Aplicaciones Numéricas

Prof.: MSc. Angel Maldonado XI Trimestre G8011 3er Corte

Métodos Numéricos para Resolución de Sistemas de Ecuaciones
A) Métodos Directos:
Son aquellos que no involucran procesos infinitos y que en consecuencia, serían exactos, si no
existieran errores de redondeo.
-Gauss Jordan.

Método de Eliminación Gaussiana

Un sistema de ecuaciones lineales: en general, un sistema con m ecuaciones lineales y n incógnitas
puede ser escrito en forma ordinaria como Ax = b

Las operaciones fundamentales que se le pueden efectuar a las ecuaciones (filas) de un sistema lineal
de ecuaciones son las siguientes.

a) Intercambio: el orden de las filas puede cambiar.

b) Escalado: multiplicación de una fila por una constante no nula.

c) Sustitución: una fila puede ser reemplazada por la suma de esa fila más un múltiplo de cualquier
otra fila.

Además para que un sistema lineal de ecuaciones algebraicas tenga solución única debe cumplir las
siguientes dos condiciones:

1.- Ser no singular.

2.- No ser homogénea.

B) Métodos Iterativos:
Parten de una aproximación inicial y que por aplicación de un determinado algoritmo, conducen a
aproximaciones sucesivamente mejores en cada caso.
- Jacobi
- Gauss – Seidel
Los métodos numéricos para la solución de Sistemas de Ecuaciones Lineales se dividen en dos
categorías generales:
1. Métodos exactos
2. Métodos aproximados
Se usan comúnmente dos métodos; la eliminación gaussiana y el método de Gauss-Jordan. Se
recomienda utilizar la estrategia de pivoteo en cualquier implementación que se haga de estos métodos
sobre una computadora. Con la ayuda de esta estrategia, los errores de redondeo disminuyen y se
evitan los problemas como división entre cero.

Aunque en todos los demás sentidos son iguales, la eliminación Gaussiana es preferible a Gauss-
Jordan, ya que la primera es un 50% más rápida. Sin embargo, el método de Gauss-Jordan sigue
siendo útil ya que se puede modificar un poco de manera que se pueda obtener la matriz inversa como
beneficio adicional en los cálculos. Aunque los métodos de eliminación tienen una gran utilidad, el uso
de toda la matriz de coeficientes puede ser un factor muy importante cuando se trata de sistemas muy
grandes y dispersos.

Método de Eliminación Gaussiana:

El método de Gauss consiste en transformar un sistema de ecuaciones en otro equivalente de forma
que éste sea escalonado. La 1ª ecuación siempre se deja igual, (procurando que esta sea la más
sencilla) y a la 2ª y 3ª ecuación se debe anular el término que lleva la x. O podemos intercambiarlas
entre sí.

Este algoritmo consiste en dos procesos:

a) Eliminación hacia adelante: Esta fase reduce el conjunto de ecuaciones a un sistema triangular
Superior:
Paso 1: Consiste en dividir la primera ecuación por el coeficiente de la primera incógnita aii (coeficiente
pivote). A este procedimiento se le conoce como Normalización.
Paso 2: Después se multiplica la ecuación normalizada por el primer coeficiente de la segunda
ecuación.
Paso 3: Nótese que el primer término de la primera ecuación es idéntico al primer término de la
segunda. Por lo tanto, se puede eliminar, la primera incógnita de la segunda ecuación restando la
primera a la segunda.
Paso 4: Repetir el paso 2 y 3 hasta eliminar la primera incógnita de todas las ecuaciones restantes.

Estos 4 pasos se repiten tomando como pivotes las ecuaciones restantes hasta convertir el sistema
en una matriz triangular superior.

b) Sustitución hacia atrás: Ya obtenido el sistema equivalente que es un sistema triangular superior,
éste es más manejable y se puede resolver despejando primero la Xn y este valor utilizarlo para
obtener despejando la segunda incógnita hasta obtener el resultado completo del sistema.
Método de Gauss-Jordan
Este método también utiliza el teorema fundamental de equivalencia para resolver un sistema de
ecuaciones lineales. El método consiste en convertir el sistema expresado como matriz ampliada y
trabajar para transformarlo en un la matriz identidad quedando en el vector de términos independientes
el resultado del sistema.
Su procedimiento se distingue del método Gaussiano en que cuando se elimina una incógnita, se
elimina de todas las ecuaciones restantes, es decir, las que preceden a la ecuación pivote así como
de las que la siguen. Por lo tanto, la eliminación gaussiana es el método simple por excelencia en la
obtención de soluciones exactas a las ecuaciones lineales simultáneas. Una de las principales razones
para incluir el método de Gauss-Jordan, es la de proporcionar un método directo para obtener la
matriz inversa. Es importante mencionar que este método es muy adecuado para obtener la matriz
inversa de una matriz.

