Sistema de Ecuaciones Lineales

Sistema de Ecuaciones Lineales
Dpto. Acad. De Mecánica

Asignatura: Matemática para Ingeniería
Instituto Universitario de Tecnología (Modulo I)
Alonso Gamero Profesor: Lcdo. Eliezer Ramones
Trayecto: Tercero (III).
En las distintas ramas de la ingeniería se plantean problemas en que se

hace necesario resolver sistemas de ecuaciones lineales simultáneas con un
número bastante grande de ecuaciones como para resolverlo manualmente o con
calculadora, por lo que hemos de conocer algunos métodos directos e iterativos
fáciles de programar para resolverlos con ayuda de la computadora.
Métodos directos:
En este capitulo inicialmente desarrollaremos el algoritmo de sustitución

regresiva, con el que podremos resolver un sistema de ecuaciones lineales cuya
matriz de coeficientes sea triangular superior.
Definición: se dice que una matriz A   aij  de orden NxN es triangular
superior cuando sus elementos verifican aij  0 siempre que i  j . Se dice que
una matriz A   aij  de orden NxN es triangular inferior cuando sus elementos
verifican aij  0 siempre que i  j .
Vamos a desarrollar un método para hallar la solución de un sistema de

ecuaciones lineales triangular superior. Si A es una matriz triangular superior,
entonces se dice que el sistema de ecuaciones AX  B es un sistema triangular
superior de ecuaciones lineales, sistema que tiene la siguiente forma:
a11 x1  a12 x 2  a13 x3  .....  a1n x n  b1

a 22 x 2  a 23 x3  .....  a 2 n x n  b2
a 33 x3  ......  a3n x n  b3 (1)

a nn x n  bn
Teorema: (Sustitución Regresiva). Supongamos que AX  B es un sistema
triangular superior si
Matemática para Ingeniero Modulo II Lcdo. Eliézer Ramones Página 1

a kk  0 para k  1,2,..., N,
Entonces existe una solución única de (1).

Demostración: la solución es fácil de hallar. La última ecuación solo contiene la
incógnita x n , así que empezamos por ésta:
bn
xn 
a nn
Ahora ya conocemos x n así que podemos usarla en la penúltima ecuación:

bn 1  a n 1.n x n
x n 1 
a n 1.n 1
Una vez calculado los valores x n , x n 1 ,....., x k 1 , el paso general es
bk   j  k 1 a kj x j
n
xk  para k  n - 1, n - 2,..., 1
a kk
La unicidad de la solución es fácil de ver. La última ecuación implica que bn a nn

es el único posible valor de x n y, por inducción finita, los valores de
x n 1 , x k 1 ,...., x1 también son único.
Ahora para visualizar este algoritmo resolveremos el siguiente ejemplo

Ejemplo: vamos a usar el método de sustitución regresiva para resolver el sistema
lineal.
4 x1  x 2  2 x3  3x 4  20
 2 x 2  7 x3  4 x 4  7
6 x3  5 x 4  4
3x 4  6
6
Despejando a x4 en la ultima ecuación obtenemos x4   2 , luego
3
x3  1, x 2  4, x1  3 , esto nos indica que “tiene solución única”.
Ejemplo:

4 x1  x 2  2 x3  3 x 4  20
0 x 2  7 x3  4 x 4  7
6 x3  5 x 4  4
3x4  6
6
Despejando a x 4 en la ultima ecuación obtenemos x 4   2 , luego
3
7 x3  8  7
6 x3  10  4
Esto implica que x3  1 y x3  1 , esta contradicción nos lleva a la conclusión

7
de que el sistema “no tiene solución”.
Ejemplo:
4 x1  x 2  2 x3  3 x 4  20
0 x 2  7 x3  0 x 4  7
6 x3  5 x 4  4
3x4  6
Despejando a x 4 en la ultima ecuación obtenemos x 4  2 y x3  1 , cuando

sustituimos estos valores en la primera ecuación del sistema nos queda que
x 2  4 x1  16 , esto nos dice que el sistema “tiene infinitas soluciones”.
Eliminación Gaussiana:
Este método se aplica para resolver sistemas lineales de la forma:
AX  B
El objetivo del método de eliminación Gaussiana (simple), consiste en construir

un sistema triangular superior equivalente UX  Y que podamos resolver usando
el método de sustitución regresiva:
 AB 
Para obtener un sistema equivalente:

a11 x1  a12 x 2  a13 x 3  .....  a1n x n

a
22 x 2  
a 23 x3  n xn
 .....  a 2
a
33 x 3
n xn
 ......  a 3


a nn xn
Donde la notación a ij se usa simplemente para denotar que el elemento aij
cambió. Se despejan las incógnitas comenzando con la última ecuación y hacia

arriba. Por esta razón, muchas veces se dice que el método de eliminación
Gaussiana consiste en la eliminación hacia adelante y sustitución hacia atrás.
Cualquiera de las siguientes operaciones aplicadas a un sistema de

ecuaciones lineales produce un sistema equivalente (Transformaciones
Elementales):
1. Intercambio: El orden de la ecuación puede cambiarse.

