Professional Documents
Culture Documents
Sistemas Matriciales
Introduccin
El enfrentarse a un sistema de ecuaciones lineales es un problema comn en
ingeniera. Los vemos aparecer en la descripcin matemtica de un circuito elctrico,
en los flujos de materia de una planta qumica, en las relaciones de las lneas de
produccin de una planta manufacturera, etc. Adicionalmente a esto, los sistemas de
ecuaciones lineales resultan como efecto colateral al llevar a cabo otros mtodos,
como por ejemplo en el mtodo de Bridge-Vieta, el mtodo de Lin-Bairstow y un sin
nmero de mtodos para resolver sistemas de ecuaciones diferenciales.
A pesar de su simplicidad, el fundamento matemtico de los sistemas lineales es el
lgebra lineal. Esta rea de las matemticas tiene una importancia transcendental para
el desarrollo de la ciencia. No es exagerar su importancia el afirmar que sin el lgebra
lineal, no habra mucha ingeniera ni anlisis numrico. Por esto mismo, los sistemas
de ecuaciones lineales, y sus conceptos fundamentales sobre lgebra de matrices son
el tema central de este captulo. En el transcurso del presenta capitulo se especificar
slo un mtodo numrico para encontrar la inversa de una matriz, y algunos mtodos
para encontrar el determinante. El grueso de los algoritmos para resolver un sistema
de ecuaciones se estudiarn en los captulos 3 y 4, y en el captulo XXX los algoritmos
correspondientes a encontrar los valores caractersticos.
39
Solucin
y'
Ecn. B
Ecn. A
x'
X
Fig. 2.1 Interpretacin grfica a la solucin de un sistema de ecuaciones.
En la figura XXX el punto (x',y') representan la solucin al sistema de ecuaciones.
Claramente se puede ver que la solucin de un sistema de ecuaciones lineales es
nica debido a que dos lineas rectas, si se intersectan, slo pueden intersectarse en
un punto.
En un sistema de 3 ecuaciones con 3 incgnitas, la visualizacin de la solucin del
sistema es muy diferente.
Y
X
Solucin
(x',y',z')
40
+x2
+2x2
+x2
+x2
-x2
+x2
+1/3x2 -3x3 =
-x2
-19x3 =
+x2
+7x3 =
10/3
-3
9
(1)
(2)
(3)
Esto facilita la reduccin. Ahora slo se necesita multiplicar la ecuacin (1) por -2 y
sumarla a la ecuacin (3), sustituyendo el resultado por la ecuacin (3).
x1
+1/3x2 -3x3
= 10/3
-x2
-19x3 = -3
+1/3x2 +13x3 = 7/3
(1)
(2)
(3)
41
+1/3x2 -3x3
= 10/3
-x2
-19x3 = -3
+20/3x3 = 4/3
(1)
(2)
(3)
-x2
-x2
+x2
+x3
+3x3
-2x3
=
=
=
-1
-4
6
(1)
(2)
(3)
-1/2
-4
6
(1)
(2)
(3)
-1/2x2 +1/2x3 =
-x2
+3x3 =
+x2
-2x3 =
-1/2x2 +1/2x3 =
-1/2x2 +5/2x3 =
+x2
-2x3 =
-1/2
-7/2
6
(1)
(2)
(3)
42
-1/2x2 +1/2x3 =
-1/2x2 +5/2x3 =
+2x2 -3x3 =
-1/2
-7/2
7
(1)
(2)
(3)
-1/2x2 +1/2x3 =
-1/2x2 +5/2x3 =
+2x2 -3x3 =
-1/2
-7/2
7
(1)
(2)
(3)
-1/2x2 +1/2x3 =
+x2
-5x3 =
+2x2 -3x3 =
-1/2
7
7
(1)
(2)
(3)
-1/2x2 +1/2x3 =
+x2
-5x3 =
+7x3 =
-1/2
7
-7
(1)
(2)
(3)
-1/2x2 +1/2x3 =
+x2
-5x3 =
-7x3 =
-1/2
7
-7
(1)
(2)
(3)
-1/2
7
-1
(1)
(2)
(3)
-1/2x2 +1/2x3 =
+x2
-5x3 =
x3
=
El sustituir los valores en la ecuacin (3) en la ecuacin (2), y luego sustituyendo los
valores encontrados en la ecuacin (2) en la ecuacin (1) se llama sustitucin hacia
atrs:
Sustituyendo x3 en la ecuacin (2) encontramos:
x2=7+5 x3=7+5(-1)=2
43
Sustituyendo x3 y x2 en la ecuacin 2:
x1=-1/2+1/2 x2-1/2 x3=-1/2+1/2(2)-1/2(-1)=1
La solucin es entonces, x1=1, x2=2, x3=-1.
