Contenido

2 Sistemas de ecuaciones lineales 1

2.1 Terminologa y notaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.1.1 Deniciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2.1.2 Clasicacion de los sistemas de ecuaciones . . . . . . . . . . . . . 3
2.2 Sistemas equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.3 Sistemas de Cramer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2.4 Metodo de eliminaci on de Gauss . . . . . . . . . . . . . . . . . . . . . . . 6
2.5 Teorema de Rouche-Frobenius . . . . . . . . . . . . . . . . . . . . . . . . 8
2.6 Sistemas homogeneos. Espacio nulo de una matriz . . . . . . . . . . . . . 12
2.7 Metodos iterativos para la resolucion de sistemas . . . . . . . . . . . . . 13
2.7.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.7.2 Normas matriciales . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.7.3 Metodo de Jacobi y Gauss-Seidel . . . . . . . . . . . . . . . . . . 15
2.7.4 Construccion efectiva de los metodos . . . . . . . . . . . . . . . . 17
2.7.5 Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
i
Universidad de Cadiz Departamento de Matematicas
ii
Universidad de Cadiz Departamento de Matematicas
0
Captulo 2
Sistemas de ecuaciones lineales
Terminologa y notaciones.- Sistemas equivalentes.- Metodo de eliminacion de Gauss.-
Teorema de Rouche-Fr obenius.- Sistemas homogeneos: Espacio nulo de una matriz.- Res-
oluci on de sistemas: metodos directos e iterativos.
2.1 Terminologa y notaciones
2.1.1 Deniciones
Denici on 2.1.1 Se llama sistema de ecuaciones lineales a un conjunto de m ecuaciones
lineales con n incognitas
_

_
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
= b
m
El sistema se puede escribir en forma matricial como AX = B.
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
m1
a
m2
. . . a
mn
_
_
_
_
_
_
_
_
x
1
x
2
. . .
x
n
_
_
_
_
=
_
_
_
_
b
1
b
2
. . .
b
m
_
_
_
_
La matriz
A =
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
m1
a
m2
. . . a
mn
_
_
_
_
se llama la matriz de los coecientes, la matriz
X =
_
_
_
_
x
1
x
2
. . .
x
n
_
_
_
_
1
Universidad de Cadiz Departamento de Matematicas
se llama la matriz de las inc ognitas y la matriz
B =
_
_
_
_
b
1
b
2
. . .
m
_
_
_
_
se llama la matriz de los terminos independientes.
Si formamos la matriz A

de m las y n+1 columnas obtenida al a nadir a la matriz de los

coecientes la columna formada por los terminos independientes, obtenemos una matriz
que se llama la matriz ampliada del sistema
A

= (A|B) =
_
_
_
_
a
11
a
12
. . . a
1n
b
1
a
21
a
22
. . . a
2n
b
2
. . . . . . . . . . . . . . .
a
m1
a
m2
. . . a
mn
b
m
_
_
_
_
Ejemplo 2.1.1.1 Dado el sistema
_
_
_
2x
1
x
2
+ 5x
3
+ x
4
= 26
x
1
+ 4x
2
+ 2x
3
+ x
4
= 3
3x
1
+ 2x
2
+ 6x
4
= 10
la matriz de los coecientes es A =
_
_
2 1 5 1
1 4 2 1
3 2 0 6
_
_
, la matriz de las inc ognitas es
X =
_
_
_
_
x
1
x
2
x
3
x
4
_
_
_
_
, la matriz de los terminos independientes es B =
_
_
26
3
10
_
_
y la matriz
ampliada es A

=
_
_
2 1 5 1 26
1 4 2 1 3
3 2 0 6 10
_
_

Denici on 2.1.2 Se llama solucion de un sistema de m ecuaciones lineales con n incognitas
a un conjunto de n n umeros (
1
,
2
, ,
n
) que satisfacen todas las ecuaciones del sis-
tema, es decir,
_

_
a
11

1
+ a
12

2
+ + a
1n

n
= b
1
a
21

1
+ a
22

2
+ + a
2n

n
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
m1

1
+ a
m2

2
+ + a
mn

n
= b
m
Ejemplo 2.1.1.2 (2, 1, 4, 1) es una soluci on del sistema del ejemplo anterior, (8, 2, 3, 3)
es otra soluci on de dicho sistema.

Denici on 2.1.3 Resolver un sistema de ecuaciones lineales es hallar todas sus solu-
ciones.
2

Algebra y Geometra Escuela Superior de Ingeniera

2.1.2 Clasicaci on de los sistemas de ecuaciones
Denici on 2.1.4 Se dice que un sistema es compatible cuando posee solucion. Si un
sistema no tiene ninguna solucion se dice que es incompatible.
Ejemplo 2.1.1.3 el sistema
_
_
_
x
1
x
2
+ 2x
3
= 1
2x
1
+ x
2
5x
3
= 2
x
1
5x
2
+ 16x
3
= 4
es incompatible

Denici on 2.1.5 Se dice que un sistema es compatible determinado si posee una unica
solucion. Se dice que un sistema es compatible indeterminado cuando la solucion no es
unica.
2.2 Sistemas equivalentes
Denici on 2.2.1 Dos sistemas con igual n umero de incognitas se llaman equivalentes
cuando tienen las mismas soluciones.
Dos sistemas son equivalentes cuando uno puede ser obtenido del otro mediante una o
m as de las siguientes operaciones
Intercambiar dos ecuaciones entre s.
Multiplicar una ecuacion por un n umero no nulo.
Sumar a una ecuaci on otra multiplicada por un n umero.
Si el sistema lo escribimos en forma matricial AX = B, las tres operaciones con sistemas
corresponden a las tres operaciones elementales sobre las las de la matriz ampliada.
Ejemplo 2.2.2.1
1. El sistema
_
_
_
x y + z = 3
2x + 3y 4z = 1
x + 9y 2z = 4
es equivalente al
_
_
_
x y + z = 3
5y 6z = 7
3z = 5
2. El sistema
_
_
_
x y + z = 3
2x + 3y 4z = 1
x + 9y 11z = 11
es equivalente al
_
x y + z = 3
5y 6z = 7
En ambos casos es mas sencillo resolver el segundo que el primero.

