Professional Documents
Culture Documents
Marzo 2005
Índice general
1. Operaciones Básicas 3
1.1. Algunas De…niciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1. Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.2. Matrices cuadradas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.3. Igualdad de Matrices. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.4. Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Suma de Matrices y Multiplicación por un Escalar . . . . . . . . . . . . . . . . . . . 4
1.2.1. Suma y Resta de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.2. Multiplicación de una Matriz por un Escalar . . . . . . . . . . . . . . . . . . 4
1.3. Multiplicación de Vectores y Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.1. Multiplicación de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3.2. Multiplicación de Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4. Más De…niciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.1. Matriz Transpuesta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.2. Matriz Identidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.3. Matrices Idempotentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.4. La inversa de una matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.5. La Traza de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5. Matrices Particionadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.1. De…nición . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5.2. Suma de Matrices Particionadas . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5.3. Multiplicación de Matrices Particionadas . . . . . . . . . . . . . . . . . . . . 10
1.6. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1
2.5. La Adjunta de una Matriz Cuadrada . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.6. La Inversa de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.7. Determinantes e Inversas de Matrices Particionadas . . . . . . . . . . . . . . . . . . 19
2.7.1. Determinantes de Matrices Particionadas . . . . . . . . . . . . . . . . . . . . 19
2.7.2. Inversas de Matrices Particionadas . . . . . . . . . . . . . . . . . . . . . . . . 21
2.8. Rango de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.9. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2
Capítulo 1
Operaciones Básicas
Ejemplo 1.1. La matriz B puede ser la matriz de coe…cientes del siguiente sistema de
ecuaciones.
2x + 3y + 7z = 0
x y + 5z = 0
es de orden m x n ya que tiene m …las y n columnas, donde cada elemento aij es un número o
una función que pertenece a los números reales o complejos. Por ejemplo, la matriz A es de orden
2 x 2 y la matriz B es de 2 x 3 y sus elementos pertenecen a los números reales.
3
1.1.3. Igualdad de Matrices.
Las Matrices A y B son iguales, si y solo si, tienen el mismo orden y cada elemento de A es
igual al correspondiente elemento de B.
A = B () aij = bij 8 i; j
1.1.4. Vectores
Un vector es un conjunto ordenado de números dispuestos en una …la o una columna, también
pueden entenderse como una matriz de una …la o de una columna. Denominamos vector columna
a una matriz de orden m x 1 y vector …la a una matriz de orden 1 x n. Todas las de…niciones
anteriores aplican a los vectores.
4
1.3. Multiplicación de Vectores y Matrices
1.3.1. Multiplicación de Vectores
2 3
b1
6 b2 7
6 7
Sea A = a1 a2 ::: am un vector de orden 1 x m y B = 6 .. 7un vector m x 1, entonces
4 . 5
bm
su multiplicación C = AB (en ese orden) está de…nida como la sumatoria de la multiplicación del
elemento i de la matriz A con el elemento i de la matriz B, esto es:
2 3
b1
6 b2 7 X m
6 7
AB = a1 a2 ::: am 6 . 7 = [a1 b1 + a2 b2 + ::: + am bm ] = ai bi
4 .. 5 i=1
bm
2 3
1
Ejemplo 1.4. (a) 2 3 4 4 1 5 = [2(1) + 3( 1) + 4(2)] = [7]
2
2 3
2
(b) 3 1 4 4 6 5 = [ 6 6 + 12] = [0]
3
Nótese que lo que se hizo fue multiplicar una …la con una columna, esto hay que tenerlo muy
presente en la sección que sigue.
5
2 3
3 4
1 2 1
(b) si C = yD=4 1 5 5, entonces CD es igual a:
4 0 2
2 2
1(3) + 2(1) + 1( 2) 1( 4) + 2(5) + 1(2) 3 8
CD = =
4(3) + 0(1) + 2( 2) 4( 4) + 0(5) + 2(2) 8 12
(A0 )0 = A
(A + B)0 = A0 + B 0
(kA)0 = kA0
(AB)0 = B 0 A0
6
Dado lo anterior podemos de…nir matriz simétrica como aquella matriz que cumple con A =
A0 .
2 32 3 2 32 3 2 3
1 2 3 6 2 3 6 2 3 1 2 3 1 0 0
4 1 3 3 54 1 1 0 5=4 1 1 0 54 1 3 3 5=4 0 1 0 5
1 2 4 1 0 1 1 0 1 1 2 4 0 0 1
Si una Matriz no tiene inversa se le llama singular y si la matriz tiene inversa, no singular.
