5.

Repaso de matrices

1
(© Chema Madoz, VEGAP, Madrid 2009)
 Matrices
 a11 a12  a1n 
Elemento: aij  
Tamaño: m  n  a21 a22  a2 n 
Matriz cuadrada: n  n    
 
(orden n)  am1 am 2  amn 
Elementos de la diagonal: ann

 a1 
Vector columna  
(matriz n x 1)  a2 

 
 an 
Vector fila
(a1 a2  an )
(matriz 1 x n) 2
  2 1 3  4 7  8
Suma:    
A 0 4 6 , B   9 3 5
  6 10  5   1 1 
   2 
 24  1  7 3  (8)   6 6 5 
   
AB  09 43 65   9 7 11 
  6 1 10  (1)  5  2    5  3 
 9

Multiplicación por un escalar:

 ka11 ka12  ka1n 
 
 ka21 ka22  ka2 n 
kA     ( k aij ) mn
 
 
 kam1 kam 2  kamn  3
Si A, B, C son matrices mn, k1 y k2 son escalares:

(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

4
 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 
5 8
(b) A   1 0  , B    4  3 
 
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 5
Transpuesta de una matriz A:

 a11 a21  am1 

 
 a12 a22  am 2 
A 
T
  
 
 a1n a2 n  amn 

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

Nota: (A + B + C)T = AT + BT + CT
(ABC)T = CTBTAT 6
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 7
 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
8
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
 

9
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 
10
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 11
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. 12
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.

13
 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  32RR1RR2  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
14
rang A = 2.
 AX = 0

Siempre hay soluciones

(consistente)

Solución única X = 0 Infinitas soluciones

(solución trivial) Rang(A) < n
rang(A) = n n – r parámetros

15
 AX = B, B≠0

Consistente Inconsistente
rang(A) = rang(A│B) rang(A) < rang(A│B)

Solución única Infinitas soluciones

rang(A) = n rang(A) < n
n – r parámetros

16
Determinantes
a11 a12
det A   a11a22  a12 a21
a21 a22
a11 a12 a13
det A  a21 a22 a23
a31 a32 a33
 a11a22a33  a12a23a31  a13a21a32  a13a22a31
 a11a23a32  a12a21a33 .

a22 a23  a21 a23  a21 a22

det A  a11  a12     a13
a32 a33  a31 a33  a31 a32
Expansión por cofactores a lo largo de la primera fila. 17
 a11 a12 a13 El cofactor de aij es
det A  a21 a22 a23 Cij = (–1)i+ j Mij
a31 a32 a33 donde Mij se llama menor.

a22 a23 a21 a23 a21 a22

C11  C12   C13 
a32 a33 a31 a33 a31 a32

det A = a11C11 + a12C12 + a13C13

... O por la tercera fila:

det A = a31C31 + a32C32 + a33C33

Podemos expandir por filas o columnas.

18
 2 4 7 2 4 7
 
A   6 0 3 det A  6 0 3  2C11  4C12  7C13
 1 5 3
  1 5 3
2 4 7
11 11 0 3
C11  (1) 6 0 3  (1)
5 3
1 5 3
2 4 7
1 2 6 3
C12  (1)12 6 0 3  (1)
1 3
1 5 3
2 4 7
13 6 0
C13  (1)13 6 0 3  (1)
1 5
1 5 3 19
 2 4 7
det A  6 0 3  2C11  4C12  7C13
1 5 3
11 0 3 1 2 6 3 13 6 0
det A  2(1)  4(1)  7(1)
5 3 1 3 1 5
 2[0(3)  3(5)]  4[6(3)  3(1)]  7[6(5)  0(1)]  120

Más corto desarrollando por la segunda fila...

det A  6C21  0C22  3C23

1 2 4 7 23 2 4
 6(1)  3(1)
5 3 1 5
 6(23)  3(6)  120 20
  6 5 0 
 
A   1 8  7
 2 4 0 
 

6 5 0
det A   1 8  7  0C13  (7)C23  0C33
2 4 0
6 5 0
23 23 6 5
 (7)( 1) 1 8 7  (7)( 1)
2 4
2 4 0
 7[6(4)  5(2)]  238
21
 det AT = det A
5 7 5 3
det A   41 det A 
T
 41
3 4 7 4

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

son idénticas, entonces det A = 0.

