Algebra Lineal Numerica 2023-1F

Métodos Computacionales en Ingenierı́a
Algebra Lineal Numérica
Weimar Roncancio
Escuela Colombiana de Ingenierı́a Julio Garavito
Marzo de 2023
Weimar Roncancio Métodos Computacionales en Ingenierı́a

Matrices
Definición: Una matriz A de tamaño m × n es un arreglo

rectangular de mn números dispuestos en m filas y n columnas de
la siguiente forma
 
a11 a12 · · · a1n
 a21 a22 · · · a2n 
A= .
 
.. .. .. 
 .. . . . 
am1 am2 · · · amn
Si m = n, A se le denomina matriz cuadrada.
Notación: A = (aij )m×n

Operaciones
Las operaciones se realizan entre matrices o sobre matrices
Suma: Si A = (aij )m×n y B = (bij )m×n entonces

A + B = (aij + bij )m×n
Producto por un escalar: Si A = (aij )m×n y α ∈ R entonces

αA = (αaij )m×n
Producto entre matrices: Si A = (aij )m×n y B = (bij )n×p

n
X
entonces AB = (cij )m×p donde cij = aik bkj
k=1
Producto de Hadamard Si A = (aij )m×n y B = (bij )m×n
entonces A ◦ B = (aij bij )m×n
Transpuesta: Si A = (aij )m×n entonces AT = (aij0 )n×m con

aij0 = aji
n
X
Traza: Si A = (aij )n×n entonces Tr (A) = aii
i=1
Producto interno:
Si A = (aij )m×n y B = (bij )m×n entonces
T
A • B = Tr A B
Inversa: Si A = (aij )n×n , A es no singular (invertible) si existe

una matriz B = (bij )n×n tal que BA = AB = In
Potencia: Si A = (aij )n×n entonces A0 = In y Ak = AAk−1 para

k > 0.
*Tipos de Matrices: Matriz nula, Matriz diagonal, Matriz

escalar, Matriz identidad, Matriz simétrica, Matriz antisimétrica,
Matriz idempotente, Matriz nilpotente, Matriz ortogonal, Matriz
de unos, Matriz escalonada, Matriz triangular superior, Matriz
triangular inferior.
Determinantes:
Dada una matriz cuadrada A = (aij )n×n
X n
Y
det(A) := sgn(σ) ai,σ(i)
σ∈Sn i=1
donde Sn es el grupo de permutaciones del conjunto {1, 2, ..., n}

sgn(σ) = (−1)inv (σ) y
n−1
X
inv (σ) = | j ∈ {i + 1, ..., n} : σ(i) > σ(j) |
i=1
Ejemplo: Calcular el coeficiente de x 4 en el polinomio P(x)

definido por el siguiente determinante:

2 −x 3 1

x 3 2 4x
P(x) =
5 −1 5x 3
−x 2 1 7x
Valores y vectores propios
Definición: Sea A = (aij )n×n . El número λ ∈ C se llama valor
propio de A si existe un vector x ∈ Cn tal que
Ax = λx
El vector x 6= 0 se llama vector propio de A asociado al valor
propio λ
Ejercicio: Determinar los valores y vectores propios de la matriz

 
1 −1 4
A= 3 2 −1 
2 1 −1
El radio espectral ρ(A) de una matriz A se define por
ρ(A) = máx |λ|

λ∈S
donde S es el conjunto de todos los valores propios de A.

Formas Cuadráticas
Forma Cuadrática: Es una función Q : Rn → R tal que
Q(x) = x T Ax para cualquier matriz A = (aij )n×n .
Ejemplo: Sea x T = (x1 x2 x3 )
 
1 2 3
x T Ax = x T 4 7 6 x = x12 +7x22 +5x32 +6x1 x2 +5x1 x3 +4x2 x3
2 −2 5
Definición: Si A = (aij )n×n es una matriz simétrica:

1 A es definida positiva si Q(x) > 0 para todo x 6= 0
2 A es definida negativa si Q(x) < 0 para todo x 6= 0
Ejercicio: Determine si la matriz asociada es definida positiva,

semidefinida positiva, definida negativa, semidefinida negativa o
ninguna.
1 x 2 − 2x x + 4x 2
1 1 2 2
2 −4x x + 3x 2
1 2 2
3 x 2 + 4x x + 4x 2 + 3x 2
1 1 2 2 3
Métodos de Clasificación de Formas Cuadráticas (Definida
Positiva):
Si todos los menores principales directores de una matriz
A = (aij )n×n son positivos, es decir, si
 
a11 · · · a1i
det  ... .. . 
. ..  > 0

ai1 · · · aii
para i = 1(1)n entonces A es definida positiva.
Si todos los valores propios de una matriz A son positivos

entonces A es definida positiva.
Si todos los menores principales de una matriz A son positivos

entonces A es definida positiva.

Normas Vectoriales
Sea xT = hx1 , x2 , ..., xn i entonces

X n
1 kxk = |xi |
1
i=1
n
!1/2
X
2 kxk2 = xi2
i=1
3 kxk∞ = máx |xi |
1≤ i ≤n
n
!1/p
xip
X
4 kxkp = para p ≥ 2
i=1
Si xT = hx1 , x2 , ..., xn i y yT = hy1 , y2 , ..., yn i la distancia entre x y

y se define por kx − yk

Normas de matrices
Si A = (aij )n×n entonces

Xn
1 ||A|| = máx |aij |
1
1≤ j ≤n
i=1
Xn
2 ||A||∞ = máx |aij |
1≤ i ≤n
j=1
p
3 ||A||2 = λ0 donde λ0 es el valor propio mas grande de AT A
 1/2
n X
X n
4 ||A||F =  |aij |2 
i=1 j=1
 1/p
n X
X n
5 ||A||p =  |aij |p 
i=1 j=1

Ejercicio: Dada la matriz
 
3 −1 4 3
 −5 0 −2 −1 
A=
 1 −2

6 2 
4 5 7 −3
Determinar kAk1 , kAk∞ , kAkF y kAk2

Definición: Para cada norma submultiplicativa k·k, el valor de
K (A) = A−1 kAk

se llama número de condición de la matriz no singular A.