2. Escalado: multiplicar una ecuación por una constante no nulo.
3. Sustitución: Una ecuación puede ser reemplazada por la suma de ella
misma más un múltiplo de otra ecuación.
La forma habitual de usar es la tercera (sustitución), que ilustra en el siguiente

ejemplo.
Ejemplo: Resolver el siguiente sistema de ecuaciones:
x1  2 x 2  3 x3  1
4 x1  5 x 2  6 x3  2
7 x1  8 x 2  10 x3  5
Usando el método de eliminación Gaussiana (simple).
Sol: Escalonamos la matriz aumentada del sistema:

1 2 3 1  1 2 3 1  1 2 3 1 
    
7,4.f yf321 45 6-22f 32 0-3 6 -0-3 6 -
7 810 5 0-6 1 -2 0 1 0
    
Y dividiendo el segundo renglón entre –3, tenemos la matriz equivalente:
1 2 3 1 
 
0 1 2 2 
 0 0 1 10 
 
Por lo tanto, el sistema equivale a:
x1  2 x 2  3 x3  1
x 2  2 x3  2
x3  10

De la última ecuación tenemos x3  10 ; sustituimos este valor en la

ecuación de arriba para obtener x 2  18 ; sustituimos estos valores en la
ecuación de arriba para obtener x1  7 .
Por lo tanto, la solución del sistema es:
x1  7 , x2  18 , x3  10
Ejemplo:
 x1  3 x 2  2 x3  12
2 x1  5 x 2  x3  10
3 x1  x 2  6 x3  4
Usando eliminación Gaussiana (simple).
Sol: Escalonando la matriz aumentada del sistema:

 1 3 2 1   1 3 2 1    1 3 2 1 
    
3,2.f yf321 2-51-010f 32 015 1401514
 3 1 - 6 4   0 1 0 4   0 - 50 1 
    
Por lo tanto, el sistema equivale a:
 x1  3x 2  2 x3  12
x 2  5 x3  14
- 50 x3  100
De la ecuación (3) obtenemos x 3  2 ; sustituimos arriba para obtener x 2  4 ;

sustituimos arriba para obtener x1  4 .
Por lo tanto la solución del sistema es:
x1  4 , x 2  4 , x3  2
El método de eliminación Gaussiana (simple) puede presentar un problema

cuando uno de los elementos que se usan para hacer ceros, es cero.

Por ejemplo, supóngase que en algún paso del proceso de hacer ceros
tenemos la siguiente matriz:
1 - 2 3 7 
 
 0 0 - 10 2 
0 5 8 - 3
 
Es claro que el elemento a 22  0 no puede usarse para hacer ceros!
Este problema se puede resolver fácilmente intercambiando los renglones

2 y 3. De hecho, el resultado que obtenemos es la matriz escalonada:
1 - 2 3 7
 
0 5 8 - 3
 0 0 - 10 6 

Sin embargo, el problema puede presentarse también si el elemento aquel es muy
cercano a cero.
Así, vemos que los elementos que son cercanos a cero, son elementos
malos para hacer ceros. En general, para evitar este problema se elige como
elemento para hacer ceros (el cual recibe el nombre de elemento pivotal o
simplemente pivote) como el elemento mayor en valor absoluto de entre todos
los candidatos.
A este procedimiento se le llama pivoteo parcial y aplicado a la

eliminación Gaussiana, nos da el llamado método de eliminación Gaussiana con
pivoteo (parcial).

Podemos resumir el pivoteo (parcial) como sigue:
 Para elegir el elemento pivote en la primer columna se escoge el

elemento mayor (con valor absoluto) de toda la primer columna.
 Para elegir el elemento pivote en la segunda columna, se escoge el
elemento mayor (con valor absoluto) de toda la segunda columna
exceptuando el elemento a12 .
 Para la tercera columna se exceptúan los elementos a13 y a 23 , etc.
En un diagrama matricial, tenemos que los elementos pivotes de cada columna

se escogen de entre los siguientes:
 a11 
 
 a21 a22 
a a32 a33 
 31 
   
 
 an1 an2 an3  ann 
Ejemplo: Usar eliminación Gaussiana con pivoteo para resolver el siguiente

sistema:
x1  2 x 2  0.5 x 3  5
 2 x1  5 x 2  1.5 x 3  0
 0.2 x1  1.75 x 2  x3  10
Sol: Escribimos la matriz aumentada del sistema:

