Está en la página 1de 120

Excelencia Acadmica

Programacin General
Estudio de las Matrices (Primera Parte)
Definicin de una matriz
Elementos de una matriz
Orden de una matriz
Igualdad de matrices
Tipos especiales de matrices
Matriz cuadrada
Matriz nula
Matriz diagonal
Matriz escalar
Matriz unidad o identidad
Matriz traspuesta
Matriz simtrica
Matriz hemisimetrica o antisimetrica
Operaciones con matrices
Suma algebraica de matrices
Multiplicacin de una matriz por un escalar
Multiplicacin de matrices
Producto de un vector fila por un vector columna
Multiplicacin de dos matrices
Matrices particulares
Matriz triangular superior
Matriz triangular inferior
Autoaprendizaje 4 horas
Fascculo 1
Estudio de las Matrices (Segunda Parte)
Propiedades complementarias
Casos particulares de matrices cuadradas
Matriz inversa
Matriz involutiva
Matriz conjugada
Matriz hermtica.
Matriz antihermitica
Suma directa o matriz escalonada
Potenciacin de matrices
Autoaprendizaje 4 horas
Fascculo 2
Determinantes
Definicin
Notacin
Determinante de una matriz cuadrada de orden 2
Determinante de una matriz cuadrada de orden 3
Propiedades
Menores y cofactores
Obtencin de determinantes por cofactores
Autoaprendizaje, 4 horas
Fascculo 3

Excelencia Acadmica

Estudio de las Matrices (Tercera Parte)


Matriz de cofactores
Matriz adjunta
Matriz inversa
Obtencin de la matriz inversa por el mtodo de la matriz adjunta
Rango de una matriz
Operaciones elementales
Matrices equivalentes
Matriz escalonada (por filas)
Obtencin del rango de una matriz por operaciones elementales
Obtencin de la inversa de una matriz por operaciones elementales
Autoaprendizaje, 4 horas
Fascculo 4
Sistema de ecuaciones lineales
Rango de un sistema de ecuaciones lineales
Regla de Cramer
Autoaprendizaje 4 horas
Fascculo 5
Sistema de ecuaciones homogneo
Autoaprendizaje, 4 horas
Fascculo 6
Marices Diagonalizables (Primera Parte)
Valores y vectores propios
Definiciones
Propiedades de los valores y vectores propios
Matrices semejantes
Matrices diagonalizables
Autoaprendizaje, 4 horas
Fascculo 7
Marices Diagonalizables (Segunda Parte)
Aplicacin de matrices a la geometra vectorial
Teorema fundamental
Demostracin de regreso
Construccin de la matriz P que diagonaliza a la matriz A
Propiedades complementarias de las matrices semejantes
Observaciones importantes
Teorema de Cayley Hamilton
Diagonalizacin de una matriz simtrica
Proceso de Gram Schmidt
Construccin de la matriz ortogonal P que diagonaliza ortogonalmente
simtrica A (de orden n)
Autoaprendizaje, 4 horas
Fascculo 8

6
1

a a la matriz

Excelencia Acadmica

Tabla de Contenido
Presentacin
Programa general
Fascculo I
Estudio de las Matrices (Primera Parte)
Definicin de una matriz
Elementos de una matriz
Orden de una matriz
Igualdad de matrices
Tipos especiales de matrices
Operaciones con matrices
Suma algebraica de matrices
Multiplicacin de una matriz por un escalar
Multiplicacin de matrices
Producto de un vector fila por un vector columna
Multiplicacin de dos matrices
Matrices particulares
Matriz triangular superior
Matriz triangular inferior
Autoevaluacin formativa

9
9
9
10
10
11
14

18
22

Fascculo II
Estudio de las Matrices (Segunda Parte)
Propiedades complementarias
Casos particulares de matrices cuadradas
Matriz inversa
Matriz involutiva
Matriz conjugada
Matriz hermtica.
Matriz antihermitica
Suma directa o matriz escalonada
Potenciacin de matrices
Autoevaluacin formativa

25
25
26
28
29
29
31
31
32
37
41

Fascculo III
Determinantes
Definicin
Notacin
Determinante de una matriz cuadrada de orden 2
Determinante de una matriz cuadrada de orden 3
Propiedades
Menores y cofactores
Obtencin de determinantes por cofactores
Autoevaluacin formativa

43
43
43
43
44
45
48
49
54

Excelencia Acadmica

Fascculo IV
Estudio de las Matrices (Tercera Parte)
Matriz de cofactores
Matriz adjunta
Matriz inversa
Obtencin de la matriz inversa por el mtodo de la matriz adjunta
Rango de una matriz
Operaciones elementales
Matrices equivalentes
Matriz escalonada (por filas)
Obtencin del rango de una matriz por operaciones elementales
Obtencin de la inversa de una matriz por operaciones elementales
Autoevaluacin formativa

55
55
55
56
57
58
59
59
60
61
62
66

Fascculo V
Sistema de ecuaciones lineales
Rango de un sistema de ecuaciones lineales
Regla de cramer
Autoevaluacin formativa

67
71
73
79

Fascculo VI
Sistema de ecuaciones homogneo
Autoevaluacin formativa

81
85

Fascculo VII
Marices Diagonalizables (Primera Parte)
Valores y vectores propios
Definiciones
Propiedades de los valores y vectores propios
Matrices semejantes
Matrices diagolizables
Autoevaluacin formativa

87
87
87
94
96
98
99

Fascculo VIII
Matrices Diagonalizables (Segunda Parte)
Aplicacin de matrices a la geometra vectorial
Teorema fundamental
Demostracin de regreso
Construccin de la matriz P que diagonaliza a la matriz A
Propiedades complementarias de las matrices semejantes
Teorema de Cayley Hamilton
Diagonalizacin de una matriz simtrica
Proceso de Gram Schmidt
Construccin de la matriz ortogonal P que diagonaliza
ortogonalmente a la matriz simtrica A (de orden n)
Autoevaluacin formativa

8
1

101
101
102
104
105
108
110
111
112
116
124

Excelencia Acadmica

MATRICES
DEFINICION DE UNA MATRIZ
Una matriz es la ordenacin de nmeros, funciones, vectores, etc; en filas y columnas,
encerradas entre corchetes.
Ejemplo:

8 5 4
1 2 6

, 3 6 3 ,
4
7
6

10 7 2

x2
x / 3

5
7x
2x 1 4x

La primera matriz puede ser, matriz de coeficientes del sistema de ecuaciones lineales

2 y 5z

4 x 7 y 6 z 0
La segunda matriz podra considerar a sus filas como las coordenadas ciertos puntos (8, 5,
4), (3, 6, 3), (10, 7, -2), en el espacio.
Otras de las muchas aplicaciones ser determinar si estos puntos pertenecen a un plano o
recta.
Opcionalmente las matrices pueden ser encerradas por parntesis

( ) o por barras

Las matrices de denotan por letras maysculas (A, B, C, D, etc.) y en general vienen
representadas por el siguiente arreglo:

a11 a12
a
21 a 22

A
a i1 a i2

a m1 a m2

a1j a1n
a 2 j a 2n


a
a ij a in ij

a mj a mn

i-sima fila

j-sima columna

ELEMENTOS DE UNA MATRIZ


Los elementos: a11 ,a12 ,a13 , a1n , a 21..., a ij ..., a mn ; se denotan por funciones aij .
9

Excelencia Acadmica

El primero de los subndices indica la fila y el segundo la columna al que pertenece dicho
elemento.
Ejemplo:
Sea la matriz:

5 3 0

B 1 1 0
2 3 1

entonces b11 = 5; b21 = 1; b53 = no tiene.

El conjunto de nmeros

a i1 ,a i2 ,a i3 ,....,a in ,

en la matriz A anterior se denomina i-

sima fila.
El conjunto de nmeros

a1j ,a 2 j ,a 3 j ,....,a mj , de la matriz A anterior constituye j-sima

columna.

ORDEN DE UNA MATRIZ.


El orden de una matriz viene dada mediante el nmero de filas por el nmero de columnas.
En el caso de nuestra matriz A el orden ser: mxn .
Esquemticamente y tomando como base la matriz A, toda matriz se representa por:

a ij , mxn
matriz A a ij , mxn

matriz
-

matriz

A mxn

(si el orden esta sobreentendido o no interesa.)

A aij

mxn

A aij , i 1, 2, 3,...,m
j 1, 2, 3,...,n
Para todos los casos se lee la matriz A de orden mxn generado por los elementos

aij

La matriz no tiene valor numrico o sea no puede identificarse como un


nmero.

IGUALDAD DE MATRICES
Dos matrices A y B sern iguales si solo si el orden es el mismo y sus respectivos
elementos sean iguales.
Sea:
10
1

Excelencia Acadmica

A aij

mxn

;y

B bij

rxs

A B m r, n s, aij bij
Para cada i y para cada j".
Ejemplo:

2 0 1 1

A 1 5 1 2
3 4 1 7

a34 =b34

2 0 1 1

B= 1 5 1 2
3 4 1 7

7 7

TIPOS ESPECIALES DE MATRICES


MATRIZ CUADRADA
Una matriz cuadrada ser aquella que posee igual nmero de filas y columnas.
Esquemticamente se representa por A n y se lee: matriz cuadrada de orden n
Ejemplo:

1 0 5
A 3 2 1
5 1 4

En una

Representacin

matriz cuadrada la

A3 ,A a ij
3

diagonal principal se forma con los elementos

a11 ,a 22 ,a 33 , a nn

A la suma de los elementos de la diagonal principal de una matriz se le llama Traza.


Ejemplo:

1 1
A

2 3

; Traza(A) = 1 + 3 = 4

MATRIZ NULA
Es aquella cuyos elementos son ceros. Algunos autores la representan por:
Ejemplo:

0 0
A

0 0
A=0
A=

(matriz nula)

MATRIZ DIAGONAL
Es aquella matriz cuadrada en la cual los elementos fuera de la diagonal principal
son ceros.
Ejemplo:
11

Excelencia Acadmica

1
0
B =
0

0
0

0
0
0 0
A

0 -1 0
0 1

0 0 4
0
c11 0
0 c
0 0
22


0
C

0 cij 0
0

0 0 c nn
0
Esquemticamente C = diagonal (c11 ,c 22 ,c33 , c nn )
0
3

0
0

MATRIZ ESCALAR
Es una matriz diagonal, donde todos los elementos de la diagonal principal son
iguales.
Ejemplo:

k
0
A
0

0
k
0
0

0
0
k
0

0
0
0

MATRIZ UNIDAD O IDENTIDAD


Es una matriz escalar en la que los elementos de la diagonal principal son unos
(1) y el resto de los elementos son ceros se representa por In ;

A 1 ; I o I1

1 0 0
B 0 1 0 = I3
0 0 1

MATRIZ TRASPUESTA
t
La matriz traspuesta de una matriz A de orden mxn es la matriz A , se obtiene
permutando las filas por las columnas.

12
1

Excelencia Acadmica

Ejemplo:

3 1

3
t 5
A=
4 7
7 5

3 5 4 7

A 1 3 7 5
4 2 4 1

2
4

MATRIZ SIMTRICA
Si A A , entonces la matriz se llama simtrica. Para esto debe cumplir lo
siguiente:
la matriz A debe ser cuadrada
los elementos de la diagonal principal permanecen fijos al efectuar la
transposicin de trminos.
aij es igual a aji, para todo i y para todo j.
t

Ejemplo:

5 1 7
A 1 3 4
7 4 2

A A

5 1 7
A 1 3 4
7 4 2

a 31 a13

A es simetrica

Para determinar si una matriz es simtrica no es necesario hallar su


traspuesta solo ser necesario comprobar la simetra de sus elementos
respecto a su diagonal principal; esto significa que al doblar la matriz por
la diagonal principal los elementos opuestos son iguales..

Ejemplo:

1
1
B
0

1
3
8
7

0 1
8 7
4 5

5 5

1
1
B
0

1
3
8
7

0 1
8 7
4 5

5 5

13

Excelencia Acadmica

MATRIZ HEMISIMETRICA O ANTISIMETRICA


Si A A , entonces la matriz A es antisimtrica. Para ello debe cumplir lo
siguiente:
- la matriz A debe ser cuadrada.
- Los elementos de la diagonal principal deben ser ceros.
- ai j = -aji, para todo i y j .
t

Ejemplo:

0 5 1
A 5 0 8
1 8 0

A es antisimtrico

0 5 1
A 5 0 8
1 8 0

Para construir una matriz antisimtrica los elementos de la diagonal


principal se hacen ceros y los simtricos respecto a ella deben ser
de signo contrario.

1.1

1. Representen dos matrices de orden 5x4, cuyos elementos sumados nos den
una matriz identidad
2. Halle la matriz traspuesta de la matriz identidad, de orden 23
3. Presente una matriz simtrica y otra antisimtrica de orden cualquiera

OPERACIONES CON MATRICES


SUMA ALGEBRAICA DE MATRICES
Sean las matrices A = [ aij] y B = [ bij] ambas de orden mxn, la suma o diferencia
de ambas A B es otra matriz C =[ cij] de orden mxn, en la que cada elemento
de C es igual a la suma o diferencia de los elementos correspondientes de A y B .

A B a ij b ij
Siendo:

14
1

Excelencia Acadmica

0 1
A 2 3
1 4

2 3
B 5 4
-3 1

0 2 1 3
2 4

A B 2 5 3 4 A B 7 7
1 3 4 1
4 5

Las matrices se llaman conformes respecto a la suma si son del mismo orden eso
significa que matrices de orden diferente no se pueden suma o restar.

PROPIEDADES
1)

A + B = B + A; ( Prop. Comutativa)

2)

(A +B ) + C = A + (B + C); (Prop. Asociativa)

3)

k(A +B) = kA +kB ; Donde k : cte. (Prop. Distributiva)

4)

(k +m)A = kA + mA ( k, m : escalares)

5)

(km)A=k(mA) (k, m = escalares)

6)

lA = A

7)

(-1) A = -A ( -A es llamado inversa matriz opuesta de A)

8)

Existe una matriz D tal que A + D = B

1.2

1. Que significa sumar dos matrices conformes respecto a la suma algebraica.


2. Demuestre matricialmente las propiedades anteriores con matrices de orden 3

MATRIZ FILA.- Se llama matriz fila a aun matriz de orden 1xn de la forma:

A a11 a12

a13 a1n

MATRIZ COLUMNA.- Viene a ser una matriz de orden nx1 de la forma:

a11
a
t
A 21


a n1
VECTOR: Una cantidad ordenada de nmeros, si seguimos a la matriz por ejemplo:

a11 ,a 21 ,a 31 , a n1 se llama Vector de n componentes, Tanto una matriz fila como una
15

Excelencia Acadmica

matriz columna se denomina vector, fila y vector columna respectivamente. Por


convencin a la matriz columna se le llama vector.

MULTIPLICACION DE UNA MATRIZ POR UN ESCALAR


El multiplicar una matriz por un escalar significa sumar la matriz tantas veces
como sea el nmero escalar.
Ejemplo: Hallar 3A si:

2
A
3A=A+A+A
1
2 3x2 6
3A=3
3
1
3x1


Por tanto, se deduce:

kA ka ij
MULTIPLICACION DE MATRICES
PRODUCTO DE UN VECTOR FILA POR UN VECTOR COLUMNA
Sean:

b11
b
A a11 a12 a13 a1n B 21


b n1
AB a11b11 a12 b 21 a13b31 a1n b n1

AB a1k b k1
k 1

Para hallar AB se multiplica la fila por la columna, cada elemento de la fila


se multiplica por el correspondiente de la columna y finalmente se suman
los productos obtenidos.

