Notas Metodos Cap 2 PDF

3 Solución de Sistemas de Ecua-
ciones Lineales
Un sistema de ecuaciones lineales es un conjunto de ecuaciones algebraicas de pri-

mer grado, AX “ b, donde, por lo general, b es obtenido a partir observaciones
experimentales. Uno de los problemas más importantes del Análisis Numérico es en-
contrar la mejor solución aproximada de un sistema de ecuaciones. Para la resolución
de estos sistemas, existen en en general dos clases de métodos: los métodos direc-
tos y los métodos iterativos. Mediante el uso de métodos directos se puede obtener
una solución exacta del sistema de ecuaciones mientras que los métodos iterativos
construyen iterativamente aproximaciones cada vez mejores de la solución
Al momento de resolver un sistema de ecuaciones lineales, el método a utilizar

depende en gran medida de la dimensión y de la estructura de la matriz. Hasta
mediados del siglo pasado, la dimensión de un sistema rara vez superó los 1.000 y,
por lo tanto, almacenar todo en la memoria de la computadora no era un problema
por lo que métodos directos (es decir, los métodos que dan la solución exacta, si
no se producen errores de redondeo después de un número finito de las operaciones
aritméticas) eran los mas recomendados. Hoy en día, se consideran sistemas de
varios millones o incluso miles de millones de ecuaciones. Estos sistemas surgen en
problemas que implican la solución de ecuaciones diferenciales parciales y ecuaciones
74 Solución de Sistemas de Ecuaciones Lineales
integrales.
Cuando un sistema es demasiado grande para ser almacenado, no se pueden usar

métodos directos, y se debe considerar el usos de metodos los iterativos. Por suerte
los sistemas grandes suelen ser dispersos (muchos de sus elementos son cero) porque
vienen de la discretización de ecuaciones diferenciales parciales por diferencias finitas
o por elementos finitos. En estos casos, se deben usar técnicas para almacenarlas
que sólo requieren una cantidad de posiciones de memoria aproximadamente igual
al número de elementos no nulos de la matriz.
Por lo general, los métodos directos requieren modificar la matriz original del siste-
ma y, muchas veces, destruyen el carácter disperso de la misma. Para evitar esto,
estudiaremos métodos iterativos que no modifican la matriz del sistema, por lo que
resultarán más convenientes desde el punto de vista del costo computacional de
almacenamiento.
En este capítulo, vamos a introducir un método directo básico llamado eliminación

Gaussiana para la resolución de sistemas lineales generales. Por lo general esta se
usa para resolver un sistema lineal denso de tamaño mediano de tamaño sin ninguna
estructura especial del sistema.
10Ω 15Ω 25Ω
20Ω 5Ω 35Ω
1000V
´
`
œ ö œ
i1
1000V
´
`
i2
2000V
´
`
i3
2000V
´
`
30Ω 40Ω
Encuentre la corriente que fluye en cada rama de este circuito. El número de co-
rrientes de bucle requerido es 3. En esta ocasión, elegiremos las corrientes de bucle
mostradas a la derecha. Usando la Ley de Voltaje de Kirchoff para cada bucle. El
resultado es el siguiente sistema de ecuaciones:
Solución de Sistemas de Ecuaciones Lineales 75
$
& 10I1 ` 20pI1 ` I2 q ` 30I1 “ 1000 ´ 1000
15I2 ` 20pI2 ` I1 q ` 40I2 ` 5pI2 ` I3 q “ 2000 ´ 1000 , (3.1)
%
25I3 ` 35I3 ` 5pI3 ` I2 q “ 2000 ´ 2000
Recopilación de términos esto se convierte en:

$
& 60I1 ` 20I2 ` 0I3 “ 0
20I1 ` 80I2 ` 5I3 5 “ 1000 , (3.2)
%
0I1 ` 5I2 ` 65I3 “ 0
Esta forma para el sistema de ecuaciones podría haber sido obtenido de inmediato
mediante el método de inspección. Resolver el sistema de ecuaciones utilizando la
eliminación gaussiana o algún otro método da las siguientes corrientes, todas medidas
en amperios: I1 “ ´4,57, I2 “ 13,7 y I3 “ ´1,05.
3.1 Normas vectoriales y matriciales
Las nociones de normas vectoriales y matriciales son muy usadas en Análisis para
determinar convergencia y estimar tasas de convergencia de métodos iterativos para
resolver problemas lineales y no lineales. A continuación definimos los conceptos de
norma vectorial sobre un espacio vectorial de dimensión finita.
Definición 3.1.1 (Norma vectorial). Sea pV, `, ¨q un espacio vectorial de dimensión

finita. Una norma vectorial es cualquier función real definida en V notada por
} ¨ } : V ÝÑ R
v ÞÝÑ }v}
y que cumple las siguientes 4 propiedades
1. }v} ě 0 @v P V (positividad),
2. }v} “ 0 ðñ v“0 (no degeneración),

3. }kv} “ |k| }v} @v P V, @k P R (homogeneidad),
4. }v ` w} ď }v} ` }w} @v, w P V (desigualdad triangular).
A un espacio vectorial V provisto de una norma } ¨ } se le llama espacio vectorial

normado y se le denota pV, } ¨ }q.
Ejemplo 3.1.1. Dados V “ Rn (espacio de vectores columna de n componentes

reales) y x “ px1 , . . . xn qt P Rn , se definen las siguientes normas:
˜ ¸1
ÿ
n 2
2
Norma euclideana: }x}2 :“ |xi | .
i“1
Norma infinito: }x}8 :“ máx |xi |.

1ďiďn
ÿ
n
Norma uno: }x}1 :“ |xi |.
i“1
Es habitual escribir un vector columna como x “ px1 ¨ ¨ ¨ xn qt P Rn para mayor

comodidad en la notación. Toda norma sobre un espacio vectorial V induce una
distancia:vectores de ese espacio:
distpv, wq :“ }v ´ w}, v, w P V.
Definición 3.1.2 (Convergencia). Una sucesión tv n unPN Ă V converge a v P V si

distpv n , vq Ñ 0:
vn Ñ v ðñ }v n ´ v} Ñ 0.
Definición 3.1.3. Dos normas } ¨ }˚ y } ¨ }‚ sobre un espacio vectorial V son equi-

valentes si existen constantes C1 y C2 tales que
C1 }v}˚ ď }v}‚ ď C2 }v}˚ @v P V.
Teorema 3.1.1. Todas las normas sobre un espacio de dimensión finita son equi-
valentes.
Corolario 3.1.1. Si } ¨ }˚ y } ¨ }‚ son dos normas cualesquiera en un espacio de

dimensión finita, entonces
}v n ´ v}˚ Ñ 0 ðñ }v n ´ v}‚ Ñ 0.
Es muy útil poder medir la magnitud de una matriz A o la distancia entre dos
matrices. Sin embargo no es suficiente con definir la norma de una matriz de orden
mn A como un vector x de tamaño mn cuyas componentes son las entradas de A.
Una norma matricial es cualquier función real definida en Rmˆn (espacio de matrices
m ˆ n) notada por
} ¨ } : Rmˆn ÝÑ R
A ÞÝÑ }A}
y que cumple las siguientes 4 propiedades
1. }A} ě 0 @A P Rmˆn (positividad),
2. }A} “ 0 ðñ A“0 (no degeneración),
3. }kA} “ |k| }A} @A P V, @k P R (homogeneidad),
4. }A ` B} ď }A} ` }B} @A, B P Rmˆn (desigualdad triangular).
Otra propiedad que es habitual, pero no siempre incluida en la definición de una

norma matricial, es la propiedad submultiplicativa: esto es, si A es m ˆ n y B es
n ˆ p entonces property
}Ax} ď }A} }x}
Toda norma vectorial } ¨ } sobre Rn induce una norma matricial sobre Rnˆn x:
}Ax}
}A} :“ máx , A P Rnˆn . (3.3)
n
xPR : x‰0 }x}
Es fácil verificar que esto define efectivamente una norma sobre Rnˆn .
Esta norma se dice que es una norma matricial inducida por la norma vectorial y se
denota con el mismo símbolo que la norma vectorial.
Proposición 3.1.1. Toda norma matricial inducida por una norma vectorial satis-
face las siguientes propiedades:
}Ax} ď }A} }x} @A P Rnˆn , @x P Rn (compatibilidad),

nˆn
}AB} ď }A}}B} @A, B P R (submultiplicatividad).
Hay formas más sencillas de calcular algunas de las normas matriciales más usuales.
Proposición 3.1.2. Sea A “ paij q P Rnˆn . Entonces:
˜ ¸
ÿ
}A}8 “ máx |aij | (máxima suma de filas).
1ďiďn
1ďjďn
˜ ¸
ÿ
}A}1 “ máx |aij | (máxima suma de columnas).
1ďjďn
1ďiďn
b ` ˘
}A}2 “ ρ At A (norma espectral).
Ejemplo 3.1.2. Por ejemplo, si la matriz A se define como

» fi
3 5 7
A“ 2 – 6 4fl ,
0 2 8
se tiene }A}1 “ máxt5, 13, 19u “ 19 y }A}8 “ máxt15, 12, 10u “ 15
Ejemplo 3.1.3. Si x P Rn y A P Rnˆn , encontrar las constantes de equivalencia

entre las normas }.}1 y }.}2 y entre las normas }.}2 y }.}8 que permiten establecer
las siguientes desigualdades (las constantes pueden depender de n): C 1 “ 1, C2 “
? ?
n, C3 “ ?1n , C4 “ 1, C5 “ C7 “ ?1n , C6 “ C8 “ n
Vectorial
C1 }x}8 ď }x}2 ď C2 }x}8

C3 }x}1 ď }x}2 ď C4 }x}1
Matricial
C5 }A}8 ď }A}2 ď C6 }A}8

C7 }A}1 ď }A}2 ď C8 }A}1
Calcular los coeficientes para la equivalencia vectorial y matricial entre las

normas }.}1 y }.}8
Definición 3.1.4 (Valor Propio). Dada una matriz cuadrada A, diremos que un
número λ P C es un valor propio (o autovalor) de A si existe un vector no nulo,
v ‰ 0, tal que Av “ λv. A v se le llama vector propio (o autovector) asociado al
valor propio λ. λ es un valor propio si y sólo si es raíz de la ecuación característica
detpA ´ λIq “ 0.
Definición 3.1.5 (Espectro). El espectro de A es el conjunto de todos sus valores

propios: ! )
σpAq :“ λ P C : λ es un valor propio de A .
Definición 3.1.6 (Radio espectral). El radio espectral de A es el máximo módulo

de sus autovalores:
ρpAq :“ máx |λ|.
λPσpAq
Teorema 3.1.2. Si A P Rnˆn es simétrica (At “ A), entonces }A}2 “ ρ pAq.
Teorema 3.1.3. Sea A P Rnˆn y sea ǫ ą 0. Entonces existe una norma matricial
inducida tal que
}A} ď σpAq ` ǫ.
Teorema 3.1.4. Sea A P Rnˆn entonces lı́mkÝÑ8 Ak “ 0 si y solo si σpAq ă 1.
Demostración 3.1.1. Sea σpAq ă 1, entonces existe ǫ ą 0 tal que σpAq ă 1 ´ ǫ y

gracias al teorema 3.1.3 existe una norma matricial inducida tal que }A} ď σpAq `
ǫ ă 1. De el hecho }Ak } ď }A}k ă 1 y de la definicion de convergencia se sigue
que Ak tiende a cero. Reciprocamente, asuma que lı́mkÝÑ8 Ak “ 0 y sea λ un valor
propio de A Entonces Ak x “ λk x con x ‰ 0 el valor propio asociado. Se tiene que
lı́mkÝÑ8 λk “ 0 y por consiguiente |λ| ă 1. Como λ es un valor propio cualquiera de
A se concluye que σpAq ă 1.
3.2 Metodos Directos
Consideremos el sistema de ecuaciones lineales