-x2
-x2
+x2
+x3
+3x3
-2x3
=
=
=
-1
-4
6
(1)
(2)
(3)
-1/2x2 +1/2x3 =
-x2
+3x3 =
+x2
-2x3 =
-1/2
-4
6
(1)
(2)
(3)
-1/2
-7/2
6
(1)
(2)
(3)
-1/2
-7/2
7
(1)
(2)
(3)
-1/2x2 +1/2x3 =
-1/2x2 +5/2x3 =
+x2
-2x3 =
-1/2x2 +1/2x3 =
-1/2x2 +5/2x3 =
2x2
-3x3 =
-1/2x2 +1/2x3 =
x2
-5x3 =
2x2
-3x3 =
-1/2
7
7
(1)
(2)
(3)
-1/2
7
(1)
(2)
-1/2x2 +1/2x3 =
x2
-5x3 =
44
7x3
-7
(3)
-2x3
-5x3
7x3
=
=
=
3
7
-7
(1)
(2)
(3)
-2x3
-5x3
x3
=
=
=
3
7
-1
(1)
(2)
(3)
-5x3
x3
=
=
=
1
7
-1
(1)
(2)
(3)
=
=
=
1
2
-1
(1)
(2)
(3)
45
y'
Ecn. B
Ecn. A
x'
X
Fig. 2.4 Sistema de ecuaciones con solucin nica
An cuando parece que en un sistema de ecuaciones lineales existen tantas
ecuaciones como incgnitas, es posible que una de las ecuaciones sea un mltiplo de
otra.
Ecn. A
Ecn. B
X
Fig. 2.5 Sistema de ecuaciones con mltiples soluciones
Cuando esto sucede, los mtodos de pivoteo eliminan una de las ecuaciones.
Ejemplo. Supngase que se tiene una ecuacin con 2 incgnitas:
x1 + 2 x2=3
Para resolver el sistema se crea una segunda ecuacin multiplicando la primera por
3. El sistema queda como sigue:
x 1 + 2 x2 = 3
3 x 1 + 6 x2 = 9
(1)
(2)
+ 2 x2 = 3
+0
= 0
(1)
(2)
46
47
x1
-1
1
3
5
x2
1
2
3
4
l n in11k i ri
(2.1)
+8x2
+2x2
+6x3
-2x3
=
=
20
-2
+8x2
+2x2
+4x2
+6x3 =
-2x3 =
+10x3 =
20
-2
24
-x3
+x3
0
=
=
=
-2
3
0
48
Ecn. A
Ecn. B
X
Fig. 2.6 Sistema de ecuaciones sin solucin
Supngase que se tiene el mismo sistema de 2 ecuaciones anteriormente
mencionado, excepto que ahora se cambia el trmino a la derecha de la igualdad de 9
a 5 para evitar la combinacin lineal. Esto es claramente una inconsistencia debido a
que si se encuentra la solucin al sistema, una ecuacin no podr satisfacerse:
x1 +2x2
3x1 +6x2
= 3(1)
= 5(2)
= 3(1)
= -4
(2)
+8x2
+2x2
+4x2
+6x3 =
-2x3 =
+10x3 =
20
-2
24
49
Si:
2
A 4
6
8
2
4
6
2
10
20
b 2
24
x x1
x2
x3
2.6.1 Matrices
Una matriz est compuesta por los elementos a i,j donde i representa el rengln
donde se encuentra localizado el valor dentro de la matriz y j la columna. Si el
arreglo consta de ms de un rengln o ms de una columna se denomina Matriz,
de lo contrario se denomina Vector.
