Met Num

Métodos Numéricos Aplicados a la Ingeniería
MÉTODOS
NUMÉRICOS
CONTENIDO
I. SOLUCIÓN DE SISTEMAS DE ECUACIONES ALGEBRAICAS LINEALES
1.1. Algunas Reflexiones sobre Métodos numéricos
1.2. Introducción
1.3. Existencia y Unicidad
1.4. Métodos directos de solución: Gauss - Jordán, descomposición LU,
Cholesky.
1.5. Métodos Iterativos.
1.6. Convergencia
1.7. Método del descenso más rápido y del Método de gradiente
conjugado
II.PROBLEMAS DE VALORES Y VECTORES CARACTERÍSTICOS

2.1. Aspectos básicos.
2.2. Teorema de Schur y Gershgorin
2.3. Problemas propios de una matriz.
2.4. Factorizaciones Ortogonales y problemas de mínimos cuadrados
2.5. Método de QR de Francis para problemas de valores propios
2.6. Método mixtos evaluación de la determinante Iteración en un
subespacio
I. SOLUCIÓN DE SISTEMAS DE ECUACIONES ALGEBRAICAS
Página 1 de 98
LINEALES
1.1. Algunas Reflexiones Sobre Métodos Numéricos
El análisis numérico y su diversidad de métodos en realidad es la dialítica

del análisis matemático cualitativo y cuantitativo. El análisis matemático nos
afirma que bajo ciertas condiciones algo existe y que es único etc. Sin
embargo el otro complementa calculando aproximadamente el valor de
aquello que existe. En resumen podemos decir que el análisis numérico es
una reflexión sobre el análisis matemático es decir sobre el álgebra lineal,
ecuaciones diferenciales, etc. Desde el punto de vista numérico teniendo
como sinergia una serie de métodos o algoritmos cuyo estudio y uso en
diferentes áreas de ingeniería es de importancia.
Como se observa los métodos numéricos son técnicas para formular

problemas y solucionarlo usando operaciones lógicas aritméticas 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 área del
conocimiento solo contaban con:
1. determinaban la solución usando métodos exactos o analíticos, pero en

realidad estas soluciones solo es para un número limitado de problemas en
consecuencia las soluciones analíticas tienen valores prácticos limitados
por que la gran mayoría de los problemas implican formas y procesos
complejos.
2. Cuando se requería analizar el comportamiento de sistemas se usaban

soluciones gráficas cuyos resultados no son muy precisos además que sus
representaciones son muy tediosos sin el uso de computadoras, estas
técnicas graficas son limitadas a problemas que pueden describirse usando
tres dimensiones o menos.
3. Para implementar métodos numéricos se usaban calculadoras y reglas

de cálculo, estos instrumentos presentan una diversidad de dificultades
como consecuencia de su lentitud al realizar los cálculos, además que sus
resultados no son muy consistentes por que surgen equivocaciones al
realizar su proceso de cálculo.
Pero en la actualidad los métodos numéricos contando con una

herramienta como la computadora ofrecen alternativas para el cálculo de
problemas complejo que en oportunidades el análisis matematicé tendría
mucha dificultad. Sin embargo debemos resaltar que el análisis numérico
es de gran importancia tanto para solucionar problemas como para dar
mayor comprensión.
Podemos decir que después de la aparecían de la computadora los

métodos numéricos a explosionado, están inicialmente directamente
Página 2 de 98
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 continúen usando métodos analíticos en sus
trabajos, pero en la actualidad con el avance de la tecnología como la
aparición de las computadoras personales a bajo costo permiten cumplir
con capacidades complejas.
Entre otras razones del uso de los métodos numéricos podemos citar:
1. Su capacidad para solucionar sistemas de ecuaciones lineales de

grande porte, el manejo de no linealidades y la solución de geometrías
complejas retos muy usuales en la sociedad ingenieril del presente siglo,
que se tornan dificultosos o imposibles de ser manipulados por el análisis
matemático.
2. Los métodos numéricos permite reforzar la comprensión matemática por

ser experimental yo diría permite la creatividad principalmente en temas
oscuros ocasionando un aumento de la capacidad de comprensión y
entendimiento de las matemáticas.
3. Los métodos numéricos dan la oportunidad de construir sus propios

programas para resolver los problemas sin tener que comprar software
costosos y de una complejidad para su comprensión y aplicación.
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 métodos numéricos permiten
reconocer y controlar los errores de aproximación.
En resumen los métodos numéricos nos permitirán:

1. Solucionar sistemas de ecuaciones algebraicas lineales
x y 4
x y 2
; Entonces x  3 , y  1 es solución única
Forma gráfica
. x y 4
x y 2
2. Determinar raíces de ecuaciones: resolver f(x) para x.
Página 3 de 98
3. Determinar un valor de x para que optimice una función
Minimo
Interpolacion
4. Aproximar curvas
Minimo
Regresion
5. Integración: Determinar el área debajo la curva
6. Solución numérica para ecuaciones diferenciales ordinarias
Página 4 de 98
Dada.
Determinar como función de t
ti ti+1
7. Solución numérica de ecuaciones diferenciales parciales
En este item debemos destacar que estos modelos son apropiados para
caracterizar modelos en ingeniería como: distribución de temperatura en
estado estacionario en una placa, la temperatura en una barra.
Dado ,
Determinar u como función de x, y.
1.2. INTRODUCCIÓN
1.2.1. Sistemas de ecuaciones

Comentarios: en este ítem aplicaremos la teoría de matrices y
determinantes para determinar la solución de un sistema de ecuaciones
lineales. Identificaremos las condiciones para que un sistema tenga
solución y extenderemos estos criterios a determinar la solución de “m”
ecuaciones con “n” incógnitas.
Definición: Llamaremos sistema de ecuaciones lineales al conjunto de
ecuaciones con dos o más incógnitas (variables) de tal manera que se
verifiquen simultáneamente para ciertos criterios asignados a sus
incógnitas.
Ejemplo:
Página 5 de 98
x y 4
1. x y 2
; es un sistema de dos ecuaciones y 2 incógnitas que se
verifican simultáneamente para x  3 ; y  1 .
2x  y  z  4
2. x yz 6 ; es un sistema de 3 ecuaciones y 3 incógnitas que se
3x  y  4
verifican simultáneamente para x  2 ; y  2 ; z  2

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

número real determinado de x , y .
4. En general se pueden considerar “m” ecuaciones y “n” incógnitas.
1.2.2. SOLUCIÓN DE UN SISTEMA DE ECUACIONES

Si existe la solución de un sistema de ecuaciones esto depende del número
de incógnitas o variables; esto es:
a) Si el sistema tiene dos ecuaciones, la solución si existe tendrá dos
incógnitas; es decir ( x, y ) y se llamará par ordenado.
b) Si el sistema tiene 3 ecuaciones la solución tendrá tres incógnitas; es
decir ( x, y, z ) y se llamará triada o terna.
c) Si el sistema tiene “n” ecuaciones la solución tendrá “n” incógnitas; es
decir ( x1 , x 2 , ... , x n ) y se llamará n-ada.
Definición: Llamaremos conjunto solución  C.S  al conjunto de valores
formado por todas las soluciones del sistema.
C.S  {x1 , x 2 , x3 , ... , x n }
Ejemplos:
x y 4
1. x y 2
; entonces x  3 , y  1 es solución única
Forma gráfica.
x y 4
Página 6 de 98
x y 2
x y 4
2. Sea 4 x  4 y  16
; estas dos ecuaciones son equivalentes pues una
ecuación depende de la otra.

La solución es x  4  y ; es decir ( 4  y , y ) es una solución 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 gráfica.
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 solución pues la
primera fila contradice a la segunda; es decir es un sistema inconsistente o

incompatible.
Forma gráfica.
4 x  4 y  20
x y 4
Página 7 de 98
1.2.3. SISTEMA DE “m” ECUACIONES LINEALES CON “n”

INCOGNITAS
Debemos resaltar que muchos problemas prácticos y reales se reducen a
un sistema de ecuaciones de este tipo, para ver esto se puede recurrir a
cualquier documento de investigación de operaciones. Por decir: Problema
de Dietas, Problemas de mano de obra, Problema de inversión, problema
de fabricar productos, problema de transporte, etc.
En general este sistema será representado por:
a11 x1  a12 x2  a13 x3    a1 j x j    a1n x n  b1

a 21x1  a 22 x 2  a 23 x3    a2 j x j    a2n xn  b2
              
(1)
ai1 x1  ai 2 x 2  ai 3 x3    aij x j    ain x n  bi
              
a m1 x1  a m2 x2  a m3 x3    a mj x j    a mn x n  bm
Donde:
aij  IR mn ; bi  IR m i  1,2,..., m j  1,2,..., n ; el sistema (1) se puede
escribir:
m n n
  aij x j  bi ó  aij x j  bi ; i  1,2,..., m
i 1 j 1 j 1
1.2.4. FORMA MATRICIAL

El sistema (1) se puede escribir:
 a11 a12 a13 ... a1 j ... a1n   x1   b1 

a a2 n   x2   b2 
 21 a22 a 23 ... a 2 j ...
   
             
   ( 2)
 ai1 ai 2 ai 3 ... aij ... ain   xi   bi 
             
    
am1 am 2 am3 ... a mj ... amn   xm  bm 
Página 8 de 98
Es decir: Ax  b
Donde:
  mn  IR mn ; es llamada matriz de coeficientes.
A  aij

x  x1 j 
1 n
 IR1 n ; es llamado vector de variables, entidades, incógnitas.
b   bi1  m1  IR m1 ; es llamado vector independiente, bienes y

requerimientos.
1.3. EXISTENCIA Y UNICIDAD DE SOLUCIONES
 Resolver (1) ó ( 2) consiste en determinar los vectores x que cumplan

los requerimientos.
 Si bi  0 para todo i  1,2,..., m , el sistema (1) ó ( 2) se llama

homogéneo y si bi  0 el sistema es no homogéneo.
 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 ; así:
 a11 a12 a13 ... a1 j ... a1n b1 
a a 22 a 23 ... a2 j ... a 2n b2 
 21
   
Aa   A b   
    

  aij bi 
 ai1 ai 2 ai 3 ... aij ... ain bi 
        
 
a m1 am2 a m3 ... amj ... amn bm 
Página 9 de 98
 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 solución.
En otras palabras r ( A)  r ( Aa ) caso contrario el sistema es inconsistente
esto es r ( A)  r ( Aa ) no tiene solución.
 Si el sistema es consistente y ocurrir que r ( A)  r ( Aa )  n entonces el

sistema tiene solución única.
 Si el sistema es consistente y ocurre que r ( A)  r ( Aa)  k  n entonces el
sistema tiene infinitas soluciones.
Gráficamente:
AX=B
Si r(A) ≠r(Aa) Si r(A) = r(Aa) = k,

