Apuntes de Matem atica Aplicada II Tecnicatura en Redes y Telecomunicaciones - 2013

Matriz y Sistemas de Ecuaciones Lineal

a11 a12 ... a1n a21 a22 ... a2n . . . . . . . . . am1 am2 ... amn

Profesor: Ing. Juan Carlos Choque

 Indice General
1. Matrices y Determinantes 1.1. Introduci on: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2. Denici on de Matriz: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3. Operaciones con matrices: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1. Igualdad de matrices: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.2. Suma de matrices: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.3. M ultiplo escalar de una matriz: . . . . . . . . . . . . . . . . . . . . . . . 1.3.4. Propiedades de la suma de matrices y de la multiplicaci on escalar: . . . . 1.3.5. Multiplicaci on de matrices: . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.6. Propiedades: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4. Transpuesta de una matriz: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4.1. Propiedades de la transpuesta: . . . . . . . . . . . . . . . . . . . . . . . . 1.5. Matrices especiales: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2. Sistemas de ecuaciones algebraicas lineales 2.1. Introducci on: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1. Soluci on: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1 1 2 2 2 2 3 3 4 5 5 6 9 9 9

2.1.2. Resoluci on de sistemas: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.2. Matriz aumentada: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.2.1. Operaciones elementales con las: . . . . . . . . . . . . . . . . . . . . . . 14 2.2.2. M etodo de eliminaci on: . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.3. Sistemas Homog eneos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.3.1. Existencia de soluciones no triviales: . . . . . . . . . . . . . . . . . . . . 20 2.4. Expresi on de un sistema lineal en forma matricial: . . . . . . . . . . . . . . . . . 20 2.4.1. Comentarios: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.5. Rango de una matriz: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.5.1. Rango de una matriz mediante reducci on de las: . . . . . . . . . . . . . 22 2.6. Consistencia de AX = B : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.7. N umero de par ametros en una soluci on: . . . . . . . . . . . . . . . . . . . . . . . 23 3. Determinantes 25

3.1. Introducci on: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.2. Denici on de det de 1 1: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.3. Denici on de det de 2 2: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 3.4. Denici on de det de 3 3: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26 3.5. Expansi on de un determinante empleando cofactores: . . . . . . . . . . . . . . . 28 3.6. Propiedades de los determinantes: . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.6.1. Determinante de una transpuesta: . . . . . . . . . . . . . . . . . . . . . . 28 3.6.2. Dos las id enticas: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.6.3. Fila o columna con ceros: . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.6.4. Intercambio de las: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 3.6.5. Constante m utiples de una la: . . . . . . . . . . . . . . . . . . . . . . . 28 3.6.6. Determinante de un producto de matrices: . . . . . . . . . . . . . . . . . 28 3.6.7. Determinante inalterado: . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.6.8. Determiante de una matriz triangular: . . . . . . . . . . . . . . . . . . . 29 3.7. Inversa de una matriz: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.7.1. Propiedades de la inversa: . . . . . . . . . . . . . . . . . . . . . . . . . . 29 3.8. Calculo de la matriz inversa: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 3.8.1. Denici on de matriz adjunta: . . . . . . . . . . . . . . . . . . . . . . . . 30 3.8.2. Determinaci on de la inversa usando adjunta de la matriz: . . . . . . . . . 30 3.8.3. Determinaci on de la inversa usando operaciones en las: . . . . . . . . . 31 3.9. Utilizaci on de la matriz inversa para resolver sistemas: . . . . . . . . . . . . . . 32 3.10. Regla de Cramer: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

Cap tulo 1 : Matrices y Determinantes

1.1 Introduci on:

En las matem aticas, con frecuencia enfrentamos la tarea de manejar arreglos de n umeros o funciones. A uno de dichos arreglos de le denomina matriz. La invenci on de la teor a de matrices se debe al eminente matem atico ingl es Arthur Cayley (1821 - 1895).

1.2 Denici on de Matriz:

Una matriz es una arreglo rectangular de n umeros o funciones: a11 a21 . . . a12 a22 . . . ... a1n ... a2n . . . ... amn

(1.1)

am1 am2

A los n umeros o funciones incluidos en el arreglo (1.1) se les llama entidades o elementos de la matriz. Si una matriz tiene m renglones (las) y n columnas decimos que su tama no es de m por n (y se escribe m n). Una matriz de n n se denomina matriz cuadrada o matriz de orden n. Una matriz de 1 1 es simplemente una constante o funci on. 1 2 5 Por ejemplo, A = es una matriz de 2 3 mientras que: 6 9 3

0 8 9 7 1 2 6 1 2 B= 0 0 1 6 5 3 4 es una matriz cuadrada de 4 4 o una matriz de orden 4.

(1.2)

El elemento que aparece en la la i- esimo y en la columna j - esima de una matriz A de 1

m n se escribe como aij . Por lo tanto, una matriz A de m n se abrevia como A = (aij )mn . En una matriz cuadrada de n n a los elementos a11 , a22 , . . . , ann se les llama elementos de la diagonal principal. Los elementos de la diagonal principal de la matriz B mostrada es (1.2) son 9, 2, 1 y 4.

1.3 Operaciones con matrices:

1.3.1 Igualdad de matrices: Dos matrices A y B de m n son iguales si aij = bij para cada i y j . 1.3.2 Suma de matrices: Si A y B son dos matrices de m n, entonces su suma es

A + B = (aij + bij )mn

(1.3)

Para poder sumar o restar dos matrices deben tener el mismo orden, y el resultado es de ese mismo orden. Ejemplo No 1: suma de dos matrices. 2 1 3 4 7 8 y B = 9 3 es: a) La suma de A = 0 4 6 5 6 10 5 1 1 2 2 + 4 1 + 7 3 8 6 6 5 A+B = 4+3 6+5 0+9 = 9 7 11 6 + 1 10 1 5 + 2 5 9 3 1 2 3 1 0 b) La suma de A = a denida puesto que A y B tienen yB= no est 4 5 6 1 0 tama no diferente. 1.3.3 M ultiplo escalar de una matriz: Si k es un n umero real, entonces el m ultiplo escalar de una matriz A es:

 ka11 ka12 . . . ka1n ka21 ka22 . . . ka2n kA = . = (kaij )mn . . . . . . . . . . . kam1 kam2 . . . kamn En otras palabras, para calcular kA simplemente multiplicamos cada elemento de A por 2 3 5 2 5 (3) Ejemplo No 2: A partir de la denici on se tiene que 5 = = 4 1 5 4 5 (1) 10 15 ultiplo escalar kA es lo . Se observa de paso que, para cualquier matriz A, el m 20 5 mismo que Ak . 1.3.4 Propiedades de la suma de matrices y de la multiplicaci on escalar: Suponga que A, B y C son matrices de m n y que k1 y k2 son escalares. Por lo tanto, i) A + B = B + A ii) A + (B + C ) = (A + B ) + C iii) (k1 k2 )A = k1 (k2 A) iv) 1A = A v) k1 (A + B ) = k1 A + k1 B vi) (k1 + k2 )A = k1 A + k2 A 1.3.5 Multiplicaci on de matrices: Sea A una matriz que tenga m las y p columnas, y sea B una matriz con p las y n columnas. El producto AB es la matriz de m n: a11 a12 . . . a1p b11 b12 . . . b1n a21 a22 . . . a2p b21 b22 . . . b2n AB = . = . . . . . . . . . . . . . . . . . . . . . . . am1 am2 . . . amp bp1 bp2 . . . bpn 3 Ley distributiva. Ley distributiva. Ley conmutativa de la suma. Ley asociativa de la suma. k.

a11 b11 + a12 b21 + + a1p bp1 . . . a11 b1n + a12 b2n + + a1p bpn a21 b11 + a22 b21 + + a2p bp1 . . . a21 b1n + a22 b2n + + a2p bpn = . . . . . . . . . am1 b11 + am2 b21 + + amp bp1 . . . am1 b1n + am2 b2n + + amp bpn
p

aik bkj
k=1 mn

La denici on establece que el producto C = AB est a denido solamente cuando el n umero de columnas de la matriz A es igual que el n umero de las de B . La matriz resultante C = AB se forma utilizando la denici on del producto interno o punto de la la (vector) i- esimo de A con cada una de las columnas (vectores) de B . 2 3 2 2 3 1 , calcular C = AB . Ejemplo No 3: Dados A = yB= 1 1 3 4 3 1 2 3 4 Soluci on: 2 3 2 4 + 3 + 2 6 3 3 4 + 9 + 4 1 2 3 = C = AB = 1 1 3 8 3 2 12 + 3 + 3 8 9 4 4 3 1 2 3 4 9 0 17 = 3 18 5 1.3.6 Propiedades: Ley asociativa Si A es una matriz de m p, B una matriz de p r y C una matriz de r n, entonces el producto A(BC ) = (AB )C Ley distributiva Si tanto B como C son matrices de r n y A es una matriz de m r, entonces la ley distributiva es A(B + C ) = AB + AC 4

Adem as, si el producto (B + C )A est a denido, entonces

(B + C )A = BA + CA

1.4 Transpuesta de una matriz:

a11 a12 . . . a1n a21 a22 . . . a2n La transpuesta de la matriz m n, A = . es la matriz AT de . . . . . . . . . . . am1 am2 . . . amn n m dada por: a a . . . a 1m 11 12 a21 a22 . . . a2m AT = . . . . . . . . . . . . an1 an2 . . . anm En otras palabras, las las de una matriz A se convierten en las columnas de su transpuesta AT . 3 2 1 3 6 2 , entonces AT = 2 5 1. Si B = Ejemplo No 4: Si A = 6 5 2 2 1 4 1 2 4 5 entonces B T = . 3 1.4.1 Propiedades de la transpuesta: Suponga que A y B son matrices y k es un escalar. Por lo tanto, i) (AT )T = A Transpuesta de la transpuesta. Transpuesta de una suma. Transpuesta de un producto. Transpuesta de un m ultiplo escalar.

5 3 ,

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

1.5 Matrices especiales:

En la teor a de matrices existen muchos tipos de matrices que son importantes debido a que poseen ciertas propiedades. A continuaci on presentamos una lista de algunas de estas matrices: Una matriz formada s olo por elementos cero se denomina matriz cero y se denota mediante un 0. Por ejemplo: 0 0 = , 0 0 0 0= , 0 0 0 0 0= 0 0 0 0

son matrices cero. Si A y 0 son matrices m n, entonces:

A + 0 = A, A + (A) = 0

adem as

Se dice que una matriz A de n n es triangular si todos sus elementos ubicados por debajo de la diagonal principal son ceros o si todos sus elementos por arriba de la diagonal principal son ceros. En otras palabras, la matriz cuadrada A es triangular si aij = 0 para i < j o aij = 0 para i > j . Siendo m as espec cos, en el primer caso la matriz se llama triangular superior, y en el segundo caso tenemos una matriz triangular inferior. Las matrices siguientes son triangulares: 1 0 0 0 2 3 5 6 0 8 0 0 4 7 9 1 2 1 8 1 15 0 0 0 0 6 0 0 9 3 0 1 1 2 2 3 4

0 0 0 1

matriz triangular superior

matriz triangular inferior

Se dice una matriz A de n n es una matriz diagonal si todos sus elementos que no 6

se encuentran en la diagonal principal son ceros. Simb olicamente A = (aij )nn , A es una matriz diagonal si aij = 0 para i = j . La siguiente es una matriz diagonal: 5 0 0 0 1 0 0 0 2

Cuando todos los elementos de una matriz diagonal A son iguales, tenemos una matriz aij 5 0 escalar. Por ejemplo, es una matriz escalar. Una matriz escalar de n n es 0 5 simplemente un m ultiplo escalar de una matriz diagonal en la que todos los elementos de 5 0 1 0 la diagonal principal son iguales a 1. Por ejemplo, = 5 . 0 5 0 1 En general, la matriz de n n: 1 0 0 0 1 0 . . . 0 0 0 0 0 . . . 1

se representa con el s mbolo I (o mediante In cuando existe la necesidad de enfatizar el orden de la matriz). Para cualquier matriz A de m n se comprueba f acilmente que Im A = AIn = A. Debido a que esta u ltima propiedad es an aloga a 1 a = a 1 = a, para cualquier n umero real a, a la matriz I se le denomina matriz identidad. Se dice que una matriz A de n n es sim etrica si AT = A; esto es, A es sim etrica si aij = aji para todos i y j . Lo anterior signica que los elementos de una matriz sim etrica son sim etricos con respecto a la diagonal principal de la matriz. 1 2 7 Por ejemplo la siguiente matriz: A = etrica. Si calculamos la trans2 5 6, es sim 7 6 4 puesta observamos que:

 1 2 7 =A AT = 2 5 6 7 6 4

Cap tulo 2 : Sistemas de ecuaciones algebraicas lineales

2.1 Introducci on:

La forma general de un sistema de m ecuaciones lineales y n inc ognitas es:

a11 x1 + a12 x2 + + a1n xn =b1 a21 x1 + a22 x2 + + a2n xn =b2 . . . . . . (2.1)

am1 x1 + am2 x2 + + amn xn =bm

En el sistema lineal mostrado, los coeciente de las inc ognitas pueden abreviarse como aij , donde i signica la la y j la columna en la que aparece el coeciente. Por ejemplo, a23 es el coeciente de la inc ognita localizada en la segunda la y la tercera columna (es decir, x3 ). Por lo tanto, i = 1, 2, 3, . . . , m y j = 1, 2, 3, . . . , n. Los n umeros b1 , b2 , . . . , bm se llaman constantes del sistema. Si todas las constantes son cero, se dice que el sistema es homog eneo, de otra forma es no homog eneo. 2.1.1 Soluci on: Una soluci on de un sistema lineal 2.1 es un conjunto de n n umeros x1 , x2 , . . . , xn que satisface cada una de las ecuaciones del sistema. Por ejemplo, x1 = 3, x2 = 1 es una soluci on del sistema:

3x1 + 6x2 =3 x1 4x2 =7

Para comprobar lo anterior, sustituimos x1 por 3 y x2 por 1 en cada ecuaci on:

3(3) + 6(1) = 9 6 = 3 9

3 4(1) = 3 + 4 = 7

Se dice que un sistema de ecuaciones lineales es consistente sis tiene al menos una soluci on, y es inconsistente cuando no tiene soluciones. Si un sistema lineal es consistente tiene ya sea una soluci on u nica (es decir, exactamente una soluci on), o un n umero innito de soluciones. Por lo tanto, un sistema de ecuaciones lineales no pueden tener, digamos, exactamente tres soluciones. En un sistema lineal con dos ecuaciones y dos inc ognitas, las l neas se intersecan en un punto, (soluci on u nica), son id enticas, (un n umero innito de soluciones), o son paralelas, (inconsistentes). 2.1.2 Resoluci on de sistemas: Podemos transformar un sistema de ecuaciones lineales en un sistema equivalente (es decir, en uno que tenga las mismas soluciones) mediante las operaciones elementales siguientes: i) La multiplicaci on de una ecuaci on por una constante diferente de cero. ii) El intercambio de posiciones de las ecuaciones presentes en el sistema. iii) La suma de un m ultiplo diferente de cero de una ecuaci on con cualquiera de las dem as ecuaciones. Para ver como se usan estas operaciones veamos uno ejemplo: Ejemplo No 1: Resuelva:

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

Soluci on: Comenzamos intercambiando las las primera y segunda:

10

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

Nuestro objetivo es eliminar x1 de las ecuaciones segunda y tercera. Si sumamos a la segunda ecuaci on 2 veces la primera, obtenemos el sistema equivalente:

x1 + 2 x2 x3 = 1 2x2 + 3x3 =9 5x1 + 7x2 4x3 =9

Sum andole a la tercera ecuaci on 5 veces la primera, obtenemos un nuevo sistema equivalente:

x1 + 2 x2 x3 = 1 2x2 + 3x3 =9 3x2 + x3 =14

Ahora vamos a utilizar la segunda ecuaci on para eliminar la variable x2 a partir de las ecuaciones primera y tercera. Para hacer m as sencillo el procedimiento, multiplicaremos la segunda ecuaci on por 1 : 2 x1 + 2 x2 x3 = 1 3 9 x2 + x3 = 2 2 3x2 + x3 =14

Sumamos a la primera ecuaci on 2 veces la segunda y obtenemos:

11

x1 +

4x3 = 10

3 9 x 2 + x3 = 2 2 3x2 + x3 =14

A continuaci on, sumamos 3 veces la segunda ecuaci on a la tercera obtenemos:

x1 +

4x3 = 10

9 3 x 2 + x3 = 2 2 11 55 x3 = 2 2 Utilizaremos la u ltima ecuaci on para eliminar la variable x3 de las ecuaciones primera y segunda. Para tal n, multiplicamos la tercera ecuaci on por
2 : 11

x1 +

4x3 = 10

9 3 x 2 + x3 = 2 2 x3 =5

En este punto podr amos utilizar la sustituci on hacia atr as; esto es, sustituir el valor x3 = 5 en las ecuaciones restantes para determinar x1 y x2 . Sin embargo, continuando con nuestra
3 eliminaci on sistem atica, sumamos a la segunda ecuaci on 2 veces la tercera:

x1 +

4x3 = 10 x2 =3 x3 =5

Por u ltimo, sumando a la primera ecuaci on 4 veces la tercera, obtenemos:

12

x1 x2

=10 =3 x3 =5

Es evidente que x1 = 10, x2 = 3, x3 = 5 es la soluci on al sistema original.

2.2 Matriz aumentada:

En la soluci on de un sistema de ecuaciones lineales, son los coecientes de las variables y las constantes los que determinan la soluci on del sistema. De hecho, podemos resolver un sistema de la forma 2.1 eliminando completamente las variables y realizando las operaciones de las las de la matriz de coecientes y constantes: a11 a12 . . . a1n a21 a22 . . . a2n . . . . . . am1 am2 . . . amn | b1 | b2 . | . . | bm

(2.2)

A este arreglo se le denomina matriz aumentada del sistema o simplemente matriz del sistema 2.1. Ejemplo No 2: Matrices aumentadas. 1 3 5 | 2 a) La matriz aumentada , representa el sistema lineal: 4 7 1 | 8

x1 3x2 + 5x3 = 2 4x1 + 7x2 x3 = 8

13

b) El sistema lineal

x1 5x3 = 1 2x1 + 8x2 = 7 x2 + 9 x 3 = 1 es lo mismo que

x1 + 0x2 5x3 = 1 2 x1 + 8 x2 + 0 x3 = 7 0x1 + x2 + 9x3 = 1

Por lo tanto, la matriz del sistema es: 1 0 5 | 1 2 8 0 | 7 0 1 9 | 1 2.2.1 Operaciones elementales con las: Puesto que las las de una matriz aumentada representan las ecuaciones de un sistema lineal, las tres operaciones elementales de un sistema lineal listado previamente son equivalentes a las siguientes operaciones elementales con las: i) Multiplicaci on de una la por una constante diferente de cero. ii) Intercambio de cualquier par de las. iii) Suma de un m ultiplo constante diferente de cero de una la a cualquier otra la. Desde luego, cuando sumamos un m ultiplo de una la a otro, sumamos los elementos correspondiente en las las. Se puede decir que dos matrices son equivalentes por las si puede obtenerse una la a partir de otra mediante una secuencia de operaciones elementales con las. Al procedimiento de llevar a cabo operaciones elementales con las en una matriz para obtener una matriz con las equivalentes se le llama reducci on de las. 2.2.2 M etodo de eliminaci on: Para resolver un sistema como el expresado en 2.1 utilizando una matriz aumentada, podemos aplicar tanto el m etodo de eliminaci on gaussiana como el de eliminaci on de Gauss-Jordan. En el primero, se reduce a las la matriz aumentada del sistema hasta llegar a una matriz aumentada equivalente en las, la cual se presenta en la llamada forma escalonada: 14

