Sunteți pe pagina 1din 31
Álgebra Lineal MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES 1.0 Matrices Las matrices son un
Álgebra Lineal MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES 1.0 Matrices Las matrices son un

Álgebra Lineal

MATRICES, DETERMINANTES Y SISTEMAS DE ECUACIONES LINEALES

1.0 Matrices

Las matrices son un conjunto de valores ordenados rectangularmente y son útiles en el cálculo numérico, en la resolución de sistemas de ecuaciones lineales, de las ecuaciones diferenciales y de las derivadas parciales. Tienen también muchas aplicaciones en el campo de la física.

Una matriz es una tabla ordenada de escalares ai j de la forma

a

a 11

a

12

21 a

22

a m

1

a

m

2

a 1 n a 2 n a mn
a
1 n
a
2 n
a
mn

Se utilizan usualmente letras mayúsculas para denotar matrices y letras minúsculas para denotar a

, m, j =1,

sus elementos. La matriz anterior puede ser denota por A y sus elementos por (ai j), i =1,

, n, o simplemente por (ai j ).

Dada una matriz, los términos horizontales son las filas (o renglones) de la matriz y los verticales son sus columnas. Una matriz con m filas y n columnas se denomina matriz m por n, o matriz m x n.

Para la indicación de cualquier elemento de la matriz, el primer número indica el renglón y el segundo la columna, por ejemplo: para el elemento a 12 el número 1 indica el renglón 1 y el número 2 indica la columna 2.

Una de las principales ventajas de las matrices es que la posición de sus elementos queda determinada de manera única por el renglón y la columna a la que pertenecen.

Ejemplo:

La siguiente matriz es una matriz 2 x 3:

1 3 4 0 5 2
1
3
4
0
5
2

donde sus filas son (1, -3, 4) y (0, 5, -2) y sus columnas

1 0 , 5 3
1
0
,
5 3

y

4 2
4
2

Los números dentro del arreglo reciben el nombre de elementos de la matriz.

1

Álgebra Lineal 1.1 TIPOS ESPECIALES DE MATRICES Según el aspecto de las matrices, éstas pueden
Álgebra Lineal 1.1 TIPOS ESPECIALES DE MATRICES Según el aspecto de las matrices, éstas pueden

Álgebra Lineal

1.1 TIPOS ESPECIALES DE MATRICES

Según el aspecto de las matrices, éstas pueden clasificarse en diferentes tipos, dependiendo en algunos casos de la forma de la matriz y en otros de los valores de sus elementos, a continuación se presentan los tipos más comunes de matrices:

1.1.1 Matriz nula

Una matriz nula es aquella que sin importar su forma o tamaño, todos sus elementos valen cero.

1.1.2 Matrices cuadradas

Una matriz cuadrada es la que tiene el mismo número de filas que de columnas. Se dice que una matriz cuadrada n x n es de orden n y se denomina matriz n-cuadrada.

Ejemplo: Sean las matrices

A =

1 2 3 4 0 5 3 1 2
1 2
3
4 0
5
3
1
2

y B =

2 3 1 5
2
3
1
5

Entonces, A y B son matrices cuadradas de orden 3 y 2 respectivamente.

1.1.3 Matriz identidad

Sea A = (ai j ) una matriz n-cuadrada. La diagonal (o diagonal principal) de A consiste en los

elementos a 11 , a 22 ,

, a nn ., es decir todos los elementos donde la posición i = j.

La traza de A, escrito tr A, es la suma de los elementos diagonales.

La matriz n-cuadrada con unos en la diagonal principal y ceros en cualquier otra posición, denotada por I, se conoce como matriz identidad (o unidad). Para cualquier matriz A,

1.1.4 Matrices triangulares

A· I = I ·A = A.

Una matriz cuadrada A = (ai j ) es una matriz triangular, si únicamente los elementos por arriba o por debajo de la diagonal principal son todos cero. Así pues, se tienen dos tipos de matrices triangular, superior o inferior. Si todos los elementos bajo la diagonal principal son iguales a cero, es triangular superior, en caso contrario es triangular inferior. Así pues, las matrices.

2

Álgebra Lineal 1 7 2 5 3 0 3 4 0 1 0 0 2
Álgebra Lineal 1 7 2 5 3 0 3 4 0 1 0 0 2

Álgebra Lineal

1 7 2 5 3 0 3 4 0 1 0 0 2
1
7
2
5
3
0
3
4
0
1
0
0
2
1 8 0 2 0 0 0 0
1
8
0
2
0
0
0
0
3 6 1 7 6 2 0 5
3
6
1
7
6
2
0
5

son matrices triangulares superiores de órdenes 2, 3 y 4. Respectivamente.

1.1.5 Matrices diagonales

La diagonal principal de una matriz cuadrada, esta compuesta de todos los elementos en cuya posición es igual el número del renglón y el número de la columna.

Una matriz cuadrada es diagonal, si todos sus elementos no diagonales son cero o nulos.

Se denota por D = diag (d 11 , d 22 ,

, d nn ). Por ejemplo,

3 0 0 0 1 0 0 0 7
3
0
0
0
1
0
0
0
7
2 4 0 6 0 3 0 1
2
4
0
6
0
3
0
1

son matrices diagonales que pueden representarse, respectivamente, por diag(3,-1,7) diag(4,-3) y

diag(2,6,0,-1).

1.1.6 Transpuesta de una matriz

La transpuesta de una matriz A consiste en intercambiar las filas por las columnas y se denota por

A T .

Así, la transpuesta de

A =

3 1 4 2 5 7 4 0 9
3
1
4
2 5
7
4 0
9

es

A T =

3 2 4 1 5 0 4 7 9
3
2
4
1
5
0
4
7
9

Es decir, si A = (ai j ) es una matriz m x n, entonces A T =

a T ij
a
T
ij

es la matriz n x m.

La transposición de una matriz cumple las siguientes propiedades:

1. (A + B) T = A T + B T .

2. (A T ) T = A.

3. (kA) T = kA T (si k es un escalar).

4. (AB) T = B T A T .

3

Álgebra Lineal 1.1.7 Matrices simétricas Se dice que una matriz real es simétrica, si A
Álgebra Lineal 1.1.7 Matrices simétricas Se dice que una matriz real es simétrica, si A

Álgebra Lineal

1.1.7 Matrices simétricas

Se dice que una matriz real es simétrica, si A T = A; y que es antisimétrica, si A T = -A.

