Notas Mate APE v10

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal
Notas preparadas por: Dr. Adrin Pozos-Estrada
TEMA 3. Algebra vectorial y matricial

OBJETIVO DEL TEMA:
Mostrar a 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
-0.2
-0.4
-0.5
1
-1
0.5
2
0
-1.5
-0.5
-1
-2
-2
-1.5
-1
-0.5
(a)
0.5
1.5
-1
-2
(b)
Figura 1 Representacin grfica de vectores en: (a) R2 y (b) R3

Producto interno y vectorial

Definicin. El producto interno o producto punto ( ) de dos vectores
, ,
y
, ,
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:
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
y
, ,
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.

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
1
2 4
5 0
0
0
0
0
La forma general de una matriz sobre R es:

11
21
12
22
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.

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
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
tiene tantas columnas como A renglones. Sea
11
11
1
B
A
1
1
1
n x p, de tal forma que B

As, el producto
11
BA
1
1
est definido por:

Cij
,i
1, , m,
1, , p,
lo anterior implica,
.
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:

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
de donde se obtiene que:
en
,tenemos:

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

1
2
1
2
3 5
6 5
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:

Ax
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.

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:
donde a1,,am son escalares arbitrarios.

Considere la siguiente ecuacin:

(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)
10

Ejemplo
Determine el rango de la siguiente matriz:
3
6
21
0
42
21
2
2
24 54
0
15
a) Mediante eliminacin de Gauss

b) Empleando MATLAB
Resolucin
a) Mediante eliminacin de Gauss
Ecuacin pivotal
Pivote
3
6
21
0
2
2
42 24 54
21 0
15
Elementos
a eliminar
Rengln 2 + 2 Rengln 1
Rengln 3 7 Rengln 1
3
0
0
0
42
21
Pivote
3
0
0
Elemento
a eliminar
2
2
28 58
14 29
Ecuacin pivotal
0
42
21
2
2
28 58
14 29
11

Rengln 3 Rengln 2
3
0
0
0
2 2
42 2858
0
0 0
La matriz anterior tiene forma escalonada. Recordamos el teorema:

Las matrices equivalentes respecto a los renglones tiene el mismo rango
2. Para verificar el rango, es
Por tanto el rango de la matriz A es: rango A
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.
12

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

0 00 1
1 10
3
1 0
1 0
0 0
1 1
1 0
Paso 2)
Formamos un sistema de ecuaciones
0
0
0
0 1
0 3
1 0
0
0 3
0
Paso 3) Determine el rango de la matriz A

Mediante eliminacin de Gauss
0 0
1 1
1 0
0 1
0 3
1 0
0
0
0
13

La matriz escalonada resulta en:

1 1
0 1
0 0
0
3
1 3
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:
(nmero adimensional conocido como el nmero de Strouhal cuando f = fcr)
14

Sistemas lineales
Teorema fundamental de los sistemas lineales
(a) Un sistema lineal de m ecuaciones:
(1)
...
En n incgnitas tiene soluciones si y slo si la matriz de coeficientes
matriz aumentada es decir:
y las
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
...
0
0
0
(2)
15

y slo si rango
. Existen soluciones no triviales si
Siempre tiene la solucin trivial

. Si rango
, estas soluciones junto con incgnitas
, forman un espacio vectorial de dimensin

y
. En particular si
son vectores solucin de (2), entonces
soluciones
, dnde
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.
de
donde es la matriz unitaria de
La inversa de una matriz
, se denotan por
y es una matriz de
tal que:
Si tiene una inversa, entonces se llama matriz no singular. Si

entonces
no tiene inversa,
se llama matriz singular. Si tiene una inversa, sta es nica.
De hecho, si tanto
como
son inversas de , entonces
por lo que
la unicidad se obtiene de
Existencia de la inversa
La inversa
de una matriz
de
consecuencia,
es no singular si rango
existe si y slo si rango

y es singular si rango
. En
.
16

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
eliminacin de Gauss-Jordan. Usando
, se forman los
,
donde
, puede usarse la
sistemas:
tiene la -sima componente igual a 1 y las dems componentes cero. Al
introducir las matrices
, de
y las
sistemas se combinan en una sola ecuacin matricial

