Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Matematica Basica II PDF
Matematica Basica II PDF
Programación General
Estudio de las Matrices (Primera Parte)
Definición 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 simétrica
Matriz hemisimetrica o antisimetrica
Operaciones con matrices
Suma algebraica de matrices
Multiplicación de una matriz por un escalar
Multiplicación de matrices
Producto de un vector fila por un vector columna
Multiplicación de dos matrices
Matrices particulares
Matriz triangular superior
Matriz triangular inferior
Autoaprendizaje 4 horas
Fascículo 1
Autoaprendizaje 4 horas
Fascículo 2
Determinantes
Definición
Notación
Determinante de una matriz cuadrada de orden 2
Determinante de una matriz cuadrada de orden 3
Propiedades
Menores y cofactores
Obtención de determinantes por cofactores
Autoaprendizaje, 4 horas
Fascículo 3
5
Excelencia Académica
Autoaprendizaje, 4 horas
Fascículo 4
Autoaprendizaje, 4 horas
Fascículo 6
Autoaprendizaje, 4 horas
Fascículo 7
Autoaprendizaje, 4 horas
Fascículo 8
6
1
Excelencia Académica
Tabla de Contenido
Presentación
Programa general
Fascículo I
Estudio de las Matrices (Primera Parte) 9
Definición de una matriz 9
Elementos de una matriz 9
Orden de una matriz 10
Igualdad de matrices 10
Tipos especiales de matrices 11
Operaciones con matrices 14
Suma algebraica de matrices
Multiplicación de una matriz por un escalar
Multiplicación de matrices
Producto de un vector fila por un vector columna
Multiplicación de dos matrices
Matrices particulares 18
Matriz triangular superior
Matriz triangular inferior
Autoevaluación formativa 22
Fascículo II
Estudio de las Matrices (Segunda Parte) 25
Propiedades complementarias 25
Casos particulares de matrices cuadradas 26
Matriz inversa 28
Matriz involutiva 29
Matriz conjugada 29
Matriz hermítica. 31
Matriz antihermitica 31
Suma directa o matriz escalonada 32
Potenciación de matrices 37
Autoevaluación formativa 41
Fascículo III
Determinantes 43
Definición 43
Notación 43
Determinante de una matriz cuadrada de orden 2 43
Determinante de una matriz cuadrada de orden 3 44
Propiedades 45
Menores y cofactores 48
Obtención de determinantes por cofactores 49
Autoevaluación formativa 54
7
Excelencia Académica
Fascículo IV
Estudio de las Matrices (Tercera Parte) 55
Matriz de cofactores 55
Matriz adjunta 55
Matriz inversa 56
Obtención de la matriz inversa por el método de la matriz adjunta 57
Rango de una matriz 58
Operaciones elementales 59
Matrices equivalentes 59
Matriz escalonada (por filas) 60
Obtención del rango de una matriz por operaciones elementales 61
Obtención de la inversa de una matriz por operaciones elementales 62
Autoevaluación formativa 66
Fascículo V
Sistema de ecuaciones lineales 67
Rango de un sistema de ecuaciones lineales 71
Regla de cramer 73
Autoevaluación formativa 79
Fascículo VI
Sistema de ecuaciones homogéneo 81
Autoevaluación formativa 85
Fascículo VII
Marices Diagonalizables (Primera Parte) 87
Valores y vectores propios 87
Definiciones 87
Propiedades de los valores y vectores propios 94
Matrices semejantes 96
Matrices diagolizables 98
Autoevaluación formativa 99
Fascículo VIII
Matrices Diagonalizables (Segunda Parte) 101
Aplicación de matrices a la geometría vectorial 101
Teorema fundamental 102
Demostración de regreso 104
Construcción de la matriz “P” que diagonaliza a la matriz “A” 105
Propiedades complementarias de las matrices semejantes 108
Teorema de Cayley Hamilton 110
Diagonalización de una matriz simétrica 111
Proceso de Gram Schmidt 112
Construcción de la matriz ortogonal “P” que diagonaliza
ortogonalmente a la matriz simétrica “A” (de orden n) 116
Autoevaluación formativa 124
8
1
Excelencia Académica
MATRICES
La primera matriz puede ser, matriz de coeficientes del sistema de ecuaciones lineales
x 2 y 5z 0
4 x 7 y 6 z 0
La segunda matriz podría 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 será determinar si estos puntos pertenecen a un plano o
recta.
Opcionalmente las matrices pueden ser encerradas por paréntesis ( ) o por barras
Las matrices de denotan por letras mayúsculas (A, B, C, D, etc.) y en general vienen
representadas por el siguiente arreglo:
j-ésima columna
9
Excelencia Académica
El primero de los subíndices indica la fila y el segundo la columna al que pertenece dicho
elemento.
Ejemplo:
Sea la matriz:
5 3 0
B 1 1 0 entonces b11 = 5; b21 = 1; b53 = no tiene.
2 3 1
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
IGUALDAD DE MATRICES
Dos matrices A y B serán iguales si solo si el orden es el mismo y sus respectivos
elementos sean iguales.
Sea:
10
1
Excelencia Académica
A aij ;y B bij .
mxn rxs
A B m r, n s, aij bij
Para cada “i” y para cada “j".
Ejemplo:
2 0 1 1 2 0 1 1
A 1 5 1 2 B= 1 5 1 2
3 4 1 7 3 4 1 7
a34 =b34
7 7
MATRIZ CUADRADA
Una matriz cuadrada será aquella que posee igual número de filas y columnas.
Esquemáticamente se representa por A n y se lee: matriz cuadrada de orden n
Ejemplo:
1 0 5
A 3 2 1 Representación A3 ,A a ij
3
5 1 4
En una matriz cuadrada “la 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 ; Traza(A) = 1 + 3 = 4
2 3
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 Académica
1 0 0
0
0 0
0 0 3 0
A B =
0 1 00 -1 0
00 0 4
c11 0 0 0
0 c 0 0
22
0
C
0 0 cij 0
0 0 0 c nn
Esquemáticamente C = diagonal (c11 ,c 22 ,c33 , c nn )
MATRIZ ESCALAR
Es una matriz diagonal, donde todos los elementos de la diagonal principal son
iguales.
Ejemplo:
k 0 0 0
0 k 0 0
A
0 0 k 0
0 0 0 k
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 Académica
Ejemplo:
3 1 4
3 5 4 7
t 5 3 2
A 1 3 7 5 A=
4 2 4 1 4 7 4
7 5
1
MATRIZ SIMÉTRICA
Si A A , entonces la matriz se llama simétrica. Para esto debe cumplir lo
t
siguiente:
- la matriz “A“ debe ser cuadrada
- los elementos de la diagonal principal permanecen fijos al efectuar la
transposición de términos.
- aij es igual a aji, para todo “i” y para todo “j”.