Ejemplo:

Consideremos las siguientes matrices:

A

=

2 3 5 3 6 7 5 7 8
2
3
5
3
6
7
5
7
8

B =

0 3 4 1 0 0 3 0 5 C = 0 1 0 4
0
3
4
1
0
0
3
0
5
C =
0
1
0
4
5
0

Podemos observar que los elementos simétricos de A son iguales, o que A T = A. Siendo así, A es simétrica.

Para B los elementos simétricos son opuestos entre sí, de este modo B es antisimétrica.

A simple vista, C no es cuadrada; en consecuencia, no es ni simétrica ni antisimétrica.

1.1.8 Matrices ortogonales

Se dice que una matriz real A es ortogonal, si AA T = A T A = I. Se observa que una matriz ortogonal A es necesariamente cuadrada e invertible, con inversa A -1 = A T .

Consideremos una matriz 3 x 3 arbitraria:

A

=

a

b

c

1

1

1

a

b

c

2

2

2

a

b

c

3

3

3

Si

A es ortogonal, entonces:

AA T =

a

b

c

1

1

1

a

b

c

2

2

2

a

b

c

3

3

3

a b c 1 0 0 1 1 1 . a b c = 0
a
b
c
1
0
0
1
1
1
.
a
b
c
=
0
1
0
2
2
2
a
b
c
0
0
1
3
3
3

1.1.9 Matrices normales

= I

Una matriz es normal si conmuta con su transpuesta, esto es, si AA T = A T A.

Obviamente, si A es simétrica, antisimétrica u ortogonal, es necesariamente normal.

4

Álgebra Lineal Ejemplo: Sea A = 6 3 3 6 . Entonces:   6 3
Álgebra Lineal Ejemplo: Sea A = 6 3 3 6 . Entonces:   6 3

Álgebra Lineal

Ejemplo:

Sea A =

6 3 3 6
6
3
3
6

. Entonces:

 
6 3 3 6
6
3
3
6
 
6 3
6
3

3

=

= 45 0

45

0

0

AA

T =

 

.

 

6

45

 

3

6 3 6 3
6
3
6 3

=

= 45 0

45

0

0

A T A =

6 3
6
3
 

.

 

6

45

Puesto que AA T = A T A, la matriz es normal.

1.2 OPERACIONES CON MATRICES

En

el álgebra matricial, se tiene definidas ciertas operaciones entre matrices, como son suma, resta

y

multiplicación, la división no está considerada como tal., pero se realiza por medio de la

multiplicación utilizando el concepto de matriz inversa.

1.2.1 Suma y resta de matrices

Para poder sumar o restar matrices, éstas deben tener el mismo número de filas y de columnas. Es decir, si una matriz es de orden 3 x 2 y otra de 3 x 3, no se pueden sumar ni restar. Esto es así ya que, tanto para la suma como para la resta, se suman o se restan los términos que ocupan el mismo lugar en las matrices.

Ejemplo:

Sean las matrices A =

3

0

7

1

5

0

2 1 2 4 3 y B = 2 5 8 4 0 1 2
2
1
2
4
3
y B =
2
5
8
4
0
1
2

. Entonces:

 

3

1

A +

B

=

0

5

 

7

0

3

1

A -

B

=

0

5

 

7

0

2 1 3 + 2 4 0
2
1
3
+
2
4
0
2 1 3 2 4 0
2
1
3
2
4
0

2

5

1

2

5

1

4 2 3 6 8 = 2 10 5 2 7 1 2
4
2
3
6
8
= 2
10
5
2
7
1
2
4 4 1 2 8 = 0 2 11 2 7 1 6
4
4
1
2
8
= 0
2
11
2
7
1
6

5

Álgebra Lineal Para sumar o restar más de dos matrices se procede igual. Las matrices
Álgebra Lineal Para sumar o restar más de dos matrices se procede igual. Las matrices

Álgebra Lineal

Para sumar o restar más de dos matrices se procede igual. Las matrices no tienen que ser necesariamente cuadradas, sino únicamente del mismo orden (tamaño).

Ejemplos:

Sean A =

1 2
1
2

2

4

, B =

7

6

A

+

B

+ C

=

1 2
1
2

2

4

 

7

6

 
    1 2 2 4
 
1 2
1
2

2

4

A

B

+

C

=

 
 

7

6

1.2.2 Producto de matrices

3 2 0 0 3 1
3
2
0
0
3
1

y C =

3

27 6 1.2.2 Producto de matrices 3 2 0 0 3 1 y C = 3

.
.

+

3 2 0 0 3 1
3
2
0
0
3
1
3 2 0 0 3 1
3
2
0
0
3
1

+

3 7 3 7 = 2 3 5 7 .
3
7
3
7
=
2
3
5
7
.
 
5 1 1 1
5
1
1
1

3

 
1 1 3 11
1
1
3
11

7

+

=

2

9

.
.

Para poder multiplicar dos matrices, la primera debe ser en número de columnas igual al número de filas de la segunda. La matriz resultante del producto quedará con el mismo número de filas de la primera y con el mismo número de columnas de la segunda.

Es decir, si tenemos una matriz 2 x 3 y la multiplicamos por otra de orden 3 x 5, la matriz resultante será de orden 2 x 5.

(2 x 3) x (3 x 5) = (2 x 5) COMPATIBLE
(2 x 3)
x
(3 x 5) = (2 x 5)
COMPATIBLE
Tamaño de la nueva matriz
Tamaño de la nueva
matriz

No DE FILAS Y COLUMNAS DE LA MATRIZ RESULTANTE

Para realizar la multiplicación de matrices, se debe tomar en cuenta que no es lo mismo pre- multiplicar que post-multiplicar.

En el ejemplo anterior, se puede observar que el producto de matrices no cumple la propiedad conmutativa, ya que si multiplicamos la segunda matriz por la primera, no podríamos efectuar la operación.

3 x 5 por 2 x 3,

: :

puesto que la primera matriz no tiene el mismo número de columnas que filas la segunda.

6

Álgebra Lineal Supongamos que A = ( a i j ) y B = (
Álgebra Lineal Supongamos que A = ( a i j ) y B = (

Álgebra Lineal

Supongamos que A = (ai j ) y B = (bi j ) son matrices tales que el número de columnas de A coincide con el número de filas de B; es decir, A es una matriz m x p y B una matriz p x n. Entonces el producto AB es la matriz m x n cuyo elemento ij se obtiene, sumando los productos de los elementos uno a uno de la fila i de A por la columna j de B.

Esto es,

a

11 a

1 p

. .

a

l

a

ip

. .

ml

a

mp

a

.

.

.

b 11

.

b

1

j

b b

pl

pj

donde c ij = a j1 b 1j + a j2 b 2j + … + a jp b pj .

