1 - GENERALIDADES

1. Introduccin:
El presente trabajo muestra como

las computadoras y los mtodos numricos

proporcionan una alternativa para clculos complicados. El utilizar la potencia

de un software relacionado con los mtodos numricos nos ayudan a la solucin de

problemas de problemas complejos. MAPLE es una herramienta que se utilizar durante el

curso. Para ello los alumnos deben tener conocimientos bsicos sobre lgebra o pre clculo.
Maple es un lenguaje de programacin dotado de una interfaz grfica amigable al usuario,
Por otro lado, puede operar con smbolos, por ejemplo calcular derivadas, integrales,
polinomios de Taylor, etc En este proyecto slo se describen algunos de los comandos ms
usados, que nos ayudaran en la solucin de problemas. Este software puede usarse como
una calculadora numrica y simblica. Esto significa, por un lado, que produce resultados
exactos, y hay que hacer operaciones con nmeros extraordinariamente grandes para que
rebase su capacidad numrica. Tambin es posible manipular figuras geomtricas y animar
grficas. Para su manipulacin y resolucin, todo ello de una forma general y sistemtica
que permite su implementacin en computadora.

What is a Numerical Method?

Aim
To explain the notion of a numerical method.
Learning Outcomes
At the end of this section you will:

Understand what a numerical method is,

Understand the reasons for using numerical methods.

Numerical analysis involves the study of methods of computing numerical data. In

many problems this implies producing a sequence of approximations by repeating
the procedure again and again. People who employ numerical methods for solving
problems have to worry about the following issues: the rate of convergence ((how
long does it take for the method to find the answer), the accuracy (or even validity)
of the answer, and the completeness of the response (do other solutions, in
addition to the one found, exist).

Numerical methods provide approximations to the problems in question. No matter

how accurate they are they do not, in most cases, provide the exact answer. In
some instances working out the exact answer by a dierent approach may not be
possible or may be too time consuming and it is in these cases where numerical
methods are most often used.

Related Reading
Stroud, K.A. 2001. Engineering Mathematics. 5 Edition. PALGRAVE.
Anton, H., I. Bivens, S. Davis. 2005. Calculus. 8 Edition. John Wiley & So
th

th

Caracterizacin de la asignatura.
Esta asignatura aporta al perfil del ingeniero qumico metalurgista y materiales la capacidad
de aplicar mtodos numricos en la resolucin de problemas de la ingeniera y la ciencia
auxilindose del uso de computadoras.
Su integracin se ha hecho en base a un anlisis de las tcnicas mediante las cuales es
posible formular problemas de tal forma que pueden resolverse usando operaciones.
Puesto que esta materia dar soporte a otras, ms directamente vinculadas con desempeos
profesionales; se inserta en la primera mitad de la trayectoria escolar; De manera particular,
lo trabajado en esta asignatura se aplica en el estudio de los temas: modelos y control,
validacin de un simulador, mtodos para generar variables aleatorias, entre otros.

Intencin didctica.
Se organiza el programa, en seis unidades, agrupando los contenidos
conceptuales de la asignatura en cada unidad incluyendo los comandos
necesarios para el uso de software de cmputo numrico.
En la primera unidad se da una introduccin y se abordan los conceptos bsicos
de los mtodos numricos, s como los tipos de errores. La segunda unidad trata
los diferentes mtodos de solucin de ecuaciones y sus aplicaciones.
En la tercera unidad se contemplan los mtodos de solucin de sistemas de
ecuaciones
lineales,
sus
iteraciones,
convergencia
y
aplicaciones

correspondientes. La cuarta unidad aborda la diferenciacin numrica, la

integracin numrica, la integracin mltiple y sus aplicaciones.
Se integran en la quinta unidad los elementos correspondientes a la interpolacin
segmentada, de Newton, de Lagrange, etc. En la sexta unidad se trata la solucin
de ecuaciones diferenciales usando los mtodos de un paso, de pasos mltiples y
las aplicaciones correspondientes, dando as un cierre a la materia.
El enfoque sugerido para la materia requiere que las actividades prcticas
promuevan el desarrollo de habilidades para la experimentacin, tales como:
identificacin, manejo y control de variables y datos relevantes; planteamiento de
hiptesis; trabajo en equipo; asimismo, propicien procesos intelectuales como
induccin-deduccin y anlisis-sntesis con la intencin de generar una actividad
intelectual compleja; esto permite la integracin del alumno con el conocimiento
durante el curso.
Principalmente se busca partir de experiencias concretas, cotidianas, para que el
estudiante se acostumbre a reconocer los fenmenos fsicos en su alrededor y no
slo se hable de ellos en el aula. Es importante ofrecer problemas diversos, ya
sean propuestos, artificiales, virtuales o naturales. En el transcurso de las
actividades programadas es muy importante que el estudiante aprenda a valorar
las actividades que lleva a cabo y entienda que est construyendo su hacer futuro
y en consecuencia acte de una manera profesional; de igual manera, aprecie la
importancia del conocimiento y los hbitos de trabajo; desarrolle la precisin y la
curiosidad, la puntualidad, el entusiasmo y el inters, la tenacidad, la flexibilidad y
la autonoma.
Es necesario que el profesor ponga atencin y cuidado en estos aspectos en el
desarrollo de las actividades de aprendizaje y en la elaboracin de cada una de
las prcticas sugeridas de esta asignatura

INTRODUCCIN A LOS MTODOS NUMRICOS

1.1 CONCEPTOS BSICOS: ALGORITMOS Y APROXIMACIONES.
Qu es un algoritmo?
Es un conjunto finito de reglas que generan una secuencia de operaciones para
resolver cualquier problema de un tipo dado. De forma ms sencilla, un algoritmo es

un conjunto de pasos que nos permite obtener un dato. Adems debe cumplir con
ciertas condiciones:

FINITO: el algoritmo debe acabar tras un nmero finito de pasos. Es ms, es

casi fundamental que sea en un nmero razonable de pasos.

