Sistemas Lineales

1. Introducción
Uno de los problemas fundamentales del análisis numérico de matrices es
la solución de sistemas lineales. Dada una matriz A de orden n×n y un vector
b, se desea encontrar un vector x solución de la ecuación Ax = b donde:
     
a11 a12 . . . a1n b1 x1

 a21 a22 . . . a2n 


 b2 


 x2 

A= .. .. .. .. 
 b =  .. x = .. 

 . . . .  
 .



 .


an1 an2 . . . ann bn xn

Otra forma de representar el problema anterior es:

a11 x1 + a12 x2 + . . . + a1n xn = b1

a21 x1 + a22 x2 + . . . + a2n xn = b2
..
.
an1 x1 + an2 x2 + . . . + ann xn = bn

Existen dos tipos de métodos para la solución de este problema:

Métodos Directos que nos entregan una solución exacta.

Métodos Iterativos que nos entregan una solución aproximada

1
2. Métodos Directos
2.1. Método de Gauss
El método de Gauss o tambien llamado Elimiación Gaussiana es por uste-
des bien conocido. Este método fué estudiado en el curso de Algebra Lineal.

Definicion: Una matriz An×n es triangular superior aij = 0 ∀i > j y es

triangular inferior si aij = 0 ∀j > i, es decir:
 
a11 a12 a13 . . . a1n
0 a22 a23 . . . a2n 
 

 

 0 0 a33 . . . a1n 

 .. .. .. .. .. 

 . . . . .  
0 0 0 . . . ann
Es una matriz triangular superior.
 
a11 0 0 ... 0
a21 a22 0 ... 0
 
 
 

 a31 a32 a33 ... 0 

 .. .. .. .. .. 

 . . . . . 

an1 an2 an3 . . . ann
Es una matriz triangular inferior.

Podemos observar que un sistema lineal donde su matriz es triangular es

mucho mas fácil de resolver a traves de sustituciones recursivas, es decir.
a11 x1 + a12 x2 + . . . + a1n xn = b1
a22 x2 + . . . + a2n xn = b2
Ax = b ↔ .. .. ..
. . .
ann xn = bn
Cuya solución se puede obtener mediante:
bn
xn =
ann
bn−1 − an−1n xn
xn−1 =
an−1

2
 ..
.
b1 − a12 x2 − . . . − a1n xn
x1 =
a11

La idea del método de Gauss es transformar el sistema original Ax = b en

un sistema A∗ x = b∗ donde A∗ sea una matriz triangular superior o inferior.
Esto es posible usando las operaciones elementales sobre matrices dadas por:

- Multiplicación de filas por una constante.

- Cambio de Fila.
- Suma de filas.

Este proceso de triangular la matriz original consiste en tomar los elementos

de la diagonal y hacer ceros bajo estos usando las operaciones elementales.
Los elementos de la diagonal son llamados Pivot.
 
a11 a12 . . . a1n b1 a11 pivot

 a21 a22 . . . a2n b2 

F2 = F2 − aa21
11
F1
a31
 

 a31 a32 . . . a3n b3  F3 = F3 − a11 F1

 .. ..  ..

 . . 
 .
an1 an2 . . . ann bn Fn = Fn − aan1
11
F1

(2)
 (2) (2) (2) (2)
 a22 pivot
a11 a12 . . . a1n b1
 (2) (2) (2) 

 0 a22 . . . a2n b2   (2)
a32

0
(2) (2) (2) 
a32 . . . a3n b3  F 3 = F3 − (2) F2
 a22
.. ..  ..
 


 . .  .
(2) (2)
(2) (2) a
0 an2 . . . ann bn Fn = Fn − n2 (2) F1
a22

Se repite el proceso n − 1 veces hasta obtener una matriz triangular superior

como la siguiente:
 
(n−1) (n−1) (n−1) (n−1)
a11 a12 . . . a1n b1
(n−1) (n−1) (n−1)
 

 0 a22 . . . a2n b2 

 (n−1) (n−1) 

 0 0 . . . a3n b3 

 .. .. 

 . . 