Ejemplo:
5 1 7 5 1 7
A 1 3 4 A 1 3 4
7 4 2 7 4 2
A A a 31 a13
A es simetrica
Ejemplo:
1 1 0 1 1 1 0 1
1 3 8 7 1 3 8 7
B B
0 8 4 5 0 8 4 5
1 7 5 5 1 7 5 5
13
Excelencia Académica
siguiente:
- la matriz A debe ser cuadrada.
- Los elementos de la diagonal principal deben ser ceros.
- ai j = -aji, para todo i y j .
Ejemplo:
0 5 1 0 5 1
A 5 0 8 A 5 0 8
1 8 0 1 8 0
A es antisimétrico
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 simétrica y otra antisimétrica de orden cualquiera
A B a ij b ij
Siendo:
14
1
Excelencia Académica
0 1 2 3
A 2 3 B 5 4
1 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 ó matriz opuesta de A)
8) Existe una matriz D tal que A + D = B
1.2
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
A 21
t
a n1
15
Excelencia Académica
MULTIPLICACION DE MATRICES
16
1
Excelencia Académica
Para halla C = AB, se multiplica cada fila de “A” por todas y cada una de las
columnas de “B”. El elemento cij será 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
b b12 b13 b14
A a 21 a 22 B 11
a b 21 b 22 b 23 b 24 2x4
31 a 32 3x2
a11b11 a12 b 21 a11b12 a12 b22 a11b13 a12 b 23 a11b14 a12 b 24
AB a 21b11 a 22 b 21 a 21b12 a 22 b22 a 21b13 a 22 b23 a 21b14 a 22 b24
a b a b a 31b12 a 32 b22 a 31b13 a 32 b23 a 31b14 a 32 b24 3x 4
31 11 32 21
Ejemplo:
2 2
0 0 0 1 0
A 3 1 ; B
1 1 0 0 0 1 0 2x5
3x 2
0 0 0 4 0
AB 0 0 0 4 0
0 0 0 2 0
3x5
PROPIEDADES
17
Excelencia Académica
1.3
Ejercicio de aplicación:
0 1 2 3
A ; B
3 2 0 1
x – 2y = -A ; x–y=B
Solución:
Resolviendo la ecuación: x – 2y = -A
-2x + 2y = - 2B
Obtenemos: - x = - 2B – A
Reemplazando, obtenemos:
2 3 0 1
x 2
0 1 3
2
4 7
x
3 0
MATRICES PARTICULARES
18
1
Excelencia Académica
A
0 0 a ij a in
0 0 0 a nn nxn
Es una matriz cuadrada A = [aij], se llama triangular inferior si aij = 0 para i < j.
a11 0 0 0
a 0
21 a 22 0
A
a j1 a j2 a ij 0
a n1 a n 2 a nj 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 aplicación:
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 Académica
Solución:
(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
1 3 4 1
Dada las matrices: A y B
2 5 2 6
Halle “x” de: (AB)t + x = 2(Bt +A)
Solución:
2 19 2 18
t
AB AB 19 28
18 28
4 2
Bt
1 6
Hallando “x”
2 18 4 2 1 3
19 28 x 2 1 6 2 5
12 20
x
21 6
1 2 3
f(x) = 3x2 – 2x + 5 A 2 4 1
3 5 2
Solución:
1 2 3 1 2 3 6 9 7
A AA 2 4 1 2 4 1 3 7 4
2
20
1
Excelencia Académica
6 9 7 1 2 3
f(A) 3 3 7 4 2 2 4 1 5
1 4 8 3 5 2
21 23 15
f(A) 13 34 10
9 22 25
1 2 1 1 1 1 1 0
0 1 1 2 1 0 1 0
Sean las matrices A y B
1 3 1 0 2 1 1 1
0 1 1 2 1 0 1 0
Si C = (AB)t + A . Halle la suma S = C21 + C32 + C33
Solución:
2 0 3 1 2 3 2 5
3 1 4 1 0 1 0 1
AB (AB)
t
2 0 3 1 3 4 3 2
5 1 2 1 1 1 1 1
Reemplazando: C = (AB)t + A
2 3 2 5 1 2 1 1 1 5 3 6
0 1 0 1 0 1 1 2 0 2 1 3
C
3 4 3 2 1 3 1 0 2 7 4 2
1 1 1 1 0 1 1 2 1 2 0 1
21
Excelencia Académica
Se estudiará en este fascículo los diversos tipos de matrices, sus características, con
aplicación de ejemplos directos.
Autoevaluación formativa Nº 1
Nombre_________________________________________________________
Apellidos ______________________________Fecha ____________________
22
1
Excelencia Académica
Ciudad _______________________________Semestre__________________
1 3 4 1
1. Dado las matrices A y B 2 6
2 5
Halle “x” en (AB) x 2(B A)
t t
3 0 1 6 3 2
5. Si 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 Académica
24
1
Excelencia Académica
PROPIEDADES COMPLEMENTARIAS
A B
t
a) A t Bt
A
t
b)
t
A
cA
t
c) cA t ; c es real.
d) El producto de dos matrices diagonales es otra matriz diagonal.
e) La multiplicación de “n” veces una matriz diagonal se representa por
D.D.D.D
D D n
n veces
a n
0 0 0
0 bn 0 0
Dn
0 0 hn 0
0 0 0 sn nxn
25
Excelencia Académica
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
Demostración:
A A
t t
t
At At At A
Demostración:
A A
t t
t
At At At A A At
i) Toda matriz cuadrada A se puede expresar como la suma de una matriz simétrica y
otra antisimétrica.
1 1
A A A A A
2 2
AB = BA
26
1
Excelencia Académica
DEMOSTRACIÓN
AB A aA bI
AB AaA AbI
AB aAA bAI
AB aAA b IA
AB aA bI A
B
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 Académica
1 0 5 0 5 0 00 5 0
AB
3 2 6 7 15 12 0 14 27 14
5 0 1 0 5 0 0 0 5 0
BA
6 7 3 2 6 21 0 14 27 14
r 1
c) Una matriz A de manera que: A A ,siendo r un numero entero positivo, de
llama PERIÓDICA. 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 número entero y positivo para el cual Ap = 0, entonces la
matriz A es Nilpotente de índice p.
2.1
0 0 1 0
0 0 0 3
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,
leyéndose B es igual a la inversa de A. Recíprocamente 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 Académica
1 2 3 3 2 1
A 2 5 7 ; B 4 1 1
2 4 5 2 0 1
1 0 0
AB 0 1 0 BA I
0 0 1
Posteriormente veremos que no toda matriz tiene inversa, no obstante toda inversa es
única.
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
único.
MATRIZ INVOLUTIVA
Una matriz cuadrada A, tal que A2 I , se llama involutiva.