3
Universidad de Cadiz Departamento de Matematicas
Denici on 2.2.2 Un sistema de ecuaciones se dice que es un sistema triangular cuando
la matriz de los coecientes es una matriz triangular, es decir verica que todos lo ele-
mentos situados por debajo de la diagonal principal son nulos.
Ejemplo 2.2.2.2 El sistema
x
1
2x
2
+ x
3
x
4
= 5
x
2
+ 2x
3
+ 3x
4
= 1
x
3
2x
4
= 4
x
4
= 7
_

_
es triangular ya que la matriz de los coecientes es
A =
_
_
_
_
1 2 1 1
0 1 2 3
0 0 1 2
0 0 0 1
_
_
_
_

Denici on 2.2.3 Un sistema de ecuaciones se dice que es un sistema escalonado cuando

la matriz de los coecientes es una matriz escalonada por las, es decir verica:
1. el pivote de cada la no nula esta a la derecha del de la la anterior
2. Todos los elementos situados por debajo del pivote son nulos
3. Si hay las nulas, estan situadas en la parte inferior de la matriz.
Ejemplo 2.2.2.3
x
1
x
2
+ 2x
3
x
4
= 1
x
3
+ x
4
= 0
x
4
= 1
_
_
_
= A

=
_
_
1 1 2 1
0 0 1 1
0 0 0 1
_
_

Ejemplo 2.2.2.4
x
1
+ 2x
2
x
3
+ x
4
= 1
x
2
+ 2x
3
= 5
x
3
+ x
4
= 1
_
_
_
= A

=
_
_
1 2 1 1 1
0 1 2 0 5
0 0 1 1 1
_
_

2.3 Sistemas de Cramer

Denici on 2.3.1 Un sistema de n ecuaciones con n incognitas
_

_
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
x
1
+ a
n2
x
2
+ + a
nn
x
n
= b
n
se dice que es un sistema de Cramer si se verica que el determinante de la matriz de los
coecientes es distinto de cero.
4

Algebra y Geometra Escuela Superior de Ingeniera

Es evidente que se podra decir tambien que la matriz de los coecientes es inversible, o
bien que el rango de la matriz de los coecientes es n.
Teorema 2.3.2 El sistema de Cramer
_
_
_
_
_
a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn
_
_
_
_
_
_
_
_
_
_
x
1
x
2
.
.
.
x
n
_
_
_
_
_
=
_
_
_
_
_
b
1
b
2
.
.
.
b
n
_
_
_
_
_
; AX = B
admite solucion unica, y el valor de cada incognita es el cociente entre el determinante
que se obtiene al sustituir, en el determinante de la matriz de los coecientes, la columna
de coecientes de dicha dicha incognita por la columna de los terminos independientes,
y el determinante de la matriz de los coecientes.
Cualquiera que sea i = 1, 2, , n, se verica
x
i
=

i)
a
11
a
12
b
1
a
1n
a
21
a
22
b
2
a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
b
n
a
nn

a
11
a
12
a
1n
a
21
a
22
a
2n
.
.
.
.
.
.
.
.
.
a
n1
a
n2
a
nn

Ejemplo 2.3.3.1 Resolver el sistema

_
_
_
3x y z = 1
4x + 2y z = 5
2x + 3y + 7z = 12
Como se verica que

3 1 1
4 2 1
2 3 7

= 0
tendremos
x =

1 1 1
5 2 1
12 3 7

3 1 1
4 2 1
2 3 7

= 1 y =

3 1 1
4 5 1
2 12 7

3 1 1
4 2 1
2 3 7

= 1 z =

3 1 1
4 2 5
2 3 12

3 1 1
4 2 1
2 3 7

= 1

5
Universidad de Cadiz Departamento de Matematicas
2.4 Metodo de eliminaci on de Gauss
El algoritmo de eliminacion de Gauss consiste en transformar un sistema de ecuaciones
lineales en otro equivalente que sea triangular
_

_
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
22
x
2
+ + a
2n
x
n
= b
2
.
.
.
a
nn
x
n
= b
n
o escalonado.
_

_
a
11
x
1
+ a
12
x
2
+ + a
1r
x
r
+ + a
1n
x
n
= b
1
a
22
x
2
+ + a
2r
x
r
+ + a
2n
x
n
= b
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
a
rr
x
r
+ + a
rn
x
n
= b
r
El proceso mediante el cual se consigue esta transformacion es llamado Eliminacion de
incognitas, y despues, mediante el proceso Sustitucion hacia atras podemos obtener todas
las incognitas.
Sea un sistema cualquiera escrito en forma matricial AX = B y consideramos la matriz
ampliada A

= (A|B) =
_
_
_
_
a
11
a
12
. . . a
1n
b
1
a
21
a
22
. . . a
2n
b
2
. . . . . . . . . . . . . . .
a
m1
a
m2
. . . a
mn
b
m
_
_
_
_
Mediante operaciones elementales transformamos dicha matriz en una m as sencilla.
1. Supongamos que a
11
= 0. Multiplicamos la primera ecuaci on por
1
a
11
_
_
_
_
1 a

12
. . . a

1n
b

1
a
21
a
22
. . . a
2n
b
2
. . . . . . . . . . . . . . .
a
m1
a
m2
. . . a
mn
b
m
_
_
_
_
2. Sumamos a la la iesima la primera multiplicada por el elemento a
i1
, siendo
i = 2, 3, , m, obtenemos una matriz equivalente a la matriz A

pero que tiene

nulos todos los elementos situados debajo del a
11
.
_
_
_
_
1 a

12
. . . a

1n
b

1
0 a

22
. . . a

2n
b

2
. . . . . . . . . . . . . . .
0 a

m2
. . . a

mn
b

m
_
_
_
_
3. En la matriz obtenida consideramos el elemento que ocupa la posici on (2,2) y que
representamos por a