Ejemplo:

1 2 1 1 1 1 2 0 3 4 . 0 2 = 3
1
2
1
1
1
1
2
0
3
4
.
0
2
=
3
1
4
0

Producto por un escalar

b

1

n

b

.

.

.

pn

=

.

c 11

c

ml

c

1 n

. .

.

. .

c

ij

c

mn

1 2 2 4 2
1
2
2
4
2

1

3 1

=

1 5 3 11
1
5
3
11

El producto de un escalar k por la matriz A, escrito k·A o simplemente kA, es la matriz obtenida multiplicando cada entrada de A por k:

Ejemplo:

Sea A =

1 2 3 4 5 2
1
2
3
4
5
2

Entonces:

3 A =

3
3

3 1

4

3

( 2) 3 5
(
2)
3
5

3

3 3 ( 2)
3
3
(
2)

kA =

ka

11

ka

m

1

ka

12

ka

m

2

=

3 6 9 12 15 6
3
6
9
12
15
6

ka

1 n

ka

mn

7

Álgebra Lineal 1.2.3 División de matrices La división de matrices se define como el producto
Álgebra Lineal 1.2.3 División de matrices La división de matrices se define como el producto

Álgebra Lineal

1.2.3 División de matrices

La división de matrices se define como el producto del numerador multiplicado por la matriz inversa del denominador.

Es decir, sean las matrices A y B tal que A / B = A B -1 , el concepto de inversa de una matriz se presentará mas adelante.

1.2.3 División entre un escalar

Si una matriz está dividida entre un escalar, todos los términos de la matriz quedarán divididos entre ese escalar.

Ejemplo:

Sean la matriz A =

8 16 3 6
8
16
3
6

, y k = 2 un escalar. En este caso:

A / k

8 16 3 6 2
8
16
3
6
2

8/ 2

3/ 2

16/ 2

En este caso: A / k 8 16 3 6 2 8/ 2 3/ 2 16/

6 / 2

En este caso: A / k 8 16 3 6 2 8/ 2 3/ 2 16/

4

3/ 2

8 3
8
3

1.2.4 Reglas para el álgebra matricial

A continuación se presentan algunas reglas para la operación entre matrices y escalares. Las letras mayúsculas indican matrices y las minúsculas escalares.

1. A + B = B + A

2. A + ( B + C ) = ( A + B ) + C

3. A ( B C ) = ( A B ) C

4. A ( B + C ) = A B + A C

5. ( B + C ) A = B A + C A

6. A ( B C ) = A B - A C

7. ( B C ) A = B A - C A

8. k ( B + C ) = k B + k C

8

Álgebra Lineal 9. k ( B – C ) = k B - k C
Álgebra Lineal 9. k ( B – C ) = k B - k C

Álgebra Lineal

9. k ( B C ) = k B - k C

10. (k p ) C = k ( p C ) = p ( k C)

11. ( k p ) C = k C - p C

12. ( k + p ) C = k C + p C

13. ( k B ) C = k ( B C ) = B ( k C )

1.3 MATRICES INVERTIBLES

Se dice que una matriz cuadrada A es invertible (o tiene inversa), si existe una matriz B con la propiedad de que

AB = BA = I

siendo I la matriz identidad. Denominamos a la matriz B la inversa de A y la denotamos por A -1 .

Ejemplo:

Supongamos A =

2 5 1 3 y B =
2
5
1
3
y B =
3 5 1 2
3 5
1
2

. Entonces:

AB =

BA =

2 5 1 3 .
2
5
1
3
.

= =

6 5 10 10 3 3 5 6
6
5
10
10
3
3
5
6
3 5 2 1 2 . 1
3
5
2
1
2
.
1

5

3

6 5 15 15 = 2 2 5 6
6
5
15
15
=
2
2
5
6

=

=

0 0

1

0 0

1

= I I

= I I

Puesto que AB = BA = I , A y B son invertibles, siendo cada una la inversa de la otra.

Para que una matriz tenga inversa, debe ser forzosamente cuadrada, pero no todas las matrices cuadradas son invertibles.

Existen varios métodos para obtener la inversa de una matriz, de los cuales se presentará el de Gauss, con aplicaciones de operaciones elementales de renglón.

9

Álgebra Lineal 1.3.1 Operaciones elementales de renglón Se conoce como operaciones elementales de renglón, a
Álgebra Lineal 1.3.1 Operaciones elementales de renglón Se conoce como operaciones elementales de renglón, a

Álgebra Lineal

1.3.1 Operaciones elementales de renglón

Se conoce como operaciones elementales de renglón, a las operaciones que se pueden efectuar entre los renglones de una matriz, sin alterar su solución, obteniendo, después de efectuar alguna operación elemental de renglón, una matriz resultante que es equivalente a la matriz original.

Las operaciones validas a los renglones de una matriz con las cuales se obtiene una matriz equivalente son:

a) Multiplicación de todos los elementos de un renglón por un escalar diferente de cero

b) Adicionar n veces un renglón a otro

c) Intercambio de renglones

Con las propiedades anteriores tenemos que para cualquier matriz cuadrada, se cumple que si mediante un número finito de operaciones elementales de renglón, es posible transformarla en la matriz identidad (unidad), entonces tiene inversa (es invertible) y si esas mismas operaciones elementales de renglón son aplicadas a una matriz identidad, esta es transformada en la inversa de la matriz original.

Es decir

Matriz A

Matriz I

Número finito de operaciones elementales de renglón
Número finito de operaciones elementales de renglón
Número finito de operaciones elementales de renglón
Número finito de operaciones elementales de renglón

Número finito de operaciones elementales de renglón

Número finito de operaciones elementales de renglón
I Número finito de operaciones elementales de renglón Matriz I Inversa de A Para asegurarnos que

Matriz I

Inversa de A
Inversa de A

Para asegurarnos que las mismas operaciones elementales de renglón son aplicadas a la matriz original (para transformarla en la identidad) y a la matriz identidad (para obtener la inversa), estas se deberán trabajar juntas.

El proceso se vuelve muy simple si se sistematiza, como solamente las matrices cuadradas pueden tener inversa, entonces se pueden definir los siguientes conceptos en términos de matrices cuadradas:

- A los elementos de la diagonal principal se les conoce como pivote y son los que permiten hacer cero, a los elementos de la misma columna pero en los diferentes renglones.

- Al proceso de dividir a todos los elementos del renglón donde se encuentra el pivote, entre el valor del pivote se conoce como normalización (esto es el valor del pivote se hace 1).

- Al proceso de hacer cero el valor de algún elemento se conoce como eliminación.

