5.

Repaso de matrices

( Chema Madoz, VEGAP, Madrid 2009)

Matrices
Elemento: aij
Tamao: m n
Matriz cuadrada: n n
(orden n)
Elementos de la diagonal: ann

Vector columna
(matriz n x 1)

Vector fila
(matriz 1 x n)

a11 a12 a1n

a21 a22 a2 n

am1 am 2 amn

a1

a2


an
(a1 a2 an )

Suma:

2 1
0 4

AB

24
09

6 1

3
4 7 8

6 , B 9
3
5
1 1

6 10 5
2

1 7
43

3 (8) 6

65 9
10 (1) 5 2 5

6
7
9

11
3

Multiplicacin por un escalar:

ka11 ka12 ka1n

ka21 ka22 ka2 n

kA

(
k
a
)
ij
mn

kam1 kam 2 kamn

Si A, B, C son matrices mn, k1 y k2 son escalares:

(i)
(ii)
(iii)
(iv)
(v)
(vi)

A+ B= B + A
A + (B + C) = (A + B) + C
(k1k2) A = k1(k2A)
1A=A
k1(A + B) = k1A + k1B
(k1 + k2) A = k1A + k2A

Multiplicacin:
4 7

,B
(a) A
3 5

49 76
AB
39 56
5 8
(b) A 1 0 , B

2 7

9 2

6
8

4(2) 78

78 48

3(2) 56 57 34
4 3

2
0

5(4) 82 5(3) 80 4 15

AB 1(4) 02 1(3) 00 4 3
2(4) 72 2(3) 70 6 6

Nota: En general, AB BA

Transpuesta de una matriz A:

a11

a12

AT

a1n

a21 am1

a22 am 2

a2 n amn

(i) (AT)T = A
(ii) (A + B)T = AT + BT
(iii) (AB)T = BTAT
(iv) (kA)T = kAT
Nota:

(A + B + C)T = AT + BT + CT
(ABC)T = CTBTAT

Matriz cero
A+0=A
A + (A) = 0

0
0 0
0 ,0

0
0 0

0 0

, 0 0 0
0 0

Matrices triangulares
1 2 3 4

0 5 6 7
0 0 8 9

0 0 0 1

Triangular superior

2 0 0 0 0

1 6 0 0 0
8 9 3 0 0

1 1 1 2 0

15 2 3 4 1

Triangular inferior

Matriz diagonal:
Matriz cuadrada n n, i j, aij = 0

0
0

0
1

0
1

Matriz identidad:
A: m n, entonces
I m A = A In = A

5 0
1 0

0 5
0 1

1 0 0

0 1 0

0 0 0

1
8

Una matiz A n n es
AT = A.

simtrica si

1 2 7

A 2 5 6
7 6 4

1 2 7

T
A 2 5 6 A
7 6 4

Resolucin de sistemas de ecuaciones lineales:

a11 x1 a12 x2 a1n xn b1
a21 x1 a22 x2 a2 n xn b2

am1 x1 am 2 x2 amn xn bm

Matriz aumentada

a11

a21

a12

a1n

b1

a22

a2 n

b2

am1 am 2 amn

bm

asociada, para resolver

el sistema de ecuaciones
lineales.

10

2x1 + 6x2 + x3 = 7
x1 + 2x2 x3 = 1
5x1 + 7x2 4x3 = 9
2 R1 R2
5 R1 R3

3 R2 R3

2 6

1 2

1 1
5 7 4 9

2 1 1
1

2
3 9
0
0 3

1
14

1 2 1 1

3
9
0 1
2
2
0 0 11 55

2
2

2 R2

11R3

R12

1 2

2 6

1 1

1 7

5 7 4

2 1 1
1

3
9
1
0
2
2
0 3

1
14

1 2 1 1

3
9
0 1
2
2
0 0

1
5

x1 2 x2 x3 1

x3 = 5, x2 = 3, x1 = 10

3
9
x2 x3
2
2
x3 5

11

Resolver mediante el mtodo de Gauss-Jordan

x1 + 3x2 2x3 = 7
4x1 + x2 + 3x3 = 5
2x1 5x2 + 7x3 = 19

3 2 7

1
3
5
2 5

7
19

111R2
1 3 2 7
111R3

0 1 1 3
0 1 1 3

4 R1 R2
2 R1 R3

3 2 7
1

0 11 11 33
0 11 11 33

3 R2 R1
R2 R3

1
2
1 0

0 1 1 3
0 0

0
0

Entonces:

x2 x3 = 3
x1 + x3 = 2
Haciendo x3 = t, tenemos x2 = 3 + t, x1 = 2 t.

