Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Alvaro G. Parra1
Versin preliminar y bajo revisin.
Marzo 2005
Alumno de Magster en Economa Financiera de la Ponticia Universidad Catlica de Chile. Todos los
errores y omisiones son mos. Si tiene comentarios, favor de enviarlos a agparra@uc.cl.
ndice general
1. Operaciones Bsicas
1.1. Algunas Deniciones . . . . . . . . . . . . . . . . . .
1.1.1. Matriz . . . . . . . . . . . . . . . . . . . . . .
1.1.2. Matrices cuadradas. . . . . . . . . . . . . . .
1.1.3. Igualdad de Matrices. . . . . . . . . . . . . .
1.1.4. Vectores . . . . . . . . . . . . . . . . . . . . .
1.2. Suma de Matrices y Multiplicacin por un Escalar .
1.2.1. Suma y Resta de Matrices . . . . . . . . . . .
1.2.2. Multiplicacin de una Matriz por un Escalar
1.3. Multiplicacin de Vectores y Matrices . . . . . . . .
1.3.1. Multiplicacin de Vectores . . . . . . . . . . .
1.3.2. Multiplicacin de Matrices . . . . . . . . . .
1.4. Ms Deniciones . . . . . . . . . . . . . . . . . . . .
1.4.1. Matriz Transpuesta. . . . . . . . . . . . . . .
1.4.2. Matriz Identidad . . . . . . . . . . . . . . . .
1.4.3. Matrices Idempotentes . . . . . . . . . . . . .
1.4.4. La inversa de una matriz . . . . . . . . . . .
1.4.5. La Traza de una Matriz . . . . . . . . . . . .
1.5. Matrices Particionadas . . . . . . . . . . . . . . . . .
1.5.1. Denicin . . . . . . . . . . . . . . . . . . . .
1.5.2. Suma de Matrices Particionadas . . . . . . .
1.5.3. Multiplicacin de Matrices Particionadas . .
1.6. Ejercicios Propuestos . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3
3
3
3
4
4
4
4
4
5
5
5
6
6
7
7
7
8
8
8
9
10
11
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
13
13
13
14
14
14
14
16
17
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
18
19
19
19
21
22
22
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
25
25
25
26
26
26
27
28
29
30
31
31
32
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
34
34
34
37
38
38
39
39
40
41
42
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
44
44
44
45
46
46
47
48
50
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Captulo 1
Operaciones Bsicas
1.1.
1.1.1.
Algunas Deniciones
Matriz
Una matriz es un arreglo rectangular de nmeros encerrados por un par de corchetes. Algunos
ejemplos de matrices son:
1 2
2 3 7
A=
; B=
3 4
1
1 5
Se pueden representar en una matriz datos agrupados por columnas, los pagos de un conjunto de
activos en cada estado de la naturaleza, los coecientes de un sistema de ecuaciones, etc.
Por convencin las matrices se representan con letras en maysculas.
Ejemplo 1.1. La matriz B puede ser la matriz de coecientes del siguiente sistema de
ecuaciones.
2x + 3y + 7z = 0
x y + 5z = 0
Formalmente, se dice que la matriz
2
6
6
6
4
a11
a21
..
.
a12
a22
..
.
:::
:::
..
.
a1n
a2n
..
.
am1
am2
:::
amn
3
7
7
7
5
(1.1)
es de orden m x n ya que tiene m las y n columnas, donde cada elemento aij es un nmero o
una funcin que pertenece a los nmeros reales o complejos. Por ejemplo, la matriz A es de orden
2 x 2 y la matriz B es de 2 x 3 y sus elementos pertenecen a los nmeros reales.
1.1.2.
Matrices cuadradas.
1.1.3.
Igualdad de Matrices.
Las Matrices A y B son iguales, si y solo si, tienen el mismo orden y cada elemento de A es
igual al correspondiente elemento de B.
A = B () aij = bij
1.1.4.
8 i; j
Vectores
1.2.
1.2.1.
B = C () cij =aij
1
0
Ejemplo 1.2. Si A=
1.2.2.
A+B
2
1
3
4
bij
i = 1; :::; m
2
1
y B=
3 0
2 5
1+2
2+3 3+0
0 + ( 1) 1 + 2 4 + 5
1
2
( 1)
2
1
3 3
2 4
0
5
j = 1; :::; n
entonces:
3
1
5 3
3 9
1
1
1
1
3
1
Si se suma una matriz k veces con ella misma se obtendra una matriz en que cada uno de sus
elementos sera k veces el inicial. A esto se le llama multiplicacin por un escalar, donde el escalar
es k.
B = kA = Ak () bij = kaij = aij k i = 1; :::; m j = 1; :::; n
1
3
1
3
2
4
2
4
+
, entonces:
1
3
2
4
1
3
2
4
3
9
6
12
= 3A = A3
1.3.
1.3.1.
Sea A =
a1
a2
::: am
6
6
un vector de orden 1 x m y B = 6
4
b1
b2
..
.
7
7
7un vector m x 1, entonces
5
bm
su multiplicacin C = AB (en ese orden) est denida como la sumatoria de la multiplicacin del
elemento i de la matriz A con el elemento i de la matriz B, esto es:
2
3
b1
m
6 b2 7
X
6
7
ai bi
AB = a1 a2 ::: am 6 . 7 = [a1 b1 + a2 b2 + ::: + am bm ] =
4 .. 5
i=1
bm
2
3
1
2 3 4 4 1 5 = [2(1) + 3( 1) + 4(2)] = [7]
Ejemplo 1.4. (a)
2
2
3
2
3
1 4 4 6 5 = [ 6 6 + 12] = [0]
(b)
3
Ntese que lo que se hizo fue multiplicar una la con una columna, esto hay que tenerlo muy
presente en la seccin que sigue.
1.3.2.
Multiplicacin de Matrices
Ejemplo 1.5.(a)
3
a11 a12
si A = 4 a21 a22 5 y B
a31 a32
2
a11 b11 + a12 b21
AB = 4 a21 b11 + a22 b21
a31 b11 + a32 b21
5
p
X
aik bjk
k=1
b11
b21
b12
b22
, entonces AB es igual a:
3
a11 b12 + a12 b22
a21 b12 + a22 b22 5
a31 b12 + a32 b22
(b)
si C =
CD =
1
4
2
0
1
2
3
4
5 5, entonces CD es igual a:
2
3
yD=4 1
2
1(3) + 2(1) + 1( 2)
4(3) + 0(1) + 2( 2)
1( 4) + 2(5) + 1(2)
4( 4) + 0(5) + 2(2)
3
8
8
12
1.4.
Ms Deniciones
1.4.1.
Matriz Transpuesta.
