Nombre:

Código:

Cédula:

Fecha:

Materia:

Solució n T aller

2.

Resuelva el sistema encontrando la factorización A = LU , y despues realice la sustitución hacia

atrás en dos pasos:

a)

3 7 x1 1
( )( ) = ( )
6 1 x2 −11

Sustraemos → 2 ∗ ε1 a ε2

3 7 x1 1
( )( ) = ( )
0 −13 x2 −13

De aquí,

−13x2 = −13 → x2 = 1

Reemplazando,

3x1 + 7(1) = 1 → 3x1 = −6 → x1 = −2

Luego,
1 0
L = ( )
2 1
 3 7
U = ( )
0 −13

Donde,

A = LU

3 7 1 0 3 7
→ ( ) = ( )( )
6 1 2 1 0 −13

3 7 3 7
→ ( ) = ( )
6 1 6 1

Ahora, realizamos la sustitución hacia atrás

3 7 −2 1
( )( ) = ( )
6 1 1 −11

3(−2) + 7(1) 1
→ ( ) = ( )
6(−2) + 1(1) −11

−6 + 7 1
→ ( ) = ( )
−12 + 1 −11

b)

3 1 2 x1 0
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜6 3 4 ⎟ ⎜ x2 ⎟ = ⎜1⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
3 1 5 x3 3

Cambiamos las filas ε1 ⟷ ε2

6 3 4 x1 1
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜3 1 2 ⎟ ⎜ x2 ⎟ = ⎜0⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
3 1 5 x3 3

Sustraemos → 1/2 ∗ ε1 a ε2

Sustraemos → 1/2 ∗ ε1 a ε3

6 3 4 x1 1
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜0 −1/2 0 ⎟ ⎜ x2 ⎟ = ⎜ −1/2 ⎟

⎝ ⎠⎝ ⎠ ⎝ ⎠
0 −1/2 3 x3 5/2

Sustraemos → ε2 a ε3
 6 3 4 x1 1
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜0 −1/2 0 ⎟ ⎜ x2 ⎟ = ⎜ −1/2 ⎟

⎝ ⎠⎝ ⎠ ⎝ ⎠
0 0 3 x3 3

De aquí,

3x3 = 3 → x3 = 1

Reemplazando,

−1/2x2 + 0(1) = −1/2 → −1/2x2 = −1/2 → x2 = 1

Reemplazando,

6x1 + 3(1) + 4(1) = 1 → 6x1 = −6 → x1 = −1

Luego,

1 0 0
⎛ ⎞

L = ⎜ 1/2 1 0⎟

⎝ ⎠
1/2 1 1

6 3 4
⎛ ⎞

U = ⎜0 −1/2 0⎟
⎝ ⎠
0 0 3

Donde,

A = LU

6 3 4 1 0 0 6 3 4
⎛ ⎞ ⎛ ⎞⎛ ⎞

→ ⎜3 1 2 ⎟ = ⎜ 1/2 1 0⎟⎜0 −1/2 0⎟

⎝ ⎠ ⎝ ⎠⎝ ⎠
3 1 5 1/2 1 1 0 0 3

6 3 4 6 3 4
⎛ ⎞ ⎛ ⎞

→ ⎜3 1 2⎟ = ⎜3 1 2⎟
⎝ ⎠ ⎝ ⎠
3 1 5 3 1 5

Ahora, realizamos la sustitución hacia atrás

6 3 4 −1 1
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜3 1 2⎟⎜ 1 ⎟ = ⎜0⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
3 1 5 1 3

6(−1) + 3(1) + 4(1) 1

⎛ ⎞ ⎛ ⎞

→ ⎜ 3(−1) + 1(1) + 2(1) ⎟ = ⎜ 0 ⎟

⎝ ⎠ ⎝ ⎠
3(−1) + 1(1) + 5(1) 3
 −6 + 7 1
⎛ ⎞ ⎛ ⎞

→ ⎜ −3 + 3 ⎟ = ⎜ 0 ⎟

⎝ ⎠ ⎝ ⎠
−3 + 6 3

c)

4 2 0 x1 2
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜4 4 2 ⎟ ⎜ x2 ⎟ = ⎜ 4 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
2 2 3 x3 6

Cambiamos las filas ε1 ⟷ ε2

Luego, Cambiamos las filas ε2 ⟷ ε3

2 2 3 x1 6
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜4 2 0 ⎟ ⎜ x2 ⎟ = ⎜ 2 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
4 4 2 x3 4

Sustraemos → 2 ∗ ε1 a ε2

Sustraemos → 2 ∗ ε1 a ε3

2 2 3 x1 6
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜0 −2 −6 ⎟ ⎜ x2 ⎟ = ⎜ −10 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
0 0 −4 x3 −8

De aquí,

−4x3 = −8 → x3 = 2

Reemplazando,

−2x2 + (−6)(2) = −10 → −2x2 = 2 → x2 = −1

Reemplazando,

2x1 + 2(−1) + 3(2) = 6 → 2x1 = 2 → x1 = 1

Luego,

1 0 0
⎛ ⎞

L = ⎜2 1 0⎟
⎝ ⎠
2 0 1

2 2 3
⎛ ⎞

U = ⎜0 −2 −6 ⎟
⎝ ⎠
0 0 −4
Donde,

A = LU

2 2 3 1 0 0 2 2 3
⎛ ⎞ ⎛ ⎞⎛ ⎞

→ ⎜4 2 0⎟ = ⎜2 1 0⎟⎜0 −2 −6 ⎟
⎝ ⎠ ⎝ ⎠⎝ ⎠
4 4 2 2 0 1 0 0 −4

2 2 3 2 2 3
⎛ ⎞ ⎛ ⎞

→ ⎜4 2 0⎟ = ⎜4 2 0⎟
⎝ ⎠ ⎝ ⎠
4 4 2 4 4 2

Ahora, realizamos la sustitución hacia atrás

2 2 3 1 6
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜4 2 0 ⎟ ⎜ −1 ⎟ = ⎜ 2 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
4 4 2 2 4