22
y si a

22
= 0, multiplicamos la segunda la por
1
a

22
y hacemos
ceros todos los elementos que est an debajo suya utilizando la misma tecnica que
con el a
11
.
6

Algebra y Geometra Escuela Superior de Ingeniera

4. El algoritmo se puede realizar si en cada paso el elemento a
rr
no es cero. Estos
elementos se llaman pivotes de la eliminacion.
Si al aplicar la eliminaci on gaussiana simple nos encontramos con alg un pivote igual a
cero, por ejemplo el a
rr
, buscamos en la columna r-esima y por debajo de a
rr
el primer
elemento distinto de cero, a
sr
= 0 y procedemos a intercambiar las las r y s y ya podemos
seguir utilizando el procedimiento. Si no hay ning un elemento en la columna r tal que
a
ir
= 0 para alg un i > r entonces ya tenemos ceros bajo la diagonal en la columna r y
podemos continuar al paso siguiente.
Ejemplo 2.4.4.1
1. Resolver el siguiente sistema de ecuaciones
_

_
2x + y z = 3
x 2y + 2z = 1
2x + y + z = 5
.
Partiendo de la matriz ampliada y efectuando las operaciones elementales necesarias
obtenemos
_
_
2 1 1 3
1 2 2 1
2 1 1 5
_
_

_
_
1
1
2

1
2

3
2
1 2 2 1
2 1 1 5
_
_

_
_
1
1
2

1
2

3
2
0
5
2
5
2
5
2
0 0 2 8
_
_

_
_
1
1
2

1
2

3
2
0 1 1 1
0 0 1 4
_
_
Lo que equivale al siguiente sistema
_
_
_
x +
1
2
y
1
2
z =
3
2
y z = 1
z = 4
cuya soluci on es:
x = 1, y = 3, z = 4
El sistema anterior es un sistema COMPATIBLE DETERMINADO.
2. Resolver el siguiente sistema de ecuaciones
_
_
_
x + 2y 3z 16t = 4
y + 2z 3t = 6
x y + z + 9t = 2
Partiendo de la matriz ampliada y efectuando las operaciones elementales necesarias
obtenemos
_
_
1 2 3 16 4
0 1 2 3 6
1 1 1 9 2
_
_

_
_
1 2 3 16 4
0 1 2 3 6
0 1 2 7 2
_
_

7
Universidad de Cadiz Departamento de Matematicas

_
_
1 2 3 16 4
0 1 2 3 6
0 0 4 4 4
_
_

_
_
1 2 3 16 4
0 1 2 3 6
0 0 1 1 1
_
_
Lo que equivale al siguiente sistema
_
_
_
x + 2y 3z 16t = 4
y + 2z 3t = 6
z + t = 1
cuya soluci on es:
x = 1 + 3t, y = 4 + 5t, z = 1 t
El sistema anterior es un sistema COMPATIBLE INDETERMINADO.
3. Resolver el siguiente sistema de ecuaciones
_
_
_
x + y + 2z + 3t = 1
x 2y 3z 4t = 0
2x + 3y + 5z + 7t = 1
Partiendo de la matriz ampliada y efectuando las operaciones elementales necesarias
obtenemos
_
_
1 1 2 3 1
1 2 3 4 0
2 3 5 7 1
_
_

_
_
1 1 2 3 1
0 1 1 1 1
0 1 1 1 3
_
_

_
_
1 1 2 3 1
0 1 1 1 1
0 0 0 0 2
_
_
El sistema no tiene solucion, es INCOMPATIBLE.

2.5 Teorema de Rouche-Fr obenius

Teorema 2.5.1 Dado el sistema
a
11
x
1
+ a
12
x
2
+ . . . + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ . . . + a
2n
x
n
= b
2
. . . . . . . . . . . . . . .
a
m1
x
1
+ a
m2
x
2
+ . . . + a
mn
x
n
= b
m
_

_
AX = B
se verica que el sistema tiene solucion si y solo si el rango de la matriz de los coecientes
es igual al rango de la matriz ampliada.
es decir, se cumple que: rango A = rango (A|B)
rango
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
. . . . . . . . . . . .
a
m1
a
m2
. . . a
mn
_
_
_
_
= rango
_
_
_
_
a
11
a
12
. . . a
1n
b
1
a
21
a
22
. . . a
2n
b
2
. . . . . . . . . . . . . . .
a
m1
a
m2
. . . a
mn
b
m
_
_
_
_
= r
Se pueden dar las siguientes situaciones:
8

Algebra y Geometra Escuela Superior de Ingeniera

1. r = n, es decir, el rango de la matriz de los coecientes es igual al rango de la
ampliada e igual al n umero de incognitas.
2. r < n, es decir, el rango de la matriz de los coecientes es igual al rango de la
ampliada pero menor que el n umero de inc ognitas.
En el primer caso el sistema es compatible con soluci on unica, pudiendose dar dos subcasos
1. Si r = n = m, es decir, el rango de la matriz de los coecientes es igual al de la
ampliada e igual al n umero de inc ognitas y al n umero de ecuaciones, el sistema es
un sistema de Cramer.
Lo podemos resolver aplicando el metodo de Gauss para transformarlo en un sistema
triangular.
2. Si r = n < m, es decir, el rango de la matriz de los coecientes es igual al de la
ampliada e igual al n umero de incognitas pero menor que el n umero de ecuaciones,
podemos prescindir de las mn ecuaciones que no hayan intervenido en el calculo
del rango y el sistema que nos queda, al que llamaremos sistema principal es
equivalente al primitivo. Lo podemos resolver aplicando el metodo de Gauss para
transformarlo en un sistema triangular.
En el segundo caso,al ser rango A = rango (A|B) = r < n, existen r las no nulas en
la matriz equivalente escalonada por las , supongamos, por comodidad en la notaci on,
que dichas las son las r primeras.Suprimimos las m-r ultimas ecuaciones y obtenemos el
sistema
_

