Metodos para La Solucion de Sistemas de Ecuaciones Lineales

METODOS PARA LA SOLUCION DE SISTEMAS DE ECUACIONES LINEALES
VIVIANA MARCELA BAYONA CÁRDENAS
UNIVERSIDAD INDUSTRIAL DE SANTANDER
INGENIERIA DE PETROLEOS
2010

MATRICES
Una matriz es un conjunto de elementos de cualquier naturaleza aunque, en general,

suelen ser números ordenados en filas y columnas.
Se llama matriz de orden "n × m" a un conjunto rectangular de elementos aij

dispuestos en n filas y en m columnas. El orden de una matriz también se denomina
dimensión o tamaño, siendo n y m números naturales.
Las matrices se denotan con letras mayúsculas: A, B, C,... y los elementos de las mismas
con letras minúsculas y subíndices que indican el lugar ocupado: a, b, c,... Un elemento
genérico que ocupe la fila i y la columna j se escribe aij. Si el elemento genérico
aparece entre paréntesis también representa a toda la matriz: A = (aij)
a 11 a12 … a1 m
(
A= … … … ⋮
an 1 a n2 … a nm )

Cuando nos referimos indistintamente a filas o columnas hablamos de líneas.

El número total de elementos de una matriz An×m . En matemáticas, tanto las Listas como
las Tablas reciben el nombre genérico de matrices.
1. Tipos de Matrices:
1.1 Matriz simétrica: Es aquella matriz cuadrada en donde los valores de

ai,j=aj,i
2 3 4
(
A= 3 5 8
4 8 2 )
1.2 Matriz Cuadrada: es aquella matriz que está compuesta por un número
igual tanto de filas como de columnas.
2 1 4
(
A= 4 0 10
5 6 3 )
1.3 Matriz Traspuesta: encontramos esta matriz cuando a partir de una
matriz ya establecida cambiamos el ordenamiento de filas por columnas

y viceversa, de la siguiente manera, teniendo un matriz A=a(i,j)
obtenemos su transpuesta así At=a(j,i)
2 3 4 2 4 5
( ) (
A= 4 3 8 ; A t = 3 3 8
5 8 1 4 8 1 )
1.4 Matriz Triangular: es una matriz cuadrada que contiene todos los
elementos por encima o por debajo de la diagonal principal nulos.
2 3 4
(
Matriz triangular superior = 0 5 10
0 0 2 )
2 0 0
(
Matriz triangular inferior= 4 5 0
4 8 2 )
1.5 Matriz Aumentada: Este tipo de matriz se obtiene de unir dos matrices,
de la siguiente manera:
A= (21 34 ) ; B=(57 )
De esta unión se obtiene la matriz aumentada que se denota:
( A|B )= 2 3 5
( )
1 4 7
Esta notación es útil para resolver sistemas de ecuaciones lineales

dados por matrices cuadradas. En álgebra lineal, se utiliza la matriz
aumentada para representar los coeficientes así como las constantes
de cada ecuación.
Ejemplo 1:
x +2 y +3 z =0
{
3 x+ 4 y +7 z=2
6 x+5 y +9 z=11

1 2 3 0 1 2 30
( ) ()
A= 3 4 7 B= 2 ( A∨B)= 3 4 7 2
6 5 9 11 6 5 9 11 ( )
1.6 Matriz bandeada: En matemáticas una matriz se le llama Matriz Banda
o bandeada cuando es una matriz donde los valores no nulos son
confinados en un entorno de la diagonal principal, formando una banda
de valores no nulos que completan la diagonal principal de la matriz y
más diagonales en cada uno de sus costados.
Ejemplo 2:
a11 a12 0 0
(
a a
A = 21 22
a23
0 a32 a33
0 0 a 43
0
a34
a 44
)
La matriz anterior tiene un ancho de banda de 3 y recibe el nombre
especial de matriz tridiagonal.
2. Operaciones entre matrices
2.1 Suma
Si las matrices A=(aij) y B=(bij) tienen la misma dimensión, la matriz suma es:
A+B=(aij+bij).
La matriz suma se obtiene sumando los elementos de las dos matrices que
ocupan la misma posición.
A= ( 20 35) B=( 64 19 )

