Tema 1: Matrices, Determinantes Y Sistemas de Ecuaciones Lineales

TEMA 1: MATRICES, DETERMINANTES Y SISTEMAS DE
ECUACIONES LINEALES
Concepto de matriz
Decimos que una matriz A de dimensión (o tamaño) m  n es una colección de números
colocados en m filas y n columnas de la forma:
 a11 ... ... a1n 

 
A =  ... ... ... ...  donde aij 
a 
 m1 ... ... amn 
Operaciones con matrices
Suma y resta de matrices
Para poder sumar o restar dos matrices tienen que tener la misma dimensión.
Ejemplo:
 2 0 3   2 3 −4   2 + 2 0 + 3 3 + (−4)   4 3 −1 
  +   =   =  
 −3 1 6   7 1 1  −3 + 7 1 + 1 6 +1   4 2 7
Producto de un escalar por una matriz
Ejemplo:
2 1  42 4 1  8 4 
     
4  4 −3  =  4  4 4  (−3)  = 16 −12 
3 0   43 4  0  12 0 
    
Producto de matrices
Es importante
resaltar que el
producto de Para poder multiplicar dos matrices tienen que coincidir el número de columnas de la primera
matrices no es
conmutativo. De con el número de filas de la segunda.
hecho, es frecuente Dicho de otra forma, sean las matrices Am  r y B s  n . El producto AxB se podrá realizar
que uno de los dos
productos no pueda solamente cuando r = s. El resultado será una matriz C m  n .
realizarse.
 4 −3 
 −2 1 1     −2  4 + 1 2 + 1 5 −2  (−3) + 11 + 1 6   −1 13 
   2 1  =   =  
 3 4 2    3  4 + 4  2 + 2  5 3  (−3) + 4 1 + 2  6   30 7 
 5 6 
uc3m.monteroespinosaonline.com - Matemáticas para la economía II - Tfnos 91 182 75 76 - 640 869 723 1

Tipos de matrices
▪ Cuadrada: Matriz con igual número de filas que de columnas.
▪ Fila: Matriz de dimensión 1  n (una fila y n columnas).
▪ Columna: Matriz de dimensión m  1 (1 columna y m filas).
▪ Triangular: Toda matriz cuadrada cuyos términos por debajo o por encima de la
La diagonal
principal de una diagonal principal son cero.
matriz cuadrada
empieza en 1x1 y 1 2 3 1 0 0
   
termina en nxn.
triangular superior A =  0 4 5  triangular inferior A =  2 3 0
0 0 6 4 5 6 
  
▪ Diagonal: Matriz cuadrada en la que todos los elementos son cero excepto los de la
diagonal principal.
▪ Escalar: Matriz diagonal que tiene el mismo elemento c en toda la diagonal principal.
▪ Unidad: Matriz escalar con c = 1. También llamada matriz Identidad Se representa por I.
1 0 0
1 0  
I2x2 =   ; I3 x3 =  0 1 0 
0 1 0 0 1
 
En páginas
posteriores ▪ Inversa: Matriz que multiplicada por A da como resultado la matriz unidad. Se denota
veremos cómo
calcular la matriz por A−1 A−1 A = A A−1 = I
inversa.
La noción de ▪ Regular: Matriz cuadrada que tiene inversa (su determinante es distinto de 0).
determinante está
explicada más
abajo. ▪ Singular: Matriz cuadrada que no tiene inversa (su determinante es igual a 0).
▪ Transpuesta: La que se obtiene de otra cambiando las filas por las columnas. Se denota
por A t .
1 2  1 3
A=   A =
t

3 4  2 4
 1 2 3
 
▪ Simétrica: Matriz cuadrada cumpliendo que A = A t
A = 2 4 5
 3 5 6
 
 0 2 3
 
▪ Antisimétrica: Matriz cuadrada cumpliendo que A = −At A =  −2 0 5
 −3 − 5 0
 

1 0 
▪ Ortogonal: Matriz cuadrada cumpliendo que At = A− 1 A=  
 0 −1
▪ Nula: Aquella en la que todos sus elementos son iguales a cero.
Solo poseen
determinante las
matrices cuadradas
Determinante de una matriz cuadrada
Un determinante es un número asociado a una matriz cuadrada de orden n y se representa de la

siguiente forma:
 a11 ... ... a1n  a11 ... ... a1n
 
matriz A =  ... ... ... ...  determinante A = ... ... ... ...
a 
 n1 ... ... ann  an1 ... ... ann
Cálculo de determinantes
1) Regla de Sarrus (válida para determinantes de tamaño 2x2 o 3x3) :
a b
= ad − cb
c d
a1 b1 c1
a2 b2 c 2 = a1b2 c3 + a3 b1c 2 + a 2 b3 c1 − a3b2 c1 − a 2 b1c3 − a1b3 c 2
a3 b3 c3
2) Método general o desarrollo por adjuntos (válido para cualquier tamaño del
determinante):
Este método para calcular determinantes de una matriz consiste en sumar los elementos
de una fila o columna multiplicados por sus respectivos adjuntos.
▪ Se llama menor complementario del elemento aij al determinante que resulta de

Se llama matriz suprimir la fila i-ésima y la columna j-ésima.
adjunta de A a la
▪ Se llama adjunto del elemento aij a ( −1) .  menor complementario de aij 
i+ j
matriz que tiene por
elementos los
adjuntos de A. Se
representa por
Adj(A).
Ejemplo:
Como se aprecia en
el ej. este método
requiere de muchas
2 8 3 6
operaciones. En
0 4 2 1 4 2 1 0 2 1 0 4
1 0 4 2
clase =2 2 5 3 −8 4 5 3 +3 4 2 3 −6 4 2 5
aprenderemos a 4 2 5 3
simplificarlo 3 1 7 5 1 7 5 3 7 5 3 1
“haciendo ceros” en 5 3 1 7
el determinante
original.

Traza de una matriz
Dada una matriz cuadrada A, se denomina traza y se representa tr(A), a la suma de los
elementos de la diagonal principal.
Matriz inversa de una matriz cuadrada

Se dice que A−1 es la matriz inversa de A cuando se cumple que A−1 A = A A−1 = I
Cálculo de la matriz inversa
 Adj ( A ) 
Obviamente una t
matriz es invertible
(regular) si y solo si i. Mediante la fórmula: A = 
−1
A
A 0
ii. Mediante el método de Gauss-Jordan.
Este método consiste en realizar operaciones elementales sobre la matriz ( A I ) hasta conseguir
que A se convierta en I, resultando ( I B ) , siendo B = A−1
Estas propiedades Algunas propiedades importantes de las matrices

son muy
importantes para
(A )
poder resolver
ecuaciones
matriciales.
▪ −1 −1
= A ▪ (A )
t t
= A ▪ ( A + B)
t
= At + B t
1 −1
▪ ( AB ) −1 = B −1 A −1 ▪ ( A t ) −1 = ( A−1 ) t ▪ (kA) −1 = A
k
▪ (kA)t = kAt ▪ ( AB )t = B t At
Propiedades de los determinantes
1
▪ A −1 = ; At = A ; AB = A B
A
▪ Si una línea (fila o columna) del determinante es composición de dos sumandos, el

determinante es igual a la suma de dos determinantes, cada uno de ellos con uno de los
dos sumandos.
a+b c+d e+ f a c e b d f
Ej : 1 3 5 = 1 3 5 + 1 3 5
7 4 8 7 4 8 7 4 8

▪ Si se multiplica una línea por un número el determinante queda multiplicado por ese
número.
5 10 15 5·1 5·2 5·3 1 2 3

Ej : 4 5 6 = 4 5 6 = 5· 4 5 6 = 5·3 = 15
1 1 0 1 1 0 1 1 0
▪ Si se intercambian (se permutan) dos líneas de un determinante su valor cambia de signo.
1 3 4 7 2 5
Ej : 7 2 5 = −19 ; 1 3 4 = 19
0 0 1 0 0 1
▪ Si a una línea le sumamos una combinación lineal de otras líneas, el determinante no

Esta propiedad es varía.
la que se usa para
“hacer ceros” en un
determinante. 5 3 2 10 3 8
Ej : 4 −1 6 = −2 ⎯⎯⎯⎯⎯
F1 = F1 + F2 + F3
→ 4 −1 6 = − 2
1 1 0 1 1 0
▪ Si hay una línea con todos sus elementos nulos el determinante vale cero.
0 0 0
d e f =0
g h i
▪ Si hay dos líneas proporcionales el determinante vale cero.
a b c
k ·a k ·b k ·c = 0
e f g
▪ Si hay una línea que es combinación lineal de las restantes líneas, el determinante vale
cero.
a b c
d e f =0
k1a + k2 d k1b + k2e k1c + k2 f

Matrices equivalentes
Dada una matriz A cualquiera decimos que B es equivalente a A si podemos transformar A en B
mediante una combinación de las siguientes operaciones:
1. Multiplicar una línea de A por un número real cualquiera diferente de cero.
2. Intercambiar dos líneas.
3. Sumar a una línea de A cualquier otra línea.
Rango de una matriz

El rango de una matriz es el orden (tamaño) del mayor menor no nulo de la matriz, donde un
menor de orden k de la matriz es un determinante formado por k filas y k columnas de la matriz.
El rango se representa por rg (A).
Propiedades
- Una matriz no nula tiene un rango mínimo de uno.
A efectos de rango
- El rango máximo de una matriz es el menor número de líneas que posee.
se admiten como
operaciones para - El rango de una matriz es igual que el rango de su matriz traspuesta.
llegar a una matriz
equivalente eliminar
líneas nulas o que - El rango de una matriz es igual que el rango de una matriz equivalente a ella.
son combinaciones
lineales de otras.
Sistemas de ecuaciones lineales
a11 x1 + + a1n xn = b1 

Un sistema de ecuaciones lineales es de la forma  donde
am1 x1 + + amn xn = bm 
aij y bk  , y x1 , , xn son las incógnitas (o variables) del sistema.
 a11 a1n   x1   b1 
     
En forma matricial el sistema puede escribirse así     =  
a ann  x  b 
 n1  n  n
matriz de coeficientes incógnitas términosindependientes
M X B
- Se dice que un sistema es compatible si tiene solución. Cuando dicha solución es única,
se denomina sistema compatible determinado (SCD). Si existen infinitas soluciones se
denomina sistema compatible indeterminado (SCI).
- Si el sistema no tiene solución se denomina sistema incompatible (SI).

Matriz ampliada.
Es la matriz formada conjuntamente por la matriz de coeficientes y por la matriz de términos

independientes. Se suele denotar por M * :
 
 a11 a1n b1 
 
M =
*

 am1 amn bm 
 
 M B 
Antes de resolver
un sistema siempre
hay que discutirlo,
es decir, averiguar
Teorema de Rouché- Frobenius. Discusión del sistema.
si realmente tiene
solución.
• Si rg(M) = rg(M*) = nº incógnitas  SCD
• Si rg(M) = rg(M*) < nº incógnitas  SCI
• Si rg(M)  rg(M*)  SI
Resolución de un sistema.
Este método se
I. Método de Kramer.
puede aplicar
directamente en los
SCD. En clase b1 a12 a1n a11 b1 a1n
veremos cómo
extender este
método a los SCI.
bm am 2 amn am1 bm amn
x1* = x2* =
a11 a12 a1n a11 a12 a1n
am1 am 2 amn am1 am 2 amn
II. Método de la matriz inversa (para SCD de 3 ecuaciones con 3 incógnitas)
MX = B  M −1MX = M −1B  IX = M −1B  X = A−1B es decir,

−1
 x1*   a11 a12 a13   b1 
 *    
 x2  =  a21 a22 a23   b2 
 x3*   a31 a32 a33  b 
    3
Por tanto, calcular la solución por este método consiste en calcular la matriz inversa de la matriz
de coeficientes y multiplicarla por la matriz de términos independientes.

III. Método de Gauss
Este método consiste en transformar el sistema inicial en un sistema “escalonado” (ejemplo para
sistemas de 3 ecuaciones con 3 incógnitas):
a11 x1 + a12 x 2 + a13 x3 = b1  c11 x1 + c12 x 2 + c13 x3 = d1 

 
a 21 x1 + a 22 x 2 + a 23 x3 = b2   c 22 x 2 + c 23 x3 = d 2 
a31 x1 + a32 x 2 + a33 x3 = b3  c33 x3 = d 3 
o, de forma matricial, que es más cómodo:

Para escalonar una
 a11 a12 a13 b1   c11 c12 c13 d1 
matriz iremos
“haciendo ceros” en    
los lugares  a 21 a 22 a 23 b2    0 c 22 c 23 d 2 
correspondientes. a a33 b3   0 c33 d 3 
 31 a32  0
Una vez llegados al sistema “escalonado” despejar las incógnitas es inmediato.

LÍMITES Y CONTINUIDAD DE FUNCIONES DE VARIAS
VARIABLES.
2
Conceptos topológicos en
Norma Euclídea
Sea x  ( x1 , x2 ) un elemento de 2
. Definimos la norma Euclidea como x = x12 + x22
La norma Euclidea se puede interpretar de las siguientes maneras:
- x es la distancia desde x al origen de coordenadas.

- x es la longitud (módulo) del vector x.
- x − y es la distancia entre x e y.
Bola abierta
La bola abierta de radio r y centro p = ( p1 , p2 ) es:


B ( p , r ) = ( x, y )  2
: ( p1 , p2 ) − ( x, y )  r 
Gráficamente la bola abierta en el plano 2
es un círculo de centro ( p1 , p2 ) y radio r sin incluir
su circunferencia.
Bola cerrada
La bola cerrada de radio r y centro p = ( p1 , p2 ) es:


B ( p , r ) = ( x, y )  2
: ( p1 , p2 ) − ( x, y )  r 
Gráficamente la bola cerrada en el plano 2
no es más que un círculo de centro ( p1 , p2 ) y radio
r incluyendo su circunferencia.
Puntos importantes de un conjunto A  2
▪ Punto Interior: Un punto p = ( p1 , p2 )  2

es interior de A si existe r > 0 tal que
B ( p , r )  A . Es decir, si está completamente rodeado de puntos de A.
A es el conjunto de puntos interiores de A
▪ Punto Exterior: Un punto p = ( p1 , p2 )  2

es exterior a A si existe r  0 tal
que B ( p,r )  A =  .
▪ Punto Frontera: Un punto p = ( p1 , p2 )  2

es frontera de A si
Dado el conjunto  r  0, B( p , r )  A   y  r  0, B( p , r )  A   es decir, ni interior ni exterior.
c
A , se define
Ac = 2 − A El conjunto de puntos frontera de A se denota por A

Obsérvese que
▪ Punto de Clausura: Un punto p = ( p1 , p2 )  2
es un punto de clausura de A si
A= A + A  r  0, B ( p , r )  A   . A es el conjunto de puntos de clausura de A
▪ Punto Aislado: Un punto p = ( p1 , p2 )  2

es aislado de A si  r  0, B ( p , r )  A = p .
Conjunto abierto
2
Diremos que un conjunto del plano es abierto si su frontera no pertenece al conjunto. Es
decir, A = A o A  A=
Conjunto cerrado
2
Diremos que un conjunto del plano es cerrado si su frontera pertenece al conjunto. Es decir,
A  A ó A = A
Conjunto ni abierto ni cerrado

2
Diremos que un conjunto del plano no es abierto ni cerrado si parte de su frontera pertenece
al conjunto y parte no. Es decir AA y AA
Conjunto acotado
2
Un conjunto del plano es acotado si se puede contener en una bola de radio finito. Es decir,
si A  B ( p, r ) para algún p  2
, r
Conjunto Compacto
Un conjunto es compacto si es cerrado y acotado.
Conjunto convexo
Un conjunto A  2 es convexo si para cualesquiera x, y  A el segmento (línea recta) que une

x con y también pertenece a A .
Es decir, para cualquier x, y  A y    0,1 se tiene que   x + (1 −  )  y  A

Funciones de varias variables.
Una función f : n → m de varias variables, asigna a un punto de n

otro punto de m
.
Ejemplos de estas funciones pueden ser los siguientes:
f: 2
→ f: 2
→ 2
( x, y ) → f ( x, y ) = x 2 + y 2 ( x, y) → f ( x, y) = ( xy 2 , x + y )
f: 3
→ f: 3
→ 2
( x, y, z ) → f ( x, y, z ) = 2 x 4 + zy 2 ( x, y , z ) → f ( x, y , z ) = ( 3x 2
+ z + y2 , x z )
En nuestra asignatura, en la mayoría de los ejercicios trabajaremos con funciones de dos

variables de la forma f : 2 → . Nuestro estudio se centrará en ese tipo de funciones.
En clase
Dominio e imagen de funciones con dos variables.
recordaremos como
calcular los
dominios de forma
La definición es la misma que en funciones de una variable, pero conviene resaltar que en este
práctica tipo de funciones el dominio es un subconjunto D  2 y la imagen un subconjunto I 
Representación gráfica de las funciones de dos variables
Estas funciones se representan como una superficie en una gráfica de tres dimensiones. Es por
tanto, muy difícil dibujarlas a mano. Veamos un ejemplo para la función f ( x, y ) = xy

En clase Curvas de nivel
aprenderemos a
dibujar curvas de
nivel.
Sea f : D  2
→ . Se define la curva de nivel de f para el valor k al conjunto de puntos
Ck = ( x, y )  D : f ( x, y ) = k  . Es decir, una curva de nivel une todos los puntos de la función
que tienen la misma imagen.
Para el ejemplo anterior las curvas de nivel son las siguientes:
Otro ejemplo de gráfica y curvas de nivel para f ( x, y ) = x 2 + y 2

Esta función se
llama “paraboloide”
pues se trata de
una parábola girada
sobre su eje

Cuyas curvas de nivel son las siguientes:
( )
2
(
Como último ejemplo dibujemos la gráfica y curvas de nivel de f ( x, y ) = x + y e
2
) − x2 + y 2

Límites
Si el límite existe,
f ( x, y ) = L
es único.
Sea f :D 2
→ , L  , ( p, q )  2
. Se dice que lim si
( x , y ) →( p , q )
  0   0 tal que si 0  ( x, y ) − ( p , q )   f ( x, y ) − L  
Cálculo práctico de límites en funciones con dos variables
Al igual que sucede con funciones de una variable lo primero que tenemos que hacer es el paso
al límite, es decir, sustituir las variables por las coordenadas del punto. Si el resultado no es una
indeterminación habremos terminado.
En términos
Indeterminaciones
prácticos la única
indeterminación que El verdadero problema surge cuando al sustituir en el límite aparece una indeterminación. En
nos vamos a
encontrar en estas funciones de dos variables las indeterminaciones que pueden aparecer siguen siendo las mismas
0 que en una variable:

funciones es
0
0 , , 0   ,  −  , 1 , 0 0 ,  0
0 
Cuando esto ocurre hay que aplicar alguna técnica o método para saber si el límite existe y, en
tal caso, averiguar su valor.

Observación: todos nuestros límites indeterminados serán de la forma: lim f ( x, y ) . Si nos
( x , y )→( 0,0 )
encontramos con un límite indeterminado en un punto ( p, q )  ( 0, 0 ) procederemos de la
siguiente manera:
Recuerda que esta
transformación solo
hay que hacerla si
x = u + p
el límite es 1. Realizaremos el siguiente cambio de variable 
y = v + q
indeterminado.
2. Con nuestro cambio la función original f ( x, y ) se ha transformado en una función del

tipo g ( u , v ) , y podemos observar que lim f ( x, y ) = lim g ( u, v )
( x , y ) →( p , q ) ( u ,v )→( 0,0 )
x2 − 2 y + 3
Ejemplo.- Sea f ( x, y ) = .
x −1
x2 − 2 y + 3 0 x = u +1
Nos piden lim = Realizamos el cambio  Sustituimos en f y
( x , y )→(1,2) x −1 0 y = v + 2
( u + 1) − 2 ( v + 2 ) + 3 u 2 + 2u − 2v
2
nos quedará la función g ( u, v ) = = . Finalmente, el límite

( u + 1) − 1 u
x2 − 2 y + 3 u 2 + 2u − 2v
lim = lim
( x , y )→(1,2) x −1 ( u ,v )→( 0,0 ) u
Estos métodos se
basan en las
condiciones
necesarias para la
Métodos para demostrar que no existe límite
existencia de límite.
▪ Límites iterados. El método consiste en calcular los siguientes límites:
 
l1 = lim  lim f ( x, y ) 

x →0 y →0

l 2 = lim  lim f ( x, y ) 
y →0  x →0 
Si nos encontramos antes una de estas 3 situaciones:
1) l1 
2) l2 
3) l1  l2
podremos asegurar que lim f ( x, y ) no existe.

( x , y )→( 0,0 )
Si l1 = l2 = a  no podemos asegurar nada, pero si el límite existe L = a .

Este método es un
caso particular del
▪ Límites radiales o direccionales. El método consiste en sustituir y =  x
siguiente.
lim f ( x, y ) = lim f ( x,  x ) = lim f ( x ) = a

( x , y )→( 0,0) ( x , x )→( 0,0 ) x →0
Si a  o a depende de  podremos asegurar que lim f ( x, y ) no existe.

( x , y )→( 0,0 )
Si a  R no podemos asegurar nada, pero si el límite existe L = a .
xy 0 x ( x)  x2 
Ej. lim = ⎯⎯⎯ → lim = lim =  no  lim
( x , y )→( 0,0 ) x +y
2 2
0 y = x
( x , x )→( 0,0 ) x 2 + (  x ) 2
( ) x 1+ 2
x →0 1 +  2 2
▪ Límites según otras trayectorias. El método consiste en sustituir y =  g ( x ) , donde

g ( x ) suele ser una función polinónica, racional, o de cualquier otra familia de curvas
que se nos ocurra.
lim f ( x, y ) = lim f ( x,  g ( x) ) = lim f ( x ) = a

( x , y )→( 0,0 ) ( x , g ( x ) )→( 0,0 ) x →0
Si a  o a depende de  podremos asegurar que lim f ( x, y ) no existe.

( x , y )→( 0,0 )
Si a  R no podemos asegurar nada, pero si el límite existe L = a .
Ej.
x2 y 0 x ( x ) 2 2
 x4 
lim = ⎯⎯⎯ → lim = lim =  no  lim
x +y 0 y = x ( x , x2 )→( 0,0) x 4 + (  x 2 ) ( ) 1+ 2
x →0 1 +  2 x 4
2
( x , y )→( 0,0 ) 4 2 2
Métodos para demostrar que existe límite y calcular su valor
Cuando las ▪ Definición de límite. Este método consiste en buscar  y  que satisfagan la definición
funciones no son de límite para un candidato L = L0
“sencillas” usar este
método es complejo
y requiere de cierta
2 xy 2 0
habilidad
Ej. lim = Nuestro candidato es L = 0 .
matemática.
( x , y )→( 0,0 ) x 2 + y 2 0
2 xy 2
Supuesto que 0  x + y   buscamos  tal que 2
2 2
−0 
x + y2
2 xy 2 2 y2 x 2 y2 x
Desarrollemos − 0 =  = 2 x = 2 x 2  2 x 2 + y 2  2 =  y
x2 + y 2 x2 + y 2 y2
2 xy 2
demostramos que lim =0
( x , y )→( 0,0 ) x 2 + y 2

Este método es
gráficamente muy ▪ Teorema del encaje. Sean tres funciones f , g , h : ¡ 2
→ ¡ tal que g  f  h en un
intuitivo, pero
lim g ( x, y ) = L 
tampoco es fácil de ( x , y ) →(0,0) 
usar. entorno de (0,0) y sean   lim f ( x, y ) = L
lim h( x, y ) = L  ( x , y ) →(0,0)
( x , y ) →(0,0) 
Este método no ▪ Coordenadas polares. Este método consiste en resolver el límite usando coordenadas
funciona siempre,
pero es sencillo de polares en lugar de las usuales coordenadas cartesianas. Para ello, realizaremos este
aplicar y cuando cambio de variable:
funciona sirve tanto
para demostrar que
el límite no existe  x =  cos 
como para calcular  y el límite queda lim f ( x, y ) = lim f (  ,  ) = L
su valor en caso de
que exista.
 y =  sen ( x , y ) →(0,0)  →0
Si f (  , ) − L  H (  ) para todos los posibles valores de  , y lim H (  ) = 0 entonces

 →0
el límite existe y vale L.

Si por el contrario, L  o L depende de  , el límite no existe.
2 xy 2 0 2  cos  2 sen2
Ej. lim = ⎯⎯⎯⎯⎯ → lim = lim 2  cos  sen2
( ) ( )x +y
x , y → 0,0 2 2
0 paso a polares  → 0  2  →0
f (  , ) = 2  cos  sen 2 , y 2  cos  sen 2 − 0  2  = H (  ) .

Como además lim H (  ) = lim 2  = 0 podemos asegurar que el límite existe y vale 0.
 →0  →0
Continuidad
Una función f : D  2
→ es continua en ( p, q )  D  lim f ( x, y ) = f ( p, q ) . Se dice
( x , y ) →( p , q )
que f es continua en D si es continua en todo punto ( p, q )  D .
Una función f : D  2
→ es continua en ( p, q )  D si y solo si dado   0 , existe   0
tal que si ( x, y ) − ( p , q )   entonces f ( x, y ) − f ( p, q )   .
Teorema de Weierstrass
En clase veremos
cómo usar las
curvas de nivel para Sea D  2 un subconjunto compacto y sea f : D → continua. Entonces f alcanza
máximo y mínimo global en D, es decir, existen ( p1 , q1 ) y ( p2 , q2 )  D tal que
encontrar los
extremos globales
f ( p1 , q1 )  f ( x, y )  f ( p2 , q2 ) para todo ( x, y )  D .
de una función en
un conjunto.

Extremos (recordatorio)
Sea f : D → . Se dice que un punto ( p, q )  D es un
- Máximo global de f en D si f ( x, y )  f ( p, q ) para todo ( x, y )  D .
- Mínimo global de f en D si f ( x, y )  f ( p, q ) para todo ( x, y )  D .
- Máximo local de f en D si f ( x, y )  f ( p, q ) para todo ( x, y ) en un entorno de ( p, q )
- Mínimo local de f en D si f ( x, y )  f ( p, q ) para todo ( x, y ) en un entorno de ( p, q )
Teorema de Brouwer (o del punto fijo)
Sea D  2
un subconjunto compacto, convexo y no vacío. Sea f : D → D continua. Entonces
existe un punto ( p, q )  D tal que f ( p, q ) = ( p, q )

DERIVADAS PARCIALES. DIFERENCIACIÓN.
Salvo en funciones Derivadas parciales

muy particulares, no
usaremos la
definición para - Sea f : D → . Se define la derivada parcial de f con respecto de x en el punto
calcular las
derivadas parciales.
f f ( p, q ) + h (1,0 ) − f ( p, q )
( p, q )  D a ( p, q ) = hlim (si existe).
x →0 h
- Sea f : D → . Se define la derivada parcial de f con respecto de y en el punto

f f ( p, q ) + h ( 0,1) − f ( p, q )
( p, q )  D a ( p, q ) = hlim (si existe).
y →0 h
En clase haremos
un pequeño repaso
de vectores.
Vector gradiente
 f f 
Se define al vector gradiente de f en ( p, q )  D como f ( p, q ) =  ( p, q ) , ( p, q ) 
 x y 
Interpretación geométrica del gradiente.

Estas
observaciones
referidas al • La derivada direccional es siempre máxima en la dirección del vector gradiente. El valor
gradiente son muy
importantes y máximo de la derivada direccional es el módulo del vector gradiente.
suelen aparecer en
los exámenes
• La derivada direccional es siempre mínima en la dirección del opuesto al vector
gradiente. El valor mínimo de la derivada direccional es el número opuesto al módulo del
vector gradiente.
• La derivada direccional es siempre nula en la dirección perpendicular al vector gradiente.

Es decir, la función permanece constante en las direcciones perpendiculares al gradiente.
Derivada según un vector y derivada direccional

Se puede observar
que las derivadas
parciales son un
caso particular de
Se denomina la derivada de f en el punto ( p, q )  D según el vector v = ( v1 , v2 ) a
derivada
direccional.
f ( p, q ) + h ( v1 , v2 )  − f ( p, q )
Dv f ( p, q ) = lim
h →0 h
Si v = 1 , entonces Dv f ( p, q ) se denomina la derivada direccional de f en el punto

( p, q )  D en la dirección del vector v = ( v1 , v2 ) .
En funciones
diferenciables esta
Si f :D→ es una función diferenciable en ( p, q )  D entonces
fórmula será la que
usemos.
Dv f ( p, q ) = f ( p, q ) . ( v1 , v2 )

Diferenciabilidad
Una función f es diferenciable en el punto ( p, q )  D si
f f
f ( x, y ) − f ( p , q ) − ( p, q )  x − p  − ( p, q )  y − q 
x y
lim =0
( x , y ) →( p , q )
( x − p) + ( y − q)
2 2
Interpretación geométrica de la diferencial
Geométricamente, diremos que una función es diferenciable en un punto ( p, q )  D si

podemos trazar un plano tangente a la función en ese punto. De esta forma, decir que una
función es diferenciable en un punto ( p, q )  D es tanto como decir que en ese punto la
superficie es suficientemente “suave” como para poder trazar un plano tangente. Si en un punto
concreto la superficie tiene un “pico” o una “arruga” entonces no se podrá trazar por ese punto
un plano tangente y diremos que la función no es diferenciable en ese punto.
Ecuación del plano tangente
Sea una función f : 2

→ diferenciable en el punto ( p, q ) . La ecuación del plano tangente a
la función en ese punto viene dado por la siguiente expresión:
f f
z = f ( p, q ) + ( p, q )   x − p  + ( p, q )  y − q 
x y

Matriz Jacobiana
En el caso de que tengamos una función de la forma:
f: n
→ m
( x1 , ... , xn ) → ( f1 ( x1 ,..., xn ), ... , f m ( x1 ,..., xn ) )

las derivadas parciales respecto a cada una de sus componentes se ordenan en una matriz de
orden m x n que llamaremos matriz Jacobiana:
 f1 f1 f1 

 x . . .
x2 xn 
 1 
 f 2 f 2 f 2 
 x x2
. . .
xn 
Jf ( x) =  1
. . . . . . . . . . . .
 
 f m f m
. . .
f m 
 x x2 xn 
 1
Regla de la cadena. Derivación de funciones compuestas
Sean g : n
→ m
y f: m
→ l
. Supongamos que g es diferenciable en p  n
y que f es
diferenciable en g ( p )  m
. Entonces la función f o g es diferenciable en p y
D ( f o g )( p ) = Df ( g ( p ) ) Dg ( p )
La regla de la cadena en varias variables no es más que una generalización de la regla que se
utiliza para una sola variable. Se trata, por tanto, de derivar composiciones de funciones de
varias variables. La mejor forma de ver cómo se utiliza es mediante un ejemplo.
Ejemplo. Sean las funciones f (u , v ) , u ( x, y ) , v ( x, y ) siguientes:

f (u , v) = ln(u + v) ; u ( x, y ) = sen( xy 2 ) , v( x, y ) = e y − x ;
f f
Calcular y mediante la regla de la cadena.
x y
f f u f v
y cos ( xy 2 ) +
1 2 1
= · + · = ( −1) e y − x
x u x v x u+v u+v
f f u f v
2 xy cos ( xy 2 ) +
1 1 y−x
= · + · = e
y u y v y u+v u+v
El último paso consiste en sustituir u y v por su forma analítica. Si las derivadas las pidieran en un
punto finalizaríamos sustituyendo el punto en las derivadas.

DERIVADAS DE ORDEN SUPERIOR.
Derivadas segundas
Las derivadas de
  f 
orden superior se
2 f
Sea f ( x1 ,..., xk ) : D →
definen de forma
. Se define la derivada parcial segunda de f como =  
xi x j xi  x j
análoga.

Matriz Hessiana
Para cualquier
función que
satisfaga las Es la matriz formada por las derivadas parciales segundas de la función
hipótesis del
Hf ( x1 ,..., xk ) = D 2 f ( x1 ,..., xk )
teorema de
Schwarz se cumple
que la matriz
Hessiana es
simétrica. Particularizada para funciones de dos y tres variables la matriz Hessiana queda como sigue:
 2 f 2 f 2 f 
 2 
 2 f 2 f   x xy xz 
 2   2 f
x xy  2 f 2 f 
Hf ( x, y ) =  2 Hf ( x, y, z ) =  
 f 2 f   yx y 2 yz 
   2 f
 yx y 2  2 f 2 f 
 
 zx zy z 2 
Se puede extender
Teorema de Schwarz
fácilmente este
teorema a
funciones con tres o Enunciamos este teorema sólo para el caso de funciones f : D  2
→ .
más variables.
Si se cumple que:
• f ( x, y ) es continua en ( p, q )  D
f f
• , son continuas en un entorno de ( p, q )
x y
2 f
• ( p, q ) existe y es continua en un entorno de ( p, q )
xy
Entonces tenemos que:
2 f 2 f 2 f
• Existe ( p, q ) y además ( p, q ) = ( p, q )
yx yx xy
Para la mayoría de las funciones elementales (polinomios, exponenciales, logaritmos, senos,

cosenos, ...) este teorema se cumple siempre.

Teorema de la función implícita
f1 ( x1 , x2 , p1 , p2 ) = 0 
 y sea un punto p = ( x1 , x2 , p1 , p2 )
0 0 0 0
Sea el sistema de ecuaciones
f 2 ( x1 , x2 , p1 , p2 ) = 0 
Si se cumple que:
1. Las funciones f1 y f 2 son continuas y diferenciables en un entorno de p
2. El punto dado cumple todas las ecuaciones, es decir,
f1 ( x10 , x20 , p10 , p20 ) = 0

f 2 ( x10 , x20 , p10 , p20 ) = 0
3. El siguiente determinante es no nulo:
f1 f1
( p) ( p)
x1 x2
 0
f 2 f 2
( p) ( p)
x1 x2
Entonces, el teorema de la función implícita asegura que en un entorno del punto p se

encuentran definidas las siguientes funciones x1 ( p1 , p2 ) y x2 ( p1 , p2 ) y podemos afirmar que el
valor de sus derivadas en el punto p son:
−1
 x1 x1   f1 f1   f1 f 
 p ( p ) ( p)   x ( p) ( p)   − ( p) − 1 ( p) 
p2 x2 p1 p2
 1  =  1    
 x2 x2   f 2 f 2   f 2 f 2 
 p ( p ) ( p)   x ( p) ( p)   − ( p) − ( p) 
 1 p2   1 x2   p1 p2 
Observaciones
• El Teorema de la función implícita que hemos expuesto está particularizado para un sistema
de dos ecuaciones con cuatro incógnitas, sin embargo, este teorema es más general y
aplicable a otros sistemas con diferente número de ecuaciones y/o de incógnitas.
• Para calcular las derivadas de forma implícita en términos prácticos procederemos de forma
iterativa calculando las derivadas una por una en lugar de utilizar la fórmula matricial.
• También existe un método más general que la fórmula matricial para calcular las derivadas
de forma implícita que veremos en clase.

Aproximaciones de Taylor de primer y segundo orden
El polinomio de Taylor de grado 1 de una función f : D  2

→ alrededor de un punto
f f
( p, q ) es P1 ( x, y ) = f ( p, q ) + ( p, q ) ( x − p) + ( p, q ) ( y − q)
Las fórmulas del x y
polinomio de Taylor
están
particularizadas
para funciones con El polinomio de Taylor de grado 2 de una función f : D  2
→ alrededor de un punto
dos variables. En
clase veremos el ( p, q ) es
Polinomio para
1  2 f 2 f 2 f 
P2 ( x, y ) = P1 ( x, y ) +  2 ( p, q ) ( x − p) + 2 ( p, q ) ( x − p)( y − q) + 2 ( p, q ) ( y − q)2 
funciones con tres 2
variables.
2  x xy y 
Formas Cuadráticas
Una forma cuadrática de orden n es una función Q: n

→ de la forma
n
Q ( x1 ,..., xn ) =  aij xi x j
i , j =1
La expresión matricial de una forma cuadrática es
 a11 a12 a13 a1n  x1 

  
 a12 a22 a23 a2 n  x2 
Q ( x1 , , xn ) = ( x1 , x2 , , xn )  a13 a23 a33 a3n  x3  = X t A X
  
  
a ann  
 1n a2 n a3n  xn 
donde A = aij es una matriz simétrica asociada a la forma cuadrática Q . Observemos que
n n
Q ( x1 ,..., xn ) =  aij xi x j =  aii xi2 + 2 aij xi x j
i , j =1 i =1 i j
La forma cuadrática Q ( x1 ,..., xn ) = X t A X se identifica con la matriz A.
Clasificación de las formas cuadráticas
Sea ( x1 ,..., xn )  x . La forma cuadrática es:
1. Definida positiva, si Q ( x )  0  x  n
,x  0
2. Definida negativa si Q ( x )  0  x  n
,x  0
3. Semidefinida positiva, si Q ( x )  0  x  n
y Q ( x ) = 0 para algún x  0
4. Semidefinida negativa, si Q ( x )  0  x  n
y Q ( x ) = 0 para algún x  0
5. Indefinida, en cualquier otro caso.

Criterio de los menores principales para clasificar formas cuadráticas
Se consideran los menores principales de la matriz A:
a11 a12 a13

a11 a12
D1 = a11 D2 = D3 = a21 a22 a23
a21 a22
a31 a32 a33
- Para matrices de orden 2:
D1 D2 Clasificación
+ + Definida Positiva (D. P.)
+ – Indefinida (I)
+ 0 Semidefinida Positiva (S. D. P.)
– + Definida Negativa (D. N.)
– – Indefinida (I)
– 0 Semidefinida Negativa (S. D. N.)
0 + Indefinida (I)
0 – Indefinida (I)
0 0 El criterio no decide
- Para matrices de orden 3:
D1 D2 D3 Clasificación
+ + + Definida Positiva (D. P.)
+ + – Indefinida (I)
+ + 0 Semidefinida Positiva (S. D. P.)
+ – + Indefinida (I)
+ – – Indefinida (I)
+ – 0 Indefinida (I)
+ 0 + Indefinida (I)
+ 0 – Indefinida (I)
+ 0 0 El criterio no decide
– + + Indefinida (I)
– + – Definida Negativa (D. N.)
– + 0 Semidefinida Negativa (S. D. N.)
– – + Indefinida (I)
– – – Indefinida (I)
– – 0 Indefinida (I)
– 0 + Indefinida (I)
– 0 – Indefinida (I)
– 0 0 El criterio no decide
0 + + Indefinida (I)
0 + – Indefinida (I)
0 + 0 El criterio no decide
0 – + Indefinida (I)
0 – – Indefinida (I)
0 – 0 El criterio no decide
0 0 + Indefinida (I)
0 0 – Indefinida (I)
0 0 0 El criterio no decide

Criterio para matrices diagonales
 1 0 0 0 
 
0 2 0 0 
Sea M Q   0 3  la matriz asociada a una forma cuadrática una matriz diagonal.
 
0 0 
0 n 
 0 0
En ese caso
1. Q es definida positiva si y solo los elementos de la diagonal son todos positivos.

2. Q es definida negativa si y solo si los elementos de la diagonal son todos negativos.
3. Q es semidefinida positiva si y solo si elementos de la diagonal son positivos y nulos.
4. Q es semidefinida negativa si y solo si elementos de la diagonal son negativos y nulos.
5. Q es indefinida si y solo si algún elemento de la diagonal es positivo y alguno negativo
Concavidad y convexidad
Sea D  2
un conjunto abierto y convexo.
Condiciones de primer orden
- Si f : D → es diferenciable y cóncava en D entonces el plano tangente a f en

cualquier punto p  D está por encima de la gráfica de f.
- Si f : D → es diferenciable y convexa en D entonces el plano tangente a f en

cualquier punto p  D está por debajo de la gráfica de f.
Condiciones de segundo orden

.
- f es cóncava en D si y solo si para todo p  D, Hf ( p ) es semidefinida negativa o

definida negativa.
- f es convexa en D si y solo si para todo p  D, Hf ( p ) es semidefinida positiva o definida

positiva.
- Si Hf ( p ) es definida negativa para todo p  D entonces f es estrictamente cóncava en

D.
- Si Hf ( p ) es definida positiva para todo p  D entonces f es estrictamente convexa en D.

TEMA 5. OPTIMIZACIÓN.
Optimización sin restricciones

Definición. Sea f : D → , se dice que p  D es un punto crítico si f no es diferenciable en p
o si f ( p ) = 0 .
Condiciones de segundo orden
Sea f : D → diferenciable dos veces en D, y p  D tal que f ( p ) = 0 . Encones:
1) Si Hf ( p ) es definido negativo, p es un máximo local (estricto) de f.

2) Si Hf ( p ) es definido positivo, p es un mínimo local (estricto) de f.
Obsérvese que 3) Si Hf ( p ) es indefinido, p es un punto de silla de f.
4) Si Hf ( p ) es semidefinido negativo, p es un máximo local o un punto de silla de f.
cuando el Hessiano
es semidefinido el
criterio solo acota el
punto crítico, pero 5) Si Hf ( p ) es semi definido positivo, p es un mínimo local o un punto de silla de f.
no decide si es un
extremo.
Optimización con restricciones de igualdad. Método de Lagrange
Explicamos el
concepto con Se trata de obtener los máximos y mínimos de funciones de varias variables restringidas en un
funciones de dos subconjunto del dominio. Un problema con restricciones siempre va a tener la siguiente forma:
variables con una
sola restricción. En
clase extenderemos
encontrar los extremos min (max) f ( x , y )
este método a

funciones con más
variables y más s.a. g ( x, y ) = 0
restricciones.
Una solución del problema de optimización es un punto ( p, q ) que satisface la restricción y tal
que f ( p, q )  f ( x, y ) o f ( p, q )  f ( x, y ) para cualquier otro punto ( x, y ) que satisfaga la
restricción.
La condición de
regularidad, si
Condición de regularidad. Para poder aplicar el método de Lagrange es necesario comprobar
existiera más de que se verifica la siguiente condición: g ( p, q )  ( 0, 0 )
una restricción, se
verifica
comprobando rango
de matrices. En
clase veremos un Función de Lagrange asociada al problema. Se denomina función de Lagrange o Lagrangiano
ejemplo.
a la siguiente función:
L ( x, y ,  ) = f ( x , y ) +  g ( x , y )
Observación: En términos prácticos, es indiferente poner un signo + o un signo – delante de  .

Ecuaciones de Lagrange. Se denominan ecuaciones de Lagrange a la derivadas de la función de
Lagrange igualadas a cero, es decir,
L
 x = 0

 L
 =0
 y
 L
 = g ( x, y ) = 0
 
A todo punto p que satisface las ecuaciones de Lagrange, le denominamos candidato a extremo.
Clasificación de un candidato p
1) Teorema de Weierstrass.
Si se satisfacen las hipótesis de dicho teorema, solo tendremos que evaluar la función en
nuestros candidatos para encontrar el máximo y mínimo global.
2) Hessiano del Lagrangiano.
- Si H L ( p ) es definido negativo, entonces p es un máximo local (estricto) de f.

- Si H L ( p ) es definido positivo, entonces p es un mínimo local (estricto) de f.
3) Hessiano orlado.
 g g 
 0 
 x y 
 g 2 L 2L 
Se define la matriz Hessiana orlada como H ORL  .
 x x 2 yx 
 g 2 L 2L 
 
 y xy y 2 
- Si H ORL ( p )  0 , entonces p es un mínimo local (estricto) de f.
- Si H ORL ( p )  0 , entonces p es un máximo local (estricto) de f.

Tema 1: Matrices, Determinantes Y Sistemas de Ecuaciones Lineales

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

Tema 1: Matrices, Determinantes Y Sistemas de Ecuaciones Lineales

Cargado por

Copyright:

Formatos disponibles

TEMA 1: MATRICES, DETERMINANTES Y SISTEMAS DE

 a11 ... ... a1n 

Operaciones con matrices

Suma y resta de matrices

Producto de un escalar por una matriz

uc3m.monteroespinosaonline.com - Matemáticas para la economía II - Tfnos 91 182 75 76 - 640 869 723 1

▪ Cuadrada: Matriz con igual número de filas que de columnas.

▪ Fila: Matriz de dimensión 1  n (una fila y n columnas).

▪ Columna: Matriz de dimensión m  1 (1 columna y m filas).

uc3m.monteroespinosaonline.com - Matemáticas para la economía II - Tfnos 91 182 75 76 - 640 869 723 2

▪ Nula: Aquella en la que todos sus elementos son iguales a cero.

Un determinante es un número asociado a una matriz cuadrada de orden n y se representa de la

1) Regla de Sarrus (válida para determinantes de tamaño 2x2 o 3x3) :

▪ Se llama menor complementario del elemento aij al determinante que resulta de

uc3m.monteroespinosaonline.com - Matemáticas para la economía II - Tfnos 91 182 75 76 - 640 869 723 3

Matriz inversa de una matriz cuadrada

Cálculo de la matriz inversa

Estas propiedades Algunas propiedades importantes de las matrices

Propiedades de los determinantes

▪ Si una línea (fila o columna) del determinante es composición de dos sumandos, el

uc3m.monteroespinosaonline.com - Matemáticas para la economía II - Tfnos 91 182 75 76 - 640 869 723 4

5 10 15 5·1 5·2 5·3 1 2 3

▪ Si se intercambian (se permutan) dos líneas de un determinante su valor cambia de signo.

▪ Si a una línea le sumamos una combinación lineal de otras líneas, el determinante no

▪ Si hay dos líneas proporcionales el determinante vale cero.

uc3m.monteroespinosaonline.com - Matemáticas para la economía II - Tfnos 91 182 75 76 - 640 869 723 5

1. Multiplicar una línea de A por un número real cualquiera diferente de cero.

2. Intercambiar dos líneas.

3. Sumar a una línea de A cualquier otra línea.

Rango de una matriz

- Una matriz no nula tiene un rango mínimo de uno.

Sistemas de ecuaciones lineales

- Si el sistema no tiene solución se denomina sistema incompatible (SI).

uc3m.monteroespinosaonline.com - Matemáticas para la economía II - Tfnos 91 182 75 76 - 640 869 723 6

Es la matriz formada conjuntamente por la matriz de coeficientes y por la matriz de términos

• Si rg(M) = rg(M*) = nº incógnitas  SCD

• Si rg(M) = rg(M*) < nº incógnitas  SCI

am1 am 2 amn am1 am 2 amn

II. Método de la matriz inversa (para SCD de 3 ecuaciones con 3 incógnitas)

MX = B  M −1MX = M −1B  IX = M −1B  X = A−1B es decir,

uc3m.monteroespinosaonline.com - Matemáticas para la economía II - Tfnos 91 182 75 76 - 640 869 723 7

a11 x1 + a12 x 2 + a13 x3 = b1  c11 x1 + c12 x 2 + c13 x3 = d1 

o, de forma matricial, que es más cómodo:

Una vez llegados al sistema “escalonado” despejar las incógnitas es inmediato.

uc3m.monteroespinosaonline.com - Matemáticas para la economía II - Tfnos 91 182 75 76 - 640 869 723 8

La norma Euclidea se puede interpretar de las siguientes maneras:

- x es la distancia desde x al origen de coordenadas.

La bola abierta de radio r y centro p = ( p1 , p2 ) es:

La bola cerrada de radio r y centro p = ( p1 , p2 ) es:

Puntos importantes de un conjunto A  2

▪ Punto Interior: Un punto p = ( p1 , p2 )  2

A es el conjunto de puntos interiores de A

▪ Punto Exterior: Un punto p = ( p1 , p2 )  2

▪ Punto Frontera: Un punto p = ( p1 , p2 )  2

uc3m.monteroespinosaonline.com - Matemáticas para la economía II - Tfnos 91 182 75 76 - 640 869 723 9

▪ Punto Aislado: Un punto p = ( p1 , p2 )  2

Conjunto ni abierto ni cerrado

al conjunto y parte no. Es decir AA y AA

Un conjunto es compacto si es cerrado y acotado.

Un conjunto A  2 es convexo si para cualesquiera x, y  A el segmento (línea recta) que une

uc3m.monteroespinosaonline.com - Matemáticas para la economía II - Tfnos 91 182 75 76 - 640 869 723 10

Una función f : n → m de varias variables, asigna a un punto de n

En nuestra asignatura, en la mayoría de los ejercicios trabajaremos con funciones de dos