“UNIVERSIDAD NACIONAL DEL SANTA”

“FACULTAD DE INGENIERÍA”
E.A.P. INGENIERÍA MECÁNICA

“EIGENVALORES Y EIGENVECTORES”

DOCENTE:
RISCO OJEDA, Rusber Alberto

CARRERA:
INGENIERÍA MECÁNICA

CICLO:
V

ESTUDIANTE:

 CRUZ VARGAS, Fabrizzio Sebastian

 Bravo Mendoza, Alexandro

CURSO: SIMULACIÓN

Nuevo Chimbote – Perú

2020
1
 ÍNDICE
INTRODUCCIÓN ............................................................................................................. 4
CAPÍTULO I
1. OBJETIVOS .............................................................................................................. 6
1.1. OBJETIVO GENERAL ........................................................................................ 6
1.2. OBJETIVOS ESPECÍFICOS ................................................................................. 6
2. EIGENVALORES Y EIGENVECTORES ...................................................................... 6
2.1. INTERPRETACIÓN GRÁFICA ............................................................................ 7
2.2. EIGENVALORES Y EIGENVECTORES DE UNA MATRIZ ................................... 7
2.2.1. EJEMPLOS ................................................................................................. 8
3. POLINÓMIO CARACTERISTICO............................................................................... 8
3.1. EJEMPLOS ........................................................................................................ 9
4. MULTIPLICIDAD ....................................................................................................10
4.1. MULTIPLICIDAD GEOMÉTRICA ......................................................................10
4.2. MULTIPLICIDAD ALGEBRAICA ......................................................................11
4.3. RELACION ENTRE MULTIPLICIDAD ALGEBRAICA Y GEOMÉTRICA..............12
5. TIPOS DE EIGENVALORES PARA 𝜆0ϵ Λ(A),............................................................12
5.1. EIGENVALOR DEFECTUOSO ...........................................................................12
5.2. EIGENVALOR SIMPLE .....................................................................................13
5.3. EIGENVALOR SEMISIMPLE .............................................................................13
6. PROBLEMAS ..........................................................................................................13
7. DIAGONALIZACIÓN ...............................................................................................16
7.1. TEOREMAS ......................................................................................................18
7.1.1. FORMA CANÓNICA DE JORDAN ..............................................................18
7.1.2. TEOREMA DE BAUER-FIKE ......................................................................19
8. POTENCIA DE MATRICES ......................................................................................21
8.1. EJEMPLO .........................................................................................................22
9. ECUACIONES EN DIFERENCIA...............................................................................22
10. TIPOS DE MATRICES...........................................................................................23
10.1. MATRIZ SIMETRICA ....................................................................................23
10.2. MATRIZ ORTOGONAL .................................................................................24
10.2.1. DEMOSTRACIÓN ......................................................................................24

2
 10.3. MATRIZ UNITARIA ......................................................................................26
10.3.1. EJEMPLO ..................................................................................................26
10.4. MATRIZ NORMAL .......................................................................................26
10.5. MATRIZ HERMITIANA .................................................................................26
10.5.1. DEMOSTRACIÓN ......................................................................................27
CAPITULO II
11. TRAYECTORIA DE UN PROYECTIL.....................................................................29
12. FLEXION DE VIGAS ............................................................................................30
13. CIRCUITOS ELECTRICOS ....................................................................................31
ESTUDIO DE LA VIBRACIÓN DEL AMORTI GUAMI ENTO DE UN AUTO ...................31
RECOMENDACIONES ....................................................................................................39
CONCLUSIONES ............................................................................................................39
REFERENCIAS BIBLIOGRÁFICAS ..................................................................................40

3
 INTRODUCCIÓN

La presente monografía titulada “Eigenvalores y Eigenvectores: Aplicaciones en la

Ingeniería””, ha sido realizada para el curso de Simulación I, dentro del marco del

cumplimiento de los lineamientos de Investigación Formativa de la Universidad Nacional

Del Santa.

Nuestro producto enfocado en los conceptos matemáticos empleados en los cálculos de las

matrices. Este informe se encontrara un repaso en el curso de Algebra lineal con un gran

énfasis en el tema de Análisis numérico. A su vez se planteara los usos y las adaptaciones de

este tema en el campo de la ingeniería, se representaran de una manera precisa y técnica.

Este trabajo tiene el objetivo fundamental de seleccionar la información exacta y precisa

sobre la incorporación de Eigenvalores y Eigenvectores en el campo de la ingeniería. Por

esta razón tenemos como objetivo específico identificar cada uno de los pasos para llevar a

cabo un planteamiento y desarrollo del problema y posteriormente como segundo objetivo

específico es encontrar la importancia que tiene estos a nivel general, es decir, en cualquier

campo en que se aplique.

Esperamos que este trabajo sirva de agrado y de motivación para prósperas investigaciones,

puesto que, el tema selecto es de gran interés para el mejoramiento del ecosistema y se desea

que cumpla las expectativas del público lector en especial las de nuestro docente.

4
CAPITULO I
(CONCEPTOS BÁSICOS)

5
1. OBJETIVOS

1.1. OBJETIVO GENERAL

- La aplicación de Eigenvalores y Eigenvectores en el campo de la Ingeniería.

1.2. OBJETIVOS ESPECÍFICOS

- Explicación y demostración de los diferentes métodos mediante Eigenvalores y

Eigenvectores.

- Definir que es un Eigenvalor y un Eigenvector

- Interpretar y demostrar la definición de una Base propia

2. EIGENVALORES Y EIGENVECTORES1

Si A es una matriz perteneciente a 𝔽𝑛𝑥𝑛, donde 𝜆0 ϵ ℂ es un Eigenvalor de A si existiese

un valor que sea nulo 𝑥 ϵ ℂ𝑛 tal que

𝐴𝑥 = 𝜆0 𝑥

Si el conjunto de Eigenvalores de A se le detona como Λ; y a este conjunto mismo se le

define con el nombre de espectro de A. Si 𝜆0 ϵ Λ, los vectores x ≠ 0 para que 𝐴𝑥 = 𝜆0 𝑥

se les conoce como Eigenvectores de A asociados al Eigenvalor 𝜆0 . Para 𝜆0 ϵ Λ sea

(Anton, 1994).

𝑆𝜆0 = {𝑥 ϵ ℂ𝑛 |𝐴 𝑥 = 𝜆0 𝑥}

Este conjunto se le considera un subespacio vectorial de ℂ𝑛 que se conoce con el nombre

de subespacio propio de A agregado a 𝜆0 .

𝑥 ϵ 𝑆𝜆0 ⇔ (𝜆0 𝐼𝑛 − 𝐴 )𝑥 = 0

1
Eigenvalor: Valor propio y Eigenvector: Vector propio

6
Resulta en que el subespacio propio de A agregado a 𝜆0 es de 𝐾𝑒𝑟(𝜆0 𝐼𝑛 − 𝐴). Además

si 𝑥 ϵ 𝑆𝜆0 entonces

(𝜆0 𝐼𝑛 − 𝐴 )𝐴𝑥 = 𝐴 (𝜆0 𝐼𝑛 − 𝐴 )𝑥 = 0,

De manera que 𝐴𝑥 ϵ 𝑆𝜆0 . Los subespacios que realizan esta propiedad (x ϵ S → Ax ϵ S)

se les conoce como subespacios invariantes por A.

Los términos Eigenvalor y vector propio correspondientes a los términos Valor propio y

Vector Propio.