A+ B= 2+6 3+1 = 8 4
( )( )
0+ 4 6+ 9 4 15
A−B= ( 2−6
0−4
3−1
6−9
=
−4 2
)(
−4 −3 )
Propiedades de la suma de matrices
 Interna:
La suma de dos matrices de orden m x n es otra matriz dimensión m x n.
 Asociativa:
A + (B + C) = (A + B) + C
 Elemento neutro:
A+0=A
Donde O es la matriz nula de la misma dimensión que la matriz A.
 Elemento opuesto:
A + (−A) = O
La matriz opuesta es aquella en que todos los elementos están cambiados

de signo.
 Conmutativa:
A+B=B+A
2.2 Multiplicación
Dadas dos matrices A y B, tales que el número de columnas de la

matriz A es igual al número de filas de la matriz B; es decir:
A=(a ij )m ×n y B=( aij )n × p
La multiplicación de A por B, que se denota A·B, A×B o simplemente

AB, está definida como:
AB=( c ij )m × p

Donde cada elemento c ij está definido por:
n
c ij =∑ a ir b rj
r =1
Ejemplo 3:
1 2
( )
A= 3 4 B= 1 2 3
5 6
4 5 6 ( )
( 1∗1+ 2∗4 ) ( 1∗2+2∗5 ) ( 1∗3+2∗6 )
(
AB= ( 3∗1+ 4∗4 ) ( 3∗2+4∗5 ) ( 3∗3+4∗6 )
( 5∗1+ 6∗4 ) ( 5∗2+6∗5 ) ( 5∗3+6∗6 ) )
9 12 15
(
AB= 19 26 33
29 40 51 )
2.3. Determinantes
El determinante de una matriz A(n,n), es un escalar o polinomio, que resulta

de obtener todos los productos posibles de una matriz de acuerdo a una

serie de restricciones, siendo denotado como |A|. El valor numérico es
conocido también como modulo de la matriz.
A continuación vamos a ver una de las formas de obtener el determinante

(método cofactores).
Algoritmo:
| A|=a 11 [ si n=1 ]
m
| A|=∑ a ij| Aij|(−1 )i+ j [ si n>1 ]
j=1
Siendo n igual al número de columnas, y Aij es el resultado de eliminar la

fila i y la columna j de la matriz original.
Ejemplo 4
Calcular el determinante de la siguiente matriz:
A= 1 3
( )
6 4
Operando el algoritmo anterior, y teniendo en cuenta que i es siempre 1,

obtendremos:
Paso 1: a11=1. al eliminar la fila 1 y columna 1 de la matriz obtenemos

|4|, mientras en la suma i+j=2.
Paso 2: a12=3 mientras la eliminación de la fila 1 y columna 2 da como

resultado |6| y la suma i+j=3.
Es decir:
A= 1 3 =1|4|(−1 )2+ 3|6|(−1 )3=−14

( )
6 4

SISTEMAS DE ECUACIONES LINEALES
Un grupo de ecuaciones forman un sistema cuando lo que pretendemos de ellas es

encontrar su solución común. Cuando n ecuaciones con n incógnitas forman un sistema,
las ponemos de esta forma:
a x 1+ b x 2+ …+c x n=r 1
d x 1+ g x 2+ …+ f x n=r 2
⋮ ⋮⋮ ⋮⋮
k x 1+ l x 2 +…+ p x n=r n
Se llama solución de un sistema de ecuaciones a la solución común de ambas.
Sistemas equivalentes.
A n sistemas de ecuaciones se les llama equivalentes cuando tienen la misma solución.
Número de soluciones de un sistema lineal.
 Sistemas sin solución.
Hay sistemas cuyas ecuaciones dicen cosas contradictorias. Por ejemplo:
2 x+3 y =15
2 x+3 y =9
En este caso, nos dice por una parte que 2x+3y=15 y por otra que 2x+3y=9 y eso
es absolutamente imposible porque para eso tendrían que adoptar las incógnitas
valores distintos en cada ecuación y entonces no sería un sistema de ecuaciones.
Así sacamos la conclusión de que el sistema no tiene soluciones comunes y

entonces se dice que el sistema es incompatible.
 Sistemas con infinitas soluciones.

