Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SALUD”
DOCENTE:
Juan Panta Cobeñas.
INTEGRANTES:
✓ Aguilar Quispe Israel Silvestre.
✓ Antón Panta Cristopher.
✓ Cardoza Palomino Giulianna.
✓ Celi Silva Walter.
✓ Noe Espinoza Armando Rafael.
✓ Zapata Lachira Juan Alexis.
CURSO:
Métodos Numéricos.
FACULTAD:
Ciencias.
ESCUELA PROFESIONAL:
Ingeniería Electrónica y Telecomunicaciones.
TEMA:
Sistemas lineales.
2020
MÉTODOS DIRECTOS DE RESOLUCIÓN DE SISTEMAS
LINEALES
Donde 𝑎𝑖𝑗 y 𝑏 , para 1 ≤ i, j ≤ m, son números reales dados y siendo 𝑥𝑗 ∈ IR, 1 ≤ j ≤ m, son las m
incógnitas. Entonces el sistema (1.1) es por tanto un sistema lineal 𝑚 𝑥 𝑚, es decir, es un sistema
cuadrado. Los 𝑎𝑖𝑗 son los coeficientes del sistema (1.1).
La formulación del sistema (1.1) se puede reducir a una forma compacta. Utilizando la notación
vectorial, llamaremos en particular a los elementos de IR𝑛 como vectores columna, es decir, como
matrices 𝑚 𝑥 1.
De la forma:
Para encontrar la solución del sistema (1.2), utilizaremos los distintos métodos directos, que se
estudiarán en esta actividad de titulación.
Hay dos clases de métodos para la resolución de sistemas de ecuaciones lineales, son los métodos
directos y los métodos iterados.
Los métodos directos, permiten calcular la solución exacta del sistema de ecuaciones en un
número finito de pasos, si es que no fuera por los errores de redondeo.
Por el contrario, los métodos iterados que en general solo conducen a una solución aproximada.
En esta actividad de titulación, vamos a estudiar los métodos directos, que consisten en adaptar
el sistema (1.2) en otro equivalente siendo su resolución casi inmediata.
Esta adaptación se realiza mediante las llamadas operaciones elementales, cuya interpretación de
la matriz nos entregara una interesante factorización del sistema.
El objetivo es estudiar los métodos directos para resolver sistemas de ecuaciones lineales, sus
aplicaciones y encontrar los valores del vector x del sistema (1.2) mediante el método que sea
más eficiente para la matriz A, estos métodos se estudiarán y explicarán más adelante.
Métodos Directos
Los métodos directos, son utilizados para adaptar el sistema 𝑨𝒙 = 𝒃 en otro equivalente, siendo
su resolución casi inmediata. Esta adaptación se realiza mediante las llamadas operaciones
elementales, cuya interpretación de la matriz, nos entregara una interesante factorización del
sistema.
Método de eliminación de Gauss:
Es el método directo de resolución de sistemas de ecuaciones lineales más conocido. Que consiste
en transformar el sistema 𝐴𝑥 = 𝑏, mediante las operaciones elementales, en otro sistema
equivalente que será una matriz triangular superior, cuya resolución será de manera sencilla y se
obtiene mediante la llamada sustitución regresiva o inversa. Cabe recordar que al aplicar las
operaciones elementales la solución del sistema no varía.
Demostración:
Comenzamos con 𝐴 (1) = 𝐴 y 𝐵 (1) = 𝐵. El método lo podemos explicar cómo una sucesión de 𝑛
− 1 pasos que dan como resultado una sucesión de matrices y vectores, como se indica a
continuación:
𝐴 (1) ⇾ (2) ⇾ ⋯ ⇾ 𝐴(𝑛) , 𝐵 (1) ⇾ 𝐵(2) ⇾ ⋯ ⇾ 𝐵(𝑛) ,
De forma de que 𝐴 (𝑛) sea una matriz triangular superior. Así, para el primer paso supondremos
que 𝑎11 (1) = 𝑎11 ≠ 0. Entonces, podemos eliminar 𝑥1 de las 𝑛 − 1 últimas ecuaciones.
