse realmacenando los coeficientes del vector d
en el proceso de sustitución hacia adelante en el mismo espacio que el vector b, cuyos
coeficientes ya no resulta necesario almacenar en esa etapa del cálculo.
Finalmente, un punto de interés reside en la determinación del número de operaciones
realizadas por el algoritmo anteriormente desarrollado. Como puede verificarse, el número
total de operaciones a realizar en el proceso de descomposición y sustitución es idéntico
a aquel realizado en el algoritmo de eliminación de Gauss. Evidentemente, la gran ventaja
de LU surge en el caso de tener que resolver en forma reiterada el mismo sistema pero
para términos independientes diferentes. En este caso, cada nuevo sistema requiere
realizar solamente un orden de n2 operaciones.
1.2.4.2. Método de Crout
En el apartado anterior se desarrollaron las bases del procedimiento propuesto por

Doolittle para la descomposición de sistemas de ecuaciones lineales Ax=b , a partir de la
factorización de la matriz de coeficientes de la forma A = L.U. Básicamente, el
procedimiento enmarcaba un reordenamiento del algoritmo de Gauss, en donde la matriz
U es calculada a partir de técnicas de eliminación estándar y la matriz L se obtenía
también como subproducto de ese procedimiento.
El procedimiento de Crout parte de un enfoque conceptual diferente, no obstante ello, es
importante adelantar, que también puede considerarse como una forma diferente de
plantear el algoritmo de Gauss y por ello resultan las mismas propiedades, entre ellas, el
mismo número de operaciones finales.
Como todo método de descomposición posee una ventaja comparativa importante al
momento de resolver sistemas de términos independientes múltiples, en donde los
mismos no son conocidos en forma simultánea, como resulta característico de problemas
iterativos o de evolución en el tiempo.

En el método de Crout la matriz A es factorizada como A= L.U en donde la matriz L es
una matriz triangular inferior y U una matriz triangular superior con diagonal unitaria.
Puede advertirse ya aquí una diferencia con el método de Doolittle, en el cual era la matriz
L quien poseía diagonal unitaria.
El método de Crout es un procedimiento del tipo recursivo, esto significa el desarrollo de

un conjunto de pasos sucesivos en donde el trabajo a realizar en cada paso resulta similar
o del mismo tipo pero basado en resultados obtenidos en pasos anteriores. Estas “tareas”
a realizar en cada paso o “estación” consisten en la descomposición sucesiva de los
menores principales de la matriz de coeficientes A.
Se denomina menor principal de A de orden m, denotado como A[m], a una sub-matriz de
A, de dimensión [mxm], y en donde sus coeficientes son los ai,j , i=1..m; j=1..m.
Es decir:
A[1] = a1,1
 a1,1 a1, 2 
A[ 2] = 
 a 2,1 a 2,2 
 a1,1 a1, 2 a1,3 

 
A[ 3] =  a 2,1 a 2,2 a 2,3 
 a3,1 a3,2 a3,3 

etc....
De esta forma, puede escribirse:
 A[ k ] c[ k +1] 
A[ k +1] =  T 
 f a k +1.k +1 
 [ k +1] 
en donde:
 a1, k +1   a k +1,1 
a  a 
 A2[ ,kk++11] = L[ k +1] .U [ k +1]  k +1,2 
c[ k +1] =  :  ; f [ k +1] =  : 
   
 :   : 
 A[ k ] c[ k +1]   L[ k ] 0  U u 1] 
 a k ,k =+1   [ k ]  a k +[1k, +
k  (1)
 f[Tk +1]
 
a k +1.k +1   l [Tk +1] l k +1.k +1   0 T
 1 
   
a partir de lo indicado, se establece la descomposición de A[k+1] como:
en donde:
 u1, k +1   l k +1,1  0 
u  l  0 
 2, k +1   k +1,2   
u[ k +1] =  :  ; l[ k +1] =  :  ; 0 = :

INGENIERIA DE PETROLEOS     
Pág.39
 :   :  :
u k , k +1  l k +1, k  0 
   
Finalmente, de (1):
L[ k ] .u [ k +1] = c[ k +1]
U [Tk ] .l [ k +1] = f[ k +1]

(2)
l k +1, k +1 = a k +1, k +1 − l [Tk +1] .u [ k +1]
Es importante notar que en las ecuaciones anteriores tanto u[k+1] como l[k+1] se obtienen
mediante sustitución hacia adelante ya que tanto L[k] como U[k]T son matrices triangulares
inferiores.
Ejemplo (1): Supóngase el sistema de ecuaciones planteado como ejemplo en el apartado

donde se presentó el método de Doolittle. El mismo venía expresado por:
3 -1 -2 x1 +7
1 7 -3 x2 = -19
A.x = b →
3 -2 10 x3 +4
Se formularán a continuación cada uno de los pasos que conllevan a la factorización de la

matriz de coeficientes A en el producto L.U utilizando el método de Crout.
• Paso 1: k=1
 L[1] 0  U [1] u [ 2] 
L[ 2] =  T  ; U [ 2] = 
L[1] = A[1] = a11 = 3  l[ 2] l 2,2   0 1 
U[1] = u11 = 1  A[1] c[ 2]  2 − 1
A[ 2] =  T =  
 f [ 2] a 2,2  1 7 
L[1] .u [ 2] = c[ 2] → 3.u[ 2] = −1 ∴ u[ 2] = − 1
3
U [T1] .l[ 2] = f [ 2] → 1.l[ 2] = 1 ∴ l[ 2 ] = 1
l 2, 2 = a 2, 2 − l[T2] .u[ 2] = 7 −1.( − 1 ) = +7.33

3
3 0  1 − 0.33 
L[ 2] =  ; U [ 2] = 
1 7.33 
 0 1  
• Paso 2: k=2
Como puede verificarse fácilmente L.U. = A, excepto pequeños errores de redondeo.

1.2.4.2.1. Formalización del Algoritmo de descomposición de Crout
3 0  − 2 − 0.67 
L[ 2] .u[ 3] = c[ 3] → 1  .u[ 3] =   ∴ u[ 3] =  
 7.33  − 3 − 0.32 
 1 0 3  3 
U [T2 ] .l[3] = f [ 3] → − 0.33 l [ 3] =   ∴ l [ 3] =  
 1 − 2 −1
− 0.67 
l3,3 = a3,3 − l[T3] .u[ 3] =10 − [3 −1].  = +11 .69
− 0.32 
Las expresiones (2) constituyen la forma básica o el núcleo del algoritmo de Crout.
Asignando sucesivamente valores a k=1,2...n-1 se obtiene la factorización de la matriz de
coeficientes A en el producto L.U.
En el esquema siguiente se detalla, en metalenguaje, la estructura del algoritmo de
3 0 0  1 − 0.33  3 −1 − 2
L[ ] 0  1 7.33  0 u[3]  c[3]  1
2 0  1 A[ 2] 7 − 3
L[3] =  T =  ; U [3] =   ; A[3] =  T  = 
l l3,3   l T    f3 a3,3 
 [3]   [3] l3,3 0 0 1    3 −2 10 
 
 
 
 
 

descomposición.
Descomposición LU – Crout
l11=a11 , u11=1
Repetir k=1,... n-1
u1,k+1=a1,k+1 / l11
Repetir i= 2,... k
s=0
3 0 0  1 − 0.33 − 0.67 
L[3] ≡ L = 
1 7.33 0   ; U [3] ≡ U = 
0 1 − 0.32 


3 −1 11 .69 
 
0 0 1  

Repetir j=1,..., i-1
s = s + lij . uj,k+1
Fin j
ui,k+1=(ai,k+1 – s) / lii
Fin i
lk+1,1 = ak+1,1
Repetir i= 2,... k
s=0
s = s + uji . lk+1,j
Fin j
lk+1,i= ak+1,i – s
Fin i
uk+1,k+1 = 1
s=0
Repetir j=1,..., k
s = s + lk+1,j . uj,k+1
Fin j
lk+1,k+1= ak+1,k+1 – s
Fin k
El esquema anterior reproduce el procedimiento de factorización, al mismo es necesario

agregarle los procedimientos de sustitución hacia atrás y hacia adelante a fin de obtener
la solución del sistema de ecuaciones. No obstante, su desarrollo es idéntico al
especificado para el método de Doolittle por lo cual no se repetirá innecesariamente.
En lo detallado anteriormente se ha supuesto que la matriz A es tal que permite su
descomposición sin pivotamiento; si esto no fuera así alguno de los coeficientes l k+1,k+1 se
anularía lo cual impediría la descomposición del siguiente menor puesto que se produciría
una división por cero. Las técnicas de pivotamiento también pueden emplearse en estos
métodos y son muy extendidas a pesar de que complican considerablemente el algoritmo
expuesto. También es importante observar que el número de operaciones necesarias
para la descomposición y posterior resolución de los sistemas triangulares coincide
exactamente con aquellas previstas por el método de Gauss (con las salvedades ya
comentadas en caso de términos independientes múltiples disponibles en forma no
simultánea). No obstante, en la forma en la cual se desarrolla el procedimiento de Crout
permite que las sumatorias que se incluyen sean resueltas almacenando sus resultados
parciales en variables de doble precisión (“s” en este caso), reduciendo así los errores de
almacenamiento sin incrementar el volumen de memoria utilizada.

