Capitulo Ii-2

UNJBG / FACI - Escuela de Computación Matemática
Programación Matemática I 
PRACTICA DIRIGIDA DE ALGEBRA LINEAL
1. Multiplicar las siguientes matrices particionadas
1 2 3 4 4 + [2 3] 1 4 + 2 + 24
1 0 5 1 = 8 = 4 + 40
2 5 6 8 1 4 + 0 5 1 8 53
2 5 6 8
20
= 44
61
2 0 2
1 1 3
2. Dada la matriz A = 1 2 1
Determinar el valor de su determinante y determine A-1 si tiene:
 
n
| A |  (i )
i+j
Determinante : aij det (Mi/j)
j 1
|A| = a11(a22a23 - a23a32) - a12(a21a33 - a23a31) + (a13a32 - a22a31)

= 2(1 - 6) - 0 (1 - 3) + 2 (2 - 1) = -10 + 2 = -8
Si tiene inversa:
2 0 2 1 0 0 1 0 1 1/2 0 0
(-1) 1 1 3 0 1 0 (-2) 0 1 2 -1/2 1 0
1 2 1 0 0 1 0 0 1 -1/8 1/2 -1/4
-(1/2) 2 0 2 1 0 0 1 0 1 1/2 0 0
1 1 3 0 1 0 (-1) 0 1 0 -1/4 1 1/2
0 1 -2 0 -1 1 0 0 1 -1/8 1/2 -1/4
(1/2) 2 0 2 1 0 0 1 0 0 5/8 -1/2 1/4

-(1) 0 1 2 -1/2 1 0 0 1 0 -1/4 1 1/2
0 1 -2 0 -1 1 0 0 1 -1/8 1/2 -1/4
2 0 2 1 0 0
1 1 3 0 1 0
(-1/4) 0 1 -2 0 -1 1
3. Determine el rango de las matrices
0 1 2 3
A= 0 2 4 5 para que se obtenga el rango se debe reducir A a su forma
1 -2 -3 1 escalonada
1 -2 1 1
Mgr. Manuel Alvarado Contreras – Lic. Ramón Vera Roalcaba - Lic. Wilder Miñano León 39
(-2) 0 1 2 3
0 2 4 5
(-1) 1 -2 -3 1
1 -2 1 1
0 1 2 3
(-2) 0 0 0 -1
1 -2 -3 1
(-1) 0 0 4 0
0 1 2 3
0 2 4 5 => Como se obtiene la matriz escalonada entonces
1 -2 -3 1 el rango de A es 4 (las cuatro filas son L.I.)
1 -2 1 1
4.- Determinar si los siguientes conjuntos de vectores son L.I. o L.D.
1 3 3 6
2 , 4 , 2 , 0
3 -1 0 1
v1 v2 v3 v4
Son L.I. si :
1v1 + 2v2 + 3v3 + 4v14 = 0  1 = 2 = 3 = 4 = 0
1 3 3 6 0
1 2 + 2 4 + 3 2 + 4 0 = 0
3 -1 0 1 0
Su forma en sistema de ecuaciones

1 + 32 + 33 + 64 = 0
21 + 42 + 23 + 0 = 0
31 + (-1)2 + 0 + 14 = 0
En forma matricial
(-3) (-2) 1 3 3 6 0 1 3 3 6 0
2 4 2 0 0 (10) 0 1 2 6 0
3 -1 0 1 0 0 -10 -9 -17 0
1 3 3 6 0 1 3 3 6 0
(-1/2) 0 -2 -4 -12 0 0 1 2 6 0
0 -10 -9 -18 0 0 0 11 43 0
Como hay 4 columnas en A y el rango de A es solo 3 y (A|B) = 4

 El sistema tiene múltiples soluciones
 Los vectores {v1, v2, v3, v4} son L.D. puesto que el rango de (A|B) = 4 = al número de columnas
5. Exprese las siguientes formas cuadradas en forma matricial y diga que clase de forma cuadrática es
cada una de ellas
a) f(x) = x12 + x22
forma matricial : [x1 x2] 1 0 x1
0 1 x2
a11 = 1  0
1 0 =1  0
0 1
Como sus determinantes de los menores principales es  0

 p(x) es positiva definida
Def.
1. Q(x) es positiva definida (semidefinida) si los valores de los menores principales del
det(A) son positivos:
 A es positiva definida o semidefinida
2. Q(x) es negativa definida si el valor del k-ésimo determinante menor principal de A tiene
el signo de (-1)k, k = 1,n
 A es negativa definida
3. El k-ésimo menor principal de Anxn esta definida por :
a11 a12 .... a1k
a21 a22 .... a2i , k = 1,n
: : .... :
ak1 ak2 .... akk
n n
4. Q(x) = XTAX = a XX
i 1 j 1
ij i j
Q(x) es forma cuadrática Asimétrica ya que todo par de coeficientes aij y aji (ij) puede
reemplazarse por aij + aji sin cambiar el valor de Q(x)
 Positiva definida si Q(x)  0

 Positiva Semidefinida si Q(x)  0
 Negativa definida si - Q(x) es positiva definida
 Negativa semidefinida si - Q(x) es positiva semidefinida
 Indefinida ningún caso anterior
b) f(x) = x12 -2x1x2 + x22

forma cuadrática en forma matricial:
XT AX = [x1 x2] 1 -1 x1
-1 1 x2
a11 = 1
1 0 =1-1 = 0
0 1
Como la det 1 -1 = 0 y a11 = 1
-1 1
 f(x) es positiva semidefinida
c) f(x) = 2x12 -2x1x2 - 3x22

forma matricial:
[X]T [A][X] = [x1 x2] 1 -1 x1
-1 1 x2
a11 = 2
|A| = 2 -1/2 = -6 1 = - 25
-1/2 -3 4 4
Como a11 = 2 es mayor que 0 y |A| = - 25/4 es menor 0

 f(x) es no definida
6. Considere los conjuntos

S1 = { (x1, x2) / x12 + x22 = 4}
S2 = { (x1, x2) / x1 - x2 = 1}
S3 = { (x1, x2) / x12 + x22  4}
Ilustre por medio de un dibujo S1, S2, S3, S1  S2, S1  S2, S1  S3, S1  S3 , S2  S3, S1 S3
Gráfica S1: Gráfica S2 Gráfica S3
2
2
-1
-2 2 -2 2
-1
-2 -2
Gráfica S1  S2 Gráfica S1  S2 Gráfica S1  S3
2 2 2
-1
-2 1 2 -2 2 -2 2
-1 1
-2 -2 -2
Gráfica S1  S3 Gráfica S2  S3 Gráfica S1  S2  S3
2 2 2
-2 2 2 -2 -2 2
1
-1
-2 -2 -2
1. Determine cual de los conjuntos anteriores es convexo o cuál no

a) S1 = {(x1,x2)/ x12 + x22 = 4}
Se puede expresar como S1 = {X / |X| = 2}
Sean X1  X2 entonces como  S1  |X1| = |X2| = 2
Entonces sea X el punto dentro del segmento que une a X1 y X2
 X = X1 + (1- ) X2 para 0    1
para que X  X1X2 debe cumplir con la definición de S1
 |X| = 2; |  X1 + (1-)X2| = 2
Pero |X1 + (1-)X2 |  | X1| + |(1-)X2 |
=  |X1| + (1-)|X2 |
 Se cumple la igualdad si y sólo si ocurre:
1.) X1 =0
2.) X2 = 0
3.) X1 =  (1- )X2 ,   0
Como |X1| = |X2| = 2  X1 y X2 sólo pueden tomar valores de {-2, 2} entonces 1.) No es
cierto al igual que 2.)
Como para que 3.) satisfaga se necesita que

|X1| = |  (1-)X2 |
|X1| =  (1-) |X2| como |X1| = |X2|
  =  (1 - ) esto nunca ocurre, entonces la igualdad nunca se cumple
 |X1 + (1-)X2|  |X1| + (1-) |X2| = 2

 X1 + (1-)X2 = X  S1; no es S1 un conjunto convexo
b) Sea S2 = { (x1, x2) /x1 - x2 = 1}

Sean y1 = (a1, a2)  y2 = (b1, b2)  S2
Sea y  y1y2  y = y1 + (1-) y2.
 Para que Y  S2 debe de satisfacer su definición entonces :
y = (a1, a2) + (b1, b2) - (b1, b2)
y = (a1 + b1 - b1, a2 + b2 - b2)
x1 x2
 como x1 - x2 = 1
 a1 + b1 - b1 - a2 - b2 + b2 = 1
(a1 - a2) + (b1 - b2) - (b1 - b2) = 1
1 1 1
+1-=1
1 = 1 si cumple
 S2 es convexo puesto que Y  S2
c) S3 = {(x1, x2 / x12 + x22  4}

