Test N1

Escriba en forma matricial lo siguiente (5p)

Encuentre A X y X
T
A
T
(10p)




Que es una matriz triangular superior?(5p)
2 6 7 11
5 2 12
2 7 20
x y
x z
x y z
+ =
=
+ + =
2
3 0 2 4
3
4 3 1 2
0
5 1 1 2
1
A X

= =





Resolucin de Sistemas de
Ecuaciones lineales
Contenidos
Concepto matrices y su uso en la resolucin
de sistemas de ecuaciones
Determinantes
Mtodo de eliminacin de Gaussiana y de
Gauss-Jordan
Mtodos iterativos
Sistemas de ecuaciones no lineales
Matrices
Es un arreglo rectangular de nmeros donde no slo de valor
de ste es importante, sino que tambin su posicin
El tamao de una matriz se describe por la cantidad de filas
y columnas (n x m)




Cada fila o columna representa a un vector

11 12 13
21 22 23
31 32 33
a a a
A a a a
a a a
| |
|
=
|
|
\ .
Propiedades
Dos matrices del mismo tamao pueden sumarse o
restarse


La multiplicacin se define como sigue, cuando A
es n x m, y B es m x r. A B=B A
y
ij ij
ij ij ij
A a B b
C A B a b c
= =

= + = + =

1

1, 2,.... , 1, 2,....
ij ij ij
m
ij ik kj
k
a b c
c a b i n j r
=
=

= = =

Ejercicio
2 1 2 1 0
1 1 1 * 0 1
5 0 3 0 1
| | | |
| |
=
| |
| |
\ . \ .
2 3
1 0
5 3
| |
|
|
|
\ .
5 1 1 2
3 2 3 3
| | | |
+ =
| |

\ . \ .
6 3
0 1
| |
|
\ .
Si una matriz se multiplica por un escalar el resultado es una
nueva matriz con cada elemento multiplicado por ste
Una matriz con una sola columna se le denomina vector
columna (n x 1), si es una fila se habla de vector regln (m x
1)
Al multiplicar una vector regln con un vector columna se
obtiene el producto interior
Al multiplicar una vector columna con un vector regln se
obtiene el producto exterior
La divisin para matrices no est definida, an cuando
analizaremos la inversa de una matriz
Ciertas matrices cuadradas tiene propiedades
especiales, como por ejemplo:
Matriz diagonal: si todos los elementos sobre la
diagonal son distintos de 0
Matriz identidad (I), caso especial en donde la diagonal
est compuesta por unos y l resto por 0. A I = I A
Matriz de transposicin (P), formada al intercambiar 2
reglones o columnas de la matriz identidad. El producto
de varias matrice de trasposicin es una matriz de
permutacin
Matriz transpuesta (A
T
), es la matriz que se obtiene al
intercambiar los reglones por columnas o viceversa
Cuando es matriz es cuadrada se define un cantidad
denominada Traza. Que es la suma de los elementos de
la diagonal. tr (A)= tr (A
T
)

Matriz triangular inferior, los elementos sobre la
diagonal son 0, de manera complementaria se define la
matriz triangular superior
Matriz tridiagonal, son aquellas con elementos distintos
de 0 en la diagonal y en las posiciones adyacentes
(importantes en ecuaciones diferenciales). Esta matriz
puede comprimirse a una matriz de 3 columnas y n
reglones
Determinante
El determinante de una matriz es un nmero
Para una matriz 2x2 se calcula restando el producto de los
elementos en la diagonal menor a la superior


Para una matriz mayor se aplica la regla de desarrollar en
trminos de los menores respecto a algn regln o
columna. El menor de cada trmino es la matriz de menor
orden formada al eliminar el regln o columna en cuestin.
Se parte con signo positivo si la suma del regln o
columna es par y negativo en caso contrario, de ah en
adelante se alternan los signos
En el caso de una matriz triangular superior o inferior su
determinante es slo el producto de los elementos de la
diagonal
11 12
11 22 12 21
21 22
det(A)=
a a
A a a a a
a a
| |
=
|
\ .
Ejercicio
3 0 1 2
4 1 3 2
0 2 1 3
1 0 1 4
det( ) 146
A
A

=



=
4 0 0
det 6 2 0 40
1 3 5
A


= =



Los determinantes pueden ocuparse tambin
para calcular el polinomio caracterstico de la
matriz, ya que :

