Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Algebra Matricial
Algebra Matricial
LGEBRA MATRICIAL
lvaro G. Parra*
Trabajo Docente N 75
* agparra@northwestern.edu
lgebra Matricial
lvaro Parra
Pontificia Universidad Catlica de Chile
Instituto de Economa
ndice
Introduccin
Agradecimientos
Sobre el Autor
1
1
Operaciones Bsicas
Algunas Definiciones
Matriz
Matrices Cuadradas
Igualdad de Matrices
Vectores
Multiplicacin de Matrices
Ms Definiciones
Matriz Transpuesta
Matriz Identidad
Matrices Idempotentes
La Inversa de una Matriz
La Traza
Matrices Particionadas
Definicin
10
4
5
VI
ndice
Multiplicacin de Matrices Particionadas
Ejercicios Propuestos
11
12
15
15
15
El Nmero Epsilon
16
16
16
17
18
La Expansin de Laplace
20
20
21
22
23
25
Ejercicios Propuestos
26
29
29
30
31
31
32
22
33
32
29
ndice
Ejercicios Propuestos
34
36
35
39
39
39
42
43
47
49
Formas Cuadrticas
49
Bibliografa
57
55
50
49
VII
Introduccin
Este documento fue pensado para complementar el estudio los alumnos de Ingeniera
Comercial UC durante gran parte de su carrera. Sin estar enmarcado en un curso especfico, el contenido del manuscrito es un compilado de las herramientas introducidas en
cursos como Algebra Lineal y Mtodos de Optimizacin, y posteriormente usadas en
cursos como Econometra, Marketing II, Finanzas II, Teora Economtrica (I, II y III) y
diversos ramos de Teora Econmica.
El enfoque de este trabajo es el de repasar los conceptos a travs de una estrategia teora
explicacinejemplo, presentando cada uno los tpicos de manera formal, seguida de
una explicacin y, por ltimo, aplicando el concepto en un ejemplo.
Agradecimientos
Quisiera agradecer a Gonzalo Edwards por la confianza depositada en m, adems de
su constante apoyo y paciencia durante el desarrollo de este apunte. A Raimundo Soto
por leer los borradores y darme excelentes comentarios. Por ltimo, a todas las personas
que ocuparon versiones previas de este trabajo y se dieron el tiempo de entregarme sus
comentarios.
Sobre el Autor
lvaro Parra es Ingeniero Comercial y Magster en Economa Financiera, ambos grados
obtenidos en la Pontificia Universidad Catlica de Chile. Desde el 2007, se encuentra realizando estudios de Doctorado en Economa en Northwestern University, Estados
Unidos. Para cualquier comentario, el autor puede ser contactado a su e-mail: agparra@northwestern.edu o visitar su pgina web: www.agparra.com.
Operaciones Bsicas
Algunas Definiciones
Matriz
Una matriz es un arreglo rectangular de objetos, por lo general nmeros, encerrados por
un par de corchetes. Se pueden representar en una matriz datos agrupados por columnas,
los pagos de un conjunto de activos en cada estado de la naturaleza, los coeficientes de
un sistema de ecuaciones, etc. Por convencin, las matrices se representan con letras en
maysculas.
I Ejemplo 1.1
Algunos ejemplos de matrices son:
1 2
2 3 7
A=
; B=
3 4
1
1 5
donde la matriz B puede representar los coeficientes del siguiente sistema de ecuaciones:
2x + 3y + 7z = 0
:
x y + 5z = 0
Formalmente, se dice que la matriz
2
a11
6 a21
6
6 ..
4 .
a12
a22
..
.
:::
:::
..
.
a1n
a2n
..
.
3
7
7
7
5
(1)
Matrices Cuadradas
Se dice que una matriz es cuadrada cuando tiene la misma cantidad de filas que de
columnas. Por ejemplo, (1) es una matriz cuadrada de orden n cuando n = m. Si una
Igualdad de Matrices
Las matrices A y B son iguales si y slo si tienen el mismo orden y cada elemento de A
es igual al elemento correspondiente de B, formalmente:
A = B () aij = bij para todo i y j
Vectores
Un vector es una matriz de una fila o de una columna. Denominamos vector columna a
una matriz de orden m x 1 y vector fila a una matriz de orden 1 x n.
1
0
2
1
3
4
A+B
2 3 0
entonces:
1 2 5
1+2
2+3 3+0
=
0 + ( 1) 1 + 2 4 + 5
yB =
1
0
2
( 1)
2
1
3 3
2 4
0
5
3
1
1
1
5 3
3 9
1
1
3
1
Cuando dos matrices tienen el mismo orden se les llama conformables para la suma.
I Ejemplo 1.3.
1
3
Sea A =
2
4
, entonces:
B =A+A+A=
1
3
2
4
1
3
2
4
1
3
2
4
3
9
6
12
= 3A = A3
Multiplicacin de Vectores
Sea A =
a1
a2
::: am
6
6
un vector de orden 1 x m y B = 6
4
b1
b2
..
.