La transpuesta de una matriz A se obtiene intercambiando las las de A por las columnas de A
y la denotamos como A0 . Si denotamos B = A0 podemos denir la transpuesta de A como:
B = A0 () bij = aji
8 i; j
=
=
=
=
6
A
A0 + B 0
kA0
B 0 A0
Dado lo anterior podemos denir matriz simtrica como aquella matriz que cumple con A =
A0 .
1.4.2.
Matriz Identidad
La matriz identidad es una matriz diagonal de unos, es decir, una matriz cuadrada donde
todos los elementos fuera de la diagonal principal son ceros y los elementos dentro de la diagonal
son unos.
2
3
1 0 0
Ejemplo 1.7. Una matriz identidad de orden 3: I3 = 4 0 1 0 5 y una de orden 2:
0 0 1
1 0
I2 =
:
0 1
Una de las propiedades de la matriz identidad es que AI = IA = A:
1.4.3.
Matrices Idempotentes
Son aquellas matrices que multiplicadas por s mismas son ellas mismas, es decir, An = A 8n 2 N:
Por ejemplo, si A2 = AA = A entonces A sera una matriz idempotente, la matriz identidad es
idempotente. Adems si la matriz es simtrica se cumple que A0 A = A:
3
2
2
2
4
4 5 ya que:
Ejemplo 1.8. La siguiente matriz es idempotente A = 4 1 3
1
2
3
2
32
3 2
3
2
2
4
2
2
4
2
2
4
4 54 1 3
4 5=4 1 3
4 5
A2 = 4 1 3
1
2
3
1
2
3
1
2
3
1.4.4.
1
4 1
1
2
3
2
32
3
6
3 54 1
4
1
2
1
0
3 2
3
6
0 5=4 1
1
1
2
1
0
32
3
1
0 54 1
1
1
2
3
2
3 2
3
1
3 5=4 0
4
0
0
1
0
3
0
0 5
1
Si una Matriz no tiene inversa se le llama singular y si la matriz tiene inversa, no singular.
1.4.5.
1.5.
Matrices Particionadas
1.5.1.
Denicin
Una matriz particionada es una matriz de matrices, sta puede representar divisiones imaginarias
dentro de una matriz o divisiones reales:
Ejemplo 1.11. Podemos particionar la matriz B =
2
1
3
1
7 0
5 0
forma:
2
1
3
1
7
5
0
0
o de la siguiente
2
1
3
1
7 0
5 0
:::
:::
..
.
a1n
a2n
..
.
:::
amn
3
7
7
7
5
de la siguiente
y se particiona tomando s grupos de las (m1 ; m2 ; :::; ms ) y t grupos de columnas (n1 ; n2 ; :::; nt ),
entonces se podra escribir (1.1) de la siguiente forma:
2
3
A11 A12 : : : A1t
6 A21 A22 : : : A2t 7
7
6
A=6 .
..
.. 7
..
4 ..
.
.
. 5
As1 As2 : : : Ast
donde cada elemento Aij de A es una submatriz de orden mi x nj :
2
3
1 4 5
Ejemplo 1.12. Sea la matriz particionada A = 4 2 9 3 5, entonces se puede repre8 9 6
A11 A12
1 4
5
sentar de la siguiente forma
donde A11 =
; A12 =
; A21 = 8 9
A21 A22
2 9
3
y A22 = 6 .
Un caso especial es el de la matriz diagonal por bloques:
A11
0
0
A22
1.5.2.
3 2
1 4 5
4
4 2 9 3 5+4 2
8 9 6
6
2
1+4 4+3
4 2+2 9+0
8+6 9+8
3
3 3
0 2 5 =
8 7
3
5+3
3+2 5 =
6+7
de matrices.
3
3 3
0 2 5, entonces A + B es igual a:
8 7
1 4
4 3
4 2 9 + 2 0
8 9 + 6 8
2
3
5
7 8
4 4
9 5 5
14 17 13
3
5
3
+
3
2 5
6 + 7
1.5.3.
=
2
2
6 3
6
= 4
1
2
4
= 4 7
1
1
2
0
1
2
1
2
1.6.
1
0
2 3 1
+
1
0
1
+ 1 2 3 1
1
A11
0
A11
0
0
A22
2
3
1
2
0
2
3
0
0
2 7
+
0
0
7
5
0
+ 1 2
0
3
4 3 3
0
0
+
0
0 5=4 7 5 5
0 + 2
3 4 2
3 3
0 0 0
+
5 5
0 0 0
1 1 + 2 3 1
(b) Sea A =
A0 A =
1
1
1
1
0
, entonces A0 A es igual a:
A22
0
A11
0
0
A011 A11
=
A22
0
Ejercicios Propuestos
10
0
:
A022 A22
3
0
0 5:
2
1. De las siguientes matrices, Cules son conformables para la suma?. Calcule la suma de
aquellas que cumplen con la propiedad anterior.
2
3
2
3
2 7
8 7
1 7 2
2 35
A = 4 4 5 6 15 :
B = 44
3 5 9 0
1 5 6
2
3
2
3
0
1 3
8
4
8 6
63
6 7
0 9 47
2 37
7
7
C = 6
D=6
4 2 0 4
5
4
7
1
3 25
4
2 9 0
6
5 1
2
3
2
3
5 3
6
3 3 6
E = 46 2 15
F = 4 5 1 85
9 0 7
9 7 2
2
3
2
3
6 3 2
1 2 5
61 4 17
7
25
H=6
G = 44 3
40
2 05
3 4 5
5 0 7
2
1
2. Dado A = 45
1
2
0
1
a) Calcule:
3
2
3
3
2 5, B = 44
3
1
1
2
0
3
2
4
2
55 y C = 40
1
3
1) A + B:
2) A C:
3) 2A:
b) Verique: A + (B
C) = (A + B)
C:
b)
c)
d)
2
0
1
2
0
2
8
:
2
1
e) 4 0
0
7
1
2
0
1
1
2
0
3
5
6 47
7
6 6
4 3 5:
2
0
:
2
0
0
2
2
0
0
:
1
32
2
2
15 40
3
0
1
1
0
3
4
2 5:
1
11
1
3
2
3
2
25 :
3
3
3
f ) 4 45 4
5
2
2
4. Sea A = 4 1
1
3
4
3
8 :
3
2
5
1
5 5, B = 4 1
4
1
3
2
5
2
55 y C = 4 1
5
1
3
3
3
2
3
2
a) Muestre que AB = BA = 0; AC = A; CA = C:
b) Con los resultados de (a) muestre que:
1) ACB = CBA:
2) A2 B 2 = (A B)(A + B):
3) (A B)2 = A2 + B 2 :
5. Demuestre:
a) tr(A + B) = tr(A) + tr(B):
b) tr(kA) = ktr(A):
6. Calcule AB en
2
1
4
0
a) A =
0
2
1
6 0
b) A = 6
4 0
0
2
1
6 0
6
6 0
c) A = 6
6 0
6
4 0
0
12
7
7:
5
0
0
1
0
0
0
0
0
0
3
0
0
0
0
0
0
2
0
0
0
0
0
0
3
7
7
7
7:
7
7
5
3
4
4 5:
3
Captulo 2
Determinantes de Matrices
Cuadradas
2.1.
