Matematica Basica II PDF

Excelencia Académica
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
Estudio de las Matrices (Segunda Parte)

Propiedades complementarias
Casos particulares de matrices cuadradas
Matriz inversa
Matriz involutiva
Matriz conjugada
Matriz hermítica.
Matriz antihermitica
Suma directa o matriz escalonada
Potenciación de matrices
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
Estudio de las Matrices (Tercera Parte)

Matriz de cofactores
Matriz adjunta
Matriz inversa
Obtención de la matriz inversa por el método de la matriz adjunta
Rango de una matriz
Operaciones elementales
Matrices equivalentes
Matriz escalonada (por filas)
Obtención del rango de una matriz por operaciones elementales
Obtención de la inversa de una matriz por operaciones elementales
Fascículo 4
Sistema de ecuaciones lineales

Rango de un sistema de ecuaciones lineales
Regla de Cramer
Fascículo 5
Sistema de ecuaciones homogéneo
Fascículo 6
Marices Diagonalizables (Primera Parte)

Valores y vectores propios
Definiciones
Propiedades de los valores y vectores propios
Matrices semejantes
Matrices diagonalizables
Fascículo 7
Marices Diagonalizables (Segunda Parte)
Aplicación de matrices a la geometría vectorial

Teorema fundamental
Demostración de regreso
Construcción de la matriz “P” que diagonaliza a la matriz “A”
Propiedades complementarias de las matrices semejantes
Observaciones importantes
Teorema de Cayley Hamilton
Diagonalización de una matriz simétrica
Proceso de Gram Schmidt
Construcción de la matriz ortogonal “P” que diagonaliza ortogonalmente a a la matriz
simétrica “A” (de orden n)
Fascículo 8
6
1
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
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
7
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
Fascículo V
Sistema de ecuaciones lineales 67
Rango de un sistema de ecuaciones lineales 71
Regla de cramer 73
Fascículo VI
Sistema de ecuaciones homogéneo 81
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
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
8
1
MATRICES
DEFINICION DE UNA MATRIZ

Una matriz es la ordenación de números, funciones, vectores, etc; en filas y columnas,
encerradas entre corchetes.
Ejemplo:
8 5 4  x2 x / 3
 1 2 6    
 ,  3 6 3 ,  7x 5 
  4 7 6     2x 1 4x 
10 7 2   
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:
 a11 a12  a1j  a1n 

a  a 2 j  a 2n 
 21 a 22
      
A   a 
 a i1 a i2  a ij  a in   ij 
      
 
 a m1 a m2  a mj  a mn  i-ésima fila
j-ésima columna
ELEMENTOS DE UNA MATRIZ

Los elementos: a11 ,a12 ,a13 , a1n , a 21..., a ij ..., a mn ; se denotan por funciones aij .
9
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
 
El conjunto de números a i1 ,a i2 ,a i3 ,....,a in , en la matriz A anterior se denomina i-

ésima fila.
El conjunto de números a1j ,a 2 j ,a 3 j ,....,a mj , de la matriz A anterior constituye j-ésima
columna.
ORDEN DE UNA MATRIZ.

El orden de una matriz viene dada mediante el número de filas por el número de columnas.
En el caso de nuestra matriz A el orden será: mxn .
Esquemáticamente y tomando como base la matriz A, toda matriz se representa por:
matriz a ij  , mxn
- matriz A   a ij  , mxn
 
- matriz A (si el orden esta sobreentendido o no interesa.)
A mxn
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 numérico o sea no puede identificarse como un

número.
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
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
TIPOS ESPECIALES DE MATRICES
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
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 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
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
Para determinar si una matriz es simétrica no es necesario hallar su

traspuesta solo será necesario comprobar la simetría 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 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
MATRIZ HEMISIMETRICA O ANTISIMETRICA

Si A   A , entonces la matriz A es antisimétrica. Para ello debe cumplir lo
t
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
Para construir una matriz antisimétrica los elementos de la diagonal

principal se hacen ceros y los simétricos 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 simétrica y otra antisimétrica 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
 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
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 
A   21 
t
  
 
 a n1 
VECTOR: Una cantidad ordenada de números, 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
matriz columna se denomina vector, fila y vector columna respectivamente. Por

convención 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 número 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 
 n 
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.
MULTIPLICACIÓN 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
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
El producto AB está definido, o sea A es conforme con B, respecto de la

multiplicación, cuando el número 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) A(B + C) = AB + AC (1ª Prop. Distributiva)

2) (A + B)C = AC + BC (2ª Prop. Distributiva)
3) A(BC) = (AB)C (Prop. Asociativa)
4) AB  BA por lo general
5) AB = 0 no implica necesariamente que:
A=0óB=0
6) AB = AC no implica necesariamente que B = C
7)  A = 
8) 0A = 
17
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 aplicación:
Sean las matrices:
0 1 2 3
A  ; B 
3 2 0 1
x – 2y = -A ; x–y=B
Donde x e y son matrices de orden 2, entonces X, es:
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
MATRIZ TRIANGULAR SUPERIOR

Es una matriz cuadrada A = [aij], se llama triangular superior si aij= 0 para i > j.
18
1
 a11 a12  a1j  a1n 

