Apuntes Metodos Numericos Sistema de Ecuaciones Lineales

Mtodos Numricos Aplicados a la Ingeniera
MTODOS
NUMRICOS
CONTENIDO
I. SOLUCIN DE SISTEMAS DE ECUACIONES ALGEBRAICAS LINEALES
1.1. Algunas Reflexiones sobre Mtodos numricos
1.2. Introduccin
1.3. Existencia y Unicidad
1.4. Mtodos directos de solucin: Gauss - Jordn, descomposicin LU,
Cholesky.
1.5. Mtodos Iterativos.
1.6. Convergencia
1.7. Mtodo del descenso ms rpido y del Mtodo de gradiente
conjugado
II.PROBLEMAS DE VALORES Y VECTORES CARACTERSTICOS
2.1. Aspectos bsicos.
2.2. Teorema de Schur y Gershgorin
2.3. Problemas propios de una matriz.
2.4. Factorizaciones Ortogonales y problemas de mnimos cuadrados
2.5. Mtodo de QR de Francis para problemas de valores propios
2.6. Mtodo mixtos evaluacin de la determinante Iteracin en un
subespacio
I. SOLUCIN
DE
SISTEMAS
DE
ECUACIONES
ALGEBRAICAS
Pgina 1 de 96

LINEALES
1.1.
Algunas Reflexiones Sobre Mtodos Numricos
El anlisis numrico y su diversidad de mtodos en realidad es la dialtica

del anlisis matemtico cualitativo y cuantitativo. El anlisis matemtico nos
afirma que bajo ciertas condiciones algo existe y que es nico etc. Sin
embargo el otro complementa calculando aproximadamente el valor de
aquello que existe. En resumen podemos decir que el anlisis numrico es
una reflexin sobre el anlisis matemtico es decir sobre el lgebra lineal,
ecuaciones diferenciales, etc. Desde el punto de vista numrico teniendo
como sinergia una serie de mtodos o algoritmos cuyo estudio y uso en
diferentes reas de ingeniera es de importancia.
Como se observa los mtodos numricos son tcnicas para formular
problemas y solucionarlo usando operaciones lgicas aritmticas contando
como herramienta determinante la computadora y los lenguajes de alto
nivel (fortran, Basic, Pascal, entre otros).
En un inicio podemos decir que las personas interesadas con esta rea del
conocimiento solo contaban con:
1. determinaban la solucin usando mtodos exactos o analticos, pero en
realidad estas soluciones solo es para un nmero limitado de problemas en
consecuencia las soluciones analticas tienen valores prcticos limitados
por que la gran mayora de los problemas implican formas y procesos
complejos.
2. Cuando se requera analizar el comportamiento de sistemas se usaban
soluciones grficas cuyos resultados no son muy precisos adems que sus
representaciones son muy tediosos sin el uso de computadoras, estas
tcnicas graficas son limitadas a problemas que pueden describirse usando
tres dimensiones o menos.
3. Para implementar mtodos numricos se usaban calculadoras y reglas
de clculo, estos instrumentos presentan una diversidad de dificultades
como consecuencia de su lentitud al realizar los clculos, adems que sus
resultados no son muy consistentes por que surgen equivocaciones al
realizar su proceso de clculo.
Pero en la actualidad los mtodos numricos contando con una
herramienta como la computadora ofrecen alternativas para el clculo de
problemas complejo que en oportunidades el anlisis matematic tendra
mucha dificultad. Sin embargo debemos resaltar que el anlisis numrico
es de gran importancia tanto para solucionar problemas como para dar
mayor comprensin.
Podemos decir que despus de la aparecan de la computadora los
mtodos numricos a explosionado, estn inicialmente directamente
Pgina 2 de 96

relacionado con el tiempo de maquina en consecuencia limitado por el
costo de procesamiento de las grandes computadoras (mainframes) lo que
induce que aun algunos continen usando mtodos analticos en sus
trabajos, pero en la actualidad con el avance de la tecnologa como la
aparicin de las computadoras personales a bajo costo permiten cumplir
con capacidades complejas.
Entre otras razones del uso de los mtodos numricos podemos citar:
1. Su capacidad para solucionar sistemas de ecuaciones lineales de
grande porte, el manejo de no linealidades y la solucin de geometras
complejas retos muy usuales en la sociedad ingenieril del presente siglo,
que se tornan dificultosos o imposibles de ser manipulados por el anlisis
matemtico.
2. Los mtodos numricos permite reforzar la comprensin matemtica por
ser experimental yo dira permite la creatividad principalmente en temas
oscuros ocasionando un aumento de la capacidad de comprensin y
entendimiento de las matemticas.
3. Los mtodos numricos dan la oportunidad de construir sus propios
programas para resolver los problemas sin tener que comprar software
costosos y de una complejidad para su comprensin y aplicacin.
4. Los MN es un medio para aprender usar las computadoras, como para
estructurar programas y demostrar las limitaciones de las computadoras.
Finalmente podemos afirmar que los mtodos numricos permiten
reconocer y controlar los errores de aproximacin.
En resumen los mtodos numricos nos permitirn:
1. Solucionar sistemas de ecuaciones algebraicas lineales
x y 4
x y 2
; Entonces x 3 , y 1 es solucin nica
Forma grfica
.
x y 4
x y 2
2. Determinar races de ecuaciones: resolver f(x) para x.
Pgina 3 de 96
3. Determinar un valor de x para que optimice una funcin
Minimo
Interpolacion
4. Aproximar curvas
Minimo
Regresion
5. Integracin: Determinar el rea debajo la curva

,
I
6. Solucin numrica para ecuaciones diferenciales ordinarias

Pgina 4 de 96

Dada.
Determinar como funcin de t

ti
ti+1
7. Solucin numrica de ecuaciones diferenciales parciales

En este item debemos destacar que estos modelos son apropiados para
caracterizar modelos en ingeniera como: distribucin de temperatura en
estado estacionario en una placa, la temperatura en una barra.
Dado
Determinar u como funcin de x, y.
1.2.
INTRODUCCIN
1.2.1. Sistemas de ecuaciones

Comentarios: en este tem aplicaremos
la teora de matrices y
determinantes para determinar la solucin de un sistema de ecuaciones

lineales. Identificaremos las condiciones para que un sistema tenga
solucin y extenderemos estos criterios a determinar la solucin de m
ecuaciones con n incgnitas.
Definicin: Llamaremos sistema de ecuaciones lineales al conjunto de
ecuaciones con dos o ms incgnitas (variables) de tal manera que se
verifiquen simultneamente para ciertos criterios asignados a sus
incgnitas.
Ejemplo:
Pgina 5 de 96
1.
x y 4
;
x y 2
es un sistema de dos ecuaciones y 2 incgnitas que se
verifican simultneamente para x 3 ; y 1 .

2x y z 4
2.
x yz 6
; es un sistema de 3 ecuaciones y 3 incgnitas que se
3x y 4
verifican simultneamente para x 2 ; y 2 ; z 2

3. En general podemos considerar:
a11 x a12 y b1
; un sistema de 2
a 21 x a 22 y b2
ecuaciones y 2 incgnitas que se verifican simultneamente para un

nmero real determinado de x , y .
4. En general se pueden considerar m ecuaciones y n incgnitas.
1.2.2. SOLUCIN DE UN SISTEMA DE ECUACIONES
Si existe la solucin de un sistema de ecuaciones esto depende del nmero
de incgnitas o variables; esto es:
a) Si el sistema tiene dos ecuaciones, la solucin si existe tendr dos
incgnitas; es decir ( x, y ) y se llamar par ordenado.
b) Si el sistema tiene 3 ecuaciones la solucin tendr tres incgnitas; es
decir ( x, y, z ) y se llamar triada o terna.
c) Si el sistema tiene n ecuaciones la solucin tendr n incgnitas; es
decir ( x1 , x 2 , ... , x n ) y se llamar n-ada.
Definicin: Llamaremos conjunto solucin C.S al conjunto de valores
formado por todas las soluciones del sistema.
C.S {x1 , x 2 , x3 , ... , x n }
Ejemplos:
1.
x y 4
x y 2
; entonces x 3 , y 1 es solucin nica
Forma grfica.
x y 4
x y 2
Pgina 6 de 96
2. Sea
x y 4
;
4 x 4 y 16
estas dos ecuaciones son equivalentes pues una
ecuacin depende de la otra.

La solucin es x 4 y ; es decir ( 4 y, y ) es una solucin del sistema
para cualquier valor de y real. En otras palabras el sistema tiene infinitas
soluciones por decir: ( 4,0) (3,1) ( 2,2) (1,3) (0,4) ....
Forma grfica.
Infinitas
soluciones
x y 4
4 x 4 y 16
x y 4
3. Sea el sistema: 4 x 4 y 20 ; el sistema no tiene solucin pues la

primera fila contradice a la segunda; es decir es un sistema inconsistente o
incompatible.
Forma grfica.
4 x 4 y 20
x y 4
Pgina 7 de 96

1.2.3.
SISTEMA
DE
ECUACIONES
LINEALES
CON
INCOGNITAS
Debemos resaltar que muchos problemas prcticos y reales se reducen a
un sistema de ecuaciones de este tipo, para ver esto se puede recurrir a
cualquier documento de investigacin de operaciones. Por decir: Problema
de Dietas, Problemas de mano de obra, Problema de inversin, problema
de fabricar productos, problema de transporte, etc.
En general este sistema ser representado por:
a11 x1
a12 x 2
a13 x3
a1 j x j
a1n x n
b1
a 21 x1
a 22 x 2
a 23 x3
a2 j x j
a 2n xn
b2
ai1 x1
ai 2 x 2
ai 3 x3
aij x j
ain xn
bi
a m1 x1
a m 2 x2
a m3 x3
a mj x j
a mn x n

bm
Donde:
a ij IR mn ; bi IR m
i 1,2,..., m j 1,2,..., n ;
el sistema (1) se puede
escribir:
m
aij x j bi
i 1 j 1
aij x j bi ; i 1,2,..., m
j 1
1.2.4. FORMA MATRICIAL

El sistema (1) se puede escribir:
a11
a
21
a12
a 22
ai1 ai 2
am1 am 2
a13
a23
... a1 j
... a2 j

ai3 ... aij

a m3 ... amj
... a1n
... a2n
... ain
... amn
x1
x
2
b1
b
2
xi bi

x m bm
( 2)
Pgina 8 de 96
(1)

Es decir: Ax b
Donde:
m n IR m n ; es llamada matriz de coeficientes.
A aij
x x1 j
IR1 n ;
1 n
b bi1 m1 IR m1
es llamado vector de variables, entidades, incgnitas.

;
es
llamado
vector
independiente,
bienes
requerimientos.
1.3. EXISTENCIA Y UNICIDAD DE SOLUCIONES

Resolver (1) ( 2) consiste en determinar los vectores
que cumplan
los requerimientos.
Si bi 0 para todo i 1,2,..., m , el sistema (1) ( 2)
se llama
homogneo y si bi 0 el sistema es no homogneo.

Supongamos que es definida la siguiente matriz llamada aumentada del
sistema Aa ; formada por la matriz de coeficientes A y adjuntando el
vector independiente b ; as:
Aa A b
a11
a
21
ai1
a m1
a12
a 22
a13
a23
ai 2
am 2
ai 3
a m3
... a1 j
... a2 j

... aij

... amj
...
...
...
...
a1n b1
a2n b2

aij bi
ain bi

a mn bm
Pgina 9 de 96

Si el rango de la matriz de coeficientes A y de la matriz aumentada Aa
son iguales entonces el sistema (1) es consistente; es decir tiene solucin.
En otras palabras r ( A) r ( Aa ) caso contrario el sistema es inconsistente
esto es r ( A) r ( Aa ) no tiene solucin.
Si el sistema es consistente y ocurrir que r ( A) r ( Aa) n entonces el
sistema tiene solucin nica.
Si el sistema es consistente y ocurre que r ( A) r ( Aa ) k n entonces el
sistema tiene infinitas soluciones.
Grficamente:
AX=B
Si r(A) r(Aa)
Inconsistente no
hay solucin
Si r(A) = r(Aa) = k,
Consistente existe
solucin
Si K = n la
solucin es nica
Si k< n;
infinitas
soluciones
Ejemplificacin:
1.
4 x 8 y 12
a)
Dado el sistema: 5 x 10 y 20
4 8
1

5 10
0
4
5
r ( A) 1
8 12
1

0
10 20
2 3
0 5
r ( Aa) 2
Como r ( A) r ( Aa ) , entonces el sistema es inconsistente; es decir no

tiene solucin.
b)
Si el sistema fuera homogneo es decir

Pgina 10 de 96

4x 8 y 0
5 x 10 y 0
r ( A) r ( Aa ) 1 , es decir: r ( A) n 2 en este caso existe un nmero
infinito de soluciones.
3 x 5 y 14
2. Dado el sistema de ecuaciones: 2 x y 5

3
2
3
2
Aa
5
1

1
0
5/3
r ( A) 2
13 / 3
5 14
1

0
1 5
5 / 3 14 / 3
1

0
13 / 3 13 / 3
5 / 3 14 / 3
1
1
r ( Aa ) 2
Entonces el sistema tiene una nica solucin C.S {3,1}

1.4. MTODOS DIRECTOS DE SOLUCIN
1.4.1. Mtodos diagonales
Definicin: Se llama sistemas de ecuaciones diagonales a los arreglos
especiales en forma de una diagonal:
Ejemplo:
3x1
6
4 x2
8
5 x3 20
3 0 0 x1 6
0 4 0 x2 8
0 0 5 x 20
Solucin:
6
x1 2
5
8
x2
x2 2
4
20
x3
x3 4
5
x1
C.S {2,2,4}
Observaciones:
1. La matriz de coeficientes es una matriz diagonal.
2. El conjunto solucin es obtenido dividiendo cada elemento del vector
independiente (insumos, condiciones) por cada respectivo elemento de la
matriz diagonal.
3. Una matriz diagonal en general se representa de la siguiente forma:
Pgina 11 de 96
a11 0
0 a 22
aij si i j
0
A aij
; es decir A 0
n n 0 si i j

0
0
0
0
...
...
a33 ...

