Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MNP Cap3 Imp PDF
MNP Cap3 Imp PDF
Todo esto sin lugar a dudas torna importante el estudio de sistemas de ecuaciones lineales
desde el punto de vista numrico. Pero la resolucin de sistemas de ecuaciones lineales no
slo tiene importancia propia, sino que constituye tambin una herramienta indispensable en
la resolucin de sistemas de ecuaciones no lineales. Ms an, es la base para la resolucin
de muchos otros problemas que surgen en diferentes reas, tales como en optimizacin y
ecuaciones diferenciales.
1. Solucin nica
3x1 + 2x2 = 10 x1 4
= =
x1 x2 = 5 x2 1
2. Soluciones infinitas
3x1 3x2 = 15 x1 5+t
= = , t5R
x1 x2 = 5 x2 t
3. Ninguna solucin
2x1 2x2 = 8
x1 x2 = 5
35
CAPTULO 3. RESOLUCIN DE SISTEMAS LINEALES 36
Las anteriores ecuaciones representan rectas, un punto que satisface ambas ecuaciones al
mismo tiempo deber estar en la interseccin de ambas rectas (figura 3.1).
Por otro lado, cuando tenemos 3 variables, cada ecuacin representara un plano, un punto
que satisface tres ecuaciones de un sistema simultneamente estar en la interseccin de tres
planos. Para el caso n-dimensional, la situacin es anloga, pero el conjunto definido por cada
ecuacin se denomina n-hiperplano.
Ax = b (3.2)
b = a1 x1 + ... + an xn
Por esta razn, al conjunto Im (A) tambin se le conoce como espacio columna de A. En
consecuencia, la dimensin de la imagen de A, denotada por dim (Im (A)), est determinada
por el mximo nmero de columnas linealmente independientes de A.
Una manera prctica de encontrar el rango (A) consiste en determinar el mayor nmero de
columnas linealmente independientes de A. En lgebra Lineal se conoce que rango (A) =
rango (At ), por consiguiente, para encontrar el rango (A) basta determinar tambin el mayor
nmero de filas linealmente independientes de A, esto ltimo suele ser de gran ayuda en muchos
casos.
2. Si m > n, aunque rango (A) = n, el sistema puede no tener solucin, debido a que es
muy frecuente que b 65 Im (A).
Los mtodos para resolver sistemas de ecuaciones lineales de nn pueden ser de dos tipos,
directos e iterativos.
Directos: Si la solucin existe, otorgan la solucin exacta del sistema lineal despus de un
nmero finito de operaciones, excepto errores de redondeo.
Iterativos: Dada una aproximacin inicial x0 , generan una sucesin de vectores {xk } k=0 . Si
la solucin existe, bajo ciertas condiciones, esta sucesin converge a la solucin.
alrededor de n2 operaciones elementales por cada iteracin1 , eso los torna ms viables en la
resolucin de sistemas de ecuaciones lineales de grandes dimensiones2 .
det (Aj )
xj = j = 1, ..., n (3.3)
det (A)
donde Aj es la matriz que resulta de reemplazar la j-columna de A por b.
Ejercicio 3.2 El determinante de una matriz real cuadrada de orden n est definido por
X
n
det (A) = (1)j+1 a1,j det (A [1, j]) (3.4)
j=1
operaciones aritmticas.
CAPTULO 3. RESOLUCIN DE SISTEMAS LINEALES 41
Basados en los ejercicios 3.3 y 3.6, podemos decir que el procedimiento de Gauss para
resolver sistemas de ecuaciones lineales de n n requiere en total
2 2 3 1 2 7 2 3 1
n +n1 + n + n n = n3 + n2 n 1 (3.8)
3 2 6 3 2 6
operaciones aritmticas. Debido al predominio del trmino de mayor grado, tambin se dice
que el procedimiento de Gauss realiza un nmero de operaciones elementales del orden 23 n3 ,
y se representa por O( 23 n3 ).
Aplicando el Algoritmo 3.2, para k = 1, los multiplicadores respectivos son m2,1 = 2, m3,1 = 1
y m4,1 = 1, de donde:
5 6 5 6
1 2 3 0 2
9 0 2 2 10 : 9 0 :
A(1) = 97 0
: y b(1) =9 :
1 5 1 8 7 4 8
0 2 3 2 2
0 0 1 8 2
Resta slo aplicar el Algoritmo 3.1 para resolver el sistema triangular superior A(3) x = b(3) ,
de donde obtuvimos 5 6
6/7
9 25/7 :
x=9 7 10/7 8
:
3/7
CAPTULO 3. RESOLUCIN DE SISTEMAS LINEALES 43
Un inconveniente que puede suceder en la aplicacin de los algoritmos 3.2 y 3.1, es el clculo
del multiplicador mi,k , pues se necesita que ak,k 6= 0 en cada iteracin. Pero el simple hecho
que ak,k sea pequeo puede ocasionar que el multiplicador mi,k tome valores inmensamente
grandes, lo que puede ocasionar a su vez el mal condicionamiento5 del sistema.
