Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MTODOS
NUMRICOS
CONTENIDO
I. SOLUCIN DE SISTEMAS DE ECUACIONES ALGEBRAICAS LINEALES
1.1. Algunas Reflexiones sobre Mtodos numricos
1.2. Introduccin
1.3. Existencia y Unicidad
1.4. Mtodos directos de solucin: Gauss - Jordn, descomposicin LU,
Cholesky.
1.5. Mtodos Iterativos.
1.6. Convergencia
1.7. Mtodo del descenso ms rpido y del Mtodo de gradiente
conjugado
II.PROBLEMAS DE VALORES Y VECTORES CARACTERSTICOS
2.1. Aspectos bsicos.
2.2. Teorema de Schur y Gershgorin
2.3. Problemas propios de una matriz.
2.4. Factorizaciones Ortogonales y problemas de mnimos cuadrados
2.5. Mtodo de QR de Francis para problemas de valores propios
2.6. Mtodo mixtos evaluacin de la determinante Iteracin en un
subespacio
I. SOLUCIN
DE
SISTEMAS
DE
ECUACIONES
ALGEBRAICAS
Pgina 1 de 96
Forma grfica
.
x y 4
x y 2
Pgina 3 de 96
Minimo
Interpolacion
4. Aproximar curvas
Minimo
Regresion
ti+1
1.2.
INTRODUCCIN
la teora de matrices y
1.
x y 4
;
x y 2
2.
x yz 6
3x y 4
a11 x a12 y b1
; un sistema de 2
a 21 x a 22 y b2
Ejemplos:
1.
x y 4
x y 2
Forma grfica.
x y 4
x y 2
Pgina 6 de 96
2. Sea
x y 4
;
4 x 4 y 16
Infinitas
soluciones
x y 4
4 x 4 y 16
x y 4
Forma grfica.
4 x 4 y 20
x y 4
Pgina 7 de 96
SISTEMA
DE
ECUACIONES
LINEALES
CON
INCOGNITAS
Debemos resaltar que muchos problemas prcticos y reales se reducen a
un sistema de ecuaciones de este tipo, para ver esto se puede recurrir a
cualquier documento de investigacin de operaciones. Por decir: Problema
de Dietas, Problemas de mano de obra, Problema de inversin, problema
de fabricar productos, problema de transporte, etc.
En general este sistema ser representado por:
a11 x1
a12 x 2
a13 x3
a1 j x j
a1n x n
b1
a 21 x1
a 22 x 2
a 23 x3
a2 j x j
a 2n xn
b2
ai1 x1
ai 2 x 2
ai 3 x3
aij x j
ain xn
bi
a m1 x1
a m 2 x2
a m3 x3
a mj x j
a mn x n
bm
Donde:
a ij IR mn ; bi IR m
i 1,2,..., m j 1,2,..., n ;
escribir:
m
aij x j bi
i 1 j 1
aij x j bi ; i 1,2,..., m
j 1
a11
a
21
a12
a 22
ai1 ai 2
am1 am 2
a13
a23
... a1 j
... a2 j
ai3 ... aij
a m3 ... amj
... a1n
... a2n
... ain
... amn
x1
x
2
b1
b
2
xi bi
x m bm
( 2)
Pgina 8 de 96
(1)
A aij
x x1 j
IR1 n ;
1 n
b bi1 m1 IR m1
es
llamado
vector
independiente,
bienes
requerimientos.
que cumplan
los requerimientos.
Si bi 0 para todo i 1,2,..., m , el sistema (1) ( 2)
se llama
Aa A b
a11
a
21
ai1
a m1
a12
a 22
a13
a23
ai 2
am 2
ai 3
a m3
... a1 j
... a2 j
... aij
... amj
...
...
...
...
a1n b1
a2n b2
aij bi
ain bi
a mn bm
Pgina 9 de 96
Si r(A) r(Aa)
Inconsistente no
hay solucin
Si r(A) = r(Aa) = k,
Consistente existe
solucin
Si K = n la
solucin es nica
Si k< n;
infinitas
soluciones
Ejemplificacin:
1.
4 x 8 y 12
a)
Dado el sistema: 5 x 10 y 20
4 8
1
5 10
0
4
5
r ( A) 1
8 12
1
0
10 20
2 3
0 5
r ( Aa) 2
infinito de soluciones.
3 x 5 y 14
3
2
Aa
5
1
1
0
5/3
r ( A) 2
13 / 3
5 14
1
0
1 5
5 / 3 14 / 3
1
0
13 / 3 13 / 3
5 / 3 14 / 3
1
1
r ( Aa ) 2
3x1
6
4 x2
8
5 x3 20
3 0 0 x1 6
0 4 0 x2 8
0 0 5 x 20
Solucin:
6
x1 2
5
8
x2
x2 2
4
20
x3
x3 4
5
x1
C.S {2,2,4}
Observaciones:
1. La matriz de coeficientes es una matriz diagonal.
2. El conjunto solucin es obtenido dividiendo cada elemento del vector
independiente (insumos, condiciones) por cada respectivo elemento de la
matriz diagonal.
3. Una matriz diagonal en general se representa de la siguiente forma:
Pgina 11 de 96
a11 0
0 a 22
aij si i j
0
A aij
; es decir A 0
n n 0 si i j
0
0
0
0
...
...
a33 ...
0
0
0
a nn
0 a22 0 ... 0
0
0 a33 ... 0
0
0
0 0 ann
x1 b1
x 2 b2
x b
3 3
x b
n n
bi
; i 1,.2,..., n son las soluciones del
En general comprobamos que xi
aii
sistema.
Seudocdigo
Seudocdigo
Pgina 12 de 96
2 x1
x1 x2
3 x1 2 x2
4
4 x3 15
2 0 0 x1 6
1 1 0 x2 4
3 2 4 x 15
Solucin:
x1
6
2
x1 3
x2 4
6
2
x2 1
C.S {3,1,2}
6
6
x3 15 3 2 4
8
2
x3 2
Observacin:
1. La matriz de coeficientes es una matriz triangular inferior.
2. El sistema se puede escribir de la siguiente manera
a11
a21
a
31
ai1
0
0 ... 0
a22 0 ... 0
a32 a33 ... 0
ai 2 aii
x1 b1
x2 b2
x b
3 3
xi bi
x b
n n
siguiente manera.
Primero: suponiendo que aii 0 para todo i
Segundo: el valor de x1 se obtiene a partir de la primera ecuacin del
b1
sistema; es decir: x1
a11
b1
x2
a11
a22 x2 b2 a21
b1
a11
x2 b2 a 21 x1 / a22
b2 a21
a22
Pgina 13 de 96
i 1
xi bi aij x j / aii
j 1
Seudocdigo
Seudocdigo
5 x1 2 x2
0
2 x2
3 x3
4 x3
24
3 x3
5 2 3
0 2 4
0 0 3
x1 5
x2 24
x 6
3
Solucin:
6
x3 2
3
x 2 24 4(2) / 2 x 2 8
x3
x1 5 2 x 2 3 x3 / 5 x1 27 / 5
Observacin:
Pgina 14 de 96
0 a 22 a23 ... a 2i ..