$
’
’ a11 x1 ` a12 x2 ` ¨ ¨ ¨ ` a1n xn “ b1
’
& a21 x1 ` a22 x2 ` ¨ ¨ ¨ ` a2n xn “ b2
.. .. , (3.4)
’
’ . .
’
%
am1 x1 ` am2 x2 ` ¨ ¨ ¨ ` amn xn “ bm
con m ecuaciones y n incognitas. Este sistema puede escribirse en forma matricial

como Ax “ b, donde
» fi
a11 a11 ¨ ¨ ¨ a1n » fi
— a21 b1
a22 ¨ ¨ ¨ a2n ffi
b “ – ... fl P Rm
— ffi mˆn — ffi
A :“ — . .. ffi P R ,
– .. . fl
bm
am1 am2 ¨ ¨ ¨ amn
son los datos y x “ px1 , ¨ ¨ ¨ , xn qt P Rn es el vector de incógnitas. El sistema está

sobredeterminado si m ą n, es cuadrado si m “ n y esta indeterminado si m ă n. Es
homogeneo si b “ 0. Un sistema de lineal puede tener una única solución, infinitas
soluciones o ninguna solucioón. El sistema de ecuaciones lineales Ax “ b, tiene
solución única si y sólo si A es una matriz no singular. Además, una matriz A P R nˆn
es no singular si y sólo si se cumple cualquiera de estas condiciones
1. A es invertible, DA´1 P Rnˆn : AA´1 “ A´1 A “ I,
2. detpAq ‰ 0,
3. todas las filas (y columnas) de A son l.i.: rangopAq “ n,
4. 0 no es valor propio de A: 0 R σpAq.
Así, si A es no singular, entonces Ax “ b es equivalente a x “ A´1 b. Sin embargo,

en general, no es conveniente calcular la matriz inversa A´1 para resolver un sistema
de ecuaciones, pues hacerlo así resulta mucho más costoso computacionalmente. Por
el contrario, una manera natural de calcular la inversa de una matriz A P R nˆn
consiste en resolver n sistemas de ecuaciones lineales. Si llamamos c 1 , . . . , cn a las
columnas de A´1 :
» ˇ ˇ fi
ˇ ˇ
ˇ ˇ
A “ – c1 ˇˇ ¨ ¨ ¨ ˇˇ cn fl ,
´1
c1 , . . . , cn P Rn ,
ˇ ˇ
entonces
» ˇ ˇ fi » ˇ ˇ fi » ˇ ˇ fi
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ ˇ ˇ ˇ ˇ ˇ
– Ac1 ˇ ¨ ¨ ¨ ˇ Acn fl “ A – c1 ˇ ¨ ¨ ¨ ˇ cn fl “ AA “ I “ – e1 ˇ ¨ ¨ ¨ ˇ en fl ,
´1
ˇ ˇ ˇ ˇ ˇ ˇ
ˇ ˇ ˇ ˇ ˇ ˇ
donde las columnas e1 , . . . , en de I son los vectores de la base canónica de Rn . Por

lo tanto, A´1 puede calcularse columna por columna resolviendo:
Aci “ ei , i “ 1, . . . , n.
En otras palabras, resolver un sistema de n incognitas a traves del calculo de la

matriz inversa significa resolver n problemas del mismo tamaño, lo cual no tiene
sentido.
Los sistemas que aparecen en muchas aplicaciones son de gran tamaño. Por ejem-
plo, un sistema de 1000 ˆ 1000 hoy en dia se considera de tamaño moderado y en
algunas aplicaciones deben resolverse sistemas de ecuaciones con cientos de miles
de incógnitas. Hay métodos que en teoría permiten resolver cualquier sistema de
ecuaciones lineales, pero que en la práctica requieren tiempos de cálculo prohibiti-
vos. Un ejemplo de esto es la Regla de Cramer. Este procedimiento permite calcular
explícitamente la solución de un sistema Ax “ b mediante:
detpAi q
xi “ , i “ 1, . . . , n,
detpAq
donde Ai es la matriz que se obtiene a partir de A reemplazando en ésta su columna

i-ésima por el segundo miembro (o lado derecho) del sistema, b. Si los determinantes
se calculan mediante la fórmula recursiva usual de desarrollo por fila (o por colum-
na), el costo operacional de la Regla de Cramer es de aproximadamente pn`1q! flop.
El Método de Eliminación Gaussiana por el contrario es un método que no tiene
esta dificultad. Este procedimiento se basa en el método algebraico de transforma-
ciones elementales y su costo operacional es de aproximadamente 32 n3 flop. En un
computador de 1 Gflop (109 flop) por segundo (realiza 109 operaciones por segundo).
n 10 15 20 100 1000 2000

Regla de Cramer
flop 4 ˆ 10 7
2 ˆ 10 13
5 ˆ 1019 10160 “8” “8”
tiempo 0.04 s 5.5 horas 1500 años “8” “8” “8”
Eliminación Gaussiana
flop 666 2250 5333 7 ˆ 105 7 ˆ 108 5 ˆ 109
tiempo 0. s 0. s 0. s 0s 0.73 s 4.88 s
Solución de sistemas con matriz triangular
A continuación describiremos la solución a través de un método directo de un sistema

donde la matriz de de coeficientes es triangular. Dadas
» fi » fi
ℓ11 0 ¨¨¨ 0 u11 u12 ¨ ¨ ¨ u1n
— .. .. ffi — 0 u22 ¨ ¨ ¨ u2n ffi
— ℓ21 ℓ22 . . ffi — ffi
L“— ffi y U “— . .
— ..
– .
.. ..
.
ffi – .. . . . . . ... ffi
fl
. 0 fl
ℓn1 ℓn2 ¨ ¨ ¨ ℓnn 0 ¨ ¨ ¨ 0 unn
decimos que L es triangular inferior y U es triangular superior . Puesto que detpLq “

ℓ11 ℓ22 ¨ ¨ ¨ ℓnn y detpU q “ u11 u22 ¨ ¨ ¨ unn , podemos afirmar que una matriz triangular
es no singular si y sólo si sus términos diagonales son todos no nulos.
La resolución de sistemas de ecuaciones lineales con matrices triangulares es muy

sencilla y su costo operacional es bajo. En efecto, consideremos un sistema Lx “ b
con matriz triangular inferior L,
ℓ11 x1 “ b1
ℓ21 x1 ` ℓ22 x2 “ b2
.. ..
. .
ℓn1 x1 ` ¨ ¨ ¨ ` ℓnn xn “ bn
De donde se tiene
x1 “ b1 {ℓ11
x2 “ pb2 ´ ℓ21 x1 q {ℓ22
..
.
xn “ pbn ´ ℓn1 x1 ´ ¨ ¨ ¨ ´ ℓnn´1 xn´1 q {ℓnn
El anterior proceso es conocido como sustitución progresiva y costo operacional esta

dado por la siguiente expresión
˜ ¸
ÿn ÿ
i´1 ÿn
1` 1` 2 “ 1 ` p2i ´ 1q “ n2 flop
i“2 j“1 i“2
Algoritmo 3.1: Algoritmo (Sustitucion Progresiva)

1 x1 “ b1 {ℓ11
2 for i “ 2, . .´. , N do ¯
ř
3 xi “ ℓ1ii bi ´ i´1 j“1 ℓ ij xj
Método de Eliminación Gaussiana (M.E.G.)
El método de eliminación gaussiana consiste en reducir mediante un sistema Ax “ b

a otro equivalente (es decir, que tenga la misma solución), de la forma
U x “ b̃,
donde U es una matriz triangular superior. Luego, el sistema resultante se resuelve

por el algoritmo descrito para matrices triangulares. Denotemos el sistema origi-
nal por Ap1q x “ bp1q . El proceso empleado consiste en reemplazar las ecuaciones
por combinaciones no triviales de las otras. Así, consideremos la matriz no singular

p1q
A P Rnˆn y supongamos que el elemento a11 es no nulo. Consideremos los multi-
plicadores
p1q
ai1
mi1 “ p1q , i “ 2, . . . , n,
a11
p1q
donde aij donota el elemento que está en la fila i y columna j de Ap1q . Es posible
eliminar la incógnita x1 de la segunda ecuación en adelante, por simple sustracción a
la fila i, i “ 2, . . . , n, de la primera fila previamente multiplicada por mi1 y haciendo
lo mismo para el vector b:
p2q p1q p1q
aij “ aij ´ mi1 a1j , i, j “ 2, . . . , n,
p2q p1q p1q
bi “ bi ´ mi1 b1 , i “ 2, . . . , n,
p1q
donde bi denota la componente i-ésima del vector bp1q . Así se obtiene un sistema
Ap2q x “ bp2q equivalente al anterior:
» p1q p1q p1q fi
p1q » fi » p1q fi
a11 a12 a13 ¨ ¨ ¨ a1n x1 b1
— p2q p2q p2q ffi — ffi — p2q ffi
— 0 a22 a23 ¨ ¨ ¨ a2n ffi — x2 ffi —b2 ffi
— p2q ffi — — p2q ffi
— 0 ap2q p2q
a33 ¨ ¨ ¨ a3n ffi x3 ffi
ffi“— b3 ffi
— 32 ffi— ffi — ffi
— .. .. .. .. ffi —– .
. fl — .. ffi
– . . . . fl . – . fl
p2q p2q p2q p2q
0 an2 an3 ¨ ¨ ¨ ann xn bn
p2q
A continuación, si a22 ‰ 0, podemos análogamente eliminar la incógnita x2 de la
tercera ecuación en adelante. Siguiendo con este proceso k-veces (k ď n), se obtiene
el sistema
Apkq x “ bpkq , 1 ď k ď n,
donde la matriz Apkq toma la siguiente forma:
» p1q p1q p1q
fi
a11 a12 ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ a1n
— p2q p2q ffi
— 0 a22 ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ a2n ffi
— . .. .. .. ffi
— .. . . . ffi
pkq — ffi
A “— . pkq ffi
— .. 0 akk
pkq
¨ ¨ ¨ akn ffi
— ffi
— .. .. .. .. ffi
– . . . . fl
pkq pkq
0 ¨ ¨ ¨ 0 ank ¨ ¨ ¨ ann
piq
Para realizar este proceso hemos supuesto que aii ‰ 0, i “ 1, . . . , k ´ 1. Notemos
que para k “ n obtenemos el sistema triangular superior
» p1q p1q p1q
fi » fi » p1q fi
a11 a12 ¨ ¨ ¨ a1n x1 b1
— p2q p2q ffi — ffi — p2q ffi
— 0 a22 ¨ ¨ ¨ a2n ffi — x2 ffi — b2 ffi
— ffi— ffi — ffi
— .. .. .. .. ffi — .. ffi “ — .. ffi
– . . . . fl– . fl – . fl
pnq xn pnq
0 ¨ ¨ ¨ 0 ann bn
pkq
Los valores akk son llamados pivotes y deben ser valores no nulos para k “
pnq
1, . . . , n ´ 1. Si la matriz original A es no singular, entonces también ann ‰ 0 y el
sistema triangular superior resultante puede resolverse por el algoritmo ya visto:
Algoritmo 3.2: Algoritmo (Sustitucion Regresiva)

pnq
1 xn “ bpnq {ann
2 for ˇi “ N ´ 1, . .˜
. , 1 do ¸
ˇ 1 ÿn
ˇ piq piq
3 ˇ xi “ piq bi ´ aij xj
ˇ aii j“i`1
Recordemos que en el paso k-ésimo se parte de la siguiente matriz:
» p1q p1q p1q

fi
a11 a12 ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ a1n
— p2q p2q ffi
— 0 a22 ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ a2n ffi
— . .. .. .. ffi
— .. . . . ffi
— ffi
— . pkq ffi
— .. 0
pkq
akk ¨ ¨ ¨ akn ffi
— ffi
— .. .. .. .. ffi
– . . . . fl
pkq pkq
0 ¨¨¨ 0 ank ¨ ¨ ¨ ann
Observacion 3.2.1. El algoritmo no precisa crear los ceros debajo de la diagonal

de la matriz, pues éstos luego no se utilizan.
En los siguientes ejemplos ilustraremos el método de eliminacion gaussiana:

Algoritmo 3.3: Algoritmo ()

1 for k “ 1, . . . , n ´ 1 do
2 for i “ k ` 1, . . . , n do
pkq pkq
3 mik “ aik {akk
4 for j “ k ` 1, . . . , n do
pk`1q pkq pkq
5 aij “ aij ´ mik akj
pk`1q pkq pkq
6 bi “ bi ´ mik bk
pnq
7 xn “ bpnq {ann
8 for i “ n ´ 1,
´ . . . , 1řdo ¯
piq piq
9 xi “ piq1
bi ´ nj“i`1 aij xj
aii
Ejemplo 3.2.1. Consideremos el sistema de ecuaciones lineales:

4x ´ 8y ` 5z “ 2
3x ´ 4y ` 2z “ 3 (3.5)
4x ´ 7y ` 4z “ 3
Para resolver el sistema (3.5) consideremos los siguientes pasos:
1. Paso 1. Eliminar todos los términos debajo del primer pivote, en este caso,
debajo de 4 :
3
Restamos ´ veces la primera ecuación a la segunda y obtenemos el
4
sistema equivalente:
4 x ´8y `5z “ 2
7 3
2y ´ z “ pE2 ´ 3E1 q (3.6)
4 2
4x ´7y `4z “ 3
Ahora restamos -1 veces la primera ecuación a la tercera para producir
el sistema equivalente:
4x ´8y `5z “ 2
7 3
2y ´ z “ (3.7)
4 2
y ´z “ 1 pE3 ´ E1 q
2. Paso 2. Reordenamos el sistema de ecuaciones (si es necesario) y selecciona-

mos un nuevo pivote:
Reordenando tenemos
4x ´8y `5z “ 2
1 y ´z “ 1 (3.8)
7 3
2y ´ z “
4 2
3. Paso 3. Eliminamos todos los términos debajo de 1 .
Restamos -2 veces la segunda ecuación a la tercera para obtener el sistema

equivalente:
4x ´8y `5z “ 2
y ´z “ 1 (3.9)
z 1
“ ´ pE3 ´ 2E2 q
4 2
4. Paso 4. Encontrar la solución de (3.5) usando sustitución regresiva
La solución de (3.5) es:

x “ 1
y “ ´1
z “ ´2
Factorización LU
La eliminación gaussiana es la principal herramienta para la solución directa de

sistemas de ecuaciones lineales, por lo que debe ser ninguna sorpresa que aparezca
en otras formas. En esta sección veremos como los pasos utilizados para resolver un
sistema de la forma Ax “ b mediante eliminación gaussiana se pueden utilizar para
obtener la factorización LU de la matriz A.
La factorización LU es la mejor forma de poner en práctica la eliminación de Gauss,

especialmente para la solución de varios sistemas de ecuaciones distintos con la
misma matriz de coeficientes asociada, es decir, para resolver la ecuación Ax “
b con diferentes valores de b para el mismo A. Nótese que en la eliminación de
Gauss el lado izquierdo A y el lado derecho b son modicados dentro de el mismo