(n−1) (n−1)
0 0 . . . ann bn

3
 Existe un problema cuando el pivot tiende a cero, ya que la solución de
la ecuación Ax = b no es buena. Para solucionar lo anterior existen dos
estrategias:
(k)
Estrategı́a del Pivot Parcial: El pivot es cualquier elemento aik con
k ≤ i ≤ n tal que:
(k) (k)
|aik | = máx |apk |
k≤p≤n

(El máximo valor bajo la diagonal)

Estrategı́a del Pivot Total: El pivot en este caso es cualquier akik con
k ≤ i, j ≤ n tal que:
(k)
|aik | = máx |a(k)
pq |
k≤p,q≤n

(Busca el máximo de toda la submatriz)

2.2. Método de Descomposición LU

El objetivo de este método es simplificar matricialmente la ecuación Ax =
b Para esto debemos descomponer la matriz A en la forma:
A = LU
Donde L es una matriz triangular inferior y U es una matriz triangular
superior, es decir:
   
l11 0 ... 0 u11 u12 . . . u1n

 l21 l22 ... 0 


 0 u22 . . . u2n 

L= .. .. .. ..  U = .. .. .. . 

 . . . .



 . . . .. 

ln1 ln2 . . . lnn 0 0 . . . unn
El procedimiento para resolver una ecuación matricial utilizando el método
LU es el siguiente:
Ax = b ⇐⇒ LU x = b
Si se realiza la sustitución y = U x obtenemos la nueva ecuación:
Ly = b
El cual es un sistema triangular inferior, es muy fácil de resolver y obtener
y. Luego resolvemos el sistema:
Ux = y

4
Obteniendo finalmente el vector x solución del sistema.

En general la descomposición LU no es única. El criterio de unicidad lo

entrega el siguiente teorema:

Teorema: Sea A = (aij ) una matriz n × n tal que:

 
a11 . . . a1k




|∆k | = ... . . . ...
 



 6= 0 ∀k = 1, 2, ..., n
ak1 . . . akk
 
 

⇒ ∃! L = (lij ) con lii = 1 1 ≤ i ≤ n y U tal que A = LU .

Es decir, la diagonal de la matriz L sólo contiene unos.

Ejemplo: Resolver el sistema siguiente

2x1 + 3x2 + 4x3 = 6
4x1 + 5x2 + 10x3 = 16
4x1 + 8x2 + 2xn = 2

Lo primero es escribir el problema anterior en su forma matricial obteniendo:

    
2 3 4 x1 6
 4 5 10   x2  =  16 
    

4 8 2 x3 2
Ahora debemos encontrar las matrices L y U . Recuerde la condición impuesta
por el teorema anterior para garantizar la unicidad. También puede visualizar
que la primera fila de la matriz U es siempre igual a la primera fila de la matriz
A.     
2 3 4 1 0 0 2 3 4
 4 5 10  =  l21 1 0   0 u22 u23 
    

4 8 2 l31 l32 1 0 0 u33

Se puede resolver las incognitas faltantes por simple inspección o multiplican-
do L y U e igualando cada componenete con los de la matriz A. Obteniendo:
  
1 0 0 2 3 4
A =  2 1 0   0 −1 2 
  

2 −2 1 0 0 −2

5
Al resolver primero el sistema Ly = b tenemos:
    
1 0 0 y1 6
 2 1 0   y2  =  16 
    

2 −2 1 y3 2
Obtenemos que:    
y1 6
 y2  =  4 
   

y3 −2
Ahora debemos resolver el sistema U x = y.
    
2 3 4 x1 6
 0 −1 2   x2  =  4 
    

0 0 −2 x3 −2
Obteniendo finalmente la solución del problema, donde:
   
x1 4
 x2  =  −2 
   

x3 1

Observación: Si la matriz A es simétrica y definida positiva entonces pode-

mos descomponer la matriz A de la forma:

A = GGT

Donde G es triangular inferior. Una matriz A es definida positiva si xAx > 0

y si los valores propios de A son mayores que cero. Este método es tambien
llamado Método de Cholesky.