Ahora bien, para intentar llevar cualquier matriz cuadrada hacia la matriz unitaria, se deberá hacer lo siguiente:

10

Álgebra Lineal a) Se toma el primer elemento de la diagonal principal (pivote) b) Se
Álgebra Lineal a) Se toma el primer elemento de la diagonal principal (pivote) b) Se

Álgebra Lineal

a) Se toma el primer elemento de la diagonal principal (pivote)

b) Se normaliza el renglón

c) Se eliminan los elementos de la misma columna del pivote exceptuando el mismo pivote. Esto se

hace multiplicando cada elemento del renglón del pivote por el negativo del elemento a eliminar y

sumando uno a uno los elementos del renglón del pivote con los elementos del renglón en donde se encuentra el elemento a eliminar. Con esta acción el elemento a eliminar se hace cero.

d) Se toma el siguiente elemento de la diagonal principal, y se procede en la misma forma que los

incisos b y c.

En algunas ocasiones, el proceso de normalización se efectúa al final, es decir cuando la matriz se ha convertido en una matriz diagonal.

Si durante la aplicación de estos pasos, no es posible obtener una matriz identidad, la matriz en cuestión no tiene inversa.

1.3.2 Método de Gauss

Este método también es conocido como Método de eliminación de Gauss, y puede ser de eliminación parcial o total.

Sea A = (ai j ) una matriz cuadrada de orden n. Para calcular la matriz inversa de A, que denotaremos como A -1 , seguiremos los siguientes pasos:

Paso 1. Construir la matriz M n x 2n. M = matriz identidad I en la derecha.

A I
A
I

esto es, A está en la mitad izquierda de M y la

Paso 2. Se deja tal y como está la primera fila de M, y debajo del primer término de la diagonal principal, a 11 , que llamaremos pivote, hacemos ceros. Luego se opera como se indica en el siguiente ejemplo.

Ejemplo:

Consideremos una matriz 3 x 3 arbitraria

A =

a

a

a

11

21

31

a

a

a

12

22

32

a

a

a

13

23

33

11

Álgebra Lineal Paso 1 . M = A I Paso 2 . = a a
Álgebra Lineal Paso 1 . M = A I Paso 2 . = a a

Álgebra Lineal

Paso 1.

M =

A I
A
I

Paso 2.

=

a

a

a

11

21

31

a

a

a

12

22

32

a

a

a

13

23

33

1

0

0

0

1

0

0

0

1

a a 11 21 31 a a a 12 22 32 a a a 13 23
a a 11 21 31 a a a 12 22 32 a a a 13 23

El

siguiente paso es igual que el anterior, pero esta vez se toma como pivote el segundo término de

la

diagonal principal.

Al llegar al último término de la diagonal, se procede igual que antes, pero poniendo los ceros encima del nuevo pivote. Se observa que al tomar como pivote el último término de la diagonal, la matriz A se transforma en una matriz triangular.

Una vez realizados todos los pasos, la mitad izquierda de la matriz M se convierte en una matriz diagonal. En este momento hay que proceder a transformar, si es que no lo está, la mitad izquierda en la matriz identidad, dividiendo si fuera necesario las filas de M por un escalar.

2.0 DETERMINANTES

Funciones tales como x 2 , sen x, Ln x, se conocen con el nombre de funciones de una variables real, porque a cada número real x, se le asigna como imagen un número real x 2 , sen x, Ln x.

Esta función tiene como dominio al conjunto de matrices cuadradas y como imagen al conjunto de los números reales R.

La función determinante apareció por primera vez en el estudio de los sistemas de ecuaciones lineales. Veremos que es una herramienta indispensable en el estudio y obtención de éstas.

A cada matriz n-cuadrada A = (ai j ) se le asigna un escalar particular denominado determinante de

A, denotado por det (A), | A | o

a

a

11

21

a

a

12

22

a a

m

1

m

2

a

a

1 n

2 n

a

mn

12

Álgebra Lineal Una tabla ordenada n x n de escalares situada entre dos líneas verticales,
Álgebra Lineal Una tabla ordenada n x n de escalares situada entre dos líneas verticales,

Álgebra Lineal

Una tabla ordenada n x n de escalares situada entre dos líneas verticales, llamada determinante de orden n, no es una matriz.

2.1 DETERMINANTES DE ORDEN UNO Y DOS

Los determinantes de orden uno y dos se definen como sigue:

a

a

a

11

11

21

= a 11

a

a

12

22

= a 11 .a 22

sigue: a a a 11 11 21 = a 11 a a 12 22 = a

a 12

.a 21

Así, el determinante de una matriz 1 x 1 A = (a 11 ) es el propio escalar a 11 , es decir, det (A) = |a 11 | =

a11.

Ejemplos:

a) Dado que el determinante de orden uno es el mismo escalar, tenemos lo siguiente:

det (24) = 24 det (-3) = -3 det (3x+5) = 3x+5.

3

2

2

1

b)

5

1

= (3)(1)

det (3 x +5) = 3 x +5. 3 2 2 1 b) 5 1 =

(5)(2) = 3

+5) = 3 x +5. 3 2 2 1 b) 5 1 = (3)(1) (5)(2) =

10 = -7.

3 4
3
4

= (2)(-4)

2 1 b) 5 1 = (3)(1) (5)(2) = 3 10 = -7. 3 4 =

(-3)(1) = - 8

1 = (3)(1) (5)(2) = 3 10 = -7. 3 4 = (2)(-4) (-3)(1) = -

(-3) = - 8 + 3 = - 5.

2.2 DETERMINANTES DE ORDEN TRES

Para encontrar el determinante de una matriz cuadrada de orden 3, se utiliza un método conocido como regla de Cramer.

Consideremos una matriz 3 x 3 arbitraria A = (ai j ). El determinante de A se define como sigue:

det (A) =

a a

11

a a

21

a a

31

12

22

32

a

a

a

13

23

33

= a 11 a 22 a 33 + a 12 a 23 a 31 + a 21 a 32 a 13

a 22 a 33 + a 12 a 23 a 31 + a 21 a 32

a 13 a 22 a 31

a 22 a 33 + a 12 a 23 a 31 + a 21 a 32

a 12 a 21 a 33

a 22 a 33 + a 12 a 23 a 31 + a 21 a 32

a 32 a 23 a 11

13

Álgebra Lineal Obsérvese que hay seis productos, cada uno formado por tres elementos de la
Álgebra Lineal Obsérvese que hay seis productos, cada uno formado por tres elementos de la

Álgebra Lineal

Obsérvese que hay seis productos, cada uno formado por tres elementos de la matriz. Tres de los productos aparecen con signo positivo (conservan su signo) y tres con signo negativo (cambian su signo).