1.2.4.2.2. Optimización del algoritmo de Crout
En la secuencia representada en la figura siguiente se esquematiza el conjunto de valores

involucrados en el cálculo de un elemento ui,k+1 y lk+1,i.
L[K]
U[K]
A[K]
i→ ←ui,k+1 ←ai,k+1
x =
↑ ↑
u[k+1] c[k+1]
L U A
i↓
L[K]
U[K]
A[K]
x =
← l[k+1] ←f[k+1]
↑ lk+1,i ↑ ak+1,i
L U A
Los elementos a calcular, sombreados en color negro, son obtenidos a partir de los
aquellos valores ubicados en las zonas coloreadas en gris.
De ello se deduce que para evaluar un elemento ui,k+1 de U, únicamente es necesario
conocer el elemento correspondiente ai,k+1 de A, los elementos de U que se encuentran
encima de él en su propia columna (us,k+1 s=1...i-1) y la descomposición previa del menor
de A de orden k. De esto último surge que no resultan necesarios ninguno de los
coeficientes de A ubicados en la columna k+1 y por encima de a i,k+1 ni del menor de A de
orden k (solo es necesaria su descomposición).
En resumen, el elemento ai,k+1 es necesario para calcular ui,k+1 pero no para ninguno de los
siguientes elementos de U, por consiguiente, se puede almacenar el valor de ui,k+1
recientemente calculado en el mismo lugar donde se encontraba almacenado a i,k+1, es
decir, los términos de U pueden almacenarse “sobre” A, es decir, sobre los “casilleros”
ubicados por sobre la diagonal de A. Como los términos diagonales de U son iguales a 1
no es necesario almacenarlos.
Una conclusión similar puede alcanzarse para los elementos que componen la matriz L, la

cual puede almacenarse directamente sobre la diagonal y elementos ubicados por debajo
de ella en la matriz A.
En síntesis, el método de Crout está diseñado para reducir las necesidades de memoria
almacenando las dos matrices triangulares en las mismas posiciones de memoria que
ocupaba inicialmente la matriz de coeficientes A.
Ejemplo (2): En base a la optimización comentada se rehará el proceso de

descomposición sobre la matriz de coeficientes del sistema dado en el Ejemplo anterior,
pero utilizando el mismo espacio de almacenamiento de A para guardar los elementos de
las matrices L y U.
3 -1 -2 x1 +7
A.x = b → 1 7 -3 x2 = -19
3 -2 10 x3 +4
• Paso 1: k=1 L[1] .u [ 2] = c[ 2] → 3.u[ 2] = −1 ∴ u[ 2] = − 1

3
L[1] = A[1] = a11 = 3

U [T1] .l[ 2] = f [ 2] → 1.l[ 2] = 1 ∴ l[ 2 ] = 1
U[1] = u11 = 1
l 2, 2 = a 2, 2 − l[T2] .u[ 2] = 7 −1.( − 1 ) = +7.33

3

Los valores obtenidos para u[2], l[2] y l2,2 pueden almacenarse directamente sobre la matriz
A original, quedando la misma como:
3 -1/3 -2
Â = 1 7.33 -3
3 -2 10
en donde se ha querido representar como Â a las componentes del arreglo en donde se

han alojado las componentes de L[2] y U[2].
• Paso 2: k=2
3 0  − 2 − 0.67 
L[ 2] .u [3] = c[ 3] → 1  .u [3] =   ∴ u [3] =   (a)
 7.33  − 3 − 0.32 
 1 0 3  3 
U [T2] .l[3] = f [3] → − 0.33 1 l[3] = − 2 ∴ l[3] =   (b)
    −1
− 0.67 
l3,3 = a3,3 −l[T3] .u[3] =10 −[3 −1].  = +11 .69 (c)
− 0.32 
(a) Nótese que en el cálculo de u[3], todos los coeficientes no nulos necesarios para su
determinación -tanto de L[2] como de c[3]- se encuentran disponibles sobre Â. Los
coeficientes de u[3] calculados se almacenan sobre la matriz Â en similar posición a la
que ocuparían en la matriz U:
3 -1/3 -0.67
Â = 1 7.33 -0.32
3 -2 10
(b) Para el cálculo de l[3] los coeficientes fuera de la diagonal no nulos de U (en este caso
–1/3) se encuentra disponible sobre Â. El coeficiente que interviene en los cálculos
corresponde a u1,2 el cual se encuentra almacenado en Â1,2. Los coeficientes de l[3] así
determinados se almacenan sobre Â en idéntica posición a la que ocuparían en la
matriz L:
3 -1/3 -0.67
Â = 1 7.33 -0.32
3 -1 10
(c) Finalmente, el cálculo de l3,3 se realiza en base al coeficiente a3,3 (=10) y los valores de

l[3]T y u[3] determinados en los pasos anteriores. Todos estos coeficientes se encuentran
disponibles sobre la matriz Â. El valor de l3,3 así calculado es almacenado sobre Â en
la misma posición en la que se ubicaría en la matriz L:
3 -1/3 -0.67
Â = 1 7.33 -0.32
3 -1 11.69
Como puede observarse, sobre el triángulo inferior de Â se ubican los coeficientes de la

matriz L, mientras que los elementos ubicados por sobre la diagonal resultan los
correspondientes a la matriz U, excepto los términos diagonales, los cuales son conocidos
a priori e iguales a la unidad.
1.2.4.3. Método de Cholesky
Se considera aquí un procedimiento de factorización desarrollado para aquellos sistemas

de ecuaciones en donde la matriz de coeficientes es simétrica y definida positiva. Este
tipo de matrices resultan muy usuales en la solución de numerosos problemas de
ingeniería mediante técnicas numéricas como elementos finitos, y de allí la necesidad de
incluirlas de modo particular dentro del conjunto de procedimientos de resolución
considerados en este capítulo.
El método de Cholesky utiliza el preconocimiento de las características mencionadas para

realizas una descomposición más eficaz que aquella llevada adelante por el método de
Crout.
En líneas generales, la secuencia paso a paso considerada por Cholesky es similar a la

contemplada por Crout con la significativa diferencia que la matriz A es factorizada como
A=L.LT , es decir, ahora solamente los coeficientes de L son incógnitas ya que su
traspuesta hace las veces de matriz U en el proceso de descomposición.
El menor de orden 1 se obtiene nuevamente de una forma muy simple:
A[1] = a11 = L[1].L[1]T = L112 ∴ L11 = a11½
La expresión de recurrencia puede obtenerse suponiendo ya desarrollada la