( ) det( )
A
p A I A I = =
2
1 3
4 5
(1 ) 3
( ) det
4 (5 )
(1 )(5 ) 12 6 7
A
A
p A I

| |
=
|
\ .

| |
= =
|

\ .
= =
Mtodo de eliminacin
Este mtodo busca cambiar la matriz de
coeficientes de modo que sea triangular superior, se
puede aumentar con un vector al lado derecho
Una vez logrado esto se procede a realizar
sustitucin hacia atrs
Este tipo de mtodo emplea n(n+1)2
multiplicaciones /divisiones
Precaucin al encontrar 0 en la diagonal
Ejemplo
4 2 1 1 15
3 1 4 2 8
1 1 3 3 13
4 2 1 15
/ 3 1 4 8
1 1 3 13
x
x
x
A b

| || | | |
| | |
=
| | |
| | |

\ .\ . \ .

| |
|
=
|
|

\ .
2 1
3 1
4 3
4 1
R R
R R
+
+
4 2 1 15
0 10 19 77
0 0 72 216

| |
|

|
|

\ .
1 2
2 2
3 3
x
x
x
| | | |
| |
=
| |
| |
\ . \ .
2 3
2 10 R R
Mtodo de eliminacin
Gaussiana
Dado que el anterior mtodo puede dar valores muy
grandes para las multiplicaciones a travs de este
nuevo mtodo se hace 1 el coeficiente principal en
la ecuacin que contiene ese trmino
Se mantiene la precaucin de evitar los 0 en la
diagonal para lo cual se recurre a pivoteo si es
necesario
Se debe tener cuidado con el efecto de redondeo
Ejemplo
4 2 1 1 15
3 1 4 2 8
1 1 3 3 13
4 2 1 15
/ 3 1 4 8
1 1 3 13
x
x
x
A b

| || | | |
| | |
=
| | |
| | |

\ .\ . \ .

| |
|
=
|
|

\ .
4 2 1 15
0 2.5 4.75 19.25
0 0.5 2.75 9.25

| |
|

|
|

\ .
2 1
3 1
3/ 4
1/ 4
R R
R R
+
+
4 2 1 15
0 2.5 4.75 19.25
0 0 1.80 5.40

| |
|

|
|
\ .
2 3
( 0.5/ 2.5)R R +
Algoritmo
%Procesamiento secuencial, sin pivoteo%
for j=1 to (n-1)
fo i=(j+1) to n
for k=j to (n+1)
a[i,k]=a[i,k]-a[i,j]/a[j,j]*a[j,k]
end for k
end for i
end for j

%Procesamiento en paralelo%
for i=1 to (n-1) %cuenta etapas=columnas%
for k= i to (n+1)
a[i,k]=a[i,k]-a[i,j]/a[j,j]*a[j,k]
end for k
end for i
De acuerdo a lo anterior la matriz A puede ser
descompuesta en el L U






Donde L es triangular inferior y U es triangular superior
El determinante de dos matrices es el producto de cada uno
de los determinantes. Luego por ser U triangular el
determinantes es el producto de los elementos de la
diagonal


4 2 1
3 1 4
1 1 3
1 0 0 4 2 1
0.75 1 0 0 2.5 4.75
0.25 0.20 1 0 0 1.80
A

| |
|
=
|
|

\ .

| | | |
| |

| |
| |
\ . \ .
L U
det( * ) det( ) *det( ) det( ) L U L U U = =
Resumiendo podemos observar que:
Por este mtodo se resuelve el sistema de ecuaciones
Calcula el determinante de una matriz de manera bastante
eficiente
Puede proporcionar la descomposicin LU de la matriz
de coeficientes
Cuando exista intercambio de reglones el determinante se
calcular de la siguiente forma ( considere m como el n
de recambios)
11
det( ) ( 1) * *.....*
m
nn
A u u =
Mtodo de Gauss-Jordan
Se busca hacer 0 al mismo tiempo por arriba de la
diagonal y por abajo, creando ceros
Por lo general los elementos de la diagonal se hacen
1 al mismo tiempo que se ejecuta la reduccin, as
la matriz de coeficientes se transforma en la matriz
de identidad
Una vez logrado lo anterior en la columna del lado
derecho se obtiene el vector solucin
Para preservar exactitud aritmtica se emplea el
pivoteo
Ejemplo
Intercambiar reglones 1 y 4, dividir
por 6 el primer regln y reducir la
primera columna
Intercambiar reglones 2 y 3, dividir
entre 3.6667 el segundo regln y
reducir la segunda columna
El tercer regln se divide entre
6.8182 y los dems elementos de la
tercera columna se hacen 0
Ahora el cuarto regln se divide
entre 1.5599 y se crean los 0 por
arriba de la diagonal en la cuarta
columna
0 2 0 1 0
2 2 3 2 2
4 3 0 1 7
6 1 6 5 6
| |
|