,
aumentadas
Ahora
los
matrices
en una sola ecuacin matriz aumentada
implica
para
y para resolver
aplicarse la eliminacin de Gauss a
para obtener
.
puede
, donde
es
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

de
. Por lo tanto, debe tenerse
Ejemplo
Encontrar la inversa
de:
A
1
3
1
Solucin aplicando la eliminacin de Gauss
1
1
3
1
1
4
., la matriz aumentada
17

AI
1
3
1
1 1
1
1 1
0
3 4
0
1 1 2
1
0 2 7 3
0 2 2
1
1 1
0 2
0 0
UH
1
0
0
1
0
0
1
1
0
0
1
0
2
1
7 3
5
4
1
2
1 0
1 3.5 1.5 0.5
0 1
0.8 0.2
0
0.6
0 1.3
1
0.8
0.4
0.2
0.2
0
0
1
0
1
0
0
0
1
R2+3R1, R3-R1
0 0
1 0
1 1
0
0
0.2
R3-R2
R1, 0.5R2, -0.2R3
0.4
0.7 R1+2R3, R2-3.5R3
0.2
R 1+R2
Las tres ltimas columnas constituyen
. Se puede comprobar que
18

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:
det
Si consideramos un sistema de ecuaciones lineales de la forma:
Cuya solucin puede expresarse como:
Siempre que D
0 ; las expresiones anteriores se conocen como la regla de Cramer.
Donde la solucin est dada por:
Determinantes de 3er orden

Un determinante de 3er orden est definido por:
19

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:
.. .
.
..
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.
20

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
21

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:
.
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
w=5 en t =0
El anterior es un problema de valor inicial.

Si reescribimos el sistema anterior en forma matricial, tenemos:
,
en
donde
,
8
,
5
4
2
Sea la solucin:
22

Sustituyendo la solucin propuesta en la ecuacin diferencial, tenemos:
Simplificando la ecuacin anterior, tenemos:

4
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
23

En nuestro ejemplo de la ecuacin diferencial, resulta:

4
cuyo determinante es:

2.
Las races del polinomio caracterstico anterior son:
1o2.
Los eigenvectores2, es decir, los valores de x que satisfacen la ecuacin
obtienen de la siguiente manera:
Para
se
El primer eigenvector es:
5
2
5
2
0
0
5
5
0
0
1
1
Para
El segundo eigenvector es:
2
2
5
2
Finalmente la solucin del sistema de ecuaciones est dado por:
Donde las condiciones iniciales definen a las constantes c1 y c2 como 3 y 1,

respectivamente.
Si al resolver
0, el resultado conlleva a x = 0, entonces no es un eigenvalor.
24

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
1
2
1
2
3
6
0
cuya ecuacin caracterstica resulta en:

21
45
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
2
1
25

Para el segundo y tercer eigenvector (2 = 3 = -3), tenemos:

0
1
2
1
2
4
2
3
6,
3
El sistema de ecuaciones empleando el segundo y tercer eigenvalor, resulta en:
2
1
2
4
2
3
6
3
0
0
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
de la ecuacin anterior, dos eigenvectores pueden ser:

2
1 ,
0
3
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.
26

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
27

a)
i)
The mass and stiffness matrices are
m 0
0 m
2k k
k k
Let's assume that
u 1( t)
u 2( t)
u10
sint
u20
and the acceleration is
a1( t)
a2( t)
u10 2
sint
u20
The equations of motion in matrix form are
m 0 u 10 ( 2 sint) + 2k k u10 sint 0 sint
P
0 m u 20
k k u20
0
or
2 k m 2
u 10
k
k
k m u 20
0
P
0
Solving for the amplitudes,
u 10
u 20
2 k m 2
0
k