T
UNIVERSIDAD INDUSTRIAL DE A[ k +1] = L[ k +1] .L
SANTANDER
[ k +1]
 A[ k ] f[ k +1]   L[ k ] 0   LT l [ k +1] 
 =  [ k ]  (3)
 fT a k +1.k +1   l [Tk +1] l k +1.k +1   0 T l k +1.k +1 
 [ k +1]    
descomposición de orden k, A[k]= L[k].L[k]T, de la cual puede obtenerse la descomposición
para el menor de orden k+1:
Nótese que, por ser A una matriz simétrica, los vectores c[k+1] y f[k+1] definidos en las
ecuaciones (1) coinciden.
De (3) se obtienen las ecuaciones necesarias para la descomposición del menor principal
A[k+1]:
L[ k ] .l [ k +1] = f[ k +1]
l k +1, k +1 = ak +1, k +1 − l [Tk +1] .l [ k +1]
Debe notarse que el cálculo de l[k+1] indicado en la primera de las ecuaciones anteriores
implica una sustitución hacia adelante, considerando las características de matriz
triangular inferior de L.
Ejemplo
Factorizar la matriz de coeficientes del siguiente sistema de ecuaciones:
2 -1 0 x1 5
-1 2 -1 x2 = 0
0 -1 2 x3 0
La matriz A es simétrica y definida positiva.
a) Verificación del carácter de definida positiva de A.
A[1] = 2 → |A[1]| >0
A[2] = 2 -1 → |A[2]|=3 >0

-1 2
2 -1 0
A[3] = -1 2 -1 → |A[3]|=4 >0
0 -1 2
c) Descomposición
• k=1
 A[1] f[ 2]  + 2 −1 
L[1] = a11 = 2 = 1.414 A[ 2] =  T =

f a2, 2   −1 + 2

 [ 2] 
−1
L[1] .l[ 2] = −1 ∴ l[ 2] = = −0.707
1.414
 1.414 0 
l2,2 = a2,2 − l[T2] .l[ 2] = 2 − ( −0.707 ) 2 = 1.225 L[ 2 ] = 
− 0.707 1.225 
• k=2
 1.414 0  0   0 
L[ 2] .l[3] = f[3] ∴  .l[3] =   → l[3] =  
−0.707 1.225  −1 − 0 .816 
 0 
l3,3 = a3,3 −l[T3] .l[3] = 2 −[0 − 0.816 ].  =1.155
− 0.816 
 2 −1 0 
 A[ 2] f[3]  −1 2   1.414 0 0 
−1
A[ 3] =  T
f
=  L[3] = 
− 0.707 1.225 0  
a3,3   0 −1 
 [ 3]   +2

 
  0 − 0.816 1.155 


1.2.4.3.1. Formalización del Algoritmo de descomposición de Cholesky
En el esquema siguiente se detalla, en metalenguaje, la estructura del algoritmo de

descomposición de Cholesky para matrices simétricas y definidas positivas.
Descomposición LLT – Cholesky

l11= (a11)½
Repetir k=1,... n-1
lk+1,1=ak+1,1 / l11
Repetir i= 2,... k
s=0
s = s + lij . lk+1,j
Fin j
lk+1,i=(ak+1,i – s) / lii
Fin i
s=0
Repetir i= 1,... k
s = s + (lk+1, i)2
Fin i
lk+1,k+1= (ak+1,k+1 – s) ½
Fin k
Es posible demostrar que el algoritmo detallado puede utilizarse para cualquier matriz
simétrica y definida positiva.

1.3. Técnicas de Almacenamiento de Matrices
En cualquier lenguaje de programación de última generación, las matrices se almacenan

en arreglos de memoria bidimensionales, en donde cada elemento es almacenado en un
espacio direccionado con el nombre asignado a la matriz y el número de fila y columna en
donde se ubica: A(3,2), B(1), etc.
La sintaxis específica corresponde a la utilizada por cada lenguaje en particular. En el

marco de estas notas se empleará la mencionada anteriormente es decir aquella en la
cual cada elemento se especifica mediante el nombre del arreglo seguido, entre
paréntesis, del número de fila y columna en donde se encuentra.
Considerando lo natural y sencillo de lo mencionado no parece, a primera vista, necesario

ni útil que deba implementarse alguna otra forma o procedimientos para almacenar las
matrices en la memoria de un computador.
Sin embargo imagínese por un instante la necesidad de almacenar una matriz simétrica,
es evidente que solo resultaría imprescindible asignar espacios de memoria para la matriz
triangular superior (o inferior, es indistinto). Supóngase, por ejemplo, que se trata de una
matriz cuadrada de orden 100; en este caso al asignar un espacio de memoria para la
matriz (paso imprescindible antes de su utilización en cualquier lenguaje) se reservará un
arreglo de 100 filas y 100 columnas, del cual solo serán utilizados aquellos
correspondientes a la diagonal y a los elementos ubicados encima –o debajo- de ella.
Evidentemente, tal situación implica un malgasto de memoria que, en caso de matrices de

varios miles de ecuaciones, puede limitar el tamaño del problema a resolver al no
disponer el computador de una cantidad de memoria suficiente.
Un caso similar, aunque más extremo aún, es el caso de las matrices bandeadas en
donde los elementos no nulos se limitan a un porcentaje a menudo muy inferior que n 2 (n=
orden de la matriz) razón por la cual resulta sumamente importante desarrollar
metodologías de almacenamiento más eficientes.
Sobre este punto en particular existe un considerable desarrollo dentro de las técnicas de
cálculo numérico orientados a determinados tipos especiales de matrices, característicos
de algunos problemas de la ingeniería. En los puntos siguientes se tratarán algunas de
estas técnicas las cuales, claro está, son solo un pequeño segmento del numeroso campo
existente sobre este particular.

1.3.1. Almacenamiento por columnas
Consiste en almacenar en forma consecutiva en un vector de longitud mxn cada una de

las columnas que conforman la matriz cuya dimensión, en general, se ha supuesto de m
filas y n columnas.
De esta forma, los coeficientes de la matriz serán ubicados dentro del vector en base al
siguiente ordenamiento:
CT = {c1, c2, ...cm, cm+1,cm+2.... cm+m, c2m+1,c2m+2...c3m, ......, c(n-1)m+1, c(n-1)m+2 ... cn.m} =
= {a1,1, a2,1,...am,1, a1,2, a2,2 ,...am,2 , ......, a1,n, a2,n,... am,n}
En líneas generales, en el elemento cK se almacena el término a(i,j), en donde:
k = (j-i) * m + i
la cual, es la ecuación de “transformación” del “sistema de posicionamiento global” (i, j), al

“local”, k.
1.3.2. Almacenamiento por filas
Una alternativa al almacenamiento por columnas presentado anteriormente es disponer

los elementos ubicados sobre cada una de las filas de la matriz en forma sucesiva sobre
un arreglo unidimensional o vector, esto es:
f = {f1, f2, ..... fn, fn+1, fn+2...., f2n, f2n+1, f2n+2...., f3n..........f(m-1)*n+1, f(m-1)*n+2,..... fm*n} =
= {a1,1, a1,2,... a1,n, a2,1, a2,2, ... a2,n, a3,1, a3,2,....,a3,n ........am,1, am,2,.... am,n}
Una vez almacenada una matriz sobre un vector en base al ordenamiento comentado, es
necesario establecer las relaciones de transformación que permitan ubicar a un elemento
cualquiera a(i,j) de la matriz dentro del vector f. Es fácil comprobar que esa relación viene
dada por la expresión:
k = (i-1) * n + j
en la cual “i” y “j” corresponden a la fila y columna respectivamente del elemento de la

matriz a ubicar, y “k” la posición sobre el vector en donde los mismos se encuentran
almacenados. De esta forma, en cualquiera de los algoritmos de resolución de ecuaciones
vistos anteriormente, podrá reemplazarse cada operación sobre a(i,j) por el
correspondiente f(k) en forma enteramente equivalente.
1.3.3. Almacenamiento de matrices simétricas o triangulares.
En una matriz simétrica resulta evidente que solo resulta imprescindible almacenar
aquellos elementos que se ubican en la diagonal y por sobre –triangular superior- o por
debajo –triangular inferior- de la misma. Una situación similar presentan las matrices
triangulares (superiores o inferiores) en donde los coeficientes por debajo o por encima de
la diagonal resultan nulos y por lo tanto no resulta necesario almacenarlos en la memoria.
A fin de retener solamente aquellos coeficientes necesarios para el cálculo, una
alternativa es disponer en un arreglo unidimensional -vector- cada una de las columnas de
la matriz pero limitando su extensión a los elementos ubicados entre la primer fila y la
diagonal. Se estará almacenando así una matriz triangular superior. En caso de que se
requiera almacenar una matriz triangular inferior –o la mitad inferior de una matriz
simétrica- las transformaciones son similares y pueden encararse sin dificultad por lo cual
no serán comentadas aquí en forma explícita.
A modo de ejemplo, puede suponerse el caso de una matriz triangular superior –el caso
de una matriz simétrica es enteramente equivalente-:
i↓ j↓
a11 a12  a 1i   a1j  a 1n
0 a22  a 2i   a2j  a 2n
     
i→ 0  aii aij ain
A=      
     
j→ 0   ajj ajn
    
0 0  0   0  ann
Los coeficientes no nulos de la misma se almacenan siguiendo un ordenamiento por

columnas en un vector de acuerdo al siguiente esquema:
CT = {a11, a12, a22, a13, a23, a33, ......, a1n, a2n, .... ann}

