Professional Documents
Culture Documents
1
Vectores
a1
Vector columna
(matriz n x 1) a2
an
Vector fila
(a1 a2 an )
(matriz 1 x n)
2
Matrices
Elemento: aij
a11 a12 a1n
Tamaño: m n a a a
Matriz cuadrada: n n 21 22 2n
(orden n)
a a a
Elementos de la diagonal: ann m1 m 2 mn
3
2 1 3 4 7 8
Suma:
A 0 4 6 , B 9 3 5
6 10 5 1 1
2
24 1 7 3 (8) 6 6 5
AB 09 43 65 9 7 11
6 1 10 (1) 5 2 5 3
9
(i) A+ B =B +A
(ii) A + (B + C) = (A + B) + C
(iii) (k1k2) A = k1(k2A)
(iv) 1A=A
(v) k1(A + B) = k1A + k1B
(vi) (k1 + k2) A = k1A + k2A
5
Multiplicación:
4 7 9 2
(a) A ,B
3 5 6 8
4.9 7.6 4.(2) 7.8 78 48
AB
3.9 5.6 3.(2) 5.6 57 34
(b) 5 8
4 3
A 1 0 , B
2 7 2 0
5.(4) 8.2 5.(3) 8.0 4 15
AB 1.(4) 0.2 1.(3) 0.0 4 3
2.(4) 7.2 2.(3) 7.0 6 6
Nota: En general, AB BA
6
Transpuesta de una matriz A:
(i) (AT)T = A
(ii) (A + B)T = AT + BT
(iii) (AB)T = BTAT
(iv) (kA)T = kAT
Nota: (A + B + C)T = AT + BT + CT
(ABC)T = CTBTAT 7
Matriz cero 0 0
0 0 0
0 ,0 , 0 0 0
0 0 0 0 0
A+0=A
A + (–A) = 0
Matrices triangulares
2 0 0 0 0
1 2 3 4
1 6 0 0 0
0 5 6 7 8 9 3 0 0
0 0 8 9
1 1 1 2 0
0 0 0 1
15 2 3 4 1
Triangular superior Triangular inferior 8
Matriz diagonal:
Matriz cuadrada n n, i ≠ j, aij = 0
7 0 0
5 0 1 0
0 1 0 5
0 5 0 1
2
0 1
0
Matriz identidad:
1 0 0 0
A: m n, entonces 0 1 0 0
Im A = A In = A
0 0 0 1
9
Una matiz A n × n es simétrica si AT = A.
1 2 7
A 2 5 6
7 6 4
1 2 7
A 2 5 6 A
T
7 6 4
10
Resolución de sistemas de ecuaciones lineales:
a11x1 a12 x2 a1n xn b1
a21x1 a22 x2 a2 n xn b2
am1x1 am 2 x2 amn xn bm
Matriz aumentada
asociada, para resolver a11 a12 a1n b1
el sistema de ecuaciones
lineales. a21 a22 a2 n b2
am1 am 2 amn bm
11
2x1 + 6x2 + x3 = 7 2 6 1 7 1 2 1 1
R12
x1 + 2x2 – x3 = –1 1 2 1 1 2 6 1 7
5x1 + 7x2 – 4x3 = 9 5 7 4 9 5 7 4 9
2 R1 R2 1 2 1 1 1 2 1 1
5 R1 R3
1
2 R2
0 2 3 9 0 1 3
2
9
2
0 3 0 3
1 14 1 14
1 2 1 1 1 2 1 1
3 R2 R3
2 R
11 3
0 1
3
2
9
2 0 1
3
2
9
2
0 0 11 55 0 0
2 2 1 5
x1 2 x2 x3 1
x3 = 5, x2 = –3, x1 = 10 3
x2 x3
9
2 2
x3 5 12
Resolver mediante el método de Gauss-Jordan
x1 + 3x2 – 2x3 = – 7
4x1 + x2 + 3x3 = 5
2x1 – 5x2 + 7x3 = 19
1 3 2 7 4 R1 R2 1 3 2 7
2 R1 R3
4 1 3 5 0 11 11 33
2 5 7 19 0 11 11 33
111R2
111R3
1 3 2 7 3 R2 R1 1 0 1 2
R2 R3
0 1 1 3 0 1 1 3
0 1 1 3 0 0
0 0
Entonces: x2 – x3 = –3
x1 + x3 = 2
Haciendo x3 = t, tenemos x2 = –3 + t, x1 = 2 – t. 13
Resolver: x1 + x2 = 1
4x1 − x2 = −6
2x1 – 3x2 = 8
1 1 1 1 0 1
4 1 6 0 1 2
2 3 0 0 16
8
0 + 0 = 16 !! No tiene soluciones.