MULTIPLICACIN DE DOS MATRICES


El producto AB en esa secuencia de la matriz A de orden mxp, siendo A = [aij]mxp
por otra B de orden pxn, siendo B = [bij]pxn, da como resultado otra matriz C de
orden mxn siendo C = [cij], tal que ;

cij a i1b1j a i2 b 2 j a i3b3 j a ip b pj


p

cij a ik b kj (i 1,2,3,...,m; j 1,2,3,...,n)


k 1

16
1

Excelencia Acadmica

Para halla C = AB, se multiplica cada fila de A por todas y cada una de las
columnas de B. El elemento cij
ser la sumatoria de los elementos
correspondientes a la fila i-esima de A multiplicado por los respectivos elementos
de la columna j-esima de B.
Ejemplo:

a11 a12
A a 21 a 22
a

31 a 32 3x2
a11b11 a12 b 21

AB a 21b11 a 22 b 21
a b a b
31 11 32 21

b12
b
B 11
b 21 b 22

b13
b 23

b14
b 24 2x4

a11b12 a12 b22 a11b13 a12 b 23 a11b14 a12 b 24

a 21b12 a 22 b22 a 21b13 a 22 b23 a 21b14 a 22 b24


a 31b12 a 32 b22 a 31b13 a 32 b23 a 31b14 a 32 b24 3x 4

Ejemplo:

2 2
0 0 0 1 0
A 3 1 ; B

0 0 0 1 0 2x5
1 1

3x 2
0 0 0 4 0
AB 0 0 0 4 0
0 0 0 2 0

3x5

El producto AB est definido, o sea A es conforme con B, respecto de la


multiplicacin, cuando el nmero de columnas de A es igual al de filas
de B.

PROPIEDADES
Suponiendo que A, B y C son matrices conformes respecto a la suma algebraica y
producto, se tienen:
1)
2)
3)
4)
5)

A(B + C) = AB + AC (1 Prop. Distributiva)


(A + B)C = AC + BC (2 Prop. Distributiva)
A(BC) = (AB)C (Prop. Asociativa)
AB BA por lo general
AB = 0 no implica necesariamente que:
A=0B=0
6) AB = AC no implica necesariamente que B = C
7) A =
8) 0A =
17

Excelencia Acadmica

1.3

1. Que significa multiplicar dos matrices conformes respecto al producto


algebraico.
2. Demuestre matricialmente las propiedades anteriores con matrices de
orden 3

Ejercicio de aplicacin:
Sean las matrices:

0
A
3

1
;
2

x 2y = -A ;

2
B
0

3
1

xy=B

Donde x e y son matrices de orden 2, entonces X, es:


Solucin:
Resolviendo la ecuacin:

x 2y = -A
-2x + 2y = - 2B

Obtenemos:

- x = - 2B A

Reemplazando, obtenemos:

2
x 2
0

3
0

3
1

1
2

4 7
x

3 0

MATRICES PARTICULARES
MATRIZ TRIANGULAR SUPERIOR
Es una matriz cuadrada A = [aij], se llama triangular superior si aij= 0 para i > j.

18
1

Excelencia Acadmica

a11 a12
0 a
22

A
0
0

0
0

a1j a1n
a 2 j a 2n

a ij a in

0 a nn nxn

MATRIZ TRIANGULAR INFERIOR


Es una matriz cuadrada A = [aij], se llama triangular inferior si aij = 0 para i < j.

a11 0
a
21 a 22

A
a j1 a j2

a n1 a n 2

0

a ij

a nj

0
0

a nn
nxn

1.4

1. Represente una matriz triangular superior y otra triangular inferior, del mismo

orden.
2. Sume las matrices anteriores.
3. Multiplique las matrices anteriores

Ejercicios de aplicacin:
Si:

3 2 2 3 2
0 1
1 0
A2
;B
;AB
;BA

1 3
1 3
1 0
1 1
Calcule : (A B)2

19

Excelencia Acadmica

Solucin:

(A B)2 A 2 AB BA B2
3 2 0 1 1 0 3 2
(A B)2

1 3 1 0 | 1 1 1 3
1 1
(A B)2

0 1
Dada las matrices:

1 3
A

2 5

4 1
B

2 6

Halle x de: (AB)t + x = 2(Bt +A)


Solucin:

2 19
2 18
t
AB

AB

19 28
18 28

4 2
Bt

1 6
Hallando x

4 2 1 3
2 18
19 28 x 2 1 6 2 5

12 20
x

21 6
Halle el valor del polinomio f(A) de la matriz A.

f(x) = 3x2 2x + 5

1 2 3
A 2 4 1
3 5 2

Solucin:

1 2 3 1 2 3 6 9 7
A AA 2 4 1 2 4 1 3 7 4
3 5 2 3 5 2 1 4 8
2

Reemplazando:

20
1

f(A) = 3A2 2A + 5

Excelencia Acadmica

6
f(A) 3 3
1
21
f(A) 13
9

Sean las matrices

9 7
1 2 3
7 4 2 2 4 1 5
3 5 2
4 8
23 15
34 10
22 25

1 2 1
0 1 1
A
1 3 1

0 1 1

1
1
1
2
y B
2
0

2
1

1 1 0
0 1 0
1 1 1

0 1 0

Si C = (AB)t + A . Halle la suma S = C21 + C32 + C33


Solucin:

2
3
AB
2

0 3 1
2 3

0 1
1 4 1
t
(AB)
3 4
0 3 1

1 2 1
1 1

2
0
3
1

5
1
2

Reemplazando: C = (AB)t + A

2 3 2 5 1 2 1
0 1 0 1 0 1 1

C
3 4 3 2 1 3 1


1 1 1 1 0 1 1

1 1 5 3
2 0 2
1

0 2 7
4

2 1 2 0

6
3
2

S = C21 + C32 + C33 = 0 + 7 + 4 = 11

Las matrices son representaciones, conjunto de nmeros o smbolos algebraicos colocados


en lneas horizontales y verticales y dispuestos en forma de rectngulo.

21

Excelencia Acadmica

a11 a12
a
21 a 22

A
a i1 a i2

a m1 a m2

a1j a1n
a 2 j a 2n


a
a ij a in ij

a mj a mn

Se estudiar en este fascculo los diversos tipos de matrices, sus caractersticas, con
aplicacin de ejemplos directos.
Se estudiaran las principales operaciones con matrices, llamase suma de matrices
conformes y multiplicacin de matrices conformes.

R. Figueroa . G.

MATEMTICAS BSICAS
Editorial America 2001

C. Saal R,

MATEMTICAS BSICAS II,


Editorial GOMEZ, Per, 1998.

Frank Ayres JR,

MATRICES,
Editorial McGraw-HILL, Mxico, 1998.

Espinosa R,

MATRICES Y DETERMINANTE,
Ediciones UNI, Per, 1992.

En el siguiente fascculo, continuaremos con el estudio de las propiedades importantes de


las matrices, estudiaremos otras matrices importantes en relacin a su aplicacin directa
con sendos ejercicios resueltos totalmente.

Autoevaluacin formativa N 1

Nombre_________________________________________________________
Apellidos ______________________________Fecha ____________________
22
1

Excelencia Acadmica

Ciudad _______________________________Semestre__________________

4 1
1 3
y

A
B
2 6

2 5

t
t
Halle x en (AB) x 2(B A)

1. Dado las matrices

2. Halle x de la ecuacin matricial:

4 2 1 3
2 18
x
2

19 28

1 6 2 5
3. Halle el valor del polinomio f(A) de la matriz A.

f(x) = 3x2 2x + 5

, si:

1 2 3
A 2 4 1
3 5 2

4. Sean las matrices

1 2 1
0 1 1
A
1 3 1

0 1 1
Si: C

5. Si

(AB)t A

Halle la suma

1
1

1
2
y B

2
0

2
1

1 1 0
0 1 0
1 1 1

0 1 0

c 21 + c 32 + c 33

3 0 1
6 3 2
A 1 4 1 y B 2 4 0
2 2 1
1 5 2

yC

(BA)t 2A .

Halle la suma de los elementos de la segunda fila de la matriz C.

23

Excelencia Acadmica

24
1

Excelencia Acadmica

ESTUDIO DE LAS MATRICES


En este fascculo, se complementar el estudio de las matrices ms importantes, y sus
diversas aplicaciones con ejercicios totalmente resueltos, brindando a los estudiantes el
desarrollo de mtodos para enfrentar problemas.

Al finalizar el estudio del presente fascculo, el estudiante:

Define matrices especiales


Interpreta matrices cuadradas
Estudia matriz inversa
Aplica matrices al desarrollo de ejercicios.

PROPIEDADES COMPLEMENTARIAS
a)

A B

b)

c)

cA

t
t

A t Bt

A
cA t ; c es real.

d) El producto de dos matrices diagonales es otra matriz diagonal.


e) La multiplicacin de n veces una matriz diagonal se

representa por

D.D.D.D
D D

n veces
n

0

Dn
0

0
f)

0
bn

0
0


hn

sn nxn

Si A es de orden mxn, entonces:


AI = A, con In
IA = A con Im,
25

Excelencia Acadmica

no obstante si A es de orden n entonces


AI = IA = A. con In
Ejemplo: sea

1 0

A 2 2
3 1

3x2

Halle: AI

1 0
1 0
1 0

1 0

I2
; AI 2 2
2 2 A
0
1
0
1

2x2
3 1

3x2
3 1 3x2
Halle:

IA

1 0 0
1 0 0 1 0 1 0

I3 0 1 0 ; IA 0 1 0 2 2 2 2 A
0 0 1
0 0 1 3 1 3 1


3x2
g) Si A es una matriz cuadrada, entonces la matriz
Demostracin:

A A
t

At At

A A es simtrica

At A

h) Si A es una matriz cuadrada, entonces la matriz


Demostracin:

A A
t

i)

At At

A A es antisimtrica

At A A At

Toda matriz cuadrada A se puede expresar como la suma de una matriz simtrica y
otra antisimtrica.

1
1
A A A A
2
2

CASOS PARTICULARES DE MATRICES


CUADRADAS
a) Siendo A y B dos matrices cuadradas se llaman permutables, conmutativas
o que conmutan si se verifica que:

AB = BA

26
1

Excelencia Acadmica

Es fcil entender que si A es una matriz cuadrada de orden n


conmuta consigo mismo y adems con In.
b) En las condiciones del caso anterior si AB = - BA, las matrices A y B se llaman
antipermutables o anticonmutativas.

Decir que A y B no conmutan no es lo mismo decir que A y B son


anticonmutativas ya que en el primer caso AB BA y en el segundo
caso AB BA .

DEFINICIN.- Si A es una matriz cuadrada de orden n y B aA bI .


Donde: a y b son escalares entonces A y B conmutan, B aA bI
Esta definicin nos indica como construir matrices conmutativas, pero no indica que
todas las matrices conmutables con A sean de la forma: B aA bI .
DEMOSTRACIN

AB A aA bI
AB AaA AbI
AB aAA bAI
AB aAA b IA
AB aA bI A

AB BA
Ejemplo: Sea

1 0
A

3 2
Halle una matriz conmutativa de A
Asumiendo: a = 2, b = 3 B

= 2A + 3I

1 0
1 0 2 0 3 0 5 0
B 2
3

3 2
0 1 6 4 0 3 6 7
27

Excelencia Acadmica

1
AB
3
5
BA
6

0 5

2 6
0 1

7 3

0 5 0
00 5 0

7 15 12 0 14 27 14
0 5 0 0 0 5 0

2 6 21 0 14 27 14

DEFINICIN.- Sean A y B dos matrices cuadradas del mismo orden, A y B


conmutaran siempre y cuando:

A rI y B rI

conmuten, donde r es un

escalar.
r 1

c) Una matriz A de manera que: A


A ,siendo r un numero entero positivo, de
llama PERIDICA. Si r es el menor numero entero y positivo para el cual:

A r 1 A , la matriz A tiene periodo r.


Siendo r = 1 osea A2 = A, tal matriz A se denomina IDEMPOTENTE.
d) Una matriz A tal que Ap = 0, siendo p un entero positivo, tal matriz A se
denomina matriz NILPOTENTE.
Si p es el menor nmero entero y positivo para el cual Ap = 0, entonces la
matriz A es Nilpotente de ndice p.

2.1

4. Elabore dos matrices de orden 3 que sean permutables


5. Elabore dos matrices de orden 3 que sean antipermutables

6. Dado:

4
0
D
0

0
2
0
0

0
0
1
0

0
0
9
. Halle D

MATRIZ INVERSA
Sean A y B dos matrices cuadradas de forma que

AB = BA = I

, la matriz B se llama inversa de A y se representa por B = A-1,


leyndose B es igual a la inversa de A. Recprocamente la matriz A es la inversa de
B y se escribe
A = B-1.
Ejemplo:
Verificar si A y B son matrices inversas, si:

28
1

Excelencia Acadmica

1
A 2
2

1
AB 0
0

3
3 2 1

5 7 ; B 4 1 1
2 0 1
4 5

0 0
1 0 BA I
0 1
2

Posteriormente veremos que no toda matriz tiene inversa, no obstante toda inversa es
nica.

PROPIEDAD:
Sean A y B dos matrices cuadradas del mismo orden, cuyas inversas son A-1
y B-1 respectivamente, se compilara que: (AB)-1 = B-1.A-1 ; lo anterior es
nico.

MATRIZ INVOLUTIVA
Una matriz cuadrada A, tal que

A2 I

, se llama involutiva.

Una matriz unidad por ejemplo es involutiva.


Una matriz unidad por ejemplo es involutiva.
La inversa de una matriz involutiva es ella misma.

MATRIZ CONJUGADA
Dado el nmero complejo:
imaginario

z = a + bi , donde a, b son constantes; i

es un

i 1

Z a bi

Complejos conjugados Z a bi a bi

Sean:

Z1 a bi
Z2 c di

Sumando:
29

Excelencia Acadmica

Z1 +Z2 = (a+c)+(b+d)i
Z1 +Z2 (a+c)-(b+d)i
Z1 +Z2 (a-bi)+(c-di)
Z1 +Z2 Z1 Z2
Multiplicando:

Z1Z2 (a+bi)+(c+di)
Z1Z2 (ac bd) (ad bc)i
Z1Z2 (ac bd) (ad bc)i
Z1Z2 (a-bi)(c-di)
Z1Z2 Z1.Z2
Por tanto:
La conjugada de una matriz, se halla sustituyendo cada elemento de la matriz
original por su conjugada respectiva y se representa por:

Ejemplo: sean

1
i
A

2 i i 4

1
i
A

2 i i 4

PROPIEDADES:

AA
kA kA , k: escalar no imaginario

A+B A B
AB A.B
t

A la transpuesta de la conjugada de A, se escribe como A (se lee transpuesta


de la conjugada de A) y a veces se le representa por A*
La matriz transpuesta de la conjugada de A es igual a la conjugada de la
traspuesta

Ejemplo: sea

30
1

A At

Excelencia Acadmica

3 i
3 i
i
i
A
;
A

i 1 4 ;
i 1 4

t
i i 1
A
4
3 i

i 1
i
i i 1
At
; At

4
3 i 4
3 i
MATRIZ HERMITICA.
Una matriz cuadrada A = [aij], se llama hermtica o autoadjunta siempre que

At A

. Es lgico pensar que los elementos de la diagonal principal de una


matriz hermtica sern nmeros reales:

i 2
1
A
0
i 2
i 2
i 2
1
1
At
; At

0
0
i 2
i 2
Ejemplo: sea

Los elementos simtricos respecto a la diagonal principal deben ser


conjugados.