Inconsistente no Consistente existe
hay solución solución
Si k< n;
Si K = n la infinitas
solución es única soluciones
Ejemplificación:
1.
4 x  8 y  12
a) Dado el sistema: 5 x  10 y  20
4 8  1 2
A        r ( A)  1
 5 10   0 0 
4 8 12   1 2 3
A      r ( Aa)  2
5 10 20   0 0 5 
Como r ( A)  r ( Aa ) , entonces el sistema es inconsistente; es decir no

tiene solución.
b) Si el sistema fuera homogéneo es decir
Página 10 de 98
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 número
infinito de soluciones.
3 x  5 y  14
2. Dado el sistema de ecuaciones: 2 x  y  5
3 5  1 5/3 
A      r ( A)  2
2  1  0  13 / 3 
3 5 14   1 5 / 3 14 / 3   1 5 / 3 14 / 3 
Aa       r ( Aa )  2
2  1 5   0  13 / 3  13 / 3   0 1 1 
Entonces el sistema tiene una única solución C.S  {3,1}
1.4. MÉTODOS DIRECTOS DE SOLUCIÓN
1.4.1. Métodos diagonales

Definición: Se llama sistemas de ecuaciones diagonales a los arreglos
especiales en forma de una diagonal:
Ejemplo:
3x1  6  3 0 0  x1   6 
    
4 x2  8   0 4 0  x2    8 
5 x3  20  0 0 5  x   20 
  3   
Solución:
6
x1   x1  2
5
8
x2   x2  2  C.S  {2,2,4}
4
20
x3   x3  4
5
Observaciones:
1. La matriz de coeficientes es una matriz diagonal.
2. El conjunto solución 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:
Página 11 de 98
 a11 0 0 ... 0 
 
 0 a 22 0 ... 0 
aij si i  j
 
A  aij 
n  n  0 si i  j
; es decir A   0 0 a33 ... 0 


      
 0 0 0 0 a nn 

4. El sistema de ecuaciones lineales diagonal será:

 a11 0 0 ... 0  x1   b1 
    
 0 a22 0 ... 0  x2   b2 
 0 0 a33 ... 0  x3    b3 
    
           
 0 0 0 0 ann  xn   bn 

5. Determinado su solución general

b b b b b
x1  1 ; x 2  2 ; x3  3 ;....xi  i ... x n  n
a11 a 22 a 33 aii a nn
bi
En general comprobamos que xi  ; i  1,.2,..., n son las soluciones del
aii
sistema.
Seudocódigo
Seudocódigo
1.4.2. MÉTODO TRIANGULAR INFERIOR
Definición: 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
Página 12 de 98
Ejemplo:
2 x1  6  2 0 0  x1   6 
    
x1  x2  4   1 1 0  x2    4 
3x1  2 x2  4 x3  15  3  2 4  x  15 
  3   
Solución:
6
x1   x1  3
2
6
x2  4   x2  1  C.S  {3,1,2}
2
6   6 
x3  15  3     2 4     x3  2
   
2 8 
Observación:
1. La matriz de coeficientes es una matriz triangular inferior.
2. El sistema se puede escribir de la siguiente manera
 a11 0 0 ...  x1   b1 
0
    
 a21 a22 0 ... 0
 x2   b2 
a a32 a33 ...  x   b 
0
 31  3   3 
          

 ai1 ai 2  aii  xi   bi 
    
          
a an 2 an3  ann  xn   bn 
 n1
3. El conjunto solución 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 ecuación del
b1
sistema; es decir: x1 
a11
Tercero: el valor de x 2 se obtiene de la segunda ecuación sustituyendo el

valor de x1 ; es decir:
Página 13 de 98
  b1  
b2  a21   
b 
a22 x2  b2  a21  1   x2  
 a11  
 
 x2  b2  a21 x1 / a22
 a11  a22
Cuarto: Los valores de x3 , x 4 , ..., xn son obtenidos de manera análoga:

x3   b3  a31 x1  a32 x2  / a33

 i 1 
xi   bi   aij x j  / aii
 j 1

 
Seudocódigo
Seudocódigo
1.4.3. MÉTODO TRIANGULAR SUPERIOR

Definición: 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  3x3   5  5 2 3  x1    5 
    
0  2 x2  4 x3  24   0  2 4  x2    24 
0 0 3 x3  6  0 0 3  x   6 
  3   
Solución:
6
x3   x3  2
3
x 2   24  4(2)  /  2  x2  8  C.S  {27 / 5,8,1}
x1    5  2 x 2  3x3  / 5  x1  27 / 5
Página 14 de 98
Observación:
1. La matriz de coeficientes es una matriz triangular superior.

2. El sistema se puede escribir de la siguiente manera
 a11 a12 a13 ... a1i ... a1n  x1   b1 
    
 0 a22 a 23 ... a 2i .. a2 n  x2   b2 
 0 0 a33 .... a3i .. a3n  x3   b3 
    
            
 0 0  aii ain  xi   bi 
    
           
 0 0 0  a nn  xn   bn 

3. La solución del sistema triangular superior se obtiene de la

siguiente manera.
Primero: iniciamos determinando el valor de la última variable en este caso
b
x n a partir de la última fila. xn  nn
ann
Segundo: para determinar el subsiguiente valor se realiza así:
xn 1   bn 1  an 1n xn  / an 1n 1
Tercero: Los valores de xn  2 , xn  3 , ..., x1 son obtenidos de manera

análoga:
 n 
xi   bi   aij x j  / aii ; i  n, n  1, n  2,...,1
 j  i 1

 
Seudocódigo
Seudocódigo
Página 15 de 98
1.4.4. MÉTODO DE KARL GAUSS

Kart Gauss(1777-1855) fue uno de los más destacados matemáticos del
siglo XIX fue de origen alemán naciendo en Brunswick, en una familia de
una economía precaria dedicada a las actividades urbanas
desempeñándose generalmente como obrero.
Gauss mostró desde muy temprana edad sus condiciones de matemático

y justamente uno de sus tantos aportes al área de la ciencia fue su
metodología para solucionar sistemas de ecuaciones por los años de
1811.
Gauss a los 30 años fue catedrático en matemáticas en Gottingen hasta
su muerte a los 77 años. Debemos destacar que a Gauss se le llamaba el
príncipe de las matemáticas y fue condecorado por Geroge V. rey de
Hannover.
El método de Gauss para solucionar un sistema de ecuaciones llamado
también eliminación Gaussiana.
Supongamos que se tiene un sistema de ecuaciones con una única
solución y que no, se tiene ninguna dificultad para encontrar dicha
solución luego se procede así:
a) Un proceso de eliminación hacia delante.

1º. Eliminamos el primer término de la segunda ecuación; multiplicando
a 21
a la primera ecuación por y restándolo del primer término de la
a11
segunda ecuación para eliminar el primer término de la segunda
Página 16 de 98
a31
ecuación; luego se multiplica a la primera ecuación por y se resta del
a11
primer término de la tercera ecuación y así sucesivamente para las
restantes ecuaciones i  3 se elimina restando la primera ecuación
ai1
multiplicada por , quedando el sistema así:
a11
a11 x1  a12 x2  a13 x3    a1i xi    a1n xn  b1

' ' '
a 22 x2  a 23 x3    a 2i xi    a 2n xn  b ' 2
'
            
(3)
a 'i 2 x2  a 'i3 x3    a 'ii xi    a 'in xn  b 'i
            
' ' '
a m 2 x2  a m3 x3    a mi xi    a mn xn  b ' m
'
En donde:
a 
a 'ij  aij   i1 a1 j
 a11 
2º. Eliminamos del segundo término de las ecuaciones del sistema (1)
donde la tercera ecuación hasta la última i  2 se realiza análogamente
que en la primera parte es decir: restamos la segunda ecuación del
a 'i 2
sistema multiplicada por y así continuamos eliminando los terceros
a ' 22
términos de las ecuaciones restantes, finalmente se llega a una
triangulación total; así:
Página 17 de 98
a11 x1  a12 x2  a13 x3    a1i xi    a1n xn  b1

a ' 22 x2  a ' 23 x3    a ' 2i xi    a ' 2n xn  b'2
      
i 1 i 1 i 1
a ii xi    a in xn  b i
     
n 1 n 1
a mn xn  b m
Observación:
1. A los términos principales de cada ecuación se le llama pivote.
2. Se puede normalizar cada ecuación, y para ello sólo se divide por
el coeficiente principal, fenómeno que no se usa en la eliminación
Gaussiana la razón es por el aumento del tiempo computacional.
b) Un proceso de sustitución hacia atrás.

Este proceso consiste en usar la solución de un sistema triangular
superior explicado anteriormente.
Debemos destacar que esta metodología de eliminación Gaussiana se

puede trabajar sólo con los elementos de la matriz aumentada es decir:
 a11 a12 a13 ... a1i ... a1n b1 
 
 a 21 a 22 a 23 ... a 2i .. a 2n b2 
a a32 a33 .... a3i .. a3n b3 
 31 
      
 ai1 ai 2  aii ain bi 
 
      
a an2 a n3  a nn bn 
 n1
Seudocódigo
Seudocódigo
Página 18 de 98
Una vez realizada la eliminación Gaussiana, utilizamos el algoritmo del

sistema triangular superior para solucionar completamente el sistema de
ecuaciones.
Ejemplos:
1. Resolver el siguiente sistema usando eliminación Gaussiana.

2 x1  x 2  3 x3  1
 x1  3 x 2  2 x3  12
3 x1  x 2  3 x3  0
Primera fase: Triangulación de la matriz aumentada.

a) Determinando la matriz aumentada Aa   A b
 2 1 3  1
 
 1 3 2 12 
 3 1 3 0 

b) Realizando operaciones elementales de matrices según el método.

2 1  3 1  2 1  3 1 
   
0 7/2 1 / 2 23 / 2    0 7/2 1 / 2 23 / 2 
0  1/ 2 3 / 2 3 / 2  0 0 11 / 7 22 / 7 
 
Segunda fase: Determinación de los valores de las variables

22  23 7 
   2 
2 2 
x3  7  2  x3  2 ,
11
x2    x2  3
7
7 2
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= 2 1 -3
-1 3 2
Página 19 de 98
3 1 -3
>> b=[-1 12 0] b = -1 12 0
>> A=[A b']
A= 2 1 -3 -1
-1 3 2 12
3 1 -3 0
>> format rat
>> A(2,:)=A(2,:)+A(1,:)/2
A=
2 1 -3 -1
0 7/2 1/2 23/2
3 1 -3 0
>> A(3,:)=A(3,:)-3*A(1,:)/2
A=
2 1 -3 -1
0 7/2 1/2 23/2
0 -1/2 3/2 3/2
>> A(3,:)=A(3,:)+A(2,:)/7
A= 2 1 -3 -1
0 7/2 1/2 23/2
0 0 11/7 22/7
Solucionando este sistema triangular superior con el método de
sustitución regresiva obtenemos:
>> sts(A,b,3)
x=
1.000000000000
3.000000000000
2.000000000000
2. Resolver el siguiente sistema usando eliminación Gaussiana.
3 x1  2 x 2  3 x3  2
x1  3 x 2  2 x3  1
5 x1  2 x 2  4 x3  13
Página 20 de 98
3 2 3  2
 
1 3 2 1 
5 2 4 13 

3 2  3  2  3 2 3 2 
   
0 7/3 1 5 / 3    0 7/3 1 5 / 3 
0  16 / 3 9 49 / 3   0 0 47 / 7 141 / 7 


141 5 
  1 3 
x2     x 2
x3  7  3  x3  3 ; 3
47 7 2
7 3
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 -3
1 3 -2
5 -2 4
» b=[-2 1 13] % ingresamos el vector de términos independientes
b= -2 1 13
» x = inv(A)*b' % encontramos el valor de x
x= 1
2
3
3. Resolver el siguiente sistema usando eliminación Gaussiana:
2 x1  3 x 2  4 x3  9
 4 x1  5 x 2  x3  7
x1  2 x 2  3 x3  3