0
0
0
a nn
4. El sistema de ecuaciones lineales diagonal ser:

0 ... 0
a11 0
0 a22 0 ... 0
0
0 a33 ... 0

0
0
0 0 ann
x1 b1

x 2 b2
x b
3 3

x b
n n
5. Determinado su solucin general

b
b
b
b
b
x1 1 ; x 2 2 ; x3 3 ;....xi i ...x n n
a11
a 22
a 33
a ii
a nn
bi
; i 1,.2,..., n son las soluciones del
En general comprobamos que xi
aii
sistema.
Seudocdigo
Seudocdigo
1.4.2. MTODO TRIANGULAR INFERIOR

Definicin: Se llama sistema de ecuaciones triangular inferior a los
sistemas de ecuaciones que al momento de escribir en forma matricial
la matriz de coeficientes es una matriz triangular inferior
Pgina 12 de 96

Ejemplo:
2 x1
x1 x2
3 x1 2 x2
4
4 x3 15
2 0 0 x1 6

1 1 0 x2 4
3 2 4 x 15
Solucin:
x1
6
2
x1 3
x2 4
6
2
x2 1
C.S {3,1,2}
6
6
x3 15 3 2 4
8
2
x3 2
Observacin:
1. La matriz de coeficientes es una matriz triangular inferior.
2. El sistema se puede escribir de la siguiente manera
a11
a21
a
31

ai1
0
0 ... 0
a22 0 ... 0
a32 a33 ... 0
ai 2 aii
an1 an 2 an3 ann

3.
x1 b1

x2 b2
x b
3 3

xi bi

x b
n n
El conjunto solucin del sistema triangular es obtenido de la
siguiente manera.
Primero: suponiendo que aii 0 para todo i
Segundo: el valor de x1 se obtiene a partir de la primera ecuacin del
b1
sistema; es decir: x1
a11
Tercero: el valor de x 2 se obtiene de la segunda ecuacin sustituyendo el

valor de x1 ; es decir:
b1
x2
a11
a22 x2 b2 a21
b1

a11
x2 b2 a 21 x1 / a22
b2 a21
a22
Pgina 13 de 96

Cuarto: Los valores de x3 , x 4 , ..., x n son obtenidos de manera anloga:
x3 b3 a31 x1 a32 x2 / a33
i 1
xi bi aij x j / aii
j 1
Seudocdigo
Seudocdigo
1.4.3. MTODO TRIANGULAR SUPERIOR

Definicin: Se llama sistema de ecuaciones triangular superior a los
sistemas de ecuaciones que al momento de escribir en forma matricial
la matriz de coeficientes es una matriz triangular superior.
Ejemplo:
5 x1 2 x2
0
2 x2
3 x3
4 x3
24
3 x3
5 2 3
0 2 4
0 0 3
x1 5
x2 24
x 6
3
Solucin:
6
x3 2
3
x 2 24 4(2) / 2 x 2 8
x3
x1 5 2 x 2 3 x3 / 5 x1 27 / 5
C.S {27 / 5,8,1}
Observacin:
Pgina 14 de 96

1. La matriz de coeficientes es una matriz triangular superior.
2. El sistema se puede escribir de la siguiente manera
a11 a12 a13 ... a1i ...
0 a 22 a23 ... a 2i ..
0
0 a33 .... a3i ..
3.
aii
a1n x1 b1

a2n x2 b2
a3n x3 b3

ain xi bi

a nn xn bn
La solucin del sistema triangular superior se obtiene de la
siguiente manera.
Primero: iniciamos determinando el valor de la ltima variable en este caso
b
x n a partir de la ltima fila. xn nn
ann
Segundo:
para
determinar
el
subsiguiente
valor
se
realiza
as:
xn 1 bn 1 an 1n xn / an 1n 1
Tercero: Los valores
de x n 2 , x n 3 , ..., x1 son obtenidos de manera
anloga:
n
xi bi aij x j / aii ; i n, n 1, n 2,...,1
j i 1
Seudocdigo
Seudocdigo
Pgina 15 de 96
1.4.4. MTODO DE KARL GAUSS

Kart Gauss(1777-1855) fue uno de los ms destacados matemticos del
siglo XIX fue de origen alemn naciendo en Brunswick, en una familia de
una
economa
precaria
dedicada
las
actividades
urbanas
desempendose generalmente como obrero.

Gauss mostr desde muy temprana edad sus condiciones de matemtico
y justamente uno de sus tantos aportes al rea de la ciencia fue su
metodologa para solucionar sistemas de ecuaciones por los aos de
1811.
Gauss a los 30 aos fue catedrtico en matemticas en Gottingen hasta
su muerte a los 77 aos. Debemos destacar que a Gauss se le llamaba el
prncipe de las matemticas y fue condecorado por Geroge V. rey de
Hannover.
El mtodo de Gauss para solucionar un sistema de ecuaciones llamado
tambin eliminacin Gaussiana.
Supongamos que se tiene un sistema de ecuaciones con una nica
solucin y que no, se tiene ninguna dificultad para encontrar dicha
solucin luego se procede as:
a)
Un proceso de eliminacin hacia delante.
1. Eliminamos el primer trmino de la segunda ecuacin; multiplicando

a la primera ecuacin por
a 21
y restndolo del primer trmino de la
a11
segunda ecuacin para eliminar el primer trmino de la segunda

ecuacin; luego se multiplica a la primera ecuacin por
a31
y se resta del
a11
primer trmino de la tercera ecuacin y as sucesivamente para las
Pgina 16 de 96

restantes ecuaciones i 3 se elimina restando la primera ecuacin
multiplicada por
a11 x1
ai1
, quedando el sistema as:
a11
a12 x2
a13 x3
a1i xi
a ' 22 x2 a ' 23 x3 a ' 2i xi
'
'
'
a i 2 x2 a i 3 x3 a ii xi
'
'
'
a m 2 x2 a m3 x3 a mi xi
a1n xn
b1
a ' 2n x n b ' 2

'
a in xn b 'i

'
a mn xn b ' m
En donde:
a
a 'ij aij i1 a1 j
a11
2. Eliminamos del segundo trmino de las ecuaciones del sistema (1)
donde la tercera ecuacin hasta la ltima i 2 se realiza anlogamente
que
en la primera parte es decir: restamos la segunda ecuacin del
sistema multiplicada por
a 'i 2
a ' 22
y as continuamos eliminando los terceros
trminos de las ecuaciones restantes, finalmente se llega a una

triangulacin total; as:
a11 x1
a12 x2
'
a13 x3
'
a 22 x2 a 23 x3
a1i xi
'
a 2i xi

a i 1ii xi

a1n xn
'
b1
a 2n xn
b'2
a i 1in xn b i 1i
a n 1mn xn b n 1m
Observacin:
1.
A los trminos principales de cada ecuacin se le llama pivote.
Pgina 17 de 96
(3)

2.
Se puede normalizar cada ecuacin, y para ello slo se divide por
el coeficiente principal, fenmeno que no se usa en la eliminacin

Gaussiana la razn es por el aumento del tiempo computacional.
b)
Un proceso de sustitucin hacia atrs.
Este proceso consiste en usar la solucin de un sistema triangular

superior explicado anteriormente.
Debemos destacar que esta metodologa de eliminacin Gaussiana se
puede trabajar slo con los elementos de la matriz aumentada es decir:
a11 a12
a 21 a 22
a
a
31 32
ai1 ai 2

a
n1 a n 2
a13 ... a1i ...

a 23 ... a 2i ..
a33 .... a3i ..
a1n b1
a 2n b2
a3n b3
aii
ain bi
a n3

a nn bn
Seudocdigo
Seudocdigo
Una vez realizada la eliminacin Gaussiana, utilizamos el algoritmo del

sistema triangular superior para solucionar completamente el sistema de
ecuaciones.
Pgina 18 de 96
Ejemplos:
1. Resolver el siguiente sistema usando eliminacin Gaussiana.
2 x1 x 2 3 x3 1
x1 3 x 2 2 x3 12
3 x1 x 2 3 x3 0
Primera fase: Triangulacin de la matriz aumentada.

a) Determinando la matriz aumentada Aa A b
2
1
3
3
1
2
3
12
0
b) Realizando operaciones elementales de matrices segn el mtodo.

2
0
0
3 1
1 / 2 23 / 2
3 / 2 3 / 2
1
7/2
1/ 2
0
0
1
7/2
0
3 1
1 / 2 23 / 2
11 / 7 22 / 7
Segunda fase: Determinacin de los valores de las variables

23 7
2
2 2
x2
7
2
22
x3 7 2 x3 2 ,
11
7
x2 3
x1 1 (2)(3) 3 / 2 x1 1
Ahora comprobaremos los resultados usando MATLAB para hacer las
operaciones elementales por fila.
>> A=[2 1 -3;-1 3 2;3 1 -3]
A=
-3
-1
-3
>> b=[-1 12 0] b =
-1
12
>> A=[A b']

A=
-3
-1
-1
12
-3
>> format rat

>> A(2,:)=A(2,:)+A(1,:)/2
Pgina 19 de 96

A=
2
-3
-1
7/2
1/2
23/2
-3
>> A(3,:)=A(3,:)-3*A(1,:)/2
A=
2
-3
-1
7/2
1/2
23/2
-1/2
3/2
3/2
>> A(3,:)=A(3,:)+A(2,:)/7
A=
7/2
-3
-1
1/2
23/2
11/7
22/7
Solucionando este sistema triangular superior con el mtodo de

sustitucin regresiva obtenemos:
>> sts(A,b,3)
x=
1.000000000000
3.000000000000
2.000000000000
2. Resolver el siguiente sistema usando eliminacin Gaussiana.
3 x1 2 x 2 3 x3 2
x1 3 x 2 2 x3 1
5 x1 2 x 2 4 x3 13

a)
1
5
Determinando la matriz aumentada Aa A b

2
3
2
2
4
1
13

3
0
0
2
7/3
16 / 3
3 2
1 5 / 3
9 49 / 3
0
0
2
7/3
0
1 5 / 3
47 / 7 141 / 7
Pgina 20 de 96

141
x3 7 3 x3 3 ;
47
7
1 3
3
x2
7
3
x2 2
x1 2 ( 2)2 3(3) / 3 x1 1
Ahora comprobaremos los resultados usando MATLAB.
A=[3 2 -3;1 3 -2;5 -2 4] % ingresamos la matriz de coeficientes
A=
-3
-2
-2
b=[-2 1 13] % ingresamos el vector de trminos independientes

b=
-2
13
x = inv(A)*b' % encontramos el valor de x

x=
1
2
3
3. Resolver el siguiente sistema usando eliminacin Gaussiana:

3 x 2 4 x3 9
2 x1
4 x1 5 x 2 x3
2 x2
x1
3 x3 3

a) Determinando la matriz aumentada Aa A b
2
4
1
3
5
2
4
1
3
7
3

2
0
0
3
11
7/2
7
25
1 3 / 2
0
0
3
11
0
7
25
71 / 22 142 / 22

Pgina 21 de 96

142
x3 22 2 x3 2 ;
71
22
25 7(2)
x2
11
x2 1
x1 9 (3)1 4(2) / 2 x1 1
Ahora usamos MATLAB para comprobar los resultados con el programa
de gauss.
A=[2 3 4;-4 5 -1;1 -2 3]
A=
-4
-1
-2
b=[9 7 3]
b=
x=inv(A)*b'
x = -1.0000
1.0000
2.0000
1.4.5. MTODOS DE FACTORIZACIN
DESCOMPOSICIN LU APLICACIONES
Anteriormente ya se ha escrito que un sistema de n ecuaciones con n
incgnitas se puede escribir de la siguiente manera
a11
a
21

a i1

a n1
a12
a 22
a13
a 23
... a1 j
... a 2 j
ai 2
an2
ai 3
a n3

... aij

... a nj
... a1n
... a 2 n

... ain

... a nn
x1
b1
x
b
2
2

xi
bi

x n
bn
O simplemente: Ax b
Pgina 22 de 96

Supongamos que la matriz A se puede escribir como el producto de LU
, donde
L : es una matriz triangular inferior de orden nxn

U : es una matriz triangular superior de orden nxn
l11
l 21
l
31
Es decir: L
li1

l
n1
0
l 22
l32
li 2
ln 2
... 0
... 0
l33 ... 0
lij
lii

l n3 l nn
0
0
u11 u12 u13 ... u1 j ...
0 u 22 u 23 ... u 2 j ..
0
0 u33 .... u3 j ..
0
0
uij
0
0
0
nxn
lij lij , i j
lij 0 , i j
tal que
u1n
u 2n
u 3n
uij
uin

u nn
nxn tal que uuij u0ij, , ii jj
ij
Cuando es posible factorizar A LU se dice que A tiene una

descomposicin LU , pero esto no ocurre de una nica forma.
Cuando lii 1, i 1,2,3,..., n La matriz L se transforma en una matriz
triangular inferior unitaria; en este caso se le llama FACTORIZACIN DE
DOOLITTLE.
La otra manera seria uii 1, i 1,2,3,..., n transformando a U en una
matriz triangular superior unitaria se le conoce con el nombre de
FACTORIZACIN DE CROUT.
Cuando U =Lt de modo que lii es igual a uii para 1 i n se le llama
descomposicin de CHOLESKY. Esta descomposicin de Cholesky
requiere de varias propiedades especiales, la matriz A debe ser real,
simtrica y definida positiva.
Pgina 23 de 96
Por ejemplo para una matriz 4x4 se tiene.
a11 a12
a
21 a22
a31 a32
a41 a42
a13 a14
a23 a24
a33 a34

a43 a44
0
1
l21
l31 l32
0
0
1
l41 l42 l43
0
0
.
0

1
u11 u12 u13 u14

0 u22 u23 u24
0
0 u33 u34
0
0
0 u44
a11 u11 , a12 u12 , a13 u13 , a14 u14
a 21 l21. u11 , a22 l21 u12 u 22 , a 23 l21u13 u 23 , a 24 l 21u14 u 24

a31 l31 .u11 , a32 l31 u12 l32 u 22 , a33 l31u13 l 23u 23 u33 , a34 l31u14 l32 u 24 u32
a 41 l41. u11 , a 42 l 41 u12 l42 u 22 , a 43 l41u13 l 42 u 23 l 43u33 , a 44 l 41u14 l 42 u 24 l 43u32 u 44
aij
min(i , j )
s 1
s 1
lis .u sj lis . u sj
Es decir:
a24
a 44
lis u sj
a24 l 21u12 l 22 u 24 l 21u14 u 24
s 1
4
lis u sj
s 1
a 44 l 41u14 l 42 u 24 l 43u 34 u 44
Observacin:
a)
lis 0 Para s i ; lis 1, i s
b)
u sj 0 Para s j
c)
El primer rengln fila de U es igual al de A ; es decir:
a11 u11 ; a12 u12 ; a13 u13 ; a14 u14

u1 j a1 j ; j 1,2,3,4
d)
Multiplicamos la segunda fila, la tercera fila y la cuarta fila de
L por la primera columna de U
Pgina 24 de 96

a 21 l 21u11 ; a31 l31u11 ; a 41 l 41u11
l21
e)
a
a21
a
; l31 31 ; l 41 41
u11
u11
u11
Multiplicando la segunda fila de L , por la segunda, tercera y
cuarta columna de U y la igualamos con los elementos de A , se tiene:

a22 l 21u12 u 22 ; a23 l 21u13 u 23 ; a24 l 21u14 u 24
Determinamos: u 22 ; u 23 ; u 24
u 22 a 22 l21u12 ; u 23 a 23 l21u13 ; u 24 a 24 l21u14
En general el algoritmo de descomposicin LU es la que sigue:

Seudocdigo
Seudocdigo
Input
Inputn,(a
n,(aij)ij)
For
Forkk==1,2,,
1,2,,
for
forj j==k+1,k+2,n
k+1,k+2,n
end
end
for
fori=i=k+1,k+2,n
k+1,k+2,n
end
end
end
end
Output
Output(l(lij),),(u(uij) )
ij
ij
1.4.6. MTODO DE FACTORIZACIN DE DOOLITTLE

Consideremos una matriz de tres por tres:
a11 a12 a13
A a 21 a 22 a 23
a 31 a 32 a 33
Pgina 25 de 96
L11 = L22 = L33 = 1, luego desarrolla el sistema de ecuaciones as:

u11 = a11, u12 = a12 , u13 = a13
Continuando
L21 = a21/a11, u22 = a22 (a21/a11) a12, u23 = a23 (a21/a11)a13
Del otro grupo de ecuaciones tenemos
L31
a 31
a11
L32
a 31
a12
a
11
a 32
a 21
a12
a11
a 22
a 31
a12

a 21
a11
a13
a 23
a
a11
a 22 21 a12
a11
a 32
a 31
a13
a 21
33 a 33
Seudocdigo
Seudocdigo
Input
Inputn,(a
n,(aij)ij)
For
Fork=1,2,,
k=1,2,,
for
forj j=k+1,k+2,n
=k+1,k+2,n
end
end
for
i=
for i=k+1,k+2,n
k+1,k+2,n
end
end
end
end
output
)
ij )
output(l(lij),),(u(u
ij
ij
Ejemplo:
Pgina 26 de 96

Supongamos que tenemos el siguiente sistema de ecuaciones
4 9 2 x1 5

2 4 6 x2 3
1 1 3 x 4
3
Solucin
Este sistema se descompone as:
L11 L 22 L33 1
u11 4 ; u12 9 ; u13 2
L21
L31
2
1
L21
4
2
1
; L32
4
1
9
5
(9) 1
4
4 4 2.5
9
1
2
4 (9) 4
2
2
4
1
u 21 0
9 1
1
2
(9) 4 u 22
2 2
2
4
u 22 4
4
2
2 6 5
4
4
u 23 6
u 23 5
1
(9)
4
2
4 (9)
4
(2)
4

u 33 3
1
2
2 3 2.5 5 10 u 33 10
2
4
Luego:
0 .5
0.25
2.5
0
0
9
0.5
0
10
Pgina 27 de 96

Para resolver el sistema dado se sigue los siguientes pasos:
Primero: Resolvemos Lc = b
Vector independiente original
Un vector cualquiera
I.e.
0 C1
5

1 0 C2 3
0.5
0.25 2.5 1 C
4
C1 = 5; C2 = 3 - 0.5 (5) C2 = 0.5

C3 = 4 0.25 (5) (2.5) (0.5) = 4 -1.25 1.25 C 3 = 1.5
Segundo: Resolver Ux = c
4 9 2 x1 5

0 0.5 5 x2 0.5
0 0 10 x 1.5
3
x3
1.5
x3 = -0.15
10
x2
0.5 5 (0.15)
2.5 x2 = 2.5
0.5
x1
(5 9 (2.5) 2 (0.15))
x1 = 6.95
4
Generalizacin
Pgina 28 de 96

i 1
u ij a ij Lik u kj ; j i, i 1,.....n
k 1
Lij
1
u jj
j 1
a ij Lik u kj , i j 1,....n
k 1
Lii 1, i 1,2,...n
1.4.7. MTODO DE CHOLESKY

Matriz Positiva:
Diremos que una matriz simtrica A, es positiva si solo si los
determinantes de las sub matrices de A son positivos.
a11 0 ,
a11
a12
a 21
a 22
a11
, a 21
a12
a 22
a13
a 21 0 , ..... ,
a 31
a 32
a 33
a11
a12
a1 j
a1n
a 21
a 21
a2 j
a 2n
a i1
ai 2
a ij
a in
an2
a nj
a nn
a n1
Supongamos que tenemos el sistema en la forma LU toma la forma de

LLT, en donde L es una matriz triangular inferior i.e.
L11
L21
L
31

L
i1

Ln1
0
L22
0
0
0
0
L32
L33
0
0
Li 2
Li 3
Lii
Ln 2
Ln3
L ni
L nn
Observacin:
Los clculos se reducen pues estimaremos n (n+1)/2 elementos, los L ij 0
en lugar de de n2 elementos de una factorizacin nominal:
Ejemplo: Resolver el sistema siguiente
Pgina 29 de 96
4 1 2 x1 1
1 2 0 x 2
2
2 0 5 x3 4
La matriz de coeficiente es simtrica y positiva, luego aplicamos Cholesky.
Supongamos su descomposicin sea:
L11
L
21
L31
0
L 22
L32
0
0
L33
L11
0
L21
L22
0
L31
4 1 2
L32 1 2 0
2 0 5
L33
2
L11
a11 4 L11 2 se toma el valor positivo de todas las raices
1
2
1
L11 L 21 0 L 21
L11 L31 2 L31
L221 L222 2 L 22
2 0.25 1.32287
1
1.32287 0.37796
2
5 1 0.14286 L33 1.963396
L 21 L31 L 22 L32 0 L32

L231 L232 L233 5 L31
i)
2
0
Resolver el sistema LC=b
c1
1.32287
0 c 2
0 0.37796 1.96396 c 3
0
1
2
4
c
c1 1 / 2 , 1 1.32289 c 2 2 c 2
2
c 2 1.32287
1
2
4
1.32289
c 2 1.32287
c 3 2.0367
Pgina 30 de 96

Resolver el sistema LTx = C
ii)
12
1
2
x1 1 2
0 1.32287 0.37796 x 2 1.32287

0
0
1.96396 x 3 2.0367
2.0367
x3
x 3 1.037
1.96396
0.59259
1.32287 0.37796 (1.037)

x2
1.29629 x 1.29629
1.32287
1.037
0.5 0.5 (1.29629) 2.0367
x1
0.5959
2
Generalizacin para un sistema de n ecuaciones
L11 a11
a i1
, i 2,3,...., n
L11
Li1
i 1
Lii a11 l
;
k 1
i 1
1
Lij
a ij l ik l jk
L11
k 1
Lij 0
2
in
i2
i j 1, j 2,...., n 1
j 2,3,....., n
i j
1.5. RESOLUCIN DE SISTEMAS DE ECUACIONES LINEALES POR

MTODOS ITERATIVOS
Debemos resaltar que lo mtodos vistos hasta la actualidad para
solucionar sistemas de ecuaciones algebraicas lineales son muy caros
computacionalmente.
Estos mtodos exigen una memoria de mquina proporcional al
cuadrado del orden de la matriz de coeficiente A.
De igual manera se producen grandes errores de redondeo como
consecuencia del nmero de operaciones.
Debemos mencionar que en estos mtodos necesitan tener una
aproximacin inicial de la solucin y no esperamos tener una solucin
exacta aun cuando todas las operaciones se realicen utilizando una
aritmtica exacta. Pero podemos decir que en muchos casos son mas
efectivos que los mtodos directos por requerir mucho menos esfuerzo
Pgina 31 de 96

computacional y sus errores se reducen, esto es cierta cuando la matriz
es dispersa es decir cuando la matriz tienen un alto porcentaje de
elementos nulos.
En esta oportunidad estudiaremos mtodos ms efectivos que ha
permitido solucionar sistemas de hasta 1000 ecuaciones y variables a un
ms, sistemas que se presentan en la solucin numrica de ecuaciones
diferenciales parciales (EDP).
Supongamos que tenemos el sistema
Ax = b
(1)
Luego podemos escribir como:
Ax b = 0
(2)
Que es una ecuacin vectorial que se puede escribir as:
f (x) = 0
(3)
El propsito es buscar una matriz B y su vector C de tal forma que la
ecuacin vectorial es la siguiente:
x=Bx+C
(4)
Sea un arreglo de la ecuacin (1) ie que la solucin de una ecuacin sea
tambin solucin de la otra ecuacin, luego se propone lo siguiente:
Primero: Proponer un vector inicial x(0) como la primera aproximacin al
vector solucin x
Segundo: calcular la sucesin de vectores que son soluciones
aproximadas
x (1) , x ( 2 ) , x (3) , x ( 4) ,....., x vector solucin
Usando:
x ( R 1) Bx ( R ) C , R 0,1,2,.....
Pgina 32 de 96

Donde:
x ( R ) x1R , x 2R ,......, x nR
Observacin:
Para que la sucesin de soluciones converja a x vector solucin
m
es necesario que x j , 1 j n se aproxime al vector x j , 1 j n ie
m
decir x j x j , 1 j n sean menores que un valor pequeo fijado
previamente y que se mantengan menores para todos los vectores

siguientes de la iteracin. Es decir:
lim x mj x j , 1 j n
La forma como llegar a la ecuacin x = Bx + C se define al
algoritmo y su convergencia.
Sea dada el sistema
a11 a12 a13
a 21 a 22 a 23
a
31 a 32 a 33
1
2
3
x1 b1

x 2 b2
x b
3 3
Con a11 0, a22 0, a33 0

x1
De 1 tenemos que:
x2
a
b1 a12
x 2 13 x 3
a11 a11
a11
a
b2 a 21
x1 23 x 3
a 22 a 22
a 22
b
a
a
x 3 3 31 x1 32 x 2
a 33 a 33
a 33
x1
a 21
x2
x a 22
3 a 31
a
33
a12
a11
0
a 32
a 33
Bx
a13
a11
a
23
a 22
x1

x2
x
3
. . . . . . . . . . . . . (5)
b1
a
11
b
2
a 22 . . . . . . . . . . . . . . . . (6)
b3
a
33
Pgina 33 de 96

Una vez que es determinada la ecuacin (6) se propone un vector inicial
x(0) que puede ser x(0) = 0 cero o algn otro vector que sea aproximado
al vector solucin x.
Para determinar la sucesin buscada de solucin iterativo tenemos dos
formas:
a)
Mtodo de Jacobi (Desplazamiento simultaneo)
b)
Mtodo de Gauss Seidel (Desplazamiento sucesivo)
1.5.1. MTODO DE DESPLAZAMIENTO SIMULTNEO DE JACOBI
x1 R
Si x
(R)
x 2 es el vector de aproximacin a la solucin x despus de R

R
x3
R
iteraciones, entonces, tendremos la siguiente aproximacin
x R 1
x1 R 1
R 1
x2
R 1
x3
(b1 a12 x 2R a13 x 3R )

a11
(b2 a 21 x1R a 23 x 3R )
a 22
1 (b a x R a x R )
3
31 1
32 2
a
33
Fenmeno que se puede generalizar para n ecuaciones

x iR 1
n
1
R
bi a i j x j , i 1,2,....., n
a ii
j 1
j i
1.5.2. MTODO GAUSS SEIDEL DESPLAZAMIENTO SUCESIVO

Este mtodo se diferencia del anterior en que los valores que se van
calculando en la
(R + 1) sima iteracin se usan para calcular los
valores restantes de esa misma interaccin ie
Pgina 34 de 96
x1R 1
x 2R 1
x 3R 1
x R 1
(b1 a12 x 2R a12 x 3R )

a11
1
(b 2 a 21 x1R 1 a 23 x 3R )
a 22
1
(b3 a 31 x1R 1 a 32 x 2R 1 )
a 33
x iR 1
a ii
bi
i j
xR
j i 1
iI
i 1
a
j 1
ji
i j
, 1 i n
x R 1
Ejemplo:
4 x1
x2
0 x3
0x4
x1
0 x1
4x2
x2
x3
4 x3
0x4
x4
1
1
0 x1
0x2
x3
4x4
Solucin:
x2 1
4 4
0 x1 1 / 4
x1 0 1 / 4 0
1 x x
x2 1 3 x 1 / 4 0 1 / 4 0 x 1 / 4
2
4 4 4 2
1 x x
x
0 1 / 4 0 1 / 4 x3
1 / 4
x3 2 4 3

4 4 4 x 4 0
0 1 / 4 0 x 4 1 / 4
1 x
x4 3
4 4
x
B
x C
x1
Valor Inicial
Cuando no tenemos una aproximacin inicial del vector solucin, se usa
como vector inicial el vector cero, ie
x 0 0,0,0,0
Mtodo de Jacobi
Para determinar x(1) reemplazamos x(0) en el sistema dado ie
x2 1
1
x1
4
4 4
1
0 0 1
1
x2 x2
1 1 1 1
4
4 4 4
x (1) , , ,
1
1 0 0
4 4 4 4
x31 x3
4
4 4 4
1
1 0
x14
x4
4
4 4
x11
Pgina 35 de 96

