Beruflich Dokumente
Kultur Dokumente
PARTE 2
lgebra Lineal
INDICE
1. Modelo de Insumo-Producto de Leontief para Cantidades.
2. Sistemas de Ecuaciones Lineales.
3. Matrices y Vectores.
4. Operaciones con Matrices y Vectores.
5. Expresin Matricial de un Sistema de Ecuaciones Lineales.
6. Clasificacin de Matrices.
7. Matriz Inversa.
de
InsumoProducto
de
Leontief
para
Supongamos una economa que produce n bienes (o que consta de n sectores). El anlisis de insumo - producto de
Leontief trata de determinar el nivel de produccin de cada uno de los n sectores que usan esos mismos n bienes
como insumos. De cada bien o sector hay una demanda final o excedente.
Precisemos una notacin para expresar el modelo como un modelo matemtico; llamaremos:
xj: produccin total del bien j, j =1,..,n.
xij: cantidad de i necesaria para producir del bien j la cantidad xj, i =1,..,n. j =1,..n.
di: cantidad de i destinada a satisfacer una demanda final o excedente.
Entonces para el bien k, la produccin total debe ser igual a lo que se usa como insumo de este bien para producir todos
los bienes ms una cierta demanda final:
xij
xj
Llamaremos : aij
3.
aij es constante
xk
xk 1
x
x
x1 k 2 x2 .. kn xn d k
x1
x2
xn
A
B
C
0,2
0,4
0,1
0,3
0,1
0,3
0,2
0,2
0,2
Como a11 = 0,2, significa que se necesitan $0,2 del bien de la industria A para producir $1 del bien de la misma industria.
a32 =0,3, se necesitan $0,3 del bien de la industria B para producir $1 del bien de industria C.
La produccin total de cada industria ser:
1. Por qu 0 aij 1?
2.
3. Cmo se interpreta
a ?
j 1
4. Cmo se interpreta
ij
a ?
i 1
ij
Modelo abierto: la demanda final para cada industria es un dato (variable exgena).
b) Modelo cerrado: la demanda final es una proporcin del nivel de produccin (variable endgena).
Para analizarlos, observemos que en (3) ha quedado planteado un sistema de n ecuaciones lineales con n incgnitas.
Veremos a continuacin el desarrollo de este tema matemtico.
j =1,..,n. As a21 es el
Antes de abocarnos a estas cuestiones desarrollaremos temas que simplificarn tal estudio.
. .
a
x1
x2
x
n ,
b1
b2
b b3
b
m
34xx x2xxx1 0
1
1
es
3 1 1
4 2 1 ,
x1
x x2
x
3
1
b
0
a
..
a
mn
m1 m2
1 0 1
4 1 3
5 1
1 2
es de orden 2x3.
a1
a2
a
n
orden nx1.
Si la matriz tiene una fila, se llama vector fila. Si x es un vector, simbolizaremos el vector fila como xt.
Por ejemplo vt = ( 1
-1)
Un vector es una n-upla ordenada y puede entonces interpretarse como un punto en el espacio n-dimensional
n .
As por ejemplo los vectores
2.
y u t (0 2) son puntos de
2 .
m (por qu?).
j = 1,..,n.
i=
Por ejemplo:
1 7 3 1 7 3 0 2 0
0
2
0
0
2
0
1
7
3
1 0 0 1 1 1
3 1 1 3
2
2
4 5 1 1 5 6
Definicin: Si A = ( aij) de orden m x n, y k es un escalar (nmero), se define el producto k.A como la matriz de
orden m x n:
k . (aij) = (k . aij)
Por ejemplo:
1 2 1 2
0 ,
1 0 1
1 3
3 0 0
2 6
Definicin: Se define producto interior o escalar de un vector fila ut de orden 1x p por un vector v de orden p x 1:
ut . v (u1 u2
Por ejemplo:
v1
v2
... u p ) . u1.v1 u2.v2 u p.vp
v
p
1 1 1
Observacin:
v1
v
Si v 2
v
n
u v
i
i 1
2
3
2 3 1 0 0
2
1
a
k 1
ik
bkj )
4
0
5 0
3 20
9 4
02 40
2 10 2
0 1 1
4 x 2
2x3
1
0 2 4 1
1
4
0
4
5 2 0 0 5 10 0
5 2 0 1 10 50 10
4
6
1
35
14
3 2 20 0
3 10 20
3 2 20 1
4
18
89 22
1
9 2 4 0 9 10 4
9 2 4 1
4
4x3
0 10 4
2 3
2 2
4 5
2x2
1x 2
1 x 2
1
2 1 0
0 0
0 2 1 0 0
1
2 1 0
3 x 1 1 x 3
3x3
Observaciones:
1.
