Universidad de Sucre & Departamento de Matemáticas

Métodos numéricos, semestre 01 -2023

Métodos directos para la solución de sistemas 𝑨𝑿 = 𝒃, 𝑨 − invertible

Son pocos los sistemas ecuaciones, 𝐴𝑋 = 𝑏 , (𝑛 ≤ 4), que pueden resolverse con rapidez mediante
técnicas simples. Sin embargo, con cinco o más ecuaciones, la solución se vuelve laboriosa y se
prefiere el uso una computadora. Históricamente, la incapacidad para resolver a mano los sistemas
de ecuaciones más grandes ha limitado la solución de problemas de las ciencias y la ingeniería, que
se expresan mediante sistemas de ecuaciones lineales.

Ejemplo 1. La distribución de temperatura de estado estable en una placa caliente está modelada por
la ecuación de Laplace. Si se representa la placa por una serie de nodos (imagen 1), la ecuación
diferencial puede cambiarse por sistema de ecuaciones lineales, cuyas dimensiones dependen del
número de nodos elegidos sobre la placa.

Para el caso en que 𝑛 = 𝑚 = 3, ∆𝑥 = ∆𝑦, y temperaturas fijas en los bordes, como las mostrada
en la imagen 2, se obtiene el siguiente sistema de ecuaciones lineales:

𝑇𝑖−1,𝑗 −2𝑇𝑖,𝑗 + 𝑇𝑖+1,𝑗 + 𝑇𝑖,𝑗−1 − 2𝑇𝑖,𝑗 +𝑇𝑖,𝑗+1 = 0, 𝑖 = 𝑗 = 1,2,3

Por ejemplo, si: 𝑖 = 𝑗 = 1, 𝑇0,1 −2𝑇1,1 + 𝑇2,1 + 𝑇1,0 − 2𝑇1,1 +𝑇1,2 = 0

75−4𝑇1,1 + 𝑇2,1 + 𝑇1,2 = 0 ↔ 4𝑇1,1 − 𝑇2,1 − 𝑇1,2 = 75

4𝑇1,1 − 𝑇2,1 + 0𝑇3,1 − 𝑇1,2 + 0𝑇2,2 + 0𝑇3,2 + 0𝑇1,3 + 0𝑇2,3 + 0𝑇3,3 = 75

Imagen 2.
Sistemas de ecuaciones lineales consistentes determinados

Teorema de Rouché-Frobenius: La condición necesaria y suficiente para que un sistema

de 𝑚 ecuaciones lineales con 𝑛 incógnitas sea compatible es que el rango de la matriz de los
coeficientes de las incógnitas (𝐴) sea igual al rango de la matriz ampliada con los términos
independientes (𝐴∗ ); es decir: rango (𝐴) = rango (𝐴∗ ).

Si el valor común de los rangos coincide con el número de incógnitas, el sistema es compatible
determinado. Si, por el contrario, el valor de los rangos es menor que el número de incógnitas el
sistema es compatible indeterminado. En resumen:

 Si rango (𝐴) = rango (𝐴∗ ) = 𝑛 (número de incógnitas), el sistema es compatible determinado

(tiene una única solución).
 Si rango (𝐴) = rango (𝐴∗ ) < 𝑛 (número de incógnitas), el sistema es compatible
indeterminado (tiene infinitas soluciones).
 Si rango (𝐴) ≠ rango (𝐴∗ ), el sistema es incompatible (no tiene solución).

El teorema establece que para que un sistema de ecuaciones lineales sea compatible es condición
necesaria y suficiente que la matriz formada por los coeficientes junto con la ampliada por los términos
independientes posea el mismo rango. Por lo demás, el sistema constituido será determinado si su
rango coincide con el número de incógnitas ó será indeterminado si posee un valor menor a tal
número.