12

Resolver: x1 + x2 = 1
4x1 x2 = 6
2x1 3x2 = 8

1
1
1

4 1 6
2 3

1 0 1

0 1 2
0 0 16

0 + 0 = 16 !! No tiene soluciones.

13

 a11

a21

a1n

a12

a22

a2 n

amn

am1 am 2

Vectores fila:
u1 = (a11 a12 a1n),
u2 = (a21 a22, a2n),,
um = (am1 am2 amn)

Vectores columna:

El rango de una
matriz A m n, es
el mximo nmero
de vectores fila
linealmente
independientes.

a11
a12
a1n

a21
a22
a2 n
v1
, v2
, , v n

am1
am 2
amn
1 1 3
1

A 2 2
6 8
3
5 7 8

2 R1 R2
3 R1 R3

1 1 3
1

8 2
0 4
0
2 4 1

2 R2 R3
14 R2
1

3
1 1 1

1
0 1 2 2
0 0
0
0

14

rang A = 2.

AX = 0
Siempre hay soluciones
(consistente)

Solucin nica X = 0
(solucin trivial)
rang(A) = n

Infinitas soluciones
Rang(A) < n
n r parmetros

15

AX = B, B0

Consistente
rang(A) = rang(AB)

Solucin nica
rang(A) = n

Inconsistente
rang(A) < rang(AB)

Infinitas soluciones
rang(A) < n
n r parmetros
16

Determinantes
a11 a12
det A
a11a22 a12 a21
a21 a22

a11
det A a21
a31

a12
a22
a32

a13
a23
a33

a11a22 a33 a12 a23 a31 a13 a21a32 a13 a22 a31
a a a a a a .
11 23 32

det A a11

a22
a32

12 21 33

a23
a21 a23

a12
a33
a31 a33

a13

a21 a22
a31 a32

Expansin por cofactores a lo largo de la primera fila.

17

a11

a12

a13

det A a21
a31

a22
a32

a23
a33

a22
C11
a32

a23
a33

El cofactor de aij es
Cij = (1)i+ j Mij
donde Mij se llama menor.

a21 a23
C12
a31 a33

a21 a22
C13
a31 a32

det A = a11C11 + a12C12 + a13C13

... O por la tercera fila:
det A = a31C31 + a32C32 + a33C33
Podemos expandir por filas o columnas.

18

2 4
2 4 7

A 6 0 3
det A 6 0
1 5 3
1 5

2 4 7
11
11 0
C11 (1) 6 0 3 (1)
5
1 5 3
2
C12 (1)12 6
1
2
C13 (1)13 6
1

4
0
5
4
0
5

7
1 2 6
3 (1)
1
3
7
13 6
3 (1)
1
3

7
3 2C11 4C12 7C13
3
3
3
3
3
0
5
19

2 4 7
det A 6 0 3 2C11 4C12 7C13
1 5 3
11 0 3
1 2 6 3
13 6 0
det A 2(1)
4(1)
7(1)
5 3
1 3
1 5
2[0(3) 3(5)] 4[6(3) 3(1)] 7[6(5) 0(1)] 120
Ms corto desarrollando por la segunda fila...

det A 6C21 0C22 3C23

1 2

6(1)

4 7
5 3

3(1)

6(23) 3(6) 120

2 3

2 4
1 5
20

 6 5 0

A 1 8 7
2 4 0

6 5
0
det A 1 8 7 0C13 (7)C23 0C33
2 4
0
6 5 0
6 5
23
2 3
(7)(1)
1 8 7 ( 7)(1)
2 4
2 4 0
7[6(4) 5(2)] 238