i) El primer elemento diferente de cero en una la diferente de cero es un 1. ii) En las las consecutivas diferentes de cero, el primer elemento 1 situado en la la m as bajo aparece a la derecha del 1 localizado en la la m as alto. iii) Las las cuyos elementos son todos iguales a cero se encuentran en la parte inferior de la matriz. En el m etodo de Gauss-jordan, contin uan realizandose las operaciones de las hasta obtener una matriz aumentada que encuentre en su forma escalonada reducida. Una matriz escalonada reducida tiene las tres propiedades que se listaron anteriormente, adem as de la siguientes: iv) Una columna que contenga como primer elemento un 1, tendr a ceros en cualquier otro lugar. Ejemplo No 3: Formas escalonadas: a) Las matrices aumentadas y 0 0 1 6 2 | 2 0 0 0 0 1 | 4 1 5 0 | 2 0 1 0 | 1 0 0 0 | 0 se encuentran en forma escalonada. b) Las matrices aumentadas y 0 0 1 6 0 | 6 0 0 0 0 1 | 4 1 0 0 | 7 0 1 0 | 1 0 0 0 | 0

se encuentra en forma escalonada reducida. Se debe observar que en la eliminaci on gaussiana nos detuvimos cuando se obtuvo una matriz aumentada en forma escalonada. En otras palabras, utilizando diferentes secuencias de operaciones de las, es posible obtener diferentes formas escalonadas reducidas. Este m etodo requiere entonces el uso de la sustituci on hacia atr as. En la eliminaci on de Gauss-Jordan nos 15

detuvimos cuando se obtuvo la matriz aumentada en la forma escalonada reducida. Cualquier secuencia de operaciones con las nos llevar a a la misma matriz aumentada en forma escalonada reducida. Este m etodo no requiere la sustituci on hacia atr as; la soluci on del sistema ser a evidente al inspeccionar la matriz nal. En t erminos de las ecuaciones del sistema original, nuestro objetivo en ambos m etodos es simplemente hacer que el coeciente de x1 en la primera ecuaci on se a igual a uno y despu es utilizar m ultiplos de esta ecuaci on para elimina x1 de las dem as ecuaciones. El proceso se repite para las variables restantes. Para mantener un registro de las operaciones con las que se realicen en una matriz aumentada, se utiliza la siguiente notaci on: S mbolo Rij cRi cRi + Rj Signicado Intercambie las las i y j Multiplique la i- esima la por la constante c diferente de cero Multiplique la i- esima la por c y s umelo a la la j - esima

Ejemplo No 4: Resuelva el sistema lineal:

2x1 + 6x2 + x3 = 7 x1 + 2 x2 x 3 = 1 5x1 + 7x2 4x3 = 9

a) usando eliminaci on gaussiana, b) usando eliminaci on de Gauss-Jordan. Soluci on: a) Al utilizar las operaciones de las en la matriz aumentada del sistema obtenemos: 2 6 1 | 7 1 2 1 | 1 1 2 1 | 1 1 2 1 | 1 F12 2 6 1 | 7 2F1 + F2 0 2 3 | 9 5 7 4 | 9 5 7 4 | 9 5 7 4 | 9 1 2 1 | 1 1 2 1 | 1 1 2 1 | 1 1 F2 0 1 3 9 3F + F 3 9 5F1 + F3 0 2 3 | 9 | 2 3 0 1 | 2 2 2 2 2 55 0 3 1 | 14 0 0 11 | 0 3 1 | 14 2 2 16

 1 2 1 | 1 2 3 9 F3 0 1 | 2 2 11 0 0 1 | 5 La u ltima matriz est a en la forma escalonada y representa el sistema

x1 + 2 x2 x3 = 1 3 9 x2 + x3 = 2 2 x3 = 5

Sustituir x3 = 5 en la segunda ecuaci on nos da x2 = 3. Al reemplazar ambos valores en la primera ecuaci on obtenemos nalmente x1 = 10. b) Comenzamos con la u ltima matriz escrita anteriormente. Puesto que los primeros elementos localizados en la segunda y tercera columna son unos, debemos hacer, a su vez, que los elementos restantes de la segunda y tercera columnas sean ceros: 1 2 1 | 1 1 0 4 | 10 1 0 0 | 10 0 1 3 | 9 2F2 + F1 0 1 3 | 3 9 4F + F 9 | 3 1 0 1 2 2 2 2 2 2 0 0 1 | 5 0 0 1 | 5 0 0 1 | 5 1 0 0 | 10 3 F3 + F2 0 1 0 | 3 2 0 0 1 | 5 La u ltima matriz est a en la forma escalonada reducida. Tomando en cuenta lo que signica la matriz en t erminos de ecuaciones, podemos observar que la soluci on del sistema es x1 = 10, x2 = 3, x3 = 5. Ejemplo No 5: Utilice el m etodo de Gauss-Jordan para resolver:

x1 + 3x2 2x3 = 7 4x1 + x2 + 3x3 = 5 2x1 5x2 + 7x3 = 19 17

Soluci on:

1 3 2 | 7 1 3 2 | 7 1 3 2 | 7 4 1 4F1 + F2 0 11 11 | 33 2F1 + F3 0 11 11 | 33 3 | 5 2 5 7 | 19 2 5 7 | 19 0 11 11 | 33 1 3 2 | 7 1 0 1 | 2 1 1 3F2 + F1 0 1 1 | 3 F2 F3 0 1 1 | 3 11 11 0 1 1 | 3 0 1 1 | 3 1 0 1 | 2 F2 + F3 0 1 1 | 3 0 0 0 | 0 En este caso, la u ltima matriz en forma escalonada reducida implica que el sistema original de tres ecuaciones con tres inc ognitas equivale realmente a dos ecuaciones en cuanto a las inc ognitas. Puesto que solamente x3 es com un a ambas ecuaciones (las las diferentes de cero), podemos asignar sus valores de forma arbitraria. Si x3 = t, donde t represente cualquier n umero real, entonces se puede observar que el sistema tiene un innito n umero de soluciones: x1 = 2 t, x2 = 3 + t, x3 = t. Geom etricamente, estas ecuaciones son las ecuaciones param etricas de la l nea de intersecci on de los planos x1 + 0x2 + x3 = 2 y 0x1 + x2 x3 = 3. Ejemplo No 6: Sistemas inconsistentes. Resuelva:

x1 + x2 = 1 4x1 x2 = 6 2x1 3x2 = 8

Soluci on. En el proceso de aplicar el m etodo de eliminaci on de Gauss-Jordan a la matriz del sistema, obtenemos.

