Métodos Numéricos Aplicados a la Ingeniería

3x1  x 2  x3  2 x 4  0 x5  18
x1  x 2  2 x3  3x 4  1
2 x1  5 x 2  0 x3  x 4  x5  7
3x1  x 2  x3  2 x 4  4
16. x1  x 2  0 x3  0 x 4  2 x5  8 17. 18.
2 x1  3x 2  x3  x 4  6
0 x1  2 x 2  x3  x 4  x5  10
x1  2 x 2  3x3  x 4  4
x1  x 2  3x3  0 x x  x5  1

x1  x 2  x3  x 4  4
2 x1  x 2  3x3  2 x 4  1
x1  x 2  0 x3  2 x 4  6
3x1  x 2  x3  x 4  0

II. AUTOVALORES Y AUTOVECTORES

2.1. Aspectos básicos.
2.2. Teorema de Schur y Gershgorin
2.3. Problemas propios de una matriz.
2.4. Factorizaciones Ortogonales y problemas de mínimos
cuadrados
2.5. Método de QR de Francis para problemas de valores propios
2.6. Método mixtos evaluación de la determinante Iteración en un
subespacio

Página 62 de 92
 Métodos Numéricos Aplicados a la Ingeniería

II. AUTOVALORES Y AUTOVECTORES

2.1. ASPECTOS BÁSICOS

Para ingresar a los estudios de los valores propios de una matriz

debemos tener cierta familiaridad con matrices y determinantes los
números complejos.

2.1.1. MATRICES, DEFINICIÓN, INTERPRETACIÓN

DEFINICIÓN: Llamaremos matriz a un arreglo rectangular de entes
(números, funciones, etc) ordenados en filas y columnas.

Filas
 a11 a12 ... a1i ... a1n 
a 
 21 a22 ... a2i ... a2n 
Columnas  a31 a32  a3i  a3n 
 
       
am1 am2  ami  amn 
  mn

2.1.2. ORDEN DE UNA MATRIZ: Se llama así al producto de las filas y

columnas.
 3 4
2 5 ;
 3 4 1 0 9
 9 8  7 0 5  
; aij
m n
 
 aij
filas  columnas
  2 2   2 5
Usando MATLAB podemos determinar el orden de una matriz a través
de la orden [m,n]=size(A); donde m representa el número de filas y n el
número de columnas de la matriz A.
Ejemplo:
» [m,n]=size(A)
m= 3
n= 5

2.1.3. MATRIZ FILA Y MATRIZ COLUMNA

MATRIZ FILA: Llamaremos matriz fila o vector fila a aquella matriz que
posee sólo una fila y n columnas.

Página 63 de 92
 Métodos Numéricos Aplicados a la Ingeniería

La representamos del siguiente modo: A  a11 , a12 , a13 , ..., a1n 1n

Usando MATLAB podemos construir un vector de la siguiente forma:

» x=[1 2 5 3 6 4]
x=
1 2 5 3 6 4
Podemos usar espacio entre los elementos del vector o separarlos por
comas.
» y=[1,2,3,4,5,6]
y=
1 2 3 4 5 6
MATRIZ COLUMNA: Llamaremos matriz columna o vector columna a
aquella matriz que posee sólo una columna y m filas.
 a11 
a 
La representamos del siguiente modo: A   21 
  
 
a m1  mx1
Para generar un vector columna en MATLAB escribimos los elementos
del vector separados por puntos y coma.
» x=[1;2;3;4]
x=
1
2
3
4
 
2.1.4. IGUALDAD DE MATRICES: Las matrices A  aij ; B  bij son  
iguales si tienen el mismo orden; es decir el número de filas y columnas
de cada una deben de ser iguales y además cada elemento de una de
ellas tiene que ser igual al correspondiente de la otra.
Su representación matricial es:
A  B  aij  bij ; i 1,2,...,m j 1,2,3,...,n

Página 64 de 92
 Métodos Numéricos Aplicados a la Ingeniería

MATLAB comprueba si dos matrices son iguales devolviendo como

respuesta una matriz de unos y ceros; es decir cuando los elementos
son iguales devuelve el valor de 1 en la posición donde los elementos
son iguales caso contrario devuelve el valor de cero.
Ejemplo:
» A=[2 3;4 5]
A=
2 3
4 5
» B=[2 3;4 5]
B=
2 3
4 5
» C=[3 6; 4 7]
C=
3 6
4 7
» A= =B
ans =
1 1
1 1
Como todos sus elementos son unos, entonces decimos que las
matrices son iguales
» A= =C
ans =
0 0
1 0
El resultado quiere decir que los elementos de las matrices A y C son
diferentes excepto el elemento que está en la segunda fila y primera
columna

2.1.5. PRODUCTO DE UN ESCALAR POR UNA MATRIZ:

Página 65 de 92
 Métodos Numéricos Aplicados a la Ingeniería

 a11  a1n 
A      
a m1  a mn 

Ejemplo:

2 4   10 20 
1. 5A  5    
  1  2    5  10 
PLANTA1 PLANTA2 PLANTA3 PLANTA4
PRODUCTO  1 5600 2330 5400 4580
2. PRODUCTO  2 2330 4500 4500 2500
PRODUCTO  3 5040 4500 5600 9500
PRODUCTO  4 4580 2500 9500 4600

Esta matriz nos proporciona la cantidad de productos producidos por

una empresa en cuatro diferentes plantas cuando su producción
aumenta en diez veces.
Usando MATLAB tenemos:
» A=[2 4;-1 -2]
A=
2 4
-1 -2
» 5*A
ans =
10 20
-5 -10
Propiedades:
1  A   (A)
2 (   ) A  A  A

SUMA DE MATRICES: Dadas las matrices A  aij  mn y B  bij mn ;

la suma de ambas A  B es otra matriz C  cij  en la que cada
m n
elemento de C es igual a la suma de los elementos correspondientes de
A y B.
Su representación matricial es:

Página 66 de 92
 Métodos Numéricos Aplicados a la Ingeniería


C  A  B  aij  bij
m n
 
 (a  b) ij
m n

Ejemplo:
 8  5   5 6  3 1
1. A    ; B     C  A  B   
 6  1  0 2  6 1
2. En una empresa
PLANTA1 PLANTA2 PLANTA3 PLANTA4
PRODUCTO  1 50 20 50 40
M1= PRODUCTO  2 20 40 40 50
PRODUCTO  3 50 50 60 90
PRODUCTO  4 40 25 90 60

PLANTA1 PLANTA2 PLANTA3 PLANTA4

PRODUCTO  1 50 20 50 40
M2= PRODUCTO  2 10 10 4 0
PRODUCTO  3 20 5 6 9
PRODUCTO  4 10 2 9 6

Esta matriz nos proporciona el costo para producir parte de cada uno de
los cuatro productos en cuatro plantas ubicadas en ciudades diferentes
se requiere saber el costo total de cada uno de los productos.
Matriz de costo total =
PLANTA1 PLANTA2 PLANTA3 PLANTA4
PRODUCTO  1 100 40 100 800
PRODUCTO  2 30 50 44 50
PRODUCTO  3 70 55 66 99
PRODUCTO  4 50 27 99 66

Usando MATLAB tenemos:

» A= [8 -5; 6 -1] » B= [-5 6; 0 2]
A= B=
8 -5 -5 6
6 -1 0 2
» C=A+B
C=
3 1
6 1
2 1 3   1 0  2 1 1 1 
3. A    y B     C  A  B   
 7 6  9 3 6 5  10 12  4 

Página 67 de 92
 Métodos Numéricos Aplicados a la Ingeniería

» A= [2 1 3; 7 6 -9]
A=
2 1 3
7 6 -9
» B= [-1 0 -2; 3 6 5]
B=
-1 0 -2
3 6 5
» C=A+B
C=
1 1 1
10 12 -4

Propiedades:
1. A B  B  A
2. A  ( B  C)  ( A  B)  C
3.  ( A  B)  A  B
4.  A;  0 tal que A  0  A

2.1.6. PRODUCTO DE MATRICES

El producto de las matrices A.  aij  m p  pn es una matriz
y B  bij

C  cij  mn . El producto de las matrices estará definido correctamente

si A es conforme con B ; es decir si el número de columnas de la matriz
A es igual al número de filas de la matriz B .

Su representación matricial es:

A  aij  m p  pn  C  A  B  cij mn
; B  bij

Donde el elemento cij es el producto escalar de la fila i de A por la

columna j de B , es decir:
p
cij   aik . bkj ; i  1,..., m ; j  1,..., n
k 1

Página 61 de 92
 Métodos Numéricos Aplicados a la Ingeniería

Ejemplo:

1 2   2  1
1. A    ; B    ; Entonces:
 1 3   0 2 
1 2   2  1 1(2)  2(0) 1(1)  2(2) 
C  AB   .    
1 3   0 2   1(2)  3(0) 1(1)  3(2) 
 2 3
C   
 2 5

Usando MATLAB

» A=[1 -1;2 -3]

A=
1 -1
2 -3
» B=[1 2 3 4 5;-1 -3 2 1 1]
B=
1 2 3 4 5
-1 -3 2 1 1
» C=A*B
C=
2 5 1 3 4
5 13 0 5 7
» D=B*A
??? Error using ==> *
Inner matrix dimensions must agree.
MATLAB no puede realizar el producto BA debido a que la matriz B no
es conforme con la matriz A.