14
Vectores fila:
a11 a12 a1n
a21 a22 a2 n u1 = (a11 a12 … a1n),
A
u2 = (a21 a22, … a2n),…,
um = (am1 am2 … amn)
am1 am 2 amn
Vectores columna: El rango de una
a11 a12 a1n matriz A m n, es el
máximo número de
a21 a22 a2 n vectores fila
v1 , v 2 , , v n
linealmente
am1 am 2 amn independientes.
1 1 1 3 32RR1RR2 1 1 1 3 121R2R R3 1 1 1 3
6 8 0 4 8 2 0 1 2 2
1 3 4 2
A 2 2 1
3 5 7 8 0 2 4 1 0 0 0
0
15
rang A = 2.
AX = 0
16
AX = B, B≠0
Consistente Inconsistente
rang(A) = rang(A│B) rang(A) < rang(A│B)
17
Determinantes
a11 a12
det A a11a22 a12 a21
a21 a22
6 5 0
det A 1 8 7 0C13 (7)C23 0C33
2 4 0
6 5 0
23 23 6 5
(7)( 1) 1 8 7 (7)( 1)
2 4
2 4 0
7[6(4) 5(2)] 238
22
det AT = det A
5 7 5 3
det A 41 det A
T
41
3 4 7 4
6 2 2 6 2 2
A 4 2 2 det A 4 2 2 0
9 2 2
9 2 2
23
Si todos los elementos de una fila (columna) de una
matriz A de n × n son cero, entonces det A = 0.
2 1 3 4 1 9
det B 6 0 7 6 0 7 det A
4 1 9 2 1 3
24
Si B se obtiene de una matriz A n × n multiplicando
una fila (columna) por un número real k, entonces:
det B = k det A
det B kai1Ci1 kai 2Ci 2 kainCin
k (ai1Ci1 ai 2Ci 2 ainCin ) k det A
expansión de det A por cofactores a lo largo de la i -ésima fila
5 8 1 8 1 1
5 5.8
20 16 4 16 4 2
1 1
5.8.2 80(1 2) 80
2 1 25
Si A y B son matrices n × n, entonces
det AB = det A det B.
2 6 3 4
A , B
1 1 3 5
12 22
AB
6 9
26
Si B se obtiene como combinaciones lineales de
filas o columnas de una matriz A n × n, entonces:
det B = det A
5 1 2 3 R R 5 1 2
1 3
A 3 0 7 3 0 7 B
4 1 4 11 4 2
3 0 0 0 3 0 0 0
2 6 0 0 2 6 0 0
A det A
5 9 4 0 5 9 4 0
7 2 4 2 7 2 4 2
3 .6 .(4) .(2) 144
matriz diagonal
3 0 0 3 0 0
A 0 6 0 det A 0 6 0 (3).6.4 72
0 0 4
0 0 4 28
Supongamos que A es una matriz n n.
Si ai1, ai2, …, ain son los elementos de la i-ésima fila
y Ck1, Ck2, …, Ckn son los cofactores de la k-ésima
fila, entonces:
31
Inversa de un matriz
Sea A una matriz n n. Si existe una matriz
n n B tal que
AB = BA = I
donde I es la matriz identidad n n, entonces
se dice que A es una matriz no singular o
invertible. Y B es la matriz inversa de A.
Si A carece de inversa, se dice que es una
matriz singular.
Sean A, B matrices no singulares.
