Escolar Documentos
Profissional Documentos
Cultura Documentos
A
Transformaciones
Lineales
-------]
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
2
[ […..………..…………………………..…… Sección 1.1: Transformaciones lineales
r
... kr, no todos nulos, tales que ∑
i =1
ki . vi = θ Si es así, por lo menos uno
r r
1
Por ejemplo: si k1 ≠ 0 k1. v1 = − ∑
i=2
ki . vi v1 = −
k1
∑
i=2
ki . vi
3
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
n
tales que a = ∑
i =1
ai vi. Respecto de la base B, el vector a queda
Propiedades:
N1)
v ≥ 0, v =0⇔v=θ
N2) k . v = ⎟k⎢ v
N3) v + v ≤ v1 + v 2
1 2
(desigualdad triangular)
N4)
1
v .v 2
≥ < v , v > (desigualdad de Schwarz)
1 2
4
[ […..………..…………………………..…… Sección 1.1: Transformaciones lineales
Propiedades:
Propiedades:
01) v1⊥v2 ⇒ v2⊥v1
02) v1⊥v2 ⇒ k1 v1⊥ k2 v2 ∀ k1∈ ℜ, ∀ k2 ∈ ℜ
03) θ ⊥ θ ; θ ⊥ v ∀ v ∈V
h
1 2 h
04) si a ⊥ v , a ⊥ v , ..., a ⊥ v ⇒ a ⊥ ∑
i =1
ki vi
módulo y se nota a.
n
La distancia entre los vectores a y b será: d(a,b) = ∑
i =1
(ai − bi ) 2
5
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
1) ai = 1 ∀i
i j
2) a ⊥ a si i ≠ j
y2 = v2 − <v2, u1> u1
2
2 y
3) lo normalizamos: u = 2
y
3
y
5) lo normalizamos: u3 = 3
y
h i
y
en general: y h+1
=v h+1
− ∑
i =1
<v h+1 i
, u> u i
donde u = i
y
i
⎧ai = 0 si i ≠ h
eh = (a1 , a 2 , , a n ) donde ⎨
⎩ ai = 1 si i = h
Ejemplo: supongamos que B = {(1, -2, 0, 2); (0, -1, 2, 2); (-1, 0, 1, 2)} es una
base de un subespacio de ℜ4 y queremos obtener una base ortonormal para
dicho subespacio.
7
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
−8 4 8 8 1 −2 2 −4 2 − 3 4
= (-1,0,1,2) − ( , , , )−( , ,0, ) = ( , , , )
15 15 5 15 3 3 3 5 5 5 5
45 3 5 −4 2 −3 4
5°) normalizamos y3: como |y3| = = u3 = ( , , , )
25 5 3 5 5 5 5
⎧⎛ 1 − 2 2 ⎞ ⎛ − 2 1 2 2 ⎞
La base ortonormal es B’ = ⎨⎜ , ,0, ⎟; ⎜⎜ , , , ⎟;
⎩⎝ 3 3 3 ⎠ ⎝ 3 5 3 5 5 3 5 ⎟⎠
⎛ − 4 5 2 5 − 3 5 4 5 ⎞⎫⎪
⎜ ⎟
⎜ 15 , 15 , 15 , 15 ⎟⎬⎪
⎝ ⎠⎭
Teorema: si B={u1, u2, ..., un} es una base ortonormal para un espacio con
producto interno euclídeo V entonces cualquier vector a de V puede
expresarse como a = <a , u1> u1 + <a , u2> u2 + ... + <a , un> un
De (3) obtenemos <a , un> un = a −<a , u1> u1 −<a , u2> u2 −... −<a , un-1> un-1
que es la fórmula que se usa para hallar cada vector ortogonal a los
anteriores en el proceso de Gram-Schmidt.
8
[ […..………..…………………………..…… Sección 1.1: Transformaciones lineales
t(k v) = k t(v) = k w
∑ ki v ) = ∑ ki t(vi) = ∑k w
i i
entonces se verifica: t ( i esto nos permite
i =1 i =1 i =1
afirmar que las transformaciones lineales preservan las combinaciones
lineales.
Ejemplo 1: la función f: ℜ3→ℜ2 definida por f(x1, x2, x3) = (x1−x3, x2−x3) es
una TL, ya que se verifican las 2 condiciones:
1) f [(a1, a2, a3) + (b1, b2, b3)] = f(a1+b1, a2+b2, a3+b3) =
= (a1+b1−a3−b3, a2+b2−a3−b3) (1)
f(a1, a2, a3) + f(b1, b2, b3) = (a1−a3, a2−a3) + (b1−b3, b2−b3) =
= (a1−a3+b1−b3, a2−a3+b2−b3) (2)
(1) = (2)
2) f [k(a1, a2, a3)] = f(ka1, ka2, ka3) = (ka1−ka3, ka2−ka3)
Ejemplo 2: la función f: ℜ3→ℜ2 / f(x1, x2, x3) = (x1−x3, x2−x3+1) no es una TL,
pues:
1) f [(a1, a2, a3) + (b1, b2, b3)] = f(a1+b1, a2+b2, a3+b3) =
= (a1+b1−a3−b3, a2+b2−a3−b3+1) (1)
f(a1, a2, a3) + f(b1, b2, b3) = (a1−a3, a2−a3+1) + (b1−b3, b2−b3+1) =
= (a1−a3+b1−b3, a2−a3+1+b2−b3+1) (2)
(1) ≠ (2)
2) f [k(a1, a2, a3)] ≠ k[f(a1, a2, a3)]
9
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
Nota: basta que no se cumpla una de las condiciones para que no sea TL.