 1 - 2 0.5 - 5
 
 - 2 5 - 1.5 0 
 - 0.2 1.75 - 1 10 
 
Para escoger el primer elemento pivote en la columna 1, tomamos el
elemento mayor con valor absoluto entre -1 , -2 y -0.2 , el cual obviamente es el
-2 ; por lo tanto intercambiamos el renglón 1 y 2 (éste es el primer pivoteo
realizado):
 - 2 5 - 1.5 0
 
 1 - 2 0.5 -5
 - 0.2 1.75 - 1 10 

Y procedemos a hacer ceros debajo del pivote. Para ello, multiplicamos el renglón
1
1 por y se lo sumamos al renglón 2.También, multiplicamos el renglón 1
2
 0.2
por y lo sumamos al renglón 3. Esto nos da la matriz:
2
 - 2 5 - 1.5 0
 
 0 0.5 - 0.25 - 5
 0 1.25 - 0.85 10 


Olvidándonos del renglón 1 y de la columna 1, procedemos a escoger el

pivote de la columna 2, pero únicamente entre 0.5 y 1.25, el cual obviamente
resulta ser 1.25. Por lo tanto intercambiamos los renglones 2 y 3 (éste es el
segundo pivoteo realizado):
 - 2 5 - 1.5 0 
 
 0 1.25 - 0.85 10 
 0 0.5 - 0.25 - 5 
 
Y procedemos a hacer ceros debajo del elemento pivote. Para ello multiplicamos
 0.5
el renglón 2 por y lo sumamos al renglón 3 para obtener:
1.25
 - 2 5 - 1.5 0 
 
 0 1.25 - 0.85 10 
 0 0 0.09 - 9 
 
La cual es una matriz escalonada. El sistema equivalente es:
- 2 x1  5 x 2  1.5 x 3  0
1.25 x 2  0.85 x 3  10
0.09 x 3  9
Y con la sustitución hacia arriba, obtenemos la solución del sistema:
x1  75 , x 2  60 , x3  100

Ejemplo: Usar eliminación Gaussiana con pivoteo para resolver el siguiente

sistema de ecuaciones:
0.4 x1  1.5 x 2  0.75 x 3  20

 0.5 x1  15 x 2  10 x 3  10
 10 x1  9 x 2  2.5 x3  30
Sol: La matriz aumentada del sistema es:
 0.4 - 1.5 0.75 - 20 

 
 - 0.5 - 15 10 - 10 
 - 10 - 9 2.5 30 
 
El elemento pivote en la columna 1 es el -10, lo que nos obliga a intercambiar
los renglones 1 y 3:
 - 10 - 9 2.5 30 
 
 - 0.5 - 15 10 - 10 
 0.4 - 1.5 0.75 - 20 
 
Haciendo ceros debajo del pivote, obtenemos:
 - 10 - 9 2.5 30 
 
 0 - 14.55 9.875 - 11.5 
 0 - 1.86 0.85 - 18.8 
 

Ahora el elemento pivote en la columna 2 es el -14.55, el cual está bien

colocado, y no hay necesidad de intercambiar renglones. Procedemos a hacer
ceros debajo del pivote, lo cual nos da la siguiente matriz escalonada:
 - 10 - 9 2.5 30 
 
 0 - 14.55 9.875 - 11.5 
 0 0 - 0.412371 - 17.3299
 
Escribiendo el sistema equivalente, y resolviendo con la sustitución hacia arriba,
obtenemos la solución del sistema:
x1  18.875 , x 2  29.3125 , x 3  42.0250
Los métodos iterativos constituyen una alternativa a los métodos de

eliminación descritas hasta ahora, para aproximar la solución. Tales métodos son
similares a las técnicas desarrolladas en el capitulo para obtener las raíces de una
sola ecuación, en esta parte se trata de obtener los valores que simultáneamente
satisfagan un conjunto de ecuaciones. Entonces se esperaría que tales métodos
aproximados fuesen útiles en este contexto. A continuación se presentan los
siguientes Métodos Iterativos para Sistemas Lineales:
Método de Gauss – Seidel: El método de Gauss-Seidel, es un método iterativo y

por lo mismo, resulta ser un método bastante eficiente. Comenzamos con nuestro
sistema de ecuaciones:
a11 x1  a12 x 2  ....  a1n x n  b1

a 21 x1  a 22 x 2  ....  a 2 n x n  b2
 
a n1 x1  a n 2 x 2  ....  a nn x n  bn

De la ecuación 1 despejemos x1 , de la ecuación 2 despejemos x 2 ,…, de la

ecuación n despejemos x n . Esto nos da el siguiente conjunto de ecuaciones:
Este último conjunto de ecuaciones son las que forman nuestras fórmulas
iterativas. Para comenzar el proceso iterativo, le damos el valor de cero a las
variables x 2 ,...., x n ; esto nos dará un primer valor para x1 . Más precisamente,
tenemos que:
Enseguida, sustituimos este valor de x1 en la ecuación 2, y las variables

x 3 ,...., x n siguen teniendo el valor de cero. Esto nos da el siguiente valor para
x2 :
Estos últimos valores de x1 y x 2 , los sustituimos en la ecuación 3, mientras

que x 4 ,...., x n siguen teniendo el valor de cero; y así sucesivamente hasta llegar
a la última ecuación. Todo este paso, nos arrojará una lista de primeros valores
para nuestras incógnitas, la cual conforma nuestro primer paso en el proceso
iterativo. Digamos que tenemos:

Volvemos a repetir el proceso, pero ahora sustituyendo estos últimos datos en

vez de ceros como al inicio, obtendremos una segunda lista de valores para cada
una de las incógnitas. Digamos que ahora tenemos:
En este momento, podemos calcular los errores aproximados relativos, respecto

a cada una de las incógnitas. Así, tenemos la lista de errores como sigue:
El proceso se vuelve a repetir hasta que: a.i s , i  1.2,...., n Donde s

es una cota suficiente prefijada.
Ejemplo: Usar el método de Gauss-Seidel para aproximar la solución del sistema:
Hasta que a  1% .

Sol: Primero despejamos las incógnitas x1 , x 2 y x3 , de las ecuaciones 1, 2 y 3

respectivamente. Tenemos:
Estas ultimas, son

nuestro juego de
formulas iterativas.
Comenzamos el
proceso iterativo, sustituyendo los valores de x 2  x3  0 en la primera ecuación,
para calcular el primer valor de x1 :
Ahora, sustituimos x1  2.66667 y x3  0 en la segunda ecuación, para
obtener x 2 :
Ahora sustituimos x1  2.66667 y x 2  2.82381 en la tercera ecuación, para

obtener x 3 :
Así, tenemos nuestra primera aproximación a la solución del sistema:
Puesto que todavía no podemos calcular ningún error aproximado, repetimos el

proceso pero ahora con los últimos datos obtenidos para las incógnitas:
Sustituyendo x 2  2.82381 y x 3  7.1051 en la ecuación 1 obtenemos

x1  3.6626 . Sustituyendo x1  3.6626 y x 3  7.1051 en la ecuación 2

obtenemos x 2  3.24404 ; finalmente, sustituyendo x1  3.6626 y

x 2  3.24404 en la ecuación 3 obtenemos x 3  7.06106 . Así, tenemos la
segunda lista de valores de aproximación a la solución del sistema:
Ahora si podemos calcular los errores absolutos para cada una de las incógnitas.
Tenemos:
Puesto que no se ha logrado el objetivo, debemos repetir el mismo proceso con

los últimos valores obtenidos de cada una de las incógnitas. Nótese que aunque el
error aproximado a ,3 ya cumple con ser menor al 1%, esto se debe de cumplir
para los tres errores aproximados!
Por lo tanto repetimos el mismo proceso. Omitiendo los pasos intermedios,

obtenemos:
Y en este caso tenemos los siguientes errores aproximados:

Vemos que ahora si se ha cumplido el objetivo para cada uno de los errores
aproximados. Por lo tanto, concluimos que la solución aproximada es:
Observación. Es lógico preguntarse si siempre el método de Gauss-Seidel

converge a la solución del sistema de ecuaciones y también es lógico esperar que
la respuesta sea NO. Un resultado de Análisis Numérico nos da una condición
suficiente para la convergencia del método.
Teorema: El método de Gauss-Seidel converge a la solución del sistema si se

cumple la condición de que la matriz de coeficientes del sistema sea una matriz
diagonalmente dominante, es decir, si se cumple la siguiente condición:
a ii  a
j i
ij , para cada i  1.2,..., n
La condición de ser una matriz diagonalmente dominante simplemente significa

que los elementos de la diagonal son mayores (en valor absoluto) que la suma de
los valores absolutos de los demás elementos del mismo renglón. Nótese que en el
ejemplo anterior, la matriz si es diagonalmente dominante y por lo tanto, el
método de Gauss-Seidel si converge a la solución del sistema.
Sin embargo, la condición de la matriz diagonalmente dominante, solamente es

una condición suficiente pero no necesaria, es decir, existen sistemas de
ecuaciones que no cumplen con la condición y que si convergen a la solución y
también existen sistemas de ecuaciones que no cumplen con la condición y que no
convergen a la solución.
Finalmente, obsérvese que aunque un sistema no cumpla con la condición de ser

diagonalmente dominante, es posible a veces, lograr que si se cumpla con esta
condición mediante un intercambio de renglones, como veremos en el siguiente
ejemplo.

