Un paseo en torno a la solucin

de sistemas de ecuaciones lineales

Rafael ngel Guerrero de la Rosa
Julio Eduardo Padilla Pineda

Matemticas, ENP 5 Jos Vasconcelos

Introduccin

uchos problemas de aplicacin en disciplinas como Ingeniera, Economa,

Ciencias Sociales, etctera, requieren de modelos matemticos que en su
planteamiento resultan ser sistemas de ecuaciones lineales cuya solucin implica
mtodos de lgebra lineal.
El presente trabajo expone la comparacin de algunos mtodos de solucin de los sistemas
de ecuaciones lineales, con el objetivo primordial de conocer cmo, a travs del tiempo, han
surgido mtodos cada vez mejores que nos permiten invertir menor tiempo en su solucin.
Asimismo, el conocimiento de la bondad y lo amigable de ciertos mtodos de solucin de
los sistemas de ecuaciones lineales, facilita la actualizacin de los contenidos programticos
vigentes.

Objetivos y aprendizajes esperados

Con la implementacin de mtodos ms actualizados en la solucin de sistemas de
ecuaciones lineales, que son ms prcticos y sencillos de asimilar por los alumnos, mediante
una didctica amigable y amena se pretende que stos logren un aprendizaje ms estable, es
decir, que lo retenga la memoria a largo plazo.
163

DCIMO SIMPOSIO DE ESTRATEGIAS DIDCTICAS EN EL AULA

Propuesta didctica
En este trabajo se establece la comparacin, en el orden que se indica, de los siguientes
mtodos de solucin de sistemas de ecuaciones lineales aplicados al mismo ejemplo
numrico: 1) Cramer, 2) Adjunta, 3) Gauss, 4) Gauss-Jordan, 5) Doolittle, 6) D.G.O.
La siguiente tabla muestra el nmero de operaciones a realizar en cada uno de los mtodos
de solucin, considerando solamente las multiplicaciones y divisiones y dejando fuera las
sumas, en donde (nxn ) es el orden del sistema por resolver.
ORDEN

NMERO

DE

OPERACIONES

(nxn )

CRAMER

ADJUNTA

GAUSS

GAUSS-JORDAN

(3x3)
(5 x5)
(10 x10 )
(20 x 20 )
(50 x50 )
(100 x100 )

51

48

20

40

2 885

2 330

75

150

359 251 200

322 963 400

475

950

9.71x1020

9.22 x1020

19 500

39 000

7 445 x1064

7 400 x1064

43 377

86 754

348 250

696 500

Con la nueva supercomputadora de la UNAM, la KanBalam (nombre en memoria de un

matemtico maya, ca. 635-702 d. C.) que procesa un poco ms de 7 x1012 operaciones por
segundo, el tiempo que tardara en resolver un sistema de ecuaciones lineales de orden
(20 x 20 ) para cada mtodo se muestra en la tabla siguiente:
MTODO
CRAMER
ADJUNTA
GAUSS

NMERO DE OPERACIONES

(n

1)n !+ n

4.40 aos

(n
n
1)n!+ 2n
(2n + 9n
5n ) 6
2

GAUSS-JORDAN

TIEMPO DE PROCESO

4.17 aos

4.60 x10
10 (fraccin de segundo)

El doble de tiempo del mtodo de GAUSS

DOOLITTLE

Igual tiempo que el mtodo de GAUSS

D.G.O.

Mucho menos tiempo que los anteriores

164

UN PASEO EN TORNO A LA SOLUCIN DE SISTEMAS DE ECUACIONES LINEALES

1. Mtodo de Cramer
3 x1 + 2 x 2
x3 = 1

3 2
1
Ejemplo: sea el sistema x1
x 2 + 2 x3 = 0 ; det (A) = 1
1 2 =
9 + 16 + 2
4 + 12
6 = 11
4
2 3
4 x1
2 x 2 + 3 x3 = 0

1
0
x1 =

x2 =

x3 =

1

1 2
2

det (A1 ) 0
2
=
det (A)
11

det (A2 )
=
det (A)

det (A3 )
=
det (A)

3 1
1
1 0 2
4 0 3
11
3 2 1
1
1 0
4
2 0
11

3+0+0+0+ 4+0
1
; x1 =
11
11

0+8+0+0+0
3
5
; x2 =
11
11

0+0
2+4+0+0
2
; x3 =
11
11

2. Mtodo de la adjunta
3 x1 + 2 x 2
x3 = 1

3 2
1
Ejemplo: x1
x 2 + 2 x3 = 0
; det (A) = 1
1 2 =
9 + 16 + 2
4 + 12
6 = 11
4
2 3
4 x1
2 x 2 + 3 x3 = 0