Aplicación del Algoritmo de Gauss Jordan

A la primera fila de la matriz aumentada (fila pivote) se divide entre el elemento pivote (escalado)
después de esto se obtendrá una nueva ecuación, por lo que se hará lo misma en el elemento pivote
de la fila 2 y posteriormente en la que le siguen, así eliminado todas las incógnitas del sistema.

Para la matriz inversa aplicamos las propiedades, donde, el producto de la matriz de coeficiente por
su inversa es igual a la matriz unidad. Y el producto de su inversa por el vector de constantes es igual
el vector solución.

Ventajas
Con este método la solución se obtiene directamente sin la necesidad de la sustitución inversa que
utiliza el método de Gauss. Con este procedimiento de normalización y eliminación se puede obtener,
además la matriz inversa de la matriz de coeficientes, A-1. Si a la matriz aumentada se le adhiere o
aumenta la matriz unidad o identidad y se le aplica el método de Gauss-Jordan.

Dada la teoría básica, nos enfocaremos en resolver los sistemas de ecuaciones por los diferentes
métodos mencionados anteriormente.

Objetivo
Resolver sistemas de Ecuaciones Lineales con el mismo número de ecuaciones que de incógnitas.
Problema
Dados los números ai j y bi para i. j=1. 2….n se trata de hallar los números x1, x2,…xn que verifican
las n ecuaciones

Definimos:
𝒏
 La matriz de coeficientes: 𝑨 = (𝒂𝒊.𝒋 )𝒊.𝒋−𝟏

 El vector del 2do miembro: 𝒃 = (𝒃𝒊 )𝒏𝒊−𝟏

 El vector de incógnitas: 𝒙 = (𝒙𝒊 )𝒏𝒊−𝟏
Usando la notación matricial, el sistema se escribe: Ax = b
En lo que sigue, suponemos que el sistema tiene una única solución.

Los métodos pueden ser:

 Métodos directos
La solución se calcula en un número finitos de pasos conocidos a priori
Sólo están sujetos a errores de redondeo
Son adecuados para resolver:
a. sistemas pequeños de ecuaciones
b. sistemas grandes con matriz llena
Veremos los métodos Gauss y Gauss con Pivote.
 Métodos iterativos
Construyen una sucesión que converge a la solución del sistema.
Además de los errores de redondeo, existe un error de truncamiento.
Los métodos de Jacobi y Gauss-Seidel son los métodos iterativos

Método Gauss: Triangularización

La idea del método de Gauss es transformar el sistema de ecuaciones lineales original en un sistema
de matriz triangular superior con las mismas soluciones.
Para ello se realizan las operaciones:
𝒇𝒊 → 𝒇𝒊 + 𝜸𝒇𝒋 , 𝒋 ≠ 𝒊
𝒇𝒊 ↔ 𝒇𝒋 (𝒔𝒊 𝒖𝒔𝒂𝒎𝒐𝒔 𝒍𝒂 𝒆𝒔𝒕𝒓𝒂𝒕𝒆𝒈𝒊𝒂 𝒅𝒆𝒍 𝒑𝒊𝒗𝒐𝒕𝒆)
En estos cálculos sólo intervienen la matriz de coeficientes y el vector del segundo miembro.
Sustitución Regresiva:
Una vez hemos triangularizado la matriz de coeficientes tenemos un sistema del tipo U x = b´ donde
U es una matriz triangular superior:

La ecuación i–ésima del sistema, para i = 1,2,…, n es:

𝒖𝒊𝒋 𝒙𝒊 + 𝒖𝒊𝒋+𝟏 𝒙𝒊+𝟏+ . . . 𝒖𝒊𝒏 𝒙𝒏 = 𝒃𝒊
Por lo tanto, para i = n. n-1, ….1, si 𝒖𝒊𝒋 ≠ 𝟎 entonces

Una vez establecida la ecuación vamos a desarrollar el Algoritmo de Sustitución Regresiva (Sustitución
hacia atrás).
 Paso 1: Si Unn = 0, parar (no existe solución única).
𝑏𝑛
 Paso 2: Hacer 𝑥𝑛 =
𝑈𝑛𝑛

 Paso 3: Para i = n-1,….1

Si Uij = 0, parar (no tiene solución).
Si Uij ≠ 0 hacer

Ejemplo:
Resuelva el siguiente sistema de Ecuaciones por el método Gauss

2x + 3y - z = 5
4x + 4y - 3z = 3
-2x + 3y - z = 1

Primero hacemos la Triangularización alrededor del 2, haciendo ceros por debajo del pivote 2 de la
1ra. Columna
Hacemos ceros por debajo del pivote -2 de la 2da. Columna

Y ya tenemos una matriz triangular superior (con ceros por debajo de la diagonal principal).