Hay sistemas cuyas ecuaciones dicen lo mismo o que una ecuación es
proporcional a la otra, es decir, tenemos dos veces la misma ecuación. Veamos un
ejemplo:
2 x+3 y ¿ 15
(1)
2 x+3 y ¿ 15
2 x +3 y ¿ 15 (2)
4 x+ 6 y ¿ 30
En el ejemplo (1) tenemos que las dos ecuaciones son idénticas y en el ejemplo
(2) tenemos que la segunda ecuación es la misma, pero multiplicada por 2,
entonces si dividimos toda la ecuación por 2, obtendremos de nuevo dos
ecuaciones idénticas.
En este caso el sistema se llamará compatible determinado, porque tiene

soluciones, pero éstas son infinitas.
METODOS PARA LA SOLUCION DE SISTEMAS DE ECUACIONES LINEALES
1. METODOS DIRECTOS
1.1.Método de Cramer
Es aplicable si el sistema tiene igual número de ecuaciones que de incógnitas

n=m y el determinante de la matriz de coeficientes es distinto de cero. Es
decir, un sistema de Cramer es, por definición, compatible determinado y, por
tanto, tiene siempre una solución única.
El valor de cada incógnita xi se obtiene de un cociente cuyo denominador es

el determinante de la matriz de coeficientes, y cuyo numerador es el
determinante que se obtiene al cambiar la columna i del determinante anterior
por la columna de los términos independientes.
Ejemplo 5
Resolver el siguiente sistema compatible determinado
x + y + z=11
2 x− y + z=5
3 x+ 2 y + z=24
L a matriz aumentada del sistema sería:

1 1 1 11
( 2 −1 1 5
3 2 1 24 |)
Comprobamos que el determinante del sistema es diferente de cero
1 1 1
|
3 2 |
| A|= 2 −1 1 =(−1+3+ 4 ) — (3+2+2)=5
1
11 1 1
| A x|=
| |
5 −1 1 = (−11+24+10 ) — (−24+ 22+5 )=20
24 2 1
1 11 1
| A y|= 2
| |
5 1 =( 5+33+ 48 ) — (15+ 24+22 )=25
3 24 1
1 1 11
| A z|= 2
| |
−1 5 =(−24 +15+44 ) — (−33+10+ 48 ) =10
3 2 24
| A x| | A y| |A z|
x= =4 ; y = =5 ; z= =2
| A| | A| | A|
1.2. Método de Matriz inversa
Es aplicable si el sistema tiene igual número de ecuaciones que de

incógnitas n=m y el determinante de la matriz de coeficientes es distinto
de cero. Es decir, resuelve sistemas compatibles determinados (no-
homogéneos).
A∗x=B
A ∗A∗x=A−1∗B
−1
I∗x= A−1∗B
x= A−1∗B
Ejemplo 6
Solucionar el sistema de ecuaciones propuesto en el ejemplo 5 mediante el

método de la matriz inversa.

x + y + z=11
2 x− y + z=5
3 x+ 2 y + z=24
1
A−1= (Adj ( A ))t
| A|
1 1 1 −3 1 2
|3 2 1|
| A|= 2 −1 1 =5 ;( Adj ( A ) )t = 1
( 7
−2 1
1 −3 )
x −3 1 2 11 4
() (y
z
=
1
5
1 −2 1 5
7 1 −3 24
= 5
2 )( ) ( )
1.3. Método de Gauss
El método de Gauss, también conocido como método de eliminación simple

de Gauss, es una de las primeras técnicas empleadas por actuarios,
matemáticos e ingenieros para la resolución de sistemas de ecuaciones. El
método comprende dos fases:
 Eliminación de las incógnitas hacia adelante

 Sustitución hacia atrás
La primera fase tiene el objetivo de reducir el sistema original a una forma

triangular superior. Por ejemplo, para un sistema de n ecuaciones en n
incógnitas que se representa con la siguiente matriz aumentada:
a11 x 1 a12 x 2 … a1 n x n b 1
( ⋮ ⋱ ⋮ ⋮
|)
a21 x 1 a22 x 2 … a2 n x n b 2
⋮
an 1 x 1 a n2 x 2 … a nn x n b n
Una vez se tiene la matriz aumentada se hacen una serie de

transformaciones para convertir los elementos bajo la diagonal superior
en ceros.