El producto de matrices A . B slo est definido si el nmero de columnas de A es igual al nmero de filas de
B.
v1
v
2. Si v 2 es v.v t una matriz de orden n x n
vn
Calcularla y ver cmo son sus elementos (tarea).
3. Si x n A: n x n, es
4. Si k N calcular,
Ak si A: n x n
(tarea).
Propiedades
De la suma de matrices:
1.
0: m x n,
A: m x n.
2.
(A + B) + C = A + (B + C),
3.
A + B = B + A,
A, B, C: m x n.
A, B: m x n
1. k . (A B) k. A k . B, A, B: m x n, k .
2. (k r ) . A k . A r . A, k, r .
3. k . (r.A) (k . r) . A,
k, r .
2.
3.
4.
A . (B . C) = (A . B) . C, A: m x p
B: p x q
C: q x n.
(A + B) .C = A . C + B. C, A, B: m x p
C: p x n.
A . (B + C) = A . B + A . C, A: m x p
B, C: p x n.
5.
A . 0 = 0, A: m x n
6.
0: n x p.
A . 0 = 0 . A = 0, A, 0: n x n
Observacin:
Si A .B = 0
no
A= 0 B = 0
(por qu?)
(por qu?)
a m1 x1 a m 2 x 2 ... a mn x n bm
puede expresarse en forma matricial como
A.x=b
donde A = (aij): m x n
x = (xj): n x 1
b = (bi): m x 1
La matriz de orden m x (n + 1) que se obtiene de A agregando el vector b como columna n + 1, se llama matriz ampliada
del S.E.L. y se simboliza (A | b).
El S.E.L. se dice que es homogneo cuando el vector b = 0.
n
Dado el S.E.L. A . x = b, se dice que un vector x* es solucin del mismo si y slo si
Un S.E.L. A . x = b
infinitas soluciones.
A . x* = b.
10
Ms adelante veremos cmo analizar un S.E.L., y en caso de tener solucin/es, cmo hallarla/s.
A 0 1 3
0 0 0
es triangula r superior.
1 0 0
B 2 5 0
3 4 6
es triangula r inferior.
Matriz Diagonal
Definicin: Sea A: n x n. Se dice que A es diagonal si aij = 0 para todo
i j.
Ejemplo:
1 0 0
A 0 2 0
0 0 0
0 si i j
1 si i j
ij
i, j 1,.., n
Ejemplo:
1 0
0 1
I2
A la (delta) as definida se le llama delta de Kronecker.
Propiedades
1.
Si A: m x n es A . In = A, y Im . A = A (por qu?).
11
n
Matriz Traspuesta
Definicin: Dada B = (bij): m x n, se dice que C = (cij): n x m es la matriz traspuesta de B si las filas de C son las
columnas de B o, lo que es equivalente, las columnas de C son las filas de B, es decir si
j 1,.., m .
bji = cij
i 1,.., n ,
La simbolizaremos B Bt.
Ejemplo:
1 2
es A 3 4
0 0
1 3 0
Si A
2 4 0
Observacin:
1.
2.
Propiedades
1.
2.
3.
4.
(At)t = A
(A+B)t = At+Bt
(k.A)t = k.At, k
(A.B)t = Bt.At
n
Definicin 2:
Sea A: n x n. Se dice que A es simtrica si A = At.
Ejemplo:
1
A 0
1
0
3
4
1
2
4
Matriz Antisimtrica
Definicin 1: Sea A: n x n. Se dice que A es antisimtrica si aij = -aji
i , j 1,.., n .
12
A 1
0
2 1
3
2.
3.
2
1
3
0
Propiedades
1.
(tarea: demostrarla).
2.
(tarea: demostrarla).
3.
Matriz No Negativa
Definicin:
Sea A: m x n . Se dice que A es no negativa si aij 0
i 1,.., m, j 1,..n
Simbolizam os A 0.