2(1) + 2(−1) + 3(2) 6

⎛ ⎞ ⎛ ⎞

→ ⎜ 4(1) + 2(−1) + (0)(2) ⎟ = ⎜ 2 ⎟

⎝ ⎠ ⎝ ⎠
4(1) + 4(−1) + 2(2) 4

−2 + 8 6
⎛ ⎞ ⎛ ⎞

→ ⎜ −2 + 4 ⎟ = ⎜ 2 ⎟

⎝ ⎠ ⎝ ⎠
−4 + 8 4

d)

−1 0 1 x1 −2
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜ 1 1 1 ⎟ ⎜ x2 ⎟ = ⎜ 17 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
−1 2 0 x3 3

Realizamos (−1) ∗ ε1

1 0 −1 x1 2
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜ 1 1 1 ⎟ ⎜ x2 ⎟ = ⎜ 17 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
−1 2 0 x3 3

Sustraemos → ε1 a ε2

Sustraemos → ε1 a ε3

1 0 −1 x1 2
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜0 1 2 ⎟ ⎜ x2 ⎟ = ⎜ 15 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
0 2 −1 x3 −5
Sustraemos → 2 ∗ ε2 a ε3

1 0 −1 x1 2
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜0 1 2 ⎟ ⎜ x2 ⎟ = ⎜ 15 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
0 0 −5 x3 −25

De aquí,

−5x3 = −25 → x3 = 5

Reemplazando,

x2 + 2(5) = 15 → x2 = 5

Reemplazando,

x1 + (0)(5) + (−1)(5) = 2 → x1 = 7

Luego,

1 0 0
⎛ ⎞

L = ⎜ 1 1 0⎟
⎝ ⎠
−1 2 1

1 0 −1
⎛ ⎞

U = ⎜0 1 2 ⎟
⎝ ⎠
0 0 −5

Donde,

A = LU

1 0 −1 1 0 0 1 0 −1
⎛ ⎞ ⎛ ⎞⎛ ⎞

→ ⎜ 1 1 1 ⎟ = ⎜ 1 1 0⎟⎜0 1 2 ⎟
⎝ ⎠ ⎝ ⎠⎝ ⎠
−1 2 0 −1 2 1 0 0 −5

1 0 −1 1 0 −1
⎛ ⎞ ⎛ ⎞

→ ⎜ 1 1 1 ⎟ = ⎜ 1 1 1 ⎟
⎝ ⎠ ⎝ ⎠
−1 2 0 −1 2 0

Ahora, realizamos la sustitución hacia atrás

1 0 −1 7 2
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜ 1 1 1 ⎟ ⎜ 5 ⎟ = ⎜ 17 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
−1 2 0 5 3
 1(7) + (0)(5) + (−1)(5) 2
⎛ ⎞ ⎛ ⎞

→ ⎜ 1(7) + 1(5) + 1(5) ⎟ = ⎜ 17 ⎟

⎝ ⎠ ⎝ ⎠
(−1)(7) + 2(5) + (0)(5) 3

−5 + 7 2
⎛ ⎞ ⎛ ⎞

→ ⎜ 7 + 10 ⎟ = ⎜ 17 ⎟
⎝ ⎠ ⎝ ⎠
−7 + 10 3

6.

Encuentre el número de condición (norma infinito) de:

Solución

a)

1 2 −2 1
−1
A = ( ) → A = ( )
3 4 3/2 −1/2

Veamos que el número de condición viene dado de la forma:

−1
K(A) = ||A| | || A ||
∞ ∞

Donde,

||A| | = M áx{|1| + |2|, |3| + |4|}

∞

= M áx{3, 7}

= 7

= M áx{| − 2| + |1|, |3/2| + | − 1/2|}

−1
|| A ||
∞

= M áx{3, 2}

= 3

Además,
−1
K(A) = ||A| | || A ||
∞ ∞

= (7)(3)

= 21

b)

1 2.01
A = ( )
3 4
 −4/2.03 2.01/2.03
−1
→ A = ( )
3/2.03 −1/2.03

Donde,

||A| | = M áx{|1| + |2.01|, |3| + |4|}

∞

= M áx{3.01, 7}

= 7

−1
|| A || = M áx{| − 4/2.03| + |2.01/2.03|, |3/2.03| + | − 1/2.03|}
∞

= M áx{6.01/2.03, 4/2.03}

= 6.01/2.03

= 601/203

Además,
−1
K(A) = ||A| | || A ||
∞ ∞

= (7)(601/203)

= 601/29

c)

6 3
A = ( ) → |A| = 6 ∗ 2 − 4 ∗ 3 = 0
4 2

Como |A| = 0, entonces la matriz A no es invertible, y por tanto el número de condición de la

matriz A no se puede calcular.

8.