Ejemplo 2 Consideremos el siguiente sistema de ecuaciones lineales

1𝑥1 + 2𝑥2 + 3𝑥3 + 4𝑥4 =1

6𝑥1 + 7𝑥2 + 8𝑥3 + 9𝑥4 =2
1𝑥1 − 2𝑥2 − 3𝑥3 − 4𝑥4 =3
1𝑥1 + 2𝑥2 − 3𝑥3 + 5𝑥4 =4

1 2 3 4 1 2 3 4 1
6 7 8 9 [𝐴|𝑏] 6 7 8 9 2
𝐴=[ ]; =[ ]
1 −2−3−4 1 −2−3−4 3
1 −2−3 5 1 −2−3 5 4

como rank(A) = rank([𝐴|𝑏]) = n = 4, de acuerdo con el teorema de Rouché-Frobenius, el

sistema tiene solución única, es decir es compatible determinado.

Definiciónes: Forma escalonada reducida por renglones y pivote

Una matriz se encuentra en la forma escalonada reducida por renglones si se cumplen las siguientes
condiciones:

 Todos los renglones (si los hay) cuyos elementos son todos cero aparecen en la parte inferior
de la matriz.
  El primer número diferente de cero (comenzando por la izquierda) en cualquier renglón cuyos
elementos no todos son cero es 1.
 Si dos renglones sucesivos tienen elementos distintos de cero, entonces el primer 1 en el
renglón de abajo está más hacia la derecha que el primer 1 en el renglón de arriba.
 Cualquier columna que contiene el primer 1 en un renglón tiene ceros en el resto de sus
elementos. El primer número diferente de cero en un renglón (si lo hay) se llama pivote para
ese renglón.

1 2 0 5 1 0 0 0 1 1 0 0
0 1 3 0 0 1 0 0 0 1 0 0
𝐴=[ ]; 𝐵 = [ ]; 𝐶 = [ ]
0 0 1 4 0 0 1 0 0 2 0 0
0 0 0 0 0 0 0 0 0 0 0 0

Se dice que una matriz que tiene las tres primeras propiedades está en forma escalonada, por ejemplo,
la matriz 𝐴; por tanto toda matriz en forma escalonada reducida, (𝐵), está necesariamente en forma
escalonada, pero no a la inversa.
1. Métodos directos del Algebra lineal para sistemas 𝑨𝑿 = 𝒃

1.1 Eliminación de Gauss: se reduce por renglón la matriz de coeficientes a la forma escalonada por
renglones, se despeja el valor de la última incógnita y después se usa la sustitución hacia atrás
para las demás incógnitas.

Programa para los algoritmos: Solución de sistemas con A triangular y Eliminación de Gauss
1.2 Método eliminación de Gauss-Jordan: se reduce por renglón la matriz de coeficientes a la forma
escalonada reducida por renglones.

1.3 Dificultades en los métodos de eliminación: algunas dificultades que se deben analizar, antes de
escribir un programa de cómputo general donde se implemente el método.

 División por cero: durante las fases de eliminación y sustitución hacia atrás es posible que
ocurra una división entre cero. También se pueden presentar problemas cuando un coeficiente
está muy cercano a cero.
 Errores de redondeo: el problema de los errores de redondeo llega a volverse particularmente
importante cuando se trata de resolver un gran número de ecuaciones. Esto se debe al hecho
de que cada resultado depende del anterior. Por consiguiente, un error en los primeros pasos
tiende a propagarse, es decir a causar errores en los siguientes pasos.
 Sistemas mal condicionados: los sistemas bien condicionados son aquellos en los que un
pequeño cambio en uno o más coeficientes provoca un cambio similarmente pequeño en la
solución. Los sistemas mal condicionados son aquellos en donde pequeños cambios en los
coeficientes generan grandes cambios en la solución. Debido a que los errores de redondeo
llegan a provocar pequeños cambios en los coeficientes, estos cambios artificiales pueden
generar grandes errores en la solución de sistemas mal condicionados.
Ejemplo 3 Un sistema 𝐴𝑋 = 𝑏 mal condicionado

1.3 Número de condición de una matriz, 𝑐𝑜𝑛𝑑𝐴 = ‖𝐴‖ ∗ ‖𝐴−1 ‖, donde ‖𝐴‖ = ‖𝐴‖∞ =
𝑚á𝑥 ∑𝑛𝑗=1 |𝑎𝑖𝑗 |, norma infinita de una matriz. Un sistema 𝐴𝑋 = 𝑏, está mal condicionado si
condA ≫ 1