|
|
|

\ .
1 0.16667 1 0.83335 1
0 1.6667 5 3.6667 4
0 3.6667 4 4.3334 11
0 2 0 1 0
1 0 1.5 1.2000 1.4000
0 1 2.9999 2.2000 2.4000
0 0 15 12.400 19.800
0 0 5.9998 3.4000 4.8000
1 0 0.8182 0.6364 0.5
0 1 1.0909 1.1818 3
0 0 6

| |
|

|
|
|
\ .

| |
|

|
|
|

\ .


.8182 5.6364 9
0 0 2.1818 3.3636 6
1 0 0 0 0.49999
0 1 0 0 1.0001
0 0 1 0 0.33326
0 0 0 1 1.9999
| |
|
|
|
|

\ .
| |
|
|
|
|

\ .
Ejercicio
Resuelva por el mtodo de Gauss-Jordan el
siguiente sistema de ecuaciones
2 4 1 2 1 10
4 0 2 1 2 7
1 3 2 0 3 3
3 2 0 5 4 2
x
x
x
x

| || | | |
| | |
| | |
=
| | |
| | |
\ .\ . \ .
Escalacin: Con frecuencia es necesario
escalar los reglones de la matriz de
coeficientes antes de realizar un pivoteo, el
efecto que se consigue es ajustar estos
coeficientes en un mismo orden de magnitud.
Disminuyendo el error por redondeo
Lo normal es dividir cada regln entre la
magnitud del mayor trmino
Otros mtodos de descomposicin LU
Mtodo de reduccin de Crout:(Matriz U con 1
en la diagonal a diferencia de mtodo gaussiano,
L)



0 0 0 1
11 12 13 14 11 12 13 14
0 0 0 1
21 22 23 24 21 22 23 24
0 0 0 1
31 32 33 34 31 32 33 34
0 0 0 1
41 42 43 44 41 42 43 44
l u u u a a a a
l l u u a a a a
l l l u a a a a
l l l l a a a a
| | | | | |
| | |
| | |
| | |
=
| | |
| | |
| | |
\ . \ . \ .
Determinar como se calcula cada coeficiente
Este mtodo es popular en programacin ya que
permite economizar en el almacenamiento de la
informacin
No hay necesidad de almacenar los 0
Es posible condensar las matrices L U en el espacio
de A
Para resolver sistemas de ecuaciones es necesario
slo transformar la matriz de coeficientes en su
equivalente LU
La matriz L da el registro de las operaciones
necesarias para que los coeficientes de la matriz A
se transformen en la matriz triangular superior U
Estas condiciones se aplican al vector b, generando
b
Si b se aumenta a A y se sustituye hacia atrs se
encuentra la solucin del sistema
1
1 1
1
11
'
' '
i
i ik k
k
ii
b l b
b
b b i
l l

= =

Ejemplo
( )
3 1 2 3 0 0 1 1/ 3 2/ 3
1 2 3 L= 1 7 / 3 0 0 1 1
2 2 1 2 4/ 3 1 0 0 1

12
3
12 4
11-1*4
b 11 b'= 3
7 / 3
2 2
2 2*4 ( 4/ 3*3)
1
1 1/ 3 2/ 3 4
1
0 1 1 3
2
0 0 1 2
3
A U
x
x
x

| | | | | |
| | |
= =
| | |
| | |

\ . \ . \ .
| | | |
| |
= =
| |
| |
\ . \ .

| |
| |
|
|
|
|
|
|

\ .
\ .
3
1
2
| |
|
=
|
|
|
\ .
Algoritmo
Para transformar una matriz A de nxn en
L*U
for i=1 to n
L[i,1]=a[i,1]
End For i
for j=1 to n
U[1,j]=a[1,j]/L[1,1]
End for j
for j=2 to n
for i=j to n
sum=0.0
for k=1 to j-1
sum=sum+L[i,k]*U[k,j]
End for k

