Capı́tulo 1

Matemática Asistida con

Computadora

Este capı́tulo es una breve exposición de los fundamentos matemáticos rela-

cionados con el análisis matricial, el análisis vectorial y la transformada de
Laplace. El material seleccionado está estrechamente relacionado con el mate-
rial a desarrollarse en los capı́tulos siguientes. Para mayores detalles del material
cubierto se recomienda consultar las referencias [18], [19], [20], [21], [22], [14]
y el apéndice A de [3]. Los cálculos, en su gran mayorı́a, se realizan con el aux-
ilio del paquete MATLAB. Todos los archivos correspondientes a los ejercicios
desarrolados se pueden descargar del sitio: http://fiee.uni.edu.pe/728681F.

1.1. Cálculo Matricial

1.1.1. Operaciones y Tipos de Matrices
Nomenclatura
La nomenclatura que se explica a continuación no está libre de excep-
ciones a la regla. Tales excepciones serán aclaradas conforme aparezcan.
Una matriz A de orden (o dimensión) n × m, la cual será denotada
siempre con letra mayúscula, es un arreglo rectangular con sus elementos
aij dispuestos en n filas y m columnas. Es decir:
 
a11 . . . a1m
 ..  ; i = 1, . . . , n; j = 1, . . . , m
A = [aij ] =  ... . 
an1 . . . anm
2 Matemática Asistida con Computadora

Los elementos de una matriz pueden ser números (reales o complejos),

funciones, otras matrices, etc. Cuando n = 1, A se convierte en un vector
fila. Cuando m = 1, A toma la forma de un vector columna. Sin embargo,
los vectores serán denotados en negrita. Por ejemplo, el vector columna x(t)
de orden n se representa como:
 
x1 (t)
 
x(t) =  ... 
xn (t)
El vector fila correspondiente es:
   T
xT (t) = x1 (t) · · · xn (t) ; x(t) = x1 (t) · · · xn (t)
donde el superı́ndice T indica transpuesta.
El cambio de dominio (o de argumento) de una matriz o vector debido a
una transformación sólo afecta al dominio. Por ejemplo, las transformadas
de Laplace de A(t), x(t) e Y(t) (subsección 1.3) se representan como A(s),
x(s) e Y(s) respectivamente.
La relación entre la salida y(.) y la entrada u(.) de un sistema, depen-
diendo del argumento, se designa como:
y(t) = g(t) ∗ u(t); y(s) = G(s)u(s)
y(k) = g(k) ∗ u(k); y(z) = G(z)u(z)
donde el asterisco denota la operación convolución, t y k son los tiempos
continuo y discreto, s y z son las variables laplaciana y zeta, G(s) y G(z)
son funciones de transferencia y, g(t) y g(k) son las respuestas del sistema a
un impulso unitario. Más adelante veremos que el asterisco también denota
la operación conjugada en expresiones complejas.
Estados de equilibrio de matrices y vectores variantes con el tiempo
continuo t o discreto k se denotan con una barra sobre la letra empleada.
Por ejemplo, los estados de equilibrio de A(k) e Y(k) son Ā(k) e Ȳ(k)
respectivamente. En muy contados casos, la barra sobre una variable tiene
el significado de señal reconstruida por un dispositivo de retención.
En el caso de vectores variantes con el tiempo (continuo o discreto),
y cuando sea necesario, emplearemos variables reducidas (escritas con le-
tra minúscula), las cuales también se denominan variables de desviación o
perturbacionales. Por ejemplo, la variable reducida de Y(k) es:
y(k) = Y(k) − Ȳ(k)
1.1 Cálculo Matricial 3

Las formas estimadas de A(.), x(.) e Y(.) (para cualquier argumento) se

representan como Â(.), x̂(.) e Ŷ(.), respectivamente.

Operaciones con Matrices

Una matriz A con todos sus elementos aij iguales a cero se denomina
matriz cero o nula y se denota como A = 0. Dos matrices A = [aij ] y
B = [bij ] son iguales si son del mismo orden y además [aij ] = [bij ].
La suma de dos matrices, denotada como C = A ± B, sólo es posible si
A y B son del mismo orden:

C = [cij ] = A ± B = [aij ± bij ]

La multiplicación de dos matrices, denotada como C = AB, sólo es

posible si el número de columnas de A es igual al número de filas de B. Si
A es de orden n × m y B es de orden m × r, entonces C debe ser de orden
n × r. Los elementos de C se determinan como sigue:

m
cij = aik bkj ; i = 1, 2, . . . , n; j = 1, 2, . . . , m
k=1

Por ejemplo:
 

 b11


a11 a12 a13  b21  = c 11 a11 b11 + a12 b21 + a13 b31
=
a21 a22 a23 c21 a21 b11 + a22 b21 + a23 b31
b31
Si κ es un escalar, entonces κA resulta una matriz en donde cada elemento
queda multiplicado por κ. Es decir:

κA = κ[aij ] = [κaij ]

La multiplicación es asociativa:

ABCD = (AB)(CD) = A(BCD) = (ABC)D

y distributiva:

(A + B)(C + D) = AC + AD + BC + BD

Cuando AB = BA, se dice que A y B son matrices que conmutan. Sin

embargo, en general, la multiplicación no es conmutativa:

AB = BA
4 Matemática Asistida con Computadora

Si AB = 0, implica que A = 0 o B = 0, o que A y B sean singulares

(ecuación (1.1)). Si AB = AC, no necesariamente implica que B = C.
La matriz transpuesta, denotada como AT , es la matriz A con sus filas y
columnas intercambiadas. Por consiguiente:

(AT )T = A; (A + B)T = AT + B T ; (AB)T = B T AT

√
Un número complejo se designa como s = σ + jω, donde j = −1 es la
unidad de los números imaginarios y tanto σ como ω son números reales.
La operación conjugada, denotada como A∗ , toma la conjugada a todos los
elementos complejos de A. Para la operación conjugada se cumple:

(A∗ )∗ = A; (A + B)∗ = A∗ + B ∗ ; (AB)∗ = A∗ B ∗

La operación hermitiana, denotada como AH , toma la conjugada y luego

la transpuesta (o toma la transpuesta y luego la conjugada) de la matriz A.
Es decir:
AH = (A∗ )T = (AT )∗
Por consiguiente:

(AH )H = A; (A + B)H = AH + B H ; (AB)H = B H AH

Tipos de Matrices
Si el orden de una matriz A es n × n, entonces la matriz se denomina
cuadrada de orden n. Esta matriz posee una diagonal principal, o simple-
mente una diagonal con elementos aii . La traza de una matriz cuadrada se
define como:
traza(A) = a11 + · · · + ann
Una matriz cuadrada se denomina matriz diagonal cuando los elementos que
no pertenecen a su diagonal son todos ceros:
 
d11 0 0 . . . 0
 0 d22 0 . . . 0 
 
D = [dii ] =  . .. .. .. 
 .. . . . 
0 0 0 . . . dnn

Una matriz cuadrada se denomina triangular superior si los elementos debajo

de su diagonal son todos ceros. Si los elementos encima de de su diagonal
son todos ceros, entonces la matriz es triangular inferior.
1.1 Cálculo Matricial 5

La matriz identidad I, denotada también como In (n es el orden de

la matriz), es una matriz diagonal que sólo posee unos. Si A es cuadrada,
AI = IA, y en general se cumple que:
A es simétrica si: AT = A
A es antisimétrica si: AT = −A
A es ortogonal si: AAT = AT A = I
A es periódica si: Aκ+1 = A; κ es un entero positivo
κ
A es nilpotente si: A = 0; κ es un entero positivo
A es hermitiana si: (A ) = (A∗ )T = AH = A
T ∗

A es antihermitiana si: AH = −A
A es unitaria si: AAH = AH A = I
A es normal si: AAH = AH A
A−1 es inversa de A si: AA−1 = A−1 A = I
A es singular si: det(A) = 0 (1.1)
donde det(A) denota el determinante de A, punto que se trata en la siguiente
subsección.
Una matriz cuadrada A con elementos complejos puede ser escrita co-
mo la suma de una matriz hermitiana B = 12 (A + AH ) más una matriz
antihermitiana C = 12 (A − AH ). Es decir:
1 1
A = B + C = (A + AH ) + (A − AH )
2 2

1.1.2. Determinantes y Matriz Inversa

Determinantes
El determinante de la matriz A = [aij ] de orden 2 es:


a11 a12
det = a11 a22 − a12 a21 (1.2)
a21 a22
Para obtener el determinante de una matriz de orden n > 2 podemos
emplear el método de la expansión. Si tomamos como base la primera fila,
el determinante de una matriz A se obtiene de:

n
det(A) = (−1)1+j a1j det(A1j ) = (−1)1+1 a11 det(A11 ) + (−1)1+2 a12 det(A12 ) + · · ·
j=1
6 Matemática Asistida con Computadora

donde A1j , j = 1, . . . , n es la matriz que resulta luego de eliminar la fila 1

y la columna j de A. Por ejemplo, el determinante de una matriz de orden
n = 3 se calcula como:
 
a11 a12 a13 

a22 a23
det  a21 a22 a23  = (−1) a11 det 1+1
+
a32 a33
a31 a32 a33

 

1+2 a21 a23 1+3 a21 a22
(−1) a12 det + (−1) a13 det (1.3)
a31 a33 a31 a32

Con relación a dos matrices cuadradas A y B de orden n:

1. Si cada elemento de una fila o columna de A es cero, det(A) = 0.
2. det(A) = det(AT ).
3. Si κ multiplica una fila o columna de A, entonces el det(A) queda
multiplicado por κ.
4. Si B se obtiene intercambiando dos filas o columnas de A, entonces
det(B) = −det(A).
5. Si dos filas o columnas de A son iguales, entonces det(A) = 0.
6. Si sumamos un múltiplo de una fila o columna de A a cualquiera de
sus filas o columnas, el valor del det(A) no cambia.
7. det(AB) = det(BA) = det(A)det(B)
8. Si los eigenvalores de A son λ1 , λ2 , . . . , λn , det(A) = λ1 λ2 . . . λn .
La determinación de eigenvalores se trata en la subsección 1.2.2.

Matriz Inversa
Si A y B son dos matrices no singulares; es decir, si det(A) = 0 y
det(B) = 0, entonces:

(AB)−1 = B −1 A−1 ; (AT )−1 = (A−1 )T

1
((A∗ )T )−1 = ((A−1 )∗ )T ; det(A−1 ) =
det(A)
Si A es una matriz no singular de orden 2, vale recordar que:



a b −1 1 d −b
A= ; A = (1.4)
c d ad − bc −c a
1.1 Cálculo Matricial 7

Si A es una matriz no singular de orden 3:

 
a b c
A= d e f 
g h i

 
 
 
 
e f b c b c
 det −det det 
 
h i  
h i  
e f  
1   d f a c a c 

A−1 = −det det −det
det(A) 
 
g i  
g i  
d f  

 d e a b a b 
det −det det
g h g h d e

det(A) = aei + gbf + cdh − gec − ahf − idb (1.5)

Lema de Inversión de Matrices. Si A, B, C y D son matrices no
singulares de orden n × n, n × m, m × n y n × n respectivamente, entonces:

(A + BDC)−1 = A−1 − A−1 B(D−1 + CA−1 B)−1 CA−1 (1.6)

Este lema se demuestra pre-multiplicando cada miembro de la ecuación (1.6)

por (A + BDC). Luego, efectuar las operaciones matriciales resultantes:
(A + BDC)(A + BDC)−1 = I

(A + BDC)[A−1 − A−1 B(D−1 + CA−1 B)−1 CA−1 ] =

I +BDCA−1 −B(D−1 +CA−1 B)−1 CA−1 −BDCA−1 B(D−1 +CA−1 B)−1 CA−1 =
I + BDCA−1 − (BDD−1 + BDCA−1 B)(D−1 + CA−1 B)−1 CA−1 =
I + BDCA−1 − BD(D−1 + CA−1 B)(D−1 + CA−1 B)−1 CA−1 =
I + BDCA−1 − BDCA−1 = I
Valor Absoluto. Si g = gr + jgi es un número o una función real o
compleja, su valor absoluto, conocido también como módulo o magnitud y
denotado como |g|, es un número real positivo o cero. El ángulo de g en rad
se denota como ∠g. Si e[.] e m[.] son los operadores real e imaginario
respectivamente, entonces se cumple que:

e[g] = gr ; m[g] = gi ; g = e[g] + jm[g] = |g|∠g

  
 2 2  m[g]
|g| =  (e[g]) + (m[g])  ; ∠g = arctan
e[g]
8 Matemática Asistida con Computadora

