Algebra Lineal

LGEBRA LINEAL PARA ADMINISTRACIN Y ECONOMA
por Randy Fernndez y Ciro Bazn

Detalles del Producto

Encuadernacin Rstica: 448 pginas
Editora: Publicaciones Universidad de Piura; (Abril, 2006)
Lenguaje: Espaol
ISBN: 9972-48-101-8
Dimensiones del producto: 23,5 x 17 x 2.2 cms
Peso: 01 kgs
Lugar de venta: Librera de la Universidad de Piura
Precio: S/. 30
2
ndice

Captulo I: OPERACIONES CON MATRICES 1
1. Definicin de una matriz 2
Ejercicios 4
2. Tipos especiales de matrices 5
2.1. Matriz nula 5
2.2. Matriz vector 5
2.3. Matriz cuadrada 5
2.4. Matriz diagonal 6
2.5. Matriz escalar 6
2.6. Matriz identidad 6
2.7. Matriz triangular superior 6
2.8. Matriz triangular inferior 7
2.9. Matriz simtrica 7
2.10. Matriz antisimtrica 7
2.11. Matriz rectangular 7
Ejercicios 8
3. Operaciones con matrices 10
3.1. Igualdad de matrices 10
3.2. Suma de matrices 10
3.3. Producto de un nmero real por una matriz 11
3.4. Multiplicacin de matrices 12
3.5. Matriz transpuesta 14
3.6. Potenciacin de una matriz 15
3.7. Polinomio de matrices 16
3.8. Suma de elementos 17
3.9. El determinante de una matriz cuadrada 18
3.10. Matriz inversa 20
Solucin al problema introductorio del captulo 23
Ejercicios 26
Problemas resueltos 33
Problemas propuestos 54
4. Otras matrices especiales 63
5.1. Matriz ortogonal 63
5.2. Matriz peridicak 63
5.3. Matriz idempotente 63
5.4. Matriz nilpotentep 63
5.5. Matriz involutiva 64
Ejercicios 64
5. Matrices particionadas 66
5.1. Adicin y multiplicacin de matrices particionadas 66
5.2. Determinantes de matrices particionadas 69
5.3. Inversa de matrices particionadas 72
5.4. Producto de Kronecker 76
Ejercicios 77
6. Anlisis de InsumoProducto 79
3

Captulo II: ESPACIOS VECTORIALES 99
1. Geometra de matrices 100
1.1. Definicin de un vector 100
1.2. Componentes de un vector 100
1.3. Suma de vectores y multiplicacin de un escalar con un
vector 101
1.4. Vectores ortogonales 101
1.5. Vector unitario 102
2. Espacio vectorial 103
3. Combinacin lineal 104
4. Dependencia e independencia lineal 106
5. Sistema generador 108
6. Bases vectoriales 109
7. Dimensin de un espacio vectorial 110
8. Subespacios 110
9. Interpretacin geomtrica del determinante 112
9.1. Interpretacin geomtrica del determinante de una
matriz de orden 2 112
9.2. Interpretacin geomtrica del determinante de una
matriz de orden 3 113
10. Rango 113
Ejercicios 118
11. Regresin mnimo cuadrtica 128

Captulo III: SISTEMAS DE ECUACIONES LINEALES 171
1. Disposicin matricial de un sistema de ecuaciones
lineales 172
2. Clasificacin de un sistema de ecuaciones lineales de
acuerdo a su solucin 173
2.1. Sistema incompatible 173
2.2. Sistema compatible determinado 173
2.3. Sistema compatible indeterminado 173
3. Geometra de un sistema de ecuaciones lineales 174
3.1. Dos ecuaciones lineales con dos incgnitas 174
3.2. Tres ecuaciones lineales con tres incgnitas 176
4. Clasificacin de un sistema de ecuaciones lineales de acuerdo al
vector b 179
4.1. Sistema de ecuaciones homogneo 179
4.2. Sistema de ecuaciones no homogneo 180
5. Mtodos de resolucin de un sistema de ecuaciones lineales 180
5.1. Mtodo de la matriz inversa 180
5.2. Mtodo de Cramer 181
5.3. Mtodo de eliminacin de GaussJordan 183
Ejercicios 186
6. Mtodos de resolucin de un sistema de ecuaciones homogneo 187
Ejercicios 191
4

Captulo IV: AUTOVALORES Y AUTOVECTORES 267
1. Introduccin 268
2. Autovalores y autovectores 268
3. Matrices semejantes 280
4. Diagonalizacin 281
5. Matrices simtricas y diagonalizacin ortogonal 287
Ejercicios 297

Captulo V: FORMAS CUADRTICAS 319
1. Introduccin 320
2. Formas cuadrticas 320
3. Clasificacin de las formas cuadrticas 323
3.1. Definida positiva 323
3.2. Definida negativa 323
3.3. Semidefinida positiva 324
3.4. Semidefinida negativa 324
3.5. Indefinida o no definida 325
4. Mtodo de estudio del signo de la forma cuadrtica 325
4.1. Mtodo de los autovalores 325
4.2. Mtodo de los menores principales dominantes 328
5. Formas cuadrticas reales con restricciones 332
Ejercicios 338

Captulo VI: OPTIMIZACIN CLSICA 349
1. Introduccin 350
2. Conceptos bsicos 351
2.1. Vector gradiente 351
2.2. Matriz jacobiana 352
2.3. Matriz hessiana 353
2.4. Definiciones de mnimos y mximos 353
Ejercicios 354
3. Optimizacin libre 357
4. Optimizacin restringida 404
Ejercicios 405

Referencias bibliogrficas 447
5
Prlogo

El presente trabajo es resultado de la experiencia docente en lgebra lineal de los
autores, en la Facultad de Ciencias Econmicas y Empresariales de la Universidad
de Piura, durante los ltimos aos. En este manual se han recopilado y
seleccionado ejercicios y problemas del material bibliogrfico consultado para la
elaboracin de estos apuntes. Asimismo, se han desarrollado ejercicios y
problemas prcticos con un enfoque econmicoempresarial para el dictado de la
primera parte de la asignatura de Matemticas Empresariales, que se imparte a
alumnos de los Programas Acadmicos de Economa, Administracin de Empresas
y Contabilidad en la Facultad de Ciencias Econmicas y Empresariales de la casa
de estudios antes mencionada.

El objetivo de estos apuntes es proporcionar conceptos y desarrollar habilidades en
el alumno que le permitan dominar las herramientas que proporciona el lgebra
lineal. Para ello, se ha buscado dar a este libro un enfoque intuitivo, ilustrativo y
analtico, mostrando en algunos casos resultados de manera no formal, pero
cuidando no comprometer el contenido y el rigor matemtico.

Motivados por el hecho que esta rama de la matemtica se estudia en numerosas
disciplinas, y que gracias a la invencin de las computadoras de alta velocidad se
han incrementado las aplicaciones matemticas de lgebra lineal en reas no
tcnicas, hemos desarrollado este trabajo con la esperanza que sea de gran utilidad
para estudiantes universitarios de primer ao de las carreras de Economa,
Administracin de Empresas, Contabilidad, as como tambin de Ingeniera.

Cada captulo del libro empieza enunciando de manera clara y precisa
definiciones, principios y teoremas pertinentes, junto con ejemplos y otro material
descriptivo. A esto, le siguen colecciones graduadas de problemas resueltos y
problemas propuestos. Los problemas resueltos, buscan ampliar e ilustrar la teora
con puntos sutiles que permitan al estudiante asimilar las nociones bsicas. Los
problemas propuestos, revisan el material completo de cada captulo buscando la
aplicacin matemtica afn a cada carrera. Ambos tipos de problemas son
necesarios para un aprendizaje efectivo del alumno.

Este libro est constituido por seis captulos, en el primero de ellos se estudia las
diversas operaciones bsicas que se pueden efectuar con matrices. El segundo
captulo se ocupa del estudio de espacios vectoriales. En el tercer captulo se
revisan sistemas de ecuaciones lineales. En el cuarto captulo se analizan los
denominados autovalores y autovectores. En el captulo cinco realizamos un
detallado estudio de las formas cuadrticas. En el captulo final se abordan las
tcnicas para resolver problemas de optimizacin libre y restringida.

Los Autores

Captulo I

Operaciones con matrices

En los ltimos tres aos, cuatro nios exploradores, Rosita, Carolina, Carla y
Sergio, han tenido como misin recolectar fondos para apoyar un asilo. Con este
objetivo en mente, cada ao compraron chocolates. Los adquirieron de tres tipos:
blanco, amargo y semiamargo. Cada caja contiene 20 chocolates. Los venden por
piezas y los tres ltimos aos vendieron todos. A continuacin se resume la
informacin para el primer ao:

En esta tabla se muestra el nmero de cajas que cada uno compr.

Cajas de chocolate
Blanco Amargo Semiamargo
Rosita 6 15 9
Carolina 13 10 7
Carla 10 10 10
Sergio 5 12 13

En esta otra se muestra el precio por caja y el precio al que vendieron cada tipo de
chocolate:

Tipo de
chocolate
Precio por caja ($)
Precio de venta por
pieza ($)
Blanco 50 4
Amargo 30 3
Semiamargo 40 3

Con base en esta informacin, determine:
a. Quin hizo la menor inversin?
b. Quin obtuvo mayor beneficio el primer ao?
c. El segundo y el tercer ao compraron las mismas cantidades de cajas de
chocolates, pero el precio por caja para el segundo ao fue 10% mayor que el
del primer ao, mientras que en el tercer ao fue de 65, 45 y 40, para el
chocolate blanco, amargo y semiamargo, respectivamente. Adems, ellos
conservaron los precios de venta del primer ao. Responda a las dos preguntas
anteriores para el segundo y tercer ao.

TEMARIO

1. DEFINICIN DE UNA MATRIZ
2. TIPOS ESPECIALES DE MATRICES
3. OPERACIONES CON MATRICES
4. OTRAS MATRICES ESPECIALES
5. MATRICES PARTICIONADAS
6. ANLISIS DE INSUMOPRODUCTO
OPERACIONES CON MATRICES
2
1. Definicin de una matriz

Conjunto de elementos, ya sean nmeros o caracteres, agrupados en m filas y en n
columnas.

Veamos una tabla donde nos interesa trabajar con los datos que ella contiene:

Ao
Consumo
(miles de
millones de
dlares)
PBI (miles
de millones
de dlares)
Deflactor
del PBI
Tasa de
descuento
1972 737.1 1 185.9 1.0000 4.50
1973 812.0 1 326.4 1.0575 6.44
1974 808.1 1 434.2 1.1508 7.83
1975 976.4 1 549.2 1.2579 6.25
1976 1 084.3 1 718.0 1.3234 5.50
1977 1 204.4 1 918.3 1.4005 5.46
1978 1 346.5 2 163.9 1.5042 7.46
1979 1 507.2 2 417.8 1.6342 10.28
1980 1 667.2 2 633.1 1.7864 11.77

Como podemos observar esta tabla contiene 10 filas y 5 columnas, donde la
primera fila describe la correspondencia que existe entre los elementos de
cada columna (Carcter informativo).

Todos los datos que nos interesan los podemos representar como una matriz
de la siguiente forma:

(
(
(
(
(
(
(
(
(
(
(
(
=
77 . 11 7864 . 1 1 . 2633 2 . 1667
28 . 10 6342 . 1 8 . 2417 2 . 1507
46 . 7 5042 . 1 9 . 2163 5 . 1346
46 . 5 4005 . 1 3 . 1918 4 . 1204
50 . 5 3234 . 1 0 . 1718 3 . 1084
25 . 6 2579 . 1 2 . 1549 4 . 976
83 . 7 1508 . 1 2 . 1434 1 . 808
44 . 6 0575 . 1 4 . 1326 0 . 812
50 . 4 0000 . 1 9 . 1185 1 . 737

1980
1979
1978
1977
1976
1975
1974
1973
1972
A

Simbologa de una matriz:

Una matriz se representa con una letra mayscula, como en el ejemplo, y si se
quiere representar la matriz en forma total sin necesidad de escribir todos los
elementos se representa de la siguiente forma:
mxn
A . Donde m indica la
cantidad de filas y n el nmero de columnas de la matriz. A los subndices de
esta representacin se les llama dimensin u orden de la matriz.
La matriz anterior se representa de la siguiente manera:
5 9
A .

3
Si nos interesa algn elemento de la matriz entonces, ste se representa con
una letra igual a la letra de la matriz a la que pertenece, pero con minscula y
con subndices la fila y la columna a la cual pertenece dicho elemento
ij
a que
estar situado en la interseccin de la fila i y la columna j.

Ejemplo:

Si de la matriz anterior nos interesa el dato del deflactor del producto bruto
interno en el ao 1977, entonces lo representamos de la siguiente forma
4005 . 1
64
= a .

Informacin que puede contener una matriz

Resultado de una encuesta realizada a m individuos sobre n preguntas.
Una tecnologa lineal que emplea m factores en n procesos productivos.
Los coeficientes de las incgnitas de un modelo lineal de m ecuaciones y n
incgnitas.
Una aplicacin lineal de
n
R en
n
R .
Una base de datos.
Etc.

Problema:

Un fabricante produce tres tipos de clavos: de aluminio (A), de cobre (Q) y de
acero (H). Todos ellos se fabrican en longitudes de 1, 1.5, 2 y 2.5 cm. con los
precios respectivos siguientes:

Clavos A: 0.20 0.30 0.40 0.50 Euros
Clavos Q: 0.30 0.45 0.60 0.75 Euros.
Clavos H: 0.40 0.60 0.80 1.00 Euros.

Presentar la informacin en una matriz 43 que recoja los precios.

Solucin:
Precios
Tamao Clavos A Clavos Q Clavos H
1 0.20 0.30 0.40
1.5 0.30 0.45 0.60
2 0.40 0.60 0.80
2.5 0.50 0.75 1.00

|
|
|
|
|
.
|
\
|
=
00 . 1
80 . 0
60 . 0
40 . 0
75 . 0
60 . 0
45 . 0
30 . 0
50 . 0
40 . 0
30 . 0
20 . 0
M

Respuesta: En la matriz M se observa que cada fila representa el tamao del
clavo, mientras que cada columna representa el tipo de clavo, y sus elementos son
sus precios correspondientes.
4
Ejercicios

1. Dadas las siguientes matrices:

(
(
(
=
4 1 0
4 2 1
3 2 1
A

|
|
|
|
|
|
.
|
\
|
=
3
2
1
0
1
B

(
(
(
(
=
2 1
0 0
1 0
3 2
C

|
|
.
|
\
|
=
3 2
1
D

( ) 5 3 4 1 = E

(
(
(

=
4 10 0 2 1
2 1 0 2 3 4
3 2 1 0 1
F

|
|
.
|
\
|
=
b a a c
b a b a
G

(
(
(
(
=
1 0 0 0
1 1 0 0
1 1 1 0
1 1 1 1
H

|
|
|
|
|
|
.
|
\
|
=
41
3
21
1
10
L

(
(
(

=
2 1 0 3
7 5 2
3 1 3
M

j i j i N , 2 n / M
ij 2 2
+ =

I. Cul es la dimensin de las siguientes matrices?

a) 3 3 A
b) B

c) E
d) G

e) M
f) L
II. Cul es el elemento?

a) 1
32
= a

b)
51
b

c)
32
c

d)
15
l

e)
24
g
f)
23
d

III. Construya la Matriz N.

( ) ( )
( ) ( )
|
|
.
|
\
|
=
|
|
.
|
\
|
+ +
+ +
=
|
|
.
|
\
|
=
6 4
5 3
2 2 2 1 2 2
2 2 1 1 2 1
22 21
12 11
n n
n n
N

2. Construya una matriz
(
=
ij
a
A , si A es de 4 3 y j i a
ij
3 2 + = .

3. Escribir la matriz
3 2
|
.
|
\
|
=
ij
a A , donde ( )
j i
ij
a
+
= 1 .
5
4. Hallar A, B y C, si:

= +

= |
.
|
\
|
=
+ <
+
= |
.
|
\
|
=
>
=
<
= |
.
|
\
|
=
j i j
j i
c c C
j i
j i
b b B
j i i
j i
j i
a a A
ij ij
ij ij
ij ij
si 7
si 5
: que tal
2 si 1
2 si 0
: que tal
si
si 1
si 0
: que tal
2 6
3 4
5 5

2. Tipos especiales de matrices

2.1. Matriz nula.- Todos sus elementos son cero, a
ij
= 0

, i, j.

Ejemplo:
(
(
(
=
0 0 0
0 0 0
0 0 0
B

2.2. Matriz vector.- Conjunto ordenado de elementos dispuestos o en una fila o
en una columna.

a) Vector fila: Matriz de una sola fila.

Ejemplo: | | 8 2 5 1 = A

b) Vector columna: Matriz de una sola columna.

Ejemplo:
(
(
(
(
=
7
5
3
0
B

2.3. Matriz cuadrada.- Matriz que tiene el nmero de filas igual al nmero de
columnas.

Ejemplo:
(
=
8 0
3 2
C
(
=
2 8
3 / 4 5
D

Caractersticas de una matriz cuadrada:

Si tenemos una matriz cuadrada A, donde:

(
(
(
(
(
=
nn n n
n
n
a a a
a a a
a a a
A
L
M O M M
L
L
2 1
2 22 21
1 12 11

6
Entonces podemos hablar de la diagonal principal formada por los
elementos { }
nn
a a a , , ,
22 11
K
.

La suma de los elementos de la diagonal principal recibe el nombre de
Traza.
( )

=
=
n
i
ii
a A Traza
1

Una matriz cuadrada
n n
A

tambin se puede representar como
n
A .

2.4. Matriz diagonal.- Es una matriz cuadrada, cuyos elementos son todos
iguales a cero excepto los que pertenecen a la diagonal principal.

Ejemplo:
(
(
(
=
8 0 0
0 4 0
0 0 2
P

Tambin se puede representar de la siguiente manera: Diagonal ( ) 8 , 4 , 2 .

2.5. Matriz escalar.- Es una matriz diagonal, cuyos elementos de la diagonal
principal son todos iguales.

Ejemplo:
(
=
2 0
0 2
Q

2.6. Matriz identidad.- Es una matriz diagonal muy til, cuyos elementos de la
diagonal principal son iguales a la unidad.

Ejemplo:
(
(
(
=
1 0 0
0 1 0
0 0 1
I

La matriz identidad en la multiplicacin de matrices es semejante al 1 de los
nmeros reales. Es decir, representa el elemento neutro en la multiplicacin.

Tambin se le conoce como Delta de Kronecker:

=
j i
j i
ij
1
0

2.7. Matriz triangular superior.- Es una matriz cuadrada, cuyos elementos que
se encuentran debajo de la diagonal principal son iguales a cero.

0 =
ij
A si i > j

Ejemplo:
(
(
(
=
8 0 0
2 4 0
0 3 2
B
7
2.8. Matriz triangular inferior.- Es una matriz cuadrada, cuyos elementos que
se encuentran encima de la diagonal principal son iguales a cero.

0 =
ij
A si i < j
Ejemplo:
(
(
(
=
8 0 2
0 5 3
0 0 4
C

2.9. Matriz simtrica.- Es una matriz cuadrada, donde los elementos simtricos
(imgenes especulares respecto a la diagonal) son iguales, es decir cada
ji ij
a a = .

Ejemplo:
(
(
(
=
8 7 8
7 2 3
8 3 1
E

2.10. Matriz antisimtrica.- Es una matriz cuadrada que cumple con
ji ij
a a = .

Ejemplo:
(
(
(
(

=
0 7 0 3
7 0 1 2
0 1 0 4
3 2 4 0
F

2.11. Matriz rectangular.- Es una matriz donde el nmero de filas no coincide
con el nmero de columnas.

Ejemplo:
(

=
10 4 0 8 3
9 2 7 5 2
G
8
Ejercicios

1. Escribir una matriz:

a) Cuadrada de orden 3.

|
|
|
.
|
\
|
=
5 0 4
8 7 3 2
4 9 1
S

b) Triangular inferior de orden 4.

c) Simtrica de orden 3.

2. Sean :
(
=
6 0
0 7
A ,
(
(
(
=
3 10 0
0 2 0
0 0 1
B ,
(
(
(
=
0 0 0
0 0 0
0 0 0
C y
(
(
(

=
6 0 0
0 4 0
1 0 2
D

a) Cules son matrices diagonales? Slo la matriz A.

b) Cules son matrices triangulares?

3. Cul(es) de las matrices:

|
|
.
|
\
|
=
0 1
1 1
A

|
|
.
|
\
|
=
0 1
0 1
B

|
|
.
|
\
|
=
1 1
0 1
C

|
|
.
|
\
|
=
0 0
1 1
D

|
|
.
|
\
|
=
0 1
1 0
E

|
|
.
|
\
|
=
2 0
0 1
F

|
|
.
|
\
|
=
3 0
0 3
G

|
|
.
|
\
|
=
1 1
1 0
H

a) Es triangular superior?

b) Es triangular inferior?

c) Es diagonal?
d) Es escalar?

e) Es ninguna de las anteriores?
9

4. Si B es una matriz antisimtrica cuyos elementos de la diagonal principal son
ceros y que cumple:
|
|
.
|
\
|
=
4 0
0 4
2
B . Hallar los elementos de la matriz B.

Solucin:

Matriz antisimtrica cuya diagonal son ceros y de orden 2:

|
|
.
|
\
|
=
0
0
a
a
B
Nos indican que
|
|
.
|
\
|
=
4 0
0 4
2
B , entonces:

|
|
.
|
\
|
=
|
|
.
|
\
|
=
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
=
4 0
0 4
0
0
0
0
0
0
0
0
2
2
2
2
a
a
a
a
a
a
a
a
B

Obtenemos: 2 4
2
= = a a .

Respuesta:
Si 2 = a
|
|
.
|
\
|
=
0 2
2 0
B , y si 2 = a
|
|
.
|
\
|
=
0 2
2 0
B .

5. Calcule ) ( ) ( A Traza y A Diagonal para
|
|
|
.
|
\
|
=
8 2 5
5 2 3
7 4 1
A .

6. Para qu valores de a , es
|
|
|
|
.
|
\
|

+ +

1 4 3
4 2 1
3 1
2
2
a
a a
a a
simtrica?

Solucin:

1 1
2
+ = a a a a 4 4
2
= +

1 2 = = a a 2 = a 2 = a .

7. Calcule x e y para que la matriz B sea antisimtrica:

|
|
|
.
|
\
|
+
=
0 1
4 0
1 2 0
2
x y
x x
x
B .

Solucin:

10
(
(
(
+
=
0 1
4 0
1 2 0
2
x y
x x
x
B

Como es antisimtrica debe cumplir:
ji ij
b b =
21 12
b b =

2
2 x x = 0 2
2
= + x x
0 ) 2 ( = + x x
=
=
2
0
x
x

31 13
b b =
) 1 ( 1 + = y
) 1 ( 1 + = y 2 1 1 = = y y

32 23
b b =
0 0 3 4 = = = x x x x

Entonces, tenemos que:
{ } { } 0 2 , 0 : x
2 0 = = y x

3. Operaciones con matrices

3.1. Igualdad de matrices.- Las matrices A y B son iguales, si y slo si tienen la
misma dimensin y cada elemento de A es igual al correspondiente de B.

A = B si y slo si
ij ij
b a =

para todo i, j.

Ejemplo 1:
Hallar a + b + c si:
(

=
(
8 3
2
3
2 c
b
a

Solucin:

De acuerdo a la definicin c = 2, a = 2 y b = 8.

Respuesta: Por lo tanto a + b + c = 8.

Ejemplo 2:
Encuentre a + b si:
(
+
=
(
+
) 3 / ( 5
5 9
7 5
5 ) 2 / (
b a
b a

Solucin:

De acuerdo a la definicin se debe cumplir lo siguiente:

9
2
= + b
a
y
3
7
b
a + =

11
Desarrollando este sistema de ecuaciones obtenemos: 5 24 = a y 5 33 = b

Respuesta: En consecuencia, 5 57 = + b a .

3.2. Suma de matrices.- Las matrices se pueden sumar, si y slo si tienen la
misma dimensin y el resultado se obtiene sumando los elementos que
ocupan el mismo lugar en las matrices.

Ejemplo:
(
=
(
+ +
+ +
=
(
+
(
5 3
5 1
1 4 2 1
2 3 ) 1 ( 2
1 2
2 1
4 1
3 2

Problema:

Una empresa tiene tres libreras, y cada una de ellas tiene libros de
ficcin, de viajes y de deportes. Las cantidades de libros se tabulan como
sigue:

Librera Ficcin Viajes Deportes
1 300 300 100
2 300 100 240
3 50 150 200

Suponga que las entregas a cada librera estn representadas por D.
Calcule las existencias actualizadas.

(
(
(
=
30 40 60
30 40 60
20 40 60
D

Solucin:

Se crea una matriz con la cantidad de libros que tiene cada librera:

(
(
(
=
200 150 50
240 100 300
100 300 300
E

La entrega a las libreras viene dada por:

(
(
(
=
30 40 60
30 40 60
20 40 60
D

Entonces, las nuevas cantidades de libros en cada librera son:

(
(
(
=
(
(
(
+
(
(
(
230 190 110

270 140 360
120 340 360
30 40 60
30 40 60
20 40 60
200 150 50
240 100 300
100 300 300

12
Respuesta: Esto quiere decir que, si hacemos un inventario en las tiendas
debemos encontrar lo siguiente:

En la librera 1: 360 libros de ficcin, 340 libros de viajes y 120 libros de
deportes.

deportes.

deportes.

3.3. Producto de un nmero real por una matriz.- (Multiplicacin por un
Escalar) El producto de un nmero real k por una matriz
n m
A

es una matriz
que resulta de multiplicar el escalar por cada uno de elementos de la matriz.

Ejemplo: 2
(
=
(
2 16
0 8
1 8
0 4

Problema:

Suponga que las distancias, en millas, entre Annapolis, Baltimore y
Wahington, D.C., se expresan como sigue:

Annapolis Baltimore Washington
Annapolis 0 30 25
Baltimore 30 0 18
Washington 25 18 0

Si deseamos trazar un mapa cuya escala sea tal que 1 pulgada en el
papel corresponda a 5 millas de distancia real, Cul es la matriz de las
distancias del mapa?

Solucin:

Nuestros datos los podemos expresar en una matriz:

(
(
(
=
0 18 25
18 0 30
25 30 0
A

Como deseamos tener las distancias en pulgadas lo que debemos tener
presente que cada milla en el papel representar
5
1
de una pulgada. Por
lo tanto, la matriz que nos representa las distancias entre ciudades en
pulgadas es:

(
(
(
=
(
(
(
=
0 6 . 3 5
6 . 3 0 6
5 6 0
0 18 25
18 0 30
25 30 0
5
1
B

Respuesta: Esto quiere decir que la distancia entre Annapolis y Baltimore
ser de 6 pulgadas en el papel, entre Annapolis y Washington ser de 5
pulgadas y entre Baltimore y Washignton ser de 3.6 pulgadas en el papel.
13

3.4. Multiplicacin de matrices.- Dos matrices slo se pueden multiplicar si son
multiplicativamente conformes, y esto se verifica cuando el nmero de
columnas del multiplicando coincide con el nmero de filas del
multiplicador.

p m p n n m
C B A

=

Cuando se multiplican 2 matrices, el elemento
ij
c de la matriz producto, es
el producto del isimo vector fila de la primera matriz con el jsimo vector
columna de la segunda (Producto interior).

(
(
(
(
(
(
(
(
= |
.
|
\
|
= =

= =
= =

n
j
jp mj
n
j
j mj
n
j
jp j
n
j
j j
p m
j i
p m p n n m
b a b a
b a b a
c
C B A
1 1
1
1
1
1
1 1
L
M O M
L

Ejemplo:

Sea
(
=
1 5 4
2 3 1
A y
(
(
(
=
5 0
6 1
4 2
B . Hallar B A y A B .

Solucin:

(
=
(
+ + + +
+ + + +
=

41 13
32 5
) 5 )( 1 ( ) 6 ( 5 ) 4 ( 4 ) 0 )( 1 ( ) 1 ( 5 ) 2 ( 4
) 5 ( 2 ) 6 ( 3 ) 4 ( 1 ) 0 ( 2 ) 1 ( 3 ) 2 ( 1
2 2
2 3 3 2
B A
(
(
(
=
(
(
(
+ + +
+ + +
+ + +
=

5 25 20
4 33 25
0 26 18
) 1 ( 5 ) 2 ( 0 ) 5 ( 5 ) 3 ( 0 ) 4 ( 5 ) 1 ( 0
) 1 ( 6 ) 2 ( 1 ) 5 ( 6 ) 3 ( 1 ) 4 ( 6 ) 1 ( 1
) 1 ( 4 ) 2 ( 2 ) 5 ( 4 ) 3 ( 2 ) 4 ( 4 ) 1 ( 2
3 3
3 2 2 3
A B

Se puede observar que la propiedad conmutativa no se da en la
multiplicacin de matrices ( B A A B ), es por eso que definimos la
premultiplicacin y la postmultiplicacin. En el producto B A , B est
premultiplicando por A, mientras que A est postmultiplicado por B, y en el
producto A B , A est premultiplicado por B, mientras que B est
postmultiplicado por A.

Propiedades de la multiplicacin matricial:

a) |
.
|
\
|
= |
.
|
\
|

q p p n n m q p p n n m
C B A C B A : Asociativa.

14
b)
+ = |
.
|
\
|
+
+ = |
.
|
\
|
+

q p p n q p p n q p p n p n
p n n m p n n m p n p n n m
A C A B A C B
C A B A C B A
: Distributiva.

c) |
.
|
\
|
= |
.
|
\
|
= |
.
|
\
|

q p p n q p p n q p p n
C a B C B a C B a

d) A I A A I = = (A es una matriz cuadrada): Identidad multiplicativa.

e) 0 0 0 = = A A (A y 0 son matrices cuadradas).

Captulo II

Espacios Vectoriales

Observe los datos de poblacin para Estados Unidos en la dcada de 1800 a 1900.

AO 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890 1900
POBLACIN
(MILLONES)
5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 76.2

Visualice que el crecimiento de la poblacin es exponencial. Esa relacin que existe
entre x(aos) y P(poblacin) se representa mediante
kx
Ae P = para algunas constantes
A y k. Usando las propiedades de los logaritmos, se obtiene que ( ) ( ) kx A Ln P Ln + = .
Observe que ( ) P Ln tiene una relacin lineal.

As, si se espera una relacin exponencial se expresan los datos (x, P) en trminos de los
datos ( ) ( ) P Ln x, y se encuentra una solucin de mnimos cuadrados para reexpresar los
datos. Esto conduce a ( ) b mx P Ln + = y, por lo tanto,
b mx
e P
+
=

es el ajuste
exponencial.

a. Encuentre la recta de ajuste de mnimos cuadrados para los datos x e ( ) P Ln y = . El
crecimiento de la poblacin ser exponencial?
b. Suponiendo que la poblacin contina creciendo a la misma tasa, utilice la solucin
de mnimos cuadrados para predecir la poblacin en 1950.

TEMARIO 1. GEOMETRA DE MATRICES
2. ESPACIO VECTORIAL
3. COMBINACIN LINEAL
4. DEPENDENCIA E INDEPENDENCIA LINEAL
5. SISTEMA GENERADOR
6. BASES VECTORIALES
7. DIMENSIN DE UN ESPACIO VECTORIAL
8. SUBESPACIOS
9. INTERPRETACIN GEOMTRICA DEL DETERMINANTE
10. RANGO
11. REGRESIN MNIMO CUADRTICA
ESPACIOS VECTORIALES
100
1. Geometra de matrices

En esta parte del curso recordaremos conceptos de vectores, suma de vectores y
multiplicacin de un vector por un escalar.

1.1. Definicin de vector.- Designamos como vector, aquel elemento
matemtico, indicado por un segmento de recta orientado, y que nos permite
representar grficamente a una magnitud vectorial.

Los vectores se pueden representar en coordenadas o en forma matricial a
travs de vectores filas o columnas, siendo esta ltima la que utilizaremos.

Vectores del Espacio Coordenadas Matriz (Vector columna)
R
2
(x
1
, x
2
)
(
(
2
1
x
x

R
3
(x
1
, x
2
, x
3
)
(
(
(
3
2
1
x
x
x

R
4
(x
1
, x
2
, x
3
, x
4
)
(
(
(
(
(
4
3
2
1
x
x
x
x

M M M
R
n
(x
1
, x
2
, x
3
, x
4
, x
n
)
(
(
(
(
(
(
n
x
x
x
x
M
3
2
1

1.2. Componentes de un vector.- Recordemos como est compuesto un vector:

Origen: Es el punto donde se aplica el vector.
Direccin: Es la recta que contiene al vector. En el plano se define por el
ngulo medido en sentido antihorario desde el semieje positivo de las x.
Sentido: Nos indica hacia donde se dirige (orientacin).
Mdulo, norma, intensidad, magnitud o longitud: viene a ser el valor o
medida de la magnitud vectorial representada.

Sea un vector de R
n
:
= x
(
(
(
(
(
(
n
x
x
x
x
M
3
2
1

101
Entonces su magnitud ser:
=
=
+ + + +
= =
n
i
i
n
t
x
x x x x
x x
x
1
2
2 2
3
2
2
2
1
L
.

1.3. Suma de vectores y multiplicacin de un escalar con un vector.-
Recordemos con el ejemplo siguiente lo que es la suma de vectores y la
multiplicacin de un escalar con un vector.

Ejemplo: Si tenemos los siguientes vectores ( ) 2 , 1 = a y ( ) 1 , 2 = b , entonces
hallar b a + , a 2 , ( ) a
2
1
.

Solucin:

( ) ( ) 3 , 3 1 2 , 2 1 = + + = = + c b a

( ) ( ) 4 , 2 2 , 1 2 2 * = = = a a

( ) ( )( ) ( ) 1 , 2 , 1
2
1
2
1
2
1
* *
=
= = a a

En la grfica se observa los resultados de estas operaciones con vectores.

* *
a
1 2
-1
-1
1
2
3
3
4
a
b
c
*
a

1.4. Vectores ortogonales.- Dos vectores a y b son ortogonales, lo que
escribiremos a b , si y slo si 0 = = a b b a
t t
.

Ejemplo: identificar si los siguientes vectores son ortogonales.
a) ( ) 0 , 4 y ( ) 3 , 0 . b) ( ) 0 , 2 , 3 y ( ) 6 , 0 , 0 .

Solucin:

a) Usaremos matrices columnas:

(
=
0
4
a y
(
=
3
0
b | | 0
3
0
0 4 =
(
= b a
t
entonces a y b
son vectores ortogonales.
102
b) Usaremos matrices columnas:

(
(
(
=
0
2
3
a y
(
(
(
=
6
0
0
b | | 0
6
0
0
0 2 3 =
(
(
(
= b a
t
entonces a y b
son vectores ortogonales.

Representacin de vectores ortogonales en el espacio R
2
y R
3
.

1.5. Vector unitario u .- Es aquel vector que tiene un mdulo igual a la unidad
y cumple que 1 = u u
t
.

Normalizar.- Es transformar un vector cualquiera a su vector unitario, esto se
puede conseguir de la siguiente manera:

Sea a un vector de R
n
:

(
(
(
(
(
=
n
a
a
a
a
M
2
1
y
a
su norma, entonces lo transformamos en vector unitario
cuando:
(
(
(
(
(
(
=
|
|
|
.
|
\
|
=
a
a
a
a
a
a
a
a
a
n
u
M
2
1
1
.

Ejemplo: Normalizar el vector ( ) 4 , 4 = a .

Solucin:

Primero hallamos su norma: 2 4 4 4
2 2
= + =
a

Ahora efectuamos:
(
(
=
(
(
=
|
|
|
.
|
\
|
2 1
2 1
2 4 4
2 4 4 1
a
a

103
1 2 3 4 5 6
1
2
3
4
5
6
7
7

2. Espacio vectorial

Es un conjunto de vectores que est definido bajo la suma y la multiplicacin
escalar.

Ejemplos:

Espacio R
2
, si sumamos dos vectores del espacio R
2
, es decir:

(
+
+
=
(
+
(
d b
c a
d
c
b
a
, entonces obtenemos otro vector en R
2
, si multiplicamos un
escalar k a un vector de R
2
, es decir:

(
=
(
kb
ka
b
a
k , se obtiene otro vector que pertenece a R
2
.

En general, el conjunto de vectores de n elementos reales, es un espacio vectorial
de n dimensiones, designado por R
n
.

Otros ejemplos de espacios vectoriales son el Espacio de matrices
n m
M

, el
espacio de polinomios ) (t P , el espacio de Funciones ) (x F .

Propiedades de los espacios vectoriales:

1. R k k = 0 0 .

2. V v v = 0 0 .

3. ( ) ( ) ( ) v k v k v k = = .

4. 0 o 0 0 = = = v k v k Si .

Los espacios R
2
y R
3
son ejemplos de espacios vectoriales que se pueden
representar.

104
2
R :
* *
a
a
b
c
*
a

3
R :
1
2
3
5
x
y
z
a
1
2
3
1
2
3
5
4
4
4

3. Combinacin lineal

Un vector v es combinacin lineal de los vectores { }
n
v v v ..., , ,
2 1
si es el
resultado de sumar los productos de dichos vectores por escalares
n
k k k ..., , ,
2 1
:

=
= + + + =
n
i
i i n n
v k v k v k v k v
1
2 2 1 1
...

Ejemplos:
1. En R
3
, el vector
|
|
|
.
|
\
|
7
7
7
es una combinacin lineal de los vectores
|
|
|
.
|
\
|
|
|
|
.
|
\
|
1
3
5
4
2
1
y ya que: ( )
|
|
|
.
|
\
|
+
|
|
|
.
|
\
|
=
|
|
|
.
|
\
|
1
3
5
1
4
2
1
2
7
7
7
.
105
2. En
3 2
M , la matriz
|
|
.
|
\
|
3 9 1
8 2 3
es una combinacin lineal de
|
|
.
|
\
|
5 1 1
4 0 1
y
|
|
.
|
\
|

6 3 2
2 1 0
ya que:
|
|
.
|
\
|

+
|
|
.
|
\
|
=
|
|
.
|
\
|
6 3 2
2 1 0
2
5 1 1
4 0 1
3
3 9 1
8 2 3
.

3. Dados los vectores de R
3
:
|
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
2
3
5
,
1
3
1
,
0
1
1
exprese cada uno de ellos
como una combinacin lineal de los otros dos.

4. Calcule el valor de a para que el vector
|
|
|
.
|
\
|
0
3
2
sea una combinacin lineal de
los vectores
|
|
|
.
|
\
|
|
|
|
.
|
\
|
1
1
0
,
0
1
a
.

a
b
f
*
a
d
c
e
1

106
4. Dependencia e independencia lineal

Los vectores { }
n
v v v ..., , ,
2 1
son linealmente independientes (l.i) si ninguno de
ellos es combinacin lineal de los dems. Son linealmente dependientes (l.d) si al
menos uno de ellos es combinacin lineal de los dems.

Un conjunto de vectores { }
n
v v v ..., , ,
2 1
que genera con unicidad el vector cero
se denomina conjunto linealmente independiente. De no ser as ese conjunto de
vectores es linealmente dependiente.

Independencia lineal significa:

0
1
=
=
n
i
i i
v k implica que i k
i
= 0

Dependencia lineal significa:

0
1
=
=
n
i
i i
v k pero no todo 0 =
i
k

Interpretacin geomtrica:
1
a
2
a

Los vectores
1
a y
2
a son linealmente dependientes

1
a
2
a

Los vectores
1
a y
2
a son linealmente independientes

107
x
y
z
1
a
2
a
3
a

Los vectores
1
a ,
2
a , y
3
a son linealmente dependientes
x
y
z
1
a
3
a
2
a

Los vectores
1
a ,
2
a , y
3
a son linealmente independientes

Ejemplos:
1. Determine si los vectores
|
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
7
1
0
0
2
2
,
3
2
1
y son linealmente dependientes o
independientes.

Solucin:
Supongamos que
|
|
|
.
|
\
|
=
|
|
|
.
|
\
|
+
|
|
|
.
|
\
|
+
|
|
|
.
|
\
|
0
0
0
7
1
0
0
2
2
3
2
1
3 2 1
k k k de lo cual obtenemos las
siguientes ecuaciones:
0 7 0 3
0 1 2 2
0 0 2
3 2 1
3 2 1
3 2 1
= + +
= +
= + +
k k k
k k k
k k k

Luego de resolver obtenemos 0
1
= k , 0
2
= k y 0
3
= k .
108
De lo cual se concluye que por ser la nica solucin, estos vectores generan
con unicidad al vector 0 , por lo tanto son linealmente independientes.

2. Determine si los vectores
|
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
12
6
11
4
0
3
,
0
3
1
y son linealmente independientes
o dependientes.

Solucin:
Supongamos que
|
|
|
.
|
\
|
=
|
|
|
.
|
\
|
+
|
|
|
.
|
\
|
+
|
|
|
.
|
\
|
0
0
0
12
6
11
4
0
3
0
3
1
3 2 1
k k k , de donde obtenemos el
sistema:

0 12 4 0
0 6 0 3
0 11 3
3 2 1
3 2 1
3 2 1
= + +
= +
= + +
k k k
k k k
k k k

Desarrollando el sistema se obtiene lo siguiente:

0 3
0 2
3 2
3 1
= +
= +
k k
k k
, de lo que conclumos que existen infinidad de soluciones, por lo
tanto partimos de un valor, si 1
3
= k , entonces 3
2
= k y 2
1
= k , de manera
que puede verificarse,
|
|
|
.
|
\
|
=
|
|
|
.
|
\
|
+
|
|
|
.
|
\
|
|
|
|
.
|
\
|

0
0
0
12
6
11
1
4
0
3
3
0
3
1
2 , por lo tanto los
vectores son linealmente dependientes.

5. Sistema generador

Es un conjunto de vectores { }
s
v v v ..., , ,
2 1
de un espacio vectorial V, tales que
todo vector de V sea combinacin lineal de ellos. Es decir:

=
= + + + =
s
i
i i s s
v k v k v k v k v
1
2 2 1 1
...

Ejemplo:
El siguiente conjunto de vectores
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
2
3
,
5
1
,
4
2
es un sistema generador del
espacio R
2
, porque genera cualquier vector de R
2
como una combinacin lineal de
ellos, por ejemplo el vector
|
|
.
|
\
|
1
4
de R
2
, se escribe como una combinacin lineal de
109
ese conjunto. Es decir, ( )
|
|
.
|
\
|
=
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
1
4
2
3
1
5
1
1
4
2
1 y as con cualquier vector de
R
2
.

6. Bases vectoriales

Es un conjunto de vectores que adems de ser sistema generador de V son
linealmente independientes.

Una base para un espacio vectorial de n dimensiones es cualquier conjunto de n
vectores linealmente independientes en ese espacio.

Ejemplos:

a)
|
|
|
.
|
\
|
|
|
|
.
|
\
|
1
0
1
,
4
3
2
no son base de R
3
,
porque se necesita tres vectores
linealmente independientes del
espacio R
3
.

b)
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
3
4
,
1
1
,
2
1
no son base
de R
3
porque no son vectores del
espacio R
3
.

c)
|
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
3
29
0
,
0
7
3
,
1
5
2
no son
base porque a pesar que los tres
vectores son de R
3
no generan
con unicidad al vector cero.

d)
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
1
2
,
2
5
6
,
5
7
3
no son
base de R
3
, porque hay un vector
del espacio R
2
.

e)
|
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
1
1
1
,
1
1
1
,
1
1
1
si son una
base del espacio R
3
porque
generan con unicidad el vector
cero.

Nota: Se llaman bases cannicas de un espacio R
n
a un conjunto de vectores de la
forma siguiente:
|
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
|
.
|
\
|
=
1
0
0
0
, ,
0
1
0
0
,
0
0
1
0
,
0
0
0
1
3 2 1
M
L
M M M
n
e e e e

Ejemplo: Las bases cannicas de R
2
son:

|
|
.
|
\
|
=
|
|
.
|
\
|
=
1
0
0
1
2 1
e y e

110
7. Dimensin de un espacio vectorial

Sea el espacio vectorial V de dimensin finita y que posee una base
{ }
n
v v v v , , , ,
3 2 1
L , entonces la dimensin del espacio vectorial V es el nmero n
lo cual denotamos por dim V = n (donde n es el nmero de vectores que
constituyen una de las bases de V).

Observaciones:

Si V tiene como nico elemento el vector nulo, entonces la dimensin de V es
cero, es decir, dim { } 0 = 0.

Si V tiene una base infinita, la dimensin de V se denota por dim V = .

Ejemplo: Una base de R
4
es ( ) ( ) ( ) ( ) { } 1 , 0 , 0 , 0 ; 0 , 1 , 0 , 0 ; 0 , 0 , 1 , 0 ; 0 , 0 , 0 , 1 entonces su
dimensin es dim R
4
= 4.

8. Subespacios

Un subespacio vectorial S de un espacio vectorial V es un subconjunto de V que
tiene estructura de espacio vectorial.

Ejemplos:
4
3
2
1
1
2
3
4
5
1
2
3
4
5
0 = z

1
e
2
e
3
e
( ) 0 , 0 , 1
( ) 2 , 0 , 0
( ) 0 , 2 , 0
( ) 0 , 2 , 1
x
y
z
x y 2 =

En los dibujos tenemos los subespacios:
z = 0, x = 0, y = 0, y = 2x.
0
0 = y
0 = x
x y
Z
x
Z
y
111
Ejemplos:

1) Encuentre las ecuaciones del subespacio vectorial formado por los vectores
linealmente independientes ( ) ( ) 3 , 0 , 1 y 1 , 0 , 1
2 1
= = v v .

Solucin:
|
|
|
.
|
\
|
=
|
|
|
.
|
\
|
+
|
|
|
.
|
\
|
z
y
x
k k
3
0
1
1
0
1
2 1

Obteniendo la siguiente ecuacin del subespacio y = 0.

2 1
= = v v .

Solucin:
|
|
|
.
|
\
|
=
|
|
|
.
|
\
|
+
|
|
|
.
|
\
|
z
y
x
k k
0
2
1
2
0
0
2 1

De lo que se obtiene lo siguiente:
z k
x k
y k
=
=
=
1
2
2
2
2

Siendo la ecuacin del subespacio 2x = y.

linealmente independientes ( ) ( ) ( ) 1 , 0 , 1 , 0 y 2 , 1 , 1 , 1 ; 1 , 1 , 0 , 1
3 2 1
= = = v v v .

Solucin:
|
|
|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|
+
|
|
|
|
|
.
|
\
|
+
|
|
|
|
|
.
|
\
|
w
z
y
x
k k k
1
0
1
0
2
1
1
1
1
1
0
1
3 2 1

De lo que obtengo lo siguiente:

w k k k
z k k
y k k
x k k
= + +
= +
= +
=
3 2 1
2 1
3 2
2 1
2

Siendo la ecuacin del subespacio 0 = + w y x .

112
2 1
= = v v .

Nota: El espacio generado por un conjunto de vectores en R
k
tiene como mximo
k dimensiones. Si este espacio tiene menos de k dimensiones, es un subespacio, o
hiperplano. La idea fundamental es que cada conjunto de vectores genera algn
espacio; puede ser el espacio entero en el cual residen los vectores, o puede ser
algn subespacio de l.

9. Interpretacin geomtrica del determinante

Si las filas (o columnas) de una matriz cuadrada se interpretan como vectores de
R
n
y el determinante es no nulo entonces dichos vectores son linealmente
independientes.

9.1. Interpretacin geomtrica del determinante de una matriz de orden 2.-
Sean los vectores de R
2
:
|
|
.
|
\
|
=
|
|
.
|
\
|
=
3
2
1
4
b y a , ahora con ellos formamos una
matriz
(
=
(
=
3 1
2 4
b a A .

( )
21 11
, a a
( )
22 21
, a a
22 21
12 11
a a
a a
rea =
R
22 12
a a +
22
a
11
a
22 12
a a +
12
a
P
Q
21
a

El rea del paralelogramo, formado por las columnas de A, puede obtenerse
mediante la manipulacin de tringulos contenidos en l.
1
b
1
a
2
a
2
b
x
y
113
El resultado es ( ) ( ) 10 2 1 3 4 = , siendo este valor el determinante de la matriz
A. Si estos vectores fuesen linealmente dependientes, entonces no se
obtendra un rea, por lo tanto el determinante sera nulo.

9.2. Interpretacin geomtrica del determinante de una matriz de orden 3.-
Sean 3 vectores de R
3
y con ellos formamos una matriz, entonces el volumen
(del paraleleppedo) que forman los paralelogramos para los vectores dados,
representar el determinante de esa matriz. En el caso que no se forme
ningn volumen, es decir que exista al menos una columna que dependa de
las otras dos, entonces el determinante ser cero ya que no existe volumen.

( )
13 12 11
, , a a a
( )
23 22 21
, , a a a
( )
33 32 31
, , a a a
x
y
z
=
vectores tres los
con construdo
pedo paralelep
del volumen el
33 32 31
23 22 21
13 12 11
a a a
a a a
a a a

Este resultado general se cumple tambin, con dimensiones superiores.

10. Rango

Se puede asociar a toda matriz un nmero muy importante que toma el nombre de
rango. Una matriz A de orden mn tiene n vectores columna, cada uno con m
componentes. El mayor nmero de esos vectores columna de A que forman un
conjunto linealmente independiente se llama el rango columna de A y se designa
por r
c
(A). El mayor nmero de vectores filas que forman un conjunto linealmente
independiente se llama rango fila de A y se designa por r
f
(A).

El rango fila r
f
(A) y el rango columna r
c
(A) de una matriz tienen la misma
dimensin, por lo tanto hablaremos slo de rango r (A).

Se utilizar el trmino rango completo para describir una matriz cuyo rango es
igual al nmero de columnas que contiene.

Se puede caracterizar el rango de una matriz en trminos de los menores no nulos
de la matriz.

Menor.- Se llama menor de orden k de A al determinante de una submatriz de A
que resulta de suprimir todas las filas de A salvo k de ellas y suprimir todas las
columnas de A salvo k de ellas.

Aprenderemos a hallar los menores para luego calcular el rango.

Ejemplo: Hallar los menores de la matriz:

|
|
|
.
|
\
|
=
1 2 2 0
2 4 2 0
1 2 0 1
A

Solucin:

a) 4 menores de orden 3. Se obtienen suprimiendo una columna.

114
0
1 2 2
2 4 2
1 2 0
; 0
1 2 0
2 4 0
1 2 1
; 2
1 2 0
2 2 0
1 0 1
; 4
2 2 0
4 2 0
2 0 1
= = = =

b) 18 menores de orden 2. Se obtienen suprimiendo una fila y dos columnas de
todas las formas posibles. Dos de ellos son:

2
2 0
0 1
= (Se obtiene suprimiendo la tercera fila y la tercera y cuarta
columna).

2
1 2
1 0
= (Se obtiene suprimiendo la segunda fila y la primera y tercera
columna).

c) 12 menores de orden 1. Son los 12 elementos de A.

El rango r(A) de la matriz A es igual al orden de un menor no nulo de A de
orden mximo.

Ejemplo:

Analizar si los vectores son linealmente independientes:

a) ( ) 1 , 1 , 1 , 1 ; ( ) 0 , 1 , 1 , 1 ; ( ) 0 , 0 , 1 , 1 .
b) ( ) 3 , 2 , 1 ; ( ) 1 , 0 , 5 ; ( ) 0 , 1 , 4 ; ( ) 1 , 1 , 2 .
c) ( ) 1 , 0 , 1 ; ( ) 3 , 0 , 1 .
d) ( ) 0 , 5 , 1 , 3 ; ( ) 1 , 9 , 2 , 6 ; ( ) 1 , 6 , 1 , 3 .
e) ( ) 1 , 1 , 0 , 1 ; ( ) 2 , 1 , 1 , 0 ; ( ) 1 , 0 , 1 , 1 ; ( ) 1 , 2 , 1 , 3 .

Solucin:

a) Primero debemos formar una matriz de tal manera que cada vector sea una
columna de dicha matriz.
(
(
(
(
=
0 0 1
0 1 1
1 1 1
1 1 1
A ; luego hallamos los menores de orden 1, comenzando por la
parte superior izquierda (Slo para llevar un orden).
0 1 1 = , como este menor de orden 1 es diferente de cero, entonces el
Rango es por lo menos uno.

Hallamos los menores de orden 2, comenzando por la parte superior izquierda,
0
1 1
1 1
= ; buscamos algn otro menor de orden 2 que sea diferente de cero;
1
0 1
1 1
= como este menor de orden 2 es diferente de cero, entonces el
Rango es por lo menos dos.

115
Hallamos los menores de orden 3, comenzando por la parte superior
izquierda, 0 0 1 1
1 1
1 1
1
0 1
1 1
1
0 1
1 1
1
0 1 1
1 1 1
1 1 1
= + + = + = ,
buscamos algn otro menor de orden 3 que sea diferente de cero;
( ) ( ) 1 1 1 0 1 0
0 1
1 1
1
0 1
0 1
1
0 0
0 1
1
0 0 1
0 1 1
1 1 1
= + = + = , como
este menor de orden 3 es diferente de cero, entonces el Rango es por lo
menos 3.

Ya no podemos hallar menores de orden mayor que tres, por lo tanto
r(A) = 3. Por tanto, en este caso estos tres vectores columna del espacio R
4

son linealmente independientes.

b) Primero debemos formar una matriz de tal manera que cada vector sea una
(
(
(
=
1 0 1 3
1 1 0 2
2 4 5 1
A , luego hallamos los menores
de orden 1, comenzando por la parte superior izquierda (Slo por orden);
0 1 1 = , como este menor de orden 1 es diferente de cero, entonces el
Rango es por lo menos uno.

( ) 10 10 0
0 2
5 1
= =
, como este menor de orden 2 es diferente de cero,

entonces el Rango es por lo menos dos.

6
0 1 3
1 0 2
4 5 1
= , como este menor de orden 3 es diferente de cero, entonces
el Rango es por lo menos 3.

Ya no podemos hallar menores de orden mayor que tres, por lo tanto esa
matriz es de r(A) = 3. Por tanto, en este caso las tres primeras columnas
son vectores linealmente independientes del espacio R
3
.

c) Primero debemos formar una matriz de tal manera que cada vector sea una
(
(
(

=
3 1
0 0
1 1
A , luego hallamos los menores de orden
1, comenzando por la parte superior izquierda. 0 1 1 = , como este menor
de orden 1 es diferente de cero, entonces el Rango es por lo menos uno.

Captulo III

Sistemas de Ecuaciones
Lineales

La compaa constructora Madison se encargar de edificar almacenes, pisos y torres a
base de dos tipos de materiales: hierro y madera. Para la construccin de un almacn se
precisa una unidad de hierro y ninguna de madera, para la construccin de un piso se
precisa de una unidad de cada material y para la de una torre se necesitan 4 unidades de
hierro y una de madera. Conociendo que la compaa slo dispone de 16 unidades de
hierro y 5 de madera.
a. Determine, utilizando slo lgebra Matricial, Cuntos almacenes, pisos y torres se
pueden construir empleando todas las unidades posibles?
b. Si el precio de cada almacn es de 6 u.m, el de cada piso es 2 u.m y el de cada torre
4 u.m. Hay algn plan de produccin que cueste 28 u.m.? Si lo hay indicarlo y sino
justifique su respuesta. Qu se puede concluir de los resultados?

TEMARIO 1. DISPOSICIN MATRICIAL DE UN SISTEMA DE
ECUACIONES LINEALES
2. CLASIFICACIN DE UN SISTEMA DE ECUACIONES
LINEALES DE ACUERDO A SU SOLUCIN
3. GEOMETRA DE UN SISTEMA DE ECUACIONES
LINEALES
4. CLASIFICACIN DE UN SISTEMA DE ECUACIONES
LINEALES DE ACUERDO AL VECTOR b
5. MTODOS DE RESOLUCIN DE UN SISTEMA DE
ECUACIONES LINEALES
6. MTODOS DE RESOLUCIN DE UN SISTEMA DE
ECUACIONES LINEALES HOMOGNEO
172
1. Disposicin matricial de un sistema de ecuaciones
lineales

Partiremos de un sistema de n incgnitas y m ecuaciones, cuya forma es:

m n mn m m m
n n
n n
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
= + + + +
= + + + +
= + + + +
L
M M M M O M M M M M M
L
L
3 3 2 2 1 1
2 2 3 23 2 22 1 21
1 1 3 13 2 12 1 11

Dando la forma matricial:

(
(
(
(
(
mn m m m
n
n
a a a a
a a a a
a a a a
L
M O M M M
L
K
3 2 1
2 23 22 21
1 13 12 11
(
(
(
(
(
n
x
x
x
M
2
1
=
(
(
(
(
(
m
b
b
b
M
2
1

b x A =

Donde:

A: Es la matriz de coeficientes que acompaan a las variables.

x : Es el vector columna de variables.

b : Es el vector columna de trminos independientes.

Ejemplo 1: Dar forma matricial al siguiente sistema de ecuaciones lineales:

( )
dY c T
T Y b a G
G I C Y
+ =
+ =
+ + =

Las variables son Y, C, T.

Solucin:

Reordenando el sistema, colocando las variables al lado izquierdo y las constantes
al lado derecho nos queda:

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ) c T C Y d
G a T b C Y b
G I T C Y
= + +
= + +
+ = + +
1 0
0
0 1 1

Dando forma matricial:
(
(
(

1 0
0
0 1 1
d
b b
(
(
(
T
C
Y
=
(
(
(
+
c
G a
G I

SISTEMAS DE ECUACIONES LINEALES
173
Ejemplo 2: Dar forma matricial al siguiente sistema de ecuaciones lineales:

0
0
1 0
G I C Y
T Y Y
v eY di c I
u bY a C
d
t
d
+ + =
=
+ + + =
+ + =

Las variables son Y, C, I.

Solucin:

Reordenando el sistema y colocando las variables al lado izquierdo y las
constantes al lado derecho, tenemos:

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
0
1 0
0
1 1 1
1 0 0
0 1
G I C Y
v eY di c I C Y
u bT a I C Y b
t
= + +
+ + + = + +
+ = + +

(
(
(
1 1 1
1 0 0
0 1 b
(
(
(
I
C
Y
=
(
(
(
+ + +
+
o
t o
o
G
v eY di c
u bT a
1
.

2. Clasificacin de un sistema de ecuaciones de
acuerdo a su solucin
Se puede clasificar en:

2.1. Sistema incompatible.- Si el sistema carece de solucin (llamado tambin
sistema inconsistente).

2.2. Sistema compatible determinado.- Si tiene solucin nica cada variable
(llamado sistema consistente determinado).

2.3. Sistema compatible indeterminado.- Si tiene infinitas soluciones (llamado
sistema consistente indeterminado).

Cmo saber cundo un sistema puede ser clasificado de acuerdo a los criterios
anteriores?

La discusin de la solucin del sistema la haremos a travs del Teorema de
RouchFrbenius.

Pasos a seguir para identificar que tipo de solucin tiene el sistema por el teorema
de RouchFrbenius:

Tener el sistema en la forma matricial b x A = .

Hallar el nmero de incgnitas en el sistema: n.

Analizar el rango de A, ( ) r A Rango = .

Analizar el rango de A aumentada en la columna B, ' / r b A Rango = |
.
|
\
|
.
174
Condiciones:

1. Si ' r r : el sistema es incompatible.

2. Si n r r = = ' el sistema es compatible determinado.

3. Si n r r < = ' el sistema es compatible indeterminado.

Grado de indeterminacin: Nos indica cuntas variables necesitamos como dato
para poder encontrar una solucin. Se calcula mediante la diferencia entre el
nmero de incgnitas y el rango del sistema.

Ejemplo:

1.
=
=
13 2 2
7
y x
y x
Sistema incompatible

Solucin: { } .

2.
= + +
= + +
= +
11 2 4
9 3 2
4 3
z y x
z y x
z y x
Sistema compatible determinado

Solucin:
(
(
(
=
=
=
3
2
1
z
y
x
.

3.
= + +
= + +
= +
6 7 4
9 2 5 2
4 2
z y x
z y x
z y x
Sistema compatible indeterminado

Solucin: infinitas soluciones para cada variable.

4.
=
= +
=
4 4
2 2
5 2
y x
z y x
z y
Sistema incompatible

Solucin: { } .

3. Geometra de un sistema de ecuaciones lineales

3.1. Dos ecuaciones lineales con dos incgnitas.- Consideremos el siguiente
sistema de dos ecuaciones lineales con dos incgnitas x y y:

2 22 21
1 12 11
b y a x a
b y a x a
= +
= +

175
Donde
11
a ,
12
a ,
21
a ,
22
a ,
1
b y
2
b son nmeros dados. Sabemos que la
grfica de cada una de las ecuaciones es una recta (excepto en los casos
extremos 0 0 0 y 0 0 0 = + = + b y x y x ). A continuacin se presenta una
interpretacin geomtrica de cada una de las posibles soluciones de un
sistema de dos ecuaciones lineales con dos incgnitas, a travs de ejemplos:

a) Sistema incompatible

Consideremos el siguiente sistema:

=
=
13 2 2
7
y x
y x

Desarrollando este sistema se obtiene lo siguiente 13 14 = , lo cual es
falso. Por lo tanto, estamos frente a un sistema que no tiene solucin.

Geomtricamente:

y
x

En la grfica se observan dos rectas paralelas y distintas, lo que indica
que no hay solucin por no tener interseccin.

b) Sistema compatible determinado


= +
=
5
7
y x
y x

Desarrollando este sitema se obtiene lo siguiente 6 = x y 1 = y . Por lo
tanto, estamos frente a un sistema con solucin nica.

Geomtricamente:
( ) 1 , 6
y
x

176
En la grfica se observan dos rectas con pendiente diferente. Por lo tanto,
se cortan en un punto, lo cual indica que existe una solucin nica.

c) Sistema compatible indeterminado


=
=
14 2 2
7
y x
y x

Desarrollando este sistema se obtiene 0 0 = . Esto siempre se cumple, es
decir estamos ante dos ecuaciones que son equivalentes. Por lo tanto,
tenemos un sistema que tiene infinitas soluciones.

Geomtricamente:

y
x

Se puede observar que se tienen dos rectas paralelas que coinciden. Es
decir, se tienen un nmero infinito de puntos de interseccin; razn por
la cual el sistema tiene infinitas soluciones.

3.2. Tres ecuaciones lineales con tres incgnitas.- Consideremos el siguiente
sistema de tres ecuaciones lineales con tres incgnitas x, y y z:

3 33 32 31
2 23 22 21
1 13 12 11
b z a y a x a
b z a y a x a
b z a y a x a
= + +
= + +
= + +

Donde:
11
a ,
12
a ,
13
a
21
a ,
22
a ,
23
a ,
31
a ,
32
a ,
33
a ,
1
b ,
2
b y
3
b son nmeros
dados. Sabemos que la grfica de cada una de las ecuaciones dadas es un
plano (excepto en los casos extremos 0 0 0 0 = + + z y x y
0 0 0 0 = + + b z y x ). Acontinuacin se presenta una interpretacin
geomtrica de cada una de las posibles soluciones de un sistema de tres
ecuaciones lineales con tres incgnitas, a travs de ejemplos:

a) Sistema incompatible


=
= +
=
4 4
2 2
5 2
y x
z y x
z y

177
Desarrollando este sistema se obtiene lo siguiente 5 0 = , lo cual es falso.
Por lo tanto, estamos frente a un sistema que no tiene solucin.
Geomtricamente:
S
e

o
b
s
e
r
v
a
,

e
n

Los grficos de los tres planos, en vistas diferentes, no tienen
interseccin comn a los tres. Esto muestra con claridad la conclusin
obtenida de forma algebraica (el sistema no tiene solucin).

Otros casos donde no se tiene solucin:

Al menos dos de los planos son paralelos y distintos.

Dos planos paralelos, intersecados por el tercero.

178
b) Sistema compatible determinado
= + +
= + +
= +
11 2 4
9 3 2
4 3
z y x
z y x
z y x

Desarrollando este sitema se obtiene 1 = x , 2 = y y 3 = z . Por lo tanto,
estamos frente a un sistema con solucin nica.
Geomtricamente:

En la grfica se puede observar como los tres planos se intersectan en un
solo punto, razn por la cual el sistema tiene solucin nica.
c) Sistema compatible indeterminado

= + +
= + +
= +
6 7 4
9 2 5 2
4 2
z y x
z y x
z y x

Desarrollando este sitema se obtiene 0 0 = , lo cual siempre es
verdadero. Es decir, el sistema tiene infinitas soluciones.
Geomtricamente:

179
En la figura se observa que los tres planos se intersectan en una misma
recta, por lo cual, cada punto de esta recta indica una solucin. Es decir,
un nmero infinito de soluciones.

Otros casos donde se obtienen infinitas soluciones son:

Los tres planos coinciden. Entonces cada punto sobre el plano es un
una solucin. As se tiene un nmero infinito de soluciones.

Dos de los planos coinciden e intersectan a un tercero en una recta.
Es decir cada punto sobre la recta es una solucin. Por lo tanto, existe
un nmero infinito de soluciones.

4. Clasificacin de un sistema de ecuaciones lineales
de acuerdo al vector
b
uur

Se clasifica en:

4.1. Sistema de ecuaciones homogneo.- Es un sistema de ecuaciones que
adopta la forma A x = 0 .

180
Ejemplo:
(
(
(
=
(
(
(
(
(
(
0
0
0
11 5 5
8 6 13
2 9 3
z
y
x

4.2. Sistema de ecuaciones no homogneo.- Es un sistema que adopta la
forma b x A = , donde b es un vector no nulo.

Ejemplo:
(
(
(
=
(
(
(
(
(
(

10
6
4
3 2 9
2 4 5
1 3 1
z
y
x

5. Mtodos de resolucin de un sistema de ecuaciones
lineales

5.1. Mtodo de la matriz inversa.- Se podr utilizar cuando tengamos un
sistema de n ecuaciones con n incgnitas, y se verifique que el ( ) 0 A Det
(las condiciones anteriores implican que nuestro sistema sea compatible).

Esto es:
x A = b
x A A
1
= b A
1

x I = b A
1

x = b A
1

Esto significa que para poder hallar el vector columna de variables debemos
hallar la inversa de A (
1
A ) y despus debe ser postmultiplicada por el vector
columna de trminos independientes b .

Ejemplo: Resolver el siguiente sistema de ecuaciones por el mtodo de la
matriz inversa.

6 3
2 3
12 3 4 2
4 2
4 3 2 1
4 3 2 1
4 3 2 1
4 3 2 1
= +
= + +
= + + +
= + + +
x x x x
x x x x
x x x x
x x x x

Solucin:


(
(
(
(
=
(
(
(
(
(
(
(
(
(

6
2
12
4
1 3 1 1
1 1 1 3
1 3 4 2
1 2 1 1
4
3
2
1
x
x
x
x

181
Hallando la inversa de A:

(
(
(
(
3 1 0 3 1 1
8 1 8 1 0 4 1
48 5 16 1 3 1 8 3
16 3 16 5 0 8 1
1
A

Efectuando
1
A b :

(
(
(
(
=
(
(
(
(
(
(
(
(
2
2
2
0
6
2
12
4
3 1 0 3 1 1
8 1 8 1 0 4 1
48 5 16 1 3 1 8 3
16 3 16 5 0 8 1
1
b A

De lo que se concluye:

(
(
(
(
=
(
(
(
(
(
2
2
2
0
4
3
2
1
x
x
x
x

5.2. Mtodo de Cramer.- Se podr utilizar cuando se pueda reducir nuestro
sistema a n ecuaciones con n incgnitas, y se verifique que el ( ) 0 A Det ,
(las condiciones anteriores implican que nuestro sistema sea compatible).

Procedimiento:

1. Hallar el determinante de A: ( ) A Det .

2. Definir la variable a la cual deseamos encontrar su solucin.

3. Crear una matriz, a partir de la matriz A, cambiando la columna de
constantes que afecta la variable a determinar, por la columna de los
trminos independientes.

4. Hallar el determinante de esa matriz modificada.

5. Dividir el determinante de la matriz modificada entre el determinante de
la matriz A.

n n nn n n n
n n
n n
b x a x a x a x a
b x a x a x a x a
b x a x a x a x a
= + + + +
= + + + +
= + + + +
L
M M M M O M M M M M M
L
L
3 3 2 2 1 1
2 2 3 23 2 22 1 21
1 1 3 13 2 12 1 11

(
(
(
(
(
nn n n n
n
n
a a a a
a a a a
a a a a
L
M O M M M
L
K
3 2 1
2 23 22 21
1 13 12 11
(
(
(
(
(
n
x
x
x
M
2
1
=
(
(
(
(
(
n
b
b
b
M
2
1

182
A x = b

Para hallar las variables efectuamos el mtodo de Cramer:

nn n n
n
n
nn n n
n
n
a a a
a a a
a a a
a a b
a a b
a a b
x
L
M O M M
L
L
L
M O M M
L
L
2 1
2 22 21
1 12 11
2
2 22 2
1 12 1
1
= ,
nn n n
n
n
nn n n
n
n
a a a
a a a
a a a
a b a
a b a
a b a
x
L
M O M M
L
L
L
M O M M
L
L
2 1
2 22 21
1 12 11
1
2 2 21
1 1 11
2
= ,

nn n n
n
n
n n n
n
a a a
a a a
a a a
b a a
b a a
b a a
x
L
M O M M
L
L
L
M O M M
L
L
2 1
2 22 21
1 12 11
2 1
2
2
2 21
1 12 11
=

Ejemplo: Resolver el siguiente sistema de ecuaciones por el mtodo de
Cramer.

6 3
2 3
12 3 4 2
4 2
4 3 2 1
4 3 2 1
4 3 2 1
4 3 2 1
= +
= + +
= + + +
= + + +
x x x x
x x x x
x x x x
x x x x

Solucin:


(
(
(
(
=
(
(
(
(
(
(
(
(
(

6
2
12
4
1 3 1 1
1 1 1 3
1 3 4 2
1 2 1 1
4
3
2
1
x
x
x
x

183
Resolviendo por Cramer:

0
48
0
1 3 1 1
1 1 1 3
1 3 4 2
1 2 1 1
1 3 1 6
1 1 1 2
1 3 4 12
1 2 1 4
1
= =

= x 2
48
96
1 3 1 1
1 1 1 3
1 3 4 2
1 2 1 1
1 3 6 1
1 1 2 3
1 3 12 2
1 2 4 1
2
= =

= x

2
48
96
1 3 1 1
1 1 1 3
1 3 4 2
1 2 1 1
1 6 1 1
1 2 1 3
1 12 4 2
1 4 1 1
3
= =

= x 2
48
96
1 3 1 1
1 1 1 3
1 3 4 2
1 2 1 1
6 3 1 1
2 1 1 3
12 3 4 2
4 2 1 1
4
=

= x

5.3. Mtodo de eliminacin de GaussJordan.- Es usado para cualquier tipo de
sistema de ecuaciones lineales.

Este mtodo puede indicarnos que tipo de solucin da nuestro sistema de
ecuaciones lineal.

Para entender este mtodo debemos dar alguna idea de transformaciones
elementales.

Operaciones o transformaciones elementales

Trabajaremos con filas (tambin se puede trabajar con columnas).

Si se tiene una matriz y se le aplica una operacin elemental, aquella matriz
resultante toma el nombre de matriz elemental.

Tenemos tres operaciones elementales:

Tipo I: Intercambian filas (o columnas):
F
i j
F
i
F
j
C
i j
C
i
C
j

Tipo II: Multiplicar una fila (o columna) por un nmero distinto de cero:

) (t
i
F t F
i

) (t
i
C t C
i

Tipo III: Sumar a una fila (o columna) un mltiplo de otra fila (o
columna):

) (t
ij
F F
i
+ t F
j

) (t
ij
C C
i
+t C
j

Captulo IV

Autovalores y Autovectores

En una zona geogrfica que contiene varias ciudades se venden dos marcas diferentes,
A y B, de leche esterilizada. Las estadsticas de los estudios de mercado realizados en
los ltimos meses nos indica la proporcin de personas que cambia de marca de leche
cada mes. Este cambio est motivado por diferentes razones como el precio, la
propaganda, etc. Para ello se sabe que la proporcin de clientes de la marca A que sigue
comprando mensualmente la misma marca es
10
8
. Por otra parte la proporcin de
clientes que se mantiene con la marca B es
10
7
. Si se sabe que en un inicio ambas
marcas se dividan el mercado en forma equitativa. A lo largo del tiempo, Cmo sern
las proporciones para cada marca? (Suponer que la suma de los clientes de ambas
marcas se mantienen constantes a lo largo del tiempo).

TEMARIO 1. INTRODUCCIN
2. AUTOVALORES Y AUTOVECTORES
3. MATRICES SEMEJANTES
4. DIAGONALIZACIN
5. MATRICES SIMTRICAS Y DIAGONALIZACIN
ORTOGONAL
1. Introduccin

Los autovalores y autovectores son herramientas invaluables en el estudio de
sistemas de ecuaciones lineales y no lineales; tambin juegan un papel importante
en muchos aspectos de la Teora Econmica. Ellos son los componentes de
soluciones explcitas de modelos dinmicos lineales. Adems, los signos de los
autovalores determinan la estabilidad para el equilibrio de modelos dinmicos no
lineales. Consecuentemente, ellos juegan un rol central en las condiciones de
segundo orden, que distinguen un mximo de un mnimo en la optimizacin de
problemas econmicos. Tambin nos sirven para resolver sistemas de ecuaciones
diferenciales y para resolver procesos de Markov.

2. Autovalores y autovectores

El autovalor llamado tambin raz caracterstica, valor propio, valor caracterstico,
valor invariante, valor latente, eingenvalor (eingen = propio, es una palabra
alemana), etc. Se representar por (lambda).

El autovector llamado tambin vector caracterstico, vector propio, vector
invariante, vector latente, eingenvector, etc. Lo representaremos con c .

Veamos un ejemplo que nos permita entender su uso:

Ejemplo:

Suponer un proceso lineal dependiente, en el que el valor de un instante est en
funcin del instante anterior.

t 1
1
2
6 8
y x y
y x x
t t
t t t
=
+ =
+
+


t t
t
t
t
t
z A z
y
x
y
x
=
(
(
=
(
(
+
+
+
1
1
1
1 2
6 8

Si consideramos t = 0 como el instante inicial, entonces tenemos:

| |
| |
| |
0 0
1
1
0
3
0
2
3 2 3
0
2
0 2 1 2
0 1
z A z A A z z A z
z A z A A z z A z
z A z A A z z A z
z A z
t t
t t t
= = =
= = =
= = =
=
M

Si conocemos
0
z , se puede calcular el proceso en cualquier instante de acuerdo a
la siguiente ecuacin:

0
z A z
t
t
= (I)

Observando la expresin anterior nos damos cuenta que el clculo ms
complicado es hallar
t
A , conforme t sea ms grande ms laborioso resultar su
clculo. Para evitar este engorroso trabajo, consideremos una matriz C.

(
=
1 2
2 3
C

Que es invertible:

(
3 2
2 1
1
C

Se verifica que:

(
=
(
5 0
0 4
1 2
2 3
1 2
6 8
3 2
2 1
1
C A C

Observamos que se forma una matriz diagonal:

D C A C =
1

Podemos hallar A:

1
1 1
1

=
=
=
C D C A
C D C C C A
D C C A C C

Si deseamos hallar
t
A :

( ) ( ) ( ) ( )
4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 2 1
L
veces t
t
t
C D C C D C C D C C D C A
1 1 1 1
= =

Reagrupando obtenemos:

( ) ( ) ( )
1
1 1 1 1

=
=
C D C A
C D C C D D C C D C C D C A
t t
t
L

Si reemplazamos en la ecuacin (I) tenemos:

0
1
z C D C z
t
t
=

Ahora nosotros debemos hallar
t
D :

( )
( )
4 0 4 0
0 5
0 5
t t
t
t
D
(
(
( = =
(
(

Recordar, que si tenemos una matriz diagonal y nos piden dicha matriz elevada a
la potencia t entonces podemos encontrarla de forma rpida de la siguiente
manera:

( )
( )
( )
(
(
(
(
(
=
(
(
(
(
(
=
t
nn
t
t
t
nn
t
d
d
d
d
d
d
D
L
M O M M M
L
L
L
M O M M M
L
L
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
0 0 0
22
11
12
11

Esta simplificacin sugiere estudiar lo siguiente: si dada una matriz cuadrada A, se
puede encontrar una matriz invertible C, tal que C A C
1
sea una matriz
diagonal.

Veremos algunas caractersticas de esta matriz C:

El producto de A por cada uno de los vectores columna de C tiene como resultado:

(
=
(
=
(
2
3
4
8
12
2
3
1 2
6 8

(
=
(
=
(
1
2
5
5
10
1
2
1 2
6 8

Observamos que 4 y 5 son los elementos de esa matriz diagonal D y nos damos
cuenta como estn relacionados con las columnas de la matriz C. Si denotamos
como
1
y
2
los elementos de la diagonal D y por
1
c y
2
c las dos columnas de
la matriz C, entonces se cumple que:

1 1 1
c c A =

2 2 2
c c A =

O equivalentemente:

D c c c c A
(
=
(
2 1 2 1

Es decir:
D C C A =

Los vectores
1
c y
2
c se llaman vectores propios de A, mientras que los escalares
1
y
2
se llaman autovalores.

En este captulo nos dedicaremos al estudio de los valores y vectores propios de
matrices cuadradas reales, por lo tanto a la diagonalizacin de estas matrices.

Por lo mostrado anteriormente, un conjunto til de resultados para analizar una
matriz A, surge de las soluciones al conjunto de ecuaciones:

c c A =

Donde c es un vector no nulo, las soluciones de la anterior ecuacin matricial son
los vectores caractersticos c y las races caractersticas .

(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
(
(
(
(
n n nn n n n
n
n
n
c
c
c
c
c
c
c
c
a a a a
a a a a
a a a a
a a a a
M M
L
M O M M M
L
L
L
3
2
1
3
2
1
3 2 1
3 33 32 31
2 23 22 21
1 13 12 11

n nn n n n
n
n
c a c a c a c a
c a c a c a c a
c a c a c a c a
= + + + +
= + + + +
= + + + +
L
M M
L
L
3 3 2 2 1 1
2 2 3 23 2 22 1 21
1 1 3 13 2 12 1 11

Observamos que tenemos n ecuaciones y 1 + n incgnitas ( )
, , , ,
2 1 n
c c c L
.
Para eliminar la indeterminacin, en algunos casos se normaliza c de modo que:

1
1
2 2
3
2
2
2
1
= + + + +
=
n
t
c c c c
c c
L

La solucin est constituidapor y las ( ) 1 n incgnitas de c .

Ecuacin caracterstica:

( ) 0
0

tica caracters matriz
=
=
=
=
c I A
c I c A
c I c A
c c A
43 42 1

Aqu tenemos un sistema homogneo donde deseamos un vector c no nulo. Por
lo tanto, la solucin de este sistema va ser compatible indeterminada y debe
cumplir:

( ) 0 = = I A I A Det

La expresin anterior toma el nombre de ecuacin caracterstica, la cual forma
un polinomio en de grado n que depende del orden de la matriz cuadrada A. Este
polinomio (polinomio caracterstico) puede dar como respuesta valores complejos
conjugados, valores reales distintos, valores repetidos e incluso 0. A estos valores
se les conoce como autovalores.

Multiplicidad algebraica.- Es el nmero de veces que aparece el autovalor como
raz del polinomio caracterstico.
Una definicin que se deriva de lo visto anteriormente es el autovalor de A, que es
un nmero tal que cuando lo sustraemos de cada elemento de la diagonal
principal convierte a la matriz A en una matriz singular.
Propiedades de los autovalores con respecto a algunas matrices:
Si la matriz cuadrada es simtrica, siempre los autovalores van a ser valores
reales (distintos, valores repetidos e incluso 0).
Si tenemos una matriz diagonal A, entonces sus autovalores son los elementos de
la diagonal.
8
5
8 0
0 5

2
1
=
=
(
=

A

Si tenemos una matriz triangular (ya sea superior o inferior), entonces sus
autovalores son los elementos de la diagonal.
2. algebraica dad multiplici con 1
5
1 8 0
0 1 2
0 0 5

3 2
1
= =
=
(
(
(
=

A

Si A es una matriz cuadrada entonces se cumple:
a) A y
t
A tienen los mismos valores propios con las mismas multiplicidades
algebraicas.
b) Si es un autovalor de A y k 1, entonces
k
es un valor propio de
k
A .
Sea A una matriz cuadrada de orden n con autovalores:
n
, , , ,
3 2 1
L
entonces se cumple:
a) Traza (A) =
n
+ + + + L
3 2 1
.

b) ( ) A Det = A =
n
L
3 2 1
.

Si tenemos tres matrices A, B y C no singulares entonces:
( ) ( ) A Rango C B A Rango =

El rango de una matriz simtrica es el nmero de races caractersticas distintas
de cero que contiene.
El rango de una matriz A es igual al nmero de races caractersticas distintas de
cero en ( ) A A
t
.

Las races caractersticas no nulas de
t
A A son las mismas que A A
t
.
Si A
1
existe, las races caractersticas de A
1
son las recprocas de A, y los
vectores caractersticos son los mismos.

Ejemplo: Hallar los autovalores de las siguientes matrices:

1.
(
=
4 2
1 5
A

Solucin:
(
=
(
I A
4 4
1 5
1 0
0 1
4 2
1 5

( )( ) ( )
( )
( )( )
3 6
0 3 6
0 18 9
0 1 2 4 5
2 1
2
= =
= =
= + =
= =
y

P
I A

2.
(
(
(
=
1 0 1
1 1 0
0 0 2
A

Solucin:

1 0 1
1 1 0
0 0 2

1 0 0
0 1 0
0 0 1

1 0 1
1 1 0
0 0 2
(
(
(

=
(
(
(
(
(
(
I A

( )( )
2. algebraica ad mutiplicid con 1 y 2
0 1 2
3 2 1
2
= = =
= + =

I A

3.
(
=
4 2
1 5
A

Solucin:

(
=
(

4 2
1 5
1 0
0 1
4 2
1 5
I A

( )( ) ( )
2
7 9
y
2
7 9

0 22 9 ) (
0 1 2 4 5
2 1
2
i i
P
I A
=
+
=
= + =
= + =

Nota: En este caso, los autovalores no son reales. Algunos libros imponen que
los autovalores sean reales, pero con ello limitan la utilidad de los autovalores y
autovectores.

Por simplicidad, nosotros trabajaremos con autovalores reales.

4.
(
=
2 0
0 2
A

Solucin:
(
=
(

2 0
0 2
1 0
0 1
2 0
0 2
I A

2. algebraica dad multiplici con 2
0 4 4 ) (
0 ) (2
2 1
2
2
= =
= + =
= =

P
I A

5.
(
=
4 2
2 1
A

Solucin:
(
=
(

4 2
2 1
1 0
0 1
4 2
2 1
I A

( )( )
0 y 5
0 5 ) (
0 4 4 1
2 1
2
= =
= =
= =

P
I A

Autovectores (o vectores caractersticos):
Conociendo , los vectores caractersticos se hallan resolviendo:
( ) 0 =
=
c I A
c c A

Ejemplo: Hallar los autovectores para los ejercicios anteriores:
1. 3 6
4 2
1 5
2 1
= =
(
= y A .

Solucin:
: 6 Para
1
=
( ) 0
1
= c I A
(
=
(
(
0
0
1 0
0 1
6
4 2
1 5
2
1
c
c

(
=
(
(
=
(
(
=
0
0
2 2
1 1
0
0
6 4 2
1 6 5
2
1
1
2
1
c
c

c
c

Rango
43 42 1

Como el rango es 1 significa que existe una ecuacin linealmente
independiente.

. soluciones infinitas tiene 0 2 2
2 1 2 1
c c c c = =
{ } 0
1
1
: es autovector El
1 1
2
1

(
=
(
(
R c c
c
c

Puede ser:
etc. , ,
5 1
5 1
2
2
1
1
1
K
(
=
.
.
, , c

Pero si normalizamos
1
c , es decir 1
1 1
= c c
t
la respuesta es:
| |
1
1
2
2
2
1
2
1
2 1
= +
=
(
(
c c
c
c
c c

: tanto lo por que sabemos Si
2 1
c c =
(
(
(
(
=
= =
2 1
2 1
o
2 1
2 1
2
1
1
2 1
c
c c

: 3 Para
2
=
(
=
(
(
=
(
(
=
0
0
1 2
1 2

0
0
3 4 2
1 3 5

2
1
1
2
1
c
c
c
c
Rango
3 2 1

Como el rango es 1 significa que existe una ecuacin linealmente
independiente.
1 2 2 1
2 0 2 c c c c = = +
: ser Puede
etc. , ,
4
2
2
1
2
1
2
K
(
= , ,

c
: es respuesta la entonces , 1 decir es , os normalizam si Pero
2 2 2
= c c c
t

( ) 1 2
1
2
1
2
1
2
2
2
1
= +
= +
c c
c c

1 4
2
1
2
1
= + c c
(
(
(
(
=
= =
5 2
5 1
o
5 2/
5 1/

5
2
,
5
1
2
2 1
/
/
c
c c m

2. 1 2 donde ,
1 0 1
1 1 0
0 0 2
3 2 1
= = =
(
(
(
= y A .

Solucin:

: 2 Para
1
=
( ) 0
1
= c I A
(
(
(
=
(
(
(
(
(
(
(
+
+
+
0
0
0
2 1 0 1
1 2 1 0
0 0 2 2
3
2
1
c
c
c

(
(
(
=
(
(
(
(
(
(
(
=
0
0
0
3 0 1
1 3 0
0 0 0
3
2
1
2
c
c
c
Rango
43 42 1

Como el rango es 2 significa que existen dos ecuaciones linealmente
independientes, en este caso la segunda y tercera ecuacin.

ado indetermin compatible sistema un tenemos
3
3
1

3 1
3 2
=
=
c c
c c
.
{ } 0 donde
1
3 1
3
3
3
3 3
3
3
3
3
2
1
1

(
(
(
=
(
(
(
=
(
(
(
= R c c
c
c
c
c
c
c
c

: ser puede autovector El
etc. ,
3
1
9
,
1
3 1
3
1
K , c
(
(
(
(
(
(

=
, 1 decir es , vector el os normalizam si Pero
1 1 1
= c c c
t
tenemos que:

1
2
3
2
2
2
1
= + + c c c
( ) ( )
(
(
(
(
(
(
=
=
= + +
91 3
91 1
91 9
o
91 3
91 1
91 9
91
3
1 3 3
1
3
2
3
2
3
2
3
c
c
c c c

: 1 Para
3 2
= =
( ) 0
1
= c I A
(
(
(
=
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(

=
0
0
0

0 0 1
1 0 0
0 0 3
0
0
0

1 1 0 1
1 1 1 0
0 0 1 2

3
2
1
2
3
2
1
c
c
c
c
c
c
Rango
43 42 1

independientes, en este caso la primera y la segunda ecuacin.
0 0 1
0 0 3
3 3
1 1
= =
= =
c c
c c

{ } 0 donde
0
1
0
0
0
2 2 2
3
2
1
2

(
(
(
=
(
(
(
=
(
(
(
= R c c c
c
c
c
c
El autovector puede ser:
etc. , ,
0
1
0
,
0
2
0
,
0
1
0
2
K
(
(
(
(
(
(
(
(
(
= c
, 1 decir es , vector el os normalizam si Pero
2 2 2
= c c c
t
tenemos que:

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

1
2
= c

(
(
(
(
(
(
=
0
1
0
o
0
1
0
2
c

El conjunto de autovectores asociado a un autovalor junto con el vector nulo,
forman un subespacio vectorial de R
n
de dimensin n menos el rango de la
matriz caracterstica ( I A ). Al espacio propio de un autovalor lo denotaremos
como E
.
dim(E
) = n Rango( I A )
Al espacio propio de un autovalor tambin se le conoce como la envolvente de
los autovectores linealmente independientes para ese autovalor
( { }
k
c c c c Env , , , ,
3 2 1
K ). Asimismo, el espacio propio de un autovalor est
constituido por los autovectores generadores linealmente independientes de
dicho autovalor ( { }
k
c , , c , c , c Gen K
3 2 1
).

Espacio propio es un subespacio de A correspondiente al valor propio .
Vectores propios correspondientes a valores propios distintos son linealmente
independientes.
, : si
3 2 1 n
L entonces:
{ } , , , , ,
4 3 2 1 n
c c c c c L son linealmente independientes

Ejemplo: Calcular los valores, vectores y espacios propios de la matriz siguiente:
(
(
(
=
2 2 1
1 3 1
1 2 2
A

Solucin:
2. algebraica dad multiplici con 1 , 5
0 ) 1 )( 5 ( ) (
0 ) (
2 1
2
= =
= =
= =

P
I A P

Para: : 5
1
=
(
(
(
=
(
(
(
(
(
(
(
=
0
0
0

3 2 1
1 2 1
1 2 3

3
2
1
2
c
c
c
Rango
4 4 3 4 4 2 1

independientes, en este caso podemos tomar la segunda y tercera ecuacin.
2 3 1 3 2 1
2 3 1 2 3 3 2 1
2 3 0 3 2
2 0 2
c c c c c c
c c c c c c c c
= = +
= = = +

( )
2 1
2 1 2 1
2 2 3
c c
c c c c
=
=

3 2 1
c c c = =
{ } 0
1
1
1
1 1
1
1
1
1

(
(
(
=
(
(
(
(
= R c c
c
c
c
c
etc. , ,
2 1
2 1
2 1
2
2
2
1
1
1
1
K
(
(
(
(
(
(
(
(
(
=
/
/
/
, , c
: do normalizan estamos 1 considera se Si
1 1 1
c c c
t
=
3
1
1
1
2
3
2
2
2
1
=
= + +
c
c c c

(
(
(
(
=
3 / 1
3 / 1
3 / 1

1
c
: propio espacio El
(
(
(
= =
=
1
1
1
)} 1 , 1 , 1 {(
5
Gen Env E

( ) ( )
( ) :
1 1
5
I A Rango
I A Rango n E dim
= = =
=

3 2 1
1 2 1
1 2 3

|
|
|
.
|
\
|
(
(
(
Rango
3 rango tanto lo por , 0
3 2 1
1 2 1
1 2 3
2 menos lo por rango 4 2 6
2 1
2 3
=
= =

( ) 2. I = A Rango

: 1 Para
2
=
(
(
(
=
(
(
(
(
(
(
(
=
0
0
0
1 2 1
1 2 1
1 2 1
3
2
1
1
c
c
c
Rango
43 42 1

Como el rango es 1 significa que existe una ecuacin linealmente independiente,
en este caso puede ser cualquiera de ellas.

2 1 3
3 2 1
2
0 2
c c c
c c c
=
= + +

R c c c c
c c
c
c
c
(
(
(
+
(
(
(
=
(
(
(

=
2 1 2 1
2 1
2
1
2
y donde ;
2
1
0
1
0
1

2

: propio espacio El
)} 2 , 1 , 0 ( ), 1 , 0 , 1 {(
1
=
=
Env E

( )
3
2
1
=
= =
=
n
I A Rango n ) E dim(

( ) : I A Rango
1 es rango el ;
1 2 1
1 2 1
1 2 1
(
(
(
= I A
2 ) E dim(

= =
=
1 3
1
.

: matriz la de propios espacios y vectores valores, los calcular : Ejemplo
(
(
(

=
7 3 2
1 9 8
9 5 5
A

Multiplicidad geomtrica. Sea un valor propio de la matriz A, entonces la
multiplicidad geomtrica de es la dimensin del espacio propio
correspondiente a . Es decir, la multiplicidad geomtrica de = dim(E
).

Sea un valor propio de A entonces:
La multiplicidad geomtrica de la multiplicidad algebraica de .

Sea A una matriz n n , entonces A tiene n vectores propios linealmente
independientes si y slo si la multiplicidad geomtrica de cada autovalor es igual
a su multiplicidad algebraica. En particular, A tiene n autovectores linealmente
independientes, si todos los valores propios son distintos (ya que la
multiplicidad algebraica de cada valor propio es 1).

3. Matrices semejantes

Se dice que las matrices cuadradas del mismo orden son semejantes, si existe una
matriz invertible C tal que:

C A C B
C B C A
=
=
1
1

Sean A y B matrices semejantes, entonces A y B tienen el mismo polinomio
caracterstico P( ) y tienen los mismos autovalores con sus mismas
multiplicidades algebraicas.

Propiedades:

Sean A y B dos matrices semejantes de tamao n n , entonces:

( ) ( )
( ) ( )
( ) ( ) B Traza A Traza
B Rango A Rango
B Det A Det
=
=
=

Nota: Que cumplan estas tres condiciones no necesariamente implica que A y B
sean semejantes.

Si dos matrices son semejantes tambin lo son las potencias de ambas de igual
exponente.

A semejante a B
k
A semejante a
k
B

Ejemplo: Comprobar que C A C B =
1
, es decir A y B son semejantes:

(
(
(
=
(
(
(

=
(
(
(
=
1 1 0
1 0 1
0 2 0
1 0 0
1 2 0
1 1 1
2 0 0
1 1 1
2 0 1
y C , B A

Solucin:

Primero debemos comprobar que C es invertible para eso hallamos C :

2 = C

Como C es distinto de cero, podemos decir que es invertible. Por lo tanto,
cumple:

(
(
(
=
(
(
(
(
(
(
=
2 2 0
0 1 1
2 4 0
1 0 0
1 2 0
1 1 1

1 1 0
1 0 1
0 2 0
B C

(
(
(
=
(
(
(

(
(
(
=
2 2 0
0 1 1
2 4 0
1 1 0
1 0 1
0 2 0
2 0 0
1 1 1
2 0 1
C A
Si B C C A = entonces A y B son semejantes.

4. Diagonalizacin

Las matrices diagonales tienen la ventaja de que es sencillo trabajar con ellas.

Tenemos las siguientes matrices diagonales:

(
(
(
(
(
=
(
(
(
(
(
=
kk kk
e
e
e
, E
d
d
d
D
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
0 0 0 0
22
11
22
11
L
M M O M M M
L
L
L
M M O M M M
L
L

,
d e
d e
d e
E D
kk kk
(
(
(
(
(
=
0 0 0 0
0 0 0 0
0 0 0 0
22 22
11 11
L
M M O M M M
L
L

(
(
(
(
(
=
k
kk
k
k

k
d
d
d
D
0 0 0 0
0 0 0 0
0 0 0 0
22
11
L
M M O M M M
L
L

(
(
(
(
(
kk
d
d
d
D
/ 1 0 0 0 0
0 0 0 / 1 0
0 0 0 0 / 1
22
11
1
L
M M O M M M
L
L

Veamos ahora qu matrices son diagonalizables:
Una matriz cuadrada A se dice que es diagonalizable cuando existe una matriz
diagonal semejante a ella, es decir, si existe una matriz invertible C de tamao
n n tal que D C A C =
1
, entonces se dice que la matriz C diagonaliza a la
matriz A.
Si existe una matriz ortogonal C, tal que el resultado de C A C
1
es una
matriz diagonal, entonces A es diagonalizable ortogonalmente y se dice que C
diagonaliza ortogonalmente a A.
Una matriz A de orden n n es diagonalizable si y slo si se tienen n vectores
propios linealmente independientes. En tal caso, la matriz diagonal D semejante
a A esta dada por:
(
(
(
(
(
=
k
D
L
M O M M M
L
L
0 0 0
0 0 0
0 0 0
2
1

donde
1
,
2
, ...
n
son los autovalores de A, y C es una matriz cuyas columnas
son los autovectores linealmente independientes de A.
C A C D =
1

Cuando A es diagonalizable, entonces el conjunto de los n vectores propios es
una base de R
n
.
Una matriz A de orden n es diagonalizable si y slo si, la suma de las
dimensiones de los espacios propios es n.
Una matriz A de tamao n n es diagonalizable si y slo si, se verifican las dos
condiciones siguientes:
Captulo V

Formas Cuadrticas

La empresa ReyesNeyra S.A fabrica tres productos en cantidades
1
x ,
2
x y
3
x ; donde
la funcin de beneficios es:
3 1 3 2
2
3
2
2
2
1 3 2 1
6 2 10 ) , , ( x x x x x x x x x x + + = .

a. Existen niveles de produccin que puedan generar prdida?
b. Cmo sern los beneficios si las cantidades que se producen del primer y del
segundo producto son el doble y el triple respectivamente, de la cantidad que
produce el tercero?

2. FORMAS CUADRTICAS
3. CLASIFICACIN DE LAS FORMAS CUADRTICAS
4. MTODO DE ESTUDIO DEL SIGNO DE LA FORMA
CUADRTICA
5. FORMAS CUADRTICAS REALES CON RESTRICCIONES
320
1. Introduccin

Este tipo de anlisis tiene gran inters en varios mbitos (Anlisis matemtico,
Estadstica, etc.). Es el punto de partida para el estudio de problemas de
optimizacin.

Las formas cuadrticas desarrollan una excelente introduccin al vocabulario y
tcnicas de problemas de optimizacin. Adems, las condiciones de segundo
orden (necesarias y/o suficientes) que distinguen un mximo de un mnimo en
optimizacin de problemas econmicos, son expresadas en trminos de formas
cuadrticas. Finalmente, un gran nmero de problemas de optimizacin tiene una
funcin objetivo cuadrtica, por ejemplo: en finanzas se resuelven problemas de
minimizacin del riesgo de no recuperar una determinada inversin, donde el
riesgo es medido por la varianza de retornos de las inversiones.

Por otro lado, al buscar los mximos y mnimos relativos de una funcin de n
variables surgen formas cuadrticas cuyo signo es preciso conocer.

2. Formas cuadrticas

Las formas cuadrticas son las funciones ms simples despus de las lineales.

Las formas cuadrticas tienen matrices representativas, as el estudio de
propiedades de una forma cuadrtica se reduce al estudio de propiedades de una
matriz simtrica.

Como las formas cuadrticas estn relacionadas con las matrices simtricas,
daremos un breve repaso de conceptos vistos anteriormente.

Una matriz simtrica A cumple:
t
A A = .

Una matriz simtrica A es diagonalizable de la forma:

C A C D
t
= o
t
C D C A =

Donde se cumplen los siguientes conceptos:

A es semejante a D.

D es una matriz diagonal con los autovalores de A.

C es una matriz invertible y en este caso ortogonal, donde sus columnas son los
autovalores ortonormales correspondiente a los autovalores de A.

Observemos algunos ejemplos de formas cuadrticas:

( )
2
bx x Q =

( )
2
2 22 2 1 12
2
1 11 2 1
x a x x a x a x , x Q + + =

( )
2
3 33 3 2 23
2
2 22 3 1 13 2 1 12
2
1 11
3 2 1
, ,
x a x x a x a x x a x x a x a
x x x
Q + + + + + =

Concluimos:
Qu tipo de expresiones tenemos?
Un polinomio homogneo de grado 2.

FORMAS CUADRTICAS
321
Qu tipo de entrada tiene esta expresin?
Un vector.

Qu resultado nos da este tipo de expresiones?
Un valor real.

Cmo generalizamos esta expresin para un vector de entrada de dimensin
n?
( )

=
=
n
i
n
i j
j i ij
n
x x a
x x x
Q
1
2 1
, , , L

=
=
|
.
|
\
|
n
i
n
i j
j i ij
x x a x Q
1

Por tanto, podemos definir una forma cuadrtica ( ) x Q , como toda aplicacin
(funcin) de
n
R en R tal que a cada vector x
n
R le hace corresponder el
valor numrico dado por el polinomio cuadrtico (cada uno de sus trminos es de
segundo grado).

Las formas cuadrticas tambin tienen una representacin matricial.

| |
n
x x x x L
3 2 1

(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
n
nn n n n
n
n
n
x
x
x
x
a a a a
a a a a
a a a a
a a a a
M
L
M M M M M
L
L
L
3
2
1
3 2 1
3 33 32 31
2 23 22 21
1 13 12 11
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1
2
1

donde:
ji ij
a a = .

Compactando tenemos: x A x Q
t
= donde A es una matriz simtrica.

Ejemplos:

1. Exprese en forma matricial las siguientes formas cuadrticas:

a) ( )
2
2 22 2 1 12
2
1 11
2 1
x a x x a x a
x , x Q
+ + = .

b) ( )
3 2 23 3 1 13 2 1 12
2
3 33
2
2 22
2
1 11
3 2 1
x x a x x a x x a x a x a x a
x , x , x Q
+ + + + + = .

c) ( )
3 2 3 1
2
2
2
1
3 2 1
2 3 2 x x x x x x
x , x , x Q
+ = .

322
d)
2 1
2
2
2
1
4 2 x x x x
x
Q + = |
.
|
\
|
.

e)
2
3 3 2
2
2 2 1
2
1
2 3 2 x x x x x x x
x
Q + = |
.
|
\
|
.

f)
2
3 3 2
2
2 3 1 2 1
2 2 x x x x x x x x
x
Q + + + = |
.
|
\
|
.

Solucin:
a) | |
2 1
x x

(
(
(
(
22
12
12
11
2
1
2
1
a
a
a
a
(
(
2
1
x
x

b) | |
3 2 1
x x x

(
(
(
(
(
(
(
33
23 13
23
22
12
13 12
11
2 2
2 2
2 2
a
a a
a
a
a
a a
a
(
(
(
3
2
1
x
x
x

c) | |
3 2 1
x x x

(
(
(

0 1 2 3
1 2 0
2 3 0 1
(
(
(
3
2
1
x
x
x

2. Exprese en forma polinmica las siguientes formas cuadrticas:
a) | |
3 2 1
x x x
x
Q = |
.
|
\
|

(
(
(
1 1 0
1 3 1
0 1 1
(
(
(
3
2
1
x
x
x

b) | |
3 2 1
x x x
x
Q =
|
.
|
\
|

(
(
(

1 2 1 1
2 1 1 1
1 1 0
(
(
(
3
2
1
x
x
x

c) | |
3 2 1
x x x
x
Q =
|
.
|
\
|

(
(
(

11 1 1
1 1 2
1 2 5
(
(
(
3
2
1
x
x
x

d) | |
3 2 1
x x x
x
Q =
|
.
|
\
|

(
(
(
3 0 1
0 0 1
1 1 1
(
(
(
3
2
1
x
x
x

Solucin:
a)
2
3 3 2
2
2 2 1
2
1
2 3 2 x x x x x x x
x
Q + = |
.
|
\
|

FORMAS CUADRTICAS
323
b)
2
3 3 2
2
2 3 1 2 1
2 2 x x x x x x x x
x
Q + + = |
.
|
\
|

c)
2
3 3 2
2
2 3 1 2 1
2
1
11 2 2 4 5 x x x x x x x x x
x
Q + + + + = |
.
|
\
|

d)
2
3 3 1 2 1
2
1
3 2 2 x x x x x x
x
Q + + + = |
.
|
\
|

3. Clasificacin de las formas cuadrticas

Existen 5 Formas Cuadrticas:

3.1. Definida positiva (DP).- Si todo vector no nulo le asigna un valor positivo a
la forma cuadrtica. 0 > |
.
|
\
|
x
Q 0 > x A x
t
, 0 x en
n
R .

Ejemplo: .
2
2
2
1
x x
x
Q + = |
.
|
\
|

3
x
1
x
2
x

3.2. Definida negativa (DN).- Si todo vector no nulo le asigna un valor negativo
a la forma cuadrtica. 0 < |
.
|
\
|
x
Q 0 < x A x
t
, 0 x en
n
R .

Ejemplo: .
2
2
2
1
x x
x
Q = |
.
|
\
|

3
x
1
x
2
x

324
3.3. Semidefinida positiva (SDP).- Si asigna valor positivo para unos vectores y
nulos para los dems. Llamada tambin definida no negativa. 0 |
.
|
\
|
x
Q
0 x A x
t
, 0 x en
n
R .

Ejemplo:
2
2 2 1
2
1
2 x x x x
x
Q + + = |
.
|
\
|
. Se observa que para todos los vectores
que se encuentran sobre el eje
1
x 0 = |
.
|
\
|
x
Q y para cualquier otro vector que
no pertenece al eje
1
x se verifica que 0 > |
.
|
\
|
x
Q .
2
x
3
x
1
x

3.4. Semidefinida negativa (SDN).- Si asigna valor negativo para unos vectores
y nulos para los dems. Llamada definida no positiva. 0 |
.
|
\
|
x
Q
0 x A x
t
, 0 x en
n
R .

Ejemplo:
2
2 2 1
2
1
2 x x x x
x
Q = |
.
|
\
|
. Se observa que para todos los vectores
que se encuentran sobre el eje
1
x 0 = |
.
|
\
|
x
Q y para cualquier otro vector que
no pertenece al eje
1
x se verifica que 0 < |
.
|
\
|
x
Q .
1
x
3
x
2
x

FORMAS CUADRTICAS
325
3.5. Indefinida o no definida.- Si hay unos vectores a los que se les asigna valor
positivo, y a otros negativo. 0 > |
.
|
\
|
x
Q para unos x y 0 < |
.
|
\
|
x
Q para otros
x .
0 > x A x
t
para algunos x en
n
R y 0 < x A x
t
para algunos x
en
n
R .

Ejemplo:
2
2
2
1
x x
x
Q = |
.
|
\
|
. Se observa que para todos los vectores de la
forma ( ) 0 ,
1
x x = ( ) 0 0
1
2
1
> = |
.
|
\
|
x x
x
Q (Curva AB), mientras que
para vectores de la forma ( )
2
, 0 x x = ( ) 0 0
2
2
2
< = |
.
|
\
|
x x
x
Q (Curva
CD).
1
x
2
x
3
x

Dado que es la matriz simtrica A la que determina la forma cuadrtica. Averiguar
a cul de los 5 tipos pertenece, es lo que se conoce como estudio del signo de la
matriz simtrica A o de la forma cuadrtica de la matriz A.

4. Mtodo de estudio del signo de la forma cuadrtica

Existen dos mtodos para el estudio del signo de la forma cuadrtica:

4.1. Mtodo de los autovalores.-

Si: x A x
x
Q
t
= |
.
|
\
|

Como A es una matriz simtrica entonces
t
C D C A = , por lo tanto:

x C D C x
x
Q
t
t
= |
.
|
\
|

Si reemplazamos x C y
t
= tenemos que:

328
| |
3 2 1
x x x
x
Q = |
.
|
\
|

(
(
(
1 1 0
1 2 1
0 1 1
(
(
(
3
2
1
x
x
x

Solucin:
(
(
(
=
1 1 0
1 2 1
0 1 1
A
( ) ( ) 0
1 1 0
1 2 1
0 1 1
=

= =
I A Det P

( ) ( )( ) 0 3 1 = + + = P
0 = 1 = 3 =

Por lo tanto, la forma cuadrtica es semidefinida negativa.

Nota: Este mtodo es conveniente siempre y cuando sea fcil hallar los
autovalores. Cuando es difcil, se calcula por mtodos iterativos que no se
van a desarrollar en el presente libro.

4.2. Mtodo de los menores principales dominantes.-

Primero debemos saber algunas definiciones para entender este mtodo.

Menores principales de una matriz:
Sea A una matriz de nn. Una submatriz kk de A formada eliminando
(n k) columnas y las mismas (n k) filas de A es llamada submatriz
principal de A de orden k. Al determinante de la submatriz principal de kk
se le denomina menor principal de A de orden k.

Ejemplo: Hallar los menores principales de la siguiente matriz:

(
(
(
=
33 32 31
23 22 21
13 12 11
a a a
a a a
a a a
A

Solucin:
Menor principal de orden 3 =
33 32 31
23 22 21
13 12 11
a a a
a a a
a a a

Menores principales de orden 2 =
22 21
12 11
a a
a a
,
33 31
13 11
a a
a a
,
33 32
23 22
a a
a a

Menores principales de orden 1 =
11
a ,
22
a ,
33
a
Nota: Una matriz de orden n n tiene 1 2
n
submatrices principales.

Captulo VI

Optimizacin Clsica

Una fbrica produce un nico bien a partir de tres factores, segn una funcin de
produccin dada, siendo fijos tanto el precio de venta del producto, como los precios de
compra de los factores de produccin (inputs). El beneficio obtenido por dicha empresa
es:
( ) 10
2
1
, ,
2 3
+ + = z y x z y x millones de dlares.
Donde x, y y z representan el nmero de toneladas de las tres materias primas utilizadas
en el proceso de produccin. La empresa tiene un contrato con un proveedor que le
obliga a consumir exactamente 2 toneladas al mes de la primera materia prima y, que
las cantidades consumidas de las otras dos sean iguales.
Se pide:
Teniendo en cuenta las condiciones del contrato que ha firmado con el proveedor,
calcular las cantidades de materias primas que debe comprar la empresa para
maximizar los beneficios.

2. CONCEPTOS BSICOS
3. OPTIMIZACIN LIBRE
4. OPTIMIZACIN RESTRINGIDA
350
1. Introduccin

Optimizacin es cualquier proceso genrico mediante el cual se obtiene la mejor
solucin a un problema dado.

El problema de optimizacin ms antiguo conocido, data del siglo V a.C., consiste
en encontrar entre todas las curvas planas cerradas del mismo permetro aquella,
que abarca mayor superficie. La optimizacin clsica aparece ante el nacimiento
del clculo diferencial en el siglo XVII.

En la actualidad la optimizacin matemtica se encuadra en el rea que se
denomina Investigacin Operativa.

La optimizacin juega un papel importante en la teora econmica, ya que los
problemas ms interesantes de optimizacin econmica son aquellos en los que
hay ms de una variable de decisin.

Ejemplo:

Una empresa que trabaje con varios productos, donde las decisiones para obtener
un beneficio mximo, consiste en la eleccin de niveles ptimos de produccin
de diversos bienes y en la combinacin ptima de varios insumos diferentes.

La optimizacin matemtica la podemos clasificar de la siguiente manera:

Clculo de variaciones
Programacin dinmica
Programacin
lineal
Programacin
Vectorial o
multiobjetivo
Programacin
escalar
Teora de juegos
estticos
Programacin
matemtica
Optimizacin
dinmica
Optimizacin
esttica
Programacin
no lineal
Optimizacin
clsica
Optimizacin
libre
Optimizacin
restringida
Teora del control o control ptimo
CLASIFICACIN DE LA OPTIMIZACIN
MATEMTICA
OPTIMIZACIN CLSICA
351
Hablaremos en forma sucinta de que trata cada una de ellas:

Optimizacin esttica: analiza modelos en un instante de tiempo dado.

Optimizacin dinmica: estudia sistemas que evolucionan en el tiempo
(sistemas dinmicos). Esta tcnica trabaja con variables de decisin que
dependen del tiempo.

Optimizacin escalar: se distingue porque presenta un nico objetivo.

Optimizacin vectorial o multiobjetivo: aquella que presenta ms de un
objetivo. Por ejemplo maximizar el beneficio y minimizar el nmero de horas
trabajadas.

Teora de juegos: estudia situaciones de conflicto y cooperacin (juegos), en
las que interactan individuos racionales que buscan obtener el mejor
resultado posible (maximizar su utilidad), teniendo en cuenta que el resultado
del juego depende de sus acciones y de las acciones del resto de jugadores.

Programacin lineal: consiste en optimizar una funcin objetivo lineal con una
serie de restricciones de desigualdad, tambin lineales.

Programacin no lineal: cuando la funcin objetivo y/o las restricciones de
desigualdad son no lineales.

Optimizacin clsica: aparece cuando la funcin objetivo es suficientemente
diferenciable y continua.

Optimizacin libre: slo presenta la funcin objetivo sin restricciones.

Optimizacin restringida: presenta la funcin objetivo y una serie de
restricciones de igualdad.

En este libro, slo se estudiar laoptimizacin libre y la optimizacin con
restricciones de igualdad, ya que los otros temas de la optimizacin exceden los
objetivos del presente material.

Para nuestro estudio, supondremos que nuestra funcin objetivo presenta
derivadas parciales continuas de cualquier orden; con la finalidad de asegurarnos
la continuidad y la diferenciabilidad de la funcin objetivo y de sus derivadas
parciales.

En la formulacin de un problema de optimizacin, primero debe definirse el
conjunto de variables independientes (variables de decisin) que intervendrn en
la funcin objetivo (funcin a optimizar) y luego las restricciones que se
presentarn en el problema.

2. Conceptos bsicos

2.1. Vector gradiente.- Si una funcin real R R f
n
: admite derivadas
parciales en un punto ( )
n
a a a a a , ... , , ,
3 2 1
= , lleva asociado un vector
( ) a f que se denomina gradiente de f en a :

352
( )
( ) ( ) ( ) ( )
|
|
.
|
\
|
=
n
x
a f
x
a f
x
a f
x
a f
a f , , , ,
3 2 1
L

( )
( )
( )
( )
(
(
(
(
(
(
(
(
(
=
n
x
a
f
x
a
f
x
a
f
a
f
M
2
1

2.2. Matriz jacobiana (Jacobiano).- Si una funcin vectorial
m n
R R f :
admite derivadas parciales en un punto a , lleva asociada una matriz
( )
a
f J de orden mxn que se denomina Jacobiano de f en a .

Una funcin vectorial es
m
m
R x f x f x f x f
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
|
.
|
\
|
, , ,
2 1
L ,
donde ( )
n
n
R
x x x
x =
, , ,
2 1
L
. En particular:

m
m
R
a
f
a
f
a
f
a
f
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
= |
.
|
\
|
, , ,
2 1
L

n m
m
n
m m
n
n
a f
a f
a f
x
a f
x
a f
x
a f
x
a f
x
a f
x
a f
a f J
x
a f
(
(
(
(
(
(
(
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
(
(
(
(
(
(
(
(
(
(
(
(
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|

|
.
|
\
|
|
.
|
\
|
= |
.
|
\
|
=
|
.
|
\
|
M
L L
M M
L L
K L
2
1
1
2
1
2
1
1
1

Teorema: Si el determinante del Jacobiano es distinto de 0, las componentes
de la funcin vectorial son funcionalmente independientes, eso quiere decir
que ninguna de las funciones puede ser obtenida mediante combinacin de
las otras.
Ejemplo: Sea la funcin
2 2
: R R f , dada por:

( ) ( ) ( ) ( )
|
|
|
|
.
|
\
|
= = =
48 47 6 48 47 6
2 1
2 1
2
2 1
1
2 1 2 1
,
,
,
, ,
y y
x x
f
x x
f
y y x x
G f

( )
2 1 2 1 1 1
3 5 , x x x x f y + = =
OPTIMIZACIN CLSICA
353
( )
2
2 2 1
2
1
2 1
2 2
9 30 25
,
x x x x
x x
f y + + = =

Demostrar si las componentes de la funcin vectorial son funcionalmente
independientes.

Solucin:

( )
( ) ( )
( ) ( )
(
(
+ +
=
(
(
(
(
(
(
=
2 1 2 1
2
2
1
2
2
1
1
1
18 30 30 50
3 5
x x x x
x
x
f
x
x
f
x
x
f
x
x
f
x f J

( ) ( ) ( ) 0 30 50 3 18 30 5
2 1 2 1
= + + = x x x x
x
f J

Esto quiere decir, que ambas componentes son funcionalmente dependientes,
esto se ve si se reescribe la segunda componente como sigue:

( )
1
2 1 1
3 5 x x y + =

( ) ( )
1
2
1
2
2 1 2
3 5 y F y x x y = = + =

Es importante resaltar que muchas veces esto no se ve por simple inspeccin.

2.3. Matriz hessiana.- Si una funcin real R R f
n
: admite derivadas
parciales segundas en un punto a , entonces lleva asociada una matriz de
orden n n denominada Hessiana de f en a y se halla de la siguiente
manera:

( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
(
(
(
(
(
(
(
(
(
(
=
2
2
2
2
1
2
2
2
2
2
2
1 2
2
1
2
2 1
2
2
1
2
n
n n
n
n
x
a
f
x x
a
f
x x
a
f
x x
a
f
x
a
f
x x
a
f
x x
a
f
x x
a
f
x
a
f
a
f H
L
M O M M
L
L

2.4. Definiciones de mximos y mnimos.- Para una funcin Real R R f
n
:
se cumple que:

a) Un punto
n
R x
0
es un mximo global de la funcin f si
( ) ( ) x f x f
0

n
R x .

354
b) Un punto
n
R x
0
es un mximo global estricto (o nico) de la funcin f
si ( ) ( ) x f x f >
0

n
R x
0
x x .

c) Un punto
n
R x
0
es un mximo relativo (o local) de la funcin f si hay
una regin cerca de
0
x tal que |
.
|
\
|
|
.
|
\
|
x f x f
0
x que pertenezca a
dicha regin.

d) Un punto
n
R x
0
es un mximo relativo estricto (o local nico) de la
funcin f si hay una regin cerca de
0
x tal que ( ) ( ) x f x f >
0
x
que pertenezca a dicha regin y
0
x x .

Lo mismo ocurre con los puntos mnimos slo que ahora se invierte el
sentido de los signos de desigualdad.

Ejercicios

Compruebe los siguientes resultados:

1. ) 1 2 , 1 2 ( ) 0 , 1 ( + = b a f , siendo 1 2 ) , (
2 2
+ + + = y x y bxy ax y x f .

2. ) 1 , 7 , 2 ( ) 1 , 1 , 1 ( = f , siendo
3 2 1
2
2 1
3
1 3 2 1
3 2 ) , , ( x x x x x x x x x f = .

3.
|
|
.
|
\
|
=
2 2
1 2
) 1 , 1 ( f J , siendo ) , ( ) , (
2
2
2
1 2
2
1 2 1
x x x x x x f + = .

4.
|
|
|
.
|
\
|
=
0 1
0 1
0 0
) 1 , 0 ( f J , siendo
|
|
.
|
\
|
+ =
2 1
2 1
2
2
2
1 2 1
, ), 2 ( ) , ( x x
x x
x
x x x x f .

5.
|
|
|
.
|
\
|
=
12 12 8
12 6 6
8 6 2
) 1 , 1 , 1 ( Hf , siendo
4
3
3
2
2
1 3 2 1
) , , ( x x x x x x f = .

6.
|
|
|
.
|
\
|
=
0 1 3
1 2 7
3 7 8
) 1 , 1 , 1 ( Hf , siendo
3 2 1 3
2
1
2
2
3
1 3 2 1
) , , ( x x x x x x x x x x f + + = .

Solucin:

1. ) 1 2 , 1 2 ( ) 0 , 1 ( + = b a f , siendo 1 2 ) , (
2 2
+ + + = y x y bxy ax y x f .

OPTIMIZACIN CLSICA
355
1 2 2
1 2 2
=
+ + =
y bx
y
f
by ax
x
f

) 1 ) 0 ( 2 ) 1 ( 2 , 1 ) 0 ( 2 ) 1 ( 2 ( ) 0 , 1 ( + + = b b a f
) 1 2 , 1 2 ( ) 0 , 1 ( + = b a f l.q.q.d

2. ) 1 , 7 , 2 ( ) 1 , 1 , 1 ( = f , siendo
3 2 1
2
2 1
3
1 3 2 1
3 2 ) , , ( x x x x x x x x x f = .

3 1 1 2
2
3 2
2
2
2
1
1
6
3 6
x x x x
x
f
x x x x
x
f
=

2 1
3
x x
x
f
=

)) 1 ( 1 ), 1 ( 1 ) 1 )( 1 ( 6 ), 1 ( 1 ) 1 ( 3 ) 1 ( 6 ( ) 1 , 1 , 1 (
2 2
= f
) 1 , 7 , 2 ( ) 1 , 1 , 1 ( = f l.q.q.d

3.
|
|
.
|
\
|
=
2 2
1 2
) 1 , 1 ( f J , siendo ) , ( ) , (
2
2
2
1 2
2
1 2 1
x x x x x x f + = .
2 1
1
1
2 x x
x
f
=

2
1
2
1
x
x
f
=

1
1
2
2x
x
f
=

2
2
2
2x
x
f
=

|
|
.
|
\
|
=
|
|
.
|
\
|
=
2 2
1 2
) 1 ( 2 ) 1 ( 2
) 1 ( ) 1 )( 1 ( 2
) 1 , 1 (
2
f J l.q.q.d

4.
|
|
|
.
|
\
|
=
0 1
0 1
0 0
) 1 , 0 ( f J , siendo
|
|
.
|
\
|
+ =
2 1
2 1
2
2
2
1 2 1
, ), 2 ( ) , ( x x
x x
x
x x x x f .
) 2 ( 2
2 1
1
1
x x
x
f
+ =

( )
2
2 1
2
1
2
x x
x
x
f

2
1
3
x
x
f
=

2
1
2
1
x
x
f
=

( )
2
2 1
1
2
2
x x
x
x
f

1
2
3
x
x
f
=

|
|
|
.
|
\
|
=
|
|
|
|
|
.
|
\
|

+
=
0 1
0 1
0 0
0 1
) 1 0 (
0
) 1 0 (
1
0 ) 1 2 )( 0 ( 2
) 1 , 0 (
2 2
2
f J l.q.q.d
356
5.
|
|
|
.
|
\
|
=
12 12 8
12 6 6
8 6 2
) 1 , 1 , 1 ( Hf , siendo
4
3
3
2
2
1 3 2 1
) , , ( x x x x x x f = .

4
3
3
2 1
1
2 x x x
x
f
=

4
3
2
2
2
1
2
3 x x x
x
f
=

3
3
3
2
2
1
3
4 x x x
x
f
=

( )
3
3
3
2
2
1
4
3
2
2
2
1
4
3
3
2 1 3 2 1
4 , 3 , 2 ) , , ( x x x x x x x x x x x x f =

4
3
3
2 2
1
2
2 x x
x
f
=

4
3
2
2 1
1 2
2
6 x x x
x x
f
=

3
3
3
2 1
1 3
2
8 x x x
x x
f
=

4
3
2
2 1
2 1
2
6 x x x
x x
f
=

4
3 2
2
1 2
2
2
6 x x x
x
f
=

3
3
2
2
2
1
2 3
2
12 x x x
x x
f
=

3
3
3
2 1
3 1
2
8 x x x
x x
f
=

3
3
2
2
2
1
3 2
2
12 x x x
x x
f
=

2
3
3
2
2
1 2
3
2
12 x x x
x
f
=

( )
|
|
|
.
|
\
|
=
|
|
|
|
.
|
\
|
=
12 12 8
12 6 6
8 6 2
1 ) 1 ( ) 1 ( 12 ) 1 ( ) 1 ( ) 1 ( 12 ) 1 ( ) 1 )( 1 ( 8
) 1 ( ) 1 ( ) 1 ( 12 ) 1 ( ) 1 )( 1 ( 6 ) 1 ( ) 1 )( 1 ( 6
) 1 ( ) 1 )( 1 ( 8 ) 1 )( 1 ( ) 1 ( 6 ) 1 ( ) 1 ( 2
) 1 , 1 , 1 (
2 3 2 3 2 2 3 3
3 2 2 4 2 4 2
3 3 4 2 4 3
Hf l.q.q.d

6.
|
|
|
.
|
\
|
=
0 1 3
1 2 7
3 7 8
) 1 , 1 , 1 ( Hf , siendo ( )
3 2 1 3
2
1
2
2
3
1
3 2 1
, ,
x x x x x x x
x x x
f + + = .

3 2 3 1
2
2
2
1
1
2 3 x x x x x x
x
f
+ + =

3 1 2
3
1
2
2 x x x x
x
f
+ =

2 1
2
1
3
x x x
x
f
+ =

) , 2 , 2 3 ( ) , , (
2 1
2
1 3 1 2
3
1 3 2 3 1
2
2
2
1 3 2 1
x x x x x x x x x x x x x x x x f + + + + =

3
2
2 1 2
1
2
2 6 x x x
x
f
+ =

3 2
2
1
1 2
2
6 x x x
x x
f
+ =

2 1
1 3
2
2 x x
x x
f
+ =

3 2
2
1
2 1
2
6 x x x
x x
f
+ =

3
1 2
2
2
2x
x
f
=

1
2 3
2
x
x x
f
=

2 1
3 1
2
2 x x
x x
f
+ =

1
3 2
2
x
x x
f
=

0
2
3
2
=
x
f

|
|
|
.
|
\
|
=
|
|
|
|
.
|
\
|
+
+ + +
=
0 1 3
1 2 7
3 7 8
0 1 1 ) 1 ( 2
1 ) 1 ( 2 ) 1 ( ) 1 ( 6
1 ) 1 ( 2 1 ) 1 ( ) 1 ( 6 ) 1 ( 2 ) 1 )( 1 ( 6
) 1 , 1 , 1 (
3 2
2 2
Hf l.q.q.d
OPTIMIZACIN CLSICA
357
3. Optimizacin libre
Los casos ms frecuentes de aplicacin econmica de este tipo de problemas se
dan en la teora de la empresa. Por ejemplo, en problemas de maximizacin de
beneficios de una empresa monoplica o en condiciones de competencia perfecta
productora de n bienes y con una funcin de costo conocida. Cabe anotar, sin
embargo, que en estos problemas existe la restriccin implcita, que las variables
que se usan deben ser no negativas.

Partiremos de la versin diferencial de las condiciones de ptimo para una funcin
R R f
2
: diferenciable en un subconjunto abierto .
2
R D

Condicin necesaria de Primer orden de extremo local
Versin diferencial:
0 = y d
Si se tiene una funcin R R f
2
: diferenciable en :
2
R D
( )
|
.
|
\
|
=
=
x f
x x f y
2 1
,

La condicin necesaria de primer orden para un extremo local (mximo o mnimo)
D a implica que la . 0 = |
.
|
\
|
= |
.
|
\
|
a f d a y d

Teniendo en cuenta que la diferencial total |
.
|
\
|
x y d es:

2
2
1
1
x d
x
y
x d
x
y
x f d x y d
= |
.
|
\
|
= |
.
|
\
|

| | | |
48 47 6
8 7 6
|
.
|
\
|
(
(
(
(
(
(
(
|
.
|
\
|

|
.
|
\
|
=
(
(
(
(
(
= |
.
|
\
|
= |
.
|
\
|
x f
y
x
x f
x
x f
dx x d
x
y
x
y
dx x d
x f d x y d
2
1
2 1
2
1
2 1

Si llamamos un vector diferencial dx :
0
0
0
2
1
=
(
(
(
=
dx
dx
dx

Entonces la expresin anterior queda simplificada de la siguiente forma:
|
.
|
\
|
= = |
.
|
\
|
= |
.
|
\
|
x f dx y dx x f d x y d
t t

Como el vector 0 dx , para verificar la condicin necesaria de primer orden de
extremo local se deber cumplir que . 0 =
|
.
|
\
|
a f
358

Todos los puntos que cumplen 0 = |
.
|
\
|
a f reciben el nombre de puntos
estacionarios. Los puntos estacionarios pueden ser mximos locales, mnimos
locales o puntos de silla (puntos de inflexin para R R f : ).

Ejemplo: R R f :

a
( ) a f
x
A
y = ( ) x f

( ) ( )
( )
( ) ( ) a f a A
a f
x f x f
, : inflexin de Punto
0
'
=
=
=

Podemos generalizar, que para una funcin R R f
n
: diferenciable en un
subconjunto abierto
n
R D , si deseamos hallar sus puntos estacionarios D
a
,
debe cumplirse que:
0
0
0
1
=
(
(
(
=
(
(
(
(
(
(
(
(
|
.
|
\
|
|
.
|
\
|
= |
.
|
\
|
M M
n
x
a
f
x
a
f
a
f

Condicin suficiente de segundo orden de extremo local

Versin diferencial:
Si 0
2
> |
.
|
\
|
a
f d entonces el punto estacionario
a
es un mnimo.

Si 0
2
< |
.
|
\
|
a
f d entonces el punto estacionario
a
es un mximo.
Si se tiene una funcin R R f
2
: diferenciable en :
2
R D
( )
|
.
|
\
|
= = x f
x x
f y
2 1
,

Analizando |
.
|
\
|
x f d
2
tenemos:

|
|
.
|
\
|
=
(
|
.
|
\
|
= |
.
|
\
|
2
2
1
1
2
x d
x
f
x d
x
f
d x df d x f d
OPTIMIZACIN CLSICA
359
2
2 2
2
2
2 1
1 2
2
1 2
2 1
2
2
1 2
1
2
2 2
2
1
1 2
1 2
2
1
1 1
x d
x
f
x d x d
x x
f
x d x d
x x
f
x d
x
f
x d x d
x
f
x d
x
f
x
x d x d
x
f
x d
x
f
x
+

+

+
=
|
|
.
|
\
|
+
|
|
.
|
\
|
=

En esta expresin se observa una forma cuadrtica. Por lo tanto, podemos
representarla de la siguiente forma:
| | dx f H dx
x d
x d
x
x f
x x
x f
x x
x f
x
x f
dx dx x f d
t
=
(
(
(
(
(
(
(
(
(
|
.
|
\
|

|
.
|
\
|

|
.
|
\
|
|
.
|
\
|
= |
.
|
\
|
2
1
2
2
2
1 2
2
2 1
2
2
1
2
2 1
2

Si 0
2
> |
.
|
\
|
a f d , esto significa que si 0 > |
.
|
\
|
a f H (esto es, la matriz Hessiana
analizada en a debe ser definida positiva), diremos que a es un mnimo
relativo estricto.
Si 0
2
< |
.
|
\
|
a f d eso significa que si 0 < |
.
|
\
|
a f H (esto es, la matriz Hessiana
analizada en a debe ser definida negativa), si cumple, diremos que a es un
mximo relativo estricto.
Si |
.
|
\
|
a f d
2
es indefinida en a , entonces diremos que a es un punto de silla.

A travs de los mtodos de autovalores y/o menores principales dominantes
podremos saber cuando |
.
|
\
|
a f d
2
es definida (positiva o negativa) o indefinida.

Podemos generalizar que para una funcin R R f
n
: diferenciable en
n
R D ,
si deseamos saber que tipo de puntos (mximo, mnimo o punto de silla) son sus
puntos estacionarios D a , deberemos analizar cmo se define ( ).
a
f H
Donde ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
(
(
(
(
(
(
(
(
(
(
(
=
2
2
2
2
1
2
2
2
2
2
2
1 2
2
1
2
2 1
2
2
1
2
n
n n
n
n
x
a
f
x x
a
f
x x
a
f
x x
a
f
x
a
f
x x
a
f
x x
a
f
x x
a
f
x
a
f
a
f H
L
M O M M
L
L
es la matriz hessiana
evaluada en el vector a (donde a es un punto estacionario). Por tanto:
Si la matriz Hessiana analizada en ese punto es definida negativa, entonces
estamos hablando de un punto mximo relativo.
360
Si la matriz Hessiana analizada en ese punto es definida positiva, entonces
estamos hablando de un punto mnimo relativo.

Si la matriz Hessiana analizada en ese punto es indefinida, entonces estamos
hablando de un punto de silla.

Ejemplo:

Determinar los mximos y mnimos locales de las siguientes funciones:

1. ( ) 4 12 3 3 2 ,
2 3 3
+ + = x y x y x y x f

2. ( )
4
,
2 2
+ +
=
y x
x
y x f

3. ( ) 13 2 10 3 8 5 , ,
2 2 2
+ + = z y z x y x z y x f

Solucin:
1. ( ) 4 12 3 3 2 ,
2 3 3
+ + = x y x y x y x f

Hallamos los puntos estacionarios, a travs de la condicin de primer orden:

0 = |
.
|
\
|
a f
(
=
(
(
+
= |
.
|
\
|
0
0
3 3
12 6 6
2
0
0
2
0
y
x x
a f

Desarrollando obtenemos los siguientes puntos estacionarios:
( )
( )
( )
( )
( )

= =
1 , 1
1 , 1
1 , 2
1 , 2
,
0 0
y x a

Estudiaremos que clase de puntos estacionarios son a travs de la condicin de
segundo orden:
(
(
+
= |
.
|
\
|
0
0
6 0
0 6 12
y
x
a f H

Para el punto estacionario ( ) 1 , 2 :

( )
(
=
6 0
0 18
1 , 2 f H . Por lo tanto, la matriz Hessiana analizada en ese
punto estacionario es definida negativa. Entonces, el punto ( ) 1 , 2 es un
mximo relativo.

Para el punto estacionario ( ) 1 , 2 :
( )
(
=
6 0
0 18
1 , 2 f H . Por lo tanto, la matriz Hessiana analizada en ese
punto estacionario es indefinida. Entonces, el punto ( ) 1 , 2 es un punto de
silla.
447
Referencias Bibliogrficas

Alegre, P., Jorba, L., Ort, F., Sez, J., Sancho, T. y Terceo, A. (1991). Ejercicios
resueltos de matemticas empresariales 1. Madrid: Editorial AC.

Apostol, T.M. (1991). Calculus, vol I. Barcelona: Editorial Revert.

Apostol, T.M. (1991), Calculus, vol II. Barcelona: Editorial Revert.

Arya, J. y Lardner, R. (2002). Matemticas aplicadas a la administracin y a la
economa. Mxico: Pearson.

Barbolla, R., Cerd, E. y Sanz, P. (2001). Optimizacin cuestiones, ejercicios y
aplicaciones a la economa. Madrid: Prentice Hall.

Barranzuela, F. y Tresierra, A (1999). Matemticas empresariales apuntes. Piura:
Tallares Grficos de la Universidad de Piura.

Barrios, J., Carrillo, M., Gil, M., Gonzlez, C. y Pestano, C. (2005). Anlisis de
funciones en economa y empresa. Espaa: Daz de Santos.

Blanco, S., Garca, P. y Del Pozo, E. (2003). Matemticas empresariales I enfoque
terico-prctico. Madrid: Thomson.

Blume, L. y Simon, C. (1994). Mathematics for economists. New York: Norton.

Bru, R., Climent, J., Mas, J. y Urbano, A. (2001). lgebra lineal. Bogot:
Alfaomega.

Cmara, A., Garrido, R. y Tolmos, P. (2003). Problemas resueltos de matemticas
para economa y empresa. Madrid: Thomson.

Chiang, A. (1999). Mtodos fundamentales de economa matemtica. Chile: Mc.
Graw Hill.
448
Espinoza, E. (1999). lgebra lineal. Lima: Servicios Grficos JJ.

Greene, W. (1999). Anlisis economtrico. Madrid: Prentice Hall.

Grossman, S. (1996). lgebra lineal. Mxico: Mc. Graw Hill.

Gutirrez, S. y Franco, A. (2002). Matemticas aplicadas a la economa y la
empresa. Madrid: Thomson.

Lenard, D. y Van Long, N. (2002). Optimal control theory and static optimization
in economics. Reino Unido: Cambridge University Press.

Lipschutz, S. (1991). lgebra lineal. Mxico: Mc. Graw Hill.

Lipschutz, S. (1971). Teora y problemas de lgebra lineal. Colombia: Mc. Graw
Hill.

Malaspina, U. (1994). Matemticas para el anlisis econmico. Lima: Fondo
Editorial de la Pontificia Universidad Catlica del Per.

Nakos, G. y Joyner, D. (1999). lgebra lineal con aplicaciones. Mxico: Thomson.

Sydsaeter, K. y Hammond, P. (1996). Matemticas para el anlisis econmico.
Madrid: Prentice Hall.

Weber, J. (1982). Matemticas para administracin y economa. Mxico: Harla.

Algebra Lineal

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Algebra Lineal

Uploaded by

Copyright:

Available Formats

LGEBRA LINEAL PARA ADMINISTRACIN Y ECONOMA

por Randy Fernndez y Ciro Bazn

230 190 110

, como este menor de orden 2 es diferente de cero,

You might also like