MATRIZ ANTIHERMITICA
Una matriz cuadrada A se llama hemihermtica siempre que: A A . Se entiende
que los elementos de la diagonal principal
deben de ser nulos o nmeros
imaginarios puros.
t

Ejemplo: sea

i 2 i 1
i

A i 2
0
i
i 1 i
0

31

Excelencia Acadmica

i i+2 i-1
A t i-2 0
-i
i+1 -i
0

i 2 i 1
i

A t i 2
0
i
i 1
i
0

kA es hemihermtica, si k es real o imaginario puro


PROPIEDADES:

(A A t ) es hermtica

(A A t ). es hemihermtica

Toda matriz A cuyos elementos sean nmeros complejos, se puede


descomponerse en la suma de una matriz hermtica y otra hemihermtica de
la siguiente forma:

1
1
A (A A t ) (A A t )
2
2
SUMA DIRECTA O MATRIZ ESCALONADA
Teniendo A1, A2, A3,..., An, matrices cuadradas de ordenes crecientes m1,m2, m3,...,ms,
respectivamente; se puede generalizar del siguiente modo:

A1 0
0 A
2

0
0

0
0

A3

0
0

0
0

diag(A1 , A 2 ,A 3 ,...,A n )
0

A n

Y es llamada suma directa o matriz escalonada de las matrices Ai

0 1 2
2 5
A1 1 ; A 2
; A 3 1 1 1

4 3
3 1 1
32
1

Excelencia Acadmica

1
0

0
A
0
0

0 0
2 5
4 3
0 0
0
0

0
0

0 0
0 0

0 0
diag(A1 , A 2 , , As )
1 2
1 1 1

3 1 1
0
0
0
0

PROPIEDAD:
Si:
A = diag(A1, A2,...,A5) y
B = diag(B1, B2, B3, ..., Bs) donde A y B son del mismo orden, se verifica que:
AB = diag(A1B1, A2B2, A3B3,...,AsBs)

Ejercicio:
Siendo:

3 2
1 3
2 3
A 2 B2
,
AB
,
BA

2 2
1 0
1 0

2
Halle: (A+B) ; (A B)(A B)
(A+B)2 (A B)(A B)
(A 2 AB BA B2 )
3 2 1 3 2 3 3 2

1 0 2 2 1 0 1 0
9 10

3 2
(A B)(A B) A 2 AB BA B2
3 2 1 3 2 3 3 2

1 0 2 2 1 0 1 0
1 0

3 2
Ejercicio:
33

Excelencia Acadmica

Sea una matriz A de 3x3, tal que A = aI + bD, en donde D es una matriz tal que
todos sus elementos de la diagonal principal son ceros y todos los dems son unos.
Hallar a y b de modo que
A2 = I.
Solucin: se entiende que:

0 1 1
D 1 0 1
1 1 0

1
A a 0
0

a
A 0
0

a
A b
b

1 0 0
I 0 1 0
0 0 1

0
0 1 1

1 0 b 1 0 1
1 1 0
0 1

0 0 0 b b
a 0 b 0 b
0 a b b 0
b b
a b b a

2
a b A b a b b
b b a b
b a

a 2 2b 2

A 2 b 2 2ab
b 2 2ab

b 2 2ab
a 2b
2

b 2ab
2

b 2 2ab 0.......(2)
de la ec. (2) :
b 2 2ab 0 0
2a

b1 0,

4a 2 4(1)0 2a 2a

2
2
a 1

b 2 2a a 2 2( 2a ) 2 1
a 2 8a 2 1
9a 2 1
a 1 3
b2 2

34
1

a
b

b 2 2ab 1

b 2 2ab 0
a 2 2b 2 0

a 2 2b 2 1.......(1)

b
b
a
0
1
0

0
0
1

Excelencia Acadmica

Ejercicio
Hallar todas las matrices de orden dos que conmutan con:

1 1
A

0 2
Solucin:
Sea B una matriz conmutable con A: osea AB = BA sea:

a b
B

c d
AB BA
1 1 a b a b 1 1
0 2 c d c d 0 2

a c b d a a 2b

2c
2d c c 2d

a ca c0

b d a 2b a d b
2d=-c+2d c 0
2c c no tiene aplicacion
d b b
d, b R
B
d
0
Ejercicio

5 8 0

5 0
Si A y B son matrices involutivas y (AB) (BA) 3

1 2 1
Halle la traza de la matriz H = (A+B)2
Solucin
Son involutivas cuando: A2 = I y B2 = I de esto se tiene que:
A2 + B2 = 2I tambin que A2B2 = (AB)(AB) = I2 = I
Reemplazando en

H = A2 + B2 + (AB) + (BA)

H = 2I + 2(AB)
1 0 0
5 8 0 8 16 0
H 2 0 1 0 2 3 5 0 6 12 0
0 0 1
1 2 1 2
4 0
35

Excelencia Acadmica

la traza de H ser 4
Ejercicio
Siendo

i 0
A

0 i
Deduce una formula para las potencias enteras positivas de A
Solucin:

A1 A
i 0 i 0 1 0
A2
0 i 0 1 I 2
0
i

3
2
A A A A
1 0 i 0 i 0
A3

A
0 1 0 i 0 i

A 4 A 2A 2 I2
1 0 1 0 1 0
A4
0 1 0 1 I 2
0

5
4
A A AA
1 0 i 0 i 0
A5
0 i 0 i A
0
1

6
4 2
A A A I 2 (I 2 ) I 2
A 7 A 6 A I 2 (A) A
A8 A 4 A 4 I 2 (I 2 ) I 2
A 9 A8A I 2 (A) A

A10 A8A 2 I 2 (I 2 ) I 2
A11 A10 A I 2 (A) A
A12 A10 A 2 I 2 (I 2 ) I 2
A13 A12 A I 2 (A) A

36
1

Excelencia Acadmica

A1 , A 5 , A 9 ,..., A
A 2 , A 6 , A10 ,..., I 2
A 3 , A 7 , A11 ,..., A
A 4 , A8 , A12 ,..., I 2
A n A, I 2 , A, I 2
Para: n=4k+1,4k+2,
Donde: k N

4k+3,4k+4

POTENCIACION DE MATRICES
Se define por induccin matemtica:

A0=I
A2=AA
A3= AA2
An= AAn-1=An-1A

PROPIEDADES
La potenciacin de matrices es conmutable:
- Si A es una matriz cuadrada, entonces:
Am.An = An.Am, donde m y n son enteros positivos
- Si A y B conmutan, Am y Bn conmutan siendo m y n enteros positivos

PROPIEDADES DE LA TRAZA DE UNA MATRIZ


1) Traza(A + B) = Traza (A) + Traza (B)
2) Traza(kA) = kTraza(A), donde k: escalar
3) Traza (AB) = Traza (BA)
Ejemplo:
Sea

2
A
0
2
AB
0

1
1 1
; B

2
0 2
0
2 1
; BA

4
0 4

Traza (AB) = 6

Traza (BA) = 6

Ejercicio
Sea A=[aij] una matriz triangular superior de orden n tal que:
aij = 1, si i j . De la matriz: A3 = [bij]
Halle el elemento bij si:
a) i = 3, j = n
37

Excelencia Acadmica

b) i = n, j = 3
c) i = 3, j = n 3
d) i = j
Solucin:

1
0

A
0

1
0

A 2 AA
0

1 1 1
1 1 1
0 1 1

0 0 1


0 0 0

1 1 1
1 1 0
1 1 0


0 0 1 1 0


0 0 0 1 nxn 0

1
1
0

1
1
1

1
0

A2
0

1
0

3
2
A A A
0

38
1

2 3

1
1
1

1 nxn
1 1
1 1
1 1


0 0 1 1


0 0 0 1 nxn

1
1
0

2 3
i

1 2 i 1
0 1 i2

0 0 1

0 0 0
i

1 2 i 1
0 1 i2

0 0

0 0

1
1
1

n 1
n2

n (i 1)

1
nxn

1
n 1 0
n 2 0


n (i 1) 0


0
1
nxn
n

1 1 1 1
1 1 1 1
0 1 1 1


0 0 1 1


0 0 0 1nxn

Excelencia Acadmica

A3 0

i(i 1)
2
i(i 1)
1 3
2
(i 2)(i 1)
0 1
2
0 0
0
3 6

(n 2)(n 1)
2
(n 3)(n 2)

2
(n 4)(n 3)

n(n 1)
2
(n 2)(n 1)
2
(n 3)(n 2)
2


0 0

0 0

0 0

n(n 1)

n(n 1)

(n 2)(n 1)

(n 2)(n 1)
2
(b) 0
(n 5)(n 4)
(c)
2
(d) 1
(a)

2.1

4. Elabore una matriz de orden 3 y demuestre que es hermtica

5. Construya una matriz de orden 3 y halle su inversa.

El estudio de las propiedades complementarias y sus aplicaciones dotar al estudiante de


las herramientas necesarias para enfrentar problemas.
El estudio de matrices permutables, define conceptos necesarios para el entendimiento de
las matrices.
A.B = B.A

Matrices conmutativas

AB BA

Matrices no conmutan

AB BA

Matrices anticonmutativas

39

Excelencia Acadmica

El estudio de la matriz inversa

AB = BA = I

, es uno de los casos mas importantes en el

estudio de las matrices, ya que el entendimiento y calculo de ella genera la aplicacin de


esfuerzos y deformaciones en el campo de ingeniera y otras aplicaciones.

R. Figueroa . G. MATEMTICAS BSICAS


Editorial America 2001
C. Saal R, MATEMTICAS BSICAS II,
Editorial GOMEZ, Per, 1998.
Frank Ayres JR, MATRICES,
Editorial McGraw-HILL, Mxico, 1998.
Espinosa R, MATRICES Y DETERMINANTE,
Ediciones UNI, Per, 1992.
Aponte, Gladis. Fundamentos de Matemticas Bsicas.
Editorial Addi-son Wesley Segunda Edicin,1998.

En la siguiente fascculo, continuaremos con el estudio de algunas propiedades


importantes de las matrices, al aplicarlas en el desarrollo de determinantes.
Aprenderemos mtodos directos de evaluacin de determinantes de matrices cuadradas de
ordenes varios.

40
1

Excelencia Acadmica

Autoevaluacin formativa N 2

Nombre_________________________________________________________
Apellidos ______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________

01

02

0
Si A = 1
0

1
1

0
1 , Hallar A100
1

2
Si A = 1
1

3
4

5
5
4

1
B= 1
1

3
3
3

5
5 ,
4

Halle A5.B7

03

1
Determine si la matriz A = 5
2

04

Sean las matrices:

1
A = 4
3

2
0
1

1
5 y
2

1
2
1

3
6 es nilpotente
3

1
2

B= 3
0

0
1
5
0

0
1

Si (AB)t + x = 2(Bt + A)
Halle la traza de la matriz x.

41

Excelencia Acadmica

42
1

Excelencia Acadmica

DETERMINANTES
En este fascculo comenzamos con el estudio de los determinantes y sus diversos mtodos
de solucin, dependiendo del orden de la matriz. Se utilizarn mtodos directos para
matrices de ordenes menores.

Al finalizar el estudio del presente fascculo, el estudiante:

Resuelve determinantes de orden 2, 3


Resuelve determinantes por el mtodo de los cofactores
Interpreta propiedades de los determinantes.

DEFINICIN.Viene a ser una funcin que aplicada a una matriz cuadrada da solo un valor numrico.

NOTACIN
Sea una matriz A y su determinante se expresa como:

|A|, det(A), detA

DETERMINANTE DE UNA MATRIZ CUADRADA DE ORDEN 2


Sea:

a
a
a
a
A 11 12 | A | 11 12
a 21 a 22
a 21 a 22

a11a 22 a 21a12

Ejemplo: Sea:

1 1
1 1
A
|
A
|

3 4
3 4

1(4) (3)(1) 1

43

Excelencia Acadmica

Para este caso se utilizar la diferencia del producto de la diagonal


principal y la diagonal secundaria.

DETERMINANTE DE UNA MATRIZ CUADRADA DE ORDEN 3


Sea:

a11
a11 a12
A a 21 a 22
a
31 a 32

a13
a11 a12

a 23 | A | a 21 a 22
a 33
a 31 a 32

a12

a13

a13 a11 a12 a 21 a 22


a 23 a 21 a 22 a 31 a 32
a 33 a 31 a 32 a11 a12

a 23
a 33

a 21 a 22

a 23

a13

| A | a11a 22a 33 a 31a12a 23 a13a 21a 32 a 31a 22a13 a11a 32a 23 a 33a 21a12

Para este caso utilizaremos la diferencia de producto a derechas e


izquierdas, como en el caso de la determinante de orden 2.

Ejemplo:

Sea las matriz:

1 2 3
A 0 0 2
2 3 4

Su determinante es:

A (1x0x4 + 2x2x2 + 3x0x3) (2x0x3 + 2x3x1 + 2x0x4)


A (0 + 8 + 0) (0 + 6 +0) = ( 8 ) ( 6 ) =

44
1

Excelencia Acadmica

PROPIEDADES
1) DetA = DetAt
Ejemplo:

1 2
1 3
A
| A | 2; A t

3 4
2 4

| A t | -2

2) El determinante de una matriz cambia de signo cuando dos filas y dos columnas no
necesariamente adyacentes se intercambian.
Ejemplo:
Sea

1 3 1
A 0 2 0 |A|=-2
2 1 1

si se intercambian C1xC3 mutuamente se halla la matriz:


1 3 1
B= 0 2 0
1 1 2

|B|=-|A|

|B|=2

3) Si la matriz B se obtiene trasladando una de sus filas (o columnas) k lugares a partir


de una matriz original A, entonces :

B 1 A
k

; nmero de lugares desplazados

1 0 2
A 3 4 1
0 0 2

|A|=8

Si B se halla, trasladando la 1 fila dos lugares, se tiene:

3 4 1
3 4 1
B= 0 0 2 | B | 0 0 2 8
1 0 2
1 0 2

| B | (1) 2 | 8 8
45

Excelencia Acadmica

4) Si una matriz A de orden nxn es multiplicada por el escalar k (esto significa que
todas las filas son multiplicadas por dicho escalar o en forma equivalente todas las
columnas son multiplicadas por k), entonces el determinante de la matriz A queda
multiplicada por kn, por tanto, se tendr que:

| kA | k n | A |
Ejemplo: Sea

1 2
A
; k 2
4
5

2 4
1 2 2 4
kA 2A 2
|
kA
|

12

8 6
4 5 8 10
Ademas: n=2
|A|=

1 2
4 3

| kA | k n | A |
12 22 (3)
12 12
5) Si en una matriz se tiene que una fila o columna es mltiplo de otra fila o columna
respectivamente, entonces la determinante de dicha matriz vale cero.
Ejemplo: Sea

1 2
1 2
A
| A |
0

5 10
5 10
La 1 fila es mltiplo de la 2 fila
6) Si en una fila

(o columna) de una matriz,

todos sus elementos valen cero,

entonces su determinante valdr cero.