_
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= b
1
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= b
2
. . . . . . . . .
a
r1
x
1
+ a
r2
x
2
+ + a
rn
x
n
= b
r
que es equivalente al primitivo.
Mediante el metodo de eliminacion de Gauss lo podemos transformar en un sistema
escalonado.
Ejemplo 2.5.5.1
1. Resolver el siguiente sistema de ecuaciones
_
_
_
2x + y + z = 7
4x + 2y = 8
3x y + z = 2
Calculamos los rangos mediante operaciones elementales
A

=
_
_
2 1 1 7
4 2 0 8
3 1 1 2
_
_
F
2
2,1
, F
3
2
3,1
_
_
_
2 1 1 7
0 0 2 6
0
1
2
5
2
17
2
_
_
_
F
2,3
_
_
_
2 1 1 7
0
1
2
5
2
17
2
0 0 2 6
_
_
_
Como el rango de la matriz de los coecientes A =
_
_
2 1 1
4 2 0
3 1 1
_
_
es igual a 3 y
tambien al rango de la ampliada es 3 e igual al n umero de inc ognitas, el sistema es
9
Universidad de Cadiz Departamento de Matematicas
COMPATIBLE DETERMINADO.
El sistema triangular equivalente es
_
_
_
2x + y + z = 7
1
2
y +
5
2
z =
17
2
2z = 6
su solucion es
x = 1, y = 2, z = 3
2. Resolver el siguiente sistema de ecuaciones
_

_
2x + y + z = 3
x + 3y + 3z = 4
3x + y + z = 2
4x + 3y z = 1
x + 8y + 8z = 9
A

=
_
_
_
_
_
_
2 1 1 3
1 3 3 4
3 1 1 2
4 3 1 1
1 8 8 9
_
_
_
_
_
_
F

1
2
2,1
, F
3
2
3,1
, F
2
4,1
, F

1
2
5,1
_
_
_
_
_
_
_
_
_
_
2 1 1 3
0
5
2
5
2
5
2
0
5
2
5
2
5
2
0 1 3 7
0
15
2
15
2
15
2
_
_
_
_
_
_
_
_
_
_
F
1
3,2
, F

2
5
,F
3
5,2
4,2
_
_
_
_
_
_
_
2 1 1 3
0
5
2
5
2
5
2
0 0 0 0
0 0 4 8
0 0 0 0
_
_
_
_
_
_
_
F
3,4
_
_
_
_
_
_
_
2 1 1 3
0
5
2
5
2
5
2
0 0 4 8
0 0 0 0
0 0 0 0
_
_
_
_
_
_
_
como el rango de la matriz de los coecientes es 3 y el rango de la ampliada tambien
es 3, suprimimos dos ecuaciones y obtenemos un sistema triangular equivalente al
dado
_

_
2x + y + z = 3
5
2
y +
5
2
z =
5
2
4z = 8
cuya soluci on es x = 1, y = 1, z = 2
3. Resolver el siguiente sistema de ecuaciones
_

_
2x + 3y z + t + u = 1
x y + 2z + 3t u = 2
5x 2y z t + 5u = 4
8x 3t + 5u = 1
10

Algebra y Geometra Escuela Superior de Ingeniera

Como el rango de la matriz de los coecientes es 3 y el rango de la matriz ampliada
tambien 3, al ser
_
_
_
_
2 3 1 1 1 1
1 1 2 3 1 2
5 2 1 1 5 4
8 0 0 3 5
_
_
_
_
F

1
2
2,1
, F

5
2
3,1
, F
4
4,1
_
_
_
_
_
_
_
2 3 1 1 1 1
0
5
2
5
2
5
2

3
2

3
2
0
19
2
3
2

7
2
5
2
13
2
0 12 4 1 1 5
_
_
_
_
_
_
_
F

19
5
3,2
, F

24
5
4,2
_
_
_
_
_
_
_
_
2 3 1 1 1 1
0
5
2
5
2
5
2

3
2

3
2
0 0 8 13
41
5
61
5
0 0 8 13
41
5
61
5
_
_
_
_
_
_
_
_
F
1
4,3
_
_
_
_
_
_
_
2 3 1 1 1 1
0
5
2
5
2
5
2

3
2

3
2
0 0 8 13
41
5
61
5
0 0 0 0 0 0
_
_
_
_
_
_
_
y el n umero de incognitas es 5, se trata de un SISTEMA COMPATIBLE INDE-
TERMINADO. Suprimimos la ecuacion que no ha intervenido en el calculo del
rango y obtenemos un sistema escalonado equivalente al dado
_

_
2x + 3y z + t + u = 1

5
2
y +
5
2
z +
5
2
t +
5
2
u =
3
2
8z 13t +
41
5
u =
61
5
cuya soluci on es:
_

_
x =
1
40
(5 15t 25u)
y =
1
40
(37 25t + 17u)
z =
1
40
(61 65t + 41u)
t = t
u = u
4. Resolver el siguiente sistema de ecuaciones
_
_
_
2x + y + z = 7
4x + 2y = 8
2x + y = 1
SISTEMA INCOMPATIBLE

11
Universidad de Cadiz Departamento de Matematicas
2.6 Sistemas homogeneos. Espacio nulo de una ma-
triz
Denici on 2.6.1 Los sistemas homogeneos son aquellos que tienen todos los terminos
independientes iguales a cero, es decir son sistemas del tipo
_

_
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
= 0
a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
= 0
.
.
.
.
.
.
.
.
.
.
.
. 0
a
m1
x
1
+ a
m2
x
2
+ + a
mn
x
n
= 0
En los sistemas homogeneos siempre se verica que rang(A)=rang(A

) y por tanto un
sistema homogeneo siempre tiene solucion. A la soluci on
x
1
= x
2
= = x
n
= 0
la llamamos Solucion trivial.
Nos interesan soluciones distintas de la trivial, y para ello debe ocurrir que el rango de
la matriz de los coecientes sea menor que el n umero de inc ognitas.
Ejemplo 2.6.6.1
1. Resolver el siguiente sistema de ecuaciones
_
_
_
x y + 2z t = 0
2x + 3y 4z + 2t = 0
3x z t = 0
Se verica que rang(A)=2, y la soluci on sera
x = t, y = 4t, z = 2t
2. Resolver el siguiente sistema de ecuaciones
_

_
x
1
+ 2x
2
+ x
3
2x
4
= 0
2x
1
x
2
+ x
3
+ x
4
= 0
x
1
2x
2
+ 2x
3
x
4
= 0
8x
1
+ 6x
2
x
3
= 0
7x
1
5x
2
x
4
= 0
Se verica que rang(A)=4, y la soluci on sera la trivial.