Si G es una matriz compleja con elementos gij , entonces las operaciones

anteriores se ejecutan elemento por elemento; es decir:

e[G] = e[gij ]; m[G] = m[gij ]

G = |G|∠G = |gij |∠gij ; |G| = |gij |; ∠G = ∠gij

La tabla 1.1 muestra los comandos para ejecutar operaciones matriciales
empleando MATLAB.

Ejemplo 1.1

Dada la matriz cuadrada A, calcular B.

 
1−j 2−j 3−j
A =  4j −2 3 + 5j 
6 − j 7 − j 8 + 3j

(A∗ + AT − 0,7jA3 )A−1 AH |A|∠A e[A]m[A]

B=
(2j + 1) traza(A)det(A)
Solución: El programa en MATLAB para calcular B es el siguiente:
% ejem1_1.m EJEMPLO SOBRE CALCULO MATRICIAL COMPLEJO
clear all
A = [1-j 2-j 3- j
4j -2 3+5j
6-j 7-j 8+3j];
B = (conj(A)+conj(A’)-0.7j*A^3)*inv(A)*A’*abs(A)* ...

angle(A)*real(A)*imag(A)/((2*j+1)*trace(A)*det(A));

% B = 1.0e+002 *
% 0.2488 - 0.0957i 0.8007 - 0.3510i -2.1614 + 0.9495i
% 0.2952 + 0.3551i 0.9809 + 1.0977i -2.6468 - 2.9592i
% 0.8222 + 0.1991i 2.7135 + 0.5050i -7.3267 - 1.3550i

Ejemplo 1.2

Determinar la matriz hermitiana B y la antihermitiana C de la matriz A

del ejemplo anterior.
1.1 Cálculo Matricial 9

Cuadro 1.1: Comandos para cómputo matricial

Operación Código MATLAB

Suma A+B A + B
Resta A−B A - B
Multiplicación AB A*B
Multiplicación κA; κ: complejo kappa*A
Conjugada A∗ conj(A)
Transpuesta (A real) AT A’
Transpuesta (A compleja) AT conj(A’); A.’
Hermitiana AH A’
Potencia An A^n
Determinante det(A) det(A)
Inversa A−1 inv(A)
División izquierda A*X = B; X = A\B
División derecha X*A = B; X = B/A
Valor absoluto |A| abs(A)
Ángulo ∠A angle(A)
Parte real [A] real(A)
Parte maginaria [A]
 imag(A)
n
Traza i=1 aii trace(A)
Matriz identidad In eye(n)
10 Matemática Asistida con Computadora

Solución: Las matrices pedidas son:

1 1
B = (A + AH ); C = (A − AH )
2 2
y se puede comprobar que B = B H y C = −C H . Ver programa ejem1 2.m.
% ejem1_2.m MATRICES HERMITIANAS
clear all
A = [1-j 2-j 3-j
4j -2 3+5j
6-j 7-j 8+3j];
B = (A + A’)/2; C = (A - A’)/2;

ZB = B - B’; % ZB RESULTA LA MATRIZ CERO

ZC = C + C’; % ZC RESULTA LA MATRIZ CERO

Ejemplo 1.3
Multiplicación con Partición de Matrices.- Dos matrices Anm y Bmp
(los subı́ndices indican las dimensiones) pueden ser particionadas como sigue:
   
An1 m1 · · · An1 mm Bm1 p1 · · · Bm1 pp
 .. ..   .. .. 
A= . . ; B= . . 
Ann m1 · · · Ann mm Bmm p1 · · · Bmm pp
La condición necesaria para realizar el producto Cnp = Anm Bmp empleando
particiones, es que las columnas de A y las filas de B sean particionadas
en la misma forma. Por tanto, n = n1 + · · · + nn , m = m1 + · · · + mm y
p = p1 + · · · + pp . Determinar si el producto siguiente es válido y si lo es,
obtener C = AB.
  
A22 A23 A21 B22 B23
AB =  A32 A33 A31   B32 B33 
A42 A43 A41 B12 B13
Solución: Podemos notar que para A: n = 2 + 3 + 4 = 9, m = 2 + 3 + 1 = 6,
y para B: m = 2 + 3 + 1 = 6 y p = 2 + 3 = 5. Por consiguiente, la partición
es correcta. La multiplicación ahora es directa:
 
A22 B22 + A23 B32 + A21 B12 A22 B23 + A23 B33 + A21 B13
C =  A32 B22 + A33 B32 + A31 B12 A32 B23 + A33 B33 + A31 B13 
A42 B22 + A43 B32 + A41 B12 A42 B23 + A43 B33 + A41 B13
En notación MATLAB, conociendo las matrices particionadas, el producto
resulta:
1.1 Cálculo Matricial 11

C = [A22*B22+A23*B32+A21*B12 A22*B23+A23*B33+A21*B13
A32*B22+A33*B32+A31*B12 A32*B23+A33*B33+A31*B13
A42*B22+A43*B32+A41*B12 A42*B23+A43*B33+A41*B13];