La relación de vinculación entre la posición de cada coeficiente sobre la matriz A y su
correspondiente en el vector C es establecida mediante la siguiente relación de
transformación:
j.( j −1)
k = +i
2
en la cual “i” y “j” representan la fila y columna respectivamente de un elemento sobre la

matriz A y “k” la posición donde éste se encuentra almacenado en el vector C.
Ejemplo : utilizar la técnica de almacenamiento mencionada anteriormente dentro del

algoritmo de solución de sistemas de ecuaciones con matrices simétricas de acuerdo al
procedimiento de eliminación de Gauss detallado en el punto 1.2.3.4.
Los coeficientes de la matriz se encuentran almacenados en un vector C con las
características ya comentadas. El algoritmo especificado en aquel punto, adaptado a las
condiciones de almacenamiento impuestas por la forma de la matriz, se detalla en el
siguiente esquema.
Gauss – Simetrico
Almacenamiento por columnas de la matriz triangular superior.
Definir: f[i,j] = j*(j-1)/2 + i

Repetir k=1,... n-1
Repetir i=k+1,... n
m = C(f[k,i]) / C(f[k,k])
Repetir j=i,... n
C(f[i,j]) = C(f[i,j]) – m. C(f[k,j])
Fin j
bi = bi – m.bk
Fin i
Fin k
xn = bn/ann
s=0
Repetir j=i+1,... n
s = s + C(f[i,j]).xj
Fin j
xi = (bi-s)/C(f[i,i])
Fin i

en donde se ha hecho uso de una función predefinida (cuya sintaxis dependerá del
lenguaje utilizado) la cual permite obtener la posición del coeficiente a(i,j) genérico dentro
del vector C donde se encuentra almacenado.
1.3.4. Almacenamiento de matrices “bandeadas”
Como se comentara en el punto 1.2.3.5., es muy frecuente que las matrices de

coeficientes que forman parte de sistemas de ecuaciones lineales provenientes de la
solución numérica de ecuaciones diferenciales que gobiernas problemas de ingeniería
posean una forma “bandeada”. En aquel apartado se especificó un algoritmo de
resolución basado en una adecuación del método de eliminación de Gauss para el caso
que la matriz resulte, además de bandeada, simétrica.
Ese algoritmo simplemente acotaba el “espacio” dentro del cual se realizaban las
operaciones de eliminación, limitándolas a los coeficientes ubicados dentro de la banda.
Es inmediato que si esto es así, no es necesario almacenar los coeficientes que se
encuentran fuera de ella, punto este que será estudiado a continuación.
A fin de tratar el tema con más generalidad respecto de lo indicado en el punto 1.2.3.5. se
considerarán matrices “bandeadas” no necesariamente simétricas y en las cuales la
“semibanda” por debajo de la diagonal, no necesariamente tiene la misma dimensión que
aquella ubicada por sobre la misma. En resumen, una matriz de esta características
presentaría el siguiente aspecto:
← u →
a11 a12  a1,u+1
↑ a21 a22 
g   
↓ ag+1,1  
A=   
  an-u,n ↑
   u
 an-1,n-1 an-1,n ↓
an,n-g  an,n-1 ann
← g →
en la cual:
• g= semiancho inferior → a(i,j)=0 si i>j+g
• u= semiancho superior → a(i,j)=0 si j>i+u

Sabiendo que los coeficientes no nulos se ubican dentro de una banda de dimensión
conocida, los coeficientes de la matriz A se almacenaran dentro de una matriz de
dimensión ajustada al ancho de banda, es decir, una matriz rectangular de n filas y g+u+1
columnas cuya “organización” obedece al siguiente esquema:
a11 a12  a1,u+1

a21 a22 a23 a1,u+2
  
ag+1,1 ag+1,g+1   ag+1,u+g+1
R=  
 an-u,n
 
 an-1,n-1 an-1,n
an,n-g  an,n-1 ann
← g → ← u →
Como se observa en el esquema anterior, la matriz R posee el mismo número de filas que
A y un número de columnas igual al ancho de banda, esto es 1+u+g. En el caso particular
(y frecuente) que u=g, los elementos diagonales de la matriz de coeficientes se
almacenarán sobre la columna central de R.
Evidentemente, este esquema de almacenamiento presentará ventajas sobre aquel que
maneja directamente la matriz como llena, en el caso que n 2>>n(1+u+g) situación que es
frecuente en los sistemas reales que responden a la solución numérica de ecuaciones
diferenciales de problemas de ingeniería en donde n adquiere dimensiones de miles o
superior, y el ancho de banda total (1+u+g) no supera el 10 o 20% de n.
Establecida la forma en que se realizará el almacenamiento quedan por establecer las
relaciones de transformación que permitan, dado un elemento genérico a(i,j) de la matriz
de coeficientes del sistema, ubicarlo dentro de la tabla de almacenamiento diseñada.
Es sencillo verificar que tales relaciones de transformación quedan establecidas por las
siguientes expresiones:
α = i
β = 1+g+(j-i)
las cuales permiten obtener el coeficiente R(α, β ) en donde se aloja el término A(i,j) de
la matriz original.
Una instancia posterior es disponer que la matriz R se almacene por filas o columnas
dentro de un vector, disposición muy frecuente cuando se trabaja en lenguajes como
Fortran. Para ello, no hay más que aplicar las reglas de transformación detalladas al
analizar estos tipos de almacenamiento en los puntos anteriores. Por ejemplo, si se
adopta la disposición de almacenar a la matriz R por columnas dentro de un vector V, la
regla de transformación quedará finalmente como:
k = (β -1).n+α = [g+(j-i)].n +i
la cual permite obtener la posición “k” del vector V en donde se aloja el coeficiente A(i,j)
de la matriz original.
Se hace notar que al almacenar la matriz R por columnas, lo que se está realizando en
realidad es un almacenamiento de A por diagonales, ya que cada columna de R se
corresponde con una diagonal de la matriz original A. Esta disposición es particularmente
útil cuando los coeficientes de la matriz original son generados por un programa que
incluye también en su desarrollo la solución del sistema de ecuaciones.
Ejemplo:
Supóngase que se desea encontrar la solución del sistema de ecuaciones A.x = b donde
A es una matriz de orden n, simétrica, en banda y cuyos coeficientes resultan:
← 2→
5 -4 1
↑ -4 6 -4 1
2 1 -4 6 -4 1
↓ 1 -4 6 -4 1
A=  
1 -4 6 -4
1 -4 5
la cual, de acuerdo a lo comentado anteriormente, puede almacenarse en una matriz

rectangular con el siguiente formato:
← 2→
5 -4 1
6 -4 1
6 -4 1
R=  
6 -4 1
6 -4
5
en la cual se ha prescindido de almacenar la mitad inferior de la matriz de coeficientes a

partir de las características de simetría de la misma.

