Documentos de Académico
Documentos de Profesional
Documentos de Cultura
! "
#
$
%
&
'
( &
)
*+%
&
$
$+*,-.%
/(
!
0
/ 1-*2 #
$
%
&
'
( & )
$
$1-*2
Agradecimiento
Encabezo este agradecimiento a Dios, que me ha concedido salud fı́sica y mental ası́ como
suficiente inspiración para la edición. Igualmente a Francy Garrido y a mis hijos, quienes me
fortalecieron y fueron importantes pilares en decisiones y el desarrollo de esta obra. Los
esposos Escontrela-Dieguez quienes donaron la licencia de Wolfram Mathematica, programa
central de este libro. Las observaciones y correcciones hechas por el Dr. Abdul Lugo Jiménez
como destacado docente en cálculo numérico fueron un importante aporte en ciertos aspectos
de profundad matemática. Mi más sincera gratitud a todos.
Índice general
Introducción 5
Capı́tulo 2. Matrices 17
2.1. Terminologı́a 17
2.2. Operaciones elementales y Matrices Equivalentes 20
2.3. Operaciones con matrices 21
2.4. Permutaciones 25
2.5. Determinantes y aplicaciones 27
2.6. Transformaciones Lineales 32
2.7. Técnica de pivoteo 39
2.8. Matriz invertible 41
2.9. Tipos de soluciones 44
2.10. Eliminación de Gauss-Jordan 49
Ejercicios 51
3
Capı́tulo 5. Grafos y Juegos Matriciales 95
5.1. Introducción a la Teorı́a de Grafos 96
5.2. Algoritmo del camino más corto 101
5.3. Juegos Matriciales 104
5.4. Juegos matriciales con desempeño escalar 104
5.5. Juegos matriciales con desempeño vectorial 105
Ejercicios 108
Bibliografı́a 113
Introducción
Se hace algo difı́cil apuntalar un inicio histórico en el reconocimiento de las matrices
como uno de los elementos básicos en el álgebra, sin embargo, es oportuno destacar el uso
ofrecido por los babilónicos en el siglo II y III AC que fue aplicado a los cultivos, la aparición
en China del libro Nueve Capı́tulos sobre el Arte Matemático (dinastı́a Han), ilustra el primer
ejemplo conocido de un método matricial también aplicado a los cultivos.
Cardano en el año 1545, expone en su Ars Magna una regla para resolver sistemas de dos
ecuaciones con dos incógnitas llamada regula de modo y es, esencialmente, un método análogo
al de Cramer salvo el último paso. La idea de determinante aparece en Japón y Europa con el
japonés Seki en 1683, donde escribe Método para resolver los problemas disimulados, el cual
contiene planteamientos escritos en tablas matriciales. Seki introduce las determinantes y da
un método general para calcularlas basado en ejemplos para determinantes de matrices de
2x2, 3x3, 4x4, 5x5 y lo aplica para resolver ecuaciones aunque no lo plantea como sistemas
de ecuaciones lineales.
Hacia el año 1850, James Joseph Sylvester (1814-1897) acuñó importantes contribuciones
como términos, matriz, invariante y discriminante entre otros. El desarrollo inicial de la teorı́a
matricial se debe al matemático William Rowan Hamilton (1805-1865) en 1853. Hacia 1846
y principios de 1850, se encuentra en plena efervescencia la teorı́a de invariantes, Cayley
(1821-1895) adopta por primera vez la noción de matriz en un artı́culo publicado en 1855 en
Le Journal de Crelle, titulado Remarques sur la notation de fonctions algebraiques. En este
artı́culo, Cayley representa el sistema:
⎧
⎨ ξ = αx + βy + γz
⎪ α β γ
η = α′ x + β ′ y + γ ′ z por (ξ, η, ς) = α′ β′ γ ′ (x, y, z)
⎪
′′ ′′ ′′ α′′
ς =α x+β y+γ z β ′′ γ ′′
⎩
Esto no es más que la aplicación de matrices y menores para caracterizar las intersecciones
de dos cónicas o cuádricas mediante la descomposición de un determinante en menores.
Hacia el año 1851, Sylvester asocia la notación matricial a los métodos del cálculo de
determinantes y particularmente, en 1858 las matrices eran consideradas simplemente como
una notación cómoda, pues permitı́an distinguir un objeto como un sistema lineal o una
forma cuadrática de su determinante. La publicación Memoria sobre la Teorı́a de Matrices
supone una evolución desde el punto de vista de Cayley sobre la noción matricial.
Destacados legados en el campo computacional del álgebra como la de Vera Nikolevna
Faddeeva y su aportes del cálculo en el álgebra lineal, John Strutt, tercer Barón de Raileygh,
John Francis, Vera Kublanovskaya, Jorgen Pedersen Gram y Erhard Schmidt por nombrar
algunos, ilustran con relevancia el contenido de esta obra.
En este libro se expone de manera clara el tratamiento de aspectos fundamentales para
la comprensión y estudio del cálculo matricial para los estudiantes en las etapas iniciales de
la licenciatura o ingenierı́a, esto sin apartar la debida formalidad y rigor matemático que
diere lugar, se expone en las siguientes partes:
Capı́tulo 1: Aspectos básicos de los espacios vectoriales de dimensión finita.
6
P. A. Mac Mahon
1. La suma, que asocia a cada par de vectores u y v de V un vector u + v que satisface las
siguientes propiedades:
Conmutatividad. u + v = v + u para todo u, v ∈ V .
Asociatividad. (u + v) + w = u + (v + w) para todo u, v, w ∈ V .
Elemento neutro o identidad aditiva. Existe un componente 0 o nulo tal que u + 0
para todo u ∈ V .
Elemento simétrico o inverso aditivo. Para cada vector u ∈ V existe un vector u′ ∈
V tal que u + u′ = 0.
2. Producto escalar, esta asocia un escalar α ∈ F y un vector u ∈ V en un nuevo vector
αu de V con las siguientes propiedades:
α (βu) = (αβ) u para todo α, β ∈ F y u ∈ V .
α (u + v) = αu + αv para todo α ∈ F y u, v ∈ V .
7
8 1. ESPACIOS Y SUBESPACIOS VECTORIALES
(α + β) u = αu + βu para todo α, β ∈ F y u ∈ V .
1. Si u, v ∈ S entonces u + v ∈ S.
2. Si α ∈ F y u ∈ S entonces αu ∈ S.
Ejemplo 1.5. El conjunto de rectas que pasan por el origen son subespacios de R3 .
v = αu y w = λu, luego:
v + w = αu + λu = (α + β) u ∈ S, por otra parte:
αu = α (λu)=(αβ) u ∈ S.
se tiene que:
n
n
n
u+v = α i ui + βi ui = (αi + βi ) ui ∈ C
i=1 i=1 i=1
además:
n
n
αu = α α i ui = (ααi ) ui ∈ C
i=1 i=1
3
Ejemplo 1.10. Dados los vectores pertenecientes a R definidos por:
⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 1 2 0
p = ⎝ 4 ⎠ , u = ⎝ −2 ⎠ ,v = ⎝ −3 ⎠ , w = ⎝ 1 ⎠
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
−3 5 0 3
Entonces se puede expresar a p como una combinación lineal de u, v y w, en efecto, se
desea es determinar los valores de α, β y γ que satisfagan:
⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 2 0 1
α ⎝ −2 ⎠ + β ⎝ −3 ⎠ + γ ⎝ 1 ⎠ = ⎝ 4 ⎠
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
5 0 3 −3
Use ∗ para el producto
escalar. Se sugiere utilizar:
la cual es una matriz que incluye como elementos cada vector para la solución de un
sistema⎡ de ecuaciones⎛de la⎞siguiente
⎛ manera:
⎞⎤
⎢ ⎜ α ⎟ ⎜ 1 ⎟⎥
⎢ ⎜ ⎟ ⎜ ⎟⎥
Solve ⎢⎢Transpose[A]. ⎜ β ⎟ == ⎜ 4 ⎟⎥
⎜ ⎟ ⎜ ⎟⎥
⎣ ⎝ ⎠ ⎝ ⎠⎦
γ −3
Transpose[A] determina la
transpuesta de la matriz A
{{α → −3, β → 2, γ → 4}}
Is(True)
Solve[%]
Se sugiere editar:
P1 [x ]:=2 + x + 4 ∗ x∧ 2
P2 [x ]:=1 − x + 3 ∗ x∧ 2
P3 [x ]:=3 + 2 ∗ x + 5 ∗ x∧ 2
⎛ ⎞
⎜ 2 ⎟
⎜ ⎟
⎜ 0 ⎟
⎜ ⎟
⎝ ⎠
6
⎡ ⎛ ⎞ ⎤
⎢ ⎜ α ⎟ ⎥
⎢ ⎜ ⎟ ⎥
Solve ⎢
⎢Transpose[S]. ⎜ β ⎟ == %⎥
⎜ ⎟ ⎥
⎣ ⎝ ⎠ ⎦
γ
{{α → 4, β → 0, γ → −2}}
Comprobación:
α1 v1 + α2 v2 + . . . + αn v n = 0
El conjunto linealmente
independiente también se
le denomina libre, en caso
contrario será linealmente
dependiente o ligado.
12 1. ESPACIOS Y SUBESPACIOS VECTORIALES
⎛ ⎞ ⎛ 1 ⎞ ⎛ ⎞
1 2 −3
Ejemplo 1.13. Los vectores x1 = ⎝ −1 ⎠, x2 = ⎝ −1 ⎠, x3 = ⎝ 1 ⎠ son
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
3 0 3
linealmente independientes en efecto, si:
⎛ ⎞ ⎛ 1 ⎞ ⎛ ⎞ ⎛ ⎞
1 2 −3 0
α ⎝ −1 ⎠ + β ⎝ −1 ⎠ + γ ⎝ 1 ⎠ = ⎝ 0 ⎠
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
3 0 3 0
⎧
⎪
⎪
⎪ α + 21 β − 3γ = 0
⎨
se tiene que −α − β + γ = 0 donde: α = β = γ = 0
⎪
⎪
⎩ 3α + 3γ = 0
⎪
usando Mathematica:
ası́ que:
⎡ ⎛ ⎞ ⎛ ⎞⎤
⎢ ⎜ α ⎟ ⎜ 0 ⎟⎥
⎢ ⎜ ⎟ ⎜ ⎟⎥
⎢Transpose[A]. ⎜ β ⎟ == ⎜ 0 ⎟⎥
Solve ⎢ ⎜ ⎟ ⎜ ⎟⎥
⎣ ⎝ ⎠ ⎝ ⎠⎦
γ 0
donde:
{{α → 0, β → 0, γ → 0}}
donde:
Solve[%]
{{a1 → 0, a2 → 0, a3 → 0}}
Definición 1.14. Sea V un espacio vectorial, si los vectores {v1 , v2 , ..., vn }∈ V son
linealmente independientes, se dice que los vectores {v1 , v2 , ..., vn } son una base de V .
1.3. SUBESPACIOS VECTORIALES 13
Ejemplo 1.15. Use Mathematica para determinar una base para el sistema:
⎧
⎪2x1 + 2x2 − x3 + x5 = 0
⎪
⎪
⎪
⎪
⎨−x − x + 2x − 3x + x = 0
⎪
1 2 3 4 5
⎪
⎪
⎪ x1 + x2 − 2x3 − x5 = 0
⎪
⎪
x 3 + x 4 + x5 = 0
⎪
⎩
Editando las ecuaciones se tienen:
l1 :=2 ∗ x1 + 2 ∗ x2 − x3 + x5 == 0
l2 := − x1 − x2 + 2 ∗ x3 − 3 ∗ x4 + x5 == 0
l3 :=x1 + x2 − 2 ∗ x3 − x5 == 0
l4 :=x3 + x4 + x5 == 0
Resolviendo el sistema:
x5 0 1
⎧⎛ ⎞ ⎛ ⎞⎫
⎪
⎪ 1 0 ⎪
⎪
⎪ ⎟⎪
−1 ⎟ ⎜ −1 ⎟⎪
⎪⎜
⎪ ⎟ ⎜ ⎪
⎪
⎨⎜ ⎪
⎜ ⎟ ⎜ ⎟⎬
los vectores ⎜⎜ 0 ⎟ , ⎜ −1 ⎟ son una base del espacio vectorial planteado y
⎟ ⎜ ⎟
⎪ ⎟⎪
⎝ 0 ⎠ ⎝ 0 ⎠⎪
⎪⎜
⎪ ⎟ ⎜ ⎪
⎪
⎪
⎪ ⎪
⎪ ⎪
0 1
⎩ ⎭
dim (V ) = 2.
