An Alisis Num Erico (ICM840-01) : Sistemas de Ecuaciones Lineales

Análisis Numérico (ICM840-01)
Sistemas de ecuaciones lineales
1er Semestre del 2022
Profesor: Angel Rodrı́guez Soto (PUCV) Análisis Numérico 1er Semestre 2022 1 / 41
Definiciones básicas
Se estudiarán métodos que permitan determinar los valores x1 , x2 , ..., xn

que satisfagan en forma simultanea un sistema de ecuaciones lineales.
Este sistema puede ser escrito como:
a11 x1 + a12 x2 + ... + a1n xn = b1

a21 x1 + a22 x2 + ... + a2n xn = b2
.. .
. = ..
an1 x1 + an2 x2 + ... + ann xn = bn
donde a son los coeficientes constantes, b son los términos independientes

constantes, y n es el número de ecuaciones.
El sistema de ecuaciones antes descrito, puede ser representado en forma

matricial como:
    
a11 a12 ··· a1n x1 b1
 a21 a22 ··· a2n   x2   b2 
   
..   ..  =  .. 
 
 .. .. ..
 . . . .  .   . 
an1 an2 · · · ann xn bn
o en forma compacta:
[A] · {x} = {b}
Matrices
Una matriz es un arreglo rectangular de elementos representados por un

solo sı́mbolo.
 
a11 a12 · · · a1m
 a21 a22 · · · a2m 
[A] =  .
 
.. .. .. 
 .. . . . 
an1 an2 · · · anm
aij designa a un elemento en particular de la matriz, en donde i designa
al número de la fila, y j designa al número de la columna.
Se llama matriz cuadrada a aquellos arreglos en donde el número de filas
es igual al número de columnas (m = n).
Matrices
Propiedades de una matriz
• Una matriz es simétrica si:
aij = aji
para todo i,j.

• Una matriz diagonal es una matriz cuadrada cuando todos los
elementos fuera de la diagonal son cero:
 
a11 0 0 ··· 0
 0 a22 0 · · · 0 
 
 0
 0 a33 · · · 0 

 .. .. .. . .. .. 
 . . . . 
0 0 0 ··· anm
Matrices
• Una matriz identidad es una matriz diagonal donde todos los

elementos sobre la diagonal principal son iguales a 1:
 
1 0 0 ··· 0
0 1 0 · · · 0
 
[I] = 0 0 1 · · · 0
 
 .. .. .. . . .. 
. . . . .
0 0 0 ··· 1
• Una matriz singular es aquella matriz cuadrada cuyo determinante

es igual a cero.
Matrices
• Una matriz triangular superior es aquella donde todos los

elementos por debajo de la diagonal principal son iguales a cero.
Ejemplo:  
a11 a12 a13 a14
 0 a22 a23 a24 
[U ] = 
 0

0 a33 a34 
0 0 0 a44
• Una matriz triangular inf erior es aquella donde todos los
elementos por arriba de la diagonal principal son iguales a cero.
Ejemplo:  
a11 0 0 0
a21 a22 0 0 
[L] = a31 a32 a33 0 

a41 a42 a43 a44
Matrices
Se dice que una matriz es diagonal dominante, si cumple que:

n
X
| aii |> | ai,j |
j=1
j̸=i
Esto quiere decir que el elemento diagonal debe ser mayor que la suma de
los elementos fuera de la diagonal para cada renglón.
Matrices
Operaciones básicas
• La suma de dos matrices se obtiene al sumar los términos

correspondientes de cada matriz:
cij = aij + bij
• La suma es conmuntativa:
[A] + [B] = [B] + [A]
• La suma también es asociativa:
([A] + [B]) + [C] = [A] + ([B] + [C])
Matrices
• La multiplicación de un escalar por una matriz se obtiene al

multiplicar cada elemento de la matriz por el escalar:
 
αa11 αa12 · · · αa1m
 αa21 αa22 · · · αa2m 
α[A] =  .
 