En Octave la norma infinita de una matriz se calcula mediante norm(A,%inf), por lo que el número de
condición, se obtiene mediante, condA = 𝑛𝑜𝑟𝑚(𝐴, inf) ∗ (inv(A), inf)

Ejemplo 4: la matriz de coeficientes del sistema anterior tiene un numero de condición, cond𝐴 =
‖𝐴‖ ∗ ‖𝐴−1 ‖ = 23 ∗ 33.3076923077 = 766.076923077 ≫ 1, sistema mal condicionado,
muy perturbable por errores de redondeo en los coeficientes.

Ejemplo 5 P 12.13 Un ingeniero civil que trabaja en la construcción requiere 4800, 5800 y 5700 m3
de arena, grava fina, y grava gruesa, respectivamente, para cierto proyecto constructivo. Hay tres
canteras de las que puede obtenerse dichos materiales. La composición de dichas canteras es la que
sigue

¿Cuántos metros cúbicos deben extraerse de cada cantera a fin de satisfacer las necesidades del
proyecto constructivo?

Solución: sean 𝑥1 : la cantidad de material que extrae de la cantera 1, 𝑥2 : la cantidad de material que
extrae de la cantera 2 y 𝑥3 : la cantidad de material que extrae de la cantera 3. Entonces se tienen las
siguientes ecuaciones

0.55𝑥1 + 0.25𝑥2 + 0.25𝑥3 = 4800

0.30𝑥1 + 0.45𝑥2 + 0.20𝑥3 = 5800
 0.15𝑥1 + 0.30𝑥2 + 0.55𝑥3 = 5700

¿Tiene solución única?, rank(A) = rank([𝐴|𝑏]) = n = 3. De acuerdo con el teorema de Rouché-

Frobenius, el sistema 𝐴𝑋 = 𝑏, tiene solución única.

Como resolveremos el sistema mediante un algoritmo implementado en una computadora, y ésta

puede modificar los datos de entrada, revisaremos la sensibilidad de la matriz de coeficientes mediante
condA.

condA = ‖𝐴‖ ∗ ‖𝐴−1 ‖ = 1.05 ∗ 5.8 = 6.09 >1.

Utilizando la función \ de Octave, se obtiene, 𝑋 = 𝐴\𝑏

𝑋 = [2416.66666667 9193.3333333 4690.000000000]′

Al modificar el coeficiente 𝑎11 = 0.55, por 𝑎11 = 0.60, se obtiene:

𝑋 = [2148.14814815 9386.66666667 4657.77777778]′

1.4 Solución de 𝑨𝑿 = 𝒃, mediante factorización matricial

Factorización triangular, 𝑳𝑼, es notable lo fácil que es resolver un sistema de ecuaciones triangular
superior. Ahora estudiaremos el concepto de factorización triangular de una matriz y lo conveniente
de resolver un sistema 𝐴𝑋 = 𝑏, escribiendo la matriz 𝐴 como el producto de una matriz triangular
inferior 𝐿, cuyos elementos en la diagonal principal son todos iguales a 1, por una matriz triangular
superior 𝑈, cuyos elementos diagonales son distintos de cero.

Definición 1. Diremos que una matriz invertible 𝐴 admite una factorización triangular o factorización
𝑳𝑼 si puede expresarse como el producto de una matriz triangular inferior 𝐿, cuyos elementos
diagonales son todos iguales a 1, por una matriz triangular 𝑈:

𝑨 = 𝑳𝑼

Teorema: Si 𝐴 es una matriz cuadrada que puede reducirse a la forma escalonada sin usar
intercambios de renglón, entonces 𝐴 tiene una factorización 𝐿𝑈.