MATRIZ CONJUGADA
29
Excelencia Académica
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:
i 1 i 1
A A
2 i i 4 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
t
traspuesta A At
Ejemplo: sea
30
1
Excelencia Académica
i 3 i i 3 i
A ; A i 1 4 ;
i 1 4
i i 1
t
A
3 i 4
i i 1 i i 1
At ; At
3 i 4 3 i 4
MATRIZ HERMITICA.
Una matriz cuadrada A = [aij], se llama hermítica o autoadjunta siempre que
1 i 2
A
0
Ejemplo: sea
i 2
1 i 2 1 i 2
At ; At
i 2 0 i 2 0
MATRIZ ANTIHERMITICA
Una matriz cuadrada A se llama hemihermítica siempre que: A A . Se entiende
t
Ejemplo: sea
i i 2 i 1
A i 2 0 i
i 1 i 0
31
Excelencia Académica
i i+2 i-1 i i 2 i 1
A t i-2 0 -i
A t i 2 0 i
i+1 -i 0 i 1 i 0
kA es hemihermítica, si k es real o imaginario puro
PROPIEDADES:
(A A t ) es hermítica
(A A t ). es hemihermítica
Teniendo A1, A2, A3,..., An, matrices cuadradas de ordenes crecientes m1,m2, m3,...,ms,
respectivamente; se puede generalizar del siguiente modo:
A1 0 0 0
0 A 0 0
2
A3 0
diag(A1 , A 2 ,A 3 ,...,A n )
0 0 0
0 0 0 A n
0 1 2
2 5
A1 1 ; A 2 ; A 3 1 1 1
4 3
3 1 1
32
1
Excelencia Académica
1 0 0 0 0 0
0 2 5 0 0 0
0 4 3 0 0 0
A diag(A1 , A 2 , , As )
0 0 0 0 1 2
0 0 0 1 1 1
0 0 0 3 1 1
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 2 2 , BA 1 0
1 0
Halle: (A+B) ; (A B)(A B)
2
(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 Académica
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 demás son unos.
Hallar a y b de modo que
A2 = I.
34
1
Excelencia Académica
Ejercicio
Hallar todas las matrices de orden dos que conmutan con:
1 1
A
0 2
Solución:
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
B d, b R
0 d
Ejercicio
5 8 0
Si A y B son matrices involutivas y (AB) (BA) 3 5 0
1 2 1
Halle la traza de la matriz H = (A+B)2
Solución
35
Excelencia Académica
la traza de H será 4
Ejercicio
Siendo
i 0
A
0 i
Deduce una formula para las potencias enteras positivas de A
Solución:
A1 A
i 0 i 0 1 0
A2 0 i 0 1 I 2
0 i
A A A A
3 2
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 1
A A AA
5 4
1 0 i 0 i 0
A5 0 i 0 i A
0 1
A A A I 2 (I 2 ) I 2
6 4 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 Académica
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
POTENCIACION DE MATRICES
Se define por inducción matemática:
A0=I
A2=AA
A3= AA2
An= AAn-1=An-1A
PROPIEDADES
La potenciación 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
Ejemplo:
Sea
2 1 1 1
A ; B
0 2 0 2
2 0 2 1
AB ; BA
0 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 Académica
b) i = n, j = 3
c) i = 3, j = n – 3
d) i = j
Solución:
1 1 1 1 1
0 1 1 1 1
0 0 1 1 1
A
0 0 0 1 1
0 0 0 0 1 nxn
1 1 1 1 1 1
1 11 1
0 1 1 1 1 0
1 11 1
0 0 1 1 1 0
0 11 1
A 2 AA
0 0 0 1 1 0 0 0 1 1
0 0 0 0 1 nxn 0 0 0 0 1 nxn
1 2 3 i n
0 1 2 i 1 n 1
0 0 1 i2 n2
A2
0 0 0 1 n (i 1)
0 0 0 0 1
nxn
1 2 3 i n 1 1 1 1 1
0 1 2 i 1 n 1 0 1 1 1 1
0 0 1 i2 n 2 0 0 1 1 1
A A A
3 2
0 0 0 1 n (i 1) 0 0 0 1 1
0 0 0 0 1 0 0 0 0 1nxn
nxn
38
1
Excelencia Académica
(n 2)(n 1)
(a)
2
(b) 0
(n 5)(n 4)
(c)
2
(d) 1
2.1
39
Excelencia Académica
40
1
Excelencia Académica
Autoevaluación formativa Nº 2
Nombre_________________________________________________________
Apellidos ______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
0 1 0
01 Si A = 1 1 1 , Hallar A100
0 0 1
2 3 5 1 3 5
02 Si A = 1 4 5 y B= 1 3 5 ,
1 3 4 1 3 4
Halle A5.B7
1 1 3
03 Determine si la matriz A = 5 2 6 es nilpotente
2 1 3
1 0 0
1 2 1 2
A = 4 0 5 y B= 3 1 0
5
3 1 2 0 0 1
Si (AB)t + x = 2(Bt + A)
41
Excelencia Académica
42
1
Excelencia Académica
DETERMINANTES
En este fascículo comenzamos con el estudio de los determinantes y sus diversos métodos
de solución, dependiendo del orden de la matriz. Se utilizarán métodos directos para
matrices de ordenes menores.
DEFINICIÓN.-
Viene a ser una función que aplicada a una matriz cuadrada da solo un valor numérico.
NOTACIÓN
Sea una matriz A y su determinante se expresa como:
|A|, det(A), detA
Ejemplo: Sea:
1 1 1 1
A | A | 1(4) (3)(1) 1
3 4 3 4
43
Excelencia Académica
| A | a11a 22a 33 a 31a12a 23 a13a 21a 32 a 31a 22a13 a11a 32a 23 a 33a 21a12
1 2 3
Ejemplo: Sea las matriz: A 0 0 2
2 3 4
Su determinante es:
A (0 + 8 + 0) – (0 + 6 +0) = ( 8 ) – ( 6 ) =
44
1
Excelencia Académica
PROPIEDADES
1) DetA = DetAt
Ejemplo:
1 2 1 3
A | A | 2; A t | A t | -2
3 4 2 4
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 |B|=2
1 1 2
|B|=-|A|
B 1 A
k
; número de lugares desplazados
1 0 2
A 3 4 1 |A|=8
0 0 2
Si B se halla, trasladando la 1ª 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 Académica
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 tendrá que:
| kA | k n | A |
Ejemplo: Sea
1 2
A ; k 2
4 5
1 2 2 4 2 4
kA 2A 2
| kA | 12
4 5 8 10 8 6
Ademas: n=2
1 2
|A|= 3
4 3
| kA | k n | A |
12 22 (3)
12 12
5) Si en una matriz se tiene que una fila o columna es múltiplo 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
6) Si en una fila (o columna) de una matriz, todos sus elementos valen cero,
entonces su determinante valdrá cero.