Determinando x(2)
1
1
1 x 22 0
x13
4
4
1
1
1 1
x 22 1 4 1 x 23
4
4
4 4
1
1 1
1
x 32 1 1
x 33
4
4 4
4
1
1
1
x 42 1
x 43
4
4
4
x12
R
0
1
2
3
4
5
6
7
8
9
10
x1R
0.0000
0.2500
0.3125
0.3438
0.3555
0.3604
0.3223
0.3631
0.3634
0.3635
0.3636
1
1
4
6
4
6
4
5
x 2R
0.0000
0.2500
0.3750
0.4219
0.4414
0.4492
0.4524
0.4537
0.4542
0.4544
0.4545
5
16
6
5 5 5 5
16
x ( 2)
, , ,
6
16 16 16 16
16
5
16
x 3R
0.0000
0.2500
0.3750
x 4R
0.0000
0.2500
0.3125
0.4545
0.3636
Mtodo de Gauss Seidel
x R 1
1
R
R
R
x1R 1 a b1 a12 x a13 x 3 a14 x 4
R 1 11
x2 1
R 1
b2 a 21 x1R 1 a 23 x 312 x 4R
x 3 a 22
x R 1 1
R 1
R 1
4
b3 a 31 x1 a 32 x 3
a 33
(1)
R 1
R 1
R 1
Determinacin del x a b4 a 41 x1 a 42 x 2 a 43 x 3
44
Pgina 36 de 96
1
(1 (0) 0)
x11
4
1
x 12 (1 1(1 / 4) 1(0))
x 12
4
1
1
x 3 (1 1(1 / 4) 1(5 / 16)) x 31
4
1
1
x 4 (1 0 0 25 / 14) x 14
4
x11
1
4
5
1 5 25 89
16
x1 , , ,
25
4 12 64 256
64
89
256
Observacin:
1.
La sucesin de vectores x (1) , x ( 2) , x ( 3) ,...., x ( R ) ,.... converge o se
aleja del vector solucin x x1 , x 2 , x 3 ,....., x n
2.Cuando se detendr el proceso iterativo

Rpta: Si la sucesin converge a la solucin x caso esperado que los
componentes de x(R) converjan a sus elementos.
ALGORITMO DE LOS MTODOS DE JACOBI GAUSS SEIDEL
Para solucionar el sistema de Ax = b
Datos:
Nmero de ecuaciones N
La matriz de coeficientes A
El vector de trminos independientes b
El vector inicial x
El nmero de iteracin MATIZ
El valor de Eps. y M = 0 para usar Jacobi y M 0 para usar Gauss

Seidel obtenemos la solucin aproximada x y el nmero de
iteraciones K o el mensaje No se alcanz la convergencia
Paso1:
Arreglar la matriz aumentada de manera que la matriz
coeficiente quede lo ms cercano posible a la diagonal dominante

Paso2:
Hace K = 1
Paso3:
Mientras K Maxit repetir los pasos 4 a 18
Paso4:
Si M = 0 ir al paso 5 de otro modo hacer x = x
Paso5:
Hacer I = 1
Paso6:
Mientras I N repetir los pasos 7 al 14
Paso7:
Hacer suma = 0
Pgina 37 de 96

Paso8:
Hacer J = 1
Paso9:
Mientras J N, repetir los pasos 10 a 12
Paso10: Si J = I ir al paso 12
Paso11: Hacer suma = suma + A(IJ) * x(J)
Paso12: Hacer J = J + 1
Paso13: Si M = 0 hacer
x(J) = -(b(J) - suma)/A(JJ)
de otro modo hacer
x(I) = (b(J) suma)/A(JJ)
Paso14: Hacer I = J + 1
Paso15: Si |x x| Eps. Ir al paso 19
de otro modo hacer
Paso16: Si M = 0, hacer x = x
Paso17: Hacer K = K + 1
Paso18: Imprimir mensaje No se alcanz la convergencia, el vector
x, MAXIT
Paso19: Imprimir el mensaje Vector Solucin, x, K y el mensaje
iteraciones terminada
Ejemplo:
Resolver el siguiente sistema con el mtodo de Gauss Seidel con E =
10-2 aplicando a |xK+1 xK|
x1 3x2 5 x3 2 x4 10
x1 9 x2 8 x3 4 x4 15
x4 2
x2
2 x1 x2 x3 x4 3
Resolviendo: x1 de (1) x2 de (2) x3 de (4) y x4 de (3)
x1 3 x 2 5 x 3 2 x 4 10
x1 8 x 3 4 x 4 15
9
9
9
9
x 3 2 x1 2 x 2 x 3 x 4 3
x2
x4
x2
Pgina 38 de 96

Si x0 = (0, 0, 0, 0)T : determinamos:
K
0
1
2
3
x1K
x 2K
x 3K
x 4K
| x K 1 x K |
0
0
0
0
0
10.0000 2.7778 14.222 0.7778
17.62
67.9889 18.172 121.2
20.17
159.0
631.1
170.2
1108 .0 168.71
1439.05
EL proceso diverge: Luego podemos arreglar las ecuaciones para

despejar los diferentes xi y, que despejadas sean distintas, para
aplicar el teorema se debe tener solo en cuenta una aproximacin
pues caso contrario son raros en donde se encontrara tales sistemas.
x 2 x3 x 4 3
2
2
2 2
8x
x
4x
15
x2 1 3 4
9
9
9
9
x1 3 x 2 2 x 4 10
x3
5
5
5
5
x4
x2
2
x1
x1K x1
x 2K x 2
Caso contrario se alejan
x nK x n
Rpta 2
K 1
K
K 1
K
K 1
K
1. Los valores absolutos | x1 x1 |, | x 2 x 2 |, ...... , | x n x n |
sean todos menores de nmero pequeo E cuyo valor ser dado

2. Si el nmero de iteraciones ha excedido un mximo dado
3. Detener el proceso una vez que | x K 1 x K | E
Cmo asegurar la convergencia si existe?
El proceso de Jacobi y Gauss Seidel convergern si en la matriz de
coeficiente cada elemento de la diagonal principal es mayor que la
Pgina 39 de 96

suma de los valores absolutos de todos los dems elementos de la
misma fila o columna (matriz diagonal dominante) e
| a ii |
| a
j 1
j j
ij
1 i n
y
| a ii |
a
i 1
i j
ij
1 j n
1.6. CONVERGENCIA
1.6.1. LONGITUD DE UN VECTOR
Supongamos x un vector en R 2, su longitud denotado por |x| es definido
como un nmero positivo o cero.
,
En trminos de producto punto
,
Ejemplo: sea
determinar su norma
Solucin
;
Debemos tener en consideracin que el campo de los nmeros reales R
tiene el defecto de que un polinomio de grado n con coeficientes reales
no necesariamente tiene n ceros reales
Por ejemplo
carece de ceros reales, este defecto
se supera extendiendo el campo de tal manera que contenga al

elemento i, elemento que se caracteriza por la ecuacin
, que
Pgina 40 de 96

es el campo C de los nmeros complejos en donde sus elementos tienen
la forma : x=a+bi , en donde a, b son reales.
Su conjugado, norma, o modulo, se le define:
;,
,
Observe que:
1.
2.
,
El campo de los complejos ya no tiene la anomala de los reales,
es mas tenemos el teorema fundamental del algebra, que establece que

todo polinomio no constante
con coeficientes complejos
tiene al
menos un cero en el plano complejo.

3.
La afirmacin anterior permite afirmar que todo polinomio de
grado n
se puede descomponer
como un producto
de n factores
lineales.
1.6.2. ESPACIO VECTORIAL Cn
El espacio vectorial
Cn, esta compuesto de todos los vectores
en donde los
complejo x es multiplicado por
, Si al vector
tambin complejo el resultado es otro
vector complejo as:

,
En consecuencia Cn, es un espacio vectorial sobre el cambo de

escalares C. En consecuencia en este espacio C n. El producto interno se
define:
,
Pgina 41 de 96

1.6.3. NORMA DE VECTORES
Una norma en Rn es una funcin de || || de Rn en R que verifica las
propiedades:
1.
2.
3.
4.
La norma Euclidiana se define:

,
Podemos observar que,
1.
2.
,
,
3.
Consideremos A una matriz con elementos complejos, y A * denota su

conjugada transpuesta es decir
en particular, si x es una
matriz de nx1 (o vector columna), entonces
, es una matriz de
1xn o vector fila,
,
En general podemos definir norma de un vector x
Pgina 42 de 96

Como casos particulares tenemos la norma Euclidiana cuando p=2
Mximo valor absoluto
Propiedades
1.
2.
3.
Estas propiedades son familiares en relacin a la norma Euclidiana o

longitud de un vector.
La norma de una matriz cuadrada, A , puede ser definida en forma
consistente con la definicin de norma de un vector:
, (x
La norma de
),
es
donde
es el mximo valor
caracterstico de At.A. Tambin
Estas normas definidas satisfacen
La norma
llamado generalmente norma infinito

Pgina 43 de 96
Ejemplo: Dado el vector
determinar sus normas
Euclidiana infinito:
,
,
1.6.4. DISTANCIA EN ENTRE VECTORES
Dado dos vectores en Rn,

distancia I2 y
, la
, entre x e y se definen :
,
Ejemplo: Dado el sistema:
3.3330x1+ 1.5920x2 10.333x3 =15.913
2.2220x1+ 16.710x2 +9.6120x3 =28.544
1.5611x1+ 5.1791x2 +1.6852x3 =8.4254
Consideremos la solucin inicial ,
usamos eliminacin de Gauss con Pivoteo parcial usando aritmtica de

cinco cifras con redondeo, obtenemos la siguiente solucin:
,
Las dos medidas de la exactitud de aproximacin de
a x son:
Pgina 44 de 96
Observamos que las componentes
son buenas aproximaciones
a x2 y a x3, y la primera componente es una aproximacin muy pobre en

trminos de distancias de ambas normas.
Pues el trmino de distancia en R n , es utilizada para definir el limite de
una sucesin de vectores.
Diremos que una sucesin de vectores
respecto a la norma
converge a x con
si dado cualquier
existe un entero
tal
que:
,
Ejemplo. Dada
la sucesin definida:
Tenemos que,
,
Pgina 45 de 96
Es as que para cualquier

de
tal
manera
posemos encontrar un numero entero
que
para
todos
los
nmeros
son menores que

afirma esto es que la sucesin
a la norma
converge a
lo que nos
con respecto
1. Los siguientes trminos son equivalentes:

2. La sucesin de vectores
, converge a x
con respecto a
alguna norma.
3. La sucesin de vectores
, converge a x con respecto a todas
las normas.
4. El
, la componente i-sima de x, para cada i
=1,2,..,n sucesin de vectores
, converge a x con respecto a
alguna norma.
1.6.5. NORMAS MATRICIALES
Una norma matricial en el espacio de matricial nxn es una funcin de
variable real
que verifica las siguientes condiciones para todas las
matrices A y B de dimensin nxn y todos los nmeros reales.
1.
2.
3.
4.
5.
,
.
Pgina 46 de 96

1.6.6. LA DISTANCIA ENTRE MATRICES
La distancia entre dos matrices A y B de orden nxn con relacin a una
norma es
sin embargo debemos decir que existen varas
formas de obtener normas matriciales, pero las que consideraremos

son las que se obtienen de forma natural.
NORMA MATRICIAL MXIMO O SUBORDINADA
, vectorial en Rn, la cual se le define sobre el conjunto
Es la norma
de todas las matrices de orden nxn as:

:
Consecuentemente las normas que consideramos son:
Cuando n=2 su interpretacin grfica es:

,
3
A
x
1
x
-1
-1
x1
-2
-1
1
-1
x1
-3
Pgina 47 de 96
Norma
de una matriz
2
AX
1
x
1
-2
x
-1
-1
x1
-1
1
x1
-2
-1
Ejemplo: dada la matriz
Determinar
Solucin
,
1.6.7.
COMPARACIN
DE
LOS
MTODOS
DIRECTOS
Pgina 48 de 96

INDIRECTOS
Debemos resaltar que lo mas importante del anlisis numrico es
conocerlas caractersticas es decir las ventajas y desventajas de los
mtodos numricos bsicos que solucionen una familia de problemas,
para elegir el algoritmo mas adecuado para cada problema.
Ventajas
1. Probablemente los mtodos
iterativos son mas eficientes que
los directos para sistemas de
orden muy alto.
2. Mas simples de programar
3. Puede
aprovecharse
un
aproximacin a la solucin s tal
aproximacin existe.
4. Se
obtienen
fcilmente
aproximaciones burdas de la
solucin
5. Son menos sensible
a los
errores de redondeo (valioso en
sistemas mal condicionadas)
6. Se requiere menos memora de
maquina.
Generalmente,
las
necesidades
de memoria son
proporcionales al orden de la
matriz.
Desventajas
1. Si se tienen varios sistemas que
comparten la matriz de coeficientes,
esto no representara ahorro de calculo
ni tiempo de maquina, ya que por cada
vector a la derecha de A tendr que
aplicarse el mtodo de seleccin.
2. A un cuando la convergencia se
encuentre asegurada, puede ser lenta
y, por lo tanto, los clculos requeridos
para obtener una solucin particular
no son predecibles.
3.El tiempo de maquina y la exactitud
del resultado dependen del criterio de
convergencia.
4. Si la convergencia es lenta , los
resultados deben de interpretarse con
cautela.
5. No se tiene ventaja particular
alguna (tiempo de maquina por
iteracin) s la matriz de coeficientes
es simtrica.
6.No se obtiene la inversa ni det(A)
1.7. MTODOS DEL DESCENSO MS RPIDO Y DEL GRADIENTE