En efecto, tomamos 𝑙𝑖1 = 𝑎𝑖1 (1) 𝑎11 (1) ⁄ (para 𝑖 = 2, … , 𝑛) y luego sumamos −𝑙𝑖1 veces la
primera ecuación a la i-ésima, quedando de la siguiente manera:
𝑎𝑖𝑗 (2) = 𝑎𝑖𝑗 (1) − 𝑙𝑖1𝑎1𝑗 (1) , 𝑗 = 1, 2, … , 𝑛 ; 𝑏𝑖 (2) = 𝑏𝑖 (1) − 𝑙𝑖1𝑏1 (1) .
(Observemos que 𝑎𝑖𝑗 (1) designa los elementos de 𝐴 (1) y 𝑏𝑖 (1) son los componentes de 𝐵 (1)).
Si 𝑎22 (2) ≠ 0, podemos eliminar de manera similar 𝑥2 de las 𝑛 − 2 últimas ecuaciones y así
sucesivamente. En general, el paso de la k-ésima matriz a la (𝑘 + 1)-ésima viene dada por las
siguientes formulas:
Como hemos visto, si los elementos 𝑎𝑘𝑘 (𝑘) que van apareciendo en los sucesivos pasos (que
denominaremos pivotes) no son nulos, entonces podemos aplicar con éxito el algoritmo.
Después de sumar a n pasos, llegamos al sistema triangular superior 𝐴 (𝑛) = 𝑏𝑛 siguiente
El procedimiento fallaría si en el paso k-ésimo el pivote 𝑎𝑘𝑘 (𝑘) es cero, porque en ese caso, o
bien los multiplicadores 𝑙𝑖𝑘 = 𝑎𝑖𝑘 (𝑘) 𝑎𝑘𝑘 (𝑘) no están definidos (lo que ocurre si 𝑎𝑘𝑘 (𝑘) = 0
para algún k < n) o no podemos realizar la sustitución regresiva (si 𝑎𝑛𝑛 (𝑛) = 0).
Esto no significa que el sistema no tenga solución, sino más bien el método a utilizar debe
modificarse.
Ejercicio 1:
Resolveremos el siguiente sistema de ecuaciones lineales dado en su forma matricial por el
método de eliminación de Gauss, que es el siguiente:
Ahora, multiplicamos la primera fila por −1 y se la sumamos a la cuarta fila, obteniendo una
nueva cuarta fila.
Como ya tenemos la primera columna de la forma deseada, ahora haremos cero los elementos
que están debajo de la diagonal principal de la segunda columna, para ellos multiplicamos la
segunda fila por 6 y se la sumamos a la cuarta fila, obteniendo una nueva cuarta fila.
Para escribir de manera adecuada la tercera columna, basta con multiplicar por 1 3 la tercera
fila, obteniendo:
Y finalmente para escribir de manera adecuada la cuarta columna, basta con multiplicar por − 1
13 la cuarta fila, obteniendo:
Ahora que la matriz esta triangulada superiormente o también llamada de forma escalonada y
obteniendo el siguiente sistema de ecuaciones lineales que se aprecia a continuación:
𝑥1 + 2𝑥2 − 𝑥3 + 0𝑥4 = 2
𝑥2 + 𝑥3 − 2𝑥4 = −3
𝑥3 − 𝑥4 = −2
𝑥4 = 3
A través de la sustitución regresiva se puede determinar el valor de cada incógnita:
𝑥1 = −1, 𝑥2 = 2, 𝑥3 = 1, 𝑥4 = 3
Siendo el vector solución, el siguiente:
Pivoteo parcial:
Se toma como pivote el elemento de mayor módulo de entre los 𝑛 − 𝑘 últimos elementos de la
columna k-ésima, es decir, se elige 𝑎𝑖𝑘 (𝑘) (𝑖 = 𝑘, 𝑘 + 1, … , 𝑛) de forma que:
Ejercicio 3:
Resolveremos el siguiente sistema de ecuaciones lineales dado en su forma matricial por el
método de factorización LU.
Así los valores 𝑙𝑘𝑘 quedan determinados, por lo tanto, los elementos de la matriz L se obtienen
mediante la siguiente forma. Para 𝑘 = 1, 2, … , 𝑛.
Ejercicio 4:
Sea A una matriz de orden 4 × 4.
