5.

Repaso de matrices

( Chema Madoz, VEGAP, Madrid 2009)

Matrices
Elemento: aij
Tamao: m n
Matriz cuadrada: n n
(orden n)
Elementos de la diagonal: ann

Vector columna
(matriz n x 1)

Vector fila
(matriz 1 x n)

a11 a12 " a1n

a21 a22 " a2 n

#
#

am1 am 2 " amn

a1

a2
#

an
( a1 a2 " an )

Suma:

3
2 1
4 7 8

A= 0 4
6 , B = 9
3
5
6 10 5
1 1

2+4

A+B = 0+9
6 +1

1+ 7

3 + (8) 6

4+3
6+5 = 9
10 + (1) 5 + 2 5

6
7
9

11
3

Multiplicacin por un escalar:

ka11 ka12 " ka1n

ka21 ka22 " ka2 n

(
)
kA =
=
k
a
ij
mn
#
#

kam1 kam 2 " kamn

Si A, B, C son matrices mn, k1 y k2 son escalares:

(i)
(ii)
(iii)
(iv)
(v)
(vi)

A+B=B+A
A + (B + C) = (A + B) + C
(k1k2) A = k1(k2A)
1A=A
k1(A + B) = k1A + k1B
(k1 + k2) A = k1A + k2A

Multiplicacin:
4 7
9 2
,B=

(a) A =
8
3 5
6
49 + 76 4(2) + 78 78 48
AB =

=
39 + 56 3(2) + 56 57 34
5 8
(b) A = 1 0 , B = 4 3

0
2
2 7

5(4) + 82 5(3) + 80 4 15

AB = 1(4) + 02 1(3) + 00 = 4 3
2(4) + 72 2(3) + 70 6 6

Nota: En general, AB BA

Transpuesta de una matriz A:

a11

a12
T
A =
#

a1n

a21 " am1

a22 " am 2
#

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

Matriz cero
A+0=A
A + (A) = 0

0 0

0
0 0
0= ,0=
, 0 = 0 0
0
0 0
0 0

Matrices triangulares
1

0
0

2 3 4

5 6 7
0 8 9

0 0 1

Triangular superior

2 0 0 0 0

1 6 0 0 0
8 9 3 0 0

1 1 1 2 0
15 2 3 4 1

Triangular inferior

Matriz diagonal:
Matriz cuadrada n n, i j, aij = 0
7

0
0

0
1

0
1

5 0
1 0

=5
0 5
0 1

Matriz identidad:
A: m n, entonces
Im A = A In = A

1 0 0 "

0 1 0 "
#

0 0 0 "

0
#

1
8

Una matiz A n n es simtrica si AT = A.

1 2 7

A = 2 5 6
7 6 4

1 2 7

T
A = 2 5 6 = A
7 6 4

Resolucin de sistemas de ecuaciones lineales:

a11 x1 + a12 x2 + " + a1n xn = b1
a21 x1 + a22 x2 + " + a2 n xn = b2
#
#
am1 x1 + am 2 x2 + " + amn xn = bm

Matriz aumentada
asociada, para resolver
el sistema de ecuaciones
lineales.