Ejemplos de matrices:
A
3
2
3
1
3
B 5
4
4
4
5
2
C 0
2
3
2
3
Ejemplos de vectores:
a 1
6
2
2
4
1
5
4
4
2
2
3
1
2
b 2
3
c 2
a11
0
0
Superior
a12
a 22
0
a13
a 23
a 33
Inferior
50
a11
a
21
a 31
0
a 22
a32
0
0
a 33
ai,j=0 si ij
ai,j=0 si ij
2. Matriz Identidad
1
I 0
0
1
0
0
1
ai,j=1, si i=j
ai,j=0, si ij
3. Matriz Cero
0
O 0
0
0
0
0
0
ai,j=0 i,j
4. Matriz Diagonal
a11
0
a 22
0
0
0
a 33
ai,j=0, si ij
Adems, las posiciones dentro de la matriz donde i=j componen lo que se llama
la diagonal principal.
a11
A a 21
a 31
a12
a 22
a32
a13
a 23
a 33
51
5. Matriz Aumentada
a11
a a 22
a 33
b11
B b21
b31
b13
b23
b33
b12
b22
b32
a11
a : B a 22
a 33
b11
b21
b31
b12
b22
b32
b13
b23
b33
aii aij i
(2.2)
j 1
j i
7. Matriz Simtrica
Una matriz es simtrica si aij=aji. Es decir:
a11
a
12
a13
a12
a 22
a 23
a13
a 23
a 33
a11
a
21
a 31
a 21
a 22
a32
a31
a 32
a 33
8. Matriz de Banda
Una matriz se llama matriz banda si concentra sus elementos diferentes de cero
al rededor de la diagonal principal. Puesto de otra manera:
aij0 si |i-j|w, donde w es el ancho de banda. Para un ancho de banda w=2, se
forma una matriz tridiagonal como la que se muestra a continuacin:
52
a1,1
a
1, 2
0
...
0
a1, 2
a 2, 2
a 3, 2
...
0
0
a 2,3
a 3, 3
...
...
0
0
...
a n 1, n 1
a n , n 1
a n 1, n
a n ,n
...
...
...
Bmxn=(bi,j)
Cmxn=AB=(ci,j)=(ai,jbi,j) i,j
(2.3)
2
0
2
2 3
1
1
3
bR
B=bA=(bai,j) i,j.
(2.4)
Ejemplo:
53
2
1
2
1 2
5
5
0
4
1
4
3
6
2
B 3
0
1
6
3
0
3
9
Es decir:
a
A d
g
e
h
ka
kA kd
kg
kb
ke
kh
kc
kf
ki
3. Transpuesta
Amxn=(ai,j)
B=At
Bnxm=(aj,i) i,j (2.5)
Es decir, que los renglones se conviertene n columnas y las columnas en
renglones. Ejemplo:
2
A
0
1
3
2
At
1
0
3
(2.7)
Bnxp=(bi,j)
n
Cmxp=AmxnBnxp=ci,j= a i,k b k , j
(2.10)
k 1
1
2
1
1
2
2
1
3
5
0
0
3
5
1
6
0
12
12
54
7
2
ex
k 0
xk
k!
eA
IA
A2 A3 A4
...
2
6
24
(2.11)
(2.12)
(2.13)
(2.14)
(2.15)
(2.16)
(2.17)
(2.18)
(2.19)
(2.20)
(2.21)
IB=BI=B
m. Inverso multiplicativo
AA-1=A-1A=I
n. Potenciacin
An=AA...A n veces
(2.22)
(2.23)
(2.24)
2
4
4
5
6
7
8
9
56
a k ,i Cofact k,i
i 1
(2.25)
(2.26)
2 4 3
1 1
0 1
0 1
0 1 1 2 ( 1)11
4 ( 1) 12
3( 1) 1 3
5 7
3 7
3 5
3 5 7
2 4 3
1 1
0 1
0 1
0 1 1 2
4
3
2 (12 ) 4 ( 3) 3( 3) 3
5 7
3 7
3 5
3 5 7
Muchas veces ayuda a acelerar el proceso de encontrar el determinante de una
matriz el memorizar la frmula para encontrar el determinante de una matriz de
2x2:
a b
ad cb
c d
(2.27)
57
b
e
h
c
a
f B ka d
i
g
b
kb e
h
c
kc f
i
(2.28)
b
e
h
f B kd
g
i
c
kf
i
b
ke
h
(2.29)
|B|=k|A|. Es decir que multiplicar cualquier rengln de una matriz por una
constante escalar k aumenta el determinante k veces.
c. La relacin entre las siguientes matrices:
a
A d
g
b
e
h
c
d
f B a
g
i
e
b
h
f
c
(2.30)
a b c
0 d e adf
0 0 f
Clculo del Determinante por Gauss sin Normalizacin
58
2 4 3
A 0 1 1
3 5 7
a. Multiplicando el primer rengln por -3/2 y sumando al tercer rengln. Esta
operacin no modifica el determinante:
2 4
3
A 0 1
1
0 1 5 / 2
b. Sumando el segundo rengln con el tercero:
2 4
3
A 0 1 1
0 0 3/ 2
Multiplicando los elementos de la diagonal principal |A|=2(1)(3/2)=3
Clculo del Determinante por Gauss con Normalizacin
2 4 3
A 0 1 1
3 5 7
a. Dividiendo entre 2 el primer rengln:
1 2 3/ 2
A 2 0 1 1
3 5
7
b. Multiplicando por -3 el primer rengln y sumando con el tercero:
2 4
3
A 20 1
1
0 1 5 / 2
c. Sumando el segundo rengln con el tercero:
2 4
3
A 2 0 1 1 2 ( 3 / 2 ) 3
0 0 3/ 2
59
5
3
9
4
2
4
6
8
1 3
5
0 1 3
A
0 5 1
0 7 11
2
1 3 4 1 3 4
4
2
1( 1) 5 1 2 0 16 18
2
7 11 2 0 32 26
2
1 3 4
16 18
A 0 16 18 1( 1) 2
16 ( 26 ) ( 32 )( 18 ) 160
32 26
0 32 26
La magnitud del determinante de una matriz normalmente no es de mucha
utilidad excepto en el caso de que ste sea cero o casi cero. Cuando el
determinante de una matriz cuadrada es cero (slo las matrices cuadradas tienen
determinante) esto significa que un rengln est compuesto de ceros (equivalente
a que la matriz no fuese cuadrada) o que uno de los renglones es combinacin
lineal de los otros. La importancia del determinante se har evidente en las
siguientes secciones tanto en el clculo de la matriz inversa como en la solucin de
ecuaciones lineales.
