Documente Academic
Documente Profesional
Documente Cultură
Programacin General
Estudio de las Matrices (Primera Parte)
Definicin de una matriz
Elementos de una matriz
Orden de una matriz
Igualdad de matrices
Tipos especiales de matrices
Matriz cuadrada
Matriz nula
Matriz diagonal
Matriz escalar
Matriz unidad o identidad
Matriz traspuesta
Matriz simtrica
Matriz hemisimetrica o antisimetrica
Operaciones con matrices
Suma algebraica de matrices
Multiplicacin de una matriz por un escalar
Multiplicacin de matrices
Producto de un vector fila por un vector columna
Multiplicacin de dos matrices
Matrices particulares
Matriz triangular superior
Matriz triangular inferior
Autoaprendizaje 4 horas
Fascculo 1
Estudio de las Matrices (Segunda Parte)
Propiedades complementarias
Casos particulares de matrices cuadradas
Matriz inversa
Matriz involutiva
Matriz conjugada
Matriz hermtica.
Matriz antihermitica
Suma directa o matriz escalonada
Potenciacin de matrices
Autoaprendizaje 4 horas
Fascculo 2
Determinantes
Definicin
Notacin
Determinante de una matriz cuadrada de orden 2
Determinante de una matriz cuadrada de orden 3
Propiedades
Menores y cofactores
Obtencin de determinantes por cofactores
Autoaprendizaje, 4 horas
Fascculo 3
Excelencia Acadmica
6
1
a a la matriz
Excelencia Acadmica
Tabla de Contenido
Presentacin
Programa general
Fascculo I
Estudio de las Matrices (Primera Parte)
Definicin de una matriz
Elementos de una matriz
Orden de una matriz
Igualdad de matrices
Tipos especiales de matrices
Operaciones con matrices
Suma algebraica de matrices
Multiplicacin de una matriz por un escalar
Multiplicacin de matrices
Producto de un vector fila por un vector columna
Multiplicacin de dos matrices
Matrices particulares
Matriz triangular superior
Matriz triangular inferior
Autoevaluacin formativa
9
9
9
10
10
11
14
18
22
Fascculo II
Estudio de las Matrices (Segunda Parte)
Propiedades complementarias
Casos particulares de matrices cuadradas
Matriz inversa
Matriz involutiva
Matriz conjugada
Matriz hermtica.
Matriz antihermitica
Suma directa o matriz escalonada
Potenciacin de matrices
Autoevaluacin formativa
25
25
26
28
29
29
31
31
32
37
41
Fascculo III
Determinantes
Definicin
Notacin
Determinante de una matriz cuadrada de orden 2
Determinante de una matriz cuadrada de orden 3
Propiedades
Menores y cofactores
Obtencin de determinantes por cofactores
Autoevaluacin formativa
43
43
43
43
44
45
48
49
54
Excelencia Acadmica
Fascculo IV
Estudio de las Matrices (Tercera Parte)
Matriz de cofactores
Matriz adjunta
Matriz inversa
Obtencin de la matriz inversa por el mtodo de la matriz adjunta
Rango de una matriz
Operaciones elementales
Matrices equivalentes
Matriz escalonada (por filas)
Obtencin del rango de una matriz por operaciones elementales
Obtencin de la inversa de una matriz por operaciones elementales
Autoevaluacin formativa
55
55
55
56
57
58
59
59
60
61
62
66
Fascculo V
Sistema de ecuaciones lineales
Rango de un sistema de ecuaciones lineales
Regla de cramer
Autoevaluacin formativa
67
71
73
79
Fascculo VI
Sistema de ecuaciones homogneo
Autoevaluacin formativa
81
85
Fascculo VII
Marices Diagonalizables (Primera Parte)
Valores y vectores propios
Definiciones
Propiedades de los valores y vectores propios
Matrices semejantes
Matrices diagolizables
Autoevaluacin formativa
87
87
87
94
96
98
99
Fascculo VIII
Matrices Diagonalizables (Segunda Parte)
Aplicacin de matrices a la geometra vectorial
Teorema fundamental
Demostracin de regreso
Construccin de la matriz P que diagonaliza a la matriz A
Propiedades complementarias de las matrices semejantes
Teorema de Cayley Hamilton
Diagonalizacin de una matriz simtrica
Proceso de Gram Schmidt
Construccin de la matriz ortogonal P que diagonaliza
ortogonalmente a la matriz simtrica A (de orden n)
Autoevaluacin formativa
8
1
101
101
102
104
105
108
110
111
112
116
124
Excelencia Acadmica
MATRICES
DEFINICION DE UNA MATRIZ
Una matriz es la ordenacin de nmeros, funciones, vectores, etc; en filas y columnas,
encerradas entre corchetes.
Ejemplo:
8 5 4
1 2 6
, 3 6 3 ,
4
7
6
10 7 2
x2
x / 3
5
7x
2x 1 4x
La primera matriz puede ser, matriz de coeficientes del sistema de ecuaciones lineales
2 y 5z
4 x 7 y 6 z 0
La segunda matriz podra considerar a sus filas como las coordenadas ciertos puntos (8, 5,
4), (3, 6, 3), (10, 7, -2), en el espacio.
Otras de las muchas aplicaciones ser determinar si estos puntos pertenecen a un plano o
recta.
Opcionalmente las matrices pueden ser encerradas por parntesis
( ) o por barras
Las matrices de denotan por letras maysculas (A, B, C, D, etc.) y en general vienen
representadas por el siguiente arreglo:
a11 a12
a
21 a 22
A
a i1 a i2
a m1 a m2
a1j a1n
a 2 j a 2n
a
a ij a in ij
a mj a mn
i-sima fila
j-sima columna
Excelencia Acadmica
El primero de los subndices indica la fila y el segundo la columna al que pertenece dicho
elemento.
Ejemplo:
Sea la matriz:
5 3 0
B 1 1 0
2 3 1
El conjunto de nmeros
a i1 ,a i2 ,a i3 ,....,a in ,
sima fila.
El conjunto de nmeros
columna.
a ij , mxn
matriz A a ij , mxn
matriz
-
matriz
A mxn
A aij
mxn
A aij , i 1, 2, 3,...,m
j 1, 2, 3,...,n
Para todos los casos se lee la matriz A de orden mxn generado por los elementos
aij
IGUALDAD DE MATRICES
Dos matrices A y B sern iguales si solo si el orden es el mismo y sus respectivos
elementos sean iguales.
Sea:
10
1
Excelencia Acadmica
A aij
mxn
;y
B bij
rxs
A B m r, n s, aij bij
Para cada i y para cada j".
Ejemplo:
2 0 1 1
A 1 5 1 2
3 4 1 7
a34 =b34
2 0 1 1
B= 1 5 1 2
3 4 1 7
7 7
1 0 5
A 3 2 1
5 1 4
En una
Representacin
matriz cuadrada la
A3 ,A a ij
3
a11 ,a 22 ,a 33 , a nn
1 1
A
2 3
; Traza(A) = 1 + 3 = 4
MATRIZ NULA
Es aquella cuyos elementos son ceros. Algunos autores la representan por:
Ejemplo:
0 0
A
0 0
A=0
A=
(matriz nula)
MATRIZ DIAGONAL
Es aquella matriz cuadrada en la cual los elementos fuera de la diagonal principal
son ceros.
Ejemplo:
11
Excelencia Acadmica
1
0
B =
0
0
0
0
0
0 0
A
0 -1 0
0 1
0 0 4
0
c11 0
0 c
0 0
22
0
C
0 cij 0
0
0 0 c nn
0
Esquemticamente C = diagonal (c11 ,c 22 ,c33 , c nn )
0
3
0
0
MATRIZ ESCALAR
Es una matriz diagonal, donde todos los elementos de la diagonal principal son
iguales.
Ejemplo:
k
0
A
0
0
k
0
0
0
0
k
0
0
0
0
A 1 ; I o I1
1 0 0
B 0 1 0 = I3
0 0 1
MATRIZ TRASPUESTA
t
La matriz traspuesta de una matriz A de orden mxn es la matriz A , se obtiene
permutando las filas por las columnas.
12
1
Excelencia Acadmica
Ejemplo:
3 1
3
t 5
A=
4 7
7 5
3 5 4 7
A 1 3 7 5
4 2 4 1
2
4
MATRIZ SIMTRICA
Si A A , entonces la matriz se llama simtrica. Para esto debe cumplir lo
siguiente:
la matriz A debe ser cuadrada
los elementos de la diagonal principal permanecen fijos al efectuar la
transposicin de trminos.
aij es igual a aji, para todo i y para todo j.
t
Ejemplo:
5 1 7
A 1 3 4
7 4 2
A A
5 1 7
A 1 3 4
7 4 2
a 31 a13
A es simetrica
Ejemplo:
1
1
B
0
1
3
8
7
0 1
8 7
4 5
5 5
1
1
B
0
1
3
8
7
0 1
8 7
4 5
5 5
13
Excelencia Acadmica
Ejemplo:
0 5 1
A 5 0 8
1 8 0
A es antisimtrico
0 5 1
A 5 0 8
1 8 0
1.1
1. Representen dos matrices de orden 5x4, cuyos elementos sumados nos den
una matriz identidad
2. Halle la matriz traspuesta de la matriz identidad, de orden 23
3. Presente una matriz simtrica y otra antisimtrica de orden cualquiera
A B a ij b ij
Siendo:
14
1
Excelencia Acadmica
0 1
A 2 3
1 4
2 3
B 5 4
-3 1
0 2 1 3
2 4
A B 2 5 3 4 A B 7 7
1 3 4 1
4 5
Las matrices se llaman conformes respecto a la suma si son del mismo orden eso
significa que matrices de orden diferente no se pueden suma o restar.
PROPIEDADES
1)
A + B = B + A; ( Prop. Comutativa)
2)
3)
4)
(k +m)A = kA + mA ( k, m : escalares)
5)
6)
lA = A
7)
8)
1.2
MATRIZ FILA.- Se llama matriz fila a aun matriz de orden 1xn de la forma:
A a11 a12
a13 a1n
a11
a
t
A 21
a n1
VECTOR: Una cantidad ordenada de nmeros, si seguimos a la matriz por ejemplo:
a11 ,a 21 ,a 31 , a n1 se llama Vector de n componentes, Tanto una matriz fila como una
15
Excelencia Acadmica
2
A
3A=A+A+A
1
2 3x2 6
3A=3
3
1
3x1
Por tanto, se deduce:
kA ka ij
MULTIPLICACION DE MATRICES
PRODUCTO DE UN VECTOR FILA POR UN VECTOR COLUMNA
Sean:
b11
b
A a11 a12 a13 a1n B 21
b n1
AB a11b11 a12 b 21 a13b31 a1n b n1
AB a1k b k1
k 1
16
1
Excelencia Acadmica
Para halla C = AB, se multiplica cada fila de A por todas y cada una de las
columnas de B. El elemento cij
ser la sumatoria de los elementos
correspondientes a la fila i-esima de A multiplicado por los respectivos elementos
de la columna j-esima de B.
