Universidad Central del Ecuador

Facultad de Ingeniera Química

Análisis Numérico
Resolución de Sistemas lineales
2017-2018
Maria Jose Chalacan Veloz
Cuarto semestre
Vectores
Un vector es todo segmento de recta dirigido en el espacio. Cada vector posee unas características que son:
Origen
O también denominado Punto de aplicación. Es el punto exacto sobre el que actúa el vector.
Módulo
Es la longitud o tamaño del vector. Para hallarla es preciso conocer el origen y el extremo del vector, pues
para saber cuál es el módulo del vector, debemos medir desde su origen hasta su extremo.
Dirección
Viene dada por la orientación en el espacio de la recta que lo contiene.
Sentido
Se indica mediante una punta de flecha situada en el extremo del vector, indicando hacia qué lado de la línea
de acción se dirige el vector.
 Tipos de Vectores
Vector de posición
Cuando un vector se utiliza para denotar un punto
o una posición en el espacio

Vector de desplazamiento.
cuando se usa para indicar un movimiento entre
dos puntos del espacio, se suele llamar
 Operatoria vectorial
Al igual que los números, los vectores pueden operarse entre
si, a través de la suma, la resta, la multiplicación por un
escalar, la división por un escalar, producto punto y producto
cruz.
 Suma de vectores
La suma de los vectores x e y se calcula componente a componente; es decir,

El opuesto del vector x es el vector que se obtiene reemplazando cada coordenada por su opuesta:
 La diferencia y- x se obtiene restando coordenada a
coordenada

Los factores de espacio N adimensional cumplen la siguiente propiedad algebraica.

 Ejemplo

Sean X= (2, -3, 5, -1) e Y = (6, 1, 2, -4). Vamos a ilustrar los conceptos anteriores con estos
dos vectores e el espacio 4- dimensional.
A veces es conveniente escribir los vectores como columnas en vez de escribirlos como
filas. Por ejemplo, si
 Algebra de vectores

Sea X, Y, Z vectores – dimensionales y sean a y b escalares (números

reales). Entonces se verifican las siguientes propiedades de la suma de
vectores y de producto por escalares;
Matrices

Una matriz con M filas y n columnas se dice que es de orden, o dimensiones, MxN. En general, una
letra mayúscula A denota una matriz, mientras que las correspondiste minúsculas aij indican uno de los
números que forman la matriz, de manera que escribimos.
Suma de Matrices
Propiedades de las matrices
 Multiplicaciones de matrices

El elemento cij de la matriz producto es el resultado de sumar los productos ordenados de los
elementos de la fila i de la matriz A por los de la columna j de la matriz B. Esto es:

Para multiplicar dos matrices es necesario que el número de columnas

de la primera (la situada a la izquierda, matriz A) coincida con el
número de filas de la segunda (la situada a la derecha, matriz B).
AX=B nos recuerda el producto escalar de vectores normales y corrientes ya que cada elemento bk de B
es el resultado que se obtiene al hacer el producto escalar de la fila k.-ésima de la matriz A por la matriz -
columna X.
ALGUNAS MATRICES ESPECIALES

 Matriz cero-nula: de orden M*N

0=[0] M*N
Matriz identidad-unidad /orden N:
 Matrices Invertibles

Se dice que una matriz A cuadrada de orden N*N es invertible y si existe una matriz B de orden N*N
 Cuando el tamaño de una matriz identidad se entienda que debe ser el apropiado para
que una operación omitiremos el subíndice y solo la denotaremos por I. debe ser claro
 Determinantes.
Se denomina determinante de una matriz cuadrada al número que resulta de
sumar/restar todos los productos que pueden obtenerse tomando un factor y sólo uno
de cada fila y un factor y sólo uno de cada columna.
Los productos resultantes son n!, si n es el orden de la matriz cuadrada.
si una vez fijado el primer subíndice de las filas, al realizar
todas las permutaciones posibles de los subíndices de las
columnas de la matriz, se produce un número k par o impar de
inversiones en dichas permutaciones, se sumará o restará el
producto de los elementos de la matriz correspondiente al resto
de productos para obtener el determinante
Rotaciones planas
 Sistemas lineales triangulares
Definición: Se dice que una matriz A = aij de orden N x N es triangular superior cuando sus
elementos verifican aij = 0 siempre que i > j. Se dice que una matriz A = aij de orden N x N es
triangular inferior cuando sus elementos verifican aij = 0 siempre que i < j.
Si A es una matriz triangular superior, entonces se dice que el sistema de ecuaciones AX = B es
un sistema triangular superior de ecuaciones lineales, sistema que tiene la siguiente forma