L[i,j]=a[i,j]-sum
End for i
U[j,j]=1
for i=j+1 to n
sum=0.0
for k=1 to j-1
sum=sum+L[j,k]*U[k,i]
End for k
U`j,i]=(a[j,j]-sum)/L[j,j]
End for i
End for j
Mtodo de Cholesky:similar al mtodo
gaussiano
T
A U U =
Patologas en sistemas lineales
Determinar a priori si el sistema de ecuaciones planteados
tendr solucin
Errores por redondeo
Divisin de ceros
No hay solucin nica para el sistema, cantidad de
incgnitas mayor a la cantidad de ecuaciones que las
vinculan
Redundancia de ecuaciones
Si los sistemas n x n no tiene solucin nica entonces su
matriz de coeficientes se denomina singular. En caso
contrario se define una matriz no singular
Una solucin para determinar si existe redundancia o hay
inconsistencia es determinar el RANGO de la matriz.
Si el valor es menor al nmero de ecuaciones, no existe
una solucin nica.
Si el valor es n hay una solucin nica
El rango se determina triangularizando por eliminacin
gaussiana y verificando si no aparecen 0 en la diagonal
Verificar dependencia de lineal determinando si existen una
combinacin de coeficientes escalares que al ser evaluados
con los coeficientes den 0
La matriz es singular
Un sistema de ecuaciones
con estos coeficientes no
tiene una solucin nica
La eliminacin gaussiana no
puede evitar un 0 en la
diagonal
El rango de la matriz es
menor que n
Los reglones o columnas
forman vectores linealmente
dependientes
La matriz no es singular
Un sistema de ecuaciones
con estos coeficientes tiene
una solucin nica
La eliminacin gaussiana
procede sin un 0 en la
diagonal
El rango de la matriz es igual
a n
Los reglones o columnas
forman vectores linealmente
dependientes


Inversin de matrices
La divisin de matrices no est definida, la inversa
proporciona un resultado equivalente
Si el producto entre 2 matrices cuadradas es la
matriz identidad se dice que las matrices son
inversas entre s. AB=I, si B=A
-1

No todas las matrices cuadradas tienen inversa
El mtodo de eliminacin gaussiana se prefiere por
ejemplo al de Gauss-Jordan
Ejemplo
1 1 2
3 0 1
1 0 2
1 1 2 1 0 0 1 0 0 0 2/ 5 1/ 5
3 0 1 0 1 0 0 1 0 1 0 1
1 0 2 0 0 1 0 0 1 0 1/ 5 3/ 5
3 0 1 0 0.4 0.2
(0.333) 1 1.667 1 0 1
(0.333) (0) 1.667 0 0.2 0.6
A

| |
|
=
|
|
\ .

| | | |
| |

| |
| |

\ . \ .

| |
|

|
|

\ .
Eliminacin gaussiana
La inversa de la matriz constituye una forma
para resolver el sistema de ecuaciones:
1 1
1
( )
', '
Ax b
LUx b
L L Ux L b
Ux b b L b

=
=
=
= =
Norma
Es una forma de expresar magnitud de un vector o matriz y
debe contener 4 propiedades.
Siempre ser un valor mayor o igual a cero (matriz 0)
La norma debe multiplicarse por k si la matriz se
multiplica por un escalar
La norma de la suma de 2 matrices no debe exceder la
suma de las normas
La norma del producto de 2 matrices no debe exceder el
producto de las normas
La norma euclidiana es una de las ms conocidas y satisface
las 4 condiciones para un vector se calcula por medio
1/ 2
2 2
1
i
n
n
e
i
x x x
=
| |
= =
|
\ .

La norma de Frobenius se define para una matriz de m x n

como



El producto de normas se denomina nmero de condicin, y
es un medida cuantitativa del grado de mal
condicionamiento de la matriz de coeficientes
1/ 2
2
1 1
ij
m n
f
i j
A a
= =
| |
=
|
\ .