 0 a  a 2 j  a 2n 
 22
       
A 
 0 0  a ij  a in 
       
 
 0 0  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  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
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 
Halle el valor del polinomio f(A) de la matriz A.
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
3 5 2 3 5 2  1 4 8 
Reemplazando: f(A) = 3A2 – 2A + 5
20
1
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
S = C21 + C32 + C33 = 0 + 7 + 4 = 11
Las matrices son representaciones, conjunto de números o símbolos algebraicos colocados

en líneas horizontales y verticales y dispuestos en forma de rectángulo.
21
 a11 a12  a1j  a1n 

a  a 2 j  a 2n 
 21 a 22
      
A   a 
 a i1 a i2  a ij  a in   ij 
      
 
 a m1 a m2  a mj  a mn 
Se estudiará en este fascículo los diversos tipos de matrices, sus características, con
aplicación de ejemplos directos.
Se estudiaran las principales operaciones con matrices, llamase suma de matrices

conformes y multiplicación de matrices conformes.
R. Figueroa . G. “MATEMÁTICAS BÁSICAS

Editorial America 2001
C. Saal R, “MATEMÁTICAS BÁSICAS II”,
Editorial GOMEZ, Perú, 1998.
Frank Ayres JR, “MATRICES”,
Editorial McGraw-HILL, México, 1998.
Espinosa R, “MATRICES Y DETERMINANTE”,
Ediciones UNI, Perú, 1992.
En el siguiente fascículo, continuaremos con el estudio de las propiedades importantes de

las matrices, estudiaremos otras matrices importantes en relación a su aplicación directa
con sendos ejercicios resueltos totalmente.
Autoevaluación formativa Nº 1
Nombre_________________________________________________________
Apellidos ______________________________Fecha ____________________
22
1
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
2. Halle “x” de la ecuación matricial:

 2 18    4 2  1 3  
 19 28   x  2   
    1 6  2 5  
3. Halle el valor del polinomio f(A) de la matriz A.

1 2 3 
f(x) = 3x2 – 2x + 5 , si: A  2 4 1 
3 5 2
4. Sean las matrices

 1 2 1 1 1 1 1 0
0 1 1 2  1 0 1 0 
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 c 21 + c 32 + c 33
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
24
1
ESTUDIO DE LAS MATRICES
En este fascículo, se complementará el estudio de las matrices más importantes, y sus

diversas aplicaciones con ejercicios totalmente resueltos, brindando a los estudiantes el
desarrollo de métodos para enfrentar problemas.
Al finalizar el estudio del presente fascículo, el estudiante:
 Define matrices especiales

 Interpreta matrices cuadradas
 Estudia matriz inversa
 Aplica matrices al desarrollo de ejercicios.
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
f) Si A es de orden mxn, entonces:

AI = A, con In
IA = A con Im,
25
no obstante si A es de orden “n” entonces

AI = IA = A. con In
 1 0
 
Ejemplo: sea 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   3 1  0 1 2x2  
 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  A  A  es simétrica

t
Demostración:
A  A   
t t
t
 At  At  At  A
h) Si A es una matriz cuadrada, entonces la matriz  A  A  es antisimétrica

t
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
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
Es fácil entender que si A es una matriz cuadrada de orden “n”

conmuta consigo mismo y además 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 .
DEFINICIÓN.- 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 definición nos indica como construir matrices conmutativas, pero no indica que
todas las matrices conmutables con A sean de la forma: B  aA  bI .
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
1 0  5 0  5  0 00   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 
DEFINICIÓN.- 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 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
4. Elabore dos matrices de orden 3 que sean permutables

5. Elabore dos matrices de orden 3 que sean antipermutables
4 0 0 0
0 2 0 0 
6. Dado: D . Halle D
9
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
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.
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 número complejo: z = a + bi , donde “a”, “b” son constantes; i es un

imaginario i  1
 Z  a  bi

Complejos conjugados  Z  a  bi  a  bi


Z1  a  bi
Sean:
Z2  c  di
Sumando:
29
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: A
Ejemplo: sean
 i 1   i 1 
A  A 
 2  i i  4  2  i i  4 
PROPIEDADES:
 AA
  
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
 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
At  A . Es lógico pensar que los elementos de la diagonal principal de una

matriz hermítica serán números reales:
 1 i  2
A
0 
Ejemplo: sea
 i  2
 1 i  2   1 i  2
At    ; At  
i  2 0   i  2 0 
Los elementos simétricos respecto a la diagonal principal deben ser

conjugados.
MATRIZ ANTIHERMITICA
Una matriz cuadrada A se llama hemihermítica siempre que: A  A . Se entiende
t
que los elementos de la diagonal principal deben de ser nulos o números

imaginarios puros.
Ejemplo: sea
 i i  2 i  1

A  i  2 0 i 
 i  1 i 0 

31
 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
Toda matriz A cuyos elementos sean números complejos, se puede

descomponerse en la suma de una matriz hermítica y otra hemihermítica 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  0 
 0 A  0  0 
 2
   A3 0   
   diag(A1 , A 2 ,A 3 ,...,A n )
 0 0    0 
       
 
 0 0  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
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
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.
Solución: se entiende que:

0 1 1 1 0 0
D   1 0 1  I   0 1 0 
1 1 0 0 0 1
   
1 0 0 0 1 1
A  a  0 1 0   b  1 0 1 

0 0 1  1 1 0
  
a 0 0 0 b b
A   0 a 0    b 0 b 
0 0 a   b b 0 

a b b  a b b  a b b
A   b a b   A   b a b   b
 2
a b 
b b a   b b a  b b a 
  
 a 2  2b 2 b 2  2ab b 2  2ab   1 0 0
 
A 2   b 2  2ab a  2b
2 2
b 2  2ab    0 1 0 
 b 2  2ab
 b  2ab
2
a 2  2b 2   0 0 1 
a 2  2b 2  1.......(1)
b 2  2ab  0.......(2)
de la ec. (2) :
b 2  2ab  0  0
 2a  4a 2  4(1)0  2a  2a
b 
2 2
b1  0, a  1
b 2   2a a 2  2(  2a ) 2  1
a 2  8a 2  1
9a 2  1
a  1 3
b2   2
3
34
1
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 ca c0
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
Son involutivas cuando: A2 = I y B2 = I de esto se tiene que:

A2 + B2 = 2I también 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
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 AA
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
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, 4k+3,4k+4

Donde: k  N
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
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 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
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  i2  n2 
 
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  i2  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  1nxn
  nxn 
38
1
 i(i  1) (n  2)(n  1) n(n  1) n(n  1) 

1 3 6 
2

2 2 2 
 
0 i(i  1) (n  3)(n  2) (n  2)(n  1) n(n  1) 
1 3  
 2 2 2 2 
 
0 (i  2)(i  1) (n  4)(n  3) (n  3)(n  2) (n  2)(n  1) 
0 1  
 2 2 2 2 
A3   0 0 0  0     
 
         
         
 
0 0 0 0  0 1 3 6 
 
0 0 0 0  0 0 1 3 
 
 0 0 0 0 0 0 0 0 1 
(n  2)(n  1)
(a)
2
(b) 0
(n  5)(n  4)
(c)
2
(d) 1
2.1
4. Elabore una matriz de orden 3 y demuestre que es hermética
5. Construya una matriz de orden 3 y halle su inversa.
El estudio de las propiedades complementarias y sus aplicaciones dotará 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
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 aplicación de

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

Aponte, Gladis. Fundamentos de Matemáticas Básicas.
Editorial Addi-son Wesley Segunda Edición,1998.
En la siguiente fascículo, continuaremos con el estudio de algunas propiedades

importantes de las matrices, al aplicarlas en el desarrollo de determinantes.
Aprenderemos métodos directos de evaluación de determinantes de matrices cuadradas de
ordenes varios.
40
1
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 
04 Sean las matrices:
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)
Halle la traza de la matriz “x”.
41
42
1
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.
Al finalizar el estudio del presente fascículo, el estudiante:
 Resuelve determinantes de orden 2, 3

 Resuelve determinantes por el método de los cofactores
 Interpreta propiedades de los determinantes.
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
DETERMINANTE DE UNA MATRIZ CUADRADA DE ORDEN 2

Sea:

a a  a a
A   11 12  | A | 11 12  a11a 22  a 21a12
a 21 a 22  a 21 a 22 
Ejemplo: Sea:

1 1 1 1
A  | A |  1(4)  (3)(1)  1
3 4 3 4 
43
Para este caso se utilizará la diferencia del producto de la diagonal

principal y la diagonal secundaria.
DETERMINANTE DE UNA MATRIZ CUADRADA DE ORDEN 3

Sea:
a11 a12 a13
 a11 a12 a13  a11 a12 a13 a11 a12 a 21 a 22 a 23
A   a 21 a 22 
a 23  | A | a 21 a 22 a 23 a 21 a 22  a 31 a 32 a 33
a a 33 
 31 a 32 a 31 a 32 a 33 a 31 a 32 a11 a12 a13
a 21 a 22 a 23
| 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.
1 2 3
Ejemplo: Sea las matriz: 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
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|
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
; 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
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
La 1ª fila es múltiplo de la 2ª fila
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
3 4 3 4
A  | A | 2
1 2 1 2
B se halla de A, al multiplicar la 1ª fila por 3

 3(3) 3(4)   9 12 
B=  
 1 2   1 2 
| B | 3 | A | 3(2)  6
B k A
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:
3ºFB = 3ºFA + 2x1ºFA
 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 |    11  0
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
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 últimas propiedades
MENORES Y COFACTORES
Teniendo el siguiente arreglo.
 a11 a12  a1j  a1n 

a  a 2 j  a 2n 
 21 a 22
       
A 
 a i1 a i2  a ij  a in 
       
 
 a m1 a m2  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
i j
M ij
48
1
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
OBTENCIÓN 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 definición:
Si se eligiera la fila “k” el determinante valdría

n
| A |  a kjA kj
j1
Si se eligiera la columna “j” el valor de la determinante sería:
49
n
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
j1
3 0
A 3 1  (  1) 3  1 6
1 2
1 0
A 3 2  (  1) 3  2  2
0 2
1 3
A 3 3  (  1) 3  3 1
0 1
En (1):
|A|=2(6)+4(-2)+1(1)=5
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
| B | b11B11  b 21B21  b31B31  b 41B41  b51B51...(1)

1 1 6 2 1 1 6 2
38 44 1 3 10 0
B 21  (  1) 2 1 ; B  (  1) 3 1
2 0 1 3 31
2 0 1 3
5 5
1 5 3 1 1 5 3 1
       
C D
50
1
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
| B | (1) 21 | C | (1)31 | 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  9 0 2  10 1 3 
6 0 0  + 6 5 0  +  0 0 0
     
8 3 2   2 3 1 81 3 2 
51
En este fascículo se estudió los conceptos fundamentales sobre las aplicaciones de los
determinantes así como sus diversos métodos de solución.
Se presentaron los casos de prácticos para hallar determinantes de orden 2 y 3, de forma

directa.
Así como hallar el determinante de matrices de orden superior por el método de cofactores.
Se desarrollaron ejercicios a aplicación a las diversas propiedades analizadas, para

proponer las actividades al estudiante.