CONJUGADO 1
En esta oportunidad reflexionaremos sobre algunos mtodos especiales
para resolver sistemas de ecuaciones lineales
,
Ver [2] Kincaid, D y Cheney, W. (1994) Anlisis Numrico. Las matemticas del calculo
cientfico Addison Wesley Iberoamericacna, wilmngton Delaware.pag. 209
Pgina 49 de 96

En donde la matriz A es de orden nxn simtrica y definida positiva, en otras
palabras
, debemos recordar que el
producto escalar de dos vectores X ,Y de componentes reales es:
Propiedades
1.
2.
3.
4.
Observemos que la propiedad 1 se refiere al orden de los elementos, 2, y 3

indican que se pueden invertir.
Recordemos que si A es simtrica y definida positiva, entonces el problema de
resolver Ax=b es equivalente al problema
Veamos por que esta afirmacin es cierta; primero veamos como se comporta q(x)
a lo largo de un rayo unidimensional. Para lo cual consideremos x+tv en donde x
y v son vectores y t un escalar grficamente tenemos
tv
x
x+ tv
Mediante un calculo directo tenemos que para todo escalar t :
Pgina 50 de 96
.............................................................
....(*)
Como A es simtrica es decir AT =A, entonces en la ecuacin (*) el coeficiente de
t2, es positivo, de esta manera la funcin cuadrtica sobre el rayo unidimensional
tiene un mnimo y no un mximo.
Calculando la derivada de la ecuacin (*) con respecto a t.
Cuando la derivada es cero, existe un mnimo de q a lo largo del rayo

unidimensional
en este caso el valor de t es:
en consecuencia
usando este valor podemos determinar el mnimo de q sobre el rayo

unidimensional.
.
.
.
.......................................................................................
......(**)
Lo que quiere decir esto que al pasar q(x) de x a
, siempre hay una
reduccin en el valor de q(x), a menos que v sea ortogonal al residuo es decir
Pgina 51 de 96

Si x no es una solucin del sistema Ax=b entonces existen una diversidad de
vectores que satisfacen
Por lo tanto s
entonces x no minimiza q(x) y por lo contrario si Ax=b no
existe ningn rayo unidimensional que salga de x sobre el cual q(x) tome un
valor menor a q(x), en consecuencia una x con las caractersticas es un mnimo
para q(x).
Debemos manifestar que la reflexin anterior sugiere la existencia de los mtodos
iterativos para resolver Ax=b, luego entonces procedemos de manera natural por
minimizar q(x)
a lo largo de una sucesin de rayos. Es decir el algoritmo
dispondr de un proceso de:
En seguida nos preocupa determinar la direccin de bsqueda adecuada
Nuestro algoritmo ser:
En donde
Debemos decir que una diversidad de mtodos iterativos tienen la forma general:
Para valores particulares del escalar tK, y los valores de vK, si
, entonces
tk, mide la distancia que nos movemos de x K, para hasta la obtencin de xk+1, ver
la siguiente figura.
Pgina 52 de 96
Figura No. Representacin del movimiento a lo largo del vector de

direccin vK
MTODO DEL DESCENSO MS RPIDO
Este mtodo se le considera dentro del grupo de mtodos iterativos que usan el algoritmo
anterior, considera que
vK, debera ser el gradiente negativo de q(x) en x(k),
resultando que este gradiente apunta en la direccin del residuo
Es decir tenemos:
input x(0), A, b, M
output 0, x(0)
for k=0,1,2,, M-1 do
,
.
output k+1, x(k+1)
end
Debemos destacar al programar este algoritmo no es necesario conservar los vectores de
, lo mismo ocurre con
la sucesin
de
manera el algoritmo seria:

input x, A, b, M
output 0, x)
for k=0,1,2,, M-1 do
Pgina 53 de 96
,
.
output k, x)
end
Debemos destacar que este mtodo generalmente no se aplica a este tipo de

problemas como consecuencia de su lentitud.
MTODO DEL GRADIENTE CONJUGADO
Otro mtodo considerado dentro del algoritmo analizado anterior es el mtodo del
gradiente conjugado de Hestenes y Stiefel, el cual es aplicado a sistemas de la
forma Ax=b, en donde A es considerada simtrica y definida positiva.
En este mtodo las direcciones
vK , son elegidas de una en una en el proceso
iterativo y forman un sistema A-ortogonal, los residuos

sistema ortogonal es decir
forman un
Debemos decir que este mtodo es preferible que el mtodo de eliminacin

Gaussiana simple cuando la matriz A es muy grande y rala.
Este mtodo en su inicio fue muy sorprendente e importante pero despus de dos
dcadas las cosas ya no fue as como consecuencia que se descubri que la
terminacin finita no era asequible en la prctica.
Pues la terminacin finita era indeseable para un mtodo directo, sin embargo
posteriormente cuando se le considero como un mtodo iterativo las cosas fue
diferente, pues en estos mtodos no es necesario obtener una solucin absoluta
despus de n pasos lo que se espera es obtener una respuesta satisfactoria.
La ejecucin del algoritmo en una computadora precisa de un lugar de
almacenamiento para cuatro vectores
Pgina 54 de 96
MTODO DE RELAJACIN DE SOR

Este mtodo es muy similar al mtodo de Jacobi y Gauss Seidel se
diferencia por usar una escala para reducir el error de aproximacin, es una
metodologa mas reciente, para determinar X(k) lo realiza con el modelo:
0bsevemos que cuanto w=1, tenemos de Gauss-Seidel, cuanto 0<w<1 el

procedimiento se llama mtodo de subrelajacin y se usa para obtener
convergencia cuando el mtodo de
Gauss-Seidel no converge.
Cuando 1<w se le llama mtodo de sobrerrelajacin, generalmente se le

conoce como el metodo de SOR acrnimo del ingles Successive Sver
Relaxation Sobre relajacin sucesiva se utilizan para resolver sistemas
lineales que aparecen en la resolucin de ciertas ecuaciones en derivadas
parciales.
Pgina 55 de 96

Para determinar la forma matricial del mtodo de SOR rescribimos la
relacin anterior de la siguiente manera:
,
Notacin vectorial
S i (D-wL)-1, existe entonces
En donde:
D: diagonal principal cuyos elementos coinciden con A
-L: Es la parte triangular estricta de A
-U: es la parte triangular estrictamente superior de A.
y
Ejemplo
;
;
;
La solucin del sistema dado es (3,4,-5) t , usaremos w=1.25 para el mtodo
de SOR con un valor inicial de (1,1,1)t, para k=1
Tenemos
,
;
Pgina 56 de 96
0
1
1
6.312500
2
2.622314
3
3.133027
4
2.957051
5
3.003721
6
2.996327
7
3.0000
3.519531
5
3.958526
4.010264
2
4.007483
1
4.002925
6
4.000926
4
4.0002
3
-
6
-
6
-
8
-
0
-
2
-
6
-5.0004
6.650146
4.600423
5.096686
4.973489
5.005713
4.998282
EJERCICIOS SISTEMAS DE ECUACIONES ALGEBRAICAS LINEALES

Y MTODOS DE SOLUCIN
Desarrollar los siguientes sistemas de ecuaciones por los mtodos
analizados en clase.
2 x1 3 x 2 4 x3 5
1. x1 2 x2 3 x3 5
5 x1 4 x 2 x3 13
2.
x1 x 2 x3 6
2 x1 x 2 3 x3 4
3x1 2 x 2 x3 1
3.
2 x1 3 x 2 x3 8
x1 x 2 x3 7
3 x1 2 x 2
Rpta: x1 1 / 14 , x 2 30 / 7 , x3 9 / 2
Rpta: x1 4 , x 2 3 , x3 5
Rpta: x1 1 , x 2 4 , x3 2
x3 9
x1
4.
x 2 x3 15
3 x1 2 x 2 2 x3 4
2 x1 3x 2 x3 19
Rpta: inconsistente
x1
2 x1
x2
x2
x3
3 x3
x4
2 x4
10
1
5. 3x1
x2
2 x2
2 x3
3 x3
x4
3x4
11
11
4 x1
Rpta: x1 1 , x 2 2 , x3 3 , x 4 4
Pgina 57 de 96
6.
x1
x2
x3
x4
x5
2 x1
x2
2 x3
2 x4
x5
3 x1
x1
2 x2
3x2
3 x3
2 x3
3x4
x4
2 x5
4 x5
2
0
2 x1
2 x2
3 x3
x4
2 x5
Rpta:
x1 , x 2 , x3 , x 4 , x5
x1
2 x2
3 x3
x4
x5
x1
3x2
x3
3x4
2 x5
7. 2 x1
3 x1
2 x2
4 x2
2 x3
3 x3
2 x4
2 x4
3 x5
4 x5
13 Rpta:
21
4 x1
3x2
4 x3
3x4
5 x5
10
x1 1 , x2 1 , x3 2 , x4 2
, x5 3
2 x1
x2
x3
x4
x5
x1
3x2
2 x3
2 x4
x5
8. 3 x1
4 x1
2 x2
2 x2
3 x3
4 x3
4 x4
4 x4
2 x5
3 x5
x1 , x 2 , x3 , x 4
5 Rpta:
, x5
1
5 x1
8x2
5 x3
x4
x5
16
x1
x2
x3
x4
x5
2 x1
x2
3 x3
x4
x5
3 x1
2 x1
3x2
6 x2
3 x3
2 x3
2 x4
4 x4
6 x5
8 x5
x1
x2
x3
x4
2 x5
9.
17 Rpta:
14
6
x1 0 , x 2 0 , x3 1 , x 4 1
, x5 2
4 x1
2 x2
3 x3
x1
x2
x3
3 x1
x2
4 x2
2 x1
2 x2
10.
x5
x4
x5
4 x3
3 x3
2 x4
2 x4
6 x5
8 Rpta:
12
3 x3
2 x4
x1 , x 2 , x3 , x 4
, x5
Pgina 58 de 96
11.
x1
3x2
x3
5 x4
2 x1
x1
3 x2
x2
4 x3
x3
x4
x4
6
5
x1
2 x2
2 x3
x4
Rpta:
x1 1 , x 2 1 , x3 2 , x 4 3
12.
2 x1
x1
x2
x2
5 x3
x3
2 x4
x4
7
3
3 x1
x1
2 x2
x2
x3
x3
x4
2 x4
6 Rpta:
7
x1 0 , x 2 1 , x3 2 , x 4 2
13.
x1
x2
x3
x4
x1
4 x1
x1
x2
5 x2
3x2
2 x3
x3
x3
2 x4
x4
x4
2
8
3
Rpta:
x1 1 , x 2 1 , x3 1 , x 4 0
14.
2 x1
x1
x1
3 x1
x2
x2
x2
x2
x3
3 x3
x3
x3
x4
4 x4
2 x4
4 x4
0
19
1
3
Rpta:
x1 2 , x 2 1 , x3 6 , x 4 1
15.
Un carpintero fabrica sillas, mesas para caf y mesas para comedor. Se
necesitan 15 minutos para lijar una silla, 10 para pintarla, y 20 para barnizarla. Se
necesitan 12 minutos para lijar una mesa para caf, se necesitan 25 minutos para
lijar una mesa de comedor, 20 para pintar y 30 para barnizar. La mesa de lijado esta
disponible 40 horas a la semana la mesa de pintura 22 horas a la semana y la
mesa de barnizado 50 horas Cuntas unidades de cada mueble deben fabricarse
por semana de modo que las mesas de trabajo se ocupen el tiempo disponible ?
16.
16. Supongamos que una fabrica de bebidas, produce seis tipos de
gaseosas usando cuatro mquinas y cuatro tipos de mano de obra.
El departamento de produccin presenta el siguiente cuadro de

disponibilidad de mquinas y de la mano de obra
Pgina 59 de 96
Tiempo disponible.
Maq.-hora/mes
80
40
60
90
Tipo de Maquina
M1
M2
M3
M4
Tiempo disponible
Tipo de mano de obra hombres-hora/mes
MO1
100
MO2
140
MO3
160
MO4
180
As mismo sabemos que la administracin tiene lo siguientes datos de

productividad. Esto es el nmero de horas - mquina y hombres - hora
que se requieren para producir una unidad de cada producto.
Tipo
de
mq.
M1
M2
M3
M4
I
2
1
4
3
II
3
3
4
4
III
4
0
5
5
IV
1
2
0
6
V
6
3
2
7
VI
1
0
0
8
Tipo
de
mano
de
Ob.
MO1
MO2
MO3
MO4
I
1
2
3
4
II
3
2
1
4
III
6
1
2
6
IV
V
0
4
3
0
VI
7
5
2
3
El cuadro ltimo quiere decir, que para producir una unidad del producto cuatro se utilizan
1 hora de la mquina M1, 2 horas de M2, 0 horas de M3, y 6 horas de M4. Para producir el
mismo producto se requieren, 0 hombres - hora de mano de obra tipo1, 4 hombres - hora
de MO2, 3 hombres - hora del tipo MO3, y cero hombres - hora de MO4.
El departamento de comercializacin proporciona la siguiente informacin,
Tipo de productos
I
II
III
IV
V
VI
Potencial de ventas Unid./mes

