Índice

1. Soluciones de sistemas de ecuaciones lineales 3

1.1 Solución de S.E.L por el método de determinantes . . . . . . . . . . . 3
1.1.1 Desarrollo por cofactores o desarrollo laplaciano . . . . . . . . 3
1.1.2 Regla de Chı́o . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.3 Regla de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . 8

2. Interpretación gráfica de S.E.L 11

2.1 Compatibilidad e Incompatibilidad . . . . . . . . . . . . . . . . . . . 11
2.2 Interpretación geométrica de los sistemas de grado 2 . . . . . . . . . . 12
2.3 Interpretación geométrica de los sistemas de grado 3 . . . . . . . . . . 14

3. Método de mı́nimos cuadrados 17

4. Método de Gauss simple 19

5. Método de Gauss-Jordan 21

6. Métodos iterativos 22
6.1 Método de Jacobi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
6.2 Método de Gauss-Seidel . . . . . . . . . . . . . . . . . . . . . . . . . 24

Bibliografı́a 25

2
1. Soluciones de sistemas de ecuaciones
lineales
Los procedimientos de resolución de sistemas de ecuaciones lineales se dividen fun-
damentalmente en dos grupos: uno, en procedimientos exactos, que son algoritmos
finitos para cálculo de raı́ces de un sistema (tales como la regla de Cramer, el método
de Gauss, el método de los elementos principales, el método de las raı́ces cuadradas,
etc.), y dos, procedimientos iterativos, los cuales permiten obtener las raı́ces de un sis-
tema con una exactitud dada mediante procesos infinitos convergentes(éstos incluyen
el método de Jacobi, el de Gauss Seidel, de relajación, etc.).
Debido al inevitable redondeo, incluso los resultados de procedimientos exactos son
aproximados, viéndose comprometido, en el caso general, el estimado del error de las
raı́ces. En el caso de procesos iterativos ha de añadirse el error del método.
Es importante que pongamos de manifiesto que el uso eficaz de métodos iterativos
depende esencialmente de la selección idónea de la aproximación inicial y velocidad
de convergencia del proceso.

1.1. Solución de S.E.L por el método de determinantes

1.1.1. Desarrollo por cofactores o desarrollo laplaciano
Encontrar el determinante de una matriz por el desarrollo Laplaciano (por una de sus
filas o columnas) implica conocer el concepto de dos elementos principales, el menor
y el cofactor.

Sea A una matriz de orden n, se denomina menor correspondiente a la fila i y

columna j, Mij , al determinante que se obtiene al eliminar de la matriz A la fila i y
la columna j.

Se denomina cofactor correspondiente a la fila i y columna j, al menor multiplicado

por (−1)i+j

Ejemplo: Calculemos el menor y cofactor correspondiente a fila 1, columna 2 de la

matriz siguiente:
 
1 2 3
A =  −1 1 3 
3 4 −2

El menor M12 se obtiene de eliminar de la matriz A la fila 1 y la columna 2, por lo

tanto:  
 −1 3 
M12 =   = (−1) · (−2) − 3 · 3 = 2 − 9 = −7
3 −2 

3
A su vez, el cofactor C12 se obtiene de multiplicar M12 por (−1)1+2 ası́:

C12 = (−1)1+2 M12 = (−1)(−7) = 7

Teorema: Sea A una matriz de orden n. Entonces para cada 1 < i < n

det(A) = ai1 Ci1 + ai2 Ci2 + . . . + ain Cin , (Desarrollo por filas)

Y para cada 1 < j < n

det(A) = a1j C1j + a2j C2j + . . . + anj Cnj , (Desarrollo por columnas)

Ejemplo: Calculemos el determinante de la matriz A desarrollándolo por una de

sus filas y por una de sus columnas.
 
1 3 5
A =  −1 2 1 
0 1 2

Desarrollando el determinante por la tercera fila se obtiene:

 
 1 3 5       
       1 3 
 −1 2 1  = 0(−1)3+1  3 5  + 1(−1)3+2  1 5  + 2(−1)3+3  
   2 1   −1 1   −1 2 
 0 1 2 
= 0 − 6 + 10 = 4

Desarrollando por la primera columna se obtiene:

 
 1 3 5       
   2 1   3 5   3 5 
 −1 2 1  = 1(−1)1+1   2+1   + 0(−1)3+1  
   1 2  + (−1)(−1)  1 2   2 1 
 0 1 2 
=3+1+0=4

Es conveniente elegir para el desarrollo, la fila o columna que tenga la mayor cantidad
de ceros, ya que dichos términos del desarrollo son nulos. La desventaja de este
método es que para matrices de orden mayores que 3 el desarrollo es extenso y se
deben calcular muchos determinantes. Por ejemplo si la matriz fuera de orden 4,
se deberı́an calcular 4 determinantes de matrices de orden 3, lo que resulta poco
práctico. En estos casos es conveniente aplicar otros métodos.