18

1 1 | 1 1 1 | 1 1 1 | 1 4 1 | 6 4F1 + F2 0 5 | 10 2F1 + F3 0 5 | 10 1 F2 5 0 5 | 6 2 3 | 8 2 3 | 8 1 1 | 1 1 1 | 1 1 0 | 1 0 1 | 2 5F2 + F3 0 1 | 2 F2 + F1 0 1 | 2 0 5 | 6 0 0 | 16 0 0 | 16 La tercera la de la u ltima matriz signica 0x1 + 0x2 = 16 (o 0 = 16). Puesto que ning un valor de x1 y x2 puede satisfacer esta ecuaci on, es posible concluir que el sistema no tiene soluci on. Los sistemas inconsistentes de m ecuaciones lineales con n inc ognitas siempres generar an la situaci on que se ilustra en el ejemplo No 6; esto es, en la forma escalonada reducida de la matriz aumentada habr a una la en el que los primeros n elementos son cero y el elemento (n + 1) es diferente de cero.

2.3 Sistemas Homog eneos:

Todos los sistemas de los ejemplos vistos son no homog eneos. Como hemos observado, un sistema no homog eneo puede ser consistente o inconsistente. Por el contrario, un sistema homog eneo de ecuaciones lineales

a11 x1 + a12 x2 + + a1n xn =0 a21 x1 + a22 x2 + + a2n xn =0 . . . . . . (2.3)

am1 x1 + am2 x2 + + amn xn =0

siempre es consistente, puesto que x1 = 0, x2 = 0, . . . , xn = 0 satisfacen cada una de las ecuaciones del sistema. Una soluci on donde todos los valores son iguales a cero se llama soluci on trivial. Sin embargo, es natural que estemos interesados en conocer si un sistema de la forma 2.3 tiene cualesquiera soluciones para las que algunas de las xi , i = 1, 2, . . . , n, son diferentes 19

de cero. Una soluci on de este tipo se denomina soluci on no trivial. Un sistema homog eneo tiene ya sea solamente la soluci on trivial o la soluci on trivial junto con un n umero innito de soluciones no triviales. El teorema siguiente, enunciado sin demostraci on, nos proporciona una condici on que es suciente para justicar la existencia de la soluci on no triviales. 2.3.1 Existencia de soluciones no triviales: Un sistema homog eneo de la forma 2.3 tiene soluciones no triviales si el n umero m de ecuaciones es menor que el n umero n de inc ognitas (m < n). Ejemplo No 7: Resoluci on de un sistema homog eneo. Resuelva:

2x1 4x2 + 3x3 = 0 x1 + x2 2x3 = 0

solucion: Puesto que le n umero de ecuaciones es menor que el de inc ognitas sabemos, a partir del teorema anterior que el sistema dado tiene soluciones no triviales. Utilizando el m etodo de eliminaci on de Gauss-Jordan encontramos que: 1 1 2 | 0 1 1 2 | 0 1 2 4 3 | 0 2F1 + F2 F2 F12 6 2 4 3 | 0 0 6 7 | 0 1 1 2 | 0 5 1 1 2 | 0 1 0 6 | 0 F2 + F1 7 0 1 7 | 0 0 1 | 0 6 6 Como en el ejemplo No 5, si x3 = t, entonces la soluci on del sistema es x1 = 5 t, x2 = 7 t, 6 6 x3 = t. Observe que al seleccionar t = 0 obtenemos la soluci on trivial x1 = 0, x2 = 0, x3 = 0 para este sistema. Para t = 0 se obtienen soluciones no triviales.

2.4 Expresi on de un sistema lineal en forma matricial:

En vista de la multiplicaci on de matrices y de la igualdad de matrices, observe que el sistema lineal 2.1 puede escribirse de manera compacta como una ecuaci on matricial AX = B ,

20

donde

a11 a12 a21 a22 A= . . . am1 am2

a1 n a2 n ; . . . amn

x1 x2 X = . ; . . xn

b1 b2 B= . . . bm

(2.4)

Como es natural, la matriz A se denomina matriz de coecientes. La matriz aumentada de un sistema AX = B a menudo se denota como (A|B ). Un sistema lineal consistente no homog eneo AX = B , B = 0, comparte una propiedad con las ecuaciones diferenciales, (ecuaciones que incluyen derivadas), lineales no homog eneas. Si Xh es una soluci on del sistema homog eneo asociado AX = 0, y Xp es una soluci on particular del sistema no homog eneo AX = B , entonces la superposici on Xh + Xp es tambi en una soluci on del sistema no homog eneo. Esto es f acil de comprobar: A(Xh + Xp ) = AXh + AXp = 0 + B = B . Adem as, de modo an alogo a la noci on de una soluci on general de una ecuaci on diferencial lineal, cada soluci on del sistema no homog eneo puede obtenerse a partir de Xh + Xp . 2.4.1 Comentarios: Un sistema de ecuaciones lineales con m as ecuaciones que inc ognitas se dice que est a sobredeterminado, mientras que un sistema con un menor n umero de ecuaciones que de inc ognitas se llama subdeterminado. Como regla, un sistema sobredeterminado es generalmente (no siempre) inconsistente. Y un sistema subdeterminado es usualmente (no siempre) consistente. Debe observarse la imposibilidad de que un sistema subdeterminado consistente tenga una soluci on u nica. Para comprender esto, suponga que se tiene m ecuaciones y n inc ognitas donde m < n. Si se utiliza la eliminaci on gaussiana para resolver dicho sistema, entonces la forma escalonada para la matriz del sistema contendr a r m las diferentes de cero. Por lo tanto, podemos despejar r de las variables en t erminos de n r > 0 variables. Si el sistema subdeterminado es consistente, entonces las n r variables restantes pueden seleccionarse arbitrariamente, por lo que el sistema tiene un n umero innito de soluciones.