0
0 a33 .... a3i ..
3.
aii
a1n x1 b1
a2n x2 b2
a3n x3 b3
ain xi bi
a nn xn bn
siguiente manera.
Primero: iniciamos determinando el valor de la ltima variable en este caso
b
x n a partir de la ltima fila. xn nn
ann
Segundo:
para
determinar
el
subsiguiente
valor
se
realiza
as:
xn 1 bn 1 an 1n xn / an 1n 1
Tercero: Los valores
anloga:
n
j i 1
Seudocdigo
Seudocdigo
Pgina 15 de 96
economa
precaria
dedicada
las
actividades
urbanas
a 21
y restndolo del primer trmino de la
a11
a31
y se resta del
a11
Pgina 16 de 96
a11 x1
ai1
, quedando el sistema as:
a11
a12 x2
a13 x3
a1i xi
'
'
'
a i 2 x2 a i 3 x3 a ii xi
'
'
'
a m 2 x2 a m3 x3 a mi xi
a1n xn
b1
a ' 2n x n b ' 2
'
a in xn b 'i
'
a mn xn b ' m
En donde:
a
a 'ij aij i1 a1 j
a11
2. Eliminamos del segundo trmino de las ecuaciones del sistema (1)
donde la tercera ecuacin hasta la ltima i 2 se realiza anlogamente
que
a 'i 2
a ' 22
a11 x1
a12 x2
'
a13 x3
'
a 22 x2 a 23 x3
a1i xi
'
a 2i xi
a i 1ii xi
a1n xn
'
b1
a 2n xn
b'2
a i 1in xn b i 1i
a n 1mn xn b n 1m
Observacin:
1.
Pgina 17 de 96
(3)
a11 a12
a 21 a 22
a
a
31 32
ai1 ai 2
a
n1 a n 2
a1n b1
a 2n b2
a3n b3
aii
ain bi
a n3
a nn bn
Seudocdigo
Seudocdigo
Ejemplos:
1. Resolver el siguiente sistema usando eliminacin Gaussiana.
2 x1 x 2 3 x3 1
x1 3 x 2 2 x3 12
3 x1 x 2 3 x3 0
1
3
3
1
2
3
12
0
0
0
3 1
1 / 2 23 / 2
3 / 2 3 / 2
1
7/2
1/ 2
0
0
1
7/2
0
3 1
1 / 2 23 / 2
11 / 7 22 / 7
2 2
x2
7
2
22
x3 7 2 x3 2 ,
11
7
x2 3
x1 1 (2)(3) 3 / 2 x1 1
Ahora comprobaremos los resultados usando MATLAB para hacer las
operaciones elementales por fila.
>> A=[2 1 -3;-1 3 2;3 1 -3]
A=
-3
-1
-3
>> b=[-1 12 0] b =
-1
12
-3
-1
-1
12
-3
-3
-1
7/2
1/2
23/2
-3
>> A(3,:)=A(3,:)-3*A(1,:)/2
A=
2
-3
-1
7/2
1/2
23/2
-1/2
3/2
3/2
>> A(3,:)=A(3,:)+A(2,:)/7
A=
7/2
-3
-1
1/2
23/2
11/7
22/7
1
5
3
2
2
4
1
13
0
0
2
7/3
16 / 3
3 2
1 5 / 3
9 49 / 3
0
0
2
7/3
0
1 5 / 3
47 / 7 141 / 7
Pgina 20 de 96
1 3
3
x2
7
3
x2 2
x1 2 ( 2)2 3(3) / 3 x1 1
Ahora comprobaremos los resultados usando MATLAB.
A=[3 2 -3;1 3 -2;5 -2 4] % ingresamos la matriz de coeficientes
A=
-3
-2
-2
-2
13
1
2
3
2 x1
4 x1 5 x 2 x3
2 x2
x1
3 x3 3
2
4
1
3
5
2
4
1
3
7
3
0
0
3
11
7/2
7
25
1 3 / 2
0
0
3
11
0
7
25
71 / 22 142 / 22
25 7(2)
x2
11
x2 1
x1 9 (3)1 4(2) / 2 x1 1
Ahora usamos MATLAB para comprobar los resultados con el programa
de gauss.
A=[2 3 4;-4 5 -1;1 -2 3]
A=
-4
-1
-2
b=[9 7 3]
b=
x=inv(A)*b'
x = -1.0000
1.0000
2.0000
1.4.5. MTODOS DE FACTORIZACIN
DESCOMPOSICIN LU APLICACIONES
Anteriormente ya se ha escrito que un sistema de n ecuaciones con n
incgnitas se puede escribir de la siguiente manera
a11
a
21
a i1
a n1
a12
a 22
a13
a 23
... a1 j
... a 2 j
ai 2
an2
ai 3
a n3
... aij
... a nj
... a1n
... a 2 n
... ain
... a nn
x1
b1
x
b
2
2
xi
bi
x n
bn
O simplemente: Ax b
Pgina 22 de 96
l11
l 21
l
31
Es decir: L
li1
l
n1
0
l 22
l32
li 2
ln 2
... 0
... 0
l33 ... 0
lij
lii
l n3 l nn
0
0
0 u 22 u 23 ... u 2 j ..
0
0 u33 .... u3 j ..
0
0
uij
0
0
0
nxn
lij lij , i j
lij 0 , i j
tal que
u1n
u 2n
u 3n
uij
uin
u nn
ij
a11 a12
a
21 a22
a31 a32
a41 a42
a13 a14
a23 a24
a33 a34
a43 a44
0
1
l21
l31 l32
0
0
1
0
0
.