Teorema 1.16. Si {v1 , v2 , ..., vp } y {w1 , w2 , ..., wq } son dos bases de un mismo
espacio vectorial V , entonces p = q.
Demostración. Como {v1 , v2 , ..., vp } es linealmente independiente y están incluidos
en V = gen (v1 , v2 , ..., vp ) lo que implica que p ≤ q también quiere decir p = q.
Cuando X es finito o bien
X = {x1 , x2 , ..., xn } se
⎧⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎫ puede escribir gen (X) =
⎨ 0 2 0 ⎪
⎪ gen (x1 , x2 , ..., xn )
⎬
Ejercicio 1.17. Determine si S = ⎝ 1 ⎠ , ⎝ 0 ⎠ , ⎝ 1 ⎠ genera a R3 .
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎪ ⎪
2 1 1
⎩ ⎭
⎞⎛ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
0 2 0 x
α⎝ 1 ⎠+ β⎝ 1 ⎠+ γ ⎝ 1 ⎠ = ⎝ y ⎠
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
2 0 1 z
En efecto, editando los comandos necesarios se obtiene:
Demostración. Sea {v1 , v2 , ..., vp } una base de S ⊆ T , luego dim (S) = p ≤ dim (T )
y por ser {v1 , v2 , ..., vp } una base extendida a T , aplica que S = gen (v1 , v2 , ..., vp ) = T , ası́
que dim (S) = dim (T ).
EJERCICIOS 15
Ejercicios
→
−
1. Demuestre que si E es un espacio vectorial real, entonces S = 0 es un subespacio
vectorial de E .
2. Demuestre que los polinomios pares son un subespacio del espacio de polinomios con
coeficientes reales.
Un polinomio P es par sı́
⎧⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎫ y sólo si P (x) = P (−x).
⎨ 1
⎪ 1 1 ⎪ ⎬
3. Determine si S = ⎝ 2 ⎠ , ⎝ 0 ⎠ , ⎝ 1 ⎠ genera a R3 .
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎪ ⎪
1 2 0
⎩ ⎭
⎛ ⎞ ⎛ ⎞
1 0
4. Sea V ∈ R3 y S = {v1 , , v2 , , v3 , v4 , v5 } tales que v1 = ⎝ 0 ⎠, v2 = ⎝ 1 ⎠,
⎜ ⎟ ⎜ ⎟
1 1
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 1 −1
v3 = ⎝ 1 ⎠, v4 = ⎝ 2 ⎠, v5 = ⎝ 1 ⎠; determine si S genera a R3 .
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
2 1 −2
1 2 0 5
determine si w es una combinación lineal de p, u y v.
⎛ ⎞
α
⎜ ⎟
⎜ 1 ⎟
⎟ ∈ R4 pertenezca al subespacio F ⊂ R generado por
9. Hallar α y β ∈ R para que ⎜
⎜
⎝ β ⎟
⎠
−12
⎛ ⎞ ⎛ ⎞
4 1
⎜ ⎟ ⎜ ⎟
⎜ −1 ⎟ ⎜ 4 ⎟
⎜ 1 ⎟y⎜ 4
⎜ ⎟ ⎜ ⎟.
⎟
⎝ ⎠ ⎝ ⎠
2 2
16 1. ESPACIOS Y SUBESPACIOS VECTORIALES
2 2
10. Determine si p1 (x) = (x − 1) + x2 , p2 (x) =x (x − 1) son linealmente independientes.
11. Sea P3 el espacio vectorial de los polinomios de una variable real y de grado inferior o
igual a 3, pruebe que p (1) = p´(1) = 0 forman un espacio vectorial de P3 y halle su dimensión.
13. Dado F = {f : D ⊆ R →R}, el espacio vectorial de todas las funciones reales con valores
reales y sea S ⊆ F el conjunto de todas las funciones que satisfacen la ecuación f ➫➫+f = 0.
Demuestre que S es un subespacio vectorial de F .
Capı́tulo 2
Matrices
Leopold Kronecker
2.1. Terminologı́a
Definición 2.2. Se usará Mm x n (F) para indicar el conjunto de todas las matrices
m x n (m filas por n columnas) con elementos en F y consecuentemente Mn (F) para indicar
el conjunto de todas las matrices cuadradas n x n .
La definición de una matriz A en Mathematica es relativamente sencillo, basta con editar:
A:=MatrixForm[ {{a11 , a12 , a13 ,...,a1n },{a21 ,a22 ,a23 ,...,a2n },...,{am1 ,am2 ,...,amn }}]
o
A:={{a11 , a12 , a13 ,...,a1n },{a21 ,a22 ,a23 ,...,a2n },...,{am1 ,am2 ,...,amn }}//MatrixForm
Un ejemplo será:
17
18 2. MATRICES
⎛ ⎞
⎜ 3 5 4 ⎟
⎝ ⎠
−1 5 6
Se puede extraer diferentes elementos de una matriz haciendo referencia a sus subı́ndices,
para ello se edita primero el comando Part, el nombre de la matriz, la fila y después la columna
como en el siguiente comando:
Part[A, 1, 2]
De manera análoga se procederá para una fila completa teniendo en cuenta el entero que
la representa, por ejemplo:
A[[2]]
{−1, 5, 6}
A[[All, 1]]
{3, −1}
Para extraer una submatriz, se procede a indicar el nombre de la matriz ası́ como los
rangos de las filas y columnas separados por ;;
A[[1;;2, 2;;3]]
⎛ ⎞
⎜ 5 4 ⎟
⎝ ⎠
5 6
Para remplazar una fila se usará el comando ReplacePart seguido del entero de la fila
deseada y el cambio a seguir:
Para editar→se debe usar
->
Definición 2.3. Se denomina matriz identidad In a toda matriz de la forma Mn (F) tal
que:
⎛ ⎞
1 0 ... 0
⎜ 0 1 ··· 0
⎜ ⎟
⎟
⎜ . . ..
⎜ . . ..
⎟
⎝ . . . .
⎟
⎠
0 0 ... 1
IdentityMatrix[n]
donde n indica el orden deseado.
20 2. MATRICES
Definición 2.5. Las siguientes operaciones aplicadas a las filas de una matriz A∈
Mm x n (F) determinan lo que se denomina Operaciones Elementales sobre Matrices:
B
⎛ ⎞
⎜ −1 5 6 ⎟
⎝ ⎠
3 5 4
ReplacePart[B, 1 → −B[[1]]]
⎛ ⎞
⎜ 1 −5 −6 ⎟
⎝ ⎠
3 5 4
ReplacePart[ %, 2 → %[[2]]/20]
⎛ ⎞
⎜ 1 −5 −6 ⎟
⎝ ⎠
11
0 1 10
Suma Algebraica
[αA]ij = α [Aij ]
1.(AB) C = A (BC)
2. A (B + C) = AB + AC
3.(B + C) A = BA + CA
4. α (AB) = (αA) B
m m
! n "
[(AB) C]ij = [AB]ik [C]kj = [A]il [B]lk [C]kj =
k=1 k=1 l=1
n
m
n
m
[A]il [B]lk [C]kj = [A]il [B]lk [C]kj =
k=1 l=1 l=1 k=1
n
m n
[A]il [B]lk [C]kj = [A]il [BC]lj = [A (BC)]ij =
l=1 k=1 l=1
Observación. Las demostraciones de las partes 2 al 4 se dejan al lector por ser análogas.
ası́ que
(−1) (3) + (5) (2) + (6) (5) = −3 + 10 + 30 = 37
sigue:
⎛ ⎞
! " . 3 .
−1 5 6 ⎜
⎝. 1 .⎠
⎟
. . .
. 2 .
p p p
q
q ! p "
ai,j xi = 0 para todo i = 1, ..., q, ası́ xj w j = xj ai,j vi = ai,j xj vi =
j=1 j=1 j=1 i=1 i=1 j=1j
0, entonces {w1 , w2 , ..., wp } son linealmente dependientes.
Solución. Insertando:
Se obtiene
{{a → 1, b → 2, f → 0}}
Determine:
X ∧ 2 − X − IdentityMatrix[3]
! "
3 1
Ejemplo 2.16. Use Mathematica para escribir P = como una combinación
1 −1
! " ! " ! "
1 1 0 0 0 2
lineal de A = ,B= yF = .
1 0 1 1 0 −1
Aquı́:
−1}};P
A:={{1, 1}, {1, 0}}; B:={{0, 0}, {1, 1}}; F :={{0, 2}, {0, −1}}; P :={{3, 1}, {1, −1}}
Se definirá la combinación lineal como:
Por consiguiente:
⎛ ⎞ ⎛ ⎞
a1 a1 + 2a3 ⎟ ⎜ 3 1 ⎟
⎠=⎝
⎜
⎝ ⎠
a1 + a2 a2 − a3 1 −1
24 2. MATRICES
Solve[a1 ∗ A + a2 ∗ B + a3 ∗ F == P ]
ası́ que:
⎛ ⎞ ⎛ 1 ⎞ ⎛ 1 ⎞
t −2 −2
u = ⎝ − 2 ⎠; v = ⎝ t ⎠; w = ⎝ − 12 ⎠ sean linealmente independientes.
⎜ 1 ⎟ ⎜ ⎟ ⎜ ⎟
− 12 − 12 t
Donde A:={u, v, w}
⎛ ⎞
⎜ t − 21 − 12 ⎟
⎜ ⎟
⎜ −1 t − 12 ⎟
⎜ 2 ⎟
⎝ ⎠
− 21 − 12 t
Evaluando Solve[Det[A] == 0]
t → − 12 , t → − 21 , {t → 1}
Finalmente se obtiene:
2.4. PERMUTACIONES 25
2.4. Permutaciones
Permutations[{1, 2, 3}]
⎛ ⎞
⎜ 1 2 3 ⎟
⎜ ⎟
⎜
⎜ 1 3 2 ⎟
⎟
⎜ ⎟
2 1 3 ⎟
⎜ ⎟
⎜
⎜ ⎟
⎜ ⎟
⎜
⎜ 2 3 1 ⎟
⎟
⎜ ⎟
⎜
⎜ 3 1 2 ⎟
⎟
⎝ ⎠
3 2 1
Definición 2.19. En una permutación (a1 , ..., an ) se puede obtener el número total de
inversiones que ocurren hallando el número de enteros que son menores que a1 seguido a
la suma del número de enteros que son menores que a2 y ası́ hasta el an−1 elemento de la
permutación.
Definición 2.21. Sea σ∈ Sn , se define como signo de σ o bien sgn (σ) al resultado de
m
(−1) donde m es el número de inversiones de σ. Se dice que si:
|A| = sgn (σ) a1σ(1) a2σ(2) . . . anσ(n)
σ∈Sn
! "
a11 a12
Ejemplo 2.23. Considerando el caso elemental de A = , se tiene que:
a21 a22
Ejercicio 2.24. Use los resultados obtenidos en el ejemplo 2.21 para completar la tabla
siguiente y defina la determinante para las matrices cuadradas de orden 3.
⎛ ⎞
λ−6 0 0
A=⎝ 0 λ −1 ⎠ de modo que |A| = 0.
⎜ ⎟
0 4 λ−4
Aquı́:
28 2. MATRICES
Solve[Det[A] == 0]
Mathematica usa el
comando Det[matrix ] para
el cálculo de {{λ → 2}, {λ → 2}, {λ → 6}}
determinantes.
(I − A) X = D
−1
X = (I − A) D
⎛ ⎞
a11 a12 ... a1j
⎜ a21 a22 ··· a2j
⎜ ⎟
⎟
La matriz A = ⎜
⎜ .. .. .. .. ⎟ se denomina matriz de coeficientes técnicos o
⎝ . . . .