21

det AT = det A
det A

3 4

41

det A

7 4

41

Si dos filas (columnas) de una matriz A de n n

son idnticas, entonces det A = 0.
6 2 2

A 4 2 2
9 2 2

6 2 2
det A 4 2 2 0
9 2 2
22

Si todos los elementos de una fila (columna) de una

matriz A de n n son cero, entonces det A = 0.
Si B es la matriz obtenida por intercambio de
dos filas (columnas) de una matriz A n n,
entonces:

det B = det A
2
1 3
4 1 9
det B 6 0 7 6 0 7 det A
4 1 9
2
1 3
23

Si B se obtiene de una matriz A n n multiplicando

una fila (columna) por un nmero real k, entonces:

det B = k det A
det B kai1Ci1 kai 2Ci 2 kain Cin

k (ai1Ci1 ai 2Ci 2 ain Cin )

k det A

expansin de det A por cofactores a lo largo de la i -sima fila

5 8
1 8
1 1
5
58
20 16
4 16
4 2
1 1
582
80(1 2) 80
2 1

24

Si A y B son matrices n n, entonces

det AB = det A det B.
2 6
3 4
A
, B

5
1 1
3
12 22
AB

6 9

det AB = 24, det A = 8, det B = 3,

det AB = det A det B.

25

Si B se obtiene como combinaciones lineales de

filas o columnas de una matriz A n n, entonces:

det B = det A

1 2
5

A 3 0 7
4 1 4

3 R1 R3

5
1
2

3
0
7 B
11 4 2

det A = 45 = det B = 45.

26

0
0
a11

A a21 a22
0
a

a
a
31 32
33

a22
det A a11
a32

0
a33

a11 (a22 a33 0 a32 ) a11a22 a33

matriz triangular inferior

A
5

0
0
6
0
9 4
2

0
0

4 2

matriz diagonal

3 0 0

A 0 6 0
0 0 4

3
2
det A
5
7

0
0
0
6
0
0

9 4
0
2
4 2

3 6 (4) (2) 144

3 0 0
det A 0 6 0 (3)64 72
0 0 4
27

Supongamos que A es una matriz n n.

Si ai1, ai2, , ain son los elementos de la i-sima fila
y Ck1, Ck2, , Ckn son los cofactores de la k-sima
fila, entonces:

ai1 Ck1 + ai2 Ck2 + + ain Ckn = 0, para i k

Igualmente, si a1j, a2j, , anj son los elementos de la
j-sima columna y C1k, C2k, , Cnk son los
cofactores de la k-sima columna, entonces:

a1j C1k + a2j C2k + + anj Cnk = 0, para j k

28

Demostracin
Sea B la matriz que obtenemos de A al
cambiarle los elementos de la i-sima
fila por los de su k-sima fila:
bi1 = ak1, bi2 = ak2, , bin = akn
B tendr entonces dos filas idnticas
de modo que det B = 0, y:

0 det B ak1Ck1 ak 2Ck 2 aknCkn

ai1Ck1 ai 2Ck 2 ainCkn
29

6
2 7

4 3 2
2
4 8

a11C31 a12C32 a13C33

6 7
6
2
7
6
2
3 2
4 2
4 3

6(25) 2(40) 7(10) 0

2 7

30

Inversa de un matriz
Sea A una matriz n n. Si existe una matriz
n n B tal que
AB = BA = I
donde I es la matriz identidad n n, entonces
se dice que A es una matriz no singular o
invertible. Y B es la matriz inversa de A.
Si A carece de inversa, se dice que es una
matriz singular.
Sean A, B matrices no singulares.
(i)
(A-1)-1 = A
(ii) (AB)-1 = B-1A-1
(iii) (AT)-1 = (A-1)T
31

Matriz adjunta
Sea A una matriz n n. La matriz formada por
la transpuesta de la matriz de cofactores
correspondientes a los elementos de A:

C11 C12 C1n

C21 C22 C2 n

Cn1 Cn 2 Cnn

C21 Cn1

C22 Cn 2

C1n

C2 n Cnn

C11

C12

se llama adjunta de A y se denota por adj A.

32

Encontrar la matriz inversa:

Sea A una matriz n n. Si det A 0, entonces:

1
A
adj A
det A
1

Para n =3:
a11 a12

A(adj A) a21 a22

a
31 a32

a13 C11 C21 C31

a23 C12 C22 C32

a33 C13 C23 C33
det A
0
0

0
det A
0
0
0
det A

33

 1 4
A

2 10
1 10 4 5 2
A

1
2 2
1 1
2
1

1 4 5 2 5 4 2 2 1 0
AA

2 10 1 12 10 10 4 5 0 1
1

5 2 1 4 5 4 20 20 1 0
A A

1
1 1 4 5 0 1
1
2 2 10
1

34

2 2 0

2 1 1
3 0 1

1 1
2 1
C11
1 C12
5
0 1
3 1
2 0
C21
2
0 1
2 0
C31
2
1 1

2 1
C13
3
3 0

2 0
2 2
C22
2 C23
6
3 1
3 0

1
A
12

2 0
2 2
C32
2 C33
6
2 1
2 1

1
1 2
2 112 16
6
5

1
1
5
2 2 12
6
6
1
1
3
6
6 14
2
2

35

2 0 1

2 3 4
5 5 6

2 0 1 1 0 0

2 3 4 0 1 0
5 5 6 0 0 1

a11

a21

a12 a1n

1 0 0

a22 a2 n

0 1 0

0 0 1

(A | I)

an1 an 2 ann

2 R1

2 R1 R2
5 R1 R3

1 0

2 3
5 5

1 0

0 3
0 5

0 0

0 1 0
0 0 1

4
6
1

5
17

1
5

0 0

1 0
0 1
36

3 R2
1 R
5 3

R2 R3

30 R3

12 R3 R1
5 3 R3 R2

1 0

0 1
0 1

1 0

0 1
0 0

1 0

0 1
0 0

1
5
17
1
5
1
1
5

2
3

30
2
3

1
1
1
1
1

3
6

13

0
1

1
0
3
10 6
0

2
3

1 0 0 2

0 1 0 8
0 0

0
0

10

5 3

17 10

5 10

5 3
2

1
A 8
17 10
5 10

6
37

 1 1 2

A 2 4
5
6 0 3

Singular

1 1 2 1 0 0

5 0 1 0
2 4
6 0 3 0 0 1

1 0
1 1 2
2 R1 R2

0 6 9 2 1
6 0 3
0 0

1 0
1 1 2
6 R1 R3

0 6 9 2 1
0 6
9 6 0

1 0
1 1 2
R2 R3

0 6 9 2 1
0 0
0 4 1

0
1

0
1
0

0
138

a11 x1 a12 x2 a1n xn b1

a21x1 a22 x2 a2 n xn b2

am1 x1 am 2 x2 amn xn bm

a11 a12 a1n

a21 a22 a2 n

A
,
X

am1 am 2 amn

AX = B
x1

b1

x2
b2
,
B

xn
bm

Si m = n, y A es no singular, entonces:

X = A-1B

39

2 x1 9 x2 15
3 x1 6 x2 16

2 9 x1 15

6 x2 16
3

2 9
39 0
3
6

2 9

6
3

1 6 9

39 3 2

x1
1 6 9 15
1 234 6


1
x2 39 3 2 16 39 13 3
x1 6 , x2 1/ 3

40

2 x1 x3 2
5 x1 5 x2 6 x3 1
2 x1 3 x2 4 x3 4
x1 2

x2 2
x 5
3
2

8
5

2 0 1

2 3 4
5 5 6

0 1 2

3 4 4
5 6 1
5 3 2 19

17 10 4 62
10
6 1 36

x1 19 , x2 62 , x3 36

41

 C11 C21 Cn1

1 C12 C22 Cn 2
-1
XA B

det A

C1n C2 n Cnn
b1C11 b2C21 bncn1

1 b1C12 b2C22 bncn 2

det A

b1C1n b2C2 n bncnn

Regla
de
Cramer

b1C1k b2C2 k bnCnk

xk
det A
det A k

det A

b1

b2

bn

42

a11 x1 a12 x2 a1n xn 0

a21 x1 a22 x2 a2 n xn 0

am1 x1 am 2 x2 amn xn 0

Un sistema homogneo de n ecuaciones

lineales, AX = 0 tiene solo la solucin trivial
(ceros) si y solo si A es no singular.
Un sistema homogneo de n ecuaciones
lineales, AX = 0 tiene una solucin no
trivial si y solo si A es singular.
43

Problemas de
autovalores

DEFINICIN

Autovalores y autovectores

Sea A una matriz n n. Un nmero se dice

que es un autovalor de A si existe una solucin
vector K, distinto de cero para:
AK = K
El vector solucin K es el autovector
correspondiente al autovalor .
Los autovalores de una matriz triangular,
inferior o superior, o de una matriz
diagonal son los elementos de la

44

Verifica que

es el autovector de la matriz:

K 1
1

Solucin

AK

0 1 3

2 3
3
2
1
1

0 1 3

2
3
3
2
1
1

1 2
1

1 2 (2) 1 (2)K
1
1 2

Autovalor
45

 Podemos escribir AK = K como:

(A I)K = 0
Que es lo mismo que un sistema de ecuaciones lineales
homogneo. Si queremos que K sea una solucin distinta de
cero, debera ocurrir que:

det (A I) = 0
Observa que det (A I) nos proporcionar un polinomio de
grado n, que llamaremos ecuacin caracterstica.

46

Encuentra los autovalores y autovectores de:

1
2
1

6 1 0

1 2 1

1
det( A I ) 6
1
3 2 + 12 = 0
( + 4) ( 3) = 0

= 0, 4, 3.

(A I)K = 0
2
1
2

1
0
0
1

Ahora encontraremos los

autovectores para cada
autovalor.
47

(A 1I)K = 0

(i) 1 = 0

( A 0I | 0)

1 0

0 0

6 R1 R2
R1 R3

2
1 0
1

0 13 6 0
0

0
0
0

1 2 1 0

1 0 2 R2 R1 1 0
113 R2 1 2

6
0 1 13 0 0 1
0 0 0 0
0 0

13

0 0

1
6
k1 k3 , k2 k3
13
13
Tomando k3 = 13

1
13

K1

6
13

48

(ii) 2 = 4

( A 4I | 0)

(A 2I)K = 0

R3
R13

1 2 3 0

0 1 2 0
0 1 2 0

3 0 0
1 2 3 0

19 R2
18 R3

2 1 0

1 2 3 0

6 3
0 0
5 2
1 0

2 R2 R1
2 R2 R3

6 R1 R2
5 R1 R3

2 3 0
1

0 9 18 0
0 8 16 0

1 0
1 0

0 1 2 0
0 0

0
0

k1 = k3 , k2 = 2k3. Tomando k3 = 1:
K2 2
1

49

(iii) 3 = 3

(A 3I)K = 0

2
1 0
2

( A 3I | 0) 6 4
0 0
1 2 4 0

1 0

0 1
0 0

1 0

3
0
2
0 0

k1 = k3, k2 = (3/2) k3. Y tomando k3 = 2,

K3

3
2

50

Encuentra los autovalores y autovectores de:

3 4
A

1 7

det( A I )

( 5) 2 0

1 = 2 = 5 es un autovalor de multiplicidad 2.
A partir de (A 5I|0), tenemos: 2k 4k 0
1

Tomando k2 = 1, tenemos
k1 = 2, y entonces K
1

k1 2k2 0

51

Encuentra los autovalores

y autovectores de:

9 1 1

A 1 9 1
1 1 9

9
1
1
2
det( A I ) 1
9
1 ( 11)( 8) 0
1
1
9
1 = 11, 2 = 3 = 8 (multiplicidad 2).

52

(i) 1 = 11, por el mtodo de Gauss-Jordan:

1
1 0
2

( A 11I | 0) 1 2
1 0
1

2
0

1 0 1 0

0 1 1 0
0 0 0 0

k1 = k3, k2 = k3. Si k3 = 1, entonces:

1

K 1 1
1

53

(ii) 2 = 8,
1 1 1 0

( A 8I | 0)3 1 1 1 0
1 1 1 0

1 1 1 0

0 0 0 0
0 0 0 0

k1 + k2 + k3 = 0. Podemos elegir dos de ellos

de manera arbitraria. Tomemos k2 = 1, k3 =
0:
1

K 2 1 ,
Y k2 = 0, k3 = 1:
0

K3 0
1

54

Autovalores y autovectores complejos

Sea A una matriz cuadrada de elementos reales.
Si = + i, 0, es un autovalor complejo de A,
entonces su conjugado i es tambin un
autovalor de A.
Si K es un autovector correspondiente a , entonces
el autovector conjugado K es un autovector
correspondiente a .
Demostracin:

AK = K, A K K , A K K
55

Encuentra los autovalores

y autovectores de:

6
det( A I )
5

6 1
A

5 4
1
2 10 29 0
4

1 5 2i , 2 1 5 2i
1 = 5 + 2i

(A 1I)K = 0
(1 2i ) k1 k2 0

5k1 (1 2i )k2 0
1

1 2i

k2 = (1 2i) k1, tomando k1 = 1:

K1

2 1 5 2i,

1
K 2 K1

1 2i

56

Potencias de una matriz

Sea A, una matriz n n. Definimos la
potencia m-sima de A como:

A AAA

A
m

m factores

57

Teorema de Cayley-Hamilton
Ecuacin caracterstica: det (A I) = 0
n 1

(1) cn1
n n

c1 c0 0

Una matriz A satisface su propia

ecuacin caracterstica:
n

(1) A cn1A

n 1

c1A c0I 0
58

Comprobarlo con:

2 4
A

1 3

2 2 = 0.
Y por el teorema de CayleyHamilton:

A2 A 2I = 0

Observa que entonces: A2 = A + 2I y 2 = + 2

Y podemos escribir las sucesivas potencias
de A como:
A3 = AA2 = A(A+ 2I ) = A2 + 2A = 3A + 2I
A4 = AA3 = A (3A+2I) = 3A2+2A = 5A+ 6I
A5 = 11A + 10I
A6 = 21A + 22I
... Am = c1A + c0I ... m = c1 + c0
59

O sea que podemos escribir:

Am = c1A + c0I y m = c1 + c0
2 2 = 0; 1 = 1 , 2 = 2:

(1) c0 c1 (1)
m

2 c0 c1 (2)
m

c0 1/3[2m 2(1) m ], c1 1/3[2m (1) m ]

m
m
[

4
(

1
)
]
m
3
A
1 [ 2 m ( 1) m ]

3
1

m
m
[
2

1
)
]
3

2
m
1 [2
(1) ]
3
4

60

Y en general, para una matriz de orden n:

Am = c0I + c1A + c2A2 ++ cn1An1

m = c0 + c1 + c2 2 ++ cn1 n1

donde los ck (k = 0, 1,, n1), dependen de m.

61

Calcula A para:

1 1 2

1 2
1
0 1 1

Solucin
3 + 2 2 + 2 = 0, = 1, 1, 2.
Am = c0I + c1A +c2A2

m = c 0 + c 1 + c 2 2
Con 1 = 1, 2 = 1, 3 = 2, obtenemos:
(1)m = c0 c1 + c2
1 = c 0 + c1 + c 2

c0

2m = c0 +2c1 + 4c2

c2

3 [3

(1) 2 ],

c1 2[1 (1) m ],
1

m
m1
[

1
)

2
]
6
62

Puesto que Am = c0I + c1A +c2A2, tenemos:

m 1
m
[
9

1
)
]
6
1 2m
1 [3 2 m 1 ( 1) m ]
6

m
m
[
2

1
)
]
3
2m
1 [ 2 m ( 1) m ]
3
1

m 1
m
[

7
(

1
)
]
6

m
2 1

1 [ 3 2 m 1 7( 1) m ]
6

Por ejemplo, para m = 10

340 341 341

10
A 1023 1024 1023
341 341 342

63

Por el teorema
2 4de Cayley-Hamilton:

0,

1
3

2
I = (1/2)A (1/2)A,

A2 A 2I =

Multiplicando a ambos lados por A1

podemos encontrar la inversa:
A1 = (1/2)A (1/2)I

2 4

1 3

1 2 4 1 1 0 32 2

1
2 1 3 2 0 1 2 1
64

Una matriz A n n es simtrica si A=AT

Si A es simtrica con elementos
reales, entonces los autovalores de
A son reales.
AK = K, A K K , A K K
Transponiendo y multiplicando por K por la derecha:

K AK K K
T

0 ( ) K K
T

K K ( | k1 | | k2 | | kn | ) 0

0 es real.

65

Autovectores ortogonales
Al igual que definimos el producto escalar
entre vectores:
x y = x 1 y1 + x 2 y2 + + x n y n
podemos definirlo con matrices (vectores
fila o columna):
X Y X T Y = x 1 y1 + x 2 y2 + + xn y n

|| X || XT X x12 x22 xn2

Veamos que si A es una matriz n n simtrica, los
autovectores correspondientes a distintos
(diferentes) autovalores son ortogonales.
66

Demostracin
Sean 1,, 2 dos autovalores distintos
correspondientes a los autovectores K1 y K2.

AK1 = 1K1 , AK2 = 2K2

(AK1)T = K1TAT = K1TA = 1K1T
K1TAK2 = 1K1TK2 AK2 = 2K2,
K1TAK2 = 2K1TK2
0 = 1K1TK2 2K1TK2
0 = (1 2) K1TK2
Como 1 2, entonces K1TK2 = 0.
67

0 1 0

1 1 1
0
1 0

T
K1 K 2 (1 0 1)

= 0, 1, 2 y

1
1
1

K 1 0 , K 2 1 , K 3 2
1
1
1

1 1(1) 01 1(1) 0
1

T
K1 K 3 (1 0 1) 2 11 02 1(1) 0
1

T
K 2 K 3 (1 1 1) 2 (1)1 12 1(1) 0
1

68

Matriz ortogonal:
Una matriz A n n no singular es ortogonal si:

A-1 = AT
A es ortogonal si ATA = I.
1 0 0

I 0 1 0
0 0 1

I I = II = I

3
3

A A 3
2

3
2

2
2
1

3
3
3

2 3 13 2 3
2
1
2
3
3
3
2 2
1
3
3
3

23
2
1

3
3

1 0 0

0 1 0 I
0 0 1

69

Una matriz A n n es ortogonal si y solo si sus

vectores columnas X1, X2, , Xn forman un
conjunto ortonormal.
X1T X1
T
X 2 X1
T
A A

XT X
n 1

Es decir si:

X1T X 2 X1T X n 1 0 0

T
T
X2 X2 X2 Xn 0 1 0

T
T

Xn X2 Xn Xn 0 0 1

XiTXj = 0, i j , i, j =1, 2, , n
XiTXi = 1, i =1, 2, , n

Los Xi forman un conjunto ortonormal.

70

1
2

3
3

2
2
1

T
X1 X 2

X1T X3

XT2 X3

X1

3
3

(1

23

( 13

, X2

X3

23

2 4 2
2
2
3 )
0
3
9 9 9
1

3
2

2
3 )

1 )
3

2 2 4
0
3
9
9
9

2
3
1

4 2 2
0
3
9 9 9
2
3
1

71

Y los vectores son unitarios,

ortonormales:
13
2 1 4 4
T
1
2
2
X1 X1 ( 3 3 3 ) 3 1
2 9 9 9

3
23
2 4 4 1
T
2
2
1
X 2 X 2 ( 3 3 3 ) 3 1
1 9 9 9
3
XT3 X3 ( 2 3

23

4 1 4
2 ) 1
1
3
3
2 9 9 9

3
72

0 1 0

1 1 1
0
1 0

Vimos

|| K1 || K1T K1 2,
|| K 2 || K T2 K 2 3,
|| K 3 || K T3 K 3 6

0
1

1
1

3
6
1
2
3
6
1
1

3
6

1
1
1

K 1 0 , K 2 1 , K 3 2
1
1
1

0 ,

1 ,

3
1

Verifica que PT = P-1.

73

Autovalor dominante

Sean 1 , 2 , , k , , n los autovalores

de una matriz A n n. El autovalor k se
llama autovalor dominante de A si:

| k | | i | ,

i 1, 2 , 3 , , n

Un autovector asociado k se denomina

autovector dominante de A.
2 0 0
0
4
A

0 4
1 2, 2 2

A 0 5 1
0 0 5

1 2, 2 3 574

Mtodo de las potencias

Xi AXi 1 ,

X1 AX0

i 1, 2, 3,

X 2 AX1 A 2 X0

Vector n 1

Supongamos que
A tiene un autovalor
dominante.

X m AX m1 A m X0

Supongamos que |1| > |2| |n| con K1, K2, ,

Kn autovectores asociados linealmente independientes.
Entonces:
X c K c K c K
0

Como AKi = iKi , entonces:

AX0 = c1AK1 + c2AK2 + + cnAKn

AX 0 c11K 1 c2 2 K 2 cn n K n

75

Multiplicando por A sucesivamente:

A 2 X0 c11AK1 c22 AK 2 cnn AK n
c112K1 c222K 2 cn2nK n

(...)