Y su transpuesta es:
Lo que implica que para encontrar la solución del sistema se aplicara como factorización LU. Es
decir, que en primera ocasión se resuelve el sistema 𝐿𝑧 = 𝑏, para encontrar el vector z y después
se resuelve el sistema 𝐿 𝑇𝑥 = 𝑧, obteniendo el vector solución x del sistema.
Método de factorización de Doolittle:
Sea A una matriz cuadrada con pivotes no nulos, primero se encuentra la matriz triangular
superior U mediante la eliminación de Gauss y luego formamos la matriz triangular inferior L a
partir de las operaciones elementales realizadas para encontrar U pero con signos contrarios,
además sus elementos 𝑙𝑖𝑖 = 1 (para todo 𝑖), esto quiere decir que los elementos de la diagonal
principal de matriz L serán iguales a uno. Llegando a una factorización LU. 𝐴 = 𝐿𝑈.
Ejercicio 5:
Sea A una matriz cuadrada, por lo cual le aplicaremos el método de factorización de Doolittle.
Primero le aplicaremos operaciones elementales. Multiplicaremos la primera fila por (−2) y se
la sumaremos a la segunda, obteniendo una nueva segunda fila y además, multiplicaremos la
primera fila por (5) y se la sumaremos a la tercera fila, obteniendo una nueva tercera fila,
resultando:
Ahora, multiplicaremos la segunda fila por (−3) y se la sumaremos a la tercera, obteniendo una
nueva tercera fila:
Y para finalizar la matriz L está definida por las operaciones que se realizaron, pero con signo
contrario y su diagonal principal está compuesta por puros uno.
Ya contando con la matriz L y U. finalmente, para encontrar la solución del sistema se aplicará
como factorización LU. Es decir, que en primera ocasión se resuelve el sistema 𝐿𝑧 = 𝑏, para
encontrar el vector z y después se resuelve 𝑈𝑥 = 𝑧 obteniendo el vector solución del sistema.
Dato importante de mencionar, que una matriz A tiene factorización de doolittle si y solo si se le
puede aplicar el método de eliminación de Gauss sin pivoteo.
Método de factorización de Crout
Este método es muy similar al método de Doolittle ya que se utiliza el mismo sistema de la
factorización directa LU para encontrar la solución.
𝐴𝑥 = 𝑏, → 𝐴 = 𝐿𝑈,
Siendo L una matriz inferior y U una matriz superior. Este método busca encontrar los
elementos de 𝐿𝑖𝑗 y 𝑈𝑖𝑗. El producto de estas dos matrices dará como resultado la matriz A,
obteniendo lo siguiente:
Podemos notar que para el método de Crout se tiene que 𝑈𝑖𝑖 = 1, esto quiere decir que los
elementos de la diagonal principal de matriz U serán iguales a uno. Teniendo como objetivo el
cálculo de la k-ésima columna de L y la fila k-ésima de U por medio de una multiplicación entre
matrices y un posterior despeje.
Finalmente, ya contando con la matriz L y U. finalmente, para encontrar la solución del sistema
se aplicara como factorización LU. Es decir, que en primera ocasión se resuelve el sistema 𝐿𝑧 =
𝑏, para encontrar el vector z y después se resuelve 𝑈𝑥 = 𝑧 obteniendo el vector solución del
sistema.
Ejercicio 6:
Resolveremos el siguiente sistema de ecuaciones lineales dado en su forma matricial mediante
el método de factorización Crout, que es el siguiente:
𝑥2 – 11/14 𝑥3 = − 5/14 → 𝑥2 = 2
𝑥1 + 4𝑥2 − 2𝑥3 = 3 → 𝑥1 = 1
En matemáticas, en particular en álgebra lineal, una matriz cuadrada A de orden n se dice que es
invertible, no singular, no degenerada o regular si existe otra matriz cuadrada de orden n, llamada
matriz inversa de A y representada como 𝐴−1 ,tal que: 𝐴 × 𝐴−1 = 𝐴−1 × 𝐴 = 𝐼𝑛 ,donde 𝐼𝑛 es la
matriz de identidad de orden n y el producto utilizado es el producto de matrices usual.
