ÁLGEBRA LINEAL

ÁLGEBRA LINEAL

Christiaan Ketelaar
Universidad Francisco Marroquı́n
Álgebra Lineal.
© Christiaan Ketelaar Editorial Arje
1603 Capitol Ave
Cheyenne, Wyoming, 82001, USA
[Link]
Email: cfketelaar@[Link]
ISBN-13: 978-1-0811341-3-6
ISBN-10: 1-0811341-3-5
Diseño gráfico: Isabel Urı́zar y Juan Pablo Estrada Müller, DISMA

Todos los derechos reservados. No está permitida la reproducción total o parcial de este
libro, ni su tratamiento informático, ni la transmisión de ninguna forma o por cualquier
medio, ya sea electrónico, mecánico, por fotocopia, por registro u otros métodos, sin el
permiso previo y por escrito del autor.
Contenido
1. Sistemas de Ecuaciones Lineales 11

2. Métodos Directos para resolver sistemas lineales 17

3. Conjuntos Generadores e Independencia Lineal 29

4. Desigualdades Lineales con 2 variables 35

5. Programación Lineal 39

6. Operaciones Matriciales 45

7. Álgebra de Matrices 55

8. Inversa de una matriz 61

9. Subespacios, base, dimensión y rango 67

10. Determinantes 77

11. Conceptos Fundamentales del Álgebra Matricial 85

12. Eigenvalores y eigenvectores 91

13. Semejanza y Diagonalización 99

14. Cadenas de Markov 105

15. Ortogonalidad en Rn 113

16. Gram-Schmidt y la Factorización QR 121

17. Mejor Aproximación y Distancia Mı́nima 131

18. Aproximación por Mı́nimos Cuadrados 133

19. Ajuste de Curvas y Regresión Múltiple 143

Contenido 9

AGRADECIMIENTOS

Agradezco a los siguientes estudiantes por sus observaciones, sugerencias y correcciones

a la presente edición.

Diego Borges Castillo

Héctor Hugo Morales Urı́zar
Fernando José Menzel Valdez
Luis Fernando Hernández Salazar
Jennyfer Paola Calderón Pereira
Rudy Josúe Gallardo Estrada
Carlos Roberto Morales Sánchez
Silvana Marı́a Kiehlne Passarelli
Geordie Josue Quiroa Bulnes
Raúl Moises Castellanos Girón
José Sebastián Coronado Martı́nez
José Alejandro Madrazo Avila
Marianna Flores González
José Antonio Guardia Montes
Alexandra Marie Neumann Ness

A los siguientes estudiantes agradezco por revisiones exhaustivas y continuas en la pre-

sentación del material.
Marcello Samuel Rosales Chávez
Abner Josúe Xocop Chacach
Juan Fernando González Dı́az
Un agradecimiento especial a Daniel Hernández por generar una imagen de regresión
lineal que se encuentra en la contraportada del libro y por utilizar las librerı́as de pandas
y tkinter en un programa de python. En este programa se pueden importar de manera
interactiva documentos de Excel y se extraen los datos de la matriz para posteriormente
realizar la regresión y la gráfica de la regresión con sus datos.

A Juan Pablo Estrada Müller por la asesorı́a en el diseño gráfico de la portada del libro.
 11

1. Sistemas de Ecuaciones Lineales [2] (2.1)

La ecuación general de una recta en el plano R2 , ax + by = d, ó de un plano en el
espacio R3 , ax + by + cz = d, son ejemplos de ecuaciones lineales.

Una ecuación lineal en las n variables x1 , x2 , · · · , xn es una ecuación que puede

escribirse en la forma

a1 x 1 + a2 x 2 + · · · + an x n = b

donde los coeficientes a1 , a2 , · · · , an y el término b son constantes.

Ejemplos de ecuaciones lineales:

√ π 
3x1 + 8x2 − 10 = 0 5w + sin x + ln(9)y = e5
3
El coeficiente puede ser cualquier número real.

Ejemplos de ecuaciones que no son lineales: Las ecuaciones dejan de ser lineales si
Hay un producto entre dos ó más variables x1 x2 + x 3 = 1 .
1/2
La potencia de una de las variables es diferente de uno x21 + x2 + x33 = 1.
√
Las variables tienen funciones no lineales 5w + sin(πx) + ln(9y) = 5.

La solución de una ecuación lineal a1 x1 + a2 x2 + · · · + an xn = b es un vector

[s1 , s2 , · · · , sn ] cuyos componentes satisfacen la ecuación cuando se sustituye
x1 = s1 , x2 = s2 , · · · , xn = sn .

Ejemplo: Considere la ecuación lineal 6x + 2y = 12 .

Resuelva para cada una de las variables y = 6 − 3x, donde x ∈ R.

Las soluciones corresponden a los puntos sobre la recta y = 6 − 3x.

Esta solución se puede escribir también de forma paramétrica, x = t, y = 6 − 3t, t ∈ R.

 
t
El vector solución es: .
6 − 3t
Un sistema de ecuaciones lineales puede tener dos o más ecuaciones lineales, como en:

x + 2y + 3z = 6, 2x1 + x2 = 8
2x + y + 4z = 8, 4x1 − x2 = 6
x + y + z = 4, 3x1 − x2 = 2
12

Un sistema de ecuaciones lineales es un conjunto finito de ecuaciones lineales,

cada una con las mismas variables.

Una solución de un sistema de ecuaciones lineales es un ”vector” que es si-

multáneamente una solución de cada ecuación del sistema.

El proceso de encontrar la solución de un sistema se conoce como resolver el sistema.

El conjunto solución es el conjunto de todas las soluciones del sistema.

Ejercicio 1: Resuelva los siguientes sistemas de ecuaciones. Indique si el sistema tiene solución.

x+y =1
a.
2x + 2y = 2

Resuelva para y en la primera ecuación: y = 1 − x.

Sustituya este valor en la segunda ecuación y resuelva para x.

2x + 2(1 − x) = 2
2x + 2 − 2x = 2
0=0

El enunciado 0 = 0 significa que ambas ecuaciones están repetidas, por lo que no

tenemos una solución única sino infinitas soluciones.

La solución son todos los puntos sobre la recta y = 1 − x.

Sea x = t cualquier número real, la solución paramétrica es:

x=t
y =1−t

x+y =5
b.
2x + 2y = 4

Sustituya el valor y = 5 − x en la segunda ecuación.

2x + 2(5 − x) = 4
2x + 10 − 2x = 4
10 = 4

Se obtiene un enunciado contradictorio 10 6= 4, por lo que este sistema de ecuaciones

no tiene solución.
 13

x + 2y = 4
c.
x+y =3

Este sistema se puede resolver por eliminación.

R1 : x + 2y = 4
R2 : x+y =3
R1 − R2 : y=1

En cualquiera de las ecuaciones reemplace y = 1 y resuelva para x = 4 − 2 = 2.

La solución para este sistema de ecuaciones es única: x = 2, y = 1.

En un sistema de ecuaciones lineales con coeficientes reales:

La solución es única .

La solución no existe .

Hay infinitas soluciones .

Un sistema de ecuaciones consistente tiene por lo menos una solución.

Un sistema inconsistente no tiene soluciones.

Un sistema se resuelve por eliminación, sustitución, igualación o gráficamente.

Ejercicio 2: Resuelva los siguientes sistemas de ecuaciones de manera algebraica y gráfica.

Indique el número de soluciones y si el sistema es consistente ó inconsistente.

x−y =0
a.
x+y =2

R1 : x − y = 0
R2 : x + y = 2
R1 + R2 : 2x = 2

x=1 y y=x=1
Solución única y el sistema es consistente.

Gráficamente, la solución es la intersección entre

las dos rectas, el punto (1, 1).
14

x+y =0
b.
x+y =2

R1 : x + y = 0
R2 : x + y = 2
R1 − R2 : 0 = −2

No hay solución porque 0 6= 2.

El sistema es inconsistente.

Gráficamente, no hay solución porque dos rectas

paralelas no se cortan.

2x + y = +2
c.
−2x − y = −2

R1 : 2x + y = +2
R2 : −2x − y = −2
R1 + R2 : 0 = 0

Las dos rectas están ”repetidas.”

Hay soluciones infinitas.
El sistema es consistente.

Gráficamente, sólo hay una recta.

Sistemas de ecuaciones con dos variables y dos ecuaciones

Para resolver un sistema de ecuaciones de dos variables se deben encontrar los valores de
x, y para los cuales ambas ecuaciones son verdaderas de ”manera simultánea.”

La solución del sistema es el par ordenado (x, y) que satisface ambas ecuaciones lineales.

Solución Gráfica de los Sistemas de 2 Ecuaciones con 2 variables

Un sistema de ecuaciones lineales con dos variables x, y y 2 ecuaciones tiene la forma:


ax + by = c
a, b, c, d, e, f son constantes
dx + ey = f

Como ambas ecuaciones son lineales, sus gráficas son lı́neas rectas y la solución de este
sistema es el punto de intersección (xo , yo ) entre ambas lı́neas rectas.
 15

Tipos de Soluciones: Si L1 : ax + by = c y L2 : dx + ey = f se dibujan en el mismo

plano, pueden ocurrir tres escenarios.

I. Solución Única: Las dos rectas se intersecan en un sólo punto (xo , yo ) si

las dos rectas NO son paralelas (tienen diferentes pendientes).

II . Solución No existe: Las dos rectas son paralelas y no se intersecan.

III . Infinitas Soluciones: Las dos rectas resultan ser la misma recta, todos los
puntos sobre la recta ax + by = c son soluciones.

I. Única Solución II. Sin Solución III. Infinitas Soluciones

Sistemas Equivalentes
La idea de los métodos algebraicos es simplificar el sistema de ecuaciones a un sistema
equivalente que sea más fácil de resolver.

Por ejemplo, el siguiente sistema se puede resolver sólo sustituyendo hacia adelante.
w = 1,
w + x = 3, ⇒ x=3−w =2
w + x + y = 8, ⇒ y =8−w−x=5
w + x + y + z = 6, ⇒ z = 6 − w − x − y = −2
La solución es única y el vector solución es: [1, 2, 5, −2].

El siguiente sistema es más difı́cil de resolver

2w + x + y + z = 7,
2w + 2x + y + 2z = 7,
−w − x + 2y + z = 5,
3w + x + y + z = 8,
pero tiene la misma solución que el sistema anterior [1, 2, 5, −2] .

Dos sistemas son equivalentes si sus soluciones son iguales.

16

Ejercicios de práctica:

L1 : 2x + 5y = 10
1. Resuelva:
L2 : 4x + 20y = 30

L1 : 2x + 6y = 20
2. Resuelva:
L2 : 3x + 4y = 20

3. Resuelva los siguientes sistemas algebraicamente.

Indique si la solución es única, no existe o hay infinitas soluciones.

L1 : 5x + 3y = 2
a.
L2 : −10x + 6y = 4
L1 : 3x − 4y = 13
b.
L2 : 2x + 3y = 3
L1 : 2p + 3q = 2
c.
L2 : 6p + 9q = 6

4. Un puesto de frutas vende moras y fresas. Una libra de moras se vende en Q 20 y

una libra de fresas se vende en Q 14. En una dı́a el puesto vendió un total de Q
2,100 y 135 libras de frutas. ¿Cuántas libras de cada fruta se vendieron?

5. Una persona tiene dos fondos de inversiones y el porcentaje de ganancia por año
en cada una es el mismo. Del total de la cantidad invertida, 40 % menos $1,000 se
invirtieron en una empesa de riesgo, y al final de un año, la persona recibió un ren-
dimiento de $ 400 de esta empresa. Si el rendimiento total de un año fue de $1,200
encuentre la cantidad invertida en cada fondo y la inversión total.

6. Una cooperativa produce dos estilos de muebles artesanales, el Vintage y el Ecolo-

gical. Por cada venta de un Vintage hay una utilidad de $ 300, mientras que hay una
utilidad de $400 en cada Ecological. Determine cuántas unidades de cada estilo se
vendieron si la utilidad fue de $800,000 y se vendieron el doble de muebles Vintage
que del Ecological.
 17

2. Métodos Directos para resolver sistemas lineales [2] (2.2)

El primer paso para resolver sistemas lineales es reescribirlos de manera compacta.

Una matriz es un arreglo rectangular con m filas y n columnas.

Ejemplos de matrices:
 
    −1
1 2 3 1 2   +1
A = 4 5 6 , B = 3 4 , C= 5 6 7 8 , D=
−1

7 8 9 5 6
+1

La matriz A tiene 3 filas y 3 columnas, denotado como 3 × 3, y la matriz B es 3 × 2.

La matriz C es 1 × 4 y se conoce también como vector fila.
La matriz D es 4 × 1 y se conoce también como vector columna.

Dado el sistema de ecuaciones lineales

a11 x1 + a12 x2 + · · · + a1n xn = b1

a21 x1 + a22 x2 + · · · + a2n xn = b2
.. .. .. .
. . . = ..
an1 x1 + an2 x2 + · · · + ann xn = bn

Si registramos los coeficientes en una matriz de coeficientes A y los términos cons-

tantes en un vector columna b, obtenemos la matriz aumentada del sistema:
  
a11 a12 · · · a1n  b1
h i  a21 a22 · · · a2n  b2 
A | b =  ..
  
.. ..  .. 
 . . .  . 
an1 an2 · · · ann  bn

Ejercicio 1: Escriba la matriz aumentada para cada sistema dado.

 
x + 2y + 3z = 6, 1 2 3 | 6
a) 2x + y + 4z = 8, ⇒ 2 1 4 | 8
x+y+z =4 1 1 1 | 4

 
2x1 + x2 = 8 2 1 | 8
b) 4x1 − x2 = 6 ⇒ 4 −1 | 6
3x1 − x2 = 2 3 −1 | 2
18

Matrices en forma escalonada por renglones (FER)

Una matriz en forma escalonada por renglones (”row echelon form”) satisface lo siguiente:
1. Cualquier fila que se componga de ceros se ubica en la parte inferior de la matriz.
2. En cada renglón distinto de cero, todas las entradas debajo y a la izquierda de la
entrada principal o leading entry en cada fila son iguales a cero.
Visualmente, una matriz escalonada tiene forma de gradas o de un triángulo superior.
|2 4 |1 3 0 |1 0 0 2
     
2 0
 0 |1 2 ,  0 | 1 4 , 0 0 0 | 1 2 
0 0 0 0 0 |1 0 0 0 0 |3
Ejercicio 2: Determine si la matriz dada está en la forma escalonada por renglones (FER).
 
1 2 3
a. 1 0 0 NO, la entrada principal a11 = 1 no tiene un cero debajo de ella.
0 1 1
 
7 1 0 2
b. 0 2 4 0 SI, cada entrada principal 7 y 2 tiene un cero debajo de ella.
0 0 0 0
 
0 0 1
c. 0 2 2 NO, la entrada principal a13 = 1 no tiene sólo ceros a su izquierda.
3 3 3

Ejercicio 3: Resuelva los siguientes sistemas.

 
2 4 |2
2x + 4y = 2
a. 0 1 | 2 lo cual es equivalente a .
y=2
0 0 |0
1  6
Sustituyendo hacia atrás, y=2 & x= 2 − 4y = − = −3.
2 2
 
0 1 0 0 |0 x=0
b. 0 0 0 1 | 2 lo cual es equivalente a z = 2.
0 0 0 0 |3 0=3

La última ecuación es inconsistente, por lo que este sistema NO tiene solución.

 
1 1 1 |5
x+y+z =5
c. 0 1 0 | 3 lo cual es equivalente a .
y=3
0 0 0 |0

Hay tres variables y sólo dos ecuaciones.

El sistema tiene infinitas soluciones y = 3 & x = 2 − t, z = t.
 19

Operaciones Elementales de Renglón

Las operaciones elementales de renglón corresponden a las operaciones que se pueden
efectuar en un sistema lineal para transformarlo en un sistema equivalente.

Operaciones Elementales de Renglón

Intercambio de dos renglones: Ri ↔ Rj .

Multiplicación de un renglón por una constante: kRi , k 6= 0.

Adición de un múltiplo de un renglón a otro renglón: Ri + kRj .

Donde Ri es la iésima fila.

1
La división por una constante Ri y la resta de una renglón de otro renglón Ri +(−k)Rj
k
son variaciones de las últimas dos operaciones elementales.

La reducción por renglones es el proceso de aplicar operaciones elementales para reducir

a una matriz a su forma escalonada por renglones (FER).

Para reducir la matriz a su FER es necesario encontrar el pivote, la entrada principal, en

cada renglón para realizar el intercambio de renglones o la eliminación de entradas por
debajo del pivote.

Ejercicio 4: Reduzca la matriz a la forma escalonada por renglones (FER).

   
0 0 1 1 1 1
−→ 
a. 0 1 1 0 1 1
R1 ↔ R3
1 1 1 0 0 1
     
2 −4 −2 6 −→ 1 −2 −1 3 −→ 1 −2 −1 3
b.
3 1 6 6 12 R1 3 1 6 6 R2 − 3R1 0 7 9 −3

La forma escalonada por renglones (FER) de una matriz no es única, en el ejemplo an-
terior se puede realizar la operación R2 − 23 R1 y obtener otra forma escalonada.
 
2 −4 −2 6
0 7 9 −3
       
−2 −4 7 1 2 −3 −→ 1 2 −3 1 2 −3
−→
c. −3 −6 10  −3 −6 10  R2 + 3R1 0 0 1  −→ 0 0 1 
R1 ←→ R3
1 2 −3 −2 −4 7 R3 + 3R2 0 0 1 R3 − R2 0 0 0
20

Dos matrices A y B son equivalentes por renglones si hay una secuencia de opera-
ciones elementales que conviertan a la matriz A en B (y viceversa).

Si dos matrices se pueden reducir a la misma forma escalonada por renglones (FER),
entonces ambas matrices son equivalentes por renglón.

Por ejemplo, A y B son equivalentes por renglones porque B es una FER de la matriz A.
   
1 2 −4 −4 1 2 −4 −4
A = 2 4 0 0 , B = 0 1 −10 9 
2 3 2 1 0 0 1 1

Eliminación Gaussiana

Al reducir cualquier a matriz a su forma escalonada por renglones, el sistema puede ser
resuelto con sustitución hacia atrás. Este proceso para resolver sistemas de ecuaciones
lineales se conoce como Eliminación Gaussiana .

Pasos de la Eliminación Gaussiana

Escriba matriz aumentada [ A | b ] del sistema.

Realice operaciones elementales de renglón para obtener su FER.

Resuelva el sistema por sustitución hacia atrás.

Ejercicio 5: Resuelva el sistema de ecuaciones dado.

2x1 + 2x3 = 0
a. 2x1 + 2x2 + x3 = 6
x1 − x2 + 2x3 = 3
     
2 0 2 | 0 −→ 2 0 2 | 0 2 0 2 | 0
2 2 1 | 6 R2 − R1 0 2 −1 | 6 −→ 0 2 −1 | 6 
1 −1 2 | 3 2R3 − R1 0 −2 2 | 6 R3 + R2 0 0 1 | 12

Resolviendo hacia atrás la solución es única y es [−12, 9, 12] .

x3 = 12
2x2 = 6 + 12 = 18, x2 = 9
2
x1 = − (12) = −12
2
 21

x1 + x2 + 2x4 = 0
b. x1 + x2 + 3x4 = 6
x1 + x2 + x3 + 2x4 = 3
     
1 1 0 2 | 0 −→ 1 1 0 2 | 0 1 1 0 2 | 0
1 1 0 3 | 6 R2 − R1 0 0 0 1 | 6 −→ 0 0 1 0 | 3
1 1 1 2 | 3 R3 − R1 0 0 1 0 | 3 R2 ↔ R3 0 0 0 1 | 6

Las entradas principales están en la primera, tercera y cuarta columna.

En la segunda columna, asociada con la variable x, no hay entrada principal.

El sistema asociado a esta matriz es:

x1 + x2 + 2x4 = 0 x1 = −x2 − 2x4 = −12 − x2
x3 = 3 x3 = 3
x4 = 6 x4 = 6

el cual tiene un número infinito de soluciones, para encontrar la solución paramétrica

es necesario identificar las variables principales y las variables libres.

Las variables principales corresponden a las columnas con entradas principales.

Las variables libres corresponden a las columnas sin entradas principales.

En el ejercicio 5b, las variables principales son x1 , x3 , y x4 y la variable libre es x2 = t,

t ∈ R, t es una notación común para denotar un parámetro (cualquier número real).

La solución de este sistema es: x1 = −12 − t, x2 = t, x3 = 3, x4 = 6, ó

     
−12 − t −12 −1
 t   0  +1
s=  3  =  3  + t 0 
    

6 6 0

Para un sistema [ A | b ] de m ecuaciones y n variables.

El número de variables principales p 6 n es igual al número de renglones distintos

de cero en su FER.

El número de variables libres l es la diferencia entre el número de variables n y el

número de variables principales p.

l =n−p
22

Eliminación Gauss - Jordan

En este proceso, la matriz se reduce todavı́a más para poder resolver el sistema sin nece-
sidad de realizar la sustitución hacia atrás.

Una matriz se encuentra en forma escalonada reducida por renglones (FERR) si

satisface las siguientes propiedades.

Cualquier renglón conformado por ceros se ubica en la parte inferior.

La entrada principal en cada renglón distinto de cero es un 1, denotado como

” 1 principal”.

Cada columna que contiene un 1 principal tiene ceros en cualquier otro sitio.

Por ejemplo, la matriz A tiene FERR mientras que la matriz B sólo está en FER.
 
1 2 0 0  
1 2 2 4
0 0 1 0
A=  B = 0 1 0 3
0 0 0 1
0 0 0 1
0 0 0 0

La matriz A tiene 3 entradas principales y una entrada libre en la segunda columna.

La matriz B se puede reducir a su forma reducida si realizan más operaciones elementales.

Cualquier matriz FER se reduce a FERR realizando operaciones elementales adicionales.

Una matriz puede tener varias formas escalonadas (FER) pero su forma escalonada redu-
cida (FERR) es ÚNICA .

Pasos de la eliminación Gauss-Jordan:

Escriba la matriz aumentada del sistema de ecuaciones.

Utilice operaciones elementales de renglones para obtener la forma reducida

escalonada por renglones.

Si el sistema tiene solución (consiste), resuelva para las variables principales

en términos de las variables libres.

Ejercicio 6: Resuelva el sistema de ecuaciones dado.

       
2 1 | 3 −→ 2 1 | 3 R1 + R2 2 0 | 4 0.5R1 1 0 | 2
a. 4 1 | 7  R2 − 2R1 0 −1 | 1  −→ 0 −1 | 1 −→ 0 1 | −1
2 5 | −1 R3 − R1 0 4 | −4 R3 + 4R2 0 0 | 0 −R2 0 0 | 0

El sistema es consistente y tiene solución única x = 2, y = −1.

 23

w+x+y+z =4
b.
2w + 2x + 4z = 6
   
1 1 1 1 | 4 −→ 1 1 1 1 | 4
2 2 0 4 | 6 R2 − 2R1 0 0 −2 2 | −2
El sistema está en forma escalonada pero no en forma reducida (FERR)
   
−→ 1 1 1 1 | 4 R1 − R2 1 1 0 2 | 5
−0.5R2 0 0 1 −1 | −1 −→ 0 0 1 −1 | 1

Las variables principales son w (1ra columna) & y (3ra columna).

Las variables libres son x = t1 (2da columna) & z = t2 (4ta columna).

La solución infinita tiene dos parámetros.

       
w = 5 − t1 − 2t2 5 −1 −2
 x = t1  0 1 0
s=  y = 1 + t2  =
   + t1   + t2  
1 0 1
z = t2 0 0 1

x1 + 2x2 − 3x3 = 9
c. 2x1 − x2 + x3 = 0
4x1 − x2 + x3 = 4
     
1 2 −3 | 9 −→ 1 2 −3 | 9 −→ 1 2 −3 | 9
2 −1 1 | 0 R2 − 2R1 0 −5 7 | −18 0 −5 7 | −18
4 −1 1 | 4 R3 − 4R1 0 −9 13 | −32 5R3 − 9R2 0 0 2 | 2
   
R1 + 3R3 1 2 0 | 12 R1 − 2R2 1 0 0 | 2
R2 − 7R3 0 −5 0 | −25 −0.2R2 0 1 0 | 5
0.5R3 0 0 1 | 1 −→ 0 0 1 | 1
La solución es única x = 2, y = 5, z = 1 .

Sistemas Homogéneos

Un sistema de ecuaciones lineales se denomina homogéneo si el término constante

en cada ecuación es cero.
h i
Un sistema homogéneo tiene una matriz aumentada de la forma A|0 .

Ejemplos de Sistemas Homogéneos:

a + 2b + c + d = 0 w+x=0
2a + 3c + d = 0 2w + 3x = 0
4b + c + d = 0 2w − x = 0
24

Propiedades de los Sistemas Homogéneos

Un sistema homogéneo siempre tiene como solución al vector cero 0.

Un sistema homogéneo tiene solución única 0 ó soluciones infinitas.

Si el sistema homogéneo tiene más variables n que ecuaciones m (n > m),

entonces el sistema tiene un número infinito de soluciones.

Ejercicio 7: Resuelva los siguientes sistemas homogéneos.

a + 2b + c + d = 0
a. 2a + 3c + d = 0
4b + c + d = 0

Escriba la matriz aumentada y reduzca a su forma reducida por renglones.

     
1 2 1 1 | 0 1 2 1 1 | 0 R1 + 0.5R2 1 0 1.5 0.5 | 0
2 0 3 1 | 0 −→ 0 −4 1 −1 | 0 −→ 0 −4 1 −1 | 0
R2 − 2R1
0 4 1 1 | 0 0 4 1 1 | 0 R3 + R2 0 0 2 0 | 0
   
−→ 1 0 1.5 0.5 | 0 R1 − 1.5R3 1 0 0 0.5 | 0
−0.25R2 0 1 −0.25 0.25 | 0 R2 + 0.25R3 0 1 0 0.25 | 0
0.5R3 0 0 1 0 | 0 −→ 0 0 1 0 | 0

El sistema tiene infinitas soluciones a = −0.5t, b = −0.25t, c = 0, d = t .

w+x=0
b. 2w + 3x = 0
2w − x = 0
     
1 1 | 0 −→ 1 1 | 0 −→ 1 0 | 0
2 3 | 0 R2 − 2R1 0 1 | 0 R1 − R2 0 1 | 0
2 −1 | 0 R3 − 2R1 0 −3 | 0 R3 + 3R2 0 0 | 0

La solución es única w = x = 0 y es igual al vector cero 0.

 25

Ejercicios Aplicados
Los métodos directos para resolver ecuaciones lineales se pueden utilizar para resolver
problemas de Cálculo Multivariable como encontrar la recta de intersección entre dos pla-
nos y determinar si dos lı́neas rectas se intersecan.

Ejercicio 8: Encuentre la ecuación de la lı́nea recta que interseca a los planos x + y = 0 &
x + 2y + z = 1 .

Resuelva el sistema de ecuaciones lineales, como hay más variables que ecuaciones, se
espera un número infinito de soluciones.
     
1 1 0 | 0 −→ 1 1 0 | 0 R2 − R1 1 0 −1 | −1
1 2 1 | 1 R2 − R1 0 1 1 | 1 −→ 0 1 1 | 1

La solución del sistema nos da la ecuación vectorial de la recta de intersección.

     
−1 + t −1 1
s= 1−t
  =  1 + t −1
 
t 0 1

Ejercicio 9: Determine si las siguientes rectas se intersecan: r1 (t) = [5, 2, 1] + t[−4, −4, 0] y
r2 (s) = [3, 0, 7] + s[8, −6, 2] .

Iguale cada componente x, y, z de las rectas y resuelva el sig. sistema de ecuaciones:

x = 5 − 4t = 3 + 8s 4t + 8s = 2
y = 2 − 4t = −6s ⇒ 4t − 6s = 2
z = 1 = 7 + 2s 2s = −6

Resuelva el sistema de ecuaciones utilizando Eliminación Gaussiana.

     
4 8 | 2 4 8 | 2 −→ 4 8 | 2
4 −6 | 2  −→ 0 −14 | 0  − 1 R2 0 1 | 0 
R1 − R2 14
0 2 | −6 0 2 | −6 R3 − 2R2 0 0 | −6

El sistema es inconsistente 0 6= −6.

Como no hay solución, no hay un punto de intersección entre ambas rectas.

Un par de rectas pueden ser:

paralelas.

intersectarse en un punto.

oblı́cuas (no son paralelas y no se intersecan).

26

Ejercicios de Práctica

1. Resuelva los siguientes sistemas:

Utilice Eliminación Gaussiana o Reducción.