Para calcular los determinantes de orden tres, el siguiente diagrama puede ayudar a resolverlos:

tres, el siguiente diagrama puede ayudar a resolverlos: Ejemplo : (Para los tres productos positivos). (Para
tres, el siguiente diagrama puede ayudar a resolverlos: Ejemplo : (Para los tres productos positivos). (Para

Ejemplo:

(Para los tres productos positivos).

(Para los tres productos negativos).

Calcular el valor del determinante:

3

2

1

 

0

2

5
5

= (3)(2)(4) + (2)(-5)(-2) + (0)(1)(1) (-2)(2)(1) (0)(2)(4) (1)(-5)(3) = 24 + 20 + 0

2
2

1

4

(-4) 0 (-15) = 44 + 4 + 15 = 63

El determinante de la matriz 3 x 3 A = (ai j ) puede reescribirse como:

Det (A) = a 11 (a 22 a 33

= a 11

a a

22

a a

32

23

33

a
a

a 23 a 32 ) 23 a 32 )

(a 22 a 33 = a 11 a a 22 a a 32 23 33 a

a 12 (a 21 a 33

a a 22 a a 32 23 33 a a 23 a 32 ) a 12

a 23 a 31 ) + a 13 (a 21 a 32

12

a a

21

a a

31

23

33

+ a 13

a a

21

a a

31

22

32

21 a 32 12 a a 21 a a 31 23 33 + a 13 a

a 22 a 31 )

que es una combinación lineal de tres determinantes de orden dos, cuyos coeficientes (con signos alternantes) constituyen la primera fila de la matriz dada.

Esta combinación lineal puede indicarse de la forma siguiente:

a

11

a

a

a

11

21

31

a

a

a

12

22

32

a

a

a

13

23

33

siguiente: a 11 a a a 11 21 31 a a a 12 22 32 a

12

a

a

a

11

21

31

a

a

a

12

22

32

a

a

a

13

23

33

+ a 13

a

a

a

11

21

31

a

a

a

12

22

32

a

a

a

13

23

33

14

Álgebra Lineal Nótese que cada matriz 2 x 2 se obtiene suprimiendo en la matriz
Álgebra Lineal Nótese que cada matriz 2 x 2 se obtiene suprimiendo en la matriz

Álgebra Lineal

Nótese que cada matriz 2 x 2 se obtiene suprimiendo en la matriz inicial la fila y la columna que contienen su coeficiente.

Ejemplo:

Para demostrar que la propiedad anterior se cumple, trabajaremos con:

3

2

1

 

3

2

1

 

3

2

1

 

3

2

1

0

2

5
5

= 3

0

2

5
5
2
2

0

2

5
5

+ 1

0

2

5
5
2
2

1

4

2
2

1

4

2
2

1

4

2
2

1

4

 

2

5
5
2
2
0 5 2 4
0
5
2
4
 

0

2

= 3

1

4

+ 1

2
2

1

= 3(8+5) 2(0-10) + 1(0+4) = 39 + 20 +4 = 63

2.3 DETERMINANTE DE ORDEN MAYOR A 3

Para matrices de orden mayor a 3. La regla de Cramer, generalmente no encuentra el valor del determinante correctamente, por lo tanto es necesario utilizar un método conocido como Expansión de Cofactores.

2.3.1 Definiciones

Para poder describirlo es necesario definir los siguientes conceptos:

Menor de ai j

Si A es una matriz cuadrada de orden n x n, entonces el “menor” elemento ai j denotado por (Mi j ) se define como el determinante de la sub-matriz de orden (n-1) X (n-1) que se forma al suprimir el renglón i y la columna j de la matriz A.

Cofactor de ai j

El cofactor del elemento ai j denotado por (Ci j ) se define como el valor del menor de este elemento pero multiplicado por un signo, positivo o negativo, el cual se obtiene al elevar a la i + j el número

(-1).

De lo anterior se puede concluir que

Ci

j = - (Mi j ) si i + j es impar, o

Ci

j = (Mi j ) si i + j es par

15

Álgebra Lineal 2.3.2 Expansión por cofactores El determinante de una matriz cuadrada de orden n,
Álgebra Lineal 2.3.2 Expansión por cofactores El determinante de una matriz cuadrada de orden n,

Álgebra Lineal

2.3.2 Expansión por cofactores

El determinante de una matriz cuadrada de orden n, se puede obtener multiplicando los elementos de un renglón o columna por sus cofactores correspondientes y sumando estos productos.

Sea A = (a nn ) una matriz de orden arbitrario n x n (siendo n un número par). Para calcular el det (A) se procede de la siguiente manera:

a a

11

a a

21

12

22

a m

1

a

m

2

a

a

1 n

2 n

a

mn

= a 11

a a

22

a n 2

a

2 n

nn

211 a m 2 a a 1 n 2 n a mn = a 11 a

a 12

a n 2

a

a

1 n

nn

a 11 a a 22 a n 2 a 2 n nn 21 a 12 a

a n1

a a

12

a a

22

1 n

2 n

Los signos se van alternando según la posición que ocupen las entradas del determinante.

Es decir:

que ocupen las entradas del determinante. Es decir: Cabe mencionar que cuando se utiliza este método

Cabe mencionar que cuando se utiliza este método conviene seleccionar para el desarrollo, el renglón o columna que tenga mayor número de ceros, pues esto simplifica el cálculo.

Ejemplo:

Calcular el determinante de A =

3 2

1 5

4

0

0

1

2 0 1 3
2
0
1
3
1
1

0

1

2

Si observamos la matriz, podemos ver que en la tercera columna hay dos ceros. Así pues, si tomamos los elementos de la tercera columna para calcular el determinante, nos ahorraremos calcular dos determinantes, ya que el producto de un determinante por cero es cero.

det (A) =

1
1

3

4

2 1 2 1
2
1
2
1
(-3)

(-3)

3

1

2

5

1
1

0

=

1(-12+0-4-16-3) + 3(15+0+2+20-2-0) = -1(-35) +

1(-12+0-4-16-3) + 3(15+0+2+20-2-0) = -1(-35) +

 

0

1

2

4

2
2

1

 

3(35) = 35 +105 = 140

16

Álgebra Lineal Ejercicio: cálculo de determinantes
Álgebra Lineal Ejercicio: cálculo de determinantes

Álgebra Lineal

Ejercicio: cálculo de determinantes

-------------------------------------------------------------------------------------------------------------------------

Calcular los siguientes determinantes:

a)

b)

c)

1

2
2
 

3

1

 

3

5

,

2
2
4
4

1

3 2 2 7
3
2
2
7
 

1

3 2 2 7
3
2
2
7
 

3

1

0

5

,

5

,

2

2
2

4

0

0

0

4

0

1

5

0

7

2

1

0

4

 

0

1
1

2

2

0

1 2 1 4 3 2 0 6 2
1
2
1
4
3
2
0
6
2

4

1

5

2

5

,

3

8 2 0 2 4 2
8
2
0
2
4
2

1

1

2.4 PROPIEDADES DE LOS DETERMINANTES

Las propiedades básicas del determinante son las siguientes:

1. El determinante de una matriz A y el de su traspuesta A T son iguales, es decir,

A =

A

T

2. Sea A una matriz cuadrada,

Si A posee dos filas (columnas) iguales, necesariamente

Si A es triangular, esto es, A sólo tiene ceros por encima o por debajo de la diagonal

A = 0.

principal, entonces

A

es igual al producto de los elementos de la diagonal.