A m X0 c11mK1 c2m2 K 2 cnmnK n

m
m

1m c1K1 c2 2 K 2 cn n K n

1
1

Como |1| > |i|, i = 2, 3, , n; cuando m

,
podemos aproximar:
m
m

A X0 1 c1K1

76

A X0
m

m
1 c1K 1

Observemos que un autovector multiplicado por una constante

sigue siendo un autovector. De modo que podemos escribir:

A m X 0 = Xm
De modo que Xm ser una aproximacin al autovector
dominante.
Puesto que AK = K, AKK= KK

AXdominante.
AK
K aproximacin al autovalor
m Xm
que
nos
da
una

K K

Xm Xm

Cociente de Rayleigh.

77

2
4
A

3 1
1
X0
1
i

Xi

3
144

68

4 2
X1 AX0

3 1
4 2
X 2 AX1

3 1
4
712

364

5
3576

1772

1 6

1 2
6 28

2 16

6
7
17848 89304

8956 44588

A X0
m

m
1 c1K1

X 7 89304

0.4933
78

2
1 4.9986
4
AX7

3 1 0.4993 2.5007
T

1
4.9986
AX7X7

6.2472
2.5007 0.4993

1
1
X7X7

1.2493
0.4993 0.4993

AX7X7 6.2472
1

5.0006
X7X7
1.2493
1
1
, K2

1 5, 2 2, K1
0 .5
3
79

Matriz diagonalizable
Si existe una matriz P, tal que P-1AP
= D sea diagonal, entonces decimos
que A es diagonalizable.
TEOREMA

Condicin suficiente de diagonalizabilidad

Si A es una matriz n n que tiene n autovectores

K1, K2, , Kn linealmente independientes, entonces
A es diagonalizable.
80

Demostracin
Puesto que P = (K1, K2, K3) es no singular,
entonces existe P-1 y
AP ( AK1 AK 2

AK 3 ) (1K1 2K 2

1 0

(K1 K 2 K 3 ) 0 2
0 0

As que P-1AP = D.

3K 3 )

0 PD
3

81

Condicin suficiente de diagonalizacin

Si A es una matriz n n con n autovalores
distintos, entonces es diagonalizable.

3 4
A

1 7

2
K1
Tenemos que = 5, 5.
1
Y solo podemos encontrar un autovector.
La matriz no puede diagonalizarse.

82

 5 9
Diagonaliza: A

6 10
det( A I )

= 1, 4.

P (K 1

10

5 4 ( 1)( 4)
2

3
1
K1 , K 2
2
1
3 1
1 1

1
K2)
,
P

2 1
3
2

1 1 5 9 3 1 1 0
P AP



D
3 6 10 2 1 0 4
2
1

83

1 0 , 2 4 , 3 3 ,

K1

1 2 1

P (K 1 K 2

1
1
2

6 , K 2 2 , K 3 3
1
2
13

K3)

1 1

13

112 0 112
9

1
3
2
P AP 28 7
28
8
1
2

21
7
21
0 0
0

0 4 0 D
0

0
3

1 2

6 1 0
1 2 1

112
9
1
P 28
8

21

0 112
2
1

7
7

28

1 1

21

13

1 2

84

 0 1 0

A 1 0 0
0 0 1

= 1, 1, 1. = 1 K1

1
0

1 1 0
1 1 0

= 1 ( A I | 0) 1 1 0 0 0 0
0 0 0
0 0 0

1
0


K 2 1 , K3 0
junto con K , forman tres vectores
linealmente independientes. Luego la
0
1
matriz es diagonalizable.


1

1 1 0

1 1 0
0 0 1

1 0 0

-1
P AP = D D 0 1 0
0 0 1

85

 Si existe una matriz P ortogonal que

puede diagonalizar a A, decimos que
A es ortogonalmente
diagonalizable.
Una matriz A n x n es
ortogonalmente diagonalizable si y
solo
si
es
simtrica.
P diagonaliza a A: P-1AP = D, A = PDP-1
P es ortogonal: P-1 = PT, entonces:
A = PDPT.
AT = (PDPT)T = PDTPT = PDPT = A
Luego A es simtrica.
86