 6 2 2 6 2 2
 
A   4 2 2 det A  4 2 2  0
 9 2 2
  9 2 2

22
Si todos los elementos de una fila (columna) de una
matriz A de n × n son cero, entonces det A = 0.

Si B es la matriz obtenida por intercambio de

dos filas (columnas) de una matriz A n × n,
entonces:
det B = −det A

2 1 3 4 1 9
det B  6 0 7   6 0 7   det A
4 1 9 2 1 3
23
Si B se obtiene de una matriz A n × n multiplicando
una fila (columna) por un 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 24
 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

det AB = −24, det A = −8, det B = 3,

det AB = det A  det B.

25
Si B se obtiene como combinaciones lineales de
filas o columnas de una matriz A n × n, entonces:

det B = det A

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 
   

det A = 45 = det B = 45.

26
  a11 0 0 a22 0
  det A  a11 
A   a21 a22 0 a32 a33
a 
 31 32
a a33  a11 (a22a33  0 ．a32 )  a11a22a33
matriz triangular inferior

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 27
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:

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

Igualmente, si a1j, a2j, …, anj son los elementos de la

j-ésima columna y C1k, C2k, …, Cnk son los
cofactores de la k-ésima columna, entonces:

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

28
Demostración
Sea B la matriz que obtenemos de A al
cambiarle los elementos de la i-ésima fila por los
de su k-ésima fila:

bi1 = ak1, bi2 = ak2, …, bin = akn

B tendrá entonces dos filas idénticas de modo

que det B = 0, y:

0  det B  ak1Ck1  ak 2Ck 2    aknCkn

 ai1Ck1  ai 2Ck 2    ainCkn
29
  6 2 7
 
A    4  3 2
 2 
 4 8 

a11C31  a12C32  a13C33

2 7  6 7  6 2
6  2     7
3 2  4 2  4 3
 6(25)  2(40)  7(10)  0

30
 Inversa de un matriz
Sea A una matriz n  n. Si existe una matriz
n  n B tal que
AB = BA = I
donde I es la matriz identidad n  n, entonces
se dice que A es una matriz no singular o
invertible. Y B es la matriz inversa de A.
Si A carece de inversa, se dice que es una
matriz singular.
Sean A, B matrices no singulares.
(i) (A-1)-1 = A
(ii) (AB)-1 = B-1A-1
(iii) (AT)-1 = (A-1)T 31
 Matriz adjunta

Sea A una matriz n × n. La matriz formada por

la transpuesta de la matriz de cofactores
correspondientes a los elementos de A:
T
 C11 C12  C1n   C11 C21  Cn1 
   
 C21 C22  C2 n   C12 C22  Cn 2 
  
     
   
 Cn1 Cn 2  Cnn   C1n C2 n  Cnn 
se llama adjunta de A y se denota por adj A.
32
 Encontrar la matriz inversa:
Sea A una matriz n × n. Si det A  0, entonces:

 1 
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  33
 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

34
  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 35
  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

36
 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   37 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 1 138
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

 a11 a12  a1n   x1   b1 

     
 a21 a22  a2 n   x2   b2 
A , X  , B 
      
     
 am1 am 2  amn   xn   bm 

Si m = n, y A es no singular, entonces:
X = A-1B
39
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

40
 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
41
  C11 C21  Cn1   b1 
  
1  C12 C22  Cn 2   b2 
XA 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 42
 a11x1  a12 x2    a1n xn  0
a21 x1  a22 x2    a2 n xn  0
 
am1 x1  am 2 x2    amn xn  0

Un sistema homogéneo de n ecuaciones

lineales, AX = 0 tiene solo la solución trivial
(ceros) si y solo si A es no singular.

Un sistema homogéneo de n ecuaciones

lineales, AX = 0 tiene una solución no trivial
si y solo si A es singular.
43
 Problemas de autovalores
DEFINICIÓN
Autovalores y autovectores

Sea A una matriz n  n. Un número  se dice

que es un autovalor de A si existe una solución
vector K, distinto de cero para:
AK = K
El vector solución K es el autovector
correspondiente al autovalor .

