PUCP EG MIC 2017-1 20/03/2017

ALGEBRA DE MATRICES

REVISIN

Wilson Silva Berros

Matriz :

tamao de la matriz :

referencia a un
elemento individual :

Vectores :

Puede ser una matriz Columna

o una matriz Fila

Ntese que Escalares, Vectores y Matrices, constituyen Tensores

de orden 0, 1 y 2, respectivamente.

AME Revisin Algebra de Matrices WESB Pg. 1

PUCP EG MIC 2017-1 20/03/2017

Matriz Cuadrada :

Matriz Simtrica :

Matriz Identidad :

Matriz Diagonal :

Matriz Triangular
Es una matriz cuadrada,
Superior (Upper) :

Matriz Triangular
Es una matriz cuadrada,
Inferior (Lower) :

Matrices Ortogonales :

AME Revisin Algebra de Matrices WESB Pg. 2

PUCP EG MIC 2017-1 20/03/2017

Traza de una Matriz :

Submatrices : Son matrices dentro de una matriz (particionada).

Por ejemplo:

Nota. Operar con Submatrices, es lo mismo que operar con elementos

de una matriz individual

AME Revisin Algebra de Matrices WESB Pg. 3

PUCP EG MIC 2017-1 20/03/2017

Operaciones Elementales con Matrices

Transpuesta :

Adicin (Substrccin) :

Multiplicacin por un Escalar :

Multiplicacin de Matrices :
De dos matrices, es posible si el nmero de columnas de la 1ra matriz,
es igual al nmero de filas de la 2da.

Propiedades de la Multiplicacin de Matrices :

Asociativa :

Distributiva :

No-conmutativa :

AME Revisin Algebra de Matrices WESB Pg. 4

PUCP EG MIC 2017-1 20/03/2017

DETERMINANTES
El determinante de denotado como o es
recursivamente definido como:

donde es la matriz de obtenida por

eliminacin de la fila y l a columna de la matriz

Para una matriz de 2 x 2 :

Para una matriz de 3 x 3 :

Escribir un programa de cmputo para calcular el determinante de una

matriz de ?

Note que el determinante de una matriz de con tiene trminos,

cada uno con multiplicaciones

Por tanto, si n = 10, habra 10 ! = 3628,800 trminos, cada uno involucra 9

multiplicaciones por lo que habran 30 millones de operaciones flotantes
que deberan ser realizadas en orden para evaluar el determinante.

Esto muestra que es imprctico usar la Regla de Craner para resolver un

sistema lineal de ecuaciones.

AME Revisin Algebra de Matrices WESB Pg. 5

PUCP EG MIC 2017-1 20/03/2017

Propiedades de los Determinantes :

Si al menos una fila o una columna es una combinacin lineal de las

otras filas o columnas, entonces el determinante es igual a cero. El
inverso tambin es cierto: si el determinante es igual cero, entonces al
menos una fila o una columna es una combinacin lineal de otra fila o
columna.

Si existe dependencia lineal entre filas entonces tambin hay

dependencia entre columnas y viceversa.
El determinante de un matriz triangular superior o inferior es igual al
producto de los trminos de la diagonal principal.
El determinante del producto de dos matrices cuadradas al producto
de los determinantes de las matrices individuales.

Singularidad y Rango :
Si el determinante de una matriz es cero, entonces la matriz
es llamada SINGULAR. Esto significa que al menos una fila o una columna
es una combinacin de las otras. Podramos quitar esta fila y columna y
repetir esta prueba hasta que el tamao de la submatriz sea .

Entonces, es el Rango de la matriz o :

Se deduce que al rango de una matriz no singular es

Si el rango de una matriz es menos que el tamao , entonces es el

rango de deficiencia

INVERSIN
La inversa de una matriz cuadrada (NO SINGULAR) es

Algunas observaciones :

1.

2.

3. La inversa de una matriz simtrica, es tambin simtrica.

4. La inversa de una matriz diagonal, es otra matriz diagonal, cuyos

elementos son la inversa de los valores individuales originales.

AME Revisin Algebra de Matrices WESB Pg. 6

PUCP EG MIC 2017-1 20/03/2017

5. La inversa de una matriz triangular, es tambin una matriz triangular.

6. Computacionalmente, es ms eficiente descomponer una matriz

usando descomposicin triangular superior e inferior o Eliminacin
Gaussiana, para invertir una matriz.

VALORES Y VECTORES PROPIOS

Una forma especial de un sistema de ecuaciones lineales es aquella en la
cual el lado derecho es un mltiplo de la solucin :

La cual puede escribirse como:

La solucin No-trivial al sistema de ecuaciones es posible si

es singular

Cuando el determinante es expandido, se obtiene un polinomio de orden n

en trminos de , que es conocido como la Ecuacin caracterstica de A.
Las n soluciones (pueden ser reales o complejas) son los valores propios
(eigenvalues) de A, y cada uno de los i satisface :

Donde es es el vector propio (eigenvector) correspondiente

AME Revisin Algebra de Matrices WESB Pg. 7

PUCP EG MIC 2017-1 20/03/2017

Se puede mostrar que :

1. Los n valores propios (eigenvalues) de la matriz simtrica real de rango

n, son todos reales.

2. Los vectores propios (eigenvectors) son ortogonales y forman una base

ortogonal en En.

Los valores y vectores propios se usan en el anlisis de la estabilidad o

pandeo (buckling) , anlisis dinmico, y en evaluacin de la eficiencia de las
formulaciones de elementos finitos.

SOLUCIN DE SISTEMAS DE ECUACIONES LINEALES

Dado un sistema lineal de ecuaciones (el cual puede
resultar del mtodo de rigidez directo) buscamos solucionar para

Simblicamente, esta operacin est representada por :

Existen dos enfoque para esta operacin:

Inversin Directa, usando la Regla de Cramer, donde

Sin embargo, computacionalmente este enfoque es muy ineficiente para

Ya que requiere la evaluacin de determinantes de alto orden.

Descomposicin, donde en el caso ms general, tratamos de descomponer

en

Existen dos clases de solucin :

Mtodos Directos
Se caracterizan por conocerse el nmero finito de operaciones requeridas
para lograr la descomposicin que proporciona resultados exactos.

Mtodos Indirectos
O tcnica iterativa de descomposicin, sin conocerse a-priori el nmero de
operaciones necesarias para obtener una solucin aproximada con un nivel
de precisin definida por el usuario.

AME Revisin Algebra de Matrices WESB Pg. 8

PUCP EG MIC 2017-1 20/03/2017

Mtodos Directos
Eliminacin de Gauss y de Gauss - Jordan

Dado : buscamos transformar esta ecuacin en:

1. Eliminacin Gausiana :

donde es triangular superior .

Luego, resolvemos por sustitucin inversa. Ntese que se opera sobre
ambas matrices , para encontrar .

2. Eliminacin Gauss - Jordan :

Es similar a la Eliminacin de Gauss, sin embargo, en lugar de transformar
la matriz en una triangular superior, transformamos en .

Por lo tanto, en este caso, no es necesario hacer sustitucin inversa, ya

que la matriz inversa se obtiene de manera explcita.

Ejemplo 1: Eliminacin de Gauss

1 fila x ( 20/10 ) + 2 fila (as se elimina el coeficiente de de la 2 ec.)

1 fila x (- 5/10 ) + 3 fila (as se elimina el coeficiente de de la 3 ec.)

2 fila x (- 2.5/5 ) + 3 fila (as se elimina el coeficiente de de la 3 ec.)

Ahora, hacemos sustitucin inversa y resolvemos de abajo hacia arriba:

AME Revisin Algebra de Matrices WESB Pg. 9

PUCP EG MIC 2017-1 20/03/2017

Ejemplo 2: Eliminacin de Gauss - Jordan

En este ejemplo, encontraremos tanto como .

Las operaciones son idnticas al Ej.1, sin embargo, ampliamos la matriz
por y operamos en forma simultnea sobre las dos matrices .

1. Matriz inicial:

2. Eliminacin de la primera columna:

a) Fila 1 = (0.1) x Fila 1
b) Fila 2 = (Fila 2) + 20 x (Nueva Fila 1)

c) Fila 3 = (Fila 3) - 5 x (Nueva Fila 1)

3. Eliminacin de la segunda columna:

a) Fila 2 = (0.2) x Fila 2
b) Fila 1 = (Fila 1) - 0.1 x (Nueva Fila 2)
c) Fila 3 = (Fila 3) - 2.5 x (Nueva Fila 2)

4. Eliminacin de la tercera columna:

a) Fila 3 = (0.4) x Fila 3
b) Fila 1 = (Fila 1) + 0.7 x (Nueva Fila 3)
c) Fila 2 = (Fila 2) - 2 x (Nueva Fila 3)

Esta ltima
ecuacin es

Descomposicin

Se lograr a travs de la siguiente descomposicin:

La solucin consiste en:

Descomposicin:

Sustitucin Inversa:

1. Resolver para de empezando de arriba

2. Resolver para de empezando de abajo

El vector es el mismo que se redujo en la Eliminacin Gaussiana.

AME Revisin Algebra de Matrices WESB Pg. 10

PUCP EG MIC 2017-1 20/03/2017

Ejemplo 3:

Siguiendo el procedimiento anterior, la matriz puede descomponerse en :

Fila 1:

Fila 2:

Fila 3:

Fila 3:

Fila 4:

o:

Descomposicin de CHOLESKY :

Si es una matriz simtrica, no lo es. Por ejemplo:

En el caso ms general :

Si a es una matriz simtrica, podra ser la transpuesta de ,o

Adems, la matriz diagonal puede ser factorada como el producto de

dos matrices . As :

AME Revisin Algebra de Matrices WESB Pg. 11

PUCP EG MIC 2017-1 20/03/2017

Este algoritmo puede ser resumido como:

Notas :

1. La descomposicin toma lugar por las columnas

2. tomar el mismo espacio que

Ejemplo 4: Descomposicin de Cholesky

Columna 1:

Columna 2:

Columna 3:

Columna 4:

o:

AME Revisin Algebra de Matrices WESB Pg. 12

PUCP EG MIC 2017-1 20/03/2017

Pivoteo :
Mtodos Indirectos
Son ms adecuados para :

1. Para grandes sistemas de ecuaciones , o

2. Para sistemas con una solucin supuesta conocida

Gauss Seidel, es el ms conocido :

Resolver la 1 ec. para usando el guess inicial para .

Resolver la 2 ec. para usando el valor calculado de y el guess

inicial de

y as sucesivamente .

Notas :

1. El proceso iterativo puede considerarse que ha convergido si :

2. La convergencia puede ser acelerado por relajacin

Donde es un factor de peso que vara entre { 0 y 2 }.

Donde es un factor de peso que vara entre { 0 y 2 }.

Para valores < 1 tenemos baja relajacin; y para valores > 1, sobre
relajacin. El primero es usado para sistemas no convergentes, mientras
que el ltimo es usado para acelerar la convergencia.
El ptimo para anlisis de estructuras es 1.8 .

AME Revisin Algebra de Matrices WESB Pg. 13

PUCP EG MIC 2017-1 20/03/2017

MAL CONDICIONAMIENTO

Nmero de CONDICIN

El mal condicionamiento puede ser detectado evaluando el Nmero de

Condicin de la matriz

Donde y son el mximo y el mnimo valor propio de la

matriz de coeficientes

En la descomposicin de una matriz, los errores de truncamiento pueden

resultar en una prdida de precisin, que se cuantifica como :

Donde es el nmero de posiciones decimales con los cuales la matriz

de coeficientes es representada en el computador y es el nmero de
posiciones decimales correctos en la solucin.

Ntese que, como la frmula incluye , los valores propios necesitan

ser evaluados, slo aproximadamente.

AME Revisin Algebra de Matrices WESB Pg. 14