Ejemplo:

1 2
1 2
| A |
0
A

0 0
0 0
7) Si en una matriz todos los elementos de una fila (o columna) son multiplicados por
un escalar k entonces el valor del determinante tambin queda multiplicado por k.
Ejemplo:

46
1

Excelencia Acadmica

3 4
3 4
A

|
A
|

1 2
1 2
B se halla de A, al multiplicar la 1 fila por 3

3(3) 3(4) 9 12

B=
2 1 2
1
| B | 3 | A | 3(2) 6
B k A
8) Si ha una fila (columna) de una matriz dada, se le suma el mltiplo de otra fila (o
columna), la determinante de la matriz no varia
Ejemplo:

1 3 4
1 3 4
A 0 0 2 | A | 0 0 2 10
2 1 1
2 1 1

Hallando B a partir de A, donde:

3FB = 3FA + 2x1FA

2
3
1 2 3
1

B 0
0
2 | B | 0 0 2 10
2 2 1 6 1 8
4 7 9

9) Si los elementos de una fila (o columna) de una matriz constan de dos trminos, el
determinante puede ser expresado como la suma de otros dos determinantes.
Ejemplo:

10 4
10 4
A
| A |
0

5
2
5
2

8+2 3 1 8 3 2 1

11 0
| A |
5
2
5 2 5 2
10) El determinante de una matriz identidad es la unidad.
El determinante de una matriz diagonal es el producto de los elementos de la
diagonal principal.
11) El determinante de una matriz triangular superior o inferior es igual al producto de
los elementos de la diagonal principal.
47

Excelencia Acadmica

Ejemplo:

1 2 3
1 2 3

A 0 4 2 | B | 0 4 2 1x4x3 12
0 0 3
0 0 3

12) |A+B| |A| + |B| por lo general


|AB|=|A||B| (Ay B sean cuadradas y del mismo orden)

3.1

Construya matrices de orden 3 y


1. Compruebe las primeras seis propiedades
2. Compruebe las 6 ltimas propiedades

MENORES Y COFACTORES
Teniendo el siguiente arreglo.

a11 a12
a
21 a 22

A
a i1 a i2

a m1 a m2

a1j a1n
a 2 j a 2n

a ij a in

a mj a nn

la fila i esta dada por: a i1 a i2 a ij a in

la culumna j esta dada por: a1j a 2 j a ij a nj


Sea Mij la submatriz cuadrada de orden (n 1), que resulta de eliminar la fila i y la
columna j de A, entonces:

1) El determinante de Mij se llama menor complementario del elemento aij de A


2) El cofactor del elemento aij que se simboliza por Aij, se define por:

A ij 1

48
1

i j

M ij

Excelencia Acadmica

Ejemplo: Sea

3
4
A=
2

0
2
3
4

5
4
0
1

1
0
1

4
M12 2
1

3
M 34 4
1

4
0
1
0
2
4

0
4

1 | M12 | 2
0
1
5
3

4 | M 34 | 4
1
1

4
0
1
0
2
4

0
1 0
0
5
4 28
1

Hallando los cofactores:

A12 (1)1 2 | M12 |


A12 (1)0 0
A34 (1)3 4 | M 34 |
A34 (1)28 28
OBTENCIN DE DETERMINATES POR COFACTORES
El determinante de una matriz cuadrada A = [aij]nxn, es igual a la suma de los productos
de los elementos de cualquier fila (o columna) por sus respectivos cofactores.
Por definicin:

Si se eligiera la fila k el determinante valdra


n

| A | a kjA kj
j1

Si se eligiera la columna j el valor de la determinante sera:

49

Excelencia Acadmica

| A | a kjA kj
k 1

Ejemplo: Sea:

1 3 0
1 3 0

A 0 1 2 | A | 0 1 2 5
2 4 1
2 4 1

| A | a 31A 31 a 32 A 32 a 33A 33 ...(1)


3

| A | a kjA kj
j1

A 3 1 ( 1) 3 1

3
1

0
6
2

A 3 2 ( 1) 3 2

1
0

0
2
2

A 3 3 ( 1) 3 3

0 1
En (1):

|A|=2(6)+4(-2)+1(1)=5
Ejercicio:
Halle el determinante de:

B=

0
2
3

1
1
3

1
3
4

6
10
-8
1
5
3

2
0
4

Solucin:
5

| B | b k1Bk1
k 1

| B | b11B11 b 21B21 b31B31 b 41B41 b51B51...(1)


1
B 21 ( 1) 2 1

50

1 3 10 0
8 4
3 1
;
B
(
1)

31
2 0 1
3
2 0 1
3
5
5
1 5
3
1
1 5
3
1


3

Excelencia Acadmica

| C |

1
3

1
4

6
8
1
5
3

2
4
3

|C|=c 31C 31 c 32 C 32 c 33 C 33 c 34 C 34

1 1 2
1 1 6
1
| C | 2 4 8 4 3 4 4 3 3 4 8
5
5 3 1
1 5 1
1 5 3
1
| C | 2(180) (7) 3(101)
5
| C | 58,4
| D | d14 D14 d 24 D 24 d 34 D34 d 44 D 44

1 3 10
1 1 6
1 1 6
| D | 2 2 0 1 3 1 3 10 1 1 3 10
5
1 5 3
3 0 1
1 5 3
5
| D | 2(81,6) 3(22) (23,6)
| D | 120,8

| B | (1) 21 | C | (1)31 | D |
| B | (1)(58,4) (120,8)
| B | 179,2
3.2

1. Construya una matriz de orden 4 y halle su determinante por cofactores


2. Halle el determinante de la matriz

2 3 4
1 3 0

6 8 3

3. Halle la suma de los determinantes de las matrices

1 3 4
6 0 0 +

8 3 2

9 0 2
6 5 0 +

2 3 1

10 1 3
0 0 0

81 3 2

51

Excelencia Acadmica

En este fascculo se estudi los conceptos fundamentales sobre las aplicaciones de los
determinantes as como sus diversos mtodos de solucin.
Se presentaron los casos de prcticos para hallar determinantes de orden 2 y 3, de forma
directa.
As como hallar el determinante de matrices de orden superior por el mtodo de cofactores.
Se desarrollaron ejercicios a aplicacin a las diversas propiedades analizadas, para
proponer las actividades al estudiante.

R. Figueroa . G. MATEMTICAS BSICAS


Editorial America 2001
C. Saal R, MATEMTICAS BSICAS II,
Editorial GOMEZ, Per, 1998.
Frank Ayres JR, MATRICES,
Editorial McGraw-HILL, Mxico, 1998.
Espinosa R, MATRICES Y DETERMINANTE,
Ediciones UNI, Per, 1992.
Aponte, Gladis. Fundamentos de Matemticas Bsicas.
Editorial Addi-son Wesley Segunda Edicin,1998.

En el siguiente fascculo se continuar con el estudio de las matrices especiales. Buscando


obtener un mtodo para hallar matrices inversas por el mtodo de la matriz adjunta.
52
1

Excelencia Acadmica

Se analizaran el mtodo de las operaciones elementales para hallar matriz inversa, el


rango de una matriz, matriz escalonada entre otros.

Autoevaluacin formativa N 3

Nombre_________________________________________________________
Apellidos ______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________

1. Halle el determinante de:

2 8 0
12 1

4 1 : 4 3 0 (aplique mtodo directo)

5 1 4

2. Halle el determinante de (1) por cofactores


3. Halle el determinante de: (aplique cofactores)

1
3

1
4. Halle :

M 44 , M 23 , M 42

6
2
0
0

3 2
0 0

5 2

1 1

del problema anterior

5. Halle el determinante de:

2
0
A
0

7 6 8
3 8 9

0 1 32

0 0 7

53

Excelencia Acadmica

54
1

Excelencia Acadmica

Estudio de las Matrices


En el presente fascculo continuaremos con el estudio de las matrices
especiales.
Se estudiaran mtodos para hallar el determinante de matrices de ordenes
superiores, as como hallar el matricial inverso y el rango de una matriz de
orden n

Al terminar el estudio del presente fascculo, el estudiante:

Reconoce matrices especiales


Halla determinantes de orden n
Halla el matricial inverso

MATRIZ DE COFACTORES
Si A es una matriz cuadrada de orden n y Aij, es el cofactor del elemento aij, entonces
la matriz de cofactores en A, viene dada por el siguiente arreglo.

A11 A12
A
A 22
Cofact A 21

A
n1 A n 2

A1n


A 2n
Cofact A

A nn

MATRIZ ADJUNTA
La matriz adjunta A, es la traspuesta de la matriz de cofactores de A.

adjA cofactA

Ejemplo: Sea:

A11 A12
3 3 1
A 2 2 1 cofactA A 21 A 22
1 4 1
A

31 A 32

A13
A 23
A 33
55

Excelencia Acadmica

4
3
cofactA
4

3
2

1
1
1
1
1
1

2 1
1 1
3 1
1 1
3 1
2 1

2 2

1 4
3 3

1 4

3 3

2 2

2 1 6
2 1 1

cofactA 1 2 9 adjA 1 2 1 L
1 1 0
6 9 0

MATRIZ INVERSA
Sea A una matriz cuadrada de orden n y si existe otra matriz B tal que:

AB BA I
La matriz B se llama inversa de A y se denota por :
B = A-1

Caractersticas:
1.La inversa de una matriz es nica.
2.Si B es inversa de A, se puede decir que tambin que A es
inversa de B.
3.No toda matriz cuadrada tiene inversa.
.

Definiciones:
1) Una matriz cuadrada se dice que es no singular si su determinante es
distinto de cero (|A| 0), una matriz de este tipo tiene inversa.
2)
3) Una matriz cuadrada A se dice que es singular si su determinante es cero
(|A| = 0), una matriz de este tipo no tiene inversa.

56
1

Excelencia Acadmica

OBTENCION DE LA MATRIZ INVERSA POR EL METODO DE LA MATRIZ


ADJUNTA

A 1

adjA
|A|

Ejemplo: Hallar A-1 de:

1 3 1
A 0 1 1
2 2 0

Solucin:

A11
cofactA A 21
A
31

A12
A 22
A32

A13
A 23
A33

2
3
cofactA
2

3
1

1
0

0 1
2 0

1
0

1 1
2 0

1
1

1 1
0

0 1

2 2
1 3

2 2

1 3

0 1

2 2 2
2 2 4

cofactA 2 2 4 adjA 2 2 1

2 4 1
4 1 1

| A | 6
1

2 2 4 3
1
1
A 1 2 2 1

6
3
2
4
1

1
3

1
3
1
3
2
3

2
3

1
6

57

Excelencia Acadmica

4.1

5 2 1

5 3
1. Halle la matriz inversa de: 2

1 3 5
2 3 1
6 9 3
2. Halle la inversa de:

1 3 5

RANGO DE UNA MATRIZ


SUBMATRICES CUADRADAS
Dada una matriz A de orden m x n, se pueden construir diferentes submatrices
cuadradas de orden k x k contenidas en A.
Ejemplo: Construir la submatrices de:

1 0 2
A

2 1 3 2x3
Solucion:
1 0 1 2 0 2
2 1 ; 2 3 ; 1 3

1 ; 0 ; 2 ; 2 ; 1 ; 3

El rango de una matriz A de orden mxn es el orden de la submatriz


cuadrada ms grande contenida en A, cuyo determinante es no nula
y se simboliza por r(A).

58
1

Excelencia Acadmica

Ejemplo:
Para el problema anterior el rango de A es igual a 2 porque los determinantes de
cualquier submatriz de orden 2 es diferente de cero.

OPERACIONES ELEMENTALES
Son transformaciones elementales, que se dan entre filas o columnas de una matriz:

Intercambio de dos filas o dos columnas. Se representa por:

fi x fk ; Ci x Ck

Multiplicacin de una fila o una columna, por un escalar no nulo. Se representa


por:

kfi ; kCj.

A una fila o columna


representa por:

se le suma el mltiplo de otra fila o columna. Se

fi +kfj ; Ci + kCj.

MATRICES EQUIVALENTES
Se dice que una matriz A de orden mxn es equivalente (por filas) a matriz B de orden
mxn, si se puede obtener B a partir de A por medio de un nmero finito de operaciones
elementales (por filas). Se simboliza por:

Ejemplo:
Por operaciones elementales llevar si es posible a la matriz I, a la matriz dada:
1
1 32
2 3 1 1 32 12
2

f
4f
1f2
2
1

0 1 3

A 4 5 1
f
4
5
1
1
2

2 0 2 2 0 2 f3 2f1 0 3 3

59

Excelencia Acadmica

1 32 12
1 0 4
1 0 4
3 3f
2

0 1 3
1

0
1
3
0
1
3
f
3
6

3
0 0 1
0 3 3 f1 2 f 2 0 0 6

1 0 0
f
1 4f
3
0 1 0 I

f 2 3f 3

0 0 1
A I
MATRIZ ESCALONADA (por filas)
Una matriz escalonada E = [eij], de orden mxn, es escalonada si se presenta la
siguiente estructura:
1) Las primeras k filas son no nulas y las restantes
(m - k) filas son nulas.
2) El primer elemento no nulo de cada una de las primeras k filas es la unidad.
3) En cada una de las k filas, el nmero de ceros anteriores a la unidad crece de fila
en fila

Una fila (o una columna) es nula si todos sus elementos son ceros.

Ejemplo: matrices escalonadas:

0 2 1
1 3 2
0 0 0

0 0 0
0 0 0 mxn

0
0
E2
0

1 0 0
0 1 2
0 0 1

60
1

k Si: k=2 y m=5 (m k) 3

(m k)

k Si: k=4 y m=4 m-k=0


1

1 4x5

1
0

E1 0

0
0

0 0 0

Excelencia Acadmica

Ejemplo:
Por operaciones elementales llevar A a su forma escalonada:

1 1 0
1 1 0

5
A 1 2 2 O.E
0 1 4
1 2 3
0 0 0

A B
OBTENCION DEL
ELEMENTALES

RANGO

DE

UNA

MATRIZ

POR

OPERACIONES

Propiedad:
Las matrices equivalentes tiene el mismo rango, es decir:

B r(A) = r (B)

Para hallar el rango de una matriz es necesario llevar a dicha matriz a su forma
escalonada.
Luego el rango de dicha matriz ser igual al rango de su matriz escalonada.
El rango de la matriz escalonada ser k, donde k es el nmero de filas no nulas.
Esta regla ser aplicable por lo general en matrices de orden mxn (m diferente de n).
En el caso de matrices cuadradas se debe tener bastante cuidado.
Ejemplo importante:
para el ejercicio anterior vemos:

Obsrvese que la submatriz mayor contenida en A es:

1 1 0
A 1 2 2
1 2 3

3x3
Y su determinante es diferente de cero, por lo tanto r(A) = 3
Tambin se nota que k = 2 (en su equivalente matriz escalonada), por lo que r(E) = 2
Sin embargo para este caso r(A)

r(EA)

61

Excelencia Acadmica

OBTENCION DE LA INVERSA DE UNA MATRIZ POR OPERACIONES


ELEMENTALES
Se aplica el mtodo de GAUSS JORDAN.
Sea : A = [aij]mxn , => el mtodo es:

(A:I)
0.E. (I:B) => B = A -1
Donde I es de orden n.
Si A es singular (|A| = 0) ocurre que uno de los elementos de la diagonal principal de I
que aparece en (I:B) es cero, por lo que dicha matriz nunca ser identidad, ya que no
existe A-1
Propiedades:
1) (AB)-1 = B-1A-1
2) (A-1)t = (At)-1 ,

Es de una matriz cuadrada no singular.

Ejercicio: Hallar A-1 si:

3 5
A

2 4
Solucin:

3 5 1 0
1 1 1 1
1 1 1 1
f

f
f

2f
1
2
2 4 0 1
2 2 4 0 1
1 0 2 2 3

0
f
1 x f
2
1

1
f
2 f1
0

2
A 1
1

5 / 2
3 / 2

3 1 0
2 f1
1
1

1
1f1
3
2
0

5
2

1
1

1
1
0

1
1 f
2
f
1
1
3
2

52
3
2

Ejercicio de aplicacin:
Hallar el determinante de la matriz A de orden n
62
1

0
1

2
1

1
5
2

Excelencia Acadmica

1
2

2
A
2

2
Solucin:
Hacemos

2
2 2 2
3 2 2

2 4 2

2 2 n

2 2
2
2
2

(f3 f 2 ),(f 4 f 2 ),(f5 f 2 ),(f n f 2 )

multiplicamos por (-2) a la f1y sumamos f1a la f 2

2
1 2 2 2
0 2 2 2
2

0 0 1 0
0

0
0 0 0 2

0 0 0 0 (n 2)
como |A| es una matriz triangular superior

| A | 1(2).1x2x3x...x(n 2)
| A | 2(n 2)!
Ejercicio de aplicacin:
Hallar el determinante de :

2
1

0
A

0
2 1 0 0
1 2 1 0

0 0 0 1 2 nxn
1 0

Solucin:
Multiplicando: 1xf1 , 2xf 2 ,3xf3 ,..., nxf n

63

Excelencia Acadmica

2
2

0
1
| A |

1x 2x3...xn

1
4

0
2

hallando las nuevas filas en

0
0
3 0

0 2n nxn
la forma siquiente: (*)=nueva fila.
0
0

f 2* f 2 f1
f 3* f 3 f 2*
f 4* f 4 f 3*

f f n f n 1
*
n

2 1 0 0
0 3 2 0

1 0 0 4 3
| A |
n!
0 0 0

0 0 0
2x3x 4x...x(n 1)
| A |
n!

A n 1

(n 1)

(n 1) nxn
(n 1)!

(n 1)
n!