2.1. INTERPRETACIÓN GRÁFICA

Graficando en un plano R2, se interpreta, Si λ se le considera un “Eigenvalor”

perteneciente a la matriz A y x es un Eigenvector la misma matriz correspondiente a

λ, siendo así la multiplicación de x por la matriz A produciendo un vector λx paralelo

al vector x, como se demuestra a continuación:

2.2. EIGENVALORES Y EIGENVECTORES DE UNA MATRIZ

Si A se representa como una matriz cuadrada, por consiguiente un escalar λ es un

auto valor de A si es que satisface la ecuación

𝑑𝑒𝑡(λI − 𝐴 )

7
 2.2.1. EJEMPLOS

EJEMPLO 1

Calcule los Eigenvalores de la siguiente matriz 2x2

1 2
𝐴= ( )
3 2
1 0 1 2 λ − 1 −2
λI − 𝐴 = λ ( )− ( )= ( )
0 1 3 2 −3 λ − 2

det (λI − 𝐴 ) = λ2 − 3λ − 4 = 0

λ = 4 o λ = −1

3. POLINÓMIO CARACTERISTICO

Sea una matriz de 𝑛 𝑥 𝑛 y sea λ un escalar. Es decir, que al desarrollar (λI − 𝐴), cuyos

ceros son precisamente los Eigenvalores de la matriz A, se le conoce como polinomio

característico, donde su solución es su determinante:

1 0 … … 0 𝑎11 𝑎12 … … 𝑎1𝑛

0 1 … … 0 𝑎 21 𝑎 22 … … 𝑎 2𝑛
λI − 𝐴 = λ … … … … … − … … … … …
… … … … … … … … … …
(0 0 … … 1 ) ( 𝑎 𝑛1 𝑎 𝑛2 … … 𝑎 𝑛𝑛 )

λ − 𝑎11 −𝑎12 … … 𝑎1𝑛

−𝑎 21 λ − 𝑎 22 … … −𝑎 2𝑛
= … … … … …
… … … … …
( −𝑎 𝑛1 −𝑎 𝑛2 … … λ − 𝑎 𝑛𝑛 )

Desarrollando el determinante obtenemos:

p(λ) = λn + 𝑃1 λn−1 + … … + 𝑝𝑛−1 λ + 𝑝𝑛

pA (λ) = det (λIn − 𝐴)

8
3.1. EJEMPLOS

EJEMPLO 1

Calcular el polinomio característico de la siguiente matriz de 2x2

4 −5
𝐴=( )
2 −3

1 0 1 2 λ − 1 −2
λI − 𝐴 = λ ( )− ( )= ( )
0 1 3 2 −3 λ − 2

Como se sabe la fórmula del polinomio característico es:

pA (λ) = det (λIn − 𝐴), entonces

λ − 1 −2
= 𝑑𝑒𝑡 ( )
−3 λ − 2

= λ2 − λ − 2

Por lo tanto pA (λ) = λ2 − λ − 2

EJEMPLO 2

Calcular el polinomio característico de la siguiente matriz 3x3 simétrica real

1 1 3
𝐴 = (1 3 1)
1 2 2

Como se sabe la fórmula del polinomio característico es:

pA (λ) = det (λIn − 𝐴), entonces

λ 0 0 1 1 3
= 𝑑𝑒𝑡 (0 λ 0) − (1 3 1)
0 0 λ 1 2 2

λ − 1 −1 −3
= 𝑑𝑒𝑡 ( −1 λ − 3 −1 )
−1 −2 λ − 2

= λ3 − 6λ2 + 5𝑣

Por lo tanto pA (λ) = λ3 − 6λ2 + 5λ

9
4. MULTIPLICIDAD

4.1. MULTIPLICIDAD GEOMÉTRICA

Se interpreta la multiplicidad geométrica de “𝜆0 ”como la dimensión subespacial

propia de A concomitante ha λ0 , demostrando por 𝑚𝑔𝐴 (𝜆0), todo esto cuando

𝜆0 ϵ Λ(A):

𝑚𝑔𝐴 (𝜆0 ) = dim 𝐾𝑒𝑟 ( λ0 In − 𝐴)

Por otro lado,

λ0 𝜖 𝛬 (𝐴 ) ⟺ ∃𝑥 ≠ 0 𝑡. 𝑞. (𝜆0 𝐼𝑛 − 𝐴 )𝑥 = 0 ⟺ det (𝜆0 𝐼𝑛 − 𝐴 ) = 0

Si λ se considera una indeterminada, la matriz (𝜆0 𝐼𝑛 − 𝐴) se define en 𝔽[𝜆] , la anillo

de los polinomios de la “indeterminada 𝜆” con coeficiente 𝔽; i.e.

(𝜆𝐼𝑛 − 𝐴 𝜖 𝔽[𝜆]𝑛𝑥𝑛 )

Como 𝔽[𝜆] es un anillo conmutativo se puede calcular de la misma forma en que se

halla el polinomio característica mediante la determinante de 𝜆𝐼𝑛 − 𝐴. El cual como

se observa como polinomio con grado n de coeficiente 1, a todo polinomio de

coeficiente principal 1 se le conoce como polinomio Mónico.

Por lo tanto si simplificamos el polinomio en ℂ, se desintegra como producto de

potencia de factores lineales (Konmal & Hill, 2006).

𝑝(𝜆) = (𝜆 − 𝜆1 ) 𝑚1(𝜆 − 𝜆1 ) 𝑚2 … . (𝜆 − 𝜆1 ) 𝑚𝑠 ,𝜆𝑖 ≠ 𝜆𝑗 ,

Por lo que Λ(A) = {𝜆1 , 𝜆2 , … . , 𝜆𝑠 } porque 𝜆0 ϵ Λ(A) si y solo si det (λ0 In − 𝐴 ) ≠ 0

10
4.2. MULTIPLICIDAD ALGEBRAICA

Se le conoce al número 𝑚 𝑖 como multiplicidad algebraica de 𝜆𝑖 que tiene un

Eigenvalor de A y que es representado de la siguiente forma:

𝑚𝑎𝐴 (𝜆𝑖 )

Es decir, que “la multiplicidad algebraica” de un Eigenvalor es una multiplicidad de

la raíz del “polinomio característico”.

Si no existe posibilidad de confusión, la notación de las multiplicidades algebraicas

y geométricas ( 𝑚𝑎𝐴 (𝜆0 ) y 𝑚𝑔𝐴 (𝜆0 ) ) se suprime los subíndices que se referencia la

matriz (Konmal & Hill, 2006).

Por otro lado, si A, B 𝜖 𝔽𝑛𝑥𝑛 son semejantes, i.e., 𝐴 = 𝑇 −1 𝐵𝑇 para cualquier matriz

donde 𝑇 𝜖 𝐹𝐼𝑛 (𝔽), estos cuentan con el mismo polinomio característico, 𝑝𝐴 (𝜆) =

𝑝𝐵 (𝜆). Por lo cual

𝑝𝐴 (𝜆) = det (𝜆𝐼𝑛 − 𝐴 ) = det (𝜆𝐼𝑛 − 𝑇 −1 𝐵𝑇) =

= det (𝑇 −1 (𝜆𝐼𝑛 − 𝐵)𝑇) = det (𝑇 −1 ) det (𝑇) det (𝜆𝐼𝑛 − 𝐵) =

= det (𝜆𝐼𝑛 − 𝐵) = 𝑃𝐵 (𝜆)

Una inferencia de esta propiedad es que Λ(A) = Λ(B) y para cada 𝜆0 𝜖 Λ(A) = Λ(B),

𝑚𝑎𝐴 (𝜆0) = 𝑚𝑎 𝐵 (𝜆0 ). Asimismo se conoce que 𝑚𝑔𝐴 (𝜆) = 𝑚𝑔𝐵 (𝜆) porque

ker ( 𝜆0 𝐼𝑛 − 𝐴 ) = 𝑇 −1 ker(𝜆0 𝐼𝑛 − 𝐵)

Por lo que se expresa por una doble inclusión

x 𝜖 ker( 𝜆0 𝐼𝑛 − 𝐴 ) ⟺ (𝜆0 𝐼𝑛 − 𝐴 )𝑥 = 0 ⟺ 𝑇 −1 (𝜆0 𝐼𝑛 − 𝐵)𝑇𝑥 = 0 ⟺

(𝜆0 𝐼𝑛 − 𝐵) 𝑇𝑥 = 0 ⟺ Tx 𝜖 ker( 𝜆0 𝐼𝑛 − 𝐵) ⟺ 𝑥 𝜖 𝑇 −1 𝐾𝑒𝑟 (𝜆0 𝐼𝑛 − 𝐵) .

Igualmente, T es invertible, dim ker ( 𝜆0 𝐼𝑛 − 𝐴 ) = dim ker( 𝜆0 𝐼𝑛 − 𝐵)

11
 4.3. RELACION ENTRE MULTIPLICIDAD ALGEBRAICA Y GEOMÉTRICA

Cuando 𝐴 𝜖 𝔽𝑛𝑥𝑛 y 𝜆0 ϵ Λ(A), entonces 𝑚𝑎( 𝜆0 ) ≥ 𝑚𝑔( 𝜆0 )

Si a 𝑚𝑔( 𝜆0 ) = 𝑟 y {𝑡1 , … … , 𝑡𝑟 } se le considera una base del subespacio propio

S𝜆0 = ker( 𝜆0 𝐼𝑛 − 𝐴 ). Expandiendo la base {𝑡1 , … … , 𝑡𝑟 , 𝑡𝑟+1 ,… . 𝑡𝑛 } se obtiene una

base de ℂ𝑛 . Poniendo 𝑇 = [𝑡1 . 𝑡2 … , 𝑡𝑛 ] la matriz con columnas se les considera

vectores. Por lo que 𝐵 = 𝑇 −1 𝐴𝑇. Veamos la forma que tiene esta matriz (Salas &

Villaseñor, 2017).