⎟
⎠
ai1 ai2 . . . aij
matriz tecnológica y a (I − A) matriz de Leontief.
Ejemplo 2.26. Una determinada empresa estima parte de sus inversiones en los ren-
glones de energı́a, construcción y transporte en euros como se indica en la tabla anexa, y se
desea determinar cuántas unidades se deben producir y ofertar para satisfacer la demanda.
Demanda Intermedia
Inversiones Demanda Consumidor
Energı́a Construcción Transporte
Energı́a 0.4 0.2 0.1 100
Construcción 0.2 0.4 0.1 50
Transporte 0.15 0.2 0.2 100
Cuadro 3. Input-Output.
Aquı́:
A
⎛ ⎞
⎜ 0.4 0.2 0.1 ⎟
⎜ ⎟
⎜ 0.2 0.4 0.1 ⎟
⎜ ⎟
⎝ ⎠
0.15 0.2 0.2
d
⎛ ⎞
⎜ 100 ⎟
⎜ ⎟
⎜ 50 ⎟
⎜ ⎟
⎝ ⎠
100
30 2. MATRICES
x
⎛ ⎞
⎜ 1 ⎟
⎜ ⎟
⎜ 2 ⎟
⎜ ⎟
⎝ ⎠
3
⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞
101.1 160.815 199.063 224.382 241.345 252.756 260.441
51.3 ⎠ ⎝ 100.855 ⎠ ⎝ 137.071 ⎠ ⎝ 161.983 ⎠ ⎝ 178.865 ⎠ ⎝ 190.26 ⎠ ⎝ 197.941 ⎠
⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟
⎝
101.15 145.655 173.424 191.958 204.446 212.864 218.538
⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞
265.618 269.107 271.458 273.042 274.11 274.829 275.314
⎝ 203.118 ⎠ ⎝ 206.607 ⎠ ⎝ 208.958 ⎠ ⎝ 210.542 ⎠ ⎝ 211.61 ⎠ ⎝ 212.329 ⎠ ⎝ 212.814 ⎠
⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟
La última iteración indica que las cantidades totales necesarias para satisfacer la demanda
del consumidor son: 275.31 euros de energı́a, 212.81 euros de construcción y 229.52 euros de
transporte.
! "
x (u, v)
Definición 2.27. Sea F : R2 →R2 definida por F (u, v) = , se denomina
y (u, v)
jacobiano de F a:
∂x ∂x
∂(x,y) ∂u ∂v
=
∂(u,v) ∂y ∂y
∂u ∂v
! "
rcos (θ)
Ejemplo 2.28. La función F : R2 →R2 definida por F (r, θ) = con r ≥ 0
rsen (θ)
y 0 ≤ θ ≤ 2π transforma las coordenadas rectangulares en coordenadas polares, su jacobiano
es:
∂x ∂x
∂(x,y)
= r cos2 (θ) + sen2 (θ) = r
∂r ∂θ
# $
=
∂(r,θ) ∂y ∂y
∂r ∂θ
⎛⎞
rcos (θ)
3 3
análogamente, con F : R →R definida por F (r, θ, z) = ⎝ rsen (θ) ⎠ con r ≥ 0, 0 ≤ θ ≤ 2π
⎜ ⎟
z
y z ≥ 0, determina las coordenadas rectangulares en coordenadas cilı́ndricas, su jacobiano es:
∂x ∂x ∂x
∂r ∂θ ∂z
∂(x,y,z) ∂y ∂y ∂y
∂(r,θ,z) = ∂r ∂θ ∂z
=r
∂z ∂z 1
∂r ∂θ
2.5. DETERMINANTES Y APLICACIONES 31
⎞
⎛
ρcos (θ) sen (φ)
3 3
por último, mientras F : R →R este definida por F (ρ, φ, θ) = ⎝ ρsen (θ) sen (φ) ⎠ con
⎜ ⎟
ρcos (φ)
ρ ≥ 0, 0 ≤ θ ≤ 2π y 0 ≤ φ ≤ π, transformará coordenadas rectangulares en coordenadas
esféricas, el jacobiano será:
∂x ∂x ∂x
∂ρ ∂θ ∂φ
∂(x,y,z) ∂y ∂y ∂y
= = ρ2 sen (φ)
∂((ρ,φ,θ)) ∂ρ ∂θ ∂φ
∂z ∂z ∂z
∂ρ ∂θ ∂φ
Usando Mathematica:
Polar
⎛ ⎞
⎜ cos(θ) −r sin(θ) ⎟
⎝ ⎠
sin(θ) r cos(θ)
Simplify[Det[Polar]]
Cilı́ndrica
⎛ ⎞
⎜ cos(θ) −r sin(θ) 0 ⎟
⎜ ⎟
⎜ sin(θ) r cos(θ) 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 1
Simplify[Det[Cilı́ndrica]]
Esférica
⎛ ⎞
⎜ cos(θ) sin(φ) ρ cos(θ) cos(φ) −ρ sin(θ) sin(φ) ⎟
⎜ ⎟
⎜ sin(θ) sin(φ) ρ cos(φ) sin(θ) ρ cos(θ) sin(φ) ⎟
⎜ ⎟
⎝ ⎠
cos(φ) −ρ sin(φ) 0
Simplify[Det[Esférica]]
ρ2 sin(φ)
32 2. MATRICES
α3 β3
∈ F, luego:
⎛⎡ ⎤ ⎡ ⎤⎞ ⎛⎡ ⎤⎞ ⎡ ⎤
α1 β1 α1 + β1 % & α 1 + β1
1 −1 0 ⎢
1. L ⎝⎣ α2 ⎦ + ⎣ β2 ⎦⎠ = L ⎝⎣ α2 + β2 ⎦⎠ = ⎣ α2 + β2 ⎦ =
⎜⎢ ⎥ ⎢ ⎥⎟ ⎜⎢ ⎥⎟ ⎥
−1 1 1
α3 β3 α3 + β3 α3 + β3
⎛⎡ ⎤ ⎡ ⎤⎞ ⎡ ⎤ ⎡ ⎤
% & α1 β1 % & α1 % & β1
1 −1 0 ⎜⎢ 1 −1 0 ⎢ 1 −1 0 ⎢
⎝⎣ α2 ⎦ + ⎣ β2 ⎦⎠ = ⎣ α 2 ⎦+ ⎣ β2 ⎦ =
⎥ ⎢ ⎥⎟ ⎥ ⎥
−1 1 1 −1 1 1 −1 1 1
α3 β3 α3 β3
L (α) + L (β)
⎛ ⎡ ⎤⎞ ⎛ ⎡ ⎤⎞ ⎡ ⎤
α1 % & α1 % & α1
1 −1 0 1 −1 0
2. L ⎝k ⎣ α2 ⎦⎠ = ⎝k ⎣ α2 ⎦⎠ = k ⎣ α2 ⎦ =
⎜ ⎢ ⎥⎟ ⎜ ⎢ ⎥⎟ ⎢ ⎥
−1 1 1 −1 1 1
α3 α3 α3
kL (α)
x3 x3
2.6. TRANSFORMACIONES LINEALES 33
⎤ ⎡
⎡ ⎤
α1 β1
Para demostrar si L es una transformación lineal se pueden escoger ⎣ α2 ⎦ , ⎣ β2 ⎦
⎢ ⎥ ⎢ ⎥
α3 β3
∈R3 , luego:
⎛⎡ ⎤ ⎡ ⎤⎞ ⎛⎡ ⎤⎞ ⎡ ⎤ ⎡ ⎤
α1 β1 α1 + β1 (α1 + β1 ) + 1 α1 + 1
L ⎝⎣ α2 ⎦ + ⎣ β2 ⎦⎠ = L ⎝⎣ α2 + β2 ⎦⎠ = ⎣ 2 (α2 + β2 ) ⎦
= ⎣ 2α2 ⎦ +
⎜⎢ ⎥ ⎢ ⎥⎟ ⎜⎢ ⎥⎟ ⎢ ⎥ ⎢ ⎥
α3 β3 α 3 + β3 α3 + β3 α3
⎡ ⎤
β1 + 1
⎣ 2β2 ⎦ = L (α) + L (β)
⎢ ⎥
β3
Por lo tanto L no es una transformación lineal.
1. L (θv )=θw .
2. L (α − β) = L (α) − L (β) para todo α y β ∈V .
Ejercicio 2.35. Sea T : R3 →R2 una transformación lineal tal que T (0, −1, 1) =
− 17
# $ # 11 $
3 , −4 ; T (2, 3, 1) = − 3 , −2 ; T (1, −1, 0) = (−7, −5). Determine T (x, y, z).
Solución. Se debe determinar que (0, −1, 1),(2, 3, 1) y (1, −1, 0) son una base de R3 ,
en efecto:
⎛ ⎞
⎜ 1 0 0 ⎟
⎜ ⎟
⎜ 0 1 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 1
Luego:
Finalmente:
T (x, y, z) = ( 31 (−13x + 8y − 9z), −3x + 2y − 2z)
Solución. Se debe determinar que (0, 0, 1),(0, 1, 1) y (1, 0, 1) son una base de R3 , en
efecto:
RowReduce[A]
⎛ ⎞
⎜ 1 0 0 ⎟
⎜ ⎟
⎜ 0 1 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 1
Luego:
{−x − y + z, y, x}
{z, 2x + y + z, 2x + y}
Finalmente:
2.6. TRANSFORMACIONES LINEALES 35
T (x, y, z) = (z, 2x + y + z, 2x + y)
T [x , y , z ] = {z, 2x + y + z, 2x + y}
T [81, 18, 1]
Solución. Sea la aplicación ϕ : R2 → R2 definida por ϕ (x, y) = (rcos (α) , rsen (α)),
luego:
Por ser el ángulo de la transformación α + θ este hace rotar T (v) en sentido positivo.
x: 0 -5 -3 1
y: 2 6 -3 -1
{Graphics[Polygon[A]], Graphics[Polygon[B]]}
2.6. TRANSFORMACIONES LINEALES 37
T (x, y, z) = (x, y + z, x + z)
considerando las bases B = {(1, 0, 1) , (1, 1, 0) , (1, 1, 1)} y B ′ = {(1, 0, 0) , (0, 1, 1) , (1, 1, 0)},
determine:
a. La matriz T con respecto a la base B.
b. La matriz de transición de B a B ′ .
Solución.
a. T [x , y , z ] = {x, y + z, x + z}
{x, y + z, x + z}
1 0 8
A conveniencia se selecciona la tercera fila y se intercambia por la primera:
⎛ ⎞
1 0 8 Por ser a11 = 1 y a12 = 0
⎝ 2 3 5 ⎠
⎜ ⎟
1 2 3
0 2 −5
⎛ ⎞
1 ... ...
Note que la primera columna resultó ⎝ 0 ... ... ⎠
⎜ ⎟
0 ... ...
⎛ ⎞
1 0 8
Resulta ⎝ 0 1 − 11 ⎠ y bastarı́a con hacer el elemento a32 = 0 de esta manera:
⎜ ⎟
3
0 2 −5
+ , + , + , + , + ,
−2· 0 1 − 3 11 + 0 = 22 + = 7
2 −5 0 −2 3 0 2 −5 0 0 3
Si se aplica un proceso análogo para las filas donde están los elementos a33
= 1, a13
= 0
y a23
= 0, finalmente se obtiene:
⎛ ⎞⎛ ⎛⎞ ⎞
1 2 3 1 0 8 1 0 8
⎝ 2 3 5 ⎠∼ ⎝ 2 3 5 ⎠∼⎝ 0 3 −11 ⎠ ∼
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
1 0 8 1 2 3 0 2 −5
⎛ ⎞ ⎛ ⎞
1 0 8 1 0 0
⎝ 0 1 − 11 ⎠∼ ⎝ 0 1 0 ⎠ = I3
⎜ ⎟ ⎜ ⎟
3
7
0 0 3 0 0 1
Usando Mathematica:
Definición 2.42. Una matriz Mn (F) es invertible si existe una matriz B ∈ Mn (F) tal
que AB = BA = In , B es la inversa de A.