3. Supongamos que B se ha obtenido de A mediante una operación elemental entre filas

o columnas,

Si se han intercambiado dos filas (columnas) de A, |B| = - |A|.

Si se ha sumado un múltiplo de una fila (columna) a otra, entonces |B| = |A|.

Si se ha multiplicado una fila (columna) de A por un escalar k, |B| = k|A|.

4. Sea A cualquier matriz n-cuadrada, son equivalentes los siguientes principios:

A es invertible, es decir, A tiene inversa A -1 .

17

Álgebra Lineal  AX = 0 tiene solamente la solución trivial.  El determinante de
Álgebra Lineal  AX = 0 tiene solamente la solución trivial.  El determinante de

Álgebra Lineal

AX = 0 tiene solamente la solución trivial.

El determinante de A no es nulo: |A|

0.

trivial.  El determinante de A no es nulo: | A| 0. 5. El determinante es

5. El determinante es una función multiplicativa. Es decir, el determinante del producto de matrices A y B es el producto de los determinantes: |AB| = |A| |B|.

6. Supongamos que A y B son matrices similares, entonces: |A| = |B|.

2.5 OTROS TIPOS DE MATRICES

Las matrices que se incluyen en esta sección, no se definieron con anterioridad, debido a que en su definición se involucra el concepto de determinante.

2.5.1 Matriz singular

Si A es una matriz cuadrada tal que su determinante es igual a cero, entonces se dice que A es una matriz singular

2.5.2 Matriz no-singular

Si A es una matriz cuadrada tal que su determinante es diferente de cero, entonces se dice que A es una matriz no-singular

2.5.3 Matriz de cofactores

Sea A una matriz cuadrada de orden n, la matriz de cofactores de A, denotada por cof (A), se define como la matriz cuyos elementos son los cofactores correspondientes a los elementos de A.

Para obtener la matriz de cofactores, primero hay que calcular el cofactor de cada elemento y después en el lugar del elemento se coloca el cofactor.

2.5.4 Matriz adjunta

Considerando una matriz cuadrada A. La matriz adjunta de A, denotado por adj A, es la traspuesta de la matriz de cofactores de A:

adj A =

A

A

11

12

A 1 n

A

A

21

22

A

2

n

A

A

n 1

n

2

A

nn

18

Álgebra Lineal Ejemplo : Sea A = 1 2 1 0 3 2 2 1
Álgebra Lineal Ejemplo : Sea A = 1 2 1 0 3 2 2 1

Álgebra Lineal

Ejemplo:

Sea A =

1 2 1 0 3 2 2 1 5
1
2
1
0
3
2
2
1
5

Los cofactores de los nueve elementos de A son:

A 11 = +

3
3

1

2

5

= 17 A 1 2 =

= 17

A 12 =

= 17 A 1 2 =

0

2

2

5

 

= 4

A 13 = +

0

2

3
3

1

= 6

 
  2 1 = 11 A 2 2 = + 1 1 A 2 3 =

2

1
1
= 11 A 2 2 = +

= 11

A 22 = +

1

1
1

A 23 =

A 2 3 =

1

2

 

A 21 =

 

= 7

= 3

 
 

1

5

 

2

5

 

2

1

 

A 31 = +

2 1 3 2
2
1
3
2

= 1

A 32 =

= 1 A 3 2 =

1

1
1

=

2
2

A 33 = +

1

2

=

3
3

0

2

 

0

3
3
 

La transpuesta de la matriz de los cofactores anteriores proporciona el adjunto de A:

adj A =

17 11 1 4 7 2 6 3 3
17
11
1
4
7
2
6
3
3

2.5.6 Aplicación de adjunta para hallar la matriz inversa

Para toda matriz cuadrada A,

A·(adj A) = (adj A) · A = |A|I

De este modo, si |A|

A -1 =

1 adjA A
1
adjA
A
A = | A | I De este modo, si | A | A - 1

0,

Observemos que esta propiedad nos permite hallar por otro método la inversa de una matriz.

Ejemplo:

Consideremos la matriz

19

Álgebra Lineal 1 2 1 17 A = 0 3 2 , adj A =
Álgebra Lineal 1 2 1 17 A = 0 3 2 , adj A =

Álgebra Lineal

1 2 1 17 A = 0 3 2 , adj A = 4 2
1
2
1
17
A
=
0
3
2
, adj A =
4
2
1
5
6
y
el det A:
11 1 7 2 3 3
11
1
7
2
3
3

det A =

1

0

2 1 3 2
2
1
3
2

=

15 + 8 + 0 – 6 – 0 – 2 =

15 + 8 + 0 6 0 2 =

15

15

det A = 1 0 2 1 3 2 = 15 + 8 + 0 –

0.

2

1

5

 

Así pues, aplicando la propiedad anterior:

A -1 =

A -1 =

1 adjA A
1
adjA
A

, obtendremos:

17 1/15 4 6
17
1/15
4
6
11 1 7 2 3 3
11
1
7
2
3
3

Ejercicio: cálculo de la matriz inversa

-------------------------------------------------------------------------------------------------------------------------

Calcular, por la propiedad anterior, la inversa de las siguientes matrices:

a)

 
1 2
1
2

2

 
3 1 2 5 .
3
1
2
5
.

A

=

4

, B =

b)

A

=

1 3 2 2 5 0 . 0 1 2
1
3
2
2
5
0
.
0
1
2

3.0 SISTEMAS DE ECUACIONES LINEALES

La necesidad de tener métodos eficientes para resolver sistemas de ecuaciones algebraicas lineales, es más importante aún que la solución de las ecuaciones no-lineales.