0
1
0
0
0 u44
min(i , j )
s 1
s 1
lis .u sj lis . u sj
Es decir:
a24
a 44
lis u sj
s 1
4
lis u sj
s 1
a 44 l 41u14 l 42 u 24 l 43u 34 u 44
Observacin:
a)
b)
u sj 0 Para s j
c)
d)
Pgina 24 de 96
l21
e)
a
a21
a
; l31 31 ; l 41 41
u11
u11
u11
Determinamos: u 22 ; u 23 ; u 24
u 22 a 22 l21u12 ; u 23 a 23 l21u13 ; u 24 a 24 l21u14
Input
Inputn,(a
n,(aij)ij)
For
Forkk==1,2,,
1,2,,
for
forj j==k+1,k+2,n
k+1,k+2,n
end
end
for
fori=i=k+1,k+2,n
k+1,k+2,n
end
end
end
end
Output
Output(l(lij),),(u(uij) )
ij
ij
L31
a 31
a11
L32
a 31
a12
a
11
a 32
a 21
a12
a11
a 22
a 31
a12
a 21
a11
a13
a 23
a
a11
a 22 21 a12
a11
a 32
a 31
a13
a 21
33 a 33
Seudocdigo
Seudocdigo
Input
Inputn,(a
n,(aij)ij)
For
Fork=1,2,,
k=1,2,,
for
forj j=k+1,k+2,n
=k+1,k+2,n
end
end
for
i=
for i=k+1,k+2,n
k+1,k+2,n
end
end
end
end
output
)
ij )
output(l(lij),),(u(u
ij
ij
Ejemplo:
Pgina 26 de 96
4 9 2 x1 5
2 4 6 x2 3
1 1 3 x 4
3
Solucin
Este sistema se descompone as:
L11 L 22 L33 1
u11 4 ; u12 9 ; u13 2
L21
L31
2
1
L21
4
2
1
; L32
4
1
9
5
(9) 1
4
4 4 2.5
9
1
2
4 (9) 4
2
2
4
1
u 21 0
9 1
1
2
(9) 4 u 22
2 2
2
4
u 22 4
4
2
2 6 5
4
4
u 23 6
u 23 5
1
(9)
4
2
4 (9)
4
(2)
4
u 33 3
1
2
2 3 2.5 5 10 u 33 10
2
4
Luego:
0 .5
0.25
2.5
0
0
9
0.5
0
10
Pgina 27 de 96
I.e.
0 C1
5
1 0 C2 3
0.5
0.25 2.5 1 C
4
4 9 2 x1 5
0 0.5 5 x2 0.5
0 0 10 x 1.5
3
x3
1.5
x3 = -0.15
10
x2
0.5 5 (0.15)
2.5 x2 = 2.5
0.5
x1
(5 9 (2.5) 2 (0.15))
x1 = 6.95
4
Generalizacin
Pgina 28 de 96
u ij a ij Lik u kj ; j i, i 1,.....n
k 1
Lij
1
u jj
j 1
a ij Lik u kj , i j 1,....n
k 1
Lii 1, i 1,2,...n
a11 0 ,
a11
a12
a 21
a 22
a11
, a 21
a12
a 22
a13
a 21 0 , ..... ,
a 31
a 32
a 33
a11
a12
a1 j
a1n
a 21
a 21
a2 j
a 2n
a i1
ai 2
a ij
a in
an2
a nj
a nn
a n1
L21
L
31
L
i1
Ln1
0
L22
0
0
0
0
L32
L33
0
0
Li 2
Li 3
Lii
Ln 2
Ln3
L ni
L nn
Observacin:
Los clculos se reducen pues estimaremos n (n+1)/2 elementos, los L ij 0
en lugar de de n2 elementos de una factorizacin nominal:
Ejemplo: Resolver el sistema siguiente
Pgina 29 de 96
4 1 2 x1 1
1 2 0 x 2
2
2 0 5 x3 4
La matriz de coeficiente es simtrica y positiva, luego aplicamos Cholesky.
Supongamos su descomposicin sea:
L11
L
21
L31
0
L 22
L32
0
0
L33
L11
0
L21
L22
0
L31
4 1 2
L32 1 2 0
2 0 5
L33
2
L11
a11 4 L11 2 se toma el valor positivo de todas las raices
1
2
1
L11 L 21 0 L 21
L11 L31 2 L31
L221 L222 2 L 22
2 0.25 1.32287
1
1.32287 0.37796
2
5 1 0.14286 L33 1.963396
i)
2
0
c1
1.32287
0 c 2
0 0.37796 1.96396 c 3
0
1
2
4
c
c1 1 / 2 , 1 1.32289 c 2 2 c 2
2
c 2 1.32287
1
2
4
1.32289
c 2 1.32287
c 3 2.0367
Pgina 30 de 96
ii)
12
1
2
x1 1 2
2.0367
x3
x 3 1.037
1.96396
0.59259
x1
0.5959
2
Generalizacin para un sistema de n ecuaciones
L11 a11
a i1
, i 2,3,...., n
L11
Li1
i 1
Lii a11 l
;
k 1
i 1
1
Lij
a ij l ik l jk
L11
k 1
Lij 0
2
in
i2
i j 1, j 2,...., n 1
j 2,3,....., n
i j
Usando:
x ( R 1) Bx ( R ) C , R 0,1,2,.....
Pgina 32 de 96
x ( R ) x1R , x 2R ,......, x nR
Observacin:
Para que la sucesin de soluciones converja a x vector solucin
m
es necesario que x j , 1 j n se aproxime al vector x j , 1 j n ie
m
decir x j x j , 1 j n sean menores que un valor pequeo fijado
algoritmo y su convergencia.
Sea dada el sistema
a11 a12 a13
a 21 a 22 a 23
a
31 a 32 a 33
1
2
3
x1 b1
x 2 b2
x b
3 3
De 1 tenemos que:
x2
a
b1 a12
x 2 13 x 3
a11 a11
a11
a
b2 a 21
x1 23 x 3
a 22 a 22
a 22
b
a
a
x 3 3 31 x1 32 x 2
a 33 a 33
a 33
x1
a 21
x2
x a 22
3 a 31
a
33
a12
a11
0
a 32
a 33
Bx
a13
a11
a
23
a 22
x1
x2
x
3
. . . . . . . . . . . . . (5)
b1
a
11
b
2
a 22 . . . . . . . . . . . . . . . . (6)
b3
a
33
Pgina 33 de 96
b)
x1 R
Si x
(R)
x R 1
x1 R 1
R 1
x2
R 1
x3
(b2 a 21 x1R a 23 x 3R )
a 22
1 (b a x R a x R )
3
31 1
32 2
a
33
n
1
R
bi a i j x j , i 1,2,....., n
a ii
j 1
j i
Pgina 34 de 96
x1R 1
x 2R 1
x 3R 1
x R 1
1
(b 2 a 21 x1R 1 a 23 x 3R )
a 22
1
(b3 a 31 x1R 1 a 32 x 2R 1 )
a 33
x iR 1
a ii
bi
i j
xR
j i 1
iI
i 1
a
j 1
ji
i j
, 1 i n
x R 1
Ejemplo:
4 x1
x2
0 x3
0x4
x1
0 x1
4x2
x2
x3
4 x3
0x4
x4
1
1
0 x1
0x2
x3
4x4
Solucin:
x2 1
4 4
0 x1 1 / 4
x1 0 1 / 4 0
1 x x
x2 1 3 x 1 / 4 0 1 / 4 0 x 1 / 4
2
4 4 4 2
1 x x
x
0 1 / 4 0 1 / 4 x3
1 / 4
x3 2 4 3
4 4 4 x 4 0
0 1 / 4 0 x 4 1 / 4
1 x
x4 3
4 4
x
B
x C
x1
Valor Inicial
Cuando no tenemos una aproximacin inicial del vector solucin, se usa
como vector inicial el vector cero, ie
x 0 0,0,0,0
Mtodo de Jacobi
Para determinar x(1) reemplazamos x(0) en el sistema dado ie
x2 1
1
x1
4
4 4
1
0 0 1
1
x2 x2
1 1 1 1
4
4 4 4
x (1) , , ,
1
1 0 0
4 4 4 4
x31 x3
4
4 4 4
1
1 0
x14
x4
4
4 4
x11
Pgina 35 de 96
1
1
1 x 22 0
x13
4
4
1
1
1 1
x 22 1 4 1 x 23
4
4
4 4
1
1 1
1
x 32 1 1
x 33
4
4 4
4
1
1
1
x 42 1
x 43
4
4
4
x12
R
0
1
2
3
4
5
6
7
8
9
10
x1R
0.0000
0.2500
0.3125
0.3438
0.3555
0.3604
0.3223
0.3631
0.3634
0.3635
0.3636
1
1
4
6
4
6
4
5
x 2R
0.0000
0.2500
0.3750
0.4219
0.4414
0.4492
0.4524
0.4537
0.4542
0.4544
0.4545
5
16
6
5 5 5 5
16
x ( 2)
, , ,
6
16 16 16 16
16
5
16
x 3R
0.0000
0.2500
0.3750
x 4R
0.0000
0.2500
0.3125
0.4545
0.3636
x R 1
1
R
R
R
x1R 1 a b1 a12 x a13 x 3 a14 x 4
R 1 11
x2 1
R 1
b2 a 21 x1R 1 a 23 x 312 x 4R
x 3 a 22
x R 1 1
R 1
R 1
4
b3 a 31 x1 a 32 x 3
a 33
(1)
R 1
R 1
R 1
Determinacin del x a b4 a 41 x1 a 42 x 2 a 43 x 3
44
Pgina 36 de 96
1
(1 (0) 0)
x11
4
1
x 12 (1 1(1 / 4) 1(0))
x 12
4
1
1
x 3 (1 1(1 / 4) 1(5 / 16)) x 31
4
1
1
x 4 (1 0 0 25 / 14) x 14
4
x11
1
4
5
1 5 25 89
16
x1 , , ,
25
4 12 64 256
64
89
256
Observacin:
1.