Denici on 2.6.2 Se llama espacio nulo de una matriz A, al conjunto formado por
todas las matrices columna X tales que AX = 0
En denitiva, para calcular el espacio nulo de una matriz A hemos de resolver el sistema
homogeneo AX = 0.
12

Algebra y Geometra Escuela Superior de Ingeniera

2.7 Metodos iterativos para la resolucion de sistemas
2.7.1 Introducci on
Los modelos lineales aparecen en la mayora de las ramas de la ciencia y la tecnologa.
Es m as, en el an alisis y estudio de situaciones complejas es habitual comenzar con un
estudio simplicado que suele ser lineal y se expresa de forma matricial. Los problemas
lineales m as comunes son la resolucion de sistemas de ecuaciones lineales. Desde una
perspectiva teorica y estrictamente algebraica, estos problemas se resuelven con facilidad.
La dicultad aparece desde el punto de vista practico, muchos de los metodos conocidos
son inviables, incluso para matrices de orden considerablemente peque no. El c alculo de
un determinante tiene un coste de n!(n1) operaciones elementales, es decir, para la re-
soluci on de un sistema, con 20 inc ognitas, se precisan 10
21
operaciones. Un ordenador con
10 millones de operaciones por segundo, tardara casi mil millones de a nos en resolverlo
usando el metodo Cramer. Es necesario pues aportar soluciones alternativas que hagan
posible el tratamiento de estos problemas para dimensiones usuales.
Generalmente los algoritmos de resolucion suelen clasicarse en dos grandes grupos:
metodos directos y metodos iterados. La diferencia entre ellos es profunda y no solo
metodol ogica: la nalidad de los primeros consiste en determinar una soluci on exacta
del problema, mientras que en los segundos se calculan sucesivas aproximaciones con la
esperanza de aproximarse progresivamente a la soluci on en cada iteracion.
Respecto a los metodos directos se basan principalmente en el metodo de eliminacion de
Gauss; algoritmo de Gauss con o sin pivotes, factorizacion LU, factorizaci on de Cholesky,
etc. Todos estos metodos son esencialmente la eliminacion de Gauss que se particularizan
para tipos especiales de matrices con el objeto de minimizar el n umero de operaciones,
por ejemplo para matrices simetricas se utiliza Cholesky. El algoritmo de Gauss precisa
n
3
/3 operaciones elementales por lo que para nuestro sistema de 20 inc ognitas, el coste
no asciende a 3000 operaciones, lo que lo hace viable para realizar a mano o m aquina.
En la secciones anteriores hemos estudiado ya el metodo de Gauss, que es directo ya que
para un sistema de la forma Ax = b encuentra la solucion x de forma exacta salvo los
errores que pueda introducir el uso de un ordenador en su resolucion.
Ahora nos ocuparemos de estudiar los metodos indirectos, los cuales del sistema Ax = b
obtendr an una soluci on aproximada, es decir un x de forma que ||x x|| sea tan peque no
como queramos. En muchos casos estas tecnicas son m as efectivas que los metodos
directos, ya que pueden requerir mucho menos esfuerzo computacional y obtener una
soluci on aproximada x en lugar de la real no tiene ninguna relevancia si tenemos en cuenta
que las usaremos para resolver problemas tecnologicos, los que generalmente estar an
denidos con errores. Para sistemas de ecuaciones lineales de gran dimensi on (con miles
de ecuaciones), los metodos iterados muestran ventajas decisivas frente a los metodos
directos, en cuanto a la velocidad y requerimiento de memoria del ordenador se reere.
Si las demandas de precision no son muy exigentes, bastara con un n umero modesto de
iteraciones. Para sistemas con matrices huecas (o sea, aquellas que la mayora de sus
elementos son nulos), los metodos iterativos son muy ecientes; este tipo de sistemas
surgen, por ejemplo, en la resoluci on de ecuaciones en derivadas parciales.
Para describir estos metodos necesitaremos tener medida de cuanto de cerca est a un
vector de otro. En la primera secci on usaremos el concepto de norma para mostrar
cono se pueden describir varias formas de medir distancia entre vectores y veremos como
este concepto puede extenderse a las matrices. En la siguiente secci on describiremos
13
Universidad de Cadiz Departamento de Matematicas
los metodos y por ultimo daremos unos resultados para saber cuando podemos esperar
obtener solucion de estos metodos, lo que llamaremos convergencia.
2.7.2 Normas matriciales
Denici on 2.7.1 Una norma matricial es una funcion : M
n
R
+
{0} satisfa-
ciendo las siguientes propiedades:
1. A > 0, para cualquier A M
n
\ {0} y A = 0 si y solo si A = 0.
2. A = ||A, para cualesquiera R y A M
n
.
3. A + B A + B, para cualesquiera A, B M
n
.
4. AB AB
Las tres primeras garantizan que es una norma vectorial y la cuarta que es compatible
con el producto de matrices.
Trabajaremos con dos normas matriciales sobre M
n
1. Sea A M
n
. Entonces
A

= max
1in
n

j=1
|a
ij
|.
es decir, la norma innito de una matriz es el maximo de la suma de los valores
absolutos de los elementos de cada la. Es por ello que la norma l

tambien se
denomina norma la.
Ejemplo 2.7.7.1 Consideramos la matriz
A =
_
_
_
_
1 0 1 2
6 1 0 1
3 5 0 1
1 0 1 0
_
_
_
_
La norma innita de A ser a
A