Ejemplo:
a11 a12
A a 21 a 22
a
31 a 32 3x2
a11b11 a12 b 21
AB a 21b11 a 22 b 21
a b a b
31 11 32 21
b12
b
B 11
b 21 b 22
b13
b 23
b14
b 24 2x4
Ejemplo:
2 2
0 0 0 1 0
A 3 1 ; B
0 0 0 1 0 2x5
1 1
3x 2
0 0 0 4 0
AB 0 0 0 4 0
0 0 0 2 0
3x5
PROPIEDADES
Suponiendo que A, B y C son matrices conformes respecto a la suma algebraica y
producto, se tienen:
1)
2)
3)
4)
5)
Excelencia Acadmica
1.3
Ejercicio de aplicacin:
Sean las matrices:
0
A
3
1
;
2
x 2y = -A ;
2
B
0
3
1
xy=B
x 2y = -A
-2x + 2y = - 2B
Obtenemos:
- x = - 2B A
Reemplazando, obtenemos:
2
x 2
0
3
0
3
1
1
2
4 7
x
3 0
MATRICES PARTICULARES
MATRIZ TRIANGULAR SUPERIOR
Es una matriz cuadrada A = [aij], se llama triangular superior si aij= 0 para i > j.
18
1
Excelencia Acadmica
a11 a12
0 a
22
A
0
0
0
0
a1j a1n
a 2 j a 2n
a ij a in
0 a nn nxn
a11 0
a
21 a 22
A
a j1 a j2
a n1 a n 2
0
a ij
a nj
0
0
a nn
nxn
1.4
1. Represente una matriz triangular superior y otra triangular inferior, del mismo
orden.
2. Sume las matrices anteriores.
3. Multiplique las matrices anteriores
Ejercicios de aplicacin:
Si:
3 2 2 3 2
0 1
1 0
A2
;B
;AB
;BA
1 3
1 3
1 0
1 1
Calcule : (A B)2
19
Excelencia Acadmica
Solucin:
(A B)2 A 2 AB BA B2
3 2 0 1 1 0 3 2
(A B)2
1 3 1 0 | 1 1 1 3
1 1
(A B)2
0 1
Dada las matrices:
1 3
A
2 5
4 1
B
2 6
2 19
2 18
t
AB
AB
19 28
18 28
4 2
Bt
1 6
Hallando x
4 2 1 3
2 18
19 28 x 2 1 6 2 5
12 20
x
21 6
Halle el valor del polinomio f(A) de la matriz A.
f(x) = 3x2 2x + 5
1 2 3
A 2 4 1
3 5 2
Solucin:
1 2 3 1 2 3 6 9 7
A AA 2 4 1 2 4 1 3 7 4
3 5 2 3 5 2 1 4 8
2
Reemplazando:
20
1
f(A) = 3A2 2A + 5
Excelencia Acadmica
6
f(A) 3 3
1
21
f(A) 13
9
9 7
1 2 3
7 4 2 2 4 1 5
3 5 2
4 8
23 15
34 10
22 25
1 2 1
0 1 1
A
1 3 1
0 1 1
1
1
1
2
y B
2
0
2
1
1 1 0
0 1 0
1 1 1
0 1 0
2
3
AB
2
0 3 1
2 3
0 1
1 4 1
t
(AB)
3 4
0 3 1
1 2 1
1 1
2
0
3
1
5
1
2
Reemplazando: C = (AB)t + A
2 3 2 5 1 2 1
0 1 0 1 0 1 1
C
3 4 3 2 1 3 1
1 1 1 1 0 1 1
1 1 5 3
2 0 2
1
0 2 7
4
2 1 2 0
6
3
2
21
Excelencia Acadmica
a11 a12
a
21 a 22
A
a i1 a i2
a m1 a m2
a1j a1n
a 2 j a 2n
a
a ij a in ij
a mj a mn
Se estudiar en este fascculo los diversos tipos de matrices, sus caractersticas, con
aplicacin de ejemplos directos.
Se estudiaran las principales operaciones con matrices, llamase suma de matrices
conformes y multiplicacin de matrices conformes.
R. Figueroa . G.
MATEMTICAS BSICAS
Editorial America 2001
C. Saal R,
MATRICES,
Editorial McGraw-HILL, Mxico, 1998.
Espinosa R,
MATRICES Y DETERMINANTE,
Ediciones UNI, Per, 1992.
Autoevaluacin formativa N 1
Nombre_________________________________________________________
Apellidos ______________________________Fecha ____________________
22
1
Excelencia Acadmica
Ciudad _______________________________Semestre__________________
4 1
1 3
y
A
B
2 6
2 5
t
t
Halle x en (AB) x 2(B A)
4 2 1 3
2 18
x
2
19 28
1 6 2 5
3. Halle el valor del polinomio f(A) de la matriz A.
f(x) = 3x2 2x + 5
, si:
1 2 3
A 2 4 1
3 5 2
1 2 1
0 1 1
A
1 3 1
0 1 1
Si: C
5. Si
(AB)t A
Halle la suma
1
1
1
2
y B
2
0
2
1
1 1 0
0 1 0
1 1 1
0 1 0
c 21 + c 32 + c 33
3 0 1
6 3 2
A 1 4 1 y B 2 4 0
2 2 1
1 5 2
yC
(BA)t 2A .
23
Excelencia Acadmica
24
1
Excelencia Acadmica
PROPIEDADES COMPLEMENTARIAS
a)
A B
b)
c)
cA
t
t
A t Bt
A
cA t ; c es real.
representa por
D.D.D.D
D D
n veces
n
0
Dn
0
0
f)
0
bn
0
0
hn
sn nxn
Excelencia Acadmica
1 0
A 2 2
3 1
3x2
Halle: AI
1 0
1 0
1 0
1 0
I2
; AI 2 2
2 2 A
0
1
0
1
2x2
3 1
3x2
3 1 3x2
Halle:
IA
1 0 0
1 0 0 1 0 1 0
I3 0 1 0 ; IA 0 1 0 2 2 2 2 A
0 0 1
0 0 1 3 1 3 1
3x2
g) Si A es una matriz cuadrada, entonces la matriz
Demostracin:
A A
t
At At
A A es simtrica
At A
A A
t
i)
At At
A A es antisimtrica
At A A At
Toda matriz cuadrada A se puede expresar como la suma de una matriz simtrica y
otra antisimtrica.
1
1
A A A A
2
2
AB = BA
26
1
Excelencia Acadmica
AB A aA bI
AB AaA AbI
AB aAA bAI
AB aAA b IA
AB aA bI A
AB BA
Ejemplo: Sea
1 0
A
3 2
Halle una matriz conmutativa de A
Asumiendo: a = 2, b = 3 B
= 2A + 3I
1 0
1 0 2 0 3 0 5 0
B 2
3
3 2
0 1 6 4 0 3 6 7
27
Excelencia Acadmica
1
AB
3
5
BA
6
0 5
2 6
0 1
7 3
0 5 0
00 5 0
7 15 12 0 14 27 14
0 5 0 0 0 5 0
2 6 21 0 14 27 14
A rI y B rI
conmuten, donde r es un
escalar.
r 1
2.1
6. Dado:
4
0
D
0
0
2
0
0
0
0
1
0
0
0
9
. Halle D
MATRIZ INVERSA
Sean A y B dos matrices cuadradas de forma que
AB = BA = I
28
1
Excelencia Acadmica
1
A 2
2
1
AB 0
0
3
3 2 1
5 7 ; B 4 1 1
2 0 1
4 5
0 0
1 0 BA I
0 1
2
Posteriormente veremos que no toda matriz tiene inversa, no obstante toda inversa es
nica.
PROPIEDAD:
Sean A y B dos matrices cuadradas del mismo orden, cuyas inversas son A-1
y B-1 respectivamente, se compilara que: (AB)-1 = B-1.A-1 ; lo anterior es
nico.
MATRIZ INVOLUTIVA
Una matriz cuadrada A, tal que
A2 I
, se llama involutiva.
MATRIZ CONJUGADA
Dado el nmero complejo:
imaginario
es un
i 1
Z a bi
Complejos conjugados Z a bi a bi
Sean:
Z1 a bi
Z2 c di
Sumando:
29
Excelencia Acadmica
Z1 +Z2 = (a+c)+(b+d)i
Z1 +Z2 (a+c)-(b+d)i
Z1 +Z2 (a-bi)+(c-di)
Z1 +Z2 Z1 Z2
Multiplicando:
Z1Z2 (a+bi)+(c+di)
Z1Z2 (ac bd) (ad bc)i
Z1Z2 (ac bd) (ad bc)i
Z1Z2 (a-bi)(c-di)
Z1Z2 Z1.Z2
Por tanto:
La conjugada de una matriz, se halla sustituyendo cada elemento de la matriz
original por su conjugada respectiva y se representa por:
Ejemplo: sean
1
i
A
2 i i 4
1
i
A
2 i i 4
PROPIEDADES:
AA
kA kA , k: escalar no imaginario
A+B A B
AB A.B
t
Ejemplo: sea
30
1
A At
Excelencia Acadmica
3 i
3 i
i
i
A
;
A
i 1 4 ;
i 1 4
t
i i 1
A
4
3 i
i 1
i
i i 1
At
; At
4
3 i 4
3 i
MATRIZ HERMITICA.