Página 21 de 98
 2 3 4 9
 
 4 5 1 7
 1 2 3 3 


2 3  4 9  2 3 4 9 
   
0 11 7 25    0 11 7 25 
0 7/2 1  3 / 2   0 0 71 / 22 142 / 22 


142
x3  22  2  x3  2 ; x2 
 25  7(2)   x2  1
71 11
22
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= 2 3 4
-4 5 -1
1 -2 3
» b=[9 7 3]
b= 9 7 3
» x=inv(A)*b'
x = -1.0000
1.0000
2.0000
1.4.5. MÉTODOS DE FACTORIZACIÓN
DESCOMPOSICIÓN LU APLICACIONES
Página 22 de 98
Anteriormente ya se ha escrito que un sistema de n ecuaciones con n

incógnitas se puede escribir de la siguiente manera
 a11 a12 a13 ... a1 j ... a1n   x1   b1 
a a 22 a 23 ... a 2 j ... a 2 n   x 2  b2 
 21    
            
     
 a i1 ai 2 ai 3 ... aij ... ain   xi   bi 
            
    
a n1 an 2 an3 ... a nj ... a nn   x n  bn 
O simplemente: Ax  b
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 0 0 0 
...
 
 l 21 l 22 0 ...
0 
l l32 l33 ... 0  lij  lij ,  i  j
 31
Es decir: L    

     lij   nxn tal que 
 li1 li 2  lii   lij  0 ,  i  j
 
    
l ln 2 ln3  l nn 
 n1
 u11 u12 u13 ... u1 j ... u1n 
 
 0 u 22 u 23 ... u 2 j .. u 2n 
 0 0 u33 .... u3 j .. u 3n 

U     

   uij  nxn tal que uuij u0ij, , ii jj
 0 0  uij uin   ij
 
      
 0 0 0  u nn 

Cuando es posible factorizar A  LU se dice que A tiene una
descomposición LU , pero esto no ocurre de una única forma.
Página 23 de 98
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 FACTORIZACIÓN 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
FACTORIZACIÓN DE CROUT.
Cuando U =Lt de modo que lii es igual a uii para 1  i  n se le llama

descomposición de CHOLESKY. Esta descomposición de Cholesky
requiere de varias propiedades especiales, la matriz A debe ser real,
simétrica y definida positiva.
Por ejemplo para una matriz 4x4 se tiene.

 a11 a12 a13 a14   1 0 0 0 u11 u12 u13 u14 
a  
a22 a23 a24  l21 1 0 0  0 u22 u23 u24 
 21  .
 a31 a32 a33 a34  l31 l32 1 0  0 0 u33 u34 
     
 a41 a42 a43 a44  l41 l42 l43 1  0 0 0 u44 
a11  u11 , a12  u12 , a13  u13 , a14  u14
a 21  l21. u11 , a 22  l 21 u12  u 22 , a23  l21u13  u 23 , a 24  l 21u14  u 24
a31  l31. u11 , a32  l31 u12  l32u 22 , a33  l31u13  l 23u 23  u33 , a34  l31u14  l32u 24  u32
a41  l 41. u11 , a42  l 41 u12  l 42u 22 , a43  l41u13  l42u23  l 43u33 , a44  l41u14  l 42u 24  l43u32  u 44
n min(i , j )
aij   lis . u sj   lis . u sj
s 1 s 1
Es decir:
2
a 24   lis u sj  a24  l21u12  l22u 24  l21u14  u 24
s 1
4
a 44   lis u sj  a44  l41u14  l42u 24  l43u34  u 44
s 1
Observación:
Página 24 de 98
a) lis  0 Para s  i ; lis  1, i  s
b) u sj  0 Para s  j
c) El primer renglón “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
a21  l21u11 ; a31  l31u11 ; a41  l41u11
a 21 a a
l21  ; l31  31 ; l 41  41
u11 u11 u11
e) 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  l21u12  u 22 ; a23  l21u13  u 23 ; a24  l21u14  u24
Determinamos: u 22 ; u 23 ; u 24
u 22  a22  l 21u12 ; u 23  a23 l21u13 ; u 24  a24  l 21u14
En general el algoritmo de descomposición LU es la que sigue:

Seudocódigo
Seudocódigo
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 Página 25 de 98
end
end
Output
Output(l(lij),),(u(uij) )
ij ij
1.4.6. MÉTODO DE FACTORIZACIÓN DE DOOLITTLE
Consideremos una matriz de tres por tres:

 a11 a12 a13 
A  a 21 a 22 a 23 
 a 31 a32 a33 
L11 = L22 = L33 = 1, luego desarrolla el sistema de ecuaciones así:
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
a 
a 32   31  a12
a 31  a11 
L31  L32 
a11 a 
a 22   21  a12
 a11 
Seudocódigo  a  
Seudocódigo  a 32   31  a12 
Input  an,(a
 ij) )  a     a 21  
 11 
 33  aInput
  31n,(a
 a
 a  13 ij   a 23    a13 
For
33
k=1,2,…,
Fork=1,2,…,
21   a   a 21  a    a11  
 22  a  12 
  11  
for
forj j=k+1,k+2,…n
=k+1,k+2,…n
end
end
for
for i=k+1,k+2,…n
i= k+1,k+2,…n
end
end Página 26 de 98
end
end
output
output(l(lij),),(u(u )
ij )
ij ij
Ejemplo:
Supongamos que tenemos el siguiente sistema de ecuaciones
 4  9 2  x1  5 
    
 2  4 6   x2    3 
 1 1 3  x   4
   3  
Solución
Este sistema se descompone así:
Página 27 de 98
L11  L22  L33  1

u11  4 ; u12  9 ; u13  2
2 1
L21   L 21 
4 2
1
 1   (9)  1  9 5
1 4 4  4  2.5
L31  ; L32  
4  2 9 1
 4   (9)  4 
 4 2 2
u 21  0
2 9 1 1
u 22  4   (9)  4    u 22 
4 2 2 2
2 4
u 23  6   2  6   5  u 23  5
4 4
 1 
  1   (9) 
1 4   2  1
u 33  3   (2)     6    2   3   2.5  5  10  u 33  10
4
   
2    4  2
  4   (9) 
 4 
Luego:
 1 0 0 4 9 2 
   
L   0.5 1 0 ; U  0 0.5 5 
 0.25 2.5 1  0 0  10 
 
Para resolver el sistema dado se sigue los siguientes pasos:
Primero: Resolvemos Lc = b
Vector independiente original
Un vector cualquiera
I.e.
 1 0 0   C1   5 
    
 0.5 1 0 C2    3
 0.25 2.5 1   C   4 
   3  
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
Página 28 de 98
 4  9 2   x1   5 
    
0 0.5 5  x2  0.5
0 0 10 x  1.5
   3  
1.5
x3   x3 = -0.15
 10
0.5  5 (0.15)
x2   2.5  x2 = 2.5
0.5
(5  9 ( 2.5)  2 (0.15))
x1   x1 = 6.95
4
Generalización
i 1
u ij  a ij   Lik u kj ; j  i, i  1,.....n
k 1
1  j 1

Lij   a ij   Lik u kj  , i  j  1,....n
u jj  k 1 
Lii  1, i  1,2,...n
1.4.7. MÉTODO DE CHOLESKY
Matriz Positiva:
Diremos que una matriz simétrica A, es positiva si solo si los
determinantes de las sub matrices de A son positivos.
Página 29 de 98
a11 a12  a1 j  a1n

a 21 a 21  a2 j  a 2n
a11 a12 a13
a11 a12 
a11  0 ,  , a 21 a 22 a 21  0 , ..... , 0
a 21 a 22 a i1 ai 2  a ij  a in
a 31 a 32 a 33

a n1 an2  a nj  a nn
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 0 0  0  0 
 
 L21 L22 0  0  0 
L L32 L33  0  0 
 31 
L  
L

 i1 Li 2 Li 3  Lii  0 
  
 
 Ln1 Ln 2 Ln3  L ni  L nn 
Observación:
Los cálculos se reducen pues estimaremos n (n+1)/2 elementos, los L ij ≠ 0
en lugar de de n2 elementos de una factorización nominal:
Ejemplo: Resolver el sistema siguiente
4 1 2  x1  1 
1 2 0   x    2 
   2  
2 0 5 x3  4
La matriz de coeficiente es simétrica y positiva, luego aplicamos Cholesky.
Supongamos su descomposición sea:
Página 30 de 98
 L11 0 0   L11 L21 L31   4 1 2 

L  
 21 L22 0  0
 L22 L32    1 2 0 
 L31 L32 L33   0 0 L33   2 0 5 
2
L11  a11  4  L11  2 se toma el valor positivo de todas las raices
1
L11 L21  0  L 21 
2
L11 L31  2  L31 1
L221  L222  2  L22  2  0.25  1.32287
1
L21 L31  L22 L32  0  L32   1.32287  0.37796
2
L231  L232  L233  5  L31  5  1  0.14286  L33  1.963396
i) Resolver el sistema LC=b

2 0 0   c1  1 
0 1.32287 0  c    2 
  2  
0  0.37796 1.96396 c 3  4
 1
c1 2  
c1  1 / 2 ,  1.32289 c 2  2  c 2   4  c 2  1.32287
2 1.32289
c 2  1.32287
c 3  2.0367
ii) Resolver el sistema LTx = C

2 12 1   x1   1 2 
     
 0 1.32287  0.37796  x 2   1.32287
0 0 1.96396   x   2.0367 
  3  
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
Generalización para un sistema de n ecuaciones
Página 31 de 98
L11  a11
a i1
Li1  , i  2,3,...., n
L11
1
 i 1
 2
Lii   a11   l in2  ; i2
 k 1 
1  i 1
 i  j  1, j  2,...., n  1
Lij   a ij   l ik l jk 
L11  k 1  j  2,3,....., n
Lij  0 i j
1.5. RESOLUCIÓN DE SISTEMAS DE ECUACIONES LINEALES POR

MÉTODOS ITERATIVOS
Debemos resaltar que lo métodos vistos hasta la actualidad para
solucionar sistemas de ecuaciones algebraicas lineales son muy caros
computacionalmente.
Estos métodos exigen una memoria de máquina proporcional al
cuadrado del orden de la matriz de coeficiente A.
De igual manera se producen grandes errores de redondeo como
consecuencia del número de operaciones.
Debemos mencionar que en estos métodos necesitan tener una
aproximación inicial de la solución y no esperamos tener una solución
exacta aun cuando todas las operaciones se realicen utilizando una
aritmética exacta. Pero podemos decir que en muchos casos son mas
efectivos que los métodos directos por requerir mucho menos esfuerzo
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 métodos más efectivos que ha

permitido solucionar sistemas de hasta 1000 ecuaciones y variables a un
más, sistemas que se presentan en la solución numérica de ecuaciones
diferenciales parciales (EDP).
Supongamos que tenemos el sistema
Ax = b
(1)
Página 32 de 98
Luego podemos escribir como:

Ax – b = 0
(2)
Que es una ecuación vectorial que se puede escribir así:
f (x) = 0
(3)
El propósito es buscar una matriz B y su vector C de tal forma que la
ecuación vectorial es la siguiente:
x=Bx+C
(4)
Sea un arreglo de la ecuación (1) ie que la solución de una ecuación sea

también solución de la otra ecuación, luego se propone lo siguiente:
Primero: Proponer un vector inicial x(0) como la primera aproximación al

vector solución x
Segundo: calcular la sucesión de vectores que son soluciones

aproximadas
x (1) , x ( 2 ) , x ( 3) , x ( 4 ) ,.....,  x vector solución
Usando:
x ( R 1)  Bx ( R )  C , R  0,1,2,.....
Donde:

x ( R )  x1R , x 2R ,......, x nR  T
Observación:
 Para que la sucesión de soluciones converja a x vector solución
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 pequeño fijado

m
previamente y que se mantengan menores para todos los vectores

siguientes de la iteración. Es decir:
lim x mj  x j , 1  j  n
m 
Página 33 de 98
 La forma como llegar a la ecuación x = Bx + C se define al

algoritmo y su convergencia.
Sea dada el sistema
 a11 a12 a13   x1   b1  1
    
 a 21 a 22 a 23   x 2    b2  2
a     3
 31 a 32 a 33   x 3   b3 
Con a11 ≠ 0, a22 ≠ 0, a33 ≠ 0
b1 a12 a
De 1 tenemos que: x1   x 2  13 x 3
a11 a11 a11
b2 a 21 a
x2   x1  23 x 3
a 22 a 22 a 22
. . . . . . . . . . . . . (5)
b a a
x 3  3  31 x1  32 x 2
a 33 a 33 a 33
 a12 a13   b1 
 0     
 x1   a11 a11   x1   a11 
   a 21 a     b2 
 x2     0  23   x2    
 x   a 22 a 22   x   a 22  . . . . . . . . . . . . . . . . (6)
 3   a 31 a 32   3   b3 
 a 
a 33
0  a 
 33   33 
x  Bx  C
Una vez que es determinada la ecuación (6) se propone un vector inicial

x(0) que puede ser x(0) = 0 “cero” o algún otro vector que sea aproximado
al vector solución x.
Para determinar la sucesión buscada de solución iterativo tenemos dos
formas:
a) Método de Jacobi (Desplazamiento simultaneo)
b) Método de Gauss –Seidel (Desplazamiento sucesivo)
1.5.1. MÉTODO DE DESPLAZAMIENTO SIMULTÁNEO DE JACOBI
Página 34 de 98
 x1 R 
 R
Si x
(R)
  x 2  es el vector de aproximación a la solución x después de R
 R 
 x3 
iteraciones, entonces, tendremos la siguiente aproximación
 1 
 (b1  a12 x 2R  a13 x 3R ) 
 x1 R 1   a11 
 R 1   1 
x R 1   x2    (b2  a 21 x1R  a 23 x 3R ) 
 R 1   a 22 
 x3   1 R 
 a (b3  a 31 x1  a 32 x 2 ) 
R
 33 
Fenómeno que se puede generalizar para n ecuaciones

 
1  n
R 
x iR 1     bi   a i j x j  , i  1,2,....., n
a ii  j 1 
 j i 
1.5.2. MÉTODO GAUSS – SEIDEL DESPLAZAMIENTO SUCESIVO
Este método se diferencia del anterior en que los valores que se van
calculando en la (R + 1) – ésima iteración se usan para calcular los
valores restantes de esa misma interacción ie
 1 
 (b1  a12 x 2R  a12 x 3R ) 
 x1R 1   a11 
   1 
x R 1   x 2R 1    (b2  a 21 x1R 1  a 23 x 3R ) 
 R 1   a 22 
 x3   1 (b  a x R 1  a
 3 31 1 32 x 2
R 1
)

 a 33 
 
1  n i 1

x iR 1     bi   a i j x   a i j x R 1  , 1  i  n
R
aii  j  i 1 j 1 
 iI ji 
Ejemplo:
4 x1  x2 0 x3 0x4  1
 x1  4x2  x3 0x4  1
0 x1  x2  4 x3  x4  1
0 x1 0x2  x3  4x4  1
Solución:
Página 35 de 98
x2 1
x1  
4 4
1 x1 x 3  x1   0 1 / 4 0 0  x1  1 / 4 
   
x2   
4 4 4   x 2   1 / 4 0 1 / 4 0  x 2   1 / 4 
1 x x  x   0 1 / 4 0 1 / 4  x 3  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
Valor Inicial
Cuando no tenemos una aproximación inicial del vector solución, se usa

como vector inicial el vector cero, ie
x 0   0,0,0,0
T
Método de Jacobi
Para determinar x(1) reemplazamos x(0) en el sistema dado ie

x2 1 1
x11    x1 
4 4 4
0 0 1 1
x12     x 2  T
4 4 4 4 1 1 1 1
1
x (1)
  , , , 
1 0 0  4 4 4 4
x31     x3 
4 4 4 4
1 0 1
x4  
1
 x4 
4 4 4
Determinando x(2)
x12 
1
4

1  x 22  0  1  1 5
 x13  1   
4  4  16
1  1   1  1 6 6
x 22  1  4   1    x 23     T
4  4   4  44 16 5 5 5 5
6 
x  , , , 
( 2)
1 1 1 1 6  16 16 16 16 
x 3  1  1  
2
 x3    
3
4 4 4 44 16
1  1  1  5  5
x 42  1    x 43    
4 4 46 16
Página 36 de 98
R x1R x 2R x 3R x 4R
0 0.0000 0.0000 0.0000 0.0000
1 0.2500 0.2500 0.2500 0.2500
2 0.3125 0.3750 0.3750 0.3125
3 0.3438 0.4219
4 0.3555 0.4414
5 0.3604 0.4492
6 0.3223 0.4524
7 0.3631 0.4537
8 0.3634 0.4542
9 0.3635 0.4544
10 0.3636 0.4545 0.4545 0.3636
Método de Gauss Seidel
 1 R 
 x1R 1   a  b1  a12 x  a13 x 3  a14 x 4  
R R
 R 1   11 
 x2   1 
x R 1   R 1     b2  a 21 x1R 1  a 23 x 312  x 4R  
 x 3   a 22 
 x R 1   1
 4    b3  a 31 x1  a 32 x 3 
R 1 R 1 

 a 33 
Determinación del x a  b4  a 41 x1  a 42 x 2  a 43 x 3 
(1) R 11 R 1 R 1
44
1 1
x11  (1  (0)  0)  x11 
4 4
1 5
x 12  (1  1(1 / 4)  1(0))  x 12 
4 16  1 5 25 89 
25 
x1   , , , 
1  4 12 64 256 
x 31  (1  1(1 / 4)  1(5 / 16))  x 31 
4 64
1 89
x 4  (1  0  0  25 / 14)  x 14
1

4 256
Observación:
1. La sucesión de vectores x (1) , x ( 2 ) , x ( 3) ,...., x ( R ) ,.... converge o se
aleja del vector solución x   x1 , x 2 , x 3 ,....., x n 

T
2.Cuando se detendrá el proceso iterativo
Página 37 de 98
Rpta: Si la sucesión converge a la solución x caso esperado que los

componentes de x(R) converjan a sus elementos.
ALGORITMO DE LOS MÉTODOS DE JACOBI – GAUSS SEIDEL

Para solucionar el sistema de Ax = b
Datos: Número de ecuaciones N
La matriz de coeficientes A
El vector de términos independientes b
El vector inicial xº
El número de iteración MATIZ
El valor de Eps. y M = 0 para usar Jacobi y M ≠ 0 para usar Gauss

Seidel obtenemos la solución aproximada x y el número de
iteraciones K o el mensaje “No se alcanzó la convergencia”
Paso1: Arreglar la matriz aumentada de manera que la matriz
coeficiente quede lo más 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 = xº
Paso5: Hacer I = 1
Paso6: Mientras I ≤ N repetir los pasos 7 al 14
Paso7: Hacer suma = 0
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) * xº(J)
Paso12: Hacer J = J + 1
Paso13: Si M = 0 hacer
x(J) = -(b(J) - suma)/A(JJ)
de otro modo hacer
xº(I) = (b(J) – suma)/A(JJ)
Paso14: Hacer I = J + 1
Paso15: Si |x – xº| ≤ Eps. Ir al paso 19
Página 38 de 98
de otro modo hacer

Paso16: Si M = 0, hacer xº = x
Paso17: Hacer K = K + 1
Paso18: Imprimir mensaje “No se alcanzó la convergencia”, el vector
x, MAXIT
Paso19: Imprimir el mensaje “Vector Solución”, x, K y el mensaje
iteraciones terminada
Ejemplo:
Resolver el siguiente sistema con el método 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
x2  x4  2
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
x2     
9 9 9 9
x 3  2 x1  2 x 2  x 3  x 4  3
x4   x2 2
Si x0 = (0, 0, 0, 0)T : determinamos:
K x1K x 2K x 3K x 4K | x K 1  x K |
0 0 0 0 0 0
1  10.0000 2.7778 14.222  0.7778 17.62
2 67.9889  18.172  121.2 20.17 159.0
3  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
Página 39 de 98
aplicar el teorema se debe tener solo en cuenta una aproximación

pues caso contrario son raros en donde se encontraría tales sistemas.
x 2 x3 x4 3
x1     
2 2 2 2 x1K  x1
x 8x 4x 15
x2   1  3  4  x 2K  x 2
9 9 9 9 Caso contrario se alejan

x1 3 x 2 2 x 4 10
x3     x nK  x n
5 5 5 5
x4   x2  2
Rpta 2
K 1 K 1 K 1
Los valores absolutos | x1  x1 |, | x 2  x 2 |, ...... , | x n  x n |
K K K
1.
sean todos menores de número pequeño E cuyo valor será dado
2. Si el número de iteraciones ha excedido un máximo dado

3. Detener el proceso una vez que | x K 1  x K |  E
¿Cómo asegurar la convergencia si existe?

El proceso de Jacobi y Gauss – Seidel convergerán si en la matriz de
coeficiente cada elemento de la diagonal principal es mayor que la
suma de los valores absolutos de todos los demás elementos de la
misma fila o columna (matriz diagonal dominante) e
n
| a ii |  | a
j 1
ij | 1 i  n
j j
y
| a ii |  a
i 1
ij 1 j  n
i j
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 número positivo o cero.
Página 40 de 98
En términos de producto punto
Ejemplo: sea determinar su norma
Solución
Debemos tener en consideración que el campo de los números 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 ecuación , que

es el campo C de los números 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. ,
Página 41 de 98
2. El campo de los complejos ya no tiene la anomalía 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 afirmación 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 , Si al vector
complejo x es multiplicado por también complejo el resultado es otro

vector complejo así:
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:
,
1.6.3. NORMA DE VECTORES

Una norma en Rn es una función de || || de Rn en R que verifica las
propiedades:
1. ,
2. ,
3. .
4. ,
La norma Euclidiana se define:
Página 42 de 98
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
Como casos particulares tenemos la norma Euclidiana cuando p=2
Máximo valor absoluto
Propiedades
1. ,
Página 43 de 98
2. ,
3. ,
Estas propiedades son familiares en relación a la norma Euclidiana o