3. Métodos Iterativos
La idea es utilizar el método del punto fijo visto en el capitulo anterior
para buscar las raices de la ecuación AX = b donde A = An×n , X = Xn×1 y
b = bn×1 .
En este caso consideraremos la función de iteración dada por:

g(X) = BX + C

6
En su forma matricial, donde B = Bn×n es llamada la matriz de iteración
determinada por los distintos métodos de iteración, X = Xn×1 es el vector
solución y C = Cn×1 también depende el método iterativo utilizado.
En este caso se comienza de una aproximación X (0) y se genera una sucesión
de aproximaciones de la siguiente forma:

X (1) = g(x(0) ) = BX (0) + C

X (2) = g(x(1) ) = BX (1) + C

..
.
X (k+1) = g(x(k) ) = BX (k) + C
El criterio de detención es:

d(X (k+1) , X (k) ) < ξ

Definición: Norma de Matrices

Sea Mn×n (R) el espacio vectorial de las matrices de n por n con coeficientes
reales, podemos definir la norma de una matriz como una función denotada
por || · || : Mn×n (R) −→ R+
0 tal que:

1. ||A|| > 0 ∀A ∈ Mn×n (R) y ||A|| = 0 ⇔ A = 0.

2. ||αA|| = |α| ||A||
3. ||A + B|| ≤ ||A|| + ||B||
4. ||AB|| ≤ ||A|| ||B||

Las normas utilizadas en el curso son las siguientes:

Norma 1: n
X
||A||1 = máx |aij |
1≤j≤n
i=1

Norma ∞: n
X
||A||∞ = máx |aij |
1≤i≤n
j=1

7
 Norma Euclidiana: v
u n X
n
uX
||A||E = t (a2 ij )
i=1 j=1

Ejemplo: Calcular las normas 1, ∞ y E de la matriz

 
1 −2 3
A =  −4 5 −6 
 

7 −8 9

La norma 1 representa a la columna cuya suma de sus componentes en valor

absoluto sea mayor, entonces ||A||1 = 18. La norma infinito representa a la
fila cuya suma de sus componentes en valor absoluto sea mayor, entonces
||A||∞ = 24. Y la norma euclidianda es la raiz de la suma de los cuadrados
de cada elemento
√ de la matriz A, encontes
||A||E = 12 + 22 + 32 + 42 + 52 + 62 + 72 + 82 + 92 ≈ 16,88.

Definición: El radio espectral de una matriz A ∈ Mn×n (R) está definido

por:
ρ(A) = máx {|λi |}
1≤i≤n

Donde los |λi | es un valor propio de A.

Observación: Los valores propios λi se calculan:

det(A − λI) = 0

Teorema: Un método iterativo de la forma:

X (k+1) = BX (k) + C

Converge si se cumple que:

ρ(B) < 1 ∨ ||B|| < 1

A continación describimos los dos métodos más importantes para la resolu-

ción de sistemas lineales.

8
3.1. Método de Jacobi
Queremos resolver el sistema lineal dado por AX = b (1). Podemos
descomponer la matriz A de la siguiente forma:

A=D−E−F (2)

Donde D es una matriz diagonal, E es una matriz triangular inferior estricta

y F es una matriz triangular superior estricta.

Al reemplazar (2) en el sistema (1) nos queda:

[D − (E + F )]X = b

DX − (E + F )X = b
DX = (E + F )X + b
Despejando la X de la izquierda tenemos:+

DX = (E + F )X + b /D−1

X = D−1 (E + F )X + D−1 b
Obteniendo una función de la forma X = BX + C donde:

B = D−1 (E + F ) ∧ C = D−1 b

La matriz D−1 (E + F ) es llamada matriz de iteración de Jacobi y se denota

por J.