Utilice Eliminación Gauss-Jordan.
Indique si el sistema es consistente ú homogéneo.
Indique si el sistema tiene solución única, infinitas o ninguna solución.

x−y+z =0 x−y+z =0
a) −x + 3y + z = 6 d) −x + 3y + z = 6
3x + y + 8z = 12 3x + y + 8z = 2
3r + s = 0
x + 2y = 3
e) 6r + 2s = 0
b) x + 2y = 0
3r + 5s = 0
2x + 5y = 1
x1 − 3x2 − 2x3 = 0
w + 3y + z = 3 f) 2x1 − x2 + x3 = 0
c)
2w + 2x + 6y + 3z = 8 2x1 + 4x2 + 6x3 = 0

2. Encuentre la lı́nea de intersección entre los dos planos dados.

a) 3x + 2y + z = −3, 6x − 2y + 8z = 12
b) x + y + z = 8, x + 2y + 3z = 4

3. Determine si los pares de rectas dados son paralelas, oblı́cuas o si se intersecan.

a) L1 : x = 3 + 2t, y = 4 − t, z = 1 + 3t, L2 : x = 1 + 4t, y = 3 − 2t, z = 4 + 6t

b) L1 : x = 2 + t, y = 3 + 2t, z = 1 − 3t, L2 : x = 3 + t, y = 4 + 3t, z = 2 − 7t

4. Una compañı́a produce tres artı́culos A, B y C, que requiere que se procesen en

tres máguinas α, β, γ. El tiempo en horas requerido para el procesamiento de cada
producto por las tres máquinas está dado en la siguiente tabla.

A B C
α 3 1 2
β 1 2 1
γ 2 4 1

Cada máquina está disponible 440 horas, 310 horas y 560, respectivamente.
Encuentre cuántas unidades deben producirse para utilizar todo el tiempo disponi-
ble en las máquinas.
 27

5. Una compañı́a de inversiones vende tres tipos de fondos de inversión Large Value
(LV), Small Blend (SB) y Go-Anywhere (GA). Cada unidad de LV tiene 12 acciones
nacionales (N), 16 de acciones internacionales (I) y 8 bonos del Tesoro (8). Cada
unidad de SB tiene 20 acciones N, 12 acciones I y 8 bonos T y cada unidad de GA
tiene 32 acciones N, 28 acciones I y 36 bonos T. Suponga que un inversionista desea
comprar exactamente 220 acciones N, 176 acciones I, y 264 bonos T combinando
unidades de los tres fondos.

a) Escriba una matriz A que contenga cuántos tipos de acciones tiene cada fondo
de inversion y un vector b con la cantidad de tipos acciones del inversionista.
 
b) Resuelva el sistema A | b , indique si hay infinitas soluciones.
c) Determine las combinaciones de unidades de LV, SB y GA que satisfacen los
requerimientos del inversionista.
28
 29

3. Conjuntos Generadores e Independencia Lineal [2] (2.3)

Un vector b es una combinación lineal (CL) de los vectores v1 , v2 , , · · · vn si

existen escalares c1 , c2 , , · · · cn tal que c1 v1 + c2 v2 + c3 v3 · · · cn vn = b.
   
1 1
Ejercicio 1: Considere los vectores v1 = 2
  y v2 = 1 .

−1 0
 T
a. Determine si el vector b1 = 0 1 1 es una combinación lineal de v1 y v2 .
Resuelva el sistema de 3 ecuaciones y 2 variables c1 v1 + c2 v2 = b1 .
       
1c1 c2 c1 + c2 0
 2c1  + c2  = 2c1 + c2  = 1
−1c1 0 −c1 + 0 1
 
La matriz aumentada del sistema es v1 v2 | b1 .
     
1 1 | 0 −→ 1 1 | 0 −→ 1 1 | 0
 2 1 | 1 R2 − 2R1 0 −1 | 1 R2 + R3 0 1 | 1
−1 0 | 1 R3 + R1 0 1 | 1 R2 ↔ R3 0 0 | 2

El sistema no tiene solución 0 6= 2, b1 no es una CL de v1 y v2 .

 T
b. Determine si el vector b2 = 0 1 −1 es una combinación lineal de v1 y v2 .

 
La matriz aumentada del sistema es v1 v2 | b2 .
     
1 1 | 0 −→ 1 1 | 0 −→ 1 1 | 0
 2 1 | 1  R2 − 2R1 0 −1 | 1  R2 + R3 0 1 | −1
−1 0 | −1 R3 + R1 0 1 | −1 R2 ↔ R3 0 0 | 0

c2 = −1 y c1 = −c2 = 1, por lo que b2 = +1v1 − 1v2 es una CL de v1 y v2 .

La noción de combinación lineal y conjunto generador está estrechamente relacionada

con la solución de los sistemas lineales.

 
Propiedad: Un sistema de ecuaciones lineales con matriz aumentada A | b es
consistente si y sólo si b es una combinación lineal CL de las columnas de A.

En el ejercicio anterior, b2 es una CL de v1 y v2 , por tal razón este sistema es consistente.

30

Conjuntos Generadores
Un conjunto generador es la colección de todas las CL de una lista de vectores.

Si S = { v1 , v2 , · · · , vk } es un conjunto de vectores en Rn , entonces el conjunto

generador es el conjunto de todas las combinaciones lineales de v1 , v2 , · · · , vk y
se denota como gen(v1 , v2 , · · · vk ) o generado(S).

Si gen(S) = Rn , entonces S es un conjunto generador para Rn .

     
2 1 2 2 a
Ejercicio 2: Muestre que R = gen , . Cualquier vector en R es w = .
2 5 b
h i
Si el sistema v1 v2 | w es consistente, entonces gen(S) = R2 ,
porque cualquier vector en R2 es una CL de v1 y v2 .
     
1 2 | a −→ 1 2 | a R1 − 2R2 1 0 | 5a − 2b
2 5 | b R2 − 2R1 0 1 | b − 2a −→ 0 1 | b − 2a
El sistema tiene solución c1 = 5a − 2b y c2 = b − 2a sin importar los valores de [a b]T .
Por lo tanto, R2 = gen (v1 , v2 ) .

Observación: Como (5a − 2b)v1 + (b − 2a)v2 + 0v3 + 0v4 = [a b]T ,

       
2 1 2 3 1
también es cierto que R = gen , , .
2 5 1 0
¿Cuáles son los conjuntos generadores más convenientes para Rn ?
n vectores que sólo tengan una entrada igual a 1 y el resto de entradas iguales a 0.

Vectores Unitarios Estándar

     
1 0 a
Sea e1 = y e2 = observe que ae1 + be2 = .
0 1 b
Por lo que, S = { e1 , e2 } es un conjunto generador de R2 .
       
1 0 0 a
Sea e1 = 0, e2 = 1 , e3 = 0 observe que ae1 + be2 + ce3 =  b  .
0 0 1 c
Por lo que, S = { e1 , e2 , e3 } es un conjunto generador de R3 .

Los vectores unitarios estándar para Rn , ei , son n vectores que tienen una sola
entrada igual a 1 y el resto de entradas iguales a cero, con la propiedad

Rn = gen ( e1 , e2 , · · · , en )
 31

No todos los conjuntos de vectores en Rn generan a todo Rn .

Si S tiene menos de n vectores, sólo se genera un subconjunto de Rn .

Independencia Lineal
En el ejercicio 1b se encontró que v1 − v2 = b. El vector b es una CL de v1 , v2 ; o en este
caso, b depende de v1 , v2 .

Un conjunto de vectores es linealmente dependiente (LD) si por lo menos uno de ellos

se puede escribir como una CL de los otros vectores.

Observe que v1 − v2 − b = 0 existe una C.L entre v1 , v2 , b que resulta en el vector cero.

Un conjunto de vectores S = { v1 , v2 , · · · , vk } es linealmente dependiente (LD) si

existen algunos c1 , c2 , · · · , ck diferentes de cero tal que c1 v1 +c2 v2 + · · · +ck vk = 0.

Un conjunto de vectores que no es LD es linealmente independiente (LI).

Observaciones:

Para cualesquiera vectores 0v1 + 0v2 + · · · + 0vk = 0.

Esta combinación lineal se conoce como la combinación lineal ”trivial”.

Hay Dependencia Lineal si hay una CL no trivial para expresar el vector cero.

Hay Independencia Lineal si sólo se tiene la CL trivial para expresar el vector cero.

Cualquier conjunto de vectores que contenga al vector cero es L.D. porque para
c1 0 + c2 v2 + · · · + cm vm = 0 se obtiene una CL no trivial con c1 = 1 y 0 para el resto
de escalares.

Criterio de Independencia / Dependencia Lineal

 
Resuelva el sistema homogéneo A | 0 , donde A = [ v1 , v2 , · · · , vm ] .

El conjunto es L.I. si sólo se obtiene una solución única (la solución trivial).

El conjunto es L.D. si se obtienen infinitas soluciones.

32

Ejercicio 3: Analice la independencia lineal de los siguientes conjuntos de vectores.

     
 1 1 1 
a. S1 = 2 ,  1  , 4
4 −1 2
 

     
1 1 1 | 0 −→ 1 1 1 | 0 1 1 1 | 0
2 1 4 | 0 R2 − 2R1 0 −1 2 | 0 −→ 0 −1 2 | 0
4 −1 2 | 0 R3 − 4R1 0 −5 −2 | 0 R3 − 5R2 0 0 −12 | 0

Sustituyendo hacia atrás c3 = 0, c2 = 2c3 = 0, c1 = −c2 − c3 = 0.

El conjunto es LI sólo se obtiene la solución ”trivial.”

     
 1 1 3 
b. S2 = 2 ,  1  , 4
4 −1 2
 

     
1 1 3 | 0 −→ 1 1 3 | 0 1 1 3 | 0
2 1 4 | 0 R2 − 2R1 0 −1 −2 | 0
   −→  0 −1 −2 | 0
4 −1 2 | 0 R3 − 4R1 0 −5 −10 | 0 R3 − 5R2 0 0 0 | 0
 
R1 + R2 1 0 1 | 0
−R2 0 1 2 | 0
−→ 0 0 0 | 0

El sistema homogéneo tiene soluciones no triviales, p.e. c1 = −1, c2 = −2, c3 = 1.

El sistema tiene soluciones infinitas por lo que el conjunto de vectores S2 es LD.

Vectores Estándar e Independencia Lineal

Los vectores unitarios estándar e1 , e2 , e3 , y e4 son linealmente independientes en
R4 porque el sistema homogéneo con matriz aumentada e1 e2 e3 e4 | 0 ya se
 

encuentra en forma escalonada reducida (FERR).

 
1 0 0 0 | 0 c1 = 0
0 1 0 0 | 0 c2 = 0

0 0 1 0 | 0
 ⇒
c3 = 0
0 0 0 1 | 0 c4 = 0

Sólo se obtiene la solución trivial.

En general, los vectores unitarios estándar e1 , e2 , e3 · · · y en son linealmente

independientes en Rn y generan a Rn .
 33

En las siguientes situaciones un conjunto de vectores es LD

El vector cero está en el conjunto.

Uno de los vectores es un múltiplo escalar de otro (son paralelos).

Hay ”muchos” vectores en el conjunto para que el conjunto sea LI.

El siguiente teorema es una consecuencia de la propiedad de que los sistemas homogéneos

tienen infinitas soluciones si hay mas variables (m columnas) que renglones (n filas).

Teorema 2.8: Cualquier conjunto de m vectores en Rn es LD si m > n .

Ejercicio 4: Determine si los siguientes conjuntos de vectores son linealmente dependientes.

       
2 1 3 −2
a. , ,
3 2 4 4

Este conjunto de 4 vectores es linealmente dependiente por que no pueden haber más
de 2 vectores L.I. en R2 .

       
 2 1 0 0 
b. 3 , 2 , 4 , 0
     
1 0 0 6
 

Este conjunto de 4 vectores es linealmente dependiente por que no pueden haber más
de 3 vectores L.I. en R3 .

   
Ejercicio 5: Encuentre el plano generado por los vectores v1 = 1 0 2 y v2 = 1 1 6 .

Un vector en R3 tiene la forma b = x y z .

 

 
Encuentre todas las CLs de c1 v1 + c2 v2 = b, resolviendo el sistema v1 v2 | b .
     
1 1 | x 1 1 | x R1 − R2 1 0 | x−y
0 1 | y  −→ 0 1 | y  −→ 0 1 | y 
2 6 | z R3 − 2R1 0 4 | z − 2x R3 − 4R2 0 0 | z − 2x − 4y

Para que el sistema sea consistente, en el último renglón z − 2x − 4y = 0 .

El conjunto que generan estos dos vectores es el plano z = 2x + 4y .

34

Ejercicios de Práctica

1. Determine si el vector w es una combinación lineal de los vectores restantes.

       
2 1 0 0
a) w = 3 , u1 = 2 , u2 = 4 , u3 = 0
1 0 0 6
     
2 2 0
3 −1 4
b) w = 
1 , u1 =  0  , u2 0
    

0 2 1
2. ¿Se encuentra b en el espacio generado por las columnas de la matriz A?
   
1 2 13
a) A = , b=
9 5 13
   
1 2 3 10
b) A = 4 5 6 , b = 11
  
7 8 9 12

3. Considere los vectores u, v, w en Rn

a) Verifique que u, v, y w están en gen(u, v, w)
b) Verifique que u, v, y w están en gen(u, u + v, u + v + w)
Clave: Plantee las combinaciones lineales c1 u1 + c2 u2 + c3 u3 = u y resuelva los
sistemas resultantes.
4. Analice si los vectores dados son linealmente dependientes o independientes. Si
para cualquiera de ellos, la respuesta puede obtenerse mediante inspección (es decir,
sin cálculos), explique por qué.
             
3 1 1 4 3 1 1
a) 8 , 4 , 0 2 c) 8 , 4 , 0
3 0 3 3 3 0 3
               
10 1 5 1 1 2 0 2
 0  2 4 2 1 2 0 2
b)  0  , 0 , 3 , 3
       d) 0 , 0 , 3 , 6
      

0 0 0 4 0 0 3 6

5. Encuentre las ecuaciones algebraicas que describan el conjunto generado por los
vectores dados.
     
3 1 1    
0 8
a) 8 , 4 , 0 b) ,
0 4
3 0 3
 35

4. Desigualdades Lineales con 2 variables [1] (7.1)

Suponga que un consumidor recibe un ingreso fijo de $ 300 que utiliza por completo en la
compra de dos productos A y B. Si los costos unitarios de A y B son de $ 3 y $ 6 respecti-
vamente, el costo de adquirir x & y unidades de A y B son 3x + 6y = 300, esta ecuación
lineal es conocida como la ecuación de presupuesto o restricción presupuestaria.

Como no se pueden adquirir unidades negativas,

tenemos que x ≥ 0, y ≥ 0.

La solución de esta ecuación da las posibles combina-

ciones de A y B que pueden adquirirse con $ 300.

x = 100 − 2t
Hay soluciones infinitas ,
y=t
donde 0 6 t 6 50 es un parámetro.

Por ejemplo, si se adquieren 20 unidades de B, se deben adquirir 60 unidades de A para

gastar los 3(60) + 6(20) = $300 .

Ahora suponga, que el consumidor no necesariamen-

te desea gastar todos los $ 300.

Las desigualdades 3x + 6y 6 300, x > 0, y > 0 .

describen todas las posibles combinaciones.

La gráfica de estas desigualdades es la región triangu-

lar debajo de la recta x + 2y = 300, arriba del eje-x,
y a la derecha del eje-y.

Una desigualdad lineal con las variables x & y tiene las siguientes formas:

ax + by 6 c
ax + by > c

Los coeficientes a, b, c son constantes reales.

Las desigualdades pueden ser estrictas <, > ó débiles 6, > .

La solución de una desigualdad lineal en x & y consiste de todos los puntos (x, y)
ubicados en el plano cuyas coordenadas satisfacen dicha desigualdad.
36

En el ejemplo anterior, 3x + 6y 6 300, x > 0, y > 0 .

Los puntos (10, 20) y (30, 10) son soluciones de estas desigualdades porque satisfacen

3(10) + 6(20) = 150 6 300

3(30) + 6(10) = 150 6 300

la desigualdad principal. Además, todas sus coordenadas x & y son no negativas.

La solución a estas desigualdades consiste de todos los puntos (x, y) que se encuentran
dentro de la región triangular con altura de 50 y ancho de 100.

Gráficas de Desigualdades
La gráfica de una recta no vertical y = mx + b separa al plano en 2 regiones distintas.

1. La región ubicada por encima de la recta y > mx + b es un ”semiplano abierto.”

2. El ”semiplano abierto” debajo de la recta y < mx + b .

La gráfica de una recta vertical x = a, también separa al plano en dos regiones distintas.

1. Un semiplano abierto a la izquierda x < a .

2. Un semiplano abierto a la derecha x>a.

Si se incluye la recta en la desigualdad, como en y 6 mx + b ó y > mx + b, la región

es un semiplano ”cerrado,” la lı́nea sólida indica que la recta forma parte de la solución.

Si no se incluye la recta en la desigualdad, como en y < mx + b ó y < mx + b,

la lı́nea punteada indica que la recta NO forma parte de la solución.
 37

Ejercicio 1: Resuelva y grafique la desigualdad lineal 4(3x − y) < 4(x + y) − 8 .

Simplifique la desigualdad usando álgebra.

12x − 4y < 4x + 4y − 8
8x + 8 < 8y
x+1 < y

Grafique la recta y = 1 + x,
La solución es la región arriba de la recta.

Sistemas de Desigualdades
La solución de un sistema de desigualdades consiste en todos los puntos cuyas coorde-
nadas satisfacen de manera simultánea todas las desigualdades dadas.

Geométricamente, es la región en común para todas las regiones determinadas por las
desigualdades dadas.

Ejercicio 2: Resuelva el siguiente sistema de desigualdades

y > 8 − 2x
y 6 2x
y > 2

Primero, grafique las tres rectas.

Sólo la segunda desigualdad incluye a la recta.
La primera y la tercera usando lı́neas punteadas.

Segundo, identifique la región en común.

La región tiene 3 bordes y abre hacia la derecha.

Sólo el borde al norte es cerrado.
Tiene vértices en (2, 4) y en (3, 2).

Está debajo de la recta y = 2x .

Está encima de la recta horizontal y = 2 .
Está encima de la recta y = 8 − 2x .
38

Ejercicios de Práctica

1. Resuelva y grafique los siguientes sistemas de desigualdades.


  2x + y > 6
3x − 2y 6 6
a) c) x>y
x − 3y > 9
y < 4x + 4



 3x + y 6 6
x+y 66

b)

 x>0
y>0


2. Asus produce dos modelos de laptops, el modelo Vivobook de 15.6” y el más com-
pacto modelo Zenbook de 13.3”. Sea x el número de modelos Vivobook y y el
número de modelos Zenbook. Cada dı́a, se necesitan producir por lo menos 500
Vivobooks y 1000 Zenbook. La principal fábrica en Taiwan tiene un lı́mite de pro-
ducción de hasta 2000 laptops.

a) Escriba un sistema de desigualdades que describan la situación de Asus.

b) Grafique la región descita por este sistema de desigualdades.

3. Una cooperativa Navajo cuenta con 5 empleados que producen dos modelos de
sillas con elaboración artesanal. El modelo Secuoya requiere de 6 horas de trabajo
para ensamblarlo y 1 hora de trabajo para pintarlo. El modelo Saratoga requiere de
4 horas para ensamblarlo y 2 horas para pintarlo. El número máximo de horas de
trabajo disponibles para ensamblar sillas es de 48 por dı́a y el número máximo de
horas de trabajo disponibles para pintar sillas es de 16. Crate & Barrel les pide por
lo menos 4 modelos Secuoya cada dı́a.

a) Escriba un sistema de desigualdades que describan la situación.

Asuma que x es el número de modelos Secuoya y que y es el número de
modelos Saratoga.
b) Grafique la región descrita por este sistema de desigualdades.
c) Enumere todas las combinaciones enteras de sillas que se pueden producir.
 39

5. Programación Lineal [1] (7.2)

”The term, programming, in this context does not refer to computer programming. Rather, the
term comes from the use of program by the United States military to refer to proposed training and
logistics schedules, which were the problems Dantzig studied at that time.” Wikipedia

Algunas veces se desea maximizar o minimizar una función sujeta a restricciones. Algu-
nas de las restricciones son naturales como que las variables no pueden ser negativas y
pueden haber condiciones adicionales expresadas como desigualdades lineales.

En un problema de optimización o programación lineal contiene

Una función objetivo: es la función que debe ser maximizada o minimizada.

Una región factible: es el conjunto de todas las soluciones del sistema de desigual-
dades lineales. Generalmente, hay un número infinito de puntos factibles.

Restricciones de no negatividad: las n variables de decisión no pueden tener va-

lores negativos, x1 , x2 , · · · xn > 0 .

El objetivo del programa lineal es encontrar un punto o puntos que optimicen (máximo
o mı́nimo) el valor de la función objetivo.

Propiedad de un problema de programación lineal

Una función objetivo lineal y definida sobre una región factible cerrada tiene un
valor máximo (y un valor mı́nimo) que puede hallarse en un vértice.

Ejercicio 1: Resuelva el siguiente problema.

Maximice U (x, y) = 4x + 6y
Sujeta a: x, y > 0
R1 : 2x + y 6 180
R2 : x + 2y 6 160
R3 : x + y 6 100

a. Encuentre los puntos de intersección entre cada una de las rectas.

A. (0, 0) es la intersección entre x = 0 & y = 0 .

x
B. (0, 80) es la intersección entre x = 0 & y = 80 − .
2
C. (40, 60) es la intersección entre x = 100 − y & x = 160 − 2y .
D. (80, 20) es la intersección entre y = 100 − x & y = 180 − 2x .
E. (90, 0) es la intersección entre y = 0 & y = 180 − 2x .
40

Las otras cinco intersecciones están afuera de la región factible.

F. (0, 100) no satisface R2 .

G. (0, 180) no satisface ni R2 ni R3 .
 
200 140
H. , no satisface R3 .
3 3
I. (100, 0) no satisface R1 .
J. (160, 0) no satisface ni R1 ni R3 .

b. Grafique la región factible.

c. Encuentre el punto y el valor máximo de la utilidad sujeto a las restricciones.

Evalúe el valor de U en cada vértice.

A. U (0, 0) = 4(0) + 6(0) = 0

B. U (0, 80) = 4(0) + 6(80) = 480
C. U (40, 60) = 4(40) + 6(60) = 520 es el valor MÁXIMO.
D. U (80, 20) = 4(80) + 6(20) = 440
E. U (90, 0) = 4(90) + 6(0) = 360

El valor máximo de U es de 520 y se obtiene cuando x = 40, y = 60 .

 41

Curvas de Nivel y Solución Gráfica de la Programación Lineal

Si se fija el valor de la función objetivo f (x, y) = ax + by = K.

La curva ax+by = K, conocida como curva de nivel o de ”isovalor”, proporciona

todas las combinaciones posibles (x, y) con las que se obtiene un valor de K.

Algunas curvas de nivel tienen un número infinito de puntos dentro de la región factible,
mientras que otras no tienen puntos de intersección con la región factible.

La idea del problema de programación lineal es encontrar la curva de nivel que esté más
alejada del origen y que tenga al menos un punto en común con la región factible. La
curva de nivel más alejada va tocar sólo uno o dos de los vértices de la región factible.

En el ejercicio anterior,

La curva de nivel es y = U − 23 x .
U = 360 se encuentra dentro de la región factible.
Se puede aumentar U y continuar adentro de la
región factible.

U = 600 se encuentra fuera de la región factible.

La solución óptima no puede ser U = 600.

U = 520 sólo interseca a un punto de la región.

La solución óptima ocurre en (40, 60).

El método simplex
El problema de programación lineal se puede extender a varias variables.

Las regiones factibles van a ser difı́ciles o imposibles de graficar, pero la solución se
sigue encontrando en un vértice o vértices.

El proceso de encontrar todos los vértices y evaluar la función objetivo es muy ex-
haustivo y se vuelve más complejo con más variables.

El método simplex, basado en la Eliminación Gaussiana, es un algoritmo iterativo

que encuentra la solución óptima en un número finito de pasos.

El método simplex se encuentra en Solver de MS Excel y en varias rutinas de Python,

R, Lingo, etc.
42

Ejercicio 2: Asus produce dos modelos de laptops, el modelo Vivobook de 15.6” que vende a $ 600
c.u. y el modelo más compacto Zenbook de 13.3” a $700 c.u. Sea x el número de modelos Vivobook
y y el número de modelos Zenbook. Cada dı́a, se necesitan producir por lo menos 500 Vivobooks y
1000 Zenbook. La principal fábrica en Taiwan tiene un lı́mite de producción de hasta 2000 laptops.

a. Escriba el problema de programación lineal de Asus.

Sea x el número de Vivobooks & y el número de Zenbooks que se producen.

Maximice Ingreso: I(x, y) = 600x + 700y

Producción Vivobook: x > 500
Producción Zenbook: y > 1000
Capacidad Producción: x + y 6 2000
No Negatividad: x, y > 0

b. Grafique la región factible e identifique los vértices.

Grafique la recta vertical x = 500, la recta horizontal y = 1000, y la recta x + y = 2000.

La región factible es el triángulo encerrado por las tres rectas.

Los vértices son:

( 500, 1000)

( 500, 1500)

(1000, 1000)

c. ¿Cuántas laptops de cada modelo se deben producir para maximizar los ingresos?

El valor máximo está en uno de los vértices (500, 1000), (500, 1500) y (1000, 1000).

Evaluando en cada vértice el ingreso máximo de 1.35 millones se obtiene cuando se

producen 500 VivoBook y 1500 Zenbook.

I(500, 1000) = 600(500) + 700(1000) = 1, 000, 000

I(500, 1500) = 600(500) + 700(1500) = 1, 350, 000
I(1000, 1000) = 600(1000) + 700(1000) = 1, 300, 000
 43

Ejercicio 3: La empresa Amazonia produce dos modelos de comedores exteriores con diseño casual.
El modelo Coventry requiere de 4 horas de trabajo para ensamblarlo y 1 horas de trabajo para
pintarlo y tiene una utilidad neta de $ 1,000 c.u.. El modelo Bahamas requiere de 2 horas para
ensamblarlo y 2 horas para pintarlo con una utilidad neta de $ 700 c.u. El número máximo de
horas de trabajo disponibles para ensamblar comedores es de 24 por dı́a y para pintar sillas es de
12 horas. Crate & Barrel les pide por lo menos 2 modelos Coventry diarios.

a. Escriba el problema de programación lineal de Amazonia.

Asuma que x es el número de modelos Coventry y que y es el número de modelos Bahamas.

Maximice Utilidad: U (x, y) = 1000x + 700y

Horas Ensamble: 4x + 2y 6 24
Horas Pintado: x + 2y 6 12
Pedido Crate & Barrel: x>2
No Negatividad: x, y > 0

b. Grafique la región factible e identifique los vértices.

Es el polı́gono encerrado por las rectas:

y = 12 − 2x, y = 6 − 0.5x, x = 2, y = 0.

Los vértices son:

( 2, 2 )

( 6, 0 )

( 4, 4 )

( 2, 5 )

c. Encuentre cuántas unidades de cada modelo se deben producir para maximizar la utilidad neta.

El valor máximo está en uno de cuatro los vértices:

U (2, 0) = 1000(2) + 700(0) = 2, 000

U (6, 0) = 1000(6) + 700(0) = 6, 000
U (4, 4) = 1000(4) + 700(4) = 6, 800
U (2, 5) = 1000(2) + 700(5) = 5, 500

La utilidad máxima de $ 6,800 se obtiene produciendo 4 Coventry y 4 Bahamas.

44

Ejercicios de Práctica

1. Zijin Mining Ltd. extrae paladio e iridio (dos metales preciosos con precios alrede-
dor de $ 1,400 la onza) de dos canteras en Fujiang. En la tabla inferior se indica la
cantidad de paladio e iridio (en onzas) que se pueden procesar en cada tonelada
extraı́da en las canteras I y II junto con los costos de procesar cada tonelada (en $).

Mineral Cantera 1 Cantera 2

Paladio 50 100
Iridio 100 80
Costo $ 300 $ 400

La minera debe extraer por lo menos 14,000 onz. de paladio y 16,000 onz. de Iridio.

¿Cuántas toneladas x & y deben procesarse en cada cantera con el objetivo de

minimizar el costo costo? ¿Cuál es el costo mı́nimo?

2. Una compañı́a fabrica y venden dos modelos de lámpara L1 y L2. Para su fabrica-
ción se necesita un trabajo manual de 20 minutos para el modelo L1 y de 30 minutos
para el L2; y un trabajo de máquina de 20 minutos para el modelo L1 y de 10 minu-
tos para L2. Se dispone para el trabajo manual de 120 horas al mes y para la máquina
80 horas al mes. Sabiendo que el beneficio por unidad es de Q15 y Q10 para L1 y L2,
respectivamente, planificar la producción para obtener el máximo beneficio.