Encontrar los errores relativos hacia adelante y hacia atrás, y el factor de magnificación del error
para los siguientes soluciones.

x 1 + 2x 2 = 3 . . . E c.1
{
2x 1 + 4.01x 2 = 6.01 . . . E c.2

Solución
Resolviendo el sistema,

2 ∗ (E cu.1) → 2x 1 + 4x 2 = 6 . . . E c.3

Ahora,

E cu.2 − E cu.3 → 0.01x 2 = 0.01 → x 2 = 1

Reemplazando en E cu.1,

x 1 + 2(1) = 3 → x 1 = 1

Encontramos que la solución exacta es x1 = 1 y x2 = 1, se toman las soluciones aproximadas

x 1 ≈ 0.99 y x2 ≈ 1.01 , y también con la solución exacta para calcular los errores relativos hacia
adelante y hacia atrás para cada incógnita.

Se calcula el error relativo hacia adelante:

Para x1 :

→ |(valor aproximado − valor exacto)/valor exacto|

→ |(0.99 − 1)/1| ≈ 0.01

Para x2 :

→ |(1.01 − 1)/1| ≈ 0.01

Luego se calcula el error relativo hacia atrás:

Para x1 :

→ |(valor aproximado − valor exacto)/valor aproximado|

→ |(0.99 − 1)/0.99| ≈ 0.0101

Para x2 :

→ |(1.01 − 1)/1.01| ≈ 0.0099

Veamos que la solución aproximada en los intervalos dados,

a)[−10, 6]

b)[−100, 52]

c)[−600, 301]

d)[−599, 301]

import numpy as np

A = np.array([[1, 2], [2, 4.01]])

b = np.array([3, 6.01])

# Calculamos la inversa de A
A_inv = np.linalg.pinv(A)

# Calculamos la solución exacta

x_exact = np.dot(A_inv, b)

# Definimos los intervalos

intervalos = [[-10, 6], [-100, 52], [-600, 301], [-599, 301]]

for interval in intervalos:

# Generamos una solución aproximada aleatoria dentro del intervalo
x_aprox = np.random.uniform(interval[0], interval[1], size=2)

# Cálculo de los errores relativos hacia adelante y hacia atrás

error_adelante = np.linalg.norm(x_exact - x_aprox) / np.linalg.norm(x_exact)
error_atras = np.linalg.norm(np.dot(A, x_aprox) - b) / np.linalg.norm(b)

# Cálculo del factor de magnificación del error

FME = error_adelante / error_atras

print("Intervalo:", interval)
print("Solución exacta:", x_exact)
print("Solución aproximada:", x_aprox)
print("Error relativo hacia adelante:", error_adelante)
print("Error relativo hacia atrás:", error_atras)
print("Factor de magnificación del error:", FME)
print()

Intervalo: [-10, 6]
Solución exacta: [1. 1.]
Solución aproximada: [-9.4412831 4.72273159]
Error relativo hacia adelante: 7.838339213105226
Error relativo hacia atrás: 0.9923227785357275
Factor de magnificación del error: 7.898981442985202

Intervalo: [-100, 52]

Solución exacta: [1. 1.]
Solución aproximada: [-46.35458805 -25.55390792]
Error relativo hacia adelante: 38.3898882237499
Error relativo hacia atrás: 33.47823277706444
Factor de magnificación del error: 1.1467119091796978

Intervalo: [-600, 301]

Solución exacta: [1. 1.]
Solución aproximada: [-261.5724839 194.55065976]
Error relativo hacia adelante: 230.65793633783582
Error relativo hacia atrás: 41.71225313702568
Factor de magnificación del error: 5.529740519653047

Intervalo: [-599, 301]

Solución exacta: [1. 1.]
Solución aproximada: [-408.64944282 -255.79022452]
Error relativo hacia adelante: 341.87269955905816
 Error relativo hacia atrás: 307.67542962530257
Factor de magnificación del error: 1.1111472241231684

e) ¿Cual es el número de condición de la matriz de

coeficientes?

Solución
1 2 −1
400 −200
A = ( ) → A = ( )
2 4.01 −200 100

Donde,

||A|| = M áx{Σ| ai j|} = M áx{|1| + |2|, |2| + |4.01|}

→ ||A|| = M áx{3, 6.01|} = 6.01

También,
−1 −1
|| A || = M áx{Σ| A j|} = M áx{|400| + | − 200|, | − 200| + |100|}
i

−1
→ || A || = M áx{600, 300.} = 600

El número de condición se calcula de la siguiente manera,

−1)
cond(A) = ||A|||| A ||

cond(A) = (6.01)(600)

cond(A) = 3606

import numpy as np

A = np.array([[1, 2], [2, 4.01]])

# Calculamos la norma de A
norm_A = np.linalg.norm(A, ord=1)

# Calculamos la inversa de A
A_inv = np.linalg.inv(A)

# Calculamos la norma de la inversa de A

norm_A_inv = np.linalg.norm(A_inv, ord=1)

# Calculamos el número de condición

cond_A = norm_A * norm_A_inv
print("Número de condición de la matriz A:", cond_A)

Número de condición de la matriz A: 3612.0100000000766

9.

a)

Encuentre el numero de condición de la matriz de coeficientes del sistema

1 1 x1 2
( )( ) = ( )
1 + δ 1 x2 2 + δ

como función de δ > 0.

