Modulo 6

Prof. M.Angelica Vega U.

4. Sistemas de Ecuaciones Lineales.
4.1. Metodos directos
Estos metodos consisten en sustituir la matriz A por una sucesion de matrices elementales, de
manera que se obtiene un sistema sea mas facil de resolver.
4.1.1. Metodo de Gauss.
El metodo de eliminacion gaussiana es uno de los metodos directos clasico para resolver el sistema
Ax = b, consiste de dos etapas.
Etapa 1. Triangularizacion.
Para efectos de la operatoria, resulta mas simple, efectuar las operaciones sobre la matriz aumen-
tada

A en lugar de A.
El metodo consiste en obtener una sucesion de sistemas equivalentes
A
(k)
x = b
(k)
, (k = 1, 2, ... , n)
mediante operaciones elementales de la, tal que para cada k = 2, 3 , . . . , n.

A
(k)
=
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
a
(1)
11
a
(1)
12
. . . . . . . . . . . . a
(1)
1 n
.
.
. a
(1)
1 n+1
0 a
(2)
22
. . . . . . . . . . . . a
(2)
2n
.
.
. a
(2)
2 n+1
0 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . a
(k)
kk
a
(k)
k k+1
. . . a
(k)
k n
.
.
. a
(k)
k n+1
0 0 . . . a
(k)
k+1 k
a
(k)
k+1 k+1
. . . a
(k)
k+1 n
.
.
. a
(k)
k+1 n+1
.
.
.
.
.
. . . .
.
.
.
.
.
. . . .
.
.
.
.
.
.
0 0 . . . a
(k)
n k
a
(k)
n k+1
. . . a
(k)
n n
.
.
. a
(k)
n n+1
.
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
(35)
donde,
b
(k)
=
_
_
_
_
_
_
_
_
_
a
(1)
1 n+1
.
.
.
a
(k)
n n+1
.
.
.
a
(k)
n n+1
.
_
_
_
_
_
_
_
_
_
(36)
con
A
(1)
=

A ,
31

A
(k)
= (a
(k)
ij
) se obtiene de la siguiente manera:
a
(k)
ij
=
_

_
a
(k1)
ij
si, i = 1, 2, . . . k 1 ; j = 1, 2, . . . n + 1
0 si, i = k, k + 1, . . . n ; j = 1 . . . k 1 ,
a
(k1)
ij

a
(k1)
i k1
a
(k1)
k1 k1
a
(k1)
k1 j
sii = k, k + 1 . . . n ; j = k, k + 1 . . . n + 1 ..
(37)
El proceso termina cuando

A
(n)
es triangular superior, teniendose el sistema A
(n)
x = b
(n)
.
Notese que en esta etapa solo se obtiene una matriz triangular superior. En la etapa siguiente, se
resuelve el sistema.
Etapa 2. Retrosustitucion.
Resolvemos la n-esima ecuacion
x
n
=
a
(n)
n n+1
a
(n)
n n
.
Usando x
n
se puede despejar x
n1
de la n 1-ecuacion
x
n1
=
a
(n1)
n1 ,n+1
a
(n1)
n1 n
x
n
a
n1 n1
;
continuando con este proceso, se tiene que, para cada
i = n 1, n 2, . . . , 2, 1 ,
x
i
=
a
i
i ,n+1
a
i
i n
x
n
a
i
i n1
x
n1
a
i
i i+1
x
i+1
a
ii
=
a
i
i ,n+1

n
j=i+1
a
i
ij
x
j
a
ii
(38)
Nota 4.1 Denotaremos por :
m
i k
=
a
i k
a
k k
al n umero que produce un cero en la la i columna k, denominado multiplicador y a los elementos
a
i i
le llamaremos elementos pivotes.
Observemos que, a
(k)
i j
, se obtiene de :
a
(k)
i j
= a
(k1)
i j
m
k1
i k1
a
(k1)
k1 j
Actividades 4.1
i) Ejemplo 4.1 Use eliminacion de Gauss para resolver:
3x
1
0,1x
2
0,2x
3
= 7,85 ,
0,1x
1
+ 7x
2
0,3x
3
= 19,4 ,
0,3x
1
0,2x
2
+ 10x
3
= 71,4 ,
efectuar los calculos con 6 cifras signicativas.
32
Solucion : la matriz aumentada es