Matriz Positiva
Definicin:
Sea A: m x n . Se dice que A es positiva si aij 0 i 1,.., m,j 1,.., n. Simbolizam os A 0
Ejemplos:
0 0 0
A 0 3 0 es no negativa.
1 0 0
1
x 2 es positivo.
3
Observacin: La matriz nula no es no negativa (por qu?).
Propiedades
1.
Si A 0 y k>0 es k . A
2.
3.
4. k N, si A 0, es Ak 0.
(por qu k 0?).
..
Observacin:
Si A 0 y B 0 no es necesariamente A . B
0. Por ejemplo, si
0 1
0,
0 1
13
1
v 0 es A .v 0 0
0
.
Ak = 0.
Ejemplo:
0 1 0
A 0 0 1
0 0 0
porque A3 0.
Matriz Idempotente
Definicin: Sea A: n x n. Se dice que A es idempotente si A2 = A.
2
3
2
3
1
3 porque A2 A
1
3
Propiedades
1.
2.
3.
tal que A .B =
4 3
Segn la definicin se debe encontrar una matriz B = (bij): 2x2 tal que:
= B . A = I n.
b21 b22
4 3 b21 b22
14
1 6 1 0
4 3 0 1
De () resulta :
4.bb 36..bb 01
11
11
21
21
4.bb 36..bb
22 0
22 1
12
12
b11
1
4
2
b21
b12 b22 1
27
9;
27 ;
9;
1
9
4
27
2
9 verifica que B . A I :
2
1
27
27
2 1 6 1 0
9
1 4 3 0 1
27
entonces
1
9
4
27
A-1
2
9
1
27
Propiedades
1. Si la matriz A posee inversa, sta es nica.
Demostracin:
Supongamos que existen B y C tal que A . B = B . A = In y A . C = C . A = In.
Entonces B = B . In = B . (A . C) = (B . A) . C = In .C = C, es decir B = C, o sea la inversa es nica.
2.
3.
4.
5.
Si
es inversible,
k ,
k 0
entonces
k . A
es inversible y
(k . A)-1 = k
-1
. A-1 =
A1
(demostrar).
k
6.
Ejemplos:
1.
1
2. Si la inversa de la matriz A es la matriz 3
2
3
,
hallar la inversa de la matriz
A
3.
1 1
3. Sea A
2 3
0 1
4. Sea A 0 1
1 0
15
1
.
0
1 2
0 1
1 0
0 0
0
1
1 2
1 0
0 1
0 0
1
0
1 2
1 0
0 1
0 0
,
,
son equivalentes (por qu?, qu operaciones elementales se aplicaron?).
1
2
Si una matriz A: n x n es equivalente a la matriz I n, aplicando una serie de operaciones elementales de fila (o
columna) entonces la misma serie de operaciones elementales realizadas sobre la matriz identidad la convertirn en A-1.
Ejemplo:
1 3
Sea A
2 0
1
A
3
I
0
2
1
0
3
0
1
1
0
2
1
-6
-2
0
1
-2 . 1 + 2
1
1
- 6
-6 . 3
-3. 4 + 1
- 6
16
A-1
A
1
1
3
6
Verificacin:
1 3
2 0
0
1 0
1
6
0 1
1 3 1 0
2 0 0 1
1
3
6
Observacin:
Existe un mtodo prctico basado en el mtodo anterior, mtodo de Gauss-Jordan, que transforma una matriz en una
equivalente en forma escalonada reducida:
a)
Se elige en la matriz un nmero no nulo como pivote, preferentemente un 1 , si no es posible se divide toda la
fila por un nmero para obtener el 1.
b) Los elementos de la columna del pivote se transforman en 0, los elementos de la fila del pivote quedan iguales.
c)
Los elementos que no estn ni en la fila ni en la columna del pivote se transforman de la siguiente manera:
1 --------------- b
a-------------- c c a .b
d) Se elige otro pivote que no pertenezca ni a la fila ni a la columna del anterior y se aplica a), b), c).
e) El procedimiento termina cuando no es posible elegir otro pivote.
1
A
3
I
0
2
1
0
3
0
1
1
0
0
1
-6
3
-2
1
1
0
- 6
- 6
17
A-1
es solucin del
Si el S.E.L. tiene solucin, se dice compatible (determinado si es nica, indeterminado en caso contrario).