Toda matriz Amxn representa una transformación lineal del espacio euclídeo
de n dimensiones En en el espacio euclídeo de m dimensiones Em, ya que
dado cualquier vector x ∈ En, existe un vector único y ∈ Em tal que y = Ax.
La transformación es lineal, puesto que si x1∈ En, x2 ∈ En, k ∈ K:
A(x1+x2) = Ax1 + Ax2 ; A k x = k A x
La suma de dos matrices A=[aij] y B=[bij] se puede realizar sólo si ambas son
de la misma dimensión A + B = [aij + bij]
Dem:
1) (gof)(v1+v2) = g [f(v1+v2)] = g [f(v1) + f(v2)] por ser f TL
= (gof)(v1) + (gof)(v2)
10
[ […..………..…………………………..…… Sección 1.1: Transformaciones lineales
= k (gof)(v)
11
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
⎡ a1 j ⎤
⎢a ⎥
A = (a , a ,…, a ) donde a = ⎢ ⎥
1 2 n j 2j
⎢ ⎥
⎢ ⎥
⎢⎣ a mj ⎥⎦
12
[ […..………..…………………………..…… Sección 1.1: Transformaciones lineales
⎡ x1 ⎤
⎡2 0 0 − 1⎤ ⎢ ⎥ ⎡ y1 ⎤
x
A = ⎢⎢0 1 0 3 ⎥⎥ ⎢ 2 ⎥ = ⎢⎢ y 2 ⎥⎥
⎢x ⎥
⎢⎣6 0 − 4 0 ⎥⎦ ⎢ 3 ⎥ ⎢⎣ y 3 ⎥⎦
⎣ x4 ⎦
⎡ 2⎤ ⎡0 ⎤ ⎡0⎤ ⎡− 1⎤ ⎡ y1 ⎤
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
ó
⎢0⎥ x1 + ⎢1⎥ x 2 + ⎢ 0 ⎥ x3 + ⎢ 3 ⎥ x 4 = ⎢ y 2 ⎥
⎢⎣6⎥⎦ ⎢⎣0⎥⎦ ⎢⎣− 4⎥⎦ ⎢⎣ 0 ⎥⎦ ⎢⎣ y 3 ⎥⎦
13
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
⎡ x1 ⎤ ⎧ 1
⎡2 0 0 − 1⎤ ⎢ ⎥ ⎡0⎤ ⎪ x1 = 2 x 4
⎢0 1 0 ⎥ ⎢ x 2 ⎥ = ⎢0 ⎥ ⎪
⎢ 3 ⎥ ⎢x ⎥ ⎢ ⎥ ⎨ x 2 = −3 x 4
⎢⎣6 0 − 4 0 ⎥⎦ ⎢ 3 ⎥ ⎢⎣0⎥⎦ ⎪ 3
x ⎪ x3 = x 4
⎣ 4⎦ ⎩ 4
1 3 1 3
Todos los vectores de la forma ( x4, −3x4, x4, x4)T = k( ,−3, , 1)T
2 4 2 4
pertenecen al núcleo; para base podemos tomar uno cualquiera de ellos,
por ejemplo: (2, −12, 3, 4)T ; la nulidad es n(t)=1; la suma de la nulidad más
el rango es igual a la dimensión del dominio: 4
⎧ a11 p1 + a12 p 2 = c1
⎪
(1) ⎨a 21 p1 + a 22 p 2 = c 2 o sea A p = c donde las pj
⎪a p + a p = c
⎩ 31 1 32 2 3
corresponden a los precios de los insumos Xj y forman el vector columna
⎡p ⎤
p = ⎢ 1 ⎥ , las ci corresponden a los costos directos de los bienes Yi ,
⎣ p2 ⎦
⎡ c1 ⎤
⎢ ⎥
formando el vector columna c = c 2 y las aij representan la cantidad del
⎢ ⎥
⎢⎣ c3 ⎥⎦
insumo xj necesaria para producir una unidad del bien Yi. Cada vector de
precios de ℜ2 se transforma en un vector de costos de ℜ3; el vector c es la
imagen del vector p; la matriz A es la matriz de la transformación: t(p) = c ó
Ap=c
14
[ […..………..…………………………..…… Sección 1.1: Transformaciones lineales
Ejemplo:
⎧ p1 + p 2 = c1 ⎡1 1⎤
⎪
⎨2 p1 + p 2 = c 2 donde A = ⎢⎢2 1⎥⎥ como los vectores
⎪ p + 3p = c ⎢⎣1 3⎥⎦
⎩ 1 2 3
columna de A son LI forman una base del recorrido de la TL y su dimensión
es, por lo tanto, 2: r (A) = 2
FORMA CANÓNICA: una matriz Nmxn equivalente a una matriz dada A con
rango r(A) = r se dice que es la forma canónica general bajo equivalencia de
A o también la forma normal de A si posee las siguientes propiedades:
1) los primeros r elementos aij con i = j son iguales a 1.
2) cualquier otro elemento de la matriz es 0.
15
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
Sea t:V→W una TL, con recorrido Rt. Entonces, se dice que t es no singular
si y sólo si existe una transformación t-1: Rt→V tal que t-1t = t t-1 = I donde
t-1t representa la transformación idéntica sobre V y t t-1 la transformación
idéntica sobre W.
