You are on page 1of 44

CAPTULO II

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.

2.1 Ecuaciones Lineales


Una ecuacin lineal es aquella que est formada por una combinacin lineal de
variables, es decir, que las nicas operaciones vlidas son la suma y la multiplicacin
por constante (la constante se denomina coeficiente). En una ecuacin lineal, no existe
multiplicacin entre variables. Ergo, en una ecuacin lineal no existen variables
elevadas a potencias diferentes a uno y cero.
Ejemplos de ecuaciones lineales:
a. a+b+c
b. 2x+3y+1
c. 4(5+r+3)
Ejemplos de ecuaciones no lineales:
b. Sen
c. x2+y
d. xy+3y+1

2.2 Solucin de un Sistema de Ecuaciones Lineales

39

Cuando se est resolviendo un sistema de 2 ecuaciones con 2 incgnitas lo se


espera obtener es un par de valores, uno para cada variable, que satisfagan ambas
ecuaciones. En un sistema bidimensional, la solucin de un sistema de ecuaciones
lineales representa el punto donde se intersectan las rectas:

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')

Fig. 2.2 Interpretacin grfica de la sulcin de un sistema de 3


ecuaciones con 3 incgnitas.
Como muestra la figura XXX, la solucin de un sistema de 3 ecuaciones con 3
incgnitas tambin es un conjunto de valores para cada variable que satisface todas
las ecuaciones. Sin embargo, en un espacio euclidiano, las ecuaciones de dicho
sistema no representan rectas, sino planos. No obstante el aumento en las
dimensiones, la solucin, si existe, contina representando un punto en el espacio
posible de soluciones. Es decir que slo un valor para cada variable satisface todas las
ecuaciones.

40

Para encontrar el punto donde todas las ecuaciones se cumplen, se sigue un


proceso sencillo. Es un hecho que la interseccin de 2 planos es una recta como se
muestra en la figura XXX.

Fig. 2.3 Interseccin de dos planos.


Cuando se encuentra la interseccin de 2 planos pertenecientes a nuestro sistema
de ecuaciones, lo que se est haciendo es reducir el espacio de posibles soluciones a
los puntos descritos por la recta resultante. Es por esto que este proceso se denomina
REDUCCIN. Ya que se ha reducido el espacio de posibles soluciones a dos lneas
rectas, la solucin al sistema se encuentra en la interseccin de dichas rectas. Este
procedimiento se ilustra en el siguiente ejemplo:
3x1
3x1
2x1

+x2
+2x2
+x2

-9x3 =10 (1)


+10x3 =13 (2)
+7x3 =9 (3)

Restando la segunda ecuacin a la primera y sustituyendo el resultado por la


segunda:
3x1
2x1

+x2
-x2
+x2

-9x3 =10 (1)


-19x3 =-3 (2)
+7x3 =9 (3)

El resultado es una ecuacin que representa un espacio reducido de soluciones. La


ecuacin resultante de restar las ecuacin (2) a la ecuacin (1) podra haberse
sustituido tanto por la ecuacin uno como por la ecuacin (2).
Para reducir la ecuacin (3), la situacin es un poco diferente. Se tiene varias
alternativas. Una sera multiplicar la ecuacin uno por (2) y restarle la ecuacin (3)
multiplicada por (3). Otra opcin es dividir toda la ecuacin uno por (3), antes de
reducirla con la ecuacin (3):
x1
2x1

+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

Finalmente se reduce la ecuacin (2) con la ecuacin (3), multiplicando la ecuacin


(2) por 1/3, sumndola a la ecuacin (3) y sustituyendo el resultado por esta ecuacin.
x1

+1/3x2 -3x3
= 10/3
-x2
-19x3 = -3
+20/3x3 = 4/3

(1)
(2)
(3)

De la ecuacin (3) se puede encontrar el valor de x 3, que es 1/5. Sustituyendo x3 en


la ecuacin (2) y despejando, se puede encontrar el valor para x 2, que es -4/5.
Finalmente sustituyendo x3 y x2 en la ecuacin (1) se puede encontrar el valor para x 1,
que es 21/5.

2.3 Eliminacin Pivotal


Este sistema se ha formalizado en una metodologa llamada Eliminacin Pivotal.
Dicha metodologa introduce el concepto de Pivote. El elemento pivote es un trmino
de una ecuacin que se utiliza para reducir el resto de las ecuaciones. El elemento
pivote de la ecuacin i, siempre es el trmino que contiene a la variable x i. Es decir,
para la ecuacin (1), el elemento pivote ser el trmino que contenga la variable x 1;
para la ecuacin (2), el elemento pivote ser el trmino que contenga la variable x 2,
etc.
Otro concepto importante es la normalizacin. Normalizacin consiste en dividir
toda la ecuacin pivote por una constante para hacer 1 el coeficiente del elemento
pivote.
El mtodo de eliminacin pivotal se ilustra con el siguiente ejemplo. El elemento
pivote est resaltado:
2x1
x1
2x1

-x2
-x2
+x2

+x3
+3x3
-2x3

=
=
=

-1
-4
6

(1)
(2)
(3)

-1/2
-4
6

(1)
(2)
(3)

Normalizando la ecuacin (1):


x1
x1
2x1

-1/2x2 +1/2x3 =
-x2
+3x3 =
+x2
-2x3 =

Reduciendo la ecuacin (2): multiplicando la ecuacin (1) por -1, sumando a la


ecuacin (2) y sustituyendo:
x1
2x1

-1/2x2 +1/2x3 =
-1/2x2 +5/2x3 =
+x2
-2x3 =

-1/2
-7/2
6

(1)
(2)
(3)

42

Reduciendo la ecuacin (3): multiplicando la ecuacin (2) por -2, sumando a la


ecuacin (3) y sustituyendo:
x1

-1/2x2 +1/2x3 =
-1/2x2 +5/2x3 =
+2x2 -3x3 =

-1/2
-7/2
7

(1)
(2)
(3)

Ahora el elemento pivote es el segundo trmino de la ecuacin (2):


x1

-1/2x2 +1/2x3 =
-1/2x2 +5/2x3 =
+2x2 -3x3 =

-1/2
-7/2
7

(1)
(2)
(3)

Normalizando la ecuacin (2) (multiplicando por -2):


x1

-1/2x2 +1/2x3 =
+x2
-5x3 =
+2x2 -3x3 =

-1/2
7
7

(1)
(2)
(3)

Reduciendo la ecuacin (3): multiplicando la ecuacin (1) por -2, sumando a la


ecuacin (3) y sustituyendo:
x1

-1/2x2 +1/2x3 =
+x2
-5x3 =
+7x3 =

-1/2
7
-7

(1)
(2)
(3)

Ahora el elemento pivote es el trmino que contiene x3 en la tercera ecuacin:


x1

-1/2x2 +1/2x3 =
+x2
-5x3 =
-7x3 =

-1/2
7
-7

(1)
(2)
(3)

-1/2
7
-1

(1)
(2)
(3)

Normalizando la ecuacin (3):


x1

-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.

2.4 Mtodo de Gauss-Jordan


El mtodo de Gauss-Jordan es una extensin del mtodo de eliminacin pivotal.
Extiende el proceso de normalizacin-reduccin, llamado pivoteo, de tal forma que al
llegar al ltimo pivote la solucin del sistema de ecuaciones se encuentre directamente
sin sustitucin hacia atrs. Este mtodo se ilustra con el siguiente ejemplo:
Resolver el siguiente sistema de ecuaciones lineales:
2x1
x1
2x1

-x2
-x2
+x2

+x3
+3x3
-2x3

=
=
=

-1
-4
6

(1)
(2)
(3)

Normalizando la ecuacin (1) , la ecuacin (1) es la ecuacin pivote:


x1
x1
2x1

-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)

Reduciendo la ecuacin (2):


x1
2x1

-1/2x2 +1/2x3 =
-1/2x2 +5/2x3 =
+x2
-2x3 =

Reduciendo la ecuacin (3):


x1

-1/2x2 +1/2x3 =
-1/2x2 +5/2x3 =
2x2
-3x3 =

Normalizando la ecuacin (2) , la ecuacin (2) es ahora el pivote:


x1

-1/2x2 +1/2x3 =
x2
-5x3 =
2x2
-3x3 =

-1/2
7
7

(1)
(2)
(3)

-1/2
7

(1)
(2)

Reduciendo la ecuacin (3):


x1

-1/2x2 +1/2x3 =
x2
-5x3 =

44

7x3

-7

(3)

Ahora se procede a reducir nuevamente la ecuacin (1) multiplicando por 1/2 la


ecuacin (2), sumando a la ecuacin (1) y sustituyendo el resultado por esta misma:
x1
x2

-2x3
-5x3
7x3

=
=
=

3
7
-7

(1)
(2)
(3)

Normalizando la ecuacin (3), la ecuacin (3) es ahora la ecuacin pivote:


x1
x2

-2x3
-5x3
x3

=
=
=

3
7
-1

(1)
(2)
(3)

Reduciendo nuevamente la ecuacin (1), se multiplica la ecuacin (3) por 2, se


suma a la ecuacin (1) y se sustituye el resultado por la ecuacin (1):
x1
x2

-5x3
x3

=
=
=

1
7
-1

(1)
(2)
(3)

Reduciendo igualmente la ecuacin (2), se multiplica por 5 la ecuacin (3) y se


suma a la ecuacin (2) sustituyendo el resultado por la ecuacin (2):
x1
x2
x3

=
=
=

1
2
-1

(1)
(2)
(3)

Del sistema de ecuaciones resultante se ve que la solucin del sistema de


ecuaciones es x1=1, x2=2, x3=-1.

2.5 Tipos de Soluciones de Sistemas de Ecuaciones Lineales


Se ha dicho que la solucin a un sistema de ecuaciones lineales, si existe, es nica.
Esto no es exactamente cierto. Es posible que un sistema de ecuaciones lineales
tenga mltiples soluciones. Cuando esto sucede, el sistema de ecuaciones est
subespecificado, es decir que existen menos ecuaciones que incgnitas.

