Anda di halaman 1dari 62

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 1

Notas preparadas por: Dr. Adrin Pozos-Estrada

TEMA 3. Algebra vectorial y matricial

OBJETIVO DEL TEMA:


Mostrar al alumno las operaciones vectoriales en 2 y 3 dimensiones. Recordar las
operaciones bsicas del lgebra matricial y las caractersticas de las matrices.
Aprender las propiedades de sistemas lineales.

Algebra Vectorial en espacios bidimensionales y tridimensionales

Definicin. Un espacio vectorial sobre un cuerpo IK (los elementos de IK se llamarn


escalares) es un conjunto V (cuyos elementos se llamarn vectores) dotado de dos
operaciones. Una de ellas interna (suma):
+: V V V
respecto de la que V es un grupo conmutativo. Y una operacin externa, el producto por
escalares:
: IK V V
que verifica:
1. ( + )v = v + v,
2. (u + v) = u + v,
3. (v) = ()v,
4. 1v = v, donde u, v V, , IK y 1 es la unidad en IK.

Concepto importante:

Un espacio vectorial real n-dimensional Rn es el espacio de todos los vectores


con un cantidad n de nmeros reales como componentes (vectores reales) y
nmeros reales como escalares. As, para n = 3, tenemos R3 que representa a
vectores en el espacio, y para n = 2, tenemos R2 que representa a vectores en
el plano.

La siguiente figura ilustra una representacin grfica de vectores en R2 y R3 en un


sistema coordenado cartesiano.
2

1.5

0.6
1
0.4

0.2
0.5
0

0 -0.2

-0.4

-0.5
1

-1 0.5
2
0 1
-1.5
0
-0.5
-1
-2 -1 -2
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2

(a) (b)

Figura 1 Representacin grfica de vectores en: (a) R2 y (b) R3


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 2
Notas preparadas por: Dr. Adrin Pozos-Estrada

Producto interno y vectorial

Definicin. El producto interno o producto punto ( ) de dos vectores =


[1 , 2 , 3 ] y = [1 , 2 , 3 ] se define como:
( ) = ||||() si ,
( ) = si = =
donde es el ngulo entre los vectores con origen coincidente a y b, el cual se encuentra
en el intervalo de 0 .
En trminos de las componentes de los vectores, el producto interno tambin se puede
expresar como:
( ) = 1 1 + 2 2 + 3 3

Conceptos importantes:

El producto interno de dos vectores no nulos es cero si y slo si estos vectores


son perpendiculares.
El producto interno tiene las propiedades1 de linealidad, simetra, est
definido positivamente y es distributivo.

La Figura 2 ejemplifica el ngulo entre vectores y el valor del producto interno.

Figura 2 ngulo entre vectores y valor del producto interno

Definicin. El producto vectorial o producto cruz ( x ) de dos vectores =


[1 , 2 , 3 ] y = [1 , 2 , 3 ] es un vector:
= x
de acuerdo con lo siguiente. Si y tienen direcciones iguales u opuestas o si uno de
ellos es el vector cero, entonces = x = .
En los dems casos, = x tiene la longitud:

|| = ||||()

La direccin de = x es perpendicular tanto a como a b.


La Figura 3 muestra el resultado de un producto vectorial.
1
Las propiedades se derivan en el ejemplo ilustrativo correspondiente a producto interno. Tambin,
algunas desigualdades de inters son derivadas utilizando las propiedades de producto interno.
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 3
Notas preparadas por: Dr. Adrin Pozos-Estrada

Figura 3 Resultante del producto vectorial o cruz

Suma de matrices

Definicin. Una matriz es un arreglo rectangular de elementos de R. Los elementos de


R que estn en la matriz A son llamados entradas de la matriz.

Ejemplos de matrices:

3 2 4 0 0
[ ] [ ] [ ]
1 5 0 +1 0 0

La forma general de una matriz sobre R es:

11 12 1
A = [ 21 22 2 ]
0
1 2

donde cada aij es un elemento de R, esto es, un nmero real o complejo.

Si A y B son dos matrices de m x n, entonces la suma C = A + B est dada por:

cij = + = 1, , , = 1, , .

Con n y m fijos, ahora tenemos al conjunto de matrices de m x n en Rm,n cuyas


entradas estn en R, junto con la operacin + ya definida.
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 4
Notas preparadas por: Dr. Adrin Pozos-Estrada

Teorema
(1) Operacin cerrada. Rm,n es cerrada bajo la adicin en el sentido de que dos
matrices de m x n est definida y es nuevamente una matriz de m x n.

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

(3) Existencia de una matriz nula. Existe una matriz de m x n cuyas entradas son
iguales a 0.

0 0 0
0=[0 0 0]
0
0 0 0

con la propiedad A + 0 = A. Para cualquier matriz A en Rm,n.

(4) Existencia de negativos (inverso aditivo). Dada una matriz A en Rm,n, existe un
nico elemento X en Rm,n que:
A + X = 0.

Multiplicacin escalar

Definicin. Sea A = [aij] una matriz de m x n co0n entradas en R, y sea un


elemento de R. Entonces B = A = A est definido por:

bij = aij = aij, i = 1,,m, j =1,, n.

Teorema
(1) (A + B) = A + B
(2) A = A + A
(3) A = A)
(4) 1 A = A.

Multiplicacin de matrices

Definicin. Sea B una matriz de m x n y A una matriz de n x p, de tal forma que B


tiene tantas columnas como A renglones. Sea

11 1 11 1
B= [ 1 ] A= [ 1 ]
1 1
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 5
Notas preparadas por: Dr. Adrin Pozos-Estrada

As, el producto
11 1
BA = C = [ 1 ]
1
est definido por:
n

Cij = , i = 1, , m, j = 1, , p,
k=1
lo anterior implica,

= 1 1 + 2 2 + + .

REPASO

Sistemas lineales de ecuaciones

La ecuacin anterior puede escribirse en forma compacta de la siguiente manera:

donde

Para este tipo de sistemas de ecuaciones lineales, se presentarn tres casos:


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 6
Notas preparadas por: Dr. Adrin Pozos-Estrada

Caso 1

El caso donde el nmero M de ecuaciones sea igual al nmero N de incgnitas


(M = N), de tal manera que la matriz de coeficientes A sea cuadrada.

Solucin

siempre y cuando la matriz A no sea singular (det(A) = 0).

Caso 2

El caso donde el nmero M de ecuaciones sea menor al nmero N de incgnitas


(M < N), de tal manera que tal vez se encuentre una solucin entre una cantidad
numerosa de soluciones.

Solucin

En este caso la solucin no es nica, sino que existen un nmero considerable de


soluciones. Es posible obtener una solucin asociada a la norma mnima. Para
explicar tal concepto considere el siguiente ejemplo.

donde .

El ejemplo anterior tiene una infinidad de soluciones x = [x1 x2]T. Considere que la
solucin del sistema anterior puede escribirse de la siguiente manera:

donde x+ el espacio rengln de A (R (A)), el cual puede ser expresado como una
combinacin lineal de los M vectores renglones, de la siguiente manera:

y x- es el espacio nulo de A (N (A)), el cual es ortogonal (perpendicular) al espacio


rengln, de tal forma que:

Basado en lo anterior, si sustituimos en ,tenemos:

de donde se obtiene que:


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 7
Notas preparadas por: Dr. Adrin Pozos-Estrada

y finalmente, la solucin con la norma mnima es:

As, la solucin con la norma mnima del ejemplo anterior es:


1
+ 1 1 35
= [ ] [[1 2] [ ]] (3) = [ ]
2 2 65

La siguiente figura ejemplifica la solucin asociada con la norma mnima.

