Nociones Elementales de Matrices

Antes de ver la solucin de los Sistemas de Ecuaciones Lineales

haremos un repaso de las fundamentos de las matrices.

1
Nociones Elementales de Matrices

2
Nociones Elementales de Matrices

3
Nociones Elementales de Matrices

4
Nociones Elementales de Matrices

5
Nociones Elementales de Matrices

6
Nociones Elementales de Matrices

7
 Solucin de sistemas de ecuaciones
lineales
Anlisis de Circuitos (ecuaciones de malla y nodos)
Solucin Numrica de ecuaciones diferenciales (Mtodo
de las diferencias Finitas)
Solucin Numrica de ecuaciones de integrales (Metodo
de los Elementos Finitos, Mtodo de los Momentos)

a11 x1 a12 x2 a1n xn b1 a11 a12 a1n x1 b1

a a a2 n x2 b2
a21 x1 a22 x2 a2 n xn b2 21 22



an1 x1 an 2 x2 ann xn bn an1 an 2 ann xn bn

8
 Consistencia (Solubilidad)
El sistema lineal de ecuaciones Ax=b tiene una solucin, o
es consistente si y solo si Rango{A}=Rango{A|b}
Un sistema es inconsistente cuando
Rango{A}<Rango{A|b}

Rank{A} es el mximo numero de columnas linealmente

independientes o filas de A. El rango puede ser encontrado
usando ERO (Elementary Row Oparations) ECO
(Elementary column operations).

9
Operaciones Elementales de filas
(ERO)
Las siguientes operaciones aplicadas a la matriz
aumentada[A|b], producen un sistema lineal equivalente

Intercambios: El orden de dos filas pueden ser cambiada

Escalado: Multiplicando un fila por una constante no

cero

Reemplazo: Las filas pueden ser reemplazadas por la

suma de esa fila y un mltiplo distinto a cero de
cualquier otra fila

10
 Un ejemplo inconsistente
1 2 x1 4
2 4 x 5
2
ERO:Multiplicar la primera fila por
-2 y sumar la segunda fila

1 2
0 0 Rank{A}=1 Entonces

este
sistema de
1 2 4 ecuaciones
0 0 3 Rank{A|b}=2 no es
soluble

11
 Unicidad de las soluciones

El sistema tiene una nica solucion si y solo si

Rango{A}=Rango{A|b}=n

n es el orden del sistema

Tales sistemas son llamados sistemas full-rank (rango

completo)

12
 Sistemas rango completo (Full-
rank)
Si Rango{A}=n
Det{A} 0 A es nonsingular por lo tanto invertible
Solucin nica

1 2 x1 4
1 1 x 2
2

13
 Matrices de rango deficiente
Si Rango{A}=m<n
Det{A} = 0 A is singular por lo tanto no es
invertible
nmero infinito de soluciones (n-m variables
libres)
sistema sub-determinado
1 2 x1 4
2 4 x 8
2
Rank{A}=Rank{A|b}=1
Consistente soluble
14
 Sistema de ecuaciones
mal-condicionadas
Una pequea desviacin en las entradas de la
matriz A, causa una gran desviacin en la
solucin.
1 2 x1 3 x1 1
0.48 0.99 x 1.47
2 x2 1

1 2 x1 3 x1 3
0.49 0.99 x 1.47 x 0
2 2

15
 Mal condicionada (continua.....)
Un sistema lineal
de ecuaciones se
dice a ser mal
condicionada si la
matriz de
coeficientes tiende
a ser singular

16
17
 Tipos de ecuaciones de sistemas
lineales a ser estudiados
Los coeficientes reales de la matriz cuadrada A
EL vector b es diferente de cero y real
Sistema consistente, soluble
Sistemas rango completo, solucin nica
Sistemas bien-condicionados

18
 Tcnicas de Solucin
Mtodos directos de solucin

Encuentra una solucin en un nmero finito de operaciones

transformando el sistema en un sistema equivalente que
sea ' ms fcil ' de solucionar.