a11 x 1 a12 x 2 … a1 n x n b1
( 0
⋮
0
a22 x 2 … a2 n x n b2
⋮
0
⋱ ⋮ ⋮
… ann x n bn
|)
La segunda fase de la eliminación de Gauss, consiste en que, una vez que se
ha obtenido una matriz triangular superior a través de operaciones de
normalización, realizar la sustitución hacia atrás. Este proceso comienza
despejando xn de la última ecuación (último renglón de la matriz).
b(n−1)
n
x n=
a(n−1)
nn
A su vez, este resultado se sustituye hacia atrás en la ecuación n-1 del

sistema modificado final, (renglón n -1 de la matriz (9)). Este mecanismo se
repite para las x restantes, lo que se representa mediante la expresión
general:
n
x i= b
( (i −1)
i
j=i +1
)
− ∑ a(iji−1 ) x j /a(iii−1 )
para i = n-1, n-2,…,1
Ejemplo 7
Resolver el siguiente sistema de ecuaciones mediante el método de Gauss.
2 x 2 +3 x 3 ¿0
4 x1 +6 x 2 +7 x3 ¿−3
2 x 1+ x2 +6 x 3 ¿5
A continuación construimos la matriz aumentada; antes de hacer esto

reordenamos las ecuaciones de tal forma que no hayan ceros en la diagonal
principal.
4 6 7 −3 4 6 7 −3 4 6 7 −3
( |)
0 2 3 0 F 3=F 3−F 1 /2 0 2
2 1 6 5 →
0 −2 5/ 2 13/2 → (
3 0 F3 =F3 + F 2 0 2 3
| )
0
0 0 11/2 13 /2 ( | )
x 3=13/11
x2 =−3 ( 13/17 ) /2=−39 /22
x 1=(−3+ 6 (39 /22 )−7 ( 13/11 ) ) / 4=−7/44
−7 /44
( )
x= −39/22
13 /11
1.4. Método de Gauss-Jordan
El Método de Gauss–Jordan o también llamado eliminación de Gauss –

Jordan, es un método por el cual pueden resolverse sistemas de ecuaciones
lineales con n números de variables, encontrar matrices y matrices inversas,
en este caso desarrollaremos la primera aplicación mencionada.
Para resolver sistemas de ecuaciones lineales aplicando este método, se
debe en primer lugar anotar los coeficientes de las variables del sistema de
ecuaciones lineales en su notación matricial:
a1 x +b1 y +c 1 z=d 1
a 2 x +b2 y +c 2 z=d 2
a 3 x +b3 y +c 3 z=d 3
Entonces, anotando como matriz (también llamada matriz aumentada):
a1 b 1 c 1 d 1
( |)
a2 b 2 c 2 d 2
a3 b3 c 3 d 3
Una vez hecho esto, a continuación se procede a convertir dicha matriz en

una matriz identidad, es decir una matriz equivalente a la original, la cual es de
la forma:
1 0 0
( 0 1 0
0 0 1 )
Esto se logra aplicando a las distintas filas y columnas de las matrices simples
operaciones de suma, resta, multiplicación y división; teniendo en cuenta que
una operación se aplicara a todos los elementos de la fila o de la columna, sea
el caso.
Obsérvese que en dicha matriz identidad no aparecen los términos
independientes, esto se debe a que cuando nuestra matriz original alcance la
forma de la matriz identidad, dichos términos resultaran ser la solución del
sistema y verificaran la igualdad para cada una de las variables,
correspondiéndose de la siguiente forma:
 d1 = x
 d2 = y
 d3 = z
Ejemplo 8
A continuación se muestra un breve ejemplo de solución de un sistema de
ecuaciones mediante el método de Gauss-Jordan.
2x1 + 3x2 + 4x3 = 6

4x1 + 5x2 + 10x3 = 16
4x1 + 8x2 + 2x3 = 2
Solución
2 3 4 6 1 3/2 2 3 1 3/2 2 3
( ) (
4 5 10 ⋮ 16 F 1=F 1 /2 4 5 10 ⋮ 16
4 8 2 2 →
4 8
F 2 =F
)2 −4 F 1
(
0 −1 2 ⋮ 4
2 2 F 3=F→3−4 F1 0 2 −6 −10 )
1 3 /2 2 3 1 0 5 9 1 0 5 9
( ) ( )
F 2=−F 2 0 1 −2 ⋮ −4 F 1=F1−3 F 2 /2 0 1 −2 ⋮ −4 F 3=−F 3 /2 0 1 −2 ⋮ −4
→
0 2 −6 −10 F 3=F→3−2 F2 0 0 −2 −2 →
0 0 1 1 ( )
1 0 0 4 4
F 1=F1−5 F 3
( ⋮
0 1 0 −2
F 2=F 2+2 F 3 0 0 1 1
→
=x −2
1 ) ()