16
[ […..………..…………………………..…… Sección 1.1: Transformaciones lineales
1 -1
Si t:V→W es una TL no singular (t-1)-1 = t y (k t)-1 = t ∀k≠0
k
1 -1
Si la matriz A es no singular (A-1)-1 = A y (k A)-1 = A ∀k≠0
k
MATRIZ TRASPUESTA de la matriz A se denomina a aquella que resulta al
permutar sus filas y columnas: Am = [aij]mxn AT=[aji]nxm
Propiedades:
T1) (A+B)T = AT+ BT
T2) (A B)T = BT AT
T3) (AT)T = A
T4) (k A)T = k AT
T5) Si A es cuadrada: |AT| = |A|
1
Si A es una matriz no singular: A-1= Adj(A)
| A|
Propiedades:
TO1) |v1 − v2| = |t(v1) − t(v2)|
TO2) <v1, v2> = <t(v1) , t(v2)>
TO3) v1⊥ v2 ⇒ t(v1) ⊥ t(v2)
TO4) cos ∠ (v1, v2) = cos ∠ (tv1, tv2)
17
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
También se define una matriz ortogonal como aquella cuya inversa es igual
a su traspuesta: A-1 = AT ⇔ A es ortogonal
T
⎧⎪ v h ⊥ v j si h ≠ j (1)
A A=I⇔ ⎨ j
⎪⎩ v = 1 ( j = 1, 2,…, n) (2)
(1) (todos los vectores columna son ortogonales entre sí)
(2) (todos los vectores columna son normales: módulo = 1).
Dem.:
⎡ v1
⎢ 2
( ) ⎤⎥
T
( )
⎡ v1 T v1
⎢ 2 T 1
(v ) v
1 T 2
… (v ) v
1 T ⎤
n
⎥
A A=I ⇔ ⎢
T v ( ) ⎥[v , v
T
1 2
] ( )
,…, v = ⎢
n v v (v ) v
2 T 2
… (v ) v
2 T n
⎥=
⎢ ⎥ ⎢ ⎥
⎢ n ⎥ ⎢ n T 1 ⎥
⎢⎣ v ( ) T
⎥⎦ ( )
⎢⎣ v v (v ) v
n T 2
… ( )T
v n v n ⎥⎦
T
⎧⎪ v i ⊥ v k si i ≠ k (1)
AA =I⇔ ⎨ i
⎪⎩ v = 1 (i = 1, 2,… , n) (2)
(1) (todos los vectores fila son ortogonales entre sí)
(2) (todos los vectores fila son normales: módulo = 1).
Dem.:
ATA= I AT A = I = 1
AT A = 1 como AT = A
2
A = 1 ⇔ A = ±1
⎡2 0 ⎤
A=⎢ ⎥
⎣0 1 / 2⎦
MATRICES SIMÉTRICAS: una matriz cuadrada A tal que es igual a su
traspuesta se denomina simétrica: AT = A o sea aij = aji ∀i, ∀j
19
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
⎡1 0 − 1⎤ ⎡1⎤
⎢
Ejemplo: A = 1 2 1
⎥ ⎢ ⎥
⎥ x = ⎢− 1⎥ es vector propio correspondiente
1
⎢
⎢⎣2 2 3 ⎥⎦ ⎢⎣ 0 ⎥⎦
a λ=1 porque Ax1 = x1
⎡ − 2⎤
x = ⎢⎢ 1 ⎥⎥ es vector propio correspondiente a λ=2 porque A x2 = 2 x2
2
⎢⎣ 2 ⎥⎦
20
[ […..………………....……..…Sección 1.8: Resolución utilizando Microsoft® Excel
⎡1 ⎤
x = ⎢⎢ − 1 ⎥⎥ es vector propio correspondiente a λ=3 porque A x3 = 3 x3
3
⎢⎣− 2⎥⎦
⎡1 − λ 0 −1 ⎤
En el ejemplo anterior: A − λ I =
⎢ 1 2−λ 1 ⎥⎥
⎢
⎢⎣ 2 2 3 − λ ⎥⎦
21
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
⎡− x 2 ⎤ ⎡− 1⎤
de modo que cualquier vector de la forma
⎢ x ⎥ = k ⎢ 1 ⎥ con k ≠ 0 es
⎢ 2 ⎥ ⎢ ⎥
⎢⎣ 0 ⎥⎦ ⎢⎣ 0 ⎥⎦
un vector propio de A correspondiente al valor propio λ1=1
⎡ − x3 ⎤ ⎡− 2⎤
⎢ 1 ⎥ ⎢ ⎥
de modo que cualquier vector de la forma
⎢ 2 x3 ⎥ = k ⎢ 1 ⎥ con k ≠ 0 es
⎢⎣ x3 ⎥⎦ ⎢⎣ 2 ⎥⎦
un vector propio de A correspondiente al valor propio λ2 = 2
22
[ […..………………....……..…Sección 1.8: Resolución utilizando Microsoft® Excel
Demostración: (por inducción sobre k) Sean λ1, λ2, ..., λk valores propios
diferentes de una matriz Anxn y sean v1, v2, ..., vk los vectores propios
correspondientes.