7
7
7un vector m
5
bm
x 1, entonces la multiplicacin C = AB (en ese orden) est definida como la suma de
las multiplicaciones de los elementos i de la matriz A con los elementos i de la matriz
B, esto es:
2
3
b1
m
6 b2 7
X
6
7
AB = a1 a2 ::: am 6 . 7 = [a1 b1 + a2 b2 + ::: + am bm ] =
ai bi
4 .. 5
i=1
bm
I Ejemplo 1.4
(a)
(b)
3
1
2 3 4 4 1 5 = [2(1) + 3( 1) + 4(2)] = [7]
2
2
3
2
3
1 4 4 6 5 = [ 6 6 + 12] = [0]
3
Ntese que lo que se hizo fue, simplemente, multiplicar una fila por una columna.
Multiplicacin de Matrices
Sea A una matriz de orden m x p y B una matriz de orden p x n (i.e. la cantidad de
columnas de A es igual a la cantidad de filas de B). Entonces, cada elemento cij de la
matriz C = AB (en ese orden) se obtiene multiplicando la fila i de la matriz A con la
columna j de la matriz B:
3
3 2
2
32
c11 c12 : : : c1n
b11 b12 : : : b1n
a11 a12 : : : a1p
6 a21 a22 : : : a2p 7 6 b21 b22 : : : b2n 7 6 c21 c22 : : : c2n 7
7
7 6
6
76
6 ..
..
.. 7
..
.. 7 = 6 ..
..
.. 7 6 ..
..
..
..
4
4
5
4 .
5
.
.
.
.
.
. 5
.
.
.
.
.
cm1 cm2 : : : cmn
bp1 bp2 : : : bpn
am1 am2 : : : amp
donde
p
X
cij = ai1 b1j + ai2 b2j + ::: + aip bpj =
aik bjk
k=1
I Ejemplo 1.5
2
3
a12
b11 b12
a22 5 y B =
, entonces AB es igual a:
b21 b22
a32
3
2
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
3
2
3
4
1 2 1
5 5, entonces CD es igual a:
yD=4 1
4 0 2
2 2
a11
(a) si A = 4 a21
a31
(b) si C =
CD =
3
8
8
12
Ms Definiciones
Ms Definiciones
Matriz Transpuesta
La transpuesta de una matriz A se obtiene intercambiando sus filas por sus columnas y
se denota A0 . Si se escribe B = A0 entonces se puede definir la transpuesta de A como:
B = A0 () bij = aji para todo i y j
I Ejemplo 1.6
Las transpuestas de las matrices A y B del ejemplo 1.1, es decir A0 y B 0 , son respectivamente:
3
2
2 1
1 3
1 5
A0 =
; B0 = 4 3
2 4
7 5
Teorema 1.3 Si A0 y B 0 son las traspuestas de A y B respectivamente, y si k es
un escalar cualquiera, entonces:
(A0 )0
(A + B)0
(kA)0
(AB)0
=
=
=
=
A
A0 + B 0
kA0
B 0 A0
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.
I Ejemplo 1.7
2
1 0
Una matriz identidad de orden 3: I3 = 4 0 1
0 0
3
0
0 5 y una de orden 2: I2 =
1
1
0
0
1
Matrices Idempotentes
Son aquellas matrices que multiplicadas por s mismas son ellas mismas, es decir
An = A para todo n 2 N.
Por ejemplo, si A2 = AA = A entonces A sera una matriz idempotente. Adems, si
la matriz es idempotente y simtrica se cumple que A0 A = A: Por ejemplo, la matriz
identidad es idempotente y simtrica.
I Ejemplo 1.8
2
2
La siguiente matriz es idempotente A = 4 1
1
32
2
2
2
2
2
4
4 54 1 3
A2 = 4 1 3
1
2
1
2
3
3
2
4
3
4 5 ya que:
2
3
3 2
4
2
2
4 5=4 1 3
3
1
2
3
4
4 5
3
Matrices Particionadas
La Traza
La traza de una matriz cuadrada es la suma de los elementos de la diagonal principal
de una matriz
Py se denota con tr ( ). En el caso de la matriz (1) su traza es a11 + a22 +
::: + ann = aii :
I Ejemplo 1.10
Matrices Particionadas
Definicin
Una matriz particionada es una matriz de matrices, sta puede representar divisiones
reales o imaginarias dentro de una matriz.
I Ejemplo 1.11
Podemos particionar la matriz B =
2
1
2 3
1
1
3 7
1 5
7 0
5 0
0
0
de la siguiente forma:
10
:::
:::
..
.
a1n
a2n
..
.
:::
amn
3
7
7
7
5
As2
:::
Ast
donde cada elemento Aij de A es una submatriz de orden jmi j x jnj j.3
I Ejemplo 1.12
3
1 4 5
Sea la matriz particionada A = 4 2 9 3 5, entonces se puede representar de la
8 9 6
A11 A12
1 4
5
siguiente forma
donde A11 =
; A12 =
; A21 = 8 9 y
A21 A22
2 9
3
A22 = 6 .
2
Matrices Particionadas
de estas matrices es de la forma:
A11 + B11
6
..
C =A+B =4
.
:::
..
.
11
3
A1t + B1t
7
..
5
.
