Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Aplicada (Matemáticas)
Grado en:
Administración y
Dirección de Empresa
LECCIÓN 1
⎛ x1 ⎞
⎜ ⎟
⎜x ⎟
x = ⎜ 2 ⎟ , por motivos de comodidad se suele utilizar x = (x1, x2,…,x n )
M
⎜ ⎟
⎜x ⎟
⎝ n⎠
Pues bien, vamos a definir sobre n dos operaciones:
1) La suma:
n ä n ö n
" x, y œ n , x + y = (x1, x2,…, xn)+ (y1, y2,…, yn) = (x1+y1, x2+y2,…, xn+yn)
n
Es fácil comprobar que con la operación antes definida, verifica las siguientes propiedades:
• Conmutativa: x + y = y + x
• Asociativa: (x + y) + z = x + (y +z)
• Elemento neutro: ∃ 0 = (0,0,….0) œ n tal que x + 0 = x
• Elemento opuesto o simétrico: " x œ n ∃ (-x) œ n tal que x + (-x) = 0
2) El producto por un escalar:
än ö n
de tal manera que "αœ, "xœn:
α x =α (x1,x2,…,xn) = (α x1,α x2,…,α xn) œ n
Puede comprobarse que la operación así definida verifica las propiedades:
• Pseudoasociativa α (β x) = (α β) x
• Distributiva respecto a la suma de escalares: (α + β)x = α x + β x
• Distributiva respecto a la suma de elementos de n : α (x + y) = α x + α y
• Elemento unidad: 1.x = x
"α,β œ , "x,y œ n y donde hemos denotado por 1 a la unidad del cuerpo de escalares, .
Por tanto, (n,+,.( ))es un espacio vectorial, es decir, n con las operaciones antes dadas, tiene
estructura de Espacio Vectorial sobre , y a sus elementos se les llama Vectores.
Al final del epígrafe volveremos a trabajar en este Espacio Vectorial, pero antes trataremos en el
siguiente apartado de recordar al lector algunas ideas básicas de la teoría de matrices. Los cuales serán de
gran utilidad, tanto en nuestra disciplina como en otras análogas.
LECCIÓN 1
⎜ ⎟
⎜a am 2 L amn ⎟⎠ →
⎝14m1
44424444 3
Columnas de la matriz
Abreviadamente se puede expresar A = (aij ). Cada elemento de la matriz lleva dos subíndices. El
primero de ellos “i”, indica la fila en la que se encuentra el elemento, y el segundo, “j”, la columna. Así el
elemento a23 está en la fila 2 y columna 3. Las matrices siempre se representarán con letras mayúsculas.
3. Se llama matriz columna a la que sólo consta de una columna, es decir su dimensión será m x1,
como por ejemplo:
⎛ 1⎞
⎜ ⎟
C = ⎜ 0 ⎟ es una matriz columna de tamaño 3 x 1.
⎜⎜ ⎟⎟
⎝- 8 ⎠
4. Una matriz es cuadrada cuando tiene el mismo número de filas que de columnas, es decir su dimensión
es n x n. Un ejemplo de matriz cuadrada es:
⎛2 1⎞
D = ⎜⎜ ⎟⎟
⎝ 3 4⎠
Dentro de las matrices cuadradas llamaremos diagonal principal a la formada por los elementos
a11, a22, a33, . . ., ann, siendo la matriz:
LECCIÓN 1
Si una matriz sólo tiene elementos en la diagonal principal se denomina matriz diagonal. Un ejemplo de
matriz diagonal sería:
⎛1 0 0 0 ⎞
⎜ ⎟
⎜0 - 4 0 0⎟
G =⎜
0 0 3 0⎟
⎜ ⎟
⎜0 0 0 0 ⎟
⎝ ⎠
Por último, si una matriz diagonal tiene en su diagonal principal sólo unos, se denomina matriz unidad o
identidad. Se suelen representar por In, donde n es el orden o tamaño de la matriz. Algunas matrices
identidad son:
⎛1 0 0 0 ⎞
⎛1 0 0 ⎞ ⎜ ⎟
⎛1 0 ⎞ ⎜ ⎟ ⎜ 0 1 0 0⎟
I2 = ⎜⎜ ⎟⎟ I3 = ⎜ 0 1 0 ⎟ I4 = ⎜
⎝ 0 1⎠ ⎜ 0 0 1⎟ 0 0 1 0⎟
⎝ ⎠ ⎜ ⎟
⎜ 0 0 0 1⎟
⎝ ⎠
Operaciones con matrices
Suma y diferencia
Para sumar o restar dos matrices del mismo tamaño, se suman o restan los elementos que se
encuentren en la misma posición, resultando otra matriz de igual tamaño.