(AB) B −1 A −1
A−1 = In −1
# $ # $
= A BB
# −1 −1 $
(AB) = B −1 A−1 A B = In
# $
B A
Finalmente.
−1
(AB) = B −1 A−1
$T $T
A−1 AT = AA−1 = I T = I
# #
$T # $T
AT A−1 = A−1 A = I T = I
#
T
Ası́ que la inversa de AT es A−1 .
# $
i+j
[Aa ]ij = (−1) |Aij |
⎛ ⎞
1 3 −2
Ejercicio 2.46. Dada A = ⎝ 2 8 −3 ⎠, determine Aa .
⎜ ⎟
1 7 1
i+j
Solución. Según la definición 2.45, para el coeficiente (−1) en nuestro caso será
1+1
(−1) = 1 y para |Aij | se escoge:
⎛ ⎞
. . . ! "
⎟ 8 −3
⎝ . 8 −3 ⎠ = = 29, ası́ que [Aa ]11 = 29
⎜
7 1
. 7 1
8 −3 2 −3 2 8
[Aa ]11 = (−1)2 [Aa ]12 = (−1)3 [Aa ]13 = (−1)4
= 29 = −5 =6
7 1 1 1 1 7
3 −2 1 −2 1 3
[Aa ]21 = (−1)3 [Aa ]22 = (−1)4 [Aa ]23 = (−1)5
= −17 =3 = −4
7 1 1 1 1 7
3 −2 1 −2 1 3
[Aa ]31 = (−1)4 [Aa ]32 = (−1)5 [Aa ]33 = (−1)6
=7 = −1 =2
8 −3 2 −3 2 8
luego:
⎛ ⎞
29 −17 7
Aa = ⎝ −5 3 −1 ⎠
⎜ ⎟
6 −4 2
Solución. Aquı́:
Teorema 2.48. Sea A ∈ Mn (F) entonces AAa =|A| In . Además A es invertible si, y
sólo si |A| =
0, en cuyo caso
1
A−1 = |A| A
a
Definición 2.49. La dimensión del espacio fila (renglón) o columna de una matriz
A ∈ Mmxn (F) , se llama rango de A y se denota como rango(A).
⎛ ⎞
1 −2 0 1
⎝ 2 1 5 −3 ⎠
⎜ ⎟
0 1 3 5
Usando Mathematica:
Note que se obtuvo tres filas diferentes de cero, luego el rango es 3; Mathematica también
usa el comando MatrixRank para dicho requerimiento:
3
⎛ ⎞
1 0 1 1
1 ⎠, demuestre que dim (A) = dim AT .
# $
Ejercicio 2.51. Dada A = ⎝ 3 2 5
⎜ ⎟
0 4 4 −4
Sugerencia. Use: Is[MatrixRank[A]==MatrixRank[Transpose[A]]]
44 2. MATRICES
As = 0 y As´= 0
Por lo tanto:
A (s + s´) = As + As´= 0 + 0 = 0
Por otro lado, para todo k ∈ R
A (ks) = k (As) = k0 = 0
Definición 2.53. Se denotará como A B como matriz ampliada o extendida (A, B).
Ahora, una vez hechas las operaciones elementales en A B hasta convertirla en E C donde
T
C = (c1 , c2 , . . . , cm ) y E ∈ Mmxn (F) es escalonada reducida con elementos eij , suponga
que Ei∗ = 0 para todo r < i ≤ n y que eiki = 1 el primer elemento distinto de cero de la
Ei∗sonlas fila Ei∗ para todo 1 ≤ i ≤ r y k1 <. . . < kr , entonces:
mfilasde
E
Si cj = 0 para algún j > r :
! "
In
1. r = n implica que E = donde 0 es la matriz nula de tamaño (m − n) x n
0
T
cuya solución (c1 , c2 , . . . , cm ) es única.
2. r < n implica que EX = C tiene infinitas soluciones
Si cj
= 0 para algún j > r, EX = C no tiene solución.
AE:={{−1, −2, 3, −4, −2}, {−6, −15, 6, −3, −3}, {−5, −12, 7, −6, −7}}
y se usa:
Is(True)
Entonces, como rango (A) < rango (AE), el sistema no tiene solución.
Solución. Si:
AE:={{−i, −(1 − i), 0, 0}, {1, −2, 1, 0}, {−5, 2 ∗ i, −1, 0}}
MatrixRank[A]
MatrixRank[AE]
⎪
⎪
⎪ −x − y + z + t = c
⎪
⎪
⎩−3x + y − 3z − 7t = d
⎪
46 2. MATRICES
A:={{1, 1, 1, 1}, {1, −1, −1, 1}, {−1, −1, 1, 1}, {−3, 1, −3, −7}}
AE:={{1, 1, 1, 1, a}, {1, −1, −1, 1, b}, {−1, −1, 1, 1, c}, {−3, 1, −3, −7, d}}
y como:
Is(True)
Ası́ que por el teorema 2.54, se concluye que el sistema no tiene solución.
Definición 2.58. Para un conjunto de puntos (x1 , y1 ) , (x2 , y2 ), ..., (xn , yn ) la recta de
regresión por mı́nimos cuadrados está definida por la función f (x) = a0 +a1 x que minimiza
el error por la suma de cuadrados:
o bien:
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
y1 1 x1 e1
! "
y2 ⎜ 1 x2 ⎜ e2
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎟ a0 ⎟
Y =⎜ .. ⎟, X = ⎜ . ⎟, A = ,E = ⎜ .
⎜ ⎟
. ⎝ 1 .. a1 ⎝ ..
⎜ ⎟ ⎜ ⎟ ⎟
⎝ ⎠ ⎠ ⎠
yn 1 xn en
Ahora, la recta de regresión será Y = XA + E y la forma matricial de la regresión lineal
−1
tendrı́a como coeficientes A = (X t X) X t Y .
Ejemplo 2.59. Los puntos (1, 1), (2, 2), (3, 4), (4, 4), (5, 6) y (8, 8) se pueden ajustar en
una recta de regresión, en efecto:
2.9. TIPOS DE SOLUCIONES 47
54 187
la recta de regresión será y = 185 + 185 x
x1 x2 x3 x4 x5 y
1100 300 6 5 10 30
1000 200 4 7 8 20
1200 350 6.7 8 10 40
1000 300 5 6 8 25
1100 300 5.5 7 9 35
1200 350 8 6 11 45
900 300 4 5 8 30
700 400 3.5 3 7 25
1200 350 6 7 7 35
1300 350 7 6.5 10 40
Aquı́:
⎛ ⎞ ⎛ ⎞
1 1100 300 6 5 10 30
⎜ ⎟ ⎜ ⎟
⎜
⎜ 1 1000 200 4 7 8 ⎟
⎟
⎜ 20 ⎟
⎜ ⎟
⎜
⎜ 1 1200 350 6.7 8 10 ⎟
⎟
⎜ 40 ⎟
⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜
⎜ 1 1000 300 5 6 8 ⎟
⎟
⎜ 25 ⎟
⎜ ⎟
⎜ 1 1100 300 5.5 7 9 ⎟ ⎜ 35 ⎟
X=⎜ ⎟, Y = ⎜
⎜ ⎟ ⎜ ⎟
⎟
⎜
⎜ 1 1200 350 8 6 11 ⎟
⎟
⎜ 45 ⎟
⎜ ⎟
⎜
⎜ 1 900 300 4 5 8 ⎟
⎟
⎜ 30 ⎟
⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜
⎜ 1 700 400 3.5 3 7 ⎟
⎟
⎜ 25 ⎟
⎜ ⎟
⎜
⎝ 1 1200 350 6 7 7 ⎟
⎠
⎜ 35 ⎟
⎝ ⎠
1 1300 350 7 6.5 10 40
Editando las respectivas matrices con Mathematica, se obtienen:
X:={{1, 1100, 300, 6, 5, 10}, {1, 1000, 200, 4, 7, 8}, {1, 1200, 350, 6.7, 8, 10}, {1, 1000, 300, 5, 6, 8},
{1, 1100, 300, 5.5, 7, 9}, {1, 1200, 350, 8, 6, 11}, {1, 900, 300, 4, 5, 8}, {1, 700, 400, 3.5, 3, 7},
{1, 1200, 350, 6, 7, 7}, {1, 1300, 350, 7, 6.5, 10}}
Y :={{30}, {20}, {40}, {25}, {35}, {45}, {30}, {25}, {35}, {40}}
Transpose[X].X
⎛ ⎞
⎜ 10. 10700. 3200. 55.7 60.5 ⎟88.
⎜ ⎟
⎜
⎜ 10700. 1.173 × 107 3.425 × 106 61640. 66450.
95600. ⎟
⎟
⎜ ⎟
3200. 3.425 × 106 1.05 × 106 18045. 19125. 28200. ⎟
⎜ ⎟
⎜
⎜ ⎟
⎜ ⎟
⎜
⎜ 55.7 61640. 18045. 329.39 346.1 505. ⎟⎟
⎜ ⎟
⎜
⎜ 60.5 66450. 19125. 346.1 384.25 538. ⎟⎟
⎝ ⎠
88. 95600. 28200. 505. 538. 792.
A:=Inverse[Transpose[X].X].Transpose[X].Y
2.10. ELIMINACIÓN DE GAUSS-JORDAN 49
A
⎛ ⎞
⎜ −26.0822 ⎟
⎜ ⎟
⎜ 0.00276874 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0.0714974 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ 1.80473 ⎟
⎜ ⎟
⎜ ⎟
⎜ 1.38543 ⎟
⎜ ⎟
⎝ ⎠
1.62571
finalmente:
y = −26.0822 + 0.00276874x1 + 0.0714974x2 + 1.80473x3 + 1.38543x4 + 1.62571x5
RowReduce[A]
50 2. MATRICES
⎛ ⎞
⎜ 1 0 0 ⎟
⎜ ⎟
⎜ 0 1 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 1
RowReduce[AB]
⎛ ⎞
17
⎜ 1 0 0 16 ⎟
⎜ ⎟
⎜ 0 1 0 1 ⎟
⎜ 2 ⎟
⎝ ⎠
37
0 0 1 16
Ası́ que;
{MatrixRank[A], MatrixRank[AB]}
{3, 3}
como rango (A) = rango (A B) = n = 3 el sistema tiene solución única, a saber:
17 1 37
16 , 2 , 16
La sentencia anterior puede sustituirse por:
17
→ 12 , z → 37
x→ 16 , y 16
EJERCICIOS 51
Ejercicios
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 −1 2 0 2 1 0 0 2
1. Dadas las matrices X = ⎝ 3 4 5 ⎠, Y = ⎝ 3 0 5 ⎠ y Z = ⎝ 3 1 0 ⎠,
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
0 1 −1 7 −6 0 0 −2 4
determine una matriz Z tal que X + Y + Z sea igual a la matriz nula.
−1 3 4
6. Una empresa fabricante de dos tipos de detergentes determina que sus ventas en miles de
USD durante los 2015 y 2016 están clasificadas según la siguientes tabla:
x -1 -2 0 1 -3 -2
y 2 4 3 -1 1 1
◦
determine su rotación con un ángulo de 35 (use una precisión de 4 dı́gitos).
14. Discuta los valores de a para que el siguiente sistema de ecuaciones tenga solución única:
⎧
⎨ ax + 2y − z = 2a
⎪
−x + ay − 3z = −a
⎪
x − y + az = −2a
⎩
que:
a. Para todo B ∈ V entonces B −1 ∈ V .
EJERCICIOS 53
b. Existe B ∈ V ,B
= 0 tal que AB = BA = 0, siempre que det (A) = 0.
3 2
⎛ ⎞ ⎛ ⎞
3 −2 0 5 5 0
16. Demuestre que A = ⎝ −2 3 0 ⎠ y B = ⎝ 25 3
0 ⎠ son inversas entre sı́.
⎜ ⎟ ⎜ ⎟
5
1
0 0 5 0 0 5 Use: AB = BA = I 3
18. Sean T : R3 →R2 una transformación lineal tal que T (1, −1, 0) = (−1, −7), T (1, −1, 1) =
(−2, −6) y T (0, 1, 1) = (2, 3). Determine T (x, y, z) para todo (x, y, z) ∈ R3 .
19. Sea la transformación lineal T : R3 →R3 definida por T (x, y, z) = (y, x − y, y + z) y las
bases B = {(1, 1, 0) , (0, 0, 1) , (1, 1, 1)} y B ➫ = {(0, 1, 0) , (1, 0, 1) , (1, 1, 1)} , determine TB y
TBB ➫ .
Capı́tulo 3
Eigenvalores y Eigenvectores
Henri Poincaré
A = λx
Respectivamente, se dice que el valor λ es un eigenvalor de An , pero otros autores también
hacen referencia a valor propio, autovalor, valor caracterı́stico o raı́z latente. Eigen[’aigen]en
alemánsignifica
! " ! " propio.
7 −2 1
Ejemplo 3.2. El valor 3 es un valor propio de A = y es su vector
4 1 2
propio asociado, ya que:
! "! " ! "
7 −2 1 1
=3
4 1 2 2
2 2 a2 − 2ad + 4bc + d2 + a + d
2 − a − 2ad + 4bc + d + a + d , 2
en este caso:
{5, 3}
55
56 3. EIGENVALORES Y EIGENVECTORES
Por:
Det[IdentityMatrix[2] ∗ λ − B]
CharacteristicPolynomial[B, λ]
λ2 − 8λ + 15
Teorema 3.6. Sea A y B ∈ Mn (F) dos matrices semejantes, entonces PA (λ) = PB (λ)
B:={{0,
1}, {−1, 0}}
0 1
B=
−1 0
COMANDO CharacteristicPolynomial[B, λ] Eigenvalues[B] Eigenvectors[B]
−i 1
RESULTADO λ2 + 1 {i, −i}
i 1
⎛ ⎞
0 1 0
Ejercicio 3.8. Halle los autovalores de A = ⎝ 0 0 1 ⎠
⎜ ⎟
4 −17 8
Solución. Usando el respectivo comando se presenta el siguiente problema:
Root #13 − 9#12 + 21#1 − 17&, 1 , Root #13 − 9#12 + 21#1 − 17&, 3 ,
- . - .
- 3 2
.
0 0 λ 4 −17 8 −4 17 λ − 8
−λ3 +9λ2 −21λ+17 y considerando que las raı́ces de este último resultado son los autovalores
requeridos, se aplica:
Solve −λ3 + 9λ2 − 21λ + 17 == 0, λ
- .
√ √ √
√ √ $ √ # √ $
(( ) ( 3
)
2+ 2(1−i 3)
/ 0 # /
λ → 3 + 31 108 − 54 2 + 3 2 2 + 2 , λ → 3 − 1 3
3
2 2/3 − 6 108 − 54 2 1 + i 3 ,
√ √ √ ))
√ √
( 3
/ 2+ 2 ( 1+i 3 )
λ → 3 − 16 108 − 54 2 1 − i 3 −
3
# $
22/3
Ejercicio 3.9. Determine los valores caracterı́sticos y una base para cada uno de los
espacios caracterı́sticos correspondientes de:
⎛ ⎞
1 0 0 0
⎜ ⎟
⎜ 0 1 5 −10 ⎟
⎜ ⎟
⎜ 1 0 2 0 ⎟
⎝ ⎠
1 0 0 3
Solución. Sea:
CharacteristicPolynomial[A, λ]
Eigenvalues[A]
{3, 2, 1, 1}
⎛⎞
α1
⎜ ⎟
⎜ α2 ⎟
Para hallar las bases requeridas se usará la operación (I4 λ − A) ⎜
⎜ α ⎟
⎟
⎝ 3 ⎠
α4
58 3. EIGENVALORES Y EIGENVECTORES
1. Para λ = 1 :
α3 → −α1 , α4 → − α21
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 1 0
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ t
⎟ = s⎜ 0 ⎟ + t⎜ 1 ⎟
⎟ ⎜ ⎟ ⎜
⎜ ⎟
⎜ −s ⎟ ⎜ −1 ⎟ ⎜ 0 ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
− 2s − 21 0
en efecto:
⎡⎛ ⎞ ⎛ ⎞⎤
1 0
⎢⎜ ⎟ ⎜ ⎟⎥
⎢⎜ ⎟ ⎜ ⎟⎥
⎢ ⎜ 0 ⎟ ⎜ 1 ⎟⎥
B1 = ⎢⎜ ⎟ , ⎜ ⎟⎥
⎢⎜ ⎟ ⎜ ⎟⎥
⎢⎜ −1 ⎟ ⎜ 0 ⎟⎥
⎢⎜ ⎟ ⎜ ⎟⎥
⎣⎝ ⎠ ⎝ ⎠⎦
− 12 0
2. Para λ = 2 :
α1 → 0, α3 → α52 , α4 → 0
⎛ ⎞ ⎛ ⎞
0 0
⎜ ⎟ ⎜ ⎟
⎜ s ⎟ ⎜ 1 ⎟
⎜ s ⎟ = s⎜ 1 ⎟
⎜ ⎟ ⎜ ⎟
⎝ 5 ⎠ ⎝ 5 ⎠
0 0
⎡⎛ ⎞⎤
0
⎢⎜ ⎟⎥
⎢⎜ ⎟⎥
⎢ ⎜ 1 ⎟⎥
B2 = ⎢ ⎜
⎢⎜ ⎟⎥
⎟⎥
⎢ ⎜ 1 ⎟⎥
⎢ ⎜ 5 ⎟⎥
⎣⎝ ⎠⎦
0
3. Para λ = 3 :
α1 → 0, α3 → 0, α4 → − α52
⎛ ⎞ ⎛ ⎞
0 0
⎜ ⎟ ⎜ ⎟
⎜ s ⎟ ⎜ 1 ⎟
⎜ 0 ⎟ = s⎜
⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ 0 ⎟ ⎠
− 5s − 15
3.1. DIAGONALIZACIÓN 59
⎡⎛ ⎞⎤
0
⎢⎜ ⎟⎥
⎢⎜ ⎟⎥
⎢ ⎜ 1 ⎟⎥
B3 = ⎢⎜
⎢⎜ ⎟⎥
⎟⎥
⎢ ⎜ 0 ⎟⎥
⎢⎜ ⎟⎥
⎣⎝ ⎠⎦
− 15
3.1. Diagonalización
Definición 3.10.
a. Una matriz A∈ Mn (F) es una matriz diagonal si es de la forma:
⎛ ⎞
a11 0 . . . 0
⎜ 0 a22 · · · 0 ⎟
⎜ ⎟
⎜ . .. .. ⎟
⎜ . ..
⎝ . . . . ⎠
⎟
0 0 ... aij
b. Una matriz A∈ Mn (F) es una matriz triangular superior si:
aij = 0 para i > j
⎛ ⎞
a11 a12 ... a1j
⎜ 0 a22 ··· a2j
⎜ ⎟
⎟
⎜ . .. ..
..
⎟
⎜ .
⎝ . . . .
⎟
⎠
0 0 ... aij
c. Una matriz A∈ Mn (F) es una matriz triangular inferior si:
aij = 0 para i < j
⎛ ⎞
a11 0 ... 0
a12 a22 ··· 0
⎜ ⎟
⎜ ⎟
⎜ .. .. .. .. ⎟
. . . .
⎜ ⎟
⎝ ⎠
ai,1 ai2 ... aij
Consecuentemente:
Teorema 3.11. Una matriz A∈ Mn (F) es diagonalizable si y sólo si existe una base Fn
formada por autovectores de A.
Demostración. Sea P una matriz invertible tal que AP = P D donde D = diag (λ1 , λ2 , ... , λn ),
entonces las columnas P∗1 , P∗2 ,..., P∗n de la matriz P forman una base de Fn , luego:
Eigenvalues[A]
{−1, −1}
Luego, por no poder formar una base de dos vectores correspondientes al único espacio
caracterı́stico calculado, se concluye que A no es diagonalizable.
0 0 5
DiagonalizableMatrixQ[A]
True
P :=Transpose[Eigenvectors[A]]
P
⎛ ⎞
⎜ 0 −1 1 ⎟
⎜ ⎟
⎜ 0 1 1 ⎟
⎜ ⎟
⎝ ⎠
1 0 0
Comprobación:
Inverse[P ].A.P
⎛ ⎞
⎜ 5 0 0 ⎟
⎜ ⎟
⎜ 0 5 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 1
Ejercicio 3.15. Determine los eigenvalores y las respectivas bases para los eigenespacios
correspondientes del operador lineal T : P2 → P2 definido por:
0 0 5
A:={{3, −2, 0}, {−2, 3, 0}, {0, 0, 5}}
Eigenvalues[A]
{5, 5, 1}
{{α2 → −α1 }}
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
s 1 0
⎝ −s ⎠ = s ⎝ −1 ⎠ + t ⎝ 0 ⎠
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
t 0 1
62 3. EIGENVALORES Y EIGENVECTORES
{{α2 → α1 , α3 → 0}}
⎛ ⎞ ⎛ ⎞
s 1
⎝ s ⎠ = s⎝ 1 ⎠
⎜ ⎟ ⎜ ⎟
0 0
La base asociada para los eigenespacios correspondientes del operador lineal T será:
⎡⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎤
⎢⎜ 1 ⎟ ⎜ 1 ⎟ ⎜ 0 ⎟⎥
⎢⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎥ 2
B=⎢ ⎢⎜ 1 ⎟ , ⎜ −1 ⎟ , ⎜ 0 ⎟⎥ o bien B = 1 + x, 1 − x, x
⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎥
⎣⎝ ⎠ ⎝ ⎠ ⎝ ⎠⎦
0 0 1
3.2. Ortogonalidad
⎛ ⎞
4 2 2
A=⎝ 2 4 2 ⎠
⎜ ⎟
2 2 4
Eigenvalues[A]
{8, 2, 2}
Se tiene que determinar las bases para cada uno de los espacios caracterı́sticos
correspondientes:
Normalize[{1, 1, 1}]//MatrixForm
⎛ ⎞
√1
⎜ 3 ⎟
⎜ ⎟
⎜ √1 ⎟
⎜ 3 ⎟
⎝ ⎠
√1
3
Finalmente:
⎛ ⎞
√1 − √12 − √16
3
√1 √1 − √16
⎜ ⎟
P =⎜
⎝ 3 2
⎟
⎠
0
√1 0 2
3 3
Transpose[P ].A.P
64 3. EIGENVALORES Y EIGENVECTORES
⎛ ⎞
⎜ 8 0 0 ⎟
⎜ ⎟
⎜ 0 2 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 2
2 2 0
Solución. Aquı́:
A:={{0, 2, 2}, {2, 0, 2}, {2, 2, 0}}
Eigenvalues[A]
Normalize[{1, 1, 1}]//MatrixForm
⎛ ⎞
√1
⎜ 3 ⎟
⎜ ⎟
⎜ √1 ⎟
⎜ 3 ⎟
⎝ ⎠
√1
3
3.3. APLICACIONES 65
Por lo tanto: ⎛ ⎞
√1 √1 − √16
3 2 0 ⎟
⎜
P =⎜ √1 0 2 ⎟
⎝ 3 3 ⎠
√1 − √12 − √16
3
Comprobación:
Transpose[P ].A.P
⎛ ⎞
⎜ 4 0 0 ⎟
⎜ ⎟
⎜ 0 −2 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 −2
3.3. Aplicaciones
−1 1 2 z
Teorema 3.21. Sea C = (v1 , ... , vn ) cuyas columnas son una base ortonormal de
vectores propios de una matriz simétrica A. El cambio de variable y = C t x, transforma la
forma cuadrática f (x) = xt Ax en:
n
f (x) = y t Dy = λi yi2
i=1
donde λ1 , ... ,λn son los valores propios de A asociados a v1 , ... , vn .
ax2 + 2bxy + cy 2 + dx + ey + f = 0
la ecuación de una cónica C, y suponga que:
xt Ax = ax2 + 2bxy + cy 2
es la forma cuadrática asociada, entonces se puede hacer girar los ejes de coordenadas de
modo que la ecuación C tenga un nuevo sistema de coordenadas x´y´de la forma:
λ1 x´2 + λ2 y´2 + d´x´+ e´y´+ f = 0
haciendo la sustitución x = P x´, donde λ1 y λ2 son los valores propios de A, P diagonaliza
ortogonalmente a A y |P | = 1.
Ejercicio 3.23. Determine los ejes principales y la ecuación canónica con respecto a
estos ejes de la cónica de ecuación x2 − 4xy + y 2 = 4.
! "! "
+ , 1 −2 x
Solución. Usando xt Ax = x y = 4, se tiene que A =
−2 1 y
! "
1 −2
cuyos valores propios son λ1 = −1 y λ2 = 3, de esta manera se obtienen:
−2 1
! " ! " ! " ! "
1
√
2
− √12 √1
2
− √12 −1 0
v1 = y v 2 = , entonces C = y D =
√1 √1 √1 √1 0 3
2 2 2 2
Ası́:
t
(C t x) D (C t x) = 4⇐⇒y t Dy = 4⇐⇒
3.3. APLICACIONES 67
! "! "
+ , −1 0 y1
y1 y2 = 4⇐⇒
0 3 y2
3y 2 y12
−y12 + 3y22 = 4 ⇐⇒ 22 2
− 22 =1
√
3
2x2 + 2xy + 2y 2 = 36
f [x , y ]:=2 ∗ x∧ 2 + 2 ∗ x ∗ y + 2y ∧ 2 − 36
coef
⎛ ⎞
⎜ −36 0 2 ⎟
⎜ ⎟
⎜ 0 2 0 ⎟
⎜ ⎟
⎝ ⎠
2 0 0
A
⎛ ⎞
⎜ 2 1 ⎟
⎝ ⎠
1 2
Eigenvalues[A]
68 3. EIGENVALORES Y EIGENVECTORES
{3, 1}
JordanDecomposition[A]
⎛ ⎞
⎜ {−1, 1} {1, 1} ⎟
⎝ ⎠
{1, 0} {0, 3}
N1:=Normalize[{−1, 1}]
N2:=Normalize[{1, 1}]
P :=Transpose[{N1, N2}]
P
⎛ ⎞
1 √1
⎜ − √2 2 ⎟
⎝ ⎠
√1 √1
2 2
Round[Transpose[P ].A.P ]
⎛ ⎞
⎜ 1 0 ⎟
⎝ ⎠
0 3
y12 + 3y22 − 36
{ContourPlot[2 ∗ x∧ 2 + 2 ∗ x ∗ y + 2y ∧ 2==36, {x, −10, 10}, {y, −10, 10}, Axes → True],
ContourPlot[y1∧ 2 + 3 ∗ y2∧ 2==36, {y1, −10, 10}, {y2, −10, 10}, Axes → True]}
20 80
5x2 − 4xy + 8y 2 + √
5
x − √
5
y +4=0
coef
√
⎛ ⎞
⎜ 4 −16 5 8 ⎟
⎜ √ ⎟
⎜ 4 5 −4 0 ⎟
⎜ ⎟
⎝ ⎠
5 0 0
A
⎛ ⎞
⎜ 5 −2 ⎟
⎝ ⎠
−2 8
√ √
4 5, −16 5
Eigenvalues[A]
{9, 4}
JordanDecomposition[A]
⎛ ⎞
⎜ {2, −1} {1, 2} ⎟
⎝ ⎠
{4, 0} {0, 9}
N1:=Normalize[{2, 1}]
N2:=Normalize[{−1, 2}]
P :=Transpose[{N1, N2}]
P
⎛ ⎞
√2 − √15 ⎟
⎜ 5
⎝ ⎠
√1 √2
5 5
Round[Transpose[P ].A.P ]
70 3. EIGENVALORES Y EIGENVECTORES
⎛ ⎞
⎜ 4 0 ⎟
⎝ ⎠
0 9
K.P
{−8, −36}
4u2 − 8u + 9v 2 − 36v + 4
ContourP lot[4 ∗ x∧2 + 9 ∗ y ∧2 == 36, {x, −10, 10}, {y, −10, 10}, Axes → True]}
20 80
Figura 3.3.4. 5x2 − 4xy + 8y 2 + √
5
x − √
5
y + 4 = 0 ; 4x2 + 9y 2 = 36
Solución.
3.3. APLICACIONES 71
f [x , y , z ]:= − 4 ∗ x∧ 2 − 4 ∗ y ∧ 2 − 7 ∗ z ∧ 2 + 4 ∗ x ∗ y + 10 ∗ x ∗ z + 10 ∗ y ∗ z − 3
⎛ ⎞
⎜ −4 2 5 ⎟
⎜ ⎟
⎜ 2 −4 5 ⎟
⎜ ⎟
⎝ ⎠
5 5 −7
Map[MatrixForm, JordanDecomposition[A]]
⎧⎛ ⎞ ⎛ ⎞⎫
⎪⎜ −1 −1 1 ⎟ ⎜ −12 0 0 ⎟⎪
⎪
⎪ ⎪
⎪ ⎪
⎪
⎨ ⎜ ⎟ ⎜ ⎟⎬
⎟,⎜ 0
⎜ −1 1 1 ⎟ ⎜ −6 0 ⎟
⎪ ⎜ ⎟⎪
⎪
⎪ ⎝ ⎠ ⎝ ⎠⎪⎪
2 0 1 0 0 3 ⎭
⎪
⎩ ⎪
⎛ ⎞
√1 − √12 √1
⎜ − 6 3 ⎟
⎜ ⎟
⎜ − √1 √1 √1 ⎟
⎝ 06 2 3
⎜ ⎟
⎠
2 √1
3 0 3
⎛ ⎞
⎜ −12. 0. 0. ⎟
⎜ ⎟
⎜ 0. −6. 0. ⎟
⎜ ⎟
⎝ ⎠
0. 0. 3.
ContourPlot3D[−12 ∗ x∧ 2 + −6 ∗ y ∧ 2 + 3 ∗ z ∧ 2 == 3, {x, −10, 10}, {y, −10, 10}, {z, −10, 10}]}
72 3. EIGENVALORES Y EIGENVECTORES
donde:
Eigenvalues[A]
{−3, 2}
P = Part[JordanDecomposition[A], 1]
⎛ ⎞
⎜ −1 1 ⎟
⎝ ⎠
4 1
o bien:
74 3. EIGENVALORES Y EIGENVECTORES
% & % &
−1 1
y (t) = c1 e−3t +c2 e2t
4 1
Solución. Aquı́:
Eigenvalues[A]
{4, 2, 1}
P = Part[JordanDecomposition[A], 1]
⎛ ⎞
⎜ 1 1 1 ⎟
⎜ ⎟
⎜ 1 2 4 ⎟
⎜ ⎟
⎝ ⎠
1 4 16
o bien:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 1
y (t) = c1 ⎣ 1 ⎦e +c2 ⎣ 2 ⎦e +c3 ⎣ 4 ⎦e4t
⎢ ⎥ t ⎢ ⎥ 2t ⎢ ⎥
1 4 16
3.3. APLICACIONES 75
Eigenvalues[A]
{3, 2, 2}
P = Part[JordanDecomposition[A], 1]
⎛ ⎞
⎜ 1 −1 1 ⎟
⎜ ⎟
⎜ 2 −1 3 ⎟
⎜ ⎟
⎝ ⎠
4 0 9
o bien:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 −1 1 1
y (t) = c1 ⎣ 2 ⎦e +c2 ⎣ −1 ⎦e +c2 ⎣ 2 ⎦te +c3 ⎣ 3 ⎦e3t
⎢ ⎥ 2t ⎢ ⎥ 2t ⎢ ⎥ 2t ⎢ ⎥
4 0 4 9
76 3. EIGENVALORES Y EIGENVECTORES
Ejercicios
1. Halle
! una " matriz ! tenga valores caracterı́sticos λ1 = 3 y λ2 = −1 y autovectores
A que "
1 −1
Use el hecho que x1 = y x2 = .
A = P −1 DP . 1 1
2. Cuál o cuales
⎛ de estas matrices
⎞ no son diagonalizables y porqué:
3 −2 1
A = ⎝ −2 3 0 ⎠
⎜ ⎟
! 0 0 "5
1 −2
B=
−2 3
⎛ ⎞
0 0 1
C=⎝ 1 1 1
⎜ ⎟
⎠
1 0 0
! " ! "
1 1
2. Determine la matriz general que contenga los autovectores y .
1 −1
! "
A 0
3. Diagonalice con A = P −1 D P . Halle sus autovalores y autovectores.
0 2A
⎛ ⎞
1 0 0 0
⎜ ⎟
⎜ −2 2 0 0 ⎟
4. Use el comando JordanDecomposition[A] para diagonalizar ⎜
⎜ ⎟
⎝ 0 0 −1 2 ⎟
⎠
0 0 2 −1
y compruebe el resultado obtenido.
⎛ ⎞
2 −1 −1
5. Diagonalice ortogonalmente a ⎝ −1 2 −1 ⎠.
⎜ ⎟
−1 −1 2
6. Identifique la sección cónica que genera cada ecuación y grafique según el caso:
a. 16x2 − 4xy + 20y 2 = 72.
b. 2x2 − 4xy − y 2 − 4x + 10y = 13.
c. 144x2 + 100y 2 + 81z 2 − 216xz − 540x − 720z = 0.
7. Resuelva
1 los siguientes sistemas de ecuaciones diferenciales lineales de primer orden:
x′ = x − y
a. ′
.
1 y = 2x + 4y
′
x = x + 2y
b. ′
.
⎧ y = 2x + y
⎪ y ′ = y1 − 2y2 + y3
⎨ 1
⎪
⎪
c. y2′ = 2y2 + 4y3
⎪
⎪
⎩y ′ = 3y
⎪
3 3
Capı́tulo 4
Métodos Numéricos
1842-1919
77
78 4. MÉTODOS NUMÉRICOS
Cuadro 2. Aproximaciones.
Un aspecto importante que se tratará en este capı́tulo es lo que se refiere a las soluciones
imprecisas debido a severos errores de redondeo, los problemas de este tipo se denominan
problemas mal condicionados.
La matriz de un problema mal condicionado tiene las siguientes caracterı́sticas:
1. Un ligero cambio de los coeficientes o elementos de la matriz provoca cambios signi-
ficativos en la solución.
2. Los elementos de la diagonal de la matriz de coeficientes tienden a ser menores que
los elementos que no pertenecen a la diagonal.
A : {{.143, .357, 2.01, −5.173}, {−1.31, .911, 1.99, −5.458}, {11.2, −4.30, −.605, 4.415}}
⎛ ⎞
⎜ 0.143 0.357 2.01 −5.173 ⎟
⎜ ⎟
A=⎜ ⎜ −1.31 0.911 1.99 −5.458 ⎟ ⎟
⎝ ⎠
11.2 −4.3 −0.605 4.415
Con la finalidad de evitar los potenciales errores de redondeo inmersos en los cálculos,
se plantea la siguiente rutina:
Ingrese en número de incógnitas :
n:=3
If[i
= j&&A[[j, j]]
= 0, A[[i]] = A[[i]] − A[[i, j]] ∗ A[[j]]/A[[j, j]]]; i++]; j++;
i++];j++;
j]]];i++];
If[j == n + 1, Print[MatrixForm[A]]]]
⎛ ⎞
1. 4.440892098500626`*10∧ -16 0. 1.
⎝ 0. 1. 0. 2. ⎠
⎜ ⎟
0. 0. 1. −3.
Aquı́:
4.1. ELIMINACIÓN GAUSSIANA CON CONDENSACIÓN PIVOTAL 79
⎧
⎪
⎪
⎪ x=1
⎨
y=2
⎪
⎪
⎩z = −3
⎪
80 4. MÉTODOS NUMÉRICOS
Definición 4.1. (Matriz estrictamente diagonal por renglones). Una matriz A ∈ Mn (R)
se le llama estrictamente diagonal dominante si para todo i ∈ {1, ..., n}:
|Aii |= |Aij | , i
= j
1<j<n
Esto es si el valor absoluto de cada entrada diagonal es estrictamente mayor que la suma
de los valores absolutos de las demás entradas del renglón correspondiente, lo que conduce
a la condición suficiente que garantiza la convergencia, la cual es, si la matriz A ∈ Mn (R)
es estrictamente diagonal dominante, entonces los métodos de Jacobi y de Gauss-Seidel
convergen para todo B ∈ Rn .