Se puede escribir de la forma
S3 = { X / |X|  2}
Sean y1  y2  S3  cumplen con que |y1|  2, |y2|  2
Entonces sea Y de y1y2  S3
 Y = y1 + (1-) y2 para 0    1
para que Y  S3 debe se satisfacer su definición
 | y1 + (1 -  ) y2 |  |y1| + |(1-)y2|
= |y1| + (1-) |y2|  (2) + (1-)2 = 2 + 2 -2
| y1 + (1- ) y2 |  2 es menor o igual a2 porque |y1|  2 , | y2 |  2 y 0    1 , | y | 2
 y1 + (1 - ) y2  S3
 S3 es un conjunto convexo
8. Determine los puntos extremos del conjunto formado por la solución del sistema:
x1 + x2  4
2x1 + x2  6
x2  3
x1, x2  0
Gráficamente la solución del sistema es :
(0,3) (1,3)
(2,2)
(0,0) (3,0)
 Los vértices del conjunto convexo son {(0,3), (0,0 ), (1,3) , (3,0), (2,2)}
9. Exprese el punto (1, 1, 1, 1) como una C.L. convexa de los puntos (1, 2, 0, 3), (2, 0, 2, -1), (0, 0, 2,
-1)
(1, 1, 1,1) = 1(1, 2, 0,3) + 2(2, 0 ,2, -1) + 3(0, 0, 2, -1)

se forma el sistema
1 + 22 + 0 = 1  1/2 + 22 = 1  2 = 1/4
21 + 0 + 0 = 1  1 = 1/2
0 + 22 + 23 = 1  2/4 + 23 = 1  3 = 1
31 - 12 - 13 = 1
para que sea combinación lineal convexa 1 + 2 +3 = 1
 (1, 1, 1, 1) = 1/2 (1, 2, 0, 3) + 1/4 (2, 0, 2, -1) + 1/4 (0, 0, 2, -1)
10. Si ab - bc = 0 en ax + by = r
cx + dy = s a  0 ¿Qué condición sobre r y s garantizarán que el sistema no
tenga solución? ¿Qué tenga un número infinito de soluciones?
El sistema en forma matricial:

a b x = r
c d y s
Resolviendo el sistema
(1/a) a b r  1 b/a r/a
c d s 0 ad-cb as-cr
(-c) 1 b/a r/a Como ad - cb = 0

c d s  0 = as - cr; entonces para que no existe solución
basta con que s o r sean diferente de 0
s0r0
1 b/a r/a
0 d - bc s - sc  Para que exista infinitas soluciones tanto r y s tienen que
a a ser iguales a 0
s=r=0
11. Aplíquese la eliminación gausiana para resolver
ax1 + bx2 = r
cx1 + dx2 = s
ex3 + fx4 = t
gx3 + hx4 = u
a  0 , e  0, establéscanse condiciones sobre a, b, c, d, e, f, g, y h que garanticen una solución única
En forma matricial:
(1/a) a b 0 0 r 1 b/a 0 0 r/a

c d 0 0 s 0 ad-bc 0 0 as-cr
0 0 e f t 0 0 1 f/e t/e
0 0 g h u (e) 0 0 0 h-fg/e u-tg/e
(-c) 1 b/a 0 0 r/a 1 b/a 0 0 r/a

c d 0 0 s 0 ad-bc 0 0 as-cr
0 0 e f t 0 0 1 f/e t/e
0 0 g h u 0 0 0 eh-fg eu-tg
1 b/a 0 0 r/a
0 d-bc/a 0 0 s-cr/a  para que exista solución única basta que
(1/e) 0 0 e f t eh - fg  0  ad - bc  0
0 0 g h u
1 b/a 0 0 r/a
0 (ad-bc)/a 0 0 (sa-cr)/a
0 0 1 f/e t/e
0 0 g h u
12) A y B dos matrices ¿Es (A+B)(A-B) = A2 – B2 ? Si no lo es de un contraejemplo.
Sol.
(A+B)(A – B)
A(A – B )+B(A – B)
AA – AB+BA-BB => es (A+B)(A-B) es = A2 – B2 si solo si AB=BA
A2 – B2 – AB +BA
Entonces si AB=BA
 (A+B)(A-B) = A2 – B2; (A+B)(A-B) = A2 – B2  AB=BA
Ejemplo Sea:
1  1  0  2
A    B   
2 3   4 1  donde AB  BA
entonces
 1  3   17  5
A  B    ( A  B )( A  B )   
 2 4  ;  22 6 
1 1
A  B   
6 2 
1  1 1  1   1  4  9  2
A.A      A2  B 2   
2 3  2 3   8 7  ;  12  2 
 0  2  0  2  8  2
B.B     
 4 1   4 1    4 9 
 ( A  B)( A  B)  A2  B 2
13) Demuestre que si r es un escalar y A y B son matrices cuadradas con AB=BA, entonces:
(AB)n = An Bn = Bn An y Am Bn = Bn Am , donde m y n son enteros positivos.
Sol:
Demostraremos que (AB)n = An Bn
Si se cumple para un k<n => se cumple para n
(AB)k = (AB)k-1 .(AB) como para se cumple entonces:
(AB)k-1 = Ak-1 Bk-1
Ak-1Bk-1AB
AA
 ... A BB
 ...
BB AB
k 1veces k 1veces como BA = BA se toma el último BA y se reemplaza por AB
AA... A BB...BBAB de igual manera que el paso anterior se hace AB=BA
en conclusión se produce una sucesión repetitiva del paso anterior hasta quedar
AA
 ... A BB BB  A K B K
 ...
k 1veces k 1veces
( AB ) K  A K B K
Se demostrará que (AB)n = Bn An
Si se cumple para k => se cumple para n
(AB)k = (BA)k = (BA)k-1 .(BA)
B...B A...
  AA
 BA
k 1veces k 1veces como AB = BA
B...B 
 A... A BAA
k 1veces k 1veces
se repite el paso anterior hasta
= B...BABA...AA
= B...BBAA...AA
= BKAK
 (AB) K
= BKAK
 (AB)n = Bn An
Se demostrará que AmBn = BnAm
Am B n  AA
 ... ABBB
  ...
 B
m _ veces n _ veces
como AB = BA
 AA
 ... A BABBB
  ...
 B
m 1 _ veces n 1 _ veces
se repite el paso anterior m+n-1 veces
 AA
 ... A BABAB...B
m  2 _ veces
 AA
 ... A BABABA B
 ...B
m 3 _ veces n 3 _ veces
 BBBB ...B AB AAAA

   ... A
  
n 1 _ veces m 1 _ veces
= B....BBAAA...A
 AmBn = Bn Am
14) Sean Anxn Demostrar que si el resultado de multiplicar un reglón de A por una constante se suma a otro
reglón de A, el determinante de la nueva matriz es igual al detA.
det( A)  ( 1) i 1 a det( A( i ))  ...  ( i ) i  n a A( i )

NOTAS: i1 1 in n
 ij   (-1) i n a ( i )
j
Se llama cofactor
Sea
 a11  a1n 
 
  
A   ai1  ain  si se multiplica la i_ésima fila por un

   escalar r y le suma a la m_ésima fila
a ann  entonces:
 n1 
 a11  a1n 
 
  
 a i1  ain  Si empleamos la fila m para
  calcular el det(B)
B   
 am1  rai1  amm  rain 
   
 
 a ann 
 n1 
 det(B )  ( 1) m1 ( ra  a ) B ( m )  ...  ( 1) m n ( ra  a ) B (m )

i1 m1 1 in mn n
si se ordena la sumatoria de la forma:

det( B)  r (1) m1 a B( m )  ...  (1) m n a B( m )  ( 1) m1 a
i1 1 in n
 
m1
B (m )  ...  ( 1) m
1
 Es la determinante de una matriz donde m = i como es det(A)
 a11  a1n 
 
  
 a i1  a in   det(B) = 0 + det(A)
det( B)  r      det( A) det(B)si se
= det(A)
cumple
 a a 
 i1 in
 Es la fila m-ésima
   
 a a 
 matriz
Como esta n1 nn 
tienen dos filas
iguales entonces
su determinante = 0
15) Si A2 = A, entonces se llama Idempotente. Muestre que sí A es idempotente, entonces el determinante

de A es 1 y 0
Si A2 = A entonces
det(A2) = det(A)
det(A.A) = det(A)
por propiedad de det.
det(A) . det(A) = det(A)
[det(a)]2 - det(A) = 0
det(A) [det(A)-1] = 0
det(A) = 0  det(A) = 1
16) Dado un conjunto V y las operaciones de multiplicación escalar y suma vectorial.. Determinar si es o
no un espacio vectorial
a) V = {matrices diagonales de n x n} con las operaciones matriciales ordinarias

Nota : D = {A/aij = 0, ij}
i) X,Y, matrices diagonales

X+Y  V; al suma de dos matrices diagonales es otra matriz diagonal
ii) X+Y = Y+X si cumple la conmutatividad para las matrices
iii) (X+Y)+Z = X+(Y+Z) si cumple
iv)  0  V tal que : X + 0 = X si cumple
pero 0  V  no cumple
v)  -X  V tal que : X+(-X) = 0 si cumple
pero 0  V  no cumple
Sea a escalar  R y X  V
vi) a.X  V; el producto de un escalar por una matriz diagonal es otra matriz diagonal
vii) a(X+Y)
por i) la suma es un matriz diagonal A  V
 aA por vi  aA  V  si cumple
viii) (a+b)X = aX + bX si se cumple
ix) (ab)X = a(bX) si cumple
x) 1X = X si se cumple
 V es un espacio vectorial
b) Sea V = {matrices no singulares de nxn} con las operaciones matriciales usuales
Para que sea una matriz singular debe cumplir que det(A)  0
 Probando la cerradura para la +
sea A matriz singular y -A matriz singular
 A + (-A) = 0 resulta la matriz nula y det(0) = 0
 no se cumple la cerradura para la +,
no es un espacio vectorial
Hallar los valores propios y vectores propios y los vectores propios diferentes de cero asociados a la matriz:
1 4
A   
2 3 
17. Formamos la matriz característica
t 0  1 4   t  1 4 
tI  A     
0 t   2 3    2 t  3 
18 El polinomio característico (t) se A es su determinante
t 1  4
 (t )  tI  A  2
 2 = tt -4t3-5
(t-5)(t-1) = 0  t = 5, t = -1
 Estos números son los valores propios de A
 Obtenemos los vectores propios pertenecientes al valor propio t = 5
 Sustituimos t = 5 en la matriz característica
 t  1 4   4 4 
   2 t  3    2 2  los vectores propios para t = 5 forman la solución del sistema
homogéneo determinado por la matriz anterior.
 4 4  x    0 
  2 2  y   0 
o (1) 4x - 4y = 0
(2) -2x + 2y = 0
4x - 4y = 0
-4x + 4y = 0
0=0
x-y=0
 x = y  el sistema tiene una solución independiente, x = 1, y = 1
 V = (1, 1) es un vector propio que genera un espacio propio de t = 5, es decir, todo vector propio
perteneciente a 5 es un múltiplo de V.
* vectores propios para t = -1

