You are on page 1of 86

1

5. Repaso de matrices
( Chema Madoz, VEGAP, Madrid 2009)
2
Elemento: a
ij

Tamao: m n
Matriz cuadrada: n n
(orden n)
Elementos de la diagonal: a
nn

Matrices
|
|
|
|
|
.
|

\
|
mn m m
n
n
a a a
a a a
a a a

2 1
2 22 21
1 12 11
|
|
|
|
|
.
|

\
|
n
a
a
a

2
1
) (
2 1 n
a a a
Vector columna
(matriz n x 1)
Vector fila
(matriz 1 x n)
3
|
|
|
.
|

\
|

=
|
|
|
.
|

\
|

=
2 1 1
5 3 9
8 7 4
,
5 10 6
6 4 0
3 1 2
B A
|
|
|
.
|

\
|

=
|
|
|
.
|

\
|
+ + +
+ + +
+ + +
= +
3 9 5
11 7 9
5 6 6
2 5 ) 1 ( 10 1 6
5 6 3 4 9 0
) 8 ( 3 7 1 4 2
B A
Suma:
n m ij
mn m m
n
n
a k
ka ka ka
ka ka ka
ka ka ka
k

=
|
|
|
|
|
.
|

\
|
= ) (
2 1
2 22 21
1 12 11

A
Multiplicacin por un escalar:
4
Si A, B, C son matrices mn, k
1
y k
2
son escalares:

(i) A + B = B + A
(ii) A + (B + C) = (A + B) + C
(iii) (k
1
k
2
) A = k
1
(k
2
A)
(iv) 1 A = A
(v) k
1
(A + B) = k
1
A + k
1
B
(vi) (k
1
+ k
2
) A = k
1
A + k
2
A
5
(a)



(b)





Nota: En general, AB = BA
|
.
|

\
|

= |
.
|

\
|
=
8 6
2 9
,
5 3
7 4
B A
|
.
|

\
|
= |
.
|

\
|
+ +
+ +
=
34 57
48 78
6 5 ) 2 ( 3 6 5 9 3
8 7 ) 2 ( 4 6 7 9 4


AB
|
.
|

\
|

=
|
|
|
.
|

\
|
=
0 2
3 4
,
7 2
0 1
8 5
B A
|
|
|
.
|

\
|



=
|
|
|
.
|

\
|
+ +
+ +
+ +
=
6 6
3 4
15 4
0 7 ) 3 ( 2 2 7 ) 4 ( 2
0 0 ) 3 ( 1 2 0 ) 4 ( 1
0 8 ) 3 ( 5 2 8 ) 4 ( 5



AB
Multiplicacin:
6
|
|
|
|
|
.
|

\
|
=
mn n n
m
m
T
a a a
a a a
a a a

2 1
2 22 12
1 21 11
A
Transpuesta de una matriz A:
(i) (A
T
)
T
= A
(ii) (A + B)
T
= A
T
+ B
T

(iii) (AB)
T
= B
T
A
T

(iv) (kA)
T
= kA
T
Nota: (A + B + C)
T
= A
T
+ B
T
+ C
T

(ABC)
T
= C
T
B
T
A
T
7
|
|
|
.
|

\
|
= |
.
|

\
|
= |
.
|

\
|
=
0 0
0 0
0 0
,
0 0
0 0
,
0
0
0 0 0
Matriz cero
A + 0 = A
A + (A) = 0
inferior Triangular superior Triangular
1 4 3 2 15
0 2 1 1 1
0 0 3 9 8
0 0 0 6 1
0 0 0 0 2
1 0 0 0
9 8 0 0
7 6 5 0
4 3 2 1
|
|
|
|
|
|
.
|

\
|

|
|
|
|
|
.
|

\
|
Matrices triangulares
8
Matriz cuadrada n n, i j, a
ij
= 0


|
|
|
.
|

\
|
1 0 0
0 0
0 0 7
2
1
Matriz diagonal:
|
.
|

\
|
= |
.
|

\
|
1 0
0 1
5
5 0
0 5
A: m n, entonces
I
m
A = A I
n
= A
Matriz identidad:
|
|
|
|
|
.
|

\
|
1 0 0 0
0 0 1 0
0 0 0 1

9
Una matiz A n n es simtrica si A
T
= A.
|
|
|
.
|

\
|
=
4 6 7
6 5 2
7 2 1
A
A A =
|
|
|
.
|

\
|
=
4 6 7
6 5 2
7 2 1
T
10
m n mn m m
n n
n n
b x a x a x a
b x a x a x a
b x a x a x a
= + + +
= + + +
= + + +

2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11
|
|
|
|
|
.
|

\
|
m mn m m
n
n
b a a a
b a a a
b a a a

2 1
2 2 22 21
1 1 12 11
Matriz aumentada
asociada, para resolver
el sistema de ecuaciones
lineales.
Resolucin de sistemas de ecuaciones lineales:
11
2x
1
+ 6x
2
+ x
3
= 7
x
1
+ 2x
2
x
3
= 1
5x
1
+ 7x
2
4x
3
= 9
|
|
|
.
|