DEFINIBILIDAD: el algoritmo debe definirse de forma precisa para cada paso,

es decir, hay que evitar toda ambigedad al definir cada paso. Puesto que el
lenguaje humano es impreciso, los algoritmos se expresan mediante un
lenguaje formal, ya sea matemtico o de programacin para un computador.

ENTRADA: el algoritmo tendr cero o ms entradas, es decir, cantidades dadas

antes de empezar el algoritmo. Estas cantidades pertenecen adems a
conjuntos especificados de objetos. Por ejemplo pueden ser cadenas de
caracteres, enteros, naturales, fraccionarios, etc. Se trata siempre de
cantidades representativas del mundo real expresadas de tal forma que sean
aptas para su interpretacin por el computador.

SALIDA: el algoritmo tiene una o mas salidas en relacin con las entradas.

EFECTIVIDAD: se entiende por esto que una persona sea capaz de realizar el
algoritmo de modo exacto y sin ayuda de una maquina en un lapso de tiempo
finito.

Clasificacin de los algoritmos.

Algoritmo determinista: en cada paso del algoritmo se determina de forma

nica el siguiente paso.

Algoritmo no determinista: deben decidir en cada paso de la ejecucin entre

varias alternativas y agotarlas todas antes de encontrar la solucin.

Todo algoritmo tiene una serie de caractersticas, entre otras que requiere una serie de
recursos, algo que es fundamental a la hora de implementarlos en una maquina. Estos
recursos son principalmente:

El tiempo: periodo transcurrido entre el inicio y la finalizacin del algoritmo.

La memoria: la cantidad (la medida varia segn la maquina) que necesita el

algoritmo para su ejecucin.

Obviamente, la capacidad y el diseo de la maquina pueden afectar al diseo del

algoritmo.

Aproximaciones.
Aproximar un nmero a ciertas cifras decimales consiste en encontrar un
numero con las cifras pedidas que este muy prximo al nmero.

Aproximacin por defecto buscamos, buscamos el numero con un determinado

nmero de cifras que sean menor que el dato dado.

Aproximacin por exceso, es el numero con las cifras decimales fijados

inmediatamente mayor.

http://www.algoritmia.net

1.2 TIPOS DE ERRORES: ERROR ABSOLUTO, ERROR RELATIVO,

ERROR PORCENTUAL, ERRORES DE REDONDEO Y
TRUNCAMIENTO.

DEFINICIN DE ERROR

Los errores numricos se generan con el uso de aproximaciones para

representar las operaciones y cantidades matemticas. Esto incluye
errores de truncamiento que resultan de representar aproximadamente
un procedimiento matemtico exacto, y los errores de redondeo, que
resultan de presentar aproximadamente nmeros exactos. Para los tipos
de errores, la relacin entre el resultado exacto o verdadero y el
aproximado esta dado por:
Valor verdadero = valor aproximado + error ( Ec.1 )
Reordenando la ecuacin Ec.1, se encuentra que el error numrico es igual a la
diferencia entre el valor verdadero y el valor aproximado esto es:
Ev = valor verdadero valor aproximado
Donde Ev se usa para redondear el valor exacto del error. Se incluye el subndice v
para dar a entender que se trata del verdadero error. Un defecto es que muchas
veces no se toma en consideracin el orden de magnitud del valor que se esta
probando. Por ejemplo, un error de un centmetro es mucho mas significativo si se esta
midiendo un remache que un puente. Una manera de medir las magnitudes de las
cantidades que se estn evaluando es normalizar el error respecto al valor verdadero,
como en:
Error relativo fraccional = error / valor verdadero
Donde:

Error = valor verdadero valor aproximado.