1.1.2. Regla de Chı́o

Es un método que permite resolver el determinante de una matriz cuadrada de
una manera rápida y eficaz. Se fundamenta en operaciones elementales de fila o de
columna y un pivote que por rapidez en las operaciones matemáticas (multiplicación
y sustracción) escogemos un elemento identificado con el número uno, si en

4
los elementos del determinante de la matriz no se tiene un elemento identificado con
este número, se busca este elemento sacando un factor común a todos los elementos
de una fila o una columna o se aplican operaciones elementales de fila o de columna,
tales como constituir una nueva columna por la suma algebraica de dos columnas.

El objetivo es transformar el determinante de una matriz cuadrada de orden n en una

de orden n − 1 y ası́ sucesivamente hasta llegar a un determinante de segundo orden
(n = 2) donde su solución es el producto de los elementos de la diagonal principal
menos el producto de los elementos de la otra diagonal. Para ello, se requiere con-
formar una fila o columna con sus elementos nulos, excepto un elemento identificado
con el numero uno y al utilizar el método de cofactores nos queda un determinante
de orden n − 1.

Para obtener los ceros de una fila o de una columna debemos primero lograr que los
elementos de la fila o columna sean 1 (unos).

Recordemos que el producto de un escalar cualquiera por un determinante nos da

un determinante en el cual todos los elementos de una fila o de una columna están
multiplicados por el escalar: de la misma manera si todos los elementos de una fila
o de una columna tienen un factor común se puede sacar este factor a multiplicar el
determinante quedando los elementos de la fila o columna divididos por el dı́gito que
identifica a este factor.

Veamos como transformar el siguiente determinante de cuarto orden en uno de tercer

orden.

Consideremos el determinante de la siguiente matriz:

 
a11 a12 a13 a14
 a21 a22 a23 a24 
 
 a31 a32 a33 a34 
a41 a42 a43 a44

Elijamos la tercera fila para convertirla en fila de unos, para ello dividimos la primera
columna por el elemento a31 , la segunda columna por el elemento a32 , la tercera
columna por el elemento a33 y la cuarta columna por el elemento a34 , para que no se
altere el determinante multiplicamos el determinante por esos mismos elementos a31 ,
a32 , a33 y a34 , quedándonos el siguiente determinante:
 a11 a12 a13 a14 
 a 
 a31 a32 a33 a34 
 21 a 22 a 23 a 24 
a31 a32 a33 a34  a31 a32 a33 a34 
 a1 a1 a1 a1 
 41 42 43 44 
a31 a32 a33 a34

5
Ahora escogemos como elemento pivote el elemento a32 , o sea que a32 = 1, con lo
que nos queda el siguiente determinante:
 a11 
 a a12 a13 a14 
 a21
31 a33 a34 
 a22 a23 a24 
a31 a33 a34  a31 a33 a34 
 a1 1 1 1 
 41 a42 a43 a44 
a31 a33 a34

Los demás elementos diferentes al pivote los convertimos en ceros utilizando las
siguientes operaciones elementales de columna:

C1 nueva = C1 − C2
C3 nueva = C3 − C2
C4 nueva = C4 − C2
El determinante nos queda de la siguiente forma:
 a11 
 a − a12 a12 aa13 − a12 a14
− a12 
 a31 33 a34 
 21 − a22 a22 a23 − a22 a24
− a22 
a31 a33 a34  31
a a33 a34 

 a 0 1 0 0 
 41 − a42 a42 a43 − a42 a44
− a42 
a31 a33 a34

Resolviendo por cofactores nos queda el siguiente determinante de tercer orden:

 a11 
 a − a12 aa13 − a12 aa14 − a12 
 31 33 34 
−a31 a33 a34  aa21 − a22
a23
a
− a22
a24
a
− a22


 a41 − a42 a43 − a42 a44 − a42 
31 33 34

a31 a33 a34

Donde el signo menos es el signo posicional del elemento a32 . Recordemos que el
signo posicional del elemento aij viene dado por (−1)(i+j) .