20

Álgebra Lineal Esto es debido a que en muchos casos los problemas de matemáticas aplicadas
Álgebra Lineal Esto es debido a que en muchos casos los problemas de matemáticas aplicadas

Álgebra Lineal

Esto es debido a que en muchos casos los problemas de matemáticas aplicadas se reducen a un conjunto de ecuaciones que constituyen un sistema lineal. Por este motivo puede decirse con razón, que la principal tarea del análisis numérico es la solución de ecuaciones lineales.

Se ha desarrollado una gran cantidad de algoritmos para llevar a cabo la solución de los sistemas lineales, lo que indica que es engañoso el aparente carácter elemental del problema, además de que hay muchas fallas en los métodos existentes.

En la solución de los sistemas de ecuaciones lineales, encontramos que básicamente existen dos tipos de métodos; exactos (directos) y de aproximaciones sucesivas (iterativos).

Los métodos exactos se basan en la realización de una serie de pasos los cuales llevan a una solución del sistema que no puede ser mejorada, la cual depende de la exactitud de las operaciones efectuadas. Aunque su nombre indica lo contrario, la solución obtenida por los métodos exactos, dista mucho, en algunos casos, de ser la solución exacta del sistema.

Los métodos iterativos se basan en determinar la solución del sistema, por medio de aproximaciones sucesivas hacia la solución a partir de un valor inicial. La ventaja de estos métodos es que se puede aproximar a la solución del sistema tanto como se desee, dependiendo de la exactitud requerida y del número de iteraciones deseado. Por otra parte la desventaja de este tipo de métodos es que el sistema debe estar bien condicionado para poder llegar a la convergencia y obtener su solución, adicionalmente la selección de los valores iniciales de las incógnitas, pueden impactar en la rapidez de convergencia.

Una ecuación algebraica lineal, es aquella donde en cada término de la ecuación aparece únicamente una variable o incógnita elevada a la primera potencia, por ejemplo:

a 11 x 1 + a 12 x 2 + a 13 x 3 +

+ a 1n x n = b 1

es una ecuación lineal en las variables x 1 , x 2 , x 3 ,

Se admite que los coeficientes a 11 , a 12 , a 13 , son constantes reales.

, x n .

, a 1n y el término independiente b 1 , de la ecuación,

Un sistema de ecuaciones lineales es un conjunto de ecuaciones que deben resolverse simultáneamente para todas las incógnitas. En lo sucesivo se considerarán únicamente sistemas de ecuaciones algebraicas lineales, o sea conjuntos de ecuaciones de la forma:

a 11 x 1 + a 12 x 2 + a 13 x 3 + a 21 x 1 + a 22 x 2 + a 23 x 3 + a 31 x 1 + a 32 x 2 + a 33 x 3 +

+ a 1n x n = b 1 + a 2n x n = b 2 + a 3n x n = b 3

: :

:

:

:

:

:

:

:

:

: :

:

:

:

:

:

:

:

:

a n1 x 1 + a n2 x 2 + a n3 x 3 +

+ a nn x n = b n

21

Álgebra Lineal 3.1 METODOS DIRECTOS Una de las aplicaciones principales de las matrices es la
Álgebra Lineal 3.1 METODOS DIRECTOS Una de las aplicaciones principales de las matrices es la

Álgebra Lineal

3.1 METODOS DIRECTOS

Una de las aplicaciones principales de las matrices es la solución de sistemas de ecuaciones lineales.

Aplicando la definición de producto entre matrices, el sistema presentado anteriormente, con n ecuaciones algebraicas lineales y con n incógnitas, puede escribirse en la forma matricial siguiente:

| a 1n |

a 11 a 12 a 13

| x 1 |

| b 1

 

|

| a 21 a 22 a 23

a 2n |

| x 2 |

| b 2 |

| a 31 a 32 a 33

a 3n |

| x 3 |

| b 3 |

| :

:

:

::

|

x | ::

|

= |

:

|

| :

:

:

::

|

x | ::

|

= |

:

|

| a n1 a n2 a n3

a nn |

| x n |

| b n |

de donde este sistema puede escribirse simbólicamente como:

A x = b

En donde A se llama matriz del sistema, x es el vector de incógnitas y b es el vector de términos independientes

Para resolver este tipo de sistemas, se utiliza lo que se conoce como matriz ampliada del sistema, la cual se forma con la matriz A y se amplia con el vector de términos independientes b.

La matriz ampliada M de un sistema de m ecuaciones con n incógnitas es la siguiente:

M =

a

a

11

21

a

a

12

22

a a

m

1

m

2

a

a

1

2

n

n

a

mn

b

b

1

2

b

m

Cada fila de M corresponde a una ecuación del sistema y cada columna a los coeficientes de una incógnita, excepto la última, que corresponde a las constantes del sistema.

A continuación se presentan dos de los métodos directos más comunes en la solución de sistemas de ecuaciones lineales

3.1.1 Método de Gauss - Jordán

Un sistema de ecuaciones lineales puede resolverse trabajando con su matriz ampliada, específicamente, reduciéndola a forma escalonada mediante el proceso de Gauss.

Este proceso se ilustra en el siguiente ejemplo.

22

Álgebra Lineal Ejemplo : Sea el sistema, x 2 y z 2 x 5 y
Álgebra Lineal Ejemplo : Sea el sistema, x 2 y z 2 x 5 y

Álgebra Lineal

Ejemplo:

Sea el sistema,

x

x 2 y z

2

y

zx 2 y

2

x

2 x 5 y z

5

y

z2 x 5 y

3

x

3 x 2 y z

2

y

z3 x 2 y

3 4 2
3
4
2

su matriz ampliada asociada es

x y z 1 2 1  3 2 5 1  4 3 2
x y
z
1 2
1
 3
2 5
1
 4
3 2
1
 2

Ahora resolvemos por el método de Gauss sabiendo que la primera columna corresponde a los coeficientes de la x, la segunda a los de la y, la tercera a los de la z y la cuarta a los términos independientes:

x y z 1 2 1 2 5 1 3 2 1
x y
z
1 2
1
2 5
1
3 2
1

x

y

1 2

0 1

0 0

z

1

3
3

1

x y z  3 1 2 1  4 0 1 3  2
x
y
z
 3
1
2
1
 4
0
1
3
 2
0
8
4
x  3 1  10 0  4 0
x
 3
1
 10
0
 4
0

y

2

1

0

z

1

3 28
3
28
x y  3 1 2  10 0 1  3 0 0
x
y
 3
1
2
 10
0
1
 3
0
0

z

0

0

1

x y z  0 1 0 0  2  1 0 1 0
x
y
z
 0
1
0
0
 2
 1
0
1
0
 1
3
0
0
1
 3

De este modo, el sistema tiene la solución única

x = 2,

y = -1,

z = 3.