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)

Al aplicar la eliminacin pivotal multiplicando la primera ecuacin y sumndosela a la


tercera ecuacin:
x1
0

+ 2 x2 = 3
+0
= 0

(1)
(2)
46

Para encontrar las soluciones al sistema se despeja x 1:


x1=3 - 2 x2
Se pueden encontrar soluciones al sistema utilizando una forma paramtrica.
Entonces:
x2=t
x1=3-2t

47

Para cada valor de t se generar un par de valores para x 1 y x2 que satisfacen el


sistema.
t
1
2
3
4

x1
-1
1
3
5

x2
1
2
3
4

Dos ecuaciones que son mltiplos se grafican como la misma recta.


En general cualquier sistema de ecuaciones de n ecuaciones con n incgnitas,
donde una de las ecuaciones es combinacin de las otras, se encuentran mltiples
soluciones. Una combinacin lineal se forma por medio de sumas y de multiplicaciones
por constante:

l n in11k i ri

(2.1)

Donde ln es una ecuacin del sistema resultante de multiplicar ki que es una


constante por ri que es otra ecuacin del sistema. Ejemplo, se tiene el siguiente
sistema de 2 ecuaciones con 3 incgnitas:
2x1
4x1

+8x2
+2x2

+6x3
-2x3

=
=

20
-2

Para resolver el sistema se crea una tercera ecuacin multiplicando la segunda


ecuacin por -2 y sumndola a la primera.
2x1
4x1
-6x1

+8x2
+2x2
+4x2

+6x3 =
-2x3 =
+10x3 =

20
-2
24

Resolviendo por Gauss-Jordan:


x1
+x2

-x3
+x3
0

=
=
=

-2
3
0

Resolviendo en forma paramtrica:


x3=t
x2=3-t
x1=-2+t
Lo cual demuestra que se generan mltiples soluciones.

48

Un sistema de ecuaciones lineales no tiene solucin cuando existe una


inconsistencia en el sistema.

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)

Aplicando eliminacin pivotal multiplicando la primera ecuacin por 3 y sumndola a


la segunda ecuacin:
x1 +2x2
0 +0

= 3(1)
= -4

(2)

El resultado es que 0=-4, lo cual demuestra lo inconsistente del sistema. Cambiar el


coeficiente a la derecha de la igualdad es equivalente a desplazar hacia arriba o hacia
abajo una de las ecuaciones, creando rectas paralelas.

2.6 Sistemas Matriciales


Una matriz es un arreglo rectangular de nmeros donde importa tanto el valor de
cada nmero como su posicin dentro del arreglo. Ejemplo, el siguiente sistema de
ecuaciones se puede representar en forma matricial:
2x1
4x1
-6x1

+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

La ecuacin Ax b describe el sistema. La matriz A se denomina la matriz de


coeficientes, el vector b es el vector de constantes, y el vector x es el vector de
variables.

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

2.6.2 Dimensin de una Matriz


Se dice que una matriz A tiene dimensin mxn si consta de m renglones por n
columnas.

2.6.3 Tipos de Matrices


1. Matriz Escalonada (o Triangular)

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

Los elementos a11, a22, a33 pertenencen a la diagonal principal.

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

6. Matriz Estrictamente Dominate


Una matriz Estrictamente Dominante es aquella que para cada rengln, la
magnitud del elemento en la diagonal principal es mayor que la suma de las
magnitudes del resto de los elementos. Es decir:
n

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

...
...
...

Para el caso en que los elemetos no estn balanceados sobre la diagonal


principal se tiene la siguiente definicin alternativa [BURDEN]: una matriz A nxn se
llama matriz de banda si existen enteros p y q, 1<p, q<n, con la propiedad de que
aij=0 siempre que i+pj j+qi. El ancho de banda para una matriz de este tipo se
define como w=p+q-1.
9. Matriz Positiva Definida
Una matriz A con dimensin nxn es positiva semidefinida si es simtrica y si
para todo vector v de dimensin 1xn se cumple que v tAv>0. Adicionalmente, si se
cumple que vtAv=0, slo cuando v es el vector cero, entonces la matriz A es
positiva definida.

2.6.4 Operaciones de Matrices


La mayora de las operaciones entre matrices se ajustan a las nociones que la
mayora de las personas tiene sobre el lgebra de nmeros reales que es la ms
conocida para nosotros. Estas operaciones son:
1. Suma y Resta
Amxn=(ai,j)

Bmxn=(bi,j)

Cmxn=AB=(ci,j)=(ai,jbi,j) i,j

(2.3)

Las matrices A y B deben tener la misma dimensin. Ejemplo:


1
C 1
4

2
0
2

2 3
1
1
3

2. Multiplicacin por Escalar


Amxn=(ai,j)

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

La operacin transpuesta es muy utilizada en lgebra de matrices. En seguida


se enlistan las propiedades de la matriz transpuesta:
a. (At)t=A
(2.6)
t
t
b. (A+B) =A +Bt
c. (kA)t=kAt
(2.8)
t
t
t
d. (AB) =B A (2.9)

(2.7)

4. Producto entre Matrices.


Amxn=(ai,j)

Bnxp=(bi,j)
n

Cmxp=AmxnBnxp=ci,j= a i,k b k , j

(2.10)

k 1

A debe tener la misma cantidad de columnas que los renglones de B. C tendr la


misma cantidad de renglones que A y la misma cantidad de columnas de B.
2
C
0

1
2

1
1
2
2
1

3
5

0
0

3
5
1
6
0

12

12

5. Divisin entre Matrices.


La divisin entre matrices no existe
6. Otras Operaciones

54

7
2

Para realizar otras operaciones, como exponencial, potenciacin, senos, cosenos,


etc., se desarrollar la serie de Taylor de la operacin y se aplican las operaciones
descritas ms arriba. Por ejemplo:

ex

k 0

xk
k!

Por lo tanto, si A es una matriz con dimensiones n x n:

eA

IA

A2 A3 A4

...
2
6
24

Donde I es la matriz identidad.

2.7 lgebra de Matrices


En seguida se enlistan las reglas que rigen el lgebra de matrices. En esta lista se
pueden identificar propiedades comunes a otros objetos matemticos como la
distributiva, conmutativa, asociativa, identidad aditiva, identidad multiplicativa, inverso
aditivo e inverso multiplicativo.
Las maysculas representan matrices, las minsculas valores escalares. I
representa la matriz identidad, O la matriz cero y A-1 la matriz inversa de A (discutida en
la seccin XXX)
a. Conmutativa de la adicin
A+B=B+A
b. Asociativa de la adicin
A+(B+C)=(A+B)+C
c. Identidad aditiva
A+O=A
d. Inverso aditivo
A-A=A-(-1)A=O
e. Asociativa de la multiplicacin
A(BC)=(AB)C
f. Distributiva matricial
A(BC)=ABAC
g. Distributiva matricial
(BC)A=BACA
h. Distributiva escalar
a(BC)=aBaC
i. Distributiva escalar
(ab)C=aC+bC
j. Asociativa escalar
(ab)C=a(bC)
k. Asociativa escalar y conmutativa escalar
a(BC)=(aB)C=(Ba)C=B(aC)
l. Identidad multiplicativa
55

(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)

Es importante hacer notar que la multiplicacin de matrices no es conmutativa,


excepto en los casos de multiplicacin por el inverso multiplicativo y por la matriz
identidad. La divisin entre matrices no existe.

2.8 El Determinante de la Matriz


El determinante de una matriz es un concepto muy importante debido a que ayuda a
encontrar combinaciones lineales entre los renglones de una matriz. El determinante
de una matriz A formada por los elementos a i,j, descrito como |A|, se define como la
suma de los productos elementales con signo de la matriz. A su vez, los productos
elementales de una matriz son todos los productos que se pueden generar entre los
elementos ai,j de la matriz sin que se repita ni el rengln ni la columna. Debido a sto,
slo matrices cuadradas pueden tener determinante.
Ejemplo: Encuentre todos los productos elementales de la siguiente matriz:
1
A
3

2
4

Solamente se pueden generar dos productos: 1(4) y (3)2 y sus conmutaciones


multiplicativas.
Ejemplo: Encuentre todos los productos elementales de la siguiente matriz:
1
A 2
3

4
5
6

7
8
9

Esta matriz tiene muchos ms productos elementales:


1(5)(9),1(8)(6),4(2)(9),4(8)(3),7(2)(6),7(5)(3)
Este ltimo ejemplo demuestra la dificultad para encontrar el determinante de una
matriz, el nmero de productos elementales aumenta considerablemente conforme
aumentan el nmero de renglones y columnas de la matriz. Una matriz de nxn tiene n!
productos elementales.
Existen varios mtodos para encontrar el determinante de una matriz:

2.8.1. Por Cofactores

56

El cofactor de una matriz en el rengln i,j se define como (-1) i+j|Menori,j|. El


Menor del rengln i,j se define como la matriz que se forma al eliminar el rengln i y
la columna j. El determinante de una matriz ser:
n

a k ,i Cofact k,i
i 1

(2.25)

Donde k es cualquier rengln. El determinante tambin se puede encontrar por


columna:
n

a i,k Cofact i,k


i 1

(2.26)

Donde k es cualquier columna.


Ejemplo: Encuentre el determinante de la siguiente matriz:

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)

Este resultado se puede comprobar obteniendo los productos elementales.

2.8.2. Por eliminacin Gauseana


Para encontrar el determinante de una matriz por medio de operaciones
elementales de rengln es necesario encontrar los efectos que estas tienen sobre
el determinante.

57

Propiedades del Determinante:


a. Si se tienen las siguientes dos matrices:
a
A d
g

b
e
h

c
a

f B ka d

i
g

b
kb e
h

c
kc f
i

(2.28)

Donde k es cualquier escalar, |A|=|B|. Es decir que la operacin de multiplicar por


escalar un rengln y sumar a cualquier otro rengln (o columna) no afecta el
determinante.
b. La relacin entre las siguientes dos matrices es:
a
A d
g

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|. El intercambio de renglones cambia el signo del determinante.


Adicionalmente:
d. |A|=1/|A-1| (2.31)
e. |A|=|At|
(2.32)
f. |AB+AC|=|A(B+C)| (2.33)
g. |AB|=|A|+|B|
(2.34)

Determinante de la matriz Escalonada


Otra propiedad importante es que el determinante de una matriz escalonada es
el producto de los elementos de la diagonal principal. Ejemplo:

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

Por cofactores y Eliminacin Gauseana


1 3
0 1
A
2 1
3 2

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.

2.9 Inversa de la Matriz


Sea A una matriz cuadrada con determinante. Sea B la matriz inversa de A,
entonces AB=I donde I es la matriz identidad.
La matriz inversa de una matriz A, A-1, es el inverso multiplicativo de dicha matriz.
Una matriz slo puede tener inversa si tiene determinante. La importancia de la matriz
inversa es que en el lgebra de matrices no existe la operacin de divisin. El
exponente -1 de la notacin de la matriz inversa no significa que se est elevando la
matriz a la potencia -1. Esta operacin es inexistente. De aqu, que la utilizacin de la
matriz inversa sea la nica forma de lograr el despeje de alguna variable cuando se
estn manipulando ecuaciones matriciales (este hecho se ejemplificar ms adelante).
Existen varios mtodos para encontrar la inversa de una matriz. En este libro slo se
van a discutir 2 de ellos. Despus en secciones posteriores se discutirn
modificaciones para mejorar los resultados de estos mtodos una vez adaptados a la
implementacin computacional.

60

2.9.1 Mtodo de Cofactores


La inversa se define como la multiplicacin escalar del inverso del determinante
por la transpuesta de la matriz de cofactores. Cada uno de estos trminos ya se ha
revisado por separado. El determinante es la suma de los productos elementales
con signo (que se puede encontrar utilizando cofactores), la matriz transpuesta es
aquella en que lo renglones se convierten el columnas y viceversa. La matriz de
cofactores es aquella que se forma cuando se calcula el determinante de la matriz
que se forma al eliminar el rengln y la columna de la posicin (i,j) multiplicado por
(-1)i+j.

A 1

1
Cofact( A) t (2.35)
A

Ejemplo: Encuentre la matriz inversa de:


2
2

1
3

El determinante de dicha matriz se encuentra rpidamente con el producto


2(3)-2(1)=8. La matriz adjunta se forma al encontrar el determinante de cada matriz
que se forma al eliminar un regln y una columna. Por ejemplo, si eliminamos el
primer rengln y la primer columna el determinante de la matriz que queda es 3:
Rengln

Columna

1
1
2
2

1
2
1
2

-1i+j
1
-1
-1
1

Determinante
3
-2
1
2

Esto nos da una matriz de cofactores (sin signo):


2
2

3
1

Aplicando el signo:
3
1

2
2

Aplicando la transpuesta:
3
2

1
2

Finalmente dividiendo entre el determinante 8 (o multiplicando por el inverso):

61

3
8
2

1
3

8 8
1
2

8
4

1

8
1

Para hacer la prueba multiplicamos A por A-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

Este ejemplo nos lleva a la conclusin de que es posible encontrar la inversa de


una matriz de 2x2 es muy sencillo. Se intercambian los elementos sobre la diagonal
y a los otros dos se les cambia el signo. Finalmente se dividen todos entre el
determinante.
Para encontrar el signo del cofactor se sigue la siguiente regla, donde los signos
se van alternando:
1
1

1
1
1
1

1
1
1
1

1
1
1

2.9.3 Mtodo de Particin


El mtodo de clculo de la matriz inversa por particin, slo se puede aplicar
para matrices simtricas. No obstante, en muchos de los problemas numricos que
aparecen en la prctica donde juega un papel importante una matriz, dicha matriz
es simtrica. Adicionalmente a esto, utilizando reglas de lgebra de matrices, el
encontrar la inversa de una matriz no simtrica puede ser reducido a un problema
simtrico. Este enfoque se estudia al final de esta seccin.
Sea A una matriz no singular de dimensin nxn a la cual se desea calcular su
matriz inversa. Para llevar a cabo esto, se plantea el siguiente sistema de n
ecuaciones con n incgnitas hipottico:
(2.36)

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)

Donde Aij es submatriz de la matriz A.


Para continuar con el anlisis es indispensable establecer que A11 no es
singular; es decir que A11-1 existe.
De la primera ecuacin obtenemos:
X1 = A11-1Y1 - A11-1A12X2

(2.39)

Sustituyendo en la segunda ecuacin encontramos que:


A21(A11-1Y1 - A11-1A12X2)+ A22X2 = Y2

(2.40)

y
(A22 - A21A11-1A12)X2 = Y2 - A21A11-1Y1

(2.41)

Gracias a que A es simtrica se puede introducir la siguiente nomenclatura:


B=A11-1A12

(2.42)

Bt=A21A11-1

(2.43)

y
C=A22 - A21A11-1A12=A22 - A21B

(2.44)

Sustituyendo B, Bt, C en la ecuaciones XXX y YYY obtenemos:


CX2 = Y2 - BtY1

(2.45)

De donde:
X2 = C-1Y2 - (BC-1)tY1

(2.46)

Sustituyendo en la ecuacin ZZZ obtenemos:


X1 = A11-1Y1 - B(C-1Y2 - C-1BtY1)

(2.47)

Finalmente la solucin para X's es:


63

X1 = (A11-1 - BC-1Bt)Y1 - (BC-1)Y2

(2.48)

y
X2 = - (BC-1)tY1 + C-1Y2

(2.49)

De donde finalmente obtenemos que:

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

Inversa por Particin de Matrices no Simtricas


Una matriz no simtrica puede convertirse en simtrica multiplicndola por su
transpuesta. Es decir, la matriz B=A tA es simtrica. Adicionalmente:
AA-1=I

(2.51)

AtAA-1=At=BA-1

(2.52)

y
A-1=(AtA)-1At=B-1At

(2.53)

Lo cual nos provee de un mecanismo para encontrar la inversa de matrices no


simtricas utilizando el procedimiento por particin.

2.9.2 Mtodo Gauss-Jordan


El mtodo de Gauss-Jordan se basa en una propiedad muy singular que tiene la
matriz aumentada, que si se aumenta cualquier matriz con una matriz identidad, si
utilizando operaciones elementales de rengln se convierte la parte de la matriz
original en identidad, en la parte aumentada de la matriz queda la matriz inversa de
la matriz original:

A:I

aument

I:A -1

op ren

(2.54)

Ejemplo. Encuentre la matriz inversa de:


2
A 0
3

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

El algoritmo de Gauss-Jordan implementado en una computadora es realmente


sencillo. La nica complicacin que puede ocurrir es que el elemento pivote se
haga cero. Cuando esto sucede, es necesario rastrear toda la columna hacia abajo
(de k hasta n, suponiendo k el rengln y columna pivote) hasta encontrar un
elemento diferente de 0. Cuando se haya localizado se intercambia todo el rengln.
Si no se encuentra en toda la columna un elemento diferente de cero, entonces la
inversa no existe para esa matriz y por lo tanto su determinante es igual a cero.
Ejemplo de Matriz con pivote igual a 0:
0

2
3

1
4
5

1
3
7

1
0
0

0
1
0

0
1

Entonces se intercambian los renglones con el primer elemento diferente de


cero de la columna pivote. En este caso el rengln 2. Lo importante de esto es que
el intercambio de renglones debe hacerse en TODA la matriz aumentada.
2

0
3

4
1
5

3
1
7

0
1
0

1
0
0

0
1

En el captulo I se demostr que los errores se propagan dependiendo de la


cantidad de operaciones que se lleven a cabo. para evitar una mayor propagacin
del error las matrices no se normalizan hasta el final. Esto significa que para lograr
la reduccin del rengln i, se deben multiplicar todos los elementos por un factor
-aki/akk, adems de que ayuda a reducir el nmero de operaciones:

Reduciendo el rengln i=3, siendo el pivote el rengln y columna 1, se multiplica


por un factor -3/2 (akk=a11=2, aki=a31=3).

Al final cada rengln se divide entre el elemento en la diagonal principal a kk.


ALGORITMO GAUSS-JORDAN PARA INVERSIN DE MATRICES
1. Capturar A
67

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

2.10 Solucin de Sistemas de Ecuaciones Utilizando la Matriz Inversa


Un sistema de ecuaciones se puede resolver por medio de un despeje matricial:
Ax=b
A-1Ax=A-1b
Ix=A-1b
x=A-1b

(2.55)
(2.56)
(2.57)
(2.58)

Donde I es la matriz identidad.


Ejemplo. Resolver el siguiente sistema de ecuaciones:
2x1
3x1

+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 1(2) 5 (1) 3 (3) 5



3
3
3
3
2
2
2

1
(
2
)

1
)

(
3
)

3
3
3

13
3

5
1
3

1 2

7
3
2

3
2
3

Normalmente no se encuentra la solucin de un sistema de ecuaciones lineales por


medio de la matriz inversa debido a que necesita de muchos clculos. En la siguiente
seccin se mostrarn mtodos ms rpidos. Sin embargo, la ecuacin XXX es muy
importante porque de ella podemos deducir que la solucin de un sistema de
ecuaciones lineales depende solamente de la existencia de la inversa de la matriz de
coeficientes. Igualmente, la existencia de la inversa de una matriz depende
exclusivamente del valor del determinante. De aqu que si la matriz de coeficientes
tiene determinante diferente de cero, la solucin al sistema de ecuaciones lineales
existe y es nica.

69

2.11 Sistema de Ecuaciones Homogneos


Un sistema de ecuaciones homogneo surge cuando el vector de b se hace 0 en
todos sus componentes. Es decir que el sistema Ax=b se convierte en Ax=0. Por
ejemplo:
2x1
3x1

+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.

2.12 Valor Caracterstico y Vector Caracterstico


El valor caracterstico es una multiplicacin de matriz con vector en la que el
resultado es un vector paralelo (o proporcional al vector original). Es decir, dado un
vector v y un escalar :
Av=v

(2.59)

Si v0 y satisface la ecuacin anterior entonces es un valor caracterstico de A, y


v es un vector caracterstico de A correspondiente a . Los vectores y valores
caractersticos tambin se conocen como valores eigen y vectores eigen. La palabra
eigen es alemn para propio, por lo que la nomenclatura valores propios y vectores
propios tambin es comn.
En esta discusin se supondr que los valores caractersticos que se encuentran
son reales, no obstante, no hay ninguna limitacin para que los valores caractersticos
no sean imaginarios.
De la ecuacin XXX se desprende que Av=v=Iv, donde I es la matriz identidad. De
igual manera:
Av-Iv=(A-I)v=0

(2.60)

Este es un sistema homogneo como el que se describe en la seccin anterior. De


esta misma seccin tenemos que si det(A-I)0, entonces el sistema homogneo tiene

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)

Esta condicin se conoce como ecuacin caracterstica de A.


Al resolver el determinante se obtiene una ecuacin polinomial de grado n:
p()=n+b1n-1+...+bn-1+bn=0

(2.62)

Por el teorema fundamental del lgebra sabemos que un polinomio algebraico de


grado n tiene exactamente n races i donde i=1,2,...,n. La ecuacin caracterstica se
puede expresar en la siguiente forma en funcin de sus factores:
p()=(-1)(-2)....(-n)=0

(2.63)

Cada uno de estas races es un valor caracterstico de A. Adicionalmente cada valor


caracterstico tiene asociado un vector caracterstico de A v i que cumple con la
ecuacin:
Avi=vi

(2.64)

Un aspecto muy importante de la ecuacin caracterstica (que ya se mencion) es


que las soluciones pueden ser complejas. En nuestro desarrollo supondremos que los
valores caractersticos son siempre reales.
Otro aspecto de gran importancia es que las races de la ecuacin caracterstica
pueden ser repetidas. En nuestra discusin se considerar que las races son todas
distintas. Esto es importante porque si los valores caractersticos son todas diferentes,
entonces los vectores caractersticos son diferentes y linealmente independientes 1.
Ejemplo: Encuentre los valores caractersticos de la siguiente matriz:
1
A 2
4

0 1
1 1
0 1

1
p()= det( A I ) 2
4

0
1
0

1
1 0
1

Par una mayor discusin ver Algebra Lineal de Stanley Grossman

71

Barriendo el ultimo rengln (se puede tambin hacer barriendo la segunda


columna):
|A-I|=-4(-1-)+(1-)(-1-)(1-)=0
Factorizando (-1-):
|A-I|=(-1-)[-4+(1-)(1-)]=-(1+)(2-2-3)=-(1+)(-3)(+1)=0
Los valores caractersticos de A son =-1, 3.
Los vectores caractersticos (x1,x2,x3) se encuentran resolviendo el sistema matricial
(A-I)x=0. Para =-1

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

Lo cual nos da el siguiente sistema:


2x1
2x1
4x1

+ x3 =0
+ x3 =0
+ 2x3 =0

Eliminando:
2x1

+ x3

=0

Fijamos x3=t. De aqu x1=-t/2 y es x2 arbitrario. Dejemos x2=u (o sea, cualquier


valor).
De tal forma que:
x1
x
2
x3

t
1
0
1
0
2
2
u t 0 u 1 c 0 u 1

0
2
0
t
1

Ntece que si vi es un vector caracterstico de A perteneciente al valor caracterstico


i, entonces cualquier mltiplo de v es tambin un vector caracterstico de A. Es decir
Avi=ivi.
Dado que valor caracterstico =-1 es repetido, genera dos vectores caractersticos.
El primer vector caracterstico es v1=(-1,0,2) (obviamente {-1/2,0,1} podra sustituir a
{-1,0,2}). Donde v es un vector caracterstico de A correspondiente al valor
caracterstico =-1. El segundo es v2=(0,1,0) o cualquier mltiplo de ste vector.

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

Lo cual nos da el siguiente sistema:


-2x1
+ x3 =0
2x1 + 4x2 + x3 =0
4x1
- 2x3 =0
Eliminando:
-2x1

+ x3
- 4x2 +2x3

=0
=0

Fijamos x3=t. De aqu x1=t/2 y x2=t/2.


De tal forma que:

x1
x
2
x3

t
1
2
2

t
1
t c
2
2

t
1

1
1
2

El vector caracterstico es v=(1,1,2). Donde v es un vector caracterstico de A


correspondiente al valor caracterstico =3.
Convergencia
Dada una matriz A de dimensiones 3x3 con vectores caractersiticos x 1, x2 y x3 y
valores caractersticos correspondientes 1, 2 y 3, es posible encontrar una
combinacin lineal de los vectores i para reconstruir cualquier vector y:
y b1 x1 b2 x 2 b3 x3

(2.65)

Multiplicando por la matriz A:


Ay b1 Ax1 b2 Ax 2 b3 Ax3

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)

Si 1>2,3 y b10, entonces:


Lim
n

A n y 1n b1 x1

(2.67)

Por lo tanto, si exponenciamos repetidas veces una matriz y la multiplicamos por un


vector arbitrario, lo que obtenernos es un vector proporcional al vector caractersitico
correspondiente al mayor valor caracterstico.
Radio Espectral
El radio espectral de una matriz A denominado (A)se define como:
(A)=mx | |

(2.68)

Donde es un valor caracterstico de A


Matriz Convergente
Se denomina matriz convergente a una matriz A de dimensin n x n si:
Lim (Ak)ij=0 para cada i=1,2,...,n y j=1,2,...,n
k

(2.69)

De la ecuacin (2.67) podemos ver que, si una matriz A es convergente entonces:


1) (A)=b1<1

(2.70)

Dado que todo nmero menor que cero tiende a cero al exponenciarse
2) LimnAny=0, para todo vector y

(2.71)

Estas afirmaciones van a resultar muy tiles en la siguiente seccin cuando se


estudien mtodos iterativos para resolver sistemas de ecuaciones lineales.
Funciones y Operaciones sobre Matricies Usando el Valor Caracteristico
Las funciones aplicadas a matrices se resuelven a travs de una serie de Taylor.
Como las serie de Taylir es una combinacin de exponenciaciones y multiplicaciones
por escalar, es importante determinar cmo se exponencia una matriz

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!

Donde I es la matriz identidad. Sustituyendo:


SD 2 S 1 SD 3 S 1

...
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

Es decir, que basta con aplicar la funcin a la matriz de valor caractersticos. Y lo


mismo aplica al resto de las funciones.
Suppose the eigenvalues of a 3x3 matrix A are 3, 4/5, 3/5, with corresponding
eigenvectors [1; 0; -3], [2; 1; -5], [-3; -3; 7]. (the ; mean next row, so they are column
vectors). Find the original matrix.
RESOLVER
Let x0 = [-2; -5; 3]. Find the solution of the equation x(k+1)(subscript) = Ax(k)
(subscript) for the specified x0, and describe what happens as k>
Since

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

La diagonalizacin de matrices es un procedimiento muy importante que nos


permite afrontar una gran gama de problemas reales de ingeniera y ciencias donde los
mtodos convencionales fracasan. En esta seccin se presentarn los fundamentos
matemticos para los mtodos numricos que se analizarn ms adelante.
Dos matrices A y B se dicen equivalentes si existe una matriz C no singular que
cumpla:
CB=AC

(2.72)

o
B=C-1AC

(2.73)

Si las matrices A y B son equivalentes, entonces tienen la misma ecuacin


caracterstica. La demostracin es ms bien sencilla:
|B-I|=|C-1AC-I|=|C-1AC-C-1(I)C|
=|C-1(A-I)C|=|C-1||A-I||C|
=|C-1||C||A-I|
=|A-I|

(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)

Entonces se cumple que AV=VD. Esto es:

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)

Las columnas del producto AV son:


Av1,Av2,...,Av3

(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)

Por lo que podemos sin temor a equivocarnos que:

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

Una matriz es diagonalizable ortogonalmente si existe una matriz ortogonal 3 Q tal


que se cumpla que:
QtAQ=D

(2.86)

Donde la matriz D es diagonal y d ii=i.

(2.87)

[Y QUE ES LA MATRIZ Q?]


Una matriz A cuadrada es diagonalizable ortogonalmente si y slo si A es simtrica.
QtAQ=D
QQtAQ=QD
AQ=QD
AQQt=QDQt
A=QDQt
At=(QDQt)t
At=(Qt)tDtQt
At=QDQt=A

(2.88)
(2.89)
(2.90)
(2.91)
(2.92)
(2.93)
(2.94)
(2.95)

De donde se concluye que A debe ser simtrica.


[EJEMPLO DE DIAGONALIZACION ORTOGONAL]
Explicacin de la Multiplicacin Matricial
Esta operacin es tan diferente y especial que se ha decidido hacer un apndice a
este captulo para explicarla.
Supngase que se tiene una ecosistema compuesto por 4 especies de plantas, 3
tipos de herbvoros y 2 tipos de carnvoros.
Plantas:
p1, p2, p3, p4
Herbvoros:h1, h2, h3
Carnvoros:c1, c2
Es obvio que los carnvoros comen herbvoros y que los herbvoros sobreviven
comiendo plantas. Estos consumos pueden resumirse con las siguientes tablas,
donde los elementos enlistados en el rengln comen elementos enlistados en las
columnas. Las unidades de consumo pueden ser en cualquier unidad arbitraria, sobre
cualquier lapso de tiempo:
Tabla 1
Come
c1
c2
3

Es Comido
h1
h2
2
1
0
2

Una matriz Q es orotognal si se cumple que Q -1=Qt

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

Utilizando estas tablas se pueden contestar una serie de preguntas:


a. Cunto de p1 consume c1?
2(1)+1(2)+1(1)=5
b. Cunto de p3 consume c2?
0(5)+2(5)+2(1)=12
c. Cmo se creara la siguiente tabla?
Tabla 3
come\es comido
c1
c2

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

Tabla 3=Tabla 1 x Tabla 2= T1i,k T 2 k , j

(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

Lo cual demuestra la razn de ser de la multiplicacin matricial

82

You might also like