P
2
k
k m 0
where
2 k m 2
k
2
k
k m
k m 2
k
2
2
2
2
2
2
k
2 k m
m 1 2
28

and the amplitudes of the displacements are
k m 2
k
0
2
2
2
2
2 P
2
k
2 k m 0
m 1 2
u10
u20
u10
u20
2
m 1 2 2 k m
P0
The final solutiuon is

P0
m2 2 12 2 22
P
0
( 2 k m 2)
m2 2 12 2 22
u1( t)
u2( t)
ii)
From the characteristic equation,
det K n M
det K n M
k 3 k m + m
If
k 3 k m + m
The roots are
2
3 5 k
2
m
3+ 5 k
2
m
sint
29

and the natural frequencies are
0.618
1.618
k
m
k
m
The Eigenvectors are calculated as follows,
11
2 k m n2
k
0
2
k
k m n 21 0
2 k m n2 11 k 21
0
k + k m 2 0
11
n 21
For
the first Eigenvector is,
1.618 k 11 k 21 0
k 11 + 0.618 k 21 0
If
21
1.618 k 11 k 21
1.618 k 11 k
11
0.618
and the first Eigenvector is,

1
0.618
30

For
the second Eigenvector is,
2 k m 2

k
n
12
2
k
k m n
22
2 k m 2 k
n 12
22
k + k m 2
12
n 22
0.618 k 12 k 22
k 12 1.618 k 22
If
22
0

0
0.618 k 12 k 22
0.618 k 12 k
12
0

0
1.618
and the second Eigenvector is,

2
1.618
The generalized properties are,
m 0 0.618
0 m 1
M1
( 0.618 1 )
M2
( 1.618 1 )
K1
( 0.618 1 )
K2
( 1.618 1 )
P1
( 0.618 1 )
P2
( 1.618 1 )
m 0 1.618
0 m 1
2k k 0.618
k k 1
2k k 1.618
k k 1
P0
0
P0
0

0
31

M1
1.328 m
M2
3.618 m
K1
0.528 k
K2
9.472 k
P1
P0
P2
P0
and the modal equations are,
1.328
3.618
d2
dt
d2
dt
q 1 + 0.528 q 1
P0 sint
q 2 + 9.472 q 2
P0 sint
The solution for harmonic vibration of undamped systems is,
u( t)
P0
k
sint
thus,
q 1( t)
q 2( t)
P0
0.528 k
P0
9.427 k
2
1
1
1
2
1
2
sint
sint
32

The total response is calculated as follows,
u1( t)
u2( t)
0.618 1.618 q1( t)
1 q 2( t)
1
u1( t)
u2( t)
P0
1
0.528 k 2
1
1
0.618 1.618
1 P0
1
1
2
9.427 k
1
u1( t)
u2( t)
sint
P0
P0

.17
sint
1.17
2
2
k
1
k
1
2
2

1
2
P0
P0
1.89
+ .106
sint
2
2
k 1
k 1
2
2
1
2
or
2 1.17 2 2 + 0.17 2 2
1
1 2
2
2
2
2
2
P0
1 2
sint
k 2 2 2 1.849 2 2 106 2 2
1
2
2 1
2
2
2
2
1 2
u1( t)
u2( t)
b)
It can be shown that,

2
1 1.17 1 2 + 0.17 2
k
m

2 2 1 1.849 1 106 2
k 2 k m
2
33

Re-arrenging the solution obtained with the modal method, it yields to
u 1( t)
u 2( t)
P0
m2 2 12 2 22
P
0
( 2 k m 2)
m2 2 12 2 22
sint
which is equal to the solution obtained with the direct method.
c)
It can be shown that the amplitudes can be written as,
u 10
u 20
2
2
1 1 0.382

1 1
2
0.382
2
2
1 1 0.382
1 1

The following figure shows the normalized amplitude for each DOF.
u20/(P0/k)
u10/(P0/k)
/1
34

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
1
>> [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
2
1
2
3
6
0
35

