1.3.

ALGEBRA LINEAL
El álgebra lineal, como su nombre la indica, se dedica a trabajar sobre operadores lineales,
es decir sobre operadores que cumplen

𝐿(𝑥 + 𝑘𝑦) = 𝐿(𝑥) + 𝑘𝐿(𝑦)

con
𝐿: 𝑋 → 𝑌

con X y 𝑌 espacios vectoriales. Donde 𝑥, 𝑦 𝜀 𝑋, 𝑋 un espacio vectorial, 𝑘𝜀𝐾 un cuerpo

(Real o Complejo). Cada operador lineal, de acuerdo a la base, tiene una representación en
forma de matriz; si se cambia la base cambia la representación de esta. Al operador se le
revisan las propiedades a partir de su representación matricial; por este motivo se inicia con
la parte matricial, ya que estas están asociadas a los operadores donde se darán las
definiciones y propiedades.

1.3.1. Matrices

Una matriz es un arreglo rectangular, el cual está conformado por filas (Elementos
Horizontales) y columnas (Elementos verticales) y se designa con una letra mayúscula; si la
matriz tiene m filas y n columnas, se dice que es de orden (𝑚 × 𝑛) (ALGEBRA LINEAL
STRANG). La forma de referirnos a un elemento de una matriz es 𝑎𝑖𝑗 , donde 𝑖 designa la
fila y 𝑗 designa la columna, por ejemplo 𝑎21 designa el elemento de la fila 2 columna 1.

𝐴 = {𝑎𝑖𝑗 }𝑚𝑛 Con 1 ≤ 𝑖 ≤ 𝑚, 1 ≤ 𝑗 ≤ 𝑛,

𝑎11 𝑎11 ⋯ 𝑎1𝑛

𝑎21 𝑎21 ⋯ 𝑎2𝑛
(1.22) 𝐴=[ ⋮ ⋮ ]
⋯ ⋮
𝑎𝑚1 𝑎𝑚1 ⋯ 𝑎𝑚𝑛

Si 𝑚 = 𝑛 se dice que la matriz es cuadrada de orden 𝑛. Los elementos 𝑎11 , 𝑎22 , ⋯ 𝑎𝑛𝑛 , son
los elementos de la diagonal principal de la matriz.

Una matriz es renglón cuando 𝑚 = 1

𝐶 = [𝑐1 𝑐2 ⋯ 𝑐𝑚 ]

Una matriz es columna cuando 𝑛 = 1

𝑏1
𝑏
𝐵 = [ 2]
⋮
𝑏𝑛
 Definición 1.11 Se define matriz transpuesta de 𝐴 = {𝑎𝑖𝑗 }𝑚𝑛 como 𝐴𝑇 = {𝑎𝑖𝑗 }𝑛𝑚 ; es
decir se cambian sus filas por las columnas. Por ejemplo

𝑏1
𝑏
𝐵 = [ 2 ]=[𝑏1 𝑏2 ⋯ 𝑏𝑛 ]𝑇 ,
⋮
𝑏𝑛
Ejemplo

2 1 −2 2 1 −1
Dada 𝐴 = [ 1 1 −2]; su traspuesta es 𝐴𝑇 = [ 1 1 0 ], observe que si la matriz
−1 0 1 −2 −2 1
es cuadrada no cambia el orden de esta.

1.3.1.1. Operaciones con matrices

1.3.1.1.1. Igualdad de matrices

Se dice que dos matrices 𝐴 y 𝐵 de orden (𝑚 × 𝑛) son iguales si cada elemento de la matriz
𝐴 es igual a cada elemento de la matriz 𝐵; es decir para las matrices

𝐴 = {𝑎𝑖𝑗 }𝑚𝑛 , 𝐵 = {𝑏𝑖𝑗 }𝑚𝑛

Con 1 ≤ 𝑖 ≤ 𝑚, 1 ≤ 𝑗 ≤ 𝑛, 𝑎𝑖𝑗 = 𝑏𝑖𝑗 .

Para 𝐴, 𝐵, 𝑘 ∈ 𝑅 Matrices del mismo orden se tiene que

𝐴 + 𝑘𝐵 = {𝑎𝑖𝑗 + 𝑘𝑏𝑖𝑗 }𝑚𝑛 .

1.3.1.1.2. Operaciones elementales sobre una matriz

Se define operación elemental sobre una matriz a cualquiera de las siguientes

modificaciones (Rocio, 2009):

 Intercambiar dos filas (o columnas), se denota 𝐹𝑖 ↔ 𝐹𝑗 o 𝐶𝑖 ↔ 𝐶𝑗 .

 Multiplicar todos los elementos de una fila (o columna) por una constante diferente de cero,
se denota 𝑘𝐹𝑖 o (𝑘𝐶𝑗 ), 𝑘 ≠ 0.
 Sumar término a término a una los elementos de dos filas (o columnas) multiplicada por una
constante 𝑘𝐹𝑗 (𝑜 𝑘𝐶𝑗 ) , y se cambia por la fila 𝐹𝑖 esta operación se denota 𝑘𝐹𝑗 + 𝐹𝑖 → 𝐹𝑖 o
(𝑘𝐶𝑗 + 𝐶𝑖 → 𝐶𝑖 ) donde la columna que cambia es 𝐹𝑖 (o 𝐶𝑖 ), 𝑘 ≠ 0.

Definición 1.12 Dos matrices A y B son equivalentes si una de ellas se obtiene a partir de
la otra por medio de una o más operaciones elementales; se denota 𝐴~𝐵
y se lee “A es equivalente a B”
 2 −21
Ejemplo 1.16 Realizar operaciones elementales a la matriz 𝐴 = [ 1 1 −2]
−1 0 1
Inicialmente tomaremos la matriz 𝐴 y le realizaremos las operaciones elementales

2 1 −2 1 1 −2 1 1 −2
[1 1 −2] ~[ 2 1 −2] ~ [0 −1 2 ]
−1 0 1 𝐹2 ↔𝐹1 −1 0 1 −2𝐹1 +𝐹2 →𝐹2 0 1 −1
𝐹1 +𝐹3 →𝐹3

La primera operación realizada es intercambiar las filas 2 y 1. La segunda operación es

multiplicar la fila 1 por (-2) y sumarle este resultado a la fila 2, y se cambia por la fila 2. La
tercer operación se suma la fila uno a la fila 2 se cambia la fila 3.

NOTA 1.10 Los elementos de la diagonal principal se llaman pivotes; ya que operando
con ellos se llega a la matriz idéntica.

NOTA 1.11 Si los elementos que están arriba de la diagonal principal son cero; se dice
que es una matriz triangular inferior.

NOTA 1.12 Si los elementos que están por debajo de la diagonal principal son cero; se
dice que es una matriz diagonal superior.

Definición 1.13 El producto de vectores (Vector fila por vector columna) se define de la
forma,

𝑏1
𝑏
[𝑎1 𝑎2 ⋯ 𝑎𝑛 ] [ 2 ] = 𝑎1 𝑏1 + 𝑎2 𝑏2 + ⋯ + 𝑎𝑛 𝑏𝑛 = 𝑐
⋮
𝑏𝑛
donde A y B son vectores c es real.

Definición 1.14 El producto de matrices toma la siguiente forma; dados

𝐴 = {𝑎𝑖𝑗 } , 𝑦 , 𝐵 = {𝑏𝑖𝑗 }
𝑚𝑛 𝑛𝑘
tenemos que

𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑏11 𝑏12 ⋯ 𝑏1𝑘

𝑎 𝑎22 ⋯ 𝑎2𝑛 𝑏 𝑏22 ⋯ 𝑏2𝑘
𝐴𝑚𝑛 ∗ 𝐵𝑛𝑘 = [ 21 ] ∗ [ 21 ]
⋮ ⋮ ⋯ ⋮ ⋮ ⋮ ⋯ ⋮
𝑎𝑚1 𝑎𝑚2 ⋯ 𝑎𝑚𝑛 𝑏𝑛1 𝑏𝑛2 ⋯ 𝑏𝑛𝑘
 𝑎11 ∙ 𝑏11 + 𝑎12 𝑏21 + 𝑎13 𝑏31 + ⋯ 𝑎1𝑛 𝑏𝑛1 ⋯ 𝑎11 ∙ 𝑏1𝑘 + 𝑎12 𝑏2𝑘 + 𝑎13 𝑏3𝑘 + ⋯ 𝑎1𝑛 𝑏𝑛𝑘
𝑎21 ∙ 𝑏11 + 𝑎22 𝑏21 + 𝑎23 𝑏31 + ⋯ 𝑎2𝑛 𝑏𝑛1 ⋯ 𝑎21 ∙ 𝑏1𝑘 + 𝑎22 𝑏2𝑘 + 𝑎23 𝑏3𝑘 + ⋯ 𝑎2𝑛 𝑏𝑛𝑘
=[ ]
⋮ ⋮ ⋮
𝑎𝑚1 ∙ 𝑏11 + 𝑎𝑚2 𝑏21 + 𝑎𝑚3 𝑏31 + ⋯ 𝑎𝑚𝑛 𝑏𝑛1 ⋯ 𝑎𝑚1 ∙ 𝑏1𝑘 + 𝑎𝑚2 𝑏2𝑘 + 𝑎𝑚3 𝑏3𝑘 + ⋯ 𝑎𝑚𝑛 𝑏𝑛𝑘

de la formula anterior se deduce que la cantidad de columnas de la matriz 𝐴 debe ser igual a
la cantidad de filas de la matriz 𝐵.

NOTA 1.10 La condición suficiente para el producto de matrices se pueda realizar; es

que se cumpla que el número de columnas de la primera matriz sea igual
al número de filas de la segunda matriz; además la matriz resultante es de
orden igual al número de filas de la primera matriz por el número de
columnas de la segunda matriz
−2 1
1 −1 3
Ejemplo 1.17 Dada 𝐴23 = [ ] y 𝐵32 = [ 4 5], hallaremos 𝐶 = 𝐴 ∗ 𝐵 y 𝐷 =
2 5 4
1 3
𝐵∗𝐴

Para hallar 𝐶 = 𝐴 ∗ 𝐵; Lo primero que debemos verificar es que el número de columnas de

𝐴23 es igual al número de filas de 𝐵32, lo cual se cumple, ahora aplicamos ¡Error! No se
encuentra el origen de la referencia. para hallar las componentes de la matriz 𝐶22 .