Figura 4 Solucin asociada a la norma mnima

Caso 3

El caso donde el nmero M de ecuaciones sea mayor al nmero N de incgnitas


(M > N), de tal manera que tal vez no exista una solucin exacta y se deba encontrar
una solucin basada en una minimizacin global (mnimos cuadrados, por ejemplo).
As, tratamos de encontrar una solucin con un error cuadrtico medio mnimo,
minimizando:
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 8
Notas preparadas por: Dr. Adrin Pozos-Estrada

= Ax b

La minimizacin de e es el vector solucin:

El vector solucin podr obtenerse siempre y cuando todas las columnas de la matriz
A sean independientes.

Eliminacin de Gauss

El proceso de eliminacin de Gauss consiste en dos pasos: eliminacin directa y


sustitucin hacia atrs. Cada uno de estos conceptos se describe a continuacin.

Eliminacin directa

Consiste en remover trminos comunes en el sistema de ecuaciones. Para


ejemplificar, considere el siguiente sistema de ecuaciones, donde M = N = 3.

(1)

(2)

(3)

Para eliminar x1 de las ecs. (2) y (3), sustraemos (1) x am1/a11 de cada una de ellas, y
obtenemos:
(1.1)

(2.1)

(3.1)

donde
para m,n = 1,2,3

para m,n = 2,3

A la operacin anterior se llama pivoteo en a11, y a11 se le denomina pivote.


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 9
Notas preparadas por: Dr. Adrin Pozos-Estrada

Continuando con la eliminacin directa, para remover el trmino x2 de las ecs. (2.1) y
(3.1), sustraemos (2.1) x a(1)m2/a(1)22 (m = 3) de cada una de ellas, y obtenemos:

(1.2)

(2.2)

(3.2)
donde
para m,n = 3

Generalizando los resultados anteriores, tenemos:

para m,n = k+1, k+2, , M

para m = k+1, k+2, , M

Sustitucin hacia atrs

Una vez que contamos con las ecs. (1.2, 2.2 y 3.2), podemos determinar x3, x2 y x1, de
la siguiente manera:

, ,y

La generalizacin de las expresiones anteriores est dada por:

para m = M, M - 1, , 1

Independencia lineal

Dado un conjunto de vectores [v1 v2 vm], una combinacin lineal de estos vectores
es:

1 + 2 + +

donde a1,,am son escalares arbitrarios.

Considere la siguiente ecuacin:


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 10
Notas preparadas por: Dr. Adrin Pozos-Estrada

1 + 2 + + = (4)

El conjunto de vectores es linealmente independiente si se cumple que 0 = 0 en la


ecuacin (4) para a1 = a2 = =am = 0.

En caso contrario, el conjunto de vectores es linealmente dependiente.

Rango de una matriz

El nmero mximo de vectores rengln linealmente independientes de una matriz A


se llama rango de A (rango A).

Teoremas

(1) El rango de una matriz A es igual al nmero mximo de vectores columna


linealmente independientes de A. En consecuencia, A y su transpuesta AT tienen
el mismo rango.

(2) El espacio rengln y el espacio columna de una matriz A tienen la misma


dimensin, igual al rango de A.

Nota. Las operaciones elementales sobre los renglones no alteran el rango de una
matriz A.

(3) Las matrices equivalentes respecto a los renglones tiene el mismo rango.
(Forma escalonada con el mtodo de Gauss para determinar el rango)

Mtodos para determinar el rango de una matriz

1) Mtodo de eliminacin de Gauss


2) Descomposicin en valores singulares (Cuando se emplea MATLAB)
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 11
Notas preparadas por: Dr. Adrin Pozos-Estrada

Ejemplo

Determine el rango de la siguiente matriz:

3 0 2 2
= [6 42 24 54 ]
21 21 0 15

a) Mediante eliminacin de Gauss


b) Empleando MATLAB

Resolucin

a) Mediante eliminacin de Gauss

Pivote Ecuacin pivotal

3 0 2 2
= [ 6 42 24 54 ]
21 21 0 15
Elementos
a eliminar

Rengln 2 + 2 Rengln 1
Rengln 3 7 Rengln 1

3 0 2 2
[ 0 42 28 58 ]
0 21 14 29

Pivote Ecuacin pivotal

3 0 2 2
[ 0 42 28 58 ]
0 21 14 29
Elemento
a eliminar
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 12
Notas preparadas por: Dr. Adrin Pozos-Estrada

Rengln 3 Rengln 2

3 0 2 2
[ 0 42 28 58]
0 0 0 0

La matriz anterior tiene forma escalonada. Recordamos el teorema:

Las matrices equivalentes respecto a los renglones tiene el mismo rango

Por tanto el rango de la matriz A es: rango A 2. Para verificar el rango, es necesario
determinar si los renglones 1 y 2 de la matriz escalonada son linealmente
independientes. Por inspeccin se determina que los renglones 1 y 2 de la matriz
escalonada son linealmente independientes, por tanto, el rango de A es: rango A = 2.

b) Empleando MATLAB

Para determinar el rango de la matriz A, MATLAB emplea el comando rank(A). El


algoritmo empleado por MATLAB para determinar el rango de una matriz es la
descomposicin de la matriz A en las tres matrices USV (singular value
decomposition).

Si empleamos el comando rank(A), tenemos:

>>rank(A)
ans = 2

Si empleamos la descomposicin en valores singulares, tenemos:

>>sdv(A)
ans =

77.2902
[21.0292]
0

La matriz anterior indica que tenemos 2 valores singulares (eigenvalores), por tanto el
rango de la matriz A es 2. Recuerde que los eigenvalores estn asociados a
eigenvectores, los cuales son linealmente independientes.
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 13
Notas preparadas por: Dr. Adrin Pozos-Estrada

Ejemplo de aplicacin

Teorema de Buckingham

Una ecuacin dimensionalmente homognea donde intervengan m variables y cuyo


rango de la matriz de exponentes sea r, podr expresarse como una combinacin de
m-r productos adimensionales; esto es, en cada uno de ellos las unidades
fundamentales se presentan d tal manera que se simplifican las del numerador con
las del denominador.

La velocidad del viento que impacta a un edificio regular se denota por V, la


dimensin del edificio cuadrado en planta es l. Debido al impacto del viento sobre el
edificio, se presenta el desprendimiento de la capa de fluido y se induce el fenmeno
conocido como desprendimiento de vrtices o torbellinos con una frecuencia f.
Considere tambin que la densidad del viento es denotada por . Determine una
relacin con las variables antes mencionadas que describa el efecto de
desprendimiento de vrtices.

Paso 1)
Matriz de exponentes
1 1 2 3 4
1
0 0 0 1
1 1 0 3
1 0 1 0

0 0 0 1
=[ 1 1 0 3]
1 0 1 0
Paso 2)
Formamos un sistema de ecuaciones

0 + 0 + 0 + 4 = 0
1 + 2 + 0 34 = 0
1 + 0 3 + 0 = 0

Paso 3) Determine el rango de la matriz A


Mediante eliminacin de Gauss

0 0 0 1
=[ 1 1 0 3]
1 0 1 0
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 14
Notas preparadas por: Dr. Adrin Pozos-Estrada

La matriz escalonada resulta en:

1 1 0 3
[0 1 1 3]
0 0 0 1

Por inspeccin, los tres renglones de la matriz escalonada son linealmente


independientes, por tanto, el rango de la matriz A es: rango A = 3.

Corroborando el rango de la matriz con MATLAB, resulta en:

>> rank(A)

ans =
3

Tambin empleando el algoritmo SDV, tenemos:

>>sdv(A)
ans =

3.4532
[1.3950]
0.3595

Lo cual resulta en tres valores singulares, lo cual indica que la matriz A tiene un
rango igual a 3.