\
|


|
|
|
.
|

\
|



9 4 7 5
7 1 6 2
1 1 2 1
9 4 7 5
1 1 2 1
7 1 6 2
12
R
|
|
|
.
|

\
|


|
|
|
.
|

\
|



+
+
14 1 3 0
1 0
1 1 2 1
14 1 3 0
9 3 2 0
1 1 2 1
2
9
2
3
5
2
2
2
1
3 1
2 1
R
R R
R R
|
|
|
.
|

\
|

|
|
|
.
|

\
|


+
5 1 0 0
1 0
1 1 2 1
0 0
1 0
1 1 2 1
2
9
2
3
2
55
2
11
2
9
2
3
3
3
11
2
3 2
R
R R
5
2
9
2
3
1 2
3
3 2
3 2 1
=
= +
= +
x
x x
x x x
x
3
= 5, x
2
= 3, x
1
= 10
12
Resolver mediante el mtodo de Gauss-Jordan
x
1
+ 3x
2
2x
3
= 7
4x
1
+ x
2
+ 3x
3
= 5
2x
1
5x
2
+ 7x
3
= 19

|
|
|
.
|

\
|

|
|
|
.
|

\
|



|
|
|
.
|

\
|


|
|
|
.
|

\
|

+
+

+
+
0 0 0 0
3 1 1 0
2 1 0 1
3 1 1 0
3 1 1 0
7 2 3 1
33 11 11 0
33 11 11 0
7 2 3 1
19 7 5 2
5 3 1 4
7 2 3 1
3 2
1 2
3
11
1
2
11
1
3 1
2 1
3
2
4
R R
R R
R
R
R R
R R
Entonces: x
2
x
3
= 3
x
1
+ x
3
= 2
Haciendo x
3
= t, tenemos x
2
= 3 + t, x
1
= 2 t.
13
Resolver: x
1
+ x
2
= 1
4x
1
x
2
= 6
2x
1
3x
2
= 8





|
|
|
.
|

\
|

|
|
|
.
|

\
|



16 0 0
2 1 0
1 0 1
8 3 2
6 1 4
1 1 1
0 + 0 = 16 !! No tiene soluciones.
14
Vectores fila:

u
1
= (a
11
a
12
a
1n
),
u
2
= (a
21
a
22
, a
2n
),,
u
m
= (a
m1
a
m2
a
mn
)
|
|
|
|
|
.
|

\
|
=
mn m m
n
n
a a a
a a a
a a a

2 1
2 22 21
1 12 11
A
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|
=
mn
n
n
n
m m
a
a
a
a
a
a
a
a
a


2
1
2
22
12
2
1
21
11
1
, , , v v v
Vectores columna:
El rango de una
matriz A m n, es el
mximo nmero de
vectores fila
linealmente
independientes.
|
|
|
.
|

\
|

|
|
|
.
|

\
|


|
|
|
.
|

\
|


=


+
+
+
0 0 0 0
2 1 0
3 1 1 1
1 4 2 0
2 8 4 0
3 1 1 1
8 7 5 3
8 6 2 2
3 1 1 1
2
1
3
2
2 4
1
3 2 2
1
3 1
2 1
R
R R
R R
R R
A
rang A = 2.
15
AX = 0
Siempre hay soluciones
(consistente)
Solucin nica X = 0
(solucin trivial)
rang(A) = n
Infinitas soluciones
Rang(A) < n
n r parmetros
16
AX = B, B0
Inconsistente
rang(A) < rang(AB)
Consistente
rang(A) = rang(AB)
Solucin nica
rang(A) = n
Infinitas soluciones
rang(A) < n
n r parmetros
17
21 12 22 11
22 21
12 11
det a a a a
a a
a a
= = A
.
det
33 21 12 32 23 11
31 22 13 32 21 13 31 23 12 33 22 11
33 32 31
23 22 21
13 12 11
a a a a a a
a a a a a a a a a a a a
a a a
a a a
a a a

+ + =
= A
Determinantes
32 31
22 21
13
33 31
23 21
12
33 32
23 22
11
det
a a
a a
a
a a
a a
a
a a
a a
a +
|
|
.
|

\
|
+ = A
Expansin por cofactores a lo largo de la primera fila.
18
32 31
22 21
13
33 31
23 21
12
33 32
23 22
11
a a
a a
C
a a
a a
C
a a
a a
C = = =
33 32 31
23 22 21
13 12 11
det
a a a
a a a
a a a
= A
det A = a
11
C
11
+ a
12
C
12
+ a
13
C
13
El cofactor de a
ij
es
C
ij
= (1)
i+ j
M
ij

donde M
ij
se llama menor.
... O por la tercera fila:
det A = a
31
C
31
+ a
32
C
32
+ a
33
C
33

Podemos expandir por filas o columnas.
19
|
|
|
.
|

\
|
=
3 5 1
3 0 6
7 4 2
A
13 12 11
7 4 2
3 5 1
3 0 6
7 4 2
det C C C + + = = A
3 5
3 0
) 1 (
3 5 1
3 0 6
7 4 2
) 1 (
1 1 1 1
11
+ +
= = C
3 1
3 6
) 1 (
3 5 1
3 0 6
7 4 2
) 1 (
2 1 2 1
12
+ +
= = C
5 1
0 6
) 1 (
3 5 1
3 0 6
7 4 2
) 1 (
3 1 3 1
13
+ +
= = C
20
120 )] 1 ( 0 ) 5 ( 6 [ 7 )] 1 ( 3 ) 3 ( 6 [ 4 )] 5 ( 3 ) 3 ( 0 [ 2
5 1
0 6
) 1 ( 7
3 1
3 6
) 1 ( 4
3 5
3 0
) 1 ( 2 det
3 1 2 1 1 1
= + =
+ + =
+ + +
A
13 12 11
7 4 2
3 5 1
3 0 6
7 4 2
det C C C + + = = A
120 ) 6 ( 3 ) 23 ( 6
5 1
4 2
) 1 ( 3
3 5
7 4
) 1 ( 6
3 0 6 det
3 2 2 1
23 22 21
= =
+ =
+ + =
+ +
C C C A
Ms corto desarrollando por la segunda fila...
21
238 )] 2 ( 5 ) 4 ( 6 [ 7
4 2
5 6
) 1 )( 7 (
0 4 2
7 8 1
0 5 6
) 1 )( 7 (
0 ) 7 ( 0
0 4 2
7 8 1
0 5 6
det
3 2 3 2
33 23 13
= =

=
+ + =

=
+ +
C C C A
|
|
|
.
|

\
|

=
0 4 2
7 8 1
0 5 6
A
22
det A
T
= det A
41
4 3
7 5
det =

= A 41
4 7
3 5
det =

=
T
A
Si dos filas (columnas) de una matriz A de n n
son idnticas, entonces det A = 0.
|
|
|
.
|