Mtodos Iterativos
Son de preferencia cuando la matriz de coeficientes es
poco densa
Pueden ser ms econmicos en cuanto a requisitos de
espacio de memoria
Los mtodos que se aplicarn para resolver sistemas de
ecuaciones lineales sern de Jacobi y el de Gauss-Seidel
Para ambos es requisito que exista un sistema
diagonalmente dominante. Es decir cada elemento de la
diagonal de la matriz de coeficientes es mayor en
magnitud que la suma de las magnitudes de los otros
coeficientes en ese regln
Jacobi
Este mtodo es exactamente el mismo que el mtodo de
iteracin de punto fijo para una simple ecuacin


Cada variable se deja en funcin de las otras


Se establecen las siguientes relaciones:
( 1) ( ) ( )
( ) '
n n n
x G x b Ax
+
= =
1
n
ij
i
i j
j
ii ii
a
b
x x
a a
=
=

a x
a x
a x
a x
a x a x a x
a x a x a x
a x a x a x
a x a x a x
b
b
b
b
11 1
21 1
31 1
n1 n
12 2 13 3 1n n
22 2 23 3 2n n
32 2 33 3 3n n
n2 2 n3 3 nn n
1
2
3
n
+
+
+
+
+ +
+ +
+ +
+ +
=
=
=
=

Sistema de ecuaciones lineales

=
=
=
=
nn 1 n 1 n n, 2 n2 1 n1
33 n 3n 2 32 1 31
22 n 2n 3 23 1 21
11 n 1n 3 13 2 12
n n
3 3
2 2
1 1
)/a x a x a x a
)/a x a x a x a
)/a x a x a x a
)/a x a x a x a
(b x
(b x
(b x
(b x

Ecuacin de punto fijo

x (b
x (b
x (b
x (b
a x a x a x ) / a
a x a x a x ) / a
a x a x a x ) / a
a x a x a x ) / a
1
(k+1)
1
2
(k+1)
2
3
(k+1)
3
n
(k+1)
n
12 2
(k)
13 3
(k)
1n n
(k)
11
21 1
(k)
23 3
(k)
2n n
(k)
22
31 1
(k)
32 2
(k)
3n n
(k)
33
n1 1
(k)
n2 2
(k)
n,n 1 n 1
(k)
nn
=
=
=
=

Iteracin de Jacobi
( 1) -1 ( ) -1
-1
-1
6 2 1 1 11
2 7 2 2 5
1 2 5 3 1
Sea A=L+D+U
- ( )
1.8333
' 0.7143
0.2000
0 0.3333 0.1667
( ) 0.2857 0 0.2857
0.2000 0.4000 0
n n
x
Ax b x
x
x D L U x D b
b D b
B D L U
+

| || | | |
| | |
= =
| | |
| | |

\ .\ . \ .
= + +
| |
|
= =
|
|
\ .

| |
|
= + =
|
|

\ .
0 0 0
2 0 0
1 2 0
6 0 0
0 7 0
0 0 5
0 2 1
0 0 2
0 0 0
L
D
U
| |
|
=
|
|
\ .
| |
|
=
|
|

\ .

| |
|
=
|
|
\ .
Algoritmo
Se supone reordenamiento del
sistema Ax=b, con matriz A
diagonalmente dominante
for i=1 to n
b[i]=b[i]/a[i,i]
new_x[i]=old_x[i]
a[i,j]=a[i,j]/a[i,i];j=1....n an i <>j
end for i
repeat
for i=1 to n
old_x[i]=new_x[i]
new_x[i]=b[i]
end for i
for i=1 to n
for j=1 to n
If (j<>i) then
new_x[i]=new_x[i]-a[i,j]*old_x[j]
end for j
end for i
Until que new_x y old_x convergan uno hacia el otro
Gauss-Seidel
Cada variable se deja en funcin de las otras
Luego se procede a mejorar cada valor de x con las
sucesivas aproximaciones, converge ms rpido que
Jacobi
La ecuacin que representa este mtodo corresponde a:

( 1) 1 ( ) 1
( )
( ) ( )
n n
L D x Ux b
x L D Ux L D b
+
+ = +
= + + +
Algoritmo
for i= 1 to n
b[i]=b[i]/a[i,i]
a[i,j]=a[i,j]/a[i,i]; j=1.....n and i<>j
end for i