En el siguiente fascículo se continuará con el estudio de las matrices especiales. Buscando

obtener un método para hallar matrices inversas por el método de la matriz adjunta.
52
1
Se analizaran el método de las operaciones elementales para hallar matriz inversa, el

rango de una matriz, matriz escalonada entre otros.
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
3. Halle el determinante de: (aplique cofactores)

 1 6 3 2
3 2 0 0
 
4 0 5 2 
 
1 0 1 1
4. Halle : M 44 , M 23 , M 42 del problema anterior
5. Halle el determinante de:

2 7 6 8
0 3 8 9
A 
0 0 1 32 
 
0 0 0 7 
53
54
1
Estudio de las Matrices

En el presente fascículo continuaremos con el estudio de las matrices
especiales.
Se estudiaran métodos para hallar el determinante de matrices de ordenes
superiores, así como hallar el matricial inverso y el rango de una matriz de
orden “n”
Al terminar el estudio del presente fascículo, 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  A1n     

A   
A 22  A 2n    
Cofact A   21 Cofact A  
         
 A 
 A nn 
 
 n1 A n 2    
MATRIZ ADJUNTA
La matriz adjunta A, es la traspuesta de la matriz de cofactores de A.
adjA   cofactA 
t
Ejemplo: Sea:
 3 3 1  A11 A12 A13 

A   2 2 1  cofactA   A 21 A 22 A 23 
 1 4 1 A A 33 
   31 A 32
55
 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
La matriz B se llama inversa de A y se denota por :
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
OBTENCION DE LA MATRIZ INVERSA POR EL METODO DE LA MATRIZ

ADJUNTA
adjA
A 1 
|A|
Ejemplo: Hallar A-1 de:

 1 3 1
A   0 1 1 
2 2 0 
 
Solución:
 A11 A12 A13 

cofactA   A 21 A 22 A 23 
A A32 A33 
 31
 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
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 
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 más grande contenida en A, cuyo determinante es no nula
y se simboliza por “r(A)”.
58
1
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
 Multiplicación de una fila o una columna, por un escalar no nulo. Se representa

por:
kfi ; kCj.
 A una fila o columna se le suma el múltiplo de otra fila o columna. Se

representa por:
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  1f2
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
 1 32 12   1 0 4   1 0 4 
 3  3f
 f2  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 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 número 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:

1 0 2 1 
0  k Si: k=2 y m=5  (m  k)  3
 1 3 2  
E1   0 0 0 0 
  
0 0 0 0  (m  k)
0 0 0 0 mxn 
 
0 1 0 0 0 
0 0 1 2 3  

E2    k Si: k=4 y m=4  m-k=0
0 0 0 1 1  
 
0 0 0 0 1 4x5 
60
1
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
OBTENCION DEL RANGO DE UNA MATRIZ POR OPERACIONES

ELEMENTALES
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
Obsérvese 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
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
OBTENCION DE LA INVERSA DE UNA MATRIZ POR OPERACIONES

ELEMENTALES
Se aplica el método de GAUSS – JORDAN.

Sea : A = [aij]mxn , => el método es:
0.E. (I:B) => B = A -1

(A:I)
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 será 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
Solución:
 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 f1   f2  
1 1 1  1   1 1 1 1  1 1 1 1
 1 0 2 5
 1 0 2  52 
2  f1   1f1 
2
f 3   3 
 0 1 1 2  0 1 1 2 
 2 5 / 2 
A 1  
 1 3 / 2 
Hallar el determinante de la matriz A de orden “n”
62
1
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)!
Hallar el determinante de :
2 1 0  00
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
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
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
En el presente fascículo se abordaron los conceptos fundamentales para hallar

determinantes de orden superior (orden “n”)
Se presentó el método de operaciones elementales por filas o columnas, para resolver

problemas selectos.
Se puede hallar matrices equivalentes por operaciones elementales. Este entendimiento

ayudará a encontrar matrices escalonadas las cuales son la base para resolver sistemas
de ecuaciones lineales.

En el próximo fascículo comenzaremos con el estudio de los sistemas de ecuaciones

lineales.
Veremos el caso de ecuaciones matriciales y sus posibles soluciones, para ello será
necesario evaluar el tipo de ecuación asociado.
65
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 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
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:
a) Sistema consistente con una sola solución:

b) Sistema consistente con infinitas soluciones:
c) Sistema inconsistente sin solución alguna:
 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 

 (1)
      
a m1x1  a m2 x 2  a m3 x 3  ....  a mn x n  b m 
Es equivalente a la ecuación matricial
67
 a11 a12  a1j  a1n   x1   b1 

a  a 2 j  a 2n   x 2   b 2 
 21 a 22    
            
       (2)
 a i1 a i2  a ij  a in   x i   bi 
            
    
 a m1 a m2  a mj  a mn   x n   b m 
O también: 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 solución de (1) lo será también
de (2) y viceversa
2) Una solución del sistema es una determinada cantidad de números
 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  a1j  a1n b1 

a 
 21 a 22  a 2 j  a 2n b2 
        
Aa      A b 
 a i1 a i2  a ij  a in bi 
        
 
 a m1 a m2  a mj  a mn b m 
5) Si el sistema (1) tiene uno o mas soluciones se le denomina consistente, caso
contrario será inconsistente.
CASOS:
a) Sistema consistente con una sola solución:
2x  3y  5
3x  8 y  2
68
1
b) Sistema consistente con infinitas soluciones:

2x  3y  2
6x  9 y  6
c) Sistema inconsistente sin solución alguna:
2x  y  2
2x  y  5
Si en el sistema (1) b1 = b2 = b3 = = bn = 0 , el sistema se llamará

homogéneo, si por lo menos uno de los bi es distinto de cero se
llamará no homogéneo.
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   Ab Ba  B c 
OE
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 tendrá 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 homogéneo debe llevarse a la matriz ampliada y luego a
69
la forma escalonada de esta, y a partir de dicha forma deducir las

soluciones.
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
 00 1 4  x=7
   z4
 
 EA Eb 
5.1
1. Resuelve las siguiente ecuaciones:

5x  y  z  1
5x  2y  8z  2
2x  3y  z  3
70
1
2. Resuelve
2x  3y  z  1
4x  6y  2z  2
7x  3y  3z  3
RANGO DE UN SISTEMA DE ECUACIONES LINEALES
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 )
2) Si el sistema es consistente se presenta los siguientes casos:

a) Que el sistema tenga una única solución para cada incógnita. Ello ocurre si
el número de incógnitas es igual la rango de la matriz aumentada, es decir,
como el sistema tiene “n” incógnitas y es consistente:
b) r(A) = r(A a ) = n (una solución)

c) Que el sistema tenga infinitas soluciones ello ocurre si el número de
incógnitas es mayor que el rango de la matriz aumentada. Es decir como el
sistema tiene “n” incógnitas es consistente (se supone que r(A) = r(Aa) = k,
tendrá mas de una solución si:
r(A) = r(A a ) = k < n (más de una solución)
(n – k ) incógnitas tomarán valores arbitrios, llamándoseles variables

libres, variables independientes o parámetros.
3) Si: r(A) diferente r(Aa) el sistema es consistente .
Ejercicio:
Resolver con la teoría dada en el ejercicio anterior:
71
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
Entonces el sistema tendrá solución única
Ejercicio: Resolver el sistema:

6x  4 y  2z  2
5 x  3 y  3z  2
7x+4y  5 z  2
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 f20 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
Sistema consistente con “n” soluciones.

(n – k) = 3 – 2 = 1 (Una variable será parámetro “t”)
AX  b
EAX  Eb
 1 1 1  x   0 
 0 1 4  y    1
    
 0 0 0  z   0 
    
xyz0  x  1  3t
y  4z  1  y  4t  1
zt
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 ecuación matricial:

Ax  b
Si A es no singular ( A  0 ) entonces existe A-1 y el sistema tiene solución única, dada
por:
x  A1b
Forma Práctica:
El sistema sólo tiene solución si: A  0 , y la solución viene dada por:
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
 b1 a12  a1n   a11 a12  b1 

b a 22  a 2n  a a 22  b 2 
A1   2 A n   21
           
   
 bn a n 2  a nn   a n1 a n 2  b n 
Utilice la forma práctica para resolver ecuaciones cuyas variables no

sean mayores a 4 incógnitas; en caso contrario realizará demasiadas
operaciones.
2x  y  3z  6
x  y  4z  10
y  z  2
Solución: (aplicando regla de cramer )
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
(-6-30+8) - (-6-24+10) = -28 - (-20)= -8 (20+6+0)-(0+16+6) = 26 - (22) = 4
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
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 aplicación:
Hallar la solución del sistema:

  x  y  2z  3
 x  5y  z  4


3x  2y  z  5
2x  y  3z  2
Solución:
Por matriz aumentada:
75
 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 
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
Solución:
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)  F1
( 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
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
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
Solución:
1 2 2 1  14 F  3F 1 2 2 1  14

2 1
3 2 1 2  17 0 8 7 5  59
F3  2F1
2 3 1 1  18 0 7 5 1  46
F4  2F1
2 5 3 3  26 0 1 1 5  2
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
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
Asignando un valor para x4 = r

x1 = 2 - r
x2 = 3 + 2r
x3 = 3r - 5
x4 = r
En este fascículo se estudio las ecuaciones lineales no homogéneas.

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

78
1
En el siguiente fascículo se continuará con el estudio de las ecuaciones, pero se analizará

el caso de las matrices homogéneas, es decir los términos bij = 0.
Nombre_________________________________________________________
Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
1. Resolver e indicar el número de soluciones
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 
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  y  3z  1
2x  y  2z  1
x  y  z  3
x  2y  3z  1
79
80
1
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.
 Reconoce ecuaciones lineales homogéneas.

 Resuelve ecuaciones homogéneas
 Interpreta métodos de solución
Sistema de Ecuaciones Lineales Homogéneos

En el sistema de “m” ecuaciones, con “n” incógnitas:
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
Por ello es consistente y r  A   r  Aa 

2) Una condición para que el sistema tenga más que una solución 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 método utilizado en las ecuaciones
lineales no homogéneas.
3) Si: r  A   r  Aa   k  n , el sistema posee una única solución, la cual es la
trivial.
4) Si en el sistema: m = n, una condición 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 homogéneo

entonces para solucionarlo se aplica el mismo método utilizado en un
sistema de ecuaciones lineales no homogéneo, con la diferencia de
que en lugar de trabajar con Aa se hace con A.
Resolver
6x  4y  2z  0
5x  3y  3z  0
xyz0
Solución:
A 0
6 4 2  1 1 1
A   5 3 
1  f
3  f 
2  5 3 3  f
2  5 f1
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  f1  0
1
 