3. Con el comienzo del curso se va a lanzar unas ofertas de material escolar. la Librerı́a
El Progreso tiene en inventario 600 cuadernos, 480 carpetas y 800 bolı́grafos y quie-
re ofrecer dos paquetes, empaquetándolo de dos formas distintas; el paquete Básico
pondrá 2 cuadernos, 2 carpeta y 2 bolı́grafos; y el paquete Intensivo pondrá 3 cua-
dernos, 1 carpeta y 5 bolı́grafos. Los precios de cada paquete serán Q 50 y Q 70 ,
respectivamente. ¿Cuántos paquetes le conviene poner de cada tipo para obtener el
máximo beneficio?

4. Una dieta diaria para alimentar cerdos debe contener al menos 300 gramos de car-
bohidratos y 250 gramos de proteı́nas. Cada libra de concentrado a base de soya
tiene 100 gramos de carbohidratos y 100 gramos de proteı́nas, mientras que cada
libra de concentrado a base de maı́z tiene 100 gramos de carbohidratos y 50 gra-
mos de proteı́nas. Si el concentrado de soya cuesta Q6 por libra el concentrado de
maı́z cuesta Q4 por libra, ¿cuántas libras de cada concentrado deben adquirirse para
obtener la dieta de costo mı́nimo para cada cerdo?
 45

6. Operaciones Matriciales [2] (3.1)

Una matriz es un arreglo rectangular de números denominados las entradas de la matriz.

El tamaño de una matriz es el número de renglones y columnas que tiene.

Una matriz es m × n si tiene m renglones y n columnas.

Una matriz 1 × n es un vector renglón / fila.

Una matriz m × 1 es un vector columna.

Ejercicio 1: Encuentre el tamaño de la cada matrices e identifique si es un vector.

 
π 0    
A= , B= 1 −1 −2 2 3 −3 , C = log(5) ,
0 e
   
1 a b c d
2 1 2 3 4
D=4 ,
 E=
e

f g h
8 5 6 7 8

A : 2 × 2, B : 1 × 6, C : 1 × 1, D : 4 × 1, E : 4 × 4 .
B es un vector renglón, D es un vector columna, y C es ambos tipos de vectores.

Notación para escribir matrices:

Se usa la notación de subı́ndice doble Am×n para referirse al tamaño de la matriz.

La entrada de A en el renglón i y en la columna j se denota como aij ó Aij .

Una matriz se puede denotar de manera más compacta mediante [aij ] ó [aij ]m×n .

Las entradas de la diagonal principal de A son a11 , a22 , a33 · · · ann .

Por ejemplo, para la matriz A2×4 :

 
−2 4 1 0
A=
−3 0 3 0
a21 = −3 a14 = 0

Para esta matriz, las entradas a31 y a52 no existen.

 
Si las columnas de la matriz A son los vectores a1 , a2 , · · · an , entonces A = a1 a2 · · · an .
46

 
A1
 A2 
Si las filas de la matriz A son los vectores A1 , A2 , · · · An , entonces A =  .. .
 
 . 
An

Una matriz cuadrada tiene el mismo número de columnas y filas, m = n.

En una matriz diagonal todas sus entradas fuera de la diagonal son ceros.

Una matriz identidad In es una matriz diagonal sólo con unos en la diagonal.

Dos matrices son iguales si: i) tienen el mismo tamaño

y ii) cada una de sus entradas correspondientes son iguales.

En el ejercicio 1,

A, C y E son matrices cuadradas.

A y C son matrices diagonales.

B y D no son ni cuadradas ni diagonales.

Ejercicio 2: Determine cuáles de las siguientes matrices son iguales.

 
    +5
2 0 x 2 0 4  
A= B= C = −5 D = 5 −5 1
1 2 y 1 2 5
+1

Las matrices A y B son iguales son iguales si y sólo si x = 4, y = 5 .

Las matrices C y D no son iguales porque tienen diferentes tamaños C3×1 y D1×3 ,
aunque tienen las mismas entradas.

Operaciones Matriciales
Las operaciones matriciales se realizan en cada entrada. Las matrices A y B deben tener
el mismo tamaño para que se puede realizar la suma o la diferencia entre matrices.

Sean A = [aij ] y B = [bij ] dos matrices m × n.

Suma de matrices: A + B = [aij + bij ] .

Multiplicación por un escalar: kA = [kaij ] .

 47

El negativo de una matriz y la diferencia de matrices son casos especiales de la suma de

matrices y la multiplicación por un escalar.

Negativo de una matriz: (−1)A = [−aij ]

Diferencia de matrices: A − B = [aij − bij ]

Ejercicio 3: Considere las siguientes matrices.

 
  1 2      
3 0 5 2 1 −1
A= B = 4 1 C= D= E=
2 −1 4 5 2 −3
2 7

Efectúe las operaciones indicadas (si es posible).

a. A + B No es posible porque las dos matrices tienen diferente tamaño.

 
25 10
b. 5C =
20 25
     
6 0 5 2 11 2
c. 2A + C = + =
4 −2 4 5 8 3

d. D − B No es posible porque las dos matrices tienen diferente tamaño.

     
6 2 8
e. 6D − 2E = + =
12 6 18
 
15 6
f. 3(A − C) + 3(2C − A) = 3A − 3C + 6C − 3A = 3C =
12 15

Matriz Cero Om×n

 
0 0 ··· 0
0 0 ··· 0
Tiene todas sus entradas iguales a cero O =  .. ..  .
 
..
. . ··· .
0 0 ··· 0

La matriz cero es el elemento neutro de la suma A+O=A.

El negativo de la matriz es el elemento inverso de la suma A − A = O.

48

Multiplicación de Matrices
En el producto matricial AB no se multiplican cada una de las entradas AB 6= [aij bij ] .

Producto Matricial
Si A es una matriz m × n y B es una matriz n × r, entonces el producto C = AB
es una matriz m × r, donde la entrada Cij del producto se calcula como:

Cij = ai1 b1j + ai2 b2j + · · · ain bnj

Para realizar el producto matricial, A y B no tienen que tener el mismo tamaño, pero el
número de columnas de A debe ser el mismo que el número de filas de B.
externas
z }| {
A m × nBn
|{z} ×r = (AB)m×r
internas

Cada una de las entradas de AB es el producto interno entre la i-ésima fila de A y la

j-ésima columna de B, fila × columna.
a11 a12 · · · a1n 
 

 .. .. ..  b11 · · · bij · · · b1r
 . . ··· .  b · · · b2j · · · b2r 
  21
a a · · · a
 
 i1 i2 in   . .. .
 .. . · · · ..

 . .. .. 
 ..

. ··· .  b · · · bnj · · · bnr
n1
am1 am2 · · · amn
n
X
Utilice la notación de sumatoria para resumir el valor de cada entrada: Cij = aik bkj .
k=1

El subı́ndice interno es k y aumenta desde 1 hasta n.

Los subı́ndices externos son i: (filas de A) y j (columnas de B).

Ejercicio 4: Realice el producto matricial entre las siguientes matrices.

 
  1 −2
1 3 4
A= B =  −1 2 
2 5 6
1 −2
   
1−3+4 −2 + 6 − 8 2 −4
AB = =
2−5+6 −4 + 10 − 12 3 −6
El producto B3×2 A2×3 también se puede realizar y resulta en una matriz 3 × 3
   
+1 − 4 +3 − 10 +4 − 12 −3 −7 −8
BA =  −1 + 4 −3 + 10 −4 + 12  =  3 7 8
+1 − 4 +3 − 10 +4 − 12 −3 −7 −8
 49

En general, el producto matricial no es conmutativo AB 6= BA .

Como las dimensiones internas y externas de un par de matrices no siempre coinciden,

muchas veces sólo se puede realizar una de los productos, AB ó BA .

Ejercicio 5 (Aplicación): Fiat elabora tres modelos de vehı́culos diferentes y los distribuye a dos
paı́ses diferentes. El número de unidades de cada modelo que se envı́a a cada paı́s está dado por:
 
Paı́s 1 Paı́s 2
 Modelo 1
 200 100 
A = 
 150 100  Modelo 2
100 150 Modelo 3

donde aij es el número de unidades del modelo i enviado al paı́s j.

Encuentre el costo de enviar todos los modelos para cada diferente paı́s en camión o en ferrocarril.
 
Modelo 1 Modelo 2 Modelo 3
B =  20 20 30  Camión
10 10 20 Ferrocarril

donde bij es el costo de enviar en camión i = 1 o en ferrocarril i = 2 el modelo j.

Encuentre el costo del envı́o de los tres tipos a cada paı́s por cada medio de transporte.

Multiplique la matriz de costos de envı́o B por la matriz con el número de modelos que
se distribuyen A para obtener una matriz 2 × 2.
   
  200 100 Paı́s 1 Paı́s 2
20 20 30 
C = B2×3 A3×2 = 150 100 = 10, 000 8, 500  Camión
10 10 20
100 150 5, 500 5, 000 Ferrocarril

Cada renglón de la matriz de costos para enviar los vehı́culos se interpreta como:

El costo de enviarlos por camión al paı́s 1 es de $ 10,000 y al paı́s 2 es de $ 8,500.

El costo de enviarlos por tren al paı́s 1 es de $ 5,500 y al paı́s 2 es de $ 5,000.

Sistemas Lineales como un producto de matrices

Considere el sistema lineal de ecuaciones:

+x1 − 2x2 + 3x3 = 5

−x1 + 3x2 + x3 = 1
2x1 − x2 + 4x3 = 14
50

El sistema se puede rescribir como un producto entre una matriz y un vector columna.
    
1 −2 3 x1 5
−1 3 1 x2  =  1 
2 −1 4 x3 14
| {z } | {z } | {z }
A x b

Cualquier sistema lineal se puede escribir como Ax = b .

La matriz aumentada [ A |b ] es una notación abreviada para la ecuación Ax = b .

Potencias de una matriz

Si A es una matriz cuadrada, el producto AA es una matriz n × n que se denota como A2 .
La potencia entera n de una matriz cuadrada son n productos de la matriz A.

Potencia de una matriz

Sea A una matriz cuadrada, r y s dos enteros no negativos

Ar = AA · · · A}
| {z
r veces

Propiedades de la potencia de una matriz

A0 = In

Ar As = Ar+s

(Ar )s = Ars

Ejercicio 6: Encuentre las potencias indicadas de la siguiente matriz.

 
1 −2
A=
1 2
 
0 1 0
a. A = Sólo la matriz identidad I2 .
0 1

    
2 1 −2 1 −2 −1 −6
b. A = AA = =
1 2 1 2 +3 +2

    
3 2 −1 −6 1 −2 −7 −10
c. A = A A = =
+3 +2 1 2 +5 −2
 51

Transpuesta de una matriz

Esta operación intercambia los renglones y columnas de cualquier matriz.

La transpuesta de una matriz A m × p es la matriz AT p×m obtenida al

intercambiar cada renglón y columna de la matriz A.

Alternativamente, la transpuesta en términos de sus componentes es:

(AT )ik = Aki para toda i & k

Por ejemplo, la transpuesta de la matriz A3×2 es la matriz AT2×3 .

 
  2 0
2 1 0
A= , AT =  1 1 
0 1 3
0 3

La transpuesta cambia a un vector renglón en un vector columna y viceversa.

   
1 1
T
wT = 1 −3 9
   
u= 1 2 4 , u = 2 ,
  w = −3 ,

4 9

Si la matriz A es cuadrada, AT tiene el mismo tamaño pero no es necesariamente igual a A.

Matriz Simétrica
Una matriz simétrica es igual a su transpuesta, es decir AT = A .

Visualmente, una matriz simétrica es igual a su reflejo respecto a la diagonal principal.

Ejercicio 7: Determine si las siguientes matrices son simétricas.

   
2 −1 2 2 −1 2
a. A = −1 -4 −3 , AT = −1 −4 −3 = A A es simétrica.
2 −3 8 2 −3 8
   
2 −4 2 2 1 8
b. B = 1 -4 5 , B T = −4 −4 −3 6= B B NO es simétrica.
8 −3 8 2 5 8
   
a 0 0 a 0 0
c. C = 0 b 0 , C T = 0 b 0 = C Toda matriz diagonal es simétrica.
0 0 c 0 0 c
52

Producto Punto y Producto Externo

El producto punto entre dos vectores columna u y w es: u·w = u1 w1 +u2 w2 +· · ·+un wn .
 
w1
 w2 
uT w = u1 u2 · · · un  ..  = u1 w1 + u2 w2 + · · · + un wn
   
 . 
wn

Definición alternativa del producto punto: u · w = uT w

El producto externo es la matriz n × n obtenida al multiplicar un vector columna

n × 1 con un vector renglón 1 × n.
   
u1 u1 w1 u1 w2 · · · u1 wn
 u2     u2 w1 u2 w2 · · ·
 u2 wn 
uwT =  ..  w1 w2 · · · wn =  ..
  
.. .. 
.  . . ··· . 
un un w1 un w2 · · · un wn

Ejercicio 8: Realice las operaciones indicadas (si es posible) dadas las siguientes matrices.
   
    1 1 1
1 2 1 0 0  
A= B= C= 2 0  D= 3 2 1 E = −1

−1 3 2 1 0
0 3 2
   2     
2 1 2 1 0 0 2 0 2 −2 4
a. (A − I2 ) = − = =
−1 3 0 1 −1 2 −1 2 −2 2

b. B 3 no es posible realizarlo porque B no es cuadrada.

     
T 2 0 0 3 6 0 −1 −6 0
c. 2B − 3C = − =
4 2 0 3 0 9 1 2 −9
 
 3
E T DT = 1 −1 2 2 = 3 − 2 + 2 = 3

d.
1
   
1   3 2 1
e. E3×1 D1×3 = −1 3 2 1 = −3 −2 −1
2 6 4 2
 
  1 1        
1 0 0  1 2 1 1 −1 −2 0 −1
f. BC − A = 2 0 −
 = + =
2 1 0 −1 3 4 2 1 −3 5 −1
0 3
g. C3×2 D3×1 no es posible realizarlo porque las dimensiones internas son diferentes
 53

Ejercicios de Práctica

1. Considere las matrices:

 
  2 −1  
2 −1 2 −1 0
A= , B = 1 −3 , C= ,
1 −3 0 1 −3
1 o
   
−1 3   5
D= E= 3 5 F =
−2 0 3

Realice las operaciones indicadas (si es posible).

a) A + 3B − 2F E
b) 5C T B T − 3(BC)T
c) (A − I2×2 )2
d) BC − CB
e) E(DF )
f ) D(F E)
g) AT A − AAT

2. Encuentre una matriz A4×4 que satisfaga la condición dada.

a) aij = (−1)2i+j
b) aij = 4j − 2i
c) aij = (2i − 1)j

2 si i > j
d) aij = i si i = j
0 si i < j


3. Una aceitera produce baterı́as, bujı́as y filtros de aire en dos plantas. En las siguien-
tes tablas se muestran la producción de las dos marcas para los municipios de Villa
Nueva y Villa Canales.

Villa Nueva Planta 1 Planta 2 Villa Canales Planta 1 Planta 2

Baterı́as 40 50 Baterı́as 20 30
Bujı́as 900 1000 Bujı́as 1000 600
Filtros 100 75 Filtros 200 325

a) Construya la matriz que represente la producción para cada municipio.

b) Encuentre la producción total alcanzada en las dos plantas para cada producto.
54

 
1 −1
4. Sea B = , encuentre B 2 , B 3 , B 4 y una fórmula para B n .
1 1

 
1 1
5. Sea C = , encuentre C 2 , C 3 , C 4 y una fórmula general para C n .
0 1

6. Una tienda de mascotas tiene 20 hámsters, 5 cachorros y 10 pericos en exhibición.

Si el valor de un hámster es de Q50, el de un cachorro Q2,000 y el de un perico Q300,
encuentre el valor total del inventario de la tienda de mascotas.

7. Un arquitecto canadiense necesita construir 50 casas prefabricadas, 20 casas en un

condominio y 40 casas móviles. Las materias primas principales que se utilizan en
cada tipo de casa son acero, madera, vidrio y cemento. En la siguiente tabla se mues-
tra cuántas toneladas de materia prima se utilizan en cada tipo de casa.

Tipo Casa Acero Madera Vidrio Pintura Cemento

Pefabricada 5 20 5 1 0
Condominio 10 15 2 3 10
Móvil 3 10 6 2 5

a) Escriba un vector renglón Q para la producción de cada tipo de casa.

b) Escriba una matriz R para el uso de materia prima para cada tipo de casa.
c) ¿Cuánta materia prima QR se necesita para producir cada tipo de casa?
d) El costo por tonelada del acero es de $ 200, el de la madera de $ 500, el del
vidrio de $ 2000, el de pintura de $ 1000 y el del cemento de $ 100. Encuentre
el costo de cada tipo de casa y el costo total de la materia prima.

8. Un agente de bolsa vendió a un cliente un fondo que tiene 200 acciones de Amazon,
300 acciones de Google, 600 acciones de Microsoft y 500 acciones de Uber. Los pre-
cios de cada tipo de acción son de $ 2,000, $ 1,100, $ 140, y $ 40, respectivamente.

a) Escriba un vector renglón para el número de acciones compradas de cada tipo.

b) Escriba un vector columna que represente el precio por acción de cada tipo.
c) Encuentre el valor total del fondo usando multiplicación de matrices.
 55

7. Álgebra de Matrices [2] (3.2)

El álgebra de matrices es una generalización del álgebra de los vectores, pero tiene pro-
piedades adicionales para las operaciones que no tienen los vectores como el producto
matricial y la transpuesta.

Propiedades de la suma de matrices

Sean A, B y C matrices del mismo tamaño, O la matriz cero y c, d escalares.

a. A+B =B+A Conmutativa

b. (A + B) + C = A + (B + C) Asociativa
c. A+O =A Elemento Neutro Suma
d. A + −A = O Inverso Aditivo

Propiedades de la multiplicación por escalares

e. c(A + B) = cA + cB Distributiva Suma Matrices

f. (c + d)A = cA + dA Distributiva Suma Escalares
g. c(dA) = (cd)A Asociativa Producto Escalares
h. 1A = A Elemento Neutro Multiplicación

Combinaciones Lineales de Matrices

La matriz B es una combinación lineal de las matrices A1 , A2 , · · · Ak (del mismo
tamaño) si existen escalares c1 , c2 , · · · ck tal que

B = c1 A 1 + c2 A 2 + · · · + ck A k

El espacio generado por un conjunto de matrices es el conjunto de todas las

combinaciones lineales de las matrices A1 , A2 , · · · Ak .

Ejercicio 1: Escriba la matriz B como una C.L de las otras matrices (si es posible).


    
2 5 1 2 0 1
a. B = ; A1 = , A2 =
0 3 −1 1 2 1

B es una C.L. de A1 y A2 si c1 A1 + c2 A2 = B .

       
c1 2c1 0 c2 c1 2c1 + c2 2 5
+ = =
−c1 c1 2c2 c2 −c1 + 2c2 c1 + c2 0 3
56

El sistema tiene 4 ecuaciones y 2 incógnitas, su matriz aumentada es

     
1 0 |2 −→ 1 0 |2 1 0 |2
 2 1 |5 R2 − 2R1 0 1 |1 −→ 0 1 |1
     
−1 2 |0 R3 + R1 0 2 |2 R3 − 2R2 0 0 |0
1 1 |3 R4 − R1 0 1 |1 R4 − R1 0 0 |0

Hay una solución única c1 = 2, c2 = 1 y B = 2A1 + A2 es una CL de A1 y A2 .

Observación: Note que las columnas de la matriz aumentada contienen las entradas
de las matrices dadas. Si cada entrada de la matriz se lee de izquierda a derecha y de
arriba hacia abajo, se obtiene el sistema de la matriz aumentada.

Lo anterior es parecido a ”enderezar” una matriz como un vector columna.

     
2 1 0
5 2 1
El problema equivalente es encontrar si el vector 0 es una C.L de −1 y 2 .
    

3 1 1
       
3 2 1 1 0 −1 −1 1 0 0 1 1
b. B = ; A1 = , A2 = , A3 =
1 0 0 1 0 0 1 0 0 0 0 0

Enderece cada matriz como un vector y resuelva el sistema de ecuaciones equivalente.

     
1 −1 0 | 3 1 −1 0 | 3 1 0 0 | 2
 R1 + R4 
1 1 | 2  −→ 0 1 1 | 2  −→ 0 1 0 | −1
0  

−1 0 1 | 1 R3 + R1 0 −1 1 | 4  0 0 1 | 3 
 4 − R1 0 1 0 | −1 R2 ↔ R4 0 0 1 | 3 
 R    
1 1 0 | 1 2 2 
0 0 0 | 0  R3 + R2 0 0 0 | 0 
   
0 0 0 | 0
R4 − R2
0 0 0 | 0 0 0 0 | 0 0 0 0 | 0

La solución es única y B = 2A1 − A2 + 3A3 es una CL de las tres matrices.

Matrices Linealmente Independientes / Dependientes

El conjunto de matrices { A1 , A2 , · · · Ak } es:

Linealmente Independiente si la única solución de la ecuación

c1 A1 + c2 A2 + · · · + ck Ak = O es la solución trivial.

Linealmente Dependiente si existen coeficientes no triviales que satisfacen

la ecuación homogénea.
 57

Ejercicio 2: Determine si las siguientes matrices son linealmente independientes.

     
1 2 2 1 1 1
a. A1 = , A2 = , A3 = .
4 3 −1 0 1 1
 
Resuelva el sistema homogéneo u1 u2 u3 | 0 , donde cada ui es un vector co-
lumna obtenido al enderezar cada matriz como un vector columna.
     
1 2 1 | 0 −→ 1 2 1 | 0 −→ 1 2 1 | 0
2 1 1 | 0 R2 − 2R1 0 −3 −1 | 0 − R2 0 1 1/3 | 0
    3  
4 −1 1 | 0 R3 − 4R2 0 −9 −3 | 0 R3 + 9R2 0 0 0 | 0
3 0 1 | 0 R4 − 3R1 0 −6 − 2 | 0 R4 + 6R2 0 0 0 | 0

t t
Hay soluciones infinitas c1 = −c3 − 2c2 = , c2 = − , c3 = t, las matrices son LD.
3 3
       
1 0 0 1 0 0 0 0
b. E1 = , E2 = , E3 = , E4 = .
0 0 0 0 1 0 0 1

Estas matrices son L.I. al observarse que el sistema homogéneo tiene sólo solución
trivial c1 = c2 = c3 = c4 = 0 .
 
1 0 0 0 | 0
0 1 0 0 | 0
 
0 0 1 0 | 0
0 0 0 1 | 0

Las matrices estándar Eij tienen uno en un sola entrada y cero en el resto de las entradas.

Para una matriz m × n, hay mn matrices estándar L.I. que generan todo el espacio de las
matrices, el cual es Rmn .

Propiedades del Producto entre Matrices

El producto matricial NO es CONMUTATIVO.

Por ejemplo, dadas las matrices

     
1 0 −1 −3 2
A= , B= , X=
1 1 1 3 1
    
1 0 2 2
AX = =
1 1 1 3

pero el producto X2×1 A2×2 no existe.

58

Incluso, el producto no siempre es conmutativo AB 6= BA entre matrices cuadradas.

    
1 0 −1 −3 −1 −3
AB = =
1 1 1 3 0 0
    
−1 −3 1 0 −4 −3
BA = =
1 3 1 1 4 3

Otra propiedad contraintuitiva es que A2 = O, aunque A no sea la matriz cero.

      
−3 −9 2 −3 −9 −3 −9 0 0
Por ejemplo, A= , A = =
1 3 1 3 1 3 0 0

Por lo tanto, A2 = O no implica que A = O.

Propiedades del Producto entre Matrices

Sean A, B, y C tres matrices cuyas dimensiones internas coinciden y k un escalar.

a. A(BC) = (AB)C Asociativa

b. A(B + C) = AB + AC Distributiva por la izquierda
c. (A + B)C = AC + BC Distributiva por la derecha
d. k(AB) = (kA)B = A(kB) Escalar Distributivo
e. Im Am×n = Am×n In = A Identidad Multiplicativa

Ejercicio 3: ¿Qué condición debe haber entre A y B para que (A − B)(A + B) = A2 − B 2 ?

Utilice las propiedades distributivas para simplificar el lado izquierdo.

(A − B)(A + B) = A(A + B) − B(A + B) = A2 + AB − BA − B 2 = A2 − B 2

Sólo si AB = BA

Para que se cumpla esta igualdad las dos matrices deben ser conmutativas AB = BA.

Ejercicio 4: Dadas las siguientes matrices:

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

Simplifique y resuelva la ecuación 5X − 3A + 2B = 3X para X.

5X − 3X = 3A − 2B
   
6 12 2 4
2X = −
0 6 8 0
   
1 4 8 2 4
X= =
2 −8 6 −4 3
 59

Transpuesta de la Matriz

Propiedades de la Transpuesta

Sean Am×n , Bn×r dos matrices y k un escalar.

a) (AT )T = A

b) (A + B)T = AT + B T

c) (kA)T = kAT

d) (AB)T = B T AT

e) (Ar )T = (AT )r , r ∈ Z+ o 0

Ejercicio 5: Realice las siguientes operaciones (si es posible) para las matrices dadas.
   
0 1 1 4 2
A= B=
2 3 0 2 0
     
T 0 1 0 2 0 3
a) A+A = + =
2 3 1 3 3 6
   
1 0   1 4 2
1 4 2
b) B T B = 4 2 =  4 20 8 
0 2 0
2 0 2 8 4
 
  1 0  
T 1 4 2  21 8
c) BB = 4 2 =
0 2 0 8 4
2 0

Note que con estas operaciones matriciales se obtienen matices simétricas.

Propiedades Adicionales de la Transpuesta

Las siguientes matrices son simétricas, i.e., X T = X :

A + AT , B T B, BB T .

Comprobación Propiedades Adicionales

a) (A + AT )T = AT + (AT )T = A + AT , A + AT siempre es simétrica.

b) (BB T )T = (B T )T B T = BB T , BB T siempre es simétrica.

c) (B T B)T = (B T )(B T )T = B T B, BT B siempre es simétrica.

60

Ejercicios de Práctica
1. Resuelva la ecuación para X dado que
   
2 4 0 2
A= , B=
3 5 4 1

a) 3X − 2A + 3B = 2X
b) X T − AB = 3(X T − B T )

2. Si es posible, escriba la matriz B como una combinación lineal de las otras matrices.
       
2 5 1 1 0 0 0 0
a) B = , A1 = , A2 = , A3 =
0 3 0 0 1 1 0 1

       
2 5 0 0 2 0 0 0 0 9 0 0 0 2 0 0
b) B = 0 2 1 0 , A1 = 0 2 0 0 , A2 = 0 0 1 0 , A3 = 0 0 0 0
0 0 1 1 0 0 1 0 0 0 0 1 0 0 0 0

3. Determine si las matrices dadas son linealmente independientes.

     
2 4 0 0 2 0 0 0 0 2 0 0
a) 0
 2 1 0 ,
 0 2 0 0 , 0 0 0 0
0 0 1 1 0 0 1 0 0 0 0 0
           
1 0 0 1 0 0 0 0 0 0 2 2
b) , , , , ,
0 0 0 0 1 0 0 1 2 2 0 0

4. ¿Cuáles de las siguientes matrices son antisimétricas?

Una matriz cuadrada se llama antisimétrica si AT = −A.
 
1 −2 −3
a) A =  2 2 −3
−3 2 4

b) A − AT
 
0 2 3
c) B = 2 0 3
3 2 0
 61

8. Inversa de una matriz [2] (3.3)

En una variable, la solución de la ecuación: ax = b es x = a−1 b si a 6= 0.

Para n variables y ecuaciones, Ax = b se puede resolver si A tiene una matriz inversa.

Matriz Inversa
Si A es una matriz n × n, la inversa de A es una matriz A−1 con las propiedades:

AA−1 = In A−1 A = In

A es invertible si tiene inversa.

Ejercicio 1: Analice si las siguientes matrices tienen inversas.

   
4 11 −1 3 −11
a. A = , A =
1 3 −1 4
    
−1 3 −11 4 11 1 0
A A= =
−1 4 1 3 0 1
    
−1 4 11 3 −11 1 0
AA = =
1 3 −1 4 0 1
   
2 3 0 2 3 −3
b. A = 1 −2 −1 , A−1 = −1 −2 2 
2 0 −1 4 6 −7
    
2 3 −3 2 3 0 1 0 0
A−1 A = −1 −2 2  1 −2 −1 = 0 1 0
4 6 −7 2 0 −1 0 0 1
    
2 3 0 2 3 −3 1 0 0
AA−1 = 1 −2 −1 −1 −2 2  = 0 1 0
2 0 −1 4 6 −7 0 0 1

c. La matriz cero O no tiene inversa, no hay ninguna matriz tal que A−1 O = O 6= I.
 