1 2


2 3
 1 2
Adj (A) = 

 4 3
 1
1
4
2


2
1 2
1 


2 3

1 2 
1
4 3 
3
1
3
1 



 = 5 13
7 
4 3
1 2  
2 14
5
3 2
3 2  


4
2
1
1 

165

DCIMO SIMPOSIO DE ESTRATEGIAS DIDCTICAS EN EL AULA

1
4
1
4 3 
1
1


1
A = 5 13 7  y como X = A b = 5 13
11
11
2 14
2 14
5

1

x1 =

1
5
; x2 =
11
11

1
3  1 11
5
7  0 =  
11

5 0  2 
11
2
; x3 =
11

3. Mtodo de Gauss
3 x1 + 2 x 2
x3 = 1

Ejemplo: x1
x 2 + 2 x3 = 0
4 x1
2 x 2 + 3 x3 = 0

3 2
1 1
Sea la matriz ampliada [A b]= 1
1 2 0
4
2 3 0



14

3
2


1
1 
(2 )
a32
14

3 =
7
1

0
5
(2 ) =



5
a22
5
3
3
3



3
0 0
11
2 

5 5 
1
5
2
x1 =
; x2 =
; x3 =
11
11
11

166

UN PASEO EN TORNO A LA SOLUCIN DE SISTEMAS DE ECUACIONES LINEALES

4. Mtodo de Gauss-Jordan
3 x1 + 2 x 2
x3 = 1

Ejemplo: x1
x 2 + 2 x3 = 0
4 x1
2 x 2 + 3 x3 = 0

3 2
1 1
; Sea la matriz ampliada [A b]= 1
1 2 0
4
2 3 0

14


(2 )
a32
3 = 14

(2 ) =
5
a22
5


3


3 2

5
0

3

0 0




1 1 
7
1


3
3
11 2 



5 5 

3
25
2




1
5
2
; x 2 = 33 =
; x3 = 5 =
donde x1 = 11 =
5 11
11 11
3 11




3
5

Los pasos anteriores marcan la pauta con el fin de que el algoritmo sea programable.
167

DCIMO SIMPOSIO DE ESTRATEGIAS DIDCTICAS EN EL AULA

5) Mtodo de Doolittle
3 x1 + 2 x 2
x3 = 1

Ejemplo: x1
x 2 + 2 x3 = 0
4 x1
2 x 2 + 3 x3 = 0
1 0
3 2
1


Como A = LU ; A = 1
1 2  = LU = l 21 1
l31 l32
4
2 3 
dado que u11 , u12 y u13 son conocidos: u11 = 3 , u12

0 u11
0  0
1  0

u12
u 22
0

u13 
u 23 
u 33 

= 2 y u13 =
1 .

Efectuando el producto de LU tenemos que:

1
4
5
1
; l31u11 = 4 ; l31 = ; l 21u12 + u 22 =
1 ;  (2 )+ u 22 =
1 ; u 22 =

3
3
3
3
14  4 
 5
l31u12 + l32 u 22 =
2 ; l32 = ;  (2 )+ l32 
 =
2
5 3
 3
7
1
l 21u13 + u 23 = 2 ;  (
1)+ u 23 = 2 ; u 23 = ; l31
u13 + l32 u 23 + u 33 = 3
3
3
11
4
 14  7 
 (
1)+    + u 3 = 3 ; u 33 =

5
3
 5  3 



 1 0 0 3 2

1 

1
5
7 
 5  11 

A = LU = 
1 0  0

 ; det (A) = (3)     = 11
0
3
3 
 3  5 

3
4
14
11

1  0 0

 
 3 5
5 

l 21u11 = 1 ; l 21 =

Como E = L
1 , invertimos la matriz L :

 
 

 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1
 
 

[L I ]=  1 1 0 0 1 0
0 1 0  1 1 0
0 1 0  1
3
3
 
  14
3
 4 14 1 0 0 1 0 5 1  4 0 1 0 0 1  2
 
 
 3 5
3
5


 1
 1
L
1b = 

 3

2
 5


0
0

1
0
I L1

14
1


5

 
 