Propiedades:
1. A.B  B. A
2. A.( BC )  ( AB)C
3. A.( B  C )  AB  AC
4. ( B  C ) A  BA  CA
5. kA.B  AkB ; k  IR

Página 62 de 92
 Métodos Numéricos Aplicados a la Ingeniería

2.1.7. TIPOS ESPECIALES DE MATRICES:

1. MATRIZ CUADRADA: Cuando m  n ; se llama matriz cuadrada

de orden n y se denota por A  Aij nn .
A2 : Matriz cuadrada de orden 2x2.
A3 : Matriz cuadrada de orden 3x3.

An : Matriz cuadrada de orden nxn.

Ejemplo:

 1 2 3
 
1. A3   7 5 0 
 0 8 6
 
0 9 8 7 6 5 4
 
 3 2 78 5 8 6 9
5 7 0 0 0 78 0
 
2. A7   2 1 1 1 1 1 1
0 0 0 5 6 74 9 

 8 0' 2  5  5  6 0
 
 1 1 2  2  2 0 1

2. MATRIZ TRIANGULAR SUPERIOR: Llamaremos matriz

triangular superior a aquella matriz cuyos elementos aij son ceros para

i  j ; y se representa como:

 a11 a12 a13 ...a1n 

 
 0 a 22 a 23 ... a 2n 
A 0 0 a33 ... a3n 
 
      
 0 0 a nn 
 0 0

3. MATRIZ TRIANGULAR INFERIOR: Llamaremos matriz triangular

inferior a aquella matriz cuyos elementos aij son ceros para i  j ; y se

representa como:

Página 63 de 92
 Métodos Numéricos Aplicados a la Ingeniería

 a11 0 0 ... 0 
 
 a 21 a 22 0 ... 0 
A   a31 a32 a33 ... 0 
 
      
a a m3  a nn 
 m1 a m2

4. MATRIZ DIAGONAL: Llamaremos matriz diagonal a aquella

matriz donde todos sus elementos aij son ceros para i  j , y se

representa de la siguiente forma:

 a11 0 0 0 
...
 
 0 a 22 0 ... 0 
A 0 0 a33 ... 0 
 
      
 0 0 a nn 
 0 0

5. MATRIZ ESCALAR: Es aquella matriz diagonal donde todos los

elementos son igual a una constante K ; y se representa de la siguiente
manera:
K 0 0 0
...
 
0 K 0 ... 0 
A0 0 K ... 0 
 
    
0 0 0 K 
 0

6. MATRIZ IDENTIDAD: Es una matriz escalar con K  1 ; y se

representa de la siguiente manera:
1 0 0 ... 0 
 
0 1 0 ... 0 
A  0 0 1 ... 0 
 
    
0 0 0 0 1 


7. MATRIZ TRANSPUESTA: Dada una matriz  mn ;

A  aij

llamaremos transpuesta de A denotada por At a la matriz a ji

n m
 

Página 64 de 92
 Métodos Numéricos Aplicados a la Ingeniería

 a11 a12 a13 ... a1n   a11 a 21 a31 ... a m1 

   
 a 21 a 22 a 23 ... a 2n   a12 a 22 a32 ... a m2 
A   a31 a32 a33 ... a3n   At   a13 a 23 a33 ... a m3 
   
             
a a mn  a 
 m1 a m2 a m3 ...  1n a 2n a3n ... a mn 
Ejemplo:

1 2  1 3
2. A     At   
3 4  2 4
Propiedades:

1. I t  I

2. At t  A
3. kAt  kAt

4.  AB t  B t . At

5.  A  Bt  At  B t

8. MATRIZ SIMÉTRICA: Se dice que una matriz cuadrada es simétrica

si se cumple que los elementos aij  a ji ; i  j ; es decir A  At .

 2 0 2  2 0 2
  t  
Ejemplo: A   0 4 5   A   0 4 5 
 2 5 3  2 5 3
   
9. MATRIZ ANTISIMÉTRICA: Una matriz cuadrada A se llama

antisimétrica si A   At

Ejemplo:
 0 2 4  0  2  4  0 2 4
  t   t  
1. A    2 0 6  A   2 0  6   A    2 0 6
  4  6 6 4 6 0    4  6 0
    

 A  At

 0  4  0 4  0  4
2. A     At      At   
 4 0    4 0   4 0 

 A  At

Página 65 de 92
 Métodos Numéricos Aplicados a la Ingeniería

10. MATRIZ HERMITIANAS

Las matrices cuadradas cuyos elementos tienen simetría conjugada se le llama

matriz Hermitianas es decir: , en donde * indica la conjugada compleja

Ejemplo:

, en donde

Observemos si todos los elementos de la matriz Hermitiana fueran reales,

entonces tenemos una matriz simétrica.

11. MATRIZ BANDA

Es una matriz cuadrada en donde la mayor parte de los elementos son ceros
y los elementos con valor significativo están agrupados alrededor de su
diagonal principal en este caso se llama matriz banda.