Ejemplo:
1 2 1 2
A | A | 0
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 también queda multiplicado por k.
Ejemplo:
46
1
Excelencia Académica
3 4 3 4
A | A | 2
1 2 1 2
8) Si ha una fila (columna) de una matriz dada, se le suma el múltiplo 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:
1 2 3 1 2 3
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 términos, 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
| A | 11 0
5 2 5 2 5 2
47
Excelencia Académica
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
MENORES Y COFACTORES
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
i j
M ij
48
1
Excelencia Académica
Ejemplo: Sea
3 0 5 1
4 2 4 0
A=
2 3 0 1
1 4 1 0
4 4 0 4 4 0
M12 2 0
1 | M12 | 2 0 1 0
1 1 0 1 1 0
3 0 5 3 0 5
M 34 4 2
4 | M 34 | 4 2 4 28
1 4 1 1 4 1
Hallando los cofactores:
A12 (1)1 2 | M12 |
A12 (1)0 0
A34 (1)3 4 | M 34 |
A34 (1)28 28
49
Excelencia Académica
n
| 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
Ejercicio:
Halle el determinante de:
0 1 1 6 2
2 1 3 10 0
B= 3 3 4 -8 4
0 2 0 1 3
5
0 1 5 3 1
Solución:
5
| B | b k1Bk1
k 1
2 0 1 3 31
2 0 1 3
5 5
1 5 3 1 1 5 3 1
C D
50
1
Excelencia Académica
1 1 6 2
3 4 8 4
| C | 1 |C|=c 31C 31 c 32 C 32 c 33 C 33 c 34 C 34
2 0 3
5
1 5 3 1
1 6 2
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 1 5 3 3 0 1
5
| D | 2(81,6) 3(22) (23,6)
| D | 120,8
3.2
51
Excelencia Académica
En este fascículo se estudió los conceptos fundamentales sobre las aplicaciones de los
determinantes así como sus diversos métodos de solución.
Así como hallar el determinante de matrices de orden superior por el método de cofactores.
52
1
Excelencia Académica
Autoevaluación formativa Nº 3
Nombre_________________________________________________________
Apellidos ______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
2 8 0
12 1
1. Halle el determinante de: 4 1 : 4 3 0 (aplique método directo)
5 1 4
2. Halle el determinante de (1) por cofactores
53
Excelencia Académica
54
1
Excelencia Académica
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.
MATRIZ ADJUNTA
La matriz adjunta A, es la traspuesta de la matriz de cofactores de A.
adjA cofactA
t
Ejemplo: Sea:
2 1 2 1 2 2
4 1 1 1 1 4
3 1 3 1 3 3
cofactA
4 1 1 1 1 4
3 1
3 1
3 3
2 1 2 1 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
B = A-1
Características:
1.- La inversa de una matriz es única.
2.- Si B es inversa de A, se puede decir que también 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 Académica
adjA
A 1
|A|
1 1 0 1 0 1
2 0 2 0 2 2
3 1 1 1 1 3
cofactA
2 0 2 0 2 2
3 1 1 1 1 3
1
1 0 1 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 1 2
3
2 2 4 3 3
1 1 1 1
A 1 2 2 1
6 6
2 4 1 3 3
1 2 1
3 3 6
57
Excelencia Académica
4.1
5 2 1
1. Halle la matriz inversa de: 2 5 3
1 3 5
2 3 1
2. Halle la inversa de:
6 9 3
1 3 5
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
58
1
Excelencia Académica
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
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 número finito de operaciones
elementales (por filas). Se simboliza por:
A B
Ejemplo:
Por operaciones elementales llevar si es posible a la matriz I, a la matriz dada:
2 3 1 1 32 12 1 32 2
1
f
0 1 3
4f 1f2
A 4 5 1
2 1
1
f
2 1 4 5 1
2 0 2 2 0 2 f3 2f1 0 3 3
59
Excelencia Académica
1 32 12 1 0 4 1 0 4
3 3f
f2 0 1 3
0 1 3 0 1 3 1
f
6 3
0 3 3 f1 2 f 2 0 0 6
3
0 0 1
1 0 0
1 4f
f 3
0 1 0 I
f 2 3f 3
0 0 1
A I
MATRIZ ESCALONADA (por filas)
Una fila (o una columna) es nula si todos sus elementos son ceros.
60
1
Excelencia Académica
Ejemplo:
Por operaciones elementales llevar A a su forma escalonada:
1 1 0 1 1 0
A 1 2 2 O.E 5
0 1 4
1 2 3 0 0 0
A B
Propiedad:
Las matrices equivalentes tiene el mismo rango, es decir:
A 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 será igual al rango de su matriz escalonada.
El rango de la matriz escalonada será “k”, donde “k” es el número de filas no nulas.
Esta regla será 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:
A E
1 1 0
A 1 2 2
1 2 3
3x3
Y su determinante es diferente de cero, por lo tanto r(A) = 3
También 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 Académica
Propiedades:
1) (AB)-1 = B-1A-1
2) (A-1)t = (At)-1 , Es de una matriz cuadrada no singular.
3 5 1 0 1 1 1 1 1 1 1 1
f f
2 4 0 1
1 f 2 2f
2 2 4 0 1 1 0 2 2 3
0 2 2 3 1 0 1 1 3
1 0 2 5
1 f
2 2
f
1 x f
2 2 f1 f2
1 1 1 1 1 1 1 1 1 1 1 1
1 0 2 5
1 0 2 52
2 f1 1f1
2
f 3 3
0 1 1 2 0 1 1 2
2 5 / 2
A 1
1 3 / 2
Ejercicio de aplicación:
Hallar el determinante de la matriz A de orden “n”
62
1
Excelencia Académica
1 2 2 2 2
2 2 2 2 2
2 2 3 2 2
A
2 2 2 4 2
2 2 2 2 n
Solución:
Hacemos
(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
1 2 2 2 2
0 2 2 2 2
0 0 1 0 0
0 0 0 2 0
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 aplicación:
Hallar el determinante de :
2 1 0 00
1 2 1 0 0
0 1 2 1 0
A
0 0 0 0 1 2 nxn
Solución:
Multiplicando: 1xf1 , 2xf 2 ,3xf3 ,..., nxf n
63
Excelencia Académica
2 1 0 0 0
2 4 2 0 0
1 0 3 6 3 0
| A |
1x 2x3...xn
0 0 0 0 2n nxn
hallando las nuevas filas en la forma siquiente: (*)=nueva fila.
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
0 3 2 0 0
1 0 0 4 3 0
| A |
n!
0 0 0 (n 1)
0 0 0 (n 1) nxn
2x3x 4x...x(n 1) (n 1)!
| A | (n 1)
n! n!