Supongamos ahora que se cumple para los k−1 primeros vectores (k>1), es
decir que v1, v2, ..., vk son LI.
como A vi = λi vi tenemos
c1 λ1 v1 + c2 λ2 v2 + ... + ck-1 λk-1 vk-1 + ck λk vk = θ (2)
como los vectores v1, v2, ..., vk-1 son LI la ecuación (4) se verifica sólo si
todos los coeficientes son nulos, es decir: ci(λi − λk) = 0 (i=1,2,...,k−1) pero
como λi ≠ λk (i=1,2,...,k−1) entonces, debe ser ci = 0 (i=1,2,...,k−1) y la
ecuación (1) queda reducida a ck vk = θ como vk es vector propio no es el
vector nulo y debe ser ck = 0 de modo que los k vectores propios son LI.
La condición necesaria y suficiente para que una matriz Anxn sea diagonalizable
es que se puedan extraer n vectores LI del conjunto de sus vectores propios. La
matriz P (o matriz modal) se forma con n vectores propios LI (uno asociado a
cada valor propio) ordenados como vectores columna.
⎡− 1 − 2 1 ⎤ ⎡ 0 1 − 1 / 2⎤
P = ⎢⎢ 1 1 − 1 ⎥⎥ cuya inversa es P −1 = ⎢⎢− 1 − 1 0 ⎥⎥
⎢⎣ 0 2 − 2⎥⎦ ⎢⎣− 1 − 1 − 1 / 2⎥⎦
⎡1 0 0 ⎤
⎢ ⎥
podemos verificar que P-1A P = Λ= 0 2 0 el orden en que aparecen
⎢ ⎥
⎢⎣0 0 3⎥⎦
los valores propios de Λ depende del orden en que tomamos los vectores
propios para formar la matriz P.
⎡ 3 − 1⎤ ⎧ λ = 2i
Ejemplo 2: A = ⎢ ⎥ A − λ I = λ2 + 4 = 0 ⇒ ⎨ 1
⎣13 − 3⎦ ⎩λ 2 = −2i
Para λ1 = 2i tenemos
⎡3 − 2i − 1 ⎤ ⎡ x1 ⎤ ⎡0⎤ ⎡ 1 ⎤
= ⇒ x 2 = (3 − 2i ) x1 v1 = ⎢
⎢ 13
⎣ − 3 − 2i ⎥⎦ ⎢⎣ x 2 ⎥⎦ ⎢⎣0⎥⎦ ⎥
⎣3 − 2i ⎦
La condición para que una matriz Anxn sea diagonalizable es que a toda raíz
λi de orden de multiplicidad m corresponda un sistema (A - λiI) x = θ de
rango (n-m) que determina m vectores característicos LI, es decir, que la
dimensión del espacio característico correspondiente al valor propio λi sea
m.
Ejemplo 3:
24
[ […..………………....……..…Sección 1.8: Resolución utilizando Microsoft® Excel
⎡1 − 3 3 ⎤
⎧λ = λ 2 = −2
A = ⎢⎢3 − 5 3⎥⎥ A − λ I = −λ3 + 12λ + 16 = 0 ⇒ ⎨ 1
⎢⎣6 − 6 4⎥⎦ ⎩ λ3 = 4
si tomamos para x2 y x3 dos pares de valores no proporcionales obtenemos
dos vectores LI que constituyen la base del espacio solución corres-
pondiente al valor propio −2 de orden de multiplicidad 2; por ejemplo:
⎡− 1⎤ ⎡1 ⎤
v = ⎢ 0 ⎥ v = ⎢⎢1⎥⎥
1 ⎢ ⎥ 2
⎢⎣ 1 ⎥⎦ ⎢⎣0⎥⎦
⎡ − 3 − 3 3⎤ ⎡18 ⎤ ⎡1 ⎤
⎢
para λ3 = 4 A − 4 I = 3 − 9 3⎥ v = ⎢18 ⎥ = 18 ⎢⎢1 ⎥⎥
⎥ 3 ⎢ ⎥
⎢
⎢⎣ 6 − 6 0⎥⎦ ⎢⎣36⎥⎦ ⎢⎣2⎥⎦
⎡− 1 3 1⎤ ⎡ 2 −2 0 ⎤
⎢ ⎥ −1 −1 ⎢ ⎥
La matriz modal puede ser
⎢ 0 1 1⎥ P = 2 ⎢ 1 − 3 1 ⎥
⎢⎣ 1 0 2⎥⎦ ⎢⎣− 1 1 − 1⎥⎦
⎡− 2 0 0⎤
−1 ⎢
podemos verificar que P AP = Λ = 0 − 2 0⎥⎥
⎢
⎢⎣ 0 0 4⎥⎦
Ejemplo 4:
⎡− 3 − 9 − 12⎤
⎧λ = λ 2 = 0
A = ⎢⎢ 1 3 4 ⎥⎥ A − λ I = − λ3 + λ 2 = 0 ⎨ 1
⎢⎣ 0 0 1 ⎥⎦ ⎩ λ3 = 1
25
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
⎡− 2 1 0⎤
⎢
En el ejemplo 3 la matriz de Jordán es J = 0 − 2 0⎥⎥
⎢
⎢⎣ 0 0 4⎥⎦
⎡0 1 0 ⎤
⎢
y en el ejemplo 4 J = 0 0 0
⎥
⎢ ⎥
⎢⎣0 0 1⎥⎦
Si todas las raíces son diferentes la matriz de Jordán coincide con la matriz
diagonal Λ.