Supongamos que AX = B es un sistema triangular superior. Si

akk = 0; k = 1, 2, ..., N, entonces existe una solución única del sistema.
 Teorema: Sustitución Regresiva
 Supongamos que AX = B es un sistema triangular superior. Si
Akk ≠ 0; k = 1, 2, ..., N,
entonces existe una solución única del sistema.
• En esta sección desarrollamos un método para resolver un sistema de ecuaciones lineales
general AX= B de N ecuaciones con N incógnitas

• El objetivo es formar un sistema triangular superior equivalente UX= Y que lo podamos

resolver usando el método de la sección 3,3
 TEOREMA 3,7 (Transformación elementales )

Cualquiera de las siguientes operaciones aplicadas a un sistema de

ecuaciones lineales produce un sistema equivalente

 Intercambio
El orden de las ecuaciones puede cambiarse

 Escalado
Multiplicar una ecuación por una constante no nula

 Sustitución
Una ecuación puede ser remplazada por la suma de ella misma mas un
múltiplo de otra ecuación
Ejemplo 3.15. Vamos a determinar la parábola de la ecuación y= A+Bx+C𝒙𝟐 que pasa por los
puntos (1,1 ), (2,-1)y (3,1)
Para cada punto obtenemos una ecuación que relaciona el valor de la abscisa x con el de la
ordenada y. El resultado es el sistema lineal
TEOREMA 3.8 (Operaciones elementales con las filas)
Cualquiera de las siguientes operaciones aplicadas a la matriz ampliada (7) produce un
Sistema lineal equivalente
Pivotes y multiplicadores
Ejemplo 3.16. Vamos expresar el siguiente sistema en forma de matriz ampliada
Luego hallaremos un sistema triangular superior que sea equivalente y finalmente la solución
 Estrategias de pivoteo para reducir los errores
Como los computadores usan una aritmética cuya precisión esta fijada de antemano, es posible que cada vez
que se realice una operación aritmética se introduzca un pequeño error
 Matriz mal condicionada
Se dice que una matriz A esta mal condicionada si existe una matriz B de manera que
cambios pequeños en los elementos A o B provocan cambios grandes en X= 𝐴−1 𝐵 se
dice que el sistema esta mal condicionado si A esta mal condicionada y, cuando esto
ocurre, los métodos numéricos para tener una solución son proclives a tener errores
Factorización triangular
TEOREMA 3.10 (Factorización directa A= LU SIN INTERCAMBIO DE
FILAS)

Suponemos que se puede llevar a cabo hasta el final el proceso de

eliminación gaussiana sin intercambios de filas

Entonces la matriz A puede factorizarse como el producto de una

matriz triangular inferior L en donde todos su elementos de la
diagonal sean 1 por una matriz superior U donde los elementos
de la diagonal son distintos de cero. Es decir:

A= LU
 Matriz de permutación

Para llevar a cabo el proceso de factorización A= LU descrito en el teorema 3.10 hemos supuesto que no
hacen intercambios de filas. Puede ocurrir que una matriz invisible A no admite factorización A= LU
 TEOREMA 3.14 (Factorización indirecta: PA = LU)
Sea A una matriz de orden N × N. Supongamos que el proceso de eliminación gaussiana puede
Llevarse a cabo hasta el final para resolver un sistema cualquiera AX= B entonces existirá una
Matiz de permutación P (la que recoge todos los intercambios de filas realizadas) tal que
El producto PA pueda factorizarse como el producto de una matriz triangular inferior L por
Una matriz triangular superior U
METODOS ITERATIVOS PARA SISTEMAS
LINEALES
Método de iteración de jacobi
Definición
 Se obtiene resolviendo la i-esima ecuación en Ax=b para Xi, lo que resulta en (siempre que aii ≠
0):
𝒂𝒊𝒋 𝒙𝒋 𝒃𝒊
𝒙𝒊 = σ𝒏𝒋=𝟏( − )+ , para i = 1,2,....n Ec. 1
𝒂𝒊𝒊 𝒂𝒊𝒊
𝒋≠𝒊

Para cada k≥1, se generan las componentes 𝑥𝑖 𝑘 de 𝑥 𝑘 a partir de los componentes de 𝑥 𝑘−1
𝟏
𝒙𝒊 𝒌 = 𝒂 [σ𝒏𝒋=𝟏( −𝒂𝒊𝒋 𝒙𝒋 𝒌−𝟏 ) + 𝒃𝒊 ] , para i= 1,2,…….n Ec.2
𝒊𝒊
𝒋≠𝒊
Método iterativo de Gauss-Seidel
Un análisis de la Ecuación del método de Jacobi sugiere una posible mejora. Utilizamos las
componentes de 𝑥 (𝑘−1) para calcular todas las componentes 𝑥𝑖 𝑘 de 𝑥 𝑘 pero para i>1 ya se calcularon
las componentes de 𝑥 𝑘 y probablemente sean mejores aproximaciones a las soluciones reales.
Entonces parece mas razonables calcular 𝑥𝑖 𝑘 por medio de los valores calculados recientemente

Definición

𝟏
𝒙𝒊 𝒌 = 𝒂 [-σ𝒏𝒋=𝟏( 𝒂𝒊𝒋 𝒙𝒋 𝒌−𝟏 ) - σ𝒏𝒋=𝒊+𝟏( 𝒂𝒊𝒋 𝒙𝒋 𝒌−𝟏 ) + 𝒃𝒊 ] Ec. 1
𝒊𝒊 .
𝒋≠𝒊

Para cada i=1,2,………..n

Metodo Iterarivo Gauss-Seidel

 Se puede acelerar la convergencia

 El método iterativo de Jacobi produce tres sucesiones 𝑥𝑘 , 𝑦𝑘 , 𝑦𝑘

 Se utiliza 𝑥𝑘+1 en vez de 𝑥𝑘 , a la hora de calcular 𝑦𝑘+1 de igual forma, sería mejor
utilizar 𝑥𝑘+1 𝑒 𝑦𝑘+1 para calcular 𝑧𝑘+1
 7 + 𝑦𝑘 − 𝑧𝑘
𝑥𝑘+1 =
4
21 + 4𝑥𝑘+1 + 𝑧𝑘
𝑦𝑘+1 =
8
15 + 2𝑥𝑘+1 − 𝑦𝑘+1
𝑧𝑘+1 =
5
 Teorema 3.15(Metodo iterativo de Jacobi)

 Supongamos que A es una matriz de diagonal estrictamente dominante. Entonces el

sistema de ecuaciones lineales AX=B tiene solución única X=P. Además, el proceso
iterativo produce una sucesión de vectores 𝑃𝑘 que converge a P cualquiera que sea el
vector de partida 𝑃0 .
 Puede probarse que el método iterativo de Gauss-Seidel también converge cuando la
matriz A es de diagonal estrictamente dominante,
así como también para matrices simétricas definidas positivas
Convergencia
 Para determinar si una sucesión 𝑃𝑘 converge a P, es necesario tener una medida de la cercanía
entre los vectores. La distancia euclídea entre 𝑃 = (𝑥1 , 𝑥2 , … , 𝑥𝑁 ) y 𝑄 = (𝑦1 , 𝑦2 , … , 𝑦𝑁 ) , dada por
1ൗ
𝑁 2
2
𝑃 − 𝑄 = ෍ 𝑥𝑗 − 𝑦𝑗
𝑗=1