Nota: Otra forma de determinar el número de condición:
s
λn (AT A)
λ1 (AT A)
donde λn (AT A) λ1 (AT A) son respectivamente los valores propios

mayor y menor de la matriz AT A .
Ejercicio: Pruebe que K (A) ≥ 1
Matrices bien condicionadas: Algoritmos que se aplican a estas
matrices con datos perturbados siempre producen soluciones que
son cercanas a las soluciones exactas y las aproximan
correctamente.
Matrices mal condicionadas: Cuando los diversos algoritmos se
aplican a a estas matrices con datos perturbados, pueden producir
soluciones que son lejanas a las soluciones exactas y que son
inservibles como aproximaciones.
Definición: (Cota para el error relativo de la solución)

k∆xk k∆Ak
≤ K (A)
kxk kAk
Ejemplo:  
2 4 5
A= 6 9 8 
4,1 5 3
Ejemplo: Consideremos el sistema Ax = b con
   
10 7 8 7 32
7 5 6 5 23
A=  8 6 10 9 , b = 33
  
7 5 9 10 31
 
0,1
−0,1
Ahora supongamos que ∆b =   0,1 . La solución exacta del

−0,1
 
1
1
sistema es u =  1. La solución del sistema perturbado

1
 
9,2
−12,6
Ax = b + ∆b es u + ∆u =   4,5 . Para la norma || · ||2 , se

−1,1
obtiene el siguiente error relativo: 8.2.
Rango de una matriz
Definición: Sea A = (aij )m×n . Entonces la imagen de A esta dada
por
Imagen(A) = {y ∈ Rm : Ax = y para algún x ∈ Rn }
Definición: Sea A = (aij )m×n . Entonces el rango de A, denotado

r (A), esta dado por
r (A) = dim(Imagen(A))
Teorema: Si A = (aij )m×n , entonces r (A) ≤ mı́n{m, n}
Teorema: Si A = (aij )m×n , entonces r (A) es igual al número de

filas (o columnas) de la submatriz cuadrada M de mayor tamaño
(orden) con det(M) 6= 0.
Ejercicio: Determinar el rango de las siguientes matrices:
1
 
1 2 4
A= 0 3 6 
3 11 22
2
 
1 2 4 8
A= 0 3 6 1 
1 2 5 −2
Nota: Si A = (aij )m×n y r (A) = mı́n{m, n}, se dice que A es de

rango completo.

Inversa de Moore Penrose
Dada una matriz A la inversa generalizada de Moore Penrose es la

matriz A− , que cumple las siguientes propiedades:
1 AA− A = A
2 A− AA− = A−
3 AA− es simétrica
4 A− A es simétrica
Ejemplo: Determinar la inversa de Moore-Penrose de la matriz
 
1 0 2
2 −1 5 
A= 0 1 −1

1 3 −1

r (A) = 2
 
6 1 11
B = AT A =  1 11 −9
11 −9 31
 
42 −1 −11
C = Tr (B)I3 − B =  −1 37 9 
−11 9 17
r
A− = CAT Por lo tanto la inversa de Moore Penrose es
Tr (CB)
 
0,05128205 0,07692308 0,02564103 0,128205128
0,04358974 0,01538462 0,07179487 0,258974359 
0,05897436 0,13846154 −0,02051282 −0,002564103

Sistemas Lineales (Regla de Cramer)
Problema: Determinar x ∈ Rn de tal manera que Ax = b, siendo
A ∈ Mn×n , b ∈ Rn
Si A es una matriz cuadrada de tamaño n × n con determinante
diferente de cero, el sistema Ax = b tiene solución única y las
componentes de x se pueden calcular ası́
det(Ck )
xk =
det(A)
donde Ck se obtiene de la matriz A al reemplazar la k-ésima
columna por el vector b
Ejemplo: Resolver el sistema

2x − y = 1
x +y = 2
Solución:
det(C1 ) 3 det(C2 ) 3
x= = =1 y y= = =1
det(A) 3 det(A) 3

 2y + 5z = 9
2x + y + z = 9
3x + y = 10

Solución:

9 2 5 0 9 5

9 1 1 2 9 1

10 1 0 6 3 10 0 −8
x= = =6 y= = = −8
0
2 5 1 0 2 5
1
2 1 1 2 1 1

3 1 0 3 1 0

0 2 9

2 1 9

3 1 10 5
z= = =5
0 2
5 1
2 1 1

3 1 0
Sistemas Lineales (Inversa de la matriz de coeficientes)
Si A es una matriz cuadrada de tamaño n × n no singular, el
sistema tiene solución única y se obtiene a partir de:
Ax = b ⇒ A−1 (Ax) = A−1 b ⇒ I x = A−1 b ⇒ x = A−1 b


 2y + 5z = 9
2x + y + z = 9
3x + y = 10

Solución:
   
0 2 5 −1 5 −3
Si A = 2 1 1 entonces A−1 =  3 −15 10 . Por lo
3 1 0 −1 6 −4
tanto la solución del sistema es
    
−1 5 −3 9 6
x =  3 −15 10   9  = −8
−1 6 −4 10 5
Sistemas Lineales (Eliminación de Gauss)
Consiste en usar cambios apropiados y combinaciones lineales en el

sistema Ax = b para transformarlo en un nuevo sistema Rx = c
que tenga las mismas soluciones donde
 
r11 · · · r1n
R=
 .. .. 
. . 
0 rnn
Como R es una matriz triangular superior el nuevo sistema puede

resolverse por sustitución regresiva a través de:
n
X
ci − rij xj
j=i+1
xi = con rii 6= 0, i = n(−1)1
rii

 
a11 a12 · · · a1n b1
 a21 a22 · · · a2n b2 
(A, b) := 
 
.. .. .. .. .. 
 . . . . . 
an1 an2 · · · ann bn
El primer paso en la eliminación de Gauss debe conducirnos a
0 0 0 b10
 
a11 a12 ··· a1n
 0
0 a22 ··· 0
a2n b20 
(A0 , b 0 ) := 
 
.. .. .. .. .. 
 . . . . . 
0
0 an2 · · · ann bn0
0
si existe algún ai1 6= 0 para i = 1, ..., n.

Algoritmo
1 Determinar r de tal forma que ar 1 6= 0. Por estabilidad del

método |ar 1 | = máx |ai1 |
i
2 Obtenga la matriz (Ā, b̄) intercambiando las filas 1 y r de la
matriz (A, b).
3 Defina la primera fila de A0 por medio de
0
(a1· , b10 ) := (ā1· , b̄1 )
Para i = 2(1)n
1 Calcular
āi1
li1 :=
ā11
2 Reste de la fila i, la fila 1 multiplicada por li1
(ai·0 , bi0 ) := (āi· , b̄i ) − li1 (ā1· , b̄1 )

Ejercicio:
 
3 6 −9 3
(A, b) :=  2 4 −8 0 
−2 −3 4 −1
Ejercicio:
 
0 1 0 −1
(A, b) :=  2 −1 −1 2 
−1 0 1 1

(A, b) → (Ā, b̄) → (A0 , b 0 )
puede describirse ası́:
(Ā, b̄) = P1 (A, b), (A0 , b 0 ) = F1 (Ā, b̄) = F1 P1 (A, b)
donde
 
0 0 ··· 0 1 0 ··· 0
0
 1 ··· 0 0 0 ··· 0 
 .. .. . . .. .. .. ..   
.
 . . . . . ··· .  1 0 ··· 0
0 0 ··· 1 0 0 ··· 0 −l21 1 · · · 0
P1 := 1 y F1 :=  .
   