“longitud” de un vector.
La norma de una matriz cuadrada, A , puede ser definida en forma
consistente con la definición de norma de un vector:
, (x ),
La norma de es donde es el máximo valor
característico de At.A. También
Estas normas definidas satisfacen ,
La norma llamado generalmente norma infinito
Ejemplo: Dado el vector determinar sus normas

Euclidiana infinito:
Página 44 de 98
1.6.4. DISTANCIA EN ENTRE VECTORES
Dado dos vectores en Rn, , , la
distancia I2 y , 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 solución inicial , ,

usamos eliminación de Gauss con Pivoteo parcial usando aritmética de
cinco cifras con redondeo, obtenemos la siguiente solución:
,
Las dos medidas de la exactitud de aproximación de a x son:
Página 45 de 98
Observamos que las componentes y son buenas aproximaciones

a x2 y a x3, y la primera componente es una aproximación muy pobre en
términos de distancias de ambas normas.
Pues el término de distancia en R n , es utilizada para definir el limite de
una sucesión de vectores.
Diremos que una sucesión de vectores converge a x con
respecto a la norma si dado cualquier existe un entero tal

que:
Ejemplo. Dada la sucesión definida:
Tenemos que,
,
Es así que para cualquier posemos encontrar un numero entero
de tal manera que para todos los números
son menores que lo que nos
afirma esto es que la sucesión converge a con respecto
a la norma .
1. Los siguientes términos son equivalentes:
Página 46 de 98
2. La sucesión de vectores , converge a x con respecto a
alguna norma.
3. La sucesión de vectores , converge a x con respecto a todas
las normas.
4. El , la componente i-ésima de x, para cada i
=1,2,..,n sucesión 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 función de
variable real que verifica las siguientes condiciones para todas las
matrices A y B de dimensión nxn y todos los números reales.
1. ,
2.
3. ,
4. ,
5. .
1.6.6. LA DISTANCIA ENTRE MATRICES

La distancia entre dos matrices A y B de orden nxn con relación 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 MÁXIMO O SUBORDINADA

Es la norma , vectorial en Rn, la cual se le define sobre el conjunto
de todas las matrices de orden nxn así:
Página 47 de 98
Consecuentemente las normas que consideramos son:
Cuando n=2 su interpretación gráfica es:
1 A
x
1
x
-1 1 -1
x1 -2 1 2
x1
-1
-1
-3
Norma de una matriz
,
2
AX
1
x
1
-2 -1 1 2 x1
x
-1
-1 1
x1
-2
-1
Página 48 de 98
Ejemplo: dada la matriz
Determinar ,
Solución
1.6.7. COMPARACIÓN DE LOS MÉTODOS DIRECTOS E

INDIRECTOS
Debemos resaltar que lo mas importante del análisis numérico es

conocerlas características es decir las ventajas y desventajas de los
métodos numéricos básicos que solucionen una familia de problemas,
para elegir el algoritmo mas adecuado para cada problema.
Ventajas Desventajas
1. Probablemente los métodos 1. Si se tienen varios sistemas que
iterativos son mas eficientes que comparten la matriz de coeficientes,
los directos para sistemas de esto no representara ahorro de calculo
orden muy alto. ni tiempo de maquina, ya que por cada
vector a la derecha de A tendrá que
Página 49 de 98
aplicarse el método de selección.

2. Mas simples de programar 2. A un cuando la convergencia se
encuentre asegurada, puede ser lenta
y, por lo tanto, los cálculos requeridos
para obtener una solución particular
no son predecibles.
3. Puede aprovecharse un 3.El tiempo de maquina y la exactitud
aproximación a la solución s tal del resultado dependen del criterio de
aproximación existe. convergencia.
4. Se obtienen fácilmente 4. Si la convergencia es lenta , los
aproximaciones burdas de la resultados deben de interpretarse con
solución cautela.
5. Son menos sensible a los 5. No se tiene ventaja particular
errores de redondeo (valioso en alguna (tiempo de maquina por
sistemas mal condicionadas) iteración) s la matriz de coeficientes
es simétrica.
6. Se requiere menos memora de 6.No se obtiene la inversa ni det(A)
maquina. Generalmente, las
necesidades de memoria son
proporcionales al orden de la
matriz.
1.7. MÉTODOS DEL DESCENSO MÁS RÁPIDO Y DEL GRADIENTE

CONJUGADO1
En esta oportunidad reflexionaremos sobre algunos métodos especiales

para resolver sistemas de ecuaciones lineales
,
En donde la matriz A es de orden nxn simétrica y definida positiva, en otras
palabras y , debemos recordar que el
producto escalar de dos vectores X ,Y de componentes reales es:
Propiedades
1. ,
2. ,
1
Ver [2] Kincaid, D y Cheney, W. (1994) “Análisis Numérico. Las matemáticas del calculo
científico” Addison – Wesley Iberoamericacna, wilmngton Delaware.pag. 209
Página 50 de 98
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 simétrica y definida positiva, entonces el problema de
resolver Ax=b es equivalente al problema .
Veamos por que esta afirmación 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 gráficamente tenemos
tv
x+ tv
Mediante un calculo directo tenemos que para todo escalar t :
.............................................................
....(*)
Como A es simétrica es decir AT =A, entonces en la ecuación (*) el coeficiente de

t2, es positivo, de esta manera la función cuadrática sobre el rayo unidimensional
tiene un mínimo y no un máximo.
Calculando la derivada de la ecuación (*) con respecto a t.
Página 51 de 98
Cuando la derivada es cero, existe un mínimo de q a lo largo del rayo
unidimensional en este caso el valor de t es: , en consecuencia
usando este valor podemos determinar el mínimo de q sobre el rayo

unidimensional.
.......................................................................................
......(**)
Lo que quiere decir esto que al pasar q(x) de x a , siempre hay una
reducción en el valor de q(x), a menos que v sea ortogonal al residuo es decir
Si x no es una solución 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 ningún rayo unidimensional que salga de x sobre el cual q(x) tome un
valor menor a q(x), en consecuencia una x con las características es un mínimo
para q(x).
Debemos manifestar que la reflexión anterior sugiere la existencia de los métodos

iterativos para resolver Ax=b, luego entonces procedemos de manera natural por
Página 52 de 98
minimizar q(x) a lo largo de una sucesión de rayos. Es decir el algoritmo

dispondrá de un proceso de:
En seguida nos preocupa determinar la dirección de búsqueda adecuada
Nuestro algoritmo será:
En donde
Debemos decir que una diversidad de métodos 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 obtención de xk+1, ver
la siguiente figura.
Figura No. Representación del movimiento a lo largo del vector de

dirección vK
MÉTODO DEL DESCENSO MÁS RÁPIDO
Página 53 de 98
Este método se le considera dentro del grupo de métodos iterativos que usan el algoritmo
anterior, considera que vK, debería ser el gradiente negativo de q(x) en x(k),
resultando que este gradiente apunta en la dirección 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
la sucesión , lo mismo ocurre con , de

manera el algoritmo seria:
input x, A, b, M
output 0, x)
for k=0,1,2,…, M-1 do
output k, x)
end
Debemos destacar que este método generalmente no se aplica a este tipo de

problemas como consecuencia de su lentitud.
MÉTODO DEL GRADIENTE CONJUGADO
Página 54 de 98
Otro método considerado dentro del algoritmo analizado anterior es el método del
gradiente conjugado de Hestenes y Stiefel, el cual es aplicado a sistemas de la
forma Ax=b, en donde A es considerada simétrica y definida positiva.
En este método las direcciones vK , son elegidas de una en una en el proceso
iterativo y forman un sistema A-ortogonal, los residuos forman un
sistema ortogonal es decir ,
Debemos decir que este método es preferible que el método de eliminación

Gaussiana simple cuando la matriz A es muy grande y rala.
Este método en su inicio fue muy sorprendente e importante pero después de dos
décadas las cosas ya no fue así como consecuencia que se descubrió que la
terminación finita no era asequible en la práctica.
Pues la terminación finita era indeseable para un método directo, sin embargo
posteriormente cuando se le considero como un método iterativo las cosas fue
diferente, pues en estos métodos no es necesario obtener una solución absoluta
después de n pasos lo que se espera es obtener una respuesta satisfactoria.
La ejecución del algoritmo en una computadora precisa de un lugar de
almacenamiento para cuatro vectores ,
Página 55 de 98
MÉTODO DE RELAJACIÓN DE SOR

Este método es muy similar al método de Jacobi y Gauss Seidel se
diferencia por usar una escala para reducir el error de aproximación, es una
metodología 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 método de subrelajación y se usa para obtener
convergencia cuando el método de Gauss-Seidel no converge.
Cuando 1<w se le llama método de sobrerrelajación, generalmente se le
conoce como el metodo de SOR acrónimo del ingles Successive Sver
Relaxation Sobre relajación sucesiva se utilizan para resolver sistemas
lineales que aparecen en la resolución de ciertas ecuaciones en derivadas
parciales.
Para determinar la forma matricial del método de SOR rescribimos la
relación anterior de la siguiente manera:
Notación vectorial
S i (D-wL)-1, existe entonces
En donde:
D: diagonal principal cuyos elementos coinciden con A
Página 56 de 98
-L: Es la parte triangular estricta de A

-U: es la parte triangular estrictamente superior de A.
y
Ejemplo
La solución del sistema dado es (3,4,-5) t , usaremos w=1.25 para el método

de SOR con un valor inicial de (1,1,1)t, para k=1
Tenemos
k 0 1 2 3 4 5 6 7
1 6.312500 2.622314 3.133027 2.957051 3.003721 2.996327 3.0000
5 2 1 6 4
1 3.519531 3.958526 4.010264 4.007483 4.002925 4.000926 4.0002
3 6 6 8 0 2 6
1 - - - - - - -5.0004
6.650146 4.600423 5.096686 4.973489 5.005713 4.998282
5 8 3 7 5
EJERCICIOS SISTEMAS DE ECUACIONES ALGEBRAICAS LINEALES