(i) (A-1)-1 = A
(ii) (AB)-1 = B-1A-1
(iii) (AT)-1 = (A-1)T 32
Matriz adjunta
1
1
A adj A
det A
Para n =3:
a11 a12 a13 C11 C21 C31
A(adj A) a21 a22 a23 C12 C22 C32
a C
31 32 a a 33 13 C 23 C33
det A 0 0
0 det A 0
0
0 det A 34
1 4
A
2 10
11 10 4 5 2
A
2 2 1 1 1
2
1 1 4 5 2 5 4 2 2 1 0
AA
2 10 1 12 10 10 4 5 0 1
1 5 2 1 4 5 4 20 20 1 0
A A
1 1
2 2 10 1 1 4 5 0 1
35
2 2 0
A 2 1 1
3 0 1
1 1 2 1 2 1
C11 1 C12 5 C13 3
0 1 3 1 3 0
2 0 2 0 2 2
C21 2 C22 2 C23 6
0 1 3 1 3 0
2 0 2 0 2 2
C31 2 C32 2 C33 6
1 1 2 1 2 1
1 2 2 112 16 1
6
1 1 5
A 5 2 2 12 1
6 6
1
12 1 1
3 6 6 4 1
2 2 36
a11 a12 a1n 1 0 0
2 0 1
a21 a22 a2 n
(A | I)
0 1 0
A 2 3 4
5 5 6
an1 an 2 ann 0 0 1
2 0 1 1 0 0 1
2 R1 1 0 1 1 0 0
2 2
2 3 4 0 1 0 2 3 4 0 1 0
5 5 6 0 0 1 5 5 0 0 1
6
2 R1 R2
5 R1 R3 1 0 1 1 0 0
2 2
0 3 5 1 1 0
0 5 0 1
17
2
5
2
37
1
3 R2
1 R 1 0 1 1 0 0
5 3 2 2
0 1 5
3
1
3
1
3 0
0 0 15
1 17
10
1
2
R2 R3 1 0 1 1 0 0
2 2
0 1 5
3
1
3
1
3 0
0 13 15
0 1
30
1
6
30 R3 1 0 1 1 0 0
2 2
0 1
5
3
1
3
1
3 0
0 0 10 6
1 5
12 R3 R1
5 3 R3 R2 1 0 0 2 5 3 2 5 3
0 1 0 8
1
17 10 A 8 17 10
0 0 1 5 10
5 10 6 38 6
1 1 2 1 1 2 1 0 0
A 2 4 5
6 0 3 2 4 5 0 1 0
6 0 3 0 0 1
2 R1 R2 1 1 2 1 0 0
0 6 9 2 1 0
6 0 3 1
0 0
6 R1 R3 1 1 2 1 0 0
0 6 9 2 1 0
0 6 9 6 0 1
R2 R3 1 1 2 1 0 0
0 6 9 2 1 0
0 0 0 4 1 139
Singular
a11 x1 a12 x2 a1n xn b1
a21 x1 a22 x2 a2 n xn b2
AX = B
am1 x1 am 2 x2 amn xn bm
Si m = n, y A es no singular, entonces:
X = A-1B
40
2 x1 9 x2 15 2 9 x1 15
3 x1 6 x2 16 3 6 x2 16
1
2 9 2 9 1 6 9
39 0
3 6 3 6 39 3 2
x1 1 6 9 15 1 234 6
1
x2 39 3 2 16 39 13 3
x1 6 , x2 1/3
41
2 x1 x3 2 2 0 1
5 x1 5 x2 6 x3 1 A 2 3 4
2 x1 3x2 4 x3 4 5 5 6
1
x1 2 0 1 2
x2 2 3 4 4
x 5 5 6 1
3
2 5 3 2 19
8 17 10 4 62
5 10 6 1 36
x1 19 , x2 62 , x3 36
42
C11 C21 Cn1 b1
1 C12 C22 Cn 2 b2
XA B
-1
det A
C1n C2 n Cnn bn
b1C11 b2C21 bncn1
1 b1C12 b2C22 bncn 2
det A
b1C1n b2C2 n bncnn
b1C1k b2C2 k bnCnk
Regla xk
de det A
det A k
Cramer
det A 43
a11x1 a12 x2 a1n xn 0
a21 x1 a22 x2 a2 n xn 0
am1 x1 am 2 x2 amn xn 0
0 1 3 1 2 1
AK 2 3 3 1 2 (2) 1 (2)K
2 1 2 1
1 1
Autovalor
46
• Podemos escribir AK = K como:
(A – I)K = 0
Que es lo mismo que un sistema de ecuaciones lineales
homogéneo. Si queremos que K sea una solución distinta de cero,
debería ocurrir que:
det (A – I) = 0
Observa que det (A – I) nos proporcionará un polinomio de
grado n, que llamaremos ecuación característica.