a11 a12 " a1n

a21 a22 " a2 n

#
#

am1 am 2 " amn

b1

b2
#

bm
10

2x1 + 6x2 + x3 = 7
x1 + 2x2 x3 = 1
5x1 + 7x2 4x3 = 9
2 R1 + R2
5 R1 + R3

3 R2 + R3

1 7
2 6

1 2 1 1
5 7 4 9

2 1 1
1

2
3 9
0

0 3
1
14

1 2 1 1

3
9
0 1
2
2
0 0 11 55

2
2

2 R2

11R3

R12

1 2 1 1

1 7
2 6

5 7 4
9

2 1 1
1

3
9
1
2
2
0

0 3
1
14

1 2 1 1

3
9
0 1
2
2

0 0
1
5

x1 + 2 x2 x3 = 1

x3 = 5, x2 = 3, x1 = 10

3
9
x2 + x3 =
2
2
x3 = 5

11

Resolver mediante el mtodo de Gauss-Jordan

x1 + 3x2 2x3 = 7
4x1 + x2 + 3x3 = 5
2x1 5x2 + 7x3 = 19

4
2

111 R2
1
111 R3

0
0

3 2
1
5

3
7

3 2
1 1
1

5
19
7

3
3

4 R1 + R2
2 R1 + R3

3 R2 + R1
R2 + R3

0
0

0
0

3 2

11 11 33
11 11 33
0
1
2

1 1 3
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

 a11 a12 " a1n

a21 a22 " a2 n

A=
#
#

am1 am 2 " amn

Vectores fila:
u1 = (a11 a12 a1n),
u2 = (a21 a22, a2n),,
um = (am1 am2 amn)

Vectores columna:

a11
a12
a1n

a21
a22
a2 n
v1 =
, v2 =
, ", v n =

#
#
#

am1
am 2
amn

El rango de una
matriz A m n, es el
mximo nmero de
vectores fila
linealmente
independientes.

3
1 1 3 121R2R+ R3 1 1 1
1 1 3 32RR1++RR2 1
1
2
1
3
4

1
A = 2 2
8 2 0 1 2 2
6 8 0 4
3
0
0 0
0
0
2 4 1
5 7 8

14

rang A = 2.

AX = 0
Siempre hay soluciones
(consistente)

Solucin nica X = 0
(solucin trivial)
rang(A) = n

Infinitas soluciones
Rang(A) < n
n r parmetros

15

AX = B, B0

Consistente
rang(A) = rang(AB)

Solucin nica
rang(A) = n

Inconsistente
rang(A) < rang(AB)

Infinitas soluciones
rang(A) < n
n r parmetros
16

Determinantes
a11 a12
det A =
= a11a22 a12 a21
a21 a22

a11

a12

a13

det A = a21

a22

a23

a31

a32

a33

= a11a22 a33 + a12 a23 a31 + a13 a21a32 a13 a22 a31
a11a23 a32 a12 a21a33 .
det A = a11

a22
a32

a23
a21 a23
+ a12
a33
a31 a33

a21 a22

+ a13
a31 a32

Expansin por cofactores a lo largo de la primera fila.

17

a11
det A = a21
a31
a22
C11 =
a32

a23
a33

a12
a22
a32

a13
a23
a33

El cofactor de aij es
Cij = (1)i+ j Mij
donde Mij se llama menor.

a21 a23
C12 =
a31 a33

a21 a22
C13 =
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
2 4 7

A = 6 0 3
det A = 6 0
1 5 3
1 5

2 4 7
1+1
1+1 0
C11 = (1) 6 0 3 = (1)
5
1 5 3
2
C12 = (1)1+ 2 6
1
2
C13 = (1)1+3 6
1

4
0
5
4
0
5

7
1+ 2 6
3 = (1)
1
3
7
1+3 6
3 = (1)
1
3

7
3 = 2C11 + 4C12 + 7C13
3
3
3
3
3
0
5
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
Ms corto desarrollando por la segunda fila...

det A = 6C21 + 0C22 + 3C23

1+ 2

= 6(1)

4 7
5 3

+ 3(1)

= 6(23) 3(6) = 120

2+3

2 4
1 5
20

 6 5 0

A = 1 8 7
2 4 0

6 5
0
det A = 1 8 7 = 0C13 + ( 7)C23 + 0C33
0
2 4
6 5 0
= (7)(1)

2 +3

1 8 7 = (7)(1)
2 4 0

2+3

6 5
2 4

= 7[6(4) 5(2)] = 238

21

det AT = det A
5
7
det A =
= 41
3 4

5
3
det A =
= 41
7 4
T

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

son idnticas, entonces det A = 0.
6 2 2

A = 4 2 2
9 2 2

6 2 2
det A = 4 2 2 = 0
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 nmero real k, entonces:

det B = k det A
det B = kai1Ci1 + kai 2Ci 2 + " + kain Cin
=

k (ai1Ci1 + ai 2Ci 2 + " + ainCin )

 

= k det A

expansin de det A por cofactores a lo largo de la i -sima fila

5 8
1 8
1 1
=5
= 58
20 16
4 16
4 2
= 582

1 1
2 1

= 80(1 2) = 80
24

Si A y B son matrices n n, entonces

det AB = det A det B.
6
2
3 4
A=

, B=
5
1 1
3

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

1 2 3 R + R 5
1
2
5

1 3
0
7 = B
A = 3 0 7 3
4 1 4
11 4 2

det A = 45 = det B = 45.