While not Do
for i=1 to n
x[i]=b[i];
for j=1 to n
if (j<>i) then
x[i]=x[i]-a[i,j]*x[j]
end for j
end for i
end While
Se supone reordenamiento del
sistema Ax=b, con matriz A
diagonalmente dominante
DIRECTOS
Ax =b
x = A
-1
b
Tamao moderado
Producen llenado
Error de redondeo
ITERATIVOS
Mx = (MA)x + b
Mx
(k+1)
= (MA) x
(k)
+ b
Tamao grande
Conservan los ceros
Error de truncamiento
Mtodos directos frente a
iterativos
Sistemas de ecuaciones no
lineales
Los sistemas de ecuaciones no lineales son ms difciles de resolver
que uno lineal
El mtodo de Newton puede aplicarse a este tipo de sistemas, para
lo cual se definen las siguientes formas:



Por otro lado sea x = r e y = s valores iniciales dados para iniciar el
anlisis, y ambas funciones se desarrollan con una serie de Taylor
con respecto a (x
i
,y
i
) en trminos de (r-x
i
),(s-y
i
)
( , ) 0
( , ) 0
f x y
g x y
=
=
( , ) 0 ( , ) ' ( , )( ) ' ( , )( ) .....
( , ) 0 ( , ) ' ( , )( ) ' ( , )( ) .....
' ( , ) ' ( , ) ( , ) 0
' ( , ) ' ( , ) ( , ) 0
i i x i i i y i i i
i i x i i i y i i i
x i i y i i i i i
x i i y i i i i i
f r s f x y f x y r x f x y s y
g r s g x y g x y r x g x y s y
f x y f x y f x y r x
g x y g x y g x y s y
= = + + +
= = + + +
| | | | | |
= +
| | |

\ . \ . \ .
1
1
' ( , ) ' ( , ) ( , )
' ( , ) ' ( , ) ( , )
x i i y i i i i i
x i i y i i i i i
i i i
i i i
f x y f x y x f x y
g x y g x y y g x y
x x x
y y y
+
+
| |
|
\ .
A | || | | |
=
| | |
A
\ . \ . \ .
A
| | | | | |
= +
| | |
A
\ . \ . \ .
Truncamiento
Serie de Taylor
Sistema de ecuaciones se
resuelve por eliminacin
gaussiana
Se obtiene estimacin mejorada de r y s,
repetir el proceso hasta que f y g estn
cercanas a 0
Ejemplo
Resuelva el siguiente sistema de ecuaciones
no lineales
2 2
( , ) 4 0
( , ) 1 0
x
f x y x y
g x y e y
= =
= =
1
1.7
o
o
x
y
=
=
1
1
2
2 1
2 3.4 0.1100
2.7183 1.0 0.0183
0.0043 1.0043
0.0298 1.7298
x
x x
y y
f x g e
f y g
x
y
x x
y y
= =
= =
A
| || | | |
=
| | |
A
\ .\ . \ .
A = =
A = =
Repetir hasta tolerancia fijada
Funciones de Matlab
Transpuesta= a
Determinante= det (a)
Inversin= inv(a) a^-1
Mtodo de Gauss-Jordan = rref(a)
Resolucin de ecuaciones= solve(a) o solve
(funcin 1,funcin 2...)
Polinomio caracterstico = Poly(a)
Descomposicin LU, [l,u]= lu(a)

Ejercicio
Resuelva mediante Matlab lo siguiente:
Transpuesta, inversa, determinante y polinomio
caracterstico


Resolver el siguiente sistema de ecuaciones

3 2 8 2
1 3 2 6
5 1 3 9
2 3 8 1

| |
|

|
|
|

\ .
1
2
3
4
1 3 4 2 1
3 2 4 1 7
4 2 1 3 33
2 1 4 3 21
x
x
x
x
| | | | | |
| | |

| | |
=
| | |
| | |
\ . \ . \ .
Resolver el sistema y luego verificar el error al
dividir cada uno de los reglones por su
correspondiente valor de b y resolver
nuevamente
1
2
3
4
5
6
7
4 2 1 0 0 1 10 12
2 0 4 3 1 1 1 1
1 2 1 2 1 2 1 52
0 0 0 0 2 1 0 1
5 3 2 1 1 1 3 45
4.5 3.5 2.9 5.6 4 5.5 3.2 3000
6 10 8 9 5 10 1 0.56
x
x
x
x
x
x
x
| | | |
| |

| |
| |
| |
=
| |
| |
| |

| |
| |

\ .\ .
Resuelva el siguiente sistemas de ecuaciones
no lineales y grafique

2 2
2
1.34
0.09
0.41
x y
xyz x y
xy z
e e z
+ =
=
+ =