A n 1
4.2
64
1
Excelencia Académica
65
Excelencia Académica
Autoevaluación formativa Nº 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
1 2 3 n
1 0 3 n
A 1 2 0 n
1 2 3 0
3. Calcular la determinante de la siguiente matriz de orden n.
3 2 0 0
1 3 2 0
A 0 1 3 0
0 0 0 3 n
66
1
Excelencia Académica
SISTEMA DE ECUACIONES
LINEALES
En este fascículo estudiaremos a las ecuaciones lineales, dándole la forma de una
ecuación matricial.
Para ello debemos analizar el tipo de ecuación lineal y sus posibles soluciones; en general
estudiares los casos:
67
Excelencia Académica
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 solución de (1) lo será también
de (2) y viceversa
2) Una solución del sistema es una determinada cantidad de números
68
1
Excelencia Académica
PROPIEDADES:
69
Excelencia Académica
Ejercicio:
Aplicando la teoría anterior. Halle las soluciones del sistema de ecuaciones lineales:
3x 2y z 5
2x 3y 2z 4
y 3z 6
Solución:
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 2 3 1 5 1 2 1 5
3 3 3 3 3
1 5 8 2 3 f
f1 2 3 2 4 f
2 2f
1 0
3
3 3 3
5
2
0 1 3 6 0 1 3 6
1 2 1 5 1 2 1 5
3 3 3 3 3 3
0 1 8 2 f f 0 1 8 2 5f
5 5
3
2
5 5
7
3
0 1 3 6 0 1 7 28
5 5
x+ 2y z 5
1 2 1 5
3 3 3 3 3 3 z=4
0 1 8 2 y 8z 2 y=-6
5 5 5 5
00 1 4 x=7
z4
EA Eb
5.1
70
1
Excelencia Académica
2. Resuelve
2x 3y z 1
4x 6y 2z 2
7x 3y 3z 3
1) Una condición 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 )
Ejercicio:
Resolver con la teoría dada en el ejercicio anterior:
71
Excelencia Académica
3x 2 y z 5
2x 3y 2z 4
y 3z 6
Solución:
1 2 1
3 2 1 3 3
A 2 3 2 EA 0 1 8
5
0 1 3
0 0 1
r(E A ) r(A) 3
ademas se tiene:
r(A a ) r(E a ) 3 n 3
r A r Aa n 3
Solución:
Ax b
6 4 2 2 1 1 1 0
3 3 2 f 3 3 2 f
Aa 5 1 f2 5 2 5f1
7 4 5 3 7 4 5 3
1 1 1 0 1 1 1 0
0 2 8 2 1 4 1 f
2 f20 3 7f
1
1
7 4 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 3 a
0 3 12 3 0 0 0 0
r(A) r(A a ) 2 k n 3
72
1
Excelencia Académica
AX b
EAX Eb
1 1 1 x 0
0 1 4 y 1
0 0 0 z 0
xyz0 x 1 3t
y 4z 1 y 4t 1
zt
REGLA DE CRAMER
Ai
xi , 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”.
Así:
73
Excelencia Académica
Ejercicio de aplicación:
2x y 3z 6
x y 4z 10
y z 2
2 1 3
1 1 4
1) det(A)= 0 1 1 (-2-3+0) - (0-8+1) = -5 - (-7) = 2
2 1 3
1 1 4
A 2
6 1 3 2 6 3
10 1 4 1 10 4
detc1= 2 1 1 detc2= 0 2 1
6 1 3 2 6 3
10 1 4 1 10 4
74
1
Excelencia Académica
2 1 6
1 1 10
detC3= 0 1 2 = (-4-6+0) - (0-20+2) = -10 - (-18) = 8
2 1 6
1 1 10
Luego:
8
X1 -4, x 2 2, x3 4
2
4
X 2
1
5.2
Ejercicios de aplicación:
75
Excelencia Académica
1 . 1 2 2 1 1 2 3 1 1 2 3
1 5 1 F2 F 1
4 F F
F 3F 0 4 3 7 ( 1)F 0 1 10
11
3 1
4 1 1
F5 2F 1 F2 F5
Aa 3 2 1 5 0 1 5 4 0 1 5 4
1 3 5 6 0 2 7 9 0 2 7 9
2 1 3 2 0 3 7 4 0 3 7 4
1 1 2 3 1 1 2 3
1 0 1 10
11 F4
1 0 1 10 11
15
F3
13
F4 2F2 F5 3F2
0 0
1 1 0
0 1 1
0 0 13 13 0 0 1 1
0 3 7 4 0 0 37 37
z 1 ; y 10z 11 y 10 11 y 1 y
x y 2z 3 x 1 2 3 x 2
1 1 2 1 4 F 2F 1 1 2 1 4
2 1
2 2 1 3 2 0 0 5 5 10
F3 3F1
3 3 1 3 3 0 0 7 6 15
F4 F1
1 1 1 1 5 0 0 3 0 9
1 1 2 1 4 F 2F 1 1 2 1 4
2 1
0 0 5 5 10 0 0 5 5 10
1) F1
( F3 3F1
0 0 7 6 15 0 0 1 6 3
F4 F1
0 0 3 0 9 0 0 3 0 9
1 1 2 1 4 1 1 2 1 4
F3 ( 1/ 3)
0 0 5 5 10 F2 5F
4 0 0 0 5 5
0 0 1 6 3 F4 F3 0 0 0 6 6
0 0 1 0 3 0 0 1 0 3
76
1
Excelencia Académica
1 1 0 1 2
F1 (F4 )2
0 0 0 5 5
F3 F2 0 0 0 1 1
0 0 1 0 3
x3 = 3 x4 = -1 x1 - x2 – x4 =2
x1 = 1 + x2 Asignando x2 = r
x1 = 1 + r
x2 = r
x3 = 3
x4 = -1
1 2 2 1 14 1 2 2 1 14
0 1 2 4 13 0 1 2 4 13
F2 F
3 F3 7F
4
0 7 5 1 46 0 0 12 36 60
0 1 1 5 2 0 1 1 5 2
1 2 2 1 14 F F 1 1 0 3 1
1 2
F3 F
2 0 1 2 4 13 1 0 1 2 4 13
F3
0 0 12 36 60 2 0 0 1 3 5
13 2 4
1 F
0 0 3 9 0 0 1 3 5
1 1 1 0 6
F2 2F
4 0 1 0 2 3
F1 F4 0 0 1 3 5
0 0 1 3 5
77
Excelencia Académica
1 1 1 0 6
0 1 0 2 3
F4 F
3
0 0 1 3 5
0 0 0 0 0
x1 - x2 + x3 = -6 x1 = -x4 + 2
x2 - 2x4 = 3 x2 = 2x4 + 3
x3 -3 x4 = -5 x3 = 3x4 - 5
78
1
Excelencia Académica
Autoevaluación formativa Nº 5
Nombre_________________________________________________________
Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
3x + 2y + z = 5
2x + 3y + z = 1
2x + y + 3z = 1
2. Resolver el sistema:
1 1 1 1 x1 0
3 1 2 3 x 7
2
1 2 2 1 x3 1
0 0 3 1 x4 9
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 y 3z 1
2x y 2z 1
x y z 3
x 2y 3z 1
79
Excelencia Académica
80
1
Excelencia Académica
SISTEMA DE ECUACIONES
HOMOGENEO
En el fascículo anterior se definió los conceptos sobre ecuaciones lineales no homogéneas.