A =
_
_
3 0,1 0,2 7,85
0,1 7 0,3 19,4
0,3 0,2 10 71,4
_
_
luego,los multiplicadores que producen ceros en la primera columna son :
m
2 1
=
a
2 1
a
1 1
=
0,1
3
= 0,03333333
y
m
3 1
=
a
3 1
a
1 1
=
0,3
3
= 0,09999999
ii) Ejemplo 4.2 Use eliminacion de Gauss para resolver los siguientes sistemas: a)
0,0003x
1
+ 3,0000x
2
= 2,0001 ,
1,0000x
1
+ 1,0000x
2
= 1,0000 ,
b)
1,0000x
1
+ 1,0000x
2
= 1,0000 ,
0,0003x
1
+ 3,0000x
2
= 2,0001 ,
c) Compare los resultados de a) y b) al considerar 3, 4 y 5 cifras signicativas. A que con-
clusion llega ?
4.1.2. Eliminacion gaussiana con y sin pivoteo.
De la Actividad I.ii), se observa que pueden surgir dicultades en algunos casos, como cuando el
pivote es peque no en relacion a los otros elementos de la columna a la que pertenece el elemento
pivote. Una forma de mejorar las soluciones se usa como estrategia pivotear. El llamado pivoteo
parcial consiste en seleccionar el elemento de mayor valor absoluto ubicado en la misma columna
que el pivote, bajo la diagonal e intercambiar las. Al procedimiento de buscar el elemento de
mayor valor absoluto tanto en las columnas como en las las y luego intercambiar se conoce como
pivoteo total.
El pivoteo completo o total no es muy usado puesto que el intercambio de columnas implica un
intercambio de las incognitas, lo que agrega complejidad injusticada.
Actividades 4.2 1. Use eliminacion de Gauss para resolver el sistema :
x
1
+ x
2
x
3
= 3 ,
6x
1
+ 2x
2
+ 2x
3
= 2 ,
3x
1
+ 4x
2
+ x
3
= 1 ,
usando,
33
Gauss simple.
Eliminacion gaussiana con pivoteo parcial.
Eliminacion gaussiana con pivoteo total.
2. Para k = 0, 1, 2, ..., sea x
(k)
= [x
k
, y
k
, z
k
]
T
generada por :
4x
k+1
= x
k
y
k
+ 2 ,
6y
k+1
= +2x
k
+ y
k
z
k
1 ,
4x
k+1
= x
k
+ y
k
z
k
+ 4 ,
a) Demuestre que la sucesion de vectores {x
(k)
}

k=1
es convergente para cualquier vector
inicial x
(0)
.
b) Determine el vector x al cual converge usando Gauss con pivote parcial.
c) Encuentre el vector x iterando el sistema dado.
3. Suponga que trabaja con una maquina que redondea a dos decimales para resolver el siguiente
sistema :
0,10 10
1
x + y = 1
x y = 0
Use el metodo de eliminacion de Gauss para encontrar la solucion.
Efect ue un pivoteo parcial y compare con la solucion anterior. La solucion exacta del
sistema es x = y =
100
101
.
34
4.2. Factorizacion LU
A = LU
Una primera interrogante es Existe tal factorizacion? . Un primer resultado que garantiza la
existencia de esta factorizacion dice,
Teorema 4.1 Si puede aplicarse la eliminacion gaussiana al sistema Ax = b sin intercambio de
las, entonces la matriz A puede factorizarse como
A = LU ,
donde
U =
_
_
_
_
_
_
_
_
_
a
(1)
11
a
(1)
12
. . . a
(1)
1n
0 a
(2)
22
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. a
(n1)
n1 n1
0 . . . 0 a
(n)
nn
y
_
_
_
_
_
_
_
_
_
L =
_
_
_
_
_
_
1 0 . . . 0
m
21
1
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 0
m
n1
. . . m
n n1
1
_
_
_
_
_
_
(39)
Notese que al factorizar A en LU,
Ax = b L(Ux) = b
entonces, es posible resolver el sistema utilizando dos sistemas que involucran matrices triangulares,
se resuelve primero Ly = b y luego Ux = y. De modo que si L = (l
ij
), entonces se obtiene el
vector y por sustitucion hacia adelante,
y
1
=
b
1
l
11
y los y
i
para cada i = 2, 3, . . . n, mediante
y
i
=
1
l
ii
_
b
i