Triangulares diagonales, .

Mtodos de solucin Iterativos

Calcula las aproximaciones sucesivas del vector solucin

para una mat. A y un b dados, comenzando de un punto
inicial x0
Total del de operaciones es incierto, puede que no
converja.
19
 Mtodos de solucin directa
Eliminacin Gaussiana
Usando ERO, la matriz A es transformada en
una matriz triangular superior (todos los
elementos debajo de la diagonal son cero).
Sustitucin hacia atrs es usada para resolver

Back substitution
un sistema triangular superior
a11 a1i a1n x1 b1 a11 a1i a1n x1 b1

~
ai1 aii ain xi bi 0 aii ain xi bi
~ ~

ERO ~
an1 ani ann xn bn 0 0 a~nn xn bn

20
 Primer paso de la eliminacin
a11
Elemento pivotal
(1) (1)
a12 (1)
a13 a1(1n) x1 b1(1)

a (1)
21
(1)
a22 (1)
a23 a2(1n) x2 b2
(1)

a31
(1) (1)
a32 (1)
a33 a3(1n) x3 b3(1)


a (1) an(12) an(13) (1)
ann xn b (1)
n1 n

a11
(1) (1)
a12 (1)
a13 a1(1n) x1 b1(1)
(1)
m2 ,1 a21
(1)
/ a11 0 ( 2)
a22 ( 2)
a23 a2( 2n) x2 b2
( 2)

m3,1 a31 / a11
(1) (1)
0 ( 2)
a32 ( 2)
a33 a3( 2n ) x3 b3( 2 )


(1) ( 2) b ( 2)
mn ,1 an(11) / a11 0 an( 22) an( 23) ann xn n

21
 Segundo paso de la eliminacin
a11
(1) (1)
a12 (1)
a13 a1(1n) x1 b1(1)
( 2)
0
Elemento Pivotal a ( 2)
22 a ( 2)
23 a2 n x2 b
( 2)
2
0 a ( 2)
32 a ( 2)
33 a3( 2n ) x3 b ( 2)
3


0 an( 22) an( 23) ( 2)
ann xn b ( 2)
n
a11
(1) (1)
a12 (1)
a13 a1(1n) x1 b1(1)
( 2)
0 a ( 2)
22 a ( 2)
23 a2 n x2 b
( 2)
2
m3, 2 a32
( 2) ( 2)
/ a22 0 0 a ( 3)
33 a3( 3n) x3 b ( 3)
3


( 2) ( 3) b ( 3)
mn , 2 an( 22) / a22 0 0 an( 33) ann xn n
22
Algoritmo de la Eliminacin
Gaussiana
Define un nmero de pasos como p (fila pivotal)
For p=1,n-1
For r=p+1 to n

mr , p arp( p ) / a (ppp )
arp( p ) 0
br( p 1) br( p ) mr , p b p( p )
For c=p+1 to n
( p 1)
a rc a ( p)
rc mr , p a ( p)
pc

23
 Algoritmo de la sustitucin
hacia atrs
a11 (1) (1)
a12 (1)
a13 a1(1n) x1 b1(1)
( 2)
0
( 2)
a22 ( 2)
a23 a2( 2n) x2 b2
0 0 ( 3)
a33 a3( 3n) x3 b3( 3)


0 0 0 an( n1) n 1 an( n1) n xn 1 b ( n 1)
n ( n1 )
0 0 0 0 ann
(n)
xn bn

bn( n )
xn ( n )
ann
xn 1
a
1
( n 1)
b( n 1)
n 1 ann11n xn
n 1n 1

1 n

xi ( i )
aii b

i
(i )
a
k i 1
(i )
ik xk

i n 1, n 2, ,1

24
 Contador de Operaciones
Nmero de operaciones aritmticas requeridas
por el algoritmo para completar esta tarea.
Generalmente solo multiplicaciones y divisiones
son contadas.
3 2
Proceso de Eliminacinn n 5n
3 2 6
Sustitucin hacia atrsn 2 n
Dominates
2 No eficiente para
diferentes vectores RHS
n3 n
Total n
2