Si el S.E.L. no tiene solucin, se dice incompatible.
Para resolver cualquier S.E.L. se puede aplicar el mtodo de Gauss-Jordan a la matriz ampliada (A|b) del S.E.L. A . x
= b y luego analizar el S.E.L equivalente (tienen la misma solucin) obtenido.
Ejemplo:
Resolver el S.E.L.
x y 2z 9
2 x 4 y 3z 1
3x 6 y 5z 0
x 2 y 2 z 1
2 x 3 y 8
El S.E.L. equivalente es
1
2
3
1
2
1
4
6
2
3
2
-3
-5
-2
0
9
1
0
-1
8
1
0
0
0
0
1
2
3
1
1
2
-7
-11
-4
-4
9
-17
-27
-10
-10
1
0
0
0
0
0
0
0
1
0
6
1
1
-4
0
19
3
3
-10
0
1
0
0
0
0
0
0
0
1
0
0
1
0
0
0
1
3
0
2
0
2
3
x 1
z3
y2
A.x =b
18
A es
x1 6 x 2 0
4 x1 3x 2 0
1 6
Como la matriz A
4 3
0
es inversible , la solucin del S.E.L.H. es x
0 .
0,4 0,1 0,2 x 2 d 2 x 2
0,1 0,3 0,2 x 3 d 3
x3
como A . x d x, donde A (a ij) es una matriz no negativa con 0 aij 1
llamada matriz de insumo - producto, con 0
aij 1
(si
ij
19
ij
1 entonces es lim Ak 0
A
k 0
(I - A)-1 Ak
k 0
es
| A|
a11 a12
a11 a22 a12 a21
a21 a22
a11
a21
a31
a11
a21
a12 a13
a22 a23
a32 a33
a12 a13
a22 a23
a11 a22 a33 a21 a32 a13 a31 a12 a23 (a13 a22 a31 a23 a32 a11 a33 a12 a21 )
Observacin :en cada trmino del desarrollo hay un elemento de cada fila y columna de la matriz . Ejemplos:
0
3
1
1
1 0 2 3 1 3
2
1 2 3
1 0 4 0 6 8 0 8 6 0
1 2 3
Para calcular el determinante de una matriz cuadrada de cualquier orden, aplicamos el siguiente mtodo.
Sea A = (aij): n x n.
Sea Mij la submatriz de A, de orden (n-1) x (n-1)
A. El |Mij| se denomina menor complementario de aij.
20
a A
ij
ij
j 1
i 1
Ejemplo:
1
4
3
2
2 3 4
4 1
3
1 3 4
2 1
3
1 2
2 2
2 1 3
0 3 2 1 3 0 3 0 0 48
0 0 3
2 2 3
2 2 3
0 2 3
Propiedades
1. Si A es diagonal es |A| = a11 . a22 ann (justificar).
2. Si A es triangular es |A| = a11 . a22 ann
3. |In| = 1 (por qu?).
4. Si se multiplica una fila columna de la matriz A por un escalar ,
entonces el determinante tambin queda multiplicado por (por qu?).
a11
a12
a13
a11
a 21 a 22 a 23 a 21
a31
a32
a33
a31
a12
a 22
a32
a13
a 23
a33
5.
6.
7.
8.
9.
10.
11. | A-1 |
1
|A|
(por qu?).
Ejercicios
1. Demostrar que A es inversible |A| 0.
2. Demostrar que | .A | n | A |, con A: n x n.
..
3 Demostrar que si A tiene dos filas (columnas) proporcionales es |A| = 0.
4 Sea la matriz
1 a a 2 a3
2
3
1 b b b
V
2
3
1 c c c
1 d d 2 d 3
21
5 x1 3 x 2 30
6 x1 2 x 2 8
30 3
5 30
5 3
8
2
6 8
84
140
Como | A |
-28 0, la solucin es x
3 x2
5
1
6 2
28
28
28
28
,
.
x1
x
n
Si x se puede poner : x 2
x
n
x y x y
Suma : x y 2 2 2 2 n si x , y n
x y x y
n n n n
x1 x1
x2 x2
Producto por un escalar : .x
n
x x
n
n
.
que verifican las siguientes propiedades:
S1) x + (y + z) = (x + y) + z,
S2) x + y = y + x,
S3)
0 / x + 0 = x,
n
x, y, z .
n
x, y .
n
n
x .
se llaman vectores o
22
P1)
. ( . x) = ( . ) . x,
. (x + y) = .x + .y,
P3) ( + ) . x = .x + .x,
P4) 1 / 1.x = x,
P2)
n
, , x .
n
, x, y .
n
, , x .
n
x .