0 ··· 0 0 0 ··· 0 .. . .
 ..

  . . · · ·
0 0 ··· 0 0 1 ··· 0 
−l 0 · · · 1
n1

. .. .. .. .. .. . . .. 
 .. . . . . . . .
 
.. ..
0 0 . 0 0 0 . 1
P1 : Matriz de permutación y F1 : Matriz triangular inferior.

Tanto P1 como F1 son matrices no singulares
Ejercicio: Determinar P1−1 y F1−1
En general
(A, b) := (A(0) , b (0) ) → (A(1) , b (1) ) → · · · (A(n−1) , b (n−1) ) =: (R, c)
con
(A(j) , b (j) ) = Fj Pj (A(j−1) , b (j−1) )
donde  
1 0 ··· 0 0 ··· 0
0
 1 ··· 0 0 ··· 0 
 .. .. . . .. .. .. 
.
 . . . . ··· . 
0
Fj =  0 ··· 1 0 ··· 0 
0
 0 ··· −lj+1,j 1 ··· 0 
 .. .. .. .. .. . . .. 
. . . . . . .
0 0 ··· −ln,j 0 ··· 1
Fj es la matriz de Frobenius y Pj es la respectiva matriz de
permutación para el intercambio de la fila r ≥ j con la fila j.
Entonces
(R, c) = Fn−1 Pn−1 Fn−2 Pn−2 · · · F1 P1 (A, b)
Ejercicio: Determinar las matrices de Frobenius y las matrices de

permutación de
 
3 6 −9 3
(A, b) :=  2 4 −8 0 
−2 −3 4 −1

Los elementos que se vuelven cero ocupan espacio que puede ser
utilizado para almacenar los elementos lij , i ≥ j + 1. Para hacerlo
suponemos que la matriz Z (j−1) := (αij )n×(n+1) donde
   (j−1) (j−1) (j−1) 
α11 · · · α1n α1,n+1 a11 ··· a1n b1
 .. .. .. .. .
. .. .. ..
 := 
  
 . . . . . . . . 
αn1 · · · αnn αn,n+1 (j−1) (j−1) (j−1)
an1 ··· ann bn
=: A(j−1) , b (j−1)

debe ser transformada en

 0 0 0

α11 · · · α1n α1,n+1
 .. .. .. .. 
 . . . . 
0
αn1 · · · 0 0
αnn αn,n+1

1 Búsqueda, por columna, del elemento pivote:
Determinamos r tal que
|αrj | = máx |αij |

i≥ j
si αrj = 0 tomamos Z (j) := Z (j−1) . La matriz A es singular.

2 Intercambio de las filas r y j:
Se permuta la fila r con la fila j y el resultado es llamado
Z (j) := (ᾱij )n×(n+1) , de tal manera que el pivote obtenido en
el paso anterior corresponde ahora a ᾱjj
3 Obtención de Z (j) :
ᾱij
lij := , i = (j + 1)(1)n
ᾱjj
αij0 := lij i = (j + 1)(1)n
0
αik := ᾱik − lij ᾱjk i = (j + 1)(1)n, k = (j + 1)(1)(n + 1)
0
αik := ᾱik en otro caso

El procedimiento descrito produce las matrices L y R
   
1 0 ··· 0 α11 α12 ··· α1n
 α21 1 ··· 0  
 0 α22
 ··· α2n 
L :=  . ..  R :=  ..
 
. . . . . .. .. .. 
 . . . .   . . . . 
αn1 · · · αn,n−1 1 0 0 ··· αnn
que se obtienen de Z (n−1) , lo que permite escribir
LR = PA
donde P es el producto de las matrices de permutación:
P = Pn−1 Pn−2 · · · P1

Factorización LR
Cualquier matriz no singular A posee la representación LR = PA,
que es llamada la factorización LR de A (o LU).
Si se conocen las matrices L, R y P se puede resolver en forma
inmediata el sistema Ax = b para cualquier b.
Si Ax = b entonces PAx = LRx = Pb de tal manera que x se
puede encontrar mediante la solución de:
Lu = Pb y Rx = u
que son sistemas triangulares.
Factorización LR para obtener el determinante de A

Como det(P) = ±1 y det(L) = 1, se obtiene que
det(PA) = ±det(A) = det(LR) = det(L)det(R) = r11 r22 · · · rnn
por lo tanto |det(A)| = |r11 r22 · · · rnn |

Costo Computacional: Diremos que una operación aritmética
significativa consiste en una multiplicación y una adición o resta, o
también
de una división
más una adición o resta. Ası́ que
(j−1) (j−1) (j) (j)
A ,b → A ,b requiere calcular
1 (n − j) coeficientes lij
(j)
2 (n − j)2 elementos aik
(j)
3 (n − i) elementos bi
En la obtención de (R, c) se requieren el siguiente número de
operaciones significativas:
[(n − 1) + (n − 2) + · · · + 1] + [(n − 1)2 + (n − 2)2 + · · · + 1]
+[(n − 1) + (n − 2) + · · · + 1]
Para la sustitución regresiva, en la ecuación i, requiere de (n − i)
multiplicaciones y una división, es decir, 1 + 2 + · · · + n
operaciones.

Operaciones significativas en el método de Gauss-Jordan:
n−1 n−1 n−1 n
X X
2
X X 1 1
k+ k + k+ k = n3 + n2 − n
3 3
k=0 k=0 k=0 k=0
Para la factorización LR el número de operaciones corresponde a:

n−1 n−1
X X 1 1
k+ k 2 = n3 − n
3 3
k=0 k=0
Como el cálculo directo del determinante requiere de n!

operaciones, se ve inmediatamente la ventaja de la factorización ya
que n! n3 .
Ejemplo: Si una matriz no singular es de tamaño 20 × 20, el
cálculo directo de su determinante en un computador capaz de
realizar mil millones de operaciones significativas por segundo,
requiere un poco más de 77 años. Mediante la factorización LR
necesitamos un tiempo menor que un segundo.
Inversa de una matriz
Este proceso puede llevarse a cabo a través de la factorización LR.
P = LRA−1
luego LRa·j = Pej para j = 1(1)n, con a·j la j-ésima columna de