Estos principios básicos rigen también para ecuaciones homogéneas debido a que sólo
cambian los bij, los cuales se hacen cero.
En este fascículo estudiaremos sus aplicaciones más importantes y sus métodos de
desarrollo.
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 ecuación matricial:
Ax 0
OBSERVACIONES:
1) El sistema siempre tiene por lo menos una solución (denominada solución trivial),
de la forma:
x1 x 2 x n 0
81
Excelencia Académica
trivial.
4) Si en el sistema: m = n, una condición para que el sistema tenga soluciones no
Ejercicio de aplicación:
Resolver
6x 4y 2z 0
5x 3y 3z 0
xyz0
Solución:
A 0
6 4 2 1 1 1
A 5 3
1 f
3 f
2 5 3 3 f
2 5 f1
1 1 1 1 1 1
1 1 1 1 1 1 1 1 1
0 2 8
4 f 1 4
2 f
2 0 1 3 f1 0
1
1 1 1 1 1 1 0 0
0
EA
xyz0
y 4z 0
82
1
Excelencia Académica
Como: r A r EA 2 n 3
Sea: z=t
zt
y 4t
x 3t
Ejercicio de aplicación:
soluciones no triviales:
(1- k)x y - z 0
2x - ky - 2z 0
x - y - (1 k)z 0
Solución:
1 k 1 1 k 1 1
k 2 1 1
2 k 2 0 k 2 k k
1 (1 k) k 2
1 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 aplicación:
ax y z 0
x (a 1)y z 0
x y az 0
Tiene soluciones no triviales
83
Excelencia Académica
SOLUCION
a 1 1 1 1 a f2 f1 1 1 a
1 a 1 1 f1xf3 1 a 1 1 0 a 1 a
1 1 a a 1 1 f3 af1 0 1 a 1 a2
a 1
1 0 a
1 1 a a
1 f1 f2
f2 1 a 1 a
a 0 1
0 1
a a
2 f3 (a 1)f2 2
0 1 a 1 a 0 0 1 a (a 1)
2
a
Si el sistema homogéneo de tres variables (n=3) tiene soluciones distintas de la
trivial entonces la características de la matriz de coeficientes debe ser: r < 3 y para
esto:
(a 1)2
1 a2 0
(a 1)(a2 2a 1) 0
a
Luego a 1 a 2 2a 1 0
6.1
Resolver
xyzw 0
1. x 3y 2z 4w 0
2x z w 0
84
1
Excelencia Académica
En este fascículo se estudió los sistemas de ecuaciones homogéneos, los cuales por su
forma los elementos bij 0 .
Autoevaluación formativa Nº 6
Nombre_________________________________________________________
85
Excelencia Académica
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
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 Académica
MATRICES
DIAGONALIZABLES
En este fascículo estudiaremos las matrices susceptibles a ser diagonalizadas y sus
diversas aplicaciones para hallar espacios vectoriales.
Matrices Diagonalizables
VALORES Y VECTORES PROPIOS
La definición de valores y vectores propios, se obtiene a partir del siguiente problema
general:
“Dada una matriz A de orden nxn, encontrar todos los números reales tal que la
ecuación matricial: AX = X tenga soluciones X diferentes a la trivial (no nulas).
Solución:
AX = X……….(1)
AX - X = 0
(A - I)X = 0…….(2)
a11 a12 a1n x1 x1
a x
21 a 22 a nn x 2
2 ......................(1)
a n1 a n 2 a nn
x n xn
Equivalente a:
87
Excelencia Académica
“n” raíces: 1, 2, 3,… n. Para cada una de estas raíces el sistema 2
tendrá soluciones distintas de la trivial, donde las “n” raíces
1, 2, 3,… n, son reales.
A los valores de que satisfacen la ecuación característica se les llama valores
propios de la matriz A.
A las soluciones asociadas a cada valor propio según 2 se les llama vectores
propios correspondientes a dicho valor propio.
88
1
Excelencia Académica
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 número de variables libres o independientes que
existen al resolver la ecuación (A – I) X = 0, para cierto valor de , nos dará el
número de vectores propios linealmente independientes, y por lo tanto indicara la
dimensión del espacio vectorial asociado.
Ejercicio de aplicación:
Hallar los valores y vectores propios de:
0 0 0
A 0 0 0
0 0 0
Solución:
0 0 0 0 0
| A I | 0 0 0 0 0 0
0 0 0 0 0
0 1 0
0
0 0 0 2 0
0
0 3 0
Respuesta:
Se tiene por valor propio único 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)
número de variables libres = 3 – 0 = 3
tomando el sistema: AX = 0 ……..(1)
89
Excelencia Académica
sea:
x1
X x2
x
3
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
1 2 3
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 tendrá:
r r 0 0
x s 0 s 0
t 0 0 t
Se tiene entonces que el vector propio solución es:
r
x s
t
De ella encontramos los vectores propios linealmente independientes.
Ejemplo: sea
90
1
Excelencia Académica
Ejercicio:
Hallar los valores y vectores propios, si:
2 4
A
4 8
Solución:
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 4 8 0 0 E A
2 f1 f 2 4f1
4 8
91
Excelencia Académica
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 será:
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.
Geométricamente será 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
2 4 x1
0
4 8 x2
8 4 x1
0
4 2 x 2
92
1
Excelencia Académica
8 4 1 1 12 1 12
(A 2 I) 4 2 0 0 E (A 2 I)
f1 f 2 4f1
4 2
8
E (A 2 I) X 0
1
X 2
1
Ello genera un espacio vectorial unidimensional.
Geométricamente será una recta que pasa por el origen de coordenadas y que tiene
1
por vector direccional a( ,1)
2
93
Excelencia Académica
5) Si A es una matriz no singular (|A| 0), entonces A-1 tienes valores propios
i1 .