26
[ […..………………....……..…Sección 1.8: Resolución utilizando Microsoft® Excel
Pero el rango de esta matriz es, como máximo, el orden de la matriz menos
el rango de Bi: n− (n−1) = 1 (si el rango de la matriz Amxp es r y si la matriz
Bpxn es tal que A.B = θ, el rango de B no puede ser mayor que p−r).
Por lo tanto, el rango de Bi* es 1; esto significa que toda columna de Bi* es
CL de las restantes (son todas proporcionales entre sí).
Si llamamos ki* a una columna cualquiera k de la matriz Bi* resulta Bi. ki* = θ
por lo tanto ki* es solución de la ecuación (1) y es un vector propio
correspondiente al valor propio λi, siempre que no sea el vector nulo.
Ejemplo 1:
⎡ 0 7 − 6⎤ ⎧ λ1 = 1
⎪
A = ⎢⎢− 1 4 0 ⎥⎥ A − λI = −λ + 2λ + λ − 2 = 0 ⎨λ 2 = −1
3 2
⎢⎣ 0 2 − 2⎥⎦ ⎪λ =2
⎩ 3
⎡− λ −1 0 ⎤
⎢
( A − λI ) = ⎢ 7 4 − λ
T
2 ⎥⎥
⎢⎣ − 6 0 − 2 − λ ⎥⎦
⎡(4 − λ )(−2 − λ ) − 7(−2 − λ ) − 12 6( 4 − λ ) ⎤
⎢
B* = Adj ( A − λI ) = ⎢ −2−λ − λ ( −2 − λ ) 6 ⎥
⎥
⎣⎢ −2 2λ − λ (4 − λ ) + 7 ⎦⎥
27
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
⎡ − 9 9 18⎤
B1* (para λ1 = 1 ) =
⎢− 3 3 6 ⎥ cualquiera de su columnas es un
⎢ ⎥
⎢⎣− 2 2 4 ⎥⎦
vector propio correspondiente a λ1 pero también podríamos haberlo
⎡ − 1 − 7 − 6⎤
⎢
obtenido directamente de B1 = − 1 3 0 ⎥⎥ tomando, por ejemplo, los
⎢
⎢⎣ 0 2 − 3⎥⎦
⎡− 9⎤
⎢ ⎥
adjuntos de la 1ª fila: v = − 3
1
⎢ ⎥
⎢⎣− 2⎥⎦
⎡5 ⎤ ⎡ 4⎤ ⎡9 5 4 ⎤
⎢ ⎥ ⎢ ⎥
De manera similar obtenemos v = 1 y v = 2
2 3
P = ⎢⎢3 1 2⎥⎥
⎢ ⎥ ⎢ ⎥
⎢⎣2⎥⎦ ⎢⎣1 ⎥⎦ ⎢⎣2 2 1 ⎥⎦
⎡9 0 − 6⎤ ⎧ λ1 = 1
⎢ ⎪
Ejemplo 2: A = 0
⎢ 1 0 ⎥⎥ A − λI = (1 − λ )(λ2 − 9) = 0 ⎨ λ2 = 3
⎢⎣12 0 − 9⎥⎦ ⎪λ = −3
⎩ 3
⎡8 0 −6⎤
B1 = ⎢⎢ 0 0 0 ⎥⎥ no podemos tomar los adjuntos de la primera fila ni
⎢⎣12 0 − 10⎥⎦
los de la tercera, porque se anulan todos, pero sí los de la segunda:
⎡0⎤ ⎡ 0⎤
v = ⎢ − 8⎥ o v = ⎢⎢1⎥⎥
1 ⎢ ⎥ 1
⎢⎣ 0 ⎥⎦ ⎢⎣0⎥⎦
⎡6 0 −6⎤
⎢
B2 = ⎢ 0 − 2 0 ⎥⎥ tomando los adjuntos de la 1ª fila:
⎢⎣12 0 − 12⎥⎦
28
[ […..………………....……..…Sección 1.8: Resolución utilizando Microsoft® Excel
⎡24⎤ ⎡1 ⎤
v = ⎢ 0 ⎥ ó ⎢⎢0⎥⎥
2 ⎢ ⎥
⎢⎣24⎥⎦ ⎢⎣1⎥⎦
⎡12 0 − 6⎤
B3 = ⎢⎢ 0 4 0 ⎥⎥ tomando los adjuntos de la 1ª fila:
⎢⎣12 0 − 6⎥⎦
⎡− 24⎤ ⎡1 ⎤
v = ⎢ 0 ⎥ ó ⎢⎢0⎥⎥
3 ⎢ ⎥
⎢⎣ − 48⎥⎦ ⎢⎣2⎥⎦
S1) A ∼ B y B ∼ C ⇒ A ∼ C (transitiva)
Dem.: A ∼ B ⇒ A = P-1 B P
si premultiplicamos por P y posmultiplicamos por P-1 resulta
P A P-1 = B (1)
B ∼ C ⇒ B = Q-1 C Q (2)
de (1) y (2) P A P-1 = Q-1 C Q
A = P-1 Q-1 C Q P haciendo Q . P = R ⇒ R-1 = P-1 . Q-1
A = R-1 C R
Dem.: A ∼ B ⇒ A = P-1 B P
A − λ I = P-1 B P −λ I
= P-1 B P −λ P-1 P
-1
= P (B − λ I) P ⇒ (A − λI) ∼ (B − λI) ⇒ |A−λI| = | B − λI| (prop. S3)
S6) si A ∼ B ⇒ An = P-1 Bn P
Dem.: A ∼ B ⇒ A = P-1 B P
A2 = (P-1 B P) (P-1 B P) = P-1 B P P-1 B P = P-1 B2 P
A3 = (P-1 B2 P) (P-1 B P) = P-1 B2 P P-1 B P = P-1 B3 P
.....................