A−1 y ejT = (0, · · · , 0, 1, 0, · · · 0)
Tenga en cuenta que para resolver el sistema anterior
Lu = Pej y Ra·j = u
Ejercicio: Determinar la inversa de la matriz

 
−2 −12 −3
A =  −4 −19 −5 
1 7 2

Sistemas Lineales (Método de Gauss-Jordan)
Se basa en el método de eliminación de Gauss. Permite encontrar
la solución de un sistema de la forma Ax = b, ası́ como también es
posible determinar la inversa A−1 de una matriz no singular.
El método de Gauss-Jordan se encuentra cuando se intenta
obtener la inversa de la aplicación
x → Ax = y , x ∈ Rn , y ∈ Rn
de la siguiente forma: Considere el sistema

 a11 x1 + · · · + a1n xn = y1

..
 .
an1 x1 + · · · + ann xn = yn

Se determina el elemento pivote ar 1 6= 0 y se intercambian las filas

1 y r para obtener:

 a11 x1 + · · · + a1n xn = y 1

..
 .
an1 x1 + · · · + ann xn = y n

donde las variables y 1 , · · · y n son permutaciones de y1 · · · yn siendo

y 1 = yr , ası́ como a1· = ar ·
La primera ecuación se puede transformar en

a12 a1n y
x1 + x2 + · · · + xn = 1
a11 a11 a11
entonces
1 a12 a1n
x1 = y1 − x2 − · · · − xn
a11 a11 a11
Por consiguiente
0 0 0 0 1 0 a1k
a11 y 1 + a12 x2 + · · · + a1n xn = x1 con a11 := , a1k := −
a11 a11

La segunda ecuación
a21 x1 + a22 x2 + · · · + a2n xn = y 2
puede escribirse reemplazando el valor de x1 ası́:

1 a12 a1n
a21 y − x2 − · · · − xn + a22 x2 + · · · + a2n xn = y 2
a11 1 a11 a11
y obtener

a21 a21 a12 a21 a1n
y + a22 − x2 + · · · + a2n − xn = y 2
a11 1 a11 a11
0 a21 0 a21 a1 ·
donde a21 = y a2· = a2· −
a11 a11
Repitiendo este proceso para reemplazar x1 en las n − 2 ecuaciones
restantes se obtiene el nuevo sistema:

 0 0 x · · · + a0 x = x

 a11 y 1 + a12 2 1n n 1
 a0 y + a0 x2 · · · + a0 xn = y

21 1 22 2n 2
..

 .
 0
 0 0 x =y
an1 y 1 + an2 x2 · · · + ann n n
donde
0 1 0 a1k
a11 := , a1k := − k = 2(1)n
a11 a11
0 ai1 a1k
aik := aik − i, k = 2(1)n
a11
En los siguientes pasos se repite un proceso similar para cada
ecuación partiendo de la matriz A
A := A(0) → A(1) → · · · → A(n)
hasta obtener un sistema de ecuaciones de la forma A(n) ỹ = x

obtenido en cada paso j ası́: Se supone que A(j−1) := (aik )n×n
0 )
vamos a obtener A(j) := (aik n×n
1 Búsqueda, por columna, del elemento pivote:
Determinamos r tal que
|arj | = máx |aij |

i≥ j
si arj = 0 la matriz A es singular.

2 Intercambio de las filas :
Se permuta la fila r con la fila j y el resultado es llamado
A := (aik )n×n .
0 )
Calcular A(j) := (aik
3
n×n ası́:
1
1 ajj0 :=
ajj
0 ajk 0 aij 0 aij ajk
2 ajk := − , a := , a := aik − para i, k 6= j
ajj ij ajj ik ajj

Notese que para la matriz final A(n) se cumple que:
A(n) ỹ = x, siendo ỹ = (ỹ1 , ..., ỹn )T
donde(ỹ1 , ..., ỹn ) es una permutación de las variables originales

(y1 , ..., yn ), es decir, ỹ = Py , siendo P una matriz de permutación.
Entonces
A(n) Py = x
por tanto como Ax = y , tenemos:
A−1 = A(n) P
Ejercicio: Determinar la inversa de la matriz

 
−2 −12 −3
A =  −4 −19 −5 
1 7 2

Método de Cholesky
Teorema: Si A es una matriz definida positiva entonces:

1 Existe A−1 y es también definida positiva.
2 Todas las submatrices principales de A son definidas positivas.
3 Todos los menores principales de A son positivos.
Teorema: (Cholesky) Para cada matriz A = (aij )n×n definida

positiva existe una única matriz triangular inferior L = (lij )n×n ,
lij = 0 para j > i, con lii > 0, i = 0(1)n, de tal manera que:
A = LLT

Para A = (aij )n×n el teorema de factorización de Cholesky nos
indica que
Xn
aij = lik ljk
k=1
Como ljk = 0 para j < k, entonces
j
X j−1
X
aij = lik ljk = lik ljk + lij ljj
k=1 k=1
Se deduce entonces que:
1 Si i = j entonces
j−1
X
aij = ajj = ljk2 + ljj2
k=1
por lo tanto v
u
u j−1
X
ljj = tajj − ljk2
k=1

2. Si i > j entonces
j−1
!
1 X
lij = aij − lik ljk
ljj
k=1
Ejercicio:
Realizar la Factorización de Cholesky de la matriz
 
6 15 55
A = 15 55 225
55 225 979

Sistemas tridiagonales
Estos sistemas tiene la caracterı́stica que la i−ésima ecuación
contiene sólo las incognitas xi−1 , xi , xi+1 .
Tienen la forma general Ax = b, donde A es una matriz
tridiagonal, es decir,
 
a1 d1 0 ··· 0
c1 a2
 d2 ··· 0 
 .. . . . . . . .. 
.
 . . . . 

 0 0 cn−2 an−1 dn−1 
0 0 0 cn−1 an
Ahora si A = LR se encuentra que:
 
α1 r1 · · · 0

1 0 ··· 0
l1 1 ··· 0  0 α2 . . .
 
0 

A = . .

.. ..  
.   ... .. . .

.. . . .  
. . rn−1 
0 ··· ln−1 1 0 0 0 αn
Para determinar li , ri y αi se realiza una comparación de la
siguiente forma:
a1 = α1 , d1 = r1
c1 = l1 α1 , a2 = l1 r1 + α2 , d2 = r2
ası́ sucesivamente
cn−2 = ln−2 αn−2 , an−1 = ln−2 rn−2 + αn−1 , dn−1 = rn−1

cn−1 = ln−1 αn−1 , an = ln−1 rn−1 + αn
Ejercicio: Sea
   
2 3 0 1
A = −4 −5 4 y b = −11
0 5 2 9
1 Determinar las matrices L y R.