26

0
0
a11

A = a21 a22
0

a
a
a
31 32
33

det A = a11

a22

a32

a33

a11 (a22 a33 0 a32 ) = a11a22 a33

matriz triangular inferior

A=
5

0
0
0

6
0
0
9 4
0

2
4 2

matriz diagonal

3 0 0

A = 0 6 0
0 0 4

3 0
0
2 6
0
det A =
5 9 4
7 2

0
0
=
0

4 2

3 6 ( 4) (2) = 144

3 0 0
det A = 0 6 0 = (3)64 = 72
0 0 4
27

Supongamos que A es una matriz n n.

Si ai1, ai2, , ain son los elementos de la i-sima fila
y Ck1, Ck2, , Ckn son los cofactores de la k-sima
fila, entonces:

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

Igualmente, si a1j, a2j, , anj son los elementos de la
j-sima columna y C1k, C2k, , Cnk son los
cofactores de la k-sima columna, entonces:

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

28

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:
bi1 = ak1, bi2 = ak2, , bin = akn
B tendr entonces dos filas idnticas de
modo que det B = 0, y:

0 = det B = ak1Ck1 + ak 2Ck 2 + " + aknCkn

= ai1Ck1 + ai 2Ck 2 + " + ainCkn
29

2 7
6

A = 4 3 2

2
4
8

a11C31 + a12C32 + a13C33

6 7
6
2

+ 7
=6
+ 2
3 2
4 3
4 2
= 6(25) + 2(40) + 7(10) = 0
2 7

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
A =
adj A
det A
1

Para n =3:
a11 a12 a13 C11 C21 C31

A(adj A ) = a21 a22 a23 C12 C22 C32

a
C

a
a
C
C
31 32
33 13
23
33
0
0
det A

= 0
det A
0
0

0
det
A

33

1 4
A=

2 10
1 10 4 5 2
A =

=
1
2 2
1 1
2
1

1 4 5 2 5 4 2 + 2 1 0
AA =
=
=

1
2 10 1
10 10 4 + 5 0 1
2
1

5 2 1 4 5 4 20 20 1 0
A A=

=
=

1
1 + 1 4 + 5 0 1
1
2 2 10
1

34

 2 2 0

A = 2 1 1
3 0 1

1 1
2 1
C11 =
= 1 C12 =
=5
0 1
3 1
2 0
= 2
C21 =
0 1
C31 =

2 0
1 1

=2

2 1
= 3
C13 =
3 0

2 0
2 2
= 2 C23 =
=6
C22 =
3 1
3 0
C32 =

2 0
2

= 2 C33 =

2 2
2

=6

1
2 112 16
1 2
6

5
1
1
1
1
2 2 = 12
A = 5
6
6
12
1
1
1
3
6
6

2
2

35

 2 0 1

A = 2 3 4
5 5 6

a11 a12 " a1n

a21 a22 " a2 n

(A | I) =
#
#

an1 an 2 " ann

2 0 1 1 0 0

2 3 4 0 1 0
5 5 6 0 0 1

2 R1

2 R1 + R2
5 R1 + R3

1 0

2 3
5 5

1 0

0 3
0 5

1 0 " 0

0 1 " 0
#
#

0 0 " 1

0 0

0 1 0
0 0 1

4
6
1

5
17

1
5

0 0

1 0
0 1
36

3 R2
1 R
5 3

R2 + R3

30 R3

12 R3 + R1
5 3 R3 + R2

0
0

0
0

0
0

0
1
1

1
5
17

1
0

5
1

1
0

10

2
3

30
2
3

1
1
1
1
1

3
2

2
3
6

2
3

1
0
3
0 15
0
0

1
0
3
13 15
0 0

1
0
3
10 6
0

5 3
5 3
2
1 0 0 2

1
17 10
17 10 A = 8
0 1 0 8

5 10
0 0 1

5
10
6
37

 1 1 2

A = 2 4
5
6 0 3