7
1.4.5. La Traza de una Matriz
La traza de una matriz es la suma de los elementos de la diagonal principal P de una matriz
cuadrada, es decir, en nuestra matriz (1.1) es la suma de a11 + a22 + ::: + ann = aii :
tr(kA) = ktr(A)
tr(A) = tr(A0 )
tr(A + B) = tr(A) + tr(B)
tr(In ) = n
tr(ABCD) = tr(BCDA) = tr(CDAB) = tr(DABC)
2x + 3y + 7z = 0
:
x y + 5z = 0
8
y se particiona tomando s grupos de …las (m1 ; m2 ; :::; ms ) y t grupos de columnas (n1 ; n2 ; :::; nt ),
entonces se podría escribir (1.1) de la siguiente forma:
2 3
A11 A12 : : : A1t
6 A21 A22 : : : A2t 7
6 7
A=6 . .. .. .. 7
4 .. . . . 5
As1 As2 : : : Ast
A11 0
0 A22
9
1.5.3. Multiplicación de Matrices Particionadas
El estudio de matrices particionadas2 nació a partir
3 del estudio de la multiplicación de matrices,
a11 a12
b11 b12
recordemos el ejemplo 1.5. Si A = 4 a21 a22 5 y B = , entonces AB es igual a
b21 b22
a31 a32
2 3
a11 b11 + a12 b21 a11 b12 + a12 b22
AB = 4 a21 b11 + a22 b21 a21 b12 + a22 b22 5 :
a31 b11 + a32 b21 a31 b12 + a32 b22
La pregunta que surgió fue: ¿Qué pasa si cada uno de los elementos de las matrices A y B
son, a su vez, una matriz? La respuesta es que abría que multiplicar cada uno de estos elementos
nuevamente usando la multiplicación de matrices. Pero para que esta operación esté bien de…nida
cada una de las submatrices de la columna i de la matriz A tienen que ser conformables para la
multiplicación con cada una de la submatrices de la …la i de la matriz B.
2 3
3 1 0
A11 A12 B11 B12
Ejemplo 1.14. (a) Sea A = = 4 3 2 0 5 y B = =
A21 A22 B21 B22
1 0 1
2 3
1 1 1 0
4 2 1 1 0 5, entonces AB es igual a:
3 2 1 2
A11 0
(b) Sea A = , entonces A0 A es igual a:
0 A22
0
A11 0 A11 0 A011 A11 0
A0 A = = :
0 A22 0 A22 0 A022 A22
10
1. De las siguientes matrices, ¿Cuáles son conformables para la suma?. Calcule la suma de
aquellas que cumplen con la propiedad anterior.
2 3 2 3
2 7 8 7 1 7 2
A = 4 4 5 6 15 : B = 44 2 35
3 5 9 0 1 5 6
2 3 2 3
0 1 3 8 4 8 6
63 0 9 47 6 7 2 37
C = 6 4 2 0 4
7
5 D=6 4
7
7 1 3 25
4 2 9 0 6 5 1
2 3 2 3
5 3 6 3 3 6
E = 46 2 15 F = 4 5 1 85
9 0 7 9 7 2
2 3
2 3 6 3 2
1 2 5 61 4 17
G = 44 3 25 H=6 40
7
2 05
3 4 5
5 0 7
2 3 2 3 2 3
1 2 3 3 1 2 4 1 2
2. Dado A = 45 0 2 5, B = 44 2 55 y C = 40 3 25 :
1 1 1 3 0 3 1 2 3
a) Calcule:
1) A + B:
2) A C:
3) 2A:
b) Veri…que: A + (B C) = (A + B) C:
c) Encuentre la matriz D tal que A + D = B:
8
a) 3 5 :
2
2 3
5
6 47
b) 9 8 7 6 6 7
4 3 5:
2
1
2 0 2 0
c) :
0 1 0 2
1
2 0 2 0
d) :
0 2 0 1
2 32 3
1 1 2 2 1 4
e) 4 0 2 15 40 1 2 5:
0 0 3 0 0 1
11
2 3
3
f ) 4 45 4 6 8 :
5
2 3 2 3 2 3
2 3 5 1 3 5 2 2 4
4. Sea A = 4 1 4 5 5, B = 4 1 3 55 y C = 4 1 3 4 5:
1 3 4 1 3 5 1 2 3
a) Muestre que AB = BA = 0; AC = A; CA = C:
b) Con los resultados de (a) muestre que:
1) ACB = CBA:
2) A2 B 2 = (A B)(A + B):
3) (A B)2 = A2 + B 2 :
5. Demuestre:
12
Capítulo 2
Determinantes de Matrices
Cuadradas
Ejemplo 2.1 ¿De cuántas formas se pueden ordenar los números naturales 1; 2 y 3? De
3! = 6 formas distintas:
Inversiones
En una permutación de números naturales de 1 a n, si un número precede a otro que es menor,
decimos que estos número están invertidos y que la permutación contiene una inversión, luego el
número total de inversiones que posee una permutación, por de…nición, es cuántos números menores
prosiguen después de números mayores.
Ejemplo 2.2: Sea 614325 una permutación de números del 1 al 6, ésta posee 8 inver-
siones ya que 6 es mayor que 1,4, 3, 2 y 5, además 4 es mayor que 3 y 2, por último 3
es mayor que 2.
13
2.1.2. El Número Epsilon
Para cada permutación de números naturales del 1 al n, se de…ne el número epsilon de la
siguiente manera:
j1 j2 :::jn = ( 1)k
Ejemplo 2.3. El número epsilon de la permutación 321 es 321 = ( 1)3 = 1. Por otro
lado el de la permutación 312 es 312 = ( 1)2 = 1:
14
Ejemplo 2.4.
a11 a12
(a) = 12 a11 a22 + 21 a12 a21 = a11 a22 a12 a21
a21 a22
a11 a12 a13
123 a11 a22 a33 + 132 a11 a23 a32 + 213 a12 a21 a33 + :::
(b) a21 a22 a23 =
+ 231 12 23 31 + 312 a13 a21 a32 + 321 a13 a22 a31
a a a
a31 a32 a33
a11 a22 a33 a11 a23 a32 a12 a21 a33 + :::
=
+a12 a23 a31 + a13 a21 a32 a13 a22 a31
a11 (a22 a33 a23 a32 ) a12 (a21 a33 a23 a31 ) + :::
=
+a13 (a21 a32 a22 a31 )
a22 a23 a21 a23 a a22
= a11 a12 + a13 21
a32 a33 a31 a33 a31 a32
1 2
(c) = 1(4) 2(3) = 2
3 4
2 3 5
0 1 1 1 1 0
(d) 1 0 1 =2 3 +5
1 0 2 0 2 1
2 1 0
= 2(0(0) 1(1)) 3(1(0) 1(2)) + 5(1(1) 0(2))
= 2( 1) 3( 2) + 5(1) = 9
Teorema 2.1: Sea A una matriz cuadrada y k un escalar, entonces se cumple lo sigu-
iente:
(a) detA = detA0
(b) Si todos los elementos de una …la o una columna son ceros, entonces detA = 0
(c) Si dos …las o columnas son iguales, entonces detA = 0
(d) Si B es igual a A excepto por que una …la o una columna es k veces la de A, entonces
se cumple que detB = kdetA
(e) Si sumamos o restamos k veces una …la o una columna a otra …la o columna, entonces
el determinante no cambia
(f ) Si intercambiamos 2 …las o 2 columnas de A, entonces el determinante de la nueva
matriz es detA
(g) Si B es una matriz del mismo orden de A, entonces det(AB) = (detA)(detB)
Ejemplo 2.5. Calculemos los determinantes de las siguientes matrices:
2 3 2 3
0;87632 0;31141 0;11232 18 11 13
(a) A = 40;31141 0;24418 0;10214 5 ; (b) B = 427 23 265
0;11232 0;10214 0;014971 45 87 92
15
1 0;31141 0;11232
0;87632 0;35536 0;24418 0;10214
0;12817 0;10214 0;014971
por (e) restamos 0.31141 veces la primera columna a la segunda y 0.11232 veces la
primera a la tercera:
1 0 0
0;87632 0;35536 0;13352 0;06223
0;12817 0;06223 0;00058
1 0 0
(0;87632)(0;13352) 0;35536 1 0;06223
0;12817 0;4611 0;00058
1 0 0
(0;87632)(0;13352) 0;35536 1 0 =
0;12817 0;4611 0;02843
= (0;87632)(0;13352)( 0;02843) = 0;003326:
18 11 2
27 23 3
45 87 5
2 11 2
9 3 23 3 =0
5 87 5
16
a12 a13 a a13 a a12
jM21 j = ; jM22 j = 11 ; jM23 j = 11
a32 a33 a31 a33 a31 a32
y
Así como de…nimos primeros menores, como el determinante de la matriz que resulta al eliminar
una …la y una columna de la matriz A, se puede de…nir los segundos menores como el determinante
de la matriz que resulta al eliminar dos …las y dos columnas de la matriz A y así sucesivamente.
Imaginemos una matriz cuadrada de orden 5, entonces un segundo y tercer menor son:
Se dice que dos menores son complementarios si uno esta conformado por las …las y columnas
que eliminó el otro menor. Por ejemplo, los dos menores anteriores son complementarios. Así mismo,
podemos ampliar la de…nición de cofactor. El cofactor del menor M(i)(j) está de…nido como:
P P
A(k)(p) = ( 1)( k+ p)
M(k)(p)
donde M(i)(j) y M(k)(p) son menores complementarios:
1 0
Entonces el cofactor del menorjM34;34 j = , es:
2 0
0 3
A12;12 = ( 1)1+2+1+2 jM12;12 j =
0 4
17
1 0 2 0
2 0 1 0 1 0 0 3 1 2 4 3
= ( 1)1+2+1+2 + ( 1)1+2+1+3
0 4 0 3 2 0 0 4 2 1 3 4
0 3 0 4
1 0 4 0 0 2 0 3
+ ( 1)1+2+1+4 + ( 1)1+2+2+3
2 0 3 0 0 1 0 4
0 0 0 0 2 0 0 4
+ ( 1)1+2+2+4 + ( 1)1+2+3+4
0 0 0 0 1 0 0 3
= 21
Corolario: Sea A una matriz cuadrada de orden 3, entonces su determinante puede ser
calculado de las siguientes formas:
X
jAj = aij ij para cualquier i, o bien
j
X
jAj = aij ij para cualquier j.
i
18
Ejemplo 2.10. Sea A la matriz del ejemplo anterior, entonces:
2 32 3 2 3
1 2 3 6 1 5 7 0 0
A(adj A) = 42 3 25 4 2 5 4 5=4 0 7 0 5= 7I
3 3 4 3 3 1 0 0 7
1 1
A =
jAj
(A 1 ) 1 = A
(A 1 )0 = (A0 ) 1
1
Si A es simétrica, A es simétrica.
1 1
(AB) = B A 1
1 1 1 1 1 1
(ABC) = C (AB) =C B A
19
El Determinante de la Matriz Diagonal por Bloques
A11 0
Sea A = una matriz particionada diagonal por bloques, entonces su determinante
0 A22
está de…nido por:
A11 0
jAj = = jA11 j jA12 j
0 A22
2 3
1 2 0 0
6 3 0 0 0 7
Ejemplo 2.12. Sea A = 6
4 0 0 5
7, entonces su determinante es:
6 5
0 0 9 8
1 2 5 6
jAj = = (1(0) (2)(3))((5)(8) (6)(9)) =
3 0 9 8
= ( 6)(40 54) = ( 6)( 14) = 84
A11 A12
= jA11 j A22 A21 A111 A12
A21 A22
= jA22 j A11 A12 A221 A21
2 3
1 2 5 6
6 3 0 9 8 7
Ejemplo 2.13. Sea A = 6
4 3 8 2
7, entonces su determinante es:
3 5
9 7 5 7
1
1 2 2 3 3 8 1 2 5 6
=
3 0 5 7 9 7 3 0 9 8
2 3 3 8 0 0;333 5 6
= 6
5 7 9 7 0;5 0;1667 9 8
2 3 17 21;333 15 18;333
= 6 = 6
5 7 34 35;667 29 28;667
= 6(( 15)( 28;667) ( 18;333)( 29))
= ( 6)( 101;6667) = 610
20
2.7.2. Inversas de Matrices Particionadas
Al igual que el determinante, su cálculo, puede hacerse con la matriz no particionada pero el
estudio de este tipo de matrices es esencial en econometría.
1
A11 A12 A111 (I + A12 1 A21 A111 ) 1
A21 A111
=
A21 A22 A111 A12 1 1
21
1
1 2 0 0;333 15 18;333 1 0;2820 0;1803
A111 = = ; = , =
3 0 0;5 0;1667 29 28;667 0;2852 0;1475
entonces
2 3
0;1754 0;0344 0;0852 0;1475
6 0;0443 0;0180 0;1934 0;06567
A 1
=6
4 0;4967
7
0;4246 0;2820 0;18035
0;6246 0;3656 0;2852 0;1475
2 1 1
Ejemplo 2.16. Sea A = , entonces todas las submatrices cuadradas de A
0 3 2
son:
2 1 2 1 1 1
; ; ; 2 ; 1 ;
0 3 0 2 3 2
1 ; 0 ; 3 ; 2
Entonces el rango de una matriz es el orden de la submatriz cuadrada de mayor orden con
determinante no nulo. En el ejemplo anterior el rango es 2 ya que todas las submatrices cuadradas
de orden 2 tienen determinante no nulo, es decir, son no singulares.
3 2
a) A = :
4 6
22
4 6
b) B = :
8 1
2 1
c) C = :
2 0
2 3
2 1 2
d ) D = 44 6 45 :
0 1 0
2 3
1 3 2
e) E = 4 3 2 1 5:
2 1 3
2. Usando las propiedades de los determinantes (teorema 2.1) calcule el determinante de las
siguientes matrices (tal como se hizo en el ejemplo 2.5):
2 3 2 3
1 2 3 0;6510 0;2234 0;1476
A = 42 2 25 ; B = 40;2234 0;5945 0;11625 :
3 2 3 0;1476 0;1162 0;7129
3 8
a) A = :
1 9
2 3
4 5 7
b) B = 49 8 65 :
2 2 2
2 3
5 4 2
c) C = 4 0 3 15 :
8 7 6
4. Calcule todos los segundos menores, con sus respectivos complementarios, de la siguiente
matriz. Luego calcule su determinante expandiendo por Laplace.
2 3
4 0 3 0
63 0 4 07
6 7
40 5 0 75
0 7 0 5
0 0 0 1
23
2 3
1 2 8 0
6 5 7 9 1 7
b) B = 6
4 3 7 3
7:
2 5
5 5 4 4
7. Calcule el rango de las siguientes matrices e identi…que aquellas que son de rango completo.
1 7
a) A = :
8 5
2 4
b) B = :
3 6
1 2 3
c) C = :
3 5 6
2 3
4 7
d ) D = 49 85 :
0 1
2 3
1 2 3
e) E = 44 5 65 :
7 8 0
2 3
1 3 2
f) F = 4 4 5 1 5:
3 2 1
24
Capítulo 3
Espacios Vectoriales y
Dependencia Lineal
25
Ejemplo 3.2. La suma de los vectores x1 = [4 1]; x2 = [2 3] es igual a x3 = [(4 + 2)
(1 + 3)] = [6 4]; grá…camente:
y
6
8
7
6
5
x3
4 x1 :
3
3
x2 x2
2
1 :
x1 -x
0 1 2 3 4 5 6 7 8 9 10
Figura 3.2: Suma de vectores
26
2 3
b1
6 b2 7
6 7
Sea A = a1 a2 ::: am un vector de orden 1 x m y B = 6 .. 7un vector m x 1, entonces
4 . 5
bm
su multiplicación C = AB (en ese orden) está de…nida como la sumatoria de la multiplicación del
elemento i de la matriz A con el elemento i de la matriz B, esto es:
2 3
b1
6 b2 7 X m
6 7
AB = a1 a2 ::: am 6 . 7 = [a1 b1 + a2 b2 + ::: + am bm ] = ai bi
4 .. 5 i=1
bm
Se dicen que dos vectores son ortogonales si su producto punto es igual a 0. Los vectores del
ejemplo 3.4.b. son ortogonales y grá…camente se ven de la siguiente forma:
y
6
x = (2; 1)
* 1
- x
A
A
AUx2 = (1; 2)
?
Figura 3.4: Vectores ortogonales
27
p
Ejemplo 3.5. Sea el vector x = [1 2 3], entonces su norma es: 12 + 22 + 32 = 3;742
2 3 2 2 2
3 4 1 3
1
a) X 0 Y = 1 2 3 405 = ( 2 2 0 )
2
4 7 3 4
X 0Y = 3 + 0 + 12 =
1 p 2 p p
= (( 4 + 22 + 72 )2 ( 12 + 22 + 32 )2 ( 32 + 02 + 42 )2 )
2
1 30
X 0Y = 15 = ((16 + 4 + 49) (1 + 4 + 9) (9 + 16)) = = 15
2 2
1 3
b) jX 0 Y j = j15j 2 0
3 4
p p
12 + 22 + 32 32 + 02 + 42
(3;742)(5)
15 18;71
4 1 3
c) jjX + Y jj = 2 2 + 0
7 3 4
p p p
42 + 22 + 72 12 + 22 + 32 + 32 + 02 + 42
8;306 8;742
28
3.3.1. Sistemas Homogéneos
Un sistema de ecuaciones homogéneo es de la forma:
a1 x1 + b1 x2 + c1 x3 = 0
a2 x1 + b2 x2 + c2 x3 = 0
a3 x1 + b3 x2 + c3 x3 = 0
o bien:
2 3 2 3 2 3
a1 b1 c1
4a2 5 x1 + 4b2 5 x2 + 4c2 5 x3 = 0;
a3 b3 c3
s1 x1 + s2 x2 + s3 x3 = 0
Este tipo de sistemas siempre tiene al menos una solución, la cuál es x = 0, esta solución se
conoce como solución trivial del sistema homogéneo. Veamos si existe otra: si se premultiplica
en ambos lados por S 1 obtenemos:
1 1
S Sx = S 0
x = 0
Podemos concluir que si existe inversa, es decir, si S es de rango completo, entonces la solución
trivial será única.
Si reordenamos el sistema de la siguiente forma:
2 3 2 3 2 3
a1 b1 c1
4a2 5 x1 + 4b2 5 x2 = 4c2 5 x3
a3 b3 c3
podemos darnos cuenta de que si existiese otra solución aparte de la trivial, podríamos expresar el
vector s3 en función de s2 y s1 . Luego podemos hacer la siguiente de…nición:
29
Independencia lineal: Un conjunto de vectores n-dimensionales F son linealmente
independientes entre sí, si la solución al sistema:
s1 x1 + s2 x2 + ::: + sn xn = 0
30
0 0
d ) X7 = 6 2 1 1 ; X8 = 2 2 0 1
4. Muestre que los vectores del ejercicio 3 cumplen con la desigualdad de Schwarz y con la del
Triángulo
5. Determine si los siguientes vectores son linealmente dependientes o independientes
0 0
a) X1 = 1 2 3 ; X2 = 4 3 5
0 0 0
b) X1 = 1 2 3 ; X2 = 7 7 15 ; X3 = 3 1 3
0 0 0
c) X1 = 1 4 3 ; X2 = 5 2 4 ; X3 = 8 3 1
0 0 0
d ) X1 = 11 6 5 ; X2 = 4 1 2 ; X3 = 3 4 1
0 0 0
e) X1 = 1 4 2 ; X2 = 5 3 2 ; X3 = 1 1 0
Sea F una colección de vectores n-dimensionales, decimos que F está cerrado bajo
la suma si para cualquier par de vectores pertenecientes a F se cumple que su suma
también pertenece a F. Análogamente F está cerrado bajo la multiplicación escalar
a1 x1 + b1 x2 + c1 x3 = d1
a2 x1 + b2 x2 + c2 x3 = d2
a3 x1 + b3 x2 + c3 x3 = d3
31
2 32 3 2 3
a1 b1 c1 x1 d1
4a2 b2 c2 5 4x2 5=4d2 5 ;
a3 b3 c3 x3 d3
Sx = D
1
Nuevamente la solución será única si S es de rango completo, ya que si se premultiplica por S
se obtiene:
1 1
S Sx = S D
1
x = S D
Esta solución es más relevante de lo que parece, no sólo nos ayudará a resolver sistemas de
ecuaciones lineales, sino que también signi…ca que si la matriz S es de rango completo, entonces
siempre podremos encontrar una combinación lineal x de los vectores de S que formen cualquier
vector D, es decir, podremos generar cualquier vector en el espacio. Esto nos lleva a otra de…nición:
Base Vectorial: Un conjunto k de vectores F son una base para el espacio vectorial
de k dimensiones F si estos k vectores son linealmente independientes.
E1 = [1 0 ::: 0]
E2 = [0 1 ::: 0]
.. ..
. = .
En = [0 0 ::: 1]
32
0 0 0
c) X1 = 1 4 3 ; X2 = 5 2 4 ; X3 = 8 3 1
0 0 0
d ) X1 = 11 6 5 ; X2 = 4 1 2 ; X3 = 3 4 1
0 0
e) X1 = 1 4 2 ; X2 = 5 3 2 ; X3 = 1 1 0
33
Capítulo 4
AX = X
Este sistema de ecuaciones se conoce como el problema de los valores característicos. Para
resolver el sistema anterior es conveniente escribirlo de la siguiente forma:
(A I)X = 0
lo que corresponde a un sistema de ecuaciones homogéneo con n incógnitas, el cual tendrá soluciones
no triviales si el determinante de la matriz de coe…cientes es nulo:
a11 a12 ::: a1n
a21 a22 ::: a2n
det(A I) = .. .. .. .. =0
. . . .
am1 am2 : : : amn
34
(a) Las n raíces de la ecuación característica: 1; 2 ; :::; n:
Para aclarar los conceptos, los términos Valores Propios, Valores Eigen, Valores Característicos
y Valores Latentes son iguales. Esto es porque el primer lugar donde se dio nombre al estudio de la
ecuación característica fue en Alemania donde a los les llamaron Eigenwert, cuya traducción al
ingles fue Proper Values pero, como se verá más adelante, con estos valores podemos caracterizar
completamente a una matriz y desde entonces recibieron los nombres de valores característicos.
2 1 2
'( ) = det(A I) = = 5 +4=0
2 3
(4 )(1 ) = 0 =) 1 = 1; 2 =4
2 1 x1 x x1 + x2 = 0
para 1 : AX = X ) = 1 ) )
2 3 x2 x2 2x1 + 2x2 = 0
1
x1 = x2 ) X2 =
1
2 1 x1 4x1 2x1 + x2 = 0
para 2 : AX = X ) = ) )
2 3 x2 4x2 2x1 x2 = 0
nuevamente estas ecuaciones son idénticas, esto siempre sucederá ya que se está cumplien-
do el requisito de que (A I) sea singular
1
2x1 = x2 ) X1 =
2
35
Geométricamente, los vectores propios son los únicos que se mantienen invariantes ante el oper-
ador lineal A y cualquier otro vector que no sea el propio, se mueve a estos ante el operador lineal
A. Para entender esto, vamos a seguir analizando el problema anterior: aplicaremos al operador A
al siguiente vector B 0 = [0 2] :
2 1 0 2
=
2 3 2 6
grá…camente esto se ve: y
6
8
7
x2 = (2; 6)
6
5
4
3
x1 = (0; 2)
2
6
1
-x
0 1 2 3 4 5 6 7 8 9 10
Como se aprecia, al premultiplicar B por A tuvimos como resultado un vector que se encuentra
a la derecha del inicial. Hagamos lo mismo con C 0 = [2 0]:
2 1 2 4
=
2 3 0 4
grá…camente se ve:
y
6
8
7
6
5
x2 = (4; 4)
4
3
2
1
- x1 = (2; 0) -x
0 1 2 3 4 5 6 7 8 9 10
36
Acá, a diferencia del caso anterior, al premultiplicar C por A el resultado se encuentra a la
izquierda del vector original. Entonces deberían existir dos vectores en los cuales, estas fuerzas se
anulen y que no se muevan ni a la izquierda ni a la derecha. Repitamos el ejercicio con el vector
propio X2 :
2 1 1 4 1
= =4
2 3 2 8 2
y
6
8
X20 = (4; 8)
7
6
5
4
3
X2 = (1; 2)
2
1
-x
0 1 2 3 4 5 6 7 8 9 10
Teorema 4.2. Si las raíces de la ecuación característica son distintas, entonces los
vectores característicos asociados a cada una de estas raíces son linealmente independi-
entes.
Este teorema puede ser intuitivo por la construcción de los vectores propios, pero como podría
pensarse, no podemos decir lo contrario.
Por ejemplo los valores propios de una matriz identidad de orden 2 son 1 = 1; 2 = 1 pero
cualquier vector puede ser su vector propio.
37
si se premultiplica esta matriz por la matriz A obtenemos:
Ejemplo 4.2. Continuando con el ejemplo anterior podemos decir que la descomposición
espectral de A es:
2 1 1 1 1 0 32 1
3
= 1 1
2 3 1 2 0 4 3 3
Teorema 4.4. Sea A una matriz simétrica de orden k, entonces A tendrá k vectores
propios distintos y ortogonales entre sí, luego la matriz modal de A es siempre invert-
ible 2 .
como sabemos, M es una matriz cuadrada y suponemos que es de rango completo ya que la podemos
invertir, entonces podemos ocupar la propiedad (d) del rango:
38
ocupando la propiedad (a) y después nuevamente la (d) obtenemos:
Rango (A) = Rango (A0 ) = Rango (D0 M 0 ) = Rango (D0 ) = Rango (D)
Deducir el rango de D es simple ya que como D es una matriz diagonal el número de …las o
columnas linealmente independientes será el número de …las o de columnas distintas de cero.
Teorema 4.5. El rango de un matriz A será el número de valores propios distintos de
cero si y sólo si su matriz modal es invertible.
Ejemplo 4.3. La matriz A del ejemplo anterior es de rango 2 ya que sus dos raíces
( 1 = 1; 2 = 4) son distintas de cero.
39
Teorema 4.7. El determinante de una matriz es igual al producto de sus raíces carac-
terísticas.
Ejemplo 4.5. El determinante de nuestra matriz A es ((2)(3) (1)(2)) = 4, y también
la multiplicación de sus raíces 4(1) = 4:
1
A = M D 1M 1
1
el resultado anterior es más importante de lo que parece. La matriz D es de la siguiente forma:
2 3
1= 1 0 ::: 0
6 0 1= ::: 0 7
6 2 7
D 1=6 . .. .. .. 7
4 . . . . . 5
0 0 : : : 1= n
podemos darnos cuenta que la inversa de D es simplemente una matriz diagonal con los recíprocos
de las raíces características. Esto nos permite obtener la inversa de una matriz a través de la
descomposición espectral de una manera fácil y rápida.
40
Teorema 4.9. Si la matriz A 1 existe, entonces sus vectores propios son los mismos
que los de A y sus valores propios son los recíprocos de A.
Podemos darnos cuenta que si una o más raíces de A son iguales a cero, es decir, A no es de
rango completo. Entonces D 1 no estaría de…nida y la inversa de A tampoco.
Dado el resultado podemos tratar de encontrar una expresión para A n , pero partamos por
2
A :
2
A = A 1A 1
1
= (M D M 1 )(M D 1 M 1 )
1
= (M D M 1M D 1M 1)
1
= (M D ID 1 M 1 )
1
= (M D D 1M 1)
2
= (M D M 1)
n n 1
luego, nuevamente es fácil demostrar por inducción que A = MD M :Extendamos el teorema
4.8.
Teorema 4.8 . Para una matriz A, con inversa de…nida, se cumple que An = M Dn M 1
De la misma forma, se puede pensar que el resultado anterior podría expandirse a potencias
con números reales, lo cual no es del todo cierto, ya que, si elevamos un número negativo por 12 , se
estará buscando su raíz cuadrada y como se sabe la raíz de un número negativo, no esta de…nida.
Teorema 4.11. Para una matriz A con raíces características positivas se cumple que
An = M Dn M 1 para n perteneciente a cualquier número real.
1
1
Ejemplo 4.5. Calculemos A 2 y A :
2 1 4 1
1 1
1 1 1 1 0 3 3 3 3
(a) A 2 = M D 2 M = 1 1 = 2 5 :
1 2 0 2 3 3 3 3
2 1 3 1
1 1 1 1 1 1 0 3 3 4 4
(b) A = MD M = 1 1 1 = 1 1
1 2 0 4 3 3 2 2
A2 = M D2 M 1
pero si A es idempotente
A = M D2 M 1
41
la única forma que se cumpla esto es que k = , es decir, las raíces características de A tienen que
ser 0 o 1. Supongamos que todas las raíces son 1.
A = M IM 1
= MM 1
= I
Si las raíces no son todas 1 es decir, son 0 y ocupando la de…nición de rango podemos a…rmar
que A es singular.
Por último, tomando en cuenta que el rango de una matriz son los valores propios distintos de
ceros y que en una matriz idempotente sus raíces son 0 o 1 podemos concluir:
Teorema 4.14. El rango de una matriz idempotente es igual a la suma de sus raíces
características, es decir, es igual a su traza.
0 5 0 2 5 1
A= ;B = ;C =
1 4 2 4 1 5
2 3 2 3
2 2 4 1 3 4
D=4 1 3 4 5;F = 4 3 2 35
1 2 3 4 3 3
42
43
Capítulo 5
donde q, A y X pueden pertenecer a los números reales. Este tipo de notación matricial nos será
muy útil en problemas de optimización y en cualquier ámbito donde se manejen muchos polinomios
y ecuaciones.
q = X 0 AX
44
donde A tiene la propiedad de ser una matriz simétrica y, en general, q puede ser positivo, negativo
o cero dependiendo principalmente de los valores que tome X y A:
para esto debemos entender la expresión X 0 AX, con tres incógnitas esta es:
2 32 3
a11 a12 a13 x1
q = x1 x 2 x3 4 a21 a22 a23 5 4 x2 5
a31 a32 a33 x3
= a11 x21 + a22 x22 + a33 x23 + a12 x1 x2 + a13 x1 x3 +
+a21 x2 x1 + a23 x2 x3 + a31 x3 x1+ a32 x3 x2
podemos apreciar que los elementos de la diagonal están al cuadrado y que los elementos
de la forma aij son los coe…cientes de los términos de la forma xi xj , dado lo anterior
nos es conveniente escribir nuestro polinomio de la siguiente forma:
Es interesante conocer cuándo el valor q de las formas cuadráticas es siempre positivo o siem-
pre negativo. Esto es posible a pesar de que dependa de A y de X, esto lo logramos estudiando
nuevamente la descomposición espectral.
como en una forma cuadrática A es simétrica sabemos, por el teorema 4.5, que sus vectores car-
acterísticos son ortogonales entre sí, además si imponemos la condición de que cada uno de los
45
vectores característicos sea un vector unitario (Mi0 Mi = 1) podemos ver que:
2 3 2 3
M10 M10 M1 M10 M2 : : : M10 Mn
6 M20 7 6 M20 M1 M20 M2 : : : M20 Mn 7
6 7 6 7
M 0 M = 6 . 7 M1 M2 : : : Mn = 6 .. .. .. .. 7
4 . 5. 4 . . . . 5
Mn0 Mn0 M1 Mn0 M1 ::: Mn0 Mn
2 3
1 0 ::: 0
6 0 1 ::: 0 7
6 7
= 6 .. .. . . .. 7 = I
4 . . . . 5
0 0 ::: 1
luego se cumple que:
M 0M = I ) M 0 = M 1
X 0 AX = X 0 M DM 0 X
si de…nimos y = M 0 X. Entonces:
X 0 AX = y 0 Dy
pero como D es una matriz diagonal podemos escribir la expresión anterior de la siguiente forma:
n
X
q = X 0 AX = 2
i yi
i=1
46
Ejemplo 5.2. La forma lineal corresponde a una función de la forma:
q = a1 x1 + a2 x2 + ::: + an xn
donde x1 ; x2 ; :::; xn son las variables del dominio y q es la variable del recorrido.
47
entonces podemos concluir que la derivada de la forma cuadrática es:
@X 0 AX
= 2AX
@X
Por otro lado denominamos matriz Hessiana a la matriz de segundas derivadas de una función.
Se obtiene tomando cada elemento del vector gradiente y derivándolo respecto a cada una de las
variables independientes, es decir:
2 @f @f @f
3
1@x @x
1 @x1 @x2 @x1 @xn
6 @f @f @f 7
6 @x2 @x1 @x2 @x2 @x2 @xn 7
H=6
6 .. .. .. .. 7
7
4 . . . . 5
@f @f @f
@xn @x1 @xn @x2 @xn @xn
@ 2 X 0 AX
H= = 2A
@X 2
48
Aproximación de Primer Orden
La aproximación de Taylor de primer orden nos entrega una forma funcional lineal de la función
original y su formula es:
y f (xo ) + rf (xo )0 (x xo )
donde xo es el punto de expansión, f (xo ) es la función evaluada en el punto de expansión y rf (xo )0
es el vector gradiente evaluado en el punto traspuesto.
Ejemplo 5.6. Sea f (x1 ; x2 ) = ln(x1 ) + ln(x2 ). Su aproximación de primer orden por
Taylor entorno al punto xo = (1; 2), sería de la forma:
1 1 x1 1
y ln(1) + ln(2) + 1 2 x2 2
x2
y 1;307 + x1 +
2
comparemos:
Ejemplo 5.7. Sea f (x1 ; x2 ) = ln(x1 ) + ln(x2 ). Su aproximación de segundo orden por
Taylor entorno al punto xo = (1; 2), es lo que ya teníamos más el termino del Hessiano
evaluado en el punto:
1 1 x1 1 1 0 x1 1
y ln(1) + ln(2) + 1 2 + x1 1 x2 2 1
x2 2 0 4 x2 2
3x2 x2
y 3;307 + 3x1 + x21
2 4
49
comparemos:
2 22
y(1; 2) 12 = 0;693
3;307 + 3(1) + 3
2 2
nuevamente en el punto de expansión son iguales. Veamos el punto (1;1; 2;1)
2;1 2;12
y(1; 2) 3;307 + 3(1;1) + 3 1;12 = 0;8305
2 2
50
a) f (x) = cos(x), en primer grado y alrededor de :
b) f (x) = sin(x): en primer grado y alrededor de 2 3 :
c) f (x) = ex ; en quinto grado entorno al 0.
d ) f (x1 ; x2 ) = x1 ln(x2 ); en segundo grado entorno al punto (2; 2)
51
Bibliografía
[1] Ayres, Frank, Jr. 1962. “Theory and Problems of Matrices."Schaum Publishing Co.
[2] Edwards, Gonzalo. 2000. “Introducción al Análisis de Sistemas Dinámicos."2da edición. Edi-
ciones Universidad Católica de Chile. Cap 9 y 14.
[3] Schneider, Hans y Barker, George Phillip. 1968. "Matrices and Linear Algebra."Holt
Rinehart and Winston, inc.
[4] Lang, Serge. 1969. “Linear Algebra."4ta edición. Addison-Wesley Publishing Co.
[5] Greene, William. 2000. “Análisis Econométrico."3ra edición. Prentice Hall.
[6] Hohn, Franz. 1967. “Elementary Matrix Algebra."2da edición. The Macmillan Co.
52