Los autovalores de una matriz triangular,

inferior o superior, o de una matriz diagonal son
los elementos de la diagonal. 44
  1
Verifica que   es el autovector de la
K    1
matriz:  1
   0  1  3
 
A 2 3 3
 2 
 1 1

Solución
 0  1  3   1   2   1
      
AK   2 3 3    1   2   (2)  1  (2)K
 2   1   2   1
 1 1      

Autovalor
45
• 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. 46
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
 ( + 4) ( – 3) = 0
 = 0, −4, 3.
Ahora encontraremos los
autovectores para cada
autovalor.
47
 (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 
  48
(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
 
49
(iii) 3 = 3 (A – 3I)K = 0

 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
 

50
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

51
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

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

52
(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   

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

 1
 
K 1   1
 1
 

53
(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
  54
 Autovalores y autovectores complejos
Sea A una matriz cuadrada de elementos reales.
Si  =  + i,   0, es un autovalor complejo de A,
entonces su conjugado     i es 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
55
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  2i )k1  k2  0
1 = 5 + 2i
5k1  (1  2i )k2  0

k2 = (1 – 2i) k1, tomando k1 = 1:  1 

K1   
1  2i 
 1 
2  1  5  2i, K 2  K1   
1  2i  56
 Potencias de una matriz

Sea A, una matriz n × n. Definimos la

potencia m-ésima de A como:

A  AAA
m

 A
m factores

57
 Teorema de Cayley-Hamilton

Ecuación característica: det (A – I) = 0

n1
(1)   cn1
n n
   c1  c0  0
Una matriz A satisface su propia
ecuación característica:
n1
(1) A  cn1A
n n
   c1A  c0I  0
58
Comprobarlo con:
2 −  – 2 = 0.
  2 4
A  Y por el teorema de Cayley-

 1 3
Hamilton:
A2 − A – 2I = 0

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

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

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

(1)  c0  c1 (1)
m


2  c0  c1 (2) 
m

c0  1/3[2m  2(1)m ], c1  1/3[2m  (1)m ]

 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

60
Y en general, para una matriz de orden n:

Am = c0I + c1A + c2A2 +…+ cn–1An–1

m = c0 + c1  + c2  2 +…+ cn–1  n–1

donde los ck (k = 0, 1,…, n–1), dependen de m.

61
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 m1
]
62
Puesto que Am = c0I + c1A +c2A2, tenemos:

 16 [9  2m1  (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  2m1  (1) m ] 1 [ 2 m
 ( 1) m
] 1 [ 3  2 m 1  7( 1) m ] 
 6 3 6 

Por ejemplo, para m = 10

  340 341 341

 
A    1023 1024 1023
10

  341 341 342 

 

63
   2 4 Por el teorema de Cayley-Hamilton:
A  A2 – A – 2I = 0,
 1 3 I = (1/2)A2 – (1/2)A,

Multiplicando a ambos lados por A–1 podemos

encontrar la inversa:

A–1 = (1/2)A – (1/2)I

1
  2 4 1   2 4  1  1 0    32 2 
       1 
 1 3 2  1 3 2  0 1   2 1
64
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. 65
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

|| X ||  XT X  x12  x22    xn2

Veamos que si A es una matriz n × n simétrica, los
autovectores correspondientes a distintos
(diferentes) autovalores son ortogonales. 66
Demostración
Sean 1,, 2 dos autovalores distintos
correspondientes a los autovectores K1 y K2.

AK1 = 1K1 , AK2 = 2K2

(AK1)T = K1TAT = K1TA = 1K1T
K1TAK2 = 1K1TK2 AK2 = 2K2,
K1TAK2 = 2K1TK2

0 = 1K1TK2 − 2K1TK2
0 = (1 − 2) K1TK2
Como 1  2, entonces K1TK2 = 0. 67
  0  1 0   = 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
  68
 Matriz ortogonal:
Una matriz A n × n no singular es ortogonal si:
A-1 = AT
A es ortogonal si ATA = I.
1 0 0
   13  2 3 3
2
I  0 1 0 ITI = II = I  2 
0 0 1 A 3 2 1
3
   2
3
2 
 3 1
3 3

 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  
69
Una matriz A n × n es ortogonal si y solo si sus
vectores columnas X1, X2, …, Xn forman un
conjunto ortonormal.