\
|
=
2 2 9
2 2 4
2 2 6
A 0
2 2 9
2 2 4
2 2 6
det = = A
23
Si todos los elementos de una fila (columna) de una
matriz A de n n son cero, entonces det A = 0.
Si B es la matriz obtenida por intercambio de
dos filas (columnas) de una matriz A n n,
entonces:
det B = det A
A B det
3 1 2
7 0 6
9 1 4
9 1 4
7 0 6
3 1 2
det =

=
24
Si B se obtiene de una matriz A n n multiplicando
una fila (columna) por un nmero real k, entonces:

det B = k det A
A
B
A
det ) (
det
fila sima - la de largo lo a cofactores por det de expansin
2 2 1 1
2 2 1 1
k C a C a C a k
C ka C ka C ka
i
in in i i i i
in in i i i i
= + + + =
+ + + =

80 ) 2 1 ( 80
1 2
1 1
2 8 5
2 4
1 1
8 5
16 4
8 1
5
16 20
8 5
= = =
= =

25
Si A y B son matrices n n, entonces
det AB = det A det B.
|
.
|

\
|


= |
.
|

\
|

=
5 3
4 3
,
1 1
6 2
B A
|
.
|

\
|

=
9 6
22 12
AB
det AB = 24, det A = 8, det B = 3,
det AB = det A det B.
26
det A = 45 = det B = 45.
B A =
|
|
|
.
|

\
|

|
|
|
.
|

\
|

=

+
2 4 11
7 0 3
2 1 5
4 1 4
7 0 3
2 1 5
3 1
3 R R
Si B se obtiene como combinaciones lineales de
filas o columnas de una matriz A n n, entonces:

det B = det A
27
|
|
|
.
|

\
|
=
33 32 31
22 21
11
0
0 0
a a a
a a
a
A
33 22 11 32 33 22 11
33 32
22
11
) 0 (
0
det
a a a a a a a
a a
a
a
=
= = A
|
|
|
|
|
.
|

\
|

=
2 4 2 7
0 4 9 5
0 0 6 2
0 0 0 3
A
144 ) 2 ( ) 4 ( 6 3
2 4 2 7
0 4 9 5
0 0 6 2
0 0 0 3
det
=
=

= A
|
|
|
.
|

\
|

=
4 0 0
0 6 0
0 0 3
A
72 4 6 ) 3 (
4 0 0
0 6 0
0 0 3
det = =

= A
matriz diagonal
matriz triangular inferior
28
Supongamos que A es una matriz n n.
Si a
i1
, a
i2
, , a
in
son los elementos de la i-sima fila
y C
k1
, C
k2
, , C
kn
son los cofactores de la k-sima
fila, entonces:

a
i1
C
k1
+ a
i2
C
k2
+ + a
in
C
kn
= 0, para i = k

Igualmente, si a
1j
, a
2j
, , a
nj
son los elementos de la
j-sima columna y C
1k
, C
2k
, , C
nk
son los
cofactores de la k-sima columna, entonces:

a
1j
C
1k
+ a
2j
C
2k
+ + a
nj
C
nk
= 0, para j = k
29
Demostracin
Sea B la matriz que obtenemos de A al
cambiarle los elementos de la i-sima fila por
los de su k-sima fila:

b
i1
= a
k1
, b
i2
= a
k2
, , b
in
= a
kn


B tendr entonces dos filas idnticas de modo
que det B = 0, y:
kn in k i k i
kn kn k k k k
C a C a C a
C a C a C a
+ + + =
+ + + = =

2 2 1 1
2 2 1 1
det 0 B
30
|
|
|
.
|

\
|
=
8 4 2
2 3 4
7 2 6
A
0 ) 10 ( 7 ) 40 ( 2 ) 25 ( 6
3 4
2 6
7
2 4
7 6
2
2 3
7 2
6
33 13 32 12 31 11
= + + =

+
|
|
.
|

\
|

=
+ + C a C a C a
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
-1
A
-1

(iii) (A
T
)
-1
= (A
-1
)
T

32
Sea A una matriz n n. La matriz formada por
la transpuesta de la matriz de cofactores
correspondientes a los elementos de A:






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

\
|
=
|
|
|
|
|
.
|

\
|
nn n n
n
n
T
nn n n
n
n
C C C
C C C
C C C
C C C
C C C
C C C

2 1
2 22 12
1 21 11
2 1
2 22 21
1 12 11
Matriz adjunta
33
A
A
A adj
det
1
1
|
.
|

\
|
=

|
|
|
.
|

\
|
=
|
|
|
.
|

\
|
|
|
|
.
|

\
|
=
A
A
A
A A
det 0 0
0 det 0
0 0 det
) adj (
33 23 13
32 22 12
31 21 11
33 32 31
23 22 21
13 12 11
C C C
C C C
C C C
a a a
a a a
a a a
Encontrar la matriz inversa:
Sea A una matriz n n. Si det A = 0, entonces:

Para n =3:
34
|
.
|

\
|
=
10 2
4 1
A
|
.
|

\
|


= |
.
|

\
|

2
1
1
1
2 5
1 2
4 10
2
1
A
|
.
|

\
|
= |
.
|

\
|
+
+
= |
.
|

\
|


|
.
|

\
|
=

1 0
0 1
5 4 10 10
2 2 4 5
1
2 5
10 2
4 1
2
1
1
AA
|
.
|

\
|
= |
.
|

\
|
+ +

= |
.
|

\
|
|
.
|

\
|

1 0
0 1
5 4 1 1
20 20 4 5
10 2
4 1
1
2 5
2
1
1
A A
35
|
|
|
.
|

\
|
=
1 0 3
1 1 2
0 2 2
A
6
1 2
2 2
2
1 2
0 2
2
1 1
0 2
6
0 3
2 2
2
1 3
0 2
2
1 0
0 2
3
0 3
1 2
5
1 3
1 2
1
1 0
1 1
33 32 31
23 22 21
13 12 11
=