3 3
25
 Decomposicin LU
A=LU
Ax=b LUx=b
Define Ux=y
Ly=b Resolver y por sustitucin hacia adelante
Ux=y Resolver x por sustitucin hacia atrs
Las operaciones elementales entre filas debe ser
desarrolladas en b as como en A.
La informacin de estas operaciones es almacenada en L
En verdad y es obtenida aplicando operaciones
elementales al vector b.

26
 Decomposicin LU por Eliminacin
Gausiana
Existen infinitas formas diferentes para descomponer A.
Una de las ms populares es: U=Matriz de la Eliminacin
Gaussiana L=Multiplicadores usados para la eliminacin

1 0 0 0 0 a11(1) a12(1) a13(1) a1(1n)

m
2,1 1 0 0 0 0 ( 2)
a22 ( 2)
a23 a2( 2n)

m3,1 m3, 2 1 0 0 0 0 ( 3)
a33 a3( 3n)
A
0
mn 1,1 mn 1, 2 mn 1,3 1 0 0 0 an( n1) n 1 an( n1) n

mn ,1 mn , 2 mn ,3 mn , 4 1 0 (n)
0 0 0 ann
Almacenamiento Compacto: Las entradas diagonales de la
matriz L son todos unos, estos no necesitan almacenarse. LU es
almacenado en una matriz.
27
 Contador de Operaciones
A=LU Descomposicin n3 n

3 3
Ly=b Sustitucin hacia adelante n2 n

Ux=y Sustitucin hacia atrs 2

n n
2

3
Total n n 2
n
2
3
Para diferentes 3
vectores RHS, el sistema puede
ser eficientemente resuelto.

28
 Pivoteo
Computadoras usan precisin aritmtica finita
Pequeos errores son introducidos en cada
operacin aritmtica, propagacin de errores
Cuando los elementos pivotales son muy
pequeos, los multiplicadores podran ser muy
grandes.
La adicin de nmeros de magnitud diferente
puede conducir a la prdida de significacin .
Para reducir el error, se realiza intercambio de
filas para maximizar la magnitud del elemento
pivotal.

29
 Ejemplo: Sin Pivoteo
1.133 5.281 x1 6.414
aritmtica 4-digit 24.14 1.210 x 22.93
2

24.14 1.133 5.281 x1 6.414

m21
1.133
21.31 0.000 113 .7 x 113 .8
2

x1 0.9956
x 1.001 Prdida de precisin
2
30
 Ejemplo: Con Pivoteo
24.14 1.210 x1 22.93
1.133 5.281 x 6.414
2

1.133 24.14 1.210 x1 22.93

m21
24.14
0.04693 0.000 5.338 x 5.338
2

x1 1.000
x 1.000
2
31
 Procedimiento de Pivoteo
a11(1) a12(1) a13(1) a1(i1) a1(1j) a1(1n)
( 2) ( 2) ( 2) ( 2) ( 2)
0 a 22 a 23 a 2i a 2j a 2n
0 0 a ( 3)
33 a ( 3)
3i a ( 3)
3j a ( 3)
3n
Parte

Eliminada
0 0 0 aii(i ) aij(i ) ain(i ) Fila
Pivotal

0 0 0 a (jii ) a (jji ) a (jni )


(i ) (i ) (i )
0 0 0 a ni a
a nj nn

Columna Pivotal
32
 Pivoteo por fila
Ms comnmente llamado procedimiento de
pivoteo parcial
Busque la columna pivotal
Encuentre el mas grande elemento en
magnitud
Luego intercambie esta fila con la fila pivotal.