2.1.1.
Permutaciones e Inversiones
Permutaciones
132
312
213
321
Inversiones
En una permutacin de nmeros naturales de 1 a n, si un nmero precede a otro que es menor,
decimos que estos nmero estn invertidos y que la permutacin contiene una inversin, luego el
nmero total de inversiones que posee una permutacin, por denicin, es cuntos nmeros menores
prosiguen despus de nmeros mayores.
Ejemplo 2.2: Sea 614325 una permutacin de nmeros del 1 al 6, sta posee 8 inversiones ya que 6 es mayor que 1,4, 3, 2 y 5, adems 4 es mayor que 3 y 2, por ltimo 3
es mayor que 2.
Si el nmero de inversiones en una permutacin es par (impar), la llamamos permutacin par
(impar).
13
2.1.2.
El Nmero Epsilon
=f
= ( 1)k
2.2.
2.2.1.
321
= ( 1)3 =
1. Por otro
2.2.2.
=
=
=
=
=
=
Dado lo anterior se dene el determinante de orden n como la suma de todos los trminos
del determinante de una matriz de orden n, y lo denotamos como det A, o bien, jAj :
X
det A = jAj =
j1 j2 :::jn a1j1 a2j2 :::anjn
14
Ejemplo 2.4.
(a)
(b)
a11
a21
a12
=
a22
a11
a21
a31
a12
a22
a32
12 a11 a22
a13
a23
a33
1
3
2
= 1(4)
4
(d)
2
1
2
3
0
1
a12 a21
a11 a22 a33 a11 a23 a32 a12 a21 a33 + :::
+a12 a23 a31 + a13 a21 a32 a13 a22 a31
2(3) =
5
0
1 =2
1
0
= a11 a22
= a11
(c)
21 a12 a21
1
0
a23
a33
a12
a21
a31
a
a23
+ a13 21
a31
a33
a22
a32
2
1
2
1
1
+5
2
0
0
1
= 2(0(0)
1(1))
3(1(0)
1(2)) + 5(1(1)
= 2( 1)
3( 2) + 5(1) = 9
0(2))
Teorema 2.1: Sea A una matriz cuadrada y k un escalar, entonces se cumple lo siguiente:
(a) detA = detA0
(b) Si todos los elementos de una la o una columna son ceros, entonces detA = 0
(c) Si dos las o columnas son iguales, entonces detA = 0
(d) Si B es igual a A excepto por que una la o una columna es k veces la de A, entonces
se cumple que detB = kdetA
(e) Si sumamos o restamos k veces una la o una columna a otra la o columna, entonces
el determinante no cambia
(f ) Si intercambiamos 2 las o 2 columnas de A, entonces el determinante de la nueva
matriz es detA
(g) Si B es una matriz del mismo orden de A, entonces det(AB) = (detA)(detB)
Ejemplo 2.5. Calculemos los
2
0;87632
(a) A = 40;31141
0;11232
3
13
265
92
15
1
0;87632 0;35536
0;12817
0;31141
0;24418
0;10214
0;11232
0;10214
0;014971
por (e) restamos 0.31141 veces la primera columna a la segunda y 0.11232 veces la
primera a la tercera:
1
0
0
0;87632 0;35536 0;13352 0;06223
0;12817 0;06223 0;00058
factorizando la segunda columna por 0.13352:
1
(0;87632)(0;13352) 0;35536
0;12817
0
1
0;4611
0
0;06223
0;00058
0
0
=
0;02843
0;003326:
11
23
87
2
3
5
11
23
87
2
3 =0
5
2.3.
Menores y Cofactores
Sea A una matriz cuadrada de orden n cuyo determinante existe. Entonces el determinante de
la matriz que obtenemos al eliminar la la i y la columna j de A la llamamos primer menor de
A y es denotado como jMij j o bien lo llamamos el menor de aij : De la misma forma, el cofactor
de aij est denido como ( 1)i+j jMij j y lo denotamos como ij:
2
3
a11 a12 a13
Ejemplo 2.6. Si A = 4 a21 a22 a23 5, entonces los menores principales y los cofaca31 a32 a33
tores de la segunda la son:
16
jM21 j =
a
a13
; jM23 j = 11
a31
a33
a
a13
; jM22 j = 11
a31
a33
a12
a32
a12
a32
y
21
2+2
= ( 1)2+1 jM21 j = jM21 j ;
jM22 j = jM22 j ;
22 = ( 1)
2+3
=
(
1)
jM
j
=
jM
j
23
23
23
As como denimos primeros menores, como el determinante de la matriz que resulta al eliminar
una la y una columna de la matriz A, se puede denir los segundos menores como el determinante
de la matriz que resulta al eliminar dos las y dos columnas de la matriz A y as sucesivamente.
Imaginemos una matriz cuadrada de orden 5, entonces un segundo y tercer menor son:
jM23;24 j =
a11
a41
a51
a13
a43
a53
a15
a45
a55
; jM145;135 j =
a22
a32
a24
a34
Se dice que dos menores son complementarios si uno esta conformado por las las y columnas
que elimin el otro menor. Por ejemplo, los dos menores anteriores son complementarios. As mismo,
podemos ampliar la denicin de cofactor. El cofactor del menor M(i)(j) est denido como:
A(k)(p) = ( 1)(
P
k+ p)
M(k)(p)
matriz:
0
0
4
3
2
1
0
0
1
2
3
0
07
7
35
4
0
, es:
0
2.4.
0
0
3
4
La Expansin de Laplace
Laplace demostr que el determinante de una matriz A puede ser calculado seleccionando r las
(o columnas) de A, formando todos los menores posibles de esas r las (o columnas), multiplicando
todos los menores con su cofactor y sumando los resultados.
Ejemplo 2.8. Calculemos el determinante de la matriz del ejemplo anterior seleccionando las dos primeras las, esto signica que vamos a tener C24 = 6 menores ya que se
tienen las siguientes combinaciones de columnas: la columna 1 con la 2, la 1 con la 3, la
1 con la 4, 2 con la 3, la 2 con la 4, la 3 con la 4.
17
1
2
0
0
0
0
4
3
2
1
0
0
0
0
3
4
1
2
4
2
( 1)1+2+1+3
3
1
1
3
+
2
4
0
0
( 1)1+2+1+2
0
0
3
4
1
2
4
0
( 1)1+2+1+4
3
0
0
0
+
0
0
2
0
( 1)1+2+2+3
1
0
3
4
0
0
0
0
( 1)1+2+2+4
0
0
2
0
+
1
0
0
0
( 1)1+2+3+4
0
0
4
3
21
Corolario: Sea A una matriz cuadrada de orden 3, entonces su determinante puede ser
calculado de las siguientes formas:
X
jAj =
aij ij para cualquier i, o bien
j
jAj =
aij
ij
para cualquier j.
2.5.
ij
6
6
adjunta A = adj A = 6
4
21
22
..
.
..
.
:::
:::
..
.
n1
n2
:::
11
12
1n
2n
..
.
nn
2
3
1 2 3
Ejemplo 2.9. Para la matriz A = 42 3 25, sus cofactores son:
3 3 4
=
6;
=
2;
=
3;
5; 23 = 3;
11
12
13
21 = 1;
22 =
=
1
33
y su adjunta es:
6
adj A = 4 2
3
1
5
3
3
5
45
1
3
7
7
7
5
31
5;
32
= 4;
Teorema 2.2. Sea A una matriz cuadrada de orden n y adj A su adjunta, entonces se
cumple que:
A(adj A) = (adj A)A = jAj I
18
2.6.
3
0
0 5=
7
7I
Del Teorema 2.2 se desprende una forma de calcular la matriz inversa que denimos en el
punto 1.4.4. Recordemos que la inversa de A es aquella matriz B que cumple con la siguiente
propiedad: AB = BA = I y denotbamos a B = A 1 : Entonces si dividimos el teorema por jAj y
premultiplicamos por A 1 ; encontramos:
3
2
11 = jAj
12 = jAj : : :
1n = jAj
7
22 = jAj : : :
2n = jAj 7
adj A 6
6 21 = jAj
=6
A 1=
7
..
..
.
.
..
..
jAj
5
4
.
.
n1 = jAj
n2 = jAj : : :
nn = jAj
Ejemplo 2.11. La inversa de la matriz A del ejemplo anterior es:
6
adj A
1 4
2
=
=
jAj
7
3
3 2
5
0;8571
4 5 = 4 0;2857
1
0;4286
1
5
3
0;1429
0;7143
0;4286
3
0;7143
0;57145
0;1429
(A 1 ) 1
(A 1 )0
= A
= (A0 )
Si A es simtrica, A
(AB)
(ABC)
2.7.
2.7.1.
1
1
= B
= C
1
jAj
A 1
1
(AB)
es simtrica.
=C
El determinante de una matriz particionada es igual al de una matriz comn y corriente pero
como las submatrices son de menor orden que la matriz original puede que sea conveniente, para
simplicar los clculos, calcular el determinante en funcin de las submatrices. Ac se presentan
algunos resultados importantes:
19
A11
0
jAj =
2
3
0
0 7
7, entonces su determinante es:
6 5
8
1 2 0
6 3 0 0
Ejemplo 2.12. Sea A = 6
4 0 0 5
0 0 9
jAj =
=
2 5
0 9
1
3
0
= jA11 j jA12 j
A22
6
= (1(0)
8
( 6)(40
(2)(3))((5)(8)
(6)(9)) =
Sea A =
A12
una matriz particionada, entonces su determinante est denido por:
A22
A11
A21
A12
A22
1 2 5
6 3 0 9
Ejemplo 2.13. Sea A = 6
4 3 8 2
9 7 5
1
3
2
0
2
5
3
7
3
9
8
7
1
3
2
0
5
9
= jA11 j A22
= jA22 j A11
3
6
8 7
7, entonces su determinante es:
3 5
7
6
8
3
3 8
0
0;333
5
7
9 7 0;5
0;1667 9
3
17 21;333
15
= 6
= 6
7
34 35;667
29
= 6(( 15)( 28;667) ( 18;333)( 29))
= ( 6)( 101;6667) = 610
=
2
5
2
5
20
6
8
18;333
28;667
2.7.2.
Al igual que el determinante, su clculo, puede hacerse con la matriz no particionada pero el
estudio de este tipo de matrices es esencial en econometra.
La Inversa de la Matriz Diagonal por Bloques
Sea A =
A11
0
0
A22
denida por:
A11
0
0
A22
1 2 0
6 3 0 0
Ejemplo 2.14. Sea A = 6
4 0 0 5
0 0 9
2
1
6 3
6
4 0
0
2
0
0
0
0
0
5
9
3
0
0 7
7
6 5
8
A111
0
0
A221
3
0
0 7
7, entonces su inversa es:
6 5
8
1 2
6 3 0
= 6
4 0 0
0 0
2
0
6 0;5
= 6
4
0
0
2
0
6 0;5
= 6
4 0
0
0
0;5
5
9
0;333
0;1667
0
0
0;333
0;1667
0
0
3
0;333
0;1667 7
7=
1
5
6
8
3
0 0
7
0 0
7
0;5714 0;4286 5
0;6429
0;3571
3
0
0
7
0
0
7
0;5714 0;42866 5
0;6429
0;3571
A11
A21
A12
una matriz particionada, entonces su inversa est denida por:
A22
A11
A21
A12
A22
donde
= A22
2
1 2 5 6
6 3 0 9 8
Ejemplo 2.15. A = 6
4 3 8 2 3
9 7 5 7
A21 A111
7
7, entonces su determinante es:
5
21
A111 =
1
3
2
0
0
0;5
0;333
;
0;1667
15
29
18;333
,
28;667
0;2820
0;2852
0;1803
0;1475
entonces
2.8.
0;1754
6 0;0443
=6
4 0;4967
0;6246
0;0344
0;0180
0;4246
0;3656
0;0852
0;1934
0;2820
0;2852
3
0;1475
0;06567
7
0;18035
0;1475
1
3
1
2
;
3
0
1
, entonces todas las submatrices cuadradas de A
2
1
1
1
;
; 2 ; 1 ;
2
3
2
1 ; 0 ; 3 ;
2
Entonces el rango de una matriz es el orden de la submatriz cuadrada de mayor orden con
determinante no nulo. En el ejemplo anterior el rango es 2 ya que todas las submatrices cuadradas
de orden 2 tienen determinante no nulo, es decir, son no singulares.
Corolario: Si A es una matriz cuadrada de orden n y su rango es r < n, entonces no
A
tiene inversa denida; ya que A 1 = adj
jAj ;pero si r < n signica que jAj = 0; entonces
la inversa A no est denida. Luego, todas las matrices cuadradas invertibles tienen su
rango igual a su orden ( r = n) y las llamaremos matrices de rango completo.
A continuacin se presentan 3 propiedades muy tiles del rango de una matriz:
(a) rango (A) = rango (A0 )
(b) rango (AB) m n(rango (A); rango (B))
(c) rango (A) = rango (A0 A) = rango (AA0 )
Si A es de orden M x n con n M y B es una matriz cuadrada de rango n, entonces:
(d) rango (AB) = rango (A)
Piense en la diferencia entre (b) y (d).
2.9.
Ejercicios Propuestos
1. Ocupando los trminos del determinante calcule el determinante de las siguientes matrices:
a) A =
3
4
2
:
6
22
b) B =
4
8
6
:
1
2 1
:
2 0
2
3
2 1 2
d ) D = 44 6 45 :
0 1 0
2
3
1 3
2
2 1 5:
e) E = 4 3
2
1
3
c) C =
2. Usando las propiedades de los determinantes (teorema 2.1) calcule el determinante de las
siguientes matrices (tal como se hizo en el ejemplo 2.5):
2
1
A = 42
3
2
2
2
3
2
3
0;6510
25 ; B = 40;2234
3
0;1476
0;2234
0;5945
0;1162
3
0;1476
0;11625 :
0;7129
a) A =
4. Calcule todos los segundos menores, con sus respectivos complementarios, de la siguiente
matriz. Luego calcule su determinante expandiendo por Laplace.
2
4
63
6
40
0
0
0
5
7
3
4
0
0
3
0
07
7
75
5
1 2 8
6 5 7 9
b) B = 6
4 3 7 3
5 5 4
3
0
1 7
7:
2 5
4
7. Calcule el rango de las siguientes matrices e identique aquellas que son de rango completo.
a) A =
b) B =
1
8
7
:
5
2
3
1
3
2
4
d ) D = 49
0
2
1
e) E = 44
7
2
c) C =
1
f) F = 4 4
3
4
:
6
2
5
3
:
6
2
5
8
3
3
65 :
0
3
7
85 :
1
3
5
2
3
2
1 5:
1
24
Captulo 3
Espacios Vectoriales y
Dependencia Lineal
3.1.
x1 = (4; 2)
-x
1 2 3 4 5 6 7 8 9 10
3.1.1.
Suma de Vectores
Al igual que la suma de matrices, la suma de vectores slo esta denida en vectores del mismo
orden y es simplemente la suma elemento a elemento.
25
x1
x2
:
3
x3
x2
:
x1
-x
1 2 3 4 5 6 7 8 9 10
3.1.2.
La multiplicacin de un vector por un escalar, al igual que la multiplicacin de una matriz por
un escalar, es sumar k veces el mismo vector y grcamente corresponde a aumentar en k veces la
distancia del vector respecto a su origen.
Ejemplo 3.3. Sea x1 = [3 1] un vector de 2 dimensiones, entonces si se multiplica por
un escalar k = 2, el nuevo vector ser x01 = [6 2]; grcamente:
y
8
7
6
5
4
3
2
1
0
x01 = (6; 2)
x1 = (3; 1)
-x
1 2 3 4 5 6 7 8 9 10
Figura 3.3: Multiplicacin por un escalar
3.2.
3.2.1.
Sea A =
a1
a2
::: am
6
6
un vector de orden 1 x m y B = 6
4
b1
b2
..
.
7
7
7un vector m x 1, entonces
5
bm
su multiplicacin C = AB (en ese orden) est denida como la sumatoria de la multiplicacin del
elemento i de la matriz A con el elemento i de la matriz B, esto es:
2
3
b1
m
6 b2 7
X
6
7
AB = a1 a2 ::: am 6 . 7 = [a1 b1 + a2 b2 + ::: + am bm ] =
ai bi
4 .. 5
i=1
bm
a esta operacin tambin se conoce como producto punto.
2
3
1
2 3 4 4 1 5 = [2(1) + 3( 1) + 4(2)] = [7]
Ejemplo 3.4. (a)
2
(b)
1
2
= [2
2] = [0]
Se dicen que dos vectores son ortogonales si su producto punto es igual a 0. Los vectores del
ejemplo 3.4.b. son ortogonales y grcamente se ven de la siguiente forma:
y
6
x = (2; 1)
* 1
- x
A
A
AUx2 = (1; 2)
?
Figura 3.4: Vectores ortogonales
Podemos apreciar que los vectores ortogonales son perpendiculares.
3.2.2.
La Norma de un Vector
La norma o largo de un vector X est denida como la raz cuadrada del producto punto del
vector con s mismo y lo denotamos como jjXjj :
q
p
0
jjXjj = X X = x21 + x22 + ::: + x2n
27
12 + 22 + 32 = 3;742
1
2
(jjX + Y jj
2
jjXjj
jjY jj )
jjX + Y jj
A los vectores cuyos largos son igual a 1 se les llama vectores unitarios.
Ejemplo 3.6. Sean X 0 = 1
a) X 0 Y
X 0Y
X 0Y
3 ;Y 0 = 3
2 3
3
1
3 405 = (
2
4
4
2
7
1
2
3
3
0
4
3 + 0 + 12 =
p
p
1 p 2
=
(( 4 + 22 + 72 )2 ( 12 + 22 + 32 )2 ( 32 + 02 + 42 )2 )
2
1
30
= 15 = ((16 + 4 + 49) (1 + 4 + 9) (9 + 16)) =
= 15
2
2
b)
c)
1
2
3
jX 0 Y j = j15j
15
p
12 + 22 + 32
(3;742)(5)
18;71
jjX + Y jj =
p
42 + 22 + 72
8;306
3.3.
4
2
7
1
2
3
3
0
4
p
32 + 02 + 42
12 + 22 + 32 +
8;742
3
0
4
p
32 + 02 + 42
3.3.1.
Sistemas Homogneos
= 0
= 0
= 0
Sx = S
x = 0
Podemos concluir que si existe inversa, es decir, si S es de rango completo, entonces la solucin
trivial ser nica.
Si reordenamos el sistema de la siguiente forma:
2 3
2 3
2 3
a1
b1
c1
4a2 5 x1 + 4b2 5 x2 = 4c2 5 x3
a3
b3
c3
podemos darnos cuenta de que si existiese otra solucin aparte de la trivial, podramos expresar el
vector s3 en funcin de s2 y s1 . Luego podemos hacer la siguiente denicin:
Dependencia lineal: Un conjunto de vectores n-dimensionales F son linealmente
dependientes entre s, si se puede dejar expresado un vector en funcin del resto.
Anlogamente podemos denir dependencia lineal si el sistema de ecuaciones homogneo
conformado por todos los vectores de F tiene ms de una solucin, o bien, la matriz S
conformada por los vectores de F no es de rango completo.
Anlogamente se puede denir independencia lineal :
29
3.4.
Ejercicios Propuestos
a) X1 = 2
b) X3 =
1 ; X2 = 1
2 ; X4 = 0
c) X5 = 4
5 ; X6 =
d ) X7 = 5
4 ; X8 =
a) X1 = 1
b) X2 =
3 ;k = 2
0
3 ;k =
0
c) X3 = 1
d ) X3 =
3 ;k =
2
2
3 ;k = 2
2
3. Calcule el producto punto de los siguientes vectores y verique que se cumpla X 0 Y = 21 (jjX + Y jj
2
2
jjXjj
jjY jj ):
a) X1 = 3
b) X3 = 1
c) X5 =
3
1
1 ; X2 = 4
5 ; X4 = 2
3
4 ; X6 =
30
1 0
2
d ) X7 = 6
1 ; X8 = 2
4. Muestre que los vectores del ejercicio 3 cumplen con la desigualdad de Schwarz y con la del
Tringulo
5. Determine si los siguientes vectores son linealmente dependientes o independientes
a) X1 = 1
b) X1 = 1
c) X1 =
d ) X1 =
11
e) X1 = 1
3.5.
3 ; X2 = 4
3
7
15 ; X3 = 3
4 ; X3 = 8
3 ; X2 = 7
3 ; X2 = 5
0
5 ; X2 =
0
2 ; X2 =
1
3
2 ; X3 = 3
0
2 ; X3 = 1
3
1
4
1
1
0
3.5.1.
Sistemas no Homogneos
= d1
= d2
= d3
31
2
a1
4a2
a3
32 3 2 3
c1
x1
d1
c2 5 4x2 5=4d2 5 ;
c3
x3
d3
Sx = D
b1
b2
b3
Sx = S
x = S
1
1
D
D
Esta solucin es ms relevante de lo que parece, no slo nos ayudar a resolver sistemas de
ecuaciones lineales, sino que tambin signica que si la matriz S es de rango completo, entonces
siempre podremos encontrar una combinacin lineal x de los vectores de S que formen cualquier
vector D, es decir, podremos generar cualquier vector en el espacio. Esto nos lleva a otra denicin:
Base Vectorial: Un conjunto k de vectores F son una base para el espacio vectorial
de k dimensiones F si estos k vectores son linealmente independientes.
En otras palabras, si tenemos k vectores pertenecientes a Rk linealmente independientes, podemos
generar cualquier otro vector perteneciente Rk a travs de una combinacin lineal de estos.
2 3
2 3
2 3
0
0
1
Ejemplo 3.8. Los vectores a = 405 ; b = 415 ; c = 405 son base para el espacio
0
1
0
vectorial R3 , a su vez los vectores a y b no son base
para
el
espacio vectorial R3 , pero si
2 3
x
son base para el subespacio de R3 de la forma 4y 5 :
0
Vectores Elementales: Los vectores elementales E1 ; E2 ; :::; En son vectores unitarios
que sirven como base para Rn y son de la siguiente forma:
E1
E2
..
.
En
3.6.
=
=
=
=
[1 0 ::: 0]
[0 1 ::: 0]
..
.
[0 0 ::: 1]
Ejercicios Propuestos
1. Determine la dimensin del espacio vectorial que generan los siguientes conjuntos de vectores.
De qu forma son estos espacios?
a) X1 = 1
b) X1 = 1
3 ; X2 = 4
2
2
3 ; X2 = 7
5
7
0
0
15 ; X3 = 3
32
c) X1 =
d ) X1 =
11
e) X1 = 1
3 ; X2 = 5
5 ; X2 =
0
2 ; X2 =
4 ; X3 = 8
2 ; X3 = 3
0
2 ; X3 = 1
33
4
1
1
0
Captulo 4
En muchas aplicaciones de las matrices a las matemticas, fsica y ciencias sociales surge el
siguiente problema: Para una matriz cuadrada A de orden n se necesita encontrar los escalares y
los vectores no nulos X que satisfagan simultneamente la siguiente ecuacin:
AX = X
Este sistema de ecuaciones se conoce como el problema de los valores caractersticos. Para
resolver el sistema anterior es conveniente escribirlo de la siguiente forma:
(A
I)X = 0
lo que corresponde a un sistema de ecuaciones homogneo con n incgnitas, el cual tendr soluciones
no triviales si el determinante de la matriz de coecientes es nulo:
det(A
a11
a21
I) =
..
.
a12
a22
..
.
am1
am2
:::
:::
..
.
:::
a1n
a2n
..
.
=0
amn
4.2.
34
1;
2 ; :::;
n:
2
2
1
,
3
I) =
1
2
5 +4=0
)(1
) = 0 =)
= 1;
=4
: AX = X )
2
2
1
3
x1
x
x1 + x2 = 0
= 1 )
)
x2
x2
2x1 + 2x2 = 0
para
: AX = X )
2
2
x2 ) X2 =
1
3
1
1
x1
4x1
=
)
x2
4x2
2x1 + x2 = 0
)
2x1 x2 = 0
nuevamente estas ecuaciones son idnticas, esto siempre suceder ya que se est cumpliendo el requisito de que (A
I) sea singular
2x1 = x2 ) X1 =
1
2
35
Geomtricamente, los vectores propios son los nicos que se mantienen invariantes ante el operador lineal A y cualquier otro vector que no sea el propio, se mueve a estos ante el operador lineal
A. Para entender esto, vamos a seguir analizando el problema anterior: aplicaremos al operador A
al siguiente vector B 0 = [0 2] :
2 1 0
2
=
2 3 2
6
grcamente esto se ve:
y
6
8
7
x2 = (2; 6)
6
5
4
3
x1 = (0; 2)
2
6
1
0
-x
1 2 3 4 5 6 7 8 9 10
2
4
=
0
4
grcamente se ve:
y
8
7
6
5
4
3
2
1
0
x2 = (4; 4)
- x1 = (2; 0)
-x
1 2 3 4 5 6 7 8 9 10
Figura 4.2: Transformacin A al vector C
36
6
X20 = (4; 8)
X2 = (1; 2)
-x
1 2 3 4 5 6 7 8 9 10
Figura 4.3: Transformacin A al vector X2
4.3.
= 1;
= 1 pero
La Matriz Modal
La matriz modal es aquella que est compuesta por todos los vectores propios, es decir, es de la
forma:
M = X1 X2 ::: Xn
37
AX2
::: AXn
AX2
:::
AXn =
1 X1
0
1
60
2
6
donde D es una matriz diagonal de la forma 6 .
.
..
4 ..
0
0
se cumple:
AM = M D
2 X2
:::
:::
..
.
:::
:::
n Xn = M D
3
0
07
7
.. 7 ; entonces podemos concluir que
. 5
n
Esta matriz es de suma utilidad ya que nos permitir escribir (caracterizar) la matriz original en
funcin de su valores y vectores propios. A esto se conoce como descomposicin espectral de
un matriz y se deriva postmultiplicando la expresin anterior por M 1 . Para esto tiene que existir
M 1 pero se vio que una condicin suciente para que esto se cumpla es que los valores propios
sean distintos.
A = M DM 1
Ejemplo 4.2. Continuando con el ejemplo anterior podemos decir que la descomposicin
espectral de A es:
1
2 1
1 1 1 0 32
3
=
1
1
2 3
1 2 0 4 3
3
4.4.
Todas las aplicaciones que siguen estn sujetas a que la matriz modal sea invertible, pero
podemos estar tranquilos ya que en econometra la mayora de las matrices con las cuales se trabajar son simtricas y por lo tanto, se cumple el siguiente teorema:
Teorema 4.4. Sea A una matriz simtrica de orden k, entonces A tendr k vectores
propios distintos y ortogonales entre s, luego la matriz modal de A es siempre invertible 2 .
4.4.1.
Ocupando la descomposicin espectral de una matriz y las propiedades del rango se puede llegar
a una expresin simplicada del mismo, lo que queremos es conocer:
Rango (A) = Rango (M DM
como sabemos, M es una matriz cuadrada y suponemos que es de rango completo ya que la podemos
invertir, entonces podemos ocupar la propiedad (d) del rango:
Rango (A) = Rango (M D)
2 Si
38
= M 0.
4.4.2.
Al igual que el rango, se puede encontrar una expresin para la traza de una matriz a travs de
la descomposicin espectral de sta. Lo que se busca es:
tr(A) = tr(M DM
) = tr(M
M D) = tr(ID) = tr(D)
dado que D es una matriz diagonal que contiene las races de A llegamos el siguiente teorema:
Teorema 4.6. La traza de una matriz es igual a la suma de sus races caractersticas o
valores propios.
Ejemplo 4.4. La traza de nuestra matriz A es la suma de su diagonal 2 + 3 = 5, como
tambin la suma de sus races 1 + 4 = 5
4.4.3.
En este apartado vamos a tratar de encontrar una expresin para el determinante a travs de
la descomposicin espectral. El determinante de A es igual a:
1
jAj = M DM
jAj = jM j M
jDj
39
n
Y
i
Teorema 4.7. El determinante de una matriz es igual al producto de sus races caractersticas.
Ejemplo 4.5. El determinante de nuestra matriz A es ((2)(3)
la multiplicacin de sus races 4(1) = 4:
4.4.4.
(1)(2)) = 4, y tambin
=
=
=
=
=
=
AA
(M DM 1 )(M DM 1 )
(M DM 1 M DM 1 )
(M DIDM 1 )
(M DDM 1 )
(M D2 M 1 )
0
0
..
.
n
n
:::
3
7
7
7
5
para n perteneciente
Se tratar de extender el teorema anterior a los nmeros negativos pero para esto se debe
encontrar otro resultado, invirtamos A:
A
= (M DM
1
1
= (M 1 ) 1 D 1 (M )
= M D 1M 1
matriz D
3
0
0 7
7
.. 7
. 5
: : : 1=
es de la siguiente forma:
podemos darnos cuenta que la inversa de D es simplemente una matriz diagonal con los recprocos
de las races caractersticas. Esto nos permite obtener la inversa de una matriz a travs de la
descomposicin espectral de una manera fcil y rpida.
40
Teorema 4.9. Si la matriz A 1 existe, entonces sus vectores propios son los mismos
que los de A y sus valores propios son los recprocos de A.
Podemos darnos cuenta que si una o ms races de A son iguales a cero, es decir, A no es de
rango completo. Entonces D 1 no estara denida y la inversa de A tampoco.
Dado el resultado podemos tratar de encontrar una expresin para A n , pero partamos por
2
A :
A
A 1A
(M D
(M D
(M D
(M D
(M D
=
=
=
=
=
=
1
1
M 1 )(M D 1 M 1 )
1
M 1M D 1M 1)
1
ID 1 M 1 )
1
D 1M 1)
2
M 1)
n
= MD
:Extendamos el teorema
Teorema 4.8 . Para una matriz A, con inversa denida, se cumple que An = M Dn M
para n perteneciente a cualquier nmero entero.
De la misma forma, se puede pensar que el resultado anterior podra expandirse a potencias
con nmeros reales, lo cual no es del todo cierto, ya que, si elevamos un nmero negativo por 12 , se
estar buscando su raz cuadrada y como se sabe la raz de un nmero negativo, no esta denida.
Teorema 4.11. Para una matriz A con races caractersticas positivas se cumple que
An = M Dn M 1 para n perteneciente a cualquier nmero real.
1
(a) A 2 = M D 2 M
(b) A
4.4.5.
= MD
1
1
=
1
1
1
1
2
1
0
1
0
1
2
2
3
1
3
0
2
1
3
1
3
2
3
1
3
0
1
4
4
3
2
3
=
1
3
1
3
1
3
5
3
3
4
1
2
:
1
4
1
2
Matrices Idempotentes
En el apartado anterior estudiamos las potencias de una matriz y en el que siguiente, aplicaremos lo aprendido a las matrices idempotentes. Las matrices idempotentes son aquellas matrices
que cumplen con la siguiente condicin An = A, para entender que implicancia tiene esto en la
descomposicin espectral de una matriz estudiemos A2 .
A2 = M D2 M
pero si A es idempotente
A = M D2 M
= M D2 M
41
la nica forma que se cumpla esto es que k = , es decir, las races caractersticas de A tienen que
ser 0 o 1. Supongamos que todas las races son 1.
A = M IM 1
= MM 1
= I
Si las races no son todas 1 es decir, son 0 y ocupando la denicin de rango podemos armar
que A es singular.
Teorema 4.12. La nica matriz idempotente de rango completo es la matriz identidad.
Teorema 4.13. Todas las matrices idempotentes, excepto la matriz identidad, son singulares.
Por ltimo, tomando en cuenta que el rango de una matriz son los valores propios distintos de
ceros y que en una matriz idempotente sus races son 0 o 1 podemos concluir:
Teorema 4.14. El rango de una matriz idempotente es igual a la suma de sus races
caractersticas, es decir, es igual a su traza.
4.5.
Ejercicios Propuestos
0
1
2
5
;B =
4
2
D=4 1
1
2
3
2
0 2
;C =
2 4
3
2
4
1
4 5;F = 4 3
3
4
5
1
3
2
3
1
5
3
4
35
3
b) Encuentre los vectores y valores propios de cada una de esas matrices imponiendo la
restriccin de que kXi k = 1.
c) Encuentre la matriz modal y su inversa para cada una de las matrices.
d ) Calcule M 0M:
Usando la descomposicin espectral calcule:
e) El Rango de todas las matrices.
f ) La traza de todas las matrices.
g) El determinante de todas las matrices.
h) Las potencias de la forma A3 ; A
42
43
Captulo 5
Formas lineales
q = a1
a2
::: an
3
x1
6 x2 7
6 7
6 .. 7 = AX
4 . 5
xn
donde q, A y X pueden pertenecer a los nmeros reales. Este tipo de notacin matricial nos ser
muy til en problemas de optimizacin y en cualquier mbito donde se manejen muchos polinomios
y ecuaciones.
5.2.