Nmero de ecuaciones N
La matriz de coeficientes A
El vector de trminos independientes b
El vector inicial x
El nmero de iteracin MATIZ
Hace K = 1
Paso3:
Paso4:
Paso5:
Hacer I = 1
Paso6:
Paso7:
Hacer suma = 0
Pgina 37 de 96
Hacer J = 1
Paso9:
Paso10: Si J = I ir al paso 12
Paso11: Hacer suma = suma + A(IJ) * x(J)
Paso12: Hacer J = J + 1
Paso13: Si M = 0 hacer
x(J) = -(b(J) - suma)/A(JJ)
de otro modo hacer
x(I) = (b(J) suma)/A(JJ)
Paso14: Hacer I = J + 1
Paso15: Si |x x| Eps. Ir al paso 19
de otro modo hacer
Paso16: Si M = 0, hacer x = x
Paso17: Hacer K = K + 1
Paso18: Imprimir mensaje No se alcanz la convergencia, el vector
x, MAXIT
Paso19: Imprimir el mensaje Vector Solucin, x, K y el mensaje
iteraciones terminada
Ejemplo:
Resolver el siguiente sistema con el mtodo de Gauss Seidel con E =
10-2 aplicando a |xK+1 xK|
x1 3x2 5 x3 2 x4 10
x1 9 x2 8 x3 4 x4 15
x4 2
x2
2 x1 x2 x3 x4 3
Resolviendo: x1 de (1) x2 de (2) x3 de (4) y x4 de (3)
x1 3 x 2 5 x 3 2 x 4 10
x1 8 x 3 4 x 4 15
9
9
9
9
x 3 2 x1 2 x 2 x 3 x 4 3
x2
x4
x2
Pgina 38 de 96
x1K
x 2K
x 3K
x 4K
| x K 1 x K |
0
0
0
0
0
10.0000 2.7778 14.222 0.7778
17.62
67.9889 18.172 121.2
20.17
159.0
631.1
170.2
1108 .0 168.71
1439.05
2
2
2 2
8x
x
4x
15
x2 1 3 4
9
9
9
9
x1 3 x 2 2 x 4 10
x3
5
5
5
5
x4
x2
2
x1
x1K x1
x 2K x 2
x nK x n
Rpta 2
K 1
K
K 1
K
K 1
K
1. Los valores absolutos | x1 x1 |, | x 2 x 2 |, ...... , | x n x n |
Pgina 39 de 96
| a
j 1
j j
ij
1 i n
y
| a ii |
a
i 1
i j
ij
1 j n
1.6. CONVERGENCIA
1.6.1. LONGITUD DE UN VECTOR
Supongamos x un vector en R 2, su longitud denotado por |x| es definido
como un nmero positivo o cero.
,
En trminos de producto punto
,
Ejemplo: sea
determinar su norma
Solucin
;
Debemos tener en consideracin que el campo de los nmeros reales R
tiene el defecto de que un polinomio de grado n con coeficientes reales
no necesariamente tiene n ceros reales
Por ejemplo
, que
Pgina 40 de 96
;,
,
Observe que:
1.
2.
,
El campo de los complejos ya no tiene la anomala de los reales,
tiene al
grado n
se puede descomponer
como un producto
de n factores
lineales.
1.6.2. ESPACIO VECTORIAL Cn
El espacio vectorial
en donde los
complejo x es multiplicado por
, Si al vector
Pgina 41 de 96
2.
3.
4.
,
,
3.
en particular, si x es una
, es una matriz de
,
En general podemos definir norma de un vector x
Pgina 42 de 96
Propiedades
1.
2.
3.
, (x
La norma de
),
es
donde
es el mximo valor
La norma
Euclidiana infinito:
,
,
, la
, entre x e y se definen :
,
Ejemplo: Dado el sistema:
3.3330x1+ 1.5920x2 10.333x3 =15.913
2.2220x1+ 16.710x2 +9.6120x3 =28.544
1.5611x1+ 5.1791x2 +1.6852x3 =8.4254
a x son:
Pgina 44 de 96
converge a x con
si dado cualquier
existe un entero
tal
que:
,
Ejemplo. Dada
la sucesin definida:
Tenemos que,
,
Pgina 45 de 96
tal
manera
que
para
todos
los
nmeros
converge a
lo que nos
con respecto
, converge a x
con respecto a
alguna norma.
3. La sucesin de vectores
las normas.
4. El
alguna norma.
1.6.5. NORMAS MATRICIALES
Una norma matricial en el espacio de matricial nxn es una funcin de
variable real
1.
2.
3.
4.
5.
,
.
Pgina 46 de 96
Es la norma
3
A
x
1
x
-1
-1
x1
-2
-1
1
-1
x1
-3
Pgina 47 de 96
Norma
de una matriz
2
AX
1
x
1
-2
x
-1
-1
x1
-1
1
x1
-2
-1
Determinar
Solucin
,
1.6.7.