Ejemplo: Usar el método de Gauss-Seidel para aproximar la solución del sistema:
Hasta que a  1% .
Sol: En este caso, vemos que la matriz de coeficientes del sistema no es

diagonalmente dominante (¿por qué?). Pero también vemos que si
intercambiamos los renglones 2 y 3 entonces si es diagonalmente dominante. Así,
primero hacemos el intercambio de renglones y nuestro sistema es:
Procedemos entonces, a despejar x1 , x 2 y x3 de las ecuaciones 1, 2 y 3

respectivamente. Tenemos:
Comenzamos entonces el proceso iterativo sustituyendo los valores de

x2  0 y x3  0 en la ecuación 1 para obtener x1 :
Ahora sustituimos x1  18.84 y x 3  0 en la ecuación 2 para obtener x 2 :

Para terminar la primera iteración, sustituimos x1  18.84 y x 2  3.152 en
la ecuación 3 para obtener x 3 :
Por lo tanto los valores obtenidos en la primera iteración son:
Puesto que solo tenemos la primera aproximación de la solución del sistema,

debemos seguir avanzando en el proceso iterativo. Sustituyendo
x 2  3.152 y x3  0.04613 en la ecuación 1, obtenemos x1  19.69765 ;
sustituyendo x1  19.69765 y x 3  0.04613 en la ecuación 2, obtenemos
x 2  3.42775 ; sustituyendo x1  19.69765 y x 2  3.4275 en la

ecuación 3, obtenemos x 3  0.05207 . Por lo tanto, nuestra segunda
aproximación es:
Y ahora si podemos calcular los errores aproximados para cada una de las
incógnitas. Tenemos:
Puesto que no se ha cumplido el objetivo, debemos seguir avanzando en el

proceso iterativo. Resumimos los resultados como sigue:

Tercera iteración:
Cuarta Iteración:
Así, el objetivo se ha logrado hasta la cuarta iteración y tenemos que los valores
aproximados de la solución del sistema son:
═══════════════
Ahora discutiremos técnicas iterativas que extienden los métodos
anteriores al caso de los sistemas de ecuaciones no lineales. Considerando las
funciones:
f 1 ( x, y )  x 2  2 x  2 y  y  0.5
f 2 ( x, y )  x 2  4 y 2  4
Queremos hallar un método para resolver el sistema de ecuaciones no lineales:
f 1 ( x, y )  0 y f 2 ( x, y )  0 .
Las ecuaciones f 1 ( x, y )  0 y f 2 ( x, y )  0 definen implícitamente sendas

curvas en el plano XOY; por lo tanto, una solución del sistema es un punto
( p, q ) en el que ambas curvas se cruzan (o sea, f 1 ( p, q )  0 y f 2 ( p, q)  0 ).
Las curvas del sistema son bien conocidas:

x 2  2 x  y  0 .5  0 es una parabola,
x2  4 y2  4  0 es una elipse.

1 x2  4 y2  4 y  x 2  2 x  0.5
- 0.5

-2 2 x
1 1
- 0.5
Figura: Representación
-1 gráfica del sistema no lineal
y  x 2  2 x  2 y  0.5 , x2  4 y 2  4
En la figura podemos ver que hay dos puntos de cortes entre ambas curvas y que
estos puntos están, respectivamente, cerca de (0.2,1.0) y de (1.9,0.3) .
La primera iteración que estudiaremos es la Iteración de Punto Fijo. Cuando se

trabaja con funciones de varias variables, hay que usar derivadas parciales, de
donde la generalización de la noción de la derivada para sistemas de funciones de
varias variables es la Matriz Jacobiana, sobre la que recordaremos algunas ideas
introductorias.
Definición: (Matriz Jacobiana). Sean f 1 ( x, y ) y f 2 ( x, y ) funciones de varias
variables independientes x e y . Entonces su matriz jacobiana J ( x, y ) es:

f1 f1 
 x y 
J ( x, y )   
f2 f 2 
 x y 
 
Análogamente, si f 1 ( x, y, z ), f 2 ( x, y, z ) y f 3 ( x, y , z ) son funciones de tres
variables independientes x, y , z , entonces su matriz jacobiana es la matriz
J ( x, y , z ) de orden 3x3 definida por:
 f1 f1 f1 

 x y z 
 
 f f f 
J ( x, y , z )   2 2 2 
 x y z 
 f3 f3 f3 
 
 x y z 
Ejemplo: Vamos a calcular la matriz jacobiana J ( x, y , z ) de orden 3x3 en el