n
igual al determinante de A: αn = Πλ
i =1
i = |A|
Para probar las primeras tres observaciones con respecto a los valores
propios de A recordamos que si A es diagonalizable es semejante a una
⎡λ1 0 0 0⎤
⎢0 λ2 0 0 ⎥⎥
⎢
matriz diagonal Λ = ⎢ 0 0 λ3 0⎥ donde λi son los valores
⎢ ⎥
⎢ ⎥
⎢⎣ 0 0 0 λ n ⎥⎦
propios de A.
⎡λ1 − λ 0 0 ⎤
⎢
Λ−λI = ⎢ 0 λ2 − λ 0 ⎥⎥ = (λ1 − λ )(λ 2 − λ )(λ3 − λ ) =
⎢⎣ 0 0 λ3 − λ ⎥⎦
= −λ3 + (λ1 + λ 2 + λ3 )λ2 + (λ1λ3 + λ 2 λ3 + λ1λ 2 )(− λ ) + λ1λ 2 λ3
α1 = ∑ λi α2 α3 = ∏ λi
31
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
= λ4 + (λ1 + λ 2 + λ3 + λ 4 )(− λ ) 3 +
∑ λi
α1 =
Para probar las primeras tres observaciones con respecto a los elementos
de la matriz A, lo haremos considerando una matriz de dimensión 3x3; de
manera similar se procede con una matriz nxn.
32
[ […..………………....……..…Sección 1.8: Resolución utilizando Microsoft® Excel
⎡− 1 1 1⎤ ⎧ λ1 = 0
⎢ ⎥ ⎪
Ejemplo 1: A = 0 1 1
⎢ ⎥ A − λ I = −λ + 2λ + 3λ = 0 ⎨λ 2 = −1
3 2
⎢⎣ 0 2 2⎥⎦ ⎪λ =3
⎩ 3
α1 = 2 α2 = -3 α3 = 0
α3 = Πλi = 0 (-1) 3 = 0
33
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
Ejemplo 2:
⎡1 − 4 0 ⎤ ⎧ λ1 = −1
⎪
A = ⎢⎢1 − 2 0 ⎥⎥ A − λ I = − λ 3
− 2λ 2
− 3λ − =
2 0 ⎨ −1 7
⎢⎣0 2 − 1⎥⎦ ⎪⎩λ 2,3 = 2 ± 2 i
1 7 1 7
α1 = Σλi = −1 − + i− - i = −2 = tr(A)
2 2 2 2
−1 7 −1 7 −1 7 −1 7
α2 = (−1) ( + i) + (−1) ( − i) + ( + i) ( − i) =
2 2 2 2 2 2 2 2
1 7 1 7 1 7 2
= − i+ + i+ − i =3
2 2 2 2 4 4
1 −4 −2 0 1 0
α2 = + + = 2 + 2 −1 = 3
1 −2 2 −1 0 −1
−1 7 −1 7 1 7
α3 = Πλi = −1( + i) ( − i) = − ( + ) = −2 = |A|
2 2 2 2 4 4
⎡ 1 0 0 2⎤
⎢−1 3 0 1 ⎥⎥
Ejemplo 3: A = ⎢
⎢ 0 2 1 0⎥
⎢ ⎥
⎣− 2 0 0 − 1⎦
⎧ λ1 = 1
⎪
A − λ I = λ − 4λ + 6λ − 12λ + 9 = 0 ⎨ λ 2 = 3
4 3 2
⎪λ = ± 3
⎩ 3, 4
α1 = Σλi = 4 + 3 i − 3 i = 4 = tr (A) α4 = Πλi = 3. 3 i (− 3 i) = 9=|A|
α2 = 1.3 + 1. 3 i − 1. 3 i + 3. 3 i − 3. 3 i − 3i 3i = 6
1 0 1 0 1 2 3 0 3 1 1 0
α2 = + + + + + =6
−1 3 0 1 − 2 −1 2 1 0 −1 0 −1
34
[ […..………………....……..…Sección 1.8: Resolución utilizando Microsoft® Excel
α3 = 1.3 3 i + 1.3 (− 3 i) + 3. 3 i (− 3 i) + 1. 3 i (− 3 i) = 12
1 0 0 1 0 2 1 0 2 3 0 1
α3 = −1 3 0 + −1 3 1 + 0 1 0 + 2 1 0 = 12
0 2 1 − 2 0 −1 − 2 0 −1 0 0 −1
|λ| |x1| ≤ |a11| |x1| + |a12| |x2| + ... + |a1n| |xn| por módulo de producto de
escalares. Operando de modo similar con las demás ecuaciones, el sistema
(1) resulta
35
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
λ ( x1 + x 2 + + x n ) ≤ ( a11 + a 21 + + a n1 ) x1 +
C1
+ ( a12 + a 22 + + an 2 ) x2 + + ( a1n + a 2 n + + a nn ) + x n
C2 Cn
como Cj ≤ C resulta |λ| (|x1| + |x2| + ... + |xn|) ≤ C (|x1| + |x2| + ... + |xn|) como
x es un vector propio sus componentes no pueden ser todas nulas, de modo
que la suma de sus módulos será positiva; dividiendo m. a m. por dicha
suma |λ| ≤ C
Como una matriz cuadrada A y su traspuesta AT tienen el mismo polinomio
característico, y por lo tanto, iguales raíces, partiendo de la ecuación
λx = Atx se demuestra que |λ| ≤ F
si λ ≤ C ⎫
⎬ λ ≤ min {F, C} que es lo que se quería demostrar.