Y MÉTODOS DE SOLUCIÓN
Página 57 de 98
Desarrollar los siguientes sistemas de ecuaciones por los métodos

analizados en clase.
2 x1  3 x2  4 x3  5
1. x1  2 x2  3 x3  5 Rpta: x1  1 / 14 , x 2  30 / 7 , x3  9 / 2
5 x1  4 x2  x3  13
x1  x 2  x3  6
2. 2 x1  x 2  3 x3  4 Rpta: x1  4 , x 2  3 , x3  5
 3x1  2 x 2  x3  1
2 x1  3 x 2  x3  8
3. x1  x 2  x3  7 Rpta: x1  1 , x 2  4 , x3  2
3 x1  2 x 2  x3  9
x1  x 2  x3  15
4. 3 x1  2 x 2  2 x3  4 Rpta: inconsistente
 2 x1  3 x 2  x3  19
x1  x2  x3  x4  10
2 x1  x2  3 x3  2 x4 1
5. 3 x1  x2  2 x3  x4  11 Rpta: x1  1 , x 2  2 , x3  3 , x 4  4
4 x1  2 x2  3 x3  3x4  11
x1  x2  x3  x4  x5 9
2 x1  x2  2 x3  2 x4  x5 7
6. 3 x1  2 x2  3 x3  3x4  2 x5 2 Rpta:
 x1  3x2  2 x3  x4  4 x5 0
2 x1  2 x2  3 x3  x4  2 x5 2
x1  , x 2  , x3  , x 4  , x5 
x1  2 x2  3 x3  x4  x5 8
x1  3x2  x3  3x4  2 x5 0
7. 2 x1  2 x2  2 x3  2 x4  3 x5  13 Rpta:
3 x1  4 x2  3 x3  2 x4  4 x5  21
4 x1  3x2  4 x3  3x4  5 x5  10
x1  1 , x 2  1 , x3  2 , x 4  2
, x5  3
Página 58 de 98
2 x1  x2  x3  x4  x5 6
x1  3x 2  2 x3  2 x4  x5  7
x1  , x 2  , x3  , x 4 
8. 3 x1  2 x2  3 x3  4 x4  2 x5  5 Rpta:
, x5 
4 x1  2 x2  4 x3  4 x4  3 x5 1
5 x1  8x2  5 x3  x4  x5  16
x1  x2  x3  x4  x5  4
2 x1  x2  3 x3  x4  x5 9
9. 3 x1  3x2  3 x3  2 x4  6 x5  17 Rpta:
2 x1  6 x2  2 x3  4 x4  8 x5  14
 x1  x2  x3  x4  2 x5 6
x1  0 , x 2  0 , x3  1 , x 4  1
, x5  2
4 x1  2 x2  3 x3  x5 8
x1  x2  x3  x4  x5  3
10.  x2  4 x3  2 x4  6 x5  8 Rpta:
3 x1  4 x2  3 x3  2 x4  12
2 x1  2 x2  3 x3  2 x4 0
x1  , x 2  , x3  , x 4 
, x5 
x1  3x2  x3  5x4  9
2 x1  3x2  4 x3  x4  6
11. x1  x2  x3  x4 5 Rpta:
x1  2 x2  2 x3  x4  4
x1  1 , x 2  1 , x3  2 , x 4  3
2 x1  x2  5 x3  2 x4  7
x1  x2  x3  x4  3
12. 3 x1  2 x2  x3  x4  6 Rpta:
 x1  x2  x3  2 x4 7
x1  0 , x 2  1 , x3  2 , x4  2
Página 59 de 98
x1  x2  x3  x4  1
x1  x2  2 x3  2 x4  2
13. 4 x1  5x2  x3  x4 8 Rpta:
x1  3x2  x3  x4  3
x1  1 , x 2  1 , x3  1 , x 4  0
2 x1  x2  x3  x4 0
 x1  x2  3 x3  4 x4  19
14. x1  x2  x3  2 x4  1 Rpta:
3 x1  x2  x3  4 x4 3
x1  2 , x 2  1 , x3  6 , x 4  1
15. Un carpintero fabrica sillas, mesas para café 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 café, 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 ¿ Cuántas 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 máquinas y cuatro tipos de mano de obra.
El departamento de producción presenta el siguiente cuadro de
disponibilidad de máquinas y de la mano de obra
Tiempo disponible. Tiempo disponible
Tipo de Maquina Maq.-hora/mes Tipo de mano de obra hombres-hora/mes
M1 80 MO1 100
M2 40 MO2 140
M3 60 MO3 160
M4 90 MO4 180
Así mismo sabemos que la administración tiene lo siguientes datos de
productividad. Esto es el número de horas - máquina y hombres - hora
que se requieren para producir una unidad de cada producto.
Página 60 de 98
Tipo
de
Tipo mano
de de
máq. I II III IV V VI Ob. I II III IV V VI
M1 2 3 4 1 6 1 MO1 1 3 6 0 7 8
M2 1 3 0 2 3 0 MO2 2 2 1 4 5 6
M3 4 4 5 0 2 0 MO3 3 1 2 3 2 0
M4 3 4 5 6 7 8 MO4 4 4 6 0 3 5
El cuadro último quiere decir, que para producir una unidad del producto cuatro se utilizan
1 hora de la máquina 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 comercialización proporciona la siguiente información,
Tipo de productos Potencial de ventas Unid./mes Ganancia por Unid./mes
I 800 10
II 400 6
III 300 5
IV 200 8
V 600 9
VI 500 7
¿Cómo gerente de producción cuál sería 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 producción de 300
unidades y las otras tiene una capacidad de producción de 400 unidades cada una.
Los carros son vendidos a cuatro tiendas que se encuentra ubicadas en Arequipa, Cuzco,
Piura, y San Martín, los pedidos que éstas tienen son: 300, 200, 250, y 150 carros
respectivamente.
Sabemos que el costo de transporte de cada unidad producida es:
Planta Piura San Martín Arequipa Cusco
Trujillo 50 60 70 80
Chimbote 60 70 70 100
Lima 100 90 80 90
El gerente quiere construir un modelo que le permita planificar el transporte a un costo

mínimo.
18.-El gerente del Club Libertad de Trujillo, tiene 1´000,000 soles para invertir en seis
tipos de fondos que tienen diferentes estrategias de inversión y con diferentes rendimientos
potenciales y riesgos respectivamente como se expresa en el cuadro siguiente:
Página 61 de 98
1 2 3 4 5 6
Precio por 50 70 100 20 40 30
acción
Devolución 40 30 20 25 15 10
esperada
Categoría de 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 inversión, esto es:
 La cantidad invertida en los fondos de alto riesgo uno, dos y tres deben estar en la
razón de 1:2:3 respectivamente.
* La cantidad invertida en los fondos 4 y 5 deben estar en la razón de, 1:2,
Se desea estructurar un modelo para maximizar
DESCOMPOSICIÓN LU
I. Encuentre la descomposición LU de Doolittle, Crout de cada matriz:

60 30 20 2 6 4 3 0 1 2 1 2
1. 30 20 15 ; 2. 6 17  17 ; 3. 0 1 3 ; 4. 4 1 2;
20 15 12 4  17  20 1 3 0 6 3 11
6 10 0
5. 12 26 4
0 9 12
1 1 0 3
1 1 4 1 6 0
1 0 3 1
6. 2 2 0 ; 7. 2 1 0; 8. 0 1 1 1
; 9.
3 3 22 0 2 1
3 0 1 2
6 2 2 4 1 0 2 1
12 8 4 10 4 9 2 1
3  13 3 3
; 10. 8 16 6 5
6 4 2  18 2 3 2 1
Página 62 de 98
II. Use descomposición LU para resolver sistemas de ecuaciones:
7 x1  2 x 2  3 x3  12 4 x1  9 x 2  2 x 3  5
1. 2 x1  5 x 2  3x 3  20 2. 2 x1  4 x 2  6 x3  3 3.
x1  x 2  6 x3  26 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
3 x1  3 x 2  9 x3  3 x 4  27
 6 x1  4 x 2  x 3  18 x 4  38
 x1  x 2  4 x3  0 x1  6 x 2  0 x3  3
4. 2 x1  2 x 2  0 x 3  1 5. 2 x1  x 2  0 x 3  1 6.
3 x1  3 x 2  2 x3  1 / 2 0 x1  2 x 2  x 3  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
6 x1  2 x 2  2 x 3  4 x 4  0 x1  0 x 2  2 x 3  x 4  2
12 x1  8 x 2  6 x 3  10 x 4  10 4 x1  9 x 2  2 x 3  x 4  14
7. 8. 9.
3 x1  3 x 2  9 x 3  3 x 4  39 8 x1  16 x 2  6 x 3  5 x 4  3
 6 x1  4 x 2  x 3  18 x 4  16 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
Página 63 de 98
x1  0 x 2  2 x 3  3 x 4  1
3x1  2 x 2  1x 3  5
3 x1  x 2  x 3  2 x 4  4
10. 2 x1  3x 2  x3  1 , 11. , 12.
2 x1  3 x 2  x 3  x 4  6
2 x1  1x 2  3 x 3  11
x1  2 x 2  3 x 3  x 4  4
x1  2 x 2  3 x 3  2 x 4  6
2 x1  x 2  2 x3  3 x 4  8
3 x1  2 x 2  x 3  2 x 4  4
2 x1  3 x 2  2 x3  x 4  8
x1  2 x 2  3 x 3  4 x 4  5 0 x1  x 2  3 x 3  4 x 4  5
2 x1  x 2  2 x 3  3 x 4  1 x1  0 x 2  2 x 3  3x 4  4
13. 14. 15.
3 x1  2 x 2  x 3  2 x 4  1 3 x1  2 x 2  0 x 3  5 x 4  12
4 x1  3 x 2  2 x 3  x 4  5 4 x1  3 x 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
3x1  x 2  x3  2 x 4  0 x5  18
x1  x 2  2 x 3  3 x 4  1
2 x1  5 x 2  0 x3  x 4  x5  7
3 x1  x 2  x 3  2 x 4  4
16. x1  x 2  0 x3  0 x 4  2 x 5  8 17. 18.
2 x1  3 x 2  x 3  x 4  6
0 x1  2 x 2  x3  x 4  x5  10
x1  2 x 2  3 x 3  x 4  4
x1  x 2  3x3  0 x x  x5  1
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
Página 64 de 98
II. AUTOVALORES Y AUTOVECTORES

2.1. Aspectos básicos.
2.2. Teorema de Schur y Gershgorin
2.3. Problemas propios de una matriz.
2.4. Factorizaciones Ortogonales y problemas de mínimos
cuadrados
2.5. Método de QR de Francis para problemas de valores propios
2.6. Método mixtos evaluación de la determinante Iteración en un
subespacio
II. AUTOVALORES Y AUTOVECTORES
2.1. ASPECTOS BÁSICOS
Para ingresar a los estudios de los valores propios de una matriz

debemos tener cierta familiaridad con matrices y determinantes los
números complejos.
2.1.1. MATRICES, DEFINICIÓN, INTERPRETACIÓN

DEFINICIÓN: Llamaremos matriz a un arreglo rectangular de entes
(números, funciones, etc) ordenados en filas y columnas.
Página 65 de 98
Filas
 a11 a12 Columnas

... a1i ... a1n 
a 
 21 a22 ... a2i ... a2n 
 a31 a32  a3i  a3n 
 
       
a 
 m1 am2  ami  amn  mn
2.1.2. ORDEN DE UNA MATRIZ: Se llama así al producto de las filas y

columnas.
3
2
4
;
 3 4 1 0 9
; aij  m n  aij  filas  columnas
 5 2 2  9
 8 7 0 5 25
Usando MATLAB podemos determinar el orden de una matriz a través

de la orden [m,n]=size(A); donde m representa el número de filas y n el
número de columnas de la matriz A.
Ejemplo:
» [m,n]=size(A)
m= 3
n= 5
2.1.3. MATRIZ FILA Y MATRIZ COLUMNA

MATRIZ FILA: Llamaremos matriz fila o vector fila a aquella matriz que
posee sólo 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 2 5 3 6 4
Podemos usar espacio entre los elementos del vector o separarlos por
comas.
» y=[1,2,3,4,5,6]
y=
Página 66 de 98
1 2 3 4 5 6
MATRIZ COLUMNA: Llamaremos matriz columna o vector columna a
aquella matriz que posee sólo una columna y m filas.
 a11 
a 
La representamos del siguiente modo: A   21 
  