3
Sean los vectores u v Si calculamos 3.u 2.v, es : 3
4
2
,
.
9
El vector es combinaci n lineal de los vectores u y v.
16
2
4
1
1
Definicin: Un vector v
si existen escalares
1
4
3 9
2 16
i 1
vi
Ejemplos:
1. Expresar al vector v 5
1
1
0
0
e1 0 , e2 1 , y e3 0
0
0
1
.
5 1 0 2 1 3 0
1
0
0
1
n ,
23
2 1
5 2
1
3
3 y cualquier
a
vector b 3 se puede escribir como C.L. de e1, e2, e3 :
c
a
b a.e1 b.e2 c.e3
c
0
0
2.
Expresar el vector
1
como C.L. de los vectores
2
0
3
4
0 2
, , y 2 .
1 , 2 , 3 tal que
0
1
2
3
0 1 1 2 0 3 4
0
0
2
2
para lo que debemos resolver el S.E.L.H:
1 2 2 3 3 0
1 4 3 0
Entonces:
3. Expresar el vector
2 2 0
2
3
0
1
2
3
0 0 1 0 0 0 4
0
0
2
2
3
1
como C.L. de los vectores
1 , 2 tal que
Debemos calcular, si existen,
o sea:
6
2
y .
1
3
6
1 2
1
1
2
3 1 6 2 1
1 2 2 1
24
6
2
Observacin:
3
1
es C.L., por ejemplo, de pues
0
0 como C.L. de los vectores
4. Expresar el vector
3
y 6
1
2
6
3
2
2
1 .
3
6
1 y 2 . Es nica esta C.L., es decir, son
n . Se dice que:
a) Estos vectores son linealmente dependientes si al menos uno de ellos es C.L. de los restantes.
b) Estos vectores son linealmente independientes cuando ninguno de ellos es C.L. de los restantes.
Ejemplo:
3
1
Los vectores
Los vectores
6
2
y
1
0
2
0
2
son L.D.
, y
3
4
2
son L.I.
n . Se dice que:
Propiedades
1.
2.
3.
4.
5.
6.
Los vectores v1, v2,, vn
son L.I. si el determinante de la matriz, formada por los vectores v 1, v2,,
vn, es no nulo (por qu? ayuda: ver la definicin 2).
n
7.
Los vectores v1, v2,,vn son L.D. si el determinante de la matriz formada por los vectores v 1, v2,, vn,
es cero. (por qu? ayuda: ver la definicin 2).
n
25
Ejercicios
1.
Sea el S.E.L. de m ecuaciones con n incgnitas, A . x = b con A = (aij), x = (xj), b = (bi) para i =1,..,m.
j =1,..,n.
Escribir el vector b como C.L. de los vectores columna de la matriz A.
a) Cundo existe esta C.L.?
b) Cundo es nica?
2.
Demostrar que si un vector es C.L. de un conjunto de vectores L.I., esta combinacin lineal es nica.
3.
Comprobar que en
1 2 3
A 1 0 4
0 2 2
3 6
1 2
3 6
C 1 2
0 1
0 0
3 6 0 0
Propiedades
1.
Dada una matriz A: m x n, (A) = r existe al menos una submatriz Ar de orden r x r tal que |Ar| 0
y todos los menores de A de mayor orden son nulos.
Demostracin:
26
a
a
a
m1 m2
mr
mn
a
a
a
m1 m2
mr
Supongamos que son los r primeros vectores fila.
As la submatriz Ar de B, y por lo tanto de A.
a
a
a
r1 r2
rr
,
tiene (Ar) = r. Entonces, segn las propiedades vistas es |Ar| 0.
Cualquier submatriz de orden mayor tendr vectores columna L.D. todos los menores de orden mayor de r
sern nulos.