33
 Pivoteo por filas
a11(1) a12(1) a13(1) a1(i1) a1(1j) a1(1n)
( 2) ( 2) ( 2) ( 2) ( 2)
0 a 22 a 23 a 2i a 2j a 2n
0 0 a ( 3)
33 a ( 3)
3i a ( 3)
3j a Intercambio
( 3)
3n
de filas

0 0 0 aii(i ) aij(i ) ain(i )


0 0 0 a (jii ) a (jji ) a (jni )


(i )
0 0 0 ani(i ) anj(i ) ann

El ms grande en magnitud
34
 Pivoteo por columna
a11(1) a12(1) a13(1) a1(i1) a1(1j) a1(1n)
( 2) ( 2) ( 2) ( 2) ( 2)
0 a 22 a 23 a 2i a 2j a 2n
0 0 a ( 3)
33 a ( 3)
3i a ( 3)
3j a ( 3)
3n


0 0 0 aii(i ) aij(i ) ain(i )

El mas
0 0 0 a (jii ) a (jji ) a (jni )
grande
en
magnitud
(i ) (i ) (i )
0 0 0 a a ni nj a nn
Intercambio de
Estas columnas 35
 Pivoteo Completo
a11(1) a12(1) a13(1) a1(i1) a1(1j) a1(1n)
( 2) ( 2) ( 2) ( 2) ( 2)
0 a 22 a 23 a 2i a 2j a 2n
0 0 a ( 3)
33 a ( 3)
3i a ( 3)
3j a Intercambie
( 3)
3n
estas filas

0 0 0 aii(i ) aij(i ) ain(i )


0 0 0 a (jii ) a (jji ) a (jni )

Ms grande
(i ) en magnitu
0 0 0 ani(i ) anj(i ) ann
Intercambie
estas columnas 36
Pivoteo por filas en Descomposicin
LU
Cuando dos filas de A se
intercambian, las filas 1 1
2 2
de b deben tambin ser

intercambiadas. 3 3

Use un vector pivote.

Vector pivote inicial son p j
p i
enteros desde 1 hasta n.

Cuando dos filas (i y j) i
j
de A son
intercambiadas, aplicar
esto al vector pivote. n n

37
 Modificando el vector b

Cuando se realiza la 1 7.3 7.3

descomposicin LU de A, 3 8 .6
1.2
el vector pivote nos da el
orden de las filas 2 1.2 8.6

despus del intercambio. 4 4 . 8 4.8
Antes de aplicar la p 8 b 9.6 b 3.5

sustitucin hacia 6 5. 2 5.2
adelante para resolver 7 2 .7 2.7
Ly=b, modificar el orden
del vector b de acuerdo 5 3 .5 9.6
9 6 .9 6.9
a las entradas del vector
pivote.

38
 Descomposicin LU
algoritmo
For k=1,n-1 con pivoteo
columnaparcial
a ser
eliminada
p=k
Columna para
For r=k+1
ark a pkto n thenp r una entrada
if mxima
Intercambi
if p>k then t a , a a , a t ode filas
kc kc pc pc
For c=1 to n
Formr=k+1
r ,k a ( k ) to (n
rk / a k)
kk

ark( k 1) mr ,k Actualizando la matriz L

For c=k+1 to n
Actualizando la ( k 1)
matriz U a rc a (k )
rc mr ,k a (k )
kc 39
 Ejemplo
0 3 2 12 1
A 4 2 1 b 5 p 2
1 4 2 3 3

Intercambio de columnas: Mxima magnitud segund

Intercanbio de la 1era y 2da fila

4 2 1 2
A 0 3 2 p 1
1 4 2 3

40
 Ejemplo (continuacin)...
4 2 1 2
A 0 3 2 p 1
1 4 2 3
Elimacin de a21 y a31 usando a11 como elemento
pivotal
A=LU en forma compacta (en una sola matriz)
4 2 1 2
A 0 3 2 p 1
0 3.5 1.75 3
Multiplicadores (matriz L) l21=0; l31=-0.25
41
 Ejemplo (continuacin)...
4 2 1 2
A 0 3 2 p 1
0 3.5 1.75 3