1 1
d. A = Trate de resolver el sig. sistema de ecuaciones:
2 2
        
−1 a b 1 1 1 0 a + 2b a + 2b 1 0
A A= = =
c d 2 2 0 1 c + 2d c + 2d 0 1
   
a + 2b = 1 1 2 0 0 | 1 1 2 0 0 | 1
a + 2b = 0 1 2 0 0 | 0 R2 − R1 0 0 0 0 | −1
   
c + 2d = 0 0 0 1 2 | 0 −→ 0 0 1 2 | 0 
c + 2d = 1 0 0 1 2 | 1 R4 − R3 0 0 0 0 | 1

Como 0 6= −1 y 0 6= 1, el sistema no tiene solución y A NO tiene matriz inversa.

62

Observaciones:

Como no es posible realizar el producto A−1

m×n Am×n ,
una matriz rectangular Am×n no tiene inversa.

Si A tiene una matriz inversa, entonces su inversa es única.

Una matriz que tiene inversa se denota como matriz invertible.

Si A tiene una matriz inversa, entonces el sistema Ax = b,

se puede resolver multiplicando ambos lados por A−1 .

A−1 Ax = A−1 b
Ix = A−1 b
x = A−1 b

Si A es invertible, entonces la solución del sistema Ax = b es única, x = A−1 b .

Una matriz 2 × 2 es invertible si su determinante det(A) = ad − bc 6= 0. Su inversa inter-

cambia las entradas diagonales y multiplica cada entrada fuera de la diagonal por −1.

Inversa de una Matriz 2 × 2

 
a b
Para A = , si det(A) = ad − bc 6= 0, entonces la inversa de A es:
c d
 
−1 1 d −b
A =
det(A) −c a

Comprobación:
      
−1 1 d −b a b 1 da − bc −0 1 0
A A= = = = I
det(A) −c a c d ad − bc −0 −cb + ad 0 1
      
−1 1 a b d −b 1 ad − bc −0 1 0
AA = = = = I
det(A) c d −c a ad − bc −0 −cb + da 0 1

Ejercicio 2: Encuentre la inversa de la matriz indicada (si existe).

   
1 3 −1 7 −3
a. A = ; |A| = 7 − 6 = 1 6= 0, A =
2 7 −2 1



−3 −1
b. B = ; |B| = −30 + 30 = 0, B no es invertible y B −1 no existe.
30 10
 63

Ejercicio 3: Resuelva los siguientes sistemas de ecuaciones lineales usando la inversa de A.

x1 + 3x2 = 4
a. , en este caso Ax = b, donde:
2x1 + 7x2 = 6
   
1 3 4
A= , b=
2 7 6
    
7 −3 4 10
x = A−1 b = =
−2 1 6 −2
 
−3x1 − x2 = −12 −3 −1
b. , en este caso la matriz B = no es invertible.
30x1 + 10x2 = 120 30 10

Resuelva el sistema utilizando eliminación gaussiana.

   
−3 −1 | −12 −→ −3 −1 | −12
30 10 | 120 R2 + 10R1 0 0 | 0
t
Las soluciones son infinitas: x1 = 4 − , x2 = t.
3

Método Gauss-Jordan para encontrar la inversa de A

Hay un método sistemático para encontrar la inversa de A realizando operaciones ele-
mentales para reducir la matriz A a la matriz identidad I.

Método Gauss-Jordan para encontrar la inversa de A

1. Considere la matriz aumentada [ A | I ] .

2. Reduzca la matriz A a su FERR [ I | A−1 ] .

3. La matriz del lado derecho es la inversa de A.

A no es invertible si no se puede reducir a I.

Ejercicio 4: Encuentre la inversa de la siguientes matrices (si existen) usando reducción.

       
1 2 1 2 | 1 0 R1 − 2R2 1 0 | 1 −2 −1 1 −2
a. A = , A =
0 1 0 1 | 0 1 −→ 0 1 | 0 1 0 1
  
1 5 −1 −4 5
b. B = , La inversa es: B =
1 4 1 −1

 R + 5R2 
1 5 | 1 0 1
   
1 5 | 1 0 −→ 1 0 | −4 5
−→
1 4 | 0 1 R2 − R1 0 −1 | −1 1 0 1 | 1 −1
−R2
64

 
1 −1 0
c. C = 1 0 1
0 0 1
     
1 −1 0 | 1 0 0 1 −1 0 | 1 0 0 1 −1 0 | 1 0 0
1 0 1 | 0 1 0 −→ 0 1 1 | −1 1 0
−→ 
0 1 0 | −1 1 −1
R − R1 R2 − R3
0 0 1 | 0 0 1 2 0 0 1 | 0 0 1 0 0 1 | 0 0 1
   
1 0 0 | 0 1 −1 0 1 −1
R1 + R2 
0 1 0 | −1 1 −1 C −1 = −1 1
 −1
−→
0 0 1 | 0 0 1 0 0 1
 
1 1 2
d. D = 1 2 4, D no es invertible, porque D no se puede reducir a I3 .
0 3 6
     
1 1 2 | 1 0 0 1 1 2 | 1 0 0 R1 − R2 1 0 0 | 2 −1 0
1 2 4 | 0 1 −→ 
0 0 1 2 | −1 1 0 −→ 0 1 2 | −1 1 0
R2 − R1
0 3 6 | 0 0 1 0 3 6 | 0 0 1 R3 − 3R2 0 0 0 | 3 −3 1

Propiedades de las matrices inversas

Si A y B son matrices invertibles del mismo tamaño y k 6= 0 es un escalar.

a. (A−1 )−1 = A A−1 es invertible

b. (kA)−1 = k −1 A−1 kA es invertible
c. (AB)−1 = B −1 A−1 AB es invertible
d. (AT )−1 = (A−1 )T AT es invertible
e. (An )−1 = (A−1 )n An es invertible
f. A−n = (A−1 )n Poder negativo de una matriz

La propiedad c. se conoce como ”shoes and socks rule,” se comprueba de la sig. manera:
B −1 A−1 AB = B −1 IB = B −1 B = I
A−1 B −1 BA = A−1 IA = A−1 A = I
Esta propiedad se puede generalizar para un producto de matrices invertibles, el cual es
el producto de las inversas en el orden inverso.
(A1 A2 · · · An−1 An )−1 = A−1 −1 −1 −1
n An−1 · · · A2 A1

¡CUIDADO! No hay ninguna fórmula para la inversa de la suma (A+B)−1 6= A−1 +B −1 .

       
1 0 1 2 −1 1 0 −1 1 −2
Ejemplo: Las inversas de A = y B= son A = y B =
0 1 0 1 0 1 0 1
     
2 2 −1 0.5 −0.5 2 −2
A+B = pero (A + B) = 6= = A−1 + B −1
0 2 0 0.5 0 2
 65

Ejercicio 5: Resuelva para la matriz X en las sigs. ecuaciones, donde A y B son invertibles.

a. XA2 = A−1 Multiplique por la derecha por A−2 .

XA2 A−2 = A−1 A−2 , X = A−3

b. (A−2 X)−1 = B(A−1 B)−1

X −1 A2 = B(B −1 A)
X −1 A2 =A
X −1 A2 A−2 = AA−2
X −1 = A−1 , X=A

El siguiente teorema establece equivalencias entre varios conceptos del Álgebra Lineal.

Teorema Fundamental de las matrices invertibles

Sea A una matriz n × n, los siguientes enunciados son equivalentes:

a. A es invertible.

b. Ax = b tiene una única solución.

c. Ax = 0 sólo tiene la solución trivial.

d. La FERR de A es la matriz Identidad.

Consecuencias del Teorema Fundamental de las Matrices Inversas

Sólo es necesario verificar que A−1 A = I para que A−1 sea la inversa de A .

Permite encontrar la inversa de A utilizando la Eliminación Gauss - Jordan.

66

Ejercicios de Práctica
1. Encuentre la inversa (si existe) de las siguientes matrices.
   
1 −2 −3 0 2 3
a) A =  2 2 −3 c) C = 2 0 3
−3 2 4 3 2 0
   
1 2 3 2 0 0
b) B = 1 3 5  d) D = 1 0 0
1 5 12 0 0 8

       
1 1 17 25 −1 4 −1 −1 −3 25
2. A = y B= tienen inversas A = y B = .
3 4 2 3 −3 1 2 −17

Utilice propiedades para encontrar las inversas de las siguientes matrices:

a) AB
b) (A2 )T
c) ¿Es cierto que (A + B)−1 = A−1 + B −1 ? Evalúe y explique.

3. Un grupo de inversionistas decide invertir $ 500 mil en las acciones de tres com-
pañı́as. La compañı́a D vende en $ 60 una acción y tiene un retorno esperado del
16 % anual. La compañı́a E vende en $ 80 cada acción y tiene un retorno esperado
de 12 % anual. La compañı́a F vende cada acción en $ 30 y tiene un retorno esperado
de 9 % anual. El grupo planea comprar cuatro veces más acciones de la compañı́a F
que de E. La meta del grupo es obtener un 13.68 % de retorno anual.

a) Dadas las restricciones, construya el sistema de ecuaciones Ax = b.

b) ¿Cuántas acciones de cada compañı́a se deben comprar los inversionistas?
c) Los inversionistas tienen una estrategia más agresiva de inversión, donde desean
comprar el doble de acciones de la compañı́a F que de la E y tienen la meta de
14.52 % de retorno. ¿Cuántas acciones de cada tipo se deben comprar?
 67

9. Subespacios, base, dimensión y rango [2] (3.5)

Definición de Subespacio

Un subespacio es un un conjunto S de vectores en Rn tal que si ~u, ~v ∈ S, entonces

~0 ∈ S

~u + ~v ∈ S Cerrada bajo la adición

c~u ∈ S Cerrada bajo la multiplicación por un escalar

Al combinar las 3 operaciones, un subespacio S es cerrado bajo una combinación lineal.

c1~u1 + c2~u2 + · · · + cn~un ∈ S

Ejemplos de subespacios:

Cada recta que pasa por el origen en R2 ó R3 es un subespacio.

Cada plano que pasa por el origen en R3 también es un subespacio.

El subespacio trivial, el cual incluye sólo al vector cero ~0, también es un subespacio.

El subespacio más usado es gen(~u1 , ~u2 , · · · , ~uk ).

Un subespacio también se puede referir como un espacio.

Teorema
El espacio generado por los vectores ~u1 , ~u2 , · · · , ~uk , gen(~u1 , ~u2 , · · · , ~uk ), es un
subespacio en Rn .

En este caso,

gen(~u1 ) genera a una recta que pasa a través del origen.

gen(~u1 , ~u2 ) genera a un plano que pasa a través del origen.

gen(~u1 , ~u2 , ~u3 ) genera a un cubo que pasa a través del origen.
68

Subespacios asociados con matrices

Se pueden crear nuevos subespacios con cada vector columna o renglón de una matriz.

Espacios renglón y columna

Sea A una matriz m × n .

El espacio renglón de A, denotado como ren(A), es el subespacio de Rm

generado por los renglones de A.

El espacio columna de A, denotado como col(A), es el subespacio de Rn

generado por las columnas de A.

   
1 1 3 1  
Ejercicio 1: Sean A = , b= y w= 1 2 7
0 2 2 4

a. Determine si b está en el espacio columna de A.

       
1 1 3 1
Encuentre escalares tales que c1 + c2 + c3 = .
0 2 2 4

 R − 0.5R2  c1 = −1 − 2t
1 1 3 | 1 1
 
1 0 2 | −1
−→ c2 = 2 − t
0 2 2 | 4 0 1 1 | 2
0.5R2 c3 = t

Hay infinitas soluciones, por lo que b está en col(A) .

b. Determine si w se encuentra en el espacio renglón de A.

     
Encuentre escalares tales que c1 1 1 3 + c2 0 2 2 = 1 2 7 .
     
1 0 | 1 −→ 1 0 | 1 −→ 1 0 | 2
1 2 | 2 R2 − R1 0 2 | 1 0.5R2 0
  1 | 0.5
3 2 | 7 R3 − 3R1 0 2 | 4 R3 − R2 0 0 | 3

Como no hay solución, 0 6= 3 , w no está en ren(A).

Observaciones:
 
Si b está en el espacio columna de A, entonces hay que resolver el sistema A | b .

El espacio renglón es equivalente al espacio columna de AT , ren(A) = col(AT ).

Si w está en el espacio renglón de A, entonces hay que resolver el sistema AT ~c = w

~T.
 69

Espacios Nulos

Espacio Nulo

El espacio nulo de A, denotado como nul(A), es el subespacio Rn que se com-

pone de todas las soluciones del sistema homogéneo Ax = 0 .

Ejercicio 2: Encuentre el espacio nulo para las siguientes matrices.

 
1 1 1 2
a. A = 2 1 1 1, resuelva el sistema homogéneo [ A | 0 ]
3 2 2 3
    R1 + R3  
1 1 1 2 | 0 −→ 1 1 1 2 | 0 1 0 0 −1 | 0
2 1 1 1 | 0 R2 − 2R1 0 −1 −1 −3 | 0 −→ 0 1 1 3 | 0
−R2
3 2 2 3 | 0 R3 − 3R2 0 −1 −1 −3 | 0 0 0 0 0 | 0
R3 + R2
Las variables libres son x3 = t3 y x4 = t4 , la solución del sistema es:
     
t4 0 1
−t3 − 3t4  −1 −3
s =   = t3   + t4  
 t3  1 0
t4 0 1
 T  T
El espacio nulo son las CLs de los vectores 0 −1 1 0 y 1 −3 0 1 .
 
1 2
2 1 T
b. B = 3 6, el espacio nulo es sólo el vector cero, [0, 0] .


5 7
     
1 2 | 0 −→ 1 2 | 0 1 2 | 0
2 1 | 0 R2 − 2R1 0 −3 | 0 − 1 R2 0 1 | 0
    3  
3 6 | 0 R3 − 3R1 0 0 | 0 −→ 0 0 | 0
5 7 | 0 R4 − 5R1 0 −3 | 0 R4 − 3R2 0 0 | 0

La única solución es la trivial, el espacio nulo es el subespacio trivial.

Teorema: Consecuencias de los Espacios Nulos

Para cualquier sistema de ecuaciones lineales Ax = b, exactamente cada uno de

los casos siguientes es verdadero.

a. No hay solución.

b. Hay solución única.

c. Existe un número infinito de soluciones.

70

Bases
Las bases permiten construir cada subespacio usando un número finito de vectores.

Bases
Una base de un subespacio S en Rn es un conjunto de k vectores que:

Genera a todo S.

Es linealmente independiente.

Ejemplos:
   
1 2
B= , es una base para R2 porque genera a todo el plano y los vectores son LI.
3 3
       
1 0 1 1
Observe que B1 = , y B2 = , son también bases para R2 .
0 1 2 3

Observaciones:

La base para R2 o cualquier otro espacio NO es única.

Existen varias bases para un subespacio en Rn .

Cualquier base para R2 sólo tiene 2 vectores.

Cualquier subespacio tiene bases con el mismo número de vectores LI.

Ejercicio 3: Encuentre una base para S = gen(u, v, w) .

     
1 0 1
u = −1 ,
  v= 1 ,
  w = 0

0 1 1

Note que los vectores no son LI porque u + v = w y no pueden ser una base para R3 .

Elimine el tercer vector, como gen(u, v) = gen(u, v, w),

   
 1 −1 
B=  −1 ,
  0 es una base para gen(u, v, w).
0 1
 

Base estándar para Rn

La base estándar para Rn es E = { e1 , e2 , · · · en }, donde

 
e1 e2 · · · en = In
 71

Ejercicio 4: Encuentre una base para el espacio nulo de la matriz A .

 
1 1 3 1 1
A = 4 4 13 5 6
2 2 6 3 3

Resuelva el sistema homogéneo [ A | 0 ].

     
−→ 1 1 3 1 1 | 0 R1 −R3 1 1 3 0 0 | 0 1 1 0 0 −3 | 0
R1 −3R2
R2 −4R1 0 0 1 1 2 | 0 R2 −2R3 0 0 1 0 1 | 0 0 0 1 0 1 | 0
−→
R3 −2R1 0 0 0 1 1 | 0 −→ 0 0 0 1 1 | 0 0 0 0 1 1 | 0

Las variables libres son x2 = t2 , x5 = t5 .

La solución s se puede reescribir como una combinación lineal de dos vectores u, v.

     
−t2 + 3t5 −1 6

 t2



 1 
0
 
s =  −t5  = t2  0  +t5 −1
    

 −t5  0 −1
t5 0 1
| {z } | {z }
u v

   

 −1 3 
 1   0 

  
  
Una base para el espacio nulo son los vectores u, v: Bnul =  0 −1
 ,  


  0 −1
 
0 1
 
     
 1 −1 1 
Ejercicio 5: Explique si B = −1 , 5 , 3
    es una base para R3 .
3 1 1
 
   
c1 a
Si el sistema homogéneo [ B|0 ] tiene solución trivial, entonces el sistema B c2  =  b 
c3 c
tiene solución única y los tres vectores columnas son LI.
     
1 −1 1 | 0 −→ 1 −1 1 | 0 −→ 1 −1 1 | 0 c1 = 0
−1 5 3 | 0 R2 + R1 0 4 4 | 0 0.25R2 0 1 1 | 0 c2 = 0
3 1 8 | 0 R3 − 3R1 0 4 5 | 0 R3 − R2 0 0 1 | 0 c3 = 0

La única solución es trivial, el conjunto B es LI y genera a R3 .

Por lo tanto, B es una base para R3 .
72

Dimensión y Rango
Cualesquiera dos bases para un subespacio S tienen el mismo número de vectores.

La dimensión de S, dim(S), es el número de vectores de una base de S.

El rango y la nulidad de una matriz A dependen de la dimensión de una base.

Rango y Nulidad

Sea A una matriz n × n.

El rango de una matriz A, rango(A), es la dimensión de su espacio renglón.

La nulidad de una matriz A, nulidad(A), es la dimensión de su espacio nulo.

Propiedades
Los espacios renglón y columna de una matriz A tiene la misma dimensión.
El rango de AT es el mismo que el rango de A.
El rango de una matriz es el número de renglones distintos de cero en su FER.

Teorema del rango

Si A es una matriz m × n, entonces

rango(A) + nulidad(A) = n

Reduzca la matriz A a su forma escalonada y cuente el número de variables principales

para encontrar su rango y el número de variables libres para encontrar su nulidad.

Ejercicio 6: Encuentre el rango y nulidad de las siguientes matrices.

     
1 1 0 1 1 0 1 1 0
Rango de A: 3
a. A = 0 1 1 −→ 0 1 1 −→ 0 1 1
Nulidad de A: 0
1 0 1 R3 − R1 0 −1 1 R3 + R2 0 0 2
     
1 3 1 4 −→ 1 3 1 4 1 3 1 4
b. B = 2 9 4 9 R2 − 2R1 0 3 2 1  −→ 0 3 2 1
1 0 −1 3 R3 − R1 0 −3 −2 −1 R3 + R2 0 0 0 0

El rango de B es: 2 (2 variables principales)

La nulidad de la matriz B es: 2 (2 variables libres)
 73

Bases para el espacio columna, renglón y nulo

Para encontrar una base para estos espacios es necesario reducir la matriz A a su forma
escalonada por renglones (FER) ó a su forma escalonada reducida por renglones (FERR).

Las matrices equivalentes por renglones tienen los mismos subespacios.

Teorema: Matrices Elementales y Subespacios

Si R una matriz que es equivalente por renglones a A, entonces

ren(A) =ren(R)

col(A)=col(R)=ren(RT )

La FER nos permite determinar una base para varios subespacios, además del rango de A.

Procedimiento para encontrar las bases de espacios

1. Encuentre la matriz R FER ó FERR de la matriz A.

2. Los renglones no cero de R forman una base para ren(A).

3. Las columnas con variables principales de R forman una base para col(A).

4. Resuelva el sistema Rx = 0.
Escriba la solución como una CL de f vectores con las variables libres.

5. Los f vectores son un base para nul(A).

 
1 1 −3 0
Ejercicio 7: Sea A = , encuentre una base para ren(A), col(A) y nul(A).
1 1 −4 2
Reduzca la matriz A a su forma reducida por renglones (FERR).

    R1 −3R2  
1 1 −3 0 −→ 1 1 −3 0 1 1 0 −6
−→ =R
1 1 −4 2 R2 −R1 0 0 −1 2 0 0 1 −2
−R2

Las 2 columnas con entradas principales son una base para el espacio columna de A
   
1 0
BC = ,
0 1

Los 2 renglones diferentes de cero son una base para el espacio renglón de A
   
BR = 1 1 0 −6 , 0 0 1 −2
74

 
Para encontrar una base para el espacio nulo resuelva el sistema homogéneo R | 0 .
 
1 1 0 −6 | 0
0 0 1 −2 | 0
 T
La segunda y cuarta variables son libres, la solución s = w x y z
   
w = −t1 + 6t2 −1 6
x = t1 +  1 
0 t2
 
, s= t1 +
y= +2t2 0 2
z= +t2 0 1

s es una combinación lineal de dos vectores, los cuales son una base para el espacio nulo.
   

 −1 6 
   
1  0

BN =   ,  


 0 2  
0 1
 
 75

Ejercicios de Práctica

1. Para las siguientes matrices, determine si b está en col(A) y si w está en renglón(A).

   
1 0 −1 3  
a) A = , b= , w = −1 1 1
1 1 1 2
   
1 1 −1 1  
b) A = 1 3 0 , b = 2 ,
 w = 1 −3 −3
3 −1 −5 1

 
1 0 −1
2. Para la matriz A =
1 1 1
 
−1
a) ¿Está v =  3  en nul(A)?
−1
 
7
b) ¿Está v = −1 en nul(A)?

2

3. Dada la matriz A, encuentre bases para ren(A), col(A) y nul(A).

Encuentre su rango y su nulidad y explique si la matriz es invertible.
 
1 0 −1
a) A=
1 1 1
 
1 1 −1
b) A = 1 5 1
1 −1 −2
 
1 1 0 1
c) A = 0 1 −1 1 
0 1 −1 −1
 
2 −4 0 2 1
d) A = −1 2 1 2 3
1 −2 1 4 4

4. Si A es una matriz de 3 × 5.

a) Explique por qué las columnas de A deben ser linealmente dependientes.

b) ¿Cuáles son los posibles valores de nulidad(A)?
76

5. Si A es una matriz de 4 × 2.

a) Explique por qué las columnas de A deben ser linealmente dependientes.

b) ¿Cuáles son los posibles valores de nulidad(A)?

6. Encuentre todos los posibles valores del rango de la matriz A cuando el parámetro
a varı́a. Utilice reducción y reduzca la matriz a su forma escalonada.

 
1 0 a
a) A = −2 4a 2
a −2a 1
 
a 2 −1
b) A =  3 3 −2
−2 −1 a
 77

10. Determinantes [2] (4.2)

El determinante de una matriz 1 × 1 A = [a11 ] es det A = a11 .

El determinante de una matriz 2 × 2, denotado como det A, es la diferencia entre el

producto de cada una de las diagonales.
 
a b 
det A =   = ad − bc
c d

Por ejemplo,
 
2 4 
1 3 = 2(3) − 4(1) = 2
 

El determinante de A3×3 es la suma de 3 determinantes 2 × 2.

 
a11 a12 a13       
 a22 a23  a21 a23  a21 a22 
det A = a21 a22 a23  = a11  
a32 a33  −a22  
a31 a33  +a33  
a31 a32 
a31 a32 a33  | {z } | {z } | {z }
elimine fila 1 y columna 1 elimine fila 1 y columna 2 elimine fila 1 y columna 3

La submatriz Aij se obtiene al eliminar el renglón i y la columna j de A .

El determinante de A se calcula al sumar determinantes de submatrices 2 × 2.

Determinante de una matriz 3 × 3

det A = a11 det A11 − a12 det A12 + a13 det A13

Note que los signos se alternan dependiendo si la suma de los subı́ndices es par o impar.

Por ejemplo, calcule el determinante de la siguiente matriz

 
1 0 2       
  −2 1 3 1  3 −2
3 −2 1 = 1 
−1 0 − 0 0 0 + 2 0 −1
    
 
0 −1 0
= 1(0 + 1) − 0(0 + 0) + 2(−3 + 0) = 1 + 0 − 6 = −5

Usando la fórmula de sumatoria, el determinante se expresa de manera compacta como:

3
X
det A = (−1)1+j a1j det A1j
j=1
78

Determinantes de matrices cuadradas

El determinante de una matriz n × n se encuentra al expandirlo (sumar) a determinantes
de submatrices (n − 1) × (n − 1), las cuales a su vez se expanden a determinantes de
submatrices (n − 2) × (n − 2).

Determinante de una matriz n × n

El determinante de una matriz n × n es el escalar
n
X
det A = (−1)1+j a1j det A1j
j=1

det Aij se conoce como el menor (i, j) de A .

Esta fórmula se conoce como la expansión por cofactores a lo largo del primer renglón,
porque el determinante se desarrolla sobre el primer renglón A1j , j = 1, · · · n.

Para encontrar el determinante de una matriz se obtiene el mismo resultado si se desarro-

lla alrededor de otro renglón ó incluso una columna.

Teorema de Expansión de Laplace

El determinante de una matriz n × n A = [aij ] es:

n
X
det A = (−1)k+j akj det Akj Expansión cofactores k-ésima fila
j=1
n
X
det A = (−1)i+j aij det Aij Expansión cofactores j-ésima columna
i=1

 
2 8 1
Ejercicio 1: Considere la matriz A = 2 0 2.
4 2 3

a. Calcule el determinante de A expandiendo alrededor de la segunda fila.

 
 2 8 1       
 2 0 2  = −2 8 1 + 0 2 1 − 2 2 8 = −2(22) + 0 − 2(−28) = −44 + 56 = 12
       
  2 3  4 3  4 2 
 4 2 3 

b. Calcule el determinante de A expandiendo alrededor de la segunda columna.

 
 2 8 1       
 2 0 2  = −8 2 2 + 0 2 1 − 2 2 1 = −8(−2) + 0 − 2(2) = 16 − 4 = 12
       
  4 3  4 3  2 2 
 4 2 3 
 79

La evaluación de una determinante se simplifica si se desarrolla (expande) alrededor de

una fila o de una columna que contenga varios ceros.

Ejercicio 2: Encuentre el determinante de la matriz indicada.

Desarrolle alrededor de la cuarta columna porque ésta tiene 3 entradas iguales a cero.
 
 1 3 0 0   
   1 3 0 
 4 2 2 2   
det A =   = −0|A14 | + 2  3 0 1  − 0|A34 | + 0|A44 |
 3 0 1 0 
  
 2 1 0 
 2 1 0 0 
   
 1 3 
det A = 2 0 −    + 0 = −2(−5) = 10
2 1 

Determinantes de matrices triangulares y diagonales

Sus determinantes son simplemente el producto de sus entradas diagonales.
 
 a11 0 0 0 0   
  a22 0 0 0 
 a21 a22 0 0 0   
   a32 a33 0 0 
det A =  a31 a32 a33 0 0  = a11   = a11 a22 a33 a44 a55
 a42 a43 a44 0 

 a41 a42 a43 a44 0 
   a52 a53 a54 a55 
 a51 a52 a53 a54 a55 

Propiedades de las determinantes

Si una matriz A tiene:

a. una fila ó una columna de ceros, entonces det A = 0 .

b. dos filas ó dos columnas repetidas, entonces det A = 0 .

n
Y
c. forma triangular, entonces det A = a11 a22 · · · ann = aii .
i=1

Si una matriz B se obtiene al realizar operaciones elementales sobre la matriz A:

I. Eliminar un renglón (columna) Ri − kRj de A, entonces det B = det A .

II . Intercambio dos renglones (columnas) de A, entonces det B = − det A .

III . Multiplicar un renglón (columna) de A por k, entonces det B = k det A .

Note que sólo las operaciones elementales de intercambiar renglones y multiplicar un

renglón por un escalar cambian el valor del determinante de A.
80

Ejercicio 3: Calcule el determinante de la matriz A reduciéndola a su forma (FER).

     
1 3 −4 5 −→ 1 3 −4 5 1 3 −4 5
1 4 −3 2  R2 − R1 0 1 1 −3 0 1 1 −3
A=     =R
2 6 −6 9 R3 − 2R1 0 0 2 −1 −→ 0 0 2 −1
−1 −1 6 2 R4 + R1 0 2 2 7 R4 − 2R2 0 0 0 13

Como no hubo intercambio entre renglones ni multiplicación de una fila por un escalar:

A = det R = 26

Existen varias relaciones entre las operaciones matriciales y sus determinantes.