COMPARACIN
DE
LOS
MTODOS
DIRECTOS
Pgina 48 de 96
3. Puede
aprovecharse
un
aproximacin a la solucin s tal
aproximacin existe.
4. Se
obtienen
fcilmente
aproximaciones burdas de la
solucin
5. Son menos sensible
a los
errores de redondeo (valioso en
sistemas mal condicionadas)
6. Se requiere menos memora de
maquina.
Generalmente,
las
necesidades
de memoria son
proporcionales al orden de la
matriz.
Desventajas
1. Si se tienen varios sistemas que
comparten la matriz de coeficientes,
esto no representara ahorro de calculo
ni tiempo de maquina, ya que por cada
vector a la derecha de A tendr que
aplicarse el mtodo de seleccin.
2. A un cuando la convergencia se
encuentre asegurada, puede ser lenta
y, por lo tanto, los clculos requeridos
para obtener una solucin particular
no son predecibles.
3.El tiempo de maquina y la exactitud
del resultado dependen del criterio de
convergencia.
4. Si la convergencia es lenta , los
resultados deben de interpretarse con
cautela.
5. No se tiene ventaja particular
alguna (tiempo de maquina por
iteracin) s la matriz de coeficientes
es simtrica.
6.No se obtiene la inversa ni det(A)
Ver [2] Kincaid, D y Cheney, W. (1994) Anlisis Numrico. Las matemticas del calculo
cientfico Addison Wesley Iberoamericacna, wilmngton Delaware.pag. 209
Pgina 49 de 96
Propiedades
1.
2.
3.
4.
Veamos por que esta afirmacin es cierta; primero veamos como se comporta q(x)
a lo largo de un rayo unidimensional. Para lo cual consideremos x+tv en donde x
y v son vectores y t un escalar grficamente tenemos
tv
x
x+ tv
Pgina 50 de 96
.............................................................
....(*)
Como A es simtrica es decir AT =A, entonces en la ecuacin (*) el coeficiente de
t2, es positivo, de esta manera la funcin cuadrtica sobre el rayo unidimensional
tiene un mnimo y no un mximo.
Calculando la derivada de la ecuacin (*) con respecto a t.
en consecuencia
.
.
.
.......................................................................................
......(**)
Pgina 51 de 96
Por lo tanto s
existe ningn rayo unidimensional que salga de x sobre el cual q(x) tome un
valor menor a q(x), en consecuencia una x con las caractersticas es un mnimo
para q(x).
Debemos manifestar que la reflexin anterior sugiere la existencia de los mtodos
iterativos para resolver Ax=b, luego entonces procedemos de manera natural por
minimizar q(x)
En donde
Debemos decir que una diversidad de mtodos iterativos tienen la forma general:
, entonces
tk, mide la distancia que nos movemos de x K, para hasta la obtencin de xk+1, ver
la siguiente figura.
Pgina 52 de 96
Es decir tenemos:
input x(0), A, b, M
output 0, x(0)
for k=0,1,2,, M-1 do
,
.
output k+1, x(k+1)
end
Debemos destacar al programar este algoritmo no es necesario conservar los vectores de
la sucesin
de
Pgina 53 de 96
,
.
output k, x)
end
forman un
Pgina 54 de 96
Gauss-Seidel no converge.
Pgina 55 de 96
Notacin vectorial
En donde:
D: diagonal principal cuyos elementos coinciden con A
-L: Es la parte triangular estricta de A
-U: es la parte triangular estrictamente superior de A.
y
Ejemplo
;
;
;
La solucin del sistema dado es (3,4,-5) t , usaremos w=1.25 para el mtodo
de SOR con un valor inicial de (1,1,1)t, para k=1
Tenemos
,
;
Pgina 56 de 96
0
1
1
6.312500
2
2.622314
3
3.133027
4
2.957051
5
3.003721
6
2.996327
7
3.0000
3.519531
5
3.958526
4.010264
2
4.007483
1
4.002925
6
4.000926
4
4.0002
3
-
6
-
6
-
8
-
0
-
2
-
6
-5.0004
6.650146
4.600423
5.096686
4.973489
5.005713
4.998282
1. x1 2 x2 3 x3 5
5 x1 4 x 2 x3 13
2.
x1 x 2 x3 6
2 x1 x 2 3 x3 4
3x1 2 x 2 x3 1
3.
2 x1 3 x 2 x3 8
x1 x 2 x3 7
3 x1 2 x 2
Rpta: x1 1 / 14 , x 2 30 / 7 , x3 9 / 2
Rpta: x1 4 , x 2 3 , x3 5
Rpta: x1 1 , x 2 4 , x3 2
x3 9
x1
4.
x 2 x3 15
3 x1 2 x 2 2 x3 4
2 x1 3x 2 x3 19
Rpta: inconsistente
x1
2 x1
x2
x2
x3
3 x3
x4
2 x4
10
1
5. 3x1
x2
2 x2
2 x3
3 x3
x4
3x4
11
11
4 x1
Rpta: x1 1 , x 2 2 , x3 3 , x 4 4
Pgina 57 de 96
6.
x1
x2
x3
x4
x5
2 x1
x2
2 x3
2 x4
x5
3 x1
x1
2 x2
3x2
3 x3
2 x3
3x4
x4
2 x5
4 x5
2
0
2 x1
2 x2
3 x3
x4
2 x5
Rpta:
x1 , x 2 , x3 , x 4 , x5
x1
2 x2
3 x3
x4
x5
x1
3x2
x3
3x4
2 x5
7. 2 x1
3 x1
2 x2
4 x2
2 x3
3 x3
2 x4
2 x4
3 x5
4 x5
13 Rpta:
21
4 x1
3x2
4 x3
3x4
5 x5
10
x1 1 , x2 1 , x3 2 , x4 2
, x5 3
2 x1
x2
x3
x4
x5
x1
3x2
2 x3
2 x4
x5
8. 3 x1
4 x1
2 x2
2 x2
3 x3
4 x3
4 x4
4 x4
2 x5
3 x5
x1 , x 2 , x3 , x 4
5 Rpta:
, x5
1
5 x1
8x2
5 x3
x4
x5
16
x1
x2
x3
x4
x5
2 x1
x2
3 x3
x4
x5
3 x1
2 x1
3x2
6 x2
3 x3
2 x3
2 x4
4 x4
6 x5
8 x5
x1
x2
x3
x4
2 x5
9.
17 Rpta:
14
6
x1 0 , x 2 0 , x3 1 , x 4 1
, x5 2
4 x1
2 x2
3 x3
x1
x2
x3
3 x1
x2
4 x2
2 x1
2 x2
10.
x5
x4
x5
4 x3
3 x3
2 x4
2 x4
6 x5
8 Rpta:
12
3 x3
2 x4
x1 , x 2 , x3 , x 4
, x5
Pgina 58 de 96
11.
x1
3x2
x3
5 x4
2 x1
x1
3 x2
x2
4 x3
x3
x4
x4
6
5
x1
2 x2
2 x3
x4
Rpta:
x1 1 , x 2 1 , x3 2 , x 4 3
12.