La regla de transformación que permite ubicar a un elemento genérico de la matriz A
dentro de R, es según lo indicado oportunamente:
α = i
β = g+1+(j-i) –g = 1+j-i
donde α y β representan la fila y la columna en donde el elemento a(i,j) se encuentra
almacenado en R .
En la expresión anterior se ha descontado el valor de “g” de la ecuación original en
función de haberse almacenado únicamente la una de las “semibandas”.
Por ejemplo, puede comprobarse que el coeficiente a(3,4) = –4, se encuentra almacenado
en las posición R(3,2) según resulta de:
α = 3
β = 1 +4 – 3 = 2
Finalmente, se reformula el algoritmo Gauss Banda Simétrico ya planteado

oportunamente, considerando que solamente se almacena la mitad de la matriz en la
forma compacta detallada más arriba.
Definir F(i,j) = 1+j-i

Repetir k=1,... n-1
fin=min(n,k+g)
Repetir i=k+1,... fin
m = R[k,F(k,i)]/R[k,F(k,k)]
Repetir j=i,... fin
R[i,F(i,j)] = R[i,F(i,j)] – m. R[k,F(k,j)]
Fin j
bi = bi – m.bk
Fin i
Fin k
xn = bn/R[n,F(n,n)
fin =min(n,i+g)
s=0
Repetir j=i+1,... fin
s = s + R[i,F(i,j)].xj
Fin j
xi = (bi-s)/R[i,F(i,i)]
Fin i
En el esquema anterior se ha denominado como “g” al ancho de la semibanda (2 para
este ejemplo).

1.4 Métodos Iterativos
1.4.1 Introducción
Los métodos de solución de sistemas de ecuaciones pertenecen esencialmente a la clase

de métodos directos o a la clase de métodos iterativos.
Los métodos directos resuelven los sistemas de ecuaciones en un numero determinado
de operaciones aritméticas (sumas, restas, multiplicaciones y divisiones), y los errores en
la solución surgen enteramente de los errores de redondeo introducidos al efectuarse los
cálculos. Básicamente, los métodos directos son los métodos de eliminación, de los
cuales el mas conocido es el método sistemático de eliminación gaussiano, y los
métodos de descomposición triangular. Estos últimos factorizan la matriz de coeficientes
A de las ecuaciones A . x = b en A = L . U, donde L y U son matrices triangulares
inferiores y superiores respectivamente; una vez que la descomposición ha sido
determinada la solución es calculada resolviendo el sistema equivalente L . U . x = b,
haciendo U. x = y; entonces se obtiene y resolviendo L . y = b por sustitución hacia
adelante, y por último se obtiene x resolviendo U . x = y por sustitución hacia atrás. Con
ambos métodos es usualmente necesario emplear pivoteo parcial para controlar el
crecimiento de los errores de redondeo.
Es de interés notar que cuando los cálculos relacionados con estos métodos son
realizados sobre grandes computadoras modernas, los errores de redondeo introducidos
durante el proceso de calculo frecuentemente tienen menos efecto sobre la solución que
los errores de redondeo en los coeficientes y constantes de las ecuaciones. Si
suponemos que los coeficientes y constantes de un sistema de n ecuaciones algebraicas
lineales son todos menores que uno en modulo y que son conocidos con certeza en solo
q lugares decimales, entonces ellos poseen errores relativos menores o iguales a ½ 10 -q.
Se ha probado que si los cálculos del método de eliminación Gaussiano se llevan
adelante con números cuya cantidad de lugares decimales sea mayor que (q + log 10 n) ,
es decir log10 n lugares decimales mas que en los coeficientes y constantes, la solución
obtenida para q lugares decimales es la solución exacta de un conjunto de n ecuaciones
lineales cuyos coeficientes y constantes difieren en menos de ½ 10–q de aquellos
correspondientes a las ecuaciones originales (si se usa representación binaria, la mas
usada en las computadoras, 10-q es reemplazado por 2-q y log10 n por log2 n). Dicho de
otra forma, la solución es tan precisa como los datos lo permitan. Esto no significa que el
numero de cifras significativas correctas en la solución sea el mismo que en el de los
datos. Aquel podría ser menor, como es en el caso en que la perdida de precisión no
ocurre por el método de solución utilizado sino debido a que las ecuaciones estén mal
condicionadas en el sentido que pequeños cambios en los coeficientes producen grandes
cambios en la solución.
El numero de dígitos significativos en la solución no puede exceder el numero de cifras
significativas en los primeros q lugares decimales del pívot mas pequeño.
Aunque la eliminación Gaussiana y la descomposición LU son matemáticamente
equivalentes, el error total del método LU puede ser hecho menor que el del método de
eliminación Gaussiana si los productos internos son acumulados en variables de doble
longitud, una operación que puede realizarse en algunas computadoras. Sin la
acumulación de los productos internos en variables de doble longitud los dos métodos son
equivalentes tanto matemática como numéricamente.
Si la aproximación de la solución obtenida necesita ser mejorada el siguiente método de
refinamiento es usualmente recomendado. Llamemos a la solución calculada de A . x = b
como x(1). Luego, calculemos el residuo r(1) = b – A . x(1) usando variables de doble
longitud, es decir de 2 . t dígitos decimales o binarios en lugar de los t dígitos estándar de
las variables de simple longitud. Si hacemos x = x(1) + d, donde d es el termino de
corrección exacto que se suma a la solución calculada en primera instancia, x(1), para
obtener la solución exacta x, entonces A . x = b puede expresarse como A . (x(1) + d) = b.
Distribuyendo el producto tendremos A . x(1) + A . d = b, y finalmente A . d = b - x(1) = r(1).
La solución de esta ultima ecuación no es d exactamente sino una solución aproximada
calculada que llamaremos d(1). Luego, una solución mejorada será x(2) = x(1) + d(1). Este
procedimiento puede repetirse hasta lograr el grado de aproximación deseada. Con el
objeto de mantener la solución de las ecuaciones en una aritmética de simple longitud, es
decir t dígitos, los residuos podrían ser multiplicados por 10t, o por 2t, y los
correspondientes términos de corrección d(1), d(2)......, multiplicados por 10-t, o por 2-t. Es
evidente que este método de refinamiento iterativo requiere solamente una pequeña
cantidad adicional de operaciones debido a que la solución de A . d = r(1) involucra solo
sustituciones hacia delante y hacia atrás porque la descomposición A = L . U ha sido
calculada con anterioridad.
Si la matriz de coeficientes puede ser entrada totalmente en la memoria ( el
almacenamiento de acceso rápido de la computadora), entonces los métodos directos, en
general, son más rápidos y aproximados que los métodos iterativos. Además, si la matriz

de coeficientes tiene alguna propiedad o estructura en especial, en particular si son
simétricas, definidas positivas o bandeadas, es posible incrementar el numero de
ecuaciones a resolver mediante una programación mas eficiente que tenga en cuenta
tales particularidades.
Los métodos directos son ciertamente preferibles a los métodos iterativos cuando:
1. Se deben resolver varios sistemas de ecuaciones con la misma matriz de
coeficientes pero diferentes vectores de términos independientes.
2. La matriz de coeficientes es aproximadamente singular. En este caso pequeños
residuos (donde el residuo esta definido por r(1) = b – A . x(1)) no implican pequeños
errores en la solución. Esto resulta evidente si consideramos que A-1 . r(1) = A-1 .
(b – A . x(1)) = A-1 . b – x(1) = x – x(1). Entonces x – x(1) podría tener grandes
componentes cuando las componentes del vector residual r(1) son pequeñas
porque algunos de los elementos de A-1 serán grandes si A es aproximadamente
singular.
En la mayoría de los problemas asociados a la solución de ecuaciones diferenciales

parciales las matrices son bandas y esparzas, esto es, la cantidad de elementos nulos es
mucho mayor que la cantidad de elementos no nulos y están ordenados a lo largo de una
estrecha banda que rodea a la diagonal principal. Para este tipo de matrices los métodos
de eliminación gaussiana en su versión estándar son ineficientes ya que se efectúan una
gran cantidad de operaciones innecesarias. Debe puntualizarse, como ya hemos visto,
que es posible adaptar el método de Gauss a matrices bandas y esparzas .
En cambio, en los métodos iterativos, combinados con técnicas eficientes de
almacenamiento de matrices esparzas, hay muy pocas operaciones aritméticas asociadas
con los coeficientes iguales a cero y por lo tanto se debe almacenar en la memoria de la
computadora una cantidad de números considerablemente menor. Como consecuencia
de esto, los métodos iterativos pueden ser usados para resolver sistemas de ecuaciones
que son demasiado grandes para el uso de métodos directos. Además, la programación y
el manejo de datos al aplicar métodos iterativos es mucho mas simple que cuando
aplicamos métodos directos, y fundamentalmente, los métodos iterativos pueden ser
aplicados a la resolución de sistemas de ecuaciones no lineales, cosa que no puede
realizarse con los métodos directos.
No obstante, el uso eficiente de los métodos iterativos es muy dependiente del calculo
directo o estimación del valor de algunos parámetros de aceleración de la convergencia