= =

= = =
= = = = = =
=

= =

= = =
C C C
C C C
C C C
|
|
|
.
|

\
|

=
|
|
|
.
|

\
|

2
1
2
1
4
1
6
1
6
1
12
5
6
1
6
1
12
1
1
6 6 3
2 2 5
2 2 1
12
1
A
36
|
|
|
.
|

\
|

=
6 5 5
4 3 2
1 0 2
A
|
|
|
.
|

\
|
|
|
|
.
|

\
|

|
|
|
.
|

\
|

+
+

1 0 5 0
0 1 1 5 3 0
0 0 0 1
1 0 0 6 5 5
0 1 0 4 3 2
0 0 0 1
1 0 0 6 5 5
0 1 0 4 3 2
0 0 1 1 0 2
2
5
2
17
2
1
2
1
5
2
2
1
2
1
3 1
2 1
1
2
1
R R
R R
R
|
|
|
|
|
.
|

\
|
=
1 0 0
0 1 0
0 0 1
) | (
2 1
2 22 21
1 12 11




nn n n
n
n
a a a
a a a
a a a
I A
37
|
|
|
.
|

\
|

|
|
|
.
|

\
|

|
|
|
.
|

\
|

+
6 10 5 1 0 0
0 1 0
0 0 0 1
0 0
0 1 0
0 0 0 1
0 1 0
0 1 0
0 0 0 1
3
1
3
1
3
5
2
1
2
1
30
5
1
3
1
6
1
30
1
3
1
3
1
3
5
2
1
2
1
5
1
2
1
10
17
3
1
3
1
3
5
2
1
2
1
3
3 2
3
5
1
2
3
1
R
R R
R
R
|
|
|
.
|

\
|



+
+

6 10 5 1 0 0
10 17 8 0 1 0
3 5 2 0 0 1
2 3
3
5
1 3
2
1
R R
R R
|
|
|
.
|

\
|

6 10 5
10 17 8
3 5 2
1
A
38
|
|
|
.
|

\
|


=
3 0 6
5 4 2
2 1 1
A
|
|
|
.
|

\
|



|
|
|
.
|

\
|

1 0 0 3 0 6
0 1 2 9 6 0
0 0 1 2 1 1
1 0 0 3 0 6
0 1 0 5 4 2
0 0 1 2 1 1
2 1
2 R R
|
|
|
.
|

\
|


|
|
|
.
|

\
|


+
+

1 1 4 0 0 0
0 1 2 9 6 0
0 0 1 2 1 1
1 0 6 9 6 0
0 1 2 9 6 0
0 0 1 2 1 1
3 2
3 1
6
R R
R R
Singular
39
m n mn m m
n n
n n
b x a x a x a
b x a x a x a
b x a x a x a
= + + +
= + + +
= + + +

2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11
,
2 1
2 22 21
1 12 11
|
|
|
|
|
.
|

\
|
=
mn m m
n
n
a a a
a a a
a a a

A ,
2
1
|
|
|
|
|
.
|

\
|
=
n
x
x
x

X
|
|
|
|
|
.
|

\
|
=
m
b
b
b

2
1
B
AX = B
Si m = n, y A es no singular, entonces:
X = A
-1
B
40
16 6 3
15 9 2
2 1
2 1
= +
=
x x
x x
|
.
|

\
|
= |
.
|

\
|
|
.
|

\
|

16
15
6 3
9 2
2
1
x
x
0 39
6 3
9 2
= =

|
.
|

\
|

= |
.
|

\
|


2 3
9 6
39
1
6 3
9 2
1
|
|
.
|

\
|

= |
.
|

\
|

= |
.
|

\
|
|
.
|

\
|

= |
.
|

\
|
3
1
6
13
234
39
1
16
15
2 3
9 6
39
1
2
1
x
x
3 / 1 , 6
2 1
= = x x
41
4 4 3 2
1 6 5 5
2 2
3 2 1
3 2 1
3 1
= + +
= + +
= +
x x x
x x x
x x
|
|
|
.
|

\
|

=
6 5 5
4 3 2
1 0 2
A
|
|
|
.
|

\
|

=
|
|
|
.
|

\
|

|
|
|
.
|

\
|



=
|
|
|
.
|

\
|

|
|
|
.
|

\
|

=
|
|
|
.
|

\
|

36
62
19
1
4
2
6 10 5
10 17 8
3 5 2
1
4
2
6 5 5
4 3 2
1 0 2
1
3
2
1
x
x
x
36 , 62 , 19
3 2 1
= = = x x x
42
|
|
|
|
|
.
|

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

\
|
|
|
|
|
|
.
|

\
|
= =
nn n n n
n n
n n
n nn n n
n
n
c b C b C b
c b C b C b
c b C b C b
b
b
b
C C C
C C C
C C C

2 2 1 1
2 22 2 12 1
1 21 2 11 1
2
1
2 1
2 22 12
1 21 11
det
1
det
1
A
A
B A X
1 -
A
A
A
det
det
det
2 2 1 1
k
nk n k k
k
C b C b C b
x
=
+ + +
=

Regla
de
Cramer
43
0
0
0
2 2 1 1
2 2 22 1 21
1 2 12 1 11
= + + +
= + + +
= + + +
n mn m m
n n
n n
x a x a x a
x a x a x a
x a x a x a

Un sistema homogneo de n ecuaciones


lineales, AX = 0 tiene solo la solucin trivial
(ceros) si y solo si A es no singular.
Un sistema homogneo de n ecuaciones
lineales, AX = 0 tiene una solucin no trivial
si y solo si A es singular.
44
Problemas de autovalores