2 Determinar x de tal forma que Ax = b

Métodos iterativos

Problema: Construir una sucesión de vectores x (k) talque
k∈N
lı́mk→∞ x (k) = x donde x es la solución del sistema.
Los métodos iterativos para resolver un sistema Ax = b

proporcionan una solución aproximada despúes de un número
determinado de iteraciones de acuerdo con la precisión deseada.
Se toma una matriz B no singular de tal manera que

A = B + (A − B) por tanto el sistema Ax = b se puede escribir ası́:
(B + (A − B)) x = b
luego
x = I − B −1 A x + B −1 b

Por lo tanto
x (k+1) := I − B −1 A x (k) + B −1 b con k = 0(1)...


En forma equivalente
Bx (k+1) := (B − A)x (k) + b con k = 0(1)...
con x (0) dado.
La matriz G := I − B −1 A se llama matriz de iteración.
Ejemplo: Resolver el sistema Ax = b donde

1 −1 1
A= y b=
2 1 5
con x (0) = (0, 0)T
Definición: Decimos que la norma matricial k·k es compatible con

la norma vectorial k·k, si se satisface:
kAxk ≤ kAk kxk

Teorema (convergencia del MIG): Sea B = (bij )n×n una matriz
−1
G := I − B A la matriz de iteración. La
no singular y sea
(k)
sucesión x k∈N
que describe este método iterativo, definida de
manera recurrente por medio de
Bx (k+1) := (B − A)x (k) + b, k = 0(1)...
donde x (0) ∈ Rn es un vector inicial dado, satisface:

1 La sucesión x (k)

k∈N
converge para todo valor inicial
(0) n
x ∈ R , si y solo si ρ(G ) < 1.
2 Si ||G || < 1 para alguna norma matricial
submultiplicativa y
compatible, entonces la sucesión x (k) k converge a la
solución del sistema Ax = b, para cada valor inicial x (0) ∈ Rn
y se satisface:

(k)
kG kk (1)

(0)
x − x ≤ x − x , k = 0(1)...

1 − kG k


y

(k)
kG k (k)

x − x ≤ x − x (k−1) , k = 1(1)...

1 − kG k
Para el estudio de los métodos iterativos más conocidos conviene
realizar las siguientes precisiones:
Sea A = (aij )n×n , entonces A puede escribirse en la forma
A = AL + AD + AR
donde AD := diag (a11 , ..., ann ),

   
0 0 ··· 0 0 a12 · · · a1n
a21 0 · · · 0   .. . . .. .. 
AL :=  .
 
AR :=  .
 . . . 
. . . . . .
.  
 . . . . 0 · · · 0 an,n−1 
an1 · · · an,n−1 0 0 0 0 0
donde aii 6= 0 para i = 1(1)n, es decir, AD es no singular.

Método de Jacobi
Es el método iterativo que se obtiene cuando B = AD . Entonces
G = I −B −1 A = I −A−1 −1
D (AD + AL + AR ) = −AD (AL + AR ) =: J
Por lo tanto el método iterativo de Jacobi en forma matricial es el

siguiente:
AD x (k+1) = (AD − A) x (k) + b = − (AL + AR ) x (k) + b
x (k+1) = −A−1
D (AL + AR ) x
(k)
+ A−1
D b
Lo anterior también puede ser escrito como
 
n
(k+1) 1  bi −
X (k) 
xi := aij xj   , i = 1(1)n k = 0(1)...
aii 
j=1
j6=i
lo cual también representa la solución x (k+1) pero expresada

componente a componente.
Ejercicio: Resolver el sistema Ax = b donde
   
5 −1 1 10
A= 2 8 −1 y b = 11
−1 1 4 3
con x (0) = (0, 0, 0)T
Tomando ||x (k) − x (k−1) ||2 se obtiene una aproximación a la

solución con una precisión de 10−5 en 13 iteraciones.

Método de Gauss-Seidel
Este método iterativo se obtiene cuando B := AD + AL . Entonces
G = I − B −1 A = I − (AD + AL )−1 (AD + AL + AR )
= − (AD + AL )−1 AR := S
Por lo tanto el método iterativo de Gauss-Seidel en forma matricial

es el siguiente:
(AD + AL ) x (k+1) = −AR x (k) + b
x (k+1) = − (AD + AL )−1 AR x (k) + (AD + AL )−1 b

Lo anterior también puede ser escrito como:
 
i−1 n
(k+1) 1  X (k+1)
X (k)
xi := bi − aij xj − aij xj  , i = 1(1)n, k = 0(1)...
aii
j=1 j=i+1

Ejercicio: Resolver el sistema Ax = b donde
   
5 −1 1 10
A= 2 8 −1 y b = 11
−1 1 4 3
con x (0) = (0, 0, 0)T
Tomando ||x (k) − x (k−1) ||2 se obtiene una aproximación a la

solución con una precisión de 10−5 en 8 iteraciones.

Método de Relajación
Se considera la matriz de iteración como una matriz dependiente

de un parámetro de relajación ω.
1 Aproximación de Jacobi:
z (k+1) := −A−1
D (AL + AR ) x
(k)
+ A−1
D b
(k+1)
2 Mejoramiento de zi mediante relajación:
x (k+1) := (1 − ω)x (k) + ωz (k+1)

 
n
(k+1) (k) ω  X (k) 
xi := (1 − ω)xi + bi − aij xj 
aii  
j=1
 j6=i
n
(k) ω  X (k)
:= xi + bi − aij xj 
aii
j=1

A ω se le conoce como parámetro de relajación. Si ω > 1 se tiene

para el avance un paso más amplio o más corto si ω < 1.