Si se considera un sistema de ecuaciones lineales Ax = B, entonces se podrá construir
una sucesión de vectores x(0) , x(1) ,..., x(n) que cumplan la convergencia a la solución exacta,
el Método Iterativo de Jacobi consiste en:
! "
(k) 1
(k−1)
xi = Aii Bi − Aij xj , i
= j
1<j<n
Solución. Como:
xnew = Table[0, {Length[A]}]; tol = 10∧ − 6; Intermax = 40; k = 1; sol = {{xold, 0}}; Clear[error]
xnew
{0, 0, 0}
82 4. MÉTODOS NUMÉRICOS
⎛ ⎞
⎜ 20 1 −1 ⎟
⎜ ⎟
⎜ 1 −10 1 ⎟
⎜ ⎟
⎝ ⎠
−1 1 10
xnew = Table[0, {Length[A]}]; tol = 10∧ − 6; Intermax = 40; k = 1; sol = {{xold, 0}}; Clear[error]
xnew
{0, 0, 0}
4.3. MÉTODO DE GAUSS - SEIDEL 83
84 4. MÉTODOS NUMÉRICOS
En el Capı́tulo 3, se mostró que para hallar los valores propios de una matriz A ∈ Mn (F)
basta resolver la ecuación caracterı́stica, pero en la práctica, lo que se necesita es el autovalor
con valor absoluto máximo, en la presente sección se muestra un método para obtener una
aproximación.
Definición 4.3. Se dice que un valor propio de una matriz A ∈ Mn (F) es dominante,
si su valor absoluto es el mayor de los valores absolutos restantes.
4 −17 8
Insertando las respectivas entradas:
x = {1, 1, 1}
{1, 1, 1}
n = 10
10
9.666678
6.35458
5.394498
4.967348
4.727658
4.574798
4.469098
4.391838
4.333028
4.33302
4.5. Descomposición QR
T [0] = M ; T [0]//MatrixForm
Comienza la rutina:
i = 0;
While[i < 50, {{q, r} = QRDecomposition[T [i]];
[i]];TT [i + 1] = r.Transpose[q];
i++}];
i++}];TT [i]//MatrixForm//Chop;
3.28284 3.56569 2
luego:
T [0] = M ;
T [0]//MatrixForm
⎛ ⎞
⎜ 2. 3.26779 4.40168 ⎟
⎜ ⎟
⎜ 2.28284 2. 5.40168 ⎟
⎜ ⎟
⎝ ⎠
3.28284 3.56569 2.
i = 0;
i++}];
i++}];TT [i]//MatrixForm//Chop;
Bajo condiciones expuestas, las matrices A ∈ Mn (F) convergen a una matriz triangular
cuyas entradas en la diagonal principal son sus autovalores, comprobar dicha convergencia
es impráctico pero se puede acotar el error mediante el Teorema de Gerschgorin.
! "
1 −5
Ejemplo 4.9. Dada A = , editando con mathematica, se obtiene:
2 1
A = {{1, −5}, {2, 1}}
Eigenvalues[A]
√ √
1 + i 10, 1 − i 10
√ √
Los Discos de Gerschgorin son D1 = D (1, 5) y D2 = D (1, 2), note que 1 + i 10, 1 − i 10
∈ D1
88 4. MÉTODOS NUMÉRICOS
luego:
Show[GraphicsGrid[Partition[Graphics[{ GerschgorinDisks[A],
Show[GraphicsGrid[Partition[Graphics[{GerschgorinDisks[A],
⎛ ⎞
−1 1 −1
Ejemplo 4.10. Sea A = ⎝ −1 2 1 ⎠, se tiene que:
⎜ ⎟
1 −1 1
Eigenvalues[A]
{1 + i, 1 − i, 0}
Se tiene entonces: ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
x1 b1 a11 a12 ... a1n
⎜ x2 ⎟ ⎜ b2 ⎟ ⎜ a21 a22 ··· a2n
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎟
⎜ .. ⎟, b = ⎜ .. ⎟ y A = ⎜ ..
c = (c1 , c2 , . . . , cn ), x = ⎜ ⎟ ⎜ ⎟ ⎜ .. .. .. ⎟ y el
⎝ . ⎠ ⎝ . ⎠ ⎝ . . . .
⎟
⎠
xn bm am1 am2 ... amn
⎛ ⎞
xn+1
⎜ xn+2 ⎟
⎜ ⎟
vector variables de holgura será xs = ⎜ .. ⎟
.
⎜ ⎟
⎝ ⎠
xn+m
las restricciones serán:
% & % &
x x
[A, In ] =by ≥ 0
xs xs
Sujeto a:
x1 ≤ 4
2x2 ≤ 12
3x1 + 2x2 ≤ 18
x1 ≥ 0
x2 ≥ 0
90 4. MÉTODOS NUMÉRICOS
como no existen más entradas negativas en Z, se puede afrontar una solución optima:
! "
2
x= para Z = 36
6
Usando Mathematica se tiene:
Maximize[{3 ∗ x1 + 5 ∗ x2, x1<=4&&2 ∗ x2<=12&&3 ∗ x1 + 2 ∗ x2<=18&&x1>=0&&x2>=0},
x2,x1<=4&&2 {x1, x2}]
x2<=18&&x1>=0&&x2>=0},{x1,
Ejercicios
1. Use ⎧
las lineas de comando de la sección 4.1 para resolver:
⎨ 0.251x1 + 0.517x2 + 8.51x3 = −2.173
⎪
a. −0.54x1 + 0.761x2 + 4.66x3 = −5.664
⎪
5.1x1 − 3.5x2 − 0.785x3 = 3.686
⎩
⎧
⎪
⎪
⎪ 0.251x 1 + 0.517x2 + 8.51x3 − 2.173x4 = 0.006
⎪
⎨ −0.54x + 0.761x + 4.66x − 5.664x = 0.94
1 2 3 4
b.
⎪ 5.1x1 − 3.5x2 − 0.785x3 + 3.686x4 = 0.05
⎪
⎪
⎪
⎩ 4.1x + 0.5x + 0.675x − 5.636x = 0.95
1 2 3 4
⎧
⎪ 0.12x2 + 3.01x3 + 1.03x4 = 0.001
⎪
⎪
⎪
⎨ −0.76x + 0.03x + 4.43x − 8.81x = 0.33
1 2 3 4
c.
⎪
⎪
⎪ 4.96x1 − 1.50x2 + 1.01x4 = 0.03
⎪
⎩ 0.4x + 0.66x − 0.58x = 0.5
1 3 4
⎧
⎪
⎪
⎪ 0.001x1 + 0.0003x2 + 0.0007x3 + 0.08x4 = 0.008
⎪
⎨ 0.003x + 0.005x + 0.0005x + 0.003x = 0.0003
1 2 3 4
d.
⎪ 0.01x1 + 0.005x2 + 0.004x3 + 0.0001x4 = 0.003
⎪
⎪
⎪
⎩ 0.0094x + 0.002x + 0.006x + 0.008x = 0.05
1 2 3 4
⎧
⎪
⎪
⎪ 0.251x 1 + 0.517x 2 + 8.51x 3 − 2.173x 4 = 0.006
⎪
⎨ −0.54x + 0.761x + 4.66x − 5.664x = 0.94
1 2 3 4
e.
⎪ 5.1x1 − 3.5x2 − 0.785x3 + 3.686x4 = 0.05
⎪
⎪
⎪
⎩ 4.1x + 0.5x + 0.675x − 5.636x = 0.95
1 2 3 4
⎧
⎪
⎪
⎪ 0.12x 2 + 3.01x 3 + 1.03x 4 = 0.001
⎪
⎨ −0.76x + 0.03x + 4.43x − 8.81x = 0.33
1 2 3 4
f.
⎪ 4.96x1 − 1.50x2 + 1.01x4 = 0.03
⎪
⎪
⎪
⎩ 0.4x + 0.66x − 0.58x = 0.5
1 3 4
2. Resuelva
⎧ y compare los resultados obtenidos por los métodos Gauss-Seidel y de Jacobi en:
⎨ 5x1 + 1.1x2 + 2.01x3 = 11.119
⎪
a. 0.1x1 + 4.5x2 − 3x3 = 5.9
⎪
1.03x1 + 2x2 + 3.5x3 = −4.81
⎩
⎧
⎨ 1.2x1 + 0.1x2 + 0.01x3 = 12
⎪
b. 0.1x1 + 3.5x2 + 2x3 = 1
⎪
1.03x1 + 2x2 + 3.5x3 = −1
⎩
3. Verifique
! el Teorema
" de Cayley - Hamilton para:
1 −2
a.
−1 3
⎛ ⎞
−3 −2 3
b. ⎝ −2 1 1 ⎠
⎜ ⎟
−1 2 −1
EJERCICIOS 93
⎛ ⎞
2 2 3 4
⎜ ⎟
⎜ 0 2 3 2 ⎟
4. Halle los autovectores de una transformación lineal T donde ⎜
⎜ 0
⎟ es la matriz
⎝ 0 1 1 ⎟
⎠
0 0 0 1
de la transformación T B y
1! " ! " ! " ! "2
1 0 0 1 0 0 0 0
B= , , ,
0 0 0 0 1 0 0 1
5. Use ⎛
la rutina
dada
⎞ en este capı́tulo para hallar el autovalor dominante de:
4 2 2
a. ⎝ 2 4 2 ⎠
⎜ ⎟
2 2 4
⎛ ⎞
0 2 2
b. ⎝ 2 0 2 ⎠
⎜ ⎟
2 2 0
⎛ ⎞
20 1 −1
c. ⎝ 1 −10 1 ⎠
⎜ ⎟
−1 1 10
⎛ ⎞
2 1 −1
d. ⎝ −1 1 5 ⎠
⎜ ⎟
3 3 2
⎛ ⎞
2.23 1.65 −1.33
e. ⎝ −1.32 1.4 5.56 ⎠
⎜ ⎟
3 3 2
6. Use la rutina para la descomposición QR dada en este capı́tulo y determine los autovalores
de: ⎛ ⎞
1.23 −3.65 4.33
a. ⎝ −3.32 4.4 −6.56 ⎠
⎜ ⎟
8. Demuestre que todas las raı́ces del polinomio caracterı́stico de una matriz simétrica
A ∈ Mn (R) son números reales.
9. La compañı́a General Electric produce dos nuevas turbinas que requieren partes de acero
y componentes aluminio. Para cada unidad de la turbina A se requiere 1 unidad de partes de
acero y 2 unidades de componentes de aluminio; para cada unidad de la turbina B se necesitan
3 unidades de partes de acero y 2 unidades de componentes de aluminio. La compañı́a tiene
200 unidades de partes de acero y 300 de aluminio. Cada unidad del turbina A proporciona
una ganancia de USD 3000 y cada unidad de la turbina B hasta 60 unidades da una ganancia
de USD 4000. Cualquier exceso de 60 unidades del turbina B no genera ganancia, por lo que
fabricar más de esa cantidad está fuera de consideración.
a. Plantee la solución geométrica del problema.
b. La gerencia desea determinar cuántas unidades de cada producto se deben fabricar
para maximizar la ganancia. Fundamente su respuesta.
10. Una galerı́a de arte dispone de tres artistas para construir dos tipos de cuadros, unos
con marco de madera y otros con marco de aluminio. La ganancia neta por cada cuadro es
de USD 90 con marco de madera y de USD 40 con marco de aluminio. Carlos hace marcos
de madera y puede construir 8 diarios, Mario hace 4 marcos de aluminio al dı́a y Eduardo
puede cortar sólo 12m2 cuadrados de vidrio por dı́a. El vidrio empleado es de 2m2 para cada
cuadro con marco de madera y 1m2 para uno de aluminio.
a. Plantee la solución Simplex del problema.
b. Cuántos cuadros de cada tipo se deben producir al dı́a para maximizar la ganancia
para la galerı́a. Fundamente su respuesta.