Paso 4) Determinar el nmero total de nmeros adimensionales

n (nmero de variables) r (rango de la matriz de exponentes) = 4 3 = 1

Paso 5) Generar productos adimensionales

Resolvemos el sistema de ecuaciones del paso 2)

Sea X1 = -1, entonces, X3 = 1, X4 = 0, entonces X2 = 1.

As, el nmero adimensional es:


1 = (nmero adimensional conocido como el nmero de Strouhal cuando f = fcr)

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 15
Notas preparadas por: Dr. Adrin Pozos-Estrada

Sistemas lineales

Teorema fundamental de los sistemas lineales

(a) Un sistema lineal de m ecuaciones:

11 1 + 12 2 + +1 = 1
21 1 + 22 2 + +2 = 2 (1)
...
1 1 + 2 2 + + =

En n incgnitas 1 tiene soluciones si y slo si la matriz de coeficientes y las


matriz aumentada es decir:

11 1 11 1 1
=[ ] y
=[ ]
1 1

Tienen el mismo rango.

(b) Si este rango r es igual a n, el sistema (1) tiene exactamente una solucin.

(c) Si r < n, el sistema (1) tiene una infinidad de soluciones, la totalidad de las cuales
se obtiene al determinar r incgnitas adecuadas (cuya submatriz de coeficientes debe
tener rango r) en trminos de (n-r) incgnitas restantes, a las que pueden asignarse
valores arbitrarios.

(d) Si existe soluciones, todas ellas pueden obtenerse por la eliminacin de Gauss.

Un sistema lineal homogneo

11 1 + 12 2 + +1 = 0
21 1 + 22 2 + +2 = 0 (2)
...
1 1 + 2 2 + + = 0
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 16
Notas preparadas por: Dr. Adrin Pozos-Estrada

Siempre tiene la solucin trivial = = . Existen soluciones no triviales si

y slo si rango < . Si rango = < , estas soluciones junto con incgnitas

= , forman un espacio vectorial de dimensin . En particular si soluciones

() y () son vectores solucin de (2), entonces = () + () , dnde y


son escalares cualesquiera, es un vector solucin de (2). (Esto no se cumple para
sistemas no homogneos).

Inversa de una matriz

En esta seccin se consideran exclusivamente matrices cuadradas.


La inversa de una matriz = [ ] de , se denotan por y es una matriz de
tal que:
= =

donde es la matriz unitaria de .

Si tiene una inversa, entonces se llama matriz no singular. Si no tiene inversa,


entonces se llama matriz singular. Si tiene una inversa, sta es nica.

De hecho, si tanto como son inversas de , entonces = y = por lo que


la unicidad se obtiene de
= = () = () = =

Existencia de la inversa

La inversa de una matriz de existe si y slo si rango = . En


consecuencia, es no singular si rango = y es singular si rango < .
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 17
Notas preparadas por: Dr. Adrin Pozos-Estrada

tiene una inversa y es no singular si y slo si tiene rango mximo posible . Lo que
implica = siempre que exista, y se da as una motivacin para la inversa,
as como una relacin con otros sistemas lineales.

Determinacin de la inversa con Eliminacin de Gauss-Jordan

Para determinar la inversa de una matriz , no singular de , puede usarse la


eliminacin de Gauss-Jordan. Usando , se forman los sistemas:

() = () , , () = ()

donde () tiene la -sima componente igual a 1 y las dems componentes cero. Al


introducir las matrices = [ () () ] e = [() () ], de los
sistemas se combinan en una sola ecuacin matricial = y las matrices
= [ ].
aumentadas [() ], , [() ] en una sola ecuacin matriz aumentada
Ahora = implica = = y para resolver = para puede
= [ ] para obtener [ ], donde es
aplicarse la eliminacin de Gauss a
triangular superior, ya que la eliminacin de Gauss tirangulariza los sistemas. La
eliminacin de Gauss-Jordan opera ahora sobre [ ] y, al eliminar los elementos de
que estn arriba de la diagonal principal, se reduce a[ ]., la matriz aumentada
de = . Por lo tanto, debe tenerse = .

Ejemplo

Encontrar la inversa de:

1 1 1
A = [ 3 1 1]
1 3 4

Solucin aplicando la eliminacin de Gauss


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 18
Notas preparadas por: Dr. Adrin Pozos-Estrada

1 1 1 1 0 0
[A I] = [ 3 1 1 0 1 0]
1 3 4 0 0 1

1 1 2 1 0 0
[ 0 2 7 3 1 0] R2+3R1, R3-R1
0 2 2 1 0 1

1 1 2 1 0 0
[ 0 2 7 3 1 0] R3-R2
0 0 5 4 1 1

1 1 2 1 0 0
[UH] = [0 1 3.5 1.5 0.5 0 ] R1, 0.5R2, -0.2R3
0 0 1 0.8 0.2 0.2

1 1 0 0.6 0.4 0.4


[0 1 0 1.3 0.2 0.7 ] R1+2R3, R2-3.5R3
0 0 1 0.8 0.2 0.2

R 1+R2

Las tres ltimas columnas constituyen . Se puede comprobar que =


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 19
Notas preparadas por: Dr. Adrin Pozos-Estrada

Determinantes

Un determinante de orden n es una expresin asociada a una matriz A de n x n (i.e.,


matriz cuadrada).
Considere lo siguiente; un determinante de segundo orden se define como:
11 12
= det = | | = 11 22 12 21 .
21 22

Si consideramos un sistema de ecuaciones lineales de la forma:


11 1 + 12 2 = 1
21 1 + 22 2 = 2

Cuya solucin puede expresarse como:

12
1 = | 1 | = 1 22 12 2
2 22

1
2 = | 11 | = 11 2 1 21
21 2

Siempre que D 0 ; las expresiones anteriores se conocen como la regla de Cramer.


Donde la solucin est dada por:
1 = 1
2 = 2
Determinantes de 3er orden
Un determinante de 3er orden est definido por:

11 12 13
23 12 13 12 13
= |21 22 23 | = 11 | 22
32 33 | 21 |32 33 | + 31 |22 23 |.
31 32 33
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 20
Notas preparadas por: Dr. Adrin Pozos-Estrada

Note que los signos en el segundo miembro de la ecuacin anterior son + - +, y que
cada uno de los trminos del segundo miembro es un elemento de la primera columna
de D multiplicada por su menor (i.e., el determinante de segundo orden obtenido al
eliminar de D el rengln y la columna de dicho elemento).

Determinantes de orden n
Un determinante de orden n est definido por:

11 12 1
21 22 2
=| . .. |
. ..
1 2
y se define para n 2 por

donde Mjk es un determinante de orden n -1 , a determinar, el determinante de la


submatriz de A obtenida a partir de A eliminando el rengln y la columna del
elemento ajk (el j-simo rengln y la k-sima columna).

As, el determinante D se define en trminos de n determinantes de orden n -1, cada


uno de los cuales, a su vez, se define en trminos de n 1 determinantes de orden n
2, y as sucesivamente.
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 21
Notas preparadas por: Dr. Adrin Pozos-Estrada

En la notacin anterior, Mjk se llama menor de ajk en D y Cjk se llama el cofactor de


ajk en D.

Las expresiones anteriores se pueden escribir de la siguiente manera:

Teoremas
(1) El valor de un determinante no se altera si sus renglones se escriben como
columnas, en el mismo orden.

(2) Si todos los elementos de un rengln (o una columna) de un determinante se


multiplican por un mismo factor k, el valor del nuevo determinante es k veces el
valor del determinante dado.

(3) Si todos los elementos de un rengln (o columna) de un determinante son cero, el


valor del determinante es cero.

(4) Si cada elementos de un rengln (o una columna) de un determinante se expresa


como binomio, el determinante puede escribirse como la suma de dos
determinantes.

(5) Si dos renglones (o columnas) cualesquiera de un determinante se intercambian,


el valor del determinante se multiplica por -1.

