Metodos Nuemericos Ing. Industrias Alimentareas

Capitulo III: Solución de sistemas de ecuaciones lineales y no lineales
I. INDICE
II. RESUMEN ....................................................................................................................... 2

III. OBJETIVOS .................................................................................................................... 3
IV. MARCO TEÓRICO ....................................................................................................... 4
1. SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES................................... 4
1.1. EXISTENCIA Y UNICIDAD DE SOLUCIONES ............................................... 4
1.2. MÉTODOS DIRECTOS......................................................................................... 6
1.2.1. Método de Eliminación de Gauss ....................................................................... 6
TRIANGULARIZACION .................................................................................................. 8
SUSTITUCION REGRESIVA........................................................................................... 9
CALCULO DE LA DETERMINANTE ............................................................................ 9
ELIMINACION DE GAUSS CON PIVOTEO ................................................................ 9
1.2.2. Metodo de Eliminación de Jordan ................................................................... 10
1.2.3. Metodo de Thomas ............................................................................................ 12
TRIANGULARIZACIÓN ................................................................................................ 12
SUSTITUCION REGRESIVA......................................................................................... 12
1.2.4. Métodos de LU Croutt – Doolitle ..................................................................... 14
1.2.5. Metodo de Cholesky .......................................................................................... 21
1.3. METODOS ITERATIVOS .................................................................................. 23
ITERACION DE JACOBI ............................................................................................... 25
ITERACION DE GAUSS - SEIDEL ............................................................................... 26
ACELERACION DE CONVERGENCIA ...................................................................... 33
2. SOLUCIÓN DE SISTEMAS DE ECUACIONES NO LINEALES.......................... 33
2.1. MÉTODO DEL PUNTO FIJO MULTIVARIABLE ......................................... 34
2.2. MÉTODO DE NEWTON RAPHSON ................................................................ 40
2.2.1. Metodo Newton-Raphson Multivariable........................................................... 44
2.2.2. Metodo de Newton-Raphson Modificado ......................................................... 49
2.3. METODO DE BROYDEN ........................................................................................... 51
2.4. MÉTODO DE BAIRSTOW ......................................................................................... 52
1
II. RESUMEN
Los sistemas de ecuaciones lineales y no lineales son pesados y complejos, requieren
un volumen importante de cálculo y el éxito depende tanto del método elegido como
de los problemas numéricos involucrados y la habilidad de quien los resuelva.
Descartados para este tema los denominados métodos exactos, que luego de un
determinado número de pasos llevan a la solución; sólo quedan disponibles métodos
aproximados, iterativos, que aproximan la solución hasta que ciertas condiciones
quedan satisfechas. Para aplicar ello, en este trabajo realizaremos un repaso de algebra
de matrices, posteriormente se expondrán los siguientes métodos según el sistema de
ecuaciones que se este trabajando:
 Sistemas Lineales
 Métodos directos:
o Método de Eliminación de Gauss.
o Método de Eliminacion de Jordan.
o Metodo de Thomas
o Metodos de LU Croutt – Doolitle
o Metodo de Cholesky
 Métodos iterativos:
o Método de Gauss-Seidel
o Método de Jacobi
 Sistemas No Lineales
o Método de punto fijo multivariable
o Método de Newton-Raphson multivariable
o Método de Newton-Raphson modificado
o Metodo de Broyden
o Metodo de Bairstow
Dado ya el marco teorico procederemos al diseño de algoritmos y guias para la

obtención de soluciones aproximadas a través del software matemático Matlab lo cual
será uno de los objetivos de este trabajo. Sin embargo, para lograr el objetivo se
requiere de un conocimiento previo en algebra de matrices, la existencia y unicidad
de las soluciones.
2
III. OBJETIVOS
Objetivo general
- El grupo investigador deberá identificar, plantear y resolver por el método

indicado los sistemas de ecuaciones lineales y no lineales propuestos, para
finalmente lograr el diseño de los algoritmos y el guide del software matemático
Matlab.
Objetivos específicos
- Tener un mayor conocimiento en programas matemáticos como Matlab, para

poder hacer frente a problemas de un nivel intermedio y/o avanzado.
- Crear compañerismo y colaboración al momento de realizar el trabajo indicado,
para una buena presentación.
3
IV. MARCO TEÓRICO
1. SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES

- Los sistemas de ecuaciones lineales es un tema clásico de las matemáticas, rico
en ideas y conceptos y de gran utilidad en ramas del conocimiento, en esta parte
del capitulo el álgebra y la notación matricial nos seran útiles para llegar a una
solucion, ya que estos nos proporcionan una forma concisa de representar y
manejar ecuaciones algebraicas lineales.
- Un sistema de m ecuaciones lineales en n incógnitas tiene la forma general:
𝑎1,1 𝑥1 + 𝑎1,2 𝑥2 + ⋯ + 𝑎1,𝑛 𝑥𝑛 = 𝑏1
𝑎2,1 𝑥1 + 𝑎2,2 𝑥2 + ⋯ + 𝑎2,𝑛 𝑥𝑛 = 𝑏2
(1.00)
⋮ ⋮ ⋮ ⋮
𝑎𝑚,1 𝑥1 + 𝑎𝑚,2 𝑥2 + ⋯ + 𝑎𝑚,𝑛 𝑥𝑛 = 𝑏𝑚
- Con la notación matricial de puede escribir la ecuación anterior como:
𝑎1,1 𝑎1,2 … 𝑎1,𝑛 𝑥1 𝑏1
𝑎2,1 𝑎2,2 … 𝑎2,𝑛 𝑥2 ‫ۍ‬ ‫ې‬
𝑏2
൦ ⋮ ⋮ ൦ ⋮ ൪=‫ۑ ێ‬
⋮ ൪ ‫ۑ ⋮ ێ‬
𝑎𝑚,1 𝑎𝑚,2 … 𝑎𝑚,𝑛 𝑥𝑚 ‫ے 𝑚𝑏ۏ‬
y concretamente como 𝐴𝑥 = 𝑏.
- Donde A es la matriz coeficiente del sistema, x el vector incógnita y b el vector de
términos independientes. Dados A y b, se entiende por resolver el sistema 1.00
encontrar los vectores x que lo satisfagan. Antes de estudiar las técnicas que
permiten encontrar x se expondrán algunas consideraciones teóricas.
1.1. EXISTENCIA Y UNICIDAD DE SOLUCIONES
 Si b es el vector cero, el sistema1.00 es un sistema homogéneo. Si por el
contrario 𝑏 ≠ 0, el sistema es no homogéneo. A continuación se define la
matriz aumentada B, formada con los elementos de la matriz coeficiente A y
los del vector b de la siguiente manera:
𝑎1,1 𝑎1,2 … 𝑎1,𝑛 𝑏1
‫𝑎… 𝑎 𝑎 ۍ‬ ‫ې‬
2,1 2,2 2,𝑛 𝑏2 ‫ۑ‬
𝑩=‫⋮ ⋮ ێ‬ ተ = [𝑨|𝒃]
‫ێ‬ ⋮ ⋮ ‫ۑ‬
‫𝑚𝑎ۏ‬,1 𝑎𝑚,2 … 𝑎𝑚,𝑛 𝑏𝑚 ‫ے‬
4
 Si el rango de la matriz coeficiente A y de la matriz aumentada B son iguales, se dice

que el sistema 1.00 es consistente. Si no ocurre esto, el sistema es inconsistente (por
tanto, un sistema homogéneo siempre es consistente).
 Un sistema inconsistente no tiene solución, mientras que uno consistente

tiene una solución única o un número infinito de soluciones, según como sea
el rango de A en comparación con el número de incógnitas n. Si el rango de
A es igual al número de incógnitas, la solución es única; si el rango de A es
menor que dicho número, hay un número infinito de soluciones como se ve
en la Fig. 1.
Rango A = n
(Solucion unica)
Rango A = Rango B
(Consistente) Rango A < n
Sistema de
ecuaciones lineales (Infinitas soluciones)
𝐴𝑥 = 𝑏
Rango A ≠ Rango B
No tiene solución
(Inconsistente)
Fig. 1
(Solucion de sistema de ecuaciones lineales)
 Ejemplo 1
Sea el sistema
2𝑥1 + 4𝑥2 = 6
3𝑥1 + 6𝑥2 = 5
La matriz aumentada sería:
2 4 6
[ | ]
3 6 5
Puede verse que: Rango de A = 1, rango de B = 2; como rango A ≠ rango B,

el sistema no tiene solución.
Si el sistema es homogéneo
2𝑥1 + 4𝑥2 = 0
3𝑥1 + 6𝑥2 = 0
2 4 0
[ | ]
3 6 0
5
Entonces rango A = 1, rango B = 1, rango A < 2 = n; en este caso existe un

número infinito de soluciones.
Sea el sistema
2𝑥1 + 3𝑥2 + 𝑥3 = 0
0𝑥1 + 2𝑥2 + 𝑥3 = 1
𝑥1 + 0𝑥2 + 𝑥3 = 0
2 3 1 0
[0 2 1 | 1]
1 0 1 0
Obsérvese que la matriz coeficiente los vectores son linealmente
independientes y, por tanto rango A = 3. Al aplicar el método de Gram-
Schmidt para ortogonalizar el vector de términos independientes se observa
que es linealmente dependiente y, por tanto, rango B = 3. El sistema es
consistente y como rango A = N° de incógnitas = 3, puede esperarse solución
única del sistema.
1.2. MÉTODOS DIRECTOS
 Los métodos directos para la búsqueda de raíces en un sistema de ecuaciones
generalmente se clasifican en:
1.2.1. Método de Eliminación de Gauss
 Teniendo un sistema de 3 ecuaciones lineales con 3 incógnitas:
𝑎1,1 𝑥1 + 𝑎1,2 𝑥2 + 𝑎1,3 𝑥3 = 𝑏1

𝑎2,1 𝑥1 + 𝑎2,2 𝑥2 + 𝑎2,3 𝑥3 = 𝑏2 (1.01)
𝑎3,1 𝑥1 + 𝑎3,2 𝑥2 + 𝑎2,3 𝑥3 = 𝑏3
 Como primer paso, se reemplaza la segunda ecuación con lo que

resulte de sumarle la primera ecuación multiplicada por (−𝑎2,1⁄𝑎1,1 ).
De manera similar se sustituye la tercera ecuación con el resultado de
sumarle la primera ecuación multiplicada por (−𝑎3,1⁄𝑎1,1 ). Esto da
lugar al nuevo sistema:
𝑎1,1 𝑥1 + 𝑎1,2 𝑥2 + 𝑎1,3 𝑥3 = 𝑏1
𝑎′ 2,2 𝑥2 + 𝑎′ 2,3 𝑥3 = 𝑏′2 (1.02)
′ ′
𝑎 3,2 𝑥2 +𝑎 2,3 𝑥3 = 𝑏′3
Donde las a' y las b' son los nuevos elementos que se obtienen de las
operaciones ya mencionadas, y en donde x1 se ha eliminado en la
6
segunda y tercera ecuació. Ahora, multiplicando la segunda ecuación

de 1.02 por (−𝑎′3,2 ⁄𝑎′2,2 ) y sumando el resultado a la tercera ecuación
de 1.02, se obtiene el sistema triangular.
𝑎1,1 𝑥1 + 𝑎1,2 𝑥2 + 𝑎1,3 𝑥3 = 𝑏1
(1.03)
𝑎′ 2,2 𝑥2 + 𝑎′ 2,3 𝑥3 = 𝑏′2
𝑎′′ 2,3 𝑥3 = 𝑏′′3
Donde donde a"3,3 y b"3 resultaron de las operaciones realizadas y x2
se ha eliminado de la tercera ecuacion.
El proceso de llevar el sistema de ecuaciones 1.01 a la forma de la
ecuación 1.03 se conoce como triangularización.
El sistema en la forma de la ecuación 1.03 se resuelve despejando de
su última ecuación x3, sustituyendo x3 en la segunda ecuación y
despejando x2 de ella. Por último, con x3 y x2 sustituidas en la primera
ecuación de 1.03 se obtiene x1. Esta parte del proceso se llama
sustitución regresiva.
Antes de ilustrar la eliminación de Gauss, debe notar que no es
necesario conservar x1, x2 y x3 en la triangularización y que ésta puede
llevarse a cabo usando solamente la matriz coeficiente A y el vector b.
Para mayor simplicidad se empleará la matriz aumentada B.
𝑎11 𝑎12 𝑎13 𝑏1
𝑩 = [𝑎21 𝑎22 𝑎23 | 𝑏2 ] = [𝑨|𝒃]
𝑎31 𝑎32 𝑎33 𝑏3
Con esto se incorpora la notación matricial y todas sus ventajas a la

solución de sistemas de ecuaciones lineales.
 Ejemplo 2
Resolver por el método de eliminación de Gauss el siguiente sistema
4𝑥1 − 9𝑥2 + 2𝑥3 = 0

2𝑥1 − 4𝑥2 + 6𝑥3 = 1 (1.04)
𝑥1 + 𝑥2 + 3𝑥3 = 0
Sol.
La matriz aumentada del sistema sería:
4 −9 2 5
[2 −4 6 | 3] (1.05)
1 −1 3 4
7
Haciendo una triangularización, o sea sumando la primera ecuación

(multiplicada por -2/4) a la segunda, y la primera ecuación
(multiplicada por -1/4) a la tercera, resultaría:
4 −9 2 5
(1.06)
[0 0.5 5 | 0.5 ]
0 1.25 2.5 2.75
Sumando la segunda fila (multiplicada por -1.25/0.5) a la tercera se
obtiene la matriz
4 −9 2 5
[0 0.5 5 | 0.5] (1.07)
0 0 −10 1.5
Quedando el sistema de ecuaciones de la siguiente manera
4𝑥1 − 9𝑥2 + 2𝑥3 = 5
0.5𝑥2 + 5𝑥3 = 0.5 (1.08)
−10𝑥3 = 1.5
Un proceso de sustitución regresiva produce el resultado buscado. La
tercera ecuación de 1.08 da el valor de 𝑥3 = −0.15; de la segunda
ecuación se obtiene entonces:
0.5 𝑥2 = 0.5 − 5𝑥3 = 1.25
Por tanto 𝑥2 = 2.5 , finalmente al sustituir x2 y x3 en la primera
ecuación de la forma 1.08 resulta
4𝑥1 = 5 + 9𝑥2 − 2𝑥3 = 27.8,
De modo que 𝑥1 = 6.95
Con la sustitución de estos valores en el sistema original se verifica la
exactitud de los resultados.
 Las ecuaciones para la triangularización, sustitución regresiva y
cálculo del determinante de un sistema de n ecuaciones en n incógnitas
𝐴𝑥 = 𝑏 por el método de eliminación de Gauss son:
TRIANGULARIZACION
𝑃𝑎𝑟𝑎 1 ≤ 𝑖 ≤ 𝑛 − 1
𝑃𝑎𝑟𝑎 𝑖 + 1 ≤ 𝑘 ≤ 𝑛
𝑏𝑘 = 𝑏𝑘 − (𝑎𝑘,𝑖 ⁄𝑎𝑖,𝑖 )𝑏𝑖 (1.09)
𝑃𝑎𝑟𝑎 𝑖 + 1 ≤ 𝑗 ≤ 𝑛
𝑎𝑘,𝑖
𝑎𝑘,𝑗 = 𝑎𝑘,𝑗 − 𝑎
𝑎𝑖,𝑖 𝑖,𝑗
8
SUSTITUCION REGRESIVA
𝑥𝑛 = 𝑏𝑛 /𝑎𝑛,𝑛
𝑃𝑎𝑟𝑎 𝑖 = 𝑛 − 1, 𝑛 − 2, . . . , 1
𝑛
1
𝑥𝑖 = [𝑏 − ∑ 𝑎𝑖,𝑗 𝑥𝑗 ] (1.10)
𝑎𝑖,𝑖 𝑖
𝑗=𝑖+1
CALCULO DE LA DETERMINANTE
𝑛
det 𝐴 = ∏ 𝑎𝑖,𝑖 = 𝑎1,1 𝑎2,2 … 𝑎𝑛,𝑛 (1.11)

𝑖=1
ELIMINACION DE GAUSS CON PIVOTEO

En la eliminación de x1 de la segunda y tercera ecuaciones de la forma
1.01 se tomó como base la primera, por lo cual se denomina ecuación
pivote o, en términos de la notación matricial, fila pivote. Para eliminar
x2 de la tercera ecuación de la forma 1.02, la fila pivote utilizada fue la
segunda. El coeficiente de la incógnita que se va a eliminar en la fila
pivote se llama pivote. En la eliminación que dio como resultado el
sistema de ecuaciones 1.03, los pivotes fueron a1,1 y a’2,2. Esta elección
natural de los pivotes a1,1, a’2,2, d’3,3, etc., es muy conveniente tanto
para trabajar con una calculadora como con una computadora;
desafortunadamente falla cuando alguno de esos elementos es cero,
puesto que los multiplicadores quedarían indeterminados. Una manera
de evitar esta posibilidad es seleccionar como pivote el coeficiente de
máximo valor absoluto en la columna relevante de la matriz reducida.
Como antes, se tomarán las columnas en orden natural de modo que se
vayan eliminando las incógnitas también en orden natural x1, x2, x3, etc.
Esta técnica llamada pivoteo parcial se ilustra con la solución del
siguiente sistema.
Ejemplo 3
Resolver el siguiente sistema
10𝑥1 + 𝑥2 − 5𝑥3 = 1
−20𝑥1 + 3𝑥2 + 20𝑥3 = 2 (1.12)
5𝑥1 + 3𝑥2 + 5𝑥3 = 0
Sol.
La matriz aumentada sería
9
10 1 −5 1 (1.13)
[−20 3 20 | 2]
5 3 5 6
El primer pivote debe ser -20, ya que es el elemento de máximo valor
absoluto en la primera columna. Se elimina entonces x1 de la primera
y tercera filas de la ecuación 1.12. Para ello, se suma a la primera fila
la segunda (multiplicada por -10/-20), Y a la tercera fila la segunda
(multiplicada por -5/-20).
Con esto se obtiene la matriz reducida:
0 2.5 5 2
[−20 3 20 | 2 ] (1.14)
0 3.75 10 6.5
El siguiente pivote debe seleccionarse entre la primera y tercera fila
(segunda columna). Sumando a la primera fila la tercera multiplicada
por (-2.5 / 3.75), resulta
0 0 −1.666 −2.333
[−20 3 20 | 2 ] (1.15)
0 3.75 10 6.5
Quedando el sistema de ecuaciones de la siguiente forma:
−1.666𝑥3 = −2.333
−20𝑥1 + 3𝑥2 + 20𝑥3 = 2 (1.16)
3.75𝑥2 + 10𝑥3 = 6.5
De la primera ecuación de 1.16
−2.333
𝑥3 = = 1.4
−1.666
De la tercera ecuación
6.5 − 10(1.4)
𝑥2 = = −2
3.75
Y de la segunda ecuación
2 − 3(−2) − 20(1.4)
𝑥1 = =1
−20
1.2.2. Metodo de Eliminación de Jordan

 Muy semejante al método de Gauss con pivoteo aquí las ecuaciones se
reducen a una forma en que la matriz coeficiente del sistema sea
diagonal y ya no se requiera la sustitución regresiva.
 Ejemplo 4
10
Resolver el siguiente sistema por el método de eliminacion de Jordan

4𝑥1 − 9𝑥2 − 2𝑥3 = 5
2𝑥1 − 4𝑥2 + 6𝑥3 = 3
𝑥1 − 𝑥2 + 3𝑥3 = 4
Sol.
La matriz aumentada del sistema seria
4 −9 −2 5
[2 −4 6 | 3]
1 −1 3 4
Como en la primera columna el elemento de máximo valor absoluto se
encuentra en la primera fila, ningún intercambio es necesario y el
primer paso de eliminación produce
4 −9 2 5
[0 0.5 5 | 0.5 ]
0 1.25 2.5 2.75
El elemento de máximo valor absoluto en la parte relevante de la
segunda columna (filas 2 y 3) es l.25; por tanto, la fila 3 debe
intercambiarse con la 2.
4 −9 2 5
[0 1.25 2.5 | 2.75]
0 0.5 5 0.5
Sumando la segunda fila (multiplicada por -(-9)/ l.25), a la primera fila

y la segunda (multiplicada por -0.5 / 1.25) a la tercera se obtiene el
nuevo arreglo
4 0 20 24.8
[0 1.25 2.5 | 2.75 ]
0 0 4 −0.6
Los elementos de arriba y abajo del pivote se han eliminado. Por

último, sumando la tercera multiplicada por (-20/4) a la primera fila ya
la tercera multiplicada por (-2.5/4) a la segunda
4 0 0 27.8
[0 1.25 0| 3.125]
0 0 4 −0.6
Quedando el sistema de ecuaciones de la siguiente forma:
4𝑥1 = 27.8
1.25𝑥2 = 3.125
4𝑥3 = −0.6
Finalmente obtenemos
11
27.8
𝑥1 =
= 6.95
4
3.125
𝑥2 = = 2.5
1.25
−0.6
𝑥2 = = −0.15
4
EJERCICIO PROPUESTO AQUÍ (FUENTE Y/O PAGINA)
1.2.3. Metodo de Thomas
 Teniendo un sistema tridiagonal de tres ecuaciones con tres incognitas
𝑏1 𝑥1 + 𝑐1 𝑥2 = 𝑑1
𝑎2 𝑥1 + 𝑏2 𝑥2 + 𝑐2 𝑥3 = 𝑑2
𝑎3 𝑥2 + 𝑏3 𝑥3 = 𝑑3
TRIANGULARIZACIÓN
Si 𝑏1 ≠ 0, se elimina x1 sólo en la segunda ecuación, con lo que se
obtiene como una nueva segunda ecuación:
𝑏′2 𝑥2 + 𝑐′2 𝑥3 = 𝑑′2
Con
𝑏′2 = 𝑏2 − 𝑎2 𝑐1⁄𝑏1 ; 𝑐′2 = 𝑐2 ; 𝑑′2 = 𝑑2 − 𝑎2 𝑑1 ⁄𝑏1
Si 𝑏′2 ≠ 0, se elimina x2 sólo en la tercera ecuación y asi se obtendría

como nueva tercera ecuación:
𝑏′3 𝑥3 = 𝑑′3
Con
𝑏′3 = 𝑏3 − 𝑎3 𝑐′2 ⁄𝑏′2 ; 𝑑′3 = 𝑑3 − 𝑎3 𝑑′2 ⁄𝑏′2
Para 𝑖 = 1, 2, … , 𝑛 − 1, si 𝑏′𝑖 ≠ 0 se elimina xi solo en la (𝑖 + 1)-
ésima ecuación y se obtendrá como nueva (𝑖 + 1)-ésima ecuación.
𝑏′𝑖+1 𝑥𝑖+1 + 𝑐′𝑖+1 𝑥𝑖+2 = 𝑑′𝑖+1
Con
𝑏′𝑖+1 = 𝑏𝑖+1 − 𝑎𝑖+1 𝑐′𝑖 ⁄𝑏′1 ; 𝑐′𝑖+1 = 𝑐𝑖 ; 𝑑′𝑖+1 = 𝑑𝑖+1 − 𝑎𝑖+1 𝑑′1⁄𝑏′1
SUSTITUCION REGRESIVA
𝑑′𝑛
𝑥𝑛 =
𝑏′𝑛
Para 𝑖 = 𝑛 − 1, 𝑛 − 2, … ,1
𝑑′𝑖 − 𝑐′𝑖 𝑥𝑖+1
𝑥𝑖 =
𝑏′𝑖
 Ejemplo 5
12
Resolver el siguiente sistema por el método de Thomas

3𝑥1 − 2𝑥2 =1
𝑥1 + 5𝑥2 − 0.2𝑥3 = 5.8
4𝑥2 + 7𝑥3 = 11
Sol.
Podemos hacer la siguiente descomposición:
0 3 −2 1.0
𝑎 = [1] , 𝑏 = [5] , 𝑐 = [−0.2] , 𝑑 = [5.8]
4 7 0 11
Como 𝑏1 ≠ 0 se calcula los componentes de la nueva segunda fila
𝑏′2 = 𝑏2 − 𝑎2 𝑐1 ⁄𝑏1 = 5 − 1(−2)⁄3 = 5. 6̂
𝑐′2 = 𝑐2 = −0.2
𝑑′2 = 𝑑2 − 𝑎2 𝑑1 ⁄𝑏1 = 5.8 − 1⁄(1⁄3) = 5.46̂
Como 𝑏2 ≠ 0 se forma la nueva tercera fila
𝑏′3 = 𝑏3 − 𝑎3 𝑐 ′ 2 ⁄𝑏 ′ 2 = 7 − 4(−0.2)⁄5. 6̂ = 7.14118
𝑑′3 = 𝑑3 − 𝑎3 𝑑 ′ 2 ⁄𝑏 ′ 2 = 11 − 4(5.46̂)⁄5. 6̂ = 7.14118
El sistema de ecuaciones resultante quedaría asi:
3𝑥1 − 2𝑥2 =1
5. 6𝑥2 − 0.2𝑥3 = 5.46̂
̂
7.14118𝑥3 = 7.14118
Por sustitución regresiva se llega a:
𝑑′3 7.14118
𝑥3 = = =1
𝑏′3 7.14118
𝑑′2 − 𝑐′2 𝑥3 (5.46̂ − 0.2(1))
𝑥2 = = 𝑥𝑖 = =1
𝑏′2 5. 6̂
𝑑′1 − 𝑐′1 𝑥2 (1 − 1(−2))
𝑥1 = = 𝑥𝑖 = =1
𝑏′1 3
13
1.2.4. Métodos de LU Croutt – Doolitle

 Factorización LU (Lower y Upper)
𝑨 = 𝑳𝑼
Cuando una matriz invertible A se descompone en dos matrices
triangulares una superior U (𝑢𝑢,𝑢 ≠ 0) y otra inferior L (𝑙𝑢,𝑢 = 1 ∀ 𝑖)
quiere decir que se admite una factorizacion LU que requiere de
pivoteo para evitar la división entre cero. Los resultados se pueden
extender en forma directa a sistemas n dimensionales.
𝑎1,1 𝑎1,2 𝑎1,3 𝑙1,1 0 0 𝑢1,1 𝑢1,2 𝑢1,3
[𝑎2,1 𝑎2,2 𝑎2,3 ] = [𝑙2,1 𝑙2,2 0] [ 0 𝑢2,2 𝑢2,3 ]
𝑎3,1 𝑎3,2 𝑎3,3 𝑙3,1 𝑙3,2 𝑙3,3 0 0 𝑢3,3
[𝐴] = [𝐿] [𝑈]
El sistema de ecuaciones lineales 𝐴𝑥 = 𝑏 se puede resolver en dos
fases:
𝐿𝑦 = 𝑏; 𝑈𝑥 = 𝑦
 Variaciones de Doolittle y Crout
Analizando la siguiente matriz (3 x 3) de manera desarrollada
𝑎1,1 𝑎1,2 𝑎1,3 𝑙1,1 0 0 𝑢1,1 𝑢1,2 𝑢1,3
𝑎
[ 2,1 𝑎2,2 𝑎2,3 ] = [𝑙2,1 𝑙2,2 0] [ 0 𝑢2,2 𝑢2,3 ]
𝑎3,1 𝑎3,2 𝑎3,3 𝑙3,1 𝑙3,2 𝑙3,3 0 0 𝑢3,3
a. La primera fila de L por las tres columnas de U
𝑙1,1 𝑢1,1 = 𝑎1,1
𝑙1,1 𝑢1,2 = 𝑎1,2
𝑙1,1 𝑢1,3 = 𝑎1,3
b. La segunda fila de L por las tres columnas de U
𝑙2,1 𝑢1,1 = 𝑎2,1
𝑙2,1 𝑢1,2 + 𝑙2,2 𝑢2,2 = 𝑎2,2
𝑙2,1 𝑢1,3 + 𝑙2,2 𝑢2,3 = 𝑎2,3
c. La tercera fila de L por las tres columnas de U
𝑙3,1 𝑢1,1 = 𝑎3,1
𝑙3,1 𝑢1,2 + 𝑙3,2 𝑢2,2 = 𝑎3,2
𝑙3,1 𝑢1,3 + 𝑙3,2 𝑢2,3 + 𝑙3,3 𝑢3,3 = 𝑎3,3
14
Llegamos a un sistema de 9 ecuaciones con 12 incognitas, por lo que

será necesario establecer tres condiciones arbitrarias sobre las
incógnitas para resolver dicho sistema. La forma de seleccionar las
condiciones ha dado lugar a diferentes métodos; por ejemplo, si se
toman de modo que 𝑙1,1 = 𝑙2,2 = 𝑙3,3 = 1 obtenemos la variación de
Doolitle y si se selecciona 𝑢1,1 = 𝑢2,2 = 𝑢3,3 = 1emplearemos la
variación de Crout.
Si
𝑙1,1 = 𝑙2,2 = 𝑙3,3 = 1
Con estos valores se resuelven las ecuaciones directamente en el orden
en que están dadas
De (a)
𝑢1,1 = 𝑎1,1 , 𝑢1,2 = 𝑎1,2, 𝑢1,3 = 𝑎1,3 (1.17)
De (b) sustituyen a 1.17
𝑎2,1 𝑎2,1
𝑙2,1 = =
𝑢1,1 𝑎1,1
𝑎2,1 𝑎1,2
𝑢2,2 = 𝑎2,2 − 𝑙2,1 𝑢1,2 = 𝑎2,2 − (1.18)
𝑎1,1
𝑎2,1 𝑎1,3
𝑢2,3 = 𝑎2,3 − 𝑙2,1 𝑢1,3 = 𝑎2,3 −
𝑎1,1
De (c) sustituyen a 1.17 y 1.18
𝑎3,1 𝑎3,1
𝑙3,1 = =
𝑢1,1 𝑎1,1
𝑎3,1 𝑎1,2
𝑎2,2 − 𝑙3,1 𝑢1,2 𝑎3,2 − 𝑎1,1
𝑙3,2 = = 𝑎 𝑎1,2 (1.19)
𝑢2,2 𝑎2,2 − 2,1
𝑎 1,1
𝑢3,3 = 𝑎3,3 − 𝑙3,1 𝑢1,3 − 𝑙3,2 𝑢2,3

𝑎3,1 𝑎1,2
𝑎3,1 𝑎1,3 𝑎 3,2 − 𝑎2,1 𝑎1,3
𝑎1,1
= 𝑎3,3 − −൦ 𝑎 𝑎 ൪ [𝑎2,3 − ]
𝑎1,1 𝑎2,2 − 2,1 1,2 𝑎1,1
𝑎 1,1
Las ecuaciones 1.17, 1.18 y 1.19, convenientemente generalizadas

constituyen un método directo para la obtención de L y U, con la
ventaja sobre la triangularización de que no se tiene que escribir
repetidamente las ecuaciones o arreglos modificados de 𝐴 𝑥 = 𝑏.
15
Ejemplo 6
Resolver el siguiente sistema de ecuaciones por el método de Doolitle
4𝑥1 − 2𝑥2 − 𝑥3 = 9
5𝑥1 + 𝑥2 − 𝑥3 = 7
𝑥1 + 2𝑥2 − 𝑥3 = 12
Sol.
4 −2 −1 9
[5 1 −1| 7 ]
1 2 −1 12
Como 𝑙1,1 = 𝑙2,2 = 𝑙3,3 = 1
Primera fila de U
𝑎1,1
𝑢1,1 = =4
𝑙1,1
𝑎1,2
𝑢1,2 = = −2
𝑙1,1
𝑎1,3
𝑢1,3 = = −1
𝑙1,1
Primera columna de L
𝑙1,1 = 1
𝑎2,1 5
𝑙2,1 = =
𝑢1,1 4
𝑎3,1 1
𝑙3,1 = =
𝑢1,1 4
Segunda fila de U
𝑢2,1 = 0
𝑎2,2 − 𝑙2,1 𝑢1,2 1 − (−5⁄2) 7
𝑢2,2 = = =
𝑙2,2 1 2
𝑎2,3 − 𝑙2,1 𝑢1,3 −1 − (−5⁄4) 1
𝑢2,3 = = =
𝑙2,2 1 4
Segunda columna de L
𝑙1,2 = 0
𝑙2,2 = 1
𝑎3,2 − 𝑙3,1 𝑢1,2 2 − (−1⁄2) 5
𝑙3,2 = = =
𝑢2,2 7⁄2 7
16
Tercera fila de U
𝑢3,1 = 𝑢3,2 = 0
𝑎3,3 − 𝑙3,1 𝑢1,3 − 𝑙3,2 𝑢2,3 −1 + 1⁄4 − 5⁄28 13
𝑢3,3 = = =−
𝑙3,3 1 14
Las matrices L y U quedan de la siguiente manera
4 −2 −1 1 0 0 4 −2 −1
𝐴 = [5 1 −1] = [5⁄4 1 0 ] [0 7⁄2 1⁄4 ]
1 2 −1 1⁄4 5⁄7 1 0 0 −13⁄14
Resolviendo el sistema 𝐿𝑦 = 𝑏, donde b es el vector de términos
independientes del sistema original
1 0 0 𝑦1 9
⁄
[ 4
5 1 0] [𝑦2 ] = [ 7 ]
1⁄4 5⁄7 1 𝑦3 12
𝑦1 = 9
5
𝑦 + 𝑦2 = 7
4 1
−17
𝑦2 =
4
1 5
𝑦1 + 𝑦2 + 𝑦3 = 7
4 7
179
𝑦3 =
14
Finalmente al resolver el sistema 𝑈𝑥 = 𝑦, se tiene la solución del
sistema original
4 −2 −1 𝑥1 9
[0 7⁄2 1⁄4 ] [𝑥2 ] = [ −17⁄4 ]
0 0 −13⁄14 𝑥3 179⁄14
13 179
− 𝑥3 =
14 14
179
𝑥3 = −
13
7 1 17
𝑥2 + 𝑥3 = −
2 4 4
3
𝑥2 = −
13
4𝑥1 − 2𝑥2 − 𝑥3 = 9
17
𝑥1 = −
13
17
17
‫ۍ‬− ‫ې‬
‫ێ‬ 13 ‫ۑ‬
3 ‫ۑ‬
𝑥=‫ێ‬−
‫ ێ‬13 ‫ۑ‬
‫ ێ‬179‫ۑ‬
‫ۏ‬− 13 ‫ے‬
Las ecuaciones 1.17, 1.18 y 1.19 se generalizan para factorizar la
matriz coeficiente del sistema A x = b, que puede resolverse por
eliminación de Gauss sin intercambio de filas; se tiene entonces
El Algoritmo de la Factorizacion LU
𝑖−1
𝑢𝑖,𝑗 = 𝑎𝑖,𝑗 − ∑ 𝑙𝑖,𝑘 𝑢𝑘,𝑗 ; 𝑗 = 1, 𝑖 + 1, … , 𝑛

𝑘=1
𝑗−1
1 (1.20)
𝑙𝑖,𝑗 = (𝑎 − ∑ 𝑙𝑖,𝑘 𝑢𝑘,𝑗 ) ; 𝑖 = 𝑗 + 1, … , 𝑛
𝑢𝑗,𝑗 𝑖,𝑗
𝑘=1
𝑙𝑖,𝑖 = 1; 𝑖 = 1, 2, … , 𝑛
Puede observarse que las ecuaciones 1.20, que una vez empleada ai,j
en el cálculo de ui,j o li,j según sea el caso, esta componente de A no
vuelve a emplearse como tal, por lo que las componentes de L y U
generadas pueden guardarse en A y ahorrar memoria de esa manera.
Otra forma de resolver un sistema de ecuaciones es la factorización LU
con pivoteo, a continuación resolveremos el ejemplo anterior con
pivoteo parcial.
4𝑥1 − 2𝑥2 − 𝑥3 = 9
5𝑥1 + 𝑥2 − 𝑥3 = 7
𝑥1 + 2𝑥2 − 𝑥3 = 12
Sol.
4 −2 −1 1 0 0 𝑢1,1 𝑢1,2 𝑢1,3
𝐴 = [5 𝑙
1 −1] = [ 2,1 1 0] [ 0 𝑢2,2 𝑢2,3 ]
1 2 −1 𝑙3,1 𝑙3,2 1 0 0 𝑢3,3
Hallando U
𝑢1,1 𝑢1,2 𝑢1,3
𝑈=[ 0 𝑢2,2 𝑢2,3 ]
0 0 𝑢3,3
18
La matriz principal A deberá transformarse en una matriz triangular

superior U (𝑢𝑢,𝑢 ≠ 0).
4 −2 −1 −5𝑓1−𝑓2 4 −2 −1 −5⁄2𝑓2−𝑓3 4 −2 −1
4 7⁄2
[5 1 −1] →1 ⁄ ⁄
[0 7 2 1 4 ]→ ⁄
[0 7 2 1⁄4 ]
1 − 𝑓 − 𝑓
2 −1 4 1 3 0 5⁄2 −3⁄4 0 0 −13⁄14
𝑘𝑖,𝑗 (Elemento pivot)

Entonces
7 1 13
𝑢1,1 = 4; 𝑢1,2 = −2; 𝑢1,3 = −1; 𝑢2,2 = ; 𝑢2,3 = ; 𝑢3,3 = −
2 4 14
Hallando L
1 0 0
𝐿 = [𝑙2,1 1 0]
𝑙3,1 𝑙3,2 1
𝑎2,1 5
𝑙2,1 = =
𝑢1,1 4
𝑎3,1 1
𝑙3,1 = =
𝑢1,1 4
1(−2)
𝑎3,2 − (𝑙3,1 𝑢1,2 ) 2 − [ 4 ] 5
𝑙3,2 = = =
𝑢2,2 7⁄2 7
Las matrices L y U quedan de la siguiente manera
4 −2 −1 1 0 0 4 −2 −1
𝐴 = [5 1 −1] = [5⁄4 1 0 ] [0 7⁄2 1⁄4 ]
1 2 −1 1⁄4 5⁄7 1 0 0 −13⁄14
Podemos comprobar que de esta forma también podemos encontrar las
matrices L y U.
EJERCICIO PROPUESTO (ESPECIFICAR ENLACE O FUENTE)
METODO DE LU CROUFTT
Ejercicio desarrollado del libro ¨Métodos numericos¨
Pág. 13
Ejercicio 12
19
Use la factorización LU de A:
4 −2 1 1 0 0 1 0 0
A= 20 −7 12 = 5 1 0 5 1 0 = LU
−8 13 17 −2 3 1 −2 3 1
Procedemos a despejar x del sistema
11
A x= 70 =b
17
Lo primero es un sistema triangular superior el cual tenemos que resolver:
1 0 0 11
5 1 0 y= 70
−2 3 1 17
Al colocarlo en forma de ecuaciones queda como:
𝑦1 = 11
5𝑦1 + 𝑦2 = 70
−2𝑦1 + 3𝑦2 + 𝑦3 = 70
Al descomponerlo en ecuaciones
Para la primera ecuación:
𝑦1 = 11
Para la segunda ecuación:
𝑦2 = 70 − 5𝑦1 = 70 − 5(11) = 1
Para la tercera ecuación:
𝑦3 = 17 + 2𝑦1 − 3𝑦2 = 17 + 2(11) − 3(15)= -6
Aplicamos un sistema Ux = y
4 −2 1 11
0 3 7 x= 15
0 0 −2 −6
Repetimos el mismo procedimiento y las nuevas ecuaciones quedan:
4𝑥1 − 2𝑥2 + 𝑥3 = 11
20
3𝑥2 + 7𝑥3 = 15
−2𝑥3 = −6
Repetimos el mismo procedimiento:
- De la última ecuación:
𝑥3 = 3
- Realizando la segunda ecuación:
𝑥2 = 5 − 7 /3(3) = -2
- Realizando la primera ecuación:

𝑥1 = 11 / 4 + 1 / 2𝑥2 – 1 / 4 𝑥3 = 11 / 4 + 1 / 2(-2) – 1 / 4 (-3) = 1
1.2.5. Metodo de Cholesky

 Este método de descomposicion LU se puede emplear en el caso que
una matriz simétrica A cuyos componentes sean números reales, sea
positiva definida si y sólo si los determinantes de las submatrices de A son
positivos.
a1,1 a1,1 a1,1
a1,1 a1,2 a1,1 a1,1 a1,1
a1,1  0,  0,..., 0
a2,1 a2,2
a1,1 a1,1 a1,1
 Para resolver un sistema lineal Ax = b, la factorización de A en la forma

LU es posible ya que toma la forma 𝐴 = 𝐿𝐿𝑇 donde L es triangular
inferior y LT es triangular superior:
21
 l1,1 0 0  l1,1 l1,2 ln,1 

l l3,1 0  0 l ln,2 
A  LL   
T 2,1 2,2
 0  
  
ln,1 ln,2 ln,n   0 0 ln ,n 
La solución del sistema Ax = b esta dada por las siguientes igualdades

𝐴𝑥 = 𝑏
𝐿𝐿𝑇 (𝑥) = 𝑏
𝐿(𝐿𝑇 𝑥) = 𝑏
𝐿𝑦 = 𝑏
 Una variante de la factorización de Cholesky es de la forma 𝐴 = 𝑅 𝑇 𝑅,
donde R es una matriz triangular superior, en algunas aplicaciones se
desea ver la matriz en esa forma y no de otra.
 Analizando la siguiente matriz
 a1,1 a1,1 a1,n   l1,1 0 0  l1,1 l1,2 ln,1 
a a2,n  l2,1 l3,1  0 l ln,2 
 2,1 a2,2 
0  2,2
   0  
    
 an,1 an,2 an,n  ln,1 ln,2 ln,n   0 0 ln,n 
Obtendriamos que el algoritmo sea de la siguiente forma:
El Algoritmo de Cholesky
2
𝑎1,1 = 𝑙1,1 → 𝑙1,1 = √𝑎11
𝑎1,𝑖
𝑎1,𝑖 = 𝑙1,1 𝑙𝑖,1 → 𝑙𝑖,1 = ; 𝑖 = 2, 3, … , 𝑛
𝑙1,1
𝑖−1
2
𝑙𝑖𝑖 = √(𝑎𝑖𝑖 − ∑ 𝑙𝑖,𝑘 ) ; 𝑖 = 2, 3, … , 𝑛
𝑘=1
𝑖−1
𝑙𝑗,𝑖 = (𝑎𝑖,𝑗 − ∑ 𝑙𝑗,𝑘 𝑙𝑖,𝑘 )⁄𝑙𝑖,𝑖 ; 𝑗 = 𝑖 + 1, … , 𝑛

𝑘=1
EJERCICIO PROPUESTO (ENLACE O FUENTE)
22
METODO DE CHOLESKY
Ejercicio desarrollado del libro

Pág. 59
Ejercicio 30
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
𝐴1 = 2
2 −1
𝐴2 = = 𝐴2 = 3
−1 2
2 −1 0
𝐴3 = −1 2 −1 = 𝐴3 = 4
0 −1 2
Procedemos a realizar una descomposición

K=1
𝑙1 = √𝑎11 = √2 = 1.414
1
𝑙1 𝑙2 = −1 = 𝑙2 = − = − − 0.707
1.414
𝑙2,2 = √𝑎2,2 − 𝑙1 𝑙2 = √2 − (−0.707)∇2 = 1.225
𝑎1 𝑓2 2 −1
𝐴2 = =
𝑓2 𝑎2,2 −1 2
1.414 0
𝑙2 =
−0.707 1.225
1.3. METODOS ITERATIVOS
23
 Los métodos iterativos para la búsqueda de raíces en un sistema de ecuaciones

generalmente se clasifican en:
1.3.1. Metodos de Jacobi y Gauss Seidel
 Estos métodos que consisten en hacer iteraciones, son una
generalización del método de punto fijo. Se puede aplicar la misma
técnica a fin de elaborar métodos para la solución de 𝐴𝑥 = 𝑏, de la
siguiente manera.
A partir de 𝐴𝑥 = 𝑏 se obtiene que
𝐴𝑥 − 𝑏 = 0 (1.20)
Esta ecuación vectorial correspondiente a 𝑓(𝑥) = 0. Se busca ahora
una matriz B y un vector c, de manera que la ecuación vectorial
𝐵𝑥 + 𝑐 = 𝑥 (1.21)
Sea sólo un arreglo de la ecuación 1.20; es decir, de manera que la
solución de una sea también la solución de la otra. La ecuación 1.21
correspondería a 𝑥 = 𝑔 (𝑥). Se propone un vector inicial x(0) como
primera aproximación al vector solución x. Luego se calcula con la
ecuación 1.21 la sucesión vectorial x(1), x(2),…, x(n) de la siguiente
manera
𝑥 (𝑘+1) = 𝐵𝑥 (𝑘) + 𝑐, 𝑘 = 0, 1, 2 …
Donde:
𝑥 (𝑘) = [𝑥1𝑘 𝑥2𝑘 … 𝑥𝑛𝑘 ]𝑇 (1.22)
Para que la sucesión x(0), x(1),…, x(n), converja al vector solución x es

necesario que eventualmente 𝑥𝑗𝑚 , 1 ≤ 𝑗 ≤ 𝑛 (los componentes del
vector xm), se aproximen tanto a xj, 1 ≤ 𝑗 ≤ 𝑛 (los componentes
correspondientes a x) , que todas las diferencias |𝑥𝑗𝑚 − 𝑥𝑗| , 1 ≤ 𝑗 ≤ 𝑛
sean menores que un valor pequeño previamente fijado, y que se
conserven menores para todos los vectores siguientes de la iteración.
La forma como se llega a la ecuación 1.21 define el algoritmo y su
convergencia. Dado el sistema 𝐴𝑥 = 𝑏, la manera más sencilla es
despejar x1 de la primera ecuación, x2 de la segunda, etc. Para ello, es
24
necesario que todos los elementos de la diagonal principal de A sean

distintos de cero. A continuación consideraremos un sistema general
de tres ecuaciones.
 Si:
𝑎1,1 𝑥1 + 𝑎1,2 𝑥2 + 𝑎1,3 𝑥3 = 𝑏1
𝑎2,1 𝑥1 + 𝑎2,2 𝑥2 + 𝑎2,3 𝑥3 = 𝑏2
𝑎3,1 𝑥1 + 𝑎3,2 𝑥2 + 𝑎2,3 𝑥3 = 𝑏3
Siendo 𝑎1,1, 𝑎2,2 y 𝑎3,3 distintos de cero, despejamos x1 de la primera

ecuación, x2 de la segunda y x3 de la tercera, con lo que se obtendra:
𝑎1,2 𝑎1,3 𝑏1
𝑥1 = − 𝑥2 − 𝑥3 +
𝑎1,1 𝑎1,1 𝑎1,1
𝑎2,1 𝑎2,3 𝑏2
𝑥2 = − 𝑥 − 𝑥3 + (1.23)
𝑎2,2 1 𝑎2,2 𝑎2,2
𝑎3,1 𝑎3,2 𝑏3
𝑥3 = − 𝑥1 − 𝑥 +
𝑎3,3 𝑎3,3 2 𝑎3,3
La matriz quedaria
𝑎1,2 𝑎1,3 𝑏1
‫ ۍ‬0 − − ‫ې‬ ‫ۍ‬ ‫ې‬
𝑎1,1 𝑎1,1 ‫ێ‬ 𝑎1,1 ‫ۑ‬
𝑥1 ‫ێ‬ ‫ۑ‬
‫𝑎 ێ‬2,1 𝑎2,3 ‫𝑥 ۑ‬1 ‫𝑏 ێ‬2 ‫ۑ‬
[𝑥2 ] = ‫ێ‬− 0 − [𝑥 ] + ‫ێ‬ (1.24)
𝑎 𝑎2,2 ‫𝑥 ۑ‬2 𝑎2,2 ‫ۑ‬
𝑥3 ‫𝑎 ێ‬2,2 𝑎3,2 ‫ۑ‬ 3 ‫ێ‬ ‫ۑ‬
‫ێ‬− 3,1 − 0 ‫ۑ‬ ‫𝑏 ێ‬3 ‫ۑ‬
‫𝑎 ۏ‬3,3 𝑎3,3 ‫ے‬ ‫𝑎ۏ‬3,3 ‫ے‬
Desarrollando la ecuación 1.22 con
𝑎1,2 𝑎1,3 𝑏1
‫ ۍ‬0 − − ‫ې‬ ‫ۍ‬ ‫ې‬
𝑎1,1 𝑎1,1 ‫ێ‬ 𝑎1,1 ‫ۑ‬
‫ێ‬ ‫ۑ‬
‫𝑎 ێ‬2,1 𝑎2,3 ‫ۑ‬ ‫𝑏 ێ‬2 ‫ۑ‬
𝐵 = ‫ێ‬− 0 − ‫ۑ‬ 𝑦 𝑐=‫ێ‬
𝑎 𝑎2,2 𝑎2,2 ‫ۑ‬
‫𝑎 ێ‬2,2 𝑎3,2 ‫ۑ‬ ‫ێ‬ ‫ۑ‬
‫ێ‬− 3,1 − 0 ‫ۑ‬ ‫𝑏 ێ‬3 ‫ۑ‬
‫𝑎 ۏ‬3,3 𝑎3,3 ‫ے‬ ‫𝑎ۏ‬3,3 ‫ے‬
Una vez que se tiene la forma 1.24, se propone un vector inicial x(0)
que puede ser 𝑥 (0) = 0, o algún otro que sea aproximado al vector
solución x. Para iterar existen dos variantes
ITERACION DE JACOBI
𝑥1𝑘
𝑥 (𝑘) = [𝑥2𝑘 ]
𝑥3𝑘
25
El vector aproximación a la solución x después de k iteraciones

cumpliría lo siguiente
(𝑏 − 𝑎1,2 𝑥2𝑘 − 𝑎1,3 𝑥3𝑘 )
‫ ۍ‬1 ‫ې‬
‫ێ‬ 𝑎 1,1 ‫ۑ‬
𝑥1𝑘+1 ‫ 𝑏(ێ‬− 𝑎 𝑥 𝑘 − 𝑎 𝑥 𝑘 )‫ۑ‬
2 2,1 1 2,3 3
𝑥 (𝑘+1) = [𝑥2𝑘+1 ] = ‫ێ‬ ‫ۑ‬
‫ێ‬ 𝑎 2,2 ‫ۑ‬
𝑥3𝑘+1 ‫ 𝑏(ێ‬− 𝑎 𝑥 𝑘 − 𝑎 𝑥 𝑘 )‫ۑ‬
‫ ێ‬3 3,1 1 3,2 3 ‫ۑ‬
‫ۏ‬ 𝑎3,3 ‫ے‬
Para un sistema de n ecuaciones con n incognitas se tiene el siguiente
algoritmo
𝑥𝑖𝑘+1 = − −𝑏𝑖 + ∑ 𝑎𝑖,𝑗 𝑥𝑗𝑘 ⁄𝑎𝑖,𝑖 ; 1 ≤ 𝑖 ≤ 𝑛

𝑗=1
𝑗≠𝑖
( )
ITERACION DE GAUSS - SEIDEL
Al determinar los valores en la (𝑘 + 1)-ésima iteración, estos se
emplean para calcular los valores faltantes de esa misma iteración.
(𝑏1 − 𝑎1,2 𝑥2𝑘 − 𝑎1,3 𝑥3𝑘 )
‫ۍ‬ ‫ې‬
‫ێ‬ 𝑎 1,1 ‫ۑ‬
𝑥1𝑘+1 ‫ 𝑏( ێ‬− 𝑎 𝑥 𝑘+1 − 𝑎 𝑥 𝑘 ) ‫ۑ‬
2 2,1 1 2,3 3
𝑥 (𝑘+1) = [𝑥2𝑘+1 ] = ‫ێ‬ ‫ۑ‬
𝑘+1 ‫ێ‬ 𝑎 2,2 ‫ۑ‬
𝑥3 ‫ 𝑏(ێ‬− 𝑎 𝑥 𝑘+1 − 𝑎 𝑥 𝑘+1 )‫ۑ‬
‫ ێ‬3 3,1 1 3,2 2 ‫ۑ‬
‫ۏ‬ 𝑎3,3 ‫ے‬
Para un sistema de n ecuaciones se tiene el siguiente algoritmo

𝑖−1 𝑛
𝑥𝑖𝑘+1 = − (−𝑏𝑖 + ∑ 𝑎𝑖,𝑗 𝑥𝑗𝑘+1 + ∑ 𝑎𝑖,𝑗 𝑥𝑗𝑘 )⁄𝑎𝑖,𝑖 ; 1 ≤ 𝑖 ≤ 𝑛

𝑗=1 𝑗=𝑖+1
 Ejemplo 7
Resolver el siguiente sistema de ecuaciones por el método de Jacobi y
Gauss – Seidel.
4𝑥1 − 𝑥2 =2
−𝑥1 + 4𝑥2 −𝑥3 = 6 (1.25)
−𝑥2 +4𝑥3 = 2
Sol.
26
Despejando x1 de la primera ecuación, x2 de la segunda y x3 de la

tercera, obtenemos:
𝑥1 = 0.5 + 0.25𝑥2
𝑥2 = 1.5 + 0.25𝑥1 + 0.25𝑥3 (1.26)
𝑥3 = 0.5 + 0.25𝑥2
Empleando el método de Jacobi
Expresado de otra forma,
𝑥1𝑘+1 = 0.5 + 0.25𝑥2𝑘
𝑥2𝑘+1 = 1.5 + 0.25𝑥1𝑘 + 0.25𝑥3𝑘
𝑥3𝑘+1 = 0.5 + 0.25𝑥2𝑘
Considere como aproximación inicial al vector:
0
𝑥 (0) = [0]
0
Primera iteración:
Los valores de x(1) se obtienen reemplazando x(0) en cada una de las
ecuaciones 1.26
𝑥1 = 0.5 + 0.25(0) = 0.5
𝑥2 = 1.5 + 0.25(0) + 0.25(0) = 1.5
𝑥3 = 0.5 + 0.25(0) = 0.5
Entonces
0.5
𝑥 (1) = [1.5]
0.5
Segunda iteración:
Los valores de x(2) se obtienen al sustituir x(1) en cada una de las
ecuaciones 1.26.
𝑥1 = 0.5 + 0.25(1.5) = 0.875
𝑥2 = 1.5 + 0.25(0.5) + 0.25(0.5) = 1.750
𝑥3 = 0.5 + 0.25(1.5) = 0.875
Entonces
0.875
𝑥 (2) = [1.750]
0.875
En forma tabular tenemos lo siguiente:
27
k 𝑥1𝑘 𝑥2𝑘 𝑥3𝑘

0 0.000 0.000 0.000
1 0.500 1.500 0.500
2 0.875 1.750 0.875
3 0.938 1.940 0.938
4 0.985 1.970 0.985
5 0.995 1.990 0.995
6 0.998 2.000 0.998
7 1.000 2.000 1.000
8 1.000 2.000 1.000
Finalmente con 10 iteraciones obtenemos lo siguiente:

1.000
𝑥 (10) = [2.000]
1.000
Empleando del método de Gauss - Seidel
Expresado de otra forma,
𝑥1𝑘+1 = 0.5 + 0.25𝑥2𝑘
𝑥2𝑘+1 = 1.5 + 0.25𝑥1𝑘+1 + 0.25𝑥3𝑘
𝑥3𝑘+1 = 0.5 + 0.25𝑥2𝑘+1
Considere como aproximación inicial al vector:
0𝑇
𝑥 (0) = [0]
0
Primera iteración:
Para el calculo del primer elemento del vector x(1) se sustituye x(0) en
la primera ecuacion de 1.26.
Para el calculo de 𝑥21 del vector x(1) se emplea el valor de 𝑥11 y los
valores x3 de x(0).
Con el valor ya obtenido de 𝑥21 hallamos 𝑥31 .
𝑥11 = 0.5 + 0.25(0) = 0.5
𝑥21 = 1.5 + 0.25(0.5) + 0.25(0) = 1.63
𝑥31 = 0.5 + 0.25(1.63) = 0.91
Entonces
28
0.5 𝑇
𝑥 (1) = [1.63]
0.91
Segunda iteración:
Para esta segunda iteración se procede de igual manera
𝑥12 = 0.5 + 0.25(1.63) = 0.91
𝑥22 = 1.5 + 0.25(0.91) + 0.25(0.91) = 1.96
𝑥32 = 0.5 + 0.25(1.96) = 0.99
Entonces
0.91 𝑇
(2)
𝑥 = [1.96]
0.99
k 𝑥1𝑘 𝑥2𝑘 𝑥3𝑘
0 0.00 0.00 0.00
1 0.50 1.63 0.91
2 0.91 1.96 0.99
3 0.99 2.00 1.00
4 1.00 2.00 1.00
5 1.00 2.00 1.00
Finalmente con 5 iteraciones obtenemos lo siguiente:

1.000
(10)
𝑥 = [2.000]
1.000
Gauss seidel
Ejemplo
Resolver el siguiente sistema de ecuación por el método gauss seidel utilizando un
error menor a 0.001
0.1𝑋1 − 7𝑋2 − 0.3𝑋3 = 19.30
3𝑋1 − 0.1𝑋2 − 0.2𝑋3 = 7.87
0.3𝑋1 − 0.2𝑋2 − 10𝑋3 = 71.40
Solución
Primero ordenamos las ecuaciones, de modo que en la diagonal principal estén los
coeficientes mayores para asegurar la convergencia.
3𝑋1 − 0.1𝑋2 − 0.2𝑋3 = 7.87
29
0.1𝑋1 − 7𝑋2 − 0.3𝑋3 = 19.30

0.3𝑋1 − 0.2𝑋2 − 10𝑋3 = 71.40
Despejando cada una de las variables sobre la diagonal

7.85 + 0.1𝑋2 + 0.2𝑋3
𝑋1 =
3
−19.3 − 0.1𝑋2 + 0.3𝑋3
𝑋2 =
7
71.4 − 0.3𝑋2 + 0.2𝑋3
𝑋3 =
10
Supongamos los valores iniciales 𝑋2 = 0 𝑌𝑋3 = 0 𝑌 𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑚𝑜𝑠 𝑋1

7.85
𝑋10 = = 2.6167
3
Este valor junto con el de𝑋3 se puede utilizar para 𝑋2
−19.3 − 0.1(2.6167)
𝑋20 = = −2.794523
7
La primera iteración se completa sustituyendo los valores de 𝑋1 𝑋2 cálculos obtenidos
71.4 − 0.3(2.616666) + 0.2) − 2.794523
𝑋30 = = 7.005609
10
En la segunda iteración, se repite el mismo procedimiento:

7.85 + 0.1(−2.794523) + 0.2(7.005609)
𝑋11 = = 2.990556
3
−19.3 − 0.1(2.990556) + 0.3(7.005609)
𝑋21 = = −2.499524
7
71.4 − 0.3(2.990556) + 0.2(−2.499624)
𝑋31 = = 7.000290
10
Comparando los valores calculados entre la primera y la segunda iteración
|𝑋11 − 𝑋10 | = |2.990556 − 2.616666| = 0.373890
|𝑋2 − 𝑋20 | = |= −2.794523 − (−2.499524)| = 0.294890
1
|𝑋31 − 𝑋30 | = |7.005609 − 7.000290| = −0.05319

Como podemos observar no se cumple la condición
|𝑋11 − 𝑋10 | ≤ 𝐸 𝑝𝑎𝑟𝑎 𝑖 = 0,1,2,3
Entonces tomamos los últimos valores tomados en la iteración y se toman como
supuestos para la siguiente iteración, se repite entonces el proceso:
7.85 + 0.1(= −2.499624) + 0.2(7.000290)
𝑋12 = = 3.000031
3
−19.3 − 0.1(3.000031) + (7.000290)
𝑋22 = = −2.499988
7
71.4 − 0.3(3.000031) + 0.2(−2.499988)
𝑋32 = = 6.999999
10
Comparando de nuevo los valores obtenidos
|𝑋11 − 𝑋10 | = |3.000031 − 2.9905556| = 0.009475
|𝑋2 − 𝑋20 | = |= −2.499988 − (−2.499624)| = 0.000364
1
|𝑋31 − 𝑋30 | = |6.999999 − 7.000290| = 0.000291

Como se observa todavía no se cumple la condición
|𝑋𝑖2 − 𝑋𝑖1 | ≤ 𝐸 𝑝𝑎𝑟𝑎 𝑖 = 0,1,2,3
Ahora asemos otra iteración
30
7.85 + 0.1(−2.499988) + 0.2(6.999999)

𝑋13 = = 3.000000
3
−19.3 − 0.1(3.000000) + 0.3(6.999999)
𝑋23 = = −2.500000
7
71.4 − 0.3(3.000000) + 0.2(−2.500000)
𝑋33 = = 7.000000
10
Comparando los valores obtenidos
|𝑋13 − 𝑋12 | = |3.000000 − 3.000031| = 0.000031
3
|𝑋2 − 𝑋22 | = |= −2.500000 − (−2.499988)| = 0.000012
|𝑋33 − 𝑋32 | = |7.000000 − 6.999999| = 0.000001
Dado que se cumple la condición el resultado es:
𝑋1 = 3
𝑋2 = −2.5
𝑋3 = 7
Como se puede comprobar no se tiene un número exacto de iteraciones para
encontrar una solución, en este ejemplo, se hicieron 3 iteraciones, pero a menudo se
necesita más iteraciones.
APLICACIÓN DEL MÉTODO GAUSS SEIDEL

Problema 1.
Una compañía minera extrae extrae mineral de dos minas I, el cual contiene para la
mina el 1% de níquel y 2% de cobre, para la mina II el 2%de níquel y 5% de cobre.
¿Qué cantidad de mineral se deberá extraer de cada mina para obtener 4 toneladas de
níquel y 9 toneladas de cobre?
Solución:
¿Cuál es el problema? ¿Qué se busca?
Queremos saber el número de toneladas de mineral que hay que extraer de cada
mina, asignemos literalmente a esos números.
Sean X el número de toneladas que se extrae de la mina I
Y el número de toneladas que se extrae de la mina II
Establezcamos ahora relaciones algebraicas entre las literales.
¿Cuánto se obtiene de níquel de la mina I?
0.01𝑋
¿Y de la mina II?
0.02
Entonces la ecuación queda:
0.01𝑋 + 0.02𝑌 = 4
Análogamente para el cobre tenemos:
0.02𝑋 + 0.05𝑌 = 9
Así para saber cuántas toneladas hay que extraer de cada mina debemos resolver el
sistema de dos ecuaciones lineales con dos incógnitas.
0.01𝑋 + 0.02𝑌 = 4
0.02𝑋 + 0.5 = 9
La matriz queda de la siguiente forma
0.01 0.02 4
[ ]
0.02 0.05 9
Despejando las incógnitas
31
4 − 0.02. 𝑌
𝑋=
0.01
9 − 002. 𝑥
𝑌=
0.05
Tomando como primer valor inicial a 𝑌1 = 75 resolvemos para 𝑋1 para obtener
posterior mente 𝑌2
4 − 0.02.75
= 250
0.01
9 − 0.02.75
= 80
0.05
Calculemos el error
80 − 75 25
. 100 =
80 4
Que aún es mayor al 1% Así que repetimos el proceso de iteración las veces
necesarias.
4 − 0.02.80
= 240
0.01
9 − 0.02.240
= 84
0.05
4 − 0.02.84
= 232
0.01
9 − 0,02.232 436
=
0.05 5
4−0.02.87.2 1128 4−0.02.91.808 27048
= =
0.01 5 0.01 125
9−0.02.225.6 2244 9−0.02.216.384 58404
= =
0.05 25 0.05 625
4−0.02.89.76 5512 4−0.02.93.4464 133192
= =
0.01 25 0.01 625
9−0.02.220.48 11476 9−0.02.213.1072 296116
= =
0.05 125 0.05 3125
4−0.02.91.808 27048 4−0.02.94.75713 10524287
= 125 = 50000
0.01 0.01
Este proceso continua… dándonos como resultado
𝑋 = 100
𝑌 = 200
Que son las toneladas de material necesario que se deben extraer cada mima para
obtener 4 toneladas de níquel y 9 toneladas de cobre.
32
ACELERACION DE CONVERGENCIA
Se le puede entender como un método de relajación como se hará notar
posteriormente, son lo métodos de Jacobi y Gauss-Seidel afectados por
un factor de relajacion w que, elegido adecuadamente, puede producir
convergencia o acelerarla si ya existe.
Algoritmo de Relajación
 i 1 n 
x k 1
i  x  w bi   li , j x j  xi  ui , j x kj  ;1  i  n
k
i
k 1 k
 j 1 j i 1 
Si 𝑤 = 1 se emplea el método Gauss-Seidel.
Si 0 < 𝑤 < 1 es llamado el proceso de sub-relajacion.
Si 1 < 𝑤 < 2 es llamado el proceso de sobre-relajacion.
Estos métodos se abrevian frecuentemente como SOR (del inglés
Succesive Over-Relaxation). En general, el cálculo de w es complicado
y sólo para sistemas especiales (matriz coeficiente positivamente
definida y tridiagonal) se tiene una fórmula.
2. SOLUCIÓN DE SISTEMAS DE ECUACIONES NO LINEALES

- Para resolver un sistema de ecuaciones no lineales (𝑓(𝑥) = 0) emplearemos
técnicas ya conocidas como la de Newton-Raphson y nuevas como el método de
Broyden. En esta parte del capitulo utilizaremos sistemas de dos ecuaciones no
lineales en dos incógnitas, lo cual no implica pérdida de generalidad y a cambio
nos permitirá realizar los cálculos de manera más ágil y, sobre todo, presentar una
interpretación geométrica del método.
- Un sistema de n ecuaciones no lineales en n incógnitas tiene la forma general:
𝑓1 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 0
𝑓2 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 0 (2.00)
⋮
𝑓3 (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) = 0
Donde 𝑓1 (𝑥1 + 𝑥2 + ⋯ + 𝑥𝑛 ) para 1 ≤ 𝑖 ≤ 𝑛 es una función (lineal o no) de las
variables independientes x1, x2, x3,…, xn.
La ecuación 2.00 se reducirá al caso 1.00 si 𝑛 > 1 y f1, f2,…, fn son todas
funciones lineales de x1, x2, x3,…, xn.
33
Por todo esto, es fácil entender que los métodos iterativos de solución de la
ecuación 2.00 son extensiones de los métodos para ecuaciones no lineales con una
incógnita y emplean las ideas que se aplicaron al desarrollar los algoritmos
iterativos para resolver 𝐴𝑥 = 𝑏.
Por ejemplo:
 𝑓1 (𝑥1 , 𝑥2 ) = 𝑥21 + 𝑥22 − 4 = 0
𝑓2 (𝑥1 , 𝑥2 ) = 𝑥2 − 𝑥21 = 0
 𝑓1 (𝑥1 , 𝑥2 , 𝑥3 ) = 𝑥1 𝑥2 𝑥3 − 10𝑥31 + 𝑥2 = 0
𝑓2 (𝑥1 , 𝑥2 , 𝑥3 ) = 𝑥1 + 2𝑥2 𝑥3 + 𝑠𝑒𝑛𝑥2 − 15 = 0
𝑓3 (𝑥1 , 𝑥2 , 𝑥3 ) = 𝑥22 − 5𝑥1 𝑥3 − 3𝑥33 + 3 = 0

2.1. MÉTODO DEL PUNTO FIJO MULTIVARIABLE
 El método del punto fijo también se puede extender de manera simple para
aplicarlo a un sistema de ecuaciones no lineales. El sistema de ecuaciones por
iterar se obtiene reagrupando cada una de las ecuaciones para obtener un
sistema de ecuaciones que separa en el lado izquierdo cada una de las
variables; en el lado derecho se inserta una aproximación de cada variable, y
así se calculan los nuevos valores. Éstos se usan para dar, a su vez, nuevos
valores, y el proceso se repite en forma iterativa (Nieves et al., 2002), (Burden
et al., 2002). Si el método es adecuado, los valores se aproximan cada vez
más a la solución verdadera.
 Si se partimos del siguiente sistema de ecuaciones
𝑓1 (𝑥, 𝑦) = 0 (2.01)
𝑓2 (𝑥, 𝑦) = 0
Así como en los métodos y en los métodos de Jacobi y Gauss-Seidel (Sec.
1.3.1), se resolverá la primera ecuación para alguna de las variables, x por
ejemplo, y la segunda para y.
𝑥 = 𝑔1 (𝑥, 𝑦)
(2.02)
𝑦 = 𝑔2 (𝑥, 𝑦)
Al igual que en los métodos mencionados, se tratará de obtener la estimación

(𝑘 + 𝑙)-ésima a partir de la estimación k-ésima con la expresión
𝑥 𝑘+1 = 𝑔1 (𝑥 𝑘 , 𝑦 𝑘 )
(2.03)
𝑦 𝑘+1 = 𝑔2 (𝑥 𝑘 , 𝑦 𝑘 )
34
Se comienza con valores iniciales x0, y0, se calculan nuevos valores x1, y1 y
se repite el proceso, esperando que después de cada iteración los valores de
xk y yk se aproximen a la raíz buscada 𝑥̅ , 𝑦̅, la cual cumple con:
𝑥̅ = 𝑔1 (𝑥̅ , 𝑦
̅)
𝑥̅ = 𝑔2 (𝑥̅ , 𝑦
̅)
Por analogía con los casos analizados, puede predecirse el comportamiento y
las características de este método de punto fijo multivariable. Como se sabe,
en caso de una variable la forma particular de pasar de 𝑓(𝑥) = 0 a 𝑥 = 𝑔(𝑥),
afecta la convergencia del proceso iterativo. Entonces debe esperarse que la
forma en que se resuelve para 𝑥 = 𝑔1 (𝑥, 𝑦) y 𝑦 = 𝑔2 (𝑥, 𝑦) afecta la
convergencia de las iteraciones (2.03).
Se sabe que el reordenarniento de las ecuaciones en el caso lineal afecta la
convergencia, por lo que puede esperarse que la convergencia del método en
estudio dependa de si se despeja x de f2 o de f1.
Finalmente, como en el método iterativo univariable y en el de Jacobi y de
Gauss-Seidel, en caso de haber convergencia es de primer orden, cabe esperar
que el método iterativo multivariable tenga esta propiedad.
 Ejemplo 8
Resolver el siguiente sistema de ecuaciones no lineales
𝑓1 (𝑥, 𝑦) = 𝑥 2 − 10𝑥 + 𝑦2 + 8 = 0
𝑓1 (𝑥, 𝑦) = 𝑥𝑦 2 + 𝑥 − 10𝑦 + 8 = 0
Sol.
Despejando x del término (-10x) y de y del término (-10y), resulta:
𝑥2 + 𝑦 2 + 8
𝑥=
10
2
𝑥𝑦 + 𝑥 + 8
𝑦=
10
Con la notación 2.03
2 2
𝑘+1
(𝑥 𝑘 ) + (𝑦 𝑘 ) + 8
𝑥 =
10
𝑘 2
𝑥 𝑘 (𝑦 ) + 𝑥 𝑘 + 8
𝑦 𝑘+1 =
10
Teniendo como valores iniciales 𝑥 (0) = 0 y 𝑦 (0) = 0 iniciamos la iteración.
Primera iteración:
35
(0)2 + (0)2 + 8
𝑥1 = = 0.8
10
0(0)2 + 0 + 8
𝑦1 = = 0.8
10
Segunda iteración:
(0.8)2 + (0.8)2 + 8
𝑥2 = = 0.928
10
0.8(0.8)2 + 0.8 + 8
𝑦2 = = 0.9312
10
Tercera iteración:
(0.928)2 + (0.9312)2 + 8
𝑥3 = = 0.97283
10
0.928(0.9312)2 + 0.928 + 8
𝑦3 = = 0.97327
10
Cuarta iteración:
3
(0.97283)2 + (0.97327)2 + 8
𝑥 = = 0.98937
10
0.97283(0.97327)2 + 0.97283 + 8
𝑦3 = = 0.98944
10
k 𝑥𝑘 𝑦𝑘
0 0.00000 0.00000
1 0.80000 0.80000
2 0.92800 0.93120
3 0.97283 0.97327
4 0.98937 0.98944
5 0.99578 0.99579
6 0.99832 0.99832
7 0.99933 0.99933
8 0.99973 0.99973
9 0.99989 0.99989
10 0.99996 0.99996
11 0.99998 0.99998
12 0.99999 0.99999
13 1.00000 1.00000
36
 Existe también un criterio de convergencia que puede aplicarse antes de

iniciar el proceso iterativo mencionado y que dice lo siguiente:
Para asegurar la convergencia es que
g1 g 2 g g
  M  1; 1  2  M  1
x x y y
Para todos los puntos (x, y) de la región del plano que contiene todos los
valores (xk, yk) y la raíz buscada (𝑥̅, 𝑦̅ ).
Si M es muy pequeña en una región de interés, la iteración converge
rápidamente; si M es cercana a 1 en magnitud, entonces la iteración puede
converger lentamente. Por lo general es muy difícil encontrar el sistema 2.02
a partir de la ecuación 2.01, de modo que satisfaga la condición 2.03.
De todas maneras, cualquiera que sea el sistema 2.02 a que se haya llegado y
que se vaya a resolver con este método, puede aumentarse la velocidad de
convergencia usando desplazamientos sucesivos en lugar de los
desplazamientos simultáneos del esquema 2.03.
Es decir, se iteraría mediante
𝑥 𝑘+1 = 𝑔1 (𝑥 𝑘 , 𝑦 𝑘 )
𝑦 𝑘+1 = 𝑔2 (𝑥 𝑘+1 , 𝑦 𝑘 )
Como en el caso lineal (Jacobi y Gauss-Seidel), si la iteración por
desplazamientos simultáneos diverge, generalmente el método por
desplazamientos sucesivos divergería más rápido; es decir, se detecta más
rápido la divergencia, por lo que se recomienda en general el uso de
desplazamientos sucesivos en lugar de desplazamientos simultáneos.
METODO PUNTO FIJO MULTIVARIALBLE

http://www.videosdematematicas.com/algebra/Sistemas
Ejercicio propuesto %20de%20ecuaciones%20-
%20Ejercicios%20propuestos%20y%20resueltos
Utilice el método de punto fijo multivariable para encontrar una solución del siguiente
sistema de ecuaciones.
5𝑥1 − 2𝑥2 + 𝑥3 = 24
2𝑥1 + 5𝑥2 − 2𝑥3 = −14
𝑥1 − 4𝑥2 + 3𝑥3 = 26
Sol.
37
Despejando 𝑥1 , 𝑥2 y 𝑥3 resulta:
24 + 2𝑥2 − 𝑥3
𝑥1 =
5
2𝑥3 − 2𝑥1 − 14
𝑥2 =
5
26 + 4𝑥2 − 𝑥1
𝑥3 =
3
(0) (0) (0)
Teniendo como valores iniciales 𝑥1 = 0, 𝑥2 = 0 y 𝑥3 = 0 iniciamos la iteración.
Primera iteración:
24 + 2(0) − (0) 24
𝑥1 = = = 4.8
5 5
2(0) − 2(0) − 14 −14
𝑥2 = = = −2.8
5 5
26 + 4(0) − (0)
𝑥3 = = 8. 6̂
3
Segunda iteración:
24 + 2(−2.8) − (8.66667)
𝑥1 = = 1.94667
5
2(8.66667) − 2(4.8) − 14
𝑥2 = = −1.25333
5
26 + 4(−2.8) − (4.8)
𝑥3 = = 3.33333
3
Segunda iteración:
24 + 2(−1.25333) − (3.33333)
𝑥1 = = 3.632002
5
2(3.33333) − 2(1.94667) − 14
𝑥2 = = −2.24534
5
26 + 4(−1.25333) − (1.94667)
𝑥3 = = 6.34667
3
Tercera iteración:
24 + 2(−2.24534) − (6.34667)
𝑥1 = = 2.63253
5
2(6.34667) − 2(3.632002) − 14
𝑥2 = = −1.71413
5
26 + 4(−2.24534) − (3.632002)
𝑥3 = = 4.46221
3
Cuarta iteración:
38
24 + 2(−1.71413) − (4.46221)
𝑥1 = = 3.22191
5
2(4.46221) − 2(2.63253) − 14
𝑥2 = = −2.06813
5
26 + 4(−1.71413) − (2.63253)
𝑥3 = = 5.50365
3
Quinta iteración:
𝑥1 = 2.87202
𝑥2 = −1.8873
𝑥3 = 4.83519
Sexta iteración:
𝑥1 = 3.07804
𝑥2 = −2.15469
𝑥3 = 5.19293
Séptima iteración:
𝑥1 = 2.89954
𝑥2 = −1.95404
𝑥3 = 4.76773
Octava iteración:
𝑥1 = 2.979798
𝑥2 = −2.05272
𝑥3 = 5.09477
Novena iteración:
24 + 2(−2.05272) − (5.09477)
𝑥1 = = 2.95996
5
2(5.09477) − 2(2.979798) − 14
𝑥2 = = −1.9540
5
26 + 4(−2.05272) − (2.979798)
𝑥3 = = 4.93664
3
Décima iteración:
24 + 2(−1.9540) − (4.93664)
𝑥1 = = 3.03107
5
39
2(4.93664) − 2(2.95996) − 14
𝑥2 = = −2.00933
5
26 + 4(−1.9540) − (2.95996)
𝑥3 = = 5.07468
3
Undécima iteración:
24 + 2(−2.00933) − (5.07468)
𝑥1 = = 3.03107
5
2(5.07468) − 2(3.03107) − 14
𝑥2 = = −2.00933
5
26 + 4(−2.00933) − (3.03107)
𝑥3 = = 5.07468
3
2.2. MÉTODO DE NEWTON RAPHSON

 Resolviendo el siguiente sistema
𝑓1 (𝑥, 𝑦) = 0
𝑓2 (𝑥, 𝑦) = 0
Donde ambas funciones son continuas y diferenciables, de modo que puedan
expandirse en serie de Taylor, es decir
f f 1  2 f 2 f 
f ( x, y)  f (a, b)  ( x  a )  ( y  b)    x  a  2  x  a  y  b  
2
x x 2!  xx xy 
f f 1  2 f 2 f 2 f 2
f ( x, y)  f (a, b)  ( x  a )  ( y  b)    x  a  2  x  a  y  b    y  b    ...
2
x x 2!  xx xy xy 
Donde f(x,y) se ha expandido alrededor del punto (a,b) y todas las derivadas
parciales están evaluadas en (a,b).
Expandiendo f1 alrededor de (xk, yk)
f1 k 1 k f1 k 1 1   2 f1 k 1 k 2 2 f
f ( x k 1 , y k 1 )  f1 ( x k , y k ) 
x
(x  x ) 
y
( y  yk )  
2!  xx
 x  x  xy
 2
(2.04)
f1 k 1 k f1 k 1 1   2 f1 k 1 k 2  2 f1 k 1 k  2 f1 k 1 2
( xk , y k ) 
x
(x  x ) 
y
( y  yk )  
2!  xx
 x x  2
xy
 x  x  y k 1  y k  
yy
 y  y k    ...

De la misma forma puede exapandirse f2

f 2 k 1 k f 2 k 1 k 1  2 f 2 f2 k
( y  y )   2  x k 1  x k   2 x
2
f 2 ( x k 1 , y k 1 )  f 2 ( x k , y k )  (x  x ) 
x y 2!  xx xy
(2.05)
40
f 2 k 1 k f 2 k 1 1   2 f 2 k 1 k 2  2 f 2 k 1 k  2 f 2 k 1 2
2 (x , y ) 
k k
x
(x  x ) 
y
( y  yk )  
2!  xx
 x x  2
xy
 x  x  y k 1  y k  
yy
 y  y k    ...

Ahora supóngase que xk+1 y yk+1 están cerca de la raíz buscada (𝑥̅, 𝑦̅ ) que el
lado izquierdo de las últimas ecuaciones son casi cero; además, asúmase que
xk y yk están tan próximos de xk+1 que pueden omitirse los términos a partir
de los que se encuentran agrupados en paréntesis rectangulares. Con esto la
ecuacion 2.04 y 2.05 se simplifica a
f1 k 1 k f1 k 1
0  f1 ( x k , y k )  (x  x )  ( y  yk )
x y
(2.06)
f f
0  f 2 ( x , y )  2 ( x k 1  x k )  2 ( y k 1  y k )
k k
x y
Simplificando aún más se cambia la notación con
𝑥 𝑘+1 − 𝑥 𝑘 = ℎ
(2.07)
𝑘+1 𝑘
𝑦 −𝑦 =𝑗
Quedaria la (𝑘 + 1)-esima iteración en términos de la k-esima
𝑥 𝑘+1 = ℎ + 𝑥 𝑘 (2.08)
𝑘+1 𝑘
𝑦 =𝑗+𝑦
La sustitución de la ecuación 2.07 en la 2.06 y el arreglo dan como resultado:
f1 f
h  1 j   f1 ( x k , y k )
x x
(2.09)
f 2 f
h  2 j   f2 ( xk , y k )
x x
Un sistema de ecuaciones lineales en las incógnitas h y j (recuerde que las

derivadas parciales de la ecuación 2.09, así como f1 y f2 están evaluadas en
(xk, yk) y, por tanto son números reales). Este sistema de ecuaciones lineales
resultante tiene solución única, siempre que el determinante de la matriz de
coeficientes o matriz jacobiana J no sea cero; es decir, si
f1 f1
x y
J  0
f 2 f 2
x y
41
El método de Newton-Raphson consiste fundamentalmente en formar y

resolver el sistema 2.09. Con la solución y la ecuación 2.08 se obtiene la
siguiente aproximación. Este procedimiento se repite hasta satisfacer algún
criterio de convergencia establecido. Cuando converge este método, lo hace
con orden 2, y requiere que el vector (x0, y0) esté cerca de la raíz buscada
(𝑥̅ , 𝑦̅).
 Ejemplo 9
Resolver el siguiente sistema por el método de Newton-Raphson para
encontrar una solución aproximada.
𝑓1 (𝑥, 𝑦) = 𝑥 2 − 10𝑥 + 𝑦2 + 8 = 0
𝑓2 (𝑥, 𝑦) = 𝑥𝑦 2 + 𝑥 − 10𝑦 + 8 = 0
𝑇
𝑥0 0𝑇
Sabiendo que el vector inicial: [ ] = [ ]
𝑦0 0
Sol.
Formando la matriz coeficiente del sistema 2.09
 f1 f1 
 x  2 x  10 y
 2y 
 
 f 2 f 2 
 x  y  1  2 xy  10 
2
 y 
Aumentada en el vector de funciones resulta en:
 2 x  10 2 y  x 2  10 x  y 2  8
 2 
 y  1 2 xy  10  xy  x  10 y  8
2
Primera iteración:
𝑇
𝑥0
Al evaluar la matriz en [ 0 ] se obtiene:
𝑦
10 0 8
 
 1 10 8
Por eliminación de Gauss
ℎ = 0.8, 𝑗 = 0.88
Al sustituir en la ecuación 2.07 se obtiene:
42
𝑥 1 = 𝑥 0 + ℎ = 0 + 8 = 0.8
𝑦1 = 𝑦 0 + 𝑗 = 0 + 0.88 = 0.88
Distancia entre x(0) y x(1)
x(1)  x(0)  (0.8  0)2  (0.88  0)2  1.18929
Segunda iteración:
𝑇
𝑥1
Al evaluar la matriz en [ ] se obtiene:
𝑦1
 8.4 1.76 1.41440

 
1.7744 8.592 0.61952
Por eliminación de Gauss
ℎ = 0.19179, 𝑗 = 0.11171
Al sustituir en la ecuación 2.07 se obtiene:
𝑥 2 = 𝑥 1 + ℎ = 0.8 + 0.19179 = 0.99179

𝑦 2 = 𝑦1 + 𝑗 = 0.88 + 0.11171 = 0.99171
Distancia entre x(1) y x(2)
x(2)  x(1)  (0.99179  0.8)2  (0.99171  0.88) 2  0.22190
k 𝑥𝑘 𝑦𝑘 |𝑥 𝑘+1 − 𝑥 𝑘 |
0 0.00000 0.00000 -
1 0.80000 0.88000 1.18929
2 0.99179 0.99171 0.22195
3 0.99998 0.99997 0.01163
4 1.00000 1.00000 0.00004
43
Fig. 2
(Interseccion de las superficies 𝑓1 (𝑥, 𝑦) 𝑦 𝑓2 (𝑥, 𝑦) con el plano x-y)
2.2.1. Metodo Newton-Raphson Multivariable
 Para un sistema de n ecuaciones no lineales con n incógnitas (véase

Ec. 2.00) y retornando la notación vectorial y matricial, las
ecuaciones 2.09 quedan:
𝐽𝒉 = −𝒇
Donde las funciones f1 y las derivadas parciales 𝜕𝑓𝑖 ⁄𝜕𝑥𝑗 , 𝑖 = 1, 2, … , 𝑛
𝑗 = 1, 2, … , 𝑛 están evaluadas en el vector x(k)y.
ℎ𝑖 = 𝑥𝑖𝑘+1 − 𝑥𝑖𝑘 ; 1 ≤ 𝑖 ≤ 𝑛 (2.10)
Donde:
𝑥𝑖𝑘+1 = ℎ𝑖 + 𝑥𝑖𝑘 𝑜 𝑥 (𝑘+1) = 𝑥 (𝑘) + ℎ(𝑘)
La matriz de derivadas parciales ampliada en el vector de funciones
queda:
 f1 f1 f1 
 x  f1 
x1 x1
 1 
 f1 f1 f1 
  f2 
 x1 x1 x1    J  f 
(2.11)
 
 
 f1 f1 f1
 f n 
 x1 x1 x1 
44
METODO NEWTON – RAPHSON MULTIVARIABLE

Referencia: MÉTODOS NUMÉRICOS CHAPRA 5TA EDICION
6.13 Encuentre las raíces de las ecuaciones simultáneas que siguente:
𝑈 = (𝑥 − 4)2 + (𝑦 − 4)2 = 5
𝑉 = 𝑥 2 + 𝑦 2 = 16
Solución:
𝐱 𝟐 − 𝟖𝐱 + 𝟏𝟔 + 𝐲 𝟐 − 𝟖𝐲 + 𝟏𝟔 = 𝟓
𝑥 2 + 𝑦 2 − 8𝑥 − 8𝑦+32=5
𝑥 2 + 𝑦 2 − 8𝑥 − 8𝑦+27=0
𝒙𝟐 + 𝒚𝟐 = 16
𝑥 2 + 𝑦 2 - 16 = 0
Reemplazar las siguientes formulas: Usando la serie de Taylor de múltiples variables
 Realizar las iteraciones que sean necesarias hasta que la condición diga “pare” es
ahí donde se termina de iterar.
 El jacobiano debe ser diferente de cero ya que nos daría una indeterminación.
 Si el jacobiano es cero entonces cambiamos nuestro Xi y Yi.
Donde:
 Ea = error porcentual
 Et= error de tolerancia
 Ui= x^2+y^2-8x-8y+27
 Vi= x^2+y^2 – 16
 dU/dX= 2x-8
45
 dV/dX=2x
 dU/dY= 2y-8
 dV/dY=2y
En Excel obtenemos:
i Xi Yi Ui Vi dUi/dXi dUi/dYi dVi/dXi dVi/dYi

1 1.5 3.5 1.5 -1.5 -5 -1 3 7
2 1.78125 3.59375 0.0878906 0.0878906 -4.4375 -0.8125 3.5625 7.1875
3 1.8054957 3.5695043 0.0011757 0.0011757 -4.389009 -0.860991 3.6109914 7.1390086
4 1.8058289 3.5691711 2.221E-07 2.221E-07 -4.388342 -0.861658 3.6116579 7.1383421
5 1.805829 3.569171 0 0 -4.388342 -0.861658 3.611658 7.138342
jacobiano Xi + 1 Ea Et condicional Yi + 1 Ea Et condicional

-32 1.78125 3.59375
-29 1.8054957 1.3428827 5E-09 siga 3.56950431 0.6792453 5E-09 siga
-28.22414 1.8058289 0.0184541 5E-09 siga 3.56917106 0.0093369 5E-09 siga
-28.21347 1.805829 3.488E-06 5E-09 siga 3.569171 1.765E-06 5E-09 siga
-28.21347 1.805829 0 5E-09 pare 3.569171 0 5E-09 pare
METODO DEL PUNTO FIJO MULTIVARIABLE

Referencia: MÉTODOS NUMÉRICOS BÁSICO PARA LA INGENIERÍA – catalogo
análisis numérico de física y matemáticas.
5.1 Transferencia de calor
Consideremos dos placas paralelas entre sí, la placa superior recibe radiación solar
equivalente de 1000 W/m2 con absortividad de 0.9 e intercambia calor con el ambiente
a 293K con coeficiente de convección de 10 W/m2K y con el cielo a 277K; la placa
inferior intercambia calor por convección a un medio a 300K con coeficiente de
convección de 15 W/m2K; las emitancias de las placas son de 0.9. Las placas
intercambian calor entre ellas por convección a 5 W/m2K y por radiación.
Las ecuaciones que modelan este sistema son:
900 + 10(293 − 𝑇1 ) + (5.67 ∗ 10−8 )(0.9)(2774 − 𝑇1 ) + (5.67 ∗ 10−8 )
(0.45)(𝑇24 − 𝑇14 ) + 5(𝑇2 − 𝑇1) = 0 (1)
(5.67 ∗ 10−8 )(0.45)(𝑇14 − 𝑇24 ) + 15(300 − 𝑇2) = 0 (2)
Calculamos las temperaturas con (1) y (2) y al despejar tenemos:
46
1
𝑇1𝑘+1 = (4130.43 + 5𝑇2𝑘 + 5.67 ∗ 10−8 [0.45(𝑇2𝑘 )4
15
− 1.35(𝑇1𝑘 )4 ])
1
𝑇2𝑘+1 = (4500 + 5𝑇1𝑘 + (0.45)(5.67 ∗ 10−8 )[(𝑇1𝑘 )4 − (𝑇2𝑘 )4 ])
20
Ahora con:
Suposición inicial
T1 [K] T2 [K]
300 300
En Excel tenemos:
Resultados
T1 [K] T2 [K] Residual Iteraciones
254.28 346.80 1.57E+02 100
Iteración T1(k) T2(k) T1(k+1) T2(k+1) Residual

1 300 300 347.81 300 47.8058
2 347.81 300 314.47 320.29 39.0271
3 314.47 320.3 350.12 302.67 39.7728
4 350.12 302.7 313.84 321 40.6482
5 313.84 321 350.91 302.29 41.5224
6 350.91 302.3 312.95 321.42 42.5081
7 312.95 321.4 351.71 301.86 43.4145
8 351.71 301.9 312.02 321.86 44.442
9 312.02 321.9 352.53 301.41 45.3811
10 352.53 301.4 311.05 322.31 46.4504
11 311.05 322.3 353.39 300.94 47.4224
12 353.39 300.9 310.04 322.78 48.5341
13 310.04 322.8 354.27 300.45 49.539
14 354.27 300.5 309 323.27 50.6938
15 309 323.3 355.17 299.95 51.7316
16 355.17 299.9 307.91 323.77 52.9299
17 307.91 323.8 356.11 299.42 54.0004
18 356.11 299.4 306.78 324.29 55.2425
19 306.78 324.3 357.07 298.89 56.3451
20 357.07 298.9 305.61 324.83 57.631
47
21 305.61 324.8 358.06 298.33 58.7652

22 358.06 298.3 304.4 325.38 60.0948
23 304.4 325.4 359.08 297.75 61.2597
24 359.08 297.8 303.15 325.95 62.6325
25 303.15 325.9 360.11 297.16 63.8269
26 360.11 297.2 301.86 326.54 65.2421
27 301.86 326.5 361.18 296.55 66.4647
28 361.18 296.6 300.53 327.14 67.9214
29 300.53 327.1 362.26 295.93 69.1705
30 362.26 295.9 299.17 327.75 70.6672
31 299.17 327.8 363.37 295.29 71.9409
32 363.37 295.3 297.76 328.38 73.4758
33 297.76 328.4 364.49 294.63 74.7719
34 364.49 294.6 296.33 329.02 76.3429
35 296.33 329 365.62 293.97 77.6589
36 365.62 294 294.86 329.68 79.2634
37 294.86 329.7 366.77 293.29 80.5965
38 366.77 293.3 293.36 330.34 82.2316
39 293.36 330.3 367.94 292.6 83.5788
40 367.94 292.6 291.84 331.01 85.241
41 291.84 331 369.1 291.9 86.599
42 369.1 291.9 290.3 331.69 88.2845
43 290.3 331.7 370.28 291.19 89.6498
44 370.28 291.2 288.73 332.38 91.3545
45 288.73 332.4 371.45 290.48 92.7234
46 371.45 290.5 287.15 333.07 94.4428
47 287.15 333.1 372.62 289.76 95.8113
48 372.62 289.8 285.56 333.76 97.5405
49 285.56 333.8 373.79 289.04 98.9046
50 373.79 289 283.97 334.45 100.638
51 283.97 334.4 374.94 288.33 101.994
52 374.94 288.3 282.37 335.13 103.727
53 282.37 335.1 376.09 287.61 105.071
54 376.09 287.6 280.78 335.81 106.798
55 280.78 335.8 377.21 286.9 108.124
56 377.21 286.9 279.2 336.49 109.84
57 279.2 336.5 378.32 286.2 111.146
58 378.32 286.2 277.64 337.16 112.844
59 277.64 337.2 379.41 285.5 114.125
60 379.41 285.5 276.09 337.81 115.801
61 276.09 337.8 380.47 284.82 117.054
62 380.47 284.8 274.57 338.45 118.702
63 274.57 338.5 381.5 284.15 119.924
64 381.5 284.2 273.08 339.08 121.538
65 273.08 339.1 382.5 283.5 122.726
48
66 382.5 283.5 271.62 339.69 124.302

67 271.62 339.7 383.46 282.86 125.452
68 383.46 282.9 270.2 340.28 126.986
69 270.2 340.3 384.4 282.25 128.097
70 384.4 282.2 268.82 340.86 129.585
71 268.82 340.9 385.29 281.65 130.654
72 385.29 281.6 267.49 341.41 132.093
73 267.49 341.4 386.15 281.07 133.119
74 386.15 281.1 266.21 341.94 134.504
75 266.21 341.9 386.97 280.52 135.486
76 386.97 280.5 264.97 342.45 136.817
77 264.97 342.4 387.75 279.99 137.753
78 387.75 280 263.79 342.94 139.027
79 263.79 342.9 388.49 279.48 139.918
80 388.49 279.5 262.66 343.4 141.134
81 262.66 343.4 389.19 279 141.978
82 389.19 279 261.59 343.84 143.136
83 261.59 343.8 389.86 278.54 143.935
84 389.86 278.5 260.57 344.26 145.033
85 260.57 344.3 390.48 278.1 145.787
86 390.48 278.1 259.6 344.65 146.826
87 259.6 344.6 391.07 277.69 147.536
88 391.07 277.7 258.69 345.02 148.517
89 258.69 345 391.62 277.31 149.183
90 391.62 277.3 257.83 345.37 150.107
91 257.83 345.4 392.14 276.94 150.732
92 392.14 276.9 257.02 345.69 151.599
93 257.02 345.7 392.62 276.6 152.183
94 392.62 276.6 256.26 346 152.997
95 256.26 346 393.07 276.28 153.542
96 393.07 276.3 255.56 346.29 154.302
97 255.56 346.3 393.48 275.99 154.81
98 393.48 276 254.9 346.55 155.52
99 254.9 346.6 393.87 275.71 155.992
100 393.87 275.7 254.28 346.8 156.654
2.2.2. Metodo de Newton-Raphson Modificado

 Este método consiste en aplicar el método de Newton-Raphson
univariable dos veces (para el caso de un sistema de n ecuaciones no
lineales con n incógnitas, se aplicará n veces), una para cada variable.
Cada vez que se hace esto, se consideran las otras variables fijas.
49
𝑓1 (𝑥, 𝑦) = 0
𝑓2 (𝑥, 𝑦) = 0
Con los valores iniciales de x(0) y y(0) a partir del método de Newton-
Raphson univariable un nuevo valor x(1) asi:
f1 ( x (0) , y (0) ) (2.12)
x (1)  x (0) 
f1 x
Obtenido x1 a partir de f1 y los valores mas recientes de x y y: x(0), y(0).
Ahora con f2 y los valores mas reciente de de x y y: x(0), y(0) para calcular
y(1).
f 2 ( x (1) , y (0) ) (2.13)
y (1)
y (0)

f 2 y
Donde 𝜕𝑓2 ⁄𝜕𝑦 se evalua en x(1), y(0). Teniendose ahora x(1) y y(1). Co
estos valores de calcula x(2) después y(2) y asi sucesivamente
Este método converge a menudo si x(0) y y(0) está muy cerca de (𝑥̅ , 𝑦̅) y
requiere la evaluación de sólo 2n funciones por paso (cuatro para el
caso de dos ecuaciones que se está manejando). Hay que observar que
se han empleado desplazamientos sucesivos, pero los desplazamientos
simultáneos también son aplicables
Al aplicar las expresiones 2.12 y 2.13 puede producir convergencia en
alguno de los arreglos y divergencia en el otro. Es posible saber de
antemano si la primera o la segunda forma convergirán para el caso de
sistemas de dos ecuaciones, pero cuando 3 ≤ 𝑛 las posibilidades son
varias (n!) y es imposible conocer cuál de estos arreglos tiene
viabilidad de convergencia, por lo cual la elección se convierte en un
proceso aleatorio. Esta aleatoriedad es la mayor desventaja de este
método.
En general, para un sistema de n ecuaciones con n
incógnitas 𝑥1 , 𝑥2 , … 𝑥𝑛 .
Algoritmo de Newton-Raphson Modificado
f1 ( x1k 1 , x2k 1 ,..., xik11 , xik ,..., xnk )

yi k 1  xi k 
fi
xi  x1k 1 , x2k 1 ,..., xik11 , xik ,..., xnk 
50
LOS 3 EJERCICIOS PROPUESTOS AQUÍ (ESPECIFICAR

FUENTE Y/O PAGINA)
2.3. METODO DE BROYDEN
 Este método basado en la generalización del método de la secante a sistemas
no lineales nos da el siguiente algoritmo:
( k 1)
 f ( x ( k ) )  f ( x ( k 1) )  A( k 1) ( x ( k )  x ( k 1) )  ( x ( k )  x ( k 1) )T
(k )
A A  2
x ( k )  x ( k 1)
 Este método sugiere un procedimiento que consta de 3 pasos:

 Emplear la aproximación del jacobiano Jn-1.
 Tomar la solución de la ecuación de la secante que suponga la
modificación minima de Jn-1 (minimización de la norma Frobenius)
Fn  J n 1xn T
J n  J n 1  xn
‖ xn‖ 2
 Continuar según el método Newton:
F ( xn )
xn 1  xn 
Jn
En esta formula
xn   x1 (n),..., xk (n)
Fn ( x)   f1 ( x1 (n),..., xk (n)),..., f k ( x1 (n),..., xk (n)
Son vectores de columna de k elementos en un sistema de k

dimensiones
 x1 (n)  x1 (n  1) 
xn   

 xk (n)  xk (n  1) 
 f1 ( x1 (n),..., xk (n))  f1 ( x1 (n  1),..., xk (n  1)) 

Fn   ... 

 f k ( x1 (n),..., xk (n))  f k ( x1 (n  1),..., xk (n  1)) 
 Este método sugiere también la formula de Sherman-Morrison para

actualizar directamente el inverso de la aproximación del jacobiano por
la aproximación de diferencia finita
51
xn  J n11Fn
J n1  J n11  T 1
(xnT J n11 ) (2.14)
xn J n 1Fn
A partir de la formula 2.14 conocida también como el buen método de
Broyden, se puede obtener una técnica similar empleando una
modificación distinta de Jn-1 que minimiza en su lugar ‖ J n1  J n11‖ F
Llamado mal método de Broyden.
xn  J n11Fn
J n1  J n11  FnT
FnT Fn
2.4. MÉTODO DE BAIRSTOW

 Este método permite obtener factores cuadráticos del polinomio.
𝑔(𝑥) = 𝑎0 𝑥 𝑛 + 𝑎1 𝑥 𝑛−1 + 𝑎2 𝑥 𝑛−2 + ⋯ + 𝑎𝑛 (2.15)
Aplicando el método de Newton-Raphson a un sistema relacionado con dicho
polinomio. Más específicamente, la división de g(x) por el polinomio
cuadrático 𝑥 2 − 𝑢𝑥 − 𝑣 (factor buscado) puede expresarse como:
𝑔(𝑥) = (𝑥 2 − 𝑢𝑥 − 𝑣)𝑞(𝑥) + 𝑟(𝑥) (2.16)
Donde q(x) es un polinomio de grado n-2 y r(x) el residuo lineal, dados

respectivamente por
𝑞(𝑥) = 𝑏0 𝑥 𝑛−2 + 𝑏1 𝑥 𝑛−3 + ⋯ + 𝑏𝑛−2 (2.17)
𝑟(𝑥) = 𝑏𝑛−1 (𝑢, 𝑣)(𝑥 − 𝑢) + 𝑏𝑛 (𝑢, 𝑣) (2.18)
Donde la notación 𝑏𝑛−1 (𝑢, 𝑣) y 𝑏𝑛 (𝑢, 𝑣) se usa para enfatizar que 𝑏𝑛−1 y 𝑏𝑛
dependen de las u y v seleccionadas para formar el factor cuadrático.
El factor cuadrático será un factor de p(x) si podemos escoger u y v de modo
que
𝑏𝑛−1 (𝑢, 𝑣) = 0
(2.19)
𝑏𝑛 (𝑢, 𝑣) = 0
Al desarrollar las operaciones indicadas en el lado derecho de la ecuación

2.16, se obtiene un polinomio cuyos coeficientes quedan expresados en
términos de las b's, u y v. Al igualar éstos con los coeficientes
correspondientes de (2.15), se tiene a las b's en la siguiente forma:
52
b0  a0 b0  a0
b1  ub0  a1 b1  a1  ub0
b2  ub1  vb0  a2 b2  a2  ub1  b0
bk  ubk 1  vbk  2  ak bk  ak k  ubk 1  vbk  2
bn 1  ubn  2  vbn 3  an 1 bn 1  an 1  ubn  2  vbn 3

bn  ubn 1  vbn  2  an bn  an  ubn 1  vbn  2
Si se hace artificialmente 𝑏−1 = 0 y 𝑏−2 = 0, la expresión para bk vale para
0 ≤ 𝑘 ≤ 𝑛, de modo que nuestra expresión general quedaría:
𝑏𝑘 = 𝑎𝑘 + 𝑢𝑏𝑘−1 + 𝑣𝑏𝑘−2 ; 0 ≤ 𝑘 ≤ 𝑛
En particular:
𝑏0 = 𝑎0 + 𝑢𝑏−1 + 𝑣𝑏−2
𝑏1 = 𝑎1 + 𝑢𝑏0 + 𝑣𝑏−1
La forma del factor cuadrático 𝑥 2 − 𝑢𝑥 − 𝑣 artificial a primera vista, tiene su

razón en la facilitación del cálculo de g(x) para un argumento complejo 𝑥 =
𝑎 + 𝑏𝑖. Sean las ak reales. Haciendo 𝑢 = 2𝑎 y 𝑣 = −𝑎2 − 𝑏 2 , tenemos:
𝑥 2 − 𝑢𝑥 − 𝑣 = (𝑎 + 𝑏𝑖)2 − 2𝑎(𝑎 + 𝑏𝑖) − (−𝑎2 − 𝑏 2 ) = 0

De esto por la ecuación 2.16:
𝑔(𝑥) = (𝑥 2 − 𝑢𝑥 − 𝑣)𝑞(𝑥) + 𝑟(𝑥)
= 0 + 𝑟(𝑥) = 𝑏𝑛−1 (𝑎 + 𝑏𝑖 − 2𝑎) + 𝑏𝑛
= 𝑏𝑛−1 (−𝑎 + 𝑏𝑖) + 𝑏𝑛
El método de Bairstow consiste en usar el método de Newton para resolver el sistema
2.19. Las derivadas parciales de 𝑏𝑛−1 y 𝑏𝑛 con respecto a u y v implican obtener
primero las derivadas parciales 𝑏𝑛−2 , 𝑏𝑛−3 , … , 𝑏1 y 𝑏0 , dada la recursividad de 𝑏𝑛 y
𝑏𝑛−1 . Por esto
𝜗𝑏−1
𝑐−2 = =0
𝜕𝑢
𝜗𝑏0
𝑐−1 = =0
𝜕𝑢
𝜗𝑏1
𝑐0 = = 𝑏0
𝜕𝑢
⋮
53
𝜗𝑏𝑛
𝑐𝑛−1 = = 𝑏𝑛−1 + 𝑢𝑐𝑛−2 + 𝑣𝑐𝑛−3
𝜕𝑢
De este modo las ck se calculan a partir de las bk, del mismo modo que las bk
se obtuvieron a partir de las ak Los dos resultados que necesitamos son:
𝜗𝑏𝑛−1 𝜗𝑏𝑛
𝑐𝑛−2 = ; 𝑐𝑛−1 =
𝜕𝑢 𝜕𝑢
𝜗𝑏𝑘+2
Tomando derivadas respecto a v y haciendo 𝑑𝑘 = encontramos
𝜕𝑣
𝜗𝑏𝑛
𝑑𝑛−2 = = 𝑏𝑛−2 + 𝑢𝑑𝑛−3 + 𝑣𝑑𝑛−4
𝜕𝑣
Como las ck y las dk satisfacen:
𝑐−2 = 𝑑−2 = 0
𝑐−1 = 𝑑−1 = 0
𝑐0 = 𝑑0 = 𝑏0
En particular
𝜗𝑏𝑛−1 𝜗𝑏𝑛
= 𝑑𝑛−3 = 𝑐𝑛−3 ; = 𝑑𝑛−2 = 𝑐𝑛−2
𝜕𝑢 𝜕𝑣
Para aplicar el método de Newton-Raphson supóngase que se tienen raíces
aproximadas 𝑎 ± 𝑏𝑖 de 𝑝(𝑥) = 0 y con esto el factor cuadrático asociado
𝑥 2 − 𝑢𝑥 − 𝑣 de p(x). Esto significa que tenemos raíces aproximadas de la
ecuación 2.19. Aplicando el método de Newton-Raphson a (2.19) queda:
𝑐𝑛−2 ℎ + 𝑐𝑛−3 𝑘 = −𝑏𝑛−1
𝑐𝑛−1 ℎ + 𝑐𝑛−2 𝑘 = −𝑏𝑛
Como se trata de dos ecuaciones lineales, se puede programar la solución

recurriendo a la regla de Cramer.
bn cn 3  bn 1cn  2 b c b c
h ; k  n 21 n 1 n n  2
cn  2  cn 1cn 3
2
cn  2  cn 1cn 3
54

Metodos Nuemericos Ing. Industrias Alimentareas

Cargado por

Información del documento

Título original

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

Metodos Nuemericos Ing. Industrias Alimentareas

Cargado por

Copyright:

Formatos disponibles

Capitulo III: Solución de sistemas de ecuaciones lineales y no lineales

II. RESUMEN ....................................................................................................................... 2

Dado ya el marco teorico procederemos al diseño de algoritmos y guias para la

- El grupo investigador deberá identificar, plantear y resolver por el método

- Tener un mayor conocimiento en programas matemáticos como Matlab, para

IV. MARCO TEÓRICO

1. SOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES

 Si el rango de la matriz coeficiente A y de la matriz aumentada B son iguales, se dice

 Un sistema inconsistente no tiene solución, mientras que uno consistente

Puede verse que: Rango de A = 1, rango de B = 2; como rango A ≠ rango B,

Entonces rango A = 1, rango B = 1, rango A < 2 = n; en este caso existe un

𝑎1,1 𝑥1 + 𝑎1,2 𝑥2 + 𝑎1,3 𝑥3 = 𝑏1

 Como primer paso, se reemplaza la segunda ecuación con lo que

segunda y tercera ecuació. Ahora, multiplicando la segunda ecuación

Con esto se incorpora la notación matricial y todas sus ventajas a la

4𝑥1 − 9𝑥2 + 2𝑥3 = 0

Haciendo una triangularización, o sea sumando la primera ecuación

det 𝐴 = ∏ 𝑎𝑖,𝑖 = 𝑎1,1 𝑎2,2 … 𝑎𝑛,𝑛 (1.11)

ELIMINACION DE GAUSS CON PIVOTEO

1.2.2. Metodo de Eliminación de Jordan

Resolver el siguiente sistema por el método de eliminacion de Jordan

Sumando la segunda fila (multiplicada por -(-9)/ l.25), a la primera fila

Los elementos de arriba y abajo del pivote se han eliminado. Por

Si 𝑏′2 ≠ 0, se elimina x2 sólo en la tercera ecuación y asi se obtendría

Resolver el siguiente sistema por el método de Thomas

1.2.4. Métodos de LU Croutt – Doolitle

Llegamos a un sistema de 9 ecuaciones con 12 incognitas, por lo que

𝑢3,3 = 𝑎3,3 − 𝑙3,1 𝑢1,3 − 𝑙3,2 𝑢2,3

Las ecuaciones 1.17, 1.18 y 1.19, convenientemente generalizadas

𝑢𝑖,𝑗 = 𝑎𝑖,𝑗 − ∑ 𝑙𝑖,𝑘 𝑢𝑘,𝑗 ; 𝑗 = 1, 𝑖 + 1, … , 𝑛

La matriz principal A deberá transformarse en una matriz triangular

𝑘𝑖,𝑗 (Elemento pivot)

EJERCICIO PROPUESTO (ESPECIFICAR ENLACE O FUENTE)

Ejercicio desarrollado del libro ¨Métodos numericos¨

Procedemos a despejar x del sistema

Lo primero es un sistema triangular superior el cual tenemos que resolver:

Al colocarlo en forma de ecuaciones queda como:

Para la primera ecuación:

Para la segunda ecuación:

Para la tercera ecuación:

𝑦3 = 17 + 2𝑦1 − 3𝑦2 = 17 + 2(11) − 3(15)= -6

Repetimos el mismo procedimiento y las nuevas ecuaciones quedan:

Repetimos el mismo procedimiento:

- Realizando la primera ecuación:

1.2.5. Metodo de Cholesky

 Para resolver un sistema lineal Ax = b, la factorización de A en la forma

 l1,1 0 0  l1,1 l1,2 ln,1 

La solución del sistema Ax = b esta dada por las siguientes igualdades

Obtendriamos que el algoritmo sea de la siguiente forma:

𝑙𝑗,𝑖 = (𝑎𝑖,𝑗 − ∑ 𝑙𝑗,𝑘 𝑙𝑖,𝑘 )⁄𝑙𝑖,𝑖 ; 𝑗 = 𝑖 + 1, … , 𝑛

EJERCICIO PROPUESTO (ENLACE O FUENTE)

Ejercicio desarrollado del libro

Procedemos a realizar una descomposición

1.3. METODOS ITERATIVOS

 Los métodos iterativos para la búsqueda de raíces en un sistema de ecuaciones

Para que la sucesión x(0), x(1),…, x(n), converja al vector solución x es

necesario que todos los elementos de la diagonal principal de A sean

Siendo 𝑎1,1, 𝑎2,2 y 𝑎3,3 distintos de cero, despejamos x1 de la primera

El vector aproximación a la solución x después de k iteraciones

𝑥𝑖𝑘+1 = − −𝑏𝑖 + ∑ 𝑎𝑖,𝑗 𝑥𝑗𝑘 ⁄𝑎𝑖,𝑖 ; 1 ≤ 𝑖 ≤ 𝑛

Para un sistema de n ecuaciones se tiene el siguiente algoritmo

𝑥𝑖𝑘+1 = − (−𝑏𝑖 + ∑ 𝑎𝑖,𝑗 𝑥𝑗𝑘+1 + ∑ 𝑎𝑖,𝑗 𝑥𝑗𝑘 )⁄𝑎𝑖,𝑖 ; 1 ≤ 𝑖 ≤ 𝑛

Despejando x1 de la primera ecuación, x2 de la segunda y x3 de la