 2 4  x   0 

 2 4  y   0 

o -2x - 4y = 0
-2x - 4y = 0
x + 2y = 0  el sistema tiene una solución independiente, x = 2 y = -1

 w = (2, -1) es un vector propio que genera el espacio de –1
CONJUNTOS ORTOGONALES
Un conjunto {ui} de vectores en V es ortogonal si sus elementos diferentes son ortogonales, si

 ui, uj  = 0 para i  j. En particular , el conjunto {ui}se dice que es ORTONORMAL. Si es ORTOGONAL
y si cada ui tiene longitud 1, esto es si
 ui, uj  = ij = 0 para i  j

1 para i = j
Siempre es posible obtener un conjunto ortonormal de vectores diferentes de cero al normalizar cada vector.
Ejemplo : Sea la base de E3

e1 = (1, 0, 0), e2 = (0, 1, 0), e3 = (0, 0, 1)
  e1, e1  =  e2, e2  =  e3, e3  = 1
  ei, ej  = 0  ij
 {e1, e2, e3} es una base ortonormal de R3
Ejemplo : Sea la base de E3

{v1 = (1, 1, 1), v2 = = (0,1,1), v3 = (0, 0, 1)}
usamos el proceso de ortonormalización de Gram Schmidt para transformar {vi} en una base ortonormal
{ui}  normalizamos {v1}
 v1 (1,1,1) (1,1,1)  1 1 1 
u1   2 2 2   , , 
|| v1 || 1 1 1 3  3 3 3
Luego hacemos : w2 = v2 -  v2, u1 u1
 1 1 1   1 1 1 
w2  (0,1,1)  (0,1,1) *  , ,   , , 
 3 3 3   3 3 3
 1 1  1 1 1   2 1 1 
 (0,1,1)     , ,    , , 
 3 3  3 3 3   3 3 3 
Normalizando w2
 2 1 1
 , , 
w2  3 3 3
u2  
|| w2 || 2 2
 2 1 1
2
       
 3   3  3
 2 1 1  2 1 1 
 , ,    
 3 3 3  3 3 3 
u 2  Alvarado Contreras
 , Ramón
,
Mgr. Manuel – Lic. Vera Roalcaba - Lic. Wilder Miñano León 49
6  6 6 6
 
9  3 3 3 
 2 1 1 
u2    , , 
 6 6 6
Luego w3 = v3 -  v3, u1 u1 -  v3, u2u2

1  1 1 1  1  2 1 1 
  0,0,1   , ,   , , 
3 3 3 3 6 6 6 6
 1 1
  0, , 
 2 2
Normalizando w3 : u 2 
w3  1 1 
  0, , 
|| w3 ||  2 2
 La base ortonormal : {u1, u2, u3}
PRACTICA DE MATHEMATICA FOR WINDOWS
PRIMERA PRÁCTICA
1. Utilizando las funciones elementales de tratamiento de número complejos en Mathematica, comprobar la

propiedad de que el módulo del producto de dos complejos es el producto de los módulos de los
respectivos factores.
In[1]:=
J = (a+b*I) (c+d*I)
Out[1]=
(a + I b) (c + I d)
In[2]:=
k = ComplexExpand[j]
Out[2]=
a c + b d + I (b c + a d)
In[3]:=
Simplify[Sqrt[(a*c-b*d)^2+(b*c+a*d)^2]]
Out[3]=
Sqrt[(a2 + b2 ) (c2 + d2)
In[4]:=
Simplify[Sqrt[a^2+b^2] Sqrt[c^2+d^2]]
Out[4]=
Sqrt[a2 + b2] Sqrt[c2 + d2]
2. Defenir con mathematica la sucesión de números de Fibonacci.

In[5]:=
fib[2] = 1;
fib[1] = 1;
fib[n_]:=fib[n-1]+fib[n-2]
list1 = {1, 1};
For[i :=3, i<=110, i++, list1 = Append[list1,fib[i]]]
list1
Out[10]=
{1, 1, 2, 3, 5, 8, 13, 21, 34, 55}
3. Dada la Función :
Para cada entero positivo n. La conjetura de Collatz afirma que la sucesión n, F(n), F(F(n))... siempre
tiende al valor 1 independientemente del número de partida n. Comprobar dicha conjetura analizando
diferentes casos con Mathematica.
In[11]:=
F1[a_]=a/2
Out[11]=
a
2
In[12]:=
F2[a_] = (3 a+1)/2
Out[12]=
1+3a
2
In[13]:=
L = {F2[17], F1[26], F2[13], F1[20], F1[10], F2[5], F1[8], F1[4], F1[2]
Out[13]=
{26, 13, 20, 10, 5, 8, 4, 2, 1}
4. A partir de la definición de las funciones hiperbólicas, probar las propiedades. Utilizar para ello el
concepto de reglas en Mathematica.
In[15]:=
Cosh[x]^2+Sinh[x]^2 - Cosh[2 x]/.{Cosh[x_] (Exp[x]+ Exp[-x]
Out[15]=
(-E -x + Ex 2) + (E -x + Ex 2) + - E-2 x + E 2 x)
4 4 4
In[16]:=
Simplify[%]
Out[16]=
0
In[17]:=
Cosh[x]^2+Sinh[x]^2 /.{Cosh[x_] (Exp[x]+ Exp[-x]/2, Sinh[x_] -
Out[17]=
- (-E -x + Ex 2) + (E -x + Ex 2)
4 4
In[18]:=
Simplify[%]
Out[18]=
1
PRACTICA Nº 02
1. Factorizar los siguientes polinomios:

- P(x) = x8 + 3x7 - x5 + x4 - 6x2 + 3x-4
- P(x) = -4x - 10 + 8x7 - 6x5 + x3 - 6x2 + 3x - 11
En Z[x], Z7[x], Z[i]
In[22]:=
P[x_] = Expand[x^8+3 x^7+x^5+x^4-6 x^2+3 x-4]
Out[22]=
- 4 + 3x - 6x2 + x4 + x5 + 3x7 + x8
In[23]:=
Factor[P[x]]
Out[23]=
- 4 + 3x - 6x2 + x4 + x5 + 3x7 + x8
In[24]:=
V[u_] = - 4 u^10+8 u^7-6 u^5+u^3-6 u^2+3 u-11;
In[27]=
Expand[V[u]]
Out[27]=
-11 + 3u - 6u2 + u3 - 6u5 + 8u7 - 4u10
In[26]:=
Factor[V[u]]
Out[26]=
-11 + 3u - 6u2 + u3 - 6u5 + 8u7 - 4u10
2. Dado el número : 774869037507946324496. Se pide:

- Descomponerlos en factores primos
In[28]:=
774869037507946324496;
In[29]
FactorInteger[n]
Out[29]
{ {2, 4}, {7, 1}, { 19,1}, {283, 1}, {444167, 1}, {2896836337, 1}
- Obtener la lista de los 20 primeros primos que no dividen a este número
In[30]:=
Listado = Complement[Range[100], Divisores[250]]
Out[30]=
{ 3, 4, 6, 7 , 8 , 9, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22,
23, 24, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40,
41, 42, 43, 44, 45, 46, 47, 48, 49, 51, 52, 53, 54, 55, 56, 57, 58,
59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75,
76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92,
93, 94, 95, 96, 97, 98, 99, 100}
In[32]:=
lw{ }
Out[32]=
{}
In[33]:=
Do[lw = Append[lw, Prime[k]], {k, 1, 30}]
In[34]:=
Lw
Out[34]=
{2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53, 59, 61,
67, 71, 73, 79, 83, 89, 97, 101, 103, 107, 109, 113}
In[35]:=
termino = { }
Out[35]=
{}
In[36]:=
termino = Intersection[lw, listado]
Out[36]=
{3, 7, 11, 13, 17, 19, 23, 29, 31, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79,
83, 89, 97}
In[37]:=
Length[termino]
Out[37]=
23
In[38].=
Take[termino, 20]
Out[38]=
{3, 7, 11, 13, 17, 19, 23, 29, 31, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79}
PRÁCTICA Nº03
1. Comprobar que el sistema es indeterminado

In[39]:=
m = {{1, 2, -3}, {3, -1, 2}, {5, 3, -4}};
In[40]:=
b = {-1, 7, 2};
In[41]:=
LinearSolve[m,b]
Out[41]=
LinearSolve[{{1, 2, -3}, {3, -1, 2}, {5, 3, -4}, {-1, 7, 2}]
In[42]:=
NullSpace[m]
Out[42]=
{{-1, 11, 7}}
In[43]:=
Det[m]
Out[43]=
0
2. Calcular el polinomio característico, autovalores y autovectores de la matriz:

1 3 0
-2 2 -1
4 0 -2
Comprobar además que la matriz es un cero de su propio polinomio característico (el teorema de
Cayley-Hamilton asegura precisamente que toda matriz es un cero de su polinomio característico.
In[44]:=
mat{{1, 3, 0}, {-2, 2, -1}, {4, 0, -2}};
In[45]:=
Eigenvalues[mat]
Out[45]=
{ 1 - 5 21/3 + (-772 + 18 Sqrt[1841])1/3 ,
3 3 (-772 + 18 Sqrt[1841])1/3 3 21/3
1 + 5 (1 + I Sqrt[3]) - (1 - I Sqrt[3]) (-772 + 18 Sqrt[1841])1/3 ,

3 3 2 (-772 + 18 Sqrt[1841] )1/3
1/3
6 21/3
1 + 5 (1 + I Sqrt[3]) - (1 - I Sqrt[3]) (-772 + 18 Sqrt[1841])1/3 }

1/3 1/3
3 3 2 (-772 + 18 Sqrt[1841] ) 6 21/3
In[46]:=
Eigenvectors[mat]
Out[46]=
{{- (5 - 7 (-386 + 9 Sqrt[1841])1/3 - ( -386 + 9 Sqrt[1841])2/3 / (12(-386 + 9 Sqrt[1841])1/3,
((5 - 7 (-386 + 9 Sqrt[1841])1/3 - (-386 + 9 Sqrt[184])2/3 ) (5 + 2 (-386 + 9 Sqrt[1841])1/3 -
(-386 + 9 Sqrt[1841])2/3)) / (108 (-386 + 9 Sqrt[1841])2/3),1},
{-(-5 -5 I Sqrt[3] - 14 (-386 + 9 Sqrt[1841] )1/3 + (-386 + 9 Sqrt[1841] )2/3 /
(24 (-386 + 9Sqrt[1841] )1/3), ((-5 -5 I Sqrt[1841] - 14 (-386 + 9 Sqrt[1841] )1/3 +
(-386 + 9 Sqrt[1841] )2/3 - I Sqrt[3] (-386 + 9 Sqrt[1841] )2/3) (-5 -5 I Sqrt[3] +
4 (-386 + 9 Sqrt[1841] )1/3 + I Sqrt[3] (-386 + 9 Sqrt[1841] ) 2/3)) /
(432 (-386 + 9 Sqrt[1841] )2/3 ), 1},
{ - (-5 + 5 I Sqrt[3] - 14 (-386 + 9 Sqrt[1841]1/3 + (-386 + 9 Sqrt[1841] )2/3 +
I Sqrt[3] (-386 + 9 Sqrt[1841])2/3 / (24 ( -386 + 9 Sqrt[1841] )1/3),
{ - (-5 + 5 I Sqrt[3] - 14 (-386 + 9 Sqrt[1841]1/3 + (-386 + 9 Sqrt[1841] )2/3 +
I Sqrt[3] (-386 + 9 Sqrt[1841])2/3 (-5 + 5 I Sqrt[3] + 4 (-386 + 9 Sqrt[1841]1/3 +
(-386 + 9 Sqrt[1841] )2/3 + I Sqrt[3] (-386 + 9 Sqrt[1841])2/3 /
(432 ( -386 + 9 Sqrt[1841] )2/3), 1 }}
In[47]:=
m = {{1-x, 3, 0}, {-2, 2-x, -1},{4, 0, -2-x}};
In[48]:=
Det[m]
Out[48]=
-28 - 2 x + x2 - x3
3. Probar que:
Cos(s) -Sin(s) 0
Sin(s) Cos(s) 0
0 0 1
Es una matriz ortonormal
<<Linearañ `Orthogon`
In[49]:=
Base = {{Cos[x], -Sin[x], 0}, {Sin[x], Cos[x], 0}, {0, 0, 1}}
Out[49]=
{{Cos[x], -Sin[x], 0}, {Sin[x], Cos[x], 0}, {0, 0, 1}}
In[50]:=
Base.Transpose[Base]
Out[50]=
{{Cos[x]2 + Sin[x]2, 0, 0}, {0, Cos[x]2 + Sin[x]2, 0}, {0, 0, 1}}
4. Obtener las coordenadas del vector (1, 3, -1) en la base de R3.

{(1, 1, 0), (2, 1, -1), (0, -1, 1)}
In[51]:=
Base1={{1, 1, 0}, {2, 1, -1},{0, -1, 1}}
Out[51]=
{{1, 1, 0}, {2, 1, -1},{0, -1, 1}}
In[52]:=
v = {1, 3, -1}
Out[52]=
{1, 3, -1}
In[53]:=
MatCambio = LinearSolve[Transpose[Base1], v]
Out[53]=
{ 2, - 1 - 3 }
2 2
5. Calcular el rango de la matriz

1 2 0 -1
2 6 -3 -3
3 10 -6 -5
In[54]:=
M1 = {{1, 2, 0}, {2, 6, -3}, {3, 10, -6}}
Out[54]=
{{1, 2, 0}, {2, 6, -3}, {3, 10, -6}
In[55]:=
Det[M1]
Out[55]=
0
In[56]:=
M2 = {{2, 0, -1}, {6, -3, -3}, {10, -6, -5}}
Out[56]=
{{2, 0, -1}, {6, -3, -3}, {10, -6, -5}}
In[57]:=
Det[M2]
Ou[57]=
0
In[58]:=
M3 = {{1, 2}, {2, 6}}
Out[58]=
{{1, 2}, {2, 6}}
In[59]:=
Det[M3]
Ou[59]=
2
6. Reconocer si los siguientes vectores son linealmente independientes, discutiendo los casos según el
valor del parámetro a:
(1, a, -a, 0), (a, -2, 2, 0, -1), (1, 0, -1, 2a + 1), (a, a, 1, -1)
In[60]:=
b = {{1, a, -a, 0}, {a-2, 2, 0, -1}, {1, 0, -1, 2a+1}, {a, a, 1, -1}}
Out[60]=
{{1, a, -a, 0}, {-2 + a, 2, 0, -1}, {1, 0, -1, 1 + 2 a}, {a, a, 1, -1}}
In[61]:=
P[a_] = Det[b]
Out[61]=
-6 a - 6 a2 - 5 a3 + 2a4
In[62]:=
P[5]
Out[62]=
628611
TEORIA DE OPTIMIZACIÓN CLASICA
La teoría de la optimización clásica considera el uso del cálculo diferencial para determinar puntos máximos
y mínimos(extremos) para funciones restringidas y no restringidas. Esta teoría proporciona la base para
visualizar la mayoría de los algoritmos de programación no lineal.
Problemas de extremos no restringidos

Un punto extremo de una función f(x) define un máximo o un mínimo de la función, matemáticamente un
punto

x 0  x1 ,  x j ,  x n  es un máximo si

f  x 0  h   f ( x 0 ) h  h 1 ,  h j,  hn 
tal que
h
j
es suficientemente pequeña para
todo j, es decir X0 es un máximo si el valor de f en cada punto en el entorno de X 0 no excede a f(X0). En
f  x 0  h   f (x 0 )
forma análoga X0 es un mínimo si para toda h definida como antes .
Ejemplo
F(x)
a x1 x2 x3 x4 x5 x6 b X
En la figura tenemos el máximo y mínimo de una función de una sola variable f(x) sobre el intervalo
a  x  b. Vemos que f(x 0 )  Máx(f(x1 ), f(x 3 ), f(x 6 )) donde f(x 6 ) es un máximo global
absoluto, mientras que f(x1), f(x3) son máximos locales o relativos. Del mismo modo para los mínimos.
 f(x1) define un máximo débil (implica un número finito de máximos alternativos) por que por lo menos
un punto en el entorno de x1 es igual a f(x1), es decir
f  x 0  h   f (x 0 ) .
 f(x3) define un máximo fuerte (f(x0+h) < f(x0)).
 Resultados similares se obtienen para el mínimo débil en x4.
 La pendiente de f(x) en x5 es cero, este se conoce como punto de inflexión si no corresponde a un
extremo.
CONDICION NECESARIA Y SUFICIENTE PARA EXTREMOS
Teorema.– Una condición necesaria para que X 0 sea un punto extremo de f(x) es que
f ( x 0 )  0 es
decir, el vector gradiente debe ser nulo.
 Para funciones de una sola variable la condición anterior es f’(X0)=0.