Por ejemplo:

 1 1 0 0 0 
 
1 2 1 0 0 
A   0 1 2 1 0 
 
 0 0  1 2  1
 0 0 0 1 1 
 
Obs.
1. Las líneas paralelas a la diagonal principal se le llama codiagonales.
2. El número total de diagonal y codiagonales con elementos significativos
es el ancho de banda (3 en este ejemplo).
3. Para matrices simétricas puede también hablarse de un ancho de semi –
banda; que incluye a la diagonal principal (2 en el ejemplo precedente).
4. Una matriz banda tiene baja densidad. Considerando densidad como la
razón entre el número de elementos con valor significativo y el número total de
elementos.

Página 66 de 92
 Métodos Numéricos Aplicados a la Ingeniería

2.1.8 DETERMINANTE DE UNA MATRIZ

Definición: Determinante de una matriz A denotada por det( A)  A .

 a11 a12 
Si A    ; entonces det( A)  a11.a22  a21.a12
 a 21 a 22 
Ejemplo:

 1 2
1. A     det(A)  1(3)  2(1)  3  2  5
 1 3
MATLAB calcula el determinante de una matriz a través del comando “det”.
» A=[1 2;-1 3]
A=
1 2
-1 3
» det(A)
ans =
5
  5 9
2. B     det(B)  (5)(3)  (9)( 6)  15  54  39
  6 3
» B=[-5 9;-6 3]
B=
-5 9
-6 3
» det(B)
ans =
39

2.1.8.1. MENOR COMPLEMENTARIO

Definición: Llamaremos menor complemento " M ij " de un elemento de una

matriz A de tercer orden al determinante de una matriz cuadrada de segundo

orden que se obtiene después de eliminar la fila i y la columna j ; ( M ij ) .

El menor complementario de aij se denota por M ij .

Página 67 de 92
 Métodos Numéricos Aplicados a la Ingeniería

 a11 a12 a13 

 
Ejemplo: A  aij
33
 
  a 21 a 22 a 23  el menor complementario de:
a a33 
 31 a32

 a22 a 23 
a11 es M11   
 a32 a33 

 a12 a13 
a 21 es M 21   
 a32 a33 

2.1.8.2. COFACTOR DE UN ELEMENTO

Sea aij un elemento de una matriz A denotaremos cofactor Aij y se define

como: Aij   1i  j M ij

 a11 a12 a13 

 
Sea A   a 21 a 22 a 23  entonces
a a33 
 31 a32

A11   111 M 11  M 11
A12   11 2 M 12   M 12
A13   11 3 M 13  M 13

Entonces A  a11M11  a12M12  a13M13

Ejemplo:
1 0 0
  2.3
1. A   1 2 3   det( A)  1  10
 0 0 5 0,5
 
» A=[1 0 0;1 2 3;0 0 5]
A=
1 0 0
1 2 3
0 0 5
» det(A)
ans =
10

Página 68 de 92
 Métodos Numéricos Aplicados a la Ingeniería

 2 5 3
 
2. B    2 3 4   det(B)  23(1)  (4)( 2)   5(2)(1)  4(0)   3(2)( 2)  3(0) 
 0  2 1
 

Por lo tanto det(B)  2(11)  10  12  44

» B=[2 5 3;-2 3 4;0 -2 1]
B=
2 5 3
-2 3 4
0 -2 1
» det(B)
ans =
44
2.1.8.3. Propiedades:

1. Si se intercambian una fila por una columna en su determinante su valor no

se altera.
a1 a 2 a3 a1 b1 c1
Es decir: b1 b2 b3  a 2 b2 c2
c1 c2 c3 a3 b3 c3

2. Si todos sus elementos de una fila o columna son ceros el determinante es

cero.
3. Si se intercambian dos filas o dos columnas continuas el determinante
cambia de signo.
a1 a 2 a3 b1 b2 b3
Es decir: b1 b2 b3  a1 a 2 a3
c1 c2 c3 c1 c2 c3

4. Si un determinante tiene dos filas ó dos columnas iguales o proporcionales

su valor es cero.
a1 a2 a3
Es decir: ka1 ka2 ka3  0
c1 c2 c3

Página 69 de 92
 Métodos Numéricos Aplicados a la Ingeniería

5. Todos los elementos de una fila o columna de un determinante se multiplica

por un número el valor del determinante queda multiplicado por el número.
ka1 a 2 a3 a1 a2 a3 a1 a 2 a3
Es decir: kb1 b2 b3  kb1 kb2 kb3  k b1 b2 b3
kc1 c2 c3 c1 c2 c3 c1 c2 c3

6. Si todos los elementos de una fila o columna son expresados como la suma
de dos o más números, el determinante puede expresarse como la suma de
dos o más determinantes.
a1  x a 2 a3 a1 a 2 a3 x a2 a3
Es decir: b1  y b2 b3  b1 b2 b3  y b2 b3
c1  z c2 c3 c1 c2 c3 z c2 c3

7. Si a cada uno de los elementos de una fila o columna se le multiplica por m

y a este resultado se le suma otra fila o columna el valor del determinante no se
altera.
a1 a 2 a3 a1  ma2 a2 a3
Es decir: b1 b2 b3  b1  mb2 b2 b3
c1 c2 c3 c1  mc2 c2 c3

2.1.8.4. Observaciones
La determinante de una matriz triangular es igual al producto de los elementos
de su diagonal principal.

