Este documento proporciona una revisión de conceptos básicos sobre matrices, incluyendo definiciones de elementos, tamaños, sumas, multiplicaciones por escalares, transposición, y sistemas de ecuaciones lineales. También cubre matrices especiales como triangulares, diagonales, cero e identidad.
4. 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
15. AX = 0
Siempre hay soluciones
(consistente)
Solución única X = 0 Infinitas soluciones
(solución trivial) Rang(A) < n
rang(A) = n n – r parámetros
15
16. 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
17. Determinantes
a11 a12
det A = = a11a22 − a12 a21
a21 a22
a11 a12 a13
det A = a21 a22 a23
a31 a32 a33
= a11a22 a33 + a12 a23a31 + a13a21a32 − a13a22 a31
−a a a −a a a .
11 23 32 12 21 33
a22 a23 a21 a23 a21 a22
det A = a11 + a12 −
a + a13
a32 a33 31 a33 a31 a32
Expansión por cofactores a lo largo de la primera fila. 17
18. 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
22. det AT = det A
5 7 T 5 3
det A = = −41 det A = = −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
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
2 1 3 4 −1 9
det B = 6 0 7 = − 6 0 7 = − det A
4 −1 9 2 1 3
23
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 + + kain Cin
= k (ai1Ci1 + ai 2Ci 2 + + ain Cin ) = 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. .2
8 = 80(1 − 2) = −80
2 1 24
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
det AB = −24, det A = −8, det B = 3,
det AB = det A ⋅ det B.
25
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
det A = 45 = det B = 45.
26
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:
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
29. 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
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 31
32. 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
=
C
C
n1 Cn 2 Cnn 1n C2 n Cnn
se llama adjunta de A y se denota por adj A.
32
33. 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 a32 a33 C13 C23 C33
31
det A 0 0
= 0 det A 0
0 0 det A
33
42. C11 C21 Cn1 b1
-1 1 C12 C22 Cn 2 b2
X=A B=
det A
C
1n C2 n Cnn bn
b1C11 + b2C21 + + bncn1
1 b1C12 + b2C22 + + bncn 2
=
det A
b C + b C + + b c
1 1n 2 2 n n nn
b1C1k + b2C2 k + + bnCnk
Regla xk =
de det A
Cramer det A k
=
det A 42
43. a11 x1 + 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
44. Problemas de autovalores
DEFINICIÓN
Autovalores y autovectores
Sea A una matriz n × n. Un número λ se dice
que es un autovalor de A si existe una solución
vector K, distinto de cero para:
AK = λK
El vector solución K es el autovector
correspondiente al autovalor λ.
Los autovalores de una matriz triangular,
inferior o superior, o de una matriz diagonal son
los elementos de la diagonal. 44
46. • Podemos escribir AK = λK como:
(A – λI)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 – λI) = 0
Observa que det (A – λI) nos proporcionará un
polinomio de grado n, que llamaremos ecuación
característica. 46
47. Encuentra los autovalores y autovectores de:
1 2 1
A = 6 −1 0
− 1 − 2 − 1
(A – λI)K = 0
1− λ 2 1
det( A − λI ) = 6 −1− λ 0 =0
−1 −2 −1− λ
–λ3 – λ2 + 12λ = 0
Ahora encontraremos los
λ (λ + 4) (λ – 3) = 0 autovectores para cada
λ = 0, −4, 3. autovalor.
47
55. Autovalores y autovectores complejos
Sea A una matriz cuadrada de elementos reales.
Si λ = α + iβ, β ≠ 0, es un autovalor complejo de A,
entonces su conjugado λ = α − iβ es también un
autovalor de A.
Si K es un autovector correspondiente a λ, entonces
el autovector conjugado K es un autovector
correspondiente a λ .
Demostración:
AK = λK, AK = λ K , AK = λ K
55
57. Potencias de una matriz
Sea A, una matriz n × n. Definimos la
potencia m-ésima de A como:
A = AAA A
m
m factores
57
58. Teorema de Cayley-Hamilton
Ecuación característica: det (A – λI) = 0
n −1
(−1) λ + cn−1λ
n n
+ + c1λ + c0 = 0
Una matriz A satisface su propia
ecuación característica:
n n n −1
(−1) A + cn−1A + + c1A + c0I = 0
58
59. Comprobarlo con:
λ2 − λ – 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 λ2 = λ + 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 ... λm = c1λ + c0 59
60. O sea que podemos escribir:
Am = c1A + c0I y λm = c1 λ + c0
λ2 − λ – 2 = 0; λ1 = −1 , λ2 = 2:
(−1) = c0 + c1 (−1)
m
2 = c0 + c1 (2)
m
c0 = 1/3[2m + 2(−1) m ], c1 = 1/3[2m − (−1) m ]
13 [−2m + 4(−1) m ] 4 [2m − (−1) m ]
Am =
− 1 [2m − (−1) m ]
3
m+ 2 m
3 1 [2
3 − (−1) ]
60
61. Y en general, para una matriz de orden n:
Am = c0I + c1A + c2A2 +…+ cn–1An–1
λm = c0 + c1 λ + c2 λ 2 +…+ cn–1 λ n–1
donde los ck (k = 0, 1,…, n–1), dependen de m.