Sea A = 4
2
1
4 2
8
1
2
8
4
9
9
4
9
9
5
3
6
3
5
3 5yB
6
3 2
4
5+4 2
6
3
4 3 3
= 4 2 0 2 5, entonces A + B es igual a:
6 8 7
3
2
3
3 3
1 4
4 3
5
3
+
+
0 2 5 = 4 2 9
2 0
3
2 5
8 9 + 6 8
6 + 7
8 7
3
2
1+4 4+3 5+3
= 4 2+2 9+0 3+2 5
8+6 9+8 6+7
3
2
5
7 8
9 5 5
= 4 4
14 17 13
La pregunta que surgi fue: Qu pasa si cada uno de los elementos de las matrices A
y B son, a su vez, una matriz? La respuesta es que habra que multiplicar cada uno de
estos elementos nuevamente usando la multiplicacin de matrices. Pero para que esta
operacin est bien definida cada una de las submatrices de la columna i de la matriz A
tienen que ser conformables para la multiplicacin con cada una de la submatrices de la
fila i de la matriz B.
I Ejemplo 1.14
12
A11
(a) Sea A =
A21
entonces AB
AB
(b) Sea A =
A11
0
0
donde A11 y A22 son matrices cuadradas. Entonces, A0 A
A22
es igual a:
A0 A =
=
A11
0
0
A22
A011 A11
0
A11
0
0
A22
0
:
A022 A22
Ejercicios Propuestos
1. De las siguientes matrices, Cules son conformables para la suma? Calcule la suma
de aquellas que cumplen con la propiedad anterior.
3
2
3
2
1 7 2
2 7
8 7
2 35
B = 44
A = 4 4 5 6 15 :
1 5 6
3 5 9 0
2
3
2
3
0
1 3
8
4
8 6
63
6 7
0 9 47
2 37
7
7
C = 6
D=6
4 2 0 4
5
4
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
7
25
G = 44 3
H=6
40
2 05
3 4 5
5 0 7
Ejercicios Propuestos
2
3
2
3
2
3
1 2
3
3
1 2
4 1 2
2 5, B = 44 2 55 y C = 40 3 25 :
2. Dado A = 45 0
1
1 1
3 0 3
1
2 3
a. Calcule:
I A + B:
II A
C:
III 2A:
b. Verifique: A + (B C) = (A + B) C:
c. Encuentre la matriz D tal que A + D = B:
3. Calcule los siguientes productos:
8
5
a. 3
:
2
2 0 21
0
b.
0 1 0
2
2 3
5
6 47
7
7
6 6
c. 9 8
4 3 5:
2
:
1
2 0
0
:
d. 2
0
2 0 1
3
32
2
2 1 4
1
1 2
2
15 40 1 2 5 :
e. 4 0
0 0
1
0
0
3
2 3
3
6
8 :
f. 4 45 4
5
3
2
3
2
2
2
1 3
5
2
3
5
3
55 y C = 4 1
5 5, B = 4 1
4. Sea A = 4 1 4
1
1 3
5
1
3
4
a. Muestre que AB = BA = 0; AC = A; CA = C:
b. Con los resultados de (a) muestre que:
I ACB = CBA:
II A2
B 2 = (A B)(A + B):
III (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
4
4 5:
3
13
14
1
0
0
0
0
1
0
0
0
0
7
7:
5
0
0
1
0
0
0
0
0
0
3
0
0
0
0
0
0
2
0
0
0
0
0
0
3
7
7
7
7:
7
7
5
Determinantes de Matrices
Cuadradas
Permutaciones e Inversiones
Permutaciones
Una permutacin es la respuesta a la pregunta De cuntas formas distintas se pueden
ordenar n nmeros naturales distintos? La respuesta es de n! formas distintas ya que
para el primer puesto se tienen n posibilidades. Para el segundo, se tienen n 1 posibilidades ya que se ocup un nmero en el primer puesto. Para el tercero, se tienen n 2
posibilidades ya que se puso un nmero en el primer puesto y otro en el segundo, y as
sucesivamente.
I Ejemplo 2.1
De cuntas formas se pueden ordenar los nmeros naturales 1; 2 y 3? De 3! = 6
formas distintas:
123 132 213
231 312 321
Inversiones
En una permutacin de nmeros naturales del 1 a n, si un nmero precede a otro que
es menor, decimos que estos nmero estn invertidos y que la permutacin contiene
una inversin. Luego, el nmero total de inversiones que posee una permutacin, por
definicin, es cuntos nmeros menores prosiguen despus de nmeros mayores.
I Ejemplo 2.2
Sea 614325 una permutacin de nmeros del 1 al 6, sta posee 8 inversiones ya que 6
es mayor que 1,4, 3, 2 y 5, adems 4 es mayor que 3 y 2, por ltimo 3 es mayor que 2.
Si el nmero de inversiones en una permutacin es par (impar), la llamamos permutacin
par (impar).