, det(A) = (1)(5)(12)= 60

1 0 0 0 0
 
1 2 0 0 0 
A   0  1 10 0 0 
 
 0 0 1 2 0 
 0 0 0  1 20 
 ; det(A)= (1)(2)(10)(2)(20)=800

Para un producto matricial se cumple que: det(A.B.C)=det(A). det(B). det(C)

2.1.8.5. MATRIZ DE COFACTORES

Página 70 de 92
 Métodos Numéricos Aplicados a la Ingeniería

 a11 a12 a13 

 
Sea la matriz A   a 21 a 22 a 23  entonces llamamos matriz de cofactores de
a a33 
 31 a32

 A11 A12 A13 

 
la matriz A a la matriz CA   A21 A22 A23  ; donde Aij   1i  j M ij
A A33 
 31 A32

 1 3 5  14  4  22 
   
Ejemplo: A   3 5 1   CA    4  22 14 
 5 1 3   22 14  4 
  

2.1.8.6. MATRIZ ADJUNTA

Se llama así a la matriz transpuesta de la matriz de cofactores y se denota por
 A11 A21 A31 
t t  
adj ( A)  CA , adj ( A)  CA   A12 A22 A32 
A A33 
 13 A23

 1 2 3   3 6  3   3 6  3
     
Ejemplo: A   4 5 6   CA   6  12 6   adj ( A)   6  12 6 
7 8 9   3 6  3   3 6  3
     

2.1.8.7. MATRIZ INVERSA.

Supongamos la matriz cuadrada A tiene det( A)  0 , entonces la inversa de la

CAt
matriz A denotada por A 1 es: A 1 
1
adj ( A) 
A A

 1 2 3
 
Ejemplo: A   4 5 6   A  (13)  2(4  12 )  3(12  10 )  9
 2 3 1
 
  13 8 2   13 7  3 
   
CA   7  5 1   adj ( A)   8  5 6 
  3 6  3  2 1  3 
  

Página 71 de 92
 Métodos Numéricos Aplicados a la Ingeniería

  13 7  3 
1 1 
A   8 5 6 
9
 2 1  3 

 1 2 3    13 7  3   1 0 0 
1     
Verificando tenemos: AA1   4 5 6 . 8  5 6    0 1 0
9 
 2 3 1  2 1  3   0 0 1 
Una matriz cuadrada tiene inversa si y sólo si es una matriz no singular en este
caso se dice que es una matriz invertible.
Usando MATLAB
» A=[1 2 3;4 5 6;2 3 1]
A=
1 2 3
4 5 6
2 3 1
» format rat % expresa los valores en fracciones
» inv(A)
ans =
-13/9 7/9 -1/3
8/9 -5/9 2/3
2/9 1/9 -1/3

Propiedades:

1.  AB 1  B 1 A1

2. A1 1  A
3. A1  1 A1   IR
n 1
4. adj ( A)  A Donde n es el orden de la matriz A

5. La inversión de matrices permite efectuar la operación equivalente a la

división del álgebra común.

6. Una matriz A se llama ortogonal si AAT=I, en particular si A es una matriz

cuadrada se tiene que A-1 = AT

Página 72 de 92
 Métodos Numéricos Aplicados a la Ingeniería

Ejemplo:

21.1.8.8. RANGO DE UNA MATRIZ:

Se llama rango de una matriz A de orden nxn, al orden de la matriz cuadrada
mas grande contenida en A cuyo determinante es diferente de cero y se
denota r(A) = rango de A.

Debemos resaltar que el r(A) ≤ min:{m,n} donde la matriz A en de orden de

mxn.

Para determinar el rango de una matriz se debe de tener en consideración que

al determinar las matrices cuadradas es suficiente que una de ellas tenga su
determinante diferente de cero.

Ejemplo: Hallar el rango de la siguiente matriz:

1 2 4 
 
0 5 6 
A 
6 7 8
 
0 
 8 9 
Solución
Como la matriz es de orden 4x3, esto quiere decir que r(A) ≤ min{4,3} en otras
palabras r(A) ≤ 3
Determinamos las matrices de 3x3:

1 2 4 1 2 4 0 5 6 1 2 4
       
0 5 6 ; 0 5 6 ; 6 7 8 ; 6 7 8
6 7 8 0 8 9 0 8 9 0 8 9
       
Como no existen más matrices de orden de 3x3 cuyos determinantes sean
ceros esto quiere decir que el orden de la matriz dada es 3.

