Versin impresa ISSN: 0716-7334

Versin electrnica ISSN: 0717-7593

PONTIFICIA UNIVERSIDAD CATLICA DE CHILE
INSTITUTO DE ECONOMA

Oficina de Publicaciones
Casilla 76, Correo 17, Santiago
www.economia.puc.cl






LGEBRA MATRICIAL

lvaro G. Parra*

Trabajo Docente N 75










Santiago, Agosto 2009


















* agparra@northwestern.edu
lgebra Matricial
lvaro Parra
Ponticia Universidad Catlica de Chile
Instituto de Economa
ndice
Introduccin 1
Agradecimientos 1
Sobre el Autor 1
1 Operaciones Bsicas 3
Algunas Deniciones 3
Matriz 3
Matrices Cuadradas 3
Igualdad de Matrices 4
Vectores 4
Suma de Matrices y Multiplicacin por un Escalar 4
Suma y Resta de Matrices 4
Multiplicacin de una Matriz por un Escalar 4
Multiplicacin de Vectores y Matrices 5
Multiplicacin de Vectores 5
Multiplicacin de Matrices 6
Ms Deniciones 7
Matriz Transpuesta 7
Matriz Identidad 7
Matrices Idempotentes 8
La Inversa de una Matriz 8
La Traza 9
Matrices Particionadas 9
Denicin 9
Suma de Matrices Particionadas 10
VI ndice
Multiplicacin de Matrices Particionadas 11
Ejercicios Propuestos 12
2 Determinantes de Matrices Cuadradas 15
Permutaciones e Inversiones 15
Permutaciones 15
El Nmero Epsilon 16
El Determinante de una Matriz Cuadrada 16
Los Trminos del Determinante 16
El Determinante de una Matriz Cuadrada 17
Menores y Cofactores 18
La Expansin de Laplace 20
La Adjunta de una Matriz Cuadrada 20
La Inversa de una Matriz 21
Determinantes e Inversas de Matrices Particionadas 22
Determinantes de Matrices Particionadas 22
Inversas de Matrices Particionadas 23
Rango de una Matriz 25
Ejercicios Propuestos 26
3 Espacios Vectoriales y Dependencia Lineal 29
Sumas de Vectores y Multiplicacin por un Escalar 29
Suma de Vectores 29
Multiplicacin de un Vector por un Escalar 30
Relaciones y Medidas de Vectores 31
Multiplicacin de Vectores 31
La Norma de un Vector 32
Dependencia e Independencia lineal 32
Sistemas Homogneos 33
ndice VII
Ejercicios Propuestos 34
Espacios, Subespacios y Bases Vectoriales 35
Sistemas no Homogneos 35
Ejercicios Propuestos 36
4 La Ecuacin Caracterstica de una Matriz 39
El Problema de los Valores Caractersticos 39
Vectores y Valores Propios 39
La Matriz Modal 42
Aplicaciones de la Descomposicin Espectral 43
El Rango de una Matriz 43
La Traza de una Matriz 44
El Determinante de una Matriz 44
Potencias de una Matriz 45
Matrices Idempotentes 46
Ejercicios Propuestos 47
5 Formas Lineales, Cuadrticas y Clculo Matricial 49
Formas Lineales 49
Formas Cuadrticas 49
Matrices Denidas y Semidenidas 50
Clculo Matricial 51
Funciones Reales 51
Derivadas de Funciones Reales 51
Aproximacin a una Funcin 53
Ejercicios Propuestos 55
Bibliografa 57
Introduccin
Este documento fue pensado para complementar el estudio los alumnos de Ingeniera
Comercial UC durante gran parte de su carrera. Sin estar enmarcado en un curso espec-
co, el contenido del manuscrito es un compilado de las herramientas introducidas en
cursos como Algebra Lineal y Mtodos de Optimizacin, y posteriormente usadas en
cursos como Econometra, Marketing II, Finanzas II, Teora Economtrica (I, II y III) y
diversos ramos de Teora Econmica.
El enfoque de este trabajo es el de repasar los conceptos a travs de una estrategia teora
explicacinejemplo, presentando cada uno los tpicos de manera formal, seguida de
una explicacin y, por ltimo, aplicando el concepto en un ejemplo.
Agradecimientos
Quisiera agradecer a Gonzalo Edwards por la conanza depositada en m, adems de
su constante apoyo y paciencia durante el desarrollo de este apunte. A Raimundo Soto
por leer los borradores y darme excelentes comentarios. Por ltimo, a todas las personas
que ocuparon versiones previas de este trabajo y se dieron el tiempo de entregarme sus
comentarios.
Sobre el Autor
lvaro Parra es Ingeniero Comercial y Magster en Economa Financiera, ambos grados
obtenidos en la Ponticia Universidad Catlica de Chile. Desde el 2007, se encuen-
tra realizando estudios de Doctorado en Economa en Northwestern University, Estados
Unidos. Para cualquier comentario, el autor puede ser contactado a su e-mail: agpar-
ra@northwestern.edu o visitar su pgina web: www.agparra.com.
1 Operaciones Bsicas
Algunas Deniciones
Matriz
Una matriz es un arreglo rectangular de objetos, por lo general nmeros, encerrados por
un par de corchetes. 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.
I Ejemplo 1.1
Algunos ejemplos de matrices son:
=
_
1 2
3 4
_
, 1 =
_
2 3 7
1 1 5
_
donde la matriz 1 puede representar los coecientes del siguiente sistema de ecua-
ciones:
2r + 3j + 7. = 0
r j + 5. = 0
.
Formalmente, se dice que la matriz
_

_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_

_
(1)
es de orden : x : (: por :) ya que tiene : las y : columnas. En el ejemplo 1.1,
es de orden 2 x 2 y 1 es de 2 x 3. Cada elemento a
ij
puede representar un nmero (real
o complejo), una funcin, un conjunto o incluso otra matriz. En lo que sigue slo nos
enfocaremos en elementos reales (i.e. a
ij
R).
Matrices Cuadradas
Se dice que una matriz es cuadrada cuando tiene la misma cantidad de las que de
columnas. Por ejemplo, (1) es una matriz cuadrada de orden : cuando : = :. Si una
4 Captulo 1 Operaciones Bsicas
matriz es cuadrada de orden 1 la llamamos escalar.
1
En el ejemplo 1.1, es una matriz
cuadrada.
Igualdad de Matrices
Las matrices y 1 son iguales si y slo si tienen el mismo orden y cada elemento de
es igual al elemento correspondiente de 1, formalmente:
= 1 == a
ij
= /
ij
para todo i y ,
Vectores
Un vector es una matriz de una la o de una columna. Denominamos vector columna a
una matriz de orden : x 1 y vector la a una matriz de orden 1 x :.
Suma de Matrices y Multiplicacin por un Escalar
Suma y Resta de Matrices
Sean y 1 son dos matrices de orden : x :, su suma (o resta) es una matriz C de orden
: x : donde cada elemento de C es la suma (o resta) de los elementos correspondientes
en y 1, es decir:
1 = C == c
ij
= a
ij
/
ij
para todo i y ,
I Ejemplo 1.2
Si =
_
1 2 3
0 1 4
_
y 1 =
_
2 3 0
1 2 5
_
entonces:
+ 1 =
_
1 + 2 2 + 3 3 + 0
0 + (1) 1 + 2 4 + 5
_
=
_
3 5 3
1 3 9
_
1 =
_
1 2 2 3 3 0
0 (1) 1 2 4 5
_
=
_
1 1 3
1 1 1
_
Cuando dos matrices tienen el mismo orden se les llama conformables para la suma.
Multiplicacin de una Matriz por un Escalar
Sea una matriz y / R un escalar, su multiplicacin es la multiplicacin de cada
elemento de con /. Formalmente:
1 = / = / ==/
ij
= /a
ij
= a
ij
/ para todo i y ,
1
Generalmente, los corchetes son omitidos en escalares.
Multiplicacin de Vectores y Matrices 5
I Ejemplo 1.3.
Sea =
_
1 2
3 4
_
, entonces:
1 = + + =
_
1 2
3 4
_
+
_
1 2
3 4
_
+
_
1 2
3 4
_
=
_
3 6
9 12
_
= 3 = 3
Teorema 1.1 Sean , 1, C matrices de un mismo orden y / un escalar, entonces
se cumplen las siguientes propiedades:
+ 1 = 1 +
+ (1 + C) = ( + 1) + C
/( + 1) = / + /1 = ( + 1)/
Multiplicacin de Vectores y Matrices
Multiplicacin de Vectores
Sea =
_
a
1
a
2
... a
m

un vector de orden 1 x : y 1 =
_

_
/
1
/
2
.
.
.
/
m
_

_
un vector :
x 1, entonces la multiplicacin C = 1 (en ese orden) est denida como la suma de
las multiplicaciones de los elementos i de la matriz con los elementos i de la matriz
1, esto es:
1 =
_
a
1
a
2
... a
m

_

_
/
1
/
2
.
.
.
/
m
_

_
= [a
1
/
1
+ a
2
/
2
+ ... + a
m
/
m
] =
m

i=1
a
i
/
i
I Ejemplo 1.4
(a)
_
2 3 4

_
_
1
1
2
_
_
= [2(1) + 3(1) + 4(2)] = [7]
(/)
_
3 1 4

_
_
2
6
3
_
_
= [6 6 + 12] = [0]
Ntese que lo que se hizo fue, simplemente, multiplicar una la por una columna.
6 Captulo 1 Operaciones Bsicas
Multiplicacin de Matrices
Sea una matriz de orden : x j y 1 una matriz de orden j x : (i.e. la cantidad de
columnas de es igual a la cantidad de las de 1). Entonces, cada elemento c
ij
de la
matriz C = 1 (en ese orden) se obtiene multiplicando la la i de la matriz con la
columna , de la matriz 1:
_

_
a
11
a
12
. . . a
1p
a
21
a
22
. . . a
2p
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mp
_

_
_

_
/
11
/
12
. . . /
1n
/
21
/
22
. . . /
2n
.
.
.
.
.
.
.
.
.
.
.
.
/
p1
/
p2
. . . /
pn
_

_
=
_

_
c
11
c
12
. . . c
1n
c
21
c
22
. . . c
2n
.
.
.
.
.
.
.
.
.
.
.
.
c
m1
c
m2
. . . c
mn
_