Capı́tulo 5
Euler calculaba sin aparente esfuerzo como los hombres respiran o las águilas
se sostienen en el aire.
François Arago.
95
96 5. GRAFOS Y JUEGOS MATRICIALES
Para casos generales, se evidencia una combinación de diagramas poliédricos con dos
caracterı́sticas primordiales: elementos de geometrı́a (caras, aristas y vértices con valencias)
y por otro lado la relación que debe darse si existe un trayecto aplicable.
⎛ ⎞
1 0 1 1
⎜ ⎟
⎜ ⎟
⎜ 1 0 1 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ 1 1 0 1 ⎟
⎜ ⎟
⎝ ⎠
0 0 1 0
Ejemplo 5.3. Suponga que existen 25 donantes de sangre por parejas compatibles
¿cuándo se obtiene un emparejamiento completo? .
Se plantea una matriz con aij = 1 con la i − ésima persona y la j − ésima persona
compatibles y aij = 0 con la i − ésima persona y la j − ésima persona no compatibles:
⎛ ⎞
0 0 1 1 0
⎜ 1 0 1 0 1
⎜ ⎟
⎟
⎜ ⎟
A=⎜
⎜ 0 0 0 1 1 ⎟
⎟
⎝ 1 0 1 0 1 ⎠
⎜ ⎟
0 1 0 0 1
A = {{0, 0, 1, 1, 0}, {1, 0, 1, 0, 1}, {0, 0, 0, 1, 1}, {1, 0, 1, 0, 1}, {0, 1, 0, 0, 1}}
⎛ ⎞
0 0 1 1 0
⎜ ⎟
⎜ ⎟
⎜ 1 0 1 0 1 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 0 1 1 ⎟
⎜ ⎟
⎜ ⎟
⎜ 1 0 1 0 1 ⎟
⎜ ⎟
⎝ ⎠
0 1 0 0 1
finalmente:
98 5. GRAFOS Y JUEGOS MATRICIALES
F={{1}, {2}, {3}, {4}, {5}, {6}, {7}, {1, 2}, {2, 3}, {2, 5}.{2, 6}, {4, 5}, {6, 7}, {1, 2, 3}, {2, 6, 7}}
Ejercicio 5.6. Suponga que la matriz A representa 5 hombres y 5 mujeres donde son
o no son compatibles en matrimonio, determine la red de emparejamientos.
⎛ ⎞
1 0 0 0 1
⎜ 1 1 1 0 0 ⎟
⎜ ⎟
⎜ ⎟
A=⎜
⎜ 0 0 1 0 1 ⎟
⎟
⎝ 0 1 0 0 1 ⎠
⎜ ⎟
1 0 1 0 0
Solución.
A = {{1, 0, 0, 0, 1}, {1, 1, 1, 0, 0}, {0, 0, 1, 0, 1}, {0, 1, 0, 0, 1}, {1, 0, 1, 0, 0}}
⎛ ⎞
1 0 0 0 1
⎜ ⎟
⎜ ⎟
⎜ 1 1 1 0 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 1 0 1 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 1 0 0 1 ⎟
⎜ ⎟
⎝ ⎠
1 0 1 0 0
Representación 3D:
GraphPlot3D[{1 → 2, 1 → 3, 1 → 4, 1 → 5, 2 → 3, 2 → 4, 3 → 4,
Dado el grafo:
Solución.
1 2 3 4
⎛ ⎞
1 0 1 1 1
⎜ ⎟
⎜ 1
2 ⎜ 0 1 1 ⎟
⎟
⎝ 1
3 ⎜ 1 0 0 ⎟
⎠
4 1 1 0 0
5.2. ALGORITMO DEL CAMINO MÁS CORTO 101
Esta sección hace referencia al problema del camino más corto, que en esencia consiste
en hallar la suma mı́nima de las aristas en un recorrido; algunos algoritmos que resuelven
situaciones de esta naturaleza son:
a. Algoritmo de Floyd-Warshal. Utiliza todos los vértices.
b. Algoritmo de Dijkstra. Resuelve el problema usando un vértice de inicio y todos los
que interactúan con éste.
c. Algoritmo de Bellman - Ford. Resuelve el problema usando un vértice de inicio y
todos los que interactúan con ponderación negativa.
Mathematica utiliza el comando F indShortestP ath con los siguientes argumentos:
1. F indShortestP ath[g, a, b] : encuentra el camino más corto desde un vértice a a otro b.
2. F indShortestP ath[g, a, All] : genera una ShortestP athF unction aplicado a b.
3. F indShortestP ath[g, All, b] : genera una ShortestP athF unction aplicado a a.
4. F indShortestP ath[g, All, All] : genera una ShortestP athF unction aplicado a a y b.
5. F indShortestP ath[{v → w, . . .}, . . .]: Usa la regla v → w que determina el grafo.
Observe el siguiente ejemplo:
GraphPlot[{1 → 2, 1 → 3, 1 → 5, 1 → 6, 2 → 6, 3 → 4, 3 → 6, 4 → 2, 4 → 5,
FindShortestPath[{1 → 2, 1 → 3, 1 → 5, 1 → 6, 2 → 6, 3 → 4, 3 → 6,
4 → 2, 4 → 5, 4 → 6, 5->2, 5 → 6, 5 → 14, 6 → 5, 14 → 4}, 3, 14]
{3, 6, 5, 14}
GraphDistance[{1 → 2, 1 → 3, 1 → 5, 1 → 6, 2 → 6, 3 → 4, 3 → 6, 4 → 2,
g = {1 → 2, 1 → 3, 1 → 5, 1 → 6, 2 → 6, 3 → 4, {3 → 6, “3→6”}, 4 → 2, 4 → 5,
{1 → 2, 1 → 3, 1 → 5, 1 → 6, 2 → 6, 3 → 4, {3 → 6, 3→6}, 4 → 2, 4 → 5, }
4 → 6, 5 → 2, 5 → 6, {5 → 14, 5→14}, {6 → 5, 6→5}, 14 → 4}
Recorrido en cuadras
a b c d e f h
a 0 12 0 0 0 0 0
b 0 0 4 0 0 0 0
b 0 0 0 15 0 0 0
c 0 0 0 0 0 0 3
d 0 0 0 0 0 12 8
e 0 0 0 0 0 7 2
f 0 0 0 0 0 0 1
h 3 0 3 0 2 0 0
finalmente:
GraphDistance[G, a, f ]
28 (cuadras).
104 5. GRAFOS Y JUEGOS MATRICIALES
Es obvio que la solución de la situación planteada dependerá del peso que se asigne a
todos los v (i, j) , i : 1, 2, 3; j : 1, 2, 3; el orden de preferencias en este caso sera:
v (1, 1) > v (2, 1) > v (1, 2) > v (2, 2) > v (1, 3) > v (2, 3) > v (3, 1) > v (3, 2) > v (3, 3)
En el caso que las valoraciones se consideren de forma totalmente opuesta es decir,
ganancias para unos y pérdidas para otros, pueden expresarse por vI (i, j) = −vII (i, j) y se
dice que la situación corresponde a un juego de suma nula.
En los juegos de suma nula, un jugador intenta maximizar su desempeño a la vez que
está intentando minimizar el de su oponente es decir, cada uno buscará el peor resultado que
pueda conseguir con cada una de sus estrategias.
Definición 5.12.
Para cada estrategia de Ii ∈ EI el nivel de seguridad del jugador I es el pago que puede
asegurarse con esa estrategia, prescindiendo de las acciones del jugador II.
5.5. JUEGOS MATRICIALES CON DESEMPEÑO VECTORIAL 105
Definición 5.15. Se dice que un juego matricial A ∈ Mn (R) tiene un punto de silla en
sus estrategias si vI = vII .
Ejemplo 5.16. Suponga que dos empresas textileras desean invertir 20 millones de USD
en campañas publicitarias que según sus especialistas en mercadeo aumentarán sus ingresos.
Los medios disponibles para llevar a cabo dichas campañas publicitarias son: televisión,
prensa e internet.
Se estima que las consecuencias de las campañas publicitarias se rigen por:
Note que este juego publicitario tiene puntos de silla; el correspondiente al medio tele-
visión se interpreta que el resultado neto que consiguen ambas empresas serán los mismos si
no hiciesen publicidad alguna para ambas, pero no todos los juegos de suma nula poseen un
punto de silla en sus estrategias puras.
Los juegos matriciales donde la retribución por estrategia que reciben los jugadores vienen
representadas por!vectores en lugar de"números reales, se denominan juegos vectoriales.
(0; 0) (0, 5; 1)
En la matriz las estrategias puras toman un conjunto de valores
(2, −1) (0; 0)
vectoriales y entre ellos no tiene por que existir uno más desfavorable, la primera estrategia
del jugador I tiene asociados los valores (0; 0) y ((0, 5; 1)), pero no se puede destacar ninguno
de ellos como valoración pesimista de dicha estrategia.
106 5. GRAFOS Y JUEGOS MATRICIALES
(1, 1) (2, 2)
Por medio de la teorı́a de la dualidad de la programación lineal y usando el método
Simplex se obtendrán las estrategias optimas de cada jugador y el valor del juego, en efecto:
Maximizar: v1 , v2
Sujeto a:
⎧
⎪
⎪
⎪ x1 + 2x2 + x3 ≥ v1
⎪
⎨ 3x + x + 2x ≥ v
1 2 3 1
; xi ≥ 0, v1 , v2 ∈ R
⎪ 2x1 + x2 + x3 ≥ v2
⎪
⎪
⎪
⎩ x + 3x + 2x ≥ v
1 2 3 2
Ejemplo 5.18. Dos polı́ticos contienden entre sı́ para un cargo de diputado y para los
dos últimos dı́as antes del cierre de campaña electoral esperan hacer un significativo mitin
en dos ciudades importantes A y B.
Para ello cada jugador tiene tres estrategias:
Candidato 2
ESTRATEGIAS
x1 x2 x3
x1 0 -2 2
Candidato 1 x2 5 4 -3
x3 2 3 -4
ahora suponga que hubo un inconveniente que le impidió al candidato 1 mantener la estrategia
x3 .
Maximizando la tercera estrategia para el Candidato 1 se tiene:
Maximizar: x3
Sujeto a:
⎧
⎪
⎪
⎪ 5x2 − x3 ≥ 0
⎪
⎨ −2x + 4x − x3 ≥ 0
1 2
; xi ≥ 0, i = 1, 2, 3
⎪ 2x1 − 3x2 − x3 ≥ 0
⎪
⎪
⎪
⎩ x +x ≤1
1 2
Ejercicios
b.
3. En un juego de la carta más alta, Enrique puede recibir del repartidor un As o una K con
igual probabilidad y Oscar siempre recibe una J, Enrique puede pasar y perder la apuesta de
USD 20 o subir la apuesta a USD 70 adicionales. Si Enrique apuesta, Oscar puede detener
el juego y perder USD 20 o pagar USD 70 adicionales y probar que Enrique está fingiendo.
La carta más alta gana los USD 90 del oponente.
a. Plantee el espacio de todas las estrategias para los dos jugadores.
b. Establezca una matriz de pagos para Enrique.
c. Esboce la estrategia óptima.
! "
2 1
4. Usando como matriz de pagos, explique los cálculos por X del maximin y por
6 5
Y del minimax y sus estrategias óptimas.
! "
−2 0 2
5. Halle las estrategias óptimas y el valor para: .
−1 2 −2
Listado de comandos
COMANDO USO
Solve[expr, vars] Resuelve.
111
112 LISTADO DE COMANDOS
COMANDO USO
T rigReduce[expr] Reduce funciones trigonométricas.
Inverse[A] Inversa de A.
M inors[A] Menores de A.
Dimensions[A] Dimensión de A.
Eigenvalues[A] Eigenvalores de A.
Eigenvectors[A] Eigenvectores de A.
GraphP lot3D[vi1 − > vj1 , vi2 − > vj2 , . . .] Representación de grafo en 3D.
113