Capítulo 1: Álgebra Matricial (cont.

1.7 DETERMINANTE DE UNA MATRIZ

El determinante de una matriz es un escalar (un número), obtenido a partir de los elementos de una matriz por
operaciones especificadas, y que es característico de la matriz. Los determinantes están definidos solamente para
matrices cuadradas. En esta sección se estudiarán los métodos para obtener los determinantes y las propiedades
de éstos.

El determinante de una matriz 2 × 2 .

⎡a a12 ⎤
A = ⎢ 11 ⎥
⎣a21 a 22 ⎦

está dado por

€ det A = A = a11 a 22 − a12 a 21

EJEMPLO
€
⎡3 −6⎤ 3 −6
Si A = ⎢ ⎥ entonces A =
4 1
= 3 − (−24 ) = 27
⎣4 1⎦

⎡−1 €⎤
−0 −1 0
€ Si A = ⎢ ⎥ entonces A = = −10 − 0 = −10
⎣ 6 10⎦ 6 10

Análogamente, el determinante de una matriz 3 × 3 ,

€
€
⎡a11 a12 a13 ⎤
⎢ ⎥
A = ⎢a21 a 22 a 23 ⎥
⎢
⎣a31 a 32 a 33 ⎥
⎦
está dado por

A = a11a 22 a 33 + a12 a23 a 31 + a13 a 32 a21 − a13 a 22 a 31 − a23 a 32 a11 − a 33 a21a12

€
Los términos se pueden obtener por la regla ilustrada en la figura 7.1, en donde los términos de productos
positivos
€ se forman con los elementos unidos por líneas continuas, y los términos de productos negativos se
componen de los elementos unidos por líneas punteadas. Observemos que reglas similares no son válidas para
matrices de orden superior.
Por definición, un determinante de orden n, o sea, n, A = ai j con i, j = 1, 2…, n, es la suma algebraica de
n! términos, cada uno de los cuales representa el producto de n elementos seleccionados uno de cada fila y uno
de cada columna, en todas las posibles y distintas combinaciones, teniendo signo positivo o negativo, según si el
número de inversiones en el orden de j (después
€ de que se ha dispuesto i en el término del producto en orden
ascendente) es par o impar.
 Resulta tedioso emplear esta reglas para obtener el determinante de una matriz de orden mayor que,
digamos, 3 × 3 . Por ejemplo, el determinante de una matriz 4 × 4 es la suma algebraica de 4! = 24 términos,
cada uno de los cuales es el producto de cuatro elementos; el determinante de una matriz 5 × 5 es la suma
algebraica de 5! = 120 términos, cada uno de los cuales es el producto de cinco elementos.
Determinantes de matrices de orden mayor que 3 × 3 suelen calcularse por un procedimiento conocido
como desarrollo por cofactores. Por ejemplo, el determinante de la matriz 3 × 3 anterior se puede escribir

A = a11 (a 22 a 33 − a 23 a32 ) − a12 (a 21a 33 − a23 a 31 ) + a13 (a 21a32 − a 22 a 31 )

a 22 a 23 a21 a 23 a 21 a22
= a11 − a12 + a13
a 32 a 33 a31 a 33 a 31 a32

Observamos que cada determinante en la suma es el determinante de una submatriz de A que se obtiene
omitiendo€una fila y una columna particulares de A. Estos determinantes se llaman menores.

DEFINICIÓN: Sea M i j la matriz ( n −1) × ( n −1) obtenida al omitir la i-ésima fila y la j-ésima
columna de An×n .

i+ j
€ Mi
El determinante j es un menor de la matriz A. El escalar Ci j = (−1) Mi j

€ ′
se denomina cofactor del elemento ai j de la matriz A. La matriz n x n (Ci j ) se denomina adjunta de A y se
€ €
representa por adj A.

Como se señaló antes, el determinante de una matriz se puede

€ obtener por un procedimiento conocido como
€
desarrollo por cofactores. El determinante de A puede desarrollarse en términos de la fila i por la fórmula:
n
A= ∑a i j Ci j para cualquier fila i = 1, 2, …, n,
j=1

y en términos de la columna j por la fórmula:

€ n
A= ∑a i j Ci j para cualquier columna j = 1, 2, …, n
i=1

Por tanto el determinante de A3×3 expresado antes como

€
a 22 a 23 a a 23 a a22
A = a11 − a12 21 + a13 21
a 32 a 33 a31 a 33 a 31 a32
€

€
 se puede escribir
3
A = a11C11 + a12C12 + a13C13 = ∑a 1 j C1 j
j =1

EJEMPLO
€
Evalúe el determinante de la matriz

⎡3 0 −2⎤
⎢ ⎥
A = ⎢6 −8 1⎥
⎢
⎣0 3 4⎥
⎦
A = −96 + 0 − 36 − (0 + 9 + 0) = −141

o bien, desarrollando en términos de la primera fila,

€
−8 1 6 −8
A =3 +0−2 = 3(−32 − 3) − 2(18 − 0) = −105 − 36 = −141
3 4 0 3

Efectuando el desarrollo en función de la segunda columna,

€
3 −2 3 −2
A = 0−8 −3 = 0 − 8(12 − 0) − 3(3 +12) = −96 − 45 = −141
0 4 6 1

Cabe hacer notar que los cofactores son básicamente determinantes, y se puede evaluar por desarrollos
€ posteriores en términos de determinantes de orden inferior. Por desarrollo repetido, un determinante de n-ésimo
orden puede escribirse en términos de determinantes de segundo o de tercer orden, los cuales se pueden evaluar
fácilmente. Para simplificar los cálculos, un determinante debe desarrollarse en términos de la fila o de la
columna que tenga el mayor número de ceros.

PROPIEDADES DE LOS DETERMINANTES

Las siguientes propiedades de los determinantes frecuentemente son útiles en su evaluación:

1. El intercambio de las correspondientes filas y columnas de un determinante no altera su valor, es decir,

A = A′ .
2. Si todos los elementos de una fila (o de una columna) de un determinante son iguales a cero, el valor del
determinante es nulo.
€ 3. Si todo elemento de una fila (o de una columna) de un determinante se multiplica por un misma constante, el
valor del determinante queda multiplicado por dicha constante.
4. Si se intercambian dos filas (o dos columnas) de un determinante, el signo del determinante cambia, pero su
valor absoluto no.
5. Si dos filas (o dos columnas) de un determinante son idénticas, el valor del determinante es cero.
6. El valor de un determinante no cambia si cada elemento de cualquier fila (o cualquier columna), o cada
elemento multiplicado por la misma constante, se suma o se resta del correspondiente elemento de cualquier
otra fila (o columna).
7. El determinante del producto de dos matrices es igual al producto de los determinantes de las dos matrices,
es decir,
8. El determinante de una matriz diagonal es igual al producto de los elementos de su diagonal.
 EJEMPLO

⎡ 1 3 −3⎤
⎢ ⎥
Si A = ⎢ 2 0 1⎥,
⎢
⎣−1 4 −2⎥
⎦

€
(Propiedad 1)

⎡ 1 3 −3⎤ ⎡ 1 2 −1⎤
⎢ ⎥ ′ ⎢ ⎥
A =⎢ 2 0 1⎥= 0 − 3 − 24 − (0 + 4 −12) = −19 A = ⎢ 3 0 4 ⎥= 0 − 24 − 3 − (0 + 4 −12) = −19
⎢
⎣−1 4 −2⎥
⎦ ⎢
⎣−3 1 −2⎥⎦

(Propiedad 3)
€ €
3 3 −3
*
A = 6 0 1 = 0 − 9 − 72 − (0 +12 − 36) = −57 = 3 A
−3 4 −2

(Nota: La primear columna de A se multiplica por 3 para formar A*)

€
(Propiedad 4)

⎡ 1 3 −3⎤
⎢ ⎥
B = ⎢−1 4 −2⎥= 4 −12 + 0 − (−24 + 0 − 3) =19 = − A
⎢
⎣ 2 0 1⎥
⎦

(Nota: La segunda y la tercera filas de A se intercambian para formar B.)

€
(Propiedad 6)

⎡1 3 −3⎤
⎢ ⎥
C = ⎢3 4 0⎥= 4 + 0 + 0 − (−24 + 0 + 9) =19 = B
⎢
⎣2 0 1⎥
⎦

(Nota: La segunda fila de C es igual a la segunda fila de B más dos veces la tercera fila de B.)
€
(Propiedad 2)

⎡ 1 3 −3⎤ ⎡ 1 3 −3⎤
⎢ ⎥ ⎢ ⎥
Si A = ⎢ 0 0 0⎥, entonces A =⎢ 0 0 0⎥= 0 + 0 + 0 − (0 + 0 + 0) = 0
⎢
⎣−1 4 −2⎥
⎦ ⎢
⎣−1 4 2⎥
⎦

(Propiedad 5)
€ €
⎡ 1 1 −3⎤ ⎡ 1 1 −3⎤
⎢ ⎥ ⎢ ⎥
Si A = ⎢ 2 2 1⎥ entonces A =⎢ 2 2 1⎥= −4 −1 + 6 − (6 −1 − 4 ) = 0
⎢
⎣−1 −1 −2⎥
⎦ ⎢
⎣−1 −1 −2⎥
⎦

€ €
 (Propiedad 7)

⎡ 1 3 −3⎤ ⎡−1 0 2⎤
⎢ ⎥ ⎢ ⎥
Si A = ⎢ 2 0 1⎥ y B =⎢ 3 −2 −2⎥, entonces
⎢
⎣−1 4 −2⎥
⎦ ⎢
⎣ 1 0 −1⎥
⎦

⎡ 5 −6 −1⎤
⎢ ⎥
€ AB = ⎢−1 0 3⎥= 0 −198
€ − 8 − (0 −120 − 48) = −38
⎢
⎣11 −8 −8⎥
⎦

⎡ 1 3 −3⎤ ⎡−1 0 2⎤
⎢ ⎥ ⎢ ⎥
€ A =⎢ 2 0 1⎥= −19 B =⎢ 3 −2 −2⎥= −2 + 0 + 0 − (−4 + 0 + 0) = 2
⎢
⎣−1 4 −2⎥
⎦ ⎢
⎣ 1 0 −1⎥
⎦

AB = A B = (−19)(2) = −38
€ €
(Propiedad 8)
€
⎡3 0 0⎤ ⎡3 0 0⎤
⎢ ⎥ ⎢ ⎥
Si A = ⎢0 −2 0⎥, entonces A = ⎢0 −2 0⎥= −6 + 0 + 0 − (0 + 0 + 0) = −6
⎢
⎣0 0 1⎥
⎦ ⎢
⎣0 0 1⎥
⎦

€
1.8 INVERSA DE UNA MATRIZ
€
La inversa de una matriz se emplea en la resolución de ecuaciones lineales simultáneas y en otros análisis. En
esta sección se define la inversa de una matriz y se analizan varios métodos de inversión; tales procedimientos
incluyen la inversión por medio de la eliminación gaussiana, la inversión por medio de adjuntas y determinantes,
y la inversión por medio de adjuntas y determinantes, y la inversión de matrices subdivididas. Asimismo, se
consideran las propiedades de las inversas.
Si para una matriz A de orden n x n (cuadrada) existe otra matriz B de orden n x n (cuadrada) tal que su
producto es la matriz identidad de orden n, es decir, si

An×n Bn×n = I n = Bn×n An×n

entonces se dice que B es la recíproca o la inversa de A, y se escribe

€ −1
B = A −1 = (a i j ) = (a i j ) = (bi j )

(Se puede demostrar que AB = I ⇔ BA = I ).

€
NOTA: En álgebra elemental, la división de una cantidad x entre una cantidad y es equivalente a multiplicar x
por el recíproco de y, es decir,
x ⎛1 ⎞
€ = x ⎜ ⎟= xy −1
y ⎝y ⎠

La obtención de la recíproca o inversa de una matriz es una operación análoga a la de la división en álgebra
elemental; sin embargo, nótese que aunque todo número diferente de cero tiene un recíproco, hay matrices
€
 cuadradas, además de la matriz nula, que no poseen inversa. Una matriz que tienen inversa se dice que es no
singular; una matriz que carece de inversa recibe el nombre de singular.
Una matriz no cuadrada puede tener inversa por la izquierda o por la derecha. Una matriz A de orden n x s se
dice que tiene a B como inversa por la izquierda si BA = I; en este caso I debe ser de orden s x s, y B, de orden
s x n. Análogamente, si AC = I, se dice que C es la inversa por la derecha de A; en este caso, I debe ser de orden
n x n, y C de orden s x n. Es posible demostrar que si A tiene como inversa por la izquierda a B, y como inversa
por la derecha a C, entonces B = C = A-1, y A es cuadrada (y no singular).
La operación de obtener la inversa de una matriz, llamada inversión de una matriz, es esencial para la
resolución matricial de conjuntos de ecuaciones lineales simultáneas; tales ecuaciones aparecen, por ejemplo, en
la resolución de modelos económicos y en problemas de programación lineal.
Cualquier conjunto de ecuaciones lineales simultáneas se puede escribir en notación matricial. Por ejemplo:

a11 x1 + a12 x 2 + a13 x 3 +L + a1n x n = c1

a 21 x1 + a 22 x 2 + a 23 x 3 +L + a 2n x n = c 2
M
am1 x1 + a m 2 x 2 + am 3 x 3 +L + a mn x n = c m

se puede escribir como Am×n X n×1 = Cm×1

€
Si m = n y A tiene inversa, es decir, si A es cuadrada y no singular, entonces el conjunto de ecuaciones
lineales simultáneas representado por
€
An×n Xn×1 = c n×1
tiene la solución
−1
Xn×1 = An×n c n×1

La resolución de ecuaciones lineales €

simultáneas se considera en detalle en la sección 1.9.

€
INVERSIÓN DE MATRICES 2 X 2

Si n = 2, es decir, si el conjunto de ecuaciones simultáneas consta de dos ecuaciones con dos incógnitas.

a11 x1 + a12 x 2 = c1
a21 x1 + a 22 x 2 = c 2

o, en notación matricial,
€
A2×2 X2×1 = c 2×1

−1
Entonces A2×2 puede obtenerse fácil y directamente a partir de su definición, como sigue.

⎡a a12 ⎤ € ⎡b b12 ⎤
Si A = ⎢ 11 ⎥ y A −1 está denotada por B = ⎢ 11 ⎥
€ ⎣a21 a 22 ⎦ ⎣b21 b22 ⎦

⎡a11 a12 ⎤⎡b11 b12 ⎤ ⎡1 0⎤

entonces, por definición,
€ AB = I , es decir, ⎢ ⎥⎢ ⎥= ⎢ ⎥
€ ⎣a21€ a 22 ⎦⎣b21 b22 ⎦ ⎣0 1⎦

€ €
 ⎡ a11 b11 + a12 b21 a11b12 + a12 b22 ⎤ ⎡1 0⎤
y de ese modo ⎢ ⎥= ⎢ ⎥
⎣a21 b11 + a 22 b21 a 21 b12 + a 22 b22 ⎦ ⎣0 1⎦

y
a11 b11 + a12 b21 =1
€
a11b12 + a12 b22 = 0
a 21 b11 + a 22 b21 = 0
a 21 b12 + a 22 b22 =1

Resolviendo estas cuatro ecuaciones para determinar las cuatro bi j ’s,

€
a22 −a12
b11 = b12 =
a11 a22 − a21a12€ a11 a22 − a21a12
−a21 a11
b21 = b22 =
a11 a22 − a21a12 a11 a22 − a21a12

Nótese que el denominador de cada una de esta expresiones es el determinante de A

€ a11 a12
A= = a11a 22 − a21a12
a21 a 22
€
Si det A = 0 , las bi j ’s no están definidas y no se puede obtener A −1 . Puede demostrarse, en general, que una
matriz cuadrada de cualquier € tamaño tiene una inversa sólo si su determinante es distinto de cero.

EJEMPLOS
€
€ €
A.
⎡−1 6⎤
Determinar, si existe, la inversa de la matriz ⎢ ⎥
⎣ 4 3⎦

−1 6
= −3 − 24 = −27 , de manera que la inversa existe.
4 3 €

3 1 −6 2 −4 4 −1 1
b11 = =− b12 = = b21 = = b22 = =
€ −27 9 −27 9 −27 27 −27 27
−1
⎡−1 6⎤ ⎡− 19 2⎤
9
€
y así, ⎢ ⎥ =⎢ 4 1
⎥
⎣ 4 3⎦ ⎣ 27 27 ⎦

⎡−1 6⎤ ⎡− 19 2⎤ ⎡
9
1 0⎤
Observemos que ⎢ ⎥= ⎢ ⎥= ⎢ ⎥
€ ⎣ 4 3⎦ ⎣ 274 1
27 ⎦ ⎣
0 1⎦

B.

€
 ⎡−3 15⎤
Determinar, si existe, la inversa de la matriz ⎢ ⎥
⎣ 1 −5⎦
⎡−3 15⎤
⎢ ⎥=15 −15 = 0 , de manera que no existe la inversa (es decir, la matriz es singular).
⎣ 1 −5⎦
€

€ PROBLEMAS

Para cada una de las matrices siguientes, evalúe el determinante y obtenga la inversa, si existe.
Emplee matrices particionadas para verificar resultados.

⎡1 6⎤ ⎡1 0⎤ ⎡0 1⎤ ⎡0 1⎤
1. ⎢ ⎥ 2. ⎢ ⎥ 3. ⎢ ⎥ 4. ⎢ ⎥
⎣0 1⎦ ⎣0 1⎦ ⎣1 0⎦ ⎣1 6⎦
⎡2 −3⎤ ⎡ 2 2⎤ ⎡−1 3⎤ ⎡−1 −1⎤
5. ⎢ ⎥ 6. ⎢ ⎥ 7. ⎢ ⎥ 8. ⎢ ⎥
⎣4 −6⎦ ⎣−4 −4 ⎦ ⎣ 2 7⎦ ⎣−1 −1⎦

€ Respuestas a los Problemas de Número Impar

⎡0 −6⎤ ⎡0 1⎤
1. det =1, ⎢ ⎥ 3. det = −1, ⎢ ⎥
⎣0 1⎦ ⎣1 0⎦
⎡− 7 3⎤
5. det = 0, de manera que no existe la inversa 7. det = −13, ⎢ 132 13
1
⎥
⎣ 13 13 ⎦

INVERSIÓN DE MATRICES DE MAYOR ORDEN

€
En principio, la inversa de cualquier matriz no singular se puede obtener a partir de su definición del modo
señalado para una matriz 2 x 2 . Es decir, si
⎡a11 a12 L a1n ⎤
⎢ ⎥
⎢a21 a 22 L a 2n ⎥
A=
⎢ M M M M⎥
⎢ ⎥
⎣a n1 a n 2 L ann ⎦
y B = A −1 , entonces AB = I
⎡a11 a12 L a1n ⎤⎡b11 b12 L b1n ⎤ ⎡c11 c12 L c1n ⎤ ⎡1 0⎤
⎢ €⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢a 21 a 22 L a 2n ⎥⎢b21 b22 L b2n ⎥= ⎢c 21 c 22 L c 2n ⎥= ⎢ 1 ⎥= I
€
⎢€M M M M⎥⎢ M M M M⎥ ⎢ M M M M⎥ ⎢ O ⎥ n
⎢ ⎥⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣a n1 a n 2 L ann ⎦⎣bn1 bn 2 L bnn ⎦ ⎣c n1 c n 2 L c nn ⎦ ⎣0 1⎦

n
en donde c i k = ∑ j=1 a i j bb k y los n2 elementos de la matriz inversa (b j k ) se pueden obtener por resolución de
€las n2 ecuaciones

€ €
 n

∑a i jbj k =1 si i = k
j=1

∑a i jbj k =0 si i ≠ k
j=1

en donde i = 1, 2, …, n y k = 1, 2, …, n.
Para una matriz de orden 3 x 3 o mayor, este método de inversión resulta tedioso. Afortunadamente, existen
numerosos procedimientos para invertir € matrices, y la inversión es también un programa estándar disponible
para la mayor parte de las computadoras electrónicas. En las siguientes secciones se estudian dos métodos de
inversión; ambos son factibles a no ser que la matriz sea demasiado grande, o que sus elementos consten de
varios dígitos.

INVESIÓN MEDIANTE EL USO DE OPERACIONES DE FILA O DE COLUMNA

Para resolver un sistema de ecuaciones lineales simultáneas, se emplean ciertas operaciones sencillas para
convertir el sistema original a un sistema equivalente, es decir, a un sistema que tenga la misma solución que el
sistema original, pero que sea más sencillo de resolver. Se obtiene un sistema equivalente si (1) se intercambian
dos ecuaciones, (2) se multiplica una ecuación por una constante diferente de cero, y (3) la i-ésima ecuación se
reemplaza por la suma de la i-ésima ecuación y k veces la j-ésima ecuación, en donde k es una constante
diferente de cero.
Análogamente, tres operaciones elementales de fila para las matrices se definen como sigue: (1) intercambio
de dos filas, (2) multiplicación de una fila por un escalar diferente de cero, y (3) el reemplazo de la i-ésima fila
por la suma de la i-ésima fila y k veces la j-ésima fila, siendo k un escalar cualquiera distinto de cero.
Las correspondientes operaciones para las columnas de una matriz son las operaciones elementales de
columna. Las operaciones elementales de fila o de columna pueden utilizarse para obtener la inversa de una
matriz, como lo establece el teorema siguiente.

TEOREMA: Si una matriz A se convierte en la matriz identidad por una serie de operaciones de fila o una
serie de operaciones de columna, entonces la misma serie de operaciones realizadas sobre la matriz identidad la
convertirán en A −1 .
Hay un método normal, que invariablemente es apropiado, para convertir una matriz no singular en la matriz
identidad, o para establecer la singularidad de una matriz que no se puede convertir en la matriz identidad. Tal
€
método estándar se describe e ilustra a continuación. La generalidad del método, que es apropiado para cualquier
matriz y puede ser programado para computadora, lo hace especialmente útil, aunque para algunos casos
€
particulares se dispone de métodos más breves.

Pasos para Convertir una Matriz Cuadrada en la Matriz Identidad (Eliminación de Gauss)

1. Dividir la primera fila de la matriz entre el elemento de su primera columna; usar luego la fila resultante para
obtener ceros en la primera columna de cada una de las otras filas.
2. Dividir la segunda fila entre el elemento de su segunda columna; emplear la fila resultante para obtener ceros
en la segunda columna de las demás filas.
M M M
n. Dividir la n-ésima fila entre el elemento de su n-ésima columna; usar la fila resultante para obtener ceros en la
n-ésima columna de las demás filas.
€
NOTA: En el procedimiento anterior, si en el paso k-ésimo el elemento en la k-ésima columna es cero
intercámbiese esa fila con la siguiente que tenga un elemento diferente de cero en la k-ésima columna. Luego
proceda al paso k-ésimo.
 Para obtener la inversa de una matriz A se acostumbra trabajar con una tabla o disposición de la forma.

[A I]

y luego cambiar, por el procedimiento típico expuesto anteriormente, a la disposición

€ €
[ I B]
Entonces, por el teorema anterior, B es A −1 .

Aun si A no tuviera inversa, es posible

€ iniciar este procedimiento. En algún paso se obtendrá alguna tabla
que no es de la forma apropiada y que no se puede cambiar como se ha expuesto anteriormente. Puede
€ €
demostrarse que si el procedimiento de arriba no puede ser completado para obtener [ I B] de [ A I ] , entonces
A no tiene inversa.
€ € €
EJEMPLOS
€ A.
⎡ 0 −2 −3⎤
⎢ ⎥
Encontrar la inversa, si existe, de la matriz ⎢ 1 3 3⎥
⎢
⎣−1 −2 −2⎥
⎦

Siguiendo el procedimiento ya expresado,

€
Intercambio de la primera
y segunda filas Paso1 Paso 2
⎡ 0 −2 −3 1 0 0⎤ ⎡ 1 3 3 0 1 0⎤ ⎡1 3 3 0 1 0⎤ ⎡1 3 3 0 1 0⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 1 3 3 0 1 0⎥= ⎢ 0 −2 −3 1 0 0⎥= ⎢0 −2 −3 1 0 0⎥= ⎢0 1 − 12 0 0⎥
3
2
⎢
⎣−1 −2 −2 0 0 ⎥ ⎣
1⎦ ⎢−1 −2 −2 0 0 ⎥ ⎣
1⎦ ⎢0 1 1 0 1 ⎥ ⎣
1⎦ ⎢0 1 1 0 1 ⎥
1⎦
Paso 2 Paso 3 Paso 3
⎡1 0 − 32 3
1 0⎤ ⎡1 0 − 32 3
1 0⎤ ⎡1 0 0 0 −2 −3⎤
2 2
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢0 1 − 0 0⎥= ⎢0 1 − 0 0⎥= ⎢0 1 0 1 3 3⎥
3 1 3 1
2 2 2 2
⎢
⎣0 0 − 1 1
1 1⎥
⎦ ⎢⎣0 0 1 −1 −2 −2⎥
⎦ ⎢⎣0 0 1 −1 −2 −2⎥
⎦
2 2

−1
⎡ 0 −2 −3⎤ ⎡ 0 −3⎤ −2
⎢ ⎥ ⎢ ⎥
€ Por lo tanto, ⎢ 1 3 3⎥ =⎢ 1
3 3⎥
⎢
⎣−1−2 −2⎥
⎦ ⎢
−2 −2⎥
⎣−1 ⎦
⎡ 0 −2 −3⎤⎡ 0 −2 −3⎤ ⎡1 0 0⎤
⎢ ⎥⎢ ⎥ ⎢ ⎥
y esta matriz es igual a su inversa. Observemos que ⎢ 1 3 3⎥⎢ 1 3 3⎥= ⎢0 1 0⎥
€ ⎢
⎣−1 −2 −2⎥
⎦⎢
⎣−1 −2 −2⎥
⎦ ⎢⎣0 0 1⎥
⎦

B.
⎡ 1 2 3⎤
€ ⎢ ⎥
Obtener la inversa, si existe, de la matriz ⎢−1 0 4⎥
⎢
⎣ 0 2 2⎥
⎦

€
 Paso1 Paso 2 Paso 2
⎡ 1 2 3 1 0 0⎤ ⎡1 2 3 1 0 0⎤ ⎡1 2 3 1 0 0⎤ ⎡1 0 −4 0 −1 0⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢−1 0 4 0 1 0⎥= ⎢0 2 7 1 1 0⎥= ⎢0 1 0⎥= ⎢0 1 0⎥
7 1 1 7 1 1
2 2 2 2 2 2
⎢
⎣ 0 2 2 0 0 1⎥
⎦ ⎢⎣0 2 2 0 0 1⎥
⎦ ⎢⎣0 2 2 0 0 1⎥
⎦ ⎢⎣0 0 −5 −1 −1 1⎥
⎦
Paso 3 Paso 3
⎡1 0 −4 0 −1 0⎤ ⎡1 0 0 4
− 15 − 45 ⎤
5
⎢ ⎥ ⎢ ⎥
⎢0 1 0⎥= ⎢0 1 0 − − 15
7 1 1 1 7
2 2 2 5 10 ⎥
⎢
⎣0 0 1 1 1
− 1⎥
⎦ ⎢⎣0 0 1 1 1
− 15 ⎥
⎦
5 5 5 5 5

−1
⎡ 1 2 3⎤ ⎡ 45 − 15 − 45 ⎤
€ ⎢ ⎥ ⎢ 1 ⎥
En consecuencia,
⎢ −1 0 4 ⎥ = ⎢− 5
− 1
5
7
10 ⎥
⎢⎣ 0 2 2⎥⎦ ⎢⎣ 5 1 1
5
− 5 ⎥⎦
1

⎡ 1 2 3⎤ ⎡ 45 − 15 − 45 ⎤ ⎡1 0 0⎤
⎢ ⎥ ⎢ 1 ⎥ ⎢ ⎥
Observemos€
que ⎢ −1 0 4 = −
⎥ ⎢ 5 − 1
5
7
=
10 ⎥ ⎢
0 1 0 ⎥
⎢
⎢⎣ 0 2 2⎥⎦ ⎣ 5 1 1 ⎥
− 5 ⎦ ⎢⎣0 0 1⎥⎦
1
5

⎡ 4 − 1 − 4 ⎤ ⎡ 1 2 3⎤ ⎡1 0 0⎤
⎢ 51 5 5
⎥ ⎢ ⎥ ⎢ ⎥
y − − 1 7
⎢ 5€ 5 10 ⎥ ⎢ = −1 0 4 =
⎥ ⎢ 0 1 0⎥
⎢⎣ 1 1 1⎥ ⎢
− 5 ⎦ ⎣ 0 2 2⎦ ⎣0 0 1⎥⎦
⎥ ⎢
5 5

C.
⎡ 1 2 −1⎤
€ ⎢ ⎥
Obtener la inversa, si existe, de la matriz ⎢−3 4 5⎥
⎢
⎣−4 2 6⎥
⎦

Siguiendo el método normal,

Paso1 Paso 2 Paso 2
€
⎡ 1 2 −1 1 0 0⎤ ⎡1 2 −1 1 0 0⎤ ⎡1 2 −1 1 0 0⎤ ⎡1 0 − 75 2
5
− 150⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢−3 4 5 0 1 0⎥= ⎢0 10 2 3 1 0⎥= ⎢0 1 0⎥= ⎢0 1 0
1 3 1 1 3 1
5 10 10 5 10 10 ⎥
⎢
⎣−4 2 6 0 0 1⎥
⎦ ⎢⎣0 10 2 4 0 1⎥
⎦ ⎢⎣0 10 2 4 0 ⎥ ⎢
1⎦ ⎣0 0 0 1 −1 1⎥⎦

No puede continuar el procedimiento, y por lo tanto, la matriz no tiene inversa. Observemos que el proceso pudo
interrumpirse al final del Paso 1; al final del mismo, la matriz izquierda tiene dos filas idénticas, y por
€ consiguiente, el determinante de la matriz es cero (Propiedad 5), y no tiene inversa. El determinante de la matriz
original es cero también (Propiedad 6) y no tiene inversa.

INVERSIÓN MEDIANTE ADJUNTAS Y DETERMINANTES

 Un método alternativo de inversión de matrices implica la obtención de la adjunta y el determinante de la matriz
que se desea invertir. Si A es no singular, es decir, si A ≠ 0 , entonces

1
A −1 = adj A
€ A

€
EJEMPLOS
€
A.
⎡ 0 −2 −3⎤
⎢ ⎥
Encontrar la inversa, si existe, de la matriz A = ⎢ 1 3 3⎥ A = 0 + 6 + 6 − (9 + 0 + 4 ) = −1
⎢⎣−1 −2 −2⎥⎦

o bien, desarrollando con los elementos de la primera fila,

€
1+ 2 1 3 1+ 3 1 3
A = 0 + (−2)(−1) + (−3)(−1) = 0 + 2(−2 + 3) + (−3)(−2 + 3) = −1
−1 −2 −1 −2

o efectuando el desarrollo con los elementos de la segunda columna,

€
1+ 2 1 3 2+2 0 −3 3+2 0 −3
A = (−2)(−1) + (3)(−1) + (−2)(−1) = 2(−2 + 3) + 3(0 − 3) + 2(00 + 3) = −1
−1 −2 −1 −2 1 3

Obteniendo las adjuntas

€
1+1 3 3 1+ 2 1 3 1+ 3 1 3
C11 = (−1) = −6 + 6 = 0 C12 = (−1) = −(−2 + 3) = −1 C13 = (−1) = −2 + 3 =1
−2 −2 −1 −2 −1 −2

2+1 −2 −3 2+ 2 0 −3 2+ 3 0 −2
C21 = (−1) = −(4 − 6) = 2 C22 = (−1) = 0 − 3 = −3 C23 = (−1) = −(0 − 2) = 2
−2 −2 −1 −2 −1 −2

3+1 −2 −3 3+ 2 0 −3 3+ 3 0 −2
C31 = (−1) = −6 + 9 = 3 C32 = (−1) = −(0 + 3) = −3 C33 = (−1) = 0+2 = 2
3 3 1 3 1 3
⎡ 0 2 3⎤ ⎡ 0 −2 −3⎤
⎢
′ ⎥ −1 1 ⎢ ⎥
Por lo tanto, adj A = (Ci j ) = ⎢−1 −3 −3⎥ A = adj A = ⎢ 1 3 3⎥
€ A
⎢
⎣ 1 2 2⎥
⎦ ⎢
⎣−1 −2 −2⎥
⎦

(como se obtuvo en un ejemplo anterior por el procedimiento típico de operaciones de fila).

€ €
B.
⎡ 1 2 3⎤
⎢ ⎥
Obtener la inversa, si existe, de la matriz A = ⎢−1 0 4 ⎥ A = 0 + 0 − 6 − (0 + 8 − 4 ) = −10
⎢
⎣ 0 2 2⎥⎦

O bien, desarrollando con los elementos de la primera columna,

€
1+1 0 4 2+1 2 3
A = (−1) − (−1) + 0 = (0 − 8) + (4 − 6) = −10
2 2 2 2

Efectuando el desarrollo con los elementos de la segunda fila,

€
 2+1 2 3 2+ 3 1 2
A = (−1)(−1) + 0 + 4 (−1) = (4 − 6) + 0 + (−4 )(2 − 0) = −10
2 2 0 2

Obteniendo las adjuntas queda

€
1+1 0 4 1+ 2 −1 4 1+ 3 −1 0
C11 = (−1) = 0 − 8 = −8 C12 = (−1) = −(−2 + 0) = 2 C13 = (−1) = −2 + 0 = −2
2 2 0 2 0 2

2+1 2 3 2+ 2 0 3 2+ 3 1 2
C21 = (−1) = −(4 − 6) = 2 C22 = (−1) = 2+0 = 2 C23 = (−1) = −(2 + 0) = −2
2 2 0 2 0 2

3+1 2 3 3+ 2 1 3 3+ 3 1 2
C31 = (−1) = 8+0 = 8 C32 = (−1) = −(4 + 3) = −7 C33 = (−1) = 0+2 = 2
0 4 −1 4 −1 0

€
⎡−8
⎡ 4 − 1 − 4⎤
2 8⎤
′ ⎢ ⎥ −1 1 ⎢ 51 5 5
⎥
Por tanto, adj A = (Ci j ) = ⎢ 2 2 −7⎥ A = adj A = ⎢− 5 − 5 10 ⎥
1 7

⎢
⎣−2 −2 2⎥ A
⎦ ⎢⎣ 1 1
− 15 ⎥⎦
5 5

€se obtuvo en un ejemplo anterior por el procedimiento estándar de operaciones de fila).

(como

C. €
⎡ 1 2 −1⎤
⎢ ⎥
Obtener la inversa, si existe, de la matriz A = ⎢−3 4 5⎥ A = 24 + 6 − 40 − (16 +10 − 36) = 0
⎢
⎣−4 2 6⎥
⎦

Luego A es singular, es decir, A carece de inversa

€
En general, la inversión por operaciones de fila o de columna es menos laboriosa si los elementos de la matriz
son números enteros pequeños; la inversión por determinantes y adjuntas implica menos trabajo si los elementos
de la matriz son fracciones o números grandes. En el caso de matrices voluminosas ambos métodos resultan
tediosos y se deben usar computadoras electrónicas.
A no ser que se tenga una buena razón para pensar que una matriz es no singular, como en algunas
aplicaciones prácticas, resulta aconsejable primero encontrar su determinante, aun si se pretende utilizar el
método de inversión por operaciones de fila o de columna. Pueden necesitarse algunas operaciones de fila o de
columna antes de que la singularidad de una matriz se haga evidente usando este método de inversión, y por
consiguiente, muchos cálculos innecesarios pueden evitarse estableciendo primero la existencia de la inversa
antes de pretender obtenerla (por cualquier método).

INVERSIÓN DE MATRICES SUBDIVIDIDAS

Algunas veces es conveniente obtener la inversa de una matriz dispuesta en la forma particionada. Si una matriz
A, de orden n x n se subdivide como sigue

⎡A A12 ⎤
A = ⎢ 11 ⎥
⎣A21 A22 ⎦

€
 en donde A11 es n1 x n1, A12 es n1 x n2, A21 es n2 x n1, A22 es n2 x n2, y n1 + n2 = n, entonces,

⎡A−1 I + A B−1 A A−1 −A−1 A B−1 ⎤

A = ⎢ 11 [
−1 12 21 11 ] 11 12
⎥
€ € € ⎢
⎣ €−1 A21 A11
−B −1
B−1 ⎥
⎦

en donde B = A22 − A21 A11−1 A12 y A11 y B son no singulares. Este resultado se puede probar directamente por
multiplicación:
€
⎡ A11 A12 ⎤ ⎡A11−1 [ I + A12 B−1 A21 A11−1 ] −A11−1 A12 B−1 ⎤ ⎡I 0⎤
€ ⎢ ⎥= ⎢ ⎥= ⎢ ⎥
⎣A21 A22 ⎦ ⎢⎣ −B −1
A A
21 11
−1
B−1
⎦ ⎣0 I ⎦
⎥

puesto que
−1
A11 A11 € −1 −1 −1 −1
[ I + A12 B A21 A11 ] − A12 B A21 A11 = I
−1
−A11 A11 A12 B−1 + A12 B−1 = 0
−1 −1 −1 −1 −1 −1 −1 −1 −1
A21 A11 [ I + A12 B A21 A11 ] − A22 B A21 A11 = [ I + A21 A11 A12 B − A22 B ] A21 A11
−1 −1
[ A21 A11 A12 − A22 ] B

= [ I − B B−1 ] A21 A11

−1

=0
−1
−A21 A11 A12 B−1 −1
+ A22 B −1
= [−A21 A11 A12 + A22 ] B−1

= B B−1
=I

EJEMPLOS
€
A.
⎡ 0 −2 −3⎤
⎢ ⎥
Encontrar la inversa, si existe, de la matriz ⎢ 1 3 3⎥
⎢
⎣−1 −2 −2⎥
⎦

⎡ 0 −2 −3⎤
⎢ ⎥ ⎡A A12 ⎤
Subdividiendo la matriz, 1
⎢ € 3 3⎥= ⎢ 11 ⎥
⎣A21 A22 ⎦
⎢
⎣−1 −2 −2⎥
⎦

y
€
 −1 −1 −1
⎡ 3 1⎤⎛⎡1 0⎤ ⎡−3⎤ ⎡ 3 1⎤⎞
A11 [ I + A B A A
21 11 ] = ⎢ 12 ⎜
⎥⎜⎢ + −2
⎥ ⎢ ⎥[ ][ −1, −2]⎢ 1
2
⎥⎟
12
⎣− 2 0⎦⎝⎣0 1⎦ ⎣ 3⎦ ⎣− 2 0⎦⎟
⎠
⎡ 3 1⎤⎛⎡1 0⎤ ⎡−6 −12⎤⎡ 32 1⎤⎞
= ⎢ 12 ⎥⎜⎢ ⎥+ ⎢ ⎥⎢ ⎥⎟
⎣− 2 0⎦⎜
⎝⎣0 1⎦ ⎣ 6 12⎦⎣− 12 0⎦⎟
⎠
⎡ 3 1⎤⎛⎡1 0⎤ ⎡−3 −6⎤⎞
= ⎢ 12 ⎥⎜⎢ ⎥+ ⎢ ⎥⎟
⎣− 2 0⎦⎝⎣0 1⎦ ⎣ 3 6⎦⎠
⎡ 3 1⎤⎡−2 −6⎤
= ⎢ 12 ⎥⎢ ⎥
⎣− 2 0⎦⎣ 3 7⎦
⎡0 −2⎤
=⎢ ⎥
⎣1 3⎦

en donde

€ ⎡ 3 1⎤⎡−3⎤ ⎡−3⎤
B = A22 − A21 A11−1 A12 = [−2] − [−1, −2] ⎢ 12 ⎥⎢ ⎥= [−2] − [− 12 , −1] ⎢ ⎥= −2 − (− 32 ) = − 12
⎣− 2 0⎦⎣ 3⎦ ⎣ 3⎦
y

B−1 = [−2]
€ ⎡ 3
−1 1⎤⎡−3⎤ ⎡ 3 1⎤⎡ 6⎤ ⎡ 3⎤
A11 A12 B−1 = ⎢ 12 ⎥⎢ ⎥[−2] = ⎢ 12 ⎥⎢ ⎥= ⎢ ⎥
⎣− 2 0⎦⎣ 3⎦ ⎣− 2 0⎦⎣−6⎦ ⎣−3⎦
⎡ 3 1⎤ ⎡ 3 1⎤
B−1 A21 A11
−1
= [−2] [−1, −2] ⎢ 12 ⎥= [−2, −4 ] ⎢ 12 ⎥= [−1, −2]
⎣− 2 0⎦ ⎣− 2 0⎦

−1
⎡ 0 −2 −3⎤ ⎡ 0 −2 −3⎤
⎢ ⎥ ⎢ ⎥
luego entonces ⎢ 1 3 3⎥ =⎢ 1 3 3⎥ como se obtuvo anteriormente.
€
⎢
⎣−1 −2 −2⎥
⎦ ⎢
⎣−1 −2 −2⎥
⎦

B. €
⎡ 1 2 3⎤
⎢ ⎥
Obtener la inversa, si existe, de la matriz ⎢−1 0 4⎥
⎢
⎣ 0 2 2⎥
⎦

⎡ 1 2 3⎤
⎢ ⎥ ⎡A A12 ⎤
Efectuando la subdivisión de la matriz
€ ⎢−1 0 4 ⎥= ⎢ 11 ⎥
⎣A21 A22 ⎦
⎢
⎣ 0 2 2⎥⎦

y €
 ⎛ ⎡− 1 7 ⎤⎡ ⎤
−1 ⎞
−1 −1 −1
A11 [ I + A B A A
21 11 ] = 1 ⎜ 1 +
[ ]⎜[ ] [ 2, 3]⎢ 1
5 10
⎥⎢ ⎥[ ] ⎟
1
− 15 ⎦⎣ 0⎦ ⎟
12
⎝ ⎣ 5 ⎠
⎛ ⎡−1⎤⎞
= [1]⎜[1] + [ 15 , 4
5] ⎢ ⎥⎟
⎝ ⎣ 0⎦⎠
=1(1 − 15 ) = 4
5

−1
⎡0 4 ⎤ ⎡−1⎤ ⎡0 4 ⎤ ⎡−2 −3⎤ ⎡2 7⎤
en donde B = A22 − A21 A11 A12 = ⎢ ⎥− ⎢ ⎥[1] [2, 3] = ⎢ ⎥− ⎢ ⎥= ⎢ ⎥
⎣2 2⎦ ⎣ 0⎦ ⎣2 2⎦ ⎣ 0 0⎦ ⎣2 2⎦
€
y
⎡− 1 7⎤

€ B−1 = ⎢ 15 10
⎥
⎣ 5 − 15 ⎦

−1
⎡− 1 7⎤
−A11 A12 B−1 = [−1] [2, 3] ⎢ 15 10
⎥= [− 15 , − 45 ]
⎣ 5 − 15 ⎦

−1
⎡ 1 − 107 ⎤⎡−1⎤ ⎡− 1 ⎤
−B A21 A11−1 = ⎢ 15 1 = 5
1 ⎥⎢ ⎥[ ] ⎢ 1 ⎥
⎣− 5 0
5 ⎦⎣ ⎦ ⎣ 5⎦

−1
⎡ 1 2 3⎤ ⎡ 45 − 15 − 45 ⎤
⎢ ⎥ ⎢ 1 ⎥
€ Por lo tanto, −1 0 4 = − − 1 7
como se obtuvo con anterioridad.
⎢ ⎥ ⎢ 5 5 10 ⎥
⎢⎣ 0 2 2⎥⎦ ⎢⎣ 15 1
5
− 15 ⎥⎦

PROPIEDADES
€ DE LAS INVERSAS

Las siguientes propiedades de las inversas frecuentemente son útiles en su valuación.

−1
1. La inversa de la inversa de una matriz es la matriz original, es decir, [ A −1 ] = A .
2. El determinante de la inversa de una matriz es igual al recíproco del determinante de la matriz; es decir,
A −1 = 1 / A .
€
3. La inversa de la transpuesta de una matriz es igual a la transpuesta de la inversa de la matriz; es decir,
′
−1
[A ] = [A ]
−1
′
.
€
4. La inversa del producto de dos matrices es igual al producto de sus inversas en orden contrario; es decir,
[ AB] = B A .
−1 −1 −1

€ EJEMPLO
 ⎡ 1
⎡ 4 − 1 − 4⎤
2 3⎤ 5 5 5
⎢ ⎥ −1 ⎢ 1 ⎥
Si A = ⎢−1 0 4 ⎥, entonces A = ⎢− 5 − 5 10 ⎥ (ver ejemplo anterior)
1 7

⎢
⎣ 0 2 2⎥⎦ ⎢⎣ 1 1
− 15 ⎥⎦
5 5

(Propiedad 1)
€
⎡ 4 − 1 − 4 ⎤−1 ⎡ 1 2 3⎤
−1 ⎢ 5 5 5
⎥ ⎢ ⎥
−1 1€ −1

[ A ] = ⎢− 5 − 5 10 ⎥ = ⎢−1 0 4 ⎥= A
1 7 es decir, −1
[A ] =A

⎢⎣ 1 1
− 15 ⎥⎦ ⎢⎣ 0 2 2⎥⎦
5 5
€
(Propiedad 2)
1 2 3
€ A = −1 0 4 = 0 + 0 − 6 − (0 + 8 − 4 ) = −10
0 2 2
4
5
− 15 − 45
−1
A =− 1
5
− 15 7
10
= 125
1
[ 4 − 2 + 4 − (4 +14 −1)] = (125 )(− 2 ) = − 10
7 1 25 1

1
5
1
5
− 15

−1 1
es decir, A = A .
€

(Propiedad 3)
−1
€ ⎡1 −1 0⎤ ⎡ 45 − 15 1⎤
5
′
−1 ⎢ ⎥ ⎢ 1 ⎥
( A ) = ⎢2 0 2⎥ = ⎢− 5 − 5
1 1
5⎥
⎢⎣3 4 2⎥⎦ ⎢⎣− 5 10 − 5 ⎥⎦
4 7 1

⎡ 4 − 1 − 4⎤ ⎡ 4 − 1 1⎤
5 5 5 5 5 5
′ ⎢ ⎥ ⎢ 1 ⎥
−1
€ A
[ ] ⎢ 5= − 1
− 1
5
7
=
10 ⎥ ⎢ 5
− − 1
5
1
5⎥
⎢⎣ 1 1
− 5 ⎥⎦ ⎢⎣− 5 10 − 5 ⎥⎦
1 4 7 1
5 5

−1 ′
Así pues, [A ]
′
= [ A −1 ] .

€ (Propiedad 4)
€
⎡−1
⎡−2 3 1 ⎤
3 1⎤ 2
⎢ ⎥ −1 ⎢ ⎥
Si B = ⎢ 0 2 0⎥, entonces B = ⎢ 0 2 0⎥
1

⎢
⎣−2 0 4⎥
⎦ ⎢⎣−1 3 1 ⎥⎦
2 2

€
 ⎡ 1 2 3⎤⎡−1 3 1⎤ ⎡−7 7 13⎤
⎢ ⎥⎢ ⎥ ⎢ ⎥
AB = ⎢−1 0 4 ⎥⎢ 0 2 0⎥= ⎢−7 −3 15⎥
⎢
⎣ 0 2 2⎥⎦⎢
⎣−2 0 4⎥
⎦ ⎢⎣−4 4 8⎥
⎦
−1
⎡−7 7 13⎤ ⎡− 10 21
− 101 18 ⎤
5
⎢ ⎥ ⎢ ⎥
€ AB−1 = ⎢−7 −3 15⎥ = ⎢− 101 − 101 7
20 ⎥
⎢⎣−4 4 8⎥⎦ ⎢⎣ −1 0 7⎥
4⎦

⎡−2 3 1 ⎤−1 ⎡ 4 − 1 − 4 ⎤ ⎡− 21 − 1 18 ⎤
2
⎢ ⎥ ⎢ 5 5 5
⎥ ⎢ 10 10 5
⎥
€ B−1 A−1 = ⎢ 0 12 0⎥ = ⎢− 15 − 15 107 ⎥= ⎢− 101 − 101 7
20 ⎥
⎢⎣−1 3 1 ⎥⎦ ⎢⎣ 1 1
− 15 ⎥⎦ ⎢⎣ −1 0 7⎥
2 2 5 5 4⎦

−1
De modo que [ AB] = B−1 A −1 .

€
PROBLEMAS
€

Para cada una de las siguientes matrices, evaluar el determinante y obtener su inversa, si existe.
Emplear matrices particionadas para verificar los resultados.

⎡ 0 −2 −1⎤ ⎡3 1 3⎤ ⎡ 3 2 −1⎤ ⎡1 2 −1⎤ ⎡ 2 4 6⎤ ⎡2 3 4 ⎤

⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
1. ⎢ 1 −3 4 ⎥ 2. ⎢3 3 1⎥ 3. ⎢ 4 3 −1⎥ 4. ⎢0 −3 2⎥ 5. ⎢−1 2 3⎥ 6. ⎢4 3 1⎥
⎢
⎣−1 −1 −1⎥
⎦ ⎢
⎣2 0 3⎥
⎦ ⎢
⎣−1 2 4 ⎥
⎦ ⎢
⎣4 1 0⎥
⎦ ⎢
⎣ 1 4 9⎥
⎦ ⎢
⎣1 2 4 ⎥
⎦

⎡ 3 2 −2⎤ ⎡1 0⎤
€ ⎢ ⎥ ⎢ ⎥ ⎡1 1 1⎤ ⎡3 −2⎤
7. Si A = ⎢ 0 1 4⎥ B = ⎢0 1⎥ C =⎢ ⎥ D =⎢ ⎥
⎣1 1 1⎦ ⎣2 3⎦
⎢⎣−1 0 5⎥⎦ ⎢⎣0 1⎥⎦

′ −1 −1
encuentre a. det [[ AB] C ′ − D ] b. [ BC ] c. [ D 2 ]
€
⎡ 3 −1⎤ ⎡ 2 1⎤
€ ⎢ ⎥ ⎢ ⎥ ⎡3 4 ⎤€
8. Si A = ⎢−4 0⎥ B = ⎢−1 −2€⎥ C =⎢ ⎥
⎣2 2⎦
⎢⎣ 2 1⎥⎦ ⎢⎣ 1 1⎥⎦

′ −1
encuentre a. [ A − BC ] b. [ A ′ B]
€
⎡1 2⎤
⎡2 1⎤ ⎡1 0⎤ ⎢ ⎥ ⎡0 1 0⎤
€
9. Si A =⎢ ⎥ B = ⎢ €⎥ C = ⎢3 4⎥ D =⎢ ⎥
⎣1 2⎦ ⎣0 1⎦ ⎣1 1 1⎦
⎢⎣1 2⎥⎦

encuentre a. A + B − 2DC b. A −1B−1 c. C [ A + B] B−1

−1 −1
€d . CA B D

€ € €
€
 ⎡0 1 −1⎤ ⎡ 4 −3 3⎤
⎢ ⎥ ⎢ ⎥
10. Si A = ⎢3 −2 3⎥ B = ⎢ 2 −1 2⎥
⎢
⎣2 −2 3⎥
⎦ ⎢
⎣−3 3 −2⎥
⎦

2
demuestre que a. A 2 = B2 = [ 12 [ A + B]] = I
2
b. [ A − B] = O
€

Respuestas a los Problemas de Número €

Impar
€
⎡ 1 − 1 − 11 ⎤ ⎡ 14 −10 1⎤ ⎡ 1 − 1 0⎤
⎢ 103 101 101 ⎥ ⎢ ⎥ ⎢ 41 12 1 ⎥
1. det =10, ⎢− 10 − 10 − 10 ⎥ 3. det =1, ⎢−15 11 −1⎥ 5. det = 24, ⎢ 2 2 − 2 ⎥
⎢⎣ − 2 1 1⎥ ⎢⎣ 11 −8 1⎥⎦ ⎢⎣− 1 − 1 1 ⎥⎦
5 5 5⎦ 4 6 3
⎡ 1 − 1 − 11 ⎤ ⎡ 14 −10 1⎤ ⎡ 1 −1 0⎤
⎢ 103 10 10
⎥ ⎢ ⎥ ⎢ 41 2
⎥
1. det =10, ⎢− 10 − 10 − 101 ⎥
1
3. det =1, ⎢−15 11 −1⎥ 5. det = 24, ⎢ 2 1
2
− 1
2⎥
⎢⎣ − 2 1 1⎥ ⎢⎣ 11 −8 1⎥⎦ ⎢⎣− 1 − 1 1⎥
€ 5 5 5⎦ 4 6 3⎦

⎡ 5 12 ⎤
7. a. − 39 b. no existe la inversa c. ⎢ 169 169
⎥
⎣− 169
12 5
169 ⎦

⎡ 5 7⎤ ⎡1 1 1⎤
⎡−3 −7⎤ ⎡ 2 − 1⎤ ⎢ ⎥ ⎢ ⎥
9. a. ⎢ ⎥ b. ⎢ 13 3
⎥ c. ⎢13 15⎥ d. ⎢53 73 53 ⎥
⎣− 3
2
⎣−9 −13⎦ 3⎦ ⎢⎣ 5 7⎥⎦ ⎢⎣1 1 1⎥⎦

1.9 ECUACIONES LINEALES SIMULTÁNEAS

€
Muchos análisis de modelos económicos y otros sistemas lineales requieren la resolución de conjuntos de
ecuaciones lineales simultáneas. Los conceptos y las operaciones del álgebra matricial son de gran utilidad en la
determinación de la existencia y naturaleza de soluciones de sistemas o conjuntos de ecuaciones lineales
simultáneas, y en la obtención de dichas soluciones cuando existen. En esta sección se definen los conceptos de
dependencia lineal de un conjunto de vectores y el concepto de rango de una matriz, y además se aplican tales
nociones para determinar si un conjunto de ecuaciones lineales simultáneas tiene solución única. Por último, se
exponen métodos para resolver un conjunto de ecuaciones lineales simultáneas.

DEPENDENCIA LINEAL Y RANGO

Un conjunto de m vectores a1 , a 2 ,...,a m cada uno con n elementos, se dice que es linealmente dependiente si
existe una combinación lineal (no trivial) de los vectores, que sea igual al vector cero con n elementos. Es decir,
si existe un conjunto de números λ 1 , λ 2 ,...λ m con al menos uno de ellos (distinto de cero).

€ m
λ 1a1 + λ 2 a 2 + ...+ λ m a m = ∑λ i ai = 0
€ i=1

€
 entonces el conjunto de vectores a1 , a 2 ,...,a m se dice que es linealmente dependiente. Si no existe un
m
conjunto de términos (excepto cuando todos valen cero) de modo que ∑ i=1
λ i ai = 0 , se dice que el conjunto
de vectores es linealmente independiente.
Puede considerarse a€ una matriz como un conjunto de vectores fila o un conjunto de vectores columna. Es
demostrable que para cualquier matriz, el número de filas linealmente independiente es igual al número de
€ de la matriz. De modo que si una matriz es m x n
columnas linealmente independientes; este número es el rango
y su rango se denota por r, entonces r  min (m, n).

EJEMPLOS

A.
⎡1 4⎤
⎢ ⎥
Determinar el rango de la matriz ⎢5 10⎥
⎢
⎣3 2⎥
⎦

Min (m, n) = 2, por tanto, r  2.

Cada posible par de filas€ es linealmente independiente, También lo son las dos columnas. De ahí que el rango
de la matriz es 2.

B.
⎡3 6⎤
⎢ ⎥
Determinar el rango de la matriz ⎢1 2⎥
⎢
⎣2 ⎥
4⎦

Min (m, n) = 2, por tanto, r  2.

€
Cada posible par de filas es linealmente dependiente. ya que

(primera fila) - 3(segunda fila) = 0

2(primera fila) - 3(tercera fila) = 0
2(segunda fila) - (tercera fila) = 0

Nótese que las dos columnas son también linealmente dependientes, puesto que 2 (primera columna) - (segunda
columna) = 0.

El rango de la matriz es 1.

El siguiente resultado (muy útil) proporciona un método sistemático para probar la dependencia lineal:
Considerar todas las submatrices cuadradas de A cuyos determinantes sean distintos de cero. El rango de A es el
orden del determinante de mayor orden. Por lo tanto, un método para calcular el rango de una matriz es buscar el
determinante no nulo de mayor orden de la matriz o de una submatriz; el orden de este determinante es el rango
de la matriz.
Las siguientes propiedades son útiles para determinar el rango de una matriz:

1. Puesto que el determinante de una matriz diagonal es igual al producto de sus elementos diagonales, si A
es una matriz diagonal, entonces r ( A) es el número de elementos diagonales distintos de cero en A . En
particular r (I n ) = n .

€
€
€
€
 2. Puesto que cualquier submatriz de A ′ es la transpuesta de una submatriz de A y como B = B′ ,
entonces r ( A ′) = r ( A) .
3. El rango del producto de dos matrices no puede exceder al menor rango de las dos matrices; es decir,
r ( AB) ≤ min{r ( A), r (B)} . €
4.€Si A es una matriz n x n, (cuadrada), entonces ( ) r A = n si y sólo si A es no singular; r ( A) < n sólo
€
si A es singular. Luego, si una matriz cuadrada es singular; sus filas (y también sus columnas) son
€ linealmente dependientes; si es no singular, son linealmente independientes.
€ €
Considere la solución de un sistema general de n ecuaciones lineales en n variables x1 , x 2 ,...x n ,
€ €
€ y = Ax

en donde y es n x 1, A es n x n y x es n x 1. Si A es no singular, la única solución es x = A −1 y

€
€ y recíprocamente, si y = Ax tiene una única solución, entonces A es no singular.
€
€ €generalmente, si y = Ax€
Más , entonces el conjunto completo de ecuaciones es compatible y tiene por lo
menos una solución si r ( A) = r ( A y ) . La solución es única sólo si r ( A) = r ( A y ) = n , es decir si y sólo si
A es no€singular. €
En el caso especial (homogéneo) y = 0 , si A es no singular, la única solución es x = 0 , y no puede haber
€ € de cero. Por lo tanto, cuando el conjunto de
solución distinta €ecuaciones Ax = 0 tiene una solución diferente de
cero, A debe ser singular.
€ Supóngase que y = € Ax y A es m x n (no cuadrada), es decir, que hay m ecuaciones en n variables, en
€ a, o mayor que n; entonces r ( A) ≤ min€(m , n) .
donde m puede ser menor que, igual
El siguiente resumen acerca de la solución de ecuaciones€ lineales simultáneas se aplica al caso general de m
€ ecuaciones en n variables, y también al caso especial de n ecuaciones en n variables.
€ € €
Si r ( A y ) = r ( A) , entonces todas las ecuaciones en el conjunto son lógicamente compatibles y hay por lo
menos una solución.

€ Si r ( A y ) = r ( A) = n , hay una solución única.

Si r ( A y ) = r ( A) < n , hay un número infinito de soluciones y las filas (y columnas) de A son linealmente
€ dependientes.

€ Si r ( A y ) ≠ r ( A) , no son lógicamente compatibles las ecuaciones del conjunto y no hay solución.

€
€ EJEMPLOS

A.
Considerar el siguiente conjunto de ecuaciones lineales simultáneas,

x + 2 y − z = 10
2 x + 4 y − 2z = 5
x+y+z =6
1 2 −1
El determinante de la matriz A de coeficientes es igual a cero 2 4 −2 = 4 − 4 − 2 − (−4 − 2 + 4 ) = 0
€ 1 1 1

€
€
 2 4
y el rango de la matriz no es 3, sino que es igual a 2, ya que, por ejemplo, = 2 − 4 = −2 ≠ 0
1 1

⎡1 2 −1 10⎤
⎢ ⎥ €
La matriz aumentada [ A Y] ⎢2 4 −2 5⎥
⎢
⎣1 1 1 6⎥
⎦

€ 2 −1 10
tiene rango 3 ya que, por ejemplo, 4 −2 5 = −24 − 5 + 40 − (−20 +10 − 24 ) = 45 ≠ 0
€
1 1 6

Por tanto, r ( A) ≠ r ( A y ) y€
el conjunto de ecuaciones no tiene solución, puesto que no todas son compatibles.
Nótese que, por ejemplo, la primera y la segunda ecuaciones son claramente incompatibles.

B.
€
Considerar el siguiente conjunto de ecuaciones lineales simultáneas:

x + 2 y − z = 10
2 x + 4 y − 2z = 20
x+y+z =6

La matriz de los coeficientes es igual a la del ejemplo anterior, y su rango es 2. La matriz aumentada ( A y)
€
⎡1 2 −1 10⎤
⎢ ⎥
⎢2 4 −2 20⎥ €
⎢
⎣1 1 1 6⎥
⎦
1 2 10 1 −1 10 2 −1 10
también es de rango 2, ya que 2 4 20 = 2 −2 20 = 4 −2 20 = 0
€ 1 1 6 1 1 6 1 1 6

Por tanto, r ( A) = r ( €
A y ) = 2 ≠ n = 3 , puesto que n = 3, y el conjunto de ecuaciones tiene un número no finito
de soluciones; las filas (y las columnas) de la matriz de coeficientes son linealmente dependientes. Nótese que la
primera y la segunda ecuaciones son linealmente dependientes.
€
C.
Considerar el siguiente sistema o conjunto de ecuaciones lineales simultáneas,

x + 2 y − z = 10
2 x + 4 y − 2z = 5
x+y+z =6

El determinante de la matriz de coeficientes A es diferente de cero.

€
1 2 −1
2 −4 −2 = −4 − 4 − 2 − (4 − 2 + 4 ) = −16
1 1 1
€

€
 y el rango de la matriz es 3; el rango de la matriz aumentada es también igual a 3. Por lo tanto,
r ( A) = r ( A y ) = 3 = n y el conjunto de ecuaciones tiene una solución única.

€ PROBLEMAS

Determinar el rango de cada una de las matrices siguientes:

⎡ 1 2 3⎤ ⎡ 1 −1 0⎤ ⎡ 1 −1 0⎤
⎡1 2⎤ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎡1 3⎤
1. ⎢ ⎥ 2. ⎢−1 0 1⎥ 3. ⎢−1 2 3⎥ 4. ⎢−1 1 0⎥ 5. ⎢ ⎥
⎣0 1⎦ ⎣2 6⎦
⎢⎣ 0 4 8⎥⎦ ⎢⎣ 0 1 2⎥⎦ ⎢⎣ 2 −2 0⎥⎦

⎡ 3 −1 0 2⎤ ⎡ 2 −1 3 0⎤
⎡−2 1 4⎤ ⎡ 3 1 −2⎤ ⎡−1 2 −3⎤ ⎢ ⎥ ⎢ ⎥
€ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ −2 1 5 −2⎥ −3 3 4 2⎥
6. ⎢ 0 −1 5⎥ 7. ⎢ 2 5 4⎥ 8. ⎢ 2 −3 1⎥ 9. ⎢ 10. ⎢
⎢ 0 −4 6 −3⎥ ⎢ 4 −5 −11 −4 ⎥
⎢
⎣−2 0 −9⎥
⎦ ⎢
⎣−4 3 1⎥
⎦ ⎢
⎣0 1 −5⎥
⎦ ⎢ ⎥ ⎢ ⎥
⎣−3 5 −6 1⎦ ⎣−1 2 7 2⎦

Respuestas a los Problemas de Número Impar

€
1.rango 2 3. rango 3 5. rango1 7. rango 3 9. rango 3

SOLUCIÓN DE ECUACIONES LINEALES SIMULTANEAS

€
Hay varios métodos para resolver un sistema de ecuaciones lineales simultáneas que tiene solución única. Varios
de estos métodos se tratan en esta sección. Si uno de los métodos se aplica a un conjunto de ecuaciones lineales
que no tiene solución única, el método no puede terminar, indicando, por consiguiente, que no hay solución
única.
Como se indicó antes, un conjunto de n ecuaciones lineales simultáneas en n incógnitas se puede escribir en
forma matricial como
An×n Xn×1 = c n×1

−1
y la solución obtenida por inversión de A se puede denotar por Xn×1 = A c n×1 n×n

€
De otra forma, el procedimiento estándar descrito previamente se puede usar para cambiar la disposición
( A I c)
a la forma (I A
−1
€
x) €

€
el cual se puede obtener la solución directamente.
€
Un tercer método matricial para resolver ecuaciones lineales simultáneas está dado por la regla de Cramer:

La solución de An×n Xn×1 = c n×1

se puede obtener como los cocientes de determinantes

€
 c1 a12 L a1n a11 c1 L a1n a11 a12 L c1
c 2 a22 L a 2n a 21 c 2 L a 2n a 21 a22 L c2
M M M M M M M M M
c a L a nn a c L a nn a a L cn
x1 = n n 2 x 2 = n1 n x n = n1 n 2
A A A

Para€cada x i , i =1, 2,..., n , el denominador es el determinante de la matriz de los coeficientes, y el

numerador es el determinante de la matriz de los coeficientes con la i-ésima columna reemplazada por la
columna de los términos constantes del segundo miembro de las ecuaciones. Observemos que si no hay solución
única para un conjunto de ecuaciones lineales, A = 0 y estos cocientes no están definidos,
€

EJEMPLOS €

A.
Resolver el sistema de ecuaciones lineales simultáneas

3x1 + x 2 − x 3 = 2
x1 − 2x 2 + x 3 = −9
4 x1 + 3x 2 + 2x 3 =1

Aplicar el procedimiento normal a la disposición ( A I c)

€
−1
para obtener (I A x)
€

Entonces la solución se puede obtener directamente de (I x )

€

o bien, obtenerse como

€
−1
x=A c
⎡3 1 −1 1 0 0 2⎤ ⎡1 −2 1 0 1 0 −9⎤ ⎡1 −2 1 0 1 0 −9⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
€ ⎢1 −2 1 0 1 0 −9⎥= ⎢3 1 −1 1 0 0 2⎥= ⎢0 7 −4 1 −3 0 29⎥
⎢
⎣4 3 2 0 0 1 1⎥
⎦ ⎢⎣4 3 2 0 0 1 1⎥
⎦ ⎢⎣0 11 −2 0 −4 1 37⎥
⎦
⎡1 0 − 1 2 1
0 − 57 ⎤ ⎡1 0 0 7 1 1
−1⎤
7 7 7 30 6 30
⎢ ⎥ ⎢ ⎥
⎢0 1 − 4
7
1
7
− 3
7
0 29
= 0 1 0 − 15
7 ⎥ ⎢
1
− 1
3
2
15
3⎥
⎢
⎣0 0 30
− 117 5
1 − 60 ⎥ ⎢0 0 1 − 11 1 7
−2⎥
7 7 7 ⎦ ⎣ 30 6 30 ⎦

⎡ x1 ⎤ ⎡−1⎤
⎢ ⎥ ⎢ ⎥
€ Por tanto, leyendo directamente en la tabla ⎢x 2 ⎥= ⎢ 3⎥
⎢
⎣x 3 ⎥
⎦ ⎢⎣−2⎥
⎦

€
 ⎡ x1 ⎤ ⎡ 307 1
6
1 ⎤⎡ ⎤ ⎡ ⎤
30
2 −1
⎢ ⎥ ⎢ 1 ⎥
2 ⎢ ⎥ ⎢ ⎥
x = A c ⎢x 2 ⎥= ⎢− 15 − 3 −9 = 3
−1 , 1
o usando la matriz inversa, 15 ⎥⎢ ⎥ ⎢ ⎥
⎢⎣x 3 ⎥⎦ ⎢⎣− 11
30
1
6
7 ⎥⎢ ⎥ ⎢ ⎥
1 −2
30 ⎦⎣ ⎦ ⎣ ⎦

En la práctica, €
se obtendría la solución a partir de x = A −1c si y sólo si A −1 se hubiera obtenido sin la tabla
−1
(I A x) .

€
Por medio de la regla de Cramer.
€ € €
3 1 −1
A = 1 −2 1 = −12 + 4 − 3 − (8 + 9 + 2) = −30
4 3 2

2 1 −1
€ −9 −2 1
1 3 2 −8 +1 + 27 − (2 + 6 −18) 30
x1 = = = = −1
−30 −30 −30
3 2 −1
1 −9 1
€ 4 1 2 −54 + 8 −1 − (36 + 3 + 4 ) −90
x2 = = = =3
−30 −30 −30

3 1 2
€ 1 −2 −9
4 3 1 −6 − 36 + 6 − (−16 − 81 +1) 60
x3 = = = = −2
−30 −30 −30

B. €
Resolver el sistema de ecuaciones lineales simultáneas

x1 + x 2 − x 3 = 6
3x1 − 4 x 2 + 2x 3 = −2
2x1 + 5x 2 + x 3 = 0

Aplicando el procedimiento normal a la disposición ( A I c)

€
−1
para obtener la tabla (I A x)
€

€
 ⎡1 1 −1 1 0 0 6⎤ ⎡1 1 −1 1 0 0 6⎤
⎢ ⎥ ⎢ ⎥
⎢3 −4 2 0 1 0 −2⎥= ⎢0 −7 5 −3 1 0 −20⎥
⎢
⎣2 5 1 0 0 1 0⎥
⎦ ⎢⎣0 3 3 −2 0 1 −12⎥
⎦
⎡1 0 − 2 4 1
0 22 ⎤ ⎡
1 0 0 7 1 1
2⎤
7 7 7 7 18 6 18
⎢ ⎥ ⎢ ⎥
⎢0 1 − 7 − 0 = 0 1 0 − 36 − 12 0⎥
5 3 1 20 1 1 5
7 7 7 ⎥ ⎢ 36
⎢
⎣0 0
36
− 23 3
1 − 144 ⎥ ⎢0 0 1 − 23 1 7
−4 ⎥
7 7 7 7 ⎦ ⎣ 36 12 36 ⎦

⎡ x1 ⎤ ⎡ 2⎤
⎢ ⎥ ⎢ ⎥
€ De modo que leyendo directamente en la tabla, x = A −1c ⎢x 2 ⎥= ⎢ 0⎥
⎢
⎣x 3 ⎥
⎦ ⎢⎣−4 ⎥
⎦

€ ⎡ x1 ⎤ ⎡ 187 1
6
1 ⎤⎡ ⎤ ⎡ ⎤
18
6 2
⎢ ⎥ ⎢ 1 ⎥⎢ ⎥ ⎢ ⎥
⎢x 2 ⎥= ⎢− 36 − 12 € 36 ⎥⎢−2⎥= ⎢ 0⎥
1 5
o, haciendo uso de la matriz inversa,
⎢⎣x 3 ⎥⎦ ⎢⎣− 23
36
1
12
7 ⎥⎢ ⎥ ⎢ ⎥
0 −4
36 ⎦⎣ ⎦ ⎣ ⎦

Por la regla de Cramer.

1 1 −1
A = 3 −4 € − (8 +10 + 3) = −36
2 = −4 + 4 −15
2 5 1

6 1 −1
€ −2 −4 2
0 5 1 −24 + 0 +10 − (0 + 60 − 2) −72
x1 = = = =2
−36 −36 −36
1 6 −1
3 −2 2
€ 2 0 1 −2 + 24 + 0 − (4 + 0 +18)
x2 = = =0
−36 −36

1 1 6
€ 3 −4 −2
2 5 0 0 − 4 + 90 − (−48 −10 + 0) 144
x3 = = = = −4
−36 −36 −36

PROBLEMAS
€

Para cada uno de los siguientes conjuntos de ecuaciones lineales simultáneas, determine si hay una solución
única y obtenga la solución si existe.

1. x +2y =1 2. x + y −2z = 5 3. x1 + x 2 + x 3 = 3 4. 3x − y +2z = −2

3x +2y =1 2x − 4 y + 3z = 6 2x1 − x2 − x 3 = 0 x+y+z =5
3x − 3y + z =11 3x1 + 4 x 2 + x 3 = 8 2x −2y + z = 3

€
 5. x −5y + 6z = 7 6. x1 − 3x 2 = −2 7. x1 − 4x 2 = −1 8. x1 + x 2 + x3 = 9
3x + 3y − z = 8 2x1 + 7x 2 = 3 3x1 −2x 2 − x3 = 0 3x1 +2x 3 =17
2x +8y − 7z x1 + x 3 = 3 x 2 + x 3 =10

9. 3x − y = 0 10. 3x1 − 4 x 2 = −3 11. 4 x1 − 5x 2 − 7x 3 =15 12. 5x1 − 2x 2 + x 3 =12

€ 2x + 4 y = −14 6x1 + x 2 = 3 3x1 + 2x 2 − 6x 3 = 8 2x1 + 2x 2 − 3x 3 = 7
x1 − 7x 2 − x 3 = 6 x1 − 6x 2 + 7x 3 = −2

13. 2x1 + 3x 2 + x 3 = 0 14. x1 + 5x 2 − 4 x 3 = 0 15. 3x1 − 3x 2 + 4 x 3 = −18 16. x1 + x 2 + 6x 3 = −2

€ 4 x1 − 8x 2 − 6x 3 = 2 3x1 − x 2 + 4 x 3 = −4 4 x1 − 4 x 2 + 4 x 3 = −24 3x1 + 2x 2 + x 3 = 0
6x1 + x 2 − x 3 = 0 2x1 + 3x 2 − 8x 3 = 0 2x1 − 2x 2 + 4 x 3 = 6 2x1 + x 2 + 5x 3 = 2

17. x1 + 2x 2 = 0 18. x1 + x 2 + x 3 = 4
€ x1 + x 2 + x 3 = 2 2x1 + 3x 2 + 2x 3 = 5
2x1 + 2x 2 + 3x 3 = 7 3x1 + 4 x 2 − 3x 3 = −3

€ Respuestas a los Problemas de Número Impar

1. x = 0, y = 12 3. x1 =1, x 2 =1, x 3 =1 5. linealmente dependientes, no hay solución única

7. x1 =1, x 2 = 12 , x 3 = 2 9. x = −1, y = −3 11.incompatibles, no hay solución
13. x1 = − 12 , x 2 =1, x 3 = −2 15.incompatibles, no hay solución 17. x1 = −2, x 2 =1, x 3 = 3

1.10 RAÍCES Y VECTORES CARACTERÍSTICOS DE UNA MATRIZ

€ Las raíces y vectores característicos de una matriz A de orden n x n se obtienen resolviendo la ecuación
Ax = λx
para determinar un λ y un vector x ≠ 0 . El escalar λ es una raíz característica de A , y es un vector x
característico de A . Asimismo, las raíces y los vectores característicos se conocen como raíces y vectores
latentes, o bien, eigenvalores y eigenvectores.*
€ DETERMINACIÓN DE LAS RAÍCES CARÁCTERÍSTICAS
€ € € €
€
La ecuación Ax = λ x o [ A − λ I ]x = 0
decir, sólo si A − λI = 0
tiene una solución no trivial,
€ si [ A − λ I]
x ≠ 0 , si y sólo es singular, es

este determinante es un polinomio de n-ésimo grado en λ , y por lo tanto, A tiene n raíces características,
λ 1€, λ 2 ,..., λ n , que no necesariamente son distintas. €
€
€
⎡a11 a12 ⎤
Consideremos la matriz general 2 x 2 A=⎢
⎣a21 a22 ⎥
⎦
€ €
€
De ahí que, Ax = λ x o [ A − λ I ]x = 0 puede expresarse como

€
*
N. del S. La partícula eigen utilizada como prefijo en estos términos significa propio o característico. Proviene del alemán y se
€
pronuncia “aiguen”. De manera que la palabra híbrida eigenvalor se dice “aiguenvalor”.
 (a11 − λ ) x1 + a12 x 2 = 0 a21 x1 + (a22 − λ ) x 2 = 0

que tiene un solución no trivial, x ≠ 0 , si y sólo si A − λ I = 0 ; es decir,

€
a11 − λ a12
=0
a 21 a 22 − λ
€
€
2
(a11 − λ )( a22 − λ ) − a12 =0

λ 2 − (a11 + a 22 )λ + ( a11a 22 − a12 a 21 ) = 0

€
cuya solución es

⎡ 2 ⎤ ⎡ 2 ⎤
λ 1 = 12 ⎢(a11 + a 22 ) + (a11 + a22 ) − 4 (a11 a 22 − a12 a21 ) ⎥ λ 2 = 12 ⎢(a11 + a 22 ) + (a11 + a 22 ) − 4 (a11 a 22 − a12 a 21) ⎥
⎣ ⎦ ⎣ ⎦

Para el caso especial de una matriz simétrica a12 = a21 , la solución es

€
⎡ 2 2 ⎤ ⎡ 2 2 ⎤
λ 1 = 12 ⎢(a11 + a 22 ) + (a11 + a22 ) − 4a12 ⎥ λ 2 = 12 ⎢(a11 + a 22 ) + (a11 + a 22 ) − 4a12 ⎥
⎣ ⎦ ⎣ ⎦

€
Obsérvese que las raíces características de una matriz simétrica siempre son reales, ya que la expresión
€ 2 2
(a11 − a 22 ) + 4a12 siempre es no negativa.

€
EJEMPLO
⎡10 3⎤
Obtener las raíces características de la matriz A=⎢
⎣ 3 2⎥
⎦

A es una matriz simétrica, y sus raíces características están dadas por

€
⎡ 2 2 2 ⎤
λ= 1
a
2 ⎢( 11
+ a 22 ) ± (a11 − a 22 ) + 4 a12 ⎥ = 1
2 [12 ± 64 + 36 ] =11,1
⎣ ⎦

€
PROPIEDADES
€ DE LAS RAÍCES CARACTERÍSTICAS

Estos elementos tienen las siguientes propiedades:

1. Las raíces características de una matriz simétrica real son reales.

2. El producto de las raíces características de una matriz A es igual A ; es decir, ∏ n
i=1 λi = A.
n
3. La suma de las raíces características de una matriz A es igual a la traza* de A ; esto es, ∑ i=1
λ i = tr ( A) .
4. La raíces características de una matriz diagonal son sus elementos diagonales.
€ Obsérvese que en el ejemplo
2 €
anterior 2
∏
i=1 λ i =11 = A y λ i =12 = tr ( A) .
i=1€
∑
€
€ €
DETERMINACIÓN DE LOS VECTORES CARACTERÍSTICOS
€
Un vector característico, x i se halla relacionado con cada raíz característica λ i de A , lo cual satisface el
sistema homogéneo de ecuaciones [ A − λ i I ]x i = 0
*
N del R. La traza es la suma de los elementos de las diagonal principal.
€ € €
€
 Por definición de las raíces características, [ A − λ I ] = 0 , y siempre existe una solución no trivial para x i . No
obstante, los elementos de x i sólo se determinan con base en un factor de escala, dado que si x i satisface a
[ A − λ i I ] x i = 0 , también lo hace kx i en donde k es una constante arbitraria. Los vectores característicos
€ x ′i x j = 1 para todo valor de
suelen normalizarse de manera que i. €
€ €
€ EJEMPLO € €
€
En el caso de la matriz A dada en el ejemplo € anterior, las raíces características son λ1 =11 y λ 2 =1 . Los
vectores característicos correspondientes se pueden obtener como sigue.
Para λ1 = 11 ,

€ ⎡⎡10 3⎤ ⎡11 0 ⎤⎤ ⎡x11 ⎤ ⎡0 ⎤ €

[ A − λ 1I ] x1 = ⎢⎢ ⎥− ⎢ ⎥⎥ ⎢ ⎥ = ⎢ ⎥
⎣⎣ 3 2 ⎦ ⎣ 0 11⎦⎦ ⎣x12 ⎦ ⎣0 ⎦
€ − x11 + 3x12 = 0
3x11 − 9x12 = 0
x11 = 3x12

Normalizando de modo que x1′x1 = 1

€
x112 + x122 =1
9x122 + x122 =1
1€ 3 ⎡ 3 1 ⎤
x12 = x11 = x1′ = ⎢ , ⎥
10 10 ⎣ 10 10 ⎦

Para λ 2 = 1,
€
⎡⎡10 3⎤ ⎡1 0 ⎤⎤ ⎡x 21 ⎤ ⎡0 ⎤
[ A − λ I ]x 2 = ⎢⎢ ⎥− ⎢ ⎥⎥ ⎢ ⎥ = ⎢ ⎥
⎣⎣ 3 2 ⎦ ⎣0 1⎦⎦ ⎣x 22 ⎦ ⎣0 ⎦
€ 9x 21 + 3x 22 = 0
3x 21 + x 22 = 0
x 22 = −3x 21

Al normalizar de modo que x ′2 x 2 = 1

€
x212 + x 222 =1
x212 + x 212 =1
1 € 3 ⎡ 1 −3 ⎤
x21 = x 22 = − x 2′ = ⎢ , ⎥
10 10 ⎣ 10 10 ⎦

€
 Observemos que x1′x 2 = x ′2 x1 = 0 . Así pues, x1 y x 2 son vectores ortogonales. Un conjunto de vectores
ortogonales normalizados es un conjunto ortonormal. Como x1 y x 2 están normalizados, constituyen un
conjunto ortonormal.

€ €
€
PROPIEDADES € €
DE LOS VECTORES CARACTERÍSTICOS

Estos elementos tienen las siguientes propiedades:

1. Los vectores característicos de una matriz simétrica real son ortogonales.
2. Si una raíz característica tiene multiplicidad k , esto es, si es repetida k veces, habrá k vectores
ortogonales correspondientes a esta raíz.

EJEMPLO
€ € €
⎡2 1 1⎤
Determinar las raíces y los vectores característicos de la matriz A = ⎢1 2 1⎥
⎢ ⎥
⎣1
⎢ 1 2⎥
⎦

A fin de que los vectores característicos no sean triviales, [ A − λ I ] = 0 ; esto es,

€
2−λ 1 1
1 2−λ 1 = 8 −12λ + 6λ 2 − λ 3 + 2 − 3(2 − λ ) = 0
1 1 2−λ €
λ 3 − 6λ 2 + 9λ − 4 = 0
λ = 4 ,1,1

Para λ = 4 , el vector característico correspondiente es la solución de las ecuaciones lineales simultáneas.

€
[ A − λ I ] x1 = 0
⎡−2 1 1⎤⎡x11 ⎤ ⎡0⎤
€ ⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢ 1 −2 1⎥⎢x12 ⎥= ⎢0⎥
€ ⎢
⎣ 1 1 −2⎥
⎦⎢
⎣x13 ⎥
⎦ ⎢⎣0⎥
⎦
−2 x11 + x12 + x13 = 0
x11 − 2 x12 + x13 = 0
x11 + x12 − 2 x13 = 0

de modo que x11 = x12 = x13

€
Al normalizar de modo que x1′x1 = 1,
€ 1 ⎡1 1 1 ⎤
x112 + x122 + x132 =1 x11 = x12 = x13 = y x1′ = ⎢ , , ⎥
3 ⎣ 3 3 3⎦
€
Para λ =1 , el vector característico correspondiente es la solución de las ecuaciones lineales simultáneas,
€

€
 [ A − λ I ]x 2 = 0
⎡1 1 1⎤ ⎡x 21 ⎤ ⎡0 ⎤
⎢1 1 1⎥ ⎢x ⎥ = ⎢0 ⎥
⎢ ⎥ ⎢ 22 ⎥ ⎢ ⎥
⎣1 1 1⎥
⎢ ⎦⎢⎣x 23 ⎥
⎦ ⎢⎣0 ⎥
⎦
x 21 + x 22 + x 23 = 0

cuya solución general es [ a, b, − a − b]

€ en donde pueden elegirse a y b para generar dos vectores característicos independientes lineales, ya que λ =1
ocurre dos veces. Obsérvese
€ que cualquier selección de a y b dará un vector ortogonal al primer vector
característico (1, 1, 1).

Si se normalizan los vectores,

⎛ 1⎞ €
a 2 + b 2 + a 2 + 2ab + b 2 =1 a 2 + ab + ⎜b 2 − ⎟= 0
⎝ 2⎠
⎛ 1⎞
−b ± b 2 − 4⎜b 2 − ⎟
⎝ 2 ⎠ −b ± 2 − 3b 2
a= =
2 2
2
Si, por ejemplo, b = 0, entonces a = ± y
2
⎡ 2 2 ⎤€ ⎡ 2 2⎤
x ′2 = ⎢ , 0, − ⎥ x ′3 = ⎢− , 0, ⎥
⎣2 2 ⎦ ⎣ 2 2 ⎦
€
Obsérvese que las propiedades de raíces y vectores característicos señalados antes son satisfechas por
€ € λ1 = 4, λ 2 = λ 3 = 1 y los vectores característicos correspondientes
las raíces características

⎡1 1 1 ⎤ ⎡ 2 2⎤ ⎡ 2 2⎤
x1′ = ⎢ , , , x 2′ = ⎢ , 0, − ⎥, x 3′ = ⎢− , 0, ⎥
⎣ 3 3 3 ⎥⎦ ⎣2 2 ⎦ ⎣ 2 2 ⎦
€
3

∏λ i = 4 = A , dado que A = 8 +1 +1 − (2 + 2 + 2) = 4
€ i=1
3

∏λ i = 6 = tr (a ), dado que tr ( A) = 2 + 2 + 2 = 6
i=1

⎧1 si i = j =1, 2, 3
x i′ x j = ⎨
⎩0 si i , j =1, 2, 3 y i ≠ j

€ PROBLEMAS

Para cada una de las matrices siguientes, determine las raíces y los vectores característicos, y verifique que
satisfagan las propiedades señaladas.

⎡3 0 0 ⎤ ⎡−1 0 0⎤ ⎡1 2 2⎤
⎡ 5 −2⎤ ⎡4 3⎤ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎡10 4 ⎤
1. 1. ⎢ ⎥ 2. ⎢ ⎥ 3. ⎢0 2 0 ⎥ 4. ⎢ 0 −2 0⎥ 5. ⎢2 1 2⎥ 6. ⎢ ⎥
⎣−2 2⎦ ⎣3 4 ⎦ ⎣ 4 4⎦
⎢⎣0 0 −2⎥⎦ ⎢⎣ 0 0 3⎥⎦ ⎢⎣2 2 1⎥⎦

€
 Respuestas a los Problemas de Número Impar

⎡ −2 1 ⎤ ⎡1 2 ⎤
1. λ 1 = 6, λ 2 =1 x1′ = ⎢ , ⎥ x 2′ = ⎢ , ⎥
⎣ 5 5⎦ ⎣ 5 5⎦

3. λ 1 = 3, λ 2 = 2, λ 3 = −2 x1′ = [1,0,0] x 2′ = [0,1,0] x 3′ = [0,0,1]

€
⎡1 1 1 ⎤ ⎡ 2 2⎤ ⎡ 2 2⎤
5. λ 1 = 5, λ 2 = λ 3 = −1 x1′ = ⎢ , , ⎥ x 2′ = ⎢ ,0,− ⎥ x 3′ = ⎢− ,0, ⎥
€ ⎣ 3 3 3⎦ ⎣2 2 ⎦ ⎣ 2 2 ⎦

1.11 DIFERENCIACIÓN VECTORIAL

€
En algunos problemas de maximización y minimización, deben diferenciarse expresiones que contienen vectores
y matrices. Las derivadas de las expresiones simples en que intervienen vectores y matrices, se pueden obtener
directamente a partir de la definiciones. En esta sección se definirán las derivadas vectoriales de funciones
lineales, formas cuadráticas y formas bilineales. No se analizarán explícitamente las derivadas vectoriales de
segundo y mayor orden, pero pueden obtenerse por diferenciación sucesiva en la manera usual.

DIFERENCIACIÓN VECTORIAL DE UNA FUNCIÓN LINEAL

Una expresión de la forma a ′x en donde a es n x 1 y x es n x 1 es una función lineal. En el caso de la

función lineal

⎡ x1 ⎤
⎢ ⎥
x
€ a ′x = [ a1 , a 2 ,..., a n ] ⎢ 2 ⎥= a1 x1 + a 2 x 2 +L + an x n
⎢ M⎥
€ € ⎢ ⎥
⎣x n ⎦

las derivadas parciales de a ′x con respecto al escalar x , i = 1, 2,…, n, son

i

€
∂(a ′x ) ∂(a ′x ) ∂(a ′x )
= a1 , = a2 , L , = an
∂x1 ∂x 2 ∂x n
€
esto es, las derivadas parciales son los elementos del vector a . De modo que si las n derivadas parciales se
∂ ( a′x )
ordenan como un vector a €, el proceso de diferenciación vectorial se define por ∂x
=a

∂(a ′x )
en donde indica la operación de diferenciar a ′x con respecto a los elementos del vector x.
∂x1
€ €€
€
EJEMPLO
€
€
€
 ⎡2a ⎤ ⎡x1 ⎤
⎢ ⎥ ⎢ ⎥
−a x
Si a = ⎢ ⎥ y x = ⎢ 2 ⎥, entonces a ′x = 2ax1 − ax 2 + 3ax 3 + ax 4
⎢3a ⎥ ⎢x3 ⎥
⎢ ⎥ ⎢ ⎥
⎣a ⎦ ⎣x4 ⎦

€ ∂ ∂ ∂ ∂
(a ′x ) = 2a (a ′x ) = −a (a ′x ) = 3a (a ′x ) = a
∂x1 ∂x 2 ∂x 3 ∂x 4

⎡2a ⎤
⎢−a ⎥
∂
€ Por lo tanto, ( a′ x ) = ⎢ ⎥ = a
∂x ⎢3a ⎥
⎢ a⎥
⎣ ⎦

DIFERENCIACIÓN VECTORIAL DE UN VECTOR DE FUNCIONES

€
Si y designa un vector columna n-dimensional, en el cual cada elemento es una función de los m elementos de x,
es decir, si
y i = f i ( x1, x 2,..., x m ) i = 1,2,...,n

por consiguiente, cada yi puede diferenciarse parcialmente con respecto a cada xj, y tales derivadas parciales
pueden ordenarse en un matriz m x n como sigue:
€
⎡ ∂y1 ∂y 2 ∂y n ⎤
⎢ ∂x L
∂x1 ∂x1 ⎥
⎢ ∂y1 ∂y 2 ∂y n ⎥
∂y ⎢ 1 L ⎥
= ∂x ∂x 2 ∂x 2 ⎥
∂x ⎢⎢ M2 M M⎥
⎢ ∂y1 ∂y 2 ∂y n ⎥
⎢ L ⎥
⎣∂x m ∂x m ∂x m ⎦

EJEMPLO

⎡ x12 + 2 x 22 − 3x1 x 3 ⎤
Si 2€
y = ⎢ 2 2⎥
⎣3x1 x 2 − x 2 + 4 x 2 x 3 ⎦

⎡2 x1 − 3x 3 3x 2 2
⎤
∂y ⎢ ⎥
€
entonces ∂x
= ⎢ 4 x2 2
6 x1 x 2 − 2 x 2 + 4 x 3 ⎥
⎢ − 3 x1 8x2 x3 ⎥
⎣ ⎦

€
DIFERENCIACIÓN VECTORIAL DE UNA FORMA CUADRÁTICA
 Una expresión de la forma x ′Ax , en donde A es una matriz simétrica n x n, recibe el nombre de forma
cuadrática. La forma cuadrática x ′Ax puede desarrollarse como sigue
⎡a11 a12 . .. a1n ⎤ ⎡x1 ⎤
⎢a a22 ... a2 n ⎥ ⎢x ⎥
x′Ax = [ x1 , x 2 , .. ., x n ] ⎢ 12
⎥ ⎢ 2
⎥
⎢ M M M ⎥ ⎢ M⎥
⎢a a2 n ... ann ⎥ ⎢x ⎥
⎣ 1n ⎦ ⎣ n ⎦
2

€
= a11 x 1 + 2a12 x1 x 2 + 2a13 x1 x 3 + L + 2a 1n x1 x n
2
+ a22 x 2 + 2 a23 x 2 x 3 + L + 2 a2 n x 2 n

€
+ K .
. .
. .
2
+ ann x n

€
€
Tomando las derivadas parciales con respecto a los elementos de x,
∂
( x ′Ax ) = 2( a11 x1 + a12 x 2 + a13 x 3 + L + a1n x n )
∂x1
∂
( x ′Ax ) = 2( a12 x1 + a22 x 2 + a23 x 3 + L + a2n x n )
∂x 2
M M
∂
( x ′Ax ) = 2( a1n x1 + a2n x 2 + a3n x 3 + L + ann x n )
∂x n

Además del factor 2, el segundo miembro de este conjunto de ecuaciones contiene los elementos de Ax , que es
un vector columna n-dimensional; en forma alternativa, el citado segundo miembro contiene los elementos de
€
x ′Ax , que es un vector fila n-dimensional. Así pues
∂ ∂
( x ′Ax ) = 2Ax o bien ( x ′Ax ) = 2 x ′A €
∂x ∂x

€ En la práctica, la elección entre dos formas generalmente depende del contexto en el que ocurren la
diferenciación, ya que las matrices sólo se pueden igualar si son del mismo orden; específicamente, un vector
€ vector fila que tenga el mismo número de elementos, pero no puede ser igual a un
fila puede ser igual a otro
vector columna.

EJEMPLO

⎡x1 ⎤ ⎡ 3 1 −2⎤
⎢ ⎥ ⎢ ⎥
Si x = ⎢x 2 ⎥ y A = ⎢ 1 0 3⎥, entonces
⎢⎣x 3 ⎥⎦ ⎢⎣−2 3 2⎥⎦
⎡ 3 1 −2⎤ ⎡x1 ⎤
⎢ ⎥ ⎢ ⎥
x ′Ax = [ x1 , x 2 , x 3 ] ⎢ 1 0 3⎥ ⎢x 2 ⎥
⎢⎣−2 3 2⎥⎦ ⎢⎣x 3 ⎥⎦
⎡x1 ⎤
⎢ ⎥
= [ 3x1 + x 2 − 2x 3 , x1 + 3x 3 , − 2x1 + 3x 2 + 2x 3 ] ⎢x 2 ⎥
⎢⎣x 3 ⎥⎦

= 3x12 + x1 x 2 − 2x1 x 3 + x1 x 2 + 3x 2 x 3 − 2x1 x 3 + 3x 2 x 3 + 2x 32

= 3x12 + 2x 32 + 2x1 x 2 − 4 x1 x 3 + 6x 2 x 3
y

€
 ∂ ∂ ∂
( x ′Ax ) = 6x1 + 2x 2 − 4 x 3 ( x ′Ax ) = 2x1 + 6x 3 ( x ′Ax ) = 4 x 3 − 4 x1 + 6x 2
∂x1 ∂x 2 ∂x 3

Por lo tanto,
⎡ 3x1 + x 2 − 2 x 3 ⎤
∂
( x ′ Ax ) = 2 ⎢ x1 + 3x 3 ⎥ = 2 Ax
€ ∂x ⎢ ⎥
⎢
⎣−2 x1 + 3x 2 + 2 x3 ⎥
⎦

o bien, €
∂
( x ′Ax ) = 2[ 3x1 + x 2 − 2x 3 , x1 + 3x 3 , − 2x1 + 3x 2 + 2x 3 ] = 2 x ′A
∂x

DIFERENCIACIÓN VECTORIAL DE UNA FORMA BILINEAL

€
Una expresión de la forma x ′Bz , en donde x ′ es 1 x m, B es m x n y es n x 1, se denomina forma z
bilineal. Las derivadas siguientes para una forma bilineal pueden verificarse usando los procedimientos
anteriores:

∂ ∂
( x ′Bz ) = Bz € ( x ′Bz ) = B′x €
∂x ∂x € €
EJEMPLO
€
⎡x1 ⎤ ⎡ 2b1 b1 + b2 ⎤
⎢ ⎥ ⎡z1 ⎤
Si x = ⎢x 2 ⎥ B = ⎢b2 + 2b3 3b2 ⎥ z = ⎢ ⎥
⎢ ⎥ ⎣z2 ⎦
⎢⎣x 3 ⎥⎦ ⎢b + b 4b32 ⎥⎦
⎣1 3

entonces ⎡ 2b1 b1 + b2 ⎤
⎢ ⎥⎡z1 ⎤
x ′Bz = [ x1 , x 2 , x 3 ] ⎢b2 + 2b3 3b2 ⎥⎢ ⎥
⎢ ⎥⎣z 2 ⎦

€
2
⎢
⎣b1 + b3 4 b3 ⎥
⎦
⎡z1 ⎤
2
= [ 2b1 x1 + b2 x 2 + 2b3 x 2 + b1 x 3 + b3 x 3 , b1 x1 + b2 x1 + 3b2 x 2 + 4 b3 x3 ] ⎢ ⎥
⎣z 2 ⎦
= 2 b1 x1z1 + b2 x 2 z1 + 2b3 x 2 z1 + b1 x 3 z1 + b3 x 3 z1 + b1 x1z 2
2
+ b2 x1z 2 + 3b2 x 2 z 2 + 4 b3 x3 z2

€
y

∂ ∂ ∂ 2
( x ′Bz ) = 2b1z1 + b1z 2 + b2 z 2 ( x ′Bz ) = b2 z1 + 2b3 z1 + 3b2 z 2 ( x ′Bz ) = b1z1 + b3 z1 + 4b3 z 2
∂x1 ∂x 2 ∂x 3

⎡2b1z1 + b1z 2 + b2 z 2 ⎤
∂ ⎢ ⎥
Así pues, ∂x
( x ′ Bz ) = ⎢b2 z1 + 2b3 z1 + 3b2 z 2 ⎥ = Bz
⎢ 2 ⎥
⎣b1z1 + b3 z1 + 4 b3 z 2
€ ⎦
y
€

∂ ∂ 2
( x ′Bz ) = 2b1 x1 + b2 x 2 + 2b3 x 2 + b1 x 3 + b3 x 3 ( x ′Bz ) = b1 x1 + b2 x1 + 3b2 x 2 + 4b3 x 3
∂z1 ∂z 2

⎡ x1 ⎤
∂ ⎡2b1 x1 + b2 x 2 + 2b3 x 2 + b1 x 3 + b3 x 3 ⎤ ⎡ 2b1 b2 + 2b3 b1 + b3 ⎤⎢ ⎥
€ De ahí que ( x ′Bz ) = ⎢ ⎥= ⎢ ⎥ x 2 = B′ x
∂z ⎣ b1 x1 + b2 x1 + 3b2 x 2 + 4b32 x 3 ⎦ ⎣b1 + b2 3b2 4b32 ⎦⎢ ⎥
⎢
⎣x 3 ⎥
⎦

€
 APLICACIONES DE LA DIFERENCIACIÓN VECTORIAL EN MAXIMIZACIÓN Y
MINIMIZACIÓN

La diferenciación vectorial se emplea en la resolución de muchos problemas en los que interviene la

maximización y la minimización. En particular, las deducciones de la mayor parte de los estimadores en el
análisis multivariante, utilizan la diferenciación vectorial. Como ejemplo de estas aplicaciones, se estudia en esta
sección cómo se obtienen los estimadores de regresión multivariante de mínimos cuadrados.
En el análisis de regresión multivariante, el modelo supone una relación lineal entre una variable predecible
u
y , y k variables predictoras x1 , x 2 ,..., x k , y un término de aleatoriedad . En el caso de una muestra de
n observaciones sobre y y las , x
y i = β 0 + β1 x1i + β 2 x 2i +K + β k x k i + ui i =1, 2,K , n
€
€ €
Las n ecuaciones
€ pueden representarse en la notación matricial como y = xβ +u
en donde
€ €
€ ⎡ y1 ⎤
€x
⎡1 L x k1 ⎤
21
⎢ ⎥ ⎢ ⎥ €
y 1 x 22 L xk 2 ⎥
y =⎢ 2⎥ x =⎢
⎢ M⎥ ⎢M M ⎥
€ ⎢ ⎥
⎣y n ⎦
⎢
⎣1 x 2n L
⎥
x kn ⎦
⎡β1 ⎤ ⎡u1 ⎤
⎢ ⎥ ⎢ ⎥
β u
β =⎢ 2⎥ u =⎢ 2⎥
⎢ M⎥ ⎢ M⎥
⎢ ⎥ ⎢ ⎥
⎣β n ⎦ ⎣un ⎦

La intercepción β 0 está representada por la columna de unos en la matriz x . Como resultado de la

€ convención de denotar la observación i-ésima de la variable k-ésima por X k i , los subíndices de la
matriz x
están al contrario de lo usual, donde se indica la fila por medio del primer subíndice, y la
columna, por el segundo.
El €problema consiste en obtener estimaciones de las β . Tales€ estimaciones suelen obtenerse con el
criterio de los mínimos cuadrados. Supóngase que
⎡β
ˆ ⎤ €
⎢ 1⎥
€ ˆ
€ βˆ = ⎢β 2 ⎥
⎢ M⎥
⎢ˆ ⎥
⎣β ⎦ k

denota un vector de estimaciones de β . Por lo tanto, y = x β ˆ + e en donde e

designa el vector columna de los
n errores de predicción ( y − x ˆ
β ) . El criterio de mínimos cuadrados requiere que se minimice la suma de los
cuadrados de los errores de predicción. €
€ €
€ n

∑ ei2 = e′e = ( y − xβˆ )′ ( y − xβˆ ) = y ′y − 2βˆ x ′y + βˆ ′x ′x βˆ

i=1
€
€
€
 Observemos que ( y − x βˆ )′ = y ′ − βˆ ′x ′ y βˆ ′x ′y es un escalar, y por tanto, es igual a su transpuesta y ′x β . Para
obtener las estimaciones β ˆ que minimizan la suma de los cuadrados de los errores de predicción, derívese
e′e
con respecto ˆ ,
a β
€
∂ ˆ + β
ˆ ′ ˆ
e′e = −2 x ′y + x ′x β
ˆ ( ) ( ′x ′x ) = −2 x ′y + 2 x ′x β €
€ ∂β
€
∂ €
x ′x βˆ = x ′y βˆ = ( x ′x ) x ′y
−1
Si (e′e) = 0 y
∂ βˆ €

De otra forma,
∂ ˆ ′x ′x
€ e′e = −2 y ′x + 2β
∂βˆ ( )

∂
βˆ ′x ′x = y ′x ⇒ βˆ ′ = y ′x [ x ′x ] βˆ = [ x ′x ] x ′y
−1 −1
Si (e′e) = 0 y
∂ βˆ €

es el vector de estimaciones por mínimos cuadrados para los coeficientes de regresión.

€
ˆ = [ x ′x ] −1 x ′y es una solución minimizante, debe considerarse la segunda
NOTA: Para demostrar que β
derivada:

€ ∂2 ∂ ˆ = 2 x ′x
2 [
e′e] = −2 x ′y + 2 x ′x β
∂βˆ ∂βˆ [ ]

Así pues la condición de segundo orden para la minimización que requiere que x ′x sea definida y positiva, es
0 para toda y > 0 . En los ejemplos prácticos, x ′x es definida y positiva.
decir, que y ′[ x ′x ] y ′ >€

EJEMPLO
€ €
€ €
⎡1 −1⎤ ⎡ 5⎤
⎢ ⎥ ⎢ ⎥
1 0⎥ 3
Si x =⎢ y =⎢ ⎥
⎢1 1⎥ ⎢−2⎥
⎢ ⎥ ⎢ ⎥
⎣1 −2⎦ ⎣ 8⎦

ˆ por mínimos cuadrados para la ecuación de regresión y = x β + u

Obtener las estimaciones β
€
⎡1 −1⎤
⎡ 1 € ⎢ ⎥ ⎡3 1⎤
1 1 1 ⎢1 0⎥ ⎡ 4 −2⎤
⎤
€[ x ′x ]−1 = ⎢10 10
x ′x = ⎢ ⎥ =⎢ ⎥ x ′x = 24 − 4 = 20 ⎥
⎣−1 0 1 −2⎦⎢1 1⎥ ⎣−2 6⎦ 1
⎣10
1
5⎦
⎢ ⎥
⎣1 −2⎦
⎡ 5⎤
⎡3 1 ⎤⎡ ⎢ ⎥
ˆ = [ x ′x ] −1 x ′y 1 1 1 1⎤⎢ 3⎥ ⎡ 19 ⎤
y β = ⎢10 10
⎥
1 ⎢ ⎥ = ⎢ 10 ⎥
€ 1
⎣10 5 ⎦⎣
−1 0 1 −2⎦⎢−2⎥ ⎣− 5 ⎦
16

⎢ ⎥
⎣ 8⎦
Así pues, la ecuación de regresión estimada es yˆ = 19
10
− 165 x .

€
 PROBLEMAS

⎡ 3⎤ ⎡ x1⎤
⎢ ⎥ ⎢ ⎥ ∂
1. Si b = ⎢−2⎥ y x = ⎢x 2 ⎥, deter mine [ b′x] .
∂x
⎢⎣ 1⎥⎦ ⎢⎣x 3 ⎥⎦

⎡ −c ⎤ ⎡y1 ⎤
⎢ ⎥ ⎢ ⎥
0 y ∂
€ 2. Si c = ⎢ ⎥ y y = ⎢ 2 ⎥, deter mine [c ′y ] .
⎢ 2c ⎥ ⎢y 3 ⎥ ∂y
⎢ ⎥ ⎢ ⎥
⎣−3c ⎦ ⎣y 4 ⎦

⎡c 2 +1 ⎤ ⎡x1 ⎤
⎢ ⎥ ⎢ ⎥
⎢ 3c ⎥ x ∂
€ 3. Si c = y x = ⎢ 2 ⎥, obtenga [c ′x ] .
⎢4c −5⎥ ⎢x3 ⎥ ∂x
⎢ 3 ⎥ ⎢ ⎥
⎣c ⎦ ⎣x4 ⎦

⎡ 2x 2 − 3x x ⎤
⎢ 1 2 3
⎥ ∂y
€ 4. Si y = ⎢ x1 − 4 x1 x 2 x 3 ⎥, encuentre .
⎢x12 − 2x2 + x 3 ⎥ ∂x
⎣ ⎦

⎡ x 2 − 3x ⎤
€ ⎢ 1 2
⎥
2x x − x ∂y
5. Si y = ⎢ 1 2 2 ⎥
, obtenga .
⎢2x1 + x1 x 2 − 3x 22 ⎥ ∂x
⎢ 2 2 3⎥
⎣3x1 − x1 x 2 − x2 ⎦

⎡y1 ⎤
⎡x ⎤ ⎡3+ b b + 2b 4b 2 ⎤ ⎢ ⎥
6. Si x = ⎢ 1 ⎥, B =⎢ 2 1 1 2 2
⎥ y y = ⎢y 2 ⎥,
€ ⎣x2 ⎦ b
⎣ 2 4b b b
1 2⎦
1 ⎢⎣y 3 ⎥⎦

∂ ∂
encuentre [ x ′By ] y [ x ′By ].
∂x ∂y

⎡x1 ⎤ ⎡ 3 0 −1⎤ ⎡y1 ⎤

⎢ ⎥ ⎢ ⎥ ⎢ ⎥
€ 7. Si x = ⎢x2 ⎥, A =⎢2 1 4 ⎥ y y = ⎢y 2 ⎥,
⎢⎣x3 ⎥⎦ ⎢⎣−1 0 3 ⎥⎦ ⎢⎣y 3 ⎥⎦

∂ ∂
obtenga [ x ′Ay ] y [ x ′Ay ].
∂x ∂y

€
 ⎡1 −1⎤ ⎡−3⎤
⎢ ⎥ ⎢ ⎥
8. Si x = ⎢1 1⎥ y y = ⎢ 5⎥,
⎢
⎣1 2⎥
⎦ ⎢
⎣11⎥
⎦
ˆ por mínimos cuadrados para la ecuación de regresión v = x β + u.
det er min e la estimación β

€ Respuestas a los Problemas de Número Impar

⎡c 2 +1 ⎤
⎡ 3⎤ ⎢ ⎥ ⎡ 2y1 − y 3 ⎤ ⎡ 3x1 + 2x 2 − x 3 ⎤
⎢ ⎥ ⎢ 3c ⎥ ⎡2x 2x 2 2 + x2 6x1 − 2x1 x 2 ⎤ ⎢ ⎥ ⎢ ⎥
1. ⎢−2⎥ 3. 5. ⎢ 1 ⎥ 7. ⎢2y1 + y 2 + 4 y 3 ⎥, ⎢ x2 ⎥
⎢4c − 5⎥ ⎣ 3 2x1 −1 x1 − 6x 2 −x1 − 3x 22 ⎦
⎢
⎣ 1⎥
⎦ ⎢ 3 ⎥ ⎢
⎣ −y1 + 3y 3 ⎥ ⎦ ⎢
⎣−x1 + 4 x 2 + 3x 3 ⎥
⎦
⎣ c ⎦