_
donde
c
ij
= a
i1
/
1j
+ a
i2
/
2j
+ ... + a
ip
/
pj
=
p

k=1
a
ik
/
jk
I Ejemplo 1.5
(a) si =
_
_
a
11
a
12
a
21
a
22
a
31
a
32
_
_
y 1 =
_
/
11
/
12
/
21
/
22
_
, entonces 1 es igual a:
1 =
_
_
a
11
/
11
+ a
12
/
21
a
11
/
12
+ a
12
/
22
a
21
/
11
+ a
22
/
21
a
21
/
12
+ a
22
/
22
a
31
/
11
+ a
32
/
21
a
31
/
12
+ a
32
/
22
_
_
(/) si C =
_
1 2 1
4 0 2
_
y 1 =
_
_
3 4
1 5
2 2
_
_
, entonces C1 es igual a:
C1 =
_
1(3) + 2(1) + 1(2) 1(4) + 2(5) + 1(2)
4(3) + 0(1) + 2(2) 4(4) + 0(5) + 2(2)
_
=
_
3 8
8 12
_
Teorema 1.2 Sean las matrices A, B y C compatibles
2
para la multiplicacin y k
un escalar, entonces se cumple que:
(1C) = (1)C
(1 + C) = 1 + C
( + 1)C = C + 1C
/(1) = (/)1 = (/1) = (1)/
Sin embargo, hay que tener en cuenta que:
(a) generalmente 1 ,= 1.
(b) si 1 = 0 no necesariamente implica que = 0 o 1 = 0.
(c) si 1 = C no necesariamente implica que 1 = C.
Dado que 1 ,= 1, se pueden identicar dos tipos de multiplicaciones. Por ejemplo,
2
Cuando dos matrices son compatibles para la multiplicacin tambin se les llama conformables
para la multiplicacin.
Ms Deniciones 7
si se tiene 1 se puede decir que est premultiplicando a 1. Analogamente, se
puede decir que 1 est postmultiplicando a .
Una vez que ya aprendimos a sumar, restar y multiplicar matrices podemos pasar a
denir matrices con caractersticas especiales.
Ms Deniciones
Matriz Transpuesta
La transpuesta de una matriz se obtiene intercambiando sus las por sus columnas y
se denota
0
. Si se escribe 1 =
0
entonces se puede denir la transpuesta de como:
1 =
0
== /
ij
= a
ji
para todo i y ,
I Ejemplo 1.6
Las transpuestas de las matrices y 1 del ejemplo 1.1, es decir
0
y 1
0
, son respecti-
vamente:

0
=
_
1 3
2 4
_
, 1
0
=
_
_
2 1
3 1
7 5
_
_
Teorema 1.3 Si
0
y 1
0
son las traspuestas de y 1 respectivamente, y si / es
un escalar cualquiera, entonces:
(
0
)
0
=
( + 1)
0
=
0
+ 1
0
(/)
0
= /
0
(1)
0
= 1
0

0
Se dene matriz simtrica como aquella matriz que cumple con =
0
.
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.
I Ejemplo 1.7
Una matriz identidad de orden 3: 1
3
=
_
_
1 0 0
0 1 0
0 0 1
_
_
y una de orden 2: 1
2
=
_
1 0
0 1
_
.
8 Captulo 1 Operaciones Bsicas
Una de las propiedades de la matriz identidad es que 1 = 1 = .
Matrices Idempotentes
Son aquellas matrices que multiplicadas por s mismas son ellas mismas, es decir

n
= para todo : N.
Por ejemplo, si
2
= = entonces sera una matriz idempotente. Adems, si
la matriz es idempotente y simtrica se cumple que
0
= . Por ejemplo, la matriz
identidad es idempotente y simtrica.
I Ejemplo 1.8
La siguiente matriz es idempotente =
_
_
2 2 4
1 3 4
1 2 3
_
_
ya que:

2
=
_
_
2 2 4
1 3 4
1 2 3
_
_
_
_
2 2 4
1 3 4
1 2 3
_
_
=
_
_
2 2 4
1 3 4
1 2 3
_
_
La Inversa de una Matriz
Si y 1 son dos matrices cuadradas tales que 1 = 1 = 1, entonces se dice que 1
es la inversa de y la denotamos 1 =
1
. Tambin se puede decir que es la inversa
de 1.
I Ejemplo 1.9
Sea =
_
_
1 2 3
1 3 3
1 2 4
_
_
y 1 =
_
_
6 2 3
1 1 0
1 0 1
_
_
donde una es la inversa de la otra
ya que:
_
_
1 2 3
1 3 3
1 2 4
_
_
_
_
6 2 3
1 1 0
1 0 1
_
_
=
_
_
6 2 3
1 1 0
1 0 1
_
_
_
_
1 2 3
1 3 3
1 2 4
_
_
=
_
_
1 0 0
0 1 0
0 0 1
_
_
Si una matriz no tiene inversa se le llama matriz singular. Anlogamente, si la matriz
tiene inversa se le llama matriz no singular.
Matrices Particionadas 9
La Traza
La traza de una matriz cuadrada es la suma de los elementos de la diagonal principal
de una matriz y se denota con tr (). En el caso de la matriz (1) su traza es a
11
+ a
22
+
... + a
nn
=

a
ii
.
I Ejemplo 1.10
Sean A y B las matrices del ejemplo 1.9, entonces:
(a) tr() = 1 + 3 + 4 = 8
(/) tr(1) = 6 + 1 + 1 = 8
Teorema 1.4 Sean , 1, C y 1 matrices cuadradas del mismo orden y / un
escalar, entonces se cumple que:
tr(/) = /tr()
tr() = tr(
0
)
tr( + 1) = tr() + tr(1)
tr(1
n
) = :
tr(1C1) = tr(1C1) = tr(C11) = tr(11C)
Nota: Esta ltima propiedad es muy importante y se le llama "propiedad circular de la
traza."
Matrices Particionadas
Denicin
Una matriz particionada es una matriz de matrices, sta puede representar divisiones
reales o imaginarias dentro de una matriz.
I Ejemplo 1.11
Podemos particionar la matriz 1 =
_
2 3 7 0
1 1 5 0
_
de la siguiente forma:
_ _
2 3 7
1 1 5
_ _
0
0
_ _
10 Captulo 1 Operaciones Bsicas
o de la siguiente
_
2 3 7 0
1 1 5 0
_
para ser una mejor representacin del sistema de ecuaciones:
2r + 3j + 7. = 0
r j + 5. = 0
.
Formalmente, si se toma la matriz (1)
_

_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_

_
y se particiona tomando : grupos de las (:
1
, :
2
, ..., :
s
) y t grupos de columnas
(:
1
, :
2
, ..., :
t
), entonces se podr escribir (1) de la siguiente forma:
=
_

11

12
. . .
1t

21

22
. . .
2t
.
.
.
.
.
.
.
.
.
.
.
.

s1

s2
. . .
st
_

_
donde cada elemento
ij
de es una submatriz de orden [:
i
[ x [:
j
[.
3
I Ejemplo 1.12
Sea la matriz particionada =
_
_
1 4 5
2 9 3
8 9 6
_
_
, entonces se puede representar de la
siguiente forma
_

11

12

21

22
_
donde
11
=
_
1 4
2 9
_
,
12
=
_
5
3
_
,
21
=
_
8 9

22
=
_
6

.
Un caso especial es el de la matriz diagonal por bloques:
_

11
0
0
22
_
.
Esta matriz es de suma importancia en econometra y por eso la estudiaremos con espe-
cial atencin en ste y otros captulos.
Suma de Matrices Particionadas
Sean A y B matrices de igual orden y particionadas de la misma forma, entonces la suma
3
El operador jMj representa la cardinalidad del conjunto M. Por ejemplo, si M tiene 3 elementos,
jMj = 3.
Matrices Particionadas 11
de estas matrices es de la forma:
C = + 1 =
_

11
+ 1
11
...
1t
+ 1
1t
.
.
.
.
.
.
.
.
.

s1
+ 1
s1
...
st
+ 1
st
_

_
y la suma de submatrices se realiza igual que la suma de matrices.
I Ejemplo 1.13
Sea =
_
_
1 4 5
2 9 3
8 9 6
_
_
y 1 =
_
_
4 3 3
2 0 2
6 8 7
_
_
, entonces + 1 es igual a:
_
_
1 4 5
2 9 3
8 9 6
_
_
+
_
_
4 3 3
2 0 2
6 8 7
_
_
=
_
_
_
1 4
2 9
_
+
_
4 3
2 0
_ _
5
3
_
+
_
3
2
_
_
8 9

+
_
6 8
_
6

+
_
7

_
_
=
_
_
1 + 4 4 + 3 5 + 3
2 + 2 9 + 0 3 + 2
8 + 6 9 + 8 6 + 7
_
_
=
_
_
5 7 8
4 9 5
14 17 13
_
_
Multiplicacin de Matrices Particionadas
El estudio de matrices particionadas naci a partir del estudio de la multiplicacin de
matrices, recordemos el ejemplo 1.5. Si =
_
_
a
11
a
12
a
21
a
22
a
31
a
32
_
_
y 1 =
_
/
11
/
12
/
21
/
22
_
,
entonces 1 es igual a 1 =
_
_
a
11
/
11
+ a
12
/
21
a
11
/
12
+ a
12
/
22
a
21
/
11
+ a
22
/
21
a
21
/
12
+ a
22
/
22
a
31
/
11
+ a
32
/
21
a
31
/
12
+ a
32
/
22
_
_
.
La pregunta que surgi fue: Qu pasa si cada uno de los elementos de las matrices
y 1 son, a su vez, una matriz? La respuesta es que habra que multiplicar cada uno de
estos elementos nuevamente usando la multiplicacin de matrices. Pero para que esta
operacin est bien denida cada una de las submatrices de la columna i de la matriz A
tienen que ser conformables para la multiplicacin con cada una de la submatrices de la
la i de la matriz B.
I Ejemplo 1.14
12 Captulo 1 Operaciones Bsicas
(a) Sea =
_

11

12

21

22
_
=
_
_
3 1 0
3 2 0
1 0 1
_
_
y 1 =
_
1
11
1
12
1
21
1
22
_
=
_
_
1 1 1 0
2 1 1 0
3 2 1 2
_
_
,
entonces 1 es igual a:
1 =
_

11
1
11
+
12
1
21

11
1
12
+
12
1
22

21
1
11
+
22
1
21

21
1
12
+
22
1
22
_
=
_

_
_
2 1
3 2
_ _
1 1 1
2 1 1
_
+
_
0
0
_
_
2 3 1

_
2 1
3 2
_ _
0
0
_
+
_
0
0
_
_
2

_
1 0

_
1 1 1
2 1 1
_
+
_
1
_
2 3 1
_
1 0

_
0
0
_
+
_
1
_
2

_
=
_
_
_
4 3 3
7 5 5
_
+
_
0 0 0
0 0 0
_ _
0
0
_
+
_
0
0
_
_
1 1 1

+
_
2 3 1
_
0

+
_
2

_
_
=
_
_
4 3 3
7 5 5
0
0
3 4 2 2
_
_
.
(/) Sea =
_

11
0
0
22
_
donde
11
y
22
son matrices cuadradas. Entonces,
0

es igual a:

0
=
_

11
0
0
22
_
0
_

11
0
0
22
_
=
_

0
11

11
0
0
0
22

22
_
.
Ejercicios Propuestos
1. De las siguientes matrices, Cules son conformables para la suma? Calcule la suma
de aquellas que cumplen con la propiedad anterior.
=
_
_
2 7 8 7
4 5 6 1
3 5 9 0
_
_
. 1 =
_
_
1 7 2
4 2 3
1 5 6
_
_
C =
_

_
0 1 3 8
3 0 9 4
2 0 4 7
4 2 9 0
_

_
1 =
_

_
4 8 6
7 2 3
1 3 2
6 5 1
_

_
1 =
_
_
5 3 6
6 2 1
9 0 7
_
_
1 =
_
_
3 3 6
5 1 8
9 7 2
_
_
G =
_
_
1 2 5
4 3 2
3 4 5
_
_
H =
_

_
6 3 2
1 4 1
0 2 0
5 0 7
_

_
Ejercicios Propuestos 13
2. Dado =
_
_
1 2 3
5 0 2
1 1 1
_
_
, 1 =
_
_
3 1 2
4 2 5
3 0 3
_
_
y C =
_
_
4 1 2
0 3 2
1 2 3
_
_
.
a. Calcule:
I + 1.
II C.
III 2.
b. Verique: + (1 C) = ( + 1) C.
c. Encuentre la matriz 1 tal que + 1 = 1.
3. Calcule los siguientes productos:
a.
_
3 5

_
8
2
_
.
b.
_
2 0
0 1
_ _
1
2
0
0 2
_
c.
_
9 8 7 6

_
5
4
3
2
_

_
.
.
d.
_
1
2
0
0 2
_ _
2 0
0 1
_
.
e.
_
_
1 1 2
0 2 1
0 0 3
_
_
_
_
2 1 4
0 1 2
0 0 1
_
_
.
f.
_
_
3
4
5
_
_
_
4 6 8

.
4. Sea =
_
_
2 3 5
1 4 5
1 3 4
_
_
, 1 =
_
_
1 3 5
1 3 5
1 3 5
_
_
y C =
_
_
2 2 4
1 3 4
1 2 3
_
_
.
a. Muestre que 1 = 1 = 0, C = , C = C.
b. Con los resultados de (a) muestre que:
I C1 = C1.
II
2
1
2
= (1)( + 1).
III (1)
2
=
2
+ 1
2
.
5. Demuestre:
a. tr( + 1) = tr() + tr(1).
b. tr(/) = /tr().
6. Calcule 1 en cada uno de los siguientes casos:
14 Captulo 1 Operaciones Bsicas
a. =
_
_
1 0 1
0 1 1
0 0 1
_
_
y 1 =
_
_
1 0 0
0 1 0
1 1 0
_
_
.
b. =
_

_
1 2 0 0
0 1 0 0
0 0 0 1
0 0 2 2
_

_
y 1 =
_

_
0 0 0 1
0 0 2 0
1 0 0 0
0 1 0 0
_

_
.
c. =
_

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

_
y 1 =
_

_
1 0 0 0 0 0
0 1 0 0 0 0
0 0 1 0 0 0
0 0 0 3 0 0
0 0 0 0 2 0
0 0 0 0 0 3
_

_
.
2 Determinantes de Matrices
Cuadradas
Permutaciones e Inversiones
Permutaciones
Una permutacin es la respuesta a la pregunta De cuntas formas distintas se pueden
ordenar : nmeros naturales distintos? La respuesta es de :! formas distintas ya que
para el primer puesto se tienen : posibilidades. Para el segundo, se tienen : 1 posibi-
lidades ya que se ocup un nmero en el primer puesto. Para el tercero, se tienen : 2
posibilidades ya que se puso un nmero en el primer puesto y otro en el segundo, y as
sucesivamente.
I Ejemplo 2.1
De cuntas formas se pueden ordenar los nmeros naturales 1, 2 j 3? De 3! = 6
formas distintas:
123 132 213
231 312 321
Inversiones
En una permutacin de nmeros naturales del 1 a :, 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.
I 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).
16 Captulo 2 Determinantes de Matrices Cuadradas
El Nmero Epsilon
Para cada permutacin de nmeros naturales del 1 al :, se dene el nmero epsilon de
la siguiente manera:
c
j1j2:::jn
=
1 si ,
1
,
2
...,
n
es una permutacin par
1 si ,
1
,
2
...,
n
es una permutacin impar
Otra forma de denirlo es
c
j1j2:::jn
= (1)
k
donde / el nmero de inversiones.
I Ejemplo 2.3
El nmero epsilon de la permutacin 321 es c
321
= (1)
3
= 1. Por otro lado el de
la permutacin 312 es c
312
= (1)
2
= 1.
El Determinante de una Matriz Cuadrada
Los Trminos del Determinante
Sea una matriz cuadrada de orden :. Al hacer el ejercicio de tomar un elemento de la
primera la de , anotar a cul columna pertenece, escojer un elemento de la segunda
la sin repertir la columna y as susecivamente, se obtendran : elementos (uno por cada
la y todos de columnas distintas). Un trmino del determinante de corresponde a
la multiplicacin
c
j1j2:::jn
a
1j1
a
2j2
...a
njn
de los : trminos y el nmero epsilon c
j1j2:::jn
generado por la permutacin de las
columnas, es decir, ,
1
representa la columna del elemento de la la uno, ,
2
la columna
del elemento de la la 2 y as sucesivamente.
I Ejemplo 2.4
Sea la matriz =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
, entonces todos los trminos del determinante
de son:
c
123
a
11
a
22
a
33
= (1)a
11
a
22
a
33
c
132
a
11
a
23
a
32
= (1)a
11
a
23
a
32
c
213
a
12
a
21
a
33
= (1)a
12
a
21
a
33
c
231
a
12
a
23
a
31
= (1)a
12
a
23
a
31
c
312
a
13
a
21
a
32
= (1)a
13
a
21
a
32
c
321
a
13
a
22
a
31
= (1)a
13
a
22
a
31
El Determinante de una Matriz Cuadrada 17
El Determinante de una Matriz Cuadrada
Sea una matriz de orden :, se dene el determinante de como la suma de todos
sus trminos del determinante, y se denota det , o bien, [[:
det = [[ =

c
j1j2:::jn
a
1j1
a
2j2
...a
njn
I Ejemplo 2.5
(a)

a
11
a
12
a
21
a
22

= c
12
a
11
a
22
+ c
21
a
12
a
21
= a
11
a
22
a
12
a
21
(/)

a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33

=
c
123
a
11
a
22
a
33
+ c
132
a
11
a
23
a
32
+ c
213
a
12
a
21
a
33
+ ...
+c
231
a
12
a
23
a
31
+ c
312
a
13
a
21
a
32
+ c
321
a
13
a
22
a
31
=
a
11
a
22
a
33
a
11
a
23
a
32
a
12
a
21
a
33
+ ...
+a
12
a
23
a
31
+ a
13
a
21
a
32
a
13
a
22
a
31
=
a
11
(a
22
a
33
a
23
a
32
) a
12
(a
21
a
33
a
23
a
31
) + ...
+a
13
(a
21
a
32
a
22
a
31
)
= a
11

a
22
a
23
a
32
a
33

a
12

a
21
a
23
a
31
a
33

+ a
13

a
21
a
22
a
31
a
32

(c)

1 2
3 4

= 1(4) 2(3) = 2
(d)

2 3 5
1 0 1
2 1 0

= 2

0 1
1 0

1 1
2 0

+ 5

1 0
2 1

= 2(0(0) 1(1)) 3(1(0) 1(2)) + 5(1(1) 0(2))

= 2(1) 3(2) + 5(1) = 9
Teorema 2.1 Sea una matriz cuadrada y / un escalar, entonces se cumple lo
siguiente:
(a) det = det
0
(b) Si todos los elementos de una la o una columna son ceros, entonces
det = 0
(c) Si dos las o columnas son iguales, entonces det = 0
(d) Si 1 es igual a excepto por que una la o una columna es / veces la
de , entonces se cumple que det 1 = / det
(e) Si sumamos o restamos / veces una la (o columna) a otra la (o colum-
na,) entonces el determinante no cambia
(f) Si intercambiamos 2 las (o columnas) de , entonces el determinante
de la nueva matriz ser det
18 Captulo 2 Determinantes de Matrices Cuadradas
(g) Si 1 es una matriz del mismo orden de , entonces det(1) =(det )(det 1)
I Ejemplo 2.6
Se computan los determinantes de las matrices y 1 usando el Teorema 2.1:
=
_
_
0,87632 0,31141 0,11232
0,31141 0,24418 0,10214
0,11232 0,10214 0,014971
_
_
, 1 =
_
_
18 11 13
27 23 26
45 87 92
_
_
Comenzando por la matriz . Ocupando (d) se factoriza la primera columna por
0.87632 y se obtiene:
0,87632

1 0,31141 0,11232
0,35536 0,24418 0,10214
0,12817 0,10214 0,014971

por (c) se resta 0.31141 veces la primera columna a la segunda y 0.11232 veces la
primera a la tercera:
0,87632

1 0 0
0,35536 0,13352 0,06223
0,12817 0,06223 0,00058

factorizando la segunda columna por 0.13352:

(0,87632)(0,13352)

1 0 0
0,35536 1 0,06223
0,12817 0,4611 0,00058

substrayendo 0.06223 veces la segunda columna a la primera se tiene que:

(0,87632)(0,13352)

1 0 0
0,35536 1 0
0,12817 0,4611 0,02843

=
= (0,87632)(0,13352)(0,02843) = 0,003326.
Para la matriz 1, se resta la segunda columna a la tercera:

18 11 2
27 23 3
45 87 5

se factoriza por 9 la primera columna y por (c) se tiene que:

9

2 11 2
3 23 3
5 87 5

= 0.
Menores y Cofactores
Sea una matriz cuadrada de orden : cuyo determinante existe. Entonces el determi-
nante de la matriz que se obtiene al eliminar la la i y la columna , de es un primer
menor de , es denotado por ['
ij
[ y es llamado el menor de a
ij
. De la misma forma,
el cofactor de a
ij
est denido como (1)
i+j
['
ij
[ y se denota por c
ij
.
Menores y Cofactores 19
I Ejemplo 2.7
Si =
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
, entonces los primeros menores y cofactores de la segun-
da la son:
['
21
[ =

a
12
a
13
a
32
a
33

, ['
22
[ =

a
11
a
13
a
31
a
33

, ['
23
[ =

a
11
a
12
a
31
a
32

y
c
21
= (1)
2+1
['
21
[ = ['
21
[ , c
22
= (1)
2+2
['
22
[ = ['
22
[ ,
c
23
= (1)
2+3
['
23
[ = ['
23
[
As como se denieron primeros menores como los determinantes de las matrices que
resultan al eliminar una la y una columna de una matriz dada, se puede denir segundos
menores como los determinantes de las matrices que resultan al eliminar dos las y dos
columnas y as sucesivamente.
I Ejemplo 2.8
Imagine una matriz cuadrada de orden 5, entonces un segundo y tercer menor son:
['
23;24
[ =

a
11
a
13
a
15
a
41
a
43
a
45
a
51
a
53
a
55

, ['
145;135
[ =

a
22
a
24
a
32
a
34

Se dice que dos menores son complementarios si uno est conformado por las las y
columnas que elimin el otro menor. Por ejemplo, los dos menores del ejemplo 2.8 son
complementarios. Asimismo, se puede ampliar la denicin de cofactor. El cofactor del
menor

'
(i)(j)

est denido como:

(k)(p)
= (1)
(
P
k+
P
p)

'
(k)(p)

donde

'
(i)(j)

'
(k)(p)

son menores complementarios.

I Ejemplo 2.9
Consideremos la siguiente matriz cuadrada de orden 4:
_

_
1 0 2 0
2 0 1 0
0 4 0 3
0 3 0 4
_

_
20 Captulo 2 Determinantes de Matrices Cuadradas
Entonces el cofactor del menor['
34;34
[ =

1 0
2 0

, es:

12;12
= (1)
1+2+1+2
['
12;12
[ =

0 3
0 4

La Expansin de Laplace
Laplace demostr que el determinante de una matriz puede ser calculado seleccio-
nando r las (o columnas) de , formando todos los menores posibles de esas r las (o
columnas), multiplicando todos los menores con su cofactor y sumando los resultados.
I Ejemplo 2.10
Se calcula el determinante de la matriz del ejemplo 2.9 seleccionando las dos primeras
las. Observe que tendremos
_
4
2
_
= 6 menores ya que se tienen las si- guientes com-
binaciones 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.

1 0 2 0
2 0 1 0
0 4 0 3
0 3 0 4

1 0
2 0

(1)
1+2+1+2

0 3
0 4

1 2
2 1

(1)
1+2+1+3

4 3
3 4

1 0
2 0

(1)
1+2+1+4

4 0
3 0

0 2
0 1

(1)
1+2+2+3

0 3
0 4

0 0
0 0

(1)
1+2+2+4

0 0
0 0

2 0
1 0

(1)
1+2+3+4

0 4
0 3

= 21
Corolario: Sea A una matriz cuadrada de orden 3, entonces su determinante
puede ser calculado de las siguientes formas:
[[ =

j
a
ij
c
ij
para cualquier i, o bien
[[ =

i
a
ij
c
ij
para cualquier j.
El corolario anterior es sumamente til al momento de invertir matrices cuadradas
de orden 3.
La Adjunta de una Matriz Cuadrada
Sea A una matriz cuadrada de orden n y c
ij
el cofactor del elemento a
ij
, entonces la
matriz adjunta est denida como:
La Inversa de una Matriz 21
ad,n:ta = ad, =
_

_
c
11
c
12
. . . c
1n
c
21
c
22
. . . c
2n
.
.
.
.
.
.
.
.
.
.
.
.
c
n1
c
n2
. . . c
nn
_

_
I Ejemplo 2.11
Para la matriz =
_
_
1 2 3
2 3 2
3 3 4
_
_
, sus cofactores son:
c
11
= 6, c
12
= 2, c
13
= 3, c
21
= 1, c
22
= 5,
c
23
= 3, c
31
= 5, c
32
= 4, c
33
= 1
y su adjunta es:
ad, =
_
_
6 2 3
1 5 3
5 4 1
_
_
Teorema 2.2 Sea una matriz cuadrada de orden :. Entonces se cumple que:
(ad, )
0
= (ad, )
0
= [[ 1
I Ejemplo 2.12
Sea la matriz del ejemplo 2.11, entonces:
(ad, )
0
=
_
_
1 2 3
2 3 2
3 3 4
_
_
_
_
6 1 5
2 5 4
3 3 1
_
_
=
_
_
7 0 0
0 7 0
0 0 7
_
_
= 71
La Inversa de una Matriz
Del Teorema 2.2 se desprende una forma de calcular la matriz inversa (ver seccin 1.4.4).
Al manipular la conclusin del Teorema 2.2 se encuentra:

1
=
(ad, )
0
[[
=
_

_
c
11
, [[ c
12
, [[ . . . c
1n
, [[
c
21
, [[ c
22
, [[ . . . c
2n
, [[
.
.
.
.
.
.
.
.
.
.
.
.
c
n1
, [[ c
n2
, [[ . . . c
nn
, [[
_

_
I Ejemplo 2.13
22 Captulo 2 Determinantes de Matrices Cuadradas
La inversa de la matriz del ejemplo 2.12 es:

1
=
ad,
[[
=
1
7
_
_
6 1 5
2 5 4
3 3 1
_
_
=
_
_
0,8571 0,1429 0,7143
0,2857 0,7143 0,5714
0,4286 0,4286 0,1429
_
_
Teorema 2.3 Sean , 1 y C matrices compatibles para la multiplicacin, en-
tonces se cumple que:

=
1
[[
(
1
)
1
=
(
1
)
0
= (
0
)
1
Si es simtrica,
1
es simtrica.
(1)
1
= 1
1

1
(1C)
1
= C
1
(1)
1
= C
1
1
1

1
Determinantes e Inversas de Matrices Particionadas
Determinantes de Matrices Particionadas
El determinante de una matriz particionada se calcula igual al de una matriz comn y
corriente. Sin embargo, como las submatrices son de menor orden que la matriz original,
puede que sea conveniente para simplicar los cmputos calcular el determinante en
funcin de las submatrices. Ac se presentan algunos resultados importantes:
El Determinante de la Matriz Diagonal por Bloques
Sea =
_

11
0
0
22
_
una matriz particionada diagonal por bloques, entonces su de-
terminante est denido por:
[[ =

11
0
0
22

= [
11
[ [
12
[
I Ejemplo 2.14
Sea =
_

_
1 2 0 0
3 0 0 0
0 0 5 6
0 0 9 8
_

_
, entonces su determinante es:
Determinantes e Inversas de Matrices Particionadas 23
[[ =

1 2
3 0

5 6
9 8

= (1(0) (2)(3))((5)(8) (6)(9)) =

= 84
Como ejercicio puede tratar de demostrar el mtodo expandiendo por Laplace.
El Determinante de una Matriz Particionada 2 x 2
Sea =
_

11

12

21

22
_
una matriz particionada, entonces su determinante est denido
por:

11

12

21

22

= [
11
[

22

21

1
11

12

= [
22
[

11

12

1
22

21

I Ejemplo 2.15
Sea =
_

_
1 2 5 6
3 0 9 8
3 8 2 3
9 7 5 7
_

_
, entonces su determinante es:

1 2
3 0

_
2 3
5 7
_

_
3 8
9 7
_ _
1 2
3 0
_
1
_
5 6
9 8
_

=
= 6

_
2 3
5 7
_

_
3 8
9 7
_ _
0 0,333
0,5 0,1667
_ _
5 6
9 8
_

= 6

_
2 3
5 7
_

_
17 21,333
34 35,667
_

= 6

15 18,333
29 28,667

= 610
Inversas de Matrices Particionadas
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 =
_

11
0
0
22
_
una matriz particionada diagonal por bloques, entonces su in-
versa est denida por:
24 Captulo 2 Determinantes de Matrices Cuadradas
_

11
0
0
22
_
1
=
_

1
11
0
0
1
22
_
I Ejemplo 2.16
Sea =
_

_
1 2 0 0
3 0 0 0
0 0 5 6
0 0 9 8
_

_
, entonces su inversa es:

1
=
_

_
_
1 2
3 0
_
1
_
0 0
0 0
_
_
0 0
0 0
_ _
5 6
9 8
_
1
_

_
=
_

_
_
0 0,333
0,5 0,1667
_ _
0 0
0 0
_
_
0 0
0 0
_ _
0,5714 0,4286
0,6429 0,3571
_
_

_
=
_

_
0 0,333 0 0
0,5 0,1667 0 0
0 0 0,5714 0,42866
0 0 0,6429 0,3571
_

_
La Inversa de una Matriz Particionada 2 x 2
Sea =
_

11

12

21

22
_
una matriz particionada, entonces su inversa est denida por:
_

11

12

21

22
_
1
=
_

1
11
(1 +
12

21

1
11
)
1

21

1
11

1
11

12

1
_
do:dc =
22

21
(
1
11

12
)
I Ejemplo 2.17
Sea =
_

_
1 2 5 6
3 0 9 8
3 8 2 3
9 7 5 7
_

_
. Luego:
Rango de una Matriz 25

1
11
=
_
1 2
3 0
_
1
=
_
0 0,333
0,5 0,1667
_
, =
_
15 18,333
29 28,667
_
,

1
=
_
0,2820 0,1803
0,2852 0,1475
_
.
Entonces, su inversa est dada por

1
=
_

_
0,1754 0,0344 0,0852 0,1475
0,0443 0,0180 0,1934 0,0656
0,4967 0,4246 0,2820 0,1803
0,6246 0,3656 0,2852 0,1475
_

_
Rango de una Matriz
Antes de denir el rango de una matriz se introducir el concepto de submatriz cuadra-
da. Una submatriz cuadrada es cualquier matriz que se obtenga eliminando las y
columnas de , y que forme una matriz cuadrada.
I Ejemplo 2.18
Sea =
_
2 1 1
0 3 2
_
. Luego, todas las submatrices cuadradas de son:
_
2 1
0 3
_
,
_
2 1
0 2
_
,
_
1 1
3 2
_
,
_
2

,
_
1

,
_
1

,
_
0

,
_
3

,
_
2

El rango de una matriz es el orden de la submatriz cuadrada de mayor orden con de-
terminante 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 Sea es una matriz cuadrada de orden : y con rango r < :, entonces
no tiene inversa denida.
La demostracin del corolario anterior es simple. Basta con observar que
1
=
(adj A)
0
jAj
;
entonces, si r < : signica que [[ = 0 y la inversa no est denida. Se desprende de
lo anterior que todas las matrices cuadradas invertibles tienen rango igual a su orden
(r = :) y por eso son llamadas matrices de rango completo.
A continuacin se presentan 3 propiedades tiles del rango de una matriz:
(a) ra:qo () = ra:qo (
0
)
(b) ra:qo (1) _ mn(ra:qo (), ra:qo (1))
(c) ra:qo () = ra:qo (
0
) = ra:qo (
0
)
Si es de orden ' x : con : _ ' y 1 es una matriz cuadrada de rango :, entonces:
(d) ra:qo (1) = ra:qo ()
Piense en la diferencia entre (b) y (d).
26 Captulo 2 Determinantes de Matrices Cuadradas
Ejercicios Propuestos
1. Ocupando los trminos del determinante calcule el determinante de las siguientes
matrices:
a. =
_
3 2
4 6
_
.
b. 1 =
_
4 6
8 1
_
.
c. C =
_
2 1
2 0
_
.
d. 1 =
_
_
2 1 2
4 6 4
0 1 0
_
_
.
e. 1 =
_
_
1 3 2
3 2 1
2 1 3
_
_
.
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):
=
_
_
1 2 3
2 2 2
3 2 3
_
_
, 1 =
_
_
0,6510 0,2234 0,1476
0,2234 0,5945 0,1162
0,1476 0,1162 0,7129
_
_
.
3. Calcule todos los menores y cofactores de las siguientes matrices:
a. =
_
3 8
1 9
_
.
b. 1 =
_
_
4 5 7
9 8 6
2 2 2
_
_
.
c. C =
_
_
5 4 2
0 3 1
8 7 6
_
_
.
4. Calcule todos los segundos menores, con sus respectivos complementarios, de la
siguiente matriz. Luego calcule su determinante expandiendo por Laplace.
_

_
4 0 3 0
3 0 4 0
0 5 0 7
0 7 0 5
_

_
.
5. Calcule la adjunta y la inversa de todas las matrices del ejercicio 1.
6. Calcule el determinante y la inversa de las siguientes matrices particionadas:
Ejercicios Propuestos 27
a. =
_

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

_
.
b. 1 =
_

_
1 2 8 0
5 7 9 1
3 7 3 2
5 5 4 4
_

_
.
7. Calcule el rango de las siguientes matrices e identique aquellas que son de rango
completo.
a. =
_
1 7
8 5
_
.
b. 1 =
_
2 4
3 6
_
.
c. C =
_
1 2 3
3 5 6
_
.
d. 1 =
_
_
4 7
9 8
0 1
_
_
.
e. 1 =
_
_
1 2 3
4 5 6
7 8 0
_
_
.
f. 1 =
_
_
1 3 2
4 5 1
3 2 1
_
_
.
3 Espacios Vectoriales y De-
pendencia Lineal
Sumas de Vectores y Multiplicacin por un Escalar
Se puede entender un vector de orden : x 1 como una representacin de un punto n-
dimensional en un espacio vectorial de : dimensiones (R
n
). Para entender ms en pro-
fundidad esta idea se trabajar con vectores de 2 dimensiones, es decir, aquellos que
pertenecen a R
2
.
I Ejemplo 3.1
El vector r
1
= [4 2], representa al punto (4,2) en un espacio vectorial R
2
, Grca-
mente:

`
>
>
>
>
>
>
0
1
2
3
4
5
6
7
8
1 2 3 4 5 6 7 8 9 10
r
1
= (4, 2)
r
j
Figura 3.1: El par ordenado (4,2) en un espacio vectorial de 2 dimensiones.
Suma de Vectores
Al igual que la suma de matrices, la suma de vectores slo est denida en vectores del
mismo orden y es simplemente la suma elemento a elemento.
I Ejemplo 3.2
30 Captulo 3 Espacios Vectoriales y Dependencia Lineal
La suma de los vectores r
1
= [4 1], r
2
= [2 3] es igual a r
3
= [(4 +2) (1 +3)] = [6
4]. Grcamente:

.
.
.
.
.
.

.
.
.
.
.
.
0
1
2
3
4
5
6
7
8
1 2 3 4 5 6 7 8 9 10
r
2
r
1
r
1
r
2
r
3
r
j
Figura 3.2: Suma de vectores
Multiplicacin de un Vector por un Escalar
La multiplicacin de un vector por un escalar, al igual que la multiplicacin de una
matriz por un escalar, es sumar / veces el mismo vector. Grcamente, corresponde a
aumentar en / veces la distancia del vector respecto a su origen.
I Ejemplo 3.3
Sea r
1
= [3 1] un vector de 2 dimensiones, entonces si se multiplica por un escalar
/ = 2, el nuevo vector ser r
0
1
= [6 2]. Grcamente:

`
.
.
.
..
.
.
.
.
.
.
.
.
.
0
1
2
3
4
5
6
7
8
1 2 3 4 5 6 7 8 9 10
r
1
= (3, 1)
r
0
1
= (6, 2)
r
j
Figura 3.3: Multiplicacin de un vector por un escalar.
Relaciones y Medidas de Vectores 31
Relaciones y Medidas de Vectores
Multiplicacin de Vectores
Sea =
_
a
1
a
2
... a
m

un vector de orden 1 x : y 1 =
_

_
/
1
/
2
.
.
.
/
m
_

_
un vector :
x 1. Su multiplicacin C = 1 (en ese orden) est denida como la sumatoria de la
multiplicacin del elemento i de la matriz con el elemento i de la matriz 1, esto es:
1 =
_
a
1
a
2
... a
m

_

_
/
1
/
2
.
.
.
/
m
_

_
= [a
1
/
1
+ a
2
/
2
+ ... + a
m
/
m
] =
m

i=1
a
i
/
i
A esta operacin tambin se conoce como producto punto.
I Ejemplo 3.4
(a)
_
2 3 4

_
_
1
1
2
_
_
= [2(1) + 3(1) + 4(2)] = [7]
(/)
_
2 1

_
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./ son ortogonales tal y como lo muestra la gura 3.4 se puede apreciar
que los vectores ortogonales son perpendiculares.

>
>
>
`
`
`
r
1
= (2, 1)
r
2
= (1, 2)
r
j
Figura 3.4: Vectores ortogonales
32 Captulo 3 Espacios Vectoriales y Dependencia Lineal
La Norma de un Vector
La norma o largo de un vector A est denida como la raz cuadrada del producto punto
del vector con s mismo y lo denotamos como [[A[[:
[[A[[ =
_
A
0
A =
_
r
2
1
+ r
2
2
+ ... + r
2
n
Nota: Vea que la denicin anterior en R
2
no es ms que el valor de la hipotenusa
en el teorema de Pitgoras. La norma de un vector es la extensin de este teorema a
ndimensiones.
Nota: Los vectores cuya norma es igual a 1 se denominan vectores unitarios.
I Ejemplo 3.5
El vector A = [1 2 3] tiene como norma
_
1
2
+ 2
2
+ 3
2
= 3,742
Teorema 3.1. Sean A e 1 dos vectores pertenecientes a 1
n
, entonces se cumple:
1. A
0
1 =
1
2
([[A + 1 [[
2
[[A[[
2
[[1 [[
2
).
2. [A
0
1 [ _ [[A[[ [[1 [[ (desigualdad de Schwarz).
3. [[A + 1 [[ _ [[A[[ +[[1 [[ (desigualdad del tringulo).
I Ejemplo 3.6
Sean A
0
=
_
1 2 3

, 1
0
=
_
3 0 4

, entonces se cumple que:

1.
A
0
1 =
_
1 2 3

_
_
3
0
4
_
_
= 15
1
2
_
|A + 1 |
2
|A|
2
|1 |
_
=
1
2
(69 14 25) = 15
2.
15 = [A
0
1 [ _ |A| |1 | =
_
1
2
+ 2
2
+ 3
2

_
3
2
+ 0
2
+ 4
2
= 18,71
3.
8,306 = [[A + 1 [[ _ |A| +|1 | = 8,742
Dependencia e Independencia lineal
Para facilitar el estudio de la (in)dependencia lineal se comenzar estudiando sistemas
de ecuaciones homogneos.
Dependencia e Independencia lineal 33
Sistemas Homogneos
Un sistema de ecuaciones homogneo es de la forma:
a
1
r
1
+ /
1
r
2
+ c
1
r
3
= 0
a
2
r
1
+ /
2
r
2
+ c
2
r
3
= 0
a
3
r
1
+ /
3
r
2
+ c
3
r
3
= 0
Donde r
1
, r
2
y r
3
son las incgnitas y a
i
, /
i
, c
i
para i = 1, 2, 3 son los coecientes.
Entonces el sistema puede representarse de las siguientes formas:
_
_
a
1
/
1
c
1
a
2
/
2
c
2
a
3
/
3
c
3
_
_
_
_
r
1
r
2
r
3
_
_
=
_
_
0
0
0
_
_
,
or = 0
o bien:
_
_
a
1
a
2
a
3
_
_
r
1
+
_
_
/
1
/
2
/
3
_
_
r
2
+
_
_
c
1
c
2
c
3
_
_
r
3
= 0,
:
1
r
1
+ :
2
r
2
+ :
3
r
3
= 0
Este tipo de sistemas siempre tiene al menos una solucin, la cual es r = 0, esta solucin
se conoce como solucin trivial del sistema homogneo. Veamos si existe otra. Si se
premultiplica en ambos lados por o
1
o
1
or = o
1
0
r = 0
se puede concluir que si existe inversa, es decir, si o es de rango completo, entonces la
solucin trivial ser nica.
Si se reordena el sistema de la siguiente forma:
_
_
a
1
a
2
a
3
_
_
r
1
+
_
_
/
1
/
2
/
3
_
_
r
2
=
_
_
c
1
c
2
c
3
_
_
r
3
se aprecia que si existiese otra solucin aparte de la trivial, se puede expresar el vector
:
3
en funcin de :
2
y :
1
. Luego, se puede hacer la siguiente denicin:
Dependencia lineal: Un conjunto 1 de vectores ndimensionales son lineal-
mente dependientes entre s, si se puede dejar expresado un vector en funcin del
resto. Anlogamente podemos denir dependencia lineal si el sistema de ecua-
ciones homogneo conformado por todos los vectores de 1 tiene ms de una
solucin, o bien, la matriz o conformada por los vectores de 1 no es de rango
completo.
Anlogamente se puede denir independencia lineal:
Independencia lineal: Un conjunto de vectores n-dimensionales 1 son lineal-
mente independientes entre s, si la solucin al sistema:
:
1
r
1
+ :
2
r
2
+ ... + :
n
r
n
= 0
34 Captulo 3 Espacios Vectoriales y Dependencia Lineal
es nica, es decir, la matriz o conformada por los vectores de 1 es de rango
completo.
I Ejemplo 3.7
(a) Los vectores a =
_
_
2
4
3
_
_
, / =
_
_
3
5
1
_
_
, c =
_
_
4
14
1
_
_
son linealmente dependientes ya
que c = 2/ + a.
(/) Los vectores a =
_
_
2
4
3
_
_
, / =
_
_
3
5
1
_
_
, c =
_
_
1
2
3
_
_
son linealmente independientes ya
que la matriz compuesta por los vectores a, /, c tiene determinante no nulo.

2 3 1
4 5 2
3 1 3

= 33
Ejercicios Propuestos
1. Sume y graque los siguientes vectores.
a. A
1
=
_
2 1

0
, A
2
=
_
1 2

0
b. A
3
=
_
3 2

0
, A
4
=
_
0 1

0
c. A
5
=
_
4 5

0
, A
6
=
_
6 2

0
d. A
7
=
_
5 4

0
, A
8
=
_
2 6

0
2. Multiplique escalarmente y graque los siguientes vectores.
a. A
1
=
_
1 3

0
, / = 2
b. A
2
=
_
1 3

0
, / = 2
c. A
3
=
_
1 3

0
, / = 2
d. A
3
=
_
1 3

0
, / = 2
3. Calcule el producto punto de los siguientes vectores y verique que se cumpla A
0
1 =
1
2
([[A + 1 [[
2
[[A[[
2
[[1 [[
2
).
a. A
1
=
_
3 1 1

0
, A
2
=
_
4 3 2

0
b. A
3
=
_
1 3 5

0
, A
4
=
_
2 4 2

0
c. A
5
=
_
1 2 3 4

0
, A
6
=
_
2 3 2
1
2

0
d. A
7
=
_
6 2 1 1

0
, A
8
=
_
2 2 0 1

0
4. Muestre que los vectores del ejercicio 3 cumplen con la desigualdad de Schwarz y
con la del Tringulo
Espacios, Subespacios y Bases Vectoriales 35
5. Determine si los siguientes vectores son linealmente dependientes o independientes
a. A
1
=
_
1 2 3

0
, A
2
=
_
4 3 5

0
b. A
1
=
_
1 2 3

0
, A
2
=
_
7 7 15

0
, A
3
=
_
3 1 3

0
c. A
1
=
_
1 4 3

0
, A
2
=
_
5 2 4

0
, A
3
=
_
8 3 1

0
d. A
1
=
_
11 6 5

0
, A
2
=
_
4 1 2

0
, A
3
=
_
3 4 1

0
e. A
1
=
_
1 4 2

0
, A
2
=
_
5 3 2

0
, A
3
=
_
1 1 0

0
Espacios, Subespacios y Bases Vectoriales
Antes de denir espacio y subespacio vectorial tenemos que denir 2 conceptos:
Sea T una coleccin de vectores ndimensionales, decimos que T est cerrado
bajo la suma si para cualquier par de vectores pertenecientes a T se cumple que
su suma tambin pertenece a T
r, j T == r + j T.
Anlogamente, T est cerrado bajo la multiplicacin escalar si para cualquier
vector perteneciente a T y cualquier escalar pertenecientes a los reales su multi-
plicacin tambin pertenece a T
r T and / R == /r T.
Dado lo anterior se puede denir (sub)espacio vectorial
Espacio Vectorial: Cualquier conjunto de vectores T es un espacio vectorial si
T est cerrado bajo la suma y bajo la multiplicacin escalar.
Subespacio Vectorial: Cualquier subconjunto F T es un subespacio vectorial
si F est cerrado bajo la suma y bajo la multiplicacin escalar.
I Ejemplo 3.8
R
2
es un espacio vectorial y los todos vectores de la forma
_
r
0
_
tal que r R forman
un subespacio vectorial de R
2
.
Sistemas no Homogneos
Un sistema de ecuaciones no homogneo es de la forma:
a
1
r
1
+ /
1
r
2
+ c
1
r
3
= d
1
a
2
r
1
+ /
2
r
2
+ c
2
r
3
= d
2
a
3
r
1
+ /
3
r
2
+ c
3
r
3
= d
3
Donde r
1
, r
2
y r
3
son las incgnitas y a
i
, /
i
, c
i
, d
i
para i = 1, 2, 3 son los coecientes.
Entonces el sistema puede representarse de las siguientes formas:
36 Captulo 3 Espacios Vectoriales y Dependencia Lineal
_
_
a
1
/
1
c
1
a
2
/
2
c
2
a
3
/
3
c
3
_
_
_
_
r
1
r
2
r
3
_
_
=
_
_
d
1
d
2
d
3
_
_
,
or = 1
Nuevamente la solucin ser nica si o es de rango completo, ya que si se premultiplica
por o
1
se obtiene:
o
1
or = o
1
1
r = o
1
1
Este resultado es ms relevante de lo que parece. No slo nos ayudar a resolver sis-
temas de ecuaciones lineales, sino que tambin signica que si la matriz o es de rango
completo, entonces siempre podremos encontrar una combinacin lineal r de los vec-
tores de o que formen cualquier vector 1, es decir, podremos generar cualquier vector
en el espacio. Esto nos lleva a otra denicin:
Base Vectorial: Un conjunto k de vectores 1 son una base para el espacio vec-
torial de k dimensiones F si estos k vectores son linealmente independientes.
En otras palabras, se tienen / vectores pertenecientes a R
k
linealmente independientes,
se puede generar cualquier otro vector perteneciente R
k
a travs de una combinacin
lineal de estos.
I Ejemplo 3.9
Los vectores a =
_
_
1
0
0
_
_
, / =
_
_
0
1
0
_
_
, c =
_
_
0
0
1
_
_
son base para el espacio vectorial R
3
, a su
vez los vectores a y / no son base para el espacio vectorial R
3
, pero si son base para el
subespacio de R
3
de la forma
_
_
r
j
0
_
_
donde r, j R.
Vectores Elementales: Los vectores elementales 1
1
, 1
2
, ..., 1
n
son vectores
unitarios que sirven como base para 1
n
y son de la siguiente forma:
1
1
= [1 0 0]
1
2
= [0 1 0]
.
.
. =
.
.
.
1
n
= [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?
Ejercicios Propuestos 37
a. A
1
=
_
1 2 3

0
, A
2
=
_
4 3 5

0
b. A
1
=
_
1 2 3

0
, A
2
=
_
7 7 15

0
, A
3
=
_
3 1 3

0
c. A
1
=
_
1 4 3

0
, A
2
=
_
5 2 4

0
, A
3
=
_
8 3 1

0
d. A
1
=
_
11 6 5

0
, A
2
=
_
4 1 2

0
, A
3
=
_
3 4 1

0
e. A
1
=
_
1 4 2

0
, A
2
=
_
5 3 2

0
, A
3
=
_
1 1 0

4 La Ecuacin Caracterstica
de una Matriz
El Problema de los Valores Caractersticos
En muchas aplicaciones de matrices a problemas matemticos, fsicos y estadsticos
surge el siguiente problema: para una matriz cuadrada de orden : se necesita encontrar
los escalares ` y los vectores no nulos A que satisfagan simultneamente la siguiente
ecuacin:
A = `A
Este sistema de ecuaciones se conoce como el problema de los valores caracters-
ticos. Ejemplos de aplicaciones a la solucin este problema son caracterizar sistemas
dinmicos, los cuales aparecern en cualquier modelo econmico que quiera analizar el
comportamiento de los agentes en el tiempo; en econometra aparecen como la base del
mtodo de componentes principales el que trata de mermar los problemas de colineali-
dad; o en el test de cointegracin de Johansen.
Para resolver el sistema anterior es conveniente escribirlo de la siguiente forma:
(`1)A = 0
lo que corresponde a un sistema de ecuaciones homogneo con : incgnitas, el cual
tendr soluciones no triviales si el determinante de la matriz de coecientes es nulo:
det(`1) =

a
11
` a
12
. . . a
1n
a
21
a
22
` . . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
`

= 0
La expansin de este determinante por Laplace entrega un polinomio de grado : en `,
el que es denotado por ,(`) y se le llama polinomio caracterstico de . La ecuacin
que corresponde a ,(`) = 0 es llamada ecuacin caracterstica de .
Vectores y Valores Propios
La solucin al problema caracterstico est compuesta por 2 elementos:
(a) Las : races de la ecuacin caracterstica: `
1
, `
2
, ..., `
n
.
(/) Un vector asociado a cada raz caracterstica: A
1
, A
2
, ..., A
n
.
Para aclarar conceptos, los trminos Valores Propios, Valores Eigen, Valores Caracters-
ticos y Valores Latentes reeren al mismo concepto. Esto es porque el primer lugar
donde se dio nombre al estudio de la ecuacin caracterstica fue en Alemania donde a
40 Captulo 4 La Ecuacin Caracterstica de una Matriz
los ` les llamaron Eigenwert, cuya traduccin al ingls fue Proper Values pero, como
se ver ms adelante, estos valores caracterizan completamente a una matriz por lo que
son llamados valores caractersticos.
Teorema 4.1 La ecuacin A = `A tiene soluciones no triviales si y slo si
` es una raz caracterstica de la ecuacin caracterstica de y la cual tiene
asociado un vector no nulo A con los cuales la ecuacin se satisface.
I Ejemplo 4.1
4
Analicemos el problema caracterstico de la siguiente matriz: =
_
2 1
2 3
_
, cuya
ecuacin caracterstica es:
,(`) = det(`1) =

2 ` 1
2 3 `

= `
2
5` + 4 = 0
y sus soluciones son:
(4 `)(1 `) = 0 ==`
1
= 1, `
2
= 4
las cuales tienen asociadas los siguientes vectores propios:
jara `
1
= 1 : A = `A =
_
2 1
2 3
_ _
r
1
r
2
_
=
_
r
1
r
2
_
=
r
1
+ r
2
= 0
2r
1
+ 2r
2
= 0
podemos apreciar que la primera ecuacin es igual a la segunda, entonces:
r
1
= r
2
=A
2
=
_
1
1
_
jara `
2
= 4 : A = `A =
_
2 1
2 3
_ _
r
1
r
2
_
=
_
4r
1
4r
2
_
=
2r
1
+ r
2
= 0
2r
1
r
2
= 0
nuevamente estas ecuaciones son idnticas, esto siempre sucede cuando se cumple con
el requisito de que (`1) sea singular
2r
1
= r
2
=A
1
=
_
1
2
_
o cualquier multiplicacin escalar de A
1
, A
2
.
Geomtricamente, los vectores propios son los nicos que se mantienen invariantes ante
el operador lineal y, cualquier otro vector que no sea el propio, se acerca a estos
cuando el operador lineal es aplicado. Para entender lo anterior, se aplicar el operador
del ejemplo 4.1 al vector 1
0
= [0 2]:
_
2 1
2 3
_ _
0
2
_
=
_
2
6
_
La gura 4.1 muestra la transformacin grcamente. Tal y como se aprecia, al premul-
tiplicar por 1 se obtuvo un vector que se encuentra a la derecha del inicial. Repitiendo
el procedimiento C
0
= [2 0]:
_
2 1
2 3
_ _
2
0
_
=
_
4
4
_
4
Muchos softwares computacionales y libros imponen la pseudo restriccin de que la norma del vector
propios sea unitaria (kX
i
k), as se cierra el problema y se evita de que existan innitas soluciones para los
vectores propios. Adems, bajo ciertas condiciones, es una propiedad deseable.
Vectores y Valores Propios 41
En gura 4.2 se aprecia, a diferencia del caso anterior, que al premultiplicar por C el
resultado se encuentra a la izquierda del vector original. Intuitivamente, se puede decir
que deberan existir dos vectores en los cuales estas dos "fuerzas"se anulen y que los
vectores resultantes tras la premultiplicacin de no se encuentren ni a la izquierda ni a
la derecha del vector original. Por ltimo, se repite el ejercicio con el vector propio A
2
:
_
2 1
2 3
_ _
1
2
_
=
_
4
8
_
= 4
_
1
2
_

`
`
/
/
/
/
/
/
/
/
/`
0
1
2
3
4
5
6
7
8
1 2 3 4 5 6 7 8 9 10
r
1
= (0, 2)
r
2
= (2, 6)
r
j
Figura 4.1: Transformacin al vector 1.

0
1
2
3
4
5
6
7
8
1 2 3 4 5 6 7 8 9 10
r
1
= (2, 0)
r
2
= (4, 4)
r
j
Figura 4.2: Transformacin al vector C.
42 Captulo 4 La Ecuacin Caracterstica de una Matriz

`
0
1
2
3
4
5
6
7
8
1 2 3 4 5 6 7 8 9 10
A
2
= (1, 2)
A
0
2
= (4, 8)
r
j
Figura 4.3: Transformacin al vector A
2
.
Se puede apreciar (gura 4.3) que si se premultiplica A
2
por , el vector resultante no
se desplaza ni a la izquierda ni a la derecha, sino que aumenta en una magnitud igual a su
valor propio. Luego, los vectores propios son aquellos que anulan estas fuerzas. Como
ejercicio repita el procedimiento con el vector A
1
.
Teorema 4.2 Si las races de la ecuacin caracterstica son distintas, entonces
los vectores caractersticos asociados a cada una de estas races son linealmente
independientes.
Este teorema puede ser intuitivo por la construccin de los vectores propios, pero como
podra pensarse, no se puede armar lo contrario.
Teorema 4.3 Si las races de la ecuacin caracterstica no son distintas, entonces
los vectores caractersticos asociados a cada una de estas races pueden ser
linealmente independientes como linealmente dependientes.
Por ejemplo, los valores propios de una matriz identidad de orden 2 son `
1
= 1, `
2
= 1
pero cualquier vector puede ser su vector propio.
La Matriz Modal
La matriz modal es aquella que est compuesta por todos los vectores propios, es decir,
es de la forma:
' =
_
A
1
A
2
... A
n

si se premultiplica esta matriz por la matriz obtendremos:

' =
_
A
1
A
2
... A
n

pero por denicin cada uno de los elementos es:

_
A
1
A
2
... A
n

=
_
`
1
A
1
`
2
A
2
... `
n
A
n

= '1
donde D es una matriz diagonal de la forma
_

_
`
1
0 . . . 0
0 `
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . `
n
_

_
, entonces se puede
Aplicaciones de la Descomposicin Espectral 43
concluir que:
' = '1
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 descom-
posicin espectral de una matriz y se deriva postmultiplicando la expresin anterior por
'
1
. Para esto, tal y como se vio en le teorema 4.2, la matriz '
1
tiene que estar
denida. Una condicin suciente para que esto se cumpla es que los valores propios
sean distintos. Si ese es el caso, se puede escribir:
= '1'
1
I Ejemplo 4.2
Continuando con el ejemplo 4.1, la descomposicin espectral de es:
_
2 1
2 3
_
=
_
1 1
1 2
_ _
1 0
0 4
_ _
2
3

1
3
1
3
1
3
_
Aplicaciones de la Descomposicin Espectral
Todas las aplicaciones que siguen estn sujetas a que la matriz modal sea invertible, pero
se puede estar tranquilos ya que en econometra la mayora de las matrices con las cuales
se trabaja son simtricas y, por lo tanto, se cumple el siguiente teorema:
Teorema 4.4 Sea A una matriz simtrica de orden /, entonces tendr / vec-
tores propios distintos y ortogonales entre s. Como consecuencia de lo anterior,
la matriz modal de es siempre invertible.
5
El Rango de una Matriz
Ocupando la descomposicin espectral de una matriz y las propiedades del rango se
puede llegar a una expresin simplicada del mismo:
1a:qo () = 1a:qo ('1'
1
)
Como ya se sabe, ' es una matriz cuadrada de rango completo (ya que es invertible,)
entonces se puede ocupar la propiedad (d) del rango:
1a:qo () = 1a:qo ('1)
ocupando la propiedad (a) y despus nuevamente la (d) se obtiene:
1a:qo () = 1a:qo (
0
) = 1a:qo (1
0
'
0
) = 1a:qo (1
0
) = 1a:qo (1)
Deducir el rango de 1 es simple ya que como 1 es una matriz diagonal el nmero
de las o columnas linealmente independientes ser el nmero de las o de columnas
distintas de cero.
Teorema 4.5 El rango de un matriz A ser el nmero de valores propios distintos
5
Si adems se impuso la condicin kX
i
k = 1 se puede demostrar que M
1
= M
0
.
44 Captulo 4 La Ecuacin Caracterstica de una Matriz
de cero si y slo si su matriz modal es invertible.
I Ejemplo 4.3
La matriz A del ejemplo 4.1 es de rango 2 ya que sus dos races (`
1
= 1, `
2
= 4) son
distintas de cero.
La Traza de una Matriz
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() = tr('1'
1
)
ocupando la propiedad cclica de la traza:
tr() = tr('1'
1
) = tr('
1
'1) = tr(11) = tr(1)
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 caracters-
ticas o valores propios.
I Ejemplo 4.4
La traza de la matriz A es la suma de su diagonal 2 + 3 = 5, como tambin la suma de
sus races 1 + 4 = 5
El Determinante de una Matriz
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'
1

ocupando la propiedad de que el determinante de la multiplicacin es igual a la multi-

plicacin de los determinantes:
[[ = ['[ [1[

'
1

como la multiplicacin es conmutativa:

[[ = ['[

'
1

[1[
ocupando la primera propiedad pero al revs:
[[ =

''
1

[1[ = [1[ [1[

como el determinante de la identidad es igual a 1 se obtiene que:
[[ = 1 [1[ =
n

i
`
i
Aplicaciones de la Descomposicin Espectral 45
Teorema 4.7 El determinante de una matriz es igual al producto de sus races
caractersticas.
I Ejemplo 4.5.
El determinante la matriz es ((2)(3) (1)(2)) = 4, y tambin la multiplicacin de
sus races 4(1) = 4.
Potencias de una Matriz
Debido a lo complejo de los clculos, una de las aplicaciones ms tiles de la descom-
posicin espectral de una matriz es su aplicacin a las potencias de una matriz. Lo que
se quiere es encontrar una expresin para
n
. Se comienza encontrando una expresin
para
2
:

2
=
= ('1'
1
)('1'
1
)
= ('1
2
'
1
)
Luego es fcil demostrar por induccin que
n
= '1
n
'
1
. Esta expresin es ms
simple que la original ya que la matriz 1
n
es igual a:
1
n
=
_

_
`
n
1
0 . . . 0
0 `
n
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . `
n
n
_

_
Teorema 4.8 Sea una matriz con descomposicin expectral denida y : N ,
entonces

n
= '1
n
'
1
.
Se tratar de extender el teorema anterior a los nmeros negativos pero para esto se debe
encontrar otro resultado, invirtamos :

1
= ('1'
1
)
1
por propiedades de las matrices inversas se tiene que:

1
= ('
1
)
1
1
1
(')
1

1
= '1
1
'
1
donde la matriz 1
1
es de la siguiente forma:
1
1
=
_

_
1,`
1
0 . . . 0
0 1,`
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1,`
n
_

_
.
Note 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
46 Captulo 4 La Ecuacin Caracterstica de una Matriz
descomposicin espectral de una manera fcil y rpida.
Teorema 4.9 Sea una matriz con descomposicin expectral denida. Si la
matriz
1
existe, entonces sus vectores propios son los mismos que los de y
sus valores propios son los recprocos de .
Observe que si una o ms races de son iguales a cero, es decir, no es de rango
completo, entonces 1
1
no estara denida y la inversa de tampoco.
Anlogamente, se puede encontrar por induccin que
n
= '1
n
'
1
. Luego, se
puede extender el teorema 4.8 de la siguiente forma:
Teorema 4.8

Sea una matriz con descomposicin expectral e inversa denida

y : Z. Entonces se cumple

n
= '1
n
'
1
.
De la misma forma, se puede pensar que el resultado anterior podra expandirse a poten-
cias con nmeros reales. Esto es errado pues si se elevase un nmero negativo por
1
2
, se
estar buscando una raz de un nmero negativo, lo cual no est denida en R.
Teorema 4.11 Sea una matriz con descomposicin expectral e inversa denida
y cuyas races caractersticas son no negativas. Entonces, para todo : R se
cumple que

n
= '1
n
'
1
.
I Ejemplo 4.6
Se calcula
1
2
y
1
para la matriz del ejemplo 4.1
(a)
1
2
= '1
1
2
'
1
=
_
1 1
1 2
_ _
1 0
0 2
_ _
2
3

1
3
1
3
1
3
_
=
_
4
3
1
3
2
3
5
3
_
.
(/)
1
= '1
1
'
1
=
_
1 1
1 2
_ _
1 0
0
1
4
_ _
2
3

1
3
1
3
1
3
_
=
_
3
4
1
4

1
2
1
2
_
Matrices Idempotentes
Las matrices idempotentes son aquellas matrices que cumplen con la propiedad
n
=
para todo natural :. Para entender las implicancias de esta propiedad en la descomposi-
cin espectral de una matriz estudiemos
2
para idempotente:

2
= '1
2
'
1
pero idempotencia implica
= '1
2
'
1
entonces
'1'
1
= '1
2
'
1
(2)
la nica forma que se cumpla (2) es que `
2
= `, es decir, las races caractersticas de
Ejercicios Propuestos 47
tienen que ser 0 o 1. Suponga que todas las races son 1, luego:
= '1'
1
= ''
1
= 1
Si las races no son todas 1, es decir, algunas races son iguales a 0 y ocupando la
denicin de rango se puede armar que es singular.
Teorema 4.12 Todas las matrices idempotentes, excepto la matriz identidad, son
singulares. La nica matriz idempotente de rango completo es la matriz identi-
dad.
Por ltimo, tomando en cuenta que el rango de una matriz son los valores propios dis-
tintos de ceros y que en una matriz idempotente sus races son 0 o 1 se puede concluir:
Teorema 4.13 El rango de una matriz idempotente es igual a la suma de sus
races caractersticas, es decir, es igual a su traza.
Ejercicios Propuestos
1. Dadas las siguientes matrices
=
_
0 5
1 4
_
, 1 =
_
0 2
2 4
_
, C =
_
5 1
1 5
_
1 =
_
_
2 2 4
1 3 4
1 2 3
_
_
, 1 =
_
_
1 3 4
3 2 3
4 3 3
_
_
a. Encuentre la ecuacin caracterstica de cada matriz.
b. Encuentre los vectores y valores propios de cada una de esas matrices imponiendo
la restriccin de que |A
i
| = 1.
c. Encuentre la matriz modal y su inversa para cada una de las matrices.
d. Calcule '/'.
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
3
,
3
para todas las matrices.
5 Formas Lineales, Cuadrti-
cas y Clculo Matricial
Formas Lineales
Un polinomio lineal homogneo es un polinomio de grado 1 y se puede representar de
la siguiente forma:
= a
1
r
1
+ a
2
r
2
+ ... + a
n
r
n
=
n

i=1
a
i
r
i
y una representacin matricial del mismo sera:
=
_
a
1
a
2
... a
n

_
r
1
r
2
.
.
.
r
n
_

_
= A
donde , y A pueden pertenecer a los nmeros reales. Este tipo de notacin matricial
es muy til en problemas de optimizacin y en cualquier otro mbito donde se manejen
muchos polinomios y ecuaciones.
Formas Cuadrticas
Un polinomio cuadrtico homogneo es un polinomio compuesto slo de trminos de
grado 2, es decir:
=
n

j=1
n

i=1
a
ij
r
i
r
j
y se puede expresar en notacin matricial de la siguiente forma:
= A
0
A
donde tiene la propiedad de ser una matriz simtrica y es un nmero real.
I Ejemplo 5.1
Se escribe en forma matricial la siguiente forma cuadrtica:
= r
2
1
+ 2r
2
2
7r
2
3
4r
1
r
2
+ 8r
1
r
3
para esto se debe expandir la expresin A
0
A, con tres incgnitas:
50 Captulo 5 Formas Lineales, Cuadrticas y Clculo Matricial
=
_
r
1
r
2
r
3

_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
_
_
r
1
r
2
r
3
_
_
= a
11
r
2
1
+ a
22
r
2
2
+ a
33
r
2
3
+ a
12
r
1
r
2
+ a
13
r
1
r
3
+
+a
21
r
2
r
1
+ a
23
r
2
r
3
+ a
31
r
3
r
1+
a
32
r
3
r
2
Observe que los elementos de la diagonal de tienen trminos al cuadrado, mientras
que el resto de los elementos son los coecientes de los trminos de la forma r
i
r
j
.
Dado lo anterior, nos es conveniente reescribir el polinomio de la siguiente forma:
= r
2
1
+ 2r
2
2
7r
2
3
2r
1
r
2
2r
2
r
1
+ 4r
1
r
3
+ 4r
3
r
1
+ 0r
2
r
3
+ 0r
3
r
2
entonces, su forma matricial es:
=
_
r
1
r
2
r
3

_
_
1 2 4
2 2 0
4 0 7
_
_
_
_
r
1
r
2
r
3
_
_
= A
0
_
_
1 2 4
2 2 0
4 0 7
_
_
A
Matrices Denidas y Semidenidas
Se quiere estudiar cuando la forma cuadrtica de es siempre positiva o siempre nega-
tiva. Para esto, se analiza la descomposicin espectral de . En una forma cuadrtica
es simtrica. Luego, por el teorema 4.5, sus vectores caractersticos son ortogonales en-
tre s. Sin prdida de generalidad, se impone que cada uno de los vectores caractersticos
sea un vector unitario ('
0
i
'
i
= 1), entonces:
'
0
' =
_

_
'
0
1
'
0
2
.
.
.
'
0
n
_

_
_
'
1
'
2
. . . '
n

=
_

_
'
0
1
'
1
'
0
1
'
2
. . . '
0
1
'
n
'
0
2
'
1
'
0
2
'
2
. . . '
0
2
'
n
.
.
.
.
.
.
.
.
.
.
.
.
'
0
n
'
1
'
0
n
'
1
. . . '
0
n
'
n
_

_
=
_

_
1 0 . . . 0
0 1 . . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . 1
_

_
= 1
cumplindose que:
'
0
' = 1 ='
0
= '
1
por lo que la descomposicin espectral puede ser reescrita como:
= '1'
0
.
Substituyendo en la forma cuadrtica y deninedo j = '
0
A se tiene que:
= A
0
A = A
0
'1'
0
A = j
0
1j.
Como 1 es una matriz diagonal, se puede escribir la expresin anterior de la siguiente
Clculo Matricial 51
forma:
= A
0
A =
n

i=1
`
i
j
2
i
luego, si es simtrica, el valor de depender slo de las races caractersticas.
Sea una matriz simtrica. Si todas todas las races de son positivas (ne-
gativa), entonces se dice que es positiva (negativa) denida. Si las races de
son mayores (menores) o iguales a cero, entonces se dice que es positiva
(negativa) semidenida, o bien, denida no negativa (positiva).
Clculo Matricial
Funciones Reales
Una funcin real ) : A R, denotada por j = )(x), es una relacin que asocia, de
manera nica, un conjunto de valores x A a un valor j R. En esta relacin se
denomina a las variables x como variables independientes o dominio y a la variable j
como variable dependiente o recorrido.
I Ejemplo 5.2
Son ejemplos de conjuntos dominio A: C, Z, R, R
n
o cualquier conjunto arbitrario.
I Ejemplo 5.3
La forma lineal corresponde a una funcin ) : R
n
R de la forma:
= a
1
r
1
+ a
2
r
2
+ ... + a
n
r
n
donde r
1
, r
2
, ..., r
n
son las variables del dominio y es la variable del recorrido.
La forma cuadrtica corresponde a una funcin ) : R
n
R de la forma:
=
n

j=1
n

i=1
a
ij
r
i
r
j
donde r
1
, r
2
, ..., r
n
son las variables del dominio y es la variable del recorrido.
Derivadas de Funciones Reales
La derivada de una funcin representa el cambio de j respecto a un cambio innitesimal
de una de las variables independientes. Se denomina vector gradiente a aquel vector
columna que representa las primeras derivadas de una funcin respecto a todas las varia-
52 Captulo 5 Formas Lineales, Cuadrticas y Clculo Matricial
bles independientes. Son representaciones del vector gradiente:
\) =
_

_
@f
@x1
@f
@x2
.
.
.
@f
@xn
_

_
=
_

_
)
1
)
2
.
.
.
)
n
_

_
I Ejemplo 5.4
El vector gradiente de una funcin de la forma:
j = 2r
1
4r
2
+ 3r
3
=j =
_
2 4 3

_
_
r
1
r
2
r
3
_
_
es:
\) =
_

_
@f
@x1
@f
@x2
@f
@x3
_

_ =
_
_
2
4
3
_
_
Teorema 5.1 Sea ) (A) = A , entonces:
0) (A)
A
=
0
.
I Ejemplo 5.5
El vector gradiente de la funcin en el ejemplo 5.1
j = r
2
1
+ 2r
2
2
7r
2
3
4r
1
r
2
+ 8r
1
r
3
es:
\) =
_

_
@f
@x1
@f
@x2
@f
@x3
_

_ =
_
_
2r
1
4r
2
+ 8r
3
4r
1
+ 4r
2
8r
1
14r
3
_
_
=
_
_
2 4 8
4 4 0
8 0 14
_
_
_
_
r
1
r
2
r
3
_
_
= 2
_
_
1 2 4
2 2 0
4 0 7
_
_
_
_
r
1
r
2
r
3
_
_
= 2A
Teorema 5.2 Sea ) (A) = A
0
A, entonces:
0) (A)
0A
= 2A.
Clculo Matricial 53
Por otro lado se denomina matriz Hessiana a la matriz de segundas derivadas de una
funcin. Se obtiene tomando cada elemento del vector gradiente y derivndolo respecto
a cada una de las variables independientes, es decir:
H =
_

_
@f
@x1@x1
@f
@x1@x2

@f
@x1@xn
@f
@x2@x1
@f
@x2@x2

@f
@x2@xn
.
.
.
.
.
.
.
.
.
.
.
.
@f
@xn@x1
@f
@xn@x2

@f
@xn@xn
_

_
Teorema de Young. Si una funcin es continua y doblemente diferenciable, en-
tonces se cumple que:
0)
0r
i
0r
j
=
0)
0r
j
0r
i
.
Es decir, las derivadas cruzadas son idnticas.
Entonces podemos armar que, si la funcin es doblemente diferenciable, la matriz Hes-
siana es simtrica.
I Ejemplo 5.6
La matriz Hessiana de la funcin en el ejemplo 5.1 es:
H =
_

_
@f
@x1@x1
@f
@x1@x2
@f
@x1@x3
@f
@x2@x1
@f
@x2@x2
@f
@x2@x3
@f
@x3@x1
@f
@x3@x2
@f
@x3@x3
_

_ =
_
_
2 4 8
4 4 0
8 0 14
_
_
= 2
_
_
1 2 4
2 2 0
4 0 7
_
_
= 2
entonces podemos concluir que el Hessiano de una forma cuadrtica es:
H =
0
2
A
0
A
0A
2
= 2
Aproximacin a una Funcin
Muchas veces es ms fcil trabajar con una funcin aproximada que 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. Se expondr la expansin de primer y segundo
orden pero hay que recalcar que entre mayor el orden de la aproximacin mejor ser
sta.
6
6
En el lmite, cuando el orden tiende a innito, Taylor demostr que las funciones son idnticas. Es obvio
que la funcin a aproximar tiene que ser inntamente diferenciable para que el teorema aplique.
54 Captulo 5 Formas Lineales, Cuadrticas y Clculo Matricial
Aproximacin de Primer Orden
La aproximacin de Taylor de primer orden nos entrega una forma funcional lineal de la
funcin original y su formula es:
j - )(x
o
) +\)(x
o
)
0
(x x
o
)
donde x
o
es el punto de expansin, )(x
o
) es la funcin evaluada en el punto de expan-
sin y \)(x
o
)
0
es el vector gradiente evaluado en el punto traspuesto.
I Ejemplo 5.7
Sea )(r
1
, r
2
) = ln(r
1
)+ln(r
2
). Su aproximacin de primer orden por Taylor entorno
al punto x
o
= (1, 2), sera de la forma:
j - ln(1) + ln(2) +
_
1
1
1
2

_
r
1
1
r
2
2
_
j - 1,307 + r
1
+
r
2
2
comparemos:
)(1, 2) = ln(1) + ln(2) = 0, 693
j(1, 2) t 1,307 + 1 +
2
2
= 0, 693
en el punto de expansin son idnticos. Veamos en un punto cercano (1,1, 2,1)
)(1,1, 2,1) = ln(1,1) + ln(2,1) = 0,837
j(1,1, 2,1) t 1,307 + 1,1 +
2,1
2
= 0, 843
Aproximacin de Segundo Orden
La aproximacin de Taylor de segundo orden nos entrega un polinomio de segundo
orden y su formula es:
j - )(x
o
) +\)(x
o
)
0
(x x
o
) +
1
2
(x x
o
)H(x
o
)(x x
o
)
donde x
o
es el punto de expansin, )(x
o
) es la funcin evaluada en el punto de ex-
pansin, \)(x
o
)
0
es el vector gradiente evaluado en el punto traspuesto y H(x
o
) es el
Hessiano de la funcin evaluado en el punto.
I Ejemplo 5.7
Sea )(r
1
, r
2
) = ln(r
1
) + ln(r
2
). Su aproximacin de segundo orden por Taylor en-
torno al punto x
o
= (1, 2), es lo que ya se haba proximado ms el termino del Hes-
siano evaluado en el punto:
j - ln(1) + ln(2) +
_
1
1
1
2

_
r
1
1
r
2
2
_
+
_
r
1
1 r
2
2

_
1 0
0
1
4
_ _
r
1
1
r
2
2
_
j - 3,307 + 3r
1
+
3r
2
2
r
2
1

r
2
4
Ejercicios Propuestos 55
Comparemos:
j(1, 2) - 3,307 + 3(1) + 3
2
2
1
2

2
2
2
= 0,693
nuevamente en el punto de expansin son iguales. En el punto (1,1, 2,1)
j(1, 2) - 3,307 + 3(1,1) + 3
2,1
2
1,1
2

2,1
2
2
= 0,8305
Ejercicios Propuestos
1. Escriba las siguientes formas cuadrticas en notacin matricial.
a. r
2
1
+ 4r
1
r
2
+ 3r
2
2
b. 2r
2
1
6r
1
r
2
+ r
2
3
c. r
2
1
2r
2
2
3r
2
3
+ 4r
1
r
2
+ 6r
1
r
3
8r
2
r
3
2. Escriba la siguiente matriz como una forma cuadrtica.
_
_
2 3 1
3 2 4
1 4 5
_
_
3. Sea =
_

_
a
11
a
12
. . . a
1n
a
21
a
22
. . . a
2n
.
.
.
.
.
.
.
.
.
.
.
.
a
m1
a
m2
. . . a
mn
_

_
una matriz, entonces las submatrices de
son:

1
= [a
11
] ,
2
=
_
a
11
a
12
a
21
a
22
_
,
3
=
_
_
a
11
a
12
a
13
a
21
a
22
a
23
a
31
a
32
a
33
_
_
, ...,
n
=
entonces demuestre que:
a. Si es positiva denida, entonces los determinantes de las submatrices de son
todos positivos.
b. Si es positiva semidenida, entonces los determinantes de las submatrices de
son todos no-negativos.
c. Si es negativa denida, entonces los determinantes de las submatrices de
alternan de signo partiendo por [
1
[ < 0, [
2
[ 0, [
3
[ < 0, ..., [
n
[ (1)
n
0.
d. Si es negativa semidenida, entonces los determinantes de las submatrices de
alternan de signo partiendo por [
1
[ _ 0, [
2
[ _ 0, [
3
[ _ 0, ..., [
n
[ (1)
n
_ 0.
4. Encuentre
@X
0
AX
@X
y
@
2
X
0
AX
@X
2
para todas las formas cuadrticas de los ejercicios 1 y
2.
5. Aproxime por Taylor las siguientes funciones:
a. )(r) = cos(r), en primer grado y alrededor de .
b. )(r) = sin(r). en primer grado y alrededor de 2

3
.
56 Captulo 5 Formas Lineales, Cuadrticas y Clculo Matricial
c. )(r) = c
x
, en quinto grado entorno al 0.
d. )(r
1
, r
2
) = r
1
ln(r
2
), en segundo grado entorno al punto (2, 2).
Bibliografa
[1] Ayres, Frank, Jr. 1962. Theory and Problems of Matrices.Schaum Publishing Co.
[2] Edwards, Gonzalo. 2000. Introduccin al Anlisis de Sistemas Dinmicos. 2
da
edi-
cin. 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. 4
ta
edicin. Addison-Wesley Publishing Co.
[5] Greene, William. 2000. Anlisis Economtrico. 3
ra
edicin. Prentice Hall.
[6] Hohn, Franz. 1967. Elementary Matrix Algebra. 2
da
edicin. The Macmillan Co.