3 2
0 1  1 

1   x1   1 
 1


5
7    1 
1
0 0 = 
 = c ; UX = c
0

 x2 = 

3
3    3 
 0   3 

 
14
   2
0 0
11  x3  
2 
1




 5 
 5 


5
5 
0

168

[ ]

UN PASEO EN TORNO A LA SOLUCIN DE SISTEMAS DE ECUACIONES LINEALES

2
1 7 2 
5
2
1 +
2 


 
2
11  11  1
3 3  11  5
=
; x2 =
; x1 =
=
x3 = 5 =
5
11 11
3
11
11




3
5

6) Mtodo D.G.O.
3 x1 + 2 x 2
x3 = 1

Ejemplo: x1
x 2 + 2 x3 = 0
4 x1
2 x 2 + 3 x3 = 0

El procedimiento consiste en llevar la matriz [A b] a una

triangular por medio de eliminacin algebraica de resta.

En una primera eliminacin, debajo del primer pivote se
tendrn puros ceros y slo 6 elementos cambiarn de valor.

Se denominan pivotes a los elementos que van quedando
sobre la diagonal principal.

Los valores que cambian se expresan mediante 6
determinantes de orden 2 como sigue:

El nuevo pivote es
que cambiarn:

y debajo de l tendremos cero, ahora slo habr 2 elementos

Cuando el resultado del determinante de orden 2 es grande, podemos aplicar el

escalamiento dividiendo este resultado entre el pivote anterior sin alterar la solucin
del sistema:

33
6
= 11 y = 2 .
3
3

Finalmente con sustitucin hacia atrs o regresin se obtiene la solucin del sistema:
x3 =

2
11

169

DCIMO SIMPOSIO DE ESTRATEGIAS DIDCTICAS EN EL AULA

Esta regresin se hace nicamente en los renglones con pivote.

2

1
7 
 11  = 5
x2 =

5
11

2 5
1 + 1 
2 
 11   11  = 1
x1 =
3
11

Conclusiones

Los mtodos de Cramer y de la adjunta, como ya se vio, son muy costosos en cuanto
al tiempo que se invierte en la solucin de sistemas de ecuaciones cuadradas (n x n ),
limitando con esto su aceptacin, por lo que se prefiere el uso de mtodos ms
eficientes y dinmicos.

El mtodo de Gauss es poco costoso en el tiempo de solucin y tiene la ventaja de
que puede aplicarse a cualquier sistema (n x m ), ya sea con ms ecuaciones que
incgnitas o con igual nmero de ecuaciones que incgnitas, o con ms incgnitas
que ecuaciones, pero tiene el inconveniente de que en un momento dado se tiene que
trabajar con nmeros racionales que muchas veces los alumnos prefieren convertir a
decimales, perdiendo con esto aproximacin.

El mtodo de Gauss-Jordan es lo mismo que el anterior de Gauss con el
inconveniente de que se invierte ms tiempo en la solucin de un sistema de
ecuaciones lineales.

El mtodo de Doolittle es prctico en la medida en que se adquiere experiencia para
aplicarlo, pero tambin tiene que trabajarse con nmeros racionales debiendo tener
mucho cuidado en su aplicacin para no perder aproximacin, tambin se invierte
poco tiempo en su aplicacin.

Con el mtodo D.G.O. se tiene la gran ventaja de que slo se trabaja con aritmtica
de nmeros enteros, invirtiendo muy poco tiempo en la solucin de sistemas (n x m )
cuadrados y no cuadrados, cuando son cuadrados (n x n ) fcilmente se puede
obtener, si se requiere, la inversa de la matriz de coeficientes A , lo mismo que su
determinante. Por todas las ventajas de este mtodo, nos permitimos hacer la
recomendacin de que debemos ensearlo a nuestros alumnos incluyndolo en
nuestros programas de estudio.
170

UN PASEO EN TORNO A LA SOLUCIN DE SISTEMAS DE ECUACIONES LINEALES

Bibliografa
Arya, L. Matemticas aplicadas a la Administracin y la Economa, Prentice-Hall, 2002.
Budnick, F. Matemticas aplicadas para Administracin, Economa y Ciencias Sociales, McGraw-Hill,
1990.
Educacin matemtica, nm. 3, 1991.
Gaceta de la UNAM, 18 de enero de 2007.
Grossman, S. Aplicaciones de lgebra lineal, Grupo Editorial Iberoamrica, 1988.
Pita, C. R. lgebra lineal, McGraw-Hill, 1991.
Yefimov, N. Quadratio Forms & Matrices, Academic Press, 1964.

171