Determinantes de Operaciones Matriciales

Si A y B son matrices n × n, entonces

4.6 A es invertible si y sólo si det A 6= 0 .

4.7 det(kA) = k n det(A)

4.8 det(AB) = det(A) det(B)

1
4.9 det(A−1 ) = , si A es invertible.
det A
4.10 det(AT ) = det(A)

¡CUIDADO! La determinante de una suma NO se distribuye det(A+B) 6= det A+det B.

El siguiente ejemplo nos ilustra que: det(A + B) 6= det A + det B.

     
2 1 3 0 5 1
A= B= A+B =
0 3 1 2 1 5
det A = 6 det B = 6 det(A + B) = 24 6= det A + det B

4.2.2 Regla de Cramer y la matriz adjunta

Notación adicional: Para una matriz An×n y un vector bn×1 se denota como Ai (b)
a la matriz obtenida al reemplazar la iésima columna de A por el vector b .
 
Ai (b) = a1 · · · b · · · an

Utilizando esta notación, la regla de Cramer nos proporciona una fórmula que nos per-
mite resolver sistemas de ecuaciones utilizando determinantes.
 81

Regla de Cramer

Si An×n es invertible, entonces el sistema Ax = b tiene la solución única:

det Ai (b)
xi = i = 1, 2, · · · n
det A

Ejercicio 4: Utilice la regla de Cramer para resolver los siguientes sistemas.

   
2x1 − x2 = 5 2 −1 5
a. , A= , b= , det A = 6 + 1 = 7 6= 0
x1 + 3x2 = −1 1 3 −1
   
det A1 (b) 1  5 −1 15 − 1 det A2 (b) 1 2 5  −2 − 5
x1 = =  = = 2, x2 = =  = = −1
det A 7 −1 3  7 det A 7 1 −1 7
   
x1 − x3 = 2 1 0 −1 2  
1 −1
b. x2 − x3 = 3, A = 0 1 −1 , b = 3 ,
 det A = 1   = 2 6= 0
1 1
x2 + x3 = 1 0 1 1 1

     
2 0 −1 1 2 −1 1 0 2
det A1 (b) =  3 1 −1  = 2, det A2 (b) =  0 3 −1  = 2, det A3 (b) =  0 1 3  = −2
1 1 1 0 1 1 0 1 1

det A1 (b) det A2 (b) det A1 (b)

x1 = =1 x2 = =2 x3 = = −1
det A det A det A

Inversa de una matriz, Método de la Adjunta

La matriz inversa A−1 se puede encontrar calculando el determinante de todas las sub-
matrices Aij de A.

Inversa de una Matriz, Método de la Adjunta

La matriz adjunta de A, adjA, contiene los determinantes de las submatrices Aij .

adj A = [aij ] = [ (−1)i+j |ATij | ]

 T
|A11 | −|A12 | · · · (−1)n+1 |A1n |
 −|A21 | |A22 | · · · (−1)n+2 |A2n | 
adj A = 
 
.. .. .. .. 
 . . . . 
n+1 n+2 n+n
(−1) |An1 | (−1) |An2 | · · · (−1) |Ann |

1
Si An×n es una matriz invertible, entonces A−1 = adjA
det A
82

Ejercicio 5: Calcule la inversa de la siguiente matriz utilizando el método de la adjunta.

 
0 1 0 
2 8 

A= 2 4 8
  det A = −1   =8 A es invertible
1 0
1 0 0
     
4 8  2 8  2 4 
det A11 =   =0 det A12 =   = −8 det A13 =   = −4
0 0 1 0 1 0
     
1 0  0 0  0 1 
det A21 =   =0 det A22 =   =0 det A23 =   = −1
0 0 1 0 1 0
     
1 0  0 0  0 1 
det A31 =  =8 det A32 =  =0 det A33 =   = −2
4 8 2 8 2 4
 T  
0 8 −4 0 0 1
1
adj A = 0 0 1  A−1 = adjA =  1 0 0 
8
8 0 −2 − 12 81 − 14

El método de la adjunta se utiliza para encontrar la inversa de una matriz 3 × 3.

   
a b c ei − f h bi − ch bf − ce
1 
A = d e f  A−1 = dh − eg ai − cg af − cd
det A
g h i di − f g ah − bg ae − bd
 83

Ejercicios de Práctica
1. Calcule los determinantes de las siguientes matrices.
   
2 3 0 0 1 2
a) A = 2 0 2
  c) C = 0 4
 2
0 3 2 2 1 0
   
9 8 7 1 −1 1
b) B = 6 5 4
  d) D = −1
 1 −1
3 2 1 1 −1 1

2. Calcule los determinantes expandiendo a lo largo de cualquier renglón o columna

que parezca conveniente.
   
2 4 0 8 1 8 0 8 1
0 1 2 4 2 3 0 3 2
a) A =    
0 2 0 0 c) C = 0 0 1 0 0 

1 4 8 0 6 2 0 2 6
1 8 0 8 1
 
  k 0 0 0 k
0 0 0 1 0 k 0 k 0
 
0 0 1 2 d) D =  0 0 k 0 0
b) B =    
0 1 2 4 k 0 k 0 k 
1 2 4 8 k k k k k

3. Encuentre los determinantes de los siguientes ejercicios suponiendo de que

 
a b c 
 
det A = d e f  = 8
g h i 
   
a b c  g h i 
   
a) 5d 5e 5f  c) d 4e f 
g h i  a b c 
   
a 4b c   a b c 
   
b) d 4e f  d) d + a e + b f + c
g 4h i   g h i 

4. Halle los valores de d para los cuales la matriz es invertible.

   
d −d 3 d d 0
a) A = 0 d + 1 1  b) B = d2 2 d
0 8 d−1 0 d d
84

5. Utilice propiedades de los determinantes para evaluar el determinante dado por

inspección. Explique su razonamiento.
   
1 1 1 10 2 3
   
a) 3 3 3 c)  0 5 1
0 4 0  0 0 2
   
0 0 0 0 0  1 1 2 4 5
  
2k k 3k k 4k  1 0 1 5 4
  
b)  k
 k k 2k k   d) 1 1 2 4 5
 k −k k −k k  1 0 1 5 4
  
k k k k k  1 1 2 4 5

6. Suponga que A y B son matrices 10 × 10 cuyos determinantes son -2 y 4.

Utilice propiedades para encontrar los determinantes indicados.

a) det(AB) d) det(A−1 BA)

b) det(A3 ) e) det(2AT )
c) det(AT BA) f ) det(2B −1 )

7. Use la regla de Cramer para resolver el sistema lineal dado, a y b son constantes.

x + ay = 2 ax + 2y = 6
a) , a 6= 0 c) , a 6= b
x − ay = 4 bx + 2y = 8
x+y =a x + y + az = 1
b) x + y + z = 0 d) x + +az = 0 , a 6= 0
x−y =b x − ay =1

8. Utilice el método de la matriz adjunta para calcular la inversa de la matriz propor-

cionada, a y b son constantes.
   
a 1 a 2
a) A = , a 6= ±1 c) C = , a 6= b
1 a b 2
   
1 1 a 1 −1 0
b) B = 1 0 a , a 6= ±0 d) D = 1 1 0
1 −a 0 1 1 0.5
 85

11. Conceptos Fundamentales del Álgebra Matricial [2] (3.5)

Teorema Fundamental de las Matrices Invertibles

El siguiente teorema establece equivalencias entre varios conceptos del Álgebra Lineal.

Teorema Fundamental de las matrices invertibles:

Sea A una matriz n × n, los siguientes enunciados son equivalentes:

a. A es invertible.

b. Ax = b tiene una única solución.

c. Ax = 0 sólo tiene la solución trivial.

d. La FERR de A es la matriz Identidad.

e. El determinante de la matriz A no es cero det A 6= 0.

f. A es el producto de matrices elementales.

g. rango(A) = n

h. nulidad(A) = 0

i. Los vectores columna de A son linealmente independientes.

j. Los vectores columna de A generan Rn .

k. Los vectores columna de A forman una base para Rn .

l. Los vectores renglón de A son linealmente independientes.

m. Los vectores renglón de A generan Rn .

n. Los vectores renglón de A forman una base para Rn .

Consecuencias del Teorema Fundamental de las Matrices Inversas

Conecta los conceptos de inversas, solución única, independencia lineal, bases y

determinantes como conceptos equivalentes.

Simplifica varios ejercicios, porque permite analizar independencia lineal por medio
de un determinante.

Presenta criterios simplificadores para analizar bases y conjuntos generadores.

86

Ejercicio 1: Considere la matriz A.

   
1 0 0 2
A =  3 a2 − 4 2 , a ∈ R, b = 4
2
2 0 a − 2a 8
a. ¿Para cuáles valores de a es det A 6= 0?
 
1 0 0   2 
 2
a − 4 2  2 2
det(A) = 3 a − 4
 2  = 1
  2  = (a − 4)(a − 2a)
2 0 a − 2a
2 0 a − 2a

Los ceros de |A| = a(a − 2)2 (a + 2) = 0 son a = −2, 0, 2

det A 6= 0 cuando a 6= −2, 0, 2
b. ¿Tiene el sistema Ax = b una solución única si a = 1?

Ax = b tiene solución si y sólo si det A 6= 0 ó si es invertible.

SI, el sistema tiene solución única porque A es invertible cuando a = 1.

c. ¿Tiene el sistema homogéneo Ax = ~0 sólo la solución trivial si a = 2?

El sistema homogéneo tiene solución trival si y sólo si det A 6= 0

NO, no hay sólo solución trivial porque det A = 0 cuando a = 2.

d. Encuentre la forma reducida por renglones de A si a = 100.

La forma reducida de A es la matriz identidad si y sólo A es invertible.

Como A es invertible cuando a = 100, la FERR de A es I3

e. ¿Son las columnas de A linealmente independientes si a = 20?

Las columnas de A son L.I. si sólo si A es invertible ó det(A) 6= 0.

Como det A 6= 0 cuando a = 20, entonces las columnas de A son L.I.

f. ¿Pueden las columnas de A generar a R3 si a = −2?

Las columnas de A pueden generar a R3 si y sólo A es invertible.

Cuando a = −2, det A = 0. Las columnas de A NO generan a R3 .

 
g. ¿Está el vector w = 1 5 10 en ren(A) si a = 3000?

w está en ren(A) si y sólo si det A 6= 0 ó si ren(A) = R3 .

Cuando a = 3000, det A 6= 0. w SI está en ren(A).
 87

Ejercicio 2: Considere la siguiente matriz.

 
k 2 0
A = 3 6 0 
2 3 2−k
a. Encuentre los valores de k para los cuales la matriz A es invertible.
 
k 2
det A = (2 − k)   = (2 − k)(6k − 6)
3 6

A es invertible cuando det A 6= 0 por lo que k 6= 2, 1.

b. Encuentra la forma reducida por renglones de A si k = 1.

A no es invertible para k = 1, por lo que su FERR no es la matriz identidad.

       
1 2 0 −→ 1 2 0 −→ 1 0 2 1 0 2
3 6 0 R2 − R1 0 0 0 R1 + 2R3 0 −1 1 −→ 0 1 −1
−R2
2 3 1 R3 − 2R1 0 −1 1 R2 ↔ R3 0 0 0 0 0 0

c. Explique si los vectores renglón de A generan a R3 si k = −50.

Para k = −50, det A 6= 0 ó A es invertible.
Los tres vectores renglón de A si generan a R3 .

d. Encuentre bases para el espacio columna, renglón y nulo de A si k = 2.

A no es invertible para k = 2, por lo que las bases para col(A) y ren(A) no pueden ser
la base estándar.

Reduzca la matriz A a su forma FER ó FERR.

       
2 2 0 R1 /2 1 1 0 −→ 1 1 0 −→ 1 0 0
3 6 0 R2 /3 1 2 0 R2 − R1 0 1 0 R1 − R2 0 1 0
2 3 0 −→ 2 3 0 R3 − R1 0 1 0 R3 − R2 0 0 0
   
 1 0 
Base para col(A): BC = 0 , 1
0 0
 
   
Base para ren(A): BR = 1 0 0 , 0 1 0

Solución del espacio nulo x = 0, y = t, z = t.

 
 0 
Base para nul(A): BN = 0
1
 
88

Matrices Elementales

Una matriz elemental es cualquier matriz que se puede obtener al realizar una
operación elemental por renglón sobre una matriz identidad.

Multiplique un renglón por el escalar k 6= 0, como en kR2 .

 
1 0 0 0
0 k 0 0
E1 = 0 0

1 0
0 0 0 1

Intercambie renglones, como en R2 ←→ R3 .

 
1 0 0 0
0 0 1 0
E1 = 
0 1 0

0
0 0 0 1

Sume un múltiplo de fila a otra, como en R4 + kR2 .

 
1 0 0 0
0 1 0 0
E1 = 
0 0 1 0


0 k 0 1
     
1 2 −1 1 −1 0 1 2 −1
Ejercicio 3: Sean A = 1 1 1 , B = 1 1 1, C = 1 1 1  .
1 −1 0 1 2 1 2 1 −1
Encuentre una matriz elemental E que satisface la ecuación.

a. E1 A = B Intercambie el primer y tercer renglones de A, R1 ←→ R3 .

 
0 0 1
E1 = 0 1 0
1 0 0
 89

b. E2 C = A Sume al tercer renglón el negativo del primero, R3 − R1 .

 
1 0 0
E2 =  0 1 0 
−1 0 1

El producto EA incorpora la operación elemental usada por la matriz elemental E.

La inversa de cada matriz elemental es una matriz elemental del mismo tipo.

Ejercicio 4: Encuentre la operación por renglones y la inversa para cada matriz elemental dada.
   
1 0 0 1 0 0
a. E1 = −2 1 0 es R2 − 2R1 , la inversa es R2 − 2R1 : E1−1 = 2 1 0
0 0 1 0 0 1
   
1 0 0 1 0 0
1
b. E2 = 1 25 0 es 25R2 , la inversa es R2 : E2−1 = 1 25 1
0
25
0 0 1 0 0 1

1 0 − 81 1 0 81
   
R3 R3
c. E3 =  0 1 0  es R1 − , la inversa es R1 + : E3−1 = 1 0 0 
8 8
0 0 1 0 0 1
90

Ejercicios de Práctica
1. Teorema Fundamental de las Matrices Invertibles
   
a 2 −1 2
A= 3 3 −2 , a ∈ R, b = 4

−2 −1 a 8

a) Encuentre todos los valores posibles del rango de A a medida que a cambia.
b) ¿Para cuáles valores de a es la matriz A invertible?
c) ¿Tiene el sistema Ax = b una solución única si a = 1?
d) ¿Tiene el sistema homogéneo Ax = ~0 sólo la solución trivial si a = 0?
e) Encuentre la forma reducida por renglones de A si a = 100.
f ) ¿Puede A ser el producto de matrices elementales si a = −1?
g) ¿Es nulidad(A) = 1 cuando a = 0?
h) ¿Para cuáles valores de a son las columnas de A linealmente independientes?
i) ¿Pueden las columnas de A generar a R3 si a = −3000?
j) Encuentre una base para col(A) si a = 10.
k) ¿Son los renglones de A linealmente independientes si a = 20?
l) ¿Pueden los renglones de A generar a R3 si a = −1?
m) ¿Pueden los renglones de A formar una base para R3 si a = 1.
n) Encuentre una base para ren(A) y col(A) si a = 0.
ñ) ¿Para cuáles valores de a es det A 6= 0?
o) ¿Para cuáles valores de a, A tiene un eigenvalor igual a cero?
 91

12. Eigenvalores y eigenvectores [2] (4.3)

Eigenvalor de una matriz cuadrada

Un escalar λ es un eigenvalor de A si existe un vector v diferente de cero tal que

Av = λv

El vector asociado al eigenvalor λ se conoce como eigenvector de A.

Ejercicio 1: Compruebe que λ = 3 es un eigenvalor de A y encuentre su eigenvector asociado.

 
2 2
A=
2 −1

Compruebe que Av = 3v ó (A − 3I)v = 0.

Como v 6= 0 hay que encontrar un espacio nulo no trivial para A − 3I

  −R1  
  −1 2 | 0 1 −2 | 0 x = 2t
A − 3I | 0 = −→ ,
2 −4 | 0 0 0 | 0 y=t
R2 + 2R1
 
2
Un eigenvector (v 6= 0) es v = , por lo que λ = 3 es un eigenvalor de A.
1
Hay varios eigenvectores para λ = 3, pero todos son múltiplos escalares de v .

Interpretación Geométrica de los eigenvectores y eigenvalores

    
2 2 2 6
Note que Av = = = 3v.
2 −1 1 3

Los eigenvectores de una matriz A son los únicos vectores que son transformados Av
en múltiplos escalares de ellos λv.

Cuando un eigenvector v se multiplica por A, Av se alarga o se refleja.

92

Eigenespacio

El eigenespacio del eigenvalor λ, denotado como Eλ , es el conjunto de todos los

eigenvectores correspondientes a λ junto con el vector cero.

El eigenespacio de λ es el espacio nulo de la matriz A − λI .

   
2
En el ejercicio anterior, Eλ = t , t∈R .
1

Ecuación Caracterı́stica de A
El espacio nulo de A − λI no es trivial si y sólo si A − λI no es invertible.
También A − λI no es invertible si y sólo si det(A − λI) = 0 .

Ecuación Caracterı́stica de la matriz A

Los eigenvalores de una matriz cuadrada son las soluciones de: det(A − λI) = 0 .

El polinomio caracterı́stico de A es el polinomio de grado n: det(A − λI) .

Las raı́ces del polinomio caracterı́stico pueden ser

reales y distintas

reales y repetidas

números complejos

Procedimiento para encontrar los eigenvalores y eigenvectores de A

1. Desarrolle la ecuación caracterı́stica det(A − λI) = 0.

2. Encuentre los n eigenvalores λ1 , λ2 , · · · , λn .

3. Para cada eigenvalor, encuentre el espacio nulo de A − λi I.

4. Los eigenvectores asociados a λi son una base para cada Eλi .

 93

Ejercicio 2: Encuentre los eigenvalores y eigenvectores de las siguientes matrices.

   
4 2 4 − λ 2 
A= |A − λI| =   = (4 − λ)2 − 4 = λ2 − 8λ + 12
2 4 2 4 − λ
|A − λI| = (λ − 2)(λ − 6) = 0, λ1 = 2, λ2 = 6

Espacio Nulo de A − λ1 I = A − 2I, sea v1 = [ x, y]T .

  0.5R1    
2 2 | 0 1 1 | 0 x = −t −1
−→ , , v1 =
2 2 | 0 0 0 | 0 y=t 1
R2 − R1

Espacio Nulo de A − λ2 I = A − 6I, sea v2 = [ x, y]T .

  −0.5R1    
−2 2 | 0 1 −1 | 0 x=t 1
−→ , , v2 =
2 −2 | 0 0 0 | 0 y=t 1
R2 − R1
   
−1 1
Los eigenvalores y eigenvectores de A son: λ1 = 2, v1 = , y λ2 = 6, v2 = .
1 1
   
1 3 1 − λ 3 
B= |B − λI| =   = (1 − λ)(2 − λ) − 6 = λ2 − 3λ − 4
2 2 2 2 − λ
|B − λI| = (λ + 1)(λ − 4) = 0, λ1 = −1, λ2 = 4

Espacio Nulo de B − λ1 I = B + I, sea v1 = [ x, y]T .

  0.5R1   

2 3 | 0 1 1.5 | 0 x = −1.5t −3
−→ v1 =
2 3 | 0 0 0 | 0 y=t 2
R2 − R1

Espacio Nulo de B − λ2 I = B − 4I, sea v2 = [ x, y]T .

  − 13 R1    
−3 3 | 0 1 −1 | 0 x=t 1
−→ v1 =
2 −2 | 0 0 0 | 0 y=t 1
3R2 + 2R1
   
−3 1
Los eigenvalores y eigenvectores de B son: λ1 = −1, v1 = , y λ2 = 4, v2 = .
2 1

Note que los eigenvectores para ambas matrices son linealmente independientes.

Independencia Lineal de los Eigenvectores

Si λ1 , λ2 , · · · , λn son los eigenvalores de A, entonces los eigenvectores

v1 , v2 , · · · , vn asociados a estos eigenvalores son linealmente independientes.
94

Una matriz invertible det(A − 0I) = det(A) 6= 0 no tiene un eigenvalor igual a cero.

De esta forma hay dos nuevos enunciados equivalentes para una matriz invertible.

Teorema Fundamental de las matrices invertibles: versión 3

Los siguientes enunciados son equivalentes:

a. A es invertible.

n. det A 6= 0 .

o. Cero 0 NO es un eigenvalor de A.

Encuentre los eigenvalores de una matriz triangular.

 
a11 a12 · · · a1n
 a22 · · · a2n  |A − λI| = (a11 − λ)(a22 − λ) · · · (ann − λ) = 0
A=
 
.. .. 
 . .  λ = a11 , a22 , · · · , ann
ann

Los eigenvalores de una matriz triangular son las entradas de su

diagonal principal.

 
4 6 6
Ejercicio 3: Encuentre los eigenvalores y eigenvectores de A = 0 1 0.
0 0 1
Como A es triangular, los eigenvalores son: λ1 = 4, λ2 = 1 (repetido dos veces) .
 T
El eigenvector v1 de λ1 = 4 es v1 = 1 0 0 .
     
0 6 6 | 0 R1 + 2R2 0 0 −3 | 0 −R1 /3 0 1 0 | 0 x=t
0 −3 0 | 0 R1 + 2R3 0 −3 0 | 0 −R2 /3 0 0 1 | 0 y=0
0 0 −3 | 0 R1 ←→ R3 0 0 0 | 0 R1 ←→ R2 0 0 0 | 0 z=0
 T  T
Los eigenvectores v2 de λ2 = 1 son v2 = −2 1 0 y v3 = −2 0 1 .
       
3 6 6 | 0 1 1 2 2 | 0 x = −2t2 − 2t3 −2 −2
0 0 0 | 0 3 R1 0 0 0 | 0 y = t2 s = 1 t2 + 0  t3
  
−→
0 0 0 | 0 0 0 0 | 0 z = t3 0 1
 
1
λ1 = 4 tiene un eigenvector v1 = 0 , mientras que
0
 95

   
−2 −2
λ2 = 1 tiene dos eigenvectores L.I. v2 = 1
  y v3 = 0  .

0 1
La multiplicidad de un eigenvalor es el número de veces que es solución de |A−λI| = 0 .

Los eigenvalores tienen dos tipos de multiplicidad.

Multiplicidad

La multiplicidad algebraica de un eigenvalor es su multiplicidad como una raı́z

de su ecuación caracterı́stica.

La multiplicidad geométrica de un eigenvalor es el número total de sus eigenvec-

tores asocidados.

En el ejercicio 3, λ1 = 4 tiene multiplicidad algebraica y geométrica igual a uno,

mientras que el λ1 = 1 tiene multiplicidad algebraica y geométrica igual a dos.

Un eigenvalor puede tener diferentes multiplicidad algebraica y geométrica diferentes

(vea el ejercicio 4).
 
4 5 −5
Ejercicio 4: Encuentre la multiplicidad algebraica y geométrica para cada λ de A = 0 1 0 .
0 1 1
 
4 − λ 5 −5   
   1 − λ 0
|A − λI| =  0 1−λ 0  = (4 − λ)   = (4 − λ)(1 − λ)2 = 0
1 1 − λ 
 0 1 1 − λ

Los eigenvalores de A son λ1 = 4, y λ2 = 1, 1.

El primer eigenvalor tiene multiplicidad algebraica y geométrica iguales a uno.

1
   
0 5 −5 | 0 R
5 1
0 1 0 | 0
[A − 4I | 0] = 0 −3 0 | 0 − 13 R2 0 1 −1 | 0
0 1 −3 | 0 R1 ←→ R2 0 1 −3 | 0
     
−→ 0 1 0 | 0 −→ 0 1 0 | 0 x=t 1
−R2 + R1 0 0 1 | 0 0 0 1 | 0 y=0 v1 = 0
R3 − R1 0 0 −3 | 0 R3 + 3R2 0 0 0 | 0 z=0 0

λ2 = 1 tiene multiplicidad algebraica de dos, pero con geométrica sólo igual a uno.

x = 35 t
     
3 5 −5 | 0 R1 − 5R3 3 0 −5 | 0 5
[A − I | 0] = 0 0 0 | 0
   0 1 0 | 0  y=0 v2 = 0

0 1 0 | 0 R2 ←→ R3 0 0 0 | 0 z=t 3
96

Dado cualquier eigenvalor λ de A, su multiplicidad geométrica mgeo es menor o

igual a su multiplicidad algebraica malg .

mgeo 6 malg

Las siguientes propiedades nos permiten evaluar fácilmente el producto An x.

Eigenvalores y Eigenvectores de Potencias de Matrices

Si λ es un eigenvalor de A y v su eigenvector correspondiente, entonces

a. Para n ∈ Z+ , λn es un eigenvalor de An y v su eigenvector.

1
b. Para una matriz invertible, es un eigenvalor de A−1 y v su eigenvector.
λ
c. Para n ∈ Z y A invertible, λn es un eigenvalor de An y v su eigenvector.

Las dos matrices An y A−1 tienen el mismo eigenvector v.

Si un vector ~x se puede escribir como una CL de los eigenvectores de A, el producto

matricial Ak ~x se puede calcular fácilmente como una CL de los eigenvectores.

Teorema 4.19
Si ~x se puede escribir como una combinación lineal de los eigenvectores de A

~x = c1 v1 + c2 v2 + · · · + cn vn

y λ1 , λ2 , · · · , λn son los eigenvalores de A, entonces

Ak ~x = c1 λk1 v1 + c2 λk2 v2 + · · · + cn λkn vn

Observaciones:

Los eigenvalores de un producto AB no son el producto de los eigenvalores de A

y de B porque det(AB − λI) 6= det(A − λI) det(B − λI) .

Los eigenvalores de una suma A + B no son la suma de los eigenvalores de A y

de B porque det(A + B − λI) 6= det(A − λI) + det(B − λI) .
 97

   
1 3 0
Ejercicio 5: Sea B = y ~x = .
2 2 5

a. Encuentre el producto B 5 x.

En el ejercicio 2, se encontró que

 los   de A son λ1 = −1 y λ2 = 4
 eigenvalores
−3 1
y sus eigenvectores son v1 = y v2 = .
2 1
     
−3 3 0
Además, ~x = 1v1 + 3v2 = + = .
2 3 5
   
5 5 5 5 −3 5 1
B x = c1 λ1 v1 + c2 λ2 v2 = (−1) +3·4
2 1
     
−3 3, 072 3, 075
= + =
2 3, 072 3, 069

Realizar esta operación es más sencillo que encontrar B 5 .

b. Encuentre los eigenvalores y eigenvectores de B −10 .

Note que B es invertible, det B = 2 − 6 = −4 6= 0 ó cero no es un eigenvalor de B.


  
−10 −3 1
Los eigenvectores de B son: v1 = y v2 = (los mismos que los de B).
2 1
1
Los eigenvalores de B son: λ1 = 4−10 = 20
y λ2 = (−1)−10 = 1 .
2
98

Ejercicios de Práctica

1. En los siguientes ejercicios calcule:

Los eigenvalores de A.
Una base para cada eigenespacio de A.
La multiplicidad algebraica y geométrica de cada eigenvalor.
 
1 3
a) A =
−2 6 
3 1 0 0

  −1 1 0 0
1 2 0 c) A =  0 0 1 4

b) A = −1 −1 1
0 0 1 1
0 1 1

2. A es una matriz 2×2 con eigenvectores v1 y v2 , que corresponden a los eigenvalores

1
λ1 = y λ2 = 2, respectivamente.
2
     
1 1 5
v1 = , v2 = , ~x =
−1 1 1

a) Exprese ~x como una CL de v1 y v2 .

b) Encuentre A4 x c) Encuentre A10 x.

 
2 1 1
3. Considere la matriz cuadrada B = 0 1 1 . Encuentre:
0 0 1

a) Sus eigenvalores.
b) Una base para cada eigenespacio de B.
c) La multiplicidad algebraica y geométrica de cada eigenvalor.
d) Explique si B es diagonalizable V −1 BV = D .