Método de Relajación (Ejemplo)
Resolver el sistema Ax = b con

   
5 −3 0 2 −12
2 6 −3 0 
 y b = −18
 
A= −1 2 4 −1  9 
−2 −3 2 7 13
T
Tomando como vector inicial x (0) = (0, 0, 0, 0).
El método de Jacobi requiere de 76 iteraciones para aproximar la

solución exacta con una precisión de 10−5 con la norma || · ||2 .
Ahora usando método de relajación se obtienen los siguientes
resultados:
ω 0.2 0.3 0.4 0.5 0.56 0.6 0.7 0.8 0.9 1.0
iteraciones 52 36 28 25 24 25 27 33 45 76

Método de sobrerrelajación (SOR)
Se considera la matriz de iteración como una matriz dependiente
de un parámetro de relajación ω.
1 Iteración de Gauss-Seidel:
z (k+1) = − (AD + AL )−1 AR x (k) + (AD + AL )−1 b

(k+1)
2 Mejoramiento de zi mediante relajación:
x (k+1) := (1 − ω)x (k) + ωz (k+1)

 
i−1 n
(k+1) (k) ω  X (k+1)
X (k)
xi := xi + bi − aij xj − aij xj  , i = 1(1)n
aii
j=1 j=i

Método de sobrerrelajación (SOR) (Ejemplo)
Resolver el sistema Ax = b con

   
3 −1 −1 0 0 2
−1 4 0 −2 0  −26
   
A = −1 0
 3 −1 0  y b = 

 3 

 0 −2 −1 5 −1  47 
0 0 0 −1 2 −10
T
Tomando como vector inicial x (0) = (0, 0, 0, 0).
El método de Gauss-Seidel requiere de 22 iteraciones para

aproximar la solución exacta con una precisión de 10−5 con la
norma || · ||2 . Ahora usando método de sobrerrelajación se obtienen
los siguientes resultados:
ω 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0
iteraciones 175 84 51 34 22 11 18 31 67 142

Algunos resultados importantes
Definición: Una matriz A = (aij )n×n es de diagonal estrictamente

dominante sobre sus filas, si satisface
n
X
|aii | > |aij | i = 1(1)n
j=1
j6=i
Es común llamar a la matriz A simplemente de diagonal dominante.

A es de diagonal estrictamente dominante sobre sus columnas, si
satisface
n
X
|ajj | > |aij | i = 1(1)n
i=1
i6=j
En ambos casos, cuando la desigualdad no es estricta, se dice que

A es debilmente dominante.

Ejemplo: Determinar si la matriz
 
3 −1 −1 0 0
−1 4 0 −2 0 
 
A= −1 0 3 −1 0 

 0 −2 −1 5 −1
0 0 0 −1 2
es de diagonal estrictamente dominante.
Teorema: Si A es estrictamente dominante sobre sus filas o sobre

sus columnas y no singular, entonces el método de Jacobi converge
a su única solución para cualquier vector inicial.
Teorema: Si A es estrictamente dominante sobre sus filas o sobre

sus columnas, entonces el método de Gauss Seidel converge a su
solución.

Teorema: El método iterativo de Gauss-Seidel es convergente
para todo sistema de ecuaciones donde su matriz de coeficientes es
simétrica y definida positiva.
Teorema: Si A es una matriz simétrica y definida positiva, el

método iterativo de Jacobi es convergente si y solo si 2AD − A es
definida positiva.
Teorema: El método de sobrerrelajación SOR, el radio espectral

satisface
ρ(S(ω)) ≥ |ω − 1|
donde
S(ω) := (AD + ωAL )−1 [(1 − ω)AD − ωAR ]
es la matriz de iteración.

Teorema (Ostrowski-Reich) Si A = (aij )n×n es una matriz
simétrica y definida positiva, entonces el método de sobrerelajación
SOR converge para todo ω ∈ (0, 2). En particular, el método de
Gauss-Seidel (ω = 1) es convergente.
Teorema Si A es simétrica, definida positiva y tridiagonal, el valor

óptimo de ω para la convergencia del método SOR es
2
ω= p
1 + 1 − (ρ(J))2
Nota: Para una matriz arbitraria A, la convergencia de uno de

estos métodos no implica la convergencia del otro.
Nota: Aunque A sea simétrica y definida positiva, el método de

Jacobi puede ser divergente.

Valores y Vectores Propios
Teorema: La multiplicidad geométrica (dimensión del espacio) de
un valor propio es menor o igual que su multiplicidad algebraica.
Teorema: La suma de los valores propios de A es igual a su traza.
Teorema: El producto de los valores propios de A es igual a su
determinante.
Teorema: Los valores propios de las potencias de A son las
potencias de los de A; los vectores propios son los mismos.
Teorema: Si A es una matriz normal
Xn Xn
2
|λj | = |ajj |2 + (N(A))2
j=1 j=1
 1/2
n
X
|ajk |2 

donde N(A) = 
 
j,k=1
j6=k
Método de las potencias inversas
Autovalores trasladados: Suponga que (λ, x) es una pareja

valor-vector propio de una matriz A. Si α es una constante
cualquiera, entonces (λ − α, v ) es una pareja valor-vector propio de
la matriz A − αI .
Valores propios inversos: Suponga que (λ, x) es una pareja

valor-vector propio de una matriz invertible A. Entonces (1/λ, v )
es una pareja valor-vector propio de la matriz A−1 .
Ejemplo: Dada la matriz

 
0 11 −5
A = −2 17 −7 
−4 26 −10
Determinar los valores propios de A, A − 3I y (A − 3I )−1 .

Teorema (Método de las potencias inversas): Suponga que
una matriz A = (aij )n×n posee n valores propios distintos λ1 ,
λ2 ,...,λn y se fija uno de los valores propios λj . Entonces existe una
1
constante α tal que µ1 = es el valor propio dominante de
λj − α
la matriz (A −αI )−1 . Si x (0) se escoge adecuadamente, entonces
i
(k) T
h
(k) (k) (k)
las sucesiones x = x1 , x2 , ..., xn y {ck } generadas
recursivamente de la siguiente forma:
y (k) = (A − αI )−1 x (k)
y
1
x (k+1) = y (k)
ck+1
con
p1 si |p1 | ≥ |p2 |
ck+1 =
p2 si |p1 | < |p2 |

donde n o n o
(k) (k)
p1 = máx yi y p2 = mı́n yi
1≤i≤n 1≤i≤n
convergen a la pareja (µ1 , vj ) valor-vector propio dominante de la

matriz (A − αI )−1 . El valor propio de A que se ha fijado viene
dado por
1
λj = +α
µ1
Ejemplo: Determinar los valores propios de la matriz

 
0 11 −5
A = −2 17 −7 
−4 26 −10
usando el método de las potencias inversas y α = 4,2, α = 2,1 con

el vector inicial x (0) = (1, 1, 1)T , α = 0,875 con x (0) = (0, 1, 1)T

Algoritmo de Leverrier
Es un método que permite determinar el polinomio caracterı́stico
de cualquier matriz A = (aij )n×n .
n
X
k
sk = Traza(A ) = λki para k = 1(1)n
i=1
donde λ1 , λ2 ,...,λn son todos los valores propios de A.
p(λ) = det (λI − A) = λn + p1 λn−1 + · · · + pn−1 λ + pn

el polinomio caracterı́stico de la matriz A con
1
pk = − (sk + p1 sk−1 + · · · + pk−1 s1 ) con k = 1(1)n
k
Nota:
1
A−1 = − An−1 + p1 An−2 + · · · + pn−2 A + pn−1 I

pn
Ejemplo: Determinar el polinomio caracterı́stico asociado a la
matriz A y la inversa de A donde
 