(6) Si los elementos correspondientes de dos renglones (o de dos columnas) de un


determinante son proporcionales, el valor del determinante es cero.

(7) El valor de un determinante se mantiene invariable si los elementos de un


rengln (o columna) se altera sumndole cualquier mltiplo constante de los
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 22
Notas preparadas por: Dr. Adrin Pozos-Estrada

elementos correspondientes de cualquier otro rengln (o columna,


respectivamente).

(8) Para cualesquiera matrices A y B de n x n,


det() = det() = det() det().

(9) La derivada D de un determinante D de orden n cuyos elementos son funciones


derivables puede escribirse como:
= (1) + (2) + + () .
donde D(i) se obtiene a partir de D derivando los elementos del j-simo rengln.

Eigenvalores y Eigenvectores

Introduccin

Sea el siguiente par de ecuaciones diferenciales acopladas:


= 4 5, v=8 en t =0


= 2 3 w=5 en t =0

El anterior es un problema de valor inicial.

Si reescribimos el sistema anterior en forma matricial, tenemos:


= , = 0 en = 0

donde

() 8 4 5
() = [ ], = [ ] , =[ ]
() 5 2 3

Sea la solucin:

() =

() =
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 23
Notas preparadas por: Dr. Adrin Pozos-Estrada

Sustituyendo la solucin propuesta en la ecuacin diferencial, tenemos:

= 4 5

= 2 3

Simplificando la ecuacin anterior, tenemos:

4 5 =

2 3 =

La ecuacin anterior se expresa de forma matricial como:

La ecuacin anterior contiene dos incgnitas and x y es un problema algebraico. En


la ecuacin anterior recibe el nombre de eigenvalor (valor propio) de la matriz A, y
el vector x es el eigenvector asociado.

Podemos reescribir la ecuacin anterior para que tenga la siguiente forma:

( ) = 0

Para que la ecuacin anterior tenga otra solucin que la trivial, es necesario que la
matriz ( ) sea singular. Para este caso, tenemos:

El nmero es un eigenvalor de la matriz A si y slo si

( ) = 0

La anterior es la ecuacin caracterstica, en donde cada solucin de tiene su


correspondiente eigenvector x:

( ) = 0 o =
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 24
Notas preparadas por: Dr. Adrin Pozos-Estrada

En nuestro ejemplo de la ecuacin diferencial, resulta:

4 5
= [ ]
2 3

cuyo determinante es:

2 2.

Las races del polinomio caracterstico anterior son:

= 1 o 2.

Los eigenvectores2, es decir, los valores de x que satisfacen la ecuacin = se


obtienen de la siguiente manera:

Para = 1


( 1 ) = [5 5] [ ] = [0]
2 2 0
El primer eigenvector es:

1
1 = [ ]
1

Para = 2


( 2 ) = [2 5] [ ] = [0]
2 5 0
El segundo eigenvector es:

5
1 = [ ]
2

Finalmente la solucin del sistema de ecuaciones est dado por:

() = 1 1 1 + 2 2 2

Donde las condiciones iniciales definen a las constantes c1 y c2 como 3 y 1,


respectivamente.

2
Si al resolver ( ) = 0, el resultado conlleva a x = 0, entonces no es un eigenvalor.
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 25
Notas preparadas por: Dr. Adrin Pozos-Estrada

Resumen de pasos para obtener los eigenvalores y eigenvectores

1. Calcule el determinante de
2. Determine las races del polinomio caracterstico
3. Para cada eigenvalor, resuelva la ecuacin ( ) =

Teoremas

(1) Los eigenvalores de una matriz cuadrdada A son las races de la ecuacin
caracterstica correspondiente.

(2) Si x es un eigenvector de una matriz A correspondiente a un eigenvalor ,


tambin los es kx con cualquier 0.

Casos particulares

Eigenvalores mltiples

Considere la siguiente matriz:

2 2 3
=[ 2 1 6]
1 2 0

cuya ecuacin caracterstica resulta en:

3 2 + 21 + 45 = 0

y eigenvalores iguales a 5, -3 y -3, respectivamente.

Los eigenvectores se pueden obtener mediante eliminacin de Gauss, por ejemplo, al


resolver la siguiente ecuacin:

( ) = 0

Para = 5, el eigenvector resulta en:

1
1 = [ 2 ]
1
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 26
Notas preparadas por: Dr. Adrin Pozos-Estrada

Para el segundo y tercer eigenvector ( = = -3), tenemos:

( 2 )2 = 0

1 2 3
( 2 ) = [ 2 4 6], 2 = [ ]
1 2 3

El sistema de ecuaciones empleando el segundo y tercer eigenvalor, resulta en:

+ 2 3 = 0
2 + 4 6 = 0
1 2 + 3 = 0

Por inspeccin, se observa que el sistema de ecuaciones anterior es compatible


indeterminado y de rango 1. As, si seleccionamos la primera ecuacin del sistema,
tenemos:

+ 2 3 = 0

de la ecuacin anterior, dos eigenvectores pueden ser:

2 3
2 = [ 1 ], 3 = [0]
0 1

Todos los eigenvalores son reales

Definicin

Una matriz A de nn se dice que es simtrica, si y slo si, su transpuesta es igual a la


matriz original, es decir:

Los eigenvalores de una matriz real pueden ser reales o complejos, sin embargo, si la
matriz es simtrica, puede probarse que todos sus eigenvalores son reales.
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 27
Notas preparadas por: Dr. Adrin Pozos-Estrada

Ejemplo de aplicacin (Dinmica Estructural)

Parte A

Pregunta
La figura 1 muestra un marco a cortante (i.e., vigas rgidas) y las masas por piso y
rigideces de entrepiso. La estructura est sujeta a una fuerza armnica horizontal
dada por p(t) = po sen t en el piso superior.

a) Derive las ecuaciones del desplazamiento en el estado estacionario de la


estructura mediante dos mtodos: (i) solucin directa de las ecuaciones
acopladas, and (ii) anlisis modal.

b) Muestre que ambos mtodos dan resultados equivalentes.

c) Grafique los desplazamientos. Ignore el amortiguamiento.

Vigas
rgidas

Rigidez de
entrepiso

Figura 1
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 28
Notas preparadas por: Dr. Adrin Pozos-Estrada

a)

i)

The mass and stif f ness matrices are

m 0 2k k
M K
0 m k k

Let's assume that

u 1( t) u 10
sin t
u 2( t) u 20

and the acceleration is

a1( t) u 10 2
sin t
a2( t) u 20

The equations of motion in matrix f orm are

m 0 u 10 2 2k k u 10
sin t
0
sin t sin t
0 m u 20 k k u 20 P0
or

2 k m 2 k u 10 0

2 u
k m 20 0
P
k

Solving for the amplitudes,

1
u 10 2 k m 2 k 0

u 20 2
k m 0
P
k

w here

1
2 k m 2 k k m 2

1 k
2 2
m 1 2
2 2 2 2
k m 2 k m
2
k
k
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 29
Notas preparadas por: Dr. Adrin Pozos-Estrada

and the amplitudes of the displacements are

u 10 k m 2 0

1 k
u 20 m 1 2 2 P
2 k m 0

2 2 2 2 2
k

u 10 P0 k

u 20 m 1 2 2 k m
2

2 2 2 2 2

The final solutiuon is

P0
k
u 1( t) m2 2 2 2 2
1 2
sin t
u 2( t) 2 k m 2 P0

m2 2 2 2 2
1 2

ii)