1 1  1  1 1  1  0 0 
     0
EA
xyz0
y  4z  0
82
1
Como: r  A   r  EA   2  n  3
Sea: z=t
zt
y  4t
x  3t
Hallar el valor de k, de manera que el siguiente sistema lineal homogéneo tenga
soluciones no triviales:
(1- k)x  y - z  0
2x - ky - 2z  0
x - y - (1  k)z  0
Solución:
Para que tenga soluciones no triviales, el determinante de la matriz de los coeficientes

debe valer cero
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
Indicar un valor irracional de “a” para el sistema homogéneo
ax  y  z  0
x  (a  1)y  z  0
x  y  az  0
Tiene soluciones no triviales
83
SOLUCION
Usando sólo la matriz de coeficientes:
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
Como a  Q (irracionales), entonces de: a 2  2a  1  0

a  1 2
6.1
Resolver
xyzw 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 incógnitas. Entonces el
sistema tiene solución única.
84
1
m<n, Esto es, hay menos ecuaciones que incognitas. Entonces

podemos asigna arbitrariamente a las (n - m) variables libres y obtener
una solución del sistema
En este fascículo se estudió los sistemas de ecuaciones homogéneos, los cuales por su
forma los elementos bij  0 .
Sus métodos de resolución son similares a las ecuaciones lineales no homogéneos.

En el siguiente fascículo se abordarán las aplicaciones de las matrices, buscando definir

los valores propios para hallar vectores propios linealmente independientes. Estos generan
espacios vectoriales unidimensionales
Nombre_________________________________________________________
85
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
MATRICES
DIAGONALIZABLES
En este fascículo estudiaremos las matrices susceptibles a ser diagonalizadas y sus
diversas aplicaciones para hallar espacios vectoriales.
 Halla valores y vectores propios

 Reconoce matriz semejante
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
 a11   a12  a1n  x1 

 a a 22   a nn  
 21   x 2   0......(2)
       
  
 a n1 an2  a nn   
 x n 
Debe obtenerse  X de orden nx1.
La ecuación  2 es una ecuación homogénea, que tendrá soluciones diferentes a la
 I| = 0, es decir:
trivial, si y solo si: |A –
a11   a12  a1n
a a 22    a nn
 A  I   21  0..........(3)
   
a n1 an2  a nn  
De todo lo anterior se obtiene las siguientes conclusiones:

 Se observa que una solución inmediata (trivial) del sistema
AX =  X es X = 0, en cuyo caso  es cualquier número real.
 El determinante de la matriz es (A –  I) es un polinomio de grado “n” en  , (ya
que siendo la matriz A de orden “n”,  aparece en cada fila y columna de la
diagonal de (A –  I). Desarrollando |A –  I| se obtiene el llamado polinomio
característico y viene representado por :
|A-I| = P() =  n - (a11 +a 22 +a 33 + + a nn ) n-1 + +(-1) n |A|

 A la ecuación |A -  I| = 0, aparecida anteriormente se le conoce por “ecuación
característica de A” y viene representado por:
 n - (a11 +a 22 +a 33 + + a nn ) n-1 + +(-1)n |A|=0  

 Como la ecuación característica    es de grado “n”, entonces se tendrá en total
“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
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.
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
sea:
 x1 
 
X   x2 
x 
 3
Entonces de la ecuación (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 
 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
r=1, s=t=0; s=1, r=t=0; t=1, r=s=0

1 0 0
     
x 1  0 ; x2   1 ; x3   0 
0 0 t
     
Los cuales generan un espacio vectorial tridimensional (R3)
Cualquier vector que sea combinación de la base encontrada  x  rx1  sx 2  tx 3  ,

también será un vector propio.
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     
r(A) = r (EA) = 1 < n = 2

variables independientes = 2 – 1 = 1
EAX = 0
91
 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
 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
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 será:
 x   t   1
X   1      t 
 x 2   2t   2 
Para t = ½ hallamos el vector propio independiente:
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
Espacio vectorial unidimensional.
Si X es un vector propio asociado a un valor propio  , entonces tX (t ≠ 0)

es también un vector propio asociado al mismo valor propio  .
93
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
 i1 .
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).
|A|
8) Si  i es un valor propio de A, entonces es un valor propio de la matriz adj(A)
i
Demuestre propiedad (7)

Sea f (x)  a n x
n
 a n 1x n 1  ...  a1x  a 0 , un polinomio de coeficientes reales,
entonces
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
5 6
Si : A  ;f (A)  A 3  3A  2
3 2
Solución:
AX =  X
AX –  X = 0
94
1
(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
AI   3 3   0 0   E  A  I 
6 f1   f 2  3f1
 3 3     
En la ecuación (3)
95
 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
 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
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 negación. Si Traza (A)
 (B) ó |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
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
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.
LARSON, Roland E., HOSTETLER, Robert P. y EDWARDS, Bruce H.

Cálculo y Geometría Analítica,
Volumen 1 y 2, 6ª edición, Editorial McGraw-Hill.
Editorial Addi-son Wesley Segunda Edición,1998..
98
1
STEIN, Sherman K., BARCELLOS, Anthony, Cálculo y Geometría Analítica, Volumen 1 y 2,

Editorial McGraw-Hill.
PURCELL, Edwin J., VARBERG, Dale, Cálculo con Geometría Analítica, Sexta Edición,
Edición actualizada, Prentice-Hall Hispanoamericana, SA.
En el siguiente fascículo definiremos la forma de diagonalizar matrices y casos

aplicativos a las formas cuadráticas.
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
5 6 
B 
3 2 
 3 10 
C
1 3 
99
100
1
Matrices Diagonalizables
(Segunda Parte)
 Diagonaliza matrices
 Aplica matrices a la Geometría Vectorial
APLICACIÓN DE MATRICES A LA GEOMETRIA VECTORIAL

    