Tiene la desventaja de que requiere un esfuerzo computacional considerable. Por esa razón se
introducen otras normas, como 𝑋 1
𝑁

𝑋 1 = ෍ 𝑥𝑗
𝑗=1
Métodos iterativos para sistemas no lineales

Representación grafica de sistemas no lineales

Definición 3.8(Matriz Jacobiana)

 Sean 𝑓1 = (𝑥, 𝑦) y 𝑓2 = (𝑥, 𝑦) funciones de dos variables independientes x e y. Entonces

su Matriz Jacobiana J(x,y) es:

𝜕𝑓1 𝜕𝑓1
𝜕𝑥 𝜕𝑦
𝐽 𝑥, 𝑦 =
𝜕𝑓2 𝜕𝑓2
𝜕𝑥 𝜕𝑦
 Análogamente, si existen tres funciones de tres variables independientes x,y y z, entonces su matriz
jacobiana es la matriz J(x,y,z) de orden 3 x 3 definida por:

𝜕𝑓1 𝜕𝑓1 𝜕𝑓1

𝜕𝑥 𝜕𝑦 𝜕𝑧
𝜕𝑓2 𝜕𝑓2 𝜕𝑓2
𝐽 𝑥, 𝑦 =
𝜕𝑥 𝜕𝑦 𝜕𝑧
𝜕𝑓3 𝜕𝑓3 𝜕𝑓3
𝜕𝑥 𝜕𝑦 𝜕𝑧
La diferencial
 Cuando tenemos una función de varias variables la diferencial es el instrumento que se usa para
mostrar el efecto de los cambios de las variables independientes en los cambios de las variables
dependientes. Consideramos las funciones:
𝑢 = 𝑓1 (𝑥, 𝑦, 𝑧) , 𝑣 = 𝑓2 (𝑥, 𝑦, 𝑧) 𝑤 = 𝑓3 (𝑥, 𝑦, 𝑧)
 Queremos estimar sus valores de un punto cercano 𝑥, 𝑦, 𝑧 . Supongamos que los valores de estas
funciones se conocen en el punto 𝑥0 , 𝑦0 , 𝑧0 .Si denotamos por, 𝑑𝑢, 𝑑𝑣 𝑦 𝑑𝑤 los cambios
diferenciales en las variables dependientes 𝑑𝑥, 𝑑𝑦 𝑦 𝑑𝑧 los cambios diferenciales en las variables
independientes
 Entonces estos cambios obedecen las relaciones.

𝜕𝑓1 𝜕𝑓1 𝜕𝑓1

𝑑𝑢 = 𝑥0 , 𝑦0 , 𝑧0 𝑑𝑥 + 𝑥0 , 𝑦0 , 𝑧0 𝑑𝑦 + 𝑥 , 𝑦 , 𝑧 𝑑𝑧
𝜕𝑥 𝜕𝑦 𝜕𝑧 0 0 0
𝜕𝑓2 𝜕𝑓2 𝜕𝑓2
𝑑𝑣 = 𝑥 , 𝑦 , 𝑧 𝑑𝑥 + 𝑥 , 𝑦 , 𝑧 𝑑𝑦 + 𝑥 , 𝑦 , 𝑧 𝑑𝑧
𝜕𝑥 0 0 0 𝜕𝑦 0 0 0 𝜕𝑧 0 0 0
𝜕𝑓3 𝜕𝑓3 𝜕𝑓3
𝑑𝑤 = 𝑥 , 𝑦 , 𝑧 𝑑𝑥 + 𝑥 , 𝑦 , 𝑧 𝑑𝑦 + 𝑥 , 𝑦 , 𝑧 𝑑𝑧
𝜕𝑥 0 0 0 𝜕𝑦 0 0 0 𝜕𝑧 0 0 0
 Usando notación vectorial en las expresiones anteriores puede escribirse de forma más compacta
usando la matriz jacobiana.Si denotamos los cambios en la función vectorial por dF y los cambios
en las variables por dX, entonces
𝑑𝑢 𝑑𝑥
𝑑𝐹 = 𝑑𝑣 = 𝐽 𝑥0 , 𝑦0 , 𝑧0 𝑑𝑦 = 𝐽 𝑥0 , 𝑦0 , 𝑧0 𝑑𝑋
𝑑𝑤 𝑑𝑧