Página 73 de 92
 Métodos Numéricos Aplicados a la Ingeniería

Si en caso que sus determinantes fueran ceros entonces se prosigue a

determinar los determinantes de orden 2x2.

Aclaraciones:
- Toda matriz nula tiene como rango cero,
- Si una matriz A es de orden mxn no nula entonces su rango es mayor que
cero y menor igual que min (m,n)
- Si la matriz es de orden nxn su rango es mayor que cero y menor o igual a n;
- Si la matriz es no nula de orden nxn , entonces existe su inversa si solo si
su determinante es diferente cero , en este caso se dice que la matriz es no
singular.
- De la afirmación anterior también se dice que una matriz cuadrada de orden
nxn tiene inversa si y solo si r(A) =n.
- Supongamos dos matrices A y B y que exista AB, entonces r(AB)≤ min{r(A),
r(B)};
- También es necesario resaltar que existe otra manera de calcular el rango
de una matriz y es usando operaciones elementales o transformaciones
elementales.

2.1.8.9. OPERACIONES O TRANSFORMACIONES ELEMENTALES

Son operaciones con matrices que no alteran su orden ni su rango, existiendo
operaciones elementales por fila o por columnas.
1. La permutación de una fila por una columna se denota por Hij,
2. La permutación de columna por columna se denota por Kij;
3. El producto de todos los elementos de la fila i por un escalar “a” distinto
de cero se representa por Hi(a);
4. El producto de todos los elementos de una columna J por un escalar “b”
se denota por Kj(b);
5. La suma de los elementos de la fila I con los correspondientes
elementos de la fila j multiplicados por un escalar “k” es representado por
Hij(k);

Página 74 de 92
 Métodos Numéricos Aplicados a la Ingeniería

6. La suma de los elementos de una columna i, con los correspondientes

elementos de una columna j multiplicado por un escalar “p” se denota por
Kij(p);
7. Debemos aclarar que a las operaciones de tipo H se les llama
operaciones de tipo fila y a las operaciones de tipo K se les llama operaciones
columna.

2.1.8.10. LONGITUD DE UN VECTOR

Supongamos x un vector en R2, su longitud denotado por |x| es definido como
un número positivo o cero.

En términos de producto punto

Ejemplo: sea determinar su norma

Solución

=7.0711

Debemos tener en consideración que el campo de los números reales R tiene

el defecto de que un polinomio de grado n con coeficientes reales no
necesariamente tiene n ceros reales.

Por ejemplo carece de ceros reales, este defecto se

supera extendiendo el campo de tal manera que contenga al elemento i,
elemento que se caracteriza por la ecuación , que es el campo C de
los números complejos en donde sus elementos tienen la forma : x=a+bi , en
donde a, b son reales.
Su conjugado, norma, o modulo, se le define:

;,

Página 75 de 92
 Métodos Numéricos Aplicados a la Ingeniería

Observe que:
1. ,

2. El campo de los complejos ya no tiene la anomalía de los reales, es mas

tenemos el teorema fundamental del algebra, que establece que todo polinomio
no constante con coeficientes complejos tiene al menos un cero en el plano
complejo.
3. La afirmación anterior permite afirmar que todo polinomio de grado n se
puede descomponer como un producto de n factores lineales.

ANGULO ENTRE VECTORES

El coseno entre dos vectores es dado por

,

Ejemplo
Sean los vectores y , entonces el ángulo entre
ellos es:

PERPENDICULARIDAD DE VECTORES
Dos vectores son ortogonales s el coseno entre ellos es cero es decir si solo si
,
Ejemplo
Sean los vectores x=(2,3,3,4), y =(4,-3,7,-5) son ortogonales pues:

X*y=2*4+3(-3)+3*7+4(-5)=0

2.1.9. ESPACIO VECTORIAL Cn

El espacio vectorial Cn, esta compuesto de todos los vectores
en donde los , Si al vector complejo x

Página 76 de 92
 Métodos Numéricos Aplicados a la Ingeniería

es multiplicado por también complejo el resultado es otro vector complejo

así:

En consecuencia Cn, es un espacio vectorial sobre el cambo de escalares C.