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
,
0 1
2
1
1
1
Para obtener la ecuacin caracterstica, tenemos:

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

necesitamos reescribir la ecuacin anterior de la siguiente manera:
|
|
|
|
|
donde
2
1
1
1
0
0
La matriz A resulta en:
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
36

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

respectivamente:
0.3820 y
2.6180
Del ejemplo de dinmica estructural, las frecuencias estn dadas por:
Si m = k = 1, tenemos:
0.3819
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
,
1.000
que son los valores estimados con MATLAB.
1.618
1.000
37

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 A
Ejemplo 1:
Matrices simtrica, antisimtrica y ortogonal:
2
3
9
12
2
0 20 ,
3
20 4
1
3
1
5
0
5
9
2 ,
4 12
1
0
2
1
3
2
3
2
2
3
1
3
2
3
Concepto importante:
Cualquier matriz cuadrada realA puede escribirse como la suma de una matriz
simtrica R y una matriz antisimtricaS, donde
R
AT y S
AT
Ejemplo 2:
Si,
A
3
1
5
1
0
2
5
2
4
Entonces,
2
3
2
3
1
0
9
12
9
0
20
12
20
4
1
3
2
3
2
2
3
1
3
2
3
38

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
Con cada vector en R , esta transformacin asigna un vector

ejemplo la rotacin del plano en un ngulo
en
. Por
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,
39

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
en pares y tiene valor absoluto 1.
son reales o complejos conjugados
Diagonalizacin
Si una matriz A de n x n tiene una base de eigenvectores, entonces
D
AX
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
Empleado D
1
1
AX, tenemos:
AX
1
5
1
1
1 5
4 1
4 4
2 1
1
1
6
0
0
1
40

Ejemplo de rotacin de una cuadrtica

Teorema 6 (Teorema de los ejes principales)
La sustitucin x
Xy transforma una forma cuadrtica

x T Ax
a xx
a la forma de los ejes principales siguiente:

Q
y T Dy
y ,
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
17x
30x x
17x
128
Sabemos que:
Q
x T Ax, donde
x T Ax
x
x
Por tanto,
17
15
15
17
Cuya ecuacin caracterstica es:

17
con eigenvalores
2,
32.
15
41

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

Q
2y
32y
128, o tambin
1 (representa una elipse)
Para conocer las direcciones principales en las coordenadas x1x2, es necesario

determinar eigenvectores normalizados y despus emplear x Xy, de la siguiente
manera:
As,
x
Xy
y
y
2
2
(Lo que indica una rotacin de 45)
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)
42

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:
L=
.
.
B
1
V 2 B K H 1* h + K H 2* + K 2 H 3* + K 2 H 4* h
V
V
V
2
.
.
1
2
2
* h
* B
2 *
2 * h
T = V B K A1
+ K A2
+ K A3 + K A4
V
V
V
2
Finalmente, la ecuacin de movimiento est dada por:
.
.
.
..
1
2
2
* h
* B
2
*
2
* h
+ K H2
+ K H3 + K H4
M h + 2 h h h + h h =
V B K H1
V
V
V
.
.
.
1
..
2
2
2
* h
* B
2 *
2 * h
I + 2 h h + h = V B K A1
+ K A2
+ K A3 + K A4
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
43

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)
44

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
1 0 0
0 1 0
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
ejemplifica considerando una matriz de 3 x 3:
y la matriz superior
, se
45

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:
46

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:
1
0
1
0 1
0 0
1 0
1,2,3
,
,
/
,
/
1
0
Por tanto, la descomposicin queda:
1 0 0
0 1 0
0 0 1
1 0 0 1 0 0
0 1 0 0 1 0
0 0 1 0 0 1
47

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:
48

Ejemplo numrico:
Resuelva el siguiente sistema de ecuaciones lineales, cuya matriz ampliada es:
0 2
1 0
2 4
6
4
2
5
2 ,
0
A es una matriz cuadrada, cuyo determinante es:

det (A) = 12, por tanto es una matriz no singular.
Usando MATLAB, tenemos:
0 0 1
0 1 0 ,
1 0 0
1
0.5
0
0 0
1 0 ,
1 1
2
0
0
Para verificar, usamos la matriz