MATHEWS, Jhon H, Métodos Numéricos con Matlab, Tercera Edición, Editorial Prentice Hall, Madrid, 2000, pag 171-
 Convergencia cerca entre puntos fijos
 Definición 3.9. Un punto fijo del sistema de dos ecuaciones
𝑥 = 𝑔1 (𝑥, 𝑦) e 𝑦 = 𝑔2 𝑥, 𝑦

Es un punto (p,q) tal que 𝑝 = 𝑔1 (𝑝, 𝑞) y q= 𝑔2 (𝑝, 𝑞). Análogamente, en el caso tridimensional, un
punto fijo del sistema 𝑥 = 𝑔1 𝑥, 𝑦, 𝑧 , 𝑦 = 𝑔2 𝑥, 𝑦, 𝑧 , 𝑧 = 𝑔3 𝑥, 𝑦, 𝑧

Es un punto (p,q,r) tal que 𝑝 = 𝑔1 (𝑝, 𝑞, 𝑟), 𝑞 = 𝑔2 (𝑝, 𝑞, 𝑟) y 𝑟 = 𝑔3 (𝑝, 𝑞, 𝑟)

MATHEWS, Jhon H, Métodos Numéricos con Matlab, Tercera Edición, Editorial Prentice Hall, Madrid, 2000, pag 171-
Definición 3.10. (Método de iteración de puntos fijos)
Para las funciones de un sistema de dos ecuaciones, el método de iteración de punto fijo es

𝑝𝑘+1 = 𝑔1 (𝑝𝑘 , 𝑞𝑘 ) y 𝑞𝑘+1 = 𝑔2 (𝑝𝑘 , 𝑞𝑘 ) Para k = 0,1…

Análogamente, para las funciones de un sistema de tres ecuaciones, el método de iteración de punto
fijo es
𝑝𝑘+1 = 𝑔1 (𝑝𝑘 , 𝑞𝑘 , 𝑟𝑘 )
𝑞𝑘+1 = 𝑔2 (𝑝𝑘 , 𝑞𝑘 , 𝑟𝑘 )
𝑟𝑘+1 = 𝑔3 𝑝𝑘 , 𝑞𝑘 , 𝑟𝑘
Para k = 0,1…
Teorema 3.17.Iteracion de punto fijo
 Supongamos que las funciones de un sistema de dos y tres ecuaciones, así como sus derivadas
parciales son continuas en una región que contiene un punto fijo (p,q) o (p,q,r), respectivamente:
a) Bidimensional
Si (𝑝0 , 𝑞0 ) está suficientemente cerca de (𝑝, 𝑞) y
𝜕𝑔1 𝜕𝑔1
(𝑝, 𝑞) + (𝑝, 𝑞) < 1,
𝜕𝑥 𝜕𝑦
𝜕𝑔2 𝜕𝑔2
(𝑝, 𝑞) + (𝑝, 𝑞) < 1
𝜕𝑥 𝜕𝑦
Entonces la iteración de punto fijo descrita genera una sucesión convergente al punto fijo (p,q).
 b) Tridimensional
 Si (𝑝0 , 𝑞0 , 𝑟0 ) está suficientemente cerca de (𝑝, 𝑞, 𝑟) y
𝜕𝑔1 𝜕𝑔1 𝜕𝑔1
𝑝, 𝑞, 𝑟 + 𝑝, 𝑞, 𝑟 + 𝑝, 𝑞, 𝑟 <1
𝜕𝑥 𝜕𝑦 𝜕𝑧
𝜕𝑔2 𝜕𝑔2 𝜕𝑔2
𝑝, 𝑞, 𝑟 + 𝑝, 𝑞, 𝑟 + 𝑝, 𝑞, 𝑟 <1
𝜕𝑥 𝜕𝑦 𝜕𝑧
𝜕𝑔3 𝜕𝑔3 𝜕𝑔3
𝑝, 𝑞, 𝑟 + 𝑝, 𝑞, 𝑟 + 𝑝, 𝑞, 𝑟 <1
𝜕𝑥 𝜕𝑦 𝜕𝑧
 Entonces la iteración de punto fijo descrita genera una sucesión convergente al punto fijo (p,q,r).

Si estos casos planteados no se cumplen, entonces la iteración podría ser divergente

MATHEWS, Jhon H, Métodos Numéricos con Matlab, Tercera Edición, Editorial Prentice Hall, Madrid, 2000, pag 171-
El método iterativo de Seidel
Se puede llevar a cabo una mejora al método iterativo de Gauss-Seidel para sistemas lineales, tomando
como base el método de iteración de punto fijo. Consiste en usar 𝑝𝑘+1 en el cálculo de 𝑞𝑘+1 (y, en el
caso tridimensional, usar 𝑝𝑘+1 y 𝑞𝑘+1 en el cálculo de 𝑟𝑘+1. A esto se le conoce como método
iterativo de Seidel.
a) Bidimensional
𝑝𝑘+1 = 𝑔1 𝑝𝑘 , 𝑞𝑘 𝑞𝑘+1 = 𝑔2 (𝑝𝑘+1 , 𝑞𝑘 )
b) Tridimensional
𝑝𝑘+1 = 𝑔1 𝑝𝑘 , 𝑞𝑘 , 𝑟𝑘
𝑞𝑘+1 = 𝑔2 𝑝𝑘+1 , 𝑞𝑘 , 𝑟𝑘
El método de Newton- Raphson para sistemas no lineales
 Consideremos el sistema
𝑢 = 𝑓1 (𝑥, 𝑦)
𝑣 = 𝑓2 (𝑥, 𝑦)
Que puede verse como una transformación del plano XOY en el plano UOV. Si estamos interesados en el
comportamiento de esta transformación cerca del punto (𝑥0 , 𝑦0 ) , cuya imagen es el punto (𝑢0 , 𝑣0 ) y si las
dos funciones tienen derivadas parciales continuas, entonces podemos usar la diferencial del sistema para
escribir un sistema de aproximaciones incrementales lineales válidas cerca del punto (𝑥0 , 𝑦0 ) en cuestión:
𝜕 𝜕
𝑢 − 𝑢0 ≈ 𝑓1 𝑥0 , 𝑦0 𝑥 − 𝑥0 + 𝑓 𝑥 , 𝑦 𝑦 − 𝑦0
𝜕𝑥 𝜕𝑦 1 0 0
𝜕 𝜕
𝑣 − 𝑣0 ≈ 𝑓2 𝑥0 , 𝑦0 𝑥 − 𝑥0 + 𝑓 𝑥 , 𝑦 𝑦 − 𝑦0
𝜕𝑥 𝜕𝑦 2 0 0
 Este sistema es una aproximación lineal local que nos da una idea del efecto que pequeños
cambios en las variables independientes producen en las variables dependientes. Si usamos la
matriz jacobiana 𝐽 = (𝑥0 , 𝑦0 ), esta relación se escribe de forma más cómoda como
𝜕 𝜕
𝑓 𝑥 ,𝑦 𝑓 𝑥 ,𝑦
𝑢 − 𝑢0 𝜕𝑥 1 0 0 𝜕𝑦 1 0 0 𝑥 − 𝑥0
𝑣 − 𝑣0 ≈ 𝜕 𝜕 𝑦 − 𝑦0
𝑓 𝑥 ,𝑦 𝑓 𝑥 ,𝑦
𝜕𝑥 2 0 0 𝜕𝑦 2 0 0
 Si escribimos el sistema como una función vectorial V=F(X) entonces la relación queda
∆𝐹 ≈ 𝐽(𝑥0 , 𝑦0 )∆𝑋