 
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 número de filas y columnas
de cada una deben de ser iguales y además cada elemento de una de
ellas tiene que ser igual al correspondiente de la otra.
Su representación matricial es:
A  B  aij  bij ; i 1,2,...,m j 1, 2,3,..., n
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 posición donde los elementos
son iguales caso contrario devuelve el valor de cero.
Ejemplo:
» A=[2 3;4 5]
A=
2 3
4 5
» B=[2 3;4 5]
B=
Página 67 de 98
2 3
4 5
» C=[3 6; 4 7]
C=
3 6
4 7
» A= =B
ans =
1 1
1 1
Como todos sus elementos son unos, entonces decimos que las
matrices son iguales
» A= =C
ans =
0 0
1 0
El resultado quiere decir que los elementos de las matrices A y C son
diferentes excepto el elemento que está en la segunda fila y primera
columna
2.1.5. PRODUCTO DE UN ESCALAR POR UNA MATRIZ:

 a11  a1n 
A      
a m1  a mn 
Ejemplo:
 2 4   10 20 
1. 5A  5  
 1  2    5  10 
PLANTA1 PLANTA 2 PLANTA 3 PLANTA 4

PRODUCTO  1 5600 2330 5400 4580
2. PRODUCTO  2 2330 4500 4500 2500
PRODUCTO  3 5040 4500 5600 9500
PRODUCTO  4 4580 2500 9500 4600
Página 68 de 98
Esta matriz nos proporciona la cantidad de productos producidos por

una empresa en cuatro diferentes plantas cuando su producción
aumenta en diez veces.
Usando MATLAB tenemos:
» A=[2 4;-1 -2]
A=
2 4
-1 -2
» 5*A
ans =
10 20
-5 -10
Propiedades:
1 A   (A)
2 (    ) 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:
8  5  5 6  3 1
1. A    ; B     C  A  B   
6 1  0 2   6 1
2. En una empresa
PRODUCTO  1 50 20 50 40
M1= PRODUCTO  2 20 40 40 50
PRODUCTO  3 50 50 60 90
PRODUCTO  4 40 25 90 60

PRODUCTO  1 50 20 50 40
M2= PRODUCTO  2 10 10 4 0
PRODUCTO  3 20 5 6 9
PRODUCTO  4 10 2 9 6
Página 69 de 98
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 =

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:
Página 70 de 98
» A= [8 -5; 6 -1] » B= [-5 6; 0 2]

A= B=
8 -5 -5 6
6 -1 0 2
» C=A+B
C=
3 1
6 1
2 1 3   1 0  2 1 1 1 
3. A    y B     C  A  B   
7 6  9   3 6 5  10 12  4 
Página 71 de 98
» A= [2 1 3; 7 6 -9]
A=
2 1 3
7 6 -9
» B= [-1 0 -2; 3 6 5]
B=
-1 0 -2
3 6 5
» C=A+B
C=
1 1 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 estará definido correctamente si
A es conforme con B ; es decir si el número de columnas de la matriz

A es igual al número de filas de la matriz B .

 
A  aij
m p
; B  bij  
p n
 C  A  B  cij  
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 2 2  1
1. A    ; B    ; Entonces:
1 3 0 2 
1 2   2  1 1(2)  2(0) 1(1)  2(2) 
C  AB   .   
1 3   0 2   1( 2)  3(0) 1(1)  3(2) 
 2 3
C   
 2 5
Usando MATLAB
» A=[1 -1;2 -3]

A=
1 -1
2 -3
» B=[1 2 3 4 5;-1 -3 2 1 1]
B=
1 2 3 4 5
-1 -3 2 1 1
» C=A*B
C=
2 5 1 3 4
5 13 0 5 7
» 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 m  n; se llama matriz cuadrada
de orden n y se denota por A   Aij  n n .

A2 : Matriz cuadrada de orden 2x2.
A3 : Matriz cuadrada de orden 3x3.
An : Matriz cuadrada de orden nxn.
Ejemplo:
1 2 3
 
1. A3   7 5 0
0 8 6 

0 9 8 7 6 5 4
 
3 2 78 5 8 6 9
5 7 0 0 0 78 0
 
2. A7   2 1 1 1 1 1 1
0 0 0 5 6 74 9 

8 0' 2 5 5 6 0
 
1 1 2 2 2 0 1
2. MATRIZ TRIANGULAR SUPERIOR: Llamaremos matriz

triangular superior a aquella matriz cuyos elementos aij son ceros para
i  j ; y se representa como:
 a11 a12 a13 ... a1n 

 
 0 a 22 a 23... a 2n 
A 0 0 a33 ... a3n 
 
      
 0 0 0 0 a nn 

3. MATRIZ TRIANGULAR INFERIOR: Llamaremos matriz triangular

inferior a aquella matriz cuyos elementos aij son ceros para i  j ; y se
representa como:
 a11 0 0 ... 0 
 
 a 21 a 22 0 ... 0 
A   a31 a32 a33 ... 0 
 
      
a a m3  a nn 
 m1 a m 2
4. MATRIZ DIAGONAL: Llamaremos matriz diagonal a aquella

matriz donde todos sus elementos aij son ceros para i  j , y se
representa de la siguiente forma:
 a11 0 0 0  ...
 
 0 a 22 0 0  ...
A 0 0 a33 ... 0 
 
      
 0 0 0 0 a nn 

5. 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 0 ... 0
 
0 K 0 ... 0
A0 0 K ... 0
 
     
0 0 0 0 K 

6. MATRIZ IDENTIDAD: Es una matriz escalar con K  1 ; y se

representa de la siguiente manera:
1 0 0 ... 0
 
0 1 0 ... 0
A  0 0 1 ... 0
 
    
0 0 0 0 1 

7. MATRIZ 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   a11 a 21 a31 ... a m1 

   
 a 21 a 22 a 23 ... a 2n   a12 a 22 a32 ... a m2 
A   a31 a32 a33 ... a3n   At   a13 a 23 a33 ... am3 
   
             
a  a 
 m1 a m2 a m3 ... amn   1n a 2n a3n ... a mn 
Ejemplo:
1 2 1 3
2. A     At   
 3 4   2 4
Propiedades:
1. I t  I
2.  A t t  A
3.  kA t  kAt
4.  AB  t  B t . At
5.  A  B  t  At  B t
8. MATRIZ SIMÉTRICA: Se dice que una matriz cuadrada es simétrica

si se cumple que los elementos aij  a ji ; i  j ; es decir A  At .
2 0 2 2 0 2
  t  
Ejemplo: A   0 4 5  A   0 4 5
2 5 3  2 5 3 
 
9. MATRIZ ANTISIMÉTRICA: Una matriz cuadrada A se llama

antisimétrica si A   At
Ejemplo:
 0 2 4 0 2  4  0 2 4
  t   t  
1. A   2 0 6  A  2 0  6   A    2 0 6
 4 6 6  4 6 0   4 6 0 
  
 A  At
0  4  0 4 0  4
2. A     At      At   
4 0   4 0 4 0 
 A  At
10. MATRIZ HERMITIANAS
Las matrices cuadradas cuyos elementos tienen simetría 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 simétrica.
11. MATRIZ BANDA

Es una matriz cuadrada en donde la mayor parte de los elementos son ceros
y los elementos con valor significativo están agrupados alrededor de su
diagonal principal en este caso se llama matriz banda.
Por ejemplo:
 1 1 0 0 0 
 
1 2 1 0 0 
A 0 1 2 1 0 
 
 0 0 1 2  1
 0 0 0 1 1 

Obs.
1. Las líneas paralelas a la diagonal principal se le llama codiagonales.
2. El número total de diagonal y codiagonales con elementos significativos
es el ancho de banda (3 en este ejemplo).
3. Para matrices simétricas puede también 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
razón entre el número de elementos con valor significativo y el número total de
elementos.
2.1.8 DETERMINANTE DE UNA MATRIZ

Definición: Determinante de una matriz A denotada por det( A)  A .
 a11 a12 
Si A    ; entonces det( A)  a11 .a 22  a 21.a12
 a 21 a 22 
Ejemplo:
 1 2
1. A     det( A)  1(3)  2(1)  3  2  5
 1 3 
MATLAB calcula el determinante de una matriz a través del comando “det”.

» A=[1 2;-1 3]
A=
1 2
-1 3
» det(A)
ans =
5
5 9
2. B     det( B )  ( 5)(3)  (9)( 6)  15  54  39
 6 3 
» B=[-5 9;-6 3]
B=
-5 9
-6 3
» det(B)
ans =
39
2.1.8.1. MENOR COMPLEMENTARIO

Definición: 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 después 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 33   a 21 a 22 a23  el menor complementario de:
a 
 31 a32 a33 
 a 22 a 23 
a11 es M 11   
 a32 a33 
 a12 a13 
a 21 es M 21   
 a32 a33 
2.1.8.2. COFACTOR DE UN ELEMENTO

Sea aij un elemento de una matriz A denotaremos cofactor Aij y se define
como: Aij    1 i  j M ij
 a11 a12 a13 

 
Sea A   a 21 a 22 a 23  entonces
a 
 31 a32 a33 
A11    111 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

Ejemplo:
1 0 0
  2.3
1. A  1 2 3  det(A)  1  10
 0 0 5 0,5
 
» A=[1 0 0;1 2 3;0 0 5]
A=
1 0 0
1 2 3
0 0 5
» det(A)
ans =
10
2.
 2 5 3
 
B   2 3 4   det( B )  2 3(1)  (4)(2)   5 (2)(1)  4(0)   3 ( 2)(2)  3(0) 
 0 2 1 

Por lo tanto det( B )  2(11)  10  12  44

» B=[2 5 3;-2 3 4;0 -2 1]
B=
2 5 3
-2 3 4
0 -2 1
» 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 b3  a 2 b2 c2
c1 c2 c3 a 3 b3 c3
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 b3  a1 a2 a3
c1 c2 c3 c1 c2 c3
4. Si un determinante tiene dos filas ó dos columnas iguales o proporcionales

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

por un número el valor del determinante queda multiplicado por el número.
ka1 a2 a3 a1 a2 a3 a1 a2 a3
Es decir: kb1 b2 b3  kb1 kb2 kb3  k b1 b2 b3
kc1 c2 c3 c1 c2 c3 c1 c2 c3
6. Si todos los elementos de una fila o columna son expresados como la suma
de dos o más números, el determinante puede expresarse como la suma de
dos o más determinantes.
a1  x a2 a3 a1 a2 a3 x a2 a3
Es decir: b1  y b2 b3  b1 b2 b3  y b2 b3
c1  z c2 c3 c1 c2 c3 z c2 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 b3  b1  mb2 b2 b3
c1 c2 c3 c1  mc2 c2 c3
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 0 0 0 0 
 
1 2 0 0 0 
A 0 1 10 0 0 
 ; det(A)= (1)(2)(10)(2)(20)=800
 0 0 1 2 0 
 0 0 0 1 20 

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 a 22 a 23  entonces llamamos matriz de cofactores de la
a 
 31 a32 a33 
 A11 A12 A13 

 
matriz A a la matriz CA   A21 A22 A23  ; donde Aij    1 i  j M ij
A A32 A33 
 31
1 3 5  14 4  22 
   
Ejemplo: A   3 5 1   CA    4  22 14 
5 1 3    22 14  4 
 
2.1.8.6. MATRIZ ADJUNTA

Se llama así a la matriz transpuesta de la matriz de cofactores y se denota por
 A11 A21 A31 

t  
adj ( A)  CA t , adj ( A)  CA   A12 A22 A32 
A A23 A33 
 13
1 2 3  3 6  3  3 6  3
     