1.3. Factorización LU
Suponga que la matriz A es una matriz nxn se puede escribir como el producto
de dos matrices:
A=LU
Donde L es una matriz triangular inferior nxn y U es una matriz escalonada

n×n. Entonces para resolver el sistema:
Ax=b
Entonces;
Ax=(LU)x=L(Ux)
Una posible estrategia de soluci´on consiste en tomar y = Ux y resolver para y:
Ly= b (1)
Como la matriz L es triangular superior este sistema puede resolverse

mediante sustitución hacia abajo. Una vez con los valores encontrados de y,
las incógnitas al sistema inicial se resuelve despejando x de:
Ux= y (2)
Nuevamente, como U es escalonada, este sistema puede resolverse en caso

de tener solución mediante sustitución hacia atrás, lo cual es sencillo. Estas
observaciones nos dan la pauta para ver la conveniencia de una factorización
como la anterior, es decir factorizar A como el producto de una matriz L
triangular superior, por otra U la cual es escalonada.
Ejemplo 9
Resolver el sistema de ecuaciones propuesto en el ejemplo 8 mediante la

factorización LU:
2x1 + 3x2 + 4x3 = 6

4x1 + 5x2 + 10x3 = 16
4x1 + 8x2 + 2x3 = 2
Cuya matriz de coeficientes es:
2 3 4
(
A= 4 5 10 =LU
4 8 2 )
El vector de soluciones es:
6
b= 16
2()
Para hallar la matriz U convertimos la triangular inferior de la matriz A en
ceros; para ello utilizamos Gauss; simultáneamente calculamos L, tomando la
matriz identidad y ubicando el opuesto del número por el cual multiplicamos en
la transformación de U debajo de la diagonal principal de L, como se muestra
a continuación:
2 3 4 2 3 4
U= F 2 =F
→
2 −2 F
(
1
)
0 −1 2 F 3=F 3 +2 F 2 0 −1 2
F 3=F 3−2 F 1 0 2 −6 →
0 0 −2 ( )
1 0 0 1 0 0 1 0 0
( )( )(
L= ¿ 1 0 → 2 1 0 → 2 1 0
¿ ¿ 1 2 ¿ 1 2 −2 1 )
Una vez hecha la factorización de la matriz se procede a hallar la solución del
sistema empleando la ecuación (1)
1 0 0 y1 6
( )( ) ( )
2 1 0 y2 = 16
2 −2 1 y 3 2
y1 = 6
y2 = 16 - 2 y1 = 4
y3 = 2 + 2 y2 - 2 y1 = -2
Por lo tanto tenemos
6
y= 4
−2 ()
Ahora empleamos la ecuación (2)
2 3 4 x1 6
( )( ) ( )
0 −1 2 x 2 = 4
0 0 −2 x 3 −2
x 3=1
4−2 x3
x 2= =−2
−1
6−3 x 2−4 x 3
x 1= =4
2
Por lo que la solución del sistema lineal dado es
4
x= −2
1()
1.4. Factorizacion de Cholesky
En estadística a menudo aparecen sistemas de ecuaciones Ax=b donde la

matriz A es definida positiva. Por ejemplo, el sistema de ecuaciones normales
de un modelo de regresión lineal que tiene la forma X’Xb=y, aquí A=X’X es
definida positiva y simétrica. Se podría usar Eliminación Gaussiana para
resolver el sistema de ecuaciones, pero no se explotaría la propiedad de
definida positiva.
Si la matriz A es simétrica y definida positiva en lugar de factorizarse como LU,

puede ser factorizada como A=LLt, donde L es una matriz triangular inferior,
esta es llamada la Facorización Cholesky.
Es decir;
a11 a12 a13 l 11 0 0 l 11 l 12 l 13
( )( )(
a21 a22 a 23 = l 21 l 22 0 ∗ 0 l 22 l 23
a31 a32 a 33 l 31 l 32 l33 0 0 l 33 )
De donde;

a i1
l 11 =√ a11 l i1= i=1,2, … , n
l 11
i j
∑ l2ik =aii aij=∑ lik l jk j<i

k=1 k=1
Ejemplo 10
Solucionar el siguiente sistema de ecuaciones mediante la factorización de