47
Encuentra los autovalores y autovectores de:
1 2 1
A 6 1 0 (A – I)K = 0
1 2 1
1 2 1
det( A I ) 6 1 0 0
1 2 1
–3 – 2 + 12 = 0
Ahora encontraremos los
( + 4) ( – 3) = 0 autovectores para cada
= 0, −4, 3. autovalor.
48
(i) 1 = 0 (A – 1I)K = 0
6 R1 R2
1 2 1 0 R1 R3 1 2 1 0
( A 0I | 0) 6 1 0 0 0 13 6 0
1 2 1 0 0
0 0 0
113 R2 1 2 1 0 2 R2 R1 1 0 113 0
0 1 13 0 0 1 13 0
6 6
0 0 0 0 0 0 0 0
1 6
k1 k3 , k2 k3
13 13
1
Tomando k3 = −13 K1 6
13
49
(ii) 2 = −4 5 2 1 0
( A 4I | 0) 6 3 0 0
1 2 3 0
(A – 2I)K = 0 R3 6 R R
1 2 3 0 5 R11 R32 1
R13 2 3 0
6 3 0 0 0 9 18 0
5 2 0 8 16 0
1 0
19 R2 2 R2 R1
18 R3 1 2 3 0 2 R2 R3 1 0 1 0
0 1 2 0 0 1 2 0
0 1 2 0 0 0
0 0
1
k1 = −k3 , k2 = 2k3. Tomando k3 = 1: K2 2
1
50
(A – 3I)K = 0
(iii) 3 = 3
2 2 1 0 1 0 1 0
( A 3I | 0) 6 4 0 0 0 1 3
2 0
1 2 4 0 0 0 0 0
k1 = – k3, k2 = –(3/2) k3. Y tomando k3 = –2,
2
K 3 3
2
51
Encuentra los autovalores y autovectores de:
3 4
A
1 7
3 4
det( A I ) ( 5) 2 0
1 7
1 = 2 = 5 es un autovalor de multiplicidad 2.
A partir de (A – 5I|0), tenemos: 2k1 4k2 0
Tomando k2 = 1, tenemos k1 2k2 0
k1 = 2, y entonces 2
K1
1
52
Encuentra los autovalores 9 1 1
y autovectores de: A 1 9 1
1 1 9
9 1 1
det( A I ) 1 9 1 ( 11)( 8) 0
2
1 1 9
53
(i) 1 = 11, por el método de Gauss-Jordan:
2 1 1 0 1 0 1 0
( A 11I | 0) 1 2 1 0 0 1 1 0
1 0 0 0 0
1 2 0
54
(ii) 2 = 8,
1 1 1 0 1 1 1 0
( A 8I | 0)3 1 1 1 0 0 0 0 0
1 1 1 0 0 0 0 0
k1 + k2 + k3 = 0. Podemos elegir dos de ellos de manera
arbitraria. Tomemos k2 = 1, k3 = 0:
1
Y k2 = 0, k3 = 1: K 2 1,
0
1
K3 0
1
55
Autovalores y autovectores complejos
Sea A una matriz cuadrada de elementos reales.
Si = + i, 0, es un autovalor complejo de A,
entonces su conjugado i es también un
autovalor de A.
Si K es un autovector correspondiente a , entonces
el autovector conjugado K es un autovector
correspondiente a .
Demostración:
AK = K, AK K , AK K
56
Encuentra los autovalores
6 1
y autovectores de: A
5 4
6 1
det( A I ) 2 10 29 0
5 4
1 5 2i , 2 1 5 2i (A – 1I)K = 0
1 = 5 + 2i (1 2i )k1 k2 0
5k1 (1 2i )k2 0
A AAA
m
A
m factores
58
Teorema de Cayley-Hamilton
n1
(1) cn1
n n
c1 c0 0
Una matriz A satisface su propia
ecuación característica:
n1
(1) A cn1A
n n
c1A c0I 0
59
Comprobarlo con:
2 − – 2 = 0.