Sea A una matriz n n. Un nmero se dice
que es un autovalor de A si existe una solucin
vector K, distinto de cero para:
AK = K
El vector solucin K es el autovector
correspondiente al autovalor .
DEFINICIN
Autovalores y autovectores
Los autovalores de una matriz triangular,
inferior o superior, o de una matriz diagonal son
los elementos de la diagonal.
45
Verifica que es el autovector de la
matriz:



Solucin






|
|
|
.
|

\
|
=
1
1
1
K
|
|
|
.
|

\
|


=
1 1 2
3 3 2
3 1 0
A
K AK ) 2 (
1
1
1
) 2 (
2
2
2
1
1
1
1 1 2
3 3 2
3 1 0
=
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|

=
|
|
|
.
|

\
|

|
|
|
.
|

\
|


=
Autovalor
46
Podemos escribir AK = K como:

(A I)K = 0

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

det (A I) = 0

Observa que det (A I) nos proporcionar un
polinomio de grado n, que llamaremos ecuacin
caracterstica.
47
Encuentra los autovalores y autovectores de:






|
|
|
.
|

\
|

=
1 2 1
0 1 6
1 2 1
A
0
1 2 1
0 1 6
1 2 1
) det( =

I A

3

2
+ 12 = 0


( + 4) ( 3) = 0
= 0, 4, 3.
Ahora encontraremos los
autovectores para cada
autovalor.
(A I)K = 0
48
(i)
1
= 0
|
|
|
.
|

\
|
|
|
|
.
|

\
|
|
|
|
.
|

\
|

|
|
|
.
|

\
|

= +
+

+
+

0 0 0 0
0 1 0
0 0 1
0 0 0 0
0 1 0
0 1 2 1
0 0 0 0
0 6 13 0
0 1 2 1
0 1 2 1
0 0 1 6
0 1 2 1
) | 0 (
13
6
13
1
2
13
6
6
1 2
2
13
1
3 1
2 1
R R
R
R R
R R
0 I A
3 2 3 1
13
6
,
13
1
k k k k = =
Tomando k
3
= 13
|
|
|
.
|

\
|

=
13
6
1
1
K
(A
1
I)K = 0
49
(ii)
2
= 4
|
|
|
.
|

\
|


|
|
|
.
|

\
|

|
|
|
.
|

\
|

= +
+
+

0 16 8 0
0 18 9 0
0 3 2 1
0 1 2 5
0 0 3 6
0 3 2 1
0 3 2 1
0 0 3 6
0 1 2 5
) | 4 (
3 1
2 1
13
3
5
6
R R
R R
R
R
0 I A
|
|
|
.
|

\
|

|
|
|
.
|

\
|

+
+


0 0 0 0
0 2 1 0
0 1 0 1
0 2 1 0
0 2 1 0
0 3 2 1
3 2
1 2
3
8
1
2
9
1
2
2
R R
R R
R
R
k
1
= k
3
, k
2
= 2k
3
. Tomando k
3
= 1:
|
|
|
.
|

\
|

=
1
2
1
2
K
(A
2
I)K = 0
50
(iii)
3
= 3






|
|
|
.
|

\
|
|
|
|
.
|

\
|

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

\
|

=
2
3
2
3
K
k
1
= k
3
, k
2
= (3/2) k
3
. Y tomando k
3
= 2,
(A
3
I)K = 0
51

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

\
|

=
7 1
4 3
A
0 ) 5 (
7 1
4 3
) det(
2
= =

I A
0 2
0 4 2
2 1
2 1
= +
= +
k k
k k
Encuentra los autovalores y autovectores de:
Tomando k
2
= 1, tenemos
k
1
= 2, y entonces


|
.
|

\
|
=
1
2
1
K
52

1
= 11,
2
=
3
= 8 (multiplicidad 2).

|
|
|
.
|

\
|
=
9 1 1
1 9 1
1 1 9
A
0 ) 8 )( 11 (
9 1 1
1 9 1
1 1 9
) det(
2
= =

I A
Encuentra los autovalores
y autovectores de:
53
(i)
1
= 11, por el mtodo de Gauss-Jordan:





|
|
|
.
|

\
|

|
|
|
.
|

\
|

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

\
|
=
1
1
1
1
K
k
1
= k
3
, k
2
= k
3
. Si k
3
= 1, entonces:
54
(ii)
2
= 8,




|
|
|
.
|

\
|
|
|
|
.
|

\
|
=
0 0 0 0
0 0 0 0
0 1 1 1
0 1 1 1
0 1 1 1
0 1 1 1
) | 8 (
3
0 I A
,
0
1
1
2
|
|
|
.
|

\
|

= K
|
|
|
.
|

\
|

=
1
0
1
3
K
k
1
+ k
2
+ k
3
= 0. Podemos elegir dos de ellos de manera
arbitraria. Tomemos k
2
= 1, k
3
= 0:
Y k
2
= 0, k
3
= 1:
55
AK = K,


Sea A una matriz cuadrada de elementos reales.
Si = o + i|, | = 0, es un autovalor complejo de A,
entonces su conjugado es tambin un
autovalor de A.
Si K es un autovector correspondiente a , entonces
el autovector conjugado es un autovector
correspondiente a .
Autovalores y autovectores complejos
| o i =
K

, K K A = K K A =
Demostracin:
56

1
= 5 + 2i

|
.
|

\
|

=
4 5
1 6
A
0 29 10
4 5
1 6
) det(
2
= + =

I A
i i 2 5 , 2 5
1 2 1
= = + =
0 ) 2 1 ( 5
0 ) 2 1 (
2 1
2 1
= +
=
k i k
k k i
Encuentra los autovalores
y autovectores de:
k
2
= (1 2i) k
1
, tomando k
1
= 1:
|
.
|