2 4
1 0
0 2
0
2
5
2
1
0
Se verifica:
Finalmente, el vector solucin est dado por:
[11.33,-6.17,3.67]
4
0
2
0
2
5
4
2
0
0
2
3
49

El siguiente algoritmo puede ser empleado para resolver sistemas de ecuaciones:
La factorizacin LU puede ser empleada para invertir matrices, de la siguiente forma:

A
U L
El determinante de la matriz A est dado por:

det A
det L det U
50

Factorizacin de Cholesky para una matriz simtrica A

La factorizacin de Cholesky consiste en descomponer una matriz simtrica A de la
siguiente forma:
LDLT
LD
LD
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:

0
0
0
de donde se obtiene:
a11 = g211
a12 = g11 g12
a13 = g11 g13
a22 = g212 + g222
a23 = g12 g13 + g22 g23
a33 = g213 + g223 + g233
0
0
51

Lo cual se puede generalizar de la siguiente manera:

Para los elementos de la diagonal principal:
Para el resto de los elementos:
Ejemplo numrico
Emplear el mtodo de Cholesky para factorizar la siguiente matriz.
1
2 0
2 0 0
0 4 1
0 13
5
1
2
0
Se requiere:
0
0
0
0
0
Los elementos se estiman de la siguiente manera:

5
2.2361
1 5
2 5
0 5
0.4472
0.8944
0
52

0.4472
5 5
1
1.3416
0.2981
1.3416
0.2981
0.8944 0
3
4
1
1.3416
1.7638
0.2981 0 1.7638
0
0.5669
0.5669
1.6366
Finalmente, la factorizacin de Cholesky conduce a:

2.2361 0.4472
0.8944
0
0
1.3416 0.2981 0
0
0
1.7638 0.5669
0 0 01.6366
2.2361 0.4472
0.8944
0
0
1.3416 0.2981 0
0
0
1.7638 0.5669
0 0 01.6366
Para resolver un sistema de ecuaciones con la factorizacin de Cholesky, la solucin

est dada por:
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
53

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)):
54

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
55

La cual puede reescribirse de la siguiente manera:

2
1;
1
2
1
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:
1
2
3
1
2
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
56

1
1
Las expresiones anteriores sugieren emplear de forma iterativa las siguientes relaciones
de recurrencia:
1
1
1
Las cuales se pueden generalizar de la siguiente manera:
; i = 1,,n.
El esquema iterativo del mtodo de Jacobi escrito en forma matricial est dado por:
Donde J
D A se le denomina la matriz de Jacobi.
Donde la matriz diagonal D est dad por:
0
0
0
0
Si todos los elementos de la matriz D son no nulos, la matriz D es invertible.
57

Una implementacin del mtodo de Jacobi se resume en el siguiente cuadro:
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
2 10
partiendo de la solucin
1
2
00 .
Si empleamos el mtodo matricial, tenemos:
11
12
58

donde
1
0
0
1
10 0
0 10
10 1
2 10
1
10
0
1
10
0
Finalmente, el esquema de iteracin queda:
1
1
2
10
10
10
10
Segunda iteracin,
1
2
1
2
10
12
10
00 , as tenemos:
Para la primera iteracin,
1
2
11
0
0
11
11
10
12
10
12
10
10
1.11.2
1
10
10
11
1.1
1.2
10
Continuando hasta la iteracin 5, tenemos:
1
2
10
12
1.0000
1.0001
0.98
0.98
59

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
10 2
partiendo de la solucin
1
2
11
12
00 .
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
60

La relacin general para un sistema de n x n est dada por:
; i = 1,,n.
El esquema iterativo del mtodo de Gauss-Seidel escrito en forma matricial est dado
por:
G
Donde G
D E 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 0