2 x1
x1
x2
x2
5 x3
x3
2 x4
x4
7
3
3 x1
x1
2 x2
x2
x3
x3
x4
2 x4
6 Rpta:
7
x1 0 , x 2 1 , x3 2 , x 4 2
13.
x1
x2
x3
x4
x1
4 x1
x1
x2
5 x2
3x2
2 x3
x3
x3
2 x4
x4
x4
2
8
3
Rpta:
x1 1 , x 2 1 , x3 1 , x 4 0
14.
2 x1
x1
x1
3 x1
x2
x2
x2
x2
x3
3 x3
x3
x3
x4
4 x4
2 x4
4 x4
0
19
1
3
Rpta:
x1 2 , x 2 1 , x3 6 , x 4 1
15.
necesitan 15 minutos para lijar una silla, 10 para pintarla, y 20 para barnizarla. Se
necesitan 12 minutos para lijar una mesa para caf, se necesitan 25 minutos para
lijar una mesa de comedor, 20 para pintar y 30 para barnizar. La mesa de lijado esta
disponible 40 horas a la semana la mesa de pintura 22 horas a la semana y la
mesa de barnizado 50 horas Cuntas unidades de cada mueble deben fabricarse
por semana de modo que las mesas de trabajo se ocupen el tiempo disponible ?
16.
Pgina 59 de 96
Tiempo disponible.
Maq.-hora/mes
80
40
60
90
Tipo de Maquina
M1
M2
M3
M4
Tiempo disponible
Tipo de mano de obra hombres-hora/mes
MO1
100
MO2
140
MO3
160
MO4
180
Tipo
de
mq.
M1
M2
M3
M4
I
2
1
4
3
II
3
3
4
4
III
4
0
5
5
IV
1
2
0
6
V
6
3
2
7
VI
1
0
0
8
Tipo
de
mano
de
Ob.
MO1
MO2
MO3
MO4
I
1
2
3
4
II
3
2
1
4
III
6
1
2
6
IV
V
0
4
3
0
VI
7
5
2
3
El cuadro ltimo quiere decir, que para producir una unidad del producto cuatro se utilizan
1 hora de la mquina M1, 2 horas de M2, 0 horas de M3, y 6 horas de M4. Para producir el
mismo producto se requieren, 0 hombres - hora de mano de obra tipo1, 4 hombres - hora
de MO2, 3 hombres - hora del tipo MO3, y cero hombres - hora de MO4.
El departamento de comercializacin proporciona la siguiente informacin,
Tipo de productos
I
II
III
IV
V
VI
Cmo gerente de produccin cul sera su plan para maximizar su lucro total?
17.-Supongamos que una empresa tiene tres plantas de ensamblaje de carros en Trujillo,
Chimbote, y Lima. Si la planta de Trujillo tiene una capacidad de produccin
de 300
unidades y las otras tiene una capacidad de produccin de 400 unidades cada una.
Los carros son vendidos a cuatro tiendas que se encuentra ubicadas en Arequipa, Cuzco,
Piura, y
San Martn, los pedidos que stas tienen son: 300, 200, 250, y 150 carros
respectivamente.
Sabemos que el costo de transporte de cada unidad producida es:
Pgina 60 de 96
8
6
0
5
Planta
Trujillo
Chimbote
Lima
Piura
50
60
100
San Martn
60
70
90
Arequipa
70
70
80
Cusco
80
100
90
por
accin
Devolucin
esperada
Categora
de
1
50
2
70
3
100
4
20
5
40
6
30
40
30
20
25
15
10
Alto
Alto
Alto
Medio
Medio
Bajo
riesgo
Pero el gerente sabe que una forma de controlar el riesgo es limitando el dinero invertido
en los diferentes fondos, consecuentemente:
*La cantidad total invertida en los fondos de alto riesgo debe de estar entre los 60 y 80 %
del capital.
La cantidad invertida en los fondos de mediano riesgo debe ser de 30 y 40 % del
capital.
La cantidad invertida en el fondo de bajo riesgo debe ser al menos 10% del capital.
Otra forma de controlar el riesgo es diversificando la inversin, esto es:
La cantidad invertida en los fondos de alto riesgo uno, dos y tres deben estar en la
razn de 1:2:3 respectivamente.
* La cantidad invertida en los fondos 4 y 5 deben estar en la razn de, 1:2,
Se desea estructurar un modelo para maximizar
DESCOMPOSICIN LU
I. Encuentre la descomposicin LU de Doolittle, Crout de cada matriz:
Pgina 61 de 96
1.
5.
60
30
20
30
20
15
20
15
12
10
12
26
12
6.
22
12
3
6
8
13
4
4
3
2
17
17
17
20
2.
7.
4
10
;
3
18
10.
0;
3.
8.
4
8
2
9
16
3
2
6
2
1
5
1
4.
2;
11
1
0
3
0
1
0
3
1
1
1
;
1
2
9.
4 x1 9 x 2 2 x 3 5
1. 2 x1 5 x 2 3 x3 20
2. 2 x1 4 x 2 6 x 3 3
x1 x 2 6 x 3 26
3.
x1 x 2 36 x 3 4
6 x1 2 x 2 2 x 3 4 x 4 12
12 x1 8 x 2 6 x 3 10 x 4 34
3x1 3 x 2 9 x3 3x 4 27
6 x1 4 x 2 x 3 18 x 4 38
x1 x 2 4 x 3 0
4. 2 x1 2 x 2 0 x 3 1
3 x1 3 x 2 2 x 3 1 / 2
x1 6 x 2 0 x 3 3
5. 2 x1 x 2 0 x3 1
6.
0 x1 2 x 2 x3 1
x1 x 2 0 x 3 3 x 4 4
x1 0 x 2 3 x3 1x 4 0
0 x1 1x 2 x x 4 3
3 x1 0 x 2 x3 2 x 4 1
Pgina 62 de 96
7.
12 x1 8 x 2 6 x 3 10 x 4 10
3 x1 3x 2 9 x 3 3x 4 39
8.
6 x1 4 x 2 x 3 18 x 4 16
x1 0 x 2 2 x 3 x 4 2
4 x1 9 x 2 2 x3 x 4 14
8 x1 16 x 2 6 x 3 5 x 4 3
9.
2 x1 3 x 2 2 x 3 x 4 0
2 x1 x 2 x 3 4
3 x1 4 x 2 2 x 3 11
3 x1 2 x 2 4 x 3 11
x1 0 x 2 2 x 3 3 x 4 1
3x1 2 x 2 1x 3 5
10. 2 x1 3x 2 x3 1 ,
11.
