Universidad del Magdalena Análisis Numérico

FACULTAD DE INGENIERIA
ANÁLISIS NUMÉRICO

En el momento de resolver un sistema de ecuaciones lineales de n ecuaciones en n

desconocidas, podemos recurrir a diferentes métodos. Uno de los métodos más utilizados lo
es el método de eliminación de Gauss el cual consiste en convertir la matriz aumentada (A|
b), donde A es la matriz de coeficientes del sistema de ecuaciones, en la forma escalonada.

Supongamos que una matriz Anxn puede ser escrita como el producto de una matriz
triangular inferior L y una matriz triangular superior U, esto es,

A = LU
Entonces decimos que A tiene una factorización LU. Esta factorización nos permite
resolver el sistema lineal Ax = b. Sustituyendo LU por A, obtenemos

(LU)x = b (1)
esto implica que

L(Ux) = b (2)
Si Ux = z, entonces tenemos que

Lz = b (3)

Como L es una matriz triangular inferior, podemos resolver para z utilizando sustitución
hacia adelante. Luego, como U es una matriz triangular superior, resolvemos Ux = z por
sustitución en reversa.

Ejemplo: Considere el sistema lineal de ecuaciones:

cuya matriz de coeficientes es

y su factorización LU es
 Universidad del Magdalena Análisis Numérico

Utilizando la ecuación (3)

Por sustitución hacia adelante obtenemos

Ahora resolvemos Ux = z,

y obtenemos

Por lo tanto, la solución para el sistema lineal dado es:

MATRICES ESPECIALES:
Definición: (matriz estrictamente diagonal dominante). Una matriz Anxn se llama
estrictamente diagonal dominante si:
n

|aii|>∑ ¿ aij ∨¿ ¿ es aplicable a toda i = 1, 2, … , n

j=1
J ≠i

Esto es, si el valor absoluto de cada entrada diagonal es estrictamente mayor que la suma de
los valores absolutos de las demás entradas del renglón correspondiente.

Ejemplo: Considere las matrices A y B, indique cual es estrictamente diagonal dominate:

 Universidad del Magdalena Análisis Numérico

Definición: Una matriz A es definida positiva si es simétrica y si xtAx > 0 para todo vector
columna n dimensional x  0.
 Una matriz A es definida positiva si y solo si todos sus menores principales son
positivos.
 El i-ésimo menor principal es el determinante de una submatriz de A formadas sin
tomar en cuenta las primeras i filas y i primeras columnas de la matriz.
 Si una matriz es definida positiva entonces todas las entradas de sus diagonal deben ser
positivas.
 Si una matriz es definida positiva el mayor elemento de toda la matriz debe estar en la
diagonal.

Ejemplo: La matriz

Es una matriz definida positiva por que:

Teorema: Si A es una matriz definida positiva de n x n, entonces:

 A es no singular.
 a ii >0 para cada i=1 , 2, … , n
 máx 1≤ k , j≤ n∨a kj∨≤ máx 1≤ i≤ j ∨aii ∨¿
2
 ( a ij ) < aii a jj para cada i≠ j
NORMAS MATRICIALES INDUCIDAS.
 Universidad del Magdalena Análisis Numérico

Toda norma vectorial || . || sobre Rn induce una norma matricial sobre Rnxn (espacio de
matrices cuadradas n x n):

Es fácil verificar que esto define efectivamente una norma sobre Rnxn.
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.

Teorema: Toda norma matricial inducida por una norma vectorial satisface las siguientes
propiedades:

Hay formas más sencillas de calcular algunas de las normas matriciales más usuales.

