Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
ALGEBRA LINEAL
El álgebra lineal, como su nombre la indica, se dedica a trabajar sobre operadores lineales,
es decir sobre operadores que cumplen
con
𝐿: 𝑋 → 𝑌
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.
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.
𝐶 = [𝑐1 𝑐2 ⋯ 𝑐𝑚 ]
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.
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
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
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.
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.
0 7 −2
𝐷33 = [14 21 32 ]
7 14 15
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.
(1.24) 𝑨𝑋 = 𝐵.
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
𝑥1 = 𝑑1
𝑥2 = 𝑑2
⋮
𝑥𝑛 = 𝑑𝑛
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.
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
2𝑥1 + 𝑥2 − 3𝑥3 = −1
−𝑥1 + 3𝑥2 + 2𝑥3 = 12
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
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
𝑥1 − 𝑥2 = −1
−𝑥1 + 2𝑥2 = 12
3𝑥1 − 3𝑥2 = −3
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
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
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
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
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 )
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
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
𝜕 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) =
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
∅(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
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 ∗ 𝑢2
[ 0 ] = [5.0256 ∗ 109 ∗ 𝑢2 − 2.5128 ∗ 109 ∗ 𝑢3 ]
3
60 ∗ 10 −2.5128 ∗ 109 𝑢2 + 2.5128 ∗ 109 ∗ 𝑢3
[
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
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
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
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)
𝐿𝑈𝑥 = 𝐵
Si definimos
(1.31) 𝑈𝑥 = 𝑧
la ecuación queda
𝐿𝑧 = 𝐵
1 0 0 𝑧1 𝑏1
(1.32) [𝑙21 1 0] [𝑧2 ] = [𝑏2 ]
𝑙31 𝑙32 1 𝑧3 𝑏3
(1.33) 𝑧2 = 𝑏2 − 𝑙21 ∙ 𝑧1
𝑧3 = 𝑏3 − 𝑙31 ∙ 𝑧1 − 𝑙32 ∙ 𝑧2
𝑧2 −𝑢23 ∙𝑥3
(1.34) 𝑥2 = 𝑢22
𝑧1 − 𝑢12 ∙ 𝑥2 − 𝑢13 ∙ 𝑥3
𝑥1 =
𝑢11
2𝑥1 + 𝑥2 − 3𝑥3 = −1
−𝑥1 + 3𝑥2 + 2𝑥3 = 12
3𝑥1 + 𝑥2 − 3𝑥3 = 0
3 −1 23 22
𝑧3 = 𝑏3 − 𝑙31 ∙ 𝑧1 − 𝑙32 ∙ 𝑧2 = 0 − ( ) ∙ (−1) − ( ) ( ) =
2 7 2 7
22
𝑧3
𝑥3 = = 7 =2
𝑢33 11
7
23 1
𝑧2 − 𝑢23 ∙ 𝑥3 2 − (2) (2)
𝑥2 = = =3
𝑢22 7
2
Generalizando tenemos:
𝑢1𝑗 = 𝑎1𝑗 , 𝑗 = 1, … , 𝑛
{ 𝑎𝑗1
𝑙𝑗,1 = , 𝑗 = 2, … , 𝑛
𝑢11
Para 𝑖 = 2, … , 𝑛:
Para 𝑗 = 1, tenemos
Para 𝑖 = 2 𝑦 𝑗 = 2, tenemos
1
Para 𝑖 = 2 𝑦 𝑗 = 3, tenemos
Para 𝑖 = 2 𝑦 𝑗 = 4, tenemos
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
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.
𝑏1 = 𝑦1 ,
(1.36) 𝑏2 = 𝑦2 − 𝑙21 𝑏1,
𝑏3 = 𝑦3 − 𝑙32 𝑏2 ,
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,
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.
2𝑥1 − 𝑥2 −= 1
−𝑥1 + 2𝑥2 − 𝑥3 = 0
−𝑥2 + 2𝑥3 − 𝑥4 = 0
−𝑥3 + 2𝑥4 = 1
−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
𝑥1 =1
𝑥2 =1
𝑥3 =1
𝑥4 =1
𝑑2 𝑢 𝑑2 𝑢
(𝑥, 𝑦) + 2 (𝑥, 𝑦) = 0
𝑑𝑥 2 𝑑𝑦
Donde los lados derechos se obtienen de las condiciones de frontera, las cuales implican
que:
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 ]
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
1.3.3. Determinantes
Sea
𝑎11 𝑎12 ⋯ 𝑎1𝑛
𝑎 𝑎22 ⋯ 𝑎2𝑛
𝐴 = [ ⋮21 ]
⋮ ⋯ ⋮
𝑎𝑛1 𝑎𝑛2 ⋯ 𝑎𝑛𝑛
1
Este error es el mismo error de Taylor visto en el primer capitulo
1.3.3.1. Método de los cofactores
Se define
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′)
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
De las propiedades anteriores se tiene por ejemplo, Si 𝑑𝑒𝑡(𝐼) = 1, 𝑑𝑒𝑡 (𝐴−1 ) = 𝑑𝑒𝑡 (𝐴)−1.
−1 3
Ejemplo 1.31 Hallar el determinante de 𝐴 = ( )
5 6
3 5 2
Ejemplo 1.32 Hallar el determinante de 𝐴 = (0 4 −2)
0 −2 6
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)
2 1 −3
Ejemplo 1.33 Hallar el determinante de 𝐴 = (−1 3 2 )
3 1 −3.
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
0 0 1
Ejemplo 1.34 Hallar el determinante de 𝐴 = (1 5 −1)
2 4 1.
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
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.
𝐿(𝑣) = 𝜆𝑣
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)
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.
2 3
Ejemplo 1.35 Dada la matriz 𝐴 = ( ), hallar los valores característicos
3 −6
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.
−1 3 −1 3
𝐴 − 3𝐼 = ( )~( )
3 −9 0 0
−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
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
1 2 1 3 1
𝐴𝑣1 = ( )( ) = ( ) = 3( )
2 1 1 3 1
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
1 2 −1 1 −1
𝐴𝑣4 = ( ) ( ) = ( ) = −1 ( )
2 1 1 −1 1
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
1 1 3 1 −2 2
(2 −1 3 |4 5 −1)
3 2 −2 −2 1 4
1 2 3 4 1 2
𝐴 = [0 1 4 ] y 𝐵 = [3 2 1]
3 0 2 0 1 2
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
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
−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.
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
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 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