2 x1 1x 2 3 x 3 11
3x1 x 2 x 3 2 x 4 4
,
2 x1 3x 2 x 3 x 4 6
12.
x1 2 x 2 3 x 3 x 4 4
x1 2 x 2 3 x3 2 x 4 6
2 x1 x 2 2 x 3 3 x 4 8
3 x1 2 x 2 x 3 2 x 4 4
2 x1 3 x 2 2 x 3 x 4 8
x1 2 x 2 3 x 3 4 x 4 5
13.
2 x1 x 2 2 x 3 3 x 4 1
3 x1 2 x 2 x 3 2 x 4 1
4 x1 3 x 2 2 x 3 x 4 5
0 x1 x 2 3 x 3 4 x 4 5
14.
x1 0 x 2 2 x 3 3 x 4 4
3 x1 2 x 2 0 x 3 5 x 4 12
15.
4 x1 3x 2 5 x 3 0 x 4 5
x1 3 x 2 5 x 3 7 x 4 12
3 x1 5 x 2 7 x 3 x 4 0
5 x1 7 x 2 x 3 3 x 4 4
7 x1 x 2 3 x 3 5 x 4 16
Pgina 63 de 96
16.
x1 x 2 0 x 3 0 x 4 2 x 5 8
0 x1 2 x 2 x 3 x 4 x 5 10
x1 x 2 3 x 3 0 x x x 5 1
x1 x 2 2 x 3 3x 4 1
17.
3x1 x 2 x 3 2 x 4 4
2 x1 3x 2 x 3 x 4 6
18.
x1 2 x 2 3 x 3 x 4 4
x1 x 2 x 3 x 4 4
2 x1 x 2 3 x 3 2 x 4 1
x1 x 2 0 x 3 2 x 4 6
3 x1 x 2 x 3 x 4 0
Pgina 64 de 96
a12 Columnas
... a1i
a11
a
21
a31
...
a1n
... a2n
a3n
am1 am 2 ami amn
mn
a22
a32
... a2i
a3i
4
5 2 2
3
9
4
8
1
7
0
0
9
5 25
n= 5
2.1.3. MATRIZ FILA Y MATRIZ COLUMNA
Pgina 65 de 96
Podemos usar espacio entre los elementos del vector o separarlos por
comas.
y=[1,2,3,4,5,6]
y=
1
a m1 mx1
Pgina 66 de 96
B=[2 3;4 5]
B=
2
C=[3 6; 4 7]
C=
3
A= =B
ans =
1
Como todos sus elementos son unos, entonces decimos que las
matrices son iguales
A= =C
ans =
0
Pgina 67 de 96
Ejemplo:
2
5A 5
1
1.
4
10
2
5
PLANTA1
5600
PLANTA 2
2330
PRODUCTO 2
2330
4500
4500
2500
PRODUCTO 3
5040
4500
5600
9500
PRODUCTO 4
4580
2500
9500
4600
PRODUCTO 1
2.
20
10
PLANTA3
5400
PLANTA 4
4580
-1
-2
5*A
ans =
10
20
-5 -10
Propiedades:
1
A (A)
( ) A A A
C A B aij bij
m n (a b)ij m n
Ejemplo:
Pgina 68 de 96
5 6
; B
1
0 2
1.
2.
En una empresa
PLANTA1
PLANTA 2
PLANTA 3
PLANTA 4
50
20
50
40
PRODUCTO 1
M1=
3 1
C A B
6 1
PRODUCTO 2
20
40
40
50
PRODUCTO 3
50
50
60
90
PRODUCTO 4
40
25
90
60
M2=
PRODUCTO 1
PLANTA1
50
PLANTA 2
20
PLANTA3
50
PLANTA 4
40
PRODUCTO 2
10
10
PRODUCTO 3
20
PRODUCTO 4
10
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
PLANTA 2
PLANTA 3
PLANTA 4
PRODUCTO 1
100
40
100
800
PRODUCTO 2
30
50
44
50
PRODUCTO 3
70
55
66
99
PRODUCTO 4
50
27
99
66
B= [-5 6; 0 2]
A=
B=
-5
-5
-1
C=A+B
C=
3.
1
2
7
1
6
1 0
3 6
y B
1
1
10 12
C A B
Pgina 69 de 96
A= [2 1 3; 7 6 -9]
A=
2
-9
B= [-1 0 -2; 3 6 5]
B=
-1
-2
C=A+B
C=
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
C cij
m n . El producto de las matrices estar definido correctamente si
A es conforme con B ;
A aij
; B bij
C A B cij
m p
p n
m n
Ejemplo:
1.
1
1
2
; B
3
0
; Entonces:
1 2
1 3
3
C AB
2
C
2
2
.
0
1 1( 2) 2(0) 1( 1) 2( 2)
2 1( 2) 3(0) 1( 1) 3( 2)
Usando MATLAB
A=[1 -1;2 -3]
A=
1
-1
-3
B=[1 2 3 4 5;-1 -3 2 1 1]
B=
1
-1
-3
C=A*B
C=
2
13
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
de orden
m n;
Ejemplo:
1
1. A3 7
0
2.
2.
5
8
0
6
78
2
7
78
A7 2
0
74
0'
MATRIZ
TRIANGULAR
9
0
SUPERIOR:
Llamaremos
aij
matriz
i j ; y se representa como:
a11 a12
0 a 22
A 0
0
0
0
3.
a 23 ... a 2n
a33 ... a3n
0
0 a nn
aij
representa como:
0
a11
a 21 a 22
A a31 a32
a
m1 a m 2
4.
... 0
... 0
a33 ... 0
a m3 a nn
0
0
aij
a11 0
0 a 22
A 0
0
0
0
5.
0
0
...
...
a33
...
0
0
a nn
0
A 0
...
K
0
0 ...
K ...
0 0
0
0
6.
0
A 0
7.
0
1
0
0
0
1
...
...
...
0 0 0
MATRIZ
0
0
TRANSPUESTA:
Dada
una
matriz
A aij
m n ;
a 21 a 22 a 23 ... a 2n
m1 a m 2 a m3 ... a mn
Ejemplo:
1
At
2. A
3 4
2 4
Propiedades:
1. I t I
2.
A t t A
3. kA t
4. AB t
kAt
B t . At
a1n a 2n a3n ... a mn
5. A B t
8.
At B t
MATRIZ SIMTRICA:
aij a ji ; i j ;
Ejemplo: A 0
2
0
4
9.
ANTISIMTRICA:
MATRIZ
At 0
es decir A At .
0
4
Una
matriz
cuadrada
A se
llama
antisimtrica si A At
Ejemplo:
1.
0
A 2
4
2
0
6
6
6
At 2
4
2
0
6
4
0
t
6 A 2
4
0
2
0
6
6
0
A At
2. A
4
0
At
0
4
0
At
0
4
A At
10.
MATRIZ HERMITIANAS
en donde
* indica la conjugada
compleja
Ejemplo:
, en donde
Observemos si todos los elementos de la matriz Hermitiana fueran reales,
entonces tenemos una matriz simtrica.