y λ ≤ F⎭
36
[ […..………………....……..…Sección 1.8: Resolución utilizando Microsoft® Excel
Ejemplo 1:
⎡ 7 −2 0 ⎤ ⎧ λ1 = 3
⎪
A = ⎢⎢− 2 6 − 2⎥⎥ A − λ I = −λ3 + 18λ2 − 99λ + 162 = 0 ⎨λ 2 = 6
⎢⎣ 0 − 2 5 ⎥⎦ ⎪λ = 9
⎩ 3
⎡ 4 −2 0 ⎤ ⎡ 2⎤ ⎡1 ⎤
A − 3I = ⎢⎢− 2 3 − 2⎥⎥ v 1 = ⎢⎢4⎥⎥ = 2 ⎢⎢2⎥⎥
⎢⎣ 0 − 2 2 ⎥⎦ ⎢⎣4⎥⎦ ⎢⎣2⎥⎦
< v1 ⋅ v 2 > = 0 ⇒ v1 ⊥ v 2
⎡ 1 −2 0 ⎤ ⎡− 4⎤ ⎡2⎤
A − 6 I = ⎢⎢− 2 0 − 2⎥⎥ v = ⎢− 2⎥ = −2 ⎢⎢ 1 ⎥⎥
2 ⎢ ⎥
⎢⎣ 0 − 2 − 1 ⎥⎦ ⎢⎣ 4 ⎥⎦ ⎢⎣− 2⎥⎦
< v2 ⋅ v3 > = 0 ⇒ v2 ⊥ v3
⎡− 2 − 2 0 ⎤ ⎡8⎤ ⎡2⎤
A − 9 I = ⎢− 2 − 3 − 2⎥ v = ⎢− 8⎥ = 4 ⎢⎢− 2⎥⎥
⎢ ⎥ 3 ⎢ ⎥
⎢⎣ 0 − 2 − 4⎥⎦ ⎢⎣ 4 ⎥⎦ ⎢⎣ 1 ⎥⎦
< v1 ⋅ v 3 > = 0 ⇒ v1 ⊥ v 3
como los vectores propios son ortogonales entre sí, basta normalizarlos:
u1= 1/3 v1, u2= 1/3 v2, u3= 1/3 v3 entonces podemos diagonalizar la matriz
simétrica A mediante la matriz ortogonal P
37
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
⎡1 2 2⎤ ⎡3 0 0⎤
1⎢
P = ⎢2 1 − 2⎥ de modo que Λ = P AP = ⎢⎢0 6 0⎥⎥
⎥ T
3
⎢⎣2 − 2 1 ⎥⎦ ⎢⎣0 0 9⎥⎦
⎡ 7 −2 1 ⎤
⎢
Ejemplo 2: A = − 2 10 − 2
⎥
⎢ ⎥
⎢⎣ 1 − 2 7 ⎥⎦
⎧λ1 = λ 2 = 6
⎪
A − λ I = − λ + 24λ − 180λ + 432 = 0 ⎨
3 2
⎪ λ = 12
⎩ 3
⎡ 1 −2 1 ⎤
A − 6λI = ⎢⎢− 2 4 − 2⎥⎥ las soluciones del sistema A - 6I = θ son de
⎢⎣ 1 − 2 1 ⎥⎦
la forma x1 = 2 x 2 − x3 . Si x2 = x3 =1 tenemos el vector propio
v 1 = [1, 1, 1] . Para cada par de valores no proporcionales a los ya dados
T
⎡− 5 − 2 1 ⎤ ⎡ 6 ⎤ ⎡1 ⎤
A − 12 I = ⎢⎢− 2 − 2 − 2⎥⎥ v = ⎢− 12⎥ = 6 ⎢⎢− 2⎥⎥
3 ⎢ ⎥
⎢⎣ 1 − 2 − 5⎥⎦ ⎢⎣ 46 ⎥⎦ ⎢⎣ 1 ⎥⎦
38
[ […..………………....……..…Sección 1.8: Resolución utilizando Microsoft® Excel
⎡ 1 −1 1 ⎤
⎢ ⎥
⎢ 3 2 6⎥
1 − 2⎥
como |v1| = 3 ; |v2| = 2 ; |v3| = 6 P=⎢ 0
⎢ 3 6⎥
⎢ 1 1 1 ⎥
⎢ ⎥
⎣ 3 2 6⎦
⎡1 0 i ⎤
⎢ ⎥ ⎧λ = λ 2 = 0
Ejemplo 3: A = 0 2 0
⎢ ⎥ A − λ I = − λ 3 + 2λ 2 = 0 ⎨ 1
⎢⎣ i 0 − 1⎥⎦ ⎩ λ3 = 2
A − 0I = A es una matriz de rango 2 de modo que no pueden obtenerse 2
vectores propios LI (la nulidad es 1) y la matriz A no es diagonalizable.