\
|

=
i 2 1
1
1
K
|
.
|

\
|
+
= =
i 2 1
1
1 2
K K
, 2 5
1 2
i = =
(A
1
I)K = 0
57
Potencias de una matriz
Sea A, una matriz n n. Definimos la
potencia m-sima de A como:






factores m
m
A AAA A =
58
Teorema de Cayley-Hamilton
0 I A A A = + + + +

0 1
1
1
) 1 ( c c c
n
n
n n

0 ) 1 (
0 1
1
1
= + + + +

c c c
n
n
n n

Una matriz A satisface su propia
ecuacin caracterstica:
Ecuacin caracterstica: det (A I) = 0
59
|
.
|

\
|

=
3 1
4 2
A
Observa que entonces: A
2
= A + 2I y
2
= + 2
Y podemos escribir las sucesivas potencias
de A como:
A
3
= AA
2
= A(A+ 2I ) = A
2
+ 2A = 3A + 2I
A
4
= AA
3
= A (3A+2I) = 3A
2
+2A = 5A+ 6I
A
5
= 11A + 10I
A
6
= 21A + 22I
... A
m
= c
1
A + c
0
I ...
m
= c
1
+ c
0

2
2 = 0.
Y por el teorema de Cayley-
Hamilton:
A
2
A 2I = 0
Comprobarlo con:
60
O sea que podemos escribir:

A
m
= c
1
A + c
0
I y
m
= c
1
+ c
0


2
2 = 0;
1
= 1 ,
2
= 2:





+ =
+ =
) 2 ( 2
) 1 ( ) 1 (
1 0
1 0
c c
c c
m
m
] ) 1 ( 2 [ 1/3 ], ) 1 ( 2 2 [ 1/3
1 0
m m m m
c c = + =
|
|
.
|

\
|

+
=
+
] ) 1 ( 2 [ ] ) 1 ( 2 [
] ) 1 ( 2 [ ] ) 1 ( 4 2 [
2
3
1
3
1
3
4
3
1
m m m m
m m m m
m
A
61
A
m
= c
0
I + c
1
A + c
2
A
2
++ c
n1
A
n1

m
= c
0
+ c
1
+ c
2

2
++ c
n1

n1

donde los c
k
(k = 0, 1,, n1), dependen de m.
Y en general, para una matriz de orden n:
62
Solucin

3
+ 2
2
+ 2 = 0, = 1, 1, 2.
A
m
= c
0
I + c
1
A +c
2
A
2

m
= c
0
+ c
1
+ c
2

2

Con
1
= 1,
2
= 1,
3
= 2, obtenemos:

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

1 = c
0
+ c
1
+ c
2

2
m
= c
0
+2c
1
+ 4c
2

|
|
|
.
|

\
|


=
1 1 0
1 2 1
2 1 1
A
Calcula A
m
para:
] 2 ) 1 ( 3 [
], ) 1 ( 1 [ 2
], 2 ) 1 ( 3 [
1
6
1
2
1
3
1
0
+
+ + =
=
+ =
m m
m
m m
c
c
c
63
Puesto que A
m
= c
0
I + c
1
A +c
2
A
2
, tenemos:





|
|
|
.
|

\
|
+ +

+ +
=
+ +
+ +
] ) 1 ( 7 2 3 [ ] ) 1 ( 2 [ ] ) 1 ( 2 3 [
1 2 2 2 1
] ) 1 ( 7 2 9 [ ] ) 1 ( 2 [ ] ) 1 ( 2 9 [
1
6
1
3
1
1
6
1
1
6
1
3
1
1
6
1
m m m m m m
m m m
m m m m m m
m
A
|
|
|
.
|

\
|

=
342 341 341
1023 1024 1023
341 341 340
10
A
Por ejemplo, para m = 10
64
Por el teorema de Cayley-Hamilton:
A
2
A 2I = 0,
I = (1/2)A
2
(1/2)A,

Multiplicando a ambos lados por A
1
podemos
encontrar la inversa:

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

|
.
|

\
|

=
3 1
4 2
A
|
.
|

\
|

= |
.
|

\
|
|
.
|

\
|

= |
.
|

\
|


1
2
1 0
0 1
2
1
3 1
4 2
2
1
3 1
4 2
2
1
2
3
1
65
Una matriz A n n es simtrica si A=A
T

Si A es simtrica con elementos
reales, entonces los autovalores de
A son reales.

AK = K,
, K K A =
K K A =
K K AK K
T T
=
Transponiendo y multiplicando por K por la derecha:
K K
T
) ( 0 =
0 ) | | | | | | (
2 2
2
2
1
= + + + =
n
T
k k k K K
real. es 0 =
66
Al igual que definimos el producto escalar
entre vectores:
x y = x
1
y
1
+ x
2
y
2
+ + x
n
y
n

podemos definirlo con matrices (vectores fila
o columna):
X Y X
T
Y = x
1
y
1
+ x
2
y
2
+ + x
n
y
n


2 2
2
2
1
|| ||
n
T
x x x + + + = X X X
Autovectores ortogonales
Veamos que si A es una matriz n n simtrica, los
autovectores correspondientes a distintos
(diferentes) autovalores son ortogonales.
67
Demostracin
Sean
1
,
,

2
dos autovalores distintos
correspondientes a los autovectores K
1
y K
2
.

AK
1
=
1
K
1
,

AK
2
=
2
K
2

(AK
1
)
T
= K
1
T
A
T
= K
1
T
A =
1
K
1
T

K
1
T
AK
2
=
1
K
1
T
K
2
AK
2
=
2
K
2
,
K
1
T
AK
2
=
2
K
1
T
K
2


0 =
1
K
1
T
K
2

2
K
1
T
K
2

0 = (
1

2
)

K
1
T
K
2

Como

1
=
2
, entonces

K
1
T
K
2
= 0.