0 0
0 0

0
0 0
0 0
0 0
Una implementacin del mtodo de Gauss-Seidel se resume en el siguiente cuadro:
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
61

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.
62

TEMA ALTERNATIVO
Aplicacin de la estadstica a la ingeniera
Papel de probabilidad y mnimos cuadrados
Podemos comparar las observaciones de una distribucin ajustada en una grfica de
dicha distribucin. La desventaja de emplear dicha grfica para comparar es que las
diferencias entre las observaciones y la distribucin ajustada en la regin de la cola
raramente pueden ser representadas.
En la prctica, la comparacin de curvas de distribuciones de probabilidad acumulada
pueden ser simplificadas al graficar la funcin de la distribucin acumulada y los
datos observados en papel especial, el cual es llamado papel de probabilidad. El
papel de probabilidad provee una escala adecuada en los ejes horizontal o vertical de
tal forma que la distribucin acumulada del modelo probabilstico se grafica como
una lnea recta en un papel de probabilidad adecuado.
Para ejemplificar el procedimiento para determinar el papel de probabilidad,
considere la distribucin exponencial dada por:
1
la cual se puede reescribir como:
1
Tomando logaritmo natural de ambos lados de la ecuacin anterior, tenemos:
1
La cual la podemos reescribir como:
1
La ecuacin anterior resulta ser una relacin lineal en x. Esto es,
1
es
una funcin lineal de x. Podemos definir un papel para graficar con el eje vertical
63

representado por z,
1
y el eje horizontal representado a x. Al
papel anterior se le denomina papel de probabilidad exponencial.
Ejemplo. Considere las 50 observaciones obtenidas del tiempo de llegada de vehculos en una
autopista. El valor medio obtenido de los datos resulta en 7.85. As, la distribucin ajustada
mediante el mtodo de momentos es:
fX(x) = 0.127e-0.127x
Datos de tiempos de llegada (s)

1.27
31.88
13.08 4.79 3.05 14.95 0.36 7.71 3.41 8.73
3.65
14.04
0.42
6.28 2.58 0.71 17.1 0.98 14.3 24.9
3.36
9.78
2.05
17.6 9.41 6.13 4.69 2.17 6.85 12.3
1.7
1.21
3.55
1.57 6.79 4.83 21.9 3.48 21.6 14.9
6.9
0.43
5.2
9.8 0.42 3.78 10.6 10.1 1.37 14.1
Datos ordenados
64

La siguiente figura muestra el papel de probabilidad exponencial.
z = -ln(1 - FX(x))
4.0
3.0
0.9502
2.0
0.8647
1.0
0.0
0
10
15
20
25
30
35
(a) Papel de probabilidad exponencial (sin escala)

0.99
FX(x)
0.90
Exponencial
0.80
0.60
0.40
0.20
0.01
0.01
1.0
10
20
30
40
(b) Papel de probabilidad exponencial (con escala)
Ejemplo de resistencia del concreto

La siguiente tabla muestra la resistencia de cilindros de concreto. Los resultamos
mostraron que los datos tienen una media de 25.95 [MPa] y una desviacin estndar
de 3.64 [MPA].
65

Resistencia del concreto (MPa)
La siguiente figura muestra el papel de probabilidad normal junto con los datos de la
tabla anterior.
Papel de probabilidad normal
66

La siguiente tabla muestra un resumen de otros papeles de probabilidad empleados en

la prctica.
En algunas ocasiones, el mtodo de mnimos cuadrados, el cual consiste en minimizar

la suma de los errores al cuadrado, es empleado para estimar los parmetros de una
distribucin.
Considere la siguiente expresin,
|
|
donde
representa la variable transformada de x con parmetros de
distribucin desconocidos , y
1 . En otras
palabras, debe ser seleccionado de tal forma que minimice a .
Cualquiera de las tcnicas para determinar el mnimo de una funcin es aceptable
para minimizar y encontrar el estimador de , . Por ejemplo, podemos tomar las
derivadas de con respecto a e igualarlas a cero, esto es:
Ejemplo. Empleando los datos de la tabla de los tiempos de llegada y el mtodo de