4. A2×2 tiene eigenvectores v1 y v2 , asociados a λ1 = −1 y λ2 = 2, respectivamente.

   
1 1
v1 = , v2 = ,
−1 1

a) Encuentre el determinante de A.
b) Encuentre A5 usando la diagonalización de A = V −1 DV .
c) Encuentre A10 .
 99

13. Semejanza y Diagonalización [2] (4.4)

Las matrices triangulares y diagonales tienen eigenvalores que se pueden encontrar por
inspección. Como el proceso de eliminación gaussiana no preserva los eigenvalores de
una matriz A hay que encontrar una relación entre una matriz cuadrada y una matriz
diagonal / triangular.

Matrices Semejantes

Una matriz An×n es semejante a Bn×n , denotado como A ∼ B, si existe una

matriz P invertible tal que P −1 AP = B .

Observaciones:

P −1 AP = B también implica que AP = BP y A = P BP −1 .

La matriz P no es única.

Propiedades entre Matrices Semejantes

Si A y B son matrices semejantes, entonces

a. det A = det B

b. A es invertible si y sólo si B también lo es.

c. A y B tienen el mismo rango.

d. A y B tienen los mismos eigenvalores

Todas estas propiedades se pueden comprobar utilizando las propiedades de las matrices.

P −1 AP = B det P 6= 0
det P
det(P −1 AP ) = det(P −1 ) det(A) det(P ) = A = det A = det B
det P
Y además se obtiene que det A 6= 0 ⇔ det B 6= 0 .

Dos matrices no son semejantes si se cumple al menos una de las sigs. condiciones:

a. det A 6= det B

b. A es invertible y B no lo es ( o viceversa).

c. A y B tienen diferente rango.

d. A y B tienen diferentes eigenvalores.

100

Ejercicio 1: Explique porque las siguientes matrices no son semejantes.

   
1 2 2 6
a. A = y B=
0 4 1 7
No son semejantes det A = 4 6= det B = 2
   
1 1 4 16 0 0
b. A = 0 4 3 y B = −1 2 0 mismo determinante det A = det B = 32, .
0 0 8 2 3 1

No son semejantes, tienen diferentes eigenvalores.

A tiene λ = 1, 4, 8 y B tiene λ = 1, 2, 16

Diagonalización
Para comprobar que A y B son semejantes es necesario encontrar una matriz P inver-
tible tal que P −1 AP = B. Una de las formas de encontrar la matriz P ocurre cuando la
matriz A es semejante a una matriz diagonal.

Matriz Diagonalizable

Una matriz An×n es diagonalizable si existen una matriz diagonal D y una matriz
invertible V tal que V −1 AV = D ó A = V DV −1 .

Ejercicio 2: Compruebe que A es diagonalizable dadas D y V .

     
4 2 2 0 −1 1
a. A = , D= , V =
2 4 0 6 1 1

Puede comprobar que V −1 AV = D ó que AV = V D .

    
4 2 −1 1 −2 6
AV = =
2 4 1 1 2 6
    
−1 1 2 0 −2 6
VD = =
1 1 0 6 2 6

Como AV = V D, A es diagonizable.
 101

     
4 6 6 4 0 0 1 −2 −2
b. A = 0 1 0 , D = 0 1 0 , V = 0 1 0
0 0 1 0 0 1 0 0 1

    
4 6 6 1 −2 −2 4 −2 −2
AV = 0 1 0 0 1 0  = 0 1 0
0 0 1 0 0 1 0 0 1
    
1 −2 −2 4 0 0 4 −2 −2
V D = 0 1 0  0 1 0 = 0 1 0
0 0 1 0 0 1 0 0 1

Como AV = V D, A es diagonizable.

Observe que en cada una de estas matrices las entradas diagonales de D son los eigenva-
lores de A y las columnas de la matriz V son los eigenvectores de A.

Condiciones Suficientes de Diagonalización

Una matriz An×n es diagonalizable si y sólo si A tiene n eigenvectores linealmente

independientes.

Además las entradas diagonales de D son los eigenvalores de A y las columnas de

V son los eigenvectores asociados a cada eigenvalor en el mismo orden.
 
λ1  
 λ2 
D= , V =  v1 v2 · · · vn 
 
. .
 . 
λn

Ejercicio 3: Si es posible, encuentre una diagonalización para la matriz indicada.

 
3 1 0
a. A = 0 3 1 El eigenvalor es λ = 3 (repetido 3 veces).
0 0 3

A − 3I | ~0 .
 
Resuelva el sistema homogéneo
   
0 1 0 | 0 x=t 1
0 0 1 | 0 y = 0, v1 = 0

0 0 0 | 0 z=0 0
 
3 0 0
Como no hay 3 eigenvectores L.I., A no es diagonalizable, i.e., V −1 AV 6= 0 3 0
0 0 3
102

 
1 6 0
b. B = 1 0 −1
0 0 0
 
1 − λ 6 0   
 1 − λ 6 
|B − λI] =  1
 −λ −1  = −λ 
   = −λ(λ2 − λ − 6) = −λ(λ − 3)(λ + 2) = 0
1 −λ
 0 0 −λ

Los eigenvalores son distintos λ1 = 0, λ2 = 3 y λ3 = −2 .

B − 0I | ~0
 
Resuelva el sistema homogéneo
     
1 6 0 | 0 1 6 0 | 0 R1 + 6R2 1 0 −1 | 0
1 0 −1 | 0R2 − R1 0 −6 −1 | 0 − 1 R2 0 1 1/6 | 0
−→ 6
0 0 0 | 0 0 0 0 | 0 −→ 0 0 0 | 0
 
x=t 6
y = −t/6, v1 = −1

z=t 6

B − 3I | ~0
 
Resuelva el sistema homogéneo
     
−2 6 0 | 0 −0.5R1 1 −3 0 | 0 −→ 1 −3 0 | 0
 1 −3 −1 | 0R2 + 0.5R1 0 0 −1 | 0 −R2 0 0 1 | 0
0 0 −3 | 0 −→ 0 0 −3 | 0 R3 − 3R2 0 0 0 | 0
 
x = 3t 3
y=t, v2 = 1
z=0 0

~0
 
Resuelva el sistema homogéneo B + 2I |

0 − 31 R1
     
3 6 0 | 1 2 0 | 0 −→ 1 2 0 | 0
1 2 −1 | 1
0 R2 − 3 R1 0 0 −1
  | 0 −R2 0 0 1 | 0
0 0 2 | 0 −→ 0 0 2 | 0 R3 + 2R2 0 0 0 | 0
 
x = −2t −2
y=t , v3 =  1 
z=0 0

Como hay 3 vectores linealmente independientes, entonces B es diagonalizable.

   
6 3 −2 0 0 0
V = −1 1 1  , D = 0 3 0  , V −1 BV = D
6 0 0 0 0 −2
 103

Como V es invertible, entonces las columnas de V son L.I. Si una matriz An×n tiene n
eigenvalores distintos, entonces por medio de la diagonalización se comprueba que sus n
eigenvectores son linealmente independientes.

Teorema de Diagonalización

Sea An×n con k 6 n eigenvalores distintos.

A es diagonizable si y sólo si para cada λ, su multiplicidad algebraica es igual a

su multiplicidad geométrica.

Propiedades de las matrices diagonalizables

Si una matriz es diagonalizable, su potencia An se puede calcular de manera sencilla usan-
do sólo D y V .

A = V DV −1
A2 = V DV −1 V DV −1 = V D2 V −1
A3 = V D2 V −1 V DV −1 = V D3 V −1

Potencia de una matriz diagonalizable

Si A es diagonalizable, entonces An = V Dn V −1

La potencia de una matriz diagonal es igual a la potencia de sus entradas diagonales.

 k  k 
λ1 λ1
 λ2   λk2 
Dk =  =
   
...  .. 
   . 
λn λkn

Por medio de la diagonalización, se puede visualizar que los eigenvalores de An , A−1 ,

y A−n son λn , λ−1 y λ−n .
104

  
1 2
Ejercicio 4: Sea A2×2 con v1 = y v2 = y λ1 = 1, λ2 = −1 .
−2 −3

a. Encuentre A50 y A99 .

     
1 0 1 2 −1 −3 −2
D= V = , V =
0 −1 −2 −3 2 1
 50    99  
50 1 0 1 0 99 1 0 1 0
D = = D = =
0 −1 0 1 0 −1 0 −1
 
1 0
A50 = V D50 V −1 = V V −1 = I =
0 1
  
99 99 −1 1 0 −3 −2
A =VD V =V
0 −1 2 1
    
99 1 2 −3 −2 −7 −4
A = =
−2 −3 −2 −1 12 7
 
50 99−5
b. Encuentre A x y A x si x =
10
 
50 −5
A x = Ix =
10
    
99 −7 −12 −5 −85
A x= =
4 7 10 50

Observe que en este caso no fue necesario obtener la matriz A.

     
−1 1 2 1 0 −3 −2 −7 −4
A = V DV = =
−2 −3 0 −1 2 1 12 7

En este caso, las potencias de esta matriz son cı́clicas.

A2n = I A2n+1 = A

Además, A es una matriz cuya inversa es la misma matriz porque A2 = AA = I.

Una matriz cuya inversa es la misma matriz se denomina Matriz Involutiva .

 105

14. Cadenas de Markov [2] (3.7)

Considere un vector xo en Rn , denotado como vector de estado inicial, si P es una
matriz n × n, el producto matricial

x1 = P x0

Resulta en un nuevo vector de estado x1 .

El segundo vector de estado en el tiempo k = 2 se encuentra con el producto matricial

x2 = P x1
x2 = P 2 x0

Los demás vectores de estado en el tiempo k + 1 se encuentran de manera iterativa.

xk+1 = P xk
xk+1 = P k x0

La recursión anterior se conoce como una Cadena de Markov.

Cadena de Markov
Sea xk un vector de estado en el tiempo k, y P una matriz de transición,
una Cadena de Markov satisface la siguiente relación:

xk+1 = P xk k = 0, 1, 2, · · ·

Observaciones:

En una Cadena de Markov, su evolución de un estado se encuentra ”completamente

determinada” por sus probabilidades de transición y por su estado inicial.

Si se conocen x0 y P se puede encontrar cualquier otro vector de estado iterando.

Las Cadenas de Markov asumen de que la evolución de un proceso sólo depende

de su estado presente y no de su historia.
106

Ejercicio 1: Una investigación de mercado realizó una estudio de preferencias a 600 personas.
Seleccionó a 300 personas que toman RC Cola y a 300 personas que toman Spur Cola. Después de
un mes, el estudio determinó que de los que consumen RC cola, un 80 % continúan con RC mien-
tras que un 20 % se cambian a Spur Cola; entre los que consumen Spur Cola, el 60 % continúa
haciéndolo el siguiente mes mientras que un 40 % se cambia a RC Cola.

a. ¿Cuántas personas están consumiendo cada tipo de soda después de un mes?

Los consumidores de RC Cola son el 80 % de los que consumen actualmente esta soda
y un 40 % de los que se cambian de Spur a RC Cola.
RC1 = 300(0.80) + 300(0.4) = 360
Spur1 = 300(0.20) + 300(0.6) = 240
Los consumidores de Spur son el 20 % de los que se cambian de RC a Spur Cola y el
60 % de los que actualmente consumen Spur.

Ahora hay un mayor número de consumidores de RC (360) que de de Spur (240).

El anterior Cálculo se simplifica si se utiliza la siguiente matriz de transición, la cual

contiene la probabilidad de transición entre cada preferencia.

RC Spur
P = RC 0.8 0.4
Spur 0.2 0.6
La entrada P12 = 0.4 significa que un 40 % de los consumidores de Spur se cambian
a consumir RC Cola el siguiente mes.

El vector de estado x1 indica cuántas personas están consumiendo cada tipo de Soda.
    
0.8 0.4 300 360 RC
x1 = P x0 = =
0.2 0.6 300 240 Spur

b. ¿Cuántas personas estarán consumiendo cada tipo de soda después de 2, 3 y 4 meses?

    
0.8 0.4 360 384
A los 2 meses x2 = P x1 = =
0.2 0.6 240 216
    
0.8 0.4 384 393.6
A los 3 meses x3 = P x2 = =
0.2 0.6 216 206.4
    
0.8 0.4 393.6 397.44
A los 4 meses x4 = P x3 = =
0.2 0.6 206.4 202.56

El número de consumidores que prefieren RC Cola sigue aumentando pero cada vez
a un ritmo menor.

A medida transcurren más meses, parece que xR se acerca a 400 consumidores y xS

se acerca a 200, o si se utilizan porcentajes a un 66 32 % y â un 33 31 %, resp.
 107

c. Analice la evolución de los porcentajes (números relativos) de preferencia después del primer,
segundo y tercer mes.

 T
Divida x0 por 600 para obtener el vector de porcentajes de estado y0 = 0.5 0.5 .
    
0.8 0.4 0.5 0.6
Al mes y1 = P y0 = =
0.2 0.6 0.5 0.4
    
0.8 0.4 0.6 0.64
A los 2 meses y2 = P y1 = =
0.2 0.6 0.4 0.36
    
0.8 0.4 0.64 0.656
A los 3 meses y3 = P y2 = =
0.2 0.6 0.36 0.344

Se observa que las preferencias se acercan al 66 32 % por RC y a un 33 13 % por Spur.

Las columnas de P siempre deben sumar 1 y se conocen como vectores de probabilidad.

Cualquier matriz con esta propiedad es llamada matriz estocástica.

Cadenas de Markov y potencias de una matriz

El vector de estado en k + 1 es igual al producto entre P k y el vector inicial x0 .

x1 = P x0
x2 = P x1 = P P x0 = P 2 x0
x3 = P x2 = P P 2 x0 = P 3 x0
..
.
xk+1 = P k x0

Cada entrada de la matriz P k , Pijk , es la probabilidad de moverse del estado j al

estado i en k transiciones.

Vector de Estado Estacionario

En el equilibrio, el vector para los siguientes estados ya no cambia; es decir, P x = x.

Vector de Estado Estacionario

Dada una cadena de Markov, xk+1 = P xk , un vector de estado estacionario x∗
tiene la propiedad de que x∗ = P x∗ , es decir, xk+1 = xk

El vector estacionario se encuentra resolviendo (P − I)x = 0 .

Si la suma de los componentes de x es igual a 1, el vector estacionario es único.
108

Ejercicio 2: Encuentre el vector de estado estacionario del ejercicio 1.

 
En este caso resuelva el sistema con matriz aumentada P − I | 0 .
   
−0.2 0.4 | 0 −5R1 1 −2 | 0 x1 = 2t
,
0.2 −0.4 | 0 R2 + R1 0 0 | 0 x2 = t
Como x1 + x2 = 1, entonces 3t = 1.
  " 2 #
1 2 66 3 %
El vector estacionario es x∗ = = .
3 1 33 23 %

La Cadena de Markov del ejercicio 1 si se acerca a su vector estacionario o de equilibrio,

pero no todas las Cadenas de Markov se acercan (convergen) a su vector estacionario.

Ejercicio 3: Un hámster está dentro de un laberinto con tres habitaciones (vea la figura).
Cuando suena una campana, el hámster se mueve a otra habitación de manera aleatoria.
a. Encuentre la matriz de transición para esta cadena de Markov.

El hámster siempre se mueve del compartimiento actual y

tiene un 50 % de probabilidad de trasladarse a cualquiera
de las otros dos habitaciones.
   
0 0.5 0.5 0 1 1
1
P = 0.5 0 0.5 = 1 0 1
2
0.5 0.5 0 1 1 0

b. Si el hámster está inicialmente en la habitación 2, ¿cuál es la probabilidad de que el hámster

se encuentre en cada habitación después de k = 1, 2, 3 y 4 campanadas?
 T
El vector de estado inicial es: x0 = 0 1 0
    
0 1 1 0 1
1 1 
1 campana x1 = P x0 = 1 0 1 1 =
   0
2 2
1 1 0 0 1
    
0 1 1 1 1
1 1
2 campanas x2 = P x1 = 1 0 1 0 = 2
4 4
1 1 0 1 1
    
0 1 1 1 3
1 1
3 campanas x3 = P x2 = 1 0 1 2 = 2
8 8
1 1 0 1 3
    
0 1 1 3 5
1  1  
4 campanas x4 = P x3 = 1 0 1 2 = 6
16 16
1 1 0 3 5
 109

c. A largo plazo, ¿cuál es la proporción de tiempo que pasa el hámster en cada cuarto?

El vector estacionario P x = x describe el comportamiento a largo plazo.

Resuelva el sistema homogéneo (P − I)x = 0.

     
−1 12 1
| 0 −→ −1 1 1
| 0 2 1 0 −1 | 0
 −R1 + 3 R2 
2 2 2
 1
 2 −1 21 | 0 R2 + 0.5R1  0 − 34 43 | 0 − 4 R2 0 1 −1 | 0
  
    3  
1 1
−1 | 0 R3 + 0.5R1 0 3
− 3
| 0 R2 + R3 0 0 0 | 0
2 2 4 4

La solución paramétrica es: x1 = t, x2 = t, x3 = t.

1
y x∗ = 1
 
Como x1 + x2 + x3 = t + t + t = 1, entonces t = 3 3
1 1 1 .

El hámster está en cada cuarto el 33 31 % de las veces.

Cadenas de Markov y Eigenvalores

Una matriz se denomina positiva si todas sus entradas son positivas.

Una matriz se denomina regular si alguna potencia de la misma es positiva.

Por ejemplo, la matriz de transición del ejercicio 1 es positiva (y por ende regular).

Ahora la matriz del ejercicio 3, no es positiva, pero es regular porque P 2 es positiva.

   
0 1 1 2 1 1
1 1
P = 1 0 1 P 2 = 1 2 1
2 4
1 1 0 1 1 2

Las matrices de transición de Markov tienen varias propiedades interesantes porque son
regulares, cada una de sus columnas suman uno y tienen un vector estacionario P x = x.

Propiedades de las matrices de transición

Si P es una matriz de transición de n × n de una Cadena de Markov, entonces

a. Uno (1) es un eigenvalor de P .

b. Cada eigenvalor tiene una magnitud menor o igual a |λ| 6 1 .

c. Si P es regular, los eigenvalores diferentes de 1 tienen magnitud menor a 1.

d. Si P es diagonalizable, entonces λ = 1 tiene multiplicidad algebraica igual a 1.

110

Si se encuentran los eigenvalores de P se puede analizar el comportamiento a largo pla-

zo de la cadena de Markov y determinar si se converge al vector de equilibrio.

Si la matriz P es diagonalizable (mismo número de multiplicad algebraica y geométrica),

entonces P = V DV −1 y P k = V Dk V −1 , y la evolución de cada estado xk+1 es:
xk+1 = P k x0
xk+1 = V Dk V −1 x0
Dk se calcula al elevar cada entrada de la diagonal a la potencia k.
 
0.8 0.4
Ejercicio 4: Considere la matriz de transición P = .
0.2 0.6
a. Encuentre los eigenvalores y eigenvectores de la matriz P.
 
0.8 − λ 0.4 
det(P − λI) =   = 0.4 − 1.4λ + λ2 = (λ − 1)(λ − 0.4) = 0
0.2 0.6 − λ
Los eigenvalores son: λ1 = 1 (siempre) y λ2 = 0.4.
 T
El eigenvector asociado a: λ1 = 1 es v1 = 2 1 .
   
  −0.2 0.4 | 0 −5R1 1 −2 | 0 x = 2t
P −I | 0 =
0.2 −0.4 | 0 R2 + R1 0 0 | 0 y= t
 T
El eigenvector asociado a λ2 = 0.4 es v1 = −1 1 .
   
  0.4 0.4 | 0 2.5R1 1 1 | 0 x = −t
P − 0.4I | 0 =
0.2 0.2 | 0 2R2 − R1 0 0 | 0 y= t

b. Encuentre la diagonalización de P y P k cuando k → ∞.

Cada eigenvalor tiene la misma multiplicidad algebraica y geométrica (uno),

por lo que P es diagonalizable.
P = V DV −1
   
1 2 −1 1 0 1 1
P =
3 1 1 0 0.4 −1 2
Para encontrar lı́m P k , note que lı́m 0.4k = 0 .
k→∞ k→∞
 k   
k 1 0 1 0
lı́m D = lı́m =
k→∞ k→∞ 0 0.4k 0 0
   
k 1 2 −1 1 0 1 1
lı́m P =
k→∞ 3 1 1 0 0 −1 2
    
k 1 2 0 1 1 1 2 2
lı́m P = =
k→∞ 3 1 0 −1 2 3 1 1
Las columnas de P ∞ son idénticas y cada una es el vector de estado estacionario x∗ .
 111

T
c. Dado cualquier vector de estado inicial x0 = a b , a + b = 1, P ∞ xo = x∗ .


      
∞ 1 2 2 a 1 2a + 2b 1 2
P xo = = = = x∗
3 1 1 b 3 a + b 3 1

Con ello se comprueba que todos los vectores de estado convergen hacia el vector de es-
tado estacionario sin importar el vector de estado inicial.

Convergencia hacia el estado estacionario

Sea P una matriz de transición regular de n×n, lı́m P k se aproxima a una matriz
k→∞
L cuyas columnas son idénticas, cada una igual al vector de estado estacionario.

Con ello se comprueba que el estado estacionario es independiente del estado inicial.

Ejercicio 5: Considere la matriz de transición del ejercicio 4 sobre el hámster en un laberinto.

 
0 1 1
1
P = 1 0 1
2
1 1 0

Encuentre la matriz lı́mite L = lı́m P k .

x→∞

1
 T
Como el vector de estado estacionario es: 3
1 1 1 .

La matriz lı́mite de P tiene cada columna igual al vector de estado estacionario:

 
1 1 1
1
L = lı́m P = 1 1 1
k→∞ 3
1 1 1
112

Ejercicios de Práctica
1. To rain or not to rain: Londres se caracteriza por tener un clima volátil. Un me-
teorólogo encontró que el clima de Londres se comporta como una cadena de Mar-
kov. Si el dı́a actual fue lluvioso, encontró que al dı́a siguiente hay una probabilidad
del 0.66 de que sea y 0.34 de que no lo sea. Si el dı́a no fue lluvioso, al dı́a siguiente
hay una probabilidad del 0.38 de que sea lluvioso y un 0.62 de que no lo sea.

a) Escriba la matriz de transición de esta cadena de Markov.

b) Si el lunes llueve, ¿cuál es la probabilidad de que el jueves llueva?
c) Si el martes no llueve, ¿cuál es la probabilidad de que el sábado llueva?
d) A larga, ¿cuál será la distribución de los dı́as lluviosos y no lluviosos?

2. Se suelta un cuyo en una casa de tubos

cuyo diagrama se muestra en la siguien-
te figura. En cada área de descanso (no-
do) se asume que el cuyo elige de manera
aleatoria el camino a seguir.

a) Construya la matriz de transición que modela esta situación.

b) Si un ratón empieza el nodo 1, encuentre la probabilidad de que se encuentre
en cada nodo después de recorrer 2 caminos.
c) Encuentre el vector de estado estacionario.

3. Para las siguientes matrices de transición P de una cadena de Markov regular.

Encuentre los eigenvalores y eigenvectores de P.

Recuerde que λ = 1 siempre es un eigenvector.
Encuentre el vector de estado estacionario.
Encuentre la matriz de transición de recorrido largo L = P ∞ de P .
  1 1 
0.6 0.5 0
a) P = 2 3
0.4 0.5 1 1 1
  c) P =  2 2
 2

0.7 0.8 0 16 1
b) P = 2
0.3 0.2
 113

15. Ortogonalidad en Rn [2] (5.1)

El producto escalar entre dos vectores x, y ∈ Rn es:

n
X
x · y = xT y = xi yi
i=1

Propiedades:

Simétrico: xT y = yT x

Distributivo: xT (k1 y + k2 z) = k1 xT y + k2 xT z.
√
Longitud de un vector: |x| = xT x.
     
5 1 9
2 0 0
Ejercicio 1: Sean 0 , y = 2 , z =  0 . Calcule los sigs. productos escalares.
x=     

1 3 −3

a. |x|2 = xT x = 5(5) + 2(2) + 0(0) + 1(1) = 30

b. yT x = 1(5) + 0(2) + 2(0) + 3(1) = 8

c. yT z = 1(9) + 0(0) + 0(0) + 3(−3) = 0

d. y · (2x − 5z) = 2y · x − 5y · z = 2(8) − 5(0) = 16

Conjunto ortogonal de vectores

El conjunto de vectores { v1 , v2 , · · · , vk } en Rn es ortogonal si todos los pares

de vectores distintos del conjunto son ortogonales.

viT vj = 0, i 6= j, ∀ i, j = 1, 2, · · · k

Ejercicio 2: Compruebe que B = { v1 , v2 , v3 } es un conjunto ortogonal en R3 .

     
3 0 2
v1 = 1 , v2 = 2 , v3 = −3
    
−1 2 3
v1 · v2 = 3(0) + 1(2) − 1(2) = 0
v1 · v3 = 3(2) − 1(3) − 1(3) = 0
v2 · v3 = 0(2) − 2(3) + 2(3) = 0

El conjunto B es ortogonal, los tres vectores son mutuamente ortogonales.

114

En un conjunto ortogonal, la siguiente combinación lineal sólo tiene la solución trivial.

c1 v1 + c2 v2 + · · · + ck vk = 0
c1 v1 · v1 + c2 v2 · v1 + · · · + ck vk · v1 = 0 · v1 Aplique producto punto () · v1
c1 |v1 |2 + 0 + · · · + 0 = 0 c1 = 0
c1 v1 + c2 v2 + · · · + ck vk = 0
c1 v 1 · v i + c 2 v 2 · v i + · · · + c k v k · v i = 0 · v i Aplique producto punto () · vi
ci |vi |2 + 0 + · · · + 0 = 0 ci = 0

Por lo que los todos estos vectores son linealmente independientes, siempre que vi 6= 0.

Si { v1 , v2 , · · · , vk } es un conjunto ortogonal y cada vector es diferente de cero,

entonces el conjunto es linealmente independiente.

Como estos vectores son LI, con estos vectores podemos construir una base ortogonal.

Base Ortogonal de W

Es una base del espacio W que es un conjunto ortogonal.

Los tres vectores del ejercicio 2 forman una base ortogonal para R3 .

En R3 , si sólo se tienen dos vectores ortogonales v1 y v2 , el producto cruz nos permite

encontrar el tercer vector ortogonal y una base ortogonal para R3 , B = { v1 , v2 , v1 × v2 }.

Si la base de un espacio es ortogonal podemos encontrar los escalares c1 , c2 , · · · ck para

resolver la combinación lineal c1 v1 + c2 v2 + · · · + ck vk = w aplicando el producto punto
() · vi en cada lado.

c1 v1 · vi + c2 v2 · vi + · · · + ck vk · vi = w · vi
ci v i · v i = w · v i

Los escalares c1 , c2 , · · · ck son las coordenadas del vector w respecto a la base B.

Sea B = { v1 , v2 , · · · , vk }, una base ortogonal y w cualquier vector en W.

Las coordenadas ci del vector w respecto a la base B están dados por:
w · vi
ci = , i = 1, 2, · · · , k
vi · v i
 115

       
2  3 0 2 
Ejercicio 3: Encuentre las coordenadas de w = 2 respecto a B =
   1 , 2 , −3 .
   
4 −1 2 3
 

Utilizando los productos puntos se encuentra que cada coordenada es:

w · v1 6+2−4 4
c1 = = =
v 1 · v1 9+1+1 11
w · v2 0+4+8 3
c2 = = =
v 2 · v2 0+4+4 2
w · v3 4 − 6 + 12 5
c3 = = =
v 3 · v3 4+9+9 11
Otra propiedad deseable en una base es que cada vector sea un vector unitario u · u = 1,
en este caso cada escalar ci = w · vi . Estos vectores son ortogonales y ortonormales.

Conjunto ortonormal de vectores

Un conjunto de vectores en Rn es ortonormal si es un conjunto ortogonal de

vectores unitarios.

Una base ortonormal de W es una base de W que es un conjunto ortonormal.

Observaciones:
Los vectores estándar son una base ortonormal para Rn .
En un conjunto ortonormal, los vectores son linealmente independientes.
En un conjunto ortonormal de vectores, los productos puntos sólo pueden ser igua-
les a 1 ó a 0.

1, i=j
vi · vj =
0, i 6= j

Si el conjunto es ortogonal, el conjunto ortonormal se obtiene al normalizar cada

vector (dividir por su magnitud).
     
 3 0 2 
Ejercicio 4: Construya una base ortonormal para B =  1 , 2 , −3 .
   
−1 2 3
 

Esta base ya es ortogonal, la longitud de cada vector es:

√ √ √
|u1 | = 11 |u2 | = 8 |u3 | = 22
      
 1 3 0 2
1   1  
La base ortonormal es: B = √  1 , √ 1 , √
 −3 .
 11 2 1 22 3 
−1

En una base ortonormal, los escalares de la combinación lineal para w son: ci = w · qi .