Solución
Sean,

1 1 −1/δ 1/δ
−1
A = ( ) → A = ( )
1 + δ 1 (1 + δ)/δ −1/δ

Tenemos que,

||A|| = M áx{Σ| ai j|} = M áx{|1| + |1|, |1 + δ| + |1|}

→ ||A|| = M áx{2, 2 + δ} = 2 + δ

Por otra parte,

−1 −1
|| A || = M áx{Σ| A j|} = M áx{| − 1/δ| + |1/δ|, |(1 + δ)/δ| + | − 1/δ|}
i

−1
→ || A || = M áx{2/δ, (2 + δ)/δ} = (2 + δ)/δ

Ahora, calculamos el número de condición como:

−1
cond(A) = ||A|||| A ||

→= (2 + δ)((2 + δ)/δ)

2
→= (2 + δ) /δ ;δ > 0

b)

Determine el factor de magnificación del error para la raíz aproximada xa = [−1, 3 + δ]

Solución
Necesitamos encontrar el vector de residuos y el vector de errores entre la solución aproximada
x a = [−1, 3 + δ] y la solución exacta xe = [x1 , x2 ] del sistema de ecuaciones lineales

1 1 x1 2 x1 1
( )( ) = ( ) → ( ) = ( )
1 + δ 1 x2 2 + δ x2 1

Entonces, la solución exacta es xe = [1, 1] .

Definamos ahora el vevtor de residuos,

1 1 1 2
r = ( )( ) − ( )
1 + δ 1 1 2 + δ

2 2
→ r = ( ) − ( )
2 + δ 2 + δ

0
→ r = ( )
0

Luego, el vector de errores e se define como la diferencia entre la solución aproximada xa y la

solución exacta xe :

e = xa − xe

−1 1
→ e = ( ) − ( )
3 + δ 1

−2
→ e = ( )
2 + δ

El factor de magnificación del error se define como el cociente entre las normas de los vectores de
residuos y errores:

Factor de magnificaci ón = ||r||

Donde,
2 2 1/2 2 1/2
||e|| = ((−2) + (2 + δ) ) = (δ + 4δ + 8)

2 2 1/2
||r|| = (0 + 0 ) = 0

Por lo tanto, el factor de magnificación del error es,

Factor de magnificaci ón = ||r||/||e||

2 1/2
→ Factor de magnificaci ón = (0)/((δ + 4δ + 8) )

→ Factor de magnificaci ón = 0
El factor de magnificación del error es cero, lo que significa que cualquier pequeña perturbación en
los datos de entrada no afectará significativamente la solución aproximada.

10.

M AT LAB

16.

Considere el sistema lineal

19x 1 + 20x 2 = b 1
{
20x 1 + 21x 2 = b 2

a) Calcule el número de condición de la matriz de los coeficientes.

b) ¿Está el sistema bien condicionado con respecto a las perturbaciones de las constantes del lado
derecho {b1 , b2 }?

Solución

a)

La matriz de coeficientes asociada a este sistema es,

19 20
A = ( )
20 21

Primero necesitamos encontrar sus valores singulares, y luego tomamos el cociente entre el valor
singular máximo y el mínimo para obtener el número de condición.

19 20 T
19 20
A = ( ) → A = ( )
20 21 20 21

Luego,

T
761 800
AA = ( )
800 841

Los valores singulares son las raíces cuadradas de los valores propios de la matriz AAT , entonces
calculamos los valores propios de AAT ,
 1/2
λ1 = 801 + 40(401)
T
valores propios de AA → {
1/2
λ2 = 801 − 40(401)

Calculamos los valores singulares

1/2 1/2 1/2
σ 1 = (λ 1 ) = (801 + 40(401) )
→ {
1/2 1/2 1/2
σ 2 = (λ 1 ) = (801 − 40(401) )

σ 1 ≈ 40.02498439450079
→ {
σ 2 ≈ 0.024984394498807884

El número de condición se calcula como el cociente entre el valor singular máximo y el mínimo,

cond(A) ≈ σ 1 /σ 2

≈ 40.02498439450079/0.024984394498807884

≈ 1601.9993759068511

Un número de condición cercano a 1 indica que el sistema es bien condicionado, mientras que un
número de condición mucho mayor que 1 indica que el sistema es mal condicionado y puede sufrir
de problemas de precisión numérica al resolverlo. En este caso el número de condición es grande y
por tanto tenemos que el sistema no es estable al resolverlo numéricamente.

b)

En lugar de usar la matriz original A, se utiliza la matriz Aext ,

19 20 19 20
T
Aext = ( ) → A = ( )
ext
20 21 20 21

Donde se ha modificado el lado derecho, agregando una pequeña perturbación δb a cada

componente

19x 1 + 20x 2 = b 1 + δb 1
{
20x 1 + 21x 2 = b 2 + δb 2

Para calcular el número de condición con respecto a las perturbaciones en el lado derecho,
denotado por cond(Ab ), se realiza el siguiente cálculo,
−1
cond(Ab ) = || Aext |||| A ||
ext

La norma utilizada es la norma 2 (la norma de valor singular máximo), podemos tomar los valores
singulares de Aext y encontrar su norma 2.

Los valores singulares de Aext son los mismos que los de la matriz original A, que calculamos
anteriormente,
 σ 1 ≈ 40.02498439450079
→ {
σ 2 ≈ 0.024984394498807884

La norma 2 de Aext se calcula como el valor singular máximo, que es

σ 1 ≈ 40.02498439450079 .