94
1
Excelencia Académica
(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]=
3 6 0 0 E (A 8I)
3 f1 f 2 3f1
3 6
r E (A 1I) 1 2 n (una variable libre)
En la ecuación (2):
1 2 x1
0 0 x 0
2
x1 – 2x2 = 0
t
sea: x1 = t x 2 = t/2 x t
2
1
Con: t = 1 x 1
2
Con: 2 = -1
En la ecuación (1)
(A + I)X = 0
E(A+I)X = 0……….(3)
6 6 1 1 1 1 1
AI 3 3 0 0 E A I
6 f1 f 2 3f1
3 3
En la ecuación (3)
95
Excelencia Académica
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
Definición.-
Dos matrices cuadradas A y B de orden “n”, son semejantes si existe una matriz no
singular “P” tal que:
B = P-1AP
Ejercicio:
1 0 0 1 0 0
Las matrices A 1 2 0 y B 0 2 0
1 0 3 0 0 3
Son semejantes, ya que cumple con la condición anterior
96
1
Excelencia Académica
2 0 0 1/ 2 0 0
Con P 2 1 0 1
yP
1 1 0
1 0 1 1/ 2 0 1
7.1
PROPIEDADES:
1) Si A es semejante a B, entonces Traza (A) = Traza(B)
2) Si A es semejante a B, entonces |A| = |B|
PROPIEDADES COMPLEMENTARIAS
97
Excelencia Académica
MATRICES DIAGONALIZABLES
Definición.-
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.
Continúa fascículo siguiente.
En este fascículo estudiamos la forma de obtener valores y vectores propios. Así como
matrices semejantes. Los cuales Generan espacios vectoriales.
98
1
Excelencia Académica
PURCELL, Edwin J., VARBERG, Dale, Cálculo con Geometría Analítica, Sexta Edición,
Edición actualizada, Prentice-Hall Hispanoamericana, SA.
Autoevaluación formativa Nª 7
Nombre_________________________________________________________
Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre_____________________
1. Dados las matrices
1 0 2
1 2
A yB 3 2 5
3 4 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
1 3
99
Excelencia Académica
100
1
Excelencia Académica
Matrices Diagonalizables
(Segunda Parte)
Diagonaliza matrices
Aplica matrices a la Geometría Vectorial
entonces se tiene:
v11 v12 v m1 v1
v
21 v 22 v m2 v
2
v
v 2n vmn nxm v
1n n nxm
101
Excelencia Académica
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 P-
1
AP = D, donde D es una matriz diagonal.
Sean:
De: P-1AP = D
se llega a: AP = PD………..(1)
Sean: P1 , P2 ,, Pn , los vectores columna de P (matrices columna), entonces ( )
puede expresarse como
:
PD d1 P1 d 2 P2 d n Pn
102
1
Excelencia Académica
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 Académica
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 múltiplo o combinación 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 = PD
P-1AP = D
A (matriz diagonalizable y semejante a D)
Ejercicio de aplicación:
Averiguar si son semejantes A y B.
3 4 4 2
A B
5 6 11 5
Solución:
Con la matriz A
Paso I
(A – I)X = 0 por lo tanto |A - I| = 0
3 4
5 0
6
(3 )(6 ) 20 0
9 89
1
2
9 89
2
2
Paso II
105
Excelencia Académica
9 89
Con: 1 =
2
(A – I)X = 0
9 89
3 4
2
| A 1I |
6 9 89
5
2
8
1
E|A 1I| 3 89
0 0
R (A 1I) 1 2 n
8
1 x1 0
3 89
x 2 0
0 0
8x 2
x1 0
3 89
3 89
Si : x1 t x 2 t
8
sea : t 8
1
8
x t 3 89 x1
3 89
8
9 89
con : 2
2
(A 2 I)X 0 | A 2 I | 0
Resolviendo queda:
8
1
E (A 2I) 3 89
0 0
106
1
Excelencia Académica
89 3
x2 t
8
Sea t = 8
1
8
x1 t 85 3 x 2
89 3
8
Paso III
8 8
P
3 89 89 3
Hallando P-1
89 3 1
1 48 6
P
89 3 1
48 6
P-1AP = D
3 89 1
48 6 34 8 8
D
3 89 1 56 3 89 89 3
48 6
49 3 89 15 89
48 12 8 8
D
49 3 89 15 89 3 89 89 3
48 12
A y D son semejantes con la matriz B
B y D son semejantes: si D = D1
=>A y B son semejantes
107
Excelencia Académica
Ejercicio de aplicación:
Solución:
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 Académica
2 2 1 0 1 0 1 0 1
B 1I 1x( 1)
f f 2 9f
0 9 0 0
1
0 7 2 0 9
E ( B 1I )
r( E (B I) ) = 1 < 2 = n
1
r( E (B )=1<2=n
2 I)
109
Excelencia Académica
1 1 1 1
Px1
1 1 0 1
para 2 = 7
1 1 1 8
Px 2 9 10
1 1
donde: A I
0
3 2
A
1 5
Solución:
|A - I| = 0
3 2
0
1 5
(3 – )(5- ) - 2 = 0 , P( ) = 0
P( ) = 2 – 8 + 13 = 0
P(A) = 0
P(A) = A2 – 8A + 13 A 0 = 0
I
3 2 3 2 3 2 1 0
1 8 13 0
5 1 5 1 5 0 1
11 16 24 16 13 0 0 0
8
27 8 40 0 13 0 0
0 0 0 0
0 0 0 0
Ejercicio de aplicación:
110
1
Excelencia Académica
Solución:
P(A) = A2 – 8A + 13I
A2 – 8A = -13I
A-1A(A – 8I) = -13IA-1
(A – 8I) = -13A-1
1
A-1 = (A - 8I)
13
1 3 2 8 0
A 1
13 1 5 0 8
1 5 2 135 132
A 1 3
13 1 3 131 13
A.A t = I
BASE ORTONORMAL. Los vectores columna (o fila) de una matriz ortogonal forman
una base ortonormal. Se llamará 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 dirá que P diagonaliza a la matriz A
ya que A es semejante a D.