1 1 2 1

5 0
2 4
6 0 3 0

1 1
2 R1 + R2

0 6
6 0

1 1
6 R1 + R3

0 6
0 6

R2 + R3

Singular

0 0

1 0
0 1
1 0 0
2

9 2 1 0
0 0 1
3
2
1 0 0

9 2 1 0
9 6 0 1
1 0 0
1 1 2

9 2
1 0
0 6
0 0
38

0
4
1
1

a11 x1 + a12 x2 + " + a1n xn = b1

a21x1 + a22 x2 + " + a2 n xn = b2
#
#
am1 x1 + am 2 x2 + " + amn xn = bm

AX = B

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
3 x1 + 6 x2 = 16

2 9 x1 15

=
6 x2 16
3

2 9
= 39 0
3
6

2 9
1 6 9

=
39 3 2
6
3

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
5 x1 + 5 x2 + 6 x3 = 1
2 x1 + 3x2 + 4 x3 = 4
x1 2

x2 = 2
x 5
3
2

= 8
5

2 0 1

A = 2 3 4
5 5 6

0 1 2

3 4 4
5 6 1
5 3 2 19

17 10 4 = 62
6 1 36
10

x1 = 19 , x2 = 62 , x3 = 36
41

 C11 C21 " Cn1 b1

1 C12 C22 " Cn 2 b2

-1
X=A B=
# #
det A #

C1n C2 n " Cnn bn

b1C11 + b2C21 + " + bncn1

1 b1C12 + b2C22 + " + bncn 2

=

#
det A

b1C1n + b2C2 n + " + bncnn

Regla
de
Cramer

b1C1k + b2C2 k + " + bnCnk

xk =
det A
det A k
=
det A

42

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 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.
43

Problemas de autovalores
DEFINICIN

Autovalores y autovectores

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 .
Los autovalores de una matriz triangular,
inferior o superior, o de una matriz diagonal son
los elementos de la diagonal.

44

 1

Verifica que K = 1
1
la matriz:

es el autovector de
0 1 3

A= 2
3
3
2

1
1

Solucin

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 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
46
caracterstica.

Encuentra los autovalores y autovectores de:

2
1
1

A = 6 1 0
1 2 1

(A I)K = 0

1
det( A I ) = 6
1
3 2 + 12 = 0
( + 4) ( 3) = 0

= 0, 4, 3.

2
1

1
0

=0

Ahora encontraremos los

autovectores para cada
autovalor.
47

(i) 1 = 0

(A 1I)K = 0

6 R1 + R2
2
1 0
1
2
1
0

R1 + R3 1

( A + 0I | 0) = 6 1 0 0 0 13 6 0
1 2 1 0
0

0
0
0

1 0 2 R2 + R1 1 0 113 0
113 R2 1 2

6
6
0 1 13 0 0 1 13 0
0 0 0 0
0 0 0 0

1
6
k1 = k3 , k2 = k3
13
13
Tomando k3 = 13

K1 = 6
13

48

(ii) 2 = 4

2 1 0
5

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

(A 2I)K = 0

19 R2
18 R3

1 2 3 0

0 1 2 0
0 1 2 0

R3
R13

6 R + R
2 3 0
1 2 3 0 5 R11+ R32 1

6 3 0 0 0 9 18 0

5 2
0 8 16 0
1
0

2 R2 + R1
2 R2 + R3

1 0
1 0

0 1 2 0
0 0

0
0

k1 = k3 , k2 = 2k3. Tomando k3 = 1:

1

K2 = 2
1

49

(iii) 3 = 3

(A 3I)K = 0

2
1 0
2

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

1 0

0 1
0 0

1 0

3
0
2
0 0

k1 = k3, k2 = (3/2) k3. Y tomando k3 = 2,

2

K 3 = 3
2

50

Encuentra los autovalores y autovectores de:

det( A I ) =

3 4
A=

1 7

= ( 5) 2 = 0

1 = 2 = 5 es un autovalor de multiplicidad 2.
A partir de (A 5I|0), tenemos: 2k + 4k = 0
1

Tomando k2 = 1, tenemos
2
k1 = 2, y entonces
K1 =
1

k1 + 2k2 = 0

51

Encuentra los autovalores

y autovectores de:

9 1 1

A = 1 9 1
1 1 9

9
1
1
det( A I ) = 1
9
1 = ( 11)( 8) 2 = 0
1
1
9

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

52

(i) 1 = 11, por el mtodo de Gauss-Jordan:

1
1 0
2

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

1
1
2
0

1 0 1 0

0 1 1 0
0 0 0 0

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

1

K 1 = 1
1

53

(ii) 2 = 8,
1 1 1 0

( A 8I | 0)3 = 1 1 1 0
1 1 1 0

1 1 1 0

0 0 0 0
0 0 0 0

k1 + k2 + k3 = 0. Podemos elegir dos de ellos de

manera arbitraria. Tomemos k2 = 1, k3 = 0:
Y k2 = 0, k3 = 1:
1

K3 = 0
1

1

K 2 = 1,
0

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 tambin un
autovalor de A.
Si K es un autovector correspondiente a , entonces
el autovector conjugado K es un autovector
correspondiente a .
Demostracin:

AK = K, A K = K , A K = K
55

Encuentra los autovalores

y autovectores de:
det( A I ) =

= 2 10 + 29 = 0

(A 1I)K = 0

1 = 5 + 2i , 2 = 1 = 5 2i

1 = 5 + 2i

6 1
A=

5 4

(1 2i )k1 k2 = 0
5k1 (1 + 2i )k2 = 0

k2 = (1 2i) k1, tomando k1 = 1:

2 = 1 = 5 2i,

1
K1 =

1 2i

1
K 2 = K1 =

1 + 2i

56

Potencias de una matriz

Sea A, una matriz n n. Definimos la
potencia m-sima de A como:

A = AAA
A
 "


m factores

57

Teorema de Cayley-Hamilton
Ecuacin caracterstica: det (A I) = 0
n 1

(1) + cn1
n n

+ " + c1 + c0 = 0

Una matriz A satisface su propia

ecuacin caracterstica:

(1) A + cn1A
n

n 1

+ " + c1A + c0I = 0

58

Comprobarlo con:

2 4
A=

1 3

2 2 = 0.
Y por el teorema de CayleyHamilton:
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) m = c0 + c1 ( 1)

m
2 = c0 + c1 ( 2)
c0 = 1/3[2m + 2( 1) m ], c1 = 1/3[2m (1) m ]
1 [ 2 m + 4( 1) m ]

A m = 3
1 [ 2 m ( 1) m ]

m
m
[
2
(
1
)
]

1 [ 2 m + 2 ( 1) m ]

3
4

60

Y en general, para una matriz de orden n:

Am = c0I + c1A + c2A2 ++ cn1An1

m = c0 + c1 + c2 2 ++ cn1 n1
donde los ck (k = 0, 1,, n1), dependen de m.

61

Calcula

Am

para:

1 1 2

A = 1 2
1
0 1 1

Solucin
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
1 = c0 + c1 + c2
2m = c0 +2c1 + 4c2

c0 =

m
m
[
3
+
(

1
)

2
],
3

c1 = 2[1 (1) m ],
c2 =

m
m +1
[

3
+
(

1
)
+
2
]
6
62

Puesto que Am = c0I + c1A +c2A2, tenemos:

16 [9 2m+1 ( 1) m ]

m
A =
1 2m
1 [3 2m+1 ( 1) m ]
6

m
m

[
2
(
1
)
]
3
2m

m
m

[
2
(
1
)
]
3

m +1
m

+
+

[
9
2
7
(
1
)
]
6

m
2 1

1 [ 3 + 2 m +1 + 7( 1) m ]
6

Por ejemplo, para m = 10

340 341 341

10
A = 1023 1024 1023
341 341 342

63

 2 4
A=

1 3

Por el teorema de Cayley-Hamilton:

A2 A 2I = 0,
I = (1/2)A2 (1/2)A,

Multiplicando a ambos lados por A1 podemos

encontrar la inversa:
A1 = (1/2)A (1/2)I
1

2 4
1 2 4 1 1 0 32 2

= 1

=

2 1 3 20 1 2 1
1 3
64

Una matriz A n n es simtrica si A=AT

Si A es simtrica con elementos
reales, entonces los autovalores de
A son reales.
AK = K, A K = K , A K = K
Transponiendo y multiplicando por K por la derecha:

K AK = K K
T

0 = ( ) K K
T

K K = ( | k1 | + | k2 | +" + | kn | ) 0
T

= 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 || X X = x + x + " + x
T

2
1

2
2

2
n

Veamos que si A es una matriz n n simtrica, los

autovectores correspondientes a distintos
(diferentes) autovalores son ortogonales.
66

Demostracin
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



K3 = 2
0
,
K
=
1
,
K
=

1
2
1 0

1
1
1



1

T
K1 K 2 = (1 0 1) 1 = 1(1) + 01 + 1( 1) = 0
1

1

T
K1 K 3 = (1 0 1) 2 = 11 + 02 + 1(1) = 0
1

1

T
K 2 K 3 = (1 1 1) 2 = (1)1 + 12 + 1(1) = 0
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

I = 0 1 0
0 0 1

ITI

13
2
T
A A = 3
2
3

= II = I

2
2
1

3
3
3

13 2 3
2
2
A= 3
3
2
1
3
3

2 3 13 2 3
2
1
2
3
3
3
2 2
1

3
3
3

3
2
3
1

1 0 0

1
3 = 0 1 0 = I
0 0 1
2

69

Una matriz A n n es ortogonal si y solo si sus

vectores columnas X1, X2, , Xn forman un
conjunto ortonormal.
X1T X1
T
X 2 X1
T
A A=
#

XT X
n 1

X1T X 2 " X1T X n 1 0 " 0

T
T
X2 X2 " X2 Xn 0 1 " 0
=

#
#
#

T
T

Xn X2 " Xn Xn 0 0 " 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
2
2
A= 3
3
2
1
3
3
1

T
X1 X 2

1
3
2
3
= ( 13

13
23
23
2
2
1
X1 = 3 , X 2 = 3 , X3 = 3 ,
2
1
2
3
3
3
23

2 4 2
2
2
2
3 ) 3 = + = 0
3
9 9 9
1
3

23
1 2 2 4
T
1
2
2
X1 X3 = ( 3 3 3 ) 3 = + = 0
2 9 9 9
3
23
1
4 2 2
T
2
2
1
X 2 X3 = ( 3 3 3 ) 3 = + + = 0
9 9 9
2
3

71

Y los vectores son unitarios, ortonormales:

13
2 1 4 4
T
1
2
2
X1 X1 = ( 3 3 3 ) 3 = + + = 1
2 9 9 9
3
23
2 4 4 1
T
2
2
1
X 2 X 2 = ( 3 3 3 ) 3 = + + = 1
1 9 9 9
3
23
1 4 1 4
T
2
1
2
X3 X3 = ( 3 3 3 ) 3 = + + = 1
2 9 9 9
3
72

 0 1 0

A = 1 1 1

0
1
0

Vimos

|| K1 || = K1T K1 = 2,
|| K 2 || = K T2 K 2 = 3,
|| K 3 || = K T3 K 3 = 6

P=

1
2
0
1
2

1
1

3
6
1
2
3
6
1
1

3
6

1
1
1



K 1 = 0 , K 2 = 1 , K 3 = 2
1
1
1

2
0 ,

1 ,
3
1

6
2
6
1

Verifica que PT = P-1.