=
max {|1| + |0| + | 1| + |2|, | 6| + |1| + |0| + | 1|,
|3| + |5| + |0| + |1|, |1| + |0| + | 1| + |0|} =
max {4, 8, 9, 2} = 9

2. Sea A M
n
. Entonces
A
1
= max
1jn
n

i=1
|a
ij
|.
es decir, la norma uno es el maximo de la suma de los valores absolutos de los
elementos de cada columna.
14

Algebra y Geometra Escuela Superior de Ingeniera

Ejemplo 2.7.7.2 Para la matriz del ejemplo anterior la norma 1 sera
A
1
=
max {|1| + | 6| + |3| + |1|, |0| + |1| + |5| + |0|,
| 1| + |0| + |0| + | 1|, |2| + | 1| + | 1| + |0|} =
max {11, 6, 2, 4} = 11

2.7.3 Metodo de Jacobi y Gauss-Seidel

Un metodo indirecto o iterado da lugar a una sucesi on de vectores que converger a o no a
la soluci on exacta del sistema. El c alculo se detiene cuando se ha obtenido una soluci on
aproximada con cierto grado de precisi on especicado. Estos metodos son, generalmente,
iterativos.
Para resolver el sistema Ax = b, se comienza con una aproximaci on x
(0)
de la soluci on,
siempre que sea posible, o bien se considera x
(0)
= 0, y se genera una sucesi on de vectores
(x
(k)
) que converge a la solucion x.
La idea reside en considerar un sistema equivalente a Ax = b de la forma
x = Tx +c, (2.1)
e ir resolviendo los sistemas x
(k+1)
= Tx
(k)
+c.
Comencemos ilustrando estos metodos con un ejemplo, para ello consideremos el sistema
de ecuaciones:
2x y = 2,
x + 6y 2z = 4,
4x 3y + 8z = 5,
_
_
_
cuya solucion viene dada por (0.62, 0.76, 0.03). Una forma natural de resolver este
sistema sera despejar la iesima inc ognita de la iesima ecuaci on:
1
o
ecuaci on, despejo 1
o
inc ognita x =
1
2
y +1,
2
o
ecuaci on, despejo 2
o
inc ognita y = x +
1
3
z
4
3
,
3
o
ecuaci on, despejo 3
o
inc ognita z =
1
2
x +
3
8
y +
5
8
.
_

_
suponiendo que conocemos una soluci on aproximada del sistema x
(0)
= (x
0
, y
0
, z
0
) o bien
consideramos que la solucion es x
(0)
= 0 = (x
0
= 0, y
0
= 0, z
0
= 0) la utilizamos para
sustituir en la parte derecha de todas las igualdades anteriores,
x =
1
2
0 +1 = 1 = 1.,
y = 0 +
1
3
0
4
3
=
4
3
= 0.66667,
z =
1
2
0 +
3
8
0 +
5
8
=
5
8
= 0.625
_

_
de esta forma hemos obtenido la primera iteraci on del metodo, x
(1)
= (x
(1)
= 1, y
(1)
=
0.66667, z
(1)
= 0.625), con esta nueva solucion aproximada actuamos de igual forma
15
Universidad de Cadiz Departamento de Matematicas
para conseguir una nueva iteracion
x
(2)
=
1
2
0.66667 +1 = 0.66667,
y
(2)
= 1 +
1
3
0.625
4
3
= 0.625,
z
(2)
=
1
2
1 +
3
8
0.66667 +
5
8
= 0.125
_

_
ya tenemos la segunda iteraci on del metodo x
(2)
= (0.66667, 0.625, 0.125) que la us-
amos para obtener la tercera iteracion.
x
(2)
=
1
2
0.625 +1 = 0.6875,
y
(2)
= 0.66667 +
1
3
0.125
4
3
= 0.819444,
z
(2)
=
1
2
0.66667 +
3
8
0.625 +
5
8
= 0.057291
_

_
as hemos conseguido la tercera iteracion x
(3)
= (0.6875, 0.819444, 0.0572917), este
metodo se conoce como metodo de Jacobi. Si continuamos iterando obtenemos;
x
(4)
= (0.590278, 0.762153, 0.0260417)
x
(5)
= (0.618924, 0.773727, 0.0440538)
x
(6)
= (0.613137, 0.755136, 0.0253906)
x
(7)
= (0.622432, 0.760393, 0.0352557)
x
(8)
= (0.619804, 0.758653, 0.0286368)
x
(9)
= (0.620673, 0.760422, 0.0306031)
x
(10)
= (0.619789, 0.759911, 0.0295052)
Observar que todas las componentes del vector se van repitiendo, lo que nos indica que
podramos parar en la iteraci on x
(10)
y darla como soluci on aproximada del problema,
solo que no debe ser muy buena ya que en cada iteracion solo se repiten 2 dgitos, si
calculamos el error que se comete es decir la diferencia entre la solucion exacta y la
aproximada, obtendremos
x x
(10)

= (0.62, 0.76, 0.03) (0.619789, 0.759911, 0.0295052)

= (0.000210845, 0.00008882, 0.000494777)

= 4.910
4
El metodo de Jacobi es claramente mejorable, si pensamos que cada iteracion que real-
izamos es mejor que la anterior, deberamos aprovechar los valores que vamos obteniendo.
Es decir en el ejemplo con el que trabajamos
x
(1)
=
1
2
(x
(0)
= 0) +1 = 1,
y
(1)
= (x
(0)
= 0)
. .
se podra utilizarx
(1)
+
1
3
(z
(0)
= 0)
4
3
= 0.66667,
z(1) =
1
2
(x
(0)
= 0)
. .
se podra utilizarx
(1)
+
3
8
(y
(0)
= 0)
. .
se podra utilizary
(1)
+
5
8
= 0.625
_

_
16

Algebra y Geometra Escuela Superior de Ingeniera

de esta forma procederamos en la primera etapa, partiendo de (0, 0, 0)
x
(1)
=
1
2
0 +1 = 1.,
y
(1)
= 1.
..
+
1
3
0
4
3
= 0.833333,
z
(1)
=
1
2
1.
..
+
3
8
0.833333
. .
+
5
8
= 0.1875
_

_
la iteracion primera resulta x
(1)
= (1., 0.833333, 0.1875), volvemos a iterar
x
(2)
=
1
2
0.833333 +1 = 0.583333,
y
(2)
= 0.583333
. .
+
1
3
0.1875
4
3
= 0.826389,
z
(2)
=
1
2
0.583333
. .
+
3
8
0.826389
. .
+
5
8
= 0.0234375
_

_
as hemos conseguido la segunda iteraci on x
(2)
= (0.583333, 0.826389, 0.0234375), este
metodo se conoce como metodo de Gauss-Seidel. Si continuamos iterando obtenemos;
x
(3)
= (0.586806, 0.756655, 0.0478516)
x
(4)
= (0.621672, 0.754328, 0.0312907)
x
(5)
= (0.622836, 0.760042, 0.0285661)
x
(6)
= (0.619979, 0.760474, 0.0298327)
x
(7)
= (0.619763, 0.760016, 0.0301125)
x
(8)
= (0.619992, 0.759961, 0.0300186)
x
(9)
= (0.620019, 0.759997, 0.0299914)
x
(10)
= (0.620001, 0.760003, 0.0299981)
podramos parar en la iteracion x
(10)
y darla como soluci on aproximada del problema, en
este caso en cada iteracion se repiten unos 4 dgitos. Calculemos el error
x x
(10)

= (0.62, 0.76, 0.03) (0.620001, 0.760003, 0.0299981)

= (1.4859 10
6
, 3.11437 10
6
, 1.91084 10
6
)

= 3.110
6
2.7.4 Construcci on efectiva de los metodos
La forma de proceder anteriormente es tediosa, por lo que intentaremos expresar las
iteraciones en forma matricial. Para construir la matriz T descomponemos la matriz A
en suma de tres matrices, una con su parte inferior L, otra con su parte diagonal D y por
ultimo una con su parte superior U; de esta forma tenemos A = L+D+U. Por ejemplo
_
_
_
_
1 2 3 4
5 6 7 8
2 4 6 8
1 3 5 7
_
_
_
_
. .
A
=
_
_
_
_
0 0 0 0
5 0 0 0
2 4 0 0
1 3 5 0
_
_
_
_
. .
L
+
_
_
_
_
1 0 0 0
0 6 0 0
0 0 6 0
0 0 0 7
_
_
_
_
. .
D
+
_
_
_
_
0 2 3 4
0 0 7 8
0 0 0 8
0 0 0 0
_
_
_
_
. .
U
Entonces el sistema de la forma Ax = b lo podemos escribir como (L+D+U)x = b lo que
nos permitira realizar transformaciones algebraicas para obtener la matriz de iteraci on
T, asi para obtener el metodo de Jacobi procederemos
17
Universidad de Cadiz Departamento de Matematicas
(L + D + U)x = b = Dx = (L + U)x +b = x = D
1
(L + U)x + D
1
b,
siempre que exista D
1
, es decir, siempre que a
ii
= 0, 1 i n. Denimos entonces la
matriz de iteraci on de Jacobi como
A
J
= D
1
(L + U).
Entonces, si c
j
= D
1
b, el metodo de Jacobi se dene como
x
(0)
conocido,
x
(k+1)
= A
J
x
(k)
+c
j
.
_
Ejemplo 2.7.7.3 Resolvamos el sistema anterior, utilizando el metodo de Jacobi.
2x y = 2,
x + 6y 2z = 4,
4x 3y + 8z = 5,
_
_
_
Descomponemos la matriz asociada al sistema
_
_
2 1 0
1 6 2
4 3 8
_
_
. .
A
=
_
_
0 0 0
1 0 0
4 3 0
_
_
. .
L
+
_
_
2 0 0
0 6 0
0 0 8
_
_
. .
D
+
_
_
0 1 0
0 0 2
0 0 0
_
_
. .
U
ahora construimos la matriz de iteracion de Jacobi
D
1
(L + U) =
_
_
2 0 0
0 6 0
0 0 8
_
_
1
_
_
_
_
0 0 0
1 0 0
4 3 0
_
_
+
_
_
0 1 0
0 0 2
0 0 0
_
_
_
_
=

_
_
1/2 0 0
0 1/6 0
0 0 1/8
_
_
_
_
0 1 0
1 0 2
4 3 0
_
_
=
_
_
0 1/2 0
1/6 0 1/3
1/2 3/8 0
_
_
y el termino independiente
c
j
= D
1
b =
_
_
1/2 0 0
0 1/6 0
0 0 1/8
_
_
_
_
2
4
5
_
_
=
_
_
1
2/3
5/8
_
_
Tan solo queda iterar en la expresion
x
n+1
=
_
_
0 1/2 0
1/6 0 1/3
1/2 3/8 0
_
_
x
n
+
_
_
1
2/3
5/8
_
_
Entonces partiendo de x
0
= (0, 0, 0) se obtiene
x
(0)
= (0, 0, 0)
x
(1)
= T
j
x
0
+ c
j
= (1, 2/3, 5/8) = (1, 0.66667, 0.625),
x
(2)
= T
j
x
1
+ c
j
= (0.66667, 0.625, 0.125),
.
.
.
.
.
.
.
.
.
x
(15)
= T
j
x
14
+ c
j
= (0.62001, 0.76, 0.030008),
x
(16)
= T
j
x
15
+ cj =(0.62, 0.76, 0.02995).
18

Algebra y Geometra Escuela Superior de Ingeniera

Para parar el metodo podemos ir observando las iteraciones y cuando todos los elementos
del vector esten convergiendo (repitiendose) podemos parar. Diremos que una forma de
paro es suponer que la solucion exacta es una de las iteraciones realizadas por lo que
podemos en cada iteraci on ir calculando el error que cometemos x
n
x
n1
y cuando
sea menor que una cierta cantidad jada paramos, consideramos x
(n)
x
(n1)

