INSTITUTO POLITÉCNICO NACIONAL

ESCUELA SUPERIOR DE
INGENIERÍA MECÁNICA Y
ELÉCTRICA
UNIDAD CULHUACÁN

Análisis Numérico

Profesor:
Juan Angel Rodriguez Gómez

Guía
 Unidad III
3.1. Sistemas de ecuaciones lineales.
Solución de sistemas de ecuaciones lineales.
Casos que se pueden presentar:

Con los métodos que se verán, se trata de obtener la solución única de un sistema de
ecuaciones lineales (sistema compatible determinado) y en caso contrario indicar que el
sistema o tiene soluciones múltiples o no tiene solución.
Utilización de métodos numéricos para sistemas de ecuaciones lineales.
Los métodos numéricos para la solución de este tipo de sistemas solamente nos sirven
cuando el sistema tiene una solución única (Compatible determinado).
Si dicho determinante es igual a cero el sistema no tiene una solución única y no es
aplicable la utilización de método numéricos Es recomendable antes de aplicar cualquier
método en verificar el valor del determinante de la matriz A.
AX B
Det (A)≠ 0
Si dicho determinante es igual a cero el sistema no tiene una solución única y no es
aplicable la utilización de método numéricos
3.1.1. Método de Gauss.
El primer método que se presenta usualmente en álgebra, para la solución de ecuaciones
algébricas lineales simultáneas, es aquel en el que se eliminan las incógnitas mediante la
combinación de las ecuaciones. Este método se conoce como Método de Eliminación. Se
denomina eliminación Gaussiana si en el proceso de eliminación se utiliza el esquema
particular atribuido a Gauss.
Utilizando el método de Gauss, un conjunto de n ecuaciones con n incógnitas se reduce a
un sistema triangular equivalente (un sistema equivalente es un sistema que tiene iguales
valores de la solución), que a su vez se resuelve fácilmente por "sustitución inversa”.
El esquema de Gauss empieza reduciendo un conjunto de ecuaciones simultáneas, tal
como se muestra en (2), a un sistema triangular equivalente como:
 (6)

en el cual los superíndices indican los nuevos coeficientes que se forman en el proceso
de reducción. La reducción real se logra de la siguiente manera:
1. La primera ecuación (2) se divide entre el coeficiente de X1 en esa ecuación para
obtener:

(7)

La ec. (7) se multiplica entonces por el coeficiente de X1 de la segunda ecuación (2) y la

ecuación que resulta se resta de la misma, eliminando así X1. La ec. (7) se multiplica
entonces por el coeficiente de X1 de la tercera ecuación (2), y la ecuación resultante se
resta de la misma para eliminar X1 de esa ecuación. En forma similar, X1 se elimina de
todas las ecuaciones del conjunto excepto la primera, de manera que el conjunto adopta
la forma:

(8)

La ecuación utilizada para eliminar las incógnitas en las ecuaciones que la siguen se
denomina Ecuación Pivote. En la ecuación pivote, el coeficiente de la incógnita que se va
a eliminar de las ecuaciones que la siguen se denomina el Coeficiente Pivote (a11 en los
pasos previos).
2. Siguiendo los pasos anteriores, la segunda ecuación (8) se convierte en la ecuación
pivote, y los pasos de la parte 1 se repiten para eliminar X2 de todas las ecuaciones que
siguen a esta ecuación pivote.Esta reducción nos conduce a:

(9)

3. A continuación se utiliza la tercer ecuación (9) como ecuación pivote, y se usa el

procedimiento descrito para eliminar X3 de todas las ecuaciones que siguen a la tercer
ecuación (9). Este procedimiento, utilizando diferentes ecuaciones pivote, se continúa
hasta que el conjunto original de ecuaciones ha sido reducido a un conjunto triangular tal
como se muestra en la ec. (6).
4. Una vez obtenido el conjunto triangular de ecuaciones, la última ecuación de este
conjunto equivalente suministra directamente el valor de Xn (ver ec. 6). Este valor se
sustituye entonces en la antepenúltima ecuación del conjunto triangular para obtener un
valor de Xn-1, que a su vez se utiliza junto con el valor de Xn en la penúltima ecuación del
conjunto triangular para obtener un valor Xn-2 y asi sucesivamente. Este es el
procedimiento de sustitución inversa al que nos referimos previamente.
Para ilustrar el método con un conjunto numérico, apliquemos estos procedimientos a la
solución del siguiente sistema de ecuaciones:

X1 + 4 X2 + X3 = 7

X1 + 6 X2 - X3 = 13 (10)

2 X1 - X2 + 2 X3 = 5

Utilizando como ecuación pivote la primera ecuación (el coeficiente pivote es unitario),
obtenemos:

X1 + 4 X2 + X3 = 7

2 X2 - 2 X3 = 6 (11)

9 X2 + (0) X3 = -9

A continuación, utilizando la segunda ecuación del sistema (11) como ecuación pivote y
repitiendo el procedimiento, se obtiene el siguiente sistema triangular de ecuaciones:

X1 + 4 X2 + X3 = 7

2 X2 - 2 X3 = 6 (12)

- 9 X3 = 18

Finalmente mediante sustitución inversa, comenzando con la última de las ecs. (12) se
obtienen los siguientes valores:
X3 = -2
X2 = 1
X1 = 5
Ejemplo 1.
Resolver un sistema de ecuaciones con el método de Gauss:
Lo primero que tenemos que hacer es la matriz ampliada del sistema:

Como veremos luego, es mejor si el primer número de la primera fila es un 1. Por tanto,
vamos a cambiar de orden las filas 1 y 2:

El objetivo del método de Gauss es conseguir que los números por debajo de la diagonal
principal sean 0. Es decir, tenemos que convertir los números de color rojo en 0:

Para eliminar estos números debemos hacer las transformaciones adecuadas de las filas.
Por ejemplo, el -1, que es el primer elemento de la segunda fila, es el negativo de 1, el
primer elemento de la primera fila. Por tanto, si a la segunda fila le sumamos la primera
fila, se eliminará el -1:

Así que si hacemos esta suma nos queda la siguiente matriz:

De esta manera hemos conseguido transformar el -1 en un 0.
Ahora vamos a transformar el 2. Si te fijas, el 2, que es el primer elemento de la tercera
fila, es el doble de 1, el primer elemento de la primera fila. Por tanto, si a la tercera fila le
sumamos la primera fila multiplicada por -2, se eliminará el 2:

Así que nos queda la siguiente matriz:

De esta manera hemos conseguido transformar el 2 en un 0.

Ahora solo nos queda convertir el -8 en 0. Para ello, multiplicamos la tercera fila por 3 y le
sumamos la segunda fila multiplicada por 8:

Por tanto, obtenemos la siguiente matriz:

Y con estas transformaciones hemos conseguido que todos los números por debajo de la
diagonal principal sean 0. Así que ya podemos resolver el sistema de ecuaciones.
Ahora debemos convertir la matriz en un sistema de ecuaciones con incógnitas. Para ello
recuerda que la primera columna corresponde a la x, la segunda columna a la y, la tercera
columna a la z y la última columna son los números sin incógnitas:
Y, finalmente, para resolver el sistema tenemos que ir despejando las incógnitas de las
ecuaciones de abajo hacia arriba. Ya que la última ecuación solo tiene una incógnita, y,
por tanto, la podemos despejar y encontrar su valor:

Ahora que sabemos cuánto es z, si sustituimos su valor en la segunda ecuación podemos

encontrar el valor de y:

Y hacemos lo mismo con la primera ecuación: sustituimos los valores de las otras
incógnitas y despejamos x:

Por tanto, la solución al sistema de ecuaciones es:

Ejemplo 2.
Resuelve el siguiente sistema de ecuaciones lineales mediante el método de Gauss:

3.1.2. Método de Gauss Jordan (Matriz Inversa).

El Método de Gauss–Jordan o también llamado eliminación de Gauss– Jordan, es un
método que sirve para varias cosas (por ejemplo obtener la inversa), aquí lo usaremos
para resolverse sistemas de ecuaciones lineales con n números de variables. Por el
método de Gauss se van obteniendo soluciones mediante la reducción del sistema dado a
otro equivalente en el que cada ecuación tiene una incógnita menos que la anterior
El método de Gauss transforma la matriz de coeficientes en una matriz triangular superior,
por medio del pivoteo.

Después se resuelve por el llamado método de sustitución hacia atrás, es decir en la

última fila se puede encontrar fácilmente el valor de Z, conocido ese valor se puede ir a la
segunda fila para conocer Y, finalmente conocido Y se puede ir a la primera fila para
conocer X.