i1

j=1
l
ij
y
j
_
.
As conociendo el vector y podemos obtener en el sistema Ux = y el vector x por retrosustitucion.
El Teorema 1 proporciona una factorizacion de la matriz A, observe que los elementos de la matriz
L son los elementos multiplicadores m
i j
que se obtuvieron al realizar la eliminacion gaussiana,
excepto los elementos de la diagonal principal que son 1. Esta factorizacion se conoce como Fac-
torizacion de Doolitle.
Queda analizar una segunda interrogante . si A admite una factorizacion LU, esta sera unica?
35
Analicemos el problema general, el factorizar A como LU, signica que hay que resolver las ecua-
ciones
_
_
_
_
_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
n1
a
n2
. . . a
nn
_
_
_
_
_
=
_
_
_
_
_
_
_
l
11
0 0 . . . 0
l
21
l
22
0 . . . 0
l
31
l
32
l
33
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
l
n1
l
n2
l
n3
. . . l
nn
_
_
_
_
_
_
_

_
_
_
_
_
_
_
u
11
u
12
u
13
. . . u
1n
0 u
22
u
23
. . . u
2n
0 0 u
33
. . . u
3n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
0 0 0 . . . u
nn
.
_
_
_
_
_
_
_
(40)
Notemos que las ecuaciones anteriores, no determinan a L y a U en forma unica. Para cada i se
puede asignar un valor no nulo l
ii
o u
ii
(pero no a ambos). Porque ? Justique . Por ejemplo, si
l
ii
= 1 para i = 1, 2, . . . , n, es la descomposicion de Doolitle que se obtiene como vimos al aplicar
eliminacion gaussiana. Otra eleccion simple es u
ii
= 1 para cada i en este caso la factorizacion es
la de Crout, o bien asumir que l
ii
= u
ii
en cual caso tenemos la factorizacion de Choleski
Actividades 4.3
i) Descomponer la matriz A usando la factorizacion de Crout, en el sistema :
x
1
+ x
2
x
3
= 3 ,
6x
1
+ 2x
2
+ 2x
3
= 2 ,
3x
1
+ 4x
2
+ x
3
= 1 ,
ii) Problema N