, es
igual que observar que se repiten todas las componentes.
En este ejemplo si paramos en la iteraci on x
16
diremos que el error cometido es x
16

x
15
= (0.00001, 0, 0.000058)

= 0.000058 = 5.810
5

Otra forma construir un sistema equivalente a Ax = b es la siguiente:

(L + D + U)x = b = (L + D)x = Ux +b = x = (L + D)
1
Ux + (L + D)
1
b.
Si existe (L + D)
1
, es decir, si a
ii
= 0, 1 i n, deducimos otro sistema iterado el
denominado metodo de Gauss-Seidel
La matriz de iteraci on de GaussSeidel se dene como
A
GS
= (L + D)
1
U,
y el metodo de GaussSeidel viene dado por
x
(0)
conocido,
x
(k+1)
= A
GS
x
(k)
+c
gs
.
_
donde ahora c
gs
= (L+D)
1
b. Ejemplo 2.7.7.4 Resolvamos el sistema de ecuaciones,
cuya soluci on viene dada por (0.62, 0.76, 0.03), utilizando el metodo de Gauss-Seidel.
2x y = 2,
x + 6y 2z = 4,
4x 3y + 8z = 5,
_
_
_
Descomponemos la matriz asociada al sistema y construimos la matriz de iteraci on de
Gauss
T
g
= (D + L)
1
(U) =
_
_
2 0 0
1 6 0
4 3 8
_
_
1
_
_
0 1 0
0 0 2
0 0 0
_
_
=

_
_
1/2 0 0
1/12 1/6 0
9/32 1/16 1/8
_
_
_
_
0 1 0
0 0 2
0 0 0
_
_
=
_
_
0 1/2 0
0 1/12 1/3
0 9/32 1/8
_
_
y el termino independiente
c
g
= (D + L)
1
b =
_
_
1/2 0 0
1/12 1/6 0
9/32 1/16 1/8
_
_
_
_
2
4
5
_
_
=
_
_
1
5/6
3/16
_
_
Tan solo queda iterar en la expresion
x
n+1
=
_
_
0 1/2 0
0 1/12 1/3
0 9/32 1/8
_
_
x
n
+
_
_
1
5/6
3/16
_
_
19
Universidad de Cadiz Departamento de Matematicas
Entonces partiendo de x
0
= (0, 0, 0) se obtiene
x
0
= (0, 0, 0)
x
1
= T
g
x
0
+ c
g
= (1, 5/6, 3/16) = (1, 0.83333, 0.1875),
x
2
= T
g
x
1
+ c
g
= (0.583333, 0.826389, 0.0234375),
x
3
= T
g
x
2
+ c
g
= (0.586806, 0.756655, 0.0478516),
x
4
= T
g
x
3
+ c
g
= (0.621672, 0.754328, 0.0312907),
x
5
= T
g
x
4
+ c
g
= (0.622836, 0.760042, 0.0285661),
x
6
= T
g
x
5
+ cg =(0.619979, 0.760474, 0.0298327),
x
7
= T
g
x
6
+ cg =(0.619763, 0.760016, 0.0301125).
Si decidimos parar en la iteraci on septima x
7
diremos que el error cometido es x
7
x
6
=
(0.000215999, 0.000458183, 0.000279818)

= 0.000458183 = 4.510
4
Observar que en muchas menos iteraciones hemos conseguido una aproximaci on similar, es
por esto que en los metodos iterativos hay que tratar tambien la velocidad de convergencia
a la soluci on; lo que provoca adem as que se generen mas metodos.

Por ultimo comentar otros metodos que provienen de considerar R, > 0. Entonces
Ax = b (L + D + U)x = b
[(L + D + U) D + D]x = b (D + L)x = [(1 )D U]x + b.
Podemos denir entonces el metodo iterado
x
(0)
conocido,
x
(k+1)
= (D + L)
1
[(1 )D U]x
(k)
+ (D + L)
1
b.
_
Este tipo de algoritmo se conoce como metodo de relajacion:
Si 0 < < 1, nos encontramos ante los llamados metodos de subrrelajaci on; este
algoritmo suele usarse cuando el metodo de GaussSeidel no converge.
Cuando > 1, tenemos los metodos de sobrerrelajaci on, que resultan de gran
utilidad para la resolucion de sistemas que surgen en la discretizaci on de ecuaciones
diferenciales.
2.7.5 Convergencia
Teorema 2.7.2 Diremos que un metodo iterado x = Tx + c es convergente si y solo si
la matriz de iteracion es convergente
Teorema 2.7.3 Una condicion suciente para que una matriz sea convergente es que
tenga alguna norma menor que uno, T 1
Ejemplo 2.7.7.5 En el ejemplo anterior la matriz de iteraci on para el metodo de Jacobi
es
T
j
=
_
_
0 1/2 0
1/6 0 1/3
1/2 3/8 0
_
_
si calculamos su norma innita T
j

= max 1/2, 1/2, 7/8 = 7/8 como es menor que 1

podemos asegurar la convergencia del metodo.

20

Algebra y Geometra Escuela Superior de Ingeniera

Denici on 2.7.4 Una matriz se dice matriz estrictamente diagonal dominante si en
cada una de las las el valor absoluto del elemento de la diagonal principal es mayor
que la suma de los valores absolutos de los elementos restantes de cada la. Es decir
A = {a
ij
} es estrictamente diagonal dominante si
i = 1, . . . , n a
ii
> a
i1
+ a
i2
+ + a
ii1
+ a
ii+1
+ + a
in

Teorema 2.7.5 Si la matriz A asociada al sistema Ax = b es estrictamente diagonal

dominante, entonces los metodos iterados de Jacobi y Gauss-Seidel convergen
Ejemplo 2.7.7.6 De nuevo en el ejemplo anterior
2x y = 2,
x + 6y 2z = 4,
4x 3y + 8z = 5,
_
_
_
la matriz asociada es
_
_
2 1 0
1 6 2
4 3 8
_
_
que podemos observar que es estrictamente diagonal dominante.

21