3.2. Método de Gauss-Seidel

Queremos resolver tambien el sistema AX = b usando la misma descom-
posición que en el método de Jacobi de la matriz A, es decir:

A=D−E−F

Para deducir el método de Gauss-Seidel debemos proceder de la siguiente

manera:
[(D − E) − F )]X = b
(D − L)X − F X = b

9
 (D − L)X = F X + b
Despejando:
X = (D − L)−1 F X + (D − L)−1 b
Donde:
B = (D − L)−1 F ∧ C = (D − L)−1 b
La matriz (D−L)−1 F es llamada matriz de iteración Gauss-Seidel y se denota
por Gs .

3.3. Convergencia de los métodos de Jacobi y Gauss-

Seidel
Como enunciamos en el último teorema para garantizar la convergecia de
los metodos de Jacobi y Gauss-Seidel es necesario verificar que:

ρ(J) < 1 ∨ ||J|| < 1

ρ(Gs ) < 1 ∨ ||Gs || < 1

Teorema: El método de Jacobi y Gauss-Seidel converge a la solución
del sistema si la matriz A del sistema Ax = b es estrictamente diagonal
dominante, es decir:
n
X
|aii | > |aij |
j=1j6=i

Teorema: Sea el sistema lineal Ax = b. Si A es una matriz tridiagonal, es

decir, la forma siguiente:
 
a11 a12 0 ... ... 0

.. .. 

 a21 a22 a23 . .



... .. 
0 a32 a33 a34 .
 
 
..
 
 ... ... 

 . a43 a44 0  
 .. .. .. .. 

 . . . . an−1n 

0 . . . . . . 0 ann−1 ann

Entonces se cumple que:

ρ(Gs ) = ρ2 (J)

10
El método es más rápido cuando ρ(B) → 0

Teorema: Sea el sistema dado por Ax = b, si A es una matriz simétrica

y definida positiva, entonces el método de Gauss-Seidel converge.

Ejemplo Integrador: Resuela el sistema lineal

    
10 3 1 x 14
 2 −10 3   y  =  −5 
    

1 3 10 z 14
Usando el método de Jacobi (3 iteraciones). Previamente analice convergen-
cia.

Para analizar la convergencia debemos comprobar si la matriz A es estric-

tamente dominante. Para ello debemos comprobar que el elemento de la
diagonal en valor absoluto es mayor que la suma del resto los elementos de
las filas en valor absoluto. Para nuestra matriz vemos claramente que el val-
or de la diagonal 10 es mayor que los 4 en la primera fila, 5 en la segunda
fila y 4 en la tercera fila, por lo tanto A es E.D.D. y el método de Jacobi y
Gauss-Seidel convergen.

Luego se debe escribir la matriz A = D − E − F .

       
10 3 1 10 0 0 0 0 0 0 −3 −1
 2 −10 3  =  0 −10 0  −  −2 0 0  −  0 0 −3 
       

1 3 10 0 0 10 −1 −3 0 0 0 0
Lo siguiente es calcular la inversa de la matriz D.
 
0,1 0 0
D−1  0 −0,1
= 0  
0 0 −0,1
La matriz de Jacobi será:
 
0 −0,3 −0,1
−1
J = D (E + F ) =  0,2 0 0,3 


−0,1 −0,3 0
Aunque ya está demostrada la convergencia, se demostrará usando el espec-
tro de la matriz de Jacobi para ejemplificar su uso (para este problema ya

11
no es necesario, si la matriz no fuese E.D.D si se debe realizar)

Ahora se deben encontrar los valores propios de la matriz J, los cuales sat-
isfacen la siguiente ecuacón:

|J − λI| = 0
 

 −λ −0,3 −0,1 

 0,2 −λ 0,3  = 0
−0,1 −0,3 −λ 
 

     
 −λ 0,3   0,2 0,3   0,2 −λ 
−λ   + 0,3 

 − 0,1 
 
=0
−0,3 −λ   −0,1 −λ   −0,1 −0,3

 

200λ3 + 28λ − 3 = 0
Cuyas raices son:
1
λ1 =
10
√
1 59
λ2 = − + i
20 20
√
1 59
λ2 = − + i
20 20
Como tenemos dos raices complejas, se debe considerar su módulo como
posible candidato a ser el espectro de J, por lo tanto:
√ 
1 15

ρ(J) = máx ,
10 10
√
15
ρ(J) = ≈ 0,38 < 1
10
Por lo tanto el método de Jacobi converge (Ya lo sabiamos).