simétrica, A A
t
Demuestre:
111
Excelencia Académica
A PDP t
A t PDP t
t
A t P t PD
t t
A t PD t P t
PROPIEDADES
x1t x 2 0, x 2t x 3 0, x 2t x 3 0
Una matriz simétrica 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:
112
1
Excelencia Académica
Primero se forma un conjunto ortogonal de vectores {v1, v2, v3,…, vn} y luego se las
normaliza; porque:
v1
U1
| v1 |
PASOS:
1) Vi debe se un múltiplo de xi para que genere el mismo espacio, así: v1 = x1
v1
Luego: U1
| v1 |
2) Se elige el segundo vector x2 y se le extrae un múltiplo de v1 , así 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
v2
U2
| v2 |
113
Excelencia Académica
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
v3
U3
| v3 |
4) Generalizando:
Vk = xk(Uk -1xk)Uk – 1 – (Uk-2xk)Uk – 2 - … -(U1xk)U1
vk
Uk
| vk |
Ejercicio de aplicación:
Obtener un conjunto ortonormal de vectores a partir del conjunto de vectores:
114
1
Excelencia Académica
de modo que:
v1 v2 = 0 = v1 (x2 – r1v1)
v1 v2 = 0 = v1x2 – r1(v1 v1)
v 1 x 2 1
r1
v1 v1 4
Donde:
v1 x 2 se interpreta como v1t x 2 (producto matricial)
v1 v1 v1t v1
9
4
3
1
v2 x 2 v1
4
4 3
4
3
4
3
1
v2
1
1
(v2 sigue la dirección de v2 , ya que para la construcción del conjunto ortonormal, lo
v2x 3 1
r2
v2 v2 2
v1v2
v1 v3 = 0 = v 1x3 – r2( 0 ) – r1(v1 v1)
v1x 3 1
r1
v1v1 2
115
Excelencia Académica
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}
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 simétrica 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 único 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 Académica
3 1 0 0 0
3 1 0 0 0
A 0 0 2 1 1
0 0 1 2 1
0 0 1 1 2
I. Calculo de valores propios
3 1 0 0 0
3 1 0 0 0
| A I | 0 0 2 1 1
0 0 1 2 1
0 0 1 1 2
3 0 0 0 1 0 0 0
0 2 1 1 0 2 1 1
| A I | (3 )
0 1 2 1 0 1 2 1
0 1 1 2 0 1 1 2
2 1 1 2 1 1
| A I | (3 ) 2
1 2 1 1 2 1
1 1 2 1 1 2
I| = 3 2 2 3(2 ) 2 2 3(2 )
2 3 3
|A –
I| = 3 1 (2 ) 2 3(2 )
2 3
|A –
117
Excelencia Académica
|A – I| = (4 )(2 )(4 9 6 2 3 )
|A – I| = ( 4) (2 )( 6 9 4)
2 3 2
Factorizando(Rufinni)
A I ( 4) 2 (2 )( 1) 2
Valores propios:
1 4
2 1
3 2
1)f1 1 1 0 0 0
1 1 0 0 0 (
f f * 0 0 0 0 0
1 1 0 0 0
2 1
0 0 1 1 1
(A 1I) 0 0 2 1 1 1 2 2
f3
0 0 1 2 1 2 0 0 0 3 3
0 0 1 1 2 f f * 2 2
13 0 0 1 1 2
14
1 1 0 0 0 1 1 0 0 0
0 0 0 0 0
3
f4
0 0 0 0 0
2 0 0 1 1 2 1 2 f 5 f 4 0 0
3 1 1
1
2 2 2
f5 f3 0 0 0 1 1 0 0 0 1 1
0 0 0 3 3 0 0 0 0 0
2 2
1 1 0 0 0 1 1 0 0 0
0 0 1 1 2 1 2 0 0 1 1
2
1
2
f
2 xf
3 0
0 0 0 0 f
3 xf4 0
0 0 1 1 E (A I)
0 0 0 1 1 0 0 0 0 0
0 0 0 0 0
0 0 0
0 0
E(A – I)X= 0
118
1
Excelencia Académica
1 1 0 0 0 x
1
0 0 1 1 1 x
2 2 2
x 0
0 0 0 1 1 3
0 0 0 0 0 x4
0 0 0 0 0 x 5
x1 x 2 0.................(1)
1 1
x 3 x 4 x 5 0..........(2)
2 2
x 4 x 5 0.....................(3)
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 0
1 0
x1 0 ; x 2 1
0 1
0 1
119
Excelencia Académica
2 1 0 0 0 1 1 2 0 0 0
1
1 2 0 0 0 0 3 0 0 0
f1 2
(A 2 I) 0 0 1 1 1 2
0 0 1 1 1
f *
0 0 1 1 1 f
2 0 0 1 1 1
1
0 0 1 1 1
0 0 1 1 1
2 1 1 0 0 0
f2 2
3 0
1 0 0 0
4 f3
f * 0 0 1 1 1 E (A 2 I)
5 f3
f 0 0 0 0
* 0
0 0 0 0 0
E(A – I)X = 0
1 1 0 0 0 0 x1
2
0 1 0 0 0 0 x2
0 0 1 1 1 1 x3 0
0 0 0 0 0 0 x4
0 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
0 0 0 0
x (r s) r s x r 1 s 1
r r 1 0
s s 0 1
120
1
Excelencia Académica
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
0 v4 x 4 rv3
v3 v4 v3 (x 4 rv3 ) 0
0
v3 x 3 1 v3 x 4 rv3 v3 0
1 v 3 x 4 v3 t x 4
0 r
v3 v3 v3 t v3
0
0
v3 x 4 0 0 1 1 0 1 1
t
0
1
0
0
v3 v3 0 0 1 1 0 1 2
t
1
0
1
r
2
v 4 x 4 rv3
0
0 0
0
0
1 0
1
v4 1 1 2
2
0 1 1 2
1 0
1
Por (2)
0
0
v 4 1
1
2
121
Excelencia Académica
Con 3 = 2
1 1 0 0 0 1 1 0 00
1 1 0 0 0 0 0 0 00
(A 3I) 0 0 0 1 f
1 2 f
1 0 0 0 1 f
1 2 xf
4
0 0 1 1 0 0 0 1 10
0 0 1 1 0 0 0 1 1 0
1 1 0 0 0 1 1 0 0 0
0 0 1 0 1 0 0 1 0 1
0 0 0 1 1 f
5 xf
3 0 0 0 1 1 f
3 f
2
0 0 0 0 0 0 0 0 0 0
0 0 1 1 0 0 0 1 1 0
1 1 0 0 0 1 1 0 0 0
0 0 0 0 0 0 0 1 0 1
0 0 0 1 1 f
4 xf
5 0 0 0 1 1 f
4 f
3
0 0 0 0 0 0 0 0 1 1
0 0 0 1 1 0 0 0 0 0
1 1 0 0 0 1 1 0 0 0
0 0 1 0 1
1
0 0 1 0 1
0 0 0 1 1 f 4 0 0 0 1 1
2
0 0 0 0 2 0 0 0 0 1
0 0 0 0 0 0 0 0 0 0
122
1
Excelencia Académica
con : s 1
s
1
s
x 0 1
x 0
0
0 0
0
P = [U1 U2 U3 U4 U5 ]
vi 12 12 02 02 02
| v1 | 2
vi | v 2 | 3
Ui
| vi | | v3 | 2
| v 4 | 6
| v5 | 2
1 0 0 0 1
2 2
1
0 0 0 1
2 2
P 0 1 1 1 0
3 2 6
1 1
0 1 0
3 2 6
0 1 0 2 0
3 6
PtAP = D
123
Excelencia Académica
En este fascículo se da por finalizado el estudio de las matemáticas básicas que involucran
el cálculo matricial y sus diversas aplicaciones en el campo de la ingeniería.
Autoevaluación formativa
Nº 8
Nombre_________________________________________________________
Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
3 1 0 0 0
1 3 0 0 0
A 0 0 2 1 1
0 0 1 2 1
0 0 1 1 2
124
1