Una matriz cuadrada no invertible se dice que es singular o degenerada. Una matriz es singular si
y sólo si su determinante es nulo. La matriz singular A se caracteriza porque su multiplicación
por la matriz columna X es igual a cero para algún X no nulo.
• Y, evidentemente:
Esta afirmación es válida por propiedades de los determinantes, pues la parte izquierda
de la relación es el determinante de la matriz A con la columna j igual a la columna k y
los demás términos iguales a los de A. Entonces
Entonces
luego, aplicando la transpuesta
1 0 −1 2
𝐴=[ ] 𝑦 𝐵=[ ]
−1 1 −3 1
Despejamos y queda:
𝐴𝑋 = 2𝐴 − 𝐵
Calculamos en maple:
➢ Ejercicio 2
Se tiene el siguiente sistema de ecuaciones, se pide hallar los valores de x y z:
𝑥 + 2𝑦 − 𝑧 = 1
{ −𝑥 + 𝑦 = 2
3𝑥 + 2𝑦 + 𝑧 = 3
1 2 −1 𝑥 1
[−1 1 0 ] [𝑦] = [2]
3 2 1 𝑧 3
𝐴𝑋 = 𝐵
𝐴−1 𝐴𝑋 = 𝐴−1 𝐵
𝐼𝑋 = 𝐴−1 𝐵
𝑋 = 𝐴−1 𝐵
Por lo tanto:
1 1 1 1
− −
𝑥 8 2 8 2
1 1 1 1 3
𝑥 = [𝑦] = [ 2] =
𝑧 8 2 8 3 2
5 1 3 3
− [
[ 8 2 8] 2 ]
entonces por últimos tenemos que
1 3 3
𝑥=− 𝑦= 𝑧=
2 2 2
➢ Ejercicio 3
Se tiene el siguiente sistema de ecuaciones:
2𝑥 − 2𝑦 + 𝑧 = 1
{ −𝑥 +𝑦+𝑧 =0
−𝑥 + 3𝑦 + 5𝑧 = −4
2 −2 1 𝑥 1
[−1 1 1] [𝑦] = [ 0 ]
−1 3 5 𝑧 −4
𝐴𝑋 = 𝐵
𝐴−1 𝐴𝑋 = 𝐴−1 𝐵
𝐼𝑋 = 𝐴−1 𝐵
𝑋 = 𝐴−1 𝐵
Por lo tanto:
1 13 1 7
− − −
𝑥 3 6 2 2
2 11 1 1 8
𝑥 = [𝑦] = − − [ 0 ]= −
𝑧 3 6 2 −4 3
1 2 1
[ 3 0] [ 3 ]
3
7 8 1
𝒙=− 𝑦=− 𝑧=
2 3 3
➢ Ejercicio 4
Se tiene una placa rectangular cuyas orillas se mantienen a cierta temperatura. Encuentra la temperatura
en los puntos inferiores. Suponga que la temperatura en un punto interior es igual al promedio de la
temperatura de los cuatro puntos que lo rodean.
100 + 50 + T2 + T3 100 + 50 + T1 + T4
T1 = T2 =
4 4
4T1 = 150 + T2 + T3 4T2 = 150 + T1 + T4
4T1 − T2 − T3 = 150 4T2 − T1 − T4 = 150
50 + 0 + T4 + T1 50 + 0 + T3 + T2
T3 = T4 =
4 4
4T3 = 50 + T4 + T1 4T4 = 50 + T3 + T2
4T3 − T4 − T1 = 50 4T4 − T3 − T2 = 50
4 −2 −1 0 T1 150
−1 4 0 −1 T2 150
[ ][ ] = [ ]
−1 0 4 −1 T3 50
0 −1 4 −1 T4 50
Entonces tenemos:
125 125 75 75
T1 = T2 = T3 = T4 =
2 2 2 2
➢ Ejercicio 5
Los lados de un triángulo miden 26, 28 y 34 cm
Con centro en cada vértice se dibujan tres de conferencias, tangente entre sí dos a dos.
Calcular las longitudes de los radios de las circunferencias.