Teorema: Sea A = (aij)  Rnxn. Entonces:

Ejemplo: Considere:

Entonces:

Luego
 Universidad del Magdalena Análisis Numérico

VALORES Y VECTORES PROPIOS

Definición. Dada una matriz cuadrada A, diremos que un número  C es un valor propio
(o autovalor) de A si existe un vector no nulo, v  0, tal que Av = v:

A v se le llama vector propio (o autovector) asociado al valor propio .  es un valor propio

si y solo si es raíz de la ecuación característica

det(A - I) = 0:
Ejemplo: Sea:

Vamos a hallar los valores característicos de A:

De ahí que:

El vector característico v de A asociado a 1 es la solución del siguiente sistema:

La solución al sistema es: Con lo que x3 = 0 y

x2 = x1. Si tomamos x1 = 1, el vector característico es: (1, 1, 0)t

Definición. El espectro de A es el conjunto de todos sus valores propios:

(A) := { C/  es un valor propio de A}

Definición. El radio espectral de A es el máximo módulo de sus autovalores:

(A) :=max( A ) ⁡∨ λ∨¿

Ejemplo: En nuestro caso tenemos que:

Con lo que:

Recuerde que || = |a + bi| = ((a2 + b2)1/2)

Teorema. Si ARnxn es simétrica (At = A), entonces ||A||2 = (A)
 Universidad del Magdalena Análisis Numérico

Ejemplo: Considere

Vamos a calcular (A); hallemos primero los valores característicos de AtA

Luego:

De ahí que:

ELIMINACIÓN DE GAUSS Y PIVOTEO

Definición. Dos sistemas de ecuaciones lineales son equivalentes si y sólo si tiene el
mismo conjunto de soluciones.

TRANSFORMACIONES ELEMENTALES

 Dado un sistema de ecuaciones lineales, sea una cualquiera de sus ecuaciones

se multiplica por un escalar c ≠ 0, resulta un sistema equivalente al sistema
dado.
 Dado un sistema de ecuaciones lineales, si dos cualesquiera de sus
ecuaciones se intercambian, resulta un sistema equivalente al sistema dado.
 Dado un sistema de ecuaciones lineales, si a una cualquiera de sus
ecuaciones se le suma un múltiplo de otra ecuaciones cualquiera, resulta un
sistema equivalente al sistema dado.

OPERACIONES ELEMENTALES EN LOS RENGLONES

Existen tres operaciones elementales sobre los renglones de una matriz A, las cuales
enumeramos a continuación:

 Multiplicar un renglón cualquiera de una matriz por un escalar.

 Universidad del Magdalena Análisis Numérico

 Sumarle a un renglón de una matriz un múltiplo de otro renglón.

 Intercambiar dos renglones cualesquiera de la matriz.

ESTRATEGIAS DE PIVOTEO
 PIVOTEO TRIVIAL puede suceder que en algún paso del proceso de eliminación
gaussiana con sustitución regresiva se tenga. Esto naturalmente implica que este
elemento no se puede tomar como elemento pivote en este caso se usa la estrategia
del pivoteo trivial, que consiste en escoger de una fila k, en la que, esta fila se
intercambia con la fila q-ésima, con lo cual se obtiene un pivoteo nulo.
 PIVOTEO PARCIAL es posible que al utilizar el pivoteo trivial se produzcan
errores debido a que, como es sabido, la computadora utiliza aritmética de precisión
finita. Lo anterior lo ilustramos en un ejemplo:

Supongamos que se desea resolver el sistema

Haciendo operaciones con un precisión de cuatro cifras significativas.

Observemos primero que la solución del sistema es exactamente y . El

elemento pivote es y el multiplicador es de modo que se

tiene entonces que

Por tanto x1 = 1.001 y así x2 = 0.9956

El error que se comete se debe a que el valor del multiplicador es muy grande.
Miremos ahora como podríamos resolver el sistema anterior para evitar el error cometido.
Si se intercambian las ecuaciones se obtiene el sistema

Que es equivalente al original; pero ahora el elemento pivote es y el

multiplicador es
De modo que se tiene la solución exacta y y .
 Universidad del Magdalena Análisis Numérico

La estrategia anterior se conoce como pivoteo parcial , la cual consiste en tomar como
pivote el coeficiente de mayor magnitud, y una vez ubicado intercambiar filas a fin de
colocarlo en la diagonal, esto es, se comparan todos los coeficientes en la columna q, desde
el que está en la diagonal hasta el que está en la última fila.