Cholesky.
4 2 2 4 x1 −1
( 2 5 7
2 7 19
4 0 11
0
11
25
)( ) ( )
x2
x3
x4
= 1
5 /2
1/4
Solución:
4 2 2 4
A= 2 5 7
2 7 19
4 0 11
( 0
11
25
)
Cálculo de la primera fila
l 11= √ 4=2
Cálculo de la segunda fila

a21 2
l 21= = =1
l 11 2
l 22=√ a22−l 221=√ 5−1=2
Cálculo de la tercera fila

a31 2
l 31= = =1
l 11 2
1 1
l 32= ( a32−l 21 l 31) = ( 7−1∗1 )=3
l 22 2
l 33= a33−( l 231+l 232 )= √ 19−( 1+ 9 )=3

√
Cálculo de la cuarta fila

a41 4
l 41= = =2
l 11 2
1 1
l 42= ( a −l l ) = ( 0−1∗2 )=−1
l 22 42 21 41 2
1 1
l 43= ( a 43−l31 l 41−l 32 l 42 )= ( 11−1∗2+3∗1 )=4
l 33 3
l 44= a44−( l 241+l 242+l 243 ) =√25−( 4 +1+16 ) =2

√
Con lo anterior tenemos
2 0 0 0
(
L= 1 2
1 3
2 −1
0
3
4
0
0
2
)
2 1 1 2
L= 0
t
0
0
( 2 3
0 3
0 0
−1
4
2
)
A continuación se soluciona el sistema mediante la factorización LU, teniendo
en cuenta que A=LLt y se obtiene:
−13/ 16
( )
x= 7/8
−1/ 4
1/4
1.5. Metodo de Thomas
Un caso extremo de matrices banda es el de las matrices tridiagonales, que es

una matriz con ancho de banda de 3; este sistema puede ser expresado de la
forma:

b1 c1 0 0
A= 2
(
a ⋱
0 ⋱ ⋱
0 0 an
⋱ 0
c n−1
bn
)
Las matrices tridiagonales pueden factorizarse LU sin necesidad de pivoteo y
este procedimiento resulta estable respecto a la propagación de errores de
redondeo:
1 0 … 0 β 1 γ1 0 0
A=
0
0
(
α2 ⋱ 0 ⋮ 0 ⋱
)(
⋱ ⋱ 0 ⋮ ⋱ ⋱
0 αn 1 0 … 0
⋱ 0
γ n−1
β2
)
De lo anterior se deduce que:
α n=an /β n−1
β n=¿b −α γ ¿ γ i=c i
n n n−1
Una vez factorizada la matriz se resuelve el sistema de ecuaciones como se

hace una vez se obtiene la factorización LU.
2. METODOS ITERATIVOS
2.1. Método de Jacobi
El método Jacobi es el método iterativo para resolver sistemas de ecuaciones

lineales más simple y se aplica solo a sistemas cuadrados, es decir a sistemas
con tantas incógnitas como ecuaciones.
 Primero se determina la ecuación de recurrencia. Para ello se ordenan las

ecuaciones y las incógnitas. De la ecuación i se despeja la incógnita i. En
notación matricial se escribirse como:
x = c + Bx (1)
donde x es el vector de incógnitas.
 Se toma una aproximación para las soluciones y a esta se le designa por

xo
 Se itera en el ciclo que cambia la aproximación

Xi+1 = c + Bxi (2)
Ejemplo 11
Partiendo de (x = 1, y = 2) aplique dos iteraciones del método de Jacobi para

resolver el sistema:
5 x+ 2 y =1
x−4 y=0
Solución
Debemos primeramente despejar de la ecuación la incógnita

correspondiente.
x = 0.20 + 0.00 x − 0.40 y
y = 0.00 + 0.25 x + 0.00 y
Aplicamos la primera iteración partiendo de x0 = 1.00 y y0 = 2.00:
x1 = 0.20 + 0.00 (1.00) − 0.40 (2.00) = −0.60

y1 = 0.00 + 0.25 (1.00) + 0.00 (2.00) = 0.25
Aplicamos la segunda iteración partiendo de x1 = −0.60 y y1 = 0.25:
x2 = 0.20 + 0.00 (−0.60) − 0.40 (0.25) = 0.10

y2 = 0.00 + 0.25 (−0.60) + 0.00 (0.25) = −0.15
Aplicamos la siguiente iteración partiendo de x2 = 0.10 y y1 = −0.15:
x3 = 0.20 + 0.00 (0.10) − 0.40 (−0.15) = 0.26