16
El Nmero Epsilon
Para cada permutacin de nmeros naturales del 1 al n, se define el nmero epsilon de
la siguiente manera:
j1 j2 :::jn
=f
= ( 1)k
321
= ( 1)3 =
a11
Sea la matriz A = 4 a21
a31
de A son:
a12
a22
a32
3
a13
a23 5, entonces todos los trminos del determinante
a33
=
=
=
=
=
=
17
I Ejemplo 2.5
(a)
(b)
a11
a21
a12
=
a22
a11
a21
a31
a12
a22
a32
12 a11 a22
a13
a23
a33
1
3
2
= 1(4)
4
(d)
2
1
2
3
0
1
a12 a21
1
0
a22
a32
a23
a33
a12
a21
a31
+ :::
a11 a22 a33 a11 a23 a32 a12 a21 a33 + :::
+a12 a23 a31 + a13 a21 a32 a13 a22 a31
2(3) =
5
0
1 =2
1
0
= a11 a22
= a11
(c)
21 a12 a21
a23
a
+ a13 21
a33
a31
a22
a32
1
2
1
1
+5
2
0
0
1
= 2(0(0)
1(1))
3(1(0)
= 2( 1)
3( 2) + 5(1) = 9
1(2)) + 5(1(1)
0(2))
18
Menores y Cofactores
Sea A una matriz cuadrada de orden n cuyo determinante existe. Entonces el determinante de la matriz que se obtiene al eliminar la fila i y la columna j de A es un primer
menor de A, es denotado por jMij j y es llamado el menor de aij : De la misma forma,
el cofactor de aij est definido como ( 1)i+j jMij j y se denota por ij .
Menores y Cofactores
19
I Ejemplo 2.7
2
a11
Si A = 4 a21
a31
da fila son:
a12
a22
a32
jM21 j =
3
a13
a23 5, entonces los primeros menores y cofactores de la seguna33
a12
a32
a
a13
; jM22 j = 11
a31
a33
a
a13
; jM23 j = 11
a31
a33
a12
a32
y
21
As como se definieron primeros menores como los determinantes de las matrices que
resultan al eliminar una fila y una columna de una matriz dada, se puede definir segundos
menores como los determinantes de las matrices que resultan al eliminar dos filas y dos
columnas y as sucesivamente.
I Ejemplo 2.8
Imagine una matriz cuadrada de orden 5, entonces un segundo y tercer menor son:
a11 a13 a15
a
a24
jM23;24 j = a41 a43 a45 ; jM145;135 j = 22
a32 a34
a51 a53 a55
Se dice que dos menores son complementarios si uno est conformado por las filas y
columnas que elimin el otro menor. Por ejemplo, los dos menores del ejemplo 2.8 son
complementarios. Asimismo, se puede ampliar la definicin de cofactor. El cofactor del
menor M(i)(j) est definido como:
donde M(i)(j)
I Ejemplo 2.9
20
1
2
0
, es:
0
0
0
3
4
La Expansin de Laplace
Laplace demostr que el determinante de una matriz A puede ser calculado seleccionando r filas (o columnas) de A, formando todos los menores posibles de esas r filas (o
columnas), multiplicando todos los menores con su cofactor y sumando los resultados.
I Ejemplo 2.10
Se calcula el determinante de la matriz del ejemplo 2.9 seleccionando las dos primeras
filas. Observe que tendremos 42 = 6 menores ya que se tienen las si- guientes 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.
1 0 2 0
4 3
1 2
0 3
1 0
2 0 1 0
( 1)1+2+1+3
+
( 1)1+2+1+2
=
3 4
2 1
0 4
2 0
0 4 0 3
0 3 0 4
1
2
4
0
( 1)1+2+1+4
3
0
0
0
+
0
0
0
2
( 1)1+2+2+3
0
1
3
4
0
0
0
0
( 1)1+2+2+4
0
0
2
0
+
1
0
0
0
( 1)1+2+3+4
0
0
4
3
21
jAj =
aij
ij
para cualquier j.
ij
6
6
adjunta A = adj A = 6
4
I Ejemplo 2.11
2
1 2
Para la matriz A = 42 3
3 3
11 = 6;
23
21
22
..
.
..
.
:::
:::
..
.
n1
n2
:::
11
12
1n
2n
..
.
nn
3
3
25, sus cofactores son:
4
2; 13 = 3; 21 = 1; 22 =
12 =
= 3; 31 = 5; 32 = 4; 33 = 1
y su adjunta es:
6
adj A = 4 1
5
2
5
4
21
3
7
7
7
5
5;
3
3
35
1
Teorema 2.2 Sea A una matriz cuadrada de orden n. Entonces se cumple que:
A(adj A)0 = (adj A)0 A = jAj I
I Ejemplo 2.12
3 2
7
5
4 5=4 0
0
1
0
7
0
3
0
0 5=
7
7I
I Ejemplo 2.13
0
6
(adj A)
6
=6
jAj
4
11 = jAj
12 = jAj
..
.
=
n1 jAj
..
.
=
n2 jAj : : :
21 = jAj
22 = jAj
:::
:::
..
.
1n = jAj
7
7
7
..
5
.
=
jAj
nn
2n = jAj
22
0;1429
0;7143
0;4286
3
0;7143
0;57145
0;1429
Teorema 2.3 Sean A, B y C matrices compatibles para la multiplicacin, entonces se cumple que:
1
A 1 =
jAj
(A 1 ) 1
(A 1 )0
= A
= (A0 )
Si A es simtrica, A 1 es simtrica.