(ciertos métodos los poseen y otros no) y de que la matriz de coeficientes sea bien
condicionada. De no ser así la convergencia será lenta y el volumen de operaciones
aritméticas enorme. Con parámetros de aceleración óptimos el volumen de calculo de los
métodos iterativos para grandes sistemas de ecuaciones puede ser mucho menor que en
los métodos directos.
1.4.2 Fundamentos de los Métodos iterativos
Un método iterativo para resolver ecuaciones es aquel en el cual una primera

aproximación es usada para calcular una segunda aproximación, la cual a su vez es
usada para calcular una tercera aproximación, y así sucesivamente.
Se dice que el procedimiento iterativo es convergente cuando las diferencias entre la
solución exacta y las sucesivas iteraciones tienden a cero al incrementarse el numero de
iteraciones. En general la solución exacta nunca es obtenida en un numero finito de
pasos, pero esto no es importante. Lo que importa es que las sucesivas iteraciones
converjan rápidamente a valores que puedan considerarse correctos dentro de una
precisión especificada.
Como se mencionó previamente podríamos considerar el uso de métodos iterativos
cuando, entre otros casos, los métodos directos requieran mas espacio de
almacenamiento rápido (memoria) que el disponible y la matriz de coeficientes sea
esparza pero bien condicionada.
Para desarrollar los métodos de resolución en forma sencilla consideremos, por ejemplo,
la resolución de un sistema general de cuatro ecuaciones:
a11 ⋅ x1 + a12 ⋅ x2 + a13 ⋅ x3 + a14 ⋅ x4 = b1

a21 ⋅ x1 + a22 ⋅ x2 + a23 ⋅ x3 + a24 ⋅ x4 = b2
a31 ⋅ x1 + a32 ⋅ x2 + a33 ⋅ x3 + a34 ⋅ x4 = b3
a41 ⋅ x1 + a42 ⋅ x2 + a43 ⋅ x3 + a44 ⋅ x4 = b4
donde aii ≠ 0 para i = 1 a 4
El sistema anterior puede ser reescrito de la siguiente manera:

1
x1 = ⋅ ( b1 − a12 ⋅ x2 − a13 ⋅ x3 − a14 ⋅ x4 )
a11
1
x2 = ⋅ ( b2 − a21 ⋅ x1 − a23 ⋅ x3 − a24 ⋅ x4 )
a22
1
x3 = ⋅ ( b3 − a31 ⋅ x1 − a32 ⋅ x2 − a34 ⋅ x4 )
a33
1
x4 = ⋅ ( b4 − a41 ⋅ x1 − a42 ⋅ x2 − a43 ⋅ x3 )
a44
A partir de este punto plantearemos dos métodos: Jacobi y Gauss Seidel.
1.4.2.1 Método de Jacobi
Llamamos x(1
i
)
a la primera aproximación de xi , x(2
i
)
a la segunda aproximación, y así
sucesivamente, y asumimos que n de ellas han sido calculadas, es decir que conocemos
x(n
i
)
para i = 1 a 4. Entonces el método de Jacobi expresa los (n+1)-ésimos valores
iterativos exclusivamente en función de los n-ésimos valores iterativos. La iteración
correspondiente al sistema de ecuaciones antes descripto es:
x1( n + 1 ) =
1
a11
(
⋅ b1 − a12 ⋅ x(2n ) − a13 ⋅ x3( n ) − a14 ⋅ x4( n ) )
⋅ (b − a )
1
x2( n + 1 ) = 2
(n) (n) (n)
21 ⋅ x1 1 − a23 ⋅ x3 − a24 ⋅ x4
a22
⋅ (b − a )
1
x3( n + 1 ) = 3
(n) (n) (n)
31 ⋅ x1 − a32 ⋅ x2 − a34 ⋅ x4
a33
⋅ (b − a )
1
x4( n + 1 ) = 4
(n) (n) (n)
41 ⋅ x1 − a42 ⋅ x2 − a43 ⋅ x3
a44
En el caso general para m ecuaciones queda
1  i −1 m 
xi( n +1 ) = ⋅ bi − ∑aij ⋅ x(j n ) − ∑aij ⋅ x(j n )  con i =1a m
aii  
 j =1 j =i +1 
El método de Jacobi no es incondicionalmente convergente, esto es, no siempre las

sucesivas aproximaciones convergen a un valor determinado. La matriz de coeficientes
del sistema a resolver debe cumplir con ciertas condiciones para asegurar la

convergencia del método. Puede demostrarse que el método de Jacobi aplicado al
sistema de ecuaciones A . x = b es convergente si la matriz A es estrictamente diagonal
dominante, es decir, si en cada fila de A el módulo del elemento diagonal es mayor que la
suma de los módulos de los elementos restantes de la fila.
Algoritmo del Método de Jacobi
Ingresar 
s
Repetir i = 1,....n
x1i = valores iniciales
Fin repetir
Repetir mientras Flag = 1

Flag = 0
Repetir i = 1,....n
sum = 0
Repetir j = 1,....n
Si i j
sum = sum + aij . X1j
Fin si
Fin repetir
x2i = ( bi - sum ) / aii
Si x2i – x1i  > s
Flag = 1
Fin si
Fin repetir
Repetir i = 1,....n
x1i = x2i
Fin repetir
Fin repetir mientras
1.4.2.2 Método de Gauss Seidel

En este método (n+1)-ésimos valores iterativos son usados tan pronto como ellos están
disponibles y la iteración correspondiente a las ecuaciones anteriores es definida por:
x1( n +1 ) =
1
a11
(
⋅ b1 − a12 ⋅ x2( n ) − a13 ⋅ x3( n ) − a14 ⋅ x4( n ) )
⋅ (b − a )
1
x2( n +1 ) = 2
( n +1 )
21 ⋅ x1 1
− a23 ⋅ x3( n ) − a24 ⋅ x4( n )
a22
x3( n +1 ) =
1
a33
⋅ (b − a
3
( n +1 )
31 ⋅ x1 − a32 ⋅ x2( n +1 ) − a34 ⋅ x4( n ) )
x4( n +1 ) =
1
a44
⋅ (b − a
4
( n +1 )
41 ⋅ x1 − a42 ⋅ x(2n +1 ) − a43 ⋅ x3( n +1 ) )
En el caso general para m ecuaciones queda
1  i −1 m 
xi( n +1 ) = ⋅ bi − ∑aij ⋅ x(j n +1 ) − ∑aij ⋅ x(j n )  con i =1a m
aii  
 j =1 j =i +1 
El método de Gauss – Seidel para ser convergente en la resolución de un sistema de

ecuaciones A . x = b requiere que la matriz de coeficientes A cumpla con la misma
condición requerida en el método de Jacobi.
Algoritmo del Método de Gauss – Seidel
Ingresar  s
Repetir i = 1,....n
x1i = valores iniciales
Fin repetir
Repetir mientras Flag = 1

Flag = 0
Repetir i = 1,....n
sum = 0
Repetir j = 1,....n
Si i  j
sum = sum + aij . X1j
Fin si
Fin repetir
A = ( bi - sum ) / aii
Si mod  A - x1i  > es
Flag = 1
Fin si
x1i = A
A=0
Fin repetir
Fin repetir mientras
Ejemplo:
Sea una función u que satisface la ecuación:
∂u ∂2u para 0 < x < 1 y t > 0.

=
∂t ∂x 2
Las condiciones iniciales son:

u=1 en 0 < x < 1 para t = 0.
Y las condiciones de contorno son:
u=0 en x = 0 y x=1 para t  0.