En consecuencia en este espacio Cn. El producto interno se define:
,

2.1.10. NORMA DE VECTORES

La norma Euclidiana se define:

,
Podemos observar que,
4. ,
5. ,
6. ,

Consideremos A una matriz con elementos complejos, y A * denota su

conjugada transpuesta es decir en particular, si x es una matriz de
nx1 (o vector columna), entonces , es una matriz de 1xn o vector fila,

,
En general podemos definir norma de un vector x

Como casos particulares tenemos la norma Euclidiana cuando p=2

Página 77 de 92
 Métodos Numéricos Aplicados a la Ingeniería

Máximo valor absoluto

Propiedades
4. ,
5. ,
6. ,
Estas propiedades son familiares en relación a la norma Euclidiana o “longitud”
de un vector.
La norma de una matriz cuadrada, A , puede ser definida en forma consistente
con la definición de norma de un vector:

, (x ),

La norma de es donde es el máximo valor característico de

At.A. También

Estas normas definidas satisfacen ,

2.1.10. VALOR PROPIO DE UN MATRIZ A

Ahora consideremos A una matriz de orden nxn cuyos elementos pueden ser
complejos y sea un escalar (numero complejo). Si la ecuación

,,.....................................................................................................(1)

Tiene una solución no trivial es decir entonces , es un valor propio de

A . Un vector x distinto de cero que satisface la ecuación (1) es un vector
propio de A correspondiente al valor propio .

Ejemplo: Consideremos la Ecuación siguiente

Página 78 de 92
 Métodos Numéricos Aplicados a la Ingeniería

Esta ecuación nos afirma que -2 es un valor propio de matriz 3x3 y que (1,3,-
4)T, es un vector propio correspondiente.

Observemos que cualquier múltiplo distinto de cero de un vector propio es

también un vector propio correspondiente al mismo valor propio.

La condición de que la ecuación (1) tenga una solución no trivial es

equivalente a cada una de las siguientes afirmaciones:

1. , mapea algún vector distinto de cero en 0,...........................(2).

2. , es singular,.........................................................................(3)

3. ),.............................................................................(4)

2.1.11. ECUACIÓN CARACTERÍSTICA DE LA MATRIZ A

Debemos decir que podemos resolver la relación (4) para las incógnitas , y de
esta manera determinamos los valores propios de A. Resaltando que a esta
relación se le conoce como ecuación característica de la matriz A . Nosotros
podemos escribir esta ecuación mas detalladamente así:

a11   a12 a13 ... a1 j a1n  0

...
 a a 22   a 23 ... a2 j ... a 2 n  0
 21  
         0 
det   
 ai1 ai 2 ai 3 ... aij   ... ain  0
         0 
   
 a n1 an2 a n3 ... a nj ... a nn     

La función determinante se define como una suma de términos que son

productos de elementos de la matriz.

Página 79 de 92
 Métodos Numéricos Aplicados a la Ingeniería

2.1.12. POLINOMIO CARACTERÍSTICO DE A,

Podemos observar que la ecuación (4) tiene la forma de un polinomio de grado
n en la variable , a esto se le llama polinomio característico de A, de lo cual
podemos decir que una matriz de nxn tiene exactamente n valores propios,
siempre y cuando se cuenten con las multiplicidades que tienen como raíces
de la ecuación característica.
,
Si x es un autovector asociado con el autovalor en estas circunstancias
, es decir la matriz A transforma el vector x en un múltiplo escalar de
si mismo. Cuando , es un numero real mayor que uno, A tiene el efecto de
alargar x en un factor de y cuando , A disminuye a x en un factor
de , cuando , los efectos son similares pero en dirección contraria.

,
, , ,

Ax x
x x
x
Ax
Ax Ax

Ejemplo

Sea la matriz , calcular los autovalores de A

Los autovalores de A son ;

Un auto vector de A asociado con es una solución de

, así que , por lo tanto , esto

quiere decir que cualquier valor no nulo de x1, produce un autovector para el
autovalor , por ejemplo x1=1 tenemos el autovector

De manera análoga un auto vector de A asociado con es una solución

de , así que , por lo tanto

, esto quiere decir que cualquier valor no nulo de x1, produce un

Página 80 de 92
 Métodos Numéricos Aplicados a la Ingeniería

autovector para el autovalor , por ejemplo x1=1 tenemos el autovector

Ejemplo

Dada la matriz A determinar,

1. Su ecuación característica y sus raíces

Siendo sus raíces , esto lustra el hecho de que los

valores propios de una matriz real no son necesariamente números reales.

Debemos decir que la metodología anterior es la directa y es la mejor cuando
se trata de matrices pequeñas.

RADIO ESPECTRAL DE UNA MATRIZ

Radio espectral de una matriz A se define así:

en donde es un autovalor de A

Ejemplo: Consideremos la matriz sus autovalores son,

, entonces

El radio espectral se encuentra estrechamente vinculada con la norma de una

matriz.
Para la norma matricial

 ,

 , para cualquier norma subordinada.

2.2. TEOREMA DE SCHUR Y GERSHGORIN

Página 81 de 92
 Métodos Numéricos Aplicados a la Ingeniería

Diremos que dos matrices A y B son semejantes entre si cuando existe una
matriz no singular P tal que este concepto es importante como
consecuencia del teorema que establece que dos matrices que representan
una misma transformación lineal con respecto a dos bases distintas, son
semejantes entre si.