Supongamos que existe una submatriz A r de A tal que |A r| 0 y que todas las submatrices de orden
mayor Ak tienen determinante nulo.
Supongamos que Ar est formada por los r primeros vectores columna y fila de A.
Si |A r| 0 (B) = r (A) r. Ahora, si (A) > r, supongamos (A) = r + 1 r + 1 vectores
columna de A son L.I. y por lo tanto existir un menor de orden r +1, de A, no nulo. Absurdo por
hiptesis.
(A) = r
2.
3.
A: n x n es inversible (A)= n
4.
(por qu?).
1 0 2 1
A 2 2 4 2
3 1 6 3
27
(A) = 2.
1 0 2
2 2 4 0
1 0 1
2 2 2 0
0 2 1
2 4 2 0
1 2 1
2 4 2 0
3 1 6
3 1 3
1 6 3
3 6 3
1 0
0 , es 2
2 2
j=
e
Demostracin:
a)
El S.E.L. A . x = b
es compatible
x*=(
x *j
),
j=1,..,n
x A x A ... x A b
*
1
*
2
*
n
1
2
n
columna de A es
b es C.L. de los vectores columna de A los
conjuntos {A1, A2, .., An } (donde Aj son los vectores columna de A) y {A 1, A2, .., An, b} tienen el mismo
nmero de vectores L.I. (A) = (A|b).
28
Ejemplo:
1 2k
Si (A | b)
1
1 k 0
k 1 k 1 k
1
1
k 1
1 k k k 2 1 0 si k 0 y k 1
k 1 k
k 0, k -1 y k 1.
1
1
k+1
K
1
k
1
k
1
2k
0
K
1
0
0
k
1-k
-k2
1
k-1
-k
2k
-2k
-2k2-k
k 0
si
k 1
x = A. x + r . x
A . x = (1-r) . x
o sea:
A . x .x , donde 1-r
29
Definicin: Si A es una matriz n x n y x un vector de , x 0, tal que existe un escalar tal que:
A.x=.x
n
Son sinnimos de valor propio: valor caracterstico, autovalor, eigenvalor, raz caracterstica. Anlogamente para
vector propio: vector caracterstico, autovector, eigenvector.
2.
3.
entonces
valor propio .
4.
Un vector x, x 0, no puede ser vector propio de A asociado a dos o ms valores propios de A distintos.
Porque si existen 1 y 2 tal que
A .x = 1 . x y A . x = 2.x es A . x A . x = 1. x - 2 . x, o
sea:
0 = (1 - 2) . x
y como x 0 resulta 1 = 2.
1
Ejemplo : El vector x es un vector propio de la matriz
2
3 0
asociado al valor
A
8
3 0 1 3
1
3 3 x
propio 3 porque A.x
8 1 2 6
2
3 2
1. A
1
0
| A - .I2 |
3
1
30
2
2 3 2 0
2 2
x1 0
x
2 0
el conjunto solucin es
k
, k
S {x 2/ x
, k 0, por ejemplo
x1
2
1
1 2
x1 0
x2 0
el conjunto solucin es
2k
, k
k
S x 2 / x
2k
2
k 0; por ejemplo x2
1
k
,
3 2 0
2. A 2 3 0
0
0 5
2 = 3 = 5
k
Vectores propios : asociados a 1 1, x k k
0
1
1 con k 0
0
31
1
asociados a 2 3 5, x k. 1 t
0
0
0 con k y t no simultnea mente nulos.
1
Observacin:
1.
Sea f() = |A - . In |. Si 1,.., n son los valores propios de A, es decir las soluciones de la ecuacin
caracterstica, entonces f() puede factorizarse como:
f() = |A - . In | = (1 - ) . (2 - ) . . (n - )
Por lo que f(0) = |A| = 1 . 2 . . n
2.
3.
Los valores propios de una matriz real, pueden ser reales o complejos. Si la matriz es simtrica todos sus valores
propios son reales.
(por qu?).
ij
i
Como A es una matriz no negativa con 0 aij < 1 y
<1, el mayor valor propio de A es real, positivo y
menor que 1. El vector propio asociado x es no negativo. (Ver anexo: Teorema de Perron Frobenius)
100
32
100 20
50 10
100 20
1. Si d 0 es r 0 1 .
Este caso corresponde a una economa de subsistencia, todo se va en insumos, se cumple que
(Ver Anexo: Teorema de Perron-Frobenius).