Columna encontrada: Maxima magnitud en la tercera

Intercambio de la 2da y 3era fila

4 2 1 2
A 0 3.5 1.75 p 3
0 3 2 1

42
 Ejemplo (continuacin)...
4 2 1 2
A 0 3.5 1.75 p 3
0 3 2 1

Eliminar a32 usando a22 como elemento

pivotal
4 2 1 2
A 0 3.5 1.75 p 3
0 0 3.5 1

Multiplicadores (matriz L) l32=3/3.5

43
 Ejemplo (continuacin)...
1 0 4 2
0 1 2
A 0.25 1 0 0 3.5 1.75 p 3
0 3 / 3.5 1 0 0 3.5 1

2 12 5
p 3 b 5 b 3
1 3 12

Ax=b LUx=b
Ux=y
Ly=b
44
 Ejemplo (continuacin)...
Ly=b
1 0 0 y1 5 y1 5
0.25 1 0 y2 3 y 1.75
Sustitucin 2
0 3 / 3.5 1 y3 12 Inversa y3 10.5

Ux=y
4 2 1 x1 5 x1 1
0 3.5 1.75 x 1.75 2
2 Sustitucin x2
0 0 3.5 x3 10.5 Directa x3 3

45
 Eliminacin de Gauss-Jordan
Los elementos sobre la diagonal se convierten y
por debajo de la diagonal son ceros.
a11 (1) (1)
a12 a1(1n) b1(1) a11
(1) (1)
a12 a1(1n) b1(1)
(1) (1)
a21 a22 a2(1n) b2(1) 0 ( 2)
a22 a2( 2n) b2( 2 )

(1)
an1 an(12) (1)
ann bn(1) 0 a ( 2)
n2 a ( 2)
nn b ( 2)
n

a11
(1)
0 ( 2)
ann b1( 2 ) a11
(1)
0 0 b1( n 1)

0 ( 2)
a22 ( 2)
ann b2( 2 ) 0 ( 2)
a22 0 b2( n 1)

( 3)
0 0 ann bn( 3) 0 0 (n)
ann bn( n )

46
 Eliminacin de Gauss-Jordan
Casi 50% mas de operaciones aritmticas que la
Eliminacin Gaussiana.
Gauss-Jordan (GJ) Eliminacin es preferible
cuando la inversa de una matriz es requirido.

A I
Aplicar eliminacin GJ para convertir A en una
matriz identidad.

I A 1
47
 Diferentes formas de

factorizacin
Forma de Doolittle
a
LU
a a 1
11 12 13 0 0 u11 u12 u13
Obtenida por a a22 a23 l21 1 0 0 u22 u23
21
Eliminacin Gaussiana a31 a32 a33 l31 l32 1 0 0 u33

Forma de Crout a11 a12 a13 l11 0 0 1 u12 u13

a a22 a23 l21 l22 0 0 1 u23
21
a31 a32 a33 l31 l32 l33 0 0 1

Forma de Choleski l11 0 0 l11 l12 l13

l l 22 0 0 l 22 l 23
21
l 31 l 32 l 33 0 0 l 33

48
 Forma de Crout
Clculo de la primera columna de Lli1 ai1
a
Clculo de la primera fila de U u1 j 1 j
l 11
Clculo alternado de las colum. de L y filas de U

j 1
lij aij lik ukj j i, i 1,2, , n
k 1

aij k 1 lik ukj

i 1

uij i j, j 2,3, , n
lii

49
 Secuencia de la reduccin de
aCrout
11 a a
12a l
13 0 0 0 1 u
14 11 u u 12 13 14 2
a a a a l l 0 0 0 1 u23 u24
21 22 23 24 21 22 4
a31 a32 a33 a34 l31 l32 l33 0 0 0 1 u34
6
a a a a l l l
41 42 43 44 41 42 43 44 l 0 0 0 1