Una matriz cuadrada A = [aij], se llama hermtica o autoadjunta siempre que
At A
i 2
1
A
0
i 2
i 2
i 2
1
1
At
; At
0
0
i 2
i 2
Ejemplo: sea
MATRIZ ANTIHERMITICA
Una matriz cuadrada A se llama hemihermtica siempre que: A A . Se entiende
que los elementos de la diagonal principal
deben de ser nulos o nmeros
imaginarios puros.
t
Ejemplo: sea
i 2 i 1
i
A i 2
0
i
i 1 i
0
31
Excelencia Acadmica
i i+2 i-1
A t i-2 0
-i
i+1 -i
0
i 2 i 1
i
A t i 2
0
i
i 1
i
0
(A A t ) es hermtica
(A A t ). es hemihermtica
1
1
A (A A t ) (A A t )
2
2
SUMA DIRECTA O MATRIZ ESCALONADA
Teniendo A1, A2, A3,..., An, matrices cuadradas de ordenes crecientes m1,m2, m3,...,ms,
respectivamente; se puede generalizar del siguiente modo:
A1 0
0 A
2
0
0
0
0
A3
0
0
0
0
diag(A1 , A 2 ,A 3 ,...,A n )
0
A n
0 1 2
2 5
A1 1 ; A 2
; A 3 1 1 1
4 3
3 1 1
32
1
Excelencia Acadmica
1
0
0
A
0
0
0 0
2 5
4 3
0 0
0
0
0
0
0 0
0 0
0 0
diag(A1 , A 2 , , As )
1 2
1 1 1
3 1 1
0
0
0
0
PROPIEDAD:
Si:
A = diag(A1, A2,...,A5) y
B = diag(B1, B2, B3, ..., Bs) donde A y B son del mismo orden, se verifica que:
AB = diag(A1B1, A2B2, A3B3,...,AsBs)
Ejercicio:
Siendo:
3 2
1 3
2 3
A 2 B2
,
AB
,
BA
2 2
1 0
1 0
2
Halle: (A+B) ; (A B)(A B)
(A+B)2 (A B)(A B)
(A 2 AB BA B2 )
3 2 1 3 2 3 3 2
1 0 2 2 1 0 1 0
9 10
3 2
(A B)(A B) A 2 AB BA B2
3 2 1 3 2 3 3 2
1 0 2 2 1 0 1 0
1 0
3 2
Ejercicio:
33
Excelencia Acadmica
Sea una matriz A de 3x3, tal que A = aI + bD, en donde D es una matriz tal que
todos sus elementos de la diagonal principal son ceros y todos los dems son unos.
Hallar a y b de modo que
A2 = I.
Solucin: se entiende que:
0 1 1
D 1 0 1
1 1 0
1
A a 0
0
a
A 0
0
a
A b
b
1 0 0
I 0 1 0
0 0 1
0
0 1 1
1 0 b 1 0 1
1 1 0
0 1
0 0 0 b b
a 0 b 0 b
0 a b b 0
b b
a b b a
2
a b A b a b b
b b a b
b a
a 2 2b 2
A 2 b 2 2ab
b 2 2ab
b 2 2ab
a 2b
2
b 2ab
2
b 2 2ab 0.......(2)
de la ec. (2) :
b 2 2ab 0 0
2a
b1 0,
4a 2 4(1)0 2a 2a
2
2
a 1
b 2 2a a 2 2( 2a ) 2 1
a 2 8a 2 1
9a 2 1
a 1 3
b2 2
34
1
a
b
b 2 2ab 1
b 2 2ab 0
a 2 2b 2 0
a 2 2b 2 1.......(1)
b
b
a
0
1
0
0
0
1
Excelencia Acadmica
Ejercicio
Hallar todas las matrices de orden dos que conmutan con:
1 1
A
0 2
Solucin:
Sea B una matriz conmutable con A: osea AB = BA sea:
a b
B
c d
AB BA
1 1 a b a b 1 1
0 2 c d c d 0 2
a c b d a a 2b
2c
2d c c 2d
a ca c0
b d a 2b a d b
2d=-c+2d c 0
2c c no tiene aplicacion
d b b
d, b R
B
d
0
Ejercicio
5 8 0
5 0
Si A y B son matrices involutivas y (AB) (BA) 3
1 2 1
Halle la traza de la matriz H = (A+B)2
Solucin
Son involutivas cuando: A2 = I y B2 = I de esto se tiene que:
A2 + B2 = 2I tambin que A2B2 = (AB)(AB) = I2 = I
Reemplazando en
H = A2 + B2 + (AB) + (BA)
H = 2I + 2(AB)
1 0 0
5 8 0 8 16 0
H 2 0 1 0 2 3 5 0 6 12 0
0 0 1
1 2 1 2
4 0
35
Excelencia Acadmica
la traza de H ser 4
Ejercicio
Siendo
i 0
A
0 i
Deduce una formula para las potencias enteras positivas de A
Solucin:
A1 A
i 0 i 0 1 0
A2
0 i 0 1 I 2
0
i
3
2
A A A A
1 0 i 0 i 0
A3
A
0 1 0 i 0 i
A 4 A 2A 2 I2
1 0 1 0 1 0
A4
0 1 0 1 I 2
0
5
4
A A AA
1 0 i 0 i 0
A5
0 i 0 i A
0
1
6
4 2
A A A I 2 (I 2 ) I 2
A 7 A 6 A I 2 (A) A
A8 A 4 A 4 I 2 (I 2 ) I 2
A 9 A8A I 2 (A) A
A10 A8A 2 I 2 (I 2 ) I 2
A11 A10 A I 2 (A) A
A12 A10 A 2 I 2 (I 2 ) I 2
A13 A12 A I 2 (A) A
36
1
Excelencia Acadmica
A1 , A 5 , A 9 ,..., A
A 2 , A 6 , A10 ,..., I 2
A 3 , A 7 , A11 ,..., A
A 4 , A8 , A12 ,..., I 2
A n A, I 2 , A, I 2
Para: n=4k+1,4k+2,
Donde: k N
4k+3,4k+4
POTENCIACION DE MATRICES
Se define por induccin matemtica:
A0=I
A2=AA
A3= AA2
An= AAn-1=An-1A
PROPIEDADES
La potenciacin de matrices es conmutable:
- Si A es una matriz cuadrada, entonces:
Am.An = An.Am, donde m y n son enteros positivos
- Si A y B conmutan, Am y Bn conmutan siendo m y n enteros positivos
2
A
0
2
AB
0
1
1 1
; B
2
0 2
0
2 1
; BA
4
0 4
Traza (AB) = 6
Traza (BA) = 6
Ejercicio
Sea A=[aij] una matriz triangular superior de orden n tal que:
aij = 1, si i j . De la matriz: A3 = [bij]
Halle el elemento bij si:
a) i = 3, j = n
37
Excelencia Acadmica
b) i = n, j = 3
c) i = 3, j = n 3
d) i = j
Solucin:
1
0
A
0
1
0
A 2 AA
0
1 1 1
1 1 1
0 1 1
0 0 1
0 0 0
1 1 1
1 1 0
1 1 0
0 0 1 1 0
0 0 0 1 nxn 0
1
1
0
1
1
1
1
0
A2
0
1
0
3
2
A A A
0
38
1
2 3
1
1
1
1 nxn
1 1
1 1
1 1
0 0 1 1
0 0 0 1 nxn
1
1
0
2 3
i
1 2 i 1
0 1 i2
0 0 1
0 0 0
i
1 2 i 1
0 1 i2
0 0
0 0
1
1
1
n 1
n2
n (i 1)
1
nxn
1
n 1 0
n 2 0
n (i 1) 0
0
1
nxn
n
1 1 1 1
1 1 1 1
0 1 1 1
0 0 1 1
0 0 0 1nxn
Excelencia Acadmica
A3 0
i(i 1)
2
i(i 1)
1 3
2
(i 2)(i 1)
0 1
2
0 0
0
3 6
(n 2)(n 1)
2
(n 3)(n 2)
2
(n 4)(n 3)
n(n 1)
2
(n 2)(n 1)
2
(n 3)(n 2)
2
0 0
0 0
0 0
n(n 1)
n(n 1)
(n 2)(n 1)
(n 2)(n 1)
2
(b) 0
(n 5)(n 4)
(c)
2
(d) 1
(a)
2.1
Matrices conmutativas
AB BA
Matrices no conmutan
AB BA
Matrices anticonmutativas
39
Excelencia Acadmica
AB = BA = I
40
1
Excelencia Acadmica
Autoevaluacin formativa N 2
Nombre_________________________________________________________
Apellidos ______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
01
02
0
Si A = 1
0
1
1
0
1 , Hallar A100
1
2
Si A = 1
1
3
4
5
5
4
1
B= 1
1
3
3
3
5
5 ,
4
Halle A5.B7
03
1
Determine si la matriz A = 5
2
04
1
A = 4
3
2
0
1
1
5 y
2
1
2
1
3
6 es nilpotente
3
1
2
B= 3
0
0
1
5
0
0
1
Si (AB)t + x = 2(Bt + A)
Halle la traza de la matriz x.
41
Excelencia Acadmica
42
1
Excelencia Acadmica
DETERMINANTES
En este fascculo comenzamos con el estudio de los determinantes y sus diversos mtodos
de solucin, dependiendo del orden de la matriz. Se utilizarn mtodos directos para
matrices de ordenes menores.
DEFINICIN.Viene a ser una funcin que aplicada a una matriz cuadrada da solo un valor numrico.
NOTACIN
Sea una matriz A y su determinante se expresa como:
a
a
a
a
A 11 12 | A | 11 12
a 21 a 22
a 21 a 22
a11a 22 a 21a12
Ejemplo: Sea:
1 1
1 1
A
|
A
|
3 4
3 4
1(4) (3)(1) 1
43
Excelencia Acadmica
a11
a11 a12
A a 21 a 22
a
31 a 32
a13
a11 a12
a 23 | A | a 21 a 22
a 33
a 31 a 32
a12
a13
a 23
a 33
a 21 a 22
a 23
a13
| A | a11a 22a 33 a 31a12a 23 a13a 21a 32 a 31a 22a13 a11a 32a 23 a 33a 21a12
Ejemplo:
1 2 3
A 0 0 2
2 3 4
Su determinante es:
44
1
Excelencia Acadmica
PROPIEDADES
1) DetA = DetAt
Ejemplo:
1 2
1 3
A
| A | 2; A t
3 4
2 4
| A t | -2
2) El determinante de una matriz cambia de signo cuando dos filas y dos columnas no
necesariamente adyacentes se intercambian.
Ejemplo:
Sea
1 3 1
A 0 2 0 |A|=-2
2 1 1
|B|=-|A|
|B|=2
B 1 A
k
1 0 2
A 3 4 1
0 0 2
|A|=8
3 4 1
3 4 1
B= 0 0 2 | B | 0 0 2 8
1 0 2
1 0 2
| B | (1) 2 | 8 8
45
Excelencia Acadmica
4) Si una matriz A de orden nxn es multiplicada por el escalar k (esto significa que
todas las filas son multiplicadas por dicho escalar o en forma equivalente todas las
columnas son multiplicadas por k), entonces el determinante de la matriz A queda
multiplicada por kn, por tanto, se tendr que:
| kA | k n | A |
Ejemplo: Sea
1 2
A
; k 2
4
5
2 4
1 2 2 4
kA 2A 2
|
kA
|
12
8 6
4 5 8 10
Ademas: n=2
|A|=
1 2
4 3
| kA | k n | A |
12 22 (3)
12 12
5) Si en una matriz se tiene que una fila o columna es mltiplo de otra fila o columna
respectivamente, entonces la determinante de dicha matriz vale cero.
Ejemplo: Sea
1 2
1 2
A
| A |
0
5 10
5 10
La 1 fila es mltiplo de la 2 fila
6) Si en una fila
1 2
1 2
| A |
0
A
0 0
0 0
7) Si en una matriz todos los elementos de una fila (o columna) son multiplicados por
un escalar k entonces el valor del determinante tambin queda multiplicado por k.
Ejemplo:
46
1
Excelencia Acadmica
3 4
3 4
A
|
A
|
1 2
1 2
B se halla de A, al multiplicar la 1 fila por 3
3(3) 3(4) 9 12
B=
2 1 2
1
| B | 3 | A | 3(2) 6
B k A
8) Si ha una fila (columna) de una matriz dada, se le suma el mltiplo de otra fila (o
columna), la determinante de la matriz no varia
Ejemplo:
1 3 4
1 3 4
A 0 0 2 | A | 0 0 2 10
2 1 1
2 1 1
2
3
1 2 3
1
B 0
0
2 | B | 0 0 2 10
2 2 1 6 1 8
4 7 9
9) Si los elementos de una fila (o columna) de una matriz constan de dos trminos, el
determinante puede ser expresado como la suma de otros dos determinantes.
Ejemplo:
10 4
10 4
A
| A |
0
5
2
5
2
8+2 3 1 8 3 2 1
11 0
| A |
5
2
5 2 5 2
10) El determinante de una matriz identidad es la unidad.
El determinante de una matriz diagonal es el producto de los elementos de la
diagonal principal.
11) El determinante de una matriz triangular superior o inferior es igual al producto de
los elementos de la diagonal principal.
47
Excelencia Acadmica
Ejemplo:
1 2 3
1 2 3
A 0 4 2 | B | 0 4 2 1x4x3 12
0 0 3
0 0 3
3.1
MENORES Y COFACTORES
Teniendo el siguiente arreglo.
a11 a12
a
21 a 22
A
a i1 a i2
a m1 a m2
a1j a1n
a 2 j a 2n
a ij a in
a mj a nn
A ij 1
48
1
i j
M ij
Excelencia Acadmica
Ejemplo: Sea
3
4
A=
2
0
2
3
4
5
4
0
1
1
0
1
4
M12 2
1
3
M 34 4
1
4
0
1
0
2
4
0
4
1 | M12 | 2
0
1
5
3
4 | M 34 | 4
1
1
4
0
1
0
2
4
0
1 0
0
5
4 28
1
| A | a kjA kj
j1
49
Excelencia Acadmica
| A | a kjA kj
k 1
Ejemplo: Sea:
1 3 0
1 3 0
A 0 1 2 | A | 0 1 2 5
2 4 1
2 4 1
| A | a kjA kj
j1
A 3 1 ( 1) 3 1
3
1
0
6
2
A 3 2 ( 1) 3 2
1
0
0
2
2
A 3 3 ( 1) 3 3
0 1
En (1):
|A|=2(6)+4(-2)+1(1)=5
Ejercicio:
Halle el determinante de:
B=
0
2
3
1
1
3
1
3
4
6
10
-8
1
5
3
2
0
4
Solucin:
5
| B | b k1Bk1
k 1
50
1 3 10 0
8 4
3 1
;
B
(
1)
31
2 0 1
3
2 0 1
3
5
5
1 5
3
1
1 5
3
1
3
Excelencia Acadmica
| C |
1
3
1
4
6
8
1
5
3
2
4
3
|C|=c 31C 31 c 32 C 32 c 33 C 33 c 34 C 34
1 1 2
1 1 6
1
| C | 2 4 8 4 3 4 4 3 3 4 8
5
5 3 1
1 5 1
1 5 3
1
| C | 2(180) (7) 3(101)
5
| C | 58,4
| D | d14 D14 d 24 D 24 d 34 D34 d 44 D 44
1 3 10
1 1 6
1 1 6
| D | 2 2 0 1 3 1 3 10 1 1 3 10
5
1 5 3
3 0 1
1 5 3
5
| D | 2(81,6) 3(22) (23,6)
| D | 120,8
| B | (1) 21 | C | (1)31 | D |
| B | (1)(58,4) (120,8)
| B | 179,2
3.2
2 3 4
1 3 0
6 8 3
1 3 4
6 0 0 +
8 3 2
9 0 2
6 5 0 +
2 3 1
10 1 3
0 0 0
81 3 2
51
Excelencia Acadmica
En este fascculo se estudi los conceptos fundamentales sobre las aplicaciones de los
determinantes as como sus diversos mtodos de solucin.
Se presentaron los casos de prcticos para hallar determinantes de orden 2 y 3, de forma
directa.
As como hallar el determinante de matrices de orden superior por el mtodo de cofactores.
Se desarrollaron ejercicios a aplicacin a las diversas propiedades analizadas, para
proponer las actividades al estudiante.
Excelencia Acadmica
Autoevaluacin formativa N 3
Nombre_________________________________________________________
Apellidos ______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
2 8 0
12 1
5 1 4
1
3
1
4. Halle :
M 44 , M 23 , M 42
6
2
0
0
3 2
0 0
5 2
1 1
2
0
A
0
7 6 8
3 8 9
0 1 32
0 0 7
53
Excelencia Acadmica
54
1
Excelencia Acadmica
MATRIZ DE COFACTORES
Si A es una matriz cuadrada de orden n y Aij, es el cofactor del elemento aij, entonces
la matriz de cofactores en A, viene dada por el siguiente arreglo.
A11 A12
A
A 22
Cofact A 21
A
n1 A n 2
A1n
A 2n
Cofact A
A nn
MATRIZ ADJUNTA
La matriz adjunta A, es la traspuesta de la matriz de cofactores de A.
adjA cofactA
Ejemplo: Sea:
A11 A12
3 3 1
A 2 2 1 cofactA A 21 A 22
1 4 1
A
31 A 32
A13
A 23
A 33
55
Excelencia Acadmica
4
3
cofactA
4
3
2
1
1
1
1
1
1
2 1
1 1
3 1
1 1
3 1
2 1
2 2
1 4
3 3
1 4
3 3
2 2
2 1 6
2 1 1
cofactA 1 2 9 adjA 1 2 1 L
1 1 0
6 9 0
MATRIZ INVERSA
Sea A una matriz cuadrada de orden n y si existe otra matriz B tal que:
AB BA I
La matriz B se llama inversa de A y se denota por :
B = A-1
Caractersticas:
1.La inversa de una matriz es nica.
2.Si B es inversa de A, se puede decir que tambin que A es
inversa de B.
3.No toda matriz cuadrada tiene inversa.
.
Definiciones:
1) Una matriz cuadrada se dice que es no singular si su determinante es
distinto de cero (|A| 0), una matriz de este tipo tiene inversa.
2)
3) Una matriz cuadrada A se dice que es singular si su determinante es cero
(|A| = 0), una matriz de este tipo no tiene inversa.
56
1
Excelencia Acadmica
A 1
adjA
|A|
1 3 1
A 0 1 1
2 2 0
Solucin:
A11
cofactA A 21
A
31
A12
A 22
A32
A13
A 23
A33
2
3
cofactA
2
3
1
1
0
0 1
2 0
1
0
1 1
2 0
1
1
1 1
0
0 1
2 2
1 3
2 2
1 3
0 1
2 2 2
2 2 4
cofactA 2 2 4 adjA 2 2 1
2 4 1
4 1 1
| A | 6
1
2 2 4 3
1
1
A 1 2 2 1
6
3
2
4
1
1
3
1
3
1
3
2
3
2
3
1
6
57
Excelencia Acadmica
4.1
5 2 1
5 3
1. Halle la matriz inversa de: 2
1 3 5
2 3 1
6 9 3
2. Halle la inversa de:
1 3 5
1 0 2
A
2 1 3 2x3
Solucion:
1 0 1 2 0 2
2 1 ; 2 3 ; 1 3
1 ; 0 ; 2 ; 2 ; 1 ; 3
58
1
Excelencia Acadmica
Ejemplo:
Para el problema anterior el rango de A es igual a 2 porque los determinantes de
cualquier submatriz de orden 2 es diferente de cero.
OPERACIONES ELEMENTALES
Son transformaciones elementales, que se dan entre filas o columnas de una matriz:
fi x fk ; Ci x Ck
kfi ; kCj.
fi +kfj ; Ci + kCj.
MATRICES EQUIVALENTES
Se dice que una matriz A de orden mxn es equivalente (por filas) a matriz B de orden
mxn, si se puede obtener B a partir de A por medio de un nmero finito de operaciones
elementales (por filas). Se simboliza por:
Ejemplo:
Por operaciones elementales llevar si es posible a la matriz I, a la matriz dada:
1
1 32
2 3 1 1 32 12
2
f
4f
1f2
2
1
0 1 3
A 4 5 1
f
4
5
1
1
2
2 0 2 2 0 2 f3 2f1 0 3 3
59
Excelencia Acadmica
1 32 12
1 0 4
1 0 4
3 3f
2
0 1 3
1
0
1
3
0
1
3
f
3
6
3
0 0 1
0 3 3 f1 2 f 2 0 0 6
1 0 0
f
1 4f
3
0 1 0 I
f 2 3f 3
0 0 1
A I
MATRIZ ESCALONADA (por filas)
Una matriz escalonada E = [eij], de orden mxn, es escalonada si se presenta la
siguiente estructura:
1) Las primeras k filas son no nulas y las restantes
(m - k) filas son nulas.
2) El primer elemento no nulo de cada una de las primeras k filas es la unidad.
3) En cada una de las k filas, el nmero de ceros anteriores a la unidad crece de fila
en fila
Una fila (o una columna) es nula si todos sus elementos son ceros.
0 2 1
1 3 2
0 0 0
0 0 0
0 0 0 mxn
0
0
E2
0
1 0 0
0 1 2
0 0 1
60
1
(m k)
1 4x5
1
0
E1 0
0
0
0 0 0
Excelencia Acadmica
Ejemplo:
Por operaciones elementales llevar A a su forma escalonada:
1 1 0
1 1 0
5
A 1 2 2 O.E
0 1 4
1 2 3
0 0 0
A B
OBTENCION DEL
ELEMENTALES
RANGO
DE
UNA
MATRIZ
POR
OPERACIONES
Propiedad:
Las matrices equivalentes tiene el mismo rango, es decir:
B r(A) = r (B)
Para hallar el rango de una matriz es necesario llevar a dicha matriz a su forma
escalonada.
Luego el rango de dicha matriz ser igual al rango de su matriz escalonada.
El rango de la matriz escalonada ser k, donde k es el nmero de filas no nulas.
Esta regla ser aplicable por lo general en matrices de orden mxn (m diferente de n).
En el caso de matrices cuadradas se debe tener bastante cuidado.
Ejemplo importante:
para el ejercicio anterior vemos:
1 1 0
A 1 2 2
1 2 3
3x3
Y su determinante es diferente de cero, por lo tanto r(A) = 3
Tambin se nota que k = 2 (en su equivalente matriz escalonada), por lo que r(E) = 2
Sin embargo para este caso r(A)
r(EA)
61
Excelencia Acadmica
(A:I)
0.E. (I:B) => B = A -1
Donde I es de orden n.
Si A es singular (|A| = 0) ocurre que uno de los elementos de la diagonal principal de I
que aparece en (I:B) es cero, por lo que dicha matriz nunca ser identidad, ya que no
existe A-1
Propiedades:
1) (AB)-1 = B-1A-1
2) (A-1)t = (At)-1 ,
3 5
A
2 4
Solucin:
3 5 1 0
1 1 1 1
1 1 1 1
f
f
f
2f
1
2
2 4 0 1
2 2 4 0 1
1 0 2 2 3
0
f
1 x f
2
1
1
f
2 f1
0
2
A 1
1
5 / 2
3 / 2
3 1 0
2 f1
1
1
1
1f1
3
2
0
5
2
1
1
1
1
0
1
1 f
2
f
1
1
3
2
52
3
2
Ejercicio de aplicacin:
Hallar el determinante de la matriz A de orden n
62
1
0
1
2
1
1
5
2
Excelencia Acadmica
1
2
2
A
2
2
Solucin:
Hacemos
2
2 2 2
3 2 2
2 4 2
2 2 n
2 2
2
2
2
2
1 2 2 2
0 2 2 2
2
0 0 1 0
0
0
0 0 0 2
0 0 0 0 (n 2)
como |A| es una matriz triangular superior
| A | 1(2).1x2x3x...x(n 2)
| A | 2(n 2)!
Ejercicio de aplicacin:
Hallar el determinante de :
2
1
0
A
0
2 1 0 0
1 2 1 0
0 0 0 1 2 nxn
1 0
Solucin:
Multiplicando: 1xf1 , 2xf 2 ,3xf3 ,..., nxf n
63
Excelencia Acadmica
2
2
0
1
| A |
1x 2x3...xn
1
4
0
2
0
0
3 0
0 2n nxn
la forma siquiente: (*)=nueva fila.
0
0
f 2* f 2 f1
f 3* f 3 f 2*
f 4* f 4 f 3*
f f n f n 1
*
n
2 1 0 0
0 3 2 0
1 0 0 4 3
| A |
n!
0 0 0
0 0 0
2x3x 4x...x(n 1)
| A |
n!
A n 1
(n 1)
(n 1) nxn
(n 1)!
(n 1)
n!
0
0
0
4.2
1 7 6 5
1 2 5 4
1 2 3 1
4 0 0 4
2.-Halle el equivalente de matriz dada a su forma escalonada (si es posible)
3 1 6
5 0 2
6 2 12
64
1
Excelencia Acadmica
65
Excelencia Acadmica
Autoevaluacin formativa N 4
Nombre_________________________________________________________
Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
1. Calcular el determinante:
1 2 2 2 2
2 2 2 2 2
2 2 3 2 2
2 2 2 4 2
2 2 2 2 5
2. Calcular la determinante de orden n.
1 0
A 1 2
3
0
n
n
1 2 3
3
1
A 0
66
1
2 0 0
3 2 0
1 3 0
0 0 3 n
Excelencia Acadmica
SISTEMA DE ECUACIONES
LINEALES
En este fascculo estudiaremos a las ecuaciones lineales, dndole la forma de una
ecuacin matricial.
Para ello debemos analizar el tipo de ecuacin lineal y sus posibles soluciones; en general
estudiares los casos:
a)
b)
c)
a m1x1 a m2 x 2 a m3 x 3 .... a mn x n b m
(1)
67
Excelencia Acadmica
a11 a12
a
21 a 22
a i1 a i2
a m1 a m2
a1j a1n x1 b1
a 2 j a 2n x 2 b 2
(2)
a ij a in x i bi
a mj a mn x n b m
O tambin:
AX = b
A es de orden mxn
X es de orden nx1
B es de orden mx1
OBSERVACIONES:
1) Como (1) es equivalente a (2) entonces cualquier solucin de (1) lo ser tambin
de (2) y viceversa
2) Una
solucin
del
sistema
es
una
determinada
cantidad
de
nmeros
a11 a12
a
21 a 22
Aa
a i1 a i2
a m1 a m2
a1j a1n
a 2 j a 2n
a ij a in
a mj a mn
b1
b2
A b
bi
b m
2x 3y 5
3x 8 y 2
68
1
Excelencia Acadmica
b)
2x 3y 2
6x 9 y 6
c)
2x y 2
2x y 5
PROPIEDADES:
1) Los sistemas de ecuaciones lineales son equivalentes si sus respectivas matrices
aumentadas son equivalentes. O sea el sistema AX = b es al sistema BX = c si y
solo si:
Aa Ab
OE
Ba B c
69
Excelencia Acadmica
3x 2y z 5
2x 3y 2z 4
y 3z 6
Solucin:
AX = b
E A X = Eb
3 2 1 5
A a 2 3 2 4 llevando A a a E A por O.E
0 1 3 6
1 5
1 2
1 2 3 1 5
3
3 3
3 3
1
5
8 2 3 f
f1 2 3
2 4 f
2 2f
1 0
2
3
3 3
3
5
3 6
0 1
0 1
3 6
5
1 5
1
1 2
1 2
3
3 3
3
3 3
0 1
8 2 f f 0 1
8 2 5f
3
2
3
5
5
5
5
7
0 1
0 1
3 6
7 28
5
5
x+ 2y z 5
2
1
5
1
3 3 3 z=4
3
3 3
8 2 y 8z 2
0 1
y=-6
5 5
5
5
x=7
0
1
4
0
z4
Eb
EA
5.1
5x y z 1
5x 2y 8z 2
2x 3y z 3
70
1
Excelencia Acadmica
2. Resuelve
2x 3y z 1
4x 6y 2z 2
7x 3y 3z 3
r(A) = r(A a )
2) Si el sistema es consistente se presenta los siguientes casos:
a) Que el sistema tenga una nica solucin para cada incgnita. Ello ocurre si
el nmero de incgnitas es igual la rango de la matriz aumentada, es decir,
como el sistema tiene n incgnitas y es consistente:
b)
71
Excelencia Acadmica
3x 2 y z 5
2x 3y 2z 4
y 3z 6
Solucin:
1
1 2
3
3
3 2 1
8
A 2 3 2 EA 0 1
5
0 1 3
1
0 0
r(E A ) r(A) 3
ademas se tiene:
r(A a ) r(E a ) 3 n 3
r A r Aa n 3
6x 4 y 2z 2
5 x 3 y 3z 2
7x+4y 5 z 2
Solucin:
Ax b
Aa 5
7
1 1
0 2
7 4
4 2 2
1 1 1 0
3 3 2 f
3 3 2 f
1 f2 5
2 5f1
7 4 5 3
4 5 3
1 0
1 1 1 0
1
8 2
1 4 1 f
20
3 7f
1
2 f
5 3
7 4 5 3
1 1 1 0
1 1 1 0
0 1 4 1 f 3f 0 1 4 1 E
3
a
3
0 3 12 3
0 0 0 0
r(A) r(A a ) 2 k n 3
72
1
Excelencia Acadmica
AX b
EAX Eb
1 1 1 x 0
0 1 4 y 1
0 0 0 z 0
xyz0
y 4z 1
zt
x 1 3t
y 4t 1
REGLA DE CRAMER
En el sistema de ecuaciones lineales con n ecuaciones y n incognitas.
a n1x1 a n2 x 2 a n3 x 3 .... a nn x n b n
Equivalente a la ecuacin matricial:
Ax b
Si A es no singular (
por:
x A1b
Forma Prctica:
El sistema slo tiene solucin si:
xi
Ai
, i 1,2,3,,n
A
73
Excelencia Acadmica
b1
b
A1 2
bn
a12 a1n
a11 a12
a
a 22 a 2n
a 22
A n 21
a n 2 a nn
a n1 a n 2
b1
b 2
b n
Ejercicio de aplicacin:
2x y 3z 6
x y 4z 10
y z 2
Solucin: (aplicando regla de cramer )
1) det(A)=
2 1
1 1
0 1
2 1
1 1
3
4
1
3
4
A 2
6
10
detc1= 2
6
10
74
1
1 3
1 4
1 1
1 3
1 4
2 6 3
1 10 4
detc2= 0
2 1
2 6 3
1 10 4
Excelencia Acadmica
2 1 6
1 1 10
detC3= 0 1 2
2 1 6
1 1 10
(20+6+0)-(0+16+6) = 26 - (22) = 4
Luego:
X1 -4,
x 2 2,
x3
8
4
2
4
X 2
1
5.2
1.
2x y 5z w 5
x y 3z 4w 1
3x 6y 2z w 8
2x 2y 2z 3w 2
Ejercicios de aplicacin:
Hallar la solucin del sistema:
x y 2z 3
x 5y z 4
3x 2y z 5
2x y 3z 2
Solucin:
Por matriz aumentada:
75
Excelencia Acadmica
1 . 1 2
1
5
1
Aa 3
2 1
1
3
5
2 1 3
2
1 1
F2 F 1
0 4
F
3F
3
1
4 F F
4
1
F5 2F 1
0 1
5
6
0 2
0 3
2
1 1 2
0 1 10
0 0
1
0 0 13
0 3 7
1
F3
15
F4 2F2
2 3
1 1 2
3 7 ( 1)F 0 1 10
1
F2 F5
0 1 5
5 4
7 9
0 2 7
0 3 7
7 4
3
1
0
1
11 F4
13
F5 3F2
0
1
13
0
0
4
1 2 3
1 10 11
0 1 1
0 1 1
0 37 37
z 1 ; y 10z 11 y 10 11 y 1 y
x y 2z 3 x 1 2 3 x 2
1 1
2 2
3 3
1 1
2 1
1 3
1 3
1 1
4 F 2F
2
1
2
F3 3F1
3
F4 F1
5
1 1 2 1
0 0 5 5
(
1) F1
0 0 7 6
0 0 3 0
1 1 2 1
F
3 ( 1/ 3)
0 0 5 5
0 0 1 6
0 0 1 0
76
1
1
0
0
0
1
0
0
0
2
5
7
3
1
5
6
0
4
10
15
9
4 F 2F 1 1 2 1
2
1
0 0 5 5
10
F3 3F1
0 0 1 6
15
F4 F1
9
0 0 3 0
4
10 F
2 5F
4
3 F4 F3
3
1 1 2 1
0 0 0 5
0 0 0 6
0 0 1 0
4
10
3
9
4
5
6
3
3
11
4
9
4
Excelencia Acadmica
1 1
F
1 (F4 )2
0 0
F3 F2 0 0
0 0
x3 = 3
x1 = 1 + x2
x4 = -1
0 1
0 5
0 1
1 0
2
5
1
3
x1 - x2 x4 =2
Asignando x2 = r
x1 = 1 + r
x2 = r
x3 = 3
x4 = -1
Resolver el sistema de ecuaciones
1
3 2 1 2 17
0 8 7
F3 2F1
2 3 1 1 18
0 7 5
F4 2F1
2 5 3 3 26
0 1 1
1 2 2 1
0 1 2 4
F
2 F
3
0 7 5 1
0 1 1 5
1 2 2
1
F
1 2 4
3 F
2 0
0 0 12 36
0 0 3 9
1 1
F
2 2F
4 0 1
F1 F4 0 0
0 0
1 0
0 2
1 3
1 3
1
5
1
5
14
59
46
2
14
13
1 2 2
1
0 1 2 4
F
3 7F
4
46
0 0 12 36
2
0 1 1 5
14
13
14 F F
1
2
13 1
F3
60 2
1 F
13 2 4
1 1 0 3
0 1 2 4
0 0 1 3
0 0 1 3
60
2
1
13
5
5
6
3
5
5
77
Excelencia Acadmica
1 1
0 1
F
4 F
3
0 0
0 0
1 0
0 2
1 3
0 0
6
3
5
0
x1 - x2 + x3 = -6 x1 = -x4 + 2
x2 - 2x4 = 3 x2 = 2x4 + 3
x3 -3 x4 = -5 x3 = 3x4 - 5
78
1
Excelencia Acadmica
Autoevaluacin formativa N 5
Nombre_________________________________________________________
Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
1. Resolver e indicar el nmero de soluciones
3x + 2y + z = 5
2x + 3y + z = 1
2x + y + 3z = 1
2. Resolver el sistema:
1 1 1 1 x1 0
x 7
3 1 2
3
2
1 2 2 1 x3 1
3
1 x4 9
0 0
3. Calcular el valor de k para que el sistema:
x (1 k)y 0
(1 k)x ky 1 k
Sea compatible
4. Resolver el sistema
x
2x
x
x
y
y
y
3z 1
2z 1
z 3
2y 3z
1
79
Excelencia Acadmica
80
1
Excelencia Acadmica
SISTEMA DE ECUACIONES
HOMOGENEO
En el fascculo anterior se defini los conceptos sobre ecuaciones lineales no homogneas.
Estos principios bsicos rigen tambin para ecuaciones homogneas debido a que slo
cambian los bij, los cuales se hacen cero.
En este fascculo estudiaremos sus aplicaciones ms importantes y sus mtodos de
desarrollo.
a 11x 1 a 12 x 2 a 1 3 x 3 .... a 1n x n 0
a 21x 1 a 22 x 2 a 23 x 3 .... a 2 n x n 0
a m 1 x 1 a m 2 x 2 a m 3 x 3 .... a m n x n 0
Es equivalente a la ecuacin matricial:
Ax 0
OBSERVACIONES:
1) El sistema siempre tiene por lo menos una solucin (denominada solucin trivial),
de la forma:
x1 x 2 x n 0
81
Excelencia Acadmica
r A r Aa
r A r Aa k n ,
trivial.
4) Si en el sistema: m = n, una condicin para que el sistema tenga soluciones no
triviales es que
r A r Aa ,
en un sistema homogneo
Ejercicio de aplicacin:
Resolver
6x 4y 2z 0
5x 3y 3z 0
xyz0
Solucin:
A 0
6
A 5
1
1
1
0 2
1
1
4
3
1
1
1
1
8
2 0
2 f
1
1
xyz0
y 4z 0
82
1
2
1
3 f
1 f
2 5
1
1
1
1
1
1
3
3 f
2 5 f1
1 1
1
1 1 1
4 f
1 4
3 f1 0
0 0
1
0
1
EA
Excelencia Acadmica
Como:
Sea:
r A r EA 2 n 3
z=t
zt
y 4t
x 3t
Ejercicio de aplicacin:
Hallar el valor de k, de manera que el siguiente sistema lineal homogneo tenga
soluciones no triviales:
(1- k)x y - z 0
2x - ky - 2z 0
x - y - (1 k)z 0
Solucin:
Para que tenga soluciones no triviales, el determinante de la matriz de los coeficientes
debe valer cero
1 k
2
1
k
2
1 1
k
2 0 k
2 k
k
1 (1 k)
k 2
1 (1 k) k 1 (1 k)
= - k [k + k2 2] k [ 2 k] = 0
- k [k + k2 2 2 k] = - k [k2 4] = 0 k = 0, k = 2; k = -2
Ejercicio de aplicacin:
Indicar un valor irracional de a para el sistema homogneo
ax y z 0
x (a 1)y z 0
x y az 0
Tiene soluciones no triviales
83
Excelencia Acadmica
SOLUCION
Usando slo la matriz de coeficientes:
1
1
1
a f2 f1 1
1
a
a
1
1 a 1 1 f1xf3 1 a 1 1 0
a
1 a
1
a
1
a
1
1 f3 af1 0 1 a 1 a2
a 1
a
1 0
1
a
1
a
f
f
1
1
2
f2
1
a
1
a
1
0 1
a 0
a
a
2 f3 (a 1)f2
2
2
0 1 a 1 a
0 0 1 a (a 1)
a
1 a2
(a 1)2
0
a
(a 1)(a2 2a 1) 0
Luego a 1 a 2 2a 1 0
Como a Q (irracionales), entonces de: a 2 2a 1 0
a 1 2
6.1
Resolver
xyzw 0
1.
x 3y 2z 4w 0
2x z w 0
84
1
Excelencia Acadmica
En este fascculo se estudi los sistemas de ecuaciones homogneos, los cuales por su
forma los elementos bij 0 .
Sus mtodos de resolucin son similares a las ecuaciones lineales no homogneos.
Autoevaluacin formativa N 6
Nombre_________________________________________________________
85
Excelencia Acadmica
Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
1. Resolver
x 2y 3z 2w 0
3x 7y 2z 4w 0
4x 3y 5z 2w 0
2. Resolver
x 2y z 0
2x 5y 2z 0
x 4y 7z 0
x 3y 3z 0
3. Dado el sistema de ecuaciones lineales:
y + az + bt = 0
-x + cz + dt = 0
ax + cy et = 0
bx + dy + ez = 0
que condiciones deben satisfacer las constantes a, b, c, d y e para que el sistema tenga
dos variables arbitrarias o libres.
86
1
Excelencia Acadmica
MATRICES
DIAGONALIZABLES
En este fascculo estudiaremos las matrices susceptibles a ser diagonalizadas y sus
diversas aplicaciones para hallar espacios vectoriales.
Matrices Diagonalizables
VALORES Y VECTORES PROPIOS
La definicin de valores y vectores propios, se obtiene a partir del siguiente problema
general:
Dada una matriz A de orden nxn, encontrar todos los nmeros reales
ecuacin matricial: AX =
tal que la
Solucin:
AX = X.(1)
AX - X = 0
(A - I)X = 0.(2)
a11 a12
a
21 a 22
a n1 a n 2
a1n x1
x1
x
a nn x 2
2 ......................(1)
a nn
x n
xn
Equivalente a:
87
Excelencia Acadmica
a12
a11
a
a 22
21
an2
a n1
Debe obtenerse
La ecuacin
a1n x1
a nn
x 2 0......(2)
a nn
x n
X de orden nx1.
I| = 0, es decir:
a11
a12
a1n
a
a 22
a nn
0..........(3)
A I 21
a n1
an2
a nn
trivial, si y solo si: |A
AX =
X es X = 0, en cuyo caso
El determinante de la matriz es (A
I)
I).
es un polinomio de grado n en
, (ya
Desarrollando |A
I|
n races:
1, 2, 3, n.
1, 2, 3, n, son reales.
A los valores de
propios de la matriz A.
A las soluciones asociadas a cada valor propio segn
88
1
Excelencia Acadmica
DEFINICIONES:
1) Asociados con cada vector propio se tiene un conjunto de vectores propios de los
cuales nos interesan aquellos que son linealmente independientes, ya que ellos
generan un espacio vectorial y por lo tanto, constituyen una base para dicho
espacio vectorial.
2) En realidad se puede decir que el nmero de variables libres o independientes que
existen al resolver la ecuacin (A
0 0 0
A 0 0 0
0 0 0
Solucin:
0 0 0 0 0
| A I | 0 0 0 0 0 0
0 0 0 0 0
0
0
1 0
0 0 2 0
0
3 0
Respuesta:
Se tiene por valor propio nico 0 (de multiplicidad 3)
Entonces hallando los vectores propios:
(A
I) X = 0
AX = 0
(A 0I) X = 0
AX = 0
r(A) = 0 < n = 3 (infitas soluciones)
nmero de variables libres = 3 0 = 3
tomando el sistema: AX = 0 ..(1)
89
Excelencia Acadmica
sea:
x1
X x2
x
3
Entonces de la ecuacin (1) se obtiene:
0 0 0 x1
0 0 0 x2 0
0 0 0 x
3
0x1 0x 2 0x 3 0
0x1 0x 2 0x 3 0
0x 0x 0x 0
2
3
1
0x1 0x 2 0x 3 0
Como hay tres variables independientes se puede hacer que sean:
x1 r
x 2 s r,s, t R
x 3 t
Entonces se tendr:
r r 0 0
x s 0 s 0
t 0 0 t
Se tiene entonces que el vector propio solucin es:
r
x s
t
De ella encontramos los vectores propios linealmente independientes.
Ejemplo: sea
90
1
Excelencia Acadmica
0
x2 1 ;
0
0
x3 0
t
x rx1 sx 2 tx 3 ,
2 4
A
4 8
Solucin:
2 4 0
A I
0
4 8 0
2
4
0
4
8
(2 )(8 ) 16 0
1 0
valores propios
2 10
Con: 1 = 0
(A - I)X = 0
AX = 0
2 4 x1
4 8 0
x2
2 4 1 1 2
1 2
A
f
f
4f
1
2
1
2
4 8 0 0 E A
4
8
Excelencia Acadmica
1 2 x1
0 0 x 0
2
x1 + 2x2 = 0
0x1 + 0x2 = 0
x1 + 2x2 = 0
sea:
x2 = t
=> x1 = -2t
El vector propio ser:
x 2t 2
x 1
t
x2 t 1
Para t = 1, hallamos el vector propio independiente:
2
x
1
Para hallar los vectores linealmente independientes se hace:
2 0
x
0 1
Esto genera un espacio vectorial unidimensional.
Geomtricamente ser una recta que pasa por el origen y que tiene como vector
direccional
a( 2,1)
ya que:
x = 0 + t(-2,1)
Con 2 = 10
4 x1
2
0
8 x2
4
8 4 x1
0
4 2 x 2
92
1
Excelencia Acadmica
1 12
8 4 1 1 12
(A 2 I)
f
f
4f
1
2
1
8
4 2 0 0 E (A 2 I)
4 2
E (A 2 I) X 0
1 1 x1
2
0
0 0 x 2
1
x 1 x2 0
2
Si:
x1 = t
x2= 2t
el vector propio ser:
x t 1
X 1 t
x 2 2t 2
Para t = hallamos el vector propio independiente:
1
X 2
1
Ello genera un espacio vectorial unidimensional.
Geomtricamente ser una recta que pasa por el origen de coordenadas y que tiene
1
2
Excelencia Acadmica
ik .
5) Si A es una matriz no singular (|A| 0), entonces A-1 tienes valores propios
i1 .
|A|
es un valor propio de la matriz adj(A)
i
a n 1x n 1 ... a1x a 0 ,
La matriz f(A) tiene los valores propios f( i) (con el mismo vector propio de A)
Ejercicio:
Calcule los valores y vectores propios de A y f(A) si
Si :
5 6
A
;f (A) A 3 3A 2
3 2
Solucin:
AX = X
AX X = 0
94
1
Excelencia Acadmica
(A I))X = 0 .(1)
| A I | = 0
5
6
0
3
2
(5 )(2 ) 18 = 0
2 - 7 8 = 0
(8 )( + 1) = 0
1 = 8 ;
2 = -1
Con 1 = 8
(A 8I)X = 0
E(A 8I)X = 0 ..(2)
3 6 1 1 2
1 2
[A-8I]=
f
f
3f
1
2
1
3
3 6 0 0 E (A 8I)
3 6
1 2 x1
0 0 x 0
2
x1 2x2 = 0
sea: x1 = t x 2 = t/2
t
x t
2
Con: t = 1 x 1
Con: 2 = -1
En la ecuacin (1)
(A + I)X = 0
E(A+I)X = 0.(3)
6 6 1 1 1
1 1
AI
f
f
3f
1
2
1
6
3 3 0 0 E A I
3
3
En la ecuacin (3)
95
Excelencia Acadmica
1 1 x1
0
0 0 x 2
x1 + x2 = 0
x1 = -x2
Sea :
x1 = t; x2 = -t
t
X
t
para : t 1
1
X
1
Valores y vectores propios de f(A)
f(A)X = f( i)X
1 = 8 f( 1) = 83+3(8) 2 = 534
2 = -1 f( 2) = (-1)3+3(-1) 2 = -6
Respuesta:
Valores propios
1= 534
2= -6
cuyos vectores propios son los mismos que A:
1
1
x1 1 ; x 2
1
2
MATRICES SEMEJANTES
Definicin.Dos matrices cuadradas A y B de orden n, son semejantes si existe una matriz no
singular P tal que:
B = P-1AP
Ejercicio:
Las matrices
1 0 0
A 1 2 0
1 0 3
1 0 0
B 0 2 0
0 0 3
96
1
Excelencia Acadmica
2 0 0
1 0
Con P 2
1 0 1
1/ 2 0 0
1
1
1 0
yP
1/ 2 0 1
7.1
Si A y B son de orden n.
Traza (AB) = Traza(BA)
PROPIEDADES:
1) Si A es semejante a B, entonces Traza (A) = Traza(B)
2) Si A es semejante a B, entonces |A| = |B|
a)
b)
c)
PROPIEDADES COMPLEMENTARIAS
Sean A, B y C de orden n, entonces:
1) Toda matriz A es semejante consigo misma.
97
Excelencia Acadmica
MATRICES DIAGONALIZABLES
Definicin.Se dice que una matriz cuadrada A es diagonalizable si existe una matriz P no
singular, tal que:
P-1AP = D; donde D es una matriz diagonal. En este caso se dice que P
diagonaliza a A y A es semejante a D.
Contina fascculo siguiente.
98
1
Excelencia Acadmica
Autoevaluacin formativa N 7
Nombre_________________________________________________________
Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre_____________________
1. Dados las matrices
1 2
A
3 4
1 0 2
yB 3 2 5
6 7 2
5 4
A
1 1
3. Halle los valores y vectores propios de
5 6
B
3 2
4. Halle los valores y vectores propios de
3 10
C
3
1
99
Excelencia Acadmica
100
1
Excelencia Acadmica
Matrices Diagonalizables
(Segunda Parte)
Diagonaliza matrices
Aplica matrices a la Geometra Vectorial
Sea: v1 , v 2 , v3 ,..., v n
en Rm, o
vi v1 , v 2 , v3 ,..., v n , donde 1 i n . Se presentan los siguientes casos, en la
v11 v12
v
21 v 22
v m1 v m2
v1n
v 2n
v1 v 2
v mn mxn
v n mxn
b) Si los vectores vi se consideran como vectores fila de una matriz de una matriz B,
entonces se tiene:
v11
v
21
v
1n
v1
v12 v m1
v 22 v m2
v
2
v 2n vmn nxm v
n nxm
101
Excelencia Acadmica
TEOREMA FUANDAMENTAL
Una matriz A se orden nxn es diagonalizable (y por lo tanto semejante a una matriz
diagonal), si y solo si tiene n vectores propios linealmente independientes.
DEMOSTRACION:
Si A es una matriz diagonalizable, entonces existe una matriz P no singular tal que P1
Sean:
P11
P
P 21
Pn1
P12
P22
Pn 2
P1n
d1 0
0 d2
Pnn
y D
Pnn
0 0
d n
De: P-1AP = D
se llega a:
AP = PD..(1)
P11 P12
P
P22
PD 21
Pn1 Pn 2
d1P11 d 2 P12
dP
d 2 P22
PD 1 21
d1Pn1 d 2 Pn 2
P1n d1 0
P2n 0 d 2
Pnn
0 0
d n P1n
d n P2n
d n Pnn
d n
PD d1 P1 d 2 P2 d n Pn
102
1
Excelencia Acadmica
21
22
2n
21 P22
AP
a n1 a n 2 a nn Pn1 Pn 2
a1
a
AP 2 p1 p 2 p n
a
n
a1 P1 a1 P2 a1 Pn
a 2 P1 a 2 P2 a 2 Pn
AP
a P a P a P
n 1 n 2
n n
P1n
P2n
Pnn
los vectores
: AP1
: AP2
sucesivamente.
Luego ( ) puede expresarse como:
De donde:
A P1
d1 P1 ;
A P2
d2 P2 ;
A Pn
dn Pn ;
..
Como P es no singular |P| 0, implica que los vectores columnas de P son diferentes
de cero. Deduciendo que los di de , son valores propios de A, y
P1 , P2 ,, Pn son
NOTA:
103
Excelencia Acadmica
A~By
A ~ C
3. A es diagonal si:
P-1AP = D
A y D son semejantes
B es diagonal si:
P-1AP = D;
B y D son semejantes.
Igualmente |A| 0 implica que ninguno es mltiplo o combinacin lineal de las otras,
DEMOSTRACION DE REGRESO
Si A tiene n vectores propios linealmente independientes;
P1 , P2 ,, Pn , las columnas
del producto AP son: AP1 , AP2 , AP3 ,..., APn , pero: APi i Pi , i 1, 2,3,..., n , cuya:
AP 1 P1 , 2 P2 , 3 P3 ,..., n Pn
1P11 2 P12
P
2 P22
AP 1 21
1 Pn1 2 Pn 2
P11 P12
P
P22
AP 21
P
n1 Pn 2
n P1n
n P2n
n Pnn
P1n 1 0
P2n 0 2
Pnn 0 0
AP PD
D es una matriz diagonal cuyos elementos son los valores propios de A, y como los
vectores propios de la columna de P, son linealmente independientes.
=> |P| 0
104
1
Excelencia Acadmica
AP = PD
P-1AP = D
A (matriz diagonalizable y semejante a D)
3 4
4 2
A
B
5 6
11 5
Solucin:
Con la matriz A
Paso I
(A I)X = 0 por lo tanto |A -
I| = 0
4
3
0
5
6
(3 )(6 ) 20 0
9 89
2
9 89
2
2
1
Paso II
105
Excelencia Acadmica
Con:
1 =
(A I)X = 0
9 89
2
3
| A 1I |
9 89
2
5
4
6 9 89
2
E|A 1I|
3 89
0
0
R (A 1I) 1 2 n
Nmero de variables libres = 2 - 1 = 1
x1 0
3 89
x 2 0
0
8x 2
x1
0
3 89
Si : x1 t x 2
3 89
t
8
sea : t 8
1
8
x t 3 89 x1
3 89
8
9 89
2
(A 2 I)X 0 | A 2 I | 0
con : 2
Resolviendo queda:
E (A 2I)
106
1
3 89
Excelencia Acadmica
x1
3 89 0
x 2
0
8x 2
x1
0
3 89
Si : x1 t
x2
89 3
t
8
Sea t = 8
1
8
x1 t 85 3 x 2
89 3
8
Paso III
8
P
3 89
89 3
8
Hallando P-1
89 3 1
48
6
1
P
89 3
1
6
48
P-1AP = D
3 89
48
3 89
48
49 3 89
48
49 3 89
48
6 34 8
1 56 3 89
6
D
89 3
15 89
12 8
15 89 3 89
12
D
89 3
107
Excelencia Acadmica
PROPIEDADES
SEMEJANTES
COMPLEMENTARIAS
DE
LAS
MATRICES
1
1
0 7
5 3
1 1
2
2
Solucin:
Hallando los vectores propios de B.
|B
I| = 0
2 1
0
0
7
(2 )(7 ) 0
2 0 1 2
7 0 2 7
Con: 1 = -2
E (B -1I) = 0
108
1
Excelencia Acadmica
2 2 1 0 1
0 1
0 1
f
9f
1x( 1)
2
1
0 9 0 0
7 2 0 9
0
B 1I
E ( B 1I )
r( E (B I) ) = 1 < 2 = n
1
0 1 x1 0
0 0 x 0
2
0x1 0x 2 0
x t
x 1
x2 0
Sea:
x1 t
x2 0
Para: t 1
1
x1
0
2 = 7
E (B2I) X 0
Con:
2 7 1 9 1 1 1 1 9
f1
7 7 0 0
9 0 0
0
B 2I
E B 2 I
r( E (B
2 I)
)=1<2=n
1 x 0
9 1
0 x 2 0
x1
x2
0
9
sea: x1 = t; x2= -9t
x t
X 1
x 2 9t
Para: t = 1
1
x2
9
Hallando los vectores propios de A
para 1 = -2
109
Excelencia Acadmica
1 1 1 1
Px1
1 1 0 1
2 = 7
1 1 1 8
Px 2
9 10
1
1
para
3 2
A
1 5
Solucin:
|A -
3
1
(3
I| = 0
0
5
)(5- ) - 2 = 0 ,
P( ) = 0
P( ) = 2 8 + 13 = 0
P(A) = 0
P(A) = A2 8A + 13 A 0 = 0
3
1
11
8
2 3 2 3 2
1 0
8
13
0
5 1 5 1 5
0
1
16 24 16 13 0 0 0
27 8 40 0 13 0 0
0 0 0 0
0 0 0 0
Ejercicio de aplicacin:
110
1
Excelencia Acadmica
1
(A - 8I)
13
1 3 2 8 0
13 1 5 0 8
1 5 2 135 132
A 1
3
13 1 3 131
13
A 1
A.A t = I
BASE ORTONORMAL. Los vectores columna (o fila) de una matriz ortogonal forman
P t AP D
Donde: D es una matriz diagonal. En este caso se dir que P diagonaliza a la matriz A
ya que A es semejante a D.