Teorema 1. Todas las matrices semejantes tienen los mismos valores propios

Pues supongamos que A y B son dos matrices semejantes esto e

Veremos que A y B tienen el mismo polinomio característico

Obsérvese:
 Que se a considerado que el determinante del producto de dos matrices
es el producto de sus determinantes, y el determinante de la inversa de
una matriz es el reciproco de su determinante.

 El teorema anterior sugiere una manera para determinar los valores

propios de A. es decir convertir la matriz A en una matriz B por medio
de una transformación de semejanza y calcule los valores
propios de B. s B es mas simple que A, el calculo de sus valores propios
es mas fácil. En el caso de que B sea triangular los valores propios de B
y de A son los elementos de la diagonal de B, es así como medito
SCHUR ., según el siempre será posible al menos teóricamente

 Una matriz U será untaría s UU* =I, en donde U*, es la conjugada

transpuesta de U es decir .

Teorema de Schur.

Toda matriz cuadrada es unitariamente semejante a una matriz triangular.

Corolario 1: toda matriz cuadrada es semejante una matriz triangular.

Corolario 2. Toda matriz Hermitiana es semejante unitariamente a una matriz

diagonal.

Teorema de Gershgorin

Página 82 de 92
 Métodos Numéricos Aplicados a la Ingeniería

Sea A una matriz nxn y denotemos por Ri, el círculo del plano complejo con
centro en aii y radio , es decir

En donde C denota el conjunto de los números complejos. Entonces los

autovalores de la matriz A están contenidos en , es más, si la unión
de estos k círculos no se cortan con los demás n-k círculos entonces dicha
unión contiene precisamente k autovalores contando las multiplicidades.

Ejemplo

Sea la matriz

Los círculos del teorema de Gershgorin son:

Como los R1 y R2 son disjuntos de R3, existen dos autovalores en y uno

con R3. Eje
Imaginario

1 2 3 4 5 6 7 8 9 10
11 Eje Real

2.2.2. INDEPENDENCIA LINEAL

Diremos que los vectores no nulos son linealmente
independientes si la único conjunto de números reales tal
que , es , en caso contrario se dirá
que los vectores son dependientes.

Ejemplo
Dados los vectores: , son linealmente
dependientes pues existen (1) y (2) tal que:

Si es un conjunto Linealmente independiente de n

Página 83 de 92
 Métodos Numéricos Aplicados a la Ingeniería

vectores en Rn, entonces para cada vector x en Rn, existe un único

conjunto de número reales , tal que
,
, en este caso se dice que es una base de Rn.

Ejemplo:

Sean los vectores .Si los

números son tales que

,
Entonces
, de esta manera
tenemos que,

, pues la única solución al

sistema es entonces el conjunto , es
3 3
Linealmente independiente en R , y por lo tanto es una base de R .

2.2.3. INDEPENDENCIA LINEAL DE AUTOVECTORES

Si A es una matriz y son autovalores distintos de A con

autovectores correspondientes , entonces
, es linealmente independiente.

Un conjunto de vectores es ortogonal si

, Si, demás
entonces el conjunto es ortogonal.

Como , es un conjunto ortogonal de vectores

, es ortogonal si, solo si, , para cada
i=1,2,...,n.

2.2.4. INDEPENDENCIA LINEAL DE VECTORES ORTOGONALES

Un conjunto ortogonal de vectores que no contenga el vector cero es
linealmente independiente.

Ejemplo: el conjunto de vectores,

, forman un
conjunto ortogonal, pues para estos vectores tenemos que:

, ,

Página 84 de 92
 Métodos Numéricos Aplicados a la Ingeniería

Este conjunto forman un conjunto ortogonal por heredar la

ortogonalidad de ,
y además

, , ,

Diremos que una matriz Q de dimensiones nxn es una matriz ortogonal

si , debemos aclarar que esta terminología provienen del
hecho de que las columnas de una matriz ortogonal forman un conjunto
ortogonal.

Ejemplo. Considerando el ejemplo anterior la matriz ortogonal será:

Observemos que: Q*Qt=I

* = ,

Además se tiene que,

2.2.5. AUTOVALORES Y AUTOVECTORES DE MATRICES

SEMEJANTES

Que dos matrices A y B de dimensiones nxn son semejantes si existe

una matriz P tal que A=P-1BP. Dos matrices semejantes tienen los
mismos autovectores.

Teorema de Schur.
Una matriz A de orden nxn cualquiera, entonces existe una matriz U
ortogonal tal que T=U-1AU, donde T es triangular superior cuyos
elementos diagonales son los autovalores de la matriz A.
Debemos manifestar que el teorema de Schur que la matriz triangular
existe,

Página 85 de 92