1 3 5 7

Una entrada de la matriz A es useda solamente una

vez
para calcular la Correspondiente entrada de las
matrices
L o U .As las columnas de L y las filas de U pueden
50
 Factorizacin de Choleski
Si A es simtrica y definida positiva, entonces la
factorizacin LU
Puede ser arreglada para que U = LT , la cual se obtiene
de la factorizacin de Choleski
A = LLT
Donde L es una matriz triangular inferior con diagonal con
entradas positivas
Algoritmo para el clculo puede ser derivado por la
ecuacin correspondiente a las entradas de A y LLt
En el caso de 2 2, por ejemplo,

Implica que:

51
 Factorizacin de Choleski (continua)
Una forma de escribir el algoritmo general,es

52
Solucin de Sistemas Lineales de
ecuaciones Complejas
Cz=w
C=A+jB Z=x+jy w=u+jv
(A+jB)(x+jy)=(u+jv)
(Ax-By)+j(Bx+Ay)=u+jv

A B x u
B A y v

Sistema lineal de ecuaciones reales
53
 Sistemas grandes y Esparcidos
Cuando el sistema lineal es grande y esparcido
(muchas entradas ceros), los mtodos directos
llegan a ser ineficientes por la presencia de
trminos de relleno.
Los trminos de relleno son aquellos que resultan
ser diferentes de cero durante la eliminacin

Trmino
s de
a11 0 a13 a14 0 a11 0 a13 a14 0 relleno
0 0 0
a22 0 a24
Eliminacin a22 0 a24 0
a31 0 a33 0 a35 0 0
a33
a34
a35

a41 a42 0 a44 0
0 0 0
a44
a45
0 0 a53 0 a55 0 0 0 0
a55 54
 Matrices Esparcidas
La matriz de ecuacin de nodos es una matriz
esparcida.
Matrices Esparcidas son almacenadas
eficientemente almacenando solamente las
entradas no cero.
Cuando del sistema es muy grande (n=10,000) los
trminos de relleno aumentan los requerimientos
de almacenamiento considerablemente.
En tales casos los mtodos de solucin iterativa
debe ser preferidos en lugar de mtodos de
solucin directa.

55
 Problema 1
Resolver por Eliminacin Gaussiana con pivoteo
parcial de
4 filas:
0 2 3 x1 9
3 2 2 3 x 14
2
2 4 1 1 x3 9

1 1 1 1 x
4 4
E2-(3/4)E1 =>E2
4 0 2 3 x1 9
E3-(1/2)E1 =>E3 0 2 0.5 0.75 x2 7.25

E4-(-1/4)E1=>E4 0 4 2 2.5 x3 13.5

0 1 1.5 1.75 x4 6.25

56
 Problema 1
Intercambiamos las Ecuaciones 2 y 3 (E2E3)
4 0 2 3 x1 9
0
4 2 2.5 x2 13.5

0 2 0.5 0.75 x3 7.25

0 1 1 . 5 1. 75 x
4 6 .25

4 0 2 3 x1 9
E3-(-1/2)E2 =>E3 0
4 2 2.5 x2 13.5

E4-( 1/4)E2 =>E4 0 0 2 2.375 x3 9.625

0 0 0.5 0.5 x4 0.5

57
 Problema 1
E4-(-1/4)E3 =>E4
4 0 2 3 x1 9
0 4 2
2.5 x2 13.5

0 0 2 2.375 x3 9.625

0 0 0 0.09375 x4 2.90625

Resolviendo por x4 31
x 32
sustitucin hacia atrs: 3
x2 0

x1 5

58
 Problema 2
Obtener la factorizacin de Doolite:
6 1
A
2 4
Solucin 1
A partir de la Eliminacion Gaussiana:
m21= a21/a11 =2/6=1/3 6 1
U
E2-(1/3)E1=>E2 0 13 / 3