116

Matrices Ortogonales
Una matriz Q con los vectores columna de una base ortonormal tiene varias propiedades.

Propiedad de un conjunto ortonormal

Las columnas de Qm×n forman un conjunto ortonormal si y sólo si QT Q = In .

Comprobación: El producto de la fila qiT de QT por la columna qj de Q es igual a 1 cuando

i = j y cero cuando i 6= j (los vectores sonmutuamente ortonormales).

Si esta matriz es cuadrada, se obtiene una matriz ortogonal, la cual facilita la resolución
de un sistema de ecuaciones.

Matriz Ortogonal

Una matriz ortogonal es una matriz cuadrada cuyas columnas forman un conjunto
ortonormal, QT Q = In .

Una matriz cuadrada Q es ortogonal si y sólo si Q−1 = QT .

Un sistema de ecuaciones con Q ortogonal se resuelve usando sólo la transpuesta de Q.

Qx = b
Q Qx = Q−1 b
−1

x = QT b

Ejercicio 5: Identifique si las siguientes matrices son ortogonales y encuentre sus inversas.
" # " #" # 
√1 √1 √1 − √1 √1 − √1

2 2 T 2 2 2 2 1 0
a. Q1 = , Q1 = √1 = =I
− √12 √12 2
√1
2
− √12 √12 0 1

La matriz es ortogonal y Q−1 = QT .

√1
 
1 0 0 1 0 0 0
 
6
0 2 √1 √1   0 2
− 23 1
b. Q2 =  3 2 6 
, QT2 =  3 3

− √12 √1

0 − 23 √1
2
− 16 
√ 0 2
0
0 13 0 √1 √1 √1 − √16 √1
2 6 6 2

h i
En el primer renglón [QT2 Q2 ]1 = 1 0 0 √1 .
6
La matriz Q2 no es ortogonal, QT2 Q2 6= I, y Q−1 T
2 6= Q2 .
 117

Magnitud de un Vector
 T
La magnitud de un vector v = v1 v2 vn es su distancia respecto al origen y se en-
cuentra sumando el cuadrado de todas sus entradas.

Magnitud de un vector

La magnitud de un vector v en Rn , denotada como |v|, es:

q
|v| = v12 + v22 + · · · + vn
√
|v| = v · v

Si se utiliza el producto punto, la magnitud de un vector es simplemente la raı́z cuadrada

de su producto punto.

Ejercicio 6: Encuentre la magnitud de los siguientes vectores

 
−1 √ √
a. v1 = 4 ,
 |v1 | = 1 + 16 + 64 = 81 = 9
8

 
1
−4 √ √ √ √
b. v2 = 
 1 ,
 |v1 | = v1 · v1 1 + 16 + 1 + 81 = 99 = 3 11
9

El producto matricial con una matriz ortogonal Qx, no cambia ni la longitud del vector
x ni al producto escalar x · y.

Los siguientes enunciados son equivalentes:

a. Q es ortogonal

b. |Qx| = |x|

c. Qx · Qy = x · y
118

Las matrices ortogonales tienen varias propiedades interesantes.

Teoremas: Propiedades de las Matrices Ortogonales

Sea Q una matriz ortogonal.

a. Los renglones de Q forman una base ortonormal.

b. Q−1 es ortogonal.

c. det Q = ±1

d. Si λ es un eigenvalor de Q, entonces |λ| = 1.

e. Si Q1 y Q2 son matrices ortogonales, entonces Q1 Q2 también es ortogonal.

La cuarta propiedad implica que todos los eigenvalores de un matriz ortogonal son los
números complejos λ = x + iy sobre el cı́rculo unitario x2 + y 2 = 1.

Ejercicio 6: Encuentre los eigenvalores de las siguiente matriz ortogonal.

   
0 1 0 −λ 1 0
A = 0 0 1 , A − λI =  0 −λ 1 
1 0 0 1 0 −λ
   
−λ 1 
 − 1 0 1  = −λ3 + 1 = (1 − λ)(1 + λ + λ2 ) = 0
 
|A − λI| = −λ 
0 −λ   1 −λ

Uno de eigenvalores es λ1 = 1, los otros dos son complejos y se obtienen por medio de
la fórmula cuadrática.
√ √
−1 ± 1 − 4 1 3
λ2,3 = = − ± i
2 2 2
Los tres eigenvalores tienen magnitud igual a 1. p
La magnitud de un números complejo es: |x + iy| = + x2 + y 2 .
r
1 3
|λ1 | = 1 |λ2,3 | = + =1
4 4
Note que los tres eigenvalores están dentro del cı́rculo unitario.
 119

La matriz rotación.

 
x
La matriz B rota a un vector ~x =
y
un ángulo θ en sentido antihorario.
 
cos θ − sin θ
B=
sin θ cos θ

 
r sin α
Para comprobar lo anterior utilice coordenadas polares ~x =
r cos α
      
cos θ − sin θ r cos α r cos θ cos α − r sin θ sin α r cos(θ + α)
Bx = = =
sin θ cos θ r sin α r sin θ cos α + r cos θ sin α r sin(θ + α)

El ángulo se desplaza de α a θ + α .

B es una matriz ortogonal:

  
T cos θ sin θ cos θ − sin θ
B B=
− sin θ cos θ sin θ cos θ
cos2 θ + sin2 θ
   
T − cos θ sin θ + sin θ cos θ 1 0
B B= = ,
− sin θ cos θ + cos θ sin θ sin2 θ + cos2 θ 0 1
 
−1 T cos θ sin θ
su inversa B = B = rota a x un ángulo θ en sentido horario.
− sin θ cos θ
Los eigenvalores de B son números complejos:

|A − λI| = λ2 − 2λ cos θ + 1
√
2 cos θ ± 4 cos2 θ − 4
λ1,2 = = cos θ ± i sin θ
2
p
Note que tienen magnitud igual a uno: |λ1,2 | = cos2 θ + sin2 θ = 1 .
120

Ejercicios de Práctica
1. Vectores Ortogonales y Ortonormales: Para los siguientes vectores linealmente
independientes.

Compruebe que los vectores dados forman una base ortogonal para R3 ó R4 .
Exprese w como una combinación lineal de los vectores de la base ortogonal.
Encuentre una base ortonormal.

       
1 1 1 6
a) v1 = 1 , v2 = −1 , v3 = 1 ,
      w = 12 .

1 0 −2 18
         
1 1 1 0 24
1 1 −1 0 12
b) v1 = 
−1 , v2 = 1 , v3 =  0  , v4 = −1 ,
       w=
16


−1 1 0 1 8

2. Matrices Ortogonales: Para las siguientes matrices

Determine si la matriz dada es ortogonal.

Encuentre su inversa.
Resuelva el sistema de Ecuaciones Qx = b.

1
− 23 2
   
2 5
6
   
 1 1 2  
a) Q = 
 2 3 5
, b = 12
 
   
2
0 0 5 4
   
2 −1 2 2
   
1   
b) Q =  1 −2 2  , b= 4

3  
  
2 2 −1 8
   
sin θ − cos θ 2 sin θ
c) Q = , b=
cos θ sin θ 2 cos θ

3. Sean A y B dos matrices ortogonales n×n. Simplifique las siguientes expresiones.

a) A(AT + B T )B
b) (AT B T )−1 (BA)T
 121

16. Gram-Schmidt y la Factorización QR [2] (5.3)

Un vector v en Rn al espacio W si v es ortogonal a todo vector en W .

Complemento Ortogonal

El complemento ortogonal, denotado como W ⊥ es el conjunto de vectores que

son ortogonales a un espacio W .

W ⊥ = { v ∈ Rn tal que v · w = 0, ∀w ∈ W }

Propiedades del complemento ortogonal

a. W ⊥ es un subespacio vectorial k1 w1 + k2 w2 ∈ W ⊥ .
b. El complemento del complemento ortogonal es el mismo espacio (W ⊥ )⊥ = W .
c. La intersección entre W y W ⊥ es el vector cero W ⊥ ∩ W = {0}.
d. Si un vector v es ortogonal a cada vector una base de W , entonces v ∈ W ⊥ .

       
2 0 2 3
Ejercicio 1: Sea W = gen  1  , 3. ¿Están v3 = −3 ó v4 = −3 en W ⊥ ?
−1 3 3 3
Para que un vector esté en el complemento ortogonal debe ser ortogonal a cada uno de
los vectores de la base de W .

v3 · v1 = 4 − 3 − 3 = −2 6= 0

v3 NO está en W ⊥ .

v4 · v1 = 6 − 3 − 3 = 0
v4 · v2 = 0 − 9 + 9 = 0

v4 SI está en W ⊥ .

Si dos vectores son linealmente independientes pero no ortogonales es necesario utilizar

la proyección escalar y vectorial de un vector sobre otro.
u·v
Proyección escalar de v sobre u: |proyu (v)| =
|u|
 
u·v u
Proyección vectorial de v sobre u: proyu (v) =
|u| |u|

Como proyu (v) + ~h = v, el vector ~h = v − proyu (v) es ortogonal a u.

~h · u = v · u − u · v u · v = v · u − u · v = 0
 
u·u
122

Componente de v ortogonal a u

Dados dos vectores linealmente independientes u y v, la proyección ortogonal de

v sobre u, denotada como perpu v, es el vector:
u · v
perpu v = v − proyu (v) = v − u
u·u

Ejercicio 2: Encuentre una base ortogonal para el espacio gen( v1 , v2 ).

   
1 4
2 4
v1 = 
0 ,
 v2 =  
1
1 0

El segundo vector es la componente de v2 ortogonal a v1 .

 
v1 · v2
perpv1 v2 = v2 − v1
v1 · v1
v1 · v2 4+8+0+0
= =2
v1 · v1 1+4+1
     
4 1 2
4 2  0 
perpv1 v2 = 1 − 2 0 =  1 
    

0 1 −2
   

 1 2 
   
2 ,  0  .

Una base ortogonal para este espacio es: B =  0  1 

 
1 −2
 

Este idea se puede generalizar para n vectores linealmente independientes.

Proyección Vectorial y Componente Ortogonal

Sea W un espacio de Rn y B = { u1 , u2 , u3 , · · · , uk } una base para W .

La proyección vectorial del vector v sobre W es:
     
u1 · v u2 · v uk · v
proyW (v) = u1 + u2 + · · · + uk
u1 · u1 u2 · u2 uk · uk

La componente de v ortogonal a W es:

perpW (v) = v − proyW (v)

 123

Método de Gram-Schmidt
El método de Gram Schmidt nos permite encontrar de manera iterativa una base ortogo-
nal para un espacio W utilizando proyecciones ortogonales.

Ortogonalización de Gram-Schmidt

Sea B = { x1 , x2 , · · · xk } una base para el subespacio W en Rn .

v1 = x1
 
v1 · x2
v2 = x2 − v1
v ·v
 1 1  
v1 · x3 v2 · x3
v3 = x3 − v1 − v2
v1 · v1 v2 · v2
..
.
k−1  
X vi · xk
vk = xk − vi
i=1
vi · vi

El conjunto B⊥ = { v1 , v2 , · · · vk } es una base ortogonal para W .

Observaciones:
vi
Para obtener una base ortonormal, normalice cada vector qi = .
|vi |
Este método depende del orden de los vectores de la base original.

v1 = x2
 
v1 · x1
v2 = x1 − v1
v1 · v1

Con este orden se obtiene una base ortogonal diferente.

124

     
 1 1 0 
Ejercicio 3: Considere la base B = 1 , 1 , 1 .
   
1 0 1
 

a. Construya una base ortogonal para W .

 
1
v1 = 1 , v1 · x2 = 1 + 1 + 0 = 2, v1 · v1 = 1 + 1 + 1 = 3
1
     1 
  1 1
v1 · x2 2 3
v2 = x2 − v1 = 1 − 1 =  13 
v1 · v1 3
0 1 − 23
1 2 1
v1 · x3 = 0 + 1 + 1 = 2, v2 · x3 = 0 + − = −
3 3 3
1 1 4 2
v1 · v1 = 1 + 1 + 1 = 3, v2 · v2 = + + =
9 9 9  3    1   1
    0 1 −
v1 · x3 v2 · x3 2   1  31   1 2 
v3 = x3 − v1 − v2 = 1 −
  1 + = 2
v1 · v1 v2 · v2 3 2 32
1 1 −3 0
    1   1 
 1 3
−2 
1   1 
La base ortogonal es: BO =  1 ,
 
3
, 2
.
1 − 23 0
 

b. Construya una base ortonormal para W .

√
r
2 1
Divida cada vector de la base por su longitud v1 = 3, v2 = , v3 = √ .
3 2
   r  1   1 
 1 1 √ −2 
3 1 
3
BO = √ 1 ,
  , 2 12 

 3 2 32
1 −3 0


c. Construya una matriz ortogonal y compruebe que QT Q = I.

1 
√ √1 − √1
  3 6 2
Q = q1 q2 q3 =  √13 √16 √1 
 
2
√1 − √26 0
3
 1    
√ √1 √1 √1 √1 − √1

3 3 3 3 6 2 1 0 0
QT Q =  √16 √16 − √26   √13 √16 √1  = 0 1 0
  
2
− √12 √12 0 √1
3
− √26 0 0 0 1
 125

   
1 −2
Ejercicio 4: Considere el subespacio W = gen  1 , 0  .
 
0 1

a. Construya una base ortogonal para W .

 
1
v1 = 1 , v1 · x2 = −2 + 0 + 0 = −2, v1 · v1 = 1 + 1 + 0 = 2
0
     
  −2 1 −1
v1 · x2
v2 = x2 − v1 =  0  + 1 =  1 
v1 · v1
1 0 1
    
 1 −1 
La Base Ortogonal para W es: BW = 1 ,  1 
0 1
 

b. Utilice el producto cruz para construir una base ortogonal para R3 .

 
 i j k
 
v3 = v1 × v2 =  1 1 0 = i − j + 2k
−1 1 1
      
 1 −1 1 
3
La Base Ortogonal para R es: B2 = 1 , 1 , −1
   
0 1 2
 

c. Resuelva el sistema de ecuaciones Qx = b, donde

1
√1 √1
 √ 
√ −
 2 3 6 √6
Q =  √12 √13 − √16  b = −√ 6
 
0 √1 √2 6
3 6

La matriz Q contiene los vectores de la base ortogonal normalizados, por lo que es

ortogonal QT Q = I, y la solución del sistema es: x = QT b.
 1  √ 
√ √1 0
T − √21 1
2
1 
√6
√ √
3 −
x=Q b= 3 3 √6

1 1 2
√
6
− √6 √6 6
 √ √   
√3 − √3 + √ 0 0
√
x = − 2 − 2 + 2 = − 2
  
1+1+2 4
126

Factorización QR
La factorización QR resuelve de manera eficiente el sistema de ecuaciones Ax = b,
además se utiliza en aplicaciones relevantes como mı́nimos cuadrados y en métodos
numéricos para encontrar eigenvalores.

Si Am×n tiene columnas linealmente independientes, entonces

Am×n = Qm×n Rn×n

donde Q es una matriz ortogonal rectangular QT Q = In×n

y R es una matriz triangular superior.

Observaciones:

Como los vectores ortonormales se pueden ordenar de diferentes formas, la facto-

rización QR de una matriz A no es única.

Si la matriz A es cuadrada, entonces Q−1 = QT y el sistema de ecuaciones Ax = b

tiene solución única.

QRx = b
Rx = QT b
x = R−1 QT b

La inversa de una matriz triangular superior también es una matriz triangular su-
perior y se puede encontrar resolviendo hacia atrás.

La matriz triangular superior R se obtiene al multiplicar ambos lados por QT .

QR = A
R = QT

Pasos para encontrar la factorización QR de una matriz A

1. Compruebe que las columnas de A son linealmente independientes.

2. Utilice Gram Schmidt para encontrar una base ortogonal para las columnas de A.
 
3. Normalice cada vector: Q = v1 · · · vm .

4. Obtenga la matriz triangular: R = QT A.

 127

Ejercicio 5: Encuentre una factorización QR para las siguientes matrices.

 
0 1 1
a. A = 1 0 1
1 1 0
 
0
v1 = 1 , v1 · x2 = 0 + 0 + 1 = 1, v1 · v1 = 0 + 1 + 1 = 2
1
     
  1 0 1
v1 · x2 1    1
v2 = x2 − v1 = 0 −
  1 = −2
v1 · v1 2 1
1 1 2
1 1
v1 · x3 = 0 + 1 + 0 = 1, v2 · x3 = 1 − + 0 =
2 2
1 1 3
v1 · v1 = 0 + 1 + 1 = 2, v2 · v2 = 1 + + =
4 4  2      
    1 0 − 13 2
v1 · x3 v2 · x3 3
v3 = x3 − v1 − v2 = 1 + − 12  +  16  =  23 
v1 · v1 v2 · v2
0 − 12 − 16 − 23

Normalice cada vector

 
√ 0
v1 1
|v1 | = 2 q1 = = √ 1
|v1 | 2 1
√
   
r 1 2
3 v2 2 1  
|v2 | = q2 = = √ −1/2 = √ −1

2 |v2 | 3 1/2 6 1
√
 2   
1
3 v3 3  2 
3 1  
|v3 | = 2 q3 = = √ =√ 1
3 |v3 | 2 3 −3 2 3 −1
3

La matriz ortogonal es:

 
0 √2 √1
6 3
Q =  √12 − √16 √1 
 
3
√1 √1 − √13
2 6

La matriz triangular superior es:


√1 √1
  √ 
0 2 √1 √1

2 2 0 1 1 2 2
R = QT A =  √26 − √16 √1  1 0 1 = 0 √3 √1 
    
6 6 6
√1 √1 − √13 1 1 0 0 0 √2
3 3 3
128

   
1 1 1 1
 1 −1 2 1
b. B = 
−1 1 0,
 v1 = 
−1 ,
 v1 · x2 = 4, v1 · v1 = 4
1 5 1 1

    
  1 1 0
v 1 · x2 −1  1  −2
   
v 2 = x2 −  1  − −1 =  2 
v1 =  
v1 · v1
5 1 4
v1 · x3 = 1 + 2 + 0 + 1 = 4, v2 · x3 = 0 − 4 + 0 + 4 = 0
v1 · v1 = 1 + 1 + 1 + 1 = 4, v2 · v2 = 0 + 4 + 4 + 16 = 24
     
    1 −1 0
v 1 · x3 v2 · x3 2 −1 1
v 3 = x3 − v1 − v2 = 
0 +  1  + 0v2 = 1
    
v1 · v1 v2 · v2
1 −1 0

Normalice cada vector


1
v1 1 1 
|v1 | = 2 q1 = =  
|v1 | 2 −1
1
 
0
√ v2 1  −1
|v2 | = 2 6 q2 = =√  
|v2 | 6 1 
−1
 
0
√ v3 1 1

|v3 | = 2 q3 = =√  
|v3 | 2 1
0

La matriz ortogonal es:

 1

2
0 0
1

2
− √16 √1 
2
Q= 1

− 2 √1 √1 

6 2
1 √2
2 6
0

La matriz triangular superior es:

 
1 1
− 12 1  1 1 1 
2 2 2

2 2 2
−1 √
− √16 √1 √2   1 2

R = QT A =  0 6 6 −1
 = 0 2 6 0 
√
√1 √1
1 0 
0 0 0 0 2
2 2 1 5 1
 129

Ejercicio 6: Las columnas de Q fueron obtenidas mediante la aplicación del proceso de Gram-
Schmidt a las columnas de A. Encuentre la matriz triangular superior R tal que A = QR.
2 1 2
 
  3 3 3
2 8 2 
 1


2
a. A =  1 7 1 , Q=
 3 3
− 32 

−2 −2 1  
− 23 2
3
1
3

      
2 1 −2 2 8 2 9 27 3 3 9 1
1 1
R = QT A = 1 2 2  1 7 1 = 0 18 6 = 0 6 2
3 3
2 −2 1 −2 −2 1 0 0 3 0 0 1

√1 √1
 
6 3
   
1 3
 
 √2 0
2  6
4

b. A = 
−1 −1 , Q=
  

 √1 √1 
− 6

0 1  3
 
0 √1
3
 

√1 √2 − √16 0
 1 3 " #  √ √ 
6 6 2 4  √6 12
√ 6 2√ 6
R = QT A =   =
−1 −1
6
√3
6
=
√1 √1 1 0 0 3
0 √ 3
3 3 3 0 1
130

Ejercicios de Práctica

1. Ortogonalización Gram-Schmidt: Obtenga una base ortogonal y base ortonormal

para cada una de las siguientes bases.
   
3 3
a) B1 = ,
−4 1
     
 1 0 2 
b) B2 = −1 , 2 , 0
   
−1 2 4
 

2. Considere la siguiente matriz:

 
1 3 −1
B = −2 −3 5 
−2 0 −1

a) Obtenga una base ortonormal B2 = { q1 , q2 , q3 } para col(B).

 
3
b) Resuelva el sistema de ecuaciones Q~y = 9.
6

3. Factorización QR: Considere la siguiente matriz:

   
2 1 1
A= 2 0 ,
  b = 1

1 1 2

a) Encuentre la factorización QR de A.
b) Encuentre la mejor aproximación a una solución de Ax = b usando la facto-
rización QR.
 131

17. Mejor Aproximación y Distancia Mı́nima [2] (7.3)

Para determinar una relación funcional entre varias variables generalmente se usan datos
experimentales o históricos, por ejemplo:

El tamaño de una población en el transcurso del tiempo.

Relación entre costos, ingresos y la producción.

Relación entre el capital, trabajo y el el nivel de producción.

Relación entre el desplazamiento y la fuerza ejercida sobre un resorte.

Un conjunto de datos se puede visualizar para encontrar la mejor aproximación entre la

variable dependiente e independiente.

En los siguientes diagramas, se observa que una lı́nea recta ajusta mejor al primer con-
junto de datos, mientras que una parábola ajusta mejor al segundo conjunto de datos.

Mejor Aproximación

Si W es un subespacio de un espacio V con producto interno v ·v, entonces el vector

w̄ es la mejor aproximación de V en W si

|v − w̄| 6 |v − w|, ∀w ∈ W y w̄ 6= v

Si la base del espacio W es B = {w1 , w2 , · · · wn }, la distancia más corta entre un vector

v ∈ V y el espacio W es la proyección vectorial de v sobre W .
k  
X v · wi
proyW (v) = wi
i=1
wi · wi
132

Teorema de la mejor aproximación

Si W es un subespacio de un espacio V con producto interno y si v ∈ V , entonces

la proyección vectorial de v en W , proyW (v), es la mejor aproximación a v en W .

La distancia mı́nima entre el vector v y la mejor aproximación de v es la magnitud

de la componente ortogonal.

dmin = |perpW (v)| = |v − proyW (v)|

Ejercicio 1: Encuentre la mejor aproximación a v en el plano W=gen(u1 , u2 ) y la distancia

mı́nima entre v y el plano.
     
1 5 3
u1 = 2 ,
  u2 = −2 ,
  v = 2 ,

−1 1 5
 
v no está en generado(u1 , u2 ), porque el sistema u1 u2 | v es inconsistente.

El vector en W más cercano a v es la proyección vectorial de v sobre W = gen(u1 , u2 ) .

   
v · u1 v · u2
proyW (v) = u1 + u2
u1 · u1 u2 · u2

        
1 5 1/3 8/3 3
1 16   
w̄ = proyW (v) =  2  = −2 = 2/3  + −16/15 = −2/5
3 30
−1 1 −1/3 8/15 1/5
T
3 − 52 1

La mejor aproximación de v en W es el vector 5
.

La distancia mı́nima en el punto y el plano es la magnitud de la componente ortogonal.

       
3 3 0 0
12  
perpW (v) = |v − w̄| = 2 − −2/5 = 12/5 =
      1
5
5 1/5 24/5 2

12 √ 12 √
dmin = |v − w̄| = 1+4= 5
5 5
 133

18. Aproximación por Mı́nimos Cuadrados [2] (7.3)

Encuentre una curva que ”mejor se ajuste” a un conjunto de puntos de datos.

Supongamos que después de realizar un estudio se obtienen los puntos de datos (1, 2),
(2, 2) y (3, 4). Inicialmente, podemos asumir que los valores de x & y se pueden
relacionar mediante una función lineal y = a + bx.

Si los tres puntos están sobre una recta tienen que satisfacer el sig. sistema de ecuaciones.
     
a+b=2 1 1 | 2 −→ 1 1 | 2 R1 − R2 1 0 | 2
a + 2b = 2 1 2 | 2 R2 − R1 0 1 | 0 −→ 0 1 | 0
a + 3b = 4 1 3 | 4 R3 − R1 0 2 | 2 R3 − 2R2 0 0 | 2

Como el sistema es inconsistente, una recta no puede pasar por los tres puntos.

Objetivo: Encuentre una recta que llegue a pasar tan cerca como sea posible a los puntos.

El error ei es la distancia vertical desde cada punto hasta la recta. El vector de error es:
 
e1
e = e2 

e3

Para este problema en particular el vector de error es:

   
e1 y1 − a − bx1
e = e2  = y2 − a − bx2 
e3 y3 − a − bx3

Utilice la norma euclidiana y escoja la recta que minimice la magnitud del vector de error.
q
| e | = e21 + e22 + e23

El escalar | e | se denomina el error de aproximación.

Ejercicio 1: Dados los puntos P (1, 2), Q(2, 2) y R(3, 4).

a. Encuentre las ecuaciones de la rectas que pasan por los siguientes puntos.

a) Entre el punto P y el punto Q.

2−2
m= =0 y1 = 2 + 0 · (x − 1) = 2
2−1
b) Entre el punto P y el punto R.
4−2
m= =1 y2 = 2 + (x − 1) = 1 + x
3−1
134

c) Entre el punto Q y el punto R.

4−2
m= =2 y3 = 2 + 2(x − 2) = 2x − 2
3−2

2
b. Encuentre el error de aproximación utilizando cada recta y también y4 = + x.
3

x y y1 y2 y3 y4 21 22 23 24

5 1
1 2 2 2 0 3
0 0 4 9

8 4
2 2 2 3 2 3
0 1 0 9

11 1
3 4 2 4 4 3
4 0 0 9

Mı́nimos Cuadrados 21 +22 +23 4 1 4 6

9

La recta y4 produce el error de aproximación más pequeño entre estas cuatro rectas a
pesar de que no pasa por ninguno de los tres puntos.

Derivación del Modelo de Mı́nimos Cuadrados

Dados n puntos de datos (x1 , y1 ), (x2 , y2 ), · · · , (xn , yn ) y una recta y = c0 + c1 x, el

vector de error es la diferencia entre los valores actuales ~y y los aproximados c0 + c1~x.

e = ~y − (co~1 + c1~x)

Construya el sistema de n ecuaciones lineales.

   
c0 + c1 x1 = y1 1 x1 y
   1
co + c1 x 2 = y 2 1 x2  c0
 
 y2 
..  .. ..  =  ..  Ac̄ = ~y
.  . .  c1 .
co + c1 x n = y n 1 xn yn

A menos que los n puntos sean colineales, el sistema de ecuaciones n × 2: A~c = ~y es

inconsistente y sólo se puede encontrar una mejor aproximación a la solución de Ac̄ = ~y .

Recta de Aproximación de Mı́nimos Cuadrados

La recta ȳ = co + c1 x que minimiza la suma de errores al cuadrado eT e

se conoce como la recta de mejor ajuste.
 
c
El vector de coeficientes de la recta que minimiza el error se denota como c̄ = o .
c1
 135

Utilice el Teorema de la Mejor Aproximación para encontrar el vector Ac̄ más cercano
a ~y , con el cual se encuentran los coeficientes c̄ de la recta de mejor aproximación.

El vector más cercano a Ac̄ es la proyección escalar de ~y sobre el espacio columna de

(A).
Ac̄ = proycol(A) (~y )
El vector de error mide la distancia entre ~y y Ac̄.
e = ~y − Ac̄
Por lo que el vector de error es la componente ortogonal del vector de proyección proycol(A) (~y ).
e = ~y − Ac̄ = perpcol(A) ~y
Para minimizar el error al cuadrado (minimizar la distancia), el vector de error debe ser
ortogonal al espacio columna de A.
AT e = 0
AT (~y − Ac̄) = 0
AT ~y − AT Ac̄ = 0
AT Ac̄ = AT ~y

Teorema de Mı́nimos Cuadrados

Si A es una matriz n × m con columnas L.I. y b ∈ Rn , entonces

La matriz simétrica AT A es invertible.

Los coeficientes de la recta ȳ = c0 + c1 x de mejor aproximación se obtienen

al resolver la ecuación normal: AT Ac̄ = ~y .

El error mı́nimo es: | e|min = |~y − Ac̄|

Ejercicio 2: Encuentre una solución de mı́nimos cuadrados para los sigs. sistemas inconsistentes.
   