Ahora necesitamos calcular la norma 2 de la inversa de Aext , que es el recíproco del valor singular
mínimo. El valor singular mínimo es σ2 ≈ 0.024984394498807884 , por lo que la norma 2 de la
inversa es aproximadamente 1/σ2 ≈ 40.024984397669290096 .

Finalmente, podemos calcular el número de condición con respecto a las perturbaciones en el lado
derecho,
−1
cond(Ab ) = || Aext |||| A ||
ext

≈ (40.02498439450079)(40.024984397669290096)

≈ 1601.9993759068511

Un número de condición alrededor de 1601.9993759068511 es extremadamente grande, lo que

indica que el sistema no debería ser estable ante pequeñas perturbaciones en el vector b .

17.

a) Calcule cond(A) para

1 c
A = [ ] , |c| ≠ 1
c 1

b) ¿Cuándo A se vuelve mal condicionado?

c) ¿Que dice esto sobre el sistema lineal Ax = b?

d) ¿Como se relaciona cond(A) con det(A)?

Solución

a)

Se utiliza la norma 2 (norma de valores singulares) para obtener el número de, condición

1 c T
1 c
A = [ ] → A = [ ]
c 1 c 1

Los valores propios de → T

A A están dados por la siguiente ecuación, donde λ es el valor propio y
I es la matriz identidad.
T
det(A A − λI ) = 0
 1 c 1 c 1 0
→ det([ ][ ] − λ[ ]) = 0
c 1 c 1 0 1

2
1 + c 2c λ 0
→ det([ ] − [ ]) = 0
2
2c 1 + c 0 λ

2
1 + c − λ 2c
→ det([ ] = 0
2
2c 1 + c − λ

2 2 2
→ (1 + c − λ) − (2c) = 0

2 2
→ (1 + c − λ − 2c)(1 + c − λ + 2c) = 0

De aquí,
2 2
1 + c − λ1 − 2c = 0 → λ1 = c − 2c + 1
2 2
1 + c − λ2 + 2c = 0 → λ2 = c + 2c + 1

Ahora calculamos el número de condición cond(A) como la raíz cuadrada del valor propio más
grande en términos de su magnitud absoluta,
1/2
cond(A) = (M áx{| λ1 |, | λ2 |})

2 2 1/2
= (M áx{| c − 2c + 1|, | c + 2c + 1|})

En conclusión, el número de condición de la matriz A, donde |c| ≠ 0 está dado por,

2 2 1/2
cond(A) = (M áx{| c − 2c + 1|, | c + 2c + 1|})

b)

Una matriz se vuelve mal condicionada cuando su número de condición es grande, lo que indica
una alta sensibilidad a pequeñas perturbaciones en los datos y puede llevar a errores numéricos
considerables. Es importante tener en cuenta el número de condición al trabajar con matrices en
cálculos numéricos y algoritmos para asegurar la estabilidad y precisión de los resultados
obtenidos.

c)

Cuando una matriz A es mal condicionada presenta inestabilidad númerica, soluciones no únicas,
ampliación de errores, problemas de estabilidad, entre otros. Todos estos pequeños cambios en los
datos o en los términos independientes del sistema lineal Ax = b pueden resultar en grandes
cambios en la solución del sistema. Esto implica que el sistema lineal se vuelve altamente sensible
a perturbaciones en la matriz A o en el vector b .
d)

La relación entre el número de condición (cond(A)) y el determinante de una matriz (det(A)) es

importante para comprender cómo la condición de una matriz puede afectar la solución de
sistemas lineales y otros cálculos numéricos.

Cuando cond(A) es grande:

Si el número de condición (cond(A)) de una matriz A es grande, esto indica que la matriz es
mal condicionada y tiene valores singulares muy diferentes en magnitud.

Si el número de condición (cond(A)) de una matriz A es grande, esto indica que la matriz es
mal condicionada y tiene valores singulares muy diferentes en magnitud.

En este caso, el determinante de la matriz (det(A)) también tiende a ser grande, debido a la
presencia de valores singulares de magnitudes significativamente diferentes.

∗ Un determinante grande puede hacer que el sistema lineal Ax = b tenga soluciones muy
grandes o muy pequeñas, lo que puede llevar a problemas de precisión numérica y estabilidad
en los cálculos.

Un determinante grande puede hacer que el sistema lineal Ax = b tenga soluciones muy
grandes o muy pequeñas, lo que puede llevar a problemas de precisión numérica y estabilidad
en los cálculos.

Cuando cond(A) es cercano a 1:

Si el número de condición (cond(A)) de una matriz A es cercano a 1, esto indica que la

matriz es bien condicionada y tiene valores singulares cercanos en magnitud.

En este caso, el determinante de la matriz (det(A)) también tiende a ser cercano a 1, debido
a la similitud en magnitud de los valores singulares.

Un determinante cercano a 1 implica que el sistema lineal Ax = b tiene soluciones que no se

amplifican significativamente, lo que mejora la precisión numérica y la estabilidad en los
cálculos.

Por tanto, la condición de una matriz se basa en la relación entre los valores singulares, mientras
que el determinante depende de los valores propios de la matriz. Dos matrices diferentes pueden
tener el mismo determinante pero distintos números de condición.

18.

Probar que cond(A) ≥ 1, para una matriz A.