y3 = 0.00 + 0.25 (0.10) + 0.00 (−0.15) = 0.025
Aplicamos la siguiente iteración partiendo de x3 = 0.26 y y3 = 0.025:
x4 = 0.20 + 0.00 (0.26) − 0.40 (0.025) = 0.190

y4 = 0.00 + 0.25 (0.26) + 0.00 (0.025) = 0.065
x5 = 0.20 + 0.00 (0.19) − 0.40 (0.065) = 0.174

y5 = 0.00 + 0.25 (0.19) + 0.00 (0.065) = 0.0475
x6 = 0.20 + 0.00 (0.174) − 0.40 (0.0475) = 0.181

y6 = 0.00 + 0.25 (0.174) + 0.00 (0.0475) = 0.0435

x=0.181
y=0.0435
2.2. Método Gauss Seidel
Este es uno de los métodos más interesantes del análisis numérico y

particularmente útil ya que nos permite encontrar la solución de un sistema
de “n” ecuaciones con “n” incógnitas.
Para comenzar es preciso mencionar que es un método iterativo, es decir que

debe aplicarse recursivamente hasta encontrar una solución adecuada o con
un error considerablemente pequeño.
En cada iteración obtenemos una solución posible del sistema con un error
determinado, a medida que aplicamos nuevamente el método, la solución
puede ser más precisa, entonces se dice que el sistema converge, pero si al
aplicar el método reiteradas veces la solución tiene un error (ya explicaremos
como se calcula este error) cada vez mayor se dice que el sistema no
converge y no se puede resolver el sistema de ecuaciones por este método.
Bien proseguiré con la explicación del método y luego aclararé los detalles
necesarios para determinar la eficacia del mismo.
Teniendo el siguiente sistema de ecuaciones:
Despejamos x1 de la ecuación 1, x2 de la ecuación 2,…, xn de la ecuación n,

quedando:

Desde la formula anterior resultan las fórmulas que se deberán ir aplicando en
las diferentes iteraciones. Para comenzar a aplicar el método debemos
asignar un valor arbitrario a las variables x 2,…xn con el fin de obtener x1. Lo
más conveniente en este caso es que los valores comiencen en cero, lo cual
nos facilitaría el trabajo ya que se reduce el cálculo de las primeras
soluciones, entonces de esto resulta que:
Ahora despejamos x2 de la ecuación 2 y reemplazamos a x1 por el valor

obtenido en la ecuación anterior. De esto nos queda:
Una vez que tenemos x2, despejamos x3 de la ecuación 3 y así sucesivamente

con las n ecuaciones, cada vez asignando el valor de las x 1, x2,… xn-1 obtenido
en el paso anterior.
Cuando hemos despejado las xn, tenemos lo que se conoce como primera
solución o solución de la primera iteración:
Con los nuevos valores de x1, x2,…,xn aplicamos los mismos pasos anteriores
pero con los nuevos valores de las xn, de esta manera conseguimos una
segunda solución:

Al tener esta segunda solución estamos en condiciones de calcular el error
que se calcula como sigue:
Así, repetimos el método tantas veces hasta que el error sea muy pequeño o
los suficientemente aceptable.
Ahora solo queda mencionar que para que un sistema sea convergente se
debe cumplir que la matriz de coeficientes sea diagonalmente dominante, y
para ello se debe verificar la siguiente expresión:
Si no se cumple esa condición, se puede permutar las filas de la matriz, con el

fin de poder convertirla en una diagonalmente dominante.
Ejemplo 12
Usar el método de Gauss-Seidel para aproximar la solución del sistema
propuesto en el ejemplo 10:
5 x+ 2 y =1
x−4 y=0
Solución