0
0
0

4.2

1.-Halle el rango de la matriz:

1 7 6 5
1 2 5 4

1 2 3 1

4 0 0 4
2.-Halle el equivalente de matriz dada a su forma escalonada (si es posible)

3 1 6
5 0 2

6 2 12

64
1

Excelencia Acadmica

En el presente fascculo se abordaron los conceptos fundamentales para hallar


determinantes de orden superior (orden n)
Se present el mtodo de operaciones elementales por filas o columnas, para resolver
problemas selectos.
Se puede hallar matrices equivalentes por operaciones elementales. Este entendimiento
ayudar a encontrar matrices escalonadas las cuales son la base para resolver sistemas
de ecuaciones lineales.

R. Figueroa . G. MATEMTICAS BSICAS


Editorial America 2001
C. Saal R, MATEMTICAS BSICAS II,
Editorial GOMEZ, Per, 1998.
Frank Ayres JR, MATRICES,
Editorial McGraw-HILL, Mxico, 1998.
Espinosa R, MATRICES Y DETERMINANTE,
Ediciones UNI, Per, 1992.
Aponte, Gladis. Fundamentos de Matemticas Bsicas.
Editorial Addi-son Wesley Segunda Edicin,1998.

En el prximo fascculo comenzaremos con el estudio de los sistemas de ecuaciones


lineales.
Veremos el caso de ecuaciones matriciales y sus posibles soluciones, para ello ser
necesario evaluar el tipo de ecuacin asociado.

65

Excelencia Acadmica

Autoevaluacin formativa N 4

Nombre_________________________________________________________
Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________

1. Calcular el determinante:

1 2 2 2 2
2 2 2 2 2
2 2 3 2 2
2 2 2 4 2
2 2 2 2 5
2. Calcular la determinante de orden n.

1 0
A 1 2

3
0

n
n

1 2 3

3. Calcular la determinante de la siguiente matriz de orden n.

3
1

A 0

66
1

2 0 0
3 2 0
1 3 0

0 0 3 n

Excelencia Acadmica

SISTEMA DE ECUACIONES
LINEALES
En este fascculo estudiaremos a las ecuaciones lineales, dndole la forma de una
ecuacin matricial.
Para ello debemos analizar el tipo de ecuacin lineal y sus posibles soluciones; en general
estudiares los casos:
a)

Sistema consistente con una sola solucin:

b)

Sistema consistente con infinitas soluciones:

c)

Sistema inconsistente sin solucin alguna:

Al terminar el estudio del presente fascculo, el estudiante:

Comprende y analiza ecuaciones lineales


Identifica tipos de soluciones
Resuelve ecuaciones

SISTEMA DE ECUACIONES LINEALES


Dado el sistema de ecuaciones lineales de m ecuaciones y n incognitas:

a11x1 a12 x 2 a13 x 3 .... a1n x n b1


a 21x1 a 22 x 2 a 23 x 3 .... a 2n x n b 2

a m1x1 a m2 x 2 a m3 x 3 .... a mn x n b m

(1)

Es equivalente a la ecuacin matricial

67

Excelencia Acadmica

a11 a12
a
21 a 22

a i1 a i2

a m1 a m2

a1j a1n x1 b1
a 2 j a 2n x 2 b 2


(2)
a ij a in x i bi


a mj a mn x n b m

O tambin:

AX = b
A es de orden mxn
X es de orden nx1
B es de orden mx1

OBSERVACIONES:
1) Como (1) es equivalente a (2) entonces cualquier solucin de (1) lo ser tambin
de (2) y viceversa
2) Una

solucin

del

sistema

es

una

determinada

cantidad

de

nmeros

x1, x 2 , x 3 ,, x n , para los que se satisfacen las ecuaciones propuestas.


3) La matriz A se denomina matriz de coeficientes del sistema.
4) La matriz Aa = [A:b] de orden mx(n+1) se denomina matriz aumentada o matriz
ampliada del sistema, y obedece a la siguiente estructura.

a11 a12
a
21 a 22

Aa
a i1 a i2

a m1 a m2

a1j a1n
a 2 j a 2n

a ij a in

a mj a mn

b1

b2

A b
bi

b m

5) Si el sistema (1) tiene uno o mas soluciones se le denomina consistente, caso


contrario ser inconsistente.
CASOS:
a)

Sistema consistente con una sola solucin:

2x 3y 5
3x 8 y 2

68
1

Excelencia Acadmica

b)

Sistema consistente con infinitas soluciones:

2x 3y 2
6x 9 y 6
c)

Sistema inconsistente sin solucin alguna:

2x y 2
2x y 5

Si en el sistema (1) b1 = b2 = b3 = = bn = 0 , el sistema se llamar


homogneo, si por lo menos uno de los bi es distinto de cero se
llamar no homogneo.

PROPIEDADES:
1) Los sistemas de ecuaciones lineales son equivalentes si sus respectivas matrices
aumentadas son equivalentes. O sea el sistema AX = b es al sistema BX = c si y
solo si:

Aa Ab

OE

Ba B c

2) Dado el sistema de ecuaciones lineales (2) o sea AX = b la matriz aumentada de


coeficientes es: Aa = [A|b] y la matriz escalonada correspondiente a Aa es:
Ea = [EA|Eb] (matriz escalonada de la matriz aumentada de la matriz de coeficientes
del sistema).
Por lo tanto se tendr que los sistemas de ecuaciones AX = b y EAX = Eb , son
equivalentes; lo que quiere decir que posee las mismas soluciones.

Esta propiedad sugiere que para resolver un sistema de ecuaciones


lineales no homogneo debe llevarse a la matriz ampliada y luego a

69

Excelencia Acadmica

la forma escalonada de esta, y a partir de dicha forma deducir las


soluciones.
Ejercicio:
Aplicando la teora anterior. Halle las soluciones del sistema de ecuaciones lineales:

3x 2y z 5
2x 3y 2z 4
y 3z 6
Solucin:
AX = b
E A X = Eb

3 2 1 5
A a 2 3 2 4 llevando A a a E A por O.E
0 1 3 6

1 5
1 2
1 2 3 1 5
3
3 3

3 3
1

5
8 2 3 f
f1 2 3
2 4 f
2 2f
1 0
2
3
3 3

3
5

3 6
0 1
0 1
3 6

5
1 5
1
1 2
1 2
3
3 3
3
3 3

0 1
8 2 f f 0 1
8 2 5f
3
2
3

5
5
5
5

7
0 1
0 1
3 6
7 28
5
5

x+ 2y z 5
2
1

5
1
3 3 3 z=4
3
3 3

8 2 y 8z 2
0 1
y=-6
5 5
5
5

x=7
0
1
4
0
z4

Eb
EA

5.1

1. Resuelve las siguiente ecuaciones:

5x y z 1
5x 2y 8z 2
2x 3y z 3

70
1

Excelencia Acadmica

2. Resuelve

2x 3y z 1
4x 6y 2z 2
7x 3y 3z 3

RANGO DE UN SISTEMA DE ECUACIONES LINEALES


1) Una condicin necesaria y suficiente para que el sistema (1) sea consistente es que
el rango de la matriz de coeficientes sea igual al rango de la matriz aumentada, o
sea:

r(A) = r(A a )
2) Si el sistema es consistente se presenta los siguientes casos:
a) Que el sistema tenga una nica solucin para cada incgnita. Ello ocurre si
el nmero de incgnitas es igual la rango de la matriz aumentada, es decir,
como el sistema tiene n incgnitas y es consistente:
b)

r(A) = r(A a ) = n (una solucin)

c) Que el sistema tenga infinitas soluciones ello ocurre si el nmero de


incgnitas es mayor que el rango de la matriz aumentada. Es decir como el
sistema tiene n incgnitas es consistente (se supone que r(A) = r(Aa) = k,
tendr mas de una solucin si:

r(A) = r(A a ) = k < n (ms de una solucin)

(n k ) incgnitas tomarn valores arbitrios, llamndoseles variables


libres, variables independientes o parmetros.
3) Si: r(A) diferente r(Aa) el sistema es consistente .
Ejercicio:
Resolver con la teora dada en el ejercicio anterior:

71

Excelencia Acadmica

3x 2 y z 5
2x 3y 2z 4
y 3z 6
Solucin:

1
1 2
3
3
3 2 1

8
A 2 3 2 EA 0 1
5

0 1 3

1
0 0

r(E A ) r(A) 3
ademas se tiene:
r(A a ) r(E a ) 3 n 3
r A r Aa n 3

Entonces el sistema tendr solucin nica


Ejercicio: Resolver el sistema:

6x 4 y 2z 2
5 x 3 y 3z 2
7x+4y 5 z 2
Solucin:

Ax b

Aa 5
7

1 1
0 2

7 4

4 2 2
1 1 1 0

3 3 2 f
3 3 2 f
1 f2 5
2 5f1
7 4 5 3
4 5 3

1 0
1 1 1 0

1
8 2
1 4 1 f
20
3 7f
1
2 f

5 3
7 4 5 3

1 1 1 0
1 1 1 0
0 1 4 1 f 3f 0 1 4 1 E
3
a
3

0 3 12 3
0 0 0 0

r(A) r(A a ) 2 k n 3
72
1

Excelencia Acadmica

Sistema consistente con n soluciones.


(n k) = 3 2 = 1 (Una variable ser parmetro t)

AX b
EAX Eb

1 1 1 x 0
0 1 4 y 1


0 0 0 z 0

xyz0
y 4z 1
zt

x 1 3t
y 4t 1

REGLA DE CRAMER
En el sistema de ecuaciones lineales con n ecuaciones y n incognitas.

a11x1 a12 x 2 a13 x 3 .... a1n x n b1


a 21x1 a 22 x 2 a 23 x 3 .... a 2n x n b 2

a n1x1 a n2 x 2 a n3 x 3 .... a nn x n b n
Equivalente a la ecuacin matricial:

Ax b

Si A es no singular (

A 0 ) entonces existe A-1 y el sistema tiene solucin nica, dada

por:

x A1b
Forma Prctica:
El sistema slo tiene solucin si:

xi

A 0 , y la solucin viene dada por:

Ai
, i 1,2,3,,n
A

Ai es la matriz obtenida con origen en A reemplazando la columna i de A por la matriz


b.
As:

73

Excelencia Acadmica

b1
b
A1 2

bn

a12 a1n
a11 a12
a
a 22 a 2n
a 22
A n 21

a n 2 a nn
a n1 a n 2

b1
b 2

b n

Utilice la forma prctica para resolver ecuaciones cuyas variables no


sean mayores a 4 incgnitas; en caso contrario realizar demasiadas
operaciones.

Ejercicio de aplicacin:

2x y 3z 6
x y 4z 10

y z 2
Solucin: (aplicando regla de cramer )

1) det(A)=

2 1
1 1

0 1

2 1
1 1

3
4
1

3
4

(-2-3+0) - (0-8+1) = -5 - (-7) = 2

A 2

6
10

detc1= 2

6
10

74
1

1 3
1 4
1 1

1 3
1 4

2 6 3
1 10 4

detc2= 0
2 1

2 6 3
1 10 4

Excelencia Acadmica

(-6-30+8) - (-6-24+10) = -28 - (-20)= -8

2 1 6
1 1 10

detC3= 0 1 2

2 1 6
1 1 10

(20+6+0)-(0+16+6) = 26 - (22) = 4

= (-4-6+0) - (0-20+2) = -10 - (-18) = 8

Luego:

X1 -4,

x 2 2,

x3

8
4
2

4
X 2
1
5.2

1.

Aplicando la regla de cramer, resuelve:

2x y 5z w 5
x y 3z 4w 1

3x 6y 2z w 8
2x 2y 2z 3w 2
Ejercicios de aplicacin:
Hallar la solucin del sistema:

x y 2z 3
x 5y z 4

3x 2y z 5
2x y 3z 2
Solucin:
Por matriz aumentada:

75

Excelencia Acadmica

1 . 1 2
1
5
1

Aa 3
2 1

1
3
5

2 1 3

2
1 1
F2 F 1

0 4
F

3F
3
1
4 F F

4
1
F5 2F 1
0 1
5

6
0 2
0 3
2

1 1 2
0 1 10

0 0
1

0 0 13
0 3 7
1
F3
15
F4 2F2

2 3
1 1 2

3 7 ( 1)F 0 1 10
1
F2 F5
0 1 5
5 4

7 9
0 2 7
0 3 7
7 4

3
1

0
1
11 F4

13
F5 3F2

0
1

13
0
0
4

1 2 3
1 10 11
0 1 1

0 1 1
0 37 37

del sistema tenemos:

z 1 ; y 10z 11 y 10 11 y 1 y

x y 2z 3 x 1 2 3 x 2

Resolver el sistema de ecuaciones


-x1 + x2 + 2x3 + x4 = 4
2x1 + 2x2 + x3 + 3x4 = 2
3x1 - 3x2 + x3 + 3x4 = 3
x1 - x2 + x3 - x4 = 5
Solucin:

1 1
2 2
3 3
1 1

2 1
1 3
1 3
1 1

4 F 2F
2

1
2
F3 3F1
3
F4 F1
5

1 1 2 1
0 0 5 5
(
1) F1
0 0 7 6
0 0 3 0
1 1 2 1
F
3 ( 1/ 3)

0 0 5 5
0 0 1 6
0 0 1 0
76
1

1
0
0
0

1
0
0
0

2
5
7
3

1
5
6
0

4
10
15
9

4 F 2F 1 1 2 1
2

1
0 0 5 5
10
F3 3F1
0 0 1 6
15
F4 F1
9
0 0 3 0
4
10 F
2 5F

4
3 F4 F3
3

1 1 2 1
0 0 0 5
0 0 0 6
0 0 1 0

4
10
3
9

4
5
6
3

3
11
4

9
4

Excelencia Acadmica

1 1
F
1 (F4 )2

0 0
F3 F2 0 0
0 0
x3 = 3
x1 = 1 + x2

x4 = -1

0 1
0 5
0 1
1 0

2
5

1
3

x1 - x2 x4 =2
Asignando x2 = r

x1 = 1 + r
x2 = r
x3 = 3
x4 = -1
Resolver el sistema de ecuaciones

x1 - 2x2 + 2x3 - x4 = -14


3x1 - 2x2 - x3 + 2x4 = 17
2x1 + 3x2 - x3 - x4 = 18
2x1 - 5x2 + 3x3 - 3x4 = -26
Solucin:
1 2 2 1 14 F 3F 1 2 2
2

1
3 2 1 2 17
0 8 7
F3 2F1
2 3 1 1 18
0 7 5
F4 2F1
2 5 3 3 26
0 1 1
1 2 2 1
0 1 2 4
F
2 F
3

0 7 5 1
0 1 1 5
1 2 2
1
F
1 2 4
3 F
2 0

0 0 12 36
0 0 3 9
1 1
F
2 2F

4 0 1
F1 F4 0 0
0 0

1 0
0 2
1 3
1 3

1
5
1
5

14
59

46
2

14
13

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

46
0 0 12 36
2
0 1 1 5

14
13

14 F F
1

2
13 1
F3
60 2
1 F
13 2 4

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

60
2

1
13
5
5

6
3

5
5

77

Excelencia Acadmica

1 1
0 1
F
4 F
3

0 0
0 0

1 0
0 2
1 3
0 0

6
3

5
0

x1 - x2 + x3 = -6 x1 = -x4 + 2
x2 - 2x4 = 3 x2 = 2x4 + 3
x3 -3 x4 = -5 x3 = 3x4 - 5

Asignando un valor para x4 = r


x1 = 2 - r
x2 = 3 + 2r
x3 = 3r - 5
x4 = r

En este fascculo se estudio las ecuaciones lineales no homogneas.


Adems se utiliza el procedimiento de la matriz equivalente para hallar su matriz ampliada
y luego su forma escalonada para resolver cualquier matriz (ecuacin) de n variables.
Se busca demostrar si es una ecuacin consistente o inconsistente.

