Introducción al Algebra Matricial

Alvaro Parra P. Gonzalo Edwards G.

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

2. Determinantes de Matrices Cuadradas 13

2.1. Permutaciones e Inversiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.1. Permutaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.2. El Número Epsilon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2. El Determinante de una Matriz Cuadrada . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.1. Los términos del Determinante . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.2.2. El Determinante de una Matriz Cuadrada . . . . . . . . . . . . . . . . . . . . 14
2.3. Menores y Cofactores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4. La Expansión de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

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

3. Espacios Vectoriales y Dependencia Lineal 25

3.1. Sumas de Vectores y Multiplicación por un Escalar . . . . . . . . . . . . . . . . . . . 25
3.1.1. Suma de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1.2. Multiplicación de un Vector por un Escalar . . . . . . . . . . . . . . . . . . . 26
3.2. Relaciones y Medidas de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.1. Multiplicación de Vectores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2.2. La Norma de un Vector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3. Dependencia e Independencia lineal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.3.1. Sistemas Homogéneos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.4. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.5. Espacios, Subespacios y Bases Vectoriales . . . . . . . . . . . . . . . . . . . . . . . . 31
3.5.1. Sistemas no Homogéneos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.6. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

4. La Ecuación Característica de una Matriz 34

4.1. El Problema de los Valores Característicos . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2. Vectores y Valores Propios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.3. La Matriz Modal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4.4. Aplicaciones de la Descomposición Espectral . . . . . . . . . . . . . . . . . . . . . . 38
4.4.1. El Rango de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.4.2. La Traza de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.4.3. El Determinante de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.4.4. Potencias de una Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.4.5. Matrices Idempotentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.5. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

5. Formas Lineales, Cuadráticas y

Cálculo Matricial. 44
5.1. Formas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.2. Formas Cuadráticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
5.3. Matrices De…nidas y Semide…nidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.4. Cálculo Matricial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.4.1. Funciones Reales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.4.2. Derivadas de Funciones Reales . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.4.3. Aproximación a una Función . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5. Ejercicios Propuestos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50

2
Capítulo 1

Operaciones Básicas

1.1. Algunas De…niciones

1.1.1. Matriz
Una matriz es un arreglo rectangular de números encerrados por un par de corchetes. Algunos
ejemplos de matrices son:
1 2 2 3 7
A= ; B=
3 4 1 1 5
Se pueden representar en una matriz datos agrupados por columnas, los pagos de un conjunto de
activos en cada estado de la naturaleza, los coe…cientes de un sistema de ecuaciones, etc.
Por convención las matrices se representan con letras en mayúsculas.

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

Formalmente, se dice que la matriz

2 3
a11 a12 ::: a1n
6 a21 a22 ::: a2n 7
6 7
6 .. .. .. .. 7 (1.1)
4 . . . . 5
am1 am2 : : : amn

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.

1.1.2. Matrices cuadradas.

Cuando m = n, (1.1) es cuadrada y la llamamos matriz cuadrada de orden n. Si una matriz es
cuadrada y es de orden 1 la llamamos escalar. Un ejemplo de una matriz cuadrada es la matriz A.

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.

1.2. Suma de Matrices y Multiplicación por un Escalar

1.2.1. Suma y Resta de Matrices
Si A y B son dos matrices de orden m x n, su suma (o resta) es una matriz C de orden m x n
donde cada elemento de C es la suma (o resta) de los elementos correspondientes en A y B
A B = C () cij =aij bij i = 1; :::; m j = 1; :::; n
1 2 3 2 3 0
Ejemplo 1.2. Si A= y B= entonces:
0 1 4 1 2 5
1+2 2+3 3+0 3 5 3
A+B = =
0 + ( 1) 1 + 2 4 + 5 1 3 9
1 2 2 3 3 0 1 1 3
A B = =
0 ( 1) 1 2 4 5 1 1 1

1.2.2. Multiplicación de una Matriz por un Escalar

Si se suma una matriz k veces con ella misma se obtendría una matriz en que cada uno de sus
elementos sería k veces el inicial. A esto se le llama multiplicación por un escalar, donde el escalar
es k.
B = kA = Ak () bij = kaij = aij k i = 1; :::; m j = 1; :::; n
1 2
Ejemplo 1.3. Sea A = , entonces:
3 4
1 2 1 2 1 2 3 6
A+A+A= + + = = 3A = A3
3 4 3 4 3 4 9 12

Teorema 1.1. Sean A; B; C matrices de un mismo orden y k un escalar, entonces

cumplen con las siguientes propiedades:
A+B = B+A
A + (B + C) = (A + B) + C
k(A + B) = kA + kB = (A + B)k

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.

1.3.2. Multiplicación de Matrices

Sea A una matriz de orden m x p y B una matriz de orden p x n, es decir, la cantidad de
columnas de A es igual a la cantidad de …las de B, entonces cada elemento cij de la matriz C = AB
(en ese orden) se obtiene multiplicando la …la i de la matriz A con la columna j de la matriz B:
2 32 3 2 3
a11 a12 : : : a1p b11 b12 : : : b1n c11 c12 : : : c1n
6 a21 a22 : : : a2p 7 6 b21 b22 : : : b2n 7 6 c21 c22 : : : c2n 7
6 76 7 6 7
6 .. .. . . .. 7 6 .. .. . . .. 7 = 6 .. .. . . .. 7
4 . . . . 54 . . . . 5 4 . . . . 5
am1 am2 : : : amp bp1 bp2 : : : bpn cm1 cm2 : : : cmn
donde
p
X
cij = ai1 b1j + ai2 b2j + ::: + aip bpj = aik bjk
k=1
2 3
a11 a12
b11 b12
Ejemplo 1.5.(a) 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

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

Teorema 1.2. Sean las matrices A, B y C compatibles para la multiplicación y k un

escalar, entonces se cumple que:
A(BC) = (AB)C
A(B + C) = AB + AC
(A + B)C = AC + BC
k(AB) = (kA)B = A(kB) = (AB)k

Sin embargo hay que tener en cuenta que:

(a) generalmente AB 6= BA:
(b) si AB = 0 no necesariamente implica que A = 0 o B = 0:
(c) si AB = AC no necesariamente implica que B = C:
Dado que AB 6= BA, se puede identi…car dos tipos de multiplicaciones. Por ejemplo, si tenemos
la multiplicación AB podemos decir que A está premultiplicando a B pero por otro lado, se
podría pensar de otra forma y decir que B está postmultiplicando a A:
Una vez que ya aprendimos a sumar, restar y multiplicar matrices podemos de…nir más matrices.

1.4. Más De…niciones

1.4.1. Matriz Transpuesta.
La transpuesta de una matriz A se obtiene intercambiando las …las de A por las columnas de A
y la denotamos como A0 . Si denotamos B = A0 podemos de…nir la transpuesta de A como:
B = A0 () bij = aji 8 i; j
Ejemplo 1.6. Las traspuestas de las matrices A y B, es decir A0 y B 0 , son respectiva-
mente: 2 3
2 1
1 3
A0 = ; B0 = 4 3 1 5
2 4
7 5
Teorema 1.3. Si A’ y B’ son las traspuestas de A y B respectivamente, y si k es un
escalar cualquiera, entonces:

(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 .

1.4.2. Matriz Identidad

La matriz identidad es una matriz diagonal de unos, es decir, una matriz cuadrada donde
todos los elementos fuera de la diagonal principal son ceros y los elementos dentro de la diagonal
son unos.
2 3
1 0 0
Ejemplo 1.7. Una matriz identidad de orden 3: I3 = 4 0 1 0 5 y una de orden 2:
0 0 1
1 0
I2 = :
0 1

Una de las propiedades de la matriz identidad es que AI = IA = A:

1.4.3. Matrices Idempotentes

Son aquellas matrices que multiplicadas por sí mismas son ellas mismas, es decir, An = A 8n 2 N:
Por ejemplo, si A2 = AA = A entonces A sería una matriz idempotente, la matriz identidad es
idempotente. Además si la matriz es simétrica se cumple que A0 A = A:
2 3
2 2 4
Ejemplo 1.8. La siguiente matriz es idempotente A = 4 1 3 4 5 ya que:
1 2 3
2 32 3 2 3
2 2 4 2 2 4 2 2 4
A2 = 4 1 3 4 54 1 3 4 5=4 1 3 4 5
1 2 3 1 2 3 1 2 3

1.4.4. La inversa de una matriz

Si A y B son matrices cuadradas tal que AB = BA = I, entonces se dice que B es la inversa
de A y la denotamos B = A 1 : También se puede decir que A es la inversa de B.
2 3 2 3
1 2 3 6 2 3
Ejemplo 1.9. Sea A = 4 1 3 3 5 y B = 4 1 1 0 5, podemos decir que
1 2 4 1 0 1
una es la inversa de la otra ya que:

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 :

Ejemplo 1.10. Sean A y B las matrices del ejemplo anterior, entonces:

(a) tr(A) = 1 + 3 + 4 = 8
(b) tr(B) = 6 + 1 + 1 = 8
Teorema 1.4. Sean A, B, C y D matrices cuadradas del mismo orden y k un escalar,
entonces se cumple que:

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)

1.5. Matrices Particionadas

1.5.1. De…nición
Una matriz particionada es una matriz de matrices, ésta puede representar divisiones imaginarias
dentro de una matriz o divisiones reales:
2 3 7 0
Ejemplo 1.11. Podemos particionar la matriz B = de la siguiente
1 1 5 0
forma:
2 3 7 0
1 1 5 0
o de la siguiente
2 3 7 0
1 1 5 0
para ser una mejor representación del siguiente sistema de ecuaciones:

2x + 3y + 7z = 0
:
x y + 5z = 0

Formalmente, si se toma la matriz (1.1)

2 3
a11 a12 ::: a1n
6 a21 a22 ::: a2n 7
6 7
6 .. .. .. .. 7
4 . . . . 5
am1 am2 : : : amn

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

donde cada elemento Aij de A es una submatriz de orden mi x nj :

2 3
1 4 5
Ejemplo 1.12. Sea la matriz particionada A = 4 2 9 3 5, entonces se puede repre-
8 9 6
A11 A12 1 4 5
sentar de la siguiente forma donde A11 = ; A12 = ; A21 = 8 9
A21 A22 2 9 3
y A22 = 6 .

Un caso especial es el de la matriz diagonal por bloques:

A11 0
0 A22

esta matriz es de suma importancia en econometría y por eso la estudiaremos en profundidad.

1.5.2. Suma de Matrices Particionadas

Sean A y B matrices de igual orden y particionadas de la misma forma, entonces la suma de
estas matrices es de la forma:
2 3
A11 + B11 ::: A1t + B1t
6 .. .. .. 7
C =A+B =4 . . . 5
As1 + B s1 ::: Ast + Bst

y la suma de submatrices se realiza igual que la suma de matrices.

2 3 2 3
1 4 5 4 3 3
Ejemplo 1.13. Sea A = 4 2 9 3 5yB=4 2 0 2 5, entonces A + B es igual a:
8 9 6 6 8 7
2 3 2 3 2 3
1 4 5 4 3 3 1 4 4 3 5 3
4 2 9 3 5+4 2 0 2 5 = 4 2 9 + 2 0 3
+
2 5
8 9 6 6 8 7 8 9 + 6 8 6 + 7
2 3 2 3
1+4 4+3 5+3 5 7 8
4 2+2 9+0 3+2 5 = 4 4 9 5 5
8+6 9+8 6+7 14 17 13

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 B11 + A12 B21 A11 B12 + A12 B22

AB =
A21 B11 + A22 B21 A21 B12 + A22 B22
2 3
2 1 1 1 1 0 2 1 0 0
6 3 + 2 3 1 + 2 7
6 2 2 1 1 0 3 2 0 0 7
= 4 5
1 1 1 0
1 0 + 1 2 3 1 1 0 + 1 2
2 1 1 0
2 3 2 3
4 3 3 0 0 0 0 0 4 3 3 0
+ +
= 4 7 5 5 0 0 0 0 0 5=4 7 5 5 0 5:
1 1 1 + 2 3 1 0 + 2 3 4 2 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

1.6. Ejercicios Propuestos

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:

3. Calcule los siguientes productos:

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:

a) tr(A + B) = tr(A) + tr(B):

b) tr(kA) = ktr(A):

6. Calcule AB en cada uno de los siguientes casos:

2 3 2 3
1 0 1 1 0 0
a) A = 0 4 1 1 5 y B = 4 0 1 0 5:
0 0 1 1 1 0
2 3 2 3
1 2 0 0 0 0 0 1
6 0 1 0 0 7 6 0 0 2 0 7
b) A = 6 4 0
7yC=6 7:
0 0 1 5 4 1 0 0 0 5
0 0 2 2 0 1 0 0
2 3 2 3
1 0 0 0 0 0 1 0 0 0 0 0
6 0 2 0 0 0 0 7 6 0 1 0 0 0 0 7
6 7 6 7
6 0 0 3 0 0 0 7 6 7
c) A = 6 7yB=6 0 0 1 0 0 0 7:
6 0 0 0 4 0 0 7 6 0 0 0 3 0 0 7
6 7 6 7
4 0 0 0 0 5 0 5 4 0 0 0 0 2 0 5
0 0 0 0 0 6 0 0 0 0 0 3

12
Capítulo 2

Determinantes de Matrices
Cuadradas

2.1. Permutaciones e Inversiones

2.1.1. Permutaciones
Una permutación es la respuesta a la pregunta ¿De cuántas formas distintas se pueden ordenar
n números naturales distintos?, la respuesta es de n! formas distintas ya que en el primer puesto se
tienen n posibilidades, en el segundo se tienen n 1 posibilidades ya que pusimos un número en el
primer puesto, en el tercero se tienen n 2 posibilidades ya que se puso un número en el primer
puesto y otro en el segundo, y así sucesivamente.

Ejemplo 2.1 ¿De cuántas formas se pueden ordenar los números naturales 1; 2 y 3? De
3! = 6 formas distintas:

123 132 213

231 312 321

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.

Si el número de inversiones en una permutación es par (impar), la llamamos permutación par

(impar).

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:

1 si j1 j2 :::jn es una permutación par

j1 j2 :::jn =f
1 si j1 j2 :::jn es una permutación impar
Otra forma de verlo es de…niendo como k el número de inversiones, entonces:

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:

2.2. El Determinante de una Matriz Cuadrada

2.2.1. Los términos del Determinante
Si se hace el ejercicio de tomar un elemento de cada …la y anotar de qué columna es pero
no repetimos la columna cada vez que elegimos un elemento de cada …la, es decir, tenemos n
elementos (uno por cada …la) y todos de columnas distintas, los multiplicamos entre sí y además
lo multiplicamos por el número epsilon j1 j2 :::jn donde j1 representa la columna del elemento de la
…la uno, j2 la columna del elemento de la …la 2 y así sucesivamente, se obtendrá un término del
determinante de una matriz.
j1 j2 :::jn a1j1 a2j2 :::anjn
2 3
a11 a12 a13
Ejemplo 2.3. Sea la matriz A = 4 a21 a22 a23 5 , entonces todos los términos del
a31 a32 a33
determinante de A son:

123 a11 a22 a33 = (1)a11 a22 a33

132 a11 a23 a32 = ( 1)a11 a23 a32
213 a12 a21 a33 = ( 1)a12 a21 a33
231 a12 a23 a31 = (1)a12 a23 a31
312 a13 a21 a32 = (1)a13 a21 a32
321 a13 a22 a31 = ( 1)a13 a22 a31

2.2.2. El Determinante de una Matriz Cuadrada

Dado lo anterior se de…ne el determinante de orden n como la suma de todos los términos
del determinante de una matriz de orden n, y lo denotamos como det A, o bien, jAj :
X
det A = jAj = j1 j2 :::jn a1j1 a2j2 :::anjn

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

Comencemos por la matriz A, ocupando (d) factorizamos la primera columna por

0.87632 y se obtiene:

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

factorizando la segunda columna por 0.13352:

1 0 0
(0;87632)(0;13352) 0;35536 1 0;06223
0;12817 0;4611 0;00058

substrayendo 0.06223 veces la segunda columna a la primera se tiene que:

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:

Para la matriz B, restemos la segunda columna a la tercera:

18 11 2
27 23 3
45 87 5

y si factorizamos por 9 la primera columna se tiene que:

2 11 2
9 3 23 3 =0
5 87 5

ya que tenemos dos columnas idénticas.

2.3. Menores y Cofactores

Sea A una matriz cuadrada de orden n cuyo determinante existe. Entonces el determinante de
la matriz que obtenemos al eliminar la …la i y la columna j de A la llamamos primer menor de
A y es denotado como jMij j o bien lo llamamos el menor de aij : De la misma forma, el cofactor
de aij está de…nido como ( 1)i+j jMij j y lo denotamos como ij:
2 3
a11 a12 a13
Ejemplo 2.6. Si A = 4 a21 a22 a23 5, entonces los menores principales y los cofac-
a31 a32 a33
tores de la segunda …la son:

16
 a12 a13 a a13 a a12
jM21 j = ; jM22 j = 11 ; jM23 j = 11
a32 a33 a31 a33 a31 a32
y

21 = ( 1)2+1 jM21 j = jM21 j ; 22 = ( 1)

2+2
jM22 j = jM22 j ;
2+3
23 = ( 1) jM 23 j = jM 23 j

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:

a11 a13 a15

a22 a24
jM23;24 j = a41 a43 a45 ; jM145;135 j =
a32 a34
a51 a53 a55

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:

Ejemplo 2.7. consideremos la siguiente matriz:

2 3
1 0 2 0
62 0 1 07
6 7
40 4 0 35
0 3 0 4

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

2.4. La Expansión de Laplace

Laplace demostró que el determinante de una matriz A puede ser calculado seleccionando r …las
(o columnas) de A, formando todos los menores posibles de esas r …las (o columnas), multiplicando
todos los menores con su cofactor y sumando los resultados.

Ejemplo 2.8. Calculemos el determinante de la matriz del ejemplo anterior seleccio-

nando las dos primeras …las, esto signi…ca que vamos a tener C24 = 6 menores ya que se
tienen las siguientes combinaciones de columnas: la columna 1 con la 2, la 1 con la 3, la
1 con la 4, 2 con la 3, la 2 con la 4, la 3 con la 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

El corolario anterior es sumamente útil al momento de invertir matrices cuadradas de

orden 3.

2.5. La Adjunta de una Matriz Cuadrada

Sea A una matriz cuadrada de orden n y ij el cofactor del elemento aij , entonces la matriz
adjunta esta de…nida como:
2 3
11 12 ::: 1n
6 ::: 7
6 21 22 2n 7
adjunta A = adj A = 6 .. .. .. .. 7
4 . . . . 5
n1 n2 ::: nn
2 3
1 2 3
Ejemplo 2.9. Para la matriz A = 42 3 25, sus cofactores son:
3 3 4
11 = 6; 12 = 2; 13 = 3; 21 = 1; 22 = 5; 23 = 3; 31 = 5; 32 = 4;
33 = 1
y su adjunta es: 2 3
6 1 5
adj A = 4 2 5 45
3 3 1
Teorema 2.2. Sea A una matriz cuadrada de orden n y adj A su adjunta, entonces se
cumple que:
A(adj A) = (adj A)A = jAj 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

2.6. La Inversa de una Matriz

Del Teorema 2.2 se desprende una forma de calcular la matriz inversa que de…nimos en el
punto 1.4.4. Recordemos que la inversa de A es aquella matriz B que cumple con la siguiente
propiedad: AB = BA = I y denotábamos a B = A 1 : Entonces si dividimos el teorema por jAj y
premultiplicamos por A 1 ; encontramos:
2 3
11 = jAj 12 = jAj : : : 1n = jAj
adj A 6 6 21 = jAj 22 = jAj : : :
7
2n = jAj 7
A 1= =6 .. .. . . 7
jAj 4 . . .. .. 5
n1 = jAj n2 = jAj : : : nn = jAj

Ejemplo 2.11. La inversa de la matriz A del ejemplo anterior es:

2 3 2 3
6 1 5 0;8571 0;1429 0;7143
adj A 1 4
A 1
= = 2 5 4 5 = 4 0;2857 0;7143 0;57145
jAj 7
3 3 1 0;4286 0;4286 0;1429

Teorema 2.3. Sean A, B y C matrices compatibles para la multiplicación, entonces se

cumple que:

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

2.7. Determinantes e Inversas de Matrices Particionadas

2.7.1. Determinantes de Matrices Particionadas
El determinante de una matriz particionada es igual al de una matriz común y corriente pero
como las submatrices son de menor orden que la matriz original puede que sea conveniente, para
simpli…car los cálculos, calcular el determinante en función de las submatrices. Acá se presentan
algunos resultados importantes:

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

Como tarea puedes tratar de demostrar el método expandiendo por Laplace.

El Determinante de una Matriz Particionada 2 x 2

A11 A12
Sea A = una matriz particionada, entonces su determinante está de…nido por:
A21 A22

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.

La Inversa de la Matriz Diagonal por Bloques

A11 0
Sea A = una matriz particionada diagonal por bloques, entonces su inversa está
0 A22
de…nida por:
1
A11 0 A111 0
=
0 A22 0 A221
2 3
1 2 0 0
6 3 0 0 0 7
Ejemplo 2.14. Sea A = 6
4 0 0
7, entonces su inversa es:
5 6 5
0 0 9 8
2 3 1 2 1 3
1 2 0 0 1 2 0 0;333
6 3 0 0 0 7 6 3 0 0;5 0;1667 7
6 7 = 6 7=
4 0 0 5 6 5 4 0 0 5 6
1 5
0 0 9 8 0 0 9 8
2 3
0 0;333 0 0
6 0;5 0;1667 0 0 7
= 6
4
7
0 0 0;5714 0;4286 5
0 0 0;6429 0;3571
2 3
0 0;333 0 0
6 0;5 0;1667 0 0 7
= 6
4 0
7
0 0;5714 0;42866 5
0 0 0;6429 0;3571

La Inversa de una Matriz Particionada 2 x 2

A11 A12
Sea A = una matriz particionada, entonces su inversa está de…nida por:
A21 A22

1
A11 A12 A111 (I + A12 1 A21 A111 ) 1
A21 A111
=
A21 A22 A111 A12 1 1

donde = A22 A21 (A111 A12 )

2 3
1 2 5 6
6 3 0 9 8 7
Ejemplo 2.15. A = 6
4 3 8 2 3
7, entonces su determinante es:
5
9 7 5 7

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

2.8. Rango de una Matriz

Antes de de…nir el rango de una matriz se introducirá el concepto de submatriz cuadrada.
Una submatriz cuadrada es cualquier matriz que se obtenga eliminando …las y columnas de A, y
que formen una matriz cuadrada.

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.

Corolario: Si A es una matriz cuadrada de orden n y su rango es r < n, entonces no

tiene inversa de…nida; ya que A 1 = adj A
jAj ;pero si r < n signi…ca que jAj = 0; entonces
la inversa A no está de…nida. Luego, todas las matrices cuadradas invertibles tienen su
rango igual a su orden ( r = n) y las llamaremos matrices de rango completo.

A continuación se presentan 3 propiedades muy útiles del rango de una matriz:

(a) rango (A) = rango (A0 )
(b) rango (AB) m n(rango (A); rango (B))
(c) rango (A) = rango (A0 A) = rango (AA0 )
Si A es de orden M x n con n M y B es una matriz cuadrada de rango n, entonces:
(d) rango (AB) = rango (A)
Piense en la diferencia entre (b) y (d).

2.9. Ejercicios Propuestos

1. Ocupando los términos del determinante calcule el determinante de las siguientes matrices:

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. Calcule todos los menores y cofactores de las siguientes matrices:

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

5. Calcule la adjunta y la inversa de todas la matrices del ejercicio 1.

6. Calcule el determinante y la inversa de las siguientes matrices particionadas:
2 3
6 3 0 0
6 5 6 0 0 7
a) A = 6 4 0 0 2 4 5:
7

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

3.1. Sumas de Vectores y Multiplicación por un Escalar

Se puede entender un vector de orden n x 1 como una representación de un punto n-dimensional
en un espacio vectorial de n dimensiones (Rn ). Para entender más en profundidad esta idea se
trabajará con vectores de 2 dimensiones, es decir, aquellos que pertenecen a R2 .

Ejemplo 3.1. El vector x1 = [4 2], representa al punto (4,2) en un espacio vectorial

R2 , grá…camente:
y
6
8
7
6
5
4
3
x1 = (4; 2)
2 *
1
-x
0 1 2 3 4 5 6 7 8 9 10

Figura 3.1: El par ordenado (4,2) en un espacio vectorial de 2 dimensiones

3.1.1. Suma de Vectores

Al igual que la suma de matrices, la suma de vectores sólo esta de…nida en vectores del mismo
orden y es simplemente la suma elemento a elemento.

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

3.1.2. Multiplicación de un Vector por un Escalar

La multiplicación de un vector por un escalar, al igual que la multiplicación de una matriz por
un escalar, es sumar k veces el mismo vector y grá…camente corresponde a aumentar en k veces la
distancia del vector respecto a su origen.
Ejemplo 3.3. Sea x1 = [3 1] un vector de 2 dimensiones, entonces si se multiplica por
un escalar k = 2, el nuevo vector será x01 = [6 2]; grá…camente:
y
6
8
7
6
5
4
3
x01 = (6; 2)
2 1
1 1
x1 = (3; 1) -x
0 1 2 3 4 5 6 7 8 9 10

Figura 3.3: Multiplicación por un escalar

3.2. Relaciones y Medidas de Vectores

3.2.1. Multiplicación de Vectores

Recordemos la de…nición del capítulo 1:

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

a esta operación también se conoce como producto punto.

2 3
1
Ejemplo 3.4. (a) 2 3 4 4 1 5 = [2(1) + 3( 1) + 4(2)] = [7]
2
1
(b) 2 1 = [2 2] = [0]
2

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

Podemos apreciar que los vectores ortogonales son perpendiculares.

3.2.2. La Norma de un Vector

La norma o largo de un vector X está de…nida como la raíz cuadrada del producto punto del
vector con sí mismo y lo denotamos como jjXjj :
p q
jjXjj = X X = x21 + x22 + ::: + x2n
0

27
 p
Ejemplo 3.5. Sea el vector x = [1 2 3], entonces su norma es: 12 + 22 + 32 = 3;742

Dado lo anterior se puede demostrar que:

1 2 2 2
X 0Y = (jjX + Y jj jjXjj jjY jj )
2

jX 0 Y j jjXjj jjY jj (desigualdad de Schwarz)

jjX + Y jj jjXjj + jjY jj (desigualdad del triángulo)

A los vectores cuyos largos son igual a 1 se les llama vectores unitarios.

Ejemplo 3.6. Sean X 0 = 1 2 3 ;Y 0 = 3 0 4 ; entonces se cumple que:

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

3.3. Dependencia e Independencia lineal

Para facilitar el estudio de la dependencia e independencia lineal vamos a comenzar estudiando
sistemas de ecuaciones homogéneos.

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

Donde x1 ; x2 y x3 son las incógnitas y ai ; bi ; ci para i = 1; 2; 3 son los coe…cientes (valores).

Entonces el sistema puede representarse de las siguientes formas:
2 32 3 2 3
a1 b1 c1 x1 0
4a2 b2 c2 5 4x2 5=405 ;
a3 b3 c3 x3 0
Sx = 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:

Dependencia lineal: Un conjunto de vectores n-dimensionales F son linealmente

dependientes entre sí, si se puede dejar expresado un vector en función del resto.
Análogamente podemos de…nir dependencia lineal si el sistema de ecuaciones homogéneo
conformado por todos los vectores de F tiene más de una solución, o bien, la matriz S
conformada por los vectores de F no es de rango completo.

Análogamente se puede de…nir independencia lineal :

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

es única, es decir, la matriz S conformada por los vectores de F es de rango completo.

2 3 2 3 2 3
2 3 4
Ejemplo 3.7. (a) Los vectores a = 445 ; b = 4 5 5 ; c = 4 14 5 son linealmente
3 1 1
dependientes ya que c = 2b + a:
2 3 2 3 2 3
2 3 1
(b) Los vectores a = 445 ; b = 4 5 5 ; c = 425 son linealmente
3 1 3
independientes ya que la matriz compuesta por los vectores a; b; c tiene determinante
no nulo.
2 3 1
4 5 2 = 33
3 1 3

3.4. Ejercicios Propuestos

1. Sume y gra…que los siguientes vectores.
0 0
a) X1 = 2 1 ; X2 = 1 2
0 0
b) X3 = 3 2 ; X4 = 0 1
0 0
c) X5 = 4 5 ; X6 = 6 2
0 0
d ) X7 = 5 4 ; X8 = 2 6

2. Multiplique escalarmente y gra…que los siguientes vectores.

0
a) X1 = 1 3 ; k = 2
0
b) X2 = 1 3 ;k = 2
0
c) X3 = 1 3 ;k = 2
0
d ) X3 = 1 3 ;k = 2
2
3. Calcule el producto punto de los siguientes vectores y veri…que que se cumpla X 0 Y = 12 (jjX + Y jj
2 2
jjXjj jjY jj ):
0 0
a) X1 = 3 1 1 ; X2 = 4 3 2
0 0
b) X3 = 1 3 5 ; X4 = 2 4 2
0 1 0
c) X5 = 1 2 3 4 ; X6 = 2 3 2 2

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

3.5. Espacios, Subespacios y Bases Vectoriales

Antes de de…nir espacio y subespacio vectorial tenemos que de…nir 2 conceptos:

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

si para cualquier vector perteneciente a F y cualquier escalar pertenecientes a los reales

su multiplicación también pertenece a F:

Dado lo anterior se puede de…nir espacio vectorial

Espacio Vectorial: Cualquier conjunto de vectores F es un espacio vectorial si F está

cerrado bajo la suma y bajo la multiplicación escalar.

y análogamente se de…ne subespacio vectorial

Subespacio Vectorial: Cualquier subconjunto F 2 F es un subespacio vectorial si F

está cerrado bajo la suma y bajo la multiplicación escalar.

3.5.1. Sistemas no Homogéneos

Un sistema de ecuaciones no homogéneo es de la forma:

a1 x1 + b1 x2 + c1 x3 = d1
a2 x1 + b2 x2 + c2 x3 = d2
a3 x1 + b3 x2 + c3 x3 = d3

Donde x1 ; x2 y x3 son las incógnitas y ai ; bi ; ci ; di para i = 1; 2; 3 son los coe…cientes (valores).

Entonces el sistema puede representarse de las siguientes formas:

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.

En otras palabras, si tenemos k vectores pertenecientes a Rk linealmente independientes, podemos

generar cualquier otro vector perteneciente Rk a través de una combinación lineal de estos.
2 3 2 3 2 3
1 0 0
Ejemplo 3.8. Los vectores a = 405 ; b = 415 ; c = 405 son base para el espacio
0 0 1
vectorial R3 , a su vez los vectores a y b no son base
2 3 para el espacio vectorial R3 , pero si
x
son base para el subespacio de R3 de la forma 4y 5 :
0
Vectores Elementales: Los vectores elementales E1 ; E2 ; :::; En son vectores unitarios
que sirven como base para Rn y son de la siguiente forma:

E1 = [1 0 ::: 0]
E2 = [0 1 ::: 0]
.. ..
. = .
En = [0 0 ::: 1]

3.6. Ejercicios Propuestos

1. Determine la dimensión del espacio vectorial que generan los siguientes conjuntos de vectores.
¿De qué forma son estos espacios?
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

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

La Ecuación Característica de una

Matriz

4.1. El Problema de los Valores Característicos

En muchas aplicaciones de las matrices a las matemáticas, física y ciencias sociales surge el
siguiente problema: Para una matriz cuadrada A de orden n se necesita encontrar los escalares y
los vectores no nulos X que satisfagan simultáneamente la siguiente ecuación:

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

La expansión de este determinante nos entrega un polinomio de grado n en ; al cual denotamos

por '( ) y lo llamamos polinomio característico de A. La ecuación que corresponde a '( ) = 0
la llamamos ecuación característica de A

4.2. Vectores y Valores Propios

La solución al problema característico está compuesta por 2 elementos:

34
 (a) Las n raíces de la ecuación característica: 1; 2 ; :::; n:

(b) Un vector asociado a cada raíz característica: X1 ; X2 ; :::; Xn :

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.

Teorema 4.1. La ecuación AX = X tiene soluciones no triviales si y sólo si es una

raíz característica de la ecuación característica de A y la cuál tiene asociado un vector
no nulo X con los cuales la ecuación se satisface.
2 1
Ejemplo 4.1. Analicemos el problema característico de la siguiente matriz: A = ,
2 3
cuya ecuación característica es:

2 1 2
'( ) = det(A I) = = 5 +4=0
2 3

y sus soluciones son:

(4 )(1 ) = 0 =) 1 = 1; 2 =4

las cuales tienen asociadas los siguientes vectores propios:

2 1 x1 x x1 + x2 = 0
para 1 : AX = X ) = 1 ) )
2 3 x2 x2 2x1 + 2x2 = 0

podemos apreciar que la primera ecuación es igual a la segunda, entonces:

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

o cualquier multiplicación escalar de X1 ; X2 1 .

1 Muchos softwares computacionales y libros imponen la pseudo restricción de que la norma sea unitaria (kX k),
i
así se cierra el problema y se evita de que existan in…nitas soluciones para los vectores propios. Además, bajo ciertas
condiciones, es una propiedad deseable.

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

Figura 4.1: Transformación A al vector B

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

Figura 4.2: Transformación A al vector C

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

Figura 4.3: Transformación A al vector X2

Se puede apreciar que si se premultiplica X2 por A, no se desplaza ni a la izquierda ni a la

derecha, sino que aumenta en una magnitud igual a su valor propio.
Como tarea repite el ejercicio con vector X1 .

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.

Teorema 4.3. Si las raíces de la ecuación característica no son distintas, entonces

los vectores característicos asociados a cada una de estas raíces pueden ser linealmente
independientes como linealmente dependientes.

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.

4.3. La Matriz Modal

La matriz modal es aquella que está compuesta por todos los vectores propios, es decir, es de la
forma:
M = X1 X2 ::: Xn

37
si se premultiplica esta matriz por la matriz A obtenemos:

AM = AX1 AX2 ::: AXn

pero por de…nición cada uno de los elementos es:

AX1 AX2 ::: AXn = 1 X1 2 X2 ::: n Xn = M D
2 3
1 0 ::: 0
60 ::: 07
6 2 7
donde D es una matriz diagonal de la forma 6 . . .. .. 7 ; entonces podemos concluir que
4 .. .. . . 5
0 0 ::: n
se cumple:
AM = M D
Esta matriz es de suma utilidad ya que nos permitirá escribir (caracterizar) la matriz original en
función de su valores y vectores propios. A esto se conoce como descomposición espectral de
un matriz y se deriva postmultiplicando la expresión anterior por M 1 . Para esto tiene que existir
M 1 pero se vio que una condición su…ciente para que esto se cumpla es que los valores propios
sean distintos.
A = M DM 1

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

4.4. Aplicaciones de la Descomposición Espectral

Todas las aplicaciones que siguen están sujetas a que la matriz modal sea invertible, pero
podemos estar tranquilos ya que en econometría la mayoría de las matrices con las cuales se traba-
jará son simétricas y por lo tanto, se cumple el siguiente teorema:

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 .

4.4.1. El Rango de una Matriz

Ocupando la descomposición espectral de una matriz y las propiedades del rango se puede llegar
a una expresión simpli…cada del mismo, lo que queremos es conocer:
1
Rango (A) = Rango (M DM )

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:

Rango (A) = Rango (M D)

2 Si además impusimos la condición que kXi k = 1 se puede demostrar que M 1 = M 0.

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.

4.4.2. La Traza de una Matriz

Al igual que el rango, se puede encontrar una expresión para la traza de una matriz a través de
la descomposición espectral de ésta. Lo que se busca es:
1
tr(A) = tr(M DM )
ocupando la propiedad cíclica de la traza:
1 1
tr(A) = tr(M DM ) = tr(M M D) = tr(ID) = tr(D)
dado que D es una matriz diagonal que contiene las raíces de A llegamos el siguiente teorema:
Teorema 4.6. La traza de una matriz es igual a la suma de sus raíces características o
valores propios.
Ejemplo 4.4. La traza de nuestra matriz A es la suma de su diagonal 2 + 3 = 5, como
también la suma de sus raíces 1 + 4 = 5

4.4.3. El Determinante de una Matriz

En este apartado vamos a tratar de encontrar una expresión para el determinante a través de
la descomposición espectral. El determinante de A es igual a:
1
jAj = M DM
ocupando la propiedad de que el determinante de la multiplicación es igual a la multiplicación de
los determinantes:
jAj = jM j jDj M 1
como la multiplicación es conmutativa:
1
jAj = jM j M jDj
ocupando la primera propiedad pero al revés:
1
jAj = M M jDj = jIj jDj
como el determinante de la identidad es 1 se tiene que:
n
Y
jAj = 1 jDj = i
i

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:

4.4.4. Potencias de una Matriz

Debido a lo complejo de los cálculos, una de las aplicaciones más útiles de la descomposición
espectral de una matriz es su aplicación a las potencias de una matriz. Lo que queremos es encontrar
una expresión para An , pero partamos encontrando una para A2 :
A2 = AA
= (M DM 1 )(M DM 1 )
= (M DM 1 M DM 1 )
= (M DIDM 1 )
= (M DDM 1 )
= (M D2 M 1 )
luego es fácil demostrar por inducción que An = M Dn M 1
: Esta expresión es más simple que la
original ya que la matriz Dn es igual a:
2 n 3
1 0 ::: 0
60 n
::: 0 7
n 6 2 7
D =6 . . .. 7
4 .. .. . . . . 5
n
0 0 ::: n

Teorema 4.8. Para una matriz A, se cumple que An = M Dn M 1

para n perteneciente
a todos los números enteros positivos.
Se tratará de extender el teorema anterior a los números negativos pero para esto se debe
encontrar otro resultado, invirtamos A:
1 1 1
A = (M DM )
por propiedades de las matrices inversas se tiene que:
1
A = (M 1 ) 1 D 1 (M ) 1

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

para n perteneciente a cualquier número entero.

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

4.4.5. Matrices Idempotentes

En el apartado anterior estudiamos las potencias de una matriz y en el que siguiente, aplicare-
mos lo aprendido a las matrices idempotentes. Las matrices idempotentes son aquellas matrices
que cumplen con la siguiente condición An = A, para entender que implicancia tiene esto en la
descomposición espectral de una matriz estudiemos A2 .

A2 = M D2 M 1

pero si A es idempotente
A = M D2 M 1

lo que implica que

1
M DM = 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.

Teorema 4.12. La única matriz idempotente de rango completo es la matriz identidad.

Teorema 4.13. Todas las matrices idempotentes, excepto la matriz identidad, son sin-
gulares.

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.

4.5. Ejercicios Propuestos

1. Dadas las siguientes matrices

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

a) Encuentre la ecuación característica de cada matriz.

b) Encuentre los vectores y valores propios de cada una de esas matrices imponiendo la
restricción de que kXi k = 1.
c) Encuentre la matriz modal y su inversa para cada una de las matrices.
d) Calcule M 0M:
Usando la descomposición espectral calcule:
e) El Rango de todas las matrices.
f) La traza de todas las matrices.
g) El determinante de todas las matrices.
h) Las potencias de la forma A3 ; A 3
para todas las matrices.

42
43
Capítulo 5

Formas Lineales, Cuadráticas y

Cálculo Matricial.

5.1. Formas lineales

Un polinomio lineal homogéneo es un polinomio de grado 1 y se puede representar de la siguiente
forma:
n
X
q = a1 x1 + a2 x2 + ::: + an xn = ai xi
i=1

y una representación matricial del mismo sería:

2 3
x1
6 x2 7
6 7
q = a1 a2 ::: an 6 .. 7 = AX
4 . 5
xn

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.

5.2. Formas Cuadráticas

Un polinomio cuadrático homogéneo es un polinomio compuesto de puros términos de grado 2
y se puede representar de la siguiente forma:
n X
X n
q= aij xi xj
j=1 i=1

y se puede expresar a través de matrices de la siguiente forma:

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:

Ejemplo 5.1. Escribamos en forma matricial la siguiente forma cuadrática:

q = x21 + 2x22 7x23 4x1 x2 + 8x1 x3

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:

q = x21 + 2x22 7x23 2x1 x2 2x2 x1 + 4x1 x3 + 4x3 x1 + 0x2 x3 + 0x3 x2

luego el polinomio en forma matricial es:

2 32 3
1 2 4 x1
q = x1 x2 x3 4 2 2 0 5 4x2 5
4 0 7 x3
2 3
1 2 4
= X0 4 2 2 0 5X
4 0 7

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.

5.3. Matrices De…nidas y Semide…nidas

Como dijimos en el apartado anterior, queremos saber cuando la forma cuadrática es siempre
positiva o siempre negativa pero para esto debemos estudiar la descomposición espectral de A:
1
A = M DM

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

reemplazando en la descomposición espectral:

A = M DM 0
tomando la forma cuadrática:

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

luego, si A es simétrica, el valor de q dependerá sólo de las raíces características.

Teorema 5.1. Sea A una matriz simétrica. Si todas todas las raíces de A son positivas,
entonces decimos que A es positiva de…nida. Si las raíces son mayores o iguales a cero,
entonces decimos que A es positiva semide…nida, o bien, de…nida no negativa.
Teorema 5.2. Sea A una matriz simétrica. Si todas todas las raíces de A son negativas,
entonces decimos que A es negativa de…nida. Si las raíces son menores o iguales a
cero, entonces decimos que A es negativa semide…nida, o bien, de…nida no positi-
va.

5.4. Cálculo Matricial

5.4.1. Funciones Reales
Una función real f : X ! y es una relación que asocia, de manera única, un conjunto de valores
x 2 X a un valor y 2 R, y se denota y = f (x): En esta relación se denomina a las variables x como
variables independientes o dominio y a la variable y se le denomina variable dependiente o
recorrido.

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.

5.4.2. Derivadas de Funciones Reales

La derivada de una función representa el cambio de y respecto a un cambio in…nitesimal de
una de las variables independientes. Denominamos vector gradiente a aquel vector columna que
representa a las primeras derivadas de una función respecto a todas las variables independientes.
Son representaciones del vector gradiente:
2 @f 3 2 3
@x f1
6 @f1 7 6 7
6 @x2 7 6 f2 7
rf = 6 7
6 .. 7 = 6 .7
4 . 5 4 .. 5
@f fn
@xn

Ejemplo 5.3. El vector gradiente de una función de la forma:

2 3
x1
y = 2x1 4x2 + 3x3 ) y = 2 4 3 4x2 5
x3
es:
2 @f
3 2 3
2
6 @x
@f 7
1
rf = 4 @x2 5 = 4 45
@f 3
@x3
entonces podemos concluir que la derivada de la forma lineal es:
@AX
= A0
X
Ejemplo 5.4. El vector gradiente de la forma cuadrática del ejemplo 5.1
y = x21 + 2x22 7x23 4x1 x2 + 8x1 x3
es:
2 @f
3
2 3
2x1 4x2 + 8x3
6 @x
@f 7
1
rf = =4
4 @x2 5 4x1 + 4x2 5
@f 8x1 14x3
@x3
2 32 3
2 4 8 x1
= 4 4 4 0 5 4x2 5
8 0 14 x3
2 32 3
1 2 4 x1
= 24 2 2 0 5 4x2 5
4 0 7 x3
= 2AX

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

Teorema de Young. Si una función es continua y doblemente diferenciable, entonces

se cumple que:
@f @f
=
@xi @xj @xj @xi
las derivadas cruzadas son iguales.

Entonces podemos a…rmar que, si la función es doblemente diferenciable, la matriz Hessiana es

simétrica.

Ejemplo5.5. La matriz Hessiana de nuestra función cuadrática es:

2 @f @f @f
3 2 3
@x1 @x1 @x1 @x2 @x1 @x3 2 4 8
6 @f 7 4 4 4
H = 4 @x@f 2 @x1
@f
@x2 @x2 @x2 @x3 5 = 0 5
@f @f @f 8 0 14
@x @x @x3 @x2 @x @x
23 1 3 3 3
1 2 4
= 24 2 2 0 5
4 0 7
= 2A

entonces podemos concluir que el Hessiano de una forma cuadrática es:

@ 2 X 0 AX
H= = 2A
@X 2

5.4.3. Aproximación a una Función

Muchas veces nos será más útil aproximarse a una función que trabajar con ella misma. Una
herramienta para hacer esto es la expansión de Taylor. La expansión de Taylor es una aproximación
polinomial de una función, que consiste en caracterizarla en función de sus derivadas y un punto
arbitrario. Nosotros trabajaremos con la expansión de primer y segundo orden pero hay que recalcar
que entre mayor el orden de la aproximación mejor sera esta.

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:

f (1; 2)= ln(1) + ln(2) = 0; 693

2
y(1; 2) t 1;307 + 1 + = 0; 693
2
en el punto de expansión son idénticos. Veamos en un punto cercano (1;1; 2;1)

f (1;1; 2;1) = ln(1;1) + ln(2;1) = 0;837

2;1
y(1;1; 2;1) t 1;307 + 1;1 + = 0; 843
2

Aproximación de segundo orden

La aproximación de Taylor de segundo orden orden nos entrega una forma funcional lineal de
la función original y su formula es:
1
y f (xo ) + rf (xo )0 (x xo ) + (x xo )H(xo )(x xo )
2
donde xo es el punto de expansión, f (xo ) es la función evaluada en el punto de expansión, rf (xo )0
es el vector gradiente evaluado en el punto traspuesto y H(xo ) es el Hessiano de la función evaluado
en el punto.

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

5.5. Ejercicios Propuestos

1. Escribir las siguientes formas cuadráticas en notación matricial.

a) x21 + 4x1 x2 + 3x22

b) 2x21 6x1 x2 + x23
c) x21 2x22 3x23 + 4x1 x2 + 6x1 x3 8x2 x3

2. Escriba la siguiente matriz como una forma cuadrática.

2 3
2 3 1
4 3 2 45
1 4 5
2 3
a11 a12 ::: a1n
6 a21 a22 ::: a2n 7
6 7
3. Sea A = 6 .. .. .. .. 7 una matriz, entonces las submatrices de A son:
4 . . . . 5
am1 am2 ::: amn
2 3
a11 a12 a13
a11 a12
A1 = [a11 ] ; A2 = ; A3 = 4 a21 a22 a23 5 ; :::; An = A
a21 a22
a31 a32 a33

entonces demuestre que:

a) Si A es positiva de…nida, entonces los determinantes de las submatrices de A son todos

positivos.
b) Si A es positiva semide…nida, entonces los determinantes de las submatrices de A son
todos no-negativos.
c) Si A es negativa de…nida, entonces los determinantes de las submatrices de A alternan
de signo partiendo por jA1 j < 0; jA2 j > 0; jA3 j < 0; :::; jAn j ( 1)n > 0.
d) Si A es negativa semide…nida, entonces los determinantes de las submatrices de A alter-
nan de signo partiendo por jA1 j 0; jA2 j 0; jA3 j 0; :::; jAn j ( 1)n 0.
@X 0 AX @ 2 X 0 AX
4. Encuentre @X y @X 2 para todas las formas cuadráticas de los ejercicios 1 y 2.
5. Aproxime por Taylor las siguientes funciones:

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