1 0 1 0 1 0 6 1
L A L *U *
m12 1 1 / 3 1 1 / 3 1 0 13 / 3
59
 Problema 2
Solucin 2 6 1 1 0 u11 u12
A L *U *
2 4 l
21 1 0 u 22
Planteando el producto matricial:
6 u11
1 u12
2 l21u11 l21 1 / 3
4 l21u12 u22 u22 13 / 3
6 1 1 0 6 1
A L *U *
2 4 1 / 3 1 0 13 / 3

60
 Problema 3
Resolver por la factorizacin de Doolite:
6 1 x1 5
2 4 x 6
2
Solucin
Del ejercicio anterior ya tenemos la factorizacin
LU:
1 0 6 1 x1 5
L *U * x b * x 6
1 / 3 1 0 13 / 3 2

61
 Problema 3
Se obtienen dos sistemas triangulares fciles de
resolver. Resolviendo el sistema triangular inferior
por sustitucin directa:
1 0 z1 5 z1 5
L* z b *
1 / 3 1 z 6
2 z
2 13 / 3
Resolviendo el sistema triangular superior por
sustitucin directa:

6 1 x1 z1 5 x1 1
U *x z x z 13 / 3 x 1
0 13 / 3 2 2 2

62
 Problema 4
Obtener la factorizacin de Crout:
60 30 20
A 30 20 15
20 15 12
Solucion
Debemos plantear la multiplicacion matricial:
a11 a12 a13 l11 0 0 1 u12 u13
A a21 a22 a23 L *U l21 l22 0 0 1 u 23
a31 a32 a33 l31 l32 l33 0 0 1

63
 Problema 4
a11 l11
a12 l11u12
a13 l11u13
a21 l21

60 30 20 60 0 0 1 1 / 2 1 / 3
A 30 20 15 L *U 30 5 0 0 1
1

20 15 12 20 5 1 / 3 0 0 1

64
 Problema 5
Mtodo de Crout para sistemas
tridiagonales
a11 a12 0 0 l11 0 0 0 1 u12 0 0
a a22 a23 0 l21 l22 0 0 0 1 u23 0
21
0 a32 a33 a34 0 l32 l33 0 0 0 1 u34

0 0 a43 a44 0 0 l43 l44 0 0 0 1

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

0 1 2 1 0 1 4 / 3 0 0 0 1 3 / 4

0 0 1 2 0 0 1 5 / 4 0 0 1

65
 Problema 6
Factorizar por el mtodo de Choleski la
siguiente matriz:
4 1 1
1 4.25 2.75

1 2.75 3.5

Solucin
Se requiere que la matriz sea simtrica y
definida positiva para aplicar Choleski.

66
 Problema 6
Es evidente que la matriz es simtrica; para
verificar que es definida positiva verificamos
si se satisface el criterio de Silvester:
det 4 0
4 1
det 0

1 4. 25
4 1 1

det 1 4.25 2.75 0
1 2.75 3.5

67
 Problema 6
Dado que los determinantes de todos los
menores principales son positivos podemos
afirma que la matriz es definida positiva y
podemos aplicar la factorizacin de Choleski
con seguridad.
A L *U L * L U *U T T

a11 a12 a13 l11 0 0 l11 l21 l31

A a21 a22 a23 L * LT l21 l22 0 0 l22 l32
a31 a32 a33 l31 l32 l33 0 0 l33

68
 Problema 6
Resolviendo la multiplicacin matricial:
a 0 0 a b f
b c 0 0 c e

d e f 0 0 f
a2 4

ba 1 0 2 1 / 2 1 / 2
4.25 b 2 c 2 2 0
1 / 2 2 0 0 2 3 / 2
1 ad
2.75 db ec 1 / 2 3 / 2 1 0 0 1

3.5 d 2 e 2 f 2
69