Ahora multiplicamos la primera columna por el elemento a31 , la segunda columna por
el elemento a33 , y la tercera columna por el elemento a34 quedándonos en definitiva
el determinante de tercer orden ası́:
 
 a11 − a12 a31 a13 − a12 a33 a14 − a12 a34 
 
−  a21 − a22 a31 a23 − a22 a33 a24 − a22 a34 
 a41 − a42 a31 a43 − a42 a33 a44 − a42 a34 

6
Ejemplo: Hallemos el valor numérico del siguiente determinante de quinto orden:

 
 1 −2 3 2 −1 

 2 0 1 4 −2 

 −3 −1 0 −1 2 

 −1 2 3 2 4 

 2 −1 2 3 5 

Escogemos como elemento pivote al elemento a23 , y dejando por fuera los elementos
de la fila y la columna del elemento pivote, se observa la siguiente matriz cuadrada
de cuarto orden:

 
 1 − 3 · 2 −2 − 3 · 0 −1 − 3 · 4 −1 − 3 · −2 
 
 −3 − 0 · 2 −1 − 0 · 0 2 − 0 · 4 2 − 0 · −2 
−  

 −1 − 3 · 2 2 − 3 · 0 4−3·4 4 − 3 · −2 
 2 − 2 · 2 −1 − 2 · 0 5 − 2 · 4 5 − 2 · −2 

El signo negativo corresponde a la posición del elemento pivote a23 , y nos queda:
 
 −5 −2 −10 5 
 
 −3 −1 −1 2 
−  

 −7 2 −10 10 
 −2 −1 −5 9 

Sacando a −1, el factor común de la primera y tercera columna se tiene:

 
 5 −2 10 5 
 
 3 −1 1 2 
−  

 7 2 10 10 
 2 −1 5 9 

En este determinante de cuarto orden escogemos como elemento pivote al elemento

a23 , y nos queda:

 
 −25 8 −15 
 
 −23 12 −10 
 
 −13 4 −1 

7
Sacando a 4 como factor común de la segunda columna y a −1 en la primera y ter-
cera columna del determinante de tercer orden y escogiendo como elemento pivote al
elemento a33 se tiene:
 
 25 2 15     
   −170 −13   170 13 
     
4  23 3 10  = 4 
−107 −7  = 4  107 7  = 4[1190 − 1391]
 13 1 1 
= −804

1.1.3. Regla de Cramer

Los sistemas de ecuaciones se pueden representar en forma matricial, y el álgebra de
matrices resulta de gran utilidad en la resolución de los mismos.
Supongamos que tenemos un sistema de n ecuaciones con n incógnitas:



 a11 x1 + a12 x2 + ..... + a1n xn = b1 ,

 a21 x1 + a22 x2 + ..... + a2n xn = b2
(1) .. .. .. ..

 . . . .

 a x + a x + ..... + a x = b
n1 1 n2 2 nn n n

Denotaremos la matriz de los coeficientes de (1) por:

 
a11 a12 ...a1n
 a21 a22 ...a2n 
A=  ... ... ... 


an1 an2 ...ann

la columna de sus términos constantes por:
 
b1
 b2 
 
b =  .. 
 . 
bn

y las columnas de las incógnitas por:

 
x1
 x2 
 
x= .. 
 . 
xn

8
El sistema (1) puede escribirse abreviadamente como una ecuación matricial

Ax = b

El conjunto de números x1 , x2 , ..., xn se denomina conjunto solución del sistema, y

los números xi se denominan raı́ces del sistema. Si la matriz A es no singular, es
decir,  
 a11 a12 ...a1n 
 
 a21 a22 ...a2n 
det(A) =    = ∆ ̸= 0
. . . . . . . . . 
 
 an1 an2 ...ann 

entonces (1) tiene solución única.

Verdaderamente, dando por supuesto que el det(A) ̸= 0, existe una matriz inversa
A−1 , tal que:
A−1 Ax = A−1 b
x = A−1 b
Haciendo uso de la fórmula anterior resulta fácil obtener fórmulas para las incógnitas
del sistema (1). Del algebra matricial sabemos que
1
A−1 = Ã
∆
donde
 
A11 A21 ...An1
 A12 A22 ...An2 
à = 
 ... ...


...
A1n A2n ...Ann

es el adjunto de A (los Aij son los adjuntos de los elementos aij ). Por consiguiente

1
x= Ãb
∆
o también
   
x1 ∆1
 x2  1  ∆2 
   
 .. =  .. 
 .  ∆ . 
xn ∆n

9
donde  
 a11 ...a1,i−1 b1 a1,i+1 ...a1n 
∑  
n
 a ...a b2 a2,i+1 ...a2n 
∆i = Aji bj =  21 2,i−1 

 . . . ... . . . . . . ......... 
j=1
 an1 ...an,i−1 bn an,i+1 ...ann 

son los determinantes (llamados también determinantes suplementarios) obtenidos

del determinante ∆, sustituyendo su i − ésima columna por la columna de términos
constantes del sistema (1), de ésta manera tenemos las fórmulas de Cramer:

∆1 ∆2 ∆n
x1 = , x2 = , · · · , xn =
∆ ∆ ∆
De este modo, si el determinante del sistema (1) es distinto de cero, ∆ ̸= 0, entonces
el sistema tiene una solución única x definida anteriormente en forma matricial.