Ejemplo 1.4

Matriz Aumentada.- Si los vectores x, y, v y w son de orden n, m, p y q

respectivamente, obtener una ecuación que reemplace a las dos ecuaciones
diferenciales siguientes:
dx dy
= Ax + Bv; = Cy + Dw
dt dt
Solución: Las matrices A con C y B con D forman matrices aumentadas
como sigue:

dx 




dt A 0 x B 0 v
dy = +
dt
0 C y 0 D w

Ejemplo 1.5
Si los λi son los eigenvalores de la matriz A de orden n, comprobar numéri-
camente que:
det(A) = λ1 λ2 . . . λn ; i = 1, . . . , n
Solución: Ver el programa ejem1 5.m.
% ejem1_5.m COMPRUEBA QUE det(A)=L(1)L(2)L(3)L(4)
clear all
A = [1-j 2-j 3-j -3+8j
4j -2 3+5j 4-2j
6-j 7-j 8+3j 3+j
2 -1 j 0];
L = eig(A); % DETERMINA LOS EIGENVALORES DE A
detA = det(A); P = L(1)*L(2)*L(3)*L(4);
% SE DEBE CUMPLIR QUE: P = detA

Ejemplo 1.6

Conocidas las matrices Ann , Bnm , Cmn y Dmm con det(A) = 0 y det(D) = 0,
y definiendo:




A B A 0 A B
E= ; G= ; H=
0 D C D C D
12 Matemática Asistida con Computadora

demuestre numéricamente que:

det(E) = det(G) = det(A)det(D)
det(H) = det(A)det(D − CA−1 B) = det(D)det(A − BD−1 C)
Solución: El siguiente programa demuestra numéricamente lo pedido.
% ejem1_6.m DETERMINANTE DE MATRICES PARTICIONADAS
clear all
% MATRICES DATOS CON n=2 Y m=3:
A = [-3+j 4-2j
5-8j -7-2j];
B = [ j -1+3j 2-5j
4+7j 6 3+8j];
C = [ 2-j j
1+j -5j
-3-7j 8];
D = [2+j -3-j 4j
1+3j 0 -7j
1+j -9-2j -5];
% CONDICION: det(A) Y det(D) DISTINTOS DE 0
% zeros(m,n) CREA UNA MATRIZ DE CEROS DE ORDEN (m,n)
E = [A B
zeros(3,2) D];
G = [A zeros(2,3)
C D];
M = det(A)*det(D);
% SE DEBE CUMPLIR: det(E) = det(G) = M DISTINTO DE 0
H = [A B
C D];
J = det(A)*det(D-C*inv(A)*B);
K = det(D)*det(A-B*inv(D)*C);
% SE DEBE CUMPLIR: det(H) = det(J) = K

Ejemplo 1.7

Demostrar numéricamente que:

−1
−1 
A B A −A−1 BD−1
=
0 D 0 D−1

−1

A 0 A−1 0
=
C D −D−1 CA−1 D−1
Solución: Ver el programa ejem1 7.m.
1.1 Cálculo Matricial 13

% ejem1_7.m INVERSION DE MATRICES PARTICIONADAS

clear all
% MATRICES DATOS CON n=2 Y m=3:
A = [-3+j 4-2j
5-8j -7-2j];
B = [ j -1+3j 2-5j
4+7j 6 3+8j];
C = [ 2-j j
1+j -5j
-3-7j 8];
D = [2+j -3-j 4j
1+3j 0 -7j
1+j -9-2j -5];
% CONDICION: det(A) y det(D) DISTINTOS DE 0
% LA MATRIZ CERO DEBE SER DE ORDEN (m,n)
Z1 = zeros(3,2);
E = [A B
Z1 D];
G = [inv(A) -inv(A)*B*inv(D)
Z1 inv(D)];
% LA MATRIZ CERO DEBE SER DE ORDEN (m,n):
Z2 = zeros(2,3);
F = [A Z2
C D];
H = [inv(A) Z2
-inv(D)*C*inv(A) inv(D)];
% E*G, G*E, F*H y H*F DEBEN RESULTAR MATRICES IDENTIDAD

Ejemplo 1.8

Demostrar numéricamente que:

−1

A B A−1 + A−1 B(D − CA−1 B)−1 CA−1 −A−1 B(D − CA−1 B)−1
=
C D −(D − CA−1 B)−1 (D − CA−1 B)−1

−1

A B (A − BD−1 C)−1 −(A − BD−1 C)−1 BD−1
=
C D −D C(A − BD−1 C)−1
−1
D C(A − BD−1 C)−1 BD−1 + D−1
−1

Solución: Ver en el siguiente programa la demostración pedida.

% ejem1_8.m INVERSION DE MATRICES PARTICIONADAS
clear all
% MATRICES DATOS CON n=2 Y m=3:
A = [-3+j 4-2j
14 Matemática Asistida con Computadora

5-8j -7-2j];
B = [ j -1+3j 2-5j
4+7j 6 3+8j];
C = [ 2-j j
1+j -5j
-3-7j 8];
D = [2+j -3-j 4j
1+3j 0 -7j
1+j -9-2j -5];
% CONDICION: det(D) Y det(D-C*inv(A)*B) DISTINTOS DE 0
E = [A B;C D];
G11 = inv(A) + inv(A)*B*inv(D-C*inv(A)*B)*C*inv(A);
G12 = -inv(A)*B*inv(D-C*inv(A)*B);
G21 = -inv(D-C*inv(A)*B)*C*inv(A);
G22 = inv(D-C*inv(A)*B);
G = [G11 G12;G21 G22];
% CONDICION: det(D) Y det(A-B*inv(D)*C) DISTINTOS DE 0
H11 = inv(A-B*inv(D)*C);
H12 = -inv(A-B*inv(D)*C)*B*inv(D);
H21 = -inv(D)*C*inv(A-B*inv(D)*C);
H22 = inv(D)*C*inv(A-B*inv(D)*C)*B*inv(D)+inv(D);
H = [H11 H12;H21 H22];
% E*G, E*H, G*E y H*E DEBEN RESULTAR MATRICES IDENTIDAD

1.1.3. Derivadas e Integrales con Matrices y Vectores

Derivada e integral de una matriz A(t) = [aij (t)] de orden n × m:
     
d
dt a11 (t) ··· d
dt a1m (t)  a11 (t) ··· a1m (t)
d  .. ..   .. .. 
A(t) =  . . ; A(t) =  . 
dt   .
d
dt an1 (t) ··· d
dt anm (t)
an1 (t) · · · anm (t)
(1.7)
Derivada e integral de un vector x(t) = [x1 . . . xn ]T :
 d    
dt x1 (t)  x1 (t)
d  ..   .. 
x(t) =  . ; x(t) =  .  (1.8)
dt d

dt x n (t) xn (t)
Cuando las matrices A y B y el escalar κ son funciones de t, se cumple:
d d d d dA dB
[A + B] = A + B; [AB] = B+A
dt dt dt dt dt dt
−1
d dA dk d −1 dA
[Ak] = k+A ; A = −A−1 (1.9)
dt dt dt dt A
1.2 Análisis Vectorial 15