2.5 Rango de una matriz:

Denimos el rango de una matriz A de m n, representado mediante rango(A), al n umero m aximo de las linealmente independientes de A. 21

Aunque existen varias formas mec anicas de encontrar rango(A), examinamos una forma que utiliza las operaciones elementales con las presentada en secciones anteriores. Especicamente, el rango de A puede encontrarse escribiendo la matriz A como una matriz escalonada reducida B . Para comprender esto, recuerde primero que una matriz B de m x es equivalente en las a una matriz A de m n si las las de B se obtuvieron a partir de las las de A mediante la aplicaci on de las operaciones elementales en las las. 2.5.1 Rango de una matriz mediante reducci on de las: Si una matriz A es equivalente a una matriz escalonada B , entonces i) el espacio de las de A = el espacio de las de B , ii) las las de B diferentes de cero forman una base para el espacio de las de A, y iii) rango(A) = al n umero de las de B diferentes de cero. 1 1 1 3 Ejemplo No 8: Determinar el rango de la matriz A = 2 2 6 8 mediante 3 5 7 8 reducci on de las. Soluci on: Reducimos una matriz A a una matriz escalonada B exactamente de la misma forma que reducimos en las la matriz aumentada de un sistema de ecuaciones lineales a una forma escalonada al usar el m etodo de eliminaci on gaussuana. Utilizando las operaciones elementales de las obtenemos: 1 1 1 3 1 1 1 3 1 1 1 3 2F1 + F2 0 4 8 2 3F1 + F3 0 4 8 A= 2 2 6 8 2 3 5 7 8 3 5 7 8 0 2 4 1 1 1 1 3 1 1 1 3 1 1 2F + F 1 F2 0 1 2 0 1 2 2 3 2 2 4 0 2 4 1 0 0 0 0 Puesto que la u ltima matriz est a en la forma escalonada, y debido a que la u ltima matriz tiene dos las diferentes de cero, entonces por iii) podemos concluir que rango(A) = 2. 22

Ejemplo No 9: Independencia y dependencia lineales. Determine sis el conjunto de vectores u1 = (2, 1, 1), u2 = (0, 3, 0), u3 = (3, 1, 2), en R3 es linealmente dependiente o linealmente independiente. Soluci on: Para poder determinar la independencia lineal de estos vectores aplicando matriz, suponemos que estos vectores forman las las de una matriz A, de manera que tenemos: 2 1 1 A= 0 3 0 3 1 2 si reducimos por las la matriz A, obtenemos:

1 1 1 1 1 1 1 2 2 1 2 2 1 2 2 2 1 1 1 1 3F1 + F3 0 3 0 F2 0 1 0 1 F2 + F3 A= 2 0 3 0 2 F1 0 3 0 3 1 1 1 1 3 1 2 0 2 2 0 2 2 3 1 2
1 2 1 2

1 1 0 1 0 2F3 0 1 0 0 0 1 0 0 1 2 Como la matriz reducida por las tiene 3 nal distintas de cero, el rango(A) = 3. Igual al n umero de vectores del conjunto de vectores que estamos analizando. Entonces el conjunto de vectores es linealmente independientes. Si rango(A) < 3, entonces el conjunto de vectores es linealmente dependiente.

1 2

1 2

2.6 Consistencia de AX = B :
Un sistema lineal de ecuaciones AX = B es consistente si, y s olo si, el rango de la matriz de coecientes A es el mismo que el de la matriz aumentada del sistema (A|B ).

2.7 N umero de par ametros en una soluci on:

Suponga que un sistema lineal AX = B con m ecuaciones y n inc ognitas es consistente. Si la matriz de coecientes A es de rango r, entonces la soluci on del sistema contiene n r 23

par ametros, (la inc ognita de la que dependen la dem as inc ognitas).

24

Cap tulo 3 : Determinantes

3.1 Introducci on:

Suponga que A es una matriz de n n. Relacionado con A existe un n umero llamado el determinante de A, y se expresa como det A. De manera simb olica, una matriz A se distingue del determinante de A mediante el reemplazo de los par entesis por barras verticales: a11 a12 a21 a22 A= . . . an1 an2 a1n a2n . . . ann a11 a12 y det A = a21 a22 . . . an1 an2 a1n a2n . . . ann

Se dice que el determinante de una matriz de n n es un determinante de orden n. Comenzaremos deniendo los determinantes de matrices de 1 1, 2 2 y 3 3.

3.2 Denici on de det de 1 1:

Para una matriz A = (a) de 1 1, tenemos que det A = |a| = a. Ejemplo, si A = (5), entonces det A = | 5| = 5. En este caso, las barras verticales colocadas a ambos lados del n umero no signican el valor absoluto del n umero.

3.3 Denici on de det de 2 2:

El determinante de (3.1) a11 a12 a11 a12 A= = a11 a22 a12 a21 es detA = a21 a22 a21 a22

es decir en igual al producto de los elementos de la diagonal principal menos el producto de los elementos de la otra diagonal.

25

 6 3 6 3 Ejemplo el determinante de la matriz A = = , entonces det A = 5 9 5 9 6(9) (3)5 = 69

3.4 Denici on de det de 3 3:

El determinante de

a11 a12 a13 A= a a a 21 22 23 a31 a32 a33 es;

a11 a12 a13 det A = a21 a22 a23 =a11 a22 a33 + a12 a23 a31 + a13 a21 a32 a31 a32 a33 a13 a22 a31 a11 a23 a32 a12 a21 a33 (3.2)

La expresi on mostrada en 3.2 puede escribirse en una forma m as manejable. Mediante factorizaci on tenemos:

det A = a11 (a22 a33 a23a32 + a12 (a21 a33 + a23 a31 ) + a13 (a21 a32 a22 a31 )

(3.3)

Sin embargo, considerando 3.1, cada t ermino entre par entesis se reconoce como el determinante de una matriz de 2 2: det A = a11 a22 a23 a32 a33 (3.4) a21 a22 a21 a23 + a12 + a13 a31 a33 a31 a32

Observe que cada determinante mostrado en 3.4 es un determinante de una submatriz de la matriz A y corresponde a su coeciente de la forma siguiente: a11 es le coeciente del determinante de una submatriz obtenida mediante la eliminaci on de la primera la y la primera columna de A; a12 es le coeciente del negativo del determinante de la submatriz obtenida