Debe observarse que una matriz
t
simtrica, A A
Demuestre:
Excelencia Acadmica
A PDP t
A t PDP t
A t P t PD
t
A t PD t P t
PROPIEDADES
x1t x 2 0, x 2t x 3 0, x 2t x 3 0
2) Si una matriz simtrica tiene valores propios de multiplicidad k, entonces
asociados con dicho valor propio se encuentran k2 vectores propios linealmente
independientes
Excelencia Acadmica
un
1 i n ,
generan todo espacio de una dimensin Rn , al igual que el conjunto {x1, x2, x3,, xn}.
Primero se forma un conjunto ortogonal de vectores {v1, v2, v3,, vn} y luego se las
normaliza; porque:
U1
v1
| v1 |
PASOS:
1) Vi debe se un mltiplo de xi para que genere el mismo espacio, as: v1 = x1
Luego:
U1
v1
| v1 |
= U1 x1 - r1U1 U1
r1 = U1 x2
v2 = x2 (U1x2)U1
U2
v2
| v2 |
v2 y v1.
113
Excelencia Acadmica
Luego:
0 = U2v3
0 = U2(x3 r2U2 r1U1)
0 = U2x3 r2 (U2 U2) r1(U2U1)
0 = U2x3 r2
U2 U1 = 0 ;
U2 U2 = 1
r2 = U2x3
Luego:
0 = U1v3
0 = U1(x3 r2U2 r1U1)
0 = U1x3 r2(U1 U2) r1(U1U1)
0 = U1x3 r1
r1 = U1x3
v3 = x3 (U2x1)U2 (U1x3)U1
U3
v3
| v3 |
4) Generalizando:
Vk = xk(Uk -1xk)Uk 1 (Uk-2xk)Uk 2 - -(U1xk)U1
Uk
vk
| vk |
Ejercicio de aplicacin:
Obtener un conjunto ortonormal de vectores a partir del conjunto de vectores:
1
2
1
1
1
2
x1
x2
x3
1
1
2
1
1
1
Solucin:
1) Se toma: v1 =
1
1
x1
1
1
2) Se hace v2 = x2 r1v1
114
1
Excelencia Acadmica
de modo que:
v1 v2 = 0 = v1 (x2 r1v1)
v1 v2 = 0 = v1x2 r1(v1 v1)
r1
v 1 x 2
1
v1 v1
4
Donde:
9
4
3
1
4
v2 x 2 v1
3
4
4
3
4
3
1
v2
1
1
(v2 sigue la direccin de v2 ,
r2
v2x 3
1
v2 v2
2
v1 v3 = 0 = v 1x3 r2(
r1
v1v2
) r1(v1 v1)
v1x 3 1
v1v1 2
115
Excelencia Acadmica
1
1
v3 x 3 v 2 v1
2
2
0
1
v3 v3
1
2
v1, v2 y v3 son ortogonales. Para formar lo pedido de normaliza
1
3
v1 1 1
v2
1 1
U1
; U2
;
| v1 | 2 1
| v 2 | 2 3 1
1
1
0
v3
1 1
U3
;
| v3 |
6 1
2
Conjunto ortonormal {U1, U2 , U3}
Excelencia Acadmica
3
3
A 0
0
0
I.
1
1
0
0
0
2
0
0
1
0
0
1
1
2
1
0
0
1
1
2
3
1
3
1
| A I |
|A
0
0
2
1
1
2
0
0
0
0
0
|A
0
0
0
0
| A I | (3 )
| A I | (3 )
0
0
2
1
1
2
1
1
1
1
1
0 2
1
0
1
2
0
0
1
1
2
2
3
3
I| = 3 2 2 3(2 ) 2 2 3(2 )
2
3
I| = 3 1 (2 ) 2 3(2 )
117
Excelencia Acadmica
|A
I| = (4 )(2 )(4 9 6 2 3 )
2
3
2
|A I| = ( 4) (2 )( 6 9 4)
Factorizando(Rufinni)
A I ( 4) 2 (2 )( 1) 2
Valores propios:
1 4
2 1
3 2
II.
1)f1 1
1 1 0 0 0 (
f f * 0
1
1
0
0
0
2
1
(A 1I) 0 0 2 1 1
1
f3
2 0
0 0 1 2 1
0 0 1 1 2 f f *
14
13 0
0
0
1 1 0
1 1
0
0
0
0
0
3
0 0
f4
3
2 0 0 1 1 2 1 2 f 5 f 4 0 0
f5 f3 0 0 0 1
1
0 0
0 0 0 3
3
0 0
2
2
0
0
1 1 0
1 1 0
0 0 1 1 2 1 2
0 0 1
f
2 xf
3 0
3 xf
4 0
0 0
0
0 f
0 0
0 0 0 1
1
0 0 0
0
0
0 0 0
0 0 0
R(A
1 0
118
1
0
1
0
0
0
0
1
1
2
2
1
1
0
0
0
1
1
2
2
1
1 E (A I)
0
0
0
0
I)= 3 < 5 = n
I)X= 0
0
0
1
1
2
2
3
3
2
2
1
2
0
Excelencia Acadmica
0
0 x
1 1 0
1
1
x
0 0 1
2
2 2
x 0
1 3
0 0 0 1
0 0 0
0
0 x4
0
0 x 5
0 0 0
x1 x 2 0.................(1)
1
1
x 3 x 4 x 5 0..........(2)
2
2
x 4 x 5 0.....................(3)
Sea x1 = r => x2 = r de (1)
Sea x4 = s
x4 = x5 = s de (3)
De (2)
1
1
x3 s s
2
2
x3 s
r r 0
r r 0
X s 0 s
s 0 s
s 0 s
1 0
1 0
X r 0 s1
0 1
0 1
Con r = 1, s = 0
Con r = 0, s = 1
1
1
x1 0 ;
0
0
0
0
x 2 1
1
1
Con:
2 = 1(de multiplicidad 2)
119
Excelencia Acadmica
1
(A 2 I) 0
0
0
1
2
f2
3 0
f
4 f3
* 0
f
5 f3
* 0
0
1 1 2 0 0 0
1 0 0 0
1
0 3
0 0 0
2 0 0 0
2
f1
2
0 1 1 1
0 0 1 1 1
f *
0 1 1 1 f
2
1
0 0 1 1 1
0 1 1 1
0 0 1 1 1
0 0 0
2
1 0 0 0
0 1 1 1 E (A 2 I)
0 0 0 0
0 0 0 0
E(A I)X = 0
1
0
0
0 0 0 0 x1
2
1 0 0 0 0 x2
0 1 1 1 1 x3 0
0 0 0 0 0 x4
0 0 0 0 0 x 5
1
x1 x 2 0...........(1)
2
x 2 0...................(2)
x 3 x 4 x 5 0..........(3)
(2) en (1)
x1 = 0
sea x4 = r;
x5 = s
de (3)
x3 = - (r+s)
0 0
0 0
x (r s) r s
r r
s s
120
1
0 0
0 0
x r 1 s 1
1 0
0 1
Excelencia Acadmica
Con r = 1, S = 0
Con r = 0, s = 1
0
0
0
0
x 3 1
x 4 1
1
0
0
1
Ortogonalizando por Gram Schnitt
v4 x 4 rv3
0
v3 v4 v3 (x 4 rv3 ) 0
0
v3 x 4 rv3 v3 0
v3 x 3 1
v 3 x 4 v3 t x 4
1
r
0
v3 v3 v3 t v3
0
0
t
v3 x 4 0 0 1 1 0 1 1
0
1
0
0
t
v3 v3 0 0 1 1 0 1 2
1
0
1
r
2
v 4 x 4 rv3
0
0
0
0
0
0
1
1
v4 1 1 2
2
0
1 1 2
1
0
1
Por (2)
0
0
v 4 1
1
2
121
Excelencia Acadmica
Con
0
0
0
0
0
0
0
0
0
0
0
0
1 0
0 1
0 0
0 0
0 1
3 = 2
1
(A 3I) 0
0
0
0 0
1
0 1
0
1 1 f
5 xf
3 0
0 0
0
0
1 0
0
1
0
0
1 f
2 f
1 0
1
0
0
0 1 1 0
1
1
0
0
1 0 0 0
1
0 0 0 0
0
0 0 1 1 f
4 xf
5 0
0 0 0 0
0
0
0 0 1 1
1 0 0 0
1
0 1 0 1
0
1
0 0 1 1 f 4 0
2
0 0 0 2
0
0
0 0 0 0
0
0
0
1
0
0
1
0
1 0 0 0
0 1 0 1
0 0 1 1 f
3 f
2
0 0 0 0
0 1 1 0
1 0 0 0
0 1 0 1
0 0 1 1 f
4 f
3
0 0 1 1
0 0 0 0
1 0 0 0
0 1 0 1
0 0 1 1
0 0 0 1
0 0 0 0
E A 3I X 0
1
0
0
0
0
0 1
0 0
0 0
0 0
x1 x 2 0
122
1
0 x1
0 1 x2
1 1 x 3 0
0 1 x4
0 0
x 5
x 4 x5 0
1 0 0
x3 x5 0
x3 0
x 4 x5 0
sea : x1 s
x5 0
x 2 s
0
1 f
2 xf
4
1
0 1 1 0
1
0
0
0
0
0
0
1
0
0
1
0
Excelencia Acadmica
con : s 1
s
s
x 0
0
0
1
1
x 0
0
0
P = [U1 U2 U3 U4 U5 ]
vi 12 12 02 02 02
| v1 | 2
Ui
| v 2 | 3
vi
| vi |
| v3 | 2
| v 4 | 6
| v5 | 2
1
1
2
2
3
3
3
1
1
0
2
2
1
1
2
1
2
6
6
6
PtAP = D
Excelencia Acadmica
En este fascculo se da por finalizado el estudio de las matemticas bsicas que involucran
el clculo matricial y sus diversas aplicaciones en el campo de la ingeniera.
Autoevaluacin formativa
N 8
Nombre_________________________________________________________
Apellidos______________________________Fecha ____________________
Ciudad _______________________________Semestre__________________
1.
3
1
A 0
0
0
2.
1 0 0 0
3 0 0 0
0 2 1 1
0 1 2 1
0 1 1 2
124
1