Debemos en primer lugar despejar de la ecuación la incógnita
correspondiente.
x = 0.20 + 0.00 x − 0.40 y

y = 0.00 + 0.25 x + 0.00 y
Aplicamos la primera iteración partiendo de x0 = 1.00 y y0 = 2.00:
x1 = 0.20 + 0.00 (+1.000) − 0.40 (2.00) = −0.600

y1 = 0.00 + 0.25 (−0.600) + 0.00 (2.00) = −0.15
Aplicamos la segunda iteración partiendo de x1 = −0.600 y y1 = −0.15:
x2 = 0.20 + 0.00 (−0.600) − 0.40 (−0.15) = 0.26

y2 = 0.00 + 0.25 (0.26) + 0.00 (−0.15) = 0.065
Aplicamos la tercera iteración partiendo de x2 = 0.26 y y2 = 0.065:
x2 = 0.20 + 0.00 (0.26) − 0.40 (0.065) = 0.174

y2 = 0.00 + 0.25 (0.174) + 0.00 (0.174) = 0.0435
x =0.174
y=0.0435
Como se puede observar con el método de Gauss Seidel se redujeron el

número de iteraciones con respecto al método de Jacobi.
FUENTES DE INFORMACIÓN
 http://personal.redestb.es/ztt/tem/t6_matrices.htm
 http://www.ditutor.com/matrices/suma_matrices.html
 http://www.monografias.com/trabajos72/resolucion-sistemas-metodo-gauss-
jordan/resolucion-sistemas-metodo-gauss-jordan.shtml
 http://www.geronet.com.ar/?p=6
 http://www.sectormatematica.cl/media/NM3/DETERMINANTES.doc
 http://www.fain.uncoma.edu.ar/catedraMetodos/teoria/MC2_Cap1.doc


Metodos para La Solucion de Sistemas de Ecuaciones Lineales

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Metodos para La Solucion de Sistemas de Ecuaciones Lineales

Uploaded by

Copyright:

Available Formats

METODOS PARA LA SOLUCION DE SISTEMAS DE ECUACIONES LINEALES

VIVIANA MARCELA BAYONA CÁRDENAS

UNIVERSIDAD INDUSTRIAL DE SANTANDER

UNIVERSIDAD INDUSTRIAL DE SANTANDER

Una matriz es un conjunto de elementos de cualquier naturaleza aunque, en general,

Se llama matriz de orden "n × m" a un conjunto rectangular de elementos aij

Cuando nos referimos indistintamente a filas o columnas hablamos de líneas.

1.1 Matriz simétrica: Es aquella matriz cuadrada en donde los valores de

UNIVERSIDAD INDUSTRIAL DE SANTANDER

Esta notación es útil para resolver sistemas de ecuaciones lineales

UNIVERSIDAD INDUSTRIAL DE SANTANDER

2. Operaciones entre matrices

UNIVERSIDAD INDUSTRIAL DE SANTANDER

Propiedades de la suma de matrices

La suma de dos matrices de orden m x n es otra matriz dimensión m x n.

Donde O es la matriz nula de la misma dimensión que la matriz A.

La matriz opuesta es aquella en que todos los elementos están cambiados

Dadas dos matrices A y B, tales que el número de columnas de la

A=(a ij )m ×n y B=( aij )n × p

La multiplicación de A por B, que se denota A·B, A×B o simplemente

UNIVERSIDAD INDUSTRIAL DE SANTANDER

( 1∗1+ 2∗4 ) ( 1∗2+2∗5 ) ( 1∗3+2∗6 )

El determinante de una matriz A(n,n), es un escalar o polinomio, que resulta

UNIVERSIDAD INDUSTRIAL DE SANTANDER

A continuación vamos a ver una de las formas de obtener el determinante

Siendo n igual al número de columnas, y Aij es el resultado de eliminar la

Calcular el determinante de la siguiente matriz:

Operando el algoritmo anterior, y teniendo en cuenta que i es siempre 1,

Paso 1: a11=1. al eliminar la fila 1 y columna 1 de la matriz obtenemos

Paso 2: a12=3 mientras la eliminación de la fila 1 y columna 2 da como

A= 1 3 =1|4|(−1 )2+ 3|6|(−1 )3=−14

UNIVERSIDAD INDUSTRIAL DE SANTANDER

Un grupo de ecuaciones forman un sistema cuando lo que pretendemos de ellas es

Se llama solución de un sistema de ecuaciones a la solución común de ambas.

A n sistemas de ecuaciones se les llama equivalentes cuando tienen la misma solución.

Número de soluciones de un sistema lineal.

 Sistemas sin solución.

Hay sistemas cuyas ecuaciones dicen cosas contradictorias. Por ejemplo:

Así sacamos la conclusión de que el sistema no tiene soluciones comunes y

 Sistemas con infinitas soluciones.

UNIVERSIDAD INDUSTRIAL DE SANTANDER

En este caso el sistema se llamará compatible determinado, porque tiene