De hacer un bosquejo de la figura, y usar una variable para cada radio de las 3 circunferencias, tenemos el
sistema
𝑥 + 𝑦 = 26 𝑥 + 𝑦 + 0𝑧 = 26
{ 𝑥 + 𝑧 = 34 → {𝑥 + 0𝑦 + 𝑧 = 34
𝑦 + 𝑧 = 28 0𝑥 + 𝑦 + 𝑧 = 28
1 1 0 𝑥 26
[1 0 1 ] [𝑦 ] = [34]
0 1 1 𝑧 28
𝑥 = 16 𝑦 = 10 = 18
➢ Ejercicio 6
Un cliente de un supermercado ha pagado un total de 156€ por 24L de leche, 6kg de jamón serrano y 12L
de aceite de oliva. Calcular el precio de cada artículo, sabiendo que 1L de aceite cuesta el triple que 1L de
leche y que 1kg de jamón cuesta igual que 4L de aceite más 4L de leche.
Leche 1 €
Jamón 16 €
Aceite 3 €
➢ Ejercicio 7
Tenemos que repartir S/280 entre tres hermanos. El mayor se lleva el triple que el segundo, y el segundo
se lleva el doble que el tercero ¿Cuánto se lleva cada hermano?
𝑥 + 𝑦 + 𝑧 = 280 x + y + z = 280
{ 𝑥 = 3𝑦 → {x − 3y + 0z = 0
𝑦 = 2𝑧 0x + y − 2z = 0
Primer hermano: x
Segundo hermano: y
Tercer hermano: z
la factorización es una forma de factorización de una matriz como el producto de una matriz
triangular inferior y una superior. Debido a la inestabilidad de este método, deben tenerse en
cuenta algunos casos especiales, por ejemplo, si uno o varios elementos de la diagonal
principal de la matriz a factorizar es cero, es necesario pre multiplicar la matriz por una o varias
matrices elementales de permutación.
es una factorización que resume el proceso de eliminación gaussiana aplicado a la matriz y que
es conveniente en términos del número total de operaciones de punto flotante cuando se desea
calcular la inversa de una matriz o cuando se resolverá una serie de sistemas de ecuaciones con
una misma matriz de coeficientes. En la lectura, primeramente, consideraremos la factorización
LU sin intercambio basada en matrices elementales y que es conocida como de Doolittle y
posteriormente veremos el algoritmo que da la factorización PA = LU.
FACTORIZACIÓN MATRICIAL:
Dado un sistema de ecuaciones de la forma Ax=b, los métodos que se prestan en factorización
buscan descomponer la matriz A de n x n en el producto de dos matrices triangulares L= (lij)
triangular inferior y U= (uij) triangular superior, es decir que A = L.U
Luego cambiamos el sistema por L.U.X = b para así poder resolverlo el en dos fases:
Al tener elementos muy pequeños en la diagonal pueden ocasionar elementos muy grandes en el
resultado, causando así el crecimiento de los errores por redondeo, ya que se pueden presentar
problemas por acumulación de errores cuando los elementos de los factores triangulares son muy
grandes. Una solución a esto es pivotear la matriz, intercambiando filas para lograr que los
elementos de la diagonal sean lo mayor posible en valor absoluto.
Si se hace pivoteo el determinante de la matriz se afecta cambiando de signo por cada pivoteo que
se haga, si el número de pivotes es par el determinante no cambia de signo, pero si el número de
pivotes es impar el determinante si cambia de signo.
Su objetivo es hallar los valores que corresponden a cada Lij y a cada Uij tal que el producto de
estas matrices sea igual a la matriz A. si planteamos el problema de esta manera, obtenemos tres
caminos o soluciones para expresar A = L.U dependiendo de los valores que asumamos como
punto de partida en la diagonal de las matrices L y U. Estas tres soluciones son:
Choleski:
Si U = L (t), tanto los valores de la diagonal de U son iguales a los valores de la diagonal de L, es
decir Lii = Uii por ende
A = L*L (t) Para hallar los valores de Lij , lo hacemos mediante la multiplicación de matrices y
se procede a seguir encontrando los demás valores de igual manera que en los métodos de Crout
y Doolittle, si observamos los valores de la primera columna de la diagonal de la matriz L ya se
conoce, por ende también conocemos los valores de la primera fila de L(t).