punto (1,3,2) para las funciones,
f 1  x, y , z   x 3  y 2  y  z 4  z 2
f 2  x, y , z   x. y  y.z  x.z
y
f 3  x, y , z  
x.z
La matriz jacobiana es:

f1 f1 f1 

 x y z   
   3x2 - 2y 1 - 4z3  2z
f2 f2 f2   
J x,( y, z)     y  z x  z y  x 
 x y z   - y 1 - y 
f3 f3 f3   2 2 
  x .z .zx x.z 
 x y z 
Luego la matriz jacobiana evaluada en el punto (1,3,2) es la matriz de orden
3x3.
 
3  5  28 
 
J ( x , y , z )  5 3 4
3 1 3
- -
2 2 4
Método Iterativo de Punto Fijo para Funciones de Varias Variables:
Definición: Un Punto Fijo del sistema de dos ecuaciones:
x  g 1 ( x, y ) e y  g 2 ( x, y )

Es un punto ( p, q) tal que p  g1 ( p, q ) e q  g 2 ( p, q ) , análogamente, en el

caso tridimensional, un punto fijo del sistema
x  g 1 ( x, y , z ) , y  g 2 ( x, y , z ) y z  g 3 ( x, y , z )
Es un punto ( p, q, r ) tal que p  g1 ( p, q, r ), q  g 2 ( p, q, r ) y r  g 3 ( p , q, r ) .
Definición: Para las funciones x  g 1 ( x, y ) e y  g 2 ( x, y ) , el método de
iteración de punto fijo es:
p k 1  g 1 ( p k , q k ) y q k 1  g 2 ( p k , q k ) para k  0,1,.....
Análogamente, para las funciones

x  g1 ( x, y, z ), y  g 2 ( x, y, z ) y z  g 3 ( x, y, z ) , el método de iteración de
punto fijo es:
p k 1  g1 ( p k , q k , rk ) , q k 1  g 2 ( p k , q k , rk ) y rk 1  g 3 ( p k , q k , rk )
Teorema: (Iteración de Punto Fijo). Supongamos que las funciones

x  g1 ( x, y ), y  g 2 ( x, y ) y
x  g1 ( x, y, z ), y  g 2 ( x, y, z ) y z  g 3 ( x, y , z ) así como sus derivadas
parciales son continuas en una región que contiene un punto fijo ( p, q) y
( p, q, r ) , entonces tenemos los siguientes casos:
 Caso (i): (Bidimensional) Si ( p 0 , q 0 ) está suficientemente cerca de

( p, q ) y
g1
 p, q   g1  p, q   1
x y
g 2
 p, q   g 2  p, q   1
x y
Entonces la iteración de punto fijo descrita anteriormente genera una sucesión

convergente en el punto fijo ( p, q)

 Caso (ii): (Tridimensional) Si ( p 0 , q 0 , r0 ) está suficientemente cerca de

( p, q, r ) y
g 1
 p, q, r   g 1  p, q, r   g 1  p, q, r   1
x y z
g 2 g g
 p , q , r   2  p, q, r   2  p, q, r   1
x y z
g 3
 p, q, r   g 3  p, q, r   g 3  p, q, r   1
x y z
Entonces las iteraciones de punto fijo descritas anteriormente generan una

sucesión convergente en el punto fijo ( p, q, r ) .
Si las condiciones de los casos antes mencionados no se cumplen, entonces la

iteración podría ser divergente. Esto es lo que suele suceder cuando la suma de los
tamaños de las derivadas parciales es mucho mayor que 1.
Ejemplo: Dado el sistema no lineal
x 2  y  0.5
x
2
 x  4y2  8y  4
2
y
8
Converge al punto fijo  p 0 , q 0    0.2,1.0 
Sol: Se tiene que:
x 2  y  0.5  x2  4y 2  8y  4
x  g 1 ( x, y )  , y  g 2 ( x, y ) 
2 8
Luego las derivadas parciales son:
g 1 g 1 g 2 g 2
 x, y   x,  x, y    1 ,  x, y    x ,  x, y    y  1
x y 2 x 4 y
Se tiene entonces que las derivadas parciales cumplen que:

g 1
 p, q   g 1  p, q   x   0.5  0.7  1,
x y
g 2 x
 p, q   g 2  p, q     y  1  0.625  1
x y 4
Por tanto, las derivadas parciales dadas cumplen y el teorema de iteración de

punto fijo garantiza que convergen en el punto fijo  p, q    0.23,0.99 
Método de Newton-Raphsón para Sistemas no Lineales:
Vamos a construir el método de Newton-Raphsón en el caso bidimensional
Esquema del Método:
Paso 1: Evaluamos la función
 f1 ( p k , q k )
F(Pk )   
 f 2  pk , qk  
Paso 2: Evaluamos la matriz jacobiana
 f1 f1 
 x  pk , qk  y
 pk , qk  
J (Pk )   
 f 2 f 2 
  pk , qk   pk , qk  
 x y 
Paso 3: Calculamos el incremento P resolviendo el sistema lineal