Demostración
Recordemos que el número de condición de A se define como:
−1
cond(A) = ||A|||| A ||

Donde, ||A|| es la norma de la matriz A, y A−1 es la inversa de la matriz.

Ahora, observemos que la norma de matriz de una matriz A siempre es mayor o igual a cero, es
decir, ||A|| ≥ 0.

Además, consideremos la matriz identidad I del mismo tamaño que A, donde ||I || = 1.

Luego, como cualquier matriz multiplicada por su inversa da como resultado la matriz identidad, es
decir, I = A ⋅ A
−1
.

Utilizamos la propiedad submultiplicativa de la norma de matriz, tal que:

−1 −1
||I || = ||A ⋅ A || ≤ ||A|| ⋅ || A ||

−1
→ ||I || ≤ ||A|| ⋅ || A ||
−1
→ 1 ≤ ||A|| ⋅ || A ||

∴ 1 ≤ cond(A), para una matriz A

23.

Resuelva el sistema

⎪ 0.2641x 1 + 0.1735x 2 + 0.8642x 3 = −0.7521

⎧ . . . E cu.1

⎨ 0.9411x 1 + 0.0175x 2 + 0.1463x 3 = 0.6310 . . . E cu.2

⎩
⎪
−0.8641x 1 − 0.4243x 2 + 0.0711x 3 = 0.2501 . . . E cu.3

sin pivote y con pivoteo parcial.

Solución
Se resuelve el sistema de ecuaciones sin realizar el pivoteo parcial,

Por:

Sustituci n ó
Despejamos a x1 de la E cu.1,

0.2641x 1 + 0.1735x 2 + 0.8642x 3 = −0.7521

 → x 1 = −0.7521 − 0.1735x 2 − 0.8642x 3 )/0.2641

Reemplazamos en E cu.2

0.9411(−0.7521 − 0.1735x 2 − 0.8642x 3 )/0.2641) + 0.0175x 2 + 0.1463x 3 = 0.6310

→ −2.68005 − 0.600754x 2 − −2.93321x 3 = 0.6310

→ −0.6007544x 2 − 2.93321x 3 = 3.31105 . . . E cu.4

Despejamos a x1 de la E cu.2,

0.9411x 1 + 0.0175x 2 + 0.1463x 3 = 0.6310

→ x 1 = (0.6310 − 0.0175x 2 − 0.1463x 3 )/0.9411

Reemplazamos en E cu.3

−0.8641((0.6310 − 0.0175x 2 − 0.1463x 3 )/0.9411) − 0.4243x 3 + 0.0711x 3 = 0.2501

→ −0.579372 − 0.440368x 2 + 0.20543x 3 = 0.2501

→ −0.440368x 2 + 0.20543x 3 = 0.829472 . . . E cu.5

Y de las ecuaciones E cu.4 y E cu.5 obtnemos que,

x 2 = −2.356983928355609

x 3 = −0.6460782160055301

Además, reemplazamos en E cu.1,

0.2641x 1 + 0.1735(−2.19417169276605) + 0.8642(−0.6657790224244773) = −0.75

→ x 1 = 0.8147576896693574

Se resuelve el sistema de ecuaciones por medio de un mpetod que implique el pivoteo parcial,

Por:

M todo é de Gauss − J ordan

⎛ 0.2641 0.1735 0.8642 −0.7521 ⎞

⎜ 0.9411 0.0175 0.1463 0.6310 ⎟

⎜ ⎟
⎝ −0.8641 −0.4243 0.0711 0.2501 ⎠

Realizamos → 1/0.2641 ∗ ε1 a ε1

⎛ 1 0.6569481257099583 3.2722453616054525 −2.8477849299507763

⎜ 0.9411 0.0175 0.1463 0.6310

⎜
⎝ −0.8641 −0.4243 0.0711 0.2501

Sustraemos → 0.9411 ∗ ε1 a ε2
Sustraemos → 0.8641 ∗ ε1 a ε3

⎛ 1 0.6569481257099583 3.2722453616054525 −2.8477849299507763 ⎞

⎜ 0 −0.6007538811056419 −2.9332101098068915 3.311050397576676 ⎟

⎜ ⎟
⎝ 0 0.143368875425975 2.8986472169632718 −2.210670957970466 ⎠

Realizamos → −1/0.6007538811056419 ∗ ε2 a ε2

⎛ 1 0.6569481257099583 3.2722453616054525 −2.8477849299507763 ⎞

⎜ 0 1 4.882548747597837 −5.511492312763655 ⎟
⎜ ⎟
⎝ 0 0.143368875425975 2.8986472169632718 −1.4204945031706344 ⎠

Sustraemos → 0.143368875425975 ∗ ε2 a ε3

⎛ 1 0.6569481257099583 3.2722453616054525 −2.8477849299507763 ⎞

⎜ 0 1 4.882548747597837 −5.511492312763655 ⎟
⎜ ⎟
⎝ 0 0 2.198641693807667 −1.4204945031706344 ⎠

Realizamos → 1/2.198641693807667 ∗ ε3 a ε3

⎛ 1 0.6569481257099583 3.2722453616054525 −2.8477849299507763 ⎞

⎜ 0 1 4.882548747597837 5.511492312763655 ⎟
⎜ ⎟
⎝ 0 0 1 −0.6460782160055301 ⎠

Sustraemos → 4.882548747597837 ∗ ε3 a ε2

⎛ 1 0.6569481257099583 3.2722453616054525 −2.8477849299507763 ⎞

⎜ 0 1 0 −2.356983928355609 ⎟
⎜ ⎟
⎝ 0 0 1 −0.6460782160055301 ⎠

Sustraemos → 3.2722453616054525 ∗ ε3 a ε1

⎛ 1 0.6569481257099583 0 −0.7336584843923547 ⎞

⎜ 0 1 0 −2.356983928355609 ⎟
⎜ ⎟
⎝ 0 0 1 −0.6460782160055301 ⎠

Sustraemos → 0.65694812570995835 ∗ ε2 a ε1

⎛ 1 0 0 0.8147576896693574 ⎞

⎜ 0 1 0 −2.356983928355609 ⎟
⎜ ⎟
⎝ 0 0 1 −0.6460782160055301 ⎠

Obtnemos que,

x 1 = 0.8147576896693574
 x 2 = −2.356983928355609

x 3 = −0.6460782160055301

26.

Resuelva el sistema encontrando la factorización P A = LU , y despues realice la sustitución hacia

atrás en dos pasos:

a)

3 7 x1 1
( )( ) = ( )
6 1 x2 −11

Sustraemos → 2 ∗ ε1 a ε2
3 7 x1 1
( )( ) = ( )
0 −13 x2 −13

De aquí,

−13x 2 = −13 → x2 = 1

Reemplazando,

3x 1 + 7(1) = 1 → 3x 1 = −6 → x 1 = −2

Luego,
1 0
L = ( )
2 1

3 7
U = ( )
0 −13

1 0
P = ( )
0 1

Donde,

P A = LU

1 0 3 7 1 0 3 7
→ ( )( ) = ( )( )
0 1 6 1 2 1 0 −13

3 7 3 7
→ ( ) = ( )
6 1 6 1

Ahora, realizamos la sustitución hacia atrás

 3 7 −2 1
( )( ) = ( )
6 1 1 −11

3(−2) + 7(1) 1
→ ( ) = ( )
6(−2) + 1(1) −11

−6 + 7 1
→ ( ) = ( )
−12 + 1 −11

b)

3 1 2 x1 0
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜6 3 4 ⎟ ⎜ x2 ⎟ = ⎜ 1 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
3 1 5 x3 3

Cambiamos las filas ε1 ⟷ ε2

6 3 4 x1 1
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜3 1 2 ⎟ ⎜ x2 ⎟ = ⎜0 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
3 1 5 x3 3

Sustraemos → 1/2 ∗ ε1 a ε2

Sustraemos → 1/2 ∗ ε1 a ε3
6 3 4 x1 1
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜0 −1/2 0 ⎟ ⎜ x 2 ⎟ = ⎜ −1/2 ⎟

⎝ ⎠⎝ ⎠ ⎝ ⎠
0 −1/2 3 x3 5/2

Sustraemos → ε2 a ε3
6 3 4 x1 1
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜0 −1/2 0 ⎟ ⎜ x 2 ⎟ = ⎜ −1/2 ⎟

⎝ ⎠⎝ ⎠ ⎝ ⎠
0 0 3 x3 3

De aquí,

3x 3 = 3 → x3 = 1

Reemplazando,

−1/2x 2 + 0(1) = −1/2 → −1/2x 2 = −1/2 → x2 = 1

Reemplazando,

6x 1 + 3(1) + 4(1) = 1 → 6x 1 = −6 → x 1 = −1

Luego,

⎛ ⎞
 1 0 0
⎛ ⎞

L = ⎜ 1/2 1 0 ⎟

⎝ ⎠
1/2 1 1

6 3 4
⎛ ⎞

U = ⎜0 −1/2 0⎟

⎝ ⎠
0 0 3

0 1 0
⎛ ⎞

P = ⎜1 0 0⎟
⎝ ⎠
0 0 1

Donde,

P A = LU

0 1 0 3 1 2 1 0 0 6 3 4
⎛ ⎞⎛ ⎞ ⎛ ⎞⎛ ⎞

→ ⎜1 0 0 ⎟⎜6 3 4 ⎟ = ⎜ 1/2 1 0 ⎟⎜0 −1/2 0⎟

⎝ ⎠⎝ ⎠ ⎝ ⎠⎝ ⎠
0 0 1 3 1 5 1/2 1 1 0 0 3

6 3 4 6 3 4
⎛ ⎞ ⎛ ⎞

→ ⎜3 1 2 ⎟ = ⎜3 1 2⎟
⎝ ⎠ ⎝ ⎠
3 1 5 3 1 5

Ahora, realizamos la sustitución hacia atrás

6 3 4 −1 1
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜3 1 2⎟⎜ 1 ⎟ = ⎜0 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
3 1 5 1 3

6(−1) + 3(1) + 4(1) 1

⎛ ⎞ ⎛ ⎞

→ ⎜ 3(−1) + 1(1) + 2(1) ⎟ = ⎜ 0 ⎟

⎝ ⎠ ⎝ ⎠
3(−1) + 1(1) + 5(1) 3

−6 + 7 1
⎛ ⎞ ⎛ ⎞

→ ⎜ −3 + 3 ⎟ = ⎜ 0 ⎟

⎝ ⎠ ⎝ ⎠
−3 + 6 3

c)

4 2 0 x1 2
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜4 4 2 ⎟ ⎜ x2 ⎟ = ⎜ 4 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
2 2 3 x3 6