From the characteristic equation,

det K n M
2
0

det K n M
2 2 2 2 4
k 3 k m m 0

2
If 

2 2 2
k 3 k m m 0

The roots are

2 3 5 k
1
2 m

2 3 5 k
2
2 m
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 30
Notas preparadas por: Dr. Adrin Pozos-Estrada

and the natural f requencies are

k
1 0.618
m

k
2 1.618
m

The Eigenvectors are calculated as f ollow s,

2 k m 2 k
n 11 0

k
2
k m n 21 0

2 k m 2 k
n 11 21 0

k k m 2 0
11 n 21

For n 1 the f irst Eigenvector is,

1.618k 11 k 21
0

k 11 0.618k 21 0

If 21 1

11 k 21
1.618k 0

11 k
1.618k 0

11 0.618

and the f irst Eigenvector is,

0.618
1
1
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 31
Notas preparadas por: Dr. Adrin Pozos-Estrada

For n 2 the second Eigenvector is,

2 k m 2 k
n 12 0

2 0
k k m n
22

2 k m 2 k
n 12 22 0

k k m 2 0
12 n 22

0.618 k 12 k 22 0


k 12 1.618k 22 0

If 22 1

0.618 k 12 k 22 0

0.618 k 12 k 0

12 1.618

and the second Eigenvector is,

1.618
2
1
The generalized properties are,

m 0 0.618
M1 ( 0.618 1 )
0 m 1

m 0 1.618
M2 ( 1.618 1 )
0 m 1
2k k 0.618
K1 ( 0.618 1 )
k k 1

2k k 1.618
K2 ( 1.618 1 )
k k 1
0
P1 ( 0.618 1 )
P0
0
P2 ( 1.618 1 )
P0
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 32
Notas preparadas por: Dr. Adrin Pozos-Estrada

M1
1.328m

M2
3.618m

K1
0.528k

K2
9.472k

P1 P0

P2 P0

and the modal equations are,

d2
1.328 q 1 0.528q
1 P0 sin t
2
dt

d2
3.618 q 2 9.472q
2 P0 sin t
2
dt

The solution for harmonic vibration of undamped systems is,

P0 1
u( t) sin t
k 2
1


n

thus,

P0 1
q 1( t ) sin t

0.528k 2
1
1

P0 1
q 2( t ) sin t

9.427k 2
1
2
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 33
Notas preparadas por: Dr. Adrin Pozos-Estrada

The total res ponse is calculated as f ollow s,

u 1( t) 0.618 1.618 q 1( t)
u 2( t) 1
1 q 2( t )

P0 1


0.528k 1
2

u 1( t)
1
0.618 1.618 sin t
u 2( t)
1 1 P0

1


9.427k 1
2

P0 P0
1.17 .17 sin t

2
2
k 1 k 1
1
2 2
2
u 1( t)

u 2( t) 1.89 P0 P0
sin t
.106
2 2
k 1 k 1
1
2 2
2

or

2 1.17 2 2
1 2 0.17
2 2
2
1
2 2 2 2
u 1( t) P0
1 2 sin t

u 2( t) k 2 2 2 1.849 2 2 2 2
1 106 2
2 1
2 2 2 2
1 2

b)

It can be show n that,

2
2
1 1.17
2
1 2 0.17
2
2 2 2 k

m

2 2
2 2 1 1.849
2 2
1 106 2
2 2
k 2 k m
2

2
m
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 34
Notas preparadas por: Dr. Adrin Pozos-Estrada

Re-arrenging the solution obtained w ith the modal method, it yields to

P0
k
u 1( t) m2 2 2 2 2
1 2
sin t
u 2( t) 2 k m 2 P0

m2 2 12 2 22

w hich is equal to the solution obtained w ith the direct method.

c)

It can be show n that the amplitudes can be w ritten as,

1
0.382
2 2
1 1
1
1
u 10

2
u 20 2
0.382

1
2


1 1 0.382
2 2


1 1

The follow ing f igure show s the normalized amplitude f or each DOF.

u20/(P0/k)
u10/(P0/k)


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 35
Notas preparadas por: Dr. Adrin Pozos-Estrada

Otras aplicaciones de los eigenvalores y eigenvectores incluyen:

Rotacin de elementos geomtricos


Modelos de crecimiento poblacional
Solucin de ecuaciones diferenciales
Procesos de Markov
Diagonalizacin de matrices
Transformacin de imgenes

Algunos comandos tiles de MATLAB

Sea la matriz A, el siguiente comando de MATLAB determina los eigenvectores V


y los cuadrados de los igenvalores en la matriz diagonal D.

[V,D] = eig(A)

Ejemplo:
Determine los eigenvalores y eigenvectores de la matriz A empleando MATLAB.

2 2 3
=[ 2 1 6]
1 2 0

>> [V,D] = eig(A);

>> D

D=

-3.0000 0 0
0 5.0000 0
0 0 -3.0000

>> V

V=

-0.9526 0.4082 0.0516


0.2722 0.8165 0.8229
-0.1361 -0.4082 0.5658
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 36
Notas preparadas por: Dr. Adrin Pozos-Estrada

Para el ejemplo de aplicacin de dinmica estructural, si m = k = 1, los


eigenvalores y eigenvectores se pueden obtener de la siguiente manera:

1 0 2 1
=[ ], =[ ]
0 1 1 1

Para obtener la ecuacin caracterstica, tenemos:

| 2 | = 0

Para obtener la matriz cuyos valores y vectores propios sern extraidos,


necesitamos reescribir la ecuacin anterior de la siguiente manera:

|1 1 2 | = 0

|1 2 | = 0

| | = 0

donde = 1 y = 2 .

La matriz A resulta en:

2 1
=[ ]
1 1

con MATLAB, los eigenvalores y eigenvectores se estiman en:

>> [V,D] = eig(A);

V=

-0.5257 -0.8507
-0.8507 0.5257

D=

0.3820 0
0 2.6180
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 37
Notas preparadas por: Dr. Adrin Pozos-Estrada

De la matriz D, el eigenvalor asociado con el primer y segundo modo es


respectivamente:

12 = 0.3820 y 22 = 2.6180

Del ejemplo de dinmica estructural, las frecuencias estn dadas por:

35
12 = 2

35
22 =
2

Si m = k = 1, tenemos:

12 = 0.3819

22 = 2.618

que son los valores estimados con MATLAB.

Los eigenvalores obtenidos de MATLAB (matriz V) se pueden normalizar para


obtener:

Columna 1 dividida por -0.8507, y columna 2 dividida por 0.5257

V_n =

0.618 -1.618
1.000 1.000

Del ejemplo de dinmica estructural, las formas modales son:

0.618 1.618
1 = ( ), 1 = ( )
1.000 1.000

que son los valores estimados con MATLAB.


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 38
Notas preparadas por: Dr. Adrin Pozos-Estrada

Matrices Simtrica, Antisimtrica y Ortogonal

Definicin. Una matriz cuadrada real A[ ]se llama:

Simtrica: Si la transposicin la mantiene invariable,


AT = A por tanto =
Antisimtrica: Si la transposicin da como resultado, la negativa de A,
AT = A por tanto =
Ortogonal : Si la transposicin da como resultado, la inversa de A,
AT = A1

Ejemplo 1:

Matrices simtrica, antisimtrica y ortogonal:


2 1 2
3 3 3
3 1 5 0 9 12 2 2 1
[ 1 0 2] , [ 9 0 20] ,
5 2 4 12 20 4 3 3 3
1 2 2
[ 3 ]
3 3
Concepto importante:

Cualquier matriz cuadrada real A puede escribirse como la suma de una matriz
simtrica R y una matriz antisimtrica S, donde
1 1
R = 2 (A + AT ) y S = 2 (A + AT )
Ejemplo 2:

Si,
3 1 5
A=[ 1 0 2]
5 2 4

Entonces,

2 1 2
3 3 3
0 9 12 2 2 1
A = R + S = [ 9 0 20] +
12 20 4 3 3 3
1 2 2
[ 3 ]
3 3
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 39
Notas preparadas por: Dr. Adrin Pozos-Estrada

Teorema 1 (Eingenvalores de las matrices simtrica y antisimtrica)

(5) Los eingenvalores de una matriz simtrica son reales.

(6) Los eingenvalores de una matriz antisimtrica son imaginarios puros o cero.

Transformaciones ortogonales y matrices

Las transformaciones ortogonales son:

= donde es una matriz ortogonal


n
Con cada vector en R , esta transformacin asigna un vector en Rn . Por
ejemplo la rotacin del plano en un ngulo


= [ ] = [ ][ ]

Es una transformacin ortogonal y puede demostrarse que cualquier transformacin


ortogonal en el plano o en el espacio tridimensional es una rotacin (combinada
posiblemente con una reflexin en una lnea recta o en un plano, respectivamente).

Teorema 2(La propiedad ms importante de las matrices ortogonales)

(1) Una transformacin ortogonal preserva el valor del producto interior de


vectores
=
y, por consiguiente, tambin la longitud o norma de un vector en dada por:
= =

Teorema 3 (Ortonormalidad de los vectores rengln y columna)

(1) Una matriz cuadrada real es ortogonal si y slo si sus vectores columna
, y tambin sus vectores rengln, forman un sistema ortonormal, es
decir,


= = {
=
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 40
Notas preparadas por: Dr. Adrin Pozos-Estrada

Teorema 4 (Determinante de una matriz ortogonal)

(1) El determinante de una matriz ortogonal tiene valor +1 o -1

Teorema 5 (Eingenvalores de una matriz ortogonal)

(1) Los eingenvalores de una matriz ortogonal son reales o complejos conjugados
en pares y tiene valor absoluto 1.

Diagonalizacin

Si una matriz A de n x n tiene una base de eigenvectores, entonces

D = X 1 A X

es diagonal, con los elementos de A como elementos de la diagonal principal. Donde


X es la matriz con los eigenvectores como vectores columna.

Ejemplo de diagonalizacin

Sea la matriz A
5 4
=[ ]
1 2

Cuyos eigenvectores son:

4 1
[ ], [ ]
1 1

As, la matriz X es:

4 1
=[ ]
1 1

Empleado D = X 1 A X, tenemos:

1 1 1 5 4 4 1 6 0
D = X 1 A X = [ ][ ][ ]=[ ]
5 1 4 1 2 1 1 0 1
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 41
Notas preparadas por: Dr. Adrin Pozos-Estrada

Ejemplo de rotacin de una cuadrtica

Teorema 6 (Teorema de los ejes principales)

La sustitucin x = Xy transforma una forma cuadrtica


n n
T
Q = x Ax = ajk xj xk
j=1 k=1

a la forma de los ejes principales siguiente:

Q = y T Dy = 1 y12 + 2 y22 + + n yn2 ,

Donde 1, 2, , n son los eigenvalores (no necesariamente diferentes) de la matriz


simtrica A, y X es una matriz ortogonal con eigenvectores correspondientes x1, x2, ,
xn, respectivamente, como vectores columna.

Determinar el tipo de cuadrtica y transformar a los ejes principales

Q = 17x12 30x1 x2 + 17x22 = 128

Sabemos que:

Q = x T Ax, donde
11 12 x1
x T Ax = [x1 x2 ] [
21 22 ] [x2 ] = 1 (11 1 + 21 2 ) + 2 (12 1 + 22 2 )

Por tanto,

17 15
=[ ]
15 17

Cuya ecuacin caracterstica es:

(17 )2 152 = 0

con eigenvalores 1 = 2, 2 = 32.


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 42
Notas preparadas por: Dr. Adrin Pozos-Estrada

As, con el Teorema 6, la cuadrtica se puede escribir de la siguiente manera:

Q = 2y12 + 32y22 = 128, o tambin

2y21 32y22 y21 y2


+ =1 + 222 = 1 (representa una elipse)
128 128 82

Para conocer las direcciones principales en las coordenadas x1x2, es necesario


determinar eigenvectores normalizados y despus emplear x = Xy, de la siguiente
manera:
1 1
2
2
[ 1 ], [ 1 ]
2 2

As,

1 1 1 y y2
y1
2 2 2 2
x = Xy = [ 1 1 ] [y ] = y1 y2 (Lo que indica una rotacin de 45)
2 +
2 2 2 2

Ejemplo de aplicacin

Determinacin de inestabilidad por aleteo de la seccin de un puente. (Eigenvalores


complejos). (Ejemplo tomado de la tesis de maestra de Ziran Hu, The University
of Western Ontario, 2009, supervisor Prof. Hanping Hong)

Fuerzas aerodinmicas en una seccin de puente (despus de Hu, 2009)


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 43
Notas preparadas por: Dr. Adrin Pozos-Estrada

Las ecuaciones que definen el aleteo de una seccin de puente estn dadas por:

h( x, t ) h( x) p(t ) traslacin vertical

( x, t ) ( x) p(t ) giro alrededor del eje longitudinal

.. .
M h 2 h h h h2 h L

.. .
I 2 h h h2 T

Donde las fuerzas aerodinmicas estn dadas por:

. .
1 * h * B * h
L V B K H1
2
K H2 K H3 K H4
2 * 2
2 V V V

. .
1 2 * h * B 2 * h
T V B K A1
2
K A2 K A3 K A4
2 *
2 V V V

Finalmente, la ecuacin de movimiento est dada por:

. .
.. . 1 * h * B * h
M h 2 h h h h h
2
V B K H1
2
K H2 K H3 K H4
2 * 2

2 V V V

. .
.. 2 2 * B 2 * h
. 1 * h
I 2 h h h V B K A1
2
K A2 K A3 K A4
2 *
2 V V V

Para determinar la solucin de las ecuaciones anteriores, se suele emplear el


siguiente procedimiento:

1) Proponer un valor de la frecuencia reducida K=B/V


2) Determinar el valor de los coeficientes A* y H* de grficas obtenidas de
pruebas de tnel de viento
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 44
Notas preparadas por: Dr. Adrin Pozos-Estrada

3) Asumir que y h tienen solucin de la forma eit, y sustituir la solucin


asumida en las ecuaciones de movimiento, junto con A* y H*
4) El determinante de los coeficientes de las amplitudes de h y se iguala a cero
como condicin bsica de estabilidad

Generalmente, la solucin del determinante (ecuacin caracterstica) dar como


resultado una frecuencia circular de la forma = 1 + i2, en donde se presentarn
tres casos:

Caso 1 (Decaimiento de la oscilacin)


2 > 0

Caso 2 (Oscilacin divergente)


2 < 0

Caso 3 (Oscilacin solucin)


2 0 (Oscilacin solucin, la cual se emplea para determinar la velocidad crtica
para aleteo)
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 45
Notas preparadas por: Dr. Adrin Pozos-Estrada

TEMA 4. Solucin de sistemas de ecuaciones algebraicas lineales

OBJETIVO DEL TEMA:


El alumno aplicar los conceptos fundamentales de los sistemas de ecuaciones
algebraicas lineales, para resolver problemas de ingeniera estructural.