3.1.3. Método LU y Choleski.

La descomposición LU consiste en encontrar dos matrices L y U construidas de tal forma
que se cumpla que:
A=L*U
Este método nos permite reducir las iteraciones y errores ocasionados por el pivoteo en el
método de Gauss-Jordan y Adicionalmente puede ser usado para otros procesos como la
obtención de la inversa.
Existen dos estructuras o versiones que deben tener las matrices que desean
encontrarse.

Construir la factorización LU de la matriz A utilizando la definición de Crout

El método parte de una primera aproximación al definir la matriz A como: A=LU donde L=I
(matriz identidad) y U=A

La matriz U no está como se pide en la definición Crout (debe ser una matriz triangular
superior) por lo cual se deben eliminar U21, U31 U32 y convertir la diagonal principal en
unos.

La transformación se hace utilizando dos métodos. La matriz U se transforma utilizando el

método tradicional de Gauss Jordán (convirtiendo elementos a cero por renglón), Pero la
matriz L transforma diferente. Utiliza el valor negativo del pivote utilizado para la
transformación U, pero aplicando las operaciones a las columnas).

Factorización o descomposición de Cholesky

La descomposición de Cholesky consiste en igualar una matriz que contiene el mismo
número de filas y columnas (matriz cuadrada) a una matriz con ceros por encima de la
diagonal principal multiplicada por su matriz traspuesta con ceros por debajo de la
diagonal principal.
La descomposición de LU, al contrario que Cholesky, puede aplicarse a varios tipos de
matrices cuadradas.
La descomposición de Cholesky consiste en:
Una matriz cuadrada triangular superior: Matriz cuadrada que sólo tiene ceros debajo de
la diagonal principal.
Una matriz cuadrada triangular inferior: Matriz que sólo tiene ceros por encima de la
diagonal principal.
Matemáticamente, si existe una matriz simétrica definida positiva, E, entonces existe una
matriz simétrica triangular inferior, K, de la misma dimensión que E, resultando en:

La matriz anterior figura como la matriz de Cholesky de E. Esta matriz actúa como la raíz
cuadrada de la matriz E. Sabemos que el dominio de la raíz cuadrada, es:
{ X ∈ ℜ : x ≥ 0}
La cual está definida en todos los números reales no negativos. De la misma manera que
la raíz cuadrada, la matriz de Cholesky solo existirá si la matriz está definida semi-
positiva. Una matriz está definida semi-positiva cuando los principales menores tienen un
determinante positivo o cero.
La descomposición de Cholesky de E es una matriz diagonal tal que:

Podemos ver que las matrices son cuadradas y contienen las características
mencionadas; triángulo de ceros por encima de la diagonal principal en la primera matriz y
triángulo de ceros por debajo de la diagonal principal en la matriz transformada.

Ejemplo 1.
Las matrices tienen que ser cuadradas, en este caso, la matriz es (2×2). Dos filas por dos
columnas. Además, cumple con las características de tener ceros por encima y por debajo
de la diagonal principal. Esta matriz está definida semi-positiva porque los principales
menores tienen un determinante positivo. Definimos:
Resolviendo para: c2 = 4; b·c=-2; a2+b2 = 5; tenemos cuatro posibles matrices de
Cholesky:

Por último calculamos para encontrar (a,b,c). Una vez los encontremos, tendremos las
matrices de Cholesky. El cálculo es el siguiente:

Ejemplo 2.
Encontrar los valores de x1, x2 y x3 para el siguiente sistema de ecuaciones:

NOTA: Recuérdese que si la matriz es 2×2

se hará 1 iteración; si es 3×3, 2 iteraciones; si
es 4×4, 3 iteraciones; y así sucesivamente.