(1)(−2) + (−1)(4) + (3)(1) (1)(1) + (−1)(5) + (3)(3)

𝐶=[ ]
(2)(−2) + (5)(4) + (4)(1) (2)(1) + (5)(5) + (4)(3)
luego
−3 5
𝐶22 = [ ]
20 39

Para hallar 𝐷 = 𝐵 ∗ 𝐴, comprobamos que se cumpla ¡Error! No se encuentra el origen de

la referencia., como observamos si cumple.

(−2)(1) + (1)(2) (−2)(−1) + (1)(5) (−2)(3) + (1)(4)

𝐷 = [ (4)(1) + (5)(2) (4)(−1) + (5)(5) (4)(3) + (5)(4) ]
(1)(1) + (3)(2) (1)(−1) + (3)(5) (1)(3) + (3)(4)
luego

0 7 −2
𝐷33 = [14 21 32 ]
7 14 15

NOTA 1.11 Observamos que el producto de matrices no es conmutativo

1.3.2. Sistemas de Ecuaciones Lineales (SEL)
Cuando se plantea un problema en ingeniería, en donde se trabajan diferentes variables
relacionadas entre ellas, por lo general, se llega a un sistema de ecuaciones lineales o no
lineales, en donde su solución es netamente matemática y aquí estudiaremos esta solución.

Iniciaremos identificando los SEL de forma matemática para luego hallar su solución,
cuando sea posible, luego de que se pueda identificar la forma matemática hallaremos (o
aproximaremos) su solución de tres maneras diferentes (en la literatura existen más; (ver
…….) en donde involucraremos temas vistos como: Eliminación de Gauss-Jordan, , por el
método de la inversa de una matriz y por último por el método descomposición LU.

La forma general de en la que se representa un sistema de ecuaciones lineales es

𝑎11 𝑥1 + 𝑎12 𝑥2 + ⋯ + 𝑎1𝑛 𝑥𝑛 = 𝑏1

(1.23) 𝑎21 𝑥1 + 𝑎22 𝑥2 + ⋯ + 𝑎2𝑛 𝑥𝑛 = 𝑏2

⋮
𝑎𝑛1 𝑥1 + 𝑎𝑛2 𝑥2 + ⋯ + 𝑎𝑛𝑛 𝑥𝑛 = 𝑏𝑛

Este sistema de ecuaciones se puede escribir en forma matricial

𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑥1 𝑏1

𝑎21 𝑎22 ⋯ 𝑎2𝑛 𝑥2 𝑏2
[ ⋮ ][ ⋮ ] = [ ]
⋮ ⋯ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛 𝑥𝑛 𝑏𝑛

La igualdad es igualdad de matrices, y el producto es producto entre matrices, haciendo las

convenciones

𝑎11 𝑎12 ⋯ 𝑎1𝑛

𝑎 𝑎22 ⋯ 𝑎2𝑛
𝑨 = [ ⋮21 ]
⋮ ⋯ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛

𝑎𝑖𝑗 ∈ ℝ son los coeficientes de la matriz

𝑥1
𝑥2
𝑋=[⋮ ]
𝑥𝑛
𝑥𝑛 ∈ ℝ son las variables (vector columna)
 𝑏1
𝑏2
𝐵=[ ]
⋮
𝑏𝑛
y 𝑏𝑛 ∈ ℝ son los términos independientes (vector columna), escrito en forma matricial
toma la forma

(1.24) 𝑨𝑋 = 𝐵.

Definición 1.15 Si todos los 𝑏𝑛 = 0, diremos que es un sistema homogéneo

La matriz aumentada a el sistema (1.23) es de la forma

𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑏1

𝑎21 𝑎22 ⋯ 𝑎2𝑛 𝑏2
( ⋮ ⋮ | )
⋯ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛 𝑏𝑛

1.3.2.1. Solución de un SEL utilizando Eliminación Gauss-Jordan

La eliminación de Gauss-Jordan se aplica solo para casos en que el sistema es no homogéneo (al
menos un 𝑏𝑛 ≠ 0). Para solucionar un SEL, se aplica el algoritmo a la matriz aumentada de la
forma 0 en el cual se reduce está a la idéntica, llegando a una matriz de la forma

1 0 ⋯ 0 𝑑1
(0 1 ⋯ 0|𝑑2 )
⋮ ⋮ ⋯ ⋮ ⋮
0 0 ⋯ 1 𝑑𝑛

donde la solución del SEL es

𝑥1 = 𝑑1
𝑥2 = 𝑑2
⋮
𝑥𝑛 = 𝑑𝑛

1.3.2.1.1. SEL con número de ecuaciones igual al número de incógnitas

 No siempre que se tenga el SEL dado en (1.23), donde el número de ecuaciones es igual al
número de incógnitas la solución es única ya que se puede presentar alguno de estos casos:

 Una fila de ceros al solucionar el sistema de la forma de la matriz aumentada (Tendría

infinitas soluciones).
 Una fila de ceros al lado izquierdo y un número al lado derecho. ( Se conoce como una
como una inconsistencia, y el sistema no tiene solución)

A continuación describiremos el procedimiento para hallar la solución de un SEL

por medio de la eliminación Gauss-Jordan:

Algoritmo 1. Eliminación Gauss-Jordan

𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑏1

𝑎 𝑎22 ⋯ 𝑎2𝑛 𝑏2
Dada la matriz aumentada ( 21 | ), asociada al SEL dado en (1.24),
⋮ ⋮ ⋯ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛 𝑏𝑛
hallaremos la solución al sistema; esta se halla por medio de operaciones elementales, hasta
llegar a la matriz idéntica 𝐼𝑛×𝑛 .

Inicialmente construiremos la matriz aumentada

𝑎11 𝑎12 ⋯ 𝑎1𝑛 𝑏1

𝑎21 𝑎22 ⋯ 𝑎2𝑛 𝑏2
( | )
⋮ ⋮ ⋯ ⋮ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛 𝑏𝑛
Paso (1) Verificar si algún 𝑎𝑛1 es igual a 1, si es así colocarlo en la posición 𝑎11
Paso (2) Si no se cumple el paso anterior, divida 𝑎11 por sí mismo, para que quede 1 en esa
posición.
Paso (3) Tomando como elemento pivote 𝑎11 , multiplíquelo por −𝑎21 y súmeselo a la fila 2.
Paso (4) Repita el paso anterior con todos los 𝑎𝑛1 , de forma que esa columna sea de ceros, excepto
𝑎11 = 1.
Paso (5) Verificar si algún 𝑎𝑛2 , excepto 𝑎12 , es igual a 1; si es así colocarlo en la posición 𝑎22 .
Paso (6) Si no se cumple el paso anterior, divida 𝑎22 por sí mismo, para que quede 1 en esa
posición.
Paso (7) Tomando como elemento pivote 𝑎22 , multiplíquelo por −𝑎12 y súmeselo a la fila 1.
Paso (8) Repita el paso anterior con todos los 𝑎𝑛2 , de forma que esa columna sea de ceros, excepto
𝑎22 = 1.
Paso (9) Repita los pasos 5 al 8 para los 𝑎𝑛𝑛 , 𝑛 ≥ 3, de forma tal que le quede la matriz 𝐼𝑛×𝑛 al
lado izquierdo

Quedando
 1 0 ⋯ 0 𝑑1
(0 1 ⋯ 0| 𝑑2 )
⋮ ⋮ ⋯ ⋮ ⋮
0 0 ⋯ 1 𝑑𝑛

NOTA 1.12 En la elección de cada pivote 𝑎𝑖𝑖 , tener en cuenta solamente las filas por
debajo de la Fila 𝑖, para garantizar los ceros que ya se tienen de la forma
escalonada.

Ejemplo 1.18 Hallar la solución al siguiente SEL

2𝑥1 + 𝑥2 − 3𝑥3 = −1
−𝑥1 + 3𝑥2 + 2𝑥3 = 12
3𝑥1 + 𝑥2 − 3𝑥3 = 0
Lo primero que debemos hacer es generar la matriz aumentada asociada al SEL

2 1 −3 −1
(−1 3 2 | 12 )
3 1 −3 0

NOTA 1.13 Observemos que si sumo la fila 2 a la fila 1 nos da el uno que se necesita en
el termino 𝑎11 , y nos evitamos trabajar con fraccionarios o decimales desde
el comienzo; y luego aplicamos el algoritmo propuesto.

2 1 −3 −1 1 4 −1 11 1 4 −1 11
(−1 3 2 | 12 ) ~ (−1 3 2 |12) ~ (0 7 1 | 23 ) ~
3 1 −3 0 𝐹2 +𝐹1 →𝐹1 3 1 −3 0 𝐹2 +𝐹1 →𝐹2 0 −11 0 −33 𝐹2 →𝐹2
𝐹3 −3𝐹1 →𝐹3 7
−11 −15
1 0
1 4 −1 11 7 7
1 | 23 ) 1 | 23
~ (0 1 ~ 0 1 ~
7 7 7 | 7
0 −11 0 −33 11𝐹2 +𝐹3 →𝐹3 11 22
−4𝐹2 +𝐹1 →𝐹1
(0 0 7 7 )7𝐹3 →𝐹3
11
−11 −15
1 0 1 0 01
7 7
~ 1 | 23 ~ (0 1 0|3)
0 1 7 7 11𝐹 +𝐹 →𝐹 0 0 12
(0 0 1 2 )7 3 1 1
−1
𝐹 +𝐹
7 3 2→𝐹2
siendo la solución del sistema
𝑥1 = 1
𝑥2 = 3
𝑥3 = 2
 Gráfica 1.1

1.3.2.1.2. SEL con número de ecuaciones es menor al número de incógnitas

Si en el SEL dado en (1.23). El número de ecuaciones es menor que el número de incógnitas; se

pueden presentar alguna de estas situaciones:

 El sistema tiene infinitas soluciones. Geométricamente es el corte de dos planos; lo cual

genera una línea recta, que tiene infinitos puntos, es decir, infinitas soluciones.
 Se anulen las filas (Una fila es múltiplo de una o más filas) la solución de todo el sistema
será un plano, lo cual nos dará infinitas soluciones.
 Se anulen las filas de las variables y los términos constantes no, geométricamente son dos
planos paralelos. Luego no tiene solución.

Ejemplo 1.19 Hallar la solución al siguiente SEL

2𝑥1 + 𝑥2 − 3𝑥3 = −1
−𝑥1 + 3𝑥2 + 2𝑥3 = 12

como observamos el número de ecuaciones es 2 y el número de incógnitas es 3, por lo

tanto, tiene infinitas soluciones. ¿Qué significa esto y como lo podemos escribir?, lo
resolveremos y observaremos a que llegamos; utilizaremos Gauss-Jordan

2 1 −3 −1 1 4 −1 11 1 4 −1 11
( | ) ~( | ) ~( | ) ~
−1 3 2 12 𝐹2 +𝐹1 →𝐹1 −1 3 2 12 𝐹1 +𝐹2 →𝐹2 0 7 1 23 𝐹2 →𝐹2
7
 −11 −15
1 4 −1 11 1 0
~( 1 |23) ~( 7 | 7 )
0 1 7 7 1 23
−4𝐹2 +𝐹1 →𝐹1 0 1 7 7

como observamos en el ejemplo, la tercera columna no se puede escribir de forma

escalonada reducida, escribiendo en términos de las incógnitas tenemos

11 −15
𝑥1 − 𝑥3 =
7 7
1 23
𝑥2 + 𝑥3 =
7 7

es decir que le podemos dar valores a 𝑥3 para obtener valores del SEL; si 𝑥3 = 0
obtenemos que una solución del SEL es
−15
𝑥1 =
7
23
𝑥2 =
7
𝑥3 = 0
y así de manera infinita, asignándole cualquier valor a 𝑥3 .

Gráfica 1.2

1.3.2.1.3. SEL con número de ecuaciones mayor al número de incógnitas

Si en el SEL dado en (1.23). el número de ecuaciones es mayor que el número de incógnitas; se

pueden presentar alguna de estas situaciones:
  Que se anule una fila, es decir que todos los elementos de la fila sean ceros de forma que
quede igual el número de incógnitas y el número de ecuaciones.
 Que se presente una inconsistencia en el sistema; que los elementos de la parte izquierda
de la fila (variables) sean todos cero y el de la parte derecha (términos independientes)
sea diferente de cero.

Ejemplo 1.20 Hallar la solución al siguiente SEL

𝑥1 − 𝑥2 = −1
−𝑥1 + 2𝑥2 = 12
3𝑥1 − 3𝑥2 = −3

Lo primero que debemos hacer es generar la matriz aumentada asociada al SEL

1 −1 −1 1 −1 −1 1 0 10
(−1 2 | 12 ) ~ (0 1 | 11 ) ~ (0 1|11)
3 3 −3 𝐹1 +𝐹2 →𝐹2 0 0 0 𝐹2 +𝐹1 →𝐹1 0 0 0
−3𝐹1 +𝐹3 →𝐹2

como observamos se anuló la fila 3, lo que generó que el SEL quedara de dos ecuaciones dos
incógnitas y con solución única, que es

𝑥1 = 10
𝑥2 = 11

Gráfica 1.3
 Ejemplo 1.21 Hallar la solución al siguiente SEL

𝑥1 − 𝑥2 + 3𝑥3 = −1
−𝑥1 + 3𝑥2 + 2𝑥3 = 12
−3𝑥1 + 3𝑥2 − 9𝑥3 = 2

Lo primero que debemos hacer es generar la matriz aumentada asociada al SEL

1 −1 3 −1 1 −1 3 −1
(−1 3 |
2 12 ) ~ ( 0 2 5| 11 )
−3 3 −9 2 𝐹1 +𝐹2 →𝐹2 0 0 0 −1
3𝐹1 +𝐹3 →𝐹3

como se observa en la fila tres se presenta una inconsistencia ya que da como resultado 0 = −1.
Gráfica 1.4

1.3.2.2. Solución de un SEL utilizando matriz Inversa

Dado un conjunto de N ecuaciones de la forma (1.23), observemos que el número de ecuaciones

es igual al número de incógnitas.

Para resolver la ecuación matricial, (𝑋 es el vector de variables, 𝐴 es matriz de coeficientes, 𝐵 es

un vector fijo), luego se debe determinar 𝑋 qe satisfaga

𝑨𝑋 = 𝐵.
Hay varias formas, de encontrarlo la primer forma es por la matriz inversa, es decir hallar
una matriz 𝑨−𝟏 , que cumpla esta característica

𝑨−𝟏 𝑨𝑋 = 𝑨−𝟏 𝐵
𝑋 = 𝑨−𝟏 𝐵
(la matriz debe en este caso debe ser cuadrada). Para hallar esta matriz se aplica este
procedimiento, se arma la matriz
𝑎11 𝑎12 ⋯ 𝑎1𝑛 1 0 ⋯ 0
𝑎 𝑎22 ⋯ 𝑎2𝑛 0 1 ⋯ 0
𝐷 = ( ⋮21 | )
⋮ ⋯ ⋮ ⋮ ⋮ ⋯ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛 0 0 ⋯ 1

a la matriz 𝐷 Se le aplican las operaciones elementales (por filas) que transforman a la

matriz 𝐴 en la idéntica, de acuerdo al algoritmo propuesto en Gauss-Jordan, es decir la
matriz al final debe quedar de la forma

1 0 ⋯ 0 𝑐11 𝑐12 ⋯ 𝑐1𝑛

1 ⋯ 0|𝑐21 𝑐22 ⋯ 𝑐2𝑛
𝐷2 = (0 )
⋮ ⋮ ⋯ ⋮ ⋮ ⋮ ⋯ ⋮
0 0 ⋯ 1 𝑐𝑛1 𝑐𝑛2 ⋯ 𝑐𝑛𝑛

La matriz 𝑪 = {𝑐𝑖𝑗 }𝑛𝑛 , que esta en la derecha es la inversa de 𝐴 es decir 𝑪 = 𝑨−𝟏 .

2 1 −3
Ejemplo 1.22 hallar la inversa de 𝐴 = (−1 3 2 ), se construye la matriz
3 1 −3
aumentada

2 1 −3 1 0 0
(−1 3 2 |0 1 0)
3 1 −3 0 0 1

y se le aplican operaciones elementales vistas en el algoritmo Gauss-Jordan

2 1 −3 1 0 0 1 4 −1 1 1 0
(−1 3 2 |0 1 0) ~ (−1 3 2 |0 1 0) ~
3 1 −3 0 0 1 𝐹2 +𝐹1 →𝐹1 3 1 −3 0 0 1 𝐹2 +𝐹1 →𝐹2
𝐹3 −3𝐹1 →𝐹3
1 4 −1 1 1 0 1 4 −1 1 1 0
1 1 2
~ (0 7 1|1 2 0) ~ (0 1 | ) ~
7 7 7 0
0 −11 0 −3 −3 1 𝐹2 →𝐹2 0 −11 0 −3 −3 1 11𝐹2 +𝐹3 →𝐹3
7
−4𝐹2 +𝐹1 →𝐹1
−11 3 −1 3 −1
1 0 −11
7 0 0
7 7 1 0 7 7
1 | 1 2 7 | 1 2
~ 0 1 0 ~ 1 0 ~
7 | 7 7 0 1 | 7 7
11 −10 1 7 −10 1 7 11
(0 0 0 0 1
7 1)7𝐹3 →𝐹3 (
𝐹 +𝐹 →𝐹
7 7 11 11 11) 7 3 1 1
11 −1
𝐹 +𝐹
7 3 2→𝐹2
 −1 0 1
1 0 0 3 3 −1
~ 0 1 0| 11 11 11
0 0 1 −10 1 7
( 11 11 11 )

de donde obtenemos que

−1 0 1
3 3 −1
𝐴−1 = 11 11 11
−10 1 7
( 11 11 11 )

la solución de un SEL utilizando Matriz Inversa, Como dijimos anteriormente, el SEL (1.23)
escrito en forma matricial es de la forma 𝐴𝑋 = 𝐵, el cual se resuelve despejando matricialmente 𝑋,
quedando
(1.25) 𝑋 = 𝐴−1 𝐵

X es el vector de variables, 𝐴−1 es la matriz inversa y 𝐴−1 𝐵 es producto de matrices.

Ejemplo 1.23 Hallar la solución al siguiente SEL

2𝑥1 + 𝑥2 − 3𝑥3 = −1
−𝑥1 + 3𝑥2 + 2𝑥3 = 12
3𝑥1 + 𝑥2 − 3𝑥3 = 0

Lo primero que debemos hacer es generar la matriz aumentada asociada al SEL, donde la
matriz de la derecha es la idéntica. Y aplicando el algoritmo explicado para hallar la
inversa, tenemos, aplicando (Algoritmo 1) tenemos que

−1 0 1
3 3 −1 −1 1
(1.26) 𝑋 = 𝐴−1 𝐵 = ( 11 11 11 ) ( 12 ) = (3)
−10 1 7
0 2
11 11 11

con lo cual
𝑥1 = 1
𝑥2 = 3
𝑥3 = 2

Ejemplo 1.24 Resolver la siguiente ecuación diferencial, cuya formulación fuerte es

encontrar la función 𝑢 que satisfaga la siguiente ecuación diferencial
y condiciones de frontera.
 𝜕2 𝑢 𝑢(0) = 0
(1.27) − 𝜕𝑥 2 − 𝑢(𝑥) = 𝑥 con { 0 ≤ 𝑥 ≤ 1 (e.d.-1)
𝑢(1) = 1
Esta ecuación diferencial no tiene la forma estándar, la llevamos a esa forma
y a continuación identificamos lo siguiente:

𝜕 2𝑢
+ 𝑢(𝑥) = −𝑥
𝜕𝑥 2
Esta Ecuación Diferencial Parcial (EDP), se resolverá de manera numérica más
adelante; en el momento que se genera esta solución se plantea el siguiente
sistema, Donde 𝐾 es la matriz de rigidez, 𝐶𝑖 son los coeficiente y 𝐹𝑖 son las fuerzas
externas

𝑘11 ⋯ 𝑘1𝑛 𝑐1 𝑓1
[ ⋮ ⋮ ⋮
⋮ ][ ] = [ ⋮ ]
𝑘𝑛1 ⋯ 𝑘𝑛𝑛 𝑐𝑛 𝑓𝑛
o su equivalente
𝐾 ∙ 𝐶 = 𝐹.

las incógnitas son los 𝑐𝑖 , que se hallan aplicando la matriz inversa a izquierda, de
la siguiente manera
𝑐1 𝑘11 ⋯ 𝑘1𝑛 −1 𝑓1
[𝑐2 ] = [ ⋮ ⋮ ⋮ ] [⋮]
𝑐3 𝑘𝑛1 ⋯ 𝑘𝑛𝑛 𝑓𝑛
Si se tienen los siguientes datos

−7.833333333 4.0416666667 0
𝐾 = [ 4.0416666667 −7.833333333 4.0416666667 ]
0 4.0416666667 −7.833333333

𝐹(𝑥) =

Obtenemos los valores de las incognitas

𝐶𝑖 (𝑥) =
 Ejemplo 1.25 Aplicando el método de los elementos finitos , se planteará la
solución del siguiente problema: Usar dos elementos para
determinar el esfuerzo en el extremo de una barra cuya área
es 𝐴 = 3.141 ∗ 10−4 𝑚2, 𝐸 = 200 𝐺𝑃𝑎, la cual está sometida a
una tensión de 60 𝐾𝑁 y tiene una longitud de 𝐿 = 0,05 𝑚
Inicialmente mostraremos la gráfica que ilustra el ejercicio

Gráfica 1.5

El método que utilizaremos para aproximar la solución es el Método de Rayleigth-

Ritz (¡Error! No se encuentra el origen de la referencia.), el cual genera cual
aproximación a la solución con la siguiente fórmula
𝑛

∅(𝑥) = ∑ 𝑐𝑖 ∅𝑖 (𝑥)
𝑖=1
Donde los ∅𝑖 (𝑥) son las denominadas funciones elementales (que en
este caso serán tomadas de la solución del ¡Error! No se encuentra el
origen de la referencia. son los coeficientes se 𝑐𝑖 se hallaran de la
siguiente fórmula

𝐾∙𝐶 =𝐹

Donde K (Denominada Matriz de Rigidez , luego C es

𝑐1 𝑘11 ⋯ 𝑘1𝑛 −1 𝑓1
[𝑐2 ] = [ ⋮ ⋮ ⋮ ] [⋮]
𝑐3 𝑘𝑛1 ⋯ 𝑘𝑛𝑛 𝑓𝑛
 Se genera el ensamble de la matriz del elemento 1 y 2, obteniéndose la matriz
global de rigidez, Estos elementos se ilustran de la siguiente manera:

Gráfica 1.6

Observemos que los dos elementos generan tres puntos de análisis (llamados
nodos); una vez aplicadas las condiciones frontera de cada nodo generamos la
denominada matriz de ensamble

𝐹1 2.5128 ∗ 109 −2.5128 ∗ 109 0 0

] = [ −2.5128 ∗ 109 9 ] [𝑢 ]
[ 0 5.0256 ∗ 109 −2.5128 ∗ 10 2
60 ∗ 103 0 −2.5128 ∗ 109 2.5128 ∗ 109 𝑢3

Resolviendo el sistema de ecuaciones, multiplicación de matrices tenemos lo

siguiente

𝐹1 − 2.5128 ∗ 109 ∗ 𝑢2
[ 0 ] = [5.0256 ∗ 109 ∗ 𝑢2 − 2.5128 ∗ 109 ∗ 𝑢3 ]
3
60 ∗ 10 −2.5128 ∗ 109 𝑢2 + 2.5128 ∗ 109 ∗ 𝑢3

por comodidad de solución escribimos 𝐹1 = − 2.5128 ∗ 109 ∗ 𝑢2 𝑁 y generamos el

siguiente sistema matricial

[
0 5.0256 ∗ 109 −2.5128 ∗ 109 ] [𝑢2 ]
3] = [
60 ∗ 10 1 −2.5128 ∗ 109 2.5128 ∗ 109 𝑢3

Que es de la forma 𝔽 = 𝕂𝕦, de donde 𝕦 = 𝕂−1 𝔽 (se resuelve con la matriz inversa)
obteniendo los siguientes resultados

𝐹1 = −6.0018 ∗ 10−5 𝑁
𝑢1 = 0; 𝑢2 = 2.3885 ∗ 10−5 𝑚
𝑢3 = 4.7776 ∗ 10−5 𝑚

1.3.2.3. Solución de un SEL utilizando matrices LU

1.3.2.3.1. Descomposición LU

Los procedimientos de Gauss Jordan y matriz inversa para matrices muy grandes pueden
llegar a ser engorrosos y consumir recursos de maquina (memoria, tiempo), así que es bueno
tener métodos alternativos para resolver sistemas de ecuaciones. El método de Gauss tiene la
particularidad que es eficiente cuando la matriz esta diagonalizada, el método de matrices
LU convierte una matriz en dos matrices triangular superior y triangular inferior y se le
aplican gauss a cada una, lo que hace el método más eficiente. La restricción es que las matriz
(A=LU) A debe ser definida positiva.

Definición 1.16 Decimos que una matriz A se puede expresar como el producto de dos
matrices L (Lower) matriz triangular inferior y U (Upper) matriz triangular
superior. Este esquema me permite optimizar la solución de un SEL; se
escribe de la siguiente forma

𝐴 = 𝐿𝑈

𝑎11 𝑎12 𝑎13 1 0 0 𝑢11 𝑢12 𝑢13

(1.28) (𝑎21 𝑎22 𝑎23 ) = (𝑙21 1 0) ( 0 𝑢22 𝑢23 )
𝑎31 𝑎32 𝑎33 𝑙31 𝑙32 1 0 0 𝑢33

Hallaremos los valores de la matriz L y de la matriz U; multiplicando obtenemos

𝑎11 𝑎12 𝑎13 𝑢11 𝑢12 𝑢13

(𝑎21 𝑎22 𝑎23 ) = (𝑙21 ∙ 𝑢11 𝑙21 ∙ 𝑢12 + 𝑢22 𝑙21 ∙ 𝑢13 + 𝑢23 )
𝑎31 𝑎32 𝑎33 𝑙31 ∙ 𝑢11 𝑙31 ∙ 𝑢12 + 𝑙32 ∙ 𝑢22 𝑙31∙ 𝑢13 + 𝑙32 ∙ 𝑢23 + 𝑢33

por igualación de matrices tenemos:

𝑎11 = 𝑢11 ; 𝑎12 = 𝑢12 ; 𝑎13 = 𝑢13

(1.29) 𝑎21 = 𝑙21 ∙ 𝑢11; 𝑎22 = 𝑙21 ∙ 𝑢12 + 𝑢22; 𝑎23 = 𝑙21 ∙ 𝑢13 + 𝑢23
𝑎31 = 𝑙31 ∙ 𝑢11; 𝑎32 = 𝑙31 ∙ 𝑢12 + 𝑙32 ∙ 𝑢22; 𝑎33 = 𝑙31∙ 𝑢13 + 𝑙32 ∙ 𝑢23 + 𝑢33

Despejando las incógnitas tenemos que

𝑢11 = 𝑎11 ; 𝑢12 = 𝑎12 ; 𝑢13 = 𝑎13

𝑎21
(1.30) 𝑙21 = 𝑢11
; 𝑢22 = 𝑎22 − 𝑙21 ∙ 𝑢12 ; 𝑢23 = 𝑎23 − 𝑙21 ∙ 𝑢13
 𝑎 𝑎32 −𝑙31 ∙𝑢12
𝑙31 = 𝑢31 ; 𝑙32 = 𝑢22
; 𝑢33 = 𝑎33 − 𝑙31∙ 𝑢13 − 𝑙32 ∙ 𝑢23
11

2 1 −3
Ejemplo 1.26 Dada la matriz 𝐴 = (−1 3 2 ), hallaremos su descomposición LU,
3 1 −3
aplicando las ecuaciones (1.29) tenemos

𝑢11 = 2 ; 𝑢12 = 1; 𝑢13 = −3

−1 1 7 −1 1
𝑙21 = ; 𝑢22 = 3 + 2 (1) = 2; 𝑢23 = 2 − ∙ (−3) = 2
2 2
3
3 1− ∙(1) −1 3 −1 1 11
2
𝑙31 = ; 𝑙32 = 7 = ; 𝑢33 = −3 − (−3) − ( ) ∙ ( ) =
2 7 2 7 2 7
2

obteniendo

1 0 0 2 1 −3
2 1 −3 −1 7 1
1 0 0
(−1 3 2 )= 2 2 2
3 1 −3 3 −1 11
1 0 0
(2 7 )( 7)

1.3.2.3.2. Solución de SEL con matrices LU

Si queremos solucionar un SEL de la forma 𝐴𝑥 = 𝐵, el cual se puede reescribir como

𝐿𝑈𝑥 = 𝐵

Si definimos
(1.31) 𝑈𝑥 = 𝑧

la ecuación queda

𝐿𝑧 = 𝐵

Que en forma matricial es

1 0 0 𝑧1 𝑏1
(1.32) [𝑙21 1 0] [𝑧2 ] = [𝑏2 ]
𝑙31 𝑙32 1 𝑧3 𝑏3

Que al multiplicar en forma matricial obtenemos

 𝑧1 𝑏1
[ 𝑙 21 ∙ 𝑧1 + 𝑧2 𝑏
] = [ 2]
𝑙31 ∙ 𝑧1 + 𝑙32 ∙ 𝑧2 + 𝑧3 𝑏3
Igualando obtenemos
𝑧1 = 𝑏1

(1.33) 𝑧2 = 𝑏2 − 𝑙21 ∙ 𝑧1

𝑧3 = 𝑏3 − 𝑙31 ∙ 𝑧1 − 𝑙32 ∙ 𝑧2

Escribiendo en forma matricial (1.31)

𝑢11 𝑢12 𝑢13 𝑥1 𝑧1

[ 0 𝑢22 𝑢23 ] [𝑥2 ] = [𝑧2 ]
0 0 𝑢33 𝑥3 𝑧3

Que al multiplicar en forma matricial obtenemos

𝑢11 ∙ 𝑥1 + 𝑢12 ∙ 𝑥2 + 𝑢13 ∙ 𝑥3 𝑧1

[ 𝑢22 ∙ 𝑥2 + 𝑢23 ∙ 𝑥3 ] = [𝑧2 ]
𝑢33 ∙ 𝑥3 𝑧3

hallando los valores de x tenemos:

𝑧3
𝑥3 =
𝑢33

𝑧2 −𝑢23 ∙𝑥3
(1.34) 𝑥2 = 𝑢22

𝑧1 − 𝑢12 ∙ 𝑥2 − 𝑢13 ∙ 𝑥3
𝑥1 =
𝑢11

Ejemplo 1.27 Hallar la solución al siguiente SEL utilizando el método de

descomposiciones de matrices LU.

2𝑥1 + 𝑥2 − 3𝑥3 = −1
−𝑥1 + 3𝑥2 + 2𝑥3 = 12
3𝑥1 + 𝑥2 − 3𝑥3 = 0

aplicando la fórmula(1.30), tenemos

 𝑢11 = 2 ; 𝑢12 = 1; 𝑢13 = −3
−1 1 7 −1 1
𝑙21 = ; 𝑢22 = 3 + 2 (1) = 2; 𝑢23 = 2 − ∙ (−3) = 2
2 2
3
3 1− ∙(1) −1 3 −1 1 11
2
𝑙31 = 2
; 𝑙32 = 7 = 7
; 𝑢33 = −3 − 2 (−3) − ( 7 ) ∙ (2) = 7
2

Reemplazando en (1.33) obtenemos

𝑧1 = 𝑏1 = −1
1 23
𝑧2 = 𝑏2 − 𝑙21 ∙ 𝑧1 = 12 + ( ) (−1) =
2 2

3 −1 23 22
𝑧3 = 𝑏3 − 𝑙31 ∙ 𝑧1 − 𝑙32 ∙ 𝑧2 = 0 − ( ) ∙ (−1) − ( ) ( ) =
2 7 2 7

De donde obtenemos que los valores de la matriz 𝑋 son

22
𝑧3
𝑥3 = = 7 =2
𝑢33 11
7

23 1
𝑧2 − 𝑢23 ∙ 𝑥3 2 − (2) (2)
𝑥2 = = =3
𝑢22 7
2

𝑧1 − 𝑢12 ∙ 𝑥2 − 𝑢13 ∙ 𝑥3 −1 − (1)(3) − (−3)(2)

𝑥1 = = =1
𝑢11 2

Generalizando tenemos:
𝑢1𝑗 = 𝑎1𝑗 , 𝑗 = 1, … , 𝑛
{ 𝑎𝑗1
𝑙𝑗,1 = , 𝑗 = 2, … , 𝑛
𝑢11
Para 𝑖 = 2, … , 𝑛:

𝑢𝑖𝑗 = 𝑎1𝑗 − ∑𝑖−1

𝑘=1 𝑙𝑖𝑘 𝑢𝑘𝑗 , 𝑗 = 𝑖 + 1, … , 𝑛
(1.35) { 𝑎 −∑ 𝑖−1
𝑙𝑗𝑘 𝑢𝑘𝑗
𝑙𝑗,1 = 𝑗𝑖 𝑘=1 , 𝑗 = 𝑖 + 1, … , 𝑛
𝑢 𝑖𝑖

Ejemplo 1.28 Escribir la matriz A como producto LU

 1 −1 0 0
−1 2 −1 0
𝐴=[ ]
0 −1 2 −1
0 0 −1 2
Aplicando (1.35) tenemos que

Para 𝑗 = 1, tenemos

𝑢11 = 𝑎11 = 1 𝑢12 = 𝑎12 = −1 𝑢13 = 𝑎13 = 0 𝑢14 = 𝑎14 = 0

{ 𝑎21 −1 𝑎31 0 𝑎41 0
𝑙21 = = = −1 𝑙31 = = =0 𝑙41 = = =0
𝑢11 1 𝑢11 1 𝑢11 1

Para 𝑖 = 2 𝑦 𝑗 = 2, tenemos
1

𝑢22 = 𝑎22 − ∑ 𝑙2𝑘 𝑢𝑘2 = 𝑎22 − 𝑙21 𝑢12 = 2 − (−1)(−1) = 1

𝑘=1

Para 𝑖 = 2 𝑦 𝑗 = 3, tenemos

𝑎32 − ∑1𝑘=1 𝑙3𝑘 𝑢𝑘2 𝑎32 − 𝑙31 𝑢12 −1 − (0)(−1)

𝑙32 = = = = −1
𝑢22 𝑢22 1
1

𝑢23 = 𝑎23 − ∑ 𝑙2𝑘 𝑢𝑘3 = 𝑎23 − 𝑙21 𝑢13 = (−1) − (−1)(0) = −1

{ 𝑘=1

Para 𝑖 = 2 𝑦 𝑗 = 4, tenemos
1

𝑢24 = 𝑎24 − ∑ 𝑙2𝑘 𝑢𝑘4 = 𝑎24 − 𝑙21 𝑢14 = (0) − (−1)(0) = 0

𝑘=1
𝑎42 − ∑1𝑘=1 𝑙4𝑘 𝑢𝑘2 𝑎42 − 𝑙41 𝑢12 0 − (0)(−1)
𝑙42 = = = =0
{ 𝑢22 𝑢22 1

Para 𝑖 = 3 𝑦 𝑗 = 3, tenemos
2

𝑢33 = 𝑎33 − ∑ 𝑙3𝑘 𝑢𝑘3 = 𝑎33 − 𝑙31 𝑢13 − 𝑙32 𝑢23 = 2 − (0)(0) − (−1)(−1) = 1
𝑘=1

Para 𝑖 = 3 𝑦 𝑗 = 4, tenemos
2

𝑢34 = 𝑎34 − ∑ 𝑙3𝑘 𝑢𝑘4 = 𝑎34 − 𝑙31 𝑢14 − 𝑙32 𝑢24 = −1 − (0)(0) − (−1)(0) = −1
𝑘=1
𝑎43 − ∑2𝑘=1 𝑙4𝑘 𝑢𝑘3 𝑎43 − 𝑙41 𝑢13 − 𝑙42 𝑢23 −1 − (0)(0) − (0)(−1)
𝑙 = = = = −1
{ 43 𝑢33 𝑢33 1
 Para 𝑖 = 4 𝑦 𝑗 = 4, tenemos
3

𝑢44 = 𝑎44 − ∑ 𝑙4𝑘 𝑢𝑘4 = 𝑎44 − 𝑙41 𝑢14 − 𝑙42 𝑢24 − 𝑙43 𝑢34
𝑘=1
= 2 − (0)(0) − (0)(0) − (−1)(−1) = 1

Reemplazando tenemos

1 0 0 0 1 −1 0 0
𝐴=(−1 1 0 0 ) (0 1 −1 0)
0 −1 1 0 0 0 1 −1
0 0 −1 1 0 0 0 1

NOTA 1.14 A la hora de implementar el método en el computador, esta estructura de

cálculo permite almacenar cada 𝑢𝑖𝑗 en la posición de 𝑎𝑖𝑗 y cada 𝑙𝑖𝑗 en la
correspondiente posición de 𝑎𝑗𝑖 con el correspondiente ahorro de
memoria.

1.3.2.4. Matrices Tridiagonales

En el método de diferencias dividas para solución numérica de e.d. para el caso de segundo
orden, hay tres formas para solucionarlo, hacia adelante, atrás, centrada; una forma
resolverlo es formar la matriz con los nodos que se quieren despejar; en el caso de adelante
(atrás) se obtiene una matriz diagonal inferior (superior) estos se resuelven por gauss o por
recursividad; para el caso de diferencia centrada se llega a una matriz tridiagonal para el
caso de la segunda derivada esta matriz es simétrica lo que permite generar un
procedimiento eficiente, aquí se aplica LU, para reducir los cálculos y llegar a formas
recursivas, o fórmulas que son más eficientes.

En general una matriz tridiagonal se puede definir como un arreglo bidimensional de la

siguiente forma
𝐴 = {𝑎𝑖𝑗 }𝑖,𝑖−1≤𝑗≤𝑖+1
Con 0 ≤ 𝑖 ≤ 𝑛, y 𝑖 − 1 ≤ 𝑗 ≤ 𝑖 + 1, ahora para el caso particular de orden de orden 3x3
𝑎11 𝑎12 0
𝐴 = [𝑎21 𝑎22 𝑎23 ]
0 𝑎32 𝑎33
Hay varias formas de solucionar estas matrices, en particular en este caso se usara el
método de 𝐴 = 𝐿𝑈, con 𝑈 una matriz superior y 𝐿 una matriz inferior. Para este caso se
tendrá lo siguiente
𝑎11 𝑎12 0 1 0 0 𝑢11 𝑢12 0
[𝑎21 𝑎22 𝑎23 ] = [𝑙21 1 0] [ 0 𝑢22 𝑢23 ]
0 𝑎32 𝑎33 0 𝑙32 1 0 0 𝑢33
Aplicando el mismo procedimiento de (1.35), para halla L y U; resolviendo para el caso
3X3 el sistema 𝑦 = 𝐴𝑥 = 𝐿𝑈𝑥 = 𝐿𝑏, con 𝑈𝑥 = 𝑏, es decir
𝑏1 𝑢11 𝑢12 0 𝑥1
[𝑏2 ] = [ 0 𝑢22 𝑢23 ] [𝑥2 ]
𝑏3 0 0 𝑢33 𝑥3
primero se resuelve el problema
𝑦1 1 0 0 𝑏1
[𝑦2 ] = [𝑙21 1 0] [𝑏2 ]
𝑦3 0 𝑙32 1 𝑏3

Realizando la multiplicación matricial y despejando los 𝑏𝑖 , tenemos

𝑏1 = 𝑦1 ,
(1.36) 𝑏2 = 𝑦2 − 𝑙21 𝑏1,

𝑏3 = 𝑦3 − 𝑙32 𝑏2 ,

Se genera un algoritmo recursivo para hallar los 𝑏𝑖 , donde

𝑏𝑖 = 𝑦𝑖 − 𝑙𝑖,𝑖−1 𝑏𝑖−1 , con 2 ≤ 𝑖 ≤ 𝑛

Para el caso de la matriz superior, dado que ya se conocen los 𝑏𝑖 , se genera un algoritmo
(recursivo) similar para 𝑋 = (𝑥1 , 𝑥2 , 𝑥3 )𝑡
𝑥3 = 𝑏3 /𝑢33 ,
(1.37) 𝑥2 = (𝑏2 − 𝑢23 𝑥3 )/𝑢22,

𝑥1 = (𝑏1 − 𝑢12 𝑥2 )/𝑢11 ,

Obteniendo el siguiente algoritmo

𝑥𝑖 = (𝑏𝑖 − 𝑢𝑖,𝑖+1 𝑥𝑖+1 )/𝑢𝑖,𝑖 , con 1 ≤ 𝑖 ≤ 𝑛 − 1

En este caso las matrices son fáciles de resolver recursivamente, ahí se ahorra gran cantidad
de memoria y de operaciones y su algoritmo es fácil de hacer, por eso es que se usa este
método.

Ejemplo 1.29 Dado el siguiente sistema tridiagonal de ecuaciones, solucionarlo

mediante matrices LU.

2𝑥1 − 𝑥2 −= 1
−𝑥1 + 2𝑥2 − 𝑥3 = 0
−𝑥2 + 2𝑥3 − 𝑥4 = 0
−𝑥3 + 2𝑥4 = 1

Escribiéndolo en forma matricial 𝐴𝑥 = 𝑏

 2 −1 0 0 𝑥1 𝑏1
−1 2 −1 0 𝑥 𝑏
[ ] [ 2] = [ 2]
0 −1 2 −1 𝑥3 𝑏3
0 0 −1 2 𝑥4 𝑏4
Escribiendo 𝐴 en forma 𝐿𝑈 de (1.35) obtenemos

−1 0 0 0 2 −1 0 0 𝑥1 𝑏1
−0.5 1 0 0 −1 2 −1 0 𝑥 𝑏
[ ][ ] [ 2] = [ 2]
0 0.67 1 0 0 −1 2 −1 𝑥3 𝑏3
0 0 −0.75 1 0 0 −1 2 𝑥4 𝑏4

al aplicar el algoritmo (1.36) y (1.37) obtenemos

𝑥1 =1
𝑥2 =1
𝑥3 =1
𝑥4 =1

Ejemplo 1.30 Al considerar el problema de determinar la distribución de calor en estado

estable, en una placa cuadrada metálica delgada, con las dimensiones 0,5
m por 0,5 m . Conservamos dos fronteras adyacentes a 0°𝐶 mientras el
calor en las otras dos fronteras aumenta de 0°𝐶 en una esquina a 100°𝐶
en el sitio donde ambos lados se encuentran . Si ponemos los lados con las
condiciones iniciales de frontera cero a lo largo de los ejes 𝑥 y 𝑦, el
problema se expresa así

𝑑2 𝑢 𝑑2 𝑢
(𝑥, 𝑦) + 2 (𝑥, 𝑦) = 0
𝑑𝑥 2 𝑑𝑦

Al resolverlo empleando elementos finitos con el método de funciones sombrero

obtenemos

𝑃1 : 4𝑤1 − 𝑤2 − 𝑤4 = 𝑤0,3 + 𝑤1,4 , 𝑃2 : 4𝑤2 − 𝑤3 − 𝑤1 − 𝑤5 = 𝑤2,4,

𝑃3 : 4𝑤3 − 𝑤2 − 𝑤6 = 𝑤4,3 + 𝑤3,4 , 𝑃4 : 4𝑤4 − 𝑤5 − 𝑤1 − 𝑤7 = 𝑤0,2
𝑃5 : 4𝑤5 − 𝑤6 − 𝑤4 − 𝑤2 − 𝑤8 = 0, 𝑃6 : 4𝑤6 − 𝑤5 − 𝑤3 − 𝑤9 = 𝑤4,2,
𝑃7 : 4𝑤7 − 𝑤8 − 𝑤4 = 𝑤0,1 + 𝑤1,10, 𝑃8 : 4𝑤8 − 𝑤9 − 𝑤7 − 𝑤5 = 𝑤2,0,
𝑃9 : 4𝑤9 − 𝑤8 − 𝑤6 = 𝑤3,0 + 𝑤4,1

Donde los lados derechos se obtienen de las condiciones de frontera, las cuales implican
que:

𝑤1,0 = 𝑤2,0 = 𝑤3,0 = 𝑤0,1 = 𝑤0,2 = 𝑤0,3 = 0

 𝑤1,4 = 𝑤4,1 = 2,5 𝑤2,4 = 𝑤4,2 = 50 y 𝑤3,4 = 𝑤4,3 = 75

El sistema lineal asociado a este problema tiene la forma

0 −1 0 0 0 0 0 0 0
−1 4 −1 0 0 0 0 0 0
0 −1 0 0 0 0 0 0 0
0 0 0 0 −1 0 0 0 0
0 0 0 −1 4 −1 0 0 0
0 0 0 0 −1 0 0 0 0
0 0 0 0 0 0 0 −1 0
0 0 0 0 0 0 −1 4 −1
0 0 0 0 0 0 0 −1 0

−4 −1 0 −1 0 0 0 0 0
−1 4 −1 0 −1 0 0 0 0
0 −1 4 0 0 −1 0 0 0
−1 0 0 4 −1 0 −1 0 0
0 −1 0 −1 4 −1 0 −1 0
0 0 0 −1 4 −1 0 −1 0
0 0 −1 0 −1 4 0 0 −1
0 0 0 −1 0 0 4 −1 0
0 0 0 0 −1 0 −1 4 −1
[ 0 0 0 0 0 −1 0 −4 4 ]

EJEMPLO BURDEN PAG 697

EJERCICIOS DE APLICACIÓN

En física se buscan cantidades medibles, lo ideal sería que todo operador fuera medible, es
decir ………. Para las transformaciones lineales asociadas a matrices existen varios
invariantes; aquí trabajaremos con los más representativos, como lo son, la traza, el
determinante y los valores y vectores propios.

Estas cantidades las podemos medir en las matrices; es decir, queremos tener medidas que
no varíen (invariantes) con respecto a las transformaciones que se le apliquen
Una de las aplicaciones de un invariante de las matrices; es cuando en física hablamos de la
deformación volumétrica, ya que la forma varía pero no la cantidad de volumen, la
siguiente gráfica muestra este ejemplo

Donde la deformación volumétrica se define como el determinante de cada una de las

deformaciones generada en cada eje

1 + 𝑒𝑥𝑥 𝑒𝑥𝑦 𝑒𝑥𝑧

𝑒 = 𝑑𝑒𝑡 | 𝑒𝑥𝑦 1 + 𝑒𝑦𝑦 𝑒𝑦𝑧 | = 1 + 𝑒𝑥𝑥 + 𝑒𝑦𝑦 + 𝑒𝑧𝑧 + 𝑂(𝑒 2 ) = 1 + 𝑇𝑟(𝑒)
𝑒𝑥𝑧 𝑒𝑦𝑧 1 + 𝑒𝑧𝑧

Donde 𝑇𝑟(𝑒) se conoce como la traza de 𝑒 y 𝑂(𝑒 2 )1

1.3.3. Determinantes

El determinante es un número importante asociado a toda matriz cuadrada (NAKAMURA);

es tal su importancia que si este número asociado a la matriz generada de los coeficientes es
igual a cero el SEL no tiene solución (Matriz singular). Y si el determinante de una matriz
es cero no posee inversa.

Sea
𝑎11 𝑎12 ⋯ 𝑎1𝑛
𝑎 𝑎22 ⋯ 𝑎2𝑛
𝐴 = [ ⋮21 ]
⋮ ⋯ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛

mostraremos dos maneras diferentes de obtener el determinante de una matriz.

1
Este error es el mismo error de Taylor visto en el primer capitulo
 1.3.3.1. Método de los cofactores

Se define

𝑎22 ⋯ 𝑎2𝑛 𝑎21 𝑎23 ⋯ 𝑎2𝑛

(1.38) 𝑑𝑒𝑡𝐴 = |𝐴| = 𝑎11 | ⋮ ⋮ ⋮ | − 𝑎12 | ⋮ ⋮ ⋮ ⋮ | + ⋯+
𝑎𝑛2 ⋯ 𝑎𝑛𝑛 𝑎𝑛1 𝑎𝑛3 ⋯ 𝑎𝑛𝑛
𝑎21 ⋯ 𝑎2(𝑛−1)
𝑖+𝑗
+(−1) 𝑎1𝑛 | ⋮ ⋮ ⋮ |
𝑎𝑛1 ⋯ 𝑎𝑛(𝑛−1)

Observe que el elemento que se toma como cofactor, hace que se quite tanto la fila 𝑖 como
la columna 𝑗 a la que pertenece.
A partir de la definición de determinante se tienen las siguientes propiedades

PROPIEDADES

𝑓1 𝑓1 𝑓1
𝑓 + 𝑘 ∗ 𝑔𝑖 𝑓 𝑔
det(𝐴) = 𝑑𝑒𝑡 | 𝑖 | = 𝑑𝑒𝑡 | 𝑖 | + 𝑘 ∗ 𝑑𝑒𝑡 | 𝑖 | = det(𝐴) + 𝑘 ∗ det(𝐴′)
⋮ ⋮ ⋮
𝑓𝑛 𝑓𝑛 𝑓𝑛

det(𝐴) = 𝑑𝑒𝑡|𝑐1 𝑐𝑖 + 𝑘 ∗ ℎ𝑖 ⋯ 𝑐𝑛 |
= 𝑑𝑒𝑡|𝑐1 𝑐𝑖 ⋯ 𝑐𝑛 | + 𝑘 ∗ 𝑑𝑒𝑡|𝑐1 ℎ𝑖 ⋯ 𝑐𝑛 |
= det(𝐴) + 𝑘 ∗ det(𝐴′)

Luego el determinante es operador lineal por filas y por columnas.

det(𝐴) = det(𝐴𝑇 )
Determinante de 𝐴 y 𝐴𝑇 , son iguales.

𝑓1
𝑓
| 𝑖|
det(𝐴) = 𝑑𝑒𝑡 𝑓𝑖 = 0,
| |
⋮
𝑓𝑛

det(𝐴) = 𝑑𝑒𝑡|𝑐1 𝑐𝑖 𝑐𝑖 ⋯ 𝑐𝑛 | = 0,
Si la matriz tiene dos filas o dos columnas iguales, el determinante es 0.
 𝑓1 𝑓1
𝑓𝑖 𝑓𝑖+1
| | | |
det(𝐴) = 𝑑𝑒𝑡 𝑓𝑖+1 = −𝑑𝑒𝑡 𝑓𝑖 ,
| | | |
⋮ ⋮
𝑓𝑛 𝑓𝑛

det(𝐴) = 𝑑𝑒𝑡|𝑐1 𝑐𝑖 𝑐𝑖+1 ⋯ 𝑐𝑛 | = −𝑑𝑒𝑡|𝑐1 𝑐𝑖+1 𝑐𝑖 ⋯ 𝑐𝑛 |

Si se intercambian filas o columnas el determinante se multiplica por (−1).

𝑑𝑒𝑡 (𝐴𝐵) = 𝑑𝑒𝑡(𝑎) ∗ 𝑑𝑒𝑡(𝐵),

El determínate de la multiplicación de matrices, es la multiplicación de los determinantes.

(𝐴)𝐹𝑗 +𝑘𝐹𝑖 →𝐹𝑗 ~𝐵

luego
𝑑𝑒𝑡 (𝐴) = 𝑑𝑒𝑡 (𝐵)
es decir si A es equivalente a B por operaciones elementales, sus determinantes son iguales.

De las propiedades anteriores se tiene por ejemplo, Si 𝑑𝑒𝑡(𝐼) = 1, 𝑑𝑒𝑡 (𝐴−1 ) = 𝑑𝑒𝑡 (𝐴)−1.

Si 𝐴~𝐷, por operaciones elementales, y 𝐷 es una matriz diagonal superior (inferior),

entonces

𝑑𝑒𝑡(𝐴) = 𝑑11 ∗ 𝑑11 … 𝑑𝑛𝑛

Es decir 𝑑𝑒𝑡(𝐴) es la multiplicación de los elementos de la diagonal de 𝐷.

Si un sistema de ecuaciones tiene varias soluciones, o soluciones infinitas, para su matriz

asociada 𝐴, 𝑑𝑒𝑡(𝐴) = 0.

NOTA 1.15 Cuando el orden de la matriz es 2x2 el determinante se halla como el

producto de los elementos de la diagonal principal menos el producto de
los elementos de la diagonal secundaria.

−1 3
Ejemplo 1.31 Hallar el determinante de 𝐴 = ( )
5 6

𝑑𝑒𝑡𝐴 = (−1)(6) − (3)(5) = −6 − 15 = −21

3 5 2
Ejemplo 1.32 Hallar el determinante de 𝐴 = (0 4 −2)
0 −2 6

Aplicando (1.38) obtenemos

 4 −2 0 −2 0 4
𝑑𝑒𝑡𝐴 = 3 ( ) − 5( ) + 2( ) = 3(24 − 4) − 5(0) + 2(0) = 60
−2 6 0 6 0 −2

1.3.3.2. Método de matrices LU

Si descomponemos la matriz A en términos de la matriz LU tenemos que 𝐴 = 𝐿𝑈

Por propiedades de los determinantes2

1 0 0 𝑢11 𝑢12 𝑢13

𝑑𝑒𝑡𝐴 = det(𝐿𝑈) = det(𝐿) ∗ det(𝑈) = 𝑑𝑒𝑡 (𝑙21 1 0) ∗ 𝑑𝑒𝑡 ( 0 𝑢22 𝑢23 )
𝑙31 𝑙32 1 0 0 𝑢33
= (1) ∗ (𝑢11 ∗ 𝑢22 ∗ 𝑢33 )

Como se observa, existe una gran ventaja al aplicar descomposición LU, la matriz U se
puede obtener realizando el mismo procedimientos Gauss-Jordan, sin la necesidad que los
términos de la diagonal sean unos (Gauss), si llego a esta matriz sin realizar cambios de fila
(lo que en la literatura de matices LU se conoce como pivoteo) el determinante es el
producto de los elementos de la diagonal; en caso de que se haya realizado pivoteo, se
deben contar estos y aplicar la siguiente fórmula (Nakamura):

𝑑𝑒𝑡𝐴 = 𝛾 ∙ det(𝑈)

Donde 𝛾 es igual a -1 o +1 dependiendo si el número de pivoteo es par o impar

2 1 −3
Ejemplo 1.33 Hallar el determinante de 𝐴 = (−1 3 2 )
3 1 −3.

Del Ejemplo 1.27 tenemos que

1 0 0 2 1 −3
2 1 −3
−0.5 1 0 0 3.5 0.5
𝐴 = (−1 3 2 )=( 1 )( 11 )
3 1 −3. 1.5 − 1 0 0
7 7

luego

2
𝑑𝑒𝑡 (𝐴𝐵) = 𝑑𝑒𝑡(𝑎) ∗ 𝑑𝑒𝑡(𝐵)
 2 1 −3
0 3.5 0.5 11
𝑑𝑒𝑡𝐴 = 𝛾 ∙ det(𝑈) = 𝑑𝑒𝑡 ( 11 ) = (2)(3.5) ( 7 ) = 11
0 0
7

Como no hubo pivoteo 𝛾 = 1.

0 0 1
Ejemplo 1.34 Hallar el determinante de 𝐴 = (1 5 −1)
2 4 1.

Aplicando Gauss tenemos

𝐴=
0 0 1 1 5 −1 1 5 −1 1 5 −1
(1 5 −1) ~ (0 0 1) ~ (0 0 1) ~ (0 −6 3)
2 4 1. 𝐹2 ↔𝐹1 2 4 1 −2𝐹1 +𝐹3 →𝐹3 0 −6 3 𝐹2 ↔𝐹3 0 0 1

Para llegar a la segunda matriz se realizaron dos pivoteos3; luego

𝑑𝑒𝑡𝐴 = 𝛾 ∙ det(𝑈) = (−1)2 (1)(−6)(1) = −6

1.3.4. Sistemas de Ecuaciones no Lineales

1.3.5. Aplicación a la estimación de Parámetros

Cuando abordamos las aplicaciones en ingeniería, nos encontramos con problemas de

aplicación donde un vector 𝐴 deben cumplir una condición de paralelismo de forma tal que
exista un valor 𝜆 que garantice la existencia de este vector paralelo; esta es la aproximación
a un nuevo concepto que trabajaremos a continuación.

Si en una matriz cuadrada (en general una trasformación lineal) A se quiere determinar
cómo trasforma un conjunto Ω, una de las formas es buscar unos ciertos vectores de forma
tal que 𝐴𝑣𝑖 = 𝜆𝑖 𝑣𝑖 , y representar con estos a 𝑥𝜖𝛺; es decir si 𝑥 = 𝑐1 𝑣1 +𝑐2 𝑣2 + ⋯ + 𝑐𝑛 𝑣𝑛 ,
entonces

3
El pivoteo se define como el cambio de fila
 𝐴𝑥 = 𝐴(𝑐1 𝑣1 +𝑐2 𝑣2 + ⋯ + 𝑐𝑛 𝑣𝑛 ) =
= 𝐴(𝑐1 𝑣1 )+𝐴(𝑐2 𝑣2 )+ ⋯ + 𝐴(𝑐𝑛 𝑣𝑛 ) =
= 𝑐1 𝜆1 𝑣1 +𝑐2 𝜆2 𝑣2 + ⋯ + 𝑐𝑛 𝜆𝑛 𝑣𝑛 ,

Con los vectores 𝑣𝑖 , se puede identificar qué forma tiene el conjunto 𝐴(Ω), (dimensión,
área, distancia) dar una interpretación de que es y que hace la trasformación A. Estos
vectores son los vectores propios.

1.3.6. Valores Propios

Idea. Dada una matriz 𝐴 de orden 𝑛 × 𝑛, la cual transforma un vector cualquier 𝑣 (𝑣 ≠ 0)
que esta definido en ℝ𝑛 en otro vector 𝐴𝑣 en ℝ𝑛 , de forma tal, que este vector al ser
transformado conserve la misma dirección, es decir, 𝐴𝑣 = 𝜆𝑥

Definición 1.17 Si 𝐿: 𝑋 → 𝑌, es un operador lineal con 𝑋, 𝑌 espacios vectoriales y existe 𝑣,

(𝑣 ≠ 0) tal que

𝐿(𝑣) = 𝜆𝑣

Con 𝜆 real (o complejo), 𝑣 es vector propio y 𝜆 es valor propio.

Para el caso de una matriz 𝐴 de orden 𝑛 se tiene

𝐴𝑣 = 𝜆𝑣
Para hallar 𝑣 y 𝜆, se realiza la cuenta
𝐴𝑣 = 𝜆𝑣 = 𝜆𝐼𝑣
𝐴𝑣 − 𝜆𝐼𝑣 = 0
(𝐴 − 𝜆𝐼)𝑣 = 0
Se busca que el vector no sea cero, es decir que el sistema de ecuaciones debe tener varias
soluciones es decir se busca 𝜆 tal que
𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = 0
Al resolver el determínate se obtiene un polinomio (de orden n)

𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = 𝑃(𝜆) = 𝑎𝑛 𝜆𝑛 + 𝑎𝑛−1 𝜆𝑛−1 + ⋯ 𝑎0 = 0

Este polinomio se llama polinomio característico, y las raíces son los valores propios de la
matriz 𝐴. Para las raíces se presentan varios casos que tienen implicación en el vector
propio.

Hay que notar que si 𝑣 es vector propio

𝐴(𝑣 + 𝑘𝑣) = 𝜆(𝑣 + 𝑘𝑣) y 𝐴0 = 𝜆0

Luego es un subespacio vectorial, este se llama espacio propio.

NOTA 1.16 Para un mismo valor propio de la matriz A existen diferentes vectores propios, pero
todos ellos son paralelos entre sí.

2 3
Ejemplo 1.35 Dada la matriz 𝐴 = ( ), hallar los valores característicos
3 −6

Ensamblamos el polinomio c característico

𝑃𝐴 (𝜆) = 𝑑𝑒𝑡(𝐴 − 𝜆𝐼) = 𝑑𝑒𝑡 (2 − 𝜆 3 ) = (2 − 𝜆)(−6 − 𝜆) − 9 =

3 −6 − 𝜆
2
= 𝜆 + 4𝜆 − 21 = (−7 − 𝜆)(3 − 𝜆) = 0

Las dos soluciones del polinomio de grado 2 serán 𝜆1 = 3 y 𝜆2 = −7. Ahora encontraremos
los vectores propios asociados a cada uno de los valores propios, es decir, tenemos que
buscar los vectores (𝑣 ≠ 0) tales que (𝐴 − 𝜆𝐼)𝑣 = 0.

Para 𝜆 = 3, se reduce el sistema asociado a cada valor propio

−1 3 −1 3
𝐴 − 3𝐼 = ( )~( )
3 −9 0 0

Para hallar el vector se toma un vector (𝑥, 𝑦)𝑇 y se resuelve el sistema

−1 3 𝑥 0
( )( ) = ( )
0 0 𝑦 0
luego aparecen las ecuaciones
−𝑥 + 3𝑦 = 0
0=0
De la primera se tiene
𝑥 = 3𝑦
El vector propio queda de la forma
𝑥 3𝑦 3
(𝑦) = ( ) = 𝑦 ( )
𝑦 1
Se pueden escoger varios valores para 𝑦, (es un espacio propio) se le da el valor 𝑦 = 1,
Luego el vector propio es
3
𝑣1 = ( )
1
Asi el espacio propio para el valor propio 𝜆1 = 3 es el generado por 𝑣1 , es decir
3
𝑉(3) = 𝐺𝑒𝑛 {( )}.
1
Para 𝜆2 = 7, se repite el procedimiento anterior

9 3 3 1 −1
𝐴 + 7𝐼 = ( )~( ) ⟹ 𝑉(7) = 𝐺𝑒𝑛 {( )}
3 1 0 0 3
 Ejemplo 1.36 Dada la matriz 𝐴,

1 2
𝐴=( ),
2 1

indique cuales de los siguientes son vectores propios

1 2 0 −1
𝑣1 = ( ), 𝑣2 = ( ), 𝑣3 = ( ), 𝑣4 = ( ),
1 3 2 1

Debemos multiplicar cada vector por la matriz A y ver si el vector resultante es un múltiplo
escalar del vector A

𝑣1 si es vector propio de A asociado al valor propio 3, ya que

1 2 1 3 1
𝐴𝑣1 = ( )( ) = ( ) = 3( )
2 1 1 3 1

𝑣2 no es vector propio de A, ya que

1 2 2 8 2
𝐴𝑣2 = ( )( ) = ( ) ≠ 𝑘( )
2 1 3 7 3

𝑣3 no es vector propio de A
1 2 0 4 0
𝐴𝑣3 = ( )( ) = ( ) ≠ 𝑘( )
2 1 2 2 2

𝑣4 es vector propio de A, al valor propio -1, porque

1 2 −1 1 −1
𝐴𝑣4 = ( ) ( ) = ( ) = −1 ( )
2 1 1 −1 1

Ejemplo 1.37 El vector

2
𝑣=( 4 )
−4
Es un vector propio de la matriz
5 0 3
16 18
[ 1 ]
5 5
−2 0 −2

Determine el valor propio al cual está asociado.

Debemos determinar el vector 𝐴𝑣

 5 0 3
16 18 2 −2 2
[ 1 ] [ 4 ] = [ −4 ] = −1 [ 4]
5 5 −4 4 −4
−2 0 −2

Por lo tanto, 𝑣 está asociado al valor propio 𝜆 = −1 de la matriz 𝐴.

1.3.3.5. Ejercicios propuestos

Resolver los siguientes sistemas

a. 2𝑥1 − 𝑥2 − 𝑥3 = −1 b. 0.1𝑥1 − 0.6𝑥2 + 𝑥3 = 0

−𝑥1 + 3𝑥2 + 2𝑥3 = 12 −2𝑥1 + 8𝑥2 + 0.3𝑥3 = 12
3𝑥1 + 𝑥2 − 3𝑥3 = 0 𝑥1 + 6𝑥2 + 4𝑥3 = 0

c. 4𝑥1 + 𝑥2 − 𝑥3 = 9 d. 𝑥1 − 𝑥2 = 0
3𝑥1 + 2𝑥2 − 6𝑥3 = −2 −𝑥1 + 2𝑥2 − 𝑥3 = 1
𝑥1 − 5𝑥2 + 3𝑥3 = 1 −𝑥2 + 1.1𝑥3 = 0

En el siguiente problema muestra un atajo para resolver SEL donde los coeficientes de las
variables de tres sistemas son iguales pero los términos independientes son diferentes

a. 𝑥1 + 𝑥2 + 𝑥3 = 1 b. 𝑥1 + 𝑥2 + 𝑥3 = −2 c. 𝑥1 + 𝑥2 + 𝑥3 = 2
2𝑥1 − 𝑥2 + 3𝑥3 = 4 2𝑥1 − 𝑥2 + 3𝑥3 = 5 2𝑥1 − 𝑥2 + 3𝑥3 = −1
3 𝑥1 + 2𝑥2 − 2𝑥3 = −2 3 𝑥1 + 2𝑥2 − 2𝑥3 = 1 3 𝑥1 + 2𝑥2 − 2𝑥3 = 4

Se pueden combinar en un arreglo, en el cual solo se soluciona el sistema una vez

1 1 3 1 −2 2
(2 −1 3 |4 5 −1)
3 2 −2 −2 1 4

Utilizando este atajo halle la solución de cada uno de los SEL

Calcule 𝐶 = 𝐴𝐵, 𝐶 = 𝐴𝐵, 𝐶 = 𝐴𝑡 + 𝐵, 𝐶 = (𝐴𝐵)𝑡 , 𝐶 = 𝐴𝑡 𝐵 𝑡 , 𝐶 = 𝐵 𝑡 𝐴𝑡 ; donde

1 2 3 4 1 2
𝐴 = [0 1 4 ] y 𝐵 = [3 2 1]
3 0 2 0 1 2

Calcule la inversa de cada una de las siguientes matrices:

 3 1 0 0 5 1
𝐴 = [1 2 1] 𝐵 = [−1 6 3]
0 1 1 3 −9 5

Descomponga las siguientes matrices en matrices 𝐿 y 𝑈 y luego verifique su producto

2 −1 0 2 −1 0 3 1 0 0 5 1
a. [−1 2 −1] b. [−3 4 −1] c. [1 2 1] d. [−1 6 3]
0 −1 2 0 −1 2 0 1 1 3 −9 5

Resuelva las siguientes ecuaciones utilizando la descomposición 𝐿𝑈

2 −1 0 𝑥1 1
b. [−1 2 −1] [𝑥2 ] = [2]
0 −1 2 𝑥3 3
2 −1 0 𝑥1 4
b. [−1 2 −1] [𝑥2 ] = [5]
0 −1 2 𝑥3 6
2 −1 0 𝑥1 1
c. [−3 4 −1] [𝑥2 ] = [2]
0 −1 2 𝑥3 3

Encuentre el determinante de las siguientes matrices

−1 1 2 −3 8 1 3 2
4 −1 2 3 2 −1
1 4 2 −1 3 2 ] d. [ 2 9 −1 −2]
a. [ ] b. [1 2 −3] c. [0 4 3 ] d. [
3 2 0 2 4 1 1 3 2 −1
0 3 1 0 0 6
5 1 1 −1 1 0 6 4
Utilice descomposición LU para hallar el valor del determinante en los ejercicios del ítem
anterior.

Evalúe el determinante de 𝐴−1 , donde 𝐴 = 𝐵𝐶𝐷 y

3 2 1 1 0 2 1 0 0
𝐴 = [0 4 3] 𝐶 = [−1 1 0] 𝐷 = [−2 1 0]
0 0 6 0 3 2 5 2 7

La matriz 𝐴 es la matriz de Hilbert de 5x5 dada por

1
𝐴 = [𝑎𝑖,𝑗 ] donde 𝑎𝑖.𝑗 = 𝑖+𝑗−1
Calcule: (a) 𝐴−1 (b) 𝐴−1 𝐴 (c) (𝐴−1 )−1 𝐴−1

Desarrolle el determinante de la siguiente matriz en forma de un polinomio:

2−𝑠 4 6
𝐴=[ 1 −1 − 9 5 ]
2 0 1−𝑠
 Encuentre la solución general de

4𝑥1 + 𝑥2 − 𝑥3 = 9
3𝑥1 + 2𝑥2 − 6𝑥3 = −2
de tres soluciones distintas

Resolver
𝑢
1 3 3 2 1
𝑣
[ 2 6 9 5] [𝑤 ] = [5]
−1 3 3 0 𝑦 5
5 0 3 −3 1 0 9
16 18
Los vectores propios de la matriz 𝐴 = [ 5 1 5 ] son[−2], [ 2 ], [6], [ 6 ],
−2 0 −2 1 −2 0 −3
determine los valores propios a los cuales están asociados.

Determine los valores propios a los cuales están asociados.

1 2 1 1 1 2
a. [ ] b. [ ] c. [ ]
2 1 0 1 −1 2

Determine el polinomio característico, los valores y vectores propios asociados a cada una
de las siguientes matrices

1 7 −9
−2 4 4 1 0 0 1 3 2
5 11 5
a. −4 8
−8 b. [ 3 10 15 ] c. [−1 2 1]
15 63 17 −2 −6 −9 4 −1 −1
[− 4
−8 8 ]

𝑐𝑜𝑠𝜃 −𝑠𝑒𝑛𝜃
Pruebe que la matriz [ ]no tiene valores propios para 0 < 𝜃 < 𝜋
𝑠𝑒𝑛𝜃 𝑐𝑜𝑠𝜃

Compruebe que si 𝜆 es un valor característico de una matriz invertible A, entonces 𝜆−1es

un valor característico de 𝐴−1 .