Ejemplo: Resolver el siguiente sistema de ecuaciones lineales por el método de

Cramer.


 2x1 + x2 − 5x3 + x4 = 8,

x1 − 3x2 − 6x4 = 9,

 2x2 − x3 + 2x4 = −5,

x1 + 4x2 − 7x3 + 6x4 = 0

El determinante de este sistema es:

 
 2 1 −5 1 
 
 1 −3 0 −6 
∆=  = 27 ̸= 0
 0 2 −1 2 
 1 4 −7 6 

Calculando los determinantes suplementarios tenemos:

 
 8 1 −5 1 

 9 −3 0 −6 
∆1 =  = 81,
 −5 2 −1 2 
 0 4 −7 6 

 
 2 8 −5 1 

 1 9 0 −6 
∆2 =  = −108,
 0 −5 −1 2 
 1 0 −7 6 

10
  
 2 1 8 1 

 1 −3 9 −6 
∆3 =  = −27,
 0 2 −5 2 
 1 4 0 6 

 
 2 1 −5 8 

 1 −3 0 9 
∆4 =  = 27
 0 2 −1 −5 
 1 4 −7 0 

por consiguiente

∆1 81
x1 = = = 3,
∆ 27
∆2 108
x2 = =− = −4,
∆ 27
∆3 27
x3 = = − = −1,
∆ 27
∆4 27
x4 = = =1
∆ 27
De este modo, la solución de un sistema lineal con n incógnitas se reduce a evaluar el
(n+1)−ésimo determinante de orden n. Si n es grande, el cálculo de los determinantes
es laborioso, por lo que se han elaborado técnicas directas para hallar las raı́ces de
un sistema lineal de ecuaciones.

2. Interpretación gráfica de S.E.L

2.1. Compatibilidad e Incompatibilidad
En general, buscaremos las soluciones de los sistemas en el conjunto los números
reales. Dependiendo del posible número de tales soluciones reales que tenga un sis-
tema, éstos de pueden clasificar en:

1. Incompatibles: No tienen solución (S.I.)

2. Compatibles: Tienen solución

(a) Determinados: Solución única (S.C.D.)

(b) Indeterminados: Infinitas soluciones (S.C.I.)

11
 El método de Cramer nos da un sistema incompatible cuando el determinante del
sistema (determinante principal) es nulo, pero al menos uno de los determinantes
suplementarios no lo es. Por el contrario, si además del determinante principal,
todos los determinantes suplementarios son nulos, entonces el sistema es compatible
indeterminado. Y el último caso se tiene cuando el determinante principal es no nulo,
y el sistema es compatible determinado.

2.2. Interpretación geométrica de los sistemas de grado 2

Los sistemas de grado 2 son aquellos en los que hay dos ecuaciones y dos incógnitas.
Hay varios métodos para resolverlos en los que ya no nos entretendremos. Como
cada ecuación lineal con 2 incógnitas se interpreta geométricamente como una recta,
el estudio de la solución del sistema se limita a estudiar la posición de 2 rectas en el
plano.

1. Rectas Paralelas: Indican que el sistema no tiene solución, es decir, es un S.I.

2. Rectas que se interceptan: El punto de intercepción es la única solución del

sistema, estamos frente a un S.C.D.

3. Rectas superpuestas: Indican que existen infinitas soluciones, el sistema es un

S.C.I.

Veamos algunos ejemplos con los tres casos que se pueden presentar.

Ejemplo: Al observar el sistema:

{
x − 3y = −2
4x − 12y = −6
vemos que las rectas son paralelas, ya que los coeficientes de las incógnitas son pro-
porcionales, por lo que el sistema carece de solución, es decir, es incompatible.

Resolviendo por el método de Cramer, el hecho de que el determinante principal sea

nulo pero uno de los secundarios no, indica que el sistema es incompatible.
 
 1 −3 
∆=   = −12 + 12 = 0.
4 −12 
 
 −2 −3 
∆x =   = 24 − 18 = 6 ̸= 0.
−6 −12 

12
 Figure 1:

Ejemplo: Al resolver el sistema:

{
x + 2y = −3
−2x + y = 1
por el método de Cramer tenemos:
 
 1 2 
∆ =   = 5.
−2 1 
 
 −3 2 
∆x =   = −5.
1 1 
 
 1 −3 
∆y =   = −5.
−2 1 
∆x ∆y
vemos que la solución del sistema es x = = −1, y = = −1, y es única, lo
∆ ∆
que significa que el sistema es compatible y determinado, y que las rectas se cortan
en un punto, precisamente en (−1, −1) como se ve en la figura.

Figure 2:

13
Ejemplo: Al observar el sistema:
{
2x − 3y = 4
−4x + 6y = −8
vemos que las rectas se superponen, pues todos los coeficientes son proporcionales, y
por tanto tienen infinitas soluciones, el sistema es compatible indeterminado.

Figure 3:

2.3. Interpretación geométrica de los sistemas de grado 3

Como cada ecuación lineal con 3 incógnitas corresponde a un plano en el espacio,
la solución del sistema corresponderá a la posición en que dichos planos estén en el
espacio. Lo más sencillo es saber que ocurre con los planos 2 a 2, pues en el espacio
dos planos sólo pueden estar en 3 posiciones:

1. Son coincidentes: Lo cuál es fácil de saber porque sus correspondientes ecua-

ciones tienen coeficientes de las incógnitas y los términos independientes pro-
porcionales, es decir, si los planos son:
{
Ax + By + Cz = D
A x + B ′ y + C ′ z = D′
′

A B C D
entonces se verifica: = = = .(siempre que se puedan realizar las
A′ B′ C′ D′
divisiones).

Por ejemplo, los planos 2x + 3y − z = 3, y −10x − 15y + 5z = −15 son coinci-

dentes.

2. Son paralelos: También es sencillo de saber porque los coeficientes de las

incógnitas son proporcionales, pero los términos independientes NO. Es decir,
dado el sistema:
{
Ax + By + Cz = D
A′ x + B ′ y + C ′ z = D′

14
 A B C D
entonces se verifica: ′
= ′ = ′ ̸= ′ (siempre que se puedan realizar las
A B C D
divisiones).

Por ejemplo, los planos 2x + 3y − z = 5, y −10x − 15y + 5z = 7 son paralelos.

3. Son secantes: Simplemente los coeficientes no son proporcionales, es decir si

tenemos: {
Ax + By + Cz = D
A x + B ′ y + C ′ z = D′
′

A B C D
entonces se verifica: ′ ̸= ′ ̸= ′ ̸= ′ (siempre que se puedan realizar las
A B C D
divisiones, y basta con que un par de ellas correspondientes a las incógnitas
sean diferentes).

Por ejemplo, los planos 7x + 3y − z = 5, y −10x − 15y + 5z = 7 son secantes.

Puesto que podemos determinar la posición de los planos 2 a 2, podemos determinar

en qué posición se encuentran los 3 a la vez, fijándonos en los casos:

1. Si el sistema es S.C.D. (Solución única), es que los tres planos se cortan en un

punto, que es la solución del sistema.

Figure 4:

2. Si el sistema es S.C.I. (Infinitas soluciones), puede ocurrir que:

(a) Los tres planos se corten en una recta.

Figure 5:

15
 (b) Dos planos son coincidentes y el otro los corta en una recta.

Figure 6:
(c) Los tres planos son coincidentes.

Figure 7:

Y determinaremos la opción correspondiente estudiándolos de dos en dos.

3. Si el sistema es S.I. (Sin solución), puede ocurrir que:

(a) Los planos se cortan dos a dos.

Figure 8:

(b) Dos planos son paralelos y el otro los corta.

Figure 9:

16
 (c) Los tres planos son paralelos.

Figure 10:

(d) Dos planos son paralelos y el otro coincidente con uno de ellos.

Figure 11:

Y determinaremos la opción correspondiente estudiándolos de dos en dos.

Ejemplo: Analizar el siguiente sistema sin resolverlo matricialmente:


 2x + y − z = −63..............(1)
x − y + z = −54.............(2)

x + 2y − 2z = −1............(3)

Se puede observar que los planos (1) y (2) son secantes, y se cortan en la recta
x = −39, al igual que los planos (2) y (3) se cortan en la recta x = −109/3, lo que
significa que son secantes dos a dos, y que el sistema es incompatible.

3. Método de mı́nimos cuadrados

Para un sistema de n ecuaciones y dos incógnitas:



 a11 x1 + a12 x2 = b1 ,

 a21 x1 + a22 x2 = b2
.. .. ..

 . . .

 a x +a x =b
n1 1 n2 2 n

17
La solución más aceptable del sistema es aquella que hace mı́nima la suma de los
cuadrados de los errores ei , donde cada ei se obtiene restando a los elementos del
primer miembro, los del segundo, en cada ecuación.

e1 = a11 x1 + a12 x2 − b1 ,
e2 = a21 x1 + a22 x2 − b2
.. .. ..
. . .
en = an1 x1 + an2 x2 − bn

Sea la suma de los cuadrados de los errores:

∑
n
e2i = e21 +e22 +. . .+e2n = (a11 x1 +a12 x2 −b1 )2 +(a21 x1 +a22 x2 −b2 )2 +. . .+(an1 x1 +an2 x2 −bn )2
i=1

Si llamamos a esta suma por una función F (x, y) tendremos:

F (x, y) = (a11 x1 + a12 x2 − b1 )2 + (a21 x1 + a22 x2 − b2 )2 + . . . + (an1 x1 + an2 x2 − bn )2

Y con las derivadas parciales igualadas a cero obtendremos dos ecuaciones que nos
darán los valores de la solución con un mı́nimo error.