 La condición se satisface también para puntos de inflexión y de silla.
 En consecuencia, estas condiciones son necesarias pero no suficiente para identificar los puntos
extremos.
Teorema.– Una condición suficiente para que un punto estacionario X 0 sea extremo es que la matriz
Hessiana H evaluada en X0 sea:
i) positiva definida cuando X0 es un punto mínimo, y

ii) negativa definida cuando X0 es un punto máximo.
Ejemplo:
f  x , y, z   x  2z  yz  x 2  y 2  z 2
La condición necesaria
f ( x )  0
0 nos da:
f f f
 1  2 x  0;  z  2 y  0;  2  y  2z  0,
x y z
de donde resolviendo el sistema
1  2x  0
z  2y  0
2  y  2z  0
x 0  1 2 , 2 3, 4 3
se obtiene x=1/2, y=2/3, z=4/3, es decir . Para establecer la suficiencia
cosidere:
  2f  2f  2f 
 
 x
2 xy xz 
 2 0 0 
  2f  2f  2f  
H  0 2 1 
 yx y 2 yx  
 0 1  2
  2f  2f  2f 
 
 zx zy z 2 
Los menores principales del determinante de H tienen los valores –2, 4, -6 respectivamente. Entonces H es
negativa definida y X0=(1/2, 2/3, 4/3) representa un punto máximo.
FORMAS CUADRATICAS
 a 11 a 12  a 1n 
a a 22  a 2 n 
X   x1 , x 2 ,  x n  T y A   21
   
 
Dada a n1 a n2  a nn 
entonces la función
n n
Q(X )  X T AX   a ij x i x j
i 1 j1 se conoce con el nombre de forma cuadrática. La matriz A siempre
a y a ji (i  j)
puede suponerse simétrica ya que cada elemento de todo par de coeficientes ij pueden
a ij  a ji
reemplazarse por 2 sin cambiar el valor de Q(x).
Ilustramos la forma cuadrática
1 0 1   x 1 
 
Q(X)   x1 , x 2 , x 3  2 7 6 x 2  empleando : a  a
ij ji
3 0 2 x 3  2 es lo mismo que
1 0 1   x 1 
 
Q(X )   x 1 , x 2 , x 3  2 7 6 x 2  donde A es simétrica.
3 0 2 x 3 
Ejemplo:
Representar la siguiente función en su forma cuadrática.
q ( x , y, z )  x 2  6 xy  8 y 2  4 xz  5yz  7 z 2
puede representarse en forma matricial
 1 3  2  x 
 
q ( x , y, z )   x , y, z    3 8 5 / 2 y 
 2 5/ 2 7  z 
luego la forma cuadrática anterior es :
1) positiva definida si Q(X)  0 para cada x  0.
2) negativa definida si  Q( X ) es positiva definida.
Pueden demostrarse que las condiciones necesarias y suficientes para (1) y (2) son :
1) Q(X) es positiva definida si los valores de los menores principales del determinante de A son
positivos entonces A es positiva definida.
2) Q(X) es negativa definida si el valor del k-ésimo determinante del menor principal de A tiene signo
( 1) k , k  1,  , n , en este caso A se conoce como negativa definida.
La condición de suficiencia establecida en el teorema se reduce facilmenet a funciones de una sola variable.
Dado que Y0 es un punto establecido.
Entonces:
i) f´´(X0)<0 es una condición suficiente para que Y0 sea un máximo
ii) f´´(X0)>0 es una condición suficiente para que Y0 sea un mínimo.
 Las condiciones se determinan directamente considerando la matriz hessiana con un elemento.
 Si en el caso de una sola variable f´´(Y 0) se anula, las derivadas de orden superior deben investigarse,
como nos indica el
Teorema.– Si en un punto estacionario Y 0 de f(Y) las primeras n–1 derivadas se anulan y

f ( n ) (Y)  0, entonces en Y  Y 0 ocurre que f(Y) tiene
i) Un punto de inflexión si n es impar, y
f ( n ) (Y0 )  0
ii) Un punto extremo si n es par. Este punto extremo será un máximo si y un mínimo si
(n )
f ( Y0 )  0 .
Ejemplo.
4 3 4 3
Sean las funciones f (Y )  Y y g ( Y)  Y . Para f ( Y )  Y se tiene que f(Y)  4Y  0
Lo cual proporcionan un punto estacionario Yo=0, así f´(0)=f´´(0)=f (3)(0)=0 pero f(4)(0)=24>0, según el
teorema Yo=0, es un mínimo.
Para g(Y)=Y3 se tiene que g´(Y)=3Y 2=0. Luego Yo=0 es un punto estacionario, como g (3)(Y) no es cero y n
es impar, entonces Yo=0 es un punto de inflexión.
METODO DE NEWTON RAPHSON
Una ventaja de utilizar la condición necesaria f ( x )  0 para determinar puntos estacionarios es la

dificultad de resolver numéricamente las ecuaciones simultáneas resultantes. El método de Newton-Raphson
es un procedimiento iterativo para resolver ecuaciones simultáneas no lineales. En el siguiente capítulo
veremos que esto es conocido como el método del gradiente para optimizar numéricamente funciones no
restringidas irrestrictas.
La idea del método es comenzar desde un punto inicial X o utilizando la ecuación anterior, siempre puede
determinarse un punto nuevo Xk+1 a partir de Xk. El procedimiento finaliza conXm como la solución cuando
X m  X m 1 . Una ilustración del método geométricamente se ilustra con una función de una sola variable
en la figura siguiente.
f(xk)
Tangente a f(x)
en xk

a xk b xk+1
Pto. De convergencia
(Solucion)
La restricción entre Xk y Xk+1 para una función de una sola variable de f(X) es la siguiente
k
f (X ) f(X k )
X k 1  X k  o bien f' (X k )  o bien
f ' (X k ) X k  X k 1
.
Analizando la figura muestra que Xk+1 se determina a partir de la pendiente de f(X) en Xk donde
tg   f ' ( X k ) .
Una dificultad en el método es que la convergencia no siempre se garantiza a menos que la función sea bién
comportada.
En la figura si el punto inicial Xo es a, el método converge.
No existe forma fácil para asignar un buen Xo inicial, quizá este problema se puede evitar utilizando el
procedimiento por tante o de aproximación sucesivas)
PROBLEMAS DE EXTREMOS RESTRINGIDOS

Aquí se trata de la optimización de funciones continuas, sujetas a condiciones o restricciones laterales, donde
las restricciones pueden ser de la forma de ecuación o desigualdad.
El método del Jacobiano.– Es te método puede ser considerado como una generalización del método
simplex para programación lineal.
El método Lagrangiano.– Este método demuestra que está muy relacionado con el método de jacobiano.
Metodo de las Derivadas Restringidas

Sea el problema:
Minimizar Z  f(x)
sujeto a :
g(x)  0
donde : x   x 1 , x 2 ,  xn 
g   g1 , g2,  gn T
las funciones f(x) y gi(x) para i=1-n sean diferenciables y doblemente contínuas.
Se utiliza derivadas restringidas para resolver este problema, previamente encontrando una expresión de
forma cerrada para las primeras derivadas parciales de f(x) en todos los puntos que satisfacen las
restricciones g(x)=0, los puntos estacionarios correspondientes son los puntos en los cuales dichas derivadas
parciales se anulan. Las condiciones de suficiencia pueden utilizarse para identificar la identidad de los
puntos estacionarios.
Ejemplo:
Sea f(x,y) el paraboloide ilustrado en la figura siguiente donde: A, B y C representan los valores de f(x,y)
para los cuales la restricción dada siempre se satisface. El método de las derivadas restringidas define el
gradiente de f(x,y) en cualquier punto sobre la curva ABC. B es el punto estacionario donde la derivada
restringida se anula.
f(x1,x2)
f(x1,x2)
A C
Curva cf
restringid
a
B
Minimo
restringido
Minimo irrestricto
b
x1
Restriccion g(x)=x2-b=0
x2
Minimizar f(x, y)
sujeto a :
g(x, y)  y  b
donde : b  cte
Desarrollando el método de derivadas restringidas matemáticamente usando el teorema de taylor para los
puntos x  x en el entorno factible de x tenemos:
f(x  x) - f(x)  f(x) x  0(x j ) 2 , y
g(x  x) - g(x)  g (x) x  0(x j ) 2
donde x j  0 las condiciones anteriores se reducen a
f(x)  f(x)x, y
g (x)  g(x)x
por condiciones del método g(x)  0  g(x)  0 por factibilidad y se deduce que
f(x) - f(x)x  0

 g(x)x  0
f(x)  f(x)x
esto se reduce a m ecuaciones con n incognitas, las incógnitas dadas por
f(x), y x, la incógnita f(x) se determina a partir de x. Esto significa que existen en
efecto m ecuaciones y n incógnitas. El caso de interés es cuando m<n.
Sea X  (Y, Z) donde Y  ( y1 , y2 ,  y m ) y Z  ( z1 , z2 ,  zm ) X variable

dependiente, Y y Z variables independientes.
Volviéndo a escribir los vectores gradientes de f y g en términos de Y y Z tenemos
 f(Y, Z)  ( y f,  z f )


g (Y, Z)  ( y g,  z g )

  y g1    z g1 
   
Defínase J   y g     y C   z g    
   g 
 yg m   z m
donde Jmxn es la matriz Jacobiana y Cmxn-m es la matriz de control. Se supone que J es no singular.
Det ( J )  0 .
Utilizando las definiciones anteriores se puede escribir el conjunto original de ecuaciones en
f(x), y x como:
f(X, Z)   y fy,  z fz )

 Jy  Cz
como J es no singular, existe su inversa J -1 , entonces
y  -J -1Cz
Sustituyendo por y en la ecuación para f(y, z)
f(x, y)  ( z f -  y fJ -1C)z de esta ecuación la derivada restringid a con respecto al vector
independie nte Z está dado por
 c f ( x , y)
cf    z f   y fJ 1C
cz
donde c f es el vector gradienterestringido de f con respecto a z, entonces  c f ( x , y) debe ser
nulo en los primeros puntos estacionarios .
aquí la matriz hessiana corresponderá al vector independiente z, entonces los elementos de la matriz Hessiana
deben ser las segundas derivadas restringidas.
Sea  c f   z f  WC
donde el reglón i de la matriz hessiana (restringida) es  C f / z i
W es una función de Y, y Y es una función de Z, entonces
Y   J 1Cz
Al tomar la derivada parcial de  c f con respecto a z i la regla de la cadena debe aplicara W,
Entonces
W j W j Y j