R. Figueroa . G. MATEMTICAS BSICAS


Editorial America 2001
C. Saal R, MATEMTICAS BSICAS II,
Editorial GOMEZ, Per, 1998.
Frank Ayres JR, MATRICES,
Editorial McGraw-HILL, Mxico, 1998.
Espinosa R, MATRICES Y DETERMINANTE,
Ediciones UNI, Per, 1992.
Aponte, Gladis. Fundamentos de Matemticas Bsicas.
Editorial Addi-son Wesley Segunda Edicin,1998.

78
1

Excelencia Acadmica

En el siguiente fascculo se continuar con el estudio de las ecuaciones, pero se analizar


el caso de las matrices homogneas, es decir los trminos bij = 0.

Autoevaluacin formativa N 5
Nombre_________________________________________________________
Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
1. Resolver e indicar el nmero de soluciones
3x + 2y + z = 5
2x + 3y + z = 1
2x + y + 3z = 1
2. Resolver el sistema:

1 1 1 1 x1 0
x 7
3 1 2
3
2

1 2 2 1 x3 1

3
1 x4 9
0 0
3. Calcular el valor de k para que el sistema:

x (1 k)y 0

(1 k)x ky 1 k

(1 k)x (12 k)y (1 k)

Sea compatible
4. Resolver el sistema

x
2x
x
x

y
y
y

3z 1
2z 1
z 3

2y 3z

1
79

Excelencia Acadmica

80
1

Excelencia Acadmica

SISTEMA DE ECUACIONES
HOMOGENEO
En el fascculo anterior se defini los conceptos sobre ecuaciones lineales no homogneas.
Estos principios bsicos rigen tambin para ecuaciones homogneas debido a que slo
cambian los bij, los cuales se hacen cero.
En este fascculo estudiaremos sus aplicaciones ms importantes y sus mtodos de
desarrollo.

Al terminar el estudio del presente fascculo, el estudiante:

Reconoce ecuaciones lineales homogneas.


Resuelve ecuaciones homogneas
Interpreta mtodos de solucin

Sistema de Ecuaciones Lineales Homogneos


En el sistema de m ecuaciones, con n incgnitas:

a 11x 1 a 12 x 2 a 1 3 x 3 .... a 1n x n 0
a 21x 1 a 22 x 2 a 23 x 3 .... a 2 n x n 0

a m 1 x 1 a m 2 x 2 a m 3 x 3 .... a m n x n 0
Es equivalente a la ecuacin matricial:

Ax 0
OBSERVACIONES:
1) El sistema siempre tiene por lo menos una solucin (denominada solucin trivial),
de la forma:

x1 x 2 x n 0
81

Excelencia Acadmica

Por ello es consistente y

r A r Aa

2) Una condicin para que el

sistema tenga ms que una solucin es:

r A r A a k , en este caso el sistema posee soluciones diferentes de la nula


llamadas no triviales. Para hallarlas se aplica el mtodo utilizado en las ecuaciones
lineales no homogneas.
3) Si:

r A r Aa k n ,

el sistema posee una nica solucin, la cual es la

trivial.
4) Si en el sistema: m = n, una condicin para que el sistema tenga soluciones no
triviales es que

A 0 , ya que en este caso: r A n .

Dado que siempre

r A r Aa ,

en un sistema homogneo

entonces para solucionarlo se aplica el mismo mtodo utilizado en un


sistema de ecuaciones lineales no homogneo, con la diferencia de
que en lugar de trabajar con Aa se hace con A.

Ejercicio de aplicacin:
Resolver

6x 4y 2z 0

5x 3y 3z 0
xyz0
Solucin:

A 0
6
A 5
1

1
1
0 2

1
1

4
3
1

1
1

1
8
2 0
2 f

1
1

xyz0
y 4z 0
82
1

2
1

3 f
1 f
2 5
1
1

1
1
1

1
3
3 f
2 5 f1

1 1
1
1 1 1

4 f
1 4
3 f1 0
0 0

1
0
1

EA

Excelencia Acadmica

Como:
Sea:

r A r EA 2 n 3
z=t

zt
y 4t
x 3t

Ejercicio de aplicacin:
Hallar el valor de k, de manera que el siguiente sistema lineal homogneo tenga
soluciones no triviales:

(1- k)x y - z 0
2x - ky - 2z 0
x - y - (1 k)z 0

Solucin:
Para que tenga soluciones no triviales, el determinante de la matriz de los coeficientes
debe valer cero

1 k
2
1

k
2
1 1
k
2 0 k
2 k
k
1 (1 k)
k 2
1 (1 k) k 1 (1 k)

= - k [k + k2 2] k [ 2 k] = 0
- k [k + k2 2 2 k] = - k [k2 4] = 0 k = 0, k = 2; k = -2

Ejercicio de aplicacin:
Indicar un valor irracional de a para el sistema homogneo
ax y z 0
x (a 1)y z 0
x y az 0
Tiene soluciones no triviales

83

Excelencia Acadmica

SOLUCION
Usando slo la matriz de coeficientes:

1
1
1
a f2 f1 1
1
a
a
1
1 a 1 1 f1xf3 1 a 1 1 0
a
1 a

1
a
1
a
1
1 f3 af1 0 1 a 1 a2
a 1

a
1 0

1
a
1
a
f
f

1
1
2

f2
1
a
1
a

1
0 1

a 0

a
a


2 f3 (a 1)f2
2
2
0 1 a 1 a
0 0 1 a (a 1)
a

Si el sistema homogneo de tres variables (n=3) tiene soluciones distintas de la


trivial entonces la caractersticas de la matriz de coeficientes debe ser: r < 3 y para
esto:

1 a2

(a 1)2
0
a

(a 1)(a2 2a 1) 0

Luego a 1 a 2 2a 1 0
Como a Q (irracionales), entonces de: a 2 2a 1 0

a 1 2

6.1

Resolver

xyzw 0
1.

x 3y 2z 4w 0
2x z w 0

Existen dos tipos de soluciones, en forma escalonada:


m=n, Esto es, hay tantas ecuaciones como incgnitas. Entonces el
sistema tiene solucin nica.

84
1

Excelencia Acadmica

m<n, Esto es, hay menos ecuaciones que incognitas. Entonces


podemos asigna arbitrariamente a las (n - m) variables libres y obtener
una solucin del sistema

En este fascculo se estudi los sistemas de ecuaciones homogneos, los cuales por su
forma los elementos bij 0 .
Sus mtodos de resolucin son similares a las ecuaciones lineales no homogneos.

R. Figueroa . G. MATEMTICAS BSICAS


Editorial America 2001
C. Saal R, MATEMTICAS BSICAS II,
Editorial GOMEZ, Per, 1998.
Frank Ayres JR, MATRICES,
Editorial McGraw-HILL, Mxico, 1998.
Espinosa R, MATRICES Y DETERMINANTE,
Ediciones UNI, Per, 1992.
Aponte, Gladis. Fundamentos de Matemticas Bsicas.
Editorial Addi-son Wesley Segunda Edicin,1998.

En el siguiente fascculo se abordarn las aplicaciones de las matrices, buscando definir


los valores propios para hallar vectores propios linealmente independientes. Estos generan
espacios vectoriales unidimensionales

Autoevaluacin formativa N 6

Nombre_________________________________________________________
85

Excelencia Acadmica

Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
1. Resolver

x 2y 3z 2w 0
3x 7y 2z 4w 0
4x 3y 5z 2w 0

2. Resolver

x 2y z 0
2x 5y 2z 0
x 4y 7z 0
x 3y 3z 0
3. Dado el sistema de ecuaciones lineales:
y + az + bt = 0
-x + cz + dt = 0
ax + cy et = 0
bx + dy + ez = 0
que condiciones deben satisfacer las constantes a, b, c, d y e para que el sistema tenga
dos variables arbitrarias o libres.

86
1

Excelencia Acadmica

MATRICES
DIAGONALIZABLES
En este fascculo estudiaremos las matrices susceptibles a ser diagonalizadas y sus
diversas aplicaciones para hallar espacios vectoriales.

Al terminar el estudio del presente fascculo, el estudiante:

Halla valores y vectores propios


Reconoce matriz semejante

Matrices Diagonalizables
VALORES Y VECTORES PROPIOS
La definicin de valores y vectores propios, se obtiene a partir del siguiente problema
general:
Dada una matriz A de orden nxn, encontrar todos los nmeros reales
ecuacin matricial: AX =

tal que la

X tenga soluciones X diferentes a la trivial (no nulas).

Solucin:
AX = X.(1)
AX - X = 0
(A - I)X = 0.(2)

a11 a12
a
21 a 22

a n1 a n 2

a1n x1
x1

x
a nn x 2
2 ......................(1)

a nn
x n
xn

Equivalente a:

87

Excelencia Acadmica

a12
a11
a
a 22
21

an2
a n1
Debe obtenerse
La ecuacin

a1n x1

a nn

x 2 0......(2)



a nn
x n
X de orden nx1.

2 es una ecuacin homognea, que tendr soluciones diferentes a la

I| = 0, es decir:
a11
a12

a1n
a
a 22
a nn
0..........(3)
A I 21

a n1
an2
a nn
trivial, si y solo si: |A

De todo lo anterior se obtiene las siguientes conclusiones:


Se observa que una solucin inmediata (trivial) del sistema

AX =

X es X = 0, en cuyo caso

es cualquier nmero real.

El determinante de la matriz es (A

I)

que siendo la matriz A de orden n,


diagonal de (A

I).

es un polinomio de grado n en

, (ya

aparece en cada fila y columna de la

Desarrollando |A

I|

se obtiene el llamado polinomio

caracterstico y viene representado por :

|A-I| = P() = n - (a11 +a 22 +a 33 + + a nn ) n-1 + +(-1) n |A|


A la ecuacin |A - I| = 0, aparecida anteriormente se le conoce por ecuacin

caracterstica de A y viene representado por:

n - (a11 +a 22 +a 33 + + a nn ) n-1 + +(-1)n |A|=0


Como la ecuacin caracterstica es de grado n, entonces se tendr en total

n races:

1, 2, 3, n.

Para cada una de estas races el sistema

tendr soluciones distintas de la trivial, donde las n races

1, 2, 3, n, son reales.
A los valores de

que satisfacen la ecuacin caracterstica se les llama valores

propios de la matriz A.
A las soluciones asociadas a cada valor propio segn

propios correspondientes a dicho valor propio.

88
1

2 se les llama vectores

Excelencia Acadmica

DEFINICIONES:
1) Asociados con cada vector propio se tiene un conjunto de vectores propios de los
cuales nos interesan aquellos que son linealmente independientes, ya que ellos
generan un espacio vectorial y por lo tanto, constituyen una base para dicho
espacio vectorial.
2) En realidad se puede decir que el nmero de variables libres o independientes que
existen al resolver la ecuacin (A

I) X = 0, para cierto valor de , nos dar el

nmero de vectores propios linealmente independientes, y por lo tanto indicara la


dimensin del espacio vectorial asociado.
Ejercicio de aplicacin:
Hallar los valores y vectores propios de:

0 0 0

A 0 0 0
0 0 0

Solucin:

0 0 0 0 0

| A I | 0 0 0 0 0 0
0 0 0 0 0

0
0

1 0

0 0 2 0

0
3 0

Respuesta:
Se tiene por valor propio nico 0 (de multiplicidad 3)
Entonces hallando los vectores propios:
(A

I) X = 0

AX = 0
(A 0I) X = 0
AX = 0
r(A) = 0 < n = 3 (infitas soluciones)
nmero de variables libres = 3 0 = 3
tomando el sistema: AX = 0 ..(1)
89

Excelencia Acadmica

sea:

x1

X x2
x
3
Entonces de la ecuacin (1) se obtiene:

0 0 0 x1


0 0 0 x2 0
0 0 0 x

3
0x1 0x 2 0x 3 0


0x1 0x 2 0x 3 0
0x 0x 0x 0
2
3
1

0x1 0x 2 0x 3 0
Como hay tres variables independientes se puede hacer que sean:

x1 r

x 2 s r,s, t R
x 3 t
Entonces se tendr:

r r 0 0

x s 0 s 0
t 0 0 t

Se tiene entonces que el vector propio solucin es:

r

x s
t

De ella encontramos los vectores propios linealmente independientes.

Ejemplo: sea
90
1

Excelencia Acadmica

r=1, s=t=0; s=1, r=t=0; t=1, r=s=0


1

x 1 0 ;
0

0

x2 1 ;
0

0

x3 0
t

Los cuales generan un espacio vectorial tridimensional (R3)

Cualquier vector que sea combinacin de la base encontrada

x rx1 sx 2 tx 3 ,

tambin ser un vector propio.


Ejercicio:
Hallar los valores y vectores propios, si:

2 4
A

4 8
Solucin:

2 4 0
A I

0
4 8 0
2
4
0
4
8

(2 )(8 ) 16 0

1 0
valores propios
2 10
Con: 1 = 0
(A - I)X = 0
AX = 0

2 4 x1
4 8 0

x2
2 4 1 1 2
1 2
A
f
f

4f
1
2
1

2
4 8 0 0 E A
4
8

r(A) = r (EA) = 1 < n = 2


variables independientes = 2 1 = 1
EAX = 0
91

Excelencia Acadmica

1 2 x1
0 0 x 0

2
x1 + 2x2 = 0
0x1 + 0x2 = 0
x1 + 2x2 = 0
sea:
x2 = t
=> x1 = -2t
El vector propio ser:

x 2t 2
x 1
t
x2 t 1
Para t = 1, hallamos el vector propio independiente:

2
x
1
Para hallar los vectores linealmente independientes se hace:

2 0
x
0 1
Esto genera un espacio vectorial unidimensional.
Geomtricamente ser una recta que pasa por el origen y que tiene como vector
direccional

a( 2,1)

ya que:

x = 0 + t(-2,1)

Con 2 = 10

4 x1
2

0
8 x2
4
8 4 x1

0
4 2 x 2
92
1

Excelencia Acadmica

1 12
8 4 1 1 12
(A 2 I)
f
f

4f

1
2
1
8
4 2 0 0 E (A 2 I)
4 2

E (A 2 I) X 0

r(A 2I) = r( E( A 2 ) ) = 1 < n = 2


variables independientes =2 1 = 1

1 1 x1
2

0
0 0 x 2

1
x 1 x2 0
2

Si:

x1 = t
x2= 2t
el vector propio ser:

x t 1
X 1 t
x 2 2t 2
Para t = hallamos el vector propio independiente:

1
X 2
1
Ello genera un espacio vectorial unidimensional.
Geomtricamente ser una recta que pasa por el origen de coordenadas y que tiene

1
2

por vector direccional a( ,1)

Espacio vectorial unidimensional.

Si X es un vector propio asociado a un valor propio , entonces tX (t 0)


es tambin un vector propio asociado al mismo valor propio .
93

Excelencia Acadmica

PROPIEDADES DE LOS VALORES Y VECTORES PROPIOS


Sea A una matriz con valores propios i , entonces:

1) Los vectores propios correspondientes a valores propios diferentes, son linealmente


independientes.
2) La traspuesta de A tiene los mismos valores propio que A
3) La matriz kA tiene los valores propios k i.
4) La matriz Ak, donde k Z+ tiene los valores propios

ik .

5) Si A es una matriz no singular (|A| 0), entonces A-1 tienes valores propios

i1 .

6) La matriz (A + kI) tiene los valores propios ( i + k).