800
400
300
200
600
500
Ganancia por Unid./mes

10
6
5
8
9
7
Cmo gerente de produccin cul sera su plan para maximizar su lucro total?
17.-Supongamos que una empresa tiene tres plantas de ensamblaje de carros en Trujillo,
Chimbote, y Lima. Si la planta de Trujillo tiene una capacidad de produccin
de 300
unidades y las otras tiene una capacidad de produccin de 400 unidades cada una.
Los carros son vendidos a cuatro tiendas que se encuentra ubicadas en Arequipa, Cuzco,
Piura, y
San Martn, los pedidos que stas tienen son: 300, 200, 250, y 150 carros
respectivamente.
Sabemos que el costo de transporte de cada unidad producida es:
Pgina 60 de 96
8
6
0
5
Planta
Trujillo
Chimbote
Lima
Piura
50
60
100
San Martn
60
70
90
Arequipa
70
70
80
Cusco
80
100
90
El gerente quiere construir un modelo que le permita planificar el transporte a un costo

mnimo.
18.-El gerente del Club Libertad de Trujillo, tiene 1000,000 soles para invertir en seis
tipos de fondos que tienen diferentes estrategias de inversin y con diferentes
rendimientos potenciales y riesgos respectivamente como se expresa en el cuadro
siguiente:
Precio
por
accin
Devolucin
esperada
Categora
de
1
50
2
70
3
100
4
20
5
40
6
30
40
30
20
25
15
10
Alto
Alto
Alto
Medio
Medio
Bajo
riesgo
Pero el gerente sabe que una forma de controlar el riesgo es limitando el dinero invertido
en los diferentes fondos, consecuentemente:
*La cantidad total invertida en los fondos de alto riesgo debe de estar entre los 60 y 80 %
del capital.
La cantidad invertida en los fondos de mediano riesgo debe ser de 30 y 40 % del
capital.
La cantidad invertida en el fondo de bajo riesgo debe ser al menos 10% del capital.
Otra forma de controlar el riesgo es diversificando la inversin, esto es:
La cantidad invertida en los fondos de alto riesgo uno, dos y tres deben estar en la
razn de 1:2:3 respectivamente.
* La cantidad invertida en los fondos 4 y 5 deben estar en la razn de, 1:2,
Se desea estructurar un modelo para maximizar
DESCOMPOSICIN LU
I. Encuentre la descomposicin LU de Doolittle, Crout de cada matriz:
Pgina 61 de 96
1.
5.
60
30
20
30
20
15
20
15
12
10
12
26
12
6.
22
12
3
6
8
13
4
4
3
2
17
17
17
20
2.
7.
4
10
;
3
18
10.
0;
3.
8.
4
8
2
9
16
3
2
6
2
1
5
1
4.
2;
11
1
0
3
0
1
0
3
1
1
1
;
1
2
9.
II. Use descomposicin LU para resolver sistemas de ecuaciones:

7 x1 2 x 2 3 x 3 12
4 x1 9 x 2 2 x 3 5
1. 2 x1 5 x 2 3 x3 20
2. 2 x1 4 x 2 6 x 3 3
x1 x 2 6 x 3 26
3.
x1 x 2 36 x 3 4
6 x1 2 x 2 2 x 3 4 x 4 12
12 x1 8 x 2 6 x 3 10 x 4 34
3x1 3 x 2 9 x3 3x 4 27
6 x1 4 x 2 x 3 18 x 4 38
x1 x 2 4 x 3 0
4. 2 x1 2 x 2 0 x 3 1
3 x1 3 x 2 2 x 3 1 / 2
x1 6 x 2 0 x 3 3
5. 2 x1 x 2 0 x3 1
6.
0 x1 2 x 2 x3 1
x1 x 2 0 x 3 3 x 4 4
x1 0 x 2 3 x3 1x 4 0
0 x1 1x 2 x x 4 3
3 x1 0 x 2 x3 2 x 4 1
Pgina 62 de 96

6 x1 2 x 2 2 x 3 4 x 4 0
7.
12 x1 8 x 2 6 x 3 10 x 4 10
3 x1 3x 2 9 x 3 3x 4 39
8.
6 x1 4 x 2 x 3 18 x 4 16
x1 0 x 2 2 x 3 x 4 2
4 x1 9 x 2 2 x3 x 4 14
8 x1 16 x 2 6 x 3 5 x 4 3
9.
2 x1 3 x 2 2 x 3 x 4 0
2 x1 x 2 x 3 4
3 x1 4 x 2 2 x 3 11
3 x1 2 x 2 4 x 3 11
x1 0 x 2 2 x 3 3 x 4 1
3x1 2 x 2 1x 3 5
10. 2 x1 3x 2 x3 1 ,
11.
2 x1 1x 2 3 x 3 11
3x1 x 2 x 3 2 x 4 4
,
2 x1 3x 2 x 3 x 4 6
12.
x1 2 x 2 3 x 3 x 4 4
x1 2 x 2 3 x3 2 x 4 6
2 x1 x 2 2 x 3 3 x 4 8
3 x1 2 x 2 x 3 2 x 4 4
2 x1 3 x 2 2 x 3 x 4 8
x1 2 x 2 3 x 3 4 x 4 5
13.
2 x1 x 2 2 x 3 3 x 4 1
3 x1 2 x 2 x 3 2 x 4 1
4 x1 3 x 2 2 x 3 x 4 5
0 x1 x 2 3 x 3 4 x 4 5
14.
x1 0 x 2 2 x 3 3 x 4 4
3 x1 2 x 2 0 x 3 5 x 4 12
15.
4 x1 3x 2 5 x 3 0 x 4 5
x1 3 x 2 5 x 3 7 x 4 12
3 x1 5 x 2 7 x 3 x 4 0
5 x1 7 x 2 x 3 3 x 4 4
7 x1 x 2 3 x 3 5 x 4 16
Pgina 63 de 96

3x1 x 2 x 3 2 x 4 0 x 5 18
2 x1 5 x 2 0 x 3 x 4 x 5 7
16.
x1 x 2 0 x 3 0 x 4 2 x 5 8
0 x1 2 x 2 x 3 x 4 x 5 10
x1 x 2 3 x 3 0 x x x 5 1
x1 x 2 2 x 3 3x 4 1
17.
3x1 x 2 x 3 2 x 4 4
2 x1 3x 2 x 3 x 4 6
18.
x1 2 x 2 3 x 3 x 4 4
x1 x 2 x 3 x 4 4
2 x1 x 2 3 x 3 2 x 4 1
x1 x 2 0 x 3 2 x 4 6
3 x1 x 2 x 3 x 4 0
II. AUTOVALORES Y AUTOVECTORES

2.1. Aspectos bsicos.
2.2. Teorema de Schur y Gershgorin
2.3. Problemas propios de una matriz.
2.4. Factorizaciones Ortogonales
y problemas de mnimos
cuadrados
2.5. Mtodo de QR de Francis para problemas de valores propios
2.6. Mtodo mixtos evaluacin de la determinante Iteracin en un
subespacio
Pgina 64 de 96
II. AUTOVALORES Y AUTOVECTORES

2.1. ASPECTOS BSICOS
Para ingresar a los estudios de los valores propios de una matriz
debemos tener cierta familiaridad con matrices y determinantes los
nmeros complejos.
2.1.1. MATRICES, DEFINICIN, INTERPRETACIN
DEFINICIN: Llamaremos matriz a un arreglo rectangular de entes
(nmeros, funciones, etc) ordenados en filas y columnas.
Filas
a12 Columnas
... a1i
a11
a
21
a31
...
a1n
... a2n
a3n

am1 am 2 ami amn
mn
a22
a32
... a2i
a3i

2.1.2. ORDEN DE UNA MATRIZ: Se llama as al producto de las filas y

columnas.
3
2
4
5 2 2
3
9
4
8
1
7
0
0
9
5 25
aij m n aij filas columnas
Usando MATLAB podemos determinar el orden de una matriz a travs

de la orden [m,n]=size(A); donde m representa el nmero de filas y n el
nmero de columnas de la matriz A.
Ejemplo:
[m,n]=size(A)
m=
n= 5
2.1.3. MATRIZ FILA Y MATRIZ COLUMNA
Pgina 65 de 96

MATRIZ FILA: Llamaremos matriz fila o vector fila a aquella matriz que
posee slo una fila y n columnas.
La representamos del siguiente modo: A a11 , a12 , a13 , ..., a1n 1 n
Usando MATLAB podemos construir un vector de la siguiente forma:
x=[1 2 5 3 6 4]
x=
1
Podemos usar espacio entre los elementos del vector o separarlos por
comas.
y=[1,2,3,4,5,6]
y=
1
MATRIZ COLUMNA: Llamaremos matriz columna o vector columna a

aquella matriz que posee slo una columna y m filas.
a11
a
21
A
La representamos del siguiente modo:

a m1 mx1
Para generar un vector columna en MATLAB escribimos los elementos

del vector separados por puntos y coma.
x=[1;2;3;4]
x=
1
2
3
4
2.1.4. IGUALDAD DE MATRICES: Las matrices A aij ; B bij son

iguales si tienen el mismo orden; es decir el nmero de filas y columnas
de cada una deben de ser iguales y adems cada elemento de una de
ellas tiene que ser igual al correspondiente de la otra.
Su representacin matricial es:
A B aij bij ; i 1, 2,..., m j 1, 2,3,..., n
Pgina 66 de 96

MATLAB comprueba si dos matrices son iguales devolviendo como
respuesta una matriz de unos y ceros; es decir cuando los elementos
son iguales devuelve el valor de 1 en la posicin donde los elementos
son iguales caso contrario devuelve el valor de cero.
Ejemplo:
A=[2 3;4 5]
A=
2
B=[2 3;4 5]
B=
2
C=[3 6; 4 7]
C=
3
A= =B
ans =
1
Como todos sus elementos son unos, entonces decimos que las
matrices son iguales
A= =C
ans =
0
El resultado quiere decir que los elementos de las matrices A y C son

diferentes excepto el elemento que est en la segunda fila y primera
columna
2.1.5. PRODUCTO DE UN ESCALAR POR UNA MATRIZ:
Pgina 67 de 96

a11 a1n
A

a m1 a mn
Ejemplo:
2
5A 5
1
1.
4
10

2
5
PLANTA1
5600
PLANTA 2
2330
PRODUCTO 2
2330
4500
4500
2500
PRODUCTO 3
5040
4500
5600
9500
PRODUCTO 4
4580
2500
9500
4600
PRODUCTO 1
2.
20
10
PLANTA3
5400
PLANTA 4
4580
Esta matriz nos proporciona la cantidad de productos producidos por

una empresa en
cuatro diferentes plantas cuando su produccin
aumenta en diez veces.

Usando MATLAB tenemos:
A=[2 4;-1 -2]
A=
2
-1
-2
5*A
ans =
10
20
-5 -10
Propiedades:
1
A (A)
( ) A A A
SUMA DE MATRICES: Dadas las matrices A aij m n y B bij m n ; la

suma de ambas A B es otra matriz C cij m n en la que cada
elemento de C es igual a la suma de los elementos correspondientes
de A y B .
C A B aij bij
m n (a b)ij m n
Ejemplo:
Pgina 68 de 96

8
6
5 6
; B
1
0 2
1.
2.
En una empresa
PLANTA1
PLANTA 2
PLANTA 3
PLANTA 4
50
20
50
40
PRODUCTO 1
M1=
3 1
C A B
6 1
PRODUCTO 2
20
40
40
50
PRODUCTO 3
50
50
60
90
PRODUCTO 4
40
25
90
60
M2=
PRODUCTO 1
PLANTA1
50
PLANTA 2
20
PLANTA3
50
PLANTA 4
40
PRODUCTO 2
10
10
PRODUCTO 3
20
PRODUCTO 4
10
Esta matriz nos proporciona el costo para producir parte de cada uno de
los cuatro productos en cuatro plantas ubicadas en ciudades diferentes
se requiere saber el costo total de cada uno de los productos.
Matriz
de
costo
total
PLANTA1
PLANTA 2
PLANTA 3
PLANTA 4
PRODUCTO 1
100
40
100
800
PRODUCTO 2
30
50
44
50
PRODUCTO 3
70
55
66
99
PRODUCTO 4
50
27
99
66
Usando MATLAB tenemos:

A= [8 -5; 6 -1]
B= [-5 6; 0 2]
A=
B=
-5
-5
-1
C=A+B
C=
3.
1
2
7
1
6
1 0
3 6
y B
1
1
10 12
C A B
Pgina 69 de 96
A= [2 1 3; 7 6 -9]
A=
2
-9
B= [-1 0 -2; 3 6 5]
B=
-1
-2
C=A+B
C=
1
10
12
-4
Propiedades:
1.
A B B A
2.
A ( B C ) ( A B) C
3.
( A B ) A B
4.
A; 0 tal que A 0 A
2.1.6. PRODUCTO DE MATRICES
El producto de las matrices A. aij m p y B bij p n es una matriz
C cij
m n . El producto de las matrices estar definido correctamente si
A es conforme con B ;
es decir si el nmero de columnas de la matriz
A es igual al nmero de filas de la matriz B .

A aij
; B bij
C A B cij
m p
p n
m n
Donde el elemento cij es el producto escalar de la fila i de A por la

columna j de B , es decir:
p
cij aik . bkj ; i 1,..., m ; j 1,..., n

k 1
Ejemplo:
1.
1
1
2
; B
3
0
; Entonces:
1 2
1 3
3
C AB
2
C
2
2
.
0
1 1( 2) 2(0) 1( 1) 2( 2)

2 1( 2) 3(0) 1( 1) 3( 2)
Usando MATLAB
A=[1 -1;2 -3]
A=
1
-1
-3
B=[1 2 3 4 5;-1 -3 2 1 1]
B=
1
-1
-3
C=A*B
C=
2
13
D=B*A
??? Error using ==> *
Inner matrix dimensions must agree.
MATLAB no puede realizar el producto BA debido a que la matriz B no
es conforme con la matriz A.
Propiedades:
1.
A.B B. A
2.
A.( BC ) ( AB)C
3.
A.( B C ) AB AC
4.
( B C ) A BA CA
5.
kA.B AkB ; k IR
2.1.7. TIPOS ESPECIALES DE MATRICES:

1.
MATRIZ CUADRADA: Cuando
de orden
m n;
y se denota por A Aij n n .
A2 : Matriz cuadrada de orden 2x2.
se llama matriz cuadrada
A3 : Matriz cuadrada de orden 3x3.

An : Matriz cuadrada de orden nxn.
Ejemplo:
1
1. A3 7
0
2.
2.
5
8
0
6
78
2
7
78
A7 2
0
74
0'
MATRIZ
TRIANGULAR
9
0
SUPERIOR:
Llamaremos
triangular superior a aquella matriz cuyos elementos
aij
matriz
son ceros para
i j ; y se representa como:
a11 a12
0 a 22
A 0
0

0
0
3.
a13 ... a1n
a 23 ... a 2n
a33 ... a3n

0
0 a nn
MATRIZ TRIANGULAR INFERIOR: Llamaremos matriz triangular
inferior a aquella matriz cuyos elementos
aij
son ceros para i j ; y se
representa como:
0
a11
a 21 a 22
A a31 a32

a
m1 a m 2
4.
... 0
... 0
a33 ... 0

a m3 a nn
0
0
MATRIZ DIAGONAL: Llamaremos matriz diagonal a aquella
matriz donde todos sus elementos

representa de la siguiente forma:
aij
son ceros para i j , y se
a11 0
0 a 22
A 0
0

0
0
5.
0
0
...
...
a33
...
0
0
a nn
MATRIZ ESCALAR: Es aquella matriz diagonal donde todos los
elementos son igual a una constante K ; y se representa de la siguiente

manera:
K
0
A 0
...
K
0
0 ...
K ...