J  Pk .P   F  Pk .
Paso 4: Calculamos el siguiente punto
Pk 1  Pk  P
Y se repite el proceso.
Ejemplo: Consideremos el sistema no lineal
0  x 2  2 x  2 y  y  0.5
0  x2  4y2  4
Vamos a usar el método de Newton-Raphsón tomando ( p 0 , q 0 )  (2.00,0.25)
como punto inicial y calculando  p1 , q1  ,  p 2 , q 2  y  p3 , q 3  .
Sol: La función vectorial y la matriz jacobiana son:
x 22 yyx  0.5  x 122 

2
F(x,y) 2 2 , J(x,y) 
 x 4y 4   2x 8y
Que en el punto (2.00, 0.25), valen

0.25 2 1.0
F(2.0 , .25) , J(2.0 .25),  
0 .25  24 
Los incrementos p y q son las soluciones del sistema lineal
2.0 1.0 p 0.25

    
4.0 2.0 q 0.25
Haciendo los cálculos, obtenemos

p 0. 9375

P   
 q  0. 625 
Así que el siguiente punto de la iteración es
2.0 0.9375 1.90625

P 01 PP    
0.25  0.625 0.3125
De manera similar se calculan los siguientes puntos, que son P2 y P3
Los cuales los cálculos se resumen en la siguiente tabla:
Tabla: Valores funcionales, matrices jacobianas e incrementos necesarios en cada

iteración del método de Newton-raphsón del ejemplo estudiado.

Pk Solución del sistema lineal J ( Pk ).P   F ( Pk ) Pk  P

2.00  1.90625 
0.205
  2.0 1.00. 9375 0.25  0.3125
 
 
4.0 2.0 0. 625 0.25
1.91625
 0.3125 
 
     1.900691
0.311213
 
1.900691 1.900677 
0.311213 0.311219
1.8 25 1.00. 5 9 0. 87 9
   
 
3.8125 2.50. 1287 0. 24 14
    

Para calcular el método de Newton-Raphsón es necesario calcular varias

derivadas parciales.
Ejercicios Propuestos
1. En los siguientes ejercicios pruebe que AX  B es equivalente al sistema

triangular superior UX  Y , que se da y halle su solución.
2 x1  4 x2  3 x3  4 2 x1  4 x2  3x3  4
x1  5 x2  3 x3  10 3 x2  6 x3  12
x1  3 x2  6 x3  5 3 x3  3
x1  x2  6 x3  7 x1  x2  6 x3  7
 x1  2 x2  9 x3  2 3x2  15 x3  9
x1  2 x2  3 x3  10 12 x3  12
2. Use el método de Gauss- Seidel para obtener la solución del sistema

siguiente:
17 x1  2 x2  3 x3  500
 5 x1  21x2  2 x3  200
 5 x1  5 x2  22 x3  30
Para que a  5% .
3. Usar eliminación Gaussiana con pivoteo para resolver el siguiente sistema:
x1  2 x 2  x 3  4 x 4  13
2 x1  0 x 2  4 x3  3 x 4  28
4 x1  2 x 2  2 x3  x 4  20
 3 x1  x 2  3 x3  2 x 4  6
4. Emplee el método de gauss-Seidel para a  5% del siguiente sistema
 5 x1  12 x3  80
4 x1  x2  x3  2
6 x1  8 x2  45

Si es necesario, reordene la ecuación para que el sistema converja
5. Determine los Puntos Fijos de cada uno de los sistemas que se relacionan a
continuación.
 a x  g1  x, y   x  y 2
y  g 2  x, y    x  6 y
 b x  g1  x, y, z   9  3 y  2 x
y  g 2  x, y , z   2  x  z
z  g3  x, y , z   9  3x  4 y  z
6. Consideremos el sistema de ecuaciones no lineal

0  f1  x, y   x 2  y  0.2
0  f 2  x, y   y 2  x  0.3
a) Empiece con  p0 , q0    1.2,1.2  las iteraciones del método Newton – Raphsón
y calcule  p1 , q1  y  p2 , q2 
b) Empiece con  p0 , q0    0.2, 0.2  las iteraciones del método Newton –
Raphsón y calcule  p1 , q1  y  p2 , q2  .