Ejemplo: Resuelve por el método de mı́nimos cuadrados.


 x+y =5
3x + y = 0

x−y =6

Igualamos la suma de los cuadrados de los errores a la función F (x, y)

F (x, y) = (x + y − 5)2 + (3x + y)2 + (x − y − 6)2 = 11x2 + 3y 2 + 6xy + 2x − 22y + 61

Derivamos con respecto a x y con respecto a y respectivamente

Fx = 22x + 6y + 2

Fy = 6y + 6x − 22
Igualando a cero cada una de las derivadas parciales obtenemos el siguiente sistema:

22x + 6y + 2 = 0
6x + 6y − 22 = 0

cuya solución es x = −3/2 e y = 31/6, la cual no es exacta, (por los errores cometidos
al redondearlos), pero es la más “conveniente”, según el método, por minimizar el
error cometido.

18
4. Método de Gauss simple
Es la técnica mas común de resolución de sistemas de ecuaciones lineales haciendo
uso del algoritmo de eliminación sucesiva de las incógnitas, o eliminación Gaussiana.
Por simplicidad, nos restringiremos a un sistema de cuatro ecuaciones con cuatro
incógnitas.



 a11 x1 + a12 x2 + a13 x3 + a14 x4 = a15 ,

a21 x1 + a22 x2 + a23 x3 + a24 x4 = a25

 a 31 x1 + a32 x2 + a33 x3 + a34 x4 = a35

a41 x1 + a42 x2 + a43 x3 + a44 x4 = a45

Consideremos el coeficiente del primer término a11 ̸= 0. Dividiendo los coeficientes

de la primera ecuación por a11 , se tiene:

x1 + b12 x2 + b13 x3 + b14 x4 = b15

donde
a1j
b1j = (j > 1)
a11
Utilizando la ecuación anterior resulta fácil eliminar la incógnita x1 del sistema.
Dividiendo los coeficientes de la primera ecuación del nuevo sistema por el primer
término a22 tendremos la ecuación:

x2 + b23 x3 + b24 x4 = b25

donde
a2j
b2j = (j > 2)
a22
Repitiendo el mismo proceso tenemos:

x3 + b34 x4 = b35
donde
a3j
b3j = (j > 3)
a33
y también
a45
x4 = = b45
a44
Las incógnitas restantes se determinan sucesivamente de las ecuaciones anteriores.

x3 = b35 − b34 x4
x2 = b25 − b23 x3 − b24 x4
x1 = b15 − b12 x2 − b13 x3 − b14 x4

19
 Por tanto, el proceso de resolver un sistema lineal por el método de Gauss se reduce
a la construcción de un sistema equivalente que tenga una matriz triangular superior
(una matriz es triangular superior cuando todos los elementos debajo de la diagonal
principal son nulos). Una condición necesaria y suficiente para utilizar este proced-
imiento es que todos los coeficientes del primer término sean no nulos. El proceso de
hallar los coeficientes b(j−1) de un sistema triangular se denomina sustitución hacia
adelante, mientras que al proceso de hallar los valores de las incógnitas se denomina
sustitución hacia atrás.

Veamos esto con un ejemplo:

Ejemplo: Resuelve el sistema empleando el método de Gauss Simple (efectúa los

cálculos con seis cifras significativas).

 3x1 − 0.1x2 − 0.2x3 = 7.85
0.1x1 + 7x2 − 0.3x3 = −19.3

0.3x1 − 0.2x2 + 10x3 = 71.4
( )
0.1
En primer lugar, multiplicamos la primera ecuación del sistema por y luego
3
restamos el resultado a la segunda ecuación para obtener:

7.00333x2 − 0.293333x3 = −19.5617

( )
0.3
Después, multiplicando la primera ecuación por y restando de la tercera
3
ecuación para eliminar x1 , el sistema nos queda de la siguiente forma:

3x1 − 0.1x2 − 0.2x3 = 7.85

0 + 7.00333x2 − 0.293333x3 = −19.5617
0 − 0.190000x2 + 10.0200x3 = 70.6150
( )
−0.190000
Para completar la sustitución hacia adelante eliminamos x2 multiplicando por
7, 00333
la segunda ecuación del sistema anterior y restando el resultado de la tercera ecuación,
de esta manera el sistema original se reduce a una forma triangular superior.