 3  10  84
 3
 10
 84

La solución de sistemas de ecuaciones lineales por matrices, aplicando el método de Gauss u otros, es una de las múltiples aplicaciones que tienen las matrices.

23

Álgebra Lineal Ejercicio: solución de sistemas de ecuaciones lineales por matrices
Álgebra Lineal Ejercicio: solución de sistemas de ecuaciones lineales por matrices

Álgebra Lineal

Ejercicio: solución de sistemas de ecuaciones lineales por matrices

-------------------------------------------------------------------------------------------------------------------------

Hallar el valor de x, y, z, t en los siguientes sistemas de ecuaciones lineales aplicando matrices:

a)

ysistemas de ecuaciones lineales aplicando matrices: a) 2 3 x 2 y x 3 y x

2sistemas de ecuaciones lineales aplicando matrices: a) y 3 x 2 y x 3 y x

3sistemas de ecuaciones lineales aplicando matrices: a) y 2 x 2 y x 3 y x

x

2 y

x

3 y

x

4lineales aplicando matrices: a) y 2 3 x 2 y x 3 y x 2 z

2

z

t

5aplicando matrices: a) y 2 3 x 2 y x 3 y x 4 2 z

aplicando matrices: a) y 2 3 x 2 y x 3 y x 4 2 z

taplicando matrices: a) y 2 3 x 2 y x 3 y x 4 2 z

3

z

3aplicando matrices: a) y 2 3 x 2 y x 3 y x 4 2 z

matrices: a) y 2 3 x 2 y x 3 y x 4 2 z t

2matrices: a) y 2 3 x 2 y x 3 y x 4 2 z t

4

z

t

1matrices: a) y 2 3 x 2 y x 3 y x 4 2 z t

a) y 2 3 x 2 y x 3 y x 4 2 z t 5

3.1.1 Solución por regla de Cramer

b)

x

2

5

x

x

y3 2 4 z t 1 3.1.1 Solución por regla de Cramer b) x 2 5

32 4 z t 1 3.1.1 Solución por regla de Cramer b) x 2 5 x

74 z t 1 3.1.1 Solución por regla de Cramer b) x 2 5 x x

y

y

21 3.1.1 Solución por regla de Cramer b) x 2 5 x x y 3 7

33.1.1 Solución por regla de Cramer b) x 2 5 x x y 3 7 y

4Solución por regla de Cramer b) x 2 5 x x y 3 7 y y

z

z

z

3por regla de Cramer b) x 2 5 x x y 3 7 y y 2

tpor regla de Cramer b) x 2 5 x x y 3 7 y y 2

tpor regla de Cramer b) x 2 5 x x y 3 7 y y 2

t

4regla de Cramer b) x 2 5 x x y 3 7 y y 2 3

3regla de Cramer b) x 2 5 x x y 3 7 y y 2 3

5de Cramer b) x 2 5 x x y 3 7 y y 2 3 4

En el tema de matrices y su aplicación a los sistemas de ecuaciones lineales, se vio cómo resolverlas mediante el método de eliminación de Gauss. Con los determinantes, y aplicando la regla de Cramer, veremos otra manera de calcular los sistemas de ecuaciones lineales.

Los pasos a seguir para calcular los sistemas de ecuaciones según la regla de Cramer son los siguientes:

1. Hallar la matriz ampliada (A b) asociada al sistema de ecuaciones, esto es: que la primera columna esté formada por las entradas de los coeficientes de la primera incógnita de las ecuaciones; que la segunda columna la formen las de la segunda incógnita, y así hasta llegar a la última columna, que estará constituida por las entradas de los términos independientes de las ecuaciones.

2. Calcular el determinante de A.

3. Aplicar la regla de Cramer, que consiste en:

a) Ir sustituyendo la primera columna del det (A) por los términos i i independientes;

b) dividir el resultado de este determinante entre el det (A) para hallar el valor de la primera

incógnita;

c) continuar sustituyendo los términos independientes en las distintas columnas para hallar

el resto de las incógnitas.

Ejemplo:

Sea el sistema de ecuaciones lineales formado por dos ecuaciones con dos incógnitas:

3

x

23 x y 1

y

13 x 2 y

x

5x y 3

y

3x 5 y

Encontrar el valor de x y y mediante la regla de Cramer.

24

Álgebra Lineal Empezaremos con el primer paso, que consiste en hallar la matriz ampliada A
Álgebra Lineal Empezaremos con el primer paso, que consiste en hallar la matriz ampliada A

Álgebra Lineal

Empezaremos con el primer paso, que consiste en hallar la matriz ampliada A b asociada al sistema de ecuaciones lineales:

A b

x y b 3 2  1 . 1 5  3
x
y
b
3
2
1
.
1
5
3

El segundo paso es calcular el determinante de A. Así pues:

det (A) =

3

1

2
2

5

= 15 + 2 = 17

Y el tercero y último paso consiste en calcular las incógnitas:

b y 1 2 3 5 5 6 11 x . 17 17 17 3.2
b
y
1
2
3
5
5
6
11
x
.
17
17
17
3.2 METODOS ITERATIVOS

y

x b 3 1 1 3 9 1 8 . 17 17 17
x
b
3
1
1
3
9
1
8
.
17
17
17

Para la mayoría de los sistemas de ecuaciones lineales, los métodos iterativos o de aproximaciones sucesivas, requieren de mayores cálculos que los requeridos por el método de Gauss Jordán, para llegar a un grado de aproximación preestablecido, Sin embargo, cuando los elementos no nulos de la matriz se acumulan a lo largo de su diagonal principal, siendo los elementos de la misma los mayores en valor absoluto, las técnicas iterativas pueden compararse favorablemente con los métodos directos. Además debido a que los métodos iterativos usan relativamente poca parte de la memoria de una computadora, son particularmente ventajosos para resolver sistemas de gran número de ecuaciones.

Existen una variedad muy grande de métodos iterativos para resolver sistemas de ecuaciones lineales, de los cuales se presentarán solamente dos, ambos son muy similares en su planteamiento, la diferencia se encuentra básicamente en la manera de ir sustituyendo los valores de las incógnitas encontradas.

25

Álgebra Lineal 3.2.1 Método de Jacobi Supóngase un sistema de ecuaciones lineales como el siguiente:
Álgebra Lineal 3.2.1 Método de Jacobi Supóngase un sistema de ecuaciones lineales como el siguiente:

Álgebra Lineal

3.2.1 Método de Jacobi

Supóngase un sistema de ecuaciones lineales como el siguiente:

a 11 x 1 + a 12 x 2 + a