1 2 1 −1
1 0 2 1
A= 
2 1 −1 3 
4 −5 0 4
Rta:
p(λ) = λ4 − 4λ3 + 2λ2 + 28λ − 87
 
43 −22 −1 17
1  8 4 16 −11
A−1 = 
87 −5
 41 −10 −4 
−33 27 21 −9

Método de Souriau (o Fadeev y Frame)
Es una modificación del método de Leverrier
p(λ) = det (λI − A) = λn + q1 λn−1 + · · · + qn−1 λ + qn

donde
1
qn = − Traza(An )
n
An = ABn−1
Bn = An + qn I
para n ≥ 1 y B0 = I .
Nota:
1
A−1 = − Bn−1
qn

Ejemplo: Determinar el polinomio caracterı́stico asociado a la
matriz A y la inversa de A donde
 
1 2 1 −1
1 0 2 1
A= 
2 1 −1 3 
4 −5 0 4
Rta:
p(λ) = λ4 − 4λ3 + 2λ2 + 28λ − 87
 
43 −22 −1 17
1  8 4 16 −11
A−1 = 
87 −5
 41 −10 −4 
−33 27 21 −9

Método de Jacobi
Método usado para el cálculo de valores y vectores y propios de
una matriz simétrica o hermı́tica. Se usan transformaciones por
semejanza basada en rotaciones para hacer cero pares de elementos
simétricamente dispuestos respecto a la diagonal principal.
Cada paso del método de Jacobi consiste en realizar la

transformación
An = JnT An−1 Jn
donde Jn es la matriz de rotación del n-ésimo paso y An−1 es el
resultado de las n − 1 rotaciones precedentes.
Caso 3 × 3:
 
cos θ − sen θ 0
J = sen θ cos θ 0
0 0 1

El resultado de la rotación serı́a C = J T AJ = (cij )3×3 con
   
cos θ sen θ 0 a11 a12 a13 cos θ − sen θ 0
J T AJ = − sen θ cos θ 0 a12 a22 a23  sen θ cos θ 0
0 0 1 a13 a23 a33 0 0 1
c11 = a11 cos2 θ + a22 sen2 θ + 2a

12 sen θ cos θ
2 2
c12 = c21 = a12 cos θ − sen θ + (a22 − a11 ) sen θ cos θ
c13 = c31 = a13 cos θ + a23 sen θ
c22 = a22 cos2 θ + a11 sen2 θ − 2a12 sen θ cos θ
c23 = c32 = a23 cos θ − a13 sen θ
c33 = a33
Para anular el elemento c12 se debe elegir un ángulo de rotación θ

de tal forma que
a12 cos2 θ − sen2 θ + (a22 − a11 ) sen θ cos θ = 0


Por lo tanto
sen θ cos θ a12
=
(cos2 θ − sen2 θ) a11 − a22
entonces
a11 − a22 cos2 θ − sen2 θ 1 − tan2 θ
α= = cot (2θ) = =
2a12 2 sen θ cos θ 2 tan θ
Se obtiene la ecuación de segundo grado
tan2 θ + 2α tan θ − 1 = 0
con soluciones p
tan θ = −α ± α2 + 1
El método converge más rápido si se toma la rotación de menos de
45o que corresponde a la raı́z más pequeña, es decir,
p
tan θ = −α + sig(α) α2 + 1

Ejercicio: Sea A dada por
 
2 −1 0
A = −1 2 −1
0 −1 2
Solución:
 
1 0 −0,7071
A1 =  0 3 −0,7071
−0,7071 −0,7071 2
 
0,6340 −0,3251 0
A2 = −0,3251 3 −0,6280
0 −0,6280 2,3660

 
0,6340 −0,2768 −0,1704
A3 = −0,2768 3,3864 0 
−0,1704 0 1,9796
 
0,6064 0 −0,1695
A4 =  0 3,4140 0,0169 
−0,1695 0,0169 1,9796
 
0,5858 0,0020 0
A5 = 0,0020 3,4140 0,0168
0 0,0168 2,0002
 
0,5858 0,0020 0
A6 = 0,0020 3,4142 0
0 0 2
√ √
Los valores propios exactos de A son λ1 = 2 + 2, λ2 = 2 − 2 y
λ3 = 2.

En general
 
1 ··· 0 ··· 0 ··· 0
 .. .. .. .. .. .. .. 
.
 . . . . . .
0
 ··· Jpp · · · Jpq · · · 0 
J =  ... .. .. .. .. .. .. 

 . . . . . . 
0 ··· Jqp · · · Jqq · · · 0
 .. .. .. .. .. 
 
.. ..
. . . . . . .
0 ··· 0 ··· 0 ··· 1
con Jpp = cos θ, Jpq = − sen θ, Jqp = sen θ y Jqq = cos θ
donde
cpp = app cos2 θ + aqq sen2 θ + 2apq sen θ cos θ
cqq = aqq cos2 θ + app sen2 θ − 2apq sen θ cos θ
cpq = cqp = apq cos2 θ − sen2 θ + (aqq − app ) sen θ cos θ


cip = cpi = aip cos θ + aiq sen θ para i 6= p, q
ciq = cqi = aiq cos θ − aip sen θ para i 6= p, q
cil = ail para i, l 6= p, q
Teorema: Para
2apq
tan(2θ) = para app 6= aqq
app − aqq
π
θ= para app = aqq
4
la transformación convierte los elementos
cpq = cqp = 0
y reduce los elementos fuera de la diagonal principal de acuerdo a
N(C ) = (N(A))2 − 2apq

2

Tenga en cuenta que los elementos de la matriz de transformación
pueden ser obtenidos a partir de
1
cos(2θ) = p
2
tan (2θ) + 1
r
1
cos(θ) = (1 + cos(2θ))
2
r
1
sen(θ) = (1 − cos(2θ))
2
En cada paso el método de Jacobi clásico requiere la
determinación del elemento en valor absoluto más grande fuera de
la diagonal principal para ser anulado.
En el método de Jacobi cı́clico los elementos fuera de la diagonal

principal son anulados en el orden
(1, 2), ..., (1, n), (2, 3), ..., (2, n), (3, 4), ..., (n − 1, n)

Si el método converge en m iteraciones, los vectores propios seran
la columnas de V obtenida como producto de las m
transformaciones realizadas:
V = J1 J2 · · · Jm
Ejercicio: Sea A dada por

 
2 −1 0
A = −1 2 −1
0 −1 2
Determinar una aproximación a los vectores propios matriz en la

sexta iteración.