3 de la PEP1 (Sem II-2000) Para determinar la temperatura en cuatro puntos

interiores equidistantes de una barra, hay que resolver la ecuacion :
At
k+1
= t
k
, k = 0, 1, 2, ...
donde,
A =
_
_
_
_
3 1 0 0
1 3 1 0
0 1 3 1
0 0 1 3
_
_
_
_
, t
0
=
_
_
_
_
10
12
12
10
_
_
_
_
(41)
(t
k
es la distribucion de la temperatura en los puntos interiores de la barra en el instante k.
a) Mediante el metodo de Gauss (sin pivote) determine t
1
.
b) Obtenga t
2
y t
3
, usando una descomposicion A = LU.
iii) Resolver el sistema
_
_
_
_
x
1
+ 2x
2
+ 3x
3
+ x
4
= 1
2x
1
4x
2
5x
3
x
4
= 0
3x
1
+ 8x
2
+ 8x
3
+ x
4
= 2
x
1
+ 2x
2
6x
3
+ 4x
4
= 1
_
_
_
_
(42)
iv) Investigue como a partir de la factorizacion de Doolitle puede obtener la factorizacion de
Crout ? Ilustre el metodo con un ejemplo.
36
4.2.1. Matrices denidas positivas.
Denicion 4.1 Una matriz A simetrica es denida positiva si y solo si
x
T
Ax > 0 , x R
n
{0} (43)
Ejemplo 4.3 Verique si la matriz dada es denida positiva.
_
_
2 1 0
1 2 1
0 1 2
_
_
(44)
En la practica puede resultar difcil determinar si una matriz es denida positiva a partir de la
denicion, el siguiente resultado constituye un criterio de gran utilidad para este proposito.
Teorema 4.2 A es simetrica y denida positiva, si y solo si D
k
> 0 , k = 1, ..., n, donde D
k
es
el determinante:
D
k
=

a
11
a
1k
.
.
.
.
.
.
.
.
.
a
k1
a
kk

Dem. Consultar, Introduction to Numerical Analysis de Stoer - Bulirsch.

Teorema 4.3 Si A es simetrica y denida positiva, entonces :
i) A es no singular
ii) a
ii
> 0, para cada i = 1, 2, ..., n.
Dem.
i) Supongamos A no invertible, entonces exite x = 0 tal que el sistema Ax = 0, de donde
x
T
Ax = 0, lo que contradice el hecho de A denida positiva. Por tanto, A es no singular.
ii) Ejercicio
Teorema 4.4 Si A es una matriz real, simetrica y denida positiva, entonces A = LL
T
, donde L
es una matriz triangular inferior con diagonal positiva.
Dem. Consultar Analisis Numerico de Burden - Faires o Kincaid - Cheney
4.2.2. Matrices diagonal dominante.
Denicion 4.2 Sea A una matriz cuadrada de orden n, diremos que A es diagonal dominante
si
|a
ii
|
n

j=1
j=i
|a
ij
|, i, 1 i n (45)
Veamos algunos resultados importantes,
37
Teorema 4.5 Si A es diagonal dominante, entonces A es invertible.
Teorema 4.6 Si A es diagonal dominante y todos los elementos de la diagonal son reales positivos
, entonces la parte real de cada valor propio es positiva. Dem.

Algebra Lineal. Grossman. Mc Graw
Hill.
Teorema 4.7 Si A es simetrica, diagonal dominante, con los coecientes diagonales positivos,
entonces A es denida positiva.
Dem. Usando el teorema anterior, si
i
> 0 deduciremos que x
t
Ax > 0. Como A es simetrica,
tiene un conjunto de autovectores ortonormales (teorema espectral), entonces cualquier vector x
puede escribirse como una combinacion lineal de ellos,
x = c
1
x
1
+ c
2
x
2
+ ... + c
n
x
n
,
entonces
Ax = c
1
Ax
1
+ c
2
Ax
2
+ ... + c
n
Ax
n
= c
1

1
x
1
+ c
2

2
x
2
+ ... + c
n

n
x
n
.
De la ortogonalidad y la normalizacion x
t
i
x
i
= 1. Luego,
x
t
Ax = (c
1
x
t
1
+ c
2
x
t
2
+ ... + c
n
x
t
n
)(c
1

1
x
1
+ c
2

2
x
2
+ ... + c
n

n
x
n
)
= c
2
1

1
x
1
+ c
2
2

2
x
2
+ ... + c
2
n

n
x
n
como
i
> 0, se tiene que i x
t
Ax > 0.
Observacion 4.1 El recproco del teorema anterior es falsa, es decir existen matrices simetricas
denidas positivas que no son diagonal dominante. De un contraejemplo.
38