SOLUCIÓN:

4 –2 –1 9

[A] = 5 1 –1 [B] = 7

1 2 –4 12

ITERACIÓN
1

factor 1 = (a21 / a11) = 5 / 4 =

1.25

factor 2 = (a31 / a11) = 1 / 4 =

0.25
Encontrando [U]

fila 2 = – (factor 1) * (fila 1) + (fila 2)

fila 3 = – (factor 2) * (fila 1) + (fila 3)

a11 = a11

a12 = a12

a13 = a13

a21 = – (1.25) * (4) + (5) = 0

a22 = – (1.25) * (- 2) + (1) = 3.5

a23 = – (1.25) + (- 1) + (- 1) = 0.25

a31 = – (0.25) * (4) + (1) = 0

a32 = – (0.25) * (- 2) + (2) = 2.5

a33 = – (0.25) * (- 1) + (- 1) = –0.75

4 –2 –1

[U] 0 3.5 0.25

=

0 2.5 –
0.75

Encontrando [L]

1 0 0

[L] 1.2 0 0
= 5

0.2 0 0
5

ITERACIÓN
2

factor 3 = (u32 / u22) = 2.5 / 3.5= 0.7142857143

Encontrando [U]
fila 3 = – (factor 3) * (fila 2) + (fila 3)

a31 = – (2.5 / 3.5) * (0) + (0) = 0

a32 = – (2.5 / 3.5) * (3.5) + (2.5) = 0

a33 = – (2.5 / 3.5) * (0.25) + (- 0.75) = –0.9285714286

4 –2 –1

[U] 0 3.5 0.25

=

0 0 – 0.9285714286

Encontrando [L]

1 0 0

[L] 1.25 1 0
=

0.25 0.714285714 1
3

Ahora ya se tiene la matriz [U] y la matriz [L]. El siguiente paso es resolver Ly = b para
encontrar la matriz y. En pocas palabras es como que se pidiera resolver el siguiente
sistema de ecuaciones, encontrando los valores de y1, y2 y y3:

Al resolver el sistema anterior, se obtienen los siguientes valores para y1, y2 y y3:

El último paso es resolver Ux = y para encontrar la matriz x. Es como si se pidiera resolver

el siguiente sistema de ecuaciones, encontrando los valores de x1, x2 y x3:
La solución del sistema es:

3.1.4. Método de Gauss Seidel.

Aunque este método puede aplicarse a cualquier sistema de ecuaciones lineales que
produzca una matriz (cuadrada, naturalmente pues para que exista solución única, el
sistema debe tener tantas ecuaciones como incógnitas) de coeficientes con los elementos
de su diagonal no-nulos, la convergencia del método solo se garantiza si la matriz es
diagonalmente dominante o si es simétrica y, a la vez, definida positiva.
La secuencia de pasos que constituyen el método de Gauss-Seidel es la siguiente:
1. Asignar un valor inicial a cada incógnita que aparezca en el conjunto. Si es posible
hacer una hipótesis razonable de éstos valores, hacerla. Si no, se pueden asignar valores
seleccionados arbitrariamente. Los valores iniciales utilizados no afectarán la
convergencia como tal, pero afectarán el número de iteraciones requeridas para dicha
convergencia.
2. Partiendo de la primera ecuación, determinar un nuevo valor para la incógnita que tiene
el coeficiente más grande en esa ecuación, utilizando para las otras incógnitas los valores
supuestos.
3. Pasar a la segunda ecuación y determinar en ella el valor de la incógnita que tiene el
coeficiente más grande en esa ecuación, utilizando el valor calculado para la incógnita del
paso 2 y los valores supuestos para las incógnitas restantes.
4. Continuar con las ecuaciones restantes, determinando siempre el valor calculado de la
incógnita que tiene el coeficniente más grande en cada ecuación particular, y utilizando
siempre los últimos valores calculados para las otras incógnitas de la ecuación. (Durante
la primera iteración, se deben utilizar los valores supuestos para las incógnitas hasta que
se obtenga un valor calculado). Cuando la ecuación final ha sido resuelta, proporcionando
un valor para la única incógnita, se dice que se ha completado una iteración.
5. Continuar iterando hasta que el valor de cada incógnita, determinado en una iteración
particular, difiera del valor obtenido en la iteración previa, en una cantidad menor que
cierto seleccionado arbitrariamente. El procedimiento queda entonces completo.
Ejemplo 1.

Resolver el siguiente sistema de ecuación por el método Gauss-Seidel utilizando un =

0.001.
0.1 X1 + 7.0 X2 - 0.3 X3 = -19.30
3.0 X1 - 0.1 X2 - 0.2 X3 = 7.85
0.3 X1 - 0.2 X2 - 10.0 X3 = 71.40
SOLUCIÓN:
Primero ordenamos las ecuaciones, de modo que en la diagonal principal estén los
coeficientes mayores para asegurar la convergencia.