Convención:
i = 1, 2,3,..., n
i = 1, 2,3,..., n
L (t) = L transpuesta
Lij = L sub ij, donde i y j van cambiando según la posición de la matriz de filas y columnas
Crout:
Convención:
i = 1, 2,3,..., n
Doolittle:
Si L_ii = 1 Es decir que la diagonal principal de la matriz triangular inferior L es igual a 1 en
todas sus posiciones. Para hallar los valores y completar las matrices observamos que la primera
columna de L ya se conoce, por lo tanto, se multiplican todas las columnas de L por
La primera fila de U, e igualamos cada operación a cada elemento que corresponda a la posición
de la matriz A.
Convención:
A=LU
A x = b,
Escribimos:
A x = (L U) x = L (U x).
Resolver para y:
L y = b.
Como la matriz L es triangular superior este sistema puede resolverse mediante sustitución hacia
abajo, lo cual se hace fácilmente en m2 FLOPS. Una vez con los valores encontrados de y, las
incógnitas al sistema inicial se resuelven despejando x de
U x = y.
Nuevamente, como U es escalonada, este sistema puede resolverse en caso de tener solución
mediante sustitución hacia atrás, lo cual es sencillo. Estas observaciones nos dan la pauta para ver
la conveniencia de una factorización como la anterior, es decir factorizar A como el producto de
una matriz L triangular superior, por otra U la cual es escalonada. Esta factorización se llama
usualmente Descomposición LU.
Ejemplo 26.1
Use la factorización LU de A:
4 −2 1 1 0 0 4 −2 1
𝐴 = [ 20 −7 12] = [ 5 1 0] [0 3 7 ] = 𝐿𝑈
−8 13 17 −2 3 1 0 0 −2
11
𝐴𝑥 = [70] = 𝑏
17
Solución Sea y = (y1, y2, y3) un nuevo vector de incógnitas. Primero resolveremos el sistema
triangular inferior L y = b:
1 0 0 11
[5 1 0] 𝑌 = [70]
−2 3 1 17
Ahora el sistema U x = y:
4 −2 1 11
[0 3 7 ] = [ 15 ]
0 0 −2 −6
EJEMPLO:
Solución La idea del método es ir acumulando las inversas de las operaciones hechas sobre los
renglones la matriz para irla trasformando en una matriz escalonada. Y más que propiamente las
inversas de las operaciones sobre los renglones, las matrices elementales involucradas. Así por
ejemplo el primer cálculo que se realiza es hacer un cero debajo del elemento (1, 1) que es el
elemento 2, para ello debemos realizar la operación𝑅2 ← 𝑅2 ← 3𝑅1, esta operación tiene como
matriz elemental la matriz
Lo cual indica que lo que debemos acumular son las inversas de las matrices elementales
utilizadas. La forma sistemática de ir acumulando de las inversas de las 𝐸𝑖8 es ir
construyendo la matriz L:
En este caso de la matriz U está en la forma escalonada y por consiguiente el proceso se detiene
haciendo cero aquellos valores desconocidos. Por consiguiente una factorización de A será:
SUMA DE MATRICES
Sean A = (aij ) y B = (bij ) dos matrices de m x n. Entonces la suma de A y B es la matriz de m x
n, A + B dada por:
1. A + 0 = A ,0 ∈ Mmxn(R)
2. 0A = 0 ,0 ∈ R
3. A+B=B+A
4. (A + B) + C = A + (B + C)
5. α(A + B) = αA + αB
6. 1A = A
7. (α + β)A = αA + βA
Estas propiedades hacen que el conjunto de las matrices M n x n (R) formen un espacio vectorial
real.
MATRIZ IDENTIDAD:
La matriz identidad In de n x n es una matriz de n x n cuyos elementos de la diagonal principal
son iguales a 1 y todos los demás son 0. Esto es,
Estos sistemas no tienen mayor dificultad de resolverse, pues se trata de matrices de coeficientes
triangulares inferiores y superiores respectivamente. La factorización LU es útil cuando se
requiere resolver de manera simultánea varios sistemas de ecuaciones que dieren en la parte no
homogénea.
EJERCICIOS:
ESTRATEGIAS DE PIVOTEO
Para motivar el estudio de varias técnicas de pivoteo consideremos dos ejemplos cuando
pivote:
En el segundo paso ya no podemos utilizar como pivote la entrada diagonal (2, 2) porque
Vamos a ilustrar varias t´ecnicas con el mismo ejemplo. Está dada una matriz aumentada A
después del primer paso de la eliminación de Gauss. Estamos empezando el segundo paso (p =
2).