68
= 0, 1, 2 y

|
|
|
.
|

\
|


=
0 1 0
1 1 1
0 1 0
A
,
1
0
1
1
|
|
|
.
|

\
|
= K ,
1
1
1
2
|
|
|
.
|

\
|

= K
|
|
|
.
|

\
|

=
1
2
1
3
K
0 ) 1 ( 1 2 0 1 1
1
2
1
) 1 0 1 (
0 ) 1 ( 1 1 0 ) 1 ( 1
1
1
1
) 1 0 1 (
3 1
2 1
= + + =
|
|
|
.
|

\
|

=
= + + =
|
|
|
.
|

\
|

=


K K
K K
T
T
0 ) 1 ( 1 2 1 1 ) 1 (
1
2
1
) 1 1 1 (
3 2
= + + =
|
|
|
.
|

\
|

= K K
T
69
Matriz ortogonal:
Una matriz A n n no singular es ortogonal si:
A
-1
= A
T
A es ortogonal si A
T
A = I.

|
|
|
.
|

\
|
=
1 0 0
0 1 0
0 0 1
I
I
T
I = II = I
|
|
|
.
|

\
|

=
3
2
3
1
3
2
3
1
3
2
3
2
3
2
3
2
3
1
A
I A A =
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|

|
|
|
.
|

\
|


=
1 0 0
0 1 0
0 0 1
3
2
3
1
3
2
3
1
3
2
3
2
3
2
3
2
3
1
3
2
3
1
3
2
3
1
3
2
3
2
3
2
3
2
3
1
T
70
|
|
|
|
|
.
|

\
|
=
|
|
|
|
|
.
|

\
|
=
1 0 0
0 1 0
0 0 1
2 1
2 2 2 1 2
1 2 1 1 1

n
T
n
T
n
T
n
n
T T T
n
T T T
T
X X X X X X
X X X X X X
X X X X X X
A A
Una matriz A n n es ortogonal si y solo si sus
vectores columnas X
1
, X
2
, , X
n
forman un
conjunto ortonormal.
Es decir si: X
i
T
X
j
= 0, i = j , i, j =1, 2, , n
X
i
T
X
i
= 1, i =1, 2, , n

Los X
i
forman un conjunto ortonormal.
71
,
3
2
3
2
3
1
1
|
|
|
.
|

\
|

= X ,
3
1
3
2
3
2
2
|
|
|
.
|

\
|

= X ,
3
2
3
1
3
2
3
|
|
|
.
|

\
|
= X
|
|
|
.
|

\
|

=
3
2
3
1
3
2
3
1
3
2
3
2
3
2
3
2
3
1
A
0
9
2
9
2
9
4
) (
0
9
4
9
2
9
2
) (
0
9
2
9
4
9
2
) (
3
2
3
1
3
2
3
1
3
2
3
2
3 2
3
2
3
1
3
2
3
2
3
2
3
1
3 1
3
1
3
2
3
2
3
2
3
2
3
1
2 1
= + + =
|
|
|
.
|

\
|
=
= + =
|
|
|
.
|

\
|
=
= + =
|
|
|
.
|

\
|

=
X X
X X
X X
T
T
T
72
Y los vectores son unitarios, ortonormales:
1
9
4
9
1
9
4
) (
1
9
1
9
4
9
4
) (
1
9
4
9
4
9
1
) (
3
2
3
1
3
2
3
2
3
1
3
2
3 3
3
1
3
2
3
2
3
1
3
2
3
2
2 2
3
2
3
2
3
1
3
2
3
2
3
1
1 1
= + + =
|
|
|
.
|

\
|

=
= + + =
|
|
|
.
|

\
|

=
= + + =
|
|
|
.
|

\
|

=
X X
X X
X X
T
T
T
73
,
1
0
1
1
|
|
|
.
|

\
|
= K ,
1
1
1
2
|
|
|
.
|

\
|

= K
|
|
|
.
|

\
|

=
1
2
1
3
K
, 2 || ||
1 1 1
= = K K K
T
, 3 || ||
2 2 2
= = K K K
T
6 || ||
3 3 3
= = K K K
T
,
2
1
0
2
1
|
|
|
|
|
|
.
|

\
|
,
3
1
3
1
3
1
|
|
|
|
|
|
.
|

\
|

|
|
|
|
|
|
.
|

\
|

6
1
6
2
6
1
|
|
|
|
|
|
.
|

\
|

=
6
1
3
1
2
1
6
2
3
1
0
6
1
3
1
2
1
P
Verifica que P
T
= P
-1
.
|
|
|
.
|

\
|


=
0 1 0
1 1 1
0 1 0
A
Vimos
74
Autovalor dominante
Sean los autovalores
de una matriz A n n. El autovalor se
llama autovalor dominante de A si:



Un autovector asociado se denomina
autovector dominante de A.
n k
, , , , ,
2 1

k

n i
i k
, , 3 , 2 , 1 , | | | | = >
k

|
.
|

\
|

=
4 0
0 4
A
2 , 2
2 1
= =

5 0 0
1 5 0
0 0 2
|
|
|
.
|

\
|
= A
5 , 2
3 2 1
= = =
75
Mtodo de las potencias
, 3 , 2 , 1 ,
1
= =

i
i i
AX X
0 1
0
2
1 2
0 1
X A AX X
X A AX X
AX X
m
m m
= =
= =
=

Supongamos que
A tiene un autovalor
dominante.
Vector n 1
Supongamos que |
1
| > |
2
| > > |
n
| con K
1
, K
2
, , K
n
autovectores asociados linealmente independientes. Entonces:
n n
c c c K K K X + + + =
2 2 1 1 0
Como AK
i
=
i
K
i
, entonces:
AX
0
= c
1
AK
1
+

c
2
AK
2
+ + c
n
AK
n

n n
c c c K K K AX
n 2 2 2 1 1 1 0
+ + + =
76
Multiplicando por A sucesivamente:
n n n
n n
c c c
c c c
K K K
AK AK AK X A
2
2
2
2 2 1
2
1 1
n 2 2 2 1 1 1 0
2