(AB) 1 = B 1 A 1
(ABC) 1 = C 1 (AB) 1 = C 1 B 1 A
Sea A =
jAj =
A11
0
0
= jA11 j jA12 j
A22
I Ejemplo 2.14
2
1
6 3
Sea A = 6
4 0
0
2
0
0
0
0
0
5
9
3
0
0 7
7, entonces su determinante es:
6 5
8
1
3
jAj =
= (1(0)
= 84
23
6
8
(2)(3))((5)(8)
(6)(9)) =
A12
A22
= jA11 j A22
= jA22 j A11
I Ejemplo 2.15
2
1
6 3
Sea A = 6
4 3
9
1
3
2
0
2
5
3
7
2
0
8
7
5
9
2
5
3
6
8 7
7, entonces su determinante es:
3 5
7
3
9
8
7
1
3
2
0
5
9
6
8
2
5
3
7
3
9
2
5
3
7
17
34
15
29
8
7
0
0;5
0;333
0;1667
5
9
6
8
21;333
35;667
18;333
28;667
= 610
24
A11
0
0
A22
A111
0
0
A221
I Ejemplo 2.16
2
1
6 3
Sea A = 6
4 0
0
2
0
0
0
0
0
5
9
1
3
0
0 7
7, entonces su inversa es:
6 5
8
3
2
1
1 2
0 0
6 3 0
0 0 7
7
= 6
15
4 0 0
5 6
0
0
6 0;5
= 6
4
0
0
2
0
6 0;5
= 6
4 0
0
0;333
0;1667
0
0
0;333
0;1667
0
0
3
0 0
7
0 0
7
0;5714 0;4286 5
0;6429
0;3571
3
0
0
7
0
0
7
0;5714 0;42866 5
0;6429
0;3571
A11
A21
A12
una matriz particionada, entonces su inversa est definida por:
A22
A11
A21
A12
A22
donde
= A22
I Ejemplo 2.17
2
1
6 3
Sea A = 6
4 3
9
2
0
8
7
5
9
2
5
3
6
8 7
7. Luego:
3 5
7
A21 A111
1
1
3
2
0
=
1
0
0;5
=
0;333
15
; =
0;1667
29
0;2820
0;1803
.
0;2852 0;1475
0;0344
0;0180
0;4246
0;3656
0;0852
0;1934
0;2820
0;2852
25
18;333
;
28;667
3
0;1475
0;06567
7
0;18035
0;1475
Sea A =
2
0
1
3
1
. Luego, todas las submatrices cuadradas de A son:
2
2 1
2
1
1
1
;
;
; 2 ; 1 ;
0 3
0
2
3
2
1 ; 0 ; 3 ;
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 Sea A es una matriz cuadrada de orden n y con rango r < n, entonces
A no tiene inversa definida.
0
A)
La demostracin del corolario anterior es simple. Basta con observar que A 1 = (adj
jAj ;
entonces, si r < n significa que jAj = 0 y la inversa no est definida. Se desprende de
lo anterior que todas las matrices cuadradas invertibles tienen rango igual a su orden
(r = n) y por eso son llamadas matrices de rango completo.
A continuacin se presentan 3 propiedades tiles 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).
26
Ejercicios Propuestos
1. Ocupando los trminos del determinante calcule el determinante de las siguientes
matrices:
3 2
a. A =
.
4 6
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
2 1 5.
e. E = 4 3
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
1
A = 42
3
2
2
2
3
2
3
0;6510 0;2234 0;1476
3
25 , B = 40;2234 0;5945 0;11625 .
0;1476 0;1162 0;7129
3
0
0
5
7
3
4
0
0
3
0
07
7.
75
5
Ejercicios Propuestos
2
6 3
6 5 6
a. A = 6
4 0 0
0 0
2
1 2
6 5 7
b. B = 6
4 3 7
5 5
0
0
2
0
8
9
3
4
0
0
4
1
0
1
2
4
27
7
7.
5
3
7
7.
5
7. Calcule el rango de las siguientes matrices e identifique 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
3
2
1 3
2
5 1 5.
f. F = 4 4
3
2
1
x1 = (4; 2)
-x
1 2 3 4 5 6 7 8 9 10
Suma de Vectores
Al igual que la suma de matrices, la suma de vectores slo est definida en vectores del
mismo orden y es simplemente la suma elemento a elemento.
I Ejemplo 3.2
30
x1
x2
:
3
x3
x2
:
x1
-x
1 2 3 4 5 6 7 8 9 10
x01 = (6; 2)
x1 = (3; 1)
-x
1 2 3 4 5 6 7 8 9 10
31
Multiplicacin de Vectores
a1
Sea A =
a2
::: am
6
6
un vector de orden 1 x m y B = 6
4
b1
b2
..
.
7
7
7un vector m
5
bm
x 1. Su multiplicacin C = AB (en ese orden) est definida como la sumatoria de la
multiplicacin del elemento i de la matriz A con el elemento i de la matriz B, esto es:
2
3
b1
m
6 b2 7
X
6
7
AB = a1 a2 ::: am 6 . 7 = [a1 b1 + a2 b2 + ::: + am bm ] =
ai bi
4 .. 5
i=1
bm
A esta operacin tambin se conoce como producto punto.
I Ejemplo 3.4
(a)
(b)
3
1
4 1 5 = [2(1) + 3( 1) + 4(2)] = [7]
2
2
1
2
= [2
2] = [0]
Se dicen que dos vectores son ortogonales si su producto punto es igual a 0. Los vectores
del ejemplo 3.4.b son ortogonales tal y como lo muestra la figura 3.4 se puede apreciar
que los vectores ortogonales son perpendiculares.
y
6
x = (2; 1)
* 1
- x
A
AUx2 = (1; 2)
?