. .. . . .. 
 . . . . 
αan1 αan2 · · · αanm
• La multiplicación de dos matrices se representa como [C] = [A][B],
en donde los elementos de [C] están dados por:
n
X
cij = aik bkj
k=1
La multiplicación se puede realizar si y solo si el número de columnas

de la primera matriz es igual al número de filas de la segunda matriz.
Matrices
• Si las dimensiones de las matrices son las adecuadas, entonces la

multiplicación matricial es asociativa:
([A][B])[C] = [A]([B][C])
• También es distributiva:
[A]([B] + [C]) = [A][B] + [A][C]
• Sin embargo, por lo general, NO es conmutativa:
[A][B] ̸= [B][A]
Matrices
Aún cuando la multiplicaciones de matrices es posible, la división de ellas

no está definida:
• Si una matriz es cuadrada y no singular, entonces existe una
matriz inversa para la cual:
[A][A]−1 = [A]−1 [A] = [I]
De esta forma, la multiplicación de una matriz por la inversa es

análoga a la división, toda vez que un número dividido por sı́ mismo
es igual a 1.
• La traza de una matriz es la suma de los elementos en su diagonal
principal:
n
X
tr[A] = aii
i=1
Matrices
La traspuesta de una matriz implica transformar sus filas en columnas, y

viceversa. Por ejemplo, si la matriz [A] es:
 
a11 a12 a13 a14
a21 a22 a23 a24 
[A] = a31 a32 a33 a34 

a41 a42 a43 a44
Entonces la traspuesta de [A] queda definida como:

 
a11 a21 a31 a41
a12 a22 a32 a42 
[A]T = 


a13 a23 a33 a43 
a14 a24 a34 a44
Retomando el sistema de ecuaciones lineales, escrito en forma matricial:
[A] · {x} = {b}
se debe encontrar el vector {x} que satisfaga el sistema de ecuaciones.

Usando las propiedades de las matrices, si multiplicamos ambos lados de la
ecuación por [A]−1 , tenemos:
[A]−1 [A] · {x} = [A]−1 {b}
la ecuación se convierte en:
{x} = [A]−1 {b}
Solución de SEL pequeños
Existen diversas formas de resolver sistemas de ecuaciónes lineales

pequeños (n ≤ 3).
Algunos de estos métodos son:
• Métodos Gráficos
• Regla de Cramer
• Eliminación de incógnitas
Métodos Gráficos
Para dos ecuaciones se puede obtener una solución al graficarlas en

coordenadas cartesianas con un eje que corresponda a x1 y el otro a x2 .
De esta forma, el sistema:
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2
se puede reescribir como:

a11 b1
x2 = −( )x1 +
a12 a12
a21 b2
x2 = −( )x1 +
a22 a22
Las que al graficarlas y obtener su intersección, representan la solución al
sistema planteado.
Si se tienen 3 ecuaciones, cada una de ellas se representa como un plano

en un sistema de coordenadas tridimensionales. El punto en donde se
intersectan los 3 planos representa la solución.
Para más de 3 incógnitas, el método gráfico no funciona.
Existen otras condiciones que ocasionan problemas al resolver sistemas
lineales de ecuaciones:
• Si las dos ecuaciones representan rectas paralelas entre si (las rectas
nunca se intersectan). Sistema singular.
• Las dos lineas coinciden (infinitas soluciones). Sistema singular.
• Sistemas muy próximos a ser singulares. Problemas mal
condicionados.
Regla de Cramer
Regla de Cramer
Cada incógnita de un sistema de ecuaciones lineales algebraicas puede
expresarse como una fracción de dos determinantes con denominador D y
con el numerador obtenido a partir de D (determinante de la matriz A), al
reemplazar la columna del coeficiente de la incógnita en cuestion por las
constantes b1 , b2 , ..., bn .
Ejemplo:
Para un sistema de 3x3 se tiene que la primera solución está dada por:
 
b1 a12 a13
det b2 a22 a23 
b3 a32 a33
x1 =
D
Regla de Cramer
Los otros términos están dados por:

 
a11 b1 a13
det a21 b2 a23 
a31 b3 a33
x2 =
D
 
a11 a12 b1
det a21 a22 b2 
a31 a32 b3
x3 =
D
Como ejercicio propuesto: programar la regla de Cramer en MatLab
Eliminación de incógnitas
Para ilustrar este método se considera un sistema de dos ecuaciones con

dos incógnitas, de la forma:
a11 x1 + a12 x2 = b1
a21 x1 + a22 x2 = b2
La estrategia consiste en multiplicar las ecuaciones por constantes, de tal

forma que se elimine una de las incógnitas al combinar ambas ecuaciones.
El resultado será una sola ecuación, desde donde podemos rescatar el valor
de la incógnita y luego reemplazarla en las ecuaciones originales para
obtener la segunda incógnita.
Si multiplicamos la primera ecuación por a21 y la segunda ecuación por

a11 , tenemos:
a11 a21 x1 + a12 a21 x2 = b1 a21

a21 a11 x1 + a22 a11 x2 = b2 a11
Las que al restarse, nos dejan una sola ecuación:
a22 a11 x2 − a12 a21 x2 = b2 a11 − b1 a21
De aquı́ despejamos nuestra incógnita x2 :

a11 b2 − a21 b1
x2 =
a11 a22 − a12 a21
y al sustituir en alguna de las dos ecuaciones originales y despejar la
incógnita x1 nos queda:
a22 b1 − a12 b2
x1 =
a11 a22 − a12 a21
Notar que este método se relacióna directamente con la Regla de Cramer.
El método antes descrito se vuelve extenso y tedioso para más de 3
ecuaciones cuando se intenta resolver a mano, por lo que debe ser
generalizado para facilitar su programación.
Solución de Sistemas de Ecuaciones Lineales
Eliminación Gaussiana
El método de eliminación Gaussiana consta de dos etapas:

1 Eliminación hacia adelante de incógnitas: Consiste en reducir el
conjunto de ecuaciones a un sistema triangular superior.
2 Sustitución hacia atrás:
Ejercicios
Eliminación Gaussiana
Resolver manualmente el sistema:
x1 + 2x2 + 3x3 = 4
−2x2 − 4x3 = 6
x1 − x2 = 0
usando Eliminación Gaussiana.

Comparar resultados usando la Regla de Cramer.
Ejercicios
Regla de Cramer
Resolver el sistema:
5,1x1 − 4,1x2 − 6,2x3 + 3,5x4 = 7,8

3,8x1 + 7,2x2 − 0,3x3 − 5,2x4 = 9,3
0,3x1 − 0,2x2 + 5,5x3 + 3,3x4 = 6,4
3,2x1 − 2,1x2 + 1,4x3 − 3,6x4 = 3,1
Usando la Regla de Cramer. Definir una función en M atLab que permita

resolverlo.
Métodos Iterativos
Norma vectorial
Al resolver sistemas de ecuaciones lineales, se obtiene como respuesta un

vector. Se hace necesario contar con un medio que permita medir la
distancia entre vectores columna de enesima dimensión, para determinar si
una serie de estos vectores convergen a una solución del sistema.
Norma vectorial
Una norma vectorial || · || en ℜn cumple con las siguientes propiedades:
• || x ||≥ 0 para toda x ∈ ℜn
• || x ||= 0 si y solo si x = 0
• || αx ||=| α | || x || para todo α ∈ ℜ Y x ∈ ℜn
• || x + y ||≤|| x || + || y || para todo x, y ∈ ℜn
Normas l1 , l2 y l∞
Del vector x están definidas por:
n
( n )1/2
X X
|| x ||1 = | xi | || x ||2 = xi 2 || x ||∞ = max1≤i≤n | xi |
i=1 i=1
La norma l2 se llama norma euclideana del vector x, dado que representa

la noción común de distancia respecto al origen.
Ejercicio: Calcular la norma l2 y l∞ del vector u:
 
2
1
u= −3

Criterio de convergencia
Se requiere generar sucesiones convergentes en ℜ:
lı́m xn = x ⇐⇒ ∀ ε > 0 ∃ n0 ∈ ℵ
n→∞
tal que:
∀ n > n0
⇒| xn − x |< ε
Esto implica que:
x ∈ [xn − ε, xn + ε]
Criterio de convergencia
Se dice que una matriz A es convergente si:
ρ(A) < 1
En donde ρ es el radio espectral:
ρ(A) = max | λ |
donde λ es un valor caracterı́stico de A, y se obtiene de resolver el
polinomio caracterı́stico de A:
0 = p(λ) = det(A − λI)
Método de Jacobi
Si A es una matriz cuadrada, entonces podemos descomponerla de la

siguiente forma: A = L + D + U , donde:
• L: matriz triangular inferior sin diagonal,
• U : matriz triangular superior sin diagonal,
• D: matriz diagonal.
Método iterativo de Jacobi

→
− −→ →
−
X n+1 = −D−1 (L + U )Xn + D−1 b
Análogamente:
→
− →
− −→
A=D−L−U X n+1 = D−1 b + D−1 (L + U )Xn
Método de Jacobi
El método de Jacobi puede ser reescrito, más compacto,como:

→
− −→
X n+1 = Tj Xn + cj
con:
Tj = −D−1 (L + U )
y:
→
−
cj = D−1 b
El método se dice convergente si y solo si se cumple que:
ρ(Tj ) < 1
Método de Jacobi
Ejemplo:
Método de Jacobi
Método de Jacobi
Método de Jacobi
Método de Jacobi
Método de Gauss-Seidel
Método iterativo de Gauss-Seidel

→
− −→ →
−
X n+1 = −(L + D)−1 U Xn + (L + D)−1 b
El método de Gauss-Seidel puede ser reescrito como:

→
− −→
X n+1 = Tg Xn + cg
con:
Tg = −(L + D)−1 U
y:
→
−
cg = (L + D)−1 b
Una forma de asegurar la convergencia del método de GS es que la matriz
sea diagonal dominante.
Ejercicios
Métodos iterativos, Ejercicio propuesto
Resolver el sistema:
10x1 − x2 + 2x3 = 6
−x1 + 11x2 − x3 + 3x4 = 25
2x1 − x2 + 10x3 − x4 = −11
3x2 − x3 + 8x4 = 15
Usando los métodos iterativos de Jacobi y Gauss-Seidel. Considere el

vector inicial nulo. Compare los resultados usando la norma l∞ :
x(k+1) − x(k)
|| || ≤ ε
x(k+1) ∞
Ejercicios
Métodos iterativos
Resultado Jacobi
Resultado Gauss-Seidel
Análisis Numérico (ICM840-01)
1er Semestre del 2022

An Alisis Num Erico (ICM840-01) : Sistemas de Ecuaciones Lineales

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

An Alisis Num Erico (ICM840-01) : Sistemas de Ecuaciones Lineales

Cargado por

Copyright:

Formatos disponibles

Análisis Numérico (ICM840-01)

Sistemas de ecuaciones lineales

1er Semestre del 2022

Se estudiarán métodos que permitan determinar los valores x1 , x2 , ..., xn

a11 x1 + a12 x2 + ... + a1n xn = b1

donde a son los coeficientes constantes, b son los términos independientes

El sistema de ecuaciones antes descrito, puede ser representado en forma

Una matriz es un arreglo rectangular de elementos representados por un

• Una matriz es simétrica si:

para todo i,j.

• Una matriz identidad es una matriz diagonal donde todos los

• Una matriz singular es aquella matriz cuadrada cuyo determinante

• Una matriz triangular superior es aquella donde todos los

a41 a42 a43 a44

Se dice que una matriz es diagonal dominante, si cumple que:

• La suma de dos matrices se obtiene al sumar los términos

cij = aij + bij

[A] + [B] = [B] + [A]

• La suma también es asociativa:

([A] + [B]) + [C] = [A] + ([B] + [C])

• La multiplicación de un escalar por una matriz se obtiene al

La multiplicación se puede realizar si y solo si el número de columnas

• Si las dimensiones de las matrices son las adecuadas, entonces la

[A]([B] + [C]) = [A][B] + [A][C]

• Sin embargo, por lo general, NO es conmutativa:

Aún cuando la multiplicaciones de matrices es posible, la división de ellas

[A][A]−1 = [A]−1 [A] = [I]

De esta forma, la multiplicación de una matriz por la inversa es

La traspuesta de una matriz implica transformar sus filas en columnas, y

a41 a42 a43 a44

Entonces la traspuesta de [A] queda definida como:

Retomando el sistema de ecuaciones lineales, escrito en forma matricial:

[A] · {x} = {b}

se debe encontrar el vector {x} que satisfaga el sistema de ecuaciones.

[A]−1 [A] · {x} = [A]−1 {b}

la ecuación se convierte en:

{x} = [A]−1 {b}

Existen diversas formas de resolver sistemas de ecuaciónes lineales

Para dos ecuaciones se puede obtener una solución al graficarlas en

se puede reescribir como:

Si se tienen 3 ecuaciones, cada una de ellas se representa como un plano

Los otros términos están dados por:

Como ejercicio propuesto: programar la regla de Cramer en MatLab

Para ilustrar este método se considera un sistema de dos ecuaciones con

La estrategia consiste en multiplicar las ecuaciones por constantes, de tal

Si multiplicamos la primera ecuación por a21 y la segunda ecuación por

a11 a21 x1 + a12 a21 x2 = b1 a21

Las que al restarse, nos dejan una sola ecuación:

a22 a11 x2 − a12 a21 x2 = b2 a11 − b1 a21

De aquı́ despejamos nuestra incógnita x2 :

El método de eliminación Gaussiana consta de dos etapas:

2 Sustitución hacia atrás:

Resolver manualmente el sistema:

usando Eliminación Gaussiana.

5,1x1 − 4,1x2 − 6,2x3 + 3,5x4 = 7,8

Usando la Regla de Cramer. Definir una función en M atLab que permita

Al resolver sistemas de ecuaciones lineales, se obtiene como respuesta un

Del vector x están definidas por:

La norma l2 se llama norma euclideana del vector x, dado que representa

Se requiere generar sucesiones convergentes en ℜ:

Se dice que una matriz A es convergente si:

En donde ρ es el radio espectral:

0 = p(λ) = det(A − λI)