11.
MATRIZ BANDA
Es una matriz cuadrada en donde la mayor parte de los elementos son ceros
y los elementos con valor significativo estn agrupados alrededor de su
diagonal principal en este caso se llama matriz banda.
Por ejemplo:
1
A 0
0
0
1
2
1
0
1
2
0
0
1
0
0
1
0
2
1
0
0
0
1
1
Obs.
1.
2.
det( A) A
a11 a12
; entonces det( A) a11.a 22 a 21.a12
Si A
a 21 a 22
Ejemplo:
1
1
1.
-1
det(A)
ans =
5
5
B
6
2.
B=[-5 9;-6 3]
B=
-5
-6
det(B)
ans =
39
2.1.8.1. MENOR COMPLEMENTARIO
Definicin: Llamaremos menor complemento
" M ij "
de un
aij
se denota por
M ij .
31 a32 a33
a 22 a 23
a11 es M 11
a32 a33
a12 a13
a32 a33
a 21 es M 21
aij
como:
Aij 1 i j M ij
31 a32 a33
A11 111 M 11 M 11
A12 1 1 2 M 12 M 12
A13 1 1 3 M 13 M 13
Entonces
Aij
y se define
Ejemplo:
1 0 0
2.3
A 1 2 3 det( A) 1 10
0,5
0 0 5
1.
det(A)
ans =
10
2.
2
B 2
0
5
3
2
4
1
-2
-2
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
a2
a3
a1
b1
c1
Es decir: b1
b2
c2
b3 a 2
c3 a 3
b2
b3
c2
c3
c1
a2
a3
b1
b2
b3
Es decir: b1
b2
c2
b3 a1
c3 c1
a2
c2
a3
c3
c1
a2
a3
Es decir: ka1
ka 2
c2
ka3 0
c3
c1
a2
a3
a1
a2
a3
a1
a2
a3
Es decir: kb1
b2
c2
b3 kb1
c3
c1
kb2
c2
kb3 k b1
c3
c1
b2
c2
b3
c3
kc1
6. Si todos los elementos de una fila o columna son expresados como la suma
de dos o ms nmeros, el determinante puede expresarse como la suma de
dos o ms determinantes.
a1 x
a2
Es decir: b1 y b2
c1 z
c2
a3
a1
a2
a3
a2
a3
b3 b1
c3
c1
b2
c2
b3 y
c3
z
b2
c2
b3
c3
a2
a3
a1 ma 2
a2
a3
Es decir: b1
b2
c2
b3 b1 mb2
c3
c1 mc2
b2
c2
b3
c3
c1
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
A 0
0
0
0
2
1
0
0
10
0
0
0
0
0
0
0
0
1
0
2
1
0
20
det(A)= (1)(2)(10)(2)(20)=800
31 a32 a33
A11
Ejemplo: A 3
5
3
5
1
1
3
A12
A22
A32
14
CA 4
22
A13
A23 ; donde
A33
4
22
Aij 1 i j M ij
22
14
4
14
t
adj ( A) CA t , adj ( A) CA A12
A
13
Ejemplo: A 4
7
2
5
8
A21
A31
A22
A23
A32
A33
CA 6
3
6
12
6
6
3
adj ( A) 6
3
6
12
6
6
3
Ejemplo: A 4
2
13
CA 7
3
13
8
2
1
9
5
3
13
adj ( A) 8
2
1
3
8
5
1
CA t
adj ( A)
A
A
A 1
5
1
6
3
7
5
1
6
3
Verificando tenemos: AA
1
1
4
9
2
2
5
3
6
1
13
. 8
2
7
5
1
3
1
6 0
0
3
0
1
0
0
1
Una matriz cuadrada tiene inversa si y slo 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
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
4.
adj ( A) A
n 1
Donde
n es el orden de la matriz A
2
5
4
6
7
8
8
9
Solucin
Como la matriz es de orden 4x3, esto quiere decir que r(A) min{4,3} en otras
palabras r(A) 3
0
6
6 ;
8
2
5
7
0
0
2
5
8
4 0
6 ; 6
9 0
5
7
8
6 1
8 ; 6
9 0
min (m,n)
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.
2.
3.
5.
Ejemplo: sea
determinar su norma
Solucin
=7.0711
Debemos tener en consideracin que el campo de los nmeros reales R tiene
el defecto de que un polinomio de grado n
Por ejemplo
, que es el campo C de
;,
,
Observe que:
,
1.
2.
tenemos el teorema fundamental del algebra, que establece que todo polinomio
no constante con coeficientes complejos
complejo.
3.
Ejemplo
Sean los vectores
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
Cn, esta compuesto de todos los vectores
El espacio vectorial
en donde los
es multiplicado por
, Si al vector complejo x
as:
,
,
,
6.
denota su
,
En general podemos definir norma de un vector x
Propiedades
4.
5.
6.
, (x
La norma de
At.A. Tambin
),
es
donde
,,.....................................................................................................(1)
Esta ecuacin 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 mltiplo distinto de cero de un vector propio es
tambin un vector propio correspondiente al mismo valor propio.
La condicin de que la ecuacin (1) tenga una solucin
no trivial es
1.
2.
, es singular,.........................................................................(3)
3.
),.............................................................................(4)
, y de
a11
a
21
det
ai1
an1
a12
a22
ai 2
an2
a13
a23
ai 3
a n3
...
...
...
...
a1 j
a2 j
aij
anj
..
..
..
..
a1n 0
a2n 0
0
ain 0
0
ann
,
Si x es un autovector asociado con el autovalor
en estas circunstancias
alargar x en un factor de
de , cuando
y cuando
, A disminuye a x en un factor
Ax
Ax
Ax
Ax
Ejemplo
Sea la matriz
,
Los autovalores de A son
as que
es una solucin
por lo tanto
de
, esto
de
as que
es una solucin
por lo tanto
Ejemplo
Radio espectral
es un autovalor de A
, entonces
matricial
,
Teorema de Schur.
, es decir
Sea la matriz
Los crculos del teorema de Gershgorin son:
,
,
,
Como los R1 y R2 son disjuntos de R3, existen dos autovalores en
con R3.
Eje
Imaginario
1
11
10
Eje Real
y uno
son linealmente
tal
Ejemplo
Dados los vectores:
, son linealmente
.Si los
son tales que
,
Entonces
,
de
esta
manera
tenemos que,
, pues la nica solucin al
sistema es
entonces el conjunto
,
3
3
Linealmente independiente en R , y por lo tanto es una base de R .
es
autovectores correspondientes
, entonces
, es linealmente independiente.
Un conjunto de vectores
es ortogonal
,
Si,
si
dems
Como
es
un
conjunto
ortogonal
de
vectores
, 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
.
Este conjunto forman un conjunto ortogonal
por heredar la
ortogonalidad de
y adems
,
,
Observemos que: Q*Qt=I
AUTOVECTORES
DE
MATRICES