0 0
0
0
MATRIZ IDENTIDAD: Es una matriz escalar con K 1 ; y se
6.
representa de la siguiente manera:

1
0
A 0
7.
0
1
0
0
0
1
...
...
...

0 0 0
MATRIZ
0
0
TRANSPUESTA:
Dada
una
matriz
A aij
m n ;
llamaremos transpuesta de A denotada por At a la matriz a ji n m

a11 a12 a13 ... a1n
a 21 a 22 a 23 ... a 2n
A a31 a32 a33 ... a3n A
m1 a m 2 a m3 ... a mn
Ejemplo:
1
At
2. A
3 4
2 4
Propiedades:
1. I t I
2.
A t t A
3. kA t
4. AB t
kAt
B t . At
a11 a 21 a31 ... a m1
a12 a 22 a32 ... a m 2

a13 a 23 a33 ... a m3

a1n a 2n a3n ... a mn
5. A B t
8.
At B t
MATRIZ SIMTRICA:
si se cumple que los elementos
aij a ji ; i j ;
Ejemplo: A 0
2
0
4
9.
ANTISIMTRICA:
MATRIZ
Se dice que una matriz cuadrada es simtrica
At 0
es decir A At .
0
4
Una
matriz
cuadrada
A se
llama
antisimtrica si A At
Ejemplo:
1.
0
A 2
4
2
0
6
6
6
At 2
4
2
0
6
4
0
t
6 A 2
4
0
2
0
6
6
0
A At
2. A
4
0
At
0
4
0
At
0
4
A At
10.
MATRIZ HERMITIANAS
Las matrices cuadradas cuyos elementos tienen simetra conjugada se le llama

matriz Hermitianas es decir:
en donde
* indica la conjugada
compleja
Ejemplo:
, en donde
Observemos si todos los elementos de la matriz Hermitiana fueran reales,
entonces tenemos una matriz simtrica.
11.
MATRIZ BANDA
Es una matriz cuadrada en donde la mayor parte de los elementos son ceros
y los elementos con valor significativo estn agrupados alrededor de su
diagonal principal en este caso se llama matriz banda.
Por ejemplo:
1
A 0
0
0
1
2
1
0
1
2
0
0
1
0
0
1
0
2
1
0
0
0
1
1
Obs.
1.
Las lneas paralelas a la diagonal principal se le llama codiagonales.
2.
El nmero total de diagonal y codiagonales con elementos significativos
es el ancho de banda (3 en este ejemplo).

3.
Para matrices simtricas puede tambin hablarse de un ancho de semi
banda; que incluye a la diagonal principal (2 en el ejemplo precedente).

4.
Una matriz banda tiene baja densidad. Considerando densidad como la
razn entre el nmero de elementos con valor significativo y el nmero total de

elementos.
2.1.8 DETERMINANTE DE UNA MATRIZ
Definicin: Determinante de una matriz A denotada por
det( A) A
a11 a12
; entonces det( A) a11.a 22 a 21.a12
Si A
a 21 a 22
Ejemplo:
1
1
1.
det( A) 1(3) 2(1) 3 2 5
MATLAB calcula el determinante de una matriz a travs del comando det.

A=[1 2;-1 3]
A=
1
-1
det(A)
ans =
5
5
B
6
2.
det( B ) ( 5)(3) (9)( 6) 15 54 39
B=[-5 9;-6 3]
B=
-5
-6
det(B)
ans =
39
2.1.8.1. MENOR COMPLEMENTARIO
Definicin: Llamaremos menor complemento
" M ij "
de un
elemento de una matriz A de tercer orden al determinante de una matriz

cuadrada de segundo orden que se obtiene despus de eliminar la fila i y la
columna j ; ( M ij ) .
El menor complementario de
aij
se denota por
M ij .
a11 a12 a13
Ejemplo: A aij 33 a21 a 22 a 23 el menor complementario de:

a
31 a32 a33
a 22 a 23
a11 es M 11
a32 a33
a12 a13
a32 a33
a 21 es M 21
2.1.8.2. COFACTOR DE UN ELEMENTO

Sea
aij
como:
un elemento de una matriz A denotaremos cofactor
Aij 1 i j M ij
a11 a12 a13
Sea A a 21 a22 a 23 entonces

a
31 a32 a33
A11 111 M 11 M 11
A12 1 1 2 M 12 M 12
A13 1 1 3 M 13 M 13
Entonces
A a11 M 11 a12 M 12 a13 M 13
Aij
y se define
Ejemplo:
1 0 0

2.3
A 1 2 3 det( A) 1 10
0,5
0 0 5

1.
A=[1 0 0;1 2 3;0 0 5]

A=
1
det(A)
ans =
10
2.
2
B 2
0
5
3
2
4
1
det( B ) 2 3(1) (4)( 2) 5 ( 2)(1) 4(0) 3 ( 2)( 2) 3(0)
Por lo tanto det( B ) 2(11) 10 12 44

B=[2 5 3;-2 3 4;0 -2 1]
B=
2
-2
-2
det(B)
ans =
44
2.1.8.3. Propiedades:
1. Si se intercambian una fila por una columna en su determinante su valor no
se altera.
a1
a2
a3
a1
b1
c1
Es decir: b1
b2
c2
b3 a 2
c3 a 3
b2
b3
c2
c3
c1
2. Si todos sus elementos de una fila o columna son ceros el determinante es

cero.
3. Si se intercambian dos filas o dos columnas continuas el determinante
cambia de signo.
a1
a2
a3
b1
b2
b3
Es decir: b1
b2
c2
b3 a1
c3 c1
a2
c2
a3
c3
c1
4. Si un determinante tiene dos filas dos columnas iguales o proporcionales

su valor es cero.
a1
a2
a3
Es decir: ka1
ka 2
c2
ka3 0
c3
c1
5. Todos los elementos de una fila o columna de un determinante se multiplica

por un nmero el valor del determinante queda multiplicado por el nmero.
ka1
a2
a3
a1
a2
a3
a1
a2
a3
Es decir: kb1
b2
c2
b3 kb1
c3
c1
kb2
c2
kb3 k b1
c3
c1
b2
c2
b3
c3
kc1
6. Si todos los elementos de una fila o columna son expresados como la suma
de dos o ms nmeros, el determinante puede expresarse como la suma de
dos o ms determinantes.
a1 x
a2
Es decir: b1 y b2
c1 z
c2
a3
a1
a2
a3
a2
a3
b3 b1
c3
c1
b2
c2
b3 y
c3
z
b2
c2
b3
c3
7. Si a cada uno de los elementos de una fila o columna se le multiplica por m

y a este resultado se le suma otra fila o columna el valor del determinante no se
altera.
a1
a2
a3
a1 ma 2
a2
a3
Es decir: b1
b2
c2
b3 b1 mb2
c3
c1 mc2
b2
c2
b3
c3
c1
2.1.8.4. Observaciones
La determinante de una matriz triangular es igual al producto de los elementos
de su diagonal principal.
, det(A) = (1)(5)(12)= 60
1
A 0
0
0
0
2
1
0
0
10
0
0
0
0
0
0
0
0
1
0
2
1
0
20
det(A)= (1)(2)(10)(2)(20)=800
Para un producto matricial se cumple que: det(A.B.C)=det(A). det(B). det(C)

2.1.8.5. MATRIZ DE COFACTORES
a11 a12 a13
Sea la matriz A a 21 a22 a 23 entonces llamamos matriz de cofactores de la

a
31 a32 a33
A11
matriz A a la matriz CA A21

A
31
1
Ejemplo: A 3
5
3
5
1
1
3
A12
A22
A32
14
CA 4
22
A13
A23 ; donde
A33
4
22
Aij 1 i j M ij
22
14
4
14
2.1.8.6. MATRIZ ADJUNTA

Se llama as a la matriz transpuesta de la matriz de cofactores y se denota por
A11
t
adj ( A) CA t , adj ( A) CA A12
A
13
Ejemplo: A 4
7
2
5
8
A21
A31
A22
A23
A32
A33
CA 6
3
6
12
6
6
3
adj ( A) 6
3
6
12
6
6
3
2.1.8.7. MATRIZ INVERSA.

Supongamos la matriz cuadrada A tiene det( A) 0 , entonces la inversa de la
matriz A denotada por A 1 es:
Ejemplo: A 4
2
13
CA 7
3
13
8
2
1

9
6 A ( 13) 2( 4 12) 3(12 10) 9

1
5
3
13
adj ( A) 8
2
1
3
8
5
1
CA t
adj ( A)
A
A
A 1
5
1
6
3
7
5
1
6
3
Verificando tenemos: AA
1
1
4
9
2
2
5
3
6
1
13
. 8
2
7
5
1
3
1
6 0
0
3
0
1
0
0
1
Una matriz cuadrada tiene inversa si y slo si es una matriz no singular en este
caso se dice que es una matriz invertible.
Usando MATLAB
A=[1 2 3;4 5 6;2 3 1]
A=
1
format rat % expresa los valores en fracciones

inv(A)
ans =
-13/9
7/9
-1/3
8/9
-5/9
2/3
2/9
1/9
-1/3
Propiedades:
1. AB 1 B 1 A 1
2.
A 1 1 A
3. A 1 1 A 1 IR
4.
adj ( A) A
n 1
Donde
n es el orden de la matriz A
5. La inversin de matrices permite efectuar la operacin equivalente a la

divisin del lgebra comn.
6. Una matriz A se llama ortogonal si AA T=I, en particular si A es una matriz

cuadrada se tiene que A-1 = AT
Ejemplo:
,
21.1.8.8. RANGO DE UNA MATRIZ:

Se llama rango de una matriz A de orden nxn, al orden de la matriz cuadrada
mas grande contenida en A cuyo determinante es diferente de cero y se
denota r(A) = rango de A.
Debemos resaltar que el r(A) min:{m,n} donde la matriz A en de orden de
mxn.
Para determinar el rango de una matriz se debe de tener en consideracin que
al determinar las matrices cuadradas es suficiente que una de ellas tenga su
determinante diferente de cero.
Ejemplo: Hallar el rango de la siguiente matriz:
1
2
5
4
6
7
8
8
9
Solucin
Como la matriz es de orden 4x3, esto quiere decir que r(A) min{4,3} en otras
palabras r(A) 3
Determinamos las matrices de 3x3:

1
0
6
6 ;
8
2
5
7
0
0
2
5
8
4 0

6 ; 6
9 0
5
7
8
6 1

8 ; 6
9 0
Como no existen ms matrices de orden de 3x3 cuyos determinantes sean

ceros esto quiere decir que el orden de la matriz dada es 3.
Si en caso que sus determinantes fueran ceros entonces se prosigue a
determinar los determinantes de orden 2x2.
Aclaraciones:
- Toda matriz nula tiene como rango cero,
- Si una matriz A es de orden mxn no nula entonces su rango es mayor que
cero y menor igual que
min (m,n)
- Si la matriz es de orden nxn su rango es mayor que cero y menor o igual a n;

- Si la matriz es no nula de orden nxn , entonces existe su inversa si solo si
su determinante es diferente cero , en este caso se dice que la matriz es no
singular.
- De la afirmacin anterior tambin se dice que una matriz cuadrada de orden
nxn tiene inversa si y solo si r(A) =n.
- Supongamos dos matrices A y B y que exista AB, entonces r(AB) min{r(A),
r(B)};
- Tambin es necesario resaltar que existe otra manera de calcular el rango de
una matriz y es
usando operaciones elementales o transformaciones
elementales.
2.1.8.9. OPERACIONES O TRANSFORMACIONES ELEMENTALES
Son operaciones con matrices que no alteran su orden ni su rango, existiendo
operaciones elementales por fila o por columnas.
1.
La permutacin de una fila por una columna se denota por H ij,
2.
La permutacin de columna por columna se denota por K ij;
3.
El producto de todos los elementos de la fila i por un escalar a distinto
de cero se representa por Hi(a);

4.
El producto de todos los elementos de una columna J por un escalar b
se denota por Kj(b);
5.
La suma de los elementos de la fila I con los correspondientes
elementos de la fila j multiplicados por un escalar k es representado por

Hij(k);
6.
La suma de los elementos de una columna i, con los correspondientes
elementos de una columna j multiplicado por un escalar p se denota por

Kij(p);
7.
Debemos aclarar que a las operaciones de tipo H se les llama
operaciones de tipo fila y a las operaciones de tipo K se les llama operaciones

columna.
2.1.8.10. LONGITUD DE UN VECTOR
Supongamos x un vector en R2, su longitud denotado por |x| es definido como
un nmero positivo o cero.
,
En trminos de producto punto
,
Ejemplo: sea
determinar su norma
Solucin
=7.0711
Debemos tener en consideracin que el campo de los nmeros reales R tiene
el defecto de que un polinomio de grado n
con coeficientes reales no
necesariamente tiene n ceros reales.
Por ejemplo
carece de ceros reales, este defecto se
supera extendiendo el campo de tal manera que contenga al elemento i,

elemento que se caracteriza por la ecuacin
, que es el campo C de
los nmeros complejos en donde sus elementos tienen la forma : x=a+bi , en

donde a, b son reales.
Su conjugado, norma, o modulo, se le define:
;,
,
Observe que:
,
1.
2.
El campo de los complejos ya no tiene la anomala de los reales, es mas
tenemos el teorema fundamental del algebra, que establece que todo polinomio
no constante con coeficientes complejos
tiene al menos un cero en el plano
complejo.
3.
La afirmacin anterior permite afirmar que todo polinomio de grado n se
puede descomponer como un producto de n factores lineales.