Sistema de Ecuaciones Lineales

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Sistema de Ecuaciones Lineales

Enviado por

Direitos autorais:

Formatos disponíveis

Sistema de Ecuaciones Lineales

Dpto. Acad. De Mecánica

Sistema de Ecuaciones Lineales

En las distintas ramas de la ingeniería se plantean problemas en que se

En este capitulo inicialmente desarrollaremos el algoritmo de sustitución

Definición: se dice que una matriz A   aij  de orden NxN es triangular

verifican aij  0 siempre que i  j .

Vamos a desarrollar un método para hallar la solución de un sistema de

a11 x1  a12 x 2  a13 x3  .....  a1n x n  b1

Matemática para Ingeniero Modulo II Lcdo. Eliézer Ramones Página 1

Entonces existe una solución única de (1).

Ahora ya conocemos x n así que podemos usarla en la penúltima ecuación:

Una vez calculado los valores x n , x n 1 ,....., x k 1 , el paso general es

La unicidad de la solución es fácil de ver. La última ecuación implica que bn a nn

Ahora para visualizar este algoritmo resolveremos el siguiente ejemplo

Matemática para Ingeniero Modulo II Lcdo. Eliézer Ramones Página 2

Esto implica que x3  1 y x3  1 , esta contradicción nos lleva a la conclusión

Despejando a x 4 en la ultima ecuación obtenemos x 4  2 y x3  1 , cuando

Este método se aplica para resolver sistemas lineales de la forma:

El objetivo del método de eliminación Gaussiana (simple), consiste en construir

Para obtener un sistema equivalente:

Matemática para Ingeniero Modulo II Lcdo. Eliézer Ramones Página 3

a11 x1  a12 x 2  a13 x 3  .....  a1n x n

cambió. Se despejan las incógnitas comenzando con la última ecuación y hacia

Cualquiera de las siguientes operaciones aplicadas a un sistema de

1. Intercambio: El orden de la ecuación puede cambiarse.

La forma habitual de usar es la tercera (sustitución), que ilustra en el siguiente

Ejemplo: Resolver el siguiente sistema de ecuaciones:

Usando el método de eliminación Gaussiana (simple).

Sol: Escalonamos la matriz aumentada del sistema:

Matemática para Ingeniero Modulo II Lcdo. Eliézer Ramones Página 4

Matemática para Ingeniero Modulo II Lcdo. Eliézer Ramones Página 5

De la última ecuación tenemos x3  10 ; sustituimos este valor en la

Por lo tanto, la solución del sistema es:

Usando eliminación Gaussiana (simple).

Sol: Escalonando la matriz aumentada del sistema:

Matemática para Ingeniero Modulo II Lcdo. Eliézer Ramones Página 6

De la ecuación (3) obtenemos x 3  2 ; sustituimos arriba para obtener x 2  4 ;

Por lo tanto la solución del sistema es:

El método de eliminación Gaussiana (simple) puede presentar un problema

Matemática para Ingeniero Modulo II Lcdo. Eliézer Ramones Página 7

Este problema se puede resolver fácilmente intercambiando los renglones

A este procedimiento se le llama pivoteo parcial y aplicado a la

Matemática para Ingeniero Modulo II Lcdo. Eliézer Ramones Página 8

Podemos resumir el pivoteo (parcial) como sigue:

 Para elegir el elemento pivote en la primer columna se escoge el

En un diagrama matricial, tenemos que los elementos pivotes de cada columna

Ejemplo: Usar eliminación Gaussiana con pivoteo para resolver el siguiente

Sol: Escribimos la matriz aumentada del sistema:

Matemática para Ingeniero Modulo II Lcdo. Eliézer Ramones Página 9

Matemática para Ingeniero Modulo II Lcdo. Eliézer Ramones Página 10

Olvidándonos del renglón 1 y de la columna 1, procedemos a escoger el

Y con la sustitución hacia arriba, obtenemos la solución del sistema:

x1  75 , x 2  60 , x3  100

Matemática para Ingeniero Modulo II Lcdo. Eliézer Ramones Página 11

Ejemplo: Usar eliminación Gaussiana con pivoteo para resolver el siguiente

0.4 x1  1.5 x 2  0.75 x 3  20

Sol: La matriz aumentada del sistema es:

 0.4 - 1.5 0.75 - 20 

Matemática para Ingeniero Modulo II Lcdo. Eliézer Ramones Página 12

Ahora el elemento pivote en la columna 2 es el -14.55, el cual está bien

x1  18.875 , x 2  29.3125 , x 3  42.0250

Los métodos iterativos constituyen una alternativa a los métodos de

Método de Gauss – Seidel: El método de Gauss-Seidel, es un método iterativo y