61
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 = λK, A K = λ K , A K = λ K
Transponiendo y multiplicando por K por la derecha:
K AK = λ K K
T T
0 = (λ − λ ) K K T
T 2 2 2
K K = ( | k1 | + | k2 | + + | kn | ) ≠ 0
⇒ λ − λ = 0 ⇒ λ es real. 65
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
|| X || ≡ XT X = x12 + x2 + + xn
2 2
Veamos que si A es una matriz n × n simétrica, los
autovectores correspondientes a distintos
(diferentes) autovalores son ortogonales. 66
67. Demostración
Sean λ1,, λ2 dos autovalores distintos correspondientes a los
autovectores K1 y K2.
AK1 = λ1K1 , AK2 = λ2K2
(AK1)T = K1TAT = K1TA = λ1K1T
K1TAK2 = λ1K1TK2 AK2 = λ2K2,
K1TAK2 = λ2K1TK2
0 = λ1K1TK2 − λ2K1TK2
0 = (λ1 − λ2) K1TK2
Como λ1 ≠ λ2, entonces K1TK2 = 0.
67
69. 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 I I = II = I
T
2
0 0 1 A= 3 2 1
3
− 2
3
1 2
3 3 3
13 2
3 − 2 3 13 − 2 3 2
3 1 0 0
T 2 2
A A = − 3 2
3
1
3 3
2
3
1
3 = 0 1 0 = I
2 1 2 − 2 1 2 0 0 1
3 3 3 3 3 3
69
70. Una matriz A n × n es ortogonal si y solo si sus
vectores columnas X1, X2, …, Xn forman un
conjunto ortonormal.
X1 X1
T
X1 X 2 X1 X n 1 0 0
T T
T T T
T X 2 X1 X2 X2 X2 Xn 0 1 0
A A= =
XT X T T 0 0 1
Xn X2 Xn Xn
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
74. Autovalor dominante
Sean λ1 , λ2 , , λk , , λn los autovalores
de una matriz A n × n. El autovalor λk se
llama autovalor dominante de A si:
| λk | > | λi | , i =1, 2 , 3 ,, n
Un autovector asociado λk se denomina
autovector dominante de A. 2 0 0
4 0 A = 0 5 1
A=
0 − 4 0 0 5
λ1 = −2, λ2 = 2 λ1 = 2, λ2 = λ3 = 574
75. 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 = AX m−1 = A m X0
Supongamos que |λ1| > |λ2| ≥ … ≥ |λn| con K1, K2, …, Kn
autovectores asociados linealmente independientes. Entonces:
X0 = c1K1 + c2K 2 + + cnK n
Como AKi = λiKi , entonces:
AX0 = c1AK1 + c2AK2 + … + cnAKn
AX 0 = c1λ1K 1 + c2 λ2 K 2 + + cn λn K n 75
76. Multiplicando por A sucesivamente:
A 2 X0 = c1λ1AK1 + c2λ2 AK 2 + + cn λn AK n
= c1λ1 K1 + c2λ2 K 2 + + cnλ2 K n
2
2 n (...)
A m X0 = c1λ1 K1 + c2λmK 2 + + cnλmK n
m
2 n
m
λ2 2 λn
m
= λ1 c1K1 + c2 K + + cn K n
m
λ1 λ1
Como |λ1| > |λi|, i = 2, 3, …, n; cuando m → ∞,
podemos aproximar:
A X0 ≈ λ
m m
1 c1K1
76
77. A X0 ≈ λ
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 = λK, AK⋅K= λK⋅K
AK ⋅ K AX m ⋅ X m
λ= λ1 ≈
K ⋅K Xm ⋅ Xm
Cociente de Rayleigh.
que nos da una aproximación al autovalor dominante. 77
80. 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
81. Demostración
• Puesto que P = (K1, K2, K3) es no singular,
entonces existe P-1 y
AP = ( AK1 AK 2 AK 3 ) = (λ1K1 λ2K 2 λ3K 3 )
λ1 0 0
= (K 1 K 2 K 3 ) 0 λ2 0 = PD
0 0 λ3
Así que P-1AP = D.
81
82. Condición suficiente de diagonalización
Si A es una matriz n × n con n autovalores
distintos, entonces es diagonalizable.
2
3 4 K1 =
A= Tenemos que λ = 5, 5. 1
−1 7 Y solo podemos encontrar un autovector.
La matriz no puede diagonalizarse.
82
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.
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