Para comenzar con las iteraciones debemos construir la ecuación en recur-

rencias correspondiente al método de Jacobi.

X (k+1) = JX (k) + D−1 b

12
Reemplazando:
   
0 −0,3 −0,1 1,4
X (k+1)
 (k) 
=  0,2 0 0,3  X +  0,5 


−0,1 −0,3 0 1,4

Para comenzar las iteraciones se necesita un vector de aproximaciones ini-

ciales X (0) , simpre se debe elegin un vector sencillo, en este caso utilizaremos:
 
0
X (0) = 0 
 

Al realizar las iteraciones tenemos:

   
0 −0,3 −0,1 1,4
X (1) =  0,2 0 (0)
 X +  0,5  =
0,3 
  

−0,1 −0,3 0 1,4

      
0 −0,3 −0,1 0 1,4 1,4
 0,2 0 0,3 
  0  +  0,5  =  0,5 
      

−0,1 −0,3 0 0 1,4 1,4

   
0 −0,3 −0,1 1,4
X (2)  0,2
= 0 0,3  (1)
 X +  0,5  =
 

−0,1 −0,3 0 1,4

      
0 −0,3 −0,1 1,4 1,4 1,11
 0,2 0 0,3   0,5  +  0,5  =  1,20 
     

−0,1 −0,3 0 1,4 1,4 1,11

   
0 −0,3 −0,1 1,4
X (3)
 (2) 
=  0,2 0 0,3  X +  0,5 
=


−0,1 −0,3 0 1,4

      
0 −0,3 −0,1 1,11 1,4 0,929
 0,2 0 0,3 
  1,20  +  0,5  =  1,055 
      

−0,1 −0,3 0 1,11 1,4 0,929

13
Por lo tanto la solucion encontrada es:
 
0,929
X ≈  1,055 
 

0,929

Nota: Para el método de Gauss-Seidel se debe realizar el mismo proced-

imiento.

4. Ejercicios Propuestos

1. Considerar el siguiente sistema lineal:

x + ay = 1
x+y+z = 1
by + z = 1

a. Determinar los valores de a y b para que el sistema tenga única solución.

b. Determinar los valores de a y b para que el método de Jacobi converga.
c. Determinar los valores de a y b para que la matriz sea simétrica. Para
esta matriz analizar la convergencia de los métodos de Jacobi, Gauss-Seidel
y Cholesky.

2. Sin encontrar la matriz la matriz Gs determinar si el método de Gauss-

Seidel es convergente para el siguiente sistema lineal:
10x − y = 9
−x + 10y − 2z = 7
−2y + 10z = 6

3. Considerar el siguiente sistema lineal:

14u1 − u2 = 2
−u1 + 14u2 − u3 = 6
−u2 + 4u3 = 2

14
a. Resolver por el método de LU.
b. Determinar la convergencia de los métodos de Jacobi y Gauss-Seidel, ade-
mas realizar 4 iteraciones.

4. Decidir si para los métodos de Jacobi y Gauss-Seidel hay convergencia

con la matriz:
 
1+c+d c d
A=

c 1+c+d 0 

d 0 1+c+d

Calcular los valores propios de las matrices J y Gs . ¿Qué se puede concluir

en este punto con respecto a la convergencia de estos parámetros?

5. Resuelva el sistema lineal Ax = b donde:

 
10 3 1
A =  2 −10 3 


1 3 10
 
14
b =  −5 


14
 
0
x(0) = 0 
 

0
a. Usando Jacobi. b. Usando Gauss-Seidel. c. Determine la tasa de conver-
gencia de cada método utilizando la norma 1 e ∞. Deducir cuan es más
rápido en su convergencia. (Considere ξ = 0,01)

6. Considerar el siguiente sistema lineal:

0,0001x + y = 1
x+y = 2

a. Resolver usando el método de eliminación gaussiana con pivot parcial y

total. ¿Qué se puede concluir?

15