En general, denotamos por m al número de los renglones de la matriz y por n al número
3. Pivoteo parcial. En cada paso p se elige en calidad de pivote la entrada con índices (ip , p) tal
que
es decir, la mayor entrada (en el sentido absoluto) de la p-ésima columna empezando con
(p, p) hasta (m, p). En el ejemplo, los candidatos para hacer el papel de pivote están
El máximo es |A4,2 | = 7, por eso la entrada A4,2 se usará como pivote. Esto significa que
(2, 2), y luego se aplicarán operaciones elementales para eliminar las entradas (3, 2), (4, 2)
y (5, 2).
la matriz:
Supongamos que si > 0 para todo i ∈ {k, . . . , m}. Elijamos el menor entero q con
|Ai,p |
En otras palabras, sea q el menor de los índices i en los cuales la expresión Si
alcanza
Pivoteo completo
Pivoteo completo. En el k-ésimo paso se buscan los índices p, q ∈ {k, . . . , m} tales que
En el ejemplo de arriba, se busca el máximo entre los valores absolutos de todas las
Si (r, s) 6= (p, p), entonces se intercambian los renglones y las columnas de tal manera
que la entrada Ar,s se pone en la posición (p, p). En el programa, en vez de intercambiar
las columnas de manera explícita se usa un vector auxiliar que guarda la permutación de
las columnas.
Ejercicios numéricos
Obtenga los intercambios de filas que se requieren en el primer paso del método de
Ejemplo. Resolver el sistema de ecuaciones lineales usando pivotes diagonales y haciendo los
cálculos en la aritmética con redondeo al más cercano con 3 dígitos (en otras
palabras, con 2 dígitos después del punto flotante). Luego resolver el mismo sistema usando el
pivoteo parcial.
redondeos muy grandes. Resolver el sistema usando cálculos con 3 dígitos con redondeo
al más cercano:
Ejemplo cuando la eliminación gaussiana con pivoteo parcial funciona mal.
Sugerencias para programar los algoritmos
Método de JACOBI:
Es un método iterativo, usado para resolver sistemas de ecuaciones lineales del tipo. El
algoritmo toma su nombre del matemático alemán Carl Gustav Jakob Jacobi. El método
de Jacobi consiste en usar fórmulas como iteración de punto fijo.
Un método iterativo con el cual se resuelve el sistema lineal A x = b comienza con una
aproximación inicial x (0) a la solución x y genera una sucesión de vectores x (k) que
converge a x. Los métodos iterativos traen consigo un proceso que convierte el sistema
A x = b en otro equivalente de la forma x = T x + c para alguna matriz fija T y un vector
c.
El método de Gauss-Seidel surgió como una modificación del método de Jacobi que
acelera la convergencia de éste.
No existe un algoritmo finito para esto, sin embargo, existe un método poderoso, conocido como
método de potencia. Para ver cómo funciona, considere primero un ejemplo simple.
1
Las filas de esta matriz suman cada una a 6, por lo que (1) es un vector propio con valor propio
1
6. Este resuelve nuestro problema para esta matriz de manera muy conveniente, pero echemos un
vistazo más de cerca. El polinomio característico de esta matriz es 𝑡 3 − 6𝑡 2 − 4𝑡 + 24. Sabiendo
que 6 es un vector propio, puedes factorizar fácilmente el polinomio característico para encontrar
t3 − 6t2 − 4t + 24 = (t − 6)(t − 2)(t + 2) .
16 6 14
𝐴2 ≔ [12 10 14 ]
12 6 18
Ahora observe algo interesante: cada una de las columnas de A16 está muy cerca de ser un
1
múltiplo del vector propio [1]. La diferencia entre las entradas en cada columna está en el
1
duodécimo dígito.
A = [v1,v2,v3] .
Dado que A tiene tres valores propios distintos, es diagonalizable. Sea {u1,u2,u3} una base de R3
tal que
Au1 = 6u1 Au2 = 2u2 Au3 = −2u3 .