Z i Y jz
 f
Ejemplo: Mostrar como estimar c en un punto dado utilizando las formulas dadas:
f ( x )  x 12  3x 22  5x 1x 32
g1 ( x )  x 1 x 3  2 x 2  x 22  11  0
g 2 ( x )  x 12  2 x 1 x 2  x 32  14  0
f   cf
Dado el punto factible Xo=(1,2,3) se requiere rstudiar la variación de en el entorno facible de Xo, y
sea Y=(X1,X2) y sea Z=X2
Solución.
 f
 y f   ,
f 

  2 x 1  5x 32 , 10 x 1 x 3 
 x 1 x 3 
f
 zf   6x 2 ,
x 2
luego
 g1 g1 
 
x x 3   x 3 x1 
J 1   
 g 2 g 2   2 x1  2 x 2 2x 3 
 x x 3 
 1
 g1 
 x   2 x  2 
C   2    2 
 g 2   2 x1 
 x 2 
 cf
una estimación de en el entorno factible del punto factible Xo=(1,2,3) resultante de un pequeño
cambio x 2  0.02 se tiene:
1
3 1  6   6 / 12  1 / 12  6   2.83 
J 1C            
6 6   2    6 / 12 3 / 14  2    2.50 
entonces
  2.83 
 c f  ( z f   y fJ 1C)z  6( 2)  ( 47, 30)  x 2
   2.50 
 c f  46x 2  46(0.01)  0.46
Ahora de y  -J -1Cz
Entonces
x 1  6 / 12  1 / 12  6    0.0283 
  J 1Cx 2    (0.01)   
x 3   6 / 12 4 / 12  2   0.0250 
c  f
Para verificar el valor contenido anteriormente se puede calcular el valor de f en
X y X  x. Como X  (1,2,3) y x   x 1 , x 2 , x 3  donde x 1  0.0283,
o o o
x 2  0.01, x 3  0.025, entonces,

X o  x  1 - 0.0283, 2  0.01, 3  0.025   0.9717, 2.01, 3.025
Lo anterior proporcion a :
f(x o )  f(1,2,3)  12  3(2) 2  5(1)(3) 2  58 y
f ( x o  x )  57.523,
 c f  f ( x o  x )  f ( x o )  0.477
Esto indica una disminución en el valor de f como se obtuvo por la fórmula para la diferencia entre las dos
respuestas (-0.477 y – 0.46) es el resultado de la aproximación lineal de Xo.
La fórmula dada sirve únicamente para variaciones muy pequeñas alrededor de X.
Ejemplo:
Ilustrar el uso de las derivadas restringidas
Sea :
Minimizar f ( x )  x 12  x 22  x 32
sujeto a :
g 1 ( x )  x 1  x 2  3x 3  2
g 2 ( x )  5x 1  2 x 2  x 3  5
Se determinan los extremos restringidos de la siguiente forma Y=(X 1, X2) y Z=X3 por consiguiente
 f f 
 y f   ,    2 x 1 , 2x 2 
 x 1 x 2 
f
 zf   2x 3 ,
x 3
luego
 g1 g1 
 
x x 2   1 1 
J 1  
 g 2 g 2   5 2 
 x x 2 
 1
  2 / 3 1/ 3 
J 1   
 5 / 3  1 / 3
 g1 
 x   3 
C   3    
 g 2   1 
 x 3 
entonces
 cf  Z f
cf  donde el reglón i de la matriz hessiana restringid a es
 cX3 Z i
entonces
 f
 c f  c  ( z f   y fJ 1C)z
cx3
 2/3 1 / 3  3  10 28
 c f  2 x 2  ( 2 x1 ,2 x 2 )      x1  x 2  2x 3
 5/3  1 / 3  1  3 3
 C f  0 , lo cual junto con g1(x)=0 y g2(x)=0 dan los puntos estacionarios

en un punto estacionario
requeridos.
Es decir
10 28
 3 x 1  3 x 2  2 x 3  0 10 x 1  28x 2  6x 3  0
 
 x1  x 2  3x 3  2  0  x 1  x 2  3x 3  2
 5x  2 x  x  5  0  5x  2 x  x  5
 1 2 3  1 2 3

donde escrito matricialmente

10  28 6  x 1   0 
    
1 1 3  x 2    2 
5 2 1  x 3   5 

dan la solución Xo=(0.81, 0.35, 0.28).
La identidad de este punto estacionario se verifica considerando la condición de suficiencia
 f ' ' (x 0 )  0 ó f' ' (x 0 )  0. Dada la variable independiente x 3 , deducimos del  c f anterior que
 c2 f 10 dx1 28 dx1
  2
 c x 32 3 dx 3 3 dx 3
 dx1 
 
 10 28  dx 3 
 ,  2
3 3  dx 2 
 dx 
 3
Del desarrollo del método Jacobiano
 dx 1 
 
dy  dx 3    2 / 3 1 / 3  3 
  J 1C    
dt  dx 2   5 / 3  1 / 3  1 
 dx 
 3
  5 / 3  5 / 3 
     
 14 / 3    14 / 3 
 c2 f
Sustituyendo  460 / 9  0
 c x 32
entonces X 0 es un punto mínimo, es decir
 dx 1 
 
 10 28  dx 3   10 28  5 / 3 
 ,  2 ,    2  460 / 9
3 3  dx 2  3 3   14 / 3 
 dx 
 3
El uso del método Jacobiano como se presentó anteriormente está obstaculizado por la dificultad de obtener
J-1 para un gran número de restricciones. Esta dificultad se logra vencer usando la regla de cramer para
despejar en términos de z.
Entonces si Zj repesenta el j-ésimo elemento de z y Yi representa el i-ésimo elemento de Y, puede
demostrarse que
 cf

  f , g1,  g m  /  z j ,  y1,  y m 
cz j   g1,  g m  /   y1,  y m 
donde
 f f f 
 z 
y1 y m 
 j 
  f , g1,  g m   g1 g1

g1 
  z j y m  y

 z j , y1,  y m  
y1

     
 g m g m

g m 
 z j y1 y m 

 g 1 g 1 
 y 
y m 
 g1 ,  g m   1 
     J
  y1 ,  y m   g m g m 

 z j y m 
 
Las condiciones necesarias serán
c f
 0, j  1, 2,  n - m
c z j
de igual manera en la expresión matricial
dy
  J 1C el (i, j) - ésimo elemento está dado por
dz
y 
  g1 ,  g m  /  y1 ,  y i 1 , z j , y i 1 ,  ym 

z j   g 1 ,  g m  /   y1 ,  y m 
Con el ejemplo anterior ilustraremos la aplicación del método.

 f f f 
 
 x 3 x 1 x 2 
 g1 g1 g1 
 x x 1 x 2 
 3 
 g1 g1 g 2 
 cf  x 3 x 1 x 2 
 con Y   x1 , x 2  y Z  x 3 y
cx3  g1 g1 
 x x 2 
 1 
 g 2 g 2 
 x 1 x 2 
f ( x )  x 12  x 22  x 32
g 1 ( x )  x 1  x 2  3x 3  2  0
g 2 ( x )  5x 1  2 x 2  x 3  5  0
Entonces
2 x 3 2x1 2x 2 
 3 1 1 

cf
  1 5 2 

10
x1 -
28
x 2  2x 3
cx3 1 1  3 3
5 2
 
ANALISIS DE SENSIBILIDAD EN EL METODO JACOBIANO
El método jacobiano puede ser utilizado para estudiar la sensibilidad del valor óptimo de f debido a cambios
pequeños en la parte derecha de las restricciones conocido como analisis de sensibilidad, en cierto sentido es
similar al estudiado en programación lineal. Sin embargo, el analisis de sensibilidad en programación no
lineal es válido solo en el pequeño entorno del punto extremo debido a la ausencia de linealidad. El
desarrollo es útil al estudiar el método de Lagrange.
Por lo visto anteriormente sabemos que
f ( x , y)   y fy   z fz
g  Jy  Cz

 g ( Y, Z)   y g,  z g 
por que 
  y g  J,  z g  C
sup onga g  0  Jy  g - Cz  y  J -1g  J 1Cz
Sustituyendo en la ecuación para
f ( y, z )   y f ( J 1g  J 1Cz )   z fz
  y fJ 1g   y fJ 1Cz )   z fz
  y fJ 1g  z ( z f   y fJ 1C)
f ( y, z )   y fJ 1g   c fz
Tal como se definió anteriormente la expresión para f(y,z) puede ser utilizada para estudiar la variación de f
en el entorno factible de un punto faxtible Xo debido a cambios pequeños g y z. En el punto extremo
(cualquier punto estacionario) el gradiente restringido cf debe anularse
Entonces
f ( y 0 , z 0 )   y0 fJ 1g ( y 0 , z 0 )
Entonces
f
  yo fJ 1
g
En general el punto óptimo, f/g es independiente de la selección específica de las variables en el vector Y.
Esto se verifica puesto que la expresión prar los coeficientes de sensibilidad no incluye a z.
METODO DE LAGRANGE
f
  yo fJ 1
Por lo anterior los coeficientes de sensibilidad.  g Pueden ser utilizados para estudiar el
efecto de variaciones pequeñas en las restricciones sobre el valor óptimo de f, esos coeficientes son
constantes. Estas propiedades pueden ser utilizadas para resolver los problemas restringidas por restricciones
de igualdad
f
   y0 fJ 1  entonces
g
f
  f  g  0
g
Esta ecuación satisface las condiciones necesarias para puntos estacionarios ya que la expresión se calcula tal
que cf=0. Una forma conveniente para presentar estas ecuaciones, es tomar sus derivadas parciales con
respecto a todas las xj. Entonces

(f  g )  0 j  1,  n
x j
Las ecuaciones resultantes junto con las ecuaciones restringidas g=0 proporcionan las variables factibles de
X y  que satisfacen las condiciones necesarias para puntos estacionarios.
El procedimiento anterior define el método de lagrangepara identificar los puntos estacionarios de problemas
de optimización con restricciones de igualdad.
Desarrollo formal del Metodo
Sea L(x, )=f(x)- g(x)

Donde
L=función de lagrange
=Multiplicadores de Lagrange
Por definición los multiplicadores tienen la misma interpretación de coeficientes de sensibilidad.
Las ecuaciones
L L
0 y 0
 
proporcionan las condiciones necesarias igual de las dadas anteriormente. Esto significa que la optimización
de f(x) sujeta a g(x)=0 es equivalente a la optimización de la función de lagrange L(x, ).
CONDICIONES DE SUFICIENCIA PARA EL METODO DE LAGRANGE
Defínase
 
 0P 
HB   
 PT Q 
  (mn ) x (mn )
donde
 g 1 ( x ) 
   2 L( x , y)
P   y Q i, j
 g ( x )  x i x j
nxn
 m 
H B : Matriz hessiana en la frontera
Dado el punto estacionario (xo,o) entonces xo es .
1. UN PUNTO MAXIMO, si comenzando con el menor principal del determinate de orden (2m+1), las
últimas (n-m) menores principales del determinante de H B forman una configuración de signos
alternos comenzando con (-1)m+1.
2. UN PUNTO MÍNIMO, si comenzando con el menor principal del determinate de orden (2m+1), los
últimos (n-m) menores principales del determinante HB tienan el signo (-1)m
Las condiciones (1) y (2) son suficientes para identificar un punto extremo, pero no necesarias. Es decir, un
punto estacionario puede ser un punto extremo sin satisfacer las condiciones anteriores.
Existen otras condiciones que son tanto necesarias como suficientes para hallar valores extremos, la
desventaja es que estos procedimientos son conputacionalmente infactibles.
Defina la matriz
 
 0 P 
  
T
 P Q  I 
 
evaluada en el punto estacionario (Xo,o), P y Q ya definidos anteriormente,  un parámetro desconocido.
Considere el determinante ||, entonces cada una de las (n-m) raices del polinomio ||=0 debe ser
1. Negativa si Xo es un punto máximo

2. Positivas si Xo es un punto mínimo
Ejemplo:
Considere el problema anterior donde la función de Lagrange es :
L( x ,  )  x 12  x 22  x 32  1 ( x 1  x 2  3x 3  2)   2 (5x 1  2x 2  x 3  5)
Las condicione s necesarias son
L
 2 x 1  1  5 2  0
x 1
L
 2 x 2  1  5 2  0
x 2
L
 2 x 3  31   2  0
x 3
L
 ( x 1  x 2  3x 3  2)  0
1
L
 (5x 1  2 x 2  x 3  5)  0
 2
donde la solución para estas ecuaciones simultaneas proporciona
X 0   x1 , x2, x 3    0.81, 0.35, 0.28

   1 ,  2    0.0867, 0.3067
para mostrar que el punto es mínimo considere
 
 0 P 
HB   
 PT Q 
 
 g1 g1 g1 
 
P 1
x x 2 x 3    1 1 3

 g 2 g 2 g 2   5 2 1 
 x x 2 x 3 
 1 
entonces
1 5
 
PT  1 2
3 1
 
  2
L  2L  2L 
 
 x 12 x 1x 2 x 1x 3 
  2 0 0
  2L  2L  2L   0 
Q     2 0
x 2 x 1 x 2 x 2 x 3
 2
 0 0 2
 
  2L 2
 L  2L 

 

 x 3 x 1 x 3 x 2 2
x 3 
Entonces
0 0 1 1 3
 
0 0 5 2 1
HB  1 5 2 0 0
 
1 2 0 2 0
3 1 0 0 2
 
como n=3 y m=2 se deduce que n-m=1, entonces es necesario verificar el determinate de únicamente, el cual
debe tener el signo (-1)2 es un mínimo, por que el determinante de H B=460>0, por tanto Xo es un punto
mínimo.
Nota:
Un método factible conputacionalmente es recurrir a una técnica numérica apropiada para
resolver ecuaciones simultáneas, como el método de Newton Raphson.
Ejemplo: Convierta el problema

Minimizar Z  x 12  x 22  x 32
sujeta a :
4 x 1  x 22  2 x 3  14  0
Solución:
La función de Lagrange es
L( x , )  x 12  x 22  x 32   (4x 1  x 32  x 32 )
Las condiciones necesarias son
L
 2 x 1  4  0
x 1
L
 2x 2  2x 2  0
x 2
L
 2x 3  2  0
x 3
L
 (4 x1  x 2  2x  14)  0
 2 3
cuya solución tenemos
(Xo, o)1=(2, 2, 1, 1)
(Xo, o)2=(2, -2, 1, 1)
(Xo, o)3=(2.8, 0, 1.4, 1.4)
Aplicando las condiciones de suficiencia se tiene
 
 0 P 
HB   
 PT Q 
  (mn )x (mn )
donde
 g 1 ( x ) 
   2 L( X,  )
P   y Q i, j
 g ( x )  x i x j
nxn
 m  mxn
 g g1 g1 
p   1 ,    4, 2 x 2 , 2 

 1x x 2  x 3 
2 0 0
 
Q   0 2  2 0 
0 0 2 

 0 4 2x 2 2
 
B  4 2 0 0 
H 
2 x 2 0 2  2 0 
 
 2 0 0 2 

Luego m=1 y n=3, entonces el signo de las últimas (3-1)=2 menores principales del determinante debe ser el
de (-1)m=-1 a fin de que un punto estacionario sea mínimo. Por consiguiente, para (Xo, o)1=(2,2,1,1).
Entonces
0 4 2x 2 0 4 4
4 2 0  4 2 0  32  0
2x 2 0 2  2  x  0 1
4 0 0
0,
0 4 2x 2 2 0 4 4 2
4 2 0 0 4 2 0 0
  64  0
2x 2 0 2  2 0 4 0 0 0
2 0 0 2 x  0 1
2 0 0 2
0,
Luego para (Xo,o)2 = (2, -2, 1, 1)
0 4 4 2
0 4 4
4 2 0 0
4 2 0  32  0 y  64  0
4 0 0 0
4 0 0
2 0 0 2
Finalmente para (Xo,o)3 = (2.8, 0, 1.4, 1.4)
0 4 0 2
0 4 0
4 2 0 0
4 2 0  12.8  0 y  32  0
0 0  0.8 0
0 0  0 .8
2 0 0 2
Esto muestra que (Xo)1 y (Xo)2 son puntos de mínimo.

Ahora el hecho de que (Xo)3 no satisface las condiciones de suficiencia de un máximo o un mínimo no
necesariamente significa que no sea un punto extremo. Entonces es necesario usar la condición de
suficiencia, entonces la condición de suficiencia emplea las raices de polinomios.
 0 4 2x 2 2 
   
 0 P   4 2 0 0 
    2x
 P T Q  I   2 0 2  2   0 
   
 2 0 0 2   
Para (Xo,o)1 = (2, 2, 1, 1)
  9 2  26  16  0    2,   8/9
como todas las   0, (Xo)1   2, 2, 1 es un punto mínimo de nuevo para
 X0 ,  0  0   2,  2, 1, 1
  9 2  26  16  0
entonces (Xo) 2   2, - 2, 1 es un punto mínimo
Finalmente, para
 X 0 ,  0  3   2.8, 0, 1.4, 1.4 
2
  5  6  8  0   2 y   -0.8
Por lo tanto (Xo) 3   2.8, 0, 1.4  no es punto extremo
EXTENSION DEL METODO DE LAGRANGE
Maximizar Z  f(x)
sujeto a :
g i (x)  0, i  1,  m
x  0, si existen se incluyen en las restricciones
La idea de extender el método de Lagrange es:
 Si el óptimo irrestricto (z=f(x) y f’(x)=0) no satisface las restricciones, el óptimo irrestricto debe ocurrir
en un punto frontera del espacio de soluciones.
 Significa que una o más de las m-restricciones debe ser satisfecha en forma de ecuación.
PROCEDIMIENTO
Paso1. Resolver el problema irrestricto: max z=f(x) si el óptimo resultante satisface todas las restricciones
termina el problema. De otra manera haga k=1.
Paso2. Active cualquiera de las k-reetricciones (conviértalas en igualdades) y optimice f(x) sujetas a k
restricciones activadas por el método de Lagrange. Si la solución resultante es factible con respecto
a las restricciones restantes. Deténgase en un óptimo local (definido de entre todos los óptimos
resultantes de optimizar f(x) sujeto a todas las combinaciones de k restricciones de igualdad k=1,
2, ..., m).
 De otra manera, active otro conjunto de k restricciones y repita el paso.
 Si se consideran a la vez todos los conjuntos de k restricciones activas sin encontrar una
solución factible, vaya al paso3.
Paso3. Si k=m, pare si no existen soluciones factibles. De otra manera, haga k=k+1 y vaya al paso2.
Ejemplo.
Maximizar Z  (2x 1 - 5) 2  ( 2 x 2  1) 2
sujeto a :
x1  2x 2  2
x1 , x 2  0
Problema bien comportado (función objetivo cóncava sujeto a un espacio de soluciones convexo).
Un algoritmo bien definido garantizaría la optimalidad global, no obstante el método extendido de Lagrange
Produce solamente un máximo local.
El óptimo irrestricto se obtiene
z
 4( 2 x 1  5)  0
x 1
z
 4(2 x 2  1)  0
x 2
de donde se obtiene (x1, x2) = (5/2, 1/2) luego reemplazando en la restricción x 1  2x 2  2
(no se cumple).
Sea x1 =0, entonces la función de Lagrange es:
L( x 1 , x 2 , )  (2x1 - 5) 2  (2x 2  1) 2  x 1
 L
 x  4(2 x1  5)    0
 1
 L
Luego   4(2 x 2  1)  0
 x 2
 L
   x1  0

entonces solucionando el istema (x1,x2)=(0, 1/2), usando la condición de suficiencia se demuestra que es un
máximo.
Luego (x1,x2)=(0, 1/2) satisfacen las otras restricciones
x1  2x 2  2
x1  0
En efecto note que las restricciones restantes x 2  0, x 1  2, x 2  2 tomados de una proporción
soluciones no factibles.
Por lo tanto (x1,x2)=(0, 1/2) termina el procedimiento como un optimo global Z=–25.
LAS CONDICIONES DE KUHN-TUCKER

Las condiciones de Kuhn-Tucker identifica puntos estacionarios de un problema restringido no lineal sujeto a
restricciones de desigualdad.
El desarrollo está basado en el método de Lagrange.
Sea el problema:
Max Z  F(x)
sujeto a :
g(x)  0
las restricciones de desigualdad pueden convertirse en ecuaciones sumando las variables de holgura
apropiadas.
2
Sean las variables de holgura Si  0 (con condiciones de no negatividad)
T 2

Defínase S   s1 , s 2 ,  , s m  y S  s1 , s 2 ,  , s m
2 2 2 T

M=número total de restricciones de desigualdad
Función de Lagrange:
L(x, s,  )  f(x) -  (g(x)  s 2 )  (*)
Dada las restricciones g(x)  0
Condiciones necesarias de Optimidad
0
  (**)
  0
f

considere el caso de maximización g (taza de variación de f con respecto a g)
Manteniendo (*), tomando derivadas parciales de (**) tenemos
 L
 x  f ( x )  g ( x )  0


 L  2 s  0 i  1,  m
 s i i i
 L
   (g ( x )  s 2 )  0
 
donde  i g i ( x )  0, i  1,  , m
entonces en resumen las condiciones de Kuhn-Tucker necesarias para X y  sean un punto estacionario del
problema de maximización es
0
f ( x )    g ( x )  0
 i g i (x)  0
g(x )  0
Nota: para el caso de minimización   0 .
SUFICIENCIA DE LAS CONDICIONES DE KUHN-TUCKER
SENTIDO DE CONDICIONES REQUERIDAS

OPTIMIZACION FUNCION OBJETIVO ESPACIO DE SOLUCIONES
MAXIMIZACION CONCAVA CONJUNTO CONVEXO
MINIMIZACION CONVEXA CONJUNTO CONVEXO
Sea el problema lineal
 Max 
  Z  f (X )
 Min 
Sujeto a : g i ( x )  0 i  1,  , r
g i (x)  0 i  r  1,  , p
g i (x)  0 i  p  1,  , m
    g ( x )  s     g ( x )
r p m
L x , s,    f ( x )    i g i ( x )  s i2  i i
2
i i i
i 1 i  r 1 i  p 1
Donde i es el multiplicador de Lagrange asociada con la restricción i.
Establecimiento de las condiciones de KUHN-TUCKER.
SENTIDODE CONDICIONES REQUERIDAS

OPTIMIZACION F(x) gi(x) i
Convexa 0 1 i  r
MAXIMIZACION Cóncava 0 r 1  i  p
CONCAVA Lineal no rest. p  1  i  m
Convexa 0 1 i  r
MINIMIZACION Cóncava 0 r 1  i  p
CONVEXA Lineal no rest. p  1  i  m
Nota:
1. Toda función lineal por definición es convexa y concava.
2. Si f es cóncava entonces –f es convexa y visceversa.

Capitulo Ii-2

Cargado por

Copyright:

Formatos disponibles

Capitulo Ii-2

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo Ii-2

Cargado por

Copyright:

Formatos disponibles

UNJBG / FACI - Escuela de Computación Matemática

1. Multiplicar las siguientes matrices particionadas

|A| = a11(a22a23 - a23a32) - a12(a21a33 - a23a31) + (a13a32 - a22a31)

(1/2) 2 0 2 1 0 0 1 0 0 5/8 -1/2 1/4

3. Determine el rango de las matrices

4.- Determinar si los siguientes conjuntos de vectores son L.I. o L.D.

Su forma en sistema de ecuaciones

Como hay 4 columnas en A y el rango de A es solo 3 y (A|B) = 4

Como sus determinantes de los menores principales es  0

 Positiva definida si Q(x)  0

b) f(x) = x12 -2x1x2 + x22

c) f(x) = 2x12 -2x1x2 - 3x22

Como a11 = 2 es mayor que 0 y |A| = - 25/4 es menor 0

6. Considere los conjuntos

Gráfica S1: Gráfica S2 Gráfica S3

Gráfica S1  S2 Gráfica S1  S2 Gráfica S1  S3

Gráfica S1  S3 Gráfica S2  S3 Gráfica S1  S2  S3

1. Determine cual de los conjuntos anteriores es convexo o cuál no

Como para que 3.) satisfaga se necesita que

 |X1 + (1-)X2|  |X1| + (1-) |X2| = 2

b) Sea S2 = { (x1, x2) /x1 - x2 = 1}

c) S3 = {(x1, x2 / x12 + x22  4}

Gráficamente la solución del sistema es :

(1, 1, 1,1) = 1(1, 2, 0,3) + 2(2, 0 ,2, -1) + 3(0, 0, 2, -1)

El sistema en forma matricial:

(-c) 1 b/a r/a Como ad - cb = 0

(1/a) a b 0 0 r 1 b/a 0 0 r/a

(-c) 1 b/a 0 0 r/a 1 b/a 0 0 r/a

12) A y B dos matrices ¿Es (A+B)(A-B) = A2 – B2 ? Si no lo es de un contraejemplo.

 BBBB ...B AB AAAA

det( A)  ( 1) i 1 a det( A( i ))  ...  ( i ) i  n a A( i )

 det(B )  ( 1) m1 ( ra  a ) B ( m )  ...  ( 1) m n ( ra  a ) B (m )

15) Si A2 = A, entonces se llama Idempotente. Muestre que sí A es idempotente, entonces el determinante

a) V = {matrices diagonales de n x n} con las operaciones matriciales ordinarias

i) X,Y, matrices diagonales

b) Sea V = {matrices no singulares de nxn} con las operaciones matriciales usuales

* vectores propios para t = -1

x + 2y = 0  el sistema tiene una solución independiente, x = 2 y = -1

Un conjunto {ui} de vectores en V es ortogonal si sus elementos diferentes son ortogonales, si

 ui, uj  = ij = 0 para i  j

Ejemplo : Sea la base de E3

Ejemplo : Sea la base de E3

Luego w3 = v3 -  v3, u1 u1 -  v3, u2u2

 La base ortonormal : {u1, u2, u3}

1. Utilizando las funciones elementales de tratamiento de número complejos en Mathematica, comprobar la

2. Defenir con mathematica la sucesión de números de Fibonacci.

1. Factorizar los siguientes polinomios:

2. Dado el número : 774869037507946324496. Se pide:

- Obtener la lista de los 20 primeros primos que no dividen a este número

1. Comprobar que el sistema es indeterminado

2. Calcular el polinomio característico, autovalores y autovectores de la matriz:

1 + 5 (1 + I Sqrt[3]) - (1 - I Sqrt[3]) (-772 + 18 Sqrt[1841])1/3 ,

1 + 5 (1 + I Sqrt[3]) - (1 - I Sqrt[3]) (-772 + 18 Sqrt[1841])1/3 }

((5 - 7 (-386 + 9 Sqrt[1841])1/3 - (-386 + 9 Sqrt[184])2/3 ) (5 + 2 (-386 + 9 Sqrt[1841])1/3 -

(-386 + 9 Sqrt[1841])2/3)) / (108 (-386 + 9 Sqrt[1841])2/3),1},

{-(-5 -5 I Sqrt[3] - 14 (-386 + 9 Sqrt[1841] )1/3 + (-386 + 9 Sqrt[1841] )2/3 /

(24 (-386 + 9Sqrt[1841] )1/3), ((-5 -5 I Sqrt[1841] - 14 (-386 + 9 Sqrt[1841] )1/3 +

(-386 + 9 Sqrt[1841] )2/3 - I Sqrt[3] (-386 + 9 Sqrt[1841] )2/3) (-5 -5 I Sqrt[3] +

4 (-386 + 9 Sqrt[1841] )1/3 + I Sqrt[3] (-386 + 9 Sqrt[1841] ) 2/3)) /