𝐴𝑇 = {𝐴𝑡1 … 𝐴𝑡𝑟 𝐴𝑟𝑟+1 … 𝐴𝑡𝑛 ] = [𝜆0 𝑡! … 𝜆0 𝑡𝑟 𝑦𝑟+1 … 𝑦𝑛 ] =

𝜆 𝐼 𝐶
= [𝑡1 , … … , 𝑡𝑟 𝑡𝑟+1 , … . 𝑡𝑛 ] [ 0 𝑟 ] = 𝑇𝐵
0 𝐷

Por lo que

(𝜆 − 𝜆0 )𝐼𝑟 −𝐶
𝜆𝐼𝑛 − 𝐵 = [ ]
0 𝜆𝐼𝑛−𝑟 − 𝐷

Aplicando la determinante

det (𝜆𝐼𝑛 − 𝐵) = (𝜆 − 𝜆0 )𝑟 det(𝜆𝐼𝑛−𝑟 − 𝐷)

Se observa que A y B tiene para cada uno de sus Eigenvalores las mismas

multiplicidades algebraicas y geométricas y 𝜆0 se le consideraría como Eigenvalor

de D, se concluye que 𝑟 = 𝑚𝑎 ( 𝜆0 ) ≥ 𝑚𝑔( 𝜆0 ).

5. TIPOS DE EIGENVALORES PARA 𝜆0 ϵ Λ(A),

5.1. EIGENVALOR DEFECTUOSO

Se le considera a 𝜆0 Eigenvalor defectuoso de A, cuando 𝑚𝑎 ( 𝜆0 ) ≥ 𝑚𝑔( 𝜆0 ). Caso

opuesto se le considera no defectuoso. Para la matriz A menciona es defectuoso si

esta cuanta con un Eigenvalor defectuoso, caso opuesto no (Lay, 2013).

12
 5.2. EIGENVALOR SIMPLE

Se le considera a 𝜆0 Eigenvalor simple de A, cuando 𝑚𝑎 ( 𝜆0 ) = 1. Para la matriz A

es simple siempre y cuando sus Eigenvalores sean simples (Lay, 2017).

5.3. EIGENVALOR SEMISIMPLE

Se le considera a 𝜆0 semisimples cuando estos Eigenvalores no defectuosos no son

simples. Para la matriz A considerada semisimple si sus valores son simples o

semisimples (Lay, 2017).

Se debe de aclarar que para una matriz se considera igual ser “semisimple” o ser “no

defectuosa” y en el caso de las matrices simples estas tienen siempre sus Eigenvalores

distintos. Lado contrario, las matrices cuales Eigenvalores cuentan con multiplic idad

geométrica, se les conoce con el nombre de “no derogatorias”. Por lo que las matrices simples

considerabas a su vez “no defectuosas” y “no derogatorias” (Lay, 2017).

ACLARACIÓN

El nombre “Matrices defectuosas” se origina debido a que la mayoría de las matrices

consideradas no defectuosas. Pues observamos que el conjunto de matrices no defectuosas

se le considera un “conjunto abierto” y “sólido” en todas las matrices cuadradas. Es decir,

que tan cerca cómo se quiere de una matriz defectuosas hay algunas que no son (Konmal,

2006).

6. PROBLEMAS

Hallar el polinomio característico, Eigenvectores y los Eigenvalor de las siguientes

matrices

4 2
𝑎) 𝐴 = ( )
3 3

13
 1 −1 4
𝑏) 𝐴 = (3 2 −1)
2 1 −1

Solución

4 2
𝑎) 𝐴 = ( )
3 3

λ −1 −2
det (𝐴 − λI) = 𝑑𝑒𝑡 ( )
−3 λ− 2

= λ2 − 7λ + 6

(λ − 1)(λ − 6) = 0

Entonces los Eigenvalores de la matriz A son λ1 = 1 y λ2 = 6

Según la fórmula (A − Iλ)𝑥 = 0

Para λ1 = 1, se resuelve

3 2 𝑥1 0
( )( )= ( )
3 2 𝑥2 0
2
𝑥1 = ( ) , 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠
−3

2
𝐸1 = 𝑔𝑒𝑛 {( ) }
−3

Para λ2 = 6, se resuelve

−2 2 𝑥1 0
( ) (𝑥 ) = ( )
3 −3 2 0
1
𝑥 2 = ( ) , 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠
1

2
𝐸2 = 𝑔𝑒𝑛 {( ) }
−3

Se observa como x1 y x2 son totalmente independientes uno del otro, se demuestra de tal

manera en que uno no es múltiplo de otro

14
 1 −1 4
𝑏) 𝐴 = (3 2 −1)
2 1 −1

1 −λ −1 4
det (𝐴 − λI) = 𝑑𝑒𝑡 ( 3 2− λ −1 )
2 1 −1 − λ

= λ3 − 2λ2 + 5λ + 6

= −(λ − 1)(λ + 2)(λ − 3) = 0

Entonces los Eigenvalores de la matriz A son λ1 = 1 , λ2 = −2 y λ3 = 3

Para λ1 = 1 se tiene

1 −1 4 𝑥1 0
(A − I)v = (3 2 −1) (𝑥 2 ) = (0 )
2 1 −1 𝑥 3 0

−1
𝑥1 = ( 4 ) , entonces
1

−1
𝐸1 = 𝑔𝑒𝑛 {( 4 ) }
1

Para λ1 = −2 se tiene

3 −1 4 𝑥1 0
(A − 2I) v = (3 4 −1) (𝑥 2 ) = ( 0)
2 1 −1 𝑥 3 0

1
𝑥1 = (−1) , entonces
−1

1
𝐸1 = 𝑔𝑒𝑛 {(−1 ) }
−1

Para λ1 = 3 se tiene

−2 −1 4 𝑥1 0
(A − 3I)v = ( 3 −1 −1) (𝑥 2) = (0)
2 1 −4 𝑥 3 0

15
 1
𝑥1 = (2 ), entonces
1

1
𝐸1 = 𝑔𝑒𝑛 {(2) }
1

7. DIAGONALIZACIÓN

Se menciona que 𝐴 𝜖 𝔽𝑛𝑥𝑛 es diagonalizable si esta similar a una matriz diagonal.

Si A se puede diagonalizar, las “matrices diagonales” a las que son similares son matrices

cuales componentes diagonales son Eigenvalores que pertenecen a A. Efectivamente, si

𝑇 −1 𝐴𝑇 = 𝐷 = 𝐷𝑖𝑎𝑔(𝑑1 , … . . , 𝑑𝑛 ) por lo que A y D tienen el mismo polinomio

característico (Beer & Otros, 2015).

det (𝜆𝐼𝑛 − 𝐷) = (𝜆 − 𝑑1 )(𝜆 − 𝑑2 ) … … (𝜆 − 𝑑𝑛 )

Por lo que 𝑑1 , … … , 𝑑𝑛 son Eigenvalores de D, y de la misma manera de A. En algunos

casos son valores repetidos.

Existen casos donde 𝐴 𝜖 𝔽𝑛𝑥𝑛 se le considera no defectuosa si es diagonalizable.

Notoriamente si A es diagonalizable es considerada no defectuosa porque la

multiplicidad algebraica de sus Eigenvalores es 1 (Anónimo, 2013).

Mutuamente, si A es no defectuosa en tal caso para cada 𝜆0 ϵ Λ(A) se tiene que 𝑚𝑎( 𝜆0 ) =

𝑚𝑔(𝜆0 ). Por lo que suponemos que (Salas & Villaseñor, 2017).

Λ(A) = {𝜆1 , … . . , 𝜆𝑠 } Y

𝑚𝑎( 𝜆1 ) = 𝑚𝑔(𝜆1 ) = 𝑚 𝑖 , 𝑖 = 1, … . , 𝑠

Esto representa que dim ker (𝜆𝐼𝑛 − 𝐴 ) = 𝑚 𝑖 y 𝑚𝑖 + … … . +𝑚 𝑠 = 𝑛. Pero si la suma

ker (𝜆1 − 𝐴 ) +. . . + dim ker ( 𝜆𝑠 𝐼𝑛 − 𝐴 ) es directa, de tal manera que dim (ker (𝜆1 −

𝐴 ) +. . . + dim ker ( 𝜆𝑠 𝐼𝑛 − 𝐴 )) = 𝑚1 + … . +𝑚𝑠 = 𝑛. Es decir, ℂn = ker (𝜆1 − 𝐴 ) +

16
⋯ + ker (𝜆𝑠 𝐼𝑛 − 𝐴 ). Por lo que, si {𝑡𝑖𝑖 , … . . , 𝑡𝑖𝑚𝑖 } se le considera una base de

ker ( 𝜆𝑠 𝐼𝑛 − 𝐴 ) y 𝑇 = {𝑡11 , … , 𝑡1𝑚1 … . . . 𝑡𝑠1 … … , 𝑡𝑠𝑚𝑆 }, las columnas que forman parte

de T también forma parte de una base de ℂn y a su vez a T se le considera invertible. Por

lo que

𝐴𝑇 = [𝐴𝑡11 … 𝐴𝑡1𝑚1 … . . 𝐴𝑡𝑠1 … . . 𝐴 𝑡𝑠𝑚𝑠 ] =

= [ 𝜆1 𝑡11 … 𝜆1 𝑡1𝑚1 … . . 𝜆𝑠 𝑡𝑠1 … . . 𝜆𝑠 𝑡𝑠𝑚𝑠 ] =

𝜆1
…
𝜆1
= [ 𝑡11 … 𝑡1𝑚1 … . . 𝑡𝑠1 … . . 𝑡𝑠𝑚𝑠 ] … =
𝜆𝑠
…
[ 𝜆𝑠 ]

= 𝑇𝐷

Ya que T es invertible. 𝑇 −1 𝐴𝑇 = 𝐷 Teniendo D como diagonal.

Todo esto nos demuestra que A es diagonalizable y si se forma una matriz T cuyas

columnas sean Eigenvectores relacionados con los Eigenvalores de A (un Eigenvalor por

vector existente) por lo que T se vuelve invertible y 𝑇 −1 𝐴𝑇 = 𝐷 se vuelve una matriz

diagonal, por lo tanto sus valores diagonales se vuelve Eigenvalores de A. Pero el

recíproco también se encuentra cierto: si 𝑇 −1 𝐴𝑇 = 𝐷 se vuelve diagonal, entonces los

Eigenvalores de A se consideran diagonales de D y la i-ésima columna de T se convierte

en Eigenvector de A relacionado al Eigenvalor que se sitúa en la i-esima posición de la

diagonal de D (Anton, 1994).

17
 7.1.TEOREMAS

7.1.1. FORMA NORMATIVA DE JORDAN

Debido a 𝐴 𝜖 𝔽𝑛𝑥𝑛 existe una “matriz no singular” 𝑇 𝜖 ℂ𝑛𝑥𝑛 de esa manera

𝑇 −1 𝐴𝑇 = 𝐽 es la “forma normativa2 de Jordan” de A. Por lo que, J se vuelve

una matriz diagonal compuesta con conjuntos 𝐽=

𝑑𝑖𝑎𝑔(𝐽𝑛1 (𝜆1 ), 𝐽𝑛2 (𝜆1 ), … , 𝐽𝑛𝑠 (𝜆𝑠 )) y 𝐽𝑛𝑖 (𝜆1 ) =

𝑑𝑖𝑎𝑔(𝐽𝑛𝑖1 (𝜆𝑖 ), 𝐽𝑛𝑖2 (𝜆𝑖 ), … , 𝐽𝑛𝑖 (𝜆𝑖 )) con

𝑟𝑖

𝜆𝑖 1 … 0 0
0 𝜆𝑖 … 0 0 𝑥𝑛𝑖𝑗
𝑛𝑖𝑗
𝐽𝑛𝑖𝑗 (𝜆 𝑖) = … … … … … 𝜖ℂ
0 0 … 𝜆𝑖 1
[0 0 … 0 𝜆𝑖 ]

La forma canónica de Jordan brinda todo tipo de referencia sobre la

“estructura propia” de la matriz A. Por lo que, sus Eigenvalores que son

𝜆1 … … . . 𝜆𝑠 ; la multiplicidad geométrica en 𝜆𝑖 es representada por 𝜆𝑖 y su

multiplicidad geométrica es 𝑟𝑖 , se considera el numero de bloques diagonales

existentes en 𝐽𝑛𝑖 (𝜆𝑖 ) (Beer & Otros, 2015).

2
Formativa=Canónica

18
 7.1.1.1. CONDICIÓN
- La matriz no siempre es dependiente de A ya que a pesar de que existen errores
de redondeos, estos así sean minúsculos pueden llegar a cambiar completamente

la matriz.

0 1
𝐽𝑛 (0) = [ … … ]
… … 1
0
Se presenta una matriz de Jordan. Entonces, para ɛ todo lo pequeño que

requiera, si se le adiciona el 𝑛ú𝑚𝑒𝑟𝑜𝑖 . ɛ al elemento con posición (i,i) de

Jn(0), por lo que resultaría en que la matriz tenga distintos Eigenvalores

permitiendo que esta sea diagonalizable (Rico, 2016).

- No siempre se puede calcular la matriz en una forma estable. Debido a que la

forma de Jordan es diagonal, es decir 𝑇 −1 𝐴𝑇 = 𝐽 y T se encuentran mal

condicionadas, pues los Eigenvalores deducidos pueden llegar a ser muy

opuestos a los exactos (Rico, 2016).

7.1.2. TEOREMA DE BAUER-FIKE

Si se tiene una matriz diagonalizable 𝐴 𝜖 𝔽𝑛𝑥𝑛 y T se presente de manera que

𝑇 −1 𝐴𝑇 = 𝐷 = 𝐷𝑖𝑎𝑔(𝜆1 … … . . 𝜆𝑠 ). Por lo que, por cada 𝜆 𝜖 Λ(𝐴 +

𝐸 ), 𝐸𝜖𝔽𝑛𝑥𝑛, se cuenta con

min |𝜆𝑖 − 𝜆| ≤ ‖𝑇‖ ‖𝑇 −1 ‖ ‖𝐸 ‖

1≤𝑖≤𝑛

Donde ‖ . ‖ se representa por cualquier norma que tenga una matriz inducida

esto a causa de una norma presentada del vector 𝑙 𝑝

19
 Teniendo en cuenta que el número de condición de T es 𝑘(𝑇) =

‖𝑇‖ ‖𝑇 −1 ‖, por tal que el resultado menciona que si T se encuentra mal

complementada por lo que los Eigenvalores de A+E se encuentran más lejos

de “A” a pesar de que E sea diminuto.

7.1.2.1.DEMOSTRACIÓN

Se sabe min |𝜆𝑖 − 𝜆| = 0 si es que 𝜆 𝜖 Λ(A), si esta razón se cumple no

1≤𝑖≤𝑛

se tiene que demostrar, caso contrario, entonces será 𝜆 ≠ 𝜆𝑖 para cualquier

𝑖 = 1, … . , 𝑛 y 𝜆𝐼𝑛 − 𝐷 que es invertible.

Ya que 𝜆 𝜖 Λ(𝐴 + 𝐸 ), se estable un valor nulo 𝑥 𝜖 ℂ𝑛, de tal manera que

(𝐴 + 𝐸 )𝑥 = 𝜆𝑥, por lo que:

𝐸𝑥 = (𝜆𝐼𝑛 − 𝐴 )𝑥 = (𝜆𝐼𝑛 − 𝑇𝐷𝑇 −1 )𝑥

= 𝑇 (𝜆𝐼𝑛 − 𝐷) 𝑇 −1 𝑥

Sabiendo

𝑇 −1 𝑥 = 𝑦

Por lo que reemplazando

𝑇 −1 𝐸𝑥 = (𝜆𝐼𝑛 − 𝐷) 𝑦

Poniendo en función de vector

||𝑦|| ≤ ||(𝜆𝐼𝑛 − 𝐷) −1 || ||𝑇 −1 || ||𝐸 || ||𝑇|| ||𝑦||

Se sabe qué y ≠ 0

1 ≤ ||(𝜆𝐼𝑛 − 𝐷) −1 || ||𝑇−1 || ||𝐸 || ||𝑇|| … … … . (1)

1 1
Si, (𝜆𝐼𝑛 − 𝐷) −1 = 𝐷𝑖𝑎𝑔 ( , … ., ) y con la condición de que
𝜆−𝜆1 𝜆−𝜆𝑛

cualquier matriz diagonal 𝐵 = 𝐷𝑖𝑎𝑔 (𝑏1 , … . , 𝑏𝑛 )

‖𝐵‖ = 𝑚á𝑥1≤𝑖≤𝑛 |𝑏𝑖|

20
 ‖𝐵‖ = 𝑚á𝑥1≤𝑖≤𝑛 |𝐵𝑥|𝑝

Pero

𝑏1 𝑥1
𝑏 𝑥
𝐵𝑥 = [ 2 2 ]
⋮
𝑏𝑛 𝑥𝑛

Así que para 𝑥 𝜖 𝔽𝑛 se obtiene

‖𝐵𝑥‖𝑝 = 𝑚𝑎𝑥1≤𝑖≤𝑛 |𝑏𝑖 | ||𝑥||𝑝 = 𝑚𝑎𝑥1≤𝑖≤𝑛 |𝑏𝑖 |

‖𝐵‖ = 𝑚á𝑥1≤𝑖≤𝑛 |𝐵𝑥|𝑝 = 𝑚𝑎𝑥1≤𝑖≤𝑛 |𝑏𝑖 |

Debido a una noma del vector 𝑙𝑝

1 1
||(𝜆𝐼𝑛 − 𝐷) −1|| = max =
1≤i≤n |𝜆 − 𝜆1 | min |𝜆 − 𝜆1 |
1≤i≤n

Reemplazando en la ecuación (1)

min | 𝜆 − 𝜆1 | ≤ ||𝑇|| ||𝑇 −1 || ||𝐸 ||

1≤i≤n

8. POTENCIA DE MATRICES

Este es el primer proceso que se realiza a la dialgonalización de una matriz. La potencia

para una matriz en varios casos resulta bastante útil, pues se resuelve fácilmente cuando

la matriz es diagonalizada. Pues esta matriz es semejante a:

𝐴 = 𝑃𝐷𝑃 −1

Esto resulta de elevar 𝐴 2

𝐴. 𝐴 = (𝑃𝐷𝑃 −1 )(𝑃𝐷𝑃 −1 )

𝐴. 𝐴 = 𝑃𝐷 2 𝑃 −1

Resumiendo la fórmula:

𝐴 𝑛 = 𝑃𝐷 𝑛 𝑃 −1

21
 8.1.EJEMPLO

Teniendo la matriz, encontrar la fórmula para la potencia k-esima 𝐴 𝐾

7 2
𝐴= [ ] , donde
−4 1

1 1 5 0
𝑃=[ ] Y 𝐷=[ ]
−1 −2 0 3

Aplicando la formula, con 𝐴 2

𝐴 2 = (𝑃𝐷𝑃 −1 )(𝑃𝐷𝑃 −1 ) = 𝑃𝐷 2 𝑃 −1
2
1 1 5 0 2 1
=[ ][ ] [ ]
−1 −2 0 3 −1 −1
2 2 52 − 32 ]
= [ 2𝑥52 − 3 2
−2𝑥5 + 2𝑥3 −52 + 2𝑥32

Por lo tanto si es, k-esima

𝑘 𝑘 5𝑘 − 3𝑘 ]
𝐴 𝑘 = [ 2𝑥5𝑘 − 3 𝑘
−2𝑥5 + 2𝑥3 −5𝑘 + 2𝑥3𝑘

9. ECUACIONES EN DIFERENCIA

Se interpreta por una expresión que guarda relación con distintas sucesiones,

convirtiéndose en una sucesión desconocida. Estas son parecidas o similares a las

ecuaciones diferenciales, solo que se sustituye las funciones por sucesiones.

Se tiene:

𝑥𝑘+1 = 𝐴𝑥 𝑘 Donde k = 0, 1, 2,….

A es una matriz nxn, por lo que la ecuación presentada es una presentación recursiva de

una sucesión {𝑥1 } en Rn. Una de las soluciones de la ecuación no depende de A pues,

esta es una descripción explicita para cada x (Salas & Villaseñor, 2017).

22
 Una de las formas para hallar una solución es representar la ecuación con un vector propio

𝑥𝑜 , con su Eigenvalor correspondiente a λ

𝑥 𝑘 = 𝜆 𝑘 𝑥𝑜

Esta función es representada por

𝐴𝑥𝑘 = 𝐴 (𝜆𝑘 𝑥𝑜 ) = 𝜆𝑘 (𝐴𝑥𝑜 ) = 𝜆𝑘 (𝜆𝑥𝑜 )

= 𝜆𝑘+1 𝑥𝑜 = 𝑥 𝑘+1

10. TIPOS DE MATRICES

10.1. MATRIZ SIMÉTRICA

Como se sabe las matrices simétricas son matrices cuadradas, diagonalizable, en

algunos casos estas matrices solamente presentan valores reales en caso presente

valores complejos esta deja de ser simétrica. Se sabe que si λ se muestra como un

Eigenvalor de A con multiplicidad K, estos cuentan con Eigenvalores linealmente

independientes (Salas & Villaseñor, 2017).

𝐴 = 𝐴𝑇

10.1.1. DEMOSTRACIÓN

Teniendo la matriz A, demuestre si es simétrica y si es diagonalizable

𝑎 𝑐
𝐴=[ ]
𝑐 𝑏

A simple vista se ve que puede simétrica, pues solo cuenta con valores reales,

ahora veamos si es diagonalizable

Polinomio característico de la matriz A

23
 𝜆−𝑎 −𝑐
𝑝(𝜆) = |𝜆𝐼 − 𝐴 | = | | = 𝜆2 − (𝑎 + 𝑏) 𝜆 + 𝑎𝑏 − 𝑐 2
−𝑐 𝜆 −𝑏

Discriminante (𝑎 + 𝑏) 2 + 4𝑐 2

Debido a que la discriminante es la suma de dos cuadrados, y de que

(𝑎 + 𝑏) 2 + 4𝑐 2 > 0, teniendo 2 raíces reales distintas, es decir que cuenta

con dos Eigenvalores distintos, por lo que A se puede diagonalizar.

10.2. MATRIZ ORTOGONAL

Una matriz es ortogonal si esta es invertible, es decir, se le considera ortogonal,

solamente cuando sus vectores columna forman un conjunto ortonormal y donde

cumple la siguiente función (Salas & Villaseñor, 2017).

𝑃 −1 = 𝑃 𝑇

10.2.1. DEMOSTRACIÓN
𝑝11 𝑝12 … 𝑝1𝑛
𝑝21 𝑝22 … 𝑝2𝑛
𝑝=[ ⋮ ⋮ ⋱ ⋮ ]
𝑝𝑛1 𝑝𝑛2 … 𝑝𝑛𝑛

𝑝11 𝑝12 … 𝑝1𝑛 𝑝11 𝑝12 … 𝑝1𝑛

𝑝21 𝑝22 … 𝑝2𝑛 𝑝21 𝑝22 … 𝑝2𝑛
𝑃𝑃 𝑇 = [ ⋮ ⋮ ⋱ ⋮ ][ ⋮ ⋮ ⋱ ⋮ ]
𝑝𝑛1 𝑝𝑛2 … 𝑝𝑛𝑛 𝑝𝑛1 𝑝𝑛2 … 𝑝𝑛𝑛

𝑣1 . 𝑣1 𝑣1 . 𝑣2 … 𝑣1 . 𝑣𝑛
𝑣2 . 𝑣1 𝑣2 . 𝑣2 … 𝑣2 . 𝑣𝑛
=[ ⋮ ⋮ ⋱ ⋮
]
𝑣𝑛 . 𝑣1 𝑣𝑛 . 𝑣2 … 𝑣𝑛 . 𝑣𝑛

Debido a que el conjunto {vn} es considerado ortonormal se tiene

2
𝑣𝑖 𝑣𝑗 = 0 𝑖≠𝑗 𝑦 𝑣𝑖 𝑣𝑗 = ||𝑣𝑖|| = 1

24
 Por lo tanto considerando estas condiciones obtenemos

1 0 … 0
0 1 … 0]
𝑝𝑝 𝑇 = [ = 𝑙𝑛
⋮ ⋮ ⋱ ⋮
0 0 … 1

Observamos que se demuestra lo anterior mencionado

(𝑃 −1 = 𝑃 𝑇 ) y se determina que p es ortogonal.

10.2.2. DIAGONALIZACIÓN

Se le considera a una matriz diagonalizable ortogonalmente si es que esta

cumple

𝑃−1 𝐴𝑃 = 𝐷

Se considera que A diagonalizable ortogonalmente por lo que existe una

matriz ortogonal P, de manera que 𝑃−1 𝐴𝑃 = 𝐷 es diagonal.

𝐴 = 𝑃𝐷𝑃 −1 = 𝑃𝐷𝑃 𝑇

𝐴 = (𝑃𝐷𝑃 𝑇 ) = (𝑃 𝑇 )𝐷 𝑇 𝑃𝑇 = 𝑃𝐷 𝑃 𝑇 = 𝐴

10.2.3. EJEMPLO

Determinar si la matriz dada es una matriz ortogonal

4 3
−
0
5 5
𝑃= 0 1 0
3 4
[ 6 0 5]

Primero se debe comprobar que 𝐴𝐴 𝑇 = 𝐼

25
 4 3 4 3
− 0 − 0 1 0 0
5 5 5 5
𝑃𝑃 𝑇 = 0 1 0 0 1 0 = [0 1 0]
3 4 3 4 0 0 1
[ 6 0 5] [ 6 0
5]

𝑃𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑠𝑒 𝑐𝑜𝑛𝑐𝑙𝑢𝑦𝑒 𝑞𝑢𝑒 𝑠𝑖 𝑒𝑠 𝑜𝑡𝑟𝑜𝑔𝑜𝑛𝑎𝑙

10.3. MATRIZ UNITARIA

Una matriz es unitaria cuando sus “vectores renglón”, es decir, sus columnas crean

un conjunto ortogonal. Pero a su vez debe cumplir la siguiente condición

𝐴 −1 = 𝐴 ∗

10.3.1. EJEMPLO

Verificar si la matriz presentada es unitaria

1 1+𝑖 1− 𝑖
𝐴= [ ]
2 1−𝑖 1+ 𝑖

Aplicando la formula estudiada con anterioridad

1 1+ 𝑖 1 −𝑖 1 1+ 𝑖 1 −𝑖 1 4 0 1 0
𝐴𝐴 ∗ = [ ] [ ]= [ ]= [ ] = 𝐼2
2 1− 𝑖 1 +𝑖 2 1− 𝑖 1 +𝑖 4 0 4 0 1

𝑃𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑠𝑒 𝑐𝑜𝑛𝑐𝑙𝑢𝑦𝑒 𝑞𝑢𝑒 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑠𝑖 𝑒𝑠 𝑢𝑛𝑖𝑡𝑟𝑎𝑟𝑖𝑎

10.4. MATRIZ NORMAL

La definición de una matriz normal es que si esta conmuta con su matriz opuesta, es

decir, solamente si AAT=ATA. Pero hay excepciones en el caso de que la matriz sea

simétrica u ortogonal, estas automáticamente son matrices normales.

10.5. MATRIZ HERMITIANA

Esta matriz se caracteriza por que son matrices cuadráticas, solamente con

inspeccionarla podemos resolver la duda. Hay otras condiciones que deben cumplir,

26
 la diagonal deben ser Eigenvalores reales. En este caso debe cumplir con la siguiente

función para que una matriz sea hermitiana.

𝐴 = 𝐴∗

10.5.1. DEMOSTRACIÓN

Utilizando una matriz B cuadrada compleja, es decir, de 2x2

𝑎1 + 𝑎2𝑖 𝑏1 + 𝑏2𝑖
𝐴= [ ]
𝑐1 + 𝑐2 𝑖 𝑑1 + 𝑑2𝑖

𝐴𝑇 = 𝐴∗

𝑎1 + 𝑎2𝑖 𝑏1 + 𝑏2𝑖
=[ ]
𝑐1 + 𝑐2 𝑖 𝑑1 + 𝑑2𝑖

𝑎1 − 𝑎2𝑖 𝑐1 − 𝑐2 𝑖
=[ ]
𝑏1 − 𝑏2𝑖 𝑑1 − 𝑑2𝑖

𝑆𝑖 𝑙𝑎 𝑚𝑎𝑡𝑟𝑖𝑧 𝑠𝑒 𝑙𝑒 𝑐𝑜𝑛𝑠𝑖𝑑𝑒𝑟𝑎 𝑜 𝑒𝑠 𝑢𝑛𝑎 ℎ𝑒𝑟𝑚𝑖𝑡𝑖𝑎𝑛𝑎, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝐴

= 𝐴 ∗ , 𝑝𝑜𝑟 𝑙𝑜 𝑞𝑢𝑒 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝐴 𝑑𝑒𝑏𝑒 𝑑𝑒 𝑒𝑛𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑠𝑒 𝑒𝑛 𝑙𝑎 𝑠𝑖𝑔𝑢𝑖𝑒𝑛𝑡𝑒 𝑓𝑜𝑟𝑚𝑎

𝑎1 𝑐1 − 𝑐2 𝑖
=[ ]
𝑏1 − 𝑏2𝑖 𝑑1

𝐸𝑠𝑡𝑜 𝑑𝑒𝑏𝑖𝑑𝑜 𝑎 𝑙𝑜 𝑚𝑒𝑛𝑐𝑖𝑜𝑛𝑎𝑑𝑜 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 𝑚𝑒𝑛𝑡𝑒 𝑞𝑢𝑒 𝑠𝑢 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑑𝑒𝑏𝑒𝑛 𝑠𝑒𝑟 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑟𝑒𝑎𝑙𝑒𝑠

27
CAPÍTULO II
(Aplicaciones a la Ingeniería)

28
En la variedad de aplicaciones de estos métodos en la ingeniería están basados en ecuaciones
matemáticas que describen nuestra realidad, y mediante el curso de métodos numéricos
sabemos que las aproximaciones en ingeniería son el pan de cada día, es por eso que por
ejemplo para el ajuste de curvas, utilizamos métodos a base de valores principales con la
intención de obtener el polinomio característico de dicho fenómeno físico.

En otras palabras, Beer & Otros (2015) asegura que: “Los Eigenvalores y Eigenvectores son
descritos principalmente en el curso de algebra lineal, pero en aplicaciones de ingeniería son
muy utilizados para resolver ecuaciones diferenciales que describen fenómenos físicos”.

11. TRAYECTORIA DE UN PROYECTIL

Las ecuaciones que describen el movimiento serán:

𝒅𝟐 𝒙
Sobre el eje horizontal: =𝟎
𝒅𝒕 𝟐
𝒅𝟐𝒚
Sobre el eje vertical: = −𝒈
𝒅𝒕 𝟐
Ambas ecuaciones diferenciales son solucionables aplicando la teoría de
Eigenvalores e Eigenvectores, principalmente obteniendo las condiciones de frontera.
Además, que en este tipo de problemas podemos plantear diferentes ecuaciones
solucionables en un sistema de ecuaciones.

29
12. FLEXION DE VIGAS

Primero se establece la relación entre la curvatura de la viga y su deflexión

Donde se establece por ley de Hooke para un material linealmente elástico, la

ecuación diferencial básica de la curva de deflexión como:

Donde:
v = deflexión
M = Momento flexionaste
EI = rigidez de flexión

30
13. CIRCUITOS ELECTRICOS

Aplicando ley de Kirchhoff, al circuito y

utilizando las leyes de caídas de tensión se
obtiene la ecuación:
𝑑 2𝑞 𝑑𝑖 1
𝐿 2 + 𝑅 + 𝑖 = 𝐸 (𝑡)
𝑑𝑡 𝑑𝑡 𝑐
Y se puede aplicar a diferentes mallas, que
podamos encontrar en un circuito y así
formar un sistema de ecuaciones
diferenciales, calculables aplicando Eigenvalores y Eigenvectores (Anónimo, 2016).

ESTUDIO DE LA VIBRACIÓN DEL AMORTIGUAMIENTO DE UN AUTO

Para este estudio utilizaremos una ecuación diferencial ordinaria de segundo orden que
especifica la posición “x” perteneciente a un sistema masa-resorte de amortiguamiento, cual
nos ayudará a dar solución a nuestro problema planteado, donde aplicaremos la teoría de los
Eigenvalores y Eigenvectores.