+ + + =
+ + + =

n
m
n n
m m m
c c c K K K X A + + + =
2 2 2 1 1 1 0
|
|
.
|

\
|
|
.
|

\
|
+ + |
.
|

\
|
+ =
n
m
n
n
m
m
c c c K K K
1
2
1
2
2 1 1 1


1 1 1 0
K X A c
m m
~
Como |
1
| > |
i
|, i = 2, 3, , n; cuando m ,
podemos aproximar:
(...)
77
Observemos que un autovector multiplicado por una
constante sigue siendo un autovector. De modo que
podemos escribir:
A
m
X
0
= X
m

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




que nos da una aproximacin al autovalor dominante.
K K
K AK

=
m m
m m
X X
X AX

~
1

1 1 1 0
K X A c
m m
~
Cociente de Rayleigh.
78
|
.
|

\
|

=
1 3
2 4
A
|
.
|

\
|
=
1
1
0
X
|
.
|

\
|
= |
.
|

\
|
|
.
|

\
|

= =
|
.
|

\
|
= |
.
|

\
|
|
.
|

\
|

= =
16
28
2
6
1 3
2 4
2
6
1
1
1 3
2 4
1 2
0 1
AX X
AX X
6
X
i
7 5 4 3 i
|
.
|

\
|
68
144
|
.
|

\
|
364
712
|
.
|

\
|
1772
3576
|
.
|

\
|
8956
17848
|
.
|

\
|
44588
89304
|
|
.
|

\
|
=
4933 . 0
1
89304
7
X
1 1 1 0
K X A c
m m
~
79
|
.
|

\
|
= |
.
|

\
|
|
.
|

\
|

=
5007 . 2
9986 . 4
4993 . 0
1
1 3
2 4
7
AX
2493 . 1
4993 . 0
1
4993 . 0
1
2472 . 6
4993 . 0
1
5007 . 2
9986 . 4
7 7
7 7
= |
.
|

\
|
|
.
|

\
|
=
= |
.
|

\
|
|
.
|

\
|
=
T
T
X X
X AX

0006 . 5
2493 . 1
2472 . 6
7 7
7 7
1
= = ~
X X
X AX

, 2 , 5
2 1
= = |
.
|

\
|

= |
.
|

\
|
=
3
1
,
5 . 0
1
2 1
K K
80

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


Si A es una matriz n n que tiene n autovectores
K
1
, K
2
, , K
n
linealmente independientes, entonces
A es diagonalizable.
TEOREMA
Condicin suficiente de diagonalizabilidad
Matriz diagonalizable
81
Demostracin
Puesto que P = (K
1
, K
2
, K
3
) es no singular,
entonces existe P
-1
y






As que P
-1
AP = D.
PD K K K
K K K AK AK AK AP
=
|
|
|
.
|

\
|
=
= =
3
2
1
3 2 1
3 3 2 2 1 1 3 2 1
0 0
0 0
0 0
) (
) ( ) (


82

Si A es una matriz n n con n autovalores
distintos, entonces es diagonalizable.
Condicin suficiente de diagonalizacin
|
.
|

\
|

=
7 1
4 3
A
|
.
|

\
|
=
1
2
1
K
Tenemos que = 5, 5.
Y solo podemos encontrar un autovector.
La matriz no puede diagonalizarse.
83
|
.
|

\
|

=
10 6
9 5
A
) 4 )( 1 ( 4 5
10 6
9 5
) det(
2
= + =


=

I A
,
2
3
1
|
.
|

\
|
= K |
.
|

\
|
=
1
1
2
K
,
1 2
1 3
) (
2 1
|
.
|

\
|
= = K K P
|
.
|

\
|

3 2
1 1
1
P
D AP P = |
.
|

\
|
= |
.
|

\
|
|
.
|

\
|

|
.
|

\
|

4 0
0 1
1 2
1 3
10 6
9 5
3 2
1 1
1
Diagonaliza:
= 1, 4.
84
|
|
|
.
|

\
|

=
1 2 1
0 1 6
1 2 1
A
|
|
|
.
|

\
|

=
|
|
|
.
|

\
|

=
|
|
|
.
|

\
|

=
= = =
2
3
2
,
1
2
1
,
13
6
1
, 3 , 4 , 0
3 2 1
3 2 1
K K K

|
|
|
.
|

\
|

= =
2 1 13
3 2 6
2 1 1
) (
3 2 1
K K K P
|
|
|
.
|

\
|

21
2
7
1
21
8
28
3
7
2
28
9
12
1
12
1
1
0
P
D
AP P
=
|
|
|
.
|

\
|
=
|
|
|
.
|

\
|

|
|
|
.
|

\
|


|
|
|
.
|

\
|

3 0 0
0 4 0
0 0 0
2 1 13
3 2 6
2 1 1
1 2 1
0 1 6
1 2 1 0
21
2
7
1
21
8
28
3
7
2
28
9
12
1
12
1
1
85
|
|
|
.
|

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

\
|
=
0
1
1
1
K
|
|
|
.
|

\
|

|
|
|
.
|

\
|

=
0 0 0
0 0 0
0 1 1
0 0 0
0 1 1
0 1 1
) | ( 0 I A
= 1, 1, 1.
= 1
= 1
,
0
1
1
2
|
|
|
.
|

\
|
= K
|
|
|
.
|

\
|
=
1
0
0
3
K
|
|
|
.
|

\
|
=
1 0 0
0 1 1
0 1 1
P
|
|
|
.
|

\
|

=
1 0 0
0 1 0
0 0 1
D
junto con K
1
, forman tres vectores
linealmente independientes. Luego la
matriz es diagonalizable.
P
-1
AP = D
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 simtrica.
P diagonaliza a A: P
-1
AP = D, A = PDP
-1
.
P es ortogonal: P
-1
= P
T
, entonces:
A = PDP
T
.
A
T
= (PDP
T
)
T
= PD
T
P
T
= PDP
T
= A

Luego A es simtrica.