Solución de un sistema 𝑨𝑿 = 𝒃

Supongamos que la matriz de coeficientes 𝐴 de un sistema lineal 𝐴𝑋 = 𝑏 admite una factorización

triangular 𝐴 = 𝐿𝑈, entonces la solución de

𝑨𝑿 = 𝒃 ↔ (𝑳𝑼)𝑿 = 𝑳(𝑼𝑿) = 𝒃

Puede obtenerse definiendo 𝒀 = 𝑼𝑿 y resolviendo dos sistemas lineales:

Primero se halla 𝒀 en 𝑳𝒀 = 𝒃 y luego 𝑿 en 𝑼𝑿 = 𝒀

Es decir, primero debemos resolver el sistema triangular inferior, (mediante sustitución progresiva),
con lo que se obtiene 𝒀, seguidamente procedemos a obtener 𝑿, resolviendo un sistema triangular
superior, (mediante sustitución regresiva).

Ejemplo 1 Determinar la solución de cada uno de los siguientes sistemas, representados

matricialmente

4 3 −1 1 4 3 −1 4
𝐴 = [−2 −4 5 ], 𝑏1 = [2] y 𝐴 = [−2 −4 5 ], 𝑏2 = [5]
1 2 6 3 1 2 6 6

1 0 0 4 3 −1
Factorización 𝐴 = 𝐿𝑈 = [−0.5 1 0] [0 −2.5 4.5]
0.25 0 1 0 0 8.5

1 0 0 𝑦1 1 𝑦1 1
Resolvemos 𝑳𝒀 = 𝒃𝟏 ↔ [−0.5 1 0] [𝑦2 ] = [2], cuya solución es 𝑌 = [𝑦2 ] = [2.5]
0.25 0 1 𝑦3 3 𝑦3 4
4 3 −1 𝑥1 1
Ahora resolvemos, 𝑼𝑿 = 𝒀 ↔ [0 −2.5 4.5] [𝑥2 ] = [2.5], cuya solución es
0 0 8.5 𝑥3 4
𝑥1 0.48235294118
𝑿 = [𝑥2 ] = [−0.15294117647]
𝑥3 0.47058823529

Para el sistema 2, se procede de modo similar

1 0 0 𝑦1 4 𝑦1 4
Resolvemos 𝑳𝒀 = 𝒃𝟐 ↔ [−0.5 1 0] [𝑦2 ] = [5], cuya solución es 𝑌 = [𝑦2 ] = [ 7 ]
0.25 0 1 𝑦3 6 𝑦3 8.5

4 3 −1 𝑥1 4 𝑥1 2
Ahora resolvemos, 𝑼𝑿 = 𝒀 ↔ [0 −2.5 4.5] [𝑥2 ] = [ 7 ], cuya solución es 𝑿 = [𝑥2 ] = [−1]
0 0 8.5 𝑥3 8.5 𝑥3 1

Entonces si debemos resolver varios sistemas que tienen la misma matriz de coeficientes 𝐴 pero
diferentes columnas 𝑏 de términos independientes, no es necesario hacer la factorización cada vez;
basta con hacerla la primera vez y almacenar los factores. Esta es la razón por la que se suele elegir
el método de factorización triangular antes que el método de eliminación de Gauss.
Ejemplo 2: problema 12.8, S. Chapra and Canales

Solución:

𝐚. A = LU, inv(A) = inv(LU) = inv(U) ∗ inv(L)

b. Carga de contaminante en el embalse Powell para que la concentración de cloruros en el embalse
Havasu disminuya a 75

c. Dígitos sospechosos: 𝑡 = 3, 𝑐𝑜𝑛𝑑𝐴 = 10𝑐 , 𝑡 − 𝑐 = 3 − log 10 (condA) ≈ 2.Dígitos sospechosos, 1.

Bibliografía

1. Steven C. Chapra, Raymond P. Canales. Métodos numéricos para ingenieros. Edición 7ma., editorial
Mc.Graw Hill.
2. John H. Mathews, Kurtis D. Fink. Métodos Numéricos con Matlab. Edición 3ra., editorial Prentice-Hall.
3. Teorema Rouche-Frobenius: https://www.youtube.com/watch?v=JnutYsGpKIE