2 4
A Y por el teorema de Cayley-
1 3
Hamilton:
A2 − A – 2I = 0
Am = c1A + c0I y m = c1 + c0
2 − – 2 = 0; 1 = −1 , 2 = 2:
(1) c0 c1 (1)
m
2 c0 c1 (2)
m
c0 1/3[2m 2(1)m ], c1 1/3[2m (1)m ]
1 [ 2 m 4( 1) m ] 4 [ 2 m
( 1) m
]
A m 3 3
3 1 [ 2 m ( 1) m ] 1 [2
3
m 2
(1) ]
m
61
Y en general, para una matriz de orden n:
62
Calcula Am para: 1 1 2
A 1 2 1
0 1 1
Solución
3 + 2 2 + – 2 = 0, = –1, 1, 2.
Am = c0I + c1A +c2A2
m = c0 + c1 + c2 2
Con 1 = –1, 2 = 1, 3 = 2, obtenemos:
(–1)m = c0 – c1 + c2 c0 1
3 [3 ( 1)
m
2 ],
m
1 = c0 + c1 + c2 c1 2[1 (1) m ],
2m = c0 +2c1 + 4c2 c2 1
6 [ 3 ( 1) m
2 m1
]
63
Puesto que Am = c0I + c1A +c2A2, tenemos:
16 [9 2m1 (1) m ] 1 [ 2 m
( 1) m
] 1 [ 9 2 m 1
7 ( 1) m
]
3 6
A
m
1 2m 2m 2 1
m
1 [3 2m1 (1) m ] 1 [ 2 m
( 1) m
] 1 [ 3 2 m 1 7( 1) m ]
6 3 6
64
2 4 Por el teorema de Cayley-Hamilton:
A A2 – A – 2I = 0,
1 3 I = (1/2)A2 – (1/2)A,
1
2 4 1 2 4 1 1 0 32 2
1
1 3 2 1 3 2 0 1 2 1
65
Una matriz A n n es simétrica si A=AT
Si A es simétrica con elementos
reales, entonces los autovalores de
A son reales.
AK = K, AK K , AK K
Transponiendo y multiplicando por K por la derecha:
K AK K K
T T
0 ( ) K K T
K K ( | k1 | | k2 | | kn | ) 0
T 2 2 2
0 es real. 66
Autovectores ortogonales
Al igual que definimos el producto escalar entre
vectores:
x y = x1 y1 + x2 y2 + … + xn yn
podemos definirlo con matrices (vectores fila o
columna):
X Y XT Y = x1 y1 + x2 y2 + … + xn yn
0 = 1K1TK2 − 2K1TK2
0 = (1 − 2) K1TK2
Como 1 2, entonces K1TK2 = 0. 68
0 1 0 = 0, 1, −2 y
1 1 1
A 1 1 1
0 K 0 , K 1 , K3 2
1 0 1
1
2
1 1
1
K1 K 2 (1 0 1) 1 1.(1) 0.1 1.(1) 0
T
1
1
K1 K 3 (1 0 1) 2 1.1 0.2 1.(1) 0
T
1
1
K 2 K 3 (1 1 1) 2 (1).1 1.2 1.(1) 0
T
1
69
Matriz ortogonal:
13 2 2 3 13 2 3 2
3 1 0 0
2 2
3
A A 3
T 2
3
1
3 3
2
3
1
3 0 1 0 I
2 2 2 2 0 0 1
3 1
3 3 3
1
3 3
70
Una matriz A n × n es ortogonal si y solo si sus
vectores columnas X1, X2, …, Xn forman un
conjunto ortonormal.
1 9 9 9
3
23
1 2 2 4
X1 X3 ( 3 3 3 ) 3 0
T 1 2 2
2 9 9 9
3
23
1 4 2 2
X 2 X3 ( 3 3 3 ) 3 0
T 2 2 1
2 9 9 9
3 72
Y los vectores son unitarios, ortonormales:
13
2 1 4 4
X1 X1 ( 3 3 3 ) 3 1
T 1 2 2
2 9 9 9
3
23
2 4 4 1
X 2 X 2 ( 3 3 3 ) 3 1
T 2 2 1
1 9 9 9
3
23
1 4 1 4
X3 X3 ( 3 3 3 ) 3 1
T 2 1 2
2 9 9 9
3
73
0 1 0 1 1 1
Vimos
A 1 1 1 K 1 0 , K 2 1 , K 3 2
0 1 1 1
1 0
|| K1 || K1T K1 2, 1 1 1
2 3 6
|| K 2 || KT2 K 2 3, 0 , 1 , 2
3 6
|| K 3 || K T3 K 3 6 1 1 1
2 3 6
1
1 1
2 3 6
1 2
P 0
3 6
1 1 1 Verifica que PT = P-1.