Ahora, cualquier vector en R3 puede expandirse como una combinación lineal de estos vectores
básicos. En particular, hay números a1, a2 y a3 para que
v1 = a1 u1 + a2 u2+ a3 u3
Entonces desde
.
Ahora, 3−15 ≈ 7 × 10−8. Por lo tanto, a menos que a2 o a3 sea por alguna razón muy grande,
tendremos, con muy buena precisión, que la primera columna de A16 está dada por:
𝑎1 615 𝑢1
Que es un múltiplo de u1. Este es el vector propio de A con el valor propio más grande - 6 en
este caso.
Puede ver en este análisis que vamos a poder utilizar este tipo de cálculo para encontrar valores
propios de muchas otras matrices. De hecho, suponga que A es una matriz de 3 × 3, y hay una
base {u1,u2,u3} de R3 con
Au1 = µ1u1 Au2 = µ2u2 y Au3 = µ3u3
Cuando
|µ1| > |µ2| > |µ3|
Esta no es una mala restricción, pero necesitaremos algunos trucos para sortearla cuando nos
encontremos con tales matrices. Cruzaremos ese puente cuando lleguemos a él. Por ahora,
suponga Au1 = µ1u1 Au2 = µ2u2 y Au3 = µ3u3. Entonces, con A = [v1,v2,v3] y v1 = a1u1 + a2u2
+ a3u3 como antes, encontramos que la primera columna de AN+1 es
𝑢2 𝑢3
| |<1 𝑦 | |<1
𝑢1 𝑢1
𝑢2 𝑢3
lim | |=0 𝑦 lim | |=0
𝑁→∞ 𝑢1 𝑁→∞ 𝑢1
Siempre que a1 ≠0, la primera columna de AN+1 será un múltiplo de u1. En este caso, la primera
columna es desde el principio un múltiplo de u1que es un vector propio. No importa qué,
obtenemos un vector propio, el que tiene el valor propio más grande cuyo vector propio aparece
cuando expandimos v1 en nuestra base de vectores propios.
Ejercicio 02:
µ1 ≈ 6 µ3 ≈ 2 y µ3 ≈ −2
Calculamos
16 8 14
𝐴2 = [15 15 15]
12 6 18
Encontramos
544 332 596
𝐴4 = [645 435 705]
498 294 582
u
Ahora, si fuera el caso de que Au = µ1u, podríamos tomar el producto escalar de ambos lados
con u para obtener
u · Au = µ1u · u = µ1
u · Au =
6.2260902209 .
Las entradas de la parte inferior izquierda son todas muy pequeñas. Si fueran exactamente cero,
los valores propios de A serían las entradas diagonales
A = (MM1)T(M1M) = (MM1)T(MM1)−1
Definimos 𝐴̃:
Dado que 𝑇̃ es exactamente triangular superior, por similitud, los valores propios de 𝐴̃ son
exactamente
𝐾𝐴 − 𝐴̃𝐾 = 𝐾𝑇 − 𝑇̃𝐾
Pero tenemos de nuestra estimación estándar sobre la norma de una matriz que
kA −𝐴̃k ≤ 10−6
Por lo tanto, no hemos encontrado los autovalores exactos de A, sino los autovalores
exactos de una matriz A que satisface. Dado que, en muchas aplicaciones, las entradas de A no
se conocen con precisión de todos modos, a menudo es tan bueno haber diagonalizado la matriz
cercana 𝐴̃ de todos modos.
EJERCICIO 03:
Google emplea para calcular el PageRank de los documentos en su motor de búsqueda el método de
potencia, ahora necesita saber con exactitud cuántas iteraciones el motor de búsqueda debe
hacer para hallar un documento de valor λ = 4.5
Teniendo:
1 1 2
𝐴 = (2 1 1)
1 1 3
Asumiendo que la segunda componente de x es igual a la unidad.
Tomamos como estimador inicial:
0
𝑥 (0) = (1)
0
Y aplicamos el esquema iterativo 𝑥 (𝑘+1) = 𝐴𝑥 (𝑘) 𝑐𝑜𝑛 𝑘 ≥ 0 manteniendo la notación del 𝑥 (𝑘)
antes y después del escalado de su segunda componente.
Dispongamos las sucesivas iteraciones en la tabla siguiente