Sustitución Regresiva: despejamos las incógnitas empezando por la ecuación de abajo y

progresamos hacia arriba.
2x + 3y - z = 5
- 2y - z = -7
- 5z = -15
Empezamos por la z de la 3era. Ecuación:
z = (- 15) / (-5) = 3
y = (-7 + z) / (-2) = (-7+3) / (-2) = 2
x= (5 – 3y + z) / 2 = (5 – 3(2) + 3) / 2 = 1

Estrategia del Pivote:

En la triangulación, en la primera transformación de la matriz, obtenemos ceros por debajo de a11, en
el segundo paso hacemos ceros por debajo de a22 y así sucesivamente. Estos elementos aij son los
pivotes, hay casos donde se cambian:
 Si es pivote parcial, intercambiando filas y tomando como pivote el elemento de mayor valor
absoluto aij que está en la columna del pivote por debajo del pivote.
 Si es pivote total, intercambiamos filas y columnas.
Ejemplos que requieren pivote:
 Cuando aij = 0
 Cuando aij es muy pequeño y se pueden producir grandes errores de redondeo.
Resolver el siguiente Sistema Lineal de Ecuaciones por Gauss con Pivote:
x + y - z = 0
2x + y + z = 7
3x - 2y - z = -4
Triangularización:
En este primer paso buscamos el pivote en la 1era. Columna, tomamos como pivote el elemento de
mayor valor absoluto. Hacemos ceros por debajo del pivote.

Ahora el máximo valor, el pivote 7/3 está en la 2da. Columna por lo que no hace falta intercambiar filas

Y ya tenemos una matriz triangular superior (con ceros debajo de la diagonal principal).

Sustitución Regresiva:
Despejamos las incógnitas empezando por la ecuación de abajo y progresamos hacia arriba.

Comenzamos con la Ec. 3, es decir con la z:

Método Gauss-Jordan
El principio del método de Gauss-Jordan es el transformar el sistema de ecuaciones lineales original
en un sistema diagonal con las mismas soluciones. Para ello se realizan las mismas operaciones que
el método de Gauss
𝒇𝒊 → 𝒇𝒊 + 𝜸𝒇𝒋 , 𝒋 ≠ 𝒊
𝒇𝒊 ↔ 𝒇𝒋 (𝒔𝒊 𝒖𝒔𝒂𝒎𝒐𝒔 𝒍𝒂 𝒆𝒔𝒕𝒓𝒂𝒕𝒆𝒈𝒊𝒂 𝒅𝒆𝒍 𝒑𝒊𝒗𝒐𝒕𝒆)
En estos cálculos intervienen la matriz de coeficientes y el vector del segundo miembro.
Ejemplo:
Resuelva el siguiente sistema de Ecuaciones por el Método de Gauss-Jordan
2x + 3y - z = 5
4x + 4y - 3z = 3
-2x + 3y - z = 1
Dividimos la 1era fila por 2 que es el pivote:

Hacemos ceros por debajo del pivote en la 1era columna

Dividimos la 2da. Fila por el pivote – 2

Hacemos cero por encima y por debajo del pivote en la 2da. Columna

Dividimos la 3era. Fila por el pivote -5

Hacemos ceros por encima del pivote en la 3era columna

Y el sistema equivalente resultante es:

Es decir, la solución del sistema la dá la columna de términos independientes.

Factorización LU
Queremos descomponer la matriz de coeficientes A en una matriz triangular superior U y una matriz
triangular inferior L de forma que A = LU
Las matrices que admiten factorización LU son, por ejemplo:
 Matrices estrictamente diagonal dominantes:
- Por filas: |𝑎𝑖𝑖 | > ∑𝑛𝑖=1 |𝑎𝑖𝑗 | 𝑝𝑎𝑟𝑎 𝑖 = 1,2, … . 𝑛
𝑗≠1

- Por columnas: |𝑎𝑗𝑖 | > ∑𝑛𝑖=1 |𝑎𝑗𝑖 | 𝑝𝑎𝑟𝑎 𝑖 = 1,2, … . 𝑛

𝑗≠1

 Matrices simétricas y definidas positivas:

A = AT y xTAx > 0 para todo x ≠ 0

La factorización LU de una matriz no es única. Habitualmente se fija Iii =1 para i = 1, 2,…n

En este caso:
- U = A(n), la matriz triangular superior que se obtiene al triangularizar A, como en Gauss
- Para i= 2,….n y j= 1, 2,….i-1
Iij = mij siendo mij las 𝜸 de 𝒇𝒊 → 𝒇𝒊 + 𝜸𝒇𝒋
Consideramos el sistema de ecuaciones lineales Ax = b donde la matriz A admite la factorización
LU.
Entonces 𝐀𝐱 = 𝐛 ⇔ 𝐋𝐔𝐱 = 𝐛 para resolver el sistema hay que,

- Resolver L y = b
- Resolver U x = y

Factorización LU: Sustitución Progresiva

Algoritmo de Sustitución hacia Adelante (Progresiva)
Paso 1: Si I11= 0, parar (no existe solución única)
𝒃𝟏
Paso 2: Hacer 𝒙𝟏 =
𝑰𝟏𝟏

Paso 3: Para i= 2,…..n

Paso 4: Si Iii = 0, parar (no tiene solución)
Paso 5: Hacer

Ejemplo: Resuelva el siguiente Sistema Lineal de Ecuaciones por Factorización LU

x + y + z = 1
-x + y = 0
- 2y + 2z = - 4
Factorización LU: en el primer paso hacemos ceros por debajo del elemento a11

Los multiplicadores que aparecen en rojo, son los elementos con los que construimos la matriz L. Los
insertamos en la matriz, en lugar de los ceros creados.
Repetimos el proceso creando ceros por debajo de a´22:

Y llegamos a la Matriz que almacena simultáneamente a L y U

Y las matrices L y U son:

Tenemos que: A = LU entonces 𝐴𝒙 = 𝒃 ⇔ LU𝒙 = b

Para resolver el sistema, hay que:

1. Resolver L y = b por Sustitución Progresiva.
2. Resolver U x = y por Sustitución Regresiva.

Sustitución Progresiva:
Resolvemos el sistema triangular inferior L y = b y obtenemos a y

Sustitución Regresiva:
Resolvemos el sistema triangular superior Ux = y y obtenemos x, que era lo que buscábamos

B. Métodos Iterados.
Son generalmente más eficientes que los métodos directos para resolver sistemas de Ecuaciones
Lineales grandes y de matriz hueca, ya que se basan en multiplicar matriz por vector.

Ventajas:
 Como consecuencia, solo es necesario almacenar los coeficientes no nulos de la matriz del
sistema.
- Si no se exige mucha precisión, se puede obtener una aproximación aceptable en un número
pequeño de iteraciones.
 Son menos sensibles al redondeo.
Desventajas:
 En general, no es posible predecir el número de operaciones que se requieren para obtener
una aproximación a la solución con una precisión determinada.
  El tiempo de cálculo y la precisión del resultado puede depender de la elección de ciertos
parámetros.
 Generalmente no se gana tiempo por iteración si la matriz de coeficientes es simétrica.

Dada una aproximación inicial (𝑥 0 ), un método iterativo genera una sucesión de aproximaciones (𝑥 𝑘 ),
𝑝𝑎𝑟𝑎 𝑘 = 1,2, … . ., que converge a la solución del sistema.
Para generar esta sucesión, se repite el mismo esquema de operaciones, hasta que:
o Se obtiene una aproximación a la solución con una precisión especificada de antemano.
O
o Se rebasa un número máximo de iteraciones.
Los métodos iterativos clásicos (lineales) se basan en reescribir el problema:
𝑨𝒙 = 𝒃 ⇔ 𝒙 = 𝑮𝒙 + 𝒄
Si tomamos un x0 una aproximación inicial a la solución, k= 1, 2,…. Podemos definir el Algoritmo
como la sucesión recursiva
x (k) = G x(k-1) + c
La matriz G se llama Matriz de Iteración, y el vector c Vector de Iteración.

B.1 Método de Jacobi

Se basa en la descomposición: A = L + D + U donde

Tenemos que:

Algoritmo de Jacobi
Paso 1: Elegir una aproximación inicial x(0)
Paso 2: Para k = 1, 2 ….. Max. Iterac.
o Para i = 1, 2 ….n, calcular
 o Si se cumple el criterio de parada, tomar x (k) como aproximación a la solución.

Ejemplo: Resolver el sistema lineal de Ecuaciones por el Método de Jacobi

10x1 – x2 + 2x3 = 6
-x1 + 11x2 – x3 + 3x4 = 6
2x1 - x2 + 10x3 – x4 = 11
3x2 - x3 + 8x4 = 15
Despejamos las incógnitas:
Primero despejamos x1 en la primera ecuación, x2 en la segunda y así con el resto de las
ecuaciones

Definimos la sucesión:

Efectuamos la primera iteración:

Criterio de Parada: impondremos que la distancia entre dos puntos consecutivos sea menor que
0.1

Segunda iteración:
 Criterio de Parada: Se cumple? No

Más iteraciones: hasta que se cumpla la condición de parada

Criterio de Parada: Se cumple en la iteración 6.

B.2 Método Gauss-Seidel

Es un método de convergencia rápida y puede ser presentado en una forma matricial con la siguiente
notación
𝐴𝒙 = 𝒃 ⇒ (𝑳 + 𝑼 + 𝑫)𝒙 = 𝒃

(𝑳 + 𝑫)𝒙 = −𝑼𝒙 + 𝒃 ⇒ 𝒙 = −(𝑳 + 𝑫)−𝟏 𝑼𝒙 + (𝑳 + 𝑫)−𝟏 𝒃

Por lo tanto: 𝒙(𝒌−𝟏) = −(𝑳 + 𝑫)−𝟏 𝑼𝒙𝒌 + (𝑳 + 𝑫)−𝟏 𝒃 con k = 1, 2,…, n

Es necesario que los 𝒂𝒊𝒊 ≠ 𝟎, 𝒑𝒂𝒓𝒂 𝒊 = 𝟏, 𝟐, 𝟑, … . , 𝒏 D es una Matriz Diagonal y
U es una Matriz Diagonal Superior
Se debe observar que:
Algoritmo de Gauss- Seidel
Para resolver un sistema de Ecuaciones Lineales de la forma: A x = b, dada una aproximación inicial
( ) ( ) ( )
𝒙(𝟎) = (𝒙𝟏𝟎 . 𝒙𝟐𝟎 , … … , 𝒙𝒏𝟎 )𝒕 𝒚 𝒂𝒊𝒊 ≠ 𝟎, se deben cumplir los siguientes pasos.
Paso 1: Inicializar el proceso con k = 1
Paso 2: Para i = 1, 2,……, n calcular

Paso 3: Si x(k) es una buena aproximación vaya a 5.

Si x(k) NO es una buena aproximación vaya a 4.

Paso 4: Haga k= k+1 y vaya a 2.
Paso 5: Culmina el proceso.
El Criterio de Parada que debe seguirse en el paso 3, debe ser el siguiente:
‖𝑥 (𝑘) − 𝑥 (𝑘−1) ‖∞
𝑖) <𝜀 𝑖𝑖) ‖𝑥 (𝑘) − 𝑥 (𝑘−1) ‖∞ < 𝜀
‖𝑥 (𝑘) ‖∞
Ejemplo:
Resuelva el siguiente sistema de Ecuaciones Lineales por el Método Gauss-Seidel
10x1 - x2 + 2x3 = 6
-x1 + 11x2 - x3 + 3x4 = 6
2x1 - x2 + 10x3 - x4 = 11
3x1 - x3 + 8x4 = 15
Primero despejamos las incógnitas como en el Método de Jacobi, despejamos x1 en la primera
ecuación, x2 en la segunda ecuación, x3 en la tercera ecuación y x4 en la cuarta ecuación.
x1 = (6 + x2 - 2x3) / 10
x 2 = (6 + x1 + x3 - 3x4) / 11
x 3 = (11 - 2x1 + x2 + x4) / 10
x 4 = (15 – 3x1 + x3 – 8x4) / 8
Teniendo en cuenta las ecuaciones anteriores definimos la sucesión. Pero ahora, en cuanto
calculamos una aproximación de una de las incógnitas ya usadas.
Efectuamos la primera iteración y comenzamos también con:

Criterio de Parada: impondremos que la distancia entre dos puntos consecutivos sea menor que 0.01

Aplicamos la segunda iteración

Criterio de Parada: Se cumple? No

‖𝒙(𝟐) − 𝒙(𝟏)‖∞ = 𝟎. 𝟒𝟎𝟒 > 𝟎. 𝟎𝟏

Ejecutamos más iteraciones hasta que se cumpla la condición de Parada

Criterio de Parada: se cumple en la iteración 4.

‖𝒙(𝟒) − 𝒙(𝟑) ‖∞ = 𝟎. 𝟎𝟎𝟗 < 𝟎. 𝟎𝟏