2
Cuanto menor es
a
i
ij
=1 para todo j
Ejercicios.
1.
Supongamos que entre los aos 2000 y 2005 la poblacin de un pas ser constante en aproximadamente 270
millones de personas. Supongamos adems que durante cada uno de estos aos el 20% de la poblacin que vive
en la ciudad A emigra, pero un 10% de la poblacin de otras ciudades se muda a la ciudad A.
Si x es la poblacin de A al inicio de un ao, y es la poblacin fuera de A al inicio de ese ao, v es la poblacin
fuera de A al final del ao, u es la poblacin de A al final del ao.
a) Expresar este modelo de flujo de poblacin por un S.E.L. que describa la situacin.
b) Existe una distribucin de la poblacin dentro y fuera de la ciudad A para la cual no habr ningn
cambio de un ao al siguiente, a pesar que el 20% emigr y el 10% inmigr?
2.
a)
Sea A = (aij): 2x2, simtrica. Demostrar que sus valores propios son reales, con aij.
Qu signos tienen estos valores propios?
sugerencia: analizar ecuaciones caractersticas).
3.
4.
2 1 4
3. Dada la matriz A 0 2 3
0 0 1
2 vectores propios de A?
3
1
son los vectores 0 y
0
1
5. Demostrar que: Si A es inversible y es valor propio de A entonces es valor propio de A-1 (sugerencia:
aplicar definicin).
6.
7.
33
8.
Demostrar que: una matriz y su transpuesta tienen los mismos valores propios
(sugerencia: demostrar que tienen la misma ecuacin caracterstica y concluir).
9.
Demostrar que si x es vector propio de B = R -1. A . R asociado al valor propio , entonces y = R.x
vector propio de A asociado al mismo valor propio (sugerencia: aplicar la definicin y).
es un
10. Demostrar que si A es idempotente, sus valores propios son 0 1 (sugerencia: aplicar definicin y).
11. Demostrar que si
idempotente y).
es idempotente entonces
|A| = 0 |A| = 1
12. Demostrar que si A es ortogonal es |A| = 1 |A| = -1 (sugerencia: aplicar definicin matriz ortogonal y).
13. Demostrar que si A es ortogonal, sus valores propios son -1 1 (sugerencia: aplicar definicin y).
14. Demostrar que si A es nilpotente es |A| = 0 (sugerencia: aplicar definicin matriz nilpotente y).
15. Demostrar que si A es nilpotente sus valores propios son 0 (sugerencia: aplicar definicin y).
a 0 i j
a 0
A11
0
donde A11 y
rectangular.
A12
A22
Una matriz irreducible en un sistema, produce el efecto de que todo est relacionado con todo.
Teorema de Perron-Frobenius
34
x Ax d
(1)
nos interesa saber si tendr solucin (esto es, que existe x que satisface (1) ); ms precisamente, si tendr
solucin econmicamente significativa (que la solucin x sea positiva o, por lo menos, no-negativa); y ms
an, queremos una economa reproducible (que la solucin de (1), x 0 x 0 , corresponda a un
excedente d 0 , o por lo menos d 0 ).
La respuesta a este problema, la encontramos en el:
Teorema de Perron-Frobenius
(enunciado comentado)
Si A es una matriz cuadrada de orden n, real e irreducible, tiene por lo menos una raz caracterstica real.
La mayor de stas, que llamaremos
max
, es positiva. Y adems:
I A 1 0
max
I A y es positiva si
Como caso particular, existe la inversa de
pues
I A 1.I A . Este caso particular, fraseado para el caso de insumo producto, dice que:
x Ax d
tiene solucin nica positiva
I A 1 0
x I A d
1
si
d 0
y al multiplicarla por d 0 , da x 0 .
3. max est entre el mnimo y el mximo de la suma de las filas de A, y entre el mnimo y el mximo
de las columnas de A.
Es decir:
n
j 1
j 1
n
i 1
i 1
35
Observacin: El teorema de Perron-Frobenius incluye otra serie de resultados que no exponemos aqu pues no
los usaremos en este Anexo.
Si A cumple todas las hiptesis anteriores, salvo la irreducibilidad, entonces se cumplen:
1. Con x 0
2. Con
I A 1 0