7) Si f(x) es un polinomio en X, entonces f(A) denota la matriz obtenida al remplazar X
por la matriz cuadrada A.
Si i es un valor propio de A entonces f( i ) es un valor propio de f(A).
8) Si i es un valor propio de A, entonces

|A|
es un valor propio de la matriz adj(A)
i

Demuestre propiedad (7)


Sea f (x) a n x
entonces

a n 1x n 1 ... a1x a 0 ,

un polinomio de coeficientes reales,

f (x) a n A n a n 1A n 1 ... a1A a 0 I


Como:
AX = iX

[f (A)]X [a n A n a n 1A n 1 ... a1A a 0 I]X


[f (A)]X a n A n X a n 1A n 1X ... a1AX a 0 IX
[f (A)]X a n in X a n 1 i n 1X ... a i X a 0 X
[f (A)]X a n i n a n 1 i n 1 ... a1 i a 0 X
[f (A)]X f ( i )X

La matriz f(A) tiene los valores propios f( i) (con el mismo vector propio de A)
Ejercicio:
Calcule los valores y vectores propios de A y f(A) si
Si :

5 6
A
;f (A) A 3 3A 2

3 2

Solucin:
AX = X
AX X = 0
94
1

Excelencia Acadmica

(A I))X = 0 .(1)
| A I | = 0

5
6
0
3
2
(5 )(2 ) 18 = 0

2 - 7 8 = 0
(8 )( + 1) = 0

1 = 8 ;

2 = -1

Con 1 = 8
(A 8I)X = 0
E(A 8I)X = 0 ..(2)

3 6 1 1 2
1 2

[A-8I]=
f
f
3f
1
2
1

3
3 6 0 0 E (A 8I)
3 6

r E (A 1I) 1 2 n (una variable libre)


En la ecuacin (2):

1 2 x1
0 0 x 0

2
x1 2x2 = 0
sea: x1 = t x 2 = t/2

t
x t

2

Con: t = 1 x 1
Con: 2 = -1

En la ecuacin (1)
(A + I)X = 0
E(A+I)X = 0.(3)

6 6 1 1 1
1 1
AI
f
f
3f

1
2
1
6

3 3 0 0 E A I
3
3

En la ecuacin (3)

95

Excelencia Acadmica

1 1 x1

0
0 0 x 2
x1 + x2 = 0
x1 = -x2
Sea :
x1 = t; x2 = -t

t
X
t
para : t 1

1
X
1
Valores y vectores propios de f(A)
f(A)X = f( i)X
1 = 8 f( 1) = 83+3(8) 2 = 534
2 = -1 f( 2) = (-1)3+3(-1) 2 = -6
Respuesta:
Valores propios

1= 534
2= -6
cuyos vectores propios son los mismos que A:

1
1
x1 1 ; x 2

1
2

MATRICES SEMEJANTES
Definicin.Dos matrices cuadradas A y B de orden n, son semejantes si existe una matriz no
singular P tal que:

B = P-1AP
Ejercicio:
Las matrices

1 0 0
A 1 2 0
1 0 3

1 0 0
B 0 2 0
0 0 3

Son semejantes, ya que cumple con la condicin anterior

96
1

Excelencia Acadmica

2 0 0

1 0
Con P 2

1 0 1

1/ 2 0 0
1
1
1 0
yP

1/ 2 0 1

7.1

1. Demuestre el ejercicio anterior

Si A y B son de orden n.
Traza (AB) = Traza(BA)

PROPIEDADES:
1) Si A es semejante a B, entonces Traza (A) = Traza(B)
2) Si A es semejante a B, entonces |A| = |B|

a)

Si no se sabe nada acerca de las matrices A y B, y ocurre que la


Traza (A) = Traza(B); entonces no puede asegurarse que A es
semejante a B.

b)

De igual modo, si |A| = |B|, no puede asegurarse que A es semejante


a B.

c)

El uso de las propiedades (1) y (2) es por negacin. Si Traza (A)

(B) |A| |B|; A no es semejante a B.

PROPIEDADES COMPLEMENTARIAS
Sean A, B y C de orden n, entonces:
1) Toda matriz A es semejante consigo misma.
97

Excelencia Acadmica

2) Si A es semejante a B, entonces B es semejante a A.

3) Si A es semejante a B y B a C, entonces A es semejante a C.

MATRICES DIAGONALIZABLES
Definicin.Se dice que una matriz cuadrada A es diagonalizable si existe una matriz P no
singular, tal que:
P-1AP = D; donde D es una matriz diagonal. En este caso se dice que P
diagonaliza a A y A es semejante a D.
Contina fascculo siguiente.

En este fascculo estudiamos la forma de obtener valores y vectores propios. As como


matrices semejantes. Los cuales Generan espacios vectoriales.

LARSON, Roland E., HOSTETLER, Robert P. y EDWARDS, Bruce H.


Clculo y Geometra Analtica,
Volumen 1 y 2, 6 edicin, Editorial McGraw-Hill.
R. Figueroa . G. MATEMTICAS BSICAS
Editorial America 2001
C. Saal R, MATEMTICAS BSICAS II,
Editorial GOMEZ, Per, 1998.
Frank Ayres JR, MATRICES,
Editorial McGraw-HILL, Mxico, 1998.
Espinosa R, MATRICES Y DETERMINANTE,
Ediciones UNI, Per, 1992.
Aponte, Gladis. Fundamentos de Matemticas Bsicas.
Editorial Addi-son Wesley Segunda Edicin,1998..

98
1

Excelencia Acadmica

STEIN, Sherman K., BARCELLOS, Anthony, Clculo y Geometra Analtica, Volumen 1 y 2,


Editorial McGraw-Hill.
PURCELL, Edwin J., VARBERG, Dale, Clculo con Geometra Analtica, Sexta Edicin,
Edicin actualizada, Prentice-Hall Hispanoamericana, SA.

En el siguiente fascculo definiremos la forma de diagonalizar matrices y casos


aplicativos a las formas cuadrticas.

Autoevaluacin formativa N 7

Nombre_________________________________________________________
Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre_____________________
1. Dados las matrices

1 2
A

3 4

1 0 2

yB 3 2 5

6 7 2

Demostrar si son semejantes


2. Halle los valores y vectores propios de

5 4
A

1 1
3. Halle los valores y vectores propios de

5 6
B

3 2
4. Halle los valores y vectores propios de

3 10
C
3
1
99

Excelencia Acadmica

100
1

Excelencia Acadmica

Matrices Diagonalizables
(Segunda Parte)

Al terminar el estudio del presente fascculo, el estudiante:

Diagonaliza matrices
Aplica matrices a la Geometra Vectorial

APLICACIN DE MATRICES A LA GEOMETRIA VECTORIAL

Sea: v1 , v 2 , v3 ,..., v n

un conjunto de n vectores, donde cada vector v esta


i

sea, cada vector vi , tiene m componentes

en Rm, o

y por lo tanto ser de la forma:


vi v1 , v 2 , v3 ,..., v n , donde 1 i n . Se presentan los siguientes casos, en la

construccin de matrices a partir de vectores:

a) Si los vectores vi , se consideran como vectores columnas de una matriz A,


entonces se tiene:
b)

v11 v12
v
21 v 22

v m1 v m2

v1n
v 2n
v1 v 2

v mn mxn

v n mxn

(Notese que cada vector representa una columna de la matriz A)

b) Si los vectores vi se consideran como vectores fila de una matriz de una matriz B,
entonces se tiene:

v11
v
21

v
1n

v1
v12 v m1

v 22 v m2
v
2


v 2n vmn nxm v
n nxm
101

Excelencia Acadmica

TEOREMA FUANDAMENTAL
Una matriz A se orden nxn es diagonalizable (y por lo tanto semejante a una matriz
diagonal), si y solo si tiene n vectores propios linealmente independientes.
DEMOSTRACION:

Si A es una matriz diagonalizable, entonces existe una matriz P no singular tal que P1

AP = D, donde D es una matriz diagonal.

Sean:

P11

P
P 21

Pn1

P12
P22

Pn 2

P1n
d1 0

0 d2
Pnn
y D

Pnn
0 0

d n

De: P-1AP = D
se llega a:
AP = PD..(1)

P11 P12

P
P22
PD 21

Pn1 Pn 2
d1P11 d 2 P12

dP
d 2 P22
PD 1 21

d1Pn1 d 2 Pn 2

P1n d1 0

P2n 0 d 2

Pnn
0 0
d n P1n

d n P2n

d n Pnn

d n

Sean: P1 , P2 ,, Pn , los vectores columna de P (matrices columna), entonces ( )


puede expresarse como
:

PD d1 P1 d 2 P2 d n Pn

Asimismo sean: a1 ,a 2 ,, a n , los vectores fila de A (matrices fila), entonces:

102
1

Excelencia Acadmica

a11 a12 a1n P11 P12


a
P
a
a

21
22
2n
21 P22
AP

a n1 a n 2 a nn Pn1 Pn 2

a1

a
AP 2 p1 p 2 p n

a
n

a1 P1 a1 P2 a1 Pn


a 2 P1 a 2 P2 a 2 Pn
AP



a P a P a P
n 1 n 2
n n

P1n
P2n

Pnn

Como a1 ,a 2 ,, a n , son los vectores fila de la matriz A, vemos que

los vectores

columna de ( ), se pueden expresarse como:


1ervector columna

: AP1

2do vector columna

: AP2

sucesivamente.
Luego ( ) puede expresarse como:

AD = [AP1 AP2 APn ]

Llevando los equivalentes de y en (1)


AP = PD

AP1 AP2 APn d1 P1 d 2 P2 d n Pn

De donde:

A P1

d1 P1 ;

A P2

d2 P2 ;

A Pn

dn Pn ;

..

Como P es no singular |P| 0, implica que los vectores columnas de P son diferentes
de cero. Deduciendo que los di de , son valores propios de A, y

P1 , P2 ,, Pn son

los vectores propios correspondientes.

NOTA:
103

Excelencia Acadmica

1. Semejanza de matrices, si:


B = P-1AP => A es semejante con B
2. Si :

A~By

B ~ C, donde C = D (matriz diagonal)

A ~ C
3. A es diagonal si:
P-1AP = D
A y D son semejantes
B es diagonal si:
P-1AP = D;

B y D son semejantes.
Igualmente |A| 0 implica que ninguno es mltiplo o combinacin lineal de las otras,

en consecuencia P1 , P2 , , Pn , son vectores propios linealmente independientes.

DEMOSTRACION DE REGRESO
Si A tiene n vectores propios linealmente independientes;

P1 , P2 ,, Pn , las columnas

del producto AP son: AP1 , AP2 , AP3 ,..., APn , pero: APi i Pi , i 1, 2,3,..., n , cuya:

AP AP1 , AP2 , AP3 ,..., APn


AP 1 P1 , 2 P2 , 3 P3 ,..., n Pn
1P11 2 P12

P
2 P22
AP 1 21

1 Pn1 2 Pn 2
P11 P12

P
P22
AP 21


P
n1 Pn 2

n P1n

n P2n

n Pnn
P1n 1 0

P2n 0 2

Pnn 0 0

AP PD
D es una matriz diagonal cuyos elementos son los valores propios de A, y como los
vectores propios de la columna de P, son linealmente independientes.
=> |P| 0
104
1

Excelencia Acadmica

AP = PD
P-1AP = D
A (matriz diagonalizable y semejante a D)

COSNTRUCCION DE LA MATRIZ P QUE DIAGONALIZA A LA


MATRIZ A
1. Calcular los valores propios de A (A de orden n).
2. Obtener los respectivas n vectores propios linealmente independientes (para
asegurar que exista
P-1)
3. Construir P (de orden nxn) de modo que cada vector propio encontrado en (2) es
una matriz columna de P.
4. Tendr sus elementos (que en realidad son los valores propios) en el mismo orden
que aparecen los vectores propios.
Ejercicio de aplicacin:
Averiguar si son semejantes A y B.

3 4
4 2
A
B

5 6
11 5
Solucin:
Con la matriz A
Paso I
(A I)X = 0 por lo tanto |A -

I| = 0

4
3
0
5
6

(3 )(6 ) 20 0

9 89
2
9 89
2
2
1

Paso II
105

Excelencia Acadmica

Con:

1 =

(A I)X = 0

9 89
2

3
| A 1I |

9 89
2
5

4
6 9 89
2

E|A 1I|
3 89

0
0

R (A 1I) 1 2 n
Nmero de variables libres = 2 - 1 = 1

x1 0
3 89
x 2 0
0

8x 2
x1
0
3 89

Si : x1 t x 2

3 89
t
8
sea : t 8

1
8
x t 3 89 x1

3 89
8

9 89
2
(A 2 I)X 0 | A 2 I | 0
con : 2

Resolviendo queda:

E (A 2I)

106
1

3 89

Excelencia Acadmica

Nmero de variables libres = 2 1 = 1

x1
3 89 0
x 2
0

8x 2
x1
0
3 89
Si : x1 t
x2

89 3
t
8

Sea t = 8

1
8
x1 t 85 3 x 2

89 3
8
Paso III

8
P
3 89

89 3
8

Hallando P-1

89 3 1

48
6
1

P
89 3
1

6
48
P-1AP = D

3 89

48
3 89

48

49 3 89

48

49 3 89

48

6 34 8

1 56 3 89

6

D
89 3

15 89

12 8

15 89 3 89

12

D
89 3

A y D son semejantes con la matriz B


B y D son semejantes: si D = D1
=>A y B son semejantes

107

Excelencia Acadmica

PROPIEDADES
SEMEJANTES

COMPLEMENTARIAS

DE

LAS

MATRICES

Sean A, B, P matrices de nxn.


1. Sean A ~ B, entonces A y B tienen los mismos valores propios.
2. Si una matriz A tiene n vectores propios diferentes, entonces es diagonalizable.
3. Dos matrices A y B que tiene los mismos valores propios no son semejantes si una
de ellas es diagonalizable y la otra no.
4. Si A es semejante a B y si X es un vector propio de B; entonces PX es un vector
propio de A.

Los valores propios repetidos (de una multiplicidad dada) no generan


vectores propios linealmente independientes
Ejercicio de aplicacin:
Siendo A semejante a B. Halle los vectores propios de A aplicando la propiedad
complementaria (4). Si:
1
1
2 1
2 4
1 1
2
1
2
B
A

1
1
0 7
5 3
1 1
2
2

Solucin:
Hallando los vectores propios de B.
|B

I| = 0

2 1
0
0
7
(2 )(7 ) 0
2 0 1 2
7 0 2 7
Con: 1 = -2
E (B -1I) = 0

108
1

Excelencia Acadmica

2 2 1 0 1
0 1
0 1
f

9f

1x( 1)
2
1

0 9 0 0
7 2 0 9
0

B 1I

E ( B 1I )

r( E (B I) ) = 1 < 2 = n
1

Una variable libre (n k)

0 1 x1 0
0 0 x 0

2
0x1 0x 2 0
x t
x 1
x2 0
Sea:

x1 t

x2 0
Para: t 1
1
x1
0

2 = 7
E (B2I) X 0

Con:

2 7 1 9 1 1 1 1 9
f1

7 7 0 0
9 0 0
0

B 2I

E B 2 I

r( E (B

2 I)

)=1<2=n

Una variable libre

1 x 0
9 1
0 x 2 0

x1

x2
0
9
sea: x1 = t; x2= -9t

x t
X 1

x 2 9t
Para: t = 1

1
x2
9
Hallando los vectores propios de A
para 1 = -2
109

Excelencia Acadmica

1 1 1 1
Px1

1 1 0 1
2 = 7
1 1 1 8
Px 2
9 10
1
1

para

TEOREMA DE CAYLEY HAMILTON


Se basa en la ecuacin caracterstica de una matriz A y establece: Si A es una matriz
cuadrada P( ) = 0 es una ecuacin caracterstica, entonces P(A) = 0 (matriz nula)
0
donde: A I

Ejercicio: Comprobar el teorema dado para A:

3 2
A

1 5
Solucin:
|A -

3
1
(3

I| = 0

0
5
)(5- ) - 2 = 0 ,

P( ) = 0

P( ) = 2 8 + 13 = 0
P(A) = 0
P(A) = A2 8A + 13 A 0 = 0

3
1

11
8

2 3 2 3 2
1 0
8
13

0
5 1 5 1 5
0
1

16 24 16 13 0 0 0

27 8 40 0 13 0 0

0 0 0 0
0 0 0 0

Ejercicio de aplicacin:
110
1

Excelencia Acadmica

Halle A-1 para el A anterior, usando el A anterior usando el teorema en mencin.