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
0
4
A=

0 4
1 = 2, 2 = 2

A = 0 5 1
0 0 5

1 = 2, 2 = 3 = 574

Mtodo de las potencias

Xi = AX i 1 ,

i = 1, 2, 3, "

X1 = AX0
X 2 = AX1 = A 2 X0

Vector n 1

Supongamos que
A tiene un autovalor
dominante.

X m = AX m1 = A m X0

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

autovectores asociados linealmente independientes. Entonces:

X 0 = c1K1 + c2K 2 + " + cn K n

Como AKi = iKi , entonces:

AX0 = c1AK1 + c2AK2 + + cnAKn

AX 0 = c11K 1 + c2 2 K 2 + " + cn n K n

75

Multiplicando por A sucesivamente:

A 2 X 0 = c11AK1 + c22 AK 2 + " + cn n AK n
= c112K1 + c222K 2 + " + cn 2nK n

(...)

A m X0 = c11mK1 + c2m2 K 2 + " + cnmnK n

m
m

2 2
n
m
= 1 c1K1 + c2 K + " + cn K n

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 X 0 = X m
De modo que Xm ser una aproximacin al autovector
dominante.
Puesto que AK = K, AKK= KK

AK K
=
K K

AX m X m
1
Xm Xm
Cociente de Rayleigh.

que nos da una aproximacin al autovalor dominante.

77

2
4
A=

3 1
1
X0 =
1

4 2 1 6
X1 = AX0 =
=
3 1 1 2
4 2 6 28
X 2 = AX1 =
=
3 1 2 16

Xi

144

68

712

364

3576 17848

1772 8956

7
89304

44588

A X0
m

m
1 c1K1

X 7 = 89304
0.4933
78

2 1 4.9986
4
AX 7 =

3 1 0.4993 2.5007
T

4.9986 1
AX7X7 =

= 6.2472
2.5007 0.4993
T

1 1
X7X7 =
= 1.2493

0.4993 0.4993

AX7X7 6.2472
1
=
= 5.0006
X7X7
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

Condicin suficiente de diagonalizabilidad

Si A es una matriz n n que tiene n autovectores

K1, K2, , Kn linealmente independientes, entonces
A es diagonalizable.

80

Demostracin
Puesto que P = (K1, K2, K3) es no singular,
entonces existe P-1 y
AP = ( AK1 AK 2

= (K 1 K 2

AK 3 ) = (1K1 2K 2

1 0

K 3 ) 0 2
0 0

3K 3 )

0 = PD
3

As que P-1AP = D.
81

Condicin suficiente de diagonalizacin

Si A es una matriz n n con n autovalores
distintos, entonces es diagonalizable.

3 4
A=

1 7

2
K1 =
Tenemos que = 5, 5.
1
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.

P = (K 1

3
1
K1 = , K 2 =
2
1
3 1
1 1

1
K2) =
,
P =

2 1
3
2

1 1 5 9 3 1 1 0
P AP =

=
=D
3 6 10 2 1 0 4
2
1

83

2
1
1

A = 6 1 0
1 2 1

P = (K 1 K 2

1 = 0 , 2 = 4 , 3 = 3 ,
1
1
2

K1 = 6 , K 2 = 2 , K 3 = 3
13
1
2

2
1 1

K3) = 6 2
3

13
1
2

112
9
1
P = 28
8
21

0 112

3
2
7
28
1
2
7
21

2
1 1 1
2
112 0 112 1

1
3
2
3
1 0 6 2
P AP = 28 7
28 6

8
2 1 2 1 13
1
2

21 17

21
0 0
0

= 0 4 0 = D

0
0
3

84

0 1 0

A = 1 0 0
0 0 1

= 1, 1, 1.

= 1

1

K 1 = 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
linealmente independientes. Luego la
0
1
matriz es diagonalizable.


1 1 0

P = 1 1 0
0 0 1

P-1AP = D

1 0 0

D = 0 1 0
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 simtrica.
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 simtrica.
86