Cambiamos las filas ε1 ⟷ ε2

Luego, Cambiamos las filas ε2 ⟷ ε3

 2 2 3 x1 6
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜4 2 0 ⎟ ⎜ x2 ⎟ = ⎜2 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
4 4 2 x3 4

Sustraemos → 2 ∗ ε1 a ε2

Sustraemos → 2 ∗ ε1 a ε3
2 2 3 x1 6
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜0 −2 −6 ⎟ ⎜ x 2 ⎟ = ⎜ −10 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
0 0 −4 x3 −8

De aquí,

−4x 3 = −8 → x3 = 2

Reemplazando,

−2x 2 + (−6)(2) = −10 → −2x 2 = 2 → x 2 = −1

Reemplazando,

2x 1 + 2(−1) + 3(2) = 6 → 2x 1 = 2 → x1 = 1

Luego,

1 0 0
⎛ ⎞

L = ⎜2 1 0⎟
⎝ ⎠
2 0 1

2 2 3
⎛ ⎞

U = ⎜0 −2 −6 ⎟
⎝ ⎠
0 0 −4

0 1 0
⎛ ⎞

P = ⎜0 0 1⎟
⎝ ⎠
1 0 0

Donde,

P A = LU

0 1 0 4 2 0 1 0 0 2 2 3
⎛ ⎞⎛ ⎞ ⎛ ⎞⎛ ⎞

→ ⎜0 0 1 ⎟⎜4 4 2 ⎟ = ⎜2 1 0 ⎟⎜0 −2 −6 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠⎝ ⎠
1 0 0 2 2 3 2 0 1 0 0 −4

2 2 3 2 2 3
⎛ ⎞ ⎛ ⎞

→ ⎜4 2 0 ⎟ = ⎜4 2 0⎟
⎝ ⎠ ⎝ ⎠
4 4 2 4 4 2

Ahora, realizamos la sustitución hacia atrás

 2 2 3 1 6
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜4 2 0 ⎟ ⎜ −1 ⎟ = ⎜ 2 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
4 4 2 2 4

2(1) + 2(−1) + 3(2) 6

⎛ ⎞ ⎛ ⎞

→ ⎜ 4(1) + 2(−1) + (0)(2) ⎟ = ⎜ 2 ⎟

⎝ ⎠ ⎝ ⎠
4(1) + 4(−1) + 2(2) 4

−2 + 8 6
⎛ ⎞ ⎛ ⎞

→ ⎜ −2 + 4 ⎟ = ⎜ 2 ⎟

⎝ ⎠ ⎝ ⎠
−4 + 8 4

d)

−1 0 1 x1 −2
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜ 1 1 1 ⎟ ⎜ x 2 ⎟ = ⎜ 17 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
−1 2 0 x3 3

Realizamos (−1) ∗ ε1

1 0 −1 x1 2
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜ 1 1 1 ⎟ ⎜ x 2 ⎟ = ⎜ 17 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
−1 2 0 x3 3

Sustraemos → ε1 a ε2

Sustraemos → ε1 a ε3
1 0 −1 x1 2
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜0 1 2 ⎟ ⎜ x 2 ⎟ = ⎜ 15 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
0 2 −1 x3 −5

Sustraemos → 2 ∗ ε2 a ε3

1 0 −1 x1 2
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜0 1 2 ⎟ ⎜ x2 ⎟ = ⎜ 15 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
0 0 −5 x3 −25

De aquí,

−5x 3 = −25 → x3 = 5

Reemplazando,

x 2 + 2(5) = 15 → x2 = 5

Reemplazando,

x 1 + (0)(5) + (−1)(5) = 2 → x1 = 7
Luego,
1 0 0
⎛ ⎞

L = ⎜ 1 1 0⎟
⎝ ⎠
−1 2 1

1 0 −1
⎛ ⎞

U = ⎜0 1 2 ⎟
⎝ ⎠
0 0 −5

−1 0 0
⎛ ⎞

P = ⎜ 0 1 0⎟
⎝ ⎠
0 0 1

Donde,

P A = LU

−1 0 0 −1 0 1 1 0 0 1 0 −1
⎛ ⎞⎛ ⎞ ⎛ ⎞⎛ ⎞

→ ⎜ 0 1 0⎟⎜ 1 1 1⎟ = ⎜ 1 1 0 ⎟⎜0 1 2 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠⎝ ⎠
0 0 1 −1 2 0 −1 2 1 0 0 −5

1 0 −1 1 0 −1
⎛ ⎞ ⎛ ⎞

→ ⎜ 1 1 1 ⎟ = ⎜ 1 1 1 ⎟
⎝ ⎠ ⎝ ⎠
−1 2 0 −1 2 0

Ahora, realizamos la sustitución hacia atrás

1 0 −1 7 2
⎛ ⎞⎛ ⎞ ⎛ ⎞

⎜ 1 1 1 ⎟ ⎜ 5 ⎟ = ⎜ 17 ⎟
⎝ ⎠⎝ ⎠ ⎝ ⎠
−1 2 0 5 3

1(7) + (0)(5) + (−1)(5) 2

⎛ ⎞ ⎛ ⎞

→ ⎜ 1(7) + 1(5) + 1(5) ⎟ = ⎜ 17 ⎟

⎝ ⎠ ⎝ ⎠
Productos de pago
(−1)(7) + de Colab
2(5) - Cancelar contratos
+ (0)(5) 3

⎛ ⎞ ⎛ ⎞