Alejandro Rivera Morón Proyecto de MatLab Álgebra

Lineal

1. Operaciones con vectores.

Cree 2 vectores A y B de dimensión 6 y calcule:
a) El producto punto, utilizando el comando dot(A,B) y A*B’.
>> A=[3 5 7 1 1 4]
A=3 5 7 1 1 4
>> B=[6 8 1 9 9 7]
B=6 8 1 9 9 7
>> dot(A,B)
ans = 111
>> A*B'
ans = 111
b) La longitud de del vector A de tres maneras diferentes: norm(A), sqrt(A*A’) y sqrt(dot(A,A)).
>> norm(A)
ans = 10.0499
>> sqrt(A*A')
ans = 10.0499
>> sqrt(dot(A,A))
ans = 10.0499
c) El ángulo entre los vectores, utilizando la fórmula: θ = cos-1 A*B/ lAl lBl

>> cosang=dot(A,B)/norm(A)*norm(B)
cosang = 195.0921
d) Realice la suma y la resta de los 2 vectores.
>> A+B
ans = 9 13 8 10 10 11
>> A-B
ans = -3 -3 6 -8 -8 -3
Alejandro Rivera Morón Proyecto de MatLab Álgebra
Lineal
e) El producto cruz entre los dos vectores, utilice el comando cross(A,B). Cree dos vectores A y B de 3
dimensiones y recalcule el producto cruz.
>> A=[8 4 5]
A= 8 4 5

>> B=[9 9 7]
B= 9 9 7

>> cross(A,B)
ans = -17 -11 36
Cree un vector C de dos dimensiones y calcule su ángulo respecto al eje X.
>> c=[3;4]
c= >> atan2(c(2),c(1))
3 ans = 0.9273
4

2. Determinantes.

Genere dos matrices A y B de dimensión 5x5 y un escalar k. Calcule: det(A), det(kA), det(A -1), det(B),
det(AB).

>> A=[1 4 7 11 0; 23 1 7 8 6; 2 6 45 19 2; 19 0 3 8 34; 97 12 6 22 8]

A=

1 4 7 11 0
23 1 7 8 6
2 6 45 19 2
19 0 3 8 34
97 12 6 22 8

>> B=[3 5 7 2 33; 4 8 8 12 1; 0 21 5 2 0; 29 6 8 7 1; 1 2 3 4 5]

B=
3 5 7 2 33
4 8 8 12 1
0 21 5 2 0
29 6 8 7 1
1 2 3 4 5
Alejandro Rivera Morón Proyecto de MatLab Álgebra
Lineal

>> det(A)
ans = -82234944 ans = -35045
ans = -2569842
>> det(A^-1) >> det(A*B)
>> k=2
ans = -3.8913e-007 ans = 9.0060e+010
k=2
>> det(k*A) >> det(B)

3. Operaciones con matrices.

Calcule la inversa de la matriz A generada en la sección anterior mediante los siguientes métodos:
a) El comando inv(A)
b) Utilizando reducción por renglones.
>> inv(A)
ans =
-0.0248 0.0217 -0.0000 -0.0054 0.0065
0.0070 -0.4351 0.0509 0.0522 0.0918
-0.0514 -0.0092 0.0314 -0.0007 0.0022
0.1234 0.1621 -0.0385 -0.0180 -0.0354
-0.0106 -0.0495 0.0063 0.0367 0.0045
>> R=rref(A)

R=

1 0 0 0 0
0 1 0 0 0
0 0 1 0 0
0 0 0 1 0
0 0 0 0 1
Alejandro Rivera Morón Proyecto de MatLab Álgebra
Lineal

Calcule la matriz, utilizando el comando transpose(A) y A´.

>> transpose(A)

ans =
1 23 2 19 97
4 1 6 0 12
7 7 45 3 6
11 8 19 8 22
0 6 2 34 8
>> A'
ans =
1 23 2 19 97
4 1 6 0 12
7 7 45 3 6
11 8 19 8 22
0 6 2 34 8

Calcule la matriz adjunta de A utilizando la siguiente ecuación: Adj(A)=det(A) A-1

>> det(A)*A^(-1)

ans = 1.0e+006 *
0.0637 -0.0558 0.0001 0.0138 -0.0166
-0.0179 1.1183 -0.1308 -0.1341 -0.2360
0.1322 0.0236 -0.0807 0.0019 -0.0057
-0.3170 -0.4166 0.0989 0.0463 0.0909
Alejandro Rivera Morón Proyecto de MatLab Álgebra
Lineal
0.0273 0.1271 -0.0162 -0.0943 -0.0116

4. Sistemas de ecuaciones.

Considere los sistemas de ecuaciones:

2x – y + 3z = 2 x–y+z=3
x + 3y – z = -1 2x + 5 y – 3z = -4
-3x + y – 2z = 7 -3x – 4y + 2z = 1

Resuelva los sistemas de ecuaciones utilizando:

a) Regla de Crammer.
b) La matriz inversa.
c) El método de Gauss-Jordan (utilice el comando rref).

>> A=[2 -1 3; 1 3 -1; -3 1 -2] >> B = [1 -1 1; 2 5 -3; -3 -4 2]

Gauss-Jordan.
A= B=
2 -1 3 1 -1 1
1 3 -1 2 5 -3
-3 1 -2 -3 -4 2
>> b=[2 -1 7]' >> b= [3;-4;1]
b= b=
2 3
-1 -4
7 1
>> rref(A*b) >> rref(B*b)
ans = ans =
1 1
0 0
0 0
Alejandro Rivera Morón Proyecto de MatLab Álgebra
Lineal
Matriz inversa. >> x=inv(A)*b >> x=inv(B)*b

x= x= indeterminado

-4.4667
2.6667
4.5333

Regla de Crammer.
>> A = [2 -1 3; 1 3 -1; 1 3 -1
-3 1 -2] -3 1 -2 >> det(C)

A= >> D=A ans =

D =2 -1 3
2 -1 3 1 3 -1 40
1 3 -1 -3 1 -2
-3 1 -2 >> det(D)
>> B(:,1)=b
>> b = [2;-1;7] ans =68
b= B=

2 2 -1 3
-1 -1 3 -1 >> X1= det(B)/det(A)
7 7 1 -2
X1 = -4.4667
>> det(A) >> C(:,2)=b
>> X2= det(C)/det(A)
ans = C=
X2 = 2.6667
15 2 2 3
1 -1 -1 >> X3= det(D)/det(A)
>> B=A -3 7 -2
X3 = 4.5333
B= >> D(:,3)=b >> B = [1 -1 1;2 5 -3;-
3 -4 2]
2 -1 3 D=
1 3 -1
-3 1 -2 2 -1 2
1 3 -1
>> C=A -3 1 7

>> det(B) B=
1 -1 1
C= ans = 2 5 -3
2 -1 3 -3 -4 2
-67
 Alejandro Rivera Morón Proyecto de MatLab Álgebra
Lineal
-4
>> b = [3;-4;1] 1 ans = 0 Por lo
tanto se
b= indetermina.
3 >> det(B)

Transformaciones lineales.
1. Determine el rango, la imagen, la nulidad y el espacio nulo de una transformación lineal cuya
matriz de transformación está dada por:

2 6 -6 6 3 6
-2 -3 6 -3 0 -6
A=
4 9 -12 9 3 12
-2 3 6 3 3 -6

>> A = [2 6 -6 6 3 6;- 2 -3 6 -3 0 6;4 9 -12 9 3 12;-2 3 6 3 3 -6]

A=
2 6 -6 6 3 6
-2 -3 6 -3 0 -6
4 9 -12 9 3 12
-2 3 6 3 3 -6

>> rref(A)
ans =
1 0 -3 0 0 3 P(A) = 3
0 1 0 1 0 0 Im(A) = {2 -2 4 -2; 6 -3 9 3; 6 -3 9 3; 3 0 3 3}
0 0 0 0 1 0 v(A) = 6 – 3 = 3
0 0 0 0 0 0 N(u)= {-1 0 0 0; 0 -1 0 0; -1 0 0 1;}
2. Genere un vector de dos dimensiones y:
Alejandro Rivera Morón Proyecto de MatLab Álgebra
Lineal
a) Refléjelo respecto al eje
>> x= [1;2] >> At=[1 0;0 -1]
>> xt=At*x
x=
At = xt =
1 1
2 1 0 2
0 -1

b) Rótelo un ángulo θ

>> x=3;
>> y=2;
>> quiver(x,y)
>> xr=x*cos(-45)-y*sin(-45);
>> yr=x*sin(-45)+y*cos(-45);
>> hold on
>> quiver(xr,yr,'r')
 Alejandro Rivera Morón Proyecto de MatLab Álgebra
Lineal
Eigenvalores y Eigenvectores.

1. Genere una matriz A de 3x3, una matriz B triangular superior de 4x4 (puede
ingresarlos de manera manual o usando los comandos rand() y triu().
2. Encuentre los eigenvalores, eigenvectores usando [V,D]=eig(A) (investigue como
interpretar los datos).
3.Utilizando los resultados del punto anterior anterior encuentre el eigenespacio de las
matrices.
4.Utilizando los resultados del punto 1 anterior encuentre la matriz Diagonal y su P
respectiva, y compruebe que A=PDP-1 y B=PDP-1.

1. >> A=[2 5 8; 3 3 1; 9 4 6]

A= 14.1947 0 0
0 -5.0907 0
2 5 8
3 3 1 0 0 1.8959
9 4 6

>> B=[4 3 8 2;0 1 7 3;0 0 3 1;0 0 0 8] >> [P,D]=eig(B)

B=
P=
4 3 8 2
0 1 7 3
0 0 3 1
0 0 0 8 1.0000 -0.7071 -0.9812 0.7531
0 0.7071 0.1856 0.3452
2. >> [P,D]=eig(A) 0 0 0.0530 0.1098
0 0 0 0.5492
P=

D=
0.5978 0.7947 0.1349
0.2288 -0.2250 -0.8410 4 0 0 0
0.7683 -0.5638 0.5239 0 1 0 0
0 0 3 0
0 0 0 8
D= A=
 Alejandro Rivera Morón Proyecto de MatLab Álgebra
Lineal

-12.1900 5.0000 8.0000 4.A =

3.0000 8.0900 1.0000
9.0000 4.0000 4.1000 2 5 8
3 3 1
3.>> rref(A) 9 4 6

ans = >> P=[0.5978 0.7947 0.1349;0.2288 -0.2250

-0.8410;0.7683 -0.5638 0.5239]

1 0 0 x1 = 0
P=
0 1 0 x2 = 0
0 0 1 x3 = 0 entonces el
eigenespacio será 0. 0.5978 0.7947 0.1349
0.2288 -0.2250 -0.8410
B= 0.7683 -0.5638 0.5239

0 3 8 2 >> D=[14.1947 0 0;0 -5.0907 0;0 0 1.8959]

0 0 7 3
0 0 0 1 D=
0 0 0 0
14.1947 0 0
>> rref(B) 0 -5.0907 0
ans = 0 0 1.8959

0 1 0 0 x2 = 0 >> inv(P)
0 0 1 0 x3 = 0 ans =
0 0 0 1 x4 = 0 0.6188 0.5147 0.6668
0 0 0 0 x1 = x 1 entones el 0.8006 -0.2190 -0.5577
eigenespacio será {1 0 0 0}
-0.0459 -0.9904 0.3306
 Alejandro Rivera Morón Proyecto de MatLab Álgebra
Lineal

>> D=[4 0 0 0;0 1 0 0;0 0 3 0;0 0 0 8]

>> A=P*D*inv(P) D=

A= 4 0 0 0
0 1 0 0
2.0001 4.9999 7.9994 0 0 3 0
2.9999 2.9998 0.9997 0 0 0 8
9.0009 4.0004 6.0000
>> inv(P)
B=
ans =
4 3 8 2
0 1 7 3 1.0000 1.0000 15.0113 -5.0010
0 0 3 1 0 1.4142 -4.9525 0.1012
0 0 0 8 0 0 18.8679 -3.7722
0 0 0 1.8208
>> P=[1.0000 -0.7071 -0.9812 0.7531;0 0.7071
0.1856 0.3452;0 0 0.0530 0.1098;0 0 0 0.5492]
>> B=P*D*inv(P)
B=
P=
4.0000 3.0000 8.0075 1.9985
1.0000 -0.7071 -0.9812 0.7531
0 1.0000 7.0038 2.9996
0 0.7071 0.1856 0.3452
0 0 3.0000 0.9996
0 0 0.0530 0.1098
0 0 0 8.0000
0 0 0 0.5492