3x1 − 0.1x2 − 0.2x3 = 7.85

0 + 7.00333x2 − 0.293333x3 = −19.5617
0 + 0 + 10.0120x3 = 70.0843

Ahora podremos resolver estas ecuaciones por sustitución hacia atrás. En primer
lugar, despejamos x3 de la tercera ecuación del sistema anterior:
70.6150
x3 = = 7.0000
10.0200

20
Este resultado se sustituye en la segunda ecuación del sistema anterior para obtener
x2 :
−19.5617 + 0.293333(7.0000)
x2 = = −2.50000
7.00333
Y por último, sustituyendo los valores de x3 y x2 en la primera ecuación del sistema,
obtendremos el valor de x1 .
7.85 + 0.1(−2.50000) + 0.2(7.0000)
x1 = = 3.00000
3
De esta manera encontramos que la solución del sistema es:

 x1 = 3
x2 = −2.5

x3 = 7

5. Método de Gauss-Jordan
El método de Gauss-Jordan, o compacto, o de diagonalización, es una variación de la
eliminación de Gauss, y la principal diferencia consiste en que cuando una incógnita
se elimina por este método, ésta es eliminada de todas las demás ecuaciones. Además,
el paso de eliminación sucesiva genera una matriz identidad en lugar de una triangular
superior, es decir, obtenemos “unos“ en la diagonal principal y “ceros“ por encima y
por debajo. En consecuencia, no es necesario la sustitución hacia atrás para obtener
la solución del sistema.

Veamos un ejemplo.

Ejemplo: Resolvamos el siguiente sistema por el método de Gauss-Jordan.


 x1 + x2 + x 3 = 1
3x1 − 2x2 + x3 = −1

x1 + 3x2 − x3 = 11
Primero, expresamos los coeficientes y las constantes como una matriz aumentada:
 
1 1 1 1
 3 −2 1 −1 
1 3 −1 11
Como el primer elemento de la diagonal principal es 1 (si no lo fuera, tendrı́amos
que dividir toda la fila por dicho valor para conseguirlo), pasamos a eliminar ahora
el primer elemento de la segunda fila, es decir, convertirlo en 0, restando 3 veces la
primera fila de la segunda. En forma similar, restando la primera fila de la tercera,
se eliminará el primer elemento de la tercera fila.

21
  
1 1 1 1
 0 −5 −2 −4 
0 2 −2 10
A continuación dividimos la segunda fila por −5, de manera a convertir en 1 (uno)
el segundo elemento de la diagonal principal.
 
1 1 1 1
 0 1 0.4 0.8 
0 2 −2 10
Para convertir en 0(cero) el segundo elemento de la tercera fila (el 2), multiplicamos
por 2 la segunda fila y le restamos la tercera, con lo que nos queda:
 
1 1 1 1
 0 1 0.4 0.8 
0 0 2.8 −8.4
Ahora, dividimos la tercera fila por 2.8, de manera a convertir en 1 (uno) el tercer
(y último) elemento de la diagonal principal.
 
1 1 1 1
 0 1 0.4 0.8 
0 0 1 −3
Nos resta convertir en ceros los elementos sobre la diagonal principal, convertimos 1
( elemento a12 ) en cero, haciendo fila 1 menos fila 2:
 
1 0 0.6 0.2
 0 1 0.4 0.8 
0 0 1 −3
Luego, tenemos que x3 = −3, x2 = 2 y x1 = 2 son los valores que dan solución al
sistema dado.

6. Métodos iterativos
El método de Gauss y sus variantes se conocen con el nombre de métodos directos,
pues se ejecutan a través de un número finito de pasos y dan lugar a una solución
que serı́a exacta si no fuese por los errores de redondeo.

Por el contrario, un método indirecto da lugar a una sucesión de vectores que ideal-
mente converge a la solución. El cálculo se detiene cuando se cuenta con una solución
aproximada con cierto grado de precisión especificado de antemano o después de
cierto número de iteraciones. Los métodos indirectos son casi siempre iterativos,
para obtener la sucesión mencionada se utiliza repetidamente un proceso sencillo.

22
Un método iterativo consta de los siguientes pasos:

1. Inicia con una solución aproximada (valor inicial).

2. Ejecuta una serie de cálculos para obtener o construir una mejor aproximación
partiendo de la aproximación inicial. La fórmula que permite construir la aprox-
imación usando otra se conoce como ecuación de recurrencia.

3. Se repite el paso anterior pero usando como valor inicial la última aproximación
obtenida.

6.1. Método de Jacobi

El método Jacobi es el método iterativo para resolver sistemas de ecuaciones lin-
eales más simple y se aplica sólo a sistemas cuadrados, es decir a sistemas con tantas
incógnitas como ecuaciones.

Uno de los principales problemas de los métodos iterativos es la garantı́a de que

el método va a converger, es decir, va a producir una sucesión de aproximaciones
cada vez efectivamente más próximas a la solución. Una condición que garantiza la
convergencia es que la matriz de coeficientes original del sistema de ecuaciones sea
diagonalmente dominante.