- Tomemos el siguiente esquema como el caso el cual vamos a estudiar

- Cada uno de los cuatro amortiguadores sostendrá una masa promedio de 1.25 ∗ 103 𝑘𝑔
por lo cual nuestro estudio se centrara en analizar la vibración de uno de los cuadro
amortiguadores.
- Sabemos que la EDO de segundo orden que describe el movimiento de esa masa está
dada por:

𝒅𝟐 𝒙 𝒅𝒙
𝒎 𝟐 + 𝒄31 + 𝒌𝒙 = 𝟎 … (𝒊)
𝒅𝒕 𝒅𝒕
Donde:
m = masa que sostiene el resorte (𝑘𝑔)
c = coeficiente de amortiguamiento (𝑁. 𝑠 ⁄𝑚)
k = constante de rigidez del resorte
- Para nuestro problema se desarrollará con las siguientes condiciones:

𝑑 2𝑥 𝑑𝑥
1.25 ∗ 103 2 + 1 ∗ 104 + 1.5 ∗ 106 𝑥 = 0
𝑑𝑡 𝑑𝑡

Transforme esta ecuación en un par de EDO. para resolver las ecuaciones, de t = 0 a 0.4, para
el caso en que x = 0.5, y dx/dt = 0 en t = 0

Solución:
- Antes de empezar a desarrollar debemos consideras las siguientes condiciones:

1. Si sustituimos 𝑥 = 𝑒 λt en la ecuación (i) obtendremos:

𝐦𝛌𝟐 𝒆 𝛌𝐭 + 𝒄 𝛌𝐞 𝛌𝐭 + 𝒌𝒆 𝛌𝐭 = 𝟎

eλt (𝑚 λ2 + 𝑐 λ + k) = 0
Como eλt no puede ser cero entonces:
(𝑚 λ2 + 𝑐 λ + k) = 0
De esta ecuación obtenemos:

𝑐 𝑐 2 𝑘
λ1 = − + √( ) −
2𝑚 2𝑚 𝑚

𝑐 𝑐 2 𝑘
λ1 = − − √( ) −
2𝑚 2𝑚 𝑚

Donde λ𝑖 son los autovalores o eigenvectores

2. Coeficiente de amortiguación critica. – se define como le valor que hará que

las posibles combinaciones para el radical en los eigenvalores λ𝑖 sean iguales

a cero.

32
 𝑐𝑐 2 𝑘
( ) −
2𝑚 𝑚

𝒌
𝒄𝒄 = 𝟐𝒎√ = 𝟐𝒎𝝎𝒏
𝒎

Donde 𝝎𝒏 es la frecuencia natural del sistema

3. Podemos distinguir tres posibles casos para la solución, dependiendo del valor
del coeficiente c
a) Overdamped: Si 𝑐 > 𝑐𝑐 los Eigenvalores λ1 𝑦 λ2 son reales y diferentes,
por lo que la solución a nuestra ecuación diferencial será:

Lo cual nos indica que será un movimiento no vibratorio, porque los eigenvalores λ1 𝑦 λ2
serán negativos y a medida que el tiempo t transucrra de forma indefinida la posición x se
aproximará a cero. Es decir, el sistema volverá a su posición inicial luego de trascurrir un
tiempo finito.

b) Critically damped: Si 𝑐 = 𝑐𝑐 la solución del sistema tendría una raíz doble

λ = −𝑐𝑐 /2𝑚 = −𝜔𝑛 y la solución general será:

Otra vez estaríamos frente a un movimiento no vibratorio. Estos sistemas comúnmente no

están dentro del interés de los trabajos de ingeniería, debido a que retornan a su posición
inicial después de un tiempo transcurrido.
c) Underdamped: Si 𝑐 < 𝑐𝑐 Las raíces de la solución serian complejas y
conjugadas, por eso la solución general de nuestra ecuación diferencial
será:

33
 - Ahora con estos datos de por medio, empezaremos la solución de nuestro problema
 Reducimos la ecuación (i) a una de primer grado con la siguiente sustitución :
𝑑𝑥 𝑑 2 𝑥 𝑑𝑧
=𝑧 =
𝑑𝑡 𝑑𝑡 2 𝑑𝑡
 Reemplazando en la ecuación (i) obtendremos:
𝑑𝑧
1.25 ∗ 103 + 1 ∗ 104 𝑧 + 1.5 ∗ 106 𝑥 = 0
𝑑𝑡
Reescribiendo la ecuación
𝑧 ′ + 8𝑧 + 1200𝑥 = 0
 Formamos un sistema de ecuación con estas nuevas ecuaciones
𝒛′ = −𝟖𝒛 − 𝟏𝟐𝟎𝟎𝒙
𝒙′ = 𝒛
𝑥 ′ (0) = 0
𝑥 (0) = 0.5
 Reescribiremos el sistema en una forma matricial de la siguiente manera:
𝑋′ = 𝐴𝑥
Donde se obtendrá una solución de la forma:
𝑘1
𝑘
𝑋 = ( 2 ) 𝑒 λt = 𝐾𝑒 λt
⋮
𝑘𝑛
La matriz K serían los Eigenvectores y los valores de λ los Eigenvalores
 Ahora para obtener los Eigenvalores y Eigenvectores haremos uso de la teoría
del capítulo 1
𝑑𝑒𝑡(λI − 𝐴 ) = 0
1 0 −8 −1200
|λ( )−( )| = 0
0 1 1 0
λ+8 1200
| |=0
−1 λ
( λ + 8) λ − (−1)(1200) = 0

λ2 + 8 λ + 1200 = 0
Si solucionamos la ecuación cuadrática por medio de la formula general obtendremos:
34
 λ1,2 = −4 ± 4√74𝑖

 Nos topamos con el caso en el cual nuestros eigenvalores son complejos, 𝑐 <
𝑐𝑐 para el cual la solución de esa ecuación diferencial estará dada de la siguiente
manera:
Si al resolver 𝑑𝑒𝑡(λI − 𝐴 ) = 0
Se obtiene λ = α ± βi
Las soluciones estarán dadas por:
𝑥1 = [𝐵1 𝑐𝑜𝑠𝛽𝑡 − 𝐵2 𝑠𝑒𝑛𝛽𝑡]𝑒 𝛼𝑡
𝑥 2 = [𝐵2 𝑐𝑜𝑠𝛽𝑡 + 𝐵1 𝑠𝑒𝑛𝛽𝑡] 𝑒 𝛼𝑡
Donde:
𝐵1 = 𝑅𝑒(𝑘) ; 𝐵2 = 𝐼𝑚 (𝑘)
 Empezamos el análisis del sistema:

λ1,2 = −4 ± 4√74𝑖

Sabemos que λ = α ± βi
Utilizaremos λ = −4 + 4√74i
λ+8 1200 (𝑘1 ) 0
( ) =( )
−1 λ 𝑘2 0

Eigenvector

(−4 + 4√74i + 8 1200 ) (𝑘1 ) 0

=( )
−1 −4 + 4 √74i 𝑘 2 0

(4 + 4√74i 1200 ) ( 𝑘1 ) 0
=( )
−1 −4 + 4√74i 𝑘 2 0
Resolvemos la matriz, podemos escoger cualquiera de las dos columnas que nos darán la
solución entonces multiplicamos la fila 2 por la columna del eigenvector y nos quedará:
−𝑘1 + (−4 + 4√74i)𝑘2 = 0
𝑘1
𝑘2 =
−4 + 4√74i

Para resolver hacemos: 𝑘1 = −4 + 4√74i entonces 𝑘2 = 1

Entonces nuestro eigenvector “K” será:

35
 𝑘1
𝐾=( ) = (−4 + 4√74i) = (−4) + 𝑖 (4√74)
𝑘2 1 1 0
Donde por teoría de ecuaciones diferenciales la parte real se denomira como 𝐵1 , mientras la
parte imaginaria como 𝐵2 dando así solución a un sistema de la forma:
𝑋 = 𝐶1 𝑥1 + 𝐶2𝑥2
Donde:
𝑥1 = [𝐵1 𝑐𝑜𝑠𝛽𝑡 − 𝐵2 𝑠𝑒𝑛𝛽𝑡]𝑒 𝛼𝑡
𝑥 2 = [𝐵2 𝑐𝑜𝑠𝛽𝑡 + 𝐵1 𝑠𝑒𝑛𝛽𝑡] 𝑒 𝛼𝑡
 Nuestras soluciones nos quedarán de la forma:
−4
𝑥1 = [( ) cos(4√74𝑡) − ( 4√74) 𝑠𝑒𝑛(4√74𝑡)] 𝑒 −4𝑡
1 0
−4
𝑥 2 = [( 4√74) cos(4√74𝑡) + ( ) 𝑠𝑒𝑛(4√74𝑡)] 𝑒 −4𝑡
0 1
Aplicando a nuestra solución general:
−4 −4
𝑋 = 𝐶1 [( )cos (4√74𝑡) − (4√ 74) 𝑠𝑒𝑛(4√ 74𝑡)]𝑒 −4𝑡 + 𝐶2 [(4√ 74)cos(4√ 74𝑡) + ( )𝑠𝑒𝑛(4√ 74𝑡)]𝑒 −4𝑡
1 0 0 1
𝑧
Donde 𝑋 = (𝑥 )
𝑧
( ) = 𝐶1 [(−4) cos (4√74𝑡) − (4√74) 𝑠𝑒𝑛(4√74𝑡)] 𝑒−4𝑡 + 𝐶2 [(4√74) cos(4√74𝑡) + (−4) 𝑠𝑒𝑛(4√74𝑡)] 𝑒−4𝑡
𝑥 1 0 0 1
Para nuestro problema nos importa hallar la solución en “x” debido a que “z” es la sustitución que
hicimos para reducir el sistema de segundo orden a uno de primer orden, por lo tanto, quedará:

𝑥 = 𝐶1 cos (4√74𝑡) 𝑒 −4𝑡 + 𝐶2 𝑠𝑒𝑛(4√74𝑡) 𝑒 −4𝑡

𝑥(𝑡) = [𝐶1 cos(4√74𝑡) + 𝐶2 𝑠𝑒𝑛(4√74𝑡)] 𝑒−4𝑡

Para hallar las constantes 𝐶1 𝑦 𝐶2 aplicamos las condiciones de frontera:

𝑥 ′ (0) = 0 ,𝑥 (0) = 0.5

𝑥(0) = [ 𝐶1 cos(0) + 𝐶2 𝑠𝑒𝑛(0) ] 𝑒 −4(0)

𝐶1 = 0.5

Para hallar la siguiente constante es necesario derivar la función x(t)

𝑥 ′ (𝑡) = −4√74𝑒−4𝑡 [𝐶1 sen(4√74𝑡) − 𝐶2 cos(4√74𝑡)] − 4𝑒−4𝑡 [𝐶1 cos(4√74𝑡) + 𝐶2 𝑠𝑒𝑛(4√74𝑡)]

36
 𝑥 ′ (0) = −4√74𝑒−4(0) [𝐶1 sen(0) − 𝐶2 cos(0)] − 4𝑒−4(0)[𝐶1 cos(0) + 𝐶2 𝑠𝑒𝑛(0)]

√74
𝐶2 =
148
 Una vez halladas las constantes, podemos reescribir nuestra solución:

1 √74
𝑥(𝑡) = [ cos(4√74𝑡) + 𝑠𝑒𝑛(4√74𝑡)] 𝑒 −4𝑡
2 148

 El problema nos pide analizar el comportamiento de la posición desde t = 0

hasta t = 0.4

1 √74
𝑥(0) = [ cos(0) + 𝑠𝑒𝑛(0) ] 𝑒−4(0)
2 148

𝑥(0) = 0.5 𝑚
1 √74 ( )
𝑥(0.4) = [ cos(1.6 √74) + 𝑠𝑒𝑛(1.6√74) ] 𝑒 −4 1.6
2 148

𝑥(0.4) = 0.04775𝑚
 Ahora tenemos que analizar la frecuencia natural de vibración del
amortiguador, si bien la solución general de la ecuación es:

Donde 𝜔𝑑 = 𝑓𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑐𝑖𝑟𝑐𝑢𝑙𝑎𝑟 𝑑𝑒 𝑎𝑚𝑜𝑟𝑡𝑖𝑔𝑢𝑎𝑚𝑖𝑒𝑛𝑡𝑜

Comparando tendríamos que: 𝜔𝑑 = 4 √74 rad/s

 Para definir el periodo de oscilación utilizaremos

2𝜋
𝜏𝑑 =
𝜔𝑑
2𝜋
𝜏𝑑 =
4√74

37
 𝜏𝑑 = 0.1826 𝑠
 Para mayor comprension adjuntamos el siguiente grafico que describe el
movimiento de nuestro sistema, donde se describe la posicion en función del
tiempo y el perido de oscilacion del sistema.

38
 RECOMENDACIONES
- Si los procesos se tornan largos y dificultosos, utilice programas que faciliten los
procesos o que le permitan comprobar su avance, tales como: Matlab, Excel, entre
otros.
- Tener en cuenta los fundamentos y demostraciones en que se basan los conceptos,
para así no tener

CONCLUSIONES
- Se conocieron los conceptos tanto técnicos como teóricos sobre los Eigenvalores y
Eigenvectores, y el proceso que se debe seguir para su interpretación y desarrollo.
Llegando a la conclusión que estos están directamente asociados a las matrices.
- Se interpretó que el desarrollo de los diferentes tipos de matrices, se realiza siguiendo
el mismo procedimiento, con la diferencia que existe una condición de desarrollo para
cada una.
- Los Eigenvalores y Eigenvectores permiten realizar cálculos números tanto
computarizado como manual, permitiendo una mejor interpretación y desarrollo de
los datos.
- Empleamos la teoría de los Eigenvalores y Eigenvectores para dar solución a una
ecuación diferencial que describe el movimiento de un sistema masa-resorte para
analizar la vibración del amortiguamiento de un auto.

39
 REFERENCIAS BIBLIOGRÁFICAS
- ANTON, H. (1994). “Introducción al álgebra lineal”. CDMX, México. Editorial:
LUMISA S.A.
- KONMAL, B. & HILL, D. (2006). “Algebra Lineal”. Mexico. Editorial: PEARSON
EDUCACIÓN.
- SALAS, J. & VILLASEÑOR, E. (2017). “Valores y Vectores Propios”. Madrid,
España. Recuperado de: http://ocw.uc3m.es/matematicas/algebra -
lineal/teoria/algebra_teoria_08.pdf
- ANÓNIMO (2013). “Valores y Vectores Propios”. Recuperado de:
http://cb.mty.itesm.mx/ma3002/materiales/ma3002-valores-propios.pdf
- LAY. D (2013) “Algebra lineal con enfoque de competencias”. Maryland, USA.
Editorial: PEARSON EDUCACIÓN.
- HIBBELER, R. (2010). “Ingeniería Mecánica-Dinámica”. México. Editorial:
PEARSON EDUCACIÓN
- BEER & OTROS. (2015). “Vector Mechanics for Engineers”. USA. Editorial:
MacGraw-Hill Education
- CHAPRA, S. & CANALLE, R. (2007). “Métodos numéricos para Ingenieros”.
USA. Editorial: MacGraw-Hill Education
- RICO, J. (2015). “Algebra Lineal XXVIII: Eigenvalores y Eigenvectores”.
Recuperado de:
http://www.dicis.ugto.mx/profesores/chema/documentos/Algebra%20Lineal/algebra
_lineal_28.pdf
- AGUILAR, R. (2010). “Eigenvalores y Eigenvectores”. Recuperado de:
http://galia.fc.uaslp.mx/~rmariela/algebra/L5.pdf
- ANÓNIMO. (2018). “Capítulo 9: Algebra de los Eigenvalores”. Recuperado de:
http://www.ehu.eus/izaballa/Ana_Matr/Apuntes/lec9.pdf?fbclid=IwAR3Cu36RWrk
TBiTCWschgoAblfQ7Hlusw9ortmVz7DVXcNtdgzg4vsOIlZM
- ANÓNIMO. (2016). “Capítulo 6: Eigenvalores y vectores propios”. Recuperado de:
https://www.euitt.upm.es/uploaded/docs_personales/hernandez_heredero_rafael_jos
e/old/Algebra/ALApC6.pdf?fbclid=IwAR0zUYKG7d2QIw3pdqWc4z91M-
SnjlHizeBwAAsxN2S0ricRkXET3DQw_vk

40
- GABEM. (2015). “Aplicaciones de Eigenvalores/Eigenvectores”. Recuperado de:
https://www.clubensayos.com/Ciencia/APLICACIONES-DE-EIGENVALORES-
EIGENVECTORES/2317189.html

41