Descomposicin LU: Triangulacin

La descomposicin LU (factorizacin) de una matriz no singular (cuadrada) ,


consiste en expresar la matriz, como una multiplicacin de una matriz triangular
inferior y una matriz triangular superior . Dnde no tiene elementos ceros
debajo de su diagonal y no contiene ceros por encima de su diagonal.
Para el caso en que algn cambio de rengln sea necesario, como en la eliminacin
gaussiana, se incluye una matriz de permutacin descomposicin LU para expresar
las operaciones de cambio de rengln necesarias que permitan escribir la
descomposicin LU como:

Ejemplo 1 (uso de la matriz permutacin )

0 0 1 11 21 31 31 32 33
= [1 0 0] [12 22 32 ] = [11 12 13 ]
0 1 0 13 23 33 21 22 23

La opera el cambio entre el primer y tercer rengln, seguido por el cambio entre el
segundo y tercer rengln. Una propiedad til e interesante de la matriz de
permutacin es que su transpuesta concuerda con su inversa:

= , =

El procedimiento para obtener la matriz inferior y la matriz superior , se


ejemplifica considerando una matriz de 3 x 3:
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 46
Notas preparadas por: Dr. Adrin Pozos-Estrada

Igualando los primeros renglones en ambos lados, tenemos:

Luego, igualando los segundos renglones en ambos lados:

De lo cual podemos obtener

Ahora, igualando el tercer rengln en ambos lados, obtenemos:

De lo cual podemos obtener:

Las frmulas anteriores se pueden generalizar para matrices cuadradas mayores a una
de 3 x 3 de la siguiente manera:
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 47
Notas preparadas por: Dr. Adrin Pozos-Estrada

Paso 1

Paso 2

Ejemplo numrico:

Sea la matriz A, determine las matrices LU.

1 0 0
= [0 1 0]
0 0 1

Paso 1) La matriz es cuadrada


Paso 2) det (A) = 1, por tanto la matriz A es no singular.
Paso 3) Aplicamos el logaritmo anterior:

11 21 31 1 0 0 1 21 31
[12 22 32 ] = [12 1 0] [0 1 32 ]
13 23 33 13 23 1 0 0 1

1 = 1 , = 1,2,3
21 = 21 /11, 22 = 21 21 12 , 23 = 23 21 13
31 = 31 /11, 32 = (32 31 12 )/22 , 33 = 33 31 13 32 23

Por tanto, la descomposicin queda:

1 0 0 1 0 0 1 0 0
A = [0 1 0] = [0 1 0] [0 1 0]
0 0 1 0 0 1 0 0 1
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 48
Notas preparadas por: Dr. Adrin Pozos-Estrada

El siguiente algoritmo en MATLAB puede ser empleado para realizar la


descomposicin LU de una matriz A.

La descomposicin LU puede ser empleada para resolver un sistema de ecuaciones


de la forma Ax = b, el procedimiento es el siguiente:
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 49
Notas preparadas por: Dr. Adrin Pozos-Estrada

Ejemplo numrico:
Resuelva el siguiente sistema de ecuaciones lineales, cuya matriz ampliada es:

0 2 5 6
= [1 0 2] , = [ 4 ]
2 4 0 2

A es una matriz cuadrada, cuyo determinante es:


det (A) = 12, por tanto es una matriz no singular.

Usando MATLAB, tenemos:

0 0 1 1 0 0 2 4 0
= [0 1 0] , = [0.5 1 0] , = [0 2 2]
1 0 0 0 1 1 0 0 3

Para verificar, usamos la matriz

2 4 0 2 4 0
= [1 0 2] = = [1 0 2]
0 2 5 0 2 5

Se verifica:

Finalmente, el vector solucin est dado por:

=[11.33,-6.17,3.67]
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 50
Notas preparadas por: Dr. Adrin Pozos-Estrada

El siguiente algoritmo puede ser empleado para resolver sistemas de ecuaciones:

La factorizacin LU puede ser empleada para invertir matrices, de la siguiente forma:

A1 = U 1 L1

El determinante de la matriz A est dado por:

det(A) = det(L)det(U)
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 51
Notas preparadas por: Dr. Adrin Pozos-Estrada

Factorizacin de Cholesky para una matriz simtrica A

La factorizacin de Cholesky consiste en descomponer una matriz simtrica A de la


siguiente forma:

T
A = LDLT = (LD1/2 )(LD1/2 ) = GT G

Cuando A es simtrica, la matriz U es la misma que LT. As, la forma de la


factorizacin LDU es A = LDLT. En la descomposicin de Cholesky la matriz
diagonal D es partida tomando la raz cuadrada de los pivotes. Al tomar la raz
cuadrada de los pivotes de la matriz D, se considera que la matriz est positivamente
definida.

Matrices simtricas definidas positivas se presentan en:

Anlisis de estructuras mecnicas.


Ajuste de funciones por mnimos cuadrados.
En muchos procedimientos de optimizacin lineal y no lineal.

Teorema

Si A es una matriz simtrica definida positiva de orden n, existe una nica matriz
triangular superior, G, con todos sus elementos diagonales positivos, tal que
A = GTG.

Sea la siguiente matriz A:

11 21 31 11 0 0 11 12 13
[12 22 32 ] = [12 22 0 ][ 0 22 23 ]
13 23 33 13 23 33 0 0 33

de donde se obtiene:

a11 = g211
a12 = g11 g12
a13 = g11 g13

a22 = g212 + g222


a23 = g12 g13 + g22 g23

a33 = g213 + g223 + g233


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 52
Notas preparadas por: Dr. Adrin Pozos-Estrada

Lo cual se puede generalizar de la siguiente manera:

Para los elementos de la diagonal principal:

= 2
=1

Para el resto de los elementos:

= ( )
=1

Ejemplo numrico

Emplear el mtodo de Cholesky para factorizar la siguiente matriz.

5 1 2 0
=[ 1 2 0 0]
2 0 4 1
0 0 1 3

Se requiere:

11 21 31 11 0 0 11 12 13
[12 22 32 ] = [12 22 0 ][ 0 22 23 ]
13 23 33 13 23 33 0 0 33

Los elementos se estiman de la siguiente manera:

11 = 5 = 2.2361

12 = (1)5 = 0.4472

13 = (2)5 = 0.8944

14 = (0)5 = 0
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 53
Notas preparadas por: Dr. Adrin Pozos-Estrada

22 = 2 (0.4472)2 = 1.3416

1 2
23 = (0 ( ))1.3416 = 0.2981
5 5

1
24 = (0 ( 0))1.3416 = 0
5

2 2
33 = 4 [( ) + 0.2981] = 1.7638
5

34 = (1 (0.8944 0 + 0.2981 0))1.7638 = 0.5669

44 = 3 (02 + 02 + 0.56692 ) = 1.6366

Finalmente, la factorizacin de Cholesky conduce a:



2.2361 0.4472 0.8944 0 2.2361 0.4472 0.8944 0
=[ 0 1.3416 0.2981 0 ] [ 0 1.3416 0.2981 0 ]
0 0 1.7638 0.5669 0 0 1.7638 0.5669
0 0 0 1.6366 0 0 0 1.6366

Para resolver un sistema de ecuaciones con la factorizacin de Cholesky, la solucin


est dada por:

= ( )1 1

donde b es el vector de trminos independientes del sistema de ecuaciones.

Entre sus aplicaciones tenemos:

Simulacin de Montecarlo
Mnimos cuadrados de sistemas con forma Ax = b.
Diseo de filtros
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 54
Notas preparadas por: Dr. Adrin Pozos-Estrada

Mtodo de Gauss-Jordan

Es una extensin de la eliminacin de Gauss y consiste en eliminar de la matriz de


coeficientes del sistema no slo los elementos no nulos que estn debajo de la diagonal
sino tambin los que estn encima.

Si partimos de la matriz triangular despus de aplicar la eliminacin de Gauss,


tenemos:

Primero dividimos en ltimo rengln por a33(2):

Despus restamos de los dos renglones de arriba (3er rengln x am3(m-1) (m=1,2)):

Ahora se divide el segundo rengln por a22(1):

Y restamos del primer rengln (2 rengln x am2(m-1) (m=1)):


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 55
Notas preparadas por: Dr. Adrin Pozos-Estrada

Finalmente, dividimos el primer rengln por a11(0):

Lo que denota un sistema de ecuaciones lineales que tiene una matriz de coeficientes
igual a la matriz identidad.