Una matriz se dice diagonalmente dominante si en cada uno de los renglones

(filas o columnas), el valor absoluto del elemento de la diagonal principal es mayor
que la suma de los valores absolutos de los elementos restantes del mismo renglón.
A veces la matriz de un sistema de ecuaciones no es diagonalmente dominante pero
cuando se cambian el orden de las ecuaciones y las incógnitas, el nuevo sistema puede
tener matriz de coeficientes diagonalmente dominante.

Ejemplo: Con el método de Jacobi, aproximaremos la solución del siguiente sistema

de ecuaciones lineales, con 5 iteraciones. Utilizaremos como iteración inicial x(0) = 1,
y (0) = 2.
{
5x + 2y = 1
x − 4y = 0
Nota: Para los cálculos utilizaremos hasta 2 cifras después del punto decimal, re-
dondeadas por exceso.

Primeramente, debemos despejar de la ecuación la incógnita correspondiente.

x = 0.20 − 0.40y
y = 0.25x

23
Aplicamos la primera iteración partiendo de x(0) = 1.00 y y (0) = 2.00:

x(1) = 0.20 − 0.40(2.00) = −0.60

y (1) = 0.25(1.00) = 0.25
Aplicamos ahora la segunda iteración partiendo de x(1) = −0.60 y y (1) = 0.25:

x(2) = 0.20 − 0.40(0.25) = 0.10

y (2) = 0.25(−0.60) = −0.15
Aplicamos ahora la tercera iteración partiendo de x(2) = 0.10 y y (2) = −0.15:

x(3) = 0.20 − 0.40(−0.15) = 0.26

y (3) = 0.25(0.10) = 0.02
Aplicamos ahora la cuarta iteración partiendo de x(3) = 0.26 y y (3) = 0.02:

x(4) = 0.20 − 0.40(0.02) = 0.19

y (4) = 0.25(0.26) = 0.06
Y por último, aplicamos la quinta iteración partiendo de x(4) = 0.19 y y (4) = 0.06:

x(5) = 0.20 − 0.40(0.06) = 0.18

y (5) = 0.25(0.19) = 0.05
La solución aproximada del sistema es x = 0.18 , y = 0.05.

6.2. Método de Gauss-Seidel

Mientras que en el método de Jacobi se utiliza un valor inicial de las incógnitas para
determinar una nueva aproximación, en el de Gauss-Seidel se van utilizando los val-
ores de las incógnitas recién calculados en la misma iteración, y no en la siguiente.
Por ejemplo, en el método de Jacobi se obtiene en el primer cálculo x(i+1) , pero este
valor de x no se utiliza sino hasta la siguiente iteración. En el método de Gauss-Seidel
en lugar de eso, se utiliza x(i+1) en lugar de x(i) en forma inmediata para calcular
el valor de y (i+1) , de igual manera se procede con las siguientes variables, utilizando
siempre las variables recién calculadas.

Ejemplo: A fin de analizar la diferencia con el método de Jacobi, aproximaremos la

solución del mismo sistema de ecuaciones del ejemplo anterior, utilizando el método
de Gauss-Seidel, con 3 iteraciones y redondeando los valores por exceso a 2 dı́gitos.

Considerando el valor inicial y (0) = 2.00 obtenemos la primera iteración:

x(1) = 0.20 − 0.40(2.00) = −0.60

y (1) = 0.25(−0.60) = −0.15
Es claro que, para obtener el valor de y utilizamos el nuevo valor de x en lugar del
valor inicial x(0) = 1.00.

24
Veamos ahora como queda la segunda iteración:

x(2) = 0.20 − 0.40(−0.15) = 0.26

y (2) = 0.25(0.26) = 0.06
Y por último, aplicamos la tercera iteración, con lo que nos queda:

x(2) = 0.20 − 0.40(0.06) = 0.18

y (2) = 0.25(0.18) = 0.05
Finalmente, podemos concluir que el método de Gauss-Seidel converge mas rápido
que el método de Jacobi, porque se llega a la solución realizando el menor número
de iteraciones.

25
 Bibliografı́a
B.A. Sagastume, (1980):. Cálculo Numérico. Editorial Sao Paulo,BR: Nobel;
cuarta Edición.

B.P. Demidovich, (1993):. Cálculo Numérico Fundamental. Editorial Paraninfo

S.A. ; cuarta Edición.

F. Garcia, (1991):. Análisis Numérico. Madrid, ES. Editorial Paraninfo S.A..

J.H. Mathews, (2000):. Métodos Numéricos con Matlab. Madrid, ES. PRENTICE-
HALL INC..

V. Mirshawka, (1988):. Cálculo Numérico. Sao Paulo,BR: Nobel ; cuarta Edición.

26