Formas Cuadrticas
n X
n
X
aij xi xj
j=1 i=1
donde A tiene la propiedad de ser una matriz simtrica y, en general, q puede ser positivo, negativo
o cero dependiendo principalmente de los valores que tome X y A:
Ejemplo 5.1. Escribamos en forma matricial la siguiente forma cuadrtica:
q = x21 + 2x22
7x23
4x1 x2 + 8x1 x3
para esto debemos entender la expresin X 0 AX, con tres incgnitas esta es:
2
32 3
a11 a12 a13
x1
4
5
4
x
x
x
a
a
a
x2 5
q =
1
2
3
21
22
23
a31 a32 a33
x3
= a11 x21 + a22 x22 + a33 x23 + a12 x1 x2 + a13 x1 x3 +
+a21 x2 x1 + a23 x2 x3 + a31 x3 x1+ a32 x3 x2
podemos apreciar que los elementos de la diagonal estn al cuadrado y que los elementos
de la forma aij son los coecientes de los trminos de la forma xi xj , dado lo anterior
nos es conveniente escribir nuestro polinomio de la siguiente forma:
q = x21 + 2x22
7x23
2x1 x2
x1
2
x2
x3
1
= X0 4 2
4
1
4 2
4
2
2
0
3
4
0 5X
7
2
2
0
32 3
4
x1
0 5 4x2 5
7
x3
Es interesante conocer cundo el valor q de las formas cuadrticas es siempre positivo o siempre negativo. Esto es posible a pesar de que dependa de A y de X, esto lo logramos estudiando
nuevamente la descomposicin espectral.
5.3.
Como dijimos en el apartado anterior, queremos saber cuando la forma cuadrtica es siempre
positiva o siempre negativa pero para esto debemos estudiar la descomposicin espectral de A:
A = M DM
como en una forma cuadrtica A es simtrica sabemos, por el teorema 4.5, que sus vectores caractersticos son ortogonales entre s, adems si imponemos la condicin de que cada uno de los
45
6
6
= 6
4
Mn0
1
0
..
.
0
Mn0 M1
Mn0 M1
:::
0 ::: 0
1 ::: 0 7
7
.. . .
.. 7 = I
. . 5
.
0 ::: 1
M 0M = I ) M 0 = M
M10 Mn
M20 Mn
..
.
Mn0 Mn
3
7
7
7
5
A = M DM 0
tomando la forma cuadrtica:
X 0 AX = X 0 M DM 0 X
si denimos y = M 0 X. Entonces:
X 0 AX = y 0 Dy
pero como D es una matriz diagonal podemos escribir la expresin anterior de la siguiente forma:
q = X 0 AX =
n
X
2
i yi
i=1
5.4.
5.4.1.
Clculo Matricial
Funciones Reales
Una funcin real f : X ! y es una relacin que asocia, de manera nica, un conjunto de valores
x 2 X a un valor y 2 R, y se denota y = f (x): En esta relacin se denomina a las variables x como
variables independientes o dominio y a la variable y se le denomina variable dependiente o
recorrido.
46
5.4.2.
fn
rf =
@f
1
6 @x
@f 7
4 @x2 5
@f
@x3
3
2
= 4 45
3
=
=
7x23
3
4x1 x2 + 8x1 x3
2
3
2x1 4x2 + 8x3
4x1 + 4x2 5
=4
8x1 14x3
2
32 3
2
4
8
x1
4 4 4
0 5 4x2 5
8
0
14 x3
2
32 3
1
2 4
x1
0 5 4x2 5
24 2 2
4
0
7
x3
2AX
@f
1
6 @x
@f 7
4 @x2 5
@f
@x3
47
1
1
6 @f
6 @x2 @x1
H=6
6 ..
4 .
@f
@xn @x1
@x1 @x2
@f
@x2 @x2
..
.
..
@x1 @xn
@f
@x2 @xn
@f
@xn @x2
..
.
@f
@xn @xn
7
7
7
7
5
5.4.3.
@ 2 X 0 AX
= 2A
@X 2
Muchas veces nos ser ms til aproximarse a una funcin que trabajar con ella misma. Una
herramienta para hacer esto es la expansin de Taylor. La expansin de Taylor es una aproximacin
polinomial de una funcin, que consiste en caracterizarla en funcin de sus derivadas y un punto
arbitrario. Nosotros trabajaremos con la expansin de primer y segundo orden pero hay que recalcar
que entre mayor el orden de la aproximacin mejor sera esta.
48
ln(1) + ln(2) +
1
1
1;307 + x1 +
x2
2
1
2
x1
x2
1
2
comparemos:
f (1; 2)
y(1;1; 2;1) t
f (xo ) + rf (xo )0 (x
1
xo ) + (x
2
xo )H(xo )(x
xo )
y
y
ln(1) + ln(2) +
3;307 + 3x1 +
1
1
3x2
2
1
2
x1
x2
x21
1
+ x1
2
x2
4
49
1 x2
1
0
0
1
4
x1
x2
1
2
comparemos:
2
22
12
= 0;693
2
2
nuevamente en el punto de expansin son iguales. Veamos el punto (1;1; 2;1)
y(1; 2)
y(1; 2)
5.5.
3;307 + 3(1) + 3
3;307 + 3(1;1) + 3
2;1
2
1;12
2;12
= 0;8305
2
Ejercicios Propuestos
6x1 x2 + x23
c) x21
2x22
8x2 x3
6
6
3. Sea A = 6
4
a11
a21
..
.
a12
a22
..
.
:::
:::
..
.
a1n
a2n
..
.
am1
am2
:::
amn
A1 = [a11 ] ; A2 =
entonces demuestre que:
7
7
7 una matriz, entonces las submatrices de A son:
5
a11
a21
a12
a22
a11
; A3 = 4 a21
a31
a12
a22
a32
3
a13
a23 5 ; :::; An = A
a33
d ) Si A es negativa semidenida, entonces los determinantes de las submatrices de A alternan de signo partiendo por jA1 j 0; jA2 j 0; jA3 j 0; :::; jAn j ( 1)n 0.
4. Encuentre
@X 0 AX
@X
@ 2 X 0 AX
@X 2
51
Bibliografa
[1] Ayres, Frank, Jr. 1962. Theory and Problems of Matrices."Schaum Publishing Co.
[2] Edwards, Gonzalo. 2000. Introduccin al Anlisis de Sistemas Dinmicos."2da edicin. Ediciones Universidad Catlica de Chile. Cap 9 y 14.
[3] Schneider, Hans y Barker, George Phillip. 1968. "Matrices and Linear Algebra."Holt
Rinehart and Winston, inc.
[4] Lang, Serge. 1969. Linear Algebra."4ta edicin. Addison-Wesley Publishing Co.
[5] Greene, William. 2000. Anlisis Economtrico."3ra edicin. Prentice Hall.
[6] Hohn, Franz. 1967. Elementary Matrix Algebra."2da edicin. The Macmillan Co.
52