bucle y no hay manera de salvar a las medidas adoptadas durante el proceso de
eliminación. Si la ecuación tiene que ser resuelta para diferentes valores de b, la
etapa de eliminación tiene hacer para hacer todo de nuevo. Esto proporciona la
motivación para la descomposición LU , donde una matriz A se escribe como un
producto de una inferior matriz triangular L y una matriz triangular superior U. Es
decir, se descompone A como A “ LU .
Ejemplo 3.2.2. Consideremos la siguiente matriz
» fi
2 3 2
— ffi
A :“ – 4 9 5 fl
6 21 12
utilizando eliminacion gaussiana
» fi » fi » fi
2 3 2 2 3 2 2 3 2
— ffi
– 4 9 5 fl R2 ´ 2R1 Ñ –0 3 1fl Ñ –0 3 1fl
6 21 12 R3 ´ 3R1 0 12 6 R3 ´ 4R2 0 0 2
La matriz obtenida la llamaremos U . Notemos que la operación R2 ´ 2R1 es equi-
valente a multiplicar a la izquierda la matriz original por una matriz elemental:
» fi» fi » fi
1 0 0 2 3 2 2 3 2
–´2 1 0fl –4 9 5 fl “ –0 3 1 fl
0 0 1 6 21 12 6 21 12
En general, las operaciones que hemos realizado sobre la matriz original se pueden
expresar como el producto a izquierda de matrices elementales Gi cuyo producto es
» fi» fi» fi » fi
1 0 0 1 0 0 1 0 0 1 0 0
G3 G2 G1 “ –0 1 0fl – 0 1 0fl –´2 1 0fl “ –´2 1 0fl
0 ´4 1 ´3 0 1 0 ´0 1 5 ´4 1
Entonces, G3 G2 G1 A “ U
» fi
1 0 0
L :“ G´1 ´1 ´1
1 G2 G3 “ –2 1 0fl
3 4 1
Entonces A “ LU es el producto de una matriz triangular inferior L y una matriz

triangular superior U . Naturalmente, esta es la factorización LU de A. Observe que
la matriz U es la matriz resukltante de la eliminación gaussiana y tiene los pivotes
en su diagonal, mientras que L tiene 1 en la diagonal principal. Adicionalmente, L
tiene la destacable propiedad de que en los elementos debajo de su diagonal, cada
entrada pi, jq es precisamente el multiplador usado en la eliminación para eliminar
la entrada pi, jq.
Ejemplo 3.2.3. Obtenga una factorización LU para la matriz
» fi
1 ´3 2
A “ –´2 8 ´1fl .
4 ´6 5
Solución.
» fi m21 “ ´2 » fi » fi
1 ´3 2 m31 “ 4
1 ´3 2 m32 “ 3
1 ´3 2
–´2 8 ´1fl ÝÑ –0 2 3fl ÝÑ –0 2 3 fl
4 ´6 5 0 6 ´3 0 0 ´12
» fi » fi » fi
1 ´3 2 1 0 0 1 0 0
–
U :“ 0 2 3 fl L :“ –m21 1 0fl “ –´2 1 0fl
0 0 ´12 m31 m32 1 4 3 1
Notemos que
» fi» fi » fi
1 0 0 1 ´3 2 1 ´3 2
LU “ –´2 1 0fl –0 2 3 fl “ –´2 8 ´1fl “ A
4 3 1 0 0 ´12 4 ´6 5
Si la matriz A es tal que la etapa de eliminación del M.E.G. se puede llevar a cabo
piq
(es decir si todos los pivotes aii ‰ 0, i “ 1, . . . , n ´ 1), entonces A “ LU , donde
U es la matriz triangular superior que resulta de la eliminación y L es la matriz
triangular inferior de los multiplicadores mij :
» fi
1 0 ¨¨¨ 0
— .. .. ffi
— m21 1 . .ffi
L“— — .. .. ..
ffi.
ffi
– . . . 0fl
mn1 ¨ ¨ ¨ mnn´1 1
Solución de sistemas mediante factorización LU
Si A “ LU , entonces "
Ly “ b,
Ax “ b ðñ LpU xq “ b ðñ
U x “ y.
Por lo tanto, resolver un sistema Ax “ b es equivalente a:
1. resolver Ly “ b y, luego,
2. resolver U x “ y.
Como estos sistemas son triangulares (inferior y superior, respectivamente), el costo

operacional de resolver los dos sistemas es 2n2 flop.
Ejemplo 3.2.4. Use la factorización LU de A para resolver el sistema Ax “ b,

donde » fi » fi
2 3 2 12
–
A “ 4 9 15 fl –
and b “ 24fl .
6 21 12 12
Los factores LU de la matriz de coeficientes fueron calculados en el ejemplo 3.2.2:

» fi » fi
1 0 0 2 3 3
L “ –2 1 0fl and U “ –0 3 1fl .
3 4 1 0 0 2
La estrategia a seguir es hacer U x “ y y resolver Ax “ LpU xq “ b mediante la

solución de los sistemas triangulares
Ly “ b and U x “ y.
Primero resolvemos el sistema triangular inferior Ly “ b usando sustitución pro-

gresiva:
» fi» fi » fi
1 0 0 y1 12
–2 1 0fl –y2 fl “ –24fl
3 4 1 y3 12
entonces obtenemos:
y1 “ 12,
y2 “ 24 ´ 2y1 “ 0,
y3 “ 12 ´ 3y1 ´ 4y2 “ ´24.
Finalmente, usamos sustitución regresiva para resolver el sistema triangular superior

Ux “ y :
» fi» fi » fi
2 3 3 x1 12
–0 3 1fl –x2 fl “ – 0 fl
0 0 2 x3 ´24
y obtenemos:
x1 “ p12 ´ 2x2 ´ 2x3 q{2 “ 6,

x2 “ p0 ´ 3x3 q{3 “ 6,
x3 “ ´24{4 “ ´6.
Una enorme ventaja de usar la factorización LU en vez de usar directamente la eli-

minación gaussiana es que se puede usar el trabajo realizado para resolver cualquier
otro sistema Ax “ rb.
Ejemplo 3.2.5. Resuelva el sistema Ax “ b. donde

» fi » fi
2 3 2 6
A :“ –4 9 5 fl b :“ –24fl
6 21 12 70
Debemos resolver Ly “ b, entoces

» fi» fi » fi
1 0 0 y1 6
–2 1 0fl –y2 fl “ –24fl
3 4 1 y3 70
luego,
y1 “ 6
y2 “ 24 ´ 2y1 “ 12
y3 “ 70 ´ 3y1 ´ 4y2 “ 4
además , como U x “ y así :

» fi» fi » fi
2 2 2 x1 6
–0 3 3fl –x2 fl “ –12fl
0 0 4 x3 4
x1 “ p62x2 ´ 2x3 q{2 “ ´1

x2 “ p12 ´ 3x3 “q{3 “ 3
x3 “ 4{4 “ 1
Ejemplo 3.2.6. Resolver el siguiente sistema usando la factorización LU de la

matriz del sistema. » fi» fi » fi
1 ´3 2 x1 1
–´2 8 ´1fl –x2 fl “ –2fl .
4 ´6 5 x3 4
Solución. Sabemos que

» fi» fi » fi
1 0 0 1 ´3 2 1 ´3 2
–´2 1 0fl –0 2 3 fl “ –´2 8 ´1fl
4 3 1 0 0 ´12 4 ´6 5
debemos resolver primero el sistema

» fi» fi » fi
1 0 0 y1 1
–´2 1 0fl –y2 fl “ –2fl .
4 3 1 y3 4
cuya solución obtenida por sustitución progresiva es

» fi » fi
y1 1
–y 2 fl “ – 4 fl .
y3 ´12
Luego resolvemos
» fi» fi » fi
1 ´3 2 x1 1
–0 2 3 fl –x2 fl “ – 4 fl .
0 0 ´12 x3 ´12
cuya solución obtenida por sustitución regresiva es

» fi » fi
x1 1{2
–x2 fl “ –1{2fl .
x3 1
Factorizar la matriz A “ LU consiste simplemente en triangularizar A por elimina-

ción gaussiana y almacenar la matriz triangular L de multiplicadores. Por lo tanto,
el costo de factorizar la matriz A “ LU es « 32 n3 flop. Como 2n2 ! 23 n3 , el costo
operacional total para resolver un sistema mediante factorización LU es « 32 n3 flop.
Muchas veces deben resolverse varios sistemas de ecuaciones con la misma matriz y
distintos segundos miembros b1 , . . . , bm (por ejemplo, para calcular valores propios
de A. En tal caso, conviene primero factorizar la matriz A “ LU ( una sola vez!) y
luego resolver los pares de sistemas triangulares para cada segundo miembro:
" "
Ly 1 “ b1 , Ly m “ bm ,
¨ ¨ ¨
U x1 “ y 1 , U xm “ y m .
Así, la parte más costosa del proceso (la factorización: 23 n3 ) se hace una sola vez y sólo
se repite la parte menos costosa (la solución de los sistemas triangulares: 2n2 ). Hay
algoritmos ( Crout, Doolitle) que permiten obtener directamente la factorización
LU de una matriz, pero el costo es el mismo que el de hacerlo por eliminación
gaussiana.
Observacion 3.2.2. La matriz triangular superior puede calcularse utilizando las

mismas posiciones de memoria en las que inicialmente está almacenada A. A fin
Algoritmo 3.4: Algoritmo (por eliminación gaussiana)

1 for k “ 1, . . . , n ´ 1 do
2 for i “ k ` 1, . . . , n do
pkq pkq
3 mik “ aik {akk
4 for j “ k ` 1, . . . , n do
pk`1q pkq pkq
6 y1 “ b1
7 for i “ 2, . . . , n do
ř
8 yi “ bi ´ i´1 j“1 mij yj
pnq
9 xn “ yn {ann
10 for i “ n ´ 1, 1 do
´ . . . ,ř ¯
1 n piq
11 xi “ piq yi ´ j“i`1 aij xj
aii
de no tener que utilizar una matriz más para guardar L, pueden almacenarse cada
multiplicador mij en lugar de la entrada aij que se hace cero en ese paso. Ésta no es
la forma en que procede Matlab, pues este software no pretende optimizar el costo
de almacenamiento. Sin embargo, hay muchos softwares que utilizan este truco a fin
de evitar tener que usar memoria adicional para almacenar los multiplicadores.
Necesidad del pivoteo
El algoritmo de eliminación gaussiana (o el de factorización LU ) sólo puede llevarse

pkq
a cabo si todos los pivotes son no nulos:akk ‰ 0.
Ejemplo 3.2.7. El sistema de ecuaciones siguiente tiene matriz no singular pues su

determinante es 1: » fi» fi » fi
0 1 1 x1 2
–1 2 3fl –x2 fl “ –4fl
2 0 1 x3 0
Sin embargo el algoritmo anterior no puede aplicarse pues a11 “ 0 y, por lo tanto,
p1q p1q p1q p1q
m21 “ a21 {a11 y m31 “ a31 {a11 no están definidos.
Algoritmo 3.5: Algoritmo

1 for k “ 1, . . . , n ´ 1 do
2 for i “ k ` 1, . . . , n do
pkq pkq
3 mik “ aik {akk
4 for j “ k ` 1, . . . , n do
pk`1q pkq pkq
Para poder resolver el sistema, debe intercambiarse la primera ecuación con cual-
quiera de las otras de manera de evitar el pivote cero. Por ejemplo:
» fi» fi » fi » fi» fi » fi
0 1 1 x1 2 1 2 3 x1 4
–1 2 3fl –x2 fl “ –4fl ÝÑ –0 1 1fl –x2 fl “ –2fl
2 0 1 x3 0 2 0 1 x3 0
Por otra parte, puede demostrarse que la estabilidad del método de eliminación
gaussiana en cuanto a propagación de errores de redondeo se deteriora si los mul-
tiplicadores mij son números muy grandes en módulo. Una forma de evitar ambos
inconvenientes, pivotes nulos y multiplicadores grandes en módulo, es realizar en
cada paso el intercambio de ecuaciones que produzca el pivote mayor posible en
módulo. Esta estrategia se denomina pivoteo parcial.
Estrategia de pivoteo parcial
» p1q p1q p1q

fi
a11 a12 ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ a1n
— p2q p2q ffi
— 0 a22 ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ ¨ a2n ffi
— . .. .. .. ffi
— .. . . . ffi
— ffi
— . pkq ffi
— .. 0
pkq
akk ¨ ¨ ¨ akn ffi
— ffi
— .. .. .. .. ffi
– . . . . fl
pkq pkq
0 ¨¨¨ 0 ank ¨ ¨ ¨ ann
En el paso k-ésimo se revisa el vector

» pkq fi
akk
— .. ffi
– . fl
pkq
ank
y se busca la fila l en la que aparece la entrada mayor en módulo:

ˇ ˇ !ˇ ˇ)
ˇ pkq ˇ ˇ pkq ˇ
k ď l ď n : ˇalk ˇ “ máx ˇaik ˇ .
kďiďn
Luego, si l ‰ k, se intercambia esa fila con la k-ésima. Si la matriz es no singular,

siempre habrá una entrada no nula en ese ˇvector,
ˇ porˇ loˇ que así se evitan los pivotes
ˇ pkq ˇ ˇ pkq ˇ
nulos. Además, después del intercambio, ˇakk ˇ ě ˇaik ˇ , i “ k, . . . , n. Por lo tanto,
los multiplicadores no pueden pasar de 1 en módulo:
ˇ ˇ
ˇ pkq ˇ
ˇaik ˇ
|mik | “ ˇˇ ˇˇ ď 1, i “ k, . . . , n.
pkq
ˇakk ˇ
Esta estrategia de pivoteo parcial, combinada con el método de eliminación gaus-

siana, resulta estable respecto a la propagación de errores de redondeo.
Matrices de permutación
Si hay intercambios de filas, las matrices triangulares L y U que se obtienen por el

método de eliminación gaussiana con estrategia de pivoteo parcial, ya no factorizan
a A, sino que factorizan a la matriz que se obtiene después de aplicar a A todos los
intercambios de filas que tuvieron lugar.
Se llama matriz de permutación a toda matriz que se obtenga intercambiando filas

de I. Por ejemplo, las siguientes son todas las matrices de permutación 3 ˆ 3:
» fi» fi» fi» fi» fi» fi
1 0 0 1 0 0 0 1 0 0 1 0 0 0 1 0 0 1
–0 1 0fl –0 0 1fl –1 0 0fl –0 0 1fl –0 1 0fl –1 0 0fl
0 0 1 0 1 0 0 0 1 1 0 0 1 0 0 0 1 0
Los intercambios de filas de una matriz se obtienen multiplicando a izquierda por

una matriz de permutación. Por ejemplo:
» fi» fi » fi
0 1 0 1 2 3 4 5 6
–0 0 1fl –4 5 6fl “ –7 8 9fl
1 0 0 7 8 9 1 2 3
Factorización LU con estrategia de pivoteo parcial
Teorema 3.2.1. Si A es una matriz no singular, entonces existen matrices no

singulares L triangular inferior, U triangular superior y una matriz de permutación
P , tales que LU “ P A.
Estas matrices pueden obtenerse mediante el método de eliminación gaussiana con

estrategia de pivoteo parcial. Para resolver un sistema lineal Ax “ b, el método de
factorización LU se plantea como sigue:
"
Ly “ P b,
Ax “ b ðñ P Ax “ P b ðñ LpU xq “ P b ðñ
U x “ y.
Factorización LU con pivoteo en Matlab
Veamos que hace el comando [L,U]=lu(A) cuando L es una matriz psicológicamente

triangular inferior, U es una matriz triangular superior y L*U = A.
>> A=[1 2 3;4 5 6;7 8 0];

>> [L,U]=lu(A)
L = 0.1429 1.0000 0
0.5714 0.5000 1.0000
1.0000 0 0
U = 7.0000 8.0000 0
0 0.8571 3.0000
0 0 4.5000
>> L*U
ans = 1 2 3
4 5 6
7 8 0
Usemos el comando:[L,U,P]=lu(A) para L una matriz triangular inferior, U es una
matriz triangular superior, P es una matriz de permutación y L*U = P*A.
>> A=[1 2 3;4 5 6;7 8 0];

>> [L,U,P]=lu(A)
L = 1.0000 0 0
0.1429 1.0000 0
0.5714 0.5000 1.0000
U = 7.0000 8.0000 0
0 0.8571 3.0000
0 0 4.5000
P = 0 0 1
1 0 0
0 1 0
Veamos como usar el comando [L,U,P]=lu(A), donde L es una matriz triangular
inferior, U es una matriz triangular superior, P es una matriz de permutación y L*U
= P*A.
>> L*U
ans = 7 8 0
1 2 3
4 5 6
>> P*A
ans = 7 8 0
1 2 3
4 5 6
Matrices banda
En análisis numérico, una matriz dispersa es una matriz en la que la mayoría de los
elementos son nulos. Por el contrario, si la mayoría de los elementos son no nulos,
entonces la matriz se considera densa. Un caso particular de las matrices dispersas
son las matrices banda. Una matriz se le llama matriz banda cuando es una matriz
donde los valores no nulos son confinados en un entorno de la diagonal principal,
formando una banda de valores no nulos que completan la diagonal principal de la
matriz y más diagonales en cada uno de sus costados.
Escrito formalmente, se dice que A “ paij q P Rnˆn es una matriz banda si aij “ 0
cuando |i ´ j| ě ℓ, con ℓ ! n. Al número ℓ se lo llama el ancho de banda de la
matriz. » fi
ˆ ¨¨¨ ˆ 0 ¨¨¨ 0
— .. . . .. .. .ffi
—. . . . .. ffi
— ffi
— . ..
—ˆ .. . 0ffi ffi
— ffi
—0 ... ..
. ˆffi
— ffi Ò
— .. . . . . .. .. ffi
–. . . . .fl ℓ
0 ¨¨¨ 0 ˆ ¨¨¨ ˆ Ó
ÐÝ ℓ ÝÑ
La matrices banda son un caso especial de matrices dispersas y, como tales, deben
almacenarse como sparse en Matlab a fin de reducir el costo de almacenamiento.

Estas matrices aparecen muy habitualmente en las aplicaciones; especialmente en la
resolución de problemas de valores de contorno para ecuaciones diferenciales.
Factorización LU de matrices banda
Si una matriz banda A puede factorizarse LU sin necesidad de pivoteo, entonces

las matrices triangulares L y U también son banda con el mismo ancho de banda
que A.
» fi» fi
—ˆ 0 ¨¨¨ ¨¨¨ ¨ ¨ ¨ 0 ffi—ˆ ¨¨¨ ˆ 0 ¨¨¨ 0ffi
—. .. ffiffi—— .ffi
—. . .. ... .. .. ..
—.
— . ffiffi—— 0 . . . .. ffiffiffi
—
— .. .. .. ffiffiffi——— .. .. .. .. ffi
ffi
—ˆ
— . . . ffi— . . . . 0 ffiffi
A “ —
.. .. .. . ffiffi—— . .. .. ffi
. .. ffiffi—— ..
— ffi
—0
— . . . . ˆffiffi Ò
— ffi—
—.
— .. .. .. .. ffi— . .. .. .. ffiffiffi
— . . . 0 ffiffi—— .. . . . ffifl ℓ
– fl–
0 ¨¨¨ 0 ˆ ¨¨¨ ˆ 0 ¨¨¨ ¨¨¨ ¨¨¨ 0 ˆ Ó
L ÐÝ ℓ ÝÑ U
Por eso se dice que la factorización LU sin pivoteo preserva la estructura banda de
las matrices.
Matrices tridiagonales
Un caso extremo de matrices banda es el de las matrices tridiagonales (ℓ “ 2):

» fi
b1 c1 0 ¨¨¨ 0
— .. ffi
—a2 . . . . . . ..
. . ffi
— ffi
A “ — 0 ... ... ..
— ffi
. 0 ffi P Rnˆn
— ffi
— .. . . . . .. ffi
–. . . . cn´1 fl
0 ¨¨¨ 0 an bn
Estas matrices aparecen también muy habitualmente, por ejemplo, al interpolar por
splines o al resolver problemas de valores de contorno para ecuaciones diferenciales
ordinarias.
Factorización LU de matrices tridiagonales
Cuando se cumplen las siguientes desigualdades,
|b1 | ą |c1 |,
|bi | ě |ai | ` |ci |, i “ 1, . . . , n,
|bn | ą |an |,
las matrices tridiagonales pueden factorizarse LU sin necesidad de pivoteo y este

procedimiento resulta estable respecto a la propagación de errores de redondeo:
» fi» fi
—1 0 ¨¨¨ ¨ ¨ ¨ 0ffi—β1 γ1 0 ¨ ¨ ¨ 0 ffi
—
— .. .. .. ffiffiffi——— .. .. .. .. ffiffiffi
— α2
— . . . ffi— 0 . . . . ffi
—
— .. .. . ffi—
.
. . . ffi— . . . . . . .
ffi —
ffi
ffi
A “ —0
— . . . . ffi— . . . . 0 ffiffi
— ffi— ffi
— . .. .. .. ffi— . .. ..
— .. . 0ffiffi—— ..
ffi
— . . . . γn´1ffiffi
– fl– fl
0 ¨¨¨ 0 αn 1 0 ¨ ¨ ¨ ¨ ¨ ¨ 0 βn
L U
‚ Las entradas αi , βi y γi de las matrices L y U pueden calcularse muy fácilmente:
» fi » fi» fi
b1 c1 0 ¨¨¨ 0 1 0 ¨¨¨ ¨¨¨ 0 β1 γ1 0 ¨¨¨ 0
— .. .. ffi — .. .. ffi — .. ffi
—a2 . . ffi — . .ffi — 0 β2 γ2 . . . . ffi
— b2 c2 ffi —α2 1 ffi— ffi
— .. .. .. ffi — .. .. .. .. ffi — .. . . . . .. ffi
—0 . . . 0 ffi “— . . . .ffi — .
ffi — . . . 0 ffi
— ffi —0 ffi
— .. .. .. .. ffi — . .. .. .. ffi— . .. ffi
–. . . . cn´1 fl – .. . . . 0fl – .. . βn´1 γn´1 fl
0 ¨ ¨ ¨ 0 an bn 0 ¨ ¨ ¨ 0 αn 1 0 ¨¨¨ ¨¨¨ 0 βn
1β1 “ b1 ùñ β1 “ b1
1γ1 “ c1 ùñ γ 1 “ c1
α2 β1 “ a2 ùñ α2 “ a2 {β1
α2 γ1 ` 1β2 “ b2 ùñ β2 “ b2 ´ α2 γ1
¨¨¨ ¨¨¨
1γn´1 “ cn´1 ùñ γn´1 “ cn´1
αn βn´1 “ an ùñ αn “ an {βn´1
αn γn´1 ` 1βn “ bn ùñ βn “ bn ´ αn γn´1
Así obtenemos el siguiente algoritmo ( Algoritmo de Thomas):
Algoritmo 3.6: Algoritmo de Thomas

1 for i “ 2, . . . , n do
2 γi´1 “ ci´1
3 αi “ ai {βi´1
4 βi “ bi ´ αi γi´1
Costo operacional:
ÿ
n
3 “ 3pn ´ 1q flop
i“2
Solución de sistemas con matrices tridiagonales
Al resolver un sistema Ax “ d con matriz A tridiagonal, a partir de su factorización

LU ,
"
Ly “ d,
Ax “ d ðñ LpU xq “ d ðñ
U x “ y,
los sistemas triangulares también pueden resolverse muy fácilmente:
» fi» fi » fi
1 0 ¨¨¨ ¨¨¨ 0 y1 d1
— .. .. ffi — ffi — ffi
— α2 1 . .ffi — ffi — ffi
— ffi — y2 ffi — d2 ffi
— .. .. . ffi — .
.. .ffi — . ffi “ — . ffi
ffi — .
. . . . ffi Ñ
ffi— . ffi — . ffi
—0
—
— .. .. .. .. ffi— ffi — ffi
–. . . . 0fl –yn´1fl –dn´1 fl
0 ¨¨¨ 0 αn 1 yn dn

1 y1 “ d1
2 for i “ 2, . . . , n do
3 yi “ di ´ αi yi´1
Costo operacional:
ÿ
n
2 “ 2pn ´ 1q flop
i“2
» fi» fi » fi
β1 γ1 0 ¨¨¨ 0 x1 y1
— .. ffi — ffi — ffi
— 0 ... ..
.
..
. . ffi — ffi — ffi
— ffi — x2 ffi — y2 ffi
— .. . . .. .. ffi — . ffi — . ffi
—. . . . 0 ffi — .. ffi “ — .. ffi Ñ
— ffi— ffi — ffi
—. . .. ffi— ffi — ffi
–. . βn´1 γn´1 fl –xn´1 fl –yn´1 fl
0 ¨¨¨ ¨¨¨ 0 βn xn yn

1 xn “ yn {βn
2 for i “ n ´ 1, . . . , 1 do
3 xi “ pyi ´ γi xi`1 q {βi
Costo operacional:
ÿ
n´1
1` 3 “ 1 ` 3pn ´ 1q flop
i“1
El costo total de resolver un sistema de ecuaciomes con matriz tridiagonal mediante

el algoritmo de Thomas es de 3pn ´ 1q ` 2pn ´ 1q ` 1 ` 3pn ´ 2q « 8n flop.
Compárese este costo con el del método de eliminación gaussiana aplicado a ciegas
sin sacar provecho de la estructura tridiagonal de la matriz: 32 n3 .
Por ejemplo, un sistema 1000 ˆ 1000 cuesta aproximadamente 666 666 666 flop por
M.E.G. y aproximadamente 8 000 flop mediante este algoritmo.
Matrices definidas positivas
Una matriz simétrica A P Rnˆn se dice definida positiva si
xt Ax ą 0 @x P Rn : x ‰ 0.
Estas matrices también aparecen muy habitualmente, por ejemplo, al ajustar pará-
metros de un modelo por cuadrados mínimos o al resolver problemas de valores de
contorno para ecuaciones diferenciales.
Teorema 3.2.2. Sea A P Rnˆn una matriz simétrica. A es definida positiva si y

sólo si se cumple cualquiera de las siguientes condiciones:
1. los valores propios de A son todos positivos;
2. los determinantes de las submatrices principales de A son todos positivos;
3. existe una matriz L, triangular inferior y no singular, tal que A “ LL t .
Esta última propiedad nos dice que si la matriz es simétrica y definida positiva,
siempre puede obtenerse una factorización en matrices triangulares sin necesidad
de pivoteo. Además, no hace falta calcular la matriz triangular superior, pues es la
transpuesta de la triangular inferior.Veremos que esto reduce el costo operacional a
la mitad.
Método de Cholesky
Como ya hemos visto, cualquier matriz cuadrada A con pivotes no nulos puede ser
escrita como el producto de una matriz triangular inferior L y una matriz triangular
superior U . Sin embargo, si A es simétrica y definida positiva, se pueden escoger
los factores tales que U es la transpuesta de L, y esto se llama la descomposición o
factorización de Cholesky. Al igual que la descomposición LU , la descomposición de
Cholesky es usada para resolver sistemas de ecuaciones lineales. Cuando es aplicable,
la descomposición de Cholesky es dos veces más eficiente que la descomposición LU .
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. Ahora bien, ya que A es simétrica y definida positiva, podemos
asegurar que los elementos sobre la diagonal de L son positivos y los restantes
elementos reales desde luego.
El étodo de Cholesky se basa en calcular directamente la matriz L tal que A “ LLt .

Este procedimiento se aplica solamente a matrices simétricas y definidas positivas.
Para el cálculo de L se procede como en el caso de matrices tridiagonales y se obtiene
el siguiente algoritmo:

1 for j “ 1,b. . . , n do
řj´1 2
2 ljj “ ajj ´ k“1 ljk
3 for i “ j ` ´1, . . . , n do ¯
1
řj´1
4 lij “ ljj aij ´ k“1 lik ljk
El costo operacional es:

« j´1 ˜ j´1
¸ff
ÿ
n ÿ ÿ
n ÿ
2` 1` 2
j“1 k“1 i“j`1 k“1
1 3
« 3 n flop,
` n raíces cuadradas.
Para resolver un sistema de ecuaciones Ax “ b con matriz simétrica y definida

positiva por el método de Cholesky, una vez calculada L, se tiene:
"
t Ly “ b,
Ax “ b ðñ LpL xq “ b ðñ
Lt x “ y.
Para resolver los sistemas Ly “ b y Lt x “ y, se utiliza el algoritmo que ya cono-

cemos para matrices triangulares, cuyo costo operacional es de « 2n2 . Por lo tanto
el costo operacional total del método de Cholesky es de « 13 n3 . Vale decir, apro-
ximadamente la mitad que el del M.E.G. Además, se demuestra que si la matriz es
simétrica y definida positiva, los métodos de factorización son estables respecto a
la propagación de errores de redondeo sin necesidad de estrategia de pivoteo. En
particular, el método de Cholesky es estable.
Número de condición
› ´1 › 3.2.1. Se define el número de condición de la matriz A como condpAq :“

Definición
}A} ›A › .
Teorema 3.2.3. Sea A una matriz y sea } ¨ } una norma vectorial. Entonces el
número de condicioón satisface
máx }Ax}
}x}“1
condpAq “ (3.10)
mı́n }Ax}
}x}“1
De la ecuación (3.10) se sigue que el número de condición condpAq es una medida

de como cambia un vector al ser multiplicado por la matriz A. Tambien de (3.10)
se sigue que condpAq ě 1.
Teorema 3.2.4. Supongamos que A P Rnˆn es una matriz no singular y b P Rn . Si

Ax “ b y Apx ` δxq “ b ` δb. Entonces,
}δx} ` › ›˘ }δb}
ď }A} ›A´1 › .
}x} }b}
Consideremos el siguiente ejemplo:

„ „  „  „ 
´0,10 1,00 x1 ´2,0 10,0
“ . Solución exacta: x “ .
0,11 ´1,00 x2 2,1 ´1,0
Supongamos que el segundo miembro b ha sido redondeado a un dígito decimal y

que su valor redondeado a dos dígitos decimales es b “ p´2,00, 2,14qt . Si resolvemos
el sistema con este segundo miembro se tiene:
„ „  „  „ 
´0,10 1,00 x1 ´2,00 14,0
0,11 ´1,00 x2 2,14 ´0,6
Notemos que un error de menos del 2 % en los datos produjo un error del 40 % en
la solución!!!
El número de condición de la matriz de un sistema también rige la propagación de

errores en la misma matriz.
Teorema 3.2.5. Si Ax “ b y pA ` δAqpx ` δxq “ pb ` δbq, con A no singular y

δA suficientemente pequeño como para que condpAq }δA}
}A}
ă 1, entonces,
ˆ ˙
}δx} condpAq }δA} }δb}
ď ` .
}x} 1 ´ condpAq }δA}
}A}
}A} }b}
Consideremos de nuevo el mismo ejemplo:

„ „  „  „ 
´0,10 1,00 x1 ´2,0 10,0
0,11 ´1,00 x2 2,1 ´1,0
Supongamos ahora que la entrada a11 de la matriz es en realidad ´0,102 en lugar

de ´0,10 . Si resolvemos el sistema con este dato modificado se tiene:
„ „  „  „ 
´0,102 1,00 x1 ´2,00 12,500
0,11 ´1,00 x2 2,1 ´0,725
Esta vez un error del 2 % en los datos produjo un error de alrededor del 25 % en
la solución. Otra vez, los errores en los datos se amplificaron, pese a que no se ha
usado método numérico alguno!
La capacidad de propagar errores en los datos de un sistema Ax “ b depende

esencialmente de la matriz A y no del segundo miembro b. Si condpAq « 1 decimos
que el sistema está bien condicionado. Si condpAq " 1 decimos que el sistema está
mal condicionado.
El número de condición de la matriz también determina la capacidad de propagar

los errores de redondeo cuando el sistema se resuelve computacionalmente.
Teorema 3.2.6. Sea x P Rn la solución del sistema Ax “ b con A P Rnˆn no
singular y b P Rn .
Sea x̂ P Rn la solución calculada mediante el método de eliminación gaussiana con

estrategia de pivoteo parcial,
!ˇ ˇ) en un computador con constante de precisión ε. Sea
1 ˇ pkq ˇ
p “ }A}8 máx1ďi,j,kďn ˇaij ˇ .
Entonces, si el sistema no está demasiado mal condicionado de manera que ε cond A ă

1, se tiene la siguiente acotación del error relativo de la solución calculada:
}x ´ x̂}8 cond8 pAq
ď 2n3 pε .
}x}8 1 ´ ε cond8 pAq
3.3 Métodos Iterativos
En esta estudiaremos procedimientos iterativos para resolver un sistema de ecuacio-

nes lineales. El primero de ellos es el método de Jacobi el cual esta basado en la idea
de punto fijo y el segundo es el método de Gauss-Seidel el cual es una modificación
simple del método de Jacobi. Estableceremos condiciones que garanticen la conver-
gencia de estos métodos y y veremos que en algunos casos donde no se garantiza la
convergencia sera suficiente un reorganizamiento de las ecuaciones para garantizar
la convergencia.
Considere el sistema de ecuaciones Ax “ b, con A P Rnˆn no singular y b P Rn . Un

método iterativo para resolver el sistema construye, a partir de un vector inicial x p0q ,
una sucesión de vectores xp1q , xp2q , . . . , xpkq , . . . la que, bajo condiciones apropiadas,
resultará convergente a x. Si suponemos A “ N ´ P , donde N debe ser invertible,
entonces
Ax “ b ðñ Nx “ P x ` b ðñ x “ N ´1 P x ` N ´1 b.
Se usa la igualdad N x “ P x ` b para definir un esquema general para construir la

sucesión txpkq u.
Algoritmo del esquema general:
Dado el vector inicial xp0q ,

ˇpara k “pkq1, 2, . . . pk´1q
resolver:
ˇ Nx “ P x ` b,
hasta que se satisfaga un criterio de detención.
M :“ N ´1 P ( matriz de iteración) y epkq :“ x ´ xpkq ( error de xpkq ), para cada

k “ 1, 2, . . . se tiene
epkq “ M k ep0q , k “ 1, 2, . . .
Métodos Basicos
Considere el sistema
a11 x1 ` a12 x2 ` ¨ ¨ ¨ ` a1n xn “ b1

a21 x1 ` a22 x2 ` ¨ ¨ ¨ ` a2n xn “ b2
.. .. ,
. .
an1 x1 ` an2 x2 ` ¨ ¨ ¨ ` ann xn “ bn
y despejemos xi en la ecuación i, esto es

b1 ´ pa12 x2 ` a13 x3 ` ¨ ¨ ¨ ` a1n xn q

x1 “
a11
b2 ´ pa21 x1 ` a23 x3 ` ¨ ¨ ¨ ` a2n xn q
x2 “
a22 ,
.. ..
. .
bn ´ pan1 x1 ` an2 x2 ` ¨ ¨ ¨ ` ann´1 xn´1 q
xn “
ann
como conocemos el dato inicial podemos generar una sucesión de aproximaciones
b1 ´ pa12 xk2 ` a13 xk3 ` ¨ ¨ ¨ ` a1n xkn q

x1k`1 “ k “ 0, 1, 2 . . .
a11
k`1 b2 ´ pa21 xk1 ` a23 xk3 ` ¨ ¨ ¨ ` a2n xkn q
x2 “ k “ 0, 1, 2 . . .
a22
.. ..
. .
bi ´ pai1 xk1 ` ¨ ¨ ¨ ` aii´1 xki´1 ` aii`1 xki`1 ` ¨ ¨ ¨ ` ain xkn q
xik`1 “ k “ 0, 1, 2 . . .
aii
.. ..
. .
bn ´ pan1 xk1 ` an2 xk2 ` ¨ ¨ ¨ ` ann´1 xkn´1 q
xnk`1 “ k “ 0, 1, 2 . . .
ann
(3.11)
El método descrito en (3.11) para calcular la componentes del vector x es conocido pkq
como método de Jacobi.
Algoritmo 3.10: Algoritmo Jacobi

1 for i “ 1, . . . ,”n do ı
pkq 1
ři´1 pk´1q řn pk´1q
2 xi “ aii bi ´ j“1 aij xj ´ j“i`1 aij xj
Una forma de mejorar el método de Jacobi es aprovechar en el paso k ` 1, los valores

pk`1q
recien calculados xj en la misma iteración. Por ejemplo, para aproximar x5k`1 en
3.11 solo usan valores calculados en el paso k, en vez de eso se pueden usar los valores
x1k`1 , x2k`1 , x3k`1 , x4k`1 que ya se conocen. Veamos lo anterior en forma general:
b1 ´ pa12 xk2 ` a13 xk3 ` ¨ ¨ ¨ ` a1n xkn q

x1k`1 “ k “ 0, 1, 2 . . .
a11
b2 ´ pa21 x1k`1 ` a23 xk3 ` ¨ ¨ ¨ ` a2n xkn q
x2k`1 “ k “ 0, 1, 2 . . .
a22
.. ..
. .
k`1 bi ´ pai1 x1k`1 ` ¨ ¨ ¨ ` aii´1 xi´1
k`1
` aii`1 xki`1 ` ¨ ¨ ¨ ` ain xkn q
xi “ k “ 0, 1, 2 . . .
aii
.. ..
. .
k`1
bn ´ pan1 x1k`1 ` an2 x2k`1 ` ¨ ¨ ¨ ` ann´1 xn´1k`1
q
xn “ k “ 0, 1, 2 . . .
ann
(3.12)
El método descrito en (3.12) para calcular la componentes del vector x es conocido pkq
como método de Gauss-Seidel.
Algoritmo 3.11: Algoritmo Gauss

1 for i “ 1, . . . ,”n do ı
pkq ř pkq řn pk´1q
2 xi “ a1ii bi ´ i´1 a x
j“1 ij j ´ a x
j“i`1 ij j
Una aceleración del método de Guss-Seidel es posible si se introduce un factor de

relajación ω, resultando el método SOR:
ˆ ˙
b1 ´ pa12 xk2 ` a13 xk3 ` ¨ ¨ ¨ ` a1n xkn q
x1k`1 “ ω ` p1 ´ ωqxk1
a11
ˆ ˙
b2 ´ pa21 x1k`1 ` a23 xk3 ` ¨ ¨ ¨ ` a2n xkn q
x2k`1 “ ω ` p1 ´ ωqxk2 ,
a22
.. ..
. . ˜ ¸
bi ´ pai1 x1k`1 ` ¨ ¨ ¨ ` aii´1 xi´1
k`1
` aii`1 xki`1 ` ¨ ¨ ¨ ` ain xkn q
xik`1 “ ω ` p1 ´ ωqxki ,
aii
.. ..
. .
ˆ ˙
bn ´ pan1 x1k`1 ` an2 x2k`1 ` ¨ ¨ ¨ ` ann´1 xn´1
k`1
q
xnk`1 “ ω ` p1 ´ ωqxkn ,
ann
(3.13)
Algoritmo 3.12: Algoritmo Gauss

1 for i “ 1, . . .!, n do
” ı)
pkq 1
ři´1 pkq řn pk´1q pk´1q
2 xi “ ω aii bi ´ j“1 aij xj ´ j“i`1 aij xj ` p1 ´ ωqxi
Si ω “ 1 el método SOR corresponde al método de Gaus Seidel.
Consideremos un ejemplo numérico donde veamos en acción los tres métodos intro-
ducidos:
Ejemplo 3.3.1 (Jacobi iteration). Sea
» fi »fi
2 ´1 0 1
A “ – ´1 3 ´1 fl , b“– 8 fl
0 ´1 2 ´5
initial vector.
Solución. Reescribiendo las ecuaciones, el método de Jacobi nos da:
pkq 1 pk´1q 1
x1 “ x `
2 2 2
pkq 1 pk´1q 1 pk´1q 8
x2 “ x ` x3 `
3 1 3 3
pkq 1 pk´1q 5
x3 “ x ´
2 2 2
Escribimos el método de Jacobi como xpkq “ M J xpk´1q ` h, donde

» fi » 1 fi
0 21 0 2
M J “ – 13 0 31 fl , h “ – 83 fl
0 12 0 ´ 25
Ahora, si usamos el método de Gauss-Seidel

pkq 1 pk´1q 1
x1 “ x `
2 2 2
pkq 1 pkq 1 pk´1q 8 1 pk´1q 1 pk´1q 17
x2 “ x1 ` x3 ` “ x2 ` x3 `
3 3 3 6 3 16
pkq 1 pkq 5 1 pk´1q 1 pk´1q 13
x3 “ x ´ “ x2 ` x3 `
2 2 2 12 6 12
escribimos el esquema iterativo como xpkq “ M GS xpk´1q ` h, donde

» fi » 1 fi
0 12 0 2
M GS “ – 0 16 13 fl , h “ – 17 6
fl
1 1 13
0 12 6 ´ 12
Repetimos el ejemplo anterior usando la iteración de SOR con ω “ 1,1.
„ 
pkq 1 pk´1q 1 pk´1q
x1 “ ω x2 ` ` p1 ´ ωqx1
2 2
„ 
pkq 1 pkq 1 pk´1q 8 pk´1q
x2 “ ω x1 ` x3 ` ` p1 ´ ωqx2
3 3 3
„ 
pkq 1 pkq 5 pk´1q
x3 “ ω x2 ´ ` p1 ´ ωqx3
2 2
Escribimos el método iterativo SOR como:
xpkq “ M ω xpk´1q ` h,
donde
» fi » fi
´0,0100 0,5050 0 0,5050
Mω “ – 0 0,1583 0,3367 fl , h “ – 2,8617 fl
0 0,0842 0,1583 ´1,0942
En este ejemplo, la convergencia del método SOR es mas rápida que la del método
de GaussSeidel.
Jacobi Gauss Seidel SOR

pkq pkq pkq pkq pkq pkq pkq pkq pkq
k x1 x2 x3 x1 x2 x3 x1 x2 x3
1 0.5000 2.6667 -2.5000 0.5000 2.8333 -1.0833 0.5500 3.1167 -1.1917
2 1.8333 2.0000 -1.1667 1.9167 2.9444 -1.0278 2.2092 2.9394 -1.0053
3 1.5000 2.8889 -1.5000 1.9722 2.9815 -1.0093 1.9458 2.9930 -1.0060
4 1.9444 2.6667 -1.0556 1.9907 2.9938 -1.0031 2.0016 2.9972 -1.0011
5 1.8333 2.9630 -1.1667 1.9969 2.9979 -1.0010 1.9983 2.9994 -1.0003
6 1.9815 2.8889 -1.0185 1.9990 2.9993 -1.0003 1.9998 2.9998 -1.0001
7 1.9444 2.9877 -1.0556 1.9997 2.9998 -1.0001 1.9999 3.0000 -1.0000
8 1.9938 2.9630 -1.0062 1.9999 2.9999 -1.0000 2.0000 3.0000 -1.0000
9 1.9815 2.9959 -1.0185 2.0000 3.0000 -1.0000 2.0000 3.0000 -1.0000
.. .. .. .. .. .. .. .. .. ..
. . . . . . . . . .
20 2.0000 2.9999 -1.0000 2.0000 3.0000 -1.0000 2.0000 3.0000 -1.0000
21 2.0000 3.0000 -1.0000 2.0000 3.0000 -1.0000 2.0000 3.0000 -1.0000
3.4 Convergencia de métodos iterativos.
Teorema 3.4.1. Convergencia La sucesión xpkq “ M xpk´1q ` h converge a la solu-

ción x de Ax “ b, si y sólo si, ρpM q ă 1.
Demostración 3.4.1. Como xpkq “ M xpk´1q ` h y x “ M x ` h
ek :“ xk ´ x “ M pxk´1 ´ xq “ M ek´1 “ ¨ ¨ ¨ “ M k e0 (3.14)

(
Observacion 3.4.1. Si la sucesión xpkq converge, necesariamente lo hace a la
solución x de Ax “ b.
Lema 3.4.1. Cota para el radio espectral Sea A una matriz cuadrada. Para cual-
quier norma matricial se tiene que ρpAq ď }A} .
Corolario 3.4.1. Condición suficiente de convergencia Una condición suficiente

(
para que la sucesión xpkq sea convergente a la solución x de Ax “ b es que
(
}M } ă 1, donde M es la matriz de iteración del método que genera a xpkq .
Ejemplo 3.4.1. Determine cuando los métodos de Jacobi, Gauss-Seidel y SOR con
ω “ 1,1 del ejemplo anterior converge.
Solución. Calculamos los valores propios de la matriz de iteracion de cada método.

Para el método de Jacobi son
» fi
´λ 21 0
1 1
detpB J ´ λIq :“ det – 31 ´λ 13 fl “ ´λ3 ` λ ` λ “ 0
1 6 6
0 2
´λ
b
Los valores propios son λ “ 0,˘ 13 « ˘0,5774. Por el Teorema anterior, la iteración
de Jacobi converge para cualquier vector inicial.
Para el método de Gauss-Seidel, los valores propios de la matriz de iteracion M GS

estan determinados por
» 11 fi
´λ 20
0 ˆ ˙2
– fl “ ´λ 1 1
detpM GS ´ λIq :“ det 1 3
1
6
´λ 1
3
´λ ` λ“0
1 1 6 36
0 12 6
´λ
Los valores propios son λ « 0, 0, 31 « 0, 333. Por tanto, la iteración de Gauss-Seidel

tambien converge.
Para el método de SOR (con ω “ 1,1) los valores propios de la matriz de iteración
M ω estan determinados por
» 1 11 fi
´ 10 ´ λ 20
0
detpM ω ´ λIq :“ det – ´ 30011 61
600
´λ 11
30
fl
121 671 61
´ 6000 ´λ
ˆ ˙ ˆ 12000 ˙ 600
1 61 121 11 11
“ ´ ´λ ´λ ´
10 600 600 30 20
ˆ ˙ ˆ ˙
11 11 61 1 671 11
` ´λ ´ ´ ´λ
20 300 600 10 12000 30
1 31 31 2
“´ ` λ` λ ´ λ3 “ 0
1000 3000 3000
Así, λ « 0,1200, 0,0833, ´0,1000 SOR tambien converge.
Convergencia de los métodos de Jacobi y de Gauss-Seidel
Como en todos los método iterativos, un aspecto importante de los métodos de

Jacobi y Gauss-Seidel es garantizar la convergencia. En los siguientes teoremas se
establecen condiciones suficientes (mas no necesarias !!!) para la convergencia de los
metodos de Jacobi y Gauss Seidel. Estos resultados se basan en los resultados de
convergencia generales presentados anteriormente y requieren conocer la formulación
matricial de los métodos.
arbitrario y Consideremos un sistema Ax “ b con aii “ 0. Escribamos la matriz A

en la forma A “ D ´ E ´ F , donde D “ diagpAq, É y ´F son:
» fi
..
. ´F ffi
—
A“– — D ffi
fl
..
É .
Notemos que tanto D como D ´ E son matrices invertibles, ya que aii “ 0 para
i “ 1, . . . , n. El método de Jacobi corresponde al esquema iterativo general con
N :“ D y P :“ E ` F y el método de Gauss-Seidel corresponde al esquema
iterativo general con N :“ D ´ E y P :“ F . La matriz de iteración es entonces
M “ pD ´ Eq´1 F .
Algoritmo de Jacobi:

ˇpara k “ 1, 2, . . . resolver:
ˇ Dxpkq “ pE ` F qxpk´1q ` b,
Algoritmo de Gauss-Seidel:

ˇpara k “ 1, 2, .pkq
. . , resolver:
ˇ pD ´ Eqx “ F xpk´1q ` b,
Teorema 3.4.2. Si A es de diagonal dominante estricta, entonces los métodos de

Jacobi y de Gauss-Seidel convergen.
Demostración 3.4.2. La matriz de iteración del método de Jacobi verifica:

» fi
0 ´ aa11
12
¨¨¨ ¨¨¨ ´ aa1n 11
— a21 .. .. ffi
—´
— a22 0 . . ffi
ffi
´1 — .. . .. .. .. .. ffi
M “ D pE ` F q “ — . . . . ffi
— ffi
— .. ..
. an´1 n ffi
– . 0 ´ an´1 n´1 fl
an n´1
´ aann
n1
¨¨¨ ¨ ¨ ¨ ´ ann 0
$ ,
’
& 1 ÿ n /
.
Para la norma infinito de M se tiene que }M }8 “ máx |aij | . Cuando
1ďiďn ’ |aii | /
% j“1 -
j‰i
A es de diagonal dominante estricta, es decir, cuando se tiene que
ÿ
n
|aii | ą |aij |, i “ 1, . . . , n,
j“1
j‰i
entonces }M }8 ă 1 y el método de Jacobi resulta convergente.
Observacion 3.4.2. Para una matriz arbitraria A, la convergencia de uno de estos

métodos no implica la convergencia del otro.
Teorema 3.4.3. Si A es simétrica y definida positiva, el método de Gauss-Seidel

es convergente.
Observacion 3.4.3. Aunque A sea simétrica y definida positiva, el método de
Jacobi puede ser divergente.
En algunos casos no se pueden aplicar los métodos iterativos porque la matriz no

es diagonalmente dominante y por consiguiente no existe garantia de que se de la
convergencia. Sin embargo este problema se puede resolver al reordenar las ecuacio-
nes de tal manera que la nueva matriz de coeficientes sea diagonalmente dominante.
Esto puede llevar algun tiempo si el sistema es demasiado grande, pero garantiza
que las iteraciones de jacobi o Gauss Seidel convergeran a la solucion del sistema de
ecuaciones.
Ejemplo 3.4.2. Considere el sistema
3x ` 12y ´ z “ ´2
11x ´ 4y ` 3z “ ´3
´3x ´ 2y ´ 12z “ ´2
La matriz de coeficientes de este sistema no es diagonalmente dominante, pero si

intercambiamos la primera y la segunda fila obtendremos una matriz que si posee
esta propiedad, en efecto:
11x ´ 4y ` 3z “ ´3
3x ` 12y ´ z “ ´2
´3x ´ 2y ´ 12z “ ´2
Ejemplo 3.4.3. Resolución de un sistema de ecuaciones lineales de matriz tridia-

gonal simétrica. Resolver el sistema tridiagonal siguiente
Ax “ b
¨ ˛¨ ˛ ¨ ˛
4 ´1 0 0 0 x1 100
˚ ´1 4 ´1 0 0 ‹˚ x2 ‹ ˚ 200 ‹
˚ ‹˚ ‹ ˚ ‹
˚ ‹˚ ‹ ˚ ‹
pSq ˚ 0 ´1 4 ´1 0 ‹˚ x3 ‹“˚ 200 ‹
˚ ‹˚ ‹ ˚ ‹
˝ 0 0 ´1 4 ´1 ‚˝ x4 ‚ ˝ 200 ‚
0 0 0 ´1 4 x5 100
1. Mediante una descomposición LU.
2. Utilizando el método de gauss-seidel con estimador inicial
xp0q “ p25, 50, 50, 50, 25qT
3. Este sistema está especialmente adaptado para utilizar el método de relajacioń.
Resolver el sistema mediante superrelajación de Gauss-Seidel, variando el fac-

tor w de superrelajación hasta su valor óptimo.
Solución. 1. La descomposición de A “ LU con L triangular inferior bidiagonal

con unos en la diagonal principal y U triangular superior también bidiagonal
es particularmente simple en este caso. Se tiene
¨ ˛¨ ˛
1 0 0 0 0 4 ´1 0 0 0
˚ ´1 ‹˚ 15 ‹
˚ 1 0 0 0 ‹˚ 0 ´1 0 ‹
0
˚ 4 ‹˚ 4 ‹
˚ ´4 ‹˚ 56 ‹
˚ 0 1 0 0 ‹ ˚ 0 0 ´1 0 ‹
L˚ 15 ‹˚ 15 ‹
˚ ´15 ‹˚ 209 ‹
˚ 0 0 1 0 ‹ ˚ 0 0 0 ´1 ‹
˚ ‹˚ ‹
˝ 56 ‚˝ 56 ‚
´56 780
0 0 0 1 0 0 0 0
209 209
La resolución del sistema asociada a esa descomposición se hace resolviendo

por sustitución adelante el sistema Ly “ b y una vez obtenida su solución se
resuelve por retrosustitución el sistema Ux “ y.
¨ ˛
1 0 0 0 0 ¨ ˛ ¨ ˛
˚ 1 ‹ y1 100
˚ ´ 1 0 0 0 ‹
˚ 4 ‹˚ y2 ‹ ˚ 200 ‹
˚ ´4 ‹˚ ‹ ˚ ‹
˚ 0 1 0 0 ‹ ˚ ‹ ˚ ‹
˚ 15 ‹˚ y3 ‹“˚ 200 ‹
˚ ´15 ‹˚ ‹ ˚ ‹
˚ 0 0 1 0 ‹ ˝ y4 ‚ ˝ 200 ‚
˚ ‹
˝ 56 ‚ y5 100
56
0 0 0 1
209
¨ ˛ ¨ ˛
y1 100
˚ y2 ‹ ˚ 225 ‹
˚ ‹ ˚ ‹
˚ ‹ ˚ ‹
˚ y3 ‹“˚ 260 ‹
˚ ‹ ˚ ‹
˝ y4 ‚ ˝ 269,643 ‚
y5 172,249
¨ ˛
4 ´1 0 0 0 ¨ ˛ ¨ ˛
˚ 15 ‹ x1 100
˚ ´1 0 0 0 ‹
˚ 4 ‹˚ x2 ‹ ˚ 225 ‹
˚ 56 ‹˚ ‹ ˚ ‹
˚ 0 0 ´1 0 ‹ ˚ ‹ ˚ ‹
˚ 15 ‹˚ x3 ‹“˚ 260 ‹
˚ 209 ‹˚ ‹ ˚ ‹
˚ 0 0 0 ´1 ‹ ˝ x4 ‚ ˝ 269,643 ‚
˚ ‹
˝ 56 ‚ x5 172,249
780
0 0 0 0
209
¨ ˛ ¨ ˛
x1 46,15384708887603
˚ x2 ‹ ˚ 84,61538835550414 ‹
˚ ‹ ˚ ‹
˚ ‹ ˚ ‹
˚ x3 ‹“˚ 92,30770633314054 ‹
˚ ‹ ˚ ‹
˝ x4 ‚ ˝ 84,61543697705802 ‚
x5 46,15389871794871
Se observa que x1 = x5 y x2 = x4 propiedad que posee el término independiente

b y que respeta la matriz simétrica y tridiagonal A. Ello sugiere tomar el
estimador inicial con la misma propiedad en los métodos iterativos de los
apartados siguientes.
2. Resolveremos ahora S por el método de Gauss ´ Seidel

A=[4 -1 0 0 0;-1 4 -1 0 0;0 -1 4 -1 0;0 0 -1 4 -1;0 0 0 -1 4]

b=[100;200;200;200;100];
format long
itr = 10;
x0 = zeros(1,length(A));
n = length(A);
x=x0;
xold = x0;
for k = 1:itr
for i = 1:n
sigma=0;
for j=1:i-1
sigma=sigma+A(i,j)*x(j);
end
for j=i+1:n
sigma=sigma+A(i,j)*xold(j);
end
x(i)=(1/A(i,i))*(b(i)-sigma);
end
xold=x;
end
x’
con solución
ans =
46.153818219681852
84.615363662487653
92.307681830675392
84.615380686432218
46.153845171608054
Ejemplo 3.4.4. Convergencia de esquemas iterativos para una matriz tridiagonal:

Se considera una matriz tridiagonal de 3 ˆ 3 del tipo siguiente:
¨ ˛
1 a12 0
A “ ˝a21 1 a23 ‚
0 a32 1
1. Estudiar si los métodos de Jacobi y Gauss-Seidel para A convergen o divergen

simultáneamente. Encontrar una condición necesaria y suficiente, expresada
mediante los elementos de la matriz A, para que ambos métodos converjan.
En el caso de que ambos métodos converjan, Â¿cuál lo hace más rápidamente?
Justificar respuesta.
2. Suponiendo que a12 “ a21 “ a32 “ a23 “ 0,5 y que el término independiente
del sistema lineal es b “ p1,5, 2,0, 1,5qT , y tomando X p0q “ b, comprobar que
se verifica el apartado anterior utilizando el residuo de la primera iteración
para ambos métodos
Solución. 1. Recordemos que para todo método iterativo tenemos que establecer
una descomposición A “ N ´ P y la iteración de es de la forma N X k`1 “
P X k ` b. En la descomposición de la matriz A asociada al método de Jacobi:
A “ D ´ pÉ ´ F q. En este caso particular, D “ I y entonces P “ I ´ A
de donde la matriz de iteración de Jacobi M J “ I ´1 P “ IpI ´ Aq es
¨ ˛
0 á12 0
M J “ ˝á21 0 á23 ‚
0 á32 0
Estudiaremos el polinomio caracteristico:

� �
� ´λ á12 0 �
� �
detpM J ´ λIq “ ��á21 ´λ á23 �� “ 0
� 0 á32 ´λ �
?
cuyas raices son λ1 “ 0, λ2 “ ´λ3 “ a12 a21 ` a23 a32 y por lo tanto, el radio
?
espectral vale:ρpJq “ | a12 a21 ` a23 a32 |.
En la descomposición de la matriz A asociada al método de Gauss-Seidel
¨ ˛ ¨ ˛ ¨ ˛
1 0 0 1 0 0 0 á12 0
N “ ˝a21 1 0‚ ñ N ´1 “ ˝ á21 1 0‚y P “ ˝0 0 á23 ‚
0 a32 1 a21 a32 á32 1 0 0 0
de modo que la matriz de iteración de Gauss-Seidel, M GS “ N ´1 P .Es
¨ ˛
0 á12 0
M GS “ ˝0 a21 a12 á23 ‚
0 á21 a12 a32 a32 a23
Estudiaremos el polinomio caracteristico:

� �
�´λ á 12 0 �
� �
detpM GS ´ λIq � 0 a21 a12 ´ λ
� á23 �� “ 0
� 0 á a a
21 12 32 a32 a23 ´ λ
�
cuyas raices son λ1 “ λ2 “ 0, λa 3 “ a12 a21 ` a23 a32 . Entonces ρpM GS q “

|a12 a21 ` a23 a32 |. es decir, ρpJq “ ρpGSq.
La condición necesaria y suficiente para la convergencia es que el radio es-
pectral de la matriz de iteración sea menor que la unidad. Dada la relación
entre ellos, es claro que las dos serán mayores o menores que la unidad si-
multáneamente y por tanto convergerán o divergerán simultáneamente. La
condición necesaria y suficiente pedida es |a12 a21 ` a23 a32 | ă 1. En caso de
que haya convergencia, los dos radios espectrales son menores que la unidad,
luego ρpM J q ě ρpM GS q y por lo tanto el método de Jacobi convergerá más
lentamente.
2. Si a12 “ a21 “ a32 “ a23 “ 0,5 ρpM J q “ 0,7071, ρpM GS q “ 0,5 En el caso de
Jacobi, si X p0q “ b, tenemos
¨ ˛¨ ˛ ¨ ˛ ¨ ˛
0 ´0,5 0 1,5 1,5 0,5
p1q p0q
X “ M J X ` I b “ ´0,5 ´1 ˝ 0 ´0,5 ‚˝ ‚ ˝ ‚
2,0 ` 2,0 “ 0,5‚ ˝
0 ´0,5 0 1,5 1,5 0,5
Evaluemos el residuo:
¨ ˛
´0,75
r p1q “ b ´ AX p1q “ ˝´1,00‚, ||r p1q ||8 “ 1,0
´0,75
El el caso de Gauss-Seidel, si X p0q “ b, tenemos

¨ ˛¨ ˛ ¨ ˛
1 ´0,5 0 1,5 0,5
X “ M GS X ` N b “ ˝´0,5 1,25 ´0,5‚˝2,0‚ “ ˝ 1 ‚
p1q p0q ´1
0,25 ´0,625 1,25 1,5 1
Evaluemos el residuo:
¨ ˛
0,50
r p1q “ b ´ Axp1q “ ˝´0,25‚, ||rp1q ||8 “ 0,5
0,00
Vemos que el residuo de GS es menos que el de Jacobi al final de la primera ite-

ración, como era de esperar dada la diferenicia de la velocidad de convergencia
en ambos métodos.
3.5 Ejercicios
1. Resolver mediante el método de Jacobi el siguiente sistema
0,8x1 ´0,4x2 “ 41
´0,4x1 `0,8x2 ´0,4x3 “ 25 (3.15)
´0,4x2 `0,8x3 “ ´2
2. Resolver mediante el uso de una factorización de LU el siguiente sistema

Ax “ b, donde
» fi » fi
1 ´1 0 2
A“ 2 – 2 3 ,fl b “ 4fl .
–
´1 3 2 1

Ax “ b, donde
» fi » fi
2 ´1 1 2
A “ –3 3 9fl , b “ –4fl .
3 3 5 3
4. Resolver mediante el método de Gauss Seidel el siguiente sistema
0,8x1 ´0,4x2 “ 41
´0,4x1 `0,8x2 ´0,4x3 “ 25 (3.16)
´0,4x2 `0,8x3 “ ´2

Ax “ b, donde
» fi » fi
1{3 1{2 ´1{4 2
–
A “ 1{5 2{3 fl
3{8 , b “ 0fl .
–
2{5 ´2{3 5{8 3
2x1 ´2x2 `x3 “ ´10

2x1 `6x2 ´4x3 “ 44 (3.17)
´8x1 ´2x2 `5x3 “ ´2
7. Resolver mediante el uso de una factorización de A “ LU el siguiente sistema
Ax “ b, donde
» fi » fi
8 5 1 2
–
A“ 3 7 4 , fl b “ 4fl .
–
2 3 9 3
8. Consideremos el sistema de ecuaciones lineales Ax “ b, del que se conoce una
descomposición LU como la que sigue
» fi» fi
» fi 1 0 0 3 2 ´1
3 2 a1,3 — ffi—
l2,1 1 0ffi —0 8 1ffi
–2 4 ´1 fl “ —
–1 ´ ffi “ LU
1 fl– 3 3fl
1 a3,2 3 1 0 0 u3,3
3 2
Deduzca los valores omitidos en cada matriz.
Use esa descomposicion para calcular la solución exacta del sistema Ax “
b donde b “ r1 3 5st .
Escribe las ecuaciones del método iterativo de Gauss-Seidel y calcula 2
iteraciones a partir de la iteración inicial xp0q “ p0, 0, 0qt. Cree usted que
este método dara buenos resultados ?
9. Considere el sistema
» fi» fi » fi
1 1 0 3 x1 4
— ffi— ffi — ffi
—2 1 ´1 1 ffi —x2 ffi — ´7 ffi
— ffi— ffi “ — ffi
– 3 ´1 ´1 2 fl –x3 fl – 13 fl
´1 2 3 ´1 x4 ´13
Resuelva el sistema usando la siguiente factorización

» fi » fi» fi
1 1 0 3 1 0 0 0 1 1 0 0
— ffi — ffi— ffi
—2 1 ´1 1 ffi — 2 1 0 0ffi —0 ´1 ´1 ´5 ffi
— ffi“— ffi— ffi
– 3 ´1 ´1 2 fl – 3 4 1 0fl –0 0 3 13 fl
´1 2 3 ´1 ´1 ´3 0 1 0 0 0 ´13
Encuentre una aproximación usando 3 iteraciones para Jacobi y Gauss-

Seidel y teniendo en cuenta que ya conoce la solución exacta diga cual
método produce un error menor.
10. Consideremos el sistema de ecuaciones lineales Ax “ b, del que se conoce una

descomposición LU como la que sigue
» fi» fi
» fi 1 0 0 3 2 ´1
3 2 a1,3 — ffi—
–2 4 ´1 fl “ —l2,1 1 0ffi —0 8 1ffi
–1 ´ ffi “ LU
1 fl– 3 3fl
1 a3,2 3 1 0 0 u3,3
3 2
Deduzca los valores omitidos en cada matriz.

Use esa descomposicion para calcular la solución exacta del sistema Ax “
b donde bt “ p1, 2, 3q
11. Resolver mediante Jacobi y Gauss–Seidel iniciando con el vector nulo el si-
guiente sistema
10x1 ´x2 `2x3 “ 6

´x1 `11x2 ´x3 `3x4 “ 25 (3.18)
2x1 ´x2 `10x3 ´x4 “ ´11
3x2 ´x3 `8x4 “ 15
12. Se requiere encontrar una función de la forma f pxq “ ax3 ` bx ` c que pase
por los puntos p1, 4q, p´22, ´223q y p2, 21q. Plantear un sistema de ecuaciones
para calcular los coeficientes de f y resolverlo usando la descomposición LU
de la matriz del sistema.
13. Consideremos el siguiente sistema en forma matricial
» fi» fi » fi
1 2 6 x 5
–0 ´5 1fl –y fl “ –6fl
4 1 2 z 5
Si se intenta aplicar el método de Jacobi nos encontramos que el radio espectral
de la matriz de iteracion es mayor que 1, habrá convergencia ? Encuentre una
forma de poder aplicar el método de Jacobi de manera que sea convergente y
aproxima la solución partiendo de xp0q “ p0, 0, 0qt.
„ 
2 1
14. Considerar el sistema Ax “ b para A “ y b “ p8, 21q. Mostrar que
3 6
el método de Jacobi converge; hacer un programa que lo modele y a la vez
grafique en el plano la sucesión de aproximaciones obtenidas empezando en
cada uno de lo siguientes valores iniciales
paq x0 “ p1, 4q pbq x0 “ p1, 0q pcq x0 “ p5, 2q

"
xý “ 0
15. Considerar el sistema . Estudiar autovalores y autovectores de
x`y “ 0
la matriz de iteración asociada al método de Gauss-Seidel, decidir si el método
es convergente o no y, sin hacer cálculos, predecir el comportamiento de las
sucesiones que se obtienen con los siguientes valores iniciales.
paq x0 “ p2, 0q pbq x0 “ p´0,03, 0,03q pcq x0 “ p0, 1q
Decidir si en este caso el método de Jacobi resulta convergente.
16. Sean A, B P R3ˆ3 las matrices

» fi » fi
a c 0 0 b 0
A “ –c a cfl ; B “ –b 0 bfl .
0 c a 0 b 0
?
Probar que lı́mnÑ8 B n “ 0 si y sólo si |b| ă 2{2.
Dar condiciones necesarias y suficientes sobre a, c P R para la convergen-
cia de los métodos de Jacobi y de Gauss-Seidel aplicados a la resolución
de Ax “ v.
17. Dada una matriz » fi

a11 a12 a13
A “ –a21 a22 a23 fl
a31 a32 a33
y un vector b P R3 , se quiere resolver el sistema de ecuaciones Ax “ b; para
lo cual se considera el siguiente método iterativo, que es un caso particular de
los métodos llamados Jacobi por bloques:
» fi´1 » fi » fi´1
a11 a12 0 0 0 a13 a11 a12 0
xk`1 “ ´ –a21 a22 0 fl ¨ – 0 0 a23 fl ¨ xk ` –a21 a22 0 fl ¨ b,
0 0 a33 a31 a32 0 0 0 a33
Este método resulta convergente para los siguientes datos:

» fi » fi
8 2 ´3 ´20
A “ –´3 9 4fl y b “ – 62 fl .
3 ´1 7 0
Hacer un programa que calcule la sucesión de aproximaciones generada con

valor inicial el vector nulo y que se detenga cuando }xk`1 ´ xk }8 ď 10´4 (es
decir, cuando la iteración “se estabiliza”).
18. Sea A P Rnˆn . Probar que λ “ 1 es autovalor de la matriz de Jacobi (o

Gauss-Seidel) de A si y solo si A es no inversible.
19. Utilizar la iteración de Gauss-Seidel para resolver el sistema An x “ bn para

„ 
1 2 1
An “ 1 y bn “ r1, 2 ´ 2 s.
2 4 ` n2 n
Cómo es la convergencia? >Tiene ésto que ver con el mal condicionamiento de

A? Dar un ejemplo de una matriz mal condicionada para la cual la convergencia
sea rápida.
„ 
64 ´6
20. Considerar el sistema Ax “ b para A “ y b “ p1, 2q.
6 ´1
Demostrar que el método de Jacobi converge para todo dato inicial. Ve-
rificar, sin embargo, que la matriz no es diagonal dominante.
Sea J la matriz de iteración. Hallar las normas 1, 8 y 2 de J. Hallar una

norma } } en la cual }J} sea ă 1.
21. Se quiere estimar la norma 2 de una matriz A P R3ˆ3 como el máximo del valor
}Ax}2 {}x}2 entre varios vectores x P R3 no nulos generados al azar. Hacer un
programa reciba una matriz A y luego genere los primeros 100 términos de la
siguiente sucesión:
! }Ax } )
k 2
s1 “ 0, sk`1 “ máx sk ,
}xk }2
donde los xk P R3 son vectores no nulos generados al azar con coordenadas en el

intervalo r´1, 1s. Finalmente grafique la sucesión calculada, junto con el valor
exacto de la norma de la matriz. Recordar que tanto la norma de un vector
como de una matriz se calculan en Octave con el comando norm. Tener en
cuenta que los vectores generados al azar (comando rand) tienen coordenadas
en el intervalo r0, 1s. Chequear, además, que estos vectores generados resulten
no nulos.
22. Considere la matriz » fi

3 0 0
A “ –0 45 34 fl .
0 43 54
Calcule cond2 pAq y cond8 pAq. Se quiere resolver el sistema Ax “ b para un
valor de b ‰ 0 que se conoce con una precisión mayor que 10´3 ; es decir,
se conoce el valor conjunto de b̃ “ b ` Δb y se sabe que el error relativo
}Δb}2
ă 10´3 .
}b}2
a) Acotar el error relativo de la solución hallada x̃ “ x ` Δx.

}Δx}2
b) Encontrar un ejemplo para b y Δb ‰ 0 de modo que }x}2
sea exactamente
igual a cond2 pAq }Δb}
}b}2
2
.
23. Sea x la solución exacta al sistema Ax “ b y x̃ la solución obtenida numéri-

camente. Se llama “vector residual” a r :“ b ´ Ax̃. Si e “ x ´ x̃ se tiene Ae “ r.
Mostrar que:
1 }r} }e} }r}
ď ď condpAq .
condpAq }b} }x} }b}
Concluir que para una matriz mal condicionada los métodos numéricos no
aseguran buena aproximación.
„ 
1 2
24. Para cada n P N, se definen An “ , bn “ p1, 2 ´ n12 q y se quiere
2 4 ` n12
resolver el sistema An x “ bn . An P R2ˆ2 , bn P R2 definidos Utilizando cierto
método numérico, se obtiene como resultado el vector p1, 0q.
a) Calcular el vector residual producido por esta solución tentativa. >Puede

decirse que para n grande la solución es razonablemente confiable?
b) Resolver An x “ bn en forma exacta, calcular cond8 pAn q y verificar la
cota de error del ejercicio 23..
25. Probar que si A P Rnˆn es una matriz inversible y } } es una norma matricial,
la condición de A verifica la desigualdad:
" *
1 }A ´ B}
ď ı́nf : B es singular .
condpAq }A}
Deducir que
" *
}A}
condpAq ě sup : B es singular .
}A ´ B}
Nota: En ambos casos, vale la igualdad, pero la otra desigualdad es un poco
más complicada de probar. De la igualdad se puede concluir que condpAq mide
la distancia relativa de A a la matriz singular más próxima.
26. a) Mostrar que cond8 pAq Ñ 8 cuando ε Ñ 0 para

» fi » fi
1 1 1 1 0 1`ε
piq A “ –1 ε ε2 fl , piiq B “ – 2 3 4 fl.
1 0 0 1´ε 0 1
b) Concluir que la condición de las matrices A y B del ítem anterior tienden
a infinito, cualquiera sea la norma considerada.
27. Sea el sistema Ax “ b, donde

» fi » fi » fi
1 ´1 2 x 0
A “ –0 3 ´3fl x “ yfl
– b “ 1fl
–
0 ´4 4 z 2
Hallar }A}8 . Qué se puede decir sobre el número de condición de la

matriz A para la norma infinito? Qué estimacion dará MATLAB para el
número de condición obtenido con el comando cond(A)?
Utilizar la descomposición LU de la matriz AT A para resolver el sistema

AT Ax “ b. Qué propiedad caracteriza a las soluciones en relación al
sistema Ax “ b?
28. Hacer un programa que reciba como input una matriz A y un vector b y luego
calcule las matrices de iteración de los métodos de Jacobi y Gauss-Seidel.
calcule la matriz de iteración del método de Gauss-Seidel.
calcule el menor de los radios espectrales de las dos matrices anteriores y,

si este valor resulta menor a 1, entonces realice las primeras 10 iteraciones
del método correspondiente (o de cualquiera de los dos métodos en caso
de que los radios espectrales resulten coincidentes), con valor inicial el
vector nulo. (Si ambos radios espectrales coinciden y son menores a 1, el
prograga deberá elegir cualquiera de los métodos y efectuar las iteraciones
correspondientes).
29. Decidir para cada uno de los siguientes sistemas, si los métodos de Jacobi y
de Gauss-Seidel son convergentes. En caso afirmativo usarlos para resolver el
sistema. Si ambos métodos convergen, determinar cuál converge más rápido.
Es la matriz del sistema diagonal dominante? y simétrica y definida positiva?
» fi» fi » fi
» fi» fi » fi 5 7 6 5 x1 23
3 1 1 x1 5 — ffi— ffi — ffi
—7 10 8 7 ffi —x2 ffi —32ffi
paq –2 6 1fl –x2 fl “ –9fl , pbq — ffi— ffi “ — ffi
–6 8 10 9 fl –x3 fl –33fl
1 1 4 x3 6
5 7 9 10 x4 31
30. Escriba un programa en Matlab que aproxima la solución del sistema Ax “ b

mediante Gauss–Seidel. Use ese programa para comprobar que este método no
converge a la solución del sistema usando como dato inicial x1 “ x2 “ x3 ¨ ¨ ¨ “
x9 “ x10 “ 0,5.
1
x
6 1
` x2 “ 1
x1 ` 61 x2 ` x3 “ 1
x2 ` 61 x3 ` x4 “ 1
(3.19)
.. ..
. .
1
x8 ` 6 x9 ` x10 “ 1
x9 ` 61 x10 “ 1
31. Calcule }D}8 y }D}1 si » fi

3 5 7 8
— ffi
—2 1 0 0ffi
D“— ffi
–´2 3 4 2fl
1 0 0 0
Es D estrictamente diagonalmente dominante? Explique.

Notas Metodos Cap 2 PDF

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

Notas Metodos Cap 2 PDF

Cargado por

Copyright:

Formatos disponibles

3 Solución de Sistemas de Ecua-

Un sistema de ecuaciones lineales es un conjunto de ecuaciones algebraicas de pri-

Al momento de resolver un sistema de ecuaciones lineales, el método a utilizar

Cuando un sistema es demasiado grande para ser almacenado, no se pueden usar

En este capítulo, vamos a introducir un método directo básico llamado eliminación

10Ω 15Ω 25Ω

Recopilación de términos esto se convierte en:

3.1 Normas vectoriales y matriciales

Deﬁnición 3.1.1 (Norma vectorial). Sea pV, `, ¨q un espacio vectorial de dimensión

y que cumple las siguientes 4 propiedades

2. }v} “ 0 ðñ v“0 (no degeneración),

3. }kv} “ |k| }v} @v P V, @k P R (homogeneidad),

4. }v ` w} ď }v} ` }w} @v, w P V (desigualdad triangular).

A un espacio vectorial V provisto de una norma } ¨ } se le llama espacio vectorial

Ejemplo 3.1.1. Dados V “ Rn (espacio de vectores columna de n componentes

Norma inﬁnito: }x}8 :“ máx |xi |.

Es habitual escribir un vector columna como x “ px1 ¨ ¨ ¨ xn qt P Rn para mayor

Deﬁnición 3.1.2 (Convergencia). Una sucesión tv n unPN Ă V converge a v P V si

Deﬁnición 3.1.3. Dos normas } ¨ }˚ y } ¨ }‚ sobre un espacio vectorial V son equi-

C1 }v}˚ ď }v}‚ ď C2 }v}˚ @v P V.

Corolario 3.1.1. Si } ¨ }˚ y } ¨ }‚ son dos normas cualesquiera en un espacio de

1. }A} ě 0 @A P Rmˆn (positividad),

2. }A} “ 0 ðñ A“0 (no degeneración),

3. }kA} “ |k| }A} @A P V, @k P R (homogeneidad),

4. }A ` B} ď }A} ` }B} @A, B P Rmˆn (desigualdad triangular).

Otra propiedad que es habitual, pero no siempre incluida en la deﬁnición de una

}Ax} ď }A} }x} @A P Rnˆn , @x P Rn (compatibilidad),

Proposición 3.1.2. Sea A “ paij q P Rnˆn . Entonces:

Ejemplo 3.1.2. Por ejemplo, si la matriz A se deﬁne como

se tiene }A}1 “ máxt5, 13, 19u “ 19 y }A}8 “ máxt15, 12, 10u “ 15

Ejemplo 3.1.3. Si x P Rn y A P Rnˆn , encontrar las constantes de equivalencia

C1 }x}8 ď }x}2 ď C2 }x}8

C5 }A}8 ď }A}2 ď C6 }A}8

Calcular los coeﬁcientes para la equivalencia vectorial y matricial entre las

Deﬁnición 3.1.5 (Espectro). El espectro de A es el conjunto de todos sus valores

Deﬁnición 3.1.6 (Radio espectral). El radio espectral de A es el máximo módulo

Teorema 3.1.2. Si A P Rnˆn es simétrica (At “ A), entonces }A}2 “ ρ pAq.

Teorema 3.1.4. Sea A P Rnˆn entonces lı́mkÝÑ8 Ak “ 0 si y solo si σpAq ă 1.

Demostración 3.1.1. Sea σpAq ă 1, entonces existe ǫ ą 0 tal que σpAq ă 1 ´ ǫ y

3.2 Metodos Directos

Consideremos el sistema de ecuaciones lineales

con m ecuaciones y n incognitas. Este sistema puede escribirse en forma matricial

son los datos y x “ px1 , ¨ ¨ ¨ , xn qt P Rn es el vector de incógnitas. El sistema está

1. A es invertible, DA´1 P Rnˆn : AA´1 “ A´1 A “ I,

3. todas las ﬁlas (y columnas) de A son l.i.: rangopAq “ n,

4. 0 no es valor propio de A: 0 R σpAq.

Así, si A es no singular, entonces Ax “ b es equivalente a x “ A´1 b. Sin embargo,

donde las columnas e1 , . . . , en de I son los vectores de la base canónica de Rn . Por

En otras palabras, resolver un sistema de n incognitas a traves del calculo de la

donde Ai es la matriz que se obtiene a partir de A reemplazando en ésta su columna

n 10 15 20 100 1000 2000

Solución de sistemas con matriz triangular

A continuación describiremos la solución a través de un método directo de un sistema

decimos que L es triangular inferior y U es triangular superior . Puesto que detpLq “

La resolución de sistemas de ecuaciones lineales con matrices triangulares es muy

con matriz triangular inferior L,

El anterior proceso es conocido como sustitución progresiva y costo operacional esta

Algoritmo 3.1: Algoritmo (Sustitucion Progresiva)

Método de Eliminación Gaussiana (M.E.G.)

El método de eliminación gaussiana consiste en reducir mediante un sistema Ax “ b

donde U es una matriz triangular superior. Luego, el sistema resultante se resuelve

por combinaciones no triviales de las otras. Así, consideremos la matriz no singular

Algoritmo 3.2: Algoritmo (Sustitucion Regresiva)