Ejemplo 3.2 (Sistema mal condicionado) Utilice algn lenguaje de programacin para
implementar los algoritmos 3.2 y 3.1, y resuelva el siguiente sistema de ecuaciones:
11x1 + 2x2 = 5
1016 x1 + 0.5x2 = 9
Este fenmeno se debe a que el pivote A1,1 = 11, cuando comparado con A2,1 = 1016 , es muy
pequeo. Observe que en estas condiciones, el multiplicador
a2,1 1016
m2,1 = =
a1,1 11
es muy grande, lo que ocasionar impresiciones en los clculos siguientes, pues el computador
trabaja con precisin finita.
Para cuantificar el tamao de vectores, usaremos la norma vectorial eucldea7 kk. As, la
medida de b relativa a b es kbk / kbk, mientras que la medida de ^ ^ es dada
x relativa a x
5
La matriz A tiende a ser no inversible en la prctica, aunque en teora lo sea. Esto puede producir
imprecisiones en los clculos realizados por el computador.
6
Se utiliz el MatLab
q 6.0 sobre el Windows XP, 32bits.
7
Si x 5 Rn , kxk = x21 + ... + x2n .
CAPTULO 3. RESOLUCIN DE SISTEMAS LINEALES 44
por k^
xk / k^
xk. Por lo tanto, en trminos ms precisos, esperamos que cuando kbk / kbk sea
pequeo, entonces k^ xk / k^
xk tambin lo sea.
y = b + b = A (^
A^ x + ^
x) = b + b = A (^ x = A1 (b)
x) = b = ^
kAxk
Considerando la norma matricial inducida por la vectorial, kAk = maxx6=0 kxk
, tenemos
^ xk = A1 (b) A1 kbk
x = A1 (b) = k^ (3.10)
Si cond (A) es grande, diremos que la matriz es mal condicionada, caso contrario, ella ser
bien condicionada.
Ejercicio 3.7 Mostrar que, si kk es una norma matricial inducida por la norma vectorial
eucldea en Rn , cond (A) 1.
Solucin. Observe que la norma matricial usada es consistente, as:
I = A1 A = 1 = kIk = A1 A A1 kAk = cond (A)
Observacin 3.1 Algunas veces se utiliza tambin la siguiente expresin, rcond (A), la cual
est definida por
rcond (A) = 1/ cond (A)
Claramente, si rcond (A) es prximo a cero, la matriz A ser mal condicionada.
CAPTULO 3. RESOLUCIN DE SISTEMAS LINEALES 45
3.7. Descomposicin LU
Esta estrategia consiste en descomponer la matriz A como el producto de dos matrices
factores: A = LU, donde L es una matriz triangular inferior con unos sobre su diagonal, es
decir 5 6
1 0 0
9 `2,1 1 0 :
9 :
L = 9 .. .. . . . .. :
7 . . . 8
`n,1 `n,2 1
y U es una matriz triangular superior
5 6
u1,1 u1,2 u1,n
9 0 u2,2 u2,n :
9 :
U=9 .. .. ... .. :
7 . . . 8
0 0 un,n
1. Ly = b
2. Ux = y
Una de las principales ventajas que tiene resolver sistemas mediante este mtodo, en con-
traste con el mtodo de Gauss, es la siguiente: supongamos que se quiere resolver los sistemas
Ax = b y Ax = b0 , una vez obtenidos tales factores L y U, bastara resolver consecutivamente
los sistemas triangulares:
Ly = b Ux = y (3.12)
y
Ly = b0 Ux = y (3.13)
Observe que los mismos factores L y U fueron usandos para resolver los sistemas (3.12) y
(3.13), los cuales son fciles de resolver usando el algoritmo 3.1 para sistemas triangulares
superiores.
CAPTULO 3. RESOLUCIN DE SISTEMAS LINEALES 47
a11,j = a01,j j = 1, 2, 3
y obtenemos 5 6
a11,1 a11,2 a11,3
9 :
A1 = 9
7 0 a12,2 a12,3 :
8
1 1
0 a3,2 a3,3
Observe que A1 = M0 A0 , donde
5 6
1 0 0
M0 = 7 m2,1 1 0 8
m3,1 0 1
a21,j = a11,j j = 1, 2, 3
a22,j = a12,j j = 2, 3
a23,j = = a13,j m3,2 a12,j j = 1, 2, 3
y obtenemos 5 6
a21,1 a21,2 a21,3
9 :
A2 = 9
7 0 a22,2 a22,3 :
8
2
0 0 a3,3
Observe que
A2 = M1 A1
donde 5 6
1 0 0
M1 = 7 0 1 0 8
0 m3,2 1
CAPTULO 3. RESOLUCIN DE SISTEMAS LINEALES 48
Es decir,
1 1 1 1
A = M1 M0 U = M0 M U
y como
5 61 5 61
0 1 1 1 1 0 0 1 0 0
M M = 7 m2,1 1 0 8 7 0 1 0 8
m3,1 0 1 0 m3,2 1
5 65 6 5 6
1 0 0 1 0 0 1 0 0
= 7 m2,1 1 0 8 7 0 1 0 8 = 7 m2,1 1 0 8
m3,1 0 1 0 m3,2 1 m3,1 m3,2 1
Teorema 3.2 Dada una matriz cuadrada A de orden n, sea la matriz Ak constituida de
las primeras k lneas y k columnas de A. Suponga que det (Ak ) 6= 0 para k = 1, ..., n 1.
Entonces, existe una nica matriz triangular inferior L = [mi,j ], con mi,i = 1, para i = 1, ..., n,
y una nica matriz triangular superior U = [ui,j ] tales que A = LU. Adems, det (A) =
u1,1 u2,2 ...un,n .
Por lo tanto,
5 6 5 6 5 65 6
1 2 3 1 0 0 1 0 0 1 2 3
A = 7 2 5 1 8 = 7 m2,1 1 0 8 A2 = 7 2 1 0 8 7 0 1 7 8 = LU
1 2 1 m3,1 m3,2 1 1 4 1 0 0 32
Puesto que Ax = b lo podemos expresar como (LU) x = b, usando el algoritmo 3.1 y el
ejercicio 3.4 para resolver sistemas triangulares, calculamos consecutivamente:
5 6
10
Ly = b = y = 7 0 8
16
y 5 6
3/2
Ux = y = x = 7 7/2 8
1/2
Ejercicio 3.9 Dada la matriz A 5 Rnn , construya un algoritmo que resuma el proceso para
encontrar los factores L y U. Adems, realice un programa en algn lenguaje de programacin
de su preferencia y experimente con diversos ejemplares.
La columna 1:
5 6 5 65 6 5 6
a1,1 g1,1 0 0 g1,1 g1,1 g1,1
9 a2,1 : 9 g2,1 g2,2 0 :9 0 : 9 g2,1 g1,1 :
9 : 9 :9 : 9 :
9 .. :=9 .. .. ... .. :9 .. :=9 .. :
7 . 8 7 . . . 87 . 8 7 . 8
an,1 gn,1 gn,2 gn,n 0 gn,1 g1,1
luego
s aj,1
g1,1 = a1,1 y gj,1 = para j = 2, ..., n
g1,1
La columna 2:
5 6 5 6 5 6
a1,2 5 6 g1,2 g1,1 g1,2
9 a2,2 : g1,1 0 0 9 : 9 :
9 : 9 g2,1 g2,2 :9 g2,2 : 9 g22,1 + g22,2 :
9 a3,2 : 9 0 :9 : 9 :
9 : = 9 .. .. . .. :9 0 :=9 g3,1 g2,1 + g3,2 g2,2 :
9 .. : 7 . . .. . 89 .. : 9 .. :
7 . 8 7 . 8 7 . 8
gn,1 gn,2 gn,n
an,2 0 gn,1 g2,1 + gn,2 g2,2
de donde
a1,2
g1,2 g1,1 = a1,2 = g1,2 = g2,1 =
g1,1
q
g22,1 + g22,2 = a2,2 = g2,2 = a2,2 g22,1
Como
gj,1 g2,1 + gj,2 g2,2 = aj,2 j = 3, ..., n
y los gj,1 , j = 1, ..., n, ya fueron calculados, entonces
haciendo 5 6 5 6
ak,1 gk,1
9 ak,2 : 5 69 gk,2 :
9 .. : g1,1 0 0 9 .. :
9 : 9 :
9 . : 9 g2,1 g2,2 0 :9 . :
9 : 9 :9 :
9 ak,k : = 9 .. .. . .. .. : 9 gk,k :
9 : 7 . . . 89 :
9 ak+1,k : 9 0 :
9 .. : gn,1 gn,2 gn,n 9 . :
7 . 8 7 .. 8
an,k 0
tenemos
ak,k = g2k,1 + g2k,2 + + g2k,k
de donde !1/2
X
k1
gk,k = ak,k g2k,j
i=1
CAPTULO 3. RESOLUCIN DE SISTEMAS LINEALES 51
Y como
aj,k = gj,1 gk,1 + gj,2 gk,2 + + gj,k gk,k j = k + 1, ..., n
y como los elementos gi,k , i = 1, ..., k 1, ya fueron calculados, tenemos
P
aj,k k1 i=1 gj,i gk,i
gj,k = j = k + 1, ..., n
gk,k
Para k = 1, ..., n
suma = 0;
Para j = 1, ... (k 1)
suma = suma + g2k,j
r = ak,ks suma ..............(*)
gk,k = r
Para i = k + 1, ..., n
suma = 0
Para j = 1, ..., k 1
suma = suma + gi,j gk,j
gi,k = (ai,k suma) /gk,k
Por lo general, ver si una matriz simtrica es definida positiva usando la definicin es una
tarea prcticamente imposible. Sin embargo, podemos usar el algoritmo de Cholesky para
verificar si A es definida positiva. Si en (*) se tiene que r 0, entonces la descomposicin no
es posible y A no es definida positiva. Caso contrario, el algoritmo otorga la matriz triangular
inferior G tal que A = GGt .
