Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Aplicada (Matemáticas)
Grado en:
Administración y
Dirección de Empresa
1.1. Introducción……………………………..…………………………………………………………… 2
LECCIÓN 1
1.1.- INTRODUCCIÓN
Esta lección se estructura en cuatro epígrafes. Y aunque el objetivo principal es el estudio de los
espacios vectoriales. Hemos creído necesario incluir un apartado introductorio para que sirva para
refrescar conocimientos a aquellos estudiantes que los tengan más flojos, de tal manera que todos puedan
incorporarse al estudio del núcleo de la lección. Así comenzaremos recordando las ideas básicas de la
teoría de matrices y sistemas de ecuaciones lineales. Las técnicas que aquí se repasan serán muy útiles
para caracterizar los vectores linealmente dependientes e independientes, determinar bases del espacio
vectorial y afrontar el cambio de base.
a
m1 a m2 a mn
Columnas de la matriz
Abreviadamente se puede expresar A = (aij ). Cada elemento de la matriz lleva dos subíndices. El
primero de ellos “i”, indica la fila en la que se encuentra el elemento, y el segundo, “j”, la columna. Así el
elemento a23 está en la fila 2 y columna 3. Las matrices siempre se representarán con letras mayúsculas.
3. Se llama matriz columna a la que sólo consta de una columna, es decir su dimensión será m x1,
como, por ejemplo:
1
C = 0 es una matriz columna de tamaño 3 x 1.
- 8
4. Una matriz es cuadrada cuando tiene el mismo número de filas que de columnas, es decir su
dimensión es n x n. Un ejemplo de matriz cuadrada es:
LECCIÓN 1
2 1
D =
3 4
Dentro de las matrices cuadradas llamaremos diagonal principal a la formada por los elementos
a11, a22, a33, . . ., ann, siendo la matriz:
Por último, si una matriz diagonal tiene en su diagonal principal sólo unos, se denomina matriz unidad o
identidad. Se suelen representar por In, donde n es el orden o tamaño de la matriz. Algunas matrices
identidad son:
1 0 0 0
1 0 0
1 0 0 1 0 0
I2 = I3 = 0 1 0 I4 =
0 1 0 0 1 0 0 1 0
0 0 0 1
Operaciones con matrices
Suma y diferencia
Para sumar o restar dos matrices del mismo tamaño, se suman o restan los elementos que se
encuentren en la misma posición, resultando otra matriz de igual tamaño.
Por ejemplo:
2 1 3 2 0 4 0 1 1
4 2 1 2 x 3 3 2 5 2 x 3 7 0 4 2 x 3
Si las matrices tienen diferente tamaño, no se pueden sumar o restar entre sí.
Conmutativa: A + B = B + A
Asociativa: A + (B + C) = (A + B) + C
Elemento neutro: La matriz nula del tamaño correspondiente.
Elemento opuesto de A: La matriz -A, que resulta de cambiar de signo a los elementos de A.
Dada una matriz cualquiera A y un número real α, el producto α ꞏA se realiza multiplicando todos los
elementos de A por α, resultando otra matriz de igual tamaño.
LECCIÓN 1
Por ejemplo:
2 1 3 1 12 32
1
1
2
4 2 1 2 x 3 2 1 2 2 x 3
Propiedades:
Matriz Traspuesta.
Dada una matriz A de orden m x n se denomina traspuesta de A y lo denotaremos como At, a aquella
matriz de orden n x m que resulta de intercambiar en A filas por columnas.
Por ejemplo, si
2 3
2 1 0 7 1 4
A = , entonces la matriz traspuesta de A es: At =
3 4 2 1 0 2
7 1
Dejamos al lector que demuestre las propiedades siguientes:
(At)t = A
(A+B)t = At + Bt
(α A)t = α At con α R
(A B)t = Bt At
Si una matriz coincide con su traspuesta, la denominaremos Simétrica.
Matriz Simétrica A = At
Obsérvese que solamente las matrices cuadradas pueden ser simétricas.
2 1 3
Ejemplo la matriz: A = 1 0 - 2
3 - 2 7
Matrices simétricas de gran importancia son la matriz diagonal y la unidad.
Multiplicación de matrices
Dadas las matrices A = (aij) de orden mxn y B = (bij) de orden nxp, definimos el producto de A y B
como una tercera matriz C = (cij) de orden mxp cuyos elementos se obtienen mediante la relación:
n
cij aik bkj
k 1
Ejemplo
Sean las matrices A y B de órdenes respectivos 2x2 y 2x3. El resultado del producto A B es la matriz
C de orden 2x3:
1 2 5 6 7 1 * 5 2 * 8 1 * 6 2 * 9 1 * 7 2 * 0 21 24 7
A B A B
3 4 8 9 0 3 * 5 4 * 8 3 * 6 4 * 9 3 * 7 4 * 0 47 54 21
LECCIÓN 1
Determinantes
A toda matriz cuadrada A de orden n le vamos a asociar un valor numérico al que denominamos
determinante de A y denotaremos por Det(A) o A .
Por ejemplo,
2 4 5
A = 6 7 3
3 0 2
LECCIÓN 1
Dada la matriz cuadrada A, se denomina adjunto de un elemento de la misma, aij al producto de (-l)i+j
por el determinante que resulta de suprimir en A la fila número i y la columna número j; si llamamos Mij
a este último determinante (llamado menor complementario de aij) y Aij al adjunto del elemento en
cuestión, resultará:
Aij = (-1)i+j Mij
En general puede saberse si el signo del menor complementario y del adjunto coincide o no utilizando
una sencilla regla gráfica, por ejemplo, para matrices 3 x 3 basta fijarse en la matriz:
donde el + significa que el adjunto coincide con el menor complementario y el - indica que tienen signo
contrario.
Muy útiles en numerosos casos prácticos son las propiedades de los determinantes que enunciamos
a continuación:
El determinante de una matriz A es igual al de su traspuesta: Det(A) = Det(At)
Si A y B son dos matrices cuadradas de orden n, se verifica: Det (A B) = Det (A) Det (B)
Si permutamos dos líneas paralelas de una matriz cuadrada, su determinante cambia de signo.
El determinante de una matriz es igual a cero si dicha matriz:
o tiene una línea de ceros.
o tiene dos líneas paralelas iguales.
o tiene dos líneas paralelas proporcionales.
o tiene una línea combinación lineal de otras paralelas.
El determinante de una matriz no modifica su valor si a una línea cualquiera de dicha matriz se
le suma otra paralela a ella multiplicada por una constante arbitraria.
pues el orden de mayor determinante no nulo que posee la matriz A es uno, sin embargo el B 0 y el
orden es de una matriz 2x 2.
LECCIÓN 1
A a12
A2 Det 1
a21 a22
De forma análoga, llamemos A3 al determinante de la matriz formada con las tres primeras filas y
columnas, etc. Pues bien, el método al que antes hacíamos referencia lo llevaremos a cabo dando los
siguientes pasos:
1) Fijamos nuestra atención en a11. Si a110 le llamamos a este elemento A1 y se sigue en el paso 2);
si a11=0, intercambiaremos la línea a la que pertenece dicho elemento por otra, cuyo primer elemento, ai1
o a1j, sea distinto de cero. Luego, en definitiva, se trata de conseguir que A10 y, por tanto, podemos
afirmar que, al menos, Rango(A) = 1, pues contiene (al menos) un determinante no nulo de primer orden.
2) Consideremos A2. Si Det(A2)0 se pasa a la etapa 3). En caso contrario, intercambiamos la
segunda fila o la segunda columna de la matriz por una paralela a ella de tal forma que consigamos que
Det(A2)0. Obsérvese que el intercambio ha de hacerse de tal forma que no modifiquemos el menor
anterior (distinto de cero), que en nuestro caso es A1. Si no conseguimos que exista un determinante:
A1 a12
0
a21 a22
concluiremos con que Rango(A) = 1, pues todos los menores de orden 2 son nulos. En caso contrario,
podemos afirmar que, al menos, Rango(A) = 2 y pasamos a:
3) Consideremos A3 ... , y así sucesivamente.
Ejemplo
Calculemos el rango de:
0 1 5
2 3 1
A
2 4 4
2 2 6
Solución:
LECCIÓN 1
Ejercicio
Calculemos el rango de las siguientes matrices:
1 1 0 1 2 1 1
A 0 1 1 1 B 0 0 0
0 0 1 4 2 1 1
Matriz Inversa
Dada una matriz cuadrada A, diremos que A-1 es matriz inversa de A si:
A A-1 = A-1 A = I
El método para calcular la inversa de una matriz A es el siguiente:
a) Verifíquese que Det (A) 0
b) Calcúlese la matriz adjunta: Adj(A).
c) Calcúlese su traspuesta: Adj(A)t.
1
d) Efectúese el producto: Adj(A) t
Det (A)
LECCIÓN 1
El lector puede determinar la inversa de matrices cualesquiera, pudiendo descubrir un posible error de
cálculo, sin más que aplicar la definición dada: la matriz que calcule A-1 ha de ser tal que A A-1 = I.
Propiedades
La inversa de una matriz es única.
(A-1)-1 = A
(A B)-1 = B-1 A-1
(A-1)t = (At)-1
Ejercicio
1 1 0
Determine la matriz inversa de A 0 1 1
0 0 1
Tratamos en este apartado de recordar al lector las ideas fundamentales sobre resolución y discusión
de sistemas de ecuaciones lineales.
Denominamos sistemas de ecuaciones lineales a un conjunto de relaciones lineales como sigue:
a11 x1 a12 x2 a1n xn b1
a21 x1 a22 x2 a2 n xn b2
am1 x1 am 2 x2 amn xn bm
que, en este caso, consta de m ecuaciones lineales con n incógnitas: x1, x2, …, xn. Supondremos que los
coeficientes de las incógnitas aij, los términos independientes b¡ y las propias incógnitas xj pertenecen al
cuerpo R de los números reales.
La forma anterior de expresar un sistema de ecuaciones lineales suele denominarse forma canónica.
Si llamamos:
a1 j
a2 j
Pj para j 1,2, , n
amj
podemos dar una expresión vectorial del sistema anterior en la forma:
x1P1 + x2P2 +…+ xnPn = b
donde hemos llamado:
b1
b
b 2
b
m
Análogamente, podemos dar una representación matricial del sistema anterior en la forma:
Ax=b
siendo:
LECCIÓN 1
Dado un sistema de ecuaciones lineales, denominamos solución s a n números reales, s1, s2, …, sn con:
s1
s
s 2
s
n
tales que, sustituyendo respectivamente si por cada xi en el sistema, se verifican todas y cada una de las
ecuaciones:
a11s1 a12 s2 a1n sn b1
a21s1 a22 s2 a2 n sn b2
am1s1 am 2 s2 amn sn bm
Si un sistema no tiene solución se le denomina incompatible; por el contrario, si tiene al menos una
solución se le llama compatible. En este último caso, si la solución es única, el sistema es compatible
determinado, mientras que si tiene más de una solución el sistema se denomina compatible
indeterminado.
Discusión de sistemas de ecuaciones lineales
En muchos momentos no vamos a necesitar resolver un sistema de ecuaciones lineales, sino
solamente saber si posee o no solución y, en caso afirmativo, si ésta es o no única.
Al proceso mediante el cual discernimos sobre la existencia o no de soluciones para un sistema de
ecuaciones dado y, posteriormente, en caso de existir dicha solución, analizar su unicidad, le llamaremos
discusión del sistema.
El teorema de Rouché será el instrumento eficaz que utilizaremos para discutir un sistema, como
podrá apreciarse en el ejemplo que veremos más adelante.
Teorema de ROUCHÉ-FROBENIUS
Dado el sistema de ecuaciones lineales
Aꞏx = b
construimos una nueva matriz A* (matriz ampliada) añadiéndole a la matriz A una nueva columna
formada por los elementos de b; esto es:
A* = (A b)
LECCIÓN 1
Ejemplo
Discuta el siguiente sistema:
x1 x 2 5 x 3 4
3x1 13x 2 5x 3 4
x1 6 x 2 0
Solución:
Observemos que Rango(A*) = Rango(A) = 2, menor que el número de incógnitas (=3), con lo cual el
sistema es compatible indeterminado y tiene infinitas soluciones
a11 b1 a1n
Establezcamos:
a21 b2 a2n
det( A j )
an1 bn ann
columna j
x1 x2 9
x1 x2 1
Aplicando las expresiones anteriores a este sistema obtenemos:
LECCIÓN 1
9 1
det( A1 ) 1 1 9 1
x1 5
det( A) 1 1 11
1 1
1 9
det( A2 ) 1 1 1 9
x2 4
det( A) 1 1 2
1 1
es decir, el sistema es compatible indeterminado. Veremos a continuación que tales sistemas se pueden
reducir a uno de Cramer equivalente.
Como Rango(A) = r, sólo existen r filas y r columnas que nos da información sobre la solución.
Sea
a11 a12 a1r
a 21 a 22 a 2n
0
a r1 a r 2 a rr
En el caso de las filas, como cada una de ellas representa una ecuación, de las m sólo r nos aportan
algún tipo de información y las restantes m - r no nos dicen nada y por ello las podemos eliminar. En
cuanto a las columnas, sólo r columnas nos aporta información, pasemos las n - r restantes al miembro de
la derecha. En estas condiciones obtendremos:
En este momento, el sistema puede ser considerado de Cramer en las incógnitas x1,x2,…,xr. Si lo
resolvemos, obtendremos unas incógnitas (las r primeras a las que podemos llamar principales) en
función de las restantes (a las que llamaremos secundarias); dando valores a estas últimas obtendremos
distintas soluciones.
LECCIÓN 1
Ejemplo Resolver
x1 x 2 5 x 3 4
3x1 13x 2 5x 3 4
x1 6 x 2 0
Solución:
Ya hemos visto anteriormente que este sistema es compatible indeterminado, puesto que Rango(A*)
= Rango(A) = 2 < número de incógnitas. Ello nos dice que de las tres ecuaciones, sólo dos nos da
información. Como
1 1
0
3 13
esto nos indica que las dos primeras ecuaciones nos resume toda la información del sistema, ya que la
tercera repite la información, 3ª = (1ª +2ª)/2, por lo que la eliminamos.
Por otra parte, las incógnitas asociadas a los elementos del determinante de orden 2 no nulo serán las
principales, es decir, x1, x2. Luego el sistema a resolver sería:
x1 x2 4 5 x3
3 x1 13 x2 4 5 x3
24
6a
5
4
x a con a R
5
a
para cada valor de “a” obtendremos una solución distinta.
Sistemas Homogéneos
En gran número de casos surge la necesidad de discutir un sistema de ecuaciones lineales homogéneo;
denominamos así a aquéllos cuyos términos independientes son nulos: b = 0. Este tipo de sistemas tiene
la particularidad de que siempre tienen solución (obsérvese que Rango(A) = Rango(A0), ya que al menos
poseen la denominada solución trivial, esto es:
xi = 0 para i=l, 2, ... , n
Entonces, en el caso de aplicar el teorema de Rouché a un sistema homogéneo, si es determinado su
única solución será la trivial, mientras que si es indeterminado tendrá, además de la trivial, infinitas más.
LECCIÓN 1
x1
x
x 2 , por motivos de comodidad se suele utilizar x = (x1, x2,…,x n )
x
n
Pues bien, vamos a definir sobre Rn dos operaciones:
1) La suma:
Rn x Rn Rn
x, y Rn , x + y = (x1, x2,…, xn)+ (y1, y2,…, yn) = (x1+y1, x2+y2,…, xn+yn)
Es fácil comprobar que Rn con la operación antes definida, verifica las siguientes propiedades:
Conmutativa: x + y = y + x
Asociativa: (x + y) + z = x + (y +z)
Elemento neutro: 0 = (0,0,….0) Rn tal que x + 0 = x
Por tanto, (Rn,+,.( R))es un espacio vectorial, es decir, Rn con las operaciones antes dadas, tiene
estructura de Espacio Vectorial sobre R, y a sus elementos se les llama Vectores.
Ejemplo
El conjunto de las matrices de orden mxn (M mxn ) con las operaciones(M mxn ,+,.( R)) definidas en el
primer epígrafe, tiene estructura de espacio vectorial sobre R.
LECCIÓN 1
Si los vectores v1, v2, …, vn Rn son tales que el vector 0Rn puede expresarse como combinación
lineal de {v1, v2, …, vn}:
α 1v1+ α 2v2+ … + α nvn = 0Rn [2]
con algún αi0 diremos que los vectores son Linealmente Dependientes. En caso contrario, si la
expresión anterior [2] sólo se verifica cuando todos los αi = 0 (i = 1,2, ... , n), se dice que los n vectores
son Linealmente Independientes.
Ejemplo
Sea un conjunto de vectores de R3:
v1=(2,0,-5), v2=(5,3,-14), v3=(9,-3,4)
analice si son linealmente dependientes.
Solución:
Los tres vectores v1, v2, v3 son linealmente dependientes si:
α1v1 + α 2v2 + α 3v3 = 0 con algún α i no nulo.
Sustituyendo cada vi por su valor y operando obtenemos el siguiente sistema:
21 5 2 9 3 0
3 2 3 3 0
5 114 2 4 3 0
LECCIÓN 1
n vectores LI
Rg
n vectores LD
v1 v2 vn
Ejemplo
¿Son linealmente independientes los vectores {(2, 0, 1), (1, 3, 0), (0, 0, 1), (1, 2, 3)}?
Solución.
2 1 0 1
Sea la matriz A = 0 3 0 2 cuyas columnas son los vectores.
1 0 1 3
Como A tiene 3 filas, sin realizar ninguna operación sabemos que Rg( A) ≤ 3: por tanto los vectores
son LD. Ahora bien,
2 1 0
0 3 0 6 0 Rg ( A) 3 , entonces los tres primeros vectores son LI
1 0 1
Rg u1 u 2 un n
Si B={u1, u2,…,un}es una base de Rn , todo vector x de Rn es combinación lineal de u1, u2,…,un
pues la ecuación vectorial
x = x1u1 + x2u2 + … + xnun
tiene solución (x1, x2, … xn) y además es única, ya que Rg[u1, u2,…,un] = n.
Llamaremos Componentes del vector x referidos a la base B a esos n elementos de R que son
solución (x1, x2, … xn)B . Obviamente, las componentes de un vector referidas a una base B, son únicas.
Ejemplo
Sea el espacio vectorial R2(R). Sea B ={(2, -1), (4, 8)} una base del mismo. Determine las
componentes de (2, 2) respecto a B.
Solución:
Si referimos dicho vector a la base B dada:
2 3
(2,2) 1 (2,1) 2 (4,8) 1 , 2
5 10
Luego las componentes de (2,2) respecto a B son (2/5,3/10).
Consideremos el espacio vectorial, Rn. Es inmediato comprobar que los n vectores siguientes forman
una base de Rn:
LECCIÓN 1
3 1 0 0 x1
*
*
2 0 1 0 x2
6 1 0 1 x *
3
1
x1* 1 0 0 3 1 0 0 3 3
*
x2 0 1 0 2 0 1 0 2 2
*
x3 1 0 1 6 1 0 1 6 9