26

eliminando la primera la y la segunda columna de A; y por u ltimo, a13 es el coeciente del determinante de la submatriz que se obtuvo eliminando la primera la y la tercera columna de A. En otras palabras los coecientes de 3.4 son simplemente los elementos de la primera la de A. Decimos que det A ha sido expandido por cofactores con respecto a la primera la, siendo los cofactores dea11 , a12 y a13 los determinantes a22 a23 a32 a33 Por lo tanto, 3.4 es: det A = a11 C11 + a12 C12 + a13 C13 En general, el cofactor de aij es el determinante: Cij = (1)i+j Mij (3.5) a21 a23 a31 a33 a21 a22 a31 a32

C11 =

C12 =

C13 =

(3.6)

donde Mij es el determinante de la submatriz que se obtiene al eliminar el i- esima la y la j - esima columna de A. El determinante Mij se llama menor. Un cofactor es una menor con signo; esto es, Cij = Mij cuando i + j es par y Cij = Mij cuando i + j es impar. Una matriz de 3 3 tiene nueve cofactores: C11 = M11 C21 = M21 C31 = M31 C12 = M12 C22 = M22 C32 = M32 C13 = M13 C23 = M23 C33 = M33

Ahora observe que 3.2 puede agruparse y factorizarse de nuevo como

det A = a12 (a21 a33 a23a31 + a22 (a11 a33 a13 a31 ) a23 (a11 a23 a13 a21 ) a11 a13 a21 a23 a11 a13 =a12 + a13 + a22 a31 a33 a31 a33 a21 a23 =a12 C12 + a22 C22 + a32 C32

(3.7)

(3.8)

lo cual es la expansi on por cofactores de det A a lo largo de la segunda columna. En general decimos que: el determinante de una matriz de 3 3 puede evaluarse expan27

diendo por cofactores det A a lo largo de cualquier la o columna.

3.5 Expansi on de un determinante empleando cofactores:

Sea A = (aij )nn una matriz de n n. Para cada 1 i n, la expansi on por cofactores de det A a l largo de la i- esima la es

det A = ai1 Ci1 + ai2 Ci2 + + ain Cin

Para cada 1 j n, la expansi on por cofactores de det A a lo largo de la j - esima columna es det A = a1j C1j + a2j C2j + + anj Cnj

3.6 Propiedades de los determinantes:

3.6.1 Determinante de una transpuesta: Si AT es la transpuesta de la matriz A de n n, entonces det AT = det A. 3.6.2 Dos las id enticas: Si cualesquiera dos las (columnas) de una matriz A de n n son iguales, entonces det A = 0. 3.6.3 Fila o columna con ceros: Si todos los elementos presentes en una la (columna) de una matriz A de n n son cero, entonces det A = 0. 3.6.4 Intercambio de las: Si B es la matriz que se obtiene al intercambiar cualquier par de las (columnas) de una matriz A de n n, entonces det B = det A. 3.6.5 Constante m utiples de una la: Si B es la matriz que se obtiene a partir de una matriz A de n n multiplicando una la (columna) por un n umero k real diferente de cero, entonces det B = k det A. 3.6.6 Determinante de un producto de matrices: Si tanto A como B son matrices de n n, entonces det AB = det A det B 28

3.6.7 Determinante inalterado: Suponga que B es la matriz obtenida a partir de una matriz A de n n multiplicando los elementos de una la (columna) por un n umero k diferente de cero, y sumando luego el resultado a los elementos correspondientes de otra la (columna). Entonces det B = det A. 5 1 2 a denida como la matriz Ejemplo, Supongamos que A = 3 0 7 y que la matriz B est 4 1 4 que se obtiene a partir de A mediante la operaci on elemental de las: 1 2 5 1 2 5 3F1 + F3 3 =B A= 3 0 7 0 7 4 1 4 11 4 2 Al expandir por cofactores a lo largo de, digamos la segunda columna, encontramos que det A = 45 y det B = 45. 3.6.8 Determiante de una matriz triangular: Suponga que A es una matriz triangular de n n (superior o inferior). Entonces

det A = a11 a22 ann

donde a11 , a22 , . . . , ann son los elementos de la diagonal principal de A.

3.7 Inversa de una matriz:

Sea A una matriz de n n. Si existe una matriz B de n n tal que:

AB = BA = I

(3.9)

donde I es la matriz identidad de n n, entonces se dice que la matriz A es no singular o inversible. Se arma qie la matriz B es la inversa de A, lo denotamos como B = A1 . 3.7.1 Propiedades de la inversa: i) (A1 )1 = A

29

ii) (AB )1 = B 1 A1 iii) (AT )1 = (A1 )T

3.8 Calculo de la matriz inversa:

3.8.1 Denici on de matriz adjunta: Sea A una matriz de n n. La matriz que representa a la transpuesta de la matriz de cofactores correspondientes a los elementos de A: T

C11 C12 C21 C22 . . . Cn1 Cn2

C1n C11 C21 C12 C22 C2n = . . . . . . Cnn C1n C2n

Cn1 Cn2 . . . Cnn

se conoce como la adjunta de A y se representa como adj A. 3.8.2 Determinaci on de la inversa usando adjunta de la matriz: Sea A una matriz de n n. Si el det A = 0, entonces: 1 det A

A1 =

adj A

(3.10)

1 4 Ejemplo, encontra la inversa de A = . 2 10 Puesto que el det A = 10 8 = 2, se tiene que: 1 10 4 5 2 = = 2 2 1 1 1 2

A1

2 2 0 . Otro ejemplo, invertir la matriz A = 2 1 1 3 0 1 Puesto que det A = 12, podemos calcular A1 . Los cofactores correspondientes a los elementos en A son:

30

C11 =

1 1 0 1

=1

C12 =

2 1 3 1 2 0 3 1 2 0

=5

C13 =

2 1 3 0 2 2 3 0 2

= 3

C21 =

2 0 0 1

= 2

C22 =

=2

C23 =

=6

C31 =

2 0 1 1

=2

C32 =

= 2

C33 =

=6

2 1

2 1

T 5 3 1 1 2 2 =5 , y como A1 = 1 adj A, Entonces: adjA = 2 2 6 2 2 det A 3 6 6 2 2 6 tenemos: A1