El error relativo tambin se puede multiplicar por el 100% para expresarlo como
Ev = (error verdadero/ valor verdadero ) 100; Donde Ev denota el error relativo
porcentual. El subndice v significa la normalizacin del error al valor verdadero.
Para los mtodos numricos el valor verdadero nicamente se conocer cuando se
habla de funciones que se pueden resolver analticamente. Sin embargo, en
aplicaciones reales, no se conoce la respuesta verdadera. En estos casos, normalizar el
error es una alternativa usando la mejor estimacin posible del valor verdadero, esto
es a la aproximacin misma, como:
Ea = (error aproximado/ valor aproximado) 100
Donde el subndice a significa que el error est normalizado a un valor aproximado.
Uno de los retos a que se enfrentan los mtodos numricos es el de determinar
estimaciones del error en ausencia de conocimiento de los valores verdaderos. El error
se calcula como la diferencia entre la aproximacin previa y la actual. Por lo tanto, el
error relativo porcentual est dado por:
Ea =abs( ((aproximacin actual- aproximacin previa )/ aproximacin actual)
100)
Si se cumple la relacin anterior, entonces se considera que el resultado obtenido esta
dentro del nivel aceptable, es decir, aun error previamente fijado(Es).
ERRORES DE REDONDEO
Los errores de redondeo se deben a que las computadoras solo guardan un numero
finito de cifras significativas durante un calculo. Las computadoras realizan esta funcin
de maneras diferentes; esta tcnica de retener solo los primeros siete trminos se
llam truncamiento en el ambiente de computacin. De preferencia se llamara de
corte, para distinguirlo de los errores de truncamiento. Un corte ignora los trminos
restantes de la representacin decimal completa. La mayor parte de las computadoras
tienen entre 7 y 14 cifras significativas, los errores de redondeo pareceran no ser muy
importantes. Sin embargo, hay dos razones del por qu pueden resultar crticos en
algunos mtodos numricos:
1) Ciertos mtodos requieren cantidades extremadamente grandes para obtener una
respuesta. Adems, estos clculos a menudo dependen entre si, es decir, los clculos
posteriores son dependientes de los anteriores. En consecuencia, aunque un error de
redondeo individual puede ser muy pequeo, el efecto de acumulacin en el transcurso
de la gran cantidad de clculos puede ser significativo.
2) El efecto de redondeo puede ser exagerado cuando se llevan a cabo operaciones
algebraicas que emplean nmeros muy pequeos y muy grandes al mismo tiempo. Ya
que este caso se presenta en muchos mtodos numricos, el error de redondeo puede
resultar de mucha importancia.
ERRORES DE TRUNCAMIENTO

Los errores de truncamiento son aquellos que resultan al usar una aproximacin en
lugar de un procedimiento matemtico exacto. Estos tipos de errores son evaluados
con una formulacin matemtica: la serie de Taylor.
Taylor es una formulacin para predecir el valor de la funcin en Xi+1 en trminos de
la funcin y de sus derivadas en una vecindad del punto Xi.
Siendo el trmino final:
Rn= (((n+1) ())/(n+1)!)hn+1

En general, la expansin en serie de Taylor de n-simo orden es exacta

para un polinomio de n-simo orden. Para otras funciones continuas
diferenciables, como las exponenciales o senoidales, no se obtiene una
estimacin exacta mediante un nmero finito de trminos. Cada una de
los trminos adicionales contribuye al mejoramiento de la aproximacin,
aunque sea un poco.
BIBLIOGRAFIA:
Ed MC GRAW-HILL . Mxico 1995. 641 pp.
METODOS NUMERICOS APLICADOS A LA INGENIERIA. Nieves Hurtado,
Antonio, Et al.
Ed. Continental. Segunda reimpresin. Mxico 1997. 602pp
METODOS NUMERICOS.Rafael Iriarte V. Balderrama
Ed. trillas. Primera edicin. Mxico 1990

1.3 CONVERGENCIA

El lmite de una sucesin es uno de los conceptos ms antiguos del anlisis

matemtico. El mismo da una definicin rigurosa a la idea de una sucesin que se
va aproximando hacia un punto llamado lmite. Si una sucesin tiene lmite, se dice
que es una sucesin convergente, y que la sucesin converge o tiende al lmite. En
caso contrario, la sucesin es divergente.
La definicin significa que eventualmente todos los elementos de la sucesin se
aproximan tanto como queramos al valor lmite. La condicin que impone que los
elementos se encuentren arbitrariamente cercanos a los elementos

subsiguientes no implica, en general, que la sucesin tenga un lmite (Vase sucesin

de Cauchy).
Qu se entiende por prximo da lugar a distintas definiciones de lmite dependiendo
del conjunto donde se ha definido la sucesin.

Sistemas de ecuaciones lineales (SEL)

Introduccin
lineales (SEL). Estos algorimos trabajan directamente sobre la matriz aumentada del
sistema, Se denomina ecuacin lineal de la forma Ax=b a aquella que tiene la forma de un
polinomio de primer grado, es decir, las incgnitas no estn elevadas a potencias, ni
multiplicadas entre s, ni en el denominador. Por ejemplo, 3x+2y+6z= 6 o bien 3x 1 - 2x2 +
6x3= 3, es la representacin de una ecuacin lineal con tres incgnitas. Como se sabe, las
ecuaciones lineales con 2 incgnitas representan una recta en el plano. Si la ecuacin
lineal tiene 3 incgnitas, su representacin grfica es un plano en el espacio.
Para el estudio de los sistemas de ecuaciones lineales, es decir, un conjunto de varias
ecuaciones lineales. Se dice que dos ecuaciones son equivalentes si tienen las mismas
soluciones, o geomtricamente representan la misma recta o plano.
De manera general, un (SEL) es un conjunto de ecuaciones de la forma Ax = b:
a11 x1 + a12 x2 + a13 x3 + + a1n xn = b1
a21 x1 + a22 x2 + a23 x3 + + a2n xn = b2
.
.
. + . . . + ..
am1 x1 + am2 x2 + am3 x3 + + amnxn = bm
donde:
aij = Coeficientes del sistema
xi = Incgnitas (o variables a determinar)
bj.......bm = Trminos independientes.
m = Numero de ecuaciones
n = Nmero de incgnitas.
Resolver el sistema. Consiste en calcular las incgnitas para que se cumplan o
satisfaga TODAS las ecuaciones del sistema simultneamente.