Ejemplo: A   4 5 6   CA   6  12 6   adj ( A)   6  12 6 
7 8 9   3 6  3   3 6  3 
  
2.1.8.7. MATRIZ INVERSA.
Supongamos la matriz cuadrada A tiene det( A)  0 , entonces la inversa de la
1 CAt
matriz A denotada por A 1 es: A 1  adj ( A) 
A A
1 2 3
 
Ejemplo: A   4 5 6   A  ( 13)  2(4  12)  3(12  10)  9
2 3 1 

  13 8 2    13 7  3
   
CA   7 5 1   adj( A)   8 5 6 
 3 6  3   2 1  3 
 
  13 7  3
1 1 
A   8 5 6 
9
 2 1  3 
1 2 3    13 7  3  1 0 0
1 1    
Verificando tenemos: AA  4 5 6 . 8 5 6  0 1 0
9
2 3 1   2 1  3   0 0 1 
Una matriz cuadrada tiene inversa si y sólo 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 2 3
4 5 6
2 3 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 inversión de matrices permite efectuar la operación equivalente a la
división del álgebra común.
6. Una matriz A se llama ortogonal si AAT=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 consideración 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 4 
 
0 5 6 
A 
6 7 8
 
0 8 9 
 
Solución
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 2 4 1 2 4 0 5 6 1 2 4
       
0 5 6 ; 0 5 6 ;6 7 8 ; 6 7 8
6 7 8  0 8 9   0 8 9   0 8 9 
 
Como no existen más 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 afirmación anterior también 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)};
- También 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 permutación de una fila por una columna se denota por H ij,
2. La permutación 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 número positivo o cero.
En términos de producto punto
Ejemplo: sea determinar su norma
Solución
=7.0711
Debemos tener en consideración que el campo de los números 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 ecuación , que es el campo C de

los números 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 anomalía 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 afirmación 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 y , entonces el ángulo 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

El espacio vectorial Cn, esta compuesto de todos los vectores
en donde los , Si al vector complejo x
es multiplicado por también complejo el resultado es otro vector complejo

así:
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 * 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
Como casos particulares tenemos la norma Euclidiana cuando p=2
Máximo valor absoluto
Propiedades
4. ,
5. ,
6. ,
Estas propiedades son familiares en relación a la norma Euclidiana o “longitud”

de un vector.
La norma de una matriz cuadrada, A , puede ser definida en forma consistente
con la definición de norma de un vector:
, (x ),
La norma de es donde es el máximo valor característico de
At.A. También
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 ecuación
,,.....................................................................................................(1)
Tiene una solución no trivial es decir entonces , es un valor propio de

A . Un vector x distinto de cero que satisface la ecuación (1) es un vector
propio de A correspondiente al valor propio .
Ejemplo: Consideremos la Ecuación siguiente
Esta ecuación 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 múltiplo distinto de cero de un vector propio es

también un vector propio correspondiente al mismo valor propio.
La condición de que la ecuación (1) tenga una solución no trivial es

equivalente a cada una de las siguientes afirmaciones:
1. , mapea algún vector distinto de cero en 0,...........................(2).

2. , es singular,.........................................................................(3)
3. ),.............................................................................(4)
2.1.11. ECUACIÓN CARACTERÍSTICA DE LA MATRIZ A

Debemos decir que podemos resolver la relación (4) para las incógnitas , y de
esta manera determinamos los valores propios de A. Resaltando que a esta
relación se le conoce como ecuación característica de la matriz A . Nosotros
podemos escribir esta ecuación mas detalladamente así:
a11   a12 a13 ...  0 

a1 j ... a1n
a a22   a23 ...  
a2 j ... a2n
 21  0 
      0 
  
det   
 a i1 ai 2 ai 3 ... aij  
 0  ... ain
         0 
  
 an1 an2 an3 ... anj ... ann     
La función determinante se define como una suma de términos que son
productos de elementos de la matriz.
2.1.12. POLINOMIO CARACTERÍSTICO DE A,

Podemos observar que la ecuación (4) tiene la forma de un polinomio de grado
n en la variable , a esto se le llama polinomio característico 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 raíces
de la ecuación característica.
,
Si x es un autovector asociado con el autovalor en estas circunstancias
, es decir la matriz A transforma el vector x en un múltiplo escalar de
si mismo. Cuando , es un numero real mayor que uno, A tiene el efecto de
alargar x en un factor de y cuando , A disminuye a x en un factor
de , cuando , los efectos son similares pero en dirección contraria.
,
, , ,
Ax x
x x
x
Ax
Ax Ax
Ejemplo
Sea la matriz , calcular los autovalores de A
Los autovalores de A son ;
Un auto vector de A asociado con es una solución de
, así que , 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
De manera análoga un auto vector de A asociado con es una solución
de , así que , 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 ecuación característica y sus raíces
Siendo sus raíces , esto lustra el hecho de que los
valores propios de una matriz real no son necesariamente números reales.

Debemos decir que la metodología anterior es la directa y es la mejor cuando
se trata de matrices pequeñas.
RADIO ESPECTRAL DE UNA MATRIZ
Radio espectral de una matriz A se define así:
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 transformación 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 característico
Obsérvese:
 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 transformación de semejanza y calcule los valores
propios de B. s B es mas simple que A, el calculo de sus valores propios
es mas fácil. 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 así como medito
SCHUR ., según el siempre será posible al menos teóricamente
 Una matriz U será untaría s UU* =I, en donde U*, es la conjugada

transpuesta de U es decir .
Teorema de Schur.
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 círculo del plano complejo con
centro en aii y radio , es decir
En donde C denota el conjunto de los números complejos. Entonces los

autovalores de la matriz A están contenidos en , es más, si la unión
de estos k círculos no se cortan con los demás n-k círculos entonces dicha
unión contiene precisamente k autovalores contando las multiplicidades.
Ejemplo
Sea la matriz
Los círculos del teorema de Gershgorin son:
Como los R1 y R2 son disjuntos de R3, existen dos autovalores en y uno

con R3. Eje
Imaginario
1 2 3 4 5 6 7 8 9 10
11 Eje Real
2.2.2. INDEPENDENCIA LINEAL

Diremos que los vectores no nulos son linealmente
independientes si la único conjunto de números reales tal
que , es , en caso contrario se dirá
que los vectores son dependientes.
Ejemplo
Dados los vectores: , son linealmente
dependientes pues existen (1) y (2) tal que:
Si es un conjunto Linealmente independiente de n

vectores en R , entonces para cada vector x en R n, existe un único
n
conjunto de número reales , tal que

,
, en este caso se dice que es una base de Rn.
Ejemplo:
Sean los vectores .Si los

números son tales que
,
Entonces
, de esta manera
tenemos que,
, pues la única solución al

sistema es entonces el conjunto , es
3 3
Linealmente independiente en R , y por lo tanto es una base de R .
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, demás
entonces el conjunto es ortogonal.

Como , es un conjunto ortogonal de vectores
, es ortogonal si, solo si, , 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 además
, , ,
Diremos que una matriz Q de dimensiones nxn es una matriz ortogonal

si , debemos aclarar que esta terminología provienen del
hecho de que las columnas de una matriz ortogonal forman un conjunto
ortogonal.
Ejemplo. Considerando el ejemplo anterior la matriz ortogonal será:

,
Observemos que: Q*Qt=I
* = ,
Además se tiene que,
2.2.5. AUTOVALORES Y AUTOVECTORES DE MATRICES

SEMEJANTES
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,

Met Num

Enviado por

Dados do documento

Descrição original:

Título original

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

Met Num

Enviado por

Direitos autorais:

Formatos disponíveis

Métodos Numéricos Aplicados a la Ingeniería

II.PROBLEMAS DE VALORES Y VECTORES CARACTERÍSTICOS

I. SOLUCIÓN DE SISTEMAS DE ECUACIONES ALGEBRAICAS

1.1. Algunas Reflexiones Sobre Métodos Numéricos

El análisis numérico y su diversidad de métodos en realidad es la dialítica

Como se observa los métodos numéricos son técnicas para formular

1. determinaban la solución usando métodos exactos o analíticos, pero en

2. Cuando se requería analizar el comportamiento de sistemas se usaban

3. Para implementar métodos numéricos se usaban calculadoras y reglas

Pero en la actualidad los métodos numéricos contando con una

Podemos decir que después de la aparecían de la computadora los

relacionado con el tiempo de maquina en consecuencia limitado por el

1. Su capacidad para solucionar sistemas de ecuaciones lineales de

2. Los métodos numéricos permite reforzar la comprensión matemática por

3. Los métodos numéricos dan la oportunidad de construir sus propios

4. Los MN es un medio para aprender usar las computadoras, como para

En resumen los métodos numéricos nos permitirán:

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

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

5. Integración: Determinar el área debajo la curva

6. Solución numérica para ecuaciones diferenciales ordinarias

Determinar como función de t

7. Solución numérica de ecuaciones diferenciales parciales

1.2.1. Sistemas de ecuaciones

verifican simultáneamente para x  3 ; y  1 .

verifican simultáneamente para x  2 ; y  2 ; z  2

ecuaciones y 2 incógnitas que se verifican simultáneamente para un

1.2.2. SOLUCIÓN DE UN SISTEMA DE ECUACIONES

ecuación depende de la otra.

primera fila contradice a la segunda; es decir es un sistema inconsistente o

1.2.3. SISTEMA DE “m” ECUACIONES LINEALES CON “n”

En general este sistema será representado por:

a11 x1  a12 x2  a13 x3    a1 j x j    a1n x n  b1

1.2.4. FORMA MATRICIAL

 a11 a12 a13 ... a1 j ... a1n   x1   b1 

b   bi1  m1  IR m1 ; es llamado vector independiente, bienes y

1.3. EXISTENCIA Y UNICIDAD DE SOLUCIONES

 Resolver (1) ó ( 2) consiste en determinar los vectores x que cumplan

 Si bi  0 para todo i  1,2,..., m , el sistema (1) ó ( 2) se llama

 Supongamos que es definida la siguiente matriz llamada aumentada del

 Si el rango de la matriz de coeficientes A y de la matriz aumentada Aa

 Si el sistema es consistente y ocurrir que r ( A)  r ( Aa )  n entonces el

Si r(A) ≠r(Aa) Si r(A) = r(Aa) = k,

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

b) Si el sistema fuera homogéneo es decir

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

Entonces el sistema tiene una única solución C.S  {3,1}

1.4. MÉTODOS DIRECTOS DE SOLUCIÓN

1.4.1. Métodos diagonales

4. El sistema de ecuaciones lineales diagonal será:

5. Determinado su solución general

1.4.2. MÉTODO TRIANGULAR INFERIOR

Definición: Se llama sistema de ecuaciones triangular inferior a los

3. El conjunto solución del sistema triangular es obtenido de la

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

Cuarto: Los valores de x3 , x 4 , ..., xn son obtenidos de manera análoga:

1.4.3. MÉTODO TRIANGULAR SUPERIOR

1. La matriz de coeficientes es una matriz triangular superior.

3. La solución del sistema triangular superior se obtiene de la

Primero: iniciamos determinando el valor de la última variable en este caso

Segundo: para determinar el subsiguiente valor se realiza así:

Tercero: Los valores de xn  2 , xn  3 , ..., x1 son obtenidos de manera