ANGULO ENTRE VECTORES
El coseno entre dos vectores es dado por
,
Ejemplo
Sean los vectores
, entonces el ngulo entre
ellos es:
PERPENDICULARIDAD DE VECTORES
Dos vectores son ortogonales s el coseno entre ellos es cero es decir si solo si
,
Ejemplo
Sean los vectores x=(2,3,3,4), y =(4,-3,7,-5) son ortogonales pues:
X*y=2*4+3(-3)+3*7+4(-5)=0
2.1.9. ESPACIO VECTORIAL Cn
Cn, esta compuesto de todos los vectores
El espacio vectorial
en donde los
es multiplicado por
, Si al vector complejo x
tambin complejo el resultado es otro vector complejo
as:
,
En consecuencia Cn, es un espacio vectorial sobre el cambo de escalares C.

En consecuencia en este espacio Cn. El producto interno se define:
,
2.1.10. NORMA DE VECTORES

La norma Euclidiana se define:
,
Podemos observar que,
4.
5.
,
,
6.
Consideremos A una matriz con elementos complejos, y A*

conjugada transpuesta es decir
nx1 (o vector columna), entonces
denota su
en particular, si x es una matriz de

, es una matriz de 1xn o vector fila,
,
En general podemos definir norma de un vector x
Como casos particulares tenemos la norma Euclidiana cuando p=2
Mximo valor absoluto
Propiedades
4.
5.
6.
Estas propiedades son familiares en relacin a la norma Euclidiana o longitud

de un vector.
La norma de una matriz cuadrada, A , puede ser definida en forma consistente
con la definicin de norma de un vector:
, (x
La norma de
At.A. Tambin
),
es
donde
es el mximo valor caracterstico de
Estas normas definidas satisfacen
2.1.10. VALOR PROPIO DE UN MATRIZ A

Ahora consideremos A una matriz de orden nxn cuyos elementos pueden ser
complejos y sea
un escalar (numero complejo). Si la ecuacin
,,.....................................................................................................(1)
Tiene una solucin no trivial es decir
entonces , es un valor propio de
A . Un vector x distinto de cero que satisface la ecuacin (1) es un vector

propio de A correspondiente al valor propio .
Ejemplo: Consideremos la Ecuacin siguiente
Esta ecuacin nos afirma que -2 es un valor propio de matriz 3x3 y que (1,3,4)T, es un vector propio correspondiente.
Observemos que cualquier mltiplo distinto de cero de un vector propio es
tambin un vector propio correspondiente al mismo valor propio.
La condicin de que la ecuacin (1) tenga una solucin
no trivial es
equivalente a cada una de las siguientes afirmaciones:
1.
, mapea algn vector distinto de cero en 0,...........................(2).
2.
, es singular,.........................................................................(3)
3.
),.............................................................................(4)
2.1.11. ECUACIN CARACTERSTICA DE LA MATRIZ A

Debemos decir que podemos resolver la relacin (4) para las incgnitas
, y de
esta manera determinamos los valores propios de A. Resaltando que a esta

relacin se le conoce como ecuacin caracterstica de la matriz A . Nosotros
podemos escribir esta ecuacin mas detalladamente as:
a11
a
21

det
ai1

an1
a12
a22
ai 2
an2
a13
a23
ai 3
a n3
...
...
...
...
a1 j
a2 j
aij
anj
..
..
..
..
a1n 0
a2n 0
0

ain 0
0

ann
La funcin determinante se define como una suma de trminos que son

productos de elementos de la matriz.
2.1.12. POLINOMIO CARACTERSTICO DE A,
Podemos observar que la ecuacin (4) tiene la forma de un polinomio de grado
n en la variable , a esto se le llama polinomio caracterstico de A, de lo cual
podemos decir que una matriz de nxn tiene exactamente n valores propios,
siempre y cuando se cuenten con las multiplicidades que tienen como races
de la ecuacin caracterstica.
,
Si x es un autovector asociado con el autovalor
en estas circunstancias
, es decir la matriz A transforma el vector x en un mltiplo escalar de

si mismo. Cuando
, es un numero real mayor que uno, A tiene el efecto de
alargar x en un factor de
de , cuando
y cuando
, A disminuye a x en un factor
, los efectos son similares pero en direccin contraria.
Ax
Ax
Ax
Ax
Ejemplo
Sea la matriz
, calcular los autovalores de A
,
Los autovalores de A son
Un auto vector de A asociado con
as que
es una solucin
por lo tanto
de
, esto
quiere decir que cualquier valor no nulo de x 1, produce un autovector para el

autovalor
, por ejemplo x1=1 tenemos el autovector
De manera anloga un auto vector de A asociado con
de
as que
es una solucin
por lo tanto
, esto quiere decir que cualquier valor no nulo de x 1, produce un
autovector para el autovalor
, por ejemplo x1=1 tenemos el autovector
Ejemplo
Dada la matriz A determinar,

1.
Su ecuacin caracterstica y sus races
Siendo sus races
, esto lustra el hecho de que los
valores propios de una matriz real no son necesariamente nmeros reales.

Debemos decir que la metodologa anterior es la directa y es la mejor cuando
se trata de matrices pequeas.
RADIO ESPECTRAL DE UNA MATRIZ
Radio espectral
de una matriz A se define as:

en donde
es un autovalor de A
Ejemplo: Consideremos la matriz
sus autovalores son,
, entonces
El radio espectral se encuentra estrechamente vinculada con la norma de una

matriz.
Para la norma
matricial
,
, para cualquier norma subordinada.
2.2. TEOREMA DE SCHUR Y GERSHGORIN

Diremos que dos matrices A y B son semejantes entre si cuando existe una
matriz no singular P tal que
este concepto es importante como
consecuencia del teorema que establece que dos matrices que representan
una misma transformacin lineal con respecto a dos bases distintas, son
semejantes entre si.
Teorema 1. Todas las matrices semejantes tienen los mismos valores propios
Pues supongamos que A y B son dos matrices semejantes esto e
,
Veremos que A y B tienen el mismo polinomio caracterstico
,
,
,
,
Obsrvese:
Que se a considerado que el determinante del producto de dos matrices
es el producto de sus determinantes, y el determinante de la inversa de
una matriz es el reciproco de su determinante.
El teorema anterior sugiere una manera para determinar los valores

propios de A. es decir convertir la matriz A en una matriz B por medio
de una transformacin de semejanza
y calcule los valores
propios de B. s B es mas simple que A, el calculo de sus valores propios
es mas fcil. En el caso de que B sea triangular los valores propios de B
y de A son los elementos de la diagonal de B, es as como medito
SCHUR ., segn el siempre ser posible al menos tericamente
Una matriz U ser untara

transpuesta de U es decir
Teorema de Schur.
s UU* =I, en donde U*, es la conjugada

.
Toda matriz cuadrada es unitariamente semejante a una matriz triangular.

Corolario 1: toda matriz cuadrada es semejante una matriz triangular.
Corolario 2. Toda matriz Hermitiana es semejante unitariamente a una matriz
diagonal.
Teorema de Gershgorin
Sea A una matriz nxn y denotemos por R i, el crculo del plano complejo con
centro en aii y radio
, es decir
En donde C denota el conjunto de los nmeros complejos. Entonces los

autovalores de la matriz A estn contenidos en
, es ms, si la unin
de estos k crculos no se cortan con los dems n-k crculos entonces dicha
unin contiene precisamente k autovalores contando las multiplicidades.
Ejemplo
Sea la matriz
Los crculos del teorema de Gershgorin son:
,
,
,
Como los R1 y R2 son disjuntos de R3, existen dos autovalores en
con R3.
Eje
Imaginario
1
11
2.2.2. INDEPENDENCIA LINEAL
10
Eje Real
y uno
Diremos que los vectores no nulos
son linealmente
independientes si la nico conjunto de nmeros reales

que
, es
que los vectores son dependientes.
tal
, en caso contrario se dir
Ejemplo
Dados los vectores:
, son linealmente
dependientes pues existen (1) y (2) tal que:

Si
es un conjunto Linealmente independiente de n

n
vectores en R , entonces para cada vector x en R n, existe un nico

conjunto de nmero reales
, tal que
,
, en este caso se dice que es una base de Rn.
Ejemplo:
Sean los vectores
nmeros
.Si los
son tales que
,
Entonces
,
de
esta
manera
tenemos que,
, pues la nica solucin al
sistema es
entonces el conjunto
,
3
3
Linealmente independiente en R , y por lo tanto es una base de R .
es
2.2.3. INDEPENDENCIA LINEAL DE AUTOVECTORES

Si A es una matriz y
son autovalores distintos de A con
autovectores correspondientes
, entonces
, es linealmente independiente.
Un conjunto de vectores
es ortogonal
,
Si,
si
dems
entonces el conjunto es ortogonal.
Como
es
un
conjunto
ortogonal
de
, es ortogonal si, solo si,
vectores
, para cada
i=1,2,...,n.
2.2.4. INDEPENDENCIA LINEAL DE VECTORES ORTOGONALES
Un conjunto ortogonal de vectores que no contenga el vector cero es
linealmente independiente.
Ejemplo: el conjunto de vectores,
,
forman
un
conjunto ortogonal, pues para estos vectores tenemos que:

,
.
Este conjunto forman un conjunto ortogonal
por heredar la
ortogonalidad de
y adems
,
Diremos que una matriz Q de dimensiones nxn es una matriz ortogonal

si
, debemos aclarar que esta terminologa provienen del
hecho de que las columnas de una matriz ortogonal forman un conjunto
ortogonal.
Ejemplo. Considerando el ejemplo anterior la matriz ortogonal ser:
,
Observemos que: Q*Qt=I
Adems se tiene que,

2.2.5. AUTOVALORES
SEMEJANTES
AUTOVECTORES
DE
MATRICES
Que dos matrices A y B de dimensiones nxn son semejantes si existe una

matriz P tal que A=P-1BP. Dos matrices semejantes tienen los mismos
autovectores.
Teorema de Schur.
Una matriz A de orden nxn cualquiera, entonces existe una matriz U
ortogonal tal que T=U-1AU, donde T es triangular superior cuyos
elementos diagonales son los autovalores de la matriz A.
Debemos manifestar que el teorema de Schur que la matriz triangular
existe,

Apuntes Metodos Numericos Sistema de Ecuaciones Lineales

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Apuntes Metodos Numericos Sistema de Ecuaciones Lineales

Uploaded by

Copyright:

Available Formats

Mtodos Numricos Aplicados a la Ingeniera

Mtodos Numricos Aplicados a la Ingeniera

Algunas Reflexiones Sobre Mtodos Numricos

El anlisis numrico y su diversidad de mtodos en realidad es la dialtica

Mtodos Numricos Aplicados a la Ingeniera

; Entonces x 3 , y 1 es solucin nica

2. Determinar races de ecuaciones: resolver f(x) para x.

Mtodos Numricos Aplicados a la Ingeniera

3. Determinar un valor de x para que optimice una funcin

5. Integracin: Determinar el rea debajo la curva

6. Solucin numrica para ecuaciones diferenciales ordinarias

Mtodos Numricos Aplicados a la Ingeniera

Determinar como funcin de t

7. Solucin numrica de ecuaciones diferenciales parciales

Determinar u como funcin de x, y.

1.2.1. Sistemas de ecuaciones

determinantes para determinar la solucin de un sistema de ecuaciones

Mtodos Numricos Aplicados a la Ingeniera

es un sistema de dos ecuaciones y 2 incgnitas que se

verifican simultneamente para x 3 ; y 1 .

; es un sistema de 3 ecuaciones y 3 incgnitas que se

verifican simultneamente para x 2 ; y 2 ; z 2

ecuaciones y 2 incgnitas que se verifican simultneamente para un

; entonces x 3 , y 1 es solucin nica

Mtodos Numricos Aplicados a la Ingeniera

estas dos ecuaciones son equivalentes pues una

ecuacin depende de la otra.

3. Sea el sistema: 4 x 4 y 20 ; el sistema no tiene solucin pues la

Mtodos Numricos Aplicados a la Ingeniera

el sistema (1) se puede

1.2.4. FORMA MATRICIAL

Mtodos Numricos Aplicados a la Ingeniera

m n IR m n ; es llamada matriz de coeficientes.

es llamado vector de variables, entidades, incgnitas.

1.3. EXISTENCIA Y UNICIDAD DE SOLUCIONES

homogneo y si bi 0 el sistema es no homogneo.

Mtodos Numricos Aplicados a la Ingeniera

Como r ( A) r ( Aa ) , entonces el sistema es inconsistente; es decir no

Si el sistema fuera homogneo es decir

Mtodos Numricos Aplicados a la Ingeniera

r ( A) r ( Aa ) 1 , es decir: r ( A) n 2 en este caso existe un nmero

2. Dado el sistema de ecuaciones: 2 x y 5

Entonces el sistema tiene una nica solucin C.S {3,1}

Mtodos Numricos Aplicados a la Ingeniera

4. El sistema de ecuaciones lineales diagonal ser:

5. Determinado su solucin general

1.4.2. MTODO TRIANGULAR INFERIOR

Mtodos Numricos Aplicados a la Ingeniera

an1 an 2 an3 ann

El conjunto solucin del sistema triangular es obtenido de la

Tercero: el valor de x 2 se obtiene de la segunda ecuacin sustituyendo el

Mtodos Numricos Aplicados a la Ingeniera

1.4.3. MTODO TRIANGULAR SUPERIOR

C.S {27 / 5,8,1}

Mtodos Numricos Aplicados a la Ingeniera

a11 a12 a13 ... a1i ...

La solucin del sistema triangular superior se obtiene de la

de x n 2 , x n 3 , ..., x1 son obtenidos de manera

xi bi aij x j / aii ; i n, n 1, n 2,...,1

Mtodos Numricos Aplicados a la Ingeniera

1.4.4. MTODO DE KARL GAUSS

desempendose generalmente como obrero.

Un proceso de eliminacin hacia delante.

1. Eliminamos el primer trmino de la segunda ecuacin; multiplicando