Expresin matricial de un sistema

Cualquier sistema de ecuaciones lineales se puede expresar en forma matricial,
podramos considerar el SEL mostrado anteriormente, el cual quedara del modo:

a11 a12 a13

a21 a22 a23
.
.
.
.
.
.
.
.
.
a m 1 am 2 am 3

a1 n
a2 n

..

amn
x1
b1
x2
b2
[ ] . = .
.
.
.
.
xn
bn
.
.

A
x = b
Donde:
aij = Matriz de coeficientes de las variables del SEL
xi..xn = vector de variables del sistema
b1.bn = vector de variables independientes del sistema

Tipos de sistemas
En general, buscaremos las soluciones de los sistemas en los nmeros reales R.
dependiendo del posible nmero de las soluciones reales que tenga un sistema, estos se
pueden clasificar en:
INCOMPATIBLES (No tienen solucin) S.I.
COMPATIBLES (Tienen solucin), estos a su vez se subdividen en
DETERMINADOS (Solucin nica) S.C.D.
INDETERMINADOS (Infinitas soluciones) S.C.I.

3. Mtodos para la solucin de sistemas de ecuaciones

lineales
Para la solucion de sistemas de ecuaciones lineales, existen una infinidad de
metodos en este curso unicamenete trabajaremos los siguientes:
3.1 Mtodo de eliminacin Gaussiana
3.2 Mtodo de Gauss-Jordan
3.3 Regla de Cramer
3.4 Mtodo de Gauss-Seidel
3.5 Mtodo de Jacobi
3.6 Mtodo de Montante
3.7 Mtodo de descomposicin LU

3.1 Mtodo de eliminacin Gaussiana.

El mtodo de eliminacin Gaussiana para la solucin de sistemas de
ecuaciones lineales consiste en convertir a travs de operaciones bsicas
llamadas operaciones de rengln columna un sistema en otro equivalente ms
sencillo cuya respuesta pueda leerse de manera directa. El mtodo de
eliminacin Gaussiana es el mismo para sistemas de ecuaciones 22, 33,
44, siempre y cuando se respete la relacin de al menos una ecuacin por
cada variable, es decir que sean cuadrados.
El Algoritmo de Gauss o Eliminacin gaussiana consta de los siguientes pasos:
Paso 1. Antes de iniciar la solucin del (SEL), es necesario representarlo en
forma de matriz y determinar si tiene o no solucin. Una forma de saber es
calcular el Determinante del SEL, si el resultado del determinante es de cero
entonces el sistema tiene una solucin nica, por lo que se procede a su
solucin.
Paso 2. Se toman los elementos de la diagonal principal, es decir a11,a22,a33,
,anm, como elementos pivotes para hacer ceros los elementos que estn por
debajo de estos. Si el elemento pivote es igual a cero, entonces se procede a
intercambiarla por otra fila que no tenga cero en la posicin del pivote.

|)

a 11 a12 a13 b 1
a 21 a22 a23 b 2
a 31 a32 a33 b 3

Paso 3. A continuacin se toma el cociente (-a 21/a11) como un factor para

multiplicar la fila pivote y sumarla al rengln donde esta a 21, de tal forma que
los elementos a21,a31,..an1 sean ceros, sumando mltiplos adecuados a los
renglones que estn por debajo del pivote a 11.
Paso 4. Tome el siguiente pivote y obtenga el factor (-a 32/a22) y cubra el rengln
y la columna de trabajo y repita el proceso iiciado en el paso 2. Al termino del
ciclo entre el paso 2 al 4 (es decir cuando se han barrido todos los renglones),
la matriz deber tener forma de escaln.

|)

a11 a 12 a13 b1
0 a 22 a23 b2
0 0 a33 b3

5. Comenzando con el ltimo rengln no cero avance hacia arriba para que en
cada rengln obtenga un valor de las variables realizando la tcnica de
sustitucin hacia atrs.
Ejemplo 1. Dado el siguiente SEL determine los valores de x1,x2 y x3
que satisfagan al sistema

4 x 1 6 x2 +5 x 3 1
8 x 1 +2 x2 x 3 3
7 x 1 3 x 2 6 x 3 5
Normalmente un (SEL), se representa como sigue:

a13 x3 b1
a11 x 1+ a21 x 1 + a31 x 1 + a12 x 2 + a22 x 2 + a32 x 2 + a23 x3 b2

a33 x3 b3

Para solucionar el sistema anterior este se expresa en forma de matriz

aumentada como se muestra a continuacin, se toman los coeficientes
de las ecuaciones

|)

4 6 5 1
Matriz aumentada A= 8
2 1 3
7 3 6 5

Paso 2

Paso1

8
4 6 5 1 ( )fi+f 2
4
A= 8
2 1 3
7 3 6 5 7 f 1+ f 3
4

| )()

8
4 6 5 1 ( )fi+f 2
4
A= 0
2 1 3
7
0 3 6 5 f 1+ f 3
4

| )()

8
4 6 5 1 ( )fi+f 2
4
A= 8
2 1 3
7
7 3 6 5 f 1+ f 3
4

| )()

ELIMINACIN GAUSSIANA. Mediante Maple

Ejemplo 2. Resuelva el siguiente SEL por el mtodo de:Gauss bsico y encuenre los vlaores para x1,x2 y x3
tales que satisfagan al sistema

2 x 1 x 2 1 x 3 1
x 1
x2
2 x 3 3
x1 2 x2 3 x 3 5
> with(linalg):
> A:=matrix([[2,-1,-1],[-1,1,-2],[1,-2,3]]):
> b:=vector([1,3,5]);

> A=evalm(A),cambio_fila_2y3=swaprow(A,2,3),cambio_columna_1y3=swapcol(A,1,3);

Para multiplicar todos los elementos de una fila, o de una columna, por un escalar se utilizan los comando
mulrow y mulcol, respectivamente, del paquete linalg. Como argumentos se dan la matriz, la posicin de la
fila o columna y el escalar:

> A=evalm(A),fila2por3=mulrow(A,2,3),columna3por_k=mulcol(A,3,k);

Tambin es posible multiplicar todos los elementos de una fila, o columna, por un escalar y sumar el resultado
a otra fila, o columna. Para esto se utilizan los comando addrow y addcol, respectivamente, del paquete

linalg. Como argumentos damos la matriz; la posicin de las fila, o columna, que va a ser multiplicada; la
posicin de la fila, o columna, a la que vamos a sumar la anterior; y el valor del escalar:

> A=evalm(A),fila1+fila2_por3=addrow(A,2,1,3),col3+col1_por(-1)=addcol(A,1,3,-1);

Con todos estos comandos podemos triangular una matriz dada. Por ejemplo:

> A=evalm(A);
> A1:=swaprow(A,1,3):A2:=addrow(A1,1,2,1):A3:=addrow(A2,1,3,-2):
> swapfil1y3=evalm(A1),fila2+fila1por(1)=evalm(A2),fila3+fila1por(-2)=evalm(A3);
> A4:=addrow(A3,2,3,3):fila3+fila2por3=evalm(A4);restart:

De todas formas MAPLE es capaz de hacer todo este proceso por s solo, con el comando gausselim
(eliminacin gaussiana) del paquete linalg, que recibe como parmetro la matriz inicial:

> with(linalg):A:=matrix([[2,-1,-1],[-1,1,-2],[1,-2,3]]);gausselim(A);restart:

Matrices
Definicin de matrices
Una forma de manejar matrices en Maple es por medio del paquete LinearAlgebra, el cual
contiene un conjunto de funciones para manejo de vectores y matrices, as como para
realizar diversos clculos de lgebra Lineal. Este paquete puede cargarse en memoria
por medio de la with. Por otro lado, una manera de definir una matriz es por medio de la
instruccin Matrix (la cual no pertenece a ningun paquete). sta proporciona varias
formas de crear matrices, una de ellas es:
A:=Matrix([ [a11, a12, ..., a1n], [a21, a22, ..., a2n], ... [am1, am2, ..., amn] ]);
Ejemplo: >A:=matrix([[2,-1,-1],[-1,1,-2],[1,-2,3]]):
A:= Matrix(m, n, [ [a11, a12, ..., a1n], [a21, a22, ..., a2n], ... [am1, am2, ..., amn] ]);
Ejemplo: >A:=matrix(3,3,[2,-1,-1],[-1,1,-2],[1,-2,3]);
A:=Matrix(1..m, 1..n, [ [a11, a12, ..., a1n], [a21, a22, ..., a2n], ... [am1, am2, ..., amn] ])
Ejemplo: >A:= matrix(1..3,1..3,[[2,-1,-1],[-1,1,-2],[1,-2,3]]);

Dimensionado de una matriz de m filas y n columnas por medio de la funcin

array
A:=array(1..m,1..n,[[A11A1n],[A21,A2n],,[Am1,,Amn])
ejemplo: > A:=array(1..2,1..3,[[2,-7,4],[5,8,-11]]);
En estas expresiones, A es la variable a la que se le asigna la Matriz, aunque se puede
utilizar cualquier letra o combinacin del alfabeto, aij representa el elemento del
rengln i-esimo y la columna j-esima de la matriz.
En el primer caso, al no incluirse las dimensiones, stas son calculadas por el nmero
de elementos proporcionados.
Las siguientes dos formas muestran maneras diferentes de especificar las dimensiones.
Al igual que en el caso de los vectores, tambin podemos usar la siguiente notacin
abreviada para la creacin de este tipo de estructuras:
A:=<<a11, a12, ..., a1n> , <a21, a22, ..., a2n> , ... , <am1, am2, ..., amn>>
para la creacin de una matriz por columnas, o bien:
A:=<<a11 , a12 , ... , a1n>, <a21 , a22 , ... , a2n>, ... , <am1 , am2 , ... , amn>>
para construirla por renglones.

Podemos intercambiar filas y columnas en una matriz con los comandos swaprow y swapcol,
respectivamente, del paquete linalg. Ambos comandos deben recibir como argumento la matriz y la posicin
de las filas, o columnas, que vamos a intercambiar-

Pivoteo de una matriz

Podemos elegir en una matriz un elemento pivote. Pivotar una matriz con respecto a un elemento supone
conservar la fila del elemento tal y como est, pero anular los dems elementos de la columna del pivote
(sumando a cada fila la del elemento pivote multiplicada por el escalar apropiado). El comando de MAPLE
para pivotar una matriz es pivot, del paquete linalg, que recibe como argumentos la matriz y la posicin del
elemento pivote:

> A:=matrix([[2,-1,-1],[-1,1,-2],[1,-2,3]]):
> with(linalg):
> A=evalm(A),pivote2,3=pivot(A,2,3);
> restart:
Warning, new definition for norm
Warning, new definition for trace

RANGO
Podemos obtener el rango de una matriz con el comando rank, del paquete linalg:

> A:=matrix([[1,2,3],[4,5,6],[2,4,6]]):
> with(linalg):
> A=evalm(A),rango=rank(A),eliminacion_gaussiana=gausselim(A);
> restart:

DETERMINANTES

1.7. Determinantes: definicin

y
Teoremade Cauchy-Binet.

propiedades.

Para saber lo que son los determinantes, volvamos a estudiar vectores en el

plano. Supongamos que tenemos dos vectores v1 = (a,b) y v2 = (c,d). Estos
vectores definen un paralelogramo, cuyos vrtices son los puntos (0,0), (a,b),
(c,d) y (a + c,b + d). Pues bien, el rea de este paralelogramo es:
A = ad bc.
En efecto, si dibujamos el paralelogramo, podemos ir transformndolo (como
en el dibujo), manteniendo siempre su rea, hasta obtener un rectngulo.

La base de este rectngulo es a. Por tanto, para hallar su rea solo hay que
conocer su altura. Pero la altura nos la da el punto de corte, con el eje y, de la
recta que une (c,d) con (a+c,b+d). O ms fcilmente, de la recta que pasa por
(c,d) con direccin (a,b). La ecuacin de esta recta es:
.
Como buscamos el punto de corte con el eje y, imponemos que x = 0, y
obtenemos la altura:
.
Por tanto, el rea del paraleleppedo original es:

Podemos entonces definir el determinante de una matriz 2 2, como el rea

del paralelogramo definido por sus vectores fila. El determinante de una matriz
A se denota det A, o bien cambiando los parntesis que delimitan la matriz por
segmentos verticales. Es decir:

Esta definicin se puede extender a matrices de tamao mayor. Por ejemplo, el

determinante de una matriz 3 3 es el volumen del paraleleppedo
determinado por sus vectores filas. En este caso, se tiene la conocida formula:

.
Si agrupamos estos sumandos, sacando factor comun las variables a1,b1,c1,
obtenemos lo siguiente:

.
Es decir, podemos definir los determinantes de matrices 3 3 usando los
determinantes de matrices 2 2. Este proceso se puede generalizar, dando
lugar a la definicion del determinante de una matriz n n. Primero hay que
definir lo siguiente:

Dada una matriz cuadrada A Mnn, llamamos submatriz

complementaria de aij, y la denotamos Mij, a la matriz que se obtiene
de A al eliminar su fila i y su columna j.
Llamamos menor-(i,j) de A al determinante det(Mij).

Usando estos menores, podemos definir el determinante de una matriz 3 3

como:

.
Para ahorrarnos notacion y problemas de signos, definimos lo siguiente:

Dada una matriz cuadrada A Mnn, llamamos adjunto o cofactor del

elemento aij al escalar Aij = (1)i+j det(Mij).

El factor (1)i+j simplemente nos da un signo, que vara si se aumenta i o j en

una unidad. Por tanto, podemos volver a definir el determinante de una matriz
3 3 como:

det(A) = a11A11 + a12A12 + a13A13.

Recordemos que, aunque usamos letras mayusculas por ser la notacion cl
asica, los adjuntos son escalares.
Observemos que el adjunto no esta bien definido, porque solo sabemos la
definicion de los determinantes de matrices 22 o 33. Pero ahora ya
podemos generalizar sin problemas el concepto de determinante:

Dada una matriz A = (a11) M11, se define el determinante de A como

det(A) = det(a11) = a11.
Dada una matriz cuadrada A Mnn, con n > 1, se llama determinante
de A, y se denota det(A) o |A|, al escalar definido por:
det(A) = a11A11 + a12A12 + + a1nA1n.
Esta forma de definir el determinante se llama desarrollo por la primera
fila. Observemos que, ahora s, tanto los determinantes como los adjuntos est
an bien definidos, ya que para definir el determinante de una matriz de orden
n (es decir, nn), se necesitan adjuntos de orden n1. Para estos, se
necesitan determinantes de orden n1, y as sucesivamente, hasta llegar a
los determinantes de orden 1, que estan bien definidos por s mismos. Esto
es lo que se llama una definicion recurrente.
En este tema veremos que los determinantes tienen muchas aplicaciones. Ya
hemos visto, por ejemplo, que sirven para calcular areas de trapecios y volu
menes de paraleleppedos. Pero tambien se pueden usar para resolver
sistemas lineales, comprobar si una matriz es invertible, e incluso calcular su
inversa. Comencemos viendo algunas propiedades importantes sobre las
columnas de una matriz y su determinante

DETERMINANTE DE UNA MATRIZ

El determinante de una matriz A(n,n) (cudrrada), es un escalar o polinomio, que
resulta de obtener todos los productos posibles de una matriz de acuerdo a una
serie de restricciones, siendo denotado como |A|. El valor numrico es conocido
tambin como mdulo de la matriz.
(Nota: En matrices de segundo y tercer orden suele ser utilizado el mtodo
conocido como regla de Sarrus.)
Una de las formas ms simple de obtener el determinante es el mtodo de
cofactores.

Algoritmo:

siendo n igual al nmero de columnas, y Aij es el resultado de eliminar la fila i

y la columna j de la matriz original.
Ejemplo de un determinante de segundo orden:
Utilizando el algoritmo de los cofactores y teniendo en cuenta que i es siempre
1, obtendremos :
paso 1 a11 =1, al eliminar la fila 1 y columna 1 de la matriz obtenemos |4|,
mientras en la suma de los subndices de a 11, son i+j=2 ,con lo cual se multiplica
el coeficiente a11=1*4=4
paso 2: a12=3 mientras la eliminacin de la fila 1 y columna 2 da como
resultado |6| y la suma de los subndices i+j=3*-6=18.

es decir ...

Para calcular el valor de un determinante MAPLE tiene el comando det del paquete linalg. Como argumento
damos la matriz (cuadrada evidentemente) cuyo determinante queremos hallar.

> A:=matrix([[1,0,2],[-2,-4,5],[0,1,-1]]);
> with(linalg):
> Det(A)=det(A);
> restart:

Mtodo de descomposicin L.U

El mtodo de descomposicin LU para la solucin de sistemas de ecuaciones lineales debe
su nombre a que se basa en la descomposicin de la matriz original de coeficientes (A) en
el producto de dos matrices (L y U), es decir el (SEL) se representa por Ax=b, po lo que al
descomponer A = LU, la representacin anterior queda LUx = b:
Donde:

L - Matriz triangular inferior

U - Matriz triangular superior con los elementos de la diagonal principal = a 1
x= vector de variables del sistema
b= vector de trminos independientes del sistema.

De lo anterior, para un sistema de ecuaciones lineales de 3x3 se tiene:

a13 x3 b1
a11 x 1+ a21 x 1 + a31 x 1 + a12 x 2 + a22 x 2 + a32 x 2 + a23 x3 b2
a33 x3 b3
El sistema anterior representado en forma matricial quedara como sigue:

][ ] [ ]

a11 a 12 a13 x 1
b1
A= a21 a 22 a23 x 2 = b2
a31 a 32 a33 x 3
b3

Para la solucin del sistema antes planteado es necesario saber si tiene o no solucin, para
la cual calculamos su determinante o rango de la matriz, si el valor del determinante es
distinto de cero, tiene solucin nica.
Repaso de matrices, determinantes y sistemas de ecuaciones lineales
Si tenemos un (SEL) como el que se muestra enseguida:

x1

3 x 2 2 x 3 4

4 x1
4 x1

x 2
3 x2

2
5 x3 1

Representado en forma matricial quedaria:

1 3 2
A= 4 1 0
4 3 5

el determinante es de tercer orden, siendo desarrollado por cofactores quedara

despus de lo cual resolveramos el siguiente nivel, resultando ...

y por tanto ...

|A| = 1(5)-(-3)(-20)+(-2)(16) = -87
Cuando el determinante de una matriz resulta igual a 0 se dice que la matriz
es no singular.

Uso de las propiedades para calcular determinantes de alto orden.

Al utilizar las operaciones elementales sobre renglones, se puede reducir un determinante a
una forma mas fcil de evaluar. Si se reduce a una forma triangular superior o inferior, el
determinante es el producto de los elementos de la diagonal principal. Al hacerlo hay que
tomar en cuenta las propiedades 3, 5 y 6, como en el siguiente ejemplo.
Ejemplo 10.

Calcular el determinante de la matriz A de

2 0
3 1
A
0 2

1 3

4
1
4
2

4 4

4
0
1

Simplificamos el clculo del determinante de A reduciendo por renglones

2 0
3 1

0 2

1 3

4
1
4
2

4
0
1

P14

1 3
3 1

0 2

2 0

2
1
4
4

2
0

1 3
2 2

0 10 5 6

0 2
4 1

2 R1 R4
0 6 0 0
3R1 R2

3R1 R2
Entonces, la permutacin P14 cambia el signo de det A , las operaciones
2R1 R4
no cambian el valor del determinante.
De esta forma
1 3
2 2
0 10 5 6
det A ( 1)
0 2
4 1
0 6 0 0

Se podra seguir reduciendo a la forma triangular, pero observando que hay varios ceros en
el tercer rengln resulta fcil desarrollar por cofactores, primero de la primera columna, y
despus del tercer rengln:
10 5 6
A (1)(1) 2

1 ( 1)(1)(6)