Sea: v1 , v 2 , v3 ,..., v n  un conjunto de “n” vectores, donde cada vector v esta
i en Rm, o

sea, cada vector vi , tiene “m” componentes y por lo tanto será de la forma:
    
 
vi  v1 , v 2 , v3 ,..., v n , donde 1  i  n . Se presentan los siguientes casos, en la
construcción 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  v1n 
v  v 2n 
 21 v 22   v1 v 2  v n mxn
     
 
 v m1 v m2  v mn 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 v12  v m1   v1 
v   
 21 v 22  v m2  v 
 2
       
 
 v 
 
v 2n  vmn nxm  v 
 1n  n nxm
101
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:
 P11 P12  P1n   d1 0  0

   
P P22  Pnn  0 d2   
P   21 y D
          
   
 Pn1 Pn 2  Pnn  0 0  d n 
De: P-1AP = D
se llega a: AP = PD………..(1)
 P11 P12  P1n  d1 0  0

  
P P22  P2n  0 d 2   
PD   21  
          
  
 Pn1 Pn 2  Pnn 
 0 0  d n 
 d1P11 d 2 P12  d n P1n 
 
dP d 2 P22  d n P2n 
PD   1 21
     
 
 d1Pn1 d 2 Pn 2  d n Pnn 
  
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
 a11 a12  a1n  P11 P12  P1n 

a a a  P  P2n 
AP   21 22  2n  21 P22
          
 
 
 a n1 a n 2  a nn  Pn1 Pn 2  Pnn 

 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
  

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
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 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  1 P1 ,  2 P2 ,  3 P3 ,...,  n Pn
 1P11  2 P12   n P1n 
 
P  2 P22   n P2n 
AP   1 21
     
 
 1 Pn1  2 Pn 2   n Pnn 
 P11 P12  P1n   1 0  0
  
P P22  P2n   0  2   
AP   21
          
 P  
 
  n 
 n1 Pn 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
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. Tendrá sus elementos (que en realidad son los valores propios) en el mismo orden
que aparecen los vectores propios.
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
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
Número de variables libres = 2 - 1 = 1
 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
Número de variables libres = 2 – 1 = 1

 8 
1  x1 
3  89     0
   x 2 
0 0 
8x 2
x1  0
3  89
Si : x1  t
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
PROPIEDADES COMPLEMENTARIAS DE LAS MATRICES

SEMEJANTES
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
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 1  2 2
B  A    P    P 
 0 7 5 3  1 1  1 1 
 2 2
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
 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
Una variable libre (n – k)

 0 1   x1   0 
 0 0  x    0 
  2   
0x1  0x 2  0
x  t
x  1 
 x2   0 
x1  t
Sea:
x2  0
Para: t  1
1
x1   
0
Con: 2 = 7
E (B2I) X  0
 2  7 1   9 1  1  1 1 9 
 B   2I     f1  
 0 7  7   0 0  
9  0 0 


E  B  2 I 
r( E (B )=1<2=n
2 I)
Una variable libre

1 1  x  0
 9 1    
0 0   x 2   0 

x2
x1  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
 1 1 1   1 
Px1       
 1 1 0   1
para 2 = 7
 1 1 1   8 
Px 2    9    10 
  1 1    
TEOREMA DE CAYLEY – HAMILTON

Se basa en la ecuación característica de una matriz A y establece: Si A es una matriz
cuadrada P(  ) = 0 es una ecuación característica, entonces P(A) = 0 (matriz nula)
donde: A  I
0
Ejercicio: Comprobar el teorema dado para A:
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
   
110
1
Halle A-1 para el A anterior, usando el A anterior usando el teorema en mención.
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 
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 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.
Debe observarse que una matriz diagonalizable ortogonalmente, únicamente si es
simétrica, A  A
t
Demuestre:
P t AP  D  P(P t AP)P t  PDP t

Solo si A es simétrica:
111
A  PDP t
A t   PDP t 
t
A t   P t   PD 
t t
A t  PD t P t
PROPIEDADES
1) Si A es una matriz simétrica los vectores propios asociados a valores propios

diferentes, son ortogonales entre si. Por ejemplo si en la resolución de un problema
dado se halla tres valores propios diferentes los cuales generan sendos vectores
propios x1 x2 y x3 respectivamente; ellos serán ortogonales entre si, puesto que:
x1t x 2  0, x 2t x 3  0, x 2t x 3  0
2) Si una matriz simétrica tiene valores propios de multiplicidad “k”, entonces

asociados con dicho valor propio se encuentran “k2 vectores propios linealmente
independientes
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:
PROCESO DE GRAM – SCHMIDT

Este proceso llevará a la construcción de un conjunto de vectores mutuamente
ortonormales (ortogonales y unitario), dado un conjunto de vectores linealmente
independientes. Como consecuencia ayudará a obtener siempre los “n” vectores
propios en una matriz simétrica que sean mutuamente ortogonales.
112
1
TEOREMA (Ortogonalización 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 un
conjunto ortonormal de vectores {U1, U2, U3,…, Un}, tal que para cada i con 1 i  n ,
generan todo espacio de una dimensión 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:
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 |
Como x1 y x2 son combinaciones lineales de de U1 y U2; y viceversa

entonces generan el mismo espacio
3) Análogamente se construye v3 , sustrayendo un múltiplo de v1 y v2 del tercer vector

dado x3 , así :
v3 = x3 – r2U2 – r1U1 donde r2 y r1 se determinan de forma que v3 sea ortogonal a
v2 y v1.
113
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 |
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
Solución:
 1
 