mnimos cuadrados, determine el parmetro de la distribucin exponencial.
67

Conocemos,
|
As tenemos:
1
o tambin,
1
1
Empleando los datos de la tabla y la expresin anterior, el parmetro de la

distribucin exponencial resulta en:
125.34
1016.23
0.123
Tcnicas de Monte Carlo

Las tcnicas de Monte Carlo son herramientas ingenieriles muy poderosas que
pueden ser empleadas para anlisis de confiabilidad. El mtodo es muy simple de
usar. El mtodo es computacionalmente intensivo, especialmente para el anlisis de
confiabilidad. El mtodo consiste en:
1) Generar n conjuntos de valores de una variable aleatoria relacionada con un
sistema ingenieril;
2) Usar los n conjuntos de datos para correr un anlisis n veces, y
3) Tratar los resultados de los anlisis como observaciones para el anlisis
estadstico del desempeo del sistema.
Existen tablas de dgitos aleatorios disponibles en muchos libros de texto. Algoritmos
para generar valores de una variable aleatoria estndar uniformemente distribuida
entre 0 y 1 estn disponibles en Recetas numricas o en Excel.
68

El valor generado u de una variable aleatoria U puede ser usado para obtener un valor
de una distribucin diferente a la uniforme. Sea R una variable aleatoria que es una
funcin de U, donde R puede ser expresada como una funcin de U,
R = a + (b a) U,
ya que la funcin anterior es una funcin montona, la siguiente relacin se cumple,
FR(r) = FU(u) o r = FR-1(FU(u)),
y
1
donde FR-1() es la funcin inversa de la distribucin de R. La ecuacin anterior

indica que R es una variable aleatoria distribuida normalmente (no estndar). Note
que FU(u) = u,
y
; esto es
En palabras, un valor de la variable aleatoria R, ri, es obtenido al igualar su funcin

de distribucin acumulada a la funcin de distribucin acumulada de U evaluada en
ui, o simplemente,
Una representacin grfica del concepto anterior se muestra en la siguiente figura.
69

Ejemplos de simulacin
Considere una viga simplemente apoyada. La longitud de la viga es de 20 m; el modulo de
elasticidad E es 200GPa; y es sometida a una carga distribuida igual a 500 kN/m. El
momento de inercia I se asume uniformemente distribuido con valor de media y cov iguales
a 200 x 109 mm4 and 0.10. La deflexin a la mitad del claro es
5l4
= 384EI
Calcule la media y la desviacin estndar de usando 30 valores e la distribucin

estndar uniforme de la siguiente tabla.
0.1608 0.3794 0.7285 0.0324 0.3494 0.5822 0.4806 0.6499 0.6407 0.6799 0.2519
0.2815 0.6632 0.4541 0.2658 0.7984 0.9567 0.9751 0.1715 0.9016 0.7404 0.2603
0.9677 0.0489 0.8603 0.6583 0.6927 0.4992 0.1711 0.0289
Tabla. 30 valores de U
Ya que tratamos con una distribucin uniforme, podemos emplear el mtodo de
momentos para estimar los parmetros a y b de la siguiente manera:
(a +b) /2 = 200x 10 y (b -a) / 12= 200x 10 x 0.10 = 20 x 10
9
As, a = 165.36 x 109 y b

siguiente tabla.
= 234.64 x 109. Los valores obtenidos de I se muestran en la
Tabla. Valores de I (x109 mm4)

176.50 191.64 215.83 167.61 189.57 205.70 198.66 210.38 209.75 212.46 182.81
184.86 211.31 196.82 183.77 220.67 231.64 232.92 177.24 227.83 216.66 183.39
232.41 168.74 224.96 210.97 213.35 199.94 177.21 167.36
70