5 6
( 1)(1)(6)[(5)(1) (4)(6)] 114
4 1

Problema: El aire puro est compuesto esencialmente por un 78 por ciento de nitrgeno,
un 21 por ciento de oxgeno y un 1 por ciento de argn. Para poder realizar un
experimento en el planeta Marte, se dispone de una habitacin que queremos llenar con
1000 litros de aire puro para los astronautas.
Para ello, la habitacin se encuentra alimentada por tres tanques llenos de nitrgeno,
oxgeno y argn en la siguiente proporcin:
T1. 50 por ciento de nitrgeno y 50 por ciento de oxgeno.
T2. 80 por ciento de nitrgeno y 20 por ciento de oxgeno.
T3. 60 por ciento de nitrgeno, 30 por ciento de oxgeno y 10 por ciento de argn.
Calcular la cantidad de litros necesaria de cada tanque para que la mezcla resultante
produzca la cantidad buscada de 1000 litros de aire puro dentro de la habitacin.
Solucin:
Llamemos x = cantidad de litros necesaria de T1, y = cantidad necesaria de T2 y z =
cantidad necesaria de T3. Segn la composicin de los tanques, la cantidad total de cada
gas que tenemos en la mezcla es:

0.5 x +0.8 y + 0.6z de nitrgeno

0.5 x +0.2 y + 0.3z de oxgeno
de argn
0
0
0.1z
Por otro lado, las cantidades totales de estos gases que queremos obtener son las
correspondientes a 1000 litros de aire puro, es decir, 780 litros de nitrgeno, 210 litros de
oxgeno y 10 litros de argn.
Por tanto, las cantidades buscadas x, y, z deben satisfacer el siguiente (SEL):

0.5 x +0.8 y + 0.6z 780

0.5 x +0.2 y + 0.3z 210
0
0
0.1z 10
El conjunto de ecuaciones anterior es un caso particular de los llamados sistemas de
ecuaciones lineales que se puede resolver por algn mtodo de solucin de (SEL), que se
estudiara en este cuadernillo. La solucin de al SEL anterior es fcil de calcular y resulta
lo siguiente: x = 0, y = 900, z = 100. En definitiva, para producir 1000 litros de aire puro
debemos llenar la habitacin con 900 litros del tanque 2 y 100 litros del tanque 3.

el determinante calculado por la regla de Sarrus se muestra enseguida, los valores se

obtienen de la matriz de coeficientes del SEL:
det(A)=

][

][

a11 a 12 a13
l 11 0 0
1 u12 u13
A= a21 a 22 a23 =L l 21 l 22 0 U 0 1 u23
a31 a 32 a33
l 31 l 32 l 33
0 0
1

Si efectuamos la multiplicacin de L y U, igualando los elementos de ese producto con los

de la matriz A correspondientes, se obtiene que:
a 11=l 11
a 12=l11 u12
a13=l 11 u13
a21=l 21 a 22=l 21 u12+l 22
a 23=l 21 u13+ l 22 u23
a31=l 31 a 32=l 31 u12+l 32 a33=l 31 u13 +l 32 u23 +l 33
De aqu que los elementos de L y U son, para el caso de matices de orden 3 quedara:

l 11 =a11

l 22=a22l 21u12

l 21 =a21

l32=a32l 31 l 12

l 31 =a31 l 33=a 33l 31 u13l 32 l 23

u12=a12 /l 11
a
u13= 13
l 11
u23=( a23l 21 u13 ) /l 22

Si el sistema de ecuaciones original se escribe como: A x = b, lo cual resulta lo mismo

escribir: L.Ux = b
Factorizando lo anterior podemos escribir: L.Y = b, sabiendo que Y es un vector de paso
donde tendramos que calcular y1,y2,.,yn.
por lo que la ecuacin L.Y=b quedara:

{[ ] [ ] [ ]}
l 11 0 0
y1
b1
l 21 l22 0 y 2 = b2
l 31 l32 l 33
y3
b3

Resolviendo para yi, encontramos.

y 1=b 1 /l 11 ,

y 2=b2 /( l 21 y 1 +l 22) ,

y 3= ( b 3l 31 y 1l 32 y 2 ) /l 33

El algoritmo de solucin, una vez conocidas L, U y b, consiste en encontrar los valores de

"Y" por sustitucin progresiva, conocida como sustitucin hacia adelante sobre "L Y = b".
En segundo lugar se resuelve "U x = y " por sustitucin regresiva o sustitucin hacia atrs
para encontrar los valores de "x", lo anterior se expresara como:

{[ ] [ ] [ ]}
1 u 12 u13
x1
y1
0 1 u23 x 2 = y 2
0 0
1
x3
y3

Obteniendo: x 3= y 3 , x 2= y 2 u

23 3

x1 = y 1u12 x 2u13 x 3

La determinacin de los elementos de las matrices L y U se realizan eficientemente

aplicando una forma modificada del mtodo de eliminacin de Gauss.

Se observa que el mtodo de descomposicin LU opera slo sobre la matriz de coeficientes,

sin modificar el vector de trminos inependientes(en este caso b), por lo que resulta
superior al mtodo de eliminacin gausiana.
Ejemplo 1.
Resolver el siguiente sistema de ecuaciones, factorizando la matriz en LU:

=
Las matrices de factores L y U de A son:

L=

U=

El primer paso es resolver la ecuacin L Y = b por sustitucin progresiva para obtener los
elementos del vector auxiliar Y:

=
Donde

El segundo paso es resolver la ecuacin U X = Y para encontrar los elementos de X, por

sustitucin regresiva:

=
De donde se obtiene: