Catedra Metodos Numericos 2019 Unsch 07

CATEDR A 0 7
Facultad de Ingeniería de Minas, Geología y Civil

Departamento académico de ingeniería de minas y ci v i l
METODOS
NUMERICOS
1
1. DEFINICIÓN Y CLASIFICACIÓN DE MATRICES
Las matrices son utilizadas por primera vez hacia el año 1850 por James Joseph
Sylvester. El desarrollo inicial de la teoría matricial se debe al matemático británico
William Rowan Hamilton en 1853. En 1857 el matemático Arthur Cayley introduce
la notación matricial como una forma abreviada de escribir un sistema de m
ecuaciones lineales con n incógnitas.
Las matrices se utilizan en cálculo numérico, solución de sistemas de ecuaciones

lineales, ecuaciones diferenciales y derivadas parciales. Además de su utilidad
para el estudio de sistemas de ecuaciones lineales, las matrices aparecen de
forma natural en geometría, estadística, economía, informática, física, etc.
La utilización de matrices (arreglos, arrays) constituye actualmente una parte
esencial en los lenguajes de programación, ya que la mayoría de los datos se
introducen en las computadoras como tablas organizadas en filas y columnas :
hojas de cálculo, bases de datos, etc.
Se denomina matriz de orden m × n a todo conjunto rectangular de elementos aij
dispuestos en m líneas horizontales (filas) y n verticales (columnas):
 a11 a12 ... ... a1n 

a a22 ... ... 
 21 a2 n 
A =  ai1 ai2 aij ... ain 
 ...

... ... am−1n−1 ... 
am1 am2 ... ... amn 
En nomenclatura matricial, a las matrices se les denota con una letra mayúscula,
A=[A]=(aij), con i =1, 2, ..., m, j =1, 2, ..., n. Los subíndices indican la posición del
elemento dentro de la matriz, el primero denota la fila (i) y el segundo la columna
(j). El elemento a25, por ejemplo, es el elemento de la fila 2 y columna 5.
Dos matrices son iguales cuando tienen la misma dimensión y los elementos que
ocupan el mismo lugar en ambas son iguales.
Atendiendo a su forma, las matrices se clasifican en:
Matriz fila: Es una matriz que solo tiene una fila, m =1 y por tanto es de orden 1´n.
A = a11 a12 a13 ... ... a1n 
A = 8 − 5 3 0 9 6
Matriz columna: Es una matriz que solo tiene una columna, es decir, n =1 y por
tanto es de orden m ´1.
 a11  −1
 a21  4
   
A =  ...  A=5
  0
am−1,1   
 am1  8 
Matriz cuadrada: Es aquella que tiene el mismo número de filas que de
columnas, es decir m = n. En estos casos se dice que la matriz cuadrada es de
orden n, y no n ´ n.
a11 a12 ... a1n  1 15 0 5 

a a22 ... a  − 6 3 4 − 2
A=  21 2 n
A = 
 ... ... ... ...   1 −12 2 10 
a an2 ... a   9 
 8 0 5 
 n1 nn 
Los elementos aij con i = j, o sea aii forman la diagonal principal de la matriz
cuadrada.
Matriz transpuesta: La matriz transpuesta de A (A es una matriz cualquiera), se
representa por At. Esta se obtiene cambiando renglones por columnas. El primer
renglón de A es la primera columna de At , el segundo renglón de A es la segunda
columna de At, etc.
De la definición se deduce que si A es de orden m x n, entonces At es de ordenn
´ m.
−1 9
−1 4 6
A2 x3 =  A3t x 2 =  4 0
 
 9 0 8  6 8
2 5 − 4 11 2 
Matriz simétrica: Una matriz 5 6 − 8 6 12
cuadradaA es simétrica siA = 
At, es decir, si aij = aji  i, j. A = −4 − 8 0 − 9 10
 11
 6 − 9 14 19
2 12 10 17 7 
1 2 −1 −12
− 2 7 4 −10
Matriz antisimétrica: Una matriz
cuadrada es antisimétrica si A = –At,
A= es decir, si aij = –aji  i, j.
1 −4 9 7 
 12 
 10 −7 9 
Atendiendo a los elementos, se pueden identificar los siguientes tipos de
matrices:
Matriz nula: es aquella que todos sus elementos son 0.
 0 0 0
 0 0 0
A = 0 A = 0 0 0 
A = 0 0 0 

 0 0 0
Matriz diagonal: Es una matriz cuadrada, en la que todos los elementos no
pertenecientes a la diagonal principal son nulos.
3 0 0
A = 0 − 7 0

0 0 11
Matriz diagonal dominante: Es una matriz cuadrada cuyos elementos en la
diagonal son en valor absoluto mayores a la suma de los valores absolutos de
los demás elementos en su fila, es decir:
n
aii   aij
j=1
ji
8 3 − 4 a11  a12 + a13 → 8  3 + − 4

A = 0 − 7 2  a22  a21 + a23 → − 7  3 + 2 la matrizAes diagonal dominante
5 2 11  a33  a31 + a32 → 11  5 + 2
3 0 0 0
Matriz escalar: Es una matriz diagonal
cuyos elementos pertenecientes a la 0 3 0 0
diagonal principal son iguales. A =
0 0 3 0
0 
 0 0 3
1 0 0 0
0 1 0 0
Matriz unidad o identidad: Es una matriz escalar
A= con los elementos de la diagonal principal
0 0 1 0 iguales a 1.
0 
 0 0 1
Matriz triangular: Es una matriz cuadrada cuyos elementos que están a un mismo
lado de la diagonal principal son cero. Pueden ser de dos tipos:
1 4 5 6 Triangular superior: Si los elementos que

0 −5 3 están por debajo de la diagonal principal
 2 son todos nulos. Es decir, aij =0  i<j.
A=
0 0 11 5
 
0 0 0 9
4 0 0 0 
Triangular inferior: Si los − 3 − 5 0 0 
elementos que están por encima
A= 
de la diagonal principal son todos
 1 12 −16 0 
nulos. Es decir, aij =0 j<i.
 
−1
 5 6 8 9
2. OPERACIONES CON MATRICES.
Trasposición de matrices. Dada una matriz de orden m x n, A= (aij),
se llama matriz traspuesta de A, y se representa por At, a la matriz
que se obtiene cambiando las filas por las columnas (o viceversa)
en la matrizA.
2 9 
4 − 5 2 4 7 0
A=  A =
t
7 3  9 − 5 3 5
0 5 
 
Propiedades de la trasposición de matrices
1. Dada una matriz A, siempre existe su traspuesta y además es
única.
2. (At)t = A.
Suma y diferencia de matrices. La suma de dos matrices A=(aij),
B=(bij), es otra matriz S=(sij) del mismo orden que los sumandos y
con término genérico sij=aij+bij. Por tanto, para poder sumar dos
matrices estas deben ser del mismo orden o dimensión.
La suma de las matrices A y B se denota porA+B.
3 0 9  4 5 1 
A = 6 7 8 B = 0 3 − 3
4 6 7 5 6 −
4
(3 +4) (0+ 5) (9 +1) 7 10

A + B = (6 + 0) (7+ 3)  
(8 − 3) = 6 5 5 
(4+ 5) (6 + 6) (7 −4) 9 10 3 
12
Propiedades de la suma de matrices
1. A+ 0 =A(0 es la matriz nula)
2. Propiedad conmutativa: A+ B = B +A
3. Propiedad asociativa:A+ (B + C) = (A+ B) + C
4. Matriz opuesta: Es la matriz que se obtiene cambiando todos los
signos de la matriz A, se denota con –A. La suma de una matriz
con su opuesta es cero,A+ (-A) = 0.
La diferencia de matricesA y B se representa por A–B, y se define como:A–B =A

+ (–B).
Producto de una matriz por un número. El producto de una matriz
A= (aij) por un número real k es otra matriz B= (bij) de la misma
dimensión que A y tal que cada elemento bij de B se obtiene
multiplicando aij por k, es decir, bij = k·aij.
Si k=5 y B=kA,
3 0 9  (53) (50) (59) 15 0 45
A = 6 7 8 B = (5 6) (5 7) (5  8) = 30 35 40

4 6 7 (5 4) (5  6) (5 20 30 35
7) 
El producto de la matriz A por el número real k se designa por k·A. Al número real
k se le llama también escalar, y a este producto, producto de escalares por
matrices.
Propiedades del producto de una matriz por un escalar
1. Propiedad distributiva:
k (A + B) = k A + k B
(k + h)A= kA+ hA (k y h son escalares)
2. Propiedad asociativa mixta: k [h A] = (k h)A
3. Elemento unidad: 1·A=A
Propiedades simplificativas
1. A+ C = B + C A= B.
2. kA= k B A= B si k es diferente de 0.
3. kA= hA h = k siAes diferente de 0.
Producto de matrices. Dadas dos matrices A y B, su producto es otra matriz P
cuyos elementos se obtienen multiplicando las filas de A por las columnas de B
elemento a elemento. Es evidente que el número de columnas de A debe coincidir
con el número de filas de B. Es más, si A tiene dimensión m ´ n y B dimensión n ´
r, la matriz P será de orden m´ r.
n
pij =  aik bkj i =1,...m
k =1 j = 1,...r
2 4 0   3
A2 x 3 =  =  
−  B3x1  4
 8 6 3
9
3
C2 x1 = A2 x3  B3x1  cij =  aik bkj i =1,2
k =1 j =1
3
c11 =  a1k bk1 = a11b11 + a12b21 + a13b31  3
k =1 2 4 0   4
8 6 − 3  
c11 = (23)+ (44)+ (09)= 22   9
3
c21 =  a2 k bk1 = a21b11 + a22b21 +a23b31 3 
2 4 0  4 
k =1  
8 6 − 3
c21 = (8 3 )+ (6 4 ) + (− 3 9 ) =
 9
21
22
=
C21  
21
Propiedades del producto de matrices
1. A·(B·C) = (A·B)·C
2. El producto de matrices en general no es conmutativo.
3 4   6 − 5  42 17  6 − 5 3 4  18 49 
0 − 5  6 8  = − 30 − 40  6 8   0 − 5 = 18 −16
           
3. Si A es una matriz cuadrada de orden n se tiene A·In = In·A =A

(In es la matriz identidad de orden n).
4. Dada una matriz cuadrada A de orden n, no siempre existe otra
matriz B tal que A·B = B·A = In. Si existe dicha matriz B, se dice
que es la matriz inversa de A y se representa porA–1 .
5. El producto de matrices es distributivo respecto de la suma de
matrices, es decir:A·(B + C) =A·B +A·C
Consecuencias de las propiedades
1. Si A·B= 0 no implica que A=0 ó B=0.
0 5 5 6 0 0

0 0 0 0 = 0 0
     
2. Si A·B=A·C no implica que B = C.

7 0 0 0 7 0 0 0 0 0
0 0  1 0 = 0 0  9 4 = 0 0
         
3. En general (A+B)2  A2 + B2 +2AB,ya que A·B  B·A.
4. En general (A+B)·(A–B)  A2–B2, ya que A·B B·A.

Matrices inversibles. Una matriz cuadrada que posee inversa se dice
que es inversible o regular; en caso contrario recibe el nombre de
singular.
Propiedades de la inversión de matrices
1.La matriz inversa, si existe, es única.
2.A-1A=A·A-1=I
3.(A·B) -1=B-1A-1
4.(A-1) -1=A
5.(kA) -1=(1/k·A-1)
6.(At) –1=(A-1) t
Observación. Existen matrices matrices que cumplen A·B = I, pero
que B·A I, en tal caso, se dice que A es la inversa de B “por la
izquierda” o que B es la inversa deA“por la derecha”.
Hay varios métodos para calcular la matriz inversa de una matriz dada:
directamente, usando determinantes o por Gauss-Jordan.
Directamente. Este método utiliza la propiedad A·A-1 = I, es decir, si tenemos
2 12  a b 1 0 
A = A =
−1 I2 =  
 4 −10 
 c d   0 1 
2a
Se pueden plantear las ecuaciones correspondientes:
2 0 12 0  a  1
2a +12c = 1 2b +12c = 0 0 2 0 12  b  0
  =  

4a -10c = 0 4b -10d =1 4 0 −10 0   c  0
0    
 4 0 −10 d  1
Resolviendo el sistema anterior,
a = 0.14706
b = 0.17647 0.14706 0.17647 
A = −1

c = 0.05882  0.05882 − 0.02941
d = −0.02941
Los otros dos métodos de inversión de matrices se expondrán posteriormente.

Capitulo V
Sistema de Ecuaciones
Algebraicas Lineales
INTRODUCCIÓN
Para la resolución de los S.E.L. se utilizan dos tipos
de métodos:
MÉTODOS DIRECTOS:
Son aquellos que obtienen la solución exacta tras
un número finito de operaciones elementales salvo
errores de redondeo en los cálculos.
MÉTODOS ITERATIVOS:
Van construyendo una sucesión de aproximaciones
a la solución “x” hasta obtener una precisión
determinada o hasta completar un número
determinado de iteraciones.
26
INTRODUCCIÓN
Aspectos sobre la eficacia de los distintos algoritmos:
• Rapidez:
Número de operaciones
• Coste espacial:
Memoria de almacenamiento necesaria.
• Facilidad de programación.
• Sensibilidad del algoritmo respecto a errores de
redondeo
• Tipo de problemas a los que es aplicable
27
INTRODUCCIÓN
Pretendemos resolver un sistema de “m” ecuaciones
lineales con “n” incógnitas:
a1,1 x1 + a1,2 x2 + +a1,n xn = b1

a2,1 x1 + a2,2 x2 + +a 2,n xn = b2
am,1 x + a x + + am,n xn = bm
1 m,2 2
En forma matricial lo expresamos como:
Ax=b
donde A mxn, x  n ,b  m
28
Clasificación de los
Sistemas de ecuaciones lineales
29
Teorema de Rouché-Frobenius
• El sistema Amnx = b es compatible si y sólo si
rango(A) = rango(A|b)
• Un sistema compatible es determinado si

rango(A) = n
• Un sistema compatible indeterminado tiene

n – rango(A) variables libres
• Solución xc = xp + núcleo(A)
30
TEOREMA DE EXISTENCIA Y UNICIDAD
PARA SISTEMAS NO HOMOGÉNEOS.
• El sistema Ax=b es compatible si y solo si b  R(A), en otras
palabrassi y solo si rango(A) = rango(A,b).
• Si el sistema es compatible y las columnas de A son linealmente
independientes entonces la solución es única.
• Si el sistema es compatible y las columnas de A son linealmente
dependientes entonces tiene infinitas soluciones.
TEOREMA DE EXISTENCIA Y UNICIDAD

PARA SISTEMAS HOMOGÉNEOS.
• El sistema Ax=0 tiene solución no trivial si y solo si las

columnas de A son linealmente dependientes.
• Si m = n, entonces Ax=0 tiene una solución no trivial si y solo
si A es singular.
31
TEOREMA DE INVARIANZA DE LA SOLUCIÓN
Las soluciones de un sistema compatible Ax = b

permanecen invariantes ante las siguientes operaciones:
• Al intercambiar dos ecuaciones cualesquiera.
• Al multiplicar una ecuación por un escalar no nulo.
• Al sumar a una ecuación una combinación lineal no
nula de otras ecuaciones.
32
Número de condición de una matriz
• cond mide el malcondicionamiento

cond(eye(n))=1
cond(matsingular) = inf
• rcond mide el buen condicionamiento

rcond(eye(n))=1
rcond(matsingular) = 0
• rcond y det
33
34
35
36
37
38
Matrices
• Es un arreglo rectangular de números donde no sólo
de valor de éste es importante, sino que también su
posición
• El tamaño de una matriz se describe por la cantidad
de filas y columnas (n x m)
 11
a a12 a13 
 a
A =  a 21 22 a23 

a a32
a33 
 31
• Cada fila o columna representa a un vector
39
Propiedades
• Dos matrices del mismo tamaño pueden sumarse o
restarse
A = aij y B = bij 
C = A + B = aij + bij = cij
• La multiplicación se define como sigue, cuando A

es n x m, y B es m x r. A·BB·A
aijbij= cij 
m
cij =  aik bkj i = 1,2,....n, j = 1,2,....r
k =1
40
Propiedades
• Si una matriz se multiplica por un escalar el
resultado es una nueva matriz con cada elemento
multiplicado por éste
• Una matriz con una sola columna se le denomina
vector columna (n x 1), si es una fila se habla de
vector reglón (m x 1)
• Al multiplicar una vector reglón con un vector
columna se obtiene el producto interior
• Al multiplicar una vector columna con un vector
reglón se obtiene el producto exterior
• La división para matrices no está definida, aún
cuando analizaremos la inversa de una matriz
41
• Ciertas matrices cuadradas tiene propiedades especiales, co
mo por ejemplo:
• Matriz diagonal (D): si todos los elementos sobre la diagonal

son distintos de 0
• Matriz identidad (I), caso especial en donde la diagonal está
compuesta por unos y l resto por 0. A·I = I·A
• Matriz de transposición (P), formada al intercambiar 2
reglones o columnas de la matriz identidad. El producto de v
arias matrice de trasposición es una matriz de permutación
• Matriz transpuesta (AT), es la matriz que se obtiene al
intercambiar los reglones por columnas o viceversa
• Traza (tr), cuando la matriz es cuadrada se define una
cantidad denominada Traza. Que es la suma de los elemento
s de la diagonal. tr (A)= tr (AT)
42
• Matriz triangular inferior (L), los elementos sobre la
diagonal son 0.
• Matriz triangular inferior (U) los elementos debajo de la
diagonal son 0
• Matriz tridiagonal, son aquellas con elementos distintos
de 0 en la diagonal y en las posiciones adyacentes
(importantes en ecuaciones diferenciales). Esta matriz
puede comprimirse a una matriz de 3 columnas y n
renglones.
• Matriz pentadiagonal, son aquellas con elementos distin
tos de 0 en la diagonal y en las posiciones adyacentes.
Esta matriz puede comprimirse a una matriz de 5
columnas y n renglones
43
Determinante
• El determinante de una matriz es un número
• Para una matriz 2x2 se calcula restando el producto
de los elementos en la diagonal menor a la superior
 a11 a12 
A=  det(A)=a11a22 − a12a21
a
 21 a22 
• Para una matriz mayor se aplica la regla de desarrollar
en términos de los menores respecto a algún reglón o
columna. El menor de cada término es la matriz de me
nor orden formada al eliminar el reglón o columna en
cuestión. Se parte con signo positivo si la suma del
reglón o columna es par y negativo en caso contrario,
de ahí en adelante se alternan los signos
• En el caso de una matriz triangular superior o inferior
su determinante es sólo el producto de los elementos
de diagonal
44
Ejercicio
3 0 −1 2 
4 1 3 −2
A=
0 2 −1 3 
1 
 0 1 4
det( A) = −146
 4 0 0
det A = 6 −2 0 = −40
1 −3 5
45
• Los determinantes pueden ocuparse también
para calcular el polinomio característico de la
matriz, ya que :
pA (  ) = A − I = det(A − I )
1 3 
A= 
 4 5 
 (1 −  ) 3 
pA () = A −  I = det  
 4 (5 −  ) 
= (1− )(5 − ) −12 =  2 − 6 − 7
46
Matrices
Sum:
a11 a12 a1m 
Cnm = Anm + Bnm
a a22 
 21 a2 m 
a32 cij = aij + bij
Anm = a31 a3m 
 
A and B must have the same
  dimensions
an1 an2
anm 
Matrices
Transpose:
Cmn = AT nm (A+ B)T = AT + BT

cij = a ji (AB)T = BT AT
If
AT = A A is symmetric
47
Matrices
Product:
A and B must have compatible
Cn p = Anm Bm p dimensions
m
cij =  aik bkj
k =1 Ann Bnn  Bnn Ann
1 0 0
 
Identity Matrix:
0 1 0
I =   IA = AI = A
 
0 0 1
48
Matrices
Determinant: A must be square
a11 a12  a11 a12

det   =a = a11a22 − a21a12
 21 22 
a a 21 a 22
a11 a12 a13 

 a22 a23 a21 a23 a21 a22
det a21 a22 a23 = a11
 − a12 + a13
 a 32 a33 a31 a33 a31 a32
a31 a32 a33 
49
Matrices
Inverse: A must besquare
Ann A−1nn = A−1nn Ann = I

−1
a11 a12  1  a22 − a12 
a  =  
 21 a22  a11a22 − a21a12 − a21 a11 
50
Métodos directos frente a métodos
iterativos
DIRECTOS ITERATIVOS
• Ax =b • Mx = (M−A)x + b
• x = A\ b • Mx(k+1) = (M−A) x(k) + b
• Tamaño moderado • Tamaño grande
• Producen llenado • Conservan los ceros
• Error de redondeo • Error de truncamiento
51
Convergencia y número de
operaciones
• Coste (para matrices densas)
Directos: n3 Iterativos: k.n2
• Convergencia
• Criterio de parada:
iter < maxiter
x (k +1 ) − x (k ) p
 tol; p = 1,2,...,inf
52
Limitaciones de los MétodosDirectos
• Acumulación del error de redondeo

• Coste de la eliminación: O(n3)
• Sensibilidad al error de redondeo

• Sistemas mal o bien condicionados
• Número de condición
• Estrategia de Pivotación Parcial
• Llenado de la matriz.
• Matrices dispersas
53
Sensibilidad al error de redondeo
• Sistema mal condicionado :

• Un pequeño cambio en la matriz causa un gran cambio en
la solución.
• Sistema bien condicionado :

• Pequeños cambios en la matriz causan pequeños cambios
en la solución.
• Condicionamiento de una matriz
54
Capitulo V
Métodos Directos de Solución
de Ecuaciones Lineales
55
.
CONTENIDO
Los métodos numéricos nos permitirán:

Solucionar sistemas de ecuaciones algebraicas
lineales
x+y=4
x−y=2
56
1. INTRODUCCIÓN
,
1.2.1. Sistemas de ecuaciones
Comentarios: en este ítem aplicaremos la teoría de matrices y

determinantes para determinar la solución de un sistema de
ecuaciones lineales. Identificaremos las condiciones para que un
sistema tenga solución y extenderemos estos criterios a
determinar la solución de “m” ecuaciones con “n” incógnitas.
Definición: Llamaremos sistema de ecuaciones lineales al

conjunto de ecuaciones con dos o más incógnitas (variables) de
tal manera que se verifiquen simultáneamente para ciertos
criterios asignados a sus incógnitas
57
1. INTRODUCCIÓN
,
Ejemplo:
1. x + y = 4
x−y= 2 CS{ x = 3; y = 1}
2x + y + −z = 4
x+y+z= 6
2. 3x − y = 4 CS{ x = 2 ; y = 2 ; z = 2 }
3. Si el sistema tiene “n” ecuaciones la solución tendrá “n”

incógnitas; es decir ( x1 , x2 , ..., xn )
C.S = {x1 , x2 , x3 ,... , xn }
58
1. INTRODUCCIÓN
,
1.2.3. SISTEMA DE “m” ECUACIONES LINEALES CON “n”

INCOGNITAS
a11x1 + a12 x2 + a13 x3 + + a1 j x j + + a1n xn = b1
a21x1 + a22 x2 + a23x3 + + a2 j x j + + a2n xn = b2
+ + + + (1)
ai1x1 + ai2 x2 + ai3 x3 aij x j ain xn = bi
am1x1 + am2 x2 + am3 x3 + + amj x j + + amn xn = bm
aij  IR mn ; bi  IR m i = 1,2,..., m j = 1,2,..., n

m n n
  aij x j = bi ó  aij x j = bi ; i = 1,2,..., m
i =1 j=1 j =1
59
1. INTRODUCCIÓN
,
1.2.4. FORMA MATRICIAL
 a11 a12 a13 ... a1 j ... a1n   x1   b1 

a a22 a23 ... a2 j ... a2n   x2   b2 
 21    
    
a   =   (2)
 i1 a i2 ai3 ... aij ... ain   xi   bi 
    
    
am1 am2 am3 ... amj ... amn xm bm

A = aij( )mn  IRmn

( )
x = x1j
1n
 IR1n
b = (bi1 )m1  IR m1
60
CONTENIDO
,
1.3. EXISTENCIA Y UNICIDAD DE SOLUCIONES

Supongamos que es definida la siguiente matriz llamada
aumentada del sistema ; formada por la matriz de
coeficientes y adjuntando el vector independiente ; así:
 a11 a12 a13 ... a1j ... a1n b1 
a
 21
a22 a23 ... a2 j ... a 2n b2 

Aa = A b=  ai2 ai3 ... aij

... ain bi 
 
 aij bi
 ai1
 
 am3 ... amj 
am1
a m2 ... amn b m 
61
CONTENIDO
,
•Si el rango de la matriz de coeficientes y de la

matriz aumentada son iguales entonces el
sistema (1) es consistente; es decir tiene solución.
En otras palabras caso contrario el sistema es
inconsistente esto es no tiene solución.
•Si el sistema es consistente y ocurrir que r( A) = r( Aa) = n entonces
el sistema tiene solución única.
•Si el sistema es consistente y ocurre que r( A) = r( Aa) = k  n entonces

el sistema tiene infinitas soluciones
62
CONTENIDO
,
•Representación
AX=B
Si r(A) ≠r(Aa) Si r(A) = r(Aa) = k,

Inconsistente no Consistente existe
hay solución solución
Si k< n;
Si K = n la solución infinitas
es única soluciones
63
CONTENIDO
,
•Ejemplo:
4x + 8 y = 12
5x +10y = 20
 4 8  1 2   4 8 12   1 2 3 
A=    r( A) = 1 A=    r( Aa) = 2
    5  
5 10 0 0  10 20   0 0 5 
•r( A)  r( Aa) , entonces el sistema es inconsistente; es decir

no tiene solución
•Si el sistema fuera homogéneo es decir
4x + 8y = 0
r( A) = r( Aa) = 1 r( A)  n = 2
5x +10 y = 0
en este caso existe un número infinito de soluciones.
64
CONTENIDO
,
•Ejemplificación:
3x + 5y = 14 3 5  1
A= 
5/3 
    r(A) = 2
 2 − 1  0 − 13 / 3
2x − y = 5
3 5 14  1 5 / 3 14 / 3  1 5 / 3 14 / 3

Aa =          r( Aa) = 2
 2 −1 5   0 − 13 / 3 − 13 / 3  0 1 1 
•Entonces el sistema tiene una única solución C.S = {3,1}
65
1.4 . MÉTODOS DIRECTOS DE SOLUCIÓN
,
1.4.1. Métodos diagonales

Definición: Se llama sistemas de ecuaciones diagonales a
los arreglos especiales en forma de una diagonal:
Ejemplo: 3x1 = 6  3 0 0  x1   6 
    
4x2 = 8   0 4 0  x2  =  8 
= 0 0 5  x   20
5x3 20  3   
6  x1 = 2
x1 =
5
8
x2 =  x2 = 2  C .S = {2 ,2 ,4}
4
20
x3 =  x3 = 4
5
66
,
Observaciones:
1. La matriz de coeficientes es una matriz diagonal.
2. El conjunto solución es obtenido dividiendo cada
elemento del vector independiente (insumos,
condiciones) por cada respectivo elemento de la
matriz diagonal.
3. Una matriz diagonal en general se representa de la
siguiente forma:  a11 0 0 ... 0 
 
 0 a22 0 ... 0 
( )
A = aij
aij si i = j
=
nn  0 si i  j
A =  0

0 a33 ... 0 

 0 ann
0
 0 0 
67
,
4. El sistema de ecuaciones lineales diagonal será:

a11 0 0 ... 0  x1   b1
 
 0 a22 0 ... 0  x2   b2 
 0 0 a33 ... 0  x3  =  b3 
    
    
 0 0  x   b 
0 ann 
 0 n  n
5. Determinado su solución general

b1 b2 b3 bi bn
x1 = ; x2 = ; x3 = ;.... x i = ...x n =
a11 a 22 a 33 a ii a nn
68
,
5. Determinado su solución general:

Seudocódigo
input n , ( a ij ), ( b i )
for i = 1, 2 , , n do
x i  b i / a ii
end
output (xi)
69
,
1.4.2. MÉTODO TRIANGULAR INFERIOR
Definición: Se llama sistema de ecuaciones triangular

inferior a los sistemas de ecuaciones que al momento de
escribir en forma matricial la matriz de coeficientes es una
matriz triangular inferior
Ejemplo:
2x1 = 6  2 0 0  x1   6 
    
x1 +x2 = 4   1 1 0  x2  =  4 
3x1 − 2x2 + 4x3 = 15 3 − 2 4 x3  15
70
,
Solución: 6
x1 =  x1 = 3
2
6
x2 = 4 −  x2 = 1  C.S = {3,1,2}
2
6 
x3 = 15 − 3  −  − 24 −    x 3 = 2
6
Observación: 2   8 
1. La matriz de coeficientes es una matriz triangular inferior.
2. El sistema se puede escribir de la siguiente manera
 a11 0 0 ... 0 
 x1   b1 
 a21 a22 0 ... 0  x2   b2 
a a32 a33 ... 0  x3   b3
 31   =  
    
 ai1 ai2 aii  xi   bi 
    
    
an1 a n2 an3 ann xn  bn 
71
,
3. El conjunto solución del sistema triangular es obtenido

de la siguiente manera.
Primero: suponiendo que aii  0 para todo i
Segundo: el valor de se obtiene a partir de la primera
ecuación del sistema; es decir:
Tercero: el valor de x1 se obtiene de la segunda ecuación
sustituyendo el valor de ; es decir: x = b1
1
a11
  b1  
 2
b − a 21 a  
 b1 
a22 x2 = b2 − a 21   x2 = 
 11   x
( )
2 = b2− a21 x1 /a22
 a11  a22
72
,
Cuarto: Los valores de x3 , x4 ,..., xn son obtenidos de

manera análoga
x3 = (b3 − a31x1 − a32 x2 )/ a33
 i −1 
 
xi =  bi −  aij x j / aii
 j=1 
Seudocódigo input n, (aij ), (bi )

for i = 1, 2,3, , n do
 i−1 

xi   bi −

 
aij x j  / a ii

 j =1 
end
output (xi )
73
,
1.4.3. MÉTODO TRIANGULAR SUPERIOR

Definición: Se llama sistema de ecuaciones triangular
superior a los sistemas de ecuaciones que al momento de
escribir en forma matricial la matriz de coeficientes es una
matriz triangular superior
Ejemplo: 5x1 + 2x2 + 3x3 = − 5 
5 2 3  x1   − 5
   
0 − 2x2 + 4x3 = 24   0 − 2 4 x2  =  24 
0 0 = 0 0 3 x3   6 
3x3 6  
Solución
x3 = 6  x3 = 2
3
x2 = (24 − 4(2))/− 2  x2 = 8  C.S = {27 /5,8,1}
x1 = (− 5 − 2x2 − 3x3 )/5  x1 = 27 /5
74
,
Observación:
1. La matriz de coeficientes es una matriz triangular
superior.
2. El sistema se puede escribir de la siguiente manera
 a11 a12 a13 ... a1i ... a1n  x1   b1 
   
 0 a22 a23 ... a2i .. a2n  x2   b2 
 0 0 a33 .... a3i .. a3n  x3   b3 
   =  
    
 0 0 aii ain  xi   bi 
    
    
 0 0 0 ann xn  bn 
75
,
3. La solución del sistema triangular superior se obtiene

de la siguiente manera.
Primero: iniciamos determinando el valor de la última
variable en este caso a partir de la última fila.
bnn
xn =
ann
Segundo: para determinar el subsiguiente valor se realiza
así:
xn −1 = (bn−1 − an −1n xn )/ an−1n−1
76
,
Tercero: Los valores de xn − 2 , xn −3 ,..., x1 son obtenidos de

manera análoga
 n 
xi =  bi −  aij x j  / aii ; i = n, n −1,n − 2,...,1

 j =i +1 
Seudocódigo
input n, (aij ), (bi )
for i = n , n −1, n − 2, ,1 do
 n 
 
xi   bi −

 aij x j  / a ii

 j = i +1 
end
output (xi )
77
,
1.4.4. MÉTODO DE GAUSS

a) Un proceso de eliminación hacia delante.
1º. Eliminamos el primer término de la segunda
a21
ecuación; multiplicando a la primera ecuación por a11 y
restándolo del primer término de la segunda ecuación
para eliminar el primer término de la segunda ecuación;
luego se multiplica a la primera ecuación por a31 y se
a11
resta del primer término de la tercera ecuación y así
sucesivamente para las restantes ecuaciones i  3se elimina
restando la primera ecuación multiplicada por ai1 ,
a11
quedando el sistema así:
78
,
a11x1 + a12x2 + a13x3 + + a1ixi + + a1nxn = b1

a'22x2 + a'23x3 + + a'2ixi + + a'2nxn = b'2
' (3)
a'i2x2 + a' i3x3 + + a 'ii xi + + a' inxn = b i
a'm2x2 + a'm3x3 + + a'mixi + + a'mnxn = b'm
En donde:
a 
a' ij = aij − 
i1
a1j
 a11 
79
,
2º. Eliminamos del segundo término de las ecuaciones del

sistema (1) donde la tercera ecuación hasta la última i  2se
realiza análogamente que en la primera parte es decir:
restamos la segunda ecuación del sistema multiplicada
a'i2
por '
y así continuamos eliminando los terceros
a 22
términos de las ecuaciones restantes, finalmente se llega a
una triangulación total; así:
a11x1 + a12 x2 + a13 x3 + + a1i xi + + a1n xn = b1
a '22 x2 + a '23 x3 + + a '2i xi + + a '2n xn = b '2
a i −1ii x i + + a i −1in x n = b i −1i
a n −1mn xn = b n −1m
80
,
Observación:
1. A los términos principales de cada ecuación se le
llama pivote.
2. Se puede normalizar cada ecuación, y para ello
sólo se divide por el coeficiente principal,
fenómeno que no se usa en la eliminación
Gaussiana la razón es por el aumento del tiempo
computacional.
81
,
b)Un proceso de sustitución hacia atrás.

Este proceso consiste en usar la solución de un sistema
triangular superior explicado anteriormente.
Debemos destacar que esta metodología de eliminación
Gaussiana se puede trabajar sólo con los elementos de la
matriz aumentada es decir:
a11 a12 a13 ... a1i ... a1n b1 
 a21 a22 a23 ... a2i .. a2n b2 
a
 31 a32 a33 .... a3i .. a3n b3 

 
 ai1 ai2 aii ain bi 
 
 
 an1 a n2 an3 ann bn 

82
,
Seudocódigo
input n, (aij ), (bi )
for k = 1,2,3,4,...n − 1do
Una vez realizada la
for i = k + 1, k + 2,..., n do
t  aik / a kk
eliminación Gaussiana,
aik  0 utilizamos el algoritmo del
for j = k + 1, k + 2,...,n do sistema triangular superior
aij  aij − t  akj para solucionar
bi  bi − t  bk completamente el sistema
end de ecuaciones
end
end
output (aij , b j )
83
,
Ejemplos:
Resolver el siguiente sistema usando eliminación Gaussiana.
2 x1 + x2 − 3x3 = −1
− x1 + 3x2 + 2x3 =12
3x1 + x2 − 3x3 = 0
Primera fase: Triangulación de la matriz aumentada.

a. Determinando la matriz aumentada
2 1 − 3 −1

− 1 3 2 12 
 3 1 −3 0 

84
,
b. Realizando operaciones elementales de matrices según el

método.
2 1 − 3 −1   2 1 − 3 −1 
 
0 7 /2 1/ 2 23 / 2    0 7 / 2 1/ 2 23/ 2
 0 −1/ 2 3 / 2 3 / 2   0 0 11/ 7 22 / 7
  
Segunda fase: Determinación de los valores de las variables
22  23 − 7 (2)
 
x3 = 7 = 2  x3 = 2 x2 = 
2 2   x =3
11 2
7
7 2
x1 = (− 1 + (2)(3) − 3)/ 2  x1 = 1
85
,
Ahora comprobaremos los resultados usando MATLAB para hacer

las operaciones elementales porfila
>> A=[2 1 -3;-1 3 2;3 1 -3]
>> b=[-1 12 0]
>> A=[A b']
>> format rat
>> A(2,:)=A(2,:)+A(1,:)/2
>> A(3,:)=A(3,:)-3*A(1,:)/2
>> A(3,:)=A(3,:)+A(2,:)/7
>> sts(A,b,3)
X=1.000000000000; 3.000000000000;2.000000000000
86
,
2. Resolver el siguiente sistema usando eliminación Gaussiana.

3x1 + 2x2 − 3x3 = −2
x1 + 3x2 − 2x 3 = 1
5x1 − 2x 2 + 4x 3 = 13
Primera fase: Triangulación de la matriz aumentada

a. Determinando la matriz aumentada
b. Realizando operaciones elementales de matrices según el método.
Segunda fase: Determinación de los valores de las variables
Ahora comprobaremos los resultados usando MATLAB.
» A=[3 2 -3;1 3 -2;5 -2 4] % ingresamos la matriz de coeficientes
» b=[-2 1 13] % ingresamos el vector de términosindependientes
87
,
1.4.5. MÉTODOS DE FACTORIZACIÓN

DESCOMPOSICIÓN LUAPLICACIONES
Anteriormente ya se ha escrito que un sistema de n ecuaciones con
n incógnitas se puede escribir de la siguiente manera
a11 a12 a13 ... a1 j ... a1n   x1  b1 

a a22 a23 ... a2 j ... a2 n   x2 b2 
 21    
    
=
a
 i1
ai2 ai3 ... aij ... ain  xi   b i 

    
   
a n1
an2 an3 ... anj ... a nn  xn bn 

O simplemente
Ax = b
88
,
Supongamos que la matriz se puede escribir como el producto de LU ,

donde
L : es una matriz triangular inferior de orden nxn

l11 0 0 ... 0

 l21 l22 0 ... 0
 l31 l32 l33 ... 0  ijl = l ij , i  j

L=   l
 ( )nxn tal que 
 lij = 0 ,  i  j
ij
 li1 li2 lii 
 
 
l l ln3 lnn 
 n1 n2
89
,
LU
U : es una matriz triangular superior de orden nxn
u11 u12 u13 ... u1 j ... u1n 

u22 u23 
 0 u
... 2 j .. u 2n 
 0 0 u33 .... u3 j .. u 3n 
uij = uij , i  j

U=  ( )
  u ij nxn tal que  u = 0 ,  i  j
 0 0   ij
uij uin 

 
 0 0 0 unn 

90
,
U : es una matriz triangular superior de orden nxn
u11 u12 u13 ... u1 j ... u1n 

u22 u23 
 0 ... u2 j .. u 2n 
 0 0 u33 .... u3 j .. u 3n 
 uij = u ij , i  j
U= ( )
  uij nxn tal que  u = 0 ,  i  j
 0  ij
0 uij uin 

 
 0 0 0 unn 

Cuando es posible factorizar A=LU se dice que tiene una

descomposición LU , pero esto no ocurre de una únicaforma.
91
,
Cuando lii = 1,i = 1,2,3,..., n La matriz se transforma en una matriz

triangular inferior unitaria; en este caso se le llama FACTORIZACIÓN
DE DOOLITTLE.
La otra manera seria transformando a en una matriz triangular

superior unitaria es decir: uii = 1,i = 1,2,3,..., n se le conoce con el nombre
de FACTORIZACIÓN DE CROUT.
Cuando U =Lt de modo que lii es igual a uii para se le llama

descomposición de CHOLESKY. Esta descomposición de Cholesky
requiere de varias propiedades especiales, la matriz A debe ser
real, simétrica y definida positiva
92
,
Por ejemplo para una matriz 4x4 se tiene.
 a11 a12 a13 a14   1 0 0 0  u11 u12 u13 u14 

a
 21
a22 a 23 a   l 1 0 0  0 u22 u23 u24 
24  =  21 .
a32 a33 0  0 u33
a31 a34  l31 l32 1 0 u34 
a   
1  0 
a42 a43
 41 a44  l41 l42 l43 0 0 u44 
a11 = u11 , a12 = u12 , a13 = u13 , a14 = u14
a21 = l21.u11 , a22 = l21 u12 + u22 , a23 = l21u13 + u23 , a24 = l21u14 + u24
a31 = l31.u11 , a32 = l31 u12 + l32u22 , a33 = l31u13 + l23u23 + u33 , a34 = l31u14 + l32u24 + u32
a41 = l41.u11 , a42 = l41 u12 + l42u22 , a43 =l41u13 + l42u23 + l43u33 , a44 =l41u14 + l42u24 + l43u32 +
u44
n min(i, j)
aij = lis .usj = lis .usj
s =1 s =1
93
,
Es decir: 2
a24 =  lis u sj  a24 = l 21u12 + l22u24 = l 21u14 + u 24
s=1
4
a44 =  lis usj  a44 = l41u14 + l42u24 + l43u34 + u44
s =1
Observación:
1. lis = 0 Para s  i lis = 1,i =s
2. usj = 0 Para s  j
3. El primer renglón “fila” de U es igual al de A ; es
decir:
a11 = u11 ; a12 = u12 ; a13 = u13 ; a14 = u14
u1 j = a1 j ; j = 1,2,3,4
94
,
4.Multiplicamos la segunda fila, la tercera fila y la

cuarta fila de L por la primera columna de U
a21 = l21u11 ; a31 = l31u11 ; a41 = l41u11
a21 a
l21 = ; l31 = a31 ; l41 = 41
u11 u11 u11
5. Multiplicando la segunda fila de L, por la segunda,
tercera y cuarta columna de U y la igualamos con los
elementos de A , se tiene:
a22 = l21u12 + u22 ; a23 = l21u13 + u23 ; a24 = l21u14 + u24
u22 ; u23 ; u24

u22 = a22 −l21u12 ; u23 = a23−l21u13 ; u24 = a24 −l21u14
95
,
Seudocódigo
Input n,(aij)
For k = 1,2,…,
k −1
for j = k+1,k+2,…n l kk u kk = a kk −  l ksu sk
s=1
 k −1 
 
u kj   a kj −  l ks u sj / l kk
end  s=1 
for i= k+1,k+2,…n
 k −1 
lik
  aik −  l is u sk  / u kk
end  s=1 
end
Output (lij), (uij)
96
,
1.4.6. MÉTODO DE FACTORIZACIÓN DE DOOLITTLE

Consideremos una matriz de tres por tres:
 a11 a12 a13 
A = a 21 a 22 a 23 
a31 a32 a33 
L11 = L22 = L33 = 1, luego desarrolla el sistema de ecuaciones así:

u11 = a11, u12 = a12 , u13 = a13
Continuando
L21 = a21/a11, u22 = a22 – (a21/a11) a12, u23 = a23 – (a21/a11)a13
97
,
Del otro grupo de ecuaciones tenemos
 a31 
a 32 −  a 12
a31  a11 
L31 = L32 =
a11  a 21 
a 22 −   a 12
 a11 
  a31  
a 32 −  a 12
 a 31   
a11     a21  
 33 = a 33 −   a13 −   a 23 −   a 13 
 a 21   a −  a21  a    a11  
 22  a 12 
 11  
98
,
Seudocódigo
Input n,(aij)
For k=1,2,…,
l kk  1
 k −1 
for j =k+1,k+2,…n  
u kj   a kj −  l ks u sj 
 s=1 
end
for i= k+1,k+2,…n
k −1
lik   a −  l u  / u
 ik is sk  kk
end  s=1 
end
output (lij), (uij)
99
,
1.4.7. MÉTODO DE CHOLESKY

Matriz Positiva:
Diremos que una matriz simétrica A, es positiva si solo si los
determinantes de las sub matrices de A son positivos.
a11 a12 a1j a1n

a21 a 21 a2 j a 2n
a11 a12 a13
a11 a12
a11  0 ,  , a21 a 22 a 21  0 , ..... , 0
a 21 a 22 a i1 a i2 a ij a in
a 31 a 32 a 33
an1 an 2 anj a nn
104
,
Supongamos que tenemos el sistema en la forma LU toma la

forma de LLT, en donde L es una matriz triangular inferior i.e.
 L11 0 0 0 0 
 L21 L22 0 0 0 
L L32 L33 0 0 
 31 
L = 
L Li2 Li3 Lii 0 
 i1
 
L 
 n1 Ln 2 Ln3 Lni Lnn 
Observación: Los cálculos se reducen pues estimaremos n

(n+1)/2 elementos, los Lij ≠ 0 en lugar de de n2 elementos de
una factorización nominal:
105

Catedra Metodos Numericos 2019 Unsch 07

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Catedra Metodos Numericos 2019 Unsch 07

Cargado por

Copyright:

Formatos disponibles

CATEDR A 0 7

Facultad de Ingeniería de Minas, Geología y Civil

Las matrices se utilizan en cálculo numérico, solución de sistemas de ecuaciones

 a11 a12 ... ... a1n 

A = a11 a12 a13 ... ... a1n 

a11 a12 ... a1n  1 15 0 5 

8 3 − 4 a11  a12 + a13 → 8  3 + − 4

1 4 5 6 Triangular superior: Si los elementos que

La diferencia de matricesA y B se representa por A–B, y se define como:A–B =A

3. Si A es una matriz cuadrada de orden n se tiene A·In = In·A =A

1. Si A·B= 0 no implica que A=0 ó B=0.

2. Si A·B=A·C no implica que B = C.

3. En general (A+B)2  A2 + B2 +2AB,ya que A·B  B·A.

4. En general (A+B)·(A–B)  A2–B2, ya que A·B B·A.

Se pueden plantear las ecuaciones correspondientes:

Los otros dos métodos de inversión de matrices se expondrán posteriormente.

Aspectos sobre la eficacia de los distintos algoritmos:

a1,1 x1 + a1,2 x2 + +a1,n xn = b1

En forma matricial lo expresamos como:

• Un sistema compatible es determinado si

• Un sistema compatible indeterminado tiene

TEOREMA DE EXISTENCIA Y UNICIDAD

• El sistema Ax=0 tiene solución no trivial si y solo si las

Las soluciones de un sistema compatible Ax = b

• cond mide el malcondicionamiento

• rcond mide el buen condicionamiento

• La multiplicación se define como sigue, cuando A

• Matriz diagonal (D): si todos los elementos sobre la diagonal

Cmn = AT nm (A+ B)T = AT + BT

a11 a12  a11 a12

a11 a12 a13 

Ann A−1nn = A−1nn Ann = I

• x = A\ b • Mx(k+1) = (M−A) x(k) + b

• Tamaño moderado • Tamaño grande

• Producen llenado • Conservan los ceros

• Error de redondeo • Error de truncamiento

iter < maxiter

• Acumulación del error de redondeo

• Sensibilidad al error de redondeo

• Estrategia de Pivotación Parcial

• Sistema mal condicionado :

• Sistema bien condicionado :

• Condicionamiento de una matriz

Los métodos numéricos nos permitirán:

1.2.1. Sistemas de ecuaciones

Comentarios: en este ítem aplicaremos la teoría de matrices y

Definición: Llamaremos sistema de ecuaciones lineales al

3. Si el sistema tiene “n” ecuaciones la solución tendrá “n”

1.2.3. SISTEMA DE “m” ECUACIONES LINEALES CON “n”

am1x1 + am2 x2 + am3 x3 + + amj x j + + amn xn = bm

aij  IR mn ; bi  IR m i = 1,2,..., m j = 1,2,..., n

1.2.4. FORMA MATRICIAL

 a11 a12 a13 ... a1 j ... a1n   x1   b1 

A = aij( )mn  IRmn

1.3. EXISTENCIA Y UNICIDAD DE SOLUCIONES

•Si el rango de la matriz de coeficientes y de la

•Si el sistema es consistente y ocurre que r( A) = r( Aa) = k  n entonces

Si r(A) ≠r(Aa) Si r(A) = r(Aa) = k,

•r( A)  r( Aa) , entonces el sistema es inconsistente; es decir

3 5 14  1 5 / 3 14 / 3  1 5 / 3 14 / 3

•Entonces el sistema tiene una única solución C.S = {3,1}

1.4.1. Métodos diagonales

4. El sistema de ecuaciones lineales diagonal será:

5. Determinado su solución general