3.0 X1 - 0.1 X2 - 0.2 X3 = 7.85

0.1 X1 + 7.0 X2 - 0.3 X3 = -19.30
0.3 X1 - 0.2 X2 - 10.0 X3 = 71.40
Despejamos cada una de las variables sobre la diagonal:

Suponemos los valores iniciales X2 = 0 y X3 = 0 y calculamos X1

Este valor junto con el de X3 se puede utilizar para obtener X2

La primera iteración se completa sustituyendo los valores de X1 y X2 calculados

obteniendo:

En la segunda iteración, se repite el mismo procedimiento:

Comparando los valores calculados entre la primera y la segunda iteración

Como podemos observar, no se cumple la condición

Entonces tomamos los valores calculados en la última iteración y se toman como

supuestos para la siguiente iteración. Se repite entonces el proceso:

Comparando de nuevo los valores obtenidos

Como se observa todavía no se cumple la condición

Así que hacemos otra iteración

Comparando los valores obtenidos

Dado que se cumple la condición, el resultado es:

 X1 = 3.0

X2 = -2.5

X3 = 7.0

Ejemplo 2.

Partiendo de 𝑥0 = (1, 2, 3, 4).

Iteración 1.

Iteración 2.
Iteración 3.

Iteración 4.
Iteración 5.

UNIDAD IV
4.1. Mínimos Cuadrados.
Es una técnica de análisis numérico enmarcada dentro de la optimización matemática, en
la que, dados un conjunto de pares ordenados: variable independiente, variable
dependiente, y una familia de funciones, se intenta encontrar la función continua, dentro
de dicha familia, que mejor se aproxime a los datos.
En su forma más simple, intenta minimizar la suma de cuadrados de las diferencias en las
ordenadas (llamadas residuos) entre los puntos generados por la función elegida y los
correspondientes valores en los datos.
Para encontrar la ecuación de la recta que mejor se ajusta para un conjunto de parejas
ordenadas se siguen los siguientes pasos.
Calcule la media de los valores de X y la media de los valores de Y.
Realice la suma de los cuadrados de los valores de X.
Realice la suma de cada valor de X multiplicado por su valor correspondiente Y.
Calcule la pendiente de la recta usando la fórmula: donde n es el número total de puntos

de los datos.
Calcule la intercepción en y de la recta usando la fórmula siguiente, donde y e x son las
medias de las coordenadas de x e y de los puntos de datos respectivamente.
Use la pendiente y la intercepción en y para formar la ecuación de la recta.

Ejemplo 1.
Use el método de mínimos cuadrados para determinar la ecuación de la recta que mejor
se ajusta para los datos. Luego grafique la recta.

Solución:
Graficando los puntos en un plano coordenado.
Calculando las medias de los valores de x y los valores de y, la suma de los cuadrados de
los valores de x, y la suma de cada valor de x multiplicado por su valor correspondiente y.
Lo cual se presenta en la siguiente tabla.

Calculando la pendiente, Así se tiene que:

Calculando la intercepción en y.
Primero, calcule la media de los valores de x y la media de los valores de y.
Usando la fórmula para calcular la intercepción en y.

Finalmente usando la pendiente y la intercepción en y para formar la ecuación de la recta

que mejor se ajusta. La pendiente de la recta es -1.1 y la intercepción en y es 14.0.Por lo
tanto, la ecuación es
y = -1.1x + 14.0
De esta manera, dando valores a x para poder obtener la gráfica de dispersión obtenemos
que:

Ejemplo 2.
Aplicando el método de mínimos cuadrados, obtener la recta de regresión para los
siguientes datos:

1.7 1.8
Estatura (m) 1.79 1.78 1.75 1.80 1.79 1.70 1.68 1.73
2 1

Peso (kg) 74 81 76 77 87 86 92 67 76 74

Solución.

Acomodando la tabla convenientemente y obteniendo y se tiene:

Estatura Peso

1.72 74 127.28 2.9584

1.79 81 144.99 3.2041
1.78 76 135.28 3.1684
1.75 77 134.75 3.0625
1.8 87 156.6 3.24
1.79 86 153.94 3.2041
1.81 92 166.52 3.2761
1.7 67 113.9 2.89
1.68 76 127.68 2.8224
1.73 74 128.02 2.9929

17.55 790 1388.96 30.8189

Por lo que la recta de regresión lineal usando mínimos cuadrados es:

Su gráfica es: