Elementos para El Caculo Matricial SECUR

! "

#
$ %
&

'

( &
)
*+%
&
$
$+*,-.%

/(
!
0
/ 1-*2 #
$ %
&

'

( & )

$
$1-*2
Agradecimiento
Encabezo este agradecimiento a Dios, que me ha concedido salud fı́sica y mental ası́ como
suficiente inspiración para la edición. Igualmente a Francy Garrido y a mis hijos, quienes me
fortalecieron y fueron importantes pilares en decisiones y el desarrollo de esta obra. Los
esposos Escontrela-Dieguez quienes donaron la licencia de Wolfram Mathematica, programa
central de este libro. Las observaciones y correcciones hechas por el Dr. Abdul Lugo Jiménez
como destacado docente en cálculo numérico fueron un importante aporte en ciertos aspectos
de profundad matemática. Mi más sincera gratitud a todos.
Índice general
Introducción 5
Capı́tulo 1. Espacios y subespacios vectoriales 7

1.1. Espacios Vectoriales 7
1.2. Norma de un Espacio Vectorial 8
1.3. Subespacios Vectoriales 9
Ejercicios 15
Capı́tulo 2. Matrices 17
2.1. Terminologı́a 17
2.2. Operaciones elementales y Matrices Equivalentes 20
2.3. Operaciones con matrices 21
2.4. Permutaciones 25
2.5. Determinantes y aplicaciones 27
2.6. Transformaciones Lineales 32
2.7. Técnica de pivoteo 39
2.8. Matriz invertible 41
2.9. Tipos de soluciones 44
2.10. Eliminación de Gauss-Jordan 49
Ejercicios 51
Capı́tulo 3. Eigenvalores y Eigenvectores 55

3.1. Diagonalización 59
3.2. Ortogonalidad 62
3.3. Aplicaciones 65
Ejercicios 76
Capı́tulo 4. Métodos Numéricos 77

4.1. Eliminación Gaussiana con condensación pivotal 78
4.2. Método de Jacobi 80
4.3. Método de Gauss - Seidel 82
4.4. Aproximación de los Eigenvalores por el Método de las Potencias 84
4.5. Descomposición QR 85
4.6. Teorema de los Discos de Semyon Gerschgorin 87
4.7. Método Sı́mplex 89
Ejercicios 92
3
Capı́tulo 5. Grafos y Juegos Matriciales 95
5.1. Introducción a la Teorı́a de Grafos 96
5.2. Algoritmo del camino más corto 101
5.3. Juegos Matriciales 104
5.4. Juegos matriciales con desempeño escalar 104
5.5. Juegos matriciales con desempeño vectorial 105
Ejercicios 108
Listado de comandos 111
Bibliografı́a 113
Introducción
Se hace algo difı́cil apuntalar un inicio histórico en el reconocimiento de las matrices
como uno de los elementos básicos en el álgebra, sin embargo, es oportuno destacar el uso
ofrecido por los babilónicos en el siglo II y III AC que fue aplicado a los cultivos, la aparición
en China del libro Nueve Capı́tulos sobre el Arte Matemático (dinastı́a Han), ilustra el primer
ejemplo conocido de un método matricial también aplicado a los cultivos.
Cardano en el año 1545, expone en su Ars Magna una regla para resolver sistemas de dos
ecuaciones con dos incógnitas llamada regula de modo y es, esencialmente, un método análogo
al de Cramer salvo el último paso. La idea de determinante aparece en Japón y Europa con el
japonés Seki en 1683, donde escribe Método para resolver los problemas disimulados, el cual
contiene planteamientos escritos en tablas matriciales. Seki introduce las determinantes y da
un método general para calcularlas basado en ejemplos para determinantes de matrices de
2x2, 3x3, 4x4, 5x5 y lo aplica para resolver ecuaciones aunque no lo plantea como sistemas
de ecuaciones lineales.
Hacia el año 1850, James Joseph Sylvester (1814-1897) acuñó importantes contribuciones
como términos, matriz, invariante y discriminante entre otros. El desarrollo inicial de la teorı́a
matricial se debe al matemático William Rowan Hamilton (1805-1865) en 1853. Hacia 1846
y principios de 1850, se encuentra en plena efervescencia la teorı́a de invariantes, Cayley
(1821-1895) adopta por primera vez la noción de matriz en un artı́culo publicado en 1855 en
Le Journal de Crelle, titulado Remarques sur la notation de fonctions algebraiques. En este
artı́culo, Cayley representa el sistema:
⎧
⎨ ξ = αx + βy + γz
⎪ α β γ

η = α′ x + β ′ y + γ ′ z por (ξ, η, ς) = α′ β′ γ ′ (x, y, z)

⎪
′′ ′′ ′′ α′′
ς =α x+β y+γ z β ′′ γ ′′
⎩
Esto no es más que la aplicación de matrices y menores para caracterizar las intersecciones
de dos cónicas o cuádricas mediante la descomposición de un determinante en menores.
Hacia el año 1851, Sylvester asocia la notación matricial a los métodos del cálculo de
determinantes y particularmente, en 1858 las matrices eran consideradas simplemente como
una notación cómoda, pues permitı́an distinguir un objeto como un sistema lineal o una
forma cuadrática de su determinante. La publicación Memoria sobre la Teorı́a de Matrices
supone una evolución desde el punto de vista de Cayley sobre la noción matricial.
Destacados legados en el campo computacional del álgebra como la de Vera Nikolevna
Faddeeva y su aportes del cálculo en el álgebra lineal, John Strutt, tercer Barón de Raileygh,
John Francis, Vera Kublanovskaya, Jorgen Pedersen Gram y Erhard Schmidt por nombrar
algunos, ilustran con relevancia el contenido de esta obra.
En este libro se expone de manera clara el tratamiento de aspectos fundamentales para
la comprensión y estudio del cálculo matricial para los estudiantes en las etapas iniciales de
la licenciatura o ingenierı́a, esto sin apartar la debida formalidad y rigor matemático que
diere lugar, se expone en las siguientes partes:
Capı́tulo 1: Aspectos básicos de los espacios vectoriales de dimensión finita.
6
Capı́tulo 2: Caracterı́sticas generales de las matrices, propiedades, operaciones

elementales y los métodos descritos por Carl Freidrich Gauss y Camille Jordan aplicados en
la solución de sistemas de ecuaciones lineales.
Capı́tulo 3: Eigenvalores, Eigenvectores y aplicaciones.
Capı́tulo 4: En este capı́tulo se abordarán Los Métodos Numéricos para la solución
de sistemas de ecuaciones de dimensión finita. El comprobado potencial de Mathematica se
pone en manifiesto para el tratamiento de avanzados tópicos analı́ticos y numéricos donde la
precisión es un factor de suma importancia.
Capı́tulo 5: Corresponde a un breve enfoque referido al estudio de grafos con la intención
de resolver problemas de programación de redes, aplicaciones a problemas de recorrido y
emparejamiento. Se finaliza esta obra con el uso y significado geométrico y numérico de las
desigualdades lineales en la teorı́a de juegos matriciales.
El extenso mundo de Mathematica está rodeado de libros, revistas internacionales y

sitios en internet dedicados a su aplicación en Matemáticas, Fı́sica, diferentes ramas de la
Ingenierı́a y Economı́a entre otras ciencias. Su sistema colaborativo en lı́nea hallará solución
por otros usuarios y programadores mediante hojas de trabajo con paquetes o comandos.
Los paquetes o comandos instalados en el ordenador junto con Mathematica, les permitirá
comenzar navegando a través del menú Help o en el Master Index.
Con relación a los comandos a editar, Mathematica aplica las siguientes regulaciones:
1. Se distingue entre minúsculas y mayúsculas. Toda función predefinida inicia con
mayúsculas.
2. Se consideran los espacios. Un espacio entre variables algebraicas representa la operación
multiplicación.
3. Los corchetes [ ] se reservan para limitar el argumento de funciones.
4. Las llaves { } para limitar listas.
5. Los paréntesis ( ) para indicar prioridad en las operaciones.
6. Todo aquello limitado por asteriscos, será omitido para una ejecución tı́pica de
Mathematica.
Capı́tulo 1
Espacios y subespacios vectoriales
La teorı́a de invariantes surgió a la vida llevada por la fuerte mano de Cayley,

pero constituyó finalmente una obra completa de arte, para admiración de las
futuras generaciones de matemáticos, debido particularmente a los destellos de
la inspiración con que la iluminó la inteligencia de Sylvester.
P. A. Mac Mahon
1.1. Espacios Vectoriales
Se denotará como F a los elementos que puedan pertenecer a los conjuntos R y C,

entonces se indicará como Fn al conjunto de todas las n-uplas (x1 , . . . , xn ) ; xi ∈ F .
Definición 1.1. Un espacio vectorial V sobre F es un conjunto no vacı́o V con dos

operaciones:
1. La suma, que asocia a cada par de vectores u y v de V un vector u + v que satisface las
siguientes propiedades:
Conmutatividad. u + v = v + u para todo u, v ∈ V .
Asociatividad. (u + v) + w = u + (v + w) para todo u, v, w ∈ V .
Elemento neutro o identidad aditiva. Existe un componente 0 o nulo tal que u + 0
para todo u ∈ V .
Elemento simétrico o inverso aditivo. Para cada vector u ∈ V existe un vector u′ ∈
V tal que u + u′ = 0.
2. Producto escalar, esta asocia un escalar α ∈ F y un vector u ∈ V en un nuevo vector
αu de V con las siguientes propiedades:
α (βu) = (αβ) u para todo α, β ∈ F y u ∈ V .
α (u + v) = αu + αv para todo α ∈ F y u, v ∈ V .
7
8 1. ESPACIOS Y SUBESPACIOS VECTORIALES
(α + β) u = αu + βu para todo α, β ∈ F y u ∈ V .
Teorema 1.2. Sea V un espacio vectorial sobre F, entonces:
1. La identidad aditiva es única.

2. El inverso aditivo es único.
Demostración.
1. Supongamos O y O′ son identidades, entonces por la definición 1.1 se tiene que
O′ = O + O′ , análogamente O + O′ = O por lo tanto O = O′ .
2. Sea u ∈ V y supongamos que v y w son inversos aditivos de u, entonces
v = u + 0 = v + (u + w) = (v + u) + w = 0 + w = w
1.2. Norma de un Espacio Vectorial
Dado un espacio vectorial E de dimensión n, se dice que una aplicación de E sobre F es

norma, cuando verifica las siguientes propiedades:
1. E → R
2. x → x
3. Para todo x ∈ E: x ≥ 0; x = 0 ⇔x = 0
4. Para todo x ∈ E, α ∈ R: αx =| α | x
5. Para todo x, y ∈ E: x + y≤x+y
Los espacios normados en Rn usados en esta obra serán:
n

1. Norma del valor absoluto: x= | xi |, x ∈ R
i=1
n
x2i , x ∈ Rn

2. Norma euclı́dea: x=
i=1
3. Norma del máximo: x = max {| xi |}, x ∈ R.
i<i<n
Definición 1.3. Se denomina Producto Interno sobre un espacio vectorial V a la función

que asigna a cada par ordenado x, y ∈ V un elemento x, y ∈ F con las siguientes condiciones:
1. x, y = y, x para todo x, y ∈ V .

2. x + y, z = x, z + y, z para todo x, y, z ∈ V .
3. λx, y =λ x, y para todo λ∈ F y x, y ∈ V .
4. x, x ≥ 0 y x, x = 0 si y sólo si x = 0.
1.3. SUBESPACIOS VECTORIALES 9
1.3. Subespacios Vectoriales
Definición 1.4. Sea S un subconjunto no vacı́o de un espacio vectorial V , entonces S

es un subespacio vectorial de V al cumplir:
1. Si u, v ∈ S entonces u + v ∈ S.
2. Si α ∈ F y u ∈ S entonces αu ∈ S.
Ejemplo 1.5. El conjunto de rectas que pasan por el origen son subespacios de R3 .
Sea S = λu : λ ∈ R, u ∈ R3 y se considerarán v, w ∈ S con α y β ∈ R tales que:

v = αu y w = λu, luego:
v + w = αu + λu = (α + β) u ∈ S, por otra parte:
αu = α (λu)=(αβ) u ∈ S.

Ejemplo 1.6. Sea S = A ∈ Mm x n (F) : AT = A el conjunto de las matrices simétricas

es un subespacio vectorial, en efecto:
T
(A + B) =AT + B T = A + B para todas A, B ∈ S.
T
(αA) = αAT = αA.
Teorema 1.7. La intersección de cualquier familia de subespacios de V , es también un

subespacio vectorial de V .
Demostración. Si {Si : i ∈ I} es una familia de subespacios de V entonces:

0∈ Si , además Si
= 0
i∈I i∈I

Sean α ∈ F; v y w ∈ Si . Es evidente que v y w ∈ Si para todo i ∈ I y por hipótesis Si es
i∈I
un subespacio de V , entonces se tiene que v + w y αv ∈ Si y conduce a que v + w y αv ∈

Si , lo que comprueba que Si es un subespacio de V .
i∈I i∈I
Definición 1.8. Sea V un espacio vectorial y W un subconjunto de V . La intersección

de todos los espacios de V que contienen a W se llama subespacio generado por W .
De esta manera se considera que α1 v1 + α2 v2 + ... + αn vn es un subespacio generado
por vectores {v1 , v2 , ..., vn } ∈ V y {α1 , α2 , ..., αn } ∈ F o bien una combinación lineal de
v1 , v2 , ..., vn de V .
Teorema 1.9. Sea W un subconjunto no vacı́o de un espacio vectorial V, entonces los

elementos del conjunto de generadores de W son combinaciones lineales de elementos de W .
Demostración. Se denotará como C al conjunto de todas las combinaciones lineales

de W y en consecuencia C es un subespacio de V , en efecto:
Si:
n n

u= α i ui ; v = βi ui con αi , βi ∈ F
i=1 i=1
se tiene que:
n
n
n

u+v = α i ui + βi ui = (αi + βi ) ui ∈ C
i=1 i=1 i=1
además:
n
n

αu = α α i ui = (ααi ) ui ∈ C
i=1 i=1

3
Ejemplo 1.10. Dados los vectores pertenecientes a R definidos por:
⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 1 2 0
p = ⎝ 4 ⎠ , u = ⎝ −2 ⎠ ,v = ⎝ −3 ⎠ , w = ⎝ 1 ⎠
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
−3 5 0 3
Entonces se puede expresar a p como una combinación lineal de u, v y w, en efecto, se
desea es determinar los valores de α, β y γ que satisfagan:
⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 2 0 1
α ⎝ −2 ⎠ + β ⎝ −3 ⎠ + γ ⎝ 1 ⎠ = ⎝ 4 ⎠
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
5 0 3 −3
Use ∗ para el producto
escalar. Se sugiere utilizar:
A:={{1, −2, 5}, {2, −3, 0}, {0, 1, 3}}
la cual es una matriz que incluye como elementos cada vector para la solución de un
sistema⎡ de ecuaciones⎛de la⎞siguiente
⎛ manera:
⎞⎤
⎢ ⎜ α ⎟ ⎜ 1 ⎟⎥
⎢ ⎜ ⎟ ⎜ ⎟⎥
Solve ⎢⎢Transpose[A]. ⎜ β ⎟ == ⎜ 4 ⎟⎥
⎜ ⎟ ⎜ ⎟⎥
⎣ ⎝ ⎠ ⎝ ⎠⎦
γ −3
Transpose[A] determina la
transpuesta de la matriz A
{{α → −3, β → 2, γ → 4}}
Sin dejar de lado una comprobación:

⎡ ⎛ ⎞ ⎛ ⎞⎤
⎢ ⎜ −3 ⎟ ⎜ 1 ⎟⎥
⎢ ⎜ ⎟ ⎜ ⎟⎥
Is ⎢
⎢ Transpose[A]. ⎜ 2 ⎟ == ⎜ 4
⎜ ⎟ ⎜
⎟⎥
⎟⎥
⎣ ⎝ ⎠ ⎝ ⎠⎦
4 −3
Is(True)
Otra manera de buscar una solución a este ejercicio es:
u:={{1}, {−2}, {5}}; v:={{2}, {−3}, {0}};

{5}};v:={{2}, w:={{0}, {1}, {3}}
{0}};w:={{0},
α ∗ u + β ∗ v + γ ∗ w=={{1}, {4}, {−3}}

Se debe indicar . para el
⎛ ⎞ ⎛ ⎞
producto vectorial
⎜ α + 2β ⎟ ⎜ 1 ⎟
⎜ ⎟ ⎜ ⎟
⎜ −2α − 3β + γ ⎟=⎜ 4 ⎟
⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠
5α + 3γ −3
Solve[%]
{{α → −3, β → 2, γ → 4}}
Ejemplo 1.11. Dados los polinomios p1 (x) =2 + x + 4x2 , p2 (x) =1 − x + 3x2 ,

p3 (x) = 3 + 2x + 5x2 y p4 (x) = 2 + 6x2 ∈ P2 . Use Mathematica para determinar a p1 , p2 y
p3 como una combinación lineal de p4 .
Se sugiere editar:
P1 [x ]:=2 + x + 4 ∗ x∧ 2
P2 [x ]:=1 − x + 3 ∗ x∧ 2
P3 [x ]:=3 + 2 ∗ x + 5 ∗ x∧ 2
S:=CoefficientList [{P1 [x], P2 [x], P3 [x]} , x]

El comando CoefficientList
extrae los coeficientes del
MatrixForm[CoefficientList[2 + 6 ∗ x∧ 2, x]] polinomio.
⎛ ⎞
⎜ 2 ⎟
⎜ ⎟
⎜ 0 ⎟
⎜ ⎟
⎝ ⎠
6
⎡ ⎛ ⎞ ⎤
⎢ ⎜ α ⎟ ⎥
⎢ ⎜ ⎟ ⎥
Solve ⎢
⎢Transpose[S]. ⎜ β ⎟ == %⎥
⎜ ⎟ ⎥
⎣ ⎝ ⎠ ⎦
γ
{{α → 4, β → 0, γ → −2}}
Comprobación:
4 ∗ CoefficientList [{P1 [x]} , x] − 2 ∗ CoefficientList [{P3 [x]} , x]

2 0 6
Definición 1.12. Sea V un espacio vectorial, los vectores v1 , v2 , ... , vn de V son

linealmente dependientes, si existen escalares α1 , α2 , ... , αn ∈ F no todos nulos tales que:
α1 v1 + α2 v2 + . . . + αn v n = 0
El conjunto linealmente
independiente también se
le denomina libre, en caso
contrario será linealmente
dependiente o ligado.
Si los respectivos vectores no son dependientes se dice que son independientes.
⎛ ⎞ ⎛ 1 ⎞ ⎛ ⎞
1 2 −3
Ejemplo 1.13. Los vectores x1 = ⎝ −1 ⎠, x2 = ⎝ −1 ⎠, x3 = ⎝ 1 ⎠ son
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
3 0 3
linealmente independientes en efecto, si:
⎛ ⎞ ⎛ 1 ⎞ ⎛ ⎞ ⎛ ⎞
1 2 −3 0
α ⎝ −1 ⎠ + β ⎝ −1 ⎠ + γ ⎝ 1 ⎠ = ⎝ 0 ⎠
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
3 0 3 0
⎧
⎪
⎪
⎪ α + 21 β − 3γ = 0
⎨
se tiene que −α − β + γ = 0 donde: α = β = γ = 0
⎪
⎪
⎩ 3α + 3γ = 0
⎪
usando Mathematica:
A:={{1, −1, 3}, {1/2, −1, 0}, {−3, 1, 3}}
ası́ que:
⎡ ⎛ ⎞ ⎛ ⎞⎤
⎢ ⎜ α ⎟ ⎜ 0 ⎟⎥
⎢ ⎜ ⎟ ⎜ ⎟⎥
⎢Transpose[A]. ⎜ β ⎟ == ⎜ 0 ⎟⎥
Solve ⎢ ⎜ ⎟ ⎜ ⎟⎥
⎣ ⎝ ⎠ ⎝ ⎠⎦
γ 0
donde:
{{α → 0, β → 0, γ → 0}}
También se puede usar:
x1 :={{1}, {−1}, {3}};

{3}};xx2 :={{1/2}, {−1}, {0}};
{0}};xx3 :={{−3}, {1}, {3}}
donde:
a1 ∗ x1 + a2 ∗ x2 + a3 ∗ x3 =={{0}, {0}, {0}}

⎛ ⎞ ⎛ ⎞
a2
⎜ a1 + 2 − 3a3 ⎟ ⎜ 0 ⎟
⎜ ⎟ ⎜ ⎟
⎜ −a1 − a2 + a3 ⎟=⎜ 0 ⎟
⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ ⎠
3a1 + 3a3 0
Solve[%]
{{a1 → 0, a2 → 0, a3 → 0}}
Definición 1.14. Sea V un espacio vectorial, si los vectores {v1 , v2 , ..., vn }∈ V son
linealmente independientes, se dice que los vectores {v1 , v2 , ..., vn } son una base de V .
Definición. Sea un Espacio Vectorial n dimensional V con n vectores linealmente

independientes {v1 , v2 , ..., vn }, si para α1 , α2 , ... , αn ∈ F existe X = α1 v1 +α2 v2 +. . .+αn vn
se dice que los vectores {v1 , v2 , ..., vn } son una base de dimensión n de V .
Ejemplo 1.15. Use Mathematica para determinar una base para el sistema:
⎧
⎪2x1 + 2x2 − x3 + x5 = 0
⎪
⎪
⎪
⎪
⎨−x − x + 2x − 3x + x = 0
⎪
1 2 3 4 5
⎪
⎪
⎪ x1 + x2 − 2x3 − x5 = 0
⎪
⎪
x 3 + x 4 + x5 = 0
⎪
⎩
Editando las ecuaciones se tienen:
l1 :=2 ∗ x1 + 2 ∗ x2 − x3 + x5 == 0
l2 := − x1 − x2 + 2 ∗ x3 − 3 ∗ x4 + x5 == 0
l3 :=x1 + x2 − 2 ∗ x3 − x5 == 0
l4 :=x3 + x4 + x5 == 0
Resolviendo el sistema:
Solve [{l1 , l2 , l3 , l4 } , {x1 , x2 , x3 , x4 }]
{{x2 → −x1 − x5 , x3 → −x5 , x4 → 0}}
Se puede asumir que x1 = s; x2 = −s − t; x3 = −t; x4 = 0; x5 = t, entonces:

⎛ ⎞ ⎛ ⎞ ⎛ ⎞
x1 1 0
⎜ x2 ⎟ ⎜ −1 ⎟ ⎜ −1 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ x3 ⎟ = s ⎜ 0 ⎟ + t ⎜ −1 ⎟
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ x4 ⎠ ⎝ 0 ⎠ ⎝ 0 ⎠
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
x5 0 1
⎧⎛ ⎞ ⎛ ⎞⎫
⎪
⎪ 1 0 ⎪
⎪
⎪ ⎟⎪
−1 ⎟ ⎜ −1 ⎟⎪
⎪⎜
⎪ ⎟ ⎜ ⎪
⎪
⎨⎜ ⎪
⎜ ⎟ ⎜ ⎟⎬
los vectores ⎜⎜ 0 ⎟ , ⎜ −1 ⎟ son una base del espacio vectorial planteado y
⎟ ⎜ ⎟
⎪ ⎟⎪
⎝ 0 ⎠ ⎝ 0 ⎠⎪
⎪⎜
⎪ ⎟ ⎜ ⎪
⎪
⎪
⎪ ⎪
⎪ ⎪
0 1
⎩ ⎭
dim (V ) = 2.
Teorema 1.16. Si {v1 , v2 , ..., vp } y {w1 , w2 , ..., wq } son dos bases de un mismo
espacio vectorial V , entonces p = q.
Demostración. Como {v1 , v2 , ..., vp } es linealmente independiente y están incluidos
en V = gen (v1 , v2 , ..., vp ) lo que implica que p ≤ q también quiere decir p = q.
Cuando X es finito o bien
X = {x1 , x2 , ..., xn } se
⎧⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎫ puede escribir gen (X) =
⎨ 0 2 0 ⎪
⎪ gen (x1 , x2 , ..., xn )
⎬
Ejercicio 1.17. Determine si S = ⎝ 1 ⎠ , ⎝ 0 ⎠ , ⎝ 1 ⎠ genera a R3 .
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎪ ⎪
2 1 1
⎩ ⎭
Solución. Se debe hallar los escalares α, β y γ no todos nulos, que satisfaga:

⎞⎛ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
0 2 0 x
α⎝ 1 ⎠+ β⎝ 1 ⎠+ γ ⎝ 1 ⎠ = ⎝ y ⎠
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
2 0 1 z
En efecto, editando los comandos necesarios se obtiene:
A = {{0, 1, 2}, {2, 0, 1}, {0, 1, 1}}

⎛ ⎞
⎜ 0 1 2 ⎟
⎜ ⎟
⎜ 2 0 1 ⎟
⎜ ⎟
⎝ ⎠
0 1 1
⎡ ⎛ ⎞ ⎛ ⎞ ⎤
⎢ ⎜ α ⎟ ⎜ x ⎟ ⎥
⎢ ⎜ ⎟ ⎜ ⎟ ⎥
⎢Transpose[A]. ⎜ β ⎟ == ⎜ y ⎟ , {α, β, γ}⎥
Solve ⎢ ⎜ ⎟ ⎜ ⎟ ⎥
⎣ ⎝ ⎠ ⎝ ⎠ ⎦
γ z
finalmente:
α → 12 (−x − 2y + 2z), β → x2 , γ → 21 (x + 4y − 2z)

Teorema 1.18. Sean S y T dos subespacios de dimensión finita V tales que S ⊆ T .

Entonces dim (S) ≤ dim (T ) y dim (S) = dim (T ) si y sólo si S = T .
Demostración. Sea {v1 , v2 , ..., vp } una base de S ⊆ T , luego dim (S) = p ≤ dim (T )
y por ser {v1 , v2 , ..., vp } una base extendida a T , aplica que S = gen (v1 , v2 , ..., vp ) = T , ası́
que dim (S) = dim (T ).
EJERCICIOS 15
Ejercicios
→
−
1. Demuestre que si E es un espacio vectorial real, entonces S = 0 es un subespacio
vectorial de E .
2. Demuestre que los polinomios pares son un subespacio del espacio de polinomios con
coeficientes reales.
Un polinomio P es par sı́
⎧⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎫ y sólo si P (x) = P (−x).
⎨ 1
⎪ 1 1 ⎪ ⎬
3. Determine si S = ⎝ 2 ⎠ , ⎝ 0 ⎠ , ⎝ 1 ⎠ genera a R3 .
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎪ ⎪
1 2 0
⎩ ⎭
⎛ ⎞ ⎛ ⎞
1 0
4. Sea V ∈ R3 y S = {v1 , , v2 , , v3 , v4 , v5 } tales que v1 = ⎝ 0 ⎠, v2 = ⎝ 1 ⎠,
⎜ ⎟ ⎜ ⎟
1 1
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 1 −1
v3 = ⎝ 1 ⎠, v4 = ⎝ 2 ⎠, v5 = ⎝ 1 ⎠; determine si S genera a R3 .
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
2 1 −2
5. Dados los vectores pertenecientes a R3 definidos por:

⎛ ⎞ ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 1 1 2
p = ⎝ 2 ⎠ , u = ⎝ 0 ⎠ ,v = ⎝ 1 ⎠ , w = ⎝ 1 ⎠
⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟
1 2 0 5
determine si w es una combinación lineal de p, u y v.
6. Dados los polinomios p1 (x) =2 + x + x2 , p2 (x) =x + 2x2 , p3 (x) = 2 + 2x + 3x2 ∈ P2 .

Determine si S = {p1 , p2 , p3 } es un conjunto linealmente independiente.
⎧⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎫
⎨ 1
⎪ 2 b ⎪⎬
7. Determine los valores de a y b ∈ R para que S = ⎝ a ⎠ , ⎝ −3 ⎠ , ⎝ 1 ⎠ sea un
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎪ ⎪
5 0 3
⎩ ⎭
conjunto linealmente independiente.
8. Determine si S = −1 + t + t2 , 1 + t + t2 , 1 + 2t + 2t2 es una base de P2 .

⎛ ⎞
α
⎜ ⎟
⎜ 1 ⎟
⎟ ∈ R4 pertenezca al subespacio F ⊂ R generado por
9. Hallar α y β ∈ R para que ⎜
⎜
⎝ β ⎟
⎠
−12
⎛ ⎞ ⎛ ⎞
4 1
⎜ ⎟ ⎜ ⎟
⎜ −1 ⎟ ⎜ 4 ⎟
⎜ 1 ⎟y⎜ 4
⎜ ⎟ ⎜ ⎟.
⎟
⎝ ⎠ ⎝ ⎠
2 2
2 2
10. Determine si p1 (x) = (x − 1) + x2 , p2 (x) =x (x − 1) son linealmente independientes.
11. Sea P3 el espacio vectorial de los polinomios de una variable real y de grado inferior o
igual a 3, pruebe que p (1) = p´(1) = 0 forman un espacio vectorial de P3 y halle su dimensión.
12. Determine si el polinomio P (x) = 4 − x2 pertenece al subespacio generado por los

polinomios Q (x) = 1 + 3x − x2 y R (x) = −3x + 2x2 .
13. Dado F = {f : D ⊆ R →R}, el espacio vectorial de todas las funciones reales con valores
reales y sea S ⊆ F el conjunto de todas las funciones que satisfacen la ecuación f ➫➫+f = 0.
Demuestre que S es un subespacio vectorial de F .
Capı́tulo 2
Matrices
La nueva elaboración y desarrollo de la Aritmética sistemática, ası́ como casi

todas las otras cosas que ha producido, aparte de la Matemática, nuestro siglo
(XIX) en la forma de ideas cientı́ficas originales, están ligadas a Gauss.
Leopold Kronecker
2.1. Terminologı́a
Definición 2.1. Sean m y n dos números enteros mayores e iguales a 1, se denomina

matriz al arreglo:
⎛ ⎞
a11 a12 . . . a1n
⎜ a21 a22 · · · a2n ⎟
⎜ ⎟
A=⎜ ⎜ .. .. .. .. ⎟
⎝ . . . . ⎠
⎟
an1 an2 . . . ann
Definición 2.2. Se usará Mm x n (F) para indicar el conjunto de todas las matrices
m x n (m filas por n columnas) con elementos en F y consecuentemente Mn (F) para indicar
el conjunto de todas las matrices cuadradas n x n .
La definición de una matriz A en Mathematica es relativamente sencillo, basta con editar:
A:=MatrixForm[ {{a11 , a12 , a13 ,...,a1n },{a21 ,a22 ,a23 ,...,a2n },...,{am1 ,am2 ,...,amn }}]
o
A:={{a11 , a12 , a13 ,...,a1n },{a21 ,a22 ,a23 ,...,a2n },...,{am1 ,am2 ,...,amn }}//MatrixForm
Un ejemplo será:
A:={{3, 5, 4}, {−1, 5, 6}}
17
18 2. MATRICES
⎛ ⎞
⎜ 3 5 4 ⎟
⎝ ⎠
−1 5 6
Se puede extraer diferentes elementos de una matriz haciendo referencia a sus subı́ndices,
para ello se edita primero el comando Part, el nombre de la matriz, la fila y después la columna
como en el siguiente comando:
Part[A, 1, 2]
De manera análoga se procederá para una fila completa teniendo en cuenta el entero que
la representa, por ejemplo:
A[[2]]
{−1, 5, 6}
Extrae una columna:
A[[All, 1]]
{3, −1}
Para extraer una submatriz, se procede a indicar el nombre de la matriz ası́ como los
rangos de las filas y columnas separados por ;;
A[[1;;2, 2;;3]]
⎛ ⎞
⎜ 5 4 ⎟
⎝ ⎠
5 6
Para remplazar una fila se usará el comando ReplacePart seguido del entero de la fila
deseada y el cambio a seguir:
Para editar→se debe usar
->
ReplacePart[A, 2->{1, 1, 1}]

⎛ ⎞
⎜ 3 5 4 ⎟
⎝ ⎠
1 1 1
El intercambio de filas se realizará de manera análoga al remplazo pero se edita el listado

a conmutar:
ReplacePart[A, {1 → A[[2]], 2 → A[[1]]}]

⎛ ⎞
⎜ −1 5 6 ⎟
⎝ ⎠
3 5 4
2.1. TERMINOLOGÍA 19
Definición 2.3. Se denomina matriz identidad In a toda matriz de la forma Mn (F) tal
que:
⎛ ⎞
1 0 ... 0
⎜ 0 1 ··· 0
⎜ ⎟
⎟
⎜ . . ..
⎜ . . ..
⎟
⎝ . . . .
⎟
⎠
0 0 ... 1
Observación 2.4. En Mathematica, la matriz identidad se denota por:
IdentityMatrix[n]
donde n indica el orden deseado.
20 2. MATRICES
2.2. Operaciones elementales y Matrices Equivalentes
Definición 2.5. Las siguientes operaciones aplicadas a las filas de una matriz A∈
Mm x n (F) determinan lo que se denomina Operaciones Elementales sobre Matrices:
1. Intercambiar la fila p por una fila q.

2. Multiplicar una fila p por un número λ
= 0.
3. Sumar filas.
Usando la matriz descrita en la Definición 1, las operacionales elementales en matrices se
pueden editar en Mathematica de la siguiente manera :
Las partes enumeradas se pueden hacer reeditando la matriz original, por ejemplo:
B:={{−1, 5, 6}, {3, 5, 4}}
B
⎛ ⎞
⎜ −1 5 6 ⎟
⎝ ⎠
3 5 4
ReplacePart[B, 1 → −B[[1]]]
⎛ ⎞
⎜ 1 −5 −6 ⎟
⎝ ⎠
3 5 4
ReplacePart[ %, 2 → −3 ∗ %[[1]] + %[[2]]]

⎛ ⎞
⎜ 1 −5 −6 ⎟
⎝ ⎠
0 20 22
ReplacePart[ %, 2 → %[[2]]/20]
⎛ ⎞
⎜ 1 −5 −6 ⎟
⎝ ⎠
11
0 1 10
ReplacePart[ %, 1 → 5 ∗ %[[2]] + %[[1]]]

⎛ ⎞
⎜ 1 0 − 12 ⎟
⎝ ⎠
11
0 1 10
Definición 2.6. Si una matriz B∈ Mm x n (F) se obtiene a partir de una combinación

de las operaciones elementales descritas anteriormente sobre A, se dice que A y B son equi-
valentes, o bien A ∼ B.
2.3. OPERACIONES CON MATRICES 21
2.3. Operaciones con matrices
Suma Algebraica
Definición 2.7. Sean A y B ∈ Mm x n (F) la operación A + B será:
[A + B]ij = Aij + Bij

Productos
Definición 2.8. Se denominará producto de un escalar α ∈ F por una matriz A ∈

Mm x n (F) a la expresión:
[αA]ij = α [Aij ]
Definición 2.9. Sean A ∈ Mm x n (F) y B ∈ Mn x p (F) la operación A · B será:

n

[AB]ij = [A]ik [B]kj
k=1
Teorema 2.10. Sean A, B y C ∈ Mm x n (F) entonces:
1.(AB) C = A (BC)
2. A (B + C) = AB + AC
3.(B + C) A = BA + CA
4. α (AB) = (αA) B
Demostración. Para cada i j se tiene:
m m
! n "

[(AB) C]ij = [AB]ik [C]kj = [A]il [B]lk [C]kj =
k=1 k=1 l=1

n
m n
m
[A]il [B]lk [C]kj = [A]il [B]lk [C]kj =
k=1 l=1 l=1 k=1
n
m n

[A]il [B]lk [C]kj = [A]il [BC]lj = [A (BC)]ij =
l=1 k=1 l=1
Observación. Las demostraciones de las partes 2 al 4 se dejan al lector por ser análogas.
Ejemplo 2.11. Efectúe el producto de:

⎛ ⎞
! " 3 3 4
−1 5 6 ⎜
⎝2 1 2⎠
⎟
3 5 4
5 2 8
Según la definición 7 se piensa primero en: ⎛ ⎞
Use . para el producto
matricial
! " 3 . .
−1 5 6 ⎜
⎝2 . .⎠
⎟
. . .
5 . .
22 2. MATRICES
ası́ que
(−1) (3) + (5) (2) + (6) (5) = −3 + 10 + 30 = 37
sigue:
⎛ ⎞
! " . 3 .
−1 5 6 ⎜
⎝. 1 .⎠
⎟
. . .
. 2 .
(−1) (3) + (5) (1) + (6) (2) = −3 + 5 + 12 = 14

⎛ ⎞
! " . . 4
−1 5 6 ⎜
⎝. . 2⎠
⎟
. . .
. . 8
(−1) (4) + (5) (2) + (6) (8) = −4 + 10 + 48 = 54

Estos últimos resultados se colocarán
! en la matriz
" producto de la siguiente manera:
37 14 54
. . .
De manera análoga se operará para la siguiente

⎛ y última
⎞ fila, es decir:
! " 3 . .
. . . ⎜
⎝2 . . ⎠
⎟
3 5 4
5 . .
⎛ ⎞
! " . 3 .
. . . ⎜
⎝. 1 .⎠
⎟
3 5 4
. 2 .
⎛ ⎞
! " . . 4
. . . ⎜
⎝. . 2⎠
⎟
3 5 4
. . 8
obteniendo como resultado:
! "
37 14 54
39 22 54
Teorema 2.12. Si A∈ Mm x n (F) entonces Im A=A y A=In A.
Demostración. Se comprobará que Im A = A:

m

[Im A]ij = [Im ]ik [A]kj = [Im ]ii [A]ij = [A]ij
k=1
Teorema 2.13. Sea V un espacio vectorial y suponga que {w1 , w2 , ..., wp }∈ V

pertenecen a gen (v1 , v2 , ..., vq ) . Si p > q entonces {w1 , w2 , ..., wp }son linealmente
dependientes.
q

Demostración. Para cada j = 1, ..., p existen escalares ai,j tales que wj = ai,j vi y
i=1
sea A ∈ Mq x p (F) tal que [A]i,j = ai,j , ahora como p > q se deduce que Ax = 0, es decir
2.3. OPERACIONES CON MATRICES 23
p p p
q
q ! p "

ai,j xi = 0 para todo i = 1, ..., q, ası́ xj w j = xj ai,j vi = ai,j xj vi =
j=1 j=1 j=1 i=1 i=1 j=1j
0, entonces {w1 , w2 , ..., wp } son linealmente dependientes.
Ejemplo 2.14. Dadas las matrices:
A:={{a, 2, 1}, {2, 1, b}, {1, f, 2}}; B:={{1}, {0}, {2}};

2}};B:={{1}, {2}};FF :={{2, 1, 3}}; G:={{3, 3, 4}, {2, 1, 2}, {5, 2, 8}}
3}};G:={{3,
Determine los valores de a, b y f de modo que A + BF = G
Solución. Insertando:
Solve[A + B.F == G, {a, b, f }]
Se obtiene
{{a → 1, b → 2, f → 0}}
Ejemplo 2.15. Dada la matriz
X:={{−1, 0, 1}, {1, 0, −1}, {0, 0, 1}}
Determine:
X ∧ 2 − X − IdentityMatrix[3]
! "
3 1
Ejemplo 2.16. Use Mathematica para escribir P = como una combinación
1 −1
! " ! " ! "
1 1 0 0 0 2
lineal de A = ,B= yF = .
1 0 1 1 0 −1
Aquı́:
−1}};P
A:={{1, 1}, {1, 0}}; B:={{0, 0}, {1, 1}}; F :={{0, 2}, {0, −1}}; P :={{3, 1}, {1, −1}}
Se definirá la combinación lineal como:
a1.A + a2.B + a3.F == P
Por consiguiente:
⎛ ⎞ ⎛ ⎞
a1 a1 + 2a3 ⎟ ⎜ 3 1 ⎟
⎠=⎝
⎜
⎝ ⎠
a1 + a2 a2 − a3 1 −1
24 2. MATRICES
Se resuelve el sistema de ecuaciones:
Solve[a1 ∗ A + a2 ∗ B + a3 ∗ F == P ]
ası́ que:
{{a1 → 3, a2 → −2, a3 → −1}}
Ejemplo 2.17. Determine el valor de t para que
⎛ ⎞ ⎛ 1 ⎞ ⎛ 1 ⎞
t −2 −2
u = ⎝ − 2 ⎠; v = ⎝ t ⎠; w = ⎝ − 12 ⎠ sean linealmente independientes.
⎜ 1 ⎟ ⎜ ⎟ ⎜ ⎟
− 12 − 12 t
Editando con Mathematica, se tiene:
u:={t, −1/2, −1/2}; v:={−1/2, t, −1/2}; w:={−1/2, −1/2, t}
Donde A:={u, v, w}
⎛ ⎞
⎜ t − 21 − 12 ⎟
⎜ ⎟
⎜ −1 t − 12 ⎟
⎜ 2 ⎟
⎝ ⎠
− 21 − 12 t
Evaluando Solve[Det[A] == 0]
t → − 12 , t → − 21 , {t → 1}

Finalmente se obtiene:
2.4. PERMUTACIONES 25
2.4. Permutaciones
Definición 2.18. Una permutación de {1, ..., n} es una biyección:

σ : {1, ..., n} → {1, ..., n} denotada usualmente por:
! "
1 2 ··· n
σ (1) σ (2) ··· σ (n)
Al conjunto de permutaciones de {1, ..., n} se indicará por Sn y serán siempre un arreglo

sin omisiones ni repeticiones con n! elementos en efecto, si se tiene el conjunto de números
naturales {1, 2, 3} el arreglo S3 será:
(123) (132) (213) (231) (312) (321)

El correspondientes comando Mathematica es:
Permutations[{1, 2, 3}]
⎛ ⎞
⎜ 1 2 3 ⎟
⎜ ⎟
⎜
⎜ 1 3 2 ⎟
⎟
⎜ ⎟
2 1 3 ⎟
⎜ ⎟
⎜
⎜ ⎟
⎜ ⎟
⎜
⎜ 2 3 1 ⎟
⎟
⎜ ⎟
⎜
⎜ 3 1 2 ⎟
⎟
⎝ ⎠
3 2 1
Definición 2.19. En una permutación (a1 , ..., an ) se puede obtener el número total de
inversiones que ocurren hallando el número de enteros que son menores que a1 seguido a
la suma del número de enteros que son menores que a2 y ası́ hasta el an−1 elemento de la
permutación.
Ejemplo 2.20. El número de inversiones en la permutación (823715) será:
Del 8 siguen 5 elementos menores

:5
8 → 23715
Del 2 siguen 1 elemento menor
:1
2 → 3715
Del 3 sigue 1 elemento menor
:1
3 → 715
Del 7 siguen 2 elementos menores
:2
7 → 15
Del 1 no siguen elementos menores
:0
1→5
26 2. MATRICES
Ası́ que (823712) tiene 5 + 1 + 1 + 2 + 0 = 9 inversiones.
Definición 2.21. Sea σ∈ Sn , se define como signo de σ o bien sgn (σ) al resultado de
m
(−1) donde m es el número de inversiones de σ. Se dice que si:
sgn (σ) = 1 ⇒ m es par
sgn (σ) = −1 ⇒ m es impar

2.5. DETERMINANTES Y APLICACIONES 27
2.5. Determinantes y aplicaciones
Definición 2.22. Si A ∈ Mn (F), se denomina determinante de A o bien |A| al siguiente

resultado:

|A| = sgn (σ) a1σ(1) a2σ(2) . . . anσ(n)
σ∈Sn
! "
a11 a12
Ejemplo 2.23. Considerando el caso elemental de A = , se tiene que:
a21 a22
Producto elemental permutación asociada par/impar resultado

a11 a22 (12) par a11 a22
a12 a21 (21) impar −a11 a22
Cuadro 1. Determinantes. Matrices de orden dos.
luego |A| = a11 a22 − a11 a22 .
Ejercicio 2.24. Use los resultados obtenidos en el ejemplo 2.21 para completar la tabla
siguiente y defina la determinante para las matrices cuadradas de orden 3.
Producto elemental permutación asociada par/impar resultado

a11 a22 a33 par
(132) −a11 a23 a32
a12 a21 a33 impar
a12 a23 a31 par a12 a23 a31
a13 a21 a32 (312) par a13 a21 a32
(321) −a13 a22 a31
Cuadro 2. Determinantes. Matrices de orden tres.
Ejemplo 2.25. Use Mathematica para determinar los valores de λ en:
⎛ ⎞
λ−6 0 0
A=⎝ 0 λ −1 ⎠ de modo que |A| = 0.
⎜ ⎟
0 4 λ−4
Aquı́:
28 2. MATRICES
A:={{λ − 6, 0, 0}, {0, λ, −1}, {0, 4, λ − 4}}
Con Mathematica se evita el excesivo uso de comandos anidados:
Solve[Det[A] == 0]
Mathematica usa el
comando Det[matrix ] para
el cálculo de {{λ → 2}, {λ → 2}, {λ → 6}}
determinantes.
Wassly Leontief, premio Nobel de Ciencias Económicas en el 1973, construye en el

1966 el modelo INPUT-OUTPUT como un instrumento para la interpretación entre la
interdependencia de diversos sectores de la economı́a, especı́ficamente para el análisis de
⎛ ⎞
x1
⎜ x2 ⎟
⎜ ⎟
insumo-producto, se denomina al vector Xi = ⎜ ⎜ .. ⎟ como la producción bruta del n-
⎟
⎝ . ⎠
xi
⎛ ⎞
y1
y2
⎜ ⎟
⎜ ⎟
ésimo sector, Yi = ⎜ .. ⎟ como el vector que representa la demanda del n-ésimo sector
.
⎜ ⎟
⎝ ⎠
yi
y
⎛ ⎞
x11 x12 ... x1j
⎜ x21 x22 ··· x2j
⎜ ⎟
⎟
Xi,j =⎜
⎜ .. .. .. .. ⎟
⎝ . . . .
⎟
⎠
xi1 xi2 ... xij
como la matriz de transacciones (ventas); de esta manera la producción bruta de cada sector
es igual a la suma de las ventas o demanda intermedia más las ventas a demanda final y las
relaciones entre producción y demanda se pueden expresar como:
X1 = x11 + x12 + ... + x1,n + y1

X2 = x21 + x22 + ... + x2,n + y2
..
.
Xi = xi1 + xi2 + ... + xi,j + yi
xi,j
Relacionando cada venta xi,j con la producción bruta Xi en un cociente Xi = ai,j , se
obtiene:
⎛ ⎞ ⎛ ⎞⎛
⎞ ⎛ ⎞
x1 a11 a12 ... a1j x1 y1
⎜ x2 ⎟ ⎜ a21 a22 · · · a2j ⎟ ⎜ x2 ⎟ ⎜ y2 ⎟
⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎜ ⎟
⎜ . ⎟=⎜ . .. .. ⎟ ⎜ .. ⎟ + ⎜ .. ⎟
.. ⎟ ⎜ ⎟ ⎜ ⎟
⎜ . ⎟ ⎜ .
⎝ . ⎠ ⎝ . . . . ⎠⎝ . ⎠ ⎝ . ⎠
xi ai1 ai2 . . . aij xi yi
La relación matricial inmersa se puede expresar como X = AX + D, ası́ que:
X − AX = D
(I − A) X = D
−1
X = (I − A) D
⎛ ⎞
a11 a12 ... a1j
⎜ a21 a22 ··· a2j
⎜ ⎟
⎟
La matriz A = ⎜
⎜ .. .. .. .. ⎟ se denomina matriz de coeficientes técnicos o
⎝ . . . .
⎟
⎠
ai1 ai2 . . . aij
matriz tecnológica y a (I − A) matriz de Leontief.
Para que el modelo de Leontief tenga coherencia debe:

1. Para cada elemento de An 0 < ai,j < 1
n n
n

2. ai,1 < 1, ai,2 < 1, ... , ai,j < 1
i=1 i=1 i=1
Ejemplo 2.26. Una determinada empresa estima parte de sus inversiones en los ren-
glones de energı́a, construcción y transporte en euros como se indica en la tabla anexa, y se
desea determinar cuántas unidades se deben producir y ofertar para satisfacer la demanda.
Demanda Intermedia
Inversiones Demanda Consumidor
Energı́a Construcción Transporte
Energı́a 0.4 0.2 0.1 100
Construcción 0.2 0.4 0.1 50
Transporte 0.15 0.2 0.2 100
Cuadro 3. Input-Output.
Aquı́:
A:={{.4, .2, .1}, {.2, .4, .1}, {.15, .2, .2}}
d:={{100}, {50}, {100}}
x:={{1}, {2}, {3}}
A
⎛ ⎞
⎜ 0.4 0.2 0.1 ⎟
⎜ ⎟
⎜ 0.2 0.4 0.1 ⎟
⎜ ⎟
⎝ ⎠
0.15 0.2 0.2
d
⎛ ⎞
⎜ 100 ⎟
⎜ ⎟
⎜ 50 ⎟
⎜ ⎟
⎝ ⎠
100
30 2. MATRICES
x
⎛ ⎞
⎜ 1 ⎟
⎜ ⎟
⎜ 2 ⎟
⎜ ⎟
⎝ ⎠
3
For[i = 1; t = x, i < 15, i++, t = A.t + d; Print[t]]
⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞
101.1 160.815 199.063 224.382 241.345 252.756 260.441
51.3 ⎠ ⎝ 100.855 ⎠ ⎝ 137.071 ⎠ ⎝ 161.983 ⎠ ⎝ 178.865 ⎠ ⎝ 190.26 ⎠ ⎝ 197.941 ⎠
⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟
⎝
101.15 145.655 173.424 191.958 204.446 212.864 218.538
⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞⎛ ⎞
265.618 269.107 271.458 273.042 274.11 274.829 275.314
⎝ 203.118 ⎠ ⎝ 206.607 ⎠ ⎝ 208.958 ⎠ ⎝ 210.542 ⎠ ⎝ 211.61 ⎠ ⎝ 212.329 ⎠ ⎝ 212.814 ⎠
⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟⎜ ⎟
222.362 224.939 226.675 227.845 228.634 229.165 229.523
La última iteración indica que las cantidades totales necesarias para satisfacer la demanda
del consumidor son: 275.31 euros de energı́a, 212.81 euros de construcción y 229.52 euros de
transporte.
! "
x (u, v)
Definición 2.27. Sea F : R2 →R2 definida por F (u, v) = , se denomina
y (u, v)
jacobiano de F a:

∂x ∂x
∂(x,y) ∂u ∂v
=

∂(u,v) ∂y ∂y

∂u ∂v
! "
rcos (θ)
Ejemplo 2.28. La función F : R2 →R2 definida por F (r, θ) = con r ≥ 0
rsen (θ)
y 0 ≤ θ ≤ 2π transforma las coordenadas rectangulares en coordenadas polares, su jacobiano
es:

∂x ∂x
∂(x,y)
= r cos2 (θ) + sen2 (θ) = r
∂r ∂θ
# $
=

∂(r,θ) ∂y ∂y
∂r ∂θ
⎛⎞
rcos (θ)
3 3
análogamente, con F : R →R definida por F (r, θ, z) = ⎝ rsen (θ) ⎠ con r ≥ 0, 0 ≤ θ ≤ 2π
⎜ ⎟
z
y z ≥ 0, determina las coordenadas rectangulares en coordenadas cilı́ndricas, su jacobiano es:

∂x ∂x ∂x
∂r ∂θ ∂z
∂(x,y,z) ∂y ∂y ∂y
∂(r,θ,z) = ∂r ∂θ ∂z
=r
∂z ∂z 1
∂r ∂θ
⎞
⎛
ρcos (θ) sen (φ)
3 3
por último, mientras F : R →R este definida por F (ρ, φ, θ) = ⎝ ρsen (θ) sen (φ) ⎠ con
⎜ ⎟
ρcos (φ)
ρ ≥ 0, 0 ≤ θ ≤ 2π y 0 ≤ φ ≤ π, transformará coordenadas rectangulares en coordenadas
esféricas, el jacobiano será:
∂x ∂x ∂x

∂ρ ∂θ ∂φ
∂(x,y,z) ∂y ∂y ∂y
= = ρ2 sen (φ)

∂((ρ,φ,θ)) ∂ρ ∂θ ∂φ
∂z ∂z ∂z
∂ρ ∂θ ∂φ
Usando Mathematica:
Polar:=D[{r ∗ Cos[θ], r ∗ Sin[θ]}, {{r, θ}}]
Polar
⎛ ⎞
⎜ cos(θ) −r sin(θ) ⎟
⎝ ⎠
sin(θ) r cos(θ)
Simplify[Det[Polar]]
Cilı́ndrica:=D[{r ∗ Cos[θ], r ∗ Sin[θ], z}, {{r, θ, z}}]
Cilı́ndrica
⎛ ⎞
⎜ cos(θ) −r sin(θ) 0 ⎟
⎜ ⎟
⎜ sin(θ) r cos(θ) 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 1
Simplify[Det[Cilı́ndrica]]
Esférica:=D[{ρ ∗ Cos[θ] ∗ Sin[φ], ρ ∗ Sin[θ] ∗ Sin[φ], ρ ∗ Cos[φ]}, {{ρ, φ, θ}}]
Esférica
⎛ ⎞
⎜ cos(θ) sin(φ) ρ cos(θ) cos(φ) −ρ sin(θ) sin(φ) ⎟
⎜ ⎟
⎜ sin(θ) sin(φ) ρ cos(φ) sin(θ) ρ cos(θ) sin(φ) ⎟
⎜ ⎟
⎝ ⎠
cos(φ) −ρ sin(φ) 0
Simplify[Det[Esférica]]
ρ2 sin(φ)
32 2. MATRICES
Figura 2.5.1. Sistemas de Coordenadas.
2.6. Transformaciones Lineales
Definición 2.29. Sean V y W dos espacios vectoriales. La función L : V → W se

denomina transformación lineal de V en W si:
1. L (α + β) = L (α) + L (β) para todo α y β ∈V .

2. L (kα) = kL (α) para todo α ∈ V y k ∈ F.
Ejemplo 2.30. Sea L : R3 →R3 definida por:

⎛⎡ ⎤⎞ ⎡ ⎤
x1 % & x1
Si V = W la trasformación 1 −1 0
L ⎝⎣ x2 ⎦⎠ = ⎣ x2 ⎦
lineal L se denomina
⎜⎢ ⎥⎟ ⎢ ⎥
operador lineal.
−1 1 1
x3 x3
⎡ ⎤ ⎡ ⎤
α1 β1
Si L es una transformación lineal entonces se pueden escoger ⎣ α2 ⎦ , ⎣ β2 ⎦∈ R3 y k
⎢ ⎥ ⎢ ⎥
α3 β3
∈ F, luego:
⎛⎡ ⎤ ⎡ ⎤⎞ ⎛⎡ ⎤⎞ ⎡ ⎤
α1 β1 α1 + β1 % & α 1 + β1
1 −1 0 ⎢
1. L ⎝⎣ α2 ⎦ + ⎣ β2 ⎦⎠ = L ⎝⎣ α2 + β2 ⎦⎠ = ⎣ α2 + β2 ⎦ =
⎜⎢ ⎥ ⎢ ⎥⎟ ⎜⎢ ⎥⎟ ⎥
−1 1 1
α3 β3 α3 + β3 α3 + β3
⎛⎡ ⎤ ⎡ ⎤⎞ ⎡ ⎤ ⎡ ⎤
% & α1 β1 % & α1 % & β1
1 −1 0 ⎜⎢ 1 −1 0 ⎢ 1 −1 0 ⎢
⎝⎣ α2 ⎦ + ⎣ β2 ⎦⎠ = ⎣ α 2 ⎦+ ⎣ β2 ⎦ =
⎥ ⎢ ⎥⎟ ⎥ ⎥
−1 1 1 −1 1 1 −1 1 1
α3 β3 α3 β3
L (α) + L (β)
⎛ ⎡ ⎤⎞ ⎛ ⎡ ⎤⎞ ⎡ ⎤
α1 % & α1 % & α1
1 −1 0 1 −1 0
2. L ⎝k ⎣ α2 ⎦⎠ = ⎝k ⎣ α2 ⎦⎠ = k ⎣ α2 ⎦ =
⎜ ⎢ ⎥⎟ ⎜ ⎢ ⎥⎟ ⎢ ⎥
−1 1 1 −1 1 1
α3 α3 α3
kL (α)
Ejemplo 2.31. Sea L : R3 →R3 definida por:

⎛⎡ ⎤⎞ ⎡ ⎤
x1 x1 + 1
L ⎝⎣ x2 ⎦⎠ = ⎣ 2x2 ⎦
⎜⎢ ⎥⎟ ⎢ ⎥
x3 x3
2.6. TRANSFORMACIONES LINEALES 33
⎤ ⎡
⎡ ⎤
α1 β1
Para demostrar si L es una transformación lineal se pueden escoger ⎣ α2 ⎦ , ⎣ β2 ⎦
⎢ ⎥ ⎢ ⎥
α3 β3
∈R3 , luego:
⎛⎡ ⎤ ⎡ ⎤⎞ ⎛⎡ ⎤⎞ ⎡ ⎤ ⎡ ⎤
α1 β1 α1 + β1 (α1 + β1 ) + 1 α1 + 1
L ⎝⎣ α2 ⎦ + ⎣ β2 ⎦⎠ = L ⎝⎣ α2 + β2 ⎦⎠ = ⎣ 2 (α2 + β2 ) ⎦
= ⎣ 2α2 ⎦ +
⎜⎢ ⎥ ⎢ ⎥⎟ ⎜⎢ ⎥⎟ ⎢ ⎥ ⎢ ⎥
α3 β3 α 3 + β3 α3 + β3 α3
⎡ ⎤
β1 + 1
⎣ 2β2 ⎦ = L (α) + L (β)
⎢ ⎥
β3
Por lo tanto L no es una transformación lineal.
Definición 2.32. Sea L : V → W una transformación lineal de V en W , se denomina

núcleo de L o ker (L) a todos los elementos α ⊂ V tales que L (α)=θw . ker (A) =
{x ∈ Fn :Ax = 0}
Si se usa el hecho que una transformación lineal es uno a uno, es decir, si α1
= α2 implica
θw se denomina
que L (α1 )
= L (α2 ), recı́procamente, si L (α1 )= L (α2 ) implica que α1 = α2 . transformación lineal
cero o transformación
lineal nula.
Teorema 2.33. Sea L : V → W una transformación lineal, entonces:
1. L (θv )=θw .
2. L (α − β) = L (α) − L (β) para todo α y β ∈V .
Demostración. Dado que θv + θv = θv entonces L (θv + θv ) = L {θv } si se resta θv en

ambos miembros, se obtiene L (θv ) = θw .
Por otra parte L (α − β) = L (α + (−1) β) = L (α) + L ((−1) β) = L (α) + (−1) L (β) =

L (α) − L (β)
De la definición 2.31 y el teorema 2.32 de este capı́tulo, se puede afirmar entonces que
ker (L) nunca es vacı́o.
Teorema 2.34. Sea L : V → W una transformación lineal, entonces:
1. ker (L) es un subespacio de V .

2. L es uno a uno sı́ y sólo si ker (L)={θv }
Demostración. Sean α, β ∈ V y k ∈ F, entonces:
1.a. L (α+β) = L (α) + L (β) = θw + θw = θw .

1.b. L (kα) = kL (α) = kθw = θw .
2. Sea α ∈ ker (L), entonces L (α) = θw
Ejercicio 2.35. Sea T : R3 →R2 una transformación lineal tal que T (0, −1, 1) =
− 17
# $ # 11 $
3 , −4 ; T (2, 3, 1) = − 3 , −2 ; T (1, −1, 0) = (−7, −5). Determine T (x, y, z).
Solución. Se debe determinar que (0, −1, 1),(2, 3, 1) y (1, −1, 0) son una base de R3 ,
en efecto:
A = {{0, −1, 1}, {2, 3, 1}, {1, −1, 0}}; RowReduce[A]

34 2. MATRICES
⎛ ⎞
⎜ 1 0 0 ⎟
⎜ ⎟
⎜ 0 1 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 1
Luego:
B = LinearSolve[Transpose[A], {x, y, z}]

1 1 1

6 (−x − y + 5z), 6 (x + y + z), 3 (2x − y − z)

' ( ) *
11
Simplify Part[B, 1] ∗ − 173 −4 + Part[B, 2] ∗ − 3 , −2 + Part[B, 3] ∗ {−7, −5}
3 (−13x + 8y − 9z), −3x + 2y − 2z
Finalmente:
T (x, y, z) = ( 31 (−13x + 8y − 9z), −3x + 2y − 2z)
Ejercicio 2.36. Sea T : R2 [x] →R3 una transformación

+ lineal, tal que T (1) = (1, 1, 0);
2
T (x + 1) = (1, 2, 1); T x2 + 1 = (1, 3, 2). Determine T (9x + 1) .
# $
Solución. Se debe determinar que (0, 0, 1),(0, 1, 1) y (1, 0, 1) son una base de R3 , en
efecto:
A = {{0, 0, 1}, {0, 1, 1}, {1, 0, 1}}

⎛ ⎞
⎜ 0 0 1 ⎟
⎜ ⎟
⎜ 0 1 1 ⎟
⎜ ⎟
⎝ ⎠
1 0 1
RowReduce[A]
⎛ ⎞
⎜ 1 0 0 ⎟
⎜ ⎟
⎜ 0 1 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 1
Luego:
B = LinearSolve[Transpose[A], {x, y, z}]
{−x − y + z, y, x}
Simplify[Part[B, 1] ∗ {1, 1, 0} + Part[B, 2] ∗ {1, 2, 1} + Part[B, 3] ∗ {1, 3, 2}]
{z, 2x + y + z, 2x + y}
Finalmente:
T (x, y, z) = (z, 2x + y + z, 2x + y)
T [x , y , z ] = {z, 2x + y + z, 2x + y}
T [81, 18, 1]
{1, 181, 180}
Ejercicio 2.37. Sea T : R2 →R2 la transformación lineal dada por la matriz:

! "
cos (θ) −sen (θ)
A=
sen (θ) cos (θ)
Demuestre que tiene la propiedad de rotar todo vector en R2 en sentido positivo.
Solución. Sea la aplicación ϕ : R2 → R2 definida por ϕ (x, y) = (rcos (α) , rsen (α)),
luego:
A = {{Cos[θ], −Sin[θ]}, {Sin[θ], Cos[θ]}}

⎛ ⎞
⎜ cos(θ) − sin(θ) ⎟
⎝ ⎠
sin(θ) cos(θ)
A.{{x}, {y}}/.{x → r ∗ Cos[α], y → r ∗ Sin[α]}// TrigReduce

Sin[α]}//TrigReduce
⎛ ⎞
⎜ r cos(α + θ) ⎟
⎝ ⎠
r sin(α + θ)
Por ser el ángulo de la transformación α + θ este hace rotar T (v) en sentido positivo.
Figura 2.6.1. Rotación en R2 .

36 2. MATRICES
Figura 2.6.2. Rotación en R2 .
Ejemplo 2.38. Dado un polı́gono irregular cuyas las coordenadas son:
x: 0 -5 -3 1
y: 2 6 -3 -1
su rotación con un ángulo de 40◦ será el resultado de:

⎛ ⎞
0 2
⎟! "
⎟ cos(40◦ ) − sin(40◦ )
⎜
⎜ −5 6
⎜ ⎟
⎜ −3 −3 ⎟ sin(40◦ ) cos(40◦ )
⎝ ⎠
1 −1
Usando Mathematica se tiene:
A = {{0, 2}, {−5, 6}, {−3, −3}, {1, −1}}

⎛ ⎞
0 2
⎜ ⎟
⎜ ⎟
⎜ −5 6 ⎟
⎜ ⎟
⎜ ⎟
⎜ −3 −3 ⎟
⎜ ⎟
⎝ ⎠
1 −1
B = A.{{Cos[40Degree], −Sin[40Degree]}, {Sin[40Degree], Cos[40Degree]}}//N

⎛ ⎞
1.28558 1.53209
⎜ ⎟
⎜ ⎟
⎜ 0.0265034 7.8102 ⎟
⎜ ⎟
⎜ ⎟
⎜ −4.2265 −0.369771 ⎟
⎜ ⎟
⎝ ⎠
0.123257 −1.40883
{Graphics[Polygon[A]], Graphics[Polygon[B]]}
Figure 2.6.3. Rotación
Ejercicio 2.39. Sea T : R3 →R3 una transformación lineal dada por:
T (x, y, z) = (x, y + z, x + z)
considerando las bases B = {(1, 0, 1) , (1, 1, 0) , (1, 1, 1)} y B ′ = {(1, 0, 0) , (0, 1, 1) , (1, 1, 0)},
determine:
a. La matriz T con respecto a la base B.
b. La matriz de transición de B a B ′ .
Solución.
a. T [x , y , z ] = {x, y + z, x + z}
{x, y + z, x + z}
B = {{1, 0, 1}, {1, 1, 0}, {1, 1, 1}}

⎛ ⎞
⎜ 1 0 1 ⎟
⎜ ⎟
⎜ 1 1 0 ⎟
⎟
⎜
⎝ ⎠
1 1 1
TB = Transpose[{LinearSolve[Transpose[B], T [1, 0, 1]],
LinearSolve[Transpose[B], T [1, 1, 0]], LinearSolve[Transpose[B], T [1, 1, 1]]}]

⎛ ⎞
⎜ 0 0 −1 ⎟
⎜ ⎟
⎜ −1 0 −1 ⎟
⎜ ⎟
⎝ ⎠
2 1 3
b. B´= {{1, 0, 0}, {0, 1, 1}, {1, 1, 0}}

⎛ ⎞
⎜ 1 0 0 ⎟
⎜ ⎟
⎜ 0 1 1 ⎟
⎜ ⎟
⎝ ⎠
1 1 0
38 2. MATRICES
TB´B = Transpose[{LinearSolve[Transpose[B´], {1, 0, 1}],
LinearSolve[Transpose[B´], {1, 1, 0}], LinearSolve[Transpose[B´], {1, 1, 1}]}]

⎛ ⎞
⎜ 2 0 1 ⎟
⎜ ⎟
⎜ 1 0 1 ⎟
⎜ ⎟
⎝ ⎠
−1 1 0
2.7. TÉCNICA DE PIVOTEO 39
2.7. Técnica de pivoteo
Definición 2.40. Toda matriz del tipo:

⎛ ⎞
1 0 ... 0
⎜ 0 1 0
⎜ ⎟
⎟
⎜ . ..
..
⎟
⎜ .
⎝ . . .
⎟
⎠
0 0 ... 1
se denominará como matriz identidad y se escribe como In donde n indica que es de

orden n X n.
Utilizando las operaciones indicadas en la definición 2.6, se puede reducir una matriz en su
forma elemental y usar este proceso para determinar diferentes componentes algebraicos,
observe el siguiente ejemplo:
Ejemplo 2.41. Reduzca la siguiente matriz:

⎛ ⎞
1 2 3
⎝ 2 3 5 ⎠
⎜ ⎟
1 0 8
A conveniencia se selecciona la tercera fila y se intercambia por la primera:
⎛ ⎞
1 0 8 Por ser a11 = 1 y a12 = 0
⎝ 2 3 5 ⎠
⎜ ⎟
1 2 3
Como el elemento a21 es diferente de cero, se aplicará la operación elemental multiplicar

por −2 la primera fila y se suma a la segunda:
+ , + , + , + , + ,
−2· 1 0 8 + 2 3 5 = −2 0 −16 + 2 3 5 = 0 3 −11
de manera análoga se procede para tercera fila ya que el elemento a31

= 0:
+ , + , + , + , + ,
−1· 1 0 8 + 1 2 3 = −1 0 −8 + 1 2 3 = 0 2 −5
Las dos últimas operaciones conducen a:

⎛ ⎞
1 0 8
⎝ 0 3 −11 ⎠
⎜ ⎟
0 2 −5
⎛ ⎞
1 ... ...
Note que la primera columna resultó ⎝ 0 ... ... ⎠
⎜ ⎟
0 ... ...
Ahora, como el elemento a22

= 1, se aplica:
+ , + ,
1
3· 0 3 −11 = 0 1 − 11
3
40 2. MATRICES
⎛ ⎞
1 0 8
Resulta ⎝ 0 1 − 11 ⎠ y bastarı́a con hacer el elemento a32 = 0 de esta manera:
⎜ ⎟
3
0 2 −5
+ , + , + , + , + ,
−2· 0 1 − 3 11 + 0 = 22 + = 7
2 −5 0 −2 3 0 2 −5 0 0 3
Debido a este último paso la matriz se convierte en:

⎛ ⎞
1 0 8
⎝ 0 1 − 11
⎜ ⎟
3 ⎠
7
0 0 3
Si se aplica un proceso análogo para las filas donde están los elementos a33
= 1, a13
= 0
y a23
= 0, finalmente se obtiene:
⎛ ⎞⎛ ⎛⎞ ⎞
1 2 3 1 0 8 1 0 8
⎝ 2 3 5 ⎠∼ ⎝ 2 3 5 ⎠∼⎝ 0 3 −11 ⎠ ∼
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
1 0 8 1 2 3 0 2 −5
⎛ ⎞ ⎛ ⎞
1 0 8 1 0 0
⎝ 0 1 − 11 ⎠∼ ⎝ 0 1 0 ⎠ = I3
⎜ ⎟ ⎜ ⎟
3
7
0 0 3 0 0 1
Usando Mathematica:
RowReduce[{{1, 2, 3}, {2, 3, 5}, {1, 0, 8}}]

⎛ ⎞
⎜ 1 0 0 ⎟
⎜ ⎟
⎜ 0 1 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 1
2.8. MATRIZ INVERTIBLE 41
2.8. Matriz invertible
Definición 2.42. Una matriz Mn (F) es invertible si existe una matriz B ∈ Mn (F) tal
que AB = BA = In , B es la inversa de A.
Teorema 2.43. Sean las matrices invertibles A y B ∈ Mn (F) , entonces:

$−1
1. A−1
#
= A.
−1
2. AB es invertible y (AB) = B −1 A−1 .
Demostración. Por la definición 2.30 la parte 1 es inmediata, ahora como:
(AB) B −1 A −1
A−1 = In −1
# $ # $
= A BB
# −1 −1 $
(AB) = B −1 A−1 A B = In
# $
B A
Finalmente.
−1
(AB) = B −1 A−1
Teorema 2.44. Si una matriz A ∈ Mn (F) , es invertible, entonces AT , es invertible y

T −1
$T
= A−1 .
# $ #
A
Demostración. Por hipótesis se tiene:
$T $T
A−1 AT = AA−1 = I T = I
# #
$T # $T
AT A−1 = A−1 A = I T = I
#
T
Ası́ que la inversa de AT es A−1 .
# $
Definición 2.45. Sea A ∈ Mn (F), se define como adjunta de A o Aa a la igualdad:
i+j
[Aa ]ij = (−1) |Aij |
⎛ ⎞
1 3 −2
Ejercicio 2.46. Dada A = ⎝ 2 8 −3 ⎠, determine Aa .
⎜ ⎟
1 7 1
i+j
Solución. Según la definición 2.45, para el coeficiente (−1) en nuestro caso será
1+1
(−1) = 1 y para |Aij | se escoge:
⎛ ⎞
. . . ! "
⎟ 8 −3

⎝ . 8 −3 ⎠ = = 29, ası́ que [Aa ]11 = 29
⎜
7 1
. 7 1
De manera análoga se tiene:

42 2. MATRICES

8 −3 2 −3 2 8
[Aa ]11 = (−1)2 [Aa ]12 = (−1)3 [Aa ]13 = (−1)4

= 29 = −5 =6
7 1 1 1 1 7

3 −2 1 −2 1 3
[Aa ]21 = (−1)3 [Aa ]22 = (−1)4 [Aa ]23 = (−1)5

= −17 =3 = −4
7 1 1 1 1 7

3 −2 1 −2 1 3
[Aa ]31 = (−1)4 [Aa ]32 = (−1)5 [Aa ]33 = (−1)6

=7 = −1 =2
8 −3 2 −3 2 8
Cuadro 4. Cálculo de los cofactores. Matriz adjunta.
luego:
⎛ ⎞
29 −17 7
Aa = ⎝ −5 3 −1 ⎠
⎜ ⎟
6 −4 2
Ejercicio 2.47. Use Mathematica para dar respuesta al ejercicio 2.46.
Solución. Aquı́:
A:={{1, 3, −2}, {2, 8, −3}, {1, 7, 1}}
Transpose[ Table[(−1)∧ (i + j) ∗ Minors[A][[Part[Dimensions[Minors[A]], 1] + 1 − i,

Transpose[Table[(−1)
Part[Dimensions[Minors[A]], 1] + 1 − j]], {i, 1, Part[Dimensions[Minors[A]], 1]},

j]],{i,
{j, 1, Part[Dimensions[Minors[A]], 1]}]]

⎛ ⎞
⎜ 29 −17 7 ⎟
⎜ ⎟
⎜ −5 3 −1 ⎟
⎜ ⎟
⎝ ⎠
6 −4 2
Teorema 2.48. Sea A ∈ Mn (F) entonces AAa =|A| In . Además A es invertible si, y
sólo si |A| =

0, en cuyo caso
1
A−1 = |A| A
a
Demostración. El término i, j de AAa es:

n
k+j
[AAa ]ij = aik (−1)

|Ajk | y si i = j, se tiene
k=1
n
k+i
[AAa ]ii =

(−1) aik |Aik | = |A|
k=1
Considerando i
= j y i < j.
Se acepta que A1 ,..., An son las filas de A y se procede a construir una matriz C con
sus filas C1 ,..., Cn tal que Ck = Ak , para todo k
= j y Cj = Ai entonces cik = aik = cjk y
|Ajk | = |Cjk | para todo k. Además |C| = 0 por tener al menos dos filas iguales, luego:
n n
k+j k+j
[AAa ]ij = aik (−1) |Ajk | = [AAa ]ii =

(−1) cjk |Cjk | = |C| = 0
k=1 k=1
2.8. MATRIZ INVERTIBLE 43
Esto comprueba que AAa =|A| In .

a
Como At (At ) =|At | I entonces:
a t t
|A| I = |At | I = At (At ) = At (Aa ) = (Aa A)
en consecuencia:
tt
Aa A = (Aa A) = |A| I t = |A| I ası́ que:
Aa
|A| A = I
−1 Aa
Lo que demuestra que A es invertible y A = |A| , |A|
= 0.
Definición 2.49. La dimensión del espacio fila (renglón) o columna de una matriz
A ∈ Mmxn (F) , se llama rango de A y se denota como rango(A).
Ejemplo 2.50. Determine el rango de:
⎛ ⎞
1 −2 0 1
⎝ 2 1 5 −3 ⎠
⎜ ⎟
0 1 3 5
Usando Mathematica:
RowReduce[{{1, −2, 0, 1}, {2, 1, 5, −3}, {0, 1, 3, 5}}]

⎛ ⎞
⎜ 1 0 0 −7 ⎟
⎜ ⎟
⎜ 0 1 0 −4 ⎟
⎜ ⎟
⎝ ⎠
0 0 1 3
Note que se obtuvo tres filas diferentes de cero, luego el rango es 3; Mathematica también
usa el comando MatrixRank para dicho requerimiento:
MatrixRank[{{1, −2, 0, 1}, {2, 1, 5, −3}, {0, 1, 3, 5}}]
3
⎛ ⎞
1 0 1 1
1 ⎠, demuestre que dim (A) = dim AT .
# $
Ejercicio 2.51. Dada A = ⎝ 3 2 5
⎜ ⎟
0 4 4 −4
Sugerencia. Use: Is[MatrixRank[A]==MatrixRank[Transpose[A]]]
44 2. MATRICES
2.9. Tipos de soluciones
Esta sección destaca la importancia de identificar la naturaleza se las posibles soluciones

de un sistema de ecuaciones lineales AX = B a uno de la forma EX = C donde E es una
matriz escalonada reducida, se hace resaltan unos elementos previos:
La notación matricial AX = B se utiliza para representar el sistema de ecuaciones:
⎛ ⎞⎛ ⎞ ⎛ ⎞
a11 a12 . . . a1j x11 b11
⎜ a21 a22 · · · a2j ⎟ ⎜ x21 ⎟ ⎜ b21 ⎟
⎜ ⎟⎜ ⎟ ⎜ ⎟
⎟ ⎜ .. ⎟ = ⎜ .. ⎟
⎜ . .. .. ⎟
..
⎜ ⎟ ⎜ ⎟
⎜ .
⎝ . . . . ⎠⎝ . ⎠ ⎝ . ⎠
ai1 ai2 . . . aij xi1 bi1
dicha notación permitirá determinar las soluciones del sistema homogéneo AX = 0 en el
subespacio Rn .
Teorema 2.52. Si A ∈ Mmxn (F) , entonces el conjunto de soluciones del sistema de

ecuaciones lineales AX = 0 es un subespacio de Rn .
Demostración. Sea AX = 0 un sistema homogéneo de m ecuaciones lineales con n

incógnitas y W el conjunto de vectores solución del sistema; si s, s´∈ W , entonces:
As = 0 y As´= 0
Por lo tanto:
A (s + s´) = As + As´= 0 + 0 = 0
Por otro lado, para todo k ∈ R
A (ks) = k (As) = k0 = 0
Definición 2.53. Se denotará como A B como matriz ampliada o extendida (A, B).
Ahora, una vez hechas las operaciones elementales en A B hasta convertirla en E C donde
T
C = (c1 , c2 , . . . , cm ) y E ∈ Mmxn (F) es escalonada reducida con elementos eij , suponga
que Ei∗ = 0 para todo r < i ≤ n y que eiki = 1 el primer elemento distinto de cero de la
Ei∗sonlas fila Ei∗ para todo 1 ≤ i ≤ r y k1 <. . . < kr , entonces:
mfilasde
E
Si cj = 0 para algún j > r :
! "
In
1. r = n implica que E = donde 0 es la matriz nula de tamaño (m − n) x n
0
T
cuya solución (c1 , c2 , . . . , cm ) es única.
2. r < n implica que EX = C tiene infinitas soluciones
Si cj
= 0 para algún j > r, EX = C no tiene solución.
El siguiente teorema resume lo anterior:
Teorema 2.54. Sea AX = B un sistema de ecuaciones lineales de n variables, entonces:
1. Si rango (A) = rango (A X) = n, el sistema tiene solución única.

2. Si rango (A) = rango (A X) < n, el sistema tiene solución infinitas soluciones.
3. Si rango (A) < rango (A X), el sistema no tiene solución.
2.9. TIPOS DE SOLUCIONES 45
Ejemplo 2.55. El siguiente sistema de ecuaciones lineales:

⎧
⎪−x − 2y + 3w − 4z = −2
⎪
⎪
⎨
−6x − 15y + 6w − 3z = −3
⎪
⎪
⎩−5x − 12y + 7w − 6z = −7
⎪
no tiene solución, ya que si se editan:
A:={{−1, −2, 3, −4}, {−6, −15, 6, −3}, {−5, −12, 7, −6}}
AE:={{−1, −2, 3, −4, −2}, {−6, −15, 6, −3, −3}, {−5, −12, 7, −6, −7}}
y se usa:
Is[MatrixRank[A] < MatrixRank[AE]]
Is(True)
Entonces, como rango (A) < rango (AE), el sistema no tiene solución.
Ejercicio 2.56. Determine la naturaleza de la solución del siguiente sistema de

ecuaciones:
⎧
⎪
⎪
⎪ −ix − (1 − i) y = 0
⎨
√
Recuerde que −1 = i
x − 2y + z = 0
⎪
⎪
⎩−5x + 2iy − z = 0
⎪
Solución. Si:
A:={{−i, −(1 − i), 0}, {1, −2, 1}, {−5, 2 ∗ i, −1}}
AE:={{−i, −(1 − i), 0, 0}, {1, −2, 1, 0}, {−5, 2 ∗ i, −1, 0}}
MatrixRank[A]
MatrixRank[AE]
y como rango (A) = rango (AE) = 3 = n, el sistema tiene solución única.
Ejercicio 2.57. Sean a, b, c y d cuatro números reales positivos, demuestre que el

siguiente sistema de ecuaciones no tiene soluciones en R:
⎧
⎪x + y + z + t = a
⎪
⎪
⎪
⎪
⎨x − y − z + t = b
⎪
⎪
⎪
⎪ −x − y + z + t = c
⎪
⎪
⎩−3x + y − 3z − 7t = d
⎪
46 2. MATRICES
Solución. Editando las matrices A y A X, se tienen:
A:={{1, 1, 1, 1}, {1, −1, −1, 1}, {−1, −1, 1, 1}, {−3, 1, −3, −7}}
AE:={{1, 1, 1, 1, a}, {1, −1, −1, 1, b}, {−1, −1, 1, 1, c}, {−3, 1, −3, −7, d}}
y como:
Is[MatrixRank[A] < MatrixRank[AE]]
Is(True)
Ası́ que por el teorema 2.54, se concluye que el sistema no tiene solución.
Definición 2.58. Para un conjunto de puntos (x1 , y1 ) , (x2 , y2 ), ..., (xn , yn ) la recta de
regresión por mı́nimos cuadrados está definida por la función f (x) = a0 +a1 x que minimiza
el error por la suma de cuadrados:
[y1 − f (x1 )]2 +[y2 − f (x2 )]2 + · · · +[yn − f (xn )]2

Si de las relaciones anteriores se piensa en el sistema de ecuaciones:
⎧
⎪y1 = f (x1 ) + [y1 − f (x1 )]
⎪
⎪
⎪
⎪
⎨y2 = f (x2 ) + [y2 − f (x2 )]
⎪
..
⎪
⎪
⎪
⎪ .
⎪
⎪
⎩y = f (x ) + [y − f (x )]
n n n n
Si para cada yi cada error en la aproximación se escribe por la expresión ei = yn − f (xn )

el sistema anterior se puede reescribir:
⎧
⎪
⎪
⎪ y1 = a 0 + a 1 x 1 + e 1
⎪
⎪
⎨ y2 = a 0 + a 1 x 2 + e 2
⎪
..
⎪
⎪
⎪
⎪ .
⎪
⎪
⎩y = a + a x + e
n 0 1 n n
o bien:
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
y1 1 x1 e1
! "
y2 ⎜ 1 x2 ⎜ e2
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ ⎟ ⎟ a0 ⎟
Y =⎜ .. ⎟, X = ⎜ . ⎟, A = ,E = ⎜ .
⎜ ⎟
. ⎝ 1 .. a1 ⎝ ..
⎜ ⎟ ⎜ ⎟ ⎟
⎝ ⎠ ⎠ ⎠
yn 1 xn en
Ahora, la recta de regresión será Y = XA + E y la forma matricial de la regresión lineal
−1
tendrı́a como coeficientes A = (X t X) X t Y .
Ejemplo 2.59. Los puntos (1, 1), (2, 2), (3, 4), (4, 4), (5, 6) y (8, 8) se pueden ajustar en
una recta de regresión, en efecto:
2.9. TIPOS DE SOLUCIONES 47
Figura 2.9.1. Mı́nimos Cuadrados.

⎛ ⎞ ⎛ ⎞
1 1 1
⎜ ⎟ ⎜ ⎟
⎜
⎜ 1 2 ⎟
⎟
⎜ 2 ⎟
⎜ ⎟
⎜ 1 3 ⎟ ⎜ 4 ⎟
X=⎜ ⎟, Y = ⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜
⎜ 1 4 ⎟
⎟
⎜ 4 ⎟
⎜ ⎟
⎜
⎝ 1 5 ⎟
⎠
⎜ 6 ⎟
⎝ ⎠
1 8 8
⎛ ⎞
1 1
⎜ ⎟
"⎜ 1 2 ⎟ !
⎜ ⎟
! "
1 1 1 1 1 1 ⎜ 1 3 ⎟
⎜ 6 23
X tX = ⎟=
⎟
⎜
1 2 3 4 5 8 ⎜ ⎜ 1 4 ⎟
⎟ 23 119
⎜ 1 5 ⎟
⎝ ⎠
1 8
⎛ ⎞
1
⎜ ⎟
"⎜ 2 ⎟ !
⎜ ⎟
! "
1 1 1 1 1 1 ⎜ 4 ⎟ ⎜ 25
X tY = ⎟=
⎟
⎜
1 2 3 4 5 8 ⎜ ⎜ 4 ⎟
⎟ 127
⎜ 6 ⎟
⎝ ⎠
8
! "! " ! "
54
−1 1 119 −23 25 185
A = (X t X) X tY = 185 = 187
−23 6 127 185
54 187
la recta de regresión será y = 185 + 185 x
El procedimiento para el caso de regresión lineal múltiple f (x) = a0 + a1 x1 + a2 x2 +

· · · + an xn + e es análogo al anterior, en efecto, dados los siguientes datos correspondientes
a la incidencia de ciertos ingredientes en la calidad una mermelada:
x1 : Cantidad de producto base (fruta).
x2 : Cantidad de glucosa.
x3 : Cantidad de agua.
x4 : Cantidad de ácido cı́trico.
x5 : Otros añadidos.
y: Standard de aprobación.
48 2. MATRICES
x1 x2 x3 x4 x5 y
1100 300 6 5 10 30
1000 200 4 7 8 20
1200 350 6.7 8 10 40
1000 300 5 6 8 25
1100 300 5.5 7 9 35
1200 350 8 6 11 45
900 300 4 5 8 30
700 400 3.5 3 7 25
1200 350 6 7 7 35
1300 350 7 6.5 10 40
Cuadro 5. Regresión Lineal Múltiple.
Aquı́:
⎛ ⎞ ⎛ ⎞
1 1100 300 6 5 10 30
⎜ ⎟ ⎜ ⎟
⎜
⎜ 1 1000 200 4 7 8 ⎟
⎟
⎜ 20 ⎟
⎜ ⎟
⎜
⎜ 1 1200 350 6.7 8 10 ⎟
⎟
⎜ 40 ⎟
⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜
⎜ 1 1000 300 5 6 8 ⎟
⎟
⎜ 25 ⎟
⎜ ⎟
⎜ 1 1100 300 5.5 7 9 ⎟ ⎜ 35 ⎟
X=⎜ ⎟, Y = ⎜
⎜ ⎟ ⎜ ⎟
⎟
⎜
⎜ 1 1200 350 8 6 11 ⎟
⎟
⎜ 45 ⎟
⎜ ⎟
⎜
⎜ 1 900 300 4 5 8 ⎟
⎟
⎜ 30 ⎟
⎜ ⎟
⎜ ⎟ ⎜ ⎟
⎜
⎜ 1 700 400 3.5 3 7 ⎟
⎟
⎜ 25 ⎟
⎜ ⎟
⎜
⎝ 1 1200 350 6 7 7 ⎟
⎠
⎜ 35 ⎟
⎝ ⎠
1 1300 350 7 6.5 10 40
Editando las respectivas matrices con Mathematica, se obtienen:
X:={{1, 1100, 300, 6, 5, 10}, {1, 1000, 200, 4, 7, 8}, {1, 1200, 350, 6.7, 8, 10}, {1, 1000, 300, 5, 6, 8},
{1, 1100, 300, 5.5, 7, 9}, {1, 1200, 350, 8, 6, 11}, {1, 900, 300, 4, 5, 8}, {1, 700, 400, 3.5, 3, 7},
{1, 1200, 350, 6, 7, 7}, {1, 1300, 350, 7, 6.5, 10}}
Y :={{30}, {20}, {40}, {25}, {35}, {45}, {30}, {25}, {35}, {40}}
Transpose[X].X
⎛ ⎞
⎜ 10. 10700. 3200. 55.7 60.5 ⎟88.
⎜ ⎟
⎜
⎜ 10700. 1.173 × 107 3.425 × 106 61640. 66450.
95600. ⎟
⎟
⎜ ⎟
3200. 3.425 × 106 1.05 × 106 18045. 19125. 28200. ⎟
⎜ ⎟
⎜
⎜ ⎟
⎜ ⎟
⎜
⎜ 55.7 61640. 18045. 329.39 346.1 505. ⎟⎟
⎜ ⎟
⎜
⎜ 60.5 66450. 19125. 346.1 384.25 538. ⎟⎟
⎝ ⎠
88. 95600. 28200. 505. 538. 792.
A:=Inverse[Transpose[X].X].Transpose[X].Y
2.10. ELIMINACIÓN DE GAUSS-JORDAN 49
A
⎛ ⎞
⎜ −26.0822 ⎟
⎜ ⎟
⎜ 0.00276874 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0.0714974 ⎟
⎜ ⎟
⎜ ⎟
⎜ ⎟
⎜ 1.80473 ⎟
⎜ ⎟
⎜ ⎟
⎜ 1.38543 ⎟
⎜ ⎟
⎝ ⎠
1.62571
finalmente:
y = −26.0822 + 0.00276874x1 + 0.0714974x2 + 1.80473x3 + 1.38543x4 + 1.62571x5
2.10. Eliminación de Gauss-Jordan
En esta sección se ilustrará un método para resolver sistemas de ecuaciones lineales

que satisfacen la relación matricial AX = B, donde A ∈ Mm x n (F), X ∈ Mn x 1 (F) y
B ∈ Mm x 1 (F), es decir, dicha relación representa una ecuación lineal de m ecuaciones con
n incógnitas:
⎧
⎪a11 x1 + a12 x2 + · · · + a1n xn = b1
⎪
⎪
⎪
⎪
a21 x1 + a22 x2 + · · · + a2n xn = b2
⎪
⎨
..
⎪
⎪
⎪
⎪ .
⎪
⎪
⎩a x + a x + · · · + a x = b
m1 1 m2 2 mn n m
La eliminación de Gauss - Jordan consiste en la construcción de una matriz reducida de

la matriz ampliada (A B) mediante las operaciones elementales indicadas en la sección 2.2 y
la aplicación del teorema 2.54.
Ejercicio 2.60. Dado el sistema de ecuaciones:

⎧
⎪
⎪
⎪ x − 2y + 3z = 7
⎨
2x + y − 2z = −2
⎪
⎪
⎩3x + y + z = 6
⎪
Determine la naturaleza de sus posibles soluciones y según ello resuelva.
Solución. Editando con Mathematica se tiene:
A:={{1, −2, 3}, {2, 1, −2}, {3, 1, 1}}
AB:={{1, −2, 3, 7}, {2, 1, −2, −2}, {3, 1, 1, 6}}
La reducción de las matrices dadas son:
RowReduce[A]
50 2. MATRICES
⎛ ⎞
⎜ 1 0 0 ⎟
⎜ ⎟
⎜ 0 1 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 1
RowReduce[AB]
⎛ ⎞
17
⎜ 1 0 0 16 ⎟
⎜ ⎟
⎜ 0 1 0 1 ⎟
⎜ 2 ⎟
⎝ ⎠
37
0 0 1 16
Ası́ que;
{MatrixRank[A], MatrixRank[AB]}
{3, 3}
como rango (A) = rango (A B) = n = 3 el sistema tiene solución única, a saber:
LinearSolve[A, {7, −2, 6}]
Observación. Se incluye el comando LinearSolve[matrix, {b1 , b2 , b3 }]
17 1 37

16 , 2 , 16
La sentencia anterior puede sustituirse por:
Solve[{x − 2 ∗ y + 3 ∗ z == 7, 2 ∗ x + y − 2 ∗ z == −2, 3 ∗ x + y + z == 6}]
17
→ 12 , z → 37

x→ 16 , y 16
EJERCICIOS 51
Ejercicios
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 −1 2 0 2 1 0 0 2
1. Dadas las matrices X = ⎝ 3 4 5 ⎠, Y = ⎝ 3 0 5 ⎠ y Z = ⎝ 3 1 0 ⎠,
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
0 1 −1 7 −6 0 0 −2 4
determine una matriz Z tal que X + Y + Z sea igual a la matriz nula.
2. Resuelva: ! " ! "

1 −2 4 −2
3X + =
0 1 1 10
3. Determine las matrices X y Y que satisfagan:

⎧ ! "
⎪ 1 2 2
2X + Y =
⎪
⎪
⎪
! −2 1 0
⎨
"
⎪ −4 −3 −2
X − 3Y =
⎪
⎪
⎪
⎩ −1 0 −1
4. Determine las matrices X, Y y Z que satisfaga:

⎧ ! "
⎪ 5 5
2X + 3Y + Z =
⎪
⎪
⎪
! −5 1 "
⎪
⎪
⎪
⎪
⎪
⎨ −1 3
X + 2Y − 3Z =
⎪
⎪
⎪ ! −3 −3 "
⎪
⎪
⎪ 5 8
⎩ 2X + 5Y + Z =
⎪
⎪
⎪
−8 −1
⎛ ⎞
0 3 4
5. Dada A = ⎝ 1 −4 −5 ⎠, demuestre que A3 + I3 = 0.
⎜ ⎟
−1 3 4
6. Una empresa fabricante de dos tipos de detergentes determina que sus ventas en miles de
USD durante los 2015 y 2016 están clasificadas según la siguientes tabla:
Año 2015 Año 2016

Tipo 1 420 210 130 441 216 143
Tipo 2 255 220 175 253 162 161
si en el 2017 se triplican las ventas del año anterior, determine el movimiento de ventas
ocurridos desde el 2015 al 2017 e interprete los resultados. Use: 3*matriz(año 2016) −
matriz (año 2015) .
7. El comportamiento entre los sectores de dos industrias es:
Industria 1 Industria 2 Demanda Sector externo Producción Total
Industria 1 650 125 b 765
Industria 2 255 a 63 630

52 2. MATRICES
halle los valores de a, b y la matriz de coeficientes técnicos.
8. En una ferreterı́a, un cliente ha pagado un total de 128 USD por 12 kg de cal, 5 kg de

cemento y 12 kg de arena. Calcule el precio en USD de cada artı́culo (use dos cifras decimales)
sabiendo que 1 kg de cemento cuesta siete veces 1 kg de cal más 8 veces la arena y que 8 kg
de cal cuestan igual que 1 kg de cemento menos 6 Kg de arena.
9. Halle el número de inversiones de las siguientes permutaciones de S = {1, 2, 3, 4, 5}:

a. (52134).
b. (35241).
c. (13542).
10. Determine si las siguientes permutaciones de S = {1, 2, 3, 4} son pares o impares:

a. 1243.
b. 3214.
c. 1423.
d. 4213.
11. Calcule la determinante de:

⎛ ⎞
4 3 2 1
⎜ ⎟
⎜ 1 5 −2 −1 ⎟
A=⎜ ⎜ 1 −1 3 −3 ⎟
⎟
⎝ ⎠
2 1 1 −2
⎧⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎫
⎨ −1
⎪ 1 1 ⎪ ⎬
12. Dados los vectores ⎝ α ⎠ , ⎝ 1 ⎠ , ⎝ α ⎠ ∈ R3 , use la determinante para hallar
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎪ ⎪
1 α 2
⎩ ⎭
el valor de α que los convierta en un conjunto linealmente independiente.
13. Un polı́gono irregular tiene coordenadas:
x -1 -2 0 1 -3 -2
y 2 4 3 -1 1 1
◦
determine su rotación con un ángulo de 35 (use una precisión de 4 dı́gitos).
14. Discuta los valores de a para que el siguiente sistema de ecuaciones tenga solución única:
⎧
⎨ ax + 2y − z = 2a
⎪
−x + ay − 3z = −a
⎪
x − y + az = −2a
⎩
15. Sea A ∈ Mn (R) y V el R-espacio vectorial generado por In , A, A2 , . . . , An−1 , demuestre

que:
a. Para todo B ∈ V entonces B −1 ∈ V .
EJERCICIOS 53
b. Existe B ∈ V ,B
= 0 tal que AB = BA = 0, siempre que det (A) = 0.
3 2
⎛ ⎞ ⎛ ⎞
3 −2 0 5 5 0
16. Demuestre que A = ⎝ −2 3 0 ⎠ y B = ⎝ 25 3
0 ⎠ son inversas entre sı́.
⎜ ⎟ ⎜ ⎟
5
1
0 0 5 0 0 5 Use: AB = BA = I 3
17. Sean T1 :R2 →R2 y T2 :R2 →R2 definidas por:

!% &" % & !% &" % &
x1 x1 x1 x2
T1 = y T2 =
x2 −x2 x2 x1
compruebe que la composición ◦ no es conmutativa.
18. Sean T : R3 →R2 una transformación lineal tal que T (1, −1, 0) = (−1, −7), T (1, −1, 1) =
(−2, −6) y T (0, 1, 1) = (2, 3). Determine T (x, y, z) para todo (x, y, z) ∈ R3 .
19. Sea la transformación lineal T : R3 →R3 definida por T (x, y, z) = (y, x − y, y + z) y las
bases B = {(1, 1, 0) , (0, 0, 1) , (1, 1, 1)} y B ➫ = {(0, 1, 0) , (1, 0, 1) , (1, 1, 1)} , determine TB y
TBB ➫ .
Capı́tulo 3
Eigenvalores y Eigenvectores
Un cientı́fico digno de este nombre, especialmente si es un matemático, expe-

rimenta en su labor la misma impresión que un artista;su placer es tan grande
y de la misma naturaleza.
Henri Poincaré
Definición 3.1. Sea A ∈ Mn (F), se dice que el vector x

= 0 ∈ Fn es un eigenvector de
An si:
A = λx
Respectivamente, se dice que el valor λ es un eigenvalor de An , pero otros autores también
hacen referencia a valor propio, autovalor, valor caracterı́stico o raı́z latente. Eigen[’aigen]en
alemánsignifica
! " ! " propio.
7 −2 1
Ejemplo 3.2. El valor 3 es un valor propio de A = y es su vector
4 1 2
propio asociado, ya que:
! "! " ! "
7 −2 1 1
=3
4 1 2 2
Mathematica usa Eigenvalues[{{a, b}, {c, d}}]

1 # √ $ 1 #√ $
2 2 a2 − 2ad + 4bc + d2 + a + d
2 − a − 2ad + 4bc + d + a + d , 2
en este caso:
Eigenvalues[{{7, −2}, {4, 1}}]
{5, 3}
Este resultado quiere decir que A tiene dos autovalores.
55
56 3. EIGENVALORES Y EIGENVECTORES
Definición 3.3. El polinomio PA (λ) =| In λ − An |∈ F(x) se llama Polinomio

Caracterı́stico de A.
! "
7 −2
Ejemplo 3.4. Usando A = y la definición 3.3. se tiene:
4 1
A:={{7, −2}, {4, 1}}
Por:
Det[IdentityMatrix[2] ∗ λ − B]
También con el comando simplificado:
CharacteristicPolynomial[B, λ]
El respectivo polinomio caracterı́stico es:
λ2 − 8λ + 15
Teorema 3.5. (Cayley - Hamilton). Sea A ∈ Mn (F),entonces:
CA (A) = 0n , donde CA (λ) = |λI − A| es el polinomio caracterı́stico de A.
Demostración. Para toda matriz cuadrada B, se tiene:

B a B = |B| I ,más bien:
a
(λI − A) (λI − A)=|λI − A| I = CA (λ) I
a
Se usará P (λ) = (λI − A) y Q (λ) = λI − A, luego:
CA (A) = P (A) Q (A) = P (A) (λI − A) = 0n
Teorema 3.6. Sea A y B ∈ Mn (F) dos matrices semejantes, entonces PA (λ) = PB (λ)
Demostración. PA (λ) =| In λ − An |=| P −1 (In λ − An )P |=| In λ − Bn |= PB (λ)

En conclusión, las matrices semejantes tienen los mismos autovalores.
! "
0 1
Ejercicio 3.7. Dada B = ∈ M2 (F). Determine su polinomio
−1 0
caracterı́stico ası́ como los autovalores y vectores asociados.
Solución. Usando las definición 3.3:
B:={{0,
1}, {−1, 0}}

0 1
B=
−1 0
COMANDO CharacteristicPolynomial[B, λ] Eigenvalues[B] Eigenvectors[B]

−i 1
RESULTADO λ2 + 1 {i, −i}
i 1
Cuadro 1. Polinomio Caracterı́stico.

3. EIGENVALORES Y EIGENVECTORES 57
⎛ ⎞
0 1 0
Ejercicio 3.8. Halle los autovalores de A = ⎝ 0 0 1 ⎠
⎜ ⎟
4 −17 8
Solución. Usando el respectivo comando se presenta el siguiente problema:
Eigenvalues[{{1, 0, 1}, {0, 0, 1}, {4, −17, 8}}]
Root #13 − 9#12 + 21#1 − 17&, 1 , Root #13 − 9#12 + 21#1 − 17&, 3 ,
- . - .
- 3 2
.
Root #1 − 9#1 + 21#1 − 17&, 2

el cual no ayuda en algo, entonces, ¿de qué manera se procede bajo situaciones análogas?,
veamos: ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
λ 0 0 0 1 0 λ −1 0
como PA (λ) =| In λ − An |= ⎝ 0 λ 0 ⎠ − ⎝ 0 0 1 ⎠=⎝ 0 λ −1 ⎠ =
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
0 0 λ 4 −17 8 −4 17 λ − 8
−λ3 +9λ2 −21λ+17 y considerando que las raı́ces de este último resultado son los autovalores
requeridos, se aplica:
Solve −λ3 + 9λ2 − 21λ + 17 == 0, λ
- .
√ √ √
√ √ $ √ # √ $
(( ) ( 3
)
2+ 2(1−i 3)
/ 0 # /
λ → 3 + 31 108 − 54 2 + 3 2 2 + 2 , λ → 3 − 1 3
3
2 2/3 − 6 108 − 54 2 1 + i 3 ,
√ √ √ ))
√ √
( 3
/ 2+ 2 ( 1+i 3 )
λ → 3 − 16 108 − 54 2 1 − i 3 −
3
# $
22/3
Ejercicio 3.9. Determine los valores caracterı́sticos y una base para cada uno de los
espacios caracterı́sticos correspondientes de:
⎛ ⎞
1 0 0 0
⎜ ⎟
⎜ 0 1 5 −10 ⎟
⎜ ⎟
⎜ 1 0 2 0 ⎟
⎝ ⎠
1 0 0 3
Solución. Sea:
A:={{1, 0, 0, 0}, {0, 1, 5, −10}, {1, 0, 2, 0}, {1, 0, 0, 3}}
CharacteristicPolynomial[A, λ]
λ4 − 7λ3 + 17λ2 − 17λ + 6
Eigenvalues[A]
{3, 2, 1, 1}
⎛⎞
α1
⎜ ⎟
⎜ α2 ⎟
Para hallar las bases requeridas se usará la operación (I4 λ − A) ⎜
⎜ α ⎟
⎟
⎝ 3 ⎠
α4
1. Para λ = 1 :
Solve [(IdentityMatrix[4] ∗ 1 − A). {{α1 } , {α2 } , {α3 } , {α4 }} == 0]
α3 → −α1 , α4 → − α21

⎛ ⎞ ⎛ ⎞ ⎛ ⎞
1 1 0
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎜ t
⎟ = s⎜ 0 ⎟ + t⎜ 1 ⎟
⎟ ⎜ ⎟ ⎜
⎜ ⎟
⎜ −s ⎟ ⎜ −1 ⎟ ⎜ 0 ⎟
⎝ ⎠ ⎝ ⎠ ⎝ ⎠
− 2s − 21 0
en efecto:
⎡⎛ ⎞ ⎛ ⎞⎤
1 0
⎢⎜ ⎟ ⎜ ⎟⎥
⎢⎜ ⎟ ⎜ ⎟⎥
⎢ ⎜ 0 ⎟ ⎜ 1 ⎟⎥
B1 = ⎢⎜ ⎟ , ⎜ ⎟⎥
⎢⎜ ⎟ ⎜ ⎟⎥
⎢⎜ −1 ⎟ ⎜ 0 ⎟⎥
⎢⎜ ⎟ ⎜ ⎟⎥
⎣⎝ ⎠ ⎝ ⎠⎦
− 12 0
2. Para λ = 2 :
Solve [(IdentityMatrix[4] ∗ 2 − A). {{α1 } , {α2 } , {α3 } , {α4 }} == 0]
α1 → 0, α3 → α52 , α4 → 0

⎛ ⎞ ⎛ ⎞
0 0
⎜ ⎟ ⎜ ⎟
⎜ s ⎟ ⎜ 1 ⎟
⎜ s ⎟ = s⎜ 1 ⎟
⎜ ⎟ ⎜ ⎟
⎝ 5 ⎠ ⎝ 5 ⎠
0 0
⎡⎛ ⎞⎤
0
⎢⎜ ⎟⎥
⎢⎜ ⎟⎥
⎢ ⎜ 1 ⎟⎥
B2 = ⎢ ⎜
⎢⎜ ⎟⎥
⎟⎥
⎢ ⎜ 1 ⎟⎥
⎢ ⎜ 5 ⎟⎥
⎣⎝ ⎠⎦
0
3. Para λ = 3 :
Solve [(IdentityMatrix[4] ∗ 3 − A). {{α1} , {α2} , {α3} , {α4}} == 0]
α1 → 0, α3 → 0, α4 → − α52

{{0}, {1}, {0}, {−1/5}}
⎛ ⎞ ⎛ ⎞
0 0
⎜ ⎟ ⎜ ⎟
⎜ s ⎟ ⎜ 1 ⎟
⎜ 0 ⎟ = s⎜
⎜ ⎟ ⎜ ⎟
⎝ ⎠ ⎝ 0 ⎟ ⎠
− 5s − 15
3.1. DIAGONALIZACIÓN 59
⎡⎛ ⎞⎤
0
⎢⎜ ⎟⎥
⎢⎜ ⎟⎥
⎢ ⎜ 1 ⎟⎥
B3 = ⎢⎜
⎢⎜ ⎟⎥
⎟⎥
⎢ ⎜ 0 ⎟⎥
⎢⎜ ⎟⎥
⎣⎝ ⎠⎦
− 15
3.1. Diagonalización
Definición 3.10.
a. Una matriz A∈ Mn (F) es una matriz diagonal si es de la forma:
⎛ ⎞
a11 0 . . . 0
⎜ 0 a22 · · · 0 ⎟
⎜ ⎟
⎜ . .. .. ⎟
⎜ . ..
⎝ . . . . ⎠
⎟
0 0 ... aij
b. Una matriz A∈ Mn (F) es una matriz triangular superior si:
aij = 0 para i > j
⎛ ⎞
a11 a12 ... a1j
⎜ 0 a22 ··· a2j
⎜ ⎟
⎟
⎜ . .. ..
..
⎟
⎜ .
⎝ . . . .
⎟
⎠
0 0 ... aij
c. Una matriz A∈ Mn (F) es una matriz triangular inferior si:
aij = 0 para i < j
⎛ ⎞
a11 0 ... 0
a12 a22 ··· 0
⎜ ⎟
⎜ ⎟
⎜ .. .. .. .. ⎟
. . . .
⎜ ⎟
⎝ ⎠
ai,1 ai2 ... aij
Consecuentemente:
Teorema 3.11. Una matriz A∈ Mn (F) es diagonalizable si y sólo si existe una base Fn
formada por autovectores de A.
Demostración. Sea P una matriz invertible tal que AP = P D donde D = diag (λ1 , λ2 , ... , λn ),
entonces las columnas P∗1 , P∗2 ,..., P∗n de la matriz P forman una base de Fn , luego:
AP∗j = (AP )∗j = (P D)∗j = λj P∗j ; con j = 1, ... , n

Ası́ que dada una P∗j es un autovector asociado al autovalor λj . Suponga que α1 ,...,αn
es una base de Fn conformada por autovectores de A , y Aαj = λj αj , entonces P es invertible
para todo j = 1, ... , n, es decir que:
(AP )∗j = Aαj = λj αj = (P D)∗j
lo que comprueba que P −1 A P .

Un criterio útil que ayuda en la decisión que A es diagonalizable, es probar que existe
una matriz invertible P tal que P −1 A P es diagonal.
! "
−1 3
Ejercicio 3.12. Determine si la matriz A = es diagonalizable.
0 −1
A:={{−1, 3}, {0, −1}}
Eigenvalues[A]
{−1, −1}
Luego, por no poder formar una base de dos vectores correspondientes al único espacio
caracterı́stico calculado, se concluye que A no es diagonalizable.
Ejercicio 3.13. Determine una matriz P que diagonalice a:

⎛ ⎞
3 −2 0
A = ⎝ −2 3 0 ⎠
⎜ ⎟
0 0 5
Solución 3.14. Editando A, se obtiene:
A:={{3, −2, 0}, {−2, 3, 0}, {0, 0, 5}}
Prueba de que A es diagonalizable:
DiagonalizableMatrixQ[A]
True
P :=Transpose[Eigenvectors[A]]
P
⎛ ⎞
⎜ 0 −1 1 ⎟
⎜ ⎟
⎜ 0 1 1 ⎟
⎜ ⎟
⎝ ⎠
1 0 0
Comprobación:
Inverse[P ].A.P
⎛ ⎞
⎜ 5 0 0 ⎟
⎜ ⎟
⎜ 0 5 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 1
Observación. Dado que el n- ésimo elemento de la diagonal de P −1 AP es un eigenvalor

para cada columna de P , se desestima el orden de las columnas de P en los cálculos.
3.1. DIAGONALIZACIÓN 61
Un caso muy importante por abordar es que los vectores

! caracterı́sticos
" no resultan ser
0 −1
ciertos en el caso de una rotación en efecto, si K = es una rotación de 90◦ ,
1 0
entonces det (K − λI) = λ2 + 1 y al rotar 90◦ :
! " ! "
1 0
(K − λI) =
−i 0
! " ! "
1 0
(K − λI) =
i 0
! " ! "
0 −1 −1 0
consecuentemente, como K = es una rotación de 90◦ luego K 2 = ,
1 0 0 −1
! "
0 1
K −1 = ; en general la rotación a 360◦ sera:
−1 0
! " ! "
i4 0 1 0
4 =
0 (−i) 0 1
la parte importante de este comportamiento es que al tratar de demostrar por medio de
AB = Aμx = μAx = μλx = BA
suponiendo que A y B comparten el mismo valor caracterı́stico en general es falso.
Ejercicio 3.15. Determine los eigenvalores y las respectivas bases para los eigenespacios
correspondientes del operador lineal T : P2 → P2 definido por:
T a + bx + cx2 = (3a − 2b) + (−2a + 3b) x + 5cx2

# $
Solución. La matriz asociada a T es:

⎛ ⎞
3 −2 0
A = ⎝ −2 3 0 ⎠
⎜ ⎟
0 0 5
A:={{3, −2, 0}, {−2, 3, 0}, {0, 0, 5}}
Eigenvalues[A]
{5, 5, 1}
Solve [(IdentityMatrix[3] ∗ 5 − A). {{α1 } , {α2 } , {α3 }} == 0]
{{α2 → −α1 }}
⎛ ⎞ ⎛ ⎞ ⎛ ⎞
s 1 0
⎝ −s ⎠ = s ⎝ −1 ⎠ + t ⎝ 0 ⎠
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
t 0 1
Solve [(IdentityMatrix[3] ∗ 1 − A). {{α1} , {α2} , {α3}} == 0]
{{α2 → α1 , α3 → 0}}
⎛ ⎞ ⎛ ⎞
s 1
⎝ s ⎠ = s⎝ 1 ⎠
⎜ ⎟ ⎜ ⎟
0 0
La base asociada para los eigenespacios correspondientes del operador lineal T será:
⎡⎛ ⎞ ⎛ ⎞ ⎛ ⎞⎤
⎢⎜ 1 ⎟ ⎜ 1 ⎟ ⎜ 0 ⎟⎥
⎢⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎥ 2

B=⎢ ⎢⎜ 1 ⎟ , ⎜ −1 ⎟ , ⎜ 0 ⎟⎥ o bien B = 1 + x, 1 − x, x
⎜ ⎟ ⎜ ⎟ ⎜ ⎟⎥
⎣⎝ ⎠ ⎝ ⎠ ⎝ ⎠⎦
0 0 1
3.2. Ortogonalidad
Teorema 3.16. Una matriz P ∈ Mn (F) es ortogonal, si y sólo si sus columnas

representan un conjunto ortonormal de vectores.
Demostración. Suponga que los vectores columna de P son un conjunto ortonormal:

⎛ ⎞
p11 p12 ... p1n
* ⎜ p p22 ··· p2n
.. .. ..
' ⎟
⎜ 21 ⎟
P = p1 .p2 . . . . .pn = ⎜ .
⎜ .. .. ⎟, entonces:
⎝ .. . .
⎟
⎠
pn1 pn2 ... pnn
⎛ ⎞⎛ ⎞
p11 p21 . . . pn1 p11 p12 ... p1n
⎜ p12 p22 · · · pn2 ⎟ ⎜ p21 p22 ··· p2n
⎜ ⎟⎜ ⎟
t
⎟
P P =⎜ .
⎜ .. .. ⎟⎜ . .. .. ⎟=
⎝ ..
⎟⎜ .
. . ⎠⎝ . . .
⎟
⎠
p1n p2n . . . pnn pn1 pn2 . . . pnn
⎛ ⎞
p1 · p1 p1 · p2 ... p 1 · pn
⎜ p2 · p 1 p2 · p2 ··· p 2 · pn
⎜ ⎟
⎟
... .. ..
⎜ ⎟
. .
⎜ ⎟
⎝ ⎠
p n · p 1 pn · p 2 ... p n · pn
2
Como [p1 , p2 , . . . , pn ] es ortonormal luego pi · pj = 0, i
= j y pi · pi = pi = 1 , entonces:
⎛ ⎞
1 0 ... 0
⎜ 0 1 ··· 0 ⎟
⎜ ⎟
−1
P tP = ⎜⎜ .. .. . . .. ⎟
t
⎟ = In , esto implica que P = P por lo tanto P es ortogonal
⎝ . . . . ⎠
0 0 ... 1
y P∗j es un conjunto normal de vectores.
Ejercicio 3.17. Halle una matriz ortogonal que diagonalice a

3.2. ORTOGONALIDAD 63
⎛ ⎞
4 2 2
A=⎝ 2 4 2 ⎠
⎜ ⎟
2 2 4
Solución. Editando los respectivos comandos, se tiene:
A:={{4, 2, 2}, {2, 4, 2}, {2, 2, 4}}
Eigenvalues[A]
{8, 2, 2}
Se tiene que determinar las bases para cada uno de los espacios caracterı́sticos
correspondientes:
{Solve [(IdentityMatrix[3] ∗ 8 − A). {{α1 } , {α2 } , {α3 }} == 0] ,
Solve [(IdentityMatrix[3] ∗ 2 − A). {{α1 } , {α2 } , {α3 }} == 0]}

⎛ ⎞
⎜ {α2 → α1 , α3 → α1 } ⎟
⎝ ⎠
{α3 → −α1 − α2 }
Las bases para los autovalores λ = 8 y λ = 2 son respectivamente:

⎧ ⎛ ⎞⎫
⎜ −1 1 0 ⎟
⎪
⎨ ⎪
⎬
{1, 1, 1}, ⎝ ⎠
−1 0 1 ⎭
⎪
⎩ ⎪
A partir de la ortogonalización de las bases, procede a construir la matriz exigida:
Normalize[{1, 1, 1}]//MatrixForm
⎛ ⎞
√1
⎜ 3 ⎟
⎜ ⎟
⎜ √1 ⎟
⎜ 3 ⎟
⎝ ⎠
√1
3
Transpose[Orthogonalize[{{−1, 1, 0}, {−1, 0, 1}}]]

⎛ ⎞
√1 √1
⎜ − 2 − 6 ⎟
⎜ ⎟
⎜ √1 − √16 ⎟
⎜ 2 ⎟
⎝ 0 ⎠
2
0 3
Finalmente:
⎛ ⎞
√1 − √12 − √16
3
√1 √1 − √16
⎜ ⎟
P =⎜
⎝ 3 2
⎟
⎠
0
√1 0 2
3 3
Transpose[P ].A.P
⎛ ⎞
⎜ 8 0 0 ⎟
⎜ ⎟
⎜ 0 2 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 2
Ejercicio 3.18. Halle una matriz ortogonal que diagonalice a

⎛ ⎞
0 2 2
A=⎝ 2 0 2 ⎠
⎜ ⎟
2 2 0
A:={{0, 2, 2}, {2, 0, 2}, {2, 2, 0}}
Eigenvalues[A]
{4, −2, −2}
(IdentityMatrix[3] ∗ 4 − A). {{α1 } , {α2 } , {α3 }}

⎛ ⎞
⎜ 4α1 − 2α2 − 2α3 ⎟
⎜ ⎟
⎜ −2α + 4α − 2α ⎟
⎜ 1 2 3 ⎟
⎝ ⎠
−2α1 − 2α2 + 4α3
(IdentityMatrix[3] ∗ −2 − A). {{α1 } , {α2 } , {α3 }}

⎛ ⎞
⎜ −2α1 − 2α2 − 2α3 ⎟
⎜ ⎟
⎜ −2α − 2α − 2α ⎟
⎜ 1 2 3 ⎟
⎝ ⎠
−2α1 − 2α2 − 2α3
{Solve [== 0] , Solve [== 0]}

⎛ ⎞
⎜ {α2 → α1 , α3 → α1 } ⎟
⎝ ⎠
{α3 → −α1 − α2 }
{{1, 1, 1}, {{1, 0, −1}, {0, 1, −1}}}

⎧ ⎛ ⎞⎫
⎜ 1 0 −1 ⎟
⎪
⎨ ⎪
⎬
{1, 1, 1}, ⎝ ⎠
0 1 −1 ⎭
⎪
⎩ ⎪
Normalize[{1, 1, 1}]//MatrixForm
⎛ ⎞
√1
⎜ 3 ⎟
⎜ ⎟
⎜ √1 ⎟
⎜ 3 ⎟
⎝ ⎠
√1
3
3.3. APLICACIONES 65
Transpose[Orthogonalize[{{1, 0, −1}, {0, 1, −1}}]]

⎛ ⎞
√1 − √16
⎜ 2 ⎟
⎜ 0 ⎟
⎜ 0 2 ⎟
⎜ 3 ⎟
⎝ ⎠
− √12 − √16
Por lo tanto: ⎛ ⎞
√1 √1 − √16
3 2 0 ⎟
⎜
P =⎜ √1 0 2 ⎟
⎝ 3 3 ⎠
√1 − √12 − √16
3
Comprobación:
Transpose[P ].A.P
⎛ ⎞
⎜ 4 0 0 ⎟
⎜ ⎟
⎜ 0 −2 0 ⎟
⎜ ⎟
⎝ ⎠
0 0 −2
3.3. Aplicaciones
Definición 3.19. La función f : R → R definida por f (x) = xt Ax se llama forma

n
cuadrática real y A es una matriz simétrica.
Ejemplo 3.20. La función f (x, y, z) = x2 + y 2 + 2z 2 − 2xz + 2yz puede ser expresada

de la forma f (x) = xt Ax, en efecto:
⎛ ⎞⎛ ⎞
+ , 1 0 −1 x
f (x, y, z) = x y z ⎝ 0 1 1 ⎠ ⎝ y ⎠ = x2 + y 2 + 2z 2 − 2xz + 2yz
⎜ ⎟⎜ ⎟
−1 1 2 z
Teorema 3.21. Sea C = (v1 , ... , vn ) cuyas columnas son una base ortonormal de
vectores propios de una matriz simétrica A. El cambio de variable y = C t x, transforma la
forma cuadrática f (x) = xt Ax en:
n
f (x) = y t Dy = λi yi2

i=1
donde λ1 , ... ,λn son los valores propios de A asociados a v1 , ... , vn .
Demostración. Se tiene que C t AC = Dλ , entonces:

n
t
f (x) = f (Cy) = (Cy) ACy = y t (C t AC) y = y t Dy = λi yi2

i=1
3.3.1. Teorema de los Ejes Principales.
Teorema 3.22. (Teorema de los Ejes Principales en R2 ). Sea:
ax2 + 2bxy + cy 2 + dx + ey + f = 0
la ecuación de una cónica C, y suponga que:
xt Ax = ax2 + 2bxy + cy 2
es la forma cuadrática asociada, entonces se puede hacer girar los ejes de coordenadas de
modo que la ecuación C tenga un nuevo sistema de coordenadas xý´de la forma:
λ1 x´2 + λ2 y´2 + d´x´+ eý´+ f = 0
haciendo la sustitución x = P x´, donde λ1 y λ2 son los valores propios de A, P diagonaliza
ortogonalmente a A y |P | = 1.
Figura 3.3.1. Traslación.
Ejercicio 3.23. Determine los ejes principales y la ecuación canónica con respecto a
estos ejes de la cónica de ecuación x2 − 4xy + y 2 = 4.
! "! "
+ , 1 −2 x
Solución. Usando xt Ax = x y = 4, se tiene que A =
−2 1 y
! "
1 −2
cuyos valores propios son λ1 = −1 y λ2 = 3, de esta manera se obtienen:
−2 1
! " ! " ! " ! "
1
√
2
− √12 √1
2
− √12 −1 0
v1 = y v 2 = , entonces C = y D =
√1 √1 √1 √1 0 3
2 2 2 2
Ası́:
t
(C t x) D (C t x) = 4⇐⇒y t Dy = 4⇐⇒
! "! "
+ , −1 0 y1
y1 y2 = 4⇐⇒
0 3 y2
3y 2 y12
−y12 + 3y22 = 4 ⇐⇒ 22 2
− 22 =1
√
3
Figura 3.3.2. x2 − 4xy + y 2 = 4.
Ejercicio 3.24. Describa la cónica representada por:
2x2 + 2xy + 2y 2 = 36
Solución. Usando el comando ordinario correspondiente:
f [x , y ]:=2 ∗ x∧ 2 + 2 ∗ x ∗ y + 2y ∧ 2 − 36
coef:=CoefficientList[f [x, y], {x, y}]
coef
⎛ ⎞
⎜ −36 0 2 ⎟
⎜ ⎟
⎜ 0 2 0 ⎟
⎜ ⎟
⎝ ⎠
2 0 0
A:={{Part[coef, 3, 1], Part[coef, 2, 2]/2}, {Part[coef, 2, 2]/2, Part[coef, 1, 3]}}
A
⎛ ⎞
⎜ 2 1 ⎟
⎝ ⎠
1 2
Eigenvalues[A]
{3, 1}
JordanDecomposition[A]
⎛ ⎞
⎜ {−1, 1} {1, 1} ⎟
⎝ ⎠
{1, 0} {0, 3}
N1:=Normalize[{−1, 1}]
N2:=Normalize[{1, 1}]
P :=Transpose[{N1, N2}]
P
⎛ ⎞
1 √1
⎜ − √2 2 ⎟
⎝ ⎠
√1 √1
2 2
Round[Transpose[P ].A.P ]
⎛ ⎞
⎜ 1 0 ⎟
⎝ ⎠
0 3
Expand[{y1, y2}.(Round[Transpose[P ].A.P ]).{{y1}, {y2}} − 36]
y12 + 3y22 − 36

{ContourPlot[2 ∗ x∧ 2 + 2 ∗ x ∗ y + 2y ∧ 2==36, {x, −10, 10}, {y, −10, 10}, Axes → True],
ContourPlot[y1∧ 2 + 3 ∗ y2∧ 2==36, {y1, −10, 10}, {y2, −10, 10}, Axes → True]}
Figura 3.3.3. 2x2 + 2xy + 2y 2 = 36 ; y12 + 3y22 = 36
Ejercicio 3.25. Traslade y haga girar los ejes de coordenadas de:

20 80
5x2 − 4xy + 8y 2 + √
5
x − √
5
y +4=0
Solución. Editando los comandos correspondientes se tiene:
f [x , y ]:=5 ∗ x∧ 2 − 4 ∗ x ∗ y + 8y ∧ 2 + 20/Sqrt[5] ∗ x − 80/Sqrt[5] ∗ y + 4
coef:=CoefficientList[f [x, y], {x, y}]
coef
√
⎛ ⎞
⎜ 4 −16 5 8 ⎟
⎜ √ ⎟
⎜ 4 5 −4 0 ⎟
⎜ ⎟
⎝ ⎠
5 0 0
A:={{Part[coef, 3, 1], Part[coef, 2, 2]/2}, {Part[coef, 2, 2]/2, Part[coef, 1, 3]}}
A
⎛ ⎞
⎜ 5 −2 ⎟
⎝ ⎠
−2 8
K:={Part[coef, 2, 1], Part[coef, 1, 2]}
√ √
4 5, −16 5
Eigenvalues[A]
{9, 4}
JordanDecomposition[A]
⎛ ⎞
⎜ {2, −1} {1, 2} ⎟
⎝ ⎠
{4, 0} {0, 9}
N1:=Normalize[{2, 1}]
N2:=Normalize[{−1, 2}]
P :=Transpose[{N1, N2}]
P
⎛ ⎞
√2 − √15 ⎟
⎜ 5
⎝ ⎠
√1 √2
5 5
Round[Transpose[P ].A.P ]
⎛ ⎞
⎜ 4 0 ⎟
⎝ ⎠
0 9
K.P
{−8, −36}
Expand[{u, v}.(Round[Transpose[P ].A.P ]).{{u}, {v}} + K.P.{{u}, {v}} + 4]
4u2 − 8u + 9v 2 − 36v + 4

Ahora, trasladando al centro de coordenadas:

2 2
4 (u − 1) + 9 (v − 2) = −4 + 4 + 36 ⇐⇒
2 2
4 (u − 1) + 9 (v − 2) = 36
finalmente:
4x2 + 9y 2 = 36
{ContourPlot[5 ∗ x∧ 2 − 4 ∗ x ∗ y + 8y ∧ 2 + 20/Sqrt[5] ∗ x − 80/Sqrt[5] ∗ y == −4,
{ x, −10, 10}, {y, −10, 10}, Axes → True],
ContourP lot[4 ∗ x∧2 + 9 ∗ y ∧2 == 36, {x, −10, 10}, {y, −10, 10}, Axes → True]}
20 80
Figura 3.3.4. 5x2 − 4xy + 8y 2 + √
5
x − √
5
y + 4 = 0 ; 4x2 + 9y 2 = 36
Ejercicio 3.26. Traslade y haga girar los ejes de coordenadas de:
−4x2 + 4xy + 10xz − 4y 2 + 10yz − 7z 2 = 3
Solución.
f [x , y , z ]:= − 4 ∗ x∧ 2 − 4 ∗ y ∧ 2 − 7 ∗ z ∧ 2 + 4 ∗ x ∗ y + 10 ∗ x ∗ z + 10 ∗ y ∗ z − 3
A = {{−4, 2, 5}, {2, −4, 5}, {5, 5, −7}}
⎛ ⎞
⎜ −4 2 5 ⎟
⎜ ⎟
⎜ 2 −4 5 ⎟
⎜ ⎟
⎝ ⎠
5 5 −7
Map[MatrixForm, JordanDecomposition[A]]
⎧⎛ ⎞ ⎛ ⎞⎫
⎪⎜ −1 −1 1 ⎟ ⎜ −12 0 0 ⎟⎪
⎪
⎪ ⎪
⎪ ⎪
⎪
⎨ ⎜ ⎟ ⎜ ⎟⎬
⎟,⎜ 0
⎜ −1 1 1 ⎟ ⎜ −6 0 ⎟
⎪ ⎜ ⎟⎪
⎪
⎪ ⎝ ⎠ ⎝ ⎠⎪⎪
2 0 1 0 0 3 ⎭
⎪
⎩ ⎪
P = Transpose[Orthogonalize[{{−1, −1, 2}, {−1, 1, 0}, {1, 1, 1}}]]
⎛ ⎞
√1 − √12 √1
⎜ − 6 3 ⎟
⎜ ⎟
⎜ − √1 √1 √1 ⎟
⎝ 06 2 3
⎜ ⎟
⎠
2 √1
3 0 3
Inverse[P ].A.P //N
⎛ ⎞
⎜ −12. 0. 0. ⎟
⎜ ⎟
⎜ 0. −6. 0. ⎟
⎜ ⎟
⎝ ⎠
0. 0. 3.
{ContourPlot3D[−4 ∗ x∧ 2 − 4 ∗ y ∧ 2 − 7 ∗ z ∧ 2 + 4 ∗ x ∗ y + 10 ∗ x ∗ z + 10 ∗ y ∗ z == 3, {x, −10, 10},
{y, −10, 10}, {z, −10, 10}],
ContourPlot3D[−12 ∗ x∧ 2 + −6 ∗ y ∧ 2 + 3 ∗ z ∧ 2 == 3, {x, −10, 10}, {y, −10, 10}, {z, −10, 10}]}
Figura 3.3.5. −4x2 + 4xy + 10xz − 4y 2 + 10yz − 7z 2 = 3;−12x2 + −6y 2 + 3z 2 = 3

3.3.2. Sistemas de Ecuaciones Diferenciales.
Si se considera el siguiente sistema de ecuaciones diferenciales homogéneo:

⎧ ′
⎪
⎪ y1 (t) = a11 y1 (t) + a12 y2 (t) + · · · + a1n yn (t)
⎨ y2′ (t) = a21 y1 (t) + a22 y2 (t) + · · · + a2n yn (t)
⎪
⎪
.. ; aij ∈ F
⎪
⎪
⎪ .
⎪
⎩ ′
yn (t) = an1 y1 (t) + an2 y2 (t) + · · · + ann yn (t)
se puede escribir de la forma:
⎡ ′ ⎤ ⎡ ⎤⎡ ⎤
y1 (t) a11 a12 ··· a1n y1 (t)
⎢ ′
⎢ y2 (t) ⎥ ⎢ a21 a22 ··· a2n ⎥⎢ y2 (t)
⎥ ⎢ ⎥⎢ ⎥
⎥
Y (t)=⎢ ⎢ .. ⎥=⎢ .
⎥ ⎢ . .. .. ⎥⎢ .. ⎥
. ⎦ ⎣ . . . .
⎥⎢ ⎥
⎣ ⎦⎣ ⎦
yn′ (t) an1 an2 ··· ann yn (t)
de esta manera, se plantea el sistema:
⎧
⎨y ′ = y + y
1 1 2
⎩y ′ = 4y − 2y
2 1 2
donde:
A = {{1, 1}, {4, −2}}

⎛ ⎞
⎜ 1 1 ⎟
⎝ ⎠
4 −2
Eigenvalues[A]
{−3, 2}
P = Part[JordanDecomposition[A], 1]
⎛ ⎞
⎜ −1 1 ⎟
⎝ ⎠
4 1
{{y1}, {y2}} = P.{{c1 ∗ e∧ (−3 ∗ t)}, {c2 ∗ e∧ (2 ∗ t)}}

⎛ ⎞
2t −3t
⎜ c2e − c1e ⎟
⎝ ⎠
4c1e−3t + c2e2t
finalmente, la solución al sistema será:
y1 (t) = −c1 e−3t + c2 e2t
y2 (t) = 4c1 e−3t + c2 e2t
o bien:
% & % &
−1 1
y (t) = c1 e−3t +c2 e2t
4 1
Ejercicio 3.27. Resuelva el siguiente sistema se ecuaciones diferenciales:

⎧
⎪y1′ = y2
⎪
⎪
⎨
y2′ = y3
⎪
⎪
⎩y ′ = 8y − 14y + 7y
⎪
3 1 2 3
A = {{0, 1, 0}, {0, 0, 1}, {8, −14, 7}}

⎛ ⎞
⎜ 0 1 0 ⎟
⎜ ⎟
⎜ 0 0 1 ⎟
⎜ ⎟
⎝ ⎠
8 −14 7
Eigenvalues[A]
{4, 2, 1}
⎛ ⎞
⎜ 1 1 1 ⎟
⎜ ⎟
⎜ 1 2 4 ⎟
⎜ ⎟
⎝ ⎠
1 4 16
{{y1}, {y2}, {y3}} = P.{{c1 ∗ e (t)}, {c2 ∗ e (2 ∗ t)}, {c3 ∗ e∧ (4 ∗ t)}}

e∧ (t)}, {c2 e∧ (2
⎛ ⎞
t 2t 4t
⎜ c1e + c2e + c3e ⎟
⎜ ⎟
⎜ c1et + 2c2e2t + 4c3e4t ⎟
⎜ ⎟
⎝ ⎠
c1et + 4c2e2t + 16c3e4t
ası́ que la solución es:
y1 (t) = c1 et + c2 e2t +c3 e4t
y2 (t) = c1 et + 2c2 e2t +4c3 e4t
y3 (t) = c1 et + 4c2 e2t +16c3 e4t
o bien:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 1 1
y (t) = c1 ⎣ 1 ⎦e +c2 ⎣ 2 ⎦e +c3 ⎣ 4 ⎦e4t
⎢ ⎥ t ⎢ ⎥ 2t ⎢ ⎥
1 4 16
Ejercicio 3.28. Resuelva el siguiente sistema se ecuaciones diferenciales:

⎧
′
⎪ y1 = y2
⎪
⎪
⎨
y2′ = y3
⎪
⎪
⎩y ′ = 12y − 16y + 7y
⎪
3 1 2 3
Solución. Editando los comandos respectivos:
A = {{0, 1, 0}, {0, 0, 1}, {12, −16, 7}}

⎛ ⎞
⎜ 0 1 0 ⎟
⎜ ⎟
⎜ 0 0 1 ⎟
⎜ ⎟
⎝ ⎠
12 −16 7
Eigenvalues[A]
{3, 2, 2}
⎛ ⎞
⎜ 1 −1 1 ⎟
⎜ ⎟
⎜ 2 −1 3 ⎟
⎜ ⎟
⎝ ⎠
4 0 9
{{y1}, {y2}, {y3}} = P.{{c1 ∗ e∧ (2 ∗ t) + c2 ∗ t ∗ e∧ (2 ∗ t)}, {c2 ∗ e∧ (2 ∗ t)}, {c3 ∗ e∧ (3 ∗ t)}}

⎛ ⎞
⎜ c1e2t − c2e2t + c2te2t + c3e3t ⎟
⎜ ⎟
⎜ −c2e2t + 3c3e3t + 2 #c1e2t + c2te2t $ ⎟
⎜ ⎟
⎝ ⎠
9c3e3t + 4 c1e2t + c2te2t
# $
o bien:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1 −1 1 1
y (t) = c1 ⎣ 2 ⎦e +c2 ⎣ −1 ⎦e +c2 ⎣ 2 ⎦te +c3 ⎣ 3 ⎦e3t
⎢ ⎥ 2t ⎢ ⎥ 2t ⎢ ⎥ 2t ⎢ ⎥
4 0 4 9
Ejercicios
1. Halle
! una " matriz ! tenga valores caracterı́sticos λ1 = 3 y λ2 = −1 y autovectores
A que "
1 −1
Use el hecho que x1 = y x2 = .
A = P −1 DP . 1 1
2. Cuál o cuales
⎛ de estas matrices
⎞ no son diagonalizables y porqué:
3 −2 1
A = ⎝ −2 3 0 ⎠
⎜ ⎟
! 0 0 "5
1 −2
B=
−2 3
⎛ ⎞
0 0 1
C=⎝ 1 1 1
⎜ ⎟
⎠
1 0 0
! " ! "
1 1
2. Determine la matriz general que contenga los autovectores y .
1 −1
! "
A 0
3. Diagonalice con A = P −1 D P . Halle sus autovalores y autovectores.
0 2A
⎛ ⎞
1 0 0 0
⎜ ⎟
⎜ −2 2 0 0 ⎟
4. Use el comando JordanDecomposition[A] para diagonalizar ⎜
⎜ ⎟
⎝ 0 0 −1 2 ⎟
⎠
0 0 2 −1
y compruebe el resultado obtenido.
⎛ ⎞
2 −1 −1
5. Diagonalice ortogonalmente a ⎝ −1 2 −1 ⎠.
⎜ ⎟
−1 −1 2
6. Identifique la sección cónica que genera cada ecuación y grafique según el caso:
a. 16x2 − 4xy + 20y 2 = 72.
b. 2x2 − 4xy − y 2 − 4x + 10y = 13.
c. 144x2 + 100y 2 + 81z 2 − 216xz − 540x − 720z = 0.
7. Resuelva
1 los siguientes sistemas de ecuaciones diferenciales lineales de primer orden:
x′ = x − y
a. ′
.
1 y = 2x + 4y
′
x = x + 2y
b. ′
.
⎧ y = 2x + y
⎪ y ′ = y1 − 2y2 + y3
⎨ 1
⎪
⎪
c. y2′ = 2y2 + 4y3
⎪
⎪
⎩y ′ = 3y
⎪
3 3
Capı́tulo 4
Métodos Numéricos
John Strutt, tercer Barón de Raileygh, nació en Langford Grove, Essex, UK en

1842 y falleció en Withman, Essex en 1919. Se graduó en matemática en el Trinity
College de la Universidad de Cambridge. En 1904 ganó el premio Nobel de Fı́sica
por sus investigaciones sobre gases y el descubrimiento del argón.
1842-1919
En el Capı́tulo 2, se estudia la solución de sistemas de ecuaciones n dimensionales, pero

al evaluarlos se pueden incurrir en los llamados errores de redondeo, un ordenador puede
almacenar números reales en forma de punto flotante, el cual tiene la forma ±M x 10k la
cual se denomina forma de punto flotante, donde k ∈ Z, M ∈ R y 0.1 ≤ M < 1; al número
M se le denomina mantisa
NÚMERO REAL FORMA DE PUNTO FLOTANTE

275 .275x103
-186 -.186x103
0.0076 .76x10−2
Cuadro 1. Punto Flotante.
Cuando se aplica el redondeo de un número a n cifras significativas, el último dı́gito

retenido se aumenta en la unidad si la porción descartada es mayor que medio dı́gito y no
cambiará en caso contrario, por ejemplo.
77
78 4. MÉTODOS NUMÉRICOS
NÚMERO EDICIÓN REDONDEO

√
3 Sqrt[3]//N 1.73205 N [Sqrt[3], 5] 1.7321
√
7 Sqrt[7]//N 2.64575 N [Sqrt[7], 2] 2.6
Cuadro 2. Aproximaciones.
Un aspecto importante que se tratará en este capı́tulo es lo que se refiere a las soluciones
imprecisas debido a severos errores de redondeo, los problemas de este tipo se denominan
problemas mal condicionados.
La matriz de un problema mal condicionado tiene las siguientes caracterı́sticas:
1. Un ligero cambio de los coeficientes o elementos de la matriz provoca cambios signi-
ficativos en la solución.
2. Los elementos de la diagonal de la matriz de coeficientes tienden a ser menores que
los elementos que no pertenecen a la diagonal.
4.1. Eliminación Gaussiana con condensación pivotal
Use eliminación Gausseana para resolver:

⎧
⎪0.143x + 0.357y + 2.01z = −5.173
⎪
⎪
⎨
−1.31x + 0.911y + 1.99z = −5.458
⎪
⎪
⎩ 11.2x − 4.3y − 0.605z = 4.415
⎪
Solución. Ingrese la matriz ampliada:
A : {{.143, .357, 2.01, −5.173}, {−1.31, .911, 1.99, −5.458}, {11.2, −4.30, −.605, 4.415}}
⎛ ⎞
⎜ 0.143 0.357 2.01 −5.173 ⎟
⎜ ⎟
A=⎜ ⎜ −1.31 0.911 1.99 −5.458 ⎟ ⎟
⎝ ⎠
11.2 −4.3 −0.605 4.415
Con la finalidad de evitar los potenciales errores de redondeo inmersos en los cálculos,
se plantea la siguiente rutina:
Ingrese en número de incógnitas :
n:=3
For[j = 1, j ≤ n, For[i = 1, i ≤ n, If[i == j&&A[[i, j]]

= 0, A[[i]] = A[[i]]/A[[i, j]]];
If[i
= j&&A[[j, j]]
= 0, A[[i]] = A[[i]] − A[[i, j]] ∗ A[[j]]/A[[j, j]]]; i++]; j++;
i++];j++;
j]]];i++];
If[j == n + 1, Print[MatrixForm[A]]]]
⎛ ⎞
1. 4.440892098500626`*10∧ -16 0. 1.
⎝ 0. 1. 0. 2. ⎠
⎜ ⎟
0. 0. 1. −3.
Aquı́:
4.1. ELIMINACIÓN GAUSSIANA CON CONDENSACIÓN PIVOTAL 79
⎧
⎪
⎪
⎪ x=1
⎨
y=2
⎪
⎪
⎩z = −3
⎪
4.2. Método de Jacobi
Definición 4.1. (Matriz estrictamente diagonal por renglones). Una matriz A ∈ Mn (R)
se le llama estrictamente diagonal dominante si para todo i ∈ {1, ..., n}:

|Aii |= |Aij | , i
= j
1<j<n
Esto es si el valor absoluto de cada entrada diagonal es estrictamente mayor que la suma
de los valores absolutos de las demás entradas del renglón correspondiente, lo que conduce
a la condición suficiente que garantiza la convergencia, la cual es, si la matriz A ∈ Mn (R)
es estrictamente diagonal dominante, entonces los métodos de Jacobi y de Gauss-Seidel
convergen para todo B ∈ Rn .
Si se considera un sistema de ecuaciones lineales Ax = B, entonces se podrá construir
una sucesión de vectores x(0) , x(1) ,..., x(n) que cumplan la convergencia a la solución exacta,
el Método Iterativo de Jacobi consiste en:
! "
(k) 1
(k−1)
xi = Aii Bi − Aij xj , i
= j
1<j<n
Ejemplo 4.2. Resuelva el siguiente sistema de ecuaciones lineales aplicando el método

iterativo de Jacobi:
⎧
⎪20x + y − z = 17
⎪
⎪
⎨
x − 10y + z = 13
⎪
⎪
⎩−x + y + 10z = 18
⎪
Solución. Como:
|20| > |1| + |−1| = 2

|−10| > |1| + |1 = 2|
|10| > |−1| + |1| = 2
⎛ ⎞
⎜ 20 1 −1 ⎟
⎜ ⎟
⎜ 1 −10 1 ⎟ es estrictamente diagonal dominante, por lo tanto el método convergerá
⎜ ⎟
⎝ ⎠
−1 1 10
y se usará la siguiente rutina:
A = {{20, 1, −1}, {1, −10, 1}, {−1, 1, 10}}

⎛ ⎞
⎜ 20 1 −1 ⎟
⎜ ⎟
⎜ 1 −10 1 ⎟⎟
⎜
⎝ ⎠
−1 1 10
ind = {17, 13, 18}
{17, 13, 18}

4.2. MÉTODO DE JACOBI 81
xold = {0, 0, 0};
xnew = Table[0, {Length[A]}]; tol = 10∧ − 6; Intermax = 40; k = 1; sol = {{xold, 0}}; Clear[error]
xnew
{0, 0, 0}
4.3. Método de Gauss - Seidel
El Método Iterativo de Gauss-Seidel consiste en:

! "
i−1 n
(k) (k) (k−1)
xi = A1ii Bi −

Aij xj − Aij xj , i
= j
j=1 j=i+1
Se ilustrará ahora dicho método rehaciendo el ejemplo 4.2 de este capı́tulo:

A = {{20, 1, −1}, {1, −10, 1}, {−1, 1, 10}}
⎛ ⎞
⎜ 20 1 −1 ⎟
⎜ ⎟
⎜ 1 −10 1 ⎟
⎜ ⎟
⎝ ⎠
−1 1 10
ind = {17, 13, 18}
{17, 13, 18}
xold = {0, 0, 0};
xnew = Table[0, {Length[A]}]; tol = 10∧ − 6; Intermax = 40; k = 1; sol = {{xold, 0}}; Clear[error]
xnew
{0, 0, 0}
4.3. MÉTODO DE GAUSS - SEIDEL 83
4.4. Aproximación de los Eigenvalores por el Método de las Potencias
En el Capı́tulo 3, se mostró que para hallar los valores propios de una matriz A ∈ Mn (F)
basta resolver la ecuación caracterı́stica, pero en la práctica, lo que se necesita es el autovalor
con valor absoluto máximo, en la presente sección se muestra un método para obtener una
aproximación.
Definición 4.3. Se dice que un valor propio de una matriz A ∈ Mn (F) es dominante,
si su valor absoluto es el mayor de los valores absolutos restantes.
Método de las Potencias. Algoritmo Básico.

Entrada: A, x
= 0, n (número de iteraciones).
Proceso:
Para i = 1, ..., n;
Calcular: tn = Atn−1
Salida: Después de n iteraciones una aproximación es: λn .
Como una parte importante en la muestra del resultado, se incluye en el proceso el
cociente:
x̃,Ax̃
λn = x̃,x̃
Cuya razón se denomina Cociente de Rayleigh.
⎞⎛
0 1 0
Ejemplo 4.4. Determine un autovalor dominante para A = ⎝ 0 0 1 ⎠
⎜ ⎟
4 −17 8
Insertando las respectivas entradas:
A = {{0, 1, 0}, {0, 0, 1}, {4, −17, 8}}

⎛ ⎞
⎜ 0 10 ⎟
⎜ ⎟
⎜ 0 0 1 ⎟
⎜ ⎟
⎝ ⎠
4 −17 8
Inserte el vector inicial:
x = {1, 1, 1}
{1, 1, 1}
Inserte el número de iteraciones :
n = 10
10
For[i = 1; t = x, i < n, i++, t = A.t; Print[N[Dot[t, A.t]/Dot[t, t]], 8]]; Print[“Después

de ”, i “iteraciones el cociente de Rayleigh es:”]; N[Dot[t, A.t]/Dot[t, t]]
4.5. DESCOMPOSICIÓN QR 85
9.666678
6.35458
5.394498
4.967348
4.727658
4.574798
4.469098
4.391838
4.333028
Después de 10 iteraciones una aproximación es:
4.33302
4.5. Descomposición QR
El procedimiento para el cálculo de autovalores denominado QR es numéricamente

estable, fue expuesto por el inglés John Francis y la rusa Vera Kublanovskaya en 1960, usaron
el hecho de operar una matriz regular H en el producto H = QR donde Q es una matriz
ortogonal y R es una matriz triangular superior mediante las iteraciones Ak+1 = Qk Rk , es
decir:
A = A1 = QR
A2 = Q 1 R 1
A3 = Q 2 R 2
..
.
Ak+1 = Qk Rk
La edición de los comandos Mathematica serán:
Inserte una tabla como se indica a continuación:
M = ({{a11 }, {a12 }, . . . , {a1n }})//N
Se renombra la matriz inicial y se da forma matricial:
T [0] = M ; T [0]//MatrixForm
Comienza la rutina:
i = 0;
While[i < 50, {{q, r} = QRDecomposition[T [i]];
[i]];TT [i + 1] = r.Transpose[q];
i++}];
i++}];TT [i]//MatrixForm//Chop;
Print[“Después de ”, i“iteraciones, los autovalores son:”]; Diagonal[T [i]]

son:”];Diagonal[T
Ejemplo 4.5. Se desea determinar los autovalores de:

⎛ ⎞
2 3.26779 4.40168
M =⎝ 2.28284 2 5.40168 ⎠
⎜ ⎟
3.28284 3.56569 2
luego:
M = ({{2, 3.26779, 4.40168}, {2.28284, 2, 5.40168}, {3.28284, 3.56569, 2}})//N

⎛ ⎞
⎜ 2. 3.26779 4.40168 ⎟
⎜ ⎟
⎜ 2.28284 2. 5.40168 ⎟
⎜ ⎟
⎝ ⎠
3.28284 3.56569 2.
T [0] = M ;
T [0]//MatrixForm
⎛ ⎞
⎜ 2. 3.26779 4.40168 ⎟
⎜ ⎟
⎜ 2.28284 2. 5.40168 ⎟
⎜ ⎟
⎝ ⎠
3.28284 3.56569 2.
i = 0;
While[i < 50, {{q, r} = QRDecomposition[T [i]];

[i]];TT [i + 1] = r.Transpose[q];
i++}];
i++}];TT [i]//MatrixForm//Chop;
Print[“Después de ”, i“iteraciones, los autovalores son:”]; Diagonal[T [i]]

son:”];Diagonal[T
Después de 50 iteraciones, los autovalores son:
{9.34433, −2.51846, −0.825864}
Ejercicio 4.6. Dada la matriz:

⎛ ⎞
⎜ 0 2 2 ⎟
⎜ ⎟
⎜ 2 0 2 ⎟
⎜ ⎟
⎝ ⎠
2 2 0
determine sus autovalores contrastando los resultados obtenidos con 5 y 50 iteraciones.

4.6. TEOREMA DE LOS DISCOS DE SEMYON GERSCHGORIN 87
4.6. Teorema de los Discos de Semyon Gerschgorin
Bajo condiciones expuestas, las matrices A ∈ Mn (F) convergen a una matriz triangular
cuyas entradas en la diagonal principal son sus autovalores, comprobar dicha convergencia
es impráctico pero se puede acotar el error mediante el Teorema de Gerschgorin.
Definición 4.7. Sea A ∈ Mn (C), para cada i = 1, 2, . . . , n se consideran los cı́rculos

cerrados del plano complejo:

Di = D (aii , ri ) = {z ∈ C : |z − aii | ≤ ri } con ri = [aij ]
j
=i
Tales cı́rculos se les llama Discos de Gerschgorin. Cada disco Di tiene su centro en el
elemento aij de la diagonal principal y su radio es la suma de los módulos de los restantes
elementos de la fila i.
Teorema 4.8. Teorema de Gerschgorin.

Los valores propios de una matriz A ∈ Mn (C) se encuentran en la unión de n Discos
de Gerschgorin.
Demostración. Sea λ un valor propio de A y x un vector propio asociado a λ, se

llamará a xi a la i − ésima coordenada de x de mayor módulo, es obvio que |xi | > 0 pues de
lo contrario serı́a x = 0, se verifica que:
n

aij xj = λxi para todo i = 1, 2, . . . , n
j=1

luego, aij xj = λxi − aii xi y usando sus módulos se obtiene:
j
=i

aij xj
j=i aij xj
|λ − aii | = xi ≤ |aij | = ri

j
=i xi
≤
j
=i
es decir que λ ∈ D (aii , ri ).
Usando el siguiente listado de códigos:

GerschgorinDisks[(a List)?MatrixQ]:= Module[{abs = Abs[a], disks},
List)?MatrixQ]:=Module[{abs
disks = Transpose[{Through/@{Re, Im}/@Tr[a, List], (Plus@@#&)/@abs − Tr[abs, List]}];
{{Hue[.5], Disk@@@disks}, Circle@@@disks

Circle@@@disks}}]
Disk@@@disks},Circle@@@disks
se puede comprobar el Teorema citado.
! "
1 −5
Ejemplo 4.9. Dada A = , editando con mathematica, se obtiene:
2 1
A = {{1, −5}, {2, 1}}
Eigenvalues[A]
√ √
1 + i 10, 1 − i 10
√ √
Los Discos de Gerschgorin son D1 = D (1, 5) y D2 = D (1, 2), note que 1 + i 10, 1 − i 10
∈ D1
luego:
Show[GraphicsGrid[Partition[Graphics[{ GerschgorinDisks[A],
Show[GraphicsGrid[Partition[Graphics[{GerschgorinDisks[A],
PointSize[.04], RGBColor[1, 0, 0], Point/@Through/@{Re, Im}/@Eigenvalues[A]},

AspectRatio → Automatic, Axes → True, Ticks → None]&/@
Table[Random[Complex, {−20 − 20I, 20 + 20I}], {1}], 1]]]
Figura 4.6.1. Discos de Gerschgorin.
⎛ ⎞
−1 1 −1
Ejemplo 4.10. Sea A = ⎝ −1 2 1 ⎠, se tiene que:
⎜ ⎟
1 −1 1
Eigenvalues[A]
{1 + i, 1 − i, 0}
La respectiva gráfica de los Discos de Gerschgorin es:
Figura 4.6.2. Discos de Gerschgorin.

4.7. MÉTODO SÍMPLEX 89
4.7. Método Sı́mplex
El método Sı́mplex es un procedimiento algebraico, y a pesar que sus conceptos fundamentales

son geométricos, en esta sección se abordarán sus caracterı́sticas algebraicas y su algoritmo.
En 1947, George B. Dantzig junto a un equipo multidisciplinario culminó la investigación
que dio origen al Método Sı́mplex, donde se plantea hallar el punto vértice óptimo en un
sistema de inecuaciones.
Teorema 4.11. (Condiciones de Karush-Kuhn-Tucker).

x ∈ Rn será óptimo para el problema lineal:
Maximizar Z = ct x, sujeto a Ax = b y x ≥ 0.
sı́ y sólo si existen vectores u ∈ Rm y v ∈ Rn tales que:
a. Ax = b, x ≥ 0 (Factibilidad primal).
b. c = At u + v, v ≥ 0 (Factibilidad dual).
c. vi xi = 0, i = 1, 2, . . . , n (Variables de holgura).
Se tiene entonces: ⎛ ⎞ ⎛ ⎞ ⎛ ⎞
x1 b1 a11 a12 ... a1n
⎜ x2 ⎟ ⎜ b2 ⎟ ⎜ a21 a22 ··· a2n
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎟
⎜ .. ⎟, b = ⎜ .. ⎟ y A = ⎜ ..
c = (c1 , c2 , . . . , cn ), x = ⎜ ⎟ ⎜ ⎟ ⎜ .. .. .. ⎟ y el
⎝ . ⎠ ⎝ . ⎠ ⎝ . . . .
⎟
⎠
xn bm am1 am2 ... amn
⎛ ⎞
xn+1
⎜ xn+2 ⎟
⎜ ⎟
vector variables de holgura será xs = ⎜ .. ⎟
.
⎜ ⎟
⎝ ⎠
xn+m
las restricciones serán:
% & % &
x x
[A, In ] =by ≥ 0
xs xs
Ejemplo 4.12. Maximizar: Z = 3x1 + 5x2
Sujeto a:
x1 ≤ 4
2x2 ≤ 12
3x1 + 2x2 ≤ 18
x1 ≥ 0
x2 ≥ 0
Forma Algebraica Forma Tabular

Variable Básica Z x1 x2 x3 x4 x5 Igualdad
Z − 3x1 − 5x2 Z 1 -3 -5 0 0 0 0
x 1 + x3 = 4 x3 0 1 0 1 0 0 4
2x2 = 12 x4 0 0 2 0 1 0 12
3x1 + 2x2 = 18 x5 0 3 2 0 0 1 18
Cuadro 3. Método Sı́mplex. Descripción tabular.
La variable de entrada básica es la menor negativa de la fila de Z −3x1 −5x2 y la variable

saliente será el mı́nimo cociente no nulo entre cada entrada de la igualdad con su respectivo
valor (fila) de la columna de entrada:
Iteración Variable Básica Z x1 x2 x3 x4 x5 Igualdad

Z − 3x1 − 5x2 Z 1 -3 -5 (v. entrada) 0 0 0 0
x1 + x3 = 4 x3 0 1 0 1 0 0 4
0
2x2 + x4 = 12 x4 0 0 2 0 1 0 12 ( 12
2
= 6 v. saliente)
18
3x1 + 2x2 + x5 = 18 x5 0 3 2 0 0 1 2
=9
aplicando las operaciones a las filas detalladas en el capı́tulo 2 se tiene:

5
Z -3 0 0 2 0 30
x3 1 0 1 0 0 4
1 1
x2 0 1 0 2 0 6
x5 3 0 0 -1 1 6
repitiendo el proceso:
3
Z 0 0 0 2 1 36
1
x3 0 0 1 3 − 13 2
2 1
x2 0 1 0 2 0 6
x1 1 0 0 − 31 1
3 2
como no existen más entradas negativas en Z, se puede afrontar una solución optima:
! "
2
x= para Z = 36
6
Usando Mathematica se tiene:
Maximize[{3 ∗ x1 + 5 ∗ x2, x1<=4&&2 ∗ x2<=12&&3 ∗ x1 + 2 ∗ x2<=18&&x1>=0&&x2>=0},
x2,x1<=4&&2 {x1, x2}]
x2<=18&&x1>=0&&x2>=0},{x1,
{36, {x1 → 2, x2 → 6}}
RegionPlot[{3 ∗ x1 + 5 ∗ x2<=0, 3 ∗ x1 + 2 ∗ x2 ≤ 20, x1 − x2 < 0,

2 ∗ x1 − x2 ≤ 0, x1>=0, x2>=0}, {x1, 0, 10},
{x2, 0, 10}, PlotLegends → “Expressions”]
4.7. MÉTODO SÍMPLEX 91
Figura 4.7.1. Sı́mplex

Ejercicios
1. Use ⎧
las lineas de comando de la sección 4.1 para resolver:
⎨ 0.251x1 + 0.517x2 + 8.51x3 = −2.173
⎪
a. −0.54x1 + 0.761x2 + 4.66x3 = −5.664
⎪
5.1x1 − 3.5x2 − 0.785x3 = 3.686
⎩
⎧
⎪
⎪
⎪ 0.251x 1 + 0.517x2 + 8.51x3 − 2.173x4 = 0.006
⎪
⎨ −0.54x + 0.761x + 4.66x − 5.664x = 0.94
1 2 3 4
b.
⎪ 5.1x1 − 3.5x2 − 0.785x3 + 3.686x4 = 0.05
⎪
⎪
⎪
⎩ 4.1x + 0.5x + 0.675x − 5.636x = 0.95
1 2 3 4
⎧
⎪ 0.12x2 + 3.01x3 + 1.03x4 = 0.001
⎪
⎪
⎪
⎨ −0.76x + 0.03x + 4.43x − 8.81x = 0.33
1 2 3 4
c.
⎪
⎪
⎪ 4.96x1 − 1.50x2 + 1.01x4 = 0.03
⎪
⎩ 0.4x + 0.66x − 0.58x = 0.5
1 3 4
⎧
⎪
⎪
⎪ 0.001x1 + 0.0003x2 + 0.0007x3 + 0.08x4 = 0.008
⎪
⎨ 0.003x + 0.005x + 0.0005x + 0.003x = 0.0003
1 2 3 4
d.
⎪ 0.01x1 + 0.005x2 + 0.004x3 + 0.0001x4 = 0.003
⎪
⎪
⎪
⎩ 0.0094x + 0.002x + 0.006x + 0.008x = 0.05
1 2 3 4
⎧
⎪
⎪
⎪ 0.251x 1 + 0.517x 2 + 8.51x 3 − 2.173x 4 = 0.006
⎪
⎨ −0.54x + 0.761x + 4.66x − 5.664x = 0.94
1 2 3 4
e.
⎪ 5.1x1 − 3.5x2 − 0.785x3 + 3.686x4 = 0.05
⎪
⎪
⎪
⎩ 4.1x + 0.5x + 0.675x − 5.636x = 0.95
1 2 3 4
⎧
⎪
⎪
⎪ 0.12x 2 + 3.01x 3 + 1.03x 4 = 0.001
⎪
⎨ −0.76x + 0.03x + 4.43x − 8.81x = 0.33
1 2 3 4
f.
⎪ 4.96x1 − 1.50x2 + 1.01x4 = 0.03
⎪
⎪
⎪
⎩ 0.4x + 0.66x − 0.58x = 0.5
1 3 4
2. Resuelva
⎧ y compare los resultados obtenidos por los métodos Gauss-Seidel y de Jacobi en:
⎨ 5x1 + 1.1x2 + 2.01x3 = 11.119
⎪
a. 0.1x1 + 4.5x2 − 3x3 = 5.9
⎪
1.03x1 + 2x2 + 3.5x3 = −4.81
⎩
⎧
⎨ 1.2x1 + 0.1x2 + 0.01x3 = 12
⎪
b. 0.1x1 + 3.5x2 + 2x3 = 1
⎪
1.03x1 + 2x2 + 3.5x3 = −1
⎩
3. Verifique
! el Teorema
" de Cayley - Hamilton para:
1 −2
a.
−1 3
⎛ ⎞
−3 −2 3
b. ⎝ −2 1 1 ⎠
⎜ ⎟
−1 2 −1
EJERCICIOS 93
⎛ ⎞
2 2 3 4
⎜ ⎟
⎜ 0 2 3 2 ⎟
4. Halle los autovectores de una transformación lineal T donde ⎜
⎜ 0
⎟ es la matriz
⎝ 0 1 1 ⎟
⎠
0 0 0 1
de la transformación T B y
1! " ! " ! " ! "2
1 0 0 1 0 0 0 0
B= , , ,
0 0 0 0 1 0 0 1
5. Use ⎛
la rutina
dada
⎞ en este capı́tulo para hallar el autovalor dominante de:
4 2 2
a. ⎝ 2 4 2 ⎠
⎜ ⎟
2 2 4
⎛ ⎞
0 2 2
b. ⎝ 2 0 2 ⎠
⎜ ⎟
2 2 0
⎛ ⎞
20 1 −1
c. ⎝ 1 −10 1 ⎠
⎜ ⎟
−1 1 10
⎛ ⎞
2 1 −1
d. ⎝ −1 1 5 ⎠
⎜ ⎟
3 3 2
⎛ ⎞
2.23 1.65 −1.33
e. ⎝ −1.32 1.4 5.56 ⎠
⎜ ⎟
3 3 2
6. Use la rutina para la descomposición QR dada en este capı́tulo y determine los autovalores
de: ⎛ ⎞
1.23 −3.65 4.33
a. ⎝ −3.32 4.4 −6.56 ⎠
⎜ ⎟
−4.3 3.2 2.1

⎛ ⎞
20 1 −1
b. ⎝ 1 −10 1
⎜ ⎟
⎠
−1 1 10
⎛ ⎞
2.04 −0.15 2.33
c. ⎝ −1 3.2 −0.01 ⎠
⎜ ⎟
−0.2 1.2 1.1

⎛ ⎞
5.4 4.1 −3.1 0.43
⎜ ⎟
⎜ 2.04 0.15 2.33 −2.04 ⎟
d. ⎜
⎜ 1.32
⎟
⎝ 3 −0.01 −1.33 ⎟⎠
−2 1.2 1.1 2.2
7. Demuestre que si A ∈ Mn (R) es diagonalizable entonces A′ es diagonalizable.
8. Demuestre que todas las raı́ces del polinomio caracterı́stico de una matriz simétrica
A ∈ Mn (R) son números reales.
9. La compañı́a General Electric produce dos nuevas turbinas que requieren partes de acero
y componentes aluminio. Para cada unidad de la turbina A se requiere 1 unidad de partes de
acero y 2 unidades de componentes de aluminio; para cada unidad de la turbina B se necesitan
3 unidades de partes de acero y 2 unidades de componentes de aluminio. La compañı́a tiene
200 unidades de partes de acero y 300 de aluminio. Cada unidad del turbina A proporciona
una ganancia de USD 3000 y cada unidad de la turbina B hasta 60 unidades da una ganancia
de USD 4000. Cualquier exceso de 60 unidades del turbina B no genera ganancia, por lo que
fabricar más de esa cantidad está fuera de consideración.
a. Plantee la solución geométrica del problema.
b. La gerencia desea determinar cuántas unidades de cada producto se deben fabricar
para maximizar la ganancia. Fundamente su respuesta.
10. Una galerı́a de arte dispone de tres artistas para construir dos tipos de cuadros, unos
con marco de madera y otros con marco de aluminio. La ganancia neta por cada cuadro es
de USD 90 con marco de madera y de USD 40 con marco de aluminio. Carlos hace marcos
de madera y puede construir 8 diarios, Mario hace 4 marcos de aluminio al dı́a y Eduardo
puede cortar sólo 12m2 cuadrados de vidrio por dı́a. El vidrio empleado es de 2m2 para cada
cuadro con marco de madera y 1m2 para uno de aluminio.
a. Plantee la solución Simplex del problema.
b. Cuántos cuadros de cada tipo se deben producir al dı́a para maximizar la ganancia
para la galerı́a. Fundamente su respuesta.
Capı́tulo 5
Grafos y Juegos Matriciales
Euler calculaba sin aparente esfuerzo como los hombres respiran o las águilas
se sostienen en el aire.
François Arago.
En la ciudad de Königsberg a orillas del rio Pregelarme actualmente Kaliningrado, hay

dos islas unidas entre sı́ por siete puentes, al parecer, los ciudadanos de Königsberg se pre-
guntaban si era posible dar un paseo que cruzara cada puente exactamente una vez.
Fue en 1735 cuando Leónard Euler planteó el problema y comprobó mediante un simple
diagrama, dos tipos de caminos: un trayecto abierto que empieza y termina en vértices
diferentes, y un trayecto cerrado que empieza y termina en el mismo vértice, igualmente
concluyó que para esta situación particular no existı́a solución alguna para los dos tipos de
trayectos.
Figura 5.0.1. Puentes de Königsberg.
95
96 5. GRAFOS Y JUEGOS MATRICIALES
Figura 5.0.2. Königsberg.
Para casos generales, se evidencia una combinación de diagramas poliédricos con dos
caracterı́sticas primordiales: elementos de geometrı́a (caras, aristas y vértices con valencias)
y por otro lado la relación que debe darse si existe un trayecto aplicable.
5.1. Introducción a la Teorı́a de Grafos
Definición 5.1. Un grafo G {V, E} consiste en un conjunto de vértices V (nodos) y

aristas (bordes) E donde dos vértices u y v conforman una arista sı́ y sólo si {u, v}∈ E.
Si {u, v}∈ E implica que {v, u}∈ E entonces G es un grafo no direccionado, de lo

contrario es direccionado.
Un se grafo G {V, E} con vértices V = {1, 2, . . . , n}, se puede expresar como una
matriz cuadrada con entradas aij = 1 si {i, j}∈ E y aij = 0 en otro caso. Dicha
matriz recibe el nombre de matriz asociada o matriz de adyacencia.
⎛ ⎞
1 0 1 1
⎜ ⎟
⎜ 1 0 1 0 ⎟
Ejemplo 5.2. Dada G = ⎜
⎜ ⎟, se tiene que:
⎝ 1 1 0 1 ⎟
⎠
0 0 1 0
G = {{1, 0, 1, 1}, {1, 0, 1, 0}, {1, 1, 0, 1}, {0, 0, 1, 0}}

5.1. INTRODUCCIÓN A LA TEORÍA DE GRAFOS 97
⎛ ⎞
1 0 1 1
⎜ ⎟
⎜ ⎟
⎜ 1 0 1 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ 1 1 0 1 ⎟
⎜ ⎟
⎝ ⎠
0 0 1 0
GraphPlot[G, VertexLabeling → True, DirectedEdges → True]
Figura 5.1.1. Grafo 1.
Ejemplo 5.3. Suponga que existen 25 donantes de sangre por parejas compatibles
¿cuándo se obtiene un emparejamiento completo? .
Se plantea una matriz con aij = 1 con la i − ésima persona y la j − ésima persona
compatibles y aij = 0 con la i − ésima persona y la j − ésima persona no compatibles:
⎛ ⎞
0 0 1 1 0
⎜ 1 0 1 0 1
⎜ ⎟
⎟
⎜ ⎟
A=⎜
⎜ 0 0 0 1 1 ⎟
⎟
⎝ 1 0 1 0 1 ⎠
⎜ ⎟
0 1 0 0 1
Ejemplo 5.4. luego:
A = {{0, 0, 1, 1, 0}, {1, 0, 1, 0, 1}, {0, 0, 0, 1, 1}, {1, 0, 1, 0, 1}, {0, 1, 0, 0, 1}}
⎛ ⎞
0 0 1 1 0
⎜ ⎟
⎜ ⎟
⎜ 1 0 1 0 1 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 0 1 1 ⎟
⎜ ⎟
⎜ ⎟
⎜ 1 0 1 0 1 ⎟
⎜ ⎟
⎝ ⎠
0 1 0 0 1
GraphPlot[A, VertexLabeling → True, DirectedEdges → True]
finalmente:
las compatibilidades serán:

F={{1, 3}, {1, 4}, {2, 1}.{2, 3}, {2, 5}, {3, 5}, {4, 1}, {4, 3}, {4, 5}, {5, 2}, {1, 3, 5, 2},
{1, 3, 4, 5, 2}, {2, 3, 5}, {3, 5, 2, 1, 4, 5}}
Análogamente, el enfoque de Myserson (1977) asocia el concepto de grafo a grafos de

cooperación, donde G {V, E} asocia el conjunto de vértices V formado por todos los jugadores
involucrados en un juego cooperativo y cuyo conjunto de aristas no necesariamente ordenadas
E son los acuerdos bilaterales establecidos.
Ejemplo 5.5. Sea G {V, E} un grafo de cooperación donde V = {1, 2, 3, 4, 5, 6, 7} y

E = {{1, 2}, {2, 3}, {2, 5}, {2, 6}, {4, 5}, {4, 7}}, editando el respectivo comando:
GraphPlot[{1->2, 2->3, 2 → 5, 2->6, 4 → 5, 4 → 7}, VertexLabeling → True, DirectedEdges → True]
el conjunto de interacciones posibles es:

5.1. INTRODUCCIÓN A LA TEORÍA DE GRAFOS 99
F={{1}, {2}, {3}, {4}, {5}, {6}, {7}, {1, 2}, {2, 3}, {2, 5}.{2, 6}, {4, 5}, {6, 7}, {1, 2, 3}, {2, 6, 7}}
Ejercicio 5.6. Suponga que la matriz A representa 5 hombres y 5 mujeres donde son
o no son compatibles en matrimonio, determine la red de emparejamientos.
⎛ ⎞
1 0 0 0 1
⎜ 1 1 1 0 0 ⎟
⎜ ⎟
⎜ ⎟
A=⎜
⎜ 0 0 1 0 1 ⎟
⎟
⎝ 0 1 0 0 1 ⎠
⎜ ⎟
1 0 1 0 0
Solución.
A = {{1, 0, 0, 0, 1}, {1, 1, 1, 0, 0}, {0, 0, 1, 0, 1}, {0, 1, 0, 0, 1}, {1, 0, 1, 0, 0}}
⎛ ⎞
1 0 0 0 1
⎜ ⎟
⎜ ⎟
⎜ 1 1 1 0 0 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 0 1 0 1 ⎟
⎜ ⎟
⎜ ⎟
⎜ 0 1 0 0 1 ⎟
⎜ ⎟
⎝ ⎠
1 0 1 0 0
GraphPlot[A, VertexLabeling → True, DirectedEdges → True]
Representación 3D:
GraphPlot3D[{1 → 2, 1 → 3, 1 → 4, 1 → 5, 2 → 3, 2 → 4, 3 → 4,
3 → 5, 4 → 5}, VertexLabeling → True, EdgeRenderingFunction → ({Red, Arrow[#1, 0.1]}&)]

True,EdgeRenderingFunction
Figura 5.1.5. Grafo3D.
Ejercicio 5.7. Construya la matriz de adyacencia asociada al siguiente grafo no dirigido:
Dado el grafo:
Solución.
1 2 3 4
⎛ ⎞
1 0 1 1 1
⎜ ⎟
⎜ 1
2 ⎜ 0 1 1 ⎟
⎟
⎝ 1
3 ⎜ 1 0 0 ⎟
⎠
4 1 1 0 0
5.2. ALGORITMO DEL CAMINO MÁS CORTO 101
5.2. Algoritmo del camino más corto
Esta sección hace referencia al problema del camino más corto, que en esencia consiste
en hallar la suma mı́nima de las aristas en un recorrido; algunos algoritmos que resuelven
situaciones de esta naturaleza son:
a. Algoritmo de Floyd-Warshal. Utiliza todos los vértices.
b. Algoritmo de Dijkstra. Resuelve el problema usando un vértice de inicio y todos los
que interactúan con éste.
c. Algoritmo de Bellman - Ford. Resuelve el problema usando un vértice de inicio y
todos los que interactúan con ponderación negativa.
Mathematica utiliza el comando F indShortestP ath con los siguientes argumentos:
1. F indShortestP ath[g, a, b] : encuentra el camino más corto desde un vértice a a otro b.
2. F indShortestP ath[g, a, All] : genera una ShortestP athF unction aplicado a b.
3. F indShortestP ath[g, All, b] : genera una ShortestP athF unction aplicado a a.
4. F indShortestP ath[g, All, All] : genera una ShortestP athF unction aplicado a a y b.
5. F indShortestP ath[{v → w, . . .}, . . .]: Usa la regla v → w que determina el grafo.
Observe el siguiente ejemplo:
GraphPlot[{1 → 2, 1 → 3, 1 → 5, 1 → 6, 2 → 6, 3 → 4, 3 → 6, 4 → 2, 4 → 5,
4 → ederencia6, 5->2, 5 → 6, 5 → 14, 6 → 5, 14 → 4}, VertexLabeling → True, DirectedEdges → True]

4},VertexLabeling
FindShortestPath[{1 → 2, 1 → 3, 1 → 5, 1 → 6, 2 → 6, 3 → 4, 3 → 6,
4 → 2, 4 → 5, 4 → 6, 5->2, 5 → 6, 5 → 14, 6 → 5, 14 → 4}, 3, 14]
{3, 6, 5, 14}
GraphDistance[{1 → 2, 1 → 3, 1 → 5, 1 → 6, 2 → 6, 3 → 4, 3 → 6, 4 → 2,
4 → 5, 4 → 6, 5->2, 5 → 6, 5 → 14, 6 → 5, 14 → 4}, 3, 14]
3 (Distancia más corta)

g = {1 → 2, 1 → 3, 1 → 5, 1 → 6, 2 → 6, 3 → 4, {3 → 6, “3→6”}, 4 → 2, 4 → 5,
4 → 6, 5->2, 5 → 6, {5 → 14, “5→14”}, {6 → 5, “6→5”}, 14 → 4}
{1 → 2, 1 → 3, 1 → 5, 1 → 6, 2 → 6, 3 → 4, {3 → 6, 3→6}, 4 → 2, 4 → 5, }
4 → 6, 5 → 2, 5 → 6, {5 → 14, 5→14}, {6 → 5, 6→5}, 14 → 4}
GraphPlot[g, VertexLabeling → True, DirectedEdges → True]
Ejemplo 5.8. Tomado del menú de ayuda de Mathematica donde se representa el

benceno:
Ejemplo 5.9. Un repartidor de encomiendas necesita trasladar entregas desde un local

a a uno h considerando que existen calles en un sentido y doble vı́a, la compañı́a le facilita
el siguiente recorrido:
5.2. ALGORITMO DEL CAMINO MÁS CORTO 103
Recorrido en cuadras
a b c d e f h
a 0 12 0 0 0 0 0
b 0 0 4 0 0 0 0
b 0 0 0 15 0 0 0
c 0 0 0 0 0 0 3
d 0 0 0 0 0 12 8
e 0 0 0 0 0 7 2
f 0 0 0 0 0 0 1
h 3 0 3 0 2 0 0
se desea determinar la menor distancia de a a f respetando la vialidad local, para determinar

el respectivo grafo se recurre a las siguientes órdenes:
finalmente:
GraphDistance[G, a, f ]
28 (cuadras).
5.3. Juegos Matriciales
Es un hecho la existencia de escenarios que pueden modelarse a través de juegos y

fácilmente pueden generalizarse con cualquier número de jugadores. En un juego bipersonal
se representará por Ii , 1 < i < n, las estrategias del jugador I, y por Ij , 1 < j < m,
las estrategias del jugador II y por v (i, j) la valoración o desempeño de cada jugador. Al
variar i y j en sus respectivos espacios se tiene una estructura matricial, por lo que a estos
juegos se les denomina juegos matriciales, análogamente el juego donde el desempeño de
los jugadores vienen representados por vectores en lugar de números reales, se les denomina
juegos vectoriales.
Ejemplo 5.10. En el congreso de un paı́s, dos congresistas se encuentran en una discusión

entre las comunidades del norte y del sur para otorgar derechos de tierras para actividades
agrı́colas, cada congresista decide si favorecer al norte, al sur o soslayar la cuestión.
Otorgar mayorı́a Otorgar mı́nimo Diferir discusión

Favorecer norte v (1, 1) v (1, 2) v (1, 3)
Favorecer sur v (2, 1) v (2, 2) v (2, 3)
Soslayar v (3, 1) v (3, 2) v (3, 3)
Cuadro 1. Juego matricial.
Es obvio que la solución de la situación planteada dependerá del peso que se asigne a
todos los v (i, j) , i : 1, 2, 3; j : 1, 2, 3; el orden de preferencias en este caso sera:
v (1, 1) > v (2, 1) > v (1, 2) > v (2, 2) > v (1, 3) > v (2, 3) > v (3, 1) > v (3, 2) > v (3, 3)
En el caso que las valoraciones se consideren de forma totalmente opuesta es decir,
ganancias para unos y pérdidas para otros, pueden expresarse por vI (i, j) = −vII (i, j) y se
dice que la situación corresponde a un juego de suma nula.
En los juegos de suma nula, un jugador intenta maximizar su desempeño a la vez que
está intentando minimizar el de su oponente es decir, cada uno buscará el peor resultado que
pueda conseguir con cada una de sus estrategias.
5.4. Juegos matriciales con desempeño escalar
Definición 5.11. Los elementos presentes en un juego son:
1. El conjunto estrategias para los jugadores es finito: EI = {I1 , I2 , . . . , In } para el

jugador I y EII = {II1 , II2 , . . . , IIn } para el jugador II.
2. A ∈ Mn (R), donde cada elemento es la consecuencia cuando el jugador I elige la
estrategia Ii y el jugador II elige la estrategia IIj .
Definición 5.12.
Para cada estrategia de Ii ∈ EI el nivel de seguridad del jugador I es el pago que puede
asegurarse con esa estrategia, prescindiendo de las acciones del jugador II.
5.5. JUEGOS MATRICIALES CON DESEMPEÑO VECTORIAL 105
vI (Ii ) = min aij recı́procamente vII (IIj ) = max aij .

j i
Definición 5.13. El ı́nfimo del juego o maximin de un jugador es:
vI = max v (Ii ) = maxmin aij

i I i j
recı́procamente el valor supremo o minimax del juego será:
vII = min v (IIj ) = minmax aij
j II j i
Teorema 5.14. En un juego matricial A ∈ Mn (R) se cumple:

1. Los valores vI y vII son únicos.
2. Cada un jugador tiene su estrategia.
3. vI < vII .
Definición 5.15. Se dice que un juego matricial A ∈ Mn (R) tiene un punto de silla en
sus estrategias si vI = vII .
Ejemplo 5.16. Suponga que dos empresas textileras desean invertir 20 millones de USD
en campañas publicitarias que según sus especialistas en mercadeo aumentarán sus ingresos.
Los medios disponibles para llevar a cabo dichas campañas publicitarias son: televisión,
prensa e internet.
Se estima que las consecuencias de las campañas publicitarias se rigen por:
Televisión Prensa Internet

Televisión 0 -1 4
Prensa 1 0 5
Internet 3 1 0
Cuadro 2. Comportamiento publicitario.
Note que este juego publicitario tiene puntos de silla; el correspondiente al medio tele-
visión se interpreta que el resultado neto que consiguen ambas empresas serán los mismos si
no hiciesen publicidad alguna para ambas, pero no todos los juegos de suma nula poseen un
punto de silla en sus estrategias puras.
5.5. Juegos matriciales con desempeño vectorial
Los juegos matriciales donde la retribución por estrategia que reciben los jugadores vienen
representadas por!vectores en lugar de"números reales, se denominan juegos vectoriales.
(0; 0) (0, 5; 1)
En la matriz las estrategias puras toman un conjunto de valores
(2, −1) (0; 0)
vectoriales y entre ellos no tiene por que existir uno más desfavorable, la primera estrategia
del jugador I tiene asociados los valores (0; 0) y ((0, 5; 1)), pero no se puede destacar ninguno
de ellos como valoración pesimista de dicha estrategia.
Ejemplo 5.17. Dada la matriz de⎛ juego vectorial:⎞

(1, 2) (3, 1)
⎝ (2, 1) (1, 3) ⎠
⎜ ⎟
(1, 1) (2, 2)
Por medio de la teorı́a de la dualidad de la programación lineal y usando el método
Simplex se obtendrán las estrategias optimas de cada jugador y el valor del juego, en efecto:
Maximizar: v1 , v2
Sujeto a:
⎧
⎪
⎪
⎪ x1 + 2x2 + x3 ≥ v1
⎪
⎨ 3x + x + 2x ≥ v
1 2 3 1
; xi ≥ 0, v1 , v2 ∈ R
⎪ 2x1 + x2 + x3 ≥ v2
⎪
⎪
⎪
⎩ x + 3x + 2x ≥ v
1 2 3 2
Usando Mathematica se obtiene una retribución esperada de 1/2.
Ejemplo 5.18. Dos polı́ticos contienden entre sı́ para un cargo de diputado y para los
dos últimos dı́as antes del cierre de campaña electoral esperan hacer un significativo mitin
en dos ciudades importantes A y B.
Para ello cada jugador tiene tres estrategias:
Estrategia x1 : pasar un dı́a en cada ciudad.

Estrategia x2 : pasar los dos dı́as en A.
Estrategia x3 : pasar los dos dı́as en B.
se plantea la siguiente matriz de pagos:
Candidato 2
ESTRATEGIAS
x1 x2 x3
x1 0 -2 2
Candidato 1 x2 5 4 -3
x3 2 3 -4
Cuadro 3. Matriz de pagos 5.14
ahora suponga que hubo un inconveniente que le impidió al candidato 1 mantener la estrategia
x3 .
Maximizando la tercera estrategia para el Candidato 1 se tiene:
Maximizar: x3
Sujeto a:
⎧
⎪
⎪
⎪ 5x2 − x3 ≥ 0
⎪
⎨ −2x + 4x − x3 ≥ 0
1 2
; xi ≥ 0, i = 1, 2, 3
⎪ 2x1 − 3x2 − x3 ≥ 0
⎪
⎪
⎪
⎩ x +x ≤1
1 2
Maximize[{x3, 5 ∗ x2 − x3 ≥ 0&& − 2 ∗ x1 + 4 ∗ x2 − x3 ≥ 0&&

5.5. JUEGOS MATRICIALES CON DESEMPEÑO VECTORIAL 107
2 ∗ x1 − 3 ∗ x2 − x3 ≥ 0&&x1>=0&&x1 + x2<=1}, {x1, x2, x3}]//

x3}]//NN
{0.181818, {x1 → 0.636364, x2 → 0.363636, x3 → 0.181818}}
en conclusión, de acuerdo con el criterio minimax la estrategia optima para el candidato 1

es (0.636364; 0.363636).
Ejercicios
1. Construya la matriz de adyacencia asociada a los siguientes grafos dirigidos:

a.
b.
2. Encuentre el conjunto máximo de parejas posibles para:

⎛ ⎞
1 0 1 0
⎜ ⎟
⎜ 0 1 1 0 ⎟
a. ⎜
⎜ 1
⎟
⎝ 0 0 1 ⎟
⎠
0 0 1 0
⎛ ⎞
0 1 1 0
⎜ ⎟
⎜ 0 1 0 1 ⎟
b. ⎜
⎜ 1
⎟
⎝ 1 0 1 ⎟
⎠
1 1 0 0
⎛ ⎞
0 0 1 0 1
⎜ 0 1 1 0 0
⎜ ⎟
⎟
⎜ ⎟
c. ⎜
⎜ 0 1 0 1 0 ⎟
⎟
⎝ 0 0 1 0 0
⎜ ⎟
⎠
1 0 0 1 1
EJERCICIOS 109
3. En un juego de la carta más alta, Enrique puede recibir del repartidor un As o una K con
igual probabilidad y Oscar siempre recibe una J, Enrique puede pasar y perder la apuesta de
USD 20 o subir la apuesta a USD 70 adicionales. Si Enrique apuesta, Oscar puede detener
el juego y perder USD 20 o pagar USD 70 adicionales y probar que Enrique está fingiendo.
La carta más alta gana los USD 90 del oponente.
a. Plantee el espacio de todas las estrategias para los dos jugadores.
b. Establezca una matriz de pagos para Enrique.
c. Esboce la estrategia óptima.
! "
2 1
4. Usando como matriz de pagos, explique los cálculos por X del maximin y por
6 5
Y del minimax y sus estrategias óptimas.
! "
−2 0 2
5. Halle las estrategias óptimas y el valor para: .
−1 2 −2
Listado de comandos
COMANDO USO
Solve[expr, vars] Resuelve.
T ranspose[list] Retorna la transpuesta de una matriz.
Is[expr 1 == expr 2] Comprobación (True/False).
Coef f icientList[poly, var] Proporciona una lista de coeficientes

de las potencias de un polinomio
comenzando por la potencia 0.
P art[A, i, j] Extrae el elemento ij de una matriz A.
A[[m]] Extrae la fila m de una matriz A .
A[[All, n]] Extrae la columna n de una matriz A .
A[[i1 ; ; j1 , i2 ; ; j2 ]] Extrae una submatriz de A.
ReplaceP art[A; i− > {list}] Remplaza una la fila i de A.
IdentityM atrix[A] Calcula la matriz identidad de A.
Det[A] Calcula la determinante de A.
P ermutations[list] Retorna las n! permutaciones

de una lista de n distintos
elementos.
F or[start, test, incr, body] Ejecuta un inicio, entonces evalúa

repetidamente el patrón de orden
hasta un lı́mite prueba.
P rint[expr] Escribe expr como una salida

en pantalla.
RowReduce[A] Reduce una matriz A por eliminación

de Gauss.
LinearSolve[m, b] Halla la solución de la ecuación

matricial mx = b.
Simplif y[expr] Simplifica una expresión.
111
112 LISTADO DE COMANDOS
COMANDO USO
T rigReduce[expr] Reduce funciones trigonométricas.
M atrixF orm[list] Retorna la forma regular de

una matriz.
M atrixRank[A] Rango matricial de A.
Inverse[A] Inversa de A.
T able[expr, i, imin , imax ] Tabla.
M inors[A] Menores de A.
Dimensions[A] Dimensión de A.
Eigenvalues[A] Eigenvalores de A.
Eigenvectors[A] Eigenvectores de A.
CharacteristicP olynomial[A, λ] Polinomio caracterı́stico de A.
DiagonalizableM atrixQ[A] Retorna T rue si la matriz A

es diagonalizable y F alse
en caso contrario.
Orthogonalize[{v1 , v2 , . . .}] Encuentra la ortogonalización

de vectores.
JordanDecomposition[A] Descomposición de Jordan.
N ormalize[v] Retorna la forma normalizada de v.
Round[x] Muestra el entero más cercano a x.
Expand[expr] Expande el producto de

una expresión en potencias de
enteros positivos.
ContourP lot[f, x, xmin , xmax , y, ymin , ymax ] Representación gráfica en contornos.
GraphP lot[vi1 − > vj1 , vi2 − > vj2 , . . .] Representación de grafo.
GraphP lot3D[vi1 − > vj1 , vi2 − > vj2 , . . .] Representación de grafo en 3D.
F indShortestP ath[{v− > w, . . .}, . . .] Encuentra el camino más corto.
GraphDistance[{v− > w, . . .}, . . .] Distancia en grafo.

Bibliografı́a
[1] Anton H., Introducción al Álgebra Lineal, Limusa, México, 1994.

[2] Bainov D, y Hristova S., Differential Equations with Maxima, Chapman & Hall/CRC, USA, 2011.
[3] Edwards B. y Larson R., Introducción al Álgebra Lineal, Limusa, México, 2004.
[4] Fundación Polar, Matemática Maravillosa, http://www.fpolar.org.ve/matematica3, 2006.
[5] Hillier F. and Lieberman G., Introducción la Investigación de Operaciones, McGraw-Hill, México, 2010.
[6] Hoffman K. and Kunze R., Linear Algebra, Prentice-Hall Inc, USA, 1961.
[7] Myerson, R. Graphs and Cooperation in Games, Mathematics of Operations Research, 1977.
[8] Revilla F., Teorema de los Cı́rculos de Gerschgorin. Department of Mathematics, UAX University,
USA, 2000.
[9] Stewart I., Historia de las Matemáicas. Crı́tica, Barcelona, 2007.
[10] Strang G., Álgebra Lineal y sus Aplicaciones, Thomson, , México, 2007.
[11] Timberlake T. and Mixon J., Classical Mechanics with Maxima, Springer, 2016.
[12] Wolfram, S., The Mathematica Book, Wolfram Media, Cambridge University Press, 1998.
113

Elementos para El Caculo Matricial SECUR

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

Elementos para El Caculo Matricial SECUR

Cargado por

Copyright:

Formatos disponibles



  

Capı́tulo 1. Espacios y subespacios vectoriales 7

Capı́tulo 3. Eigenvalores y Eigenvectores 55

Capı́tulo 4. Métodos Numéricos 77

Listado de comandos 111

Capı́tulo 2: Caracterı́sticas generales de las matrices, propiedades, operaciones

El extenso mundo de Mathematica está rodeado de libros, revistas internacionales y

Espacios y subespacios vectoriales

La teorı́a de invariantes surgió a la vida llevada por la fuerte mano de Cayley,

1.1. Espacios Vectoriales

Se denotará como F a los elementos que puedan pertenecer a los conjuntos R y C,

Definición 1.1. Un espacio vectorial V sobre F es un conjunto no vacı́o V con dos

Teorema 1.2. Sea V un espacio vectorial sobre F, entonces:

1. La identidad aditiva es única.

1.2. Norma de un Espacio Vectorial

Dado un espacio vectorial E de dimensión n, se dice que una aplicación de E sobre F es

Definición 1.3. Se denomina Producto Interno sobre un espacio vectorial V a la función

1. x, y = y, x para todo x, y ∈ V .

1.3. Subespacios Vectoriales

Definición 1.4. Sea S un subconjunto no vacı́o de un espacio vectorial V , entonces S

Sea S = λu : λ ∈ R, u ∈ R3 y se considerarán v, w ∈ S con α y β ∈ R tales que:

Ejemplo 1.6. Sea S = A ∈ Mm x n (F) : AT = A el conjunto de las matrices simétricas

Teorema 1.7. La intersección de cualquier familia de subespacios de V , es también un

Demostración. Si {Si : i ∈ I} es una familia de subespacios de V entonces:

Definición 1.8. Sea V un espacio vectorial y W un subconjunto de V . La intersección

Teorema 1.9. Sea W un subconjunto no vacı́o de un espacio vectorial V, entonces los

Demostración. Se denotará como C al conjunto de todas las combinaciones lineales

A:={{1, −2, 5}, {2, −3, 0}, {0, 1, 3}}

Sin dejar de lado una comprobación:

Otra manera de buscar una solución a este ejercicio es:

u:={{1}, {−2}, {5}}; v:={{2}, {−3}, {0}};

α ∗ u + β ∗ v + γ ∗ w=={{1}, {4}, {−3}}

{{α → −3, β → 2, γ → 4}}

Ejemplo 1.11. Dados los polinomios p1 (x) =2 + x + 4x2 , p2 (x) =1 − x + 3x2 ,

S:=CoefficientList [{P1 [x], P2 [x], P3 [x]} , x]

4 ∗ CoefficientList [{P1 [x]} , x] − 2 ∗ CoefficientList [{P3 [x]} , x]

Definición 1.12. Sea V un espacio vectorial, los vectores v1 , v2 , ... , vn de V son

Si los respectivos vectores no son dependientes se dice que son independientes.

A:={{1, −1, 3}, {1/2, −1, 0}, {−3, 1, 3}}

También se puede usar:

x1 :={{1}, {−1}, {3}};

a1 ∗ x1 + a2 ∗ x2 + a3 ∗ x3 =={{0}, {0}, {0}}

Definición. Sea un Espacio Vectorial n dimensional V con n vectores linealmente

Solve [{l1 , l2 , l3 , l4 } , {x1 , x2 , x3 , x4 }]

{{x2 → −x1 − x5 , x3 → −x5 , x4 → 0}}

Se puede asumir que x1 = s; x2 = −s − t; x3 = −t; x4 = 0; x5 = t, entonces:

Solución. Se debe hallar los escalares α, β y γ no todos nulos, que satisfaga:

A = {{0, 1, 2}, {2, 0, 1}, {0, 1, 1}}

α → 12 (−x − 2y + 2z), β → x2 , γ → 21 (x + 4y − 2z)

Teorema 1.18. Sean S y T dos subespacios de dimensión ﬁnita V tales que S ⊆ T .

5. Dados los vectores pertenecientes a R3 definidos por:

6. Dados los polinomios p1 (x) =2 + x + x2 , p2 (x) =x + 2x2 , p3 (x) = 2 + 2x + 3x2 ∈ P2 .

8. Determine si S = −1 + t + t2 , 1 + t + t2 , 1 + 2t + 2t2 es una base de P2 .

12. Determine si el polinomio P (x) = 4 − x2 pertenece al subespacio generado por los

La nueva elaboración y desarrollo de la Aritmética sistemática, ası́ como casi

Definición 2.1. Sean m y n dos números enteros mayores e iguales a 1, se denomina

an1 an2 . . . ann

A:={{3, 5, 4}, {−1, 5, 6}}

Extrae una columna:

ReplacePart[A, 2->{1, 1, 1}]

El intercambio de filas se realizará de manera análoga al remplazo pero se edita el listado

ReplacePart[A, {1 → A[[2]], 2 → A[[1]]}]

1. x, y = y, x para todo x, y ∈ V .