Método de Newton
Problema: Resolver el sistema de ecuaciones no lineales
f1 (x1 , x2 , ..., xn ) = 0
f2 (x1 , x2 , ..., xn ) = 0
..
.
fn (x1 , x2 , ..., xn ) = 0
El sistema de ecuaciones se puede  denotar

 por F(x) = 0 donde
f1 (x)
f2 (x)
x = (x1 , x2 , ..., xn ) y F(x) =  . 
 
 . .
fn (x)
Usando la representación en serie de Taylor se obtiene que
1 T
F(x(k+1) ) = F(x(k) )+∇F(x(k) )∆x(k) + ∆x(k) ∇2 F(x(k) )∆x(k) +· · ·
2
donde ∆x(k) = x(k+1) − x(k) . Por lo tanto x(k+1) = x(k) + ∆x(k)
Como F(x(k+1) ) = 0, realizando una aproximación a través de la
serie de Taylor se obtiene que:
−1
F(x(k) ) + ∇F(x(k) )∆x(k) = 0 ⇒ ∆x(k) = − ∇F(x(k) ) F(x(k) )
donde
 
∂f1 (xk ) ∂f1 (xk ) ∂f1 (xk )
· · ·
 ∂f∂x(x1k ) ∂f∂x(x2k ) ∂xn 
∂f2 (xk ) 
 2 2
· · ·
∇F(x(k) ) = J(x) =  ∂x. 1 ∂x2 ∂xn 

 .. .. .. 
 . .  
k
∂fn (x ) k
∂fn (x ) ∂fn (xk )
∂x1 ∂x2 ··· ∂xn
es la matriz conocida como Jacobiana y fj (xk ) = fj (x1k , x2k , · · · , xnk )
Con lo anterior se genera el método iterativo conocido como el

método de Newton ası́:
−1
(k+1) (k) (k)
x = x − ∇F(x ) F(x(k) )
para k ≥ 0 y x(0) dado.


Algebra Lineal Numerica 2023-1F

Cargado por

Información del documento

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

Algebra Lineal Numerica 2023-1F

Cargado por

Copyright:

Formatos disponibles

Métodos Computacionales en Ingenierı́a

Algebra Lineal Numérica

Escuela Colombiana de Ingenierı́a Julio Garavito

Weimar Roncancio Métodos Computacionales en Ingenierı́a

Definición: Una matriz A de tamaño m × n es un arreglo

Si m = n, A se le denomina matriz cuadrada.

Notación: A = (aij )m×n

Weimar Roncancio Métodos Computacionales en Ingenierı́a

Suma: Si A = (aij )m×n y B = (bij )m×n entonces

Producto por un escalar: Si A = (aij )m×n y α ∈ R entonces

Producto entre matrices: Si A = (aij )m×n y B = (bij )n×p

Transpuesta: Si A = (aij )m×n entonces AT = (aij0 )n×m con

Inversa: Si A = (aij )n×n , A es no singular (invertible) si existe

Potencia: Si A = (aij )n×n entonces A0 = In y Ak = AAk−1 para

*Tipos de Matrices: Matriz nula, Matriz diagonal, Matriz

donde Sn es el grupo de permutaciones del conjunto {1, 2, ..., n}

Ejemplo: Calcular el coeficiente de x 4 en el polinomio P(x)

Ejercicio: Determinar los valores y vectores propios de la matriz

El radio espectral ρ(A) de una matriz A se define por

ρ(A) = máx |λ|

donde S es el conjunto de todos los valores propios de A.

Definición: Si A = (aij )n×n es una matriz simétrica:

2 A es definida negativa si Q(x) < 0 para todo x 6= 0

Ejercicio: Determine si la matriz asociada es definida positiva,

para i = 1(1)n entonces A es definida positiva.

Si todos los valores propios de una matriz A son positivos

Si todos los menores principales de una matriz A son positivos

Weimar Roncancio Métodos Computacionales en Ingenierı́a

Sea xT = hx1 , x2 , ..., xn i entonces

Si xT = hx1 , x2 , ..., xn i y yT = hy1 , y2 , ..., yn i la distancia entre x y

Weimar Roncancio Métodos Computacionales en Ingenierı́a

Si A = (aij )n×n entonces

Weimar Roncancio Métodos Computacionales en Ingenierı́a

Determinar kAk1 , kAk∞ , kAkF y kAk2

K (A) = A−1 kAk

se llama número de condición de la matriz no singular A.

donde λn (AT A) λ1 (AT A) son respectivamente los valores propios

Definición: (Cota para el error relativo de la solución)

Imagen(A) = {y ∈ Rm : Ax = y para algún x ∈ Rn }

Definición: Sea A = (aij )m×n . Entonces el rango de A, denotado

Teorema: Si A = (aij )m×n , entonces r (A) ≤ mı́n{m, n}

Teorema: Si A = (aij )m×n , entonces r (A) es igual al número de

Nota: Si A = (aij )m×n y r (A) = mı́n{m, n}, se dice que A es de

Weimar Roncancio Métodos Computacionales en Ingenierı́a

Dada una matriz A la inversa generalizada de Moore Penrose es la

Weimar Roncancio Métodos Computacionales en Ingenierı́a

Weimar Roncancio Métodos Computacionales en Ingenierı́a

Ejemplo: Resolver el sistema

Ax = b ⇒ A−1 (Ax) = A−1 b ⇒ I x = A−1 b ⇒ x = A−1 b

Consiste en usar cambios apropiados y combinaciones lineales en el

Como R es una matriz triangular superior el nuevo sistema puede

Weimar Roncancio Métodos Computacionales en Ingenierı́a

El primer paso en la eliminación de Gauss debe conducirnos a

si existe algún ai1 6= 0 para i = 1, ..., n.

Weimar Roncancio Métodos Computacionales en Ingenierı́a

1 Determinar r de tal forma que ar 1 6= 0. Por estabilidad del

(ai·0 , bi0 ) := (āi· , b̄i ) − li1 (ā1· , b̄1 )

Weimar Roncancio Métodos Computacionales en Ingenierı́a

Weimar Roncancio Métodos Computacionales en Ingenierı́a

(Ā, b̄) = P1 (A, b), (A0 , b 0 ) = F1 (Ā, b̄) = F1 P1 (A, b)

P1 : Matriz de permutación y F1 : Matriz triangular inferior.

Ejercicio: Determinar P1−1 y F1−1

(A, b) := (A(0) , b (0) ) → (A(1) , b (1) ) → · · · (A(n−1) , b (n−1) ) =: (R, c)

(R, c) = Fn−1 Pn−1 Fn−2 Pn−2 · · · F1 P1 (A, b)