Derivada parcial de una función escalar J(x) de variable vectorial:

 ∂J   ∂2J ∂2J 2J 
∂x 2 ∂x 1 ∂x 2
· · · ∂x∂1 ∂x
∂J 
∂x1
 ∂2J  1 n

=  ...  ; =  .. .. ..  (1.10)
∂x ∂x 2  . . . 
∂J ∂2J ∂2J ∂2J
∂xn ∂xn ∂x1 ∂xn ∂x2 · · · ∂x2 n

Derivada total de una función escalar V (x(t)) de variable vectorial:


d ∂V T dx
V (x(t)) = (1.11)
dt ∂x dt
Jacobiano de una función vectorial f(x) de orden m con argumento vectorial
de orden n:  ∂f ∂f2 ∂fm

1
· · ·
 ∂x
∂f1
1 ∂x1
∂f2
∂x1
∂fm 
∂f  ∂x · · · ∂x2 
= .. 
2 ∂x2
 . .  (1.12)
∂x  .. .. . 
∂f1 ∂f2 ∂fm
∂xn ∂xn ··· ∂xn
Si la matriz cuadrada A y los vectores x e y son reales y de orden n se
cumple:
∂ T
x Ax = Ax + AT x
∂x
∂ T ∂ T
x Ay = Ay; x Ay = AT x (1.13)
∂x ∂y
Si A es una matriz hermitiana de orden n y x e y son vectores complejos de
orden n, se cumple:
∂ H
x Ax = Ax
∂x∗
∂ H ∂ H
∗
x Ay = Ay; x Ay = AT x∗ (1.14)
∂x ∂y

1.2. Análisis Vectorial

1.2.1. Independencia, Ortonormalidad y Normas
Independencia de Vectores
Se dice que los vectores xi , i = 1, . . . , n son linealmente independientes
si:

n
ci xi = 0
i=1
16 Matemática Asistida con Computadora

La ecuación anterior implica que las constantes ci = 0, i = 1, . . . , n, o que

det([x1 . . . xn ]) = 0.

Operación con Vectores Complejos y Reales

Si x e y son vectores complejos de orden n:

n
xH y = (yH x)∗ = yT x∗ = x∗i yi
i=1

n
n
xH x = x∗i xi = |xi |2
i=1 i=1
 
x1 x∗1 x1 x∗2 . . . x1 x∗n
 .. .. 
xxH =  . . . . .  (1.15)
xn x∗1 xn x∗2 . . . xn x∗n
Si x e y son vectores reales de orden n:

n
n
x T y = yT x = xi yi ; xT x = x2i
i=1 i=1
 
x21 x1 x2 . . . x1 xn
 .. .. 
xxT =  . . . . .  (1.16)
xn x1 xn x2 . . . x2n

Vectores Ortonormales
Los vectores reales x1 , x2 , . . . son ortonormales si xTi xj = 0 cuando i = j
y = 0 cuando i = j.
xTi xj

Normas de Vectores y Matrices

Norma de un Vector
En general, una norma es una medida del tamaño de un vector o matriz.
La ejecución de la norma resulta en un escalar positivo. La norma de un
vector denotada como  x  posee las propiedades siguientes:

 x ≥ 0 para todo x = 0
1.2 Análisis Vectorial 17

 x = 0 si y sólo si x = 0
 κx = κ  x  κ es un escalar
Desigualdad triangular:  x + y ≤ x  +  y 
Desigualdad de Schwarz: |xH y| ≤ x  y 

La norma más empleada es la Euclidiana:


 x 2 = (xH x)1/2 = |x1 |2 + |x2 |2 + · · · + |xn |2 (1.17)

que es un caso particular de la siguiente norma:

 √ 
 x = (P x)H (P x) = xH P H P x = xH Qx)] ≥ 0; Q = P H P = QH

Otras normas pueden ser definidas como:

n
 x = |xi |;  x ∞ = máx |xi |;  x −∞ = mı́n |xi |
i i
i=1
 n 1/p

 x p = |xi |p
i=1

Norma de una Matriz

La norma de una matriz A de orden n es el menor valor de κ tal que:

 A ≤ κ  A 

Tal norma cumple las propiedades de la norma de un vector. En adición,

también cumple:

 A = AH ;  A = AT ;  Ax ≤ A  x 

 A 2 = máx[xH AH Ax], si xH x = 1
x
|λ| ≤ A , si λ es un eigenvalor de A
Otras normas para una matriz A de orden n son:
 1/2

n
n n
n
 A = |aij |;  A F =  |aij |2 
i=1 j=1 i=1 j=1
18 Matemática Asistida con Computadora

m   
n
 A 1 = máx |aij | ;  A ∞ = máx  |aij |
j i
i=1 j=1

 A 2 = máx λi (AH A)
i

1.2.2. Rango de una Matriz, Eigenvalores y Eigenvectores

Rango de una Matriz
Si A es una matriz de orden n × m, su rango, denotado como rango(A),
es igual al número máximo r de sus vectores columnas linealmente indepen-
dientes. Si A es una matriz de orden n × m y B es de orden m × k:

rango(AB) = rango(AH ) = rango(AH A) = rango(AAH )

rango(AB) = rango(AT ) = rango(AT A) = rango(AAT )
rango(AB) ≤ rango(A); rango(AB) ≤ rango(B)
rango(AB) = rango(A), si A y B son no singulares
rango(AB) = rango(B), si A y B son no singulares

Si A es una matriz de orden n y det(A) = 0, entonces:

rango(A) = n

Eigenvalores y Eigenvectores
Un eigenvalor de una matriz de orden n, conocido también como valor
propio, modo, “eigenvalue”, valor o raı́z caracterı́stica, es un escalar λ que
permite una solución no trivial de la ecuación:

Ax = λx x≤0 (1.18)

Factorizando x obtenemos la ecuación caracterı́stica de A:

det(λI − A) (1.19)

Asociado con cada eigenvalor λi existe un eigenvector ei de magnitud arbi-

traria que es solución de Aei = λei . Para un eigenvector normalizado ê, su
norma Euclidiana es uno:  ê = 1.
1.2 Análisis Vectorial 19

1.2.3. Diagonalización de Matrices

Matrices Similares
Se dice que dos matrices A y B de orden n son similares si existe una
matriz P no singular tal que P −1 AP = B y B = P AP −1 .
Sea A una matriz de orden n que posee n eigenvalores distintos. Sea
E = [e1 . . . en ] una matriz formada con los eigenvectores de A y sea Λ
una matriz diagonal cuyos elementos son los eigenvalores de A. Entonces se
dice que A y Λ son similares porque:
 
λ1 0 . . . 0
 0 λ2 . . . 0 
−1  
E AE = Λ =  . .. ..  ; EΛE −1 = A (1.20)
 .. . . 
0 0 . . . λn

Forma Canónica de Jordan

Si una matriz A de orden n posee r eigenvectores linealmente indepen-
dientes, la forma de Jordan es una matriz J que posee n − r unos sobre la
diagonal, con todos los demás elementos iguales a cero. Por ejemplo, si los
valores propios de A de orden n = 5 son λ1 , λ1 , λ1 , λ2 , λ3 , entonces son
posibles varias formas de J (se muestran cuatro):
   
λ1 1 0 0 0 λ1 1 0 0 0
 0 λ1 1 0 0   0 λ1 0 0 0 
   
J1 = 
 0 0 λ1 0 0 
 J2 =  0 0 λ1 0 0 

 0 0 0 λ2 0   0 0 0 λ2 0 
0 0 0 0 λ3 0 0 0 0 λ3
   
λ1 0 0 0 0 λ1 0 0 0 0
 0 λ1 0 0 0   0 λ2 0 0 0 
   
J3 = 
 0 0 λ1 0 0 
 J4 =  0 0 λ1 1 0 

 0 0 0 λ2 0   0 0 0 λ1 1 
0 0 0 0 λ3 0 0 0 0 λ3

Notar que J1 y J4 deben poseer tres eigenvectores linealmente independien-

tes, la matriz diagonal J3 cinco y J2 cuatro. Para un problema especı́fico, la
forma correcta de la matriz J se determina de acuerdo a las reglas siguientes:
1. Si una matriz cuadrada A de orden k posee k eigenvalores múltiples,
y si el rango de [λI − A] es k − s, donde 1 ≤ s ≤ k, entonces exis-
20 Matemática Asistida con Computadora

ten s eigenvectores linealmente independientes asociados con λ. Por

consiguiente, existen s bloques de Jordan.

2. La suma de los órdenes de los bloques de Jordan derivados con la regla

anterior debe ser igual a la multiplicidad k (ver ejemplo 1.14).

1.2.4. Formas Cuadráticas y Bilineales

Formas Cuadráticas

Una forma cuadrática es un polinomio real que contiene términos de la

forma aij x∗i xj . Si A = [aij ] = AH es una matriz hermitiana de orden n y x
es un vector complejo de orden n, entonces:

n
n
H
x Ax = aij x∗i xj ; aji = a∗ij
i=1 j=1

Si A = [aij ] = AT es una matriz real y simétrica de orden n y x es un vector

real de orden n:

n
n
xT Ax = aij xi xj ; aji = aij
i=1 j=1

Formas Bilineales

Una forma bilineal es un polinomio real que contiene términos de la forma

aij x∗i yj . Si A = [aij ] es una matriz compleja de orden n, y si los vectores
complejos x e y son de orden n y m respectivamente, entonces:

n
m
xH Ay = aij x∗i yj
i=1 j=1

Si A = [aij ] es real de orden n, y si los vectores reales x e y son de orden n

y m respectivamente, entonces:

n
m
xT Ay = aij xi yj
i=1 j=1
1.2 Análisis Vectorial 21

Definición y Semidefinición de Matrices

Para una matriz A de orden n, las expresiones A > 0, A ≥ 0, A < 0
y A ≤ 0 denotan que A es definida positiva, semidefinida positiva, definida
negativa y semidefinida negativa respectivamente. Hemos visto que la forma
cuadrática xH Ax está asociada con la matriz hermitiana A, ası́ como xT Ax
lo está con la matriz real y simétrica A.
Una matriz A de orden n es definida positiva si su forma cuadrática
asociada es siempre positiva, excepto cuando x = 0. Si todos los eigenvalores
de A son positivos, entonces A > 0.
Una matriz A de orden n es semidefinida positiva si su forma cuadrática
asociada es mayor o igual a cero cuando x = 0. Si los eigenvalores de A son
positivos o nulos, entonces A ≥ 0.
Una matriz A de orden n es definida negativa si su forma cuadrática
asociada es siempre negativa, excepto cuando x = 0. Si todos los eigenvalores
de A son negativos, entonces A < 0.
Una matriz A de orden n es semidefinida negativa si su forma cuadrática
asociada es menor o igual a cero cuando x = 0. Si los eigenvalores de A son
negativos o nulos, entonces A ≤ 0.
Si la matriz A posee eigenvalores positivos y negativos, entonces A es
indefinida.
La tabla 1.2 muestra los comandos para ejecutar otras operaciones ma-
triciales y vectoriales empleando MATLAB.

Ejemplo 1.9

Resolver el siguiente sistema (más incógnitas que ecuaciones):

(5 − j)x1 + (2 + 3j)x2 + (3 − j)x3 + (−1 + 4j)x4 + (−6 + j)x5 = 2 − 9j

4jx1 − 2x2 + (3 + 5j)x3 − 7jx4 + (8 − 2j)x5 = 4 − j
(6 − j)x1 + (7 − j)x2 + (8 − 3j)x3 + (3 − j)x4 + (1 + 4j)x5 = 3 + j

Solución: Ver el programa ejem1 9.m.