Ejemplo 4:
⎡1 2 − 4⎤
⎧λ = λ 2 = −3
A = ⎢ 2 − 2 − 2⎥⎥
⎢ A − λ I = −λ3 + 27λ + 54 = 0 ⎨ 1
⎢⎣− 4 − 2 1 ⎥⎦ ⎩ λ3 = 6
⎡ 4 2 − 4⎤ ⎡0 ⎤
⎢
A + 3I = ⎢ 2 1 − 2⎥ ⇒ x 2 = 2 x3 − 2 x1 v = ⎢⎢2⎥⎥ para obtener v2
⎥ 1
⎢⎣− 4 − 2 4 ⎥⎦ ⎢⎣1 ⎥⎦
⎧0 ⋅ x1 + 2 ⋅ x 2 + 1 ⋅ x3 = 0
ortogonal a v1 resolvemos el sistema ⎨
⎩ x 2 = 2 x3 − 2 x1
⎡ − 5⎤
⎢ ⎥
una solución es v = 2
2
⎢ ⎥
⎢⎣− 4⎥⎦
39
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
⎡ − 5 2 − 4⎤ ⎡2⎤
A − 6 I = ⎢ 2 − 8 − 2⎥ v 3 = ⎢⎢ 1 ⎥⎥ podemos comprobar que los tres
⎢ ⎥
⎢⎣− 4 − 2 − 5⎥⎦ ⎢⎣− 2⎥⎦
vectores propios son ortogonales entre sí, los normalizamos para obtener la
matriz de paso ortogonal:
⎡ −5 2 ⎤
⎢ 0
⎢ 3 5 3 ⎥⎥ ⎡0 − 5 2 5 ⎤
2 2 1 ⎥ 1 ⎢ ⎥
P=⎢ = ⎢ 6 2 5 ⎥
⎢ 5 3 5 3 ⎥ 3 5⎢ ⎥
⎢ 1 −4 − 2⎥ ⎣3 − 4 − 2 5 ⎦
⎢ ⎥
⎣ 5 3 5 3 ⎦
⎡ − 3 0 0⎤
P T AP = ⎢⎢ 0 − 3 0⎥⎥ = Λ
⎢⎣ 0 0 6⎥⎦
41
Matemática para Economistas utilizando Microsoft® Excel y MATLAB®…….….……...……] ]
A (M0 + M1λ + M2λ2 + ... + Mn-2 λn-2 + Mn-1 λn-1) − λ (M0 + M1λ + M2λ2 + ... +
+Mn-2 λn-2 + Mn-1 λn-1) = (c0 + c1 λ + c2 λ2 + ... + cn-1 λn-1 + cn λn) I
efectuando las operaciones indicadas:
⎡1 0 2 ⎤
Ejemplo 1: A = ⎢⎢1 2 0⎥⎥ A − λ I = −λ3 + 4λ2 − λ − 6
⎢⎣2 0 1 ⎥⎦
42
[ […..………………....……..…Sección 1.8: Resolución utilizando Microsoft® Excel
⎧⎡ − 5 0 4 ⎤ ⎡ 4 0 8⎤
1
6
( 1
)⎪
A −1 = − A 2 + 4 A − I = ⎨ ⎢ − 3 − 4 − 2⎥⎥ + ⎢⎢ 4 8 0⎥⎥ +
6⎪
⎢
⎡− 1 0 0 ⎤⎫ ⎡− 2 0 4 ⎤
⎪ 1⎢
⎢ ⎥
+ ⎢ 0 − 1 0 ⎥ ⎬ = ⎢ 1 3 − 2⎥⎥
6
⎢⎣ 0 0 − 1⎥⎦ ⎪⎭ ⎢⎣ 4 0 − 2⎥⎦
Ejemplo2:
⎡1 − 3 0 0⎤
⎢0 2 1 − 2⎥⎥
A= ⎢ A − λ I = λ4 − 3λ3 + 3λ2 − 12λ + 5
⎢0 0 − 1 3 ⎥
⎢ ⎥
⎣2 1 0 1 ⎦
⎧⎡− 13 15 6 − 15⎤ ⎡ 3 − 27 − 9 18 ⎤
⎪⎢ ⎥ ⎢− 12
10 − 13 − 1 4 6 3 − 9⎥⎥
1
( ) ⎪
A −1 = − A3 + 3 A 2 − 3 A + 12 I = ⎨⎢ ⎥+⎢ +
5 ⎪⎢ − 6 12 − 2 3 ⎥ ⎢ 18 9 3 0⎥
⎪⎢⎣ − 2 19 4
⎥ ⎢
− 8 ⎦ ⎣ 12 −9 3 − 3⎦
⎥
⎩
⎡− 3 9 0 0 ⎤ ⎡12 0 0 0 ⎤ ⎫ ⎡ −1 − 3 − 3 3 ⎤
⎢ 0 − 6 − 3 6 ⎥ ⎢ 0 12 0 0 ⎥ ⎪ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎪ 1 ⎢− 2 − 1 − 1 1 ⎥
+ + ⎬=
⎢0 0 3 − 9⎥ ⎢ 0 0 12 0 ⎥ ⎪ 5 ⎢ 12 21 16 − 6⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣− 6 − 3 0 − 3⎦ ⎣ 0 0 0 12⎦ ⎪⎭ ⎣4 7 7 − 2⎦
43