Ix = b[] = [b1[3] b2[2] b3[1]] T

Finalmente la solucin est dada por el vector b[].

Frmulas que generalizan el mtodo de Gauss-Jordan estn dadas por:

Mtodos por iteracin

Un mtodo iterativo consiste en partir de una solucin aproximada a la real del


problema y llegar a la exacta mediante una sucesin de soluciones que converja a
sta.

Un algoritmo para la solucin mediante mtodos iterativos puede ser:

Dadas una solucin aproximada y una tolerancia.


Repetir para k=0,1,. . .
1. Si xk es la solucin, finalizar.
2. Obtener una nueva solucin mediante xk+1.
Mientras no se satisfaga la tolerancia de solucin.

Mtodo de Jacobi

Para mostrar el concepto del mtodo de Jacobi, considere la siguiente ecuacin lineal,

3x + 1 = 0
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 56
Notas preparadas por: Dr. Adrin Pozos-Estrada

La cual puede reescribirse de la siguiente manera:

+1 1 1
2 = 1; = +1 =
2 2 2

Si comenzamos por un valor inicial x0 cuando k = 0, podemos ir incrementando k en 1 cada


vez para proceder como sigue,

Sin importar el valor de x0, la expresin anterior converge a la suma de una serie
geomtrica de la siguiente manera cuando k tiende a infinito:

Es importante mencionar que la expresin para iterar se debe seleccionar con


precaucin, ya que es posible que la expresin planteada ocasione una divergencia en
la solucin. La seleccin de la ecuacin para iterar est fuera de los alcances del
temario. El lector interesado es referido al Teorema del punto fijo.

Para continuar con la explicacin del mtodo iterativo de Jacobi, considere el


siguiente sistema de ecuaciones:

11 21 31 1 1
[12 22 32 ] {2} = {2}
13 23 33 3 3

Considerando que los coeficientes a11 a22 y a33 son distintos de cero, se puede despejar
de la primera ecuacin la incgnita x1, de la segunda x2 y x3 de la tercera, resultando las
siguientes expresiones:

1
1 = ( + 12 2 13 3 )
11 1
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 57
Notas preparadas por: Dr. Adrin Pozos-Estrada

1
2 = ( + 21 1 23 3 )
22 2

1
3 = ( + 31 1 32 2 )
33 3

Las expresiones anteriores sugieren emplear de forma iterativa las siguientes relaciones
de recurrencia:

(+1) 1 () ()
1 = (1 + 12 2 13 3 )
11

(+1) 1 () ()
2 = (2 + 21 1 23 3 )
22

(+1) 1 () ()
3 = (3 + 31 1 32 2 )
33

Las cuales se pueden generalizar de la siguiente manera:

(+1) 1 ()
=

( =1 ); i = 1,,n.

El esquema iterativo del mtodo de Jacobi escrito en forma matricial est dado por:

(+1) = () + 1

Donde J = (I D1 A) se le denomina la matriz de Jacobi.

Donde la matriz diagonal D est dad por:

11 0 0
0 22 0
[ ]

0 0

Si todos los elementos de la matriz D son no nulos, la matriz D es invertible.


Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 58
Notas preparadas por: Dr. Adrin Pozos-Estrada

Una implementacin del mtodo de Jacobi se resume en el siguiente cuadro:

(+1) () (+1) >


= 1

1
() () (, )()
(, )
=1

( )


En MATLAB,

function [x,k]=Jacobi_2(a,b)
% Resolucin por Jacobi
n=size(a,1); x=zeros(n,1); y=zeros(n,1); sm=1; k=0;
while sm>=0.001
k=k+1;
for i=1:n
j=[1:i-1 i+1:n];
y(i)=(b(i)-a(i,j)*x(j))/a(i,i);
end
sm=max(abs(x-y))/max(abs(y));
x=y;
end

Ejemplo numrico

Resuelva en siguiente sistema con el mtodo de Jacobi.

10 1 1 11
[ ]{ } = { }
2 10 2 12

partiendo de la solucin 0 = [0 0] .

Si empleamos el mtodo matricial, tenemos:

(+1) = () + 1
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 59
Notas preparadas por: Dr. Adrin Pozos-Estrada

donde

1
1 0 10 0 1 10 1 0 10
J = ([ ][ ] [ ]) = [ 2 ]
0 1 0 10 2 10 0
10

y
1
0
1
= [10 ]
1
0
10

Finalmente, el esquema de iteracin queda:

1 11
0
1 (+1) 10 1 ()
{ } =[ 2 ]{ } + {10
12
}
2 2
0
10 10

Para la primera iteracin, 0 = [0 0] , as tenemos:

1 11 11
(1) 0 (0)
1 10 0
{ } =[ 2
]{ } + {10
12
} = {10
12
}
2 0
0
10 10 10

Segunda iteracin, 1 = [1.1 1.2]

1 11
0
1 (2) 10 1.1 (1) 0.98
{ } =[ 2 ]{ } + {10
12
} ={ }
2 1.2 0.98
0
10 10

Continuando hasta la iteracin 5, tenemos:

1 (5) 1.0000
{ } ={ }
2 1.0001
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 60
Notas preparadas por: Dr. Adrin Pozos-Estrada

Lo cual concuerda con la solucin exacta que es [1,1].

Ejercicio para pasar al pizarrn

Resuelva en siguiente sistema con el mtodo de Jacobi.

1 10 1 11
[ ]{ } = { }
10 2 2 12

partiendo de la solucin 0 = [0 0] .

Teorema

Si la matriz A es de diagonal dominante, el mtodo de Jacobi para resolver Ax = b


converge a su solucin.

Definicin

Una matriz A es de diagonal dominante cuando lo es por columnas o filas.

Mtodo de Gauss-Seidel

Partiendo de las ecuaciones de recurrencia

(+1) 1 () ()
1 = ( + 12 2 13 3 )
11 1

(+1) 1 () ()
2 = (2 + 21 1 23 3 )
22

(+1) 1 () ()
3 = (3 + 31 1 32 2 )
33
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 61
Notas preparadas por: Dr. Adrin Pozos-Estrada

La relacin general para un sistema de n x n est dada por:

(+1) 1 (+1) ()
=

( 1
=1 =+1 ); i = 1,,n.

El esquema iterativo del mtodo de Gauss-Seidel escrito en forma matricial est dado
por:

(+1) = G () + (D E)1

Donde G = ((D E)1 F) se le denomina la matriz de Gauss-Seidel. La matriz D es


la matriz diagonal del mtodo de Jacobi y

0 0 0 0 0 12 1 1 1
21 0 0 0 0 0 2 1 2
= =
1 1 1 2 0 0 0 0 0 1
[ 1 2 1 0] [ 0 0 0 0 ]

Una implementacin del mtodo de Gauss-Seidel se resume en el siguiente cuadro:

(+1) () (+1) >


= 1

1
() (() (, )() (, )())
(, )
=1 =+1


En MATLAB,

function [x,k]=Gauss_Seidel_1_1(a,b)
% Resolucin por Gauss-Seidel
n=size(a,1); x=zeros(n,1); sm=1; k=0;
while sm>0.001
k=k+1; sm=0;
for i=1:n;
j=[1:i-1 i+1:n];
xi=(b(i)-a(i,j)*x(j))/a(i,i);
sm=max(abs(x(i)-xi),sm);
x(i)=xi;
end
sm=sm/max(abs(x));
end
Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal 62
Notas preparadas por: Dr. Adrin Pozos-Estrada

Teoremas

Si la matriz A es de diagonal dominante, el mtodo de GaussSeidel para


resolver Ax = b converge a su solucin.

El mtodo iterativo de GaussSeidel es convergente para todo sistema de


ecuaciones cuya matriz de coeficientes es simtrica definida positiva.