% ejem1_9.m SISTEMA DE ECUACIONES: MAS INCOGNITAS QUE ECUACIONES
clear all
A = [5-j 2+3j 3-j -1+4j -6+j
4j -2 3+5j -7j 8-2j
6-j 7-j 8-3j 3-j 1+4j];
22 Matemática Asistida con Computadora

Cuadro 1.2: Comandos para cómputo matricial y vectorial

Operación Código MATLAB

Producto interno complejo xH y x’*y

Producto interno real xT y x’*y
Producto por elemento aij bij A.*B
División por elemento aij /bij A.\B; A./B
Potencia por elemento (aij )bij A.^B

Norma matricial  A 1 = máxj m |aij | norm(A,1)
 i=1
Norma matricial  A 2 = máxi λi (AH A) norm(A,2)

Norma matricial  A ∞ = máxi nj=1 |aij | norm(A,inf)
 1/2
Norma matricial  A F = |a | 2 norm(A,’fro’)
ij ij
n
Norma vectorial  x p = ( i=1 |xi |p )1/p norm(x,p)
√
Norma vectorial  x 2 = xH x norm(x)
Norma vectorial  x ∞ = máxi |xi | norm(x,inf)
Norma vectorial  x −∞ = mı́ni |xi | norm(x,-inf)
Rango rank(A)
Eigenvalores λi eig(A)
Eigenvectores E = [e1 . . . en ] [E,D]=eig(A)
1.2 Análisis Vectorial 23

B = [2-9j;4-j;3+j];
X = A\B; %
% X =
% 3.5719 - 3.4126i --> x1;
% 0 --> x2
% -2.8535 + 1.6221i --> x3
% 0 --> x4
% 0.9991 - 0.4860i --> x5

Ejemplo 1.10

Resolver el siguiente sistema (menos incógnitas que ecuaciones):

(5 − j)x1 + (2 + 3j)x2 + (3 − j)x3 = 2 − 9j

4jx1 − 2x2 + (3 + 5j)x3 = 4 − j
(6 − j)x1 + (7 − j)x2 + (8 − 3j)x3 = 3 + j
(−1 + 4j)x1 + (−6 + j)x2 + (3 − j)x3 = −3 + 7j
−7jx1 + (8 − 2j)x2 + (1 + 4j)x3 = −9

Solución: Ver el programa ejem1 10.m.

% ejem1_10.m SISTEMA DE ECUACIONES: MENOS INCOGNITAS QUE ECUACIONES
clear all
A = [5-j 2+3j 3-j
4j -2 3+5j
6-j 7-j 8-3j
-1+4j -6+j 3-j
-7j 8-2j 1+4j];
B = [2-9j;4-j;3+j;-3+7j;-9];
X = A\B;
% X =
% 1.2270 - 2.1969i --> x1
% 0.6871 + 1.2202i --> x2
% -0.9472 + 0.4153i --> x3

Ejemplo 1.11

Comprobar numéricamente que:

xH y = (yH x)∗ = yT x∗

Solución: Ver el programa ejem1 11.m.

24 Matemática Asistida con Computadora

% ejem1_11.m CALCULO VECTORIAL

clear all
% VECTORES DATOS
x = [-1+j;3-5j;-5+6j;8-9j;4-2j;-1+j];
y = [-5+j;-3+j;-8+9j;5-6j;2+7j;-3-j];
% COMPROBAR QUE x’*y = conj(y’*x) = conj(y’)*conj(x)
p = x’*y; q = conj(y’*x); r = conj(y’)*conj(x);
[p q r] % p, q y r DEBEN SER IGUALES

Ejemplo 1.12

En el siguiente programa se calculan diferentes normas matriciales y vecto-

riales.

% ejem1_12.m NORMAS
clear all
% VECTOR DATO
x = [-1+j;3-5j;-5+6j;8-9j;4-2j;-1+j];
a = norm(x,5); % NORMA p = 5 (a = 12.3798)
b = norm(x,2); % NORMA EUCLIDIANA (b = 16.2481)
c = norm(x,inf); % NORMA INFINITO (c = 12.0416)
d = norm(x,-inf); % NORMA -INFINITO (d = 1.4142)
% MATRIZ DATO
A = [1-j 2-j 3-j -4-j
4j -2 3+5j 2-8j
6-j 7-j 8+3j -7+3j
3+5j 2-8j 1-j 2-9j];
e = norm(A); % MAXIMO EIGENVALOR DE A: e = 18.7269
f = norm(A,2); % LO MISMO QUE norm(A): e = f = 18.7269
g = norm(A,1); % max(sum(abs(A)))): g = 29.2046
h = norm(A,inf); % max(sum(abs(A’))): h = 29.3136
k = norm(A,’inf’); % IGUAL QUE norm(A,inf): k = h = 29.3136
m = norm(A,’fro’); % sqrt(sum(diag(A’*A))): m = 23.7276
p = ’fro’; % p DEBE SER 1, 2, inf o ’fro’
n = norm(A,2); % NORMA p: n = 18.7269

Ejemplo 1.13

Sean las matrices Anm , Bmp y Cmm . Demostrar numéricamente las siguien-
tes propiedades del rango: rango(A) ≤ mı́n(n, m); rango(A) = rango(AH );
rango(AB) ≤ min(rango(A), rango(B)); rango(CB) = rango(B).

Solución: El siguiente programa presenta las demostraciones pedidas.

1.2 Análisis Vectorial 25

% ejem1_13.m PROPIEDADES DEL RANGO

clear all
% MATRICES DATO
A = [-1+j 3-5j -5+6j -2+5j
8-9j 4-2j -1+j -4
-2+3j 4-6j -2-5j 7j]; % ORDEN (3,4)
B = [1+j -3-5j
8+9j -4+2j
-2+3j -4-6j
-5-6j -2+5j]; % ORDEN (4,2)
C = [-1+j -2+j 3-j -5-7j
4-2j -1+j -4 2
4-6j -2-5j 7j -j
7j -1 9j 4j]; % ORDEN (4,4)
rA = rank(A); rAH = rank(A’); rB = rank(B);
rAB = rank(A*B); rCB = rank(C*B);
% SE DEBE CUMPLIR: rA MENOR O IGUAL QUE min(3,4);
% rA = rAH
% rAB MENOR O IGUAL QUE min(rA,rB)
% rCB = rB

Ejemplo 1.14

El siguiente programa determina la forma de Jordan para la matriz:

 
0 1 0 3
 0 −1 1 1 
A=  0 0

0 1 
0 0 −1 −2

% ejem1_14.m FORMA CANONICA DE JORDAN

clear all
A = [0 1 0 3;0 -1 1 1;0 0 0 1;0 0 -1 -2]; % ORDEN 4
[E D] = eig(A);
% E = % MATRIZ DE EIGENVECTORES
% 1.0000 -0.7071 0.9045 0.7068
% 0 0.7071 0 -0.7074
% 0 0 0.3015 -0.0002
% 0 0 -0.3015 0.0002

% D = % LOS EIGENVALORES DE A FORMAN LA DIAGONAL DE D

% 0 0 0 0
% 0 -1 0 0
26 Matemática Asistida con Computadora

% 0 0 -1 0
% 0 0 0 -1
rank((-1)*eye(4)-A); % RESULTA 2 => 2 BLOQUES DE JORDAN
% ASOCIADOS CON LA RAIZ TRIPLE (-1)
% FORMA DE JORDAN: 0 0 0 0
% 0 -1 1 0
% 0 0 -1 0
% 0 0 0 -1

Ejemplo 1.15

Determinar la definición de las matrices siguientes:

   
2 2 −2 1 2 1
A =  2 6 0 ; B= 2 4 2 
−1 0 2 3 6 0
Solución: Ver el programa ejem1 15.m.
% ejem1_15.m DEFINICION DE MATRICES
clear all
A = [2 2 -2;2 6 0;-1 0 2];
EigA = eig(A); % EIGENVALORES DE A: 0.1996, 6.8922, 2.9083
% A > 0 DADO QUE TODOS SUS EIGENVALORES SON POSITIVOS
B = [1 2 1;2 4 2;3 6 0];
EigB = eig(B); % EIGENVALORES DE B: 0, 7.1098, -2.1098
% B ES INDEFINIDA PUES UN EIGENVALOR ES > 0 Y EL OTRO ES < 0

1.3. La Transformada de Laplace

La transformada de Laplace de una función g(t) se define como:
 ∞
g(s) = L[g(t)] = g(t)e−st dt (1.21)
0

donde s es la variable laplaciana. La transformada de Laplace es útil para

modelar sistemas lineales invariantes con el tiempo. Su transformada inversa
se designa como:
g(t) = L−1 [g(s)] (1.22)
Como ejemplo, la transformada de Laplace de la función g(t) = e−at , donde
a es real, se determina como sigue:
 ∞  ∞
−e−(s+a)t 1
L[e−at ] = e−at e−st dt = =
0 s+a s+a
0
1.3 La Transformada de Laplace 27

La tabla 1.3 muestra la transformada de Laplace de algunas funciones. Al-

gunas de sus propiedades se muestran en la tabla 1.4.

Cuadro 1.3: Transformadas de Laplace

Descripción g(t) g(s)
Impulso unitario δ(t) 1
1
Escalón unitario µ s
1
Rampa unitaria t s2
Rampa de orden n tn n!
sn+1
; n! = n(n − 1) . . .
1
Exponencial e−at s+a
ω
Seno senωt s2 +ω 2
s
Coseno cosωt s2 +ω 2
Seno amortiguado e−at senωt ω
(s+a)2 +ω 2
Coseno amortiguado e−at cosωt s+a
(s+a)2 +ω 2

Cuadro 1.4: Propiedades de la transformada de Laplace

Descripción Propiedad
 
Derivación L dg = sg(s) − g(0), g(0) = [g(t)]t=0
 dtn 
Derivación de orden n L ddtng = sn g(s) − sn−1 g(0) − · · · − g n−1 (0)
 n−1 
d
g n−1 (0) = dtn−1
  g(t) t=0
t g(s)
Integral L 0 g(t)dt = s
Desplazamiento en tiempo L[g(t − t0 )µ(t − t0 )] = e−t0 s g(s)
Desplazam. en frecuencia L[e−at g(t)] = g(s + a)
Valor inicial lı́mt→0 g(t) = lı́ms→∞ sg(s)
Valor final lı́mt→∞ g(t) = lı́ms→0 sg(s)

Ejemplo 1.16

La figura 1.1 muestra un carro de masa m = 1000 kg desplazándose con una

velocidad v gracias a la acción de la fuerza u producida por su motor. Si se
28 Matemática Asistida con Computadora

desprecia la inercia de las ruedas y se asume que la fuerza de fricción bv es

lo único que se opone al movimiento, donde b= 50 N-s/m es el coeficiente
de fricción, entonces la dinámica del proceso puede modelarse como:
dv
mv̇(t) + bv(t) = u(t); v̇ =
dt
Determinar la función de transferencia del proceso y su respuesta a un es-
calón de 1 m/s, sabiendo que la entrada es u y la salida es v.
v velocidad
friccion
bv m u

Figura 1.1: Móvil en movimiento.

Solución: La función de transferencia del proceso se obtiene aplicando la

propiedad de derivación de orden n (tabla 1.4), con todas las condiciones
iniciales iguales a cero:
v(s) 1
msv(s) + bv(s) = u(s); =
u(s) ms + b

Dado que la entrada es un escalón, u(s) = 1s . La salida se determina de:

  
−1 −1 1 1 −1 1 1
v(t) = L [v(s)] = L = L − b
s(ms + b) b s s+ m

y empleando la tabla 1.3 obtenemos:

1
v(t) = (1 − e−bt/m )
b

Ejemplo 1.17
Empleando las propiedades del valor inicial y del valor final, determinar tales
valores para la velocidad del móvil del problema anterior.
Solución: El valor inicial se determina de: lı́mt→0 v(t) = lı́ms→∞ sv(s) = 0.
El valor final se obtiene de: lı́mt→∞ v(t) = lı́ms→0 sv(s) = 1b .