60
A 1
1
Cofact( A) t (2.35)
A
1
3
Columna
1
1
2
2
1
2
1
2
-1i+j
1
-1
-1
1
Determinante
3
-2
1
2
3
1
Aplicando el signo:
3
1
2
2
Aplicando la transpuesta:
3
2
1
2
61
3
8
2
1
3
8 8
1
2
8
4
1
8
1
2 1
2 3
1
1
1 3 1
3
2
1
2
(
8
4
8
4 1 0
8 8
1 1
3
1
1
1
2 3
2( ) 3 0 1
8
4
8
4
4 4
1
1
1
1
1
1
1
1
1
1
1
AX=Y
de donde
X=A-1Y
(2.37)
El lector puede verificar que dicho sistema puede ser particionado en dos
ecuaciones matriciales de la forma que se muestra a continuacin:
62
A11
A
21
A12
A22
X1
Y1
X Y
2
2
(2.38)
o
A11X1 + A12X2 = Y1
A21X1 + A22X2 = Y2
(1)
(2)
(2.39)
(2.40)
y
(A22 - A21A11-1A12)X2 = Y2 - A21A11-1Y1
(2.41)
(2.42)
Bt=A21A11-1
(2.43)
y
C=A22 - A21A11-1A12=A22 - A21B
(2.44)
(2.45)
De donde:
X2 = C-1Y2 - (BC-1)tY1
(2.46)
(2.47)
(2.48)
y
X2 = - (BC-1)tY1 + C-1Y2
(2.49)
A111 BC 1 B t
A 1
( BC 1 ) t
BC 1
(2.50)
C 1
Es importante hacer notar que tanto A-1, A11 y A22 son simtricas. Si la dimensin
de la matriz A11 se escoge (n-1)x(n-1) las matrices A22 y C se reducen a escalar, lo
cual simplifica enormemente los clculos. Tambin es posible visualizar un
procedimiento en el que la dimensin de A11 se escoja (n-2)x(n-2), lo cual hace que
la dimensin de A22 sea 2x2. Esto hace que el cmputo de la matriz C sea un poco
ms complejo, no obstante, el cmputo de A11-1 ser mucho ms simple.
Ejemplo: Encuentre la inversa de la siguiente matriz A:
5
A 2
4
2
1
1
1
0
Se tiene que:
5
A11
2
2
1
1
, A11
1
2
2
4
, y A12
5
1
Tambin:
1
2
A21 4 1 , A22 0 , y B
2
5
4
6
1 3
6
1
1
C 0 4 1 37 , C 1
, y BC 37
13
37
3
37
Finalmente:
6
36
37
1
t
37
( BC ) B
6 13 78
13
37
37
78
37
169
37
64
1
4
37
A111 BC 1 B t 37
4
16
37 37
De donde se obtiene que:
A 1
1
4
6
37
37 37
4
16
13
37 37
37
6
13
1
37
37
37
(2.51)
AtAA-1=At=BA-1
(2.52)
y
A-1=(AtA)-1At=B-1At
(2.53)
A:I
aument
I:A -1
op ren
(2.54)
4
1
5
65
3
1
7
Al aumentar la matriz:
2
0
3
4
1
5
3
1
7
1
0
0
13
3
5
A 1 1
3
1 2
66
0
1
0
0
1
7
3
2
3
2
3
2
3
1
4
5
1
3
7
1
0
0
0
1
0
0
1
0
3
4
1
5
3
1
7
0
1
0
1
0
0
0
1
2. Aumentar A con I
3. For k 1,n
4.
if akk=0 intercambia renglones
5.
For i 1,n
6.
if ij
7.
f aik/akk
7.
For j 1,2n
8.
aij=aij-f *akj
9.
EndFor
10.
EndIf
11.
EndFor
12. EndFor
13. For i 1,n
14.
For j n+1,2n
a ij
15.
16.
17.
a ij
a ii
EndFor
EndFor
(2.55)
(2.56)
(2.57)
(2.58)
+4x2
x2
+5x2
+3x3
-x3
+7x3
=
=
=
2
-1
3
68
En forma matricial:
2
A 0
3
4
1
5
3
2
1 b 1 x x1
3
7
x2
x3
Encontrando la inversa de A:
13 7
3
3
5
2
1
A 1
3
3
2
1 2
3
3
13
7 16
4(2)
(1)
(3)
3
3
3
2
1
(
2
)
1
)
(
3
)
3
3
3
13
3
5
1
3
1 2
7
3
2
3
2
3
69
+4x2
x2
+5x2
+3x3
-x3
+7x3
=
=
=
2
-1
3
+3x3
-x3
+7x3
=
=
=
0
0
0
Se convertira en:
2x1
3x1
+4x2
x2
+5x2
Por simple inspeccin, se puede ver que una solucin donde x=(0,0,0) siempre
aplica. Esta es la llamada solucin trivial. Cualquier otra solucin que se encuentre al
sistema homogneo significa que no se tiene una solucin nica por lo que la matriz A
tiene determinante igual a 0; det(A)=0. Si el det(A)0, entonces el sistema homogneo
Ax=0 tiene solucin nica y el sistema original Ax=b tambin tendr solucin nica
diferente a la solucin trivial. Esto debido a que x=A -1b, donde para encontrar A-1 es
necesario que A tenga determinante.
(2.59)
(2.60)
70
solucin nica en v=0, por lo que no hay vectores caractersticos, y por hiptesis no
es valor caracterstico de A. Bajo este razonamiento, para que los vectores y los
valores caractersticos de A existan, se debe cumplir la siguiente condicin:
a11
a12
a21
a22
p()= det( A I )
...
...
an1
an2
...
a1n
...
a2n
=0
...
...
... ann
(2.61)
(2.62)
(2.63)
(2.64)
0 1
1 1
0 1
1
p()= det( A I ) 2
4
0
1
0
1
1 0
1
71
1
2
4
0
1 x1
2 0 1
1
1 x 2 2 0 1
4 0 2
0
1 x3
x1
x
2
x3
0
0
0
+ x3 =0
+ x3 =0
+ 2x3 =0
Eliminando:
2x1
+ x3
=0
t
1
0
1
0
2
2
u t 0 u 1 c 0 u 1
0
2
0
t
1
72
Para =3
1
2
4
0
1 x1
1
2 0
1
1 x 2 2 4 1
4
0
1 x3
0 2
x1
x
2
x3
0
0
0
+ x3
- 4x2 +2x3
=0
=0
x1
x
2
x3
t
1
2
2
t
1
t c
2
2
t
1
1
1
2
(2.65)
Ay b1 1 x1 b2 3 x 2 b3 3 x3
73
Ay 1 (b1 Ax1 b2
2
x 2 b3 3 x3 )
1
1
(2.66)
En consecuencia:
n
n
A n y 1n b1 Ax1 b2 2 x 2 b3 3 x3
1
1
(2.66)
A n y 1n b1 x1
(2.67)
(2.68)
(2.69)
(2.70)
Dado que todo nmero menor que cero tiende a cero al exponenciarse
2) LimnAny=0, para todo vector y
(2.71)
74
Exponenciacin
Sea A una matriz cualquiera y sean li sus valores caractersitcos y sean vi sus
vectores caractersiticos. Sabemos que:
Av-Iv=(A-I)v=0
Sea D=I, la matriz diagonal en cuya diagonal principal encontramos los valores
caractersticos de A.
Entonces:
Av=vI=vD
Donde v es un vector caractersitico. Sea S la matriz conformada en columnas por
los vectores caractersticos de A. Entonces, tambin se aplica que:
AS=SD
Por lo tanto, dada la matriz diagonal D de valores caractersiticos y la matriz S de
vectores caractersiticos la matriz original A se encuentra de la siguiente manera:
A=SDS-1
Y
A2= SDS-1 SDS-1
A2=SDDS-1=SD2S-1
Y en general
Ak=SDkS-1
Ejemplo:
Para la matriz A:
1
A 2
4
1
1 1
0 1
0
Sus valores caractersiticos son =-1,3. Y sus vectores caractersticos son (-1,0,2),
(0,1,0),(1,1,2). Por tanto:
A VDV
1
2
4
1
1
1 1 0
2
0 1
0
0
1
0
1 1
1 0
2 0
75
0
1
0
1
1
0
2
3
3
4
0
0
3
0
1
1
1
Funciones en Matrices
Ahora veamos el caso de la funcin exponencial. La serie de Taylor sera:
eA
k 1
Ak
A* A A* A* A
I A
...
k!
2!
3!
...
2!
3!
D2 D3
e A S I D
... S 1
2!
3!
A
D 1
e Se S
e A SD 0 S 1 SDS 1
has
distinct
eigenvalues,
Let D =
[3...0...0]
[0..4/5..0]
[0...0...3/5]
P=
[1...2...-3]
[0...1...-3]
[-3..-5...7].
So, A = PDP^(-1)
(I'll leave you do do the computations.)
-----------------Writing x(k+1) = Ax(k)
76
it
is
diagonalizable.
x(1) = Ax(0)
x(2) = Ax(1) = A(Ax(0)) = A^2 x(0)
...
x(k) = A^k x(0) = P D^k P^(-1) x(0), since A = PDP^(-1) from the first part.
However, D^k =
[3^k....0......0]
[0..(4/5)^k...0]
[0...0...(3/5)^k]
As k tends to infinity, 3^k becomes infinite, while (4/5)^k and (3/5)^k tend to 0.
2.13 Diagonalizacin
(2.72)
o
B=C-1AC
(2.73)
(2.74)
(2.75)
(2.76)
(2.77)
Esto implica que las matrices equivalente tienen la misma ecuacin caracterstica y
por lo tanto los mismos valores caractersticos.
2 La presente discusin sobre diagonalizacin se basa, lo mismo que gran parte de las
discusiones de lgebra lineal que se encuentran en este libro, en el material presentado por
Howard Anton y Stanley Grossman en sus libros sobre el tema. La lectura de dichos libros se
recomienda ampliamente.
77
Una matriz A es diagonalizable, si existe una matriz diagonal D que sea equivalente
a A. La matriz D se denomina diagonaliza de A.
Si una matriz A es diagonalizable, su matriz diagonaliza D est formada por en su
diagonal principal por los vectores caractersticos de A.
Sea A una matriz diagonalizable y D su matriz diagonal equivalente, entonces existe
una matriz V tal que se cumple que:
D=V-1AV
(2.78)
Donde:
0
D
...
...
...
0
...
...
0
0
...
(2.79)
... n
v11
v
V 21
...
v n1
v12
...
v1n
v 22
...
... v 2 n
... ...
vn2
... v nn
(2.80)
v11
v
AV 21
...
v n1
v12
v 22
...
vn2
v1n
... v 2 n
... ...
... v nn
...
0
...
0
...
0
v11
...
v 21
...
... ...
... n
v n1
...
0
0
v12
v 22
...
vn 2
n v1n
... n v 2 n
VD
...
...
... n v nn
...
(2.81)
Si vi son los vectores columna de A, entonces tenemos que:
Av1=1v1, Av2=2v2,..., Avn=nvn
(2.82)
De donde se deduce que i son los valores caractersticos de A y v i son los vectores
caractersticos de A.
Una matriz A es diagonalizable si sus vectores caractersticos son linealmente
independientes. La demostracin sigue:
Sea V la matriz cuyas columnas est formada por los vectores caractersticos de A,
v1,v2,v3,...,vn correspondientes a los valores caractersticos 1,2,3,...,n. Entonces:
78
v11
v
V 21
...
v n1
v12
v 22
...
... v1n
... v 2 n
... ...
vn 2
... v nn
(2.80)
(2.81)
Y debido a la igualdad A=Av, tenemos tambin que la misma matriz est formada
por las columnas:
Av1=1v1,Av2=2v2,...,Avn=nvn
(2.82)
v11
v
AV 21
...
v n1
v12
v 22
...
vn 2
n v1n
v11
v
... n v 2 n
21
...
...
...
... n v nn
v n1
...
v12
v 22
...
vn 2
v1n
... v 2 n
... ...
... v nn
...
0
...
0
...
0
0
... 0
VD
... ...
... n
...
(2.83)
Slo si los vectores caractersticos son linealmente independientes se cumple que |
V|0, y la expresin XXX se puede plantear como D=V -1AV, lo que demuestra que A y
D son equivalentes y A es diagonalizable.
[INCLUIR EJEMPLO DE DIAGONALIZACION]
Diagonalizacin Ortogonal
La diagonalizacin ortogonal se puede llevar a cabo en matrices simtricas. Este es
un resultado importante porque este procedimiento permite simplificar el proceso de
solucin de sistemas de ecuaciones lineales. Una matriz A es simtrica si se cumple
que A=At.
Si una matriz real A es simtrica, entonces los vectores caractersticos v 1 y v2
correspondientes a valores caractersticos diferentes 1 y 2 son ortogonales.
Esto se demuestra fcilmente tomando:
Av1v2=1v1v2=1(v1v2)
(2.84)
Av1v2=v1Atv2=v1Av2=v1(2v2)=2(v1v2)
(2.85)
De donde se deduce que 1=2 lo cual es una contradiccin por lo que v 1v2 debe
ser igual a cero, por lo que v1 y v2 deben ser ortogonales.
79
(2.86)
(2.87)
(2.88)
(2.89)
(2.90)
(2.91)
(2.92)
(2.93)
(2.94)
(2.95)
Es Comido
h1
h2
2
1
0
2
80
h3
1
2
Tabla 2
Es Comido
p1
p2
1
3
2
5
1
1
Come
h1
h2
h3
p3
0
0
3
p4
3
1
0
p1
p2
p3
p4
Para llenar esta tabla se debe llevar una multiplicacin matricial entre la tabla 1 y la
tabla 2.
Para llenar el primer rengln y la primera columna, es decir encontrar cunto de p1
come c1, se necesita recorrer el primer rengln de la tabla 1 y encontrar cunto de h1
come p1 y multiplicarlo por la cantidad de p1 que come h1. De aqu encontrar cunto
de h2 come c1 y multiplicarlo por cunto de p1 come h2. Finalmente, se encuentra
cunto de h3 come c1 y se multiplica por la cantidad de p1 que come h3. Esto es
equivalente a recorrer el primer rengln de la tabla 1 al mismo tiempo que se recorre la
primer columna de la tabla 2. Este recorrido (suma) da como resultado el valor que se
debe colocar en el primer rengln y en la primera columna de la tabla 3. Si se desea
encontrar cunto de p3 come c2, es decir el segundo rengln tercera columna de la
tabla 3, se debe recorrer el segundo rengln de la tabla 1 y la tercer columna de la
tabla 2.
Come
c1
c2
Es Comido
p1
2(1)+1(2)+1(1)
0(1)+2(2)+2(1)
p2
2(3)+1(5)+1(1)
0(3)+2(5)+2(1)
p3
2(0)+1(0)+1(3)
0(0)+2(0)+2(3)
p4
2(3)+1(1)+1(0)
0(3)+2(1)+2(0)
Por simple inspeccin es claro que es posible agregar una columna a la tabla 2, una
planta, sin necesidad de modificar la tabla 1 debido a que los carnvoros no comen
plantas. Por la misma razn, es posible agregar un rengln en la tabla 1, un carnvoro,
sin modificar la tabla 2. Sin embargo, no es posible agregar una columna en la tabla 1
o un rengln en la tabla 2, un herbvoro, sin afectar ambas tablas.
81
Adicionalmente es importante hacer notar que para lograr la tabla 3, la tabla 1 debe
tener la misma cantidad de columnas que renglones la tabla 2. De aqu:
3
(2.96)
k 1
2
0
1
2
1
X 2
2 2x3
1
3
5
0
0
3
1
0
12
12
7
2
2x4
3x4
82