You are on page 1of 87

ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA

por Randy Fernández y Ciro Bazán

Detalles del Producto

• Encuadernación Rústica: 448 páginas
• Editora: Publicaciones Universidad de Piura; (Abril, 2006)
• Lenguaje: Español
• ISBN: 9972-48-101-8
• Dimensiones del producto: 23,5 x 17 x 2.2 cms
• Peso: 01 kgs
• Lugar de venta: Librería de la Universidad de Piura
• Precio: S/. 30
2
Índice

Capítulo I: OPERACIONES CON MATRICES 1
1. Definición de una matriz 2
Ejercicios 4
2. Tipos especiales de matrices 5
2.1. Matriz nula 5
2.2. Matriz vector 5
2.3. Matriz cuadrada 5
2.4. Matriz diagonal 6
2.5. Matriz escalar 6
2.6. Matriz identidad 6
2.7. Matriz triangular superior 6
2.8. Matriz triangular inferior 7
2.9. Matriz simétrica 7
2.10. Matriz antisimétrica 7
2.11. Matriz rectangular 7
Ejercicios 8
3. Operaciones con matrices 10
3.1. Igualdad de matrices 10
3.2. Suma de matrices 10
3.3. Producto de un número real por una matriz 11
3.4. Multiplicación de matrices 12
3.5. Matriz transpuesta 14
3.6. Potenciación de una matriz 15
3.7. Polinomio de matrices 16
3.8. Suma de elementos 17
3.9. El determinante de una matriz cuadrada 18
3.10. Matriz inversa 20
Solución al problema introductorio del capítulo 23
Ejercicios 26
Problemas resueltos 33
Problemas propuestos 54
4. Otras matrices especiales 63
5.1. Matriz ortogonal 63
5.2. Matriz periódica−k 63
5.3. Matriz idempotente 63
5.4. Matriz nilpotente−p 63
5.5. Matriz involutiva 64
Ejercicios 64
5. Matrices particionadas 66
5.1. Adición y multiplicación de matrices particionadas 66
5.2. Determinantes de matrices particionadas 69
5.3. Inversa de matrices particionadas 72
5.4. Producto de Kronecker 76
Ejercicios 77
6. Análisis de Insumo−Producto 79
Problemas resueltos 84
Problemas propuestos 96
3

Capítulo II: ESPACIOS VECTORIALES 99
1. Geometría de matrices 100
1.1. Definición de un vector 100
1.2. Componentes de un vector 100
1.3. Suma de vectores y multiplicación de un escalar con un
vector 101
1.4. Vectores ortogonales 101
1.5. Vector unitario 102
2. Espacio vectorial 103
3. Combinación lineal 104
4. Dependencia e independencia lineal 106
5. Sistema generador 108
6. Bases vectoriales 109
7. Dimensión de un espacio vectorial 110
8. Subespacios 110
9. Interpretación geométrica del determinante 112
9.1. Interpretación geométrica del determinante de una
matriz de orden 2 112
9.2. Interpretación geométrica del determinante de una
matriz de orden 3 113
10. Rango 113
Ejercicios 118
11. Regresión mínimo cuadrática 128
Solución al problema introductorio del capítulo 135
Problemas resueltos 138
Problemas propuestos 168

Capítulo III: SISTEMAS DE ECUACIONES LINEALES 171
1. Disposición matricial de un sistema de ecuaciones
lineales 172
2. Clasificación de un sistema de ecuaciones lineales de
acuerdo a su solución 173
2.1. Sistema incompatible 173
2.2. Sistema compatible determinado 173
2.3. Sistema compatible indeterminado 173
3. Geometría de un sistema de ecuaciones lineales 174
3.1. Dos ecuaciones lineales con dos incógnitas 174
3.2. Tres ecuaciones lineales con tres incógnitas 176
4. Clasificación de un sistema de ecuaciones lineales de acuerdo al
vector b 179
4.1. Sistema de ecuaciones homogéneo 179
4.2. Sistema de ecuaciones no homogéneo 180
5. Métodos de resolución de un sistema de ecuaciones lineales 180
5.1. Método de la matriz inversa 180
5.2. Método de Cramer 181
5.3. Método de eliminación de Gauss−Jordan 183
Ejercicios 186
6. Métodos de resolución de un sistema de ecuaciones homogéneo 187
Solución al problema introductorio del capítulo 188
Ejercicios 191
4
Problemas resueltos 208
Problemas propuestos 262

Capítulo IV: AUTOVALORES Y AUTOVECTORES 267
1. Introducción 268
2. Autovalores y autovectores 268
3. Matrices semejantes 280
4. Diagonalización 281
5. Matrices simétricas y diagonalización ortogonal 287
Solución al problema introductorio del capítulo 295
Ejercicios 297
Problemas resueltos 311
Problemas propuestos 315

Capítulo V: FORMAS CUADRÁTICAS 319
1. Introducción 320
2. Formas cuadráticas 320
3. Clasificación de las formas cuadráticas 323
3.1. Definida positiva 323
3.2. Definida negativa 323
3.3. Semidefinida positiva 324
3.4. Semidefinida negativa 324
3.5. Indefinida o no definida 325
4. Método de estudio del signo de la forma cuadrática 325
4.1. Método de los autovalores 325
4.2. Método de los menores principales dominantes 328
5. Formas cuadráticas reales con restricciones 332
Solución al problema introductorio del capítulo 336
Ejercicios 338

Capítulo VI: OPTIMIZACIÓN CLÁSICA 349
1. Introducción 350
2. Conceptos básicos 351
2.1. Vector gradiente 351
2.2. Matriz jacobiana 352
2.3. Matriz hessiana 353
2.4. Definiciones de mínimos y máximos 353
Ejercicios 354
3. Optimización libre 357
Problemas resueltos 363
Problemas propuestos 396
4. Optimización restringida 404
Ejercicios 405
Solución al problema introductorio del capítulo 407
Problemas resueltos 409
Problemas propuestos 437

Referencias bibliográficas 447
5
Prólogo

El presente trabajo es resultado de la experiencia docente en Álgebra lineal de los
autores, en la Facultad de Ciencias Económicas y Empresariales de la Universidad
de Piura, durante los últimos años. En este manual se han recopilado y
seleccionado ejercicios y problemas del material bibliográfico consultado para la
elaboración de estos apuntes. Asimismo, se han desarrollado ejercicios y
problemas prácticos con un enfoque económico−empresarial para el dictado de la
primera parte de la asignatura de Matemáticas Empresariales, que se imparte a
alumnos de los Programas Académicos de Economía, Administración de Empresas
y Contabilidad en la Facultad de Ciencias Económicas y Empresariales de la casa
de estudios antes mencionada.

El objetivo de estos apuntes es proporcionar conceptos y desarrollar habilidades en
el alumno que le permitan dominar las herramientas que proporciona el álgebra
lineal. Para ello, se ha buscado dar a este libro un enfoque intuitivo, ilustrativo y
analítico, mostrando en algunos casos resultados de manera no formal, pero
cuidando no comprometer el contenido y el rigor matemático.

Motivados por el hecho que esta rama de la matemática se estudia en numerosas
disciplinas, y que gracias a la invención de las computadoras de alta velocidad se
han incrementado las aplicaciones matemáticas de álgebra lineal en áreas no
técnicas, hemos desarrollado este trabajo con la esperanza que sea de gran utilidad
para estudiantes universitarios de primer año de las carreras de Economía,
Administración de Empresas, Contabilidad, así como también de Ingeniería.

Cada capítulo del libro empieza enunciando de manera clara y precisa
definiciones, principios y teoremas pertinentes, junto con ejemplos y otro material
descriptivo. A esto, le siguen colecciones graduadas de problemas resueltos y
problemas propuestos. Los problemas resueltos, buscan ampliar e ilustrar la teoría
con puntos sutiles que permitan al estudiante asimilar las nociones básicas. Los
problemas propuestos, revisan el material completo de cada capítulo buscando la
aplicación matemática afín a cada carrera. Ambos tipos de problemas son
necesarios para un aprendizaje efectivo del alumno.

Este libro está constituido por seis capítulos, en el primero de ellos se estudia las
diversas operaciones básicas que se pueden efectuar con matrices. El segundo
capítulo se ocupa del estudio de espacios vectoriales. En el tercer capítulo se
revisan sistemas de ecuaciones lineales. En el cuarto capítulo se analizan los
denominados autovalores y autovectores. En el capítulo cinco realizamos un
detallado estudio de las formas cuadráticas. En el capítulo final se abordan las
técnicas para resolver problemas de optimización libre y restringida.

Los Autores

Capítulo I

Operaciones con matrices


En los últimos tres años, cuatro niños exploradores, Rosita, Carolina, Carla y
Sergio, han tenido como misión recolectar fondos para apoyar un asilo. Con este
objetivo en mente, cada año compraron chocolates. Los adquirieron de tres tipos:
blanco, amargo y semiamargo. Cada caja contiene 20 chocolates. Los venden por
piezas y los tres últimos años vendieron todos. A continuación se resume la
información para el primer año:

En esta tabla se muestra el número de cajas que cada uno compró.

Cajas de chocolate
Blanco Amargo Semiamargo
Rosita 6 15 9
Carolina 13 10 7
Carla 10 10 10
Sergio 5 12 13

En esta otra se muestra el precio por caja y el precio al que vendieron cada tipo de
chocolate:

Tipo de
chocolate
Precio por caja ($)
Precio de venta por
pieza ($)
Blanco 50 4
Amargo 30 3
Semiamargo 40 3

Con base en esta información, determine:
a. ¿Quién hizo la menor inversión?
b. ¿Quién obtuvo mayor beneficio el primer año?
c. El segundo y el tercer año compraron las mismas cantidades de cajas de
chocolates, pero el precio por caja para el segundo año fue 10% mayor que el
del primer año, mientras que en el tercer año fue de 65, 45 y 40, para el
chocolate blanco, amargo y semiamargo, respectivamente. Además, ellos
conservaron los precios de venta del primer año. Responda a las dos preguntas
anteriores para el segundo y tercer año.



TEMARIO




1. DEFINICIÓN DE UNA MATRIZ
2. TIPOS ESPECIALES DE MATRICES
3. OPERACIONES CON MATRICES
4. OTRAS MATRICES ESPECIALES
5. MATRICES PARTICIONADAS
6. ANÁLISIS DE INSUMO−PRODUCTO
OPERACIONES CON MATRICES
2
1. Definición de una matriz

Conjunto de elementos, ya sean números o caracteres, agrupados en m filas y en n
columnas.

Veamos una tabla donde nos interesa trabajar con los datos que ella contiene:

Año
Consumo
(miles de
millones de
dólares)
PBI (miles
de millones
de dólares)
Deflactor
del PBI
Tasa de
descuento
1972 737.1 1 185.9 1.0000 4.50
1973 812.0 1 326.4 1.0575 6.44
1974 808.1 1 434.2 1.1508 7.83
1975 976.4 1 549.2 1.2579 6.25
1976 1 084.3 1 718.0 1.3234 5.50
1977 1 204.4 1 918.3 1.4005 5.46
1978 1 346.5 2 163.9 1.5042 7.46
1979 1 507.2 2 417.8 1.6342 10.28
1980 1 667.2 2 633.1 1.7864 11.77

Como podemos observar esta tabla contiene 10 filas y 5 columnas, donde la
primera fila describe la correspondencia que existe entre los elementos de
cada columna (Carácter informativo).

Todos los datos que nos interesan los podemos representar como una matriz
de la siguiente forma:

(
(
(
(
(
(
(
(
(
(
(
(
¸
(

¸

=
77 . 11 7864 . 1 1 . 2633 2 . 1667
28 . 10 6342 . 1 8 . 2417 2 . 1507
46 . 7 5042 . 1 9 . 2163 5 . 1346
46 . 5 4005 . 1 3 . 1918 4 . 1204
50 . 5 3234 . 1 0 . 1718 3 . 1084
25 . 6 2579 . 1 2 . 1549 4 . 976
83 . 7 1508 . 1 2 . 1434 1 . 808
44 . 6 0575 . 1 4 . 1326 0 . 812
50 . 4 0000 . 1 9 . 1185 1 . 737

1980
1979
1978
1977
1976
1975
1974
1973
1972
A


Simbología de una matriz:

¾ Una matriz se representa con una letra mayúscula, como en el ejemplo, y si se
quiere representar la matriz en forma total sin necesidad de escribir todos los
elementos se representa de la siguiente forma:
mxn
A . Donde m indica la
cantidad de filas y n el número de columnas de la matriz. A los subíndices de
esta representación se les llama dimensión u orden de la matriz.
La matriz anterior se representa de la siguiente manera:
5 9×
A .

OPERACIONES CON MATRICES
3
¾ Si nos interesa algún elemento de la matriz entonces, éste se representa con
una letra igual a la letra de la matriz a la que pertenece, pero con minúscula y
con subíndices la fila y la columna a la cual pertenece dicho elemento
ij
a que
estará situado en la intersección de la fila i y la columna j.

Ejemplo:

Si de la matriz anterior nos interesa el dato del deflactor del producto bruto
interno en el año 1977, entonces lo representamos de la siguiente forma
4005 . 1
64
= a .

Información que puede contener una matriz

¾ Resultado de una encuesta realizada a m individuos sobre n preguntas.
¾ Una tecnología lineal que emplea m factores en n procesos productivos.
¾ Los coeficientes de las incógnitas de un modelo lineal de m ecuaciones y n
incógnitas.
¾ Una aplicación lineal de
n
R en
n
R .
¾ Una base de datos.
¾ Etc.

Problema:

Un fabricante produce tres tipos de clavos: de aluminio (A), de cobre (Q) y de
acero (H). Todos ellos se fabrican en longitudes de 1, 1.5, 2 y 2.5 cm. con los
precios respectivos siguientes:

Clavos A: 0.20 0.30 0.40 0.50 Euros
Clavos Q: 0.30 0.45 0.60 0.75 Euros.
Clavos H: 0.40 0.60 0.80 1.00 Euros.

Presentar la información en una matriz 4×3 que recoja los precios.

Solución:
Precios
Tamaño Clavos A Clavos Q Clavos H
1 0.20 0.30 0.40
1.5 0.30 0.45 0.60
2 0.40 0.60 0.80
2.5 0.50 0.75 1.00

|
|
|
|
|
.
|

\
|
=
00 . 1
80 . 0
60 . 0
40 . 0
75 . 0
60 . 0
45 . 0
30 . 0
50 . 0
40 . 0
30 . 0
20 . 0
M

Respuesta: En la matriz M se observa que cada fila representa el tamaño del
clavo, mientras que cada columna representa el tipo de clavo, y sus elementos son
sus precios correspondientes.
OPERACIONES CON MATRICES
4
Ejercicios

1. Dadas las siguientes matrices:

(
(
(
¸
(

¸


− − − =
4 1 0
4 2 1
3 2 1
A

|
|
|
|
|
|
.
|

\
|
− =
3
2
1
0
1
B


(
(
(
(
¸
(

¸


=
2 1
0 0
1 0
3 2
C

|
|
.
|

\
|
=
3 2
1 π
D

( ) 5 3 4 1 = E

(
(
(
¸
(

¸


− −

=
4 10 0 2 1
2 1 0 2 3 4
3 2 1 0 1
F

|
|
.
|

\
|
=
b a a c
b a b a
G


(
(
(
(
¸
(

¸

=
1 0 0 0
1 1 0 0
1 1 1 0
1 1 1 1
H

|
|
|
|
|
|
.
|

\
|

=
41
3
21
1
10
L


(
(
(
¸
(

¸



− − −
=
2 1 0 3
7 5 2
3 1 3
M


j i j i N , 2 n / M
ij 2 2
∀ + = ∈
×


I. ¿Cuál es la dimensión de las siguientes matrices?

a) 3 3× ⇒ A
b) B

c) E
d) G

e) M
f) L
II. ¿Cuál es el elemento?

a) 1
32
= a

b)
51
b

c)
32
c

d)
15
l

e)
24
g
f)
23
d

III. Construya la Matriz N.

( ) ( )
( ) ( )
|
|
.
|

\
|
=
|
|
.
|

\
|
+ +
+ +
=
|
|
.
|

\
|
=
6 4
5 3
2 2 2 1 2 2
2 2 1 1 2 1
22 21
12 11
n n
n n
N

2. Construya una matriz
(
¸
(

¸

=
ij
a
A , si A es de 4 3× y j i a
ij
3 2 + = .

3. Escribir la matriz
3 2×
|
.
|

\
|
=
ij
a A , donde ( )
j i
ij
a
+
− = 1 .
OPERACIONES CON MATRICES
5
4. Hallar A, B y C, si:

¹
´
¦
= +

= |
.
|

\
|
=
¹
´
¦
+ <
+ ≥
= |
.
|

\
|
=
¦
¹
¦
´
¦
>
= −
<
= |
.
|

\
|
=
×
×
×
j i j
j i
c c C
j i
j i
b b B
j i i
j i
j i
a a A
ij ij
ij ij
ij ij
si 7
si 5
: que tal
2 si 1
2 si 0
: que tal
si
si 1
si 0
: que tal
2 6
3 4
5 5


2. Tipos especiales de matrices

2.1. Matriz nula.- Todos sus elementos son cero, a
ij
= 0

, ∀ i, j.

Ejemplo:
(
(
(
¸
(

¸

=
0 0 0
0 0 0
0 0 0
B

2.2. Matriz vector.- Conjunto ordenado de elementos dispuestos o en una fila o
en una columna.

a) Vector fila: Matriz de una sola fila.

Ejemplo: | | 8 2 5 1 − = A

b) Vector columna: Matriz de una sola columna.

Ejemplo:
(
(
(
(
¸
(

¸


=
7
5
3
0
B

2.3. Matriz cuadrada.- Matriz que tiene el número de filas igual al número de
columnas.

Ejemplo:
(
¸
(

¸


=
8 0
3 2
C
(
¸
(

¸


=
2 8
3 / 4 5
D

Características de una matriz cuadrada:

Si tenemos una matriz cuadrada A, donde:

(
(
(
(
(
¸
(

¸

=
nn n n
n
n
a a a
a a a
a a a
A
L
M O M M
L
L
2 1
2 22 21
1 12 11


OPERACIONES CON MATRICES
6
¾ Entonces podemos hablar de la diagonal principal formada por los
elementos { }
nn
a a a , , ,
22 11
K
.

¾ La suma de los elementos de la diagonal principal recibe el nombre de
Traza.
( )

=
=
n
i
ii
a A Traza
1


¾ Una matriz cuadrada
n n
A
×
también se puede representar como
n
A .

2.4. Matriz diagonal.- Es una matriz cuadrada, cuyos elementos son todos
iguales a cero excepto los que pertenecen a la diagonal principal.

Ejemplo:
(
(
(
¸
(

¸

=
8 0 0
0 4 0
0 0 2
P

También se puede representar de la siguiente manera: Diagonal ( ) 8 , 4 , 2 .

2.5. Matriz escalar.- Es una matriz diagonal, cuyos elementos de la diagonal
principal son todos iguales.

Ejemplo:
(
¸
(

¸

=
2 0
0 2
Q

2.6. Matriz identidad.- Es una matriz diagonal muy útil, cuyos elementos de la
diagonal principal son iguales a la unidad.

Ejemplo:
(
(
(
¸
(

¸

=
1 0 0
0 1 0
0 0 1
I

La matriz identidad en la multiplicación de matrices es semejante al 1 de los
números reales. Es decir, representa el elemento neutro en la multiplicación.

También se le conoce como Delta de Kronecker:

¹
´
¦
=

=
j i
j i
ij
1
0
δ

2.7. Matriz triangular superior.- Es una matriz cuadrada, cuyos elementos que
se encuentran debajo de la diagonal principal son iguales a cero.

0 =
ij
A si i > j

Ejemplo:
(
(
(
¸
(

¸

=
8 0 0
2 4 0
0 3 2
B
OPERACIONES CON MATRICES
7
2.8. Matriz triangular inferior.- Es una matriz cuadrada, cuyos elementos que
se encuentran encima de la diagonal principal son iguales a cero.

0 =
ij
A si i < j
Ejemplo:
(
(
(
¸
(

¸

=
8 0 2
0 5 3
0 0 4
C

2.9. Matriz simétrica.- Es una matriz cuadrada, donde los elementos simétricos
(imágenes especulares respecto a la diagonal) son iguales, es decir cada
ji ij
a a = .

Ejemplo:
(
(
(
¸
(

¸

=
8 7 8
7 2 3
8 3 1
E

2.10. Matriz antisimétrica.- Es una matriz cuadrada que cumple con
ji ij
a a − = .

Ejemplo:
(
(
(
(
¸
(

¸



− −

=
0 7 0 3
7 0 1 2
0 1 0 4
3 2 4 0
F

2.11. Matriz rectangular.- Es una matriz donde el número de filas no coincide
con el número de columnas.

Ejemplo:
(
¸
(

¸
− −
=
10 4 0 8 3
9 2 7 5 2
G
OPERACIONES CON MATRICES
8
Ejercicios

1. Escribir una matriz:

a) Cuadrada de orden 3.

|
|
|
.
|

\
|
− − =
5 0 4
8 7 3 2
4 9 1
S

b) Triangular inferior de orden 4.

c) Simétrica de orden 3.

2. Sean :
(
¸
(

¸

=
6 0
0 7
A ,
(
(
(
¸
(

¸


=
3 10 0
0 2 0
0 0 1
B ,
(
(
(
¸
(

¸

=
0 0 0
0 0 0
0 0 0
C y
(
(
(
¸
(

¸

=
6 0 0
0 4 0
1 0 2
D

a) ¿Cuáles son matrices diagonales? Sólo la matriz A.

b) ¿Cuáles son matrices triangulares?

3. ¿Cuál(es) de las matrices:

|
|
.
|

\
|
=
0 1
1 1
A

|
|
.
|

\
|
=
0 1
0 1
B

|
|
.
|

\
|
=
1 1
0 1
C

|
|
.
|

\
|
=
0 0
1 1
D

|
|
.
|

\
|
=
0 1
1 0
E

|
|
.
|

\
|
=
2 0
0 1
F

|
|
.
|

\
|
=
3 0
0 3
G

|
|
.
|

\
|
=
1 1
1 0
H

a) ¿Es triangular superior?

b) ¿Es triangular inferior?

c) ¿Es diagonal?
d) ¿Es escalar?

e) ¿Es ninguna de las anteriores?
OPERACIONES CON MATRICES
9

4. Si B es una matriz antisimétrica cuyos elementos de la diagonal principal son
ceros y que cumple:
|
|
.
|

\
|


=
4 0
0 4
2
B . Hallar los elementos de la matriz B.

Solución:

Matriz antisimétrica cuya diagonal son ceros y de orden 2:

|
|
.
|

\
| −
=
0
0
a
a
B
Nos indican que
|
|
.
|

\
|


=
4 0
0 4
2
B , entonces:

|
|
.
|

\
|


=
|
|
.
|

\
|


=
|
|
.
|

\
| −
=
|
|
.
|

\
| −
×
|
|
.
|

\
| −
=
4 0
0 4
0
0
0
0
0
0
0
0
2
2
2
2
a
a
a
a
a
a
a
a
B

Obtenemos: 2 4
2
± = ⇒ − = − a a .

Respuesta:
Si 2 = a ⇒
|
|
.
|

\
| −
=
0 2
2 0
B , y si 2 − = a ⇒
|
|
.
|

\
|

=
0 2
2 0
B .

5. Calcule ) ( ) ( A Traza y A Diagonal para
|
|
|
.
|

\
|
=
8 2 5
5 2 3
7 4 1
A .

6. ¿Para qué valores de a , es
|
|
|
|
.
|

\
|
− −
+ +
− −
1 4 3
4 2 1
3 1
2
2
a
a a
a a
simétrica?

Solución:

1 1
2
+ = − a a Λ a a 4 4
2
= +

1 2 − = ∨ = a a Λ 2 = a ⇒ 2 = a .

7. Calcule x e y para que la matriz B sea antisimétrica:

|
|
|
.
|

\
|
+
− =
0 1
4 0
1 2 0
2
x y
x x
x
B .

Solución:

OPERACIONES CON MATRICES
10
(
(
(
¸
(

¸

+
− =
0 1
4 0
1 2 0
2
x y
x x
x
B

Como es antisimétrica debe cumplir:
ji ij
b b − =
21 12
b b − =

2
2 x x − = → 0 2
2
= + x x
0 ) 2 ( = + x x
¹
´
¦
− =
=
2
0
x
x


31 13
b b − =
) 1 ( 1 + − = y
) 1 ( 1 + − = y → 2 1 1 − = → − − = y y

32 23
b b − =
0 0 3 4 = → = − → − = − x x x x

Entonces, tenemos que:
{ } { } 0 2 , 0 : ∩ − x
2 0 − = ∧ = y x

3. Operaciones con matrices

3.1. Igualdad de matrices.- Las matrices A y B son iguales, si y sólo si tienen la
misma dimensión y cada elemento de A es igual al correspondiente de B.

A = B si y sólo si
ij ij
b a =

para todo i, j.

Ejemplo 1:
Hallar a + b + c si:
(
¸
(

¸

=
(
¸
(

¸

8 3
2
3
2 c
b
a


Solución:

De acuerdo a la definición c = 2, a = −2 y b = 8.

Respuesta: Por lo tanto a + b + c = 8.

Ejemplo 2:
Encuentre a + b si:
(
¸
(

¸

+
=
(
¸
(

¸
+
) 3 / ( 5
5 9
7 5
5 ) 2 / (
b a
b a


Solución:

De acuerdo a la definición se debe cumplir lo siguiente:

9
2
= + b
a
y
3
7
b
a + =

OPERACIONES CON MATRICES
11
Desarrollando este sistema de ecuaciones obtenemos: 5 24 = a y 5 33 = b

Respuesta: En consecuencia, 5 57 = + b a .

3.2. Suma de matrices.- Las matrices se pueden sumar, si y sólo si tienen la
misma dimensión y el resultado se obtiene sumando los elementos que
ocupan el mismo lugar en las matrices.

Ejemplo:
(
¸
(

¸

=
(
¸
(

¸

+ +
+ − +
=
(
¸
(

¸

+
(
¸
(

¸

5 3
5 1
1 4 2 1
2 3 ) 1 ( 2
1 2
2 1
4 1
3 2




Problema:

Una empresa tiene tres librerías, y cada una de ellas tiene libros de
ficción, de viajes y de deportes. Las cantidades de libros se tabulan como
sigue:

Librería Ficción Viajes Deportes
1 300 300 100
2 300 100 240
3 50 150 200

Suponga que las entregas a cada librería están representadas por D.
Calcule las existencias actualizadas.

(
(
(
¸
(

¸

=
30 40 60
30 40 60
20 40 60
D

Solución:

Se crea una matriz con la cantidad de libros que tiene cada librería:

(
(
(
¸
(

¸

=
200 150 50
240 100 300
100 300 300
E

La entrega a las librerías viene dada por:

(
(
(
¸
(

¸

=
30 40 60
30 40 60
20 40 60
D

Entonces, las nuevas cantidades de libros en cada librería son:

(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

+
(
(
(
¸
(

¸

230 190 110
270 140 360
120 340 360
30 40 60
30 40 60
20 40 60
200 150 50
240 100 300
100 300 300


OPERACIONES CON MATRICES
12
Respuesta: Esto quiere decir que, si hacemos un inventario en las tiendas
debemos encontrar lo siguiente:

• En la librería 1: 360 libros de ficción, 340 libros de viajes y 120 libros de
deportes.

• En la librería 2: 360 libros de ficción, 140 libros de viajes y 270 libros de
deportes.

• En la librería 3: 110 libros de ficción, 190 libros de viajes y 230 libros de
deportes.

3.3. Producto de un número real por una matriz.- (Multiplicación por un
Escalar) El producto de un número real k por una matriz
n m
A
×
es una matriz
que resulta de multiplicar el escalar por cada uno de elementos de la matriz.

Ejemplo: 2
(
¸
(

¸


=
(
¸
(

¸

− 2 16
0 8
1 8
0 4


Problema:

Suponga que las distancias, en millas, entre Annapolis, Baltimore y
Wahington, D.C., se expresan como sigue:

Annapolis Baltimore Washington
Annapolis 0 30 25
Baltimore 30 0 18
Washington 25 18 0

Si deseamos trazar un mapa cuya escala sea tal que 1 pulgada en el
papel corresponda a 5 millas de distancia real, ¿Cuál es la matriz de las
distancias del mapa?

Solución:

Nuestros datos los podemos expresar en una matriz:

(
(
(
¸
(

¸

=
0 18 25
18 0 30
25 30 0
A

Como deseamos tener las distancias en pulgadas lo que debemos tener
presente que cada milla en el papel representará
5
1
de una pulgada. Por
lo tanto, la matriz que nos representa las distancias entre ciudades en
pulgadas es:

(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

=
0 6 . 3 5
6 . 3 0 6
5 6 0
0 18 25
18 0 30
25 30 0
5
1
B

Respuesta: Esto quiere decir que la distancia entre Annapolis y Baltimore
será de 6 pulgadas en el papel, entre Annapolis y Washington será de 5
pulgadas y entre Baltimore y Washignton será de 3.6 pulgadas en el papel.
OPERACIONES CON MATRICES
13

3.4. Multiplicación de matrices.- Dos matrices sólo se pueden multiplicar si son
multiplicativamente conformes, y esto se verifica cuando el número de
columnas del multiplicando coincide con el número de filas del
multiplicador.

p m p n n m
C B A
× × ×
= ×


Cuando se multiplican 2 matrices, el elemento
ij
c de la matriz producto, es
el producto del i−ésimo vector fila de la primera matriz con el j−ésimo vector
columna de la segunda (Producto interior).

(
(
(
(
(
(
(
(
¸
(

¸

= |
.
|

\
|
= = ×
∑ ∑
∑ ∑
= =
= =
×
× × ×
n
j
jp mj
n
j
j mj
n
j
jp j
n
j
j j
p m
j i
p m p n n m
b a b a
b a b a
c
C B A
1 1
1
1
1
1
1 1
L
M O M
L


Ejemplo:

Sea
(
¸
(

¸


=
1 5 4
2 3 1
A y
(
(
(
¸
(

¸

=
5 0
6 1
4 2
B . Hallar B A× y A B× .

Solución:

(
¸
(

¸

=
(
¸
(

¸

− + + − + +
+ + + +
= ×
×
× ×
41 13
32 5
) 5 )( 1 ( ) 6 ( 5 ) 4 ( 4 ) 0 )( 1 ( ) 1 ( 5 ) 2 ( 4
) 5 ( 2 ) 6 ( 3 ) 4 ( 1 ) 0 ( 2 ) 1 ( 3 ) 2 ( 1
2 2
2 3 3 2
B A
(
(
(
¸
(

¸


− =
(
(
(
¸
(

¸

− + + +
− + + +
− + + +
= ×
×
× ×
5 25 20
4 33 25
0 26 18
) 1 ( 5 ) 2 ( 0 ) 5 ( 5 ) 3 ( 0 ) 4 ( 5 ) 1 ( 0
) 1 ( 6 ) 2 ( 1 ) 5 ( 6 ) 3 ( 1 ) 4 ( 6 ) 1 ( 1
) 1 ( 4 ) 2 ( 2 ) 5 ( 4 ) 3 ( 2 ) 4 ( 4 ) 1 ( 2
3 3
3 2 2 3
A B

Se puede observar que la propiedad conmutativa no se da en la
multiplicación de matrices ( B A× ≠ A B× ), es por eso que definimos la
premultiplicación y la postmultiplicación. En el producto B A× , B está
premultiplicando por A, mientras que A está postmultiplicado por B, y en el
producto A B× , A está premultiplicado por B, mientras que B está
postmultiplicado por A.

Propiedades de la multiplicación matricial:

a) |
.
|

\
|
× × = × |
.
|

\
|
×
× × × × × × q p p n n m q p p n n m
C B A C B A : Asociativa.

OPERACIONES CON MATRICES
14
b)
¦
¦
¹
¦
¦
´
¦
× + × = × |
.
|

\
|
+
× + × = |
.
|

\
|
+ ×
× × × × × × ×
× × × × × × ×
q p p n q p p n q p p n p n
p n n m p n n m p n p n n m
A C A B A C B
C A B A C B A
: Distributiva.

c) |
.
|

\
|
× = × |
.
|

\
|
= |
.
|

\
|
×
× × × × × × q p p n q p p n q p p n
C a B C B a C B a

d) A I A A I = × = × (A es una matriz cuadrada): Identidad multiplicativa.

e) 0 0 0 = × = × A A (A y 0 son matrices cuadradas).



Capítulo II

Espacios Vectoriales


Observe los datos de población para Estados Unidos en la década de 1800 a 1900.

AÑO 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890 1900
POBLACIÓN
(MILLONES)
5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 76.2

Visualice que el crecimiento de la población es exponencial. Esa relación que existe
entre x(años) y P(población) se representa mediante
kx
Ae P = para algunas constantes
A y k. Usando las propiedades de los logaritmos, se obtiene que ( ) ( ) kx A Ln P Ln + = .
Observe que ( ) P Ln tiene una relación lineal.

Así, si se espera una relación exponencial se expresan los datos (x, P) en términos de los
datos ( ) ( ) P Ln x, y se encuentra una solución de mínimos cuadrados para reexpresar los
datos. Esto conduce a ( ) b mx P Ln + = y, por lo tanto,
b mx
e P
+
=

es el ajuste
exponencial.

a. Encuentre la recta de ajuste de mínimos cuadrados para los datos x e ( ) P Ln y = . ¿El
crecimiento de la población ser exponencial?
b. Suponiendo que la población continúa creciendo a la misma tasa, utilice la solución
de mínimos cuadrados para predecir la población en 1950.



TEMARIO 1. GEOMETRÍA DE MATRICES
2. ESPACIO VECTORIAL
3. COMBINACIÓN LINEAL
4. DEPENDENCIA E INDEPENDENCIA LINEAL
5. SISTEMA GENERADOR
6. BASES VECTORIALES
7. DIMENSIÓN DE UN ESPACIO VECTORIAL
8. SUBESPACIOS
9. INTERPRETACIÓN GEOMÉTRICA DEL DETERMINANTE
10. RANGO
11. REGRESIÓN MÍNIMO CUADRÁTICA
ESPACIOS VECTORIALES
100
1. Geometría de matrices

En esta parte del curso recordaremos conceptos de vectores, suma de vectores y
multiplicación de un vector por un escalar.

1.1. Definición de vector.- Designamos como vector, aquel elemento
matemático, indicado por un segmento de recta orientado, y que nos permite
representar gráficamente a una magnitud vectorial.

Los vectores se pueden representar en coordenadas o en forma matricial a
través de vectores filas o columnas, siendo esta última la que utilizaremos.

Vectores del Espacio Coordenadas Matriz (Vector columna)
R
2
(x
1
, x
2
)
(
(
¸
(

¸

2
1
x
x

R
3
(x
1
, x
2
, x
3
)
(
(
(
¸
(

¸

3
2
1
x
x
x

R
4
(x
1
, x
2
, x
3
, x
4
)
(
(
(
(
(
¸
(

¸

4
3
2
1
x
x
x
x

M M M
R
n
(x
1
, x
2
, x
3
, x
4
, …x
n
)
(
(
(
(
(
(
¸
(

¸

n
x
x
x
x
M
3
2
1


1.2. Componentes de un vector.- Recordemos como está compuesto un vector:

• Origen: Es el punto donde se aplica el vector.
• Dirección: Es la recta que contiene al vector. En el plano se define por el
ángulo medido en sentido antihorario desde el semieje positivo de las x.
• Sentido: Nos indica hacia donde se dirige (orientación).
• Módulo, norma, intensidad, magnitud o longitud: viene a ser el valor o
medida de la magnitud vectorial representada.

Sea un vector de R
n
:
= x
(
(
(
(
(
(
¸
(

¸

n
x
x
x
x
M
3
2
1

ESPACIOS VECTORIALES
101
Entonces su magnitud será:

=
=
+ + + +
= × =
n
i
i
n
t
x
x x x x
x x
x
1
2
2 2
3
2
2
2
1
L
.

1.3. Suma de vectores y multiplicación de un escalar con un vector.-
Recordemos con el ejemplo siguiente lo que es la suma de vectores y la
multiplicación de un escalar con un vector.

Ejemplo: Si tenemos los siguientes vectores ( ) 2 , 1 = a y ( ) 1 , 2 = b , entonces
hallar b a + , a 2 , ( ) a
2
1
− .

Solución:

( ) ( ) 3 , 3 1 2 , 2 1 = + + = = + c b a

( ) ( ) 4 , 2 2 , 1 2 2 * = = = a a

( ) ( )( ) ( ) 1 , 2 , 1
2
1
2
1
2
1
* *
− − =

= − = a a

En la gráfica se observa los resultados de estas operaciones con vectores.

* *
a
1 2
-1
-1
1
2
3
3
4
a
b
c
*
a


1.4. Vectores ortogonales.- Dos vectores a y b son ortogonales, lo que
escribiremos a ⊥ b , si y sólo si 0 = × = × a b b a
t t
.

Ejemplo: identificar si los siguientes vectores son ortogonales.
a) ( ) 0 , 4 y ( ) 3 , 0 . b) ( ) 0 , 2 , 3 y ( ) 6 , 0 , 0 .

Solución:

a) Usaremos matrices columnas:

(
¸
(

¸

=
0
4
a y
(
¸
(

¸

=
3
0
b ⇒ | | 0
3
0
0 4 =
(
¸
(

¸

× = × b a
t
entonces a y b
son vectores ortogonales.
ESPACIOS VECTORIALES
102
b) Usaremos matrices columnas:

(
(
(
¸
(

¸

=
0
2
3
a y
(
(
(
¸
(

¸

=
6
0
0
b ⇒ | | 0
6
0
0
0 2 3 =
(
(
(
¸
(

¸

× = × b a
t
entonces a y b
son vectores ortogonales.

Representación de vectores ortogonales en el espacio R
2
y R
3
.



1.5. Vector unitario u .- Es aquel vector que tiene un módulo igual a la unidad
y cumple que 1 = × u u
t
.

Normalizar.- Es transformar un vector cualquiera a su vector unitario, esto se
puede conseguir de la siguiente manera:

Sea a un vector de R
n
:

(
(
(
(
(
¸
(

¸

=
n
a
a
a
a
M
2
1
y
a
su norma, entonces lo transformamos en vector unitario
cuando:
(
(
(
(
(
(
¸
(

¸

=
|
|
|
.
|

\
|
=
a
a
a
a
a
a
a
a
a
n
u
M
2
1
1
.

Ejemplo: Normalizar el vector ( ) 4 , 4 = a .

Solución:

Primero hallamos su norma: 2 4 4 4
2 2
= + =
a


Ahora efectuamos:
(
(
¸
(

¸

=
(
(
¸
(

¸

=
|
|
|
.
|

\
|
2 1
2 1
2 4 4
2 4 4 1
a
a

ESPACIOS VECTORIALES
103
1 2 3 4 5 6
1
2
3
4
5
6
7
7


2. Espacio vectorial

Es un conjunto de vectores que está definido bajo la suma y la multiplicación
escalar.

Ejemplos:

Espacio R
2
, si sumamos dos vectores del espacio R
2
, es decir:

(
¸
(

¸

+
+
=
(
¸
(

¸

+
(
¸
(

¸

d b
c a
d
c
b
a
, entonces obtenemos otro vector en R
2
, si multiplicamos un
escalar k a un vector de R
2
, es decir:

(
¸
(

¸

=
(
¸
(

¸

kb
ka
b
a
k , se obtiene otro vector que pertenece a R
2
.

En general, el conjunto de vectores de n elementos reales, es un espacio vectorial
de n dimensiones, designado por R
n
.

Otros ejemplos de espacios vectoriales son el Espacio de matrices
n m
M
×
, el
espacio de polinomios ) (t P , el espacio de Funciones ) (x F .

Propiedades de los espacios vectoriales:

1. R k k ∈ ∀ = ⋅ 0 0 .

2. V v v ∈ ∀ = ⋅ 0 0 .

3. ( ) ( ) ( ) v k v k v k ⋅ − = ⋅ − = − ⋅ .

4. 0 o 0 0 = = ⇒ = ⋅ v k v k Si .

Los espacios R
2
y R
3
son ejemplos de espacios vectoriales que se pueden
representar.




ESPACIOS VECTORIALES
104
2
R :
* *
a
a
b
c
*
a

3
R :
1
2
3
5
x
y
z
a
1
2
3
1
2
3
5
4
4
4


3. Combinación lineal

Un vector v es combinación lineal de los vectores { }
n
v v v ..., , ,
2 1
si es el
resultado de sumar los productos de dichos vectores por escalares
n
k k k ..., , ,
2 1
:


=
⋅ = ⋅ + + ⋅ + ⋅ =
n
i
i i n n
v k v k v k v k v
1
2 2 1 1
...

Ejemplos:
1. En R
3
, el vector
|
|
|
.
|

\
| −
7
7
7
es una combinación lineal de los vectores
|
|
|
.
|

\
|

|
|
|
.
|

\
| −
1
3
5
4
2
1
y ya que: ( )
|
|
|
.
|

\
|
− − +
|
|
|
.
|

\
| −
=
|
|
|
.
|

\
| −
1
3
5
1
4
2
1
2
7
7
7
.
ESPACIOS VECTORIALES
105
2. En
3 2×
M , la matriz
|
|
.
|

\
|


3 9 1
8 2 3
es una combinación lineal de
|
|
.
|

\
| −
5 1 1
4 0 1
y
|
|
.
|

\
|
− −

6 3 2
2 1 0
ya que:
|
|
.
|

\
|
− −

+
|
|
.
|

\
| −
=
|
|
.
|

\
|


6 3 2
2 1 0
2
5 1 1
4 0 1
3
3 9 1
8 2 3
.

3. Dados los vectores de R
3
:
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
|
.
|

\
|

|
|
|
.
|

\
|

|
|
|
.
|

\
|

2
3
5
,
1
3
1
,
0
1
1
exprese cada uno de ellos
como una combinación lineal de los otros dos.

4. Calcule el valor de a para que el vector
|
|
|
.
|

\
|
0
3
2
sea una combinación lineal de
los vectores
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
|
.
|

\
|
|
|
|
.
|

\
|
1
1
0
,
0
1
a
.

a
b
f
*
a
d
c
e
1 −


ESPACIOS VECTORIALES
106
4. Dependencia e independencia lineal

Los vectores { }
n
v v v ..., , ,
2 1
son linealmente independientes (l.i) si ninguno de
ellos es combinación lineal de los demás. Son linealmente dependientes (l.d) si al
menos uno de ellos es combinación lineal de los demás.

Un conjunto de vectores { }
n
v v v ..., , ,
2 1
que genera con unicidad el vector cero
se denomina conjunto linealmente independiente. De no ser así ese conjunto de
vectores es linealmente dependiente.

• Independencia lineal significa:

0
1
= ⋅

=
n
i
i i
v k implica que i k
i
∀ = 0

• Dependencia lineal significa:

0
1
= ⋅

=
n
i
i i
v k pero no todo 0 =
i
k

Interpretación geométrica:
1
a
2
a

Los vectores
1
a y
2
a son linealmente dependientes

1
a
2
a

Los vectores
1
a y
2
a son linealmente independientes

ESPACIOS VECTORIALES
107
x
y
z
1
a
2
a
3
a

Los vectores
1
a ,
2
a , y
3
a son linealmente dependientes
x
y
z
1
a
3
a
2
a

Los vectores
1
a ,
2
a , y
3
a son linealmente independientes

Ejemplos:
1. Determine si los vectores
|
|
|
.
|

\
|
|
|
|
.
|

\
|

|
|
|
.
|

\
|

7
1
0
0
2
2
,
3
2
1
y son linealmente dependientes o
independientes.

Solución:
Supongamos que
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|
+
|
|
|
.
|

\
|
− +
|
|
|
.
|

\
|

0
0
0
7
1
0
0
2
2
3
2
1
3 2 1
k k k de lo cual obtenemos las
siguientes ecuaciones:
0 7 0 3
0 1 2 2
0 0 2
3 2 1
3 2 1
3 2 1
= + +
= + − −
= + +
k k k
k k k
k k k


Luego de resolver obtenemos 0
1
= k , 0
2
= k y 0
3
= k .
ESPACIOS VECTORIALES
108
De lo cual se concluye que por ser la única solución, estos vectores generan
con unicidad al vector 0 , por lo tanto son linealmente independientes.

2. Determine si los vectores
|
|
|
.
|

\
|

|
|
|
.
|

\
|
|
|
|
.
|

\
|

12
6
11
4
0
3
,
0
3
1
y son linealmente independientes
o dependientes.

Solución:
Supongamos que
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|
− +
|
|
|
.
|

\
|
+
|
|
|
.
|

\
|

0
0
0
12
6
11
4
0
3
0
3
1
3 2 1
k k k , de donde obtenemos el
sistema:

0 12 4 0
0 6 0 3
0 11 3
3 2 1
3 2 1
3 2 1
= + +
= − + −
= + +
k k k
k k k
k k k


Desarrollando el sistema se obtiene lo siguiente:

0 3
0 2
3 2
3 1
= +
= +
k k
k k
, de lo que concluímos que existen infinidad de soluciones, por lo
tanto partimos de un valor, si 1
3
= k , entonces 3
2
− = k y 2
1
− = k , de manera
que puede verificarse,
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|
− +
|
|
|
.
|

\
|

|
|
|
.
|

\
|
− −
0
0
0
12
6
11
1
4
0
3
3
0
3
1
2 , por lo tanto los
vectores son linealmente dependientes.

5. Sistema generador

Es un conjunto de vectores { }
s
v v v ..., , ,
2 1
de un espacio vectorial V, tales que
todo vector de V sea combinación lineal de ellos. Es decir:


=
⋅ = ⋅ + + ⋅ + ⋅ =
s
i
i i s s
v k v k v k v k v
1
2 2 1 1
...

Ejemplo:
El siguiente conjunto de vectores
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
.
|

\
|
|
|
.
|

\
|
|
|
.
|

\
|
2
3
,
5
1
,
4
2
es un sistema generador del
espacio R
2
, porque genera cualquier vector de R
2
como una combinación lineal de
ellos, por ejemplo el vector
|
|
.
|

\
|
1
4
de R
2
, se escribe como una combinación lineal de
ESPACIOS VECTORIALES
109
ese conjunto. Es decir, ( )
|
|
.
|

\
|
=
|
|
.
|

\
|
+
|
|
.
|

\
|
− +
|
|
.
|

\
|
1
4
2
3
1
5
1
1
4
2
1 y así con cualquier vector de
R
2
.

6. Bases vectoriales

Es un conjunto de vectores que además de ser sistema generador de V son
linealmente independientes.

Una base para un espacio vectorial de n dimensiones es cualquier conjunto de n
vectores linealmente independientes en ese espacio.

Ejemplos:

a)
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
|
.
|

\
| −
|
|
|
.
|

\
|
1
0
1
,
4
3
2
no son base de R
3
,
porque se necesita tres vectores
linealmente independientes del
espacio R
3
.

b)
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
.
|

\
|

|
|
.
|

\
| −
|
|
.
|

\
|
3
4
,
1
1
,
2
1
no son base
de R
3
porque no son vectores del
espacio R
3
.

c)
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
|
.
|

\
|

|
|
|
.
|

\
|

|
|
|
.
|

\
|
− 3
29
0
,
0
7
3
,
1
5
2
no son
base porque a pesar que los tres
vectores son de R
3
no generan
con unicidad al vector cero.

d)
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
.
|

\
|

|
|
|
.
|

\
|

|
|
|
.
|

\
|

1
2
,
2
5
6
,
5
7
3
no son
base de R
3
, porque hay un vector
del espacio R
2
.

e)
¦
)
¦
`
¹
¦
¹
¦
´
¦
|
|
|
.
|

\
|

|
|
|
.
|

\
|

|
|
|
.
|

\
|
1
1
1
,
1
1
1
,
1
1
1
si son una
base del espacio R
3
porque
generan con unicidad el vector
cero.

Nota: Se llaman bases canónicas de un espacio R
n
a un conjunto de vectores de la
forma siguiente:
|
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
|
.
|

\
|
=
1
0
0
0
, ,
0
1
0
0
,
0
0
1
0
,
0
0
0
1
3 2 1
M
L
M M M
n
e e e e

Ejemplo: Las bases canónicas de R
2
son:

|
|
.
|

\
|
=
|
|
.
|

\
|
=
1
0
0
1
2 1
e y e


ESPACIOS VECTORIALES
110
7. Dimensión de un espacio vectorial

Sea el espacio vectorial V de dimensión finita y que posee una base
{ }
n
v v v v , , , ,
3 2 1
L , entonces la dimensión del espacio vectorial V es el número n
lo cual denotamos por dim V = n (donde n es el número de vectores que
constituyen una de las bases de V).

Observaciones:

• Si V tiene como único elemento el vector nulo, entonces la dimensión de V es
cero, es decir, dim { } 0 = 0.

• Si V tiene una base infinita, la dimensión de V se denota por dim V = ∞.

Ejemplo: Una base de R
4
es ( ) ( ) ( ) ( ) { } 1 , 0 , 0 , 0 ; 0 , 1 , 0 , 0 ; 0 , 0 , 1 , 0 ; 0 , 0 , 0 , 1 entonces su
dimensión es dim R
4
= 4.

8. Subespacios

Un subespacio vectorial S de un espacio vectorial V es un subconjunto de V que
tiene estructura de espacio vectorial.

Ejemplos:
4
3
2
1
1
2
3
4
5
1
2
3
4
5
0 = z

1
e
2
e
3
e
( ) 0 , 0 , 1
( ) 2 , 0 , 0
( ) 0 , 2 , 0
( ) 0 , 2 , 1
x
y
z
x y 2 =

En los dibujos tenemos los subespacios:
z = 0, x = 0, y = 0, y = 2x.
0
0 = y
0 = x
x y
Z
x
Z
y
ESPACIOS VECTORIALES
111
Ejemplos:

1) Encuentre las ecuaciones del subespacio vectorial formado por los vectores
linealmente independientes ( ) ( ) 3 , 0 , 1 y 1 , 0 , 1
2 1
− = − = v v .

Solución:
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|

+
|
|
|
.
|

\
|
− z
y
x
k k
3
0
1
1
0
1
2 1


Obteniendo la siguiente ecuación del subespacio y = 0.

2) Encuentre las ecuaciones del subespacio vectorial formado por los vectores
linealmente independientes ( ) ( ) 0 , 2 , 1 y 2 , 0 , 0
2 1
= = v v .

Solución:
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|
+
|
|
|
.
|

\
|
z
y
x
k k
0
2
1
2
0
0
2 1


De lo que se obtiene lo siguiente:
z k
x k
y k
=
=
=
1
2
2
2
2


Siendo la ecuación del subespacio 2x = y.

3) Encuentre las ecuaciones del subespacio vectorial formado por los vectores
linealmente independientes ( ) ( ) ( ) 1 , 0 , 1 , 0 y 2 , 1 , 1 , 1 ; 1 , 1 , 0 , 1
3 2 1
= − = − = v v v .

Solución:
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|
+
|
|
|
|
|
.
|

\
| −
+
|
|
|
|
|
.
|

\
|
− w
z
y
x
k k k
1
0
1
0
2
1
1
1
1
1
0
1
3 2 1


De lo que obtengo lo siguiente:

w k k k
z k k
y k k
x k k
= + + −
= +
= +
= −
3 2 1
2 1
3 2
2 1
2


Siendo la ecuación del subespacio 0 = − + − w y x .

ESPACIOS VECTORIALES
112
4) Encuentre las ecuaciones del subespacio vectorial formado por los vectores
linealmente independientes ( ) ( ) 0 , 1 , 2 y 1 , 1 , 1
2 1
= − = v v .

Nota: El espacio generado por un conjunto de vectores en R
k
tiene como máximo
k dimensiones. Si este espacio tiene menos de k dimensiones, es un subespacio, o
hiperplano. La idea fundamental es que cada conjunto de vectores genera algún
espacio; puede ser el espacio entero en el cual residen los vectores, o puede ser
algún subespacio de él.

9. Interpretación geométrica del determinante

Si las filas (o columnas) de una matriz cuadrada se interpretan como vectores de
R
n
y el determinante es no nulo entonces dichos vectores son linealmente
independientes.

9.1. Interpretación geométrica del determinante de una matriz de orden 2.-
Sean los vectores de R
2
:
|
|
.
|

\
|
=
|
|
.
|

\
|
=
3
2
1
4
b y a , ahora con ellos formamos una
matriz
(
¸
(

¸

=
(
¸
(

¸

=
3 1
2 4
b a A .




( )
21 11
, a a
( )
22 21
, a a
22 21
12 11
a a
a a
Área ± =
R
22 12
a a +
22
a
11
a
22 12
a a +
12
a
P
Q
21
a

El área del paralelogramo, formado por las columnas de A, puede obtenerse
mediante la manipulación de triángulos contenidos en él.
1
b
1
a
2
a
2
b
x
y
ESPACIOS VECTORIALES
113
El resultado es ( ) ( ) 10 2 1 3 4 = − , siendo este valor el determinante de la matriz
A. Si estos vectores fuesen linealmente dependientes, entonces no se
obtendría un área, por lo tanto el determinante sería nulo.

9.2. Interpretación geométrica del determinante de una matriz de orden 3.-
Sean 3 vectores de R
3
y con ellos formamos una matriz, entonces el volumen
(del paralelepípedo) que forman los paralelogramos para los vectores dados,
representará el determinante de esa matriz. En el caso que no se forme
ningún volumen, es decir que exista al menos una columna que dependa de
las otras dos, entonces el determinante será cero ya que no existe volumen.

( )
13 12 11
, , a a a
( )
23 22 21
, , a a a
( )
33 32 31
, , a a a
x
y
z
¦
¦
¹
¦
¦
´
¦
= ±
vectores tres los
con construído
pedo paralelepí
del volumen el
33 32 31
23 22 21
13 12 11
a a a
a a a
a a a

Este resultado general se cumple también, con dimensiones superiores.

10. Rango

Se puede asociar a toda matriz un número muy importante que toma el nombre de
rango. Una matriz A de orden m×n tiene n vectores columna, cada uno con m
componentes. El mayor número de esos vectores columna de A que forman un
conjunto linealmente independiente se llama el rango columna de A y se designa
por r
c
(A). El mayor número de vectores filas que forman un conjunto linealmente
independiente se llama rango fila de A y se designa por r
f
(A).

El rango fila r
f
(A) y el rango columna r
c
(A) de una matriz tienen la misma
dimensión, por lo tanto hablaremos sólo de rango r (A).

Se utilizará el término rango completo para describir una matriz cuyo rango es
igual al número de columnas que contiene.

Se puede caracterizar el rango de una matriz en términos de los menores no nulos
de la matriz.

Menor.- Se llama menor de orden k de A al determinante de una submatriz de A
que resulta de suprimir todas las filas de A salvo k de ellas y suprimir todas las
columnas de A salvo k de ellas.

Aprenderemos a hallar los menores para luego calcular el rango.

Ejemplo: Hallar los menores de la matriz:

|
|
|
.
|

\
|
=
1 2 2 0
2 4 2 0
1 2 0 1
A

Solución:

a) 4 menores de orden 3. Se obtienen suprimiendo una columna.

ESPACIOS VECTORIALES
114
0
1 2 2
2 4 2
1 2 0
; 0
1 2 0
2 4 0
1 2 1
; 2
1 2 0
2 2 0
1 0 1
; 4
2 2 0
4 2 0
2 0 1
= = − = − =

b) 18 menores de orden 2. Se obtienen suprimiendo una fila y dos columnas de
todas las formas posibles. Dos de ellos son:

2
2 0
0 1
= (Se obtiene suprimiendo la tercera fila y la tercera y cuarta
columna).

2
1 2
1 0
− = (Se obtiene suprimiendo la segunda fila y la primera y tercera
columna).

c) 12 menores de orden 1. Son los 12 elementos de A.

El rango r(A) de la matriz A es igual al orden de un menor no nulo de A de
orden máximo.

Ejemplo:

Analizar si los vectores son linealmente independientes:

a) ( ) 1 , 1 , 1 , 1 ; ( ) 0 , 1 , 1 , 1 ; ( ) 0 , 0 , 1 , 1 .
b) ( ) 3 , 2 , 1 − ; ( ) 1 , 0 , 5 ; ( ) 0 , 1 , 4 ; ( ) 1 , 1 , 2 − .
c) ( ) 1 , 0 , 1 − ; ( ) 3 , 0 , 1 − .
d) ( ) 0 , 5 , 1 , 3 − ; ( ) 1 , 9 , 2 , 6 − − ; ( ) 1 , 6 , 1 , 3 − .
e) ( ) 1 , 1 , 0 , 1 − ; ( ) 2 , 1 , 1 , 0 ; ( ) 1 , 0 , 1 , 1 − ; ( ) 1 , 2 , 1 , 3 − − .

Solución:

a) Primero debemos formar una matriz de tal manera que cada vector sea una
columna de dicha matriz.
(
(
(
(
¸
(

¸

=
0 0 1
0 1 1
1 1 1
1 1 1
A ; luego hallamos los menores de orden 1, comenzando por la
parte superior izquierda (Sólo para llevar un orden).
0 1 1 ≠ = , como este menor de orden 1 es diferente de cero, entonces el
Rango es por lo menos uno.

Hallamos los menores de orden 2, comenzando por la parte superior izquierda,
0
1 1
1 1
= ; buscamos algún otro menor de orden 2 que sea diferente de cero;
1
0 1
1 1
− = como este menor de orden 2 es diferente de cero, entonces el
Rango es por lo menos dos.

ESPACIOS VECTORIALES
115
Hallamos los menores de orden 3, comenzando por la parte superior
izquierda, 0 0 1 1
1 1
1 1
1
0 1
1 1
1
0 1
1 1
1
0 1 1
1 1 1
1 1 1
= + + − = × + × − × = ,
buscamos algún otro menor de orden 3 que sea diferente de cero;
( ) ( ) 1 1 1 0 1 0
0 1
1 1
1
0 1
0 1
1
0 0
0 1
1
0 0 1
0 1 1
1 1 1
− = − + − = × + × − × = , como
este menor de orden 3 es diferente de cero, entonces el Rango es por lo
menos 3.

Ya no podemos hallar menores de orden mayor que tres, por lo tanto
r(A) = 3. Por tanto, en este caso estos tres vectores columna del espacio R
4

son linealmente independientes.

b) Primero debemos formar una matriz de tal manera que cada vector sea una
columna de dicha matriz.
(
(
(
¸
(

¸


− =
1 0 1 3
1 1 0 2
2 4 5 1
A , luego hallamos los menores
de orden 1, comenzando por la parte superior izquierda (Sólo por orden);
0 1 1 ≠ = , como este menor de orden 1 es diferente de cero, entonces el
Rango es por lo menos uno.

Hallamos los menores de orden 2, comenzando por la parte superior izquierda,
( ) 10 10 0
0 2
5 1
= − − =

, como este menor de orden 2 es diferente de cero,
entonces el Rango es por lo menos dos.

Hallamos los menores de orden 3, comenzando por la parte superior izquierda,
6
0 1 3
1 0 2
4 5 1
= − , como este menor de orden 3 es diferente de cero, entonces
el Rango es por lo menos 3.

Ya no podemos hallar menores de orden mayor que tres, por lo tanto esa
matriz es de r(A) = 3. Por tanto, en este caso las tres primeras columnas
son vectores linealmente independientes del espacio R
3
.

c) Primero debemos formar una matriz de tal manera que cada vector sea una
columna de dicha matriz.
(
(
(
¸
(

¸

− −
=
3 1
0 0
1 1
A , luego hallamos los menores de orden
1, comenzando por la parte superior izquierda. 0 1 1 ≠ = , como este menor
de orden 1 es diferente de cero, entonces el Rango es por lo menos uno.

Capítulo III

Sistemas de Ecuaciones
Lineales


La compañía constructora Madison se encargará de edificar almacenes, pisos y torres a
base de dos tipos de materiales: hierro y madera. Para la construcción de un almacén se
precisa una unidad de hierro y ninguna de madera, para la construcción de un piso se
precisa de una unidad de cada material y para la de una torre se necesitan 4 unidades de
hierro y una de madera. Conociendo que la compañía sólo dispone de 16 unidades de
hierro y 5 de madera.
a. Determine, utilizando sólo Álgebra Matricial, ¿Cuántos almacenes, pisos y torres se
pueden construir empleando todas las unidades posibles?
b. Si el precio de cada almacén es de 6 u.m, el de cada piso es 2 u.m y el de cada torre
4 u.m. ¿Hay algún plan de producción que cueste 28 u.m.? Si lo hay indicarlo y sino
justifique su respuesta. ¿Qué se puede concluir de los resultados?

TEMARIO 1. DISPOSICIÓN MATRICIAL DE UN SISTEMA DE
ECUACIONES LINEALES
2. CLASIFICACIÓN DE UN SISTEMA DE ECUACIONES
LINEALES DE ACUERDO A SU SOLUCIÓN
3. GEOMETRÍA DE UN SISTEMA DE ECUACIONES
LINEALES
4. CLASIFICACIÓN DE UN SISTEMA DE ECUACIONES
LINEALES DE ACUERDO AL VECTOR b
5. MÉTODOS DE RESOLUCIÓN DE UN SISTEMA DE
ECUACIONES LINEALES
6. MÉTODOS DE RESOLUCIÓN DE UN SISTEMA DE
ECUACIONES LINEALES HOMOGÉNEO
ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
172
1. Disposición matricial de un sistema de ecuaciones
lineales

Partiremos de un sistema de n incógnitas y m ecuaciones, cuya forma es:

m n mn m m m
n n
n n
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
= + + + +
= + + + +
= + + + +
L
M M M M O M M M M M M
L
L
3 3 2 2 1 1
2 2 3 23 2 22 1 21
1 1 3 13 2 12 1 11


Dando la forma matricial:

(
(
(
(
(
¸
(

¸

mn m m m
n
n
a a a a
a a a a
a a a a
L
M O M M M
L
K
3 2 1
2 23 22 21
1 13 12 11
×
(
(
(
(
(
¸
(

¸

n
x
x
x
M
2
1
=
(
(
(
(
(
¸
(

¸

m
b
b
b
M
2
1


b x A = ×

Donde:

A: Es la matriz de coeficientes que acompañan a las variables.

x : Es el vector columna de variables.

b : Es el vector columna de términos independientes.

Ejemplo 1: Dar forma matricial al siguiente sistema de ecuaciones lineales:

( )
dY c T
T Y b a G
G I C Y
+ =
− + =
+ + =


Las variables son Y, C, T.

Solución:

Reordenando el sistema, colocando las variables al lado izquierdo y las constantes
al lado derecho nos queda:

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) c T C Y d
G a T b C Y b
G I T C Y
= + + −
− = + + −
+ = + − +
1 0
0
0 1 1


Dando forma matricial:
(
(
(
¸
(

¸




1 0
0
0 1 1
d
b b ×
(
(
(
¸
(

¸

T
C
Y
=
(
(
(
¸
(

¸


+
c
G a
G I




SISTEMAS DE ECUACIONES LINEALES
173
Ejemplo 2: Dar forma matricial al siguiente sistema de ecuaciones lineales:

0
0
1 0
G I C Y
T Y Y
v eY di c I
u bY a C
d
t
d
+ + =
− =
+ + + =
+ + =



Las variables son Y, C, I.

Solución:

Reordenando el sistema y colocando las variables al lado izquierdo y las
constantes al lado derecho, tenemos:

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
0
1 0
0
1 1 1
1 0 0
0 1
G I C Y
v eY di c I C Y
u bT a I C Y b
t
= − + − +
+ + + = + +
+ − = + + −



Dando forma matricial:
(
(
(
¸
(

¸

− −

1 1 1
1 0 0
0 1 b
×
(
(
(
¸
(

¸

I
C
Y
=
(
(
(
¸
(

¸

+ + +
+ −

o
t o
o
G
v eY di c
u bT a
1
.

2. Clasificación de un sistema de ecuaciones de
acuerdo a su solución
Se puede clasificar en:

2.1. Sistema incompatible.- Si el sistema carece de solución (llamado también
sistema inconsistente).

2.2. Sistema compatible determinado.- Si tiene solución única cada variable
(llamado sistema consistente determinado).

2.3. Sistema compatible indeterminado.- Si tiene infinitas soluciones (llamado
sistema consistente indeterminado).

¿Cómo saber cuándo un sistema puede ser clasificado de acuerdo a los criterios
anteriores?

La discusión de la solución del sistema la haremos a través del Teorema de
Rouché−Fröbenius.

Pasos a seguir para identificar que tipo de solución tiene el sistema por el teorema
de Rouché−Fröbenius:

• Tener el sistema en la forma matricial b x A = × .

• Hallar el número de incógnitas en el sistema: n.

• Analizar el rango de A, ( ) r A Rango = .

• Analizar el rango de A aumentada en la columna B, ' / r b A Rango = |
.
|

\
|
.
ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
174
• Condiciones:

1. Si ' r r ≠ : el sistema es incompatible.

2. Si n r r = = ' el sistema es compatible determinado.

3. Si n r r < = ' el sistema es compatible indeterminado.

Grado de indeterminación: Nos indica cuántas variables necesitamos como dato
para poder encontrar una solución. Se calcula mediante la diferencia entre el
número de incógnitas y el rango del sistema.

Ejemplo:

1.
¹
´
¦
= −
= −
13 2 2
7
y x
y x
Sistema incompatible

Solución: { } ≡∅.

2.
¦
¹
¦
´
¦
= + +
= + + −
= − +
11 2 4
9 3 2
4 3
z y x
z y x
z y x
Sistema compatible determinado

Solución:
(
(
(
¸
(

¸

=
=
=
3
2
1
z
y
x
.

3.
¦
¹
¦
´
¦
= + +
= + +
= − +
6 7 4
9 2 5 2
4 2
z y x
z y x
z y x
Sistema compatible indeterminado

Solución: infinitas soluciones para cada variable.

4.
¦
¹
¦
´
¦
− = −
− = + −
− = −
4 4
2 2
5 2
y x
z y x
z y
Sistema incompatible

Solución: { } ≡∅.

3. Geometría de un sistema de ecuaciones lineales

3.1. Dos ecuaciones lineales con dos incógnitas.- Consideremos el siguiente
sistema de dos ecuaciones lineales con dos incógnitas x y y:

2 22 21
1 12 11
b y a x a
b y a x a
= +
= +


SISTEMAS DE ECUACIONES LINEALES
175
Donde
11
a ,
12
a ,
21
a ,
22
a ,
1
b y
2
b son números dados. Sabemos que la
gráfica de cada una de las ecuaciones es una recta (excepto en los casos
extremos 0 0 0 y 0 0 0 ≠ = + = + b y x y x ). A continuación se presenta una
interpretación geométrica de cada una de las posibles soluciones de un
sistema de dos ecuaciones lineales con dos incógnitas, a través de ejemplos:

a) Sistema incompatible

Consideremos el siguiente sistema:

¹
´
¦
= −
= −
13 2 2
7
y x
y x


Desarrollando este sistema se obtiene lo siguiente 13 14 = , lo cual es
falso. Por lo tanto, estamos frente a un sistema que no tiene solución.

Geométricamente:

y
x

En la gráfica se observan dos rectas paralelas y distintas, lo que indica
que no hay solución por no tener intersección.

b) Sistema compatible determinado

Consideremos el siguiente sistema:

¹
´
¦
= +
= −
5
7
y x
y x


Desarrollando este sitema se obtiene lo siguiente 6 = x y 1 − = y . Por lo
tanto, estamos frente a un sistema con solución única.

Geométricamente:
( ) 1 , 6 −
y
x

ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
176
En la gráfica se observan dos rectas con pendiente diferente. Por lo tanto,
se cortan en un punto, lo cual indica que existe una solución única.

c) Sistema compatible indeterminado

Consideremos el siguiente sistema:

¹
´
¦
= −
= −
14 2 2
7
y x
y x


Desarrollando este sistema se obtiene 0 0 = . Esto siempre se cumple, es
decir estamos ante dos ecuaciones que son equivalentes. Por lo tanto,
tenemos un sistema que tiene infinitas soluciones.

Geométricamente:

y
x

Se puede observar que se tienen dos rectas paralelas que coinciden. Es
decir, se tienen un número infinito de puntos de intersección; razón por
la cual el sistema tiene infinitas soluciones.

3.2. Tres ecuaciones lineales con tres incógnitas.- Consideremos el siguiente
sistema de tres ecuaciones lineales con tres incógnitas x, y y z:

3 33 32 31
2 23 22 21
1 13 12 11
b z a y a x a
b z a y a x a
b z a y a x a
= + +
= + +
= + +


Donde:
11
a ,
12
a ,
13
a
21
a ,
22
a ,
23
a ,
31
a ,
32
a ,
33
a ,
1
b ,
2
b y
3
b son números
dados. Sabemos que la gráfica de cada una de las ecuaciones dadas es un
plano (excepto en los casos extremos 0 0 0 0 = + + z y x y
0 0 0 0 ≠ = + + b z y x ). Acontinuación se presenta una interpretación
geométrica de cada una de las posibles soluciones de un sistema de tres
ecuaciones lineales con tres incógnitas, a través de ejemplos:

a) Sistema incompatible

Consideremos el siguiente sistema:

¦
¹
¦
´
¦
− = −
− = + −
− = −
4 4
2 2
5 2
y x
z y x
z y

SISTEMAS DE ECUACIONES LINEALES
177
Desarrollando este sistema se obtiene lo siguiente 5 0 = , lo cual es falso.
Por lo tanto, estamos frente a un sistema que no tiene solución.
Geométricamente:
S
e

o
b
s
e
r
v
a
,

e
n

Los gráficos de los tres planos, en vistas diferentes, no tienen
intersección común a los tres. Esto muestra con claridad la conclusión
obtenida de forma algebraica (el sistema no tiene solución).

Otros casos donde no se tiene solución:

• Al menos dos de los planos son paralelos y distintos.


• Dos planos paralelos, intersecados por el tercero.


ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
178
b) Sistema compatible determinado
Consideremos el siguiente sistema:
¦
¹
¦
´
¦
= + +
= + + −
= − +
11 2 4
9 3 2
4 3
z y x
z y x
z y x


Desarrollando este sitema se obtiene 1 = x , 2 = y y 3 = z . Por lo tanto,
estamos frente a un sistema con solución única.
Geométricamente:

En la gráfica se puede observar como los tres planos se intersectan en un
solo punto, razón por la cual el sistema tiene solución única.
c) Sistema compatible indeterminado
Consideremos el siguiente sistema:

¦
¹
¦
´
¦
= + +
= + +
= − +
6 7 4
9 2 5 2
4 2
z y x
z y x
z y x


Desarrollando este sitema se obtiene 0 0 = , lo cual siempre es
verdadero. Es decir, el sistema tiene infinitas soluciones.
Geométricamente:

SISTEMAS DE ECUACIONES LINEALES
179
En la figura se observa que los tres planos se intersectan en una misma
recta, por lo cual, cada punto de esta recta indica una solución. Es decir,
un número infinito de soluciones.

Otros casos donde se obtienen infinitas soluciones son:

• Los tres planos coinciden. Entonces cada punto sobre el plano es un
una solución. Así se tiene un número infinito de soluciones.


• Dos de los planos coinciden e intersectan a un tercero en una recta.
Es decir cada punto sobre la recta es una solución. Por lo tanto, existe
un número infinito de soluciones.



4. Clasificación de un sistema de ecuaciones lineales
de acuerdo al vector
b
uur


Se clasifica en:

4.1. Sistema de ecuaciones homogéneo.- Es un sistema de ecuaciones que
adopta la forma A× x = 0 .

ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
180
Ejemplo:
(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

×
(
(
(
¸
(

¸



0
0
0
11 5 5
8 6 13
2 9 3
z
y
x


4.2. Sistema de ecuaciones no homogéneo.- Es un sistema que adopta la
forma b x A = × , donde b es un vector no nulo.

Ejemplo:
(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

×
(
(
(
¸
(

¸



10
6
4
3 2 9
2 4 5
1 3 1
z
y
x


5. Métodos de resolución de un sistema de ecuaciones
lineales

5.1. Método de la matriz inversa.- Se podrá utilizar cuando tengamos un
sistema de n ecuaciones con n incógnitas, y se verifique que el ( ) 0 ≠ A Det
(las condiciones anteriores implican que nuestro sistema sea compatible).

Esto es:
x A× = b
x A A × ×
−1
= b A ×
−1

x I × = b A ×
−1

x = b A ×
−1


Esto significa que para poder hallar el vector columna de variables debemos
hallar la inversa de A (
1 −
A ) y después debe ser postmultiplicada por el vector
columna de términos independientes b .

Ejemplo: Resolver el siguiente sistema de ecuaciones por el método de la
matriz inversa.

6 3
2 3
12 3 4 2
4 2
4 3 2 1
4 3 2 1
4 3 2 1
4 3 2 1
= − + −
− = + − +
= + + +
= + + +
x x x x
x x x x
x x x x
x x x x


Solución:

Dando forma matricial:

(
(
(
(
¸
(

¸


=
(
(
(
(
(
¸
(

¸

×
(
(
(
(
¸
(

¸

− −

6
2
12
4
1 3 1 1
1 1 1 3
1 3 4 2
1 2 1 1
4
3
2
1
x
x
x
x



SISTEMAS DE ECUACIONES LINEALES
181
Hallando la inversa de A:

(
(
(
(
¸
(

¸

− −

− − −

=

3 1 0 3 1 1
8 1 8 1 0 4 1
48 5 16 1 3 1 8 3
16 3 16 5 0 8 1
1
A

Efectuando
1 −
A × b :

(
(
(
(
¸
(

¸


=
(
(
(
(
¸
(

¸


×
(
(
(
(
¸
(

¸

− −

− − −

= ×

2
2
2
0
6
2
12
4
3 1 0 3 1 1
8 1 8 1 0 4 1
48 5 16 1 3 1 8 3
16 3 16 5 0 8 1
1
b A

De lo que se concluye:

(
(
(
(
¸
(

¸


=
(
(
(
(
(
¸
(

¸

2
2
2
0
4
3
2
1
x
x
x
x


5.2. Método de Cramer.- Se podrá utilizar cuando se pueda reducir nuestro
sistema a n ecuaciones con n incógnitas, y se verifique que el ( ) 0 ≠ A Det ,
(las condiciones anteriores implican que nuestro sistema sea compatible).

Procedimiento:

1º. Hallar el determinante de A: ( ) A Det .

2º. Definir la variable a la cual deseamos encontrar su solución.

3º. Crear una matriz, a partir de la matriz A, cambiando la columna de
constantes que afecta la variable a determinar, por la columna de los
términos independientes.

4º. Hallar el determinante de esa matriz modificada.

5º. Dividir el determinante de la matriz modificada entre el determinante de
la matriz A.

n n nn n n n
n n
n n
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
= + + + +
= + + + +
= + + + +
L
M M M M O M M M M M M
L
L
3 3 2 2 1 1
2 2 3 23 2 22 1 21
1 1 3 13 2 12 1 11


Dando forma matricial:
(
(
(
(
(
¸
(

¸

nn n n n
n
n
a a a a
a a a a
a a a a
L
M O M M M
L
K
3 2 1
2 23 22 21
1 13 12 11
×
(
(
(
(
(
¸
(

¸

n
x
x
x
M
2
1
=
(
(
(
(
(
¸
(

¸

n
b
b
b
M
2
1

ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
182
A× x = b

Para hallar las variables efectuamos el método de Cramer:

nn n n
n
n
nn n n
n
n
a a a
a a a
a a a
a a b
a a b
a a b
x
L
M O M M
L
L
L
M O M M
L
L
2 1
2 22 21
1 12 11
2
2 22 2
1 12 1
1
= ,
nn n n
n
n
nn n n
n
n
a a a
a a a
a a a
a b a
a b a
a b a
x
L
M O M M
L
L
L
M O M M
L
L
2 1
2 22 21
1 12 11
1
2 2 21
1 1 11
2
= , …

nn n n
n
n
n n n
n
a a a
a a a
a a a
b a a
b a a
b a a
x
L
M O M M
L
L
L
M O M M
L
L
2 1
2 22 21
1 12 11
2 1
2
2
2 21
1 12 11
=

Ejemplo: Resolver el siguiente sistema de ecuaciones por el método de
Cramer.

6 3
2 3
12 3 4 2
4 2
4 3 2 1
4 3 2 1
4 3 2 1
4 3 2 1
= − + −
− = + − +
= + + +
= + + +
x x x x
x x x x
x x x x
x x x x


Solución:

Dando forma matricial:

(
(
(
(
¸
(

¸


=
(
(
(
(
(
¸
(

¸

×
(
(
(
(
¸
(

¸

− −

6
2
12
4
1 3 1 1
1 1 1 3
1 3 4 2
1 2 1 1
4
3
2
1
x
x
x
x








SISTEMAS DE ECUACIONES LINEALES
183
Resolviendo por Cramer:

0
48
0
1 3 1 1
1 1 1 3
1 3 4 2
1 2 1 1
1 3 1 6
1 1 1 2
1 3 4 12
1 2 1 4
1
= =
− −

− −
− −
= x 2
48
96
1 3 1 1
1 1 1 3
1 3 4 2
1 2 1 1
1 3 6 1
1 1 2 3
1 3 12 2
1 2 4 1
2
= =
− −


− −
= x

2
48
96
1 3 1 1
1 1 1 3
1 3 4 2
1 2 1 1
1 6 1 1
1 2 1 3
1 12 4 2
1 4 1 1
3
= =
− −

− −

= x 2
48
96
1 3 1 1
1 1 1 3
1 3 4 2
1 2 1 1
6 3 1 1
2 1 1 3
12 3 4 2
4 2 1 1
4
− =

=
− −


− −
= x

5.3. Método de eliminación de Gauss–Jordan.- Es usado para cualquier tipo de
sistema de ecuaciones lineales.

Este método puede indicarnos que tipo de solución da nuestro sistema de
ecuaciones lineal.

Para entender este método debemos dar alguna idea de transformaciones
elementales.

Operaciones o transformaciones elementales

Trabajaremos con filas (también se puede trabajar con columnas).

Si se tiene una matriz y se le aplica una operación elemental, aquella matriz
resultante toma el nombre de matriz elemental.

Tenemos tres operaciones elementales:

Tipo I: Intercambian filas (o columnas):
F
i j
≡ F
i
↔ F
j
C
i j
≡ C
i
↔ C
j


Tipo II: Multiplicar una fila (o columna) por un número distinto de cero:

) (t
i
F ≡ t F
i

) (t
i
C ≡ t C
i


Tipo III: Sumar a una fila (o columna) un múltiplo de otra fila (o
columna):

) (t
ij
F ≡ F
i
+ t F
j

) (t
ij
C ≡ C
i
+t C
j



Capítulo IV

Autovalores y Autovectores






En una zona geográfica que contiene varias ciudades se venden dos marcas diferentes,
A y B, de leche esterilizada. Las estadísticas de los estudios de mercado realizados en
los últimos meses nos indica la proporción de personas que cambia de marca de leche
cada mes. Este cambio está motivado por diferentes razones como el precio, la
propaganda, etc. Para ello se sabe que la proporción de clientes de la marca A que sigue
comprando mensualmente la misma marca es
10
8
. Por otra parte la proporción de
clientes que se mantiene con la marca B es
10
7
. Si se sabe que en un inicio ambas
marcas se dividían el mercado en forma equitativa. A lo largo del tiempo, ¿Cómo serán
las proporciones para cada marca? (Suponer que la suma de los clientes de ambas
marcas se mantienen constantes a lo largo del tiempo).






TEMARIO 1. INTRODUCCIÓN
2. AUTOVALORES Y AUTOVECTORES
3. MATRICES SEMEJANTES
4. DIAGONALIZACIÓN
5. MATRICES SIMÉTRICAS Y DIAGONALIZACIÓN
ORTOGONAL
1. Introducción

Los autovalores y autovectores son herramientas invaluables en el estudio de
sistemas de ecuaciones lineales y no lineales; también juegan un papel importante
en muchos aspectos de la Teoría Económica. Ellos son los componentes de
soluciones explícitas de modelos dinámicos lineales. Además, los signos de los
autovalores determinan la estabilidad para el equilibrio de modelos dinámicos no
lineales. Consecuentemente, ellos juegan un rol central en las condiciones de
segundo orden, que distinguen un máximo de un mínimo en la optimización de
problemas económicos. También nos sirven para resolver sistemas de ecuaciones
diferenciales y para resolver procesos de Markov.

2. Autovalores y autovectores

El autovalor llamado también raíz característica, valor propio, valor característico,
valor invariante, valor latente, eingenvalor (eingen = propio, es una palabra
alemana), etc. Se representará por λ (lambda).

El autovector llamado también vector característico, vector propio, vector
invariante, vector latente, eingenvector, etc. Lo representaremos con c .

Veamos un ejemplo que nos permita entender su uso:

Ejemplo:

Suponer un proceso lineal dependiente, en el que el valor de un instante está en
función del instante anterior.

t 1
1
2
6 8
y x y
y x x
t t
t t t
− − =
+ − =
+
+


Dando forma matricial:

t t
t
t
t
t
z A z
y
x
y
x
× =
(
(
¸
(

¸

×
(
¸
(

¸

− −

=
(
(
¸
(

¸

+
+
+
1
1
1
1 2
6 8



Si consideramos t = 0 como el instante inicial, entonces tenemos:

| |
| |
| |
0 0
1
1
0
3
0
2
3 2 3
0
2
0 2 1 2
0 1
z A z A A z z A z
z A z A A z z A z
z A z A A z z A z
z A z
t t
t t t
× = × × = → × =
× = × × = → × =
× = × × = → × =
× =


M


Si conocemos
0
z , se puede calcular el proceso en cualquier instante de acuerdo a
la siguiente ecuación:

0
z A z
t
t
× = (I)

Observando la expresión anterior nos damos cuenta que el cálculo más
complicado es hallar
t
A , conforme t sea más grande más laborioso resultará su
cálculo. Para evitar este engorroso trabajo, consideremos una matriz C.

(
¸
(

¸

=
1 2
2 3
C

Que es invertible:

(
¸
(

¸



=

3 2
2 1
1
C

Se verifica que:

(
¸
(

¸



=
(
¸
(

¸

×
(
¸
(

¸

− −

×
(
¸
(

¸



= × ×

5 0
0 4
1 2
2 3
1 2
6 8
3 2
2 1
1
C A C

Observamos que se forma una matriz diagonal:

D C A C = × ×
−1


Podemos hallar A:

1
1 1
1


− −

× × =
× × = × ×
× = × × ×
C D C A
C D C C C A
D C C A C C


Si deseamos hallar
t
A :

( ) ( ) ( ) ( )
4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 2 1
L
veces t
t
t
C D C C D C C D C C D C A
1 1 1 1 − − − −
× × × × × × × × × = × × =

Reagrupando obtenemos:

( ) ( ) ( )
1
1 1 1 1

− − − −
× × =
× × × × × × × × × × × × × =
C D C A
C D C C D D C C D C C D C A
t t
t
L


Si reemplazamos en la ecuación (I) tenemos:

0
1
z C D C z
t
t
× × × =



Ahora nosotros debemos hallar
t
D :

( )
( )
4 0 4 0
0 5
0 5
t t
t
t
D
(
− − (
( = =
(

( − ¸ ¸
¸ ¸

Recordar, que si tenemos una matriz diagonal y nos piden dicha matriz elevada a
la potencia t entonces podemos encontrarla de forma rápida de la siguiente
manera:

( )
( )
( )
(
(
(
(
(
¸
(

¸

=
(
(
(
(
(
¸
(

¸

=
t
nn
t
t
t
nn
t
d
d
d
d
d
d
D
L
M O M M M
L
L
L
M O M M M
L
L
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
22
11
12
11


Esta simplificación sugiere estudiar lo siguiente: si dada una matriz cuadrada A, se
puede encontrar una matriz invertible C, tal que C A C × ×
−1
sea una matriz
diagonal.

Veremos algunas características de esta matriz C:

El producto de A por cada uno de los vectores columna de C tiene como resultado:

(
¸
(

¸

− =
(
¸
(

¸



=
(
¸
(

¸

×
(
¸
(

¸

− −

2
3
4
8
12
2
3
1 2
6 8


(
¸
(

¸

− =
(
¸
(

¸



=
(
¸
(

¸

×
(
¸
(

¸

− −

1
2
5
5
10
1
2
1 2
6 8


Observamos que –4 y –5 son los elementos de esa matriz diagonal D y nos damos
cuenta como están relacionados con las columnas de la matriz C. Si denotamos
como λ
1
y λ
2
los elementos de la diagonal D y por
1
c y
2
c las dos columnas de
la matriz C, entonces se cumple que:

1 1 1
c λ c A = ×

2 2 2
c λ c A = ×

O equivalentemente:

D c c c c A ×
(
¸
(

¸

=
(
¸
(

¸

×
2 1 2 1


Es decir:
D C C A × = ×

Los vectores
1
c y
2
c se llaman vectores propios de A, mientras que los escalares
λ
1
y λ
2
se llaman autovalores.

En este capítulo nos dedicaremos al estudio de los valores y vectores propios de
matrices cuadradas reales, por lo tanto a la diagonalización de estas matrices.

Por lo mostrado anteriormente, un conjunto útil de resultados para analizar una
matriz A, surge de las soluciones al conjunto de ecuaciones:

c λ c A = ×

Donde c es un vector no nulo, las soluciones de la anterior ecuación matricial son
los vectores característicos c y las raíces características λ.

(
(
(
(
(
(
¸
(

¸

=
(
(
(
(
(
(
¸
(

¸

×
(
(
(
(
(
(
¸
(

¸

n n nn n n n
n
n
n
c
c
c
c
c
c
c
c
a a a a
a a a a
a a a a
a a a a
M M
L
M O M M M
L
L
L
3
2
1
3
2
1
3 2 1
3 33 32 31
2 23 22 21
1 13 12 11
λ

n nn n n n
n
n
λc a c a c a c a
λc a c a c a c a
λc a c a c a c a
= + + + +
= + + + +
= + + + +
L
M M
L
L
3 3 2 2 1 1
2 2 3 23 2 22 1 21
1 1 3 13 2 12 1 11


Observamos que tenemos n ecuaciones y 1 + n incógnitas ( )
λ , , , ,
2 1 n
c c c L
.
Para eliminar la indeterminación, en algunos casos se normaliza c de modo que:

1
1
2 2
3
2
2
2
1
= + + + +
= ×
n
t
c c c c
c c
L


La solución está constituidapor λ y las ( ) 1 − n incógnitas de c .

Ecuación característica:

( ) 0
0

tica caracterís matriz
= × −
= × − ×
× = ×
= ×
c I A
c λI c A
c λI c A
c λ c A
43 42 1
λ


Aquí tenemos un sistema homogéneo donde deseamos un vector c no nulo. Por
lo tanto, la solución de este sistema va ser compatible indeterminada y debe
cumplir:

( ) 0 = − = − λI A I A Det λ

La expresión anterior toma el nombre de ecuación característica, la cual forma
un polinomio en λ de grado n que depende del orden de la matriz cuadrada A. Este
polinomio (polinomio característico) puede dar como respuesta valores complejos
conjugados, valores reales distintos, valores repetidos e incluso 0. A estos valores
se les conoce como autovalores.

Multiplicidad algebraica.- Es el número de veces que aparece el autovalor como
raíz del polinomio característico.
Una definición que se deriva de lo visto anteriormente es el autovalor de A, que es
un número λ tal que cuando lo sustraemos de cada elemento de la diagonal
principal convierte a la matriz A en una matriz singular.
Propiedades de los autovalores con respecto a algunas matrices:
• Si la matriz cuadrada es simétrica, siempre los autovalores λ van a ser valores
reales (distintos, valores repetidos e incluso 0).
• Si tenemos una matriz diagonal A, entonces sus autovalores son los elementos de
la diagonal.
8
5
8 0
0 5

2
1
− =
=
(
¸
(

¸


=
λ
λ
A


• Si tenemos una matriz triangular (ya sea superior o inferior), entonces sus
autovalores son los elementos de la diagonal.
2. algebraica dad multiplici con 1
5
1 8 0
0 1 2
0 0 5

3 2
1
− = =
=
(
(
(
¸
(

¸


− =
λ λ
λ
A


• Si A es una matriz cuadrada entonces se cumple:
a) A y
t
A tienen los mismos valores propios con las mismas multiplicidades
algebraicas.
b) Si λ es un autovalor de A y k ≥ 1, entonces
k
λ es un valor propio de
k
A .
• Sea A una matriz cuadrada de orden n con autovalores:
n
λ λ λ λ , , , ,
3 2 1
L
entonces se cumple:
a) Traza (A) =
n
λ λ λ λ + + + + L
3 2 1
.

b) ( ) A Det = A =
n
λ λ λ λ ⋅ ⋅ ⋅ ⋅ L
3 2 1
.

• Si tenemos tres matrices A, B y C no singulares entonces:
( ) ( ) A Rango C B A Rango = × ×

• El rango de una matriz simétrica es el número de raíces características distintas
de cero que contiene.
• El rango de una matriz A es igual al número de raíces características distintas de
cero en ( ) A A
t
× .

• Las raíces características no nulas de
t
A A× son las mismas que A A
t
× .
• Si A
−1
existe, las raíces características de A
−1
son las recíprocas de A, y los
vectores característicos son los mismos.

Ejemplo: Hallar los autovalores de las siguientes matrices:

1.
(
¸
(

¸

=
4 2
1 5
A

Solución:
(
¸
(

¸



=
(
¸
(

¸


(
¸
(

¸

= −
λ
λ
λ λI A
4 4
1 5
1 0
0 1
4 2
1 5


( )( ) ( )
( )
( )( )
3 6
0 3 6 λ
0 18 9
0 1 2 4 5
2 1
2
= =
= − − =
= + − =
= − − − = −
λ y λ
λ
λ λ λ P
λ λ λI A


2.
(
(
(
¸
(

¸

=
1 0 1
1 1 0
0 0 2
A

Solución:


1 0 1
1 1 0
0 0 2

1 0 0
0 1 0
0 0 1

1 0 1
1 1 0
0 0 2
(
(
(
¸
(

¸



− −
=
(
(
(
¸
(

¸


(
(
(
¸
(

¸

= −
λ
λ
λ
λI A λ

( )( )
2. algebraica ad mutiplicid con 1 y 2
0 1 2
3 2 1
2
= = − =
= − + − = −
λ λ λ
λ λ λI A


3.
(
¸
(

¸


=
4 2
1 5
A

Solución:

(
¸
(

¸

− −

=
(
¸
(

¸


(
¸
(

¸


= −
λ
λ
λ λ
4 2
1 5
1 0
0 1
4 2
1 5
I A

( )( ) ( )
2
7 9
y
2
7 9

0 22 9 ) (
0 1 2 4 5
2 1
2
i i
P
I A

=
+
=
= + − =
= + − − = −
λ λ
λ λ λ
λ λ λ


Nota: En este caso, los autovalores no son reales. Algunos libros imponen que
los autovalores sean reales, pero con ello limitan la utilidad de los autovalores y
autovectores.

Por simplicidad, nosotros trabajaremos con autovalores reales.

4.
(
¸
(

¸

=
2 0
0 2
A

Solución:
(
¸
(

¸



=
(
¸
(

¸


(
¸
(

¸

= −
λ
λ
λ λ
2 0
0 2
1 0
0 1
2 0
0 2
I A

2. algebraica dad multiplici con 2
0 4 4 ) (
0 ) (2
2 1
2
2
= =
= + − =
= − = −
λ λ
λ λ λ
λ λ
P
I A


5.
(
¸
(

¸

=
4 2
2 1
A

Solución:
(
¸
(

¸



=
(
¸
(

¸


(
¸
(

¸

= −
λ
λ
λ λ
4 2
2 1
1 0
0 1
4 2
2 1
I A

( )( )
0 y 5
0 5 ) (
0 4 4 1
2 1
2
= =
= − =
= − − − = −
λ λ
λ λ λ
λ λ λ
P
I A


Autovectores (o vectores característicos):
Conociendo λ, los vectores característicos se hallan resolviendo:
( ) 0 = × −
= ×
c λI A
c λ c A


Ejemplo: Hallar los autovectores para los ejercicios anteriores:
1. 3 6
4 2
1 5
2 1
= =
(
¸
(

¸

= λ y λ A .

Solución:
: 6 λ Para
1
=
( ) 0
1
= × − c I λ A
(
¸
(

¸

=
(
(
¸
(

¸

×
(
¸
(

¸

(
¸
(

¸


(
¸
(

¸

0
0
1 0
0 1
6
4 2
1 5
2
1
c
c

(
¸
(

¸

=
(
(
¸
(

¸

×
(
¸
(

¸



(
¸
(

¸

=
(
(
¸
(

¸

×
(
¸
(

¸



=
0
0
2 2
1 1
0
0
6 4 2
1 6 5
2
1
1
2
1
c
c

c
c

Rango
43 42 1

Como el rango es 1 significa que existe una ecuación linealmente
independiente.

. soluciones infinitas tiene 0 2 2
2 1 2 1
c c c c = → = −
{ } 0
1
1
: es autovector El
1 1
2
1
− ∈
(
¸
(

¸

=
(
(
¸
(

¸

R c c
c
c


Puede ser:
etc. , ,
5 1
5 1
2
2
1
1
1
K
(
¸
(

¸

(
¸
(

¸

(
¸
(

¸

=
.
.
, , c

Pero si normalizamos
1
c , es decir 1
1 1
= × c c
t
la respuesta es:
| |
1
1
2
2
2
1
2
1
2 1
= +
=
(
(
¸
(

¸

×
c c
c
c
c c


: tanto lo por que sabemos Si
2 1
c c =
(
(
¸
(

¸



(
(
¸
(

¸

=
± = =
2 1
2 1
o
2 1
2 1
2
1
1
2 1
c
c c


: 3 Para
2
= λ
(
¸
(

¸

=
(
(
¸
(

¸

×
(
¸
(

¸

(
¸
(

¸

=
(
(
¸
(

¸

×
(
¸
(

¸



=
0
0
1 2
1 2

0
0
3 4 2
1 3 5

2
1
1
2
1
c
c
c
c
Rango
3 2 1


Como el rango es 1 significa que existe una ecuación linealmente
independiente.
1 2 2 1
2 0 2 c c c c − = → = +
: ser Puede
etc. , ,
4
2
2
1
2
1
2
K
(
¸
(

¸


(
¸
(

¸

(
¸
(

¸


= , ,

c
: es respuesta la entonces , 1 decir es , os normalizam si Pero
2 2 2
= × c c c
t

( ) 1 2
1
2
1
2
1
2
2
2
1
= − +
= +
c c
c c

1 4
2
1
2
1
= + c c
(
(
¸
(

¸


(
(
¸
(

¸


=
= ± =
5 2
5 1
o
5 2/
5 1/

5
2
,
5
1
2
2 1
/
/
c
c c m


2. 1 2 donde ,
1 0 1
1 1 0
0 0 2
3 2 1
= = − =
(
(
(
¸
(

¸

= λ y λ λ A .

Solución:

λ : 2 Para
1
− =
( ) 0
1
= × − c I λ A
(
(
(
¸
(

¸

=
(
(
(
(
¸
(

¸

×
(
(
(
¸
(

¸

+
+
+ −
0
0
0
2 1 0 1
1 2 1 0
0 0 2 2
3
2
1
c
c
c

(
(
(
¸
(

¸

=
(
(
(
(
¸
(

¸

×
(
(
(
¸
(

¸

=
0
0
0
3 0 1
1 3 0
0 0 0
3
2
1
2
c
c
c
Rango
43 42 1

Como el rango es 2 significa que existen dos ecuaciones linealmente
independientes, en este caso la segunda y tercera ecuación.

ado indetermin compatible sistema un tenemos
3
3
1

3 1
3 2
¦
)
¦
`
¹
− =
− =
c c
c c
.
{ } 0 donde
1
3 1
3
3
3
3 3
3
3
3
3
2
1
1
− ∈
(
(
(
¸
(

¸



=
(
(
(
¸
(

¸



=
(
(
(
¸
(

¸

= R c c
c
c
c
c
c
c
c

: ser puede autovector El
etc. ,
3
1
9
,
1
3 1
3
1
K , c
(
(
(
¸
(

¸



(
(
(
¸
(

¸



=
, 1 decir es , vector el os normalizam si Pero
1 1 1
= × c c c
t
tenemos que:

1
2
3
2
2
2
1
= + + c c c
( ) ( )
(
(
(
¸
(

¸


(
(
(
¸
(

¸



=
± =
= + − + −
91 3
91 1
91 9
o
91 3
91 1
91 9
91
3
1 3 3
1
3
2
3
2
3
2
3
c
c
c c c

: 1 Para
3 2
= = λ λ
( ) 0
1
= × − c I λ A
(
(
(
¸
(

¸

=
(
(
(
(
¸
(

¸

×
(
(
(
¸
(

¸

(
(
(
¸
(

¸

=
(
(
(
(
¸
(

¸

×
(
(
(
¸
(

¸



− −
=
0
0
0

0 0 1
1 0 0
0 0 3
0
0
0

1 1 0 1
1 1 1 0
0 0 1 2

3
2
1
2
3
2
1
c
c
c
c
c
c
Rango
43 42 1

Como el rango es 2 significa que existen dos ecuaciones linealmente
independientes, en este caso la primera y la segunda ecuación.
0 0 1
0 0 3
3 3
1 1
= → =
= → = −
c c
c c

{ } 0 donde
0
1
0
0
0
2 2 2
3
2
1
2
− ∈
(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

= R c c c
c
c
c
c
El autovector puede ser:
etc. , ,
0
1
0
,
0
2
0
,
0
1
0
2
K
(
(
(
¸
(

¸


(
(
(
¸
(

¸

(
(
(
¸
(

¸

= c
, 1 decir es , vector el os normalizam si Pero
2 2 2
= × c c c
t
tenemos que:

( ) ( ) ( ) 1 0 0
1
2 2
2
2
2
3
2
2
2
1
= + +
= + +
c
c c c


1
2
± = c

(
(
(
¸
(

¸


(
(
(
¸
(

¸

=
0
1
0
o
0
1
0
2
c

• El conjunto de autovectores asociado a un autovalor λ junto con el vector nulo,
forman un subespacio vectorial de R
n
de dimensión n menos el rango de la
matriz característica ( I A λ − ). Al espacio propio de un autovalor lo denotaremos
como E
λ
.
dim(E
λ
) = n − Rango( I A λ − )
Al espacio propio de un autovalor también se le conoce como la envolvente de
los autovectores linealmente independientes para ese autovalor
( { }
k
c c c c Env , , , ,
3 2 1
K ). Asimismo, el espacio propio de un autovalor está
constituido por los autovectores generadores linealmente independientes de
dicho autovalor ( { }
k
c , , c , c , c Gen K
3 2 1
).

• Espacio propio es un subespacio de A correspondiente al valor propio λ.
• Vectores propios correspondientes a valores propios distintos son linealmente
independientes.
, : si
3 2 1 n
λ λ λ λ ≠ ≠ ≠ ≠ L entonces:
{ } , , , , ,
4 3 2 1 n
c c c c c L son linealmente independientes

Ejemplo: Calcular los valores, vectores y espacios propios de la matriz siguiente:
(
(
(
¸
(

¸

=
2 2 1
1 3 1
1 2 2
A

Solución:
2. algebraica dad multiplici con 1 , 5
0 ) 1 )( 5 ( ) (
0 ) (
2 1
2
= =
= − − − =
= − =
λ λ
λ λ λ
λ λ
P
I A P

Para: : 5
1
= λ
(
(
(
¸
(

¸

=
(
(
(
(
¸
(

¸

×
(
(
(
¸
(

¸




=
0
0
0

3 2 1
1 2 1
1 2 3

3
2
1
2
c
c
c
Rango
4 4 3 4 4 2 1

Como el rango es 2 significa que existen dos ecuaciones linealmente
independientes, en este caso podemos tomar la segunda y tercera ecuación.
2 3 1 3 2 1
2 3 1 2 3 3 2 1
2 3 0 3 2
2 0 2
c c c c c c
c c c c c c c c
− = → = − +
= → − = → = + −

( )
2 1
2 1 2 1
2 2 3
c c
c c c c
=
− − =

3 2 1
c c c = = →
{ } 0
1
1
1
1 1
1
1
1
1
− ∈
(
(
(
¸
(

¸

=
(
(
(
(
¸
(

¸

= R c c
c
c
c
c
etc. , ,
2 1
2 1
2 1
2
2
2
1
1
1
1
K
(
(
(
¸
(

¸

(
(
(
¸
(

¸

(
(
(
¸
(

¸

=
/
/
/
, , c
: do normalizan estamos 1 considera se Si
1 1 1
c c c
t
= ×
3
1
1
1
2
3
2
2
2
1
=
= + +
c
c c c

(
(
(
(
¸
(

¸

=
3 / 1
3 / 1
3 / 1

1
c
: propio espacio El
¦
)
¦
`
¹
¦
¹
¦
´
¦
(
(
(
¸
(

¸

= =
=
1
1
1
)} 1 , 1 , 1 {(
5
Gen Env E
λ

( ) ( )
( ) :
1 1
5
I A Rango
I A Rango n E dim
λ
λ
λ

= − − = =
=


3 2 1
1 2 1
1 2 3

|
|
|
.
|

\
|
(
(
(
¸
(

¸




Rango
3 rango tanto lo por , 0
3 2 1
1 2 1
1 2 3
2 menos lo por rango 4 2 6
2 1
2 3
≠ =



= − =



( ) 2. I = − ∴ λ A Rango

: 1 Para
2
= λ
(
(
(
¸
(

¸

=
(
(
(
(
¸
(

¸

×
(
(
(
¸
(

¸

=
0
0
0
1 2 1
1 2 1
1 2 1
3
2
1
1
c
c
c
Rango
43 42 1


Como el rango es 1 significa que existe una ecuación linealmente independiente,
en este caso puede ser cualquiera de ellas.

2 1 3
3 2 1
2
0 2
c c c
c c c
− − =
= + +

R c c c c
c c
c
c
c ∈
(
(
(
¸
(

¸


+
(
(
(
¸
(

¸


=
(
(
(
¸
(

¸

− −
=
2 1 2 1
2 1
2
1
2
y donde ;
2
1
0
1
0
1

2

: propio espacio El
)} 2 , 1 , 0 ( ), 1 , 0 , 1 {(
1
− − =
=
Env E
λ


( )
3
2
1
=
= − − =
=
n
I A Rango n ) E dim( λ
λ


( ) : I A Rango λ −
1 es rango el ;
1 2 1
1 2 1
1 2 1
(
(
(
¸
(

¸

= − I A λ
2 ) E dim(
λ
= − =
=
1 3
1
.

: matriz la de propios espacios y vectores valores, los calcular : Ejemplo
(
(
(
¸
(

¸

− − −
− − −
=
7 3 2
1 9 8
9 5 5
A

• Multiplicidad geométrica. Sea λ un valor propio de la matriz A, entonces la
multiplicidad geométrica de λ es la dimensión del espacio propio
correspondiente a λ. Es decir, la multiplicidad geométrica de λ = dim(E
λ
).

• Sea λ un valor propio de A entonces:
La multiplicidad geométrica de λ ≤ la multiplicidad algebraica de λ.

• Sea A una matriz n n× , entonces A tiene n vectores propios linealmente
independientes si y sólo si la multiplicidad geométrica de cada autovalor es igual
a su multiplicidad algebraica. En particular, A tiene n autovectores linealmente
independientes, si todos los valores propios son distintos (ya que la
multiplicidad algebraica de cada valor propio es 1).

3. Matrices semejantes

Se dice que las matrices cuadradas del mismo orden son semejantes, si existe una
matriz invertible C tal que:

C A C B
C B C A
× × =
× × =


1
1


Sean A y B matrices semejantes, entonces A y B tienen el mismo polinomio
característico P( λ ) y tienen los mismos autovalores con sus mismas
multiplicidades algebraicas.

Propiedades:

• Sean A y B dos matrices semejantes de tamaño n n× , entonces:

( ) ( )
( ) ( )
( ) ( ) B Traza A Traza
B Rango A Rango
B Det A Det
=
=
=

Nota: Que cumplan estas tres condiciones no necesariamente implica que A y B
sean semejantes.

• Si dos matrices son semejantes también lo son las potencias de ambas de igual
exponente.

A semejante a B
k
A semejante a
k
B

Ejemplo: Comprobar que C A C B × × =
−1
, es decir A y B son semejantes:

(
(
(
¸
(

¸

− =
(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

− =
1 1 0
1 0 1
0 2 0
1 0 0
1 2 0
1 1 1
2 0 0
1 1 1
2 0 1
y C , B A

Solución:

Primero debemos comprobar que C es invertible para eso hallamos C :

2 − = C

Como C es distinto de cero, podemos decir que es invertible. Por lo tanto,
cumple:

(
(
(
¸
(

¸

− =
(
(
(
¸
(

¸

×
(
(
(
¸
(

¸

− = ×
2 2 0
0 1 1
2 4 0
1 0 0
1 2 0
1 1 1

1 1 0
1 0 1
0 2 0
B C

(
(
(
¸
(

¸

− =
(
(
(
¸
(

¸

− ×
(
(
(
¸
(

¸

− = ×
2 2 0
0 1 1
2 4 0
1 1 0
1 0 1
0 2 0
2 0 0
1 1 1
2 0 1
C A
Si B C C A × = × entonces A y B son semejantes.

4. Diagonalización

Las matrices diagonales tienen la ventaja de que es sencillo trabajar con ellas.

Tenemos las siguientes matrices diagonales:

(
(
(
(
(
¸
(

¸

=
(
(
(
(
(
¸
(

¸

=
kk kk
e
e
e
, E
d
d
d
D
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
22
11
22
11
L
M M O M M M
L
L
L
M M O M M M
L
L


,
d e
d e
d e
E D
kk kk
(
(
(
(
(
¸
(

¸

= ×
0 0 0 0
0 0 0 0
0 0 0 0
22 22
11 11
L
M M O M M M
L
L


(
(
(
(
(
¸
(

¸

=
k
kk
k
k

k
d
d
d
D
0 0 0 0
0 0 0 0
0 0 0 0
22
11
L
M M O M M M
L
L

(
(
(
(
(
¸
(

¸

=

kk
d
d
d
D
/ 1 0 0 0 0
0 0 0 / 1 0
0 0 0 0 / 1
22
11
1
L
M M O M M M
L
L


Veamos ahora qué matrices son diagonalizables:
• Una matriz cuadrada A se dice que es diagonalizable cuando existe una matriz
diagonal semejante a ella, es decir, si existe una matriz invertible C de tamaño
n n× tal que D C A C = × ×
−1
, entonces se dice que la matriz C diagonaliza a la
matriz A.
• Si existe una matriz ortogonal C, tal que el resultado de C A C × ×
−1
es una
matriz diagonal, entonces A es diagonalizable ortogonalmente y se dice que C
diagonaliza ortogonalmente a A.
• Una matriz A de orden n n× es diagonalizable si y sólo si se tienen n vectores
propios linealmente independientes. En tal caso, la matriz diagonal D semejante
a A esta dada por:
(
(
(
(
(
¸
(

¸

=
k
D
λ
λ
λ
L
M O M M M
L
L
0 0 0
0 0 0
0 0 0
2
1


donde
1
λ ,
2
λ , ...
n
λ son los autovalores de A, y C es una matriz cuyas columnas
son los autovectores linealmente independientes de A.
C A C D × × =
−1

• Cuando A es diagonalizable, entonces el conjunto de los n vectores propios es
una base de R
n
.
• Una matriz A de orden n es diagonalizable si y sólo si, la suma de las
dimensiones de los espacios propios es n.
• Una matriz A de tamaño n n× es diagonalizable si y sólo si, se verifican las dos
condiciones siguientes:
Capítulo V

Formas Cuadráticas





La empresa Reyes−Neyra S.A fabrica tres productos en cantidades
1
x ,
2
x y
3
x ; donde
la función de beneficios es:
3 1 3 2
2
3
2
2
2
1 3 2 1
6 2 10 ) , , ( x x x x x x x x x x − − + + = π .

a. ¿Existen niveles de producción que puedan generar pérdida?
b. ¿Cómo serán los beneficios si las cantidades que se producen del primer y del
segundo producto son el doble y el triple respectivamente, de la cantidad que
produce el tercero?






TEMARIO 1. INTRODUCCIÓN
2. FORMAS CUADRÁTICAS
3. CLASIFICACIÓN DE LAS FORMAS CUADRÁTICAS
4. MÉTODO DE ESTUDIO DEL SIGNO DE LA FORMA
CUADRÁTICA
5. FORMAS CUADRÁTICAS REALES CON RESTRICCIONES
ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
320
1. Introducción

Este tipo de análisis tiene gran interés en varios ámbitos (Análisis matemático,
Estadística, etc.). Es el punto de partida para el estudio de problemas de
optimización.

Las formas cuadráticas desarrollan una excelente introducción al vocabulario y
técnicas de problemas de optimización. Además, las condiciones de segundo
orden (necesarias y/o suficientes) que distinguen un máximo de un mínimo en
optimización de problemas económicos, son expresadas en términos de formas
cuadráticas. Finalmente, un gran número de problemas de optimización tiene una
función objetivo cuadrática, por ejemplo: en finanzas se resuelven problemas de
minimización del riesgo de no recuperar una determinada inversión, donde el
riesgo es medido por la varianza de retornos de las inversiones.

Por otro lado, al buscar los máximos y mínimos relativos de una función de n
variables surgen formas cuadráticas cuyo signo es preciso conocer.

2. Formas cuadráticas

Las formas cuadráticas son las funciones más simples después de las lineales.

Las formas cuadráticas tienen matrices representativas, así el estudio de
propiedades de una forma cuadrática se reduce al estudio de propiedades de una
matriz simétrica.

Como las formas cuadráticas están relacionadas con las matrices simétricas,
daremos un breve repaso de conceptos vistos anteriormente.

Una matriz simétrica A cumple:
t
A A = .

Una matriz simétrica A es diagonalizable de la forma:

C A C D
t
× × = o
t
C D C A × × =


Donde se cumplen los siguientes conceptos:

A es semejante a D.

D es una matriz diagonal con los autovalores de A.

C es una matriz invertible y en este caso ortogonal, donde sus columnas son los
autovalores ortonormales correspondiente a los autovalores de A.

Observemos algunos ejemplos de formas cuadráticas:

( )
2
bx x Q =


( )
2
2 22 2 1 12
2
1 11 2 1
x a x x a x a x , x Q + + =

( )
2
3 33 3 2 23
2
2 22 3 1 13 2 1 12
2
1 11
3 2 1
, ,
x a x x a x a x x a x x a x a
x x x
Q + + + + + =

Concluimos:
− ¿Qué tipo de expresiones tenemos?
Un polinomio homogéneo de grado 2.

FORMAS CUADRÁTICAS
321
− ¿Qué tipo de entrada tiene esta expresión?
Un vector.

− ¿Qué resultado nos da este tipo de expresiones?
Un valor real.

− ¿Cómo generalizamos esta expresión para un vector de entrada de dimensión
n?
( )
∑∑
= ≥
=
n
i
n
i j
j i ij
n
x x a
x x x
Q
1
2 1
, , , L

∑∑
= ≥
=
|
.
|

\
|
n
i
n
i j
j i ij
x x a x Q
1


Por tanto, podemos definir una forma cuadrática ( ) x Q , como toda aplicación
(función) de
n
R en R tal que a cada vector x ∈
n
R le hace corresponder el
valor numérico dado por el polinomio cuadrático (cada uno de sus términos es de
segundo grado).

Las formas cuadráticas también tienen una representación matricial.

| |
n
x x x x L
3 2 1
×
(
(
(
(
(
(
(
(
(
(
(
(
¸
(

¸

×
(
(
(
(
(
(
(
(
(
(
(
(
(
(
¸
(

¸

n
nn n n n
n
n
n
x
x
x
x
a a a a
a a a a
a a a a
a a a a
M
L
M M M M M
L
L
L
3
2
1
3 2 1
3 33 32 31
2 23 22 21
1 13 12 11
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1


donde:
ji ij
a a = .

Compactando tenemos: x A x Q
t
× × = donde A es una matriz simétrica.

Ejemplos:

1. Exprese en forma matricial las siguientes formas cuadráticas:

a) ( )
2
2 22 2 1 12
2
1 11
2 1
x a x x a x a
x , x Q
+ + = .

b) ( )
3 2 23 3 1 13 2 1 12
2
3 33
2
2 22
2
1 11
3 2 1
x x a x x a x x a x a x a x a
x , x , x Q
+ + + + + = .

c) ( )
3 2 3 1
2
2
2
1
3 2 1
2 3 2 x x x x x x
x , x , x Q
− + − = .

ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
322
d)
2 1
2
2
2
1
4 2 x x x x
x
Q + − = |
.
|

\
|
.

e)
2
3 3 2
2
2 2 1
2
1
2 3 2 x x x x x x x
x
Q − − − + − = |
.
|

\
|
.

f)
2
3 3 2
2
2 3 1 2 1
2 2 x x x x x x x x
x
Q − − + + + − = |
.
|

\
|
.

Solución:
a) | |
2 1
x x
×
(
(
(
(
¸
(

¸

22
12
12
11
2
1
2
1
a
a
a
a
×
(
(
¸
(

¸

2
1
x
x


b) | |
3 2 1
x x x
×
(
(
(
(
(
(
(
¸
(

¸

33
23 13
23
22
12
13 12
11
2 2
2 2
2 2
a
a a
a
a
a
a a
a
×
(
(
(
¸
(

¸

3
2
1
x
x
x


c) | |
3 2 1
x x x
×
(
(
(
¸
(

¸


− −
0 1 2 3
1 2 0
2 3 0 1
×
(
(
(
¸
(

¸

3
2
1
x
x
x


2. Exprese en forma polinómica las siguientes formas cuadráticas:
a) | |
3 2 1
x x x
x
Q = |
.
|

\
|
×
(
(
(
¸
(

¸

− −
− −

1 1 0
1 3 1
0 1 1
×
(
(
(
¸
(

¸

3
2
1
x
x
x


b) | |
3 2 1
x x x
x
Q =
|
.
|

\
|
×
(
(
(
¸
(

¸

− −
− −

1 2 1 1
2 1 1 1
1 1 0
×
(
(
(
¸
(

¸

3
2
1
x
x
x


c) | |
3 2 1
x x x
x
Q =
|
.
|

\
|
×
(
(
(
¸
(

¸



11 1 1
1 1 2
1 2 5
×
(
(
(
¸
(

¸

3
2
1
x
x
x


d) | |
3 2 1
x x x
x
Q =
|
.
|

\
|
×
(
(
(
¸
(

¸

3 0 1
0 0 1
1 1 1
×
(
(
(
¸
(

¸

3
2
1
x
x
x


Solución:
a)
2
3 3 2
2
2 2 1
2
1
2 3 2 x x x x x x x
x
Q − − − + − = |
.
|

\
|

FORMAS CUADRÁTICAS
323
b)
2
3 3 2
2
2 3 1 2 1
2 2 x x x x x x x x
x
Q − − + + − = |
.
|

\
|


c)
2
3 3 2
2
2 3 1 2 1
2
1
11 2 2 4 5 x x x x x x x x x
x
Q + − + + + = |
.
|

\
|


d)
2
3 3 1 2 1
2
1
3 2 2 x x x x x x
x
Q + + + = |
.
|

\
|


3. Clasificación de las formas cuadráticas

Existen 5 Formas Cuadráticas:

3.1. Definida positiva (DP).- Si todo vector no nulo le asigna un valor positivo a
la forma cuadrática. 0 > |
.
|

\
|
x
Q ó 0 > × × x A x
t
, ∀ 0 ≠ x en
n
R .

Ejemplo: .
2
2
2
1
x x
x
Q + = |
.
|

\
|

3
x
1
x
2
x

3.2. Definida negativa (DN).- Si todo vector no nulo le asigna un valor negativo
a la forma cuadrática. 0 < |
.
|

\
|
x
Q ó 0 < × × x A x
t
, ∀ 0 ≠ x en
n
R .

Ejemplo: .
2
2
2
1
x x
x
Q − − = |
.
|

\
|

3
x
1
x
2
x

ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
324
3.3. Semidefinida positiva (SDP).- Si asigna valor positivo para unos vectores y
nulos para los demás. Llamada también definida no negativa. 0 ≥ |
.
|

\
|
x
Q ó
0 ≥ × × x A x
t
, ∀ 0 ≠ x en
n
R .

Ejemplo:
2
2 2 1
2
1
2 x x x x
x
Q + + = |
.
|

\
|
. Se observa que para todos los vectores
que se encuentran sobre el eje
1
x 0 = |
.
|

\
|
x
Q y para cualquier otro vector que
no pertenece al eje
1
x se verifica que 0 > |
.
|

\
|
x
Q .
2
x
3
x
1
x

3.4. Semidefinida negativa (SDN).- Si asigna valor negativo para unos vectores
y nulos para los demás. Llamada definida no positiva. 0 ≤ |
.
|

\
|
x
Q ó
0 ≤ × × x A x
t
, ∀ 0 ≠ x en
n
R .

Ejemplo:
2
2 2 1
2
1
2 x x x x
x
Q − − − = |
.
|

\
|
. Se observa que para todos los vectores
que se encuentran sobre el eje
1
x 0 = |
.
|

\
|
x
Q y para cualquier otro vector que
no pertenece al eje
1
x se verifica que 0 < |
.
|

\
|
x
Q .
1
x
3
x
2
x

FORMAS CUADRÁTICAS
325
3.5. Indefinida o no definida.- Si hay unos vectores a los que se les asigna valor
positivo, y a otros negativo. 0 > |
.
|

\
|
x
Q para unos x y 0 < |
.
|

\
|
x
Q para otros
x .
0 > × × x A x
t
para algunos x en
n
R y 0 < × × x A x
t
para algunos x
en
n
R .

Ejemplo:
2
2
2
1
x x
x
Q − = |
.
|

\
|
. Se observa que para todos los vectores de la
forma ( ) 0 ,
1
x x = ⇒ ( ) 0 0
1
2
1
≠ > = |
.
|

\
|
x x
x
Q (Curva AB), mientras que
para vectores de la forma ( )
2
, 0 x x = ⇒ ( ) 0 0
2
2
2
≠ < − = |
.
|

\
|
x x
x
Q (Curva
CD).
1
x
2
x
3
x

Dado que es la matriz simétrica A la que determina la forma cuadrática. Averiguar
a cuál de los 5 tipos pertenece, es lo que se conoce como estudio del signo de la
matriz simétrica A o de la forma cuadrática de la matriz A.

4. Método de estudio del signo de la forma cuadrática

Existen dos métodos para el estudio del signo de la forma cuadrática:

4.1. Método de los autovalores.-

Si: x A x
x
Q
t
× × = |
.
|

\
|

Como A es una matriz simétrica entonces
t
C D C A × × = , por lo tanto:

x C D C x
x
Q
t
t
× × × × = |
.
|

\
|


Si reemplazamos x C y
t
× = tenemos que:

ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
328
| |
3 2 1
x x x
x
Q = |
.
|

\
|
×
(
(
(
¸
(

¸




1 1 0
1 2 1
0 1 1
×
(
(
(
¸
(

¸

3
2
1
x
x
x

Solución:
(
(
(
¸
(

¸




=
1 1 0
1 2 1
0 1 1
A
( ) ( ) 0
1 1 0
1 2 1
0 1 1
=
− −
− −
− −
= − =
λ
λ
λ
λ λ I A Det P

( ) ( )( ) 0 3 1 = + + − = λ λ λ λ P
0 = λ 1 − = λ 3 − = λ

Por lo tanto, la forma cuadrática es semidefinida negativa.

Nota: Este método es conveniente siempre y cuando sea fácil hallar los
autovalores. Cuando es difícil, se calcula por métodos iterativos que no se
van a desarrollar en el presente libro.

4.2. Método de los menores principales dominantes.-

Primero debemos saber algunas definiciones para entender este método.

Menores principales de una matriz:
Sea A una matriz de n×n. Una submatriz k×k de A formada eliminando
(n − k) columnas y las mismas (n − k) filas de A es llamada submatriz
principal de A de orden k. Al determinante de la submatriz principal de k×k
se le denomina menor principal de A de orden k.

Ejemplo: Hallar los menores principales de la siguiente matriz:

(
(
(
¸
(

¸

=
33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
A

Solución:
Menor principal de orden 3 =
33 32 31
23 22 21
13 12 11
a a a
a a a
a a a


Menores principales de orden 2 =
22 21
12 11
a a
a a
,
33 31
13 11
a a
a a
,
33 32
23 22
a a
a a


Menores principales de orden 1 =
11
a ,
22
a ,
33
a
Nota: Una matriz de orden n n× tiene 1 2 −
n
submatrices principales.

Capítulo VI

Optimización Clásica






Una fábrica produce un único bien a partir de tres factores, según una función de
producción dada, siendo fijos tanto el precio de venta del producto, como los precios de
compra de los factores de producción (inputs). El beneficio obtenido por dicha empresa
es:
( ) 10
2
1
, ,
2 3
+ + − = z y x z y x π millones de dólares.
Donde x, y y z representan el número de toneladas de las tres materias primas utilizadas
en el proceso de producción. La empresa tiene un contrato con un proveedor que le
obliga a consumir exactamente 2 toneladas al mes de la primera materia prima y, que
las cantidades consumidas de las otras dos sean iguales.
Se pide:
Teniendo en cuenta las condiciones del contrato que ha firmado con el proveedor,
calcular las cantidades de materias primas que debe comprar la empresa para
maximizar los beneficios.



TEMARIO 1. INTRODUCCIÓN
2. CONCEPTOS BÁSICOS
3. OPTIMIZACIÓN LIBRE
4. OPTIMIZACIÓN RESTRINGIDA
ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
350
1. Introducción

Optimización es cualquier proceso genérico mediante el cual se obtiene la mejor
solución a un problema dado.

El problema de optimización más antiguo conocido, data del siglo V a.C., consiste
en encontrar entre todas las curvas planas cerradas del mismo perímetro aquella,
que abarca mayor superficie. La optimización clásica aparece ante el nacimiento
del cálculo diferencial en el siglo XVII.

En la actualidad la optimización matemática se encuadra en el área que se
denomina Investigación Operativa.

La optimización juega un papel importante en la teoría económica, ya que los
problemas más interesantes de optimización económica son aquellos en los que
hay más de una variable de decisión.

Ejemplo:

• Una empresa que trabaje con varios productos, donde las decisiones para obtener
un beneficio máximo, consiste en la elección de niveles óptimos de producción
de diversos bienes y en la combinación óptima de varios insumos diferentes.

La optimización matemática la podemos clasificar de la siguiente manera:


Cálculo de variaciones
Programación dinámica
Programación
lineal
Programación
Vectorial o
multiobjetivo
Programación
escalar
Teoría de juegos
estáticos
Programación
matemática
Optimización
dinámica
Optimización
estática
Programación
no lineal
Optimización
clásica
Optimización
libre
Optimización
restringida
Teoría del control o control óptimo
CLASIFICACIÓN DE LA OPTIMIZACIÓN
MATEMÁTICA
OPTIMIZACIÓN CLÁSICA
351
Hablaremos en forma sucinta de que trata cada una de ellas:

¾ Optimización estática: analiza modelos en un instante de tiempo dado.

¾ Optimización dinámica: estudia sistemas que evolucionan en el tiempo
(sistemas dinámicos). Esta técnica trabaja con variables de decisión que
dependen del tiempo.

¾ Optimización escalar: se distingue porque presenta un único objetivo.

¾ Optimización vectorial o multiobjetivo: aquella que presenta más de un
objetivo. Por ejemplo maximizar el beneficio y minimizar el número de horas
trabajadas.

¾ Teoría de juegos: estudia situaciones de conflicto y cooperación (juegos), en
las que interactúan individuos racionales que buscan obtener el mejor
resultado posible (maximizar su utilidad), teniendo en cuenta que el resultado
del juego depende de sus acciones y de las acciones del resto de jugadores.

¾ Programación lineal: consiste en optimizar una función objetivo lineal con una
serie de restricciones de desigualdad, también lineales.

¾ Programación no lineal: cuando la función objetivo y/o las restricciones de
desigualdad son no lineales.

¾ Optimización clásica: aparece cuando la función objetivo es suficientemente
diferenciable y continua.

¾ Optimización libre: sólo presenta la función objetivo sin restricciones.

¾ Optimización restringida: presenta la función objetivo y una serie de
restricciones de igualdad.

En este libro, sólo se estudiará laoptimización libre y la optimización con
restricciones de igualdad, ya que los otros temas de la optimización exceden los
objetivos del presente material.

Para nuestro estudio, supondremos que nuestra función objetivo presenta
derivadas parciales continuas de cualquier orden; con la finalidad de asegurarnos
la continuidad y la diferenciabilidad de la función objetivo y de sus derivadas
parciales.

En la formulación de un problema de optimización, primero debe definirse el
conjunto de variables independientes (variables de decisión) que intervendrán en
la función objetivo (función a optimizar) y luego las restricciones que se
presentarán en el problema.

2. Conceptos básicos

2.1. Vector gradiente.- Si una función real R R f
n
→ : admite derivadas
parciales en un punto ( )
n
a a a a a , ... , , ,
3 2 1
= , lleva asociado un vector
( ) a f ∇ que se denomina gradiente de f en a :

ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
352
( )
( ) ( ) ( ) ( )
|
|
.
|

\
|








= ∇
n
x
a f
x
a f
x
a f
x
a f
a f , , , ,
3 2 1
L

( )
( )
( )
( )
(
(
(
(
(
(
(
(
(
¸
(

¸







= ∇
n
x
a
f
x
a
f
x
a
f
a
f
M
2
1


2.2. Matriz jacobiana (Jacobiano).- Si una función vectorial
m n
R R f → :
admite derivadas parciales en un punto a , lleva asociada una matriz
( )
a
f J de orden mxn que se denomina Jacobiano de f en a .

Una función vectorial es
m
m
R x f x f x f x f ∈
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
=
|
.
|

\
|
, , ,
2 1
L ,
donde ( )
n
n
R
x x x
x ∈ =
, , ,
2 1
L
. En particular:

m
m
R
a
f
a
f
a
f
a
f ∈
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
= |
.
|

\
|
, , ,
2 1
L

n m
m
n
m m
n
n
a f
a f
a f
x
a f
x
a f
x
a f
x
a f
x
a f
x
a f
a f J
x
a f
×
(
(
(
(
(
(
(
¸
(

¸

|
.
|

\
|

|
.
|

\
|

|
.
|

\
|

=
(
(
(
(
(
(
(
(
(
(
(
(
¸
(

¸


|
.
|

\
|


|
.
|

\
|


|
.
|

\
|


|
.
|

\
|


|
.
|

\
|


|
.
|

\
|

= |
.
|

\
|
=

|
.
|

\
|

M
L L
M M
L L
K L
2
1
1
2
1
2
1
1
1


Teorema: Si el determinante del Jacobiano es distinto de 0, las componentes
de la función vectorial son funcionalmente independientes, eso quiere decir
que ninguna de las funciones puede ser obtenida mediante combinación de
las otras.
Ejemplo: Sea la función
2 2
: R R f → , dada por:

( ) ( ) ( ) ( )
|
|
|
|
.
|

\
|
= = =
48 47 6 48 47 6
2 1
2 1
2
2 1
1
2 1 2 1
,
,
,
, ,
y y
x x
f
x x
f
y y x x
G f

( )
2 1 2 1 1 1
3 5 , x x x x f y + = =
OPTIMIZACIÓN CLÁSICA
353
( )
2
2 2 1
2
1
2 1
2 2
9 30 25
,
x x x x
x x
f y + + = =

Demostrar si las componentes de la función vectorial son funcionalmente
independientes.

Solución:

( )
( ) ( )
( ) ( )
(
(
¸
(

¸

+ +
=
(
(
(
(
(
(
¸
(

¸









=
2 1 2 1
2
2
1
2
2
1
1
1
18 30 30 50
3 5
x x x x
x
x
f
x
x
f
x
x
f
x
x
f
x f J

( ) ( ) ( ) 0 30 50 3 18 30 5
2 1 2 1
= + − + = x x x x
x
f J

Esto quiere decir, que ambas componentes son funcionalmente dependientes,
esto se ve si se reescribe la segunda componente como sigue:

( )
1
2 1 1
3 5 x x y + =

( ) ( )
1
2
1
2
2 1 2
3 5 y F y x x y = = + =

Es importante resaltar que muchas veces esto no se ve por simple inspección.

2.3. Matriz hessiana.- Si una función real R R f
n
→ : admite derivadas
parciales segundas en un punto a , entonces lleva asociada una matriz de
orden n n × denominada Hessiana de f en a y se halla de la siguiente
manera:

( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
(
(
(
(
(
(
(
(
(
(
¸
(

¸



∂ ∂

∂ ∂

∂ ∂



∂ ∂

∂ ∂

∂ ∂



=
2
2
2
2
1
2
2
2
2
2
2
1 2
2
1
2
2 1
2
2
1
2
n
n n
n
n
x
a
f
x x
a
f
x x
a
f
x x
a
f
x
a
f
x x
a
f
x x
a
f
x x
a
f
x
a
f
a
f H
L
M O M M
L
L


2.4. Definiciones de máximos y mínimos.- Para una función Real R R f
n
→ :
se cumple que:

a) Un punto
n
R x ∈
0
es un máximo global de la función f si
( ) ( ) x f x f ≥
0

n
R x ∈ ∀ .

ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
354
b) Un punto
n
R x ∈
0
es un máximo global estricto (o único) de la función f
si ( ) ( ) x f x f >
0

n
R x ∈ ∀
0
x x ≠ ∧ .

c) Un punto
n
R x ∈
0
es un máximo relativo (o local) de la función f si hay
una región cerca de
0
x tal que |
.
|

\
|
≥ |
.
|

\
|
x f x f
0
x ∀ que pertenezca a
dicha región.

d) Un punto
n
R x ∈
0
es un máximo relativo estricto (o local único) de la
función f si hay una región cerca de
0
x tal que ( ) ( ) x f x f >
0
x ∀
que pertenezca a dicha región y
0
x x ≠ .

Lo mismo ocurre con los puntos mínimos sólo que ahora se invierte el
sentido de los signos de desigualdad.

Ejercicios

Compruebe los siguientes resultados:

1. ) 1 2 , 1 2 ( ) 0 , 1 ( − + = ∇ b a f , siendo 1 2 ) , (
2 2
+ − + − + = y x y bxy ax y x f .

2. ) 1 , 7 , 2 ( ) 1 , 1 , 1 ( − − = ∇f , siendo
3 2 1
2
2 1
3
1 3 2 1
3 2 ) , , ( x x x x x x x x x f − − = .

3.
|
|
.
|

\
|
=
2 2
1 2
) 1 , 1 ( f J , siendo ) , ( ) , (
2
2
2
1 2
2
1 2 1
x x x x x x f + = .

4.
|
|
|
.
|

\
|
− =
0 1
0 1
0 0
) 1 , 0 ( f J , siendo
|
|
.
|

\
|

+ =
2 1
2 1
2
2
2
1 2 1
, ), 2 ( ) , ( x x
x x
x
x x x x f .

5.
|
|
|
.
|

\
|
=
12 12 8
12 6 6
8 6 2
) 1 , 1 , 1 ( Hf , siendo
4
3
3
2
2
1 3 2 1
) , , ( x x x x x x f = .

6.
|
|
|
.
|

\
|
=
0 1 3
1 2 7
3 7 8
) 1 , 1 , 1 ( Hf , siendo
3 2 1 3
2
1
2
2
3
1 3 2 1
) , , ( x x x x x x x x x x f + + = .

Solución:

1. ) 1 2 , 1 2 ( ) 0 , 1 ( − + = ∇ b a f , siendo 1 2 ) , (
2 2
+ − + − + = y x y bxy ax y x f .

OPTIMIZACIÓN CLÁSICA
355
1 2 2
1 2 2
− − =


+ + =


y bx
y
f
by ax
x
f

) 1 ) 0 ( 2 ) 1 ( 2 , 1 ) 0 ( 2 ) 1 ( 2 ( ) 0 , 1 ( − − + + = ∇ b b a f
) 1 2 , 1 2 ( ) 0 , 1 ( − + = ∇ b a f l.q.q.d

2. ) 1 , 7 , 2 ( ) 1 , 1 , 1 ( − − = ∇f , siendo
3 2 1
2
2 1
3
1 3 2 1
3 2 ) , , ( x x x x x x x x x f − − = .

3 1 1 2
2
3 2
2
2
2
1
1
6
3 6
x x x x
x
f
x x x x
x
f
− − =


− − =



2 1
3
x x
x
f
− =



)) 1 ( 1 ), 1 ( 1 ) 1 )( 1 ( 6 ), 1 ( 1 ) 1 ( 3 ) 1 ( 6 ( ) 1 , 1 , 1 (
2 2
− − − − − = ∇f
) 1 , 7 , 2 ( ) 1 , 1 , 1 ( − − = ∇f l.q.q.d

3.
|
|
.
|

\
|
=
2 2
1 2
) 1 , 1 ( f J , siendo ) , ( ) , (
2
2
2
1 2
2
1 2 1
x x x x x x f + = .
2 1
1
1
2 x x
x
f
=



2
1
2
1
x
x
f
=




1
1
2
2x
x
f
=



2
2
2
2x
x
f
=



|
|
.
|

\
|
=
|
|
.
|

\
|
=
2 2
1 2
) 1 ( 2 ) 1 ( 2
) 1 ( ) 1 )( 1 ( 2
) 1 , 1 (
2
f J l.q.q.d

4.
|
|
|
.
|

\
|
− =
0 1
0 1
0 0
) 1 , 0 ( f J , siendo
|
|
.
|

\
|

+ =
2 1
2 1
2
2
2
1 2 1
, ), 2 ( ) , ( x x
x x
x
x x x x f .
) 2 ( 2
2 1
1
1
x x
x
f
+ =



( )
2
2 1
2
1
2
x x
x
x
f


=



2
1
3
x
x
f
=




2
1
2
1
x
x
f
=



( )
2
2 1
1
2
2
x x
x
x
f

=



1
2
3
x
x
f
=



|
|
|
.
|

\
|
− =
|
|
|
|
|
.
|

\
|
− −

+
=
0 1
0 1
0 0
0 1
) 1 0 (
0
) 1 0 (
1
0 ) 1 2 )( 0 ( 2
) 1 , 0 (
2 2
2
f J l.q.q.d
ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
356
5.
|
|
|
.
|

\
|
=
12 12 8
12 6 6
8 6 2
) 1 , 1 , 1 ( Hf , siendo
4
3
3
2
2
1 3 2 1
) , , ( x x x x x x f = .

4
3
3
2 1
1
2 x x x
x
f
=



4
3
2
2
2
1
2
3 x x x
x
f
=



3
3
3
2
2
1
3
4 x x x
x
f
=




( )
3
3
3
2
2
1
4
3
2
2
2
1
4
3
3
2 1 3 2 1
4 , 3 , 2 ) , , ( x x x x x x x x x x x x f = ∇

4
3
3
2 2
1
2
2 x x
x
f
=



4
3
2
2 1
1 2
2
6 x x x
x x
f
=
∂ ∂


3
3
3
2 1
1 3
2
8 x x x
x x
f
=
∂ ∂



4
3
2
2 1
2 1
2
6 x x x
x x
f
=
∂ ∂


4
3 2
2
1 2
2
2
6 x x x
x
f
=



3
3
2
2
2
1
2 3
2
12 x x x
x x
f
=
∂ ∂



3
3
3
2 1
3 1
2
8 x x x
x x
f
=
∂ ∂


3
3
2
2
2
1
3 2
2
12 x x x
x x
f
=
∂ ∂


2
3
3
2
2
1 2
3
2
12 x x x
x
f
=




( )
|
|
|
.
|

\
|
=
|
|
|
|
.
|

\
|
=
12 12 8
12 6 6
8 6 2
1 ) 1 ( ) 1 ( 12 ) 1 ( ) 1 ( ) 1 ( 12 ) 1 ( ) 1 )( 1 ( 8
) 1 ( ) 1 ( ) 1 ( 12 ) 1 ( ) 1 )( 1 ( 6 ) 1 ( ) 1 )( 1 ( 6
) 1 ( ) 1 )( 1 ( 8 ) 1 )( 1 ( ) 1 ( 6 ) 1 ( ) 1 ( 2
) 1 , 1 , 1 (
2 3 2 3 2 2 3 3
3 2 2 4 2 4 2
3 3 4 2 4 3
Hf l.q.q.d

6.
|
|
|
.
|

\
|
=
0 1 3
1 2 7
3 7 8
) 1 , 1 , 1 ( Hf , siendo ( )
3 2 1 3
2
1
2
2
3
1
3 2 1
, ,
x x x x x x x
x x x
f + + = .

3 2 3 1
2
2
2
1
1
2 3 x x x x x x
x
f
+ + =



3 1 2
3
1
2
2 x x x x
x
f
+ =



2 1
2
1
3
x x x
x
f
+ =




) , 2 , 2 3 ( ) , , (
2 1
2
1 3 1 2
3
1 3 2 3 1
2
2
2
1 3 2 1
x x x x x x x x x x x x x x x x f + + + + = ∇

3
2
2 1 2
1
2
2 6 x x x
x
f
+ =



3 2
2
1
1 2
2
6 x x x
x x
f
+ =
∂ ∂


2 1
1 3
2
2 x x
x x
f
+ =
∂ ∂



3 2
2
1
2 1
2
6 x x x
x x
f
+ =
∂ ∂


3
1 2
2
2
2x
x
f
=



1
2 3
2
x
x x
f
=
∂ ∂



2 1
3 1
2
2 x x
x x
f
+ =
∂ ∂


1
3 2
2
x
x x
f
=
∂ ∂

0
2
3
2
=


x
f

|
|
|
.
|

\
|
=
|
|
|
|
.
|

\
|
+
+ + +
=
0 1 3
1 2 7
3 7 8
0 1 1 ) 1 ( 2
1 ) 1 ( 2 ) 1 ( ) 1 ( 6
1 ) 1 ( 2 1 ) 1 ( ) 1 ( 6 ) 1 ( 2 ) 1 )( 1 ( 6
) 1 , 1 , 1 (
3 2
2 2
Hf l.q.q.d
OPTIMIZACIÓN CLÁSICA
357
3. Optimización libre
Los casos más frecuentes de aplicación económica de este tipo de problemas se
dan en la teoría de la empresa. Por ejemplo, en problemas de maximización de
beneficios de una empresa monopólica o en condiciones de competencia perfecta
productora de n bienes y con una función de costo conocida. Cabe anotar, sin
embargo, que en estos problemas existe la restricción implícita, que las variables
que se usan deben ser no negativas.

Partiremos de la versión diferencial de las condiciones de óptimo para una función
R R f →
2
: diferenciable en un subconjunto abierto .
2
R D ⊆

Condición necesaria de Primer orden de extremo local
Versión diferencial:
0 = y d
Si se tiene una función R R f →
2
: diferenciable en :
2
R D ⊆
( )
|
.
|

\
|
=
=
x f
x x f y
2 1
,


La condición necesaria de primer orden para un extremo local (máximo o mínimo)
D a ∈ implica que la . 0 = |
.
|

\
|
= |
.
|

\
|
a f d a y d

Teniendo en cuenta que la diferencial total |
.
|

\
|
x y d es:

2
2
1
1
x d
x
y
x d
x
y
x f d x y d


+


= |
.
|

\
|
= |
.
|

\
|


Dando forma matricial:
| | | |
48 47 6
8 7 6
|
.
|

\
|


(
(
(
(
(
(
(
¸
(

¸


|
.
|

\
|


|
.
|

\
|

× =
(
(
(
(
(
¸
(

¸





× = |
.
|

\
|
= |
.
|

\
|
x f
y
x
x f
x
x f
dx x d
x
y
x
y
dx x d
x f d x y d
2
1
2 1
2
1
2 1


Si llamamos un vector diferencial dx :
0
0
0
2
1
=
(
¸
(

¸


(
(
¸
(

¸

=
dx
dx
dx

Entonces la expresión anterior queda simplificada de la siguiente forma:
|
.
|

\
|
∇ ⋅ = ∇ ⋅ = |
.
|

\
|
= |
.
|

\
|
x f dx y dx x f d x y d
t t


Como el vector 0 ≠ dx , para verificar la condición necesaria de primer orden de
extremo local se deberá cumplir que . 0 =
|
.
|

\
|
∇ a f
ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
358

Todos los puntos que cumplen 0 = |
.
|

\
|
∇ a f reciben el nombre de puntos
estacionarios. Los puntos estacionarios pueden ser máximos locales, mínimos
locales o puntos de silla (puntos de inflexión para R R f → : ).

Ejemplo: R R f → :

a
( ) a f
x
A
y = ( ) x f

( ) ( )
( )
( ) ( ) a f a A
a f
x f x f
, : inflexión de Punto
0
'
=
= ∇
= ∇


Podemos generalizar, que para una función R R f
n
→ : diferenciable en un
subconjunto abierto
n
R D ⊆ , si deseamos hallar sus puntos estacionarios D
a
∈ ,
debe cumplirse que:
0
0
0
1
=
(
(
(
¸
(

¸

=
(
(
(
(
(
(
(
(
¸
(

¸


|
.
|

\
|


|
.
|

\
|

= |
.
|

\
|
∇ M M
n
x
a
f
x
a
f
a
f

Condición suficiente de segundo orden de extremo local

Versión diferencial:
• Si 0
2
> |
.
|

\
|
a
f d entonces el punto estacionario
a
es un mínimo.

• Si 0
2
< |
.
|

\
|
a
f d entonces el punto estacionario
a
es un máximo.
Si se tiene una función R R f →
2
: diferenciable en :
2
R D ⊆
( )
|
.
|

\
|
= = x f
x x
f y
2 1
,

Analizando |
.
|

\
|
x f d
2
tenemos:

|
|
.
|

\
|


+


=
(
¸
(

¸

|
.
|

\
|
= |
.
|

\
|
2
2
1
1
2
x d
x
f
x d
x
f
d x df d x f d
OPTIMIZACIÓN CLÁSICA
359
2
2 2
2
2
2 1
1 2
2
1 2
2 1
2
2
1 2
1
2
2 2
2
1
1 2
1 2
2
1
1 1
x d
x
f
x d x d
x x
f
x d x d
x x
f
x d
x
f
x d x d
x
f
x d
x
f
x
x d x d
x
f
x d
x
f
x


+
∂ ∂

+
∂ ∂

+


=
|
|
.
|

\
|


+




+
|
|
.
|

\
|


+




=


En esta expresión se observa una forma cuadrática. Por lo tanto, podemos
representarla de la siguiente forma:
| | dx f H dx
x d
x d
x
x f
x x
x f
x x
x f
x
x f
dx dx x f d
t
× × =
(
(
¸
(

¸

×
(
(
(
(
(
(
(
¸
(

¸


|
.
|

\
|

∂ ∂
|
.
|

\
|

∂ ∂
|
.
|

\
|


|
.
|

\
|

× = |
.
|

\
|
2
1
2
2
2
1 2
2
2 1
2
2
1
2
2 1
2

• Si 0
2
> |
.
|

\
|
a f d , esto significa que si 0 > |
.
|

\
|
a f H (esto es, la matriz Hessiana
analizada en a debe ser definida positiva), diremos que a es un mínimo
relativo estricto.
• Si 0
2
< |
.
|

\
|
a f d eso significa que si 0 < |
.
|

\
|
a f H (esto es, la matriz Hessiana
analizada en a debe ser definida negativa), si cumple, diremos que a es un
máximo relativo estricto.
• Si |
.
|

\
|
a f d
2
es indefinida en a , entonces diremos que a es un punto de silla.


A través de los métodos de autovalores y/o menores principales dominantes
podremos saber cuando |
.
|

\
|
a f d
2
es definida (positiva o negativa) o indefinida.

Podemos generalizar que para una función R R f
n
→ : diferenciable en
n
R D ⊆ ,
si deseamos saber que tipo de puntos (máximo, mínimo o punto de silla) son sus
puntos estacionarios D a ∈ , deberemos analizar cómo se define ( ).
a
f H
Donde ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
(
(
(
(
(
(
(
(
(
(
(
¸
(

¸



∂ ∂

∂ ∂

∂ ∂



∂ ∂

∂ ∂

∂ ∂



=
2
2
2
2
1
2
2
2
2
2
2
1 2
2
1
2
2 1
2
2
1
2
n
n n
n
n
x
a
f
x x
a
f
x x
a
f
x x
a
f
x
a
f
x x
a
f
x x
a
f
x x
a
f
x
a
f
a
f H
L
M O M M
L
L
es la matriz hessiana
evaluada en el vector a (donde a es un punto estacionario). Por tanto:
• Si la matriz Hessiana analizada en ese punto es definida negativa, entonces
estamos hablando de un punto máximo relativo.
ÁLGEBRA LINEAL PARA ADMINISTRACIÓN Y ECONOMÍA
360
• Si la matriz Hessiana analizada en ese punto es definida positiva, entonces
estamos hablando de un punto mínimo relativo.

• Si la matriz Hessiana analizada en ese punto es indefinida, entonces estamos
hablando de un punto de silla.

Ejemplo:

Determinar los máximos y mínimos locales de las siguientes funciones:

1. ( ) 4 12 3 3 2 ,
2 3 3
− − − + + = x y x y x y x f

2. ( )
4
,
2 2
+ +
=
y x
x
y x f

3. ( ) 13 2 10 3 8 5 , ,
2 2 2
− + − − + − − = z y z x y x z y x f

Solución:
1. ( ) 4 12 3 3 2 ,
2 3 3
− − − + + = x y x y x y x f

Hallamos los puntos estacionarios, a través de la condición de primer orden:

0 = |
.
|

\
|
∇ a f
(
¸
(

¸

=
(
(
¸
(

¸


− +
= |
.
|

\
|

0
0
3 3
12 6 6
2
0
0
2
0
y
x x
a f

Desarrollando obtenemos los siguientes puntos estacionarios:
( )
( )
( )
( )
( )
¦
¦
¹
¦
¦
´
¦


− −
= =
1 , 1
1 , 1
1 , 2
1 , 2
,
0 0
y x a

Estudiaremos que clase de puntos estacionarios son a través de la condición de
segundo orden:
(
(
¸
(

¸
+
= |
.
|

\
|
0
0
6 0
0 6 12
y
x
a f H

Para el punto estacionario ( ) 1 , 2 − − :

( )
(
¸
(

¸



= − −
6 0
0 18
1 , 2 f H . Por lo tanto, la matriz Hessiana analizada en ese
punto estacionario es definida negativa. Entonces, el punto ( ) 1 , 2 − − es un
máximo relativo.

Para el punto estacionario ( ) 1 , 2 − :
( )
(
¸
(

¸

= −
6 0
0 18
1 , 2 f H . Por lo tanto, la matriz Hessiana analizada en ese
punto estacionario es indefinida. Entonces, el punto ( ) 1 , 2 − es un punto de
silla.
447
Referencias Bibliográficas





¾ Alegre, P., Jorba, L., Ortí, F., Sáez, J., Sancho, T. y Terceño, A. (1991). Ejercicios
resueltos de matemáticas empresariales 1. Madrid: Editorial AC.


¾ Apostol, T.M. (1991). Calculus, vol I. Barcelona: Editorial Reverté.


¾ Apostol, T.M. (1991), Calculus, vol II. Barcelona: Editorial Reverté.


¾ Arya, J. y Lardner, R. (2002). Matemáticas aplicadas a la administración y a la
economía. México: Pearson.


¾ Barbolla, R., Cerdá, E. y Sanz, P. (2001). Optimización cuestiones, ejercicios y
aplicaciones a la economía. Madrid: Prentice Hall.


¾ Barranzuela, F. y Tresierra, A (1999). Matemáticas empresariales apuntes. Piura:
Tallares Gráficos de la Universidad de Piura.


¾ Barrios, J., Carrillo, M., Gil, M., González, C. y Pestano, C. (2005). Análisis de
funciones en economía y empresa. España: Díaz de Santos.


¾ Blanco, S., García, P. y Del Pozo, E. (2003). Matemáticas empresariales I enfoque
teórico-práctico. Madrid: Thomson.


¾ Blume, L. y Simon, C. (1994). Mathematics for economists. New York: Norton.


¾ Bru, R., Climent, J., Mas, J. y Urbano, A. (2001). Álgebra lineal. Bogotá:
Alfaomega.


¾ Cámara, A., Garrido, R. y Tolmos, P. (2003). Problemas resueltos de matemáticas
para economía y empresa. Madrid: Thomson.


¾ Chiang, A. (1999). Métodos fundamentales de economía matemática. Chile: Mc.
Graw Hill.
448
¾ Espinoza, E. (1999). Álgebra lineal. Lima: Servicios Gráficos JJ.


¾ Greene, W. (1999). Análisis econométrico. Madrid: Prentice Hall.


¾ Grossman, S. (1996). Álgebra lineal. México: Mc. Graw Hill.


¾ Gutiérrez, S. y Franco, A. (2002). Matemáticas aplicadas a la economía y la
empresa. Madrid: Thomson.


¾ Leónard, D. y Van Long, N. (2002). Optimal control theory and static optimization
in economics. Reino Unido: Cambridge University Press.


¾ Lipschutz, S. (1991). Álgebra lineal. México: Mc. Graw Hill.


¾ Lipschutz, S. (1971). Teoría y problemas de álgebra lineal. Colombia: Mc. Graw
Hill.


¾ Malaspina, U. (1994). Matemáticas para el análisis económico. Lima: Fondo
Editorial de la Pontificia Universidad Católica del Perú.


¾ Nakos, G. y Joyner, D. (1999). Álgebra lineal con aplicaciones. México: Thomson.


¾ Sydsaeter, K. y Hammond, P. (1996). Matemáticas para el análisis económico.
Madrid: Prentice Hall.


¾ Weber, J. (1982). Matemáticas para administración y economía. México: Harla.