1
1) Se toma: v1 = x1   
 1
 
 1
2) Se hace v2 = x2 – r1v1
114
1
de modo que:
v1  v2 = 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
v2  x 2  v1  
4
4  3 
 4
 3 
 4
3
 1
v2   
 1
 
1
(v2 sigue la dirección de v2 , ya que para la construcción del conjunto ortonormal, lo
que interesa son los vectores unitarios; y, v2 y v2 y

2
tienen el mismo vector unitario)
3) Sea v3 = x3 – r2v2 – r1v1, de modo que:

v2 v3 = 0 = v 2x3 – r2(v2v2) – r1( v 2 v1 )

0
v2x 3 1
r2  
v2 v2 2
v1v2

v1 v3 = 0 = v 1x3 – r2( 0 ) – r1(v1  v1)
v1x 3 1
r1  
v1v1 2
115
1 1
v3  x 3  v 2  v1
2 2
0
1
v3     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 SIMÉTRICA 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 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
b) Si la matriz simétrica 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 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
|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
II. Calculo de vectores propios
Con:  1 = 4 (de multiplicidad de 2)
1)f1  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 xf4 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 
 R(A –  I)= 3 < 5 = n

Número de variables libres = 5 – 3 = 2
E(A –  I)X= 0
118
1
 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 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  s1
   
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
   
Con:  2 = 1(de multiplicidad 2)
119
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 

r(A –  2I) = 3 < 5 = n

número de variables libres = 5 – 3 = 2
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
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 v4  x 4  rv3
  v3 v4  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 
v4   1   1   2 
  2   
0  1   1 2 
1 0
     1 
 
Por (2)
0
 
0
v 4   1
 
 1
2
 
121
Con 3 = 2
1 1 0 0 0 1 1 0 00
   
1 1 0 0 0 0 0 0 00
(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 10
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 
 
r(A –  3I) = 4 < 5 = n

número de variables libres 5 – 4 = 1
E A 3I  X  0
1 1 0 0 0   x1 
  
0 0 1 0 1   x2 
0 0 0 1 1  x 3   0
  
0 0 0 0 1   x4 
0 0 0  
 0 0  x 5 
x1  x 2  0 x 4  x5  0
x3  x5  0 x3  0
x 4  x5  0 sea : x1  s
x5  0 x 2  s
122
1
con : s  1
s 
  1
 s   
x 0   1
  x 0 
0  
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
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
En el presente fascículo se abordaron los conceptos fundamentales sobre la

diagonalización de matrices.
Para ello se definió valores y vectores propios, además de presentar espacios vectoriales.
123
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__________________
1. Diagonal izar ortogonalmente la siguiente matriz
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
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

Matematica Basica II PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Matematica Basica II PDF

Cargado por

Copyright:

Formatos disponibles

Excelencia Académica

Estudio de las Matrices (Segunda Parte)

Estudio de las Matrices (Tercera Parte)

Sistema de ecuaciones lineales

Sistema de ecuaciones homogéneo

Marices Diagonalizables (Primera Parte)

Marices Diagonalizables (Segunda Parte)

Aplicación de matrices a la geometría vectorial

DEFINICION DE UNA MATRIZ

 a11 a12  a1j  a1n 

ELEMENTOS DE UNA MATRIZ

El conjunto de números a i1 ,a i2 ,a i3 ,....,a in , en la matriz A anterior se denomina i-

ORDEN DE UNA MATRIZ.

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

TIPOS ESPECIALES DE MATRICES

MATRIZ UNIDAD O IDENTIDAD

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

MATRIZ HEMISIMETRICA O ANTISIMETRICA

Para construir una matriz antisimétrica los elementos de la diagonal

OPERACIONES CON MATRICES

SUMA ALGEBRAICA DE MATRICES

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

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

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

MULTIPLICACION DE UNA MATRIZ POR UN ESCALAR

PRODUCTO DE UN VECTOR FILA POR UN VECTOR COLUMNA

MULTIPLICACIÓN DE DOS MATRICES

cij  a i1b1j  a i2 b 2 j  a i3b3 j    a ip b pj

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

Suponiendo que A, B y C son matrices conformes respecto a la suma algebraica y

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

1. Que significa multiplicar dos matrices conformes respecto al producto

Sean las matrices:

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

MATRIZ TRIANGULAR SUPERIOR

 a11 a12  a1j  a1n 

MATRIZ TRIANGULAR INFERIOR

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

3 5 2 3 5 2  1 4 8 

Reemplazando: f(A) = 3A2 – 2A + 5

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

Las matrices son representaciones, conjunto de números o símbolos algebraicos colocados

 a11 a12  a1j  a1n 

Se estudiaran las principales operaciones con matrices, llamase suma de matrices

R. Figueroa . G. “MATEMÁTICAS BÁSICAS

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

2. Halle “x” de la ecuación matricial:

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

4. Sean las matrices

ESTUDIO DE LAS MATRICES

En este fascículo, se complementará el estudio de las matrices más importantes, y sus

Al finalizar el estudio del presente fascículo, el estudiante:

 Define matrices especiales

f) Si A es de orden mxn, entonces:

no obstante si A es de orden “n” entonces

g) Si A es una matriz cuadrada, entonces la matriz  A  A  es simétrica

h) Si A es una matriz cuadrada, entonces la matriz  A  A  es antisimétrica

CASOS PARTICULARES DE MATRICES

a) Siendo A y B dos matrices cuadradas se llaman permutables, conmutativas

Es fácil entender que si A es una matriz cuadrada de orden “n”

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

DEFINICIÓN.- Si A es una matriz cuadrada de orden “n” y B  aA  bI .

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