Al igual que la descomposicin LU, una vez conocido A = GGt , es posible resolver el
sistema lineal asociado: Ax = b, del siguiente modo: como
Ax = b GGt x = 0
entonces
1. Resolver Gy = b
2. Resolver Gt x = y
Ejercicio 3.12 Una duda comn es, podra ser definida positiva una matriz la cual tiene
algunas componentes negativas? Verifique si la matriz
5 6
27 12 10 24
9 12 9 16 11 :
9 :
7 10 16 42 2 8
24 11 2 137
y
xt Cx = xt Bt B x = (Bx)t (Bx) = kBxk2 0
donde kk es la norma eucldea.
^t A^
0<x ^t 0 = 0
x=x
Mtodo de Gauss-Jacobi
Este mtodo se caracteriza por transformar el sistema Ax = b a la forma x = Dx + d, del
siguiente modo:
Sea el sistema original
a1,1 x1 + a1,2 x2 + + a1,n xn = b1
a2,1 x1 + a2,2 x2 + + a2,n xn = b2
.. .. .. .. . . . .. .. ..
. . . . . .. . . .
an,1 x1 + an,2 x2 + + an,n xn = bn
Suponiendo que ai,i 6= 0 para i = 1, ..., n, despejamos las variables x1 , ..., xn de las n ecua-
ciones, respectivamente:
1
x1 = (b1 a1,2 x2 a1,3 x3 ... a1,n xn )
a1,1
1
x2 = (b2 a2,1 x2 a2,3 x3 ... a2,n xn )
a2,2
..
.
1
xn = (bn an,1 x1 an,2 x2 ... an,n1 xn1 )
an,n
De esta forma tenemos
5 b1 6 5 6
5 6 a 1 ,1 0 aa 11 ,2,1 aa11 ,3,1 aa11,n 5 6
x1 9 b2 : 9 ,1
: x1
9 x2 : 9 : 9 a2 ,1 0 aa22 ,3,2 aa22,n :9 :
9 : 9 a 2 ,2 : 9 a2 ,2 ,2 : 9 x2 :
9 .. : = 9 .. :+9
.. : 9 .. :
7 . 8 9 9 .
: 9
: 7 ..
.
..
.
..
.
...
. : 7 . 8
7 8 8
xn bn xn
a n ,n aann,n
,1
aann,n
,2
aann,n
,3
0
CAPTULO 3. RESOLUCIN DE SISTEMAS LINEALES 54
Problema 3.10.1 Investigue la prueba del criterio de convergencia del mtodo de Gauss-
Jacobi.
Problema 3.10.3 Elaborar una estrategia para resolver un sistema de ecuaciones lineales
indeterminado, es decir, donde el nmero de ecuaciones es menor que el nmero de variables
(m < n).
Solucin. Una manera consiste en asumir que el sistema est definido por Ax = b, donde
A 5 Rmn , b 5 Rm , m < n y rango(A) = m. En consecuencia, existe una submatriz cuadrada
e inversible B, tal que, posiblemente despus de un intercambio compatible de posiciones de
columnas de A y de variables de x, tenemos:
A = B N
xB
x =
xN
As, Ax = b es equivalente a
xB
B N = b BxB + NxN = b xB = B1 b B1 NxN
xN
^N = 0 5 Rnm , tendramos:
As por ejemplo, haciendo x
1
B b
^=
x
0
el cual, claramente, es una solucin para el sistema Ax = b. Se debe advertir que el proceso
para encontrar las columnas de A que conformarn B puede ser computacionalmente costoso.