Por ejemplo:
⎛ 2 1 3⎞ ⎛ 2 0 4⎞ ⎛ 0 1 −1⎞
⎜⎜ ⎟⎟ − ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟
⎝ − 4 2 1 ⎠2 x 3 ⎝ 3 2 5 ⎠2 x 3 ⎝ − 7 0 − 4 ⎠2 x 3
Si las matrices tienen diferente tamaño, no se pueden sumar o restar entre sí.
Conmutativa: A + B = B + A
Asociativa: A + (B + C) = (A + B) + C
Elemento neutro: La matriz nula del tamaño correspondiente.
Elemento opuesto de A: La matriz -A, que resulta de cambiar de signo a los elementos de A.
Dada una matriz cualquiera A y un número real α, el producto α ·A se realiza multiplicando todos los
elementos de A por α, resultando otra matriz de igual tamaño.
Por ejemplo:
⎛ 2 1 3⎞ ⎛ − 1 − 12 − 32 ⎞
− 12 ⎜⎜ ⎟⎟ = ⎜⎜ 1⎟
⎟
⎝ − 4 2 1 ⎠2 x 3 ⎝ − 2 − 1 − 2 ⎠2 x 3
Propiedades:
El conjunto de las matrices de orden mxn (M mxn ) con las operaciones antes dadas, tiene estructura de
espacio vectorial sobre .
LECCIÓN 1
Matriz Traspuesta.
Dada una matriz A de orden män se denomina traspuesta de A y lo denotaremos como At, a aquella
matriz de orden näm que resulta de intercambiar en A filas por columnas.
Por ejemplo, si
⎛ 2 − 3⎞
⎜ ⎟
⎛ 2 1 0 7⎞ ⎜ 1 4 ⎟
A = ⎜⎜ ⎟⎟ , entonces la matriz traspuesta de A es: At = ⎜
⎝− 3 4 2 1⎠ 0 2 ⎟
⎜ ⎟
⎜7 1 ⎟
⎝ ⎠
Dejamos al lector que demuestre las propiedades siguientes:
(At)t = A
(A+B)t = At + Bt
(α A)t = α At con α œ R
(A B)t = Bt At
Si una matriz coincide con su traspuesta, la denominaremos Simétrica.
Matriz Simétrica ⇔ A = At
Obsérvese que solamente las matrices cuadradas pueden ser simétricas.
⎛2 1 3 ⎞
⎜ ⎟
Ejemplo la matriz: A = ⎜1 0 - 2 ⎟
⎜⎜ ⎟⎟
⎝3 - 2 7 ⎠
Matrices simétricas de gran importancia son la matriz diagonal y la unidad.
Multiplicación de matrices
Dadas las matrices A = (aij) de orden män y B = (bij) de orden näp, definimos el producto de A y B
como una tercera matriz C = (cij) de orden mäp cuyos elementos se obtienen mediante la relación:
n
cij = ∑ aik bkj
k =1
Ejemplo
Sean las matrices A y B de órdenes respectivos 2ä2 y 2ä3. El resultado del producto A B es la matriz
C de orden 2ä3:
⎛1 2⎞ ⎛5 6 7⎞ ⎛ 1 * 5 + 2 * 8 1 * 6 + 2 * 9 1 * 7 + 2 * 0 ⎞ ⎛ 21 24 7 ⎞
A = ⎜⎜ ⎟⎟ B = ⎜⎜ ⎟⎟ A B = ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟
⎝ 3 4 ⎠ ⎝ 8 9 0 ⎠ ⎝ 3 * 5 + 4 * 8 3 * 6 + 4 * 9 3 * 7 + 4 * 0 ⎠ ⎝ 47 54 21⎠
LECCIÓN 1
Determinantes
A toda matriz cuadrada A de orden n le vamos a asociar un valor numérico al que denominamos
determinante de A y denotaremos por Det(A) o A .
Dada la matriz cuadrada A, se denomina adjunto de un elemento de la misma, aij al producto de (-l)i+j
por el determinante que resulta de suprimir en A la fila número i y la columna número j; si llamamos Mij
a este último determinante (llamado menor complementario de aij) y Aij al adjunto del elemento en
cuestión, resultará:
LECCIÓN 1
⎛+ − +⎞
⎜ ⎟
⎜− + −⎟
⎜+ − +⎟
⎝ ⎠
donde el + significa que el adjunto coincide con el menor complementario y el - indica que tienen signo
contrario.
Muy útiles en numerosos casos prácticos son las propiedades de los determinantes que enunciamos
a continuación:
El determinante de una matriz A es igual al de su traspuesta: Det(A) = Det(At)
Si A y B son dos matrices cuadradas de orden n, se verifica: Det (A B) = Det (A) Det (B)
Si permutamos dos líneas paralelas de una matriz cuadrada, su determinante cambia de signo.
El determinante de una matriz vale cero si dicha matriz:
o tiene una línea de ceros.
o tiene dos líneas paralelas iguales.
o tiene dos líneas paralelas proporcionales.
o tiene una línea combinación lineal de otras paralelas.
El determinante de una matriz no modifica su valor si a una línea cualquiera de dicha matriz se
le suma otra paralela a ella multiplicada por una constante arbitraria.
pues el orden de mayor determinante no nulo que posee la matriz A es uno, sin embargo el B ≠ 0 y el
orden es de una matriz 2x 2.
LECCIÓN 1
Si en una matriz A intercambiamos entre sí dos o más líneas paralelas, la matriz resultante A*
verifica: Rango(A) = Rango(A*)
⎛A a12 ⎞
A2 = Det ⎜⎜ 1 ⎟
⎝ a21 a22 ⎟⎠
De forma análoga, llamemos A3 al determinante de la matriz formada con las tres primeras filas y
columnas, etc. Pues bien, el método al que antes hacíamos referencia lo llevaremos a cabo dando los
siguientes pasos:
1) Fijamos nuestra atención en a11. Si a11∫0 le llamamos a este elemento A1 y se sigue en el paso 2);
si a11=0, intercambiaremos la línea a la que pertenece dicho elemento por otra, cuyo primer elemento, ai1
o a1j, sea distinto de cero. Luego, en definitiva, se trata de conseguir que A1∫0 y, por tanto, podemos
afirmar que, al menos, Rango(A) = 1, pues contiene (al menos) un determinante no nulo de primer orden.
2) Consideremos A2. Si Det(A2)∫0 se pasa a la etapa 3). En caso contrario, intercambiamos la
segunda fila o la segunda columna de la matriz por una paralela a ella de tal forma que consigamos que
Det(A2)∫0. Obsérvese que el intercambio ha de hacerse de tal forma que no modifiquemos el menor
anterior (distinto de cero), que en nuestro caso es A1. Si no conseguimos que exista un determinante:
A1 a12
≠0
a21 a22
concluiremos con que Rango(A) = 1, pues todos los menores de orden 2 son nulos. En caso contrario,
podemos afirmar que, al menos, Rango(A) = 2 y pasamos a:
3) Consideremos A3 ... , y así sucesivamente.
Ejemplo
Calculemos el rango de:
⎛0 1 5 ⎞
⎜ ⎟
⎜2 3 −1⎟
A=⎜
2 4 4 ⎟
⎜ ⎟
⎜2 2 − 6 ⎟⎠
⎝
Solución:
1) Dado que a11 = 0, intercambiamos entre sí las columnas 1 y 2, resultando:
⎛1 0 5 ⎞
⎜ ⎟
(1) ⎜ 3 2 −1⎟
A =⎜
4 2 4 ⎟
⎜ ⎟
⎜2 2 − 6 ⎟⎠
⎝
de tal manera que Rango(A) = Rango(A(1)) y A1∫0. Luego, al menos, el Rango(A)=1.
2) Formamos:
LECCIÓN 1
⎛1 0⎞
A2 = ⎜⎜ ⎟⎟
⎝3 2⎠
como Det(A2) ∫0, al menos el Rango(A)=2.
3) Formamos:
⎛1 0 5 ⎞
⎜ ⎟
A3 = ⎜ 3 2 − 1⎟
⎜4 2 4 ⎟
⎝ ⎠
como Det(A3)=0, intercambiamos en A las filas 3 y 4 quedando:
⎛1 0 5 ⎞
⎜ ⎟
⎜3 2 −1⎟
A( 2 ) =⎜
2 2 − 6⎟
⎜ ⎟
⎜4 2 4 ⎟⎠
⎝
Siendo ahora:
⎛1 0 5 ⎞
⎜ ⎟
A'3 = ⎜ 3 2 − 1 ⎟
⎜ 2 2 − 6⎟
⎝ ⎠
como Det(A’3) =0, resulta que todos los determinantes de orden 3 de A son nulos. Luego, el orden del
mayor determinante de A distinto de cero es 2, es decir, Rango(A) = 2.
Ejercicio
Calculemos el rango de las siguientes matrices:
⎛1 1 0 1 ⎞ ⎛ 2 −1 1 ⎞
⎜ ⎟ ⎜ ⎟
A = ⎜ 0 − 1 1 − 1⎟ B=⎜ 0 0 0⎟
⎜ 0 0 −1 4 ⎟ ⎜ − 2 1 − 1⎟
⎝ ⎠ ⎝ ⎠
Matriz Inversa
Dada una matriz cuadrada A, diremos que A-1 es matriz inversa de A si:
A A-1 = A-1 A = I
El método para calcular la inversa de una matriz A es el siguiente:
a) Verifíquese que Det (A) ∫0
b) Calcúlese la matriz adjunta: Adj(A).
c) Calcúlese su traspuesta: Adj(A)t.
1
d) Efectúese el producto: Adj(A) t
Det (A)
El lector puede determinar la inversa de matrices cualesquiera, pudiendo descubrir un posible error de
cálculo, sin más que aplicar la definición dada: la matriz que calcule A-1 ha de ser tal que A A-1 = I.
Propiedades
La inversa de una matriz es única.
(A-1)-1 = A
(A B)-1 = B-1 A-1
(A-1)t = (At)-1
LECCIÓN 1
Ejercicio
⎛1 1 0⎞
⎜ ⎟
Determine la matriz inversa de A = ⎜ 0 − 1 1 ⎟
⎜ 0 0 − 1⎟
⎝ ⎠
1.3. SISTEMAS DE ECUACIONES LINEALES
Tratamos en este apartado de recordar al lector las ideas fundamentales sobre resolución y discusión
de sistemas de ecuaciones lineales.
Denominamos sistemas de ecuaciones lineales a un conjunto de relaciones lineales como sigue:
a11 x1 + a12 x2 + L + a1n xn = b1 ⎫
a21 x1 + a22 x2 + L + a2 n xn = b2 ⎪⎪
⎬
L ⎪
am1 x1 + am 2 x2 + L + amn xn = bm ⎪⎭
que, en este caso, consta de m ecuaciones lineales con n incógnitas: x1, x2, …, xn. Supondremos que los
coeficientes de las incógnitas aij, los términos independientes b¡ y las propias incógnitas xj pertenecen al
cuerpo de los números reales.
La forma anterior de expresar un sistema de ecuaciones lineales suele denominarse forma canónica.
Si llamamos:
⎛ a1 j ⎞
⎜ ⎟
⎜ a2 j ⎟
Pj = ⎜ ⎟ para j = 1,2, L , n
M
⎜ ⎟
⎜ amj ⎟
⎝ ⎠
podemos dar una expresión vectorial del sistema anterior en la forma:
x1P1 + x2P2 +…+ xnPn = b
donde hemos llamado:
⎛ b1 ⎞
⎜ ⎟
⎜b ⎟
b=⎜ 2 ⎟
M
⎜ ⎟
⎜b ⎟
⎝ m⎠
Análogamente, podemos dar una representación matricial del sistema anterior en la forma:
Ax=b
siendo:
Dado un sistema de ecuaciones lineales, denominamos solución s a n números reales, s1, s2, …, sn con:
LECCIÓN 1
⎛ s1 ⎞
⎜ ⎟
⎜s ⎟
s=⎜ 2⎟
M
⎜ ⎟
⎜s ⎟
⎝ n⎠
tales que, sustituyendo respectivamente si por cada xi en el sistema, se verifican todas y cada una de las
ecuaciones:
a11s1 + a12 s2 + L + a1n sn = b1 ⎫
a21s1 + a22 s2 + L + a2 n sn = b2 ⎪⎪
⎬
L ⎪
am1s1 + am 2 s2 + L + amn sn = bm ⎪⎭
Si un sistema no tiene solución se le denomina incompatible; por el contrario, si tiene al menos una
solución se le llama compatible. En este último caso, si la solución es única, el sistema es compatible
determinado, mientras que si tiene más de una solución el sistema se denomina compatible
indeterminado.
Discusión de sistemas de ecuaciones lineales
En muchos momentos no vamos a necesitar resolver un sistema de ecuaciones lineales, sino
solamente saber si posee o no solución y, en caso afirmativo, si ésta es o no única.
Al proceso mediante el cual discernimos sobre la existencia o no de soluciones para un sistema de
ecuaciones dado y, posteriormente, en caso de existir dicha solución, analizar su unicidad, le llamaremos
discusión del sistema.
El teorema de Rouché será el instrumento eficaz que utilizaremos para discutir un sistema, como
podrá apreciarse en el ejemplo que veremos más adelante.
Teorema de ROUCHÉ-FROBENIUS
Dado el sistema de ecuaciones lineales
A·x = b
construimos una nueva matriz A* (matriz ampliada) añadiéndole a la matriz A una nueva columna
formada por los elementos de b; esto es:
A* = (A | b)
A) El sistema es INCOMPATIBLE si Rango(A*)>Rango(A)
B) El sistema es COMPATIBLE si Rango(A*) = Rango(A)
a. El sistema además es DETERMINADO si Rango(A*)=Rango(A)=n
b. El sistema además es INDETERMINADO si Rango(A*)=Rango(A)<n
Ejemplo
Discuta el siguiente sistema:
− x1 + x 2 + 5 x 3 = 4 ⎫
⎪
3x1 − 13x 2 − 5x 3 = −4⎬
x1 − 6 x 2 = 0 ⎪⎭
Solución:
Observemos que Rango(A*) = Rango(A) = 2, menor que el número de incógnitas (=3), con lo cual el
sistema es compatible indeterminado y tiene infinitas soluciones
LECCIÓN 1
a11 L b1 L a1n
Establezcamos:
a21 L b2 L a2n
det( A j ) =
L L L L L
an1 L bn L ann
columna j
x1 + x2 = 9⎫
⎬
x1 − x2 = 1⎭
Aplicando las expresiones anteriores a este sistema obtenemos:
9 1
det( A1 ) 1 −1 − 9 −1
x1 = = = =5
det( A) 1 1 −1−1
1 −1
1 9
det( A2 ) 1 1 1− 9
x2 = = = =4
det( A) 1 1 −2
1 −1
LECCIÓN 1
es decir, el sistema es compatible indeterminado. Veremos a continuación que tales sistemas se pueden
reducir a uno de Cramer equivalente.
Como Rango(A) = r, sólo existen r filas y r columnas que nos da información sobre la solución.
Sea
a11 a12 L a1r
a 21 a 22 L a 2 n
≠0
L L L L
a r1 a r 2 L a rr
En el caso de las filas, como cada una de ellas representa una ecuación, de las m sólo r nos aportan
algún tipo de información y las restantes m - r no nos dicen nada y por ello las podemos eliminar. En
cuanto a las columnas, sólo r columnas nos aporta información, pasemos las n - r restantes al miembro de
la derecha. En estas condiciones obtendremos:
En este momento, el sistema puede ser considerado de Cramer en las incógnitas x1,x2,…,xr. Si lo
resolvemos, obtendremos unas incógnitas (las r primeras a las que podemos llamar principales) en
función de las restantes (a las que llamaremos secundarias); dando valores a estas últimas obtendremos
distintas soluciones.
Ejemplo Resolver
− x1 + x 2 + 5 x 3 = 4 ⎫
⎪
3x1 − 13x 2 − 5x 3 = −4⎬
x1 − 6 x 2 = 0 ⎪⎭
Solución:
Ya hemos visto anteriormente que este sistema es compatible indeterminado, puesto que Rango(A*)
= Rango(A) = 2 < número de incógnitas. Ello nos dice que de las tres ecuaciones, sólo dos nos da
información. Como
−1 1
≠0
3 − 13
LECCIÓN 1
esto nos indica que las dos primeras ecuaciones nos resume toda la información del sistema, ya que la
tercera repite la información, 3ª = (1ª +2ª)/2, por lo que la eliminamos.
Por otra parte, las incógnitas asociadas a los elementos del determinante de orden 2 no nulo serán las
principales, es decir, x1, x2. Luego el sistema a resolver sería:
− x1 + x2 = 4 − 5 x3 ⎫
⎬
3 x1 − 13 x2 = − 4 + 5 x3 ⎭
⎛ 24 ⎞
⎜ 6a − ⎟
⎜ 5 ⎟
4
x = ⎜ a − ⎟ con a œ
⎜ 5 ⎟
⎜ a ⎟
⎜ ⎟
⎝ ⎠
para cada valor de “a” obtendremos una solución distinta.
Sistemas Homogéneos
En gran número de casos surge la necesidad de discutir un sistema de ecuaciones lineales homogéneo;
denominamos así a aquéllos cuyos términos independientes son nulos: b = 0. Este tipo de sistemas tiene
la particularidad de que siempre tienen solución (obsérvese que Rango(A) = Rango(A|0), ya que al menos
poseen la denominada solución trivial, esto es:
xi = 0 para i=l, 2, ... , n
Entonces, en el caso de aplicar el teorema de Rouché a un sistema homogéneo, si es determinado su
única solución será la trivial, mientras que si es indeterminado tendrá, además de la trivial, infinitas más.
LECCIÓN 1
Ejemplo
Sea un conjunto de vectores de 3:
v1=(2,0,-5), v2=(5,3,-14), v3=(9,-3,4)
analice si son linealmente dependientes.
Solución:
Los tres vectores v1, v2, v3 son linealmente dependientes si:
α1v1 + α 2v2 + α 3v3 = 0 con algún α i no nulo.
Sustituyendo cada vi por su valor y operando obtenemos el siguiente sistema:
2α1 − 5α 2 + 9α 3 = 0⎫
⎪
3α 2 − 3α 3 = 0 ⎬
− 5α 1−14α 2 + 4α 3 = 0 ⎪⎭
⎡• • L •⎤
= n ⇒ vectores LI
Rg ⎢⎢ M M L M ⎥⎥ a
< n ⇒ vectores LD
⎢⎣• • L •⎥⎦
↑ ↑ ↑↑ ↑
v1 v2 L vn
Ejemplo
¿Son linealmente independientes los vectores {(2, 0, 1), (1, 3, 0), (0, 0, 1), (1, 2, 3)}?
Solución.
⎛2 1 0 1⎞
⎜ ⎟
Sea la matriz A = ⎜ 0 3 0 2 ⎟ cuyas columnas son los vectores.
⎜1 0 1 3⎟
⎝ ⎠
Como A tiene 3 filas, sin realizar ninguna operación sabemos que Rg( A) ≤ 3: por tanto los vectores
son LD. Ahora bien,
2 1 0
0 3 0 = 6 ≠ 0 ⇒ Rg ( A) = 3 , entonces los tres primeros vectores son LI
1 0 1
LECCIÓN 1
Consideremos el espacio vectorial, n. Es inmediato comprobar que los siguientes n vectores forman
una base de n:
{(l, 0,…,0), (0,1,…,0),…,(0,0,…,1)} Õ n
Pues bien, si se desea obtener las componentes de un vector cualquiera x de n, x = (x1, x2, …, xn)
respecto a esta base, puede fácilmente comprobarse que son las mismas x1, x2, …, xn.. A esta base se la
denomina base canónica. En general, se considerará que cualquier vector está dado en función de dicha
base canónica.
LECCIÓN 1
Ejemplo
Calcule las componentes del vector ( -3, 2, 6) respecto de la base B={(1,0,1),(0,-1,0),(0,0,1)}
Solución:
La matriz del cambio de base de BC öB
⎛1 0 0⎞
⎜ ⎟
P = ⎜ 0 −1 0⎟
⎜1 0 1⎟
⎝ ⎠
La expresión matricial del cambio de base será en este caso:
⎛ − 3 ⎞ ⎛ 1 0 0 ⎞⎛⎜ x1 ⎞⎟
*
⎜ ⎟ ⎜ ⎟ *
⎜ 2 ⎟ = ⎜ 0 − 1 0 ⎟⎜ x2 ⎟ ⇒
⎜ 6 ⎟ ⎜ 1 0 1 ⎟⎜⎜ x * ⎟⎟
⎝ ⎠ ⎝ ⎠⎝ 3 ⎠
−1
⎛ x1* ⎞ ⎛ 1 0 0 ⎞ ⎛ − 3 ⎞ ⎛ 1 0 0 ⎞⎛ − 3 ⎞ ⎛ − 3 ⎞
⎜ *⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ x2 ⎟ = ⎜ 0 − 1 0 ⎟ ⎜ 2 ⎟ = ⎜ 0 − 1 0 ⎟⎜ 2 ⎟ = ⎜ − 2 ⎟
⎜⎜ * ⎟⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟
⎝ x3 ⎠ ⎝ 1 0 1 ⎠ ⎝ 6 ⎠ ⎝ − 1 0 1 ⎠⎝ 6 ⎠ ⎝ 9 ⎠