MÉTODO DE JACOBI
Miremos un ejemplo que nos permita comprender el método de Jacobi, el cual es usado
para encontrar la solución de un sistema cuadrado de ecuaciones lineales

Ejemplo: Resuelva el sistema lineal

5x − y + z = 10
2x + 8y − z = 11
−x + y + 4z = 3

Usando el método iterativo de Jacobi a partir del punto inicial (0, 0, 0).

Solución:
De la primera ecuación tenemos que:
10+ y−z
x=
5
De la segunda:
11−2 x + z
y=
8

y de la tercera:
3+x− y
z=
4

La iteración de Jacobi para este caso es:

10+ y k −z k
x k+1=
5

11−2 x k + z k
y k +1=
8

3+ x k − y k
z k+1 =
4

Y los resultados del proceso iterativo se muestran en la siguiente tabla:

Universidad del Magdalena Análisis Numérico

k xk yk zk
 Universidad del Magdalena Análisis Numérico

0 0 0 0
1 2 1,375 0,75
2 2,125 0,96875 1,0625
3 1,98125 0,9765625 1,015625
4 1,9921875 1,00664063 0,99140625
5 2,00304688 1,00087891 1,00019531
6 2,00013672 0,9992627 1,00071289
7 1,99970996 1,00005493 0,99985596
8 2,00003979 1,0000545 0,9999635
9 2,0000182 0,99998549 1,00001907
10 1,99999328 0,99999783 0,99999978
11 1,99999961 1,00000165 0,99999838
12 2,00000066 0,99999989 1,00000031
13 1,99999992 0,99999987 1,00000009
14 1,99999996 1,00000003 0,99999996
15 2,00000001 1,00000001 1
16 2 1 1

MÉTODO DE GAUSS – SEIDEL

Una variación del método de Jacobi es el método de Gauss–Seidel, que es más eficiente
que el primero. La diferencia esta en que el de Jacobi para generar el nuevo punto del
proceso iterativo se utilizan las coordenadas del punto anterior, mientras que en el de
Gauss–Seidel se van usando las coordenadas en la medida en que se van generando,
esto es, si se supone que ya hemos obtenido
Ejemplo: Resuelva el sistema lineal
5x − y + z = 10
2x + 8y − z = 11
−x + y + 4z = 3

Usando el método iterativo de Gauss–Seidel a partir del punto inicial (0, 0, 0).
Solución: Primero observamos que se trata del mismo sistema resuelto con anterioridad por
el método de Jacobi y comparemos resultado. Al igual que para el método de Jacobi
se tiene que. La iteración de Gauss–Seidel para este caso es:

10+ y k −z k
x k+1=
5

11−2 x k +1+ z k
y k +1=
8

3+ x k +1− y k+1
z k+1 =
4
 Universidad del Magdalena Análisis Numérico

Y los resultados del proceso iterativo se muestran en la siguiente tabla:

k xk yk zk
0 0 0 0
1 2 0,875 1,03125
2 1,96875 1,01171875 0,98925781
3 2,00449219 0,99753418 1,0017395
4 1,99915894 1,0004277 0,99968281
5 2,00014898 0,99992311 1,00005647
6 1,99997333 1,00001373 0,9999899
7 2,00000477 0,99999755 1,0000018
8 1,99999915 1,00000044 0,99999968
9 2,00000015 0,99999992 1,00000006
10 1,99999997 1,00000001 0,99999999
11 2 1 1

Como podemos notar, el método de Gauss-Saidel nos da la respuesta en 11 iteraciones, en

tanto que con Jacobi se obtuvo en 16, lo cual habla de la rapidez de convergencia del uno
comparado con el otro.

COMENTARIO: Al igual que para el de Jacobi, el método de Gauss-Seidel no

converge a la solución del sistema a pesar de que son sistemas equivalentes. La razón de
ello es que el método de Gauss-Seidel, como el de Jacobi, sólo converge a la solución si la
matriz de coeficientes del sistema es estrictamente diagonal dominante.