1 12

1 2 2 1 5 = 5 = 2 2 12 12 1 4 3 6 6

1 6
1 6 1 2

1 6
1 2

1 6

Una matriz A de n n es no singular si, y s olo si, det A = 0. 3.8.3 Determinaci on de la inversa usando operaciones en las: Si una matriz A de nn puede transformarse en una matriz identidad I de nn mediante una secuencia de operaciones elementales en las, entonces A es no singular. La misma secuencia de operaciones que transforma a la matriz A en la matriz identidad I transformar a I en A1 . Es conveniente llevar a cabo estas operaciones en las en las matrices A e I de manera simult anea mediante una matriz de n 2n obtenida aumentando A con la identidad I , tal como se ilustra enseguida: a11 a12 a21 a22 (A|I ) = . . . an1 an2 a1n | 1 0 a2n | 0 1 . . . . | . . ann | 0 0 0 0 . . . 1

Veamos un ejemplo para entender como se usa. Vamos a calcular la matriz inversa de, 31

 2 A = 2 3 Empezamos

2 0 1 1 , que es la matriz del ejemplo anterior que sabemos que es no singular. 0 1 planteando la matriz aumentada (A|I ), y luego realizamos las transformaciones

mediante operaciones elementales en las. 1 1 0 2 2 0 | 1 0 0 1 2 1 1 | 0 1 0 F1 2 1 1 2 3 0 1 3 0 1 | 0 0 1 1 1 0 (2F1 + F2 ) y (3F1 + F3 ) 0 3 1 0 3 1 1 1 0 | 1 1 ( F2 ) y (F2 + F3 ) 0 1 3 | 3 0 0 2 | 1 1 0 3 1 1 (F2 + F1 ) y ( F3 ) 0 1 3 2 0 0 1 1 0 0 | 1 1 ( F3 + F1 ) y ( F3 + F2 ) 0 1 0 | 3 3 0 0 1 |

1

0 0 | 0 1 0 | 0 0 1 1 | 2 0 0 | 1 1 0 3 | 2 0 1 1 0 0 2 1 1 0 3 3 1 2 1 1 | |
1 6 1 3

1 2

1 3
1 3 1 2

0 0
1 2 1 6

| 1 4
1 12 5 12

1 6
1 6 1 2

1 4

1 6
1 2

5 Entonces: A = 12 1 4 que en el ejemplo anterior.

1 12

1 6
1 6 1 2

, y como era de esperar llegamos al mismo resultado 1 6

1 2

1 6

3.9 Utilizaci on de la matriz inversa para resolver sistemas:

Un sistema de m ecuaciones lineales con n inc ognitas x1 , x2 , . . . , xn .

32

a11 x1 + a12 x2 + + a1n xn =b1 a21 x1 + a22 x2 + + a2n xn =b2 . . . . . .

am1 x1 + am2 x2 + + amn xn =bm

puede escribirse de manera breve como una ecuaci on matricial AX = B , donde: Un caso especial es cuando m = n, de tal forma que la matriz de coecientes A es de nn. En particular, si A es no singular, entonces el sistema AX = B puede resolverse multiplicando ambas ecuaciones por A1 . A partir de A1 (AX ) = A1 B , obtenemos (A1 A)X = A1 B . Debido a que A1 A = I e IX = X , tenemos:

X = A1 B

(3.11)

Ejemplo, resolver el siguiente sistema de ecuaciones:

2x1 +

x3 =2

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

3 2 0 1 2 5 , obtenemos: A1 = 8 17 10. Si calculamos la inversa de A = 2 3 4 5 5 6 5 10 6 Entonces: 3 2 19 x1 2 5 x = 8 17 10 4 = 62 2 x3 5 10 6 1 36 Como consecuencia, x1 = 19, x2 = 62 y x3 = 36. Unicidad: Cuando det A = 0 la soluci on del sistema es u nica. 33

Sistemas homog eneos: Un sistema homog eneo de n ecuaciones lineales con n inc ognitas AX = 0 tiene solamente la soluci on trivial si, y s olo si, A es no singular. Un sistema homog eneo de n ecuaciones lineales con n inc ognitas AX = 0 tiene una soluci on no trivial si, y s olo s , A es singular. Podemos concluir que un sistema homog eneo de n ecuaciones lineales con n inc ognitas AX = 0 tiene solamente la soluci on trivial si, y s olo si, det A = 0, y una soluci on no trivial si, y s olo si, det A = 0.

3.10 Regla de Cramer:

En un sistema de n ecuaciones lineales con n inc ognitas

a11 x1 + a12 x2 + + a1n xn =b1 a21 x1 + a22 x2 + + a2n xn =b2 . . . . . . (3.12)

an1 x1 + an2 x2 + + ann xn =bn

Es conveniente denir una matriz especial: a11 a12 a21 a22 Ak = . . . an1 an2 a1k1 b1 a1k+1 a2k1 b2 a2k+1 . . . ank1 bn ank+1 a1n a2n . . . ann

(3.13)

En otras palabras, Ak es la misma matriz A excepto que la columna k esima de A se ha reemplazado por elementos de la matriz columna b1 b2 B=. . . bn 34

Regla de Cramer, dice: Sea A la matriz de coecientes del sistema (3.12). Si det A = 0, entonces la soluci on de (3.12) esta dado por det A1 , det A det A2 , det A det An , det A

x1 =

x2 =

. . . , xn =

(3.14)

Ak , k = 1, 2, . . . , n est a denida en (3.13). Ejemplo, resolver el sistema de ecuaciones utilizando la regla de Cramer.

3x1 + 2x2 + x3 = 7 x1 x2 + 3 x3 = 3 5x1 + 4x2 2x3 = 1

1 3 2 , entonces: La soluci on es, si llamamos A = 1 1 3 5 4 2 3 2 1 3 2 1 3 = 78 = 13 7 2 1 3 2 2 7 = 39

det A = 1 1 5 4 3 7 det A2 = 1 3

det A1 = 3 1 1 3 4

det A3 = 1 1 3 = 52 5 4 1

5 1 2 Por lo tanto: det A1 = 3, det A det A2 = 6, det A

x1 =

x2 =

x3 =

det A3 =4 det A

Hay m as temas para ver sobre matrices, algunas de las bibliograf a que pueden consultar son: Matem aticas Avanzadas para Ingenier a, Vol. 1 Ecuaciones Diferenciales. Dennis G. Zill, Michael R. Cullen, (2006). Tercera Edici on. Editorial McGraw-Hill. (Usado para realizar este apunte). M etodos Operativos de C alculo Vectorial. Ortiz FaustoCervantes, (2010). Primera 35

Edici on. Universidad Aut onoma de la Ciudad de M exico. Algebra Lineal. Grossman Stanley I., (1988). Segunda Edici on. Editorial Grupo Iberoam erica.

36