Solucin:
P(A) = A2 8A + 13I
A2 8A = -13I
A-1A(A 8I) = -13IA-1
(A 8I) = -13A-1
A-1 =

1
(A - 8I)
13

1 3 2 8 0

13 1 5 0 8
1 5 2 135 132
A 1

3
13 1 3 131
13
A 1

DIAGONALIZACION DE UNA MATRIZ SIMETRICA


Definiciones.MATRIZ ORTOGONAL.

Se llama matriz ortogonal a toda

matriz que cumple:

A.A t = I
BASE ORTONORMAL. Los vectores columna (o fila) de una matriz ortogonal forman

una base ortonormal. Se llamar base ortonormal en definitiva a aquellos cuyos


vectores son ortogonales y normales (o sea unitarios).
DIAGONALIZACION ORTOGONAL. Una matriz cuadrada A es diagonalizable

ortogonalmente si existe una matriz P, ortogonal, tal que :

P t AP D
Donde: D es una matriz diagonal. En este caso se dir que P diagonaliza a la matriz A
ya que A es semejante a D.
Debe observarse que una matriz

diagonalizable ortogonalmente, nicamente si es

t
simtrica, A A

Demuestre:

P t AP D P(P t AP)P t PDP t


Solo si A es simtrica:
111

Excelencia Acadmica

A PDP t
A t PDP t

A t P t PD
t

A t PD t P t
PROPIEDADES

1) Si A es una matriz simtrica los vectores propios asociados a valores propios


diferentes, son ortogonales entre si. Por ejemplo si en la resolucin de un problema
dado se halla tres valores propios diferentes los cuales generan sendos vectores
propios x1 x2 y x3 respectivamente; ellos sern ortogonales entre si, puesto que:

x1t x 2 0, x 2t x 3 0, x 2t x 3 0
2) Si una matriz simtrica tiene valores propios de multiplicidad k, entonces
asociados con dicho valor propio se encuentran k2 vectores propios linealmente
independientes

Una matriz simtrica A de orden nxn siempre tiene n vectores propios


linealmente independientes. Si uno de sus valores propios es de
multiplicidad k < n y los otros valores propios son diferentes, entonces
asociados con el valor propio de multiplicidad k, existen k vectores
propios linealmente independientes, mientras que asociados con los otros
valores propios diferentes existen vectores que son ortogonales entre si y
ortogonales a los vectores propios que provienen del valor propio de
multiplicidad k. Para soslayar cualquier problema inherente a lo explicado,
estudiaremos lo siguiente:

PROCESO DE GRAM SCHMIDT


Este proceso llevar a la construccin de un conjunto de vectores mutuamente
ortonormales (ortogonales y unitario), dado un conjunto de vectores linealmente
independientes. Como consecuencia ayudar

a obtener siempre los n vectores

propios en una matriz simtrica que sean mutuamente ortogonales.


112
1

Excelencia Acadmica

TEOREMA (Ortogonalizacin de GRAM SCHMIDT)


Sea: {x1, x2, x3,, xn} un conjunto de vectores linealmente independientes en Rn, con
el producto escalar definido en la forma usual. Entonces se puede construir
conjunto ortonormal de vectores {U1, U2, U3,, Un}, tal que para cada i con

un

1 i n ,

generan todo espacio de una dimensin Rn , al igual que el conjunto {x1, x2, x3,, xn}.
Primero se forma un conjunto ortogonal de vectores {v1, v2, v3,, vn} y luego se las
normaliza; porque:

U1

v1
| v1 |

PASOS:
1) Vi debe se un mltiplo de xi para que genere el mismo espacio, as: v1 = x1
Luego:

U1

v1
| v1 |

2) Se elige el segundo vector x2 y se le extrae un mltiplo de v1 , as por ejemplo:


v2 = x2 r1u1, donde r1,es elegido de forma U1 y v2 sean ortogonales. Luego:
0 = U1 v2 = U1(x2 r1U1)

= U1 x1 - r1U1 U1
r1 = U1 x2
v2 = x2 (U1x2)U1

U2

v2
| v2 |

Como x1 y x2 son combinaciones lineales de de U1 y U2; y viceversa


entonces generan el mismo espacio

3) Anlogamente se construye v3 , sustrayendo un mltiplo de v1 y v2 del tercer vector


dado x3 , as :
v3 = x3 r2U2 r1U1 donde r2 y r1 se determinan de forma que v3 sea ortogonal a

v2 y v1.
113

Excelencia Acadmica

Luego:
0 = U2v3
0 = U2(x3 r2U2 r1U1)
0 = U2x3 r2 (U2 U2) r1(U2U1)
0 = U2x3 r2
U2 U1 = 0 ;

U2 U2 = 1

r2 = U2x3
Luego:
0 = U1v3
0 = U1(x3 r2U2 r1U1)
0 = U1x3 r2(U1 U2) r1(U1U1)
0 = U1x3 r1
r1 = U1x3

v3 = x3 (U2x1)U2 (U1x3)U1

U3

v3
| v3 |

4) Generalizando:
Vk = xk(Uk -1xk)Uk 1 (Uk-2xk)Uk 2 - -(U1xk)U1

Uk

vk
| vk |

Ejercicio de aplicacin:
Obtener un conjunto ortonormal de vectores a partir del conjunto de vectores:

1
2
1
1
1
2

x1
x2
x3
1
1
2



1
1
1
Solucin:

1) Se toma: v1 =

1

1
x1
1

1

2) Se hace v2 = x2 r1v1
114
1

Excelencia Acadmica

de modo que:
v1 v2 = 0 = v1 (x2 r1v1)
v1 v2 = 0 = v1x2 r1(v1 v1)

r1

v 1 x 2
1

v1 v1
4

Donde:

v1 x 2 se interpreta como v1t x 2 (producto matricial)


v1 v1 v1t v1

9
4
3
1
4
v2 x 2 v1
3
4
4
3
4
3
1
v2
1

1
(v2 sigue la direccin de v2 ,

ya que para la construccin del conjunto ortonormal, lo

que interesa son los vectores unitarios; y, v2 y v2 y


3) Sea
v2

tienen el mismo vector unitario)

v3 = x3 r2v2 r1v1, de modo que:

v3 = 0 = v 2x3 r2(v2v2) r1( v 2 v1 )

r2

v2x 3
1

v2 v2
2

v1 v3 = 0 = v 1x3 r2(

r1

v1v2

) r1(v1 v1)

v1x 3 1

v1v1 2

115

Excelencia Acadmica

1
1
v3 x 3 v 2 v1
2
2
0
1
v3 v3
1

2
v1, v2 y v3 son ortogonales. Para formar lo pedido de normaliza

1
3


v1 1 1
v2
1 1

U1
; U2
;
| v1 | 2 1
| v 2 | 2 3 1


1
1
0

v3
1 1

U3
;
| v3 |
6 1

2
Conjunto ortonormal {U1, U2 , U3}

CONSTRUCCION DE LA MATRIZ ORTOGONAL P QUE


DIAGONALIZA ORTOGONALMENTE A LA MATRIZ SIMTRICA A
(de orden n)
Pt AP = D
D es matriz diagonal
Como P es una matriz ortogonal, sus vectores columna forman una base ortonormal.
Para construir la matriz P, se sigue el proceso dado para construir la matriz que
diagonaliza a la matriz A, cuidando que de que los vectores columna P, sean
ortogonales entre si y unitarios. (normales).
a) Si la matriz simtrica A de orden n tiene n valores propios diferentes, entonces
los vectores propios que se obtienen son ortogonales entre si. Para construir la
matriz ortogonal P, lo nico que falta es normalizar a dichos vectores propios. Los
elementos de la diagonal de la matriz D son los valores propios de A, en el mismo
orden en que aparecen los vectores columna que fueron originados por los vectores
propios.
116
1

Excelencia Acadmica

b) Si la matriz simtrica A (de orden n) tiene un valor propio (o mas) de multiplicidad k


(k < n), y los otros valores propios son diferentes se tiene que:
1.- Para cada valor propio de multiplicidad k se obtiene k vectores propios
linealmente independientes, los cuales se ortogonalizan (o si se desea se
ortonormalizan) de acuerdo al proceso de Gram Schmitt.
2. Para valores propios diferentes se obtienen vectores propios ortogonales entre
si (y ortogonales a los vectores propios de uno). Se procede a normalizar los
vectores propios obtenidos y se construye la matriz ortogonal P.
Ejercicio: Diagonalizar ortogonalmente la siguiente matriz.

3
3

A 0

0
0

I.

1
1
0

0
0
2

0
0
1

0
0

1
1

2
1

0
0
1

1
2

Calculo de valores propios

3
1
3
1
| A I |

|A

0
0

2
1
1
2

0
0

0
0
0

|A

0
0

0
0

| A I | (3 )

| A I | (3 )

0
0

2
1
1
2
1

1
1

1
1

0 2
1
0
1
2
0

0
1
1
2

2
3
3
I| = 3 2 2 3(2 ) 2 2 3(2 )

2
3
I| = 3 1 (2 ) 2 3(2 )

117

Excelencia Acadmica

|A

I| = (4 )(2 )(4 9 6 2 3 )
2
3
2
|A I| = ( 4) (2 )( 6 9 4)

Factorizando(Rufinni)

A I ( 4) 2 (2 )( 1) 2
Valores propios:

1 4
2 1

3 2
II.

Calculo de vectores propios


Con: 1 = 4 (de multiplicidad de 2)

1)f1 1
1 1 0 0 0 (

f f * 0

1
1
0
0
0
2
1

(A 1I) 0 0 2 1 1
1

f3
2 0
0 0 1 2 1
0 0 1 1 2 f f *


14
13 0

0
0
1 1 0
1 1

0
0
0
0
0

3
0 0
f4
3

2 0 0 1 1 2 1 2 f 5 f 4 0 0

f5 f3 0 0 0 1
1
0 0

0 0 0 3
3
0 0

2
2
0
0
1 1 0
1 1 0

0 0 1 1 2 1 2
0 0 1

f
2 xf
3 0
3 xf
4 0
0 0
0
0 f
0 0

0 0 0 1

1
0 0 0

0
0
0 0 0

0 0 0

R(A

1 0

118
1

0
1
0
0

0
0
1
1
2
2
1
1

0
0
0

1
1
2
2

1
1 E (A I)
0
0

0
0

I)= 3 < 5 = n

I)X= 0

Nmero de variables libres = 5 3 = 2


E(A

0
0
1
1
2
2
3
3
2
2
1
2
0

Excelencia Acadmica

0
0 x
1 1 0

1
1
x
0 0 1
2
2 2

x 0
1 3
0 0 0 1

0 0 0
0
0 x4


0
0 x 5
0 0 0
x1 x 2 0.................(1)
1
1
x 3 x 4 x 5 0..........(2)
2
2
x 4 x 5 0.....................(3)
Sea x1 = r => x2 = r de (1)
Sea x4 = s
x4 = x5 = s de (3)
De (2)

1
1
x3 s s
2
2
x3 s
r r 0

r r 0
X s 0 s

s 0 s
s 0 s

1 0

1 0
X r 0 s1

0 1
0 1

Con r = 1, s = 0

Con r = 0, s = 1

1

1
x1 0 ;

0
0

0

0
x 2 1

1
1

Con:

2 = 1(de multiplicidad 2)

119

Excelencia Acadmica

1
(A 2 I) 0

0
0

1
2
f2
3 0

f
4 f3
* 0

f
5 f3
* 0
0

1 1 2 0 0 0
1 0 0 0

1
0 3
0 0 0
2 0 0 0
2
f1

2
0 1 1 1
0 0 1 1 1

f *
0 1 1 1 f
2
1
0 0 1 1 1

0 1 1 1
0 0 1 1 1

0 0 0
2

1 0 0 0

0 1 1 1 E (A 2 I)
0 0 0 0

0 0 0 0

r(A 2I) = 3 < 5 = n


nmero de variables libres = 5 3 = 2

E(A I)X = 0
1

0
0

0 0 0 0 x1
2

1 0 0 0 0 x2

0 1 1 1 1 x3 0

0 0 0 0 0 x4

0 0 0 0 0 x 5

1
x1 x 2 0...........(1)
2
x 2 0...................(2)
x 3 x 4 x 5 0..........(3)
(2) en (1)

x1 = 0
sea x4 = r;

x5 = s

de (3)
x3 = - (r+s)

0 0

0 0
x (r s) r s

r r
s s

120
1

0 0

0 0
x r 1 s 1

1 0
0 1

Excelencia Acadmica

Con r = 1, S = 0
Con r = 0, s = 1
0
0


0
0
x 3 1
x 4 1


1
0
0
1


Ortogonalizando por Gram Schnitt
v4 x 4 rv3
0

v3 v4 v3 (x 4 rv3 ) 0
0
v3 x 4 rv3 v3 0
v3 x 3 1

v 3 x 4 v3 t x 4
1

r
0
v3 v3 v3 t v3

0

0
t
v3 x 4 0 0 1 1 0 1 1

0
1

0

0
t
v3 v3 0 0 1 1 0 1 2

1
0

1
r
2

v 4 x 4 rv3
0
0
0


0
0
0
1
1
v4 1 1 2
2

0
1 1 2
1
0

1

Por (2)
0

0
v 4 1

1
2

121

Excelencia Acadmica

Con

0
0

0
0

0
0

0
0

0
0

0
0

1 0
0 1
0 0
0 0
0 1

3 = 2

1
(A 3I) 0

0
0

0 0
1

0 1
0

1 1 f
5 xf
3 0

0 0
0

0
1 0

0
1

0
0

1 f
2 f
1 0

1
0
0
0 1 1 0

1
1
0
0

1 0 0 0
1

0 0 0 0
0

0 0 1 1 f
4 xf
5 0

0 0 0 0
0

0
0 0 1 1

1 0 0 0
1

0 1 0 1
0
1
0 0 1 1 f 4 0
2

0 0 0 2
0

0
0 0 0 0

0
0
0
1

0
0
1
0

1 0 0 0

0 1 0 1
0 0 1 1 f
3 f
2

0 0 0 0
0 1 1 0
1 0 0 0

0 1 0 1
0 0 1 1 f
4 f
3

0 0 1 1
0 0 0 0
1 0 0 0

0 1 0 1
0 0 1 1

0 0 0 1
0 0 0 0

r(A 3I) = 4 < 5 = n


nmero de variables libres 5 4 = 1

E A 3I X 0
1

0
0

0
0

0 1
0 0
0 0
0 0

x1 x 2 0

122
1

0 x1

0 1 x2
1 1 x 3 0

0 1 x4

0 0
x 5
x 4 x5 0

1 0 0

x3 x5 0

x3 0

x 4 x5 0

sea : x1 s

x5 0

x 2 s

0
1 f
2 xf
4

1
0 1 1 0

1
0
0
0

0
0
0
1

0
0
1
0

Excelencia Acadmica

con : s 1

s

s
x 0

0
0

1

1
x 0

0
0

Como: x1 = v1; x2 = v2; no fue necesario ortogonal izar pues son


independientes uno del otro

P = [U1 U2 U3 U4 U5 ]

vi 12 12 02 02 02
| v1 | 2
Ui

| v 2 | 3

vi
| vi |

| v3 | 2
| v 4 | 6
| v5 | 2

1
1

2
2

3
3
3

1
1
0

2
2

1
1
2

1
2

6
6
6

PtAP = D

En el presente fascculo se abordaron los conceptos fundamentales sobre la


diagonalizacin de matrices.
Para ello se defini valores y vectores propios, adems de presentar espacios vectoriales.
123

Excelencia Acadmica

En este fascculo se da por finalizado el estudio de las matemticas bsicas que involucran
el clculo matricial y sus diversas aplicaciones en el campo de la ingeniera.

Autoevaluacin formativa
N 8

Nombre_________________________________________________________
Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
1.

Diagonal izar ortogonalmente la siguiente matriz

3
1

A 0

0
0
2.

1 0 0 0
3 0 0 0
0 2 1 1

0 1 2 1
0 1 1 2

Obtener un conjunto orto normal de vectores, a partir del conjunto de vectores


( 1, 1, 1, -1 )t ; ( 2, -1, -1, 1 )t ; ( -1, 2, 2, 1 )t

124
1