Figura 3.4: Vectores ortogonales
32
La Norma de un Vector
La norma o largo de un vector X est definida como la raz cuadrada del producto punto
del vector con s mismo y lo denotamos como jjXjj:
jjXjj =
X 0X =
q
x21 + x22 + ::: + x2n
12 + 22 + 32 = 3;742
2.
3.
3 ;Y 0 = 3 0
2 3
3
X 0 Y = 1 2 3 405 = 15
4
1
1
2
2
kX + Y k
kXk
kY k = (69 14 25) = 15
2
2
p
p
15 = jX 0 Y j kXk kY k = 12 + 22 + 32
32 + 02 + 42 = 18;71
8;306 = jjX + Y jj
kXk + kY k = 8;742
33
Sistemas Homogneos
Un sistema de ecuaciones homogneo 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 incgnitas y ai ; bi ; ci para i = 1; 2; 3 son los coeficientes.
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 solucin, la cual es x = 0, esta solucin
se conoce como solucin trivial del sistema homogneo. Veamos si existe otra. Si se
premultiplica en ambos lados por S 1
S 1 Sx = S 1 0
x = 0
se puede concluir que si existe inversa, es decir, si S es de rango completo, entonces la
solucin trivial ser nica.
Si se reordena 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
se aprecia que si existiese otra solucin aparte de la trivial, se puede expresar el vector
s3 en funcin de s2 y s1 . Luego, se puede hacer la siguiente definicin:
Dependencia lineal: Un conjunto F de vectores ndimensionales son linealmente dependientes entre s, si se puede dejar expresado un vector en funcin del
resto. Anlogamente podemos definir dependencia lineal si el sistema de ecuaciones homogneo conformado por todos los vectores de F tiene ms de una
solucin, o bien, la matriz S conformada por los vectores de F no es de rango
completo.
Anlogamente se puede definir independencia lineal:
Independencia lineal: Un conjunto de vectores n-dimensionales F son linealmente independientes entre s, si la solucin al sistema:
s1 x1 + s2 x2 + ::: + sn xn = 0
34
Ejercicios Propuestos
1. Sume y grafique los siguientes vectores.
0
a. X1 = 2
b. X3 =
1 ; X2 = 1
2 ; X4 = 0
5 ; X6 =
d. X7 = 5
c. X5 = 4
4 ; X8 =
a. X1 = 1
b. X2 =
3 ;k = 2
0
3 ;k =
0
c. X3 = 1
d. X3 =
3 ;k =
2
2
3 ;k = 2
b. X3 = 1
c. X5 =
d. X7 = 6
3
1
1 ; X2 = 4 3
5 ; X4 = 2 4
2
2
3
1
4 ; X6 =
2 3
1 ; X8 = 2
1 0
2
4. Muestre que los vectores del ejercicio 3 cumplen con la desigualdad de Schwarz y
con la del Tringulo
35
3 ; X2 = 4
0
2
1
3 ; X2 = 7
0
11
4
3 ; X2 = 5
0
6
0
0
0
15 ; X3 = 3
0
2
4
5 ; X2 =
2 ; X2 =
4 ; X3 = 8
0
2 ; X3 = 3
2 ; X3 = 1
4
1
1
0
x
tal que x 2 R forman
0
un subespacio vectorial de R2 .
Sistemas no Homogneos
Un sistema de ecuaciones no homogneo 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 incgnitas y ai ; bi ; ci ; di para i = 1; 2; 3 son los coeficientes.
Entonces el sistema puede representarse de las siguientes formas:
36
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, se tienen k vectores pertenecientes a Rk linealmente independientes,
se puede generar cualquier otro vector perteneciente Rk a travs de una combinacin
lineal de estos.
I Ejemplo 3.9
2 3
2 3
2 3
0
0
1
Los vectores a = 405, b = 415, c = 405 son base para el espacio vectorial R3 , a su
1
0
0
3
vez los vectores a y b no son base
2 3para el espacio vectorial R , pero si son base para el
x
subespacio de R3 de la forma 4y 5 donde x; y 2 R.
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]
Ejercicios Propuestos
1. Determine la dimensin del espacio vectorial que generan los siguientes conjuntos
de vectores. De qu forma son estos espacios?
Ejercicios Propuestos
a. X1 = 1
b. X1 = 1
c. X1 =
d. X1 =
e. X1 = 1
3 ; X2 = 4
2
1
3 ; X2 = 7
0
11
4
3 ; X2 = 5
0
5 ; X2 =
0
2 ; X2 =
15 ; X3 = 3
0
2
4
4 ; X3 = 8
1
2 ; X3 = 3
0
2 ; X3 = 1
4
1
1
0
37
La Ecuacin Caracterstica
de una Matriz
40
2
2
1
, cuya
3
I) =
1
2
5 +4=0
Muchos softwares computacionales y libros imponen la pseudo restriccin de que la norma del vector
propios sea unitaria (kXi k), as se cierra el problema y se evita de que existan infinitas soluciones para los
vectores propios. Adems, bajo ciertas condiciones, es una propiedad deseable.