Resolviendo esta ecuación por algún método que se vera mas adelante se llega a un
sistema de ecuaciones algebraicas lineales. Las incógnitas de dicho sistema de
ecuaciones son valores discretos de la función en determinados puntos del dominio. En
este caso se tomaron 9 puntos interiores equidistantes en el intervalo 0 < x < 1. Entonces,
en principio, las incógnitas del sistema de ecuaciones serían 9. Por cuestiones de simetría
de la función solución respecto del punto central del intervalo en el sistema de ecuaciones
aparecerán solo 5 incógnitas que denotaremos por ui con i = 1 a 5.
Planteada la situación de esta manera el sistema resultante es:
4 ⋅ u1 − u2 = 1
− u1 + 4 ⋅ u2 − u3 = 2
− u2 + 4 ⋅ u3 − u4 = 2
− u3 + 4 ⋅ u4 − u5 = 2
− u4 + 2 ⋅ u5 = 1
Este sistema también puede expresarse como:
1
u1 = ⋅ ( u2 + 1)
4
1
u2 = ⋅ ( u1 + u3 + 2 )
4
1
u3 = ⋅ ( u 2 + u4 + 2 )
4
1
u4 = ⋅ ( u3 + u5 + 2 )
4
1
u2 = ⋅ ( u4 + 1)
2
Tomaremos como valores de la primera aproximación:
ui = 1 para i = 1 a 5.
a) Resolución del sistema mediante el método de Jacobi
Las ecuaciones de iteración son:

u1( n +1 ) =
1
4
⋅ (u (n)
2 +1 )
u(2n +1 ) =
1
4
⋅ (u
(n) (n)
1 + u3 +2 )
u3( n +1 ) =
1
4
⋅ (u (n) (n)
2 + u4 + 2)
u4( n +1 ) =
1
4
⋅ (u
(n) (n)
3 + u5 + 2)
u5( n +1 ) =
1
2
⋅ (u
(n)
4 +1 )
Entonces, partiendo de la primera aproximación, y para encontrar la solución del

sistema al cabo del primer intervalo de tiempo, iteraremos hasta que no haya variación
en las primeras cuatro cifras decimales. Esto ultimo equivale a definir un cierto grado
de precisión en la solución.
Para la primera iteración, nos queda:
u1( 1 ) =
1
4
⋅ (u (0 )
2
1
+1 =
4
)⋅ ( 1 + 1) = 0.5
u2( 1 ) =
1
4
⋅ (u (0 ) (0 ) 1
4
)
1 + u3 + 2 = ⋅ ( 1 + 1 + 2 ) = 1
u3( 1 ) =
1
4
⋅ (u (0 ) (0 ) 1
4
)
2 + u4 + 2 = ⋅ ( 1 + 1 + 2 ) = 1
u4( 1 ) =
1
4
⋅ (u (0 ) (0 ) 1
4
)
3 + u5 + 2 = ⋅ ( 1 + 1 + 2 ) = 1
u5( 1 ) =
1
2
⋅ (u (0 ) 1
2
)
4 + 1 = ⋅ ( 1 + 1) = 1
Para la segunda iteración:
u1( 2 ) =
1
4
⋅ (u (1)
2
1
4
+1 = )
⋅ ( 1 + 1) = 0.5
u2( 2 ) =
1
4
⋅ (u
(1) (1) 1
4
)
1 + u3 + 2 = ⋅ ( 0.5 + 1 + 2 ) = 0.875
u3( 2 ) =
1
4
⋅ (u
(1) (1) 1
4
)
2 + u4 + 2 = ⋅ ( 1 + 1 + 2 ) = 1
u4( 2 ) =
1
4
⋅ (u
(1) (1) 1
4
)
3 + u5 + 2 = ⋅ ( 1 + 1 + 2 ) = 1
u5( 2 ) =
1
2
⋅ (u
(1) 1
2
)
4 + 1 = ⋅ ( 1 + 1) = 1

Para la tercera iteración:
u1( 3 ) =
1
4
⋅ (u (2)
2
1
4
)
⋅ ( 0.875 + 1) = 0.46875
+1 =
u2( 3 ) =
1
4
⋅ (u
(2) (2) 1
4
)
1 + u3 + 2 = ⋅ ( 0.5 + 1 + 2 ) = 0.875
u3( 3 ) =
1
4
⋅ (u
(2) (2) 1
4
)
2 + u4 + 2 = ⋅ ( 0.875 + 1 + 2 ) = 0.96875
u4( 3 ) =
1
4
⋅ (u
(2) (2) 1
4
)
3 + u5 + 2 = ⋅ ( 1 + 1 + 2 ) = 1
u5( 3 ) =
1
2
⋅ (u
(2) 1
2
)
4 + 1 = ⋅ ( 1 + 1) = 1
Luego de 11 iteraciones llegamos a la solución con la aproximación requerida, lo que

se resume en la siguiente tabla:
MÉTODO DE JACOBI
Nº de iter. u=0 u=1 u=2 u=3 u=4 u=5
n=0 0.0000 1.0000 1.0000 1.0000 1.0000 1.0000

n=1 0.0000 0.5000 1.0000 1.0000 1.0000 1.0000
n=2 0.0000 0.5000 0.8750 1.0000 1.0000 1.0000
n=3 0.0000 0.4688 0.8750 0.9688 1.0000 1.0000
n=4 0.0000 0.4688 0.8594 0.9688 0.9922 1.0000
........ ........ ........ ........ ........ ........ ........
n = 10 0.0000 0.4641 0.8564 0.9614 0.9890 0.9946
n = 11 0.0000 0.4641 0.8564 0.9613 0.9890 0.9945
n = 12 0.0000 0.4641 0.8564 0.9613 0.9890 0.9945
Hasta aquí hemos encontrado la solución para el primer intervalo de tiempo. Para
encontrar la solución para el próximo intervalo de tiempo utilizamos como condiciones
iniciales a los resultados obtenidos en el primer intervalo y nos queda para resolver el
siguiente sistema:
4 ⋅ u1 − u 2 = 0.8564
− u1 + 4 ⋅ u 2 − u 3 = 1.4254
− u 2 + 4 ⋅ u 3 − u 4 = 1.8454
− u 3 + 4 ⋅ u 4 − u 5 = 1.9558
− u 4 + 2 ⋅ u 5 = 0.9890

Nuevamente, para resolver este sistema deberemos plantear una primera
aproximación, que usualmente son las condiciones iniciales para este intervalo (es
decir la solución del primer sistema de ecuaciones), y comenzamos con un nuevo
proceso iterativo hasta encontrar la solución al segundo sistema con la precisión
deseada. Y así sucesivamente.
b) Resolución del sistema mediante el método de Gauss - Seidel
Las ecuaciones de iteración son:
u1( n +1 ) =
1
4
⋅ (u (n)
2 +1 )
u2( n +1 ) =
1
4
⋅ (u
( n +1 )
1 + u3( n ) + 2 )
u3( n +1 ) =
1
4
⋅ (u ( n +1 )
2 + u4( n ) + 2)
u4( n +1 ) =
1
4
⋅ (u
( n +1 )
3 + u5( n ) + 2)
u5( n +1 ) =
1
2
⋅ (u ( n +1 )
4 +1 )
De la misma manera que en el ejemplo anterior partiendo de la primera aproximación,

y para encontrar la solución del sistema al cabo del primer intervalo de tiempo,
iteraremos hasta que no haya variación en las primeras cuatro cifras decimales.
Parara la primera iteración, nos queda:
u1( 1 ) =
1
4
⋅ (u (0 )
2
1
4
)
⋅ ( 1 + 1) = 0.5
+1 =
u2( 1 ) =
1
4
⋅ (u
(1) (0 ) 1
4
)
1 + u3 + 2 = ⋅ ( 0.5 + 1 + 2 ) = 0.875
u3( 1 ) =
1
4
⋅ (u
(1) (0 ) 1
4
)
2 + u4 + 2 = ⋅ ( 0.875 + 1 + 2 ) = 0.96875
u4( 1 ) =
1
4
⋅ (u
(1) (0 ) 1
4
)
3 + u5 + 2 = ⋅ ( 0.96875 + 1 + 2 ) = 0.99219
u5( 1 ) =
1
2
⋅ (u
(1) 1
2
)
4 + 1 = ⋅ ( 0.99219 + 1) = 0.99609