2 3 6 74
Autovalor dominante
Sean 1 , 2 , , k , , n los autovalores
de una matriz A n × n. El autovalor k se
llama autovalor dominante de A si:
| k | | i | , i 1, 2 , 3 ,, n
Vector n 1
X 2 AX1 A 2 X0
Supongamos que
A tiene un autovalor
dominante. X m AXm1 A m X0
A X0
m m
1 c1K1
77
A X0
m m
1 c1K1
Observemos que un autovector multiplicado por una constante
sigue siendo un autovector. De modo que podemos escribir:
Am X0 = Xm
De modo que Xm será una aproximación al autovector
dominante.
Puesto que AK = K, AKK= KK
AK
que nos K aproximación al autovalor
da una m Xm
AXdominante.
1
K K Xm Xm
Cociente de Rayleigh.
78
4 2 4 2 1 6
A X1 AX0
3 1 3 1 1 2
1 4 2 6 28
X0 X 2 AX1
1 3 1 2 16
i 3 4 5 6 7
144 712 3576 17848 89304
Xi
68 364 1772 8956 44588
A X0
m m
1 c1K1
1
X7 89304
0.4933
79
4 2 1 4.9986
AX7
3 1 0.4993 2.5007
T
4.9986 1
AX7.X7 6.2472
2.5007 0.4993
T
1 1
X7.X7 1.2493
0.4993 0.4993
AX7.X7 6.2472
1 5.0006
X7.X7 1.2493
1 1
1 5, 2 2, K1 , K 2
0.5 3
80
Matriz diagonalizable
Si existe una matriz P, tal que P-1AP = D sea
diagonal, entonces decimos que A es
diagonalizable.
TEOREMA
81
Demostración
• Puesto que P = (K1, K2, K3) es no singular,
entonces existe P-1 y
82
Condición suficiente de diagonalización
Si A es una matriz n n con n autovalores
distintos, entonces es diagonalizable.
2
3 4 Tenemos que = 5, 5. K1
A 1
1 7 Y solo podemos encontrar un autovector.
La matriz no puede diagonalizarse.
83
5 9
Diagonaliza: A
6 10
5 9
det( A I ) 2 5 4 ( 1)( 4)
6 10
= 1, 4.
3 1
K1 , K 2
2 1
3 1 1 1
P (K 1 K2) ,
P
1
2 1 2 3
1 1 1 5 9 3 1 1 0
P AP D
2 3 6 10 2 1 0 4
84
1 0 , 2 4 , 3 3 ,
1 2 1
1 1 2
A 6 1 0
1 2 1 K1 6 , K 2 2 , K 3 3
13 1 2
1 1 2 112 0 112
9
P (K 1 K 2 K3) 6 2 3 1
P 28 2
7
3
28
13 8 2
1 2 21 1
7 21
112 0 112 1 2 1 1 1 2
1 9
P AP 28 7 2 3
28 6 1 0 6 2 3
8 2 1 2 1 13
21 7 1
21 1 2
0 0 0
0 4 0 D
0
0 3 85
0 1 0 1
A 1 0 0 = −1, 1, 1. = −1 K 1 1
0 0 1 0
1 1 0 1 1 0
= 1 ( A I | 0) 1 1 0 0 0 0
0 0 0 0 0 0
1 0
K 2 1 , K 3 0 junto con K1, forman tres vectores
0 1 linealmente independientes. Luego la
matriz es diagonalizable.
1 1 0 1 0 0
P 1 1 0 P-1AP = D D 0 1 0
0 0 1 0 0 1
86
• Si existe una matriz P ortogonal que puede
diagonalizar a A, decimos que A es
ortogonalmente diagonalizable.
• Una matriz A n x n es ortogonalmente
diagonalizable si y solo si es simétrica.