1 1 2
a. Ac = b, A= 1 2 ,
  b = 2. Este sistema de ecuaciones del ejercicio 1.

1 3 4
Obtenga las ecuaciones normales.
   
  1 1     2  
1 1 1  3 6 1 1 1   8
T
A A= 1 2 = AT~b = 2 =
1 2 3 6 14 1 2 3 18
1 3 4

Resuelva el sistema de ecuaciones: AT Ax̄ = AT~b.

     
3 6 | 8 −→ 3 6 | 8 R1 − 3R2 3 0 | 2
6 14 | 18 R2 − 2R1 0 2 | 2 0.5R2 0 1 | 1

La solución de MCs es: c0 = 32 , c1 = 1 .

136

   
1 5 6
b. Ac = b, A =  2 −2 , b = 2.

−1 1 4

Obtenga las ecuaciones normales.

   
  1 5     6  
T 1 2 −1  6 0 T~ 1 2 −1   6
A A= 2 −2 = , A b = 2 =
5 −2 1 0 30 5 −2 1 30
−1 1 4

Resuelva el sistema de ecuaciones AT Ax̄ = AT~b.

   
6 0 | 6 R1 /6 1 0 | 1
0 30 | 30 R2 /30 0 1 | 1

La solución de mı́nimos cuadrados es: c0 = 1, c1 = 1.

   
 6 6  √ √
Error de mı́nimos cuadrados: |e| = |Ax̄ − ~b| = 0 − 2 = 0 + 4 + 16 = 2 5.

 0 4 

Ejercicio 3: Encuentre la recta de mejor aproximación y = co + c1 x para los siguientes datos.

Encuentre el error de mı́nimos cuadrados para la recta de mejor ajuste.

a. (−1, 7), (0, −3) y (1, −7)

Obtenga el sistema de ecuaciones Ac̄ = y.

   
1 −1   7
1 0  c0 = −3
c1
1 1 −7

Obtenga las ecuaciones normales.

   
  1 −1     7  
T 1 1 1  3 0 T 1 1 1   −3
A A= 1 0 = , A y= −3 =
−1 0 1 0 2 −1 0 1 −14
1 1 −7

3 14
El sistema es diagonal y la solución es: c0 = − = −1, c1 = − = −7 .
3 2

La recta de mejor ajuste es: ȳ = −1 − 7x.

   
 7 6  p
 √
Error mı́nimos cuadrados: |e| = −3 − −1 = 12 + (−2)2 + 12 = 6

 −7 −8 
 137

b. (0, −6), (2, 3) y (4, 6)

Construya el sistema de ecuaciones Ac̄ = ~y .

   
1 0 −6
A= 1 2 ,
 ~y = 3 

1 4 6

Obtenga las ecuaciones normales AT Ac̄ = ~y .

   
  1 0     −6  
T 1 1 1  3 6 T 1 1 1   3
A A= 1 2 = , A ~y = 3 =
0 2 4 6 20 0 2 4 30
1 4 6
Resuelva el sistema.
     
3 6 | 3 R1 /3 1 2 | 1 R1 −R2 /4 1 0 | −5
6 20 | 30 R2 −R1 0 8 | 24 R2 /8 0 1 | 3

La recta de mejor ajuste es ȳ = −5 + 3x.

Error mı́nimos cuadrados: |e| = |~y − ȳ|

x ~y ȳ Error
0 -6 -5 -1
2 3 1 2
4 6 7 -1
√
|e| 6

c. (−5, −3), (0, −1), (5, 4) y (10, 12)

Obtenga el sistema de ecuaciones Ac̄ = ~y .

   
1 −5   −3
1 0  c0 −1
1 5  c1 =  4 
   

1 10 12
Obtenga las ecuaciones normales.
 
  1 −5  
1 1 1 1 1 0  4 10
AT A =  =
−5 0 5 10 1 5  10 150
1 10
 
  −3  
1 1 1 −1 = 12
1 
T

A ~y =
−5 0 5 10  4  155
12
138

Resuelva el sistema de ecuaciones.

     
4 10 | 12 R1 /4 1 2.5 | 3 R1 −R2 /50 1 0 | 0.5
10 150 | 155 R2 −2.5R1 0 125 | 125 R2 /125 0 1 | 1

La recta de mejor ajuste es: ȳ = 0.5 + x.

El error de mı́nimos cuadrados con esta recta es:

|e| = |~y − ȳ| .

xi ~yi ȳi ei
-5 -3 -4.5 1.5
0 -1 0.5 -1.5
5 4 4.5 -1.5
10 12 10.5 √ 1.5
|e| 9=3

Factorización QR y Mı́nimos Cuadrados

Si An×m tiene m columnas linealmente independientes, entonces A = QR.

La matriz normal AT A tiene la siguiente factorización QR.

AT A = (QR)T (QR) = RT QT QR = RT R

Las ecuaciones normales AT Ac̄ = AT ~y se pueden simplificar con la factorización QR.

RT Rc̄ = RT QT ~y
RT c̄ = QT ~y

Mı́nimos Cuadrados usando la Factorización QR

Sea An×m una matriz con m columnas linealmente independientes. Si A tiene una
factorización A = QR, entonces la solución de mı́nimos cuadrados de Ac̄ = ~y es:

c̄ = R−1 QT ~y

Ventajas de la solución mı́nimos cuadrados

No es necesario realizar el producto matricial AT A ni invertir esta matriz.

El sistema se puede resolver sólo con sustitución hacia atrás.

No es necesario realizar la Eliminación Gaussiana.

 139

Ejercicio 4: Dada la factorización QR encuentre la solución de mı́nimos cuadrados de A~x = b.

     
2 1 2 1   2
1 3 1
a. A = 2 0 , Q = 2 −2 , R= , b =  3 .
3 0 1
1 1 1 2 −1

Las ecuaciones normales AT A~x = AT b se simplifican a R~x = QT b.

 
  2  
T 1 2 2 1   3
Q b= 3 =
3 1 −2 2 −2
−1

Resuelva el sistema de ecuaciones R~x = QT b.

   
3 1 | 3 R2 − R1 3 0 | 5
0 1 | −2 −→ 0 1 | −2

5
La solución de mı́nimos cuadrados es: x1 = 3
y x2 = −2.

√ 
 √ √ 
    
1 0 1 3 1
1  1 2 3 − 3
b. A =  2 −1 , Q= √ 2 √0  , R= √ , b = 3.

−1 1 6 2 0 1
1
−1 3

La solución de mı́nimos cuadrados se obtiene al resolver el sistema: R~x = QT b .

 
  1  
T 1 √1 2 √ −1   1 √6
Q b= √ 3 =√
6 3 0 3 6 2 3
1
√ √ √
Multiplique ambos lados por 6 y resuelva el sistema: 6R~x = 6QT b .

  13 R1    
−3 | √
6 √ 6 2 −1 | 2 R1 +R2 2 0 | 4
−→
0 3 | 2 3 √1 R 0 1 | 2 −→ 0 1 | 2
1
3

La solución de mı́nimos cuadrados es x1 = 2 y x2 = 2.

140

Ejercicio 5: Encuentre la mejor aproximación a una solución del siguiente sistema de ecuaciones.

x+ y =0
− y + 2z =2
x − z =4
−x + z =2

El sistema de ecuaciones tiene 4 ecuaciones y 3 variables, posiblemente es inconsistente.

Construya el sistema de ecuaciones Ax = b.

   
1 1 0 0
 0 −1 2  2
A= , b= 
1 0 −1 4
−1 0 1 2

Obtenga las ecuaciones normales AT Ax = AT b

 
  1 1 0  
1 0 1 −1  2 1 −2
0 −1 2  
AT A = 1 −1 0 0  = 1 2 −2
1 0 −1
0 2 −1 1 −1 −2 6
−1 0 1
 
  0  
1 0 1 −1   2
T 2  
A b = 1 −1 0
 0   = −2
 
4
0 2 −1 1 2
2

Resuelva el sistema utilizando eliminación gaussiana.

     
2 1 −2 | 2 2 1 −2 | 2 2 1 −2 | 2
1 2 −2 | −2
R2 −2R1
0 1.5 −1 | −3 −→ 0 1.5 −1 | −3
R3 +2R1 R3 −R2
−1 −2 6 | 2 0 −1.5 5 | 3 0 0 4 | 0
1
   
R1 +0.5R3 2 1 0 | 2 R1 − 1.5 R2 2 0 0 | 4
R2 +0.25R3 0 1.5 0 | −3
 −→ 0 1 0 | −2
1
0.25R3 0 0 1 | 0 R
1.5 2
0 0 1 | 0
 
2
La mejor aproximación a una solución del sistema es: x = −2 .

0
 141

Ejercicios de Práctica
1. Recta de mejor ajuste
Encuentre la aproximación lineal por mı́nimos cuadrados para los puntos dados y
calcule el correspondiente error de mı́nimos cuadrados.

a) (1, 0), (2, 1), (3, 5)

b) (1, 1), (2, 3), (3, 4), (4, 5), (5, 7)

2. Solución aproximada de Ax = b
Encuentre una solución aproximada a Ax = b usando mı́nimos cuadrados.

       
3 1 1 1 −2 4
a) A = 1 1, b = 1
 0 −3 1
b) A = 
2 5 ,
 b=
−2

1 2 1
3 0 4

3. En la siguiente tabla se muestra la expectativa de vida (en años) de personas nacidas

en Estados Unidos en el año proporcionado.
Año de nacimiento (x) 1920 1930 1940 1950 1960 1970 1980 1990
Expectativa de vida (y) 54.1 59.7 62.9 68.2 69.7 70.8 73.7 75.4

a) Determine la recta de aproximación por mı́nimos cuadrados de estos datos.

b) Grafique la recta de aproximación y el conjunto de datos.
c) Explique si la recta pasa cerca de todos los datos y si es buen modelo.
d) Utilice el modelo para predecir la expectativa de vida de EEUU en el año 2000.
Calcule el error si el dato actual para el año 2000 fue de 76.6 años.

4. La Ley de Hooke afirma que la longitud L de un resorte es una función lineal

de la fuerza F que se le aplica. En concordancia, existen constantes a y b tales que
L = a + bF . La siguiente tabla muestra los resultados de colocar varios pesos en un
resorte:

F (oz) 2 4 6 8
L (in) 7 10 11 14

a) Determine las constantes a y b al encontrar la aproximación lineal por mı́nimos

cuadrados para dichos datos. ¿Qué representa a?
b) Estime la longitud del resorte cuando se le coloca un peso de 5 onzas.
142

5. Factorización QR y mı́nimos cuadrados

Dada una factorización QR de A, encuentre una la mejor aproximación a una solu-

ción utilizando mı́nimos cuadrados de Ax = b.
     
2 1 2/3 1/3   1
3 1
a) A = 2 0, Q = 2/3 −2/3, R = , b = 1
0 1
1 1 1/3 2/3 1
 √ √ 
√ √ 
   
1 0 1/√6 1/ 2 1
6 −6/√ 2
b) A = 2 −1 , Q = 2/ √6
   0√ , R =
 , b = 1

−1 1 0 1/ 2 1
−1/ 6 1/ 2
 143

19. Ajuste de Curvas y Regresión Múltiple [2] (7.3)

Dado un conjunto de datos, se puede encontrar una parábola o polinomio de mejor ajuste
si se observa que los puntos parecen trazar una curva diferente a una lı́nea recta.

Definición: Polinomio de Mejor Aproximación

Dados n puntos (x1 , y1 ), (x2 , y2 ), · · · , (xn , yn ), el polinomio de grado k

P̄ (x) = co + c1 x + c2 x2 + · · · + ck xk

que minimiza el error de mı́nimos cuadrados |e| = mı́n |y − P̄k | se conoce como
el polinomio de grado k de mejor aproximación o el polinomio de mejor ajuste.

El vector y contiene todos los valores de la variable dependiente.

El vector c̄ contiene todos los coeficientes del polinomio de grado k.

Derivación del Modelo de Mı́nimos Cuadrados

Si los n datos están sobre el polinomio P̄ (x) se obtiene el siguiente sistema de n
ecuaciones lineales con k + 1 incógnitas.

c0 + c1 x1 + c2 x21 + · · · + ck xk1 = y1
c0 + c1 x2 + c2 x22 + · · · + ck xk2 = y2
c0 + c1 x3 + c2 x23 + · · · + ck xk3 = y3
.. ..
.=.
c0 + c1 xn + c2 x2n + · · · + ck xkn = yn
| {z } |{z}
Ac̄ y

Este sistema se puede expresar en la forma matricial An×(k+1) c̄(k+1)×1 = yn×1 , donde
     
1 x1 x21 · · · xk1 c0 y1
 1 x2 x2 · · · xk   c1   y2 
2 2
A =  .. .. ..  , ~c =  ..  , y =  .. 
    
..
. . . .   .  .
2 k
1 xn xn · · · xn ck yn

La matriz A se conoce como la matriz de Vandermonde, aparece con frecuencia en pro-

blemas de ajustes de curvas.

A menos que los n puntos estén exactamente sobre un polinomio de grado k, este siste-
ma de n ecuaciones y k + 1 variables es inconsistente y sólo se puede obtener la mejor
aproximación por medio de mı́nimos cuadrados.
144

Multiplique el sistema por AT para obtener las ecuaciones normales.

AT A~c = AT y

Si las n + 1 columnas de A son LI, entonces (AT A)(k+1)×(k+1) es invertible.

Los coeficientes c̄ del polinomio de grado k son:

c̄ = (AT A)−1 AT y

Polinomio de Mejor Aproximación

Dados n puntos (x1 , y1 ), (x2 , y2 ), · · · , (xn , yn ), los coeficientes del polinomio de

grado k de mejor aproximación

P̄ (x) = co + c1 x + c2 x2 + · · · + ck xk

se obtienen al resolver las ecuaciones normales AT A~c = AT y.

A es la matriz de Vandermonde y el vector y contiene la variable dependiente.

Observaciones:

Si n = k + 1, se obtiene exactamente un polinomio de grado k.

Si n 6 k + 1, no se puede obtener un único polinomio de grado k.

Para que se tenga una buena aproximación, n debe ser mucho mayor que k + 1.
 145

Ejercicio 1: Encuentre la parábola que ofrece la mejor aproximación por mı́nimos cuadrados para
los puntos dados. Calcule el error de mı́nimos cuadrados.

a. (−2, 0), (−1, 3.5), (0, 4), (1, 2.5) y (2, 0)

El sistema de ecuaciones es:

   
1 −2 4   0
1 −1 1 co 3.5
   
1 0 0 c1  =  4 
   
1 1 1 c2 2.5
1 2 4 0

Construya las ecuaciones normales: AT Ac̄ = AT ~y .

 
  1 −2 4  
1 1 1 1 1   1 −1 1  5 0 10
AT A = −2 1 0 1 2  1 0 0 = 0 10 0
  
4 1 0 1 4 1 1 1 10 0 34
1 2 4
 
  0  
1 1 1 1 1   3.5
 10
T
A ~y = −2 1 0 1 2  4  = −1
    
4 1 0 1 4 2.5 6
0

Resuelva el sistema de ecuaciones:

  1   1
 
5 0 10 | 10 R
5 1
1 0 2 | 2 R1 − R3 1 0 0 |
7
4
 0 10 0 | −1 1 R2 0 1 0 | −0.1 −→ 0 1 0 | −0.1
10
1
10 0 34 | 6 R3 −2R1 0 0 14 | −14 R
14 3
0 0 1 | −1

La parábola de mejor ajuste es:

ȳ = 4 − 0.1x − x2

x ~y ȳapprox e
-2 0 0.2 -0.2
-1 3.5 3.1 0.4
0 4 4 0
1 2.5 2.9 -0.4
2 0 -0.2 0.2
√
|e| = 0.1 40
√
El error de MCs es: |e| = 0.2 10.
146

b. (−2, 3), (0, −1), (2, 3) y (4, 7)

~1 X X 2 c̄ = ~y .
 
Construya el sistema de ecuaciones:
 
1 −2 4
1 0 0 
A=
1 2 4 


1 4 16

Construya las ecuaciones normales: AT Ac̄ = AT ~y .

 
  1 −2 4  
1 1 1 1  4 4 24
1 0 0  
AT A = −2 0 2 4   1 2 4  = 4 24 64

4 0 4 16 24 64 288
1 4 16
 
  3  
1 1 1 1   12
−1  
AT ~y = −2 0 2 4  3 = 28
4 0 4 16 136
7

     
4 4 24 | 12 0.25R1 1 1 6 | 3 1 1 6 | 3
 4 24 64 | 28  R2 − R1 0 20 40 | 16 R2 /20 0 1 2 | 0.8
24 64 288 | 136 R3 − 6R1 0 40 144 | 64 R3 − 2R1 0 0 64 | 32

0.2
La solución del sistema de ecuaciones es: c = −0.2.
0.5

La parábola de mejor ajuste es:

ȳ = 0.2 − 0.2x + 0.5x2

x ~y ȳapprox e
-2 3 2.6 0.4
0 -1 0.2 -1.2
2 3 1.8 1.2
4 7 7.4 -0.4
√
|e| = 0.4 20
√
El error de MCs es: |e| = 0.8 5.
 147

Aproximaciones Lineales MultiVariables

Hay varios fenómenos que dependen de más de una variable. Por ejemplo, el desplaza-
miento de un proyectil depende de la velocidad inicial y la aceleración por la gravedad,
la utilidad depende de los ingresos y los costos, etc. En estos fenómenos, la variable de-
pendiente y tiene varias variables independientes x1 , x2 , xk .

El objetivo es encontrar una relación funcional y = f (x1 , x2 , · · · , xk ), en especı́fico una

relación lineal entre las variables.

y = c0 + c1 x 1 + c2 x 2 + · · · + ck x k

La función anterior es una función lineal en varias variables, también se conoce como
recta de regresión múltiple.

Derivación del Modelo de Regresión Múltiple

Para un conjunto de n puntos en Rn+1

(x11 , x12 , · · · , x1k , y1 ), (x21 , x22 , · · · , x2k , y2 ), · · · (xn1 , xn2 , · · · , xnk , yn ),

asuma que el comportamiento de este conjunto de datos puede ser aproximado por una
función lineal en k variables.

ȳ = c0 + c1 x1 + c2 x2 + · · · + ck xk

En este caso, los n puntos deben satisfacer el siguiente sistema de ecuaciones:

c0 + c1 x11 + c2 x12 + · · · + ck x1k = y1

c0 + c1 x21 + c2 x22 + · · · + ck x2k = y2
c0 + c1 x31 + c2 x32 + · · · + ck x3k = y3
.. .
. = ..
c0 + c1 xn1 + c2 xn2 + · · · + ck xnk = yn
| {z } |{z}
Ac̄ y

Denote como Xi el vector columna que guarda todos los valores de la variable indepen-
diente xi y como y el vector columna con todos los valores de la variable dependiente.

Este sistema se puede expresar en la forma matricial An×(k+1)~c(k+1)×1 = yn×1 , donde

   
c0 y1
   c1   y2 
A = 1 X1 X 2 · · · Xk , ~c =  ..  , y =  .. 
   
. .
ck yn
148

Este sistema de n ecuaciones y k + 1 incógnitas también es inconsistente y la mejor apro-

ximación de la solución se obtiene por mı́nimos cuadrados.

Multiplique por AT para obtener las ecuaciones normales

AT A~c = AT y

Si las n + 1 columnas de A son LI, entonces (AT A)(k+1)×(k+1) es invertible.

Los coeficientes ~c del polinomio de grado k son:

~c = (AT A)−1 AT y

Recta de Regresión Múltiple de Mejor Aproximación

Dados n puntos (x11 , · · · x1k , y1 ), (x21 , · · · x2k , y2 ), · · · , (xn1 , · · · xnk , yn ), los

coeficientes de la función lineal de k variables de mejor aproximación

y(x) = co + c1 x1 + c2 x2 + · · · + ck xk

se obtienen al resolver las ecuaciones normales AT A~c = AT y.

A contiene los valores de las variables independientes & y contiene los valores de
la variable dependiente.

Ejercicio 2: Encuentre el plano de mejor ajuste y = a0 + a1 x1 + a2 x2 para los siguientes datos.

Encuentre el error de mı́nimos cuadrados.

X1 X2 Y
-1 -1 4
-1 0 2
0 -1 7
0 0 5
0 1 11
1 0 0

Construya el sistema de ecuaciones:

   
1 −1 −1 4
1 −1 0     2 
1 0 −1 a0
   
 a1  =  7 
 

1 0 0 5
  a2  
1 1 1 11
1 1 0 0
 149

Construya las ecuaciones normales:

 
1 −1 −1
  1 −1 0   
1 1 1 1 1 1 1 0 −1
 6 −1 −1
AT A = −1 −1 0 0 1 1 
1 0
 = −1 3 1
0
−1 0 −1 0 1 0   −1 1 3
1 0 1
1 1 0
 
4
  2   
1 1 1 1 1 1 7
 29
T
A ~y = −1 −1 0 0 0
 1   = −6
   
5
−1 0 −1 0 1 0 11 0
0

Resuelva el sistema de ecuaciones, intercambie R1 con R3 .

     
−1 1 3 | 0 −1 1 3 | 0 −R1 1 −1 −3 | 0
R − R3 
−1 3 1 | −6 2 0 2 −2 | −6 12 R2 0 1 −1 | −3
R3 + 6R1
6 −1 −1 | 29 0 5 17 | 29 R3 − 25 R2 0 0 22 | 44
   
R1 + 3R3 1 −1 0 | 6 1 0 0 | 5
R + R2 
R2 + R3 0 1 0 | −1 1 0 1 0 | −1
1 −→
R
22 3
0 0 1 | 2 0 0 1 | 2

El plano de mejor ajuste es: ȳ = 5 − x1 + 2x2 .

En la siguiente tabla se muestran los valores aproximados de y y el error en cada punto.

x1 x2 y ȳ e
-1 -1 4 4 0
-1 0 2 6 -4
0 -1 7 3 4
0 0 5 5 0
0 1 11 7 4
1 0 0 4 -4

√ √
El error de mı́nimos cuadrados es: |e| = 16 + 16 + 16 + 16 = 64 = 8.
150

Aplicaciones Curvas de Mejor Ajuste

Las curvas de mejor ajuste y mı́nimos cuadrados se pueden utilizar en varias aplicaciones
como:
Crecimiento Poblacional
Expectativa de Vida
Movimiento en dos Dimensiones
Curvas de Demanda y Oferta
Utilidades, Ingresos y Costos

Modelo de Crecimiento Exponencial

En el modelo poblacional más básico, la tasa relativa de crecimiento anual r es constante,
P (t) = Po ert
P0 es la población inicial tomada en un año base t0 = 0.

Si la población se mide en n tiempos diferentes, la tasa relativa de crecimiento se puede

estimar utilizando mı́nimos cuadrados. Tome logaritmos en el modelo exponencial para
obtener un modelo lineal.
ln P = lnPo + rt
y = co + rt
Al utilizar los n puntos, se obtiene el sistema de ecuaciones An×2 c̄2×1 = yn×1 .
 
c
Con la solución de mı́nimos cuadrados ~c = o = (AT A)−1 AT y, se obtiene la mejor es-
r
timación para Po = ea y la tasa relativa de crecimiento, la cual es la pendiente de la recta.

Si se asume que la población inicial es el primer dato (to , Po ), la tasa de crecimiento se

puede estimar con más facilidad.
ln P − ln P0 = rt
 
P
ln = rt
P0
Sustituya los n − 1 datos para obtener el sistema de ecuaciones B(n−1)×1 r1×1 = P~(n−1)×1 .
Este sistema sólo tiene una incógnita r, multiplı́quelo por AT .
 
T T ~ ~ Pi
B Br = B P , Pi = ln , Bi = ti
P0
B T P~
El producto matricial AT A es un escalar, la tasa de crecimiento es: r = .
(B T B)1×1
 151

Ejercicio 3: La población de EEUU en cada década que se realizó el censo es:

Año Población (Millones)
1950 150
1960 179
1970 203
1980 227
1990 250
2000 281

a. Encuentre la tasa relativa de crecimiento que mejor ajusta la población de EEUU.

Asuma un modelo exponencial y considere a 1950 como el año base t0 .

Tome logaritmos en el modelo de crecimiento exponencial.

 
Pi
rti = ln
Po
Ar = P~
 
 T Pi
La matriz A es: 10 20 30 40 50 y cada componente del vector P es ln .
Po

AT A = 100 + 400 + 900 + 1600 + 2500 = 5, 500

         
T ~ 179 203 227 250 281
A P = 10 ln + 20 ln + 30 ln + 40 ln + 50 ln
150 150 150 150 150
AT P~ ≈ 72.0673
AT P~ 72.0673
r= T
≈ ≈ 0.013103
A A 5, 500
La tasa de crecimiento anual entre 1950 y 2000 es de aproximadamente 1.3103 %.

b. Utilice este modelo para estimar la población de EEUU en 2010.

El censo de EEUU efectuado en este año determinó una población de 308 millones.

Con los datos utilizados: P (t) = 150e0.013103(t−1950) .

La población estimada para 2010 es de P (2010) = 150e0.013103∗60 ≈ 329.25 millones.

El error en la estimación fue de 21.25 millones ó un 6.9 %, el cual es significativo.

Los modelos de crecimiento poblacional con tasa de crecimiento constante tienden a

sobreestimar la población porque no toman en cuenta la transición demográfica de los
paı́ses (la tasa relativa de crecimiento tiende a decrecer en el tiempo).
152

Ejercicios de Práctica
1. Mı́nimos Cuadrados y Ajuste de Curvas: Dados los siguientes datos.

(−2, −2), (−1, 0), (0, 5), (1, 6), (2, 3)

a) Encuentre la parábola de mejor ajuste y = a0 + a1 x + a2 x2 para este conjunto

de datos.
Los coeficientes en este caso no son exactos.
b) Grafique la parábola y el conjuntos de datos.
c) Calcule el error de mı́nimos cuadrados.

2. Crecimiento Poblacional:
En la siguiente tabla se muestra la población de Tanzania.

Año Población (millones)

1950 7.650
1960 10.074
1970 13.605
1980 18.687
1990 25.485
2000 34.021

a) Use un modelo exponencial P (t) = Po ert y estime la tasa de crecimiento

anual r con MCs.
b) Utilice este modelo para estimar la población de este paı́s en el año 2010.
Compárela con el dato actual para este año, el cual fue 44.793 millones.

3. En la siguiente tabla se muestra el ingreso I(q) que percibe un Ingenio monopolista

por la venta de q toneladas de azúcar.

q 0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34
I 0 80 110 150 180 250 290 300 320 310 300 280 260 240 180 110 60 0

a) Asuma que la función de ingreso es I = a + bq + cq 2 + dq 3 + eq 4 , encuentre el

polinomio de grado 4 de mejor ajuste para I(q).
b) Grafique la función cuártica y los puntos en un graficador.
 153

4. La siguiente tabla muestra el peso de una persona en libras, su estatura en cms, su

edad en años y su género 0 para mujeres y 1 para hombres:

peso 110 120 130 140 130 150 145 140 20 155
estatura 150 155 145 160 150 160 175 170 165 180
edad 20 25 30 35 40 40 25 35 20 30
género 0 0 0 0 0 1 1 1 1 1

a) Halle la función lineal de varias variables de mejor ajuste W = a0 + a1 x1 +

a2 x 2 + a3 x 3 .
b) Estime el peso de un hombre de 35 años de 1.60 metros.
c) Si un hombre y una mujer tienen la misma edad y estatura, de cuánto es el peso
adicional del hombre.

5. La función de producción Cobb-Douglas se utiliza con frecuencia para analizar el

efecto del nivel de trabajo L y de capital K en el nivel de producción Q de una
industria o paı́s.
Q = AK α Lβ
A, α y β son constantes.
a) Tome logaritmos y encuentre el modelo lineal para encontrar A, α y β.
b) En siguiente tabla se muestra la producción de la industria de un ingenio azu-
carero para diferentes niveles de K y L. Encuentre los coeficientes de curva
de mejor ajuste.
K L Q
10 10 49
10 20 58
20 10 71
20 20 80
30 20 100
40 20 115
50 30 140
60 30 154
70 40 175
80 40 185
90 50 208
100 50 220
c) Hay rendimientos decrecientes si α + β < 1, constantes si α + β = 1, y cre-
cientes si α + β > 1. ¿Qué tipo de rendimientos tiene esta industria? Escriba su
respuesta.
154
Referencias
[1] H AEUSSLER , E., PAUL , R., AND W OOD , R. Matemáticas para administración y economı́a,
13ra ed. Pearson, México, 2015.

[2] P OOLE , D. Álgebra Lineal, Una introducción moderna, 2da ed. Thomson, México, 2007.