Para la segunda iteración:
u1( 2 ) =
1
4
⋅ (u (1)
2
1
+1 =
4
)
⋅ ( 0.875 + 1) = 0.46875
u(22 ) =
1
4
⋅ (u (2) (1)
)1
1 + u3 + 2 = ⋅ ( 0.46875 + 0.96875 + 2 ) = 0.85938
4
u3( 2 ) =
1
4
⋅ (u (2) (1)
)1
2 + u4 + 2 = ⋅ ( 0.85938 + 0.99219 + 2 ) = 0.96289
4
u4( 2 ) =
1
4
⋅ (u (2) (1)
)1
3 + u5 + 2 = ⋅ ( 0.96289 + 0.99609 + 2 ) = 0.98975
4
u5( 2 ) =
1
2
⋅ (u (2) 1
2
)
4 + 1 = ⋅ ( 0.98975 + 1) = 0.99488
Para la tercera iteración:
u1( 3 ) =
1
4
⋅ (u (2)
2
1
4
+1 = )
⋅ ( 0.85938 + 1) = 0.46485
u(23 ) =
1
4
⋅ (u
(3) (2) 1
4
)
1 + u3 + 2 = ⋅ ( 0.46485 + 0.96289 + 2 ) = 0.85694
u3( 3 ) =
1
4
⋅ (u
(3) (2) 1
4
)
2 + u4 + 2 = ⋅ ( 0.85694 + 0.98975 + 2 ) = 0.96167
u4( 3 ) =
1
4
⋅ (u
(3) (2) 1
4
)
3 + u5 + 2 = ⋅ ( 0.96167 + 0.99488 + 2 ) = 0.98914
u5( 3 ) =
1
2
⋅ (u
(3) 1
2
)
4 + 1 = ⋅ ( 0.98914 + 1) = 0.99457
Luego de 5 iteraciones llegamos a la solución con la aproximación requerida, lo que se

resume en la siguiente tabla:
MÉTODO DE GAUSS SEIDEL
Nº de iter. u=0 u=1 u=2 u=3 u=4 u=5
n=0 0.0000 1.0000 1.0000 1.0000 1.0000 1.0000

n=1 0.0000 0.5000 0.8750 0.9688 0.9922 0.9961
n=2 0.0000 0.4688 0.8594 0.9629 0.9898 0.9949
n=3 0.0000 0.4649 0.8569 0.9617 0.9891 0.9946
n=4 ........ ........ ........ ........ ........ ........
n=5 0.0000 0.4641 0.8564 0.9613 0.9890 0.9945
n=6 0.0000 0.4641 0.8564 0.9613 0.9890 0.9945

Hasta aquí hemos encontrado la solución para el primer intervalo de tiempo. Para
encontrar la solución para el próximo intervalo de tiempo utilizamos como condiciones
iniciales a los resultados obtenidos en el primer intervalo y nos queda para resolver el
mismo sistema que determinamos en el primer ejemplo:
4 ⋅ u1 − u2 = 0.8564
− u1 + 4 ⋅ u2 − u3 = 1.4254
− u2 + 4 ⋅ u3 − u4 = 1.8454
− u3 + 4 ⋅ u4 − u5 = 1.9558
− u4 + 2 ⋅ u5 = .9890
El proceso de solución continua de la misma forma en que lo describimos en el

ejemplo anterior donde aplicamos el método de Jacobi.
REFERENCIAS:
• http://personal.redestb.es/ztt/tem/t6_matrices.htm
• http://www.ditutor.com/matrices/suma_matrices.html
• http://www.monografias.com/trabajos72/resolucion-sistemas-metodo-gauss-
jordan/resolucion-sistemas-metodo-gauss-jordan.shtml


Solucion de Sistemas de Ecuaciones Lineales. Metodos Directos e Iterativos

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

Solucion de Sistemas de Ecuaciones Lineales. Metodos Directos e Iterativos

Cargado por

Copyright:

Formatos disponibles

Solución de Sistemas de Ecuaciones Lineales.

VIVIANA MARCELA BAYONA CARDENAS

UNIVERSIDAD INDUSTRIAL DE SANTANDER

1.1. Consideraciones generales

El objetivo de este tema es introducir al lector en la resolución de sistemas lineales de

mayúsculas en negrita A, L, U, ∆ , Λ para las matrices,

El espacio vectorial de las matrices reales m x n se denota por Rmxn; un elemento

a11 a12 ...... a1,n-1 a1,n

Si m = n entonces A es cuadrada y se dice que tiene orden n. De la misma forma, C mxn es

x1.y1 x1y2 ...... x1.yn-1 x1.yn

y todas sus columnas (y filas) definen vectores paralelos, es decir, elementos de un

1.1.2 Planteamiento general

A lo largo de este tema se plantea la resolución de sistemas lineales de ecuaciones del

La existencia y unicidad de soluciones del sistema definido en (1.1.) es por fortuna un

De estas condiciones resultan particularmente significativas:

A pesar de la indudable importancia de todas estas condiciones, en el ámbito de la

De acuerdo a las condiciones enunciadas, el sistema de ecuaciones (1.1.) tiene solución

1.1.3. Resolución algebraica: MÉTODO DE CRAMER

En este punto se plantea la resolución analítica de problemas muy pequeños siguiendo un

a11 ... a1, i −1 b1 a1.i +1 ... a1, n

Es interesante evaluar, para el procedimiento implícito en la ecuación anterior, el número

UNIVERSIDAD INDUSTRIAL DE SANTANDER

De acuerdo a lo indicado, el número de operaciones elementales con el método de

Operaciones elementales del método de Cramer

Los números presentados en la tabla anterior adquieren un mayor relieve cuando se

Si se dispusiera de un superordenador capaz de realizar 100 millones de operaciones en

Es evidente que el número de operaciones asociado a este método hace prohibitivo su

1.1.4 Resolución numérica: un enfoque global

La estrategia y metodología que se aplica a la resolución numérica de sistemas lineales

UNIVERSIDAD INDUSTRIAL DE SANTANDER

• Número de operaciones necesarias, íntimamente ligado al tiempo de CPU. Se tendrán

• Necesidades de almacenamiento, que inciden clara y directamente en las limitaciones

En particular, la distinción establecida entre matrices llenas y vacías depende en gran

donde C y D son matrices reales nxn, y c, d, y, z son de Rn. El sistema lineal de

que, resuelto, da el resultado deseado.

1.2. MÉTODOS DIRECTOS

UNIVERSIDAD INDUSTRIAL DE SANTANDER

• Métodos de Eliminación  Método de Gauss

1.2.2 Sistemas con solución inmediata

1.2.2.1. Matriz Diagonal

En este caso la matriz A se escribe como:

d11 0 ... ... 0

y la solución se obtiene directamente

UNIVERSIDAD INDUSTRIAL DE SANTANDER

1.2.2.2. Matriz Triangular Superior

u11 u12 ... ... u1n

De nuevo la solución existe si todos los términos de la diagonal de U son no nulos. En

1 + 2 +.... + (n - 1) = n(n –1)/2 sumas

por consiguiente T∆ = n2 operaciones elementales.

UNIVERSIDAD INDUSTRIAL DE SANTANDER

l11 0 ... ... 0

Se aplica un algoritmo similar al anterior que se denomina de sustitución hacia adelante:

La existencia de solución, el determinante y el número de operaciones se evalúan

1.2.3 Métodos de eliminación

1.2.3.1. Método de Gauss

En el método de eliminación de Gauss el problema original, Ax = b, se transforma

UNIVERSIDAD INDUSTRIAL DE SANTANDER

donde el superíndice (0) indica coeficiente de la matriz o del término independiente

a11(0) a12(0) a13(0) .... a1n(0) x1 b1(0)

Ahora, si a22(1) (que ya no coincide con el coeficiente que originalmente se encontraba en

a11(0) a12(0) a13(0)  a1n(0) x1 b1(0)

Cada paso conduce a un nuevo sistema equivalente al original con la particularidad de

En general, se escribe como :

que se ha obtenido a partir de las siguientes ecuaciones