Sustituyendo los valores de la tabla anterior en la ecuacin de la deflexin,

tenemos:
Tabla. Valores de (m)
0.0295 0.0272 0.0241 0.0311 0.0275 0.0253 0.0262 0.0248 0.0248 0.0245 0.0285
0.0282 0.0246 0.0265 0.0283 0.0236 0.0225 0.0224 0.0294 0.0229 0.0240 0.0284
0.0224 0.0309 0.0232 0.0247 0.0244 0.0260 0.0294 0.0311
Finalmente, la media y la desviacin estndar, obtenidos a partir de la tabla anterior,
son: 0.0262 (m) y 0.0027 (m), respectivamente.
Ejemplo de simulacin de una historia en el tiempo

En la siguiente figura se muestra el espectro (de un solo lado) en un punto del proceso
, del cual deseamos simular una historia en el tiempo representativa. Como se
muestra, el intervalo de frecuencia del espectro se ha dividido en cinco segmentos
iguales de frecuencia. A partir de los cuales, los valores correspondientes de
y
,
1,2, ,5, pueden obtenerse. Por lo anterior, el proceso
se
2
.
representa por cinco componentes armnicos, de amplitudes
As, la historia en el tiempo puede determinarse mediante la siguiente expresin:
2
, deben obtenerse. Inicialmente los cinco

donde cinco valores aleatorios
componentes cocenoidales aparecen con lnea continua con cierta seleccin de
valores
. La suma de estos componentes se ilustra en la parte inferior de la figura
de cosenoides y es una representacin arbitraria del proceso
. Si el segundo y
cuarto componente se recorren en un incremento de tiempo arbitrario y se suman a las
componentes restantes idnticas, se obtiene la representacin arbitraria graficada con
lnea punteada. Como podemos ver las dos representaciones simuladas lucen bastante
diferentes en el dominio del tiempo. Sin embargo, ambas comparten la misma
densidad espectral. Es importante sealar que ambas tienen por ejemplo media cero y
la misma varianza.
71

Densidad Espectral
2
k
1
2
3
4
5
16
30
18
10
4
0.35
0.45
0.55
0.65
0.75
0.1
0.1
0.1
0.1
0.1
2
1.8
2.4
1.9
1.4
0.9
72

Cosenoides y x(t)
73

Notas Mate APE v10

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Notas Mate APE v10

Cargado por

Copyright:

Formatos disponibles

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

Notas preparadas por: Dr. Adrin Pozos-Estrada

TEMA 3. Algebra vectorial y matricial

Algebra Vectorial en espacios bidimensionales y tridimensionales

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

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

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

Producto interno y vectorial

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

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

Figura 2 ngulo entre vectores y valor del producto interno

Las propiedades se derivan en el ejemplo ilustrativo correspondiente a producto interno. Tambin,

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

Figura 3 Resultante del producto vectorial o cruz

La forma general de una matriz sobre R es:

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

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

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

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

n x p, de tal forma que B

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

est definido por:

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

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

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

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

de donde se obtiene que:

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

y finalmente, la solucin con la norma mnima es:

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

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

Figura 4 Solucin asociada a la norma mnima

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

La minimizacin de e es el vector solucin:

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

Sustitucin hacia atrs

La generalizacin de las expresiones anteriores est dada por:

donde a1,,am son escalares arbitrarios.

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

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

Rango de una matriz

Mtodos para determinar el rango de una matriz

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

a) Mediante eliminacin de Gauss

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

La matriz anterior tiene forma escalonada. Recordamos el teorema:

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

Paso 3) Determine el rango de la matriz A

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

La matriz escalonada resulta en:

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

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

Tienen el mismo rango.

Matemticas Aplicadas a la Ingeniera Estructural: lgebra lineal

. Existen soluciones no triviales si

Siempre tiene la solucin trivial

, estas soluciones junto con incgnitas

, forman un espacio vectorial de dimensin

son vectores solucin de (2), entonces

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

Inversa de una matriz

donde es la matriz unitaria de

La inversa de una matriz

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