 X1T X1 X1T X 2  X1T X n   1 0  0 

 T   
 X 2 X1 X2 X2  X2 Xn   0 1  0 
T T
A A
T
 
   
   
 XT X 
Xn X2  Xn Xn   0 0  1 
T T
 n 1

Es decir si: XiTXj = 0, i  j , i, j =1, 2, …, n

XiTXi = 1, i =1, 2, …, n

Los Xi forman un conjunto ortonormal.

70
  3  3
1 2 2
3
 13    23   23 
 2   2   2  1 
A 3 2
3
1
3
X1   3  , X 2   3  , X3   3  ,
 2 2 
 2   1  2 
 3 1
3 3  3  3  3
  23 
  2 4 2
T
X1 X 2  ( 13 2
3  3 ) 3       0
2 2

 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 71
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
72
  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 73
 Autovalor dominante
Sean 1 , 2 ,  , k ,  , n los autovalores
de una matriz A n × n. El autovalor k se
llama autovalor dominante de A si:

| k |  | i | , i 1, 2 , 3 ,, n

Un autovector asociado k se denomina

autovector dominante de A.  2 0 0
 
4 0 A  0 5 1
A 
 0  4  0 0 5
 
1  2, 2  2 1  2, 2  3  574
 Método de las potencias
Xi  AXi 1 , i  1, 2, 3,  X1  AX0

Vector n 1
X 2  AX1  A 2 X0
Supongamos que 
A tiene un autovalor
dominante. X m  AXm1  A m X0

Supongamos que |1| > |2|  …  |n| con K1, K2, …, Kn

autovectores asociados linealmente independientes. Entonces:

X0  c1K1  c2K 2    cnK n

Como AKi = iKi , entonces:
AX0 = c1AK1 + c2AK2 + … + cnAKn
AX 0  c11K1  c22K 2    cn n K n 75
Multiplicando por A sucesivamente:
A 2 X0  c11AK1  c22 AK 2    cnn AK n
 c112K1  c222K 2    cn2nK n (...)

A m X0  c11mK1  c2m2 K 2    cnmnK n

 m
 2  2  n 
m

 1 c1K1  c2   K    cn   K n 
m
       
 1 1 
Como |1| > |i|, i = 2, 3, …, n; cuando m  ,
podemos aproximar:

A X0  
m m
1 c1K1

76
 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, AKK= KK
AK  K AX m  X m
 1 
K K Xm  Xm
Cociente de Rayleigh.

que nos da una aproximación al autovalor dominante. 77

 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 
78
 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
79
 Matriz diagonalizable
Si existe una matriz P, tal que P-1AP = D sea
diagonal, entonces decimos que A es
diagonalizable.

TEOREMA

Condición suficiente de diagonalizabilidad

Si A es una matriz n × n que tiene n autovectores
K1, K2, …, Kn linealmente independientes, entonces
A es diagonalizable.

80
Demostración
• Puesto que P = (K1, K2, K3) es no singular,
entonces existe P-1 y
AP  ( AK1 AK 2 AK 3 )  (1K1 2K 2 3K 3 )
 1 0 0
 
 (K 1 K 2 K 3 ) 0 2 0   PD
0 0 3 


Así que P-1AP = D.

81
 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.

82
   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 
83
 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  84
 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
   
85
• Si existe una matriz P ortogonal que puede
diagonalizar a A, decimos que A es
ortogonalmente diagonalizable.
• Una matriz A n x n es ortogonalmente
diagonalizable si y solo si es simétrica.

P diagonaliza a A: P-1AP = D, A = PDP-1.

P es ortogonal: P-1 = PT, entonces:
A = PDPT.
AT = (PDPT)T = PDTPT = PDPT = A
Luego A es simétrica.
86