41
En figura 4.2 se aprecia, a diferencia del caso anterior, que al premultiplicar A por C el
resultado se encuentra a la izquierda del vector original. Intuitivamente, se puede decir
que deberan existir dos vectores en los cuales estas dos "fuerzas"se anulen y que los
vectores resultantes tras la premultiplicacin de A no se encuentren ni a la izquierda ni a
la derecha del vector original. Por ltimo, se repite el ejercicio con el vector propio X2 :
2 1 1
4
1
=
=4
2 3 2
8
2
y
6
8
7
x2 = (2; 6)
6
5
4
3
x1 = (0; 2)
2
6
1
-x
1 2 3 4 5 6 7 8 9 10
y
8
7
6
5
4
3
2
1
0
x2 = (4; 4)
- x1 = (2; 0)
-x
1 2 3 4 5 6 7 8 9 10
42
6
X20 = (4; 8)
X2 = (1; 2)
-x
1 2 3 4 5 6 7 8 9 10
= 1;
=1
La Matriz Modal
La matriz modal es aquella que est compuesta por todos los vectores propios, es decir,
es de la forma:
M = X1 X2 ::: Xn
si se premultiplica esta matriz por la matriz A obtendremos:
AM = AX1 AX2 ::: AXn
pero por definicin cada uno de los elementos es:
AX1 AX2 ::: AXn = 1 X1
:::
2 X2
n Xn = M D
2
3
0 ::: 0
1
60
::: 0 7
2
6
7
donde D es una matriz diagonal de la forma 6 .
.
.. 7, entonces se puede
.. . . .
4 ..
. 5
0
0 :::
n
43
concluir que:
AM = M D
Esta matriz es de suma utilidad ya que nos permitir escribir (caracterizar) la matriz
original en funcin de su valores y vectores propios. A esto se conoce como descomposicin espectral de una matriz y se deriva postmultiplicando la expresin anterior por
M 1 . Para esto, tal y como se vio en le teorema 4.2, la matriz M 1 tiene que estar
definida. Una condicin suficiente para que esto se cumpla es que los valores propios
sean distintos. Si ese es el caso, se puede escribir:
A = M DM 1
I Ejemplo 4.2
Continuando con el ejemplo 4.1, la descomposicin espectral de A es:
1
2 1
1 1 1 0 32
3
=
1
1
2 3
1 2 0 4 3
3
= M 0.
44
= 1;
= 4) son
45
Se tratar de extender el teorema anterior a los nmeros negativos pero para esto se debe
encontrar otro resultado, invirtamos A:
A 1 = (M DM 1 ) 1
por propiedades de las matrices inversas se tiene que:
A 1 = (M 1 ) 1 D 1 (M ) 1
A 1 = M D 1M 1
1
donde la matriz D es de la siguiente forma:
2
3
1= 1
0
:::
0
6 0
1= 2 : : :
0 7
6
7
D 1=6 .
.
.. 7 .
..
..
4 ..
.
. 5
0
0
: : : 1= n
Note que la inversa de D es simplemente una matriz diagonal con los recprocos de las
races caractersticas. Esto nos permite obtener la inversa de una matriz a travs de la
46
Se calcula A 2 y A
1
(a) A 2 = M D 2 M
(b) A
= MD
1 1
1 2
=
1
1
1
1
2
1
0
1
3
1
3
2
3
1
3
1 0
0 2
0
1
4
2
3
1
3
=
1
3
1
3
4
3
2
3
1
3
5
3
3
4
1
2
:
1
4
1
2
Matrices Idempotentes
Las matrices idempotentes son aquellas matrices que cumplen con la propiedad An = A
para todo natural n. Para entender las implicancias de esta propiedad en la descomposicin espectral de una matriz estudiemos A2 para A idempotente:
A2 = M D2 M 1
pero idempotencia implica
A = M D2 M 1
entonces
M DM 1 = M D2 M 1
(2)
la nica forma que se cumpla (2) es que 2 = , es decir, las races caractersticas de A
Ejercicios Propuestos
47
tienen que ser 0 o 1. Suponga que todas las races son 1, luego:
A = M IM 1
= MM 1
= I
Si las races no son todas 1, es decir, algunas races son iguales a 0 y ocupando la
definicin de rango se puede afirmar que A es singular.
Teorema 4.12 Todas las matrices idempotentes, excepto la matriz identidad, son
singulares. La nica matriz idempotente de rango completo es la matriz identidad.
Por ltimo, tomando en cuenta que el rango de una matriz son los valores propios distintos de ceros y que en una matriz idempotente sus races son 0 o 1 se puede concluir:
Teorema 4.13 El rango de una matriz idempotente es igual a la suma de sus
races caractersticas, es decir, es igual a su traza.
Ejercicios Propuestos
1. Dadas las siguientes matrices
5
0 2
5
1
;B =
;C =
4
2
4
1
53
3
2
2
2
4
1
3
4
4 5;F = 4 3
2
35
D=4 1 3
1
2
3
4
3 3
a. Encuentre la ecuacin caracterstica de cada matriz.
b. Encuentre los vectores y valores propios de cada una de esas matrices imponiendo
la restriccin 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 descomposicin 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.
A=
0
21
Formas Lineales
Un polinomio lineal homogneo 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
q = a1
a2
::: an
3
x1
6 x2 7
6 7
6 .. 7 = AX
4 . 5
xn
donde q, A y X pueden pertenecer a los nmeros reales. Este tipo de notacin matricial
es muy til en problemas de optimizacin y en cualquier otro mbito donde se manejen
muchos polinomios y ecuaciones.
Formas Cuadrticas
Un polinomio cuadrtico homogneo es un polinomio compuesto slo de trminos de
grado 2, es decir:
n X
n
X
q=
aij xi xj
j=1 i=1
I Ejemplo 5.1
50
x1
x2
x3
a11
4 a21
a31
a12
a22
a32
32 3
a13
x1
a23 5 4x2 5
a33
x3
6
6
= 6
4
Mn0
1
0
..
.
0
cumplindose que:
Mn0 M1
Mn0 M1
:::
Mn0 Mn
0 ::: 0
1 ::: 0 7
7
.. . .
. 7=I
. .. 5
.
0 ::: 1
M 0M = I ) M 0 = M 1
por lo que la descomposicin espectral puede ser reescrita como:
A = M DM 0 .
Substituyendo en la forma cuadrtica y defininedo y = M 0 X se tiene que:
q = X 0 AX = X 0 M DM 0 X = y 0 Dy.
Como D es una matriz diagonal, se puede escribir la expresin anterior de la siguiente
3
7
7
7
5
Clculo Matricial
forma:
q = X 0 AX =
n
X
51
2
i yi
i=1
Clculo Matricial
Funciones Reales
Una funcin real f : X ! R, denotada por y = f (x), es una relacin que asocia, de
manera nica, un conjunto de valores x 2 X a un valor y 2 R: En esta relacin se
denomina a las variables x como variables independientes o dominio y a la variable y
como variable dependiente o recorrido.
I Ejemplo 5.2
Son ejemplos de conjuntos dominio X: C, Z, R, Rn o cualquier conjunto arbitrario.
I Ejemplo 5.3
La forma lineal corresponde a una funcin f : Rn ! R 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.
La forma cuadrtica corresponde a una funcin f : Rn ! R de la forma:
n X
n
X
q=
aij xi xj
j=1 i=1
donde x1 ; x2 ; :::; xn son las variables del dominio y q es la variable del recorrido.
52
I Ejemplo 5.4
4x2 + 3x3 ) y = 2
es:
rf =
@f
1
6 @x
@f 7
4 @x2 5
@f
@x3
3
2
= 4 45
3
2
2 3
x1
3 4x2 5
x3
Clculo Matricial
53
Por otro lado se denomina matriz Hessiana a la matriz de segundas derivadas de una
funcin. Se obtiene tomando cada elemento del vector gradiente y derivndolo respecto
a cada una de las variables independientes, es decir:
2 @f
3
@f
@f
@x @x
1
1
6 @f
6 @x2 @x1
H=6
6 ..
4 .
@f
@xn @x1
@x1 @x2
@f
@x2 @x2
..
.
@x1 @xn
@f
@x2 @xn
..
..
.
@f
@xn @x2
@f
@xn @xn
7
7
7
7
5
Teorema de Young. Si una funcin es continua y doblemente diferenciable, entonces se cumple que:
@f
@f
=
.
@xi @xj
@xj @xi
Es decir, las derivadas cruzadas son idnticas.
Entonces podemos afirmar que, si la funcin es doblemente diferenciable, la matriz Hessiana es simtrica.
I Ejemplo 5.6
La matriz Hessiana de la funcin en el ejemplo 5.1 es:
2 @f
3 2
@f
@f
H
1 @x1
6 @x@f
4 @x2 @x1
@f
@x3 @x1
@x1 @x2
@f
@x2 @x2
@f
@x3 @x2
@x1 @x3
@f 7
@x2 @x3 5
@f
@x3 @x3
2
=4 4
8
4
4
0
3
8
0 5
14
3
1
2 4
0 5
= 24 2 2
4
0
7
= 2A
entonces podemos concluir que el Hessiano de una forma cuadrtica es:
@ 2 X 0 AX
H=
= 2A
@X 2
2
54
3;307 + 3x1 +
3x2
2
x21
x2
4
Ejercicios Propuestos
55
Comparemos:
2
22
12
= 0;693
2
2
nuevamente en el punto de expansin son iguales. En el punto (1;1; 2;1)
2;1
2;12
1;12
= 0;8305
y(1; 2)
3;307 + 3(1;1) + 3
2
2
y(1; 2)
3;307 + 3(1) + 3
Ejercicios Propuestos
1. Escriba las siguientes formas cuadrticas en notacin matricial.
a. x21 + 4x1 x2 + 3x22
b. 2x21 6x1 x2 + x23
c. x21 2x22 3x23 + 4x1 x2 + 6x1 x3
8x2 x3
am1
am2
A1 = [a11 ] ; A2 =
:::
a11
a21
amn
a12
a22
a11
; A3 = 4 a21
a31
a12
a22
a32
3
a13
a23 5 ; :::; An = A
a33
@X 0 AX
@X
@ 2 X 0 AX
@X 2
56
Bibliografa
[1] Ayres, Frank, Jr. 1962. Theory and Problems of Matrices.Schaum Publishing Co.
[2] Edwards, Gonzalo. 2000. Introduccin al Anlisis de Sistemas Dinmicos. 2da edicin. Ediciones Universidad Catlica 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 edicin. Addison-Wesley Publishing Co.
[5] Greene, William. 2000. Anlisis Economtrico. 3ra edicin. Prentice Hall.
[6] Hohn, Franz. 1967. Elementary Matrix Algebra. 2da edicin. The Macmillan Co.